基于FPGA的印刷品缺陷检测系统的设计与实现
这是一篇关于机器视觉,FPGA,缺陷分类,OpenCV的论文, 主要内容为制造业是一个国家实力的体现,而印刷工业是其中的重要组成部分,随着经济的发展,印刷工业如何利用先进技术创新发展成为不得不面对的问题。在实际的生产过程中,印刷品经常出现印刷质量问题,譬如漏印、墨点、划伤等缺陷,并且当前的印刷缺陷还会对后序的印刷产生影响,这些问题的出现直接决定着企业生产的印刷品能否得到客户的认可和满意。但是以往对于印刷品缺陷的检测和识别都是依靠人眼来观察,耗时长并且准确率也不高。因此为了解决这些印刷品缺陷问题,设计开发一款基于FPGA(现场可编程逻辑门阵列)的能够对印刷品的缺陷问题进行高效实时检测的印刷品缺陷检测系统来解决现阶段印刷品制造业中出现的问题,具有非常重要的意义。本系统的开发过程经过了实地调研,所开发的功能符合实际应用,能够较为圆满地解决生产过程中存在的印刷缺陷问题。本系统搭建了人机交互的可视化Web系统,首先,在硬件平台对印刷品进行拍照操作后,由用户通过交互模块提交标准图像模板和检测流程,数据传入后台,通过模板与待检测图片进行图像匹配,从而得到检测区域并对检测区域进行不同错误类型的检测,检测结果包含错误类型与错误位置两个参数。系统将标记出相对应的缺陷位置并标明缺陷类型,并将检测结果实时反馈,以方便客户针对特定的缺陷类型进行相应的处理。Web系统使用Python语言编写,采用了当前最新的Vue.js前端框架进行开发设计,运用模块化编程方式,便于二次开发。本系统图像分割模块采用了 FPGA加速实现,从而使得图像分割流程能够高速完成。在印刷品的分类检测程序中,采用了 HOG(方向梯度直方图)特征提取及SVM(支持向量机)分类的方式,使得系统对于不同的印刷品缺陷都能够进行有效的识别和分类,同时采用了 OpenCV中关于图像处理的有关接口来具体实现。本系统基于机器视觉有效解决了当前市面上存在的印刷品缺陷检测交互性差、速度慢、准确率低等问题,相比较传统的印刷品检测系统取得了长足的进步,对整个印刷品行业的发展起到了推动作用。
基于GGNN与知识推理的栓母对缺陷分类研究
这是一篇关于GGNN,知识推理,栓母对,缺陷分类的论文, 主要内容为输电线路上的螺栓缺陷分类是电力视觉技术的一个重要研究课题。但目前针对输电线路进行的螺栓缺陷分类的研究工作,大多仅限于利用螺栓螺母表面特征提取或者利用已有算法的改进,易受周围复杂环境的影响,无法满足高效的螺栓缺陷分类需求。本文通过研究门控图神经网络(gated graph neural network,GGNN),提出了基于GGNN的栓母对知识图谱的缺陷分类算法,利用螺栓螺母及周围环境的先验知识结合深度学习的模型,实现了栓母对缺陷的高效分类。主要内容如下:本文提出将螺栓螺母相关的缺陷定义为栓母对缺陷,提出并利用栓母对组合规则自主构建了栓母对缺陷数据集,然后定义了门控图神经网络(GGNN)的节点与边。基于以上工作,本文首次提出了基于GGNN的栓母对知识图谱的构建方法。首先通过使用卷积神经网络提取栓母对图像特征,然后以栓母对图像特征初始化GGNN网络模型的缺陷节点与语义对象节点,结合栓母对先验知识的邻接矩阵,最后通过门控图神经网络(GGNN)模型得出缺陷类别与语义对象之间的关系。在构建基于GGNN的栓母对知识图谱基础上,提出将基于GGNN的栓母对知识图谱应用至栓母对缺陷分类。为了验证基于GGNN的栓母对知识图谱的有效性,在粗级缺陷数据集和细级缺陷数据集上利用栓母对知识图谱指导螺栓缺陷分类,实验结果证明了基于GGNN的栓母对知识图谱指导螺栓缺陷分类方法的有效性和可行性。最后,为进一步提高模型准确率的问题,本文提出综合利用区域特征和决策融合的缺陷分类方法。该方法利用栓母对融合特征和区域特征的分类结果进行自适应决策融合,得出最终的栓母对缺陷分类结果。实验结果表明,提出的方法提升了栓母对缺陷的分类效果。
基于视觉伺服的微型芯片在线分拣系统关键问题研究
这是一篇关于微型芯片,颜色插值,多阈值分割,特征提取,缺陷分类的论文, 主要内容为随着5G等技术快速发展,微型芯片已经广泛应用到各个领域,在对微型芯片进行封装制造过程中,不可避免地会在芯片表面产生各类缺陷,直接影响到芯片的运行效能及寿命。传统人工目视检测法己经难以适应微型芯片封装制造的高速、高精度的检测需求。利用机器视觉技术对其进行缺陷检测,具有无损伤、无接触、稳定性高等诸多优点。尽管目前基于机器视觉的芯片缺陷检测技术在芯片打印字符、引脚外观尺寸位置等方面的研究己取得很好的进展,但在表面外观缺陷检测与分类领域研究尚处于发展阶段。因此,本文针对基于视觉伺服的微型芯片表面缺陷在线分拣系统中关键问题,形成了从图像获取、图像预处理、图像分割到芯片表面缺陷特征提取与分类的在线检测和分拣完整的理论体系,并据此提出了一套可行的系统设计方案。本文主要研究内容介绍如下:(1)微型芯片表面缺陷图像预处理方法的研究。首先,针对采集到的微型芯片图像,分别通过结合二维维纳滤波、Canny算子、Randon变换、双线性插值和Hough算子,提出芯片缺陷图像的快速校正算法,实现对显微镜中获取的芯片图像旋转校正。其次,为了提高芯片图像分辨率、突出缺陷特征、保护图像边缘信息,提出改进自适应平面颜色插值算法。实验证明了该插值算法相较对比算法的优越性。(2)微型芯片表面缺陷图像多阈值分割方法的研究。本文针对芯片表面缺陷图像的特点,首先提出基于改进的象群游牧算法的多阈值最大熵分割(IEHO)方法。该算法引入种群竞争合作策略和改进的接受差解策略,加速象群全局探索和局部寻优,实验证明了 IEHO算法的有效性与优越性。然后,为了提高标准飞蛾扑火算法在处理图像多阈值分割问题的全局搜索能力与收敛能力,通过引入改进的自适应平衡搜索策略和混沌优化策略,提出了基于改进的飞蛾扑火算法的多阈值最大熵图像分割(IMFO)的多阈值图像分割方法。实验证明IMFO算法的种群多样性、全局搜索与局部搜索能力、收敛性能都要优于对比算法。(3)微型芯片表面缺陷特征提取与降维和分类识别方法的研究。首先,根据实际BGA芯片外观缺陷类型和芯片图像实际分类需求,在本文中选取了4类常见缺陷类型进行分析和研究。其次,提取各类缺陷芯片的25种几何特征、17种纹理特征和3种灰度特征。第三,鉴于已提取的45种芯片特征包含的信息冗杂,为了尽量消除无关及冗余特征的影响,同时降低实际运行计算的维度,采用了主成分分析(PCA)方法对已有的45种芯片特征进行降维。第四,鉴于支持向量机算法解决多级分类效果不佳,为了提高芯片分类效率,提出了基于烟花算法支持向量机算法(FWA-SVM)来优化支持向量机惩罚因子与高斯核参数值对缺陷特征样本进行特征选择,生成最优特征子集。(4)微型芯片表面缺陷检测视觉伺服系统的设计、搭建和实现。首先,针对微型芯片检测系统的硬件功能结构进行设计,对各个硬件子系统的基本设计功能进行阐述。其次,根据系统需要针对微型芯片检测系统的软件功能结构进行了设计,提出一种适用于微型芯片图像在线处理的方案,可实现从芯片图像采集、到芯片图像预处理、图像多阈值分割、特征提取降维、分类判断和机械臂分拣的功能。第三,阐述本系统表面检测与缺陷分类分拣总体流程,包括离线训练、在线检测和分类分拣。伺服系统搭建过程中:在传送带控制方面,采用可编程逻辑控制器(PLC)对传送带进行控制,并开发了一款与之配套的视觉伺服微型芯片在线分拣系统监控软件对其进行实时监控。在图像采集和数据传输方面,采用显微镜相机采集传送带上芯片的图像,然后经工控机图像处理后,将分类信息发送STM32,再经STM32传输给PAC控制器,PAC控制器控制机械臂和气动吸盘按照不同分类路径分拣目标芯片。通过选取合适的实验方法和设备,最终完成了本方案的实际伺服系统搭建,实验效果较好地达到预期要求。(5)微型芯片表面缺陷在线分拣实验。首先,介绍微型芯片表面缺陷在线指标,芯片表面缺陷在线检测和分拣的实验环境。接着,对微型芯片进行图像采集、在线分拣和在线监控。最后,在实现微型芯片图像旋转校正、插值放大、阈值分割、缺陷区域提取、缺陷特征提取、缺陷分类完整流程基础上,对本文提出的缺陷在线检测与分拣方法在实时性与实用性方面进行实验验证与分析。实验表明其能较好地满足缺陷芯片在线检测和分类分拣的各项技术指标。
PCB表面缺陷机器视觉检测系统的设计与实现
这是一篇关于印制电路板,机器视觉,表面缺陷检测,缺陷分类的论文, 主要内容为随着智能制造的发展,工业生产过程的自动化程度也越来越高,自动化检测技术的应用也越来越广泛。作为电子产业中重要的元器件,PCB的生产也越来越广泛的采用基于视觉的自动化检测。但随着生产水平的提高,对生产标准提出了更高的要求。对于缺陷检测系统来说,除了完成产品缺陷的检测,还应该对生产过程的数据进行管理,帮助分析改进生产过程。因此,针对相关需求,设计并实现了一个基于机器视觉的PCB表面缺陷检测系统。PCB表面缺陷检测机器视觉系统基于机器视觉在缺陷检测上的研究以及相关软件系统的应用现状,针对现有系统的不足以及新的市场需求对系统进行设计。在算法的设计上,采用了传统机器视觉算法和深度学习结合的方法,通过传统的机器视觉算法完成缺陷的检测,通过基于Res Net的深度学习方法完成缺陷的类型分析,使得算法在保证检测效率的同时能够有较好的性能表现,满足生产应用需求。其次,PCB缺陷检测软件系统设计和实现结合了C/S和B/S架构,通过Py Qt客户端软件完成生产线的缺陷检测任务,然后,通过RESTful API的方式将检测数据上传至后端管理保存。通过基于B/S架构的后端数据管理系统能够对生产过程的数据进行实时监控以及管理分析。通过产线上的自动化检测以及对生产数据的管理分析,保证了生产过程的质量,同时,通过对生产数据的管理,帮助企业能够更好的管理以及改进生产过程。PCB表面缺陷机器视觉检测系统为基于视觉的PCB缺陷检测以及相关生产管理提供了一套完整的解决方案,能够帮助完成PCB的表面缺陷的自动化检测,同时,能够对生产过程的数据进行管理和分析,帮助企业更好的管理和改进生产过程,提升企业的生产力。
基于GGNN与知识推理的栓母对缺陷分类研究
这是一篇关于GGNN,知识推理,栓母对,缺陷分类的论文, 主要内容为输电线路上的螺栓缺陷分类是电力视觉技术的一个重要研究课题。但目前针对输电线路进行的螺栓缺陷分类的研究工作,大多仅限于利用螺栓螺母表面特征提取或者利用已有算法的改进,易受周围复杂环境的影响,无法满足高效的螺栓缺陷分类需求。本文通过研究门控图神经网络(gated graph neural network,GGNN),提出了基于GGNN的栓母对知识图谱的缺陷分类算法,利用螺栓螺母及周围环境的先验知识结合深度学习的模型,实现了栓母对缺陷的高效分类。主要内容如下:本文提出将螺栓螺母相关的缺陷定义为栓母对缺陷,提出并利用栓母对组合规则自主构建了栓母对缺陷数据集,然后定义了门控图神经网络(GGNN)的节点与边。基于以上工作,本文首次提出了基于GGNN的栓母对知识图谱的构建方法。首先通过使用卷积神经网络提取栓母对图像特征,然后以栓母对图像特征初始化GGNN网络模型的缺陷节点与语义对象节点,结合栓母对先验知识的邻接矩阵,最后通过门控图神经网络(GGNN)模型得出缺陷类别与语义对象之间的关系。在构建基于GGNN的栓母对知识图谱基础上,提出将基于GGNN的栓母对知识图谱应用至栓母对缺陷分类。为了验证基于GGNN的栓母对知识图谱的有效性,在粗级缺陷数据集和细级缺陷数据集上利用栓母对知识图谱指导螺栓缺陷分类,实验结果证明了基于GGNN的栓母对知识图谱指导螺栓缺陷分类方法的有效性和可行性。最后,为进一步提高模型准确率的问题,本文提出综合利用区域特征和决策融合的缺陷分类方法。该方法利用栓母对融合特征和区域特征的分类结果进行自适应决策融合,得出最终的栓母对缺陷分类结果。实验结果表明,提出的方法提升了栓母对缺陷的分类效果。
基于FPGA的印刷品缺陷检测系统的设计与实现
这是一篇关于机器视觉,FPGA,缺陷分类,OpenCV的论文, 主要内容为制造业是一个国家实力的体现,而印刷工业是其中的重要组成部分,随着经济的发展,印刷工业如何利用先进技术创新发展成为不得不面对的问题。在实际的生产过程中,印刷品经常出现印刷质量问题,譬如漏印、墨点、划伤等缺陷,并且当前的印刷缺陷还会对后序的印刷产生影响,这些问题的出现直接决定着企业生产的印刷品能否得到客户的认可和满意。但是以往对于印刷品缺陷的检测和识别都是依靠人眼来观察,耗时长并且准确率也不高。因此为了解决这些印刷品缺陷问题,设计开发一款基于FPGA(现场可编程逻辑门阵列)的能够对印刷品的缺陷问题进行高效实时检测的印刷品缺陷检测系统来解决现阶段印刷品制造业中出现的问题,具有非常重要的意义。本系统的开发过程经过了实地调研,所开发的功能符合实际应用,能够较为圆满地解决生产过程中存在的印刷缺陷问题。本系统搭建了人机交互的可视化Web系统,首先,在硬件平台对印刷品进行拍照操作后,由用户通过交互模块提交标准图像模板和检测流程,数据传入后台,通过模板与待检测图片进行图像匹配,从而得到检测区域并对检测区域进行不同错误类型的检测,检测结果包含错误类型与错误位置两个参数。系统将标记出相对应的缺陷位置并标明缺陷类型,并将检测结果实时反馈,以方便客户针对特定的缺陷类型进行相应的处理。Web系统使用Python语言编写,采用了当前最新的Vue.js前端框架进行开发设计,运用模块化编程方式,便于二次开发。本系统图像分割模块采用了 FPGA加速实现,从而使得图像分割流程能够高速完成。在印刷品的分类检测程序中,采用了 HOG(方向梯度直方图)特征提取及SVM(支持向量机)分类的方式,使得系统对于不同的印刷品缺陷都能够进行有效的识别和分类,同时采用了 OpenCV中关于图像处理的有关接口来具体实现。本系统基于机器视觉有效解决了当前市面上存在的印刷品缺陷检测交互性差、速度慢、准确率低等问题,相比较传统的印刷品检测系统取得了长足的进步,对整个印刷品行业的发展起到了推动作用。
枪钻激光3D打印缺陷识别算法研究
这是一篇关于3D打印,缺陷分割,特征提取,缺陷分类,神经网络的论文, 主要内容为3D打印技术发展迅速,内部缺陷检测是质量保障的一个重要的方法。随着图像处理技术和机器视觉的发展,采用智能化的方法对内部缺陷进行识别已是当前的研究热点。本文以激光3D打印的复合材料枪钻内部缺陷为研究对象,对缺陷图像的识别方法展开研究,利用各种方法对缺陷图像进行分类识别,从而提高缺陷图像的识别率。对此,本文工作主要如下:基于枪钻激光3D打印缺陷图像存在噪声和对比度低的特点,对其进行预处理,其中包括图像去噪和图像增强。图像去噪中采用空域滤波和频域滤波两类方法,通过实验发现Smax(28)3自适应中值滤波的效果较好;同时也在图像增强中确定了线性变换灰度增强方法,其能将图像灰度分布均匀拉伸且保持原始灰度直方图的形状。为了更好地突出目标缺陷,对缺陷图像进行分割,其中包含阈值分割、边缘分割以及区域增长分割三类方法,区域增长分割算法中的基于区域“Chan-Vese”方法的主动轮廓图像分割效果比较好。接着又采用灰度共生矩阵进行了纹理特征提取,得到了10个特征值,采用主成分分析法将特征向量降到了5维,并进行归一化处理,消除了数量级上的较大差异。最后,又对神经网络理论展开研究,并对缺陷进行分类识别。在BP神经网络中引入遗传算法和麻雀搜索算法,两种算法对BP神经网络的权值和阈值进行了参数优化,显著提高了分类准确率。深度学习算法中,采用Le Net-5和Alex Net两种卷积神经网络,省去了人工提取特征的复杂性,其中Alex Net网络的分类准确率最高为97.4%,可以实现准确的缺陷识别。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码项目助手 ，原文地址：https://bishedaima.com/lunwen/52867.html
