全屏显示专题章节

工业机器视觉：基于灵闪平台的开发及应用

1.1

前言
1.2

目录
1.3

第1章　机器视觉的发展与应用
1.3.1

1.1　机器视觉概述
1.3.1.1

1.1.1　概述
1.3.1.2

1.1.2　机器视觉的特点
1.3.2

1.2　机器视觉系统的组成
1.3.2.1

1.2.1　计算机
1.3.2.2

1.2.2　图像采集设备
1.3.2.3

1.2.3　软件及编程工具
1.3.3

1.3　机器视觉技术的应用领域
1.3.3.1

1.3.1　机器视觉在工业领域中的应用
1.3.3.2

1.3.2　机器视觉在农业领域中的应用
1.3.3.3

1.3.3　机器视觉在医疗领域中的应用
1.3.3.4

1.3.4　机器视觉在汽车辅助驾驶领域中的应用
1.3.3.5

1.3.5　机器视觉在其他领域中的应用
1.3.4

1.4　机器视觉的发展与展望
1.3.4.1

1.4.1　机器视觉的发展
1.3.4.2

1.4.2　机器视觉的展望
1.4

第2章　灵闪视觉通用平台
1.4.1

2.1　灵闪平台介绍
1.4.1.1

2.1.1　灵闪的由来
1.4.1.2

2.1.2　灵闪的介绍
1.4.2

2.2　灵闪的市场定位与优势
1.4.2.1

2.2.1　灵闪的定位
1.4.2.2

2.2.2　灵闪的优势
1.4.3

2.3　灵闪的环境配置及安装注意事项
1.4.3.1

2.3.1　灵闪的运行配置要求
1.4.3.2

2.3.2　灵闪的安装注意事项
1.4.4

2.4　灵闪的基础操作
1.4.4.1

2.4.1　相机操作
1.4.4.2

2.4.2　算法操作
1.4.4.3

2.4.3　参数配置
1.4.4.4

2.4.4　算法数值结果展示
1.4.4.5

2.4.5　通信
1.5

第3章　图像采集系统
1.5.1

3.1　图像采集系统介绍
1.5.1.1

3.1.1　图像采集系统组成
1.5.1.2

3.1.2　系统设计
1.5.2

3.2　工业相机与图像采集卡
1.5.2.1

3.2.1　电荷耦合器件CCD
1.5.2.2

3.2.2　互补金属氧化物半导体CMOS
1.5.2.3

3.2.3　线阵相机与面阵相机
1.5.2.4

3.2.4　彩色相机与黑白相机
1.5.2.5

3.2.5　图像接口与采集卡
1.5.3

3.3　工业镜头的原理与选型
1.5.3.1

3.3.1　成像原理
1.5.3.2

3.3.2　景深
1.5.3.3

3.3.3　远心镜头
1.5.3.4

3.3.4　像差
1.5.4

3.4　光源的原理与选型
1.5.4.1

3.4.1　光源的特点
1.5.4.2

3.4.2　常用典型光源介绍
1.5.4.3

3.4.3　光源选择指标
1.6

第4章　特征定位
1.6.1

4.1　特征定位的原理
1.6.1.1

4.1.1　Hough变换
1.6.1.2

4.1.2　阈值法
1.6.1.3

4.1.3　Canny边缘检测
1.6.2

4.2　灵闪中特征定位算法介绍及示例
1.6.2.1

4.2.1　直线定位
1.6.2.2

4.2.2　圆定位
1.6.2.3

4.2.3　模板定位
1.6.2.4

4.2.4　斑点定位
1.6.2.5

4.2.5　轮廓定位
1.6.2.6

4.2.6　定位坐标系
1.7

第5章　视觉测量与统计
1.7.1

5.1　视觉测量与统计的原理
1.7.1.1

5.1.1　测量与统计介绍
1.7.1.2

5.1.2　点到点测量
1.7.1.3

5.1.3　点到线测量
1.7.1.4

5.1.4　线到线测量
1.7.1.5

5.1.5　立体视觉
1.7.2

5.2　灵闪中视觉测量与统计算法介绍及示例
1.7.2.1

5.2.1　交叉角度
1.7.2.2

5.2.2　线到线的距离
1.7.2.3

5.2.3　点到线的距离
1.7.2.4

5.2.4　点到点的距离
1.7.2.5

5.2.5　最短距离
1.7.2.6

5.2.6　共线性
1.7.2.7

5.2.7　平行度
1.8

第6章　标定
1.8.1

6.1　标定的原理
1.8.1.1

6.1.1　标定介绍
1.8.1.2

6.1.2　坐标系转换
1.8.1.3

6.1.3　相机内外参数
1.8.2

6.2　灵闪标定算法介绍
1.8.2.1

6.2.1　灵闪标定算法
1.8.2.2

6.2.2　灵闪标定算法的应用行业
1.9

第7章　图像预处理
1.9.1

7.1　图像预处理的原理
1.9.1.1

7.1.1　像素亮度变换
1.9.1.2

7.1.2　几何变换
1.9.1.3

7.1.3　局部预处理
1.9.1.4

7.1.4　图像复原
1.9.2

7.2　灵闪中预处理算法介绍及示例
1.9.2.1

7.2.1　单阈值
1.9.2.2

7.2.2　双阈值
1.9.2.3

7.2.3　图像增强
1.9.2.4

7.2.4　边缘增强
1.10

第8章　符号识别
1.10.1

8.1　一维码／二维码识别原理
1.10.1.1

8.1.1　一维码
1.10.1.2

8.1.2　二维码
1.10.2

8.2　灵闪符号识别算法工具介绍
1.10.2.1

8.2.1　一维码
1.10.2.2

8.2.2　二维码
1.11

第9章　灵闪平台的二次开发
1.11.1

9.1　灵闪平台的开发模式介绍
1.11.1.1

9.1.1　概述
1.11.1.2

9.1.2　特性
1.11.2

9.2　灵闪平台的接口介绍
1.11.2.1

9.2.1　相机操作接口
1.11.2.2

9.2.2　作业操作接口
1.11.3

9.3　灵闪平台的接口调用
1.11.4

9.4　灵闪平台的二次开发过程示例
1.11.4.1

9.4.1　灵闪配置作业
1.11.4.2

9.4.2　新建调用程序
1.11.4.3

9.4.3　测试调用程序
1.12

第10章　基于灵闪的机器学习算法平台
1.12.1

10.1　机器学习概述
1.12.1.1

10.1.1　图像分类与检测
1.12.1.2

10.1.2　分割问题
1.12.1.3

10.1.3　超分辨率重构
1.12.1.4

10.1.4　摄像机标定
1.12.1.5

10.1.5　去雾
1.12.2

10.2　机器学习的应用领域介绍
1.12.3

10.3　基于灵闪的机器学习算法平台介绍
1.12.3.1

10.3.1　样本采集
1.12.3.2

10.3.2　特征提取
1.12.3.3

10.3.3　模型训练
1.12.3.4

10.3.4　自动调参
1.12.3.5

10.3.5　测试与评价
1.12.4

10.4　基于灵闪的机器学习算法平台优势
1.13

第11章　特征定位应用案例
1.13.1

11.1　LED面板螺丝孔定位
1.13.1.1

11.1.1　案例背景
1.13.1.2

11.1.2　需求说明
1.13.1.3

11.1.3　光学方案
1.13.1.4

11.1.4　检测方式
1.13.1.5

11.1.5　数据结果
1.13.1.6

11.1.6　商业效益
1.13.2

11.2　钢板定位切割
1.13.2.1

11.2.1　案例背景
1.13.2.2

11.2.2　需求说明
1.13.2.3

11.2.3　光学方案
1.13.2.4

11.2.4　检测方式
1.13.2.5

11.2.5　数据结果
1.13.2.6

11.2.6　商业效益
1.14

第12章　测量与统计案例
1.14.1

12.1　电子载带芯片承载孔尺寸测量
1.14.1.1

12.1.1　案例背景
1.14.1.2

12.1.2　需求说明
1.14.1.3

12.1.3　光学方案
1.14.1.4

12.1.4　检测方式
1.14.1.5

12.1.5　数据结果
1.14.1.6

12.1.6　商业效益
1.14.2

12.2　太阳能电池片尺寸测量
1.14.2.1

12.2.1　案例背景
1.14.2.2

12.2.2　需求说明
1.14.2.3

12.2.3　光学方案
1.14.2.4

12.2.4　检测方式
1.14.2.5

12.2.5　数据结果
1.14.2.6

12.2.6　商业效益
1.15

第13章　符号识别应用案例
1.15.1

13.1　电能表铅封二维码识别
1.15.1.1

13.1.1　案例背景
1.15.1.2

13.1.2　需求说明
1.15.1.3

13.1.3　光学方案
1.15.1.4

13.1.4　检测方式
1.15.1.5

13.1.5　数据结果
1.15.1.6

13.1.6　商业效益
1.15.2

13.2　食品包装的生产日期验证
1.15.2.1

13.2.1　案例背景
1.15.2.2

13.2.2　需求说明
1.15.2.3

13.2.3　光学方案
1.15.2.4

13.2.4　检测方式
1.15.2.5

13.2.5　数据结果
1.15.2.6

13.2.6　商业效益
1.16

第14章　有无检测应用案例
1.16.1

14.1　空气开关外观检测
1.16.1.1

14.1.1　案例背景
1.16.1.2

14.1.2　需求说明
1.16.1.3

14.1.3　光学方案
1.16.1.4

14.1.4　检测方式
1.16.1.5

14.1.5　数据结果
1.16.1.6

14.1.6　商业效益
1.16.2

14.2　汽车刹车卡钳工件检测
1.16.2.1

14.2.1　案例背景
1.16.2.2

14.2.2　需求说明
1.16.2.3

14.2.3　光学方案
1.16.2.4

14.2.4　检测方式
1.16.2.5

14.2.5　数据结果
1.16.2.6

14.2.6　商业效益
1.17

第15章　基于传统算法的缺陷检测案例
1.17.1

15.1　电能表的液晶屏字符缺失检测
1.17.1.1

15.1.1　案例背景
1.17.1.2

15.1.2　需求说明
1.17.1.3

15.1.3　光学方案
1.17.1.4

15.1.4　检测方式
1.17.1.5

15.1.5　数据结果
1.17.1.6

15.1.6　商业效益
1.17.2

15.2　纺织面料的缺陷检测
1.17.2.1

15.2.1　案例背景
1.17.2.2

15.2.2　需求说明
1.17.2.3

15.2.3　光学方案
1.17.2.4

15.2.4　检测方式
1.17.2.5

15.2.5　数据结果
1.17.2.6

15.2.6　商业效益
1.18

第16章　基于机器学习算法的缺陷检测案例
1.18.1

16.1　纸箱的正反放置检测
1.18.1.1

16.1.1　案例背景
1.18.1.2

16.1.2　需求说明
1.18.1.3

16.1.3　检测方式
1.18.1.4

16.1.4　数据结果
1.18.1.5

16.1.5　商业效益
1.18.2

16.2　太阳能电池片的缺陷检测
1.18.2.1

16.2.1　案例背景
1.18.2.2

16.2.2　需求说明
1.18.2.3

16.2.3　检测方式
1.18.2.4

16.2.4　数据结果
1.18.2.5

16.2.5　商业效益

1.18.1.5 16.1.5　商业效益

16.1.5　商业效益

基于机器学习的分类框架与传统的视觉算法相比，免除了复杂的调参过程，对新场景、新应用、新目标的适应性更强，检测结果也更为量化直观。基于灵闪实现的该解决方案易于部署实施，相较于传统的人工盘点，更简便高效，是实现全自动物流系统的重要一环。