基于机器视觉的玻璃质量在线检测系统设计 - 图文

青岛大学机电工程学院本科毕业设计（论文） 0.11 31.0 0.54;1 0.46 60.6 0.53;1 0.50 36.4 0.62;1 0.30 20.4 0.51;0 0.73 14.6 0.43;0 0.71 14.2 0.59;0 0.86 13.7 0.57;0 0.93 12.1 0.59;0 1.12 11.7 0.61;0 0.016 339.9 0.78;0 0.007 760.4 0.76;0 0.03 541.6 0.69;0 0.01 703.3 0.55;0 0.07 446.7 0.48;0 0.034 1089.0 0.52;0 0.015 330.0 0.54;0 0 0 0;0 0 0 0;0 0 0 0;0 0 0 0]'; %T为目标矢量

t=[2;2;2;2;2;2;2;2;2;3;3;3;3;3;1;1;1;1;1;1;1;0;0;0;0]'; X_test=[1;2;3;0]; %检验样本

n=[0 0.0159 789.0412 0.73;1 0.3125 40.2061 0.75;0 1.1124 11.297 0.69;0 0 0 0]'; %归一化后的输入向量P,检验向量N和目标向量T for i=1:4

p(i,:)=(p(i,:)-min(p(i,:)))/(max(p(i,:))-min(p(i,:))); n(i,:)=(n(i,:)-min(n(i,:)))/(max(n(i,:))-min(n(i,:))); end

t(1,:)=(t(1,:)-min(t(1,:)))/(max(t(1,:))-min(t(1,:))); %创建网络

net=newff(minmax(p),[7,1],{'tansig','purelin'},'traingd'); %用traingda创建神经网络（）

net.trainParam.epochs=20000;%神经网络的循环次数 net.trainParam.lr_inc=1.05;

net.trainParam.goal=1e-4;%期望误差(最小均方误差) net.trainParam.lr=0.05;%修正值的学习率 net.trainParam.show=100;%训练显示间隔 %函数用于将网络初始化 net=init(net); %训练网络

net=train(net,p,t); %仿真网络 a=sim(net,n); k=length(X_test); for j=1:k

error(i)=abs(a(j)-X_test(j))/k;

28

青岛大学机电工程学院本科毕业设计（论文） end end figure

plot(1:length(n), X_test,'r+:',1:length(n),a*3,'bo:'); %绘制误差曲线

title('+为真实值，o为检测值') error(i)

上列程序运行后得到如下训练图以及仿真对比图：

图4-2 系统BP网络训练图

29

青岛大学机电工程学院本科毕业设计（论文）

图4-3 系统BP网络仿真图

得到的误差为:

ans = 4.0770e-004

由此结果看一看出误差在0.0004小于工业生产中要求的0.001，已达到检测的要求。此外，通过BP网络仿真后的结果可以清晰的看出网络得到的结果与理论结果几乎一至，说明了该设计理论的可行性。

30

青岛大学机电工程学院本科毕业设计（论文） 5 自我评价

在该系统的研究中，我们从图像识别方面来进行对玻璃瓶瓶壁的质量检测。所以在图像处理方面要求极其严格。在从源图像的获取到预处理再到特征参数的提取，一系列步骤都需要严格的理论知识为指导；在使用神经网络方面，首先是要对人工神经网络理论知识的学习，学会并且熟用多种训练法。

自我评价，经过一系列步骤后，得到了正确的结果。说明该检测方略可行。不过还是有以下几个方面的不足：

（1）缺少正规的图像采集设施，图像质量，细腻程度，光线影响都给图像的处理带来极大的干扰。镜头与样品间的拍摄距离影响到缺陷面积的计算以及与工业数据的比对。按照统一的比例缩减来得到的面积，可以一定程度上影响到误差大小。

（2）图像预处理部分的分段线性灰度变换时处理的效果不理想，主要体现在碎纹方面的检测。光线的干扰引起玻璃瓶壁对光的反射效果增强，以及造成源图下方阴影区域的形成，在灰度转换后形成了一片灰度值较低区域。

31