亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于機器視覺技術(shù)的表面缺陷在線檢測系統(tǒng)設(shè)計

        2016-01-18 02:43:33吳曉君蔡君義
        自動化與儀表 2016年4期
        關(guān)鍵詞:灰度邊緣濾波

        吳曉君 ,唐 婷 ,張 林 ,蔡君義

        (1.西安建筑科技大學 機電工程學院,西安 710055;2.西安啟源機電裝備股份有限公司,西安 710018)

        輥彎成型(roll forming,又稱冷彎成型)是指通過順序配置的多道次成型軋輥,把卷材、帶材等金屬板帶不斷地進行橫向彎曲,以制成特定斷面的型材[1]。隨著工業(yè)化水平的不斷發(fā)展,對鋼材表面質(zhì)量的要求也越來越高,如何快速準確地檢測出表面缺陷成為鋼板軋制過程中非常關(guān)鍵的一個環(huán)節(jié)。傳統(tǒng)的表面缺陷檢測主要依賴于人工目測和抽檢,檢測結(jié)果易受檢驗人員的經(jīng)驗水平等主觀因素影響,且勞動強度大,誤檢、漏檢現(xiàn)象嚴重。近年來,以圖像處理為基礎(chǔ)的機器視覺技術(shù)不斷應用于工業(yè)生產(chǎn)的表面缺陷檢測過程中,其較高的檢測精度、較低的檢測成本和易于自動化處理的特點受到眾多廠家的青睞。

        西安某大型國有企業(yè)擁有一套國際先進的數(shù)控式散熱器輥彎成型生產(chǎn)線。實際生產(chǎn)中,由于硅鋼片平均片長為2000 mm,片寬為520 mm,板厚為1.0 mm~1.2 mm,邊部較窄,經(jīng)輥彎成型加工后,極易產(chǎn)生邊浪?,F(xiàn)有的人工檢測方法經(jīng)常檢測不及時且漏檢率較高,導致變壓器散熱片的廢品率較高,給企業(yè)帶來巨大的經(jīng)濟損失。

        針對該企業(yè)的上述問題,本文設(shè)計了一套基于機器視覺技術(shù)的表面缺陷在線檢測系統(tǒng)。該系統(tǒng)已成功應用于該企業(yè),并取得了良好的運行效果。

        1 硬件系統(tǒng)設(shè)計

        硬件系統(tǒng)主要組成部分包括光源、CCD相機和工控機等,如圖1所示。

        圖1 機器視覺硬件系統(tǒng)Fig.1 Schematic diagram of hardware system for machine vision

        1.1 光源的選擇

        照明光源是機器視覺系統(tǒng)中的重要組成部分。一般來說,機器視覺系統(tǒng)為了避免環(huán)境自然光線或燈光對其工作狀態(tài)的影響,光源應亮度大、亮度可調(diào)、均勻性好及穩(wěn)定性高,以抑制外界環(huán)境各種光對圖像質(zhì)量產(chǎn)生較大影響而導致機器視覺系統(tǒng)的故障或誤判行為[2]。由于LED燈具有發(fā)光強、散熱小和壽命高等優(yōu)點,本系統(tǒng)采用紅色LED燈作為系統(tǒng)的光源。

        1.2 CCD相機的選擇

        CCD(charge coupled device)即電荷耦合器件,是一種半導體器件,能夠把光學影像轉(zhuǎn)化為數(shù)字信號。常見的CCD攝像頭包括線陣和面陣2種方式。對于移動的物體,面陣CCD的檢測精度不高,故通常采用線陣CCD方式。

        本系統(tǒng)采用的CCD攝像頭采用BrtVision線陣CCD數(shù)字相機,該相機無需采集卡,可直接與工控機連接,其具體參數(shù)如下:型號為BLU0708M30,有效像素為2048 pixel(對應本系統(tǒng)下的最高水平分辨率為3.94 pixel/mm)以及8 bit采樣精度。

        1.3 照明方式

        照明方式通??梢苑譃槊鲌稣彰骱桶祱稣彰鳌1鞠到y(tǒng)選擇暗場照明方式,將相機豎直擺放,光源以一個較大的角度為入射角,若硅鋼片無邊浪,被測硅鋼片表面顏色是均勻且較暗;若有邊浪,圖像則呈現(xiàn)交替的亮帶和暗帶,有利于圖像識別階段的邊緣檢測。

        2 邊緣檢測

        當CCD相機將采集到的圖像傳輸?shù)焦た貦C后,我們需要對圖像進行邊緣檢測以提取邊緣信息供后續(xù)故障分類環(huán)節(jié)使用。

        邊緣檢測作為硅鋼片特征提取的重要步驟之一,常見的邊緣檢測算法包括Roberts、Sobel、Prewitt和Canny等算法[3],由于Canny算法具有很好的信噪比和檢測精度,在圖象處理領(lǐng)域得到了廣泛的應用[4]。但是,傳統(tǒng)的Canny算法也存在很多不足,如高斯濾波參數(shù)選擇困難、易受噪音干擾,人工確定閾值方法不夠精確等。針對這些不足,很多學者將Canny算法與小波變換、數(shù)學形態(tài)學等結(jié)合在一起,這樣雖然在一定程度上彌補了Canny算法的不足,但同時也大大提高了運算的復雜程度,不適用于在線監(jiān)測[5]。本文利用Otsu法自適應確定閾值的改進Canny算法對圖像進行邊緣檢測。

        2.1 傳統(tǒng)的Canny算法

        傳統(tǒng)Canny算法邊緣檢測步驟如下:首先利用高斯濾波器對原圖像進行濾波去噪,其次對濾波后的圖像求梯度幅值以及梯度向量,進而對梯度圖像進行非極大值抑制操作,剔除非最大值的像素點;最后人工選擇高、低閾值并分析確定圖像的最終邊緣,其流程如圖2所示。

        傳統(tǒng)Canny算法的缺點:①在濾波去噪環(huán)節(jié),采用二維高斯函數(shù)對圖像進行平滑處理,是對圖像整體進行濾波,從而使圖像不含噪聲的區(qū)域也變得模糊,這是使用者所不希望的;②傳統(tǒng)Canny算法在檢測邊緣時,2個高低閾值完全由人為根據(jù)經(jīng)驗設(shè)定,不具有自適應性,檢測效率較低,無法滿足大型圖像庫中圖像邊緣自動檢測的要求。

        2.2 改進環(huán)節(jié)

        2.2.1 自適應平滑濾波

        為了減少和抑制噪聲對邊緣檢測的影響,本文先對圖像進行自適應平滑濾波[6]。該方法只對噪聲區(qū)域進行平滑處理,對無噪聲的區(qū)域不進行平滑處理,從而將模糊的影響降到最低。對圖像中每個像素計算其3×3鄰域R中 8個點的平均灰度ρ(R)和方差σ2(R),若像素灰度與 ρ的差值大于 1.5σ(R),則認為該像素為噪聲;以噪聲像素鄰域中灰度位于[ρ(R)-σ2(R),ρ(R)+σ2(R)]范圍內(nèi)像素的加權(quán)平均灰度作為該像素的真實灰度值。對于噪聲位置具有隨機性和局部性的圖像,具有很好的效果。其效果對比如圖3所示。

        圖3 不同濾波方法效果對比Fig.3 Comparison of different filtering methods

        從圖3可以看出,對局部(上半部分)含有噪聲的圖像進行不同的噪聲濾波處理后得到的效果具有明顯的差異。中值濾波、高斯濾波和維納濾波等傳統(tǒng)濾波方法對噪聲有一定的濾波作用,但是效果不是很明顯,而且模糊了不含噪聲的部分。自適應平滑濾波相對于其他的濾波方式,濾波后效果較好,且不含噪聲的部分基本未被模糊。

        2.2.2 Otsu閾值分割

        眾多閾值分割算法中,1979年由Otsu[7]提出的基于類間方差最大化的分割算法一直被認為是自動選取閾值的最優(yōu)方法。它將圖像分為背景與目標兩類,通過搜索計算類間方差最大值得到最優(yōu)閾值。

        設(shè)T為最佳高閾值對應的灰度值,k(0,1……255)為整個圖像的灰度值,wB和wO分別為圖像背景和目標圖像對應的總像素數(shù),p(k)為灰度值為k對應的像素數(shù),則可以得到下列公式。

        背景均值:

        目標均值:

        圖像總均值:

        圖像背景和目標兩類像素的類間方差:

        在Otsu方法中,圖像最佳高閾值為

        低閾值l可以通過選擇一定的比例因子來確定,設(shè)比例因子為0.4,則l=0.4h。

        2.3 仿真實驗驗證

        本文將傳統(tǒng)Canny算法進行改進,加入自適應平滑濾波,并與最大類間方差法Otsu結(jié)合,使得邊緣檢測更加準確,減少了虛假邊緣存在。仿真結(jié)果如圖4所示。

        圖4 Otsu閾值分割法效果對比Fig.4 Results under different thresh

        圖 4(b)~4(e)分別是人工隨機確定的高低閾值,從效果圖可以看出,高低閾值的選擇對結(jié)果有很大的影響,選擇不當,既可能出現(xiàn)虛假邊緣(圖4(b)、圖 4(c)、圖 4(e)),也有可能遺漏邊緣(圖 4(d))。而 Otsu 閾值分割法(圖 4(f))得到的輪廓邊緣更完整,也不含虛假邊緣,是一種理想的邊緣檢測方法。

        3 缺陷分類

        3.1 神經(jīng)網(wǎng)絡(luò)簡介

        人工神經(jīng)網(wǎng)絡(luò)(artificial neural networks)是由大量處理單元廣泛互聯(lián)而形成的非線性網(wǎng)絡(luò),具有很強的自適應、自組織和自學習能力,可以代替復雜的傳統(tǒng)算法,使信號處理過程更接近人類的思維。BP(back propagation)神經(jīng)網(wǎng)絡(luò),是基于誤差反向傳播算法的前饋型人工神經(jīng)網(wǎng)絡(luò)。它結(jié)構(gòu)簡單、非線性能力強,已被廣泛應用于模式識別和圖像處理中。

        3.2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

        BP神經(jīng)網(wǎng)絡(luò)一般由多層神經(jīng)元組成:輸入層、隱含層和輸出層。其拓撲結(jié)構(gòu)示意如圖5所示。

        圖5 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Structure chart of BP neural network

        輸入層設(shè)計:在圖像處理部分,本文提取了3個板形缺陷的特征參數(shù),分別為均值、均方差和邊緣像素點數(shù)。因此,輸入層神經(jīng)元數(shù)為3。

        輸出層設(shè)計:缺陷分類中,依據(jù)邊浪的嚴重程度將硅鋼片的缺陷種類分為3類,分別為無邊浪、輕微邊浪和嚴重邊浪3種(根據(jù)專家打分[8]確定),因此輸出層神經(jīng)元數(shù)為3。

        隱含層設(shè)計:BP神經(jīng)網(wǎng)絡(luò)的隱含層設(shè)計是十分關(guān)鍵的。實際應用中,隱含層一般為1層。根據(jù)經(jīng)驗公式并通過多次試驗,確定本系統(tǒng)隱含層最佳神經(jīng)元數(shù)為6。

        3.3 學習訓練

        選擇3種不同程度缺陷的樣本共330個。選擇各自的60個樣本(共180個)作為訓練樣本,剩余的150個樣本作為檢驗樣本。設(shè)置好訓練函數(shù)、訓練次數(shù)、誤差指標、訓練步長等相關(guān)學習參數(shù)后,對樣本進行訓練。訓練樣本和訓練結(jié)果如表1、表2所示。

        表1 BP神經(jīng)網(wǎng)絡(luò)訓練樣本參數(shù)Tab.1 Parameters of training samples

        表2 BP神經(jīng)網(wǎng)絡(luò)訓練結(jié)果Tab.2 Training results of BP neutral network

        4 在線檢測驗證

        結(jié)合實際應用的需要,開發(fā)了一套表面缺陷在線檢測系統(tǒng)。該系統(tǒng)根據(jù)上文提出的算法,以Visual Studio 2013和OpenCV為開發(fā)工具,并應用面向?qū)ο蟮某绦蛟O(shè)計方法進行編程,該系統(tǒng)的操作界面如圖6所示。

        圖6 表面缺陷在線檢測系統(tǒng)操作界面Fig.6 Interface of defect detection system

        該系統(tǒng)先提取CCD相機采集的圖像邊緣部分作為原始圖像,通過改進的Canny算法對硅鋼片圖像的邊緣進行處理,然后提取圖像的參數(shù)進行故障嚴重程度分類,并記錄相應的信息,指導后續(xù)的生產(chǎn)線作業(yè)。該系統(tǒng)已成功應用于生產(chǎn)實踐中,且表面檢測準確率達到92%。

        5 結(jié)語

        本文針對某企業(yè)在硅鋼片輥彎成型加工過程中易出現(xiàn)的表面缺陷,設(shè)計了一套基于機器視覺技術(shù)的表面缺陷在線檢測系統(tǒng)。從系統(tǒng)硬件設(shè)計、圖像采集處理、特征參數(shù)提取及故障分類等方面進行了深入地研究,實現(xiàn)了包括圖像采集、圖像處理、缺陷分類和信息存儲等功能。實驗結(jié)果表明該系統(tǒng)具有處理速度快、抗干擾能力強、準確率較高、成本低廉等優(yōu)點。本系統(tǒng)中的整體架構(gòu)和缺陷檢測與分類方法還可以應用于其他類似表面缺陷檢測問題中,具有廣泛的應用前景。

        [1]韓飛,劉繼英,艾正青,等.輥彎成型技術(shù)理論及應用研究現(xiàn)狀[J].塑性工程學報,2010,17(5):53-60.

        [2]顏發(fā)根,劉建群,陳新,等.機器視覺及其在制造業(yè)中的應用[J].機械制造,2004,42(11):28-30.

        [3]段瑞玲,李慶祥,李玉和.圖像邊緣檢測方法研究綜述[J].光學技術(shù),2005,31(3):415-419.

        [4]Canny J.A computational approach to edge detection[J].IEEE Transactions on Pattern Analysis and Image Processing,1986,8(6):679-698.

        [5]朱鳳芹.改進Canny算法在再制造視覺檢測中的應用[J].中國農(nóng)機化學報,2015,36(3),270-273.

        [6]張錚,徐超,任淑霞,等.數(shù)字圖像處理與機器視覺—Visual C++與Matlab實現(xiàn)[M].2版.北京:人民郵電出版社,2014.

        [7]梁光明,孫即祥,馬琦,等.Otsu算法在Canny算子中的應用[J].國防科技大學學報,2003,25(5):36-39.

        [8]劉林,曹艷平,王婷,等.應用模糊數(shù)學[M].2版.西安:陜西科學技術(shù)出版社,2008.

        猜你喜歡
        灰度邊緣濾波
        采用改進導重法的拓撲結(jié)構(gòu)灰度單元過濾技術(shù)
        基于灰度拉伸的圖像水位識別方法研究
        基于最大加權(quán)投影求解的彩色圖像灰度化對比度保留算法
        自動化學報(2017年5期)2017-05-14 06:20:56
        一張圖看懂邊緣計算
        基于灰度線性建模的亞像素圖像抖動量計算
        RTS平滑濾波在事后姿態(tài)確定中的應用
        基于線性正則變換的 LMS 自適應濾波
        遙測遙控(2015年2期)2015-04-23 08:15:18
        基于隨機加權(quán)估計的Sage自適應濾波及其在導航中的應用
        基于Sage—Husa濾波的GNSS/INS組合導航自適應濾波
        在邊緣尋找自我
        雕塑(1999年2期)1999-06-28 05:01:42
        亚洲av午夜国产精品无码中文字| 久久中文字幕av一区二区不卡| 手机在线播放av网址| 国产精品国产三级国产av品爱网| 欧美两根一起进3p做受视频| 亚洲AV永久天堂在线观看 | 日韩AV不卡六区七区| 少妇被粗大猛进进出出| av网站免费在线浏览| 日本一区人妻蜜桃臀中文字幕| 日本一区二区三区视频网站| 精品乱码久久久久久久| 综合精品欧美日韩国产在线| 精品女同av一区二区三区| 国产情侣自拍一区视频| 国内精品自在自线视频| 中文字幕一区二区三区四区在线| 日韩精品久久伊人中文字幕| 色天使久久综合网天天| 人与嘼交av免费| 亚洲精品99久久久久久| 精品国产一区二区三区香| 九九久久99综合一区二区| 国产福利免费看| 黑丝国产精品一区二区| 日韩亚洲中文有码视频| 大陆极品少妇内射aaaaa| 免费观看久久精品日本视频| 99久久婷婷国产精品综合| 寂寞少妇做spa按摩无码| 5级做人爱c视版免费视频| 黑丝美女喷水在线观看| 亚洲av熟女少妇久久| 国产自偷自偷免费一区| 人妻系列无码专区久久五月天| 亚洲精品98中文字幕| www射我里面在线观看| 大学生被内谢粉嫩无套| 国产激情一区二区三区在线蜜臀| 国产一级二级三级在线观看av| 成熟丰满熟妇av无码区|