基于LabVIEW的机器视觉在玻璃缺陷检测中的运用

针对近年来玻璃质量要求的不断提高,以机器视觉技术为基础,建立了基于机器视觉的玻璃缺陷检测系统,通过LabVIEW的Vision and Motion模块获取玻璃图像并进行图像处理,实现了对图像中玻璃缺陷的提取和分析,实时性显著,可视化效果好。     

中国电子发布两款平板显示玻璃产品 填补国内空白

<正>8月10日,中国电子彩虹平板显示玻璃工艺技术国家工程实验室在京发布两款自主知识产权的核心产品,国内首条G8.5液晶玻璃基板精细加工生产线产品成功下线并通过用户认证,溢流法高铝盖板玻璃达到国际先进水平。据悉,G8.5液晶玻璃基板产品,是国内首块高端显示用G8.5超薄液晶玻璃基板,与同类产品相比,具有更高应变点、更低热膨胀和更低热收缩等性能,满足高分辨率显示技术应用的需求,技术达到行业领先水平。溢流法高铝盖板玻璃产品,     

机器视觉在铜箔基板疵点在线检测系统中应用

本文介绍了机器视觉在工业在线检测中的应用,并结合其在钢箔基板疵点在线检测系统中的应用实例,给出了该系统的构成及实现。     

机器视觉在印刷缺陷在线检测中的应用与研究

为了提高印刷缺陷检测准确性与效率,满足缺陷检测的实时性,提出了机器视觉技术应用于印刷缺陷在线检测并研究检测过程中的相关问题.设计印刷缺陷在线检测的方案及以数字信号处理器DSP为核心的视觉在线检测系统的硬件结构组成.研究图像预处理、图像匹配与缺陷检测的算法并加以改进使其满足缺陷检测的实时性.开发印刷品缺陷视觉检测软件,对缺陷检测流程进行仿真,验证检测方案与图像处理算法的可行性.     

机器视觉技术在药液灌装量检测中的应用

药品生产质量的检测是非常重要的。针对玻璃安瓿瓶药液灌装量的检测,提出了一种基于机器视觉技术的、适于实时在线检测和控制的方法,即通过计算机视觉系统,采集水针剂玻璃安瓿瓶图像,利用机器视觉软件HALCON的灰度值形态学算法分割图像,然后查找边界跳变点、进行液位测量,最终作出判断决策。实验研究证明该方法准确度高、检测结果客观等,具有十分明显的优势。     

基于机器视觉的电机换向器质量在线检测系统开发

电机换向器质量检测是换向器生产线中的一个重要工序,但其仍采用人工方式,存在检测效率低、漏检率高等问题;针对此问题,运用图像处理和机器视觉技术,开发换向器质量在线视觉检测系统;该系统针对生产过程工艺多变,造成形状检测标准不一致问题,提出自适应学习模板方法;在轴孔孔径检测,提出基于Freeman链码改进的孔径快速检测算法;在端面缺陷中,提出基于改进视觉注意力模型的端面缺陷检测方法;实验结果表明,系统检测精度达到99.80%,漏检率为0%,F-measure值为99.89%;该系统能够快速有效检测换向器存在的外观质量问题,可满足换向器在线质量检测需求。     

基于图像处理的手机屏幕缺陷检测系统研究

针对手机屏幕生产中的缺陷检测问题,提出了基于机器视觉的手机屏幕玻璃缺陷检测系统,采用光学成像模块、图像采集模块和图像处理软件设计模块对手机屏幕玻璃缺陷进行识别检测,检测效率高,实时性好.对手机屏幕玻璃缺陷检测所需用到的算法进行了研究,针对手机屏幕玻璃缺陷细微、痕浅等特点,提出了基于图像快速匹配的差分算法,实现了缺陷特征的准确提取.     

基于机器视觉的手机玻璃丝印在线检测方法研究

手机玻璃在丝印环节因为印刷工艺和转移故障,容易出现混料、漏印、缺印等缺陷。目前通用方法是检测人员通过定时抽检来发现产品的缺陷,这个过程不仅效率低并且响应不及时。该文提出一种基于机器视觉的手机玻璃丝印在线检测方法,通过图像采集和软件算法对产品进行快速准确检测,经过实验结果表明,该方法识别缺陷准确率高,检测时间优于人工检测。可用于工业智能化在线检测中防止问题产品的流出。     

基于机器视觉的灯头产品质量在线检验系统研究

详细研究并实现了一种基于机器视觉技术的灯头产品质量在线检测系统;根据灯头产品生产中存在的4种主要质量缺陷,论文提出了灯头产品质量在线视觉检验系统的结构及其工作流程,提出了运用图像特征提取技术识别好坏灯头的方法,详细分析了系统设计中采用的几种重要的图像特征提取算法;试验表明这些方法简单实用,能准确高效地识别出目前灯头产品中存在的主要质量缺陷。     

基于机器视觉的汽车精密零件缺陷检测

本文针对汽车精密零件外观质量检测的需求,利用机器视觉系统采集零件外观图像,建立数据平台。基于中值滤波和图像复杂度,提出了改进OTSU算法提取图像的外观缺陷特征,与样本库进行对比,以识别可能的外观缺陷,提高缺陷检测效率。并且,针对缺陷类型分析其影响因素,从而找到产生缺陷的原因,为零件加工过程的改善提供理论依据。同时,搭建了缺陷视觉检测平台,以汽车转向器内部套筒为对象,实现了精密零件外观缺陷在线缺陷检测。     

PatMax和PatQuick算法在智能电能表LCD检测中的应用

采用Cognex开发的VisionPro软件对智能电能表液晶屏采样,并结合PatMax和PatQuick算法实现了电能表液晶屏在流水线上的自动检测.工业相机、图像采集软件、工控机等组成一套机器视觉系统,用于全自动流水线型检定系统的智能电能表LCD显示检测;关键解决了相机系统配置、光源系统配置、图像处理与智能判断等技术问题,成功实现了智能电能表的LCD液晶显示的自动检测.     

基于LabVIEW编程平台实现玻璃缺陷检测

以机器视觉技术为基础,利用LabVIEW建立生产者-消费者模式,调用Halcon图像处理算子获取玻璃图像并进行图像处理,采用灰度变化对图像进行对比增强突出缺陷和使用中值滤波进一步削弱图像噪声,利用统计模式识别算法在LabVIEW编程平台上构建一个基于机器视觉的玻璃缺陷检测系统,该系统能够实现对玻璃缺陷的分析和提取,具有高效的实时性.     

基于机器视觉的液晶屏Mura缺陷检测方法

通过分析液晶屏中缺陷检测的必要性和人工检测的不足,研究一种基于机器视觉的液晶屏Mura缺陷在线检测系统。针对液晶屏中的Mura缺陷区域和周围背景对比度低、边缘模糊、形状各异、整体亮度不均等特点,建立模拟人工检测的成像系统。提出单帧图像背景建模和背景差分方法,该方法能有效解决液晶屏的亮度不均问题,同时增强Mura缺陷的特征信息。然后基于最大稳定极值区域(Maximally Stable Extremal Region,MSER),提出Mura缺陷自适应阈值缺陷分割方法,建立一个全自动缺陷在线检测的视觉系统。实验结果表明,所提检测算法能很好地解决液晶屏亮度不均的问题,准确地对Mura缺陷进行分割定位,算法的鲁棒性好。并且该系统人工干预少,效率高,能实现在线自动检测。     

Digital time‐modulation pixel memory circuit in LTPS technology

Abstract— A digital time‐modulation pixel memory circuit on glass substrate has been designed and verified for a 3‐μm low‐temperature polysilicon (LTPS) technology. From the experimental results, the proposed circuit can generate 4‐bit digital codes and the corresponding inversion data with a time‐modulation technique. While the liquid‐crystal‐display (LCD) panel operates in the still mode, which means the same image is displayed on the panel, a data driver for an LCD panel is not required to provide the image data of the frame by the proposed pixel memory circuit. This pixel memory circuit can store the frame data and generate its corresponding inversion data to refresh a static image without activating the data driver circuit. Therefore, the power consumption of a data driver can be reduced in the LCD panel.     

机器视觉表面缺陷检测综述

目的 工业产品的表面缺陷对产品的美观度、舒适度和使用性能等带来不良影响,所以生产企业对产品的表面缺陷进行检测以便及时发现并加以控制。机器视觉的检测方法可以很大程度上克服人工检测方法的抽检率低、准确性不高、实时性差、效率低、劳动强度大等弊端,在现代工业中得到越来越广泛的研究和应用。方法 以机器视觉表面缺陷检测为研究对象,在广泛调研相关文献和发展成果的基础上,对基于机器视觉在表面缺陷检测领域的应用进行了综述。分析了典型机器视觉表面缺陷检测系统的工作原理和基本结构,阐述了表面缺陷视觉检测的研究现状、现有视觉软件和硬件平台,综述了机器视觉检测所涉及到的图像预处理算法、图像分割算法、图像特征提取及其选择算法、图像识别等相关理论和算法研究,并对每种主要方法的基本思想、特点和存在的局限性进行了总结,对未来可能的发展方向进行展望。结果 机器视觉表面缺陷检测系统中,图像处理和分析算法是重要内容,算法各有优缺点和其适应范围。如何提高算法的准确性、实时性和鲁棒性,一直是研究者们努力的方向。结论 机器视觉是对人类视觉的模拟,机器视觉表面检测涉及众多学科和理论,如何使检测进一步向自动化和智能化方向发展,还需要更深入的研究。     

纺织品检验中视觉平台的构建

针对目前纺织品外观检验主要采用人工检验的各种问题,研究了一种基于机器视觉技术的纺织品检验方法,介绍了机器视觉检验的工作原理,叙述了图像采集平台和图像处理的设计思路。通过基于机器视觉的生丝黑板检验系统的实际案例分析,表明机器视觉在纺织品检验中具有广泛的应用前景。     

基于Python的机器视觉实验教学平台设计

针对机器视觉领域的学习内容抽象、难以理解,相关的实验教学产品不足这些问题,基于Python语言,采用开源的opencv-python图像处理库与TensorFlow机器学习框架,提出构建机器视觉实验教学平台。该系统涵盖机器视觉的经典方法,主要包括向量机、K临近图像分类,神经网络、卷积神经网络目标识别,基于经典方法融合常用函数,对系统分模块设计。经过测试,该系统具有较好的交互性与可扩展性,可以适应机器视觉的实验要求,训练数据、样本测试数据导入灵活,机器视觉参数优化、代码迭代方便,并且能够编译生成.exe可执行文件,辅助学生学习机器视觉技术的真实应用场景,提高学生实践解决问题能力和创新能力。     

Low-contrast surface inspection of mura defects in liquid crystal displays using optical flow-based motion analysis

This paper proposes a machine vision scheme for mura defect detection in LCD manufacturing. Mura is a Japanese word for blemish, which typically shows brightness imperfections from its surroundings in the surface. It appears as a low-contrast region without clear edges. Traditional automatic visual inspection algorithms detect mura defects from individual still images. They neglect that a mura defect may not be visually sensed in the image from a stationary system. In this study, the LCD panel is assumed to move along a track. While the panel passes through a fixed camera, the light reflection from different angles can effectively enhance the mura defect in the low-contrast images. The mura detection problem is therefore treated as a motion analysis in image sequences using optical flow techniques. Since a LCD panel moves along a single direction, both two-dimensional and one-dimensional optical flow methods are developed. Three discriminative features based on flow magnitude, mean flow magnitude and flow density in the optical flow field are presented to extract the defective regions. Both real panel images and synthetic surface images are used to evaluate the efficacy of the proposed methods. Experimental results have shown that the proposed 1D optical flow method works as well as the 2D optical flow method to detect very low-contrast mura defects of small size, and achieves a high processing rate around 20 frames per second for images of size 200 × 200.