基于机器视觉的微小零件检测分类
发布时间：2021-11-11 12:57
机器视觉技术在检测方面具有稳定、快速等优点,在制造工业领域应用广泛。本文主要研究基于机器视觉的铜箔卡扣检测分类系统,高效准确的实现了铜箔卡扣缺陷品与合格品的分类工作。主要内容包括了搭建图像采集模块、对象定位方法、检测分类方法和实际测试四个方面。在图像采集方面,根据铜箔卡扣的表面特征、检测精度和安装工位等特点,搭建了图像采集模块。硬件部分包括光源、工业相机、光学镜头的选型,分析需求及试验调试,选择了海康威视的MV-CH050-10UP500万CMOS工业相机,MVL-MY-1-65C-MP1倍远心镜头和白色同轴光源,最大程度上提高成像的质量。配合硬件,利用HALCON联合以C#语言为基础的Winform窗体应用软件,通过程序配置网络环境,完成铜箔卡扣的图像采集。在对象定位方面,利用基于低通滤波的光照补偿算法解决外界因素引起的光照不均现象,利用双线性插值缩放图像,降低图像的分辨率以减少图像数据运算量。设计了基于NCC和基于形状的两种模板匹配定位方式,并进行对比试验,结果表明铜箔卡扣表面的缺陷程度会影响基于NCC模板匹配定位的准确率和时长,降低了分类系统的高效性和准确率。因此基于形状的模板匹...
【文章来源】：陕西理工大学陕西省
【文章页数】：115 页
【学位级别】：硕士
【部分图文】：
铜箔卡扣的应用Fig.1-1Applicationofcopperfoilclasp
陕西理工大学硕士学位论文6机器视觉技术是一种模仿人类的眼睛和大脑，利用工业相机和上位机对目标物感知，进行正确的图像采集和处理，达到对目标物识别、测量和检测效果的技术。硬件方面，随着近年来半导体产业的精进和发展以及计算机理论和算法的提高，使得工控机的运算能力得到了显著提高。针对工业上的不同需求，也出现了不同种类的光源，工业相机和光学镜头在分辨率和成像能力等方面大大提高；软件方面，在智能制造发展趋势的推动下，各科研院校和国内外企业共同努力，推出了大量的高性能、高可靠的机器视觉算法。由于软硬件技术日渐成熟，机器视觉技术在各个领域内也发挥了越来越重要的作用。智能制造中工业机器人视觉感知控制系统如图1-5所示，其中包括视觉成像系统、图像自动采集系统、图像预处理、图像定位与分割系统、图像识别检测方法与应用、视觉伺服与优化控制等部分。图1-5智能制造中工业机器人视觉感知控制系统框图Fig.1-5Blockdiagramschemeofindustrialrobotvisualperceptioncontrolsysteminintelligentmanufacturing1.2.2机器视觉缺陷检测应用表面质量检测是工业检测中极其重要的一部分，基于机器视觉的表面缺陷检测技术已经在很多领域开始应用，涉及钢板、印刷、电子、零件、木材、瓷砖、钢轨等多种关系民生国计的行业和产品。国外有许多学者在基于机器视觉的缺陷检测领域做出了非常突出的贡献。N.H.Saad等人基于机器视觉技术对半导体芯片的缺陷检测做了研究，将RGB图像准换为GRAY
第1章绪论111.3本文研究内容及论文结构1.3.1主要研究内容本论文以铜箔卡扣为研究对象，对其表面的刮伤、孔洞、压痕、黑点等缺陷进行检测，并根据缺陷检测结果将铜箔卡扣按合格品与缺陷品两类自动分选到不同的位置。研究技术路线如图1-6所示：图1-6研究技术路线图Fig.1-6Researchtechnicalroute主要研究内容分为硬件和软件两个部分。硬件部分涉及图像采集所需的光源、工业相机、光学镜头的选型以及整个检测分类系统的搭建。软件部分主要是检测分类算法的研究和系统模块设计。检测分类算法主要包括图像预处理、铜箔卡扣定位和利用缺陷检测对其分类。系统模块设计主要包括图像采集模块、用户交互模块和缺陷检测模块。利用亮度插值和光照补偿算法对采集到的原始铜箔卡扣图像进行预处理，以减少图像数据运算量和降低光照不均问题带来的影响；其次是铜箔卡扣定位，分别利用基于相关性的模板匹配和基于形状的模板匹配来进行定位，并对两种方式定位效果进行测试比较，选择更加有效稳定的定位方法；接着对定位到的铜箔卡扣表面进行缺陷检测，分别利用差分模型方法和基于MLP分类器方法检测，对两种检测方式准确率、稳定性以及
【参考文献】：
期刊论文
[1]采用结构光的大跨度销孔加工精度在线测量[J]. 李瑛,成芳,赵志林. 浙江大学学报(工学版). 2020(03)
[2]细节感知的纹理滤波算法[J]. 肖懿,朱贤益,何仰提,郑燕. 中国图象图形学报. 2019(06)
[3]基于机器视觉的卡簧装配缺失检测[J]. 张萍,孔令成,申红银,周平. 新技术新工艺. 2019(04)
[4]基于机器视觉的轮毂在线识别分类技术研究[J]. 郭智杰,王明泉,张俊生,焦腾云. 测试技术学报. 2019(03)
[5]基于SVM特征点分类的机器视觉外螺纹参数检测[J]. 张昊,金冠,蒋毅,曹俊. 传感器与微系统. 2019(04)
[6]基于机器视觉的烟仓机器人路径识别与控制[J]. 张少杰,艾宇,张冰,孙轩,张铭,张天顺,宋国平. 山东农业科学. 2019(03)
[7]基于机器视觉和支持向量机的汽车焊点定位研究[J]. 王闯闯,何智成,成艾国. 汽车工程学报. 2019(01)
[8]基于LABVIEW的几何匹配方法在零件识别上的应用[J]. 白洁,田雨雷. 高校实验室工作研究. 2018(04)
[9]机器视觉技术发展及其工业应用[J]. 王飞. 电子技术与软件工程. 2018(16)
[10]计算机图像处理技术在医学影像中的进展与应用研究[J]. 刘泽宇,郭炜婷. 中国卫生标准管理. 2018(09)
博士论文
[1]集成电路芯片表面缺陷视觉检测关键技术研究[D]. 陈恺.东南大学 2016
硕士论文
[1]复杂缺陷特征的通用检测技术研究及实现[D]. 徐钰凯.南京大学 2019
[2]基于机器视觉的光纤端面缺陷自动检测系统[D]. 周程.华中科技大学 2019
[3]基于机器视觉的大尺寸机柜表面缺陷检测系统研究[D]. 李庆.深圳大学 2018
[4]基于机器视觉的刹车油管镦头缺陷检测系统的研究[D]. 尹乐.哈尔滨工业大学 2018
[5]基于机器视觉的焊接机器人焊缝识别与跟踪系统[D]. 孙文侠.青岛科技大学 2018
[6]基于机器视觉的饮料瓶包装检测与抓取技术[D]. 胡浩.天津工业大学 2017
[7]基于BBOMLP和纹理特征的图像分类算法研究[D]. 曹艳玲.西安电子科技大学 2015
[8]基于掌纹验证方式门禁系统的研究[D]. 宋锋.成都理工大学 2010
[9]瓷砖色差在线检测系统的研究[D]. 李温温.天津大学 2009
本文编号：3488896
【文章来源】：陕西理工大学陕西省
【文章页数】：115 页
【学位级别】：硕士
【部分图文】：
铜箔卡扣的应用Fig.1-1Applicationofcopperfoilclasp
陕西理工大学硕士学位论文6机器视觉技术是一种模仿人类的眼睛和大脑，利用工业相机和上位机对目标物感知，进行正确的图像采集和处理，达到对目标物识别、测量和检测效果的技术。硬件方面，随着近年来半导体产业的精进和发展以及计算机理论和算法的提高，使得工控机的运算能力得到了显著提高。针对工业上的不同需求，也出现了不同种类的光源，工业相机和光学镜头在分辨率和成像能力等方面大大提高；软件方面，在智能制造发展趋势的推动下，各科研院校和国内外企业共同努力，推出了大量的高性能、高可靠的机器视觉算法。由于软硬件技术日渐成熟，机器视觉技术在各个领域内也发挥了越来越重要的作用。智能制造中工业机器人视觉感知控制系统如图1-5所示，其中包括视觉成像系统、图像自动采集系统、图像预处理、图像定位与分割系统、图像识别检测方法与应用、视觉伺服与优化控制等部分。图1-5智能制造中工业机器人视觉感知控制系统框图Fig.1-5Blockdiagramschemeofindustrialrobotvisualperceptioncontrolsysteminintelligentmanufacturing1.2.2机器视觉缺陷检测应用表面质量检测是工业检测中极其重要的一部分，基于机器视觉的表面缺陷检测技术已经在很多领域开始应用，涉及钢板、印刷、电子、零件、木材、瓷砖、钢轨等多种关系民生国计的行业和产品。国外有许多学者在基于机器视觉的缺陷检测领域做出了非常突出的贡献。N.H.Saad等人基于机器视觉技术对半导体芯片的缺陷检测做了研究，将RGB图像准换为GRAY
第1章绪论111.3本文研究内容及论文结构1.3.1主要研究内容本论文以铜箔卡扣为研究对象，对其表面的刮伤、孔洞、压痕、黑点等缺陷进行检测，并根据缺陷检测结果将铜箔卡扣按合格品与缺陷品两类自动分选到不同的位置。研究技术路线如图1-6所示：图1-6研究技术路线图Fig.1-6Researchtechnicalroute主要研究内容分为硬件和软件两个部分。硬件部分涉及图像采集所需的光源、工业相机、光学镜头的选型以及整个检测分类系统的搭建。软件部分主要是检测分类算法的研究和系统模块设计。检测分类算法主要包括图像预处理、铜箔卡扣定位和利用缺陷检测对其分类。系统模块设计主要包括图像采集模块、用户交互模块和缺陷检测模块。利用亮度插值和光照补偿算法对采集到的原始铜箔卡扣图像进行预处理，以减少图像数据运算量和降低光照不均问题带来的影响；其次是铜箔卡扣定位，分别利用基于相关性的模板匹配和基于形状的模板匹配来进行定位，并对两种方式定位效果进行测试比较，选择更加有效稳定的定位方法；接着对定位到的铜箔卡扣表面进行缺陷检测，分别利用差分模型方法和基于MLP分类器方法检测，对两种检测方式准确率、稳定性以及
【参考文献】：
期刊论文
[1]采用结构光的大跨度销孔加工精度在线测量[J]. 李瑛,成芳,赵志林. 浙江大学学报(工学版). 2020(03)
[2]细节感知的纹理滤波算法[J]. 肖懿,朱贤益,何仰提,郑燕. 中国图象图形学报. 2019(06)
[3]基于机器视觉的卡簧装配缺失检测[J]. 张萍,孔令成,申红银,周平. 新技术新工艺. 2019(04)
[4]基于机器视觉的轮毂在线识别分类技术研究[J]. 郭智杰,王明泉,张俊生,焦腾云. 测试技术学报. 2019(03)
[5]基于SVM特征点分类的机器视觉外螺纹参数检测[J]. 张昊,金冠,蒋毅,曹俊. 传感器与微系统. 2019(04)
[6]基于机器视觉的烟仓机器人路径识别与控制[J]. 张少杰,艾宇,张冰,孙轩,张铭,张天顺,宋国平. 山东农业科学. 2019(03)
[7]基于机器视觉和支持向量机的汽车焊点定位研究[J]. 王闯闯,何智成,成艾国. 汽车工程学报. 2019(01)
[8]基于LABVIEW的几何匹配方法在零件识别上的应用[J]. 白洁,田雨雷. 高校实验室工作研究. 2018(04)
[9]机器视觉技术发展及其工业应用[J]. 王飞. 电子技术与软件工程. 2018(16)
[10]计算机图像处理技术在医学影像中的进展与应用研究[J]. 刘泽宇,郭炜婷. 中国卫生标准管理. 2018(09)
博士论文
[1]集成电路芯片表面缺陷视觉检测关键技术研究[D]. 陈恺.东南大学 2016
硕士论文
[1]复杂缺陷特征的通用检测技术研究及实现[D]. 徐钰凯.南京大学 2019
[2]基于机器视觉的光纤端面缺陷自动检测系统[D]. 周程.华中科技大学 2019
[3]基于机器视觉的大尺寸机柜表面缺陷检测系统研究[D]. 李庆.深圳大学 2018
[4]基于机器视觉的刹车油管镦头缺陷检测系统的研究[D]. 尹乐.哈尔滨工业大学 2018
[5]基于机器视觉的焊接机器人焊缝识别与跟踪系统[D]. 孙文侠.青岛科技大学 2018
[6]基于机器视觉的饮料瓶包装检测与抓取技术[D]. 胡浩.天津工业大学 2017
[7]基于BBOMLP和纹理特征的图像分类算法研究[D]. 曹艳玲.西安电子科技大学 2015
[8]基于掌纹验证方式门禁系统的研究[D]. 宋锋.成都理工大学 2010
[9]瓷砖色差在线检测系统的研究[D]. 李温温.天津大学 2009
本文编号：3488896
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3488896.html
