基于菌群算法的纸病检测系统光源优化控制

针对纸病检测系统中线性LED光源照射效果不均匀以及光源控制中的耦合问题,介绍了以被检测纸病图像灰度的均匀度为优化目标,在拟合LED点光源照度分布函数的基础上,利用菌群算法对光源系统参数进行寻优运算,并根据寻优结果对光源系统进行结构优化,同时对各LED点光源进行功率控制。实验结果表明,优化后光照均匀度在95%以上,该方法实现了照明系统对纸张缺陷均匀照射的效果,成像质量显著提高。     

基于机器视觉的纸病诊断系统光源设计方案研究

光源是基于机器视觉的纸病诊断系统中重要的部件之一。本课题围绕纸张的光学特性和光源特性开展研究,分析二者的特点,探索二者之间最佳的配合关系,并通过实验及系统运行表现确定相匹配的光源模块。结果表明,本课题设计的光源,在对低速窄幅纸机进行图像采集时,系统采集到的正常纸张图像背影灰度均匀、目标对比度较高。     

基于多尺度冗余字典稀疏分解的纸病图像背景补偿方法

对于纸病检测中纸张图像背景不均匀以及图像灰度特征不明显等造成纸病测量精度低的问题,建立多尺度冗余字典,采用正交匹配追踪算法(OMP)对纸病图像进行稀疏分解,并根据纸病背景图像和纸病图像不同形态特征,对背景进行补偿,从而增强纸病特征。实验表明,该方法能够有效地重构并补偿纸病背景图像,突出灰度特征较弱的纸病,提高纸病检测的准确性。     

基于近场均匀照明的纸病检测系统光源优化方案

针对纸病检测系统中采集到的图像存在横向灰度不均匀现象,基于几何光学辐射照度理论,围绕纸病检测系统光源模块照射到被检测纸张上的照度均匀分布问题开展了应用技术研究。依据斯派罗法则,确定了光源模块中LED灯珠间的最优距离函数;从机器视觉的角度出发,利用实验法确定了光源阵列中不同位置灯珠的功率优化函数;采用图像灰度均匀度指标,对光源的改进效果进行了验证。结果表明,本优化方案可以将获取到的图像灰度均匀度由优化前的57. 8%提高到98. 6%,有效地提高了纸张的成像质量,可降低后期的图像处理难度,有望提高应用程序的执行效率。     

基于CNN的深层次特征提取纸病辨识方法研究

针对当前纸病检测方法中纸病特征量难分离以及难点纸病特征量难构建的瓶颈问题,提出基于卷积神经网络（CNN）的纸病辨识方法。该方法根据纸病图像的特点设计了纸病检测的CNN结构,在此基础上利用CNN自动提取纸病图像的深层次特征,结合Softmax实现对纸病的辨识。实验结果表明,基于CNN的深层次特征提取纸病辨识方法优于现有的纸病检测方法,能够对包括难点纸病在内的各种纸病进行精确辨识。     

基于工业相机+FPGA+计算机模式的纸病二次辨识方法

为切实有效解决既有纸病检测系统数据处理不到位等一系列问题,基于工业相机+FPGA+计算机模式提出了纸病二次辨识方法,具体即FPGA通过纸张图像预处理、纸病粗略判断、提取疑似纸病区域、传输疑似纸病区域于计算机等程序,负责完成纸病一次辨识;再由计算机通过多特征量提取、以自适应神经模糊推理系统精确辨识纸病等流程,负责完成纸病二次精确辨识。结果表明,此方法不仅纸病辨别准确率高且具备一定鲁棒性;基于FPGA系统并行算法不仅可迅速实现图像一次辨识,还可显著提升后续计算机的图像二次辨识速度,从而将进一步提高纸病标识与产品复卷剔除的精确度。     

基于SVD和SVM的复杂背景噪声图像的纸病辨识

针对纸病图像的复杂背景噪声造成的纸病辨识结果不理想的问题,提出一种基于奇异值分解(SVD)和支持向量机(SVM)的纸病辨识方法：首先利用多层二维小波对纸病图像背景噪声去噪,然后用SVD对纸病进行特征提取,最后采用SVM对纸病进行辨识。实验结果表明,该方法可以有效辨识纸病,且不受实际生产过程中图像复杂背景噪声的影响。     

基于自适应神经模糊推理系统的纸病二次辨识

针对造纸生产线上宽幅高速纸机纸病检测系统快速性和精确性的挑战,提出"工业相机+FPGA(Field-Programmable Gate Array)+计算机"模式下的基于自适应神经模糊推理系统的纸病二次辨识方法。使用CCD相机采集纸张图像,通过FPGA完成图像预处理和一次辨识(粗辨识+过辨识);计算机通过自适应神经模糊推理系统(ANFIS)对疑似纸病区域二次辨识(精确辨识),判断出纸病和种类。实验表明,该方法能够准确地辨识各种纸病。     

基于FPGA的纸病提取系统的设计

研究并设计了一种基于FPGA的纸病提取系统,实现造纸过程中纸病部位图像的提取。通过FPGA内部硬件电路进行图像采集、预处理和纸病提取,借助NIOS II软核处理器实现纸病数据的发送,使用计算机从网络接收数据并重组图像,最后得到只含有纸病部位图像的数据。该系统可根据不同的纸机要求灵活配置,在不影响整体性能的前提下,增强系统数据处理能力。经测试,该系统能够稳定可靠地实现纸病提取功能,与纸病识别系统相结合即可实现纸病检测,为纸机的日常维护提供保障。     

基于几何及灰度特征的纸病检测算法研究

针对当前纸病在线检测系统实时性强和信息量大的特点,提出了一种高效、灵活的基于几何及灰度特征的纸病检测算法.首先采用邻域均值法对纸病图像去噪,然后根据灰度直方图选取合适阈值将图像二值化,并运用边界跟踪法检测出纸病边缘,最后提取出纸病的几何及灰度特征并分析其特征量将纸病分类.按照该算法依次对常见5种纸病进行检测,结果表明,基于几何及灰度特征的纸病检测算法能够准确地检测并分类常见纸病.     

基于机器视觉的鲍鱼风味片残次品在线检测方法

目的:解决鲍鱼风味片在生产过程中出现的边缘残损、内部气孔以及皮料厚度不均匀等外观缺陷自动化检测问题。方法:提出了一种基于机器视觉的在线检测方法。利用机械梳理装置将鲍鱼风味片整理成单层阵列排布;采集图像后,选择图像分割、灰度值拉伸、轮廓边缘提取等方法进行图像处理;利用外轮廓圆形度特征完成边缘残损检测,通过测量皮料厚度完成皮厚异常检测,通过计算气孔面积,完成气孔检测。结果:该在线检测方法对边缘完整度缺陷的检出率为100%,皮厚度异常缺陷检出率为100%,气孔缺陷的检出率为98.65%。结论:该方法具有较好的应用性,能够实现鲍鱼风味片残次品的在线检测。     

基于位平面的纸病检测算法研究

针对当前纸病检测算法存在抗干扰能力差、定位不准确和运算复杂等问题,提出一种基于位平面的纸病检测算法。首先,采用自适应中值滤波算法对纸病图像进行滤波,然后,对滤波后的图像进行位平面分解,并运用格雷码对位平面加以增强,最后,使用数学形态学对其进行边缘检测,得到最终的纸病检测结果。仿真结果表明：该方法运算简单,能够较好地检测出纸病缺陷,并具有较好的抗干扰性和定位准确性。     

纸病检测方法的研究进展

目前,纸病的检测技术研究主要集中于纸病的智能化在线检测,目的在于开发一套机器视觉系统,应用快速有效的算法,实现纸病的精确检测和定位.目前纸病检测方法分为阈值法、形态学方法、灰度级统计法三类.其中阈值法根据不同的纸病设置不同的阈值,形态学方法采用腐蚀和膨胀的边缘检测算子检测纸病边缘,灰度级统计法利用纸病图像的统计特征检测纸病.文章最后指出随着各种快速算法和高性能信号处理器件的出现,利用频域分析或是频域分析、统计方法和建模法的结合是纸病检测研究的一种趋势.     

基于阈值分割及分形特征的纸病图像识别算法研究

针对脏点、孔洞、褶子和裂口等常见的典型纸病识别问题,在分析纸病图像灰度特征及分形特征基础上,提出了一种基于图像双阈值分割盒维数特征的纸病识别算法,该算法采用灰度阈值分割提取纸病区域及二值数字图像分形盒维数计算结果,确定纸病类型.实验结果表明,该算法识别率较高,且简单迅速.     

基于机器视觉的筒子纱缺陷在线检测系统

为提高筒子纱检测过程的自动化程度,设计了一种基于机器视觉的筒子纱缺陷在线检测系统。该系统由2个工业相机、条形LED光源、对照式光电开关和计算机组成。首先,相机与同步光源分时采集筒子纱顶面和侧面过曝模式及正常模式图像。然后通过对顶面过曝图像自适应分割来定位筒子纱中心。其次,通过极坐标变换展开顶面正常图像。最后,在顶面展开图中,分别利用垂直方向边缘分布的投影特征、纹理及强度一致性、局部方向直方图纹理识别菊花芯、多源纱和网纱缺陷;在筒子纱侧面图中,通过投影法快速确定边界位置,并通过轮廓拟合程度识别多层台缺陷。结果表明,该系统可实时识别多层台、网纱、菊花芯、多源纱等筒子纱缺陷,具有较好的检测效果。     

基于相对总变差模型与自适应形态学的织物瑕疵检测

为解决目前基于图像处理的织物瑕疵检测算法中,因织物纹理的多样性与瑕疵形状尺寸的不确定性所造成的检测效果差的问题,提出一种基于结构-纹理模型与自适应数学形态学的织物瑕疵检测算法。首先采用相对总变差模型对织物图像进行滤波以去除织物纹理,然后在得到的灰度图像上直接进行基于自适应邻域的灰度形态学运算,形态学算子采用开运算算子,最终得到织物瑕疵的增强图像。采用基于相对总变差模型与自适应形态学相结合的方法与2种已知的Gabor算法进行比对,对4类典型织物瑕疵进行检测实验和分析。结果表明,本文方法能更好地提取出织物瑕疵。     

纹理织物疵点窗口跳步形态学法检测

针对纹理织物疵点自动检测时因生产速度快造成的织物抖动以及检测速度难以匹配问题,提出窗口跳步形态学法纹理织物疵点检测算法。使用该算法对图像进行窗口分割及预处理后,首先对纹理织物图像的纹理特征进行分析,然后设计形态学算子进行腐蚀操作,最后使用连通域分析来确定疵点大小及位置。仿真实验及工厂实际应用表明,该算法可有效克服工业生产中纹理织物抖动造成的图像明暗不均,可检测出纹理织物中存在的破洞、经纬疵点、污渍、断线、折痕和结头等各种疵点,而且检测速度明显优于快速傅里叶变换特征点算法以及传统形态学检测算法。实时检测速度超过80 m/min,疵点检测精度为0.1 mm,满足实际生产需求。