基于机器视觉的咖啡豆智能分级系统开发
这是一篇关于缺陷检测,尺寸检测,深度学习,咖啡豆分级的论文, 主要内容为咖啡是三种主要的饮料作物之一。咖啡的价值很大程度上受咖啡豆品质影响,目前关于咖啡豆分级评价严重依赖人工经验,存在一致性差的问题。本文根据粒径大小和缺陷率制定分级指标,利用机器视觉技术实现基于微信小程序的智能分级系统,克服人工的不足。本文提出一种尺寸检测算法可以在拍摄角度不固定情况下实现咖啡豆尺寸检测,利用相关改进方法优化网络模型,提升咖啡豆缺陷检测准确率。论文的主要内容如下:(1)提出一种咖啡豆尺寸表征与检测算法,可以实现拍摄角度不固定情况下的咖啡豆尺寸检测。首先,针对手机采集图片存在拍摄角度、距离等随机性问题,提出一种基于参照物的透视变换图像校正方法。以A4纸张为参照物,通过阈值分割、闭运算、边缘提取和四边形拟合操作获取其角点坐标,通过单应性矩阵进行拍摄角度的校正,利用纸张尺寸与像素值的对应关系,实现距离的标定。采用HSV空间排除受光照影响咖啡豆阴影的干扰,用最小二乘法对提取的咖啡豆轮廓进行椭圆拟合,利用标定的尺寸关系计算咖啡豆的粒径。最后,进行检测的对比试验,结果表明,咖啡豆的粒径检测平均误差为1.6%。(2)提出一种基于改进MobileNet的咖啡豆缺陷检测方法。首先,对咖啡豆检测样本进行增强,构建包含五种类型的咖啡豆缺陷检测数据集。然后,改进并构建以Mobile Net为核心的轻量级分类网络。通过卷积通道数和卷积模块的优化调整,压缩模型参数以匹配分类任务和减少模型计算量。引入Mish激活函数和学习率的自适应调整方法,提升模型的收敛性能。利用迁移学习的方式优化模型参数,进一步提升模型识别准确率。实验表明,改进的模型在测试集上的准确率为96.16%,模型参数仅为1.5×105,相比于VGG16＿bn、Res Net50、Squeeze Net和Mobile Net,模型准确率分别高出0.68%、1.42%、2.42%、2.99%。(3)开发了基于微信小程序的咖啡豆分级系统。系统采用客户端/服务端模式,利用Flask框架构建软件系统服务端。服务端包含初始化、图像接收、算法检测、数据返回等模块,实现咖啡豆粒径、缺陷率的计算,并将分级检测结果返回客户端。客户端基于微信小程序,包含图像采集、数据传输、结果展示等模块,完成信息的交互与结果的展示。开发的程序,经过测试,能满足行业分级检测要求。
微气泡尺寸与数量检测方法研究
这是一篇关于微气泡,后向散射,机器学习,数量估计,尺寸检测的论文, 主要内容为增氧是水产养殖的关键环节,微孔增氧技术产生的微气泡具有高体表面积比和高密度的优点,相比其他增氧技术具有更高的效率,有着非常高的应用价值。为长期保持水中溶氧量,气泡的尺寸和密度等特征需处于最优区间,这就需要对增氧设备的通气压力、流量、微孔尺寸等参数进行优化。但由于目前缺乏准确检测微气泡特征的方法,增氧参数的优化和增氧设备的设计缺乏坚实的理论依据。针对以上问题,本文以电解水产生的微米级气泡为研究对象,通过训练神经网络、语义分割模型,实现对水下微气泡的尺寸、数量等特征的提取。为微孔增氧设备的优化设计提供指导。本文主要研究工作如下:(1)针对微米级气泡的尺寸和数量检测问题,通过显微相机采集微气泡图像,并利用FCN和U-Net网络进行气泡分割,对比分割效果。结果表明,UNet的分割精度较高,其平均交并比、平均像素准确率、Dice相似系数、像素准确率分别为93.29%、96.49%、96.42%、99.69%,性能满足气泡尺寸拟合的需求。然后使用霍夫变换对气泡进行拟合,得到气泡的像素尺寸信息,然后,通过玻璃显微镜测微尺对像素尺寸进行标定,确定像素尺寸与真实尺寸的比例,从而得到气泡的粒径测量值。(2)为解决高密度气泡计数的问题,本文采用Mask-Rcnn对重叠和粘连严重的气泡进行计数,同时将基于回归的人群密度检测算法,迁移至气泡数量检测。并对比CAN、CSRNet、Mask-Rcnn、U-Net-Hough的气泡计数准确率。4种方法中基于密度图回归预测的CAN的气泡计数准确率较高,其MAE,RMSE分别为3.69、5.36。该方法不仅能够准确、有效的实现高密度气泡的计数,且对气泡图像质量要求更低,能对低倍镜头拍摄的高密度气泡图像进行检测。(3)探究电解电流对气泡数量的影响。基于电解水法搭建了微气泡的发生装置,根据不同钼丝所生成气泡的尺寸概率密度分布函数,再结合法拉第定律、斯托克斯定律推导得到气泡数量与电流之间的计算关系式,结果显示气泡数量与电流成正相关。(4)构建了基于散射回波的气泡尺寸和数量特征分类识别模型。以瑞利散射、Mie理论为基础,分析气泡对光的散射作用,并对单个气泡的光散射过程进行仿真,得到气泡的光散射强度分布,从理论上证明了散射回波与气泡特征相关。提出一种基于CNN的分类方法,利用一维卷积核实现对波形信号的分类,并采集10种不同气泡尺寸和数量的气液混合体的激光回波样本作为数据集,训练该分类模型。为对比模型的分类效果,提取回波的15个时域特征,再结合KPCA算法筛选出累计贡献率达98.47%的前4个主成分进行训练集制作,并基于该数据集对传统分类方法进行训练。结果显示,基于CNN的分类方法平均准确较高,为99.41%,相较于传统机器学习中分类精度最高的SVM提高了5.11%。由于激光回波采集相较于显微图像采集更易实现,且基于CNN的分类方法不需要人工筛选特征,因此该方法可为微气泡特征检测提供一种准确又简便的手段。
基于三维点云与机器人的预制构件尺寸检测与智能装配
这是一篇关于装配式结构,预制混凝土构件,三维激光扫描,PCCR-Net,尺寸检测,机械臂,智能建造的论文, 主要内容为本研究针对装配式结构在制造与建造过程中的行业现状和需求,结合三维激光扫描技术与计算机视觉算法,建立了浇筑前钢筋笼及竣工预制构件的智能尺寸检测。并基于BIM可视化与机器人技术实现了施工现场预制构件的自动化避障与装配,从而实现了装配式结构的智能建造。研究工作主要分为以下四点:(1)本研究使用三维激光扫描获取钢筋笼及预制构件的点云模型,提出了去噪、坐标转换、降采样等数据预处理方法提高点云质量。针对现场扫描数据集匮乏的现状,提出了一种基于几何特征与坐标矩阵的预制构件合成点云模型生成方法,实现了预制构件点云的快速、自动化、批量生成,同时还可进行子部件(钢筋、混凝土)点云的自动标注及密度自定义调整。该方法大大提高了深度学习点云数据集的获取效率,可作为真实扫描点云数据集的补充。(2)建立了一种浇筑前预制构件的预应力管道线型自动化识别方法。提出了结合半径近邻协方差特征与DBSCAN的分割框架,对预制构件的钢筋笼及预应力管道点云进行识别,与人工分割相比精度达到了96.95%。对预应力管道点云模型,构建了融合点云切片函数与牛顿迭代圆拟合算法的线型拟合模型,实现了预应力管道截面轴心的高精度提取及整体线型自动化检测,与现场实测数据相比平均误差为1.84%,验证了该方法的有效性。(3)针对经典机器学习泛化能力不足的问题,建立了一种基于预制构件识别网络(PCCR-Net)的预制构件自动化尺寸检测方法。提出了预制构件识别深度学习网络PCCR-Net,对四类典型预制构件点云模型开展识别与分割,结合机器学习算法,实现子部件的自动化尺寸检测。与现场实测数据对比,混凝土尺寸、钢筋长度和钢筋间距的平均偏差分别为1.6、1.1和1.0毫米,远小于允许制造公差。表明该方法可准确测量各种预制构件(预制柱、梁、板、墙)尺寸,节省劳动时间与测量成本。(4)提出了一种基于BIM可视化与机器人技术的预制构件自动化避障与拼方法。该方法基于BIM对预制结构建立构件库,并确定合理的预制构件安装顺序和定位。基于引入闵可夫斯基差的RRT-Star算法与与逆运动学数值解法建立预制构件安装路径避障算法,计算机械臂自动化安装作业的轨迹参数,实现预制构件的自动化避障与安装。通过仿真实验验证了该方法在构件安装顺序和定位准确性、避障性能、轨迹平滑性与时间效率等方面的有效性。
基于机器视觉的咖啡豆智能分级系统开发
这是一篇关于缺陷检测,尺寸检测,深度学习,咖啡豆分级的论文, 主要内容为咖啡是三种主要的饮料作物之一。咖啡的价值很大程度上受咖啡豆品质影响,目前关于咖啡豆分级评价严重依赖人工经验,存在一致性差的问题。本文根据粒径大小和缺陷率制定分级指标,利用机器视觉技术实现基于微信小程序的智能分级系统,克服人工的不足。本文提出一种尺寸检测算法可以在拍摄角度不固定情况下实现咖啡豆尺寸检测,利用相关改进方法优化网络模型,提升咖啡豆缺陷检测准确率。论文的主要内容如下:(1)提出一种咖啡豆尺寸表征与检测算法,可以实现拍摄角度不固定情况下的咖啡豆尺寸检测。首先,针对手机采集图片存在拍摄角度、距离等随机性问题,提出一种基于参照物的透视变换图像校正方法。以A4纸张为参照物,通过阈值分割、闭运算、边缘提取和四边形拟合操作获取其角点坐标,通过单应性矩阵进行拍摄角度的校正,利用纸张尺寸与像素值的对应关系,实现距离的标定。采用HSV空间排除受光照影响咖啡豆阴影的干扰,用最小二乘法对提取的咖啡豆轮廓进行椭圆拟合,利用标定的尺寸关系计算咖啡豆的粒径。最后,进行检测的对比试验,结果表明,咖啡豆的粒径检测平均误差为1.6%。(2)提出一种基于改进MobileNet的咖啡豆缺陷检测方法。首先,对咖啡豆检测样本进行增强,构建包含五种类型的咖啡豆缺陷检测数据集。然后,改进并构建以Mobile Net为核心的轻量级分类网络。通过卷积通道数和卷积模块的优化调整,压缩模型参数以匹配分类任务和减少模型计算量。引入Mish激活函数和学习率的自适应调整方法,提升模型的收敛性能。利用迁移学习的方式优化模型参数,进一步提升模型识别准确率。实验表明,改进的模型在测试集上的准确率为96.16%,模型参数仅为1.5×105,相比于VGG16＿bn、Res Net50、Squeeze Net和Mobile Net,模型准确率分别高出0.68%、1.42%、2.42%、2.99%。(3)开发了基于微信小程序的咖啡豆分级系统。系统采用客户端/服务端模式,利用Flask框架构建软件系统服务端。服务端包含初始化、图像接收、算法检测、数据返回等模块,实现咖啡豆粒径、缺陷率的计算,并将分级检测结果返回客户端。客户端基于微信小程序,包含图像采集、数据传输、结果展示等模块,完成信息的交互与结果的展示。开发的程序,经过测试,能满足行业分级检测要求。
基于机器视觉的盘式刹车片外观质量检测研究
这是一篇关于盘式刹车片,机器视觉,尺寸检测,缺陷检测,卷积神经网络,原型系统的论文, 主要内容为汽车刹车片的质量关系到车辆驾驶安全,目前在盘式刹车片的质量检测中主要采用人工抽检的方法。随着社会生产力的不断提高、生产节奏的不断加快以及产业结构的转型,人工检测的弊端不断暴露出来,比如人工检测成本较高,检测效率却相对比较低,容易出现漏检、误检的现象等,因此人工检测方式已经很难适应汽车产业的发展,更难满足对刹车片检测自动化的发展需求。随着人工智能技术和智能检测技术的不断发展,基于机器视觉的检测技术取得了巨大进步,在盘式刹车片外观质量检测方面具有重要指导意义。本文对盘式刹车片的外观质量检测问题进行了研究,同时兼顾了盘式刹车片的检测精度和检测效率,研究并设计了一种基于机器视觉的盘式刹车片外观质量检测系统,主要研究内容如下:(1)针对机器视觉检测平台搭建问题,在对盘式刹车片检测需求分析的基础上,对机器视觉检测平台的各个组成部分进行了选型,包括工业相机、镜头、光源、照明方式的选型和软件开发平台的选择,搭建了一套基于机器视觉的检测平台,为后续实现盘式刹车片尺寸检测和缺陷检测提供了平台。(2)针对基于机器视觉的盘式刹车片尺寸检测问题,在分析图像处理的基础上,对滤波降噪、图像增强、边缘检测等算法的处理效果进行了分析研究,选出最适合于盘式刹车片尺寸检测的图像处理算法和对应的参数,主要包括对滤波方式进行选择,选取高斯滤波对图像进行降噪处理;选择直方图均衡化进行图像增强,提高图像对比度;选择改进Canny亚像素边缘检测算子对采集到的盘式刹车片图像进行边缘检测。通过轮廓检测方法得到零件图像的最小外接矩形,判断摩擦材料部分的边缘轮廓,计算出待检测尺寸的像素个数,通过像素当量转换成真实物理尺寸。(3)针对基于卷积神经网络的盘式刹车片缺陷检测问题,首先对卷积神经网络进行了介绍,分析了卷积层、池化层和全连接层的作用,然后对Alex Net网络模型进行改进,提出了一种改进Alex Net卷积神经模型(即Alex Net6＿BN模型),用该模型对盘式刹车片进行表面缺陷检测。Alex Net6＿BN模型对经典的Alex Net网络模型中的卷积层和池化层进行了调整,增加了1层卷积层和1层池化层,将首层卷积核大小调整为13×13以提取更为显著的样本特征,并在每一层后面用批量标准化(Batch Normalization,BN)代替原来的局部响应归一化(Local Response Normalization,LRN)以加快网络收敛速度。通过对改进后网络模型的训练学习,实现了对盘式刹车片的缺陷检测。(4)针对盘式刹车片外观质量检测原型系统开发问题,在基于机器视觉的盘式刹车片尺寸检测研究和基于卷积神经网络的盘式刹车片缺陷检测研究的基础上,利用Python语言结合Py Qt5平台,开发了盘式刹车片外观质量检测原型系统,并通过实际的盘式刹车片检测验证了该原型系统的可靠性和有效性。本文提出了一种基于机器视觉的盘式刹车片外观质量检测系统,包括对盘式刹车片的尺寸检测研究、缺陷检测研究和原型系统开发,并通过实际的盘式刹车片检测验证了所提方法的有效性,为提高盘式刹车片的外观质量检测效率提供了理论指导和技术方法支持。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设驿站 ，原文地址：https://m.bishedaima.com/lunwen/54404.html
