一、机器视觉技术在工业中的应用（论文文献综述）
李祥瑞[1]（2021）在《机器视觉研究进展及工业应用综述》文中研究表明机器视觉应用广泛,近年来随着相关技术和研究的不断发展,机器视觉发展迅猛。文章总结了国内外机器视觉的研究现状,首先介绍了机器视觉系统的组成和工作原理,然后讨论了机器视觉在表面瑕疵检测、智能装配和家居板件尺寸测量方面的应用,最后对现阶段机器视觉所面临的问题进行介绍并对其未来工业发展方向进行展望。
冯超[2]（2021）在《基于全角度扫描光源的低适光性表面缺陷视觉检测研究》文中研究表明近年来,随着图像传感器技术及图像处理算法的日趋成熟,机器视觉检测技术在检测精度大幅提升的同时,其自动化检测生产线的成本大幅下降,这使得机器视觉检测技术在生产和生活的各个领域中得到广泛应用。但由于被检测物体种类丰富多样,表面特性变化多端,导致机器视觉缺陷检测技术在某些对光源要求严格的低适光性物体表面缺陷检测的应用中存在一定困难。为此,本文以高纹理物体表面和高反光曲面等低适光性表面为主要研究对象,设计了基于空间全角度扫描光源的缺陷检测系统,对低适光性表面缺陷检测进行了相关研究,主要研究内容如下:根据被检测物体表面三维结构的差异及表面缺陷对光照方向敏感的特性,对低适光性平面和低适光性曲面缺陷检测原理进行了研究,设计了系统检测方案,明确了检测系统的工作流程、照明方案、控制方案及图像处理算法框架,并对实验对象进行了详细的分析,确定了针对不同低适光性物体表面缺陷检测的技术方案。针对缺陷检测系统对照明光源入射角度的严格要求,设计了一种可提供空间各方位入射角度光束的全角度扫描光源,以LED发光单元为最小发光单位,设计了球面空间发光单元的均匀分布方案和空间全角度扫描光源的控制方案,并完成了检测系统软硬件平台的开发,搭建了空间全角度扫描光源缺陷检测系统实验平台。为得知空间全角度扫描光源系统中各LED单元的光源位置和主光轴方向等信息,建立了LED发光单元的锥形光照模型,研究了基于高反射球的位置标定方法和基于标准朗伯平面的主光轴标定方法,为提高主光轴方向标定精度,提出了一种基于朗伯平面双椭圆拟合的锥形光束主光轴标定方法,并对空间全角度扫描光源进行了测试,对缺陷检测系统的功能进行了验证。利用所搭建的空间全角度扫描光源缺陷检测系统实验平台,对高纹理平面和高反光曲面缺陷检测进行了相关研究,以具有特定方向磨削纹理的不锈钢压粉模具端面和具有喷砂纹理的黑色喷砂氧化铝板等高纹理表面为研究对象,设计了针对高纹理表面缺陷检测的系统照明方案,并开发了图像处理算法,实验结果表明,本文所提出的基于空间全角度扫描光源的缺陷检测方法对黑色喷砂氧化铝板缺陷的综合检出率可达94.7%,对高纹理表面缺陷检测的效果较常规光源检测有较大提升。以镀铝反射镜平凹柱面和轴承钢球面等高反光曲面为研究对象,设计了针对高反光曲面缺陷检测的系统照明方案,并开发了图像处理算法,实验结果表明,本文所提出的基于空间全角度扫描光源的缺陷检测方法对反射镜表面各类缺陷综合检出率可达97.9%,对钢球表面各类缺陷综合检出率可达96.1%,不仅可有效解决高反光曲面引起检测盲区问题,并对曲面各种微缺陷具有良好的检测能力。
孙合锐[3]（2021）在《高频变压器外观缺陷的视觉智能检测方法研究》文中指出高频变压器是电子产品的重要组成部件,在其生产过程中出现的外观缺陷,会影响产品的质量和使用寿命,必须通过外观检测才能流入市场。目前高频变压器外观缺陷检测大多采用人工检测的方法,但该方法受人员主观影响较大,容易出现漏检、误检等情况,当人员处于疲劳状态下时,检测效果会急剧下降。急需自动、智能的检测方法来改善检测效果,解放人力。本文将机器视觉技术和深度学习方法引入到高频变压器外观缺陷检测中,针对不同类型的高频变压器外观缺陷,研究了高频变压器外观缺陷的视觉智能检测方法。第一,介绍了高频变压器外观缺陷的主要类型,对其产生原因和特点进行分析。根据缺陷特点按照图像分析难度由易到难分成沾锡/内胶缺失、内胶破损和骨架破损三类。构建了视觉检测系统,对工业相机、光源、镜头等硬件和相关软件进行选型,选择合适的光源布置方式采集图像。第二,使用基于机器视觉的方法来分析高频变压器表面缺陷,采用基于HSV颜色模型通道分离的方法突出缺陷区域,再分析对比机器视觉缺陷检测方法中常用的图像去噪、图像增强、形态学等方法,从中选择效果最好的方法来去除噪声和进一步突出缺陷区域,经过图像分割和面积特征筛选就可以实现沾锡/内胶缺失缺陷的识别和定位。实验结果表明,该方法对沾锡/内胶缺失检测准确率可达99%。第三,针对典型机器视觉方法难以检测的高频变压器内胶破损缺陷,设计了基于频域分析的高频变压器内胶破损缺陷识别算法。采用空间域图像预处理去除噪声,设计频域滤波器来增强缺陷分量,再回到空间域进行图像分割,然后提取出缺陷区域与干扰区域相差较大的几种特征来组成特征向量,将特征向量输入到GMM（高斯混合模型）分类器来实现内胶破损缺陷的识别。实验结果表明,该算法的实用性较强,检测准确率达95.6%。第四,针对基于图像分析方法难以检测图像对比度极低且图像背景复杂的骨架破损缺陷,研究了基于深度学习的高频变压器骨架破损缺陷识别算法。构建了高频变压器骨架图像数据库,将去除了全连接层的Inception V4网络用来作为特征提取器,加上重新设计的分类器组成了新的训练模型。在训练时采用了迁移学习的方法来减少模型训练的时间,使用高频变压器骨架图像数据库对网络模型进行微调。实验结果表明,该方法有着较好的适应性,相比于图像分析方法识别效果良好,对骨架破损缺陷识别准确率达85.8%。
靳一丹[4]（2021）在《基于机器视觉的模拟仪表自动识别与监控方法研究》文中研究指明随着工业现代化时代的到来,尽管出现了读数更直观的数显式仪表,但是模拟仪表相对数显式仪表结构简单,价格低廉,并且能通过指示物体的变化情况直接的看到被测物体的变化情况,因此模拟仪表依旧在工业测量中占据着重要的地位。目前在工业中模拟仪表的数据采集大多由人工读取,成本高,实时性差,且易受人的主观因素影响使得模拟仪表的读数不准确,从而影响工作效率,同时一些危险的工作环境会对人体造成严重的危害,不适合人类长期工作。因此,选用机器视觉代替人类视觉实现模拟仪表的自动识别与监控具有重大的现实意义。本文针对工业中常用的两种模拟仪表指针式仪表跟浮子流量计,研究了一种基于机器视觉技术的模拟仪表自动识别与监控方法。该方法可以适应上述两种模拟仪表数据采集过程中可能遇见的背景复杂、光照不均匀、过曝光、欠曝光、量程不同、仪表倾斜、尺度变化等情况,满足浮子流量计的实时监控与指针式仪表自动读数的要求。本文的主要研究内容如下:（1）为了适应复杂的背景环境、过曝光、欠曝光等情况,本文首先研究了图像亮度调整算法将图像亮度调整到适当的范围内,然后将深度学习SSD算法应用在指针式仪表跟浮子流量计的分类与定位任务中,并根据分类结果采用不同的算法。（2）针对指针式仪表,在使用深度学习算法SSD提取到仪表后,将传统图像处理算法与卷积神经网络相结合,并选用角度法进行指针式仪表的自动读数。整个过程解决了系统对光照敏感,背景复杂,且无法自动提取仪表量程等问题。实验验证了该方法有较高的准确度。（3）本文针对浮子流量计研究了一种自动监控方法。该方法结合颜色空间转换,图像色彩增强等来寻找工作范围,并使用一种多模板多尺度的模板匹配对漏检的浮子进行检测。实验验证了该方法计算速度快,精度高,实现了仪表的自动监控。
肖剑[5]（2020）在《基于机器视觉的半导体表面字符质量检测系统研究》文中提出高新技术产业的不断创新推动了半导体器件朝着多种类和微型化方向发展,厂家通过在半导体产品表面刻印标识字符来检测产品的生产质量,以便更好的管理产品,而传统的字符识别主要依靠人工完成,不仅识别的效率低,而且人工成本高,因此基于机器视觉的字符自动化识别应运而生。为了满足自动化生产条件,本文以车间生产为背景,以芯片表面的刻印字符为对象,研究基于机器视觉的半导体表面字符质量检测系统,该系统能够减少人工参与,提升系统的识别精度和效率,对实现半导体产品字符的自动识别具有重要实用价值。按照生产需求和待检测芯片确定系统研究内容,主要包括机械平台设计搭建、系统软件设计和图像处理三部分。通过机械设计方案确定硬件设备的选型,并完成半导体表面字符质量检测系统机械结构的搭建。基于Microsoft Visual C++6.0编译环境实现系统控制软件,实现对系统的实时控制。系统的重点在于对采集图像的有效处理。在图像处理方面,首先对图像进行平滑,通过分析字符表面噪声特点分别利用三种平滑算法对图像进行处理,选取最优平滑算法。其次在字符分割算法研究方面,首先对基于边缘检测和基于投影的分割算法进行研究分析,通过对比芯片表面字符特征,提出改进的投影分割算法,实验结果表明,该算法能够快速准确地实现字符的准确分割。最后在字符识别算法研究方面,针对传统模板匹配算法进行研究,并基于该算法的不足提出基于两字符距离的匹配算法,取得了较好的识别效果;研究了基础的卷积神经网络算法模型,针对实际问题对网络进行改进,实现目标字符的识别。同时应用残差网络的迁移学习实现字符分类。在搭建平台上以30*30芯片为标准进行测试,分别应用模板匹配和神经网络两种不同算法对待测字符进行目标识别,识别的准确率分别是87.9%和94.6%,实验结果表明,相较于模板匹配,神经网络算法具有较好的应用效果,满足实际生产要求。
李俊男[6]（2020）在《机器视觉在软包动力锂电池极耳焊接缺陷检测中的应用》文中认为近年来,我国新能源汽车行业发展迅速,软包动力锂电池作为新兴动力电池,拥有广阔的市场需求和良好的发展前景。在软包动力锂电池生产过程中,其极耳焊缝焊接缺陷检测尤为重要,关系到动力电池成品质量和性能。但是目前对于软包动力锂电池极耳焊缝焊接缺陷检测研究甚少,为此文章将机器视觉（Machine vision）应用到软包动力锂电池极耳焊接缺陷检测中,提供一种可行性研究思路。检测的重难点在于如何在高反光、低对比度、多噪声的极耳焊缝图像中准确提取出焊缝,以及选取合适的特征进行分类识别。文章具体的主要内容包括以下四个方面:首先,介绍了动力电池的种类,详细分析了软包电池组成结构及其能量密度高、安全性能好、设计灵活等优点。系统阐述了公司现有软包动力电池极耳焊缝的缺陷类型,以及极耳焊缝缺陷的生成机理,为实验研究分析打下基础。其次,研究了关于极耳焊缝图像的处理方法,包括图像去噪、增强以及图像分割方法。实验分析比较了均值迭代分割、最大熵分割、基于粒子群算法的分割、Adaptive-threshold以及OTSU分割方法。针对极耳焊缝高反光、低对比度的特点,提出一种基于形态学重建与OTSU的极耳焊缝图像分割方法。通过改进多尺度结构元素进行形态学重建,结合OTSU完成极耳焊缝图像分割任务。研究结果表明:该方法适合于极耳焊缝图像分割,在保证焊缝准确提取的前提下速度也有所提高。然后,研究了极耳焊缝的特征提取与分类识别方法。主要对形状、几何特征进行特征参数提取。采用基于决策树方法和基于模板匹配算法进行极耳焊缝分类识别的研究,并结合先验特征阈值采用模板匹配法对极耳焊缝缺陷进行分类。实现极耳焊缝熔焊、焊洞、焊偏、断焊、短焊的检测识别。研究结果表明:存在缺陷重叠的极耳焊缝对决策树方法有影响,采用基于特征的模板匹配法识别精度好于前者,识别率为94%。最后,设计了极耳焊缝缺陷检测方案,完成了检测平台搭建。主要包括硬件平台和软件平台。根据极耳焊缝高反光、低对比度的特点,通过选择合适的环形光源,BASLER相机、Kowa Lens LM35HC镜头等,搭建焊缝硬件检测平台。设计软件检测平台,采用MATLAB与Lab VIEW相协调的方式实现检测任务。
杨少波[7]（2020）在《基于Halcon工业相机标定系统的研究》文中研究表明智能制造是当今研究非常热门的一种技术,世界各国都在为此投入大量经费研发各种智能制造设备,为了提高生产效率、产品质量和自动化程度,这些设备几乎所有都会用到机器视觉技术。在机器视觉系统中,图像质量不好往往会导致机器视觉系统失败。相机是高质量获取图像的关键,相机在应用前都必须完成标定工作,其标定结果的精度及算法的稳定性直接影响相机工作生产结果的准确性,从而影响产品质量和设备工作稳定性、可靠性。因此做好相机标定就显得尤为重要。本课题在比较已有相机标定方法基础上,研究了一种高精度、高效率的相机标定技术。课题以Halcon作为相机标定的软件平台,以一种高精度的标定板为基准,通过对WCS、CCS、PCS、IPCS四大坐标系变换理论计算和相机畸变模型的分析,采用Halcon软件标定算子编程实现相机内、外参数的标定。本课题从硬件和软件两方面说明相机标定中关键技术和难点。硬件部分介绍了相机标定系统硬件选型与安装,包括机器视觉硬件三件套（镜头、相机、光源）工作原理及选用型号。软件部分采用德国MVtec公司开发的Halcon视觉软件开发工具,在图像预处理中使用阈值分割、高斯滤波、ROI提取、边缘提取等算法。相机标定过程中,先对10mm*10mm定制标定板不同位姿采集3组图像,数量分别为0～10张、10～20张和20～30张;再由世界坐标系中的点转换为相机坐标系中对应的点,得到相机外参,相机坐标系中的点转换为图像坐标系中对应的点,得到相机内参;结合相机内外参能有效消除图像畸变和计算出单个像素点实际物理距离,为后续机器视觉系统中进行精准定位、精准测量等提供有效保障。整个系统的设计能够很好的完成相机标定任务,稳定性好且运行效率高,为机器视觉实际应用奠定了基础,通过该方法标定的相机在硬币直径测量中的运用,验证了本系统标定精度的准确性和稳定性,标定最高精度可以达到2μm,完全可以满足当前很多工业生产的需求。所选用的Halcon视觉处理软件上手容易、图形处理算法丰富、计算速度快,能够在最短的时间内提供最为适宜的视觉解决方案。本文通过对同一标定板进行分组多次标定,保证了整个系统的稳定,并结合C#高级语言进行编程,可以将相机标定与机器视觉应用编程融为一体,保证了系统完整性和程序运行效率。
徐康力[8]（2020）在《相机测量技术在舱段自动对接中的应用研究》文中研究表明航天器,水下航行器等的舱段对接是其生产制造中的关键环节,舱段对接的质量在一定程度上决定了其总体性能的优劣,而实现舱段自动对接则是舱段装配领域的发展目标。舱段的自动对接过程需要高精度以保证生产质量,对接的快速性以提高效率并减少投入成本,非接触自动测量舱段位姿以实现自动化。在舱段的自动对接过程中,待对接舱段的位姿精密测量是舱段调姿的基础。随着机器视觉领域技术的不断发展,利用工业相机搭建的单目,双目甚至多目视觉系统越来越广泛被应用于机器人装配,元器件缺陷检测等工业环境中。在航天器舱段销孔对接等应用场景,视觉测量技术可以体现出其非接触、快速以及高精度的优势。在某研究所“舱段位姿快速测量”项目的科研背景下,本文旨在对工业相机测量技术在舱段自动对接过程中的应用进行研究与试验,主要研究内容分为以下几个方面:（1）舱段自动对接过程中的舱段相对转角测量总体方案的研究与设计。分析舱段自动对接过程中的舱段位姿测量目标,根据实际工业现场对舱段自动装配及位姿测量的需求,设计并完成相机测量技术在舱段自动对接过程中应用的单目视觉系统测量方案和双目视觉系统测量方案。（2）单目视觉系统在舱段自动对接过程中的应用研究。搭建单目视觉系统硬件结构,研究并设计单目视觉系统测量算法。制定舱段相对转角的测量流程,为提取销孔中心的图像坐标,提出了适用于舱段对接场景的单目标定和图像处理方法,利用机械辅助和基于遗传算法的配准方法实现了两部单目相机的坐标系配准。完成单目视觉系统在舱段位姿测量模拟样机的应用研究,对舱段相对转角的测量精度满足实际对接0.1°的测量需求。（3）双目视觉系统在舱段自动对接过程中的应用研究。研究并设计双目视觉系统测量算法。制定舱段相对转角的测量流程,针对舱段自动对接场景,通过Halcon平台对双目相机进行了立体标定和矫正,根据销孔图像亮度低、噪声多的特点及双目视觉系统所处环境的光照特征,提出合适的立体匹配及图像处理算法,从而提取销孔中心的三维坐标,通过机械辅助和基于遗传算法的配准方法实现了两部双目相机的三维坐标系配准。完成双目视觉系统在舱段位姿测量模拟样机的应用研究,对舱段相对转角的测量精度达到0.1°以内,从视场范围,精度,应用场合和技术难点对比双目及单目测量的优缺点和应用范围。（4）工业相机测量在实际舱段装配平台的应用。针对工业现场的环境复杂,机构振动及零件干涉等难点,改进硬件结构和算法,同时优化相机标定,图像处理和坐标系配准的流程。针对舱段相对转角的实际测量精度达到0.1°以内,满足实际装配中非接触,高精度,快速化及无靶标等需求,为实现舱段自动化装配奠定了研究基础。
刘瑞珍[9]（2020）在《深度学习方法研究及在偏光片缺陷检测中的应用》文中研究说明在产品的制造过程中,不可避免地会产生缺陷,这些缺陷不仅会使产品的使用性能下降,严重的甚至会导致安全隐患。随着用户和生产企业对产品的质量要求越来越高,对产品进行在线缺陷检测成为了一个很重要的环节。利用机器视觉检测缺陷是实现设备智能化的有效手段。在实际工业生产中,由于产品表面缺陷种类繁多、形状多样,传统的机器视觉图像处理方法对缺陷特征难以准确的描述,提取缺陷特征的有效性低,导致缺陷检测及分类的正确率难以满足工业需求。深度学习是一种让计算机自动学习出模式特征的方法,其将特征学习融入到了建立模型的过程中,减少了人为设计特征造成的不完备性。因此,本文利用深度学习方法对偏光片产品缺陷进行检测及分类,设计了深度学习图像分类网络,提高了缺陷分类的正确率。但是,深度学习网络模型的复杂化易导致算法的时间复杂度的急剧提升和计算资源开销过大等问题,结合工业生产中偏光片缺陷检测的实时性要求,提出了深度学习模型压缩网络,在保证缺陷分类正确率的前提下,有效降低了模型运行对硬件环境的依赖性,提高了在线学习的快速性、满足了在线检测的实时性。论文的主要研究内容及创新性工作总结如下:（1）针对经典的深度学习分类网络Alex Net中传统卷积层提取缺陷特征能力有限及全连接层参数量巨大的问题,本文提出了基于多层卷积模块的深度学习分类网络。一是用多层卷积模块代替Alex Net网络中的传统卷积层,实现了跨通道的特征融合,丰富了提取到的缺陷特征,提高了网络的表达能力。二是用全局均值池化层代替了Alex Net网络中的全连接层,极大地减少了网络的参数量,防止了过拟合现象的发生。实验结果显示,本文构建的基于多层卷积模块的深度学习分类网络总的参数量比Alex Net减少了一个数量级,进行偏光片图像缺陷检测时其分类正确率比Alex Net提高了2.4%。（2）针对工业应用的实时性要求,本文提出了基于并行模块的模型压缩网络。主要是将不同尺寸卷积核的卷积层相混合来构建并行模块,提高了模块提取缺陷特征的能力,然后利用深度可分离卷积代替并行模块中的3×3的传统卷积,减少了网络的参数量及计算量。实验结果显示,利用并行模块构建的模型压缩网络进行偏光片缺陷检测时,其分类正确率比Mobile Net提高了0.5%,分类速度提高了45.4%,网络总的参数量和乘法累加运算量均比Mobile Net减少了两个数量级,最终的模型大小比Mobile Net缩小了95.78%。（3）为了更进一步地压缩深度学习网络,本文提出了高效的轻量级模型压缩网络。第一、在并行模块的每一个卷积层之后都添加批量归一化层形成了并行归一化模块,加快了网络训练时的收敛速度,避免了网络反向传播时梯度消失问题的发生。第二、将并行归一化模块中的3×3深度卷积空间拆分为1×3+3×1的深度卷积构成了并行非对称卷积模块,既增加了网络提取缺陷特征的能力,又减少了网络的参数量和计算量。实验结果显示,利用前述两种模块构建成的高效的轻量级模型压缩网络进行偏光片缺陷在线检测时,无论是分类正确率、分类速度还是模型占用的内存方面均优于经典的模型压缩网络Squeeze Net和Mobile Net。（4）针对所设计的高效的轻量级模型压缩网络,研究了网络中模块的参数优化组合问题,得到了一组最优的参数组合构成了最终的缺陷检测网络DDN。实验结果显示,经过优化后的DDN网络在对偏光片进行在线缺陷检测及分类时,虽然单张图片的分类时间较未经参数优化的网络的分类时间变化不大,但是其分类精度提高了0.1%,模型大小减小了44.9%。（5）开发了缺陷自动实时检测系统,设计了人机交互界面,对硬件平台中的核心部件进行了分析与选型。开发的系统实现了偏光片缺陷图像自动快速识别,人机界面友好,实现了缺陷检测结果的存储与查询。
张睿倩[10]（2020）在《基于LabVIEW的PCB板分割缺陷视觉检测系统研究与设计》文中认为近年来,人们越来越关注“智能化”和“用工荒”两大问题。PCB板分割作为电子制造业的基础,其生产制造的智能化程度和人才质量问题也受到人们越来越多的关注。面对目前电子制造行业中PCB板分割检测技术相对较低和用工困难的现状,文章提出利用Lab VIEW软件平台辅助实现PCB板的智能分割检测的系统研究与设计,为实现PCB板切割的有效控制,进行了如下的研究:（1）针对PCB板分割的图像算法分析,并对分割缺陷视觉检测过程中所涉及的系统视觉处理算法（图像灰度检测、图像边缘检测滤波处理操作、Erosion灰度高级形态学操作、改进的Hough直线位置检测以及PCB板缺陷模板匹配算法）进行了举例阐述并研究;其中图像灰度检测、图像边缘检测滤波处理操作和Erosion灰度高级形态学操作能够使图像得到更明显更好的处理效果;并且利用极坐标的方法改进的Hough直线位置检测算法,能够在提高生产效率的同时,进一步提高位置检测的准确率;利用PCB板缺陷模板匹配算法能够通过不断对模板库的完善而提高对PCB板缺陷检测的识别率。（2）针对PCB板的分割工艺流程和特性,对分割工艺系统的控制要求、系统的功能描述和对硬件系统的设计选型进行了分析。（3）对PCB板分割检测系统进行软件设计和分割缺陷视觉检测系统的软件测试,其中包括Lab VIEW前面板、程序框图程序、主控系统程序、信息交互程序。它们分别实现PCB板视觉检测功能、PCB板分割控制功能、Lab VIEW软件与PLC及机械手之间信息交互功能。
二、机器视觉技术在工业中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、机器视觉技术在工业中的应用（论文提纲范文）
（1）机器视觉研究进展及工业应用综述（论文提纲范文）
| 1 绪论 |
| 2 机器视觉技术发展现状 |
| 3 机器视觉系统的组成 |
| 3.1 硬件 |
| 3.2 软件 |
| 4 机器视觉技术应用 |
| 4.1 表面瑕疵检测 |
| 4.2 智能装配与分拣 |
| 4.3 家居板件尺寸测量 |
| 5 结束语 |
（2）基于全角度扫描光源的低适光性表面缺陷视觉检测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题意义 |
| 1.2 机器视觉检测系统概述 |
| 1.2.1 图像采集单元 |
| 1.2.2 图像处理单元 |
| 1.2.3 执行单元 |
| 1.3 国内外研究现状 |
| 1.3.1 机器视觉缺陷检测 |
| 1.3.2 表面缺陷检测算法 |
| 1.4 本文的章节安排 |
| 第二章 缺陷检测系统总体方案 |
| 2.1 低适光平面缺陷检测 |
| 2.1.1 低适光平面缺陷检测原理 |
| 2.1.2 不锈钢磨削表面缺陷检测分析 |
| 2.1.3 黑色喷砂氧化铝板面缺陷检测分析 |
| 2.2 低适光曲面缺陷检测 |
| 2.2.1 低适光曲面缺陷检测原理 |
| 2.2.2 镀铝反射镜平凹柱面缺陷检测分析 |
| 2.2.3 轴承钢球面缺陷检测分析 |
| 2.3 检测系统总体方案 |
| 2.3.1 表面缺陷检测流程 |
| 2.3.2 全角度扫描照明方案 |
| 2.3.3 系统分级控制方案 |
| 2.3.4 图像处理算法框架 |
| 2.4 本章小结 |
| 第三章 缺陷检测系统设计 |
| 3.1 空间全角度扫描光源 |
| 3.1.1 LED点光源设计 |
| 3.1.2 LED单元空间分布方案 |
| 3.1.3 LED光源的驱动 |
| 3.1.4 空间全角度扫描光源的控制 |
| 3.2 检测系统硬件平台 |
| 3.2.1 图像采集模块 |
| 3.2.2 控制计算模块 |
| 3.2.3 检测台及支架 |
| 3.3 检测系统软件平台 |
| 3.3.1 上位机软件设计 |
| 3.3.2 下位机控制程序设计 |
| 3.4 本章小结 |
| 第四章 光源阵列标定及系统功能验证 |
| 4.1 LED单元发光模型 |
| 4.1.1 LED点光源发光模型 |
| 4.1.2 LED单元锥形发光模型 |
| 4.2 LED单元光源位置标定 |
| 4.2.1 相机标定 |
| 4.2.2 计算球心和高光点位置 |
| 4.2.3 计算LED单元光源位置 |
| 4.3 LED单元光源主光轴标定 |
| 4.3.1 提取高亮光斑边界 |
| 4.3.2 主光轴求解 |
| 4.4 检测系统功能验证 |
| 4.4.1 空间全角度扫描光源测试 |
| 4.4.2 检测系统功能验证 |
| 4.5 本章小结 |
| 第五章 高纹理平面缺陷检测方法设计 |
| 5.1 不锈钢磨削表面缺陷检测 |
| 5.1.1 方位扫描照明方案设计 |
| 5.1.2 图像处理算法 |
| 5.1.3 检测结果对比与分析 |
| 5.2 黑色喷砂氧化铝板表面缺陷检测 |
| 5.2.1 低角度环形扫描照明方案设计 |
| 5.2.2 图像处理算法 |
| 5.2.3 检测结果对比与分析 |
| 5.3 本章小结 |
| 第六章 高反光曲面缺陷检测方法设计 |
| 6.1 镀铝反射镜平凹柱面缺陷检测实验 |
| 6.1.1 组合扫描照明方案设计 |
| 6.1.2 图像处理算法 |
| 6.1.3 检测结果与分析 |
| 6.2 轴承钢球表面微缺陷检测实验 |
| 6.2.1 环形扫描照明方案设计 |
| 6.2.2 图像处理算法 |
| 6.2.3 检测系统参数的确定 |
| 6.2.4 钢球表面微缺陷检测结果 |
| 6.3 球面微缺陷检测照明方案优化 |
| 6.3.1 照明方案优化 |
| 6.3.2 照明方案优化后微缺陷检测结果 |
| 6.4 本章小节 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 创新点 |
| 7.3 展望 |
| 致谢 |
| 参考文献 |
| 附录 Ⅰ:作者在攻读硕士学位期间发表的论文 |
| 附录 Ⅱ:空间全角度扫描光源标定结果 |
（3）高频变压器外观缺陷的视觉智能检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于机器视觉的表面缺陷检测研究现状 |
| 1.2.2 深度学习算法在工业领域的研究现状 |
| 1.2.3 高频变压器缺陷检测研究现状 |
| 1.3 研究内容 |
| 1.4 本章小结 |
| 第二章 视觉检测系统的构建 |
| 2.1 高频变压器外观缺陷分析 |
| 2.1.1 高频变压器生产工艺分析 |
| 2.1.2 缺陷分析 |
| 2.1.3 缺陷分类与检测流程 |
| 2.2 视觉检测系统整体方案设计 |
| 2.2.1 图像采集部分 |
| 2.2.2 图像处理部分 |
| 2.2.3 特征提取部分 |
| 2.3 图像采集部分 |
| 2.3.1 工业相机选型 |
| 2.3.2 光源选型及光照布置 |
| 2.3.3 镜头选型 |
| 2.3.4 采集图像过程 |
| 2.4 本章小结 |
| 第三章 基于机器视觉的高频变压器表面缺陷检测方法 |
| 3.1 图像通道变换 |
| 3.1.1 灰度化 |
| 3.1.2 HSV分析 |
| 3.2 图像增强 |
| 3.2.1 对比度增强 |
| 3.2.2 直方图均衡化 |
| 3.3 图像去噪 |
| 3.3.1 中值滤波 |
| 3.3.2 双边滤波 |
| 3.4 图像分割 |
| 3.4.1 阈值分割 |
| 3.4.2 边缘检测 |
| 3.5 缺陷检测 |
| 3.6 实验结果分析 |
| 3.7 本章小结 |
| 第四章 基于频域分析的高频变压器内胶破损缺陷识别算法 |
| 4.1 算法流程 |
| 4.2 快速傅里叶变换 |
| 4.3 频域滤波器设计 |
| 4.3.1 Gabor滤波器 |
| 4.3.2 带阻滤波器 |
| 4.3.3 频域滤波器选择 |
| 4.4 缺陷分割 |
| 4.5 形态学处理 |
| 4.6 特征提取 |
| 4.7 GMM分类器 |
| 4.8 实验结果分析 |
| 4.9 本章小结 |
| 第五章 基于深度学习的高频变压器骨架破损缺陷识别算法 |
| 5.1 主流的深度学习图像识别网络 |
| 5.1.1 VGG网络 |
| 5.1.2 ResNet网络 |
| 5.1.3 Inception系列网络 |
| 5.2 基于Inception V4 的高频变压器骨架破损识别网络设计 |
| 5.3 实验数据与预处理 |
| 5.3.1 数据扩充 |
| 5.3.2 数据预处理 |
| 5.4 模型训练及优化 |
| 5.4.1 迁移学习 |
| 5.4.2 模型训练优化 |
| 5.4.3 参数设置 |
| 5.5 实验结果及分析 |
| 5.5.1 评价指标 |
| 5.5.2 实验结果 |
| 5.5.3 对比分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（4）基于机器视觉的模拟仪表自动识别与监控方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状及存在的问题 |
| 1.2.1 指针式仪表 |
| 1.2.2 浮子流量计 |
| 1.3 本文的主要工作安排及结构安排 |
| 1.3.1 本文完成的主要工作 |
| 1.3.2 本文的结构安排 |
| 第二章 基于SSD的模拟仪表自动识别与监控方法相关理论 |
| 2.1 基于SSD的模拟仪表自动识别与监控方法框架设计 |
| 2.2 SSD的基本原理与实现 |
| 2.2.1 SSD算法原理 |
| 2.2.2 基于SSD算法的模拟仪表分类与定位 |
| 2.3 数字图像处理常用方法 |
| 2.3.1 图像的二值化 |
| 2.3.2 色彩空间转换 |
| 2.4 本章小结 |
| 第三章 指针式仪表盘的定位与提取 |
| 3.1 表盘预处理 |
| 3.1.1 图像亮度调整算法 |
| 3.1.2 霍夫变换 |
| 3.1.3 连通区域分析 |
| 3.2 仪表盘定位与提取 |
| 3.3 本章小结 |
| 第四章 指针式仪表读数识别 |
| 4.1 指针检测及指针角度计算 |
| 4.1.1 定位指针区域及仪表圆心 |
| 4.1.2 细化指针与直线拟合 |
| 4.1.3 指针方向判断机制 |
| 4.2 检测最大刻度及其角度计算 |
| 4.2.1 边缘检测 |
| 4.2.2 最大刻度区域检测及计算最大刻度角度 |
| 4.3 最大量程数字识别 |
| 4.3.1 最大量程数字的提取与分割 |
| 4.3.2 常用的数字字符识别算法 |
| 4.3.3 基于CNN的数字字符识别算法 |
| 4.4 读数计算 |
| 4.4.1 刻度法 |
| 4.4.2 角度法 |
| 4.5 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 浮子流量计自动监控方法研究 |
| 5.1 浮子流量计自动监控方法设计 |
| 5.1.1 工作范围的定位与提取 |
| 5.1.2 漏检的浮子检测 |
| 5.1.2.1 模板匹配 |
| 5.1.2.2 漏检浮子检测流程 |
| 5.2 实验结果与分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（5）基于机器视觉的半导体表面字符质量检测系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 机器视觉发展历程 |
| 1.2.2 机器视觉在字符质量检测方面的应用 |
| 1.3 现有系统存在问题及完善思路 |
| 1.4 论文研究内容及章节安排 |
| 2 字符质量检测系统设计 |
| 2.1 系统总体结构设计 |
| 2.1.1 设计思路 |
| 2.1.2 系统设计要求 |
| 2.1.3 系统总体结构 |
| 2.2 视觉系统设计 |
| 2.2.1 相机 |
| 2.2.2 镜头 |
| 2.2.3 光源 |
| 2.3 软件系统设计 |
| 2.3.1 图像处理软件 |
| 2.3.2 交互界面设计 |
| 2.3.3 软件实现功能 |
| 2.4 本章小结 |
| 3 半导体表面字符图像处理 |
| 3.1 图像预处理算法研究 |
| 3.1.1 灰度拉伸 |
| 3.1.2 常用滤波算法研究 |
| 3.1.3 二值化图像常用算法分析 |
| 3.2 字符定位与倾斜矫正算法实现 |
| 3.2.1 字符区域定位 |
| 3.2.2 倾斜矫正 |
| 3.3 字符分割算法研究 |
| 3.3.1 常见字符分割算法研究 |
| 3.3.2 改进的投影分割算法 |
| 3.3.3 归一化处理的应用 |
| 3.4 本章小结 |
| 4 字符识别算法研究 |
| 4.1 芯片表面字符特征研究 |
| 4.2 基于模板匹配的字符识别算法研究 |
| 4.2.1 字符特征提取 |
| 4.2.2 传统的模板匹配算法 |
| 4.2.3 改进的模板匹配算法 |
| 4.3 基于神经网络的字符识别算法研究 |
| 4.3.1 两种常见神经网络及其区别 |
| 4.3.2 卷积神经网络 |
| 4.3.3 基于残差网络的字符识别网络设计 |
| 4.3.4 基于残差网络的字符分类设计 |
| 4.4 本章小结 |
| 5 系统实现与测试 |
| 5.1 系统实现 |
| 5.1.1 机械平台实现 |
| 5.1.2 系统功能实现 |
| 5.1.3 系统控制软件操作界面实现 |
| 5.2 系统测试及结果分析 |
| 5.2.1 系统实时性测试 |
| 5.2.2 硬件线路测试 |
| 5.2.3 软件测试类型 |
| 5.2.4 系统功能测试 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（6）机器视觉在软包动力锂电池极耳焊接缺陷检测中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 机器视觉理论研究现状 |
| 1.3 机器视觉在工业中的应用现状 |
| 1.4 论文主要内容与结构 |
| 1.4.1 主要研究内容 |
| 1.4.2 论文结构 |
| 第二章 软包动力锂电池的特性与焊缝缺陷类型分析 |
| 2.1 软包动力电池的特性 |
| 2.1.1 软包动力锂电池的优点 |
| 2.1.2 软包动力电池的结构 |
| 2.2 极耳焊缝缺陷的生成机理与缺陷类型 |
| 2.2.1 极耳焊缝缺陷的生成机理 |
| 2.2.2 极耳焊缝的缺陷类型 |
| 2.3 本章小结 |
| 第三章 基于形态学重建与OTSU的极耳焊缝图像分割方法 |
| 3.1 引言 |
| 3.2 图像分割方法概述 |
| 3.2.1 焊接图像分割方法 |
| 3.2.2 极耳焊缝图像分割方法分析 |
| 3.3 极耳焊缝图像预处理 |
| 3.3.1 灰度变换 |
| 3.3.2 图像去噪 |
| 3.3.3 极耳焊缝图像增强 |
| 3.4 形态学开闭混合重建 |
| 3.5 极耳焊缝图像分割 |
| 3.5.1 OTSU阈值分割 |
| 3.5.2 基于粒子群算法的图像分割 |
| 3.5.3 基于最大熵算法的图像分割 |
| 3.5.4 均值迭代分割 |
| 3.6 实验分析 |
| 3.6.1 极耳焊缝增强实验结果与分析 |
| 3.6.2 分割实验结果与分析 |
| 3.7 本章小结 |
| 第四章 极耳焊缝缺陷的特征提取与分类识别 |
| 4.1 引言 |
| 4.2 常用的特征提取方法 |
| 4.3 极耳焊缝缺陷的特征参数计算 |
| 4.3.1 极耳焊缝缺陷的形状特征 |
| 4.3.2 极耳焊缝缺陷的几何特征 |
| 4.4 极耳焊缝缺陷特征的选择 |
| 4.5 极耳焊缝缺陷的分类 |
| 4.5.1 基于决策树的极耳焊缝识别算法 |
| 4.5.2 基于特征值的模板匹配法 |
| 4.6 实验分析 |
| 4.6.1 基于决策树分类实验 |
| 4.6.2 基于特征值的模板匹配分类实验 |
| 4.7 本章小结 |
| 第五章 极耳焊缝缺陷检测平台总体设计 |
| 5.1 系统方案设计 |
| 5.2 硬件平台 |
| 5.2.1 相机的选择 |
| 5.2.2 镜头的选择 |
| 5.2.3 光源的选择 |
| 5.2.4 运动控制平台 |
| 5.3 软件平台 |
| 5.3.1 软件平台设计 |
| 5.3.2 开发环境 |
| 5.3.3 开发工具 |
| 5.4 系统界面设计与测试 |
| 5.4.1 界面设计 |
| 5.4.2 系统测试与分析 |
| 5.5 本章小结 |
| 总结与展望 |
| 本文总结 |
| 研究展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间的研究成果及发表的学术论文 |
（7）基于Halcon工业相机标定系统的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容 |
| 1.4 本章小结 |
| 第2章 工业相机标定系统组成 |
| 2.1 相机标定系统的组成 |
| 2.2 主要研究内容框图 |
| 2.3 相机标定的意义 |
| 2.4 相机标定方法选择 |
| 2.5 相机标定原理 |
| 2.6 相机标定系统重难点分析 |
| 2.7 本章小结 |
| 第3章 工业相机标定系统硬件 |
| 3.1 标定板选型与制作 |
| 3.2 镜头原理与选型 |
| 3.3 相机原理与选型 |
| 3.4 光源原理与选型 |
| 3.5 打光方式的选择 |
| 3.6 本章小结 |
| 第4章 图像预处理 |
| 4.1 Halcon软件 |
| 4.2 图像增强 |
| 4.3 图像ROI提取 |
| 4.4 边缘提取 |
| 4.5 本章小结 |
| 第5章 相机标定 |
| 5.1 相机标定流程 |
| 5.2 标定图像采集 |
| 5.3 相机标定核心代码设计及算子应用 |
| 5.4 标定结果分析 |
| 5.5 硬币外圈直径的测量 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 论文创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 个人简介 |
（8）相机测量技术在舱段自动对接中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 论文背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 舱段自动对接的研究现状 |
| 1.2.2 工业相机测量技术的总体研究现状 |
| 1.2.3 工业相机测量技术在精密装配领域的研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 舱段销孔对接的测量总体方案 |
| 2.1 引言 |
| 2.2 舱段自动对接过程中的舱段位姿测量目标 |
| 2.3 舱段相对转角的测量总体方案 |
| 2.3.1 单目视觉系统测量方案及相关理论 |
| 2.3.2 双目视觉系统测量方案及相关理论 |
| 2.4 图像处理软件Halcon介绍 |
| 2.5 本章小结 |
| 第三章 单目视觉系统在舱段自动对接过程中的应用研究 |
| 3.1 引言 |
| 3.2 单目视觉系统测量方案的原理及硬件组成 |
| 3.2.1 单目视觉系统测量方案的原理 |
| 3.2.2 单目视觉系统测量方案的硬件组成 |
| 3.2.3 相机、镜头、标定板的选择 |
| 3.3 单目视觉系统的相机标定 |
| 3.3.1 相机标定的原理研究 |
| 3.3.2 相机标定的流程 |
| 3.4 单目视觉系统的图像处理 |
| 3.4.1 图像采集及预处理 |
| 3.4.2 灰度阈值分割及连通域处理 |
| 3.4.3 形态学处理及感兴趣区域(ROI)提取 |
| 3.4.4 亚像素边缘提取 |
| 3.4.5 椭圆拟合 |
| 3.5 相机坐标系配准 |
| 3.6 舱段相对转角 α 的计算 |
| 3.7 单目视觉系统在舱段位姿测量模拟样机的应用 |
| 3.8 本章小结 |
| 第四章 双目视觉系统在舱段自动对接过程中的应用研究 |
| 4.1 引言 |
| 4.2 双目视觉系统的测量原理及硬件组成 |
| 4.2.1 双目视觉系统的测量原理 |
| 4.2.2 双目视觉系统的硬件组成 |
| 4.3 双目视觉系统的相机标定及立体矫正 |
| 4.3.1 相机标定的原理研究 |
| 4.3.2 相机标定的流程 |
| 4.3.3 立体矫正 |
| 4.4 双目视觉系统的立体匹配及三维坐标获取 |
| 4.4.1 立体匹配的原理研究 |
| 4.4.2 立体匹配及三维坐标获取的流程 |
| 4.5 相机坐标系配准 |
| 4.6 舱段相对转角 α 的计算 |
| 4.7 双目视觉系统在舱段位姿测量模拟样机的应用 |
| 4.8 单目视觉系统与双目视觉系统的对比 |
| 4.9 本章小结 |
| 第五章 工业相机测量在实际舱段装配平台的应用 |
| 5.1 引言 |
| 5.2 舱段装配平台组成 |
| 5.3 舱段装配平台的舱段对接流程 |
| 5.4 单目视觉系统在舱段装配平台的应用 |
| 5.5 单目视觉系统测量精度验证 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）深度学习方法研究及在偏光片缺陷检测中的应用（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 偏光片及表面缺陷 |
| 1.1.2 偏光片表面缺陷检测技术研究现状 |
| 1.2 传统的机器视觉检测表面缺陷存在的问题 |
| 1.3 深度学习及其在缺陷检测中的应用 |
| 1.3.1 深度学习网络 |
| 1.3.2 深度学习在缺陷检测中的应用 |
| 1.4 本论文的主要研究内容 |
| 第二章 基于多层卷积模块的深度学习分类网络 |
| 2.1 基于多层卷积模块的深度学习缺陷分类网络 |
| 2.1.1 深度学习基网络分类性能的比较研究 |
| 2.1.2 基于多层卷积模块的深度学习缺陷分类网络的设计 |
| 2.1.3 多层卷积模块MCM的设计 |
| 2.1.4 全局均值池化(GAP)层 |
| 2.1.5 激活函数—ReLU |
| 2.1.6 局部响应归一化(LRN)操作 |
| 2.1.7 最大值池化操作 |
| 2.2 偏光片缺陷检测实验结果对比及分析 |
| 2.3 本章小结 |
| 第三章 基于并行模块的模型压缩网络 |
| 3.1 基于并行模块的模型压缩网络 |
| 3.1.1 模型压缩基网络性能的比较研究 |
| 3.1.2 基于并行模块的模型压缩网络的设计 |
| 3.1.3 批量归一化(BN)操作 |
| 3.1.4 并行模块的设计 |
| 3.2 偏光片缺陷检测实验结果对比及分析 |
| 3.3 本章小结 |
| 第四章 高效的轻量级模型压缩网络 |
| 4.1 高效的轻量级模型压缩网络 |
| 4.1.1 卷积层的分解 |
| 4.1.2 高效的轻量级模型压缩网络的设计 |
| 4.1.3 并行归一化模块的设计 |
| 4.1.4 并行非对称卷积模块的设计 |
| 4.1.5 高效的轻量级模型压缩网络中参数的优化组合 |
| 4.2 偏光片缺陷检测实验结果对比及分析 |
| 4.3 本章小结 |
| 第五章 偏光片缺陷自动实时检测系统开发 |
| 5.1 偏光片缺陷自动实时检测系统的总体设计 |
| 5.2 偏光片缺陷自动实时检测系统的硬件平台 |
| 5.3 偏光片缺陷自动实时检测系统的软件平台 |
| 5.4 偏光片缺陷自动实时检测系统的软件界面及功能 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间主要研究成果 |
（10）基于LabVIEW的PCB板分割缺陷视觉检测系统研究与设计（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 1.绪论 |
| 1.1 课题背景及意义 |
| 1.2 PCB板分割技术现状 |
| 1.3 机器视觉在工业中的应用 |
| 1.3.1 机器视觉在工业中的应用 |
| 1.3.2 LabVIEW在工业中的应用 |
| 1.4 本论文主要工作 |
| 2.PCB板分割缺陷图像算法分析 |
| 2.1 图像预处理操作 |
| 2.2 图像灰度检测 |
| 2.3 图像滤波操作 |
| 2.4 高级形态学操作 |
| 2.5 PCB板位置检测算法 |
| 2.6 PCB板分割识别缺陷算法研究 |
| 2.7 本章小结 |
| 3.PCB板分割工艺系统 |
| 3.1 PCB板分割工艺 |
| 3.2 PCB板分割系统功能描述 |
| 3.3 本章小结 |
| 4.PCB板分割检测系统软件设计 |
| 4.1 LabVIEW程序设计 |
| 4.1.1 基于LabVIEW的分割系统的前面板设计 |
| 4.1.2 基于LabVIEW软件平台的系统程序框图设计 |
| 4.2 PCB板主控系统设计 |
| 4.3 信息交互 |
| 4.4 本章小结 |
| 5.PCB板分割缺陷检测系统测试 |
| 5.1 PCB板分割系统平台描述 |
| 5.2 视觉检测软件测试 |
| 5.3 本章小结 |
| 6.结论与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
四、机器视觉技术在工业中的应用（论文参考文献）
- [1]机器视觉研究进展及工业应用综述[J]. 李祥瑞. 数字通信世界, 2021(11)
- [2]基于全角度扫描光源的低适光性表面缺陷视觉检测研究[D]. 冯超. 江南大学, 2021(01)
- [3]高频变压器外观缺陷的视觉智能检测方法研究[D]. 孙合锐. 江西理工大学, 2021(01)
- [4]基于机器视觉的模拟仪表自动识别与监控方法研究[D]. 靳一丹. 电子科技大学, 2021(01)
- [5]基于机器视觉的半导体表面字符质量检测系统研究[D]. 肖剑. 西安科技大学, 2020(01)
- [6]机器视觉在软包动力锂电池极耳焊接缺陷检测中的应用[D]. 李俊男. 福建工程学院, 2020(02)
- [7]基于Halcon工业相机标定系统的研究[D]. 杨少波. 长江大学, 2020(02)
- [8]相机测量技术在舱段自动对接中的应用研究[D]. 徐康力. 西安电子科技大学, 2020(05)
- [9]深度学习方法研究及在偏光片缺陷检测中的应用[D]. 刘瑞珍. 太原科技大学, 2020(03)
- [10]基于LabVIEW的PCB板分割缺陷视觉检测系统研究与设计[D]. 张睿倩. 辽宁科技大学, 2020(02)