臺灣博碩士論文加值系統

影像辨識是在樹莓派上使用python程式碼來做開發，搭配AD/DA擴充版以及電路檢測OLED的高精度的即時電流以及電壓，並且可以隨時切換OLED的畫面以及數據製成的數線圖，將所有系統整合到一起，在使用上會更加的方便。因為不同OLED的製程、材料會影響OLED的壽命，因此製作此系統來觀察OLED的壽命以及元件死亡的規律。研究中大多使用OpenCV來做輪廓檢測，先使用contour抓出攝像頭中的OLED範圍，再將OLED的顏色從RGB轉換到HSV色域來降低OLED亮度的影響，控制預先設定好的閥值來判定OLED死亡過程的變化。然後為了檢測OLED的電壓並且配合pi的最低以及最高輸入電壓，透過了差分放大電路來縮小檢測到的OLED電壓進入pi。整套系統的製作還使用了3D列印、雷射切割來將所有的模型來組裝，設計使用者介面，讓使用上更加簡潔易懂。

The image recognition is developed using python code on Raspberry Pi. It is used with the AD/DA expansion version and circuit to detect the high-precision real-time current and voltage of the OLED, and can switch the OLED screen and the digital line graph made from the data at any time. , integrating all systems together will make it more convenient to use .Because different OLED manufacturing processes and materials will affect the life of OLED, this system was created to observe the life of OLED and the pattern of component death. Most of the research uses OpenCV for contour detection. First use contour to capture the OLED range in the camera, then convert the OLED color from RGB to HSV color gamut to reduce the impact of OLED brightness, and control the preset threshold to determine Changes in the OLED death process. Then in order to detect the voltage of the OLED and match the minimum and maximum input voltage of the pi, a differential amplifier circuit is used to reduce the detected OLED voltage and enter the pi. The production of the entire system also used 3D printing and laser cutting to assemble all models, and designed the user interface to make it simpler and easier to use.

摘要…i
Abstract…ii
誌謝…iii
目錄…iv
表目錄…vi
圖目錄…vii
第一章 緒論…1
1.1 研究動機…1
第二章 文獻探討…2
2.1 OpenCV介紹…2
2.2 Raspberry Pi 4B…3
2.3 AD/DA high precision board…4
2.4 儀表放大器…5
第三章 環境建置與實驗方法…6
3.1 實驗架構與程式流程圖…6
3.1.1 OLED壽命檢測流程圖…6
3.2 硬體的架構…7
3.3 電路流程圖…11
3.4 python code流程圖…12
3.4.1 GUI介面…13
3.5 安裝函式庫…14
3.5.1 軟體更新與函式安裝…14
3.6 啟用樹莓派相機模組…17
3.6.1 開啟樹莓派攝像機功能…17
3.7 安裝AD/DA high precision board…19
3.7.1 啟用SPI與I²C通道…19
3.8 3D架構設計與列印…22
3.9 硬體架構設計與組裝…24
3.9.1 OLED壽命檢測硬體組裝…24
3.10 python程式設計…26
3.10.1 GUI設計…26
3.11 影像與圖表的設計與排版…28
3.12 OLED黑點判斷原理與流程…29
3.12.1 OpenCV contour輪廓繪製…29
第四章 結果與討論…30
4.1 黑點偵測方式…30
4.1.1 尋找最好的黑點偵測方式…30
4.1.2 Canny邊緣檢測…31
4.1.3 RGB值檢測…32
4.1.4 Contour輪廓檢測…33
4.2 Canny邊緣檢測的校正…34
4.2.1 製作色塊進行校正…34
4.3 多個OLED檢測…35
結論…40
參考文獻…41
Extended Abstract…43

[1]https://medium.com/@bob800530/opencv-%E5%AF%A6%E4%BD%9C%E9%82%8A%E7%B7%A3%E5%81%B5%E6%B8%AC-canny%E6%BC%94%E7%AE%97%E6%B3%95-d6e0b92c0aa3
[2]https://docs.opencv.org/4.x/
[3]https://zh.wikipedia.org/zh-tw/%E5%84%80%E8%A1%A8%E6%94%BE%E5%A4%A7%E5%99%A8
[4]Bradski, G. (2010, May). ICRA 2010 OpenCV Tutorial [PDF file]. Retrieved from http://roswiki.autolabor.com.cn/attachments/Events(2f)ICRA2010Tutorial/ICRA_2010_OpenCV_Tutorial.pdf
[5]林郁芳，2021，”以影像辨識為基礎之芒果品質預測與瑕疵分析系統” 國立屏東科技大學資訊管理研究所碩士論文
[6]Richard Bowman, Boyko Vodenicharski, Joel Collins, Julian Stirling，2019，”Flat-field and colour correction for the Raspberry Pi camera module”
[7]黃詩文，2020，” 以色彩辨識技術監測蔬果農藥殘留檢測之化學反應”，國立虎尾科技大學光電與材料科技研究所碩士論文
[8]許浚維，2020，” 攜帶式農藥殘留檢測儀器與手機藍牙連線顯示之研究”，國立虎尾科技大學光電與材料科技研究所碩士論文
[9]陳柏全，2021，” RGB色彩辨識應用於農藥殘留及番茄成熟度檢測之研究”，國立虎尾科技大學光電與材料科技研究所碩士論文
[10]Nayandra Fahri Himawan, Rizki Aditiya Ramadan, Tri Melda Yama, ” Implementasi Teknologi Barcode Untuk Pintu Ruangan Dengan PI Camera”, Journal of Digial Literacy and Volunteering, vol.1, NO.1(2023)
[11]洪錦魁，2022，OpenCV影像創意邁向AI視覺王者歸來，深智數位股份有限公司
[12]林立淳，2019，精通OpenCV 3，博碩文化股份有限公司
[13]Adrian Kaehler, Gary Bradsk，2017，OpenCV 3學習手冊 : 使用C + + 與OpenCV程式庫實作電腦視覺，碁峰資訊
[14]Hyosun Kim, Young-Jun Seo, Byungchoon Yang, and Hye Yong Chu,” Black perception in a transparent OLED display”, Oprics Express, vol.25, pp.3954-3965(2017)
[15]YEN-CHENG LIN, ” Statistic Analysis of Geometric Features for Wafer Defect Recognition”, 碩士論文，中原大學，2022
[16]Ming-Hsuan Change,” Defect Inspection of Transparent Plastic Products Using Machine Vision”, 碩士論文，中原大學，2022
[17]Erik Kamsties,Christopher M. Lott, ” An empirical evaluation of three defect-detection techniques”, Lecture Notes in Computer Science, vol.989, pp.362-383(2005)
[18]Dan Oneata, Jérôme Revaud, Jakob Verbeek, and Cordelia Schmid. 2014. Spatiotemporal object detection proposals. In European conference on computer vision.
Springer, pp.737–752.
[19]Foteini Markatopoulou, Vasileios Mezaris, and Ioannis Patras. 2016. Deep Multitask Learning with Label Correlation Constraint for Video Concept Detection. In ACM International Conference on Multimedia. ACM, pp.501–505.
[20]Olga Russakovsky, Jia Deng, Hao Su, Jonathan Krause, Sanjeev Satheesh, Sean Ma, Zhiheng Huang, Andrej Karpathy, Aditya Khosla, Michael Bernstein, Alexander C. Berg, and Li Fei-Fei. 2015. ImageNet Large Scale Visual Recognition Challenge. International Journal of Computer Vision 115, 2015, pp.211–252.