一、一种用于工件3D条码识别的图象综合预处理方法(论文文献综述)
法弘理[1](2021)在《基于3D视觉的PCB元器件字符识别方法研究》文中提出随着电子信息技术的快速发展,印刷电路板(PCB)应用越来越广泛,为准确高效地对其进行检测,自动光学检测技术(AOI)逐渐发展起来且已被应用于实际生产。目前,AOI技术主要采用2D视觉检测方法,但是由于元器件表面字符印刷方式不同,元器件字符凹凸性不同、颜色和大小多样,2D字符识别系统的鲁棒性低,准确性不足。而PCB的3D点云(3D-PCB)数据中的高度信息能有效增强PCB的2D图像(2D-PCB)中的字符信息,提高字符与背景的对比度。为此,开发一套基于3D视觉的字符识别系统以提高AOI系统中的字符识别准确率,具有十分重要的研究意义。本文以PCB元器件字符为对象,设计了基于3D视觉的PCB元器件字符识别系统。该系统从融合2D-PCB图像与3D-PCB数据的角度出发,提出了基于数据标定和标记点的2D/3D配准与拼接方法,完成了2D-PCB图像与3D-PCB数据的融合以及3D-PCB图像的拼接。由于3D-PCB数据存在噪声波动,采集到的元器件表面不平整,针对该问题,设计了基于随机抽样一致算法(RANSAC)平面拟合的字符增强算法以利用3D信息增强2D-PCB图像中的字符。此外,提出复杂环境下的字符分割算法以更好的完成元器件字符的分割,并使用Mobile Net V3完成了字符识别。本文的主要内容如下:(1)PCB元器件字符识别系统总体方案设计。首先,对PCB元器件字符识别技术要求进行分析,完成了字符识别系统的硬件选型和布局设计。其次,为采集2D-PCB图像和3D-PCB数据,设计了采集系统的运行流程。最后,针对元器件的字符特征,初步设计了系统总体算法流程。(2)基于数据标定和标记点的2D/3D图像配准与拼接。首先,利用PCB待拼接图像中丰富的纹理信息,提出基于FAST特征与RANSAC配准方法对多张PCB局部图像进行拼接。其次,针对来源于不同传感器的2D-PCB图像和3D-PCB数据无法直接对应的问题,提出了基于数据标定的信息归一化算法,实现2D-PCB图像3D-PCB数据的粗配准。最后,提出了基于标记点的2D/3D配准与拼接算法,得到2D-PCB图像与3DPCB数据间的转换关系,完成两者的匹配对齐,进一步实现了2D-PCB图像与3D-PCB数据的精确配准,并保证3D-PCB图像中元器件及其字符的完整性。试验结果证明,所提出的配准与拼接方法能够得到完整的3D-PCB图像。(3)基于3D数据的字符定位与分割。首先,为了从大量元器件中挑选出待检元器件,利用直通滤波器去除了PCB板中无需检测的区域,生成待检元器件的掩模。其次,针对PCB元器件表面3D数据存在噪声波动,无法得到准确的投影基准的情况,提出了RANSAC平面拟合的字符图像增强算法,保证PCB元器件字符的3D数据能有效增强2D-PCB图像中的字符。针对PCB元器件受外界脏污干扰的情况,通过结合最大稳定极值区域(MSER)与形态学方法准确定位了字符区域。最后,针对元器件字符形式多样、背景复杂的问题,设计了复杂环境下的字符分割算法以完成各类PCB元器件的字符分割。试验结果表明,本文提出的字符增强算法能有效增强2D字符图像,并且本文设计的复杂环境下的字符分割算法能准确分割出PCB元器件字符。(4)基于MobileNetV3的PCB元器件字符识别。针对分割图像出现干扰信息的情况,利用连通域分析的方法去除了干扰信息,筛选出干净的PCB元器件字符分割图像以提高字符识别率。此外,构建PCB元器件字符的专属数据集,并使用训练集训练了Mobile Net V3神经网络,使用更新后的网络参数完成了PCB元器件字符识别。与支持向量机(SVM)的对比试验证明,在使用相同测试集的情况下,基于Mobile Net V3的PCB元器件字符识别方法网络能够更准确快速的识别PCB元器件字符。综上所述,本文根据PCB元器件字符识别的技术要求,搭建出PCB元器件字符采集的硬件系统,包含2D采集模块和3D采集模块。设计了基于3D视觉的字符识别算法,并基于Visual Studio、QT的软件平台和模块化的思想,开发出基于3D视觉的PCB元器件字符识别软件系统,主要包含用户登录模块、字符识别模块、数据管理模块和训练集构建模块。现场试验证明,本文设计的字符识别系统的平均准确率为98.28%,基本满足PCB元器件字符识别的技术要求。
勒系遥[2](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》文中指出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。
何江[3](2021)在《面向机械加工的增强现实辅助系统开发》文中认为一个完整的机械加工工艺系统包含了机床、工件、刀具、夹具等信息。目前的机械加工过程中大部分依赖机械加工工序卡片承载这些信息。然而机械加工工序卡片展示信息为平面二维信息,展示的信息具有专业性和局限性,导致工序信息读取困难,专业人员的培训周期较长,且不利于机械加工效率的提高。针对这些问题,本文研究了机械加工的增强现实辅助系统的图像识别与显示关键技术,基于增强现实系统开发的相关技术,设计了一种移动端机械加工工序信息展示系统。该系统不仅完整的展示工序卡片的信息内容,而且具有可交互的增强现实的三维信息,使得用户能够直观、全面的认识机械加工工序的相关内容,有利于缩短机械加工专业人员的培训时间,提高机械加工效率。具体研究内容如下:首先,根据机械加工导致工件几何形状变化的特点以及计算机视觉图像采集方法,提出适用于机械加工过程中工件各个工序的图像采集方法。基于移动端的双目摄像头测距原理和多面体视角图像采集法,提出一种适用于机械加工工件的平面投影图像采集法——平面矩形图像采集法。然后,在提取工件轮廓信息时采用改进的Canny算子,抑制加工时产生的在加工表面的刀具纹理信息,并且使用形状上下文算法对工件图像进行特征描述与图像匹配。最后,将处理的资源文件在Unity3D中配合Vuforia插件实现工件的三维注册,保证机械加工过程中对工件的准确识别和跟踪注册。其次,根据移动端屏幕展示信息的特点,将移动端屏幕上展示的机械加工工序信息分为3种类型:静态二维平面信息、三维模型信息和动态的仿真信息。静态二维平面信息为文字类信息,在移动端屏幕上进行网格划分,采用制表的方式展示文字类信息;三维模型信息通过建模软件与模型优化软件处理置于虚拟场景中,在屏幕中完整的表达工件、夹具、刀具等的几何结构,并通过Unity3D为模型添加几何尺寸、公差等信息;动态的仿真信息采用交互式动画展示方式,用户通过屏幕可观察工件的几何加工动画,也可通过触屏操作控制仿真的相关内容。最终,通过多种信息的增强现实展示方式,为用户提供可视化的机械加工工序内容。最终,在计算机视觉图像处理技术和增强现实系统技术的基础上,基于Unity3D引擎,使用VS2017和Vuforia插件工具,完成移动端机械加工的增强现实辅助系统的开发。辅助系统从3个模块分别进行开发:工件图像识别模块、增强现实信息展示模块和用户交互模块。再在Unity3D中把3个模块整合为1个完整的机械加工的增强现实辅助系统,并打包发布成移动端的安装资源包。最后,选取支撑底座的机械加工为对象,测试系统的3个功能模块。最终测试结果表明,该系统在车间加工场景下能较好地识别到工件本次加工对应的工序,实现工件与虚拟信息的叠加,用户能够通过交互界面与虚拟信息进行相关交互。本文通过对增强现实系统的相关研究,设计开发的机械加工的增强现实辅助系统有利于专业人员直观、全面地认识工件机械加工的相关内容,对机械加工人员具有良好的指导作用,能够提高相关人员的培训效率,保证加工质量。
王睿[4](2021)在《铝及合金棒材专用激光标刻机器人关键技术研究》文中研究指明铝及合金棒材是有色金属铸造生产的重要产品,可通过二次加工来制作各类型材,被广泛运用于各大工业领域。铝及合金棒材生产信息的标识是生产管理信息化与智能化的重要支撑,激光标刻作为兴起的直接部件标识技术,以其非接触、零耗材、低功耗、低成本等优势,已经成为很多行业内首选的物料标识技术。实现基于激光标刻的铝及合金棒材生产信息标刻应用难,主要问题包括:棒材堆放空间位置不固定,端面空间定位难;棒材端面不均匀、高反光,激光标刻效果难以保障。针对以上问题,本文完成了以下研究工作:(1)对工业生产环境下的棒材标识进行分析,明确了棒材激光标识的相关难点,确定了开发专用激光自动标刻机器人的必要性和可行性。(2)提出了基于六轴臂式工业机器人的驱动平台,在遵循机械设计原则的前提下对标刻平台进行整体和分块设计,对相关设备进行参数计算和选型,并对关键零部件进行必要的应力和模态分析。(3)提出了基于视觉伺服的空间定位与找正方法,对实际工作环境中影响标刻定位精度的主要因素进行试验及分析,设计了基于卷积神经网络的标刻面特征识别的定位算法,并通过找正算法实现了激光的自动聚焦。(4)在各工艺参数下对铝合金棒材端面进行单因素标刻实验和正交试验,建立多元非线性回归方程。利用差分进化法进行模型参数拟合,得到激光控制参数与标刻图像灰度值之间相关性的方程。同时,通过手眼校准和相机标定,减少空间定位与找正误差。(5)设计并开发激光标刻控制平台软件,完成了激光标刻平台试验样机的实验,对实验结果进行分析和展示,结果显示试验样机达到了预期的目标。
刘婷婷[5](2020)在《基于深度学习的高反光金属工件表面缺陷检测研究》文中研究表明针对高反光金属制品表面的缺陷检测,基于机器视觉的自动化检测技术相较于传统的人工目测,能够达到对缺陷的高精度的定量检测、部分定性检测以及位置信息检测等要求。但由于其表面的高反光特性,使得工件图像中夹杂较多高光噪声,容易造成机器误检,所以基于机器视觉的高反光金属工件的缺陷检测精度仍需进一步提高。针对高反光金属工件表面缺陷检测,本文主要从图像预处理、图像缺陷检测及基于深度学习对缺陷进行分类的三个方面展开工作:1.首先对高反光金属工件表面图像进行光照不均匀校正,采用多次迭代的基于二维伽马函数的光照不均自适应校正算法对图像进行处理。将彩色图像灰度化,并基于时域与频域,选取多种滤波算法进行分析。主要基于BM3D滤波算法进行去噪研究,并提出一种结合小波分解改进的BM3D滤波算法。通过实验验证预处理算法的效果,结果表明,光照不均校正算法能够较好的平衡图像中光照分量,并且通过改进的去噪算法,不仅有效的过滤了高光噪声点,同时也增强了ROI区域的纹理信息。2.通过对工件图像进行边缘提取及特征分析来实现对含缺陷工件的快速检测。对图像应用亚像素边缘检测方法进行边缘提取研究,对比分析几种基于矩的亚像素边缘提取方法,重点对Zernike矩亚像素边缘提取算法进行研究,并提出一种渐变式边缘模型对原算法进行改进。应用灰度共生矩阵对提取的边缘特征进行分析,并设置阈值对比分析结果来判断工件有无缺陷。实验结果显示,该方法不仅能够高效进行检测,并且检测准确率能够获得保证。3.研究了当前主流的基于深度学习的分类网络,重点分析ResNet及DenseNet网络模型,由于ResNet在训练中收敛更快,且波动幅度更小,本文选取基于ResNet50进行缺陷分类检测。通过对加快模型训练及迁移学习的研究对网络性能进行优化。实验结果显示,在硬件条件允许下,采用大的Batchsize和低精度训练可以加快网络训练速度及收敛速度,并且能提高分类精度。使用迁移学习对网络模型微调后,网络模型训练时的收敛速度及最终的分类精度均有相应的提高。基于机器视觉检测技术结合深度学习分类网络,本文提出一种基于亚像素边缘提取的缺陷快速检测方法,并应用ResNet50网络对工件缺陷进行分类。高反光金属工件缺陷检测模型相对于人工检测和传统的机器视觉检测方法,在抗干扰和检测精度等方面表现良好,最终可以达到98.3%的分类准确率,对于促进工业中高反光金属工件的视觉自动化检测具有重要意义。
刘云韬[6](2020)在《基于工业内窥镜的深孔内表面缺陷与粗糙度识别技术研究》文中提出零件表面粗糙度对零件的耐磨性、耐腐蚀性、接触刚度、抗疲劳能力以及使用寿命、可靠性等具有重要影响。随着产品对制造精度要求的不断提高,深孔内表面缺陷及粗糙的检测精度和效率也提出了越来越高的要求。接触式测量方法由于会在待测表面留下划痕且效率低,基于声、光、磁的非接触式测量方法原理复杂,操作环境要求高,近年来基于机器视觉和图像处理技术的表面粗糙度测量方法得到广泛的应用。本文提出一种基于内窥图像与深度学习的深孔内表面质量检测方法,解决深孔内表面缺陷以及粗糙度的快速检测与识别。本文在德国卡尔史托斯SP100-SI工业内窥镜的基础上,采用自行设计的定心装置获取了大量管板零件深孔内窥图像,根据深孔表面图像特征将深孔划分为螺旋孔、颤振孔、环形孔三种典型类型。对环形孔进行线切割后,采用莱卡DCM-3D激光共聚焦显微镜获取了试件表面三维形貌,为环形孔粗糙度识别提供了样本数据。对图像预处理进行了研究,设计了模板匹配圆心检测算法,该算法使用已知圆心和半径的灰度渐变圆作为匹配模板,通过将其与待检测边缘图像进行匹配运算来确定图像圆环纹理的中心和半径,并使用遗传优化算法来提高匹配算法的搜索效率,实现了深孔内窥图像圆心的快速准确检测。根据图像圆心对内窥图像进行了圆环截取,采用双线性插值方法对截取图像进行了插值与展开,获得了深孔内表面缺陷神经网络识别样本数据库。提出了采用卷积神经网络对深孔缺陷类型进行分类识别,研究了卷积神经网络结构与参数对分类识别性能的影响,建立了基于深孔内窥图像的孔表面缺陷类型分类的卷积神经网络,利用深孔内窥展开图像样本数据进行了卷积神经网络训练,测试样本分类结果表明所建立卷积神经网络可实现深孔内表面缺陷的准确分类识别,分类精度达93.48%。针对具有环形纹理的正常深孔内窥图像,采用灰度共生矩阵对不同粗糙度的深孔内表面展开图像进行了统计分析,研究了不同角度灰度共生矩阵特征参数与粗糙度的相关性,获得四个相关性强的特征参数,采用BP神经网络建立了孔表面粗糙度识别模型,完成了粗糙度参数识别BP神经网络的训练,试验测试结果表明所建立的BP神经网络粗糙度识模型可实现深孔内表面粗糙度参数的准确识别,识别精度可达84%。论文研究为深孔内表面缺陷分类与粗糙度检测提供了一种新的手段。
李明[7](2020)在《基于立体视觉的目标识别与姿态估计》文中研究表明随着人工智能和计算机视觉技术的发展,工业生产的自动化程度也逐步提高。非接触式的自动化测量技术是工业生产中的重要内容,利用计算机视觉技术可以解决自动化测量中的关键问题:目标识别和姿态估计。近年来,基于深度学习的方法不断发展,逐渐取代了人工提取特征的方法。点云数据是三维数据的重要表示方式之一,相比于二维图像,点云数据包含了物体深度等更多信息,它的表达方式也相对简单,可以作为深度学习模型的输入。本论文基于立体视觉技术获取目标三维点云数据,对基于三维点云的目标识别和姿态估计技术展开研究,论文的主要工作如下:首先,对深度相机进行对比选择,介绍双目相机成像原理,搭建双目立体视觉平台并标定后,采集目标场景的点云数据。由于采集到的点云数据存在噪声和干扰,因此要对点云数据进行预处理,本文采用条件滤波、体素滤波和统计滤波对原始点云进行滤波采样,获得了预处理后的点云数据。其次,在Point Net点云分类网络的基础上,提出了MV-Point Net网络模型。该网络以多视角点云数据作为网络输入,采用View-Pooling的方式聚合多视角特征。对模型使用不同的View-Pooling方法和视角数目进行了评估实验,并与Point Net进行对比,在基于Model Net数据集制作的数据上获得了86.5%的识别准确率。使用相机获取到的目标点云进行了在线识别的实验,验证了实际的识别效果。最后,对目标点云与模板点云进行配准得到变换矩阵实现识别目标的姿态估计。提出了深度学习粗配准与ICP精配准结合的方法,该方法精度相对各自独立算法有所提升,与传统的ICP算法相比速度提升了2倍。
周健[8](2003)在《自然环境下的二维条码自动识读技术的研究》文中研究指明随着信息技术的发展,二维条码应运而生,并且具有很好的应用前景。同时,相应的条码识读器也发展到第四代——基于图像的识读器。但目前的识读器在功能上有很大的局限性。本文提出了一套基于计算机视觉的条码识读系统,不仅可以增强现有识读器的功能,而且使得一些通用的图像采集设备也具有识读条码的功能。 本文针对自然环境下的二维条码的自动识读技术进行了深入地研究,根据计算机视觉理论提出了一套自动识读系统。该系统首先针对采集到的存在散焦模糊和畸变的图像,使用了相应的预处理方法;然后,进行图像分割处理,确定条码区域,如果图像中存在多个条码,还需进一步使用版面分析技术;最后完成条码自动识别。本文提出了一种针对散焦模糊图像的最佳模糊参数的估计方法,应用维纳滤波实现了对它的清晰化。对于存在畸变的条码图像,本文设计了分块校正的方法:通过其列分布特性选择校正控制点,确定待校正块,然后对每块分别进行校正。本文提出两种方法进行图像分割,即:自适应阈值分割算法和基于加博滤波器的纹理分割算法。如果文档图像中同时存在多个条码,进一步使用了基于形态学的版面分析技术,实现多个条码区域的自动分离。在进行条码自动识读时,使用了投影法实现码字的分割,使用了条空序列比进行条码的精确定位和码字识读,并在识读过程中加入了先验知识来改进识读算法的性能。另外,本文对复杂工况下的3D条码,建立了一套基于图像的自动识别系统,为解决这一工程实际中的难题提供了一个很好的方法。最后,本文实现了一个基于条码自动识读技术的二维条码防伪证件管理系统。 研究表明,基于计算机视觉的条码识读系统大大提高了识读的灵活性和可靠性,使用时不需要辅助光源和自动对焦装置,不需要限定角度和景深,可自动识读存在畸变、散焦模糊、多条码并存等情况的条码图像。所以,它是一套具有很好的实用性和推广价值的识读引擎。同时,3D条码自动识别系统及基于自动识读技术的二维条码防伪证件管理系统也具有很好的应用性和推广价值。
朱虹,周健,李晗,苏建华,李心义[9](2002)在《一种用于工件3D条码识别的图象综合预处理方法》文中研究表明针对汽车零件金属蜂窝载体催化剂在线质量自动检测的需要 ,根据工件表面光学特性差、检测系统从高温处理前后的工件上所获信号的差别及所受干扰都很大的实际情况 ,利用条码结构自身的特点和相关性 ,提出一种 3 D条码图象综合预处理方法。即用配有辅助光源的工业摄像机摄取 3 D条码图象 ,经直方图均衡化、图象投影变换、自适应阈值法条空信号提取、条空信息真伪校正等处理后 ,按国标译码而最终得到工件编号。应用该方法对 1 0 0幅实际的工件条码图象进行实验 ,识别准确率达到 97% ,表明了该方法的有效性
侯舒文[10](2020)在《基于机器视觉的锂电池条形码快速识别技术研究》文中提出18650型锂电池数据信息以条形码的形式被喷印在电池表面,在电池“身份识别”时需要读取条码内容。传统条码读取方式是使用条码扫描器,该方法识别条码自由度小且读取效率低,不适合工业应用。本文基于机器视觉的方式对锂电池条形码进行读取,通过对滚动锂电池图像的特征分析,提出了一种改进适合锂电池快速定位的模板匹配算法,分离出锂电池,然后针对其表面条码分布特征提出了条码定位和识别的算法,并搭建了锂电池条形码快速识别系统。主要研究内容如下:(1)分析圆柱状锂电池外观特征及批量锂电池运动情况,根据条形码识别要求,进行条码软件识别系统的整体框架搭建和图像采集系统的硬件选型与结构设计。搭建由工业相机、工业光源等组成的视觉系统,采集了滚动的锂电池图像。(2)对采集的图像预处理,包括图像灰度化、二值化和数字形态学处理,然后构建图像金字塔模型,对批量锂电池进行初步定位。为解决倾斜、变形锂电池的快速定位问题,提出了一种改进的模板匹配算法,该算法使用线性扫描计算出电池倾斜角,旋转锂电池,然后使用双模板精确定位出锂电池,并验证了该算法的实用性。(3)提取出定位后的锂电池,并判断锂电池表面条码有无,对条形码进行定位和识别。采用基于条码图像分布特征进行定位,并对畸变条码进行矫正;分析了锂电池条形码类型,选定条码图像处理方法,利用条空平均值的算法对锂电池条形码进行识别,并分析识别结果。(4)设计并搭建了锂电池条形码快速识别系统硬件和软件平台。在锂电池条码识别系统平台验证了锂电池定位算法与条形码定位、识别算法。通过改变滚动电池的倾斜角,使用本文算法与对比算法实验,验证本文算法适用性与优越性;然后调整单次识别的锂电池数量和滚动平台倾斜角,寻找识别效率最优组合。该论文有图61幅,表12个,参考文献92篇。
二、一种用于工件3D条码识别的图象综合预处理方法(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、一种用于工件3D条码识别的图象综合预处理方法(论文提纲范文)
(1)基于3D视觉的PCB元器件字符识别方法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究背景与意义 |
1.2 OCR技术与3D视觉识别的应用与研究现状 |
1.2.1 OCR技术的应用与研究现状 |
1.2.2 3D视觉识别的应用与研究现状 |
1.3 课题研究的主要内容 |
第二章 PCB元器件字符识别系统总体方案设计 |
2.1 课题检测要求 |
2.1.1 检测对象介绍 |
2.1.2 技术指标要求 |
2.2 课题检测要求分析 |
2.3 字符采集系统的硬件设计 |
2.3.1 2D图像采集模块 |
2.3.2 3D数据采集模块 |
2.4 系统标定 |
2.5 字符识别系统的软件设计 |
2.6 本章小结 |
第三章 基于数据标定和标记点的2D/3D图像配准与拼接 |
3.1 引言 |
3.2 基于FAST特征的2D-PCB图像拼接 |
3.2.1 FAST特征提取 |
3.2.2 RANSAC关键点筛选 |
3.2.3 图像的透视变换与拼接 |
3.3 基于标定信息的信息归一化 |
3.3.1 点云去噪 |
3.3.2 降维投影与阈值化 |
3.3.3 基于标定信息的图像归一化 |
3.4 基于标记点的2D/3D图像配准与拼接 |
3.4.1 Harris角点特征的提取 |
3.4.2 2D/2D配准 |
3.4.3 3D图像拼接 |
3.5 试验测试与结果分析 |
3.5.1 试验条件介绍 |
3.5.2 2D/3D图像配准试验 |
3.5.3 3D图像拼接验证试验 |
3.6 本章小结 |
第四章 基于3D数据的字符定位与分割 |
4.1 引言 |
4.2 PCB元器件字符分析 |
4.3 PCB板元器件表面定位 |
4.3.1 基于直通滤波器的元器件表面定位 |
4.3.2 点云去噪 |
4.4 基于RANSAC平面拟合的字符增强 |
4.4.1 RANSAC平面拟合 |
4.4.2 基于3D数据的2D字符图像增强 |
4.5 字符区域增强与定位 |
4.5.1 图像滤波 |
4.5.2 字符候选区域增强 |
4.5.3 形态学处理 |
4.6 复杂环境下的字符分割 |
4.6.1 字符区域校正 |
4.6.2 基于连通域的投影分割 |
4.6.3 粘连字符的分割 |
4.7 试验测试 |
4.7.1 试验条件介绍 |
4.7.2 字符增强对比试验 |
4.7.3 复杂环境下字符分割对比试验 |
4.8 本章小结 |
第五章 基于MobileNetV3的PCB元器件字符识别 |
5.1 引言 |
5.2 元器件分割字符分析与筛选 |
5.2.1 分割字符分析 |
5.2.2 字符筛选 |
5.3 基于MobileNetV3的PCB元器件字符识别 |
5.3.1 构建数据集模型 |
5.3.2 MobileNetV3的网络结构 |
5.4 试验结果与分析 |
5.4.1 MobileNetV3识别率对比实验 |
5.4.2 MobileNetV3速度对比试验 |
5.5 本章小结 |
第六章 PCB元器件字符识别系统软件设计与试验分析 |
6.1 字符识别系统软件设计 |
6.1.1 字符识别模块设计 |
6.1.2 数据管理模块设计 |
6.1.3 训练集构建模块设计 |
6.2 字符在线识别试验分析 |
6.2.1 基于3D视觉的字符识别分步试验 |
6.2.2 系统字符识别准确率分析 |
6.2.3 字符识别误差分析 |
6.3 本章小结 |
第七章 结论与展望 |
7.1 结论 |
7.2 创新点 |
7.3 展望 |
参考文献 |
致谢 |
附录:作者在攻读硕士学位期间发表的论文 |
(2)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 |
(3)面向机械加工的增强现实辅助系统开发(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 引言 |
1.2 国内外研究现状 |
1.2.1 国外增强现实技术研究现状 |
1.2.2 国内增强现实技术研究现状 |
1.3 课题研究内容和意义 |
1.3.1 课题研究内容 |
1.3.2 课题研究意义 |
1.4 课题技术路线与章节安排 |
1.4.1 课题技术路线 |
1.4.2 章节安排 |
1.5 本章小结 |
2 增强现实系统相关技术发展分析 |
2.1 引言 |
2.2 增强现实的三维注册技术分析 |
2.3 增强现实的虚实融合显示技术分析 |
2.4 增强现实的人机交互技术分析 |
2.5 本章小结 |
3 工件图像采集方法与摄像机参数获取 |
3.1 引言 |
3.2 工件图像采集方法 |
3.2.1 多面体视角图像采集法 |
3.2.2 平面矩形图像采集法 |
3.3 移动设备双摄像头的参数获取 |
3.3.1 双目摄像机的原理 |
3.3.2 双目摄像机四坐标关系的转换方法 |
3.3.3 基于张正友的移动端摄像头标定 |
3.3.4 移动端设备摄像头的实际参数 |
3.4 本章小结 |
4 工件图像的处理及识别 |
4.1 引言 |
4.2 图像预处理 |
4.2.1 工件图像中的刀具纹理过滤 |
4.2.2 工件图像中的光照补偿 |
4.2.3 工件图像的二值化处理 |
4.3 图像识别 |
4.3.1 传统的Canny算法提取工件轮廓 |
4.3.2 基于传统Canny算法改进的轮廓提取算法 |
4.3.3 形状特征轮廓描述与形状上下文算法 |
4.4 本章小结 |
5 基于Unity3D平台实现机械加工的增强现实辅助系统 |
5.1 引言 |
5.2 系统的总体功能模块设计 |
5.3 开发工具的选择 |
5.3.1 增强现实的开发工具选择 |
5.3.2 虚拟场景搭建与交互模块的开发工具选择 |
5.4 系统的整体开发流程 |
5.4.1 图像识别模块的开发 |
5.4.2 增强现实显示模块的开发 |
5.4.3 交互模块的开发 |
5.4.4 系统打包发布 |
5.5 系统验证 |
5.6 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
附录1 Vs2017高斯算法 |
附录2 C#按钮检索 |
附录3 C#触屏交互 |
攻读硕士学位期间发表的论文及成果 |
致谢 |
(4)铝及合金棒材专用激光标刻机器人关键技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 激光直接部件标识技术 |
1.2.2 机器人视觉伺服技术研究现状 |
1.2.3 找正算法的研究现状 |
1.3 待研究问题及课题来源 |
1.4 论文研究内容及章节安排 |
第2章 铝及合金棒材激光标刻系统分析 |
2.1 激光标刻工作原理 |
2.2 应用场景分析 |
2.3 铝及合金棒材激光标刻系统分析 |
2.3.1 基于工业机器人的激光自动标刻系统 |
2.3.2 基于视觉伺服的激光标刻系统定位过程分析 |
2.3.3 机器人控制过程分析 |
2.3.4 激光标刻工艺参数控制分析 |
2.4 本章小结 |
第3章 铝及合金棒材激光标刻系统设计 |
3.1 基于工业机器人的激光自动标刻平台整体设计方案 |
3.1.1 工业机器人激光标刻机的整体结构 |
3.1.2 工业机器人激光标刻机的工作过程 |
3.2 激光标刻平台手眼系统设计 |
3.2.1 手眼系统相关设备的选定 |
3.2.2 手眼系统设备的相对位姿设计 |
3.3 标刻系统部件分析 |
3.4 本章小结 |
第4章 基于视觉伺服的标刻面定位与找正 |
4.1 标刻面定位的光照影响分析 |
4.2 激光标刻面定位方法 |
4.2.1 标刻定位方案设计 |
4.2.2 平台机器视觉定位实验及分析 |
4.3 标刻端面的找正 |
4.4 本章小结 |
第5章 激光标刻工艺参数选用与手眼校准 |
5.1 铝合金表面标刻灰度图像分析 |
5.1.1 回归分析法概述 |
5.1.2 各工艺参数下标刻图像的非线性回归模型 |
5.1.3 铝合金表面激光标刻图像的数学模型 |
5.2 机器人手眼校准 |
5.3 本章小结 |
第6章 系统试验与分析 |
6.1 激光标刻控制软件概述 |
6.2 激光标刻实验 |
6.3 试验分析 |
6.4 本章小结 |
总结与展望 |
参考文献 |
致谢 |
附录A 攻读工程硕士学位期间所参与项目 |
(5)基于深度学习的高反光金属工件表面缺陷检测研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题背景及意义 |
1.2 国内外发展现状 |
1.3 基于机器视觉的工件表面缺陷检测系统 |
1.4 主要研究内容 |
第二章 图像预处理 |
2.1 光照不均匀图像校正算法 |
2.2 彩色图像灰度化 |
2.3 图像滤波算法研究 |
2.3.1 小波变换滤波算法 |
2.3.2 双边滤波算法 |
2.3.3 各向异性扩散滤波算法 |
2.3.4 BM3D滤波算法 |
2.3.5 滤波算法改进 |
2.3.6 滤波算法结果对比分析 |
第三章 图像缺陷检测 |
3.1 边缘检测技术研究 |
3.2 像素级边缘检测算法研究 |
3.2.1 算法概述 |
3.2.2 算法效果对比 |
3.3 亚像素级的边缘检测算法研究 |
3.3.1 算法概述 |
3.3.2 算法优化 |
3.3.3 算法效果对比 |
3.4 基于灰度共生矩阵算法的特征分析 |
3.5 缺陷检测算法设计 |
第四章 基于深度学习的工件缺陷的分类 |
4.1 基于深度学习的分类网络研究 |
4.2 ResNet网络模型 |
4.3 DenseNet网络模型 |
4.4 ResNet与 DenseNet网络效果对比 |
4.4.1 样本数据处理 |
4.4.2 实验分析 |
4.5 分类网络优化 |
4.5.1 加快模型训练研究 |
4.5.2 迁移学习研究 |
4.5.3 基于ResNet50 模型的网络优化 |
4.5.4 优化模型与原模型效果对比 |
4.6 分类网络性能对比 |
第五章 总结与展望 |
5.1 结论 |
5.2 展望 |
参考文献 |
致谢 |
个人简介及攻读学位期间取得的研究成果 |
(6)基于工业内窥镜的深孔内表面缺陷与粗糙度识别技术研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 表面粗糙度测量方法研究现状 |
1.2.2 孔内表面内窥图像研究现状 |
1.2.3 深度学习理论研究现状 |
1.3 本文主要研究内容 |
2 深孔内表面图像获取及粗糙度测量 |
2.1 实验方案 |
2.2 实验设备 |
2.3 实验结果及分析 |
2.4 本章小结 |
3 深孔内表面图像处理 |
3.1 图像预处理 |
3.1.1 灰度处理 |
3.1.2 降噪处理 |
3.1.3 拉普拉斯锐化 |
3.2 深孔图像圆心检测 |
3.2.1 模板匹配算法基本原理 |
3.2.2 基于遗传算法的模板匹配算法实现过程 |
3.2.3 准确性分析 |
3.2.4 确定深孔内表面图像圆心 |
3.3 图像展开与剪切 |
3.3.1 图像提取与展开 |
3.3.2 图像裁剪 |
3.4 本章小结 |
4 样本数据库建立与孔型分类卷积神经网络简历 |
4.1 卷积神经网络 |
4.2 卷积神经网络样本数据库的扩充 |
4.2.1 噪声样本 |
4.2.2 旋转样本 |
4.3 卷积神经网络结构设计 |
4.3.1 网络训练环境及性能评价标准 |
4.3.2 卷积神经网络模型构建 |
4.3.3 卷积神经网络卷积核大小选择 |
4.3.4 卷积神经网络网络层数选择 |
4.3.5 卷积神经网络卷积核个数选择 |
4.3.6 卷积神经网络训练批选择 |
4.3.7 卷积神经网络学习率选择 |
4.4 深孔内表面分类识别结果 |
4.5 本章小结 |
5 基于BP神经网络环形孔内表面粗糙度识别 |
5.1 BP神经网络 |
5.2 粗糙度样本库建立 |
5.2.1 统计方法简介 |
5.2.2 空间灰度共生矩阵 |
5.2.3 基于灰度共生矩阵的特征提取及分析 |
5.3 BP卷积神经网络结构设计 |
5.3.1 输入层和输出层的设计 |
5.3.2 隐含层层数设计 |
5.3.3 隐含层节点数设计 |
5.3.4 训练函数的选择 |
5.3.5 传递函数的选择 |
5.4 环形孔粗糙度识别 |
5.5 本章小结 |
6 总结与展望 |
6.1 结论 |
6.2 研究展望 |
致谢 |
参考文献 |
攻读硕士学位期间发表论文及获得专利 |
(7)基于立体视觉的目标识别与姿态估计(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 课题的研究背景及意义 |
1.2 国内外研究现状 |
1.3 本文主要内容 |
1.4 本文结构安排 |
2 基于立体视觉的三维点云数据获取及预处理 |
2.1 引言 |
2.2 深度相机对比选择 |
2.3 双目立体视觉成像模型 |
2.4 双目立体视觉平台标定 |
2.5 三维点云数据获取及预处理 |
2.6 本章小结 |
3 基于立体视觉和深度学习的目标识别 |
3.1 引言 |
3.2 三维点云数据集获取 |
3.3 三维点云识别网络模型 |
3.4 基于点云深度学习的目标识别 |
3.5 实验结果与分析 |
3.6 本章小结 |
4 基于三维点云配准的目标姿态估计 |
4.1 引言 |
4.2 点云配准原理 |
4.3 基于ICP的点云配准 |
4.4 基于深度学习的点云配准 |
4.5 基于PCRNet+ICP的点云配准 |
4.6 实验结果与分析 |
4.7 本章小结 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
(8)自然环境下的二维条码自动识读技术的研究(论文提纲范文)
第1章 概述 |
1.1 条码技术的发展概况 |
1.2 课题的提出 |
1.2.1 条码识读器技术的发展现状 |
1.2.2 存在的问题 |
1.3 论文的主要工作及特色 |
1.3.1 课题的基本设计思想 |
1.3.2 论文的特色 |
1.3.3 论文的内容 |
1.4 课题的意义 |
第2章 条码技术及标准 |
2.1 一维条码 |
2.2 二维条码的分类与发展 |
2.3 PDF417条码标准 |
2.4 条码与其它自动识别的区别 |
第3章 计算机视觉与模式识别 |
3.1 计算机视觉与模式识别理论在文档处理中的应用 |
3.2 计算机视觉与模式识别理论的发展 |
3.3 基于计算机视觉与模式识别的条码识读系统 |
第4章 工件上的3D条码识读 |
4.1 应用背景 |
4.2 识读方法 |
4.3 实验结果与分析 |
4.4 总结 |
第5章 图像分割技术 |
5.1 数据驱动的图像分割 |
5.1.1 基于边缘检测的分割 |
5.1.2 基于区域的分割 |
5.1.3 边缘与区域相结合的分割 |
5.2模型驱动的图像分割 |
5.2.1 基于Snakes模型的分害 |
5.2.2 基于组合优化模型的分割 |
5.2.3 基于目标几何与统计模型的分割 |
5.3 图像分割中的物理模型与随机场模型 |
5.3.1 图像分割中的物理模型 |
5.3.2 图像分割中的随机场模型 |
5.4 应用加博(Gabor)滤波器的纹理分割算法 |
5.4.1 加博函数 |
5.4.2 空域中实现及效果 |
5.4.3 金字塔分解算法 |
5.4.4 算法设计及实验 |
5.4.5 改进的方案 |
5.5 阈值分割技术 |
5.5.1 常用的阈值方法 |
5.5.2 本论文的方法 |
5.6 基于版面分析的条码区域确定 |
第6章 图像畸变的校正 |
6.1 条码区域分割和边界强调 |
6.2 控制点的选取 |
6.3 畸变的校正 |
6.4 实验结果及分析 |
第7章 散焦模糊的清晰化 |
7.1 维纳滤波 |
7.2 散焦模糊的点扩展函数 |
7.3 模糊辨识 |
7.4 模糊半径初值的求取 |
7.5 精确模糊半径的计算 |
7.6 实验效果 |
第8章 条码码字的识读 |
8.1 基于条空比匹配起始符的识别 |
8.2 倾斜条码的自动旋转校正 |
8.3 列分割 |
8.4 码字分割 |
8.5 码字识读 |
8.6 知识处理在条码识别中的应用 |
第9章 条码自动识读应用系统 |
9.1 应用背景 |
9.2 防伪证件管理系统简介 |
第10章 总结 |
10.1 论文所作的工作 |
10.2 展望 |
致谢 |
参考文献 |
在校学习期间发表的论文 |
(9)一种用于工件3D条码识别的图象综合预处理方法(论文提纲范文)
1 条码的识读算法 |
1.1 增加条码的条空对比度 |
1.2 进行平滑处理 |
1.3 进行灰度投影 |
1.4 自适应阈值的确定 |
1.5 条码信息的校正处理 |
2 实验结果与分析 |
3 结 语 |
(10)基于机器视觉的锂电池条形码快速识别技术研究(论文提纲范文)
致谢 |
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 课题研究背景和意义 |
1.2 国内外研究现状 |
1.3 课题研究内容与方法 |
1.4 本章小结 |
2 锂电池条形码快速识别系统框架设计 |
2.1 圆柱状锂电池外观特征分析 |
2.2 锂电池条码识别系统框架搭建 |
2.3 图像采集系统的硬件选型 |
2.4 锂电池图像的采集 |
2.5 本章小结 |
3 锂电池图像预处理及定位算法的研究 |
3.1 锂电池图像预处理 |
3.2 图像分割算法的研究 |
3.3 锂电池图像定位算法的研究 |
3.4 锂电池定位结果检测与分析 |
3.5 本章小结 |
4 锂电池条形码定位与识别算法的研究 |
4.1 锂电池条形码的定位 |
4.2 锂电池条形码的识别 |
4.3 实验与分析 |
4.4 本章小结 |
5 锂电池条形码快速识别系统实验研究 |
5.1 识别系统硬件设计 |
5.2 识别系统软件设计 |
5.3 系统测试与结果分析 |
5.4 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
作者简历 |
学位论文数据集 |
四、一种用于工件3D条码识别的图象综合预处理方法(论文参考文献)
- [1]基于3D视觉的PCB元器件字符识别方法研究[D]. 法弘理. 江南大学, 2021(01)
- [2]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)
- [3]面向机械加工的增强现实辅助系统开发[D]. 何江. 西安工业大学, 2021(02)
- [4]铝及合金棒材专用激光标刻机器人关键技术研究[D]. 王睿. 兰州理工大学, 2021(01)
- [5]基于深度学习的高反光金属工件表面缺陷检测研究[D]. 刘婷婷. 河北大学, 2020(08)
- [6]基于工业内窥镜的深孔内表面缺陷与粗糙度识别技术研究[D]. 刘云韬. 西安理工大学, 2020(01)
- [7]基于立体视觉的目标识别与姿态估计[D]. 李明. 华中科技大学, 2020(01)
- [8]自然环境下的二维条码自动识读技术的研究[D]. 周健. 西安理工大学, 2003(02)
- [9]一种用于工件3D条码识别的图象综合预处理方法[J]. 朱虹,周健,李晗,苏建华,李心义. 西安理工大学学报, 2002(04)
- [10]基于机器视觉的锂电池条形码快速识别技术研究[D]. 侯舒文. 中国矿业大学, 2020(01)