隨著機器視覺技術(shù)的不斷發(fā)展,其在工業(yè)領(lǐng)域上的應(yīng)用越來越多。汽車生產(chǎn)過程中,車門限位器安裝之后需要確認其型號是否正確,而現(xiàn)階段都是通過人眼觀察來判斷零件型號,長時間的工作下不可避免地造成了正確率的下降。為解決此問題,本文對機器視覺在車門限位器檢測和識別中的應(yīng)用進行了相關(guān)研究。本文框架分為四大部分:(1)針對車門限位器零件上的螺母,利用自適應(yīng)增強(Adaptive Boosting,Adaboost)框架對螺母進行精準(zhǔn)定位。利用螺母的局部二值模式(Local Binary Patterns,LBP)特征訓(xùn)練多個二叉樹弱分類器,將所有弱分類器組合成強分類器,利用強分類器對螺母進行定位與識別。(2)對車門限位器零件上字符進行定位與分割。因為車門限位器上的字符為下凹字符,由于對光線反射的不均勻,現(xiàn)有方法較難對其準(zhǔn)確定位,所以本文針對這種字符,先采用強光源對字符進行前向打照,以突出字符的邊緣,再采用改進方法對字符進行定位與分割。在定位與分割之前,利用基于先驗知識的改進Canny算法提取字符邊緣。定位與分割時,分別使用兩種方法:基于邊緣的字符定位與分割、基于最大極值穩(wěn)定區(qū)域(Maximally Stable Extremal Regions,MSER)的字符定位與分割。第一種方法根據(jù)字符的邊緣疏密度對字符進行精準(zhǔn)定位,然后利用垂直投影與連通域的方法對字符進行分割;第二種方法利用最大極值穩(wěn)定區(qū)域方法在零件的邊緣增強圖上定位字符,然后利用連通域的方法分割字符。實驗證明,基于邊緣的字符定位與分割方法在準(zhǔn)確率上優(yōu)于基于最大極值穩(wěn)定區(qū)域的字符定位與分割方法,但在速率上不及基于最大極值穩(wěn)定區(qū)域的字符定位與分割方法;(3)對零件上字符進行識別。采用三種方法對其進行識別:基于多模板匹配的字符識別、基于卷積神經(jīng)網(wǎng)絡(luò)的單字符識別和基于Faster-RCNN的端到端字符識別。第一種方法先通過監(jiān)督學(xué)習(xí)的方法制作模板庫,再利用基于有界部分相關(guān)(Bounded Partial Correlation,BPC)思想的高效算法對模板匹配進行加速。第二種方法搭建了一個七層簡易網(wǎng)絡(luò)模型:“卷積-池化-卷積-Dropout-池化-卷積-全連接”,利用前六層進行特征提取,最后一層實現(xiàn)字符分類。第三種方法跳過了字符定位階段,實現(xiàn)了端到端的字符識別。實驗證明,第一種方法的識別準(zhǔn)確率最低,第三種方法的識別準(zhǔn)確率最高。
【學(xué)位單位】：南京郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP391.41;TP181;U468.22
【部分圖文】：

用的是高效的圖像處理技術(shù)，對一些微小尺寸的精確快速確度極高，并且傳統(tǒng)的檢測方法以人眼檢測為主，人眼檢會不可避免的造成精確度的下降，而機器視覺依靠的是計上這些特點，機器視覺相比較于傳統(tǒng)檢測技術(shù)具有更多的展。構(gòu)成于計算機學(xué)科的一個分支，其涵蓋了機械、電子、光學(xué)、所用到的理論包括計算機技術(shù)、圖像處理、信號處理、模器視覺系統(tǒng)的構(gòu)成包括光源、鏡頭、相機、圖像采集卡、所示：

1.4.1 本文主要工作本文主要針對工業(yè)零件車門限位器進行檢測與識別方法的研究，最終目的是根據(jù)硬件拍攝的圖片判別其零件類型及零件正反面。圖1.2 顯示的是車門限位器的某型號零件正反面圖。如該圖所示，車門限位器上主要有兩大關(guān)鍵部分：螺母區(qū)域和字符區(qū)域，螺母的正反面用來區(qū)分零件的正反面，字符用來區(qū)分零件的類型。所以本文的主要工作是對螺母和字符進行識別。（a）車門限位器某型號正面圖 （b）車門限位器某型號反面圖圖 1.2 車門限位器某型號正反面圖針對螺母，本文利用基于 Adaboost 的方法對螺母進行定位與識別，采集大量螺母樣本建立數(shù)據(jù)庫，利用數(shù)據(jù)庫訓(xùn)練分類器，對螺母進行定位與識別，從而區(qū)分螺母的正反面。針對字符，分為定位和識別兩部分。在字符定位方面，本文先利用基于先驗知識的改進 Canny 算法對零件圖片進行邊緣提取

主要有 Radon 變換、離散余弦變換、局部傅里葉變化、Gab小波分解等。理特征提取取時，常用 LBP（LocalBinaryPattern）、HOG（HistogramofOr特征。本文使用基于 Adaboost 的方法對螺母進行定位與識別征，因為本文利用 LBP 算子[30]提取螺母的局部紋理特征，所LBP 算子P 算子定義為，在 3×3 的窗口內(nèi)，以窗口中心像素點灰度值為值與其進行比較，若周圍像素值大于中心像素值，則該像素這樣，3×3 鄰域內(nèi)的 8 個點經(jīng)比較可產(chǎn)生 8 位二進制數(shù)（通 256 種），即得到該窗口中心像素點的 LBP 值，并用這個值 2.1 所示：
【相似文獻】

相關(guān)期刊論文 前10條

1 宋慧欣;;3D視覺，機器視覺未來藍海[J];自動化博覽;2019年12期

2 文曉;;臺達：機器視覺“智造”未來[J];自動化博覽;2019年12期

3 ;機器視覺對線纜市場的影響及趨勢[J];功能材料信息;2018年04期

4 鄭植;席先鵬;王楠;蔣欣燎;夏山淋;;機器視覺在網(wǎng)球撿球機器人中的應(yīng)用研究[J];科技創(chuàng)新與應(yīng)用;2019年16期

5 宋春華;彭泫知;;機器視覺研究與發(fā)展綜述[J];裝備制造技術(shù);2019年06期

6 田壯;劉富成;;基于機器視覺的果園噴藥機器人設(shè)計[J];湖北農(nóng)機化;2019年16期

7 迎九;;國內(nèi)機器視覺產(chǎn)業(yè)的技術(shù)市場[J];電子產(chǎn)品世界;2019年09期

8 朱陽芬;銀冬平;鄒舜章;王海文;周為;;機器視覺在汽車行業(yè)中的發(fā)展與應(yīng)用[J];汽車實用技術(shù);2017年22期

9 吳東明;王麗娟;;基于GPS和機器視覺的自主導(dǎo)航定位農(nóng)機設(shè)備研究[J];農(nóng)機化研究;2018年02期

10 ;機器視覺時代,最好的時代![J];智能機器人;2018年02期

相關(guān)博士學(xué)位論文 前10條

1 侯杰;飛行器機器視覺框架設(shè)計及算法研究[D];西安電子科技大學(xué);2017年

2 郭依正;基于機器視覺的俯視群養(yǎng)豬個體識別與飲水行為分析研究[D];江蘇大學(xué);2018年

3 李晨;基于機器視覺的不同屬性表面中微弱缺陷的檢測技術(shù)研究[D];浙江大學(xué);2018年

4 陶丹;基于機器視覺的家蠶蛹雌雄識別研究[D];西南大學(xué);2019年

5 胡志新;基于機器視覺的鋼軌踏面磨耗剝落檢測技術(shù)研究[D];南昌大學(xué);2018年

6 吳衡;機器視覺鬼成像理論與實驗研究[D];華南理工大學(xué);2017年

7 項森偉;高溫單晶硅液位和直徑視覺檢測關(guān)鍵技術(shù)及應(yīng)用研究[D];浙江大學(xué);2018年

8 胡越黎;目的機器視覺研究及其在皮膚癥狀識別中的應(yīng)用[D];上海大學(xué);2005年

9 韓彥芳;機器視覺中的聚類檢測新方法[D];上海交通大學(xué);2006年

10 饒洪輝;基于機器視覺的作物對行噴藥控制系統(tǒng)研究[D];南京農(nóng)業(yè)大學(xué);2006年

相關(guān)碩士學(xué)位論文 前10條

1 楊晗;融合機器視覺和CAN總線的生物質(zhì)形態(tài)檢測系統(tǒng)研發(fā)[D];揚州大學(xué);2019年

2 楊永強;基于機器視覺的蘑菇自動采摘系統(tǒng)關(guān)鍵技術(shù)研究[D];南京航空航天大學(xué);2019年

3 李紅偉;基于機器視覺的智能輸煤檢測系統(tǒng)[D];哈爾濱工業(yè)大學(xué);2019年

4 羅啟峰;基于機器視覺的零件三維尺寸全方位測量技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2019年

5 王磊;基于機器視覺的路面裂縫分類與檢測方法研究[D];哈爾濱工業(yè)大學(xué);2019年

6 楊晶;基于機器視覺平板多孔定位系統(tǒng)研究[D];安徽工業(yè)大學(xué);2019年

7 鄔甜甜;基于機器視覺的海上可疑船舶識別研究[D];浙江海洋大學(xué);2019年

8 唐凡;基于機器視覺的絨毛織物表面質(zhì)量檢測系統(tǒng)研究[D];西安工程大學(xué);2019年

9 李理;基于機器視覺的雙黃鴨蛋無損識別技術(shù)研究[D];華中農(nóng)業(yè)大學(xué);2019年

10 冀永樂;基于機器視覺的紡織布品色差檢測研究[D];西安工程大學(xué);2019年

本文編號：2856852