一、基于仿真模板的Hough变换直线检测(论文文献综述)
芦艳茹[1](2021)在《基于机器视觉的电子连接器塑壳尺寸测量及缺陷检测方法研究》文中研究表明电子连接器作为电器设备不可缺少的关键部件之一,在电器设备中起着传输信号和连接电路的作用,广泛应用于汽车、通讯、智能家居及军工航天等各个制造领域。塑壳作为电子连接器的外罩,对电子连接器起到机械保护作用,是电子连接器性能保障的基础。塑壳质量不仅影响塑壳本身的外观,还对后续电路的导通及装配起到关键的作用。目前,人工质量检测方式检测效率和精度低,无法满足塑壳大批量生产的质量检测高效性、实时性的需求。本文以电子连接器塑壳(以下简称塑壳)为研究对象,开展基于机器视觉技术对塑壳外形尺寸测量与缺陷检测的方法研究,具有重要的工程应用价值。对塑壳质量检测过程进行分析,设计基于机器视觉的质量检测流程及相应的系统架构,形成了适合塑壳尺寸测量与缺陷检测的视觉检测方案。针对塑壳外观特性及尺寸测量要求,构建了塑壳图像采集系统,对图像采集系统中的相机、光源、镜头等硬件条件进行了对比分析和性能匹配,形成了一套适合塑壳的图像采集的方案,搭建了相应视觉检测系统平台。在此基础上,分析了张正友标定法原理,并利用标准玻璃标定板进行标定实验研究,通过标定实验得出内、外参数,计算出像素与实际物理尺寸之间的映射关系。分析了图像边缘定位技术原理,引入灰度矩亚像素边缘定位算法进行边缘检测;对直线特征检测技术进行研究,提出了一种结合Hough变换与最小二乘法直线检测算法,解决了 Hough变换拟合时间长,最小二乘法直线拟合精度不高、容易失真的问题。通过对不同方法的处理结果分析,验证本文所提方法可以更有效地检测出塑壳的外形轮廓;利用提取的外形轮廓特征和标定系数,计算点到直线的平均距离的方法获得塑壳外形尺寸和配合槽的尺寸。提出了基于卷积神经网络的塑壳接插孔堵塞缺陷检测方法。构建卷积神经网络模型,建立了样本库,分析了不同网络参数设定条件下对网络模型性能影响等,确定了最优参数,获得优化网络模型。以塑壳接插孔堵塞缺陷为研究对象进行实验研究,采用优化网络模型对缺陷检测准确度可达到100%。实验结果表明,卷积神经网络能够有效并准确地实现塑壳接插孔堵塞缺陷的检测。
林昌[2](2021)在《大雾下海上图像的目标分离与智能辨识研究》文中研究说明大雾天气会对船舶航行安全造成明显影响,通过在船舶上加装视觉传感器有助于提前获知和判断海上情况,提升智能船舶自主航行的安全性。然而,在大雾环境下,通过传感器获取的海上图像往往存在对比度低、颜色失真和细节丢失等问题,并且受海面浪花和反光等干扰,会导致海上图像纹理和形状等特征信息干扰性强,从而使得目标检测与识别难度加大。因此,为了提高大雾环境下船舶智能航行系统的自动检测与辨识能力,降低漏检和虚警率,本文围绕大雾下海上图像的目标分离和智能辨识问题展开深入的研究。通过图像增强、海天线分割、显着区域检测分离和目标智能辨识,系统地建立利用视觉传感器对大雾环境下海上图像进行目标分离和辨识的科学有效的方法。首先,根据大雾下图像的成像特点,对基于Retinex模型的图像增强去雾算法进行改进。通过分析传统Retinex模型的图像去雾算法,针对单尺度的Retinex模型在图像增强后存在局部细节不易突出、图像对比度差等问题,提出了基于改进双边滤波的高斯金字塔变换的Retinex图像增强算法,解决图像细节模糊和提高图像对比度。对于带色彩恢复的多尺度Retinex(MSRCR)模型在图像增强后图像整体色彩失真和图像的视觉效果差等问题,提出了基于全局亮度自适应均衡化的MSRCR图像增强算法,为后续的图像处理提供更加丰富的色彩、纹理和边缘等图像特征。其次,提出了基于梯度积分和多项式迭代的海天线快速检测算法,实现海面和天空区域的快速分割。采用高斯低通滤波器来增强图像的梯度边缘特征,对给定区域内的梯度积分值进行滑动统计,确定海面图像中海天线的潜在区域。通过逐列寻找潜在区域内梯度最大值点作为海天线的候选点,并对所有候选点进行多项式迭代拟合,剔除误检测点后,拟合确定最终的海天线,从而获得含有天空背景的图像和含有目标物的海面图像。再次,提出了融合图像多视觉特征的视觉注意机制目标分离算法,获得图像综合显着图,分割出海上图像的显着目标区域。选取海面图像中的频率特征、改进Gabor算子的方向特征、梯度纹理特征、颜色空间变换所提取亮度特征和颜色拮抗特征等八个视觉特征子图,运用谱残差算法得到不同视觉特征的显着子图。利用显着性密度函数计算得到各显着子图的权重系数,构建多视觉特征的综合显着图。在对综合显着图进行自适应阈值分割后,采用显着区域自生长策略分离并获得综合显着图中的显着区域。最后,研究基于卷积神经网络框架下的海上图像目标智能辨识分类算法,完成海上目标的分类智能辨识。结合VGG网络和Res Net网络优点,构建新型卷积神经网络框架,对含有9个类别共96980张图片的训练数据集进行训练学习,并随机选取训练数据集中每一类别各50张图像进行数据增强后作为辨识实验的测试数据集,对测试数据集进行目标智能辨识实验;实验结果表明该算法具有较高训练速度和较低的训练误差,单次训练迭代平均时间0.9s,测试数据集的辨识准确率为95.14%,有效地完成目标智能辨识分类。另外,完成对基于视觉注意机制下的大雾海上图像目标分离的显着区域图像集的智能辨识对比实验,实验结果表明该算法在识别速度上具有优势,单张图像辨识时间较VGG-16算法平均快86.6%,较Res Net50算法平均快24.35%;同时,图像最大辨识准确率优于Res Net50算法25%,略低于VGG-16算法2.78%。
齐明志[3](2020)在《基于图像处理的输电线路巡检系统设计》文中研究表明无人机巡检技术的发展和智能电网建设的快速推进,针对输电线断股故障的智能检测技术受到专家们极大的关注。我国长距离高压输电线大多选用钢芯铝绞线,然而高压输电线在自然界中易受到风力、温度、异物悬挂等外界因素的影响,容易产生由局部疲劳引发的损伤,进而出现局部断股故障。传统的巡线方式有直升机巡检和人工巡检,主要通过人工利用各种设备对输电线进行观察,工作人员的工作强度很大、巡检效率低、巡检精度低。因此,本课题采用图像处理技术进行输电线路巡检具有很大的实际意义。本课题对基于图像处理的输电线巡检系统进行了研究,利用嵌入式系统、图像处理、无线通信、目标识别等技术,设计了基于图像处理的输电线巡检系统。本文主要工作如下:1.输电线图像的预处理:由于存在输电线图像背景复杂和无人机进行图像采集时受到噪声干扰的情况,为了能够得到更好的故障检测结果,需要对图像先进行预处理。输电线图像预处理流程是首先利用基于分段线性变换的方法对输电线图像进行对比度增强处理,然后运用基于小波变换的滤波方法对输电线图像进行滤波操作,最后运用改进的Canny算子对滤波后的输电线图像进行边缘检测。输电线图像的预处理可以在增强图像中输电线与图像背景的对比度的同时降低图像中的噪声干扰,获得可靠的边缘检测效果,为输电线的提取打下可靠的基础。2.输电线提取方法研究:如何完整的提取出图像中的输电线信息一直是一个难题,本课题给出一种基于区域生长算法和随机Hough变换相结合的输电线提取方法。针对传统Hough变换存在计算量大、处理速度慢、占用储存空间大的缺点,本课题采用随机Hough变换来对直线进行检测,同时利用区域生长算法来对直线进行连接。最后,根据输电线在图像中为平行不相交直线的几何特性和图像灰度值低的辐射特性对图像中的输电线进行识别。该方法可以很好的提取和识别出输电线,具有很高的准确率和提取效率,并且可以完整地保留输电线的边缘信息,为后续的输电线断股检测打下可靠的基础。3.针对输电线断股特征的检测和识别方法研究。首先利用基于随机Hough变换和区域生长算法的输电线提取方法对图像中的输电线进行提取;然后利用目标模式匹配检测图像中输电线的断股故障交叉处;最后利用图像中输电线断股处边缘点的梯度信息和像素点的灰度信息来判断交叉处是否出现断股。仿真结果表明,该方法在输电线断股检测上具有检测效果好,抗噪性能强、效率高等优点。4.给出了基于图像处理的输电线路巡检系统的硬件设计。对组成基于图像处理的输电线巡检系统的各个模块的硬件进行详细的介绍。介绍了基于图像处理的输电线路巡检系统各个模块硬件设计包括基于CCD摄像头的图像采集模块、视频编码模块、断股检测模块以及GPRS通信模块的硬件设计。
魏笑[4](2020)在《基于图像处理的车道线识别》文中认为道路上汽车数量的日益增多导致交通堵塞,增大了交通事故发生的几率,车道偏离预警系统在降低交通事故和安全行车方面起到很大作用,车道偏离预警系统的重要组成部分是车道线检测和跟踪,它可以既有效又准确地识别车道线,因此研究车道线识别有着重要的意义。论文首先针对实际车道线特征信息不明显的问题,对原始道路图像进行预处理,包括车道线颜色分割、加权平均法灰度化道路图像、中值滤波消除图像噪声、最大类间方差法二值化图像、Sobel算子检测车道线边缘,选取道路图像感兴趣区域。基于以上各方法可消除图像中无关的信息,增强被检测车道线特征。其次,针对误检漏检问题,根据对道路类型与车道线检测模型的分析,选取结构化道路与直线和双曲线模型,由实际情况设定道路类型和车道线检测模型的假设条件。给出利用滑动窗口寻找Hough变换检测到的车道线信息,采用构建的直线和曲线模型对所得车道线信息进行匹配确定模型参数,进而准确检测出车道线位置。最后,针对检测结果可能存在偏差,利用Kalman滤波法对车道线进行跟踪,确保车道线检测结果有效性。通过仿真验证了本文方法能够准确有效地完成对实际道路中车道线的识别。
尹潇[5](2020)在《基于改进Canny算子的铁轨图像识别研究》文中指出交通运输作为国家战略性基础设施,对经济增长起到了推动作用。铁路是国民经济的大动脉,是盘活各个地区经济发展的关键所在。为了保障列车平稳运行,提升其安全可靠性,列控系统中增加异物入侵检测防护系统具有重要意义。在异物入侵检测系统中,其中重要的一步在于合理划定入侵检测区域,即以铁轨为基准点,构成向外延伸区域和内部封闭区域。只有通过正确识别铁轨位置,才能进一步判定异物是否对列车的行驶造成影响及安全隐患。本文目的在于精确划定入侵检测区域的同时减少整体算法的时间开销,而且在一定程度能够保证检测算法的有效性。然而在当前研究中,国外学者多利用传感器技术实现铁轨的防灾减灾监控,利用图像处理的研究技术较少。国内学者提出的铁轨检测算法大多面向结构化的直轨或弯轨,忽略了铁路上道岔口的情况。针对当前研究中存在的不足,本文提出使用图像处理技术实现对铁轨的检测。通过边缘检测算子检测铁轨的边缘分布,并采用分段模型实现对直轨、弯轨和单开岔道的拟合。首先采用图像预处理技术对原始图像进行降噪。在铁轨边缘检测过程中,铁轨分布不是简单的水平与垂直,单纯计算水平方向和垂直方向上的像素梯度值容易导致边缘像素丢失。本文在传统Canny算子的基础上添加了45°和135°的梯度模板,以确保检测出更多的图像真实边缘。针对铁轨中最常见的直轨、弯轨和单开岔道,本文通过三种算法模型对其进行检测。直轨检测的难点在于区分左右轨道,算法中主要根据直线斜率的正负性进行区分;弯轨检测的难点也在于区分左右轨,但是弯轨的斜率分布与直轨不同,算法中主要根据直线斜率分布以及直线之间的距离这两个特性进行区分;岔道口检测的难点在于区分出直轨和弯轨,算法中主要通过调整霍夫变换的阈值,获取出边缘图像中的长直线即为直轨边缘,之后再调整霍夫变换的阈值,获取出边缘图像中的短直线,即这些短直线中符合长直线分布特征的直线即为弯轨边缘。实验结果显示,本文提出的改进的Canny算子能够更为丰富的检测出铁轨边缘;针对直轨、弯轨以及单开道岔设计的检测算法也能准确的识别并拟合出不同类型的铁轨。
朱晓凡[6](2020)在《基于视觉定位的纸塑复合袋差速纠偏方法研究》文中提出纸塑复合袋具有复用性强、强度高、透气性好且抗氧化能力强等特点,被广泛应用于食品、药品和工业品的运输包装或销售包装。目前,纸塑复合袋的加工基本实现自动化,但其缺陷的检测仍需人工完成。纸塑复合袋在套袋和传输工位上会发生偏移,从而导致缝纫和印刷缺陷。随着国民经济对纸塑复合袋需求的增长,对其生产过程中的倾斜缺陷进行检测和矫正具有重大意义。本文主要完成以下工作:(1)分析纸塑复合袋成型工艺,指出纸塑复合袋生产中存在位置偏移和倾斜的缺陷,明确纠偏需求。针对纸塑复合袋本身易变形且不连续传送的难点,提出了基于视觉定位的纸塑复合袋差速纠偏方法,根据该方法原理设计了纠偏系统,完成了纠偏装置设计及关键硬件选型。(2)根据纸塑复合袋为矩形的特点,通过提取纸塑复合袋四条边线来获取纸塑复合袋的位置和倾角,对纸塑复合袋视觉定位方法进行了研究。针对常用的滤波算法会导致纸塑复合袋边线模糊的问题,提出了基于方差的差异化滤波算法,通过方差大小提取纸塑复合袋边线,并在滤波时对其进行保护,从而清晰呈现纸塑复合袋的边线;为减少直线提取时间,采用一种新的目标点提取方法对传统Hough变换直线提取算法进行改进,提高了直线提取的效率和精度。(3)研究纸塑复合袋在纠偏过程中的运动和受力,据此完成纸塑复合袋纠偏控制系统。运用速度的分解和叠加方法,求解了纸塑复合袋在纠偏过程中的运动轨迹方程,并根据运动特点制定纠偏策略。为防止纠偏时纸塑复合袋产生褶皱,运用屈曲分析工具对其进行有限元仿真,得到各姿态纸塑复合袋对应的最大皮带压力。运用S型加减速算法对纠偏速度进行控制,并以纠偏用时最短为目标,利用遗传算法求解了纠偏速度曲线的最佳参数,达到平稳控制纠偏过程的目的。(4)设计纠偏系统软件并完成纠偏实验。融合纸塑复合袋定位、皮带压力控制和纠偏速度控制,设计了纸塑复合袋纠偏系统软件。利用纠偏系统软件及装置对纸塑复合袋进行纠偏实验,得到结论:实际纠偏轨迹符合理论轨迹方程;最佳皮带间距为60cm;4s内可纠正30mm的偏移量,纠正后纸塑复合袋最大位置偏移为3.562mm,最大倾角为1.515°,纠偏效果良好,满足工业需求。
李朋月[7](2020)在《基于视觉的旋翼无人机自主避障关键技术研究》文中指出随着近年的无人机技术发展,无人机在悬空线巡检、交通巡逻,航空摄影测量、智能物流等方面得到广泛的应用。然而当前无人机巡航过程主要依靠GPS和IMU提供的定位信息和姿态信息,主要的自主飞行功能由人工实现,距离实现无人机的自主化和智能化仍有一定距离。随着传感器技术和计算机技术的不断提高,视觉由于信息丰富、负载小、环境还原度高的特点,为无人机自主飞行提供了重要支撑。无人机自主避障是智能无人机的基础功能,是无人机飞行的安全保证,为此针对中低空环境中旋翼无人机自主避障需求,对环境障碍物根据图像特征进行分类,结合云台相机采集的视频影像完成不同类型障碍物的检测与定位。论文的主要工作与创新点如下:1.在深入研究当前无人机障碍物检测与定位技术的基础上,介绍了当前的图像采集及处理系统的相关原理,分析了当前图像预处理相关原理和处理效果。根据视觉检测原理建立常用参考系坐标之间的关系,构建相机标定模型,完成机载云台相机的内参数标定;最后对无人机巡航的中低空环境中的障碍物进行探讨,将主要障碍物分成悬空线类和面类障碍物两种,为后续障碍物的检测和定位提供重要支撑。2.针对真实环境中的悬空线类障碍物检测技术,深入分析悬空线的三维和图像特征,为解决当前悬空线检测容易受光照影响存在的误检、断裂等主要问题,本文提出了一种结合图像梯度和距离编组构建悬空线类障碍物检测算法。利用图像梯度自适应的提取图像边缘点以适应光照变化,根据悬空线图像特征提取目标悬空线的线基元,并对其进行编组拟合,通过不同光照和运动速度场景下的真实飞行实验验证了该算法检测的有效性和准确性。3.为解决无人机实时飞行场景中面类障碍物检测的需求,本文研究当前光流检测障碍物的原理,探究传统HS和LK光流算法检测流程,为解决面类障碍物检测实时性和大位移的问题,结合ORB特征点检测算法与金字塔LK光流法,提出一种实时性较高的面类障碍物检测方法,并通过对比实验验证算法的可靠性。4.深入分析悬空线类和面类障碍物的图像特征,根据图像特征和光流场与运动场的关系建立悬空线类和面类障碍物的测距模型,设计基于相机位移的障碍物判定模型,对障碍物的威胁性进行判定评估,并通过对比实验验证了两类障碍物测距模型的鲁棒性和时效性。
高照[8](2020)在《基于无人机航拍影像的高压输电线识别的研究》文中研究说明输电线路是电力网络的重要组成部分,在电能传输的过程中起到了重要的作用,关乎着电网的安全稳定性。我国电网规模大、结构复杂,以传统的人工方式巡检,效率低,局限性大,而目前信息技术及民用无人机行业的迅速发展,为无人机巡检输电线路提供了便利条件。以无人机进行巡检的技术及方式也符合当下越来越高的智能化、信息化的要求。本文针对无人机巡检采集的视频图像序列,结合机器视觉,进行了输电线路识别、跟踪的研究。本文首先对无人机航拍输电线影像进行预处理操作,结合输电线在影像中的特征,将图像从色彩空间转换为灰度化图像后进行非线性变换,实现对比度的调整、增强;分析及对比去噪方法,以改进维纳滤波对航拍影像进行平滑降噪处理。然后介绍分析了 Hough类直线检测和基于梯度方法的LSD直线检测方法,针对Hough变换法检测输电线及LSD算法检测的漏检等缺陷,研究了一种基于主曲率和主方向的输电线检测算法,利用背景像素与直线像素主曲率差异较大的特性筛选潜在直线像素,以像素方向构建直线支撑区域,实现对输电线的检测。该算法不依赖于图像梯度边缘的分割,可有效的避免基于梯度方检测到的输电线双侧阶跃边缘特征给相近输电线带来的干扰。在检测到影像中潜在输电线后,进行输电线筛选,然后完成输电线的拟合输出。最后分析了无人机自动巡线时,输电线在图像中的运动情况,尝试构建了输电线目标的简化模型,研究了卡尔曼滤波的跟踪方法,通过无损卡尔曼滤波跟踪输电线目标的感兴趣区域,实现对视频图像序列中输电线的识别跟踪。本文在MATLAB平台上进行了算法的仿真验证。经实验验证,本文所提供的方法能有效的实现对视频图像序列中输电线的识别与跟踪。
吴谧辰[9](2020)在《基于视觉多特征融合的三维靶标位姿估计方法研究》文中指出诸如航空航天、船舶等工业制造领域内的大型设备研制生产需要对各类大型构件进行三维测量。由于大型构件结构复杂、尺寸大,通常利用合作靶标辅助完成三维参量测量,测量过程中仪器需要瞄准布置在构件表面的靶标,通过获取靶标图像并对其进行位姿估计实现靶标瞄准。受测量环境影响,靶标图像通常发生离焦模糊退化,并且由于成像系统与其距离较远,也造成靶标在图像中的成像区域空间分辨率低,最终导致采集的靶标图像表现为低质量、低分辨率,现有的位姿估计方法对这类图像估计结果的稳定性与精度会严重退化,难以实现靶标准确瞄准。因此,研究针对低质量低分辨率靶标图像的鲁棒位姿估计方法,提高算法的稳定性与位姿估计精度,对实现合作靶标精确瞄准和大型构件三维参量精密测量具有重要意义与应用价值。本文在分析低质量低分辨率图像对位姿估计稳定性影响的基础上,提出了基于CAD模型的目标检测与图像复原方法,以及一种基于多特征融合的改进加权EPnP(weighted EPnP,wEPnP)位姿估计方法。首先,针对低质模糊图像会淹没目标边缘特征,降低特征提取与位姿估计的准确性的问题,利用目标CAD模型进行目标检测,有效分割目标区域,并基于CAD模型中的目标特征信息复原目标区域,有针对地增强目标的边缘特征,为特征提取提供准确可靠的数据来源。其次分析目标区域低分辨率对特征提取与位姿估计的影响,在EPnP求解过程中考虑特征点的可靠性,通过权值调节不同点的重要程度,降低特征提取误差对位姿估计稳定性及精度的影响,主要利用线、面特征衡量不同特征点的可靠性并确定权值,通过融合目标的点、直线和面特征实现wEPnP位姿估计。利用3D目标图像、低分辨率仿真图像以及靶标图像对所提方法进行实验验证,实验结果表明本文提出的基于CAD模型的目标检测与图像复原方法能够有效分割目标区域并增强目标边缘特征。低分辨率仿真图像位姿估计实验结果表明,wEPnP算法的鲁棒性更强,EPnP算法性能退化时,wEPnP算法仍能够有效估计目标位姿,且wEPnP算法对旋转矩阵和平移向量的估计误差相较于EPnP分别降低了 3.56%~4.47%及1.79%~2.30%。实际的3D靶标实验结果表明,本文所提基于CAD模型的目标检测与图像复原方法以及wEPnP位姿估计方法能够实现对低质量低分辨率靶标图像的位姿估计,可用于三维靶标高精度瞄准。
吴晓伟[10](2020)在《指针式仪表智能识别在矿井中的研究》文中认为随着煤矿智能化、信息化的建设,指针式仪表的数据监测功能起到了非常重要的作用,对煤矿安全高效的生产具有重大意义。目前,在矿井中指针式仪表的识别主要靠煤矿工人观察并记录,为了提高仪表识别的准确性、实时性、快速性,本文针对煤矿中指针式仪表的智能识别进行了研究。主要的研究内容如下:首先,针对传统目标检测算法不能同时检测多种类别的目标、运算时间长、鲁棒性差,因此本文采用了基于深度学习的Mask R-CNN检测算法对图像中的指针式仪表进行了识别与提取,并搭建了Mask R-CNN网络模型,制作了相应的数据集。然后对模型进行了训练和测试,仿真实验结果表明,Mask R-CNN检测算法能够迅速准确的检测和提取各种不同类型的指针式仪表。其次,对指针式仪表图像进行图像预处理和仪表的特征提取。采用了图像灰度化、图像滤波、图像二值化和图像形态学处理,从而得到了清晰的表盘信息。采用了梯度霍夫变换算法来检测圆形仪表的表盘和圆心。针对非圆形仪表刻度区的圆弧特征,采用了梯度算子来强化与刻度线正交方向的信息来识别圆弧。然后,采用三点共圆弧的方式来确定圆心,从而定位仪表指针的旋转中心。最后,仪表指针的拟合及仪表示数的判定。通过径向灰度算法,拟合出指针直线并定位指针所在的位置。然后,应用角度判读法实现了仪表示数的读取。选取了25MPa的压力表和400A的电流表进行了测试,实验结果表明:压力表的绝对误差在0.2MPa以下,电流表的绝对误差在5A以下,引用误差都小于2%。结果表明,本系统在实际应用中可以准确的识别指针式仪表的示数。
二、基于仿真模板的Hough变换直线检测(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、基于仿真模板的Hough变换直线检测(论文提纲范文)
(1)基于机器视觉的电子连接器塑壳尺寸测量及缺陷检测方法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题研究背景及意义 |
1.1.1 机器视觉尺寸测量研究现状 |
1.1.2 机器视觉缺陷检测研究现状 |
1.2 本文研究内容与安排 |
2 机器视觉检测系统平台搭建及相机标定研究 |
2.1 塑壳尺寸检测要求 |
2.2 塑壳尺寸检测方案 |
2.3 机器视觉检测系统硬件选型 |
2.3.1 工业相机的选型 |
2.3.2 镜头选型 |
2.3.3 光源及照明方式的选型 |
2.4 机器视觉检测系统平台搭建 |
2.5 系统标定方法分析 |
2.5.1 相机标定原理 |
2.5.2 张正友标定方法 |
2.6 本章小结 |
3 图像预处理算法研究 |
3.1 灰度化 |
3.1.1 算法原理 |
3.1.2 图像灰度化及处理效果对比分析 |
3.2 滤波去噪 |
3.2.1 算法原理 |
3.2.2 图像滤波及处理效果对比分析 |
3.3 阈值分割 |
3.3.1 算法原理 |
3.3.2 阈值分割及处理效果对比分析 |
3.4 边缘检测 |
3.4.1 算法原理 |
3.4.2 边缘检测及处理效果对比分析 |
3.5 本章小结 |
4 直线特征检测技术与尺寸测量实验研究 |
4.1 亚像素边缘定位 |
4.1.1 亚像素边缘定位算法概述 |
4.1.2 灰度矩亚像素定位算法原理 |
4.1.3 图像处理效果对比分析 |
4.2 直线特征检测算法 |
4.2.1 传统直线检测方法 |
4.2.2 改进直线检测方法 |
4.3 尺寸测量实验 |
4.3.1 外形尺寸检测实验 |
4.3.2 配合槽尺寸测量实验 |
4.3.3 实验结果及误差分析 |
4.4 本章小结 |
5 基于卷积神经网络的缺陷检测研究 |
5.1 卷积神经网络 |
5.1.1 卷积神经网络原理 |
5.1.2 卷积神经网络结构 |
5.1.3 卷积神经网络训练方法 |
5.1.4 减少网络过拟合的方法 |
5.2 基于卷积神经网络的缺陷检测 |
5.2.1 基于卷积神经网络的缺陷检测方案设计 |
5.2.2 建立样本库 |
5.2.3 构建卷积神经网络模型 |
5.2.4 网络训练环境及性能评价标准 |
5.2.5 网络参数对缺陷检测结果影响 |
5.3 缺陷检测实验研究 |
5.4 本章小结 |
6 结论 |
6.1 结论 |
6.2 展望 |
致谢 |
参考文献 |
(2)大雾下海上图像的目标分离与智能辨识研究(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 国内外研究现状 |
1.2.1 图像去雾增强技术的研究现状 |
1.2.2 海上图像目标分离研究现状 |
1.2.3 海上图像目标智能辨识研究现状 |
1.3 大雾下海上图像的目标分离与智能辨识中存在的主要问题 |
1.4 研究内容与创新点 |
1.4.1 研究内容 |
1.4.2 创新点 |
1.4.3 研究技术路线图 |
第2章 基于改进Retinex模型的图像增强去雾算法 |
2.1 传统Retinex模型的图像增强去雾算法 |
2.1.1 色彩颜色空间 |
2.1.2 基于Retinex模型的图像去雾算法 |
2.2 改进Retinex图像增强算法 |
2.2.1 改进双边滤波函数 |
2.2.2 高斯-拉普拉斯金字塔多尺度算法 |
2.2.3 算法流程 |
2.2.4 实验结果与分析 |
2.3 基于全局亮度自适应均衡化的MSRCR图像增强算法 |
2.3.1 图像雾浓度的自平衡 |
2.3.2 全局亮度自适应均衡化 |
2.3.3 平衡图像亮暗区域 |
2.3.4 颜色通道色彩拉伸 |
2.3.5 算法流程 |
2.3.6 实验结果与分析 |
2.4 小结 |
第3章 基于梯度积分和多项式迭代的海天线快速检测算法 |
3.1 基于Hough变换的海天线提取算法 |
3.1.1 Otsu图像阈值分割 |
3.1.2 基于Hough变换的海天线检测 |
3.2 基于梯度积分和多项式迭代的海天线快速检测算法 |
3.2.1 图像梯度 |
3.2.2 平滑滤波增强梯度图像显着性 |
3.2.3 构建图像梯度的积分图 |
3.2.4 计算海天线区域范围 |
3.2.5 迭代拟合海天线曲线 |
3.3 实验结果与分析 |
3.3.1 海天线迭代实验结果与分析 |
3.3.2 对比实验结果与分析 |
3.4 小结 |
第4章 融合图像多视觉特征的视觉注意机制目标分离算法 |
4.1 传统的视觉注意机制模型 |
4.1.1 自顶向下视觉注意模型 |
4.1.2 自底向上视觉注意模型 |
4.2 融合海面图像多视觉特征的显着性目标分离方法 |
4.2.1 小波变换多级分解高低频特征计算 |
4.2.2 改进Gabor滤波的图像方向特征计算 |
4.2.3 亮度特征与颜色拮抗特征计算 |
4.2.4 图像梯度特征计算 |
4.2.5 海上图像各视觉特征显着子图计算 |
4.2.6 基于自适应权重的视觉特征显着子图像融合 |
4.2.7 综合显着图中显着区域分割策略 |
4.3 实验结果与分析 |
4.4 小结 |
第5章 基于新型卷积神经网络框架的目标智能辨识算法 |
5.1 基于卷积神经网络的目标智能辨识方法 |
5.1.1 Le Net卷积神经网络 |
5.1.2 VGG卷积神经网络模型 |
5.1.3 Goog Le Net网络结构 |
5.2 基于新型卷积神经网络框架下的目标智能辨识算法研究 |
5.2.1 数据预处理 |
5.2.2 新型卷积神经网络结构设计 |
5.2.3 分类器选择 |
5.3 实验结果与分析 |
5.3.1 数据集和参数设置 |
5.3.2 测试集实验结果 |
5.3.3 测试集实验结果分析 |
5.4 显着区域智能辨识实验与分析 |
5.5 小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
在学期间科研成果情况 |
(3)基于图像处理的输电线路巡检系统设计(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 选题背景及意义 |
1.2 国内外研究现状 |
1.2.1 国内外输电线断股检测的方法 |
1.2.2 常用的直线提取算法 |
1.2.3 基于图像处理的输电线断股故障检测存在的问题 |
1.3 论文的研究内容和章节安排 |
2 输电线图像的预处理 |
2.1 输电线图像灰度化处理 |
2.2 图像增强 |
2.2.1 灰度变换增强 |
2.2.2 输电线图像特征分析 |
2.2.3 基于分段线性变换的输电线图像增强处理 |
2.3 输电线图像的去噪 |
2.4 输电线图像的边缘检测 |
2.4.1 边缘检测算法 |
2.4.2 改进的Canny算子 |
2.5 仿真结果与分析 |
2.6 本章小结 |
3 输电线的图像提取和识别方法 |
3.1 直线提取的检测方法 |
3.1.1 Radon变换法 |
3.1.2 相位编组法 |
3.1.3 Hough变换法 |
3.1.4 基于Hough变换的输电线图像倾斜校正 |
3.2 基于梯度信息的随机Hough变换和区域增长的直线提取 |
3.2.1 基于随机Hough变换方法的直线提取 |
3.2.2 基于区域增长的直线连接 |
3.3 输电线的识别方法 |
3.3.1 输电线的特征分析 |
3.3.2 输电线识别算法 |
3.4 仿真结果与分析 |
3.5 本章小结 |
4 输电线断股检测 |
4.1 断股输电线的特征 |
4.2 输电线断股诊断方法 |
4.2.1 基于目标匹配的输电线断股诊断方法 |
4.2.2 输电线断股故障判断 |
4.3 仿真结果与分析 |
4.4 本章小结 |
5 输电线路巡检系统设计 |
5.1 系统设计方案 |
5.2 巡检系统的硬件设计 |
5.2.1 断股故障检测模块的硬件设计 |
5.2.2 图像采集和编码模块的硬件设计 |
5.2.3 无线通信模块的硬件设计 |
5.3 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
读研期间主要科研成果 |
(4)基于图像处理的车道线识别(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 车道线检测与跟踪研究现状及方法总结 |
1.2.1 车道线检测与跟踪国内外研究现状 |
1.2.2 车道线检测与跟踪研究方法 |
1.3 论文内容和结构安排 |
第二章 图像预处理 |
2.1 图像预处理流程概述 |
2.2 颜色空间及车道线颜色分割 |
2.2.1 颜色空间 |
2.2.2 RGB颜色空间与HSV颜色空间的转换 |
2.2.3 基于道路图像的车道线颜色分割 |
2.3 图像灰度化 |
2.3.1 图像灰度化方法 |
2.3.2 道路图像灰度化及分析 |
2.4 图像滤波 |
2.4.1 图像滤波方法 |
2.4.2 道路图像滤波及分析 |
2.5 图像二值化 |
2.5.1 图像二值化方法 |
2.5.2 道路图像二值化及分析 |
2.6 图像边缘检测 |
2.6.1 图像边缘检测方法 |
2.6.2 道路图像边缘检测及分析 |
2.7 道路图像感兴趣区域的选取 |
本章小结 |
第三章 车道线检测 |
3.1 车道线检测流程概述 |
3.2 Hough变换检测车道线 |
3.2.1 Hough变换原理 |
3.2.2 Hough变换检测车道线步骤 |
3.3 滑动窗口搜索特征点 |
3.4 道路类型与车道线检测模型的选择及条件假设 |
3.4.1 道路类型选择及条件假设 |
3.4.2 车道线检测模型选择及条件假设 |
3.5 车道线检测模型匹配 |
3.5.1 车道线检测模型变换 |
3.5.2 车道线检测模型与特征点匹配确定参数 |
3.6 车道线检测仿真及分析 |
3.6.1 车道线检测方法仿真对比 |
3.6.2 车道线检测方法仿真分析 |
3.6.3 车道线检测模型匹配仿真实现 |
3.6.4 车道线检测模型匹配仿真分析 |
本章小结 |
第四章 车道线跟踪 |
4.1 车道线跟踪方法介绍 |
4.1.1 粒子滤波法 |
4.1.2 Kalman滤波法 |
4.2 车道线跟踪方法仿真及分析 |
4.3 Kalman滤波法跟踪车道线 |
4.3.1 Kalman滤波法跟踪车道线过程 |
4.3.2 Kalman 滤波法跟踪车道线仿真及分析 |
本章小结 |
第五章 车道线识别实验过程 |
5.1 实验平台 |
5.2 车道线识别总体流程 |
5.2.1 车道线识别总体流程设计 |
5.2.2 车道线识别模块组成 |
5.2.3 车道线识别模块实验参数说明 |
5.3 实验分析 |
本章小结 |
结论 |
参考文献 |
攻读硕士学位期间取得的科研成果 |
致谢 |
(5)基于改进Canny算子的铁轨图像识别研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 研究内容 |
1.4 文章结构安排 |
第2章 铁轨图像预处理技术 |
2.1 图像灰度化 |
2.1.1 图像灰度化方法 |
2.1.2 实验结果 |
2.2 图像降噪 |
2.2.1 均值滤波 |
2.2.2 高斯滤波 |
2.2.3 中值滤波 |
2.2.4 实验结果 |
2.3 本章小结 |
第3章 基于改进Canny算子的铁轨图像边缘提取方法 |
3.1 图像边缘检测 |
3.1.1 边缘检测基本原理 |
3.1.2 一阶微分边缘算子 |
3.1.3 二阶微分边缘算子 |
3.2 Canny边缘检测算法的改进 |
3.2.1 传统Canny算法主要流程 |
3.2.2 改进的Canny算子 |
3.3 实验仿真 |
3.4 本章小结 |
第4章 基于分段模型的铁轨图像识别 |
4.1 铁轨线识别基本过程及相关原理 |
4.1.1 Hough变换 |
4.1.2 曲线拟合 |
4.2 直轨检测 |
4.2.1 直轨模型 |
4.2.2 直轨检测算法 |
4.2.3 直轨检测实验仿真 |
4.3 弯轨检测 |
4.3.1 弯轨模型 |
4.3.2 弯轨检测算法 |
4.3.3 弯轨检测实验仿真 |
4.4 道岔检测 |
4.4.1 道岔模型 |
4.4.2 道岔检测算法 |
4.4.3 弯轨检测实验仿真 |
4.5 环境配置 |
4.6 本章小结 |
第5章 总结与展望 |
参考文献 |
致谢 |
个人简历、在学期间发表的学术论文及研究成果 |
(6)基于视觉定位的纸塑复合袋差速纠偏方法研究(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 国内外研究现状 |
1.3.1 视觉定位研究现状 |
1.3.2 纠偏装置研究现状 |
1.4 本文的主要研究内容 |
第2章 纸塑复合袋纠偏系统总体设计 |
2.1 纸塑复合袋生产工艺分析 |
2.2 纸塑复合袋差速纠偏系统设计 |
2.2.1 设计要求 |
2.2.2 纠偏系统原理 |
2.2.3 纠偏装置设计 |
2.3 纸塑复合袋纠偏系统问题分析 |
2.4 本章小结 |
第3章 纸塑复合袋视觉定位算法研究 |
3.1 纸塑复合袋视觉定位流程 |
3.1.1 图像处理基础 |
3.1.2 视觉定位流程 |
3.2 阈值分割 |
3.3 图像滤波 |
3.3.1 三种图像滤波方式 |
3.3.2 基于方差的差异化滤波方法 |
3.4 Hough直线变换及其改进算法 |
3.4.1 Hough直线变换原理 |
3.4.2 Hough变换改进算法 |
3.5 本章小结 |
第4章 纸塑复合袋纠偏控制系统研究 |
4.1 纸塑复合袋纠偏运动分析 |
4.2 纸塑复合袋纠偏受力分析与仿真 |
4.2.1 薄板屈曲理论 |
4.2.2 纸塑复合袋屈曲有限元仿真 |
4.2.3 仿真结果分析 |
4.3 纠偏速度控制 |
4.3.1 S型加减速算法分析 |
4.3.2 S型加减速纠偏速度分析 |
4.3.3 基于遗传算法的位置纠偏速度求解 |
4.4 遗传算法与纠偏速度规划仿真 |
4.4.1 遗传算法求解结果与位置纠偏速度曲线 |
4.4.2 角度纠偏速度曲线 |
4.4.3 纠偏效果仿真分析 |
4.5 本章小结 |
第5章 纠偏系统软件设计及纠偏实验 |
5.1 纠偏系统软件设计 |
5.1.1 开发环境 |
5.1.2 功能模块 |
5.1.3 软件需求与应用 |
5.2 纠偏实验 |
5.2.1 纠偏轨迹验证 |
5.2.2 最佳皮带间距 |
5.2.3 纠偏效果 |
5.3 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读硕士学位期间发表学术论文情况 |
(7)基于视觉的旋翼无人机自主避障关键技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 障碍物检测技术研究现状 |
1.2.2 障碍物定位技术研究现状 |
1.3 主要技术方法及存在问题 |
1.4 本文主要内容及安排 |
第二章 视觉检测与定位原理 |
2.1 旋翼无人机图像采集与处理系统 |
2.2 视觉检测原理 |
2.2.1 图像采样 |
2.2.2 图像噪声模型分析 |
2.2.3 图像滤波去噪方法 |
2.3 视觉定位原理 |
2.3.1 常用参考坐标系 |
2.3.2 相机成像模型 |
2.3.3 相机标定 |
2.3.4 相机标定实验 |
2.4 本章小结 |
第三章 结合梯度和距离编组的悬空线类障碍物检测算法 |
3.1 悬空线三维及图像特征分析 |
3.2 结合图像梯度的自适应边缘点提取 |
3.2.1 一阶微分算子边缘检测 |
3.2.2 二阶微分算子检测方法 |
3.2.3 结合图像梯度的边缘检测算法 |
3.3 直线特征提取 |
3.3.1 全局感知Hough变换 |
3.3.2 局部感知组合法 |
3.3.3 直线特征提取实验对比 |
3.3.4 结合悬空线图像特征的线基元提取 |
3.4 结合欧氏距离的线基元编组拟合 |
3.5 悬空线类障碍物检测验证实验 |
3.5.1 不同场景下悬空线检测对比实验 |
3.5.2 不同光照变化下悬空线检测对比实验 |
3.5.3 不同运动速度下悬空线检测对比实验 |
3.5.4 悬空线类障碍物检测验证实验分析 |
3.6 本章小结 |
第四章 基于ORB光流的面类障碍物检测算法 |
4.1 面类障碍物特征分析及检测算法流程 |
4.2 特征点检测算法对比 |
4.2.1 Shi-Tomasi算法 |
4.2.2 SURF算法 |
4.2.3 FAST算法 |
4.2.4 ORB算法 |
4.2.5 特征点检测方法对比实验 |
4.3 图像金字塔光流障碍物检测方法 |
4.3.1 传统光流检测算法 |
4.3.2 传统光流检测对比实验 |
4.3.3 图像金字塔光流障碍物检测算法 |
4.4 面类障碍物检测方法验证实验 |
4.4.1 半实物仿真验证实验 |
4.4.2 小树木类障碍物检测验证实验 |
4.4.3 树冠类障碍物检测验证实验 |
4.4.4 建筑物正面障碍物检测验证实验 |
4.4.5 建筑物侧面障碍物检测验证实验 |
4.4.6 面类障碍物检测实验证验分析 |
4.5 本章小结 |
第五章 旋翼无人机障碍物定位与判定方法 |
5.1 悬空线类障碍物距离估计 |
5.1.1 悬空线特征分析 |
5.1.2 单根悬空线场景测距模型 |
5.1.3 两根悬空线场景测距模型 |
5.1.4 复杂悬空线场景测距模型 |
5.2 面类障碍物光流法距离估计 |
5.3 视频序列影像中相机位移估计 |
5.3.1 基于对应点的相机位移估计 |
5.3.2 基于对应直线的相机位移估计 |
5.3.3 基于相机位移的障碍物判定评估方法 |
5.4 悬空线定位模型与威胁评估实验 |
5.4.1 序列影像单根悬空线测距模型评估实验 |
5.4.2 序列影像中两根悬空线测距模型评估实验 |
5.4.3 序列影像中复杂悬空线测距模型评估实验 |
5.4.4 悬空线定位与威胁评估实验分析 |
5.5 面类障碍物光流法测距模型评估实验 |
5.5.1 小树木类障碍物测距评估实验 |
5.5.2 树冠类障碍物测距评估实验 |
5.5.3 建筑物正面障碍物测距评估实验 |
5.5.4 建筑物侧面障碍物测距评估实验 |
5.5.5 面类障碍物定位实验分析 |
5.6 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 |
作者简历 |
(8)基于无人机航拍影像的高压输电线识别的研究(论文提纲范文)
摘要 |
Abstract |
变量注释表 |
1 绪论 |
1.1 选题背景及意义 |
1.2 输电线识别的主要研究动态 |
1.3 本文研究内容及章节安排 |
2 航拍输电线影像预处理 |
2.1 航拍图像中输电线特征分析 |
2.2 图像灰度化处理 |
2.3 基于改进维纳滤波的图像去噪 |
2.4 本章小结 |
3 基于主曲率和主方向的输电线检测 |
3.1 经典直线检测算法 |
3.2 基于主曲率的直线检测 |
3.3 输电线的筛选拟合 |
3.4 实验结果与分析 |
3.5 本章小结 |
4 输电线路跟踪算法的研究 |
4.1 视频序列图像跟踪的主要方法 |
4.2 输电线路跟踪 |
4.3 实验结果与分析 |
4.4 本章小结 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
附录 |
作者简历 |
致谢 |
学位论文数据集 |
(9)基于视觉多特征融合的三维靶标位姿估计方法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 引言 |
1.2 合作目标位姿估计方法研究现状 |
1.2.1 目标几何特征提取方法 |
1.2.2 合作目标位姿估计方法 |
1.3 图像复原方法研究现状 |
1.3.1 图像盲复原方法 |
1.3.2 图像非盲复原方法 |
1.4 研究意义及研究内容 |
1.4.1 研究意义 |
1.4.2 研究内容 |
第二章 基于CAD模型的3D目标检测方法 |
2.1 引言 |
2.2 基于CAD模型的3D目标检测原理 |
2.3 3D目标图像预处理 |
2.4 目标检测方法 |
2.4.1 视点位置规划 |
2.4.2 模板匹配指标 |
2.4.3 目标确认指标 |
2.5 基于CAD模型的3D目标检测方法实现 |
2.6 小结 |
第三章 基于模型的3D目标离焦模糊图像恢复方法 |
3.1 引言 |
3.2 目标图像离焦退化与复原 |
3.2.1 图像离焦退化原理 |
3.2.2 图像非盲复原 |
3.3 基于EPCPSO的离焦图像PSF估计 |
3.3.1 混沌PSO算法 |
3.3.2 群能量保持CPSO算法 |
3.4 目标图像恢复质量评价指标 |
3.4.1 复原图像质量评价指标 |
3.4.2 基于模型的边缘加权图像质量评价指标 |
3.5 基于模型的3D目标离焦图像恢复算法及实现 |
3.6 小结 |
第四章 多特征融合的3D目标位姿估计方法 |
4.1 引言 |
4.2 目标几何特征提取及匹配方法 |
4.2.1 目标点特征和直线特征提取方法 |
4.2.2 目标面特征提取方法 |
4.2.3 基于模型的目标特征点匹配方法 |
4.3 多特征融合的位姿估计方法 |
4.3.1 相机成像模型 |
4.3.2 EPnP位姿估计算法 |
4.3.3 多特征融合的wEPnP算法 |
4.4 多特征融合的3D目标位姿估计方法实现 |
4.5 小结 |
第五章 实验与分析 |
5.1 引言 |
5.2 3D目标检测实验及分析 |
5.3 3D目标图像恢复实验及分析 |
5.4 3D目标位姿估计实验及分析 |
5.4.1 低分辨率仿真图像位姿估计实验及分析 |
5.4.2 低分辨率3D目标图像位姿估计实验及分析 |
5.5 3D靶标位姿估计实验及分析 |
5.6 小结 |
第六章 结论及展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
致谢 |
作者及导师简介 |
附件 |
(10)指针式仪表智能识别在矿井中的研究(论文提纲范文)
中文摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 本文主要工作 |
1.4 论文的结构安排 |
第二章 基于深度学习的图像检测与识别 |
2.1 引言 |
2.2 传统目标检测的相关算法 |
2.2.1 模板匹配 |
2.2.2 SIFT系列算法 |
2.2.3 SIFT系列算法的改进 |
2.3 基于深度学习的目标表盘定位与检测 |
2.3.1 算法概述 |
2.3.2 One-Stage目标检测算法 |
2.3.3 Two-Stage目标检测算法 |
2.4 基于Mask R-CNN的仪表表盘定位 |
2.4.1 Mask R-CNN算法原理 |
2.4.2 卷积神经网络 |
2.4.3 损失函数 |
2.5 数据集 |
2.6 实验结果与分析 |
2.7 本章小结 |
第三章 仪表图像的预处理 |
3.1 引言 |
3.2 灰度化(色彩空间转换) |
3.3 图像降噪 |
3.3.1 中值滤波 |
3.3.2 双边滤波 |
3.4 图像二值化 |
3.5 图像的形态学处理 |
3.5.1 图像腐蚀 |
3.5.2 图像膨胀 |
3.6 本章小结 |
第四章 仪表特征的提取 |
4.1 引言 |
4.2 圆形仪表特征提取 |
4.2.1 随机霍夫变换圆检测 |
4.2.2 梯度霍夫变换 |
4.3 非圆形表盘特征提取 |
4.3.1 仪表表盘处理 |
4.3.2 指针旋转中心的定位 |
4.4 本章小结 |
第五章 仪表指针的拟合及其示数的判定 |
5.1 引言 |
5.2 指针的定位和拟合 |
5.2.1 Hough直线检测 |
5.2.2 LSD直线检测算法 |
5.2.3 径向灰度算法 |
5.3 仪表示数的读取 |
5.3.1 距离判读法 |
5.3.2 角度判读法 |
5.4 实验结果及误差分析 |
5.5 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 |
攻读学位期间发表的学术论文与研究成果 |
四、基于仿真模板的Hough变换直线检测(论文参考文献)
- [1]基于机器视觉的电子连接器塑壳尺寸测量及缺陷检测方法研究[D]. 芦艳茹. 西安理工大学, 2021(01)
- [2]大雾下海上图像的目标分离与智能辨识研究[D]. 林昌. 集美大学, 2021(01)
- [3]基于图像处理的输电线路巡检系统设计[D]. 齐明志. 安徽理工大学, 2020(07)
- [4]基于图像处理的车道线识别[D]. 魏笑. 大连交通大学, 2020(06)
- [5]基于改进Canny算子的铁轨图像识别研究[D]. 尹潇. 西北师范大学, 2020(12)
- [6]基于视觉定位的纸塑复合袋差速纠偏方法研究[D]. 朱晓凡. 湖北工业大学, 2020(04)
- [7]基于视觉的旋翼无人机自主避障关键技术研究[D]. 李朋月. 战略支援部队信息工程大学, 2020(08)
- [8]基于无人机航拍影像的高压输电线识别的研究[D]. 高照. 山东科技大学, 2020(06)
- [9]基于视觉多特征融合的三维靶标位姿估计方法研究[D]. 吴谧辰. 北京化工大学, 2020(02)
- [10]指针式仪表智能识别在矿井中的研究[D]. 吴晓伟. 太原科技大学, 2020(03)