產(chǎn)品表面缺陷視覺(jué)檢測(cè)

前言
第1章計(jì)算機(jī)視覺(jué)檢測(cè)處理系統(tǒng)研究
1.1概述
1.1.1研究背景和意義
1.1.2國(guó)內(nèi)外研究現(xiàn)狀
1.1.3主要研究?jī)?nèi)容
1.2嵌入式圖像處理系統(tǒng)總體設(shè)計(jì)方案
1.2.1嵌入式系統(tǒng)選擇
1.2.2嵌入式操作系統(tǒng)選擇
1.2.3NVIDIA Jetson TK1開(kāi)發(fā)板介紹
1.2.4系統(tǒng)體系結(jié)構(gòu)及其功能原理
1.3系統(tǒng)硬件開(kāi)發(fā)環(huán)境
1.3.1產(chǎn)品檢測(cè)裝置
1.3.2圖像采集單元
1.3.3系統(tǒng)光源
1.3.4外圍擴(kuò)展電路
1.3.5執(zhí)行機(jī)構(gòu)
1.4系統(tǒng)軟件開(kāi)發(fā)環(huán)境
1.4.1Ubuntu-Linux概述
1.4.2NVIDIA Jetson TK1平臺(tái)搭建
1.4.3相機(jī)驅(qū)動(dòng)安裝
1.4.4Jetson TK1刷機(jī)
1.4.5Tegra內(nèi)核編譯與安裝
1.5嵌入式圖像處理系統(tǒng)軟件設(shè)計(jì)
1.5.1數(shù)字圖像處理技術(shù)概述
1.5.2圖像處理算法設(shè)計(jì)
1.5.3GPIO輸入輸出
1.5.4UI界面設(shè)計(jì)
第2章鄰域?yàn)V波算法的GPU加速研究與實(shí)現(xiàn)
2.1概述
2.1.1研究背景和意義
2.1.2國(guó)內(nèi)外相關(guān)領(lǐng)域發(fā)展現(xiàn)狀
2.2并行編程模型概述
2.2.1OpenCV并行庫(kù)概述
2.2.2CUDA并行庫(kù)概述
2.2.3OpenCV和CUDA結(jié)合編程方案
2.3OpenCV GPU加速線(xiàn)性鄰域?yàn)V波算法對(duì)比實(shí)驗(yàn)設(shè)計(jì)
2.3.1線(xiàn)性鄰域?yàn)V波基礎(chǔ)簡(jiǎn)介
2.3.2OpenCV CPU實(shí)現(xiàn)線(xiàn)性鄰域?yàn)V波算法實(shí)驗(yàn)設(shè)計(jì)
2.3.3OpenCV GPU實(shí)現(xiàn)線(xiàn)性鄰域?yàn)V波算法對(duì)比實(shí)驗(yàn)設(shè)計(jì)
2.3.4OpenCV CPU與OpenCV GPU實(shí)驗(yàn)結(jié)果對(duì)比分析
2.4CUDA加速雙邊濾波對(duì)比實(shí)驗(yàn)設(shè)計(jì)
2.4.1非線(xiàn)性鄰域?yàn)V波——雙邊濾波
2.4.2OpenCV CPU實(shí)現(xiàn)雙邊濾波算法實(shí)驗(yàn)設(shè)計(jì)
2.4.3CUDA實(shí)現(xiàn)雙邊濾波算法實(shí)驗(yàn)設(shè)計(jì)
2.4.4OpenCV CPU與CUDA實(shí)驗(yàn)結(jié)果對(duì)比分析
2.5OpenCV GPU+CUDA實(shí)現(xiàn)雙邊濾波算法實(shí)驗(yàn)設(shè)計(jì)
2.5.1OpenCV GPU+CUDA 實(shí)現(xiàn)雙邊濾波實(shí)驗(yàn)的設(shè)計(jì)方法
2.5.2實(shí)驗(yàn)結(jié)果與分析
2.5.3OpenCV GPU+CUDA結(jié)合編程與CUDA單獨(dú)編程實(shí)驗(yàn)結(jié)果
對(duì)比分析
2.5.4OpenCV GPU+CUDA加速雙邊濾波在雪糕板平面檢測(cè)上的應(yīng)用
第3章基于深度學(xué)習(xí)的產(chǎn)品表面缺陷檢測(cè)
3.1概述
3.1.1研究背景和意義
3.1.2國(guó)內(nèi)外研究現(xiàn)狀與發(fā)展前景
3.2產(chǎn)品表面的缺陷檢測(cè)識(shí)別
3.2.1產(chǎn)品缺陷檢測(cè)
3.2.2圖像采集環(huán)境搭建
3.2.3視覺(jué)檢測(cè)產(chǎn)品缺陷的整體布局
3.2.4產(chǎn)品圖像處理基本方法
3.3機(jī)器認(rèn)知統(tǒng)計(jì)學(xué)習(xí)的應(yīng)用
3.3.1機(jī)器學(xué)習(xí)的方法分析
3.3.2機(jī)器學(xué)習(xí)算法的選用
3.3.3卷積神經(jīng)網(wǎng)絡(luò)經(jīng)典算法
3.3.4主要參數(shù)的選擇
3.4基于深度學(xué)習(xí)的圖像識(shí)別模型搭建
3.4.1實(shí)驗(yàn)環(huán)境
3.4.2原始數(shù)據(jù)預(yù)處理
3.4.3基于卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別模型的建立
3.4.4學(xué)習(xí)模型的實(shí)現(xiàn)
3.4.5學(xué)習(xí)模型的訓(xùn)練及測(cè)試
3.5基于TensorFlow的產(chǎn)品缺陷檢測(cè)實(shí)驗(yàn)分析
3.5.1網(wǎng)絡(luò)參數(shù)確立
3.5.2訓(xùn)練模型參數(shù)分析
3.5.3實(shí)驗(yàn)檢測(cè)驗(yàn)證分析
3.6缺陷分析與圖像預(yù)處理
3.6.1缺陷類(lèi)型分析
3.6.2預(yù)處理
3.6.3數(shù)據(jù)增強(qiáng)
3.7基于深度學(xué)習(xí)的產(chǎn)品表面缺陷分類(lèi)算法設(shè)計(jì)
3.7.1深度學(xué)習(xí)基礎(chǔ)
3.7.2遷移學(xué)習(xí)在產(chǎn)品表面缺陷分類(lèi)的應(yīng)用
3.8產(chǎn)品表面缺陷分類(lèi)在線(xiàn)檢測(cè)實(shí)驗(yàn)
3.8.1環(huán)境配置
3.8.2實(shí)驗(yàn)結(jié)果與分析
第4章視覺(jué)伺服搬運(yùn)機(jī)械臂的研究
4.1概述
4.1.1研究背景和意義
4.1.2國(guó)內(nèi)外研究現(xiàn)狀
4.2自動(dòng)化搬運(yùn)系統(tǒng)總體方案的設(shè)計(jì)
4.2.1工序加工線(xiàn)的布局與雪糕棒搬運(yùn)需求分析
4.2.2雪糕棒自動(dòng)化搬運(yùn)系統(tǒng)
4.2.3系統(tǒng)拾取誤差分析
4.3產(chǎn)品搬運(yùn)機(jī)械臂視覺(jué)定位技術(shù)
4.3.1視覺(jué)系統(tǒng)硬件選擇
4.3.2視覺(jué)圖像處理系統(tǒng)方案
4.3.3圖像處理過(guò)程
4.3.4圖像處理
4.3.5相機(jī)標(biāo)定
4.4產(chǎn)品搬運(yùn)機(jī)械臂的設(shè)計(jì)及運(yùn)動(dòng)學(xué)分析
4.4.1接收端與供應(yīng)端傳送鏈分析
4.4.2執(zhí)行主體實(shí)際設(shè)計(jì)
4.4.3機(jī)械臂運(yùn)動(dòng)學(xué)分析
4.5ROS環(huán)境下的雪糕棒搬運(yùn)機(jī)械臂的控制
4.5.1ROS簡(jiǎn)介
4.5.2運(yùn)動(dòng)控制架構(gòu)與控制配置邏輯
4.5.3系統(tǒng)功能包的建立
4.5.4DELTA機(jī)械臂仿真控制
附錄
附錄A制作Tfrecords的部分程序代碼
附錄B數(shù)據(jù)轉(zhuǎn)化部分代碼
附錄C主程序部分代碼
附錄D插件引用程序段
附錄E逆運(yùn)動(dòng)學(xué)部分程序
附錄F相機(jī)標(biāo)定部分程序
附錄G圖像處理部分程序
參考文獻(xiàn)