基于机器视觉的钢管表面缺陷检测与识别方法研究

发布时间：2021-02-16 09:27

　　表面质量是评价钢管质量的重要指标,对产品的性能质量具有至关重要的影响目前国内外有关机器视觉检测钢管的研究较少,未有成熟的产品,在技术方面有待完善。本文以热轧无缝钢管为研究对象,设计并搭建钢管表面缺陷图像采集实验平台,获取并构建表面缺陷图像样本库开展了检测和识别分类研究,具体如下:（1）为获取钢管表面缺陷图像,提出一种钢管表面图像采集方法,能适应一定范围外径大小的钢管。采用明场照明方式设计钢管表面成像光路图,以此为基础进行成像硬件参数设计。设定图像采集参数获取并构建钢管表面缺陷图像样本库,可作为检测和识别分类方法研究的图像数据来源及性能评价依据。（2）基于图像样本库,研究开发了钢管表面缺陷检测方法。针对钢管弧形外表面易造成光照不均等问题,提出了一种基于改进K-means灰度正反求和的检测方法。首先以垂直投影法获取钢管区域图像,计算得到其灰度反转图像,利用FMR算法分别对钢管区域图像及灰度反转图像增强处理,获得各自背景均匀、高对比度图像,再以改进的K-means分割算法处理,获取各自缺陷结果,并将二者结果求和,最后进行图像后处理优化该结果,并定位提取缺陷区域。（3）在检测基础上,针对缺陷区... 

【文章来源】：武汉科技大学湖北省

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题研究背景及意义
    1.2 国内外现状
        1.2.1 钢管表面缺陷检测特点
        1.2.2 相关行业检测方法
        1.2.3 平面与曲面缺陷检测常见成像方法
    1.3 关键技术难点
    1.4 本文主要研究内容
    1.5 本章小结
第2章 钢管表面图像采集实验平台设计
    2.1 实验台方案设计
    2.2 成像光路与硬件参数设计
        2.2.1 成像光路设计
        2.2.2 硬件参数设计
    2.3 实验台搭建
    2.4 图像采集参数设定
    2.5 本章小结
第3章 钢管表面缺陷检测算法研究
    3.1 钢管区域定位提取
        3.1.1 二值图像垂直投影法
        3.1.2 钢管区域定位提取实现
    3.2 图像增强
        3.2.1 Frankle-Mc Cann Retinex算法
        3.2.2 各种算法增强效果对比
        3.2.3 不同缺陷图像增强效果
    3.3 图像分割
        3.3.1 K-means算法
        3.3.2 改进K-means图像分割算法
        3.3.3 基于改进K-means灰度正反求和分割
    3.4 图像后处理
        3.4.1 图像滤波
        3.4.2 形态学膨胀
        3.4.3 孔洞填充
        3.4.4 形态学腐蚀
        3.4.5 伪缺陷判别
    3.5 缺陷区域定位提取
    3.6 本章小结
第4章 钢管表面缺陷图像识别方法研究
    4.1 特征选择
    4.2 特征提取
    4.3 基于支持向量机原理的缺陷识别
        4.3.1 支持向量机原理简介
        4.3.2 核函数选择与分类器设计
    4.4 本章小结
第5章 实验结果及分析
    5.1 检测结果分析
    5.2 识别结果分析
    5.3 本章小结
第6章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
附录1 攻读硕士学位期间发表的论文


【参考文献】：
期刊论文
[1]锂电池极片轧机轧辊表面缺陷检测与识别[J]. 肖艳军,齐浩,周围,彭凯,孟召宗,张雪辉.  电子测量与仪器学报. 2019(10)
[2]An improved binarization algorithm of wood image defect segmentation based on non-uniform background[J]. Wei Luo,Liping Sun.  Journal of Forestry Research. 2019(04)
[3]复杂异形曲面自动建模图像矩视觉伺服定位控制[J]. 彭伟星,王耀南,曾凯,吴昊天.  机械工程学报. 2019(14)
[4]基于K-CV参数优化支持向量机的LIBS燃煤热值定量分析[J]. 董美蓉,韦丽萍,陆继东,黎文兵,陆盛资,黄健伟,李诗诗,骆发胜,聂嘉朗.  光谱学与光谱分析. 2019(07)
[5]基于多通道均衡化的水下彩色图像增强算法[J]. 李昌利,孙亚伟,闫敬文,樊棠怀.  华中科技大学学报(自然科学版). 2019(06)
[6]电机铜排表面毛刺缺陷检测技术研究[J]. 范剑英,刘力源,赵首博.  仪器仪表学报. 2019(03)
[7]机器视觉在厚壁钢管端面缺陷检测中的应用[J]. 王柯赛,张洪.  机电工程技术. 2019(02)
[8]一种高鲁棒性的钢轨表面缺陷检测算法[J]. 彭方进.  中国机械工程. 2019(03)
[9]改进的Gabor滤波器带钢表面缺陷显著性检测[J]. 屈尔庆,崔月姣,徐森,孙鹤旭.  华中科技大学学报(自然科学版). 2017(10)
[10]基于K均值聚类和开闭交替滤波的黄瓜叶片水滴荧光图像分割[J]. 杨信廷,孙文娟,李明,陈梅香,明楠,韩佳伟,李文勇,陈明.  农业工程学报. 2016(17)

博士论文
[1]基于机器视觉的半导体芯片表面缺陷在线检测关键技术研究[D]. 巢渊.东南大学 2017

硕士论文
[1]基于机器视觉的缺陷检测与识别方法研究[D]. 马天娇.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) 2018
[2]基于偏振成像的肺癌细胞检测系统设计[D]. 赵劲松.大连海事大学 2018
[3]锅炉用小径无缝钢管缺陷的视觉检测系统设计与实现[D]. 宋智文.黑龙江大学 2017
[4]机器视觉轨道缺陷检测成像系统的研究[D]. 张丛.南昌大学 2017
[5]基于Retinex理论的彩色图像增强技术研究[D]. 刘军.中国科学院研究生院(西安光学精密机械研究所) 2015
[6]高铁轨道表面缺陷的机器视觉检测算法研究[D]. 尹逊帅.湖南大学 2015
[7]铁轨表面缺陷的视觉检测算法研究[D]. 唐湘娜.湖南大学 2013
[8]基于机器视觉的钢管表面缺陷检测技术研究[D]. 周文欢.华侨大学 2012
[9]基于机器视觉的带钢表面缺陷检测系统的研究[D]. 陈永胜.武汉科技大学 2010



本文编号：3036575