基于机器视觉的热态重轨表面缺陷检测关键技术研究

论文摘要

重轨在国民经济生产中具有举足轻重的作用,其质量是保障铁路安全运输的重要条件。重轨表面缺陷是影响重轨质量的一个重要因素,热态重轨缺陷检测为加强轧制工艺管理,改善工人劳动条件,提高重轨表面质量起到了至关重要的作用。机器视觉是用计算机来分析从摄像机获得的图像的一种方法。视觉检测技术具有非接触、速度快、精度合适、现场抗干扰能力强等突出的优点,在实际中显示出广阔的应用前景。本文以国内某大型钢铁企业的热态重轨的检测现状为应用背景,对热态重轨缺陷图像和常用检测方法做了大量的分析和研究,针对目前采用的人工肉眼检测缺陷的不足,对缺陷图像检测采用了新的方法:基于机器视觉、图像分割以及支持向量机的检测方法。论文主要研究内容如下:①在分析现场热态重轨的运动状态及检测工艺的基础上,合理地选择了能够全面地实时监测热态重轨表面的测点;对国内外常用表面检测技术做了分析对比,采用了机器视觉技术非接触地直接采集热态重轨表面的完整图像,根据热态重轨表面特点及缺陷检测系统的主要技术要求,设计了系统的硬件和软件构成。②研究实时采集和高速传输热态重轨表面精密图像的方法。采用了离散化的采集模式,设置4个单独的采集单元,且采集单元具有良好的互换性。通过计算和分析,选取合适的相机、镜头,充分利用了热态重轨自身热辐射的红外光的均匀性,调节好曝光时间、线频等采集参数,设计了图像采集单元的摆放位置和成像角度,充分保证图像的平滑、完整和丰富的色彩及细节信息。采用了基于TCP/IP协议的千兆网络传输方式,保证了图像的快速传输。③在动态获取重轨图像后,利用图像处理相关技术,对复杂背景下的缺陷图像识别,采用了图像信息定位算法缩小了感兴趣区,减少了干扰信息。通过对大量缺陷图像的研究,有效利用专家经验,找出重轨表面缺陷图像的各种特征参数,针对现场样本少、不规则性强的特点,选取了支持向量机的分类方法,反复训练缺陷图像样本,实现重轨表面缺陷的标定和分类识别。④课题以Windows2000为操作系统平台,以VC++6.0和Matlab7.0为开发工具,结合SQL Sever数据库技术,完成软件总体架构,把相机参数设置、图像实时采集、图像处理、数据库管理等有机地结合在一起,实现随时查询,跟踪产品表面质量,对缺陷图像信息进行管理,规范产品生产和检测。通过以上几方面的工作,对热态重轨表面缺陷特征进行了全面的分析,完成了表面缺陷检测从理论分析到到检测系统完整构建和实际实验的进行等一系列较为系统的研究。经现场实验证明,该系统可达到热态重轨表面缺陷检测预期效果。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 课题背景
• 1.2 国内外研究现状
• 1.3 热态重轨表面缺陷检测的意义
• 1.4 本文研究技术路线
• 2 基于机器视觉的重轨表面缺陷检测系统的总体设计
• 2.1 重轨几何特征及表面缺陷
• 2.2 系统工作原理及组成
• 2.2.1 典型的机器视觉系统及其原理
• 2.2.2 本系统检测原理及基本构成
• 2.3 系统硬件设计
• 2.3.1 系统硬件基本构成
• 2.3.2 图像采集器及其排布方式
• 2.3.3 控制器单元
• 2.4 系统软件设计
• 2.4.1 软件系统整体设计
• 2.4.2 软件系统模块说明
• 3 热态重轨表面精密图像的获取
• 3.1 热态重轨图像采集现状
• 3.2 图像采集装置组件的选取
• 3.2.1 图像传输方式的选择
• 3.2.2 相机的选取
• 3.2.3 镜头的选取
• 3.2.4 图像采集卡的选取
• 3.2.5 其他配件的选取
• 3.3 图像采集装置组件的调节
• 3.4 图像实时采集和存储
• 4 图像处理及识别关键技术
• 4.1 图像预处理
• 4.1.1 彩色图像到灰度图像的转换
• 4.1.2 图像增强
• 4.2 缺陷信息区域定位及图像分割
• 4.2.1 缺陷信息区域定位
• 4.2.2 重轨表面图像特征分析
• 4.2.3 图像分割
• 4.3 缺陷图像边缘检测
• 4.3.1 边缘提取
• 4.3.2 边缘连接
• 4.4 缺陷特征参数的提取
• 4.4.1 重轨表面缺陷特征描述和特征选择
• 4.4.2 缺陷特征参数提取
• 4.4.3 缺陷标定
• 4.5 缺陷图像识别
• 4.5.1 缺陷分类器设计
• 4.5.2 支持向量分类机方法
• 4.5.3 基于SVM 的热态重轨表面缺陷分类
• 5 实验结果及分析
• 5.1 实验目的及方案
• 5.1.1 实验目的
• 5.1.2 实验条件
• 5.1.3 实验方案
• 5.2 实验系统的开发
• 5.3 实验数据及分析
• 5.4 实验结论
• 6 总结与展望
• 6.1 总结
• 6.2 课题展望
• 致谢
• 参考文献
• 附录