带钢表面低对比度弱小缺陷检测的图像处理方法研究

发布时间：2017-09-15 10:44

  本文关键词：带钢表面低对比度弱小缺陷检测的图像处理方法研究

  更多相关文章： 图像处理 机器视觉检测系统 图像去噪 缺陷分割 Tamura纹理特征

【摘要】：钢铁产业是国民经济的重要基础产业,是实现工业化的支撑产业。作为钢铁产业的主要产品之一,带钢更已成为汽车、船舶以及航空航天等行业的重要原材料。随着科学技术的不断发展,后续加工对带钢的表面质量要求越来越高,表面质量的好坏是带钢的一项重要指标,因此对带钢表面质量进行检测具有重要意义。本文针对带钢在轧制的过程中常出现的表面缺陷检测的一些关键技术进行了研究。提出了缺陷检测系统的总体方案,并着重分析研究了检测系统的图像去噪方法、缺陷分割方法、特征提取方法,主要研究内容如下所示:1.根据缺陷图像噪声的特点,运用传统的去噪方法与非局部均值去噪方法进行去噪效果对比,实验结果表明:非局部均值去噪方法在对图像进行有效去噪的同时还能较好的保留图像的纹理和边缘等重要的细节信息。2.针对非局部均值算法中滤波参数h不能科学选择的问题,提出利用PCA噪声估计方法对算法进行改进,实现滤波参数h可根据不同图像自适应取值,以达到更好的去噪效果。3.针对带钢表面缺陷具有采光不均、目标较小、对比度低等特点,提出了基于Mask匀光处理的区域分割方法,实验证明此方法能有效解决光照不均的问题并得到很好的分割效果。4.在提取带钢表面图像多信息融合的特征向量中的纹理特征时,提出利用将灰度共生矩(GLCM)和Tamura纹理特征相结合提取图像纹理特征的方法,随后通过BP网络的分类识别正确率对改进效果进行了验证。
【关键词】：图像处理 机器视觉检测系统 图像去噪 缺陷分割 Tamura纹理特征
【学位授予单位】：武汉科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TG335.56;TP391.41
【目录】：

• 摘要4-5
• ABSTRACT5-10
• 第1章 绪论10-18
• 1.1 研究意义10-11
• 1.2 基于机器视觉的带钢表面缺陷检测系统与研究现状11-16
• 1.2.1 带钢表面缺陷检测系统的结构介绍11-13
• 1.2.2 视觉表面缺陷检测系统的国内外研究现状13-14
• 1.2.3 视觉表面缺陷检测算法研究综述14-16
• 1.3 本文的主要研究内容及结构安排16-18
• 第2章 图像的非局部均值去噪算法18-26
• 2.1 基于非局部均值的图像去噪方法18-20
• 2.1.1 非局部均值图像去噪原理18-19
• 2.1.2 非局部均值数学模型19-20
• 2.2 算法比较20-24
• 2.3 本章小结24-26
• 第3章 非局部均值算法的改进26-36
• 3.1 概述26
• 3.2 噪声水平的自适应26-31
• 3.2.1 图像噪声与参数h的关系26-27
• 3.2.2 利用PCA方法进行噪声估计27-31
• 3.3 改进前后的结果对比31-35
• 3.4 本章小结35-36
• 第4章 图像分割算法研究及光照不均校正36-49
• 4.1 基于边缘检测的图像分割方法36-39
• 4.1.1 微分算子36
• 4.1.2 形态学梯度边缘检测36-38
• 4.1.3 边缘检测实验结果对比38-39
• 4.2 基于区域的分割方法39-42
• 4.2.1 阈值分割法39-40
• 4.2.2 基于MRF的分割法40-42
• 4.3 光照不均的校正42-48
• 4.3.1 非均匀光照校正方法42-44
• 4.3.2 光照校正实验效果对比44-46
• 4.3.3 对光照校正后的图像进行分割实验46-48
• 4.4 本章小结48-49
• 第5章 缺陷特征提取49-59
• 5.1 几何特征49-50
• 5.2 灰度特征50-51
• 5.3 不变矩与拓扑特征51-53
• 5.3.1 不变矩特征51-53
• 5.3.2 拓扑特征53
• 5.4 纹理特征53-58
• 5.5 本章小结58-59
• 第6章 带钢表面缺陷的识别与分类59-65
• 6.1 BP神经网络59-61
• 6.1.1 BP神经网络的结构59-60
• 6.1.2 BP神经网络的学习算法60-61
• 6.2 实验数据的选择以及BP网络的设计61-62
• 6.2.1 样本数据的归一化处理61-62
• 6.2.2 BP网络的设计62
• 6.3 实验结果对比62-64
• 6.4 本章小结64-65
• 第7章 全文总结及展望65-67
• 7.1 全文总结65-66
• 7.2 论文后续工作及展望66-67
• 致谢67-68
• 参考文献68-73
• 附录1 攻读硕士学位期间发表的论文73-74
• 附录2 攻读硕士学位期间参加的科研项目74-75
• 详细摘要75-78

【相似文献】

中国期刊全文数据库 前8条

1 刘筱霞;转换图像模式以适于输出[J];印刷世界;2003年06期

2 姚海根;;高位数据图像的现实和未来需求[J];印刷杂志;2011年07期

3 许德合;PDF文件格式的概貌(续)[J];广东印刷;2002年01期

4 姚海根;;RGB编辑[J];出版与印刷;2012年02期

5 王平让;黄宏伟;薛亚东;;基于图像局部网格特征的隧道衬砌裂缝自动识别[J];岩石力学与工程学报;2012年05期

6 姚海根;多色调图像及输出[J];印刷杂志;1998年08期

7 刘斌强;陈希;;数码相机图像的色彩管理[J];丝网印刷;2006年01期

8 ;[J];;年期

中国重要会议论文全文数据库 前3条

1 吴楠;李晓曦;宋方敏;;图像挖掘及其在医学图像分类中的应用[A];2006年全国理论计算机科学学术年会论文集[C];2006年

2 潘海为;谢晓芹;张炜;李建中;;基于ROI的医学图像聚类算法[A];第二十三届中国数据库学术会议论文集（技术报告篇）[C];2006年

3 孙华;;Photoshop软件在眼科领域的应用[A];中华医学会第十二届全国眼科学术大会论文汇编[C];2007年

中国重要报纸全文数据库 前8条

1 重庆 杨清德;宽屏幕电视机图像模式的选择[N];电子报;2007年

2 计算机世界实验室 吴挺;高速中进取[N];计算机世界;2008年

3 山东潍坊学院 年仁德;上好Photoshop的第一节课图片欣赏课[N];中国电脑教育报;2004年

4 刘全恩;高清投影机量产 家用市场占两成[N];中国电子报;2007年

5 eN书虫;用Photoshop制作燃烧字[N];江苏经济报;2000年

6 王林;东芝XV500系列高清首选[N];电子资讯时报;2008年

7 赵军红　编译;手机显微镜将在非洲试用[N];科技日报;2010年

8 ;轻松制作电子词典的开机画面[N];中国计算机报;2004年

中国博士学位论文全文数据库 前10条

1 黄明明;图像局部特征提取及应用研究[D];北京科技大学;2016年

2 段曼妮;图像挖掘在图像检索中的应用[D];中国科学技术大学;2009年

3 袁承志;风格与象征——魏晋南北朝莲花图像研究[D];清华大学;2004年

4 秦昆;基于形式概念分析的图像数据挖掘研究[D];武汉大学;2004年

5 蔡涛;面向目标识别的图像特征融合提取技术研究[D];中国人民解放军国防科学技术大学;2000年

6 韩跃平;复杂产品内部结构装配正确性X射线自动检测技术研究[D];中北大学;2009年

7 曹建芳;场景图像情感语义分析关键技术研究[D];太原理工大学;2015年

8 徐望明;面向图像检索和分类任务的稀疏特征学习[D];武汉科技大学;2013年

9 周海英;基于视觉认知的图像搜索与识别关键技术研究[D];北京科技大学;2015年

10 韩子仲;视象与图像[D];中国美术学院;2008年

中国硕士学位论文全文数据库 前10条

1 吴春燕;树木叶片滞尘量与反射光谱及图像特征的关系研究[D];中国林业科学研究院;2015年

2 李娜;基于SAR图像的海洋油膜分类研究[D];中国石油大学(华东);2014年

3 冀鑫;基于矢量量化与LBP的图像检索算法研究[D];太原理工大学;2016年

4 陈之凡;西方图像的中国形象异化和视觉文化批判[D];武汉纺织大学;2016年

5 冯语姗;果蔬图像的混合粒度分类研究[D];中国科学技术大学;2016年

6 苏宝星;基于深度学习的医学图像模式分类研究[D];浙江师范大学;2016年

7 赵翔宇;北朝青州造像中“龙衔莲”图像研究[D];山东师范大学;2016年

8 童思维;带钢表面低对比度弱小缺陷检测的图像处理方法研究[D];武汉科技大学;2016年

9 邱炳瑜;基于内容的图像收集和地区代表性图像选出系统的研究与实现[D];北京邮电大学;2009年

10 史英杰;医学图像辅助诊断系统中图像分割技术的研究[D];华中科技大学;2007年

，

本文编号：856073