CN106839986B - 一种基于机器视觉和机器学习的双工位载带检测*** - Google Patents
一种基于机器视觉和机器学习的双工位载带检测*** Download PDFInfo
- Publication number
- CN106839986B CN106839986B CN201710190137.1A CN201710190137A CN106839986B CN 106839986 B CN106839986 B CN 106839986B CN 201710190137 A CN201710190137 A CN 201710190137A CN 106839986 B CN106839986 B CN 106839986B
- Authority
- CN
- China
- Prior art keywords
- detection
- main control
- control board
- light source
- hole
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/04—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness specially adapted for measuring length or width of objects while moving
- G01B11/046—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness specially adapted for measuring length or width of objects while moving for measuring width
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/14—Measuring arrangements characterised by the use of optical techniques for measuring distance or clearance between spaced objects or spaced apertures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/8914—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the material examined
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N2021/8909—Scan signal processing specially adapted for inspection of running sheets
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Textile Engineering (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
为实现载带尺寸和缺陷的自动检测功能,设计基于机器视觉和机器学习的双工位载带检测***。按检测精度和检测载带规格要求,对该检测***进行了硬件设计与选型,设计了适合载带检测的图像处理算法,并编写***检测软件。检测方式是通过把标准合格载带样本图像作为训练集。从这些标准合格载带样本图像中获取检测区域图像的特征量信息作为在线检测时的比较标准。如果被测图像上某个特征量不在允许误差范围内则停机并发出警报,利用支持向量机方法识别出缺陷图像存在何种缺陷。该***检测效率高,检测精度好,减少了人工操作。
Description
技术领域
本发明涉及机器视觉和机器学习领域,具体涉及基于机器视觉喝机器学习的双工位载带检测***。
背景技术
载带是指一种应用于电子等包装领域的带状产品,它具有特定的厚度,在其长度方向上等距的分布着用于承放电子元器件等的孔穴(口袋)和用于进行索引定位的定位孔。由于载带制造要经过冲压、打孔和切割等工艺,中间过程会造成载带质量问题。因此,载带在出厂前必须对载带尺寸和载带表面进行检测。基于机器视觉和图像处理技术的在线检测方法由于其非接触性、快速性、自动化程度高等特点已经被运用到载带检测领域,但是市面上普遍为单工位***检测效率较低,而且***没有识别功能,当发现缺陷时亮起警报装置提醒工人确认载带是否存在问题。但是人工操作可能会带来二次缺陷,并且人为主观因素影响大。
发明内容
本发明为提高载带检测***效率和精度并解决人工操作带来的问题,提出了一种基于机器视觉和机器学习的双工位载带检测***。本发明通过设计***结构、***硬件和算法软件达到了上述目的。具体设计步骤如下:
1、该检测***包括光源、相机、控制***、机械结构和软件算法五部分,其特征是硬件包括相机1、相机2、上光源1、上光源2、轨道1、轨道2、传感器1、传感器2、电机1、电机2、下光源1、下光源2、底座平台、报警灯、光源控制器、空气开关、工控机、显示器、继电器和主控板。
2、该***分为两个检测工位。工位1:轨道1左边四分之一处安装传感器1右边末端安装电机1,在轨道1中间切割一部分,切割长度是2-7个载带空穴宽度,切割宽度是载带空穴长度2-3倍,轨道1切割位置正下方底座平台也切割一个孔,平台孔大小应大于轨道1的孔,下光源1位于该底座平台孔正下方,相机1和上光源1通过支架固定在轨道1孔正上方,垂直方向从上至下顺序为相机1、上光源1、轨道1孔、底座平台孔和下光源1;
工位2:轨道2左边四分之一处安装传感器2右边末端安装电机2,在轨道2中间切割一部分,切割长度是2-7个载带空穴宽度,切割宽度是载带空穴长度2-3倍,轨道2切割位置正下方底座平台也切割一个孔,底座平台孔大小应大于轨道2的孔,下光源2位于该底座平台孔正下方,相机2和上光源2通过支架固定在轨道2孔正上方,垂直方向从上至下顺序为相机2、上光源2、轨道2孔、底座平台孔和下光源2。
3、该***的控制部分:主控板1是整个控制***的核心,包括接收传感器信号控制相机拍照、光源频闪,接收指令数据控制停机、转发报警灯控制信号,主控板2是从机板,主要是接收报警灯信号控制报警灯闪烁。
工位1上传感器1收到一个中断信号后将反馈给主控板1,主控板1按照对应的信号触发相机1和上光源1,这时候工控机端的检测软件会收到一张图像并进行算法处理,如果检测到有缺陷需要停机,工控机端的检测软件将通过串口发送停机信号到主控板1,主控板1控制继电器停机断开工位1的电机1电源,同时主控板1收到的报警信号将通过485通讯方式转发到主控板2上,通过主控板2控制报警灯闪烁。
工位2上传感器2收到一个中断信号后将反馈给主控板1,主控板1按照对应的信号触发相机2和上光源2,这时候工控机端的检测软件会收到一张图像并进行算法处理,如果检测到有缺陷需要停机,工控机端的检测软件将通过串口发送停机信号到主控板1,主控板1控制继电器停机断开工位2的电机2电源,同时主控板1收到的报警信号将通过485通讯方式转发到主控板2上,通过主控板2控制报警灯闪烁。
4、该***的供电部分:整个柜子外接220V交流电供电,经过内部的空气开关给开关电源供电,产生24V直流电供给主控板1、主控板2和光源控制器使用,空气开关主要作用是保护内部器件,当盒子内部出现电流过大时,空气开关会自动跳闸断电,光源控制器主要控制四个光源,两个背光源(常亮)、两个红光同轴光源(频闪),上光源为大功率同轴红光,同轴光源运用特殊抑制反光的半透镜消除图像中的重影,对载带实现均匀无反光的照射,下光源为白色面光源,背光源调节至合适的亮度使得除载带外其他区域在图像上灰度值都为255,相机和镜头装配调节后视场、景深和清晰度满足各种规格型号的载带检测要求。
5、该***的触发装置由反射式光电传感器和放大器组成,根据不同规格的载带在放大器上设定相应的数值,使得每移动一个载带孔穴距离则传感器发送一个信号到主控板1上。
6、该***的载带检测分为载带的尺寸检测和载带的缺陷检测,检测方式是把标准合格载带样本图像作为训练集,从这些标准合格载带样本图像中获取检测区域图像的特征量信息(如孔大小,载带宽度,各小矩形检测区域内灰度值和梯度值等)作为在线检测时的比较标准,如果被测图像上某个特征量不在允许误差范围内则认为该位置区域存在问题,当被校验的载带与模板设定的值不相同时则停机报警,并利用支持向量机方法识别出被校验图像存在何种缺陷。
7、图像预处理包括中值滤波和最大类间方差法二值化,通过计算载带图像上中孔、边孔和载带上下边缘三者之间相对位置来检测载带尺寸是否符合标准,其中运用了轮廓提取和最小二乘圆拟合算法;载带表面缺陷通过计算载带图像灰度值和梯度值来确定,首先将载带图像划分成一个个小矩形区域,然后对各个小矩形区域分别独立地检测灰度值和梯度值,假设某个小矩形区域内灰度值变化区间为[gm,gn],小矩形内任意一个像素点灰度值为ga,则判断像素点Pg灰度值好坏公式为:
坏像素点个数为允许小矩形内坏像素点个数为N1,则当/>时说明出现缺陷;载带表面梯度值计算则是采用3×3领域内计算梯度幅值,分别计算X方向的偏导数Px(x,y)、Y方向偏导数Py(x,y)、45°方向偏导数P45(x,y)和135°方向偏导数,则水平方向和垂直方向的差分分别为:
fx(x,y)=Px(x,y)+[P45(x,y)+P135(x,y)]/2 (2)
fy(x,y)=Py(x,y)+[P45(x,y)-P135(x,y)]/2 (3)
则梯度幅值为:
小矩形区域内梯度幅值设定为M,小矩形内任意一个像素点梯度值为Ma,允许小矩形内个数为N2,则判断像素点Pm梯度值好坏公式为:
当则当时说明出现缺陷。
8、支持向量机方法步骤包括:缺陷的特征提取、支持向量机分类器的训练和支持向量机分类器的识别。
本发明的一种基于机器视觉和机器学习的双工位载带检测***有益效果:
(1)可实现对目前市面上大部分规格的载带尺寸和缺陷检测,整个***自动化程度高,双工位设计提高检测效率,并且检测精度高。
(2)该***利用机器学习的方法对缺陷进行了识别,减少了人工操作带来的影响。
附图说明
图1是本发明的检测台子机构图
图2是本发明的供电原理图
图3是本发明的控制部分原理图
图4是本发明的算法流程图
图5是本发明的设置检测参数划分小矩形区域图
图6是本发明检测到载带缺陷显示结果图
图1中,1、相机1,2、上光源1,3、传感器1,4、下光源1,5、传感器2,6、相机2,7、上光源2,8、电机1,9、电机2,10、下光源2,11、轨道1,12、轨道2,13、底座平台
具体实施方式
如图1所示搭建***检测台子,考虑到载带材质易反光等特点,选择型号为VLT3-GL50-R的同轴光源,同轴光源运用特殊抑制反光的半透镜消除图像中的重影,对载带实现均匀无反光的照射。为减小背景环境对检测的影响,选择型号为TBL-75-75的LED面光源作为背光源,背光源调节至合适的亮度使得除载带待检测区域外其他区域在图像上灰度值都为255。
CCD相机种类繁多,主要参数有分辨率、帧率、外触发设置等。本检测***要求适用于宽度为8mm-16mm,不同规格的载带检测,检测精度要求0.05mm×0.05mm。本实施例选取的大华相机型号为A5201MG50的数字相机就能满足本***检测要求。
本实施例选择的传感器是反射式光电传感器,型号为FU-38V,然后接上一个放大器,型号为FS-V11。将光电传感器安装在适当位置,并设定放大器上数值,每经过一个载带孔穴时传感器发送一个信号到主控板。
按如图2所示搭建好***供电部分,按如图3所示搭建好***控制部分。
载带的检测包括载带尺寸检测和载带缺陷检测。因为载带表面不是均匀平面,所以需要用小矩形将载带表面划分成不同的区域。为了尺寸检测和缺陷检测的准确性,本文把标准合格载带样本图像作为训练集。从这些标准合格载带样本图像中获取检测区域图像的特征量信息(如孔大小,载带宽度,各检测区域内灰度值和梯度值等)作为在线检测时的比较标准。如果被测图像上某个特征量不在允许误差范围内则认为该位置区域存在问题。载带缺陷一般有穿孔、污渍、折痕、杂质、划痕和变形等。
如图4所示为本发明算法流程图。数字图像的噪声主要来源于图像的获取和传输过程。本***整个图像采集过程中,相机、镜头和光源等基本能够保持稳定的工作状态,因此图像的噪声主要来源于脉冲噪声。本实施例选择中值滤波的图像去噪方法。中值滤波是一种非线性信号处理方法,采用一个有奇数点的滑动窗口,将窗口中心点的值用窗口内各个点的中值代替。
在尺寸检测过程中为突出载带区域,便于检测和识别,需要对载带图像进行二值化处理。这里采用最大类间方差法来自动产生阈值。该方法具有简单、处理速度快的优点,其基本思想是:假设图像像素数为N,灰度变化范围为[0,L],对应灰度级i的像素数为Ni几率为:
以阈值T为基准,把图像的像素按灰度值划分为两类C0和C1,其中C0的灰度值低于T,即在[0,T]之间的像素组成,C1的灰度值高于T,即在[T+1,L]之间的像素组成。考虑到像素灰度的分布几率,整幅图像的均值为:
则C0和C1的均值分别为:
其中:
由上述数学式可得:类间方差的定义为:
最佳阈值Th为:
首先对采集图像进行图像预处理,滤除噪声干扰。尺寸检测通过二值化图像找到载带的上下边界,然后通过最小二乘法检测圆,确定边孔和中孔位置,最后通过检测孔的大小、孔之间和孔与边界之间的距离的变化量与所设阈值的比较来判断载带尺寸是否符合标准,对于不符合尺寸标准的载带直接做停机报警处理。
本实施例利用轮廓提取和最小二乘圆拟合算法准确地找到载带上圆孔位置。轮廓是一系列相连的点,轮廓提取基于二值图像然后提取边缘点连接的层次结构。组织层次使得位于数结构更高的轮廓更有可能是物体的轮廓,然而低位的轮廓更有可能是噪声边缘或者是“洞口”的轮廓甚至是噪声块。
当通过上述方式得到的边缘点后,采用最小二乘法拟合得到的圆方程,即可求出精确的圆心和半径等参数。设半径为r,圆心坐标为(x0,y0),则圆方程为:
(x-x0)2+(y-y0)2=r2 (7)
由式(7)定义误差方程为:
根据最小二乘法拟合原理有:
将式(8)带入式(9),并且设Z=x0 2+y0 2-r2,可得:
由式(10)可得到圆心坐标(x0,y0)以及圆半径r0。
缺陷检测不需要进行图像二值化,首先将载带图像划分成一个个小矩形区域,然后对各个小矩形区域分别独立的检测灰度值和梯度值,如果被检测区域内的这些值超出允许范围,则认为该区域存在缺陷做停机报警处理。如图5所示本实施例用小矩形将待检测区域划分成多个小区域,可以提高计算速度,同时也可以减小误检和漏检。
当光源相机等参数确定后,则获取的载带图像每个区域上的灰度值将会在某一区间内变化。假设某个小矩形区域内灰度值变化区间为[gm,gn],小矩形内任意一个像素点灰度值为ga,则判断像素点Pg灰度值好坏公式为:
坏像素点个数为允许小矩形内坏像素点个数为N1,则当/>时说明出现缺陷。
载带表面梯度值计算则是采用3×3领域内计算梯度幅值,首先计算4个方向的偏导数:
X方向的偏导数
Px(x,y)=G(x,y+1)-G(x,y-1) (12)
Y方向偏导数
Py(x,y)=G(x+1,y)-G(x-1,y) (13)
45°方向偏导数
P45(x,y)=G(x-1,y+1)-G(x+1,y-1) (14)
135°方向偏导数
P135(x,y)=G(x+1,y+1)-G(x-1,y-1) (15)
则水平方向的差分为
fx(x,y)=Px(x,y)+[P45(x,y)+P135(x,y)]/2 (16)
垂直方向的差分为
fy(x,y)=Px(x,y)+[P45(x,y)-P135(x,y)]/2 (17)
求得梯度幅值为
小矩形区域内梯度幅值设定为M,小矩形内任意一个像素点梯度值为Ma,允许小矩形内个数为N2,则判断像素点Pm梯度值好坏公式为:
当则当时说明出现缺陷。
最后提取缺陷图像上的缺陷的灰度值和梯度值特征,之后通过Bagging(Bootstrap Aggregating)算法实现对训练样本的扰动,从而产生具有差异性的基分类器,再进行基分类器的集成学习,训练好的支持向量机分类器就可以用于识别在线检测时获取的缺陷图像。
打开检测台子电源,启动检测软件,轨道放上待检测载带,导入该规格载带设置的参数,点击启动电机则开始检测载带,如果载带某区域存在缺陷则软件自动控制电机停止转动发出警报,如图6所示显示缺陷区域并提示该区域存在何种缺陷。
Claims (4)
1.一种基于机器视觉和机器学***台、报警灯、光源控制器、空气开关、工控机、显示器、继电器和主控板;该***的载带检测分为载带的尺寸检测和载带的缺陷检测;
双工位包括工位1和工位2,工位1:轨道1左边四分之一处安装传感器1,右边末端安装电机1,在轨道1中间切割一部分形成一个孔,切割长度是2-7个载带空穴宽度,切割宽度是载带空穴长度2-3倍,轨道1切割位置正下方底座平台也切割一个孔,底座平台孔大小应大于轨道1的孔,下光源1位于该底座平台孔正下方,相机1和上光源1通过支架固定在轨道1孔正上方,垂直方向从上至下顺序为相机1、上光源1、轨道1孔、底座平台孔和下光源1;
工位2:轨道2左边四分之一处安装传感器2,右边末端安装电机2,在轨道2中间切割一部分形成一个孔,切割长度是2-7个载带空穴宽度,切割宽度是载带空穴长度2-3倍,轨道2切割位置正下方底座平台也切割一个孔,底座平台孔大小应大于轨道2的孔,下光源2位于该底座平台孔正下方,相机2和上光源2通过支架固定在轨道2孔正上方,垂直方向从上至下顺序为相机2、上光源2、轨道2孔、底座平台孔和下光源2;
主控板包括主控板1和主控板2;
主控板1是整个控制***的核心,包括接收传感器信号控制相机拍照、光源频闪,接收指令数据控制停机、转发报警灯控制信号,主控板2是从机板,接收报警灯信号控制报警灯闪烁;
工位1上传感器1收到一个中断信号后将反馈给主控板1,主控板1按照对应的信号触发相机1和上光源1,这时候工控机端的检测软件会收到一张图像并进行算法处理,如果检测到有缺陷,需要停机,工控机端的检测软件将通过串口发送停机信号到主控板1,主控板1控制继电器停机断开工位1的电机1电源,同时主控板1收到的报警信号将通过485通讯方式转发到主控板2上,通过主控板2控制报警灯闪烁;
工位2上传感器2收到一个中断信号后将反馈给主控板1,主控板1按照对应的信号触发相机2和上光源2,这时候工控机端的检测软件会收到一张图像并进行算法处理,如果检测到有缺陷,需要停机,工控机端的检测软件将通过串口发送停机信号到主控板1,主控板1控制继电器停机断开工位2的电机2电源,同时主控板1收到的报警信号将通过485通讯方式转发到主控板2上,通过主控板2控制报警灯闪烁;
整个柜子外接220V交流电供电,经过内部的空气开关给开关电源供电,产生24V直流电供给主控板1、主控板2和光源控制器使用,空气开关主要作用是保护内部器件,当盒子内部出现电流过大时,空气开关会自动跳闸断电,光源控制器主要控制四个光源,两个背光源,两个背光源常亮、两个红光同轴光源,两个红光同轴光源频闪,两个上光源为大功率同轴红光光源,两个下光源为背光源,同轴光源运用抑制反光的半透镜消除图像中的重影,对载带实现均匀无反光的照射,下光源为白色面光源,背光源调节至合适的亮度使得除载带外其他区域在图像上灰度值都为255,相机和镜头装配调节后视场、景深和清晰度满足各种规格型号的载带检测要求;
尺寸检测时采用最大类间方差法自动产生阈值,对载带图像进行二值化处理,通过二值化图像找到载带的上下边界,然后通过最小二乘法检测圆,确定边孔和中孔位置,最后通过检测孔的大小、孔之间和孔与边界之间的距离的变化量与所设阈值的比较来判断载带尺寸是否符合标准,对于不符合尺寸标准的载带直接做停机报警处理;
载带表面缺陷检测通过计算载带图像灰度值和梯度值来确定,首先将载带图像划分成一个个小矩形区域,然后对各个小矩形区域分别独立地检测灰度值和梯度值,假设某个小矩形区域内灰度值变化区间为[gm,gn],小矩形内任意一个像素点灰度值为ga,则判断像素点Pg灰度值好坏公式为:
坏像素点个数为允许小矩形内坏像素点个数为N1,则当/>时说明出现缺陷;载带表面梯度值计算则是采用3×3领域内计算梯度幅值,分别计算X方向的偏导数Px(x,y)、Y方向偏导数Py(x,y)、45°方向偏导数P45(x,y)和135°方向偏导数P135(x,y),则水平方向和垂直方向的差分分别为:
fx(x,y)=Px(x,y)+[P45(x,y)+P135(x,y)]/2 (2)
fy(x,y)=Py(x,y)+[P45(x,y)-P135(x,y)]/2 (3)
则梯度幅值为:
小矩形区域内梯度幅值设定为M,小矩形内任意一个像素点梯度值为Ma,允许小矩形内坏像素点个数为N2,则判断像素点Pm梯度值好坏公式为:
则当时说明出现缺陷;
检测方法是把标准合格载带样本图像作为训练集,从这些标准合格载带样本图像中获取检测区域图像的特征量信息,特征量信息包括孔大小,载带宽度,各小矩形检测区域内灰度值和梯度值,作为在线检测时的比较标准,如果被测图像上某个特征量不在允许误差范围内则认为该位置区域存在问题,当被校验的载带与模板设定的值不相同时则停机报警,并利用支持向量机方法识别出被校验图像存在何种缺陷。
2.根据权利要求1所述的一种基于机器视觉和机器学习的双工位载带检测***,其特征在于触发装置由反射式光电传感器和放大器组成,根据不同规格的载带在放大器上设定相应的数值,使得每移动一个载带孔穴距离则传感器发送一个信号到主控板1上。
3.根据权利要求1所述的一种基于机器视觉和机器学习的双工位载带检测***,其特征在于图像预处理包括中值滤波和最大类间方差法二值化,通过计算载带图像上中孔、边孔和载带上下边缘三者之间相对位置来检测载带尺寸是否符合标准,其中运用了轮廓提取和最小二乘圆拟合算法。
4.根据权利要求1所述的一种基于机器视觉和机器学习的双工位载带检测***,其特征在于支持向量机方法步骤包括:缺陷的特征提取、支持向量机分类器的训练和支持向量机分类器的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710190137.1A CN106839986B (zh) | 2017-03-24 | 2017-03-24 | 一种基于机器视觉和机器学习的双工位载带检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710190137.1A CN106839986B (zh) | 2017-03-24 | 2017-03-24 | 一种基于机器视觉和机器学习的双工位载带检测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106839986A CN106839986A (zh) | 2017-06-13 |
CN106839986B true CN106839986B (zh) | 2023-07-21 |
Family
ID=59129672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710190137.1A Active CN106839986B (zh) | 2017-03-24 | 2017-03-24 | 一种基于机器视觉和机器学习的双工位载带检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106839986B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102486B (zh) * | 2017-06-21 | 2020-07-14 | 合肥欣奕华智能机器有限公司 | 基于机器学习的表面缺陷检测方法及装置 |
DE102017213147A1 (de) | 2017-07-31 | 2019-01-31 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Überprüfung von Steckverbindungen |
CN107991314A (zh) * | 2017-11-23 | 2018-05-04 | 苏州艺力鼎丰智能技术有限公司 | 一种碳纤维汽车零部件表面印刷品缺陷智能检测设备 |
CN107703156A (zh) * | 2017-11-23 | 2018-02-16 | 苏州艺力鼎丰智能技术有限公司 | 一种碳纤维汽车零部件表面缺陷智能检测设备 |
CN108416763B (zh) * | 2018-01-22 | 2021-06-29 | 浙江大学 | 继电器测量的图像边缘处理方法 |
CN110481839B (zh) * | 2018-05-14 | 2021-08-17 | 深圳市复德科技有限公司 | 载带封装方法、装置及设备 |
CN110654592B (zh) * | 2018-06-29 | 2022-01-04 | 深圳市复德科技有限公司 | 载带替换料方法、装置及设备 |
CN108844961A (zh) * | 2018-08-01 | 2018-11-20 | 佛山科学技术学院 | 一种温控器壳体视觉检测***及方法 |
CN109342427A (zh) * | 2018-11-16 | 2019-02-15 | 厦门理工学院 | 一种双工位机器视觉检测机 |
CN109254009B (zh) * | 2018-11-28 | 2024-02-27 | 无锡立赫智能科技有限公司 | 一种钉卷工段压花实时检测处理*** |
CN109406539B (zh) * | 2018-11-28 | 2024-04-09 | 广州番禺职业技术学院 | 一种透明药瓶底部积料缺陷检测***与方法 |
CN110160580B (zh) * | 2019-06-19 | 2021-10-08 | 重庆星禧科技发展有限公司 | 一种激光切割机器视觉检测***及工作方法 |
CN110425985A (zh) * | 2019-09-12 | 2019-11-08 | 杭州迅效自动化科技有限公司 | 载带检测*** |
CN111307833B (zh) * | 2019-11-25 | 2023-05-23 | 新恒汇电子股份有限公司 | 一种智能卡芯片贴装视觉检测方法 |
CN111982921B (zh) * | 2020-05-21 | 2023-11-03 | 北京安视中电科技有限公司 | 孔缺陷的检测方法、装置、传送平台及存储介质 |
CN113218955A (zh) * | 2021-05-06 | 2021-08-06 | 宁波星帆信息科技有限公司 | 一种检测装置及方法 |
CN113935966B (zh) * | 2021-10-13 | 2023-05-26 | 东风本田发动机有限公司 | 金属物料的渣点检测方法、装置、设备和存储介质 |
CN113791079A (zh) * | 2021-11-16 | 2021-12-14 | 新恒汇电子股份有限公司 | 视觉检测机 |
CN114509041B (zh) * | 2022-04-20 | 2022-07-01 | 南通勤为半导体科技有限公司 | 用于载带生产的在线检测机构 |
CN115258235B (zh) * | 2022-08-02 | 2024-04-16 | 深圳市中金科五金制造有限公司 | 一种基于图像识别的载带包装检查控制*** |
CN115258237B (zh) * | 2022-08-11 | 2024-04-16 | 深圳市中金科五金制造有限公司 | 一种全自动电子感应***及其ccd垂直检测方法 |
CN117333493B (zh) * | 2023-12-01 | 2024-03-15 | 深圳市志达精密科技有限公司 | 一种基于机器视觉的显示器底座生产用检测***以及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5095204A (en) * | 1990-08-30 | 1992-03-10 | Ball Corporation | Machine vision inspection system and method for transparent containers |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR1548431A (zh) * | 1967-09-08 | 1968-12-06 | ||
CN102095731A (zh) * | 2010-12-02 | 2011-06-15 | 山东轻工业学院 | 在纸张缺陷视觉检测中识别不同缺陷类型的***及方法 |
CN104123779B (zh) * | 2013-08-31 | 2019-08-23 | 中钞长城金融设备控股有限公司 | 硬币隐形图案检测方法及其检测装置 |
CN105301009A (zh) * | 2015-10-14 | 2016-02-03 | 中国计量学院 | 刹车片外观缺陷多工位在线检测装置及方法 |
CN205749314U (zh) * | 2015-12-31 | 2016-11-30 | 中核建中核燃料元件有限公司 | 一种afa3g定位格架外观自动检测装置 |
CN106409711B (zh) * | 2016-09-12 | 2019-03-12 | 佛山市南海区广工大数控装备协同创新研究院 | 一种太阳能硅晶片缺陷检测***及方法 |
-
2017
- 2017-03-24 CN CN201710190137.1A patent/CN106839986B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5095204A (en) * | 1990-08-30 | 1992-03-10 | Ball Corporation | Machine vision inspection system and method for transparent containers |
Non-Patent Citations (1)
Title |
---|
基于改进梯度和自适应窗口的立体匹配算法;祝世平等;《光学学报》;第35卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN106839986A (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106839986B (zh) | 一种基于机器视觉和机器学习的双工位载带检测*** | |
CN107402216B (zh) | 覆膜产品检测***及方法 | |
CN111982921B (zh) | 孔缺陷的检测方法、装置、传送平台及存储介质 | |
CN110473165A (zh) | 一种电路板焊接质量检测方法及装置 | |
US10438340B2 (en) | Automatic optical inspection system and operating method thereof | |
CN107084992B (zh) | 一种基于机器视觉的胶囊检测方法及*** | |
CN109709102A (zh) | 模切机锂电池极片物理缺陷检测***、方法及装置 | |
CN107869954B (zh) | 一种双目视觉体积重量测量***及其实现方法 | |
KR102168724B1 (ko) | 이미지 검사를 이용한 이상 판별 방법 및 장치 | |
CN104913722A (zh) | 一种车身控制器接插件pin针正位度检测方法 | |
CN110132166B (zh) | 一种可自动配光的产品图像检测方法及比对装置 | |
CN113418933B (zh) | 用于检测大尺寸物体的飞拍视觉成像检测***及方法 | |
CN103247548B (zh) | 一种晶圆缺陷检测装置及方法 | |
CN111862050A (zh) | 一种物料检测***、方法及设备 | |
CN111458345A (zh) | 一种口罩缺陷视觉检测机构 | |
CN109785290A (zh) | 基于局部光照归一化的钢板缺陷检测方法 | |
CN113139943A (zh) | 开口圆环工件外观缺陷检测方法、***及计算机存储介质 | |
US11529742B2 (en) | Control of low-cost robotics and method therefor | |
US11878432B2 (en) | Low-cost robotics for placement of integrated circuit and method therefor | |
CN104637833A (zh) | 晶粒选择方法及坏晶地图产生方法 | |
TW201617605A (zh) | 瑕疵檢測方法及其裝置 | |
JP3806461B2 (ja) | 物品外観検査装置 | |
CN115908328A (zh) | 一种检测包装盒内物料放置情况的方法 | |
CN116256366A (zh) | 一种芯片缺陷的检测方法、检测***及存储介质 | |
CN112798608B (zh) | 手机摄像头支架内腔侧壁的光学检测装置及光学检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |