硕士论文阅读

本次已经阅读的文献有:

祝习龙.基于机器视觉的锂电池焊线缺陷检测.2019.暨南大学

赵树宁. 基于机器视觉在线焊锡质量检测系统开发[D].广东工业大学,2020.

孔树荫. 基于机器视觉的PCBA缺陷检测系统研究与设计[D].广东工业大学,2022.

谢德芳. 基于机器视觉的LED焊线缺陷检测技术研究[D].广州大学

李雷辉  基于 3D 视觉传感器的工业零件表面质量检测关键技术研究[D].天津理工大学


1.《基于机器视觉的锂电池焊线缺陷检测》

文献来源:祝习龙.基于机器视觉的锂电池焊线缺陷检测.2019.暨南大学

(1)对相机采集图像进行:

模板匹配---图像滤波---canny边缘检测---漫水填充(提取焊线轮廓)---形态学处理(将焊线轮廓进行封闭)

(2)轮廓提取和计算

焊线轮廓提取---计算出焊线的长度信息

同理得到焊盘的面积长度信息,进而判断出有没有出现焊线断开的情况。

(3) 采用多角度对锂电池进行缺陷检测

---多个拍摄角度,综合检测结果

        采用特征点检测与匹配,利用ransac和sift进行结合,然后将不同角度的图像进行焊线区域配准,进而判断缺陷存在。

★★★★★个人总结★★★★★

常规图像处理提取缺陷特征+多角度缺陷检测增强缺陷检测精确度


2.基于机器视觉在线焊锡质量检测系统开发

文献来源:赵树宁. 基于机器视觉在线焊锡质量检测系统开发[D].广东工业大学,2020.

(1)焊点数据提取

采集点云数据---点云滤波---点云分割---焊点数据

点云分割:首先进行基准确定,然后再去除多余点云

(2)焊点数据转为图像

焊点数据转为图像,对焊点图像进行滤波、图像形态学处理、轮廓提取等操作。

对已知焊点数据建立数据库,然后将未知类型的焊点数据和已知焊点数据进行聚类分析,计算样本点的欧氏距离,进行缺陷分类。

★★★★★个人总结★★★★★

先用点云数据提取焊点位置,然后用点云和图像数据对应关系提取出焊点图像,然后通过比较提取图像和已知样本之间的关系,确定焊点是否存在缺陷


3.《基于机器视觉的PCBA缺陷检测系统研究与设计》

[1]孔树荫. 基于机器视觉的PCBA缺陷检测系统研究与设计[D].广东工业大学,2022.

1.焊点缺陷检测

主要完成对多焊锡、少焊锡的缺陷检测。

1)对焊锡图像进行RGB阈值分割-----计算焊锡区域的面积比例

2)对焊锡区域再次进行RGB阈值分割,将焊锡中心区域的蓝白色进行过滤

3)计算图像的焊锡图像面积和正常焊锡图像面积比,根据设定阈值做出是否为多焊锡的结果

4)对焊锡图像---转到HSL空间,进行Sobel算子边缘检测,将变换后的图像进行连通域检测,过滤连通域面积较小的区域。

5)计算过滤后的焊锡面积和整个焊锡区域的面积比,根据设定阈值判断是否存在少焊锡的结果

针对桥接的缺陷检测

将图像进行极坐标变换,然后进行阈值分割,进行连通域检测,过滤较小的连通域。比较较大连通域是否存在,连通域的长宽是否近似于图像的长宽,进而判断是否存在桥接的缺陷。

2.深度学习的焊点缺陷检测算法

对焊点图像建立数据集;使用ResNet和 VGG16进行分类模型训练。

训练参数设置选择为ImgNet数据集的预训练模型。


4. 基于机器视觉的LED焊线缺陷检测技术研究

1.作者先采用形状匹配完成对LED焊点区域的定位(需要用到模板图像)

针对焊点区域设计算法完成焊线提取(此处作者省略了步骤)

本篇文献没有参考价值。


5. 基于3D视觉传感器的工业零件表面质量关键技术研究

1.针对几何结构简单的工件。

缺陷检测步骤:

​​​​​​​(1)数据预处理:

  • 点云降采样---VOXEL网格均匀采样
  • 点云摆正
  • 构建KD-Tree 可以加快数据搜索
  • 计算法向量

(2)平面提取

  • 利用KD-tree搜索,同时设置中心点和搜索点的角度阈值,使其满足在设定范围内即可为确定的平面点。
  • 面的过滤,当上面进行面划分完成后,计算每个面的点数,如果面的点数也合理,则保留着这个面。

(3)缺陷检测

主要检测了工件的尺寸大小,是否缺角。(和本人课题相关度不大)

复杂工件缺陷检测

利用点云模板,采用类似模板匹配的方法完成了缺陷检测。而且需要人工选择需要检查的部分,才能完成缺陷检测。

你可能感兴趣的:(#,立体缺陷检测,计算机视觉,人工智能,图像处理)