产品表面缺陷视觉检测

前言
第1章计算机视觉检测处理系统研究
1.1概述
1.1.1研究背景和意义
1.1.2国内外研究现状
1.1.3主要研究内容
1.2嵌入式图像处理系统总体设计方案
1.2.1嵌入式系统选择
1.2.2嵌入式操作系统选择
1.2.3NVIDIA Jetson TK1开发板介绍
1.2.4系统体系结构及其功能原理
1.3系统硬件开发环境
1.3.1产品检测装置
1.3.2图像采集单元
1.3.3系统光源
1.3.4外围扩展电路
1.3.5执行机构
1.4系统软件开发环境
1.4.1Ubuntu-Linux概述
1.4.2NVIDIA Jetson TK1平台搭建
1.4.3相机驱动安装
1.4.4Jetson TK1刷机
1.4.5Tegra内核编译与安装
1.5嵌入式图像处理系统软件设计
1.5.1数字图像处理技术概述
1.5.2图像处理算法设计
1.5.3GPIO输入输出
1.5.4UI界面设计
第2章邻域滤波算法的GPU加速研究与实现
2.1概述
2.1.1研究背景和意义
2.1.2国内外相关领域发展现状
2.2并行编程模型概述
2.2.1OpenCV并行库概述
2.2.2CUDA并行库概述
2.2.3OpenCV和CUDA结合编程方案
2.3OpenCV GPU加速线性邻域滤波算法对比实验设计
2.3.1线性邻域滤波基础简介
2.3.2OpenCV CPU实现线性邻域滤波算法实验设计
2.3.3OpenCV GPU实现线性邻域滤波算法对比实验设计
2.3.4OpenCV CPU与OpenCV GPU实验结果对比分析
2.4CUDA加速双边滤波对比实验设计
2.4.1非线性邻域滤波——双边滤波
2.4.2OpenCV CPU实现双边滤波算法实验设计
2.4.3CUDA实现双边滤波算法实验设计
2.4.4OpenCV CPU与CUDA实验结果对比分析
2.5OpenCV GPU+CUDA实现双边滤波算法实验设计
2.5.1OpenCV GPU+CUDA 实现双边滤波实验的设计方法
2.5.2实验结果与分析
2.5.3OpenCV GPU+CUDA结合编程与CUDA单独编程实验结果
对比分析
2.5.4OpenCV GPU+CUDA加速双边滤波在雪糕板平面检测上的应用
第3章基于深度学习的产品表面缺陷检测
3.1概述
3.1.1研究背景和意义
3.1.2国内外研究现状与发展前景
3.2产品表面的缺陷检测识别
3.2.1产品缺陷检测
3.2.2图像采集环境搭建
3.2.3视觉检测产品缺陷的整体布局
3.2.4产品图像处理基本方法
3.3机器认知统计学习的应用
3.3.1机器学习的方法分析
3.3.2机器学习算法的选用
3.3.3卷积神经网络经典算法
3.3.4主要参数的选择
3.4基于深度学习的图像识别模型搭建
3.4.1实验环境
3.4.2原始数据预处理
3.4.3基于卷积神经网络图像识别模型的建立
3.4.4学习模型的实现
3.4.5学习模型的训练及测试
3.5基于TensorFlow的产品缺陷检测实验分析
3.5.1网络参数确立
3.5.2训练模型参数分析
3.5.3实验检测验证分析
3.6缺陷分析与图像预处理
3.6.1缺陷类型分析
3.6.2预处理
3.6.3数据增强
3.7基于深度学习的产品表面缺陷分类算法设计
3.7.1深度学习基础
3.7.2迁移学习在产品表面缺陷分类的应用
3.8产品表面缺陷分类在线检测实验
3.8.1环境配置
3.8.2实验结果与分析
第4章视觉伺服搬运机械臂的研究
4.1概述
4.1.1研究背景和意义
4.1.2国内外研究现状
4.2自动化搬运系统总体方案的设计
4.2.1工序加工线的布局与雪糕棒搬运需求分析
4.2.2雪糕棒自动化搬运系统
4.2.3系统拾取误差分析
4.3产品搬运机械臂视觉定位技术
4.3.1视觉系统硬件选择
4.3.2视觉图像处理系统方案
4.3.3图像处理过程
4.3.4图像处理
4.3.5相机标定
4.4产品搬运机械臂的设计及运动学分析
4.4.1接收端与供应端传送链分析
4.4.2执行主体实际设计
4.4.3机械臂运动学分析
4.5ROS环境下的雪糕棒搬运机械臂的控制
4.5.1ROS简介
4.5.2运动控制架构与控制配置逻辑
4.5.3系统功能包的建立
4.5.4DELTA机械臂仿真控制
附录
附录A制作Tfrecords的部分程序代码
附录B数据转化部分代码
附录C主程序部分代码
附录D插件引用程序段
附录E逆运动学部分程序
附录F相机标定部分程序
附录G图像处理部分程序
参考文献