导读:本文包含了视觉部件论文开题报告文献综述及选题提纲参考文献，主要关键词:视觉伺服,力反馈控制,位姿变换,卫星部件装配
视觉部件论文文献综述
胡瑞钦,隆昌宇,张立建[1]（2018）在《视觉与力觉结合的卫星部件机器人装配》一文中研究指出针对卫星特殊部件的装配需求,为了使机器人具有适用不同工况的柔性并在卫星多变的装配工况中获得较高的应用效率,本文研究视觉引导与力反馈控制下的机器人装配技术,给出一种视觉与力觉结合的机器人装配方案:在装配孔位安装辅助销钉,通过视觉引导将部件引导至销钉的锥面导向范围内,而后在销钉导向下对机器人采用力反馈控制,实现工件的准确装配到位。采用红外相机结合合作靶标的方式实现稳定地视觉识别与目标定位,设计了探针式测量工具,并给出测量方法,实现了目标点位的柔性便捷测量。给出了一种已知空间对应点对条件下,求位姿变换矩阵及机器人目标位姿的计算方法。采用力/位混合控制方法实现柔顺销钉导向控制。实验结果表明:装配对应孔位的测量匹配误差在2.9 mm以内,机器人在视觉引导下,可以将工件运送至销钉的导向范围内,并在销钉导向及力反馈控制下将工件准确装配到位,力控制阈值为30 N。证明了本文所采用的技术可以满足卫星部件装配的工程实施要求。(本文来源于《光学精密工程》期刊2018年10期）
庞程[2]（2018）在《基于部件的图像细粒度视觉分析方法研究》一文中研究指出目前的计算机视觉系统在图像的一般分类任务中已经取得了较高的准确率,但在一些需要对图像进行更精细分类的任务中还不能得到令人满意的结果。主要困难包括细粒度类别之间极强的类别相似性、姿态变化引起的类内差异以及高度局部化的特征。本文主要研究了基于部件的图像细粒度视觉分析理解技术。通过分析细粒度分类研究对象的结构特点,我们通过挖掘和检测细粒度研究对象的身体部件,提取局部特征并将其有序化,以获得具有判别力的特征并减少量化误差,从而提高细粒度视觉分析的性能。按照对物体部件的使用条件不同,这些方法可分为使用真实部件信息的强监督分析方法、仅使用训练样本部件信息的弱监督方法,和完全自主学习部件信息的无监督分析方法。本文主要研究工作包括:(1)提出了一种基于强监督部件稀疏表示的细粒度分类方法,适用于部件坐标已知的数据。该方法利用已知的部件坐标进行部件对齐,目的是提取高度局部化的特征,以缓解细粒度分类中特征量化误差造成的特征低判别力下降的问题。特征提取过程建立在稀疏表示的基础之上,但和一般稀疏表示需要学习字典的基不同的是,我们直接使用训练样本经过对齐的部件图像作为基,来线性表示查询图像中对应的部件图像。由于使用了部件的真实坐标信息,该方法是直接利用部件的强监督学习方法。通过直接将部件作为线性表示的基,能够保留基的类别信息,并将基的类别信息传递至最终的分类向量中,从而减少特征量化带来的误差。我们还统计了稀疏表示系数的方差,以描述不同部件对于分类的贡献大小。实验表明,通过使用上述表示方法,我们能够在较低的计算复杂度下有效提升细粒度分类的准确率。(2)提出了一种基于弱监督与无监督部件检测和部件制导分割的细粒度分类方法。该方法从获取更精确的分割前景和抑制背景噪声方面提升分类的效果,适用于具有部分部件坐标或者无部件坐标的数据。为了利用部件指导前景分割,我们分别设计了弱监督和无监督两种部件检测方法进行部件检测。弱监督的部件检测适用于具有部分真实部件坐标的数据,无监督的部件检测能够完全自主挖掘部件信息。相比于强监督的方法,进一步放宽了使用部件的限制条件,具有更强的泛华能力。在分割阶段,我们迭代地优化GrabCut分割的前景输出和检测阶段获得的部件假设,使得部件假设和前景输出达到最大的一致性。即如果一个被检测到的部件被划分为背景,那么就增大下一次分割迭代模型中该部件被分为前景的概率,同时减小部件假设中该部件为前景的概率,达到利用部件指导分割的目的。实验表明,该方法通过保留部件获取更精确的分割前景以及抑制背景噪声,在分割准确率和分类准确率方面都获得了明显的提高。通过对比,我们还发现了一般物体分割方法在分割细粒度物体方面的局限性。(3)提出了一种基于显着性无监督部件结构划分的弱结构物体细粒度分类方法。对于部件形状差异极大的弱结构物体,难以进行部件检测并提取局部有序化的特征。为此我们提出利用显着性信息来发现和划分物体部件,并在局部进行特征学习以提取局部具有判别力的特征进行分类。该方法首先使用一种改进的基于显着性信息的分割方法对物体进行前景分割,然后在分割前景中计算前景的显着度图像。为了挖掘部件区域,我们对前景显着度图像的像素进行聚类,按照类别将前景划分为若干独立的部件区域。实验表明,无监督部件划分能够成功发现一些具有语义信息的部件,并且对于形状尺度变化具有很强的鲁棒性。在此基础上,我们按照部件组织特征,分别为每一种部件学习局部的视觉单词和提取局部特征。最后通过局部的特征编码为每种部件产生最终的特征向量用于分类。相比于全局类的弱结构物体分类方法,我们的方法能够提高物体的局部细微特征在整个特征向量中的表达效果,获得更好的分类效果。(4)提出了一种基于部件的跨类别细粒度检索应用和对应的检索方法。不同于一般图像检索关注的相似图像的检索问题,该应用主要解决相似部件的检索问题,即检索和目标图像具有相似部件的图像。通过跨类别地搜索具有视觉相似的部件的图像,以发现细粒度类别之间的联系。由于视觉相似的部件在分类学和感知科学中往往暗示着其具有相似的功能特性,从而反映对象在遗传进化方面的同源性,其对于生物学等具有重要意义。针对目前的部件定位网络无法提取单一部件特征的问题,我们设计了基于几何约束的部件池化层。其通过计算部件的相对距离,调整部件图像的感受野,以聚焦于特定部件的特征提取并减少来自其他部件的干扰。在检索阶段,我们利用部件特征构建了一个两步搜索策略和相似性排序函数,以提高检索的精度和效率。另外,我们利用神经网络的激活节点热力图计算不同部件对于分类一类物体的重要性度量,并借此将使用单一部件的检索扩展为使用多部件的检索。同时,针对弱结构物体,我们根据弱结构物体的部件划分方法设计了对应的检索方案,并证明了其有效性。(本文来源于《哈尔滨工业大学》期刊2018-07-01）
李秋生[3]（2018）在《基于视觉的高速动车组接触网关键部件的故障检测》一文中研究指出接触网作为机车供电的唯一来源,其安全稳定的运行对列车的稳定行驶有着决定性的影响。而定位器作为接触网的关键部件,其几何参数—坡度对导线的拉出值和导高有着重要的影响。基于此,提出基于视觉的高速动车组接触网关键部件的故障检测技术,来进一步提高定位器坡度检测的便捷性和准确性。传统Hough变换和Sobel算子在本文得到了大量的应用。由于支柱编号是接触网定位器坡度故障的定位信息,支柱信息提取是编号识别的基础,而支柱垂直信息比较丰富,所以本文创造性地在Hough直线信息提取前,用Sobel算子对图像垂直特征进行提取。最后利用LeNet-5模型对编号进行识别。在定位器的识别上,提出了基于Faster R-CNN模型的定位器识别技术,RPN网络的加入使得识别率提升明显,RPN网络解决了以前备选区域选取的质量低直接影响目标检测的精度的问题。最后通过Hough变换,提取定位器支架轮廓,粗略定位定位器所在。通过定位器轮廓的确定以及拟合直线的筛选,利用最左端与最右端坐标求取定位器坡度。(本文来源于《黑龙江大学》期刊2018-04-10）
钱礼闰[4]（2018）在《CCD机器视觉在精密机械部件外观缺陷检测中的系统结构研究及应用》一文中研究指出本文设计的基于CCD工业相机的机器视觉技术能够实现对机械精密工件进行高质量的自动检测。该系统采用高精度的CCD工业相机作为图像采集部件,使系统能够较好地实现实时高精度自动检测。并对制作的样机进行测试,最后对未来的发展方向进行了展望。(本文来源于《教育教学论坛》期刊2018年14期）
赵振兵,崔雅萍[5]（2018）在《基于深度学习的输电线路关键部件视觉检测方法的研究进展》一文中研究指出由于电网规模增长,直升机、无人机巡线的大量应用,产生的航拍图像数量剧增,使输电线路关键部件视觉检测与运检人员数量配置的矛盾日益突出。虽然深度学习技术可显着提高目标检测的准确率,但航拍巡线图像背景复杂,关键部件之间的相互遮挡,标注数据量较少等特点,限制了航拍输电线路关键部件视觉检测的工程应用。本文分析了深度学习中目标检测模型的现状,总结了基于深度学习的输电线路关键部件视觉检测方法的研究进展,并指出了构建输电线路关键部件图像数据库、建立专业的输电线路关键部件知识图谱以及将知识图谱与深度模型相融合对输电线路关键部件检测的重要性。(本文来源于《电力科学与工程》期刊2018年03期）
杭宇,孙亚东[6]（2016）在《基于计算机视觉的通讯机壳部件精密测量方法》一文中研究指出为解决通讯机壳部件测量中遇到的圆拟合和边缘提取不准确的问题,提出了利用加权函数进行修正的方法。首先,针对圆拟合过程中容易受到干扰点影响的情况,提出采用双平方形式的加权函数对圆拟合过程进行修正,去除了离群值较大的点,从而使圆拟合更准确。为了准确的定位边缘,提出了利用叁角形模糊隶属函数作为加权函数,对边缘选取过程进行修正,从而达到准确提取边缘的目的。同时,本文采用了鲁棒性强的字符提取算法及支持向量机的字符检测算法,实现了字符提取和识别。(本文来源于《电脑知识与技术》期刊2016年15期）
刘磊[7]（2016）在《特定部件高精度视觉识别与定位算法研究与实现》一文中研究指出利用机器视觉完成目标识别、辅助定位等方面的应用较多,但是对于某些特定应用背景环境下不规则复杂部件的识别和定位并没有可行的通用方法,在相机和目标有相对运动过程中,识别和定位存在技术难点。传统的角度识别方法,只适用于规则物体,对于结构和姿态复杂的部件,因这些方法有不通用性,无法做到快速准确的识别；传统精确定位方法由于需要标定参照物,在运动状态下很难实现精确标定,运动中的相机自标定相对于传统方法有更好的灵活性和实用性,但定位精度和鲁棒性均处于研究试验阶段,对于解决实际工程问题还有距离。针对特定复杂部件的识别,提出了一种基于边缘提取和几何计算的高精度视觉识别方法。通过记录初始图像与拍摄位置相关联的基准线,相机运动时提取目标图像不同位置的参考线与基准线比较,通过数学建模计算识别结果,实现准确识别目标,经过实验验证精度达到了10μm,处理大小为2452*2056px的图像耗时约600ms,能够满足高精度实时识别要求。通过实际部件摆放多种不同姿态,结合微动调整,能够快速、准确、可靠地识别出目标的角度数据。通过实际验证,该方法稳定可靠,并且可以运用到复杂部件高精度识别中。针对相机运动状态下的定位,通过由粗略定位到精确定位的过程,提出了在相机运动状态下的视觉高精度定位方法,该方法能够在相机随意移动的情况下实现高精度定位。通过实验测试,定位系统精度达到了0.01mm量级,定位准确、稳定,为有效解决复杂系统作业过程中部件高精确定位问题提供了一种可行的方案。(本文来源于《北方工业大学》期刊2016-06-03）
付永强[8]（2016）在《基于机器视觉的特定部件测量技术研究与实现》一文中研究指出机器视觉作为现代智能工业中的“眼睛”,将相机采集的数据通过图像处理方法得到目标图像特征,并利用目标检测方法辅助智能设备完成相应操作。其在特定部件的测量中有重要研究意义和工业应用价值,由于特定部件具有结构不规则、位姿特异并且关联影响因素多等特点,不能利用传统的机器视觉方法解决其位姿测量问题。本文在对基于机器视觉的特定部件测量方法的研究基础上,提出了基于DTBNN(Decision Tree Based Neutral Network)的单目机器视觉双阈值图像分割方法和基于单目机器视觉的特征平面位姿测量方法。为了能够实现动态无灰度特征峰值的图像分割,本文提出了一种基于决策树的神经网络双阈值图像分割方法。该方法首先运用决策树与神经网络的对应关系,构建出稳定、训练高效的神经网络；然后从实验采集的图像中提取图像灰度均值、最大灰度偏差与阈值映射函数作为样本数据训练神经网络；最后采用训练好的神经网络对被测图像进行阈值映射函数筛选,并计算出被测图像的上下灰度阈值完成对图像的双阈值分割。仿真实验表明,该方法不依赖于灰度直方图的峰值特征,能获取较好的上下限分割阂值；与最大类间方差双阈值法和最大熵双阈值法比较,能够在动态图像中实现双阈值分割。为了在单目机器视觉中实现对空间两坐标系间位姿关系进行测量,本文提出了一种基于特征平面的单目机器视觉位姿测量方法。首先对基于特征点和特征线的位姿测量方法进行分析,将姿态关系求解转化为两空间坐标系内平面方向向量间关系,由此可以得到旋转矩阵分量,通过求解旋转矩阵内旋转分量完成相对位姿测量。以实际工程图像为测量数据,经过几何论证分析其可行性,并与基于特征点模型的位姿测量方法和基于特征线模型的位姿测量方法进行比较分析,得出此方法在实际工程中有较好的测量效果和较小的误差,满足实际工程精度及实时性要求。本文所提出的阈值图像分割方法和视觉位姿测量方法经过实验对比分析可知,能够有效的实现双阈值图像分割和姿态测量。并将两方法应用在实际工程中,经过系统实际测试表现出较好的稳定性和实用性,达到工程测量精度要求。(本文来源于《北方工业大学》期刊2016-05-26）
黄伟[9]（2016）在《基于机器视觉的起重机主要受力部件的安全性能评估》一文中研究指出针对现有起重机的重要零部件检测方法主要采用目测法,精度低及存在安全隐患等问题,提出一种基于机器视觉和有限元分析相结合的检测系统,根据结构特点和使用状况危险部位,确定应力集中区,最终实现吊钩受力特点及安全隐患部位。(本文来源于《黑龙江科技信息》期刊2016年08期）
聂振宇[10]（2013）在《金属部件表面缺陷视觉检测系统研究》一文中研究指出在工业化大批量生产的情况下,传统的人工检测因其速度慢、易受工人状态影响等缺点并不能满足现代工业质量检测的需要,对基于机器视觉的工业检测的研究已经越来越多。金属部件往往体积小,形状复杂,其表面检测方案与钢板检测等区别较大,相关研究和实际应用案例还比较少。同时,在现有的工业检测项目中,新工件的检测往往意味着研发一套新的检测系统,对人力物力都是一种浪费。针对这些问题,本文设计并实现了金属部件表面缺陷视觉检测系统。对系统进行需求分析,并据此设计了系统的软硬件结构。工件的检测由系统的软硬件协同完成,其中单片机对机械设备进行控制,间接控制工件的运动；工控机对光源、采集卡等进行控制,通过与单片机的通信协调工件的运动并对其进行拍摄；采集到的图像由工控机上的软件部分进行检测。对照明方案进行分析,了解各种照明方式的原理与适用场合,针对实际应用中手机金属外框表面缺陷检测,设计了多方向、多相机、明暗场照明相结合、同一工件多次拍摄的采集方案。针对金属部件形状复杂的特点,设计了基于先验知识和组态建模的感兴趣区域提取方案。通过先验知识的运用降低了感兴趣区域匹配定位的计算量和难度,使用基于组态的建模方案和面向对象技术以及XML文件相结合,使得系统能够适应形状复杂的工件,并且在遇到未知的形状时具有良好的扩展性和适应性。对检测流程进行分析,设计了基于组态、易于并行、可自动消除检测过程中重复计算的运行机制。通过将检测算法组态化,使系统可在低粒度上并行执行检测算法,设计了可自动消除检测算法中重复计算部分的算法,使系统可自动对检测算法进行优化,将检测算法作为插件的设计使得系统可以不断对系统进行扩展,适应新的未知缺陷。实现了金属部件表面缺陷视觉检测系统,开发出样机并在手机外壳表面缺陷检测项目上进行试用,验证了其可行性。图30幅,表3个,参考文献53篇。(本文来源于《中南大学》期刊2013-05-01）
视觉部件论文开题报告
（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：
目前的计算机视觉系统在图像的一般分类任务中已经取得了较高的准确率,但在一些需要对图像进行更精细分类的任务中还不能得到令人满意的结果。主要困难包括细粒度类别之间极强的类别相似性、姿态变化引起的类内差异以及高度局部化的特征。本文主要研究了基于部件的图像细粒度视觉分析理解技术。通过分析细粒度分类研究对象的结构特点,我们通过挖掘和检测细粒度研究对象的身体部件,提取局部特征并将其有序化,以获得具有判别力的特征并减少量化误差,从而提高细粒度视觉分析的性能。按照对物体部件的使用条件不同,这些方法可分为使用真实部件信息的强监督分析方法、仅使用训练样本部件信息的弱监督方法,和完全自主学习部件信息的无监督分析方法。本文主要研究工作包括:(1)提出了一种基于强监督部件稀疏表示的细粒度分类方法,适用于部件坐标已知的数据。该方法利用已知的部件坐标进行部件对齐,目的是提取高度局部化的特征,以缓解细粒度分类中特征量化误差造成的特征低判别力下降的问题。特征提取过程建立在稀疏表示的基础之上,但和一般稀疏表示需要学习字典的基不同的是,我们直接使用训练样本经过对齐的部件图像作为基,来线性表示查询图像中对应的部件图像。由于使用了部件的真实坐标信息,该方法是直接利用部件的强监督学习方法。通过直接将部件作为线性表示的基,能够保留基的类别信息,并将基的类别信息传递至最终的分类向量中,从而减少特征量化带来的误差。我们还统计了稀疏表示系数的方差,以描述不同部件对于分类的贡献大小。实验表明,通过使用上述表示方法,我们能够在较低的计算复杂度下有效提升细粒度分类的准确率。(2)提出了一种基于弱监督与无监督部件检测和部件制导分割的细粒度分类方法。该方法从获取更精确的分割前景和抑制背景噪声方面提升分类的效果,适用于具有部分部件坐标或者无部件坐标的数据。为了利用部件指导前景分割,我们分别设计了弱监督和无监督两种部件检测方法进行部件检测。弱监督的部件检测适用于具有部分真实部件坐标的数据,无监督的部件检测能够完全自主挖掘部件信息。相比于强监督的方法,进一步放宽了使用部件的限制条件,具有更强的泛华能力。在分割阶段,我们迭代地优化GrabCut分割的前景输出和检测阶段获得的部件假设,使得部件假设和前景输出达到最大的一致性。即如果一个被检测到的部件被划分为背景,那么就增大下一次分割迭代模型中该部件被分为前景的概率,同时减小部件假设中该部件为前景的概率,达到利用部件指导分割的目的。实验表明,该方法通过保留部件获取更精确的分割前景以及抑制背景噪声,在分割准确率和分类准确率方面都获得了明显的提高。通过对比,我们还发现了一般物体分割方法在分割细粒度物体方面的局限性。(3)提出了一种基于显着性无监督部件结构划分的弱结构物体细粒度分类方法。对于部件形状差异极大的弱结构物体,难以进行部件检测并提取局部有序化的特征。为此我们提出利用显着性信息来发现和划分物体部件,并在局部进行特征学习以提取局部具有判别力的特征进行分类。该方法首先使用一种改进的基于显着性信息的分割方法对物体进行前景分割,然后在分割前景中计算前景的显着度图像。为了挖掘部件区域,我们对前景显着度图像的像素进行聚类,按照类别将前景划分为若干独立的部件区域。实验表明,无监督部件划分能够成功发现一些具有语义信息的部件,并且对于形状尺度变化具有很强的鲁棒性。在此基础上,我们按照部件组织特征,分别为每一种部件学习局部的视觉单词和提取局部特征。最后通过局部的特征编码为每种部件产生最终的特征向量用于分类。相比于全局类的弱结构物体分类方法,我们的方法能够提高物体的局部细微特征在整个特征向量中的表达效果,获得更好的分类效果。(4)提出了一种基于部件的跨类别细粒度检索应用和对应的检索方法。不同于一般图像检索关注的相似图像的检索问题,该应用主要解决相似部件的检索问题,即检索和目标图像具有相似部件的图像。通过跨类别地搜索具有视觉相似的部件的图像,以发现细粒度类别之间的联系。由于视觉相似的部件在分类学和感知科学中往往暗示着其具有相似的功能特性,从而反映对象在遗传进化方面的同源性,其对于生物学等具有重要意义。针对目前的部件定位网络无法提取单一部件特征的问题,我们设计了基于几何约束的部件池化层。其通过计算部件的相对距离,调整部件图像的感受野,以聚焦于特定部件的特征提取并减少来自其他部件的干扰。在检索阶段,我们利用部件特征构建了一个两步搜索策略和相似性排序函数,以提高检索的精度和效率。另外,我们利用神经网络的激活节点热力图计算不同部件对于分类一类物体的重要性度量,并借此将使用单一部件的检索扩展为使用多部件的检索。同时,针对弱结构物体,我们根据弱结构物体的部件划分方法设计了对应的检索方案,并证明了其有效性。
（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。
视觉部件论文参考文献
[1].胡瑞钦,隆昌宇,张立建.视觉与力觉结合的卫星部件机器人装配[J].光学精密工程.2018
[2].庞程.基于部件的图像细粒度视觉分析方法研究[D].哈尔滨工业大学.2018
[3].李秋生.基于视觉的高速动车组接触网关键部件的故障检测[D].黑龙江大学.2018
[4].钱礼闰.CCD机器视觉在精密机械部件外观缺陷检测中的系统结构研究及应用[J].教育教学论坛.2018
[5].赵振兵,崔雅萍.基于深度学习的输电线路关键部件视觉检测方法的研究进展[J].电力科学与工程.2018
[6].杭宇,孙亚东.基于计算机视觉的通讯机壳部件精密测量方法[J].电脑知识与技术.2016
[7].刘磊.特定部件高精度视觉识别与定位算法研究与实现[D].北方工业大学.2016
[8].付永强.基于机器视觉的特定部件测量技术研究与实现[D].北方工业大学.2016
[9].黄伟.基于机器视觉的起重机主要受力部件的安全性能评估[J].黑龙江科技信息.2016
[10].聂振宇.金属部件表面缺陷视觉检测系统研究[D].中南大学.2013