【摘要】：在透鏡的生產(chǎn)過(guò)程中需要進(jìn)行多道工序,在每道工序所需要的時(shí)間一定的情況下,提升效率最有效的手段是減少各個(gè)工序之間的產(chǎn)品轉(zhuǎn)移時(shí)間。對(duì)于國(guó)內(nèi)的一些中小型工廠而言,這個(gè)步驟一般采用人工來(lái)完成,效率低下且人力成本越來(lái)越高。機(jī)器視覺(jué)技術(shù)是利用數(shù)字圖像處理手段對(duì)采集到的圖像進(jìn)行分析,從而提取出感興趣信息的方法,該技術(shù)由于高效,高可靠和低成本的特點(diǎn),在工業(yè)生產(chǎn)領(lǐng)域中得到了廣泛的應(yīng)用。將機(jī)器視覺(jué)技術(shù)引進(jìn)透鏡的生產(chǎn)中,可以提高整體的生產(chǎn)效率,降低工廠的用人成本。本文基于機(jī)器視覺(jué)設(shè)計(jì)了一種可以實(shí)現(xiàn)多目標(biāo)透鏡的定位和凹凸面識(shí)別的方法,主要包含以下幾個(gè)部分的內(nèi)容:針對(duì)傳統(tǒng)連通域標(biāo)記算法無(wú)法區(qū)分緊靠在一起的目標(biāo)的缺點(diǎn),提出了一種改進(jìn)的連通域標(biāo)記算法。該算法只需要掃描一次圖像,就能夠提取出每個(gè)單獨(dú)目標(biāo)區(qū)域的內(nèi)部輪廓以及對(duì)應(yīng)的面積和外接矩形的信息,完成圖像的分割。將每個(gè)提取出的目標(biāo)區(qū)域的外接矩形的中心點(diǎn)坐標(biāo)作為對(duì)應(yīng)透鏡的坐標(biāo),經(jīng)過(guò)驗(yàn)證,定位精度能達(dá)到1 mm。使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)作為分類器,實(shí)現(xiàn)了透鏡凹凸面的識(shí)別。首先通過(guò)參數(shù)對(duì)比實(shí)驗(yàn)確定單個(gè)模型的參數(shù),然后將集成學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合,構(gòu)建了CNN集成模型,使系統(tǒng)對(duì)凹凸面的識(shí)別準(zhǔn)確率進(jìn)一步提升,經(jīng)過(guò)檢驗(yàn),該集成模型的識(shí)別率達(dá)到了99%。系統(tǒng)采用FPGA+PC的方式實(shí)現(xiàn),將圖像的采集,預(yù)處理和連通域標(biāo)記這些易于并行實(shí)現(xiàn)的算法在FPGA端進(jìn)行實(shí)現(xiàn),將計(jì)算復(fù)雜的卷積神經(jīng)網(wǎng)絡(luò)在PC端實(shí)現(xiàn),數(shù)據(jù)通過(guò)千兆以太網(wǎng)進(jìn)行傳輸。經(jīng)過(guò)驗(yàn)證后,該方案切實(shí)可行,能夠滿足實(shí)際的需要。
【圖文】：

常見的光學(xué)元件，對(duì)他的記載最早可以追述到 2000南萬(wàn)畢術(shù)》一書中的冰透鏡。透鏡在人類的生活和發(fā)它可以制成眼鏡，矯正人們的視力；可以用在相機(jī)中以用在電子顯微鏡中，觀察肉眼不可見的微觀世界。1 世紀(jì)，透鏡已經(jīng)滲透到了我們生活中越來(lái)越多的領(lǐng)的需求量很大，在我國(guó)有很多的工廠從事研發(fā)和生產(chǎn)程中需要進(jìn)行多道工序，比如拋光和鍍膜工藝，這些了，，為了進(jìn)一步提高生產(chǎn)的效率，人們將目光放在了接時(shí)間上，也就是如何對(duì)這些透鏡進(jìn)行快速有效的圖像。

基于機(jī)器視覺(jué)的多目標(biāo)透鏡位置與凹凸面識(shí)別系統(tǒng)的研究機(jī)器視覺(jué)是一門新興學(xué)科[1]，典型的機(jī)器視覺(jué)系統(tǒng)如圖 1.2 所示，它通過(guò)圖集裝置將目標(biāo)轉(zhuǎn)換成圖像信號(hào)并傳入計(jì)算機(jī)，在計(jì)算機(jī)中通過(guò)程序提取出需信息比如目標(biāo)位置或者目標(biāo)種類后，最后將這些信息傳輸給后續(xù)的控制機(jī)構(gòu)世紀(jì) 90 年代以前，機(jī)器視覺(jué)技術(shù)大多數(shù)還停留在實(shí)驗(yàn)室階段，很少出現(xiàn)在領(lǐng)域，90 年代以后隨著計(jì)算機(jī)工業(yè)水平的提高以及高亮 LED 光源的不斷發(fā)為機(jī)器視覺(jué)進(jìn)入工業(yè)領(lǐng)域打下了基礎(chǔ)，而數(shù)字圖像處理技術(shù)的不斷進(jìn)步，徹機(jī)器視覺(jué)技術(shù)完成了從理論到應(yīng)用的轉(zhuǎn)化[2-4]。由于機(jī)器視覺(jué)技術(shù)的高可靠高速性，功能多等優(yōu)秀特性，已經(jīng)在工業(yè)領(lǐng)域中得到了大量的應(yīng)用[5-7]，例牌檢測(cè)[8-9]，產(chǎn)品表面瑕疵檢測(cè)[10-11]和零件尺寸測(cè)量[12-13]等。
【學(xué)位授予單位】：江蘇大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TH74;TP391.41;TP183

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張鵬;陳湘軍;阮雅端;陳啟美;;采用稀疏SIFT特征的車型識(shí)別方法[J];西安交通大學(xué)學(xué)報(bào);2015年12期

2 趙巧敏;;機(jī)器視覺(jué)行業(yè)投資分析報(bào)告[J];機(jī)器人技術(shù)與應(yīng)用;2015年05期

3 陳英;;機(jī)器視覺(jué)檢測(cè)技術(shù)在工業(yè)檢測(cè)中的應(yīng)用[J];電子測(cè)試;2015年18期

4 于瀟宇;郭玉波;陳剛;葉東;;基于點(diǎn)目標(biāo)連通域標(biāo)記的實(shí)時(shí)特征提取及其分布式運(yùn)算[J];光學(xué)學(xué)報(bào);2015年02期

5 王凱;黃山;趙瑜;張洪斌;;面向圖像目標(biāo)提取的改進(jìn)連通域標(biāo)記算法[J];計(jì)算機(jī)工程與設(shè)計(jì);2014年07期

6 孫博;王建東;陳海燕;王寅同;;集成學(xué)習(xí)中的多樣性度量[J];控制與決策;2014年03期

7 劉振宇;李中生;趙雪;鄒風(fēng)山;;基于機(jī)器視覺(jué)的工業(yè)機(jī)器人分揀技術(shù)研究[J];制造業(yè)自動(dòng)化;2013年17期

8 吳春花;杜培軍;夏俊士;;一種基于投票法融合的ASTER遙感影像水體提取方法[J];遙感信息;2012年02期

9 譚許彬;謝宜壯;陳禾;邊明明;;基于FPGA的連通域標(biāo)記設(shè)計(jì)與實(shí)現(xiàn)[J];信號(hào)處理;2011年11期

10 劉穎超,張紀(jì)元;梯度下降法[J];南京理工大學(xué)學(xué)報(bào)(自然科學(xué)版);1993年02期

相關(guān)碩士學(xué)位論文 前7條

1 王文慧;光纖光纜表面缺陷在線智能識(shí)別系統(tǒng)設(shè)計(jì)[D];南京郵電大學(xué);2018年

2 李智超;基于神經(jīng)網(wǎng)絡(luò)車牌圖像識(shí)別系統(tǒng)[D];吉林大學(xué);2018年

3 楊恒;基于視覺(jué)的工業(yè)紐扣自動(dòng)分類識(shí)別編碼[D];福建師范大學(xué);2017年

4 張瑞;基于CNN的工業(yè)環(huán)境字符識(shí)別方法研究[D];哈爾濱工業(yè)大學(xué);2017年

5 何澤強(qiáng);基于機(jī)器視覺(jué)的工業(yè)機(jī)器人分揀系統(tǒng)設(shè)計(jì)[D];哈爾濱工業(yè)大學(xué);2016年

6 劉國(guó)陽(yáng);基于機(jī)器視覺(jué)的微小零件尺寸測(cè)量技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2014年

7 李航;基于FPGA和千兆以太網(wǎng)（GigE）的圖像處理系統(tǒng)設(shè)計(jì)[D];南京理工大學(xué);2014年

本文編號(hào)：2639392