基于深度学习的焊接件焊点智能检测算法及装备研究
发布时间：2021-08-14 09:10
焊接件生产中,焊点数量多,容易漏焊,造成质量问题。目前焊点数量的检测主要为人工打点,劳动强度大,且容易出错,所以需要一种自动且准确检测焊点数量的装置。本课题以检测焊接件表面焊点数量为主要目标,设计制造1台可以智能检测焊接件表面焊点数量的装备。通过大量的文献调研和焊接缺陷调研,构建了检测设备机械结构及检测系统的整体构架。对装备的图像采集系统中光源的颜色特性和光源照明方式进行了分析,确定使用蓝色光源和正向直射照明方式,随后又对成像系统的相机镜头等光学参数进行研究,确定在检测条件下使用8mm镜头,200mm物距,光圈值为F8时是最优的采集场景。对采集后的图像,进行了灰度化处理研究,并研究了图像噪声、滤波和边缘检测等图像处理算法,重点分析了最小二乘法圆拟合和霍夫圆变换在本课题中对焊点的拟合检测情况,并进行了测试,检测效果很差且误报率和漏报率都会波动。接着研究了深度学习神经网络的目标检测方法,通过了图像中焊接件焊点的检测测试,误报率仅有1.8%,漏报率为0%。最后基于上述检测方法搭建了焊接件焊点视觉检测装备,通过图像采集系统、直线运动单元、控制系统、检测系统等完成整机的装备,并进入工厂生产线进行...
【文章来源】：江汉大学湖北省
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
焊接件焊点图
江汉大学硕士研究生学位论文第6页第2章焊接件焊点采集成像系统研究2.1引言图像的采集是智能检测中最基本的步骤，这一方式的选择决定了后续检测方法的难易程度，良好的采集环境可以得到清晰表示出焊接件焊点特征的图片，这可以大大减少检测的困难。采集图像的质量收到光源和相机光学参数的影响，不同的光源下和不同的照明方式会产生不同的效果图像，而相机、镜头与物体的物距关系也会影响采集成像的质量。2.2采集成像系统光学照明研究2.2.1光源的颜色特性如图2-1所示，不同颜色的光源在他们对应的波长范围内的相对光强不同，高光强的光源可以提高图像亮度的上限，满足在暗场情形下的采集需求。图2-1光源颜色的光谱分析色温是表示光线中包含颜色成分的一个计量单位[25]。一般来说，黑体是一个只接收不反射光的理想物质，对黑体物质从绝对零度（-273℃）进行加温，黑体物质会显现出不同的颜色。在黑体物质开始加热之后，黑体物质的颜色逐渐由黑色变为红色，然后转为黄色、白色最后变为蓝色，当加热到某一温度时，黑体发出的某种颜色的光所含的光谱成分，就称这一温度为当前颜色的色温。如图2-2所示，不同色温的光源在波长不同的情况下光强也不尽相同。5000K以上的蓝色关，在440nm时相对光强最高，而随着波长增加不断减小，在470nm左右开始增强，而增强到最高其相对光强也只有440nm时的35%左
江汉大学硕士研究生学位论文第7页右，而后不断减小直至消失。图2-2不同色温光源光谱分析而且，还要考虑到选择相机的CCD芯片对各种光源的感应反馈效果，图2-3所示为微视图像RS-2300系列相机CCD芯片对400-1000nm波长范围内光的光谱分析。图2-3RS-A2300型相机芯片光谱分析图对上图2-3的芯片对400nm至500nm间的蓝光，500nm-580nm间的绿光，和600nm的红光响应度最好，而对于检测的金属焊接件，越短波长的光能更好地减少边缘部分光的衍射，有利于使边缘成像更加锐利。所以可以选择440nm左右的蓝色光源作为采集成像系统的光源，此时高色温的蓝光的相对光强也较高。2.2.2光源的照明方式光源作为采集成像系统的中的重要组成部分，对整个系统的增益不言而
【参考文献】：
期刊论文
[1]数字图像处理技术及其应用[J]. 姚希. 电子技术与软件工程. 2017(18)
[2]不同池化模型的卷积神经网络学习性能研究[J]. 刘万军,梁雪剑,曲海成. 中国图象图形学报. 2016(09)
[3]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[4]基于机器视觉的金属罐内壁缺陷检测[J]. 胡晓彤,董莹莹. 天津科技大学学报. 2014(03)
[5]最小二乘法原理及其简单应用[J]. 邹乐强. 科技信息. 2010(23)
[6]手机面板表面质量在线检测系统的研究[J]. 张岩,王宝光. 传感器与微系统. 2010(04)
[7]三种基于GDI+的图像灰度化实现方法[J]. 李贞培,李平,郭新宇,陈树敏. 计算机技术与发展. 2009(07)
[8]噪音强度的估计和去噪效果的评估[J]. 王景泉. 计算机工程与设计. 2009(07)
[9]一种基于机器视觉的浮法玻璃质量在线检测系统[J]. 彭向前,陈幼平,余文勇. 制造业自动化. 2007(12)
[10]图像边缘检测方法研究综述[J]. 段瑞玲,李庆祥,李玉和. 光学技术. 2005(03)
硕士论文
[1]基于机器视觉的手机面板缺陷检测方法研究[D]. 易松松.哈尔滨工业大学 2016
[2]基于机器视觉的手机隔板划痕检测研究[D]. 宋迪.湘潭大学 2014
[3]金属部件表面缺陷视觉检测系统研究[D]. 聂振宇.中南大学 2013
[4]铸坯表面缺陷图像检测方法研究[D]. 郑嵘.上海交通大学 2013
[5]基于多目机器视觉的光学薄膜表面缺陷在线检测技术研究[D]. 钟球盛.华南理工大学 2011
[6]注塑制品表面缺陷分析及自动识别研究[D]. 吴盛金.华南理工大学 2011
[7]基于图像处理的注塑制品缺陷检测方法研究[D]. 张鑫.东北大学 2009
[8]基于机器视觉的SMT焊点质量检测的研究[D]. 牛晓丽.西南交通大学 2008
本文编号：3342188
【文章来源】：江汉大学湖北省
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
焊接件焊点图
江汉大学硕士研究生学位论文第6页第2章焊接件焊点采集成像系统研究2.1引言图像的采集是智能检测中最基本的步骤，这一方式的选择决定了后续检测方法的难易程度，良好的采集环境可以得到清晰表示出焊接件焊点特征的图片，这可以大大减少检测的困难。采集图像的质量收到光源和相机光学参数的影响，不同的光源下和不同的照明方式会产生不同的效果图像，而相机、镜头与物体的物距关系也会影响采集成像的质量。2.2采集成像系统光学照明研究2.2.1光源的颜色特性如图2-1所示，不同颜色的光源在他们对应的波长范围内的相对光强不同，高光强的光源可以提高图像亮度的上限，满足在暗场情形下的采集需求。图2-1光源颜色的光谱分析色温是表示光线中包含颜色成分的一个计量单位[25]。一般来说，黑体是一个只接收不反射光的理想物质，对黑体物质从绝对零度（-273℃）进行加温，黑体物质会显现出不同的颜色。在黑体物质开始加热之后，黑体物质的颜色逐渐由黑色变为红色，然后转为黄色、白色最后变为蓝色，当加热到某一温度时，黑体发出的某种颜色的光所含的光谱成分，就称这一温度为当前颜色的色温。如图2-2所示，不同色温的光源在波长不同的情况下光强也不尽相同。5000K以上的蓝色关，在440nm时相对光强最高，而随着波长增加不断减小，在470nm左右开始增强，而增强到最高其相对光强也只有440nm时的35%左
江汉大学硕士研究生学位论文第7页右，而后不断减小直至消失。图2-2不同色温光源光谱分析而且，还要考虑到选择相机的CCD芯片对各种光源的感应反馈效果，图2-3所示为微视图像RS-2300系列相机CCD芯片对400-1000nm波长范围内光的光谱分析。图2-3RS-A2300型相机芯片光谱分析图对上图2-3的芯片对400nm至500nm间的蓝光，500nm-580nm间的绿光，和600nm的红光响应度最好，而对于检测的金属焊接件，越短波长的光能更好地减少边缘部分光的衍射，有利于使边缘成像更加锐利。所以可以选择440nm左右的蓝色光源作为采集成像系统的光源，此时高色温的蓝光的相对光强也较高。2.2.2光源的照明方式光源作为采集成像系统的中的重要组成部分，对整个系统的增益不言而
【参考文献】：
期刊论文
[1]数字图像处理技术及其应用[J]. 姚希. 电子技术与软件工程. 2017(18)
[2]不同池化模型的卷积神经网络学习性能研究[J]. 刘万军,梁雪剑,曲海成. 中国图象图形学报. 2016(09)
[3]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[4]基于机器视觉的金属罐内壁缺陷检测[J]. 胡晓彤,董莹莹. 天津科技大学学报. 2014(03)
[5]最小二乘法原理及其简单应用[J]. 邹乐强. 科技信息. 2010(23)
[6]手机面板表面质量在线检测系统的研究[J]. 张岩,王宝光. 传感器与微系统. 2010(04)
[7]三种基于GDI+的图像灰度化实现方法[J]. 李贞培,李平,郭新宇,陈树敏. 计算机技术与发展. 2009(07)
[8]噪音强度的估计和去噪效果的评估[J]. 王景泉. 计算机工程与设计. 2009(07)
[9]一种基于机器视觉的浮法玻璃质量在线检测系统[J]. 彭向前,陈幼平,余文勇. 制造业自动化. 2007(12)
[10]图像边缘检测方法研究综述[J]. 段瑞玲,李庆祥,李玉和. 光学技术. 2005(03)
硕士论文
[1]基于机器视觉的手机面板缺陷检测方法研究[D]. 易松松.哈尔滨工业大学 2016
[2]基于机器视觉的手机隔板划痕检测研究[D]. 宋迪.湘潭大学 2014
[3]金属部件表面缺陷视觉检测系统研究[D]. 聂振宇.中南大学 2013
[4]铸坯表面缺陷图像检测方法研究[D]. 郑嵘.上海交通大学 2013
[5]基于多目机器视觉的光学薄膜表面缺陷在线检测技术研究[D]. 钟球盛.华南理工大学 2011
[6]注塑制品表面缺陷分析及自动识别研究[D]. 吴盛金.华南理工大学 2011
[7]基于图像处理的注塑制品缺陷检测方法研究[D]. 张鑫.东北大学 2009
[8]基于机器视觉的SMT焊点质量检测的研究[D]. 牛晓丽.西南交通大学 2008
本文编号：3342188
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3342188.html
