本書中的機器視覺系統(tǒng)是通過工業(yè)相機實現(xiàn)對生產(chǎn)線產(chǎn)品圖像文件實時收集和分析處理,并根據(jù)分析結果實現(xiàn)對檢測產(chǎn)品及結果數(shù)據(jù)的存儲、管理與分析,是一套基于機器視覺、人工智能的工業(yè)自動化信息管理系統(tǒng),依據(jù)生產(chǎn)線同步信號,實時收集多路產(chǎn)品圖像信息,對圖像并行分析及處理,并按不良品嚴重程度分級自動剔除。主要內(nèi)容包括:計算機視覺檢測處理系統(tǒng)研究、鄰域濾波算法的GPU加速研究與實現(xiàn)、基于深度學習的產(chǎn)品表面缺陷檢測和視覺伺服搬運機械臂的研究。
本書可作為工業(yè)自動化、計算機應用、儀器科學與技術、機械電子工程等相關專業(yè)的本科生、研究生以及科研人員、工程技術人員的參考用書。
前言
第1章計算機視覺檢測處理系統(tǒng)研究
1.1概述
1.1.1研究背景和意義
1.1.2國內(nèi)外研究現(xiàn)狀
1.1.3主要研究內(nèi)容
1.2嵌入式圖像處理系統(tǒng)總體設計方案
1.2.1嵌入式系統(tǒng)選擇
1.2.2嵌入式操作系統(tǒng)選擇
1.2.3NVIDIA Jetson TK1開發(fā)板介紹
1.2.4系統(tǒng)體系結構及其功能原理
1.3系統(tǒng)硬件開發(fā)環(huán)境
1.3.1產(chǎn)品檢測裝置
1.3.2圖像采集單元
1.3.3系統(tǒng)光源
1.3.4外圍擴展電路
1.3.5執(zhí)行機構
1.4系統(tǒng)軟件開發(fā)環(huán)境
1.4.1Ubuntu-Linux概述
1.4.2NVIDIA Jetson TK1平臺搭建
1.4.3相機驅(qū)動安裝
1.4.4Jetson TK1刷機
1.4.5Tegra內(nèi)核編譯與安裝
1.5嵌入式圖像處理系統(tǒng)軟件設計
1.5.1數(shù)字圖像處理技術概述
1.5.2圖像處理算法設計
1.5.3GPIO輸入輸出
1.5.4UI界面設計
第2章鄰域濾波算法的GPU加速研究與實現(xiàn)
2.1概述
2.1.1研究背景和意義
2.1.2國內(nèi)外相關領域發(fā)展現(xiàn)狀
2.2并行編程模型概述
2.2.1OpenCV并行庫概述
2.2.2CUDA并行庫概述
2.2.3OpenCV和CUDA結合編程方案
2.3OpenCV GPU加速線性鄰域濾波算法對比實驗設計
2.3.1線性鄰域濾波基礎簡介
2.3.2OpenCV CPU實現(xiàn)線性鄰域濾波算法實驗設計
2.3.3OpenCV GPU實現(xiàn)線性鄰域濾波算法對比實驗設計
2.3.4OpenCV CPU與OpenCV GPU實驗結果對比分析
2.4CUDA加速雙邊濾波對比實驗設計
2.4.1非線性鄰域濾波——雙邊濾波
2.4.2OpenCV CPU實現(xiàn)雙邊濾波算法實驗設計
2.4.3CUDA實現(xiàn)雙邊濾波算法實驗設計
2.4.4OpenCV CPU與CUDA實驗結果對比分析
2.5OpenCV GPU+CUDA實現(xiàn)雙邊濾波算法實驗設計
2.5.1OpenCV GPU+CUDA 實現(xiàn)雙邊濾波實驗的設計方法
2.5.2實驗結果與分析
2.5.3OpenCV GPU+CUDA結合編程與CUDA單獨編程實驗結果
對比分析
2.5.4OpenCV GPU+CUDA加速雙邊濾波在雪糕板平面檢測上的應用
第3章基于深度學習的產(chǎn)品表面缺陷檢測
3.1概述
3.1.1研究背景和意義
3.1.2國內(nèi)外研究現(xiàn)狀與發(fā)展前景
3.2產(chǎn)品表面的缺陷檢測識別
3.2.1產(chǎn)品缺陷檢測
3.2.2圖像采集環(huán)境搭建
3.2.3視覺檢測產(chǎn)品缺陷的整體布局
3.2.4產(chǎn)品圖像處理基本方法
3.3機器認知統(tǒng)計學習的應用
3.3.1機器學習的方法分析
3.3.2機器學習算法的選用
3.3.3卷積神經(jīng)網(wǎng)絡經(jīng)典算法
3.3.4主要參數(shù)的選擇
3.4基于深度學習的圖像識別模型搭建
3.4.1實驗環(huán)境
3.4.2原始數(shù)據(jù)預處理
3.4.3基于卷積神經(jīng)網(wǎng)絡圖像識別模型的建立
3.4.4學習模型的實現(xiàn)
3.4.5學習模型的訓練及測試
3.5基于TensorFlow的產(chǎn)品缺陷檢測實驗分析
3.5.1網(wǎng)絡參數(shù)確立
3.5.2訓練模型參數(shù)分析
3.5.3實驗檢測驗證分析
3.6缺陷分析與圖像預處理
3.6.1缺陷類型分析
3.6.2預處理
3.6.3數(shù)據(jù)增強
3.7基于深度學習的產(chǎn)品表面缺陷分類算法設計
3.7.1深度學習基礎
3.7.2遷移學習在產(chǎn)品表面缺陷分類的應用
3.8產(chǎn)品表面缺陷分類在線檢測實驗
3.8.1環(huán)境配置
3.8.2實驗結果與分析
第4章視覺伺服搬運機械臂的研究
4.1概述
4.1.1研究背景和意義
4.1.2國內(nèi)外研究現(xiàn)狀
4.2自動化搬運系統(tǒng)總體方案的設計
4.2.1工序加工線的布局與雪糕棒搬運需求分析
4.2.2雪糕棒自動化搬運系統(tǒng)
4.2.3系統(tǒng)拾取誤差分析
4.3產(chǎn)品搬運機械臂視覺定位技術
4.3.1視覺系統(tǒng)硬件選擇
4.3.2視覺圖像處理系統(tǒng)方案
4.3.3圖像處理過程
4.3.4圖像處理
4.3.5相機標定
4.4產(chǎn)品搬運機械臂的設計及運動學分析
4.4.1接收端與供應端傳送鏈分析
4.4.2執(zhí)行主體實際設計
4.4.3機械臂運動學分析
4.5ROS環(huán)境下的雪糕棒搬運機械臂的控制
4.5.1ROS簡介
4.5.2運動控制架構與控制配置邏輯
4.5.3系統(tǒng)功能包的建立
4.5.4DELTA機械臂仿真控制
附錄
附錄A制作Tfrecords的部分程序代碼
附錄B數(shù)據(jù)轉(zhuǎn)化部分代碼
附錄C主程序部分代碼
附錄D插件引用程序段
附錄E逆運動學部分程序
附錄F相機標定部分程序
附錄G圖像處理部分程序
參考文獻