一、小波变换在套件组装视觉检测中的应用（论文文献综述）
李雪松[1]（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》文中进行了进一步梳理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。
徐锋[2]（2020）在《阔叶材原木质量应力波精准检测方法研究》文中提出阔叶材原木因其天然的色泽、优美的纹理和高强度的力学性能,成为家装业和建筑业的理想原材料。阔叶材原木的质量随树种、产地、甚至同一树木的不同部位变化较大,其内部缺陷（如空洞、腐朽、内裂等）直接关系到木材潜在的等级和价值,并影响其利用率。原木质量精准检测通常包括多阶段的质量分等和精确的缺陷检测,因此,在采伐区开展木材质量检测与分等,便于木材快速分流,节约运输成本;同时,在制材厂精准检测木材缺陷,有利于优化锯制方案,提升木材的出材率与价值。应力波技术是原木质量检测的主要手段,但因其响应信号复杂,在时域或频域均难以获取其典型特征,导致其检测精度不高,难以推广应用。针对此,本文重点分析了冲击应力波中的平稳与非平稳信号处理方法,提出了应用时-频分析、小波变换、矩分析、自回归模型等现代信号处理手段,提取包括声速、时间中心、阻尼比、峭度、谱峭度等声特征参数,开展了原木质量分等和内部缺陷预测两方面的研究,主要工作及研究成果如下:（1）研究了应用小阻尼振动系统模拟应力波传播的衰减问题,得出声参数原木质量评估的理论依据。将原木等效为两端自由的均匀直杆,由应力波沿原木纵向传播的波动方程,得到弹性模量、应力波速度与介质密度、固有频率、直杆长度的定量关系。讨论了原木内部纵向作用力对振动系统的影响,并将原木微元等效成单自由度质量-弹簧有阻尼系统,近似模拟应力波传播的衰减问题。重点讨论了衰减振动周期、振幅衰减、能量耗散与阻尼比的定量关系,分析了原木的声特征参数与振动衰减的关系,得出与信号波形相关的声参数评估原木质量的理论依据。（2）建立了基于多声参数的原木质量精确分等策略,有效弥补了单一声速方法无法分等具有较小缺陷原木的质量问题。从能量耗散角度分析了基于一阶矩的时间中心和阻尼比的物理意义,分析了典型声信号对时间中心与阻尼比的显着影响。详细推导了基于连续小波变换的阻尼比参数的提取过程,应用时间中心Tc、阻尼比ξ及两个混合参量ρ/Tc2、Ed/ξ2和声速V等声参数预测了鹅掌楸原木质量并进行分等,分等结果表明前四个参数单独预测的高等级板材率分别为74.2%、74.1%、79.6%和69.0%,远高于声速分等的43.9%。鉴于几种声参数质量评估的差异性以及原木几何形状缺陷对评估参数的影响,得出原木质量精确分等的多参数联合预测方案。（3）研究了缺陷信号分离与增强算法,实现了基于峭度的原木质量预测分等。分析了声源信号的可能组分,将声响应信号建模为主振动信号、缺陷信号和背景噪声等三种信号成分与传播路径响应函数的卷积,提出了基于AR-MED和AR-SK两种信号分离与增强算法,详细给出了MED算法的实现过程,并用算例演示了AR-MED信号分离与增强过程;给出了基于短时傅里叶变换的谱峭度图确定滤波器中心频率与带宽过程,并基于最优带通滤波器实现了缺陷信号的有效分离。对分离出的缺陷信号进行四阶矩计算,提取反映缺陷特征的峭度参数并进行原木质量预测。基于AR-MED和AR-SK两种方法提取的峭度参数KMED和KSK预测的高质量原木组中高等级板材率分别达到72.5%和77.2%。（4）建立了多声参数缺陷率预测模型,实现原木缺陷率的精准预测。为实现原木内部缺陷的定量检测,研究了四种阔叶材混合原木（黑樱桃、白栎、红栎和三叶杨）内部缺陷率与声参数（时间中心、一阶阻尼比、二阶阻尼比、声速）的定量关系。应用径向应力波传播时间法确定原木内部缺陷的位置区域,构建缺陷映射图,计算原木的缺陷率。研究了单个声参数与原木内部缺陷率的定量关系,分析了树种、缺陷分布、缺陷类型等对声参数的影响,回归结果表明,一阶阻尼、声速、时间中心和二阶阻尼比与缺陷率之间的决定系数分别为0.65、0.72、0.87和0.92。应用多元回归方法研究原木缺陷率与多声参数的定量关系并建立缺陷率预测的最优声参数模型,模型的决定系数达0.95,均方误差为6.47。（5）提取了基于AR-MED滤波后的准缺陷信号特征,实现了原木质量的精准检测。研究了四种阔叶材原木内部缺陷率与基于AR-MED方法提取的峭度参数的定量关系,应用回归分析建立了缺陷率的峭度预测模型,模型的决定系数达0.89。为进一步确定原木内部主要缺陷类型和主次,提出了基于复Morlet连续小波变换的谱峭度方法。研究了用于缺陷信号分解的最优小波中心频率的选择方法,讨论了基于谱峭度图的缺陷频带的选择原则,提取了基于谱峭度的信号特征频带,分析了信号频带与缺陷类型的对应关系,实现了原木内部主要缺陷类型的准确识别。最后分析了全局参数（峭度、阻尼比、时间中心、声速等）对某些缺陷检测的局限性,得出谱峭度参数相比于全局声参数对缺陷识别的优势。
邢博[3]（2020）在《基于超声导波的钢轨裂纹检测方法研究》文中研究说明钢轨疲劳裂纹和其它内部损伤可诱发断轨事故,是线路养护维修的重点之一。目前,国内外普遍采用基于超声体波的钢轨探伤车进行裂纹检测。但由于超声体波信号衰减大,探伤车在轨底角存在检测盲区。为此,本文提出基于超声导波的钢轨探伤方法,利用超声导波可以远距离探测钢轨整个横截面的特点,实现钢轨裂纹损伤的全断面检测。论文在深入研究钢轨中超声导波传播特性的基础上,对钢轨裂纹检测的模态选取、激励及裂纹定位等关键问题开展研究,为实现钢轨裂纹的全断面检测与定位奠定了理论基础。论文首先针对钢轨不同区域裂纹的检测模态选取问题,提出了一种基于导波模态裂纹敏感度的最佳检测模态选取方法。在分析了导波模态频散特性与振型特征的基础上,建立了裂纹区域能量和裂纹反射强度评价指标,研究了不同裂纹对模态的作用机理。通过对钢轨中导波模态群速度的频散特性分析,进一步引入了模态的非频散特性指标,剔除了因严重频散而影响检测精度的模态。仿真与实验结果表明,通过该方法选取的导波模态可以准确识别钢轨裂纹,同时为研究钢轨裂纹的检测及定位方法奠定了基础。针对目标模态的激励问题,论文提出了一种基于图形化模态分析方法的导波模态激励方法。通过将钢轨中导波的模态振型信息转换为RGB图像的形式,从而将复杂的解析问题转换为图像处理问题。进而应用K-Means聚类算法实现了钢轨高频复杂模态的分类,结合直方图方法、边缘提取算法以及全局阈值二值化等图像处理方法,确定了钢轨不同区域裂纹的最佳检测模态激励模式。仿真结果表明,该方法可以在钢轨中激励出以目标模态为主要成分的导波信号,解决了由于导波的多模态特性及其振型的复杂性而无法直观、快速地确定模态激励方式的问题,为实现钢轨裂纹的检测及定位提供了技术手段。针对钢轨裂纹的远距离检测与定位难题,论文提出了一种基于导波单一模态提取算法的裂纹检测方法。首先利用三维阵列导波信号分析方法,辨识回波信号中的所有导波模态及其相对能量幅值;以此为基础,利用模态追踪方法,分离出每个导波模态的反射回波时域信号,通过时频分析获取每个导波模态的实际到达时间;最后结合弹性模量匹配的群速度实时校准方法,实现钢轨裂纹的检测与定位。仿真分析和实验结果表明,单一模态提取算法解决了频率混叠导致的不同模态回波难以区分、裂纹缺陷无法在探测范围内细分定位等问题,提高了裂纹检测与定位的准确性。研究结果证明,论文提出的方法能有效实现钢轨全断面裂纹检测模态的选取、导波模态的激励及裂纹的检测与定位,为实现钢轨裂纹远距离、无盲区检测提供了一种新思路。
魏东亮[4]（2020）在《陀飞轮手表微型擒纵轮的机器视觉检测技术研究》文中认为微型擒纵轮是一种在精密仪器设备中经常使用的零件,它的平整度,齿长的误差大小与整个设备的精密准确性密切相关。传统检测方法以人工检测为主,但人工检测存在易疲劳,容易误判且难以量化等问题。为了实现检测的标准化和自动化,并提高检测的精度,本文设计了一种基于机器视觉的微型零件检测系统。本文的主要研究工作包括:1.微型零件分类方法。微型零件体积微小,形状相似,在生产中经常出现人工分类错误的问题,为提高分类准确率,文章提出了两种零件分类方法。第一种方法是基于方向梯度直方图特征的支持向量机分类器方法。该分类方法的原理是提取零件图像的方向梯度直方图特征并训练支持向量机分类器,使用训练好的分类器进行分类。实验表明,该分类方法的准确率达到了98.5%。第二种方法是使用基于ResNet50的深度学习网络进行分类。文章在传统ResNet50网络的全连接层前面增加了批标准化和线性整流函数,并对网络参数做了优化配置。实验表明,该网络在测试集中准确率达到99%。2.微型擒纵轮表面平整度检测方法。微型擒纵轮的表面容易在外力作用下发生形变并导致其表面平整度偏差过大。为了检测这类缺陷,文章提出一种表面平整度检测方法。检测方法的流程为:先校正图像,然后提取其亚像素边缘信息,并通过投影映射精确计算边界信息,最后根据多帧的零件水平边缘极差来判断平整度指标是否合格。实验表明,该检测算法的准确率达到99.5%,检测精度达到2微米,单帧检测时间35毫秒,通过采集多帧计算,一个零件可以在4秒钟之内检测出结果。3.微型擒纵轮齿长误差检测算法。微型擒纵轮的片齿和轴齿在组装的过程中容易被磨损或折断,由此导致齿长不合格。擒纵轮的齿数有奇偶之分,文章针对这两种情况分别提出了相应的齿长误差检测方法。实验表明,偶数齿检测方法的准确率达到99%,奇数齿检测方法准确率达到98.8%,检测精度达到2微米,单帧检测时间40毫秒,一个零件可以在5秒钟之内检测出结果。4.文章最后对微型零件检测系统的设计思想和各功能模块做了介绍。
任贵粉[5]（2020）在《基于时频分析和图像处理的机械故障特征提取方法研究》文中指出在机械中旋转机械最为常见且其在工业中的地位也非常显着,因其通常在恶劣的工作环境下并且长期运作,易损坏发生故障的概率极大,意外的故障会对工作人员的安全及经济的生产都带来严重的威胁和损失。因此,对机械故障诊断与检测是极其重要的,以旋转机械中的轴承为例,对其振动信号进行检测研究。在该领域中,对故障的特征进行提取一直都是研究的热门课题,本文在该问题的研究上是从时频分析和图像处理两方面共同进行的,目的是做到双重检测,最大程度降低安全隐患。具体研究内容如下:（1）因EMD在对信号进行分解时有着重要的缺点即模态混叠问题,所以针对此问题进行改进,提出用HVD对其进行改进,此方法比典型的EEMD、CEEMDAN在对信号的分解分析上有优势,分辨率高而且能完全避免模态混叠。在对小波阈值的去噪分析中,改进阈值去噪是在小波阈值的基础上结合“3?准则”的思想进行改进得到的,其去噪效果比传统的小波阈值的好,经过对模拟信号的去噪对比已经验证。（2）在基于时频分析的特征提取研究中,提出了基于HVD与改进阈值的去噪新算法,对故障信号进行分析并为后续的故障特征的提取提供保障,该算法在应用在美国凯斯西储大学的轴承数据分析之前先对模拟信号进行去噪并与EMD、EEMD、CEEMDAN分别与改进阈值去噪相结合的方法进行对比,从主观视觉和客观评价上都一致表明本文方法的效果好。最后为了获得故障特征要对去噪后的内外圈信号进行以HHT为技术支持的包络谱分析,在对以上4种方法获得的频率对比中得出无论是在提取频谱的幅值还是分辨率上本文方法是都是最好的。（3）基于图像处理的特征参数提取的研究中,先是针对高斯、椒盐两种不同的噪声分别提出基于小波与高斯滤波去噪方法和基于小波与AMF滤波去噪方法,因中值滤波不能判断噪声点及窗口不变等问题,对其用自适应中值滤波-AMF改进,然后利用小波的多分辨率分析进行改善去噪后边缘模糊的问题。（4）在对去噪后的故障图像提取特征参数时,提出了基于canny算子的特征参数提取方法,对提取出的故障边缘通过函数bwperim和bwarea计算出周长和面积两个基本的参数,最终用圆度和畸形度判断故障发生的程度。
蔡道清[6]（2020）在《非结构农田环境下的自主作业感知技术研究》文中研究说明21世纪以来,我国把加快发展农业机械产业和推动农业机械化水平作为重点工作内容,为了提高农业生产效率,缓解农村劳动力资源短缺的问题,农机装备已被列为“中国制造2025”十大重点研究领域之一。而农机的环境感知技术是农机装备智能化研究的重要内容。研究稳定、可靠的非结构农田环境感知系统对于提升农机装备自动化、智能化水平具有十分重要的意义。非结构农田环境下的农机感知任务主要是导航线检测和障碍物检测两个方向。本文以设计对农田环境鲁棒性高的感知系统为目标,研究了其中涉及的关键技术。主要内容如下:（1）研究设计了以视觉感知为主,毫米波雷达探测为辅的农机环境感知系统。对视觉感知模块、毫米波雷达探测模块和主控制器模块的原理和实现方案进行了研究;研究了不同模块之间的通信方案,并实现了以无线通信方式远程操控主控制器的目的。（2）针对视觉检测导航线容易受到自然光照变化影响的问题,提出了两种去除农田图像中光照成分的算法。一种基于Retinex理论构建农田图像的多尺度反射模型,利用小波变换在图像频率域消除光照成分;一种构建了彩色相机成像模型,通过彩色色值通道之间的关系消除自然光照成分。实验表明两种算法都能有效去除图像中的光照成分,增强视觉检测航线算法的鲁棒性。（3）研究了视觉检测航线算法中的核心内容:图像分割。针对传统图像分割算法过于依赖图像颜色特征,无法有效分割田埂的问题,提出基于特征设计和机器学习的分割算法,引入超像素分割算法预处理农田图像,设计并提取超像素的颜色特征和纹理特征,基于支持向量机模型二分类田埂和农田地块。实验证明了所提算法能有效分割农田的不同地块,完成田埂边界线检测的任务。（4）针对单个感知传感器检测障碍物容易受到环境变化影响的问题,提出视觉-毫米波雷达融合检测的方案。实现了视觉和毫米波雷达在时间和空间上的融合,以毫米波雷达选取的有效目标为种子点,在视觉深度图中完成了检测障碍物尺寸的任务。实验证明此方案能够准确检测农机前方障碍物的空间位置和尺寸信息。
胡光宝[7]（2019）在《基于纹理分析的皮革划痕检测方法研究》文中研究说明随着人们生活质量不断提升,皮革产品越来越多地进入到人们生活中。皮革划痕不仅影响了皮革产品的美观,减少皮革产品的使用寿命,还会存在一定的安全隐患,所以对皮革产品表面划痕检测意义重大。近年来机器视觉技术在各个领域被广泛应用,使得用机器代替传统的人工质量检测得到广泛的青睐。本文主要利用计算机图像处理技术对荔枝纹皮革表面的划痕进行检测。针对传统的高斯-拉普拉斯算法处理图像边缘时存在各向同性特点的问题,提出一种各向异性的高斯-拉普拉斯算法,在图像增强中能自适应地处理各个角度的边缘。首先基于传统的算子,在不同方向上取不同高斯标准差将尺度参数引入函数中,然后结合几何学,将角度参数引入带有尺度参数的算子中,最后根据每个像素点的梯度值来确定尺度参数和角度参数的值,得到各向异性的算子。仿真结果表明,各向异性的算子更符合人眼视觉特性,且在峰值信噪比、结构相似性和均方误差方面均优于各向同性的算子及其他图像预处理算法。各向异性的高斯-拉普拉斯算子对噪声的抑制效果更好,图像边缘细节保留的更多。针对当前单一的纹理分析方法处理图像无法准确提取图像纹理基元信息的问题,将多种纹理分析方法结合起来,使每种方法在纹理分析时都发挥各自的特点,最大化提取纹理基元信息从而提高检测结果的准确率。首先使用小波分解得到图像的低低频部分,将含有更多纹理信息的低低频提取出来。通过实验对比,选取用于荔枝纹皮革划痕检测的最优特征参数。然后通过选取的特征,经过实验分析,确定灰度共生矩阵的三个最优构造因子,生成相应的灰度共生矩阵。在最优参数下的灰度共生矩阵中提取相应特征,并使用支持向量机对皮革表面划痕进行检测。根据荔枝纹皮革表面纹理特性,搭建相应的机器视觉检测平台,通过对比实验,得出多种方法结合的检测精度高于小波变换法11.93%,高于灰度共生矩阵法1.33%,且兼顾实时性。结果证明将多种纹理分析方法结合应用于荔枝纹皮革表面划痕检测是有效的,最终检测精度为95.2%,单幅图像检测时间为372ms。
丁刚[8]（2017）在《基于声发射时频分析技术的三维编织复合材料损伤源定位方法研究》文中研究说明随着三维编织复合材料更加广泛的应用到航空、航天、汽车和建筑工程等领域,损伤破坏等问题已成为生产和使用的关键。声发射（AE）技术具有动态、反应灵敏、实时、抗干扰性强等特点,已逐步应用于三维编织复合材料的无损检测研究中。由于复合材料在增加载荷的过程中会产生大量包含了丰富损伤源信息的声发射信号,解析这些信号有助于得到复合材料的损伤模式,进而获得损伤位置,达到损伤源定位的目的。本文首先从理论上对时频分析的5种典型技术,即短时傅里叶变换（STFT）、Wigner-Ville分布（WVD）、小波分析、S变换以及希尔伯特—黄变换（HHT）进行比较,并使用时频分析方法对5种声信号组成形式进行仿真分析。结论表明,STFT、WVD、小波变换及S变换分别受到固定的窗函数、交叉干扰项、小波基函数选取及Heisenberg测不准原理等问题的影响,无法揭示声发射信号所特有的时频特征。而HHT以信号为基础,不加入任何人为干扰因素,适用于非线性非平稳信号的分析,对于信号具有很强的自适应性,能很好体现信号的局部频率特性,适用于三维编织复合材料声发射信号的时频分析。本文以三维四向编织复合材料为研究对象,为揭示其拉伸损伤模式的声发射信号时域—频域特征,建立损伤模式和声发射信号的对应关系,通过对相同编织角、不同纤维体积含量的3组三维编织复合材料实验试件进行拉伸实验,获取拉伸过程中不同损伤阶段的力学性能参数和声发射信号。为研究声发射信号的时频特征,运用HHT时频分析方法,分离和提取损伤模式信息,得到三维编织复合材料损伤模式与声发射信号的对应关系,为研究和分析三维编织复合材料的拉伸断裂机理提供了一种新的信号分析方法。最后,根据三维编织复合材料拉伸损伤模式的声发射信号HHT的时频特征,在确定损伤阶段和信号类型的基础上,采用“两步法”进行损伤源定位。“第一步”结合时频分析结果及实验试件的各向异性,对声速进行补偿,采用时差定位法中的四点圆弧法进行初始定位。“第二步”采用概率神经网络,采用混沌搜索中的拥挤度概念对果蝇算法进行改进,优化了概率神经网络中的平滑参数,降低了计算迭代次数,提高了定位精度。
蔡浩聪[9]（2012）在《基于提升小波变换的音膜图像并行处理研究及其在FPGA上的实现》文中研究说明随着计算机技术,数字图像处理技术和微电子技术的发展,机器视觉检测技术得到飞速的发展。机器视觉设备在制造业生产领域发挥更加重要的作用,得到越来越广泛的应用。传统基于PC的机器视觉虽然在数字图像处理算法实现上有一定优势,但其检测速度较慢,限制了流水线上的音膜音质的检测速度,降低了生产效率。针对传统PC机器视觉存在的缺陷,本论文提出了一种基于提升小波变换的音膜图像并行处理方法及其在FPGA上的实现,使用该方法可以精确的提取出音膜图像内外圆的轮廓,并且达到音膜同心度的高速在线实时检测,降低生产成本,提高扬声器的合格率,有利于提高企业的生产效率、经济效益和增强企业的市场竞争力。本文以小型音膜为研究对象,以小波变换为主要的理论基础,以FPGA为算法实现的硬件芯片,主要研究以下几个方面的内容：1、介绍本论文的研究背景、研究意义、音膜检测技术的研究现状和数字图像并行处理技术的研究意义。从中得到现有音膜检测技术的优缺点与数字图像并行处理技术的优势。2、分析小波变换的基础理论知识,包括小波变换的发展历程,以及连续小波变换、离散小波变换、多分辨率分析和Mallat算法等基础理论知识及其应用,重点研究提升小波变换的基本原理、实现步骤和优点。3、提出一种基于提升小波变换的音膜图像内外圆边缘检测算法,对该算法的原理和实现步骤进行详细的讲解,使用Matlab软件验证该边缘检测算法的正确性和效果,并且通过与几个经典边缘检测算法（Sobel算子,Canny算子等）的检测结果进行对比,得到基于提升小波变换的音膜图像内外圆边缘检测算法的优势。4、基于提升小波变换的音膜图像同心度检测算法在FPGA器件上的实现。介绍FPGA数字图像处理技术,实验的软硬件环境,然后对算法各个功能模块的原理、FPGA实现和ModelSim仿真进行了详细的讲解。最后将该算法程序烧写到SEED-XDTK-V4开发板的FPGA中,使用型号为R0810H的音膜进行算法的实物调试和验证,分析最终的处理数据,得到较好的检测结果。
常辉[10]（2002）在《小波变换在套件组装视觉检测中的应用》文中提出随着国民经济和计算机技术的高速发展，计算机视觉已经成为一门内容丰富的综合性学科，它在现代工业、国防、医学、空间技术等领域有着广泛的应用前景。计算机视觉在实际应用中很大程度上依赖于数字图像处理及模式识别技术。本文所叙述的正是基于计算机视觉的课题——小波变换在套件组装视觉检测中的应用，而且，这一课题来源于生产实践。在生产套件产品的流水线上，套件产品的组装可能会出现漏装和错位的情况。为了及时有效地检测出产品组装的错误，在课题中利用小波变换对套件产品图像进行处理，并识别出上述两种组装错误。本文详细叙述了从套件产品的图像输入到最后识别的全部过程。其中，套件组装视觉检测的基本框架如下：第一步，用CCD摄像机将套件产品的彩色图像输入计算机中，以便于进行数字图像处理；第二步，为了使图像处理过程更加简便，将套件产品彩色图像变成灰度图像。另外，为了增强处理的实时性，将灰度图像缩小；第三步，为了减轻光线不均匀对灰度图像造成的影响，对产品图像进行灰度直方图均衡；第四步，构造小波滤波器组，并利用小波滤波器组对产品图像实现二维可分离小波变换；第五步，在小波变换的基础上得到套件产品的梯度图像，然后根据图像梯度模值的极大值提取图像边沿；最后，用一维小波变换提取图像边沿上的犄角点，并利用犄角点之间的联系实现对套件产品的识别。
二、小波变换在套件组装视觉检测中的应用（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、小波变换在套件组装视觉检测中的应用（论文提纲范文）
（1）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 |
（2）阔叶材原木质量应力波精准检测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 木材无损检测技术现状 |
| 1.3 应力波技术木材无损检测现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 存在的问题 |
| 1.5 非平稳信号常用方法分析 |
| 1.5.1 小波分析 |
| 1.5.2 矩分析 |
| 1.6 论文研究内容和方法 |
| 1.6.1 研究内容 |
| 1.6.2 研究方法和路线 |
| 1.7 论文结构安排 |
| 第2章 纵向应力波检测的一维振动理论分析 |
| 2.1 引言 |
| 2.2 一维波动方程 |
| 2.2.1 自由杆的纵向振动 |
| 2.2.2 小阻尼系统自由振动 |
| 2.3 几种典型声信号及其衰减参数比较 |
| 2.4 本章小结 |
| 第3章 基于一阶矩分析和小波变换的阔叶材原木质量分等研究 |
| 3.1 引言 |
| 3.2 声评估参数 |
| 3.2.1 时间中心 |
| 3.2.2 阻尼比 |
| 3.3 基于连续小波变换的阻尼比估计 |
| 3.3.1 连续小波变换 |
| 3.3.2 小波函数的选择 |
| 3.3.3 渐进分析 |
| 3.3.4 小波脊与小波骨架 |
| 3.3.5 瞬时频率与阻尼比估计 |
| 3.4 试验材料与方法 |
| 3.4.1 样品材料 |
| 3.4.2 试验过程 |
| 3.5 多声参数原木质量预测与分等 |
| 3.5.1 基于声速的原木质量分等 |
| 3.5.2 基于时间中心的原木质量分等 |
| 3.5.3 基于阻尼比的原木质量分等 |
| 3.5.4 基于参数ρ/T_c~2的原木质量分等 |
| 3.5.5 基于参数E_d/ξ~2的原木质量分等 |
| 3.5.6 多声参数的原木质量评估 |
| 3.5.7 异常原木分析 |
| 3.6 本章小结 |
| 第4章 基于自回归模型-高阶矩分析的阔叶材原木质量分等研究 |
| 4.1 引言 |
| 4.2 AR模型 |
| 4.2.1 AR模型的参数估计 |
| 4.2.2 AR模型的阶数选择准则 |
| 4.3 谱峭度理论 |
| 4.3.1 峭度 |
| 4.3.2 谱峭度定义与物理解释 |
| 4.3.3 峭度图 |
| 4.4 基于AR-MED的峭度提取与原木质量分等 |
| 4.4.1 最小熵解卷积 |
| 4.4.2 AR-MED的特征参数提取过程 |
| 4.4.3 算例仿真 |
| 4.4.4 基于AR-MED的峭度提取 |
| 4.4.5 基于峭度K_(MED)的原木质量分等 |
| 4.5 基于AR-SK的峭度提取与原木质量分等 |
| 4.5.1 AR-SK的特征参数提取过程 |
| 4.5.2 基于AR-SK的峭度提取 |
| 4.5.3 基于峭度K_(SK)的原木质量分等 |
| 4.6 几种声参数原木质量分等比较 |
| 4.7 本章小结 |
| 第5章 集成一阶矩分析和小波变换的原木缺陷率精准检测方法 |
| 5.1 引言 |
| 5.2 试验材料与方法 |
| 5.2.1 试验样本 |
| 5.2.2 试验过程 |
| 5.3 声信号特征与物理参数分析 |
| 5.3.1 声信号特征分析 |
| 5.3.2 原木物理特征参数 |
| 5.4 多声参数原木内部质量评估 |
| 5.4.1 声速与原木缺陷率定量关系 |
| 5.4.2 时间中心与原木缺陷率定量关系 |
| 5.4.3 阻尼比与原木缺陷率定量关系 |
| 5.4.4 多声参数的原木缺陷率预测模型 |
| 5.4.5 异常原木分析 |
| 5.5 本章小结 |
| 第6章 集成自回归模型与小波谱峭度的原木质量精准检测方法 |
| 6.1 引言 |
| 6.2 原木内部质量精准检测 |
| 6.2.1 基于峭度的原木质量评估 |
| 6.2.2 基于谱峭度的主要缺陷类型识别 |
| 6.2.3 异常原木的谱峭度检测 |
| 6.3 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 攻读学位期间发表的学术论文 |
| 知识产权 |
| 参考文献 |
（3）基于超声导波的钢轨裂纹检测方法研究（论文提纲范文）
| 致谢 |
| 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 钢轨裂纹检测方法研究现状 |
| 1.2.1.1 钢轨裂纹的机器视觉检测方法 |
| 1.2.1.2 钢轨裂纹的物理检测方法 |
| 1.2.2 超声导波检测技术研究现状 |
| 1.2.2.1 超声导波的传播特性研究 |
| 1.2.2.2 超声导波的模态分析方法研究 |
| 1.2.2.3 超声导波模态的激励方法研究 |
| 1.2.2.4 超声导波无损检测技术的研究 |
| 1.2.3 基于超声导波的钢轨裂纹检测方法的关键理论问题 |
| 1.3 论文主要内容及章节安排 |
| 2 钢轨中超声导波的传播特性 |
| 2.1 导波的基本特性 |
| 2.1.1 体波和导波概述 |
| 2.1.2 导波的速度和模态 |
| 2.1.3 导波的频散现象 |
| 2.2 基于三维有限元方法的导波特性及振动响应分析 |
| 2.2.1 钢轨有限元分析的基础理论 |
| 2.2.2 钢轨的建模与三维网格的划分方法 |
| 2.2.3 钢轨中导波模态的频散特性分析 |
| 2.2.4 钢轨的振动响应分析 |
| 2.3 基于半解析有限元方法的导波特性及振动响应分析 |
| 2.3.1 钢轨中超声导波频散曲线的求解 |
| 2.3.2 导波模态的振型分析 |
| 2.3.3 钢轨的振动响应分析 |
| 2.4 钢轨的振动响应计算方法的对比分析 |
| 2.4.1 振动响应计算结果的对比分析 |
| 2.4.2 振动响应求解效率的对比分析 |
| 2.5 本章小结 |
| 3 裂纹检测模态选取方法 |
| 3.1 导波模态的裂纹敏感度评价方法 |
| 3.1.1 模态裂纹区域能量评价指标 |
| 3.1.2 模态裂纹反射强度评价指标 |
| 3.2 不同类型裂纹对模态的作用机理分析 |
| 3.2.1 轨头横向裂纹检测模态 |
| 3.2.1.1 作用机理分析 |
| 3.2.1.2 仿真分析与实验验证 |
| 3.2.2 轨腰纵向裂纹检测模态 |
| 3.2.2.1 作用机理分析 |
| 3.2.2.2 仿真分析与实验验证 |
| 3.2.3 轨底侧面垂向裂纹检测模态 |
| 3.2.3.1 作用机理分析 |
| 3.2.3.2 仿真分析与实验验证 |
| 3.2.4 作用机理分析小结 |
| 3.3 裂纹敏感度评价方法的改进与优化 |
| 3.3.1 裂纹检测的误差分析与修正 |
| 3.3.2 基于导波模态非频散特性评价指标的改进方法 |
| 3.3.3 全断面典型类型裂纹的检测模态的选取 |
| 3.4 本章小结 |
| 4 任意导波模态的激励模式优化方法 |
| 4.1 钢轨中导波模态的图像表示方法 |
| 4.1.1 钢轨图像的表示方法 |
| 4.1.2 模态振型的RGB图像转换方法 |
| 4.2 图形化模态分析方法 |
| 4.2.1 基于K-Means聚类算法的导波模态分类方法 |
| 4.2.2 导波模态的激励方法 |
| 4.2.3 模态激励的数值仿真验证 |
| 4.3 目标模态的最优激励模式 |
| 4.3.1 轨头区域裂纹检测模态的激励 |
| 4.3.2 轨腰区域裂纹检查模态的激励 |
| 4.3.2.1 频率为60kHz的3号模态的激励 |
| 4.3.2.2 频率为60kHz的6号模态的激励 |
| 4.3.3 轨底区域裂纹检测模态的激励 |
| 4.3.3.1 频率为30kHz的4号模态的激励 |
| 4.3.3.2 频率为60kHz的4号模态的激励 |
| 4.3.3.3 频率为60kHz的1号模态的激励 |
| 4.3.4 全断面裂纹检测模态最优激励模式小结 |
| 4.4 本章小结 |
| 5 基于单一模态提取算法的钢轨裂纹检测与定位方法 |
| 5.1 钢轨导波模态辨识方法的可行性分析 |
| 5.1.1 基于时域信号的模态辨识方法 |
| 5.1.2 基于二维傅里叶变换的模态辨识方法 |
| 5.1.3 基于连续小波变换的模态辨识方法 |
| 5.1.4 基于希尔伯特-黄变换的模态辨识方法 |
| 5.2 裂纹的检测及定位方法 |
| 5.2.1 基于激励响应逆变换的模态定量辨识方法 |
| 5.2.2 钢轨中导波的单一模态提取算法 |
| 5.2.2.1 完整钢轨中导波的单一模态提取 |
| 5.2.2.2 有裂纹钢轨中导波的单一模态提取 |
| 5.2.3 钢轨裂纹的检测及定位方法 |
| 5.3 仿真与实验验证 |
| 5.3.1 钢轨裂纹检测数值仿真分析 |
| 5.3.2 短钢轨裂纹检测实验验证 |
| 5.3.3 钢轨焊缝对裂纹检测的影响分析 |
| 5.3.4 扣件对裂纹检测的影响分析 |
| 5.3.5 长钢轨裂纹检测实验验证 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）陀飞轮手表微型擒纵轮的机器视觉检测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状 |
| 1.2.1 机器视觉技术及其发展现状 |
| 1.2.2 机器视觉在目标分类领域的研究现状 |
| 1.3 本文主要工作 |
| 1.4 论文组织结构 |
| 2 微型零件的分类方法 |
| 2.1 SVM+HOG分类方法 |
| 2.1.1 支持向量机概述 |
| 2.1.2 HOG特征概述 |
| 2.1.3 基于HOG特征的SVM分类器分类方法 |
| 2.2 深度学习和卷积神经网络概述 |
| 2.2.1 深度学习概述 |
| 2.2.2 前馈神经网络 |
| 2.2.3 反向传播算法 |
| 2.2.4 激活函数 |
| 2.2.5 过拟合与欠拟合 |
| 2.2.6 卷积神经网络 |
| 2.3 ResNet50 简介 |
| 2.3.1 ResNet概述 |
| 2.3.2 ResNet50 网络结构 |
| 2.3.3 批处理化 |
| 2.4 基于HOG特征的SVM分类器分类实验 |
| 2.4.1 实验数据 |
| 2.4.2 实验环境及参数设置 |
| 2.4.3 实验过程 |
| 2.4.4 实验结果及分析 |
| 2.5 基于ResNet50 的微型零件分类实验 |
| 2.5.1 实验数据 |
| 2.5.2 实验环境及参数设置 |
| 2.5.3 实验方案和过程 |
| 2.5.4 实验结果及分析 |
| 2.6 本章小结 |
| 3 微型擒纵轮表面平整度检测方法 |
| 3.1 图像采集和预处理 |
| 3.1.1 光学方案设计 |
| 3.1.2 图像预处理 |
| 3.1.3 图像去噪方法 |
| 3.1.4 图像去噪实验 |
| 3.2 图像倾斜矫正方法 |
| 3.2.1 基于霍夫变换的倾斜矫正方法 |
| 3.2.2 基于Radon变换的倾斜矫正方法 |
| 3.2.3 实验分析 |
| 3.3 图像边缘检测 |
| 3.3.1 Sobel算子 |
| 3.3.2 LOG算子 |
| 3.3.3 Canny算子 |
| 3.3.4 边缘检测实验 |
| 3.4 阈值分割 |
| 3.4.1 固定阈值法 |
| 3.4.2 最大类间方差法(Otsu) |
| 3.4.3 阈值分割实验 |
| 3.5 亚像素位置计算方法 |
| 3.5.1 基于矩的算法 |
| 3.5.2 基于区域特征的一次曲线模型 |
| 3.5.3 基于区域特征的二次曲线模型 |
| 3.5.4 基于区域特征的三次函数模型 |
| 3.5.5 实验分析 |
| 3.6 投影映射法 |
| 3.7 单位换算关系 |
| 3.8 平整度检测实验 |
| 3.8.1 实验数据 |
| 3.8.2 实验环境 |
| 3.8.3 实验参数 |
| 3.8.4 实验过程 |
| 3.8.5 实验结果与分析 |
| 3.9 本章小结 |
| 4 微型擒纵轮齿长误差检测方法 |
| 4.1 擒纵轮齿长误差检测算法 |
| 4.1.1 偶数齿的齿长误差检测算法 |
| 4.1.2 奇数齿的齿长误差检测算法 |
| 4.2 偶数齿齿长误差检测实验 |
| 4.2.1 实验数据 |
| 4.2.2 实验环境 |
| 4.2.3 实验参数 |
| 4.2.4 实验方案与过程 |
| 4.2.5 实验结果与分析 |
| 4.3 奇数齿齿长误差检测实验 |
| 4.3.1 实验数据 |
| 4.3.2 实验环境 |
| 4.3.3 实验参数 |
| 4.3.4 实验方案与过程 |
| 4.3.5 实验结果与分析 |
| 4.4 本章小结 |
| 5 微型零件检测系统设计 |
| 5.1 系统界面概述 |
| 5.1.1 基础页面 |
| 5.1.2 检测指标页面 |
| 5.2 功能模块概述 |
| 5.2.1 零件分类模块 |
| 5.2.2 各检测指标模块 |
| 5.2.3 自定义页面模块 |
| 5.3 多线程设计 |
| 5.4 本章小结 |
| 6 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间的科研成果 |
| 致谢 |
（5）基于时频分析和图像处理的机械故障特征提取方法研究（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 课题研究现状 |
| 1.2.1 滚动轴承故障诊断的现状 |
| 1.2.2 故障诊断技术现状 |
| 1.2.3 特征提取研究现状 |
| 1.3 滚动轴承故障诊断机理 |
| 1.3.1 滚动轴承的基本结构 |
| 1.3.2 滚动轴承失效形式 |
| 1.3.3 滚动轴承故障特征频率 |
| 1.4 本文的结构安排 |
| 第二章 信号处理相关技术 |
| 2.1 时域分析 |
| 2.1.1 有量纲参数 |
| 2.1.2 无量纲参数 |
| 2.2 时频分析 |
| 2.2.1 傅里叶变换 |
| 2.2.2 短时傅立叶变换 |
| 2.3 小波变换 |
| 2.3.1 小波基函数 |
| 2.3.2 连续小波变换 |
| 2.3.3 离散小波变换 |
| 2.3.4 Mallat多分辨率算法 |
| 2.4 小波去噪 |
| 2.4.1 小波选取与分解层数 |
| 2.4.2 小波阈值去噪 |
| 2.4.2.1 去噪阈值原则 |
| 2.4.2.2 去噪阈值函数 |
| 2.4.2.3 去噪评价标准 |
| 2.5 希尔伯特-黄变换 |
| 2.5.1 Hilbert-Huang变换原理 |
| 2.5.2 经验模态分解 |
| 2.5.3 固有模态函数 |
| 2.5.4 希尔伯特谱分析 |
| 第三章 时频分析在轴承检测中的应用 |
| 3.1 时频分析方法对比 |
| 3.2 小波去噪分析 |
| 3.3 故障特征提取 |
| 3.4 本章小结 |
| 第四章 基于图像处理的故障检测 |
| 4.1 图像灰度化 |
| 4.2 图像去噪分析 |
| 4.2.1 图像噪声分析 |
| 4.2.2 图像去噪 |
| 4.2.3 去噪仿真分析 |
| 4.3 图像增强 |
| 4.4 图像分割 |
| 4.5 边缘检测 |
| 4.6 特征提取 |
| 4.7 本章小结 |
| 第五章 基于时频分析与图像处理的故障特征提取 |
| 5.1 改进阈值去噪 |
| 5.1.1 3s阈值去噪 |
| 5.1.2 模拟去噪对比 |
| 5.2 基于改进EMD的模态混叠问题分析 |
| 5.2.1 模态混叠问题 |
| 5.2.1.1 EEMD方法 |
| 5.2.1.2 CEEMDAN方法 |
| 5.2.1.3 HVD方法 |
| 5.2.2 模拟分析 |
| 5.3 基于HVD与改进小波阈值的故障特征提取 |
| 5.4 图像去噪 |
| 5.4.1 基于小波与高斯滤波对高斯噪声的去噪 |
| 5.4.1.1 高斯滤波 |
| 5.4.1.2 仿真对比 |
| 5.4.2 基于小波与AMF对椒盐噪声的去噪 |
| 5.4.2.1 自适应中值滤波 |
| 5.4.2.2 仿真对比 |
| 5.5 基于Canny的特征参数提取 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 :攻读硕士学位期间研究成果 |
（6）非结构农田环境下的自主作业感知技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 非结构农田环境下农机导航路线检测研究现状 |
| 1.2.2 非结构农田环境下障碍物检测研究现状 |
| 1.3 主要研究内容和章节安排 |
| 1.3.1 论文的研究内容 |
| 1.3.2 论文的章节安排 |
| 第二章 农机环境感知系统设计 |
| 2.1 非结构农田环境下感知系统的总体架构 |
| 2.2 视觉感知模块 |
| 2.2.1 相机模型 |
| 2.2.2 ZED双目相机 |
| 2.2.3 相机标定 |
| 2.3 毫米波雷达探测模块 |
| 2.3.1 SR73F毫米波雷达 |
| 2.3.2 毫米波雷达数据解析 |
| 2.4 主控制器 |
| 2.5 无线通信模块及CAN通信模块 |
| 2.6 本章小结 |
| 第三章 农田图像光照不变特征提取算法的研究 |
| 3.1 Retinex光照模型 |
| 3.2 基于小波变换提取光照不变特征 |
| 3.2.1 离散小波变换 |
| 3.2.2 农田图像多尺度反射模型 |
| 3.2.3 光照不变特征提取 |
| 3.2.4 特征提取算法执行细节 |
| 3.3 基于相机成像模型提取光照不变特征 |
| 3.3.1 构建相机成像模型 |
| 3.3.2 锐化处理 |
| 3.3.3 光照不变特征提取 |
| 3.4 实验与分析 |
| 3.4.1 实验场景 |
| 3.4.2 小波变换提取光照不变特征图质量分析 |
| 3.4.3 相机成像模型提取光照不变特征图质量分析 |
| 3.4.4 农作物航线提取实验 |
| 3.5 本章小结 |
| 第四章 基于支持向量机的图像分割算法的研究 |
| 4.1 算法概述 |
| 4.2 SLIC超像素分割预处理 |
| 4.3 超像素特征提取 |
| 4.3.1 颜色特征的提取 |
| 4.3.2 纹理特征的提取 |
| 4.4 基于支持向量机的农田田埂识别 |
| 4.4.1 支持向量机 |
| 4.4.2 SVM模型训练和预测 |
| 4.5 实验与分析 |
| 4.5.1 实验平台及场景 |
| 4.5.2 特征分析实验 |
| 4.5.3 田埂边界检测实验 |
| 4.6 本章小结 |
| 第五章 视觉和毫米波雷达融合检测障碍物算法的研究 |
| 5.1 雷达数据预处理 |
| 5.1.1 滤除异常信号 |
| 5.1.2 选取有效目标 |
| 5.2 毫米波雷达和视觉融合 |
| 5.2.1 空间融合 |
| 5.2.2 时间融合 |
| 5.3 障碍物尺寸检测 |
| 5.3.1 区域生长图像分割算法 |
| 5.3.2 地面滤除和确定障碍物尺寸 |
| 5.4 实验与分析 |
| 5.4.1 实验平台及场景 |
| 5.4.2 毫米波雷达和视觉空间融合效果验证实验 |
| 5.4.3 障碍物检测实验 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究总结 |
| 6.2 研究创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的学术成果 |
（7）基于纹理分析的皮革划痕检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 研究背景及意义 |
| 1.3 皮革纹理研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 本文研究重点及创新点说明 |
| 1.5 论文组织结构及安排 |
| 第2章 纹理分析方法及皮革划痕检测步骤 |
| 2.1 纹理特点分析 |
| 2.2 纹理分析方法 |
| 2.2.1 统计分析法 |
| 2.2.2 结构分析法 |
| 2.2.3 模型分析法 |
| 2.2.4 信号分析法 |
| 2.3 皮革纹理分析方法选择 |
| 2.4 皮革划痕检测步骤 |
| 2.4.1 皮革图像预处理 |
| 2.4.2 皮革纹理特征分析 |
| 2.4.3 皮革图像分类识别 |
| 2.5 本章小结 |
| 第3章 基于改进LOG算子的图像预处理算法 |
| 3.1 传统的LOG算子图像预处理算法 |
| 3.1.1 基本概念 |
| 3.1.2 传统LOG算子图像预处理算法缺陷分析 |
| 3.2 改进的LOG算子图像预处理算法 |
| 3.2.1 引入尺度参数和角度参数 |
| 3.2.2 计算角度参数和尺度参数 |
| 3.3 仿真实验及主客观评价 |
| 3.4 本章小结 |
| 第4章 皮革纹理分析及分类识别 |
| 4.1 小波变换与灰度共生矩阵 |
| 4.1.1 小波变换 |
| 4.1.2 灰度共生矩阵 |
| 4.2 纹理分析方法的最优参数确定 |
| 4.2.1 灰度共生矩阵最优特征选取 |
| 4.2.2 灰度共生矩阵最优构造因子分析 |
| 4.3 基于支持向量机的皮革划痕分类识别 |
| 4.3.1 支持向量机理论 |
| 4.3.2 训练及测试 |
| 4.4 本章小结 |
| 第5章 实验验证与结果分析 |
| 5.1 实验平台设计 |
| 5.1.1 实验平台设计概述 |
| 5.1.2 实验设备选型 |
| 5.1.3 实验平台搭建 |
| 5.2 皮革划痕检测实验 |
| 5.2.1 皮革图片预处理实验 |
| 5.2.2 皮革特征提取与分类识别实验 |
| 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 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（8）基于声发射时频分析技术的三维编织复合材料损伤源定位方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 论文的研究背景及意义 |
| 1.2 三维编织复合材料的特点及发展 |
| 1.2.1 三维编织复合材料的特点 |
| 1.2.2 三维编织复合材料的发展 |
| 1.2.3 三维编织复合材料的编织工艺 |
| 1.3 国内外复合材料无损检测技术研究现状 |
| 1.3.1 射线检测技术 |
| 1.3.2 超声检测技术 |
| 1.3.3 其他检测技术 |
| 1.3.4 声发射检测技术 |
| 1.3.5 复合材料常用无损检测技术的比较 |
| 1.4 论文的研究路线与组织结构 |
| 第二章 三维编织复合材料的损伤源定位技术基础 |
| 2.1 声发射检测技术 |
| 2.1.1 声发射技术的原理 |
| 2.1.2 声发射波的特征 |
| 2.2 时频分析理论 |
| 2.2.1 时频分析 |
| 2.2.2 解析信号 |
| 2.2.3 瞬时频率 |
| 2.2.4 信号分辨率 |
| 2.3 本章小结 |
| 第三章 三维编织复合材料典型时频分析方法分析与仿真比较 |
| 3.1 时频分析方法理论比较 |
| 3.1.1 短时傅里叶变换 |
| 3.1.2 Wigner-Ville分布 |
| 3.1.3 小波变换 |
| 3.1.4 S变换 |
| 3.1.5 希尔伯特—黄变换 |
| 3.2 时频分析方法的仿真比较 |
| 3.2.1 频率突变信号 |
| 3.2.2 暂态信号 |
| 3.2.3 正弦调频信号 |
| 3.2.4 余弦信号与脉冲信号的合成信号 |
| 3.2.5 模拟声发射合成信号 |
| 3.2.6 仿真比较结论 |
| 3.3 本章小结 |
| 第四章 三维编织复合材料损伤演化识别与HHT分析 |
| 4.1 三维编织复合材料实验试件的制备 |
| 4.1.1 三维编织复合材料实验试件预制件的制备 |
| 4.1.2 三维编织复合材料实验试件预制件的固化 |
| 4.1.3 三维编织复合材料实验试件的尺寸 |
| 4.1.4 三维编织复合材料实验试件的粘贴加强片 |
| 4.2 三维编织复合材料拉伸实验系统的设计 |
| 4.2.1 声发射信号采集系统 |
| 4.2.2 岛津万能材料试验机 |
| 4.3 三维编织复合材料拉伸性能测试 |
| 4.3.1 实验准备 |
| 4.3.2 实验过程 |
| 4.4 三维编织复合材料拉伸实验的力学性能参数分析 |
| 4.4.1 力学性能参数测量 |
| 4.4.2 拉伸应力-应变曲线分析 |
| 4.4.3 三维编织复合材料实验试件的断裂形态分析 |
| 4.5 三维编织复合材料拉伸实验的声发射信号参数分析 |
| 4.5.1 声发射信号参数 |
| 4.5.2 三维编织复合材料拉伸实验的声发射信号参数分析 |
| 4.6 三维编织复合材料拉伸实验声发射信号的HHT分析 |
| 4.6.1 对拉伸实验声发射信号进行经验模态分解 |
| 4.6.2 对拉伸实验声发射信号的 IMF 进行希尔伯特—黄变换 |
| 4.6.3 对拉伸实验声发射信号进行 HHT 边际谱分析 |
| 4.7 本章小结 |
| 第五章 基于“两步法”的三维编织复合材料损伤源定位 |
| 5.1 时差定位技术 |
| 5.1.1 声源定位技术 |
| 5.1.2 一维定位方法 |
| 5.1.3 二维定位方法 |
| 5.1.4 影响声源定位精度因素 |
| 5.2 概率神经网络精确定位 |
| 5.2.1 Bayes分类理论 |
| 5.2.2 两类模式概率神经网络 |
| 5.2.3 多类模式概率神经网络 |
| 5.3 果蝇优化算法 |
| 5.3.1 果蝇优化算法原理 |
| 5.3.2 改进的果蝇优化算法 |
| 5.3.3 改进算法性能分析 |
| 5.4 基于概率神经网络的三维编织复合材料损伤源定位 |
| 5.4.1 概率神经网络训练样本建立 |
| 5.4.2 平滑系数优化 |
| 5.4.3 基于概率神经网络的三维编织复合材料损伤源定位 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来工作与展望 |
| 参考文献 |
| 发表论文和参加科研情况 |
| 附录 |
| 致谢 |
（9）基于提升小波变换的音膜图像并行处理研究及其在FPGA上的实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| Contents |
| 第一章 绪论 |
| 1.1 课题研究背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 章节安排 |
| 第二章 小波变换基础 |
| 2.1 小波变换发展 |
| 2.1.1 从傅里叶(Fourier)变换到小波变换 |
| 2.1.2 小波变换理论发展 |
| 2.2 小波变换理论基础 |
| 2.2.1 连续小波变换 |
| 2.2.2 多分辨率分析 |
| 2.2.3 离散小波变换 |
| 2.2.4 二维小波变换 |
| 2.2.5 Mallat算法 |
| 2.2.6 提升小波变换 |
| 2.3 本章小结 |
| 第三章 基于提升小波变换的音膜图像边缘检测算法 |
| 3.1 几种常用的图像边缘检测方法 |
| 3.1.1 图像边缘特征 |
| 3.1.2 几种经典边缘检测算法 |
| 3.2 提升小波边缘检测方法 |
| 3.2.1 算法基本原理 |
| 3.2.2 音膜图像边缘检测算法设计 |
| 3.3 算法的Matlab仿真及分析 |
| 3.3.1 音膜图像二阶提升小波变换仿真 |
| 3.3.2 几种边缘检测算法Matlab仿真及其结果比较 |
| 3.4 本章小结 |
| 第四章 音膜图像并行处理算法的FPGA实现 |
| 4.1 FPGA数字图像处理技术 |
| 4.2 算法的FPGA总体框架 |
| 4.3 I~2C接口模块的设计与仿真 |
| 4.4 数字图像采集模块设计与仿真 |
| 4.4.1 视频格式转换 |
| 4.4.2 图像像素的坐标 |
| 4.4.3 获取音膜灰度图像 |
| 4.4.4 数字图像采集模块的仿真 |
| 4.5 实时检测产品到位模块设计 |
| 4.6 存储器接口模块设计 |
| 4.7 基于提升小波的音膜内外圆边缘检测模块设计与仿真 |
| 4.7.1 算法的FPGA实现 |
| 4.7.2 ModelSim仿真结果 |
| 4.8 图像结果处理模块设计与仿真 |
| 4.8.1 基于x,y轴投影直方图的同心度检测算法 |
| 4.8.2 音膜数据结果显示窗口设计 |
| 4.8.3 YCrCb转换为RGB |
| 4.9 VGA接口模块设计 |
| 4.10 总工程综合和仿真 |
| 4.11 本章小结 |
| 第五章 实验结果与分析 |
| 5.1 实验平台介绍 |
| 5.1.1 实验硬件环境 |
| 5.1.2 实验软件环境 |
| 5.2 实验结果与数据分析 |
| 5.3 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 攻读硕士学位期间申请的专利 |
| 致谢 |
| 附录 |
（10）小波变换在套件组装视觉检测中的应用（论文提纲范文）
| 第1章 绪论 |
| 1.1 课题背景 |
| 1.2 课题的重要意义 |
| 1.3 课题的创新点 |
| 第2章 数字图像处理基础 |
| 2.1 图像和调色板 |
| 2.2 数字图像处理概述 |
| 2.3 PCX图像文件 |
| 2.4 图像的预处理 |
| 2.5 图像平滑及锐化 |
| 2.6 图像的缩放 |
| 2.7 CCD摄像机 |
| 2.8 实验 |
| 第3章 小波变换基本知识 |
| 3.1 连续小波变换的定义及性质 |
| 3.2 连续小波变换与短时傅里叶变换的比较 |
| 3.3 小波变换的反演及对基本小波的要求 |
| 3.4 几种常用的基本小波 |
| 3.5 离散α，τ栅格下的小波变换 |
| 第4章 多分辨率分析与小波变换 |
| 4.1 多分辨率信号分解的基本概念 |
| 4.2 尺度函数φ（t）与小波函数ψ（t）的重要性质 |
| 4.3 多采样率滤波器组 |
| 第5章 小波变换用于套件产品图像的边缘检测及识别 |
| 5.1 二维小波变换概述 |
| 5.2 二维图像的多分辨率分析 |
| 5.3 小波变换检测信号突变特征基本原量 |
| 5.4 二维小波变换检测图像边沿 |
| 5.5 实验 |
| 5.6 结论 |
| 结束语 |
| 附录： 部分源程序清单 |
| 参考文献 |
| 致谢 |
四、小波变换在套件组装视觉检测中的应用（论文参考文献）
- [1]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)
- [2]阔叶材原木质量应力波精准检测方法研究[D]. 徐锋. 南京林业大学, 2020
- [3]基于超声导波的钢轨裂纹检测方法研究[D]. 邢博. 北京交通大学, 2020(03)
- [4]陀飞轮手表微型擒纵轮的机器视觉检测技术研究[D]. 魏东亮. 杭州师范大学, 2020(02)
- [5]基于时频分析和图像处理的机械故障特征提取方法研究[D]. 任贵粉. 昆明理工大学, 2020(04)
- [6]非结构农田环境下的自主作业感知技术研究[D]. 蔡道清. 上海交通大学, 2020
- [7]基于纹理分析的皮革划痕检测方法研究[D]. 胡光宝. 重庆邮电大学, 2019(02)
- [8]基于声发射时频分析技术的三维编织复合材料损伤源定位方法研究[D]. 丁刚. 天津工业大学, 2017(01)
- [9]基于提升小波变换的音膜图像并行处理研究及其在FPGA上的实现[D]. 蔡浩聪. 广东工业大学, 2012(11)
- [10]小波变换在套件组装视觉检测中的应用[D]. 常辉. 武汉理工大学, 2002(02)