基于BP神经网络的墙地砖缺陷检测技术研究r
r
　　摘要：基于人工分拣的墙地砖质量检测环节不仅造成人力资源的浪费，更无法保证质量检测的准确度，影响了墙地砖产品的档次提高。为了节省成本，进一步提高墙地砖的生产效率，本文利用颜色通道下的共生矩阵特征作为图像视觉特征，并充分利用图像的纹理信息和颜色信息，训练出一个适用于墙地砖缺陷分类的BP神经网络。通过实验结果的数据分析，基于BP神经网络的墙地砖缺陷检测技术能够对多种尺寸规格、颜色、图案的墙地砖得到较好的检测结果。r
　　关键词：颜色通道；共生矩阵特征；墙地砖缺陷；BP神经网络r
0引言r
　　我国墙地砖行业庞大，从事墙地砖生产的企业众多，其经济生产在国民经济中占有重要位置1。然而，目前大多数墙地砖生产厂家的质量检测主要依靠人工进行，在实际生产过程中，针对墙地砖产品的颜色和外形缺陷的自动化检测技术相对滞后24。并且，国内利用计算机视觉技术进行墙地砖智能化检测系统的开发起步较晚，但受到墙地砖生产企业的需求刺激，近年来大量关于墙地砖缺陷的理论研究也随之展开57。本文首先利用灰度阈值分割法，将目标图像与背景图像进行分割，提取出数字图像中的墙地砖目标。然后，利用图像去噪、图像特征提取与分析、改进的BP神经网络等实际技术手段实现墙地砖的质量检测。最后，深入研究这些方法在实际检测过程中的应用，并通过实验结果的数据分析，验证了该检测技术可以提高墙地砖检测的准确度和速度。r
1墙地砖目标图像获取r
　　实际的图像获取中，由于CCD摄像头的光电传感器尺寸是固定的，因此，得到的数字图像不可能仅包含待检测的墙地砖产品，或多或少地都会有一定的背景存在。缺陷检测的目标只是墙地砖，背景不仅会增大计算量，还会影响检测效果。为此，在图像预处理环节采用灰度阈值分割法，将待检测目标从背景中分割出来，进而得到目标图像。r
　　假设图像gxy的灰度范围为0L，则可以在0L之间选取一个灰度值T作为阈值，进而进行二值化，得到二值图像：r
　　r
　　若期望保留背景部分，仅将背景部分的像素灰度设置为0，可采用半灰度阈值法。假设背景部分较暗，即：r
　　r
　　为了得到最优的灰度阈值，使得方差最大，需要对图像中所有像素点的灰度值进行方差计算。假设一个数字图像的灰度级数为L，灰度值为i的像素数为
i，此时可以得到总像素数为：r
　　r
　　各个灰度出现的频率为：r
　　r
　　假设，取灰度值k作为灰度阈值，那么可以将灰度值划分为C1和C2两个部分，r