基于机器视觉的图像识别和瑕疵检测研究

发布时间：2023-05-13 20:54

　　近年来我国的汽车需求不断增长,对于汽车发动机生产制造过程的自动化要求越来越高,自动化装备和自动检测系统的应用,大幅提高了产线上的自动化水平和产品质量。但目前,发动机生产商在某些工件上料环节仍采用人工搬运方式,存在着劳动强度大,生产效率低等弊病。在成品质量检验环节,采用人工目视检查发动机缸体的表面缺陷,工人容易视觉疲劳,造成错判率、漏判率高居高不下问题,严重影响了产线的效率和产品质量。本文采用基于机器视觉的形状识别技术对待上料工件进行自动识别与定位,配合吸盘机械臂实现自动上料。同时,采用机器视觉技术和深度学习技术相结合的方法,对发动机缸体被加工表面进行瑕疵检测,以提高次品检出率、保证产品质量。论文主要研究内容如下:1、以LED为照明系统和单目末端开环视觉系统为基础硬件系统,对图像预处理、边缘检测、形态学处理等图像处理算法进行了对比实验,并对深度学习和卷积神经网络进行了研究,为后续的目标识别与定位和瑕疵检测奠定了基础。2、针对工件的识别与定位问题,首先对待上料工件图像进行预处理,然后对图像进行边缘检测和形态学处理,采用霍夫检测识别形状,再进行目标的定位和姿态求解获取平面坐标信息,并通过红外...

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景与意义
    1.2 国内外机器视觉识别与瑕疵检测研究与发展
        1.2.1 机器视觉
        1.2.2 国内外机器视觉识别发展概况
        1.2.3 国内外机器视觉瑕疵检测发展概况
    1.3 本文研究内容及组织结构
        1.3.1 研究内容
        1.3.2 结构安排
2 机器视觉系统的技术基础
    2.1 硬件结构
        2.1.1 视觉系统分类
        2.1.2 光源类型
        2.1.3 图像采集卡
    2.2 瑕疵检测系统
        2.2.1 缺陷检测系统框图
        2.2.2 表面缺陷检测流程
    2.3 深度学习算法
        2.3.1 深度学习基本理论
        2.3.2 卷积神经网络
        2.3.3 Tensor Flow深度学习框架
    2.4 MFC微软基础类库
        2.4.1 应用程序框架
    2.5 本章小结
3 基于机器视觉的工件识别与定位
    3.1 目标工件识别过程分析
    3.2 图像预处理
        3.2.1 图像灰度化
        3.2.2 平滑处理
        3.2.3 图像二值化
    3.3 边缘检测及形态学处理
        3.3.1 边缘检测
        3.3.2 形态学处理
    3.4 形状识别
        3.4.1 Hough变换检测圆
        3.4.2 最小二乘法椭圆拟合
    3.5 工件定位
        3.5.1 二维定位
        3.5.2 高度定位
        3.5.3 倾斜角
    3.6 码垛策略
        3.6.1 层次吸取
        3.6.2 垂直吸取
    3.7 本章小结
4 基于机器视觉的瑕疵检测研究
    4.1 缺陷类别
    4.2 机器视觉瑕疵检测算法
        4.2.1 图像降噪
        4.2.2 图像边界检测算法
        4.2.3 图像感兴趣区域搜索
        4.2.4 图像分割算法
        4.2.5 图像标识
    4.3 深度学习算法训练过程
        4.3.1 深度学习的训练过程
        4.3.2 卷积神经网络训练过程
        4.3.3 多层神经网络与卷积神经网络结合
    4.4 本章小结
5 系统功能实现与验证
    5.1 工件识别与定位和瑕疵检测程序设计与实现
        5.1.1 系统整体功能架构
        5.1.2 系统流程设计
        5.1.3 应用程序简介
        5.1.4 实验结果
    5.2 本章小结
6 总结与展望
    6.1 工作总结
    6.2 工作展望
致谢
参考文献
附录



本文编号：3816505