基于机器视觉的芯片字符区域分割和定位算法

芯片表面的字符对分选具有重要意义,对字符的定位是分选工作的关键步骤。为了提高分选工作定位效率和定位精度,提出了一种基于改进的区域生长算法和凸包检测算法分割和定位芯片表面字符区域方法。首先,对采集图像进行预处理操作,利用改进的Canny算法获取无干扰图像边缘,将图像边缘作为区域生长法的种子点并以图像自适应阈值作为生长准则分割图像,使用最大内接矩形算法粗定位字符区域;其次,采用Harris角点检测算法获取字符角点分布位置;最后,筛选角点并提取关键点,利用一种改进的凸包检测算法定位字符区域。经过实验验证,所设计的算法能够完整的分割和定位芯片表面字符区域,定位精度和效率较原有方法提升5.3%和15.4%,满足实际工业生产的要求。     

基于机器视觉的环状零件表面字符检测

针对传统环形零件表面字符检测过程中出现的零件定位不准确、字符分割难度高、字符识别精度低等问题,提出了一种基于极坐标变换展开图片和卷积算法分割、识别字符的方法。首先对待检测的照片进行零件定位,分割出包含检测目标的最小区域。接着对该区域进行极坐标变换,展开环状区域,并将区域进行卷积运算,确定待检测区域。再根据特定卷积核运算结果,得出区域的像素分布特征,分割待检测区域。最后根据卷积神经网络和SVM对所分割的字符进行分类识别。实验结果表明,该方法字符定位分割精度高、抗干扰性强、识别准确率高,对复杂环境下环形零件表面字符检测具有一定的指导意义。     

基于改进Niblack算法的轴承滚子表面缺陷检测

为了提高轴承滚子表面缺陷检测的效率和准确率,设计了一套图像采集装置,采用背光源在轴承滚子侧面打光的方式,获取缺陷区域较明显的图像,克服传统光源照射方式的局限性;针对采集到图像包含无用的背景区域,首先使用阈值分割方法将轴承滚子区域从原始图像中提取出来;然后根据无缺陷轴承滚子图像沿垂直方向灰度值基本保持不变特点,采用改进的Niblack算法对轴承滚子表面图像进行处理,分割出缺陷区域。实验表明,该方法不仅可以有效的检测出轴承滚子的各类缺陷;且在检测效率和精度上优于传统阈值分割算法。     

一种用于轴承缺陷图像分割的改进k-means聚类算法

为了实现轴承缺陷无损检测自动化,研究了轴承表面缺陷图像的分割方法。在数字图像处理技术的基础上,提出一种改进的k-means的图像分割算法。先利用二维向量小波变换对图像提取特征,根据表面缺陷特征,运用k-means算法的思想,对其进行改进。试验结果证明,该方法显著提高了分割速度和精度,受背景、光照、角度、姿态的影响很小,具有较好的鲁棒性,具有一定的使用价值。     

基于OpenCV的焊缝图像识别算法研究

针对自动焊机器人的视觉引导问题,提出了一种基于OpenCV计算机视觉库的焊缝识别算法。焊缝边缘是焊接图像识别中的重要特征,文中使用分水岭算法进行前景检测与图像分割,Canny算法进行边缘提取,Hough直线检测算法提取焊缝边缘特征,实现对焊缝的图像识别,并加入自动阈值提高算法适用性。识别程序通过Python语言实现,结果表明,该算法计算效率高、适用性强,可以满足机器视觉引导系统中的要求。     

基于k-means的焊缝识别方法

针对激光拼焊视觉检测中焊缝分割方法进行研究,提出了一种基于k-means焊缝提取方法,该方法通过纹理特征选取和描述,主元映射与特征点聚类,完成焊缝区域提取,避免了阈值选取不能应对光照变化的缺点.试验表明,该方法可以有效地进行焊缝区域的识别,取得了良好分割效果.     

基于机器视觉的焊缝表面下塌缺陷实时检测系统

针对工件焊缝表面下塌缺陷检测精度低、效率低的问题,设计了一种基于机器视觉的焊缝表面下塌缺陷检测系统,代替人工检测。利用QT5.9开发软件界面,通过配置CCD相机与辅助光源对焊缝图像进行实时采集,并提出了针对焊缝表面下塌缺陷增强、分割、提取、识别的组合算法。使用改进的GrabCut算法解决了焊缝下塌缺陷与背景分割的难题,实现了对焊缝下塌缺陷的快速精确识别。试验结果表明,系统测量精度为0.02 mm~2,可以对焊缝表面下塌缺陷实现实时、精准、稳定的检测识别。     

基于视觉显著模型和图像分割的文化图像目标检测

针对图像目标识别中的高效率视觉注意机制问题,提出了一种基于视觉显著模型和图像分割的文化图像目标检测算法。首先采用基于颜色分量对比度视觉显著模型对现有的视觉显著计算方法进行了改进,提高了显著区域检测的效率。然后在传统Grab Cut图像分割算法的原理上,结合改进的视觉显著模型来实现显著区域初始化,无需人工交互步骤,从而实现全自动的图像目标检测。测试数据结果表明:相比于现有的几种典型方法,提出算法具有较好的目标检测性能和较快的检测速度。     

活塞装配自动识别系统的研究

运用机器视觉的相关理论，综合图像处理及模式识别技术，利用数字电子计算机实现理论算法的程序化，最终判剐活塞装配是否正确。利用模板匹配、阈值分割、字符分割、特征提取和模式识别等算法，通过适当的处理和分析，对在工作现场采用CCD摄像机采集的活塞图像中的目标文字进行自动检测与识别，最终实现了对活塞装配的机器自动识别。试验证明，该方法具有一定的实用性和准确性。     

基于Canny算子字符边缘检测与分割方法研究

字符边缘是标牌图像中的凹凸字符最主要特征,选用适当的边缘检测算子得到准确的标牌信息是字符图像处理的关键步骤.本文叙述Canny算子的基本原理和算法实现过程,选用并研究Canny算子来提取字符的边缘特征.为了验证Canny边缘检测算子的效果,分别用Canny、Robert、Sobel、Prewitt、Laplacian和LoG算子对字符图像进行边缘检测试验,分析了边缘检测的结果,得出Canny边缘检测算子是字符边缘检测的一种十分有效的方法.依据Canny算子边缘检测得到的结果,对字符图像进行了填充并分割得到了标牌字符的分割二值化图像.边缘处理和字符分割的结果表明,Canny算子边缘检测能够较好地解决低对比度图像和灰度不均匀字符图像的二值化问题.     

基于PCA降维结合机器学习算法的人机交互手势识别研究

更加自然和灵活的手势识别技术正逐渐成为智能移动机器人控制的重要人机接口。为了进一步提高基于计算机视觉的机器人导航控制的实时性和精度,提出了一种基于主成分分析(Principal Component Analysis,PCA)降维结合机器学习算法的手势识别方法。首先,对视觉摄像头捕获的手势图像进行预处理,具体包括图像二值化、中值滤波和形态学变换。然后通过PCA提取主要特征并对数据进行降维。最后结合机器学习中自组织神经网络(Self-Organizing Feature Maps,SOM)作为分类器应用于手势识别,具体采用的是学习向量量化(Learning Vector Quantization,LVQ)神经网络。静态手势实验测试结果表明:相比网络和K-means算法,提出方法缩短了手势识别时间,且识别准确率得到有效提高,验证了方法的有效性。     

一种基于机器视觉的轮胎模具表面字符检测方法

为了实现轮胎模具表面字符自动化检测,提出一种基于机器视觉的轮胎模具表面字符检测系统。根据轮胎模具的特点,设计了基于机器视觉的自动化检测装置,并对其工作原理进行介绍;设计了相应的图像处理方法,主要包括图像预处理、图像定位及字符检测等步骤。最后通过实验验证了该检测系统的可行性和准确性,并对产生误报的原因进行分析。实验结果表明,该检测系统可在短时间内完成轮胎模具表面字符检测,并具有高准确率和高检测速度。     

基于机器视觉的线缆表面缺陷快速检测算法研究

利用机器视觉技术检测线缆表面缺陷时,检测时间长、漏检率高。为此,提出一种基于机器视觉的线缆表面缺陷快速检测算法。通过引入CV-Kmeans区域分类算法建立自适应滤波窗口改进高斯滤波算法,在此基础上建立自适应模板,然后计算原图像与模板的Pearson(皮尔逊)相关系数快速判断图像是否含有缺陷。对含有缺陷的图像进行模板与原图差分,最后对差分所得到的图像用自适应阈值分割法提取缺陷。实验表明,算法可有效识别缺陷并减少检测时间,漏检率为3.22%,满足线缆生产需求。     

一种改进的偏振光源在机器视觉中的应用

在机器视觉中,经常由于工件表面上的喷漆、镀膜、玻璃、包装膜或其他反光材质的影响,工业相机无法顺利采集到高质量的图像。因图像的对比度较低或者关键特征无法完整呈现,经常会导致机器视觉系统中误检、误判、精度低、不稳定等现象的发生,甚至输出错误的数据。针对以上问题,以电容表面字符缺陷检测和覆有透明包装膜的键盘表面字符检测实验为例,通过利用光的偏振特性,将起偏、检偏两个偏振片集成在一起,采用改进的偏振光源有效地消除了机器视觉中的强反光现象,获得了字符特征清晰的图像     

基于改进C-V方法的焊接图像识别

基于简化的Mumford—Shah水平集图像分割模型，Chart—Vese提出了不依赖于图像边缘的水平集图像分割算法（C～V方法）。文中对该算法进行了深入研究，指出了原方法存在的缺陷，即处理的图像必须具有比较明显的特征，分割目标过多且较为分散时则很难得到理想的结果，每次迭代过程都需要对所有的图像数据进行计算，比较费时。根据焊接图像本身的特点给出了三点改进，即强化特征模型的修正、多尺度快速算法和全局特性抑制。应用改进的算法，进行了模拟对比试验和真实熔池图像识别的试验。结果表明，该方法能识别出焊接图像连续轮廓，提取有用信息，具有良好的适应性，同时为复杂图像的特征物体目标提取提供了可行的思路。     

基于小波包和支持向量机的滚动轴承故障模式识别

为了解决对故障轴承的特征提取和故障特征准确分类问题,提出了应用小波包变换和支持向量机相结合进行滚动轴承故障诊断的方法.小波包变换具有良好的时-频局部化特征,非常适于对瞬态或时变信号进行特征提取.而支持向量机可完成模式识别和非线性回归.利用上述原理根据轴承振动信号的频域变化特征,采用小波包变换对其提取频域能量特征向量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别.试验结果表明,支持向量机可以有效、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新的途径.     

基于机器视觉与Faster-RCNN的Delta机器人工件识别检测

针对传统并联机器人在工作环境中存在抓取不精确、定位与分类识别效率低下的问题,提出一种基于机器视觉与Faster-RCNN神经网络的工件识别检测技术。采用Delta机器人实验平台采集图像,进行图像的预处理操作并将其添加至网络训练集。通过Python3.7-torch1.7搭建深度学习中的Faster R-CNN卷积神经网络,作为基本框架训练工件图像数据集。最后将训练后的卷积神经网络得到的工件检测结果与原实验工件识别系统对比。结果表明：改进后的识别平均精确度比原有识别系统有所提高,反应时间缩短,并且能识别不同类型的工件。     

大型钢坯低倍试样加工与缺陷检测的新装备、新技术

以公司研发的重型超精密镜面铣磨一体化数控机床和金属表面综合检验仪为基础,介绍对钢坯低倍试样进行镜面加工、表面缺陷及纯净度检测的新技术、新装备,如大型钢坯全端面镜面加工技术与装备;利用机器视觉检测技术,通过高像素扫描相机获取全端面图像;通过图像识别技术查找疑似缺陷,再通过高倍显微镜对疑似缺陷进行甄别。通过对低倍与高倍检测合二为一检验方法的介绍,证明这种在试样镜面状态下的机器视觉检测将成为钢铁材料表面检验的关键技术,理化检测将逐渐前移到钢坯检验。     

一种基于图像展开与拼接的精密轴承表面缺陷光学检测方法

建立一种基于机器视觉的精密轴承表面缺陷光学检测系统。利用图像展开和拼接技术获得轴承侧面完整而又没有重复的二维图像,在此基础上对微小轴承表面缺陷进行检测、缺陷提取和分类。实验结果表明:采用该方法能够快速、高效地检测出微小精密轴承表面大于10μm的缺陷形貌;能够准确地对凹坑、裂纹和划痕缺陷进行分类。