基于机器视觉的LED芯片识别与产品检测系统

发布时间：2020-11-21 14:46

　　 机器视觉是研究利用机器代替人眼进行测量、控制的技术,具有非接触、精度高、可以长时间连续工作的特点,在LED芯片贴装和产品检测过程中使用机器视觉技术,能够解决人工操作精度低和速度慢的问题。本文通过对LED芯片识别和产品检测过程特点和需求的分析,设计了系统硬件方案,搭建出实验平台。在此实验平台的基础上利用图像处理和深度学习算法,研究了机器视觉技术在LED生产制造中的应用。论文的主要内容包括:针对LED芯片贴装过程提出了基于视觉补偿的精准贴装技术,通过贴装前对LED芯片的位姿识别,计算芯片旋转偏移量,从而调整贴装角度实现精确贴装。首先根据LED芯片金属引脚区域面积的差异,对LED芯片的正负极性进行识别;然后对LED芯片的位姿角度进行识别,在对LED芯片的位姿角度识别时提出了基于Hough变换、形态学连通域和角点检测的三种识别方法,并通过测试数据分析了上述方法的准确率以及各自的优势。针对LED产品检测过程,提出了基于深度学习的LED产品检测,改善了传统图像处理算法鲁棒性差的问题。在深度学习框架Caffe下使用SSD目标检测算法,搭建卷积神经网络并使用数据集对网络进行训练,获得了学习良好的训练模型。使用该目标检测模型将LED产品中的每个LED芯片识别并提取出来,逐个进行周长、面积、位姿等判定,进而判定LED产品的合格与否。实验结果表明使用深度学习算法的LED产品检测系统具有识别率高、鲁棒性强的优点。在Visual Studio 2013开发环境下,结合OpenCV图像处理算法库和Caffe深度学习框架,实现LED芯片识别和产品检测算法,构建系统的整体软件框架,设计编写用户应用程序软件。
【学位单位】：南昌大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TN312.8;TP391.41
【部分图文】：

第 2 章 LED 芯片图像预处理图像的灰度值。、平均值法于彩色图像中的每一个像素点，将 R ，G ，B 三个通道的平均值像在该点的灰度值。、加权平均法于人的眼睛对红色光、绿色光、蓝色光的敏感程度不同而对 ， 赋予不同的权重值，从而得到灰度化图像在该点的灰度值。Gray 0.30 R 0.59 G 0.11 B合分析后，使用加权平均法对图像进行灰度化操作更为合理，如图权平均法对彩色图像进行灰度化处理的结果。

图 2.3 灰度直方图图像滤波用工业相机采集 LED 芯片图像时，由于环境中各种不确定因素的LED 芯片图像中含有噪声，降低了图像质量。在对采集的图像进行品检测前一般需要进行滤波处理，以增强有用信息，突出图像的特间滤波是图像滤波中的一种重要方法[38]，空间滤波可以分为线性滤波[39]。线性滤波是一种相对比较简单的空间滤波方法，包括均值波等。线性滤波虽然运算简单，但是在滤波的过程中造成了图像的数字图像的边缘信息。为了能够实现图像滤波，且尽量减少对图像信息的损失，可以使用非线性滤波，如中值滤波等。性滤波的基本步骤为如图 2.4 所示：（1）建立一个掩模模板。（2）波的数字图像中逐像素移动掩模。（3）在每一像素点 x ,y 处作相w 1 , 1 f ( x 1, y 1) w 1 ,0 f ( x 1, y ) w 1 ,1 f ( x 1, y 1)

(a) 均值滤波 (b) 高斯滤波 (c) 中值滤波图 2.7 空间滤波算法对比图如图 2.7 为使用5 5的模板分别采用上述的三种图像空间滤波方法对图2.2(b)所示的灰度图像进行滤波平滑操作，可以看出均值滤波器在对图像去噪的同时，也造成了图像的失真模糊。高斯滤波器通过对模板中不同像素位置分配不同的权重，能够抑制图像中的高斯噪声，将图像中的亮度差异进行平衡，同时能够在滤除噪声时降低图像的模糊。中值滤波在一定的条件下可以克服线性滤波如均值滤波等带来的图像细节模糊。2.5 二值化在 LED 芯片的识别与产品检测中，二值化操作是对采集的图像进行分割的一种常用方法，特别适用于目标区域和背景区域明显处于不同灰度范围的图像。对灰度图像进行二值化操作时，需要对整幅图像的灰度分布情况进行分析，选取合理的阈值T ，从而分割出图像中需要的部分。假设灰度图像在像素点 x ,y 处
【参考文献】

相关期刊论文 前10条

1 王耀南;陈铁健;贺振东;吴成中;;智能制造装备视觉检测控制方法综述[J];控制理论与应用;2015年03期

2 宋松林;;国内外LED产业发展状况分析(下)[J];中国照明电器;2014年12期

3 战荫伟;黄治登;;基于机器视觉的贴片LED极性检测系统的设计[J];计算机测量与控制;2014年03期

4 罗尤春;孙容磊;;机器视觉理论及应用[J];软件导刊;2014年03期

5 李恺;杨艳丽;刘凯;辜松;张青;赵亮;;基于机器视觉的红掌检测分级方法[J];农业工程学报;2013年24期

6 王国庆;杨华新;刘承桓;叶洪;瞿进;;经济型贴片机系统设计[J];机械设计;2013年11期

7 余凯;贾磊;陈雨强;徐伟;;深度学习的昨天、今天和明天[J];计算机研究与发展;2013年09期

8 吴晓军;邹广华;;基于边缘几何特征的高性能模板匹配算法[J];仪器仪表学报;2013年07期

9 胡铟;杨静宇;;适用于遮挡情况的SSD和MCD融合跟踪算法[J];系统仿真学报;2010年04期

10 韩冰;林明星;丁凤华;;机器视觉技术及其应用分析[J];农业装备与车辆工程;2008年10期

相关博士学位论文 前1条

1 盛遵冰;机器视觉图像检测与定位系统关键技术研究[D];哈尔滨工业大学;2009年

相关硕士学位论文 前10条

1 张天琦;基于深度学习的行人流量统计算法研究[D];哈尔滨工业大学;2017年

2 张传凯;基于机器视觉的LED芯片定位与检测技术研究[D];陕西科技大学;2016年

3 孙伟立;LED检测及Bin库的系统软件黑盒测试用例设计[D];华中科技大学;2016年

4 孙付超;基于OpenCV的图像预处理在仪表定位中的应用[D];山东大学;2015年

5 宋佳星;基于机器视觉的插件机定位系统的研究与应用[D];大连理工大学;2014年

6 肖敏;基于机器视觉的晶圆定位系统研究[D];上海交通大学;2013年

7 董文杰;高亮LED产业发展研究[D];天津大学;2011年

8 马天翼;LED行业的发展趋势与投资机会分析[D];上海交通大学;2010年

9 李蒙;LED芯片检测系统视觉图像分析技术研究[D];杭州电子科技大学;2010年

10 王力;基于机器视觉的贴片元件定位系统的研究与开发[D];苏州大学;2009年

本文编号：2893160