一、计算机图像处理技术应用于晶振元件缺陷检测(论文文献综述)
李书伟[1](2021)在《基于深度学习的点胶缺陷检测系统设计》文中提出在工业电子产品生产领域中,通常会使用点胶机对产品零部件进行粘合处理防止部件脱落。点胶机在完成快速点胶的同时,也难免会有点胶缺陷的产生。以往的做法都是进行人工点胶质量的检查,不仅效率低而且容易产生误判和漏判,并且依赖大量的人力需求。本文将针对该场景下点胶检测进行基于深度学习的点胶缺陷检测系统的设计,具体开展工作如下:(1)本文首先通过结合图像预处理处理技术,对基于3D相机拍图的数据做图像二维化处理将其转化为灰度图像。由于3D相机是依赖激光反射构图,所以难免造成激光的漫反射而导致指定位置像素无法接收到准确的值,这表现在灰度图上就是噪点和亮斑。针对这两种现象分别对灰度图做高斯滤波和形态学开运算处理以去除噪点和亮斑。(2)由于本文的关注点在于胶线部分的缺陷,而拍图则为整幅画面图,胶线占比较少,所以为了提高检测效率和精度需要对胶线部分使用模板匹配进行准确的抠图。考虑到模板图片和待匹配图片存在位移、角度和尺度的变换关系,本文使用基于频域的模板匹配,利用图像频域的变换关系对图像做精准的匹配。最后根据缺陷类别的数据定义对绞线图进行类别判定。由于基于图像处理数据的缺陷类别判定精确率和时间复杂度都不能满足工业场景的需求,所以本文提出使用深度学习的方法对胶线图进行分类判别,设计了基于LeNet-5的数据增强和基于VGG-16的迁移学习以及基于LeNet-5做出模型结构的改进这三种方案。(3)最后对点胶缺陷检测软件系统做了详细的需求分析以及指标分析,然后对软件模块进行总体的设计和各个模块详细的设计,包括图像采集预处理模块,模板库建立模块和胶线缺陷检测模块。最终通过编程实现了整个软件系统,并验证测试了系统基本达到设计需求。通过实验验证,在改进的LeNet-5的基础上使用数据增强的方案指标最优,在时间复杂度和准确率上均优于图像处理的数据计算方式,最终本文将该方案确定为最终的点胶缺陷分类深度学习模型。实验结果表明,本文所提出的基于深度学习的点胶缺陷检测系统能够精度更高,效率更快的完成点胶缺陷检测任务。
陈文文[2](2021)在《金属表面缺陷检测系统研究与实现》文中研究表明产品质量检测是产业健康发展的重要环节。对于金属制品业而言,金属表面缺陷检测极为重要,是金属制品品质界定的重要依据,也是产品性能评估的重要手段。在金属表面缺陷检测领域,传统检测方法大多通过人工目测完成,存在检测效率低、结果准确率低、人为干扰因素大等问题,无法满足产业快速发展及现代化的要求,更与发达国家的实时质量检测系统存在较大差距。为保持产品优势、确保产业健康发展,我国金属表面检测的自动化及智能化水平亟待提升,而以机器视觉技术为核心基础的自动金属表面缺陷检测系统,是我国金属制品检测自动化的重要举措,符合产业现代化的内在要求。本课题研究的主要内容是金属表面缺陷检测的技术原理及实现。课题研究的主要任务和创新之处在于:(1)在吸收与借鉴国内外现有相关技术手段的基础上,根据金属表面检测的具体需求,探讨研究基于深度学习技术的金属表面缺陷检测系统的硬件设计方案;(2)基于传统的金属表面缺陷检测算法,探讨更加高效、准确的全自动检测系统的改进算法;(3)对上述硬件设计与软件算法进行整合,形成一种全新的自动检测系统,借助深度学习技术实现对金属表面缺陷的全自动检测。课题研究已完成以下工作:(1)系统地对现有国内外金属表面缺陷检测技术进行梳理总结,从金属表面缺陷检测的具体需求和目标出发,完成对本系统的硬件选型,有效满足视觉系统的功能需求。同时为满足现代金属表面检测高效、准确的要求,研发一种以机器视觉技术为基础的在线自动检测系统,并根据功能需求完成硬件设计。具体过程包括采取三相机协同采样原理,形成金属表面的立体图像,并结合LED自动频闪光源完成金属表面图像的同步采集,为缺陷分析提供丰富的素材。(2)重点研究现有金属表面缺陷检测系统的技术原理,对其算法的优势与不足进行探讨分析,并进一步完成以深度学习为基础的改进型算法,以此提高检测技术水平;同时针对以光滤波去周期性纹理技术为基础的检测方法中的技术缺陷,采取CNN技术,降低因光照不均以及空间结构对检测结果造成的不利影响,并通过严谨全面的检测实验,验证本文所用方法在提高图像检测抗噪性、实现好的分割效果方面的有效性。(3)根据系统的功能目标完成软件程序框架的设计开发。具体采取Visual studio、Accord.net等开发环境,实现硬件与软件的有机融合,从而构建起以机器视觉技术为核心的金属表面缺陷检测系统,实现金属表面缺陷检测技术的创新发展。
勒系遥[3](2021)在《基于机器视觉的SMT元器件3D重建与缺陷识别方法研究》文中进行了进一步梳理PCB(Printed Circuit Board,印刷电路板)是电子产品的核心部件,广泛应用于现代社会的各类行业,市场需求量广大。PCB上元器件的缺陷检测是PCB生产的必经环节,而电子元件小型化、高集成化的趋势以及SMT(Surface Mounting Technology,表面贴装技术)的发展使得PCB上贴装的元件密度更大尺寸更小,传统人工检查的方式已无法满足工业上对于检测精度和速度的要求。AOI(Automated Optical Inspection,自动光学检测)是一种基于数字图像处理的具有非接触、高精度、快速等优点的新型检测技术,在PCB缺陷检测上逐渐得到应用,但是一般的2D视觉检测方法难以识别与元件高度相关的缺陷,容易产生漏检,3D的检测手段可以有效识别此类高度缺陷,对保证产品质量,减少报废率起到积极作用,所以研发一套基于机器视觉的SMT元器件的高度缺陷识别系统具有重要的意义和价值。本文以SMT工艺后的PCB元器件为对象,针对元器件的高度缺陷设计了一个视觉识别系统,拟解决PCB图像的精确拼接、SMT元器件的精准三维重建以及SMT元器件的高度缺陷识别等问题,主要研究内容如下:(1)SMT元器件高度缺陷视觉识别系统方案设计。对SMT元器件的高度缺陷检测要求进行分析,完成了图像采集模块和光栅投影模块的硬件设计并搭建系统。根据缺陷识别流程和功能要求,完成了系统软件的结构以及总体图像处理算法的设计。最后设计了基于mark点的PCB图像定位和位姿校正的方案。(2)基于改进SURF配准的PCB图像精准拼接方法。根据PCB图像纹理丰富、特征复杂的特点,提出了基于重合区域与复合条件约束的PCB图像配准方法。为了提高PCB图像拼接的速度和鲁棒性,提出了基于重合区域的特征提取方法与基于图像分块匹配的特征匹配方法。针对PCB图像相似特征多容易出现特征误匹配的问题,提出了基于Hamming距离的特征点粗筛选方法和基于多条件约束的特征点精筛选方法,有效去除误匹配点,提高PCB图像的拼接精度。(3)基于多光栅数据融合的SMT元器件三维重建方法。针对PCB上元器件的遮挡和阴影问题,设计了360°多光栅无阴影3D投影系统结构。针对PCB表面反光等干扰造成的三维模型的高度误差,提出了基于限值滤波的高度误差滤波方法。为进一步消除元器件阴影误差,提高三维重建精度,提出了基于高斯加权平均的多光栅高度数据融合方法。(4)SMT元器件高度缺陷识别方法。针对PCB上尺寸小纹理简单的元器件定位不准的问题,提出了基于多特征的元器件精确定位方法。为了分割PCB元器件本体和引脚区域进行分区域高度提取,提出了基于灰度统计的阈值分割方法。针对大尺寸PCB基板弯曲倾斜等问题引起的高度测量误差,提出了基于HSV颜色的PCB绿油面重构方法以及元器件高度误差校正方法。最后对元器件的四类高度缺陷设计了不同的高度数据处理和判定方法。综上,本文根据SMT元器件缺陷识别的技术要求,设计了一套基于机器视觉的SMT元器件3D重建与缺陷识别系统。本系统采用高性能研华工业控制计算机作为核心处理器,以高速Coa XPress工业相机、高性能Matrox图像采集卡、工业镜头、RGB三色光源和高精度UPOLabs光栅投影仪作为图像采集和光栅投影单元,以西门子PLC作为运动控制核心,进行硬件平台的搭建。然后提出了基于改进SURF配准的PCB图像精准拼接方法、基于多光栅数据融合的SMT元器件3D重建方法以及SMT元器件高度缺陷识别方法。最后基于Windows开发平台和Visual Studio2015、QT软件平台完成了系统软件设计,主要包含离线参数设定功能、在线检测功能以及数据管理功能。经PCB工件的批量测试,本文所设计的系统缺陷识别准确率达99%以上,基本满足生产需求且系统稳定可靠。
马晓雄[4](2021)在《基于机器视觉的特钢棒材表面缺陷检测方法研究》文中研究说明特钢棒材作为重要工业设备零部件的原材料之一,是目前冶金行业的重要产品,在生产加工过程中,由于轧制设备,加工工艺等因素,特钢棒材表面不可避免的会出现各种外部缺陷,这在影响产品外观的同时会导致特钢性能发生变化,造成韧性、抗弯强度和耐磨性等指标下降。而随着市场对产品要求的提高,原材料的表面质量也变得至关重要。为了能够有效控制特钢棒材的出厂质量、改进特钢棒材生产工艺因此、研究表面缺陷的形成原因,对特钢棒材表面缺陷进行准确高效的检测尤为重要。同时,进行相关研究研究对降低生产成本、改善工人工作环境、提高检测精度与生产效率大有益处。机器视觉检测相较于超声波、漏磁、涡流等自动化检测手段,机器视觉检测有非接触性,易于实现智能化与自动化等优势,因而广泛应用于表面缺陷检测中。在对相关领域研究现状与成果进行分析、研究与总结的基础上,通过对特钢棒材表面缺陷特征进行研究结合课题要求,制定了本文的研究目的与研究内容,具体如下:缺陷检测试验台设计:对现有机器视觉系统的构成和工作原理进行了深入研究,根据特钢棒材表面缺陷的特征、图像采集环境及缺陷检测的技术指标对所需相机、镜头等图像采集单元进行了设计选型。通过对特钢棒材自身的形貌特征进行分析,确定了造成反光严重的原因,为了弱化此影响提高原始图像质量高,对比了大量不同类型、颜色、尺寸的光源及不同的光照布置方案,选择了最适合特钢棒材的光源与照明方式;设计了更易于形成清晰的特钢棒材表面图像的机器视觉检测系统。图像预处理算法设计:由于特钢棒材形状为弧形,表面为曲面,故在原始图像采集过程中会因光照不均导致采集的图像中间较亮,两侧较暗、图像灰度不均,且由于获取传输原始图像过程中,会引入各种噪声,严重干扰了图像的可观测信息,对图像检测造成不利影响。基于此,提出了针对特钢棒材图像的预处理算法。首先对原始图像分段线性灰度变换以达到均匀图像灰度的目的;其次,对特钢棒材图像进行同态滤波处理以达到滤波去噪的目的;最后,采用形态学运算与边缘检测相结合的方法对棒材图像进行处理,从而达到提取缺陷的目的。棒材表面缺陷检测算法设计:针对特钢棒材表面纹理复杂、光照不均、图像灰度不均等特点本文提出一种非下采样剪切波变换(NSST)与形态学理论相结合的金属棒材表面划痕缺陷视觉检测算法。首先采用NSST对采集的原始图像进行分解,并对分解后的高频成分采用各向异性扩散及改进的自适应gamma校正进行滤波与增强,对低频成份采用尺度空间将底层尺度空间与各层尺度空间做图像减法后进行加权归一;然后采用NSST逆变换对各成分进行重构,得到背景均匀且噪声较少的重构图像;最后结合形态学处理对噪声的不敏感性及Sobel算子提取与保留边缘特征的准确性,对所得的重构图像进行形态学开运算、Sobel算子边缘检测及形态学闭运算;最后采用霍夫直线检测完成表面缺陷数量、尺寸、位置坐标的检测。表面缺陷检测系统设计:为简化用户操作流程,基于Matlab设计了一套界面直观简洁、功能齐全、易于操作的表面缺陷检测系统,该系统包括图像显示模块、数据管理模块、缺陷检测控制模块及缺陷数据反馈模块,能够很大程度简化检测流程,实现特钢棒材的在线智能检测。
苏俊峰[5](2021)在《X射线探伤图像的焊缝缺陷检测系统的设计与实现》文中提出近年来,随着工业领域技术的高速发展,无损探伤技术作为焊接产品质量检测的一种重要手段,被广泛的应用在军事、车辆、航天、建筑、医疗等高新技术领域,技术设备由最初的电子管式超声波探伤仪发展为当今数字化实时成像的计算机。在工业焊接领域,X射线检测技术作为一种常用的无损探伤方法,可以有效的获取元件内部的胶片图像,并通过人工肉眼评测的方式,对焊缝缺陷进行检测和质量评估。这种人工检测的方式费时费力,而且准确率不够稳定,极为依靠检测人员的专业性和经验,人工成本较高。因此,研究一种针对焊缝图像的智能缺陷检测方案可以有效的辅助检测人员的工作,提高检测效率,具有重要的实际意义。本文的研究内容主要分为以下几个方面。首先,根据焊缝图像的特点,本文对图像预处理和神经网络的技术进行了深入的调研和实验。在改善图像质量方面,采用了限制对比度自适应直方图均衡化的方法进行图像的增强,以及中值滤波的方法降低图像的噪声。其次,在有效区域提取方面,采用了滤波去噪、阈值分割、形态学处理、轮廓提取、矩形框外接的方法去除了成像两侧的干扰信息。最后,在目标检测方面,本文采用Faster RCNN和YOLO v3这两种经典的深度学习目标检测模型在焊接图像数据集上实验,并对实验结果进行了分析和比较,最终得到了一个精度、检测速度均符合要求的神经网络模型。根据以上研究内容,本文最终实现了一个基于X射线图像的焊缝缺陷智能检测系统,包含图像区域提取、图像处理、智能缺陷检测、结果评估等多方位一体化功能,辅助研究人员的探伤工作,提高检测的精度和效率。
刘晓容[6](2021)在《基于视觉的芯片电容检测与分拣系统研究与实现》文中进行了进一步梳理芯片电容作为电子元器件之一,具有产量大、种类繁多、尺寸微小等特点。电容在出厂前需要对其进行分类统计并剔除残次品,以便于后续的管理和使用。采用传统的人工检测方式存在微型尺寸原件肉眼识别错误等问题,导致工作效率低下、检测成本过高,难以满足现代化工业生产的实际需求。而机器视觉具有准确度高、效率高、非接触性等优势,所以将机器视觉与机器人相结合的技术用于芯片电容等微型元器件的检测与分拣可以有效解决传统检测方法所存在的问题。本文提出的基于视觉的芯片电容检测与分拣技术,主要是完成芯片电容的残次品剔除、目标检测定位、抓取放置等系列操作,从而实现工业生产的自动化过程,大大提高了工业生产效率。本次论文针对芯片电容检测的主要工作内容有以下几个方面:(1)由于待检测的芯片电容尺寸微小(1.0mm±0.5mm),这对视觉引导系统的定位精度提出了很高的要求,也给芯片电容表面的缺陷检测带来了难度。视觉检测的精度主要从图像处理算法和图像采集系统的硬件设备上来加以控制和优化。根据待测芯片电容自身的特点和系统抓取精度要求,通过对比分析相关硬件设施和实验完成了视觉系统的光源、相机、镜头等主要硬件设备的选型。(2)研究了芯片电容的缺陷检测方法。主要是通过图像预处理,包括图像滤波、图像分割和形态学处理等。再利用特征提取计算芯片电容的矩形度来判断是否为缺角;最后采用动态阈值分割结合形态学方法实现表面划痕的检测,并对划痕缺陷进行了提取和数量统计。(3)研究了相机标定的原理及主要方法。首先了解了小孔成像模型和该模型下各个坐标系之间的转换关系。然后对目前的相机标定方法做了对比分析,本文最终选择了九点标定法,并通过实验进行了相机标定的精度测试。(4)研究了工件目标定位和系统模块之间的通信。首先,要实现工件的抓取,需要得到工件的位置信息,工件定位采用了Blob分析算法,主要包含了图像分割、形态学处理、连通性分析、特征值计算等步骤,并使用最小外接矩形得到工件的形心坐标作为机械臂抓取的关键点;其次,研究了各个模块之间的通信和机械臂控制,完成整个系统的检测和抓取动作,前提是要实现图像采集模块、图像处理模块与运动执行机构之间的通信和机械臂的控制。
贺贤珍[7](2021)在《基于深度学习的焊点缺陷图像检测研究》文中研究表明随着物联网技术与智能信息技术的发展,各式各样的电子产品涌入人们日常生活,它是智能感知并采集信息的基础,而电子产品的可靠性直接关系到系统是否能成功提取信息。焊点缺陷是影响各类电子产品硬件可靠性的常见因素,因此智能检测焊点缺陷是快速提高生产速度、提高产品质量的重要步骤。随着机器学习的发展和应用,基于深度学习的各种算法应用的优越性逐渐体现。本文主要从电子元件焊点缺陷检测出发,对检测算法进行如下研究:首先,对单级目标检测算法YOLOv3进行分析,为提高焊点的缺陷检测精度对其进行改进。浅层特征图包含小目标信息更多,因此为获得更多小缺陷的特征信息进而提高检测准确率,在原YOLOv3特征融合的基础上再融合浅层信息并改变多尺度预测尺度。为了进一步提高检测准确性改进边界框回归损失、置信度损失以及去除冗余预测框策略。通过在公开数据集上的实验证明改进的算法在缺陷检测,特别是在小目标的检测上具有较好的检测效果。其次,研究了两阶段目标检测算法Faster R-CNN原理,为了有效提取焊点的缺陷特征,利用Res Net50作为模型的特征提取网络对小缺陷的特征进行提取;为了融合缺陷目标深层和浅层信息,借鉴特征金字塔结构将多个尺度的特征进行融合。通过在公开数据集上的实验验证改进的算法有效提高了缺陷目标检测准确性。最后,焊点缺陷图像的检测。将获得的电子元件焊点缺陷进行缺陷图像数据集的预处理及标注,得到标准的数据集;分别将缺陷图像数据集应用于改进的YOLOv3、Faster R-CNN算法中进行焊点缺陷目标的检测。通过实验结果验证了改进的两种算法在焊点缺陷图像的检测精度上都有一定程度的提升,为很多缺陷检测的工业应用提供有效思路。
蔡敏[8](2021)在《基于Faster R-CNN的铁磁材料脉冲涡流热成像缺陷检测研究》文中研究说明铁磁性材料零部件被广泛地应用于大型机械设备、航天航空、管道运输等领域,铁磁性材料零部件在长期的服役过程中,由于受运行环境、制造工艺和使用方式等因素的影响,易产生表面或内部不同程度的损伤,影响设备运行情况及使用寿命,留下安全隐患,甚至造成工业事故。为此,对设备的铁磁性材料零部件及时地进行非接触、非侵入的检测变得十分重要。为了构建非接触、非侵入的缺陷检测模型,本文利用无损检测技术中的红外热成像技术,建立红外热图像缺陷检测试验平台,研究基于红外热图像缺陷检测技术与方法,实现对部件或设备缺陷的无损检测分析。论文聚焦于建立红外热成像检测试验平台,构建红外热成像缺陷检测模型等研究内容,围绕铁磁性材料红外热成像中的热图像去噪、缺陷的识别与定位、边缘分割等问题和难点展开研究,研究内容如下:(1)针对采集的铁磁性材料红外图像存在较大的噪声干扰,采用一种优化的K-SVD字典学习算法。首先固定初始字典,然后利用正交匹配追踪算法求出稀疏系数;通过运用迭代算法用稀疏系数对初始字典进行更新学习,并从中学习出自适应于目标信号的冗余字典。实验证明,该方法能有效的减少图像中噪声的干扰,有利于下一步的缺陷识别与定位。(2)针对铁磁性材料的红外热成像检测中存在表面缺陷检测速度慢和图像干扰信息多的问题,建立了一种基于改进的Faster R-CNN的铁磁性材料红外图像智能检测模型,提高了Faster R-CNN图像处理能力。改进的Faster R-CNN使用VGG-16网络进行迁移学习,将网络中多个层次的特征图进行融合,并对RPN网络的锚框选择方案进行了调整。实验结果证明,该模型能准确的检测出缺陷并确定缺陷的具体位置,对4种长度不同的缺陷的平均检测正确率达到了96%。(3)针对识别出的缺陷在图像中边缘特征信息不突出的问题,采用基于数学形态学的边缘检测方法,对确定出具体缺陷位置的图像进行边缘分割。该方法以信息熵的比值为依据,采用不同方向的算子对缺陷图像进行边缘检测,然后根据每张边缘检测图像有用信息的多少赋予权值,再融合图像,从而准确地分割出缺陷图像的边缘轮廓。论文建立了红外热图像无损检测平台,以红外热图像作为无损检测手段,解决了热图像误分割、缺陷检测定位等问题,建立了铁磁性材料的缺陷检测分析模型,可以检测出设备存在的缺陷,为设备的安全运行提供保障。
吴心豪[9](2020)在《基于机器视觉的电源变压器缺陷检测系统的研究与实现》文中进行了进一步梳理电源变压器在电路中发挥着变换电压、分配电能等作用,是电气设备中的关键部件,其质量的优劣直接关系到电力系统的可靠性与安全性。目前工厂中电源变压器的缺陷检测主要依靠人工分拣来完成,这种方法不仅准确性差、效率慢,而且检测结果还受工人疲惫程度与技术经验的影响。结合机器视觉技术进行电源变压器外观质量检测,可以提高缺陷识别准确率、缩短检测时长并能长时间工作。因此本文借鉴大量视觉检测系统的实现过程,针对电源变压器缺陷特征开发了一套基于机器视觉的电源变压器缺陷检测系统。本文的主要研究工作如下:(1)分析电源变压器外观缺陷特征,拟定项目的设计需求,制定机器视觉检测系统的总体工作方案,对图像采集硬件平台进行研究与设计,并构建了世界与像素坐标的几何转换关系。(2)对图像预处理过程进行研究,选用弗雷曼链码对二值图进行轮廓提取,结合最小外接矩形与仿射变换实现图像的倾斜校正,选用中值滤波进行平滑去噪。在图像增强阶段,提出了一种改进的伽马变换算法,引入一个自动调节的变换系数,并针对不同的初始图像灰度均值以及光照强度情况进行分类处理,实现了图像的自适应增强。(3)对图像阈值分割过程进行研究,提出了一种结合二维Renyi熵进行二次阈值搜索的改进Otsu算法,并通过限制灰度值遍历范围和积分图加速计算降低算法的处理时长。经过实验对比,结果显示改进算法在分割精度与处理速度上都更具优势。针对电源变压器的缺陷特征设计相应的检测算法,通过开运算与轮廓检测提取印码区域,然后结合垂直投影法分割字符图像,并使用优化后的归一化算法对图像进行归一化处理,最后构建卷积神经网络进行字符识别来实现印码漏喷误喷缺陷检测,通过在动态范围内精确搜索管脚顶点坐标并计算管脚长度实现管脚断裂缺陷检测,通过特定阈值分割和轮廓面积比较实现合格标签破损缺陷检测,通过提取连通域轮廓并判断缺陷形状实现划痕斑点缺陷检测。(4)设计并实现检测系统的上位机软件平台,完成相机标定、缺陷检测、信息查询等功能的开发。对不同方位标定板图像进行角点提取和标定计算,求解相机的内外参数,并获取世界像素坐标转换方程和像素当量。对大量电源变压器样品图像进行缺陷检测,实验结果显示系统整体检测准确率达93.84%,平均耗时2.213s,满足系统设计需求。
向弋川[10](2018)在《基于机器视觉的光学镜片表面缺陷检测系统研究》文中提出在电子工业、光学仪器甚至于日常生活中等,各方面都离不开光学镜片的使用,关于光学镜片的工业产线也在逐渐变多。但是光学镜片表面在加工或使用过程中,往往会产生一系列的缺陷损伤,这些缺陷必定会影响镜片的使用性能。目前国内企业对于镜片检测的方法比较局限,不但需要人工操作,且仪器维护繁琐,不符合现代工业产线的自动化要求。为了对光学镜片表面缺陷进行准确识别,本文提出了一种基于机器视觉的光学镜片检测系统,可以广泛运用于相机镜头、眼镜镜片等相关光学镜片的缺陷检测中。基于机器视觉技术搭建了硬件检测平台,主要设计了由机电装置、图像采集系统、处理模块三部分组成的检测装置。机电装置的设计,主要包括传送带与分类装置,两者都由单片机连接到计算机,通过计算机控制传送速度或发出停止指令,由计算机的图像处理结果,完成镜片的分类筛选工作;随后是关键性的图像采集系统,通过对光源、照明方式、工业相机、镜头与工作环境的分析,选定合适的实验部件型号,达到最优的表面图像采集效果;而处理模块则是由PC计算机构成,协调检测工作的整体流程,分析缺陷检测结果,控制各模块的正常工作等,最终完成在线检测平台的搭建。软件设计则是以光学镜片的表面图像为中心,进行了一系列的算法讨论研究。首先是图像处理算法的确定,从图像预处理到图像分割,由不同算子的边缘检测技术再到数学形态学处理,最终建立了由拉普拉斯锐化、中值滤波、基于Canny算子的边缘检测等组成的算法程序。在注重精度要求的同时达到较高的运算速度,图像显示结果证明了算法的可靠性。其次是缺陷特征的提取及分类,综合计算表面缺陷的形状特征参数,选择了基于C4.5算法的决策树分类器。针对光学镜片表面存在的划痕、麻点、擦痕等多种缺陷类型,以参数集(圆度、凸包面积比、长宽比、圆形度)作为分类依据,达到了较高的分类准确率。最后通过MATLAB软件的GUI界面,建立了光学镜片表面缺陷检测的软件系统,完成硬件和软件的整体框架表达。本文利用机器视觉技术对光学镜片的表面缺陷检测研究进行了尝试和探索,最终完成了从理论上的程序算法到实际分类工作的过程,并通过观察大量的实验结果,验证了检测系统方案的可行性。
二、计算机图像处理技术应用于晶振元件缺陷检测(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、计算机图像处理技术应用于晶振元件缺陷检测(论文提纲范文)
(1)基于深度学习的点胶缺陷检测系统设计(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.2.1 机器视觉的发展现状 |
1.2.2 深度学习算法的发展现状 |
1.3 研究内容和组织结构 |
1.3.1 本文研究内容 |
1.3.2 本文组织结构 |
第二章 相关理论知识介绍 |
2.1 引言 |
2.2 图像预处理技术 |
2.2.1 3D激光相机成像原理 |
2.2.2 图像二维化 |
2.2.3 图像去噪 |
2.2.4 形态学处理 |
2.2.5 边缘检测 |
2.3 深度学习技术 |
2.3.1 深度学习概述 |
2.3.2 卷积神经网络理论 |
2.3.3 模型算法评价指标 |
2.4 本章小结 |
第三章 基于深度学习的点胶缺陷分类模型研究 |
3.1 引言 |
3.2 点胶缺陷分类和采集方式 |
3.2.1 手机中框结构 |
3.2.2 胶线缺陷分类 |
3.2.3 胶线数据采集 |
3.3 模型框架设计 |
3.4 模板匹配模块研究 |
3.4.1 图像变换和频谱变换关系 |
3.4.2 相位相关法 |
3.4.3 基于傅里叶变换和相位相关的模板匹配 |
3.5 深度学习模块研究 |
3.5.1 模型选择 |
3.5.2 LeNet-5模型介绍 |
3.5.3 模型训练方法 |
3.5.4 基于数据增强改进 |
3.5.5 基于迁移学习改进 |
3.5.6 基于LeNet-5模型结构改进 |
3.6 本章小结 |
第四章 点胶缺陷检测软件系统设计 |
4.1 引言 |
4.2 相关技术与开发环境介绍 |
4.3 软件系统设计 |
4.3.1 系统需求分析 |
4.3.2 软件各模块总体设计 |
4.3.3 软件各模块详细设计 |
4.4 软件系统实现 |
4.4.1 图像采集与预处理模块实现 |
4.4.2 模板库建立模块实现 |
4.4.3 胶线缺陷分类模块实现 |
4.5 软件系统功能测试 |
4.5.1 图像采集预处理功能测试用例 |
4.5.2 模板库建立功能测试用例 |
4.5.3 胶线缺陷分类功能测试用例 |
4.6 实验数据分析 |
4.6.1 实验环境配置和数据集 |
4.6.2 图像预处理实验数据分析 |
4.6.3 模板匹配实验数据分析 |
4.6.4 胶线图像处理分类算法实验数据分析 |
4.6.5 深度学习模型实验数据分析 |
4.7 本章小结 |
第五章 总结与展望 |
参考文献 |
附录 中英文缩略词对照表 |
致谢 |
(2)金属表面缺陷检测系统研究与实现(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 金属表面缺陷检测的国内外研究现状 |
1.3 金属表面缺陷检测的关键技术问题 |
1.4 常见的金属表面缺陷检测算法 |
1.4.1 基于统计的方法 |
1.4.2 基于频谱的方法 |
1.4.3 基于模型法及其他方法 |
1.5 本论文主要工作及内容安排 |
1.5.1 主要工作 |
1.5.2 内容安排 |
第2章 视觉检测系统硬件设计 |
2.1 视觉系统 |
2.1.1 机器视觉系统硬件结构 |
2.1.2 视觉系统需求分析 |
2.2 光源 |
2.2.1 光源的类型 |
2.2.2 光源的选择 |
2.3 摄像机 |
2.3.1 线阵相机与面阵相机 |
2.3.2 相机基本技术指标 |
2.3.3 相机的选型 |
2.4 金属表面缺陷检测系统硬件设计 |
2.4.1 检测对象参数分析 |
2.4.2 基于分布式的系统结构 |
2.5 本章小结 |
第3章 图像预处理 |
3.1 图像增强概述 |
3.2 图像去噪 |
3.2.1 噪声数据的来源与类型 |
3.2.2 去噪基本方法 |
3.3 金属表面缺陷图像预处理分析 |
3.3.1 基于中值滤波的图像平滑去噪处理 |
3.3.2 基于拉普拉斯的图像锐化增强处理 |
3.3.3 图像纹理特征的分析 |
3.3.4 形状特征的分析 |
3.4 本章小结 |
第4章 基于深度学习的缺陷检测 |
4.1 卷积神经网络CNN |
4.1.1 卷积层 |
4.1.2 池化层 |
4.1.3 完全连接层 |
4.2 AlexNet |
4.3 GoogLeNet |
4.4 实验检测 |
4.4.1 实验一: 使用单个CNN进行分类 |
4.4.2 实验二: 按分类阈值拒绝数据 |
4.4.3 CNN排斥 |
4.5 结论 |
第5章 在线缺陷检测系统 |
5.1 软件平台开发概述 |
5.2 视觉系统实现的关键技术 |
5.3 检测软件界面 |
5.3.1 客户端系统界面介绍 |
5.3.2 图像处理系统界面介绍 |
5.4 金属表面缺陷检测流程 |
5.5 基于机器视觉的APLIX铝型材缺陷检测应用 |
5.6 本章小结 |
第6章 总结与展望 |
6.1 论文研究工作总结 |
6.2 未来工作展望 |
参考文献 |
致谢 |
(3)基于机器视觉的SMT元器件3D重建与缺陷识别方法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题背景与意义 |
1.2 国内外研究现状 |
1.2.1 PCB视觉识别技术应用现状 |
1.2.2 光学三维重建技术研究现状 |
1.2.3 条纹光栅三维重建技术研究现状 |
1.3 论文研究内容与结构安排 |
第二章 SMT元器件高度缺陷视觉识别系统方案设计 |
2.1 引言 |
2.2 系统总体方案设计 |
2.2.1 识别对象及技术指标 |
2.2.2 课题检测要求分析 |
2.2.3 系统组成与工作流程 |
2.3 硬件系统设计 |
2.3.1 相机和镜头选型 |
2.3.2 图像采集卡选型 |
2.3.3 光源选型 |
2.3.4 光栅投影仪选型 |
2.3.5 运动控制方案设计 |
2.4 软件系统设计 |
2.4.1 软件系统结构设计 |
2.4.2 软件关键算法设计 |
2.5 PCB图像定位方案设计 |
2.5.1 基于Hough变换的mark圆检测 |
2.5.2 基于mark点的图像位姿校准 |
2.6 本章小结 |
第三章 基于改进SURF配准的PCB图像精准拼接方法 |
3.1 引言 |
3.2 基于SURF的特征点提取方法 |
3.2.1 常用特征点提取算法性能对比 |
3.2.2 SURF和 BRISK算法简介 |
3.2.3 PCB图像预处理方法 |
3.3 基于重合区域与复合条件约束的PCB图像配准方法 |
3.3.1 基于重合区域的图像特征提取方法 |
3.3.2 基于分块匹配的特征匹配方法 |
3.3.3 基于Hamming距离的特征点粗筛选方法 |
3.3.4 基于多条件约束的特征点精筛选方法 |
3.4 图像变换与图像融合方法 |
3.5 试验测试与结果分析 |
3.5.1 试验条件介绍 |
3.5.2 特征点匹配方法实时性验证试验 |
3.5.3 特征点误匹配筛选效率验证试验 |
3.6 本章小结 |
第四章 基于多光栅数据融合的SMT元器件3D重建方法 |
4.1 引言 |
4.2 条纹光栅三维重建系统 |
4.2.1 光栅投影系统结构简介 |
4.2.2 360°多光栅三维重建系统结构 |
4.3 基于四步相移法的PCB三维重建方法 |
4.3.1 四步相移法原理简介 |
4.3.2 系统标定方法 |
4.3.3 单光栅PCB三维重建 |
4.4 多光栅数据配准与融合方法 |
4.4.1 基于限值滤波的高度滤波方法 |
4.4.2 基于高斯加权平均的多光栅数据融合方法 |
4.5 试验测试与结果分析 |
4.5.1 试验条件介绍 |
4.5.2 多光栅数据融合方法性能验证试验 |
4.5.3 多光栅三维重建方法精度验证试验 |
4.6 本章小结 |
第五章 SMT元器件高度缺陷识别方法 |
5.1 引言 |
5.2 PCB元器件定位与分割方法 |
5.2.1 基于多特征的元器件定位方法 |
5.2.2 基于灰度统计的阈值分割方法 |
5.3 基于三维数据的PCB板弯误差校正方法 |
5.3.1 基于HSV特征的PCB绿油面提取方法 |
5.3.2 元器件高度校正方法 |
5.4 PCB元器件高度缺陷识别方法 |
5.4.1 基于区域映射的高度提取方法 |
5.4.2 元件高度识别方法 |
5.4.3 元件起翘识别方法 |
5.4.4 电极起翘识别方法 |
5.4.5 电极平整度识别方法 |
5.5 试验测试与结果分析 |
5.5.1 试验条件介绍 |
5.5.2 PCB元器件定位方法性能验证试验 |
5.5.3 PCB板弯误差校正方法性能验证试验 |
5.5.4 高度缺陷识别方法性能验证试验 |
5.6 本章小结 |
第六章 缺陷识别系统软件设计与试验分析 |
6.1 引言 |
6.2 缺陷识别系统软件设计 |
6.2.1 离线参数设定模块设计 |
6.2.2 在线检测模块设计 |
6.2.3 数据管理模块设计 |
6.3 系统检测试验与误差分析 |
6.3.1 系统检测流程验证试验 |
6.3.2 系统缺陷识别准确性试验 |
6.3.3 误差分析 |
6.4 本章小结 |
第七章 结论与展望 |
7.1 主要结论 |
7.2 创新点 |
7.3 展望 |
致谢 |
参考文献 |
附录:攻读硕士学位期间获得的科研结果 |
(4)基于机器视觉的特钢棒材表面缺陷检测方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 相关领域国内外研究现状 |
1.3 课题的研究内容与组织结构安排 |
1.3.1 主要研究内容 |
1.3.2 论文结构安排 |
第2章 特钢棒材表面缺陷检测试验台设计 |
2.1 试验台整体构成 |
2.2 机器视觉系统硬件选型 |
2.2.1 工业相机选型 |
2.2.2 光源选型 |
2.2.3 镜头选型 |
2.2.4 光照方案布置 |
2.3 其它硬件选型 |
2.3.1 工控机选型 |
2.3.2 GPU选型 |
2.4 特钢棒材表面缺陷检测试验台搭建 |
2.5 本章小结 |
第3章 特钢棒材图像预处理算法研究 |
3.1 图像灰度变换 |
3.1.1 直方图均衡化 |
3.1.2 全局线性变换 |
3.1.3 分段线性灰度增强 |
3.2 图像分割 |
3.2.1 基于阈值的图像分割算法 |
3.2.2 基于边缘检测的图像分割算法 |
3.3 图像滤波 |
3.3.1 特钢棒材图像噪声分析 |
3.3.2 均值滤波 |
3.3.3 中值滤波 |
3.3.4 改进的中值滤波 |
3.3.5 同态滤波 |
3.3.6 实验分析 |
3.4 本章小结 |
第4章 特钢棒材表面缺陷检测算法研究 |
4.1 特钢棒材表面缺陷图像特征分析 |
4.1.1 几种常见特钢棒材表面缺陷 |
4.1.2 特钢棒材图像特征分析 |
4.1.3 特钢棒材近似缺陷检测 |
4.2 划痕缺陷检测算法研究 |
4.2.1 划痕缺陷图像特征分析 |
4.2.2 数据库建立 |
4.2.3 划痕缺陷检测算法原理 |
4.3 基于NSST的特钢棒材表面缺陷检测算法 |
4.3.1 NSST原理 |
4.3.2 形态学处理 |
4.3.3 形态学与边缘检测算法研究 |
4.3.4 算法参数选择 |
4.4 实验与结果分析 |
4.5 特钢棒材表面缺陷动态检测算法研究 |
4.5.1 背景差分法 |
4.5.2 光流法 |
4.5.3 帧间差分法 |
4.5.4 动态目标检测算法研究 |
4.6 本章小结 |
第5章 特钢棒材表面缺陷检测系统软件设计 |
5.1 软件设计需求分析 |
5.2 软件结构与缺陷检测流程设计 |
5.2.1 软件结构设计 |
5.2.2 缺陷检测流程设计 |
5.3 人机交互界面设计 |
5.4 动态缺陷检测系统设计 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
攻读学位期间取得的研究成果 |
致谢 |
(5)X射线探伤图像的焊缝缺陷检测系统的设计与实现(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.3 主要研究内容 |
1.4 本文结构 |
第二章 相关技术概述 |
2.1 图像处理 |
2.1.1 图像增强 |
2.1.2 图像降噪 |
2.2 目标检测 |
2.2.1 传统模型 |
2.2.2 深度学习模型 |
2.3 本章小结 |
第三章 焊接图像缺陷检测实验与分析 |
3.1 数据集介绍 |
3.2 预处理实验与分析 |
3.2.1 实验环境介绍 |
3.2.2 图像增强实验 |
3.2.3 图像降噪实验 |
3.2.4 焊缝区域提取研究与实验 |
3.3 目标检测模型的实验与分析 |
3.3.1 实验环境介绍 |
3.3.2 数据集配置 |
3.3.3 训练参数配置 |
3.3.4 评价指标 |
3.3.5 实验结果展示 |
3.4 本章小结 |
第四章 焊缝图像缺陷检测系统的需求分析 |
4.1 整体需求 |
4.2 功能性需求 |
4.2.1 信息维护功能 |
4.2.2 焊缝区域提取功能 |
4.2.3 图像处理功能 |
4.2.4 焊缝缺陷检测功能 |
4.2.5 检测结果评估功能 |
4.3 非功能性需求 |
4.3.1 易用性 |
4.3.2 响应速度 |
4.4 本章小结 |
第五章 焊缝图像缺陷检测系统的设计与实现 |
5.1 概要设计 |
5.1.1 开发环境 |
5.1.2 系统架构 |
5.1.3 模块划分 |
5.1.4 界面设计 |
5.1.5 数据库设计 |
5.2 详细设计 |
5.2.1 信息维护模块 |
5.2.2 焊缝区域提取模块 |
5.2.3 图像处理模块 |
5.2.4 焊缝缺陷检测模块 |
5.2.5 检测结果评估模块 |
5.3 本章小结 |
第六章 焊缝图像缺陷检测系统的功能测试 |
6.1 测试环境 |
6.2 主要模块测试 |
6.2.1 信息维护模块测试 |
6.2.2 焊缝区域提取功能测试 |
6.2.3 图像处理模块测试 |
6.2.4 焊缝缺陷检测模块测试 |
6.2.5 检测结果评估模块测试 |
6.3 本章小结 |
第七章 总结与展望 |
7.1 本文总结 |
7.2 未来工作展望 |
参考文献 |
致谢 |
(6)基于视觉的芯片电容检测与分拣系统研究与实现(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究与发展现状 |
1.2.1 基于视觉的检测技术研究现状 |
1.2.2 机器人分拣技术研究现状 |
1.3 本文主要的研究内容和章节安排 |
第二章 芯片电容检测与分拣的总体设计方案 |
2.1 机器人分拣技术概述 |
2.1.1 视觉处理单元 |
2.1.2 运动控制基本思想 |
2.2 检测与分拣系统总体方案 |
2.3 硬件选型设计 |
2.3.1 光源系统 |
2.3.2 相机 |
2.3.3 镜头 |
2.3.4 机械臂 |
2.4 软件系统的工作流程 |
2.5 本章小结 |
第三章 芯片电容的缺陷检测分析 |
3.1 图像滤波与增强 |
3.2 图像ROI提取 |
3.3 图像分割 |
3.3.1 分割方法的选取 |
3.3.2 固定阈值分割 |
3.3.3 动态阈值分割 |
3.3.4 改进最大类间方差法 |
3.3.5 实验结果比对分析 |
3.4 图像形态学处理 |
3.4.1 开运算 |
3.4.2 闭运算 |
3.4.3 实验结果分析 |
3.5 基于方向梯度的表面划痕区域生长 |
3.6 特征提取 |
3.7 实验结果与分析 |
3.8 本章小结 |
第四章 工件定位与抓取 |
4.1 相机标定 |
4.1.1 相机成像模型 |
4.1.2 坐标转换关系 |
4.1.3 相机畸变模型 |
4.1.4 相机标定实验 |
4.2 Blob分析 |
4.2.1 Blob分析理论 |
4.2.2 连通性分析 |
4.2.3 特征值计算及检测定位 |
4.3 边缘处理 |
4.4 系统的整体实现 |
4.5 实验与分析 |
4.6 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的成果 |
(7)基于深度学习的焊点缺陷图像检测研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景及意义 |
1.2 研究现状 |
1.2.1 焊点缺陷图像检测算法研究现状 |
1.2.2 目标检测算法研究现状 |
1.3 本文研究内容 |
1.4 论文组织结构 |
1.5 本章小结 |
2 焊点缺陷及卷积神经网络 |
2.1 引言 |
2.2 焊点缺陷图像数据集 |
2.2.1 数据来源 |
2.2.2 数据集分析 |
2.3 卷积神经网络的组成 |
2.4 基于卷积神经网络的典型模型 |
2.5 本章小结 |
3 基于改进YOLOv3 的焊点缺陷图像检测算法 |
3.1 引言 |
3.2 YOLOv3 目标检测算法 |
3.3 基于YOLOv3 的改进算法 |
3.3.1 多尺度特征融合 |
3.3.2 损失函数 |
3.3.3 去冗余框策略 |
3.4 算法验证实验及分析 |
3.4.1 实验数据集 |
3.4.2 实验平台及评价指标 |
3.4.3 参数设置及模型训练 |
3.4.4 实验结果与分析 |
3.5 本章小结 |
4 基于改进Faster R-CNN的焊点缺陷图像检测算法 |
4.1 引言 |
4.2 Faster R-CNN目标检测算法 |
4.3 基于Faster R-CNN的改进算法 |
4.3.1 特征提取网络 |
4.3.2 多尺度特征融合 |
4.3.3 锚框设置 |
4.4 实验及算法性能分析 |
4.4.1 实验平台与模型训练 |
4.4.2 实验结果与分析 |
4.5 本章小结 |
5 焊点缺陷图像检测实验及性能分析 |
5.1 缺陷图像数据集制作 |
5.1.1 数据预处理 |
5.1.2 缺陷数据集标注 |
5.2 基于改进YOLOv3 的缺陷图像检测实验结果分析 |
5.2.1 模型训练 |
5.2.2 电子元件焊点缺陷检测结果分析 |
5.3 基于改进Faster R-CNN的缺陷图像检测实验结果分析 |
5.4 本章小结 |
6 总结及展望 |
6.1 全文总结 |
6.2 工作展望 |
致谢 |
参考文献 |
攻读学位期间取得的研究成果 |
(8)基于Faster R-CNN的铁磁材料脉冲涡流热成像缺陷检测研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 脉冲涡流热成像检测技术研究现状 |
1.2.2 热成像数据处理方法的国内外研究现状 |
1.3 研究思路与内容安排 |
1.3.1 研究思路 |
1.3.2 章节安排 |
第二章 脉冲涡流热成像检测原理与实验平台的开发 |
2.1 脉冲涡流加热技术 |
2.1.1 脉冲涡流加热趋肤效应原理 |
2.1.2 脉冲涡流加热原理 |
2.2 红外热成像检测技术 |
2.3 涡流热成像技术检测平台 |
2.3.1 红外热成像系统 |
2.3.2 脉冲涡流加热装置 |
2.4 基于涡流热成像技术的铁磁材料缺陷检测平台 |
2.4.1 下位机硬件设计 |
2.4.2 系统上位机软件设计 |
2.5 本章小结 |
第三章 基于K-SVD的红外图像去噪 |
3.1 K均值聚类算法(K-means) |
3.2 K-SVD算法 |
3.2.1 奇异值分解 |
3.2.2 K-SVD字典学习算法原理分析 |
3.3 基于K-SVD算法的图像去噪 |
3.4 仿真实验与分析 |
3.4.1 图像质量评价 |
3.4.2 算法参数选择 |
3.4.3 仿真实验与结果分析 |
3.5 本章小结 |
第四章 基于Faster R-CNN的涡流热成像缺陷识别与定位 |
4.1 传统目标检测算法 |
4.1.1 HOG特征提取 |
4.1.2 支持向量机 |
4.2 卷积神经网络 |
4.2.1 卷积层 |
4.2.2 池化层 |
4.2.3 激活函数 |
4.3 基于CNN的目标定位算法 |
4.3.1 R-CNN |
4.3.2 Fast R-CNN |
4.3.3 Faster R-CNN |
4.4 数据处理与网络优化 |
4.4.1 数据集增广原理 |
4.4.2 特征提取网络优化 |
4.4.3 锚点框参数优化 |
4.5 仿真实验与结果分析 |
4.6 本章小结 |
第五章 基于数学形态学的图像分割 |
5.1 基于边缘检测算子的图像分割算法 |
5.1.1 Roberts算子 |
5.1.2 Prewitt算子 |
5.1.3 数学形态学基本原理 |
5.2 基于改进的多尺度形态学图像分割算法 |
5.2.1 基于数学形态学的滤波算法 |
5.2.2 基于多方向数学形态学图像分割算法 |
5.2.3 算法流程 |
5.3 实验结果分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 论文主要研究总结 |
6.2 研究展望 |
致谢 |
参考文献 |
附录 A(攻读硕士期间发表的论文、申请的专利、软着) |
附录 B(攻读硕士期间参与的项目) |
附录 C(涡流红外热图像无损检测硬件系统PCB图) |
(9)基于机器视觉的电源变压器缺陷检测系统的研究与实现(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 课题来源 |
1.2 课题背景及意义 |
1.3 相关领域国内外研究现状 |
1.3.1 机器视觉检测技术发展现状 |
1.3.2 机器视觉检测算法研究现状 |
1.3.3 机器视觉检测系统应用现状 |
1.4 本文的主要研究内容和组织架构 |
第2章 电源变压器缺陷检测系统方案与硬件设计 |
2.1 电源变压器表面缺陷分析 |
2.1.1 电源变压器标准外观介绍 |
2.1.2 电源变压器缺陷主要类型 |
2.2 电源变压器缺陷检测系统需求分析 |
2.3 电源变压器缺陷检测系统方案设计 |
2.4 系统硬件设计 |
2.4.1 工业相机选择 |
2.4.2 镜头选择 |
2.4.3 光源选择 |
2.4.4 旋转底座设计 |
2.5 相机标定 |
2.5.1 坐标系的建立 |
2.5.2 相机成像模型的建立 |
2.5.3 标定算法的研究 |
2.6 本章小结 |
第3章 电源变压器图像预处理算法研究 |
3.1 图像边缘检测 |
3.1.1 边缘检测算子 |
3.1.2 算子仿真与分析 |
3.2 图像倾斜校正 |
3.2.1 绘制最小外接矩形 |
3.2.2 仿射变换 |
3.3 图像滤波 |
3.3.1 线性滤波算法 |
3.3.2 非线性滤波算法 |
3.3.3 图像滤波算法仿真与分析 |
3.4 图像增强 |
3.4.1 直方图均衡化 |
3.4.2 拉普拉斯锐化 |
3.4.3 灰度变换 |
3.4.4 改进的伽马变换算法 |
3.5 本章小结 |
第4章 电源变压器图像阈值分割与缺陷检测算法研究 |
4.1 图像阈值分割 |
4.1.1 Otsu算法和迭代法 |
4.1.2 改进的Otsu算法 |
4.1.3 阈值分割算法仿真与分析 |
4.2 缺陷检测算法设计 |
4.2.1 印码漏喷误喷缺陷 |
4.2.2 管脚断裂缺陷 |
4.2.3 合格标签破损缺陷 |
4.2.4 划痕斑点缺陷 |
4.3 本章小结 |
第5章 电源变压器缺陷检测系统实现与测试 |
5.1 系统测试环境 |
5.2 系统软件实现 |
5.2.1 图像采集模块实现 |
5.2.2 相机标定模块实现 |
5.2.3 图像处理模块实现 |
5.2.4 数据存取模块实现 |
5.3 相机标定实验及分析 |
5.4 缺陷检测算法实验及分析 |
5.4.1 单个缺陷检测实验 |
5.4.2 样品整体缺陷检测实验 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 全文总结 |
6.2 展望 |
致谢 |
参考文献 |
攻读学位期间获得与学位论文相关的科研成果 |
(10)基于机器视觉的光学镜片表面缺陷检测系统研究(论文提纲范文)
中文摘要 |
Abstract |
第一章 绪论 |
1.1 课题来源及选题背景 |
1.1.1 课题来源 |
1.1.2 选题背景 |
1.2 光学镜片表面缺陷介绍 |
1.2.1 表面缺陷类型 |
1.2.2 表面疵病的危害 |
1.3 光学镜片表面散射特性 |
1.3.1 光学镜片表面散射源 |
1.3.2 表面疵病散射光学模型 |
1.3.3 散射法检测缺陷原理 |
1.4 表面疵病检测方法 |
1.4.1 国内外研究现状 |
1.4.2 机器视觉检测技术 |
1.5 论文的主要研究内容 |
第二章 硬件组成及平台设计 |
2.1 缺陷检测的流程设计 |
2.2 照明模块的设计 |
2.2.1 光源的分类及介绍 |
2.2.2 照明方案的选取 |
2.3 工业相机CCD |
2.3.1 CCD的主要参数 |
2.3.2 CCD的选型 |
2.3.3 镜头的选取 |
2.4 检测系统的硬件组成 |
2.4.1 检测目标镜片 |
2.4.2 主要机构功能 |
2.4.3 单片机控制模块 |
2.4.4 传送装置 |
2.4.5 处理模块 |
2.4.6 系统检测流程 |
2.5 本章小结 |
第三章 缺陷检测的图像处理算法 |
3.1 图像和算法流程分析 |
3.2 图像预处理 |
3.2.1 图像的滤波去噪 |
3.2.2 图像的锐化处理 |
3.3 图像分割 |
3.3.1 基于阈值的分割方法 |
3.3.2 基于边缘的分割方法 |
3.4 基于形态学处理的表面缺陷图像轮廓修整 |
3.5 基于方向梯度的缺陷区域生长 |
3.6 本章小结 |
第四章 缺陷检测的特征提取及分类 |
4.1 缺陷的图像特征 |
4.2 缺陷的形状特征提取 |
4.2.1 形状特征参数计算 |
4.2.2 单一缺陷的图像提取 |
4.2.3 各种缺陷的形状特征参数提取 |
4.3 基于C4.5算法的决策树分类器设计 |
4.3.1 决策树分类器 |
4.3.2 分类器的设计 |
4.4 缺陷检测实验分析 |
4.4.1 检测系统的实验数据分析 |
4.4.2 检测系统的误差源分析 |
4.5 本章小结 |
第五章 基于MATLAB的软件系统设计 |
5.1 软件开发环境 |
5.2 软件系统框架 |
5.3 图形用户界面设计 |
5.3.1 系统的主界面设计 |
5.3.2 主菜单设计 |
5.3.3 操作面板设计 |
5.3.4 算法控制模块 |
5.3.5 数据统计模块 |
5.3.6 图像显示模块 |
5.4 实物检测验证 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 主要结论 |
6.2 课题展望 |
参考文献 |
致谢 |
个人简历、在学期间的研究成果及发表的学术论文 |
四、计算机图像处理技术应用于晶振元件缺陷检测(论文参考文献)
- [1]基于深度学习的点胶缺陷检测系统设计[D]. 李书伟. 北京邮电大学, 2021(01)
- [2]金属表面缺陷检测系统研究与实现[D]. 陈文文. 扬州大学, 2021(08)
- [3]基于机器视觉的SMT元器件3D重建与缺陷识别方法研究[D]. 勒系遥. 江南大学, 2021(01)
- [4]基于机器视觉的特钢棒材表面缺陷检测方法研究[D]. 马晓雄. 太原理工大学, 2021(01)
- [5]X射线探伤图像的焊缝缺陷检测系统的设计与实现[D]. 苏俊峰. 北京邮电大学, 2021(01)
- [6]基于视觉的芯片电容检测与分拣系统研究与实现[D]. 刘晓容. 电子科技大学, 2021(01)
- [7]基于深度学习的焊点缺陷图像检测研究[D]. 贺贤珍. 西南科技大学, 2021(08)
- [8]基于Faster R-CNN的铁磁材料脉冲涡流热成像缺陷检测研究[D]. 蔡敏. 昆明理工大学, 2021(01)
- [9]基于机器视觉的电源变压器缺陷检测系统的研究与实现[D]. 吴心豪. 武汉理工大学, 2020(08)
- [10]基于机器视觉的光学镜片表面缺陷检测系统研究[D]. 向弋川. 福州大学, 2018(03)