基于机器视觉的染色品色差在线检测系统的研究与设计

目录

摘要........................................................................................................................................................... I Abstract..................................................................................................................................................... III 目录.......................................................................................................................................................... V 第一章绪论. (1)

1.1 机器视觉概述 (1)

1.2 基于机器视觉的色差检测 (3)

1.3 课题的来源、目的以及意义 (4)

1.4 国内外研究现状 (5)

1.4.1 染色品在线检测系统发展现状 (5)

1.4.2 图像拼接算法研究现状 (7)

1.4.3 颜色恒常性计算算法研究现状 (8)

1.5 本论文的研究思路及创新点 (9)

1.5.1 本文的研究思路 (9)

1.5.2 创新点 (9)

1.6 本文章节安排 (10)

第二章系统总体设计及相关理论研究 (11)

2.1 系统设计原理 (11)

2.1.1 色差检测系统的分类 (11)

2.1.2 色差系统的结构设计 (12)

2.1.3 照明系统及光源技术 (16)

2.2 色差 (19)

2.2.1 色差的定义 (19)

2.2.2 色差的评判标准 (19)

2.3 颜色空间 (20)

2.3.1 RGB颜色空间 (20)

2.3.2 HSI颜色空间 (21)

2.3.3 HSV颜色空间 (22)

2.3.4 CIELAB颜色空间 (23)

2.4.2 HSV色差公式 (25)

2.4.3 CIELAB色差公式 (25)

2.4.4 CMC(l:c)色差公式 (26)

2.5 三种色差公式性能优劣对比实验 (27)

2.5.1 基于CIELAB颜色空间的色差检测算法 (27)

2.5.2 算法实现与结果分析 (28)

2.6 图像预处理算法 (31)

2.6.1 中值滤波 (31)

2.6.2 均值滤波 (31)

2.6.3 高斯模板滤波 (32)

2.6.4 三种图像预处理算法的对比实验 (33)

2.7 染色品图像拼接实现 (33)

2.7.1 图像拼接定义及步骤 (34)

2.7.2 图像拼接算法 (35)

2.7.3 算法实现 (37)

2.8 本章小结 (39)

第三章 Perona-Malik模型光照去噪算法研究 (40)

3.1 照射光对色差评定的影响 (40)

3.1.1 照明灯因素 (40)

3.1.2 光照距离 (41)

3.1.3 解决光照影响的方法 (41)

3.2 Perona-Malik模型光照去噪算法 (42)

3.2.1 染色品光照不变图像提取模型 (42)

3.2.2 改进各向异性扩散的染色品图像提取算法 (45)

3.3 算法实现与结果分析 (46)

3.3.1 算法实现 (46)

3.3.2 实验结果分析 (48)

3.4 本章小结 (49)

第四章颜色恒常性算法 (50)

4.1.2 条件等色的分类 (50)

4.2 GM(1,1)预测模型 (53)

4.2.1 GM(1,1)预测模型的构造 (53)

4.2.2 GM(1,1)预测模型的性质 (54)

4.2.3 GM(1,1)预测模型的独特优点 (54)

4.3 支持向量回归算法 (54)

4.3.1 标准支持向量机算法 (55)

4.3.2 最小二乘支持向量机算法 (56)

4.4 改进的LSSVR和GM(1,1)算法描述 (57)

4.4.1 改进的LSSVR算法 (57)

4.4.2 改进的GM(1,1)算法 (58)

4.5 改进的LSSVR和GM(1,1)模型用于纺织品颜色恒常性算法描述 (59)

4.5.1 光照校正算法 (59)

4.5.2 算法实现与结果分析 (60)

4.6 本章小结 (65)

第五章色差检测评价模型的研究 (66)

5.1 建立模型过程中相关理论的选择 (67)

5.1.1 颜色空间及色差公式的选择 (67)

5.1.2 主成分分析法（PCA）的选择 (67)

5.1.3 遗传算法（GA）的选择 (67)

5.2 确定染色品色差评价指标与评价量化等级 (68)

5.3 色差评价算法 (69)

5.4 基于支持向量机的色差评价模型 (70)

5.5 实验与结果分析 (70)

5.5.1 标准支持向量机评价模型实验 (71)

5.5.2 标准支持向量机算法评价模型的验证 (73)

5.5.3 标准支持向量机算法和最小二乘支持向量机算法的比较 (73)

5.6 本章小结 (74)

第六章总结与展望 (75)

参考文献 (77)

附录 (81)

攻读硕士学位期间的研究成果 (90)

致谢 (91)

第一章绪论

1.1 机器视觉概述

机器视觉（Machine Vision）是一门涉及许多领域的交叉学科，该领域的研究博大精深，而且日新月异，其中包括人工智能、图像处理、模式识别等技术[1]。近些年来，计算机技术、现场总线技术以及图像处理分析理论的不断发展，以及大规模集成电路的迅速发展和生产生活中的广泛应用，为机器视觉技术日臻成熟和完善创造了条件。人类通过感觉器官感知外部世界，比如视觉、触觉、听觉等，在获得的感知信息中绝大部分是通过视觉器官获得的，比例高达约80%。可以看出，研究开发具有人类视觉功能的智能化机器用于检测、测量和控制生产质量要素具有很重要的意义。

通过长期的生活实践，机器视觉所展现出来的优势以及所带来的巨大生产力是不容小觑的，其特点主要体现在安全可靠，与被观测者无接触，不会对观测者造成损伤；延伸了人眼观测到的波长范围，比如红外线、超声笔等；精度更高，检测速度更快，增加产出，降低成本。凭借这些优势，人类发明创造了各种各样的智能机器辅助人们完成日常生产任务，大到卫星遥感系统，环境监测，地理测量，小到饮料瓶盖的检查，印刷字码的检验等国民经济的各行业。

在快节奏的时代，涉及到各种检查及识别应用，比如，木材加工检测、印刷电路板的印刷缺陷检验、二极管检测、焊缝识别等。通常情况下这些工作都具有高度连续性以及重复性，人工来完场这些工作，主观性、视力差别、高强度带来的视觉疲劳都不能保证100%的合格率，然而非常小的缺陷很可能会让企业在竞争中失去优势。在这样的背景下，用计算机模拟人的视觉功能延伸人眼功能，使之具备人脑的一部分功能，即提取图像信息加以整合处理，用于检测和测量。机器视觉这门学科的产生满足了这种需求[2]。其实，自机器视觉技术产生以来，便在工业生产中得到了广泛地运用[3]。以两个简单的案例加以说明，图1.1所示为基于机器视觉的木料检测的过程，在需要检测的木料周围分别安装了3台激光扫描仪和摄像机，实现木料的360度全方位立体检测，图1.2所示为自动化生产线上对芯片管脚的检测，该幅图片提供了芯片的位置和安装方向以确保该芯片能否正确安装。