一、基于轮廓跟踪的二值图像去毛刺算法（论文文献综述）
李杨[1]（2021）在《一种基于Spark的公路裂缝图像处理方法》文中研究指明随着我国自动化检测技术和信息科技的发展日益加快,各个行业领域的数据规模呈高速增长状态,在大数据时代背景下,数据成为了各行各业所追求的资产。路面裂缝检测在道路养护领域中有着重要的地位,大规模路面裂缝数据检测的技术进步也促进了交通建设和国有资产的保护。本文基于传统路面图像检测的不足,设计并提出了一种基于Spark的公路裂缝图像处理方法。结合AdaBoost算法和局部自适应阈值算法来提高识别分类和裂缝分割的准确率,同时利用Spark分布式计算框架大大的提高了计算效率。通过设计系统中的资源监控和基准测试组件,在有限的设备资源下,使得管理者做出适合的选择。本文主要包括以下几方面工作:（1）基于AdaBoost算法进行路面图像的分类,优化之处通过将经典Haar特征模板的特征值最小尺寸扩大2倍,使得图像纹理特征的计算效率有着显着的提升。本文通过优化算法模型,使用路面图像采集数据来验证本文方法的可行性。结果表明,在对路面图像进行裂缝检测时,Haar特征模板数量从优化前的11155720减少至优化后的1856400,约减少了83.5%。检测耗时也比经典特征减少了66.7%,验证了改进的Haar特征应用于裂缝检测时,能够实现减少计算量,提高了检测效率。（2）基于局部自适应阈值分割算法模型,利用Open CV中的Adapative Threshold函数能够自主选取局部邻域大小、自适应阈值,使得二值图像分割出裂缝。接着利用基于离散曲线演化模型的骨架剪枝算法,对分割出的裂缝进行骨架提取。本文通过两个算法组合处理,使用分类出的裂缝图像数据进行验证。结果表明,改进的局部自适应阈值分割算法不论单节点或多节点处理,相较于比较的其他两个传统分割算法,分割准确率平均提升了3%,表明改进的分割算法具有更高的分割效率。（3）对大规模裂缝图像检测系统的软件组成进行设计,建立数据存储和数据处理两个模块,利用Spark实现微批处理,进行HDFS的文件读取和输出数据的存储,完成实时的裂缝检测功能,阐述持久化的设计和整个系统的运行模式。（4）设计并实现管理平台,建立管理平台与路面图像裂缝检测系统的连接,基于采集的路面图像测试平台的各项不同的功能。结果表明,该平台能够实时显示路面图像数据的检测分析,并为管理人员提供账户登录管理何数据访问的功能。
韩德元[2]（2020）在《基于V-REP飞轮壳机器人去毛刺自动编程研究》文中研究指明目前使用工业机器人对工件进行去毛刺编程的方法多数为现场手动示教或者使用离线编程软件手动编程。在编程的过程中,工件去毛刺加工轮廓的选择和机器人的编程轨迹都是由人工来完成,导致编程效率低下。因此本文提出了一种在V-REP平台下通过视觉传感器对工件模型进行识别检测,然后对所生成图像进行数据处理,最终自动生成机器人去毛刺加工轨迹的编程方法。本文以飞轮壳工件模型为加工对象,将实际应用场景抽象化,建立去毛刺系统的V-REP仿真平台。通过其内部的视觉传感器对工件模型进行识别检测,从而获取工件模型的图像信息。然后利用Canny滤波系统的轮廓边缘检测算子将轮廓边缘提取出来,生成一个只含有边界轮廓的二值图。将Open CV作为V-REP的插件对图像信息进行数据处理,采用轮廓跟踪算法将同一条轮廓中的像素点进行重新排序,并建立各轮廓的层级关系。通过轮廓像素点与左右侧相邻像素点的高度值进行对比,筛选出机器人需要加工的轮廓。对每一条加工轮廓进行轮廓分割处理,采用霍夫变换提取轮廓轨迹中的直线段和圆弧段,对其它类型的曲线段进行多边形拟合。对轮廓曲线进行偏移处理,生成机器人编程所需要的加工坐标点。利用图像数据处理所生成的加工坐标点建立编程所需的标签点,编写仿真程序,进行机器人运动仿真,并在此过程中获取各个关节轴的运动参数,生成编程代码文件。最后将编程代码导入DELMIA进行程序验证。本文研究表明综合运用V-REP平台下的视觉传感器和工业机器人离线编程技术,可以实现飞轮壳机器人去毛刺的自主化编程,有效提高了编程效率与准确性。
吕丹丹[3]（2019）在《人染色体图像自动分割排列与异常诊断研究》文中指出目前,浙江省人民医院使用的人染色体核型分析系统同传统的人工核型分析相比,大大减轻了人工的繁琐劳动,提高了分析判断的准确度。但是,还存在人重叠染色体的手动分割、人染色体自动分类准确率低等问题,而且在人染色体的异常诊断方面,还停留在需医生依据专业知识及多年积累的经验进行诊断的层面,无法智能化的进行诊断。因此,针对上面出现的问题并结合实际情况,本文以切实解决人重叠染色体的自动分割、提高人染色体自动分类准确率以及人染色体异常自动诊断的问题展开了研究。主要的工作内容和成果如下:（1）对人染色体图像依据广度优先搜索思想进行操作初步提取得到待识别染色体,其中包括染色体单体以及重叠、粘连的多染色体。针对重叠染色体自动分割问题,本文提出了一种结合重叠染色体轮廓点曲率和角度变化的方法,能够有效的完成重叠染色体的自动分割。（2）一张人染色体图像包含46条染色体单体,通过对450张人染色体图像分割提取最终获得20700张人染色体单体图片。（3）人染色体的分类主要依据几何特征（染色体的相对长度、着丝粒位置和臂比等）和带纹特征实现配对排列。本文构建了适用于人染色体分类的暹罗网络结构,暹罗网络通过使用卷积神经网络进行特征提取并利用可评价特征向量相似度的损失函数很好的实现人染色体的自动分类。鉴于对弯曲染色体进行特征提取影响分类准确度,本文提出了一种弯曲染色体的自动矫直算法对其进行矫直。为了提高人染色体的分类准确率对暹罗网络做了如下改进:1)用一个多级卷积特征提取结构替换原先的单级卷积操作;2)将全连接层前的池化层替换为空间金字塔池化层,提高人染色体特征提取的速度和精度。试验对比结果表明,改进后的暹罗网络对人染色体自动分类的准确率为85.32%,优于其他方法。（4）针对人染色体的异常判断问题,鉴于卷积神经网络在特征提取方面的优势以及One-Class SVM能很好的处理人正常染色体与异常染色体样本数量不平衡问题,本文提出了结合卷积神经网络和One-Class SVM的人染色体自动异常检测算法。实验对比表明本文提出的基于核型分析技术的人染色体自动异常检测方法的适用性,能很好的解决目前系统视觉诊断的问题,准确率整体达89.5%。
韩进宇[4]（2019）在《基于视觉的卡钳毛刺检测和定位方法研究》文中认为目前汽车卡钳主要依靠手工打磨,存在打磨效率低、工人劳动环境差、打磨质量依靠工人经验等问题,采用机器人对汽车卡钳毛刺进行打磨可以很好地解决这些问题。为了能够自动规划汽车卡钳的机器人打磨路径,需要知道毛刺的打磨区域和其位置信息。传统的毛刺测量方法为手动测量,存在测量效率低、对毛刺和测量工具造成磨损等问题。采用视觉对汽车卡钳毛刺加工区域进行检测和定位,属于非接触测量,既可以提高效率,又不会对毛刺区域造成损坏。因此本文对卡钳毛刺加工区域检测和定位的视觉算法进行研究,主要包括以下几个方面。1)通过实验对比不同的图像平滑算法的效果,发现基于图像梯度信息的自适应滤波可以对卡钳图像的边缘进行锐化,同时对轮廓内部区域有很好的平滑效果;研究不同的阈值分割算法,发现局部自适应阈值分割算法和基于K-means聚类分割算法可以很好地应对卡钳光照不均匀图像的分割;针对卡钳阈值分割后存在大量反光区域,提出基于轮廓跟踪的反光区域查找算法,并对反光区域进行填充,实验证明该方法可以得到卡钳完整的二值图像。2)将打磨好卡钳模板的去除反光区域的二值图像1和未打磨工件的二值图像2相减得到毛刺加工区域的二值图,然后对二值图像进行轮廓查找和计算轮廓的质心位置;研究整像素边缘检测算法和改进算法对卡钳中心矩形边缘检测的效果,发现改进的Canny算法可以很好地检测出单一边缘;研究亚像素边缘细分算法,针对Zernike矩的图像亚像素定位中阈值K的选择进行改进,选择结合Canny的Zernike矩的图像亚像素定位,实验表明该方法可以准确获得卡钳图像单一的亚像素边缘;研究hough变换直线检测和最小二乘直线拟合算法,首先使用累积概率霍夫变换对矩形边线进行检测,然后对检测到的直线进行亚像素定位,最后对获得的亚像素边缘点执行最小二乘拟合,得到中心矩形的亚像素边缘。3)根据实验需要选择合适的相机、光源和镜头来采集卡钳图片;阐述相机的成像原理和产生畸变的原因,采用张正友标定法对相机进行畸变矫正,然后对畸变矫正后的图片进行线性标定;最后在VisualStudio环境中进行卡钳中心矩形检测和毛刺加工区域检测实验,实验结果表明本文算法可以检测出卡钳毛刺加工区域和机器人抓取的中心矩形的亚像素边缘。本文研究采用视觉技术检测卡钳毛刺打磨区域和卡钳中心矩形区域,得到毛刺打磨区域信息和毛刺相对中心矩形位置信息的方法,进而指导机器人实现卡钳打磨的离线编程。
梅启升,王敏,周群[5]（2019）在《多噪声干涉条纹图像的检测方法》文中指出将条纹骨架级次标定算法,用于实验样本中激光干涉条纹的检测。运用自适应窗口滤波处理不同形态的干涉条纹,同时对实验样本作降噪处理,得到了对比度较高的干涉图像,然后根据完善的样本图像提取干涉条纹并实时标定、检测条纹。结果表明:这种基于多噪声的干涉条纹检测模型能够实现光学元件的实时检测,并有效提高光学元件的检测效率,且能够实现基于C++平台的工业自动化检测。
孟坤[6]（2018）在《机械零件的图像分割与分离研究》文中指出机器视觉是现代制造的一个极其重要的组成部分,涉及人工智能、神经生物学、心理物理学、计算机科学、图像处理、模式识别等多个领域的交叉学科。机器视觉实现制造过程中的机械零件检测和智能控制已成为现代制造领域的研究热点,例如,自动线生产和装配监测、机器人和机械手引导、视觉伺服系统、机械零件图像的自动理解和识别等。为了有效地获取机械零件图像中的信息来提高现代制造的自动化水平,机械零件的图像分割与分离研究有着十分重要的意义。机器视觉系统构建方面,本文结合机械零件特性,搭建了突显机械零件特征的视觉系统,主要包括:数字相机、光源设备、图像采集卡、PC机、传送带和系统软件;针对机械零件进行了光源强度对比实验,选取最通用的光照强度打亮机械零件的特征信息。机械零件的图像预处理是机械零件图像分割与分离的保障,本文采用双边滤波和基于灰度直方图分段线性增强的方法。基于图像信噪比和峰值信噪比指标,评价了均值滤波、高斯滤波和双边滤波的滤波效果,实验结果表明双边滤波去除噪声的同时依然能够有效地保留机械零件边缘信息;对于滤波后图像进行线性变换、基于灰度直方图的分段线性变换和直方图变换,结合图像灰度均值、灰度标准差和处理后图片主观判断,实验结果表明:基于灰度直方图分段线性变换在机械零件图像增强方面具有良好效果。机械零件的图像分割与分离算法是机械零件自动化分析的核心技术,图像分割与分离算法的有效性直接影响机械零件形态特征提取的有效性。本文在比较了基于阈值分割、基于轮廓检测和基于区域检测分割方法的基础上,设计了基于距离图像标记的改进分水岭算法,解决了分水岭算法过分割的问题,同时也便于提取分割后区域信息;针对分割后区域存在多个机械零件堆叠现象,本文提出了基于面积和骨架线交叉点数指标的机械零件单体判定准则和逐步改变阈值的分水岭分离算法,基于机械零件单体判定准则将单个机械零件从分割后图像中提取出来,再使用本文提出的分离算法对剩余区域进行分离,最终实现机械零件的完全分离。设计了机械零件特征模型和BP神经网络的机械零件识别模型,这是基于机械零件图像分割与分离的应用,同时也是对机械零件分割与分离效果的验证。在图像分割与分离的基础上,进一步研究了图像特征的提取方法,从外形、结构、纹理、频域、区域等方面对机械零件特征进行分析,利用BP神经网络对机械零件进行模式识别,通过实验测试,分类效果良好,证明了机械零件分割与分离算法的有效性。
陈益佳[7]（2017）在《基于OpenCV的路面裂缝检测算法研究》文中研究说明近年来我国经济稳步发展,公路里程数日渐增多,路面裂缝检测逐渐成了人们的关注点。人工检测路面裂缝的方式危险系数高、效率低下且检测费用高,这种方式已经不能满足社会发展的实际需求,人们都在寻找更经济、高效的方式检测路面裂缝。当前计算机视觉技术发展迅猛,将其与高效的图像采集系统、GPS定位系统结合能够实现迅速、精确地检测路面裂缝。本文根据路面裂缝检测的实际需求,在算法和理论上研究了解决方案,用C++语言基于OpenCV和Qt开发了一个路面裂缝检测平台,图像处理算法由OpenCV实现,界面设计以及数据库功能由Qt实现。本文的主要工作有以下几个方面:首先,对路面图像进行预处理。将三通道彩色图像转化为灰度图,通过gamma校正增强图像对比度,通过中值滤波和双边滤波减少噪声,完成预处理。其次,针对当前的检测方式多是经过预处理后直接去提取裂缝,这样的处理一般需要知道有无裂缝的先验知识,不符合智能化检测要求。本文先通过构建机器学习模型做了裂缝的检测定位工作,实现无需人为观察,计算机自动得出裂缝有无先验知识的功能,满足智能化检测要求。比较采用SIFT、SURF和ORB这三种特征提取算法得到的分类模型的各项指标,确定它们分别适用的场合。然后,对存在裂缝的图像提取裂缝、识别裂缝类型并计算相应参数。用局部自适应阈值分割算法对图像分割处理,提取分割后图像中的连通域,计算连通域的圆形度和面积,去除圆形度相对较大并且面积相对较小的连通域,得到裂缝目标。对于提取裂缝后的图像,通过改进投影法识别裂缝类型。对网状裂缝计算分布面积,线性裂缝计算长度和最大宽度。最后,用C++语言基于OpenCV和Qt开发了本文所需的路面裂缝检测平台。提供了用户友好的操作界面,实现了对路面图像的裂缝检测、提取、类型识别和参数测量的功能,可以分步处理也可以一键处理,能够同时处理多幅图像,并设计了数据库模块实现了对图像信息管理的功能。
王连生[8]（2017）在《基于机器视觉的工业机器人去毛刺加工效率优化研究》文中进行了进一步梳理在机械零件的加工和制造过程中不可避免地会产生毛刺,毛刺的存在对零件的外观质量、加工精度、装配精度和再加工定位等许多方面都会产生不良影响。传统的手工去毛刺方法因加工成本高、加工效率低,已不能满足实际生产的需求。与数控机床和加工中心等加工设备相比,工业机器人非常适用于去毛刺这类加工轨迹复杂自动化作业。但是我国的机器人去毛刺产业处于起步阶段,机器人去毛刺的加工效率还比较低。因此,面对材料多样和形状复杂的工件,研究如何高效率地利用工业机器人去除毛刺势在必行。利用工业机器人进行去毛刺作业时,应从以下两方面提高去毛刺的加工效率:其一,通过优化去毛刺的加工工艺参数,提高机器人在去除毛刺时的加工效率和加工质量;其二,通过合理地规划去毛刺的加工路径,提高机器人在毛刺间运动的效率。本文根据这一思路提出了基于机器视觉的工业机器人去毛刺加工效率优化方法。首先,阐述了论文的研究背景与意义,综述了工业机器人去毛刺、加工工艺参数优化方法、去毛刺路径规划和基于机器视觉的工业机器人研究与应用这四部分国内外研究现状,提出了论文主要研究内容和框架。其次,研究了毛刺的特征,对去毛刺切削力信息进行分析,确定了工业机器人去毛刺的优化变量、目标函数和约束条件,建立了工业机器人去毛刺加工工艺参数优化的数学模型,用统一目标法将多目标优化问题转化为单目标优化间题,利用惩罚函数法将含约束优化问题转化为无约束优化问题,进而利用连续域蚁群算法对加工工艺参数优化数学模型进行求解。再次,针对工件毛刺形状复杂多样,信息提取难的特点,提出了基于机器视觉的毛刺信息提取方法。CCD相机拍摄的图像经过滤波、阈值分割、边缘检测等技术处理后,得到毛刺在图像中的位置信息,之后根据系统标定理论,提取出工件毛刺的实际物理信息。在获取毛刺信息之后,将去毛刺路径规划问题转化为TSP问题,然后利用蚁群算法进行求解,得出了基于机器视觉和蚁群算法的机器人去毛刺全局路径规划方法。最后,搭建了基于机器视觉的工业机器人去毛刺实验平台。针对电机转子外壳压铸件,设计了工业机器人去毛刺加工效率优化实验,分别对优化后的去毛刺工艺参数和路径与传统的工艺参数和路径进行了对比,验证了本文提出的基于蚁群算法和机器视觉的机器人去毛刺加工效率优化方法的实用性和可行性。
王志威[9]（2016）在《基于Android的钢轨廓形检测系统的研究及开发》文中认为铁路运输是国家交通运输的重要组成部分,铁路运输过程中钢轨直接承受列车的重量并引导铁路机车的运行。由于列车长期运行,钢轨不可避免的存在磨损,因此钢轨的磨损检测和打磨成为一个亟待解决的问题。本文致力于研究出一种基于主流移动操作系统的操作简单的新一代产品,以替代原来的旧版本,到达易携带、易操作和易分析的效果,本文的主要工作如下:本文研究开发的系统包括下位机和Android客户端,下位机廓形采集程序能够控制数字摄像机采集数据,在开激光和不开激光的情况分别采集左右钢轨廓形原始图像,实现了钢轨廓形原始数据的采集,通过数据格式的转换程序将摄像机采集的图像数据转换成灰度图像,并将其保存为能够在存储设备间传输的bmp文件,然后通过下位机通信服务端将采集得到的钢轨廓形图片传输给Android客户端。Android客户端主要开发了socket客户端通信模块、Android平台图像处理模块、Android平台测量显示模块和Android平台数据分析模块。Android平台socket客户端通信模块实现和下位机通信服务端连接并进行实时通信,获取电池电量,实现数据传输;Android平台图像处理模块对下位机采集到的钢轨廓形bmp图像进行图像处理操作,利用本文提出的基于树直径去毛刺算法能够准确高效地提取出钢轨廓形骨架,并通过标定将廓形曲线数据点转换成空间数据点坐标;Android平台测量显示模块完成检测路段信息的收集、该路段钢轨廓形数据点坐标的读写以及钢轨廓形曲线在Android平台的绘制,并且实现在Android平板上模拟显示钢轨廓形曲线;Android平台数据分析模块完成对磨损轨数据点的更新处理,通过利用Android NDK技术将Windows下已开发的廓形数据对齐算法代码开发成jni程序供Java程序调用,实现了磨损轨向标准轨廓形曲线的对齐功能,能够更新显示廓形曲线结果进行数据分析。
覃磊[10]（2014）在《工业CT图像轮廓处理与矢量化方法研究》文中进行了进一步梳理工业CT技术可用于非接触、非破坏实测物体内部结构，已在众多领域得到了广泛应用。基于工业CT测量的零件反求建模或尺寸测量已成为工业CT技术研究的热点之一，也是逆向工程中复杂零件精确测量的重要补充。工业CT系统的输出结果为检测对象的截面图像，其轮廓蕴涵了目标物体的重要几何信息，包括物体的形状和尺寸，并且根据这些信息可以重构检测对象的二维图纸或者三维CAD模型。多数机械零件的截面轮廓形状特征是直线、圆、圆弧、椭圆、自由曲线等基本平面几何图元的组合。图像的矢量化技术是要尽可能地还原截面轮廓中图元的几何参数和相应的位置尺寸信息，为模型重构提供重要的设计参数。因此，图像的轮廓处理和矢量化技术是基于工业CT技术的逆向工程中模型精确重构的关键。针对工业CT图像的特点，论文首先研究了图像轮廓处理的方法。图像轮廓处理要依次经历图像增强、轮廓提取和轮廓跟踪三个关键步骤。在图像增强中，主要利用直方图变换和图像平滑的方法来改善图像质量；在轮廓提取中，主要研究了基于边缘检测的轮廓提取和基于图像阈值分割的轮廓提取两种方法，以适应处理不同的工业CT图像轮廓；在轮廓跟踪中，采用了Freeman链码法对提取到的图像进行轮廓跟踪，得到有序的轮廓点序列，然后将这些有序轮廓点的信息存储到程序的数据链表中，为下一阶段图像轮廓的矢量化做好准备。其次，研究了图像轮廓的矢量化方法。本文用改进的存在概率的圆检测方法先对图像轮廓中的圆特征轮廓进行识别，然后圆特征轮廓经过矢量化后将圆特征信息存入圆参数链表，此改进方法与原方法相比计算时间减少，节省内存空间，圆特征识别效率提高。未被识别为圆特征的轮廓的将进入复杂轮廓特征识别，采用基于轮廓曲率的方法首先提取出轮廓中的曲率极值点以及对轮廓进行直线特征的粗提取，然后采用改进的集合求交法将剩余轮廓片段识别成一系列相接的直线段，并从中筛选能够构成圆弧的直线序列，用垂直平分线法进行圆弧识别，最后对近似共线的相邻直线段进行合并。最后，利用Visual C++6.0将以上提及的算法进行编程，开发出工业CT图像轮廓处理与矢量化系统软件。此软件能将图像轮廓矢量化结果以DXF文件的形式输出到CAD系统中。利用该软件对工业CT图像进行了试验，试验结果显示，本文研究的面向工业CT图像的轮廓处理与矢量化方法能有效的将工业CT图像转化成CAD矢量图，并且尽可能准确地还原了图像轮廓的特征信息，成功获得了轮廓曲线特征的参数。
二、基于轮廓跟踪的二值图像去毛刺算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于轮廓跟踪的二值图像去毛刺算法（论文提纲范文）
（1）一种基于Spark的公路裂缝图像处理方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 路面裂缝检测的研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文研究内容 |
| 1.4 章节安排 |
| 第2章 路面裂缝图像检测相关技术 |
| 2.1 大数据相关技术介绍 |
| 2.1.1 Spark概述 |
| 2.1.2 弹性分布式数据集 |
| 2.1.3 分布式文件管理系统HDFS |
| 2.1.4 Spark架构及应用运行流程 |
| 2.2 路面裂缝检测关键技术简述 |
| 2.2.1 基于纹理的图像分类方法 |
| 2.2.2 基于图像分割的裂缝提取方法 |
| 2.2.3 计算机视觉库OpenCV |
| 2.3 路面裂缝破损评价标准 |
| 2.4 本章小结 |
| 第3章 基于AdaBoost的路面裂缝标识 |
| 3.1 基于AdaBoost算法的优化改进 |
| 3.1.1 AdaBoost算法原理 |
| 3.1.2 Haar特征及优化 |
| 3.1.3 积分图计算 |
| 3.2 分类器的构造和级联 |
| 3.2.1 分类器结构分析 |
| 3.2.2 裂缝分类器训练 |
| 3.3 AdaBoost裂缝检测训练过程的分布式化 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 第4章 基于骨架的路面裂缝分类 |
| 4.1 路面裂缝图像的分割 |
| 4.1.1 图像分割 |
| 4.1.2 轮廓跟踪与筛选 |
| 4.1.3 裂缝骨架的提取 |
| 4.1.4 骨架单像素宽化 |
| 4.1.5 骨架跟踪 |
| 4.2 裂缝几何参数测量计算与分类 |
| 4.2.1 裂缝类别判断 |
| 4.2.2 线性裂缝长度计算 |
| 4.2.3 裂缝宽度计算 |
| 4.2.4 网状裂缝面积和块度计算 |
| 4.3 裂缝图像分割过程的分布式化 |
| 4.4 裂缝几何参数计算的分布式化 |
| 4.5 实验验证与分析 |
| 4.6 本章小结 |
| 第5章 裂缝图像处理系统的实现 |
| 5.1 系统架构 |
| 5.1.1 架构设计 |
| 5.1.2 技术选型 |
| 5.2 系统详细设计 |
| 5.2.1 硬件配置 |
| 5.2.2 构建过程 |
| 5.3 平台测试 |
| 5.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间所发表的学术论文 |
| 致谢 |
（2）基于V-REP飞轮壳机器人去毛刺自动编程研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 机器人编程技术研究现状 |
| 1.2.2 视觉辅助机器人编程研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 机器人去毛刺系统仿真平台搭建 |
| 2.1 去毛刺系统总体方案概述 |
| 2.2 VREP仿真平台简介 |
| 2.3 仿真平台搭建 |
| 2.3.1 加工工件 |
| 2.3.2 视觉传感器 |
| 2.3.3 去毛刺浮动主轴 |
| 2.3.4 数据处理模块 |
| 2.3.5 机器人编程系统 |
| 2.4 本章小结 |
| 第三章 视觉采集与预处理系统设计 |
| 3.1 视觉传感器识别原理 |
| 3.2 视觉传感器参数设置 |
| 3.2.1 视觉传感器属性设置 |
| 3.2.2 视觉传感器过滤器设置 |
| 3.3 轮廓边缘检测 |
| 3.4 本章小结 |
| 第四章 数据处理系统设计 |
| 4.1 轮廓跟踪与识别 |
| 4.1.1 轮廓像素点重新排序 |
| 4.1.2 轮廓识别 |
| 4.2 轮廓分割 |
| 4.2.1 直线段 |
| 4.2.2 圆弧段 |
| 4.2.3 其它类型曲线段 |
| 4.3 加工坐标点的生成 |
| 4.3.1 加工坐标点的建立 |
| 4.3.2 加工坐标点的输出 |
| 4.4 本章小结 |
| 第五章 机器人编程系统设计 |
| 5.1 编程坐标系设置 |
| 5.2 机器人编程 |
| 5.3 加工程序验证 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（3）人染色体图像自动分割排列与异常诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 人重叠染色体分割研究现状 |
| 1.3.2 人染色体分类研究现状 |
| 1.3.3 人染色体异常诊断现状 |
| 1.4 论文的主要内容与安排 |
| 第二章 人染色体图像分割 |
| 2.1 人染色体图像预处理 |
| 2.1.1 人染色体原始图像获取 |
| 2.1.2 基于自适应双边滤波器的图像去噪 |
| 2.1.3 基于直方图均衡化的图像增强 |
| 2.2 人染色体的提取 |
| 2.2.1 基于OTSU的二值化处理 |
| 2.2.2 基于漫水填充法的封闭孔洞填充 |
| 2.2.3 基于广度优先搜索的人染色体提取 |
| 2.3 基于几何方法的重叠染色体自动分割 |
| 2.3.1 基于Canny算子的轮廓提取 |
| 2.3.2 基于高斯平滑的曲率计算 |
| 2.3.3 人重叠染色体分割点的自动提取 |
| 2.4 小结 |
| 第三章 人染色体分类 |
| 3.1 人染色体数目和形态 |
| 3.1.1 非显带技术 |
| 3.1.2 显带技术 |
| 3.2 人染色体预处理 |
| 3.2.1 人弯曲染色体的识别 |
| 3.2.2 人弯曲染色体的矫直 |
| 3.3 基于暹罗网络的人染色体分类 |
| 3.3.1 暹罗网络的基本原理 |
| 3.3.2 基于暹罗网络模型的改进 |
| 3.4 实验结果与分析 |
| 3.4.1 暹罗网络的特征学习 |
| 3.4.2 暹罗网络的深度选择 |
| 3.4.3 人染色体分类实验 |
| 3.5 小结 |
| 第四章 人染色体异常检测 |
| 4.1 人染色体异常概述与技术介绍 |
| 4.2 基于One-Class SVM的异常检测方法 |
| 4.2.1 One-Class SVM的基本原理 |
| 4.2.2 One-Class SVM的异常检测 |
| 4.3 基于One-Class SVM在人染色体异常检测中的应用研究 |
| 4.3.1 人染色体样本预处理与特征提取 |
| 4.3.2 One-Class SVM人染色体异常检测方法 |
| 4.3.3 实验结果与分析 |
| 4.4 小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士期间的学术成果 |
| 致谢 |
（4）基于视觉的卡钳毛刺检测和定位方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 二维视觉范畴及研究现状 |
| 1.2.2 二维视觉检测和定位在工业上的应用 |
| 1.3 研究内容与章节安排 |
| 第2章 卡钳图像分割算法研究 |
| 2.1 卡钳图像预处理 |
| 2.1.1 卡钳ROI区域提取 |
| 2.1.2 图像降噪问题分析 |
| 2.1.3 卡钳图像降噪实验和结论 |
| 2.2 卡钳图像二值化算法研究 |
| 2.2.1 基于阈值的图像分割 |
| 2.2.2 基于K-means算法的图像分割 |
| 2.3 卡钳二值图像去反光区域 |
| 2.3.1 轮廓跟踪算法研究 |
| 2.3.2 反光区域去除程序设计 |
| 2.4 本章小结 |
| 第3章 卡钳毛刺区域检测和定位算法研究 |
| 3.1 卡钳毛刺加工区域的提取 |
| 3.2 像素级边缘检测方法研究 |
| 3.2.1 经典梯度算子 |
| 3.2.2 Canny算子边缘检测 |
| 3.2.3 改进的Canny算法 |
| 3.2.4 数学形态学边缘检测 |
| 3.2.5 实验分析 |
| 3.3 亚像素边缘细分原理和方法研究 |
| 3.3.1 经典的亚像素定位算法 |
| 3.3.2 改进的Zernike矩的图像亚像素定位 |
| 3.3.3 亚像素定位实验结论 |
| 3.4 卡钳中心定位矩形检测算法研究 |
| 3.4.1 基于hough变换的矩形边线检测 |
| 3.4.2 基于最小二乘法的直线拟合 |
| 3.5 本章小结 |
| 第4章 卡钳毛刺检测和定位实验 |
| 4.1 视觉检测系统的组成 |
| 4.1.1 系统总体方案 |
| 4.1.2 相机和镜头选型 |
| 4.1.3 光源分类和选择 |
| 4.1.4 软件环境的介绍 |
| 4.2 卡钳毛刺检测和定位系统的标定矫正 |
| 4.2.1 图像畸变原理 |
| 4.2.2 畸变系数和内参矩阵求取 |
| 4.2.3 测量系统的线性标定 |
| 4.3 实验设置 |
| 4.3.1 卡钳打磨具体的工艺流程介绍 |
| 4.3.2卡钳定位矩形中心检测实验 |
| 4.3.3卡钳毛刺区域提取实验 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间发表的学术论文 |
（5）多噪声干涉条纹图像的检测方法（论文提纲范文）
| 1 引言 |
| 2 干涉条纹检测的理论算法 |
| 2.1 干涉条纹处理流程图 |
| 2.2 条纹预处理模块 |
| 2.3 条纹中心线提取模块 |
| 2.4 条纹级次标定 |
| 3 结果分析 |
| 4 结论 |
（6）机械零件的图像分割与分离研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 目前研究存在的主要问题 |
| 1.4 主要研究内容 |
| 2 机器视觉系统构建 |
| 2.1 机器视觉系统的基本组成 |
| 2.2 系统硬件 |
| 2.3 系统模块化 |
| 2.4 本章小结 |
| 3 机械零件图像预处理研究 |
| 3.1 机械零件图像去噪算法研究 |
| 3.2 机械零件图像增强算法研究 |
| 3.3 本章小结 |
| 4 机械零件图像分割算法研究 |
| 4.1 基于阈值的图像分割 |
| 4.2 基于边缘检测的图像分割 |
| 4.3 基于区域检测的分水岭图像分割算法 |
| 4.4 基于距离图像标记的改进分水岭图像分割算法 |
| 4.5 本章小结 |
| 5 机械零件图像分离算法研究 |
| 5.1 机械零件单体判定算法 |
| 5.2 机械零件图像分离算法 |
| 5.3 实验结果讨论 |
| 5.4 本章小结 |
| 6 机械零件图像分割与分离的应用 |
| 6.1 机械零件图像特征提取 |
| 6.2 机械零件图像特征值计算 |
| 6.3 BP神经网络在机械零件图像识别中的应用 |
| 6.4 基于BP神经网络的机械零件分类实验 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（7）基于OpenCV的路面裂缝检测算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究目的和意义 |
| 1.2 课题的国内外研究现状 |
| 1.2.1 路面裂缝检测的国外研究现状 |
| 1.2.2 路面裂缝检测的国内研究现状 |
| 1.3 课题研究内容及章节安排 |
| 第2章 总体方案设计及图像预处理 |
| 2.1 总体方案设计 |
| 2.2 图像预处理流程 |
| 2.3 图像灰度化 |
| 2.4 图像对比度增强 |
| 2.4.1 直方图均衡化 |
| 2.4.2 分段线性变换 |
| 2.4.3 gamma校正 |
| 2.5 图像滤波 |
| 2.5.1 均值滤波 |
| 2.5.2 中值滤波 |
| 2.5.3 高斯滤波 |
| 2.5.4 双边滤波 |
| 2.6 本章小结 |
| 第3章 裂缝检测及定位 |
| 3.1 特征提取算法 |
| 3.1.1 SIFT特征 |
| 3.1.2 SURF特征 |
| 3.1.3 ORB特征 |
| 3.2 支持向量机分类器 |
| 3.2.1 线性可分支持向量机 |
| 3.2.2 线性支持向量机 |
| 3.2.3 非线性支持向量机 |
| 3.3 裂缝检测定位 |
| 3.3.1 裂缝检测定位模型训练 |
| 3.3.2 裂缝检测定位模型测试 |
| 3.4 本章小结 |
| 第4章 裂缝提取识别及参数计算 |
| 4.1 裂缝分割提取 |
| 4.1.1 基于边缘的分割 |
| 4.1.2 基于阈值的分割 |
| 4.2 轮廓跟踪与筛选 |
| 4.3 裂缝类型识别 |
| 4.4 数学形态学处理 |
| 4.4.1 数学形态学基本运算 |
| 4.4.2 图像细化 |
| 4.5 裂缝的参数计算 |
| 4.6 本章小结 |
| 第5章 裂缝检测平台的开发 |
| 5.1 平台开发环境 |
| 5.2 平台设计 |
| 5.3 平台实现 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（8）基于机器视觉的工业机器人去毛刺加工效率优化研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 工业机器人去毛刺研究现状 |
| 1.2.2 加工工艺参数优化研究现状 |
| 1.2.3 工业机器人路径规划研究现状 |
| 1.2.4 基于机器视觉的工业机器人研究与应用现状 |
| 1.3 论文研究内容与架构 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文架构 |
| 1.4 本章小结 |
| 第2章 基于蚁群算法的机器人去毛刺工艺参数优化 |
| 2.1 毛刺特征及去毛刺切削力分析 |
| 2.1.1 毛刺特征分析 |
| 2.1.2 去毛刺切削力分析 |
| 2.2 机器人去毛刺工艺参数优化建模 |
| 2.2.1 优化变量的确定 |
| 2.2.2 目标函数的确定 |
| 2.2.3 约束条件的确定 |
| 2.2.4 含约束多目标数学模型的转化 |
| 2.3 优化算法及流程 |
| 2.3.1 剩用连续域蚁群算法求解无约束优化问题 |
| 2.3.2 基于连续域蚁群算法的加工工艺参数优化流程 |
| 2.4 本章小结 |
| 第3章 基于机器视觉和蚁群算法的机器人去毛刺路径规划 |
| 3.1 基于机器视觉的毛刺信息提取技术 |
| 3.1.1 图像预处理 |
| 3.1.2 图像分割 |
| 3.1.3 边缘检测 |
| 3.1.4 机器视觉检测系统的标定 |
| 3.1.5 基于机器视觉的毛刺信息提取技术流程 |
| 3.2 去毛刺路径规划任务分析与转化 |
| 3.2.1 去毛刺路径规划任务分析 |
| 3.2.2 去毛刺路径规划问题的转化 |
| 3.3 基于蚁群算法的机器人去毛刺路径规划 |
| 3.3.1 去毛刺路径规划问题的求解 |
| 3.3.2 基于蚁群算法的机器人去毛刺路径规划整体流程 |
| 3.4 本章小结 |
| 第4章 基于机器视觉的机器人去毛刺系统构建 |
| 4.1 工业机器人及其控制系统 |
| 4.2 机器视觉检测系统 |
| 4.2.1 照明系统 |
| 4.2.2 相机 |
| 4.2.3 镜头 |
| 4.2.4 图像采集卡 |
| 4.3 刚性电主轴刀具系统 |
| 4.4 系统总体构成 |
| 4.5 本章小结 |
| 第5章 实验研究 |
| 5.1 实验工件分析 |
| 5.2 机器人去毛刺加工工艺参数实验研究 |
| 5.3 机器人去毛刺加工路径规划实验研究 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间科研成果 |
（9）基于Android的钢轨廓形检测系统的研究及开发（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景与意义 |
| 1.3 国内外研究及应用现状 |
| 1.3.1 国内外研究现状 |
| 1.3.2 国外应用现状 |
| 1.3.3 国内应用现状 |
| 1.4 本文主要研究内容 |
| 第2章 系统总体设计 |
| 2.1 系统需求分析 |
| 2.2 系统总体方案设计 |
| 2.3 系统软件框架 |
| 2.3.1 下位机图像采集传输 |
| 2.3.2 Android Socket客户端 |
| 2.3.3 Android图像处理 |
| 2.3.4 Android钢轨廓形测量 |
| 2.3.5 Android廓形数据分析 |
| 2.4 本章小结 |
| 第3章 下位机廓形采集 |
| 3.1 相机图像采集 |
| 3.2 光通量软件调控 |
| 3.3 图像数据格式转换 |
| 3.4 BMP文件保存 |
| 3.5 本章小结 |
| 第4章 Android客户端软件设计 |
| 4.1 基于Android平台的Socket通信 |
| 4.2 基于Android平台的NDK开发 |
| 4.2.1 NDK简介 |
| 4.2.2 Android客户端的NDK开发 |
| 4.3 基于Android平台的图像处理 |
| 4.3.1 Android平台下的背景差分和二值化 |
| 4.3.2 Android平台下的条纹腐蚀与细化 |
| 4.3.3 Android平台下的骨架去毛刺 |
| 4.3.3.1 一种有效的骨架毛刺去除方法 |
| 4.3.3.2 直径理论去毛刺 |
| 4.4 基于Android平台的钢轨廓形测量 |
| 4.4.1 线路调查 |
| 4.4.2 钢轨廓形曲线绘制 |
| 4.5 基于Android平台的廓形数据分析 |
| 4.5.1 选择分析基准和待分析数据 |
| 4.5.2 磨损轨廓形对齐 |
| 4.5.3 磨损值数据显示与分析 |
| 4.6 本章小结 |
| 第5章 系统测试与验证 |
| 5.1 NDK开发环境搭建 |
| 5.2 OpenCV开发环境搭建 |
| 5.3 Socket通信模块实现效果 |
| 5.4 图像处理模块实现效果 |
| 5.5 钢轨轮廓测量实现效果 |
| 5.6 廓形数据分析显示效果 |
| 5.7 系统性能测试与验证 |
| 5.8 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（10）工业CT图像轮廓处理与矢量化方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 工业 CT 技术在逆向工程中的应用 |
| 1.1.2 工业 CT 图像轮廓处理与矢量化技术的研究意义 |
| 1.1.3 课题来源 |
| 1.2 图像轮廓处理与矢量化技术国内外研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文章节安排 |
| 2 面向工业 CT 图像的轮廓处理与矢量化方法 |
| 2.1 目前图像轮廓处理与矢量化方法的相关研究 |
| 2.2 面向工业 CT 图像的轮廓处理与矢量化方法 |
| 2.3 本章小结 |
| 3 工业 CT 图像轮廓处理 |
| 3.1 图像增强 |
| 3.1.1 直方图变换 |
| 3.1.2 图像平滑 |
| 3.2 轮廓提取 |
| 3.2.1 基于边缘检测的轮廓提取 |
| 3.2.2 基于图像阈值分割的轮廓提取 |
| 3.3 轮廓跟踪 |
| 3.4 本章小结 |
| 4 轮廓的圆特征识别 |
| 4.1 基于存在概率图的圆检测方法 |
| 4.2 改进的存在概率图的圆检测方法 |
| 4.3 本章小结 |
| 5 复杂轮廓的特征识别 |
| 5.1 轮廓分段识别方法 |
| 5.2 基于曲率的轮廓分段识别方法研究 |
| 5.3 轮廓点的离散曲率 |
| 5.3.1 曲率计算公式 |
| 5.3.2 支撑区域的确定 |
| 5.4 轮廓分段特征识别 |
| 5.4.1 局部曲率极大值点提取 |
| 5.4.2 直线特征粗提取 |
| 5.4.3 细分段曲线特征判断 |
| 5.5 本章小结 |
| 6 工业 CT 图像轮廓处理与矢量化系统介绍 |
| 6.1 系统开发环境 |
| 6.2 系统功能描述 |
| 6.3 本章小结 |
| 7 测试与分析 |
| 7.1 实例分析 |
| 7.2 本章小结 |
| 8 总结与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
四、基于轮廓跟踪的二值图像去毛刺算法（论文参考文献）
- [1]一种基于Spark的公路裂缝图像处理方法[D]. 李杨. 江苏科技大学, 2021
- [2]基于V-REP飞轮壳机器人去毛刺自动编程研究[D]. 韩德元. 大连交通大学, 2020(06)
- [3]人染色体图像自动分割排列与异常诊断研究[D]. 吕丹丹. 浙江理工大学, 2019(02)
- [4]基于视觉的卡钳毛刺检测和定位方法研究[D]. 韩进宇. 武汉理工大学, 2019(07)
- [5]多噪声干涉条纹图像的检测方法[J]. 梅启升,王敏,周群. 激光与光电子学进展, 2019(12)
- [6]机械零件的图像分割与分离研究[D]. 孟坤. 中国矿业大学, 2018(02)
- [7]基于OpenCV的路面裂缝检测算法研究[D]. 陈益佳. 哈尔滨工程大学, 2017(06)
- [8]基于机器视觉的工业机器人去毛刺加工效率优化研究[D]. 王连生. 浙江大学, 2017(06)
- [9]基于Android的钢轨廓形检测系统的研究及开发[D]. 王志威. 武汉理工大学, 2016(05)
- [10]工业CT图像轮廓处理与矢量化方法研究[D]. 覃磊. 重庆大学, 2014(01)