一、传送带计算机视觉检测系统的研究（论文文献综述）
胡璟皓[1]（2021）在《基于深度学习的带式输送机非煤异物视频检测系统》文中研究表明运煤传送带作为带式输送机的关键部件,经常会因尖锐非煤异物（如破碎的角铁、断裂的锚杆等）进入传送带而造成传送带的破损与撕裂,影响煤矿的安全生产,造成高额的经济损失。针对该问题,本文设计了一种基于深度学习的带式输送机非煤异物视频检测系统,系统以YOLOv3目标检测框架和Jetson NANO开发板为基础,以检测精度和实时速度为目标,采用Focal Loss损失函数和Cut Mix数据增强方法改进模型,实现系统高精度检测、实时、小型化需求,从传送带破损、撕裂源头解决问题。考虑到非煤异物检测精度与速度性能的要求,本文对常见目标检测方法原理进行阐述,分析两类算法模型优缺点,设置算法模型评估指标,构建基于非煤异物的图像数据集,并利用VOC2007数据集与自制非煤异物数据集对算法模型进行性能分析与筛选,结果显示YOLOv3算法模型具有更好的综合性能,因此选择该算法模型作为基本模型。针对YOLOv3算法模型在非煤异物数据集上检测精确率和召回率的不足,提出损失函数改进策略和数据增强方法改进策略。在损失函数改进方面,分析焦点损失函数的实现原理,将原损失函数中类别预测损失和置信概率预测损失进行改进,引入网格搜索法进行超参数设定;在数据增强方法改进方面,分析对比Mixup与Cut Mix两种数据增强方法的实现原理。通过设计对比实验,根据异物检测精确率和召回率提升情况,选择焦点损失函数和Cut Mix数据增强方法对YOLOv3算法模型进行改进,结果表明两种策略改进下算法模型呈现更好的检测精度,以此确定为非煤异物检测模型。井下计算机布设条件苛刻,利用边缘计算单元可以很好的解决布设难这一问题。本文将非煤异物检测模型部署在Jetson NANO开发板上,搭配工业摄像头和人机交互部件进行视频流获取与预测结果显示。由于边缘计算单元算力限制,利用Tensor RT引擎加速对算法模型进行量化优化与加速推理,降低模型参数数量。同时利用工业摄像头SDK进行二次软件开发,编写工业摄像头调用、视频获取、视频帧处理程序。此外,采用多线程技术,使视频流帧处理与算法模型推理预测同步、快速运行,以此满足实时性能要求。为测试非煤异物视频检测系统整体性能,设计了系统离线实验和在线实验,测试结果表明在Tensor RT引擎加速下系统检测速度显着加快,平均工作帧率接近5 FPS,且可以保持较高的检测精度,系统基本满足实时应用要求。本非煤异物视频检测系统的研究为井下带式输送机传送带异物预警提供了一种可行方案,系统通过获取传送带视频信息判断异物的存在,可同时预测多种异物的种类和位置,并及时预警,对于预防带式输送机传送带破损撕裂,保证带式输送机长期平稳运行具有重要价值。
杨朝义,李海强,黄芬梅[2]（2021）在《计算机视觉技术在塑料成品检测中的应用》文中认为随着计算机技术在工业领域的应用不断深入,工业的智能化、科技化水平显着提升。其中,以计算机视觉技术为代表的新兴技术,在塑料工业、汽车工业、农业生产、医药行业等方面都有所应用。计算机视觉技术依托图像采集、处理、分析等功能实现对人的视觉模拟,进而运用在工业生产中来替代人的操作,能有效提升企业效率和自动化程度。基于计算机视觉技术基本构造和原理分析,通过调研国内外研究现状,总结当前计算机视觉技术在塑料成品的外观缺陷检测、尺寸检测和颜色检测的应用情况,对未来计算机视觉技术在塑料成品检测中的应用提出展望。
王乐乐[3]（2020）在《车用推力轴承垫圈检测系统研究》文中指出推力轴承作为专门承受轴向力的轴承,在汽车发动机、变速箱、离合器和转向器等多个部分起着举足轻重的作用。随着制造业的升级和一系列促进消费措施的推出,消费者对汽车质量要求的不断提高和汽车制造相关零部件的需求大幅度增加,促使生产企业提高产品质量的过程中迫切需要提高生产效率。然而传统的检测方式需要检测员逐个视觉检测,这样不仅耗费大量人工成本而且检测精度和效率无法满足工业生产检测要求。基于上述问题,本文研究并设计了一套车用推力轴承垫圈检测系统,其主要内容如下:（1）根据具体的检测需求,设计了一套车用推力轴承垫圈检测系统,实现尺寸检测、缺陷检测及缺陷分类。（2）通过对垫圈的结构特征的分析并结合垫圈的尺寸大小,提出检测系统的总体方案并阐明该系统工作的具体流程。（3）针对垫圈表面噪点和线性缺陷的检测问题,分析各自的特点并研究了图像傅里叶变换及图像滤波算法。通过将图像从频率域转换到空间域进行分析噪声特征,从而选择合适的滤波方法,实现了垫圈表面噪点的剔除和线性缺陷的锐化。研究了二维测量矩形和RANSAC算法（随机抽样一致性算法）,用于垫圈内外径圆轮廓的拟合,实现垫圈内外径的尺寸测量。针对不同类型的缺陷根据其几何特征设置阈值与不同的缺陷检测方法进行分类。（4）利用Visual Studio编程平台,联合C#与Halcon编程设计了软件操作UI界面。通过搭建实验平台,并对缺陷检测和分类方法进行实验,验证了方法的可行性和稳定性。通过测试和实验,结果表明基于机器视觉的车用推力轴承检测系统检测稳定性较高,检测的精度和准确率达到企业要求,可以完全替代人工检测,实现垫圈质量的提高和检测效率的提升,具有实际应用价值,可以进一步完善并投入实际运用。
刘雄[4]（2021）在《基于深度学习的对虾剥壳识别与计数方法研究》文中提出据《中国渔业年鉴》数据显示,截止至2017年年底,我国水产品总产量达到6445吨,实际加工产量有2196吨,加工损失率达18.05%,而对虾实际加工产出52.01吨,仅占实际加工产量的2.37%,体现出我国在对虾加工产业上的重视程度相对其他水产品较低,因此对虾加工业更具有发展潜力。部分对虾加工厂虽然已在机械剥壳机设备上投资,但实际生产中仍依赖传统的人工剥壳,闲置了大型的剥壳机组。出现这种现象的原因是,我国对虾剥壳机设备仍处于发展初期,对其性能尚未有统一的评价标准,经过综合对比人工剥壳,对虾剥壳机在各方面没有明显的优势。由此可见,机组的剥壳效率、剥壳质量等均未达到设计预期,需要改进对虾剥壳机,提高剥壳性能,降低运行成本。掌握当前对虾剥壳机的性能是改进的前提,而完全剥壳对虾与未完全剥壳对虾的数量统计是评价的基础,因此,本文通过统计剥壳机产出的完全剥壳与未完全剥壳对虾的数量,以作为评价剥壳机性能的指标之一。由于快速运转的对虾加工生产线,人工无法准确统计大批量的完全与未完全剥壳对虾的数量,传统的目标检测算法无法实现快速的实时检测,基于深度学习的目标检测算法为该问题提供了解决方案。本文通过对基于深度学习目标检测算法的研究,得出基于YOLO V4算法的检测模型在该检测任务中的性能最佳,具体研究内容及结果主要如下:（1）构建理想数据集是基于深度学习的目标检测算法的关键一步,由于快速运转的生产线、对虾个体形态、对虾分布等多种因素的影响,使得直接获取理想数据集十分困难。因此,本文筛选出94张有效的数据图像,对此进行基于环境仿真的图像增强,包括数据增强、环境模拟、噪声模拟,共生成3345张对虾图像,并以此构建数据集。（2）经理论分析,基于深度学习的目标检测算法有two-stage和one-stage两类,two-stage方法的算法虽然具有较高的检测精度,但其实时性能和one-stage方法相比不具备优势,不能应用于实时场景。因此,本文选择了基于深度学习one-stage方法的目标检测算法,具体包括SSD inception V2,SSD mobilenet V2,YOLO V4,YOLO V4 tiny,YOLO V4 tiny-31,CsResNet-PANet-SPP,YOLO V3,YOLO V3-SPP,YOLO V3 tiny,YOLO V3 tiny-prn,YOLO V3 GIOU-12,EfficientNet b0,YOLO V3 openimages,两类共13个模型。通过对比SSD的两种模型与YOLO V3、YOLO V4在该任务中的性能,得出结论YOLO算法较SSD更适用。通过对比除SSD模型之外的模型,得出YOLO V4在该任务中的检测效果最佳,检测精度可达99.10%。（3）本文开发了对虾加工检测系统,可供用户选择在线监测、离线检测对虾剥壳状态。在线监测时,用户不仅可以实时检测对虾,还可以通过与生产线建立连接,实现对虾剥壳机设备运行参数监测及参数误差的实时统计;离线检测时,用户可以检测单幅图像或视频段。
张晓卫[5]（2020）在《基于深度学习的传输带纵向撕裂检测研究》文中研究表明在港口、矿山中输送煤炭、矿石等,传送带输送机是重要的传输设备,在输送带运行的时候,输送带运行过程中,因为突发事件,纵向撕裂便可能会产生。此时如果事故一旦发生,需要及时检测出撕裂故障并进行停机,否则输送带继续长距离运行会导致输送带长距离的撕裂损坏,造成的经济方面损失很严重。在输送机工作的时候,为了快速地检测出和准确地检测,输送带发生的纵向撕裂事故,本项目课题对于输送带纵向撕裂的背景,深刻研究详细分析,在基于激光线间接辅助测量的检测装置,分析样本的特点机理,先对样本数据进行前景与背景的分离,即分割出激光线区域,在对激光线区域计算出它的中心骨架线,最后对中心线的特点进行分析处理,从而间接性的判断输送带是否发生了纵向撕裂事故。对于激光线与背景之间的分割算法,为了将背景与前景更优化的分割分离,使用了三种方法对比,选出最优的分割方法,首先使用了基于统计准则的大津法,在部分场景下具有很好的分割效果,但是复杂场景下Otsu效果不佳,容易出现过分割现象;而之后引入了迭代方法和搜索逼近方法的图像分割,在部分复杂场景下优于Otsu分割算法,此算法对激光线进行列方向进行分割,优点是在每一个截面上,他们的阈值互不干涉互不影响,对输送带下表面光线反射干扰以及各种噪声起到一定的去除作用,但是部分场景下,具有欠分割的问题;为此提出了基于语义分割网络,对样本图像进行分割,通过神经网络,对样本制作数据集,分类训练,优化网络模型,通过测试集的测试,与真实分割对比,得出精确地分割结果。为了激光线的中心线精确、以及高速实时的提取,首先使用质心法对激光线中心线初步的提取,但是提取的效果是粗略的不精确的,之后再计算光线条的法线,在此方向上使用高斯算法及曲线拟合对光线中心线实现更加精确的提取。之后对光线中心线邻近的像素之间的距离关系,连续几个像素的拟合的曲率变化进行分析,从而来判断光线条的撕裂与否,从而验证了几种算法的正确性和精确性。
王铮[6]（2020）在《基于机器视觉的胶囊表面缺陷检测技术研究》文中指出在胶囊自动化生产线上,由于胶囊体积小、数量大、外壳软,常发生壳体表面凹陷、裂纹、壳体破片等生产缺陷,其中壳体表面凹陷最为常见,对胶囊生产环节进行缺陷检测尤为重要。如今,仅人为的进行随机抽取进行胶囊缺陷检测已不能满足市场生产需求。对胶囊进行外观缺陷检测,是把控胶囊生产质量的重要环节,提高企业竞争力的有效方法之一。本文针对胶囊在线生产时位置复杂、背景多样等特点,以复杂背景下的药用空心胶囊表面缺陷为具体的研究对象开展研究工作,主要研究工作如下:（1）针对胶囊外观凹陷缺陷,搭建基于视觉检测试验平台。采集制作胶囊缺陷数据集,包含缺陷胶囊、正常胶囊和同一相机视野中缺陷胶囊和正常胶囊同时存在的胶囊图集。采用有监督的方式对胶囊数据集进行处理。（2）针对胶囊生产线上粉尘、光照不均等原因产生的复杂背景问题,提出一种基于图像滤波的复杂背景弱化方法。通过对胶囊原始图像进行均值滤波后,再进行一次高斯滤波的双重滤波方式,保留胶囊主体特征的同时,对胶囊图像的背景进行弱化,保证后续胶囊缺陷定位的准确性。（3）在背景弱化的基础上,应用图像梯度算子、阈值分割等方法,对胶囊主体进行轮廓特征分析,提出了一种自适应阈值分割方式。因为胶囊主体通常保持在图像视野中心部分,在图像四角背景处分别采集特定大小的模板图像后,计算模板图像的平均灰度值,将其作为当前图像的阈值,提高阈值分割的稳定性。（4）将图像处理和YOLOv3算法相结合,对YOLOv3算法模型进行优化,提出了一种准确率更高的YOLO-OL算法。首先通过K-means聚类方法,对胶囊缺陷数据集进行聚类计算,得到针对胶囊缺陷大小的9个Anchor,提高了模型的IOU（Intersection Over Union）值,稳定模型训练时损失函数的下降趋势。接着通过图像处理技术,将胶囊图像的复杂背景弱化,提取胶囊轮廓后,将特征图进行标注后输入YOLO-OL中进行缺陷定位和分类,提高模型的缺陷识别准确率。（5）基于Python-Tkinter库开发胶囊表面缺陷检测系统,实现了胶囊表面缺陷在线检测和定位。系统满足单张图像检测、连续检测、视频检测、日志保存、可扩展更新等功能,为算法结合与改进提供基础。
邱怡乐[7]（2020）在《基于线结构光扫描的金属件表面缺陷检测》文中提出随着制造业的快速发展,产品质检标准越来越严格,越来越多的企业开始重视产品的表面缺陷检测,而对于产品表面缺陷检测大多制造商都依靠人工进行检测,人工检测的方法效率低、错误率高、成本高,因此基于计算机视觉的高效的检测手段越来越受到重视,计算机视觉通过获取产品表面二维图像,对二维图像进行分析并检测。然而在许多情况下,因为二维图像无法得到目标的深度信息可能导致部分缺陷难以被检测到,而三维检测手段可以获取目标的深度信息,重构出原本无法甄别的缺陷。通过三维检测的方式更加可靠直观,因此三维表面缺陷检测越来越受到人们的重视。本文对线结构光扫描系统展开实验设计了基于该系统的标定流程,利用该系统获取点云数据结合适当的方法进行缺陷检测与量化,达到了缺陷检测的需求。本文在基于线结构光扫描的表面缺陷检测开展如下方面的工作:（1）本文检测主要是为了检测物体表面缺陷信息,因此搭建和验证有效的采集系统是首要任务。研究基于线结构光的视觉系统原理,即通过线结构光来增加条件约束辅助相机完成深度信息获取。研究线结构光视觉系统一般模型,由于一般模型中以世界坐标系进行分析,在该参考系下难以准确获取相机的相对位姿,故将参考坐标系建立在相机坐标系下进行分析,得到了简化模型。在此基础上制定相应的光平面标定、传送带速度方向标定的算法及步骤,同时提出一些方法和指标进行标定准确性衡量。通过反复实验及对实验平台及算法和步骤的调整,最终得到了有效标定方法及有效的视觉传感器。（2）对于点云检测方法,本文采用了将点云数据映射为二维高度灰度图的方法,采用适当的插值方法获取了完整的二维高度映射图像,再结合适当图像处理及分割算法进行缺陷检测。在检测出缺陷后,根据系统扫描的特点,对获取的点云数据进行逐帧地进行缺陷检测,由于单帧检测无法确定帧与帧之间点云数据的关系,基于此提出采用并查集的方法对单帧检测出的缺陷点进行合并聚类,该方法不同于常见的聚类手段,不受初始化设置的影响且无需预先知道有多少缺陷集合,极大程度上简化了聚类难度。结合一定的降维处理有效地提取了缺陷点集合。在此基础上利用三角剖分对缺陷集合进行量化。（3）搭建了三维扫描系统检测实验平台,在Visual Studio 2017软件开发平台下开发了检测软件,实现了实时扫描可视化功能,同时显示扫描局部点云及彩色高度映射图图像。并在利用该实验平台进行了金属型材缺陷检测,实验结果表面该方法具有较强的可行性。
盛子夜[8]（2020）在《基于视觉的瓶装矿泉水悬浮物自动检测技术研究》文中研究表明瓶装矿泉水在我国零售行业占有巨大市场份额,是日常生活中必不可少的饮品。但是,由于现存的生产设备和检测设备有很多不足,在矿泉水的灌装过程中可能包含可见的悬浮物,例如纸屑、胶布、标签、蜘蛛等,这些含有悬浮物的产品一旦流入市场,不仅会损害到人的健康,也会对企业的声誉和经济造成巨大损失。在瓶装矿泉水出厂前需要检测里面是否存在悬浮物颗粒,中国目前大多数水企都是采用人工观察的方法,这种检测方式已经不能很好满足生产的需求,存在很多诸如准确度低、检测速度慢、费时费力并且易受到干扰、依赖员工的主观感觉、检测效果不好、可靠性差的缺点,无法从根本上保证产品的质量,也无法满足高速生产线的生产要求。针对这一问题,本文基于计算机视觉技术,建立了一种瓶装矿泉水中悬浮物颗粒自动检测方法,包括图像采集、悬浮物颗粒目标识别、数量统计及尺寸参数检测等图像分析处理流程。在此基础上,设计了瓶装矿泉水中悬浮物颗粒自动检测装置,阐述了该装置的结构及工作原理,并进行了瓶装矿泉水中悬浮物颗粒检测实验。首先,介绍了基于视觉的瓶装矿泉水检测系统的研究背景和意义,并根据矿泉水中可见悬浮物的特点,提出了瓶装矿泉水视觉检测系统总体设计方案,系统详细介绍了光源和照明方式、图像采集系统、工业相机等关键技术。其次,对采集到的含有运动悬浮物的序列图像进行预处理主要是为了减少或消除在成像过程中背景噪声带来的干扰。同时为了防止矿泉水瓶滚动到检测工位时发生的轻微抖动影响检测,本文提出了一种抖动消除算法,可以去除由抖动引起的噪声,与此同时保留了悬浮物检测目标的信息,降低了图像动态帧差分处理后的大面积噪声干扰。进一步地,本文提出一种旋转投影算法检测悬浮物的尺寸,并进行数量统计,从定性和定量两个方面对瓶装矿泉水中是否存在悬浮物颗粒进行检测,悬浮物颗粒数量统计准确,具有较高的精确度。最后,在研究以上技术的理论基础上,设计了验证试验,开发一套简易装置,给出了详细试验方案,并对检测结果进行误差分析与讨论,为下一步的研究奠定基础,试验表明,将上述装置及方法用于瓶装矿泉水出厂前检测,具有检测准确、节约人力、工作效率高、操作简单的特点。
马新良[9]（2020）在《基于机器视觉的纱管识别与系统实现》文中认为伴随着《纺织工业“十三五”发展规划》的发布,中国的纺织行业正逐步迈向工业4.0时代。与互联网、大数据等技术的深度融合,各式各样的数字化智能纺织产品层出不穷,与此同时,也为纺织企业向智能化转型奠定基础。纱线管是纺织企业在生产过程中必不可少的绕纱工具。目前,纺织企业在纱线管处理存在以下三方面的问题:一、纱线管种类繁多,分类情况复杂。二、人工分拣效率低下,成本高。三、有纱与无纱互混情况,分类难度大。如何高效的将这些混淆在一起的纱管分拣出来是当下纺织企业的燃眉之急。结合机器视觉检测技术的方式,不仅在流水线检测效率上表现出众,更在检测精度和准确性方面拥有无可代替的地位,成为当下主流的产品线检测技术。因此,本文提出了一种基于机器视觉的纱管识别检测系统。本文首先详细介绍了纱管识别检测系统的整体方案设计及技术指标。针对实际情况,本文分别对工业相机选型、工业镜头选型和光源选型进行分析。另一方面,为了提高纱管检测精度,本文重点介绍了光源与检测目标间的放置方案。基于上述系统设计方案,本文研究了纱管残留纱线检测算法和纱管颜色分拣算法。在纱管残留纱线检测算法中,提出了一种基于图像梯度法的最大连通域统计方法,该种算法融合了梯度算法和连通域算法中各自的优势,能精确识别出含单圈纱线的纱管。在纱管颜色分拣算法中,运用了颜色直方图算法匹配,该算法实现了专门针对纱管的颜色精确分类。基于上述图像检测算法,设计了相应的图像处理软件系统,该图像处理软件具体可分为图像采集功能模块、图像算法处理功能模块、参数设置功能模块、图像存储功能模块、状态测试功能模块和注册升级功能模块,并通过串口通信实现与下位机主控的数据交互,从而完成纱管的精确分拣任务。最后,通过对系统整体和各个功能模块的测试,验证纱管识别检测系统方案的可靠性和准确性。
杨杰伟[10]（2020）在《基于机器视觉的齿轮在线检测系统的研究》文中提出随着计算机技术的快速发展,机器视觉技术在零件检测中的应用越来越广泛,与传统的检测手段相比,这种非接触式检测方法极大地提高了检测的自动化程度、检测效率和检测精度,同时大大降低了检测人员的劳动强度和检测成本。目前,针对齿轮检测已经有相应的视觉检测设备,精度也非常高,但是大部分都是针对单个齿轮进行抽样检测,并不能在生产过程中在线检测,并且这些设备大多是国外进口的,价格昂贵,很难在行业中普及。针对上述现状,本文通过对机器视觉技术及图像处理技术的深入研究,以齿轮为研究对象,详细分析了图像预处理技术和边缘检测技术,设计了基于机器视觉的齿轮在线检测系统。本文的主要研究内容:（1）完成了机器视觉的齿轮在线检测系统的硬件和软件设计。按照齿轮检测的具体要求,选择了合适的光源和相机等设备,在实验室环境中搭建检测平台,完成齿轮图像的采集。利用MATLAB的GUI界面设计工具设计齿轮图像采集界面、齿轮尺寸测量界面以及齿轮内齿检测界面。（2）对采集到的图像进行预处理。采集到的原始图像存在大量噪声,需对图像进行滤波处理以得到有利于边缘检测的图像。本文选用高斯滤波对图像进行滤波处理。（3）齿轮图像边缘检测算法研究。通过对一些经典边缘检测算法的比较分析,利用齿轮图像进行实验验证,选用Sobel算子提取齿轮图像的边缘,但得到的边缘精度较低,需要进一步细分边缘,采用稳健回归对提取到的边缘进行第一次拟合,以去除干扰点,然后再利用最小化残差绝对值加权法进行第二次拟合,实验结果表明,通过两次拟合能够有效地检测出图像边缘,提高定位精度。（4）系统实验验证及误差分析。利用硬件平台和软件系统完成齿轮的检测,得到齿轮的检测数据,并对检测误差产生原因进行分析。本文设计的基于机器视觉的齿轮在线检测系统,能够实时检测齿轮沟槽的尺寸数据及内齿特征。通过实验验证,本文算法能够满足检测精度及速度的要求。
二、传送带计算机视觉检测系统的研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、传送带计算机视觉检测系统的研究（论文提纲范文）
（1）基于深度学习的带式输送机非煤异物视频检测系统（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传送带防护及非煤异物检测研究现状 |
| 1.2.2 机器视觉目标检测研究现状 |
| 1.3 课题主要研究内容及工作安排 |
| 第2章 卷积神经网络原理与数据集构建 |
| 2.1 卷积神经网络 |
| 2.1.1 设计理念 |
| 2.1.2 具体结构 |
| 2.1.3 关键技术 |
| 2.2 数据集构建 |
| 2.2.1 图像获取与筛选 |
| 2.2.2 数据集标注 |
| 2.3 本章小结 |
| 第3章 目标检测算法优选与评估 |
| 3.1 目标检测算法 |
| 3.1.1 基于区域候选的目标检测算法模型 |
| 3.1.2 基于回归的目标检测算法模型 |
| 3.2 网络模型评估 |
| 3.2.1 评估标准 |
| 3.2.2 数据集划分 |
| 3.3 实验设置与算法模型性能对比 |
| 3.4 本章小结 |
| 第4章 基于改进YOLOv3 的非煤异物识别方法 |
| 4.1 损失函数改进设计 |
| 4.1.1 样本不平衡问题 |
| 4.1.2 焦点损失函数 |
| 4.1.3 网格搜索法 |
| 4.2 数据增强方法改进设计 |
| 4.2.1 Mixup |
| 4.2.2 Cut Mix |
| 4.3 实验验证与结果分析 |
| 4.3.1 焦点损失函数超参数的选择与优化 |
| 4.3.2 数据增强方法实验验证 |
| 4.4 本章小结 |
| 第5章 非煤异物检测系统设计及实验 |
| 5.1 系统需求分析 |
| 5.2 系统整体架构设计 |
| 5.2.1 系统硬件组成 |
| 5.2.2 系统软件设计 |
| 5.3 系统性能测试 |
| 5.3.1 离线测试 |
| 5.3.2 在线测试 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（2）计算机视觉技术在塑料成品检测中的应用（论文提纲范文）
| 1 计算机视觉技术检测构造及原理 |
| 2 计算机视觉技术在塑料成品检测的应用 |
| 2.1 计算机视觉技术在塑料成品外观缺陷检测的应用 |
| 2.2 计算机视觉技术在塑料成品尺寸检测的应用 |
| 2.3 计算机视觉技术在塑料成品颜色检测的应用 |
| 3 结论 |
（3）车用推力轴承垫圈检测系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 课题研究背景及意义 |
| 1.2 机器视觉检测系统 |
| 1.2.1 机器视觉概述 |
| 1.2.2 机器视觉检测系统的现状 |
| 1.3 机器视觉轴承检测的应用 |
| 1.4 研究主要内容及框架 |
| 第2章 推力轴承垫圈检测系统总体方案 |
| 2.1 检测系统需求分析 |
| 2.1.1 推力轴承结构分析 |
| 2.1.2 推力滚针轴承垫圈缺陷分析 |
| 2.1.3 检测系统主要组成部分分析 |
| 2.2 总体方案对比分析 |
| 2.2.1 工作台检测方案 |
| 2.2.2 传送带运载方案 |
| 2.3 系统总体设计 |
| 2.3.1 系统结构 |
| 2.3.2 系统原理及工作流程 |
| 2.4 本章小结 |
| 第3章 系统主要硬件设计及选型 |
| 3.1 图像采集部分硬件选型 |
| 3.1.1 工业相机选型 |
| 3.1.2 光学镜头选型 |
| 3.1.3 光源选型及照明方式设计 |
| 3.2 主要子模块设计和控制模块选型 |
| 3.2.1 转盘仓储系统设计 |
| 3.2.2 吸盘抓取单元设计 |
| 3.2.3 气缸执行机构选型 |
| 3.2.4 传感器选型 |
| 3.3 本章小结 |
| 第4章 推力轴承垫圈缺陷检测算法研究 |
| 4.1 检测算法总体流程 |
| 4.2 图像预处理 |
| 4.2.1 相机标定与畸变矫正 |
| 4.2.2 图像增强 |
| 4.3 模板匹配 |
| 4.3.1 基于灰度相关方法的模板匹配 |
| 4.3.2 基于特征的模板匹配 |
| 4.3.3 匹配模板的创建 |
| 4.4 尺寸检测 |
| 4.4.1 仿射变换之平移 |
| 4.4.2 边缘提取 |
| 4.4.3 RANSAC圆拟合算法 |
| 4.5 上、下端面缺陷检测 |
| 4.5.1 阈值分割 |
| 4.5.2 形态学图像处理 |
| 4.5.3 线类缺陷检测 |
| 4.5.4 非线性缺陷检测 |
| 4.5.5 缺陷分类 |
| 4.6 本章小结 |
| 第5章 垫圈检测系统软件设计及实验分析 |
| 5.1 系统软件总体框架及开发环境 |
| 5.2 系统软件各模块功能及界面 |
| 5.2.1 操作权限模块 |
| 5.2.2 参数设置模块 |
| 5.2.3 缺陷检测模块 |
| 5.2.4 异常报警模块 |
| 5.3 系统实验测试及分析 |
| 5.3.1 实验条件及说明 |
| 5.3.2 相机标定参数 |
| 5.3.3 垫圈尺寸检测 |
| 5.3.4 垫圈上下端面缺陷检测 |
| 5.4 本章小结 |
| 第6章 结语 |
| 6.1 结语 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间参加的科研项目和成果 |
（4）基于深度学习的对虾剥壳识别与计数方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统目标检测算法 |
| 1.2.2 基于深度学习的目标检测算法 |
| 1.3 研究内容 |
| 1.3.1 对虾图像数据的获取与预处理方法研究 |
| 1.3.2 基于YOLO V4的对虾剥壳检测与计数方法研究 |
| 1.4 特色与创新 |
| 1.5 技术路线 |
| 第2章 对虾图像数据的获取与预处理方法研究 |
| 2.1 引言 |
| 2.2 数据采集 |
| 2.2.1 实验方案设计 |
| 2.2.2 实验装置设计 |
| 2.3 基于环境仿真的图像增强方法的图像预处理方法研究 |
| 2.3.1 基于图像的数据增强 |
| 2.3.2 基于像素的环境模拟 |
| 2.3.3 基于像素及卷积的噪声模拟 |
| 2.4 构建对虾数据集 |
| 2.4.1 基于图像的数据增强 |
| 2.4.2 基于像素的环境模拟 |
| 2.4.3 基于像素及卷积的噪声模拟 |
| 2.5 本章小结 |
| 第3章 基于YOLO V4的对虾剥壳检测与计数方法研究 |
| 3.1 引言 |
| 3.2 YOLO V4网络结构 |
| 3.3 对虾加工的剥壳识别检测模型构建 |
| 3.3.1 算法选择 |
| 3.3.2 环境准备 |
| 3.3.3 模型训练 |
| 3.4 基于YOLO V4的对虾剥壳计数检测模型构建 |
| 3.4.1 算法选择及环境准备 |
| 3.4.2 模型训练 |
| 3.5 结果与讨论 |
| 3.5.1 图像预处理方法与剥壳检测 |
| 3.5.2 对虾剥壳计数 |
| 3.6 本章小结 |
| 第4章 对虾加工检测系统设计与开发 |
| 4.1 系统简介 |
| 4.2 需求分析 |
| 4.2.1 软硬件环境 |
| 4.2.2 功能介绍 |
| 4.3 系统功能设计与实现 |
| 4.3.1 离线检测 |
| 4.3.2 在线监测 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 附录 |
| 作者简介 |
| 致谢 |
（5）基于深度学习的传输带纵向撕裂检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.2 国内外研究现状和算法综述 |
| 1.2.1 输送带撕裂检测国内外研究现状 |
| 1.2.2 深度学习算法和分割网络算法综述 |
| 1.3 本文的主要研究内容 |
| 第2章 传送带撕裂检测系统 |
| 2.1 引言 |
| 2.2 计算机视觉概述 |
| 2.3 输送带撕裂成因分析 |
| 2.4 检测系统可行性及难点 |
| 2.5 输送带撕裂视觉检测系统设计 |
| 2.6 总体设计方案 |
| 2.7 本章小结 |
| 第3章 激光线条纹分割算法设计 |
| 3.1 传统经典分割算法 |
| 3.1.1 统计规则的图像分割法 |
| 3.1.2 迭代方法和搜索逼近方法的图像分割 |
| 3.2 基于深度学习分割算法 |
| 3.2.1 样本检测的数据集的建立 |
| 3.2.2 样本的数据的增强与数据的标准化 |
| 3.2.3 分割网络的结构 |
| 3.3 分割网络详细结构解析 |
| 3.3.1 膨胀卷积 |
| 3.3.2 残差网络 |
| 3.3.3 神经网络的批的统一规范化 |
| 3.3.4 卷积网络的激活函数 |
| 3.3.5 卷积网络的损失函数 |
| 3.4 本章小结 |
| 第4章 激光线光条中心提取与分析 |
| 4.1 中心提取之灰度质心法 |
| 4.2 中心线提取之高斯曲线拟合法 |
| 4.3 相邻像素欧氏距离分析 |
| 4.4 相邻间曲率分析 |
| 4.5 相邻间输送带倾斜偏移分析 |
| 4.6 相邻样本图像帧分析算法 |
| 4.7 本章小结 |
| 第5章 实验与结果分析 |
| 5.1 实验环境的配置 |
| 5.2 实验结果评价标准 |
| 5.2.1 算法运行的时长 |
| 5.2.2 显卡内存占比 |
| 5.2.3 分割算法结果的准确性 |
| 5.3 分割实验结果分析 |
| 5.4 检测实验结果分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（6）基于机器视觉的胶囊表面缺陷检测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于工业相机的胶囊缺陷检测系统 |
| 1.2.2 基于机器视觉的胶囊缺陷检测技术 |
| 1.2.3 其他胶囊缺陷检测技术 |
| 1.3 主要研究内容 |
| 1.4 主要框架 |
| 第2章 机器视觉检测实验平台和数据采集 |
| 2.1 机器视觉检测实验平台 |
| 2.2 胶囊图像采集及缺陷信息标注 |
| 2.3 本章小结 |
| 第3章 基于图像滤波和YOLOv3的胶囊缺陷识别和定位 |
| 3.1 引言 |
| 3.2 基于图像滤波的复杂背景弱化 |
| 3.3 基于机器视觉的胶囊轮廓提取 |
| 3.3.1 图像梯度 |
| 3.3.2 阈值分割 |
| 3.4 基于改进YOLOv3的胶囊缺陷识别、定位模型 |
| 3.4.1 YOLOv3目标检测算法原理 |
| 3.4.2 基于K-means的胶囊数据集先验框获取 |
| 3.4.3 改进YOLOv3算法模型 |
| 3.5 实验结果与分析 |
| 3.6 本章小结 |
| 第4章 基于胶囊运动速度和系统缺陷检测能力系数建模与仿真分析 |
| 4.1 引言 |
| 4.2 胶囊运动速度与系统识别系数关联关系模型的建立 |
| 4.3 基于MATLAB的模型仿真实验与分析 |
| 4.4 本章小结 |
| 第5章 胶囊表面缺陷检测软件 |
| 5.1 软件设计流程 |
| 5.1.1 软件设计工具及软件功能 |
| 5.1.2 基本模块结构 |
| 5.1.3 扩展功能 |
| 5.2 实验验证 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录A 在学期间发表的学术论文与研究成果 |
| 在校期间发表及录用论文情况 |
| 附录B 在学期间参与项目与获奖 |
| 在校期间参与项目情况 |
| 在校期间获奖情况 |
| 图版 |
| 图目录 |
| 表目录 |
（7）基于线结构光扫描的金属件表面缺陷检测（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 视觉测量技术概述 |
| 1.3 研究内容及结构 |
| 第二章 三维表面缺陷检测系统的数学模型 |
| 2.1 理想相机传感器测量模型 |
| 2.1.1 坐标系之间的关系 |
| 2.1.2 相机标定算法 |
| 2.2 线结构光视觉传感器的组成与测量模型 |
| 2.3 线结构光三维扫描系统的简化数学模型 |
| 2.4 本章小结 |
| 第三章 线结构光扫描系统参数标定 |
| 3.1 线结构光视觉传感器内部参数标定 |
| 3.2 激光条纹中心线提取 |
| 3.2.1 几何中心法 |
| 3.2.2 能量中心法 |
| 3.3 线结构光视觉传感器外部参数标定 |
| 3.3.1 相机坐标系下点的坐标计算 |
| 3.3.2 相机坐标系下激光平面的标定 |
| 3.3.3 激光平面标定评价指标 |
| 3.3.4 激光平面标定误差造成分析 |
| 3.4 相机坐标系下传送带速度标定 |
| 3.4.1 利用光平面法向量修正坐标 |
| 3.4.2 相机坐标系下传送带速度方向标定 |
| 3.4.3 传送带采样间隔位移量标定 |
| 3.5 本章小结 |
| 第四章 基于点云数据的三维表面缺陷检测 |
| 4.1 基于高度映射的降维点云缺陷检测 |
| 4.1.1 高度映射模型 |
| 4.1.2 插值算法 |
| 4.1.3 基于高度映射的缺陷分割 |
| 4.2 基于点云数据特征的缺陷检测与量化 |
| 4.2.1 基于物体特征的缺陷提取 |
| 4.2.2 基于并查集的点云数据聚类 |
| 4.2.3 点云降采样 |
| 4.2.4 缺陷量化 |
| 4.3 本章小结 |
| 第五章 三维表面缺陷检测系统设计与实现 |
| 5.1 系统总体结构 |
| 5.2 系统硬件结构 |
| 5.3 系统功能模块的设计与实现 |
| 5.3.1 标定模块 |
| 5.3.2 数据采集模块 |
| 5.3.3 缺陷检测模块 |
| 5.4 本章小结 |
| 第六章 三维表面缺陷检测系统实验与分析 |
| 6.1系统标定实验 |
| 6.2 系统标定精度验证 |
| 6.3 缺陷检测实验 |
| 6.4 缺陷检测实验统计分析结果 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（8）基于视觉的瓶装矿泉水悬浮物自动检测技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外液体中悬浮物检测设备研究现状 |
| 1.2.2 瓶装溶液中悬浮物检测研究现状 |
| 1.2.3 视觉检测技术研究现状及发展趋势 |
| 1.3 本文研究内容与结构安排 |
| 第二章 悬浮物检测系统总体方案设计 |
| 2.1 检测对象的分析 |
| 2.1.1 矿泉水中悬浮物的来源及分类 |
| 2.1.2 需求分析 |
| 2.2 矿泉水检测装置技术要求 |
| 2.2.1 图像质量的要求 |
| 2.2.2 检测效率的要求 |
| 2.3 检测系统总体方案设计 |
| 2.3.1 装置结构 |
| 2.3.2 工作原理 |
| 2.4 图像采集处理系统 |
| 2.4.1 图像采集处理的基本原理 |
| 2.4.2 光源与照明技术 |
| 2.4.3 本系统照明方案设计 |
| 2.5 工业相机选型 |
| 2.6 本章小结 |
| 第三章 瓶装矿泉水悬浮物检测算法研究 |
| 3.1 图像采集 |
| 3.2 悬浮物颗粒目标识别 |
| 3.2.1 图像差分 |
| 3.2.2 背景净化 |
| 3.2.3 边缘平滑 |
| 3.3 悬浮物颗粒数量统计及尺寸参数检测 |
| 3.3.1 悬浮物颗粒数量统计 |
| 3.3.2 尺寸参数检测 |
| 3.4 本章小结 |
| 第四章 系统测试与检测结果分析 |
| 4.1 材料与实验方案 |
| 4.2 检测结果与讨论 |
| 4.2.1 检测结果 |
| 4.2.2 误差分析与讨论 |
| 4.3 重复性实验 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 附录 A:攻读硕士学位期间科研情况 |
（9）基于机器视觉的纱管识别与系统实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 自动化理管机系统的研究现状 |
| 1.3 机器视觉在检测系统的应用领域 |
| 1.4 机器视觉在检测系统的发展趋势 |
| 1.5 本课题来源以及论文结构安排 |
| 1.5.1 课题来源 |
| 1.5.2 论文结构安排 |
| 第2章 纱管在线检测系统方案设计 |
| 2.1 系统整体方案设计 |
| 2.2 系统要求技术指标 |
| 2.2.1 纱管分拣速度技术指标 |
| 2.2.2 识别含纱情况技术指标 |
| 2.2.3 图像采集速度技术指标 |
| 2.3 机器视觉设备选型 |
| 2.3.1 工业相机选型 |
| 2.3.2 工业镜头选型 |
| 2.3.3 机器视觉光源选型 |
| 2.3.4 纱管在线检测系统设备选型分析 |
| 2.4 检测系统设计 |
| 2.5 控制单元设计 |
| 2.5.1 触发拍照模块设计 |
| 2.5.2 光源控制器模块设计 |
| 2.5.3 数据通信模块设计 |
| 2.6 本章小结 |
| 第3章 纱管图像处理算法设计与实现 |
| 3.1 图像去噪处理 |
| 3.1.1 中值滤波 |
| 3.1.2 高斯滤波 |
| 3.1.3 均值滤波 |
| 3.2 边缘检测 |
| 3.2.1 差分边缘检测 |
| 3.2.2 索贝尔边缘检测 |
| 3.3 纱管含纱检测方法 |
| 3.3.1 图像预处理 |
| 3.3.2 剔除聚类点 |
| 3.3.3 形态学处理 |
| 3.3.4 统计最大连通域面积 |
| 3.4 位置检测方法 |
| 3.4.1 端口图像截取 |
| 3.4.2 梯度及二值化处理 |
| 3.4.3 宽度提取 |
| 3.5 纱管颜色分拣方法 |
| 3.5.1 色环检测与颜色提取 |
| 3.5.2 颜色分拣 |
| 3.6 本章小结 |
| 第4章 系统软件设计 |
| 4.1 理管机在线检测系统软件整体框架 |
| 4.2 上位机软件设计 |
| 4.2.1 上位机软件工作流程 |
| 4.2.2 相机参数配置软件 |
| 4.2.3 图像处理软件 |
| 4.3 图像处理软件功能模块分析 |
| 4.3.1 图像采集功能实现 |
| 4.3.2 图像算法处理功能实现 |
| 4.3.3 参数设置功能模块实现 |
| 4.3.4 图像存储功能模块实现 |
| 4.3.5 状态测试功能模块实现 |
| 4.3.6 注册升级功能模块实现 |
| 4.3.7 人机交互界面设计 |
| 4.4 本章小结 |
| 第5章 系统图像检测模块测试 |
| 5.1 测试环境 |
| 5.1.1 软件环境测试 |
| 5.1.2 视觉检测硬件环境 |
| 5.2 下位机主控板和光源控制板测试 |
| 5.2.1 电源管理模块测试 |
| 5.2.2 串口通信模块测试 |
| 5.2.3 光源强度PWM调节模块 |
| 5.3 图像处理软件测试 |
| 5.4 图像检测算法稳定性测试 |
| 5.4.1 纱管含纱误判率测试 |
| 5.4.2 颜色分拣误判率测试 |
| 5.5 其他测试 |
| 5.5.1 图像处理时间测试 |
| 5.5.2 工业相机实际帧率测试 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究成果总结 |
| 6.2 后续研究工作展望 |
| 致谢 |
| 参考文献 |
| 附录 作者在读期间发表的学术论文及参加的科研项目 |
（10）基于机器视觉的齿轮在线检测系统的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景、目的及意义 |
| 1.2 课题的国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 课题的研究内容与章节安排 |
| 1.4 本章小结 |
| 第二章 系统总体设计 |
| 2.1 系统总体设计方案 |
| 2.2 系统的硬件设计 |
| 2.2.1 光源选型及照明设计 |
| 2.2.2 相机的选型 |
| 2.2.3 系统的硬件平台设计 |
| 2.3 系统的软件设计 |
| 2.3.1 图像采集模块 |
| 2.3.2 齿轮尺寸测量模块 |
| 2.3.3 齿轮特征检测模块 |
| 2.4 本章小结 |
| 第三章 齿轮图像预处理 |
| 3.1 图像灰度化 |
| 3.2 齿轮图像滤波算法 |
| 3.2.1 图像噪声分析 |
| 3.2.2 常用的去噪方法 |
| 3.2.3 高斯滤波算法及实验验证 |
| 3.3 本章小结 |
| 第四章 图像边缘检测方法研究 |
| 4.1 边缘检测基础理论与方法 |
| 4.1.1 边缘的分类 |
| 4.1.2 边缘检测方法分类 |
| 4.2 本文边缘检测算法 |
| 4.2.1 经典边缘提取算子提取齿轮图像边缘 |
| 4.2.2 本文齿轮图像边缘检测方法 |
| 4.3 本章小结 |
| 第五章 基于机器视觉的齿轮在线检测系统的实现 |
| 5.1 齿轮测量系统的标定 |
| 5.2 齿轮沟槽测量实验 |
| 5.2.1 齿轮测量系统处理过程 |
| 5.2.2 齿轮测量系统软件实现 |
| 5.2.3 实验结果分析 |
| 5.2.4 误差分析 |
| 5.3 齿轮内齿检测实验 |
| 5.3.1 齿轮内齿缺陷检测具体实现方法 |
| 5.3.2 齿轮检测系统软件实现 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 发表论文和参加科研情况 |
| 致谢 |
四、传送带计算机视觉检测系统的研究（论文参考文献）
- [1]基于深度学习的带式输送机非煤异物视频检测系统[D]. 胡璟皓. 太原理工大学, 2021(01)
- [2]计算机视觉技术在塑料成品检测中的应用[J]. 杨朝义,李海强,黄芬梅. 塑料科技, 2021(05)
- [3]车用推力轴承垫圈检测系统研究[D]. 王乐乐. 浙江科技学院, 2020(03)
- [4]基于深度学习的对虾剥壳识别与计数方法研究[D]. 刘雄. 河北农业大学, 2021(05)
- [5]基于深度学习的传输带纵向撕裂检测研究[D]. 张晓卫. 燕山大学, 2020(01)
- [6]基于机器视觉的胶囊表面缺陷检测技术研究[D]. 王铮. 贵州大学, 2020(04)
- [7]基于线结构光扫描的金属件表面缺陷检测[D]. 邱怡乐. 电子科技大学, 2020(07)
- [8]基于视觉的瓶装矿泉水悬浮物自动检测技术研究[D]. 盛子夜. 昆明理工大学, 2020(04)
- [9]基于机器视觉的纱管识别与系统实现[D]. 马新良. 杭州电子科技大学, 2020(02)
- [10]基于机器视觉的齿轮在线检测系统的研究[D]. 杨杰伟. 天津工业大学, 2020(02)