基于机器视觉的电子器件在线检测分选系统
基于机器视觉的自动化分拣系统设计与实现
基于机器视觉的自动化分拣系统设计与实现摘要：随着电子商务和物流行业的快速发展，自动化分拣系统在快递、仓储等环节的重要性逐渐凸显。
本文旨在设计和实现一种基于机器视觉的自动化分拣系统，以提高分拣效率和准确度。
在设计过程中，我们将依次介绍系统的需求分析、系统设计和系统实现，以及对系统性能的评估结果。
1. 引言自动化分拣系统作为物流行业的关键环节之一，能够极大地提高分拣效率和准确度，减少人工操作的时间和成本。
传统上，自动化分拣系统依靠传感器和机械臂等硬件设备来实现，然而，这些设备往往昂贵且难以进行调整和维护。
基于机器视觉的自动化分拣系统能够通过图像处理和模式识别等技术，实现对物品的快速识别和分拣，具有更高的灵活性和准确度。
2. 系统需求分析在本文中，我们需要设计和实现一种基于机器视觉的自动化分拣系统。
该系统需要满足以下需求：(1) 能够对不同形状、大小和颜色的物品进行快速分拣；(2) 具有较高的分拣准确度和效率；(3) 能够适应不同的分拣场景，如快递、仓储等。
为了满足这些需求，我们将采用以下技术和方法：(1) 利用摄像头或扫描仪等设备进行图像采集；(2) 运用图像处理和模式识别算法对采集到的图像进行处理和分析；(3) 设计和实现机械臂等硬件设备，以实现物品的自动分拣；(4) 确保系统的稳定性和可靠性。
3.系统设计基于上述需求分析，我们设计和实现了一个基于机器视觉的自动化分拣系统。
该系统分为图像采集模块、图像处理模块、分拣控制模块和机械臂模块四个主要部分。
3.1 图像采集模块图像采集模块负责通过摄像头或扫描仪等设备对待分拣物品进行图像采集。
我们选择高分辨率摄像头，并进行图像预处理，以保证采集到的图像清晰度和准确度。
3.2 图像处理模块图像处理模块是整个系统的核心部分。
在该模块中，我们利用图像处理和模式识别算法对采集到的图像进行处理和分析。
首先，对图像进行去噪处理，去除干扰因素。
然后，通过边缘检测和特征提取等技术，提取物品的特征信息。
基于机器视觉的电子元器件检测系统设计
基于机器视觉的电子元器件检测系统设计一、引言随着电子行业的迅速发展，电子元器件的质量和可靠性对产品的性能和寿命至关重要。
为了提高电子元器件的生产质量和效率，设计一种基于机器视觉的电子元器件检测系统非常必要。
本文旨在探讨基于机器视觉的电子元器件检测系统的设计原理、关键技术和实现方法，以及该系统在电子元器件生产过程中的应用和优势。
二、设计原理基于机器视觉的电子元器件检测系统主要通过获取电子元器件的图像数据，利用图像处理和分析的方法，对元器件的质量进行检测和评估。
具体设计原理如下：1. 图像采集通过相机等设备对电子元器件进行图像采集，将元器件的外观和内部细节转化为数字图像数据。
这些图像数据将作为后续图像处理和分析的基础。
2. 图像预处理对采集到的图像数据进行预处理，包括灰度化、滤波、去噪等操作，以提高后续处理的准确性和效率。
3. 特征提取与分析通过图像处理和计算机视觉算法，对元器件图像中的特征进行提取和分析。
这些特征可能包括元器件的形状、尺寸、颜色、缺陷等，通过与标准样本进行比对，判断元器件的质量。
4. 判定与分类根据提取的特征和分析结果，对元器件进行判定和分类。
合格的元器件将被送往下一工序，不合格的元器件将被剔除或进一步分析。
三、关键技术基于机器视觉的电子元器件检测系统设计涉及到多个关键技术，下面重点介绍其中几个关键技术：1. 特征提取算法特征提取是实现元器件质量检测的基础，需要采用适合的算法对元器件图像进行特征提取。
常用的特征提取算法包括边缘检测、角点检测、轮廓提取等。
2. 图像分类模型通过对元器件图像进行特征提取和学习，建立图像分类模型，用于对元器件进行判定和分类。
常用的图像分类模型有支持向量机（SVM）、卷积神经网络（CNN）等。
3. 实时性处理对于电子元器件生产过程中的在线检测，系统需要具备快速的实时处理能力。
为了提高系统的实时性，可以采用并行处理、GPU加速等技术手段。
四、系统应用和优势基于机器视觉的电子元器件检测系统在电子元器件生产过程中具有广泛的应用和重要的优势：1. 自动化检测相比传统的人工检测方式，机器视觉系统能够实现电子元器件的自动化检测，提高生产效率和减少人力成本。
基于机器视觉的产品分拣系统设计
基于机器视觉的产品分拣系统设计随着科技的进步和智能化的发展，机器视觉技术逐渐应用于各个行业，其中产品分拣系统是其中一个重要应用领域。
本文将介绍基于机器视觉的产品分拣系统的设计。
一、系统概况基于机器视觉的产品分拣系统主要由硬件和软件两部分组成。
硬件包括机器视觉传感器、机械臂、传送带等设备，用于感知和处理产品。
软件则是系统的核心，包括图像处理算法、运动控制算法等，用于对产品进行分析和操作。
二、系统工作原理1. 产品采集系统会使用机器视觉传感器对待分拣的产品进行采集。
传感器能够获取产品的图像或者其他相关信息，并将其传输到后续的处理环节。
2. 图像处理采集到的产品图像会经过图像处理算法进行分析。
这些算法包括图像识别、边缘检测、颜色识别等。
通过这些算法的处理，系统能够识别出产品的属性，例如尺寸、形状、颜色等。
3. 分类与分拣基于图像处理的结果，系统会根据预先设定的规则对产品进行分类，并将其分配到相应的分拣通道。
这一步需要在软件中编写相应的逻辑和算法，以确保准确地将产品分拣到目标位置。
4. 机械臂操作根据分类与分拣的结果，系统会控制机械臂进行相应的动作，将产品从传送带上取下，并放置到相应的位置上。
机械臂需要根据产品的属性进行准确的操作，例如抓取、放置、旋转等。
三、系统设计考虑因素在设计基于机器视觉的产品分拣系统时，需要考虑以下因素：1. 分拣速度系统设计需要保证分拣速度与生产线的生产速度相匹配，以确保分拣系统不成为生产线的瓶颈。
因此，在选择硬件设备和软件算法时需要综合考虑系统的处理能力、传输速度等因素。
2. 准确度分拣系统的核心目标是准确地将产品分拣到目标位置，因此系统设计需保证高准确度。
这一点要求对图像处理算法进行严密的测试和调试，同时确保机械臂操作的精准性。
3. 可扩展性系统设计应具备一定的可扩展性，以应对未来产能的提升和新产品的加入。
考虑到不同产品可能具有不同的形状、尺寸、颜色等属性，设计时需要预留一定的灵活性。
基于机器视觉的检测与分拣系统设计与开发
基于机器视觉的检测与分拣系统设计与开发近年来，随着科技发展与生产自动化程度的提高，机器视觉技术在生产线物流分拣中得到了广泛应用。
相比传统人工分拣，机器视觉分拣提升了分拣效率和准确度，降低了成本和人工投入。
本文将分享一款基于机器视觉的检测与分拣系统的设计与开发过程。
一、需求分析在落地之前，我们首先需要做的是明确需求，包括系统要检测和分拣的物品种类、尺寸、形状、颜色等外部特征，以及所处的环境，如光线、温度、湿度等。
这些因素将直接影响我们所采用的硬件设备和软件算法，进而决定系统性能和成本。
我们需要根据物品特性和产线需求，进行系统设计和硬件采购。
二、技术选型1.硬件设备我们选用以下硬件设备：相机、光源、传送带、电脑等。
相机是检测系统的核心，我们选择工业相机和高性能镜头，保证图片清晰度和速度。
光源采用LED灯，低耗能，白平衡稳定，工作寿命长。
传送带可以直接将需要检测和分拣的物品运输到检测区域，无需人工干预。
电脑（嵌入式计算机或工控机）选用高性能处理器，以保障处理速度和运行稳定。
2.软件算法机器视觉分拣的原理是通过相机拍照获取图像信息，再通过图像处理和分析算法智能识别出需要分拣的物品属性，实现物品的分拣和分类。
我们的系统采用Opencv、Tensorflow等开源算法库，通过深度学习和神经网络训练，实现高度精准的物品分类和分拣。
三、系统设计1.检测区域我们需要在传送带下方搭建检测区域，首先通过相机拍摄传送带上运行的物品，然后通过光源照明，保证图像质量，在电脑端进行处理和分析。
2.软件系统我们采用C++语言和Python语言相结合的方式，进行软件系统的编写和开发。
系统分为前端和后端两部分，前端主要负责物品特征抽取和图像处理和展示，后端主要负责物品分类和分拣等任务。
我们使用Ubuntu或Windows系统进行开发，利用Opencv等图像处理平台实现物品图像的处理和分析，利用Tensorflow进行分拣任务的训练和实现。
基于机器视觉的自动化检测与分拣系统
基于机器视觉的自动化检测与分拣系统近年来，随着科技的不断发展和人工智能的逐渐成熟，基于机器视觉的自动化检测与分拣系统在工业领域得到广泛应用。
这一系统利用计算机视觉技术，通过对图像的分析和处理，实现对待检测物体的自动化检测、分类和分拣，极大地提高了生产效率和质量。
机器视觉系统是一种集成了硬件与软件的系统，涉及到图像采集、图像处理、模式识别和控制等多个领域。
该系统通过光学传感器、相机和图像处理器等设备，实时获取待检测物体的图像信息，随后利用计算机程序对图像进行处理，提取关键特征并进行分类。
最后，根据分类结果，利用机械手或输送带等设备对物体进行自动分拣。
这样一套基于机器视觉的自动化检测与分拣系统具有许多优点。
首先，它能够实现无人值守操作，减少了人力成本。
传统的人工检测与分拣需要大量的人力投入，不仅效率低下，而且存在人为错误的可能。
而机器视觉系统能够自动完成这些工作，大大提高了效率，同时减少了人为错误。
其次，机器视觉系统的检测和分拣能力非常强大，可以快速准确地识别不同类型的物体，并进行分类和分拣。
这对于生产线上的高效运行至关重要。
再者，基于机器视觉的系统具有较高的扩展性，可以根据不同的需求和应用场景进行定制和优化。
基于机器视觉的自动化检测与分拣系统的实现离不开以下几个关键技术。
首先，图像采集技术是整个系统的基础。
通过合适的光学传感器和相机，可以对待检测物体进行图像采集，获取到高质量的图像信息。
采用高分辨率的相机可以提高系统的检测精度。
其次，图像处理技术是对采集到的图像进行预处理的重要环节。
通常，图像中会存在噪声、模糊、光照变化等问题，需要通过图像处理算法进行去噪、增强、形态学变换等操作。
这些预处理步骤可以提高后续的特征提取和分类的准确性。
第三，特征提取是机器视觉系统中的关键一环。
通过对图像进行特征提取，可以将物体的信息转化为计算机能够理解的数字特征。
常用的特征提取方法包括边缘检测、颜色提取、纹理分析等。
基于机器视觉的智能分拣系统设计与优化
基于机器视觉的智能分拣系统设计与优化智能分拣系统是现代物流领域中的重要应用，可以有效提高分拣效率和准确度。
基于机器视觉的智能分拣系统结合了计算机视觉技术和机器学习算法，通过对物品的图像进行分析和识别，实现对不同物品的智能分类和分拣。
本文将介绍基于机器视觉的智能分拣系统的设计与优化，包括系统架构、关键技术和性能优化等方面。
一、系统架构基于机器视觉的智能分拣系统主要包括图像采集模块、图像处理模块、物品识别模块和控制执行模块。
1. 图像采集模块：用于采集待分拣物品的图像，通常使用高分辨率的摄像头或工业相机进行图像采集，并对图像进行预处理，如去噪、图像增强等。
2. 图像处理模块：对采集到的图像进行处理，包括图像分割、特征提取、形状识别等。
常用的图像处理算法包括边缘检测、阈值分割、色彩空间转换等。
3. 物品识别模块：利用机器学习算法对处理后的图像进行物品分类和识别。
可以采用传统的机器学习算法，如支持向量机（SVM）、随机森林等，也可以使用深度学习算法，如卷积神经网络（CNN）等。
4. 控制执行模块：根据物品识别结果，控制机械臂或传送带等设备将物品分拣到指定位置。
可以利用PLC（可编程逻辑控制器）或单片机等设备实现控制功能。
二、关键技术1. 图像分割：图像分割是指将图像中的前景物体分割出来，常用的算法包括基于阈值的分割、基于边缘的分割、基于区域的分割等。
对于不同形状、大小和复杂度的物品，选择合适的图像分割算法至关重要。
2. 特征提取：通过对物品图像提取特征，可以用来进行物品分类和识别。
常用的特征包括颜色特征、纹理特征、形状特征等。
可以使用特征提取算法，如灰度共生矩阵、哈尔小波变换等。
3. 机器学习算法：机器学习算法是基于已有数据进行模式学习和预测的方法。
通过使用标注好的样本数据，可以训练分类器来识别不同物品。
常用的机器学习算法包括SVM、随机森林、K近邻算法等。
三、性能优化为了提高基于机器视觉的智能分拣系统的性能，可以从以下几个方面进行优化：1. 图像采集优化：选择合适的摄像头或工业相机，调整采集参数，如曝光时间、焦距等，以提高图像的质量和清晰度。
基于机器视觉的自动检测和分拣系统设计
基于机器视觉的自动检测和分拣系统设计随着科技的不断发展，机器视觉技术在生产领域被越来越广泛地运用，成为提高生产效率、降低劳动力成本的重要手段。
本文针对制造业中的自动检测和分拣系统，探讨基于机器视觉的设计方案，以期帮助生产企业提高产品质量和生产效率。
一、机器视觉的基本原理机器视觉是一种通过计算机来模拟人类视觉进行物体识别、分类、目标跟踪和图像分析的技术。
它基于数字视觉和图像处理技术进行数据的采集、处理、分析和处理，在应用中广泛运用到计算机科学、电子工程、数学、物理等多个领域。
机器视觉的基本原理是模仿人类眼睛的视觉感知系统。
它通过感光设备采集输入图像，并通过数字信号处理技术对图像进行数字化和处理，从而获取图像的特定特征和模式。
基于这些特征和模式，机器视觉系统能够通过预先定义的算法和程序进行图像分析、目标检测和分类，实现自动识别和分析的目标。
二、基于机器视觉的自动检测和分拣系统设计方案在制造业生产过程中，目前存在大量工人进行产品检测和分拣的情况，这不仅劳动密集、费时费力，而且由于人的疲劳和误判等因素，使得产品质量难以保证。
因此，基于机器视觉技术的自动检测和分拣系统逐渐受到生产企业的关注。
1.系统结构设计基于机器视觉的自动检测和分拣系统由图像采集、图像处理、分类分割、目标识别、判定和控制等多个模块组成。
其中，图像采集模块负责从生产线的传感器或摄像头中接收原始数据，图像处理模块将原始数据进行数字化和处理，提取有用的图像信息，分类分割模块负责对图像中的特征进行分类和提取，目标识别模块负责对目标进行模式识别和分类，判定和控制模块负责对识别结果进行分析、评估和上报。
2.算法设计为了实现自动检测和分拣的功能，基于机器视觉的系统需要使用一些特定的算法和程序。
例如，图像处理可以采用数字滤波、彩色空间转换、边缘检测等技术；分类分割可采用像素级分割、区域分割等算法；目标识别则可以使用标准模板匹配、形态学分析等算法；最后判定和控制则需采用逻辑或模糊控制算法来进行。
基于机器视觉的智能仓库货物识别与分拣系统设计
基于机器视觉的智能仓库货物识别与分拣系统设计随着电子商务的迅猛发展，仓储物流成为了现代供应链管理中不可或缺的一环。
为了提高仓库物流管理效率，降低人力成本，基于机器视觉的智能仓库货物识别与分拣系统的设计变得越来越重要。
本文将介绍该系统的设计原理、技术框架以及应用前景。
一、设计原理智能仓库货物识别与分拣系统的设计原理核心在于机器视觉及深度学习算法的应用。
通过摄像头采集货物图像，利用图像处理与计算机视觉技术进行特征提取和识别，将货物快速准确地分类和分拣，从而提高物流中的效率与准确度。
二、技术框架1.硬件设备部分智能仓库货物识别与分拣系统的硬件设备部分主要包括摄像头、传感器和运输装置。
摄像头负责拍摄货物图像，传感器用于获取货物的基本信息（如尺寸、重量等），运输装置用于将货物从一个位置转移到另一个位置，实现分拣操作。
2.软件部分智能仓库货物识别与分拣系统的软件部分主要包括图像处理、物体识别与分类、数据分析等模块。
（1）图像处理模块：对摄像头获取的货物图像进行预处理，如去噪、灰度化、边缘检测等，以提高图像的质量和可用性。
（2）物体识别与分类模块：基于深度学习算法，对图像中的货物进行特征提取和分类。
常用的算法包括卷积神经网络（CNN）和循环神经网络（RNN）。
通过训练模型，系统可以识别和分类各种类型的货物。
（3）数据分析模块：对分拣过程中产生的数据进行分析，如货物种类统计、分拣准确率统计等，以提供数据支持给仓库管理者进行物流决策和优化。
三、应用前景智能仓库货物识别与分拣系统的应用前景广阔。
它可以提高仓库物流的自动化程度，减少人工干预，从而减少操作错误和提高工作效率。
同时，该系统可以实时监测货物的状态和位置，提供有关货物的数据支持给仓库管理者，以便做出迅速准确的物流决策。
此外，智能仓库货物识别与分拣系统可以应用于不同类型的货物分拣场景，如电子产品、快速消费品、医药品等。
它为物流行业带来了革命性的改变，使得仓库管理更加智能化、高效化和精准化。
基于机器视觉的零件在线分选系统研究
ｂｎａｙｉ ａ ｅ ｉ ｒ ｍ ｇ Ｒ ｏ ｎｄ ｅｓａ ｄ ｃ ｌ ｎｏ ｍ ａｉｎ ｏ ｈ ｏ ｔｐｅ ｉｄ ｔ ａ ａ ｓｗｅ ｅｃ ｌｕ ａｅ ｓｎ ｈ ａ ｅｉｇｉ ｇ ， ｎ ｈ ｎ ｔ ｏ ｉ ｐ ｒｔ ｎ ｆｒ ｕ ｎ ｓ ｎ ｏｏｒｉｆｒ ｔｏ ｆｔｅｔ ｙ ｓｏｆｎ ｕｓｒ ｌ ｒ ｒ ａｃ ｌｔｄｕ ｉｇｔ ｅｌｂ ｌ ｍａ ｅ ａ ｄｔ ｅ ｈｅｓ ｒ ｎｇｏ ｅａｉ ｗ ｉ ｐｔ ｎ ｔ ｏ ｏ ｔ ｅｐ ｒｓｗａ ｏ ｐｅｅ ｙ ｃ ｍｐａ ｎｇｔ ｅｒ ｕｎ ｎｅｓａ ｄ ｃ ｏ ｏ ａｉ ｉ ｈ ｔｎ ａ ｄｉｆ ｒ ａｉ ｉｈ ｗ ａ ｓａ ｌ ｈｅ ｒｉｃａｌ ｅｏ ｅ Ｒ ｅｕｌ ｈ ａ ｓｃ ｍ ｌｔｄｂ ｏ ｔ ｉ ｒ ｈ ｏ ｄ ｓ ｎ ｏｌｒｉ ｒ ｔｏｎｗ ｔ ｔｅｓａ ｄ ｒ ｎ ｏ ｎｆｍ ｈ ｍ ｔ ｏｎ ｗｈ ｃ ｓｅｔｂｉ ｄ ａｔ ｉｌ ｂ ｆｒ ． ｓ ｉ ｆ ｙ ｓ ｔ ｓ
Ｉ数 字 技 术
；
应 用研 究
基于机器视觉的零件在线分选系统研究
基于机器视觉的自动检测与分拣系统设计
基于机器视觉的自动检测与分拣系统设计机器视觉的发展将自动检测与分拣系统设计带入了一个新的篇章。
无论是在工业生产线上还是在物流仓储领域，基于机器视觉的自动检测与分拣系统都能够提高生产效率、降低人力成本，并且具备更高的准确性和稳定性。
本文将对基于机器视觉的自动检测与分拣系统的设计进行详细探讨。
一、系统总体设计基于机器视觉的自动检测与分拣系统由图像采集模块、图像处理模块、物体分类模块、控制模块等组成。
图像采集模块负责获取物体图像，在物体分类模块中对图像进行处理与分析，最后由控制模块对分析结果进行分类与分拣操作。
1. 图像采集模块图像采集模块通常由相机和照明系统组成。
相机负责将物体的图像转化为数字信号并传输给图像处理模块，不同场景下需选用不同性能的相机以保证图像的清晰度和准确性。
照明系统的设计需考虑光线的均匀分布和合适的亮度，以提供良好的拍摄条件。
2. 图像处理模块图像处理模块是整个系统的核心部件。
它对采集到的图像进行预处理、分割、特征提取等操作。
预处理阶段包括去噪、灰度化、二值化等操作，以减少图像噪声和提高图像对比度。
分割操作能够将物体从背景中分离出来，为后续的特征提取作准备。
特征提取是根据物体特点从图像中提取出有用的信息，如颜色、形状、纹理等，以供后续的分类和分拣操作使用。
3. 物体分类模块物体分类模块通过对输入的图像特征进行分析和比对，将物体归类为相应的类别。
常用的分类方法包括机器学习算法和深度学习算法。
在机器学习算法中，可以利用特征向量来训练分类模型，并将其应用于实际场景中。
深度学习算法在图像识别领域取得了显著的成果，通过构建深度神经网络并进行大量的训练，可以实现对复杂物体的辨别和分类。
4. 控制模块控制模块接收物体分类模块输出的分类结果，并将结果应用于实际的分拣操作。
它控制着分拣机械臂、传送带等设备的动作，实现对物体的抓取、移动、放置等操作。
控制模块还需要与其他系统进行数据交互，如物流系统、数据库系统等，以实现信息流畅的协同工作。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于机器视觉的电子器件在线检测分选系统李啸宇(南京航空航天大学自动化学院,江苏南京 210016)摘要:针对一种声表面波滤波电子器件,设计了基于机器视觉的电子器件在线检测分选系统,详细论述了机器视觉系统的硬件组成和工作原理。
在搭建系统硬件平台后,采用Qt应用程序框架,结合OpenCV开发了一套电子器件在线检测分选系统软件。
经过大量实验和长时间实际生产运行表明,该系统检测速度快、识别准确率高、成本预算低,完全满足现代工业在线检测的需要。
关键词:机器视觉;电子器件;在线检测分选;Qt;OpenCV中图分类号:TP391 文献标识码:A 文章编号:1672-1616(2011)07-0038-03在电子器件制造流水线中,经常要对半成品或成品的电子器件进行外观检测和分选。
传统的检测手段主要依靠自动送料振盘结合光电检测技术来对有管脚的电子器件进行初步分选和有序定向排列。
但是这种方法对电子器件在外形设计上有一定的要求,如管脚的偏心、外形或重心的不对称等。
有些电子器件由于产品设计需要无法达到上述要求,此时机器视觉技术成为了一种替代的有效检测手段。
机器视觉技术因其具备在线检测、实时分析、实时控制的能力以及高效、经济、灵活的优点,成为现代电子器件在线检测技术中一种重要的技术手段[1]。
本文以某一种声表面波滤波电子器件为例。
由于其外形对称,只有上表面存在标识,传统的光电检测和振盘分选方法无法满足检测需要,故结合生产流水线结构,采用CMOS数字摄像机、环形光源和工控计算机等设计了一套基于机器视觉的外观标识识别在线检测分选系统。
1 设计思路与系统组成机器视觉系统一般包括以下部分:图像采集模块(光源、镜头、图像传感器)、图像处理模块(计算机、图像处理软件)、执行机构(I/O卡、PLC、电磁阀等)等。
结构框图如图1所示。
针对声表面波滤波器件体积小、表面光洁、标识明显等特点,系统采用USB接口的黑白CM OS 摄像机、环形光源作为前端图像采集设备。
当器件沿着流水线导轨向前缓慢运动并到既定位置时,安图1 机器视觉系统组成框图装在导轨检测位置的光纤传感器被触发并向计算机发出采集信号。
计算机收到采集信号,通过图像处理程序驱动摄像机进行图像采集,接着程序对所采集的图像进行处理,判别器件表面标识的位置有无圆圈标识,推断出器件排列顺序的正反。
程序的判断结果信号经过计算机的I/O板卡传输到整个流水线的核心控制PLC中。
最后PLC通过I/O 端口驱动电磁阀控制气流将排序为反的器件从导轨吹落。
被测对象声表面波滤波器件样例实物如图2所示。
图2 声表面波滤波器件收稿日期:2010-11-25作者简介:李啸宇(1986-),男,江苏无锡人,南京航空航天大学硕士研究生,主要研究方向为计算机测控。
382011年4月 中国制造业信息化 第40卷 第7期2 系统硬件设计2.1 图像采集与处理模块本系统采用的图像采集模块主要包括CM OS 工业数字摄像机DH -H V1303UM 、环形光源LDR-70RD 、镜头M P2514-M P 3个部分。
本系统采用大恒图像CM OS 工业数字摄像机DH -HV1303UM 。
DH -HV1303UM 是一款U SB 接口的采用逐行扫描CMOS 的黑白数字摄像机。
CMOS 传感器的特点是集成度高,输出信号数字化,成本低,适合环境干扰小、测量速度快、功耗低等场合[2]。
该摄像机在1280 1024分辨率下采集速度为15帧/s,在640 480分辨率下采集速度为45帧/s [3]。
由于电子器件在流水线上运动速度相对较慢,无需摄像机高速采集,15帧/s 的采集速度已经可以满足设计需求。
高分辨率采集亦可保证采集到的图像清晰,降低了后期图像处理难度。
该摄像机同步方式有外部触发和连续采集2种,本系统采用外部触发形式。
光源和镜头是机器视觉系统中的关键组成部分,合适的光源和镜头可以突出待测特征部分对比度、提高信噪比和减少不均匀的照明,减轻后续图像处理的压力。
考虑到被测对象电子器件检测范围集中,需要均衡照明,本系统采用日本CCS 的环形光源LDR-70RD,其柔性板被做成伞状外形,LED 高密度地排列在基板上,光线集中在照明系统的中央。
环形光源配合Computar 定焦镜头M P2514-M P 同轴安放,当与待测对象距离合适时,可在很大程度上减少阴影,提高对比度,实现大面积荧光均衡照明。
光源、摄像机、镜头结构示意图如图3所示。
图3 图像采集模块结构示意图本系统根据被测对象所在场所对系统体积要求不高、系统成本预算有限、项目设计时间较短等特点,选用工控计算机作为图像处理模块。
其通用性强、开发周期短、成本低,使得整个系统物力和人力成本降低了不少。
2.2 执行机构当图像处理模块完成图像处理工作后,会发出动作信号给执行机构来进行分选工作。
本系统采用双诺测控的AC6652板卡来完成I/O 信号的输入输出,将处理结果传输给整个流水线的控制核心PLC 。
最后PLC 驱动电磁阀控制吹气动作。
3 系统软件设计本系统软件设计采用Qt 4.5作为图形界面应用程序框架,在Visual Studio 2008平台下结合开源计算机视觉库OpenCV 进行编程设计。
Qt 是诺基亚开发的一个跨平台的C++图形用户界面应用程序框架,可以轻松实现 一次编写,随处编译 的跨平台解决方案[4]。
Qt 具有完善的C ++类库,通常不需要处理复杂的C 风格API,并且具有美观的GU I 框架。
3.1 系统软件流程图整个系统软件流程主要由主程序初始化、图像采集、器件检测范围标定、图像预处理、标识检测判断、I/O 输出判断结果等组成。
程序流程图如图4所示。
图4 系统程序流程图3.2 器件标识检测范围的标定本系统软件首先需要对标识的检测范围进行标定。
在标定前,首先对镜头焦距、摄像机采集图像的对比度和亮度进行调整,使采集到的图像达到轮廓清晰的效果,以减少后续图像处理对计算机资源的消耗。
操作者先将电子器件放到触发光纤传感器的检测工位,然后手动操作软件控制摄像机采集一幅图像,对其标识位置进行框定。
后续程序只要检测该框定范围内有无标识,则可判断出器件的正反。
3.3 标识检测的图像处理算法软件采用平滑滤波对图像进行预处理,然后对39智能控制技术 李啸宇 基于机器视觉的电子器件在线检测分选系统整个图像进行边缘提取。
这样标识的轮廓可以清晰地表现出来,消除其他噪声的干扰。
一般的边缘提取方法都是用边缘提取算子模板来进行卷积处理,如Laplace 算子、Robert 算子、Sobel 算子和Canny 算子等[5]。
系统所采集到的图像相对比较简单,应用边缘提取算子会增加计算量。
为了保证在线检测速度,本系统采用了自适应阈值的图像二值化操作。
自适应二值化是先计算像素邻域的平均灰度,来决定此像素的二值化的阈值。
此操作在OpenCV 中的函数表现形式为:cvAdaptiveThreshold (const CvArr *src,CvArr *dst,double maxvalue,int adaptivemethod,int thresholdtype,int blocksize,double param1);当邻域尺寸block size 选取偏小时,通过调节函数参数param1来控制边缘的类型和粗细,输出图像dst 可以达到边缘提取的效果。
然后对3.2节中标定好的器件标识范围内进行黑白像素统计,与之前设置好的阈值作比较,就能准确地判断出标定范围内有无标识。
4 系统实验验证首先对系统的参数进行设置,如平滑滤波参数、自适应二值化邻域大小与参数、标识判断阈值和I/O 口通道等。
然后手动调整镜头焦距以及摄像机采集图像的对比度和亮度,使采集图像达到理想效果。
在完成对标识检测范围的标定后,开始对图像进行检测,通过I/O 口输出判断结果,并将判断结果显示在系统软件面板上的指示灯控件上。
经过10h 的系统运行实验,实际电子器件检测分选成功率达到了100%。
从项目交付使用到现在已经有一年之久,整个系统运行稳定、识别准确率高,已经达到了初期的设计目标。
图5是系统检测出器件标识的软件界面。
图5 系统检测器件标识5 结束语本文设计了一套基于机器视觉的电子器件在线检测分选系统。
系统主要采用CMOS 工业摄像机和工控摄像机作为图像采集处理模块,成本预算较低。
软件处理中运用自适应二值化等算法对所采集的图像进行边缘提取,并进行阈值判断,保证了检测分选的实时性和准确性,成功替代了传统的光电检测方法。
系统的实验结果、最终的项目交付均验证了系统设计的正确性。
除上述采用的声表面波滤波器件以外,本系统还可以对于其他带有明显标识的电子器件进行在线检测分选工作,具有良好的工业应用前景。
参考文献:[1] 韩九强.机器视觉技术及应用[M ].北京:高等教育出版社,2009:3-5.[2] 韩振雷.CCD 和CM OS 图像传感器的异同剖析[J ].影像技术,2009(4):40-42.[3] 大恒图像.DH -HV 系列数字摄像机应用说明书[Z].2009.[4] Jasmin Blachette,M ark Summerfield.C ++GUI Qt4编程[M ].闫锋欣,曾泉人,张志强,译.2版.北京:电子工业出版社,2008:3-4.[5] 张 云,吴晓军,马廷武,等.基于机器视觉的零件图像采集及识别的研究[J].电子工程师,2006,32(4):29-31.Design of Online D etecting an d S orting S ystem for Electronic Devices Based on Machin e VisionLI Xiao-yu(Nanjing University of Aeronautics and Astronautics,Jiangsu Nanjing,210016,China)Abstract:In order to design a kind of electronic devices of surface acoustic w ave filter,it describes a online de tecting and sorting system based on machine vision,show s the detail about the hardware components and op erating principle of the machine vision system.Based on hardw are platform of the system ,it develops the sys tem software w ith Qt application framew ork and OpenCV library.Lots of ex periments and a long period of running show that the system costs low and sorts devices w ith high detection speed and identification rate,the w hole system is able to fully meet the needs of modern industrial online detection.Key words:M achine Vision;Electronic Device;Online Detection and Sorting;Qt;OpenCV402011年4月 中国制造业信息化 第40卷 第7期。