基于机器视觉的LED芯片缺陷检测系统研究

近年来计算机及信息技术飞速发展,并在各个领域得到了广泛应用,极大地促进了社会的发展.数字图像处理技术以其高效准确性,在工业产品缺陷检测中发挥了重要作用.利用该技术可以代替人工检测,极大地提高了工作效率,降低了人工成本,增加了企业收益.因此,研究基于图像处理的LED芯片缺陷检测系统,对比不同LED芯片缺陷类型及传统检测方...     

基于机器视觉的PCB焊接缺陷检测系统研究

针对中小型企业在焊接缺陷检测领域中存在人工成本高、检测精度低、实时性差等问题,提出了基于机器视觉的焊接缺陷检测系统,在生产线上安装多套图像采集装置。根据现场情况,设计了多套打光方案,实现连锡、焊点偏位、芯线断开等缺陷的高清成像;基于HALCON软件,采用图像定位、图像预处理、图像分割、形态学处理及焊接缺陷识别算法,完成了USB接口缺陷的精确检测,并将结果显示在上位机界面。测试生产线上实际采集的402幅缺陷图像,结果表明,系统成功检出率达86%,基本满足实际生产需要。该检测系统用于中小型企业生产,有利于大幅度提高检测效率和缺陷检测智能化水平,同时降低检测成本。     

基于机器视觉的齿轮缺陷快速检测

结合齿轮缺陷自身的特点，论述了齿轮缺陷检测系统的构成、图像处理及检测流程，提出了一种基于机器视觉的齿轮缺陷快速检测方法。实例分析表明．该检测系统能够快速、准确地实现齿轮缺陷的检测，满足自动化生产的需要，可在实际生产中代替人工检测；     

基于机器视觉的玻璃马赛克缺陷在线检测系统

针对玻璃马赛克存在斑点、崩角等常见工艺缺陷,基于机器视觉检测原理,设计了一种采用LED同轴光照明和CCD相机为图像获取工具的在线检测系统。该系统通过相机实时拍摄,获取传送平台上目标玻璃马赛克图像,使用特定的视觉软件对获取到的图像进行中值滤波、锐化、二值化、边缘轮廓提取等图像处理,提取图像中玻璃马赛克轮廓形状与灰度值信息,通过形状匹配与灰度值匹配,实现对玻璃马赛克工艺缺陷的在线检测。实验证明,该在线检测系统具有准确率高、实时性强和速度快等优点。     

基于Halcon的电表铭牌缺陷检测系统

国家电网(State Grid)的快速发展扩大了智能电表的生产规模,电表铭牌作为其中关键部分,在生产中的印刷缺陷检测问题应运而生.利用机器视觉,设计了一种基于生成基准图像的电表铭牌视觉检测方法.联合Halcon软件与C#语言编写缺陷检测系统验证检测方法的有效性,结果表明:检测方法对电表铭牌印刷缺陷检测有较好的鲁棒性,能...     

机器视觉检测滚子表面缺陷

介绍利用机器视觉检测滚子表面缺陷的实验装置。该装置采用512位SSPD列阵作为摄景器件。藉助专门机械装置实现滚子表面全扫描展开,把获得的二维图象信息送PC/AT微机进行图象处理。文中提出了三种图象处理算法:多段平均法、二次背景处理法和局部算子处理法。用上述算法较好地解决了不同精度滚子的表面缺陷检测。附图16幅,参考文献5篇。     

基于机器视觉的玻璃缺陷检测

随着科学技术的进步,高端显示屏产品对平板玻璃的质量要求越来越高,玻璃的表面缺陷检测技术也因此备受关注。传统的人眼检测方法工作量大且准确率低,已经无法满足生产实际要求。研究了一种基于机器视觉的玻璃质量检测系统,采用先进的CCD成像技术和背光式照明获取图像,用MATLAB图像处理工具箱对采集到的图像进行灰度值化、滤波降噪和阈值分割处理,实现对缺陷区域的特征提取和识别。最后用BP神经网络对玻璃表面的三种缺陷进行分类,该神经网络识别的平均误差率为9.84%,表明此检测方法具有一定的应用价值。     

一种基于机器视觉的浮法玻璃质量在线检测系统

人眼对浮法玻璃上畸变小的缺陷并不敏感，漏检的缺陷会给玻璃深加工带来极大的困难。快速、可靠和准确的机器视觉检测技术是解决玻璃生产中质量控制问题的重要的技术手段。本文介绍了一种基于机器视觉的浮法玻璃质量在线检测系统。该系统利用分布式视觉处理技术、采用模块化的图像处理系统设计，能够实现缺陷的精确提取，能实现对缺陷的智能分类和分级，能根据缺陷数据对玻璃进行分级打标，满足了浮法玻璃生产中缺陷在线检测的需要。     

一种基于机器视觉的快速规则的表面缺陷检测方法

提出了一种基于机器视觉的产品表面缺陷快速检测和定位的方法。该方法引用Pearson(皮尔逊)相关系数的概念,通过待检测样本图像和模板图像皮尔逊相关系数阈值可以很好地确定图像中的产品是否有缺陷,再通过待检测图像和模板图像进行差运算得到差影图像,以实现缺陷的定位。实验结果表明本方法与Du-Ming缺陷检测方法相比具有优越性,并且在壁纸表面缺陷检测中得到了较好的效果。     

基于机器视觉的手机电池表面缺陷检测

针对手机电池表面质量人工检测情况,开发了电池表面缺陷无损检测系统软件。首先电池表面经过倾斜矫正、感兴趣区域提取和字符灰度值修改等预处理操作,通过基于灰度密度分布和灰度差的自适应阈值亮度法对感兴趣区域进行子图像遍历,融合有重合区域的缺陷子图像并滤除没有明显缺陷的区域;然后采用支持向量机多种类分类法,提取二值图像像素分布规律作为训练特征,识别电池表面缺陷种类;最后设计了人机交互界面,确定最佳的可变参数,实验测试缺陷识别率达95%以上。     

软抽纸巾包装缺陷机器视觉检测系统

在对纸巾进行塑料包装过程中,容易产生爆口、飞膜、露白与偏移等缺陷,目前对包装缺陷检测基本上采用人工检测,效率低下,准确率低。文中结合机器视觉、图像处理与自动控制等相关知识,研发了一套包装缺陷检测系统,通过对纸巾缺陷特征进行面积计算来检测飞膜、露白及偏移等缺陷;设计了阵列矩形面积算法,可实现对爆口缺陷的检测。实验表明,该设备漏判率小于0.02%,符合实际检测需求。     

基于机器视觉的空调截止阀缺陷检测系统的研制

文中根据空调截止阀生产线检测要求,研制了基于机器视觉的截止阀缺陷检测系统,实现了截止阀挡圈、高度以及角度三个指标集成检测,并自动分离出不合格品。着重介绍了检测系统的结构组成,并且介绍了模板匹配、图像分割、边缘检测等相关图像算法。经实验测试表明:该视觉系统精度高,稳定性好,有效地提高了截止阀检测生产线的工作效率。     

基于机器视觉的织带检测系统研发

为了满足织带企业的高效、自动化检测需求,构建了基于PC的织带检测系统。设计织带张力传送机构和基于i MC3041E运动控制卡的运动控制系统;改进边缘提取和傅里叶变换图像算法,研发了实时图像采集系统;并用C#开发了集成图像采集检测和运动控制的人机界面。研究结果表明,系统可实时检测织带缺陷,满足企业实际生产需求。     

基于机器视觉的SOP芯片引脚缺陷检测系统

针对传统工业中SOP芯片引脚缺陷检测速度慢、精度低等问题,设计了一个基于机器视觉的SOP芯片引脚缺陷检测系统,通过MATLAB软件调用CCD相机采集芯片图像,采用改进的Canny边缘检测等算法实现引脚边缘的连接,采用连通域标记和灰度投影算法对得到的二值芯片引脚图像进行缺陷检测并完成GUI界面的设计。由实验数据可知,系统对芯片引脚缺陷检测的正确率为99.6%,测量误差在±0.03 mm之内,满足了工业生产中SOP芯片引脚缺陷检测实时性和准确性的需求。     

基于机器视觉石英晶片外观的缺陷检测方法

针对石英晶片的外观缺陷检测技术的不足,提出一种基于机器视觉开发软件对石英晶片外观缺陷检测方法,对石英晶片生产过程中出现的外观缺陷进行了分析,提出了缺陷检测的流程,建立了基于几何特征的模板定位算法和基于Blob算法的缺陷分析算法,实现了对图像的获取、边缘检测、定位、识别和斑点分析,在C#环境下对其图像处理技术利用机器视觉软件进行了开发,搭建了石英晶片的外观缺陷检测实验平台,通过摄像机实现了石英晶片的外观图像的捕获,利用视觉软件获得石英晶片的外观质量,最后对此系统进行了测试。实验表明:该石英晶片外观缺陷检测方法具有检测速度快、精确度达到99.7%、匹配误差小于0.3等优点,可满足现场使用的要求。     

基于机器视觉的细长产品表面缺陷检测设备研究

为提高对细长产品表面缺陷的检测效率,运用机器视觉技术对细长产品外部轮廓尺寸及表面缺陷状况进行检测.运用机器视觉技术,分析图像传输过程中噪声产生原因及降噪方法;采用canny算法和Simple Blob Dectorte特征点检测方法,提取零件轮廓和色斑轮廓;编写基于机器视觉的表面缺陷检测程序,并通过实验验证了该方法的可...     

基于机器视觉的车用注塑螺纹件缺陷检测方法

针对车用注塑螺纹件人工检测效率低、可靠性差等问题,提出一种基于机器视觉的车用注塑螺纹件缺陷检测方法。应用这一检测方法,通过自适应滤波方法改进坎尼算子,结合分水岭算法得到不同的增强图像特征。根据缺料、毛刺、包胶等三种典型缺陷的图像特征,训练支持向量机分类器,并以此分类器实现螺纹件的缺陷检测。结合UR5机械手构建测试平台,实现车用注塑螺纹件的全自动分拣与缺陷产品剔除。在检测方法中,通过改进的边缘分割算法提高检测的准确率和稳定性。通过试验表明,这一方法能有效检测车用注塑螺纹件的典型缺陷,结合机械手可以实现缺陷产品检测和剔除的全自动化流程。     

基于机器视觉的太阳能电池片缺陷检测算法综述

太阳能电池片（Photovoltaic, PV）表面缺陷检测是光伏组件生产中不可或缺的流程。基于机器视觉的自动缺陷检测方法因其高精度、实时性、低成本等优点得到了广泛应用。本文综述了基于机器视觉的太阳能电池片表面缺陷检测方法的研究进展。首先,阐述了太阳能电池片表面成像方式,列举了典型缺陷类型。然后重点分析了基于传统机器视觉算法及基于深度学习算法进行太阳能电池片表面缺陷检测的原理。将传统机器视觉算法分为图像域分析法、变换域分析法进行综述;从无监督学习、有监督学习和弱监督及半监督学习三个方面分别概述了近几年来基于深度学习的太阳能电池片表面缺陷检测的研究现状。对太阳能电池片表面缺陷检测各种典型方法进一步细分归类和对比分析,总结了每种方法的优缺点。随后,介绍了9种太阳能电池片表面缺陷图像数据集及缺陷检测性能评价指标。最后,系统总结了太阳能电池片缺陷检测常见的关键问题及其解决方法,对太阳能电池片表面缺陷检测的未来发展趋势进行了展望。     

基于机器视觉的钢球表面缺陷检测和分类

在分析钢球表面光学反射特性的基础上,构建了采用球积分光源与0.5×远心镜头组成的钢球表面缺陷图像检测平台,解决了钢球表面成像难度较高的问题.根据钢球表面图像的特征,利用分段线性灰度增强算法和边界跟踪实现了对钢球表面微小缺陷的分割和区域分类,并结合基于灰度共生矩阵的综合熵作为判定钢球表面是否存在缺陷的依据.最后利用矩形相似度与圆形相似度之比、角度等特征实现了缺陷分类器模型的建立,很好地解决了钢球表面缺陷的分类与识别.试验结果表明,该模型对钢球表面5类缺陷的识别率均可达到90％以上,并能很好进行分类,模型在1 600×1 200图像分辨率下,算法耗时小于80 ms,可以满足工业检测对算法实时性的要求.     

基于深度学习的高精度外观缺陷检测研究

外观缺陷检测因其多样性和不可预测,给机器视觉检测带来极大挑战,本文的研究主要通过引入深度学习模块,解决了外观缺陷检测中的模糊识别和误判率高问题。