汽車組裝件視覺檢測

汽車組裝件視覺檢測

作為國內外包裝智能自動化設備研發(fā)企業(yè),上海陸甲自動化科技有限公司的技術服務為中國制造業(yè)提供了與國際同步工業(yè)零部件智能視覺檢測設備技術解決方案。汽車組裝件視覺檢測應用于:制藥、食品、飲料、日化、保健品、電子、電器、化工、汽車工業(yè)及塑料與五金等各大行業(yè)！

汽車組裝件智能視覺檢測設備在數字圖像處理技術是一個新興的技術行業(yè),已在自動化系統(tǒng)、汽車零部件檢測和智能識別等領域有廣大的應用。它已經成為傳統(tǒng)人工檢測速度慢、檢測效率低的重要解決辦法之一。由于實際生產中,工業(yè)零件在細節(jié)方面會有諸多缺陷,因此,有必要選用合適的算法對其進行準確的識別和檢測。本文針對汽車吸能盒背板零件,設計了圖像檢測系統(tǒng)的整體方案,搭建了實驗硬件平臺,并詳細介紹了視覺系統(tǒng)采用的各種器件和照明系統(tǒng)的組成,再進行攝像系統(tǒng)標定,完成了畸變效應的矯正。在獲取矯正后的圖像后,對圖像的預處理、邊緣檢測、零件幾何參數測量等關鍵技術進行了重點研究。在預處理中,首先分析了圖像的噪聲類別,比較了多種濾波算法,找出適合本文圖像的濾波算法。進而,在圖像邊緣檢測中,對比了經典的邊緣檢測算法,為后續(xù)的特征提取提供了基礎。在檢測圖像基本特征時,分別檢測圖像中的圓和直線,并對檢測結果的參數進行了優(yōu)化,提高了圓和直線的檢測效果。在對圖像中的槽進行檢測時,采用了模板匹配算法,對槽的位置進行了準確的識別。在進了了零件尺寸的檢測之后,文中還研究了完好零件、焊點零件和劃痕零件三種情況的分類識別方法。首先,通過邊緣檢測,在保證圖像邊緣清晰、完整的基礎上,利用梯度方向直方圖算法進行特征提取,并采用概率神經網絡和SVM進行分類識別,取得了不錯的分類效果。然而,特征向量維度較高,特征提取信息混疊,以致圖像關鍵信息難以充分利用。文中對梯度方向直方圖算法進行了改進,對梯度方向直方圖特征提取算法進行雙線性插值,得到了更能夠體現細節(jié)特征的特征向量,再用神經網絡和支持向量機進行識別,在提高特征值抗混疊效應的同時,也提高了圖像的分類識別準確率。本課題模塊的實現都是基于Visual C++和MATLAB的,包括視覺系統(tǒng)界面開發(fā)和算法的編寫。本文實現了零件特征的檢測,與不同種類的零件分類識別。文中的研究結果體現了一定的工程價值,同時對圖像測量技術的應用和零件的分類識別提供一定的借鑒意義。