基于核方法的带钢表面缺陷图像处理和识别方法研究

发布时间：2017-10-05 05:13

  本文关键词：基于核方法的带钢表面缺陷图像处理和识别方法研究

  更多相关文章： 核方法 图像处理 特征降维 模式识别 带钢

【摘要】：近年来,随着大量经典的线性学习算法通过引入核函数实现非线性化以来,基于核的机器学习方法(简称核方法)取得了飞速发展,目前已成为机器学习领域的研究热点之一。带钢作为汽车、船舶、以及航空航天的重要原材料,其质量好坏直接影响到后续产品的质量和性能,因此将核方法应用到带钢表面检测具有重大意义。本文将核方法应用到带钢表面缺陷检测和分类的各个关键环节,并根据实验数据与传统的算法进行对比。本文研究内容与成果主要有以下几个方面:1.研究了带钢表面图像的迭代控制核回归图像去噪模型,并与传统去噪方法进行对比,实验结果表明,迭代控制核回归可以在去除噪声的同时较好的保留图像的细节信息。2.针对所提取的带钢缺陷图像几何、灰度、纹理等高维特征,运用主成分分析和Fisher判别分析以及对应的核方法进行特征降维,并通过可视化进行对比,实验结果表明基于核的Fisher判别分析降维后对数据具有很好的分类能力。3.针对带钢表面的黑斑、划痕、翘皮、磷化斑、褶皱五类典型缺陷,对比研究了BP神经网络、及其结合主成分(PCA-BP)和核主成分分析(KPCA-BP)在带钢表面缺陷图像中的识别和分类;提出了将KFDA算法应用到带钢表面缺陷的分类和识别中,完成了核函数的选取及核参数的优化;对比验证了其在带钢表面缺陷图像中识别分类的有效性、快速性和稳定性。
【关键词】：核方法 图像处理 特征降维 模式识别 带钢
【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】：TG142.15;TP391.41
【目录】：

• 摘要4-5
• ABSTRACT5-10
• 第1章 绪论10-15
• 1.1 研究的背景及意义10
• 1.2 国内外研究概况10-13
• 1.2.1 核方法的发展10-11
• 1.2.2 钢板表面的机器视觉检测国内外研究现状11-12
• 1.2.3 核方法应用综述12-13
• 1.3 本文主要研究内容及结构安排13-15
• 第2章 基于核回归图像去噪方法的研究与应用15-28
• 2.1 经典的去噪方法15-16
• 2.1.1 均值滤波15
• 2.1.2 中值滤波15-16
• 2.2 经典核回归16-18
• 2.3 迭代控制核回归18-22
• 2.3.1 自适应核回归18-21
• 2.3.2 迭代过程21-22
• 2.4 实验结果分析22-27
• 2.5 本章小结27-28
• 第3章 基于核的特征降维方法的研究与应用28-52
• 3.1 带钢表面缺陷的特征提取28-33
• 3.1.1 几何特征28-29
• 3.1.2 纹理特征29-30
• 3.1.3 灰度特征30-31
• 3.1.4 不变矩和拓扑特征31-32
• 3.1.5 带钢缺陷图像的特征量32-33
• 3.2 主成分分析方法33-38
• 3.2.1 主成分分析数学模型和基本原理33-34
• 3.2.2 主成分分析算法步骤34-35
• 3.2.3 带钢表面图像PCA降维实现35-38
• 3.3 基于核的主成分分析方法38-41
• 3.3.1 基于核主成分分析基本原理38-39
• 3.3.2 基于核主成分分析算法步骤39-40
• 3.3.3 带钢表面图像KPCA降维实现40-41
• 3.4 Fisher判别分析降维41-44
• 3.4.1 Fisher判别分析降维数学模型和基本原理41-43
• 3.4.2 Fisher判别分析降维算法步骤43
• 3.4.3 带钢表面图像FDA降维实现43-44
• 3.5 基于核的Fisher判别分析降维44-48
• 3.5.1 基于核的Fisher判别分析降维的基本原理44-46
• 3.5.2 基于核的Fisher判别分析降维算法步骤46-47
• 3.5.3 带钢表面图像KFDA降维实现47-48
• 3.6 实验结果分析对比48-51
• 3.6.1 各特征降维方法的分析48
• 3.6.2 实验结果对比48-51
• 3.7 本章小结51-52
• 第4章 基于核方法的目标识别和分类52-63
• 4.1 BP神经网络的带钢表面缺陷识别和分类52-55
• 4.1.1 BP神经网络的模型和算法52-54
• 4.1.2 带钢表面缺陷BP神经网络的设计54
• 4.1.3 分类识别结果54-55
• 4.2 核Fisher判别分析的识别和分类55-61
• 4.2.1 核Fisher判别分析多类分类的原理和算法55-58
• 4.2.2 KFDA判别中RBF核函数参数σ优化58-60
• 4.2.3 分类识别结果60-61
• 4.3 PCA-BP和KPCA-BP的带钢表面缺陷识别61-62
• 4.3.1 PCA-BP和KPCA-BP模型61
• 4.3.2 各识别方法结果对比分析61-62
• 4.4 本章小结62-63
• 第5章 总结与展望63-65
• 5.1 全文总结63
• 5.2 展望63-65
• 致谢65-66
• 参考文献66-69
• 附录1 攻读硕士学位期间发表的论文69-70
• 附录2 攻读硕学位期间参加的科研项目70-71
• 详细摘要71-75

【相似文献】

中国期刊全文数据库 前10条

1 张泰昌;表面缺陷的检测与评定[J];制造技术与机床;2000年04期

2 王凤林;酸洗钢板表面缺陷检查装置的开发[J];轧钢;2000年04期

3 李惠萍;检测钢材表面缺陷的新方法[J];特殊钢;2001年01期

4 李荣;检测钢材表面缺陷的新方法[J];上海金属;2004年04期

5 李荣;检查热钢材表面缺陷的设备[J];上海金属;2005年04期

6 原永良;张晓刚;;电子探针在钢材表面缺陷分析中的应用二例[J];冶金分析与测试(冶金物理测试分册);1985年02期

7 彭惠民;;螺纹表面缺陷检查器[J];激光与光电子学进展;1987年04期

8 席欣;;检测钢材表面缺陷的新方法[J];云南冶金;1990年02期

9 张泰昌;表面缺陷及其评定[J];机械工人.冷加工;1992年11期

10 李荣;;检测钢材表面缺陷的新方法[J];上海金属;1992年03期

中国重要会议论文全文数据库 前10条

1 ;金属工业中表面缺陷检查的视觉先锋[A];2010钢材质量控制技术、形状、尺寸精度、表面质量控制与改善学术研讨会文集[C];2010年

2 全燕鸣;朱国强;姜长城;柯志勇;;小球表面缺陷自动检测中的表面滚翻方法[A];广州市仪器仪表学会2009年学术年会论文集[C];2010年

3 于正林;曹国华;杨东林;;轴承钢球表面缺陷自动检测[A];科技创新与节能减排——吉林省第五届科学技术学术年会论文集（上册）[C];2008年

4 吴建永;;琼州大桥T梁表面缺陷的预防及处理[A];海南省公路学会2003年学术交流会论文集[C];2003年

5 贡雪南;;宝钢1420镀锡板表面质量检测与控制技术[A];薄钢板质量研讨会论文集[C];2000年

6 钱翰城;王公平;赵建华;;铸件表面缺陷常用挽救技术及其适用性[A];2010年重庆市机械工程学会学术年会论文集[C];2010年

7 钱翰城;王公平;赵建华;;铸件表面缺陷常用挽救技术及其适用性[A];重庆市机械工程学会铸造分会、重庆铸造行业协会2010重庆市铸造年会论文集[C];2010年

8 钱翰城;王公平;赵建华;;铸件表面缺陷常用挽救技术及其适用性[A];2010年中国铸造活动周论文集[C];2010年

9 王暄;秦世引;张其生;;热轧钢板表面缺陷的自动识别与分类[A];2001年中国智能自动化会议论文集（上册）[C];2001年

10 杨金艳;肖良辰;;表面缺陷对钢丝断裂行为的影响[A];全国金属制品信息网第23届年会暨2013金属制品行业技术信息交流会论文集[C];2013年

中国重要报纸全文数据库 前5条

1 高宏适;钢板表面缺陷产生机制研究[N];世界金属导报;2013年

2 陈方;远距离测绘系统让大坝表面缺陷尽在掌握[N];中国水利报;2006年

3 钟;超低碳冷轧薄板钢表面缺陷的消除[N];世界金属导报;2005年

4 徐科 杨朝霖 周鹏;高效算法实现热轧带钢表面缺陷在线检测[N];中国冶金报;2010年

5 道哥拉斯·斯塔海姆;消除表面缺陷 提高连铸坯质量[N];中国冶金报;2010年

中国博士学位论文全文数据库 前10条

1 孟云吉;光晶格中空间孤子的传输特性研究[D];南京航空航天大学;2013年

2 陈立君;基于流形支持向量机的木材表面缺陷识别方法的研究[D];东北林业大学;2015年

3 宋克臣;面向硅钢板表面缺陷的检测与识别方法研究[D];东北大学;2014年

4 李长乐;冷轧带钢表面缺陷图像检测关键技术的研究[D];哈尔滨工业大学;2009年

5 张建川;红钢棒材表面缺陷图像采集与检测系统研究[D];山东大学;2012年

6 杨铁滨;基于机器视觉的陶瓷球表面缺陷自动检测技术研究[D];哈尔滨工业大学;2007年

7 李江波;脐橙表面缺陷的快速检测方法研究[D];浙江大学;2012年

8 赵彦玲;基于图像技术的钢球表面缺陷分析与识别[D];哈尔滨理工大学;2008年

9 甘胜丰;带钢表面缺陷图像检测与分类方法研究[D];中国地质大学;2013年

10 何志勇;基于改进Otsu法和显著性分析的表面缺陷高效视觉检测方法研究[D];苏州大学;2015年

中国硕士学位论文全文数据库 前10条

1 雷志强;磁片表面缺陷检测技术研究[D];沈阳理工大学;2015年

2 宋丁东;基于LBP的子弹表面缺陷光电检测算法研究[D];电子科技大学;2015年

3 尚西昌;基于图像识别的汽车滤纸表面缺陷自动检测研究[D];河北科技大学;2014年

4 刘伟;考虑热效应和表面缺陷的滚动轴承性能分析[D];北京理工大学;2016年

5 唐永春;基于形态特征的热轧型钢表面缺陷测量分类系统设计研究[D];江苏大学;2016年

6 徐信;冲压件表面缺陷图像检测系统的研究与开发[D];广东工业大学;2016年

7 姚丹;基于FPGA的表面缺陷在线检测系统应用研究[D];西安科技大学;2015年

8 郭佳文;机械加工中亚表面缺陷对表面质量的影响[D];湖南大学;2016年

9 王时丽;基于机器视觉的钢轨表面缺陷检测技术研究[D];西南科技大学;2016年

10 张建炎;激光超声非接触检测高温金属表面缺陷研究[D];南京航空航天大学;2016年

，

本文编号：974949