焊接件生產(chǎn)中,焊點數(shù)量多,容易漏焊,造成質(zhì)量問題。目前焊點數(shù)量的檢測主要為人工打點,勞動強度大,且容易出錯,所以需要一種自動且準(zhǔn)確檢測焊點數(shù)量的裝置。本課題以檢測焊接件表面焊點數(shù)量為主要目標(biāo),設(shè)計制造1臺可以智能檢測焊接件表面焊點數(shù)量的裝備。通過大量的文獻調(diào)研和焊接缺陷調(diào)研,構(gòu)建了檢測設(shè)備機械結(jié)構(gòu)及檢測系統(tǒng)的整體構(gòu)架。對裝備的圖像采集系統(tǒng)中光源的顏色特性和光源照明方式進行了分析,確定使用藍色光源和正向直射照明方式,隨后又對成像系統(tǒng)的相機鏡頭等光學(xué)參數(shù)進行研究,確定在檢測條件下使用8mm鏡頭,200mm物距,光圈值為F8時是最優(yōu)的采集場景。對采集后的圖像,進行了灰度化處理研究,并研究了圖像噪聲、濾波和邊緣檢測等圖像處理算法,重點分析了最小二乘法圓擬合和霍夫圓變換在本課題中對焊點的擬合檢測情況,并進行了測試,檢測效果很差且誤報率和漏報率都會波動。接著研究了深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測方法,通過了圖像中焊接件焊點的檢測測試,誤報率僅有1.8%,漏報率為0%。最后基于上述檢測方法搭建了焊接件焊點視覺檢測裝備,通過圖像采集系統(tǒng)、直線運動單元、控制系統(tǒng)、檢測系統(tǒng)等完成整機的裝備,并進入工廠生產(chǎn)線進行... 

【文章來源】：江漢大學(xué)湖北省

【文章頁數(shù)】：82 頁

【學(xué)位級別】：碩士

【部分圖文】：

焊接件焊點圖

江漢大學(xué)碩士研究生學(xué)位論文第6頁第2章焊接件焊點采集成像系統(tǒng)研究2.1引言圖像的采集是智能檢測中最基本的步驟，這一方式的選擇決定了后續(xù)檢測方法的難易程度，良好的采集環(huán)境可以得到清晰表示出焊接件焊點特征的圖片，這可以大大減少檢測的困難。采集圖像的質(zhì)量收到光源和相機光學(xué)參數(shù)的影響，不同的光源下和不同的照明方式會產(chǎn)生不同的效果圖像，而相機、鏡頭與物體的物距關(guān)系也會影響采集成像的質(zhì)量。2.2采集成像系統(tǒng)光學(xué)照明研究2.2.1光源的顏色特性如圖2-1所示，不同顏色的光源在他們對應(yīng)的波長范圍內(nèi)的相對光強不同，高光強的光源可以提高圖像亮度的上限，滿足在暗場情形下的采集需求。圖2-1光源顏色的光譜分析色溫是表示光線中包含顏色成分的一個計量單位[25]。一般來說，黑體是一個只接收不反射光的理想物質(zhì)，對黑體物質(zhì)從絕對零度（-273℃）進行加溫，黑體物質(zhì)會顯現(xiàn)出不同的顏色。在黑體物質(zhì)開始加熱之后，黑體物質(zhì)的顏色逐漸由黑色變?yōu)榧t色，然后轉(zhuǎn)為黃色、白色最后變?yōu)樗{色，當(dāng)加熱到某一溫度時，黑體發(fā)出的某種顏色的光所含的光譜成分，就稱這一溫度為當(dāng)前顏色的色溫。如圖2-2所示，不同色溫的光源在波長不同的情況下光強也不盡相同。5000K以上的藍色關(guān)，在440nm時相對光強最高，而隨著波長增加不斷減小，在470nm左右開始增強，而增強到最高其相對光強也只有440nm時的35%左

江漢大學(xué)碩士研究生學(xué)位論文第7頁右，而后不斷減小直至消失。圖2-2不同色溫光源光譜分析而且，還要考慮到選擇相機的CCD芯片對各種光源的感應(yīng)反饋效果，圖2-3所示為微視圖像RS-2300系列相機CCD芯片對400-1000nm波長范圍內(nèi)光的光譜分析。圖2-3RS-A2300型相機芯片光譜分析圖對上圖2-3的芯片對400nm至500nm間的藍光，500nm-580nm間的綠光，和600nm的紅光響應(yīng)度最好，而對于檢測的金屬焊接件，越短波長的光能更好地減少邊緣部分光的衍射，有利于使邊緣成像更加銳利。所以可以選擇440nm左右的藍色光源作為采集成像系統(tǒng)的光源，此時高色溫的藍光的相對光強也較高。2.2.2光源的照明方式光源作為采集成像系統(tǒng)的中的重要組成部分，對整個系統(tǒng)的增益不言而

【參考文獻】：
期刊論文
[1]數(shù)字圖像處理技術(shù)及其應(yīng)用[J]. 姚希.  電子技術(shù)與軟件工程. 2017(18)
[2]不同池化模型的卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)性能研究[J]. 劉萬軍,梁雪劍,曲海成.  中國圖象圖形學(xué)報. 2016(09)
[3]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計算機應(yīng)用. 2016(09)
[4]基于機器視覺的金屬罐內(nèi)壁缺陷檢測[J]. 胡曉彤,董瑩瑩.  天津科技大學(xué)學(xué)報. 2014(03)
[5]最小二乘法原理及其簡單應(yīng)用[J]. 鄒樂強.  科技信息. 2010(23)
[6]手機面板表面質(zhì)量在線檢測系統(tǒng)的研究[J]. 張巖,王寶光.  傳感器與微系統(tǒng). 2010(04)
[7]三種基于GDI+的圖像灰度化實現(xiàn)方法[J]. 李貞培,李平,郭新宇,陳樹敏.  計算機技術(shù)與發(fā)展. 2009(07)
[8]噪音強度的估計和去噪效果的評估[J]. 王景泉.  計算機工程與設(shè)計. 2009(07)
[9]一種基于機器視覺的浮法玻璃質(zhì)量在線檢測系統(tǒng)[J]. 彭向前,陳幼平,余文勇.  制造業(yè)自動化. 2007(12)
[10]圖像邊緣檢測方法研究綜述[J]. 段瑞玲,李慶祥,李玉和.  光學(xué)技術(shù). 2005(03)

碩士論文
[1]基于機器視覺的手機面板缺陷檢測方法研究[D]. 易松松.哈爾濱工業(yè)大學(xué) 2016
[2]基于機器視覺的手機隔板劃痕檢測研究[D]. 宋迪.湘潭大學(xué) 2014
[3]金屬部件表面缺陷視覺檢測系統(tǒng)研究[D]. 聶振宇.中南大學(xué) 2013
[4]鑄坯表面缺陷圖像檢測方法研究[D]. 鄭嶸.上海交通大學(xué) 2013
[5]基于多目機器視覺的光學(xué)薄膜表面缺陷在線檢測技術(shù)研究[D]. 鐘球盛.華南理工大學(xué) 2011
[6]注塑制品表面缺陷分析及自動識別研究[D]. 吳盛金.華南理工大學(xué) 2011
[7]基于圖像處理的注塑制品缺陷檢測方法研究[D]. 張鑫.東北大學(xué) 2009
[8]基于機器視覺的SMT焊點質(zhì)量檢測的研究[D]. 牛曉麗.西南交通大學(xué) 2008



本文編號：3342188