基于大景深多焦面成像的可变形体视觉检测技术研究
发布时间:2024-03-10 19:57
临床医疗的快速发展,也使得输液类的药类产品得到广泛应用。但是,在生产过程中容易被杂质污染而且难以发现带来安全隐患,国家标准强制性要求每瓶(袋)输液产品必须进行灯检。截至目前,人工灯检仍是这类灯检的主要方式,劳动强度大、检测质量不稳定是这种方法的主要缺点。机器视觉检测技术能够有效的解决传统检测方法的缺陷,通过设计能够自动化的对输液中存在的异物进行快速有效的检出,长期使用更能降低生产成本,是如今的检测领域里的首选方法.首先,本文简要介绍了本课题的探究背景和意义,总结了药液视觉检测的国内外研究发展历程。在基于本课题的实验载体的特点上,由于光学系统的有限景深问题,大容量包装会导致包装软袋内的可能存在的杂质的运动至相机的景深范围外,在图像上就会呈现模糊的状态,尤其是微小异物,模糊信息会影响检测的准确性。本文采用多焦面图像融合的方法来达到大景深的效果,充分调研了图像融合的相关理论和技术,介绍了基于空域和变换域的一些图像融合方法以及最近新流行的基于神经网络的融合算法。然后,本文搭建了一个基于双相机来拍摄多焦面的图像的实验成像系统。并提出一种基于卷积神经网络的图像融合方法,通过将融合视为一种二分类问题...
【文章页数】:85 页
【学位级别】:硕士
【文章目录】:
摘要
abstract
第一章 绪论
1.1 研究工作的背景与意义
1.2 药液异物视觉检测的国内外研究历史与现状
1.2.1 药液异物视觉检测的国内研究现状
1.2.2 药液异物视觉检测的国外研究现状
1.3 本论文的内容和结构安排
1.3.1 主要难点分析
1.3.2 论文主要内容
1.3.3 论文的结构安排
第二章 多焦面图像融合主要相关理论技术
2.1 相机成像景深概念
2.2 图像融合概述
2.3 多焦面图像融合算法研究
2.3.1 基于空域的多焦面图像融合算法
2.3.2 基于变换域的多焦面图像融合算法
2.3.3 基于神经网络的多焦面图像融合算法
2.4 融合效果评价准则
2.4.1 主观质量评价
2.4.2 客观质量评价
2.5 本章小结
第三章 成像检测系统设计与实现
3.1 检测样品分析
3.1.1 非PVC大输液软袋特点分析
3.1.2 药液中常见杂质类型与特征
3.2 视觉成像和采集系统设计
3.2.1 光源照明技术
3.2.2 光源位置布局方案
3.2.3 双相机拍摄结构
3.3 图像融合获取大景深图像
3.3.1 使用CNN模型
3.3.2 图像融合
3.4 融合效果及评价
3.4.1 ROI提取
3.4.2 实验图像融合
3.4.3 大景深效果评价
3.5 本章小结
第四章 大景深视觉检测算法研究
4.1 引言
4.2 图像预处理
4.3 图像特征提取及分析
4.3.1 形状特征提取
4.3.2 灰度特征提取
4.4 Adaboost分类器算法研究分析
4.4.1 AdaBoost算法描述
4.4.2 AdaBoost理论分析
4.4.3 AdaBoost实验测试
4.5 AdaBoost分类器实验结果及分析
4.5.1 分类实验
4.5.2 结果分析
4.6 本章小结
第五章 全文总结与展望
5.1 全文总结
5.2 后续工作展望
致谢
参考文献
本文编号:3925239
【文章页数】:85 页
【学位级别】:硕士
【文章目录】:
摘要
abstract
第一章 绪论
1.1 研究工作的背景与意义
1.2 药液异物视觉检测的国内外研究历史与现状
1.2.1 药液异物视觉检测的国内研究现状
1.2.2 药液异物视觉检测的国外研究现状
1.3 本论文的内容和结构安排
1.3.1 主要难点分析
1.3.2 论文主要内容
1.3.3 论文的结构安排
第二章 多焦面图像融合主要相关理论技术
2.1 相机成像景深概念
2.2 图像融合概述
2.3 多焦面图像融合算法研究
2.3.1 基于空域的多焦面图像融合算法
2.3.2 基于变换域的多焦面图像融合算法
2.3.3 基于神经网络的多焦面图像融合算法
2.4 融合效果评价准则
2.4.1 主观质量评价
2.4.2 客观质量评价
2.5 本章小结
第三章 成像检测系统设计与实现
3.1 检测样品分析
3.1.1 非PVC大输液软袋特点分析
3.1.2 药液中常见杂质类型与特征
3.2 视觉成像和采集系统设计
3.2.1 光源照明技术
3.2.2 光源位置布局方案
3.2.3 双相机拍摄结构
3.3 图像融合获取大景深图像
3.3.1 使用CNN模型
3.3.2 图像融合
3.4 融合效果及评价
3.4.1 ROI提取
3.4.2 实验图像融合
3.4.3 大景深效果评价
3.5 本章小结
第四章 大景深视觉检测算法研究
4.1 引言
4.2 图像预处理
4.3 图像特征提取及分析
4.3.1 形状特征提取
4.3.2 灰度特征提取
4.4 Adaboost分类器算法研究分析
4.4.1 AdaBoost算法描述
4.4.2 AdaBoost理论分析
4.4.3 AdaBoost实验测试
4.5 AdaBoost分类器实验结果及分析
4.5.1 分类实验
4.5.2 结果分析
4.6 本章小结
第五章 全文总结与展望
5.1 全文总结
5.2 后续工作展望
致谢
参考文献
本文编号:3925239
本文链接:https://www.wllwen.com/guanlilunwen/lindaojc/3925239.html