基于机器视觉的文具检测系统研究与实现

论文摘要

基于机器视觉的自动检测是一门新兴的检测技术,它综合应用了图象处理与分析、模式识别、人工智能、精密仪器制造等技术。由于基于机器视觉的检测具有快速、精确、非接触等一系列优点,故其作为一种现代化的检测手段越来越引起人们的重视。我国是一个制造业大国,文具用品的生产和出口都占有很大的市场份额。现阶段,文具用品的生产过程己经基本实现了自动化,但是文具质量检测方式还是传统的人工检测。随着生产效率的不断提高,传统的人工检测方式已很难满足生产的需要。为解决这一矛盾,实现文具用品质量的在线自动检测,缩短整个工作流程时间,本文做了如下研究工作:1、本文介绍了基于机器视觉的自动检测系统的工作原理、总体结构和工作流程。对系统所需的硬件特性进行了分析,选择了合适的光源、图像卡、工业相机等硬件,搭建了检测系统的硬件平台。2、在对文具用品的特征深入分析后,通过对直方图改进,利用面积和比率（面积/周长）这两个特征的组合,实现了文具的自动分类;使用差值累加器,找到了区别同类文具的关键区域,提取了颜色特征。3、介绍了几种常用的神经网络模型、基本结构,分析了神经网络各种学习规则。深入研究了多层前馈网络与反向传播学习算法的网络结构及训练算法的具体步骤,并做了相应改进,使之适用与本项目。4、本系统的软件在VC++平台上开发。通过仿真实验,对得到的实验数据进行分析,结果表明,基于机器视觉的检测系统对文具的缺陷检测达到了预期目标。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第1章 绪论
• 1.1 机器视觉的定义
• 1.2 机器视觉的特点
• 1.3 机器视觉在国外的应用现状
• 1.4 机器视觉在国内的应用现状
• 1.5 中国机器视觉未来发展趋势
• 1.6 本章小结
• 第2章 文具检测系统的总体设计方案
• 2.1 系统总体设计目标及原则
• 2.2 硬件系统
• 2.2.1 相机的分析和选择
• 2.2.2 图象采集卡的分析和选择
• 2.2.3 光源和照明的设计
• 2.3 软件系统
• 2.3.1 软件平台
• 2.3.2 开发工具
• 2.3.3 系统软件的构成
• 2.4 本章小结
• 第3章 文具特征提取
• 3.1 数字图像处理概述
• 3.2 图像处理算法
• 3.2.1 图像灰度变换
• 3.2.2 图像的平滑
• 3.2.3 图像边缘检测与提取
• 3.2.4 图像的分割
• 3.3 彩色模型的选取
• 3.3.1 RGB 彩色模型
• 3.3.2 HIS 彩色空间
• 3.3.3 HSI 颜色空间与 RGB 颜色空间的转换
• 3.4 矩形几何参数的提取和校正
• 3.4.1 矩边界提形取
• 3.4.2 特征点匹配方法.
• 3.4.3 透视变换
• 3.4.4 实验和复杂度分析
• 3.5 文具分类及参数提取
• 3.6 缺失文具的拟合
• 3.7 文具颜色特征参数提取
• 3.8 本章小结
• 第4章 应用 BP 神经网络进行文具缺陷识别
• 4.1 基于图象的模式识别方法
• 4.1.1 模糊模式识别法
• 4.1.2 句法模式识别法
• 4.1.3 模板匹配法
• 4.1.4 统计模式识别法
• 4.1.5 神经网络方法
• 4.2 神经网络发展
• 4.3 神经网络的特点
• 4.3.1 并行结构与并行处理
• 4.3.2 知识的分布式存贮
• 4.3.3 容错性
• 4.3.4 具有自组织、自学习及推理的自适应能力
• 4.3.5 非线性
• 4.3.6 非局域性
• 4.3.7 非凸性
• 4.4 神经网络的选择
• 4.5 BP 神经网络网络基本原理
• 4.5.1 神经元
• 4.5.2 BP 网络
• 4.5.3 神经网络的学习规则
• 4.5.4 BP 算法的改进
• 4.5.5 BP 神经网络的训练策略及结果
• 4.5.6 确定 BP 网络的结构
• 4.6 最终训练后的神经网络结构
• 4.7 本章小结
• 第5章 实验结果及其分析
• 5.1 实验结果
• 5.2 实验分析
• 5.3 本章小结
• 全文总结
• 致谢
• 参考文献
• 附录
• 详细摘要