论文部分内容阅读
拉链产品外观检测是拉链生产中的关键环节之一。传统的拉链产品外观检测主要采用人工检测来完成,存在效率低、准确率不高的缺点。用图像检测代替人工检测的方法将会成为拉链产品外观检测的趋势,具有广阔的前景和市场价值。为此,有必要研究用图像检测的方法来检测拉链产品的缺陷,以达到提高效率和准确率的目的。在拉链产品的外观缺陷中,拉链布边缺陷是主要的缺陷类型之一。然而,到目前为止,用图像检测的方法对拉链的缺陷检测研究主要偏向于拉链齿、拉头和限位码,单独针对拉链布边的检测研究还没有。于是,本文将拉链布边单独分割出来,用图像检测的方法检测缺陷。本文的主要工作如下:首先,介绍了拉链缺陷检测的背景以及研究意义,分析了拉链布边缺陷检测的研究现状,并介绍了本文的研究工作。其次,提出了拉链布边缺陷检测的整体框架,给出了缺陷检测的具体流程,详细阐述了样本集的构建过程。第三,针对拉链布边纹理显著的特点,提出了利用局部二值模式(Local Binary Pattern,LBP)和灰度共生矩阵(Gray level co-occurrence matrix,GLCM)提取特征的方法。讨论了这两种算法的参数选择问题,并且给出了拉链布边样本图像特征提取的具体步骤。第四,研究了利用BP神经网络识别拉链布边缺陷的方法。根据BP神经网络的相关理论探讨了主要参数选择的问题,给出了网络的训练过程,然后阐述了BP神经网络识别拉链布边缺陷的具体步骤。第五,进行了相关实验,并对实验结果进行了分析。将LBP三种模式提取特征的效果作出了比较,实验结果表明:在样本图像一致的条件下,均匀模式提取特征用时最少,并且识别准确率最高,是最佳的LBP模式。接着,将均匀模式与GLCM提取特征的效果作出了比较,实验结果表明:均匀模式能以接近3倍于GLCM的速度提取相同样本图像的特征,在污染、破损、脱线这三种缺陷样本下,均匀模式的平均识别准确率为89.33%,GLCM的平均识别准确率为87.67%,均匀模式高出GLCM 1.66%。然后,对BP神经网络的性能作出了分析,实验结果表明:BP神经网络识别准确率最高可达95.00%;且识别2200个样本每个样本平均用时在0.036秒内。可见,BP神经网络具备良好的识别精度和良好的实时性。最后,研究了隐层节点数对BP神经网络识别效果的影响,实验结果表明:识别准确率与隐层节点数呈现非线性关系,当识别准确率达到最高后,继续增加节点数,识别准确率并不会提高,而识别用时却也在增加。最后,对本文的研究成果做出总结,并给出了后续的研究建议。