基于空间语义对象的泡沫镍表面缺陷检测方法研究及应用

Automatic industrial inspection is conducted by simulating human vision and inspection mechanism, which plays a critical role in the complex industries. As image texture is complex, commonly-accepted feature extraction method-lesser striking background and foreground is unable to precisely obtain the parameters on the surface. Considering image’s visual perception characteristics, this study discusses the semantic-oriented segmentation of multi-scale denoising model and edge enhancement method. It expounds the effective texture extraction method by considering the global and regional characteristics. And also researches are taken out by the spatial semantic-based blended learning for image classification and identification, aiming at the machine measurement and automatic description. The systematic semantic-based texture segmentation has been proposed, theoretically, it lays a foundation for the detection of the foam nickel surface defect detection, automatic recognition and machine understanding，provides support for production process optimization control.

机器视觉通过模拟人类视觉感知和检测机理进行工业自动化检测，在复杂流程工业中占有重要的地位。针对泡沫镍表面缺陷检测中存在待测图像纹理复杂、无明显前景和背景，且常规的处理与分析方法无法准确获取表面缺陷的形态分布与缺陷分类的问题，本项目结合图像视觉感知特点，研究复杂纹理图像的多尺度几何去噪模型和图像边缘增强方法；结合全局和区域特征，研究面向空间语义对象的复杂纹理图像特征提取和图像自动分割模型；研究基于空间语义对象的混合学习图像分类识别方法，形成比较系统的泡沫镍表面缺陷分类理论与方法；实现泡沫镍复杂视觉图像的机器测量与自动描述，为泡沫镍生产过程的自动检测奠定理论基础，为生产过程优化控制提供支撑。

项目组深入泡沫镍生产现场调研，针对泡沫镍存在的表面缺陷特点，设计了新型图像采集检测装置，获取了大量工业图像数据和工艺数据。针对泡沫镍图像具有前景与背景之间区分度低、基本结构互相粘连、表面形态复杂的随机纹理等特点，提出一种新颖的定向滤波方法对泡沫镍图像预处理。结合缺陷语义空间特性，提出一种基于非下采样Contourlet变换的多尺度纹理分析的泡沫镍表面缺陷特征提取方法；提出一种基于确定游走（DTW）算法的图像纹理特征表征方法。考虑到高效率有效图像分割是在线机器视觉测量的重要基础，提出了一种改进的PCNN方法用于分割缺陷图像；结合Renyi相对熵测度和高斯分布提出了一种适合无损检测的图像分割算法；为加快图像阈值分割中的阈值寻优，基于和声搜索算法提出了一种新的混合进化算法；提出了一种表面缺陷图像子块的分割算法。针对在线高精度检测大幅面镍带总宽的需要，提出一种基于CCD和直线电机测量方法。提出了基于KPCA和最优有向无环图支持向量机(DAG-SVM)进行特征数据降维和缺陷分类识别方法；提出了一种基于复合差分进化算法优化概率极限学习机的泡沫镍表面缺陷检测和分类识别方法；为进一步在神经元网络中进行随机计算，提出了一种神经元内部输入和外部输入交互作用的矩神经网络框架。项目研究形成了系统的泡沫镍表面缺陷检测方法，通过工业图像数据仿真和实际过程验证了方法的有效性，为泡沫镍生产过程的自动检测提供方法依据，为泡沫镍智能制造奠定基础。

内容获取失败，请点击重试