冷轧带钢表面缺陷在线检测技术研究(3)
从理论上看，随着计算机技术的发展，人工智能有了长足的进步，模式识别、神经元理论及专家系统等日趋成熟，小波分析理论的兴起，又为数字信号处理带来了新的曙光。可以预计，伴随着这些理论和技术与工程实际的有效结合，机器视觉技术必将对带钢表面缺陷的在线无损检测做出应有的贡献。 目前国内外对于表面缺陷的检测算法，研究较多的是傅立叶频谱特征[4-10]、离散正交小波[11-14]和基于模型的算法。基于傅立叶频谱特征的缺陷检测，但其运算量过大，且不适合于检测出小块区域上的局部缺陷[15][16]。离散正交小波作为一种表面缺陷检测手段，虽然具有较高的速度，但其对边缘的增强效果并不理想。基于模型的方法，包括马尔可夫随机域模型[17－18]、聚类模型[19]、泊松模型[20]和自回归模型等[21]，这些模型虽然简单，但其参数的估计都较困难，特别是对于非线性算子就更为困难。 神经网络的一个重要的特性是它的模糊运算和学习能力，通过自动调节自身的联系权重，最终得到希望的输入输出映射。神经网络的模糊运算和学习能力使其特别适合解决模式识别一类的非线性问题，且一旦学习完成后，其响应过程简单。缺陷检测问题本质上是对带钢表面进行分析，以判断是有缺陷还是无缺陷，在这个意义上，缺陷检测问题可以理解为模式识别问题，因此本文采用神经网络的方法对带钢表面缺陷进行检测。