基于机器视觉的旋切单板检测系统研究

【摘要】： 胶合板的等级在很大程度上取决于旋切单板的表面质量,目前旋切单板的检测通常采用人工目测的结果进行裁剪和分级,大大降低了生产效率,增加了生产成本,将人工智能技术引入生产,将可以有效地克服人工检测所带来的缺点,对于提高我国胶合板行业自动化水平起到很好的推进作用。本文基于图像处理技术及人工智能技术,结合旋切单板的特点,对旋切单板表面的缺陷进行有效识别和分类,形成基于国家标准的旋切单板表面缺陷识别和分类的检测系统。论文主要研究内容与工作如下: 1.通过对旋切单板表面缺陷图像进行分析,提出一系列适合旋切单板表面缺陷检测的图像增强和图像分割的有效改进算法,并据此完成对缺陷目标的识别和标记。 2.分析了旋切单板表面上的各类缺陷的形状、颜色及纹理特征,本文提出了基于节子缺陷图像颜色累加直方图百分数分布特征值的特征参数,从而为缺陷的准确识别和分类提供特征集。 3.在人工参与识别和分类时,由于主观性和背景知识的影响容易使得缺陷的识别和分类产生较大误差,因此,提出以非监督学习的自组织映射(SOM)的神经网络作为分类器,选择能够较好地描述节子特征的图像颜色直方图分布特征值作为特征集,实现对节子缺陷的识别和分类,应用G-SOM软件验证了自组织映射(SOM)网络作为缺陷分类器的有效性。 4.旋切单板的纹理有时会对缺陷的检测产生干扰,本文提出一种改进的模糊C聚类均值(FCM)算法的旋切单板表面缺陷检测方法,该方法考虑了类内样本密度和类间距离作为综合参数,从而可以获得合理的初始聚类中心。该算法可以准确的检测出旋切单板表面纹理和缺陷信息。 5.构建一套基于机器视觉旋切单板检测实验系统,在实验系统上进行了CCD相机的标定、传送设备的调试、缺陷的识别分类以及特征参数计算等工作,从而验证系统设计的可行性和正确性。