基于机器视觉的定位及缺陷识别智能检测技术研究与应用

发布时间：2024-02-29 23:38

　　随着科学技术发展,自动化制造领域对于高精尖技术需求逐步提升。国家提出“中国制造2025”发展战略,要求以创新驱动作为核心,大力发展人工智能应用技术,以提升国家制造行业核心竞争力。基于机器视觉的智能检测技术在工业自动化制造中的定位检测、元件表面质量检测中具有重要且广泛的应用。机器视觉定位检测技术可以准确计算待测物体的位姿坐标信息,以实现物体自动定位引导、自动装配。而在物体表面缺陷检测中,由于传统的人工目视检测方法存在效率低下,主观性强,无法长时间连续工作等问题,结合光学成像及图像处理技术的机器视觉智能检测技术具有准确、高效、非接触无损伤、连续工作时间长等优点,是最为理想的元件表面检测方法。而在人工智能技术爆发式发展的时代中,机器视觉结合深度学习能够在传统的图像处理算法上进一步提升检测准确性,是当前机器视觉检测技术的重点发展方向。本论文针对机器视觉智能检测应用中的实际应用场景,重点研究相机模型、成像系统设计、物体特征提取、识别、匹配、分类算法等领域的关键技术。以物体视觉定位和元件表面缺陷检测为主要研究对象,并以实现整体检测系统实际应用为目标,开展机器视觉智能检测系统中关键检测方法和检测算法...

【文章页数】：142 页

【学位级别】：博士

【文章目录】：
致谢
摘要
Abstract
1 绪论
    1.1 课题研究背景及意义
    1.2 基于机器视觉的智能检测技术国内外研究现状
        1.2.1 基于机器视觉智能化定位技术应用的研究现状
        1.2.2 基于机器视觉的光学元件表面缺陷智能检测应用的研究现状
        1.2.3 基于深度学习的缺陷提取算法发展现状
    1.3 本论文的主要研究内容及完成的工作
    1.4 本论文的主要创新点
2 机器视觉定位系统研究及应用
    2.1 相机模型及内参标定
    2.2 特征点提取及匹配算法
    2.3 PNP定位算法模型
    2.4 定位系统设计及应用
        2.4.1 定位系统方案设计
        2.4.2 基于空间约束的特征点匹配及改进的RANSAC定位算法
    2.5 本章小结
3 基于深度学习的玻璃缺陷成像及分类检测技术研究
    3.1 基于机器视觉的手机玻璃缺陷成像技术研究
        3.1.1 基于多种成像场的玻璃表面缺陷成像方案设计
        3.1.2 线阵相机成像模型及畸变校正
        3.1.3 图像背景非均匀性分析
    3.2 玻璃表面缺陷提取算法
        3.2.1 玻璃表面缺陷提取预处理
        3.2.2 缺陷分割及邻近分布合并算法
        3.2.3 基于SVM的缺陷分类算法
    3.3 基于深度学习的机器视觉智能检测分类方法研究
        3.3.1 卷积神经网络概念及基本组成结构
        3.3.2 传统神经网络
        3.3.3 卷积神经网络基本组成
    3.4 经典的分类卷积神经网络结构
    3.5 并联残差分类网络设计
        3.5.1 缺陷分类数据集建立
        3.5.2 并联平衡残差网络结构
        3.5.3 网络训练
        3.5.4 网络训练环境
    3.6 本章小结
4 基于深度学习的微弱对比度缺陷图像分割算法研究
    4.1 经典的语义分割卷积神经网络结构
    4.2 缺陷分割数据集建立
    4.3 网络结构设计
    4.4 网络训练
    4.5 训练环境
    4.6 本章小结
5 机器视觉智能检测实验结果及数据分析
    5.1 电动汽车电池自动换取定位系统布局及实验结果
    5.2 基于同轴平行成像与明场成像的玻璃表面缺陷检测系统实验布局
    5.3 图像畸变校正、非均匀性校正实验结果
    5.4 基于深度学习的缺陷分类实验结果及分析
    5.5 基于深度学习的玻璃表面微弱缺陷提取实验结果及分析
    5.6 本章小结
6 总结与展望
    6.1 本论文完成工作总结
    6.2 下一步工作展望
参考文献
攻读博士期间所取得的科研成果



本文编号：3915101