基于分类技术的产品质量检测【字数：10541】
摘 要随着人工智能和现代化自动工业生产的发展，产品的生产效率高速提升，传统的人工检测面临着检测效能低下，遗漏率、误检率较高等问题，对于产品的质量检测的需求，机器视觉的发展及应用填补了人们对产品的生产效率和质量的高要求。通过对视觉检测技术的相关理论和关键技术进行了一些相对深刻的研究，构建了一个关于数字图像处理，非线性分类器-支持向量机的模式识别方式的图像识别检测的产品质量检测系统及相关算法。首先，本文介绍机器视觉识别的背景以及现存的有关技术，提出主要研究对象，总结主要的问题难点，即图像识别分类器模块、以及图像采集系统检测模块进而提出系统的整体设计方案。其次，进行研究图像的处理算法，这些算法作为视觉检测系统输入输出的核心部分。提出了基于非线性分类器的检测系统分类器，以及分类器的训练方法和模式识别。最后对产品检测系统以及使用实际的数据对其进行训练和测试验证，证明本文基于非线性分类技术-非线性支持向量机（SVM）模式识别方案可行，其对产品质量检测在精度、速度，扩展性方面具有较大优势，有很好的发展空间。
目 录
第一章 绪论 1
1.1研究背景和意义 1
1.2机器识别的发展和研究现状 1
1.3 论文的研究内容与目标 2
1.4 论文章节安排 2
第二章 图像处理 4
2.1图像识别的定义 4
2.2 图像识别开发的基本流程 4
2.3图像预处理 4
2.3.1 图像灰度化 5
2.3.2图像阈值处理 7
2.4特征提取 7
2.5本章小结 8
第三章 线性分类器 9
3.1引言 9
3.2 线性分类器的组成 9
3.2.1 评价函数 9
3.2.2 损失函数 10
3.3 线性分类器存在的不足 11
第四章 非线性分类器 13
4.1引言 13
4.2 非线性SVM概念及原理 13
4.2.1非线性SVM的介绍 13
4.2.2多项式特征 13
4.2.3核函数 14
4.2.4正则常数 15 *好棒文|www.hbsrm.com +Q: &351916072&
4.3主成分分析法（PCA） 16
第五章SVM分类器的产品质量检测仿真 17
5.1引言 17
5.2测试模块分析 17
5.2.1准备阶段 17
5.2.2构造分类器 17
5.2.3识别阶段 17
5.2.4设计流程图 17
5.3程序分析 19
5.3.1初始化系统 19
5.3.2准备与调试阶段 20
5.4 C#平台搭建 22
5.4.1准备工作 22
5.4.2主程序 22
5.5本章小结 23
第六章 总结 25
致谢 26
参考文献 27
附录 28
附录一 28
附录二 29
第一章 绪论
1.1研究背景和意义
传统的高度重复性和人工智能的工作只能依赖于人员作业来实现，在大部分工厂的现代化流水线中需要繁多的工艺以及产品质量检测需要大量的人力来执行，面临着低效率，出错率高等问题。随着工业产业结构的转型升级，解决这些影响生产效率的问题已经亟不可待了。在人工检测的过程中，由于工人的视觉角度、视觉疲惫和检测的环境等造成的不稳定因素，会导致检测精度迅速下降。而其他的一些物理离线监测无法及时地将反馈信息转到下一站的生产。因此计算机的及时性、机械重复性、准确性与人工的高智能化相结合的机器视觉产品质量检测技术必然成为发展趋势。
工业机器视觉检测技术适合于在一些半导体及一些高精度产量大的电子产业。例如PCB（印刷电路板）的生产过程中的一些钻孔、镀铜、多层板的压合等工序中需要对在线产品进行实时性，准确性的孔径、铜厚检测反馈以免不良产品流向后站对企业利益造成不可估量的损失。对识别速度和精度都有较高的要求，因此设计一种好的算法和识别系统对工业视觉检测至关重要。
本课题研究目的利用离线加载获取图像信息，通过图像处理算法得到目标物的信息，运用识别技术辨别产品质量，使机械检测系统具有对产品质量的识别能力。
1.2机器识别的发展和研究现状
机器视觉检测技术[6]是以计算机技术基础的新型智能检测技术，原理上具有实时在线、高精准，高效率，充足信息的获取，非接触等优点。随着计算机技术和电子行业的高速发展和技术的不断革新，使机器的视觉识别技术得到了广泛的应用，加上它成本的不断降低，也被认为是现代工业检测最有效的手段之一。
未来机器视觉技术将主要体现在以下的两个趋势：
1）嵌入式的机器视觉系统会成为工业检测的一个主要的发展方向。嵌入式系统可以对产品实时的视觉图像采集、图像的处理，具有结构严谨、成本代价小、耗能低的特点，且可以使用C、C++、C#、Python等软件进行开发，开发环境多、效率高、周期短，信赖性高、易于维护和更新。
2）机器视觉识别检测系统和其他的传感器应用技术相结合。相对于其他单一性的传感器而言，多传感器技术具有单一性传感器所不具备的信赖性高、实时性、高精度等优点。机器视觉检测系统通过利用多传感器的特点可以有效的避免了单一性的视觉检测系统所体现的不足。
综上所述，机器视觉识别检测技术在经过以及这么多年的发展以及未来广阔的应用前景，更需要我们去不断地研究探索。但是由于视觉识别应用到多领域的技术，且在识别检测的过程中会出现很多其他不确定因素，所以我们需要继续对机器识别技术进行不断地优化。
1.3 论文的研究内容与目标
纵观国内工业视觉识别检测的应用，虽然在许多方面在工业上都被广泛的应用，但是仍然有许多值得我们去改善的地方。在一些识别系统中出现了识别准确率和识别速度不能达到最优匹配，比如识别系统虽有很高的识别精准率，但其在抗噪方面却不能达到相对的标准。或者出现新的缺陷，也会导致其准确率的降低。
针对这些问题本文将从以下进行研究和改善：（1）优化系统的识别性能；（2）在特征值提取、识别方法以及智能自动化等步骤进行改良，更多地借鉴现代化智能方法，扩展识别缺陷的多样性以提升识别检测的准确性以及全面性。
对于上述几个方面的研究重点，本文提出了利用非线性分类器，非线性支持向量机（SVM）来实现这一分类效果。该方法的主要步骤是，通过图像处理模块对图像进行图像预处理，然后用SVM进行训练系统来提高系统的识别性能。
1.4 论文章节安排
目 录
第一章 绪论 1
1.1研究背景和意义 1
1.2机器识别的发展和研究现状 1
1.3 论文的研究内容与目标 2
1.4 论文章节安排 2
第二章 图像处理 4
2.1图像识别的定义 4
2.2 图像识别开发的基本流程 4
2.3图像预处理 4
2.3.1 图像灰度化 5
2.3.2图像阈值处理 7
2.4特征提取 7
2.5本章小结 8
第三章 线性分类器 9
3.1引言 9
3.2 线性分类器的组成 9
3.2.1 评价函数 9
3.2.2 损失函数 10
3.3 线性分类器存在的不足 11
第四章 非线性分类器 13
4.1引言 13
4.2 非线性SVM概念及原理 13
4.2.1非线性SVM的介绍 13
4.2.2多项式特征 13
4.2.3核函数 14
4.2.4正则常数 15 *好棒文|www.hbsrm.com +Q: &351916072&
4.3主成分分析法（PCA） 16
第五章SVM分类器的产品质量检测仿真 17
5.1引言 17
5.2测试模块分析 17
5.2.1准备阶段 17
5.2.2构造分类器 17
5.2.3识别阶段 17
5.2.4设计流程图 17
5.3程序分析 19
5.3.1初始化系统 19
5.3.2准备与调试阶段 20
5.4 C#平台搭建 22
5.4.1准备工作 22
5.4.2主程序 22
5.5本章小结 23
第六章 总结 25
致谢 26
参考文献 27
附录 28
附录一 28
附录二 29
第一章 绪论
1.1研究背景和意义
传统的高度重复性和人工智能的工作只能依赖于人员作业来实现，在大部分工厂的现代化流水线中需要繁多的工艺以及产品质量检测需要大量的人力来执行，面临着低效率，出错率高等问题。随着工业产业结构的转型升级，解决这些影响生产效率的问题已经亟不可待了。在人工检测的过程中，由于工人的视觉角度、视觉疲惫和检测的环境等造成的不稳定因素，会导致检测精度迅速下降。而其他的一些物理离线监测无法及时地将反馈信息转到下一站的生产。因此计算机的及时性、机械重复性、准确性与人工的高智能化相结合的机器视觉产品质量检测技术必然成为发展趋势。
工业机器视觉检测技术适合于在一些半导体及一些高精度产量大的电子产业。例如PCB（印刷电路板）的生产过程中的一些钻孔、镀铜、多层板的压合等工序中需要对在线产品进行实时性，准确性的孔径、铜厚检测反馈以免不良产品流向后站对企业利益造成不可估量的损失。对识别速度和精度都有较高的要求，因此设计一种好的算法和识别系统对工业视觉检测至关重要。
本课题研究目的利用离线加载获取图像信息，通过图像处理算法得到目标物的信息，运用识别技术辨别产品质量，使机械检测系统具有对产品质量的识别能力。
1.2机器识别的发展和研究现状
机器视觉检测技术[6]是以计算机技术基础的新型智能检测技术，原理上具有实时在线、高精准，高效率，充足信息的获取，非接触等优点。随着计算机技术和电子行业的高速发展和技术的不断革新，使机器的视觉识别技术得到了广泛的应用，加上它成本的不断降低，也被认为是现代工业检测最有效的手段之一。
未来机器视觉技术将主要体现在以下的两个趋势：
1）嵌入式的机器视觉系统会成为工业检测的一个主要的发展方向。嵌入式系统可以对产品实时的视觉图像采集、图像的处理，具有结构严谨、成本代价小、耗能低的特点，且可以使用C、C++、C#、Python等软件进行开发，开发环境多、效率高、周期短，信赖性高、易于维护和更新。
2）机器视觉识别检测系统和其他的传感器应用技术相结合。相对于其他单一性的传感器而言，多传感器技术具有单一性传感器所不具备的信赖性高、实时性、高精度等优点。机器视觉检测系统通过利用多传感器的特点可以有效的避免了单一性的视觉检测系统所体现的不足。
综上所述，机器视觉识别检测技术在经过以及这么多年的发展以及未来广阔的应用前景，更需要我们去不断地研究探索。但是由于视觉识别应用到多领域的技术，且在识别检测的过程中会出现很多其他不确定因素，所以我们需要继续对机器识别技术进行不断地优化。
1.3 论文的研究内容与目标
纵观国内工业视觉识别检测的应用，虽然在许多方面在工业上都被广泛的应用，但是仍然有许多值得我们去改善的地方。在一些识别系统中出现了识别准确率和识别速度不能达到最优匹配，比如识别系统虽有很高的识别精准率，但其在抗噪方面却不能达到相对的标准。或者出现新的缺陷，也会导致其准确率的降低。
针对这些问题本文将从以下进行研究和改善：（1）优化系统的识别性能；（2）在特征值提取、识别方法以及智能自动化等步骤进行改良，更多地借鉴现代化智能方法，扩展识别缺陷的多样性以提升识别检测的准确性以及全面性。
对于上述几个方面的研究重点，本文提出了利用非线性分类器，非线性支持向量机（SVM）来实现这一分类效果。该方法的主要步骤是，通过图像处理模块对图像进行图像预处理，然后用SVM进行训练系统来提高系统的识别性能。
1.4 论文章节安排
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/dzkxyjs/873.html
