基于NIVisionAssistant的机器视觉在钢球表面检测中的应用

合集下载

基于机器视觉的轴承生产中的表面质量在线检测与研究

２０１３４１
１０月年１９期第卷第
机床与液压
ＭＡＣＨＩＮＥＴＯＯＬ＆ＨＹＤＲＡＵＬＩＣＳ
Ｏｃｔ２０１３Ｖｏｌ４１Ｎｏ１９
ＤＯＩ１０．３９６９／ｊｉｓｓｎ１００１－３８８１２０１３１９０１４
：
基于机器视觉的轴承生产中的表面质量在线检测与研究
在相机上方安装环形光源进行补光处理的是在拍摄时能够均匀采集图像避免在采集区域内出现暗点机器视觉采集图像二值化处理在线检测系统按照不同的模块设计其主要功能模块包括图像采集及预处理图像的区域划分图像的二值化处理模版图像对比与计算软件流程如图像采集及预处理图像区域的划分图像的二值处理图像的对比与计算轴承的分类与识别图像采集及预处理在对采集的原始图像进行图像增强噪声消除等处理后采用适当的二值化分割算法对相应的图像进行分割处理使得到的结果可以将图像中的目标区域和背景区域区分开得到相应的二值图像
５６
收稿日期：２０１２－０９－２０昌（），男，博士，教授，硕士研究生导师，从事模具智能化、模块化设计技术方面的研究。Ｅ－ｍａｉｌ：１９６７ — 作者简介：王ｗａｎｇｃｈａｎｇ５４６０＠ｙａｈｏｏｃｏｍｃｎ。
１２－３４
等优点，其应用正渗透到电子工业、汽车工业、航空航天以及其他诸多工业领域，在生产加工、尺寸控［］。制、质量检测中起着重要作用至于轴承，有许多地方需要检测，内圈和外圈，密封件和倒角等。尤其是轴承盖，很难在一个单一图像内捕捉所有类型的缺陷信息，因为油封图像的对比度低和不同缺陷有不同的属性。一些研究已经用于轴［］承缺陷的检测。作者提出了一种基于机器视觉的针对轴承缺陷检测的方法：采用一种新型的照明和图像采集系统，针对外观缺陷检测，提出可行方法；提出一系列的图像处理方法用于轴承缺陷的检测，尤其是对于密封变形的缺陷，采取了一种特别投影分布，并在一个简单的行之有效的检测算法的基础上进行规划，使系统能够检测各类轴承缺陷，包括变形、划痕、裂纹和生锈，如图示。１所

基于图像识别技术的钢球精确计数方法

基于图像识别技术的钢球精确计数方法王忠山;李彦清;任涛【期刊名称】《长春理工大学学报（自然科学版）》【年(卷),期】2015(000)003【摘要】In this paper, the steel balls accurate counting method is studied based on image recognition technology, through CCD image processing method to calculate the number of steel balls. The CCD is used to take a picture of unordered single-layer steel balls;and the dual grey-scale threshold algorithm is used to process the steel balls image by binarization. The appropriate pixel threshold interval is set to calculate the number of pixel groups;and the number of separate pixel groups is the quantity of steel balls. The removing interference method is advanced according to possi-ble image interference of light source and anti-rust oil,therefore the reliability of steel balls counting in practical appli-cation is guaranteed.%通过CCD图像处理技术识别钢球数量，研究了基于图像识别技术的钢球精确计数方法。

基于NI视觉开发模块的表面贴装设备的自动光学检测系统...

39基于NI视觉开发模块的表面贴装设备的自动光学检测系统：设备和方法NI Vision Based Automatic Optical Inspection (AOI) for Surface Mount Devices: Devices and Method赵会斌程俊摘要随着微电子技术的发展，印刷电路板上的表面贴装设备（SMD）的尺寸越来越小，密度也越来越大。

传统的依靠人眼去检测SMD的质量已不太可能，相反，自动光学检测（AOI）具有独特的优势，越来越受到人们的重视和欢迎。

美国国家仪器（National Instrument,NI）的视觉开发模块以其适应性强、配置灵活、开发简单快速等优势在机器视觉和图像处理已经处于领先的地位。

本文以LabWindows/CVI为软件开发环境，利用NI的视觉开发模块开发了一套印刷电路板表面贴装设备的自动光学检测系统。

实验证明，该系统配置灵活，检测精度高，完全能满足工业生产中的实际需求。

关键词自动光学检测；PCB；机器视觉；NI VisionABSTRACT With the development of the micro-electronic industry, surface mount devices (SMD) on the printed circuit board (PCB) become more and more micro size and its mounted density is increasing. It is out of date to depend on manual inspection to assure the joints quality. Instead, automated optical inspection (AOI) for solder joints based on the machine vision has become more and more important. NI Vision with the advance of flexibility and multipurpose has been a leader in machine vision and image processing. This paper proposed the devices and method to develop the AOI system for surface mount devices (SMD) with NI Vision and the inspection result is given and discussed.KEYWORDS AOI; NI vision; PCB; machine visionThe work described in this paper is supported by the National Nature Science Foundation of China (No. 0 0 0 0).Lab for Semiconductor Equipment Shenzhen Institute of Advanced Integration Technology , Chinese Academy of Science.hb.zhao@, jun.cheng@1 IntroductionRecently, with electronic products become more and more portable, small, thin and multi-function, components in printed circuit board (PCB) tend to be ultra-thin, micro-size and high-density. Accordingly, it has an increasing quality demand to solder joints (which connect components to PCB) in surface mounted technology (SMT) production line. It is obviously out of date to depend on manual inspection to assure solder joints quality. Fortunately, automated optical inspection (AOI) for solder joints based on machine vision has been applied to SMT line widely. AOI system can inspect PCB with density components repeatedly, reliably and unanimously, it has less misjudgment rate and quite fast inspection velocity, which makes AOI to be more and more important in SMT [1-3].Vision systems can be used to precisely measure numberof variables such as length, angle, position, orientation, color and so on. The main advantage of a vision measuring system in these applications is its non-contact feature, which is important in cases when it is difficult to implement contact measurement [4].National Instruments has been a leader in machine vision and image processing for nearly a decade and currently supports thousands of different cameras. To acquire, display, save, and monitor images from cameras, use NI Vision Acquisition software, which is included with all NI frame grabbers and sold separately for FireWire and Gigabit Ethernet image acquisition. To process images, NI Vision software comes in two different packages: the Vision Development Module and NI Vision Builder for Automated Inspection (AI). The Vision Development Module is a collection of hundreds of vision functions for programmers using NI LabVIEW, NI LabWindows/CVI, C/C++ or Visual Basic. Vision Builder AI is an interactive software environment for configuring, benchmarking and deploying machine vision applications without programming. Both software packages workScale0.60.50.40.350.30.2X (pixel) 853.33 850.00 842.50837.14833.33815.00Y (pixel)635.00 638.00 642.50642.86646.67660.00Time (ms)21.216.916.212.111.79.3Scale0.6 0.5 0.4 0.35 0.3 0.2 X (pixel)853.33 850.00 842.50837.14833.33815.00Y (pixel)635.00 638.00 642.50642.86646.67660.00Time (ms)21.2 16.9 16.2 12.1 11.7 9.3 with all NI Vision frame grabbers and the NI Compact Vision System.This paper proposed the devices and method to develop the AOI system for SMD. The system consists of IEEE1394 camera, IEEE1394 interface card, 2-axies motion platform, LabWindow/CVI software development environment and NI Vision Development Module.Figure .1 Hardware structure of the AOI system2　System Overview2.1 HardwareThe hardware structure of the AOI system is shown in Fig. 1.It consists of motion subsystem, control subsystem and vision subsystem. The motion system consists of 2 axes rotary servo motors which can be transferred to plane motion through screw. The inspected PCB on the motion table can move freely in X-direction and Y-direction under the control of the PC and servo drive. The IEEE1394 digital camera installed above the motion table acquires the image of PCB and sends it to PC for vision analysis and measurement.Figure . 2 Servo control diagramFig. 2 shows the servo control diagram for single axis motor. PCI8134 which is a 4 axes motion control card with PCI interface can generate high frequency pulses to drive stepping motors and servo motors. Incremental encoder interface on all four axes provide the ability to correct for positioning errors generated by inaccuratemechanical transmissions. The main feature of PCI8134: 32-bit PCI bus, plug & play; pulse output rate up to 2.4 MHz; pulse output options: OUT/DIR, CW/CCW; 2 axes linear interpolation; programmable acceleration and deceleration time; trapezoidal and S-curve velocity profiles; 28-bit up/down counter for incremental encoder feedback. The resolution of our servo motor is 131072 pulses/rev, the ballscrew lead of X axis is 5mm and the ballscrew lead of Y axis is 10mm, so the maximum resolution of X axis is 0.038μm and the maximum resolution of Y axis is 0.076 μm/pulse.The camera which is Prosilica’s EC1350C CCD camera with firewire interface is a high performance machinevision camera designed for a wide range of demanding applications in automated inspection, computer vision, semiconductor and component inspection, manufacturing quality control, food and beverage inspection, and many other vision applications. Its resolution is 1.4 mega pixels (1364×1024).2.2 SoftwareWe use NI Vision Development Module (VDM) for LabWindows/CVI to inspect the SMD on PCB.VDM is machine vision application development software for LabVIEW, C/C++, Visual Basic, and .NET. It includes hundreds of image processing and machine vision functions. It also includes vision acquisition software with support for hundreds of cameras including IEEE1394 and Gigabit Ethernet cameras.We also use NI Vision Assistant which is another vision development module software product to prototype application strategy quickly without having to do any programming.For motion control, the 8134.dll of PCI8134 which contain a variety of standard applications can be used as a starting point for applications development.3　Vision DevelopmentFigure . 3 Steps to perform machine visionFig. 3 illustrates the basic steps involved in performing machine vision for AOI tasks in LabWindows/CVI.3.1 Mark RecognitionMark recognition is to find the mark points in the PCB and then to locate the object.Mark point can be circle, rectangle and so on. Our system uses circle as the mark point as shown in Fig. 4. The red circle and its outer black circle is the mark point we find.In Fig. 4, there are many other small holes in PCB which will disturb the inspection result. So we must process the origin image and exclude the effect of the disturbed holes before we make inspection and recognition. The1processing step is shown in Fig. 5.Figure . Mark PointFigure . Processing stepThe origin image’s size is 1360 × 1024, it is so big that it will waste long time to process. So it is necessary to resize the origin image by scale of 0.2. But the result must multiply the same scale of 5 correspondingly to recover its real position in origin image.To eliminate the overlay white circle, we must increase the contrast of mark but decrease the contrast of the others. So the equalize arithmetic is used. The equalize arithmetic alters the gray-level values of pixels so that they become evenly distributed in the defined grayscale range, which is 0 to 255 for an 8-bit image. The function associates an equal amount of pixels per constant gray-level interval and takes full advantage of the available shades of gray. The equalization can be limited to a gray-level interval, also c.alled the equalization range. The other pixels are set to 0. The image produced reveals details in the regions that have intensity in the equalization range; other areas are cleared. Fig.6 shows the result after equalizing.(1) Pre-Equalized (2) EqualizedFigure . 6 The image pre-equalized and equalizedThe geometric matching algorithm is used to detect the mark of circle. Geometric matching is an important tool for machine vision applications; it must work reliably under various, sometimes harsh, conditions. In automated machine vision applications – especially those incorporated into manufacturing process – the visual appearance of materials or components under inspection can change because of factors such as varying part orientation, scale, and lighting. The geometric matching tool must maintain its ability to locate the template patterns despite these changes.The geometric matching process consists of two stages: learning and matching. During the learning stage, the geometric features from the template image. Thealgorithm organizes and stores these features and the spatial relationships between these features in a manner that facilitates faster searching in the inspection image.During the matching stage, the geometric matching algorithm extracts geometric feature from the inspection image that correspond to the features in the template image. Then, the algorithm finds matches by locating regions in the inspection image where features align themselves in spatial patterns similar to the spatial patterns of the features in the templates.In LabWindows/CVI, the function imaqDetectCircles () based geometric matching is used to perform the task. In the function, the threshold which specifies the minimum contrast a seed point must have in order to begin a curve must be set carefully to exclude the disturbing circle. We set the parameter as 220 and get a good result. The minimum radius of the circle also can be set to exclude the small holes. Here we set it as 10. The inspection result is listed in Table I. The coordinate origin is in top left corner of the inspected image by default. There exits a little difference corresponding to different resize scale. The reason lies in the interpolation method when resize the origin image using Resample () function in LabWindows. But it doesn’t affect the inspection result if we convert the coordinate to the benchmark.Table 1 MARK INSPECTION RESULT3.2 Coordinate ConvertionBefore inspection, the system must be able to relate regions of particular images to individual solder pasts on a PCB or else it will be incapable of determining which solder paste on a given PCB is defective. Usually, the solder paste size and location information in board coordinates will be available from a PCB design/ manufacturing database for each type of board to be inspected [5].However, in an inline inspection system, when the PCB moving into the inspection position, there are some minor positional or orientation errors because of the mechanical factor and the interpolation factor presented in section A. To eliminate the deviation, it is necessary to align the PCB prior to inspection. This paper presents an algorithm to rectify the error from the above factor.As shown in Fig. 7, M and N are marks in database with coordinate (X m , Y m ) and (X n , Y n ), M ’ and N ’ are marks inspected from PCB with coordinate (X m ’, Y m ’) and (X n ’, Y n ’).The midpoint of M and N is O (X o , Y o ), and the midpoint of M ’ and N ’ is O ’ (X o ’, Y o ’). Their coordinateScale 0.60.50.40.350.30.2X (pixel) 853.33 850.00 842.50837.14833.33815.00Y (pixel) 635.00 638.00 642.50642.86646.67660.00Time (ms)21.216.916.212.111.79.32can be calculated as the following equations2oX XX2m noYY'2m noXX'2m noY YYo mxo m'nnXPXo myo m nY Y YPY Y Y'n'xX'yY P Y1100(,)(,)(,L Kx yC i j w x y f x i¦¦(,)R i j00(,)((,))((,)(,))L Kx yi j w x y w f x i y j f i jV¦¦200())x yD w w11200[(,)]((,)(,))L Kx yD f i j f x i y j f i j¦¦f(1)2monX m noY YY'''2m noX XX'2m noY YYo mxo m'nnXPXo myo mY Y YPY Y Y'n'xX'yY P Y11(,)(,)(,)L KC i j w x y f x i y j¦¦(,)R i j(,)((,))((,)(,))L Ki j w x y w f x i y j f i jV¦¦200()((,))x yD w w x y w¦¦11200[(,)]((,)(,))L Kx yD f i j f x i y j f i j¦¦f(2)om no'2m n'2m noY YY''o mxo m'nnX X XPX X Xo myo m nY Y YPY Y Y'n'xX'yY P Y1100(,)(,)(,L Kx yC i j w x y f x i¦¦(,)R i j00(,)x yi jV())L KD w w11200[(,)]((,)(,))L Kx yD f i j f x i y j f i j¦¦f(3)Figure . Marks in PCB and databaseAccording to above equation,coordinate system in the realcoordinate system. A pixel point in PCB with coordinate(X’, Y’) can convert to database coordinate point (X, Y)monX m noY YY'2m noX'2m noY YYo mxo m'nnPo myo m nY Y YPY Y Y'nxX P00(,)x yC i j(,)R i j00(,)((,))((,)(,))L Kx yi j w x y w f x i y j f i jV¦¦200()((,))L Kx yD w w x y w¦¦11200[(,)]((,)(,))L Kx yD f i j f x i y j f i j¦¦fmonX m noY YY'2m noX'2m noY YYo mxo m'nnPo myo m nY Y YPY Y Y'n'x00(,)x yC i j(,)R i j00(,)((,))((,)(,))L Kx yi j w x y w f x i y j f i jV¦¦200()((,))L Kx yD w w x y w¦¦11200[(,)]((,)(,))L Kx yD f i j f x i y j f i j¦¦3.3Pattern matching quickly locates regions of a grayscaleimage that match a known reference pattern, alsoreferred to as a model or template. When using patterntemplate that represents the[6]. Pattern matchingapplication then searches for instance of the template ineach acquired image, calculating a score for each match.This score relates how closely the template resemblesthe located matches. Pattern matching finds templatematches regardless of lighting variation, blur, noise, andgeometric transformation such as shifting, rotation, orscaling of the template.NI pattern matching techniques include normalizedcross-correlation, pyramidal matching, scale-androtation-invariant matching, and image understanding.Normalized cross- correlation is the most commonmethod for building a template in an image. Thefollowing is the basic concept of correlation: consider asubimage w(x, y) of size K × L within an image f(x, y)of size M × N, where K ≤ M and L ≤ N. The correlationbetween w(x, y) and f(x, y) at point (i, j) is given byoX m noY Y'2m noX'2m noY YYo mxo m'nnPo myo m nY Y YPY Y Y'n'x'yY P Y1100(,)(,)(,)L Kx yC i j w x y f x i y j¦¦(,)R i j00(,)((,))((,)(,))L Kx yi j w x y w f x i y j f i jV¦¦2L K(5)where I = 0, 1…M-1, j = 0, 1,…N-1, and the summationw and foverlap.Basic correlation is very sensitive to amplitude changesin the image, such as intensity, and in the template. Forexample, if the intensity of the image f is doubled. Soare the values of C. We can overcome sensitivity byxo m'no mY Y YY Y Ynx y11(,)(,)(,)L KC i j w x y f x i y j¦¦(,)R i j00(,)((,))((,)(,))L Kx yi j w x y w f x i y j f i jV¦¦200()((,))L Kx yD w w x y w¦¦11200[(,)]((,)(,))L Kx yD f i j f x i y j f i j¦¦fo mxo m'nnPo mY Y Y n'x'yY P Y1100(,)(,)(,)L Kx yC i j w x y f x i y j¦¦(,)R i j1100(,)((,))((,)(,))L Kx yi j w x y w f x i y j f i jV¦¦200()((,))L Kx yD w w x y w¦¦11200[(,)]((,)(,))L Kx yD f i j f x i y j f i j¦¦f(7)(8)o myo m nY Y YPY Y Y'n1100(,)(,)(,)L Kx yC i j w x y f x i y j¦¦(,)R i j(,)i jV200()((,))L Kx yD w w x y w¦¦11200[(,)]((,)(,))L Kx yD f i j f x i y j f i j¦¦f(9)whereo myo m nY Y YPY Y Y'n1100(,)(,)(,)L Kx yC i j w x y f x i y j¦¦,))i jV200()((,))L Kx yD w w x y w¦¦11200[(,)]((,)(,))L Kx yD f i j f x i y j f i j¦¦w f(calculated only once) is the average intensityvalue of the pixels in the template w. The variablexo m no mm nY Y YY Y Y'n'yY P Y1100(,)(,L Kx yC i j w x¦¦)j00)((,L Kx yj w x y¦¦00()((,)L Kx yD w w x y¦¦1100[(,)]((L Kx yD f i j f¦¦fis the average value of f in the region coincident withthe current location of w. The value of R (i, j) lies in therange -1 to 1 and is independent of scale changes in theintensity values of f and w.Normalized cross-correlation is a good techniquerotation of 5° to 10°. Scale-invariant matching adds asignificant amount of computation to matching process.To resolve the problem, NI improves the computationtime of pattern matching by reducing the size of theimage and the template by pyramidal matching. Inpyramidal matching, both the image and the templateare sampled to smaller spatial resolutions. Because theimage is smaller, matching is faster. When matching iscomplete, only areas with high match scores need to beconsidered as matching areas in the original image.Figure . User interface experiment result of our AOI4　Experimentom no'2m noX'''2m noY YYo mxo m'nnXPXo myo m nY Y YPY Y Y'n'xX'yY P Y11(,))L KxC i j j00,))x yi j200)((,))L Kyw w x y w11200[(,)]((,)(,))L Kx yD f i j f x i y j f i j¦¦fm nm nY Y'2m noY YYo mxo m'nnPo myo m nY Y YP'n'xX'yY P Y1100(,)(,)(,)L Kx yC i j w x y f x i y j¦¦(,)R i j)((,)(,))w f x i y j f i j00x y11200(,)]((,)(,))L Kx yD i j f x i y j f i j¦¦fo m'no mY Y YPY Y Y'n1100(,)(,)(,)L Kx yC i j w x y f x i y j¦¦(,)R i j00(,)x yi jV11200()((,))L Kx yD w w x y w¦¦11200[(,)]((,)(,))L Kx yD f i j f x i y j f i j¦¦f,,,3We performed the proposed algorithm and method with LabWindows/CVI to detect the quality of PCB. Fig. 8 is the software user interface which is designed to detect the SMDs position and rotation. If the rotation is out of the limited range then the component will be labeled as “0”. The minimum matching score, start/end angle can be set. It also allows the user to set the passing rotation range. The inspected image is shown in the image indicator above. The images in white rectangles are SMDs which get high correlation scores to the model image shown at the below of the inspected image and the inspection result is listed in the table.5　ConclusionTo detect poor quality of SMD, the application of resample, equalization, geometric matching and pattern matching algorithm were done. And the experimental results show that the proposed devices and methods can complete the AOI task efficaciously. It makes easy of the development of the AOI and improves the accuracy and speed of the AOI.REFERENCES[1]H. H. Loh and M. S. Lu, “Printed circuit board inspection using image analysis,” IEEE Trans. on Industry Applications, vol. 35, no. 2, pp. 426-432, 1999.[2]D. W. Raymond and D. F. Haigh, “Why automatic optical inspection,” Proceeding of the 1997 IEEE International Test Conference, Washingto DC, USA, pp. 1033, Nov. 1-6, 1997.[3]F. Wu, X. Zhang, Y . Kuan, and Z. Z. He, “An AOI algorithm for PCB based on feature extraction,” Proceeding of the 7th Wold Congress on Intelligent Control and Automation, Chongqing, China, pp. 240-247, June 25-27, 2008.[4]J. Xue, “Machine vision based inspection technology research of surface mounted devices,” Master Dissertation of Southwest Jiaotong University, pp. 11, Dec. 2008.[5]H. H. Wu, X. M. Zhang, Y . C. Kuang, and S. L. Lu, “A real-time machie vision system for solder paste inspection,” Proceeding of the 2008 IEEE/ASME International Conference on Advanced Instelligent Mechatronics, Xi’an, China, pp. 205-210, July 2-5, 2008.[6]S. M. Kim, Y. C. Lee, and S. C. Lee, “Vision based automatic inspection system for nuts welded on the support hinge,” SICE-ICASE International Joint Conference 2006, Bexco, Korea, pp. 1508-1512, Oct. 18-21, 2006.作者简介赵会斌男，硕士，中国科学院深圳先进技术研究院半导体设备研究室客座学生。

机器视觉技术在检测领域的应用

机器视觉技术在检测领域的应用随着工业自动化的推进和人工智能技术的快速发展，机器视觉技术在各个领域的应用越来越广泛。

其中，机器视觉技术在检测领域的应用扮演着十分重要的角色。

本文将从图像处理、机器学习和算法优化三个方面介绍机器视觉技术在检测领域的应用情况。

一、图像处理技术在检测领域的应用1.图像清晰度的提高图像清晰度是机器视觉检测过程中的一个重要指标。

因此，在图像处理中对清晰度的提高非常重要。

在智能相机领域，人工智能技术可以通过对图像背景进行去噪、提高清晰度等方式来优化图像质量。

这样可以在保证检测效果的同时，也不会对成本带来过大的影响。

2.图像亮度的控制图像亮度也是机器视觉检测过程中的一个关键指标，过低或过高的亮度都可能对检测结果产生影响。

在图像处理中可以通过减少或增加照明强度、优化相机参数等方式来控制图像的亮度。

这可以帮助机器更好地识别目标，并提高检测的准确性和稳定性。

二、机器学习在检测领域的应用1.深度学习技术深度学习技术是目前机器视觉领域中最受关注的技术之一。

它通过对大量数据的学习和挖掘，来识别和分类不同的目标。

在检测领域中，深度学习技术可以通过对不同目标进行训练，使得机器更好地分辨各类目标。

同时，深度学习技术还可以通过对检测数据的处理和优化来提高检测的准确性和稳定性。

2.迁移学习技术迁移学习技术是一种将已学习过的知识迁移到新领域的技术。

在机器视觉检测中，迁移学习技术可以通过将已经训练好的模型迁移到新的领域中，来实现对新领域目标的快速检测。

这种方式大大缩短了训练时间，同时也提高了检测领域的适用性。

三、算法优化在检测领域的应用1.特征选择算法特征选择算法是一种提取数据特征的方法。

在机器视觉领域中，不同的目标具有不同的特征。

通过合理的特征选择算法，可以将不同的目标从图像中分离出来，实现精准的检测。

同时，特征选择算法也可以通过优化图像特征来提高检测效率和准确性。

2.检测算法优化检测算法优化是指对机器视觉检测算法进行改进和优化，使其更加适用于各种复杂环境下的检测任务。

基于机器视觉的轴承生产中的表面质量在线检测与研究

ｐｒｏｃｅｓｓｉｎｇｗａｓｄｏｎｅｆｏｒａｃｑｕｉｒｅｄｉｍａｇｅ．Ｉｔｐｒｏｖｉｄｅｓｆｏｕｎｄａｔｉｏｎｏｒｆｓｕｂｓｅｑｕｅｎｔｉｍａｇｅｐｒｅｔｒｅａｔｍｅｎｔ，ｐａｔｔｅｎｒｒｅｃｏｇｎｉｔｉｏｎ，ｆｅａｔｕｒｅｅｘｔｒａｃ —
Ｋｅｙｗｏｒｄｓ：Ｍａｃｈｉｎｅｖｉｓｉｏｎ；Ｄｉｇｉｔａｌｉｍａｇｅ；Ｃａｌｉｂｒａｔｉｏｎ；Ｐａｔｔｅｎｒｒｅｃｏｇｎｉｔｉｏｎ
机器视觉就是用各种成像系统代替视觉器官作为
等优点，其应用正渗透到电子工业、汽车工业、航空
ＭａｃｈｉｎｅＶｉｓｉｏｎｉｎｔｈｅＰｒｏｄｕｃｔｉｏｎｏｆＢｅａｒｉｎｇｓ
ＷＡＮＧＣｈａｎｇ，ＧＡＯＪｉｎｇｊｉｎｇ
（ＳｃｈｏｏｌｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＩｎｎｅｒＭｏｎｇｏｌｉａＵｎｉｖｅｒｓｉｔｙｏｆＳｌｏｇｙ，
ＢａｏｔｏｕＩｎｎｅｒＭｏｎｇｏｌｉａ０１４０１０，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｅｃｏｍｂｉｎｉｎｇｏｆｄｉｇｉｔａｌｉｍａｇｅｐｒｏｃｅｓｓｉｎｇｔｅｃｈｎｉｑｕｅａｎｄｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎｔｅｃｈｎｉｑｕｅｃａｎｂｅｗｉｄｅｌｙｕｓｅｄｉｎｉｎｄｕｓｔｒｙｐｒｏｄｕｃｔｓｃｌａｓｓｉｉｆｃａｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎ．Ｆｏｒｔｈｅｄｅｆｅｃｔｓｄｅｔｅｃｔｉｏｎａｎｄｉｄｅｎｔｉｉｆｃａｔｉｏｎｎｅｅｄｓｉｎｂｅａｒｉｎｇａｓｓｅｍｂｌｙｌｉｎｅ，ａｕｔｏｍａｔｉｃｄｅｔｅｃｔｉｏｎｓｙｓｔｅｍｂａｓｅｄｏｎｍａｃｈｉｎｅｖｉｓｉｏｎｗａｓｓｔｕｄｉｅｄ，ｃｏｎｔｒａｓｔｍｅａｓｕｒｅｍｅｎｔｏｎｄｉｆｆｅｒｅｎｔｓｕｒｆａｃｅｓｗａｓｍａｄｅｂｙｐｌａｎｅａｒｒａｙｃａｍｅｒａ．Ｂｉｎａｒｙｚａｔｉｏｎ

基于机器视觉的钢珠直径测量系统设计

第38卷第1期2021年1月吉林化工学院学报JOURNAL OF JILIN INSTITUTE OF CHEMICAL TECHNOLOGYV〇1.38No.lJan.2021文章编号：1007-2853 (2021) 01 -0058-05基于机器视觉的钢珠直径测量系统设计李百明(闽南理工学院工业机器人测控与模具快速制造福建省高校重点实验室，福建石狮362700)摘要：为提高中小企业钢珠直径检测效率、降低资本投人，提出一种基于机器视觉的钢珠直径测量方法.给出了系统的工作原理，对核心硬件进行了选型设计，搭建了实验平台.设计的系统用于测量直径为6 mm和8 mm的钢珠时，其标准差均小于等于0.007 mm，重复性精度接近0.023 mm;测量直径为6~8 mm不同尺寸的钢珠时，系统的线性度理想.实验结果表明:该系统可以对钢珠精度等级在G100级及以下的钢珠进行高精度、非接触式检测.关键词：钢珠;直径;机器视觉;测量;非接触中图分类号：TP391 文献标志码：A DOI： 10.16039/22-1249.2021.01.012轴承是一种重要的标准件，它的质量与精度直接影响机械设备的寿命与性能，而钢珠是轴承里的一个重要零件，又直接影响着轴承的加工精度，因此，对钢珠精度的检测至关重要[1_2].在对钢珠精度进行评价的指标中，钢珠直径尺寸是其重要的检测参数.目前，大多数中小企业为减少固定资本投人，普遍采用人工结合千分尺对钢珠直径进行接触式测量，其测量原理简单、使用方便，易于掌握，但是会对钢珠表面造成一定损伤、检测速度慢、效率低、出错率高，难以实现自动化和实时在线检测.因此，研究一种检测速度快、效率高、在线的非接触式钢珠直径检测方法显得尤为重要.现有的非接触式钢珠直径检测法主要有电感传感器检测法、超声波检测法和激光扫描检测法等.电感传感器检测法利用被测量磁路磁阻的变化引起线圈电感量变化来实现对直径的测量[3];该方法测量精度高、结构简单，但是灵敏度、线性度和测量范围相互制约，电路复杂,容易产生一些误动作.超声波检检测法通过检测反射波的强弱和传播时间来计算钢珠的直径;该方法检测精度高,但当钢珠直径较小时，可能出现二次底波高于一次底波的情况.激光扫描检测法[4]利用连续的激光束对钢珠进行高速扫描，实现直径的测量;该方法操作简单、分辨率高，但是温度变化对系统的稳定性影响很大，成本高.机器视觉是一门新兴的学科，随着电子、光学和计算机技术的不断完善，它在工业制造中得到了迅速的发展和应用_机器视觉就是给机器装上视觉装置，利用计算机来模拟人的视觉功能，用机器代替人眼实现对客观事物的测量、检测和识别[5_8];该方法测量精度高、速度快，实时性好等特点.因此，为了提高检测效率、保障检测精度、降低企业成本，本文将机器视觉技术应用于钢珠的直径检测，以碳钢材质、等级在G100级及以下的钢珠为检测对象，设计了一款基于机器视觉的钢珠直径测量系统，该系统具有成本低、效率高、线性度好、重复性精度高等特点.1系统工作原理基于机器视觉的钢珠直径测量法分为两种形式:一种是线阵CCD检测法[9]，该方法利用照明系统将钢珠均匀照明后，经光学成像系统成像于线阵CCD上，再由数据采集电路完成直径信息的提取;该方法的特点是检测精度很高，但若要获取二维图像必须配以机械扫描机构和A/D采集卡，增加了系统的复杂性和成本、且检测速度受限.另外一种是面阵相机检测法，该方法可以直接采集到二维图像、检测速度快.为提高检测效率，本文采用面阵相机进行非接触测量.收稿日期：2020-09-27基金项目：工业机器人测控与模具快速制造福建省高校重点实验室项目（闽教科〔2017〕8号）作者简介:李百明（1984-)，男,黑龙江海伦人，闽南理工学院讲师，硕士，主要从事现代检测技术方面的研究.第1期李百明:基于机器视觉的钢珠直径测量系统设计59本文设计的基于机器视觉的钢珠直径测量系统由光源、镜头、摄像机、试验台、支架、计算机、halcon图像处理软件等部分组成，测量平台的总体结构如图1所示.钢珠直径测量系统的工作原理是将待测钢珠放在试验台上，光源从待测钢珠的上方照射，当手动触发采集按钮后,摄像机负责采集钢珠的图像信息并发送给计算机;计算机通过halcon图像处理软件对采集到的图像进行处理，从中提取出直径特征，计算出被测钢珠的直径尺寸;测量结果以文本形式保存到计算机中，并通过显示窗口显示出测量的数值.图1测量平台结构设计示意图2硬件系统选型2.1照明系统照明系统的好坏直接影响采集图像的质量,对后续处理和测量结果产生直接影响，甚至导致测量结果不可信.因此，照明系统是整个钢珠直径测量系统设计成败的关键因素[1(11.照明系统的主要目标是选择合适的光源以某种方式将光线投射到被测钢珠上，突出被测特征部分与背景的对比度.机器视觉系统中使用的光源主要有高频荧光灯、光纤卤素灯、疝气灯和LED光源四种.高频荧光灯的优点是扩散性好、适合大面积均匀照射;缺点是响应速度慢、亮度较暗;光纤卤素灯的优点是亮度高;缺点是响应速度慢，几乎没有光亮度和色温的变化;疝气灯的优点是亮度高、常用于汽车大灯;缺点是发热较大、成本高、穿透能力不强;LED 光源的优点是寿命长、成本低、响应速度快、波长可选、可组合成不同的形状；缺点是亮度比卤素灯、疝气灯略差.根据光源照射方式的不同，照明系统可分为:前向照明、背向照明、频闪光照明和结构光照明等.其中，前向照明是指将光源和摄像机放于被测物同侧，安装方便;背向照明是将被测物置于摄像机和光源之间，能够得到高对比度的图像;频闪光照明是利用高频率的光脉冲对被测物体进行照明，要求相机的拍摄速度与光源频闪速度同步;结构光照明是指先将光栅或线光源等投射到被测物体上,再根据它们的失真解调出被测物体的三维信息.本系统初期的检测目标是钢珠的直径尺寸，后期还将对钢珠表面的缺陷进行研究;另外，待测钢珠的材料为金属，对光的反射比较严重，为提高钢珠边缘的对比度，降低噪声干扰，应采用光线柔和的光源[11 .因此，为保证测量系统的延续性，综合成本及效果，本文选用环形蓝色的LED光源进行前向照明.2.2摄像系统摄像系统由相机和镜头两部分组成.当前工业相机的主要成像器件分为CCD和CMOS两个类别.CCD的优点是成像清晰，分辨率高；缺点是价格较贵、功耗高；CMOS的优点是功耗低，价格低廉;缺点是成像质量不如CCD.本系统考虑到项目的检测要求，选用了深圳迈德威视科技有限公司生产的MV-GED500C/M-T型CCD摄像机，摄像机的主要参数如表1所示. 根据摄像机到工作面的距离，镜头选用通用的 CCTV镜头,焦距为6~60mm,接口为C S接口.表1MV-GED500C/M-T型C C D摄像机的主要参数型号MV-GED500C/M-T最大像素2448HX2048V靶面尺寸2/3英寸帧率9FPS(最大像素）像元尺寸 3.45 (xmx3.45 (xm传感器CCD数据接口GigE工作温度0-50T：镜头接口CS接口最大增益323检测实验及结果分析本文以工业机器人测控与模具快速制造省级重点实验室为依托，搭建了如图2所示的钢珠直径检测系统.为降低振动对测量精度的影响，将整套系统置于精密的光学隔振平台上.检测系统的软件界面由VS2013平台设计，钢珠直径的测量60吉林化工学院学报2021 年次测量，测量结果如表3所示.由表3可知，6.00 mm 钢珠10次测量的平均尺寸为654.2个像素，每个像素所对应的实际尺寸为9.172 p m /像素，测量的绝对误差范围为960〇----2----：----1----s ----212 p m ,平均绝对值误差为5.6 p m ，直径标微陳准差为7.0 j m .图4为采用设计的测量系统测量图38 mm 钢珠直径测量的重复性 6.00 mm 钢珠直径时的重复性精度•表3 6m m 钢珠直径测量数据序号12345678910像素值654.5654655.5654653.5655654653.5653654.5从图4可知，该系统在相同条件下多次测量的差值接近0.023 mm ,这意味着该系统用于测量同一 6.00 mm 钢珠时，其直径的最大值和最小值6.00 mm 钢珠直径的重复性精度接近0.023 mm ，由功能强大的halcon 软件完成.检测系统组装调试好后，本文对系统的重复性精度和线性度进行了测试.本实验所用钢珠样品均为碳钢材质、精度等级G 100、允许误差±12.5 p m ，硬度为55°.3.1系统的标定相机拍摄到的钢珠图像是以像素为单位的，要得到待检钢珠的实际尺寸，需要将像素尺寸转换成长度尺寸，这个过程即为对系统的标定.在机器视觉测量系统中，标定是保证系统高精度和稳定性的前提和基础[m3].由于实际镜头与理想镜头差别较大,其物像关系无法用光学成像公式进行精准的描述，所以本测量系统中采用了试验的方法进行标定.其具体过程是先对已知直径尺寸为^的标准钢珠进行成像,并得到该钢珠的像所占CCD 的像素个数为~由此可知每个像素对应的标定系数&d 式中表示一个像素所对应的实际尺寸沁:表示标准钢珠的直径尺寸，单位为表示标准钢珠的像所占的像素个数.3.2重复性精度测试为了检测系统的重复性精度，在整个系统所处环境基本保持不变的前提下，采用相同的测量方法对直径为8.00 mm 的钢珠进行多次测量，测量结果如表2所示.图2钢珠直径检测平台k _-(1)表2 8m m 钢珠直径测量数据序号12345678910像素值927928.5929928927.5928927927.5928.59265由表2可知，8.00 mm 钢珠10次测量的平均尺寸为927.8个像素，每个像素所对应的实际尺寸为8.623 pm /像素，测量的绝对误差范围为 2 |xm ~ 11 (xm ，平均绝对值误差为5.4 (xni ，直径标准差为6.8 pm .图3为采用设计的测量系统测量8.00 mm 钢珠直径时的重复性精度.8.020「8.011从图3可知，该系统在相同条件下多次测量同一 8.00 mm 钢珠时，其直径的最大值和最小值的差值接近0.022 mm ,这意味着该系统用于测量8.00 mm 钢珠直径的重复性精度接近0.022 mm , 能够满足检测精度的要求.类似地，在相同测量系统参数设置和环境下，采用设计的系统对直径为6.00 mm 的钢珠进行多.001.9818.7.第I期李百明:基于机器视觉的钢珠直径测量系统设计61600 -----------------1------------------1-----------------15.86.67.48.2直径/mm图5钢珠线性拟合曲线从图5可知，R的平方等于0.996 8,近似等于1,说明拟合直线和实际数据之间的拟合度非常高,这表明当被测钢珠的直径在6~8mm时，系统的线性度理想，能够保证被测钢珠的测量精度.4结论针对国内中小企业在检测钢珠直径尺寸时的现状，提出了一种基于机器视觉的钢珠直径测量方法.在该方法中，完成了照明系统和摄像系统的选型设计，实现了对钢珠直径尺寸的测量.实验结果表明，设计的基于机器视觉的钢珠直径测量系统在测量精度等级为G100,直径为6mm和8m m的钢珠时，测量的标准差均小于等于0.007 mm，重复性精度接近0.023 mm.该系统的重复性精度高、且在测量6~8mm之间不同规格的钢珠时，系统的线性理想，测量精度能够达到微米级别，设计成本低，完全可以满足钢珠直径精度在G100及以下级别的高精度、非接触、实时检测任务，能够为中小企业在提高检测效率的同时降低人工成本和管理成本，可以得到广泛的应用.参考文献：[1]何加群.中国工业强国战略和轴承产业[J].轴承，2015( 1) ：55-63,[2]吴秀东，李东兴,长晓刚，等.基于Halcon的钢球表面缺陷检测系统设计[J].轴承，2018( 10) :53-58.[3]陈育中.基于电感传感器的钢珠直径分选器设计[J].电子设计工程,2011,19(2) :62-65.[4]黎明敏.基于激光技术的钢珠形状检测系统的研究[D].西安:长安大学,2013.[5]郭静，罗华，张涛.机器视觉与应用[J].电子科技，2014,27(7) ：185-188,[6]尹仕斌,任永杰，刘涛，等.机器视觉技术在现代汽车制造中的应用综述[J].光学学报，2018,38(8) ：08!5001,[7]万子平，玛丽莎，陈明，等.机器视觉的零件轮廓尺寸测量系统设计[J].单片机与嵌人式系统应用，2017( 12) ：32-58.[8]王健，胥燕军，汪力，等.机器视觉在钢轨磨耗检测中的应用研究[J].铁道标准设计，2014,58(9):36-39.达到了检测精度的要求.从图3和图4可以看出, 该系统用于测量6mm钢珠直径的重复性精度要比测量8mm钢珠时稍大，造成这种精度下降原因是:6mm钢珠和8mm钢珠都是在相同测量系统参数设置和环境下测量的，而测量系统的参数是以8mm钢珠为参照进行设定的；系统在测量不同规格钢珠尺寸时，需要调整镜头的焦距即光学系统的工作距离，因为该位置可能不是用于测量 6mm钢珠的最佳位置.在实际测量中，一般钢珠生产企业在生产不同规格的钢珠时会采用不同的生产线，所以不会产生这种误差.| 6.000I•j i] 5.9895.960图4 6 I次数/次钢珠直径测量的重复性3.3线性度测试本文在规定的时间内，用钢珠直径测量系统分别对直径从6~ 8mm之间的标准钢珠进行测量，测量结果如表4所示.表4不同直径的钢珠测量结果序号1 2 34567 8/m m 6.00 6.35 6.756.957.007.507.958.00像素值654.2 704.4 756.5779785843913.5 928.1依据表4数据，做出钢珠直径测量的拟合曲线，如图5所示.1000r900R2=0.996880070062吉林化工学院学报2021 年[9]孙亭玉.钢珠分检控制系统设计[D] •长春:长春理工大学，2013.[10]李红钢.基于机器视觉的某型药筒零件难测量尺寸测量系统研究[D].太原:中北大学，2014.[11]余俊荣，孟宪臣，潘丰.基于机器视觉的手机电池检测系统的设计[J].江南大学学报（自然科学版），2014,13(1)：23-28.[12]卢清华，许重川，王华，等.基于机器视觉的大幅面陶瓷地砖尺寸测量研究[J].光学学报，2013,33(3) ：0312004.[13] YANG BOWEN, ZHANG LIYAN, YE NAN et al..Camera calibration technique of wide-area visionmeasurement [J]. A cta Optica Sinica,2012,32(9) ：0915001.Design of Diameter Measurement System for Steel BallBased on Machine VisionLI Baiming(Provincial Key Laboratory of Industrial Robot Measurement and Control, Rapid Die Manufacturing Minnan University of Science and Technology,Fujian Shishi 362700,China)Abstract：order to improve the efficiency of steel ball diameter detection in small and medijxm-sized enterprises and reduce the investment of capital,a m ethod of steel hall diameter measurement based on machine vision was presented.First,the working principle of the system was given；secondly,the core hardware was designed and the hardware parameters were given；finally,the experimental platform was built.W hen the designed system was used to measure steel ball w ith diameter of6 m m and 8 mm,the standard deviation is less than or equal to0.007 mm,and the repeatability precision approaches0.023 mm.The linearity of the system is ideal w hen measuring the diameter of steel ball from 6 to 8mm.The experimental results show that the system can be used for high-precision and non-contact detection of steel balls of grade G100 or below.Key words ：steel ball；diameter；machine vision；measurement；non-contact。

基于机器视觉的钢球表面缺陷检测和分类

Ａｂｓｔｒａｃｔ：Ｂａｓｅｄｏｎｔｈｅａｎａｌｙｓｉｓｏｆｏｐｔｉｃｒｅｌｆｅｃｔｉｎｇｃｈａｒａｃｔｅｉｓｒｔｉｃｓｏｆｓｔｅｅｌｂａｌｌｓｕｆｒａｃｅ，ａｓｔｅｅｌｂｌｌａｓｕｒｆａｃｅｄｅｆｅｃｔｉｍａｇｅ
ｄｅｔｅｃｔｉｎｇｐｌａｆｏｔｒｍｃｏｎｔｍｎｉｎｇａｎｉｎｔｅｇｒａｔｉｎｇｓｐｈｅｒｅｌｉｇｈｔｓｏｕｒｃｅａｎｄａ０．５×ｔｅｌｅｃｅｎｔｒｉｃｌｅｎｓｉｓｓｅｔｕｐｔｏｓｏｌｖｅｔｈｅｐｒｏｂ —
ＭａｃｈｉｎｅＶｉｓｉｏｎ
ＬｉｕＱｉｎｇ，ＺｈａｎｇＪｉｎ— ｈｕａ２，ＨｕａｎｇＪｕｎ—ｑｉｎ
（１．ＥｎｇｉｎｅｅｉｒｎｇＴｒａｉｎｉｎｇＣｅｎｔｅｒ，ＸｉａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｘｉａｎ７１００４８，Ｃｈｉｎａ；２．ＳｃｈｏｏｌｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｉｒｎｇ，ＸｉａｎＪｉａｏ —ｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｘｉｎａ７１００４９，Ｃｈｉｎａ）

机器视觉技术在检测领域的应用

机器视觉技术在检测领域的应用随着工业化进程的加速以及科技的不断发展，机器视觉技术在生产领域得到了广泛的应用。

特别是在检测、识别等方面，机器视觉技术的应用越来越普及。

本文将介绍机器视觉技术在检测领域的应用。

一、机器视觉介绍机器视觉技术是指用计算机和相关软硬件技术对实际场景进行视觉感知、处理和分析，从而获得有关场景的信息的一种技术。

具体来说，机器视觉可以通过光学、电子学和计算机学等技术手段，实现对图像和视频的分析、识别、检测等目的，可以广泛应用于生产、科研、医疗、安防等领域。

二、1.电子元件检测电子元件生产中，常常需要对电子元件进行自动化检测，以确保生产过程中的质量。

机器视觉技术可以应用在电子元件尺寸、形状等方面的检测，识别出电子元件是否存在缺陷或者尺寸是否达标，从而保证生产质量。

2.汽车零部件检测在汽车生产过程中，机器视觉技术可以用于汽车零部件检测。

机器视觉技术可以通过对汽车零部件进行成像，识别出零部件是否存在缺陷以及是否符合设计要求，从而降低生产过程中的不良率，提高生产效率。

3.工业焊接质量检测在焊接过程中，工件及焊接过程的质量很大程度上决定了焊接质量。

机器视觉技术可通过对焊缝进行成像、分析和处理，识别出焊缝的大小、形状、位置等参数，从而实现焊接质量的可视化检测。

4.包装密封性能检测包装密封性能是保证食品安全的必要条件。

机器视觉技术可以对包装密封性能进行检测，识别出包装是否有漏气、漏水等问题，从而保证食品的安全。

5.药片颜色检测药片的颜色往往与药品的成分密切相关。

在药品生产和销售过程中，机器视觉技术可对药片颜色进行自动化检测，判断药片是否符合标准。

三、机器视觉技术的挑战虽然机器视觉技术在检测领域的应用方面具有广阔的前景，但也面临着挑战。

首先，机器视觉技术需对图像信号进行处理和分析，而图像信号的特性是复杂多变的，因此对技术要求较高。

其次，在实际应用中，需要利用各种先进的技术手段、算法等辅助机器视觉技术的实现。

机器视觉在钢球表面缺陷检测中的应用

机器视觉在钢球表面缺陷检测中的应用文章编号:1006 2475(2005)10 0063 03收稿日期:2005 04 18作者简介:李春颖(1973 ),女,黑龙江佳木斯人,南京工程学院计算机工程系助教,硕士,研究方向:计算机测控,图像处理与模式识别。

机器视觉在钢球表面缺陷检测中的应用李春颖(南京工程学院计算机工程系,江苏南京 210013)摘要:提出一种基于机器视觉钢球表面缺陷识别方法,利用计算机图像技术采集钢球表面图像信号,采用图像比对法对图像信号进行缺陷识别分析。

实践表明使用本文方法能够实现钢球表面缺陷的自动检测,具有可靠、高效的特点。

关键词:机器视觉;缺陷检测;钢球中图分类号:TP311 文献标识码:AApplication of Machine Vision in Steel Ball Surface Fault InspectionLI Chun ying(Computer Engineering Departmen t,Nanjing Insti tute of Technology,Nanjing 210013,China)Abstract:The thesis puts forward a technique of steel ball surface fault check based on machine vision.The method,which adop ts com pu ter image techniq ue to capture steel ball surface image,utilizes the antitheses to analyze the i mage signal.Practice indicates that the method implemen ts automatic inspection of steel ball surface fault reliably and effectively.Key words:machine vision;faul t inspection;steel ball0 引言钢球的表面质量是影响轴承性能的重要因素之一。

机器视觉技术在工件表面质量检测中的应用

机器视觉技术在工件表面质量检测中的应用近年来随着科技的不断发展，机器视觉技术作为一种全新的检测手段逐渐被应用到了工业生产领域。

其中，机器视觉技术在工件表面质量检测中的应用更是得到了广泛的关注，下面本文将就此方面展开探讨。

一、机器视觉技术在工件表面质量检测中的应用概述机器视觉技术在工件表面质量检测中的应用是指通过对工件表面图像的数据采集和处理，快速、精准地检测出工件表面是否存在缺陷、裂纹、毛刺等质量问题。

相比传统的目视检测方法，机器视觉技术具有检测速度快、效率高、稳定性好等优点，可以大大提高生产效率和产品质量。

二、机器视觉技术在工件表面缺陷检测中的应用在工件生产中，常常会出现表面缺陷的问题，如划痕、裂纹、气泡等。

这些缺陷往往会影响到工件的性能和质量，给企业带来诸多损失。

针对这些问题，机器视觉技术在工件表面缺陷检测中的应用已经越来越成熟。

通过对工件表面图像进行采集和处理，机器视觉系统可以自动识别不同类型的缺陷，并及时发出报警信号，方便操作人员进行及时的工艺调整，保证产品质量。

三、机器视觉技术在工件表面外观检测中的应用除了表面缺陷，工件的外观问题也是生产中常见的问题，如色差、图案偏移等。

这些问题虽不会影响到工件的内在性能，但对于一些高端消费品、电子产品等有着极高的要求。

针对这些问题，机器视觉技术同样可以发挥重要作用。

通过对工件表面的颜色、形状、大小等因素进行综合分析，机器视觉系统可以自动判断工件是否达到了要求的规格、外观质量等级等，实现对工件外观的自动化检测。

四、机器视觉技术在工件表面几何形状检测中的应用针对一些具有特殊形状或规格的工件，其几何形状是否符合标准也是一个必须考虑的问题。

传统的检测方法需要操作人员逐个对工件进行测量，工作量大、效率低。

而运用机器视觉技术，可以使得对工件表面几何形状的检测更为精准、快速。

机器视觉系统通过对工件表面进行拍摄，再自动分析处理出所需的几何参数，可以快速地评估出工件几何形状是否符合标准。

基于机器视觉的钢铁表面检测技术研究与应用

基于机器视觉的钢铁表面检测技术研究与应用随着经济的发展，钢铁工业在中国的经济发展中具有举足轻重的地位。

而钢铁表面的质量和光洁度是保证生产质量和生产安全的关键因素之一。

因此钢铁表面检测技术研究越来越受到重视。

而基于机器视觉的钢铁表面检测技术由于其检测准确性、速度和自动化程度等优势，已经受到了广泛关注和应用。

一、机器视觉检测技术原理机器视觉检测技术是一种通过计算机自动化分析图像的技术。

通过摄像机获取钢铁表面图像，计算机对这些图像进行处理，并根据不同的检测标准判断结果是否合格，从而达到自动化检测的目的。

机器视觉检测技术涉及到图像采集、预处理、特征提取、分类和检验等多个过程。

其中，图像采集是整个过程的基础，同样也是整个过程中最关键的一步。

预处理主要是对采集的图像进行去噪、增强和图像之间的配准等工作。

特征提取则是通过图像处理技术，对图像进行分割、色彩检测、轮廓检测等操作，获得表面缺陷、尺寸等重要特征。

分类则是将所获得的特征与事先定义好的标准进行比对，判断表面质量是否合格。

二、机器视觉检测技术的应用机器视觉检测技术已经被广泛应用于钢铁生产的每个环节。

其中在钢板生产的超声波探伤、涡流探伤、X射线检测等技术中，机器视觉技术作为辅助技术，可以对钢铁表面进行二次检测。

此外，在开发钢铁表面质量检测系统、辊道计量系统和井孔坑道系统等方面，机器视觉技术也发挥了重要的作用。

在钢铁表面的缺陷检测和分析方面，机器视觉技术也表现出其独特的优势。

因为机器视觉技术可以快速、准确地检测出表面缺陷，并对其进行分类、标记和记录等工作。

在这方面，机器视觉技术已经成为了钢铁表面自动检测的首选技术。

三、机器视觉检测技术的局限性虽然机器视觉检测技术在钢铁表面的自动检测中表现出了很大的优势，但是在实际应用中依然存在一些技术问题。

首先是因为钢铁表面杂质和色差等天然因素的存在，容易对图像检测造成影响。

同时，钢铁表面缺陷的种类也较多，因此在样本数据建立和分类识别时需要进行较大的投入和时间成本，且风险较大。

机器视觉技术与应用实战-金属标定块平面度检测应用案例

什么是平面度测量？
平面度测量是指被测实际表面对其理想平面的变动量。将被测实际表面与理想平面进行比较，两者之间的线值距离即为平面度误差值；或通过测量实际表面上若干点的相对高度差，再换算以线值表示的平面度误差值。
案例背景：
属标定块加工出来后，对于表面检测的粗糙程度都会有不同的要求，最初的高度测量仪是高度规的方式，通过一个触点不断的测试产品表面的高度，人工产品的平面度，测试时间长，效率低。
软件应用（12）平面度误差工具设置 ② 平面度误差检测参数设置：移动ROI区域后，设置9宫格平面布点间格，如图11.38 所示。
图11.38 平面度误差工具区域设置
ห้องสมุดไป่ตู้
《机器视觉技术与应用实战》
第三节金属标定块平面度3D测量应用案例
软件应用（12）平面度误差工具设置 ③ 直接查看输出结果：平面度误差0.0117mm，如图所示。
（3）硬件选型对应配置如下表。
名称
3D传感器视觉控制器龙睿智能相机
说明
VD300-20 VDCPT-2 DragonVision
数量
1 1 1
备注
含电源线、IO 线
《机器视觉技术与应用实战》
第三节金属标定块平面度3D测量应用案例
软件应用（1）首先打开龙睿智能相机（Dragonvision）软件如图11.22采集3D高度伪彩
③液平面法：液平面法是用液平面作为测量基准面，液平面由 “连通罐”内的液面构成，然后用传感器进
行测量。此法主要用于测量大平面的平面度误差。
④光束平面法：光束平面法是采用准值望远镜和瞄准靶镜进行测量，选择实际表面上相距最远的三个点形
成的光束平面作为平面度误差的测量基准面。
⑤激光平面度测量仪：激光平面度测量仪用于测量大型平面的平面度误差。 ⑥利用数据采集仪连接百分表测量平面度误差的方法。

计算机视觉技术在质检领域的应用案例分享

计算机视觉技术在质检领域的应用案例分享随着科技的发展，计算机视觉技术在各个领域中发挥着越来越重要的作用。

质检领域作为制造业的核心环节之一，也逐渐应用计算机视觉技术来提高质检的效率和准确性。

本文将分享一些计算机视觉技术在质检领域的典型应用案例。

首先，计算机视觉技术可以应用于产品外观缺陷检测。

传统的质检人工检测可能存在主观性和疲劳等问题，而计算机视觉技术可以通过图像处理和模式识别来准确地检测和识别产品表面的缺陷。

例如，某家汽车制造商利用计算机视觉技术来检测汽车外观上的划痕、凹陷等问题，确保了车辆外观的美观度，提高了质检效率。

其次，计算机视觉技术在产品尺寸和位置检测方面也发挥着重要作用。

在传统的质检过程中，通常需要使用测量工具和人工测量来检测产品的尺寸和位置是否符合标准要求。

而计算机视觉技术可以通过图像处理和模式匹配来自动识别和测量产品的尺寸和位置，减少了人为误差，并且大大提高了质检的效率。

例如，某家电子产品制造商利用计算机视觉技术来检测手机屏幕的位置和尺寸，确保每个产品都能符合严格的要求。

另外，计算机视觉技术还可以应用于产品装配的自动化质检。

在传统的质检过程中，通常需要质检员进行人工检验来确保产品的正确组装和连接。

而计算机视觉技术可以通过图像识别和模式匹配来自动检测产品的装配情况，提高质检的准确性和效率。

例如，某家汽车零部件生产商可以利用计算机视觉技术来检测汽车零部件的组装情况，确保每个零部件都正确地安装在相应的位置上。

此外，计算机视觉技术在产品的缺陷分类和分拣方面也有广泛的应用。

传统的质检过程中，通常需要人工对产品进行分类和分拣，这是一项繁琐且容易出错的工作。

而计算机视觉技术可以通过图像处理和模式识别来自动分类和分拣产品的缺陷，提高了质检的效率和准确性。

例如，某家食品加工企业利用计算机视觉技术来检测食品包装上的缺陷，并自动将合格和不合格的产品分拣到不同的通道中。

总之，计算机视觉技术在质检领域的应用案例丰富多样，正逐渐改变着传统的质检方式。

基于LabVIEW的钢领圆度自动化检测系统

基于LabVIEW的钢领圆度自动化检测系统甘佳佳;李思平;杨崇倡【摘要】针对传统钢领检测方法自动化程度低、检测精度差、人力成本高的问题,通过对目前国内几种钢领圆度检测方法的研究,设计了钢领自动化圆度检测的光机电一体化装置.基于LabVIEW的软件系统平台,利用NI视觉开发模块对钢领原图像进行采集和预处理,拟合钢领内圆,并用最小二乘法评定圆度误差,分析判断钢领圆度是否合格.该自动化检测装置可实现钢领圆度检测的全自动化流程,能检测不同型号钢领的内圆圆度.系统的检测精度达到0.01 mm,准确率达到99％,检测速度达到1.8 s/个,可以实现工厂里钢领的自动送料和分拣,并提高了自动检测的准确率和检测速度.【期刊名称】《毛纺科技》【年(卷),期】2017(045)005【总页数】4页(P64-67)【关键词】钢领;机器视觉;圆度;自动化;检测【作者】甘佳佳;李思平;杨崇倡【作者单位】东华大学机械学院,上海201620;东华大学机械学院,上海201620;东华大学机械学院,上海201620;东华大学纺织装备教育部工程研究中心,上海201620【正文语种】中文【中图分类】TS103.7钢领是环锭细纱机上的关键元件，与高速运转的钢丝圈组成一对摩擦副，实现对纱线的加捻和卷绕。

随着纺纱技术的进步，高速、大卷装、高效益纺纱已成为纺织领域急需实现的目标，而钢领是实现环锭纺纱生产高速化的重要因素之一。

钢领是钢丝圈高速运转的跑道，钢领质量状况直接影响钢丝圈的运行状态，钢领圆度不好,气圈就不稳定，导致碰隔纱板而增加毛羽[1]。

在工作过程中，圆度误差大的钢领会导致与钢丝圈间的摩擦因数变化，而引起瞬时突变张力，往往导致纱线断头。

据有关资料介绍，钢领和钢丝圈造成的成纱毛羽占30%～40%，对纺纱断头的影响约占20%以上[2]。

因此钢领要求圆整、耐磨，以适应钢丝圈在其轨道上的高速运转，提高纺纱质量。

我国钢领的使用周期因种类的不同一般为8～36个月。

数字信号处理与神经网络在钢球表面裂纹检测中的应用的开题报告

数字信号处理与神经网络在钢球表面裂纹检测中的应用的开题报告一、研究背景和意义随着工业化进程的不断推进，钢铁行业在我国的经济建设中发挥着举足轻重的作用。

而在钢球的制造过程中，钢球表面出现的裂纹一直是一个难题。

如果裂纹不能及时检测和处理，会直接影响钢球的质量，导致质量不稳定，加工难度大，进而影响整个制造流程。

因此，在钢球表面裂纹检测方面的研究具有非常重要的现实意义。

传统的钢球表面裂纹检测主要依靠人工操作，人工眼识别出钢球表面的缺陷和裂纹，并进行处理。

但这种方式不能满足实际生产的需求，因为人工操作耗时耗力，误差也比较大，无法真正解决裂纹自动检测的问题。

因此，数字信号处理和神经网络成为当前钢球表面裂纹检测的研究热点，可以提高检测的准确性、稳定性和自动化程度。

数字信号处理和神经网络不仅可以提高钢球表面裂纹检测的效率，而且可以处理大量数据，提高检测的准确性，同时可以实现图像自动处理和数据分析，提高钢球制造的质量和性能。

二、研究目标和内容本文旨在探讨数字信号处理和神经网络在钢球表面裂纹检测中的应用，重点研究以下内容：1.数字信号处理技术在钢球表面裂纹检测中的应用。

2.神经网络算法在钢球表面裂纹检测中的应用。

3.基于数字信号处理和神经网络的钢球表面裂纹自动检测系统设计和实现。

4.系统验证和实验数据分析。

三、研究方法本文采用实验研究的方法，主要包括以下步骤：1.采集钢球表面图像数据。

2.利用数字信号处理技术对采集的钢球表面图像进行预处理。

3.将预处理的数据输入到神经网络算法中进行训练和学习。

4.设计并实现基于数字信号处理和神经网络的钢球表面裂纹检测系统。

5.验证实验并对数据进行分析。

四、研究的意义和价值1.本文的研究结果可以提高钢球表面裂纹检测的自动化程度和准确性，增强钢球制造的品质和性能。

2.本文采用数字信号处理和神经网络的方法，为其他领域的缺陷检测提供了思路和方法。

3.本文的研究成果为数字信号处理和神经网络在工业检测领域的应用提供了一种新的思路和方法。