焊接件生產(chǎn)中,焊點(diǎn)數(shù)量多,容易漏焊,造成質(zhì)量問題。目前焊點(diǎn)數(shù)量的檢測(cè)主要為人工打點(diǎn),勞動(dòng)強(qiáng)度大,且容易出錯(cuò),所以需要一種自動(dòng)且準(zhǔn)確檢測(cè)焊點(diǎn)數(shù)量的裝置。本課題以檢測(cè)焊接件表面焊點(diǎn)數(shù)量為主要目標(biāo),設(shè)計(jì)制造1臺(tái)可以智能檢測(cè)焊接件表面焊點(diǎn)數(shù)量的裝備。通過大量的文獻(xiàn)調(diào)研和焊接缺陷調(diào)研,構(gòu)建了檢測(cè)設(shè)備機(jī)械結(jié)構(gòu)及檢測(cè)系統(tǒng)的整體構(gòu)架。對(duì)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(jìn)行了分析,確定使用藍(lán)色光源和正向直射照明方式,隨后又對(duì)成像系統(tǒng)的相機(jī)鏡頭等光學(xué)參數(shù)進(jìn)行研究,確定在檢測(cè)條件下使用8mm鏡頭,200mm物距,光圈值為F8時(shí)是最優(yōu)的采集場(chǎng)景。對(duì)采集后的圖像,進(jìn)行了灰度化處理研究,并研究了圖像噪聲、濾波和邊緣檢測(cè)等圖像處理算法,重點(diǎn)分析了最小二乘法圓擬合和霍夫圓變換在本課題中對(duì)焊點(diǎn)的擬合檢測(cè)情況,并進(jìn)行了測(cè)試,檢測(cè)效果很差且誤報(bào)率和漏報(bào)率都會(huì)波動(dòng)。接著研究了深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)方法,通過了圖像中焊接件焊點(diǎn)的檢測(cè)測(cè)試,誤報(bào)率僅有1.8%,漏報(bào)率為0%。最后基于上述檢測(cè)方法搭建了焊接件焊點(diǎn)視覺檢測(cè)裝備,通過圖像采集系統(tǒng)、直線運(yùn)動(dòng)單元、控制系統(tǒng)、檢測(cè)系統(tǒng)等完成整機(jī)的裝備,并進(jìn)入工廠生產(chǎn)線進(jìn)行... 

【文章來源】：江漢大學(xué)湖北省

【文章頁數(shù)】：82 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

焊接件焊點(diǎn)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(diǎn)采集成像系統(tǒng)研究2.1引言圖像的采集是智能檢測(cè)中最基本的步驟，這一方式的選擇決定了后續(xù)檢測(cè)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(diǎn)特征的圖片，這可以大大減少檢測(cè)的困難。采集圖像的質(zhì)量收到光源和相機(jī)光學(xué)參數(shù)的影響，不同的光源下和不同的照明方式會(huì)產(chǎn)生不同的效果圖像，而相機(jī)、鏡頭與物體的物距關(guān)系也會(huì)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(duì)應(yīng)的波長范圍內(nèi)的相對(duì)光強(qiáng)不同，高光強(qiáng)的光源可以提高圖像亮度的上限，滿足在暗場(chǎng)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(gè)計(jì)量單位[25]。一般來說，黑體是一個(gè)只接收不反射光的理想物質(zhì)，對(duì)黑體物質(zhì)從絕對(duì)零度（-273℃）進(jìn)行加溫，黑體物質(zhì)會(huì)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{(lán)色，當(dāng)加熱到某一溫度時(shí)，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(qiáng)也不盡相同。5000K以上的藍(lán)色關(guān)，在440nm時(shí)相對(duì)光強(qiáng)最高，而隨著波長增加不斷減小，在470nm左右開始增強(qiáng)，而增強(qiáng)到最高其相對(duì)光強(qiáng)也只有440nm時(shí)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(jī)的CCD芯片對(duì)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(jī)CCD芯片對(duì)400-1000nm波長范圍內(nèi)光的光譜分析。圖2-3RS-A2300型相機(jī)芯片光譜分析圖對(duì)上圖2-3的芯片對(duì)400nm至500nm間的藍(lán)光，500nm-580nm間的綠光，和600nm的紅光響應(yīng)度最好，而對(duì)于檢測(cè)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(lán)色光源作為采集成像系統(tǒng)的光源，此時(shí)高色溫的藍(lán)光的相對(duì)光強(qiáng)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(duì)整個(gè)系統(tǒng)的增益不言而

【參考文獻(xiàn)】：
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(bào). 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(jì)算機(jī)應(yīng)用. 2016(09)
[4]基于機(jī)器視覺的金屬罐內(nèi)壁缺陷檢測(cè)[J]. 胡曉彤,董瑩瑩.  天津科技大學(xué)學(xué)報(bào). 2014(03)
[5]最小二乘法原理及其簡單應(yīng)用[J]. 鄒樂強(qiáng).  科技信息. 2010(23)
[6]手機(jī)面板表面質(zhì)量在線檢測(cè)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(shí)現(xiàn)方法[J]. 李貞培,李平,郭新宇,陳樹敏.  計(jì)算機(jī)技術(shù)與發(fā)展. 2009(07)
[8]噪音強(qiáng)度的估計(jì)和去噪效果的評(píng)估[J]. 王景泉.  計(jì)算機(jī)工程與設(shè)計(jì). 2009(07)
[9]一種基于機(jī)器視覺的浮法玻璃質(zhì)量在線檢測(cè)系統(tǒng)[J]. 彭向前,陳幼平,余文勇.  制造業(yè)自動(dòng)化. 2007(12)
[10]圖像邊緣檢測(cè)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(jī)器視覺的手機(jī)面板缺陷檢測(cè)方法研究[D]. 易松松.哈爾濱工業(yè)大學(xué) 2016
[2]基于機(jī)器視覺的手機(jī)隔板劃痕檢測(cè)研究[D]. 宋迪.湘潭大學(xué) 2014
[3]金屬部件表面缺陷視覺檢測(cè)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(cè)方法研究[D]. 鄭嶸.上海交通大學(xué) 2013
[5]基于多目機(jī)器視覺的光學(xué)薄膜表面缺陷在線檢測(cè)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(dòng)識(shí)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(cè)方法研究[D]. 張?chǎng)?東北大學(xué) 2009
[8]基于機(jī)器視覺的SMT焊點(diǎn)質(zhì)量檢測(cè)的研究[D]. 牛曉麗.西南交通大學(xué) 2008



本文編號(hào)：3342188