机器视觉检测与板带钢质量评价PDF|Epub|txt|kindle电子书版本网盘下载

机器视觉检测与板带钢质量评价PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1 机器视觉检测概述1

1.1.1 机器视觉及其系统组成1

1.1.2 机器视觉的主要应用2

1.2 板带钢表面质量检测5

1.2.1 板带钢表面质量检测概述5

1.2.2 几种典型的板带钢表面缺陷6

1.2.3 板带钢表面缺陷检测典型方法8

1.2.4 机器视觉板带钢表面缺陷检测11

1.3 板带钢质量评价15

1.3.1 板带钢质量评价概述15

1.3.2 表面质量评价与综合质量评价16

1.3.3 板带钢质量评价现状及发展趋势17

1.4 本书主要内容18

第2章 机器视觉板带钢表面缺陷检测系统21

2.1 概述21

2.2 板带钢表面缺陷检测系统构成21

2.2.1 基本要求21

2.2.2 硬件系统构成21

2.2.3 软件系统构成24

2.3 检测系统硬件设计24

2.3.1 板带钢运动系统设计24

2.3.2 图像传感器的设计选型27

2.3.3 光源的设计选型39

2.3.4 传感器与光源布局设计48

2.3.5 检测系统的硬件拓扑结构52

2.4 检测系统的软件设计53

2.4.1 软件逻辑结构53

2.4.2 软件的功能要求53

2.4.3 软件的功能结构54

第3章 图像数据采集与预处理56

3.1 概述56

3.2 数据实时采集57

3.3 图像数据缓存与多线程处理57

3.4 图像快速检测技术62

3.4.1 DSP硬件图像快速处理技术63

3.4.2 基于灰度特征的缺陷图像识别算法65

3.4.3 程序的执行过程及性能测试68

3.4.4 系统实时性评价69

3.5 基于NINE算法的脉冲噪声去除方法70

3.5.1 脉冲噪声的数学模型70

3.5.2 去除图像脉冲噪声的NINE算法70

3.5.3 图像滤波效果的评价74

3.5.4 实验结果与分析75

3.6 基于自适应双倒数滤波的高斯噪声去除方法78

3.6.1 高斯噪声的数学模型78

3.6.2 双倒数滤波78

3.6.3 自适应双倒数滤波80

3.6.4 实验结果与分析81

3.7 基于小波各向异性扩散的纹理背景去除86

3.7.1 非线性各向异性扩散滤波87

3.7.2 基于小波各向异性扩散的图像滤波方法88

3.7.3 实验结果与分析92

3.8 基于总变分模型的图像光照归一化93

第4章 多域图像信息采集与处理96

4.1 概述96

4.2 板带钢表面多域图像信息采集系统97

4.2.1 照明方式对缺陷检出的影响97

4.2.2 多域图像采集方法99

4.2.3 多域图像采集系统99

4.3 板带钢表面缺陷图像的配准方法100

4.3.1 图像配准方法100

4.3.2 基于缺陷子图的互信息图像配准方法102

4.4 板带钢表面多域缺陷图像融合方法110

4.4.1 板带钢表面缺陷图像分析110

4.4.2 基于小波变换的板带钢表面图像融合方法111

4.4.3 基于缺陷区域的板带钢表面图像融合方法114

第5章 板带钢表面缺陷目标的检出方法126

5.1 概述126

5.2 板带钢表面缺陷的分割方法127

5.2.1 边缘分割法127

5.2.2 区域分割法132

5.2.3 基于梯度信息的二维Otsu阈值分割方法134

5.3 板带钢表面缺陷的关联与定位140

5.3.1 板带钢表面缺陷的关联140

5.3.2 板带钢表面缺陷的定位147

5.4 基于视觉注意机制的板带钢表面缺陷的检出方法150

5.4.1 人类的视觉注意机制与计算模型150

5.4.2 确定缺陷区域157

5.4.3 实验结果与分析158

5.5 板带钢表面微小缺陷检出方法160

5.5.1 含微小缺陷的硅钢板图像的基本特点161

5.5.2 基于显著活动轮廓模型的微小缺陷检出方法162

第6章 图像特征提取与分析176

6.1 概述176

6.2 缺陷图像的基本特征177

6.2.1 几何特征177

6.2.2 统计特征181

6.2.3 变换域特征185

6.2.4 其他特征193

6.3 基于散射卷积网络的缺陷特征提取方法193

6.3.1 散射变换193

6.3.2 散射卷积网络195

6.3.3 NEU-Silicon图像数据集与实验分析197

6.3.4 NEU-Hot图像数据集与实验分析198

6.4 邻域评估下的局部二值模式特征提取方法201

6.4.1 局部二值模式及其扩展模式201

6.4.2 邻域评估下的局部二值模式及其扩展模式205

6.4.3 实验结果与分析211

第7章 图像特征组合与降维214

7.1 概述214

7.2 多特征的选取与组合214

7.2.1 特征归一化215

7.2.2 多特征的选取组合216

7.2.3 实例217

7.3 多维特征的降维219

7.3.1 图像特征降维概述219

7.3.2 SOFM神经网络的特征降维算法220

7.4 基于ReliefF的多维混合加权特征组合算法224

7.4.1 ReliefF算法224

7.4.2 冗余特征的去除225

7.4.3 基于ReliefF的去冗余特征组合算法226

第8章 缺陷模式的识别与分类228

8.1 概述228

8.1.1 缺陷模式识别的基本原理与方法229

8.1.2 缺陷模式的分类机制233

8.2 基于距离的识别与分类234

8.2.1 距离的基本概念234

8.2.2 常用的几种方法236

8.3 基于支持向量机的识别与分类238

8.3.1 支持向量机基本概念238

8.3.2 基于PT-SVM的缺陷识别方法241

8.3.3 缺陷分类实例242

8.4 基于人工神经网络的识别分类方法245

8.4.1 BP神经网络的识别分类方法245

8.4.2 模糊神经网络的识别分类方法249

8.4.3 遗传神经网络的识别分类方法253

8.4.4 RBF神经网络的识别分类方法257

8.4.5 WTM-SOFM识别分类方法267

第9章 多体分类模型与版图分类法273

9.1 概述273

9.2 多体分类模型275

9.2.1 类别本征空间与认知空间275

9.2.2 类别区域表示方法276

9.2.3 多体分类模型及特性分析278

9.2.4 多体分类模型实验282

9.3 版图分类法287

9.3.1 地域版图的形成288

9.3.2 版图分类法基础288

9.3.3 实验研究292

第10章 板带钢表面质量评价296

10.1 概述296

10.2 板带钢表面缺陷的分类298

10.2.1 基于企业的缺陷分类298

10.2.2 基于用户需求的缺陷分类299

10.3 基于生产企业的板带钢表面质量评价300

10.3.1 板带钢表面单个缺陷严重程度的评价300

10.3.2 板带钢表面缺陷严重程度的综合评价303

10.3.3 评价指标权重的确定方法305

10.3.4 应用实例308

10.4 基于用户需求的板带钢表面质量评价311

10.4.1 排样算法311

10.4.2 板带钢利用率与板带钢表面质量的关系317

10.4.3 板带钢表面质量评价320

第11章 板带钢综合质量评价与灵敏度分析331

11.1 概述331

11.2 板带钢的生产质量标准331

11.2.1 板带钢现行质量标准332

11.2.2 现行质量标准的适应性处理333

11.3 板带钢综合质量评价指标335

11.3.1 表面质量335

11.3.2 板形质量335

11.3.3 尺寸精度336

11.3.4 力学性能336

11.3.5 工艺性能337

11.3.6 其他性能337

11.4 板带钢综合质量评价337

11.4.1 评价系统的构建337

11.4.2 标准等级的划分339

11.4.3 评价矩阵的构建342

11.4.4 评价矩阵的规范化343

11.4.5 综合质量判定规则345

11.4.6 应用实例346

11.5 板带钢综合质量评价灵敏度分析349

11.5.1 属性值灵敏度分析350

11.5.2 属性权重灵敏度分析353

11.5.3 关于灵敏度分析的几点说明357

11.5.4 应用实例358

参考文献363

索引373

彩图377