| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第18-51页 |
| 1.1 选题背景及研究目的 | 第18-24页 |
| 1.1.1 工业4.0与智能制造装备 | 第18-20页 |
| 1.1.2 智能制造装备中的机器视觉感知与控制系统 | 第20-23页 |
| 1.1.3 智能制造装备机器视觉检测控制系统方案 | 第23-24页 |
| 1.2 智能制造装备机器视觉检测关键技术 | 第24-34页 |
| 1.2.1 工业成像系统关键技术 | 第24-25页 |
| 1.2.2 自动图像获取 | 第25-27页 |
| 1.2.3 图像预处理方法 | 第27-29页 |
| 1.2.4 图像定位分割方法 | 第29-32页 |
| 1.2.5 图像识别检测方法 | 第32-34页 |
| 1.3 智能制造装备视觉伺服与优化控制关键技术 | 第34-38页 |
| 1.3.1 视觉伺服中的成像系统设计 | 第35-36页 |
| 1.3.2 基于图像和位置的视觉伺服方法 | 第36-37页 |
| 1.3.3 直接视觉伺服 | 第37-38页 |
| 1.3.4 基于机器视觉的优化控制方法 | 第38页 |
| 1.4 智能制造装备中的机器视觉检测控制技术典型应用 | 第38-46页 |
| 1.4.1 机器视觉检测控制系统基本结构 | 第38-40页 |
| 1.4.2 智能制造装备中的机器视觉检测识别问题 | 第40-42页 |
| 1.4.3 智能制造装备中的机器视觉检测识别方法研究现状 | 第42-45页 |
| 1.4.4 智能制造装备机器视觉检测识别的难点 | 第45-46页 |
| 1.5 本文研究内容的应用平台 | 第46-48页 |
| 1.6 本文课题来源与研究内容结构 | 第48-51页 |
| 1.6.1 课题来源 | 第48页 |
| 1.6.2 研究内容结构 | 第48-51页 |
| 第2章 基于直线段特征的视觉目标识别和位姿测量方法 | 第51-66页 |
| 2.1 引言 | 第51-52页 |
| 2.2 智能制造目标识别问题提出与解决方案 | 第52-54页 |
| 2.2.1 问题提出 | 第52-53页 |
| 2.2.2 本文目标识别方案 | 第53-54页 |
| 2.3 直线段检测器 | 第54-56页 |
| 2.4 直线段归类与模式构建 | 第56-59页 |
| 2.4.1 基于图的直线段归类 | 第56-58页 |
| 2.4.2 基于直线段的模式构建 | 第58-59页 |
| 2.5 目标匹配与位姿测量 | 第59-62页 |
| 2.5.1 基于轮廓的匹配度衡量方法 | 第59-60页 |
| 2.5.2 基于交点的位姿测量方法 | 第60-62页 |
| 2.6 图像空间到机器人作业空间的转换 | 第62-63页 |
| 2.6.1 成像系统标定 | 第62-63页 |
| 2.6.2 机器人作业参数的获取 | 第63页 |
| 2.7 实验分析 | 第63-65页 |
| 2.7.1 实验对象 | 第63-64页 |
| 2.7.2 目标识别精度分析 | 第64页 |
| 2.7.3 实时性和可靠性分析 | 第64-65页 |
| 2.8 本章小结 | 第65-66页 |
| 第3章 基于超像素的机器视觉表面缺陷检测方法 | 第66-89页 |
| 3.1 引言 | 第66-67页 |
| 3.2 表面缺陷检测问题提出和难点分析 | 第67-69页 |
| 3.2.1 表面缺陷检测问题提出 | 第67页 |
| 3.2.2 表面缺陷类型分析 | 第67-69页 |
| 3.2.3 表面缺陷检测难点分析 | 第69页 |
| 3.3 检测方案及流程 | 第69-70页 |
| 3.4 基于熵率聚类的检测目标定位方法 | 第70-75页 |
| 3.4.1 基于熵率聚类的图像分割算法 | 第71-72页 |
| 3.4.2 基于熵率聚类的多检测区域提取方法 | 第72-75页 |
| 3.5 基于超像素聚类的圆形区域表面缺陷检测方法 | 第75-77页 |
| 3.6 基于脊检测的环形区域表面缺陷检测方法 | 第77-81页 |
| 3.7 基于脊检测的卷缘区域宽度测量 | 第81-82页 |
| 3.8 实验分析 | 第82-86页 |
| 3.8.1 实验条件 | 第82页 |
| 3.8.2 目标定位精度分析 | 第82-83页 |
| 3.8.3 缺陷检测性能分析 | 第83-84页 |
| 3.8.4 缺陷分割性能分析 | 第84-85页 |
| 3.8.5 参数敏感性与算法鲁棒性分析 | 第85-86页 |
| 3.8.6 检测速度分析 | 第86页 |
| 3.9 对比试验 | 第86-88页 |
| 3.10 本章小结 | 第88-89页 |
| 第4章 基于脊检测的机器视觉码垛识别方法 | 第89-112页 |
| 4.1 引言 | 第89-90页 |
| 4.2 码垛图像和检测难点分析 | 第90-92页 |
| 4.2.1 码垛识别问题提出 | 第90页 |
| 4.2.2 码垛图像分析 | 第90-92页 |
| 4.2.3 码垛检测面临的主要难题 | 第92页 |
| 4.3 基于多尺度脊检测的码垛识别原理 | 第92-96页 |
| 4.3.1 脊检测理论 | 第92-95页 |
| 4.3.2 基于脊特征的码垛识别原理 | 第95-96页 |
| 4.4 基于双高斯模型的码垛识别方法 | 第96-102页 |
| 4.4.1 双高斯脊检测算子 | 第97-99页 |
| 4.4.2 基于双高斯脊检测的码垛识别原理 | 第99-100页 |
| 4.4.3 脊-谷检测算子 | 第100-102页 |
| 4.5 基于脊特征的码垛识别与验证方法 | 第102-105页 |
| 4.5.1 检测对象识别方法 | 第102-103页 |
| 4.5.2 检测对象验证方法 | 第103-105页 |
| 4.6 实验分析 | 第105-108页 |
| 4.6.1 实验条件 | 第105页 |
| 4.6.2 算法准确性分析 | 第105-107页 |
| 4.6.3 检测算法的鲁棒性分析 | 第107页 |
| 4.6.4 检测范围和检测速度分析 | 第107-108页 |
| 4.7 对比试验 | 第108-109页 |
| 4.8 推广应用 | 第109-110页 |
| 4.9 本章小结 | 第110-112页 |
| 第5章 基于小波分析的机器视觉码垛识别方法 | 第112-123页 |
| 5.1 引言 | 第112页 |
| 5.2 基于小波分析的码垛识别原理 | 第112页 |
| 5.3 基于多精度小波分析的码垛图像分解 | 第112-117页 |
| 5.4 基于能量分析的小波系数阂值选取方法 | 第117-119页 |
| 5.5 基于小波特征的检测目标识别方法 | 第119-120页 |
| 5.6 实验分析 | 第120-121页 |
| 5.6.1 算法准确性分析 | 第120-121页 |
| 5.6.2 算法的鲁棒性分析 | 第121页 |
| 5.7 本章小结 | 第121-123页 |
| 第6章 一种智能制造机器人视觉感知控制系统实现 | 第123-135页 |
| 6.1 引言 | 第123页 |
| 6.2 机器人视觉检测控制系统总体设计 | 第123-127页 |
| 6.2.1 总体方案设计 | 第123-124页 |
| 6.2.2 运动控制子系统设计 | 第124-126页 |
| 6.2.3 成像子系统设计 | 第126-127页 |
| 6.2.4 基于信号触发的整机协调控制方案设计 | 第127页 |
| 6.3 机器视觉检测控制系统软件设计 | 第127-132页 |
| 6.3.1 作业机器人成像系统标定 | 第128-129页 |
| 6.3.2 上下料机器臂软件设计 | 第129-131页 |
| 6.3.3 基于图像处理流程的视觉检测控制软件设计 | 第131-132页 |
| 6.4 系统性能测试 | 第132-133页 |
| 6.5 应用前景 | 第133-134页 |
| 6.6 本章小结 | 第134-135页 |
| 总结与展望 | 第135-138页 |
| 参考文献 | 第138-151页 |
| 附录A 发表论文和参加科研情况说明 | 第151-153页 |
| 致谢 | 第153页 |
