壓敏電阻的質(zhì)量好壞直接影響著它的性能,而計算機識別和人類肉眼識別都是無法從內(nèi)部結(jié)構(gòu)去看壓敏電阻的質(zhì)量問題,所以外觀上的缺陷檢測就顯得很重要。良好的定位圖像中物體的方法是進行缺陷檢測必要的步驟。為了更準確地定位和分割壓敏電阻圖像以實現(xiàn)自動構(gòu)造深度學(xué)習(xí)所必須的壓敏電阻圖像數(shù)據(jù)集,本文提出了一種基于霍夫變換和數(shù)學(xué)形態(tài)學(xué)的壓敏電阻主體和針腳的定位和圖像分割方法。圍繞這個主題,本文的主要工作如下:（1）用實驗室提供的同軸光源裝置采集壓敏電阻圖像正面照,以獲得消除表面反光的圖像。因為壓敏電阻存在良品和次品之分,所以最后我們共采集了兩種類型的壓敏電阻圖像。（2）將采集到的壓敏電阻圖像進行圖像的前期預(yù)處理。首先對圖像進行基于去噪、灰度化和二值化的預(yù)處理;然后使用基于圓檢測的霍夫變換定位電阻主體;為了進一步分離主體和針腳,先對定位好的主體部分進行邊緣查找,然后對主體內(nèi)部進行背景填充;最后使用數(shù)學(xué)形態(tài)學(xué)的腐蝕操作消除主體的邊緣痕跡,以定位針腳。（3）最后的實驗定位和分割表明,本文提出的方法的實際結(jié)果令人滿意,具有較好的目標分割效果,有利于提供可靠的深度學(xué)習(xí)所必須的壓敏電阻圖像數(shù)據(jù)集。 

【文章來源】： 龔博 桂林理工大學(xué)

【文章頁數(shù)】：54 頁

【學(xué)位級別】：碩士

【部分圖文】：

壓敏電阻示例

桂林理工大學(xué)碩士學(xué)位論文11表2.1去噪性能參數(shù)對比圖像均值濾波中值濾波中值濾波混合均值濾波3*3窗口5*5窗口3*3窗口5*5窗口3*3窗口5*5窗口PSNRMSEPSNRMSEPSNRMSEPSNRMSEPSNRMSEPSNRMSE133.2334.5535.4322.3130.2343.3331.2345.8934.7245.2337.2339.99232.1638.5634.5631.6530.3445.3230.5646.6533.2246.0234.5642.53330.5655.7732.5556.3230.4547.2333.0247.8731.2347.0537.2345.23431.5538.9434.2333.4531.5545.2231.5250.0132.3345.5536.6641.88531.7856.1230.1252.4529.9942.0334.0146.5234.0546.2335.8942.56632.0145.5432.1243.2331.0149.0132.5647.4735.0549.0535.3247.82730.3345.6831.6745.5432.5545.2332.8948.0332.9947.5539.0247.62831.6650.6733.0243.2332.0246.6634.0545.9933.3345.6640.0148.91（a）添加高斯噪聲圖像（b）噪聲圖像的直方圖（c）添加高斯噪聲圖像（d）噪聲圖像的直方圖圖2-1添加有高斯噪聲的圖像和直方圖從表2.1得知，在圖像添加有高斯噪聲和相同尺寸窗口時，經(jīng)過中值濾波混合均值濾波后，圖像的峰值信噪比是高于經(jīng)過均值濾過、中值濾波處理后的圖像的峰值信噪比，而且均方誤差也是低于經(jīng)過均值濾過、中值濾波處理后的圖像的均方誤差值。中值濾波抑制高斯噪聲的效果較差，而中值濾波混合均值濾波去噪處理的效果在窗口尺寸為3*3時救比均值濾波窗口為5*5時的效果明顯。由此，中值濾波混合均值濾波去噪效果在對于高斯噪音時，也是最好的選擇。

桂林理工大學(xué)碩士學(xué)位論文12（2）椒鹽噪聲去噪與添加高斯噪聲的步驟一樣，統(tǒng)一在相同的8張圖像中添加有1500個像素點的椒鹽噪聲，同樣使用窗口尺寸為3*3、5*5的均值濾波、中值濾波、中值濾波混合均值濾波等三種方法，其結(jié)果和噪聲圖像的直方圖如下：表2.2去噪性能參數(shù)對比圖像均值濾波中值濾波中值濾波混合均值濾波3*3窗口5*5窗口3*3窗口5*5窗口3*3窗口5*5窗口PSNRMSEPSNRMSEPSNRMSEPSNRMSEPSNRMSEPSNRMSE130.2369.1531.6346.3131.2323.1332.8120.8930.5445.6534.6226.98232.1660.1634.0645.6532.4420.6231.6626.9930.8246.4235.6225.83329.9955.8532.8546.0132.6519.2334.5618.6231.7348.9537.5325.01431.5568.9436.2350.0130.5522.2232.5220.0131.5150.1535.3530.88531.6866.7631.2249.4529.9925.0333.6123.2230.8551.6336.4629.36631.0165.0433.7247.2334.0121.2132.8625.6729.1349.9635.9927.86734.3355.9833.1748.6433.5525.3332.3221.6328.4647.9839.0728.17831.7659.6332.6247.2335.0220.6934.6519.0929.8648.3638.1128.65（a）添加椒鹽噪聲圖像（b）噪聲圖像的直方圖（c）添加椒鹽噪聲圖像（d）噪聲圖像的直方圖圖2-2添加有椒鹽噪聲的圖像和直方圖

【參考文獻】：
期刊論文
[1]水下氣泡光學(xué)圖像識別方法（英文）[J]. 張浩,李向春,楊倩,吳承璇,雷卓.  紅外與激光工程. 2019(03)
[2]一種基于FAsT-Match算法的多靶位定位方法[J]. 陳俊,鄭洪源.  計算機科學(xué). 2018(09)
[3]基于目標輪廓幾何特征的電容元件定位方法[J]. 倪堯,鮑宇.  計算機工程與科學(xué). 2017(08)
[4]融合深度及邊界信息的圖像目標識別[J]. 原彧鑫,周向東.  計算機應(yīng)用與軟件. 2017(04)
[5]基于OpenCV的人臉識別系統(tǒng)的研究[J]. 郭中華,苑俊英,伍馮潔,楊智,連億東.  電子世界. 2016(18)
[6]基于神經(jīng)網(wǎng)絡(luò)的車牌圖像定位算法[J]. 鐘彩,趙武初,楊興耀.  電腦知識與技術(shù). 2016(14)
[7]模板匹配優(yōu)化耦合圖像校正的旋轉(zhuǎn)工件目標定位算法[J]. 胡明星,王小蘭.  組合機床與自動化加工技術(shù). 2016(06)
[8]多特征融合的車牌定位算法[J]. 楊碩,張波,張志杰.  計算機應(yīng)用. 2016(06)
[9]一種基于圖像坐標檢測的目標定位方法[J]. 梅鴻翔.  計算機與數(shù)字工程. 2016(03)
[10]基于小波分析和多項式細分定位的超分辨率圖像重建算法[J]. 賀清碧,黃大榮,楊永琴.  計算機科學(xué). 2016(03)

碩士論文
[1]基于深度學(xué)習(xí)的路面修補檢測的設(shè)計與實現(xiàn)[D]. 白勝.北京郵電大學(xué) 2019
[2]球形多目標精確實時定位算法研究[D]. 米雅婷.南京大學(xué) 2017
[3]霧霾天氣下交通標志的檢測與識別[D]. 劉振.天津大學(xué) 2016
[4]PCB缺陷自動光學(xué)檢測研究[D]. 徐志超.東北大學(xué) 2014
[5]酸對油浸絕緣紙熱老化及其介電響應(yīng)特性研究[D]. 王曉劍.西南交通大學(xué) 2014
[6]人臉五官定位算法研究[D]. 李彥君.中北大學(xué) 2013
[7]基于局部分析的Hough變換形狀檢測關(guān)鍵技術(shù)研究[D]. 楊蘇.燕山大學(xué) 2009



本文編號：3034966