医药大输液可见异物自动视觉检测方法及系统研究

对比现有医药大输液药品可见异物人工检测方法,在线视觉自动检测具有巨大优越性,为此,本文设计了一套用于医药瓶内药液异物检测的视觉系统.首先研究了检测系统的机械与电气控制结构,开发了面向高速高精度医药生产线的图像获取装置;然后,基于图像中药液内异物运动轨迹的连续性,利用序列图像提取出图像中的运动信息,在此基础上,使用改进的Mean shift跟踪算法实现了可见异物的检测识别;最后选用100ml葡萄糖大输液进行在线测试,检测系统分辨率达到了国家药典的检测要求,系统运行准确率近95%,在线自动化视觉检测方法能很好满足医药生产线的要求.     

基于神经网络的医药微弱异物视觉检测机器人

提出了一种基于神经网络的医药大输液中可见异物视觉检测方案。首选设计了视觉检测机器人的异物检测方案和光机电一体化系统,采用高速CCD传感器采集到图像序列;然后采用均值滤波方法对图像序列滤波,消除随机噪声;再通过快速傅里叶变换(FFT)相位相关算法实现图像序列的配准,弥补机械抖动引入的像素偏移;最后,通过BP神经网络完成微弱异物与瓶体背景的分割,并统计异物的大小与数量,完成医药输液中可见异物的高速高精度检测。实验结果表明,设计的方案异物检测精度达50μm,异物正确率达99.7%,满足高速医药生产线在线实时检测需求。     

大输液中可见微小异物实时检测系统设计

设计了一套基于机器视觉技术的全自动灯检系统,以实现大输液中可见异物的在线实时自动检测。为了有效地解决在线高速实时检测这个关键性问题,将制约系统实时性的弱小目标识别过程分离出来,交由高速DSP芯片进行专门处理。通过理论分析和试验测试证明,设计的基于TMS320C6416DSP的图像处理平台能够很好地满足大输液异物检测系统对处理速度和精度的要求。研制的全自动灯检系统已经在某公司的大输液生产线上试验运行。试验表明,该系统对粒径大于50微米微小异物的识别准确率和速度均高于熟练的灯检工。     

基于最小二乘支持向量机的输液异物检测系统设计

设计了一种从大输液复杂视觉图像中识别微小异物的图像处理算法和硬件系统,以实现大输液的在线自动检测。首先对采集到的序列图像通过形态学滤波、帧差等预处理滤除大部分背景噪声。然后提取图像中目标和残留噪声的具有良好不变性的特征,通过LS—SVM多类分类器实现帧间点迹的匹配关联。对关联成功的点迹,再选用能够表征运动轨迹平滑性和连续性的特征,利用LS—SVM两类分类器来区分真实异物和残留噪声。利用研制的灯检样机在某药厂的大输液生产线上对提出的识别算法进行了验证。试验表明,该系统的识别准确率和速度均高于熟练的灯检工。     

基于数字图像处理的电力线异物识别方法研究

针对架空线路异物搭挂的潜在威胁,本文提出一种快速识别航拍图像中异物的方法.首先运用直线段检测(LSD)算法从预处理后的图像中提取电力线,并基于架空导线上异物特征设计针对异物的识别算法,提取导线异物;接着对其进行边缘检测,提取缺陷画框并在巡检图像中标识;最后,通过多组样本数据对算法实用性能进行评估.实验结果表明,该方法能...     

基于传统图像处理算法和深度学习的轨道区域识别研究

异物侵入是造成铁路安全事故的重要原因,检测异物入侵的前提是准确的轨道区域识别。传统图像处理算法基于轨道图像的边缘特征和直线特征,综合运用Sobel算子和Hough变换识别图像中的铁轨,然后确定轨道区域。深度学习技术快速发展,在图像处理等方面展现了巨大的潜力。利用深度学习的目标检测算法,基于MaskR-CNN模型,训练轨道区域识别系统,通过在实际图片上验证效果,证明了系统识别的有效性。     

基于高速总线的烟草异物智能剔除系统的研究

随着现代工业的发展,现代卷烟生产也随之得以发展。烟草异物智能剔除系统是现代卷烟工业发展的高科技产物,该系统包含图像采集系统、软件算法系统、高速剔除系统、电气系统等功能系统,为了能识别剔除高速运转的烟草中的杂物,这些系统内外数据通信必须要超高速传输,才能有效实现对烟草杂物有效剔除。本文详细论述了高速数据通信总线在烟草异物智能剔除系统中的应用,解决了高速数据通信的难题,实际应用效果优异,烟草异物有效识别剔除率高。     

架空线路绝缘喷涂异物检测识别及机器人运动轨迹规划

异物侵入不仅影响输配电线网绝缘漆喷涂,更会影响电网安全运行。为此,需要开展输电架空线路绝缘喷涂异物检测、识别与清除的智能化方案研究。文中构建了基于分段映射直方图图像增强预处理、基于光流法图像区域特征分离提取、基于改进Camshift算法动态异物跟踪识别的异物检测、识别、跟踪方案;构建了基于关节空间的机械臂D-H运动学模型,采用五项式插值法进行机械臂空间运动轨迹规划;构建了基于双层结构模型预测控制(Model Predictive Control, MPC)的异物高精度控制视觉伺服控制方案,实现异物抓取的高精度控制。试验结果表明异物检测、识别、跟踪算法具有高鲁棒性,能够有效增强图像,提取复杂环境下的特征矩形区域,实现有遮挡情况下的动态异物跟踪;多关节机械臂空间运动轨迹算法具有良好连续平稳性,有效满足机械臂始终指向待抓取异物中心点;基于MPC的视觉伺服控制能够满足机械臂异物抓取的高精度控制。     

基于深度学习网络的输电线路异物入侵监测和识别方法

为解决输电线路异物入侵在线监测图像样本量较小的问题,针对异物图像特点,提出了一种基于深度学习的输电线路异物入侵监测和识别方法。首先选取典型正常运行输电线路图像和目标异物图像,采用条件生成对抗网络算法对有异物入侵的输电线路图像进行样本扩充。然后将Dense-net网络替代YOLOv₃网络中倒数第二层网络,建立Dense-YOLOv₃深度学习网络模型。使用实际图像样本和扩充图像样本数据训练和测试深度学习网络,实现输电线路异物入侵监测和识别。该型深度学习网络算法可以对风筝、鸟巢、垃圾、机械施工类异物入侵情况进行有效识别,识别准确率分别达到98%、96%、90%和100%。     

基于AprilTag图像识别的移动机器人定位研究

药液在生产过程中易混入不溶异物,因此投入市场前的必须对药液进行检测。针对安瓿瓶药液检测,区别于传统的序列图像检测算法,设计了一种基于机器视觉和卷积神经网络的检测方法。首先利用Canny边缘检测提取安瓿瓶瓶壁边缘,裁剪药液区域图像,减少了后续计算量;其次改用VGG16卷积神经网络进行不溶异物的特征提取,可以提取到传统特征之外的抽象特征;最后通过迁移学习和微调,在400张测试样本中,结果为识别正确378张。结果表明,该方法可以检出不溶异物,满足实际生产需求。     

PSO_SVM算法在太阳能电池板裂缝缺陷检测研究

针对太阳能电池板在生产过程中出现的裂缝问题,在太阳能电池板缺陷数据集有限的条件下,提出应用粒子群算法(particle swarm optimization,PSO)优化支持向量机(support vector machines,SVM)的太阳能电池板裂缝缺陷检测算法。首先,为减少图像采集过程中由电致发光(electroluminescence,EL)检测产生的光照分布不均影响,对太阳能电池板组件图像进行Retinex增强处理;其次,在频域上利用Gabor变换对图像进行纹理特征提取,以获取裂缝特征;最后,将各个太阳能电池板组件的纹理特征经主成分分析法(principal component analysis,PCA)降维后输入到PSOSVM系统中进行分类识别。应用该方法对600幅太阳能电池板EL图像进行实验,仅有1幅出现误检,分类识别准确率为99.33%。将该算法与决策树分类、极限学习机、卷积神经网络及SVM算法进行对比实验,PSOSVM获得最高识别准确率。     

基于机器视觉的高压计量数显表自动校对系统

针对肉眼不能实时同步待检测高压计量仪表和标准高压计量仪表读数问题,提出了一种基于机器视觉的数显式高压计量仪表自动校对系统。系统通过两个相机同步采集待检测高压计量仪表和标准高压计量仪表字符图像,并对采集的图像进行二值化与膨胀处理,然后根据水平投影法分割图像,提取了改进的结构特征,再用K最近邻(K-Nearest Neighbor,KNN)算法识别字符,解决了肉眼识别效率低、精确度差的问题。经过测试,该系统实现了实时、同步识别待检高压计量仪表和标准高压计量仪表的读数,且识别率达到99.6%以上。     

车载触摸屏面板模组机器视觉检测系统开发

面板模组是影响车载触摸屏触控性能和光学性能的关键因素,传统的人工检测方式已无法适应现代化工业生产高质量、高效率的需求。针对车载触摸屏面板透过率波动大、检测幅面大、检测精度要求高的难题,研发了一种基于机器视觉的车载触摸屏面板模组检测系统。根据车载触摸屏玻璃检测对象的特点,设计了基于线扫描的车载触摸屏玻璃图像采集系统和图像处理方案,通过对比标准灰度模型、建立灰度值和透过率转换关系、支持向量机分类等技术,实现多种缺陷的动态识别和玻璃屏任一点的透过率在同一台CCD下的测定。实验结果表明,通过图像校正处理和SVM训练,该车载触摸屏面板模组检测系统可同时满足多规格车载触摸屏模组的质量检测,最大尺寸为450mm×250mm,检测速度可达120pcs/h,检测精度达到0.01mm,缺陷检出率超过95%。     

基于机器视觉的拆回旧电表参数信息检测技术研究

针对拆回旧智能电能表的回收分类存在人工检定准确率不高、效率低下的问题,提出了一种基于机器视觉的参数信息检测方法,通过检测智能电能表的额定参数信息,完成电能表的分类回收工作。在以C#与Halcon为软件平台建立智能电能表图像检测系统的基础上,采用Blob分析算法,对图像进行ROI(感兴趣区域)提取,采用直方图均衡化对提取后的图像进行处理,以增强背景与目标区域之间的对比度,获取质量较高的电能表图片,通过OTSU算法对Canny边缘检测算法进行改进,提高图像阈值范围的自适应性,获取更完整的图像外观轮廓,最后对图像进行字符分割处理,得到电能表的额定参数信息。经过实验验证,该方法能够准确检测识别电能表铭牌的额定参数信息,实验数据显示检测准确率达99.5%,平均每台电能表检测耗时0.62 s,很大程度上节省了电能表分类工作的检定时间,提升了工作的效率与准确性。     

基于逆向P-M扩散的医用输液容器组合盖缺陷检测系统

针对医用输液容器组合盖在生产制造中出现的黑点、毛发、气泡等缺陷问题,设计了基于逆向P-M扩散的医用组合盖缺陷检测系统。首先设计了机械执行、电气控制、图像采集系统,然后采用逆向P-M扩散增强缺陷区域,通过差分后二值化提取缺陷区域,并进行图像滤波,接着利用SVM支持向量机对缺陷与非缺陷区域进行分类,通过交叉验证法自动选择最佳分类参数,解决了医用组合盖表面纹理对缺陷检测的干扰,实现了医用组合盖缺陷检测功能,有效提高了分类器的性能。实验结果表明,该方法要求训练样本少,适用于不同组合盖缺陷类型检测和检测环境,准确率95%以上。     

利用加速度信号时频域特征的枪击识别研究

当前枪支射弹可靠检测及精确计数是枪弹管控的难点之一。为提高基于加速度信号的射弹检测算法的精度和可靠性,提出一种新的射击信号时域特征提取方法—时域分段特征提取法,可避免时域特征过度依赖于加速度瞬时尖峰的问题。首先,提取了枪击加速度样本信号的时域和频域各类统计特征。然后,采用机器学习分类算法K近邻、逻辑回归、支持向量机以及决策树和随机森林进行枪击识别建模。最后,探索和比较各种单一特征对枪击事件识别模型性能的影响。实验结果表明,所提取的主波动域面积特征具有最优的区分度,能够在多数机器学习算法上达到99%以上的分类准确率。     

改进的Faster-RCNN目标检测方法在变电站悬挂异物检测中的应用

针对变电站悬挂异物检测任务中异物形状多样、周围环境条件复杂,现有算法检测的准确率较低的问题,提出一种改进的Faster-RCNN目标检测方法,对变电站悬挂异物进行检测.将Faster-RCNN结合特征金字塔和可变性卷积,形成了改进的Faster-RCNN目标检测方法,扩展了Faster-RCNN网络结构对输入图片中不同尺度语义信息的读取,提升了网络对小目标的检测能力.采用了变电专业设备典型缺陷图像识别竞赛中的悬挂异物图像数据进行仿真实验,并与原有Faster-RCNN算法进行对比,实验结果验证了所提出方法的有效性,算法识别准确率得到提高,在真实样本中表现好,可有效应用于变电站巡检机器人系统中.     

基于迟滞阈值分割的瓶口缺陷检测方法

随着工业机器人和现代化工业的快速发展,人们对工业机器人的性能要求越来越高,为了提高工业生产的效率和产品的质量,智能、高速、高精度是工业机器人的必备要求。国内基于机器视觉的智能啤酒瓶口缺陷检测方法中,高速、高精度仍是一个亟待解决的问题。为此,提出了一种基于随机圆拟合评估的四圆周定位法,大大提高了瓶口检测区域的定位精度,并提出了基于投影特征的分区域磁滞阈值分割的智能瓶口缺陷检测方法。对采集的488幅灰度图像进行测试,检测正确率为99.4%,检测平均速度为38 ms,算法的检测速度快,检测精度高,可以很好地应用到高速、高精度的现代化工业机器人中。