基于机器视觉的小型金属部件表面缺陷检测系统

基于机器视觉的小型金属部件表面缺陷检测系统

论文摘要

随着计算机技术的发展,机器视觉技术在工业在线检测中的优势越来越明显。由于机器视觉技术具有非接触、不疲劳等人工检测无法比拟的优点,可以大幅降低检测成本、提高生产效率、提高产品的质量,从而提高产品的附加值,因而在工业检测领域得到了广泛的应用。但在小型金属部件表面缺陷检测方面,由于金属表面的缺陷生成的机理较为复杂,缺陷表现形式多样化,因此要更普遍、成功地应用机器视觉技术还有许多难题必须研究和解决。本文在参考国内外相关文献和技术成果的基础上,以Ni-Fe-B永磁体工件为例,研究了小型金属部件表面缺陷的检测原理和方法,并开发了相关的实时在线检测系统。该系统以机器视觉理论为基础,采用高速高分辨率面阵传感器,并具有较完备的软、硬件配置和功能,以及友好的人机界面。本文首先根据Ni-Fe-B工件缺陷检测系统的要求,提出并论证了检测系统的实现方案。然后分析了常用的光源照明方法,根据工件缺陷的特点,设计了低角度暗视场的环形光的光源照明方案;同时分析了摄像机成像的机理和模型,选择了合适的相机和镜头,完成了图像采集方案的设计和论证。在系统的软件设计方面,首先分析了检测系统中常用的图像处理基本算法。为了解决工件的细微性缺陷在处理时易与周围背景相混淆而造成误判的问题,提出了用多边形感兴趣区域(Rigion of Interest,ROI)划定缺陷检测的区域,且根据对工件自动定位的结果自动调整ROI坐标的自动检测方法,既提高了检测的精确性,又降低了了处理的难度。在工件自动定位方面,首先分析了常用的模板匹配算法,根据待检工件的图像边缘点丰富的特点,提出了基于边缘点特征的序列相似性检测的算法(Sequential Similarity Detection Algorithm,SSDA),实验结果表明该算法很好的克服了其它算法由于实时性差无法满足在线检测要求的缺点。然后,研究了阈值分割算法,提出和采用了OTSU算法与固定阈值相结合的阈值分割算法。在检测的最后,分析研究了像素标记算法,对工件表面的目标进行统计和特征提取,进而判别工件的好坏。在上述基础上,基于VC++6.0平台和奥泰图像提供的相机底层API函数,完成了软件系统(原型)的开发,实现了包括相机与软件平台的衔接,相机的初始化,图像采集,图像处理判别等覆盖检测全过程的软件功能。

论文目录

  • 摘要
  • Abstract
  • 目录
  • 第一章 绪论
  • 1.1 机器视觉概述
  • 1.2 机器视觉在国内外的应用现状
  • 1.3 机器视觉的发展趋势
  • 1.4 金属表面缺陷检测现状及意义
  • 1.5 Ni-Fe-B 工作表面缺陷与检测要求
  • 1.6 本文的主要工作和内容安排
  • 第二章 Ni-Fe-B 工件表面缺陷检测系统方案设计
  • 2.1 引言
  • 2.2 Ni-Fe-B 缺陷分析
  • 2.3 检测系统的设计方案
  • 2.3.1 系统原理与系统组成
  • 2.3.2 软件系统工作流程设计
  • 2.4 小结
  • 第三章 硬件系统的分析、论证与设计
  • 3.1 引言
  • 3.2 图像采集系统
  • 3.2.1 相机选型
  • 3.2.2 镜头选型
  • 3.3 照明系统方案设计和光源的选择
  • 3.3.1 判断光源好坏的标准
  • 3.3.2 光源照明分类及其分析
  • 3.3.3 光源选择
  • 3.3.4 光源方案设计
  • 3.4 PLC 控制系统
  • 3.5 I/O 控制部分
  • 3.6 小结
  • 第四章 表面缺陷图像检测方法与算法研究
  • 4.1 引言
  • 4.2 图像的预处理
  • 4.2.1 滤波器
  • 4.2.2 边缘检测
  • 4.2.3 工件定位
  • 4.3 模板匹配算法
  • 4.4 SSDA 图像匹配算法
  • 4.5 改进的 SSDA 算法
  • 4.5.1 二次匹配误差算法
  • 4.5.2 基于边缘点特征的自适应阈值 SSDA 算法
  • 4.6 ROI 坐标变换和 ROI 内判别方法
  • 4.6.1 坐标偏移变换
  • 4.6.2 ROI 区域选定和判别方法
  • 4.7 区域分割实现图像的二值化
  • 4.7.1 全局阈值分割
  • 4.7.2 最大类间方差法
  • 4.7.3 适合本系统的全局阈值分割
  • 4.8 Blob 分析
  • 4.8.1 目标像素标记算法
  • 4.8.2 Blob 特性描述及其分析
  • 4.9 试验结果及分析
  • 4.10 小结
  • 第五章 机器视觉软件系统的开发
  • 5.1 引言
  • 5.2 软件的设计原则和设计方案
  • 5.2.1 系统设计的模块化原则
  • 5.2.2 设计方案
  • 5.3 平台的图像输入部分设计
  • 5.3.1 摄像头设备初始化
  • 5.3.2 摄像头参数设置
  • 5.3.3 图像采集
  • 5.4 软件图像处理部分设计
  • 5.4.1 软件系统在线运行流程设计
  • 5.5 软件管理部分设计
  • 5.5.1 软件调试模式
  • 5.5.2 模板建立
  • 5.5.3 ROI 创建
  • 5.5.4 其它管理部分设计
  • 5.6 小结
  • 第六章 总结与展望
  • 6.1 总结
  • 6.2 展望
  • 参考文献
  • 致谢
  • 攻读硕士期间参加的项目和发表的论文
  • 相关论文文献

    • [1].基于机器视觉的带钢表面缺陷检测系统[J]. 邢台职业技术学院学报 2020(03)
    • [2].基于机器视觉的带钢表面缺陷检测系统的设计[J]. 内燃机与配件 2020(14)
    • [3].基于深度学习的两阶段目标检测方法及其在表面缺陷检测中的应用[J]. 自动化应用 2020(08)
    • [4].基于机器视觉的连杆表面缺陷检测系统[J]. 制造业自动化 2020(11)
    • [5].基于旋翼无人机的飞机表面缺陷检测[J]. 科技经济导刊 2020(33)
    • [6].基于深度学习的混凝土表面缺陷检测方法[J]. 激光杂志 2020(06)
    • [7].钢球表面缺陷检测方法综述[J]. 装备制造技术 2018(10)
    • [8].表面缺陷检测综述[J]. 计算机科学与探索 2014(09)
    • [9].基于特征与形貌重构的轴件表面缺陷检测方法[J]. 浙江大学学报(工学版) 2020(03)
    • [10].基于深度学习的表面缺陷检测系统[J]. 电子世界 2020(09)
    • [11].基于度量学习的小样本零器件表面缺陷检测[J]. 仪器仪表学报 2020(07)
    • [12].基于机器视觉的太阳能电池片表面缺陷检测研究现状及展望[J]. 北京工业大学学报 2017(01)
    • [13].水果表面缺陷检测法获得专利授权[J]. 食品工业 2015(03)
    • [14].金属板材表面缺陷检测系统研究与设计[J]. 电脑知识与技术 2020(28)
    • [15].基于图像的圣女果表面缺陷检测[J]. 计算机仿真 2014(02)
    • [16].基于水平集的不规则透明表面缺陷检测设计[J]. 测控技术 2017(02)
    • [17].基于图像处理的产品表面缺陷检测系统研究[J]. 电子技术应用 2017(05)
    • [18].基于深度学习的铝材表面缺陷检测[J]. 华东师范大学学报(自然科学版) 2020(06)
    • [19].四种成像技术在水果表面缺陷检测的应用[J]. 中国农机化 2009(06)
    • [20].基于光度立体和级数展开法的金属表面缺陷检测方法[J]. 广西师范大学学报(自然科学版) 2020(06)
    • [21].基于机器视觉的铸坯表面缺陷检测系统的研制[J]. 武钢技术 2010(01)
    • [22].基于计算机视觉的轴承表面缺陷检测[J]. 煤矿机械 2009(02)
    • [23].表面缺陷检测系统在冷轧厂的应用[J]. 梅山科技 2013(01)
    • [24].基于Gaussian-yolov3的铝型材表面缺陷检测[J]. 计算机测量与控制 2020(09)
    • [25].基于视觉显著性的轴承表面缺陷检测算法的研究[J]. 自动化应用 2020(09)
    • [26].冲压磨削平板类零件的表面缺陷检测[J]. 锻压技术 2020(06)
    • [27].基于高斯混合模型的青梅表面缺陷检测识别技术[J]. 林业工程学报 2020(04)
    • [28].基于支持向量机的金属表面缺陷检测算法[J]. 世界有色金属 2016(02)
    • [29].高温环境下表面缺陷检测系统的热防护研究[J]. 宝钢技术 2012(04)
    • [30].基于机器视觉的钢板表面缺陷检测系统[J]. 山西冶金 2011(04)

    标签:;  ;  ;  ;  

    基于机器视觉的小型金属部件表面缺陷检测系统
    下载Doc文档

    猜你喜欢