基于 CCD 和小波变换的数粒机控制系统设计

目的针对数粒机高速、高精度的控制要求,利用TMS320F2812型DSP与线阵CCD、ARM9微型控制器及其他硬件设备相结合,设计基于图像处理的数粒机控制系统。方法首先介绍了数粒机的机械结构和工作原理,然后对药粒CCD检测计数系统进行了全面设计,最后采用基于小波变换的图像边缘检测算法对药粒的形状和尺寸进行检测,设计了基于DSP和小波变换的药粒图像边缘检测系统,以判断是否有药粒通过检测通道。结果该控制系统运行稳定,可以用于直径在0.32 mm以上各种规格、形状的颗粒状药品的检测计数,工作速度达3000~8000粒/分钟。结论基于小波变换的图像边缘检测算法避免了噪声和伪边缘的出现,实现了数粒机的精确计数,计数精度达到99.99%,受粉尘影响小,在实际生产中取得了明显的应用成效。     

高速数粒机控制系统的设计

根据数粒机工作的流程和精度高、响应快的控制要求,设计了以TMS320F2812型DSP为核心的控制系统,结合线阵CCD和ARM9微型控制器以及配套硬件,对数粒机的生产流程进行控制。介绍了数粒机控制系统的组成、作用、工作原理以及工作流程。其中,药粒计数检测系统和透明胶囊的准确计数是数粒机控制的难点,也是保证数粒精度的基础。给出了数粒机原理、工作流程、系统运行结果和CCD工作时序图,以及自组织竞争型神经网络确定优先级的算法。该控制系统计数准确度高,工作速度快,运行稳定。     

基于机器视觉的包装品质检测系统设计

目的 为提高包装缺陷检测精度,基于机器视觉设计一种包装品质检测系统。方法 介绍机器视觉系统硬件结构,包括载物平台、工业相机、光室、计算机等。在此基础上,以条烟外包装检测为主要研究对象,详细阐述图像处理算法。首先利用中值滤波消除原始图像噪声;然后基于Canny算子实现图像边缘锐化;最终通过图像配准判断条烟外包装是否存在缺陷。结果 通过实验验证,结果表明该系统对合格样本的识别率可以达到100%;不合格样本的识别率也可以达到98.67%;整体识别率可以达到99.33%。结论 机器视觉系统具有识别精度高、性能稳定等特点;图像处理算法可准确区分条烟是否存在缺陷,具有实际应用价值。     

基于多尺度融合方法的无人机对地车辆目标检测算法研究

由于飞行高度等原因,无人机图像在实际使用中目标尺寸普遍较小、特征信息不明显,使用现有的算法对其进行目标检测存在困难。因此,提出了基于多尺度融合的图像多目标检测方法,使用Faster R-CNN为基础框架,将不同层次的特征信息进行融合,再结合上下文信息,实现了对无人机图像小目标检测。使用VisDrone2019数据集对地面车辆进行目标检查,实验证明:无人机对地面车辆目标的检测达到了较好的结果,所使用算法的精度达到88%,与其它算法相比提升了3.8%以上。     

高铁接触网支持装置紧固件识别与定位的深度学习方法

高铁4C检测系统可以获取接触网的大量图像，如何利用人工智能技术检测接触网支撑装置的紧固件松动、脱落、变形等故障，是一项迫切需要攻克的技术难题．由于紧固件在整幅图像中占比非常小，解决这一问题的可行方案是先对紧固件识别定位，然后对其进行图像分割，再识别其故障类型．本文提出一种改进的Faster R-CNN算法，可以准确地实现各种紧固件的识别与定位．具体的改进策略为在深度网络中引入一种基于SE模型的注意力机制，加强各通道对有效特征的提取，在Faster R-CNN中以GA-RPN替代RPN网络．实验结果表明，本文所提出的方法对接触网紧固件识别准确率达93.4%以上．     

包装物料形状特征提取和识别方法

目的为了提高包装过程物料抓取成功率,采用机器视觉设计一种物料识别和定位方法。方法以串联机械手臂为载体搭建一种基于机器视觉的物料识别、定位、抓取平台,包括物料传送模块、图像采集模块、视觉分拣模块、机器人控制模块和抓取模块等。重点论述相关图像处理算法,包括基于双边滤波的图像预处理方法,基于Canny算子的图像边缘检测,图像特征提取和质心定位等。最后进行实验研究。结果实验结果表明,码垛机器人的物料形状正确识别率可以达到99.25%,抓取成功率能够达到99.5%。结论所述物料形状识别和抓取定位方法可有效解决图像特征提取、定位等问题,具有识别率高、抓取准确等特点,能够满足包装搬运要求。     

视觉匹配技术的药片颗粒计数算法研究

目的通过机器视觉技术解决当前医药产业迅猛发展带来的批量生产药粒无法高效、精确计数等难题,提出基于视觉技术的药片特征二次匹配算法。方法药粒预处理后分割为多连通域,采用面积特征选择形状特征差异较大的2颗药粒为感兴趣区域,待膨胀后作为目标的先验模型,Canny算子提取边缘轮廓,同时计算轮廓点的方向向量。采用3层图像金字塔搜索算法加快匹配效率,并用最小二乘法调整模板的匹配精度,使匹配精度达到亚像素级别。结果通过对不同的椭圆形药粒进行实验分析,将匹配模板1和模板2(缩放比为1∶1)的最小匹配分数阈值分别设为0.63和0.59,采用3层图像金字塔搜索算法,从创建模板到匹配计数只需要0.11 s,相较于3层金字塔(缩放比为0.7~1.0,最小匹配分数为0.6)的单模板匹配算法速度快0.07 s,且对部分重叠的药片仍能有效计数,匹配准确率达100%。结论采用药片颗粒二次匹配技术可实现检测速度上的扩增;采用图像金字塔搜索算法可大幅度缩减匹配时间;采用最小二乘法可提高模板的匹配精度,增大药粒匹配的正确率。     

基于遗传算法优化支持向量机的超声图像缺陷分类

超声图像缺陷在分类时由于存在样本数量少、样本类别多、不易区分等问题,分类的准确率较低。针对这些问题,提出了基于遗传算法优化支持向量机的超声图像缺陷分类方法。该方法首先通过图像处理提取超声图像缺陷的特征数据,然后训练支持向量机作为超声图像缺陷分类器,最后采用遗传算法优化参数求得最优的分类器。实验结果表明,提出的超声图像缺陷分类器在识别率方面优于其他方法的分类器,综合识别率达到了90%,可以有效地辅助工作人员对超声图像缺陷进行分类识别。     

基于机器视觉的水果分级系统设计

目的为提高水果分级准确度,以苹果分拣为研究对象,基于机器视觉设计一种苹果分级包装系统。方法根据实际分级功能需求,以苹果尺寸作为标准设计一种苹果分级系统的总体方案,包括DSP+ARM控制器、工业相机、传输带、光源等。重点讨论图像处理模块,首先完成图像背景分割;利用中值滤波实现图像平滑处理;采用Canny算子实现图像边缘锐化。在图像处理的基础上,建立苹果分级模型。最后进行实验研究。结果实验结果表明,人工挑选分级和机器识别自动分级的吻合率达到了96.8%,证实了系统的有效性和可行性。结论基于机器视觉的苹果自动分级的准确度已经接近人工挑选的水平,可推广到苹果类水果的自动分级、包装。     

基于YOLOv3-spp的汽车轮毂表面缺陷检测算法研究与分析

针对传统人工检测方法效率低且准确率不高等问题，提出一种基于YOLOv3-spp网络的自动缺陷检测方法。首先通过图像切片提取缺陷区域，然后将提取的缺陷图片经过数据增强后组成数据集并以此训练YOLOv3-spp网络，接着对比分析了不同深度学习网络及数据集筛选方法对轮毂表面缺陷的检测效果。实验结果表明：在工业现场采集的数据集上，训练好的YOLOv3-spp神经网络可以准确地定位，并识别出点状、线性、油泥油漆、针孔4类缺陷，其平均准确率分别为84.5%、93.4%、95.4%和89.5%,检测速度达到35 ms/幅，满足检测的实时性要求，且检测准确率优于Faster R-CNN和SSD两种常用神经网络。     

基于机器视觉的改进线束导线排序检测系统设计

目的 解决现有工业线束导线排序检测方法中存在的效率低、混色导线检测效果差等问题。方法 基于机器视觉技术设计一种线束导线排序检测装置,并结合图像处理技术和深度学习原理提出一种混色导线排序检测方法。首先根据线束图像中选择的感兴趣区域,分割出线束连接器图像和导线图像,并采用模板匹配和颜色定位方法完成连接器正反面的识别和单色导线的识别定位;然后采集并制作PE混色导线数据集,研究Faster R−CNN、SSD、YOLOv3和YOLOv5m等4种不同目标检测算法对PE混色导线的检测效果。结果 实验结果表明,YOLOv5m检测模型的检测速度和准确率兼顾性最好;改进系统后,检测时间减少了18.55%,平均识别准确率为98.83%。结论 改进后检测系统具有良好的检测效率和可靠性,适用于种类丰富的工业线束导线排序检测。     

一种零件综合质量评定方法研究

零件的质量评定是柔性智能制造中十分重要的环节。现有的自动化识别装置一般采用非人工接触的光学检测系统,但由于工况环境复杂,诸多干扰因素均会影响零件质量检测与评定的准确性。另外,工业现场的连续作业对工控机硬件的运行速度、光学检测系统的环境适应性以及质量评定算法的预测准确性都提出了更高的要求。基于此,提出一种基于机器视觉与机器学习的零件综合质量评定方法。首先,借助机器视觉技术完成被测零件图像的实时采集与处理,并利用灰度匹配算法与几何匹配算法对零件的图像与CAD（computer aided design,计算机辅助设计）机械加工图进行比较,求解得到灰度匹配分数与几何匹配分数这2个几何特征参数。然后,针对零件表面的缺陷（如划伤、磨损、边缘缺料及锈蚀等）,在图像预处理（灰度化、图像增强、高斯降噪和二值化）的基础上,求解得到图像灰度的均值和标准差这2个表面缺陷特征参数。最后,借助主成分分析（principal component analysis, PCA）对零件的四维特征数据集进行降维处理,并利用K最近邻（K-nearest neighbor, KNN）算法对降维后的数据集进行训练和预测,完成零件综合质量评定;在此基础上,比较KNN算法与其他机器学习算法的准确率、召回率和特异度等指标,以验证其可行性。实验结果表明,所搭建的光学检测与处理系统在不同光源条件下的识别准确率达到96.15%以上;当相机的快门时间设定为100 μs时,该系统的图像处理速度达到45.2 帧/s。所提出的零件综合质量评定方法具有较高的准确率与处理速度,适用于复杂工况下零件的综合质量评定。     

基于YOLO模型的机器人电梯厅门装箱状态快速识别方法

目的针对电梯厅门柔性生产线机器人装箱后厅门状态识别问题,提出一种基于YOLO模型的电梯厅门装箱状态快速识别方法。方法采用工业相机采集装箱后厅门图像信息,并制作成样本训练集,然后将训练集输入到目标识别分类检测模型中,通过调整网络结构参数进行迭代训练。结果经过测试验证,文中提出的识别方法对装箱后厅门的状态分类识别成功率在99%以上,而且识别速度明显优于传统机器视觉处理算法。结论文中提出的厅门装箱状态快速识别方法,可有效解决工业环境中复杂多变光照因素对传统机器视觉处理算法造成的识别效率低、误判率高等问题,并能满足生产系统节拍要求。     

基于机器视觉的压缩机滑片计数系统设计

目的对于人工进行压缩机滑片计数烦琐的问题,基于机器视觉技术和PLC设计一种对压缩机滑片自动计数的算法和装置。方法采用工业相机及大功率LED灯设计视觉装置,并利用PLC作为流水线控制器,与视觉计算机通过TCP通信。基于图像处理技术设计自动计数算法,首先对相机采集的箱装滑片图像裁剪出感兴趣区域并进行滤波、直方图均衡化、形态学处理、自适应阈值分割来增强图像对比度;然后对图像空洞进行填充、较大的噪声斑块去除后使用thin算法对粘连紧密的滑片细化处理,通过水平投影法绘制直方图找出切割位置;最后进行连通域分析确定滑片数目,并设计用户界面显示计数结果和系统状态。结果通过现场多次测试,整体系统运行流畅,不受外界光照影响,计数准确高效。在一天内不同时间段测试,平均每次计数时间为7.6 s,准确率达到99.83%。结论投影法的应用解决了密集粘连的分割难题,该方法对环境适应性强,对滑片可稳定准确地进行自动计数,在滑片实际批量生产包装中具有明显应用优势。     

Endoscopic capsule robots using reconfigurable modular assembly: A pilot study

Ingestible capsule endoscopy provides a method of imaging the gastrointestinal (GI) tract with increased patient comfort compared to traditional tube‐based endoscopy. However, many capsule endoscopic platforms lack locomotion and inherent size‐restrictions prohibit the implementation of high‐order functionality other than image acquisition. To overcome these limitations, we proposed a modular system of robots containing steerable locomotive elements with unique functionalities that are capable of assembling into a larger and more complex robot via mutual docking. The prototype capsules were approximately the size of D‐cell batteries. The three sets of radio‐controlled modular robotic capsules were designed to move using a combination of continuous‐rotational servos and angular servos for steering and locomotion. A docking mechanism was achieved by permanent magnets (attached to the linear servo installed in the capsule) while a structural slit allowed for correct docking orientation. Additional center capsules were capable of rotational locomotion or image transfer via a housed camera and three docking ports for the capsules to dock. When fully assembled, a four‐capsule assembly exhibited controlled locomotion and wireless video transmission. With potential integration with wireless power transmission, as demonstrated by the acoustic power transmission via focused ultrasound, the proposed reconfigurable robotic capsule platform may provide unique opportunities in administering minimally invasive theragnostic applications.     

基于改进Faster R-CNN的纸病检测算法

目的 达到纸病检测中能够充分提取纸病特征、提高检测精度、降低小目标漏检率的目标。方法 基于Faster R-CNN的检测算法进行改进,主要改进的做法是利用深度残差网络ResNet-50替换原模型的骨干特征提取网络VGG16,以保留更多的纸病特征信息,增强特征网络对纸张缺陷的提取能力;在算法中添加空间和通道的双重注意力机制CBAM,用来提高纸病检测精度;将ROI-Pooling替换为ROI-Align,增强网络的泛化能力。结果 实验结果表明,改进后的算法平均精度达到98%,较原算法平均精度提升了9%。结论 改进后的算法能够充分提取纸病特征信息,有效提高了纸病的检测精度,以及提高了小目标纸病的检测率,降低了错漏检率。     

基于改进的Hough算法的细胞破碎智能监测计数系统

为提高细胞内产物的产量以及质量,结合机器视觉技术,在传统Hough图像识别算法以及现有的细胞破碎装置的基础上进行改进,提出了一种应用于细胞破碎的智能监测计数系统的设计方案。该方案以光学放大电路、CCD图像传感电路为硬件平台,辅以机器视觉技术、图像处理算法实现对细胞破碎过程的图像监测及计数统计。在线实验监测表明,该智能监测计数系统能够完成对细胞破碎的统计计数,其识别速度相对于标准的Hough图像识别算法提高了近10倍,并能实时捕捉细胞破碎图像,可应用于细胞破碎产物的自动化提取。     

基于改进YOLOv5的条烟识别研究

目的 针对当下烟草物流中心条烟分拣机及人工分拣时会产生错烟等问题。从兼顾实时性、识别精度出发,基于YOLOv5s算法提出一种收敛速度更快、准确率更高的条烟识别模型。方法 首先在YOLOv5s网络架构中融入CA注意力模块来更好地提取特征,提高模型获取目标位置的准确度;其次将原网络中的最近邻插值上采样算子改为轻量级通用上采样算子CARAFE,获得更大的感受野;然后在骨干网络中嵌入Ghost模块,对网络进行轻量化处理;最后在烟草物流中心搭建条烟图像采集系统,建立条烟图像数据集。结果 相较于YOLOv5s,本文提出的优化算法计算量减少了45.8%,mAP@0.5值达到了99.3%,在条烟纠错系统上识别率约为99.9%。结论 本文提出的优化算法能够高精度满足高速条烟分拣识别需求。