毛睿达毕业设计.docx
- 文档编号:2998040
- 上传时间:2022-11-17
- 格式:DOCX
- 页数:30
- 大小:487.80KB
毛睿达毕业设计.docx
《毛睿达毕业设计.docx》由会员分享,可在线阅读,更多相关《毛睿达毕业设计.docx(30页珍藏版)》请在冰豆网上搜索。
毛睿达毕业设计
毕业论文
基于神经网络的玻璃缺陷类型识别方法
学生姓名:
毛睿达学号:
1105064125
学院:
信息与通信工程学院
专业:
电子信息工程
指导教师:
金永
2015年6月
基于神经网络的玻璃缺陷类型识别方法
摘要
在玻璃生产过程中,由于受工艺和环境限制,会产生各种缺陷,这些缺陷不仅影响了玻璃制品的外观质量,也降低了玻璃的使用价值和再次加工率。
为了提高玻璃质量及方便玻璃质量等级划分,必须对缺陷进行分类。
本文针对玻璃缺陷图像的特点,基于图像处理与模式识别技术,研究了缺陷自动分类算法,替代了传统的人工分类方法,提高了分类的精度和效率。
本文首先分析了缺陷图像的噪声类型及特点,采用中值滤波算法对缺陷图像进行降噪处理,消除了各种噪声干扰;然后针对缺陷图像边缘的灰度变化特点,基于边缘检测技术,较为完整的提取出了目标缺陷的核心轮廓,完成了图像的预处理。
在预处理的基础上,根据各类缺陷在形状上的差异,利用Hu不变矩提取出了缺陷的形状特征,并验证了其抗平移、抗旋转性,将Hu不变矩提取出来的7个特征值作为缺陷分类器的输入向量。
为了区分不同类型的缺陷,研究了感知器神经网络分类器的设计,设计了感知器神经网络的算法。
最后,通过实验整体验证了缺陷分类算法的有效性,取得了良好的识别效果,为后期地投入实际生产打下了坚实的基础。
关键词:
玻璃缺陷,图像预处理,特征提取,神经网络
Identificationmethodofglassdefecttype
basedonNeuralNetwork
Abstract
Intheglassproductionprocess,duetothetechnologicalandenvironmentalrestrictions,willproduceavarietyofdefects,thesedefectsnotonlyaffectstheappearancequalityofglassproducts,butalsoreducesthevalueoftheuseofglassandreprocessingrate. Inordertoimprovethequalityofglassandglassqualitygrades,wemustclassifythedefects.. Theaccordingtothecharacteristicsofglassdefectimage,basedonimageprocessingandpatternrecognitiontechnologyofautomaticdefectclassificationalgorithm,replacingthetraditionalmanualclassificationmethod,improvestheclassificationaccuracyandefficiency.
Thispaperfirstanalyzesthenoisetypeandcharacterofthedefectimage,themedianfilteringalgorithmforreductionofdefectimage,eliminatingthenoise;theninaccordancewiththecharacteristicsofgraylevelofimageedgedefects,basedontheedgedetectiontechnique,morecompleteextractionofthecoredimensionsofthedefect,completedtheimagepreprocessing.
Onthebasisofpreprocessing,accordingtothedifferencebetweenthevarioustypesofdefectsinshapeusingHuinvariantmomentstoextractthefeaturesoftheshapeofthedefects,andverifiedtherobustnessagainsttranslation,antirotation,theHuinvariantmomentstoextractoutofsevenfeaturevaluesastheinputvectorsofthedefectclassifier.
Inordertodistinguishbetweendifferenttypesofdefectsofperceptronneuralnetworkclassifierdesign,designtheperceptronneuralnetworkalgorithm.Finally,thewholeexperimenttoverifytheeffectivenessofdefectclassificationalgorithm,andachievedgoodrecognitioneffect,lateintotheactualproductionandlayasolidfoundation.
Keywords:
glassflaw,imagepreprocessing,featureextraction,neuralnetwork
4基于感知器神经网络的玻璃缺陷分类识别...........................................................................................22
5结论...........................................................................................................................................................28
1引言
1.1课题背景及意义
浮法玻璃生产工艺是世界上先进的玻璃制造工艺,可是在生产过程中,仍然会产生一些缺陷,如气泡、划痕、夹杂等。
这些缺陷不仅会影响玻璃制品的外观质量,还会影响其光学均一性和机械强度,降低了玻璃的使用价值和再次加工率。
为了提高浮法玻璃质量及方便玻璃质量等级划分,必须对玻璃的缺陷进行分类。
国外从上世纪90年代初就开始研究玻璃缺陷自动检测及识别技术,凭借其雄厚的经济实力和先进的技术基础,至今己研制出多种检测设备,不仅价格昂贵,且技术资料保密,规模小的企业难以负担,在我国己经建成投产的140多条浮法玻璃生产线中,仅有少数几家大公司采用。
国内也有类似设备和技术的研究,但和国外相比,在检测及识别速度、精度方面还存在着较大的差距,因此许多玻璃生产厂家仍依靠人工分类的方法,人工检查除了速度慢,还存在以下缺点:
(1)误判率较高。
由于工人的劳动强度较大,长时间进行观察,人眼很容易出现疲劳,会直接影响了分类的准确性。
(2)分类质量标准不统一,人工检查时,对于很小缺陷的情况,合格与否是检查者根据感觉主观判断的,不同的人甚至同一人在不同的状态下的判断标准很难做到统一。
因此,提高浮法玻璃缺陷分类的自动化程度对于减小人为误差,降低玻璃生产成本,确保玻璃生产效率,增加企业的经济效益具有重要的作用和意义。
随着图像处理及模式识别相关理论的不断完善,以及计算机自动处理信息能力的不断提高,使得运用计算机对缺陷类型自动识别变得切实可行。
如果采用合适的图像识别的技术,不断提高软件运行的质量,就可以有效得提高分类的准确性并优化玻璃缺陷检测系统的整体性能。
基于以上原因,本文基于模式识别及图像处理技术,研究了璃缺陷软件分类方法,该方法针对不同类型的玻璃缺陷有良好的识别能力,不但解决了传统的人工检测难题,提高了分类的自动化程度,也为优化玻璃切割系统和玻璃等级打标装置提供数据,满足了众多国内浮法玻璃生产线的迫切需要。
1.2国内外研究现状
模式识别是借助计算机技术和数学方法来完成事物识别的一种综合技术,它用于样品的分类识别,揭示的是事物内部规律和隐含性质。
一个模式识别系统主要由数据获取、预处理、特征提取、分类器设计与识别四部分组成,而特征提取和分类器的设计在很大程度上决定了识别的准确率,也是识别领域的两个研究热点。
特征提取是在一个模式分类的问题中,为了实现模式类内距离最小化和类间距离最大而对原始的数据信息的提炼,其任务是用最小的数据表征图像的特征,从而保留那些最反映图像本质的信息,提高计算机的识别效率。
图像的特征可以分为灰度、边缘、纹理特征、形状特征等。
目前,不变矩与纹理特征提取是应用比较广泛的两种提取技术。
矩特征主要表征了图像区域的几何特征,又称为几何矩, 由于其具有旋转、平移、尺度等特性的不变特征,所以又称其为不变矩。
在图像处理中,几何不变矩可以作为一个重要的特征来表示物体,可以据此特征来对图像进行分类等操作。
因此,本文采用Hu不变矩来提取玻璃缺陷的特征。
在分类器的设计领域,目前己经发展出很多种方法,例如基于统计的分类器、基于模板的分类、基于神经网络的分类等。
人工神经网络是一种模仿动物行为特征,进行分布式并行信息处理的算法数学模型。
它是近年来再度兴起的一个高科技研究领域,也是信息科学、脑科学、神经心理学等多种学科近几年研究的一个热点。
这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。
人工神经网络具有自学习和自适应的能力,可以通过预先提供的一批相互对应的输入一输出数据,分析掌握两者之间潜在的规律,最终根据这些规律,用新的输入数据来推算输出结果,这种学习分析的过程被称为“训练”。
目前,己有近40种神经网络模型,其中有前向型神经网络、自组织映射、反馈型神经网络、波耳兹曼机、适应谐振理论等。
将神经网络用于玻璃缺陷识别及分类时,一般分为两个工作阶段:
训练学习阶段和实际运用阶段,训练学习阶段的工作是将玻璃缺陷的训练模式样本输入网络,通过有指导或无指导学习方式寻找一组合适的网络连接权值,确定出适当的网络联结模式;实际运用阶段的工作则是用己学习训练好的网络进行模式识别及分类。
1958年,美国心理学家FrankRosenblatt提出一种具有单层计算单元的神经网络,成为Perceptron,即感知器。
感知器是模拟人的视觉接受环境信息,并由神经冲动进行信息传递的层次型神经网络。
感知器研究中首次提出了自组织、自学习的思想。
而且所能解决的问题存在着收敛算法,并能从数学上严格证明,一次对神经网络的研究起了重要推动作用。
综上可以看出,感知器人工神经网络的研究开始得较早,技术较成熟,有较多的成功实例和资料可以参考,因此具有应用和成本优势。
所以,本文主要采用感知器神经网络进行玻璃缺陷识别的应用研究。
1.3课题研究内容以及论文安排
本文主要针对玻璃缺陷中常见的四种类型:
气泡、夹杂、划痕进行类型识别,论文主要完成的工作及内容安排如下:
第一章说明了选题的背景及意义,详细介绍了玻璃缺陷检测以及模式识别技术的国内外发展与现状;
第二章针对缺陷图像中存在的噪声,利用中值滤波算法对缺陷图像进行了预处理,并用边缘检测将缺陷目标区域从图像中分割出
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 毛睿达 毕业设计