Обработка изображений металлических поверхностей в задачах автоматизированного контроля качества изделий

• Автор: Шевченко, Никита Александрович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2006
• Место защиты: Владимир
• Количество страниц: 160 с. : ил.

ВВЕДЕНИЕ

ГЛАВА 1. СОВРЕМЕННОЕ СОСТОЯНИЕ ПРОБЛЕМЫ

АВТОМАТИЧЕСКОГО КОНТРОЛЯ КАЧЕСТВА МЕТАЛЛИЧЕСКИХ ПОВЕРХНОСТЕЙ

1.1. Автоматический анализ изображений и контроль качества

1.2. Задачи анализа металлических поверхностей

1.2.1. Контроль обработанных поверхностей. Маскирование

1.2.2. Одновременный контроль обработанной и необработанной поверхностей. Различение типов текстур

1.3. Существующие системы технического зрения для автоматизации анализа изображений

1.4. Выводы

ГЛАВА 2. АНАЛИЗ СУЩЕСТВУЮЩИХ МЕТОДОВ ОБРАБОТКИ

ИЗОБРАЖЕНИЙ И ТЕКСТУРНОГО АНАЛИЗА В СИСТЕМАХ ТЕХНИЧЕСКОГО ЗРЕНИЯ

2.1. Методы обработки изображений в системах технического зрения
2.2. Методы выделения границ
2.3. Пороговые методы
2.4. Методы текстурного анализа
2.4.1. Метод локального бинарного разбиения
2.4.2. Методика разделения текстур, основанная на кривой сложности
2.4.3. Метод локальных эксгремумов
2.4.4. Метод распределения признаков
2. 4.5. Применение Марковских случайных полей
2.4.6. Метод гистограмм с множеством разрешений
2.4. 7. Использование фильтров Габора
2. 4.8. Метод матриц совпадений
2.4.9. Метод гистограмм суммы и разности
2.4 Гармонический и вейвлетанализ
2.4 Граф кластеров со множеством разрешений
2.4 Метод длин пробега Галлоуэя
2.5. Сопоставительный анализ методов распознавания тсксур
2. 6. Выводы
ГЛАВА 3. ЭКСПЕРИМЕНТАЛЬНАЯ УСТАНОВКА ДЛЯ ПОЛУЧЕНИЯ
ЦИФРОВЫХ ИЗОБРАЖЕНИЙ ОБРАЗЦОВ ТЕКСТУР
3.1. Структу ра экспериментальной установки
3.2. Описание эксперимента
3. 3. Исследование зависимости статистических характеристик текстур от изменения освещнности
3.4. Выводы
ГЛАВА 4. РАЗРАБОТКА МЕТОДОВ ОБРАБОТКИ ИЗОБРАЖЕНИЙ
МЕТАЛЛИЧЕСКИХ ПОВЕРХНОСТЕЙ
4.1. Априорный словарь признаков системы распознавания изображений
4.2. Разработка методов разделения текстур от однородных областей
4.2.1. Классы объектов и их признаки, критерии разделения
4.2.2. Процедуры для начальной подготовки изображения
4.2.3. Метод, основанный на слиянии связных областей
4.2.4. Метод, основанный на подсчте перепадов яркости
4.2.5. Алгоритмы маскирования
4.3. Методы распознавания текстур
4.3.1. Исследование математических моделей методов гистограмм суммы и разности и матриц совпадений
4.3.2. Метод нахождения областей с литой текстурой
4.3.3. Разработка новых методов текстурного анализа
4.3.4. Метод, основанный на автокорреляционной функции
4.3.5. Метод, основанный на пссвдокоррсляции
4.3.6. Обработка корреляционной матрицы и текстурные признаки
4.3. 7. Метод, основанный на подсчете длин строк
4.3.8. Обработка гистограмм длин строк и текстурные признаки
4.4. Перспективные вспомогательные методики для тсксгурного анализа и 8 визуализации
4.4.1. Направленная бинаризация
4.4.2. Редуцированные матрицы совпадении
4.4.3. Эрозия контуров на бинарном изображении
4.4.4. Визуализация текстурных признаков
4.5. Выводы
ГЛАВА 5. ЭКСПЕРИМЕНТАЛЬНАЯ ОЦЕНКА РАЗРАБОТАННЫХ
МЕТОДОВ ТЕКСТУРНОГО АНАЛИЗА
5.1. Сопоставительный анализ инвариантности текстурных признаков на 4 основе АКФ и гистограмм Унзера к изменению освещенности
5.2. Сопоставительный анализ разделительной способности признаков на 8 основе АКФ и псевдокорреляции
5.3. Сопоставительный анализ разделительной способности текстурных 1 признаков на основе ПК и гистограмм суммы и разности
5.4. Эмпирическая оценка эффективности текстурных признаков на основе 2 гистограмм суммы и разности, АКФ и ПК
5. 5. Экспериментальная оценка признаков на основе подсчта длин строк
5.6. Выводы
ЗАКЛЮЧЕНИЕ
Список использованных источников


Описаны проведнные эксперименты по получению текстурных образцов эксперимент с изменением силы света источника освещения, эксперимент с выдержкой, эксперимент с диафрагмой и эксперимент с вращением, эксперименты по выявлению зависимости статистических характеристик текстур от освещнности. Описаны процедуры подготовки изображений к дальнейшему анализу и две методики различения текстур от однородных объектов, а также алгоритмы маскирования текстурных областей на цифровых изображениях исследуемых деталей. Описан анализ методов Р. Харалика и М. Унзера. Р. Харалика и М. Показано, что статистические характеристики текстур зависят от е структурных свойств и освещнности. Это является одной из причин, по которым сложно судить о типе текстуры, опираясь на статистические характеристики. Предложены методы распознавания текстур, обладающие большей инвариантностью к освещнности и лучше отражающие структуру анализируемой текстуры, чем исследованные. Описаны текстурные признаки, получаемые на основе предложенных методов. В пятой главе произведена экспериментальная оценка разработанных методов и их сопоставительный анализ со статистическими методами. В качестве критерия оценки инвариантности текстурных признаков к освещнности было взято относительное среднеквадратическое отклонение значений признаков. В качестве критерия оценки эффективности распознавания был взят байесовский риск при установлении порога разделения, соответствующего определнному значению признака. В заключении приведены основные научные и практические результаты работы. В приложении приведены текстурные образцы, полученные при помощи экспериментальной установки, а также взятые с изображений металлических деталей. ГЛАВА 1. Автоматическая обработка изображений необходима для решения широкого спектра прикладных задач. В этих задачах машинное зрение призвано заменить человека. Однако точной модели человеческого зрительного восприятия не было создано до сих пор. Появление в конце прошлого столетия компьютеров сделало возможной непосредственную реализацию методов распознавания образов и обработки изображений, как созданных ранее, так и вновь разработанных. Получить цифровые изображения реальных объектов окружающего мира при помощи, например, цифровой камеры довольно просто, обобщнная схема данной процедуры приведена на рисунке 1. Как только цифровое изображение получено, к нему можно применять различные методы обработки, заключающиеся в последовательном анализе яркости пикселей структурных единиц цифрового изображения. Данная структура, характеризуемая декартовыми координатами и квадратной формой пикселей, накладывает ограничения на адекватность представления изображения в цифровой форме. Это особенно ощутимо при угловых преобразованиях изображения. Существующие алгоритмы углового преобразования работают с большими искажениями. При многократном повторении такого преобразования большая часть информации теряется. Поэтому необходимым условием для автоматического анализа изображений является достаточное разрешение. Оно не компенсирует погрешность существующей формы представления изображения, но сводит е до уровня, при котором возможен его анализ с достаточной эффективностью. Для металлических поверхностей машиностроительных деталей требуемое разрешение зависит от размеров дефекта и от требований к точности оценки этих размеров. Рис. К полученному цифровому изображению можно применять различные методы обработки. Улучшение изображения с целью удаления с ненужных деталей и информации или выделения интересующих свойств. Реконструкция изображения, которая, в отличие от улучшения, более объективна, так как основана на математических и вероятностных моделях деградации изображения, тогда как улучшение основано на субъективных человеческих предпочтениях различных характеристик, таких, как контраст, гамма, насыщенность и др. Анализ цветовых характеристик изображения. Включает в себя фундаментальные представления о цветовых моделях. Вейвлетанализ изображения представление изображения в различных степенях разрешения. Сжатие изображений ряд технологий, направленных на уменьшение вычислительных ресурсов, используемых для обработки и хранения изображений.