基于神经网络PS版瑕疵分类算法研究.pdf

《基于神经网络PS版瑕疵分类算法研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、分类号：TN219UDC：密级编号基于神经网络PS版瑕疵分类算法研究RESEARCHONNEURAL．NETWORK．BASEDFLAWSCLASSIFIERALGORITHMFoRPSPLATE学位授予单位及代码：量查堡工盘生f!Q!竖2学科专业名称及代码：攫基丝型生智能丕缝!塑!!Q12研究万问：攫基型型皇圈盟处堡申请学位级别：亟±指导教帅：墅盘拄熬塑研究生：奎旦蝗论文起止时问：2QQ!：!!二垫!Q12长春理工大学硕士学位论文原创性声本人郑重声明：所呈交的硕士学位论文。《基于神经网络Ps版瑕疵分类

2、算法研究》是本人在指导教师的指导下，独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不包古任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体，均己在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。作者繇批塑1年土月旦R长春理工大学学位论文版权使用授权书本学位论文作者及指导教师完全了解“长春理工大学硕士、博士学位论文版权使用规定”，同意长春理工大学保留并向中国科学信息研究所、中国优秀博硕士学位论文全文数据库和CNKI系列数据库及其它国家有关部门

3、或机构送交学位论文的复印件和电子版，允许论文被查词和借阅。本人授权长春理工大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，也可采用影印、缩印或扫描等复制手段保存和汇编学位论文。作者签名：乏i毖—20—11年—卫月三Lf导师签名盟年—L月三生日摘要随着神经网络及相关技术的发展．检测分类技术越来越多的应用于复杂材料表面的自动瑕疵检测中。在Ps版表面瑕疵检测中．为了提高生产线的速度与缺陷的检测准确率，并实现对生产线缺陷的实时控制，机器视觉在成本、速度方面远比人类优秀。利用机器视觉技术进行表面瑕疵检

4、测与分类．具有检测准确、缺陷识别范围较广、可靠性高且高效等特点，是目前表面瑕疵无损检测领域研究的热点。根掘Ps版的特性，针对其表面的瑕疵检测问题，本文提出了一种基于改进的BP神经网络的瑕疵分类方法，先对图像进行匹配后做归一化处理，从而去除了外界环境对图像造成的影响，再把图像划分成子块，提取子块的梯度直方图作为特征向量．提取后的特征向量作为神经网络的输入。BP神经网络是最新发展起来的使用最广泛的分类方法之一。它避免了其它神经网络容易出现的过学习问题，可以有效地解决分类问题。并针对BP算法的缺陷，使用动态改

5、变学习速率和加动量项的方法进行了改进，有效提高了瑕疵的查全率和查准率。关键词：瑕疵检测分类BP神经网络图像预处理Canny算法ABSTRACTWiththedevelopmentofNNandrelatedtechnologytheclassificationandmeasuremethodhasbeenmoreandmoreusedlnthedetectionofcomplexmaterialInthepresensitizedplatesurfjcedefectdetection．inorderto

6、increaseproductionlinespeedandaccuracyOfdefectdetectionanddefectproductionfinestoachievereal—timecontr01．machinevisionisbetterthanthehumanintermsofcostandspeedUsingmachinevisiontechnologyforsurfacadefectdetectionandclassificationthefeaturesaieadetectiona

7、ccuracy．awiderangeofdefectrecognition，highreliabilityandefficientItisahotpointinthesurfacedefectnondestructivedefectionofresearchfieldAccordingtothecharacteristicsofpresensitizedplateforitssurfacedefectdetection，thispaperpresentstheimproveddefectidentifi

8、cationmethodbasedonaBPneuralnetwork，atfirstdotheunitarydisposeoftheimageaftermatch．avoidtheexternalenvironmentimpacttotheinaage．thentheimageisdividedintosub—blocks．sub-blockextractingthegradienthistogramasthefeaturevectors