دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: فن آوری ویرایش: نویسندگان: Sheila Anand, L. Priya سری: ISBN (شابک) : 0815349270, 9780815349273 ناشر: CRC Press سال نشر: 2020 تعداد صفحات: 193 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 11 مگابایت
در صورت تبدیل فایل کتاب A Guide for Machine Vision in Quality Control به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب راهنمای بینایی ماشین در کنترل کیفیت نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
سیستم های ماشین ویژن پردازش تصویر را با اتوماسیون صنعتی ترکیب
می کنند. یکی از زمینه های اصلی کاربرد ماشین بینایی در صنعت، در
حوزه کنترل کیفیت است. بینایی ماشین بازرسی سریع، اقتصادی و قابل
اعتمادی را فراهم می کند که کیفیت و همچنین بهره وری کسب و کار را
بهبود می بخشد. ساخت برنامه های بینایی ماشین یک کار چالش برانگیز
است زیرا هر برنامه کاربردی منحصر به فرد است، با الزامات خاص خود
و نتیجه دلخواه.
راهنمای بینایی ماشین در کنترل کیفیت از رویکرد یک پزشک برای
یادگیری بینایی ماشین پیروی می کند. این کتاب راهنمایی هایی در
مورد نحوه ساخت سیستم های بینایی ماشین برای بازرسی کیفیت ارائه
می دهد. کاربردهای عملی صنعت برای ارائه درک خوبی از استفاده از
بینایی ماشین برای کنترل کیفیت مورد بحث قرار گرفته است. از
مطالعات موردی دنیای واقعی برای توضیح فرآیند ساخت راهحلهای
بینایی ماشین استفاده شده است.
این کتاب پوشش جامعی از موضوعات ضروری را ارائه میکند که شامل
موارد زیر است:
مقدمهای بر ماشین چشم انداز
مبانی تصاویر دیجیتال
بحث در مورد اجزای مختلف سیستم بینایی ماشین
پردازش تصویر دیجیتال مرتبط با کنترل کیفیت
مروری بر اتوماسیون
این کتاب می تواند توسط دانشجویان و دانشگاهیان و همچنین متخصصان
صنعت برای درک اصول بینایی ماشین استفاده شود. بهروزرسانیهای
نوآوریهای فناوری در حال انجام با بحث در مورد روندهای نوظهور در
بینایی ماشین و کارخانههای هوشمند آینده ارائه شده است.
شیلا آناند فارغالتحصیل دکترا و استاد است. در کالج مهندسی
راجالاکشمی، چنای، هند. او بیش از سه دهه تجربه در تدریس، مشاوره
و تحقیق دارد. او در صنعت نرم افزار کار کرده و دارای تجربه
گسترده ای در توسعه نرم افزارهای کاربردی و در ممیزی سیستم های
سازمان های مالی، تولیدی و تجاری است. او دکتری را راهنمایی می
کند. داوطلبان و بسیاری از محققان پژوهشی او از آن زمان مدرک
دکتری خود را دریافت کرده اند. او مقالات زیادی را در مجلات داخلی
و بین المللی منتشر کرده است و داور چندین مجله معتبر است. فناوری
اطلاعات در کالج مهندسی راجالاکشمی، چنای، هند. او نزدیک به دو
دهه تجربه تدریس دارد و در معرض مشاوره و تحقیق قرار دارد. او
سخنرانی های دعوت شده زیادی ارائه کرده، مقالات ارائه کرده و
چندین جایزه مقاله در کنفرانس های بین المللی کسب کرده است. او
چندین مقاله در مجلات بین المللی منتشر کرده است و داور مجلات
نمایه شده SCI است. زمینه های مورد علاقه او شامل چشم انداز
ماشین، ارتباطات بی سیم و یادگیری ماشین است.
Machine Vision systems combine image processing with industrial
automation. One of the primary areas of application of Machine
Vision in the Industry is in the area of Quality Control.
Machine vision provides fast, economic and reliable inspection
that improves quality as well as business productivity.
Building machine vision applications is a challenging task as
each application is unique, with its own requirements and
desired outcome.
A Guide to Machine Vision in Quality Control follows a
practitioner's approach to learning machine vision. The book
provides guidance on how to build machine vision systems for
quality inspections. Practical applications from the Industry
have been discussed to provide a good understanding of usage of
machine vision for quality control. Real-world case studies
have been used to explain the process of building machine
vision solutions.
The book offers comprehensive coverage of the essential topics,
that includes:
Introduction to Machine Vision
Fundamentals of Digital Images
Discussion of various machine vision system components
Digital image processing related to quality control
Overview of automation
The book can be used by students and academics, as well as by
industry professionals, to understand the fundamentals of
machine vision. Updates to the on-going technological
innovations have been provided with a discussion on emerging
trends in machine vision and smart factories of the
future.
Sheila Anand is a PhD graduate and Professor at Rajalakshmi
Engineering College, Chennai, India. She has over three decades
of experience in teaching, consultancy and research. She has
worked in the software industry and has extensive experience in
development of software applications and in systems audit of
financial, manufacturing and trading organizations. She guides
Ph.D. aspirants and many of her research scholars have since
been awarded their doctoral degree. She has published many
papers in national and international journals and is a reviewer
for several journals of repute.
L Priya is a PhD graduate working as Associate Professor and
Head, Department of Information Technology at Rajalakshmi
Engineering College, Chennai, India. She has nearly two decades
of teaching experience and good exposure to consultancy and
research. She has delivered many invited talks, presented
papers and won several paper awards in International
Conferences. She has published several papers in International
journals and is a reviewer for SCI indexed journals. Her areas
of interest include Machine Vision, Wireless Communication and
Machine Learning.
Cover Half Title Title Page Copyright Page Table of Contents Preface Authors 1: Computer and Human Vision Systems 1.1 The Human Eye 1.2 Computer versus Human Vision Systems 1.3 Evolution of Computer Vision 1.4 Computer/Machine Vision and Image Processing 1.5 Applications of Computer Vision 1.6 Summary Exercises 2: Digital Image Fundamentals 2.1 Digital Image 2.2 Monochrome and Color Images 2.3 Image Brightness and Contrast 2.4 2D, 3D, and 4D Images 2.5 Digital Image Representation 2.6 Digital Image File Formats 2.7 Fundamental Image Operations 2.7.1 Points, Edges, and Vertices 2.7.2 Point Operations 2.7.3 Thresholding 2.7.4 Brightness 2.7.5 Geometric Transformations 2.7.6 Spatial Transformation 2.7.7 Affine Transformation 2.7.8 Image Interpolation 2.7.8.1 Nearest-Neighbor Interpolation 2.7.8.2 Bilinear Interpolation 2.7.8.3 Bicubic Interpolation 2.8 Fundamental Steps in Digital Image Processing 2.9 Summary Exercises 3: Machine Vision System Components 3.1 Machine Vision System 3.2 Machine Vision Camera 3.2.1 CCD and CMOS Image Sensors 3.2.2 TDI Sensor 3.2.3 Camera Type 3.2.3.1 Area Scan Cameras 3.2.3.2 Line Scan Cameras 3.2.3.3 Smart Cameras 3.2.4 Camera Lens 3.2.4.1 Resolution, Contrast, and Sharpness 3.3 Lenses and Their Parameters 3.3.1 Types of Lenses 3.3.2 Lens Mounts 3.3.3 Lens Selection Examples 3.3.3.1 Field of View (Image Size) Is Much Larger Than Camera Sensor Size 3.3.3.2 Field of View Is Smaller or Close to Camera Sensor Size 3.4 Machine Vision Lighting 3.4.1 Light Sources in Machine Vision 3.4.2 Illumination Techniques 3.4.2.1 BackLighting 3.4.2.2 FrontLighting 3.4.2.3 Diffused Lighting 3.4.2.4 Oblique Lighting 3.4.2.5 Dark Field Lighting 3.4.2.6 Infrared and Ultraviolet Light 3.4.3 Illumination Summary 3.5 Filters 3.6 Machine Vision Software 3.6.1 Integration and Compatibility 3.6.2 Ease of Use and Cost to Operate 3.6.3 Vendor Support and Stability 3.7 Machine Vision Automation 3.8 Integration of Machine Vision Components 3.9 Summary Exercises 4: Machine Vision Applications in Quality Control 4.1 Overview of Quality Control 4.2 Quality Inspection and Machine Vision 4.3 Designing a Machine Vision System 4.4 Machine Vision Systems in Industry 4.5 Categorization of Machine Vision Solutions 4.5.1 Dimensional Measurement 4.5.1.1 Dimensional Measurement of Oil Seal 4.5.1.2 Dimensional Measurement of Reed Valve 4.5.2 Presence/Absence Inspection 4.5.2.1 Blister Pack Inspection 4.5.2.2 Bottle Cap Inspection 4.5.3 Character Inspection 4.5.3.1 Label and Barcode Inspection 4.5.3.2 Drug Pack Inspection 4.5.4 Profile Inspection 4.5.4.1 Profile Inspection of Spline Gear 4.5.4.2 Profile Inspection for Packaging Integrity 4.5.5 Surface Inspection 4.5.6 Robot Guidance 4.6 Summary Exercises 5: Digital Image Processing for Machine Vision Applications 5.1 Preprocessing 5.1.1 Image Filtering 5.1.1.1 Normalized Box Filter 5.1.1.2 Gaussian Filter 5.1.1.3 Bilateral Filter 5.1.1.4 Comparison of Filter Techniques 5.1.2 Subsampling/Scaling 5.1.3 Histogram 5.2 Image Segmentation 5.2.1 Threshold-Based Segmentation 5.2.2 Edge-Based Segmentation 5.2.2.1 First-Order Derivative Edge Detection 5.2.2.2 Second-Order Derivative Operators 5.2.2.3 Comparison of Edge Detection Techniques 5.2.3 Region-Based Segmentation 5.2.3.1 Region Growing Methods 5.2.3.2 Region Split and Merge Method 5.3 Object Recognition 5.3.1 Template Matching 5.3.2 Blob Analysis 5.4 Summary Exercises 6: Case Studies 6.1 Case Study—Presence/Absence Inspection of a 3G Switch Box 6.1.1 Inspection Requirements 6.1.2 Machine Vision Configuration 6.1.3 Machine Vision Setup 6.2 Case Study—Surface Inspection of a Rivet 6.2.1 Inspection Requirements 6.2.2 Machine Vision Configuration 6.2.3 Machine Vision Setup 6.3 Case Study—Dimensional Measurement of a Cage Sleeve 6.3.1 Inspection Requirements 6.3.2 Machine Vision Configuration 6.3.3 Line Rate and Resolution 6.3.4 Machine Vision Setup 6.4 General Process for Building Machine Vision Solutions 6.5 Summary Exercises 7: Emerging Trends and Conclusion 7.1 History of Industrial Revolution(s) 7.2 Machine Vision and Industry 4.0 7.3 Emerging Vision Trends in Manufacturing 7.4 3D Imaging 7.5 Emerging Vision Trends in Non-Manufacturing Applications 7.6 Conclusion Exercises Bibliography Index Untitled Untitled Untitled Untitled Untitled