相機參數如下：

2、鏡頭選型

在機器視覺表面缺陷檢測系統中，鏡頭與相機的組合對于中密度板表面缺陷圖像的質量有著直接的影響，相機成像原理如上圖所示。在采集圖像時，鏡頭必須能夠完整的照亮相機的傳感器區域，以避免陰影和漸暈的產生。鏡頭的光學分辨率越好，可以再現出越精細的結構。對于工業鏡頭，一般可分為以下三類：標準分辨率鏡頭、微距鏡頭、遠心鏡頭，不同類型的鏡頭應用場合也不相同。本文在確定了工作距離、視場大小和傳感器尺寸之后，可以通過以下公式求得工業鏡頭的焦距 ?：

式中，WD 表示拍攝距離，指鏡頭與拍攝目標的距離；PMAG 表示鏡頭放大倍數，指相機傳感器大小與視場大小之比。根據本研究中的實際需要，本文選用焦距為25mm 的工業鏡頭。工業鏡頭如下圖所示：

鏡頭的主要參數如下表所示：

3、光源選型

光照系統是中密度板表面缺陷檢測系統中一個重要的環節之一，它決定著系統的檢測結果與分割質量，失敗的照明系統會導致缺陷細節信息的丟失。由于相機是通過采集檢測目標的反射光來構成圖像。因此，在進行光源的選型時，首先要考慮到所有影響光線反射的外界因素，如檢測對象的材料、大小、形狀及顏色等。其次是光源的顏色及亮度，對比度差和照明不均勻的圖像會影響直接系統的識別準確率。對于某些缺陷，在使用特定顏色光進行照明時，也會提高系統的識別準確率。

本研究選用?？低暪旧a的工業線形光源 MV-LTDS-1200 及其控制器，如上圖所示。該光源功率為 104W，256 級亮度調節。MV-LTDS-1200 及其控制器主要參數如下表所示。

4、主機選型

主機的主要作用是軟件的載體，本文的軟件系統包含神經網絡算法，因此 GPU是主機的一個主要參數。若將 CPU（中央處理器）稱為 PC 的大腦，則 GPU（圖形處理單元）便是它的靈魂。與 CPU 相比，GPU 將復雜的任務分解為成千上萬個單獨的任務來并行處理，因此這使 GPU 成為圖形計算的理想選擇。從體系結構上講，CPU僅由幾個內核組成，這些內核具有大量可以同時處理幾個軟件線程的緩存。而 GPU由數百個可以同時處理數千個線程的核心組成。在 AI 中，GPU 已成為稱為“深度學習”的技術的關鍵。深度學習神經網絡含有大量數據，訓練它們執行任何人類程序員都無法描述的復雜任務。實驗主機參數如下表所示：

5、平臺搭建

本研究搭建的圖像采集平臺如下圖所示，平臺由相機、光源、勻速傳送臺、光電開關、主機等模塊組成。平臺可采集不同速度下的板材圖像，相機、光源的高度與距離可自由調整，為接下來的實驗提供了方便。平臺將供后續軟件開發、深度學習算法數據采集、深度學習算法實驗與評估使用。

6、尺寸標定

本文基于長寬為 0.35 米的標定板對圖像采集平臺的線陣相機像素點進行了尺寸標定工作，標定樣圖如下圖所示。通過如下公式確定了相機的主要參數。

式中，Resolution表示相機橫向分辨率；Di表示標定圓直徑的實際尺寸；di 表示標定圓直徑的像素尺寸；n 表示標定圓數量。最終確定了相機橫向分辨率為0.25mm/pixel；橫向視野范圍為 1.02 米。