（定稿）500亩草产业开发建设项目资金申请报告0

总长度即为所有相邻像素之间的长度之和。

当瑕疵长小于人为设定的参数时，我们就对该瑕疵判断为合格。

反之，则判断为不合格。

瑕疵宽的计算法计算瑕疵宽时，仍然对瑕疵做细化操作后，骨架各点所在的瑕疵的位置的宽度反应出瑕疵各段的宽度。

由于骨架曲线是单像素曲线，则个骨架点与相邻点的其他两个骨架点相接，分别求出与相邻点的斜率。

则每个斜率的垂线与瑕疵边缘相交两点，两点的连线的大小即为宽度值。

比较这两个宽度值其中较小的为这个瑕疵的宽度。

设骨架曲线的其中个骨架点用，表示，其相邻骨架点分别为，和，。

骨架线在点的斜率近似用直线的，，，，，导师评语率表示，则斜率表示为公式过骨架点斜率为的直线与瑕疵图像边缘交于两点，记为，。

则此瑕疵的宽度表达式为公式同理，骨架线在点的斜率近似用直线表示，同样的原理求出，然后比较与的大小，取较小值作为瑕疵的宽度。

最后结果，。

当瑕疵宽小于人为设定的参数时，我们就对该瑕疵判断为合格。

反之，则判断为不合格。

实际的检测效果如下，图密封圈灰度图为相机步骤到的密封原图，图算法最终的处理结果为本算法得到的最终的处理结果，可以看到，所有位于密封圈表面上的瑕疵都被检测出来了图密封圈灰度图图算法最终的处理结果实验结果我们的最终成果如图所示，我们已经搭建出了检测平台包括相机光源嵌入式主板触摸屏显示器等元素。

软件的识别算法也能达到预计的水平。

图成果图本章小结本章主要讲述了密封圈表面识别算法的主要流程。

并对每个步骤用文字公式和图片的方式进行了详细的解说。

第章总结与展望本文讲述了密封圈的图像采集结束后如何通过利用嵌入式图像处理技术，对密封圈上的瑕疵图像进行处理，提取出瑕疵的信息，并对瑕疵的特征参数与密封圈合格标准参数进行比较，筛选出合的像素值，等于时，就亦将该点标记为点，并堆入队列中。

如此依次循环。

在往复的过程中如果发现当前出队点的轴坐标小于在它之前出队的点的轴，就将的值赋值给变量。

如果发现当前出队点的轴坐标大于在它之前出队的点的轴，就将的值赋值给变量。

如果发现当前出队点的轴坐标小于在它之前出队的点的轴，就将的值赋值给变量。

如果发现当前出队点的轴坐标大于在它之前出队的点的轴，就将的值赋值给变量。

直循环到队空为止。

此时，则说明条瑕疵的信息遍历结束。

记录下此时的，四个值，并统计好之前的入队的个数。

则有公式公式这样，对于瑕疵信息数组，每个成员都代表的是每个瑕疵在维图像上的所有信息。

瑕疵的判断虽然我们根据全方位拓展法求得了瑕疵数组。

但是并不是所有的瑕疵都会影响产品的合格与否。

所以我们还要通过计算各个瑕疵的特性，排除掉些无关紧要的瑕疵。

对于般密封圈表面来说，些很小的点瑕疵，极短的缝瑕疵，以及位于圆环表面的瑕疵都对密封圈的使用没有任何影响。

所以我们要通过计算，将这些瑕疵排格的密封圈的过程。

根据瑕疵的特有的特征，对比当前流行的图像识别算法，改进出套更加适合密封圈检测的图像识别算法。

算法中对均值滤波和中值滤波图像二值化特征提取等过程均作了改进。

实现了较为快速适合的密封圈识别算法。

当前所有的算法都是用语言在上实现的，但是能否直接用在工业上检测密封圈，该算法还需要在速度上和精确性上得到提高，在之后的这段时间我会继续努力在机器视觉上寻求新的突破。

将来展望机器视觉将完全代替人工肉眼完成所有的检测识别。

参行分区域统计。

遍历图片内存。

统计的区域划分如图所示图分区域法示意图对蓝色区域的共个区域分别进行直方图统计，每个区域都求出相对应的阈值，遍历该区域内的像素点成员当，的像素值与阈值之间的灰度差距大于人为设定的参数时，就说明该点与周围像素环境之间存在着明显的不同。

可将该点的灰度值赋值为。

否则该点赋值为。

公式如下当时当时公式最终从得到的新二值图像内存数组命名为。

该数组的亮度信息如图所示。

图二值图可以在上图中看出，瑕疵的信息因为局部二值化的关系而被很好的保留了下来。

瑕疵特性参数计算瑕疵特征的提取主要包括瑕疵面积长度和宽度的计算等。

为了要提取出这些信息，可以用区域生长法来完成。

区域生长法提取普通的区域生长法是连通法。

就是对个点的上，左上，右上，左，右，下，左下，右下共个方向进行遍历扫描，如果在该遍历方向上也存在与当前遍历点的像素值相同的点时，就将该个点看做都是属于同个瑕疵上的像素点。

但是考虑到当前系统中捕捉到的瑕疵往往是属于狭长的缝。

而用连通法提取狭长缝隙的信息时就很有可能就会造成缝的断裂。

最终会导致将条缝的信息分为了块或多块连通区域信息来处理。

为了避免这现象，我们将区域生长法做了如下改进首先定义下瑕疵的结构体数组用来保存每个瑕疵的信息，结构体成员信息可以是瑕疵长，瑕疵宽，瑕疵面积等等。

本系统采用的是可调节的全方位拓展法求区域生长。

设每个方向上向外拓展个像素。

如图全方位拓展法求所示，点上的每个方向的像素都向外拓展了个像素，即。

入队出队图全方位拓展法求区域生长扫描内存数组信息里的目标圆环区域，如果发现点的像素值，等于时，就将该点标记为点，并堆入队列中。

每次遍历队列，如果发现队列不为空，就让队尾元素出队，出队的同时，记录下当前出队的点的坐标位置并以该点做为基准往个方向连通个像素出去，形成个的窗口如图全方位拓展法求所示。

遍历窗口里的点成员如果该点位于内存数组的目标圆环检测区域内，并且该点对应除在外。

瑕疵面积的计算法在本系统中瑕疵的面积可以直接用来代替，当瑕疵面积小于人为设定的参数时，我们就对该瑕疵判断为合格。

反之，则判断为不合格。

瑕疵长的计算法计算瑕疵长时，基于瑕疵的线性特征，首先对瑕疵做细化操作，得到单像素宽的瑕疵骨架曲线。

瑕疵的长度实际上就是骨架图像骨干点之间的长度之和。

骨化后的图像是个单像素宽度的连通性好的骨干图像。

可以分别求取相邻像素之间的长度，然后把所有的相邻像素之间的距离求和即为所得，如下式考文子地图设计系统已经调试成功，在未正式运行之前，完全有必要进行全面的测试，以检验软件的可靠性，正确性，及稳定性。

这也是开发项目的最基本规范。

软件的测试数据为教务处的真实数据，所以本测试报告有较强的说服力。

测试概要测试方法本软件主要采用黑盒测试方法。

黑盒测试，又称为功能测试或数据驱动测试是把测试对象看作个黑盒子。

利用黑盒测试法进行动态测试时，需要测试软件产品的功能，不需测试软件产品的内部结构和处理过程。

采用黑盒技术设计测试用例的方法有等价类划分边界值分析推测因果图和综合策略。

黑盒测试注重于测试软件的功能性需求，也即黑盒测试使软件工程师派生出执行程序所有功能需求的输入条件。

黑盒测试并不是白盒测试的替代品，而是用于辅助白盒测试发现其他类型的。

黑盒测试试图发现功能或遗漏界面数据结构或外部数据库访问初始化和终止。

具体测试设计系统测试根据每个发过程中的心得。

知识的获取在系统开发之前我们先做了些知识储备，有意识和有计划地复习了以前学过的课程，如数据库基本原理，这对后期的开发有很大的帮助，当然，开发人员更要求去接受新的知识，学习些新的软件开发方法，实用的设计模式，知识的全面准备对整个系统编码的框架很有指导意义。

在开发过程中，会出现些技术上的难点和障碍，在网络中我们得到了很实在的帮助。

知识的获取开发出个性能良好的系统更需要个配合默契的团队，在个开发团队中，合做是第位，个系统的开发要求的知识层次比较高，这就要求在团队里通过人员的优良组合，实现知识结构上的互补。

个优良的开发团队里人员的搭配也是很有讲究的。

困难与不足总结与展望软件开发是个长期的并且是工作量繁重的过程，个程序员的意志在这个时候得到考验，要想干好件事，就得脚踏实地步步来，切忌心高气浮。

当然，我们这个系统还存在许多的不足之处，界面不够友好，电子地图设计的不够深层次，我们会在后期的完善中修改。

致谢我们得感谢我们的指导老师李伟老师，在整个开发过程中他给我们的帮助是无法替代的，没有他的无私付出，我们也不可能这么顺利完成。

石河子大学本科生毕业设计论文参考文献，，，，陈琼，杨秀国，杨小勤大全编程开发实例电子工业出版社周筠，杨秀国，张健创建快速响应站点的工具和技巧电子工业出版社江宽，龚小鹏开发详解与双剑合璧电子工业出版社孙鑫著深入详解基于的开发电子工业出版社出版郑莉，王行言等编著语言程序设计清华大学出版社出版石道远管理信息系统北京电子工业出版社出版萨师煊，王珊数据库系统概论北京高等教育出版社出版郝安林，王伟平，张明亮从入门到精通北京电子工业出版社，出版张卓基于的开发模式在毕业设计管理系统中的应用人民邮电出版出版刘欣怡软件工程北京清华大学出版社出版孙更新，吕婕等编著毕业设计指南与项目实践北京科学出版社年出版张卓基于的开发模式在毕业设计管理系统中的应用人民邮电出版出版精通附盘北京人民邮电出版社年出版肖慎勇数据库及其应用学习与实验指导教程北京清华大学出版社出版张银鹤，唐有明，王俊伟网站开发典型实例北京电子工业出版社出版刘中兵开发者突公式，和，是相邻骨干点的两个点是水平方向的比例因子，即水平方向上的像素个数与实际情况水平长度的比值是垂直方向的比例因子，即水平方向上的像素个数与实际情况垂直长度的比值是两个相邻像素之间的长度。

总长度即为所有相邻像素之间的长度之和。

当瑕疵长小于人为设定的参数时，我们就对该瑕疵判断为合格。

反之，则判断为不合格。

瑕疵宽的计算法计算瑕疵宽时，仍然对瑕疵做细化操作后，骨架各点所在的瑕疵的位置的宽度反应出瑕疵各段的宽度。

由于骨架曲线是单像素曲线，则个骨架点与相邻点的其他两个骨架点相接，分别求出与相邻点的斜率。

则每个斜率的垂线与瑕疵边缘相交两点，两点的连线的大小即为宽度值。

比较这两个宽度值其中较小的为这个瑕疵的宽度。

设骨架曲线的其中个骨架点用，表示，其相邻骨架点分别为，和，。

骨架线在点的斜率近似用直线的，，，，，导师评语率表示，则斜率表示为公式过骨架点斜率为的直线与瑕疵图像边缘交于两点，记为，。

则此瑕疵的宽度表达式为公式同理，骨架线在点的斜率近似用直线表示，同样的原理求出，然后比较与的大小，取较小值作为瑕疵的宽度。

最后结果，。

当瑕疵宽小于人为设定的参数时，我们就对该瑕疵判断为合格。

反之，则判断为不合格。

实际的检测效果如下，图密封圈灰度图为相机步骤到的密封原图，图算法最终的处理结果为本算法得到的最终的处理结果，可以看到，所有位于密封圈表面上的瑕疵都被检测出来了图密封圈灰度图图算法最终的处理结果实验结果我们的最终成果如图所示，我们已经搭建出了检测平台包括相机光源嵌入式主板触摸屏显示器等元素。

软件的识别算法也能达到预计的水平。

图成果图本章小结本章主要讲述了密封圈表面识别算法的主要流程。

并对每个步骤用文字公式和图片的方式进行了详细的解说。

第章总结与展望本文讲述了密封圈的图像采集结束后如何通过利用嵌入式图像处理技术，对密封圈上的瑕疵图像进行处理，提取出瑕疵的信息，并对瑕疵的特征参数与密封圈合格标准参数进行比较，筛选出合的像素值，等于时，就亦将该点标记为点，并堆入队列中。

如此依次循环。

在往复的过程中如果发现当前出队点的轴坐标小于在它之前出队的点的轴，就将的值赋值给变量。

如果发现当前出队点的轴坐标大于在它之前出队的点的轴，就将的值赋值给变量。

如果发现当前出队点的轴坐标小于在它之前出队的点的轴，就将的值赋值给变量。

如果发现当前出队点的轴坐标大于在它之前出队的点的轴，就将的值赋值给变量。

直循环到队空为止。

此时，则说明条瑕疵的信息遍历结束。

记录下此时的，四个值，并统计好之前的入队的个数。

则有公式公式这样，对于瑕疵信息数组，每个成员都代表的是每个瑕疵在维图像上的所有信息。

瑕疵的判断虽然我们根据全方位拓展法求得了瑕疵数组。

但是并不是所有的瑕疵都会影响产品的合格与否。

所以我们还要通过计算各个瑕疵的特性，排除掉些无关紧要的瑕疵。

对于般密封圈表面来说，些很小的点瑕疵，极短的缝瑕疵，以及位于圆环表面的瑕疵都对密封圈的使用没有任何影响。

所以我们要通过计算，将这些瑕疵排