前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇計算機視覺檢測技術范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

計算機視覺檢測技術范文第1篇

【關鍵詞】農產品 計算機視覺技術 品質檢測

農產品品質檢測工作中除了采取人工檢測法以外，還可以采取半自動或自動檢測法，如在水果分級檢測工作中的質量分級檢測法、光電分選法以及大小分級法等。然而農產品品質會受到自然生長環境或人為因素等方面的影響，農產品的色澤、大小及形狀等并不相同，無法采取單一指標進行檢測。因此充分應用計算機視覺技術，對農產品的品質進行檢測，極為重要。

1 計算機視覺技術

計算機視覺技術又被稱為機器視覺技術，指的是通過人類設計，在計算機環境下，達到再現或模擬人類視覺相關的職能行為的一種技術，包括了印刷和手寫文字的識別技術，圖像模式識別技術，物體三維表面形狀識別技術、距離識別以及速度感知等技術。該技術是諸多學科的結合與交叉，涉及到數學、生理學、信息處理、物理學、光學以及計算機等多種學科。探究計算機視覺技術的目的在于實驗人類視覺的再現及延伸，即再現高等動物的視覺系統，并對物體形狀以及類別進行識別。

此外，計算機視覺技術處理的原始資料多是圖像，所以該技術和圖像處理以及模擬識別等有著緊密的聯系。現階段，計算機視覺技術在諸多領域有著較為廣泛的運用，包括了醫學輔助診斷、資源調查、衛星圖像解釋、軍事指導、災害監測、氣象以及工業產品的外觀篩選及檢測等。同時研究該技術在農業工程領域中的應用，也成為了熱門話題。

2 在農產品品質檢測中，計算機視覺技術的具體應用

筆者在查閱相關文獻資料的基礎上，探究在農產品品質檢測工作中，計算機視覺技術在產品表面缺陷以及損傷識別工作中的具體應用；果形識別工作中的具體應用；農產品尺寸以及面積檢測工作中的具體應用。

2.1 在產品表面缺陷以及損傷識別工作中的具體應用

在對農產品進行分級的過程中，依然存在著一大問題，即農產品表面缺損以及損傷識別。而早在1984年就已經出現了采取線掃描和模擬攝像機針對蘋果表面損傷進行檢測的實驗報道，實驗結果顯示，采取數據技術能夠檢測出蘋果表面損傷，其檢測結果完全能夠達到人工分級的精度。與此同時，還出現了一種機器視覺系統，該系統將不規則的圖像信息與正常的圖像信息區分開來，在去除蔬菜內的雜物以及檢測農產品的污點等方面能夠取得較好的應用效果。此外，在1989年，國外出現了一種全新的計算方法，即運用紅外線掃描攝像機，處理蘋果表面的灰度圖像，既能夠確定蘋果表面的損傷面積，還能夠區分不同損傷區。然而還技術是以機械裝置的設定為基礎，需要消耗2s的時間，對一個蘋果進行檢測，蘋果表面缺陷分級精度以及損傷分級進度并不高。

我國在1997年，出現了運用計算機圖像處理技術對蘋果損壞自動化檢測的試驗研究，該試驗結果顯示，該技術的損壞檢出率較高，能夠規避果梗區以及花萼區對于壞損區域識別的具體影響，且該檢測技術的魯棒性較強。

2.2 在果形識別工作中的具體應用

果形識別是影響水果質量的重要因素之一，對于水果品質檢測有著重大意義。當水果成熟后，水果的外形將會發生巨大的改變，且無法采取數學方法進行鑒別，采取其他方式進行果形識別極為重要。

在1981年，有研究人員就針對形狀識別中的圖像特征進行了探討，提倡采取結構分析法以及外形輪廓曲線檢測法，針對水果外形進行識別。并在1985年，以數字圖像分析技術以及模式識別技術為依據，針對番茄定向、番茄形狀、表面缺陷以及尺寸進行分類的特殊算法，運用灰度梯度曲線，明確番茄表面缺陷以及花萼位置等。而我國則在2000年，按照果實形狀分析，通過連續性指標、半徑指標、連續指標對稱性、半徑指標對稱性等特征參數，表示果形，并首次采取參數形狀分析法。

2.3 在農產品尺寸以及面積檢測工作中的具體應用

農產品分級中，以農產品外形尺寸為依據。在1987年，國外就已經開始研究機械視覺技術在牡蠣肉分級以及尺寸檢測工作中的具體應用。并在1992年，針對人工檢測以及機器視覺檢測進行進行了對比分析，試驗結果顯示，和人工檢測技術相比，采取視覺檢測技術，能夠提高檢測的精確度，減少檢測消耗時間；同時在評價以及推廣種質資源中，準確的測量以及詳細的記錄種質形態的指標，有著極為重要的意義。為了能夠精確、快速地計算出玉米種質尺度，在1995年，有研究人員就提出了自動化選擇技術，該技術在處理玉米種質圖像中，其辨別精度極高。

而我國在2002年，有研究人員就針對水果品質進行動態、實時監測的智能化分級生產線進行了研究，該生產線，首先通過水果輸送翻轉系統，利用滾筒式輸送翻轉裝置，將水果往前輸送，在輸送過程中，以水平軸為中心，保證水果表面能夠被系統檢測到，以此獲得圖像信息。然后利用計算機視覺識別系統，對水果等級進行判斷，明確圖像信息。該系統具備了視覺識別功能。最終通過分級系統，完成水果分級工作。

3 結語

在二十世紀七十年代以后，計算機視覺技術就已經得到了較為迅速的發展，在我國，該技術在農產品品質檢測中的具體應用也得到了人們的高度關注，同時也取得了一定的成效。計算機視覺技術作為人眼的延伸技術之一，其具備了人腦功能，運用該技術代替以往的人工操作技術，已經成為了農產品品質檢測工作的必然發展趨勢。

參考文獻

[1]朱從容.計算機視覺技術在水產養殖中的應用[J].浙江海洋學院學報（自然科學版），2008，10（04）：191-192.

[2]王勃，徐靜.計算機視覺技術在蘋果葉片營養診斷上的應用[J].農機化研究，2008，（03）：887-888.

[3]李朝東，崔國賢，盛暢，等.計算機視覺技術在農業領域的應用[J].農機化研究，2009，10（12）：667-668.

作者簡介

陳超（1995-），男，福建省福州市人。現為北京交通大學在校學生。研究方向為電子科學與技術。

計算機視覺檢測技術范文第2篇

【關鍵詞】計算機視覺技術 馬鈴薯外部品質 檢測

隨著計算機技術的不斷發展，計算機視覺技術應運而生并在工業自動化以及農產品檢驗檢測等領域成功應用。其中，將計算機視覺技術用于以自動化采集和品級分級為代表的果蔬商品化處理具有非常廣闊的發展空間。我國政府將“農產品深加工技術與設備研究開發”列為我國“十五”重大科技攻關項目的第一項，這標志著計算機視覺技術在果蔬外部品質檢測中會發揮越來越重要的作用。

馬鈴薯是世界上僅僅排在小麥、水稻和玉米之后的第四種主要農作物，種植區域非常廣泛。馬鈴薯品質檢測是馬鈴薯深加工的一個關鍵步驟，目前，該檢驗過程多數采用人工檢測，不僅成本高、效率低，而且與檢驗員的專業素質有密切的關系，受到人為因素影響的程度較大，嚴重制約的馬鈴薯加工企業的發展。計算機視覺技術能對農產品的某些特性變化和缺陷進行識別，具有客觀、無損害等特點。本文對基于計算機視覺的馬鈴薯外部品質檢測的應用進行了研究。

1 應用計算機視覺技術對馬鈴薯進行外部品質檢測的必要性

隨著“麥當勞”、“肯德基”的餐飲服務業的快速發展，炸薯條、炸薯片已經成為一種休閑食品深受消費者的喜愛，推動了我國馬鈴薯產業的發展。然而，情況并不十分樂觀，與國外的馬鈴薯企業相比，我國馬鈴薯加工企業生產規模小、生產產品單一、技術設備落后、產品質量不高的現象導致我國的馬鈴薯產品銷售困難，經濟效益逐漸下滑。

基于以上現狀，對馬鈴薯的加工研究還有很長的一段路程。企業要擴大生產規模，針對中國的消費趨勢與消費水平開發出新的馬鈴薯產品，從而提高我國馬鈴薯產品的競爭力。這就要求馬鈴薯加工企業要對馬鈴薯的加工技術進行創新，保證產品質量。其中，馬鈴薯外部品質檢測對馬鈴薯產品的最終品質起著決定性作用。當前的人工檢測方式已經不再適應社會發展的要求，利用計算機視覺檢驗代替人工檢驗成為社會發展的必然趨勢，這是因為計算機視覺技術具有以下優點：

（1）精度高，能夠進行定量測量。

（2）自動化程度高，一次就可完成包括大小、形狀、顏色以及缺陷在內的檢測和分析，并能進行綜合識別。

（3）無損檢測，計算機視覺檢測過程不需要接觸產品，是通過傳感器掃面獲取圖像的，不會造成產品的損傷。

（4）信息量大，可對大量信息進行采集，對光譜的敏感范圍也很廣。

2 基于計算機視覺的馬鈴薯外部品質檢測的應用研究

2.1 馬鈴薯大小的檢測方法

馬鈴薯的大小檢測不僅影響馬鈴薯深加工的商業價值，在在遺傳和育種方面也有很高的應用價值。

利用計算機視覺技術對馬鈴薯大小的檢測步驟如下：先從攝像機中獲取馬鈴薯的圖像信息，在圖像信息的基礎上對馬鈴薯三維空間的幾何信息進行計算，并由此重建和識別馬鈴薯。而馬鈴薯物體表面某點的三維幾何位置與其在圖像中對應點之間的相互關系是由攝像機成像的幾何模型決定的，這些幾何參數成為攝像機參數。要想準確的獲取這些攝像機參數，就必須將實驗與計算相結合，此過程成為系統定標。

系統定標的基本步驟：根據設定好的攝像機模型和特定的實驗條件包括形狀、尺寸等已知的定標參照物，經過對馬鈴薯圖像的處理，并利用一系列的數學轉換和計算方法將攝像機模型的內部和外部參數計算出來，從而建立照片與實物的聯系推算出馬鈴薯的真實尺寸。

2.2 馬鈴薯形狀的檢測方法

根據《中國馬鈴薯栽培學》中的知識，我們可以把馬鈴薯的塊莖形狀分為三類，分別是圓形、長筒形和橢圓形，除了這三種形狀，其余都是這三種形狀的變形。此次研究將馬鈴薯分為圓形、橢圓形和長筒形，并且采用橢圓的短長軸比來模擬馬鈴薯的縱橫直徑之間的關系。

2.2.1 馬鈴薯形狀特征參數的提取

將馬鈴薯橢圓的短長軸比R作為形狀特征參數，并按照R的大小將馬鈴薯進行分類。當R小于0.67時，稱之為長筒馬鈴薯；當R大于0.85時，稱之為圓形馬鈴薯；當R介于0.67到0.85之間時，稱之為橢圓形馬鈴薯。

2.2.2 結果與分析

隨機抽取114塊馬鈴薯，對抽取的馬鈴薯進行正反兩面拍照，挑選清晰度最高的228張圖片。人工分類后進行計算機視覺分類，操作步驟具體如下：

（1）用DIPS預處理：B通道灰度化，中值濾波和Otsu分割；

（2）通過計算機視覺技術提取馬鈴薯圖片的短長軸比R；

（3）將人工分類與計算機視覺分類進行對比，并得出正確率。

根據圖表，我們可以看出在228張僅有兩張圖片被分類錯誤，正確率高達99.1%，而這兩個分類錯誤的馬鈴薯的短長軸比處于0.67周圍，分別為0.667604 ， 0.67193和0.671887， 0.661063，又因為對馬鈴薯形狀的分類不需要類似工業生產那樣精密，所以，當正反兩面短長軸比接近時都可看作是橢圓形。

2.3 馬鈴薯的缺陷檢測

計算機視覺技術具有實時、客觀、無損的檢測特點，能對馬鈴薯的表面缺陷和某些特征要素進行快速檢測。基于此，國內外很多研究學者進行了大量的實驗研究，在1998年開發了利用PC機輔助的實時馬鈴薯檢測系統，能夠對馬鈴薯的重量、顏色以及形狀進行快速檢測；2000年，相關研究者在此基礎上建立了計算機視覺檢測系統，不僅能實現大小、形狀的檢測，還能對馬鈴薯表面的生長裂縫、機械裂縫、綠皮等表面缺陷進行檢測。當前對馬鈴薯表面缺陷進行檢測的主要計算機視覺技術包括缺陷分割法和缺陷識別法兩種方法。

3 結論

本文應用計算機視覺技術對馬鈴薯的大小、形狀和表面缺陷等外部品質進行了檢測，但是還未能實現利用計算機視覺技術對馬鈴薯的表面缺陷進行分類這一技術。因此，相關部門要加大研究力度，爭取早日完善計算機視覺技術，從而推動我國馬鈴薯加工企業快速高效的發展。

參考文獻

[1]魯永萍.基于機器視覺的馬鈴薯外部品質檢測與分級.機械設計及理論[D].內蒙古農業大學.2013（學位年度）.

[2]史崇升.基于高光譜成像技術的馬鈴薯外部品質無損檢測建模及優化研究.電子與通信工程[D].寧夏大學.2014（學位年度）.

作者單位

計算機視覺檢測技術范文第3篇

參考文獻的寫作是作者在這一科學領域的問題進行研究并且還有一定的研究成果，參考文獻的寫作也是對科學研究的更進一步的深入探討。下面是學術參考網的小編整理的關于信息系統論文參考文獻，希望可以在大家寫作當中帶來幫助。

信息系統論文參考文獻：

[1]郭銳，任強，宋麗華等.全運會信息系統工程項目監理策略分析[J].信息技術與信息化，2010，（6）：52-54.

[2]周鳴.信息系統工程監理存在的必要性和充分性[J].電腦知識與技術，2009，5（2）：296-298.

[3]郭飛.信息系統工程監理的博弈模型構建[C].//2012中國工程管理論壇論文集.2012：260-262.

[4]湯劍，周芳芹，楊繼隆.計算機視覺圖像系統的技術改造[J].機電產品開發與創新周刊，2005，14（18）：33-36

[5]段發階等.拔絲模孔形計算機視覺檢測技術[J].光電工程時報，1996，23（13）：189-190

[6]馬玉真，程殿彬，范文兵等.計算機視覺檢測技術的發展及應用研究[J]，濟南大學學報，2004，18（23）：222-227.

[7]張文景，王輝，丁國忠等.計算機視覺檢測技術及其在機械零件檢測中的應用，上海交通大學學報，1999，33（5）：635-638

信息系統論文參考文獻：

[1]張建林，王鎖柱，王瑞梅.應用型本科信息系統分析與設計教學改革實踐[J].計算機教育，2010（5）：2-4.

[2]邵莉，李清茂.ERwin在教學管理系統設計中的應用研究[J].攀枝花學院學報，2010（12）：101-104.

[3]張富國.信息系統分析與設計課程教學改革探索與實踐[J].教學研究，2007（1）：74-76.

[4]彭濤，佟建新，范莉麗.基于案例教學的信息系統分析與設計課程改革研究與實踐[J].北京聯合大學學報：自然科學版，2009（4）：86-89.

[5]史磊.試分析地理信息系統（CIS）的發展趨勢[J].2011.

信息系統論文參考文獻：

[1]辜體仁.電力企業文化與電力企業管理[J].中國電力企業管理，2005，（11）.

[2]余華.淺談電力企業管理信息系統的設計[J].農電管理，2004，（1）.

[3]陳帆，楊琳，顏中原.電力企業管理信息系統的設計與實現[J].供用電，2002，（3）.

[4]楊素芬，李江西，孔德星.電力企業管理信息系統[J].焦作工學院學報（自然科學版），2002，（4）.

[5]任仲泉.現代商業空間展示設計[M].濟南：山東科學技術出版社，2004.

[6]楊公俠.視覺與視覺環境[M].重慶：西南師范大學出版社，2002.

計算機視覺檢測技術范文第4篇

【關鍵詞】視頻；圖像處理；智能交通系統

交通視頻監控系統是一個國家交通正常運行的有力保障。隨著我國城鎮化進程的不斷推進和汽車的普及，交通問題日益嚴峻，道路擁擠、事故頻發，加上不遵守交通規則的人比比皆是，使交通問題成為一直困擾我國的難題。而由于交通系統是一個相當復雜的龐大系統，所以監控起來十分困難。

隨著計算機技術的發展，計算機視覺處理技術興盛起來。計算機視覺處理技術是模擬人類視覺系統的一種技術，人類可以通過對視覺中感知到的信息進行適當的組合和聯想以達到對外界信息進行判斷的能力，計算機視覺處理技術就是要用計算機代替人類的大腦實現對采集到的信息進行處理，從而使計算機具有外部感知的能力，這對于交通視頻監控系統具有非常重要的意義。

在智能交通系統中，基于計算機視覺的圖像處理技術扮演著重要的角色，它以視頻圖像為分析對象，利用先進的算法去除干擾，具有直觀、高效、精度高等特點。

1 交通視頻中進行圖像處理的重要性

交通視頻檢測系統的攝像機在工作時面臨的是自然氣象條件，這就意味著它要受到各種自然條件的干擾，比如強光、霧霾、粉塵、街燈等，由于光照條件不同所引起的圖像差異遠遠大于由于人的不同所引起的圖像差異，即使是在相同光照條件下，由于鏡面反射的存在，同一物體的不同表面對光的反射不同，再加上粉塵、霧霾等的影響，從不同視角反映出來的圖像有很大差異。外界光照的方向和強度還會隨著時間不斷發生變化，這些因素會導致采集的圖像不清晰、重影、有陰影等，給基于視頻的檢測帶來很大的難度。而視覺檢測必須借助外界光線才能夠獲取圖像信息，所以要把圖像中的車輛信息完整清晰的反應出來，就要對靜止的視頻圖像序列（即每幀圖像）進行預處理。這些處理會涵蓋圖像色彩模式轉換、格式轉換、算法處理等。

2 交通視頻監控系統的組成

交通視頻監控系統一般由采集、傳輸、控制、顯示四部分組成。

2.1 圖像采集

圖像采集工作由前端的攝像機完成，采集質量的好壞將直接影響視頻圖像處理的效果。如果視頻圖像中的車輛信息清楚，對比度好，無干擾信息或干擾信息少，將有利于車輛的檢測和跟蹤，反之，將不利于車輛的檢測和跟蹤。

2.2 傳輸

根據攝像機和控制中心之間距離的長短，會采用不同的傳輸設備，一般的傳輸方式包括視頻基帶傳輸、射頻有線傳輸、光纖傳輸、電話線傳輸等。

2.3 控制

控制部分是整個交通視頻監控系統的中心，由總控制臺組成。總控制臺可以進行信號的縮放、矯正、補償、切換、遙控、記錄存儲圖像等。

2.4 顯示

顯示部分的功能就是把傳送過來的圖像顯示出來，由若干臺監視器組成。

3 交通視頻監控系統中視頻圖像處理技術的應用

3.1 車輛檢測

對運動車輛的檢測是交通視頻監控系統的核心功能，通過對視頻圖像中的連續畫面的變化分析能抽出運動車輛的特征，從而實現檢測。但是由于運動的車輛受光線、灰塵、霧霾、陰影等因素的影響，給圖像分割帶來很大的困難。所以在進行車輛檢測時，要對獲得的視頻圖像進行處理，來提取目標車輛信息，常用的方法有幀間差分法、背景差分法、邊緣檢測法等。

3.2 車輛跟蹤

對車輛進行檢測的目的是辨別運動車輛，然而要想了解目標的運動參數，還要對車輛進行跟蹤。車輛跟蹤的核心內容是根據目標運動車輛的某些特征在不同的圖像幀中進行目標匹配，用于匹配的特征包括位置、大小、形狀，以及局部的點、線特征和整體輪廓特征等[1]。常用的車輛跟蹤方法有基于區域的方法、基于特征的方法、基于運動估計的方法、基于模型的方法、基于輪廓的方法等。

3.3 陰影檢測

陰影檢測是交通視頻監控系統的一項重要且具有挑戰性的工作。運動目標車輛由于受各種光源的影響會產生陰影，而陰影與運動目標車輛具有相似的視覺特征和運動特征，所以前面介紹的車輛檢測方法都不能有效地將陰影檢測出來。陰影的存在會使車輛檢測和跟蹤產生誤差，給交通參數的提取帶來很大誤差，因而陰影的檢測與去除是視頻檢測的重點和難點。根據陰影形成的不同原理可以把陰影分成不同的類型，而不同類型的陰影又有不同的特點，這給陰影的檢測和提取提供了可能。目前，陰影檢測方法通常包括兩大類：一類是基于陰影屬性如顏色不變性、紋理不變性、低頻性質等屬性的檢測技術，另一類是基于應用場景先驗知識的模型的陰影檢測[2]。

3.4 交通參數的檢測

交通參數可以分為兩類，一類是針對某一具體車輛的，如該車輛的車型、顏色、車牌、速度、重量等；另一類是針對某一具體路段的，如該這段的固定時間內的車流量、平均速度、車輛密度、車輛數目、路面占有率等。基于圖像處理的交通參數檢測需要實時處理大量的圖像數據，這些參數的獲得可以為交通執法提供依據，增加交通道路的容量。目前應用較為廣泛的交通參數獲取方法為虛擬線圈檢測方法，很多學者都在此基礎之上設計算法更加精密的檢測系統。

3.5 車牌識別

車牌識別技術（Vehicle License Plate Recognition，VLPR） 是計算機視頻圖像識別技術在車輛牌照識別中的一種應用。車牌識別是現代智能交通系統中的重要組成部分之一，應用十分廣泛。它以數字圖像處理、模式識別、計算機視覺等技術為基礎，對攝像機所拍攝的車輛圖像或者視頻序列進行分析，得到每一輛汽車唯一的車牌號碼，從而完成識別過程。通過車牌識別可以實現對停車場的收費管理、車輛定位、交通違法行為監控等功能，對于維護交通安全、實現交通自動化管理有很重要的意義。

視頻圖像處理技術在交通視頻監控系統中應用的已經十分廣泛，隨著計算機視覺、人工智能理論的發展，對包含運動目標的圖像序列進行分析和處理，能夠實現交通管理的高效智能化。隨著視頻圖像處理技術硬件的不斷發展，我們所面臨的挑戰是如何找出與硬件相匹配的高效的軟件技術（即先進的算法），使智能交通系統的功能更加強大和完善。

【參考文獻】

[1]梁曉愛.基于視頻的車輛檢測與跟蹤技術研究[D].山東師范大學，2010.

[2]許潔瓊.基于視頻圖像處理的車輛檢測與跟蹤方法研究[D].中國海洋大學，2012.

[3]衛小偉.視頻圖像處理技術在智能交通系統中的運用[J].電子測試，2015（6）.

[4]姜旭.視頻圖像處理技術在智能交通系統中的應用[D].蘇州大學，2009.

計算機視覺檢測技術范文第5篇

【關鍵詞】人工智能 機器視覺 PCB 機器人生產線

隨著《“互聯網+”人工智能三年行動實施方案》的和國家對制造業的高度重視，2016年中國人工智能市場規模達到239億，其中智能硬件平臺為152.5億，占比達到63.8%，高于86.5億的軟件集成平臺。未來三年人工智能市場將迎來新興機遇點，預計2017年產業規模達到295.9億，2018年將達到381億元，復合增長率達26.3%。

很顯然，人工智能正處于爆發式的發展階段，作為對于先進科技最為敏感的工業界，會有大批量的技術更新換代的需求。人工智能可以從各種方面優化制造業，提高流水線效率，精進制造工藝，解放技術工人生產力等等。人工智能的發展將會重塑萬億級別的產業，激發工業界的潛在創新能力。

1 基于計算機視覺的視覺層智能高速檢測排錯設備設計方案

印刷電路板（PCB）是集成各種電子元器件的信息載體，由于貼片元器件體積小，安裝密度大，這就要求PCB板的集成度進一步提高。為了保證電子產品的性能，PCB板缺陷檢測技術已經成為電子行業中非常關鍵的技術。電路板缺陷檢測包括兩部分：焊點缺陷檢測和元器件檢測，傳統的檢測采用人工檢測方法，容易漏檢、檢測速度慢、檢測時間長、成本高，已經逐漸不能夠滿足生產需要。因此，設計一種高效精準搭載工業相機以取代人眼的機器視覺電路板檢測系統，具有非常重要的現實意義。機器視覺檢測技術是建立在圖像處理算法的基礎上，通過數字圖像處理與模式識別的方法來實現，與傳統的人工檢測技術相比，提高了缺陷檢測的效率和準確度。

本系統將視覺設備設置于電子設備（如PCB板，單片機，電腦主板）安裝的末端，采用高速工業攝像頭，對裝配好的器材進行拍照，并出傳輸到排錯設備的主機進行高速的分析，在毫秒級單位的時間內，分析出正在檢測的設備是否正確安裝及正確排版等一系列視覺層可分析的錯誤（電容大小是否正確，排線順序是否正確，電路板虛焊是否存在等問題）。

本系統由計算機視覺的分支：深度學習的CNN（卷積神經網絡）在主板中實現，根據檢測設備的不同，在前期進行大量的圖片訓練，調卷積神經網絡各個層次之間的參數權重，構建專屬的卷積神經網絡。將圖片轉換成像素級的矩陣，并對其進行多層次卷積，得到該像素矩陣的得分函數，返回該圖片的分類，確定是否為正確的組裝設備，如圖1所示。

2 基于視覺機器人智能生產線設計方案

建立在3D視覺引導下的，機器人與機器人間，機器人與供料機構間的定位聯動系統。該系統以機器人為主體，供料機構與機器人可任意組合。采用手眼識別的定位原理，首先通過CCD攝像機、圖像信號接收與A/D轉換模塊、圖像處理模塊，實現對圖像信息的獲取、采集、轉化、分析、提取和邊界特征識別，分析出供料機構的空間坐標信息，并傳送給總控模塊，總控模塊做出智能判斷并指導控制執行模塊，將供料機構的坐標系與自己建立的坐標系關聯。通過供料機構的電路接口與主控機器人的電路接口。

該生產線包括傳送帶和高精度的搬運、注膠、焊接和裝配機器人等。在機械臂的末端裝置CCD攝像機，使得機器人能夠精準快速的查找裝備目標，極大地節約設備運行效率。

使用OPENCV編譯的可執行文件，對攝像機傳輸回處理器的圖像進行，線性切分，轉換像素矩陣，灰度化圖像。并在毫秒級環境下，準確提取圖片特征，對圖片進行分析，找到操作點。

各功能機器人實現聯動工作，生產線傳送帶將空殼體傳送至該工位，裝配機器人通過視覺設備將殼體固定于裝配工位，并根據視覺系統的分析，準確的將零件逐一安裝在殼體上，而后通過傳送帶將其傳送至打螺絲工位，打螺絲機器人，通過視覺設備快速定位螺絲口，快速精準選取所對應的的螺絲，從而實現高度智能化，自動化。然后螺絲振動盤上抓取螺絲安裝于殼體上，并進行固定；完成安裝后傳送帶將殼體運送到下一個工位。

3 基于大數據深度挖掘的工業智能腦決策系統

隨著大規模定制和網絡協同的發展，制造業企業還需要實時從網上接受眾多消費者的個性化定制數據，并通過網絡協同配置各方資源，組織生產，管理更多各類有關數據。

本系統構建了基于大數據深度挖掘及潛在價值分析的智能決策模型，定義為數字工廠智能腦模型，系統體系由以下四個方面組成。

（1）數據流收集系統。數據從設備不同的傳感器生成后被通過網絡傳輸到生產商的服務器上。

（2）數據豐富系統。利用其他外部數據來豐富已有的機器日志，比如說人口數據，地址數據。

（3）變量生成系統。在一段時間內，為每個測量值，每臺設備生成幾千個變量特征的范式。

（4）機器學習系統。具有預測力的變量被自動選擇，分類模型已經建立創建完成，并用于后期收集的數據。

（5）商業行動系統。生產商以及銷售網絡可以執行或者建議對高風險機器進行預防性維修，如圖2所示。

4 結束語

人工智能在國內外處于一個黃金階段且正在高速發展，但國內的發展相對滯后，本文旨在電子行業首創運用AI技術，實現作業機器人與智能視覺的協同，利用大數據分析平臺，指導企業的生產優化，對電子行業的智能化發展具有一定的指導作用。

參考文獻

[1]丁林祥.電子制造業機器人智能化解決方案[M].北京：機械工業出版社，2016（06）.

[2]吳云峰，邱華，胡華強.面向設計與制造的數字化工廠平臺[J].中國制造業信息化，2011（01）.