工业视觉检测方法的研究

论文摘要

尽管基于图象的视觉检测系统已经在工业领域中有广泛的应用,但检测精度仍然受到诸多现实因素的影响。通用的方法是将实时获得的图片与一个预先选择好的模板图片进行点对点的比较。本论文采用了容差区域的方法取代了原有的模板图象法。这个容差区域是基于对图片的两个坐标值的计算而得出的,而不是像原有方法一样基于图片的整个区域计算得来。为了更好的保证检测系统的精度,人工神经网络用来剔除被检测零件图片中的干扰和不可控信息。同时,为了提高系统的效率,本文应用试验设计方法来选择最佳的神经网络训练数据。通过此方法获得该检测容差区域后,实时图片的两个坐标值将与之进行比较,如果该坐标值落在容差区域之内,则表示该图片中的零件为合格,反之,为不合格。实验表明,该方法的检测准确率高达95%。论文展示了三个工业实例,分别为标签印刷质量检测及两个汽车零件制造检测。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题背景
• 1.2 论文主要内容
• 1.3 本章小结
• 第2章 工业视觉检测系统的发展概况
• 2.1 工业视觉检测系统简介
• 2.2 图像处理算法简介
• 2.3 人工神经网络在工业视觉检测系统中的应用
• 2.4 试验设计方法介绍
• 2.5 传统工业视觉检测系统的缺陷
• 2.6 本章小结
• 第3章 核心算法介绍
• 3.1 问题陈述
• 3.2 统计学方法
• 3.2.1 实时图片与样本图片
• 3.2.2 模板图片
• 3.2.3 两个坐标索引
• 3.3 人工神经网络
• 3.3.1 神经网络结构
• 3.3.2 神经网络的输入与输出
• 3.3.3 神经网络的训练
• 3.3.4 容差区域
• 3.3.5 检测
• 3.4 本章小结
• 第4章 工业视觉检测系统的图片预处理问题研究
• 4.1 图像处理介绍
• 4.1.1 固定区域剪切法
• 4.1.2 色彩过滤法
• 4.1.3 掩模矩阵
• 4.2 图像配准
• 4.3 本章小结
• 第5章 神经网络训练数据的优化
• 5.1 田口方法简介
• 5.2 正交阵列方法简介
• 5.3 干扰因素的定义
• 5.4 计算结果
• 5.5 最小训练数据集的确定
• 5.6 本章小结
• 第6章 系统测试
• 6.1 标签印刷检测
• 6.2 夹子缺失检测
• 6.3 铸造缺陷检测
• 6.4 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的学术论文
• 致谢