论文部分内容阅读
竹席是夏天不可或缺的制品,竹片是制作竹席的原材料,在竹片生产过程中,可能出现外形破损、脏污、竹节等缺陷。目前大多数企业不具备完善的缺陷检测设备,通过人工筛选竹片,机器视觉竹片缺陷检测技术能有效的代替人工,节约检测成本。针对以上要求,本文主要基于机器视觉技术,根据竹片外形缺陷、竹节纹理特征进行竹片分类。主要研究工作如下:(1)提出了基于LAWS的局部二值模式(LBP)纹理特征提取算法以实现竹片判定。研究了基于直方图统计矩、灰度共生矩阵、LAWS和LBP的纹理特征提取方法,在此基础上,提出了一种基于LAWS的LBP的纹理特征提取算法。首先,对纹理图像进行LAWS纹理滤波得到LAWS纹理能量图;然后,对LAWS纹理能量图进行LBP纹理特征描述,分块提取LBP特征谱的统计直方图作为特征向量用于神经网路分类。应用结果表明,新算法对于竹节竹片的分类正确率达99%。(2)设计了竹片外形缺陷判定算法,综合考虑图像的灰度特征信息,研究对比了全局阈值方法和最大稳定极值区域(MSER)方法对竹片的分割效果。最大稳定极值区域相较全局阈值方法分割出的竹片区域边缘毛刺、凸起较少,竹片与背景分割彻底,此外,提取区域与区域最大内接矩形的差分后的四圆弧区域进行椭圆拟合,椭圆长、短轴长度作为形状缺陷判断依据。应用结果表明,最大稳定极值区域分割方法相较全局阈值方法对竹片区域提取较好,四圆弧特征提取在形状缺陷检测效果有一定的提升。(3)设计并实现了全套视觉检测硬件和软件系统,并在客户现场经大批量数据长时间运行测试,设备已运行1年以上。批量抽样测试100000片竹片,将程序筛选后的竹片经人工筛选复检。结果表明,视觉检测系统合格竹片检出率99.5%,竹节检出率99%,外形缺陷99.3%,最大运行时间30ms,实现4通道实时检测,检测速度1200片/分。