一、IMAGE ANALYSIS BASED ON EDGE DETECTION TECHNIQUES（论文文献综述）
杨铮,贺骁武,吴家行,王需,赵毅[1]（2022）在《面向实时视频流分析的边缘计算技术》文中研究表明实时视频流分析在智能监控、智慧城市、自动驾驶等场景中具有重要价值.然而计算负载高、带宽需求大、延迟要求严等特点使得实时视频流分析难以通过传统的云计算范式进行部署.近年来兴起的边缘计算范式,将计算任务从云端下沉到位于网络边缘的终端设备和边缘服务器上,能够有效解决上述问题.因此,许多针对实时视频流分析的边缘计算研究逐渐涌现.本文首先介绍了智能视频流分析和边缘计算的背景知识,以及二者结合的典型应用场景;接着提出了现有系统所关注的衡量指标和面临的挑战;然后从终端设备层次、协作层次、边缘/云层次对本领域的关键技术分别进行了详细的介绍,重点涉及了模型压缩和选择、本地缓存、视频帧过滤、任务卸载、网络协议、隐私保护、查询优化、推理加速和边缘缓存技术.基于对上述各项核心技术的有机整合,本文提出了基于边缘计算的视频大数据智能分析平台Argus,从数据采集、推理分析,到数据挖掘、日志管理,对实时视频流分析全生命周期提供支持,并成功应用到智慧油田中.最后,本文讨论了本领域尚待解决的问题和未来研究方向,希望为今后的研究工作提供有益参考.
任维佳,杜玉红,左恒力,袁汝旺[2]（2021）在《棉花中异性纤维检测图像分割和边缘检测方法研究进展》文中指出为进一步提高棉花中异性纤维的检测效率,对异性纤维图像处理方法进行探究。通过分析不同异性纤维图像边缘检测方法的定位精度、背景模糊以及受噪声影响情况发现,不同图像分割方法中异性纤维边缘连续性和分割效果存在差异性。统计了常见异性纤维图像边缘检测法和图像分割方法,分析了各类处理方法的优势和局限性,归纳了适用于各类异性纤维的检测方法,总结了现有研究中存在的问题和不足。研究认为:目前对不同种类异性纤维检测适用的图像处理方法不同,还无法同时检测出全部种类的异性纤维;应根据实践中具体异性纤维的种类、含量、物理特性等选择适合的检测算法并进行算法融合,开发普适性好的算法以降低成本和减少计算量。
陈浩,任奕林,欧阳家乐,陈佃贞,王浩杰,徐洋[3]（2021）在《大田经济作物性状研究中的图像分割技术应用》文中指出大田经济作物在我国占有重要地位,其性状研究在机械化生产收获过程中至关重要,直接影响到生产效率和产品质量,数字图像技术的引入不仅为其性状研究带来高效的解决方案,更显示出广阔的应用前景。综合分析了近年来不断改进的图像分割方法,将其分成传统分割方法和结合特定工具的图像分割算法两大类,重点介绍了传统分割方法中基于阈值的分割方法和基于边缘检测的分割方法两种流行算法,结合特定理论工具的图像分割算法中的小波分析变换、遗传算法、主动轮廓模型、聚类算法、深度学习方法等6种方法,并对各大类算法中使用的各种图像分割方法进行归纳总结,列举其在油菜、棉花、大豆和花生等经济作物性状研究中的应用,同时对遗传算法、主动轮廓模型、聚类算法和深度学习中的Fast R-CNN算法添加技术框架图。最后对图像分割技术在大田经济作物中应用存在的主要问题进行分析并提出展望。
陈晴[4]（2021）在《面向建筑设施的履带式机器人自动化巡检关键技术研究》文中指出随着城市化进程不断推进,包括管廊、隧道和大型库房等功能性建筑设施已成为了现代城市的基本组成部分,并由于这些建筑设施功能的基础性和普惠性,一旦其结构出现缺陷和病变而造成功能失效,必将严重影响城市的正常运转和市民的正常生活。因此,对这些建筑设施健康状况全天候无死角地监控一直以来受到业界的普遍重视,并形成了以移动巡检为主体的监控技术体系,重点发展了基于移动机器人的自动化巡检技术手段,有效解决了建筑设施分布面广、内部结构复杂、缺陷病变多样、工作环境恶劣等所带来的挑战。但是,目前基于移动机器人的自动化巡检技术还存在机器人爬行运动、自主导航以及缺陷病变视觉检测等能力有限的问题,必须予以突破。基于以上背景,本文提出开展面向建筑设施的履带式机器人自动化巡检关键技术研究,在了解国内外建筑设施机器人巡检相关技术研究现状及其发展趋势的基础上,确定建筑设施履带式机器人自动化巡检总体技术方案,完成履带式机器人机械本体的设计,重点解决履带式机器人运动控制与定位导航及建筑设施结构与裂缝视觉检测等关键技术,并实现系统的集成。同时,还开展实验研究以验证本文所研发技术的可行性和有效性。主要研究工作体现在:第一章,论述了论述建筑设施应用及其巡检技术研究的重要意义,系统总结了国内外建筑设施机器人自动化巡检相关技术的研究现状及其发展趋势,分析了当前建筑设施机器人自动化巡检技术所存在的问题及相应的对策,明确了论文的研究方向。同时,还对论文的研究内容及其章节进行了安排。第二章,分析移动机器人运动学建模、自主定位与导航以及机器视觉相关理论,为履带式机器人运动控制与定位导航算法及建筑设施结构与裂缝视觉检测算法的研究奠定必要的理论基础。同时,在明确面向建筑设施的履带式机器人自动化巡检系统功能与性能目标的基础上,完成了系统总体方案的设计,并凝练了有待解决的关键技术。第三章,开展履带式机器人运动控制与定位导航技术研究。在建立摆臂履带式机器人运动学模型和各类传感器数学模型的基础上,结合彩色相机、深度相机及IMU等多传感器信息,采用图像对齐与基于直接直线检测法和Sobel边缘检测算法的楼梯结构参数检测方法,提出了一种基于多信息融合的自动化爬梯技术。同时,使用扩展卡尔曼滤波融合里程计与IMU信息,改善履带式机器人的定位导航性能。第四章,开展建筑设施结构与裂缝的机器视觉检测技术研究。在建立相机数学模型的基础上,采用SIFT特征点匹配和运动恢复结构方法,引入滤光处理,根据机器人巡检过程中获得的图片进行结构重建,获得建筑设施内部结构的点云图。同时,使用改进的U-Net神经网络对采集图像进行处理,实现了建筑设施结构裂缝的检测。第五章,基于上述各章节所研发的理论与技术成果,采用分布式体系结构、模块化设计策略,在完成关键软硬件模块研发的基础上,进行了系统集成,研发出一套面向建筑设施的履带式机器人自动化巡检系统。同时,使用该系统进行履带式机器人的楼梯爬行、自主定位与导航及建筑设施结构与裂缝机器视觉成像检测等实验研究,以证实本文研发技术与系统的可行性和有效性。第六章,对全文的研究内容进行总结,对此后进一步深入研究进行展望。
臧颖[5]（2021）在《基于边缘感知的图像语义分割算法的研究》文中进行了进一步梳理图像语义分割是计算机视觉中的基础任务,应用广泛。大多数现有方法通过获取丰富的上下文信息,聚合类内特征,生成语义分割的稠密预测。然而,基于上下文聚合的方法,忽略了边缘区域像素稀疏、特征不显着,导致边缘区域的分割效果不佳。之前已经存在一些方法,通过强调边缘信息来解决边缘区域分割不准确的问题,像使用注意力机制、额外的边缘辅助、将边缘作为附加类别等。但是,这些方法通常需要增加大量计算开支、对语义分割的辅助缺少有效交互或者相关性不够。本文提出了基于边缘感知的图像语义分割方法,对语义分割和边缘检测任务分别建模,使用相关性更强的语义边缘检测任务作为辅助任务,并创新性利用置信概率图融合两类任务的信息,为图像不同区域分配不同的融合强度,降低显着的物体内部特征对边缘区域特征的影响。此外,从语义分割信息中推理边缘信息,再和边缘检测任务输出的预测结果结合,针对结合后的边缘信息计算对应的损失,通过这种方式,一方面增加任务内部一致性约束,另一方面,帮助语义边缘检测任务抑制非边缘噪声,得到质量更高的辅助信息,从而提升整体的语义分割表现。本文在多个公开数据集上实验,实验结果显示,本文工作能够改善边缘区域的分割效果,提升图像语义分割结果。
唐寒冰,巢渊,刘文汇,马成霞[6]（2021）在《基于机器视觉的大尺寸零件测量方法研究综述》文中认为随着工业化水平的不断提高,基于机器视觉的大尺寸零件测量技术成为研究的热点。首先阐述了机器视觉测量技术的研究背景以及国内外研究现状,指出目前视觉测量研究的难点,提倡通过研究图像处理算法来提高测量精度和效率。其次,对视觉测量中广泛运用的边缘检测技术进行了调研分析,其主要采用粗精定位相结合的边缘检测算法,并重点分析了精确边缘定位中的亚像素边缘检测算法。接着,对大尺寸零件测量中所用到的图像拼接技术进行了调研分析,该技术所应用的图像配准主要基于区域和特征两类方法,并分析了两类方法的优势与不足。最后,总结了大尺寸零件测量方法的特点与局限性,并指出未来进一步探索的方向。
田峰[7]（2021）在《链轮毛刺检测方法与几何参数测量技术研究》文中研究说明近些年,基于机器视觉的检测技术逐渐成熟,其具备无损伤、高精度、高效率等优点,在零件的几何测量和缺陷检测中得到广泛应用。由于链轮毛刺位置的特殊性以及与周围环境的相似性,传统的图像处理方法对毛刺检测并不能取得很好的效果,故本文采用深度学习的方法对链轮的毛刺进行检测。由于直接针对链轮尺寸检测的研究相对较少,本文通过借鉴基于机器视觉的齿轮检测方法,实现了三排链轮几何参数的测量。研究的主要工作有:完成视觉检测平台的搭建,具体包括相机和镜头的选型、光源类型以及打光方式;对采集的图片进行了预处理操作,增强图片的质量并提高图片后续处理的速度;对图片进行畸变校正,降低镜头畸变对检测精度的影响。毛刺是链轮机械加工中不可避免的缺陷之一,本文基于YOLO v3框架改进了链轮毛刺检测算法。通过调整残差网络层数和优化网络结构的方法,使改进后网络的性能得到进一步优化,提高了检测效率。实验结果表明,与原YOLO v3网络相比,改进后的网络具有更高的检测精度,达到了 96.41%,比原v3网络提高了 0.73%;改进后的网络大小减少了 1/4,约为161M;改进后的网络检测速度比原v3网络提升了近2倍,达到了 0.42s/张。通过重复性检测实验,改进的网络对链轮毛刺的检测具有较稳定的性能。通过机器视觉的方法完成对链轮几何参数的测量。首先,通过掩膜法得到链轮的齿数;其次,利用优化的Hough圆检测算法得到两个端面的毂孔圆的直径和中心坐标;然后,采用改进的Zernike矩亚像素边缘检测算法提取齿廓边缘,具体为先采用改进八邻域边缘跟踪进行粗定位,后采用Zernike矩进行精定位,再计算齿廓到毂孔圆中心点的距离,进而得到齿顶圆与齿根圆的大小;接着,通过最小二乘法拟合链轮齿槽圆弧并得到其中心坐标,进而计算出节距角;最后,随机采集20张图片,通过计算链轮的相关参数,并验证本测量系统的可靠性。实验结果表明,本测量结果符合链轮的检测要求。
龙天增[8]（2021）在《基于视觉的倾斜姿态圆柱外螺纹检测研究》文中认为螺纹联接被广泛应用于各种机械、电子等工业产品,传统的螺纹检测依靠人员操作量规等工具,容易出现人员疲劳、工具磨损等问题,进而导致检测不准确。基于机器视觉及图象处理技术的螺纹检测,虽然可以避免上述问题,但是仍存在不足之处,本文针对圆柱外螺纹视觉检测中,螺纹轴线在相对于相机光心轴线一般倾斜姿态时,圆柱外螺纹图像牙型发生失真的现象,根据螺纹投影机理推导倾斜姿态圆柱外螺纹理论牙型投影曲线方程,利用该理论牙型投影曲线和轴截面理论牙型线的差值修正圆柱外螺纹图像牙型,并搭建了一套机器视觉检测系统,验证了对螺纹图像牙型修正的正确性,本文主要研究了以下内容:（1）深入分析螺纹视觉检测方法和国内外螺纹检测的研究现状,对视觉检测时圆柱外螺纹轴线的任意姿态进行探究,根据圆柱外螺纹成像机理得出螺纹轴线倾斜导致圆柱外螺纹牙型图像牙型失真变化,并分析圆柱外螺纹图像牙型失真对螺纹各参数检测结果的影响,因而提出倾斜姿态的圆柱外螺纹图像修正检测方案。（2）根据普通螺纹基本牙型（GB/T 192-2003）对圆柱外螺纹螺旋曲面建模,分析螺纹轴线存在倾角时圆柱外螺纹投影的过程,推导出倾斜姿态圆柱外螺纹牙型投影曲线方程、倾斜姿态圆柱外螺纹牙型投影曲线与轴截面理论牙型线之间的差值方程,建立倾斜姿态圆柱外螺纹图像牙型修正算法。（3）对实际检测中采集的圆柱外螺纹图像进行预处理操作;通过边缘提取算法从圆柱外螺纹图像中提取牙型边界的像素点,筛选像素点作为圆柱外螺纹图像牙型边界点,结合倾角利用圆柱外螺纹图像牙型修正算法对边界点修正,将修正后的边界点拟合出牙型线,设计测量各项螺纹参数的具体方法。（4）搭建圆柱外螺纹图像牙型修正检测平台;对M8的圆柱外螺纹工件进行测量并分析,检测结果验证了本文中提出的倾斜姿态圆柱外螺纹图像牙型修正算法的正确性,证明了本文的基于圆柱外螺纹图像牙型修正的视觉检测系能够提高检测准确度。
唐波[9]（2021）在《基于图像处理的冷轧板形检测方法研究》文中认为钢材作为最基础的生产原材料,在我们的国民经济和社会发展中扮演着重要角色。各个行业不仅对钢材等金属原材料的需求量急剧增加,对于钢材的精度要求也越来越高,尤其对于板材的横向和纵向厚度的精度要求提高。针对冷轧带钢工业现场的板形检测与控制的需求,提出一种基于图像传感器的板形检测方案,在合理的位置安装激光器与图像传感器,使激光器发出的线激光能够照射到带钢上,图像传感器能够拍摄到带钢以及线激光的反射光线。最终通过图像处理手段得到板形信息。本文对常见的多种板形检测方案从检测原理与方法上进行分析,并比较其优势与不足。结合现场实际情况选择基于图像处理的非接触式的板形检测方案。在图像预处理过程中,利用色彩空间转换、提取兴趣区域、双边高斯滤波、图像增强等方法对图像进行预处理操作。对比了多种图像边缘检测算法,在优先考虑算法性能的基础上,选择利用Canny算法检测激光线边缘位置,作为激光线结构光中心位置检测的参考范围,同时计算得到了激光线的宽度。同时对传统灰度重心法进行改进,最终使用基于边缘检测结果的灰度重心法计算得到激光线中心位置。采用了霍夫直线检测算法,准确检测得到带钢的边缘位置。缩小了带钢板形检测的范围,提高了板形检测的精度。最终利用激光线的中心位置计算得到带钢板形信息。并还原出实时的带钢板形状态,实验结果表明通过该方法对带钢进行板形检测能够得到准确的板形信息,为进一步实现板形的精准控制奠定了基础。
任继亭,李尉[10]（2021）在《海天线检测方法综述》文中指出海天线是无人艇利用视觉技术感知周围环境的重要因素。准确的海天线检测可以将海天区域准确地划分,对无人艇在海面上的安全航行和水面目标检测具有重要作用。复杂的海面环境一直是影响海天线准确检测的重要因素。本文对在复杂的海天背景下海天线的检测方法做了阐述。
二、IMAGE ANALYSIS BASED ON EDGE DETECTION TECHNIQUES（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、IMAGE ANALYSIS BASED ON EDGE DETECTION TECHNIQUES（论文提纲范文）
（1）面向实时视频流分析的边缘计算技术（论文提纲范文）
| 1 引言 |
| 1.1 相关调研和综述 |
| 1.2 本文贡献 |
| 2 背景介绍 |
| 2.1 视频分析流程 |
| 2.2 边缘计算架构 |
| 2.3 应用场景 |
| 2.3.1 安防监控 |
| 2.3.2 交通分析 |
| 2.3.3 增强现实 |
| 2.3.4 无人机搜救 |
| 2.3.5 可穿戴认知辅助 |
| 3 目标与挑战 |
| 3.1 关键指标 |
| 3.2 主要挑战 |
| 4 关键技术 |
| 4.1 终端设备层次 |
| 4.1.1 模型压缩 |
| 4.1.2 模型选择 |
| 4.1.3 本地缓存 |
| 4.1.4 视频帧过滤 |
| 4.1.5 小结 |
| 4.2 协作层次 |
| 4.2.1 任务卸载 |
| 4.2.2 网络协议 |
| 4.2.3 隐私保护 |
| 4.2.4 小结 |
| 4.3 边缘/云层次 |
| 4.3.1 查询优化 |
| 4.3.2 推理加速 |
| 4.3.3 边缘缓存 |
| 4.3.4 小结 |
| 5 Argus视频大数据智能分析平台 |
| 6 未来研究方向 |
| 6.1 终端设备层次:模型性能预测 |
| 6.2 协作层次:网络特性支持 |
| 6.3 边缘/云层次:模型持续学习 |
| 6.4 系统应用:通用测试平台 |
| 7 总结 |
（2）棉花中异性纤维检测图像分割和边缘检测方法研究进展（论文提纲范文）
| 1 基于图像处理异性纤维检测系统 |
| 2 异性纤维图像边缘检测方法 |
| 2.1 基于Roberts边缘检测方法 |
| 2.2 基于Prewitt边缘检测方法 |
| 2.3 基于Sobel边缘检测方法 |
| 2.4 基于Kirsch边缘检测方法 |
| 2.5 基于Canny边缘检测方法 |
| 2.6 基于Laplacian边缘检测方法 |
| 2.7 基于LOG边缘检测方法 |
| 3 异性纤维图像检测分割方法 |
| 3.1 基于阈值分割的检测方法 |
| 3.1.1 基于Otsu阈值分割的检测方法 |
| 3.1.2 其他阈值分割检测方法 |
| 3.2 基于边缘特征分割的检测方法 |
| 3.3 基于纹理特征分割的检测方法 |
| 4 不同检测方法研究现状分析 |
| 5 结束语 |
（3）大田经济作物性状研究中的图像分割技术应用（论文提纲范文）
| 1 大田经济作物图像处理技术 |
| 2 传统图像分割方法 |
| 2.1 基于阈值的分割方法 |
| 2.2 基于边缘检测的分割方法 |
| 3 结合特定理论工具的图像分割算法 |
| 3.1 基于小波分析变换的图像分割方法 |
| 3.2 基于遗传算法的图像分割方法 |
| 3.3 基于主动轮廓模型的图像分割方法 |
| 3.4 基于聚类的图像分割方法 |
| 3.5 基于深度学习的图像分割方法 |
| 3.5.1 基于特征编码分割方法 |
| 3.5.2 基于上采样/反卷积的分割方法 |
| 3.5.3 基于MRF的分割方法 |
| 4 展望 |
（4）面向建筑设施的履带式机器人自动化巡检关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 巡检技术是建筑设施建康状况有效监测的重要手段 |
| 1.1.2 建筑设施移动机器人自动化巡检技术成为研究热点 |
| 1.2 建筑设施机器人自动化巡检相关技术研究现状及其发展趋势 |
| 1.2.1 移动机器人及其应用的研究现状与发展趋势 |
| 1.2.2 建筑设施视觉检测技术的研究现状与发展趋势 |
| 1.2.3 建筑设施机器人自动化巡检所面临的挑战 |
| 1.3 研究内容和章节安排 |
| 第二章 建筑设施机器人自动化巡检技术基础及其系统总体方案 |
| 2.1 引言 |
| 2.2 建筑设施机器人自动化巡检技术基础 |
| 2.2.1 移动机器人相关基础 |
| 2.2.2 机器视觉相关基础 |
| 2.3 建筑设施机器人自动化巡检系统总体方案 |
| 2.3.1 巡检系统的技术方案 |
| 2.3.2 亟待解决的关键技术 |
| 2.4 本章小结 |
| 第三章 履带式机器人运动控制与定位导航技术 |
| 3.1 引言 |
| 3.2 履带式机器人的运动与爬梯控制 |
| 3.2.1 履带式机器人的运动控制 |
| 3.2.2 履带式机器人的爬梯控制 |
| 3.3 履带式机器人的自主定位与导航 |
| 3.3.1 基于多信息融合的导航地图构建 |
| 3.3.2 基于多信息融合的机器人自主定位与导航 |
| 3.4 本章小结 |
| 第四章 建筑设施结构与裂缝的机器视觉检测技术 |
| 4.1 引言 |
| 4.2 建筑设施结构的机器视觉检测 |
| 4.2.1 建筑设施结构的机器视觉成像 |
| 4.2.2 建筑设施结构视觉图像的重建 |
| 4.3 建筑设施裂缝的机器视觉检测 |
| 4.3.1 U-Net神经网络模型的改进 |
| 4.3.2 训练损失函数与参数的确定 |
| 4.4 本章小结 |
| 第五章 面向建筑设施的履带式机器人自动化巡检系统 |
| 5.1 引言 |
| 5.2 系统研发 |
| 5.2.1 硬件部分 |
| 5.2.2 软件部分 |
| 5.2.3 系统集成 |
| 5.3 实验研究 |
| 5.3.1 履带式机器人的楼梯爬行实验 |
| 5.3.2 履带式机器人的自主定位与导航实验 |
| 5.3.3 建筑设施结构与裂缝的机器视觉检测实验 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
（5）基于边缘感知的图像语义分割算法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和研究意义 |
| 1.2 研究现状 |
| 1.3 研究难点 |
| 1.4 本文研究内容和贡献 |
| 1.5 本文结构安排 |
| 第2章 相关工作概述 |
| 2.1 深度学习下的语义分割 |
| 2.1.1 卷积神经网络 |
| 2.1.2 语义分割基本原理和做法 |
| 2.1.3 空洞空间金字塔池化 |
| 2.2 边缘感知相关技术 |
| 2.2.1 边缘检测 |
| 2.2.2 辅助模式 |
| 2.3 多任务学习 |
| 2.4 本章小结 |
| 第3章 基于边缘感知的图像语义分割方法 |
| 3.1 引言 |
| 3.2 网络结构 |
| 3.2.1 特征提取结构 |
| 3.2.2 语义边缘预测结构 |
| 3.2.3 特征融合 |
| 3.2.4 SGF结构 |
| 3.3 损失函数 |
| 3.3.1 语义分割损失 |
| 3.3.2 边缘检测损失 |
| 3.4 本章小结 |
| 第4章 实验与分析 |
| 4.1 实验设置 |
| 4.1.1 实验环境 |
| 4.1.2 数据集 |
| 4.1.3 学习率和训练设置 |
| 4.1.4 评价指标 |
| 4.2 实验结果和分析 |
| 4.2.1 训练细节 |
| 4.2.2 消融实验 |
| 4.2.3 与现有工作的对比 |
| 4.3 网络效果可视化 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
（6）基于机器视觉的大尺寸零件测量方法研究综述（论文提纲范文）
| 0 引 言 |
| 1 国内外视觉测量技术研究 |
| 2 图像处理关键技术研究现状与应用 |
| 2.1 边缘检测技术 |
| 2.2 图像拼接技术 |
| 3 结 论 |
（7）链轮毛刺检测方法与几何参数测量技术研究（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 国内外链轮检测研究现状 |
| 1.2.1 链轮毛刺检测 |
| 1.2.2 链轮的几何参数测量 |
| 1.3 论文主要研究内容 |
| 1.4 本章小结 |
| 第2章 链轮检测需求分析及视觉平台构建 |
| 2.1 链轮检测要求 |
| 2.2 视觉检测硬件平台 |
| 2.3 链轮图像预处理 |
| 2.4 相机标定 |
| 2.5 本章小结 |
| 第3章 链轮毛刺检测算法 |
| 3.1 YOLO系列目标检测算法 |
| 3.2 链轮毛刺检测算法模型 |
| 3.2.1 先验框数目K的确定 |
| 3.2.2 网络结构改进 |
| 3.3 实验准备和分析 |
| 3.3.1 数据集制作与环境配置 |
| 3.3.2 网络训练过程 |
| 3.3.3 网络评价指标 |
| 3.3.4 不同主干网络对比 |
| 3.4 链轮毛刺检测实验 |
| 3.4.1 实验结果分析 |
| 3.4.2 毛刺检测界面设计 |
| 3.5 本章小结 |
| 第4章 链轮边缘提取和参数测量实验 |
| 4.1 链轮边缘提取算法 |
| 4.1.1 整像素提取 |
| 4.1.2 亚像素提取 |
| 4.1.3 本文改进算法 |
| 4.2 链轮基本参数获取 |
| 4.2.1 链轮的参数 |
| 4.2.2 链轮中心定位 |
| 4.2.3 齿数z的确定 |
| 4.2.4 节距角 |
| 4.3 链轮参数测量实验 |
| 4.3.1 测量结果 |
| 4.3.2 测量误差与分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
（8）基于视觉的倾斜姿态圆柱外螺纹检测研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 螺纹检测研究现状 |
| 1.2.1 传统螺纹检测方法研究现状 |
| 1.2.2 螺纹视觉检测研究现状 |
| 1.3 机器视觉技术概述 |
| 1.4 课题研究内容 |
| 1.5 本章小结 |
| 2 圆柱外螺纹视觉检测分析 |
| 2.1 圆柱外螺纹轴线姿态分析 |
| 2.1.1 圆柱外螺纹轴线任意姿态探究 |
| 2.1.2 螺纹轴线任意姿态描述 |
| 2.2 圆柱外螺纹成像研究 |
| 2.2.1 成像机理探究 |
| 2.2.2 图像牙型失真与修正定义 |
| 2.2.3 图像牙型失真影响 |
| 2.3 倾斜姿态圆柱外螺纹检测方案 |
| 2.4 本章小节 |
| 3 倾斜姿态圆柱外螺纹理论牙型研究 |
| 3.1 圆柱外螺纹螺旋曲面建模 |
| 3.2 圆柱外螺纹轴截面理论牙型线方程 |
| 3.3 圆柱外螺纹牙型投影曲线 |
| 3.3.1 倾斜姿态圆柱外螺纹投影分析 |
| 3.3.2 倾斜姿态圆柱外螺纹牙型投影曲线方程 |
| 3.4 倾斜姿态圆柱外螺纹图像牙型修正研究 |
| 3.4.1 倾斜姿态圆柱外螺纹图像牙型修正算法 |
| 3.4.2 倾斜姿态圆柱外螺纹图像牙型修正算法仿真 |
| 3.5 本章小结 |
| 4 倾斜姿态圆柱外螺纹实际图像牙型检测研究 |
| 4.1 圆柱外螺纹图像预处理 |
| 4.1.1 图像增强与滤波 |
| 4.1.2 图像边缘检测 |
| 4.1.3 形态学处理 |
| 4.2 圆柱外螺纹图像牙型轮廓修正 |
| 4.2.1 图像边界点提取 |
| 4.2.2 图像边界点修正 |
| 4.2.3 圆柱外螺纹图像牙型线拟合 |
| 4.3 圆柱外螺纹参数测量算法研究 |
| 4.3.1 大径和小径的测量 |
| 4.3.2 中径和螺距的测量 |
| 4.3.3 牙型角的测量 |
| 4.4 本章小结 |
| 5 倾斜姿态圆柱外螺纹检测实验 |
| 5.1 视觉检测平台搭建 |
| 5.1.1 图像采集系统 |
| 5.1.2 光照系统 |
| 5.1.3 软件系统 |
| 5.2 视觉检测平台标定 |
| 5.3 倾斜姿态圆柱外螺纹测量 |
| 5.4 视觉测量系统其它误差来源 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 工作与总结 |
| 6.2 下一步研究设想 |
| 参考文献 |
（9）基于图像处理的冷轧板形检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 冷轧带钢的板形特点 |
| 1.2.1 主要板形缺陷形式 |
| 1.2.2 带钢平直度评价指标 |
| 1.3 板形检测国内外研究进展 |
| 1.3.1 接触式板形仪 |
| 1.3.2 非接触式板形仪 |
| 1.4 本文研究内容 |
| 2 复杂工业环境下预处理方法 |
| 2.1 现场环境光处理 |
| 2.2 图像色彩空间 |
| 2.2.1 RGB色彩空间 |
| 2.2.2 灰度颜色空间 |
| 2.3 图像旋转与感兴趣区域提取 |
| 2.4 图像滤波 |
| 2.4.1 均值滤波 |
| 2.4.2 中值滤波 |
| 2.4.3 传统高斯滤波 |
| 2.4.4 双边高斯滤波 |
| 2.4.5 图像滤波算法比较分析 |
| 2.5 图像增强方法 |
| 2.5.1 直方图均衡化 |
| 2.5.2 对比度拉升 |
| 2.5.3 图像归一化过程 |
| 2.6 图像二值化 |
| 2.7 本章小结 |
| 3 边缘检测技术分析 |
| 3.1 Sobel算子 |
| 3.2 Roberts交叉微分算子 |
| 3.3 Prewitt算子 |
| 3.4 Laplacian算子 |
| 3.5 Canny算法 |
| 3.6 边缘检测算法比较分析 |
| 3.7 本章小结 |
| 4 线结构光中心提取算法 |
| 4.1 基于边缘检测结果的几何中心法 |
| 4.2 灰度最大值法 |
| 4.3 灰度重心法 |
| 4.3.1 全局灰度重心法 |
| 4.3.2 基于边缘检测结果的灰度重心法 |
| 4.4 算法比较分析 |
| 4.5 本章小结 |
| 5 冷轧带钢板形信息 |
| 5.1 计算带钢位置数据 |
| 5.2 计算激光宽度数据 |
| 5.3 计算板形信息 |
| 5.4 本章小结 |
| 6 实验数据验证及分析 |
| 6.1 实验数据现场显示 |
| 6.2 实验检测结果与实际板形对比 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 致谢 |
| 参考文献 |
四、IMAGE ANALYSIS BASED ON EDGE DETECTION TECHNIQUES（论文参考文献）
- [1]面向实时视频流分析的边缘计算技术[J]. 杨铮,贺骁武,吴家行,王需,赵毅. 中国科学:信息科学, 2022(01)
- [2]棉花中异性纤维检测图像分割和边缘检测方法研究进展[J]. 任维佳,杜玉红,左恒力,袁汝旺. 纺织学报, 2021
- [3]大田经济作物性状研究中的图像分割技术应用[J]. 陈浩,任奕林,欧阳家乐,陈佃贞,王浩杰,徐洋. 广东农业科学, 2021
- [4]面向建筑设施的履带式机器人自动化巡检关键技术研究[D]. 陈晴. 浙江大学, 2021(02)
- [5]基于边缘感知的图像语义分割算法的研究[D]. 臧颖. 浙江大学, 2021(02)
- [6]基于机器视觉的大尺寸零件测量方法研究综述[J]. 唐寒冰,巢渊,刘文汇,马成霞. 电子测量技术, 2021
- [7]链轮毛刺检测方法与几何参数测量技术研究[D]. 田峰. 扬州大学, 2021(02)
- [8]基于视觉的倾斜姿态圆柱外螺纹检测研究[D]. 龙天增. 浙江大学, 2021(02)
- [9]基于图像处理的冷轧板形检测方法研究[D]. 唐波. 西安理工大学, 2021(01)
- [10]海天线检测方法综述[J]. 任继亭,李尉. 青岛远洋船员职业学院学报, 2021(02)