机器视觉 实验指导书 2010-2011-2(王海晖).
《机器视觉》实验指导书
实验一电子元件插针引脚测量实验
(一实验类型:验证性实验
(二实验目的:
通过该实验使得学生掌握如何建立被测量工件对象的基本检测步骤, 包括工件定位、光源调整、焦距调节等图象测量, 进而掌握工件尺寸测量可视化组态编程方法和技术, 掌握如何对多插针相关尺寸参数同时测量的新方法, 建立被测量插针的基本检测框架, 进而扎实掌握插件多针尺寸、针间距及针宽度测量新技术, 具备解决实际复杂插件多针参数视觉测量的技术难题。
(三实验要求:
熟练掌握:用 Halcon 平台测量的步骤
学生分组人数:1人 /组
(四实验内容:
【实验内容】
测量如图 1-1 所示电子插件插针参数尺寸
(a (b
图 1-1 :开关
(a 需要测量开关引脚的宽度及相互之间的距离。 (b 确定检测边缘的矩形感兴趣区。
【实验原理】
1、单个相机的影像截取控制流程如 a 所示,
实验中,采用单相机采集图像,对应的图像处理算子类型为:
open_framegrabber (Name, 1, 1, 0, 0, 0, 0, 'default', -1, 'default', -1, 'default',
'default', Board0, -1, -1, FGHandle0 grab_image (Image0, FGHandle0
2、算子说明:
1 open_framegrabber
函数功能 :打开并设置一个图像采集器
调用格式 :open_framegrabber ( : : Name , HorizontalResolution, VerticalResolution, ImageWidth, ImageHeight, StartRow, StartColumn, Field, BitsPerChannel, ColorSpace, Generic , ExternalTrigger, CameraType, Device, Port, LineIn : FGHandle
参数 :Name--Halcon 图像采集接口。比如 :对应的 DLL(Windows的名字或者共享的库函数 (UNIX 的名字
Gerneric--图像增益数 , 可以控制采集到的图像亮度
FGHandle--图像采集函数句柄
2 grab_image
函数功能:采集图像
调用格式:grab_image ( : Image : FGHandle :
参数:Image----采集图像的名称
FGHandle--帧采集器句柄
===================采集图像部分的程序实例 ====================
1
dev_close_window (
open_framegrabber ('PXC', 1, 1, 0, 0, 0, 0, 'default', 8, 'default', -1, 'default', 'AUTO', 'default', -1, 1, FGHandle
grab_image (Image, FGHandle
get_image_pointer1 (Image, Pointer, Type, Width, Height
dev_open_window (0, 0, Width, Height, 'black', WindowHandle
2
dev_update_window ('off'
open_framegrabber ('DT315x', 2, 2, 0, 0, 0, 0, 'default', -1, 'default', -1, 'default',
'default', 'default', -1, 1, FGHandle
grab_image (Image, FGHandle
get_image_pointer1 (Image, Pointer, Type, Width, Height
dev_close_window (
dev_open_window (0, 0, Width, Height, 'black', WindowID
【实验步骤】
1、工件定位:将工件放置到平台转盘上相应位置,确保动态图象采集根据被测对象要求。
2、光源调整:选择前光源或背光源确保图象不受自然光源影响。
3、焦距调节:根据被测对象大小和厚度,调节支架横枞位置和相机焦距。
4、打开图像处理软件,通过变量输入窗口、源程序窗口、菜单栏算子三种方式添加算子, 编写工件尺寸的测量与标定程序。其中, 相机采集部分的算子可借助菜单栏“助手” —“ open new Image acquisition” 设置, 生成代码。 (参见前一部分《图像处理软件操作》 , 如 MV-VS860平台中相机的代码:
open_framegrabber ('DirectShow', 1, 1, 0, 0, 0, 0, 'default', 8, 'rgb', -1, 'false',
'default', 'MV One Video Capture', 0, -1, FGHandle//采集卡初始化设置
set_framegrabber_param (FGHandle, 'saturation', 0//设置采集卡参数
while (true//循环采集
grab_image (Image, FGHandle
* Do something //在这里添加算法步骤,对 Image ,即原始图像做处理
endwhile
close_framegrabber (FGHandle
主要算法步骤:
-----------------------
1 通过包含如图 1-1(b描述引脚的 ROI 矩形创建测量对象。 ROI 矩形用以取得垂直于矩形主轴的各个直线边界对。运用算子 gen_measure_ rectangle2返回所创建对象的句柄 MeasureHandle 。
gen_measure_rectangle2 (Row, Column, Phi, Length1, Length2,Interpolation, MeasureHandle ------------------------
2 将句柄 MeasureHandle 传寄给测量函数进行测量。用 measure_pairs算子检测 , 该算子能提取出引脚对应的边缘对并返回其宽度 (每组边缘对的两边之间的距, IntraDistance 和距离 (连续两个边缘对之间的距离, InterDistance 。
measure_pairs (Image, MeasureHandle, Sigma, Threshold, Transition,
Select,RowEdgeFirst, ColumnEdgeFirst, AmplitudeFirst,RowEdgeSecond, ColumnEdgeSecond, AmplitudeSecond,IntraDistance, InterDistance
------------------------
要测量引脚的宽度及其之间的距离。用一维测量, 这个任务可迎刃而解,因为位置、距离都是沿着一条线测量的。
============================参考程序
===============================
open_framegrabber('DirectShow',1,1,0,0,0,0,'default',-1,'gray',-
1,'default','default',default',-1,-1,FG Handle //打开图像采集设备 , DirectShow即为相机的参数 ,'gray' 表示黑白相机 set_framegrabber_param (FGHandle, 'saturation', 0//设置采集卡参数
while (true//循环采集
grab_image (Image, FGHandle //抓取图像
read_image (Image, 'C:/Templ' //读取图像,因 grab_image抓取的图像保存在C:/Templ中 get_image_pointer1 (Image, Pointer, Type, Width, Height //获得图像参数
dev_close_window (
dev_open_window (0, 0, Width, Height, 'black', WindowHandle //打开图像显示窗口, 设置背景色为黑色
dev_display (Image //显示图像
Row := 390
Column := 380//定义 ROI 矩形的 R/C坐标
Phi := rad(-60 //矩形偏移水平位置的角度,逆时针为正,顺时针为负
Length1 := 60
Length2 := 10 //定义 ROI 矩形长度及宽度
Interpolation := 'nearest_neighbor' //定义被检测对象的相互关系
gen_measure_rectangle2 (Row, Column, Phi, Length1, Length2, Width, Height, Interpolation, MeasureHandle //创建 ROI 矩形
Sigma := 0.9
Threshold := 12
Transition := 'negative'
Select := 'all'
measure_pairs (Image, MeasureHandle, Sigma, Threshold, Transition, Select, RowEdgeFirst, ColumnEdgeFirst, AmplitudeFirst, RowEdgeSecond, ColumnEdgeSecond, AmplitudeSecond, IntraDistance, InterDistance //在指定 ROI 矩形区域内,检测符合 Threshold := 12的所有边缘对
dev_display (Image
dev_set_draw ('margin'//设置图形的显示方式
dev_set_color ('black'//设置字体的颜色
gen_rectangle2 (Rectangle, Row, Column, Phi, Length1, Length2//在显示窗口中输出矩形 p_disp_dimensions (RowEdgeFirst, ColumnEdgeFirst, RowEdgeSecond, ColumnEdgeSecond, IntraDistance, InterDistance, Phi, Length2, WindowHandle //测量结果显示函数
close_measure (MeasureHandle// 清除与测量相关的缓存文件
endwhile
close_framegrabber (FGHandle//关闭图像采集设备
5、电子插件参数实验测量结果如图 1-2所示:标示了引脚的边缘,宽度及其之间的距离。
图 1-2:开关引脚宽度及相互距离检测结果
参考例程:examples\solution_guide\1d_measuring\measure_switch.dev。
6、延伸训练
图 1-3 a 测引脚的宽度以及各个引脚的间距 b 测引脚的长度
这个训练的任务是检测芯片的主要尺寸 (见图 1-3 。
主要算法步骤:
------------------------
1 检测每个引脚的宽度以及各个引脚的间距(更加重要。我们定义一个包含引脚的矩形 ROI(见图 1-3a, 这就产生了测量目标。
gen_measure_rectangle2 (Row, Column, Phi, Length1, Length2, Width, eight,’nearest_neighbor’, MeasureHandle
mea sure_pairs (Image, MeasureHandle, 1.5, 30, ’negative’, ’all’,RowEdgeFirst, ColumnEdgeFirst, AmplitudeFirst, RowEdgeSecond,ColumnEdgeSecond, AmplitudeSecond, PinWidth, PinDistance
通过取出的各个直线边界对,就可以得到引脚数目、平均宽度和他们的平均间距
numPins := |PinWidth|
avgPinWidth := sum(PinWidth/|PinWidth|
avgPinDistance := sum(PinDistance/|PinDistance|
2 确定引脚的长度。尽管每个引脚的宽度都只有几个象素,但还是可以求出他们的长度。为了完成这个任务, 我们画出了一个包含了芯片两个对边引脚的矩形, 从而得到了一个新的测量区域 (见图 1-3b 。找到的第一条边和第二条边之间的距离就是上侧引脚的长度,第三条和第四条就是下面引脚的长度。
gen_measure_rectangle2 (Row, Column, Phi, Length1, Length2, Width, Height,’nearest_neighbor’, MeasureHandle
measure_pos (Image, MeasureHandle, 1.5, 30, ’all’, ’all’, RowEdge,ColumnEdge, Amplitude, Distance
参考例程 : examples\hdevelop\Applications\Measure\measure pin.dev
============================参考程序
=============================== dev_close_window (
read_image (Image, 'ic_pin'
get_image_pointer1 (Image, Pointer, Type, Width, Height
dev_open_window (0, 0, Width/2, Height/2, 'black', WindowHandle
dev_display (Image
stop (
draw_rectangle2 (WindowHandle, Row, Column, Phi, Length1, Length2//创建矩形,各参数定义如下。
Row := 47 //矩形中心点 Row 值
Column := 485
Phi := 0 //矩形偏移水平位置的角度,逆时针为正,顺时针为负
Length1 := 420 //矩形长度
Length2 := 10 //矩形宽度
dev_set_color ('green'
dev_set_draw ('margin'
dev_set_line_width (3
gen_rectangle2 (Rectangle, Row, Column, Phi, Length1, Length2
gen_measure_rectangle2 (Row, Column, Phi, Length1, Length2, Width, Height,
'nearest_neighbor', MeasureHandle
stop (
dev_update_pc ('off'
dev_update_var ('off'
n := 100
count_seconds (Seconds1
for i := 1 to n by 1
measure_pairs (Image, MeasureHandle, 1.5, 30, 'negative', 'all', RowEdgeFirst, ColumnEdgeFirst, AmplitudeFirst, RowEdgeSecond, ColumnEdgeSecond, AmplitudeSecond, PinWidth, PinDistance
endfor
count_seconds (Seconds2
Time := Seconds2-Seconds1
stop (
dev_set_color ('red'
disp_line (WindowHandle, RowEdgeFirst, ColumnEdgeFirst, RowEdgeSecond, ColumnEdgeSecond
avgPinWidth := sum(PinWidth/|PinWidth|
avgPinDistance := sum(PinDistance/|PinDistance|
numPins := |PinWidth|
OpSystem := environment('OS'
if (OpSystem='Windows_NT'
set_font (WindowHandle, '-Arial-18-*-*-*-*-*-'
else
set_font (WindowHandle, '-*-courier-*-*-*-*-18-*-*-*-*-*-*-*'
endif
dev_set_color ('yellow'
set_tposition (WindowHandle, 200, 100 //设置文字输入位置
write_string (WindowHandle, 'Number of pins: '+numPins//显示测量数据:Number of pins set_tposition (WindowHandle, 260, 100
write_string (WindowHandle, 'Average Pin Width: '+avgPinWidth
set_tposition (WindowHandle, 320, 100
write_string (WindowHandle, 'Average Pin Distance: '+avgPinDistance
dump_window (WindowHandle, 'tiff_rgb', 'C:\\Temp\\pins_result'
stop (
draw_rectangle1 (WindowHandle, Row1, Column1, Row2, Column2
Row1 := 0
Column1 := 600
Row2 := 100
Column2 := 700
dev_set_color ('blue'
disp_rectangle1 (WindowHandle, Row1, Column1, Row2, Column2
stop (
dev_set_part (Row1, Column1, Row2, Column2
dev_display (Image
dev_set_color ('green'
dev_display (Rectangle
dev_set_color ('red'
disp_line (WindowHandle, RowEdgeFirst, ColumnEdgeFirst, RowEdgeSecond, ColumnEdgeSecond
stop (
close_measure (MeasureHandle
dev_set_part (0, 0, Height-1, Width-1
dev_display (Image
stop (
dev_set_color ('green'
draw_rectangle2 (WindowHandle, Row, Column, Phi, Length1, Length2
Row := 508
Column := 200
Phi := -1.5708
Length1 := 482
Length2 := 35
gen_rectangle2 (Rectangle, Row, Column, Phi, Length1, Length2
gen_measure_rectangle2 (Row, Column, Phi, Length1, Length2, Width, Height, 'nearest_neighbor', MeasureHandle
stop (
measure_pos (Image, MeasureHandle, 1.5, 30, 'all', 'all', RowEdge, ColumnEdge, Amplitude, Distance
PinHeight1 := RowEdge[1]-RowEdge[0]
PinHeight2 := RowEdge[3]-RowEdge[2]
dev_set_color ('red'
disp_line (WindowHandle, RowEdge, ColumnEdge-Length2, RowEdge, ColumnEdge+Length2 dev_set_color ('yellow'
set_tposition (WindowHandle, RowEdge[1]+40, ColumnEdge[1]+100
write_string (WindowHandle, 'Pin Height: '+PinHeight1
set_tposition (WindowHandle, RowEdge[3]-120, ColumnEdge[3]+100
write_string (WindowHandle, 'Pin Height: '+PinHeight2
dump_window (WindowHandle, 'tiff_rgb', 'C:\\Temp\\pins_height_result'
close_measure (MeasureHandle
dev_set_draw ('fill'
dev_set_line_width (1
实验二线弧测量及定标实验
(一实验类型 :验证性实验
(二实验目的 :
通过该实验使得学生掌握如何建立线弧类工件的基本检测步骤, 如何将轮廓分成线段和 (圆弧以及如何测定相关的参数。具备解决实际工件参数(如长、宽、高视觉测量的问题。进而扎实掌握工件边缘长度测量、圆弧测量以及线段与圆弧混合测量等新技术。
(三实验要求 :
熟练掌握:用 Halcon 测量弧线及标定算法
学生分组人数:1人 /组
(四实验内容 :
测量包括工件顶端凸圆半径、凸缘端两耳朵圆孔半径、两切线长度、中心小孔半径、矩形长度和宽度,工件图像如图 2-1所示。
图 2-1 待测工件
【实验原理】
1、线弧类工件的测量,需采用近似匹配的方法。
2、亚像素(Sub-Pixel 定义:摄像机的成像面的分辨率以像素数量来衡量。但像素中心之间的距离有几个至十几个微米不等。为了最大限度利用图像信息来提高
分辨率, 提出了 Sub-Pixel 概念。意思是说,在两个物理像素之间还有像素,称之为Sub-Pixel ,它完全是通过计算方法的出来的。
3、算子及函数说明:
1 edges_sub_pix
函数功能:用 Deriche,Lanser,Shen, 或者 Canny 算法进行亚像素级边缘提取。
调用格式:edges_sub_pix( Image : Edges : Filter, Alpha, Low, High :
参数:Image--输入图像
Edges--得到的图像边缘
Filter--选取滤波器的种类
Alpha--滤波器参数,值选取越小,越平滑;
Low, High--边缘阈值的范围
2 segment_contours_xld
函数功能:把边缘分割为直线,圆弧或者椭圆弧
调用格式:segment_contours_xld( Contours : ContoursSplit : Mode, SmoothCont, MaxLineDist1, MaxLineDist2 :
参数:Contours--待分割的边缘
ContoursSplit --分割后的边缘
Mode--分割方式
SmoothCont--用于平滑边缘的点数
MaxLineDist1, MaxLineDist2---第一次和第二次计算时轮廓和直线的最大距离
4、轮廓提取实现流程 :
1获取图像 ==使用 ROI 区域 ==提取边缘和线 (edges_sub_pix,
edges_color_sub_pix,lines_gauss, lines_color==确定轮廓属性
(get_contour_attrib_xld,get_contour_global_attrib_xld,
query_contour_attribs_xld,query_contour_global_attribs_xld==处理 XLD Contours==显示结果
2生成 XLD (edges_sub_pix, edges_color_sub_pix, lines_gauss, lines_facet等边缘提取后,可以得到 XLD 。在 sobel_amp, edges_image或 bandpass_image之后,使用二值函数得到的是 Region ,需要生成 XLD ,相应算子 gen_contour_polygon_xld,
gen_contour_polygon_rounded_xld
处理 XLD (segment_contours_xld, split_contours_xld分割成直线、圆弧等 , select_shape_xld选取满足条件的直线、圆弧。 union_collinear_contours_xld, union_straight_contours_xld, union2_closed_contours_xld等合并线段
拟合 (fit_line_contour_xld配合 gen_contour_polygon_xld,
fit_rectangle2_contour_xld 配合 gen_rectangle2_contour_xld, fit_circle_contour_xld配合 gen_circle_contour_xld, fit_ellipse_contour_xld 配合 gen_ellipse_contour_xld
5、测量结果是像素值,得到的数值并不代表实际物理尺寸。不同相机像素点面积大小各异, 故测量结果若用像素值表示, 则与相机分辨率成正比。若用物理值表示,则需进行标定计算。
【实验步骤】
1、工件定位:将工件放置到平台转盘上相应位置,确保动态图象采集根据被测对象要求。
2、光源调整:选择前光源或背光源确保图象不受自然光源影响。
3、焦距调节:根据被测对象大小和厚度,调节支架横枞位置和相机焦距。
4、编写工件尺寸的测量与标定程序。
主要算法步骤:
------------------------
1 检测图像边界。
edges_sub_pix (Image, Edges, ’lanser2’, 0.5, 40, 90
segment_contours_xld (Edges, ContoursSplit, ’lines_circles’, 6, 4, 4
sort_contours_xld (ContoursSplit, SortedContours, ’upper_left’, ’true’,’column’
------------------------
2将线和圆匹配到提取的片段上。个别的片段必须在一个循环里存取。对于这个,首先它们的总数可以用 count_obj来判定 (注意 HDevelop 将这个算子看成一个任务。在这个循环里, 个别的片段被 select_obj算子选择出来。然后 , 它们的类型 (线或圆弧通过 get_contour_global_attrib_xld读取一个全局属性来决定。具体是匹配一个圆或线由结果决定。鉴于显示的目的,圆和线的建立使用测定的参数。
NumSegments := |SortedContours|
for i := 1 to NumSegments by 1
SingleSegment := SortedContours[i]
get_contour_global_attrib_xld (SingleSegment, ’cont_approx’, Attrib
if (Attrib = 1
fit_circle_contou r_xld (SingleSegment, ’atukey’, -1, 2, 0, 5, 2, Row,Column, Radius, StartPhi, EndPhi, PointOrder
gen_ellipse_contour_xld (ContEllipse, Row, Column, 0, Radius, Radius,0,
rad(360, ’positive’, 1.0
else
------------------------
3线的长度由算子 distance_pp计算出来。
fit_li ne_contour_xld (SingleSegment, ’tukey’, -1, 0, 5, 2, RowBegin,ColBegin, RowEnd, ColEnd, Nr, Nc, Dist
gen_contour_polygon_xld (Line, [RowBegin,RowEnd], [ColBegin,ColEnd]
distance_pp (RowBegin, ColBegin, RowEnd, ColEnd, Length
Endif
Endfor
=============================参考程序
==============================
open_framegrabber('DirectShow',1,1,0,0,0,0,'default',-1,'rgb',-1,'default','default',default',-1,-1,FG Handle //打开图像采集设备 , DirectShow即为相机的参数
grab_image_start (FGHandle, -1 //开始抓取图像
grab_image_async (Image, FGHandle, -1 //抓取图像进行中,图片名称为 Image
Halcon机器视觉实验指导书
机器视觉软件HALCON 实验指导书 目录 实验1 HALCON 概述，应用范例 实验2 HDevelop介绍，操作编程范例 实验3 HALCON编程接口，高级语言编程 实验4 HALCON数据结构，采集硬件接口 实验5 HALCON采集硬件配置，图像采集 实验6 HALCON二维测量，配准测量与识别定位 实验7 HALCON一维测量，尺寸测量 实验8 HALCON三维测量，3D重建测量 实验1 HALCON 概述，应用范例 实验2 HDevelop介绍，操作编程范例 1 邮票分割 文件名: stamps.dev 第一个例子进行文件分析任务。图5.1展示了部分邮票目录页。它描述了两种不同的邮票：以图形描述为主和以文字描述为主。 为了使用这个例子，必须把文字描述转化为计算机所能理解的形式。你可能使用OCR编程方式，你很快发现由于邮票的图形描述会导致大多数的可使用模块产生错误。于是另一项任务必须要进行预处理：对所有的邮票进行转化(例如,把邮票转化为灰色有价值的纸)，这样就可以使用OCR处
理邮票的剩余部分了。 当创造一个应用程序来解决这种问题,对要处理的对象进行特征提取是非常有帮助的。这个任务可以为新手提供解决的这类问题一些的经验。 ●一般而言，特征提取有如下步骤：邮票比纸要黑。 ●邮票包含图像的部分不重叠。 ●邮票具有最大最小尺寸。 ●邮票是长方形的。
图 5.1: Mi c he l图表的部分页. 如果直接使用属性清单而非编程，任务会变得很简单。可惜由于语言的含糊，这是不可能的。所以你需要建构具有精确的语法和语义的语言,尽可能接近非正式的描述。使用HDevelop语法，一个通常的程序看起来如下： dev_close_window () read_image (Catalog, ’swiss1.tiff’) get_image_pointer1 (Catalog, Pointer, Type, Width, Height) dev_open_window (0, 0,Width/2, Height/2, ’black’, WindowID) dev_set_part (0, 0,Height-1, Width-1) dev_set_draw (’fill’)
多用途气动机器人结构设计说明书
第一章引言 1.1 工业机械手概述 工业机器人由操作机(机械本体)、控制器、伺服驱动系统和检测传感装置构成，是一种仿人操作，自动控制、可重复编程、能在三维空间完成各种作业的机电一体化自动化生产设备。特别适合于多品种、变批量的柔性生产。它对稳定、提高产品质量，提高生产效率，改善劳动条件和产品的快速更新换代起着十分重要的作用。机器人应用情况，是一个国家工业自动化水平的重要标志。生产中应用机械手可以提高生产的自动化水平，可以减轻劳动强度、保证产品质量、实现安全生产;尤其在高温、高压、低温、低压、粉尘、易爆、有毒气体和放射性等恶劣的环境中，它代替人进行正常的工作，意义更为重大。因此，在机械加工、冲压、铸、锻、焊接、热处理、电镀、喷漆、装配以及轻工业、交通运输业等方面得到越来越广泛的引用。机械手的结构形式开始比较简单，专用性较强，仅为某台机床的上下料装置，是附属于该机床的专用机械手。随着工业技术的发展，制成了能够独立的按程序控制实现重复操作，适用范围比较广的“程序控制通用机械手”，简称通用机械手。由于通用机械手能很快的改变工作程序，适应性较强，所以它在不断变换生产品种的中小批量生产中获得广泛的引用。 气压传动机械手是以压缩空气的压力来驱动执行机构运动的机械手。其主要特点是:介质李源极为方便，输出力小，气动动作迅速，结构简单，成本低。但是，由于空气具有可压缩的特性，工作速度的稳定性较差，冲击大，而且气源压力较低，抓重一般在30公斤以下，在同样抓重条件下它比液压机械手的结构大，所以适用于高速、轻载、高温和粉尘大的环境中进行工作。 气动技术有以下优点: (1)介质提取和处理方便。气压传动工作压力较低，工作介质提取容易，而后排入大气，处理方便，一般不需设置回收管道和容器:介质清洁，管道不易堵存在介质变质及补充的问题. (2)阻力损失和泄漏较小，在压缩空气的输送过程中，阻力损失较小(一般不卜浇塞仅为油路的千分之 一)，空气便于集中供应和远距离输送。外泄漏不会像液压传动那样，造成压力明显降低和严重污染。 (3)动作迅速，反应灵敏。气动系统一般只需要0.02s-0.3s即可建立起所需的压力和速度。气动系统也能实现过载保护，便于自动控制。 (4)能源可储存。压缩空气可存贮在储气罐中，因此，发生突然断电等情况时，机器及其工艺流程不致突然中断。 (5)工作环境适应性好。在易燃、易爆、多尘埃、强磁、强辐射、振动等恶劣环境中，气压传动与控制系统比机械、电器及液压系统优越，而且不会因温度变化影响传动及控制性能。 (6)成本低廉。由于气动系统工作压力较低，因此降低了气动元、辅件的材质和加工精度要求，制造容易，成本较低。传统观点认为:由于气体具有可压缩性，因此，在气动伺服系统中要实现高精度定位比较困难(尤其在高速情况下，似乎更难想象)。此外气源工作压力较低，抓举力较小。虽然气动技术作为机器人中的驱动功能已有部分被工业界所接受，而且对于不太复杂的机械手，用气动元件组成的控制系统己被接受，但由于气动机器人这一体系己经取得的一系列重要进展过去介绍得不够，因此在工业自动化领域里，对气动机械手、气动机器人的实用性和前景存在不少疑虑。 1.2 气动机械手的设计要求 1.2.2 课题的设计要求 本课题将要完成的主要任务如下: (1)机械手为通用机械手，因此相对于专用机械手来说，它的适用面相对较广。 (2)选取机械手的座标型式和自由度。
2018年机器视觉实验报告-范文模板 (13页)
本文部分内容来自网络整理，本司不为其真实性负责，如有异议或侵权请及时联系，本司将立即删除！ == 本文为word格式，下载后可方便编辑和修改！ == 机器视觉实验报告 实验报告 课程名称： 班级： 姓名： 学号： 实验时间： 实验一 一．实验名称 Matlab软件的使用 二．实验内容 1.打开MATLAB软件，了解菜单栏、工具栏、状态栏、命令窗口等； 2.了解帮助文档help中演示内容demo有哪些； 3.找到工具箱类里面的Image Processing工具箱，并进行初步学习，为后续实验做准备。 三．实验原理： 通过matlab工具箱来进行图像处理 四．实验步骤 1. 双击桌面上的matlab图标，打开matlab软件 2. 了解菜单栏、工具栏、状态栏、命令窗口等
如下图1-1所示 图 1-1 3. 了解帮助文档help中演示内容demo有哪些； 步骤如下图1-2 图1-2 打开help内容demo后，里面的工具箱如图所示。 图1-3 4. 找到工具箱类里面的Image Processing工具箱，并进行初步学习，为后续实验做准备。找到并打开Image Processing工具箱，窗口如图1-4 ，图1-5所示 图 1-4 图 1-5 五.实验总结和分析 通过实验前的理论准备和老师的讲解，对matlab有了一定认识，在实验中，了解了实际操作中的步骤以及matlab中的图像处理工具箱及其功能，为后续的学习打下了基础，并把理论与实际相结合，更加深入的理解图像处理。 实验二 一．实验名称 图像的增强技术 二．实验内容 1.了解图像增强技术/方法的原理； 2.利用matlab软件，以某一用途为例，实现图像的增强； 3.通过程序的调试，初步了解图像处理命令的使用方法。 三．实验原理： 通过matlab工具箱来进行图像处理，通过输入MATLAB可以识别的语言命令来让MATLAB执行命令，实现图像的增强。
机器视觉简介
机器视觉概述 机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是指通过机器视觉产品（即图像摄取装置，分CMOS 和CCD 两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。 【应用领域】 机器视觉广泛应用于各个方面，广泛应用于微电子、PCB生产、自动驾驶、印刷、科学研究和军事等领域。 【基本构造】 一个典型的工业机器视觉系统包括：光源、镜头、CCD 照相机、图像处理单元（或图像捕获卡）、图像处理软件、监视器、通讯/ 输入输出单元等。系统可再分为、主端电脑(Host Computer)、影像获取卡(Frame Grabber)与影像处理器、影像摄影机、CCTV镜头、显微镜头、照明设备、Halogen光源、LED光源高周波萤光灯源、闪光灯源、其他特殊光源、影像显示器、LCD、机构及控制系统、PLC、PC-Base控制器、精密桌台、伺服运动机台。 以上涵盖大部分的机器视觉系统组成部分，在本实验室中机器视觉的主要系统组成为：光源、工控机、工业相机、镜头；其中在进行算法设计时尽量的减少对于光源条件的依赖（实验室的光源性能一般，光照条件良好）。 图1 典型的机器视觉系统
图2 本实验室的机器视觉的主要组成 尽量以本实验室现有的实验条件为主，其他需要的部分按实际要求也可以添加。 【工作原理】 机器视觉检测系统采用CCD照相机将被检测的目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号，图像处理系统对这些信号进行各种运算来抽取目标的特征，如面积、数量、位置、长度，再根据预设的允许度和其他条件输出结果，包括尺寸、角度、个数、合格/ 不合格、有/ 无等，实现自动识别功能。 【机器视觉系统的典型结构】 一个典型的机器视觉系统包括以下五大块： 1.照明 照明是影响机器视觉系统输入的重要因素，它直接影响输入数据的质量和应用效果。由于没有通用的机器视觉照明设备，所以针对每个特定的应用实例，要选择相应的照明装置，以达到最佳效果。光源可分为可见光和不可见光。常用的几种可见光源是白帜灯、日光灯、水银灯和钠光灯。可见光的缺点是光能不能保持稳定。如何使光能在一定的程度上保持稳定，是实用化过程中急需要解决的问题。另一方面，环境光有可能影响图像的质量，所以可采用加防护屏的方法来减少环境光的影响。照明系统按其照射方法可分为：背向照明、前向照明、结构光和频闪光照明等。其中，背向照明是被测物放在光源和摄像机之间，它的优点是能获得高对比度的图像。前向照明是光源和摄像机位于被测物的同侧，这种方式便于安装。结构光照明是将光栅或线光源等投射到被测物上，根据它们产生的畸变，解调出被测物的三维信息。频闪光照明是将高频率的光脉冲照射到物体上，摄像机拍摄要求与光源同步。
二维影像测量仪实验报告
一、实验目的 采用影像测量仪验收印刷电路板。 要求： （1）学习并掌握影像测量仪的构成和工作原理； （2）通过实践，掌握影像测量仪的操作使用，包括仪器的调节、标定、瞄准、测量；（3）掌握仪器软件的使用，测量数据采集，数据处理，误差评定； （4）采用投射/反射照明测量，测量印刷电路板，要求测量BGA封装（至少测量10个焊盘）焊盘的尺寸、焊盘间距；至少测量十条引线的线宽和间距；至少测量10 个过孔的尺寸。 （5）对照设计图纸，给出合格性结论，形成测量报告。 （6）撰写实验报告，包括原理、步骤、数据与处理、结论等。 二、影像测量仪的构成和工作原理 （1）构成 影像测量仪是一种由高解析度CCD彩色镜头、连续变倍物镜、彩色显示器、视频十字线显示器、精密光栅尺、多功能数据处理器、数据测量软件与高精密工作台结构组成的高精度光学影像测量仪器。 图1总体结构
加工定制：否分辨率：0.001（mm）测量行程：250*150*200（mm） 品牌：贵阳新天型号：JVB250 放大倍率：光学0.7-4.5X 影像28-180X 操作方式：手动测量精度：(3+L/200)um 外形尺寸（长*宽*高）：1000*650*1650（mm） JVB250的规格参数： ①测量范围: X坐标: 250mm Y坐标: 150mm 调焦行程: Z坐标: 200mm ②X、Y、坐标分辨率： 0.0005mm ③仪器准确度：(3+L/200)μm 其中L为被测长度，单位mm ④CCD摄像机：1/3″彩色摄像机，象素数：795(H)×596(V) ⑤物镜放大率： 0.7 ～ 4.5×连续变倍，影像放大28～ 180倍。 ⑥与放大率对应的物镜工作距离：75mm～90mm ⑦与放大率对应的物面最大高度：150mm～130mm ⑧工作台承重：30kg ⑨金属工作台尺：450mm×300mm ⑩主机外形尺寸：580mm×750mm×660mm （2）工作原理 影像测量仪是基于机器视觉的自动边缘提取、自动理匹、自动对焦、测量合成、影像合成等人工智能技术，具有点哪走哪自动测量、CNC走位自动测量、自动学习批量测量的功能，影像地图目标指引，全视场鹰眼放大等优异的功能。同时，基于机器视觉与微米精确控制下的自动对焦过程，可以满足清晰影像下辅助测量需要，亦可加入触点测头完成坐标测量。支持空间坐标旋转的优异软件性能，可在工件随意放置或使用夹具的情况下进行批量测量与SPC结果分类。 被测工件置于工作台上，在投射或反射光照明下，工件影像被摄像头摄取并传送到计算机，此时可使用软件的影像、测量等功能，配合对工作台的坐标采集，对工件进行点、线、面全方位测量。 影像测量仪是利用表面光或轮廓光照明后，经变焦距物镜通过摄像镜头，摄取影像再通过S端子传送到电脑屏幕上，然后以十字线发生器在显示器上产生的视频十字线为基准对被测物进行瞄准测量。并通过工作台带动光学尺，在X、Y方向上移动由DC-3000多功能数据处理器进行数据处理，通过软件进行演算完成测量工作。影像测量主要是利
机器视觉实验报告3
实验五图像的分割与边缘提取 一、实验内容 1.图像阂值分割 实验代码： clear all, close all; I=imread('flower.tif'); figure(1),imshow(I) figure(2); imhist(I) T=120/255; Ibw1=im2bw(I,T); figure(3); subplot(1,2,1), imshow(Ibw1); T=graythresh(I); L=uint8(T*255) Ibw2=im2bw(I,T); subplot(1,2,2), imshow(Ibw2); help im2bw; help graythresh; 运行结果：
实验代码： clear all, close all; I=imread('flower.tif'); figure(1),imshow(I) figure(2); imhist(I) T=240/255; Ibw1=im2bw(I,T); figure(3); subplot(1,2,1), imshow(Ibw1); T=graythresh(I); L=uint8(T*255) Ibw2=im2bw(I,T); subplot(1,2,2), imshow(Ibw2); help im2bw; help graythresh; 运行结果：
2.边缘检测 实验代码： clear all, close all; I=imread('flower.tif'); BW1=edge(I,'sobel'); BW2=edge(I,'canny'); BW3=edge(I,'prewitt'); BW4=edge(I,'roberts'); BWS=edge(I,'log'); figure(1), imshow(I), title('Original Image'); figure(2), imshow(BW1), title('sobel'); figure(3), imshow(BW2), title('canny'); figure(4), imshow(BW3), title('prewitt'); figure(5), imshow(BW4), title('roberts'); figure(6), imshow(BWS), title('log'); %在完成上述试验后,查看函数edge()使用说明。help edge 运行结果：
机器视觉在线检测详解
广东省东莞市莞城区莞太路34号东莞市创意产业中心园区8座502 Unit 502, Building 8, Creative Industry Center Park, No. 34 Guantai Road, Guancheng District, Dong Guan 523000, P.R.China 机器视觉在线检测详解 机器视觉的一个重要应用就是进行在线检测。这个与物体静止时的视觉检测系统不同，最起码图像摄取的速度要足够快才行，不然就不可能在被测物体运动时获取足够清晰的图像，再一个就是机器视觉软件的图像处理能力也要足够强，分析判断周期要够短，不然等反应过来了，产品可能都已经走出次品剔除系统的工作范围了。这样的机器视觉在线检测就是不合格的。 1 机器视觉在线检测的基本原理 基于机器视觉的在线检测系统的基本原理：首先通过视觉传感器获取高速流水线上运动待检测物体图像，图像传送到计算机后，计算机调用专用的图像处理软件来对检测物体进行检测、测量、分析、判断。多功能检测实验平台的硬件结构如图1所示，机器视觉在线检测系统的基本模块包括：传动装置、专用LED光源、图像采集模块、电气控制模块。 2 多功能检测实验平台运动控制部分设计 在这套系统中，运动控制部分选用工业PC＋运动控制卡＋步进电机的控制模式。运动控制卡是步进电机公司的MPC01。它配备了许多功能强大、内容丰富的运动控制软件工具和函数库。MPC01运动函数库用于二次开发，用户只要用C／C＋＋或Visual Basic等编制所需的用户界面程序，并把它与MPC01
运动库链接起来，就可以开发出自己的控制系统。 3 专用LED光源 光源对图像质量的影响是至关重要的，考虑到本套试验平台将要进行各种物品的检测实验，开发设计了多种专用LED照明方案以适应各种不同的待检物体。直环型用于各种具有稳定照度和清晰图像的工件；狭角型用于各种透明工件或低对比度工件；棒型用于透明、光滑、镀金表面；圆顶型用于不平整或弯曲的表面检测，金属包片上的印刷字体或弯曲表面的孔穴；背光型用于透明材料或液体的检测；同轴型用于光滑、电镀、低反射表面。 4 高速图像采集系统 图像采集部分将完成流水线上的运动图像获取，采集图像质量的好坏将直接影响整个检测效率。图像采集部分主要由CCD摄像机完成。CCD摄像机摄取图像信号，由图像采集卡将图像信号采集进来。本套实验装置选用两个方位的摄像机对待检测物体进行检测，一个俯拍位一个侧拍位，对有些待检测物体可以进行多方位的检测。摄像机采用的是Pulnix公司的TM6703，采集卡选用Matrox 公司的Comora2。 4.1 图像采集卡 Matrox Corona Ⅱ是Matrox Graphics Inc．生产的图像控制器，可采集隔行扫描／逐行扫描的分量RGB信号和单／双路黑白模拟视频信号；3路10bit A／D转换器；24-bit RS-422／LVDS数字接口；模拟情况下采集率达到30MHz，RS-422数字模式下达25MHz，LVDS数字模式下达40MHz；连接2个RGB 或6个模拟黑白视频信号；32-bit／33MHz PCI总线主模式；扩展板上实时采
机器视觉教学大纲
《机器视觉》教学大纲 课程编码：08241059 课程名称：机器视觉 英文名称：MACHINE VISION 开课学期：7 学时/学分：36/2 （其中实验学时：4 ） 课程类型：专业方向选修课 开课专业：机械工程及自动化 选用教材：贾云得编著《机器视觉》科学出版社 2002年 主要参考书： 1.ROBOTICS: Control, Sensing, Vision, and Intelligence, K. S. Fu，McGraw-Hill Publishing Company, 1987 2.张广军编著，机器视觉，科学出版社，2005年 执笔人：孔德文 本课程主要内容包括：二值图像分析、图像预处理、边缘检测、图像分割、纹理分析、明暗分析、彩色感知、深度图与立体视觉。通过本课程的学习，学生应掌握机器视觉的基础理论、基本方法和实用算法。 一、课程性质、目的与任务 机器视觉课程是机械工程及自动化专业在智能机器方向的一门专业方向选修课。机器智能化是机械学科的重要发展方向，也是国际上跨学科的热门研究领域。而机器视觉是智能机器的重要组成部分，它与图象处理、模式识别、人工智能、人工神经网络以及神经物理学及认知科学等都有紧密的关系。本课程对于开阔学生视野、使学生了解本专业的发展前沿，把学生培养成面向二十一世纪的复合型人才具有重要的地位和作用。通过本课程的学习，学生也能掌握一定的科学研究方法与技能，为有潜力成为研究型人才的学生打下一定基础。 二、教学基本要求 本课程主要内容包括：二值图像分析、图像预处理、边缘检测、图像分割、纹理分析、明暗分析、深度图与立体视觉。通过本课程的学习，学生应掌握机器视觉的基础理论、基本方法和实用算法。 本大纲仅列出达到教学基本要求的课程内容，不限制讲述的体系、方式和方法，列出的内容并非要求都讲，有些内容，可以通过自学达到教学基本要求。 使用CAI课件作为辅助教学手段可以节省大量时间，传递更多的信息量，所以本课程建议使用CAI课件。 作业是检验学生学习情况的重要教学环节，为了帮助学生掌握课程的基本内容，培养分析、运算的能力，建议布置作业5－8次，并在期末前安排一次综合作业作为主要考查环节。实验是教学的一个主要环节，实验时间共4学时，每次实验每小组4－6人，使每个学生均有亲自操作的机会。 三、各章节内容及学时分配 1．人类视觉与机器视觉 (4学时) : 人类视觉原理与视觉信息的处理过程；机器视觉理论框架与应用；成像几何学基础。
设备点检作业指导书
篇一：设备日常点检标准作业指导书 设备日常点检标准作业指导书 篇二：设备点检管理作业指导书 设备点检管理作业指导书版号 2007页码1/5 1目的与适用范围 1.1 目的掌握设备运行状况 便于对设备实行有效维修 保障设备过程能力。 1.2 适用范围 公司所属设备的点检工作 2引用文件 sp09《基础设施管理程序》 3职责 3.1机动设备部运行管理室对公司设备点检工作实行归口管理 对公司重点 关键 设备疑难故障实施诊断。 3.2各设备使用单位组织实施对设备的日常岗位和专业点检、重点设备的精密点检 组织实施点检人员的培训。 3.3检修中心受生产厂委托 按《设备点检标准》对生产厂的设备进行日常点检和维修值班点检 组织实施点检人员的培训。 4点检分类 4.1按点检周期与业务范围 将点检分为日常岗位点检、专业点检和精密点检三大类。 4.2专业点检分为专业维修点检和专职专业点检。 4.3精密点检为状态监测和故障诊断。 5点检分工 5.1日常岗位点检由岗位操作者和运行人员承担。 5.2专业点检和状态监测由维修值班人员、设备科专职点检员承担。 5.2.1 专业维修点检由维修值班人员承担。 5.2.2 专业专职点检与状态监测由专职点检员承担。5.3设备故障诊断由机动设备部专业人员承担。 6工作程序 6.1 点检标准 1、生产厂对设备进行a、b、c、d分类 编制a、b、c类设备点检标准。设备a、d、c、d分类标准见附件。 2、a、b 类设备点检标准 经机动设备部批准后实施。c类设备点检标准 生产厂自行批准后实施。 6.2 点检实施 1、机动设备部运行管理室配合生产厂、检修中心和人力资源部对专业点检人员实施培训 指导生产厂实施设备点检。 2、生产厂组织岗位操作人员 实施设备岗位日常点检 组织专职点检员进行专业专职点检 对关键设备实施状态监测。 3、检修中心接受生产厂委托 组织本单位专业人员对生产厂设备实施专业维修点检。 4、机动设备部运行管理室运用“涟钢设备状态在线监测系统网” 对全公司关键旋转设备 实施状态监测和故障诊断 组织生产厂专业专职点检员对“涟钢设备状态在线监测系统”实施维护。 5、必要时 机动设备部运行管理室接受生产厂委托 对生产厂设备实施故障诊断或故障处理 或外委实施故障诊断或故障处理。 6.3 点检实效管理 1、生产厂及时处理点检发现的设备隐患 或编制检修计划 按计划对隐患进行整改。 2、生产厂每月对设备点检、隐患处理绩效 以及隐患计划处理安排 通过信息管理系统报机动设备部运行管理室。 3、机动设备部设备运行管理室对生产厂设备点检进行督察 综合各生产厂的设备点检、隐患处理绩效 编制《设备点检月报》。 4、生产厂每半年对点检工作情况进行小结 年终进行全面总结 并报机动设备部。 5、对生产厂的点检实施情况 机动设备部运行管理室不定期组织进行专项检查与考核。 6、机动设备部年终对生产厂设备点检工作情况 进行综合检查与评优。 7 质量记录《设备点检月报》 sw/y15—11《设备检测报告》附件 点检设备a、b、c、d分类参照标准一、定性分值评价法 从可靠性、安全性、维修性及经济性等方面 对设备进行评价 确定点检设备的分类。 a、b、c、d分类表分值r 分值范围设备类别设备特征维修方式 r=∑ai 70~50 a类重点关键设备预防 50~35 b类关键设备预防 35~20 c类一般设备一般预防 20以下 d 类次要设备事后二、简单定性分类法 1、a类设备 生产线上的关键设备或关键辅助设备 其出现故障时损失价值大、故障停机影响生产时间长。 2、b类设备 生产线上一般及重要辅助设备 其出现故障时损失价值相对较小 或故障停机影响生产时间相对较短。 3、c类设备 一般不影响生产的设备及辅助设备 但其出现故障时损失价值大 需防止故障损失扩大的设备 对其重点部位需进行点检。 4、d类设备 发生故障可以通过事后维修的设备。三、说明 1、本参照标准所提供的“定性分值评价法”和“简单定性分类法”两种评价方法 由各二级厂根据本单位实际 选用其中一种 或两种综合应用 确定点检设备的a、b、c、d分类。 2、各单位可以根据本单位实际 另行制订设备的a、b、c、d分类标准
用matlab数字图像处理四个实验
数字图像处理 实验指导书
目录 实验一MATLAB数字图像处理初步实验二图像的代数运算 实验三图像增强-空间滤波 实验四图像分割 3
实验一 MATLAB数字图像处理初步 一、实验目的与要求 1．熟悉及掌握在MATLAB中能够处理哪些格式图像。 2．熟练掌握在MATLAB中如何读取图像。 3．掌握如何利用MATLAB来获取图像的大小、颜色、高度、宽度等等相关信息。 4．掌握如何在MATLAB中按照指定要求存储一幅图像的方法。 5．图像间如何转化。 二、实验原理及知识点 1、数字图像的表示和类别 一幅图像可以被定义为一个二维函数f(x,y),其中x和y是空间(平面)坐标，f 在任何坐标处(x,y)处的振幅称为图像在该点的亮度。灰度是用来表示黑白图像亮度的一个术语，而彩色图像是由单个二维图像组合形成的。例如，在RGB彩色系统中，一幅彩色图像是由三幅独立的分量图像(红、绿、蓝)组成的。因此，许多为黑白图像处理开发的技术适用于彩色图像处理，方法是分别处理三副独立的分量图像即可。 图像关于x和y坐标以及振幅连续。要将这样的一幅图像转化为数字形式，就要求数字化坐标和振幅。将坐标值数字化成为取样；将振幅数字化成为量化。采样和量化的过程如图1所示。因此，当f的x、y分量和振幅都是有限且离散的量时，称该图像为数字图像。 作为MATLAB基本数据类型的数值数组本身十分适于表达图像，矩阵的元素和图像的像素之间有着十分自然的对应关系。 图1 图像的采样和量化 根据图像数据矩阵解释方法的不同，MA TLAB把其处理为4类： ?亮度图像(Intensity images)
ABB机器人---机械手夹具皮带更换作业指导书
机械手夹具皮带更换维修作业指导书 一、设备基本情况 1、品牌：ABB机器人型号：IRB6700-200-2.60 主要用途：切割、去毛刺、研磨抛光、上下料 2、主要参数： 二、维修前的准备工作 三、现场联系生产工，将机械手夹具停放在便于维修的位置并断电悬挂警示牌。 四、拆掉两边护板，检查皮带损坏情况。对损坏的皮带进行更换。
五、皮带更换的过程： 1、拆掉机械臂与爪子连接处卡圈（注意标记左右方向），以及连接螺丝。 2、操作工配合操作。供电，提升机械臂，使臂与爪分离开，并断电。 3、拆掉爪子两端面以及顶部固定螺丝。 4、操作工配合将机械臂放下，将臂与爪连接螺丝安装好。然后提升机械臂，使爪子上端面与爪子分离开一定高度（便于拆卸皮带即可，不宜过高）。并断电。 5、拆开两端爪头与皮带固定处压板，将皮带取出。
6、测量旧皮带长度，裁剪合适长度的皮带（1450mm） 7、将皮带传入卡槽内压紧。注意皮带要安装正，不能有松紧边。然后调节皮带的松紧程度并固定。 （固定）（调节） 8、调节两边爪头位置，将两边爪头向中间靠拢。然后将另一端固定压板压紧。
9、放下机械臂，将爪子找正，把两端面螺丝紧固。拆掉机械臂与爪子连接螺丝，将臂与爪子分离开一定高度（方便操作即可）。 10、安装爪子上端面螺丝并紧固。若螺丝孔位置错移，将气缸固定螺丝松开（拆松即可）然后调整位置，把上端面螺丝紧固后将气缸固定螺丝紧固好。 11、放下机械臂，安装臂与爪连接处螺丝并紧固。然后安装卡圈。 六、试车 1、空载试车并观察情况。运动正常以后断电后安装护板。 2、清理现场卫生，做到工完料净场地清。
机器视觉与智能检测相关课题创新实践-实验报告
《机器视觉与智能检测相关创新实践》 课外实验报告 实验一、图像融合 1.实验内容： 对同一场景的红外图像和可见光图像进行融合，采用图1中的参考图形，以及自己 的手掌图像（可见光图像和红外光图像），并对结果进行简要分析，融合方法可采 用以下方法中的一种或多种：直接加权融合方法，傅里叶变换融合方法，小波变换 融合方法； 2.实验目标： 1）. 了解融合的概念； 2）. 比较融合方法中不同参数的效果（如直接加权融合中权值的分配） 3.参考图像： （a）红外图像（b）可见光图像 图1 待融合图像 4.实验内容 1）直接加权融合方法： 线性混合操作也是一种典型的二元（两个输入）的像素操作：
通过在范围内改变。 核心代码：image((Y1+Y2)/2); %权值相等 图2 直接融合图像1 图3 直接融合图像2 改变参数的影响：那个图的参数比例高，那个图在融合图像中的影响就越高。2）傅里叶变换融合：
对一张图像使用傅立叶变换就是将它分解成正弦和余弦两部分。也就是将图像从空间域(spatial domain)转换到频域(frequency domain)。然后通过在频域的处理来实现融合。 图4傅里叶变换融合图像1 图5 傅里叶变换融合2 3）小波融合： 小波变换（Wavelet Transform）是一种新型的工程数学工具，由于其具备的独特数学性质与视觉模型相近，因此，小波变换在图像处理领域也得到了广泛的运用。用在图像融合领域的小波变换，可以说是金字塔方法的直接拓展。
图6 小波融合1 图7 小波融合2 5．实验完整代码 1．直接融合 addpath('E:\学习\课件\机器视觉创新实践\曾东明') Y1=imread('1.PNG'); subplot(1,3,1); imshow(Y1); title(' 直接融合1.PNG');
实训一 机器视觉技术
实训一机器视觉技术 （一）机器视觉技术 1.目标→图像摄取装置（CMOS和CCD）→图像信号→图像处理系统→数字化信号 2.机器视觉系统组成部分：光源、镜头、相机、图像处理单元、图 象处理软件、监视器、输入/输出控制单元。 3.特点：提高生产的柔性和自动化程度。 4.应用：生产流水线的检测系统（汽车零件、纸币印刷质量）、智能 交通管理系统、金相分析、医疗图象分析、无人机、机器人等。 （二）机器视觉实训系统 大恒DHLAB-BASE-PY-AF型平移式机器视觉教学实验平台 组成部分：相机安装模块、光源安装模块、平台方形载板、运动控制面板 由组成部分可推测，在机器视觉系统识别物体时，相机的焦距、光源的种类、光圈的大小、曝光时间的长短、载板移动速度的大小都将会对获取图像产生不同的影响。 平台：速度可调；手动或自动运动模式； 摄像头：紧凑型数字摄像机 感光元件：1/1.8”CCD；分辨率为1628（H）x 1236（V）；像素尺寸4.4um x 4.4um。
（三）实训内容 【1】一维条码检测 1. 条形码(barcode)是将宽度不等的多个黑条和空白，按照一定的编码规则排列，用以表达一组信息的图形标识符，在商品流通、图书管理、邮政管理、银行系统等许多领域都得到广泛的应用。 2. 摄像机位置离检测平面大概47cm，光源离检测平面约36cm。 3. 实验步骤如下： ①放置条形码在载物平台上，使其处于镜头正下方； ②调整焦距、改变光圈大小，使物体清晰，对比度高、明暗适中； ③利用计算机软件控制相机对物体成像； ④通过改变曝光量、增益、光源、载物台移动速度，观察成像结果并加以比较。 ⑤结果如下： 条形码A 不开光圈、无速度曝光量增益识别结果 1000 0 没有图像 2500 0 不能识别 60000 0 正确识别 60000 5 正确识别 60000 6.4 错误识别 60000 7 没有图像条形码B 不开光圈、无速度曝光量增益识别结果 60000 2 没有图像 60000 6.4 正确识别 60000 20 错误识别 35000 6.4 不能识别 40000 6.4 正确识别 开光圈曝光量增益识别结果 60000 6.4 没有图像 2000 6.4 正确识别 速度曝光量增益识别结果 小60000 6.4 正确识别
视觉检测实验报告1
视觉检测技术试验 题目：MV-BDP2000S视觉皮带传送试验台功能认识试验 学院：信息科学与工程学院 专业班级：测控技术与仪器1401 学号：14040110X 学生姓名：李二狗 指导教师：宋辉 设计时间：2017.11.06
目录 一、试验台介绍 (1) 1.1试验台主要构成 (1) 1.1.1机柜部分 (2) 1.1.2传送部分 (2) 1.1.3视觉检测部分 (2) 1.1.4分选机构部分 (2) 1.2主要器件的关键指标 (2) 1.2.1工业数字相机 (2) 1.2.2光源 (3) 二、仪器操作及配置流程 (4) 2.1视觉检测部分的调试 (4) 2.1.1调节相机前后位置的方法 (4) 2.1.2调节相机高度的方法 (5) 2.1.3调节光源高度的方法 (5) 2.2设备性能的调试 (6) 2.2.1运动性能调试的参数 (6) 2.2.1视觉检测性能调试的步骤 (6) 三、仪器主要测量指标分析 (7) 3.1OCR&OCV字符识别指标分析 (7) 3.3.1 OCR检测的参数 (7) 3.2 尺寸测量指标分析 (8) 3.2.1 尺寸测量的参数 (8) 四、仪器采集或测量的试样 (9) 4.1字符识别试验结果 (9) 4.2 尺寸测量试验结果 (10) 4.3 实验总结 (11)
一、试验台介绍 本次试验中以维视数字图像技术有限公司(MICROVISION)推出MV-BDP200S机器视觉皮带传送实验开发平台(高级型)作为主要的实验设备，主要针对小型电子产品的外形和外观检测等，应用于提供高效的产品质量控制系统。本设备采用MV-MVIPS机器视觉图像处理控制器软件，该软件具有强大的缺陷识别功能、测量功能、色差检测、OCR&OCV识别检测，主要针对检测各类小型机械或电子产品的外观和外形，对于OK和NG产品实施分类管理放置。同时硬件上设计了组合式的照明及控制系统，创造了一个最优的光照系统及相对封闭的工作环境，有效的解决了环境对检测精度的影响，同时满足了待检产品对光照条件的要求。运用强大的检测及分析软件工具对被测产品进行定位、测量、分析。 1.1试验台主要构成 从整体外观来看，设备可以分为以下几个部分：机柜部分、传送部分、视觉检测部分、分选机构部分。设备的整体视图如图1所示: 图1整体设备部分视图
机器视觉与智能检测创新实践
《机器视觉与智能检测创新实践》课程设计报告 题目：基于可见光红外光图像的处理 班级： 姓名： 学号： 指导老师： 日期：
一、实验目的 机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是指通过机器视觉产品（即图像摄取装置，分CMOS和CCD两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。本实验的目的就是通过学生自身动手实验，使学生对机器视觉系统及图像处理有一定的认识。同时加深学生的动手能力和培养学生的创新能力。 二、实验设备 机器视觉实验平台，计算机，Matlab软件等 三、实验任务 （1）对采集的近红外图像进行增强、分割和细化（自己挑选成像效果较好的手背或手掌的近红外图像） 1、了解增强、分割和细化等处理的概念和效果并编程实现增强、分割和细化； 2、分别比较不同增强、分割和细化方法的优劣 （2）对采集到的可见光手掌图像进行分割得到手掌及手指的轮廓。
四、相关概念介绍 1、光谱 光谱是复色光经过色散系统（如棱镜、光栅）分光后，被色散开的单色光按波长（或频率）大小而依次排列的图案，如图1所示。 光波是由原子内部运动的电子产生的。各种物质的原子内部电子的运动情况不同，所以它们发射的光波也不同。研究不同物质的发光和吸收光的情况，有重要的理论和实际意义，已成为一门专门的学科——光谱学。 图1 可见光的光谱图 种类：发射光谱物体发光直接产生的光谱叫做发射光谱。发射光谱有两种类型：连续光谱和明线光谱。 连续分布的包含有从红光到紫光各种色光的光谱叫做连续光谱。炽热的固体、液体和高压气体的发射光谱是连续光谱。例如电灯丝发出的光、炽热的钢水发出的光都形成连续光谱。 只含有一些不连续的亮线的光谱叫做明线光谱。明线光谱中的亮线叫做谱线，各条谱线对应于不同波长的光。稀薄气体或金属的蒸气的发射光谱是明线光谱。明线光谱是由游离状态的原子发射的，所以也叫原子光谱。
铝型材挤压车间操作流程及作业指导书
铝型材挤压车间操作流程及作业指导书 挤压 一．操作规程： 1．采用加温100℃/1小时的梯温形式，将盛锭筒加温至380℃---420℃。 2．根据作业计划单，选择适量的合适铝棒进棒炉加温至480℃---520℃，特殊的工业型材按规定的工艺温度执行。 3．根据作业计划单选定符合计划单的模具，加温至460℃---500℃，保温2---4小时。4．启动挤压机冷却马达——油压马达。 5．根据计划单顺序，选定模具专用垫装在模座中，将模座锁定在挤压位置。 6．将盛定筒闭锁，将加热过的铝棒利用送料架升至料胆对齐位置。 7．主缸前进挤压 8．挤压时刚起压速度要慢，中速挤压速度视出料口型材表面质量适当调整。 9．将模具编号、铝棒编号、主缸压力、出料速度等详细记入原始纪录。 二．工艺要求 1．铝棒加热上机温度为：A平模：500℃---520℃B.分流模：480℃---500℃ C.特殊工业材按特殊的工艺要求执行。 2．模具加温工艺： A.平模：460℃---480℃ B.分流模：460℃---500℃ 3．盛定筒温度：380℃---420℃盛锭筒端面温度为280℃---360℃ 4．挤压出的料必须表面光滑，纵向压痕无手感，挤压纹细致均匀，无亮带、黑线、阴阳面平面间隙、角度偏差，切斜度按国标高精级。 5．挤压力：≤200㎏/cm2 6．料胆闭锁压力120㎏/cm2—150㎏/cm2。 7．液压油温度≤45℃ 8．型材流出速度一般控制在：5米/分钟---30米/分钟 9．模具在炉内的时间：≤8小时 10.每挤压80支棒－100支棒，必须用专用清缸垫清理一次料胆。 三．注意事项 1、挤压时，如塞模，闷车时间不得超过5秒。 2、装模时，注意安全，防止螺丝滑脱砸伤脚。 3、出料时，严禁直线向出料口窥视。 4装模上机前，必须检查中心位，挤压杆是否对中，开机前空载试机运行一次，确认无误正式开机。 5、测棒温，模温，盛锭筒温是否达到要求。 6、3—5支棒检查一次质量。 7、经常检查油温。 8、每支铝棒是否有炉号、合金牌号标示。 中断
人工智能YOLO V2 图像识别实验报告材料
第一章前言部分 1.1课程项目背景与意义 1.1.1课程项目背景 视觉是各个应用领域，如制造业、检验、文档分析、医疗诊断，和军事等领域中各种智能/自主系统中不可分割的一部分。由于它的重要性，一些先进国家，例如美国把对计算机视觉的研究列为对经济和科学有广泛影响的科学和工程中的重大基本问题，即所谓的重大挑战。计算机视觉的挑战是要为计算机和机器人开发具有与人类水平相当的视觉能力。机器视觉需要图象信号，纹理和颜色建模，几何处理和推理，以及物体建模。一个有能力的视觉系统应该把所有这些处理都紧密地集成在一起。作为一门学科，计算机视觉开始于60年代初，但在计算机视觉的基本研究中的许多重要进展是在80年代取得的。计算机视觉与人类视觉密切相关，对人类视觉有一个正确的认识将对计算机视觉的研究非常有益。 计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。这里所指的信息指Shannon定义的，可以用来帮助做一个“决定”的信息。因为感知可以看作是从感官信号中提取信息，所以计算机视觉也可以看作是研究如何使人工系统从图像或多维数据中“感知”的科学。 科学技术的发展是推动人类社会进步的主要原因之一,未来社会进一步地朝着科技化、信息化、智能化的方向前进。在信息大爆炸的今天,充分利用这些信息将有助于社会的现代化建设,这其中图像信息是目前人们生活中最常见的信息。利用这些图像信息的一种重要方法就是图像目标定位识别技术。不管是视频监控领域还是虚拟现实技术等都对图像的识别有着极大的需求。一般的图像目标定位识别系统包括图像分割、目标关键特征提取、目标类别分类三个步骤。 深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习的概念由Hinton等人于2006年提出。基于深度置信网络提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。
机器视觉测量实验报告
《机器视觉应用实验报告》 姓 名 黄柱汉 学 号 201341304523 院 系 机械与汽车工程学院 专 业 仪器仪表工程 指导教师 全燕鸣 教授 2015年04月16日
华南理工大学实验报告 课程名称：机器视觉应用 机械与汽车工程学院系仪器仪表工程专业姓名黄柱汉 实验名称机器视觉应用实验日期2015.4.16 指导老师全燕鸣 一、实验目的 主要目的有以下几点： 1.实际搭建工业相机、光源、被摄物体图像获取系统，自选Labview或Matlab、 Halcon、Ni Vision软件平台，用打印标定板求解相机内外参数以及进行现场 系统标定； 2.进行一个具体实物体的摄像实验，经图像预处理和后处理，获得其主要形状 尺寸的测量（二维） 3.进行一个具体实物体的摄像实验，经图像预处理和后处理，识别出其表面缺 陷和定位。 二、实验原理 “机器视觉”是用机器代替人眼来进行识别、测量、判断等。机器视觉系统是通过摄像头将拍摄对象转换成图像信号，然后再交由图像分析系统进行分析、测量等。一个典型的机器视觉系统包括照明、镜头、相机、图像采集卡和视觉处理器5个部分。 HALCON是在世界范围内广泛使用的机器视觉软件，拥有满足各类机器视觉应用的完善开发库。HALCON也包含Blob分析、形态学、模式识别、测量、三维摄像机定标、双目立体视觉等杰出的高级算法。HALCON支持Linux和Windows，并且可以通过C、C++、C#、Visual Basic和Delphi语言访问。另外HALCON与硬件无关，支持大多数图像采集卡及带有DirectShow和IEEE 1394驱动的采集设备，用户可以利用其开放式结构快速开发图像处理和机器视觉应用软件，具有良好的跨平台移植性和较快的执行速度。 本实验包括对被测工件进行尺寸测量和表面缺陷检测。尺寸测量是通过使用机器视觉来对考察对象的尺寸、形状等信息进行度量；缺陷检测是通过机器视觉手段来分析零部件信息，从而判断其是否存在缺陷。