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加速線性鄰域?yàn)V波算法對(duì)比實(shí)驗(yàn)設(shè)計(jì)
2.3.1線性鄰域?yàn)V波基礎(chǔ)簡(jiǎn)介
2.3.2OpenCV CPU實(shí)現(xiàn)線性鄰域?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)品表面缺陷分類的應(yīng)用
3.8產(chǎn)品表面缺陷分類在線檢測(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)