maskinseende baserad dispenseringsdefektdetekteringsteknik att diskutera

Med den snabba utvecklingen av industriell automationskontrollteknik och datorteknik har industriell automation penetrerat produktionen av olika industrier. Automatiska dispenseringsmaskiner har använts i stor utsträckning i industriell produktion, från mikrokretsindustrin, elektronikindustrin, LED-industrin till den allmänna industrin för produktanslutning, injektion och tätning, alla spelar en viktig roll. Tillämpningen av automatisk dispenseringsmaskin inte bara för kvaliteten på produkten har medfört en avsevärd förbättring, utan också förbättra produktionseffektiviteten, kan inse den komplexa situationen för dispenseringsprocessen. På grundval av detta ägnas mer uppmärksamhet åt kvaliteten på dispenseringen. I själva produktionen, på grund av en mängd olika faktorer, såsom processnivå för automatisk dispenseringsmaskin, limtemperatur, etc., kan tillverkningen av lim innehålla luftbubblor, limremsor går sönder, limremsbredden är för tjock eller för tunn och andra defekter. Därför är det extremt viktigt att strikt kontrollera kvaliteten på dispenseringen i olika situationer där anslutningseffekten behöver realiseras genom dispensering. Att förlita sig på arbetskraft för att upptäcka dispenseringsdefekter är uppenbarligen orimligt, på grund av dess stora arbetsbelastning, låga effektivitet, detekteringsnoggrannheten är inte hög, kan inte möta de faktiska produktionsbehoven. För att lösa ovanstående problem används i stor utsträckning dispenserande defektdetekteringsteknik baserad på maskinseende, vilket har fördelarna med låg kostnad, hög precision och hög hastighet.

För det första, baserat på maskinseende detektering teknik status quo

Maskinseende bygger på allmän datorseendeforskning och involverar samtidigt ljuskällans ljusteknik, höghastighetsbildinsamling och andra aspekter av praktisk teknologiforskning. Inom industrin måste användningen av maskinseende för att bygga ett komplett industriellt syntillämpningssystem kombineras med en mängd olika tekniker, som täcker maskinteknik, sensorer, optisk bildbehandling, rörelsekontroll, bildbehandling och andra aspekter. Figur 1-1 visar det övergripande ramverket för maskinseendesystemet i den faktiska industrin, huvudsakligen inklusive det uppmätta målet, ljuskällan, optiskt bildsystem, bildfångningssystem, bildinsamling och digitalisering, intelligent bildbehandlingsmodul och rörelsekontrollmodul .

Med framstegen inom vetenskap och teknik blir utvecklingshastigheten för maskinseende snabbare och snabbare, och vissa utländska forsknings- och utvecklingsorganisationer har utvecklat en hel del systemprogramvara för maskinseende baserad på bildbehandling, såsom MatroxImaging Library (MIL), Halcon , Matlab och öppen källkodsbiblioteket OpenCV. På grund av deras kraftfulla bildbehandlingsmöjligheter har dessa program använts i stor utsträckning i industriell produktion. För närvarande finns det två typer av algoritmer inom maskinseende, nämligen digitala bildbehandlingsalgoritmer och djupinlärningsalgoritmer baserade på konvolutionella neurala nätverk.

(1) Metoden baserad på digital bildbehandling, huvudsakligen genom bildbehandling och andra operationer för att få området för limskiktet, massans centrum och anpassad komplexitetsformel för att bestämma kvaliteten på det självhäftande lagret. Den traditionella metoden baserad på digital bildbehandling har fördelarna med enkel hantering och färre parametrar, men den har också nackdelarna att den är mottaglig för objektiva faktorer som ljus, dålig segmentering av limskiktet, dålig klassificering av defekter och dålig generaliserbarhet.

(2) Med intåget av big data-eran gör den lätta tillgången till alla typer av informationsresurser tillämpningen av djupinlärning mer och mer omfattande. Speciellt i det konvolutionella neurala nätverket, efter att bilden är djupt konvolverad och poolad, kan det implicita lagret visa mer generaliserade och abstrakta egenskaper än manuellt förvärvade, vilket uppnår goda resultat i igenkänningsklassificering. Framväxten av djupinlärning har gjort det lättare att upptäcka dispenseringsdefekter. Men djupinlärning kräver en tillräcklig mängd träningsdata och kraftfull datorkraft, vilket gör att dess landning och tillämpning inom många områden är begränsad, och detta kommer också direkt att påverka detektionseffektiviteten för det punktdefekta limmet.

För det andra det optiska detekteringsprogrammet för dispenseringsinspektionssystemet

I processen med att dispensera defektdetektering är det kontinuerliga och stabila förvärvet av bildinformation också ett avgörande steg, bilden är bra eller dålig för utformningen av algoritmen har stor inverkan på svårighetsgraden, därför i processen för vid design av dispenseringsdefektdetekteringssystemet är det nödvändigt att välja hårdvaran för optisk detektering. Som visas i figur 2-1, med hänsyn till den självhäftande tejpen för transparent lim, finns det reflekterande fenomen, så ljuskällan måste vara mer enhetlig i graden av belysning i alla vinklar, och koaxiellt ljus har en hög -densitetsarrangemang, tydlig bildbehandling, enhetlig ljusstyrka och andra egenskaper. Dessutom, i kraven på enhetlig belysningsljusstyrka på samma gång, på grund av förekomsten av bubblor i en del av tejpen och koaxial ljuskälla från tejpen finns det ett visst avstånd, kan förvärvet av bilden inte vara observerats för bubblans egenskaper, så överväg användningen av en remsa ljuskälla på toppen av den självhäftande tejpen för att bestråla, så att bubblornas egenskaper kan ses. Eftersom den vertikala bestrålningsmetoden har fördelarna med stor bestrålningsarea och god likformighet av ljus, väljs den koaxiala ljuskällan som den vertikala bestrålningsmetoden, medan remsljuskällan väljs som den vertikala bestrålningsmetoden.

Översatt med www.DeepL.com/Translator (gratisversion)