姜颖军[1]2000年在《计算机视觉在玻璃制品裂纹检测中的应用》文中提出在玻璃制品的生产过程中，随着生产速度的提高以及越来越严格的质量要求，传统的人工检测裂纹的方法由于受主观因素的影响，已不能保质保量的完成生产任务。在这种情况下，国内外不少厂家开始研制用于玻璃制品裂纹检测的机器。从已开发的产品来看，它们都具有机械制造要求高、不易调整且价格昂贵等缺点。 随着计算机软件，硬件的发展，以及计算机视觉相关理论的完善，用计算机视觉进行裂纹检测的方法已变得切实可行。在国外已有少数厂家利用这一原理制造出较为成功的产品，但在国内还处于起步阶段。按此方法制造的检测设备相对以往的采用机械接触方式进行检测的设备，它具有以下优点： 制造代价小，对机械制造的精度要求低； 灵活性高，易于调试； 系统的检测速度可随CPU速度的提高而不断增加； 工作环境要求低。 作者研制的“玻璃瓶裂纹检测系统”是“玻璃制品的计算机视觉在线检测系统”的一个子系统。整个系统由广西师范大学电子研究所与桂林市玻璃厂协作开发。对于用计算机视觉进行玻璃制品裂纹的检测，该系统提出了在国内尚属全新的两种方法：简易判断法和边界特征判断法。这两种方法都采用非接触的传感方式。首先，选取合适的相机、光源、图像卡，在特定的空间位置获取能反映裂纹存在的一系列数字图像。由于是利用裂纹的反射光来进行判断，而裂纹在玻璃瓶上的位置并不确定，玻璃瓶的四周都有存在的可能性，因此必需对玻璃瓶进行旋转拍摄。系统采用的方法是固定相机和光源，旋转玻璃瓶，对每个玻璃瓶以固定频率摄取一系列图像，然后直接在用户内存对图像进行各种预处理，在预处理的基础上对图像进行分割，以便把裂纹小区和其他干扰小区分割开来，再对各小区提取特征，最后，根据各特征参数，使用不同的判断法则进行判断。 简易判断法和边界特征判断法采用相同的途径获取图像。在图像预处理阶段，前者使用邻域平均法进行噪声平滑，后者使用中值滤波法进行噪声平滑，这两种平滑方法对物体边缘产生不同的影响。邻域平均法使图像边界模糊，中值滤波法能保持图像边界基本不失真。在图像分割阶段，两者都使用门限化法(最佳阈值法)进行图像分割。在简易判断法中，抽取光斑面积和光斑位置两类特征作为判断依据。而在边界特征判断法中，在门限化的基础上用拉普拉斯算子进行边缘检测，提取各区域边缘，计算边界链码，然后再使用傅立叶级数提取边界特征细长度和圆形度作为判断依据。 在都能保证对裂纹进行有效判断的前提下，相对于简易判断法，边界特征判断法对用于检测的机械设备要求低，但是处理速度慢。其实质是牺牲部分处理速度来换取低价格、低精度的机械设备。 作者用Visual C++较成功地实现玻璃瓶裂纹的检测。
陈常祥[2]2007年在《基于计算机视觉的玻璃瓶缺陷在线检测系统的研究与实现》文中研究表明玻璃瓶瓶口、瓶颈裂纹是玻璃瓶质量检测的重要方面。目前,国内玻璃瓶生产厂家大多采用原始的人工灯光目测法。该方法不仅效率低、准确性差,而且检验标准也很难达到一致;另有少部分厂家引进了国外的验瓶机。但国外验瓶机大多存在造价高、灵活性差等缺点。因此,开发一个性价比高、检测范围广,而且具有良好的人机交互界面,升级方便的系统很有必要。开发系统的主要目的是适应我国中小型玻璃生产企业的现状,尽量降低他们的生产成本。自从2002年开始,广西师大电子研究所与桂林晶盛玻璃有限公司合作,成功开发了“啤酒瓶裂纹在线实时检测系统”。此系统在线运行三年多,效果较好,但形势的发展提出了更高的要求。为了提高系统的性能,我们作了进一步研发,本论文对研发过程中采用的策略和技术方法进行了论述。因此,本文针对原系统已有检测项目在性能上的不足和检测速度的需要,对啤酒瓶瓶口裂纹检测系统进行了进一步的完善和改进工作,主要包括以下几个方面:1、针对原系统不能准确对啤酒瓶瓶口定位,而且也不能对广口瓶、白色玻璃瓶定位。本文采用了八方向链码搜索来跟踪寻找瓶口边缘点。改进算法之后,能准确地找到各种玻璃瓶的位置。使整个系统具备一定的通用性,同时提高了系统的可靠性和效率。2、在裂纹判断算法上,针对背景上光斑和外界光源的干扰,将原来对矩形感兴趣区域的特征提取方法,改为椭圆拟合法纠正的特征提取方法。改进之后,大大的降低了系统的误判率。由原来的0.4%降到0.2%,提高了程序的可靠性。3、为了更加完善系统,同时满足用户的要求,在系统中增加了瓶颈裂纹检测项目,使得整个裂纹检测系统趋向于完善。摒弃了以前人工灯光检测方法,使得产品的质量更加可靠,从而提高了公司的产品竞争力。4、为了对软件实行版权保护,本文对软件保护作了初步探讨,同时将一些软件的保护方法用到本文的裂纹检测系统中去。本文采用机器指纹的防拷贝技术,并用MD5加密保存到参数文件中,防止用户对软件的重复使用。本方法只是对裂纹检测系统的初步保护,只是防止系统的一版多用。5、为了解决产品在运输过程中存储介质容易损坏,使用和携带的方便性,软件执行的可靠性等问题。本文采用了闪存卡——工业CF卡作为存储介质。用来提高系统运行的可靠性、易操作性、并增强了软件的安全性。裂纹检测系统改进后,裂纹检测系统的速度提高了3倍,处理一帧坏瓶子的时间从原来的30ms减少到10ms,系统总的检测速度从原来的120个玻璃瓶/分钟,提高到现在的150个玻璃瓶/分钟。误判率漏检率下降了2倍,从以前的0.4%下降到0.2%。目前,本文修改之后的裂纹检测系统已经在桂林晶盛玻璃有限公司运行了半年多,用户给予了较高的评价。并且,有一台检验线出售给山东景耀玻璃有限公司,也受到了公司的好评,认为可以和国外的产品相比,甚至瓶颈裂纹检测项目的检测结果可以超过国外的某些同类产品。目前,桂林晶盛玻璃有限公司又有4条检验线投入运行,为公司节省了大量开支,创造了效益,提高了公司的品牌形象。
潘磊庆[3]2007年在《基于计算机视觉和声学技术融合检测鸡蛋品质的研究》文中研究说明鸡蛋具有很高的营养价值，深受消费者喜爱。蛋内外品质的好坏直接影响蛋的质量和安全。在销售流通及加工方面，如能做到按质论价，则既保护了消费者权益，又有利于生产经营者采取科学的管理，保证蛋的品质。将基于计算机技术的高新检测技术用于禽蛋品质的自动检测和分级，既可以解放劳动力，排除人的主观因素干扰，又能快速而准确地进行禽蛋品质的综合而全面地评价。因此，研究和完善高水平的禽蛋品质检测系统对于提高我国禽蛋在国际市场行业的竞争力有着现实意义。本文是国家自然科学基金项目“基于计算机视觉和动力学特性无损检测禽蛋品质研究”中的一部分，主要研究了利用计算机视觉和声学技术无损检测鸡蛋的裂纹(主要是微裂纹鸡蛋)、污斑和新鲜度的品质情况，提高检测精度。本文主要的研究内容和结果如下：1．声学技术检测鸡蛋裂纹的研究分析了外部条件(敲击位置、信号采集位置、敲击力、贮藏时间)和鸡蛋自身物理性质(蛋重、蛋壳厚度、蛋形指数、蛋壳强度、裂纹)对鸡蛋特征响应频率的影响，并建立了利用声学敲击检测鸡蛋裂纹的装置和方法。研究发现采集信号位置、贮藏时间、敲击力大小和蛋形指数对鸡蛋的特征频率影响很小，而敲击位置和裂纹对鸡蛋的特征频率影响很大；蛋壳厚度、蛋壳强度和蛋重对特征频率影响也较大，鸡蛋的特征频率随着蛋壳强度和壳厚的增加会变大，但随着蛋重的增加反而变小，而且蛋重与鸡蛋特征频率的相关系数达到0.699。同时发现，对鸡蛋特征频率的影响并不是单个因素，而是多个因素共同起作用。利用建立的声学检测装置，通过敲击赤道不同部位四次，分析四个特征响应频率的变异系数(CV)，可将CV作为分级依据，设定参数(CV)的阈值为1时，完好鸡蛋检测准确率达83％，壳裂鸡蛋的检测准确率为91％，整批鸡蛋的检测准确率达到87％。2．基于计算机视觉和神经网络检测鸡蛋裂纹的研究为了进一步提高鸡蛋裂纹检测的准确性和效率，建立了利用计算机视觉技术检测鸡蛋表面裂纹的装置，综合运用计算机视觉技术和BP神经网络技术，实现鸡蛋表面裂纹的无损检测和分级。首先，通过计算机视觉系统获取鸡蛋表面的图像，对图像分析处理，提取了裂纹区域和噪声区域的5个几何特征参数。其次，将5个参数作为输入量，建立了基于MATLAB的结构为5-10-2的三层BP神经网络模型，对裂纹进行识别和鸡蛋的自动分级。试验结果表明模型对裂纹鸡蛋的识别准确率达到了92.9％，对整批鸡蛋的分级准确率达到了96.8％。3．计算机视觉和声学技术融合检测鸡蛋裂纹的研究利用计算机视觉系统获取鸡蛋表面图像，并进行分析处理，提取了5个特征参数(A、R、L、S、LS)，作为BP神经网络的输入量，创建了基于MATLAB的结构为5-10-2的3层BP神经网络模型识别鸡蛋表面的裂纹，发现利用计算机视觉和BP神经网络判别不同程度破损鸡蛋的准确率只有68％，对完好鸡蛋的判别准确率为98％。对结果分析发现，虽然构建的BP神经网络对图像处理后分割出的裂纹区域识别准确率很高，但计算机视觉方法对裂纹较小的鸡蛋，主要为微裂纹和不可见裂纹鸡蛋，图像处理难以分割出裂纹区域，该类鸡蛋判别准确率较低。采集和分析鸡蛋被敲击后的声音信号，提取了特征频率F1、F2、F3、F4、偏斜度平均值CS和崤度平均值CE共6个特征参数，并作为神经网络的输入量，创建了基于MATLAB的结构为6-15-2的3层BP神经网络模型判别鸡蛋裂纹，对蛋壳受各种程度破坏后的鸡蛋判别准确率可达90％以上，对蛋壳完整的鸡蛋判别准确率超过95％，对一批鸡蛋总体的判断准确率可达94％。但也发现，当鸡蛋蛋壳受破坏比较严重，裂纹比较大时，敲击鸡蛋蛋壳的不同部位，采集的各次信号差异不大，利用声学技术结合BP神经网络的方法易产生误判。采用融合技术，结合计算机视觉、声学技术和BP神经网络判断各种破损程度鸡蛋，能够发挥计算机视觉技术和声学检测技术的优点，对裂纹蛋检出可达到98％，能够充分的保证鸡蛋的质量和安全。4．基于计算机视觉检测鸡蛋污斑的研究传统人工检测鸡蛋表面污斑方法由于效率较低，且易造成视觉疲劳等缺点，已不能满足现代化工业生产需要。本文建立了利用计算机视觉检测鸡蛋表面污斑的装置，通过计算机视觉采集鸡蛋表面的图像，然后对图像进行处理分析，提取特征参数，建立污斑识别算法，检测鸡蛋表面的污斑。通过验证，该识别算法分级污斑鸡蛋和干净鸡蛋的准确率达到92.7％，受试鸡蛋总体分级准确率达到90％以上，实现了对鸡蛋表面污斑的无损检测。5．基于计算机视觉和神经网络检测鸡蛋新鲜度的研究建立了利用计算机视觉检测获取鸡蛋内容物透射图像信息的装置，通过图像处理，获取了蛋壳表面颜色信息和表示鸡蛋新鲜的参数哈夫单位值(HU)，得到了利用计算机视觉预测鸡蛋新鲜度的有关的H、I、S、a、b、a~*、b~*、a-a~*、b-b~*七个参数，然后通过分析哈夫单位HU与七个参数之间的相关性，并建立多元线性回归方程，确立了与鸡蛋新鲜度密切相关的三个参数H、I、b。以三个参数H、I、b作为输入变量，创建了基于MATLAB的结构为3-15-4的3层BP神经网络模型对鸡蛋的新鲜度进行分级，模型具有较好的泛化功能和鲁棒性，对各个等级鸡蛋的新鲜度分级准确率达90％，对整体鸡蛋新鲜度分级的准确率在92％以上。6．融合检测鸡蛋品质系统的软硬件组成本章介绍了实现利用计算机视觉、声学技术和神经网络融合技术无损检测鸡蛋品质(污斑、裂纹、新鲜度)的硬件的组成，以及软件的界面及其内部的各个功能模块。
张燕[4]2008年在《基于机器视觉的药用玻璃瓶缺陷检测的研究》文中研究指明目前,药用玻璃瓶的质量检测主要靠人工检测,这会增加巨额的人工成本和管理成本,同时检测的精度和速度也达不到生产的要求。本文针对玻璃瓶的缺陷检测进行了研究,论文的主要工作和取得成果如下:1.针对机器视觉的药用玻璃瓶缺陷检测,首先需要获得高质量的采集图像。本文从采集设备的选择入手,分析各种光源的优缺点,根据被测对象的特性,确定光源和照明装置,设计简易的采集暗室环境,搭建采集实验平台,初步达到采集图像的质量要求;同时对总体检测系统进行设计。2.针对玻璃瓶边缘检测,详细探讨了被测对象图像的预处理过程,同时进行了滤波、增强和边缘检测算法可行性的实验验证,实现了根据被测对象的特性选择合适的算法;同时采用曲线拟合算法对传统的像素级检测方法进行改进,使边缘检测的定位精度达到亚像素级,提高了边缘检测的精度。3.针对玻璃瓶缺陷检测,对瓶口和瓶身的缺陷采用不同的检测算法。就瓶口检测的圆心定位问题,进行了多种方法的比较,采用改进的四点垂直弦截法来确定圆心位置,此算法简单,容易实现,且提高了圆心定位的精度;针对瓶口缺陷检测提出双圆周法,能较好的检测到瓶口细小缺陷;利用边缘跟踪法提取瓶身裂纹缺陷区域后,用几何特征参数判断缺陷类型。
严太山[5]2001年在《神经网络BP算法研究及其在工业检测中的应用》文中提出BP神经网络是各种神经网络模型中具有代表意义的神经网络模型之一，已获得了广泛的应用。由于BP神经网络存在其固有的缺陷，所以许多专家学者对其性能的改善做了大量的工作，对BP算法进行了卓有成效的研究。但是，对BP神经网络的研究，大都是基于对BP算法的某一方面进行改进，然后将改进的算法与基本BP算法进行比较，对BP神经网络进行综述的论文还很少见到。而且，在玻璃制品质量检测这一领域，目前还未曾有过神经网络技术的应用。本论文将对BP算法作一个系统的综述和一些初步的探索，并将其应用于“玻璃制品的计算机视觉在线检测系统”中，以使该检测系统具备自学习、自适应的能力。 从内容上看，本论文由以下两部分组成：第一部分是介绍神经网络，从神经网络的基本特点、发展历程、构成、类型及应用等几个方面进行了概述；第二部分是介绍本论文完成的工作，其中包括：对BP神经网络结构及BP算法进行的研究，BP算法在“玻璃制品的计算机视觉在线检测系统”中的应用。 针对BP神经网络隐含层节点数难以确定这一缺陷，本论文在总结前人经验和实验的基础上，提出了一种直接估算最佳隐含层节点数的简单方法，简化了隐含层节点数的确定，并取得了良好的效果。 在基本BP算法及许多改进型BP算法的学习过程中，采用的控制方法一般为：设定一个固定的允许均方误差或学习次数，或同时设定固定的允许均方误差和学习次数。但它们都存在各自的缺陷，在某些情况下学习时间太长，甚至陷入死循环；或者学习精度不高。为提高BP算法的收敛速度和精度，本论文提出了一种二次自适应调整学习参数的改进型BP算法。该算法在学习过程中，除了对学习率和动量因子进行自适应调整外，还能根据网络的实际训练情况自适应确定允许均方误差的值，从而克服了传统的BP算法在学习过程中采用的控制方法存在的缺陷。实验表明，二次自适应调整学习参数BP算法的训练速度和精度都比传统的BP算法有明显的提高，因而有较好的应用价值。 “玻璃瓶口裂纹检测系统”是广西师范大学电子技术研究所与桂林市玻璃厂联合开发的“玻璃制品的计算机视觉在线检测系统”的一个子系统，笔者在调试过程中发现，该子系统对环境变化适应的灵活性和对新信息的容错性较差，这主要是由于该子系统目前所采用的算法不具备自学习、自适应的能力所造成的。在这方面，神经网络给我们提供了一条崭新的途径，神经网络通过对经验样本的学习，将学习结果以权值和阈值的形式分布存储在网络内部。更重要的是，神经网络具有极强的自学习、自适应能力。本论文将BP算法应用于该子系统中，建立了基于BP神经网络的“玻璃瓶口裂纹检测模型”，克服了原算法对环境变化适应的灵活性和对新信息的容错性较差的弱点，从而使该检测系统的自学习、自适应能力大大增强了。笔者用Visual C++成功地实现了BP算法对玻璃瓶口裂纹的检测，实验表明，BP算法的检测效果与原算法相比，有了明显的改善和提高。
王平顺[6]2005年在《图像处理技术在玻璃缺陷检测中的应用研究》文中进行了进一步梳理随着计算机技术的飞速发展,图像处理技术在工业检测领域的应用已经成为了工业自动化的重要内容。本文在现有的国内外文献和技术应用的基础之上,对图像的获取,预处理、图像分割及模式识别方面做了一些研究工作,针对基于传统边缘检测的图像分割算法,提出了一些新的思想。同时结合某玻璃有限公司的自动化玻璃缺陷检验设备研制项目,将所研究的图像处理技术应用于玻璃缺陷检测中,以来替代传统的人工检测方法,提高检测的精度和效率。本论文主要内容安排如下:首先简要介绍了图像处理技术的一些基本概念,包括它的发展、特点、应用领域、今后的发展方向和图像处理的基本方法。结合玻璃缺陷检测课题,阐述了缺陷检测的理论分析依据,研究设想,研究方法和实验设计的概述。接着按照设计的研究流程,讲述了图像采集系统,包括硬件设备和图像数字化的基本原理,获得了玻璃图像,为后续的图像预处理打下了基础。在图像的预处理中,我们介绍了基本的各种图像滤波和增强技术,包括中值滤波、均值滤波,并分析了各种滤波技术的特点和应用。在增强方面重点分析了图像灰度直方图的均衡化和微分尖锐化处理。 然后重点研究了各种图像分割算法,在基于边缘检测的分割算法中,针对传统的整数阶导数边缘检测算法,提出了分数阶导数边缘检测算子在玻璃图像分割中的应用,结果表明这种算法取得了较好的边缘检测效果。最后针对分割图像,提取缺陷目标的面积和周长等特征参数,计算出图像中缺陷的圆形度和伸长度指标,组成特征矢量来对缺陷种类进行识别分类,为进一步的优化玻璃切割系统提供详尽的数据。本文针对该套检测系统所应用的技术和方法为今后的深入研究和将其应用于实际生产奠定了坚实的基础。
艾矫燕[7]2003年在《基于计算机视觉的墙地砖颜色分类和缺陷检测研究》文中研究表明本论文主要研究了利用计算机视觉对墙地砖进行表面质量检测(包括缺陷检测和花色分类)的理论方法和算法实现。通过深入的查阅文献、现场调研、算法分析与开发、实验验证等得到了以下结果:1. 对视觉检测技术的发展和应用进行了综述,并就其在表面质量检测与控制中的应用作了介绍。对计算机视觉检测技术涉及到的相关研究领域也作了简单的说明。2. 详细讨论了国内外已有的墙地砖缺陷检测和颜色分类的主要研究方法,指出由于没有考虑纹理和尺度信息,现有方法在处理某些情况时受到限制,提出了充分利用纹理分析技术的新思路。3. 研究了墙地砖图像的采集条件和处理方法。讨论了照明系统的设计,对所提出的三种方案进行了实验和分析比较。讨论了摄像系统的标定方法以及图像去噪和分割方法。4. 针对微晶玻璃装饰砖的色斑缺陷无法用常规方法检测的问题,提出采用马尔可夫随机场纹理分析方法,并讨论了纹理特征的强化。通过实验证明,对随机纹理具有良好描述的马尔可夫随机场纹理分析方法对随机分布的不规则的斑点类缺陷检测效果良好。5. 针对已有研究在对随机纹理多种颜色的墙地砖进行分类时效果不理想问题,本文提出结合纹理和颜色特征并利用尺度信息对产品进行花色分类的思想,采用彩色图像小波分析技术提取墙地砖表面关于颜色、纹理和尺度的融合信息。并对基于小波分解的特征集进行优化。实验结果表明,纹理、颜色与尺度信息的融合,以及特征的优化,为解决随机纹理多种颜色砖的分类问题提供了可行而有效的解决方法。6. 研究了ART2 网络在微晶玻璃颜色分类中的应用,并为改善其模式漂移现象,改进了传统ART2 网络的学习算法。在解决无学习样本的微晶玻璃颜色分类实验中取得较好的分类效果。7. 传统ART2 网络的相似性度量没有考虑幅度信息,导致其在某些场合的应用受到限制。本论文提出一种基于幅度信息的新型ART2 网络结构及其算法,新型网络在处理集群分布信息数据时,性能优于传统ART2 网络。8. 最后,为方便进行试验,编写了一套用于墙地砖缺陷检测和颜色分类的软件平台VICL。包括图像处理、图像分析和模式识别三大功能模块。
蒋锦涛[8]2007年在《平板玻璃缺陷检测系统的研究》文中提出为了平板玻璃生产满足现代化制造业高效率、自动化与智能化的要求，并进一步提高相应产品质量，实现对平板玻璃缺陷的在线检测成为亟待解决的问题。而且随着计算机技术的飞速发展，图像处理技术在工业检测领域的应用已经成为了工业自动化的重要内容。本文在现有与平板玻璃缺陷检测相关的国内外文献和技术应用的基础上，旨在研究一套能够实现对平板玻璃主要缺陷进行实时在线检测的系统。该系统以计算机视觉理论为检测原理，基于高速高分辨率线阵CCD传感器件、结合友好的人机接口组成。检测平板玻璃宽度最大为2500mm，运行速度不大于1.5m／s，要求所达到的横纵向检测分辨率为0.5mm*0.5mm，缺陷尺寸检测误差不大于1mm。系统对平板玻璃表面的气泡、裂纹等主要缺陷进行在线检测。以替代传统人工检测方法，提高检测的精度和效率。本论文主要内容如下：1、介绍了CCD的原理以及适用于本系统的CCD的选型2、介绍了图像处理技术的一些基本概念，包括它的发展、特点、应用领域、今后的发展方向以及图像处理的基本方法。3、重点介绍图像分割，提取缺陷目标面积和周长等特征参数，计算出图像中缺陷的圆形度和伸长度指标，组成特征矢量来对缺陷的种类进行识别和归类，为进一步的优化平板玻璃生产提供详尽的数据。4：根据以上设计出平板玻璃缺陷检测系统的设计样图，完成高强度均匀光源的选择设计，加上合适的图像处理软件可以对平板玻璃生产中产生的部分缺陷进行精确检测和归类
解秀梅[9]2008年在《玻璃缺陷检测系统实验研究》文中认为在玻璃的生产线上,不允许玻璃上出现大量的明显的缺陷,否则会影响其质量。因此,开发一套低成本的玻璃检测系统便有极大的科研价值。本文所做的工作就是为一厂家开发检测系统所做的前期实验工作。作者以玻璃缺陷检测为应用背景,利用计算机视觉技术,致力于研制一套性价比高的检测系统。本文详细地介绍了图像处理技术——图像滤波技术和图像分割技术以及特征识别技术,改进了传统的中值滤波算法,对各种图像分割技术进行了分析和比较,从而得出适用于本系统的图像分割方法和特征识别技术,为缺陷的提取和分析打下了基础。论文通过分析了以上各种图像处理和识别方法,提出了玻璃缺陷检测的具体方案。该系统的硬件部分主要由以下几部分组成:摄像机、图像采集卡、微型计算机组成。软件系统主要采用Visual C++6.0编程环境。现已初步完成了玻璃检测系统的前期试验工作,经测试,初步达到高效、准确、低成本的目标,能快速准确地检测到玻璃缺陷,为后期地投入实际生产线打下了坚实的基础。
刘浩[10]2007年在《计算机视觉药用玻璃瓶检测系统的研究》文中研究表明计算机视觉技术在国民经济、科学研究及国防建设等领域都有着广泛的应用。其最大的优点是与被测对象无接触，检测的对象十分广泛，工业自动化生产线、视觉导航、虚拟现实等，它还可以观察人眼观察不到的范围，如红外线、微波、超声波等。计算机视觉以其检测效率高、速度快、无视觉疲劳等优点正逐步的取代人工检测方法。不过计算机视觉技术仍处于一个完善和发展的阶段，其发展还远远落后于人们所寄予的发展水平。本课题的研究目的是设计一套基于计算机视觉的药用管制玻璃瓶检测系统实验装置。整个系统以图像处理、DSP技术为基础，针对药用管制玻璃瓶的缺陷进行检测。本论文对检测系统中的几个关键技术进行了研究和讨论：1．总体检测系统装置的设计。包括采集设备的选择、光源和照明装置的设计，并搭建实验平台，初步实现了系统的设计目标。2．本文在对图像检测技术在国内外的研究现状和发展做了研究，做了大量的实验，验证了多种图像检测算法，我们提出了一种基于混合滤波器缺陷检测算法，并从理论和实验两方面对检测效果做了评价。试验结果表明：该方法检测出的缺陷定位准确，检测不会出现误检、漏检，对由于光线造成的影响和玻璃本身的材质产生的干扰，能够做到较好的判断。并取得了良好的检测效果。3．将检测平台移植到DSP平台上。实验选用SEED—VPM642开发板进行了硬件仿真和程序调试。完成对单帧管制瓶图像检测项目的研究，并对连续图像的动态实时检测进行了初步的探讨和研究。
参考文献：
[1]. 计算机视觉在玻璃制品裂纹检测中的应用[D]. 姜颖军. 广西师范大学. 2000
[2]. 基于计算机视觉的玻璃瓶缺陷在线检测系统的研究与实现[D]. 陈常祥. 广西师范大学. 2007
[3]. 基于计算机视觉和声学技术融合检测鸡蛋品质的研究[D]. 潘磊庆. 南京农业大学. 2007
[4]. 基于机器视觉的药用玻璃瓶缺陷检测的研究[D]. 张燕. 合肥工业大学. 2008
[5]. 神经网络BP算法研究及其在工业检测中的应用[D]. 严太山. 广西师范大学. 2001
[6]. 图像处理技术在玻璃缺陷检测中的应用研究[D]. 王平顺. 燕山大学. 2005
[7]. 基于计算机视觉的墙地砖颜色分类和缺陷检测研究[D]. 艾矫燕. 华南理工大学. 2003
[8]. 平板玻璃缺陷检测系统的研究[D]. 蒋锦涛. 安徽大学. 2007
[9]. 玻璃缺陷检测系统实验研究[D]. 解秀梅. 中国海洋大学. 2008
[10]. 计算机视觉药用玻璃瓶检测系统的研究[D]. 刘浩. 合肥工业大学. 2007
标签：自动化技术论文; 计算机视觉论文; bp算法论文; 神经网络模型论文; 特征提取论文; 图像融合论文; 缺陷管理论文; 缺陷等级论文; 系统学习论文; 人工智能论文; bp神经网络论文;