第三章传感检测技术(新)_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
评价文档：
喜欢此文档的还喜欢
第三章传感检测技术(新)
第​二​章​机​电​一​体​化​机​械​技​术
阅读已结束，如果下载本文需要使用
想免费下载本文？
把文档贴到Blog、BBS或个人站等：
普通尺寸(450*500pix)
较大尺寸(630*500pix)
你可能喜欢----墙地砖缺陷的智能检测技术研究
墙地砖缺陷的智能检测技术研究
时间： 10:35:42
作者：admin
浏览次数：658
&&&&&&&&&&&&&1.1 图像模式识别技术的现状与发展计算机视觉作为一门内容丰富的综合性学科，在现代工业、国防、医学、空间技术等领域有着广泛的应用前景。计算机视觉在实际应用中很大程度上要依赖现代图像处理与模式识别技术，它们是各自性质不同，但又自成体系的研究领域。另外，在实用的机器视觉系统方面还需要利用并行处理和超大规模集成电路技术。人们致力于研究计算机视觉和模式识别的理论和技术，一方面是为了使机器向更高的智能化方面发展，另一方面则是为了满足由人类生活环境中所提出的各种不同的需要。至今的研究成果表明，未来的计算机视觉系统和模式识别机器，尤其在信息的高度并行分布处理方面的进展，将更依赖于对人脑功能正确地模拟，而且这可能为下一代计算机及机器智能的研究开辟出一条新的途径。计算机视觉与模式识别是计算机科学与人工智能研究领域的重要分支。计算机视觉的研究目的：一是提供人类视觉的计算机模型；二是利用计算机来设计与发展某种真实的适度的视觉系统，并提供具有良好性能价格比的专用系统。模式识别研究的基本目的是赋予机器类似生物的某种信息处理能力。因而在计算机视觉应用系统的研究中，往往要利用模式识别的一些基本技术和方法。
1.1.1 模式识别技术及其发展现状模式识别是信号处理与人工智能的一个重要分支，诞生于 20 世纪 20 年代，随着 40年代计算机的出现与 50 年代人工智能的兴起，模式识别在 60 年代迅速发展为一门独立的新学科。模式识别是最高层次的信息处理，它为系统智能性提供基础，与计算机科学技术、电子学与信息系统、生命科学、光电子科学等学科有着紧密的联系，是一个极具发展前景的交叉、前沿学科。而且，随着自动化技术和系统深入人类社会的各个领域，它正在成为推动自动化领域发展的核心科学技术。几十年来，模式识别研究取得了大量的成果，在很多地方得到了成功的应用。通常，把通过对具体事物进行观察所得到的具体时间和空间分布的信息称为模式，而把模式所属的类别或同一类中模式的总体称为模式类(或简称类)。一般的模式识别系统都由设计和实现两个过程组成。设计是指用一定数量的样本(也叫训练集或学习集)进行分类器的设计。实现是指用所设计的分类器对待识别的样本进行分类决策。具体而言，模式识别系统主要由四个基本部分组成:信息获取、预处理、特征选择与提取、分类决策。如图1-1 所示。
1到人类生活和社会发展的各个方面，人们也提出了许多有关图像处理、图像分析和图像识别的算法。随着计算机技术的快速发展和一些相关学科的推动以及国防工业检测医学、遥感、通讯、影视等多方面日益增长的需要，数字图像处理技术受到了前所未有的广泛重视，得到了前所未有的迅猛发展。一般来说，图像模式识别系统的计算模型如图 1-2 所示，它可以粗略地分为两级，即低级处理和高级处理。其中低级处理包括图像增强、边缘检测、直方图、模板匹配以及滤波等。除了这些功能外，低级处理的计算结构还必须能够输入图像数据，并把输出的特征传送到下一级。特征判断属于高级处理。它产生最后的输出结果。有时，还需要把新的任务命令反馈到低级处理中去。图 1-2 图像模式识别系统的计算模型
1.2 课题研究背景随着人类生活水平的不断提高，各种地面砖、内外墙地砖已经成为当今社会必不可少的建筑材料，在现代生活中得到了广泛的应用。我国陶瓷生产企业众多，在国民经济中占有重要地位。以广东佛山为例，目前有陶瓷生产企业 300 多家，年销售额高达 200 多亿元。然而，现行生产厂家的生产状况是:全厂约 1/3-1/2 的工人需要被安排在质量检测、包装岗位，利用人工进行定期抽检，对尺寸超标的产品直接划为次品。对尺寸合格再分别根据变形、表面质量划分等级。变形按种类可分为平整度（包括中心弯曲度与翘曲度）、边直度和直角度。前三者优等品都限制在±0.50 之内，直角度优等品限制在±0.60 之内。表面质量应符合如下规定：有缺釉、斑点、裂纹、落脏、棕眼、熔洞、釉缕、釉泡、烟熏、开裂、磕碰、波纹、剥边、坯粉可见缺陷的砖数不超过 5%，在距离砖面 1 米处目测应为优等品，2 米处目测应为一级品，在距离 3 米处目测缺陷不明显的是合格品，以上色差都要求在距离 3 米处目测不明显。这种生产模式不仅限制了生产成本的进一步降低，而且经常由于检查者的疏忽而导致出现大量尺寸不合格的产品，影响了企业声誉的同时也严重制约了产品档次的提高及出口能力的增强。可见，传统的墙地砖检测方法效率低、精度差并且无法进行实时检测，而且，尽快采用高新技术结合国际先进检测及计算机设备研制开发智能化高技术含量的自动检测系统，对填补国内空白，逐渐形成规模效益，满足我国建陶行业技术装备现代化需求，并使我国尽早成为陶瓷生产强国有着重要社会经济意义。特征提取 特征评估图像输入特征任务命令低级图像处理 高级图像处理结果3当代墙地砖的发展趋势是规格朝大尺寸、高精度和减少厚度方向发展，品种朝多样化发展。彩色面砖日益增加，釉面花色图案的品种也愈来愈多。从图像处理的角度来看，墙地砖的图像不再是单一均匀的颜色，而是各种带纹理的多种颜色混合的复杂图像。这无疑给缺陷识别工作提出了新挑战。在单色和带纹理的瓷砖表面最常见的结构性或有碍观瞻的缺陷可归结为如表 1。表 1-1 墙地砖常见缺陷种类缺陷种类 规格尺寸裂纹: 裂缝、凹槽、龟裂、刮痕 尺寸为十分之几mm一几cm凸块: 印花表面的凸起 尺寸为十分之几mm一几mm凹陷: 纹理印花表面的圆形凹陷 直径&5n-1m孔穴: 针孔、气泡、凹口 0.25mm以上污物: 灰尘、釉料渣 尺寸为十分之几mm一几cm釉滴: 印花时产生(常为圆形) 尺寸为十分之几mm一几cm水滴: 形状不规则 尺寸为几mm一几cm色彩: 各处颜色的小斑点 尺寸为十分之几mm一几cm纹理: 纹理图案中不协调的斑块 尺寸为十分之几mm一几cm1.4.1 国外的研究现状在国外，近年的自动检测与分拣技术发展迅速，已有一系列相关的研究成果问世，最为成功的是英国的 Surface Inspection Limited 公司。该公司自 1987 年在英国伦敦成立以来，一直致力于瓷砖的表面检测。其研制的瓷砖自动检测系统Flawmaster 3000[1]目前已经有200多套在欧洲和美国安装使用。该系统的检测速度每小时 500 平方米，也就是说对于15cm×15cm 的砖，每分钟能检测 200 块；30cm×30cm 的砖，每分钟能检测 93 块。砖的尺寸由 100cm×100cm 到 600cm×900cm 不等。该系统能对市场上绝大多数品种的瓷砖进行缺陷检测和色彩分级，能根据厂家自己的标准给每个质量等级设置每种缺陷的最大限制，并且需要的话，这些限制可以由专业人员进行在线调整。意大利所设立的项目 ASPECT（Automation Selector Processing for Ceramic Tiles）[2-3]，在瓷砖的检测方面也取得了一些成绩。它采用的是神经网络模式分类，通过网络的自学习找到不同模式的特征信息进行分类。同时，考虑到模式对象之间的界限是不明确的，即这些对象之间不是非此即比的关系，而是模糊的关系，引入了模糊算法。
1)探讨了图像采集过程中照度在时间和空间上的变化问题，并提出了校正方法；2)对缺陷划分不同的类别，针对几种常见类型的缺陷提出了相应的检测算法。他们与法国、意大利合作研制的系统 ASSIST 采用了三个 CCD 摄像头，其中两个高分辨率黑白线阵 CCD 用来检测各种缺陷，一个高分辨率彩色线阵 CCD 用来检测颜色以及进行颜色分类。该套系统已能成功地检测单色及颗粒状纹理砖面的各种缺陷，如崩边、裂纹、斑点等，但对采用丝印技术上釉的其它纹理砖面的缺陷识别则不成功。该系统提供的分类590 年代以来，各主要陶瓷生产国在这方面进行了大量的研究和开发。在建材的在线检测方面，国外已有多个公司开发了同类产品，如意大利某公司出品的瓷质建材在线自动分拣、包装线和德国 P+F 公司的建材尺寸在线自动检测系统，但其产品对墙地砖生产厂的生产条件、产品质量有较高的要求，设备功能较为简单，要求被分类的墙地砖的“色号”少，色差大。而国内陶瓷企业由于瓷土配料、生产工艺、流程控制等方面存在国情上的差异，导致该类机器无法适应国内墙地砖花色品种繁多，质量参差不齐的“复杂”局面。曾经有几家企业花费上百万美元引进了墙地砖的自动检测分拣系统，可由于上述原因纷纷闲置起来。目前已没有一家使用国外引进的在线自动检测分拣系统。而墙地砖的外观质量检测方面的成熟产品在国内是一片空白。鉴于以上原因，很有必要研制一种适合我国国情的墙地砖缺陷的智能检测系统。
1.3 课题研究的目的及意义本课题研究开发的墙地砖缺陷智能检测系统可应用于各种地面砖、内外墙砖的实时在线全数质量检测。由于完全靠人工进行墙地砖颜色分类存在检测结果主观性比较强这一主要问题，而且检测工人的劳动强度非常大，连续长时间的高强度劳动使得工人十分疲劳，容易出现检测错误，造成产品出厂质量降低，市场竞争力减弱，同时也带来了用户对生产商的投诉和厂方的赔偿。本文研究出基于计算机视觉的墙地砖缺陷的自动检测算法，同时利用图像识别技术进行尺寸偏差、变形与表面质量检测。不仅可以节省劳动力，减轻工人劳动强度，而且还可以提高检测结果的一致性，减少厂方的经济损失。另外，对于提高我国墙地砖行业的整体自动化水平和推动其它相关行业颜色检测技术的发展也将起到很好的推动作用。
1.4 国内外的研究现状在墙地砖的每个生产环节中均会产生特定的缺陷，因此质量检测在每个生产环节中都要进行，以保证最终产品的质量，降低最终产品的缺陷率，提高出厂产品的质量，节省成本。但由于陶瓷产品的生产特性所决定，很多缺陷在前期无法或很难检出，因此成品质量检测成为质量控制的最为关键的步骤。墙地砖成品的主要外观缺陷分为尺寸和表面两个方面。目前，产品质量评价标准也相应分为两种：一是采用专用量具进行测量，检测结果以标准值及误差值的客观方式给出，尺寸方面的缺陷以这种方式为主；二是采用目测的方式，表面缺陷主要采用这种方式，但这种方式缺乏客观性，检测结果很不稳定，也不可靠，因此急需客观化，数量化。根据产品尺寸和表面缺陷，可将其分级为：一等品(没有或只有极少的可接受的缺陷)；二等品〔有较少可接受的缺陷)；废品(有不可接受的缺陷)。
4图 1-1 模式识别系统的基本组成传统的模式识别技术一般可以概括为两类：统计模式识别和句法模式识别。统计模式识别是基于模式的有效特征，利用决策理论划分特征空间的方法来进行分类的，所使用的特征一般都是有效的测量数值，或者是经过变换而提取的数值特征。句法模式识别主要依赖模式的结构信息，利用形式语言理论进行分类，更适用于景物图像的分析和识别。目前，统计模式识别在各研究领域得到了较为广泛的应用。随着模式识别技术的不断发展，模式识别越来越多地应用于复杂、难以完整表达、甚至还没有得到有效的科学解释的问题。按照传统的模式识别方法，对这一类问题很难进行一般的特征提取工作，从模式空间到特征空间的映射也十分困难；而且，这些任务都十分的复杂，必须同时考虑相当多的因素，在众多的可能性中做出准确的判断，传统的模式识别方法采用顺序的、离散的符号进行推理，即使计算机的速度再快也难以实现，甚至对于很多实际问题根本不存在串行的算法。面对传统模式识别方法的这些困难，人们自然会要求一种新的模式识别方法，它必须具备自学习、自组织、自适应的柔性处理能力，而且必须具备高度的容错冗余性，具有并行计算的能力。由此出现了以神经网络模式识别技术为代表的人工智能模式识别技术。神经网络模式识别方法是 20 世纪 80 年代兴起的模式识别领域的一个重要研究方向，它是神经元网络技术在模式识别领域的重要应用。神经网络模式识别方法能够实现计算理论层次上的模式识别理论所无法完成的模式信息处理工作，突破了传统模式识别技术的局限，开辟了模式识别技术的新途径，因此神经元网络技术极大地推动了模式识别技术的发展。
1.1.2 图像模式识别技术的研究现状和发展所谓图像模式识别就是以图形、图像为对象的模式识别。从 20 世纪 60 年代开始，由于第三代计算机的出现，及快速傅里叶变换的发现和应用使得对图像的某些计算得以实现。数字图像处理是指将图像信号转换成数字格式并利用计算机对其进行处理的过程及技术。早在 1964 年，美国喷气推进实验室利用计算机对太空船发回的月球图像进行处理，收到了明显的效果，不久数字图像处理作为一门学科诞生了。在 70 年代，图像技术有了长足的发展，第一本图像处理的专著[Rosenfied1976]得以出版。80 年代，能进行图像处理硬件的相继出现，促进了 ZD 和 3D 图像处理的发展，90 年代以后，图像技术已逐步深入特征选择和提取信息获取 预处理分类器设计分类决策类别输出2论述了模我国墙地砖的发展现状，以及基于视觉的产品表面检测技术研究概况，分析了墙地砖计算机质量检测的研究与发展状况，从而表明了本课题研究的实际意义和迫切性。
第二章 墙地砖图像的采集及预处理本章详细讨论了图像的获取和预处理过程。本章中分别采用图像平均法和中值滤波法对采集到的图像进行去噪处理。由于采集到的图像中除了砖块外还包含背景，而研究的目标只是砖块，因此需要将砖块部分从图像中提取出来。本文采集图像时使用的是单色的深背景，与砖块部分的亮度对比较大，针对具有复杂图案的墙地砖，分别采用差分投影和灰度门限两种方法进行目标图像的提取。
第三章 墙地砖缺陷的特征提取本章采用了共生矩阵和差分矩阵以及用共生矩阵纹理特征与颜色特征三种方法进行墙地砖颜色纹理特征提取。提出新的特征提取的算法，采用共生矩阵纹理特征与颜色特征构造一个判断矢量，原理上能对各种类型墙地砖进行质量检测，初步的实验证明该算法是可行的，但目前识别率还不是很高，而且识别的时间较长。因此，如何提高识别率和识别速度还有待进一步研究。该方法能提供丰富统计信息，但所要求的计算量太大，限制了它的应用。第四章 墙地砖缺陷的识别本章研究了墙地砖缺陷的识别算法。鉴于神经网络具有较好的自适应性、强有力的学习算法、强大的并行处理和非线性处理能力、良好的容错性与联想记忆能力等优点，选用目前使用最广泛的 B-P 神经网络进行缺陷识别。
首先介绍了 BP 神经网络的结构和最速下降算法的原理，并对三种特征提取的结果进行比较分析，证明本文提出综合共生矩阵与颜色特征提取方法的有效性。第五章 总结与展望本章对全文研究的主要内容进行了总结，并对于以后墙地砖缺陷的研究的几个方面提出了设想。8算法主要基于颜色直方图，对于单色及种类较少的混色砖较为适用，但对纹理较复杂、颜色较多地砖则效果较不理想。在纹理分类方面,Kim[4]提出的直方图交叉分类方法和 George［5］等人提出的直方图比率特征分类方法都是利用图像单一的直方图统计信息,从不同侧面得到图像的纹理特征,并应用 Euclidean 相关度量方法对纹理特征进行分类; Dekker Robb.J 与 Cline Tison［6-7］等提出的基于统计的分类算法根据不同性质图像区域的统计特性差异进行分类，由于统计方法忽略了图像的空间分布特性,所以往往得不到满意的分类结果;Hocenski Z.F［8］.等人提出的利用神经网络对瓷砖的图像数据进行预处理和分类的方法，采用神经网络对特征进行生成和选择，并且通过对图像数据的预处理来减少输入的数量。这种方法不仅能检测到瓷砖表面的常见缺陷，而且能够分析出新种类的缺陷及不可预测的缺陷。1.4.2 国内的研究现状国内在这方面的研究起步较晚。山东理工大学邢希东老师等自 1997 年开始，进行智能全自动墙地砖分拣机的研制，已发表多篇文章，内容涉及墙地砖图像的快速中值滤波[9]和边缘检测[10]、墙地砖色差的计算机视觉检测[16]以及波水算法用于墙地砖表面缺陷检测[11]。
其中，文献[12]在研究墙地砖色差特性的基础上，根据表面颜色色相值是否在给定区间，判别色差要求是否合格。遗憾的是文中没有提供实验结果证明。2002 年，广东省佛山市的康思达液压机械有限公司与华中理工大学研制了能进行墙地砖几何尺寸、色差、缺陷等计算机检测与分类的装置，该装置用计算机配上一些外围设备，能较好地自动对墙地砖的几何尺寸、缺陷等进行检测与分类。但是，由于墙地砖色彩与花纹图案的多变与复杂性，特别一些墙地砖还带有随机花纹，识别的难度很大。因此，该装置尚只能对一些单色或花纹十分简单的墙地砖进行颜色的检测与分类。华中科技大学的罗玮[13]研究彩色瓷砖的自动分类系统。华中科技大学的戴勇[14]的硕士学位论文提出了一种基于最小错误率判决规则和最小风险判决规则的等级分类方法，降低了分类复杂性，提高了系统的实时性。戴哲敏[15]了一种瓷砖表面颜色匀度的分析方法—计算机视觉分析方法。在数字图像采集及图像处理基础上，利用提取的图像色彩特征值建立了瓷砖表面颜色匀度的计算机视觉检测模型，对匀色瓷砖的颜色匀度采用灰度处理后的直方图、均方差和梯度法进行分析研究，并对各方法的优缺点进行了理论分析及实验验证。另外，从网上获知又欧汝登申请的专利[16-18]涉及一种墙地砖颜色、纹理、花色图案色差检测装置。另外，沈阳建筑大学的李孟歆[19]，东北大学的吴成东[20]等人也对墙地砖的几何尺寸、色差、缺陷等计算机检测与分类进行了研究，提出了一些检侧与识别墙地砖颜色的算法，但尚未应用到实际。根据了解，佛山某公司研制的“瓷质建材等级自动分拣系统”已经通过鉴定，其中建材定位检测分拣装置已申请了专利[21]。
系统主要针对单色砖、麻地砖和带有规则花纹图案的地砖，能自动检测外观尺寸和表面疵点，并对彩色地砖进行颜色分级。在实际应用中，据用户意见，该系统虽然提高了对尺寸、形状的分拣精度，但对于花色图纹复杂多变的瓷砖6则分拣效果不理想，而且系统对粉尘大、振动大的现实生产环境还有不稳定现象。因此，为了使该系统能适应检测复杂、多变的墙地砖，还需要进一步提高分类器的性能。从以上情况看，国外在瓷砖的颜色检测与分级方面的研究起步较早，研究也较深入，但国外研制的产品并不适合国内。在国内，虽然已有墙地砖色彩、纹理、花色图案的自动分拣系统的文献和专利报道，但目前暂无可以在生产上可靠且能广泛应用的墙地砖表质量检测与分拣的自动化技术与装置。
1.5 本文研究内容及结构安排
1.5.1 主要研究内容本论文以墙地砖的缺陷检测技术为研究内容，结合图像处理和模式识别方法，在图像的去噪预处理、墙地砖的特征提取、应用改进的 B-P 神经网络进行墙地砖自动质量检测，进行了深入的研究，取得了一些有益的成果。1）根据采集到的墙地砖图像的特点(形状为矩形，背景图像灰度均匀且与墙地砖图像相比存在较大的对比度)，提出了墙地砖目标图像提取的两种快速有效的思路和方法实现。选择差分投影法完成了对墙地砖图形的有效提取，并指出了采用片分投影法进行有效目标提取时应注意的问题和采取的措施。2）采用了共生矩阵和差分矩阵以及用共生矩阵纹理特征与颜色特征三种方法进行墙地砖颜色纹理特征提取。其中共生矩阵方法描述了图像纹理中灰度级的空间依赖关系，它首先建立一个基于像素之间方向性和距离的共生矩阵，然后从矩阵中提取有意义的统计量作为纹理特征。由于它既考虑了位置关系又考虑了像素灰度级的关系，因此其数据可以准确评价出墙地砖之间的细微差别。3）提出新的特征提取的算法，采用共生矩阵纹理特征与颜色特征构造一个判断矢量，其中有六个分量是由共生矩阵构造的纹理特征，另外六个分量分别为 R、G、B 三种基色的均值和方差，原理上能对各种类型墙地砖进行质量检测，初步的实验证明该算法是可行的，但在神经网络的训练过程中，花费的时间比较长，当时正确率比较高，因此，如何提高识别速度还有待进一步研究。该方法能提供丰富统计信息，但所要求的计算量太大，限制了它的应用。4）应用改进的 BP 神经网络墙地砖进行了自动质量检测研究。这些方法为随机纹理多色墙地砖的自动质量检测提供了新思路和解决手段。
1.5.2 本文结构安排本文的结构安排如下：
第一章 绪论
2.1.3 图像采集卡图像采集卡用来将摄像机输出的视频信号采集到计算机内存中进行处理和分析，而高级的采集卡将很多无法用内存达到实时的图像处理基本方法做成专门的芯片集成到采集卡上，大大加快了处理速度。一般的采集卡都有配套的图像处理平台用来实现一些基本的图像处理方法并为进一步的处理提供编程接口。更有一些强大的配套软件提供了更为丰富强大的图像处理能力和接口能力，使得用户可以节约大量用于编程的时间而专心于图像分析工作。墙地砖的在线检测系统要求采集到的图像能清晰、正确、稳定地反映被测砖的视觉信息，尤其是颜色的保真度是决定产品分类正确性和可靠性的决定性因素。因此要求采集卡空间分辨力高、灰度精度高、处理速度快、有良好的颜色校正能力等。在单独考虑了照明系统、摄像机和图像采集卡的性能参数后，还要将它们结合为一个整体来进行全面考虑方能得到最后的良好的图像质量。例如照明系统的设计和摄像机参数标定的结合必须使得摄像机能稳定地工作在其工作范围内，采集卡的采集速度必须与摄像机的快门速度配合以防图像出现拖影等。必须经过重复大量的试验验证整个设计方案的稳定性和可靠性。
2.2 图像的增强数字图像生成的过程中，因为各种因素的影响，图像的质量会有不同程度的降低。因此可以通过图像增强采用一系列的技术手段，来改善图像的视觉效果，或者转换为更适于人眼观察或机器分析的形式。但是由于图像的视觉质量并没有一个统一的客观标准，所以要求使用者进行主观评价。因此图像增强技术往往具有针对性，如果根据先验知识使用几种不同的技术的组合或者使用人机交互的方法微调运算参量也可以达到事半功倍的效果。图像增强的过程基本上分为空间域处理和频率域处理两大类。所谓空间域处理就是在原图像上直接进行运算，被操作者是像素的灰度级，它又分为两大类：对图像逐点处理的点运算和与像素邻域有关的局部运算。频域运算建立在傅立叶变换之上，增强感兴趣的频率分量，然后进行逆傅立叶变换，得到增强后的图像。
2.3 图像的噪声处理良好的预处理可以有效地保持图像信息，使得后续阶段提取的特征能够更好地代表待识别模式。从摄像头获得的图像由于转化过程中电磁特性影响以及外界环境的影响，使图像退化变质或含有噪声，因此需要平滑滤波处理。由于噪声源众多(如光栅扫描、底片颗粒、机械元件、信道传输等)，噪声种类复杂(如加性噪声、乘性噪声、量化噪声等)，所以平滑方法也多种多样。常用的去噪平滑方法分频域和空域两类。对频域法而言是以滤除高频信号(噪声)达到平滑图像的目的，退化图像一般表示为传递函数与原始图像卷积后与噪声量的叠加，而反过程就是平滑过程，因此计算工作量大，处理一幅图像需要几秒甚至几10分钟的时间，不适合实时应用场合。空域法主要是在空间域内对像素灰度值直接运算处理，如图像的灰度变换、直方图修正、图像的空域平滑和锐化处理、伪彩色处理等。因此，空域法相对而言计算量小，处理速度快。对于墙地砖的自动质量检测，当对裂纹、泡点、凸块和凹陷等常见表面缺陷的检测时，用灰度图像就可以进行处理。而对色彩缺陷检测以及色差分类等，就需要对彩色图像进行处理。由于图像是在特定环境以及实时状态下采集的，需要对墙地砖的灰度图像和彩色图像进行快速有效的预处理以便为后续处理提供良好的图像特征。
对预处理的算法的要求是:1)滤波时不要破坏图像重要的边缘信息。2)滤波后的图像要保持清晰，不破坏视觉效果。3)处理时间短，速度快等。本文主要采用两种方法来改善随机性噪声：图像平均法和中值滤波法。1)图像平均法通过长期观察和实验，人们已经认识到图像采集中由电子元器件产生的通常是一种高斯噪声，因此用图像平均法可减轻这种噪声的影响。设对某块砖连续拍摄了 n 幅图像，则去噪后的图像由式(2-1)得到1( , ) ( , )niif x y g x yn= ∑(2-1)其中， ( , )ig x y 表示拍摄的第 i 副图像。可见随着平均图数量 n 的增加，噪声在每个象素位置的影响逐步减少。2)中值滤波法中值滤波是一种非线性平滑滤波器，其工作步骤如下：a 选取适当尺寸的模板，将模板在图中漫游，并将模板中心与图中某象素位置重合；b 读取模板下各对应象素的灰度值；c 将这些灰度值从小到大排成一列；d 找出这些值里排在中间的一个；e 将这个中间值赋给对应模板中心位置的象素。由以上步骤可以看出，中值滤波器的主要功能就是让与周围象素灰度值的差比较大的象素改取与周围象素值接近的值，从而可以消除孤立的噪声点。由于中值滤波不是简单的取均值，所以产生的模糊比较少，从而可以达到既消除噪声又保持图像细节的效果。中值滤波的模板形状可以有多种，如线状、方形、十字形、圆形、菱形等。不同形状的模板产生不同的滤波效果，必须根据图像的内容和不同的要求进行选择。一般来说，方形或圆形模板适合外廓线较长的物体图像，而十字形模板优选于有尖顶角物体的图像。
11第二章 墙地砖图像的采集及预处理一般图像的预处理都是假定被拍摄对象在均匀照度情况下所获得的图像，而实际上光的照射往往是不均匀的，有时是光动态范围过大而使图像看不清楚，或使图像的分辨灰度细节不明显。另外，由于外界噪声的干扰，也需要通过处理剔除噪声。图像的预处理过程一般主要包括:图像的平滑、图像变换、图像增强、特定区域的提取等。图像预处理的目的在于：1)将图像转换成一种更适合于人或机器分析处理的形式。2)采用一系列技术改善图像的视觉效果，提高图像的清晰度，提高图像的分辩灰度细节。图像处理目前还缺乏统一的理论，处理的方法往往具有针对性，处理的结果也只是靠人的主管感觉加以评价。因此，图像处理的方法只能有选择地使用。
2.1 图像的采集
2.1.1 光照系统光源定义为能在传感器上产生光电变化的能量辐射源。日光是最常见的光源，其光谱分布受时间、场地、气候的影响很大，而同一物体在照明光源变化时呈现的颜色也不相同，因而日光并不是适合表面颜色检测的理想光源。图像检测系统中，人们常用的光源还是人造光源。现将常见的几种照明光源的特性列表总结如下。在颜色分类系统中，对光源光通量的波动性和光源显色性要求严格。光源波动性越小越好，波动性小意味着稳定性好。显色指数大，意味着显色性好，不会有较大的颜色失真。气体放电光源的显色指数能达到 70 以上就算不错了，超过 80 就应该是理想光源;而对于热辐射光源来说，因为它们是工作在全光谱波段，这种灯的显色指数在 90 以上是十分正常的。除此以外，光源的选择还要考虑光源的形状、发热量、寿命以及价格适中等因素。
2.1.2 摄像系统目前工业检测中使用最为广泛的是 CCD 摄像系统。CCD 摄像系统由 CCD 像感器和镜头组成。CCD(Charge Coupled Device)是一种将光信号转换为电荷信号的固体光电图像传感器。由于其轻巧、灵敏、分辨率高、数字化性能好等突出优点，目前在各个行业得到了广泛应用，并随着技术的不断改进有望得到更进一步的发展。镜头则是一种光学系统用来将被测物体成像于 CCD 的光敏面上。摄像机的工作原理是通过照明系统提供的光源，光学系统将被测物体成像于 CCD 的光敏面上，CCD 将光敏面上接受的光信号转换为电荷信号，再通过外部控制电路实现电荷的存贮、转移和检测。对于集成了数字处理功能的 CCD 摄像机，则再通过 A/D 转换得到数字化图像。92.4 背景去除在墙地砖的缺陷检测中, 通过 CCD 摄像头拍摄到的图像中除了待检测的墙地砖外,一般还有背景存在, 而我们感兴趣的只是砖的图像, 因此需要采用有效的分割方法将图像中砖所在的部分从含背景的图像中提取出来, 这是图像分割的问题。图像分割是由图像处理进到图像分析的关键步骤。图像分割的基础是像素间的相似性和跳变性。所谓相似性是指在某个区域内像素具有某种相似的特性, 如灰度一样,纹理相同;所谓跳变性是指特性的不连续, 如灰度值突变等。相应地, 分割算法可分为两大类：利用区域间像素特性的不连续性的基于边缘的算法和利用区域内像素特性的相似性的基于区域的算法。每一类又有很多不同的方法。在实际问题中, 采用哪种算法比较好, 需要具体问题具体分析。这里, 考虑到待检测的墙地砖为矩形, 而且采集背景可以人为设定,墙地砖目标图像的提取可以从两个方向出发: 第一, 利用投影法搜索矩形的四条边, 将砖从背景中提取出来; 第二, 利用目标和背景区域的灰度差别, 通过灰度门限法进行区域分割。本文中以实际采集到的墙地砖样本为例, 采用灰度门限法进行了实验分析。
2.4.1 基于投影的墙地砖边界提取由于墙面砖的形状为矩形，墙地砖目标图像提取可以简化成求两对平行线位置和方向的问题。部分文献提出的基于边缘图像的投影法就是这种思想的体现。首先检测图像边缘并转化为二值图像，然后沿一直角坐标系的两条轴求和，根据四个峰值找砖的四条边，四条边的内部便是我们感兴趣的区域。该方法的有效性依赖于两个方面:1)砖的摆放位置是否与水平方向重合；2)边缘检测时能否设置好合适的闽值，完整地提取出目标图像的四条边。在实际检测中，砖的摆放位置可以通过机械定位装置来实现。但边缘提取的完整性往往难以得到保证。图 2-1 所示是 CCD 摄像头采集到的经过去噪处理后的墙地砖样本图像以及用边缘检测算子的检测结果。当墙地砖样本图案较为复杂时，特别是含线条比较多时，由于样本的四条边提取不完整，加上内部边缘的干扰，基于边缘图像的投影法很难将墙地砖的四条边准确定位出来。差分投影法虽然也利用了待提取目标的矩形形状信息，通过搜索矩形的四条边来提取目标图像，但差分投影法无需进行边缘提取，因而避免了边缘提取过程中闭值的设置问题。它首先求取灰度图像沿水平方向和垂直方向的差分，然后将差分图像分别按水平和垂直方向投影。如果所采集到的图像背景颜色均匀，且与目标图像存在较大的灰度对比度，水平(垂直)差分图像沿水平(垂直)方向的投影在边界处应该取值最大。根据这个道理，搜索投影的峰值便可以寻找到目标图像的四条边，四条边的内部就是我们感兴趣的区域。
推荐给朋友
高校论文写作辅导及管理产学研项目共同体 通远科技
北京通远云搜科技有限公司