شناسایی و تشخیص نوع عیوب موجود بر روی قوطی های کنسرو توسط پردازش تصویر وشبکه عصبی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 شناسایی و تشخیص نوع عیوب موجود بر روی قوطی های کنسرو توسط پردازش تصویر وشبکه عصبی دارای ۱۲ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد شناسایی و تشخیص نوع عیوب موجود بر روی قوطی های کنسرو توسط پردازش تصویر وشبکه عصبی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی شناسایی و تشخیص نوع عیوب موجود بر روی قوطی های کنسرو توسط پردازش تصویر وشبکه عصبی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن شناسایی و تشخیص نوع عیوب موجود بر روی قوطی های کنسرو توسط پردازش تصویر وشبکه عصبی :

تعداد صفحات :۱۲

چکیده مقاله:

محصولات بسته بندی شده در صنعت ممکن است دارای عیوب سطحی و ظاهری متفاوتی باشد. به طوریکه این عیوب منجر به خراب شدن مواد درون بسته می شود و در ضمن صاحبان این صنایع نیز دچار ضرر و زیانهایی از جمله مالی می شوند. از این رو کنترل کیفیت این محصولات امری اجتناب ناپذیر است و یکی از مراحل مهم در خط تولید این محصولات شناسایی این عیوب می باشد. در این تحقیق از تصاویر جمع آوری شده از قوطی های معیوب به عنوان پایگاه داده استفاده گردید و با توجه به وجود نویز در این تصاویر، ابتدا به ارتقای کیفیت تصاویر پرداخته شد. روش استفاده شده در این پروژه نتایج قابل قبولی در برداشت به منظور حذف نویز و ارتقای کیفیت تصاویر از فیلتر میانگین گیر بر روی تصاویر استفاده شد و جهت تعیین محل عیب در این تصاویر از روش تحلیل بافت استفاده گردید و با استفاده از روش های مورفولوژی، محل عیب از بافت پس زمینه متمایز شد. در روش پیشنهادی به استخراج ویژگی هایی از نواحی عیب پرداخته شد. به طوریکه این ویژگی ها می تواند جامعه اماری مناسبی برای تشخیص نوع عیب ودسته بندی انها توسط شبکه های هوشمند ارایه نماید . به منظور دسته بندی این عیوب از شبکه عصبی هوشمند LMS استفاده گردید. روش پیشنهادی خود را توسط نرم افزار متلب پیاده سازی کرده و کارایی ان را مورد بررسی قرار دادیم. به طوریکه دقت دسته بندی داده های ورودی ۹۷% می باشد. از جمله مزایای این روش پیشنهادی توانمندی در دقت و سرعت مناسب آن نسبت به کارهای مشابه می باشد.