隨著經(jīng)濟(jì)的快速增長,液晶顯示器(LCD)因其環(huán)保的特性取代了傳統(tǒng)的陰極射線管成為顯示領(lǐng)域的主流。在液晶顯示器中,背光模組不僅為液晶顯示器提供光源,還是直接影響其顯像效果,而側(cè)入式背光模組因其更加輕薄受到了眾多廠家的青睞。近年來,如何提高側(cè)入式這一的核心組件的優(yōu)良特性,已經(jīng)成為目前研究的重點(diǎn)。針對(duì)導(dǎo)光板的網(wǎng)點(diǎn)燙印工藝環(huán)節(jié),為了保證網(wǎng)點(diǎn)燙印質(zhì)量,通過檢測標(biāo)記線和標(biāo)記點(diǎn)是否完整以確定網(wǎng)點(diǎn)燙印是否合格。本文完成的主要工作和取得的主要成果如下:一、傳統(tǒng)視覺技術(shù)研究:(1)在傳統(tǒng)視覺技術(shù)研究中,本文使用機(jī)器視覺預(yù)處理算法、特征提取算法和統(tǒng)計(jì)學(xué)方法進(jìn)行探索和論證。(2)通過對(duì)導(dǎo)光板生產(chǎn)企業(yè)現(xiàn)場調(diào)研和檢測目標(biāo)特征分析,決定采用傳統(tǒng)圖像算法針對(duì)輕度污染、輕度氣泡等特征較為明顯的情況進(jìn)行檢測。對(duì)導(dǎo)光板標(biāo)記線紋理結(jié)構(gòu),改進(jìn)均值濾波方法,進(jìn)行單方向?yàn)V波。采用機(jī)器視覺算法中的閾值分割、形態(tài)學(xué)方法、傾角矯正、提取投影極值等算法,實(shí)現(xiàn)導(dǎo)光板標(biāo)記線缺陷特征提取。運(yùn)用高階多項(xiàng)式擬合算法求差,獲取標(biāo)記線位置預(yù)判坐標(biāo),通過設(shè)置標(biāo)準(zhǔn)差波動(dòng)范圍排除干擾,確定標(biāo)記線位置。(3)針對(duì)導(dǎo)光板標(biāo)記點(diǎn)檢測,本文根據(jù)先驗(yàn)知識(shí)設(shè)置閾值進(jìn)行閾值...

【文章頁數(shù)】：69 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究的背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文章節(jié)安排
2 導(dǎo)光板缺陷檢測系統(tǒng)框架構(gòu)建
    2.1 導(dǎo)光板缺陷檢測系統(tǒng)硬件設(shè)計(jì)
        2.1.1 工業(yè)相機(jī)
        2.1.2 工業(yè)相機(jī)鏡頭
        2.1.3 光源
    2.2 導(dǎo)光板缺陷檢測系統(tǒng)軟件設(shè)計(jì)
    2.3 導(dǎo)光板缺陷檢測系統(tǒng)機(jī)械設(shè)計(jì)
        2.3.1 光學(xué)設(shè)計(jì)方案
        2.3.2 機(jī)械設(shè)計(jì)
    2.4 本章小結(jié)
3 導(dǎo)光板缺陷檢測算法
    3.1 圖像濾波
        3.1.1 鄰域平均
        3.1.2 中值濾波
        3.1.3 高斯濾波
        3.1.4 Gabor小波
        3.1.5 改進(jìn)均值濾波
    3.2 閾值分割
        3.2.1 OTSU閾值分割
        3.2.2 局部自適應(yīng)閾值分割
    3.3 標(biāo)記線檢測算法
        3.3.1 傾角矯正
        3.3.2 標(biāo)記線極值提取
        3.3.3 使用投影確定邊緣位置
        3.3.4 標(biāo)準(zhǔn)差計(jì)算
        3.3.5 搜索標(biāo)識(shí)線端點(diǎn)
    3.4 標(biāo)記點(diǎn)查找算法
        3.4.1 標(biāo)記點(diǎn)匹配算法
        3.4.2 點(diǎn)線距離計(jì)算
    3.5 實(shí)驗(yàn)結(jié)果
    3.6 優(yōu)化方案
    3.7 本章小結(jié)
4 導(dǎo)光板缺陷分類算法
    4.1 卷積神經(jīng)網(wǎng)絡(luò)
    4.2 DenseNet
        4.2.1 DenseNet運(yùn)算模型
        4.2.2 DenseNet網(wǎng)絡(luò)優(yōu)點(diǎn)
        4.2.3 DenseNet網(wǎng)絡(luò)特點(diǎn)
    4.3 基于DenseNet的導(dǎo)光板分類算法
        4.3.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與網(wǎng)絡(luò)參數(shù)
        4.3.2 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)與結(jié)果
    4.4 細(xì)粒度分類算法
        4.4.1 細(xì)粒度分類算法
        4.4.2 雙線性CNN
        4.4.3 實(shí)驗(yàn)結(jié)果
5 導(dǎo)光板缺陷檢測系統(tǒng)開發(fā)
    5.1 軟件模塊整體框架
    5.2 人機(jī)交互界面
    5.3 試驗(yàn)環(huán)境
        5.3.1 傳統(tǒng)視覺技術(shù)
        5.3.2 深度學(xué)習(xí)技術(shù)
        5.3.3 實(shí)驗(yàn)機(jī)器配置
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 工作結(jié)論
    6.2 進(jìn)一步研究展望
參考文獻(xiàn)
攻讀學(xué)位期間的科研成果
致謝



本文編號(hào)：4027748