隨著人力勞動(dòng)成本的攀升,在裝配生產(chǎn)線上自動(dòng)化和智能化的需求越來越高。尤其是在一些微小精密零件的生產(chǎn)裝配線上,高強(qiáng)度高精度的要求往往是人力檢測(cè)達(dá)不到。本文針對(duì)液壓泵零件裝配質(zhì)量提出了高效智能的檢測(cè)方法,它應(yīng)用機(jī)器學(xué)習(xí)的手段檢測(cè)液壓泵的葉片零件在裝配過程中出現(xiàn)的問題。在硬件系統(tǒng)章節(jié),參考傳統(tǒng)機(jī)器視覺系統(tǒng)的架構(gòu),并根據(jù)液壓泵零件圖像的特點(diǎn)設(shè)計(jì)一套合適的硬件系統(tǒng),包括相機(jī)、光源、鏡頭和主機(jī)的信息,并給出檢測(cè)系統(tǒng)中每個(gè)硬件的關(guān)鍵參數(shù)以及選擇每個(gè)硬件的標(biāo)準(zhǔn)。綜合成本、性能等因素提出了一套合理的機(jī)器視覺方案。在圖像分割章節(jié),主要研究液壓泵圖像中的葉片提取算法。先是介紹閾值分割法和邊緣分割法等常用圖像分割方法,然后分析液壓泵裝配圖像的特點(diǎn),發(fā)現(xiàn)液壓泵零件圖像本身有豐富的幾何特征,例如由許多環(huán)形和矩形組成。利用底座圖像是個(gè)圓環(huán)的特點(diǎn),提出通過霍夫圓檢測(cè)手段檢測(cè)出底座和葉片的圖像,然后通過坐標(biāo)變換將其轉(zhuǎn)換到極坐標(biāo)系中,最后對(duì)極坐標(biāo)系中的底座和葉片圖像進(jìn)行像素投影從而得到葉片圖像。在圖像特征章節(jié),首先簡(jiǎn)單介紹了圖像特征中的角點(diǎn)特征和局部二值模式（LBP）特征。研究了葉片圖像在不同安裝狀態(tài)下的特點(diǎn)和各種特征的... 

【文章來源】：中國科學(xué)院大學(xué)(中國科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所)吉林省

【文章頁數(shù)】：79 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 引言
    1.2 研究工作的背景及選題意義
    1.3 相關(guān)領(lǐng)域的研究及現(xiàn)狀
        1.3.1 圖像分割研究現(xiàn)狀
        1.3.2 圖像特征研究現(xiàn)狀
        1.3.3 分類器研究現(xiàn)狀
    1.4 論文的主要內(nèi)容
第2章 硬件系統(tǒng)
    2.1 硬件系統(tǒng)架構(gòu)
    2.2 工業(yè)相機(jī)
    2.3 光源
    2.4 其他硬件
第3章 圖像分割
    3.1 經(jīng)典圖像分割方法介紹
        3.1.1 基于閾值的分割方法
        3.1.2 基于邊緣的圖像分割算法
    3.2 液壓泵裝配圖特性分析
    3.3 液壓泵裝配圖像分割
        3.3.1 算法流程
        3.3.2 底座區(qū)域提取
        3.3.3 極坐標(biāo)變換
        3.3.4 葉片區(qū)域提取
    3.4 圖像分割結(jié)果分析
第4章 圖像特征
    4.1 常用的特征提取方法
        4.1.1 角點(diǎn)特征
        4.1.2 局部二值模式特征
    4.2 葉片圖像特性分析
    4.3 Gabor灰度共生矩陣混合特征
    4.4 葉片識(shí)別結(jié)果分析
第5章 分類器
    5.1 邏輯回歸分類器
        5.1.1 邏輯回歸分類器原理
        5.1.2 求解邏輯回歸分類器的參數(shù)
    5.2 本文分類器
        5.2.1 支持向量機(jī)理論
        5.2.2 支持向量機(jī)模型
        5.2.3 選用支持向量機(jī)作為檢測(cè)系統(tǒng)分類器
    5.3 液壓泵裝配質(zhì)量檢測(cè)結(jié)果分析
    5.4 液壓泵裝配質(zhì)量檢測(cè)在線學(xué)習(xí)策略設(shè)計(jì)
        5.4.1 KCF和 MDNet算法中在線學(xué)習(xí)思想
        5.4.2 在線學(xué)習(xí)策略設(shè)計(jì)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 研究展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)歷及攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文與研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于邏輯回歸的車輛檢測(cè)方法研究[J]. 藍(lán)章禮,陳巍,楊揚(yáng).  電子設(shè)計(jì)工程. 2018(20)
[2]基于Prewitt算子的紅外圖像邊緣檢測(cè)改進(jìn)算法[J]. 安建堯,李金新,孫雙平.  杭州電子科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(05)
[3]人工神經(jīng)網(wǎng)絡(luò)中損失函數(shù)的研究[J]. 任進(jìn)軍,王寧.  甘肅高師學(xué)報(bào). 2018(02)
[4]基于Gabor變換和灰度梯度共生矩陣的超聲無損測(cè)溫研究[J]. 肖達(dá),王潤民,鄒孝,董胡,錢盛友,江劍輝.  傳感技術(shù)學(xué)報(bào). 2017(11)
[5]基于紋理特征和SVM的QuickBird影像蘋果園提取[J]. 宋榮杰,寧紀(jì)鋒,劉秀英,常慶瑞.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2017(03)
[6]一種改進(jìn)的HOUGH圓檢測(cè)快速算法[J]. 崔遠(yuǎn).  電子世界. 2017(06)
[7]一種視覺表格圖像全局閾值分割算法[J]. 聶仁燦,何敏,周冬明,余江,丁星麗.  激光與紅外. 2017(02)
[8]圖像分割方法綜述研究[J]. 周莉莉,姜楓.  計(jì)算機(jī)應(yīng)用研究. 2017(07)
[9]圖像分割綜述[J]. 何志明.  山東工業(yè)技術(shù). 2016(22)
[10]基于局部特征與全局特征的圖像顯著性目標(biāo)檢測(cè)[J]. 陳振學(xué),賀超,劉成云.  控制與決策. 2016(10)

博士論文
[1]臍橙表面缺陷的機(jī)器視覺快速檢測(cè)研究及嵌入式系統(tǒng)應(yīng)用[D]. 容典.浙江大學(xué) 2017

碩士論文
[1]基于機(jī)器視覺的軸承表面缺陷檢測(cè)與分類系統(tǒng)研究[D]. 宇文旋.電子科技大學(xué) 2018
[2]低空慢速小目標(biāo)檢測(cè)識(shí)別與威脅度評(píng)估[D]. 郭溪溪.中國科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所 2016
[3]基于機(jī)器視覺的零件尺寸檢測(cè)算法的研究及應(yīng)用[D]. 黃凌霄.南京信息工程大學(xué) 2016
[4]基于卷積神經(jīng)網(wǎng)絡(luò)和K鄰近算法的車標(biāo)識(shí)別[D]. 張鼎.西安電子科技大學(xué) 2015
[5]支持張量機(jī)的在線學(xué)習(xí)算法研究[D]. 周蓉.華南理工大學(xué) 2014
[6]基于機(jī)器視覺的零件識(shí)別和測(cè)量系統(tǒng)研究[D]. 鄧小峰.南京航空航天大學(xué) 2014
[7]基于機(jī)器視覺的滾針軸承表面及滾針針數(shù)缺陷檢測(cè)技術(shù)研究[D]. 杜月榮.西安電子科技大學(xué) 2014
[8]基于機(jī)器視覺的氣門組件裝配質(zhì)量在線檢測(cè)[D]. 李向東.華南理工大學(xué) 2013
[9]基于支持向量機(jī)的在線學(xué)習(xí)算法研究[D]. 劉健.浙江大學(xué) 2013
[10]軸承內(nèi)外徑光電檢測(cè)技術(shù)研究[D]. 高源.長(zhǎng)春理工大學(xué) 2013



本文編號(hào)：3557683