一、机械零件智能化检测系统的平台技术（论文文献综述）
田洪志[1]（2021）在《高速阀板表面缺陷视觉检测技术研究》文中认为目前国内企业对于冲压阀板表面缺陷采用的多是人工目检,具有成本高、检测精度和效率低、劳动强度大的缺点。机器视觉技术作为现代人工智能的重要核心技术之一,具有可靠性高、自动化水平程度高等优点,广泛应用于工件识别与定位、缺陷检测中,为现代工业机器人取代人力提供了非常重要的技术基础。本文以冲压阀板零件作为研究对象,为了大大提高冲压阀板零件表面缺陷检测的自动化水平和检测速度,降低阀板表面非缺陷刀纹对检测带来的干扰,根据冲压阀板表面缺陷类型和检测技术指标,设计了一个高速阀板表面缺陷视觉检测平台,并对检测算法进行了研究。1、通过分析冲压阀板表面缺陷的产生原因和存在位置,将表面缺陷划分成以下五类:污渍、缺肉、压坑、磨边和划痕。根据缺陷类型的特点和检测的技术指标,完成对图像采集模块的选型,包括:相机和光源。2、由于本文检测对象阀板表面缺陷分布位置无规律、缺陷细小,并且阀板表面存在非缺陷刀纹对检测产生干扰,所以使用单一的照明方式无法凸显所有缺陷,为了能够获得高质量的图像,提高检测的速度和准确性,通过分析每种缺陷类型的反光特性,本文采用了一种平面光源与角度光源相结合的照明方式采集图像。3、由于阀板表面的非缺陷刀纹会对角度光源采集图像产生干扰,所以角度光源中光线与零件表面的最佳采集角度、光线与非缺陷刀纹的最佳采集角度范围和相机的最佳曝光时间对于采集图像的效果至关重要,因此设计了一个角度光源参数设计平台,通过实验得到这三个参数。4、针对平面光源图像,本文采用了基于模板匹配的图像差减法检测方法,对污渍和缺肉两类缺陷有非常好的检测效果,然后通过平面光源图像计算非缺陷刀纹平均角度用来选择合适的角度光源采集图像。5、针对角度光源图像,本文首先采用基于双阈值图像区域生长法的方法进行提取灰度异常区域,该方法能够更加完整的提取灰度异常区域;然后通过基于边缘线的位置筛选缺陷区域,最后通过边缘线的角度对缺陷区域进行误检检查。该方法对压坑、磨边和划痕三类缺陷有非常好的检测效果。6、对阀板表面缺陷视觉检测平台系统结构和算法软件进行设计。本文系统结构分为了两个工位串行式分布,能够提高检测的效率。利用Visual Studio 2013和HALCON完成了算法软件人机界面的设计,能够对算法测试过程进行调试和输出。设计实验测试高速阀板表面缺陷视觉检测算法的性能。测试结果显示:算法达到了无漏检的要求,但在有些情况下对污渍、磨边和划痕来说不能完全提取;单工位最大时耗为0.558s。本文所设计的高速阀板表面缺陷视觉检测平台,具有检测精度高、效率高,能够满足实际工厂要求的准确、高速的检测要求。
杨冬[2]（2021）在《飞机部件装配状态智能检测系统研究与实现》文中提出由于飞机整机结构复杂,在飞机装配过程中所涉及的各类设备成品、附件及零组件数量众多,在整机各系统安装到位后,因为排故、改装、替换模型件等原因会对部分附件、零组件进行拆除,因此在对其进行恢复安装后,需按照装配操作规程进行细致检查。因此,通过引入图像识别与机器学习相结合的技术,研究对装配过程进行智能检测的方法,有助于回避当前依赖人力进行舱内检查的弊端,最大限度地排除质量隐患。本文首先对飞机部件装配场景进行现场调研,结合飞机部件装配场景对装配状态检查的要求,采用基于机器视觉、图像处理等方法,对装配过程中出现的错装漏装及多余物进行分析,并依据此方法结合相关硬件进行装配状态检测硬件及软件系统的搭建首先,针对现阶段的背景,进行相关技术的研究;研究内容包括机器人控制技术、深度学习、数字图像处理方法、增强现实及检测流程。其次,根据场景需求确定了硬件系统的设计及软件的主要开发语言,硬件系统包括工业机器人、工业相机、投影系统、光源、镜头的选型,及相关框架配件的设计制造,总体硬件系统平台满足现场检测实际的需求。软件系统采用python作为主要开发语言,结合第三方算法功能包实现检测系统的软件平台。最后,本文在实验室搭建了一套装配状态检测的实验样机,并在样机上进行了相应系统的开发,并根据模拟场景对关键功能进行了有效性验证。飞机部件装配状态智能检测系统,能够对飞机装配场景中出现的错装、漏装及多余物等典型质量问题进行检测,并结合基于投影的增强现实系统实现对操作人员的指导。
孙正阳[3]（2021）在《基于机器视觉的某零件缺陷检测系统研究》文中指出在精密仪器与设备的生产加工中,零件缺陷检测至关重要,但一些传统的检测方法已无法满足现代自动化的检测需求。随着自动检测技术的不断发展,基于机器视觉检测技术的应用也更加广泛。本文以某导弹**零件为研究对象,针对零件整体直径尺寸的测量和零件内孔数量、位置及面积大小的缺陷,研究了基于机器视觉的零件缺陷检测系统,针对此类型的零件检测提出了一种基于规则边缘改进的快速模板匹配算法,设计搭建了基于机器视觉的某零件缺陷检测系统,实现零件缺陷的自动检测。本文具体工作如下:（1）搭建检测系统中的硬件平台,设计零件检测的整体流程。根据零件缺陷检测的需求,设计零件缺陷检测系统的总体方案,对缺陷检测系统平台进行三维建模,完成对零件缺陷检测系统平台硬件的选型、设计与组建,并对零件缺陷检测算法的流程进行设计。（2）研究针对此零件图像的相关处理方法。主要包括预处理、边缘检测、形态学处理、ROI提取等,通过对相关图像处理技术进行分析,得到了零件图像的处理效果图,为后续零件尺寸测量和内孔缺陷检测进行准备。（3）对零件直径进行测量。对相机进行标定,获取了相机初始化内参数的标定结果,对原始图像进行了矫正;对测量系统进行标定,获得了标定系数K,完成测量算法研究与程序编写,得到零件直径尺寸。（4）完成了零件内孔数量、位置及面积大小的检测。通过研究图像中的连通域,对零件内孔进行连通域标记,完成了零件内孔数量的判断;将零件内孔中不规则内孔图像进行分割,检测了图像中所有内孔的位置;针对此零件进行匹配算法研究,提出了一种基于规则边缘改进的快速模板匹配方法,完成零件图像的旋转和匹配模板的制作,并对零件内孔图像的面积大小进行了检测。（5）创建零件缺陷检测分析软件,进行实验验证分析。利用MATLAB软件中的GUI模块,对零件缺陷检测软件进行用户管理、零件图像导入及处理、零件尺寸测量以及零件内孔检测四个模块的结构设计,对各个模块进行了说明和工作原理分析;最后对本文提出的零件缺陷检测系统进行了实验验证,实验结果表明该系统对此类零件的缺陷检测准确率高,检测速度快,满足了此类零件的缺陷检测需求,具有一定的工程应用价值。
李杰,李响,许元铭,杨绍杰,孙可意[4]（2020）在《工业人工智能及应用研究现状及展望》文中指出工业4.0将工业制造流程以及产品质量优化从以前依照经验和观察进行判断转变为以事实为基础,通过分析数据进而挖掘潜在价值的完整智能系统.人工智能技术的快速发展在工业4.0的实现中扮演着关键的角色.然而,传统的人工智能技术通常着眼于日常生活、社会交流和金融场景,而非解决工业界实际所遇到的问题.相比而言,工业人工智能技术基于工业领域的具体问题,利用智能系统提升生产效率、系统可靠性并优化生产过程,更加适合解决特定的工业问题同时帮助从业人员发现隐性问题,并让工业设备有自主能力来实现弹性生产并最终创造更大价值.本文首先介绍工业人工智能的相关概念,并通过实际的工业应用案例如元件级的滚珠丝杠、设备级的带锯加工机与机器群等不同层次的问题来展示工业人工智能架构的可行性与应用前景.
左右[5]（2020）在《基于机器视觉的纤维绒毛尺寸测量系统设计》文中研究说明随着智能制造的快速发展,纺织行业的智能化水平正在不断提高,纤维绒毛深加工作为纺织企业生产环节最重要的组成部分,直接影响着纺织产品的质量和成本的投入。目前,很多中小型纺织企业还处于人工检测或检测设备精度不足状况,造成自动化检测水平较低。因此,对绒毛深加工过程中现存的关键性问题展开研究,具有重要的意义,能够带来较大的经济效益。针对纺织厂现有的激光测距检测系统,采用了基于机器视觉的检测技术进行替代,设计了机器视觉测量系统平台,重点对视觉系统器件的硬件选型和照明方式的设计进行了深入分析研究。针对图像处理过程中图像含有噪声、对比度较差问题,分析了图像噪声来源,通过选择合适的滤波算法与图像增强算法,解决了图像因含噪声或对比度不足而造成的图像细节特征破坏问题。在图像边缘检测方面,研究讨论了经典像素级边缘检测算法,利用Canny边缘检测算子完成了图像边缘粗定位。针对图像处理过程中像素级边缘检测无法满足绒毛高度测量精度问题,采用了基于改进Zernike矩亚像素边缘细分算法,提高了亚像素边缘点定位精度,实现了减少原材料损耗,提升了设备工作效率。完成剖布机机器视觉测量系统的硬件系统和软件系统调试,利用本文设计的机器视觉绒毛尺寸测量系统,在实际工况下对绒毛进行尺寸测量,通过实验数据表明,测量误差不超过0.2mm,检测时间在100ms内,可以满足纺织厂对绒毛尺寸测量的精度和速度要求,具有重要的应用价值。
何建枝[6]（2020）在《基于卷积神经网络的精密五金加工件圆柱面外观缺陷检测技术研究》文中指出精密五金加工件有着较高制造精度,是现代工业装备制造的组成部分之一,目前精密五金加工件质量检测方法严重滞后于行业发展与市场需求。本文以“基于卷积神经网络的精密五金加工件圆柱面外观缺陷检测技术研究”为题,系统分析精密五金加工件图像分类与检测机理,重点研究基于光栅式自旋转打光的工件图像获取技术、基于Res Net的精密五金加工件圆柱面外观缺陷检测技术,搭建五金加工件圆柱面外观缺陷检测平台,这对于实现智能装备检测自动化,推动制造工程智能化检测及仪器技术发展,具有重要学术价值与实际意义。论文得到广州市重大科技计划项目（编号201802030006）支持。论文研究精密五金加工件圆柱面外观缺陷检测系统,从经典工件缺陷检测方法、基于深度学习的工件缺陷检测方法、视觉打光技术等等三方面,综述国内外研究进展,确定论文研究内容,具体工作包括:⑴分析精密五金加工件圆柱面外观缺陷检测总体需求,包含高质量图像获取功能、缺陷位置定位功能、缺陷类型识别功能、自动化检测功能等,设计缺陷检测系统总体结构框架与工作流程,并重点分析基于光栅式自旋转打光的工件图像获取技术、基于卷积神经网络的精密五金加工件圆柱面外观缺陷检测技术等关键技术。⑵研究基于光栅式自旋转打光的工件图像获取技术。首先分析传统缺陷检测系统打光方式、机械结构、成像结果的不足,通过融合光栅结构、设计多工业相机成像方式,设计光栅式自旋转打光机械结构,有效简化打光机械结构;其次,构建光栅式自旋转自旋转光面光源模型、光栅式自旋转光栅模型,通过分析工件表面受光强度影响因素及水平、竖直方向缺陷成像情况,指导打光模型关键参数设计,包括工件与光源光面的高度距离hl-w、光栅结构参数、光栅旋转电机角速度wmotor、负载惯量Jmotor、负载扭矩Tmotor等;最后,从视觉直观对比、机器视觉算法检测结果两方面对比传统打光方式、光栅式自旋转打光式缺陷图像成像结果,结果表明,光栅自旋转打光方法能够形成便于突显缺陷、过滤背景的图像,缺陷成像效果更佳。⑶对比近年主流目标检测算法,提出应用基于卷积神经网络的精密五金加工件圆柱面外观缺陷检测技术,应用YOLO-v3与Res Net等对缺陷目标进行高精度定位与提取,在Cognex公司的Vi Di工具框架下标注并构建数据集,使用旋转、比例、翻转、宽高比、剪切、亮度、对比度等数据增强方法扩大数据集,进行离线训练并分析在线检测的软硬件关键环节。⑷搭建金属加工件缺陷检测系统,主要由硬件选型、软件集成、PLC通讯构成,并从金属加工件圆柱面定位检测、金属加工件圆柱面缺陷检测、金属加工件实际生产检测三方面验证检测系统实用性、有效性。应用结果表明,与人工检测结果对比,设备检测结果误检漏检少,检测准确率较高。所研制金属加工件圆柱面检测系统实际应用效果良好、检测效率高,具有工程实用价值。
侯建雷[7]（2020）在《基于机智云平台的粉碎机远程故障检测系统研究》文中认为随着畜牧业的快速发展,牲畜饲料需求大幅度增加,饲料生产机械得到了广泛使用。由于饲料生产机组生产环境较为恶劣,在运行过程中不可避免会发生故障,如果不能及时对故障原因进行针对性的检测,对设备进行及时维修,将会给企业带来较大的经济损失,也会对企业生产人员带来不可预知的风险。实现饲料机械的远程自动化故障检测,对于饲料企业安全生产、提高生产效率具有重要的现实意义。本文以饲料机组的重要组成部件粉碎机为研究对象,在对饲料生产工厂进行充分调研的基础上,设计出一款基于机智云平台的粉碎机实时故障检测系统。该系统的主要组成部件为故障诊断终端、云平台、上位机软件和智能手机APP。故障检测终端以STM32F103VET6为主控制芯片,结合传感器部件与ESP8266芯片,实现对粉碎机运行时产生的电信号、振动信号以及温湿度信号的检测与传输。云端以机智云服务器为基础,结合故障检测终端,针对粉碎机故障种类搭建机智云云端服务器,以云端通信协议为基础,实现机智云云端与故障检测终端的信息交互。上位机界面采用LabVIEW与C语言联合编程,不仅对可视化界面进行部署开发,并且使用C语言移植小波算法实现对故障原因的分析和诊断。手机APP的开发基于Android Studio软件,并且结合机智云云端,设计开发出了一款能够与粉碎机故障检测系统云监测平台进行信息交互的手机应用软件,该软件能够通过WiFi实现与故障检测终端信息的交互和控制。为了对粉碎机实时故障检测系统的各项功能进行测试,本文搭建了硬件平台,并在和协集团下属企业正大饲料公司进行运行测试。运行时将故障检测终端与机智云平台连接,测试手机APP能否与故障检测终端进行信息交互;连接上位机,检测粉碎机故障检测系统能否对粉碎机故障进行实时报警,并对故障原因和种类进行准确判断。测试完成后,下载试验数据,并进行统计分析。测试结果表明,粉碎机故障检测系统能够实现故障的实时报警,能够根据检测到的实时信号准确判断故障原因,云服务准确及时,可靠性高,能够满足项目要求。基于机智云平台的粉碎机远程故障检测系统设计,将云平台技术、嵌入式技术、手机APP设计技术和故障检测技术相结合,与现有故障检测技术相比,在技术方面有显着优势,并具有较强的实用性。
胡艳娥[8]（2020）在《数控加工精度在机检测技术及其误差修正技术研究》文中指出通过为数控机床配备零件精度检测用测头以及相应的检测、误差修正加工程序,即构成带修正功能的在机检测系统。该技术将加工、检测和误差修正集成在同一台设备上完成,避免了多次装夹、重复定位误差,可以较好地解决零件精度误差超差难以修正和辅助时间长等现实问题。本论文面向国内中小型机械制造类企业,从现场一线实际生产需求出发,对零件数控加工精度在机检测及修正加工关键技术进行了较为深入的探索与实践,主要包括以下几个方面的内容:（1）分析了在机检测主要的误差来源,研究了测头偏心、长度误差的现场快速标定方法,并通过实验测定了一款国产在机检测测头的预行程误差。为了满足现场高效率的使用要求,建立一种基于误差数据表的快速补偿办法。（2）根据STL格式零件孔类特征显示所存在的问题,研究了孔壁测量点的生成策略以及法矢的估算方法,制定了内孔、圆柱孔的在机检测方案,建立并通过实例验证了孔类特征加工误差的原位修正补偿加工方法。（3）制定适用现场、带修正功能的加工精度在机检测总体方案。根据企业现有加工设备条件和孔类特征零件加工精度检测所面临的问题,搭建起一个集在机检测、误差评估和即时输出误差修正加工参数的相对完整的在机检测集成系统。（4）最后以一款电工机械常见的绞线机机座模型为实验对象,完成了机座两端主轴孔同轴度的在机检测及其修正加工,实验证实经过修正加工的两孔同轴度精度较之前有较大幅度提升,表明课题所提出的带二次修复加工功能的在机检测策略可行。
路鹭[9]（2020）在《基于机器视觉的智能抓取系统设计与实现》文中研究表明目前机器人与自动化技术不断发展,在工业领域获得了广泛的应用,提高了生产速度和效率,同时也解放了繁重的人工劳动。在自动化生产领域,上下料是其中一个重要的环节,仍然有部分企业（如轴承、气门、磁材公司）在零件的上下料中仍然采用人工或者半自动化的取料方式。这种方式存在以下几点问题:（1）工人工作量大且枯燥。（2）零件容易磕碰损伤。（3）企业生产成本增加。为实现取料智能化,本课题设计了一套基于机器视觉的智能抓取系统,系统使用单个工业相机获取矩形零件图像,并利用所得的图像进行该物体的识别定位以及重建,进而实现对矩形零件的智能抓取。对主要工作进行概括,包括以下几点:1.智能抓取系统平台的设计及搭建。设计智能抓取系统的三坐标机械手平台的三维模型,完成平台搭建。设计控制、视觉以及人机交互系统,并且完成搭建。2.矩形零件的识别定位。本文以合成图像以及实际的矩形零件为研究对象,提出一种快速高精度的矩形检测算法,算法通过分割图像,提取图像亚像素轮廓,分割亚像素轮廓为直线,直线几何和物理特征的模糊融合计算完成矩形的检测定位。实验结果表明该算法的检测速度、准确率、精度满足工业要求,并且有良好的鲁棒性。但该算法仅仅可以得到零件的二维信息,在涉及抓取多个零件码垛的过程中由于无法获取零件的三维结构信息和机械平台Z轴方向的抓取深度,很难实现真正的智能化。由此针对这一问题,本文接着提出了基于码垛任务的抓取物单幅图像三维重构。3.抓取物单幅图像三维重建。以码垛过程中的长方体零件为研究对象,本文提出一种基于码垛任务的单幅图像抓取物三维重构方法。该方法首先提取零件轮廓,再使用Hough直线检测算法提取出轮廓中的目标直线,通过直线分组,优化垂直,水平和竖直三个方向的平行直线组,接着利用平行直线组以及最小距离法解算灭点,并利用灭点获取相机的内外参数,最终根据内外参获得图像的三维尺寸信息以及机械手Z轴方向的抓取深度。实验结果表明该方法能准确地重建出符合精度要求的三维模型,且能准确获取机械手Z轴方向的抓取深度。4.通过2,3已经获得零件的二维以及三维信息,为使整个智能抓取系统平台更完备,需把获取的零件信息集成到平台的人机交互系统,最终实现不同场景中矩形零件的抓取。最后,机器视觉抓取系统平台完成调试,并对系统的智能抓取能力,精度以及鲁棒性进行测试,实验结果表明:该智能抓取系统能实现对矩形零件的高效自主抓取,满足一定的抓取精度,并有良好的鲁棒性。
刘奕[10]（2020）在《5G网络技术对提升4G网络性能的研究》文中提出随着互联网的快速发展,越来越多的设备接入到移动网络,新的服务与应用层出不穷,对移动网络的容量、传输速率、延时等提出了更高的要求。5G技术的出现,使得满足这些要求成为了可能。而在5G全面实施之前,提高现有网络的性能及用户感知成为亟需解决的问题。本文从5G应用场景及目标入手,介绍了现网改善网络性能的处理办法,并针对当前5G关键技术 Massive MIMO 技术、MEC 技术、超密集组网、极简载波技术等作用开展探讨,为5G技术对4G 网络质量提升给以了有效参考。
二、机械零件智能化检测系统的平台技术（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、机械零件智能化检测系统的平台技术（论文提纲范文）
（1）高速阀板表面缺陷视觉检测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景与意义 |
| 1.2 机器视觉技术的概述 |
| 1.3 国内外研究现状 |
| 1.4 论文主要内容及章节安排 |
| 2 高速阀板表面缺陷视觉检测平台设计 |
| 2.1 缺陷分析 |
| 2.2 图像采集模块选型 |
| 2.2.1 工业相机介绍与选型 |
| 2.2.2 光源介绍与选型 |
| 2.3 角度光源参数设计 |
| 2.3.1 角度光源参数设计平台硬件介绍 |
| 2.3.2 角度光源参数设计平台软件介绍 |
| 2.3.3 相机最佳曝光时间实验 |
| 2.3.4 角度光源最佳采集角度实验 |
| 2.4 本章小结 |
| 3 高速阀板表面缺陷视觉检测算法研究 |
| 3.1 平面光源图像缺陷检测算法 |
| 3.1.1 模板匹配 |
| 3.1.2 图像差减法缺陷检测 |
| 3.1.3 非缺陷刀纹角度计算 |
| 3.2 角度光源图像缺陷检测算法 |
| 3.2.1 基于双阈值图像区域生长法提取灰度异常区域 |
| 3.2.2 基于边缘线法筛选缺陷区域 |
| 3.3 本章小结 |
| 4 实验测试 |
| 4.1 系统结构设计 |
| 4.2 算法软件设计 |
| 4.2.1 编程软件的介绍 |
| 4.2.2 算法软件界面设计 |
| 4.3 阀板表面缺陷视觉检测平台技术指标 |
| 4.4 算法测试实验 |
| 4.4.1 计算刀纹角度算法测试 |
| 4.4.2 图像缺陷检测算法测试 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间学术成果 |
（2）飞机部件装配状态智能检测系统研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.3 本论文的结构安排 |
| 第二章 检测系统总体设计 |
| 2.1 部件装配场景分析 |
| 2.1.1 典型飞机部件装配过程 |
| 2.1.2 装配过程存在质量的问题 |
| 2.1.3 检测系统设计要求 |
| 2.2 系统总体设计 |
| 2.2.1 设计思路 |
| 2.2.2 系统功能设计 |
| 2.2.3 总体逻辑设计 |
| 2.2.4 系统总体架构 |
| 2.3 硬件系统设计 |
| 2.3.1 数据采集硬件 |
| 2.3.2 工程辅助硬件 |
| 2.3.3 智能计算硬件 |
| 2.3.4 增强现实硬件 |
| 2.4 软件整体设计 |
| 2.5 本章小结 |
| 第三章 检测系统涉及相关技术方法 |
| 3.1 机器人控制技术 |
| 3.1.1 机器人位姿矫正方法解算 |
| 3.1.2 机器人最大活动空间自适应调整方法解算 |
| 3.2 基于深度学习与图像处理的装配检测技术研究 |
| 3.2.1 基于深度学习的目标检测技术 |
| 3.2.2 信息融合技术装配质量检测技术 |
| 3.3 数字图像处理方法 |
| 3.3.1 图像特征点 |
| 3.3.2 图像特征匹配 |
| 3.3.3 基于仿射变换的工位全景图像拼接 |
| 3.3.4 基于特征点匹配的模板匹配识别 |
| 3.4 基于投影仪的增强现实技术 |
| 3.4.1 基于网络传输的投影系统 |
| 3.4.2 基于标志点的图像透视投影技术 |
| 3.5 装配状态检测核心功能设计 |
| 3.6 本章小结 |
| 第四章 机部件装配状态智能检测系统实现 |
| 4.1 硬件系统实现 |
| 4.1.1 工业机器人 |
| 4.1.2 工业相机 |
| 4.1.3 辅助光源 |
| 4.1.4 增强现实硬件 |
| 4.1.5 其它硬件 |
| 4.2 软件系统实现 |
| 4.2.1 开发环境 |
| 4.2.2 软件体系架构 |
| 4.2.3 软件逻辑架构 |
| 4.3 系统功能实现 |
| 4.3.1 用户登录界面 |
| 4.3.2 采集系统 |
| 4.3.3 识别系统实现 |
| 4.4 系统验证 |
| 4.4.1 关键功能验证 |
| 4.4.2 综合场景验证 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 未来展望 |
| 致谢 |
| 参考文献 |
（3）基于机器视觉的某零件缺陷检测系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.2 机器视觉的国内外研究现状 |
| 1.2.1 机器视觉在零件缺陷检测中的应用 |
| 1.2.2 机器视觉在尺寸检测中的应用 |
| 1.3 课题主要研究内容 |
| 1.4 本章小结 |
| 2 零件缺陷检测系统的总体设计 |
| 2.1 系统总体方案设计 |
| 2.2 硬件设计 |
| 2.2.1 设备选型 |
| 2.2.2 传动部分设计 |
| 2.2.3 零件缺陷检测平台的硬件集成 |
| 2.3 软件设计 |
| 2.3.1 检测系统软件平台搭建 |
| 2.3.2 检测系统软件模块设计 |
| 2.4 零件缺陷检测流程设计 |
| 2.5 本章小结 |
| 3 零件图像处理算法研究 |
| 3.1 图像采集与预处理 |
| 3.1.1 图像采集 |
| 3.1.2 灰度处理 |
| 3.1.3 图像滤波 |
| 3.1.4 图像二值化 |
| 3.2 图像边缘检测 |
| 3.3 图像形态学处理 |
| 3.4 图像边缘拟合 |
| 3.5 图像ROI提取 |
| 3.6 本章小结 |
| 4 零件尺寸测量研究 |
| 4.1 相机标定 |
| 4.1.1 标定坐标系 |
| 4.1.2 标定原理 |
| 4.1.3 相机标定过程 |
| 4.2 测量系统标定 |
| 4.3 零件直径的测量 |
| 4.4 本章小结 |
| 5 零件内孔缺陷检测研究 |
| 5.1 零件内孔的数量检测 |
| 5.1.1 区域的连通性 |
| 5.1.2 连通域的标记 |
| 5.2 零件内孔的位置检测 |
| 5.2.1 基于霍夫变换的圆形检测 |
| 5.2.2 零件内孔位置检测 |
| 5.3 零件内孔的面积检测 |
| 5.3.1 传统模板匹配识别算法 |
| 5.3.2 模板匹配中的Dice参数 |
| 5.3.3 零件图像旋转 |
| 5.3.4 零件图像匹配模板制作 |
| 5.3.5 基于规则边缘改进的快速模板匹配 |
| 5.4 本章小结 |
| 6 GUI界面设计与实验验证分析 |
| 6.1 软件的结构设计 |
| 6.2 软件的各模块设计 |
| 6.2.1 用户管理模块 |
| 6.2.2 零件图像导入及处理模块 |
| 6.2.3 零件尺寸测量模块 |
| 6.2.4 零件内孔检测模块 |
| 6.3 实验验证分析 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及成果 |
| 致谢 |
（5）基于机器视觉的纤维绒毛尺寸测量系统设计（论文提纲范文）
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究的主要内容 |
| 2 剖布机绒毛尺寸测量系统设计 |
| 2.1 引言 |
| 2.2 绒毛尺寸测量系统组成及需求分析 |
| 2.3 测量系统硬件设计 |
| 2.4 测量系统软件流程设计 |
| 2.5 本章小结 |
| 3 图像预处理与边缘检测研究 |
| 3.1 引言 |
| 3.2 图像预处理研究 |
| 3.3 图像阈值化研究 |
| 3.4 图像边缘检测研究 |
| 3.5 亚像素边缘检测研究 |
| 3.6 本章小结 |
| 4 基于改进Zernike矩的绒毛检测算法研究 |
| 4.1 引言 |
| 4.2 基于Zernike矩的亚像素边缘检测原理 |
| 4.3 基于Zernike矩的亚像素改进算法 |
| 4.4 基于改进的Zernike矩绒毛检测研究 |
| 4.5 相机标定 |
| 4.6 本章小结 |
| 5 机器视觉检测系统测试与实验数据分析 |
| 5.1 引言 |
| 5.2 机器视觉检测系统调试 |
| 5.3 测量结果及误差分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（6）基于卷积神经网络的精密五金加工件圆柱面外观缺陷检测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号表 |
| 第一章 绪论 |
| 1.1 论文研究背景与意义 |
| 1.2 精密五金加工件圆柱面外观缺陷检测概述 |
| 1.3 论文相关内容国内外研究进展 |
| 1.3.1 经典工件缺陷检测技术 |
| 1.3.2 基于深度学习的工件缺陷检测技术 |
| 1.3.3 机器视觉打光技术 |
| 1.4 论文主要研究内容与章节安排 |
| 第二章 基于卷积神经网络精密五金加工件圆柱面外观缺陷检测框架设计 |
| 2.1 引言 |
| 2.2 精密五金加工件圆柱面外观缺陷检测总体需求与流程 |
| 2.2.1 精密五金加工件圆柱面外观缺陷检测系统总体结构框架 |
| 2.2.2 精密五金加工件圆柱面外观缺陷检测流程 |
| 2.3 精密五金加工件圆柱面外观缺陷检测关键技术分析 |
| 2.3.1 基于光栅式自旋转打光的工件图像获取技术 |
| 2.3.2 基于Res Net的精密五金加工件圆柱面缺陷检测技术 |
| 2.4 本章小结 |
| 第三章 基于光栅式自旋转打光的工件图像获取技术 |
| 3.1 引言 |
| 3.2 光栅式自旋转打光机械结构设计 |
| 3.3 光栅式自旋转打光模型构建 |
| 3.3.1 光栅式自旋转光面光源模型构建 |
| 3.3.2 光栅式自旋转光栅模型构建 |
| 3.4 试验与分析 |
| 3.5 本章小结 |
| 第四章 基于卷积神经网络的精密五金加工件圆柱面外观缺陷检测技术 |
| 4.1 引言 |
| 4.2 精密五金加工件圆柱面外观缺陷目标检测 |
| 4.3 精密五金加工件圆柱面外观缺陷提取 |
| 4.4 试验与分析 |
| 4.4.1 光栅式自旋转光栅模型构建 |
| 4.4.2 在线处理试验分析 |
| 4.5 本章小结 |
| 第五章 精密五金加工件圆柱面外观缺陷检测实验 |
| 5.1 引言 |
| 5.2 检测系统软硬件平台搭建 |
| 5.2.1 精密五金加工件圆柱面外观缺陷检测硬件平台搭建 |
| 5.2.2 精密五金加工件圆柱面外观缺陷检测软件 |
| 5.3 应用效果分析 |
| 5.3.1 金属加工件圆柱面定位检测与结果分析 |
| 5.3.2 金属加工件圆柱面外观缺陷检测与结果分析 |
| 5.3.3 金属加工件实际生产测试与结果分析 |
| 5.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（7）基于机智云平台的粉碎机远程故障检测系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 故障诊断系统研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 主要研究内容 |
| 1.4 本章小结 |
| 第二章 总体方案设计 |
| 2.1 系统功能需求分析 |
| 2.2 粉碎机故障检测系统的总体架构 |
| 2.3 嵌入式处理器选型 |
| 2.3.1 嵌入式处理器的分类 |
| 2.3.2 嵌入式处理器的选择 |
| 2.4 传感器选型 |
| 2.4.1 温湿度传感器选型 |
| 2.4.2 电信号传感器选型 |
| 2.4.3 振动传感器选型 |
| 2.5 故障诊断器通信方式的选择 |
| 2.5.1 无线通信方式 |
| 2.5.2 有线通信方式 |
| 2.6 云平台的选择 |
| 2.7 本章小结 |
| 第三章 硬件设计 |
| 3.1 故障检测终端硬件总体框架结构 |
| 3.2 STM32 最小系统设计 |
| 3.3 程序下载接口设计 |
| 3.4 传感器电路设计 |
| 3.4.1 温湿度传感器电路 |
| 3.4.2 振动传感器接口电路 |
| 3.4.3 电流传感器接口电路 |
| 3.5 前置放大电路设计 |
| 3.6 滤波电路设计 |
| 3.7 光电耦合电路设计 |
| 3.8 USB转串口电路 |
| 3.9 数据传输模块设计 |
| 3.9.1 RS485 电路设计 |
| 3.9.2 WIFI模组电路设计 |
| 3.10 电源电路 |
| 3.11 本章小结 |
| 第四章 小波分析在故障检测系统中的应用 |
| 4.1 小波分析的基本原理 |
| 4.1.1 傅里叶变换 |
| 4.1.2 小波变换 |
| 4.1.3 小波变换在故障检测中的实际应用 |
| 4.2 小波分析检测传感器故障实验测试 |
| 4.3 小波分析检测突变故障实验测试 |
| 4.4 小波分析检测振动信号实验测试 |
| 4.5 本章小结 |
| 第五章 软件设计 |
| 5.1 故障检测终端固件编程 |
| 5.1.1 FreeRTOS功能特点及移植 |
| 5.1.2 FreeRTOS移植 |
| 5.1.3 STM32 开发环境 |
| 5.1.4 故障检测终端的初始化 |
| 5.1.5 信号采集程序 |
| 5.2 ESP8266 固件移植 |
| 5.2.1 GAgent固件库移植 |
| 5.2.2 配置入网 |
| 5.3 设备接入机智云平台方案 |
| 5.3.1 机智云开发流程 |
| 5.3.2 机智云云端服务器的搭建 |
| 5.3.3 数据点的创建 |
| 5.3.4 产品的发布 |
| 5.4 APP的设计 |
| 5.4.1 搭建Android开发平台 |
| 5.4.2 登录界面的实现 |
| 5.4.3 配置入网 |
| 5.4.4 APP控制界面 |
| 5.5 上位机软件的设计 |
| 5.5.1 LabVIEW与 C语言混合编程 |
| 5.5.2 小波算法程序设计 |
| 5.5.3 VISA串行通信程序设计 |
| 5.5.4 滤波器程序设计 |
| 5.5.5 振动数据的检测与联网设置 |
| 5.5.6 上位机界面的设计 |
| 5.6 本章小结 |
| 第六章 实验验证 |
| 6.1 故障检测终端硬件测试 |
| 6.2 硬件设备的安装 |
| 6.3 系统运行测试 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果目录 |
（8）数控加工精度在机检测技术及其误差修正技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 带修正功能数控加工精度在机检测技术存在的主要问题 |
| 1.4 主要研究内容及技术路线 |
| 1.5 本章小结 |
| 第2章 触发式测头精度快速标定方法 |
| 2.1 在机检测误差主要来源分析 |
| 2.2 测头系统误差测定 |
| 2.3 本章小结 |
| 第3章 在机检测软件相关功能开发 |
| 3.1 带修正功能在机检测软件功能模块设计 |
| 3.2 零件STL格式简介 |
| 3.3 基于OpenGL的交互式功能模块开发 |
| 3.4 本章小结 |
| 第4章 加工误差原位修正方法 |
| 4.1 加工误差原位修正原理 |
| 4.2 内孔尺寸测量及圆孔误差修正 |
| 4.3 圆柱孔测量及同轴度误差修正 |
| 4.4 孔系零件原位修正加工实例 |
| 4.5 本章小结 |
| 第5章 带修正功能在机检测系统实验验证 |
| 5.1 在机检测的基本流程 |
| 5.2 带修正功能在机检测系统 |
| 5.3 当前测点坐标值的获取 |
| 5.4 在机检测流程及实验验证 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及获得的专利 |
| 致谢 |
（9）基于机器视觉的智能抓取系统设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 智能抓取系统的发展 |
| 1.2 机器视觉技术简介以及国外研究现状 |
| 1.2.1 机器视觉技术 |
| 1.2.2 机器视觉国内研究现状 |
| 1.2.3 机器视觉国外研究现状 |
| 1.3 本文研究目的和意义 |
| 1.4 本课题主要研究内容 |
| 2 智能抓取系统平台的设计及搭建 |
| 2.1 机械、控制、视觉以及人机交互系统设计 |
| 2.1.1 系统的机械手平台设计及搭建 |
| 2.1.2 控制系统设计及搭建 |
| 2.1.3 视觉系统设计 |
| 2.1.4 人机交互系统设计 |
| 2.2 智能抓取系统整体结构布局和实现流程 |
| 2.3 智能抓取平台的程序开发平台 |
| 2.4 本章小结 |
| 3 一种快速高精度的矩形识别算法 |
| 3.1 矩形识别算法研究现状 |
| 3.2 算法原理 |
| 3.2.1 矩形判断条件 |
| 3.2.2 模糊融合原理 |
| 3.3 矩形检测实施方法 |
| 3.3.1 基本思想 |
| 3.3.2 矩形检测算法的步骤及流程图 |
| 3.4 算法测试及结果分析 |
| 3.4.1 合成图像测试结果 |
| 3.4.2 实际矩形零件图像的测试结果 |
| 3.4.3 算法性能比较 |
| 3.5 本章小结 |
| 4 基于码垛任务的抓取物单幅图像三维重构 |
| 4.1 灭点检测算法 |
| 4.1.1 灭点算法简介 |
| 4.1.2 灭点的定义以及属性 |
| 4.1.3 图像直线检测以及直线分组和优化 |
| 4.1.4 灭点解算 |
| 4.2 相机内外参数标定 |
| 4.2.1 求解相机的内参 |
| 4.3 垛三维重建 |
| 4.4 实验结果展示 |
| 4.5 实验结果分析 |
| 4.6 本章小结 |
| 5 系统集成与抓取实现 |
| 5.1 系统集成 |
| 5.2 抓取实现 |
| 5.2.1 杂乱放置的矩形零件抓取 |
| 5.2.2 多种零件中的矩形零件抓取 |
| 5.2.3 码垛任务下矩形零件抓取 |
| 5.3 本章小结 |
| 6 总结和展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 参考文献 |
| 个人简历、在学期间发表的学术论文与研究成果 |
| 个人简历 |
| 在学期间发表的学术论文与研究成果 |
| 致谢 |
（10）5G网络技术对提升4G网络性能的研究（论文提纲范文）
| 引言 |
| 1 4G网络现处理办法 |
| 2 4G网络可应用的5G关键技术 |
| 2.1 Msssive MIMO技术 |
| 2.2 极简载波技术 |
| 2.3 超密集组网 |
| 2.4 MEC技术 |
| 3 总结 |
四、机械零件智能化检测系统的平台技术（论文参考文献）
- [1]高速阀板表面缺陷视觉检测技术研究[D]. 田洪志. 烟台大学, 2021(09)
- [2]飞机部件装配状态智能检测系统研究与实现[D]. 杨冬. 电子科技大学, 2021(01)
- [3]基于机器视觉的某零件缺陷检测系统研究[D]. 孙正阳. 西安工业大学, 2021(02)
- [4]工业人工智能及应用研究现状及展望[J]. 李杰,李响,许元铭,杨绍杰,孙可意. 自动化学报, 2020(10)
- [5]基于机器视觉的纤维绒毛尺寸测量系统设计[D]. 左右. 山东科技大学, 2020(06)
- [6]基于卷积神经网络的精密五金加工件圆柱面外观缺陷检测技术研究[D]. 何建枝. 华南理工大学, 2020(02)
- [7]基于机智云平台的粉碎机远程故障检测系统研究[D]. 侯建雷. 河南科技学院, 2020(12)
- [8]数控加工精度在机检测技术及其误差修正技术研究[D]. 胡艳娥. 广州大学, 2020
- [9]基于机器视觉的智能抓取系统设计与实现[D]. 路鹭. 郑州大学, 2020(02)
- [10]5G网络技术对提升4G网络性能的研究[J]. 刘奕. 数码世界, 2020(04)