本科论文示例 修复的.docx

本科论文示例 修复的.docx

《本科论文示例 修复的.docx》由会员分享，可在线阅读，更多相关《本科论文示例 修复的.docx（33页珍藏版）》请在冰豆网上搜索。

本科论文示例修复的

基于机器视觉的注塑制品缺陷检测系统研究

作者姓名：

张三

指导教师：

李四教授

单位名称：

信息科学与工程学院

专业名称：

自动化

东北大学

2007年6月

ResearchonInjectionProductDefectsDetectionSystemBasedonMachineVision

byZhangSan

Supervisor:

ProfessorLiSi

NortheasternUniversity

June2007

毕业设计（论文）任务书

毕业设计（论文）题目：

设计（论文）的基本内容：

（1）

（2）

（3）

毕业设计（论文）专题部分：

题目：

设计或论文专题的基本内容：

学生接受毕业设计（论文）题目日期

　　　　　　　　　　　　　第　　周

指导教师签字：

年　　月　　日

基于机器视觉的注塑制品缺陷检测系统研究

摘要

随着计算机和机器视觉技术的不断发展，基于机器视觉的产品检测技术正逐渐成为研究的热点。

基于机器视觉的产品检测技术是指以机器视觉为手段获取被测物体图像，并将其与己知的标准进行比较，从而确定被测物体的质量状况的过程，它具有非接触、速度快、柔性好等突出优点，相比于传统检测技术具有更为广阔的应用前景。

基于此，本文依托东北大学流程工业综合自动化重点实验室基金项目，针对机器视觉技术在注塑制品缺陷检测中的应用展开研究。

在调研注塑生产过程、查阅大量文献的基础上，本文完成了基于机器视觉的注塑制品质量检测系统的软硬件设计，并针对产品图像采集和处理过程中遇到的问题提出了相应的解决方案。

针对所获取的图像存在背景、噪声等干扰信息，不适于直接进行缺陷检测的问题，本文研究了相关的图像处理算法。

对于产品图像存在背景干扰的情况，提出一种阈值分割与差影相结合的方法，实现背景的完全消除；针对传统线性滤波以及中值滤波方法中存在的不足，提出一种新的滤波方法，该方法不仅增强了背景分割算法对于外界环境变化的适应能力，而且提高了算法的实用性。

在完成图像处理之后，本文针对注塑制品常见形状以及纹理缺陷的特征提取进行了研究。

一方面根据系统对检测速度的要求，提出一种快速预检测和缺陷细节信息分析识别相结合的检测思路，在保证缺陷信息完整的情况下，提高检测速度；另一方面针对传统方法在纹理特征提取中存在的分类效率低下等问题，提出一种新的特征组合方法，该方法有效降低了特征向量的维数，在保证识别准确率的情况下，提高分类效率。

最后，本文根据注塑产品多缺陷种类并存的特点设计了基于多分类支持向量机的特征分类方法。

综合应用上述方法，实现了基于机器视觉的注塑制品缺陷检测系统的雏形，获得了较高的检测正确率，较好的满足了注塑制品检测的要求。

关键词：

机器视觉；注塑制品；图像处理；特征提取；多分类支持向量机

ResearchonInjectionProductDefectsDetectionSystemBasedonMachineVision

Abstract

Thetechniqueofproductinspectionbasedonmachinevisionhasbeenpropelledbythedevelopmentofcomputerscienceandmachinevisioninmostrecentyears,anditseizesmoreandmoreresearchers’attention.Bysnatchingtheimagesoftheproduceandcomparingthemwithstandardone,machinevisionbasedinspectioncangiveareal-timeevaluationonthequalityoftheproductwithoutcontiguity.Forthesemerits,thisstudyfocusesonthedefectsdetectionofinjectionmoldingmachine（IMM）productbasedonmachinevision.ThisresearchissponsoredbyNEUkeylaboratoryofprocessindustryautomationfund.

Firstly,byresearchingtheprocessofinjectionproductionandanalyzingrelativeliteratures,thisthesisfinishesthehardwareandsoftwaredesignofdefectsdetectionsystemandsolvestheproblemsincapturingandprocessingimages.

Thebackgroundandnoiseinthecapturedimagemakesthedefectdetectionmuchharder.Amethodcombiningthresholdandimagesubtractionisproposedtosegmentthebackgroundfromtheobjectimageentirely.Tofilteringthenoiseandenhancetherobustnessofthesegmentationmethod,anewfilteralgorithmispresentedwhichprovidesabetterresultthanthetraditionalmethods.

Theresearchondefectdetectionfeatureextractionconsistsoftwoparts.Fordetectingshapedefects,arapid-inspectingmethodisproposedundertheconditionthatthedefect’sinformationisreservedentirely.Fordetectingtexturedefects,byregroupthetexturefeaturevectors,anewmethodispresentedtoenhancetheefficiencyofclassification.

Atlast,amulti-classclassificationsupportvectorisdesignedforthemulti-classdefectsdetection.ThebasicstructureofIMMproductsdefectdetectionsystembasedonmachinevisioniscompletedbyusingmethodsproposedabove.Thetestresultsshowthatthissystemdemonstrateahighdetectingprecision.

Keywords：

MachineVision;InjectionProduct;ImageProcessing;FeatureExtraction;Multi-classClassificationSupportVectorMachine

目录

毕业设计（论文）任务书I

摘要II

AbstractIII

第一章绪论1

1.1机器视觉检测技术概述1

1.2机器视觉检测的研究概况2

1.3机器视觉检测技术的应用3

1.4课题背景及本文主要工作5

第二章系统的设计与实现7

2.1系统总体结构7

2.2硬件系统的设计与实现7

2.2.1硬件系统设计8

2.2.2系统关键设备选型8

2.2.3硬件系统的实现10

2.3软件系统的设计与实现11

2.3.1软件系统基本框架11

2.3.2图像的采集与显示模块12

2.3.3系统通讯模块15

2.3.4辅助功能模块16

2.4本章小结17

第三章注塑制品图像处理19

3.1注塑制品图像处理总述19

3.2注塑制品图像背景分割19

3.2.1传统背景分割方法20

3.2.2传统方法在注塑制品背景分割中的应用分析21

3.2.3注塑制品背景分割方法设计23

3.3注塑制品图像滤波24

3.3.1传统滤波方法25

3.3.2传统滤波方法应用效果分析27

3.3.3注塑制品图像滤波方法设计27

3.4本章小结29

第四章结束语30

参考文献32

致谢34

第一章绪论

机器视觉检测技术概述

机器视觉是研究用相机和计算机来模仿人的眼睛和大脑完成对目标的识别、跟踪和测量等任务的科学[1]。

通俗地说，就是用机器代替人眼来做测量和判断[2]。

它的工作过程大致为：

首先，使用相机将被摄取目标转换成图像信号，传送给专用的图像处理系统，图像系统对这图像中包含的信息进行处理和计算；然后计算机根据处理的结果做出判断或决策；最后将控制信号传送给执行机构。

机器视觉的特点是自动化、客观、非接触和高精度，与一般意义上的图像处理系统相比，机器视觉强调的是精度和速度，以及工业现场环境下的可靠性。

机器视觉实际上是数字视觉技术与工业制造技术的结合的综合性技术，主要包括数字图像处理技术、机械工程技术、控制技术、电光源照明技术，光学成像技术、传感器技术、模拟与数字视频技术，计算机软硬技术，人机接口技术等。

这些技术在机器视觉中是并列关系，这些技术相互协调应用才能构成一个成功的工业机器视觉应用系统。

将机器视觉应用到制造业的检测领域中，用机器视觉系统确定产品相对于一组标准要求的偏差的过程通常称为机器视觉检测[3]。

它特指机器视觉在工业检测方面的应用，是机器视觉应用和研究领域中的一个重要分支。

机器视觉检测是一种适合现代制造技术发展的检测方式。

它与传统的检测方法相比，有着如下的优势：

首先，机器视觉可以实现非接触在线检测，完成对生产线上的零件进行100%的检测，满足自动化制造系统中的工序间检测和过程检测的要求；其次，机器视觉检测是通过计算机或者数字信号处理器中的程序对图像信息进行处理而得到的测量结果，因此机器视觉检测具有一定的智能和柔性，适于现代企业的柔性生产方式；再次，只要选用足够高精度的镜头和图像传感器，机器视觉检测技术可以达到较高的检测精度；最后，机器视觉易于实现信息的集成和管理，为实现计一算机集成制造技术提供必要的支持。

并且机器视觉检测与传统的人工检测相比效率更高，检测结果更加准确可靠。

由于机器视觉检测不会受到操作者的疲劳度、责任心和经验等因素的影响，在一些不适合人工作业的危险场合，人工视觉难以满足要求的场合和带有高度重复性、智能性并且靠人的眼睛无法连续稳定地进行产品检测的场合，机器视觉可以发挥它自身的优势来高效、高质量的完成检测任务。

机器视觉检测是与先进制造工艺与现代制造生产模式相适应的智能化、自动化、柔性的检测手段。

在国外己经将机器视觉系统广泛地用于工况监视、成品检验和质量控制等领域。

在中国，这种应用也在逐渐被认知，对于机器视觉的需求将越来越广泛。

机器视觉检测的研究概况

机器视觉技术是在20世纪50年代从统计模式识别兴起的，但由于机器视觉系统的复杂性，当时的研究工作主要集中在对二维图像的分析、识别和理解上，如光学字符识别、工件表面、显微图片和航空照片的分析解释等。

60年代中期，R.Robert开创性的三维景物分析研究成为机器视觉的起源，他运用数字图像研究实体模型，对物体形状和结构进行了描述。

70年代，MIT的学者提出了机器视觉的理论。

80年代，Marr首次从信息处理的角度综合了图像处理、心理物理学、神经心理学及精神病学的研究成果，提出了第一个较为完备的视觉处理框架，他将视觉分为自上而下的三个阶段，创建了Marr的理论框架。

近年来，随着机器视觉理论及应用技术的不断发展，人们逐渐认识到Marr的理论框架存在以下不足，即被动接受信号，无主动性和目的性，处理过程没有反馈环节，用一些假设和基本的约束保证通用性。

因此，许多学者在机器视觉的现状与目标、理论与方法以及实验与应用等方面发表了许多不同的见解，探索了新的理论，在很大程度上促进了机器视觉技术的发展[4,5]。

当前，随着机器视觉检测系统应用的增加，对机器视觉的研究也越来越多。

一些研究机构或企业开发了机器视觉系统软件的开发平台或者函数库，提供一些常用的算法和工具。

但是，机器视觉是一门交叉性强的学科，因此在研究和应用中一套视觉系统一般只针对某一种检测任务来进行研究和开发，没有一套机器视觉系统是对任何检测工程来说是通用的。

根据机器视觉的应用领域不同，对机器视觉检测的研究可以分为不同的种类，不同的学者对分类也有不同的见解[6,7]。

在现阶段的研究中通常分为以下三种类型：

（1）尺寸测量

尺寸测量是机器视觉研究和应用的重要应用领域，也是一个比较早开始的研究的方向。

机器视觉应用于尺寸测量工程中时，从视觉系统的硬件（光源、图像传感器等）的选用到软件算法的设计中的每一个环节都对最终的性能产生影响。

需要根据工程的自身特点选择合适的硬件。

（2）表面质量检测

机器视觉检测技术已经广泛应用到工业产品的表面检测中，主要检测的内容包括毛刺、划痕、磨损等。

但对复杂曲面的视觉检测仍有一定的困难，一方面，工件表面的反射方向复杂、存在阴影等因素影响着图像的质量，另一方面相机的镜头方向和距离工件的位置的控制也是影响检测精度的因素。

（3）目标分类与识别

目标分类与识别一直是研究的热点，物体识别的基本方法是建立物体模型，使用各种匹配算法从真实的图像中识别出物体最相似的目标。

根据物体识别任务所在的空间，物体识别可以分为二维特征识别和三维特征的识别。

二维识别用在识别远距离的物体或者在场景中稳定的位置的物体。

三维识别通过物体的灰度图或2.5维图获取实际场景中的信息来识别物体的三维结构特征。

信件分拣、指纹识别、人脸识别、车牌识别等都是此方面典型的应用。

机器视觉检测技术的应用

自上世纪八十年代初开始，国外有关视觉检测技术的研究逐渐兴起。

美国人首先将视觉检测系统应用于制造业[8]，其中，有100多家公司跻身于视觉检测系统的经营市场。

而国内的视觉检测研究从上世纪九十年代才开始得到重视。

相关资料表明，目前视觉检测技术已经在印刷电路板的检测、汽车车身检测、钢板表面的自动探伤、机械零件的自动识别分类和几何尺寸测量、大型工件平行度和垂直度测量、容器容积或杂质检测及农产品的检测等领域得到了广泛应用。

在电子工业中，由于超大规模集成电路的出现，使得集成芯片（IC）的密度和复杂度大大提高，PCB的布线变得更加复杂。

传统的检测方法越来越不适应，检测成本越来越高。

而视觉检测以其快速、精确的优点，为印刷电路板（PCB）和集成芯片（IC）的自动检测提供了高性价比的新方案。

PCB和IC的检测代表了一类重要的视觉应用领域，目前在PCB和IC的生产线上，大约60％的检测任务是由机器视觉检测来完成的。

Perkins等人描述了用于检测平板上元器件（如装配的PCB）的机器视觉系统，系统应用边缘检测，细化和连接边缘成分段直线来处理PCB图像，并对准模型和场景在分割描述的基础上决定匹配点[9]。

FranciLahajnar等人描述对电路板自动检测的机器视觉系统[10]，他们应用亚像素边缘检测技术和半自动校正系统来分辨电路板的物理特性，通过检测电路板的尺寸反映刀具的磨损情况。

在汽车制造业中，视觉检测主要用在轿车车身生产线，对车身侧围、底盘、以及整个下身总成关键尺寸进行检测，还用于生产线中机器手的定位、瞄准，从而实现机器手的自适应自动化安装，大大提高了汽车产品质量和生产效率，降低了生产成本。

Schmidberger等人用一个装配在机器人上的照相机来检测大尺寸平面上的信息，移动机器人拍摄不同部位图像，通过图像处理的方法比较被测零件与标准零件图像，从而检测裂缝、折叠、孔洞丢失等缺陷[11]。

DimitriosKosmopoulos等人开发了汽车用自动检测间隙系统[12]，任务是测量车身与装在其上的各种面板（包括门，发动机罩等）之间的间隙尺寸。

该系统在多于30处位置进行检测，测量的有效（RMS）误差<0.1mm。

在机械零件检测中，主要包括零件的自动识别与分类、零件几何尺寸与形位误差的测量以及工件表面或内部的缺陷检测。

机械零件的视觉检测是将三维物体拍摄成二维的数字图像，根据图像来分析和理解空间物体。

大部分机械零件的构成要素是直线和圆弧，对它们的检测，常采用测量点序列进行拟合以求得参数值。

在Mills研究的尺寸测量系统中[13]，使用高分辨率线扫描相机来获取圆柱形零件的检测图像，通过对图像的处理及分析，计算其尺寸误差。

Bremner描述了一个使用x－y驱动条钢形状的尺寸检测系统[14]，在3×2mm2的视场内达到0.01mm的精度。

视觉检测在农业中的应用主要体现在农产品的检测方面，农产品的图像检测技术按其目的不同可分成：

分级、检验和分类。

1999年，J.Paliwal等人研究了不同品种小麦的识别技术[15]，基于彩色参数和傅立叶描述算子，利用最小距离分类器，对五种加拿大小麦的识别，其准确率分别为100%、94%、93%、99%和95%。

XLou等人对完整小麦和破损小麦的检测进行了研究，分别采用基于统计分类器的K-最近邻法和基于BP网络分类器的检测方法。

试验结果表明，基于BP网络分类器的识别准确率高于基于统计分类器的方法[16]。

在医药业中，胶囊类的药品包装一般使用铝塑板包装，其优点是方便、卫生及密封性好。

但存在漏装、残缺、漏粉等现象。

针对这一问题，左奇等人提出一种基于局部二值化的视觉检测方法[17]。

相关实验表明，检测为合格品的正确识别率为99.95%，识别速率达200粒/ｓ。

机器视觉检测已经渗入到工业生产的各个领域。

成为保证产品质量的一个重要环节。

课题背景及本文主要工作

注塑制品的应用以轻工业和建筑业为主，目前在发达国家，其消费比例可达40％以上。

随着功能性塑料的开发，更多的注塑制品进入医疗卫生领域。

现在塑料作为一种新型材料，正在迅速进入办公室自动化、海洋开发、信息产业等技术领域，并逐渐向其他领域拓宽[18]。

但是注塑产品的质量检测却是令每个注塑企业头痛的问题。

如果不掌握正确的注塑质量检测方法，就很难控制注塑件的质量，甚至会出现一些意想不到的品质问题，给企业造成很大的经济损失。

一些注塑企业由于对注塑生产过程中的产品质量检测方法不当，经常出现各种产品质量问题（如：

外观、颜色、结构、尺寸、强度、装配不良等），造成注塑产品不良率高、批量退货、客户抱怨、延误交期，导致注塑过程中废品率高、料耗大、成本高，企业的竞争力下降。

而现在国内检测工具多为投影仪、精密高度尺、针规、量块、半径样板、卡尺等。

而这些离线检测方法不利生产过程的自动化，不符合现代制造业检测实时，在线，非接触的要求。

于是现在少数大型注塑产品生产商，就开始采用机器视觉的办法进行在线实时检测。

正是这种基于机器视觉的检测方法使得注塑产品检测过程的自动化、智能化成为可能。

基于此，本文将研究重点放在实现注塑制品的机器视觉检测，提高注塑制品检测的效率以及产品的生产质量。

本文在东北大学流程工业与综合自动化重点实验室的注塑生产过程基础上设计并实现了基于机器视觉技术的检测系统，实现注塑制品的自动质量检测，分拣，以及为注塑机控制提供定性控制反馈消息的功能。

主要工作包括以下几个方面：

（1）在调研注塑生产过程、查阅大量文献的基础上，本文完成了基于机器视觉的注塑制品质量检测系统的软硬件设计。

根据系统要求，对硬件设备进行选型，搭建机器视觉检测系统的硬件平台。

在硬件平台的基础上，利用VC＋＋编写摄像头的控制代码。

改进人机界面，增强软件功能。

用软件实现理论研究的算法，对图像进行处理。

并与注塑机控制系统进行通讯，实现交互控制。

（2）针对所获取的图像存在背景、噪声等干扰信息，不适于直接进行缺陷检测的问题，本文研究了相关的预处理算法。

针对单一采用阈值或差影法进行背景分割都存在缺陷的情况，本文采用先阈值后差影的方法，得到了优于上述两种算法的分割背景制品图像。

为了解决分割背景处理后，有可能出现的噪声问题，本文改变了常规的滤波步骤，在得到背景图像前先进行滤波，然后再判别背景与目标。

克服了邻域平均法对零散噪声克服不足以及中值滤波方法在大面积噪声处理时失效的问题。

增强了背景分割算法对于外界环境变化的适应能力，提高了算法的实用性。

（3）在取得满意图像的基础，进行制品缺陷的特征提取研究。

首先，分析了注塑制品质量缺陷的特点，提出将注塑制品缺陷分为形状缺陷以及纹理缺陷分别进行特征提取的思路。

在形状特征提取方面，本文提出一种兼顾实时性与准确性的方法，利用几何特征检测的迅速性对制品进行初步的定性判断，如有缺陷的制品产生，再通过不变矩得到缺陷的细节特征。

在纹理特征提取上，结合灰度共生矩阵，Gabor小波滤波器各自的优点，对特征向量进行优化组合，减少了传统方法的特征向量维数，在保证准确率的情况下，提高了分类效率。

（4）最后，对注塑制品的缺陷检测方法进行了研究。

选择多分类支持向量机并根据系统的特点与要求对分类器进行了设计。

综合应用上述方法，实现了基于机器视觉的注塑制品缺陷检测，获得了较高的检测正确率，较好的满足了注塑制品检测的要求。

第二章系统的设计与实现

上一章介绍了机器视觉检测系统的研究现状，分析了当前机器视觉检测系统存在的问题及发展方向，为本文对机器视觉检测系统的研究奠定了基础。

本章首先对机器视觉检测系统的组成、原理及相关设备选型进行研究，结合实际注塑生产过程设计并实现了注塑制品视觉检测系统硬件平台的搭建；在VisualC++6.0编程环境下建立注塑制品视觉检测系统人机界面，为后续工作提供基础软件平台。

系统总体结构

基于机器视觉的检测技术是一种有效的非接触检测技术，广泛应用于各种加工件的在线检测以及高精度、高速度的测量。

典型视觉检测系统由CCD传感器、光学系统、计算机数据采集和处理系统、机械运动工作平台等部分组成[19]。

本文所设计的机器视觉系统结构组成框图如图2.1所示。

图2.1注塑制品机器视觉系统结构图

视觉检测系统的硬件由光源、CCD摄像机、图像采集卡、工业计算机，机械臂组成；软件为在VC＋＋平台下编写的图像获取程序及其他相关功能组件。

整个视觉系统的工作过程如下：

首先由机械臂将注塑制品夹至两台摄像机的位置，拍取制品的正反两面的图像；然后通过1394采集卡将图像传送到工业PC机，通过图像处理软件的运算，得到制品的缺陷信息，并将这些信息发送到注塑生产控制上位机中；最后，控制系统根据所得到信息对控制参数进行调整，并控制分拣系统将缺陷制品与合格制品分拣到不同位置。

硬件系统的设计与实现

视觉系统的硬件设计优劣直接关系到图像获取的效果，并且对图像处理方法的选择以及检测效果产生直接的影响。

因此，系统的硬件设计与实现是视觉检