基于改进RBF神经网络的工件表面缺陷检测研究
发布时间：2021-01-02 21:07
金属工件表面纹理缺陷的识别与分类是21世纪工业自动化领域中的热点问题。金属工件表面的划痕、斑点、凹坑等缺陷,可能会造成组装后的机器使用寿命缩短、安全隐患等问题。为保证产品的质量,本文针对金属工件表面纹理缺陷的提取与分类方法展开了相关研究工作。本文在研究灰度共生矩阵算法提取缺陷特征的基础之上,分析了纹理缺陷的相关机理。针对纹理缺陷在图像中的灰度跳变信息,提出了灰度-梯度共生矩阵算法。该方法是将图像中纹理的梯度信息引入灰度共生矩阵,使其对于具有方向性的纹理可以从梯度的方向上反应出来。实验证明,基于灰度-梯度共生矩阵算法提取的缺陷特征可以更好的保留纹理的边缘、纹沟或者其他尖锐的纹理信息。为了提高纹理缺陷的分类精度,本文提出了改进的RBF神经网络分类算法。该方法利用粒子群算法优化RBF神经网络的基函数中心xi、方差σ、输出权值ω,并对网络进行训练,从而改善标准RBF神经网络易出现的网络收敛慢和网络发散问题,并提高缺陷分类准确率。实验结果表明PSO改进的RBF神经网络相比标准RBF神经网络和BP神经网络分类方法提高了缺陷分类准确率,三种缺陷特征的分类平均准确率高达94%。
【文章来源】：长春工业大学吉林省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
机器视觉技术的应用
第 1 章 绪 论变层级越少，图像色调单一且模糊。直方图均衡化运算简单，处理图像速度快。广泛应用于增强图像暗部细节、增强高速运动物体显示效果等方面[16-17]。1.2.3 图像特征提取算法研究现状图像特征提取是图像处理过程中十分重要的环节，特征提取的结果直接影响到图像特征提取与分类的准确率。图像特征分为以下四类：纹理特征、形状特征、颜色特征和空间关系特征[18-19]。不同的图像特征提取算法提取不同的图像特征，本文研究的金属表面缺陷特征属于纹理特征（如划痕、斑点和凹坑等）。纹理特征提取方法分为以下四类：统计法（如灰度共生矩阵[20]、图像的能量谱函数[21]等）、几何法（如 Voron棋盘格特征法、结构法等）、模型法（如马尔科夫随机场模型法[22]、Gibbs 随机场模型法等）和信号处理法（如小波变换[23]、自回归纹理模型法[24]）。纹理特征提取方法分类如图 1.3 所示。
Gabor 小波的核函数通过卷积运算可以得到 Gabor 特征图谱。如图2.1 所示，A 为含有缺陷特征的图像，B 为 Gabor 小波的核函数。卷积的运算公式如下： i jC ( x,y)A(i,j)B(xi,yj)（2-15）将输入的含有缺陷特征的图像进行 Gabor 小波变换，运算过程如下：()()(),,FzIzGzuvuv （2-16）其中，, 为通过卷积运算得到的特征图像； 为初始图像；*为卷积运算。图 2.1 二维卷积运算
【参考文献】：
期刊论文
[1]基于BP神经网络的电网物资需求预测研究[J]. 丁红卫,王文果,万良,罗剑. 计算机技术与发展. 2019(06)
[2]基于粒子群算法的RBF神经网络零件表面缺陷分类[J]. 岳晓峰,刘天. 电子技术与软件工程. 2019(04)
[3]自动驾驶汽车及技术发展研究[J]. 王治平. 科技经济导刊. 2019(05)
[4]基于超声图像的生物组织损伤判定方法研究[J]. 陈兴,丁亚军,钱盛友,郭燕. 电子测量与仪器学报. 2019(01)
[5]局部自相关函数在基于内容的图像检索中的应用[J]. 胡志军,刘广海,苏又. 计算机科学. 2018(S2)
[6]基于Gabor小波变换的图像轮廓角点检测[J]. 马迎春,刘慧锋,张航. 测试技术学报. 2018(04)
[7]人脸识别技术综述及分析[J]. 党永成. 电子技术与软件工程. 2018(03)
[8]图像纹理检测与特征提取技术研究综述[J]. 李秀怡. 中国管理信息化. 2017(23)
[9]基于K-means颜色聚类分割与边缘检测的文字提取[J]. 吴春法,潘亚文,王敬. 电脑知识与技术. 2017(28)
[10]基于Tamura纹理特征的织物组织识别算法[J]. 梅军,张森林,樊臻. 轻工机械. 2017(04)
博士论文
[1]森林生物量遥感估测及人为干扰对森林碳储量影响研究[D]. 田静.东北林业大学 2017
[2]高光谱图像的分类技术研究[D]. 何同弟.重庆大学 2014
[3]支持向量机方法及其应用研究[D]. 王书舟.哈尔滨工业大学 2009
硕士论文
[1]基于BP神经网络的太湖叶绿素浓度反演[D]. 王根深.南京邮电大学 2018
[2]粒子群算法改进及其应用研究[D]. 秦媛.南京邮电大学 2018
[3]金属表面细微缺陷的识别与分类研究[D]. 吴焕新.长春工业大学 2018
[4]BP神经网络方法在新产品开发中的应用研究[D]. 王胜男.山东建筑大学 2018
[5]基于主成分分析的焊缝缺陷识别算法研究[D]. 张君.西安石油大学 2017
[6]无参考视频平滑度评价方法的研究[D]. 卢培磊.武汉工程大学 2015
[7]基于机器视觉的手机隔板划痕检测研究[D]. 宋迪.湘潭大学 2014
[8]基于马尔科夫随机场模型的图像分割算法研究[D]. 朱瑶.哈尔滨工程大学 2014
[9]浮选泡沫图像纹理特征提取研究及应用[D]. 林霞.中南大学 2013
[10]基于神经网络的水文预报方法研究[D]. 王圣.华中科技大学 2013
本文编号：2953643
【文章来源】：长春工业大学吉林省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
机器视觉技术的应用
第 1 章 绪 论变层级越少，图像色调单一且模糊。直方图均衡化运算简单，处理图像速度快。广泛应用于增强图像暗部细节、增强高速运动物体显示效果等方面[16-17]。1.2.3 图像特征提取算法研究现状图像特征提取是图像处理过程中十分重要的环节，特征提取的结果直接影响到图像特征提取与分类的准确率。图像特征分为以下四类：纹理特征、形状特征、颜色特征和空间关系特征[18-19]。不同的图像特征提取算法提取不同的图像特征，本文研究的金属表面缺陷特征属于纹理特征（如划痕、斑点和凹坑等）。纹理特征提取方法分为以下四类：统计法（如灰度共生矩阵[20]、图像的能量谱函数[21]等）、几何法（如 Voron棋盘格特征法、结构法等）、模型法（如马尔科夫随机场模型法[22]、Gibbs 随机场模型法等）和信号处理法（如小波变换[23]、自回归纹理模型法[24]）。纹理特征提取方法分类如图 1.3 所示。
Gabor 小波的核函数通过卷积运算可以得到 Gabor 特征图谱。如图2.1 所示，A 为含有缺陷特征的图像，B 为 Gabor 小波的核函数。卷积的运算公式如下： i jC ( x,y)A(i,j)B(xi,yj)（2-15）将输入的含有缺陷特征的图像进行 Gabor 小波变换，运算过程如下：()()(),,FzIzGzuvuv （2-16）其中，, 为通过卷积运算得到的特征图像； 为初始图像；*为卷积运算。图 2.1 二维卷积运算
【参考文献】：
期刊论文
[1]基于BP神经网络的电网物资需求预测研究[J]. 丁红卫,王文果,万良,罗剑. 计算机技术与发展. 2019(06)
[2]基于粒子群算法的RBF神经网络零件表面缺陷分类[J]. 岳晓峰,刘天. 电子技术与软件工程. 2019(04)
[3]自动驾驶汽车及技术发展研究[J]. 王治平. 科技经济导刊. 2019(05)
[4]基于超声图像的生物组织损伤判定方法研究[J]. 陈兴,丁亚军,钱盛友,郭燕. 电子测量与仪器学报. 2019(01)
[5]局部自相关函数在基于内容的图像检索中的应用[J]. 胡志军,刘广海,苏又. 计算机科学. 2018(S2)
[6]基于Gabor小波变换的图像轮廓角点检测[J]. 马迎春,刘慧锋,张航. 测试技术学报. 2018(04)
[7]人脸识别技术综述及分析[J]. 党永成. 电子技术与软件工程. 2018(03)
[8]图像纹理检测与特征提取技术研究综述[J]. 李秀怡. 中国管理信息化. 2017(23)
[9]基于K-means颜色聚类分割与边缘检测的文字提取[J]. 吴春法,潘亚文,王敬. 电脑知识与技术. 2017(28)
[10]基于Tamura纹理特征的织物组织识别算法[J]. 梅军,张森林,樊臻. 轻工机械. 2017(04)
博士论文
[1]森林生物量遥感估测及人为干扰对森林碳储量影响研究[D]. 田静.东北林业大学 2017
[2]高光谱图像的分类技术研究[D]. 何同弟.重庆大学 2014
[3]支持向量机方法及其应用研究[D]. 王书舟.哈尔滨工业大学 2009
硕士论文
[1]基于BP神经网络的太湖叶绿素浓度反演[D]. 王根深.南京邮电大学 2018
[2]粒子群算法改进及其应用研究[D]. 秦媛.南京邮电大学 2018
[3]金属表面细微缺陷的识别与分类研究[D]. 吴焕新.长春工业大学 2018
[4]BP神经网络方法在新产品开发中的应用研究[D]. 王胜男.山东建筑大学 2018
[5]基于主成分分析的焊缝缺陷识别算法研究[D]. 张君.西安石油大学 2017
[6]无参考视频平滑度评价方法的研究[D]. 卢培磊.武汉工程大学 2015
[7]基于机器视觉的手机隔板划痕检测研究[D]. 宋迪.湘潭大学 2014
[8]基于马尔科夫随机场模型的图像分割算法研究[D]. 朱瑶.哈尔滨工程大学 2014
[9]浮选泡沫图像纹理特征提取研究及应用[D]. 林霞.中南大学 2013
[10]基于神经网络的水文预报方法研究[D]. 王圣.华中科技大学 2013
本文编号：2953643
本文链接：https://www.wllwen.com/kejilunwen/jiagonggongyi/2953643.html
