苟怡[1]2002年在《带钢表面自动监测系统中缺陷图像识别技术的研究与开发》文中指出带钢表面自动监测系统是基于图像处理的优点和计算机语言的高速运算性，根据某钢铁厂对带钢表面质量的要求，提出的一个利用带钢表面图像的信息分析来进行产品监测的系统。本文重点研究了缺陷图像的识别技术，利用缺陷图像的颜色、纹理、形态特征来进行图像的相似度比较，从而识别出缺陷图像的类型。该监测系统将工作人员从枯燥、繁重的传统人工检测工作中解放出来，在保证产品质量的同时提高了工作效率。 本文主要的研究成果如下： (1) 根据厂家的技术要求和带钢生产现场的实际情况，提出本监测系统的总体设计方案，该方案包括图像获取部分(IA)、图像预处理部分(IP)和图像识别部分(IR)，并通过局域网完成图像数据的传送； (2) 提出噪声图像的获取方法，并在分析该图像数据的基础上提出IP部分的预处理设计方案； (3) 提出IR部分的软、硬件设计方案，该方案包括图像识别模块、缺陷图像数据库管理模块、系统管理模块叁大部分； (4) 根据对色度识别的几种方法的特点、算法和实验结果的比较，提出基于颜色识别的方案； (5) 根据对纹理识别的算法、实验结果的比较，提出基于纹理识别的方案； (6) 根据对形态识别的算法、实验结果的比较，提出基于形态识别的方案； (7) 提出缺陷图像数据库的建立与维护的方案和具体的实施方法，该数据库采用序列化的方法对图像的特征数据进行读取等操作； 仰 该监测系统的开发平台基于Wndows NT操作系统，语言选用VsualC＋＋6刀，具有界面友好、使用方便、易于维护、安全可靠等特点。
甘胜丰[2]2013年在《带钢表面缺陷图像检测与分类方法研究》文中指出钢铁工业飞速发展,带钢生产线的生产速度逐渐提高,同时随着各领域对自身产品质量的要求提高,用户对上游钢铁企业供应的带钢等轧制品也提出了更高的表面质量要求。为此,带钢表面缺陷的在线检测过程对带钢的生产和质量控制显得尤为重要,然而表面缺陷检测的相关技术并未随着图像处理技术的发展而快速发展,其原因是在相关技术转化为生产力的过程中未能更多地结合实际生产的需要做出改进,也不能克服生产环境的变化给这些技术实现带来的障碍。为了进一步提高检测的科学性,为工业的标准化生产提供准确的数据信息,提高生产系统整体的自动化程度,最终突破制约产业转型升级的关键技术；为了提高带钢表面缺陷分类的一致性,保护设备不受缺陷影响,并降低返工成本;为了减少贸易纠纷,维护企业形象与信誉,保持企业核心竞争力,本文对以下内容进行了综述和说明：(1)对国内外带钢表面缺陷检测技术的发展情况进行了综述,并分析了机器视觉带钢表面缺陷检测技术未来的发展趋势。(2)根据不同的生产环节,阐述了适合多种生产环境下带钢表面图像采集的方式和方法,其中包括照明光源、CCD传感器和检测方式等内容。明确了不同工业生产中的多种带钢表面缺陷检测点位置与检测方式。(3)以热轧和冷轧生产中对表面缺陷要求最高的钢种类型为基础,阐明了缺陷形貌、形成机理、位置分布等影响带钢表面缺陷检测与分类结果的主要因素。并根据研究内容提出了叁个问题：(1)带钢图像灰度非均匀分布下边界检测的问题。灰度非均匀分布是带钢表面图像常见的状态之一,如果在该状态下边界检测结果的准确率较低,将严重影响带钢边界缺陷的识别率。(2)无固定形态缺陷图像分类问题。多数伪缺陷形貌无固定形态,而且许多缺陷的内在属性也具有无固定形态的特征。如果不考虑缺陷的无固定形态特性,缺陷识别率将无法达到工业要求的结果,影响生产。(3)带钢图像分类方法的实用性问题。分类算法的识别率、噪声型缺陷的过滤能力、分类结果与生产判定标准匹配关系等因素影响带钢图像分类方法的实用性。围绕上述问题,在多种图像检测与分类方法上,做了以下几方面的深入研究工作：(1)研究了带钢表面缺陷检测中典型的图像检测与分类方法以及这些方法适用的范围。(2)研究出基于高斯模型的动态边界检测方法,该方法能够检测带钢背景与表面的灰度差异,动态地确定干扰的灰度范围,与传统带钢表面缺陷检测使用的的固定闽值法和对比度匹配法相比,它能更好的检测边界含重度干扰的边界图像,在其他两种算法准确度仅为4.6%和1.6%时,该算法可以达到62.8%,且实验条件下的检测速度为每千行1.82秒,满足工业要求。(3)在缺陷分割阶段,研究出基于带钢图像灰度标准化的感兴趣区域搜索算法(Regions of Interest, ROI)和基于缺陷距离阈值的缺陷标记与合并方法。新感兴趣区域搜索方法结构简单,且可以通过判别阈值参数调整搜索结果；新的缺陷标记与合并方法可以通过控制4个参数的大小改变缺陷标记和合并区域。实验验证,该方法能对边缘分割后的纹理不连续性缺陷进行重新组合,实现纹理非连续性缺陷地完整分割,以及同一感兴趣区域不同缺陷的分离。在缺陷分类阶段,研究出一种以Isomap算法为基础,适合监督分类的dls-Isomap算法。该算法对roll-swiss数据建立邻域图时能够减少Isomap算法因k值设置不当引起的“短路边”问题,能够解决dbt-Isomap算法无法对多类roll-swiss数据建立完整邻域图的问题,能够用于多类数据的分类工作。实验表明,基于dls-Isomap的分类方法对冷轧带钢表面缺陷的整体识别率可以达到78%,针对热轧带钢的表面缺陷识别率可以达到93%。最重要的是,当缺陷图像中包含较多无固定形态缺陷时,dls-Isomap方法要明显优于其他方法。(4)研究出一种新的图像分类系统,系统由一套图像类型主观评价机制、两组主分类器和一个叁级图像分类构架组成。实验验证,噪声型缺陷的过滤错误量占总数量的比例低于1%,多卷带钢的整体识别率达到了90%以上。研究成果已经成功应用于江苏沙钢集团有限公司1450热轧成品机组。经核算,研究应用新增约351.4万元／年的经济效益。
罗旗舞[3]2015年在《热轧带钢表面缺陷在线检测方法和实时实现技术研究》文中提出随着现代建筑和车船等制造业的蓬勃发展,带钢生产领域的工艺和技术持续升级,行业规模也随之迈向新的台阶。热轧带钢作为钢铁行业的重要产品之一,其轧制过程一直聚集着不断完善的高新技术。努力提高生产效率的同时,保证热轧带钢的高品质,对推动我国钢铁行业做大做强的现代化进程有着举足轻重的作用。“十一五”期间,我国许多科研单位、高校和企业致力于带钢表面缺陷在线检测设备的研究,取得了一系列技术成果。然而,在热轧带钢工艺流程和品质控制方面仍然存在技术问题,最大的技术难题是目前的缺陷检测设备的实时性无法满足热轧生产线的快速生产节奏,因此,成品带钢中仍然存在由于原料和上游工艺等原因导致的诸如辊印、划痕、夹渣等表面缺陷,这些品质问题可能使钢厂和使用单位蒙受巨大的经济和商业荣誉损失。热轧带钢表面缺陷在线检测的主要任务是提出高效率的缺陷识别算法,然后采用经济有效的方法实现对带钢表面缺陷的识别和定位,并保证整个识别过程的实时性。充分运用当前可编程逻辑器件、信号处理和模式识别等技术革新和理论成果,文中系统地研究并构建了一种带钢表面缺陷在线检测设备,较大程度地克服了基于服务器架构图像处理方法的体积庞大成本高昂的缺点和不足,无论是对钢铁行业,还是对其他类似的有着高品质要求的板材制造行业,均有着重要的理论意义和较大的工程价值。全文的主要研究工作和成果如下:1、为了开发出高可靠性和广适应性的表面缺陷在线检测设备,在课题研究初期通过对诸多热连轧厂的实地考察和技术交流,制定出通用性强的设计目标,并针对性地提出了一种具有性能—成本效应的系统设计方案,按照工业产品的要求完成了检测设备的整体集成,使之能够长期适应热轧生产线的高温、潮湿、多尘和昏暗的恶劣现场环境。针对峰值速度为4.0 Gbps的图像数据流,研制出12层FPGA图像处理板卡,为胜任轧制速度高达20 m/s的带钢表面图像实时处理任务提供了设计思路和硬件方案,并重点研究和讨论了PCB设计、驱动程序和下位机软件等关键技术。2、在带钢图像增强方面,对基于直方图均衡、同态滤波、Retinex算法和梯度域等技术进行了深入研究和对比测试,结合以上算法在增强效果上的优缺点以及实时性要求,提出一种基于中值滤波的动态均质补偿算法,应用结果表明该算法不仅能够很好的克服因光照不均匀、过曝光和欠曝光等现象引起的带钢表面对比度低和灰度值范围大的技术问题,而且能够满足图像预处理实时性要求,并具有零参数配置的优点。3、基于32×32像素的图像块元方差、熵值和平均梯度,提出一种自适应双阈值缺陷识别算法,利用熵值对图像信息的敏感性将选定的方差和平均梯度阈值参数进行动态调整,该算法实施简单且易于FPGA实现,能够在图像处理最底层即数据层精准完成原始图像的快速缺陷提取和分类处理。4、提出并实现了图像缓存、图像增强和缺陷识别等算法于FPGA片上硬件执行的实施架构,采用基于环形FIFO的DMA事务队列管理策略实现了图像数据的大规模搬移和PCIe接口传输,设计出时间示波器(Time Scope)工具对以上各功能模块的实时性实现程度完成了定量分析和测试。5、研制出的热轧带钢表面缺陷在线检测设备,在实际热轧生产线上长逾叁年的改进和试用效果表明:所达到的平均正检率、误检率、漏检率和定位精度均能满足制定的性能指标,总体设计成本约为同性能进口设备价格的1/6,为我国带钢表面质量控制提供了理论基础和具有自主知识产权的实现案例。
孙梓钧[4]2016年在《基于AdaBoost分类器的带钢表面缺陷识别研究》文中研究表明带钢是国民经济的支柱产业,在经济的发展中占据着重要位置,由于其在人民生活中的应用越来越广泛,人们对其表面质量也越来越关注。通过对带钢领域国内外发展现状的分析,发现采集到的样本一般都具有对比度不明显、灰度不均匀等缺点,严重影响了带钢质量,制约了钢铁企业的发展。因此,有效识别带钢表面缺陷,提高带钢表面的质量是带钢领域的一项迫切的任务。本文首先对采集到的样本进行图像去噪和图像分割等预处理,在图像去噪的过程中针对图像噪声特性,提出了自适应中值滤波方法。此方法在有效的去除图像噪声的同时可以尽可能的保存了图像的细节,明显的减小了由于滤波造成的图像模糊。在边缘检测算法中,采用Canny算子提取缺陷图像的边缘,强化了边缘特征,使分割后图像的质量得到了明显的改善,为特征提取奠定了基础。其次,在特征提取方面,提取了能够表征缺陷图像特征的纹理特征和形状几何特征,共40维作为原始的特征数据集。考虑到识别的速度和可靠性,在特征选择方面提出了一种改进的ReliefF特征选择算法。这种算法能够除特征间的相关性,降低特征间的冗余性,实验结果表明使用该算法提取的特征,能够更有效的识别带钢缺陷。最后,通过分析比较几种分类器的优缺点及适用范围,提出了AdaBoost分类器。该分类器在训练过程中需求的样本数目较少,减少了训练时间,提高了准确性,而且该分类器简单易行,实验结果表明该分类器可以实现带钢缺陷的准确分类。
邢芝涛[5]2011年在《基于并行分类器集成的板带钢表面缺陷图像识别》文中指出随着经济的发展,带钢已成为汽车、家电、机械制造、航空航天、化工、造船等工业不可缺少的原材料,在国民经济中占据重要地位。在生产过程,由于连铸钢坯、轧制设备、加工工艺等多方面的原因,导致带钢表面形成边缘锯齿、焊缝、夹杂、抬头纹等各种不同类型的缺陷。这些缺陷不仅影响产品的外观质量,还会降低产品的抗腐性、耐磨性和其它强度性能,成为影响带钢表面质量的一个重要因素。欲提高板带钢的表面质量,必须首先解决板带钢表面缺陷的检测与分类问题,继而分析相应缺陷产生的原因,最终提出消除缺陷的解决方案。板带钢表面缺陷识别的难度主要表现在两个方面：①某种类别缺陷包含其它类型的缺陷,比如抬头纹中包含夹杂的缺陷成分；②同一类别缺陷之间的形态差别很大,比如抬头纹之间、夹杂之间相差较大等,这就对分类器提出了较高的要求。本文针对现有板带钢表面缺陷检测方法存在的问题,如单个分类器在算法上很难有新的突破,单个分类器及串行分类器集成识别时对训练样本依赖性较高的缺点,给出了基于并行多分类器集成的板带钢缺陷图像识别方法。多分类器集成是指构建一个分类器的集合,并通过基分类器预测进行(权重)投票给出新的分类结果。分类器集成的目的是希望能充分利用每个基分类器的长处,从而获得比任何单个基分类器都要高的识别率。本文用灰度直方图统计特征等26维特征降维后的11维特征作为输入,将常用的BP神经网络、LVQ神经网络、RBF神经网络和支持向量机作为基分类器,对经常出现的边缘锯齿、焊缝、夹杂、抬头纹等四类缺陷进行分类识别。将基分类器进行差异性度量后,选择最终的基分类器,用投票法及加权投票法进行集成。实验表明并行多分类器集成方法在板带钢表面缺陷图像的分类识别中应用是可行的,对120张缺陷图像的总体识别率达到95%以上。文中选取基于PCNN神经网络特征提取与降维的结果作为输入特征,进行分类器集成识别,识别率达到了97.5%。另外,实验还用差异性较大的夹杂和抬头纹作为样本进行分类识别,结果表明并行分类器集成系统不但能够提高识别率,而且对训练样本的依赖性较小,泛化性较高。
冯学慧[6]2010年在《图像识别中的弱分类器自适应集成增强方法研究》文中研究指明板带钢是钢铁工业的主要产品之一,随着市场需求的变化,高品质板带钢的生产能力是各大钢铁企业在国际市场中竞争扭力大小的重要体现之一。所以对板带材表面缺陷图像的识别与分类进行研究具有重要理论及经济价值。本文针对现有板带钢表面缺陷检测系统中分类识别方法所存在各种问题,如分类算法的复杂度与分类精度之间的矛盾,传统神经网络、支持向量机等方法有各自弊端的存在,以及在分类方法上难有新突破等,提出了图像识别中的弱分类器自适应集成增强的分类方法。本方法的基本原理就是提取若干简单特征组成若干个弱分类器,再由若干个弱分类器以自适应集成增强的方法组成一个强分类器。其实现过程就是一种样本权重的迭代更新的过程,通过每一次迭代过程,每个样本的权重值表示该样本被错分的情况,被错分样本的权重会变大,在下一轮循环中算法就会更加关注上一轮被分错的样本。自适应地改变训练样本权值的分布,使得基分类器聚焦在那些很难区分的样本上,所以能够降低分类误差,大大提高了特征的分类有效性。本文分类方法的优点是只要找到一个比随机猜测略好的弱学习算法,就可以将其提升成强学习算法,而不必像传统分类方法那样直接去找通常情况下很难获得的强学习算法,并且更好的解决了算法复杂度与分类精度之间的矛盾问题。采用本文提出的方法对从本实验室采集的边缘锯齿、划伤、分层、夹杂、焊缝及抬头纹六大类缺陷样本进行了分类识别研究。实验表明弱分类器自适应集成增强方法在带钢表面缺陷图像的分类识别中应用是可行的,对100张缺陷图像的总体识别率达到94%,并可通过对识别模型的调整,进一步提高对板带材表面缺陷图像的识别率。
储茂祥[7]2014年在《钢板表面缺陷检测关键技术研究》文中研究指明钢板表面缺陷检测技术在国内外钢铁企业和研究机构已经开展十年左右,并取得了一定的成果。但是,随着时代的进步和市场需求的深化,特别是IT、互联网、云服务的高速扩张,钢铁行业也不可避免的受到冲击。为适应市场的变化,国内外的钢铁企业开始全面的布局带钢生产线的表面质量检测与控制。一方面,市场对优质钢材的高质量要求和对产品生产的高速性要求,钢铁企业必须不断提高生产线的钢板表面质量监控标准和生产线的效率；另一方面,钢铁企业不再只针对单一的独立生产线进行配备表面缺陷检测系统,而是所有生产线全面布局表面质量监控系统,以实现资源的可重复利用和优化配比。这造成国内外现有的研究成果不能满足钢铁企业新形势下发展的需求。因此,结合新形势下钢板生产的高效率、高精度、多生产线的特点,研究带钢表面缺陷在线检测技术是必要的。本文研究钢板表面缺陷检测技术,其研究的关键性内容及成果如下：(1)确定了针对多生产线新的检测系统指标与要求,并提出集群式钢板表面缺陷新的检测系统方案。本文从采集体系、传输体系、集群体系和存储体系四个方面设计并分析集群式检测系统的结构、功能、配置与运作,而且从可疑缺陷图像的背景区域检测、缺陷图像的缺陷区域检测、缺陷检测、拆分与分发、缺陷信息处理五个方面分析设计了集群式检测系统的检测流程。(2)配合集群式检测系统,提出了感兴趣区域检测新方法。将感兴趣区域检测算法分为两个阶段,第一阶段背景区域检测,提出了并行投影法与差影法相结合的新算法,满足了在线要求和降低了漏检率；第二阶段缺陷区域检测,提出了基于极限学习机的局部投影统计特征分类检测新方法,保证漏检率的基础上,降低了误检率。实验证明,本文提出的两个阶段感兴趣区域检测新方法具有低漏检率、低误检率和高效率的特点。(3)对缺陷区域的定位检测进行了相关的研究。本文重点提出了缺陷图像去噪新方法,该方法提出了一种局部边缘新模型,并在此基础上提出了五项中值编码新方法,实现图像的脉冲噪声滤波；然后使用一种新的指数权重函数改进双边滤波,同时结合局部边缘模型编码信息实现区域异性双边滤波新算法。实验证明,新的去噪算法能够滤除缺陷图像的混合噪声,又能保留更多的边缘细节。(4)基于缺陷区域的重心,提出了一种新的具有旋转的同心正方形环采样模板,实现了缺陷区域的不变性重采样。同时,提出了叁种不变性统计特征提取的新方法。第一种是以边缘点到重心的归一化距离为数据进行边缘距离不变性统计分析与提取；第二种是对边缘所有相邻像素点的梯度方向进行统计；第叁种则对平滑局部二值模式值进行特征统计。实验证明,本文提取的叁类新特征都能很好的描述缺陷区域,为后期的缺陷分类提供了良好的特征信息。(5)在孪生支持向量机基础上,提出了多密度孪生支持向量机新模型。该分类模型在非平衡数据集增样和减样基础上,利用样本密度信息改进孪生支持向量机的目标函数,使用逐次超松弛算法进行快速求解,并结合偏二叉树模型实现钢板表面缺陷的多类别分类。另外,本文提出了获取修剪后样本的倍数因子和样本权重信息的新方法,并改进最小二乘孪生支持向量机,获得新的分类模型。实验证明,这两种多类别分类新模型可实现钢板表面缺陷的多类别分类,能够抑制噪声样本的影响,并具有快速的识别效率和高的识别精度。
魏天宇[8]2006年在《板带材表面缺陷组合特征的降维聚类识别算法研究》文中指出板带材是钢铁工业的主要产品之一，是汽车、家电、造船、航空航天等行业的重要原材料，其表面质量直接影响最终产品的质量和性能。对板带材表面缺陷图像的识别与分类进行研究具有重要理论及经济价值。 本文针对现有板带材表面缺陷检测识别系统所存在的对缺陷图像的分类识别率不高，以及对误识缺陷和新的缺陷类别图像不能有效处理等不足，提出了板带材表面缺陷组合特征的降维聚类识别算法。 首先为了准确的描述图像，本文提取了板带材表面缺陷图像的不同种类的特征，并根据基于类间类内距离差的类别可分离性判据选择优化组合特征。然后将优化组合特征输入到自组织特征映射神经网中进行特征降维。再采用改进的近邻聚类法对降维后特征点云进行聚类识别。实验表明，此方法将神经网络特征降维与特征近邻聚类算法相结合，实现了两种算法的优势互补，提高了缺陷图像的识别率。 本文基于数据库平台设计了板带材表面缺陷识别模型的扩展学习方法，能够对误识图像和新的缺陷类别图像进行识别模型修正处理，扩展了识别系统的识别能力。 采用本文提出的方法对现有的边缘锯齿、焊缝、夹杂、抬头纹、擦裂和分层六大类缺陷进行了分类识别研究。实验表明，对已有缺陷图像的识别率达到98.3％，并可通过对识别模型的调整，进一步提高对板带材表面缺陷图像的识别率。 本文全部研究工作均是在基于自行开发的缺陷分类识别软件下完成的。此软件还为板带材质量进一步在线控制识别奠定了基础。
丛家慧[9]2010年在《引入人类视觉特性的带钢表面缺陷检测与识别方法研究》文中研究指明随着微电子技术和计算机技术的发展,机器在模拟人的行为上取得了很大突破,具有稳定、高效等特点。以机器代替人眼的基于机器视觉的工业应用系统成为现代生产自动化发展的一种趋势。机器视觉表面缺陷检测技术是传感器配合光源系统实现人眼对图像的获取,采用合适高效的图象处理算法和智能识别算法完成人脑对数据信息的处理。高速度、高精度的检测要求给视觉系统带来了庞大的数据量,如何提高系统对海量信息的处理和利用效率成为一个制约视觉检测系统发展的瓶颈问题。带钢表面缺陷具有类别多样、形态复杂的特点又使高实时性、高可靠性的图像处理算法研究成为机器视觉应用中一个非常关键的课题。本文对人类视觉特性的研究给机器视觉的研究提供了启发和指导,主要研究内容和创新成果如下：(1)从图像处理角度出发的检测方法研究已经极具规模,而从人类视觉角度出发的检测研究还处于起步阶段。引入人类视觉特性的带钢表面缺陷检测系统以人类分析和处理信息的特性对缺陷图像进行理解分析,扩充了机器视觉系统对于处理复杂数据的功能,对机器视觉检测系统相关的图像处理理论有促进和完善的作用。(2)传统的基于图像灰度信息检测方法对微小缺陷和低对比度的缺陷类型并不敏感,难以实现对缺陷的完全检测。人类视觉系统利用注意机制从外界输入的大量信息中选择和保持有用信息,快速、准确定位一副图像的显着目标并且完成识别。本文提出一种基于人类视觉注意机制的带钢表面缺陷检测方法,利用Gabor滤波器多尺度、多分辨率的特点模拟人类视觉系统所具有的多通道和多分辨率特征,建立带钢表面缺陷检测模型。实验结果表明不但准确检测出图像中存在的低对比度及微小缺陷,得到区域焦点位置坐标,而且检测速度快,可以满足在线实时检测要求。(3)视觉系统处理的图像为二维图像的灰度,它是叁维物体几何特征、光照、物体材料表面性质、物体的颜色、摄像机参数等许多因素的函数,因此,对于机器视觉系统的研究要从不同方面、不同层次进行分析,提出相应的解决方法。选择双传感器与散射光和直射光相配合的系统硬件平台,突出图像对比度,改善系统分辨率,保证二维缺陷和叁维缺陷无遗漏获取。通过分析光源的方向对表面缺陷检测的影响,构建纹理表面的反射模型,确定表面高度函数随光源角度变化的关系。实验结果表明应用不同方向光源作为特征的分割方法的误分率小于基于灰度统计值的分割方法。(4)噪声、光照变化等复杂背景的干扰会给机器视觉系统的正确检测带来极大的挑战,提出一种基于序列滤波器的边缘检测方法,去除图像采集过程中引入的不同程度的脉冲噪声。相对于经典的中值滤波算法,序列滤波器中的总变分图像去噪方法的各相异性扩散项保证了滤波的同时很好地保持缺陷对比度,滤除噪声的同时很好地保持了缺陷的细节信息。定性和定量的实验分析中,峰值信噪比PSNR及均方根误差MSE图像滤波评价准则分布对比图也证明了提出方法的有效性。(5)人类视觉系统对图像的识别是通过提取图像的特征完成对抽象物体的表征来实现的。Gabor滤波机制对视觉信号分解与人类视觉辨别纹理特征的方式类似,因此,可以通过Gabor滤波器来提取图像的纹理特征。由于纹理只是一种物体表面的特性,并不能完全反映出物体的本质属性,所以仅仅利用纹理特征是无法获得高层次图像内容的。结合灰度共生矩阵,提取空间和邻域信息描述场景信息,模拟人类视觉系统两个通路特性,这样输出的结果会产生更高的特征空间分离结果。采用Adaboost方法进行特征降维和缺陷分类,通过适应性权重技术和加权投票组合技术,有效地提高了组合分类器的识别率。通过对边缘锯齿、焊缝、夹杂、黄斑、抬头纹等5类常见缺陷进行分类实验,特征维数降低了70%,总体识别率高于其它几种常用分类器的识别率。
苏卫星[10]2006年在《基于DSP的带钢表面缺陷在线监测系统实时性研究》文中认为冷轧带钢表面质量监测是钢铁企业提高自身产品质量，进而增强企业整体竞争力的重要手段。应用计算机视觉和图像处理技术实现对带钢表面缺陷的在线监测，需要对采集的大量图像数据进行快速实时处理，以便系统能够在实际生产容许的时间范围内完成带钢表面质量信息的精确提取。实时数字图像处理也就成为了实现监测系统实时性要求的关键环节。 近年来，DSP技术的发展不断将数字信号处理领域的理论研究成果应用到实际系统中，并且推动了新的理论和应用领域的发展，对图像处理等领域的技术发展也起到了十分重要的作用。基于DSP的图像处理系统也被广泛的应用于各种领域。 本文基于本研究室前期研究带钢表面缺陷检测的技术成果，通过对原有系统结构和检测过程的分析，找出影响检测系统实时性的瓶颈，并由此分析提出了基于PC机、图像采集卡和DSP数字图像处理器的带钢表面缺陷监测系统的设计方案。新的系统的设计从软、硬件两个方面进行。硬件方面，在原有系统中增加了基于TI公司的TMS320C6416 DSP的DAM6416P超高速图像处理平台，由DSP完成对影响系统实时性的关键部分的处理；软件方面，提出主从式程序结构和基于图像灰度特征的缺陷图像识别方法，编写了实现缺陷识别的主机端和DSP端程序。同时充分利用了在线仿真技术和软件优化方法对DSP端程序进行了仿真和优化，进而提高软件的运行效率。 本课题研究最终初步完成了对监测系统整体平台的搭建。通过测试，该系统在识别率和实时性方面较原有系统有较大提高，实时处理方面基本满足实际生产的需要。 最后，本文对本系统尚需改进的方面以及今后基于DSP的监测系统的发展做了总结与展望。
参考文献：
[1]. 带钢表面自动监测系统中缺陷图像识别技术的研究与开发[D]. 苟怡. 四川大学. 2002
[2]. 带钢表面缺陷图像检测与分类方法研究[D]. 甘胜丰. 中国地质大学. 2013
[3]. 热轧带钢表面缺陷在线检测方法和实时实现技术研究[D]. 罗旗舞. 湖南大学. 2015
[4]. 基于AdaBoost分类器的带钢表面缺陷识别研究[D]. 孙梓钧. 河北科技大学. 2016
[5]. 基于并行分类器集成的板带钢表面缺陷图像识别[D]. 邢芝涛. 东北大学. 2011
[6]. 图像识别中的弱分类器自适应集成增强方法研究[D]. 冯学慧. 东北大学. 2010
[7]. 钢板表面缺陷检测关键技术研究[D]. 储茂祥. 东北大学. 2014
[8]. 板带材表面缺陷组合特征的降维聚类识别算法研究[D]. 魏天宇. 东北大学. 2006
[9]. 引入人类视觉特性的带钢表面缺陷检测与识别方法研究[D]. 丛家慧. 东北大学. 2010
[10]. 基于DSP的带钢表面缺陷在线监测系统实时性研究[D]. 苏卫星. 东北大学. 2006
标签：自动化技术论文; 带钢论文; 分类器论文; 图像识别技术论文; 特征提取论文; 缺陷管理论文; 灰度图像论文; 分类数据论文; 数据集成论文; 边缘提取论文; 灰度直方图论文; 信息集成论文;