基于机器视觉的乳液泵缺陷检测系统研究
发布时间：2022-07-11 16:09
为实现乳液泵的高精度、高效率自动检测作业,降低生产成本,本文采用机器视觉技术开发一套全新的乳液泵缺陷检测系统,替代人工实现合格品和缺陷品的分拣。本文完成的主要工作包括:首先,从系统的功能需求和设计指标入手,根据设计思路在宏观上给出系统的总体方案,然后对系统的各个部分进行了详细设计。系统的总体方案采用多工位布局,包括乳液泵进料工位、视觉检测工位、合格品分拣工位以及缺陷品分拣工位,乳液泵的传送方案为通过分割器间歇转动实现传送。其次,视觉硬件设计部分,本文详细论述了工业相机、光学镜头、光源、网卡的选型,计算机的配置,偏光镜在图像消眩的应用,乳液泵照明方案等情况。介绍了系统本体结构,包括各个工位的分布情况、各装置的详细设计过程和结构的整体工作机理。在系统软件部分,介绍了软件的开发环境、工作流程和模块化设计的情况。实现了图像的采集、处理、分析、决策以及对下位机的控制。然后,论文重点论述了乳液泵缺陷检测算法的设计。根据采用方法不同,将检测算法分为两类。第一类,对于受乳液泵结构或位姿干扰较少的检测问题采用了传统图像处理方法,如按头锁紧检测、泵嘴缺胶检测、瓶盖缺胶检测、瓶盖油污划痕检测、吸管正反插检测...
【文章页数】：108 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 课题背景与研究意义
1.2 机器视觉概述
1.3 国内外研究现状
1.4 研究内容与论文安排
第二章 乳液泵缺陷检测系统总体设计
2.1 乳液泵缺陷检测系统总体方案
2.1.1 系统功能需求与设计指标
2.1.2 设计思路与系统总体方案
2.2 乳液泵缺陷检测系统本体结构设计
2.2.1 结构方案
2.2.2 工作原理
2.3 乳液泵缺陷检测系统视觉硬件设计
2.3.1 工业相机选型
2.3.2 光学镜头选型
2.3.3 光源与照明方案
2.3.4 起偏与检偏
2.3.5 计算机及网卡
2.4 乳液泵缺陷检测系统软件设计
2.4.1 软件开发环境
2.4.2 软件工作流程
2.4.3 软件模块设计
2.5 本章小结
第三章 图像处理关键技术
3.1 图像去噪
3.1.1 滤波方法
3.1.2 实验分析
3.2 对比度提升
3.2.1 直方图均衡化
3.2.3 幂律变换
3.2.4 鲁棒归一化变换
3.2.5 同态滤波
3.3 边缘提升
3.4 边缘检测
3.4.1 Canny边缘检测
3.4.2 一维边缘检测
3.5 图像二值化
3.5.1 自适应阈值方法
3.5.2 实验对比
3.6 区域形态学
3.6.1 腐蚀与膨胀
3.6.2 开运算与闭运算
3.7 乳液泵图像倾斜矫正
3.7.1 基于正交多项式的亚像素边缘提取
3.7.2 基于最小二乘法的直线拟合
3.7.3 仿射变换与灰度插值
3.8 本章小结
第四章 基于图像处理的乳液泵缺陷检测算法
4.1 乳液泵表面缺陷概述
4.2 按头锁紧检测算法
4.2.1 形态学匹配
4.2.2 间隙测量
4.3 泵嘴缺胶检测算法
4.3.1 按头圆心检测
4.3.2 泵嘴中线角度矫正
4.3.3 一维边缘点检测
4.3.4 泵嘴缺胶检测
4.4 瓶盖缺胶检测算法
4.4.1 瓶盖区域提取
4.4.2 基于最小凸包的缺胶检测
4.4.3 基于四点拟合法的缺胶检测
4.5 瓶盖油污划痕检测算法
4.5.1 瓶盖摩擦纹区域提取
4.5.2 基于局部动态阈值的缺陷检测
4.6 吸管正反插检测算法
4.6.1 简易矩形度
4.6.2 最小平行外接矩形
4.6.3 尾管正反插检测
4.6.4 矩形度阈值
4.7 泵体上端检测
4.7.1 泵体上端ROI提取
4.7.2 基于局部动态阈值的缺陷检测
4.8 实验结果与分析
4.9 本章小结
第五章 基于卷积神经网络的泵体检测模型
5.1 卷积神经网络
5.1.1 卷积神经网络的结构
5.1.2 卷积神经网络的训练方法
5.1.3 卷积神经网络性能的提升
5.2 泵体检测模型的实现
5.2.1 样本标记与样本集划分
5.2.2 检测模型的设计与训练
5.2.3 基于迁移学习改进模型
5.3 泵体检测模型的测试
5.3.1 评估方法
5.3.2 测试结果
5.4 本章小结
总结与展望
参考文献
攻读学位期间发表的成果
致谢
【参考文献】：
期刊论文
[1]基于Freeman链码的几何图形识别算法[J]. 裴姗,章腾. 计算技术与自动化. 2018(03)
[2]模式识别的概述及其应用[J]. 余卓宇. 通讯世界. 2018(08)
[3]基于同态滤波及多尺度Retinex的低照度图像增强算法[J]. 董静薇,徐博,马晓峰,韩闯. 科学技术与工程. 2018(22)
[4]基于混合高斯和HOG+SVM的行人检测模型[J]. 龚露鸣,徐美华,刘冬军,张发宇. 上海大学学报(自然科学版). 2018(03)
[5]基于最小外接矩形的SOP贴片元件的定位识别[J]. 林德育,肖曙红,麦智伟. 现代制造工程. 2017(09)
[6]基于卷积神经网络的图像识别算法研究[J]. 岳晓东. 数字通信世界. 2017(09)
[7]图像纹理分类方法研究进展和展望[J]. 刘丽,赵凌君,郭承玉,王亮,汤俊. 自动化学报. 2018(04)
[8]机器视觉在我国农业中的应用研究进展分析[J]. 王风云,郑纪业,唐研,刘延忠,李乔宇,穆元杰,王磊. 山东农业科学. 2016(04)
[9]基于Halcon的硒鼓缺陷检测与一维尺寸测量[J]. 朱先锋,潘洪军. 吉林大学学报(信息科学版). 2014(03)
[10]基于正交多项式的数据拟合方法[J]. 常锦才,赵龙,杨倩丽. 河北理工大学学报(自然科学版). 2011(04)
硕士论文
[1]深沟球轴承装配缺陷机器视觉检测方法研究[D]. 赵翔.华东交通大学 2018
[2]基于机器学习方法的管材缺陷识别方法研究[D]. 郭润元.西安理工大学 2018
[3]基于机器视觉的玻璃边部磨削缺陷检测的研究与应用[D]. 赵俊冉.烟台大学 2018
[4]基于机器视觉的自动验布系统研究与开发[D]. 张美杰.广东工业大学 2018
[5]基于机器视觉的电子元器件表面缺陷检测技术研究[D]. 陈济楠.贵州大学 2018
[6]基于卷积神经网络的铁轨表面缺陷识别研究[D]. 刘雄祥.西南科技大学 2018
[7]基于机器视觉的铁芯表面缺陷检测系统研究[D]. 胡秀珍.山东大学 2018
[8]基于卷积神经网络的矽钢片缺陷分类与定位研究[D]. 孙铖.成都理工大学 2018
[9]基于机器视觉的发动机零件智能检测系统[D]. 黎欣.广东工业大学 2018
[10]基于机器视觉的鞋底精加工轮廓检测系统的研发[D]. 区建聪.广东工业大学 2018
本文编号：3658469
【文章页数】：108 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 课题背景与研究意义
1.2 机器视觉概述
1.3 国内外研究现状
1.4 研究内容与论文安排
第二章 乳液泵缺陷检测系统总体设计
2.1 乳液泵缺陷检测系统总体方案
2.1.1 系统功能需求与设计指标
2.1.2 设计思路与系统总体方案
2.2 乳液泵缺陷检测系统本体结构设计
2.2.1 结构方案
2.2.2 工作原理
2.3 乳液泵缺陷检测系统视觉硬件设计
2.3.1 工业相机选型
2.3.2 光学镜头选型
2.3.3 光源与照明方案
2.3.4 起偏与检偏
2.3.5 计算机及网卡
2.4 乳液泵缺陷检测系统软件设计
2.4.1 软件开发环境
2.4.2 软件工作流程
2.4.3 软件模块设计
2.5 本章小结
第三章 图像处理关键技术
3.1 图像去噪
3.1.1 滤波方法
3.1.2 实验分析
3.2 对比度提升
3.2.1 直方图均衡化
3.2.3 幂律变换
3.2.4 鲁棒归一化变换
3.2.5 同态滤波
3.3 边缘提升
3.4 边缘检测
3.4.1 Canny边缘检测
3.4.2 一维边缘检测
3.5 图像二值化
3.5.1 自适应阈值方法
3.5.2 实验对比
3.6 区域形态学
3.6.1 腐蚀与膨胀
3.6.2 开运算与闭运算
3.7 乳液泵图像倾斜矫正
3.7.1 基于正交多项式的亚像素边缘提取
3.7.2 基于最小二乘法的直线拟合
3.7.3 仿射变换与灰度插值
3.8 本章小结
第四章 基于图像处理的乳液泵缺陷检测算法
4.1 乳液泵表面缺陷概述
4.2 按头锁紧检测算法
4.2.1 形态学匹配
4.2.2 间隙测量
4.3 泵嘴缺胶检测算法
4.3.1 按头圆心检测
4.3.2 泵嘴中线角度矫正
4.3.3 一维边缘点检测
4.3.4 泵嘴缺胶检测
4.4 瓶盖缺胶检测算法
4.4.1 瓶盖区域提取
4.4.2 基于最小凸包的缺胶检测
4.4.3 基于四点拟合法的缺胶检测
4.5 瓶盖油污划痕检测算法
4.5.1 瓶盖摩擦纹区域提取
4.5.2 基于局部动态阈值的缺陷检测
4.6 吸管正反插检测算法
4.6.1 简易矩形度
4.6.2 最小平行外接矩形
4.6.3 尾管正反插检测
4.6.4 矩形度阈值
4.7 泵体上端检测
4.7.1 泵体上端ROI提取
4.7.2 基于局部动态阈值的缺陷检测
4.8 实验结果与分析
4.9 本章小结
第五章 基于卷积神经网络的泵体检测模型
5.1 卷积神经网络
5.1.1 卷积神经网络的结构
5.1.2 卷积神经网络的训练方法
5.1.3 卷积神经网络性能的提升
5.2 泵体检测模型的实现
5.2.1 样本标记与样本集划分
5.2.2 检测模型的设计与训练
5.2.3 基于迁移学习改进模型
5.3 泵体检测模型的测试
5.3.1 评估方法
5.3.2 测试结果
5.4 本章小结
总结与展望
参考文献
攻读学位期间发表的成果
致谢
【参考文献】：
期刊论文
[1]基于Freeman链码的几何图形识别算法[J]. 裴姗,章腾. 计算技术与自动化. 2018(03)
[2]模式识别的概述及其应用[J]. 余卓宇. 通讯世界. 2018(08)
[3]基于同态滤波及多尺度Retinex的低照度图像增强算法[J]. 董静薇,徐博,马晓峰,韩闯. 科学技术与工程. 2018(22)
[4]基于混合高斯和HOG+SVM的行人检测模型[J]. 龚露鸣,徐美华,刘冬军,张发宇. 上海大学学报(自然科学版). 2018(03)
[5]基于最小外接矩形的SOP贴片元件的定位识别[J]. 林德育,肖曙红,麦智伟. 现代制造工程. 2017(09)
[6]基于卷积神经网络的图像识别算法研究[J]. 岳晓东. 数字通信世界. 2017(09)
[7]图像纹理分类方法研究进展和展望[J]. 刘丽,赵凌君,郭承玉,王亮,汤俊. 自动化学报. 2018(04)
[8]机器视觉在我国农业中的应用研究进展分析[J]. 王风云,郑纪业,唐研,刘延忠,李乔宇,穆元杰,王磊. 山东农业科学. 2016(04)
[9]基于Halcon的硒鼓缺陷检测与一维尺寸测量[J]. 朱先锋,潘洪军. 吉林大学学报(信息科学版). 2014(03)
[10]基于正交多项式的数据拟合方法[J]. 常锦才,赵龙,杨倩丽. 河北理工大学学报(自然科学版). 2011(04)
硕士论文
[1]深沟球轴承装配缺陷机器视觉检测方法研究[D]. 赵翔.华东交通大学 2018
[2]基于机器学习方法的管材缺陷识别方法研究[D]. 郭润元.西安理工大学 2018
[3]基于机器视觉的玻璃边部磨削缺陷检测的研究与应用[D]. 赵俊冉.烟台大学 2018
[4]基于机器视觉的自动验布系统研究与开发[D]. 张美杰.广东工业大学 2018
[5]基于机器视觉的电子元器件表面缺陷检测技术研究[D]. 陈济楠.贵州大学 2018
[6]基于卷积神经网络的铁轨表面缺陷识别研究[D]. 刘雄祥.西南科技大学 2018
[7]基于机器视觉的铁芯表面缺陷检测系统研究[D]. 胡秀珍.山东大学 2018
[8]基于卷积神经网络的矽钢片缺陷分类与定位研究[D]. 孙铖.成都理工大学 2018
[9]基于机器视觉的发动机零件智能检测系统[D]. 黎欣.广东工业大学 2018
[10]基于机器视觉的鞋底精加工轮廓检测系统的研发[D]. 区建聪.广东工业大学 2018
本文编号：3658469
本文链接：https://www.wllwen.com/jixiegongchenglunwen/3658469.html
