论文部分内容阅读
由于冷轧生产中带钢的材料规格、生产设备、轧制工艺等诸多因素,会使板带材表面产生不同种类的缺陷,影响了实用性和美观性。本文对板带材表面缺陷检测系统进行了设计,建立了板带材表面缺陷图像库,改进了卷积神经网络算法,并利用改进的卷积神经网络对缺陷图像库进行训练和测试。首先,针对板带材表面缺陷检测装置的图像采集和传输问题,分别从硬件和软件两方面进行研究。硬件结构设计中,对系统中光源、照明方式和图像传感器进行了深入探讨;研究了FPGA处理器和存储部件SDRAM、以太网DM9000A等外设的选取和电路连接问题,并在FPGA上建立Nios系统。软件设计中,在FPGA内利用I2C总线对CMOS传感器MT9M034的相关寄存器进行配置,编写了MT9M034采集程序和DM9000A IP核;在Nios中引入μC/OS-II实时操作系统和Lwip协议,完成了系统采集和传输部分的软件设计。其次,针对采集缺陷图像过程中产生的噪声问题,分析了噪声类型和常见滤波方式,设计了基于FPGA的快速中值滤波,实现缺陷图像的快速中值滤波。针对网络训练中缺少训练样本问题,利用系统的图像采集模块采集了7类板带材表面缺陷图像,对图像进行人工扩展,建立了板带材表面缺陷图像库。最后,传统板带材表面缺陷检测过程中,需要手动提取缺陷特征,过程复杂。针对这一问题,提出了基于卷积神经网络的检测方法,并在板带材表面缺陷图像库上进行测试,得到6.86%的误识率。卷积神经网络在图像库识别率不高是因为特征提取不够,因此本文在网络中加入Gabor卷积核,提出了基于Gabor核的深度卷积神经网络。利用网络在板带材表面缺陷图像库上进行训练和测试,获得0.28%的较低误识率。