5个研究背景和意义示例,教你写计算机质量检测论文

今天分享的是关于质量检测的5篇计算机毕业论文范文, 如果你的论文涉及到质量检测等主题,本文能够帮助到你

基于面阵相机的表面缺陷视觉检测成像系统研究

这是一篇关于视觉成像,表面缺陷,质量检测,辅助选型系统,图像清晰度评价的论文, 主要内容为随着科技发展突飞猛进、产品日趋复杂化、人们对产品质量要求日趋严格,智能质量检测成为制造企业提高质量水平和提升核心竞争力的关键要素。零部件表面缺陷直接影响产品外观、性能、寿命,甚至运行安全,因此表面缺陷检测对制造企业具有极为重要的意义。机器视觉表面缺陷检测以非接触式、精度高与安全可靠等优点,广泛运用于各工业领域。成像系统的设计与图像质量评估对机器视觉检测具有至关重要的影响,是提高缺陷检测精度、效率、可靠性的关键。因此,对表面缺陷视觉检测成像系统进行研究具有极为重要的意义和工程应用价值。针对当前表面缺陷视觉检测项目存在成像系统设计耗时费力、设计流程不明确和缺乏相应的图像质量评价方法的问题,本文对表面缺陷检测成像系统整体设计与评价展开了深入研究,设计了各成像设备选型的流程,开发了视觉成像设备辅助选型系统,通过成像光学模型指导成像系统照明设计,重点对无参图像清晰度评价算法进行了研究与改进,最后基于上述所有研究成果,通过两个表面缺陷检测的实例予以应用验证。本文主要研究工作如下:(1)从表面缺陷视觉检测成像系统设计的整体流程出发,基于成像设备选型的基础与匹配原则,设计了面阵相机与定焦、变焦和远心三种镜头的选型流程;分析了表面缺陷视觉检测中常用LED光源的特点、适用场景与照明相关的颜色特性和表面反射性质,设计了光源选型流程。(2)基于表面缺陷视觉检测成像系统的相机和镜头选型流程,设计并开发了视觉成像设备辅助选型系统。该系统利用SQL Server数据库对成像设备信息进行管理,基于Matlab App Designer设计了系统可视化界面和选型程序。在对EMC支架和SFP+底座两个表面缺陷检测实例进行缺陷类型与检测需求分析的基础上,基于该辅助选型系统分别完成了EMC支架和SFP+底座两个表面缺陷视觉检测实例的成像相机和镜头设备选型,验证了系统辅助选型的有效性。(3)对面阵相机成像光学模型进行研究,推导了图像灰度影响因素的数学模型。基于该模型对EMC支架和SFP+底座两个表面缺陷检测实例进行成像系统照明设计,对前者成像系统分别设置了光照角度和光照强度实验,对后者分别设计了照明方案对比和光照强度实验,运用图像分割方法和缺陷显现力指标对两个实例不同照明方案获得的图像进行评价,完成了两个表面缺陷视觉检测成像系统照明方式的设计。(4)引入无参考图像清晰度评价算法对视觉成像系统的运行状态进行检测,判断成像系统是否处于正焦及能否获取可处理的图像的状态,可用于成像设备调试和设备大修后的图像评价。针对现有的经典算法Reblur和NRSS算法未能对SFP+底座表面缺陷视觉检测成像系统所采集的清晰与模糊图像作出准确评价的问题,提出了一种基于加权模型的无参图像清晰度算法。该算法充分利用了Reblur算法的效率优势和NRSS算法的性能优势,引入与人眼视觉特性更为接近的GSSIM模型替代NRSS算法中SSIM模型,同时在充分利用全局和局部细节信息的基础上,为提高效率采用不重叠遍历图像的方式提取信息丰富的图像块。基于LIVE和TID2013模糊图像数据库的实验和相关对比结果,验证了本文提出的基于加权模型的无参图像清晰度算法的准确性和优越性,最后将该算法对EMC支架和SFP+底座两个表面缺陷视觉检测成像系统所采集的清晰与模糊图像进行评价,进一步验证了该算法的有效性。论文研究成果对于工业场景表面缺陷检测的视觉成像系统设计与图像评价具有一定借鉴参考意义和工程应用价值。

基于SSM的软件行业质量检测服务平台的设计与实现

这是一篇关于Spring框架,质量检测,高并发的论文, 主要内容为在我国经济增长转为中高速的大背景下,我们需要把更多注意力放在发展的质量上。如今我国互联网行业的各个领域的发展态势愈发火热,市面上的软件产品数量呈井喷式增长,软件的质量差别很大。本论文将选择软件产品行业进行应用示范,借鉴电商网购模式,构建以软件产品为核心的检验检测一站式服务平台,发展一站式综合服务新模式,将质检机构的软件检验服务推到线上,为生产企业、应用客户提供以产品为核心的专属解决方案及个性化定制服务,实现软件行业内标准、计量、检验检测、认证认可信息联通互动,提升软件行业的发展质量。在分析了软件检测的市场需求后,围绕送检用户和检测机构两大核心目标,将整个检测服务台划分为送检用户模块、分类信息管理模块、检测架构服务管理模块、检测标准管理模块等七个功能模块,且可以支持瞬时海量用户的访问。技术上,使用Bootstrap框架搭建平台前端界面,使用Spring框架和MyBatis框架组建系统后端体系结构。在数据的查询和缓存上,使用Redis和Solr提高系统的海量数据承载能力。再通过搭建服务器集群等方式,将系统的应用服务分散到若干台服务器上,以提高用户使用的体验感。配合使用效果图等多种图表,再结合类、方法、数据库表之间的参数传递过程和调用流程,详细介绍了每个功能模块的开发过程。最后,对系统的业务逻辑和性能做出测试,结果验证了系统的各项指标都符合预期需求。

基于面阵相机的表面缺陷视觉检测成像系统研究

基于机器视觉和深度学习的渗滴灌管带质量检测方法研究

这是一篇关于深度学习,数据集,质量检测,目标检测,质量检测系统的论文, 主要内容为滴灌和渗灌是目前先进的节水灌溉方式。贴片式滴灌带和渗灌管是两种高效的节水灌溉产品,其在生产线的打孔质量直接决定产品的质量,孔位质量问题包括漏打、多打、位置不佳、打穿及形状不佳等,另外,渗灌管管身由多种颗粒物混合而成,如果注塑工艺出现问题,会导致熔接痕等表面缺陷。目前,生产线质量检测方法效率低下,漏检率高,难以达到高质量生产的要求。本课题依托于济大长江节水装备技术研究院,结合企业的需求,利用机器视觉和深度学习等技术完成渗滴灌管带质量检测方法研究,包括贴片式滴灌带孔位位置质量检测方法和渗灌管表面缺陷检测方法,本文研究内容如下:(1)针对于目前的贴片式滴灌管孔位位置质量检测方法进行改进,应用Open CV和深度边缘检测Dexi Ned等技术,完成滴灌带图像的预处理、边缘检测和后处理,然后使用Hough变换完成关键位置的定位,最后判断打孔是否合格,与目前的孔位质量检测方法相比较,该方法边缘提取效果更佳,而且检测速度更快,缺点在于使用深度学习边缘检测方法时,搭建成本会更高;(2)应用深度学习目标检测完成滴灌带关键位置定位,首先,建立贴片式滴灌带数据集,使用Nikon相机完成采集,共662张滴灌带图片数据,包含贴片式滴灌带带身和关键位置两类图片;应用YOLOv1、YOLOv3和YOLOv5目标检测算法,其中YOLOv1使用Res Net网络及Bottle Neck CSP等模块;YOLOv3和YOLOv5则分别使用Dark Net53和CSPDark Net53作为主干网络,所有训练中均采用数据增强方法来提高模型检测效果,包括multi-scale、mixup等;在召回率方面,YOLOv1和YOLOv3的召回率不太理想,使用auto-anchor的YOLOv5召回率达到99%;在m AP方面,YOLOv1的m AP@[0.5,0.95]为55,YOLOv3及v5指标m AP@[0.5,0.95]为73,由于在Recall指标方面YOLOv5s有着接近完美的表现,最终确定YOLOv5s是较佳的贴片式滴灌带关键位置定位方法,而且模型的检测速度完全符合实时的要求,最后基于关键位置定位方法,提出了一种基于比例的孔位位置质量判断方法;(3)提出了一种基于YOLOv5s-ECA的渗灌管表面缺陷定位及质量判断方法,首先,建立渗灌管数据集,数据集包含图片1408张,共五个类别,通过引入ECA(Efficient Channel Attention)模块,降低检测模型的复杂度并提高训练精度,在YOLOv5原始的C3＿X模块的基础上形成C3ECA＿X模块,并以C3ECA＿X结构和ECA模块为基础,对YOLOv5s网络结构进行修改,包括对主干网络和特征融合网络的改进,最终形成多种网络结构,从实验结果来看,多数改进结构在m AP@[0.5,0.95]指标方面提高约1.5%,另外,实验中还采用兼具Adam训练速度和SGD泛化能力的SWATS优化器,从Precision、Recall、m AP等指标可以看出,最终的检测模型有着较强的定位能力,最后基于渗灌管关键位置定位,提出了一种渗灌管多类缺陷判断方法;(4)基于Py Qt5开发渗滴灌管带质量检测系统,包括数据库系统、操作界面及相关检测功能等,并进行了黑盒及白盒测试。