基于机器视觉的线束连接器字符检测

针对线束连接器上印刷字符检测智能化程度不高的情况,提出了一种基于机器视觉的检测方法.首先,利用一阶导数获得印刷字符边缘点,并将边缘点拟合为线,由此定位字符的位置,并对字符的角度和位置进行比较;然后,对合格的字符分割、归一化,并以整个字符图像作为输入特征;最后,基于字符的特征,建立了用于印刷字符识别的BP神经网络,并对其进行了改进.实验证明:基于机器视觉的连接器印刷字符单个字符识别准确率为99.1%,检测时间为95ms,具有较高的识别准确率和速度.     

铣刀机器视觉检测系统设计

铣刀检测是铣刀生产的关键环节之一,针对传统铣刀检测过程中暴露的自动化程度低、效率低等问题,提出了基于机器视觉检测系统的检测方法.论文对系统的总体方案进行了设计,研究了系统的工作原理,并对系统硬件软件进行设计,最后通过实验分析得出结论.实验结果表明,通过视觉检测系统可以检测出铣刀是否合格,并且此法比传统方法有明显的优越性.     

基于机器视觉的车距检测系统设计

为了探测前车车距,采用机器视觉方式,以 CCD构造单目成像系统采集前车图像,以检测车牌在图像中像素的数量方式实现车距的测量。系统以单目摄像头的成像模型,通过物像位置关系及大小关系,建立车牌图像与车距信息之间的模型;以CCD成像原理,建立车牌图像与传感器像元像素之间的模型。由此构建测距检测算法模型。采用MATLAB软件平台设计人机交互界面,对采集图像进行预处理提高图像的对比度;通过匹配连通域等算法,对车牌进行定位、分割,检测车牌水平方向像素数量;在此基础上,采取小孔成像原理计算车距的大小,并显示在软件平台上。实验证明了本系统能对前车图像进行分析从而计算出车距,该系统对3 m之外的车距检测平均误差为4%。     

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。     

基于机器视觉的线束末端包覆质量检测系统研究

目的为了自动、准确地识别汽车线束末端包覆质量,以工业机器人和工业相机为基础,设计一种基于机器视觉的汽车线束末端包覆质量检测系统。方法该系统使用置于工业机器人手臂的CCD工业相机采集图像信息,首先运用HALCON对系统进行标定,其次通过梯度腐蚀等预处理,角点检测等方法得到线束的节点坐标,然后以归一化匹配标准为基础,提出多区域双层的多阈值模板匹配算法对线束末端包覆质量快速识别,计算线束末端未包覆长度并得到线束节点坐标修正值,最后进行未包覆段补包。结果实验表明,此系统在检测端末节点数少于10个的线束末端包覆质量的准确度维持在97.22%以上。补包后偏差量的绝对值小于2 mm,且重复性精度为1.07 mm。结论该检测系统稳定可靠,能满足实际生产中对线束包覆质量的检测,提高了线束包覆生产线的自动化和智能化水平。     

基于机器视觉的安瓿溶液异物检测系统

针对1～20 mL安瓿瓶装溶液的在线异物检测,本文分析并设计了基于机器视觉的安瓿溶液在线异物检测系统,介绍了检测系统硬件结构和图像采集卡等配置.根据应用要求,对溶液中的不同异物类型,分别设计了合理有效的成像方法,并设计高速旋转急停法成功地区分异物与瓶壁上的干扰.鉴于溶液中异物在图像上的呈现的弱目标性质,设计了一种快速方便的区域分割方法,并在融合传统目标检测方法的基础上,重点提出基于机器视觉的有效的目标检测方法,文章最后给出实验结果并进行分析,证明了算法的有效性和该系统的实用性.     

基于深度学习的机器视觉目标检测算法及在票据检测中应用

基于深度学习的目标检测是机器视觉应用的重要方面。该文系统总结基于区域候选的目标检测算法、基于回归方法的目标检测算法及其他优化算法的算法思想、网络架构、演进过程、技术指标、应用场景,指出在机器视觉系统应用中,应充分考虑检测对象、检测精度、实时性能要求,结合不同目标检测算法特点,选择最合适的检测算法。最后,面向票据检测需求,分析目标检测算法在票据图像位置检测、防伪特征检测、文本信息检测中的应用。     

基于机器视觉的工件检测系统研究

为检测工件质量,识别型号。采用机器视觉的方法,应用CCD相机在线拍摄工件图像,以图像采集卡作为与计算机的接口,进行数据的分析及处理,实现工件分拣。     

基于机器视觉的玻璃瓶口缺陷检测方法

目的为提高玻璃瓶口缺陷检测精度,确保生产线包装效率。方法基于机器视觉设计一种瓶口缺陷检测方法,并简要介绍检测系统的整体框架。分别论述基于最大熵值法的图像分割方法、瓶口定位方法以及图像特征提取方法,其中图像特征主要包括周长、圆形度、相对圆心距离。利用BP神经网络实现瓶口缺陷的准确识别,将瓶口破损程度转换为具体数值,最后进行实验验证。结果文中检测方法对破损瓶口的检测成功率为99%,对于不同的破损类型均有较高的检测准确度。结论基于机器视觉的玻璃瓶口缺陷检测方法能够满足生产线对准确性和实时性的要求。     

深度学习在材料显微图像分析中的应用与挑战

材料的组织结构主要受成分和制备加工工艺的影响,是决定材料性能的关键因素,在材料研发的全周期内具有重要作用。材料组织结构以非结构化图像数据的形式呈现,利用人工经验性的手段进行分析和信息抽取,遗漏了大量的材料学信息和隐含知识。深度学习技术的发展和应用,为材料显微图像中信息的精准、快速、自动获取提供了重要的研究手段。本文从图像处理、图像分析和图像理解3个方面概述了材料显微图像处理与信息挖掘的主要研究内容和关键技术,详细介绍了深度学习在图像分析中的图像识别、图像分割和图像生成3个任务中的研究进展,讨论了深度学习在材料显微图像分析和信息挖掘中的发展方向和挑战。     

一种识别不同种类葡萄的无损检测方法

设计了一种简单有效的方法对葡萄的颜色进行特征提取,把计算得到的特征值作为神经网络的输入,通过神经网络的自我学习训练,识别出不同种类的葡萄.研究表明,采用本实验方法得到的识别准确率很高,均方误差为0.000 252%,且完成整个识别过程的时间比一般的方法短很多.     

基于机器视觉的二维图像质量缺陷检测研究进展

目的 机器视觉图像处理技术是近年在图像处理领域发展起来的一门新兴边缘交叉学科,二维图像的质量检测是印刷行业中必不可少的环节,分析基于机器视觉的二维图像质量缺陷检测流程,探索影响基于机器视觉的二维图像质量缺陷检测精度的相关因素,为后续研究印刷品的二维图像自动化检测和质量控制提供参考。方法 在此基础上,围绕图像预处理中的灰度转换、噪声过滤、固定阈值分割、自适应阈值分割、Otsu法及边缘检测,对图像配准中的基于灰度统计信息分布配准方法、基于特征的图像配准方法进行总结,然后归纳分析图像的缺陷提取和分类。结论 以实际例子对上述研究内容进行了提炼,通过图像预处理中的噪声过滤为后续缺陷提取提供清晰图像,减少伪影干扰;通过图像预处理中的灰度变换、阈值分割、感兴趣区域提取减少系统处理时间,为实现高效的缺陷检测奠定了坚实的基础;通过图像配准消除了机械振动引起的图像位置偏移,确保后续缺陷提取的准确性;通过图像缺陷提取和分类帮助印刷企业找出生产问题,提供有针对性的改进措施,可为生产高质量产品提供支持。     

基于深度学习的易拉罐缺陷检测技术

目的 现有的易拉罐缺陷检测系统在高速生产线中存在错检率和漏检率高,检测精度相对较低等问题,为了提高易拉罐缺陷识别的准确性,使易拉罐生产线实现进一步自动化、智能化,基于深度学习技术和迁移学习技术,提出一种适用于易拉罐制造的在线检测的算法。方法 利用深度卷积网络提取易拉罐缺陷特征,通过优化卷积核,减短易拉罐缺陷检测的时间。针对国内外数据集缺乏食品包装制造的缺陷图像,构建易拉罐缺陷数据集,结合预训练网络,通过调整VGG16提升对易拉罐缺陷的识别准确率。结果 对易拉罐数据集在卷积神经网络、迁移学习和调整后的预训练网络进行了易拉罐缺陷检测的性能对比,验证了基于深度学习的易拉罐缺陷检测技术在学习率为0.0005,训练10个迭代后可达到较好的识别效果,最终二分类缺陷识别率为99.7%,算法耗时119 ms。结论 相较于现有的易拉罐检测算法,文中提出的基于深度学习的易拉罐检测算法的识别性能更优,智能化程度更高。同时,该研究有助于制罐企业利用深度学习等AI技术促进智能化生产,减少人力成本,符合国家制造业产业升级的策略,具有一定的实际意义。     

基于多光谱分析的烟包外观检测系统

目的为了解决卷烟厂在烟包外观检测中,包装纸与透明纸难以同时检测的难点,设计一种对称式多光谱分析的烟包外观检测系统,以用于FX-2型包装机。方法该系统选用可调式支架、稳定的LED、高速多光谱CCD光源来捕获卡槽中烟包的待测面,将获取的多光谱图像传入高性能工控机,并对各子带图像联合进行处理。结果该系统可以通过一次成像同时检测包装纸和透明纸。结论该系统结构合理,易于安装与维护,检测精度高,参数可调,系统稳定可靠。     

Sailfish Optimizer with EfficientNet Model for Apple Leaf Disease Detection

Recent developments in digital cameras and electronic gadgets coupled with Machine Learning (ML) and Deep Learning (DL)-based automated apple leaf disease detection models are commonly employed as reasonable alternatives to traditional visual inspection models. In this background, the current paper devises an Effective Sailfish Optimizer with EfficientNet-based Apple Leaf disease detection (ESFO-EALD) model. The goal of the proposed ESFO-EALD technique is to identify the occurrence of plant leaf diseases automatically. In this scenario, Median Filtering (MF) approach is utilized to boost the quality of apple plant leaf images. Moreover, SFO with Kapur's entropy-based segmentation technique is also utilized for the identification of the affected plant region from test image. Furthermore, Adam optimizer with EfficientNet-based feature extraction and Spiking Neural Network (SNN)-based classification are employed to detect and classify the apple plant leaf images. A wide range of simulations was conducted to ensure the effective outcomes of ESFO-EALD technique on benchmark dataset. The results reported the supremacy of the proposed ESFO-EALD approach than the existing approaches.