基于机器视觉的涂布缺陷检测系统的研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-13页 |
| 1.1 课题来源 | 第8页 |
| 1.2 课题的研究意义 | 第8-9页 |
| 1.3 国内外研究概况 | 第9-11页 |
| 1.4 本文主要内容及具体安排 | 第11-13页 |
| 2 检测系统总体方案 | 第13-19页 |
| 2.1 涂布表面主要缺陷介绍 | 第13-15页 |
| 2.2 涂布表面缺陷检测方案 | 第15-18页 |
| 2.3 本章小结 | 第18-19页 |
| 3 成像模块设计 | 第19-30页 |
| 3.1 相机选型 | 第19-22页 |
| 3.2 镜头选型 | 第22-24页 |
| 3.3 图像采集卡选型 | 第24-25页 |
| 3.4 光源及照明方式 | 第25-29页 |
| 3.5 本章小结 | 第29-30页 |
| 4 基于KNN算法对产品典型缺陷的分类 | 第30-41页 |
| 4.1 图像平滑去噪处理 | 第30-33页 |
| 4.2 k近邻(KNN)分类算法简介 | 第33-34页 |
| 4.3 特征选择与特征提取 | 第34-37页 |
| 4.4 KNN分类算法实现 | 第37-40页 |
| 4.5 本章小结 | 第40-41页 |
| 5 基于PCA重构算法对低对比度缺陷的检测 | 第41-55页 |
| 5.1 基本概念和意义 | 第41页 |
| 5.2 基本原理 | 第41-45页 |
| 5.3 算法步骤 | 第45-46页 |
| 5.4 主成分阶数的确定 | 第46-48页 |
| 5.5 统计过程控制二值化方法 | 第48-51页 |
| 5.6 PCA算法实验结果与效率优化 | 第51-54页 |
| 5.7 本章小结 | 第54-55页 |
| 6 系统实现 | 第55-60页 |
| 6.1 现场应用 | 第55-57页 |
| 6.2 软件操作界面 | 第57-58页 |
| 6.3 检测数据统计分析 | 第58-59页 |
| 6.4 本章小结 | 第59-60页 |
| 7 总结与展望 | 第60-62页 |
| 7.1 全文总结 | 第60页 |
| 7.2 研究展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-69页 |
