一、计算机视觉技术在车灯零件检测中的应用研究（论文文献综述）
李策[1]（2021）在《基于计算机视觉的汽车车灯检测技术研究》文中指出
李雷辉[2]（2021）在《基于3D视觉传感器的工业零件表面质量检测关键技术研究》文中提出随着计算视觉技术的发展,工业零件表面质量的无接触自动检测的研究与应用受到了越来越多的关注。由于3D视觉传感器可以提供的更加丰富的物体表面结构数据和纹理数据,工业领域基于传统视觉的技术开始逐渐采用基于3D视觉传感器提供的检测数据,以满足更高准确率和更高精度的检测要求。本文通过与企业的合作,基于高性能的3D视觉传感器,设计并实现了可针对简单和复杂形状结构的工业零件的表面质量检测系统,并将它们应用于高铁摩擦片和石油管螺纹的质量检测。本文主要贡献如下:第一,针对具有简单形状结构的工业零件,本文提出了一套表面质量的检测方法,包括尺寸测量和缺陷检测。本方法可根据工业零件的几何特征有针对性的完成指定检测和测量指标。几何特性包括工业零件表面的简单轮廓、简单几何形状以及较为平整的表面。除此之外,本方法设计并实现了较为通用的算法,包括点云数据预处理、平面提取、有效点集提取算法等,便于有针对性的实现具备简单几何结构工业零件的表面质量检测任务,缩短了质量检测流程的开发周期。第二,针对形状结构较为复杂的工业零件,本文在其标准模型的基础上,提出了一套表面质量检测方法。设计并实现了一次人工标注、点云配准、搜索标注点集和特定的尺寸计算策略,通过在标准模型中对表面质量检测中的计算对象进行一次性的人工标注,然后利用点云配准与搜索标注点集完成扫描点云中待检测和测量部位的定位,最后根据特定的计算规则与待检测点云中已定位的计算对象完成质量检测。本方法简化了表面质量检测中计算对象的设计逻辑,所以对不同的检测需求具有一定的扩展性。第三,为验证本文方法的可行性与高效率,本文将所提方法应用于高铁摩擦片和石油管螺纹的表面质量检测任务。其中,高铁摩擦片因表面结构简单,故应用简单形状结构的工业零件表面质量的检测方法并成功实现了高铁摩擦片表面各参数检测;石油管螺纹因表面具有较为复杂的曲面螺旋结构,故应用复杂形状结构的工业零件表面质量检测方法并成功实现了石油管螺纹表面各参数的检测。实验结果表明,本文的工业零件表面质量的检测结果符合实际生产要求,而且缺陷检测的效率和准确率显着高于人工检测结果。
杨朝义,李海强,黄芬梅[3]（2021）在《计算机视觉技术在塑料成品检测中的应用》文中研究表明随着计算机技术在工业领域的应用不断深入,工业的智能化、科技化水平显着提升。其中,以计算机视觉技术为代表的新兴技术,在塑料工业、汽车工业、农业生产、医药行业等方面都有所应用。计算机视觉技术依托图像采集、处理、分析等功能实现对人的视觉模拟,进而运用在工业生产中来替代人的操作,能有效提升企业效率和自动化程度。基于计算机视觉技术基本构造和原理分析,通过调研国内外研究现状,总结当前计算机视觉技术在塑料成品的外观缺陷检测、尺寸检测和颜色检测的应用情况,对未来计算机视觉技术在塑料成品检测中的应用提出展望。
尹响[4]（2021）在《基于深度学习多模型融合的车辆重识别方法研究》文中指出车辆重识别是智能城市化建设与道路交通安全领域近年来研究的一项新技术,目的是在复杂的交通环境下,对多个不同监控摄像机中的车辆身份精确匹配,能够判断所给定的目标车辆在不同场景下,经过不同摄像机所拍摄的车辆图像是否为同一目标。从而有效节省传统方法对海量车辆数据精确检索时所需的人力和财力,对公共安防、无人驾驶以及智能交通等领域的发展具有推动作用。因此,现利用兴起的计算机视觉对目标车辆图像特征进行匹配,可完成车辆特征快速定位和重识别任务。针对该问题,本文结合特征表示学习和度量学习,设计一个多模型融合的车辆特征提取网络,并利用车辆时空信息重排序,完成高准确率的车辆重识别任务。本文具体研究内容如下:（1）研究多分支网络模型协同提取车辆全局特征。通过分析和对比多种特征提取的基础卷积神经网络,提出一种多分支深度学习网络模型,实现车辆全局特征的表征学习,并使用改进的三重损失函数优化全局特征识别,以改善原始车辆图像的区别性表示。实验结果表明,多分支网络学习比单一网络学习对车辆全局特征的提取更具有针对性,能有效地分析车辆全局特征信息,以此来区分外观差异性较大的车辆。（2）研究车辆局部特征表示方法提取零件特征。提出改进Faster R-CNN网络来提取车辆局部零件特征,并增加注意力机制模块来加强主表示的特征学习能力。其中,选择性价比高的Res Net50作为基础特征提取网络;选择FPN多尺度网络来准确地检测和召回局部车辆零件;采用Ro I Align算法避免因连续两次量化导致的误差问题,能够提升目标建议框的池化精度。最后,引入一个注意力机制模块,来增强改进网络的目标检测能力。（3）研究多模型融合网络完成车辆重识别任务。通过分析车辆全局特征和局部特征的提取模型,设计一个基于车辆特征映射的多模型融合网络。该网络够利用全局特征表示区分差异性较大的车辆,以及基于细粒度局部特征加强相似车辆之间的判别,并对损失函数进行改进,从而优化整个网络的泛化能力。同时,引入一种时空重排序的后处理策略,对初始检索结果重新排序。在公开的车辆重识别数据集上进行实验,验证所提算法对车辆重识别任务具有明显的有效性和准确性。
李雪松[5]（2021）在《基于机器视觉的机械零件在位检测技术的研究与实现》文中研究说明随着科学和生产技术的进步,自动化程度不断升级,机器视觉也在检测中发挥着越来越重要的作用,代替人工保证了高效快速可重复性的工作,在实际生产生活中有广阔前景。本文在分析了机器视觉在现代生产中应用的研究基础上,对机械零件在生产线上进行在位检测进行研究。本文以齿轮和涂层展开板为研究对象,对其进行流水线上的在位检测。对在位检测系统进行总体方案设计,详细设计了硬件系统基本结构,包括相机、镜头、光电开关、My-Rio、气缸和暗箱等,进行硬件系统的选型及搭建,设计了图像采集和光源照明系统方案;提出图像预处理方案,在图像预处理中,通过图像滤波,图像分割,边缘检测等步骤,得到图像清晰的边缘。介绍了相机成像原理,对齿轮进行合格性检测,提出涂层展开板直线自动分区的检测方法,根据谱带形状及灰度特征进行自动分区检测,提出多项式插值与最小二乘回归拟合相结合来求取各点坐标,将Labview和Matlab相结合实现混合编程,将检测得到的数据通过RS232传输到数控机床进行实时加工。对齿轮和涂层展开板进行现场实验测试,将人工检测与在位检测系统的结果进行对比,并对实验结果进行分析,对实验过程中的环境误差、硬件误差、软件误差及加工过程中的误差进行分析及优化。本文所研究的基于机器视觉机械零件在位检测技术,创新之处是将Labview与Matlab相结合,进行混合编程,并设计了基于几何形状与灰度特征相结合的自动分区方法,同时设计了多项式插值法与最小二乘回归相结合的拟合法,机床得到检测数据进行实时加工,能够实现快速识别及精确计算,具有较高的检测精度及检测速度。
魏秀琨,所达,魏德华,武晓梦,江思阳,杨子明[6]（2021）在《机器视觉在轨道交通系统状态检测中的应用综述》文中认为城市轨道交通系统主要由弓/网系统、轨道线路、车辆、车站等组成,传统的人工巡检等方法检测效率低、劳动强度大、自动化和智能化程度不高,给城市轨道交通的运营保障和进一步健康发展带来了巨大的挑战.机器视觉作为一种重要的检测手段,在城市轨道交通系统状态检测领域得到了广泛的应用.鉴于此,针对机器视觉在城市轨道交通系统安全状态检测中的研究和应用进行综述.首先,简要介绍城市轨道交通的基本概念和快速发展所面临的挑战与机遇.然后,详细介绍机器视觉技术在城市轨道交通各子系统安全状态检测中的研究与应用情况;针对弓/网系统状态检测问题,分别重点介绍机器视觉在受电弓磨耗检测、受电弓包络线等其他病害检测、接触网几何参数检测、接触网磨耗检测以及接触网悬挂病害检测中的国内外研究现状;在轨道线路安全状态检测方面,分别介绍机器视觉在扣件安全状态检测和钢轨表面病害检测中的应用与研究现状;从不同检测项点角度详细介绍机器视觉在车辆状态检测中的应用与研究进展;梳理和总结机器视觉在车站电扶梯安全监控和站台安全监控的异常行为检测中的具体应用和研究;并重点介绍机器视觉在轨道交通司机行为监测中的具体应用和背景技术.最后,对机器视觉技术应用于城市轨道交通系统状态检测领域的未来进行展望.
文月祥[7]（2020）在《基于视频的夜间车辆识别与跟踪的方法研究》文中研究表明随着社会经济的发展,交通需求的增加,由于交通供给不足和自然资源的制约,城市交通出现了交通拥堵、交通安全、环境污染等问题。这些问题的解决不能单纯的通过增加交通供给、交通限制来实现,必须以全方位的、智能的交通管控来予以解决。进行智能的交通管控,则必须进行交通数据采集。车辆识别是众多交通数据,如交通流量、违章信息等的基础,因此进行车辆检测和跟踪是实现智能交通管控的前提条件。由于夜间光照不充足,车辆的结构特征、颜色特征难以获取,加上晚上路灯、车灯等产生的各种反光,夜间道路环境复杂,这都使得夜间车辆的检测和跟踪非常困难。本文围绕夜间道路、车辆特征、车辆检测和跟踪展开如下工作:1)研究夜间道路特性,夜间道路因来车影响,图像局部强度会产生剧变,同时由于车灯强弱不一,颜色也会有较大的差异,在统计分析的基础上本文提出了一种基于统计帧差法进行图像处理,能有效地消除局部光照、颜色突变的情况,为后续的背景建模打下基础;2)针对夜间道路存在反光等情况,本文使用高斯混合背景模型构建道路的夜间背景模型,在此基础上用背景减法提取运动车辆;3)研究车辆夜间的特征,提出了基于颜色和形状的尾灯特征,针对HIS空间中H在低照度和高照度区颜色属性识别不好的情况,采取RGB空间中R、G、B的联合差来表示颜色,有效的识别尾灯的颜色。4)基于提取的车辆区间,使用mean-shift跟踪方法对车辆进行跟踪,实现车辆的行驶轨迹的识别。5)为了提高系统的运行效率,实现系统的实时监控,引入了虚拟线圈的概念,通过虚拟线圈的触发,大大减少了算法的运算量。
陈小佳[8]（2020）在《基于视觉的小目标检测方法研究》文中提出目标检测是计算机视觉领域最热门的问题之一,广泛应用于人脸检测、安防监控、人机交互、虚拟现实等诸多领域,具有重要的现实意义。目标检测的目的是在图片中找出感兴趣的对象并指出其位置。然而在检测过程中由于光照变化、物体遮挡、边缘模糊、计算开销等问题,目标检测的发展受到较大的约束。本文针对目标检测的国内外研究现状进行了总结,并对现有的问题进行了分析。然后,详细介绍了传统的目标检测方法和基于深度学习的目标检测方法,并结合本文应用介绍了相关文献。在此基础上,提出了基于Faster R-CNN的小目标交通标志检测算法和基于机器视觉的抗干扰零件快速检测算法,提高了目标检测的精度和速度。最后,本文对研究内容进行了总结和展望。本文提出了一种基于机器视觉的零件快速检测算法。首先,采用高斯滤波、灰度转化、边缘检测等方法对图像进行预处理;其次,通过椭圆拟合,提取零件的边缘信息;然后,针对不同零件对边缘进行筛选,得到感兴趣的边缘信息;最后,对边缘进行信息提取、区域增减等操作。实验表明,该方法有效解决了零件反光以及边缘信息冗余的问题,具有较高的准确性。本文提出了一种基于Faster R-CNN的小目标交通标志检测算法。针对小目标尺寸过小、边缘模糊的问题,采用卷积特征图反卷积、改进Anchor机制的方法获取更多的正样本,并采用错位滑窗的方法降低检测系统的计算开销;针对小目标数量过多、标注困难的问题,提出基于弱监督学习的检测框架,克服了目标检测过度依赖训练样本的问题。该算法在BDCI数据集上取得了较好的效果。
阮毅明[9]（2020）在《基于机器视觉的汽车座椅靠背检测关键技术研究》文中指出本论文主要研究了基于机器视觉的汽车座椅靠背检测的关键技术。根据实际工业现场的生产环境和相应需求,开发了“视觉传感器+单片机+图像处理软件”的检测系统。该系统能够较好的实现对汽车座椅靠背的类型检测以及座椅靠背弹簧挂钩零部件的漏装检测。主要研究内容包括对硬件的选择与实验平台的搭建、采集图像的预处理、汽车座椅靠背类型与弹簧挂钩零部件漏装检测算法的研究。（1）对采集的图像进行预处理。主要对相机采集的汽车座椅靠背图像的原图像分别使用中值滤波、均值滤波和高斯滤波三种不同的滤波方式进行滤波预处理。对三种滤波方式以及同一种滤波方式在选择不同模板下分别计算出相应的均方差（MSE）和峰值信噪比（PSNR）的值。针对本文的应用,5*5模板下的高斯滤波的均方差为:19.0753,峰值信噪比为:35.3261,这优于其他滤波方式处理后的图像的质量。由于汽车座椅靠背本身与弹簧挂钩零部件的大小和灰度相差较大,为了突出在“大靠背”背景下的“小弹簧”特征,使用了拉普拉斯锐化方式来增加弹簧挂钩零部件的边缘特征,这便于后期的汽车座椅靠背类型以及弹簧挂钩零部件漏装检测的实现。（2）提出了改进的RANSAC-SURF算法对汽车座椅靠背类型进行检测。首先根据传统SURF特征点检测与匹配算法对汽车座椅靠背进行特征点的匹配。然后通过结合随机抽样一致算法对SURF特征点进行筛选检测和匹配。最后利用改进的RANSAC-SURF算法对所有特征点进行筛选和匹配。由于在实际情况下特征点的检测与匹配当中,正确的特征点间的匹配距离基本上都是相近的。所以改进的RANSAC-SURF算法提出了利用比较特征点间匹配距离与设定值的方式对预匹配点进行筛选。根据总特征点的匹配对数和因错误匹配而形成的特征点间连线交点数的统计,得出改进的RANSAC-SURF匹配算法总特征点匹配对数是188,交点数是18。这说明了匹配的正确率高于前两种特征点的检测与匹配算法,同时总匹配点对数的减少也能提高系统匹配的快速性。（3）对汽车座椅靠背弹簧挂钩零部件进行漏装位置的检测。首先通过透视变换的方式对采集的座椅靠背图像进行畸变校正,然后对座椅靠背的八个弹簧挂钩位置设定模板位置图像。最后根据相机采集的图像和正常安装弹簧挂钩的图像在设定模板位置处的灰度差绝对值与设定阈值的比较来判断座椅靠背弹簧挂钩是否存在漏装以及漏装的位置。实验结果证明,在缺失弹簧位置处,绝对灰度差值在33至52之间,在正常弹簧安装位置处,绝对灰度差不高于10。因此设置绝对灰度差阈值为20,这可以很好的检测到座椅弹簧挂钩零部件的漏装问题。通过搭建视觉检测软件平台证明了本论文提出的算法可以稳定、有效的对汽车座椅靠背类型以及弹簧挂钩的漏装进行准确检测,这包括了软件开发环境、试验平台结构的设计与实现和检测结果的评价。实验结果测试100%的检测准确率,说明了该套检测装置满足实际工业现场的生产需求。
王昊千[10]（2020）在《基于移动式机器人的机械零件损伤检测方法研究》文中指出制造业是国民经济的支柱。其中,再制造作为一种新兴的制造方式,在制造业中也起着越来越重要的作用,有着光明的前景。移动式激光再制造机器人作为一种新型的再制造检测修复的一体式机器人,可广泛应用于多种环境,进行快速检测,智能化加工,实现废旧零部件的再生。本文以再制造为背景,研究了一种基于移动式激光再制造机器人的机械零件损伤检测方法,能够通过移动式机器人协同视觉机器人,完成对零件模型的快速检测和损伤定位以及损伤模型重构,为后续的零部件维修提供技术支持。主要内容如下:（1）针对移动式激光再制造机器人扫描检测过程中存在的计算复杂和碰撞干涉现象,研究了一种对扫描模型的优化和对移动式机器人的碰撞检测和扫描次序优化方法。对零件采取基于Laplace算子的骨架提取,对骨架结构进行优化,并基于提取的骨架对模型进行基于LBO算子的区域分割。同时,研究了针对模型的椭球包围盒（MVEE）构建和分层包围盒的构建和两个包围盒基于规划路径的碰撞测试。（2）针对零件损伤检测中的高效准确的需求,研究了基于双目视觉的用于损伤区域检测的匹配方法,对比了不同基元下的匹配效果,采用以边界为基元的匹配策略,使用基于Canny算子的匹配方法,并对匹配方法分别使用积分成像和分级匹配进行优化。最后设计通过双目摄像机采集的图片,对损伤零件部分进行图片采集和处理,最终对提取损伤边界形状和计算边界像素尺寸。（3）针对损伤模型修复的要求,研究了基于特征轮廓的点云处理方法和三维重建方法。依据提取的骨架及轮廓,建立一种适用于再制造的三维模型重构方法。首先对损伤零件的进行扫描需求分析,对扫描区域进行确定。采用基于结构光的三维扫描仪进行点云获取和优化。首先提取模型和点云骨架,基于ICP算法对骨架配准,优化后对零件模型进行配准,设计一种针对损伤区域的扫描优化的方法,对扫描区域的模型进行三维重建,重建后的模型用于激光再制造修复方案的制定。论文共有图幅91个,表15个,参考文献80篇。
二、计算机视觉技术在车灯零件检测中的应用研究（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、计算机视觉技术在车灯零件检测中的应用研究（论文提纲范文）
（2）基于3D视觉传感器的工业零件表面质量检测关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 研究现状 |
| 1.2.1 基于2D视觉传感器的工业零件质量检测现状 |
| 1.2.2 基于3D视觉传感器的工业零件质量检测现状 |
| 1.3 论文主要工作与章节安排 |
| 第二章 工业零件表面的三维数据采集方法 |
| 2.1 3D视觉传感器 |
| 2.2 简单形状的工业零件数据 |
| 2.3 复杂形状的工业零件数据 |
| 2.4 本章小结 |
| 第三章 简单形状的工业零件的表面质量检测技术 |
| 3.1 表面质量检测任务 |
| 3.1.1 表面质量检测项 |
| 3.1.2 表面质量检测项的定义 |
| 3.2 简单形状的工业零件的表面质量检测方法 |
| 3.2.1 点云数据的预处理 |
| 3.2.2 平面提取算法 |
| 3.2.3 表面质量检测 |
| 3.3 实验结果与分析 |
| 3.3.1 实验的平台与环境 |
| 3.3.2 实验结果 |
| 3.3.3 缺陷检测 |
| 3.3.4 讨论与分析 |
| 3.4 本章小结 |
| 第四章 复杂形状的工业零件的表面质量检测技术 |
| 4.1 表面质量检测任务 |
| 4.2 复杂形状的工业零件的表面质量检测方法 |
| 4.2.1 点云标注 |
| 4.2.2 点云配准 |
| 4.2.3 标注点集的搜索 |
| 4.2.4 表面质量检测 |
| 4.3 实验结果与分析 |
| 4.3.1 实验的平台与环境 |
| 4.3.2 实验结果 |
| 4.3.3 讨论与分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 在学期间取得的科研成果和科研情况说明 |
| 致谢 |
（3）计算机视觉技术在塑料成品检测中的应用（论文提纲范文）
| 1 计算机视觉技术检测构造及原理 |
| 2 计算机视觉技术在塑料成品检测的应用 |
| 2.1 计算机视觉技术在塑料成品外观缺陷检测的应用 |
| 2.2 计算机视觉技术在塑料成品尺寸检测的应用 |
| 2.3 计算机视觉技术在塑料成品颜色检测的应用 |
| 3 结论 |
（4）基于深度学习多模型融合的车辆重识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于车牌信息的车辆重识别研究现状 |
| 1.2.2 基于非车牌信息的车辆重识别研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文结构安排 |
| 第二章 基于全局特征的车辆重识别 |
| 2.1 引言 |
| 2.2 车辆全局特征提取网络介绍 |
| 2.2.1 车辆全局特征介绍 |
| 2.2.2 基于Alex Net网络提取车辆颜色特征 |
| 2.2.3 基于Google Net网络提取车辆模型特征 |
| 2.2.4 基于Dense Net网络提取车辆外观特征 |
| 2.3 基于多分支网络模型的车辆重识别 |
| 2.3.1 多分支网络模型的车辆特征提取 |
| 2.3.2 全局特征提取网络损失函数 |
| 2.3.3 多属性全局特征车辆重识别 |
| 2.4 实验结果与分析 |
| 2.4.1 实验数据集 |
| 2.4.2 评估指标 |
| 2.4.3 实验过程 |
| 2.4.4 实验结果与分析 |
| 2.5 本章小结 |
| 第三章 基于局部零件的车辆特征提取 |
| 3.1 引言 |
| 3.1.1 车辆局部零件定义 |
| 3.1.2 车辆局部零件检测 |
| 3.2 Faster R-CNN网络研究及缺陷分析 |
| 3.2.1 Faster R-CNN网络介绍 |
| 3.2.2 Faster R-CNN网络对车辆局部特征提取缺陷 |
| 3.3 基于改进Faster R-CNN网络的车辆局部零件检测与提取 |
| 3.3.1 车辆局部零件特征检测网络设计 |
| 3.3.2 基于FPN的多尺度区域建议网络架构 |
| 3.3.3 改进的Ro I池化层 |
| 3.4 引入注意力模块增强改进Faster R-CNN网络的检测与提取 |
| 3.4.1 注意力模块的框架介绍 |
| 3.4.2 引入注意力模块增强改进Faster R-CNN网络 |
| 3.5 实验结果与分析 |
| 3.5.1 实验数据集以及评估指标 |
| 3.5.2 改进Faster R-CNN网络模型训练 |
| 3.5.3 改进Faster R-CNN网络性能分析 |
| 3.5.4 注意力机制模块性能分析 |
| 3.5.5 局部特征提取网络性能分析 |
| 3.6 本章小结 |
| 第四章 基于多模型融合的车辆重识别网络 |
| 4.1 引言 |
| 4.2 基于改进Res Net50 网络的特征提取 |
| 4.2.1 Res Net50 网络结构 |
| 4.2.2 改进的Res Net50 特征提取 |
| 4.3 多模型融合网络重识别车辆 |
| 4.3.1 基于全局特征和局部特征的模型网络 |
| 4.3.2 基于局部正则化的多模型融合网络 |
| 4.3.3 模型损失函数设计 |
| 4.4 目标车辆检索与重识别 |
| 4.4.1 车辆图像特征度量 |
| 4.4.2 重新排序策略改善查询结果 |
| 4.5 实验结果与分析 |
| 4.5.1 实验环境 |
| 4.5.2 模型训练与参数设置 |
| 4.5.3 模型复杂度分析 |
| 4.5.4 实验结果与分析 |
| 4.6 本章小结 |
| 总结与展望 |
| 本文总结 |
| 未来展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（5）基于机器视觉的机械零件在位检测技术的研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 机械零件检测技术研究现状 |
| 1.3 机器视觉检测技术研究现状 |
| 1.4 基于机器视觉的在位检测技术研究现状 |
| 1.5 本文研究内容和研究路线 |
| 1.6 论文结构 |
| 第2章 基于机器视觉的机械零件在位检测系统 |
| 2.1 系统的特点及功能 |
| 2.2 系统总体架构 |
| 2.3 系统的硬件组成 |
| 2.3.1 相机选型 |
| 2.3.2 镜头选型 |
| 2.3.3 光源选择 |
| 2.3.4 光电开关 |
| 2.3.5 My-RIO |
| 2.3.6 暗箱 |
| 2.3.7 气缸 |
| 2.4 在位检测系统设计 |
| 2.5 系统的软件介绍 |
| 2.6 本章小结 |
| 第3章 机械零件在位检测中的图像处理技术 |
| 3.1 图像的采集与获取 |
| 3.2 图像预处理 |
| 3.2.1 灰度变换 |
| 3.2.2 噪声处理 |
| 3.3 图像分割 |
| 3.4 边缘检测 |
| 3.4.1 Sobel算子 |
| 3.4.2 Canny算子 |
| 3.4.3 拉普拉斯算子 |
| 3.4.4 小波变换 |
| 3.5 最小二乘法 |
| 3.6 本章小结 |
| 第4章 在位检测系统软件设计与实现 |
| 4.1 检测系统图像标定分析 |
| 4.1.1 相机成像原理 |
| 4.1.2 相机标定 |
| 4.2 齿轮参数在位检测的实现及合格性判定 |
| 4.3 基于几何形状和灰度特征相结合的自动分区 |
| 4.4 多项式插值与最小二乘回归拟合相结合 |
| 4.5 涂层拟合直线坐标的输出及数控机床的通信连接设计 |
| 4.6 本章小结 |
| 第5章 实验结果分析 |
| 5.1 现场测试 |
| 5.2 测试结果分析 |
| 5.3 误差分析 |
| 5.3.1 环境误差 |
| 5.3.2 硬件误差 |
| 5.3.3 软件算法误差 |
| 5.3.4 加工误差 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和获得的科研成果 |
| 致谢 |
（6）机器视觉在轨道交通系统状态检测中的应用综述（论文提纲范文）
| 0 引言 |
| 1 机器视觉在弓/网系统状态检测中的应用 |
| 1.1 受电弓状态检测 |
| 1.1.1 受电弓磨耗检测 |
| 1.1.2 受电弓其他病害检测 |
| 1.2 接触网状态检测 |
| 1.2.1 接触网几何参数检测 |
| 1.2.2 接触网磨耗检测 |
| 1.2.3 接触网悬挂病害检测 |
| 1.2.4 接触网其它病害检测 |
| 2 机器视觉在轨道线路状态检测中的应用 |
| 2.1 扣件安全状态检测 |
| 2.2 钢轨表面病害检测 |
| 3 机器视觉在车辆状态检测中的应用 |
| 3.1 我国城市轨道交通车辆检修现状 |
| 3.2 基于机器视觉的车辆状态检测技术 |
| 4 机器视觉在车站安全监控中的应用 |
| 4.1 电扶梯安全监控中的异常行为检测 |
| 4.2 站台安全监控中的异常行为检测 |
| 5 机器视觉在轨道交通司机行为监测中的应用 |
| 5.1 基于传统行为识别算法的司机行为检测和识别 |
| 5.2 基于目标跟踪理论的司机行为检测和识别 |
| 5.3 基于深度学习的司机行为检测和识别 |
| 5.4 各类行为识别算法总结 |
| 6 总结与展望 |
| 科研团队简介 |
（7）基于视频的夜间车辆识别与跟踪的方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 本文研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.3 本课题的主要内容 |
| 1.4 本文组织结构 |
| 第二章 夜间视频特征分析及变换 |
| 2.1 夜间道路视频特点 |
| 2.2 基于统计帧差法去除局部光照影响的方法 |
| 2.3 小结 |
| 第三章 建立夜间道路背景模型 |
| 3.1 运动车辆检测 |
| 3.1.1 帧间差分法 |
| 3.1.2 光流法 |
| 3.1.3 背景差分法 |
| 3.2 车辆图像的处理 |
| 3.2.1 图像二值化阈值 |
| 3.2.2 图像形态学 |
| 3.3 常用的典型背景建模 |
| 3.3.1 均值滤波算法 |
| 3.3.2 中值滤波算法 |
| 3.3.3 单高斯背景模型 |
| 3.3.4 混合高斯建模 |
| 3.4 背景模型比较 |
| 3.5 小结 |
| 第四章 夜间车辆识别 |
| 4.1 车辆夜间特征 |
| 4.2 车辆夜间特征提取 |
| 4.2.1 颜色空间 |
| 4.2.2 阈值的选择 |
| 4.3 小结 |
| 第五章 基于mean-shift跟踪算法 |
| 5.1 基于mean shift跟踪算法介绍 |
| 5.2 概率密度估计 |
| 5.2.1 参数密度估计 |
| 5.2.2 无参数密度估计 |
| 5.3 核函数密度估计 |
| 5.3.1 mean shift算法的基本向量及拓展 |
| 5.3.2 概率密度梯度 |
| 5.3.3 mean shift算法实现与收敛 |
| 5.4 mean shift算法在目标跟踪中的应用 |
| 5.4.1 建立目标模型 |
| 5.4.2 建立目标候选模型 |
| 5.4.3 相似性度量函数 |
| 5.4.4 运动目标跟踪 |
| 5.5 小结 |
| 第六章 基于虚拟线圈的检测系统及实验分析 |
| 6.1 系统框架设计 |
| 6.2 过程实现 |
| 6.2.1 车流量检测道路模型 |
| 6.2.2 虚拟线圈及检测区域的设置 |
| 6.3 实验结果及分析 |
| 第七章 总结 |
| 参考文献 |
| 致谢 |
（8）基于视觉的小目标检测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状分析 |
| 1.3 目标检测技术研究历程 |
| 1.3.1 小目标交通标志检测算法研究现状 |
| 1.3.2 机器视觉检测方法研究现状 |
| 1.4 本文的主要创新点 |
| 1.5 本文的组织结构安排 |
| 第二章 目标检测算法概述 |
| 2.1 传统的目标检测算法 |
| 2.1.1 Haar-like模型 |
| 2.1.2 HOG模型 |
| 2.1.3 SIFT模型 |
| 2.1.4 DPM模型 |
| 2.2 基于区域的目标检测算法 |
| 2.2.1 基于R-CNN的目标检测算法 |
| 2.2.2 基于Fast R-CNN的目标检测算法 |
| 2.2.3 基于Faster R-CNN的目标检测算法 |
| 2.2.4 基于R-FCN的目标检测算法 |
| 2.3 基于区域卷积的的交通标志检测算法 |
| 2.4 基于机器视觉的检测方法 |
| 2.5 本文的研究工作 |
| 2.6 本章小结 |
| 第三章 基于区域卷积的交通标志检测算法 |
| 3.1 引言 |
| 3.2 基于Faster R-CNN的小目标交通标志算法 |
| 3.2.1 RPN网络调整 |
| 3.2.2 前向传播网络的调整 |
| 3.3 基于弱监督学习的小目标交通标志算法 |
| 3.3.1 弱监督检测模型(WSCNN) |
| 3.3.2 弱监督检测网络的训练 |
| 3.4 实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于机器视觉的轴承钢珠零件检测方法 |
| 4.1 引言 |
| 4.2 钢珠圆形度检测 |
| 4.2.1 钢珠圆形度检测流程 |
| 4.2.2 实验结果分析 |
| 4.3 零件划痕检测 |
| 4.3.1 划痕检测流程 |
| 4.3.2 实验结果分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 1、作者简历 |
| 2、攻读硕士学位期间发表的学术论文 |
| 学位论文数据集 |
（9）基于机器视觉的汽车座椅靠背检测关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 课题研究的背景 |
| 1.1.2 课题研究的意义 |
| 1.2 机器视觉在国内外的研究现状 |
| 1.2.1 机器视觉在国外的研究现状 |
| 1.2.2 机器视觉在国内的研究现状 |
| 1.3 机器视觉在汽车领域的研究现状 |
| 1.4 课题来源及研究目标 |
| 1.5 本论文的主要工作及结构安排 |
| 第二章 汽车座椅靠背视觉检测系统总体设计 |
| 2.1 汽车座椅靠背的主要检测指标 |
| 2.2 视觉检测的硬件设计 |
| 2.2.1 图像采集单元 |
| 2.2.2 图像处理单元 |
| 2.2.3 处理结果显示与控制单元 |
| 2.2.4 执行机构单元 |
| 2.2.5 系统实物图 |
| 2.3 视觉检测的软件设计 |
| 2.3.1 软件开发环境 |
| 2.3.2 软件处理流程 |
| 2.4 本章小结 |
| 第三章 汽车座椅靠背类型检测图像的预处理 |
| 3.1 图像的去噪 |
| 3.1.1 图像的滤波 |
| 3.1.2 图像质量的评价 |
| 3.2 图像的锐化 |
| 3.3 本章小结 |
| 第四章 汽车座椅靠背视觉检测的算法研究 |
| 4.1 基于改进的RANSAC-SURF算法的汽车座椅靠背分类检测 |
| 4.1.1 SURF算法的特征点提取与匹配 |
| 4.1.2 改进的RANSAC-SURF算法的特征点提取与匹配 |
| 4.1.3 汽车座椅靠背类型检测实验结果 |
| 4.2 汽车座椅靠背弹簧挂钩零部件的漏装检测 |
| 4.2.1 对汽车座椅靠背图像进行畸变校正 |
| 4.2.2 弹簧挂钩零部件位姿模型的建立 |
| 4.2.3 弹簧挂钩零部件漏装检测实验分析 |
| 4.3 本章小结 |
| 第五章 视觉检测装置的试验验证 |
| 5.1 试验平台的搭建 |
| 5.1.1 软件的结构设计与实现 |
| 5.1.2 检测试验结果的评价 |
| 5.2 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（10）基于移动式机器人的机械零件损伤检测方法研究（论文提纲范文）
| 致谢 |
| 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 现存问题 |
| 1.4 主要工作 |
| 1.5 论文结构 |
| 2 再制造技术与移动式测量机器人 |
| 2.1 再制造技术 |
| 2.2 移动式测量机器人技术 |
| 2.3 本章小结 |
| 3 基于移动式机器人的零件表面数据采集检测方法 |
| 3.1 基于分层骨架树的零件模型骨架提取 |
| 3.2 零件模型骨架重构 |
| 3.3 模型区域分割 |
| 3.4 移动式机器人扫描路径避障方法规划 |
| 3.5 移动式机器人扫描次序优化方法规划 |
| 3.6 本章小结 |
| 4 基于计算机视觉的零件表面特征获取 |
| 4.1 双目视觉测量系统 |
| 4.2 双目摄像机标定 |
| 4.3 用于损伤检测的立体匹配方法 |
| 4.4 用于损伤提取的图像匹配方法 |
| 4.5 零件损伤区域图片采集及处理 |
| 4.6 本章小结 |
| 5 基于特征轮廓的点云处理与建模方法研究 |
| 5.1 三维重构方法概述 |
| 5.2 基于轮廓特征的三维点云提取与预处理 |
| 5.3 骨架驱动的损伤区域定位 |
| 5.4 损伤区域扫描方法规划 |
| 5.5 损伤区域重建 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
四、计算机视觉技术在车灯零件检测中的应用研究（论文参考文献）
- [1]基于计算机视觉的汽车车灯检测技术研究[D]. 李策. 北京化工大学, 2021
- [2]基于3D视觉传感器的工业零件表面质量检测关键技术研究[D]. 李雷辉. 天津理工大学, 2021(08)
- [3]计算机视觉技术在塑料成品检测中的应用[J]. 杨朝义,李海强,黄芬梅. 塑料科技, 2021(05)
- [4]基于深度学习多模型融合的车辆重识别方法研究[D]. 尹响. 长安大学, 2021
- [5]基于机器视觉的机械零件在位检测技术的研究与实现[D]. 李雪松. 沈阳理工大学, 2021(01)
- [6]机器视觉在轨道交通系统状态检测中的应用综述[J]. 魏秀琨,所达,魏德华,武晓梦,江思阳,杨子明. 控制与决策, 2021(02)
- [7]基于视频的夜间车辆识别与跟踪的方法研究[D]. 文月祥. 天津职业技术师范大学, 2020(08)
- [8]基于视觉的小目标检测方法研究[D]. 陈小佳. 浙江工业大学, 2020(03)
- [9]基于机器视觉的汽车座椅靠背检测关键技术研究[D]. 阮毅明. 长春大学, 2020(01)
- [10]基于移动式机器人的机械零件损伤检测方法研究[D]. 王昊千. 中国矿业大学, 2020(01)