基于机器视觉的板带材表面缺陷检测与分类研究

发布时间：2020-09-19 17:53

　　由于冷轧生产中带钢的材料规格、生产设备、轧制工艺等诸多因素,会使板带材表面产生不同种类的缺陷,影响了实用性和美观性。本文对板带材表面缺陷检测系统进行了设计,建立了板带材表面缺陷图像库,改进了卷积神经网络算法,并利用改进的卷积神经网络对缺陷图像库进行训练和测试。首先,针对板带材表面缺陷检测装置的图像采集和传输问题,分别从硬件和软件两方面进行研究。硬件结构设计中,对系统中光源、照明方式和图像传感器进行了深入探讨;研究了FPGA处理器和存储部件SDRAM、以太网DM9000A等外设的选取和电路连接问题,并在FPGA上建立Nios系统。软件设计中,在FPGA内利用I2C总线对CMOS传感器MT9M034的相关寄存器进行配置,编写了MT9M034采集程序和DM9000A IP核;在Nios中引入μC/OS-II实时操作系统和Lwip协议,完成了系统采集和传输部分的软件设计。其次,针对采集缺陷图像过程中产生的噪声问题,分析了噪声类型和常见滤波方式,设计了基于FPGA的快速中值滤波,实现缺陷图像的快速中值滤波。针对网络训练中缺少训练样本问题,利用系统的图像采集模块采集了7类板带材表面缺陷图像,对图像进行人工扩展,建立了板带材表面缺陷图像库。最后,传统板带材表面缺陷检测过程中,需要手动提取缺陷特征,过程复杂。针对这一问题,提出了基于卷积神经网络的检测方法,并在板带材表面缺陷图像库上进行测试,得到6.86%的误识率。卷积神经网络在图像库识别率不高是因为特征提取不够,因此本文在网络中加入Gabor卷积核,提出了基于Gabor核的深度卷积神经网络。利用网络在板带材表面缺陷图像库上进行训练和测试,获得0.28%的较低误识率。
【学位单位】：燕山大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP391.41;TG115.28
【部分图文】：

缺陷图像,板带材,表面缺陷

第 2 章板带材表面缺陷检测系统整体设计第 2 章板带材表面缺陷检测系统整体设计文研究所涉及的缺陷带材在冷轧过程中，由于材料规格、生产设备、轧制工艺等诸多影响表面产生的缺陷种类繁多，包括划痕、翘皮、结疤、氧化、硌痕、边酸洗等 50 余种缺陷类型。这些缺陷根据其产生机理可将其分为材质缺、损伤缺陷以及工艺缺陷等类型[49]，根据其外观特征可以将其分为点以及面缺陷等类型。于对所有的缺陷类型进行研究工作量太大，所以本文以其中的划痕、氧化、黑线、油渍、黑点等 7 类常见缺陷为研究对象，缺陷图像如图 2-

基于机器视觉的板带材表面缺陷检测与分类研究

MT9M034的RTL图

板带材,表面缺陷,表面缺陷检测

第 2 章板带材表面缺陷检测系统整体设计寄存器 RCR 为 0x8F 使能数据接收功能。，将 Lwip 协议在 μC/OS-II 操作系统中创建任务堆栈，其中包括，DHCP 任务等，为 Lwip 中创建的各个任务分配好中断优先级。9000A 接收中断请求时，进入任务中执行 Lwip 的相关线程，完成像的以太网传输，采集的板带材表面缺陷图像如图 2-16 所示。

【参考文献】