第1章 绪论 1
1.1 机器视觉检测概述 1
1.1.1 机器视觉及其系统组成 1
1.1.2 机器视觉的主要应用 2
1.2 板带钢表面质量检测 5
1.2.1 板带钢表面质量检测概述 5
1.2.2 几种典型的板带钢表面缺陷 6
1.2.3 板带钢表面缺陷检测典型方法 8
1.2.4 机器视觉板带钢表面缺陷检测 11
1.3 板带钢质量评价 15
1.3.1 板带钢质量评价概述 15
1.3.2 表面质量评价与综合质量评价 16
1.3.3 板带钢质量评价现状及发展趋势 17
1.4 本书主要内容 18
第2章 机器视觉板带钢表面缺陷检测系统 21
2.1 概述 21
2.2 板带钢表面缺陷检测系统构成 21
2.2.1 基本要求 21
2.2.2 硬件系统构成 21
2.2.3 软件系统构成 24
2.3 检测系统硬件设计 24
2.3.1 板带钢运动系统设计 24
2.3.2 图像传感器的设计选型 27
2.3.3 光源的设计选型 39
2.3.4 传感器与光源布局设计 48
2.3.5 检测系统的硬件拓扑结构 52
2.4 检测系统的软件设计 53
2.4.1 软件逻辑结构 53
2.4.2 软件的功能要求 53
2.4.3 软件的功能结构 54
第3章 图像数据采集与预处理 56
3.1 概述 56
3.2 数据实时采集 57
3.3 图像数据缓存与多线程处理 57
3.4 图像快速检测技术 62
3.4.1 DSP硬件图像快速处理技术 63
3.4.2 基于灰度特征的缺陷图像识别算法 65
3.4.3 程序的执行过程及性能测试 68
3.4.4 系统实时性评价 69
3.5 基于NINE算法的脉冲噪声去除方法 70
3.5.1 脉冲噪声的数学模型 70
3.5.2 去除图像脉冲噪声的NINE算法 70
3.5.3 图像滤波效果的评价 74
3.5.4 实验结果与分析 75
3.6 基于自适应双倒数滤波的高斯噪声去除方法 78
3.6.1 高斯噪声的数学模型 78
3.6.2 双倒数滤波 78
3.6.3 自适应双倒数滤波 80
3.6.4 实验结果与分析 81
3.7 基于小波各向异性扩散的纹理背景去除 86
3.7.1 非线性各向异性扩散滤波 87
3.7.2 基于小波各向异性扩散的图像滤波方法 88
3.7.3 实验结果与分析 92
3.8 基于总变分模型的图像光照归一化 93
第4章 多域图像信息采集与处理 96
4.1 概述 96
4.2 板带钢表面多域图像信息采集系统 97
4.2.1 照明方式对缺陷检出的影响 97
4.2.2 多域图像采集方法 99
4.2.3 多域图像采集系统 99
4.3 板带钢表面缺陷图像的配准方法 100
4.3.1 图像配准方法 100
4.3.2 基于缺陷子图的互信息图像配准方法 102
4.4 板带钢表面多域缺陷图像融合方法 110
4.4.1 板带钢表面缺陷图像分析 110
4.4.2 基于小波变换的板带钢表面图像融合方法 111
4.4.3 基于缺陷区域的板带钢表面图像融合方法 114
第5章 板带钢表面缺陷目标的检出方法 126
5.1 概述 126
5.2 板带钢表面缺陷的分割方法 127
5.2.1 边缘分割法 127
5.2.2 区域分割法 132
5.2.3 基于梯度信息的二维Otsu阈值分割方法 134
5.3 板带钢表面缺陷的关联与定位 140
5.3.1 板带钢表面缺陷的关联 140
5.3.2 板带钢表面缺陷的定位 147
5.4 基于视觉注意机制的板带钢表面缺陷的检出方法 150
5.4.1 人类的视觉注意机制与计算模型 150
5.4.2 确定缺陷区域 157
5.4.3 实验结果与分析 158
5.5 板带钢表面微小缺陷检出方法 160
5.5.1 含微小缺陷的硅钢板图像的基本特点 161
5.5.2 基于显著活动轮廓模型的微小缺陷检出方法 162
第6章 图像特征提取与分析 176
6.1 概述 176
6.2 缺陷图像的基本特征 177
6.2.1 几何特征 177
6.2.2 统计特征 181
6.2.3 变换域特征 185
6.2.4 其他特征 193
6.3 基于散射卷积网络的缺陷特征提取方法 193
6.3.1 散射变换 193
6.3.2 散射卷积网络 195
6.3.3 NEU-Silicon图像数据集与实验分析 197
6.3.4 NEU-Hot图像数据集与实验分析 198
6.4 邻域评估下的局部二值模式特征提取方法 201
6.4.1 局部二值模式及其扩展模式 201
6.4.2 邻域评估下的局部二值模式及其扩展模式 205
6.4.3 实验结果与分析 211
第7章 图像特征组合与降维 214
7.1 概述 214
7.2 多特征的选取与组合 214
7.2.1 特征归一化 215
7.2.2 多特征的选取组合 216
7.2.3 实例 217
7.3 多维特征的降维 219
7.3.1 图像特征降维概述 219
7.3.2 SOFM神经网络的特征降维算法 220
7.4 基于ReliefF的多维混合加权特征组合算法 224
7.4.1 ReliefF算法 224
7.4.2 冗余特征的去除 225
7.4.3 基于ReliefF的去冗余特征组合算法 226
第8章 缺陷模式的识别与分类 228
8.1 概述 228
8.1.1 缺陷模式识别的基本原理与方法 229
8.1.2 缺陷模式的分类机制 233
8.2 基于距离的识别与分类 234
8.2.1 距离的基本概念 234
8.2.2 常用的几种方法 236
8.3 基于支持向量机的识别与分类 238
8.3.1 支持向量机基本概念 238
8.3.2 基于PT-SVM的缺陷识别方法 241
8.3.3 缺陷分类实例 242
8.4 基于人工神经网络的识别分类方法 245
8.4.1 BP神经网络的识别分类方法 245
8.4.2 模糊神经网络的识别分类方法 249
8.4.3 遗传神经网络的识别分类方法 253
8.4.4 RBF神经网络的识别分类方法 257
8.4.5 WTM-SOFM识别分类方法 267
第9章 多体分类模型与版图分类法 273
9.1 概述 273
9.2 多体分类模型 275
9.2.1 类别本征空间与认知空间 275
9.2.2 类别区域表示方法 276
9.2.3 多体分类模型及特性分析 278
9.2.4 多体分类模型实验 282
9.3 版图分类法 287
9.3.1 地域版图的形成 288
9.3.2 版图分类法基础 288
9.3.3 实验研究 292
第10章 板带钢表面质量评价 296
10.1 概述 296
10.2 板带钢表面缺陷的分类 298
10.2.1 基于企业的缺陷分类 298
10.2.2 基于用户需求的缺陷分类 299
10.3 基于生产企业的板带钢表面质量评价 300
10.3.1 板带钢表面单个缺陷严重程度的评价 300
10.3.2 板带钢表面缺陷严重程度的综合评价 303
10.3.3 评价指标权重的确定方法 305
10.3.4 应用实例 308
10.4 基于用户需求的板带钢表面质量评价 311
10.4.1 排样算法 311
10.4.2 板带钢利用率与板带钢表面质量的关系 317
10.4.3 板带钢表面质量评价 320
第11章 板带钢综合质量评价与灵敏度分析 331
11.1 概述 331
11.2 板带钢的生产质量标准 331
11.2.1 板带钢现行质量标准 332
11.2.2 现行质量标准的适应性处理 333
11.3 板带钢综合质量评价指标 335
11.3.1 表面质量 335
11.3.2 板形质量 335
11.3.3 尺寸精度 336
11.3.4 力学性能 336
11.3.5 工艺性能 337
11.3.6 其他性能 337
11.4 板带钢综合质量评价 337
11.4.1 评价系统的构建 337
11.4.2 标准等级的划分 339
11.4.3 评价矩阵的构建 342
11.4.4 评价矩阵的规范化 343
11.4.5 综合质量判定规则 345
11.4.6 应用实例 346
11.5 板带钢综合质量评价灵敏度分析 349
11.5.1 属性值灵敏度分析 350
11.5.2 属性权重灵敏度分析 353
11.5.3 关于灵敏度分析的几点说明 357
11.5.4 应用实例 358
参考文献 363
索引 373
彩图 377