基于图像的墙纸缺陷检测与识别方法研究及实现

发布时间：2020-11-16 07:03

　　 墙纸的生产使用量在近几年成倍增长,大量的产品生产以及高强度的生产线使得工人工作压力增大、生产设备老化,导致生产出含有缺陷的墙纸产品,因此墙纸产品缺陷检测成为墙纸生产线上重要的一环。由于目前的墙纸缺陷检测系统主要是在硬件监控上,并且需要大量人力进行检测,成本高检测精度较低,因此采用图像检测的方式成为墙纸检测的发展趋势。选用图像检测的方式检测成本低、速度快,由于墙纸纹路繁多、花纹复杂等因素,导致实际缺陷识别检测不准确,因此一套完整的、准确的墙纸缺陷检测系统在墙纸生产中有着举足轻重的地位,目前常见的墙纸缺陷种类有裂纹、孔洞、褶皱、黑斑四种。在图像基础上进行实验研究,对墙纸的裂纹、孔洞、褶皱、黑斑四种缺陷进行分割检测和分类识别,并且设计一套检测应用系统,将实验模型移植到实际应用当中,确保算法的准确性。主要工作和创新点如下:(1)针对墙纸背景复杂,影响缺陷检测结果等问题,通过观察分析带有缺陷的原始墙纸图像,对图像进行预处理操作。通过对比RGB、HSV、LAB三种颜色空间中的缺陷图像,选择在RGB颜色空间中进行处理,再通过对R、G、B三通道颜色分量进行叠加,以达到增强缺陷、抑制和滤除墙纸背景图像的目的,为后面的缺陷检测做好准备。(2)针对预处理后图像的缺陷检测,首先对墙纸图像的灰度直方图进行高斯拟合,使其图像近似成一条高斯函数曲线,并利用高斯函数的参数作为输入值,分割阈值作为输出值,使用广义回归神经网络模型进行训练,对墙纸黑斑缺陷进行分割。(3)针对使用广义回归神经网络能够检测缺陷种类有限的问题,在该方法的分割思想基础上,提出一种改进最大类间方差法(Otsu)方法进行缺陷分割。通过对传统Otsu方法进行改进,使其分割阈值随着前后景的复杂程度进行改变,从而能够分割出缺陷,最后利用分割后的二值图像得到原始图像中的缺陷部分位置。通过该方法解决了广义回归神经网络分割缺陷种类单一等问题,实现了裂纹、孔洞、褶皱、黑斑四种缺陷的分割检测。(4)针对缺陷识别速度和准确率等问题,对BP(Back Propagation,BP)神经网络、径向基(Radical Basis Function,RBF)神经网络,和使用遗传算法(Genetic Algorithm,GA)优化的BP神经网络进行对比,并选择收敛速度最快、识别准确率最高的模型。在检测到图像中的缺陷之后,对缺陷部分进行分类识别,首先是选择能够表征缺陷部分的特征。实验选择缺陷图像的灰度特征、几何特征共七个特征分量作为分类模型的输入特征,并对输入特征进行归一化,使计算后的特征数值范围能够统一。然后对BP神经网络的权值、阈值进行实数编码,使用网络的期望输出与实际输出计算适应度,再利用遗传算法的选择、交叉、变异操作新的染色体来修改模型,从而得到优化后的BP神经网络,最后对BP神经网络、RBF神经网络和GA-BP神经网络的收敛速度、分类精度等进行对比,选择使用GA-BP神经网络作为分类模型,解决了模型收敛速度慢、分类准确率低等问题。(5)对实验研究进行验证之后,在实验的基础上开发一套完整的墙纸缺陷软件系统,系统软件不仅能够完成缺陷检测、缺陷识别和检测结果查看,还能够对检测结果进行统计分析,形成丰富的统计图和统计表便于用户观察和维护,实现了检测结果和结果统计可视化的需求。实验表明,对原始图像的RGB颜色空间处理后的预处理图像,利用改进Otsu方法检测墙纸裂纹、孔洞、褶皱、黑斑四种缺陷的准确率相比于其他方法更高,分割后的缺陷更为完整,并且由于方法计算复杂度较低,因此检测速度快。在计算了图像的特征之后,使用特征向量作为输入量,利用GA-BP神经网络作为分类模型进行分类识别。相比于其他模型收敛速度更快,分类准确率更高,平均识别准确率达95.25%,并且该方法对单幅像的平均识别时间为0.923s,检测识别效率高。通过改进Otsu算法与GA优化神经网络相结合的方式,能够快速、精确地识别出墙纸缺陷,研究结果为墙纸生产质量检测提供了参考。
【学位单位】：西华大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;TP183;TS761.6
【部分图文】：

常见的墙纸缺陷有裂纹、孔洞、褶皱、黑斑四种，裂纹缺陷主要是由于墙纸与生产设备发生擦挂导致；孔洞缺陷在产品印刷过程中产生，其特点是缺陷域灰度值明显低于周围，并且缺陷区域形状不规则；褶皱缺陷由于产品在生外部张力或折叠导致，其几何形状呈线性形状，与裂纹缺陷相近，与孔洞和差较大；黑斑缺陷主要是由于产品印刷过程中有杂质、铁锈、油墨等混入而围缺陷，其图像灰度值明显低于背景图像，且缺陷几何形状有一定的规律。

图 1.3 墙纸生产设备Fig. 1.3 Wallpaper production equipment由于墙纸纹理复杂、背景种类繁多等因素，使得缺陷检测变得非常困难。对于墙纸缺陷检测，首先应明确缺陷的种类（主要针对褶皱、孔洞、裂纹、黑斑四种缺陷进行分析），然后观察缺陷，找到一种方法能够同时检测出不同缺陷。对于缺陷的识别，在检测出缺陷以后，对缺陷部分的几何、灰度等特征进行提取搭建模型，使得缺陷检测系统能够自动识别出该墙纸含有哪种缺陷。表 1.1 人工检测与机器检测比较Tab. 1.1 Comparison between manual detection and machine detection人工检测 机器检测速度 慢 低准确率 低 高疲劳 易疲劳 不疲劳工作时长 八小时每天 可连续工作检测成本 高 低效率 低 高

(a)原始图像 (b)R 通道 (c)G 通道 (d)B 通道图 2.1 RGB 颜色模型Fig. 2.1 RGB Color ModelHSV 颜色空间 颜色空间的提出，是为了将彩色图像的视觉信息和数字信息更好地由色调（Hue）、饱和度（Saturation）、明度（Value）组成。其中的颜色情况。而饱和度用于描述颜色接近色谱的程度，也就是颜色的值范围为 0%~100%，饱和度越高，颜色越纯，色彩越艳。明度描述度的取值范围通常为 0%~100%，明度越低，则图像越黑，明度越高
【相似文献】

相关期刊论文 前10条

1 张昱;张健;;模糊专家系统在TFT-LCD缺陷检测中的应用[J];光电子·激光;2006年06期

2 吴明复;纤维增强复合材料的应用及其缺陷检测[J];航天工艺;1988年01期

3 张兴森;边美华;梁庆国;卢展强;;基于涡流检测的电力线夹缺陷检测与分类方法[J];中国科技论文;2017年04期

4 张国强;张晓;隋文涛;;基于敲击信号的刹车片内部缺陷检测[J];组合机床与自动化加工技术;2017年10期

5 包正林;;有关阀门缺陷检测方法的分析[J];科技创业家;2013年22期

6 黄艳红;高晓蓉;杜路泉;;光纤光栅传感器在桥梁缺陷检测和结构健康监测中的应用[J];铁道技术监督;2007年11期

7 马少林;用于全寿命风险管理的缺陷检测和预防技术研究[J];航空兵器;2005年02期

8 苏若;吴际;刘超;杨海燕;;基于多视角卡牌模型的需求缺陷检测[J];计算机科学;2018年10期

9 顾杰;肖辽;马军山;;机器视觉在TFT-LCD暗画面缺陷检测中的应用[J];光学仪器;2017年03期

10 李羽可;涂君;宋小春;;超声相控阵缺陷检测聚焦技术仿真分析[J];测控技术;2016年07期

相关博士学位论文 前10条

1 艾矫燕;基于计算机视觉的墙地砖颜色分类和缺陷检测研究[D];华南理工大学;2003年

2 张昱;基于机器视觉的TFT-LCD屏mura缺陷检测技术研究[D];哈尔滨工业大学;2006年

3 彭艳华;基于激光散斑的轮胎制造内部缺陷检测与疲劳寿命预估[D];华南理工大学;2017年

4 陆向宁;基于主动红外热成像的倒装焊缺陷检测方法研究[D];华中科技大学;2012年

5 陈志彦;并行谱域光学相干层析成像系统的研制与应用研究[D];浙江大学;2017年

6 陆宁;基于主动红外热成像的倒装焊缺陷检测方法研究[D];华中科技大学;2012年

7 赵云山;基于符号分析的静态缺陷检测技术研究[D];北京邮电大学;2012年

8 何健鹏;面向钢板缺陷检测的电磁超声兰姆波换能器研究[D];北京科技大学;2018年

9 崔克彬;基于图像的绝缘子缺陷检测中若干关键技术研究[D];华北电力大学(北京);2016年

10 康维新;基于小波和支持向量机的桩基缺陷检测技术研究[D];哈尔滨工业大学;2010年

相关硕士学位论文 前10条

1 徐雁冰;基于机器视觉的卡口式车灯外观缺陷检测系统研究[D];湘潭大学;2019年

2 韩慧;基于深度学习的工业缺陷检测方法研究[D];重庆邮电大学;2019年

3 杨洋;基于机器视觉的汽车保险盒内孔缺陷检测系统研究[D];南京航空航天大学;2019年

4 郭毅强;晶圆表面缺陷视觉检测研究[D];哈尔滨工业大学;2019年

5 顾小东;基于深度学习的小样本图像缺陷检测方法研究[D];哈尔滨工业大学;2019年

6 宋柯;基于图像的墙纸缺陷检测与识别方法研究及实现[D];西华大学;2019年

7 马浩;色织物表面缺陷检测算法研究[D];西安工程大学;2019年

8 郭根;基于机器视觉的丝饼外观缺陷检测系统设计[D];西安工程大学;2019年

9 殷鹏;基于迁移学习的织物布面缺陷检测研究[D];西安工程大学;2019年

10 刘娆;卷积神经网络在纺织品缺陷检测中的应用研究[D];西安工程大学;2019年

本文编号：2885770