【浮法玻璃缺陷在线识别算法】是现代玻璃生产中一种重要的质量控制手段,它利用机器视觉技术代替传统人工检测,以提升检测速度和准确性。在本文中,作者针对浮法玻璃生产过程中的缺陷检测问题,深入研究了一系列算法和技术。
首先,论文在【图像预处理】阶段,采用了图像差影技术来去除实时图像中的复杂条纹背景,这对于后续的图像分析至关重要。对于小面积、低灰度的图像,作者提出了一种基于3σ标准的两次OTSU分割方法。OTSU算法以其快速和精确的特性为基础,通过分析图像灰度标准差,自动选取合适的分割阈值,有效防止了低灰度图像的欠分割,确保了缺陷核心的准确提取。
接着,论文探讨了【特征提取】,针对五类不同的玻璃缺陷,分别从网格特征、统计特征和能量特征三个角度进行研究。其中,网格特征反映了缺陷的局部特性;统计特征针对特定类型的缺陷提供有针对性的分析;能量特征则强调整体性,有助于全面理解缺陷的影响。在网格特征提取中,作者提出了自适应边界调整法,以满足网格均匀化的需求。
为了提高特征选择的公正性和客观性,论文还改进了传统的过滤式ReliefF算法,创建了一种【样本无偏的SUReliefF算法】。该算法消除了经典ReliefF算法在特征评价中对样本的偏向性,同时克服了欧式距离在最近邻样本选择上的局限性,确保了特征评价的公平性。
论文对比研究了【神经网络和支持向量机】这两种分类器。针对神经网络(BP网络),通过改进训练算法和样本选择,提高了其泛化能力。对于支持向量机(SVM),采用SMO算法解决了训练慢和内存需求大的问题,提升了训练效率,并采用一对一的多类判别方式增强了分类器的稳定性。
此外,论文提出了一种【基于多分辨率信息融合的缺陷识别算法】,利用小波变换的多分辨率分解将缺陷图像的信息层次化,通过多分类器的决策集成,实现了信息的综合化,避免了单一分类器决策可能的片面性。
最后,论文提出了一种【基于证据理论的HDC-DS算法】,引入决策可靠性概念,全面考虑决策向量的有效性,有效地解决了多分类器决策融合的偏向性问题。
在系统实现方面,论文还讨论了【浮法玻璃缺陷在线检测系统】的设计,包括检测过程中的采集同步和打标板同步等关键技术,并给出了实际应用案例。
关键词涉及了机器视觉、表面检测、图像分割、特征选择、缺陷识别和信息融合,这些都是浮法玻璃缺陷在线识别领域的核心技术。通过这些技术的结合应用,可以构建出高效、精准的在线检测系统,提高玻璃生产的自动化水平和产品质量。