面向金属板表面非完整信息目标的识别方法研究

The machine vision (MV) inspection technology, as a comprehensive use of image processing, optical, pattern recognition, artificial intelligence technology, is a non-contact nondestructive detection with real time and high efficiency, especially suitable for automatic production line of online real-time detection and easy to realize intelligent, which has been focused in the research field of the surface inspection. However, interference factors covered, object partially occlusion, local fuzzy, characteristic information loss or even incomplete image information will be inevitably produced in the image obtained due to the influence of various factors during the process of image information acquisition, which will affect the image recognition and classification accuracy. In oder to solve the problem, this project is to take a comprehensive research of new technologies, including robust feature extraction and feature combination learning method, global information and local information fusion hybrid variable model, multiple sources' information collaborative collection and integration. The research results could be helpful to the other relating research fields, e.g. fingerprint identification, and so on.

机器视觉检测技术作为一种综合运用图像处理、光学、模式识别、人工智能等技术的非接触无损检测法，其实时高效、特别适用于自动化生产线上的在线实时检测、易于实现智能化的特点，已成为当前表面检测领域的研究热点。然而，在图像信息获取过程中，由于诸多因素的影响不可避免地使所得到的图像信息中会产生诸如：目标被干扰因素淹没、被其他目标部分遮挡、局部模糊、以及有效特征信息缺失等问题，进而导致目标信息不完整，从而影响了目标识别与分类的准确性。针对这些问题，本项目拟采取鲁棒性特征提取与多特征组合学习方法、全局信息与局部信息融合的混合可变模型，以及多源信息协同采集与整合的研究思路，寻求解决金属板表面缺陷检测中的非完整信息目标识别问题的有效方法，探索一种非完整信息目标识别模型的构建方法。其研究成果对相关领域的研究，如指纹识别等也具有极为重要的应用价值。

金属板表面缺陷在线检测一直是备受关注的问题。机器视觉检测具有实时高效、易智能化的特点，特别适用于自动化生产线上的在线实时检测，已成为表面检测领域的研究热点。本课题综合运用图像处理、光学、模式识别、人工智能等技术，解决了在图像信息获取过程中，目标信息不完整影响目标识别与分类的准确性的问题，提高了金属板缺陷在线检测的自动化水平。研究内容包括开展了对外界干扰因素鲁棒的特征提取与特征选择技术等方面的研究；开展全局信息与局部信息融合的混合可变模型方面的研究；开展了多源信息获取与信息融合匹配技术的研究。在目标区域检测、目标识别、特征提取方面，针对具体问题，分别研究出性能优良的算法；搭建了完整的三维系统测量体系。算法在板带钢表面缺陷检测邻域以及其他相似领域均有较好的实用价值和科学意义。