一、基于最小误判准则的LED管芯数字图像分割（论文文献综述）
曲洪丰[1]（2020）在《高速高分辨平面流式细胞显微成像技术研究》文中提出随着尿液有形成分分析仪器更高检测速度和更多检验项目需求的增加,平面流式细胞显微成像技术向高速和高分辨方向发展。本文研究的平面流式显微成像系统,检测速度由每小时60样本提高到120样本,尿有形成分检验项目由12类增加到25类。检测速度提高,细胞运动速度加快,系统动态传函降低,易出现拖尾模糊现象;检验项目增多,显微成像系统分辨率提高,但景深变小,不能对样本层流厚度内的所有有形成分清晰成像,并且微小的物距变化就可能产生离焦模糊,导致系统温度适应性下降。本文重点研究低成本高功率LED光源高速清晰成像、基于聚焦微粒的等效聚焦、参考图像法温度补偿和双传感器共光路景深扩展等技术,解决高速和高分辨带来的拖尾模糊、不易聚焦、温度离焦和景深不足等问题。本文首先阐述了高速高分辨平面流式细胞显微成像系统组成及原理,完成了显微成像光学系统、照明光学系统和粒子成像室的设计。显微成像光学系统采用无限远光路结构,由物镜和管镜组成,根据被测目标尺寸特征和算法识别要求,进行了物镜选型和管镜光学设计及像质评价,保证了高分辨成像;照明光学系统采用科勒照明光路,进行了集光镜组和聚光镜组的光学设计及仿真,保证了高亮度均匀照明;粒子成像室流体通道采用平直通道壁面、曲面通道壁面和两个侧通道壁面组成的非对称结构,根据光学系统景深、加工工艺水平和质量守恒定律等计算得出了粒子成像室的流体通道尺寸;通过分析和仿真,曲面通道壁面形状选择了加速度曲线曲率变化小的圆弧形曲面,使样本加速过程更加平缓,保证有形成分稳定地流过粒子成像室的成像区。建立了高速高分辨平面流式细胞显微成像系统的动态传函模型,依据物像关系及在奈奎斯特频率下系统动态传函必须大于0.9等条件,推导出系统曝光时间必须≤1.15μs才能满足高速运动细胞清晰成像要求。分析了低成本高功率LED响应速度慢,以及LED光源常亮和频闪两种曝光方式不能满足短曝光要求的原因。提出了一种短曝光控制方法,利用LED发光脉冲上升沿和相机曝光脉冲下降沿间隔决定曝光时间的方式实现了1μs短曝光,使系统在90.9lp/mm处动态传函达到0.93,提高了动态成像清晰度,实现了低成本高功率LED光源高速清晰成像,解决了低成本高功率LED不能实现短曝光的难点问题。基于聚焦微粒的等效聚焦方法,采用聚焦液中聚焦微粒的清晰位置等效样本清晰位置,每天仅需聚焦一次,不需要对尿液有形成分图像清晰度进行实时计算,解决了无法利用高速尿液样本序列图像进行自动聚焦的难点问题。采用图像分割算法提取每帧图像中的聚焦微粒小图片,仅对聚焦微粒小图片进行聚焦程度评价,降低背景信息的影响以提高聚焦评价灵敏度。在搜索行程中的每个位置拍摄10张照片,将该位置多个聚焦微粒小图片聚焦评价值的中位值作为最终的聚焦评价值,降低了不同位置聚焦微粒形态和数量差异的影响,提高了聚焦判断的准确度和重复性。将小波变换后高频系数与低频系数的比值作为聚焦评价函数,因聚焦微粒边缘形态易受运动方向液体扰动影响,故通过仅提取小波水平分量的方法消除垂直分量干扰,提升了基于小波变换的聚焦评价曲线的单调性和斜率,实现了聚焦评价函数性能的优化。提出了低成本且易实现的参考图像法温度补偿技术,解决了显微成像系统景深小导致的温度离焦问题。首先在光学系统设计上,保证了成像系统在温度变化时除物距外,成像质量、焦距和像面位置均满足设计要求。然后,从材料热胀冷缩引起物距变化和层流液体折射率随温度改变导致光程变化两个方面,估算了温度变化对物距的影响。采用机械被动式方法进行初步温度补偿,减小温度变化时的离焦量。最后采用参考图像法精确补偿物距变化,仅需在粒子成像室上附上一个用于自动聚焦的参考图片,并将该参考图片与聚集微粒的两个最清晰位置之间距离做为标定长度,当系统探测到温度变化时,利用对焦深度法自动聚焦重新找到参考图像的最清晰位置,电机移动标定长度到聚焦位置,从而实现了平面流式细胞显微成像系统的温度补偿。被测样本层流厚度为3μm,而系统景深仅为1.85μm,景深不能覆盖样本层流厚度内的所有成像目标。本文提出了双传感器共光路景深扩展技术,实现景深扩展的同时可保证实时成像,采用双传感器在两个像面位置采集不同景深的图像,再将两个景深图像融合为大景深的图像。具体实现方式是在管镜光路后端加入分光棱镜,分光后光束分别采用不同传感器接收,调整传感器到分光棱镜的距离即调整像距,使两个传感器同时接收到略有交叠的双景深图像。设计了基于图像多尺度分解和视觉显着度检测的双景深图像融合算法,很好地将景深不同的两幅图像融合成一幅多个目标都清晰的图像,实现了大景深图像重建。该方法使景深扩大到3.30μm,实现了整个层流厚度内有形成分全部清晰成像,解决了高分辨导致的景深不足问题。本文完成了平面流式细胞显微成像系统向高速高分辨方向发展所需要的短曝光、自动聚焦、温度补偿和景深扩展等关键技术研究,为高速高分辨平面流式细胞显微成像系统产品化提供了技术支撑,为未来向更高速度更高分辨率发展提供了研究方向和方法,具有重要的理论研究价值与实际应用意义。
李畅[2]（2020）在《基于机器视觉的车速传感器线束与焊点检测平台的设计与研究》文中进行了进一步梳理汽车电子技术是现代汽车工业发展的核心技术之一,车辆中传感器的数量可以从侧面反映出汽车的电子化程度。汽车速度传感器作为汽车电子控制系统最重要元器件之一,负责汽车行驶状况信息的采集与检测。霍尔式车速传感器由于其灵敏度高、响应频率高、抗干扰能力强等优点被广泛应用。近年来,随着计算机技术、传感器技术以及图像处理技术的快速发展,使得机器视觉技术和光电技术也取得了长足的进步,先进的测量技术在工业生产中逐渐被人们采用。机器视觉检测技术作为一种全新高效的非接触式检测技术,具有高分辨精度、高效率、与被检测对象无接触、安全可靠等特点,有助于提高生产自动化和柔性化的程度。因此运用机器视觉技术来提高传感器生产的效率和质量将成为一个必然的途径。本文对机械结构设计、机器视觉技术以及PLC控制技术在车速传感器自动化生产设备中的应用进行深入的分析研究,主要内容包括:1.传感器线束颜色与焊点质量检测平台的总体方案设计。机械结构功能设计、检测流程设计、视觉检测系统中硬件（工业相机、镜头、光源等）的分析选型、电气控制元器件（PLC、阀岛、I/O通讯板卡、伺服系统）的分析选型、视觉检测系统开发环境Visual Studio2015与图像处理工具Open eVison的选定、电气控制开发软件STEP 7 Basic的确定。2.机械结构中执行元件（滑动气缸、摆动气缸、伺服电机）理论计算与选型;楔形锁紧机构的自由度分析、受力分析以及锁紧力计算;利用Solidworks三维建模软件对光源旋转机构、送料机构、镜头移动机构、伺服运动机构以及锁紧机构进行建模装配。3.针对视觉检测系统中应用到的图像预处理技术进行理论分析研究,包括数字图像的类型、颜色空间、颜色空间转换、图像去噪、图像增强、图像分割、图像形态学处理、图像特征提取等技术;对采集到的图像进行Matlab仿真处理实验,对比分析各算法处理效果的优劣;应用中值滤波算法、灰度变换算法、最大类间方差算法、开运算与闭运算等算法、颜色特征、形状特征与几何进行图像预处理。4.应用Visual Studio2015中C#调用Open eVison中图像处理库进行视觉检测系统程序的设计,主要有相机连接、图像采集、图像处理、图像检测程序以及可视化系统界面等;应用STEP 7 Basic控制系统设计软件进行电气控制HMI人机界面的设计。5.设计实验流程、制定试验方案并进行现场检测调试实验;分析与评估检测数据,得出颜色检测误判率为0,焊点质量检测误判率为4.67%,均符合检测平台预期的检测精确要求,满足了实际检测生产的要求。本文研究的视觉检测平台,将目前先进的机器视觉技术与机械结构、电气控制有机结合,实现了车速传感器生产的自动化,提高了线束与焊点检测精度和生产效率,保证了生产的传感器的质量。
罗瑞荣[3]（2020）在《LED外观缺陷的在线视觉检测分类方法与系统开发》文中指出随着照明技术与产业的发展,发光二极管（Light Emitting Diode,LED）元件的高速自动化缺陷检测已成为产业急切需求。LED生产过程繁琐,容易在环氧树脂内外、环氧树脂边缘等区域产生多类缺陷,缺陷尺寸差异大、边界模糊、对光亮度敏感,导致缺陷特征提取困难,影响高速准确检测过程的效率。针对当前LED缺陷检测存在的速度慢、对光亮度变化鲁棒性低、缺陷分类不准确等问题,提出自适应光亮度的高速准确缺陷检测方法、边界模糊缺陷聚类分割算法以及基于局部图像降维与卷积神经网络的多类缺陷准确分类方法,实现LED外观缺陷在线检测与分类系统,主要研究内容如下:1.深入调研LED缺陷检测设备的功能需求与国内外研究现状,分析缺陷检测过程中视觉系统的关键技术和存在的开发难点,明确论文的研究目标及研究内容。2.分析LED存在的各类缺陷的特点,针对环氧树脂内的缺陷对光亮度敏感提出自适应光亮度的LED缺陷快速检测算法,根据光亮度对图像分割阈值进行调整,提高在光亮度变化情况下的缺陷分割鲁棒性;同时针对缺陷边界模糊、难以准确分割特征的问题,提出集成空间约束的核模糊C均值聚类算法,修改核模糊C均值聚类算法的目标函数与隶属度函数,使像素聚类过程受邻域像素灰度值与隶属度值约束,提高聚类分割算法的抗噪能力,对LED环氧树脂内缺陷进行准确分割。3.针对存在于环氧树脂边缘的胶量缺陷特征难以提取的问题,提出基于局部图像极坐标变换的图像降维特征提取方法,提取胶量区域的主成分特征;利用网格搜索结合交叉验证的方法对RBF-SVM分类器进行超参数寻优,得到对胶量特征准确分类的最优分类超平面。4.针对LED环氧树脂内的多类缺陷难以使用传统算法进行统一特征提取与分类的问题,研究基于卷积神经网络的LED缺陷分类方法,对环氧树脂内的缺陷准确分类。针对样本量少与模型训练数据需求大的矛盾,采用迁移学习策略微调经过大规模数据集Image Net预训练的模型。经过实验验证,模型对环氧树脂内的缺陷分类准确率达95.65%,解决LED的多类缺陷分类问题。5.基于C++/Python编程,开发视觉检测系统的控制模块,和视觉检测与分类算法模块,实现视觉成像系统硬件选型,确定平台的LED上料、传输、分选系统,搭建可实际应用的缺陷检测平台,实现LED缺陷快速检测与准确分类功能,并通过实验验证系统的有效性。
张明[4]（2020）在《脐橙表面缺陷的机器视觉检测技术研究及分级装备研发》文中研究说明水果表面缺陷检测是水果采后品质分级过程中尤为重要的一个环节。而由于水果果型引起的水果表面光照亮度分布不均现象,导致水果表面缺陷难以有效直接分割提取。因此,与水果的颜色、大小、形状等外部品质指标相比,其表面缺陷的快速检测是水果品质分级过程中的一个难点。同时,水果外部缺陷也是决定其价值的重要因素之一,是水果品质最直观的体现。随着机器视觉技术应用于农副产品品质无损检测,越来越多的研究学者进入到这一领域。本研究以“纽荷尔”脐橙为试验研究对象,基于机器视觉技术详细探讨了脐橙14类常见表面缺陷（溃疡病果、蓟马虫果、介壳虫果、虫伤果、黑斑病果、风伤果、炭疽病果、裂伤果、日灼果、黑星病果、药伤果、油斑病果、黑腐病果和机械伤果）的检测方法并设计开发了相应的识别检测算法。研发了一种车载式脐橙采后在线分级装备,可根据国家标准或用户自定义标准对脐橙大小及色泽指标进行在线检测分级,为下一步研发快速在线检测脐橙表面缺陷分级系统提供了理论基础依据和硬件支持平台。本文主要研究内容及结论如下:1)研究针对脐橙表面亮度分布不均匀现象,设计开发了一种基于掩模及亮度校正算法对脐橙表面缺陷进行检测,其中涉及图像背景去除和图像表面亮度提取及亮度校正,经亮度校正后的图像结合单阈值法实现脐橙表面缺陷一次性分割提取。基于此开发的算法理论对脐橙常见8类表面缺陷（机械伤果、黑腐病果、溃疡病果、蓟马虫果、油斑病果、黑斑病果、风伤果、炭疽病果）进行检测,实现了92.7%的缺陷检出率。2)研究设计开发一种区域亮度自适应校正算法,通过滑动窗口区域内较亮像素点的集合来预估该区域内的表面亮度并对其进行亮度校正以此达到对整张图像表面亮度校正的目的。该方法有效解决了因脐橙表面亮度分布不均匀现象造成的表面缺陷难分割问题。基于此算法理论对脐橙溃疡病果、蓟马虫果、介壳虫果、虫伤果、黑星病果、风伤果、炭疽病果、裂伤果等8类常见表面缺陷进行检测,其缺陷识别率达到了95.8%,较对比的另外3种缺陷检测算法,其缺陷识别率提高2.6%8.2%,其识别速度分别减少了0.27 s、014 s和1.45 s。3)基于无亮度校正模型算法设计开发了一种图像分块自适应阈值算法对脐橙表面缺陷进行检测,通过将图像分成多个子块,理论上若图像子块数量足够多,则每个子块的表面亮度分布近似是均匀的。利用开发的算法将各个子块的缺陷提取出来,拼接在一起,即可实现对脐橙表面缺陷的检测。克服了以往需采用复杂算法才能实现对缺陷的检测,从另一种途径较有效解决了类球形水果表面亮度分布不均匀导致的缺陷检测困难问题。利用该理论算法对溃疡病果、蓟马虫果、介壳虫果、虫伤果、黑星病果、炭疽病果、裂伤果、黑腐病果、药伤果、日灼果、风伤果和机械伤果共计12类缺陷脐橙病害果进行表面缺陷检测,获得了97.1%的缺陷识别率。4)研发了一种车载式脐橙采后在线分级装备,该套系统可实现在田间地头采后现场根据脐橙大小尺寸、颜色成熟度等指标进行在线检测分级。
方德光[5]（2020）在《炭黑分散度在线检测方法及实验研究》文中进行了进一步梳理炭黑是橡胶工业使用最广泛的补强材料,炭黑分散性的好坏影响混炼胶的加工性能和物理机械性能。炭黑如果分散不均匀,容易形成较大的二次聚集体,不利于后续加工工艺的进行,因此,炭黑分散度是衡量胶料混炼质量的重要指标,炭黑分散度的测定是橡胶工业重要的研究课题之一。目前炭黑分散度的检测手段主要有两种,一是人工目视检测,此方法受检测者主观因素影响较大,检测结果不准确;另一种是使用炭黑分散度自动评级设备,此类设备虽然在橡胶工业得到一定程度的应用,但存在一些明显的问题,具体表现在这些设备的检测过程都是离线的,只能在混炼结束后检测炭黑分散度;对炭黑聚集体的识别方法不够完善,不能准确识别图像中低对比度的炭黑聚集体;无法甄别胶料图像中的划痕,导致检测结果存在一定误差等等。针对这些问题,本文研发了炭黑分散度在线检测系统,采用线扫描相机采集连续排出的橡胶并对图像中的炭黑进行分析、识别,实现了混炼胶中炭黑分散度的连续在线检测,本文的主要工作如下:（1）针对低对比度炭黑聚集体识别困难的问题,提出一种基于背景估计的炭黑聚集体识别算法,此算法可有效检测出对比度偏低的炭黑聚集体,提高了炭黑分散度检测的准确性。（2）针对混炼胶图像中的划痕干扰炭黑分散度检测的问题,提出一种基于形态学运算和骨架抽取方法的划痕检测算法,经实验验证,此算法能有效甄别混炼胶图像中的划痕。（3）针对在线检测数据吞吐量大的问题,研究了炭黑分散度在线检测机理,构建了炭黑分散度检测流水线模型,基于多线程技术,使算法的图像采集部分、图像处理部分、结果评估部分并行运行。（4）研发了炭黑分散度在线检测硬件系统。通过分析检测对象的光学特征,对线扫描相机、线光源和编码器等合理选型。经验证,本文所构建的检测系统能够连续采集的混炼胶表面图像,采集的图像准确、清晰、细节丰富。（5）研发了一套炭黑分散度在线检测上位机控制软件,实现了图像采集、图表动态绘制、图像处理、数据库交互等关键功能;软件界面友好,功能完善,集成有历史数据检索、报表导出、软件在线升级等实用功能。（6）针对混炼胶表面图像存在噪声的问题,在分析噪声来源及特点的基础上,通过分析、对比常用的图像去噪算法,确定使用中值滤波对图像去噪,此方法在去噪的同时保护了图像的细节。实验结果表明,本文研发的炭黑分散度在线检测系统能实时检测混炼胶表面的炭黑聚集体,为橡胶工业实现自动化检测提供了参考,为研发混炼胶其他缺陷的在线检测系统提供了依据。
邹华东[6]（2019）在《基于BLOB分析和机器学习的煤矸石在线图像识别研究》文中研究说明煤矸石分拣是保障煤炭质量的重要手段,目前煤矿的分拣流水线主要由工人手动拣矸,不仅效率低,工作劳动强度大,而且作业环境恶劣,影响工人身体健康。因此,研发煤矸石智能分拣系统以取代人工作业的需求较为急迫。目前煤矸石智能分拣系统的识别主流技术有X射线识别和基于机器视觉的图像识别两种,X射线识别由于射线难以穿透大型矸石,所以只适用于小型矸石分拣,而且射线具有放射性,对工人有一定的健康危害。基于机器视觉的图像识别技术目前很多都为对图像的静态分析,而且是在脱离流水线的情况下的理论研究,实际流水线上的皮带背景和煤矸石的高低形状等对煤矸石成像产生很大影响,导致煤矸石的图像边缘区域灰度过渡平缓,边缘定位非常困难,因此煤矸石的识别与定位成为煤矸石智能分拣系统中的关键难题。论文首先根据中大型煤矸石这一特定检测目标的特点,设计了适用于煤矸石识别的图像检测系统,对系统中各个部件进行了选型和相关研发设计。首先根据目标煤矸石的尺寸大小、皮带运输机的皮带宽度、传输速度和视觉系统的安装高度等进行了相机和镜头的选型,确保了能够在运动状态下实时采集到煤矸石的整体图像和保证具有足够的分辨率。针对煤矸石的高低不同和整体的灰度值较低这个特点,设计了恒流源控制的大面积表面光源,光源采用大功率LED进行阵列排布,电路上进行了串联和并联处理,光源最外层布置有乳白色双面磨砂亚克力板,起到光源扩散作用,能够保证表面光源具有足够大的扩散角度。这些设计确保光源一方面具有足够高的亮度和均匀度,同时还具有良好的物体的适应性,确保不同尺寸高度和形状的煤矸石或煤不受光照影响形成高亮度的反射区域和边缘轮廓阴影,保证系统获得清晰图像。煤矸石视觉系统在实际使用前需要经过手动或自动对焦,以保证获得具有高对比度的清晰图像,图像清晰度评价函数是评价视觉系统是否处于聚焦位置的一个主要依据。论文以图像聚焦评价函数为研究对象,首先从光学成像的角度分析了各清晰度评价函数的基本理论依据,并就聚焦评价函数的评价参数进行了简单介绍,对图像自动聚焦典型评价函数及其特性进行了研究。在此基础上研究了傅立叶评价函数、DCT评价函数及它们的改进的加权评价函数。以电路板和校正样板为聚焦物件,对基于频域变换的评价函数及其加权函数进行了聚焦特性分析和测试比对,重点研究了图像内容、光照强度、滤波半径、聚焦步距和聚焦窗口等对频域评价函数的影响.研究结果表明,改进的DCT评价函数除了其良好的无偏性、单调性、单峰性外,其在焦点附近的灵敏度好,对不同的评价窗口都能够获得好的评价效果,算法稳定性好。改进的DCT评价函数应用在煤矸石自动分拣系统中进行了调焦测试,发现其焦点的敏感性好,用其进行辅助对焦,能够方便视觉系统的装调者准确快速找到焦点位置。为了实现对煤矸石目标物体定位和获取其通用几何特征参数,在分析研究现有的图像阈值分割和游程连通区域标记算法基础上,研究了一种基于图像阈值分割和游程连通域标记的BLOB特征提取算法。首先计算分割阈值,然后利用阈值进行图像分割,通过连通域标记划分BLOB分区,利用分区中的所有像素点信息,采用统计的方法来提取BLOB分区的分布范围、中心坐标和重心坐标等,算法具有存储量小、复杂度低、计算速度快和搜索性能高等优点。该方法能够提取煤矸石的几何特征信息和定位目标分布范围,解决了煤矸石边缘定位困难的技术难题。为了克服BLOB分析算法对分区较多的图像占用过多计算时间和内存容量的问题,提出了一种基于无矸图像过滤和BLOB分析的煤矸石识别方法,该方法采用图像三阶矩作为过滤评价函数,通过设置过滤阈值滤除大部分不含有煤矸石内容的图像,大幅减少了无效计算时间。对疑似矸石图像,利用BLOB分析方法定位目标位置和提取几何特征,并通过定位出的目标区域范围,采用面积大小和局部区域内容的三阶矩评价等方法综合进行二次精确判断,减少了背景对判断的不利影响,提高了识别正确率。在此基础上设计了煤矸石智能分拣系统软件,将研究算法应用到煤矸石智能分拣系统大型实验设备中,实现了煤矸石在线实时识别与定位,实验设备运行稳定可靠,实验条件下拣矸率达到91.1%,达到实际应用标准。为进一步提高对小概率矸石的识别正确率,进行了基于机器学习的小概率矸石识别实验。选择小概率矸石和满足特定条件的煤炭样本图像,经过BLOB分析后获得目标局部图像,将局部图像作为样本,并通过样本扩容的方法构建了样本集。选择了三类共九个评定参数作为特征向量,对样本集图像进行了特征评价并组建了数据集。采用K-CV交叉验证方法对支持向量机的模型参数进行优化选择,利用支持向量机分类方法,通过对训练样本进行训练建立正确的分类模型,完成后对测试样本进行预测,测试样本的仿真预测正确率达100%。实验仿真证明该方法对提高小概率矸石的识别率有效。
王胜[7]（2019）在《智能电表显示缺陷质量检测系统设计与实现》文中提出随着国民经济与电力工业快速不断地发展,国家电网得到大力改造。智能电表作为“智能电网”建设的重要组成部分,正在全国范围内大面积推广。我国正在加快对传统电表进行改造与替换,所生产的智能电表必须按国家及生产企业相关标准实施出厂检验。论文根据智能电表产品中存在的显示缺陷与外观缺陷,借助机器视觉检测技术制定智能电表显示质量检测系统总体方案,依据机器视觉进行设计和实现的智能电表显示缺陷检测系统,同时对检测系统中图像的采集和处理技术进行研究,确保智能电表的出厂质量、提高检测速度和自动化程度,降低检测操作劳动程度。本论文主要研究内容包括:（1）智能电能表缺陷特性、检验要求及相关背景的分析以及机器视觉技术的研究与应用分析;通过查阅相关文献与走访目前已应用机器视觉技术于类似生产制造过程的企业,了解机器视觉的应用范围、实际用途及已取得的成效。（2）利用机器视觉技术针对智能电表显示缺陷实施质量检测,对检测系统的图像采集系统、机械平台系统、软件系统分别进行设计与实现。图像采集系统设计与实现:采用带外触发式的工业相机与配套的镜头,根据检测需求,选用条形LED光源,清晰的采集到所需图片。机械平台设计与实现:集成AGV物流小车、装载板和输送带组成输送单元模块;构建馈电系统与感应系统;采用伺服驱动器及电机,实现四轴精确联动。软件系统设计与实现:开发上位机,实现运动平台的精确联动、通信控制及质量反馈机制的互联;软件基于OpenCv开源图像处理库,在Mircrosoft VS 2013平台上以C++语言编程,对采集到的图片进行处理和分析。（3）图像预处理与缺陷检测算法的分析研究。通过对常用图像预处理方法进行分析,确认本文使用方法（灰度化、去噪、二值化及数学形态学运算等）。基于OpenCV开源视觉库,实现缺陷检测算法设计:通过高斯金字塔对图像进行配准,进而以差影法进行缺陷分析检测,对包括标牌条形码与字符进行识别,达到智能电表显示缺陷检测的目的。（4）对系统进行可靠性实验并分析实验结果。通过多批次不同时段的抽样检测实验,验证自动检测系统的准确率。同时对误判的原因进行分析,确定今后系统的改进方向。
郭慧[8]（2019）在《基于机器视觉的刨花板表面缺陷在线检测系统研究》文中提出连续压机刨花板生产线是目前最为先进的刨花板生产设备,但由于原料、生产工艺等原因,会有一些产品板面出现大刨花、胶斑、油污、松软和漏砂等缺陷。表面缺陷会降低板材强度、影响二次加工,给企业带来经济损失。国内企业目前都是依靠人工肉眼检测缺陷,工人长时间工作极易产生视觉疲劳,导致漏检率和误检率较高。目前,国内外对板面缺陷自动检测的研究主要集中在木材、旋切单板和胶合板,尚无成熟的刨花板表面缺陷检测系统投入生产。因此研发刨花板表面缺陷在线检测系统成为了我国刨花板生产行业的迫切需求。本文将机器视觉技术应用于刨花板表面缺陷检测,设计、开发在线缺陷检测算法,实现了检测区域自动获取、板面图像校正、缺陷区域快速定位、缺陷分割以及缺陷类型识别。将系统在企业连续压机生产线上进行了搭建实施,实现了大刨花、胶斑、油污、松软和漏砂五种常见板面缺陷在线检测。论文主要的研究内容与结论如下:（1）设计并搭建刨花板表面缺陷在线检测系统硬件平台,对设备进行选型,设计、实现系统的控制流程。（2）实现板面检测区域自动获取和图像校正。提出基于图像梯度矩阵的自适应阈值边缘检测算法,利用图像梯度矩阵和比例系数自适应确定边缘的梯度阈值,解决边缘检测结果受到图像亮度影响的问题。将该算法与Hough变换相结合,计算板面倾斜角度,实现校正板面倾斜和检测区域自动获取。提出基于伽马变换和图像差分的校正方法解决板面区域图像光照不均问题,校正后图像中正常板面依然保持与缺陷的灰度值差异。（3）实现板面缺陷快速检测。提出基于灰度均值分类器和方差分类器的缺陷区域快速定位方法,建立图像灰度值矩阵和方差矩阵并进行区域连通,快速定位出缺陷所在的区域;提出自适应快速多阈值图像分割算法,自动确定分割阈值数量,并优化阈值搜索策略,实现缺陷区域的快速分割。对600张板面图像进行检测,正常板误检率为5%,大刨花和漏砂全部检出,胶斑、油污、松软的漏检率分别达到1.6%、4.0%和6.6%,平均一张图像的检测用时为867ms。（4）分别构建随机森林分类器和卷积神经网络分类器对缺陷类型进行识别。随机森林对缺陷分类的平均精确度和召回率分别达到94%和95%,平均每个样本特征提取和识别用时为41.28ms。卷积神经网络的平均精确度和召回率分别为87%和89%,识别时间为5.4ms。卷积神经网络分类效果比随机森林差,但识别速度更快,这为今后大数据环境下板面缺陷种类识别提供了新的方法。（5）本系统在企业连续压机刨花板生产线上进行了实施,每张板面平均检测时间1922ms,误检率为5.1%,漏检率为2.7%。系统缺陷检测准确率达到了97.3%,满足连续压机生产线在线检测要求,与国外类似系统低于70%的准确率相比有了大幅的提高。基于机器视觉的刨花板表面缺陷在线检测系统实现了连续压机生产线上板面缺陷的自动检测,降低了缺陷板的漏检率和误检率,减少板面缺陷给企业带来的经济损失,提高了生产线的自动化水平和运行效率,对我国刨花板产业的现代化发展起到了促进作用。
马龙[9]（2018）在《基于计算机视觉的鸭蛋双黄、裂纹、新鲜度无损检测研究》文中认为在我国,鸭蛋除了少量鲜食外主要被用来加工皮蛋和咸蛋等再制蛋。用鸭蛋制成的再制蛋具有独特的滋味和香味,深受消费者喜爱。原料鸭蛋的蛋黄数量、蛋壳完好性和新鲜程度是直接影响再制蛋最终产品质量的三个重要因素。对鸭蛋这三个方面进行检测是再制蛋生产加工前的重要技术环节。传统人工照蛋检测方法劳动强度大,效率低,检测准确性差,难以满足现代蛋品加工企业生产自动化、规模化发展的需要。计算机视觉技术检测速度快、精度高、硬件成本相对低廉,对应用环境不挑剔,是现阶段最有潜力实现禽蛋自动化无损检测的技术方法,应用前景十分广阔。本研究是国家科技支撑计划项目“动物源食品加工共性关键技术研究”的子课题“动物源食品自动分级标准化技术”中的一部分,主要研究了采用计算机视觉技术无损检测原料鸭蛋的双黄、裂纹和新鲜度,提高检测精度和效率,对解放我国鸭蛋加工企业生产力和提高鸭蛋行业自动化水平具有重要的意义和应用价值。具体研究内容和结果如下:（1）提出了利用蛋黄图像特征进行双黄鸭蛋无损检测的方法。通过对采集的鸭蛋内部透射图像进行处理与分析,获取描述双黄鸭蛋与单黄鸭蛋差异的图像特征,用以构建Fisher线性判别（FLD）模型和卷积神经网络（CNN）判别模型检测双黄鸭蛋。研究结果表明,基于FLD模型判别算法对单黄鸭蛋和双黄鸭蛋的检测准确率分别为100%和83%,识别一幅鸭蛋图像耗时283±5 ms。基于CNN模型判别算法对单黄鸭蛋和双黄鸭蛋的检测准确率分别为97.5%和98%,识别一幅鸭蛋图像耗时120±4 ms。基于CNN模型判别算法在总体检测准确率和运行速度上均要优于基于FLD模型判别算法,能够满足实际生产中实时在线检测的需要,而且不受样品形状、大小、蛋壳颜色和鸭蛋品种的影响,鲁棒性好。（2）开发了基于计算机视觉的双黄鸭蛋在线检测系统,以第二章建立的CNN判别模型为判断内核。本系统的硬件部分由禽蛋输送装置、暗箱、光源、工业相机、触发装置和计算机等几部分构成。软件系统由下位机软件和上位机软件组成。下位机软件使用嵌入式C语言编写,主要用于处理光电开关的触发信号。上位机软件使用C#语言编写,主要用于接收鸭蛋图像信号并调用Matlab动态链接库文件完成图像处理与判别分析。验证结果表明,本系统检测速度可以达到1枚蛋/秒,对单黄鸭蛋和双黄鸭蛋的检测准确率分别为94%和96.5%,实现了动态在线检测双黄鸭蛋。（3）提出了利用裂纹形态特征进行鸭蛋亮裂纹、暗裂纹检测的方法。首先,通过调节光源的供电电压改变光源亮度,为鸭蛋裂纹透射图像的采集提供一个较为适宜的光照条件。使用线性反锐化掩模技术对鸭蛋亮裂纹图像进行特征增强,采用区域生长法分割亮裂纹的形态特征,以连通区域面积为依据判别亮裂纹和噪声,建立鸭蛋亮裂纹判别算法。该判别算法对亮裂纹图像和非亮裂纹图像（完好蛋和暗裂纹）的检测准确率分别为95%和100%。使用Retinex理论对鸭蛋暗裂纹图像进行特征增强,采用区域生长法分割暗裂纹的形态特征,以图像分割处理后的连通区域总面积为依据判别暗裂纹图像和完好蛋图像,建立鸭蛋暗裂纹判别算法。该判别算法对暗裂纹图像和完好蛋图像的检测准确率分别为81.3%和96.3%。在上述研究的基础上,建立鸭蛋裂纹综合判别算法,对裂纹鸭蛋（亮裂纹和暗裂纹）和完好鸭蛋的检测准确率分别为88.3%和 91.3%。（4）提出了利用气室图像特征进行鸭蛋新鲜度无损检测的方法。设计并搭建以激光为光源的图像采集装置,采集鸭蛋钝端截面气室反射图像,通过图像处理与分析,获取鸭蛋气室图像形态特征,然后计算出气室面积与鸭蛋投影面积的比值（气室面积比）,并用以对鸭蛋新鲜度等级进行判别。研究结果表明,建立的鸭蛋新鲜度等级判别算法对三个新鲜度等级鸭蛋的判别准确率分别为89.5%、84.9%和97.5%,实现了基于计算机视觉的鸭蛋新鲜度快速无损检测。
洪寒梅[10]（2015）在《黑变熟对虾的机器视觉识别方法研究》文中认为虾产品味道鲜美,营养丰富,深受消费者的青睐。近年来,熟虾制品的出口比例正在不断提高。其中,冻熟对虾是以南美白对虾为主要原料加工而成的冻熟全虾。在运输及加工过程中,对虾体内的多酚氧化酶（PPO）会被氧化而产生黑色素沉积,引起黑变。为提高熟对虾的产品质量,生产线上的黑变熟对虾由熟练的检测人员根据肉眼判定并剔除。人工方法存在主观性强、效率低以及相关数据无法记录等不足。本研究旨在利用机器视觉技术替代人工方法实现熟对虾的在线识别与分级。主要研究内容及结论如下：1、运用高光谱技术研究黑变熟对虾的光谱特性,设计并搭建基于机器视觉的黑变熟对虾静态图像采集系统。基于Matlab工具箱,运用阈值法、算术运算法和二维Fisher线性判别分析法（2DFLD）对采集到的熟对虾图像进行背景分割。运用双阈值、2DFLD提取对虾的黑变特征。通过轮廓提取、图像细化和头尾识别,实现对虾的头尾分割。结果表明：2DFLD能较好地完成对虾图像的背景分割与黑变特征提取,而头尾识别的准确率达到85.47%。2、以面积比（黑变面积与虾体总面积的比值）、头胸部黑变像素个数、头胸部黑变的平均灰度、腹部黑变像素个数以及腹部黑变的平均灰度为特征,构建BP神经网络模型和决策树模型分别进行对虾图像的识别与分类。分别将样本分为正常对虾、头胸部轻微黑变对虾、头胸部严重黑变对虾以及腹部黑变对虾四类,正常对虾、头胸部黑变对虾和腹部黑变对虾三类,以及正常对虾和黑变对虾二类。结果表明：（1）分为四类：两种方法都能较好地识别腹部黑变对虾（准确率均为93.33%）；（2）分为三类：BP神经网络的分类结果比较稳定,决策树能更好地识别腹部黑变对虾,准确率为96.67%；（3）分为二类：BP神经网络和决策树对黑变对虾的识别准确率较高,分别为97.78%和96.67%。总之,BP神经网络的识别分类效果总体优于决策树,且当将样本分为三类时,达到相对较高且较稳定的识别准确率。3、搭建基于机器视觉的熟对虾在线识别分类系统,硬件部分包括：上料系统和单粒化装置、图像采集系统、分类系统以及动力和传动机构,系统的软件开发主要基于Visual C++技术。熟对虾的在线识别分类实验将熟对虾分为正常对虾与黑变对虾二类。结果表明：该系统对正常对虾的识别准确率为70.00%,对黑变对虾的识别准确率为76.67%。
二、基于最小误判准则的LED管芯数字图像分割（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、基于最小误判准则的LED管芯数字图像分割（论文提纲范文）
（1）高速高分辨平面流式细胞显微成像技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及研究目的和意义 |
| 1.2 尿液有形成分分析仪概述 |
| 1.2.1 尿液有形成分分析检测方法概述 |
| 1.2.2 尿液有形成分分析仪器国内外进展 |
| 1.3 景深扩展技术概述 |
| 1.4 论文主要研究内容及章节安排 |
| 1.4.1 论文主要研究内容 |
| 1.4.2 论文章节安排 |
| 第2章 高速高分辨平面流式细胞显微成像系统组成及光学系统设计 |
| 2.1 高速高分辨平面流式细胞显微成像系统组成及原理 |
| 2.2 显微成像光学系统设计 |
| 2.2.1 被测目标形态学特征 |
| 2.2.2 显微成像系统光路结构 |
| 2.2.3 显微物镜选型 |
| 2.2.4 管镜光学设计 |
| 2.3 照明光学系统设计 |
| 2.3.1 显微系统照明方式选择 |
| 2.3.2 科勒照明光学系统设计 |
| 2.4 平面层流技术简介与粒子成像室设计 |
| 2.4.1 平面层流技术简介 |
| 2.4.2 粒子成像室设计 |
| 2.5 本章小结 |
| 第3章 低成本高功率LED光源高速清晰成像技术研究 |
| 3.1 平面流式细胞显微成像系统动态传递函数 |
| 3.2 光源选择及驱动电源设计 |
| 3.2.1 光源选择 |
| 3.2.2 高功率LED驱动电源设计 |
| 3.3 短曝光技术研究 |
| 3.3.1 曝光控制系统 |
| 3.3.2 曝光时间控制方式 |
| 3.3.3 短曝光控制方法 |
| 3.3.4 不同曝光方式成像质量比较 |
| 3.4 本章小结 |
| 第4章 基于聚焦微粒的等效聚焦技术研究 |
| 4.1 显微成像系统自动聚焦方法 |
| 4.2 基于聚焦微粒的等效聚焦方法与流程 |
| 4.3 图像分割算法提取聚焦微粒图像 |
| 4.4 聚焦评价函数选择与优化 |
| 4.4.1 聚焦评价函数要求 |
| 4.4.2 聚焦评价函数实验分析与比较 |
| 4.4.3 聚焦评价函数优化 |
| 4.5 本章小结 |
| 第5章 参考图像法温度补偿技术研究 |
| 5.1 温度变化对光学系统影响 |
| 5.2 显微成像光学系统的热分析 |
| 5.3 高分辨平面流式细胞显微成像系统景深 |
| 5.3.1 高分辨平面流式细胞显微成像系统景深计算 |
| 5.3.2 高分辨平面流式细胞显微成像系统景深测量 |
| 5.4 机械被动式初步补偿物距变化 |
| 5.4.1 温度变化对物距影响分析 |
| 5.4.2 机械被动式初步温度补偿 |
| 5.5 参考图像法精确补偿物距变化 |
| 5.5.1 参考图像法补偿温度离焦技术原理 |
| 5.5.2 参考图像法补偿温度离焦的自动聚焦算法实现 |
| 5.6 本章小结 |
| 第6章 双传感器共光路景深扩展技术研究 |
| 6.1 双传感器共光路景深扩展技术原理 |
| 6.2 双传感器共光路实现方法 |
| 6.3 双景深图像融合 |
| 6.3.1 多聚焦图像融合技术 |
| 6.3.2 双景深图像融合算法流程 |
| 6.3.3 L0 Smoothing原理 |
| 6.3.4 图像多尺度分解 |
| 6.3.5 视觉显着性检测 |
| 6.3.6 权重图计算 |
| 6.3.7 双景深图像融合 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 论文的主要工作 |
| 7.2 论文的主要创新点 |
| 7.3 进一步研究展望 |
| 参考文献 |
| 附录 攻读博士学位期间取得的成果 |
| 致谢 |
（2）基于机器视觉的车速传感器线束与焊点检测平台的设计与研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 机器视觉国内外现状 |
| 1.2.2 颜色检测国内外研究现状 |
| 1.2.3 焊点缺陷检测检测国内外研究现状 |
| 1.3 本课题主要研究内容 |
| 第二章 视觉检测平台总体方案设计 |
| 2.1 检测系统功能分析 |
| 2.2 检测平台总体方案设计 |
| 2.3 视觉检测部分设计 |
| 2.3.1 工业相机 |
| 2.3.2 镜头 |
| 2.3.3 光源 |
| 2.3.4 图像处理软件 |
| 2.3.5 软件开发环境 |
| 2.4 机械结构部分 |
| 2.5 电气控制部分 |
| 2.5.1 可编程控制器PLC |
| 2.5.2 阀岛(Valve Terminal) |
| 2.5.3 I/O通讯板卡 |
| 2.5.4 伺服系统 |
| 2.5.5 控制系统设计软件-STEP7 Basic |
| 2.6 本章小结 |
| 第三章 视觉检测平台的机构设计 |
| 3.1 概述 |
| 3.2 气缸工作效率与气缸负载率 |
| 3.3 执行元件的选型与参数计算 |
| 3.3.1 摆动气缸的选型与计算 |
| 3.3.2 滑动气缸选型 |
| 3.3.3 伺服电机选型 |
| 3.4 楔形锁紧机构设计 |
| 3.5 结构设计建模 |
| 3.5.1 光源旋转机构设计 |
| 3.5.2 送料机构 |
| 3.5.3 镜头移动机构 |
| 3.5.4 焊接运动机构 |
| 3.5.5 锁紧机构 |
| 3.6 本章小结 |
| 第四章 基于图像处理技术的检测分析 |
| 4.1 概述 |
| 4.2 数字图像处理技术 |
| 4.2.1 数字图像的表示 |
| 4.2.2 数字图像基本类型 |
| 4.2.3 彩色空间 |
| 4.2.4 图像噪声 |
| 4.2.5 图像去噪算法 |
| 4.2.6 图像增强算法 |
| 4.2.7 图像分割算法 |
| 4.2.8 形态学运算 |
| 4.2.9 特征提取 |
| 4.3 本章小结 |
| 第五章 视觉检测平台的试验系统设计与数据分析 |
| 5.1 概述 |
| 5.2 视觉系统设计 |
| 5.2.1 视觉检测程序设计 |
| 5.2.2 视觉系统操作界面设计 |
| 5.3 电气操作平台搭建 |
| 5.3.1 控制面板区域设计 |
| 5.3.2 HMI人机界面设计 |
| 5.4 实验数据采集与分析 |
| 5.4.1 线束颜色检测 |
| 5.4.2 焊点质量检测 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文 |
| 附录1 视觉系统检测程序 |
| 附录2 Matlab图像仿真处理程序 |
（3）LED外观缺陷的在线视觉检测分类方法与系统开发（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 LED外观缺陷简介 |
| 1.2.1 LED生产工艺与缺陷分类 |
| 1.2.2 LED缺陷特点 |
| 1.3 国内外研究现状及分析 |
| 1.3.1 传统视觉检测方法 |
| 1.3.2 深度学习检测方法 |
| 1.3.3 缺陷检测中的问题分析 |
| 1.4 论文研究内容 |
| 第二章 LED外观缺陷快速检测与分割算法 |
| 2.1 LED外观缺陷的检测流程 |
| 2.2 基于灰度梯度的LED特征区域提取 |
| 2.2.1 基于局部阈值处理的LED位置校正 |
| 2.2.2 基于灰度梯度的特征圆检测 |
| 2.3 自适应光亮度的LED缺陷分割 |
| 2.3.1 特征增强 |
| 2.3.2 适应光亮度的阈值自调整算法 |
| 2.4 改进核模糊C均值聚类的LED缺陷分割 |
| 2.4.1 聚类算法概述 |
| 2.4.2 核模糊C均值聚类 |
| 2.4.3 集成空间约束的核模糊C均值聚类 |
| 2.4.4 聚类效果评价 |
| 2.5 实验结果与分析 |
| 2.5.1 自适应光亮度的缺陷分割实验 |
| 2.5.2 改进的核模糊C均值聚类缺陷分割 |
| 2.5.3 算法效果对比 |
| 2.6 本章小结 |
| 第三章 基于局部图像降维的LED胶量缺陷分类 |
| 3.1 LED胶量特征区域 |
| 3.2 基于局部图像降维的LED缺陷特征提取 |
| 3.2.1 主成分分析理论 |
| 3.2.2 基于主成分分析的缺陷特征提取 |
| 3.2.3 基于图像空间变换的主成分分析缺陷特征提取 |
| 3.2.4 不同降维方法特征提取实验 |
| 3.3 基于支持向量机的LED胶量缺陷分类 |
| 3.3.1 支持向量机理论 |
| 3.3.2 分类器超参数选择 |
| 3.3.3 缺陷分类实验 |
| 3.4 本章小结 |
| 第四章 基于卷积神经网络的LED非胶量缺陷分类 |
| 4.1 引言 |
| 4.2 卷积神经网络结构 |
| 4.2.1 特征提取结构 |
| 4.2.2 全连接层 |
| 4.2.3 输出层 |
| 4.3 基于深度网络迁移的LED缺陷图像分类 |
| 4.3.1 深度网络迁移方法 |
| 4.3.2 LED缺陷样本集处理策略 |
| 4.3.3 多类LED缺陷分类网络选择与训练 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 LED缺陷在线视觉检测系统开发 |
| 5.1 LED缺陷检测与分类系统软件设计 |
| 5.1.1 控制模块 |
| 5.1.2 视觉系统检测流程 |
| 5.2 LED缺陷视觉检测与分类系统搭建 |
| 5.2.1 视觉成像系统选型 |
| 5.2.2 视觉系统架构 |
| 5.3 系统检测结果分析 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
（4）脐橙表面缺陷的机器视觉检测技术研究及分级装备研发（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 课题的研究背景及意义 |
| 1.1.1 水果的生产现状 |
| 1.1.2 意义 |
| 1.2 水果表面缺陷的机器视觉检测研究现状 |
| 1.2.1 基于单色成像信息识别技术 |
| 1.2.2 基于彩色成像信息识别技术 |
| 1.2.3 基于三维图像信息识别技术 |
| 1.2.4 多/高光谱成像检测技术 |
| 1.2.5 其他检测识别技术 |
| 1.3 研究目的与具体内容 |
| 1.3.1 主要研究目的 |
| 1.3.2 主要研究内容 |
| 1.3.3 技术路线 |
| 1.4 本章小结 |
| 第2章 试验样本与成像系统构建 |
| 2.1 试验样本 |
| 2.2 静态离线成像系统 |
| 2.3 动态在线成像系统 |
| 2.3.1 工业相机的选型 |
| 2.3.2 镜头选型与视场计算 |
| 2.3.3 光源选择与光照布置 |
| 2.3.4 主控计算机 |
| 2.4 本章小结 |
| 第3章 基于亮度校正模型理论的脐橙表面缺陷检测方法研究 |
| 3.1 图像背景分割 |
| 3.1.1 基于区域的分割方法 |
| 3.1.2 基于边界的分割方法 |
| 3.1.3 结合特定工具的图像分割方法 |
| 3.1.4 本研究图像背景去除方法 |
| 3.2 常见光照不均匀处理方法 |
| 3.3 基于多尺度高斯函数亮度校正算法 |
| 3.3.1 表面亮度信息提取并校正及单阈值缺陷分割 |
| 3.3.2 试验结果与分析 |
| 3.4 基于区域亮度自适应校正算法 |
| 3.4.1 自适应亮度校正算法及单阈值分割缺陷 |
| 3.4.2 试验分析与讨论 |
| 3.4.3 脐橙表面缺陷检测算法实现与讨论 |
| 3.5 本章小结 |
| 第4章 基于无亮度校正算法的脐橙表面缺陷检测方法研究 |
| 4.1 图像分块概念 |
| 4.2 图像分块自适应阈值分割算法 |
| 4.2.1 基于图像分块自适应阈值缺陷分割算法的实现 |
| 4.2.2 算法分割实例 |
| 4.3 试验分析与讨论 |
| 4.3.1 图像分块数量对算法的影响 |
| 4.3.2 Otsu算法在本研究中的改进 |
| 4.4 脐橙表面缺陷检测算法实现与讨论 |
| 4.5 本章小结 |
| 第5章 车载式脐橙采后分级设备研发 |
| 5.1 分级线设计与优化 |
| 5.2 载运车选型、改装与系统集成 |
| 5.3 在线检测系统 |
| 5.3.1 背景分割 |
| 5.3.2 脐橙大小检测 |
| 5.3.3 脐橙色泽检测 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 附录 |
| 在校期间学术成果及参研课题 |
| 致谢 |
（5）炭黑分散度在线检测方法及实验研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 炭黑分散度检测在橡胶工业的重要性 |
| 1.2 机器视觉检测技术的发展及现状 |
| 1.2.1 机器视觉检测技术的优势 |
| 1.2.2 国内外机器视觉检测技术的发展趋势 |
| 1.3 国内外炭黑分散度检测技术发展现状 |
| 1.4 本文的研究目的和主要研究内容 |
| 1.4.1 目前存在的主要问题 |
| 1.4.2 研究目的 |
| 1.4.3 研究意义 |
| 1.4.4 本文的研究内容 |
| 2 炭黑分散度检测系统构建 |
| 2.1 检测系统硬件整体构建 |
| 2.2 照明系统研发 |
| 2.2.1 照明方式选择 |
| 2.2.2 机器视觉常用的光源种类 |
| 2.2.3 各类光源的对比 |
| 2.3 工业相机的类型及相机选型 |
| 2.3.1 工业相机的类型 |
| 2.3.2 相机的选型 |
| 2.4 工业镜头的选型 |
| 2.5 编码器的选型 |
| 2.6 工控主机的选型 |
| 2.7 本章小结 |
| 3 炭黑聚集体的识别算法研究 |
| 3.1 机器视觉算法库Halcon简介 |
| 3.2 混炼胶表面图像预处理方法研究 |
| 3.2.1 噪声类型 |
| 3.2.2 图像空间滤波方法 |
| 3.3 炭黑聚集体提取方法 |
| 3.3.1 高对比度区域炭黑图像分割 |
| 3.3.2 低对比度炭黑区域的分割 |
| 3.4 混炼胶表面图像中划痕的识别 |
| 3.5 炭黑聚集体及划痕识别实验验证 |
| 3.6 本章小结 |
| 4 炭黑分散度检测系统上位机软件的研究与实现 |
| 4.1 上位机编程开发环境简介 |
| 4.1.1 Visual Studio2017 简介 |
| 4.1.2 SQL Server简介 |
| 4.2 上位机软件系统需求分析 |
| 4.3 数据库系统的研究与实现 |
| 4.3.1 炭黑分散度检测系统数据库研究 |
| 4.3.2 基于Win Form的数据库访问实现方法 |
| 4.4 上位机界面主要功能模块的实现 |
| 4.4.1 系统配置模块 |
| 4.4.2 在线升级模块 |
| 4.4.3 在线检测模块 |
| 4.5 C#与Halcon联合编程及多线程编程 |
| 4.5.1 C#与Halcon联合编程概述 |
| 4.5.2 上位机软件多线程编程开发 |
| 4.6 本章小结 |
| 全文总结与展望 |
| 本文所做工作 |
| 创新点 |
| 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文及专利 |
（6）基于BLOB分析和机器学习的煤矸石在线图像识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 煤矸石自动识别技术研究现状 |
| 1.3 煤矸石图像识别关键技术难点 |
| 1.4 课题来源和主要研究内容 |
| 1.4.1 课题来源 |
| 1.4.2 课题主要研究内容 |
| 1.5 论文组织结构 |
| 2 煤矸石自动分拣视觉检测系统的构建 |
| 2.1 视觉系统总体方案设计 |
| 2.1.1 图像检测目标物分析 |
| 2.1.2 视觉系统总体方案 |
| 2.2 光学成像系统选型设计 |
| 2.2.1 工业相机选型 |
| 2.2.2 镜头选型 |
| 2.3 照明系统设计 |
| 2.4 通讯系统设计 |
| 2.5 小结 |
| 3 基于频域的聚焦评价函数研究 |
| 3.1 聚焦评价函数的理论依据和研究现状 |
| 3.1.1 聚焦评价函数的理论依据 |
| 3.1.2 国内外研究现状 |
| 3.2 聚焦评价函数的评价指标 |
| 3.3 影响评价函数评价效果的因素分析 |
| 3.3.1 硬件影响因素 |
| 3.3.2 聚焦窗口选择 |
| 3.3.3 聚焦步距选择对评价函数影响 |
| 3.4 现有聚焦评价函数及其研究 |
| 3.4.1 基于空间域的聚焦评价函数 |
| 3.4.2 基于频域的聚焦评价函数 |
| 3.4.3 基于信息理论的评价函数 |
| 3.5 基于频域的聚焦评价函数的算法改进及测试比对 |
| 3.5.1 基于频域的聚焦评价函数算法改进 |
| 3.5.2 基于频域的聚焦评价函数的性能测试 |
| 3.5.3 与其他评价函数的对比测试 |
| 3.5.4 测试结论 |
| 3.6 基于频域的聚焦评价函数在煤矸石智能分拣系统中应用 |
| 3.7 本章小结 |
| 4 基于阈值分割和游程连通域标记的BLOB特征提取算法研究 |
| 4.1 图像分割基本原理及特征提取算法总体方案设计 |
| 4.1.1 图像分割的基本原理 |
| 4.1.2 算法的总体方案设计 |
| 4.2 图像阈值分割研究现状及机器视觉常用阈值分割算法 |
| 4.2.1 图像阈值分割技术研究现状 |
| 4.2.2 机器视觉中常用的图像阈值分割算法 |
| 4.3 游程的几个相关定义和游程连通域标记算法研究现状 |
| 4.3.1 游程及其连通性定义 |
| 4.3.2 游程连通域标记算法研究现状 |
| 4.4 基于阈值分割和游程连通域标记的特征提取算法 |
| 4.4.1 基于游程的连通区域标记两次扫描快速算法 |
| 4.4.2 区块特征参数计算和边缘提取 |
| 4.5 图像特征提取算法底层函数库构建 |
| 4.5.1 图像阈值计算函数 |
| 4.5.2 区块分割函数 |
| 4.6 算法验证 |
| 4.6.1 图像分割实验 |
| 4.6.2 噪声对分割算法的影响 |
| 4.6.3 实验结论 |
| 4.7 煤矸石图像几何特征提取实验 |
| 4.8 本章小结 |
| 5 基于无矸图像过滤和BLOB分析的煤矸石识别与定位研究 |
| 5.1 无矸图像的过滤方法 |
| 5.1.1 过滤目标分析 |
| 5.1.2 图像过滤方法的过滤参数选取 |
| 5.2 基于BLOB分析的煤矸石二次精确识别与定位 |
| 5.2.1 方法基本原理 |
| 5.2.2 煤矸石的精确识别 |
| 5.2.3 定位特征参数提取方法与实验验证 |
| 5.2.4 运动产生的影响及其解决方法 |
| 5.3 基于无矸图像过滤和BLOB分析的煤矸石识别与定位实验 |
| 5.3.1 算法总体流程 |
| 5.3.2 软件总体框架及界面 |
| 5.3.3 算法应用实验 |
| 5.4 小结 |
| 6 基于机器学习的小概率煤矸石识别实验研究 |
| 6.1 支持向量机基本原理 |
| 6.1.1 支持向量机基本原理 |
| 6.1.2 基于机器学习的小概率煤矸石分类实验基本思路 |
| 6.2 分类特征参数选取 |
| 6.2.1 灰度共生矩阵纹理特征参数 |
| 6.2.2 基于灰度直方图的特征参数 |
| 6.2.3 清晰度评价函数 |
| 6.3 数据集的生成 |
| 6.3.1 煤矸石识别中的误判原因分析和样本图像的构建 |
| 6.3.2 分类实验的数据集生成 |
| 6.4 数据的训练与测试 |
| 6.4.1 数据的归一化 |
| 6.4.2 数据训练与测试 |
| 6.4.3 测试结论 |
| 6.5 小结 |
| 7 结论与展望 |
| 7.1 全文工作总结 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）智能电表显示缺陷质量检测系统设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 智能电表检测的背景与意义 |
| 1.1.1 智能电表的发展历程 |
| 1.1.2 智能电表检测研究工作的现实意义 |
| 1.1.3 智能电表机器视觉检测的可行性 |
| 1.2 课题研究国内外研究历史与现状 |
| 1.2.1 机器视觉概述 |
| 1.2.2 机器视觉检测研究发展历史与现状 |
| 1.2.3 机器视觉检测的应用与发展 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 第二章 智能电表显示缺陷质量检测系统设计规划 |
| 2.1 智能电表显示缺陷类型分析 |
| 2.2 检测系统总体架构设计 |
| 2.3 检测系统硬件环境设计 |
| 2.4 检测系统软件设计 |
| 2.5 本章小结 |
| 第三章 智能电表显示缺陷质量检测系统设计实现 |
| 3.1 机械平台 |
| 3.1.1 智能电表馈电系统 |
| 3.1.2 检测感应系统 |
| 3.1.3 机械平台运动系统 |
| 3.2 图像采集系统设计 |
| 3.2.1 光源 |
| 3.2.2 相机选型 |
| 3.2.3 镜头选型 |
| 3.2.4 图像采集系统搭建 |
| 3.3 软件系统设计 |
| 3.3.1 控制系统设计 |
| 3.3.2 图像处理系统设计 |
| 3.4 本章小结 |
| 第四章 图像的预处理与缺陷检测 |
| 4.1 图像的预处理 |
| 4.1.1 图像灰度化 |
| 4.1.2 图像去噪 |
| 4.1.3 图像二值化 |
| 4.1.4 数学形态学运算 |
| 4.2 电表缺陷检验及标牌字符识别算法 |
| 4.2.1 电表缺陷检验 |
| 4.2.2 标牌识别算法 |
| 4.3 本章小结 |
| 第五章 检测实验及结果分析 |
| 5.1检测实验 |
| 5.2 结果分析 |
| 5.2.1 系统可靠性分析 |
| 5.2.2 误差分析 |
| 5.3 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（8）基于机器视觉的刨花板表面缺陷在线检测系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外相关产品表面缺陷检测的主要方法 |
| 1.3 基于机器视觉的板材表面缺陷检测研究现状 |
| 1.3.1 检测算法研究 |
| 1.3.2 现有算法应用情况 |
| 1.3.3 存在问题 |
| 1.4 机器视觉应用于刨花板表面缺陷在线检测所面临的技术瓶颈 |
| 1.5 研究目的与意义 |
| 1.6 研究主要内容和技术路线 |
| 第二章 缺陷检测系统硬件平台设计 |
| 2.1 光源 |
| 2.1.1 光源要求 |
| 2.1.2 光源设备选择 |
| 2.1.3 LED阵列光源的构建 |
| 2.2 工业相机选型 |
| 2.2.1 相机接口 |
| 2.2.2 JAI SP-5000-USB3.0 工业相机 |
| 2.3 检测精度计算 |
| 2.4 检测控制系统 |
| 2.5 本章小结 |
| 第三章 板面区域自动获取与校正 |
| 3.1 径向畸变的校正方法 |
| 3.1.1 产生畸变的原因 |
| 3.1.2 径向畸变校正原理 |
| 3.1.3 相机畸变校正 |
| 3.2 板面倾斜校正 |
| 3.2.1 倾斜校正方法综述 |
| 3.2.2 图像梯度矩阵自适应阈值边缘检测算法 |
| 3.2.3 Hough变换与倾斜角度计算 |
| 3.3 基于边界线的板面区域提取 |
| 3.4 板面区域光照不均校正 |
| 3.4.1 光照不均校正方法综述 |
| 3.4.2 基于伽马变换和图像差分的光照不均校正法 |
| 3.4.3 与其他方法对比 |
| 3.5 本章小结 |
| 第四章 刨花板表面缺陷在线检测算法 |
| 4.1 基于灰度均值分类器和方差分类器的板面缺陷区域快速定位 |
| 4.1.1 建立灰度均值分类器 |
| 4.1.2 建立灰度方差分类器 |
| 4.1.3 缺陷区域定位结果 |
| 4.1.4 基于行连通算法的缺陷区域提取 |
| 4.2 自适应快速多阈值分割算法 |
| 4.2.1 最佳多阈值的位置分析 |
| 4.2.2 灰度直方图主要波峰确定 |
| 4.2.3 最佳多阈值的快速搜索 |
| 4.2.4 算法程序实现 |
| 4.2.5 实验结果 |
| 4.3 基于面积限定的小区域去除及孔洞填充 |
| 4.4 在线检测算法检测结果 |
| 4.5 本章小结 |
| 第五章 板面缺陷类型识别 |
| 5.1 刨花板缺陷随机森林分类器构建 |
| 5.1.1 缺陷形状和纹理特征提取 |
| 5.1.2 随机森林分类器模型构建 |
| 5.1.3 刨花板缺陷随机森林分类器分类效果 |
| 5.2 基于卷积神经网络的缺陷识别 |
| 5.2.1 CNN基础理论 |
| 5.2.2 CNN刨花板表面缺陷分类器构建 |
| 5.2.3 解决CNN刨花板表面缺陷分类器过拟合问题 |
| 5.2.4 CNN的训练和测试 |
| 5.3 本章小结 |
| 第六章 系统实施应用 |
| 6.1 系统硬件平台搭建 |
| 6.2 人机交互界面 |
| 6.3 应用结果 |
| 6.3.1 检测时间 |
| 6.3.2 检测结果 |
| 6.4 本章小结 |
| 第七章 结论与讨论 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 讨论 |
| 参考文献 |
| 在读期间的学术研究 |
| 致谢 |
（9）基于计算机视觉的鸭蛋双黄、裂纹、新鲜度无损检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩写符号 |
| 第一章 绪论 |
| 1.1 禽蛋产业发展概况 |
| 1.1.1 禽蛋的营养价值 |
| 1.1.2 国内禽蛋产业现状 |
| 1.2 计算机视觉技术在禽蛋品质检测中的应用 |
| 1.2.1 应用于外部品质的检测 |
| 1.2.2 应用于内部品质的检测 |
| 1.3 机器学习在农产品无损检测中的应用 |
| 1.3.1 Fisher线性判别 |
| 1.3.2 支持向量机 |
| 1.3.3 神经网络 |
| 1.3.4 深度学习 |
| 1.4 本研究的目的与意义 |
| 1.5 研究内容及技术路线 |
| 1.5.1 研究的主要内容 |
| 1.5.2 研究的技术路线 |
| 第二章 基于计算机视觉的双黄鸭蛋无损检测 |
| 2.1 实验设计与实验装置 |
| 2.1.1 双黄鸭蛋无损检测流程图 |
| 2.1.2 实验材料 |
| 2.1.3 图像采集装置 |
| 2.1.4 图像采集方法 |
| 2.2 图像预处理 |
| 2.2.1 颜色分量分解 |
| 2.2.2 图像去噪 |
| 2.2.3 图像裁剪 |
| 2.2.4 背景去除 |
| 2.2.5 尺寸调整 |
| 2.3 基于Fisher线性判别的双黄鸭蛋无损检测研究 |
| 2.3.1 图像处理 |
| 2.3.2 蛋黄形状特征参数提取 |
| 2.3.3 判别模型构建与验证 |
| 2.4 基于卷积神经网络的双黄鸭蛋无损检测研究 |
| 2.4.1 图像处理 |
| 2.4.2 CNN模型结构设计 |
| 2.4.3 CNN判别模型构建与验证 |
| 2.5 两种判别算法的比较 |
| 2.5.1 算法检测准确率的比较 |
| 2.5.2 算法运行速度的比较 |
| 2.5.3 比较结果 |
| 2.6 讨论 |
| 2.7 本章小结 |
| 第三章 基于计算机视觉的双黄鸭蛋在线检测系统开发 |
| 3.1 硬件系统搭建 |
| 3.1.1 禽蛋输送装置 |
| 3.1.2 暗箱 |
| 3.1.3 光源 |
| 3.1.4 工业相机 |
| 3.1.5 触发装置 |
| 3.2 软件系统开发 |
| 3.2.1 软件总体设计方案 |
| 3.2.2 软件系统的功能模块 |
| 3.3 系统硬件成本核算 |
| 3.4 系统性能评估 |
| 3.5 讨论 |
| 3.6 本章小结 |
| 第四章 基于计算机视觉的鸭蛋裂纹检测 |
| 4.1 实验设计与实验装置 |
| 4.1.1 鸭蛋裂纹检测流程图 |
| 4.1.2 实验材料 |
| 4.1.3 图像采集装置及图像采集 |
| 4.1.4 鸭蛋裂纹图像分析 |
| 4.2 光源亮度调节 |
| 4.3 图像预处理 |
| 4.3.1 灰度转化 |
| 4.3.2 图像裁剪 |
| 4.3.3 背景去除 |
| 4.3.4 图像去噪 |
| 4.4 鸭蛋亮裂纹的检测 |
| 4.4.1 图像处理 |
| 4.4.2 鸭蛋亮裂纹判别算法的建立与验证 |
| 4.5 鸭蛋暗裂纹的检测 |
| 4.5.1 图像处理 |
| 4.5.2 暗裂纹特征提取 |
| 4.5.3 鸭蛋暗裂纹判别算法的建立与验证 |
| 4.6 鸭蛋裂纹综合判别系统设计与准确率验证 |
| 4.7 讨论 |
| 4.8 本章小结 |
| 第五章 基于气室图像的鸭蛋新鲜度无损检测 |
| 5.1 实验设计与实验装置 |
| 5.1.1 鸭蛋新鲜度无损检测流程图 |
| 5.1.2 实验材料 |
| 5.1.3 图像采集装置 |
| 5.1.4 气室图像采集 |
| 5.1.5 鸭蛋新鲜度分级方法 |
| 5.2 图像处理 |
| 5.2.1 图像裁剪 |
| 5.2.2 灰度转化 |
| 5.2.3 图像去噪 |
| 5.2.4 图像分割 |
| 5.2.5 图像缺损修补 |
| 5.3 气室形态特征参数的提取 |
| 5.4 不同贮藏时期的鸭蛋新鲜度指标变化 |
| 5.5 鸭蛋新鲜度判别算法的建立 |
| 5.5.1 气室面积比与鸭蛋新鲜度等级的对应关系 |
| 5.5.2 判别算法的验证 |
| 5.6 讨论 |
| 5.7 本章小结 |
| 全文结论 |
| 展望 |
| 论文创新点 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的学术成果 |
（10）黑变熟对虾的机器视觉识别方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 英文缩写对照表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 虾产品市场状况 |
| 1.1.2 冻熟对虾 |
| 1.1.3 冻熟对虾的加工过程 |
| 1.2 研究意义 |
| 1.2.1 冻熟对虾感官品质要求 |
| 1.2.2 黑变熟对虾 |
| 1.2.2.1 黑变的形成 |
| 1.2.2.2 黑变熟对虾分级 |
| 1.2.2.3 人工方法的不足 |
| 1.2.3 机器视觉技术在水产品颜色检测方面的应用 |
| 1.3 研究内容与技术路线 |
| 1.4 本章小结 |
| 第二章 实验材料与研究方法 |
| 2.1 实验材料 |
| 2.1.1 对虾样品 |
| 2.1.2 对虾两侧黑变情况差异性分析实验 |
| 2.2 实验方法 |
| 2.3 高光谱实验 |
| 2.3.1 高光谱成像技术简介 |
| 2.3.2 高光谱成像系统组成 |
| 2.3.3 样本准备 |
| 2.4 高光谱数据采集 |
| 2.5 高光谱图像黑白校正 |
| 2.6 最佳成像波段的选择 |
| 2.6.1 高光谱图像区域的选取 |
| 2.6.2 主成分分析 |
| 2.7 本章小结 |
| 第三章 机器视觉系统构建与图像预处理 |
| 3.1 机器视觉技术 |
| 3.2 机器视觉部件 |
| 3.2.1 光照系统 |
| 3.2.2 光学镜头 |
| 3.2.3 芯片与相机 |
| 3.2.4 背景选择 |
| 3.2.5 图像采集技术 |
| 3.2.6 机器视觉软件 |
| 3.3 对虾图像信息获取装置 |
| 3.4 对虾图像采集 |
| 3.5 对虾图像预处理 |
| 3.6 本章小结 |
| 第四章 特征提取与部位识别 |
| 4.1 对虾图像背景分割 |
| 4.1.1 阈值法 |
| 4.1.2 算术运算法 |
| 4.1.3 二元Fisher线性判别分析法 |
| 4.1.3.1 判别分析法简介 |
| 4.1.3.2 分割结果 |
| 4.2 黑变特征提取 |
| 4.2.1 双阈值分割 |
| 4.2.2 二元Fisher线性判别分析法 |
| 4.3 黑变面积比 |
| 4.4 部位识别 |
| 4.4.1 轮廓提取 |
| 4.4.2 图像细化 |
| 4.4.3 头尾识别 |
| 4.4.4 头尾分割 |
| 4.5 本章小结 |
| 第五章 黑变熟对虾的识别 |
| 5.1 模式识别 |
| 5.1.1 信息获取 |
| 5.1.2 预处理 |
| 5.1.3 特征提取和选择 |
| 5.1.4 分类器设计与分类决策 |
| 5.2 模式识别方法 |
| 5.2.1 人工神经网络 |
| 5.2.2 决策树 |
| 5.2.3 对虾分类的模式识别方法 |
| 5.3 BP神经网络 |
| 5.3.1 BP神经网络 |
| 5.3.2 黑变对虾分类的BP神经网络分析 |
| 5.3.3 实验结果及分析 |
| 5.4 决策树 |
| 5.4.1 决策树的构造 |
| 5.4.2 实验结果及分析 |
| 5.5 实验结果比较与分析 |
| 5.6 本章小结 |
| 第六章 基于机器视觉的熟对虾在线识别系统 |
| 6.1 系统的硬件部分 |
| 6.1.1 上料系统和单粒化装置 |
| 6.1.2 图像采集系统 |
| 6.1.3 分类系统 |
| 6.1.4 动力和传动机构 |
| 6.2 图像处理系统 |
| 6.3 系统的软件开发平台 |
| 6.3.1 Visual C++ 2010 |
| 6.3.2 MFC框架技术 |
| 6.3.3 OpenCV |
| 6.3.4 EmguCV |
| 6.3.5 IC Imaging Control |
| 6.4 系统的软件实现 |
| 6.4.1 软件的通讯协议 |
| 6.4.2 软件设计 |
| 6.4.3 软件界面说明 |
| 6.4.4 实验参数设置 |
| 6.4.4.1 上料系统的参数设定 |
| 6.4.4.2 软件的实验参数设置 |
| 6.4.5 实验结果 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 主要研究结果和结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
四、基于最小误判准则的LED管芯数字图像分割（论文参考文献）
- [1]高速高分辨平面流式细胞显微成像技术研究[D]. 曲洪丰. 长春理工大学, 2020(01)
- [2]基于机器视觉的车速传感器线束与焊点检测平台的设计与研究[D]. 李畅. 江苏大学, 2020(02)
- [3]LED外观缺陷的在线视觉检测分类方法与系统开发[D]. 罗瑞荣. 广东工业大学, 2020(07)
- [4]脐橙表面缺陷的机器视觉检测技术研究及分级装备研发[D]. 张明. 西南大学, 2020(01)
- [5]炭黑分散度在线检测方法及实验研究[D]. 方德光. 青岛科技大学, 2020(01)
- [6]基于BLOB分析和机器学习的煤矸石在线图像识别研究[D]. 邹华东. 中国矿业大学(北京), 2019(04)
- [7]智能电表显示缺陷质量检测系统设计与实现[D]. 王胜. 电子科技大学, 2019(01)
- [8]基于机器视觉的刨花板表面缺陷在线检测系统研究[D]. 郭慧. 中国林业科学研究院, 2019(03)
- [9]基于计算机视觉的鸭蛋双黄、裂纹、新鲜度无损检测研究[D]. 马龙. 南京农业大学, 2018(07)
- [10]黑变熟对虾的机器视觉识别方法研究[D]. 洪寒梅. 浙江大学, 2015