高精度针孔检测设备
More >>
您所在的位置：谈球吧体育官网入口 > 新闻中心>机器视觉化在钢化玻璃缺陷检测中的应用
2022-11-11 11:33:26 谈球吧体育官网入口
为了将钢化玻璃中的缺陷突显出来✵✶✷✸✹✺✻✼❄❅，在整个操作的过程中♀☿☼☀☁☂☄，光源的配置是一个非常重要的技术环节㊀㊁㊂㊃㊄㊅㊆㊇㊈㊉。透明材料是钢化玻璃制作的主要材料⓱⓲⓳⓴⓵⓶⓷⓸⓹⓺⓻⓼⓽⓾，具有较低的反射率㈧㈨㈩⑴⑵⑶⑷⑸⑹⑺⑻⑼⑽⑾⑿⒀⒁⒂，所以在常用的反射照明方式中✤✥❋✦✧✩✰✪✫✬✭✮✯❂✡★✱✲✳✴，其并不是很适用❋❀⚘☑✓✔√☐☒✗✘ㄨ✕✖✖⋆✢✣，所以⒔⒕⒖⒗⒘⒙⒚⒛ⅠⅡⅢⅣⅤⅥⅦⅧⅨⅩⅪⅫⅰⅱ，可以采取透射照明的形式ⓚⓛⓜⓝⓞⓟⓠⓡⓢ。为了最大限度地提升透射光线的强度ⅲⅳⅴⅵⅶⅷⅸⅹⒶⒷⒸⒹ，可以依据光的特点♀☿☼☀☁☂☄，即光的波长越长ⅲⅳⅴⅵⅶⅷⅸⅹⒶⒷⒸⒹ，那么其所拥有的透射能力就越强㈧㈨㈩⑴⑵⑶⑷⑸⑹⑺⑻⑼⑽⑾⑿⒀⒁⒂，将红光作为照明的光源ⒺⒻⒼⒽⒾⒿⓀⓁⓂⓃⓄⓅⓆⓇⓈⓉ。除此之外✤✥❋✦✧✩✰✪✫✬✭✮✯❂✡★✱✲✳✴，从系统的可靠性与使用寿命等因素来看☧☬☸✡♁✙♆。，、＇：∶；，在选择发光体时可以使用红色LED❻❼❽❾❿⓫⓬⓭⓮⓯⓰。将这一光源放置到玻璃的下方☾☽❄☃，光线便会在穿过玻璃之后通过镜头进入到相机⑰⑱⑲⑳⓪⓿❶❷❸❹❺。在这种情况下✵✶✷✸✹✺✻✼❄❅，人们便能够得到比较高的对比度ⅲⅳⅴⅵⅶⅷⅸⅹⒶⒷⒸⒹ，同时被检测物体较为清晰的整体轮廓也比较容易得到✤✥❋✦✧✩✰✪✫✬✭✮✯❂✡★✱✲✳✴。
机器视觉化检测系统的关键技术
图像预处理技术
因为受采集设备自身噪音与非理想成像条件等因素的影响❻❼❽❾❿⓫⓬⓭⓮⓯⓰，对钢化玻璃图像进行采集之后♦☜☞☝✍☚☛☟✌✽✾✿❁❃， 难以避免地会有各种干扰与噪声的存在㈠㈡㈢㈣㈤㈥㈦。当噪声较为强烈时✵✶✷✸✹✺✻✼❄❅， 非常容易将噪声错误地认为是玻璃中的缺陷ⒺⒻⒼⒽⒾⒿⓀⓁⓂⓃⓄⓅⓆⓇⓈⓉ，因此☈⊙☉℃℉❅，在分析与识别缺陷的过程웃유ღ♋♂，采取有效的降低或祛除噪声的方法是非常关键的ⓚⓛⓜⓝⓞⓟⓠⓡⓢ。比较常用的祛噪方式有中值滤波ⅲⅳⅴⅵⅶⅷⅸⅹⒶⒷⒸⒹ、平均法以及维纳滤液等✺ϟ☇♤♧♡♢♠♣♥。在这些方式中①②③④⑤⑥⑦⑧⑨⑩⑪⑫⑬⑭⑮⑯，维纳滤液会对图像的高频成分以及边缘进行保留⒃⒄⒅⒆⒇⒈⒉⒊⒋⒌⒍⒎⒏⒐⒑⒒⒓，不过所耗费的时间的也比较多;平均法运行的速度比较快ⓣⓤⓥⓦⓧⓨⓩ，不过非常容易出现模糊ⓚⓛⓜⓝⓞⓟⓠⓡⓢ，尤其是细节与图像边缘处⒃⒄⒅⒆⒇⒈⒉⒊⒋⒌⒍⒎⒏⒐⒑⒒⒓。对图像进行处理通常使用边缘信息保护☧☬☸✡♁✙♆。，、＇：∶；，能够有效地降低图像扫描的噪声与多脉冲噪声ⓣⓤⓥⓦⓧⓨⓩ，而且使用的方式也非常简单与迅速ⓣⓤⓥⓦⓧⓨⓩ。
提取目标缺陷
对目标图像进行预处理之后☈⊙☉℃℉❅，有必要进行二值化处理ⓊⓋⓌⓍⓎⓏⓐⓑⓒⓓⓔⓕⓖⓗⓘⓙ，使得其梯度特征与几何特征等能够有效地被提取出来웃유ღ♋♂。1979 年⓱⓲⓳⓴⓵⓶⓷⓸⓹⓺⓻⓼⓽⓾，日本的一位学者大津曾经提出了最大类间方差法❻❼❽❾❿⓫⓬⓭⓮⓯⓰，也叫做大津法❻❼❽❾❿⓫⓬⓭⓮⓯⓰，即OTSU 法☈⊙☉℃℉❅。这一方法是一种自适应的阈值确定的方法⑰⑱⑲⑳⓪⓿❶❷❸❹❺。是将一维直方图作为基础⒥⒦⒧⒨⒩⒪⒫⒬⒭⒮⒯⒰⒱⒲⒳⒴⒵❆❇❈❉❊†☨✞✝☥☦☓☩☯，从而将一种自动的无参数无监督的阈值分割方法推导出来☾☽❄☃。根据图像的灰度特性✺ϟ☇♤♧♡♢♠♣♥，图像就会被分成两大部分❣❦❧♡۵，分别是目标与背景①②③④⑤⑥⑦⑧⑨⑩⑪⑫⑬⑭⑮⑯。最后웃유ღ♋♂，再根据目标与背景之间的类间方差对构成图像两部分的差别进行区别❻❼❽❾❿⓫⓬⓭⓮⓯⓰。简单说来就是方差越大的话❣❦❧♡۵，那么方差也就越大㈧㈨㈩⑴⑵⑶⑷⑸⑹⑺⑻⑼⑽⑾⑿⒀⒁⒂。但是❋❀⚘☑✓✔√☐☒✗✘ㄨ✕✖✖⋆✢✣，当错分出现之后⒜⒝⒞⒟⒠⒡⒢⒣⒤，也就是部分目标错分为背景或者部分背景错分为目标❋❀⚘☑✓✔√☐☒✗✘ㄨ✕✖✖⋆✢✣，便对对这两部的分差造成较大的影响㈠㈡㈢㈣㈤㈥㈦，使其变小♀☿☼☀☁☂☄。
提取缺陷特征
提取与选择缺陷特征是非常重要的一大部分㈧㈨㈩⑴⑵⑶⑷⑸⑹⑺⑻⑼⑽⑾⑿⒀⒁⒂，它对学习算法的选择以及学习的效率能够产生比较大的影响❣❦❧♡۵，甚至还会对识别的正确率产生重大的影响☧☬☸✡♁✙♆。，、＇：∶；。从某种程度上来说ⓣⓤⓥⓦⓧⓨⓩ，它影响到的不仅仅是系统的有效性✤✥❋✦✧✩✰✪✫✬✭✮✯❂✡★✱✲✳✴。特征的数量应该适中☧☬☸✡♁✙♆。，、＇：∶；，不能太少ⓣⓤⓥⓦⓧⓨⓩ，但也不能太多❻❼❽❾❿⓫⓬⓭⓮⓯⓰。机器在学习与实践的过程中✤✥❋✦✧✩✰✪✫✬✭✮✯❂✡★✱✲✳✴，表现出来的特征个数如果太多⓱⓲⓳⓴⓵⓶⓷⓸⓹⓺⓻⓼⓽⓾，容易使特征出现冗余;如果太少❋❀⚘☑✓✔√☐☒✗✘ㄨ✕✖✖⋆✢✣，则会让特征不全㈠㈡㈢㈣㈤㈥㈦。所以在选取特征时✺ϟ☇♤♧♡♢♠♣♥，最好是将缩放⒥⒦⒧⒨⒩⒪⒫⒬⒭⒮⒯⒰⒱⒲⒳⒴⒵❆❇❈❉❊†☨✞✝☥☦☓☩☯、旋转与评议不变性等特征选取出来❋❀⚘☑✓✔√☐☒✗✘ㄨ✕✖✖⋆✢✣，主要有缺陷的周长☧☬☸✡♁✙♆。，、＇：∶；、面积ⒺⒻⒼⒽⒾⒿⓀⓁⓂⓃⓄⓅⓆⓇⓈⓉ、HU 的七个不变矩以及椭圆度等☾☽❄☃。利用机器视觉化提取钢化玻璃的缺陷特征有助于对实际情况的还原和描述☈⊙☉℃℉❅。其中✤✥❋✦✧✩✰✪✫✬✭✮✯❂✡★✱✲✳✴，神经网络具有较强的训练能力和学习能力♦☜☞☝✍☚☛☟✌✽✾✿❁❃，在对钢化玻璃缺陷的分类识别中可以更加精确地处理分类以及纠错⒥⒦⒧⒨⒩⒪⒫⒬⒭⒮⒯⒰⒱⒲⒳⒴⒵❆❇❈❉❊†☨✞✝☥☦☓☩☯。通常情况下㈧㈨㈩⑴⑵⑶⑷⑸⑹⑺⑻⑼⑽⑾⑿⒀⒁⒂，三层的BP 网络分类能力十分强ⅲⅳⅴⅵⅶⅷⅸⅹⒶⒷⒸⒹ，可以形成复杂的空间曲面ⓚⓛⓜⓝⓞⓟⓠⓡⓢ。因此✵✶✷✸✹✺✻✼❄❅，三层BP 在钢化玻璃的缺陷分类识别中的使用尤为广泛☈⊙☉℃℉❅。
