论文部分内容阅读
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配定位方式更适合检测分类系统的定位。在检测分类方法方面,依据铜箔卡扣的质检要求,设计了一种基于缺陷检测的分类方式,并在该方式下对基于MLP分类器和差分模型两种缺陷检测方法进行了对比。在MLP分类器模型下,对图像Laws纹理滤波,利用灰度共生矩阵求取Energy、Correlation、Homogeneity、Contrast特征统计量,利用sobel算子提取边界并计算灰度值绝对频率。根据结果,MLP分类器在准确率和程序执行的有效性上都优于差分模型。在实际测试方面,联合Winform程序和HALCON算法库,设计用户交互模块和缺陷检测模块,并与图像采集模块集成为铜箔卡扣检测分类系统。测试结果表明,误检率为0.43%,错检率为0,系统对每个铜箔卡扣的平均检测时间为536.75ms,低于工厂要求600.00ms,因此分类系统的准确性和实时性满足要求。利用机器视觉技术完成的铜箔卡扣检测分类系统能够完成铜箔卡扣自动分选工作,可以达到企业要求水平。系统在其他具有类似特征的微小零件缺陷检测分类方面,可以推广应用。