基于改进卷积神经网络的玻璃缺陷识别方法研究

发布时间：2022-01-07 16:20

　　玻璃生产过程中会产生诸如划痕、夹杂、气泡、疖瘤以及污点等缺陷,各种玻璃缺陷的形态与大小没有固定模式,采用人工选择特征进行缺陷识别与分类的方法只能针对某种特定的玻璃或缺陷完成,且识别分类准确率较低,时间较长。因此,找到一种通用性强、准确率高且效率高的玻璃缺陷识别分类方法对于提高玻璃制品质量有着重要的意义。本文采用双冷阴极光灯作为线阵CCD相机光源,对玻璃生产线上的玻璃制品进行缺陷检测,针对图像中存在的光源频闪特性带来的条带噪声,本文设计了带阻滤波器,消除条带噪声,通过灰度分段线性变换对图像进行增强,提升了玻璃缺陷与背景邻域的对比度。针对传统分类方法中人为提取图像特征存在的通用性较差的问题,本文使用基于卷积神经网络的玻璃缺陷识别方法,在分析深度学习理论的基础上,使用几何变换的方法对玻璃缺陷图像库进行扩充,以反复试验的方式确定了适用于玻璃缺陷识别的卷积神经网络结构,并完成了玻璃缺陷的识别分类工作。针对卷积神经网络训练过程中,卷积核先随机初始化后训练而带来大量时间消耗,造成网络效率低下的问题,采用有监督和无监督学习相结合的方法,提出了一种集成学习方法。该方法利用改进稀疏系数的稀疏自编码器学习图... 

【文章来源】：中北大学山西省

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

典型玻璃缺陷图像

波的条带噪声去除像处理中常用的滤波方法之一，其基结构元素对图像像素点进行相应操作示为膨胀操作，式 2.7 为腐蚀操作。 f ( x , y ), B ]max f ( x x , y y ) B ( x ,é ￠= - - ￠ + ￠ ê f ( x , y ), B ]min f ( x x , y y ) B ( x é ￠= + + ￠ - ￠ ê 处理后的灰度值， f ( x ,y )为原始灰度值结合可以组成数学形态学滤波中的另图 2.6 直方图匹配去除条带噪声

形态学平均滤波去除条带噪声

【参考文献】：
期刊论文
[1]基于迭代直方图均衡化的常规光源下水下成像增强算法[J]. 王永鑫,刁鸣,韩闯.  光子学报. 2018(11)
[2]基于深度学习的木材缺陷图像检测方法[J]. 程玉柱,顾权,王众辉,李赵春.  林业机械与木工设备. 2018(08)
[3]结合直方图均衡化和暗通道先验的去雾算法[J]. 张宝山,杨燕,陈高科,周杰.  传感器与微系统. 2018(03)
[4]海面目标的红外景象增强技术研究[J]. 丁畅,董丽丽,许文海.  光学学报. 2018(06)
[5]部分补偿数字莫尔移相干涉的回程误差消除[J]. 张丽琼,王劭溥,胡摇,郝群.  红外与激光工程. 2018(01)
[6]基于引导滤波的红外图像条纹噪声去除方法[J]. 张盛伟,向伟,赵耀宏.  计算机辅助设计与图形学学报. 2017(08)
[7]基于深度学习特征的铸件缺陷射线图像动态检测方法[J]. 余永维,杜柳青,闫哲,许贺作.  农业机械学报. 2016(07)
[8]结合视觉特性与灰度拉伸的直方图均衡化红外图像算法[J]. 万智萍.  计算机工程与设计. 2016(03)
[9]玻璃缺陷识别算法研究[J]. 吴丹.  现代工业经济和信息化. 2015(02)
[10]灰度拉伸Retinex在大动态范围烟雾图像增强中的应用[J]. 陈志斌,张超,宋岩,刘先红.  红外与激光工程. 2014(09)

博士论文
[1]自适应图像实时增强算法的技术研究[D]. 李赓飞.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2017

硕士论文
[1]基于深度模型的手机屏幕缺陷检测和分类算法研究[D]. 沈红佳.浙江大学 2018
[2]基于深度学习的玻璃缺陷识别方法研究[D]. 瓮佳良.中北大学 2017
[3]基于迁移学习的TFT-LCD缺陷智能识别系统研制与应用[D]. 江伟轩.华中科技大学 2016
[4]灰度图像的直方图均衡化处理研究[D]. 陈永亮.安徽大学 2014



本文编号：3574863