CN107895362A - 一种微型接线端子质量检测的机器视觉方法 - Google Patents
一种微型接线端子质量检测的机器视觉方法 Download PDFInfo
- Publication number
- CN107895362A CN107895362A CN201711038719.4A CN201711038719A CN107895362A CN 107895362 A CN107895362 A CN 107895362A CN 201711038719 A CN201711038719 A CN 201711038719A CN 107895362 A CN107895362 A CN 107895362A
- Authority
- CN
- China
- Prior art keywords
- binding post
- parameter
- image
- mass parameter
- sub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种微型接线端子质量检测的机器视觉方法,涉及电子元件质量检测技术领域。本系统是在工作平台上设置有支架,接线端子放置在工作平台上,固定在支架上的照明装置照射在接线端子上,固定在支架上的成像装置对准接线端子,成像装置和计算工作站连接,检测软件安装在计算工作站中。本方法是:①设置标准图像及质量参数;②统计学习质量参数的范围;③接线端子质量自动检测。本发明具有以下优点和积极效果:①快速的一键式检测;②质量参数的自动化设置;③适应面广;④相对于传统人工方式,更加智能、效率更高、检测结果更准确、更稳定。
Description
技术领域
本发明涉及电子元件质量检测技术领域,特别是涉及机器视觉与自动化检测技术,属于机器视觉、自动化检测、电子制造领域,具体为一种微型接线端子质量检测的机器视觉方法。
背景技术
随着电子设备的小型微型化,对微型接线端子需求及其质量要求也越来越高。微型接线端子的形状轮廓、插线排列次序和颜色、以及插线的接触性能决定其质量。微型插线端子总尺寸在10毫米左右范围内,单个端子的直径则在1毫米左右,而插线端子卡位形状复杂,插入位置和插入后的形态变化多样,使得微型端子的质量检测成为一项高精度、高难度的工作。
目前的接线端子质量检测一般通过人眼从不同角度观察的方式进行,这项工作不仅需要检测人员具有丰富的工作经验,并且要求检测工人始终保持高强度的注意力,对于流水线上连续工作的工人,很容易产生视觉疲劳,从而导致检测效率和检测准确率下降,不可避免会出现误检、漏检等现象。因此,采用人工检测的方法无法适应目前高速、精准、自动化的生产要求。因此,如何提高电子元件产业的自动化水平、提高电子器件的生产质量、降低生产成本是电子元件产业面临的迫切问题。
接线端子是否插好,除了人工肉眼观察外,机器检测的方法有采用插拔力试验机等方式进行插线力度的检测,这种通过机械力检测的方式,因为端子尺寸小,操作困难,检测的结果也不可靠,通过检测后的产品也常常容易损坏。机器视觉的方法则可以实现大规模全面检测,而且检测后能保证产品的完好性,但目前机器视觉在外观检测方面的主要方法是进行模板匹配或者测量技术,但插线端子在机械插入过程中会有变形,同样是合格产品,卡位在影像中的位置和形态变化差别非常大,直接通过测量技术或模板比对的方式,误检率非常高,不能满足工业生产的要求。通常情况下,这些已有的技术并不能适合微型接线端子的质量检测。
发明内容
本发明的目的在于克服现有技术存在的缺点和不足,提供一种快捷、可靠、适用面广的微型接线端子质量检测的机器视觉方法,用于解决现有使用人工方式检测微型接线端子的不可靠、效率低、费用高的问题。本发明可应用于生产电子元件厂家的质量监控与管理环节,实现端子检测的自动化和准确化。
本发明的目的是这样实现的:
要求实现以下功能:①接线端子质量参数的自动学习与配置;②接线端子质量的一键式自动检测。
具体地说:
一、微型接线端子质量检测的机器视觉系统
本系统包括被测对象——微型接线端子;
设置有工作平台、支架、照明装置、成像装置和计算工作站及其检测软件;
在工作平台上设置有支架,接线端子放置在工作平台上,固定在支架上的照明装置照射在接线端子上,固定在支架上的成像装置对准接线端子,成像装置和计算工作站连接,检测软件安装在计算工作站中。
二、微型接线端子质量检测的机器视觉方法
本方法包括下列步骤:
①设置标准图像及质量参数
1.1、提取标准图像;
1.2、定义质量参数;
1.3、提取标准接线端子轮廓模型;
1.4、确定计算质量参数的子区域;
②统计学习质量参数的范围
2.1、采集合格接线端子的图像样本;
2.2、定位接线端子;
2.3、匹配子区域;
2.4、计算子区域图像对应的质量参数;
2.5、统计学习合格质量参数的范围;
③接线端子质量自动检测
3.1、设置参数范围;
3.2、采集待检测接线端子图像;
3.3、定位接线端子;
3.4、匹配子区域;
3.5、计算子区域图像对应的质量参数;
3.6、质量分析;
重复分步骤3.2~3.6的操作,直到检测完成。
本发明具有以下优点和积极效果:
①快速的一键式检测:本方法只需经过一次性学习和设置合格质量参数范围,就可实现一键式快速检测端子是否合格;
②质量参数的自动化设置:本方法通过定义表征端子质量的参数,并从合格端子样本图像中统计学习出合格端子的质量参数范围,能有效避免人工设置的盲目性,自动化程度高;
③适应面广:本方法具有相当大的灵活性,针对不同型号的接线端子,只需要设置好该型号的标准图像和质量参数,通过自动学习质量参数的合格范围,就能适应各种型号接线端子的一键式检测;
④相对于传统人工方式,更加智能、效率更高、检测结果更准确、更稳定。
附图说明
图1是本系统的组成结构图;
图中:
0—微型接线端子,
1—工作平台,
2—支架2,
3—照明装置,
4—成像装置,
5—计算工作站,
6—检测软件;
图2是本方法的总流程图;
图3是分步骤1.3提取标准接线端子轮廓模型的子流程图;
图4是分步骤2.2定位接线端子的子流程图;
图5是分步骤2.4计算子区域图像对应质量参数的子流程图;
图6是分步骤2.5统计学习合格质量参数范围的子流程图;
图7是分步骤3.6质量分析的子流程图;
图8是本发明应用场景的实例示意图。
具体实施方式
以下结合附图和实施例详细说明:
一、微型接线端子质量检测的机器视觉系统(简称系统)
1、总体
如图1,本系统包括被测对象——微型接线端子0;
设置有工作平台1、支架2、照明装置3、成像装置4和计算工作站5及其检测软件6;
在工作平台1上设置有支架2,接线端子0放置在工作平台1上,固定在支架2上的照明装置3照射在接线端子0上,固定在支架2上的成像装置4对准接线端子0,成像装置4和计算工作站5连接,检测软件6安装在计算工作站5中。
2、功能部件
0)微型接线端子0:为待检测的微型接线端子;
1)工作平台1:用于放置微型接线端子0的平台,包括卡座和支具。
2)支架2:用于固定照明装置3和成像装置4。
3)照明装置3:提供微型接线端子0照明用的LED光源,光源固定在工作平台1的上侧,便于对工作平台1上的微型接线端子0清晰成像。
4)成像装置4:主要为工业用的CCD相机和镜头;用于对微型接线端子0进行拍摄,采集实时视频影像传输给计算工作站5。
5)计算工作站5:用于接收来自成像装置4采集来的微型接线端子0的影像,并提交给检测软件6进行处理和质量分析;其应为高性能的图像计算工作站,搭配4核心以上的CPU,主频3.0GHz,内存4G以上,并配置19寸以上彩色显示屏,搭配音箱;安装64位Windows7以上版本操作系统,部署本发明方法的检测软件6及所需的运行库。
6)检测软件6:实现本方法的计算机软件。
3、工作机理
将待检测的微型接线端子0放置于工作平台1上,固定于支架2上的照明装置3将光投射于微型接线端子0上;检测过程是:用户击键,发送检测开始指令给运行于计算工作站5中检测软件6,检测软件6通知固定在支架2上的成像装置4对微型接线端子0进行拍摄,并将拍摄的图像发送回计算机工作站5中的检测软件6,检测软件6对拍摄的图像执行检测,并以语音、参数数据、对比图示的形式将检测结果显示在计算机工作站5的显示屏上。
二、微型接线端子质量检测的机器视觉方法(简称方法)
如图1,本方法包括下列步骤:
①设置标准图像及质量参数-1:用于设定合格接线端子的图像、定义质量参数、确定表征质量参数的图像子区域;标准图像主要用来定位待检测样本图像中的目标接线端子、以及确定微型接线端子质量参数所需的子区域位置,计算子区域标准参数,标准图像应包含完整的微型接线端子,并尽量减少冗余部分以加快检测速度;
包括以下分步骤:
1.1、提取标准图像-11:从视频源选取一帧质量合格的、具有代表性的微型接线端子标准图像ImageA;
1.2、定义质量参数-12:根据接线端子的质量控制要求,定义控制质量的各要素及其质量参数:a、接线端子的整体外形轮廓,其质量参数定义为与标准轮廓模型的相似度;b、各插线位置和颜色,其质量参数定义为各个位置上插线颜色的RGB值与标准颜色的偏差百分比;c、各插线端子卡位的形态,卡位出现的形态直接反映各插线是否插入到位,是接线端子是否合格的关键特征,本发明定义描述端子卡位形态的具体参数有:卡位的长、宽、面积、所处位置坐标,质量参数定义为这些参数与对应标准卡位参数的偏差百分比;
1.3、提取标准接线端子整体轮廓模型-13:对微型接线端子标准图像ImageA进行图像预处理和边缘提取,获得整体轮廓模型ModelA;图像预处理包括高斯去噪,形态学开、闭运算等,边缘提取采用Canny算子;
1.4、确定计算质量参数的子区域-14:在标准图像中标记出一些子区域RectA,子区域的形状定义为矩形,用来计算1.2中定义的质量参数,并指定各区域RectA对应的质量参数,计算标准子区域图像中的质量参数:如果子区域计算的是卡位形态质量参数,则对子区域图像进行Blob分析,提取出卡位的Blob对象,计算保存其参数特征:长、宽、面积、位置坐标;如果子区域计算的是插线质量参数,则计算标准子区域图像中RGB颜色各分量R、G、B的平均值,并做记录;
②统计学习质量参数的范围-2,包括以下分步骤:
2.1、采集合格接线端子的图像样本-21:人工选取质量合格的、不同的、具有特征多样性的接线端子,采集出n帧样本图像ImageB;对每帧样本图像,执行分步骤2.2~2.4;
2.2、定位接线端子-22:依据ModelA,在各样本图像ImageB中搜索匹配出标准接线端子的图样,并获得标准图像ImageA与样本图像ImageB之间的匹配关系,计算出表征匹配关系的仿射变换矩阵MB;匹配采用轮廓匹配的方式;
2.3、匹配子区域-23:对应于标准图像中的各子区域RectA,在各样本图像ImageB中求出对应的子区域RectB,方法是将各子区域RectA的顶点坐标,经仿射变换矩阵MB直接计算得到RectB的顶点坐标,从而确定RectB;
2.4、计算子区域图像对应的质量参数-24:在各样本图像ImageB中提取各个子区域RectB的图像,进行预处理,计算出对应的质量参数ParameterB;
2.5、统计学习合格质量参数的范围-25:对从n个合格接线端子图像样本中计算得到的各个质量参数ParameterB,分别进行统计学习,估计出合格的质量参数范围RangeB;
③接线端子质量自动检测-3:用于采集待检测接线端子的图像,根据①中设置的标准图像、子区域及其参数设置,在待检测接线端子图像中,匹配出接线端子和对应的子区域,计算各子区域的质量参数,判断各质量参数是否在合格的质量参数范围RangeB内,结合人工确认过程,最终给出接线端子合格与否的判定结果,给出判定证据及提示;包括以下分步骤:
3.1、设置参数范围-31:设置1.4中定义的各子区域的质量参数合格范围RangeB,RangeB由步骤②计算;
3.2、采集待检测接线端子图像-32:用户在工作平台1上固定好待检测接线端子,一键触发采集待检测接线端子的图像ImageC;
3.3、定位接线端子-33:依据ModelA,在ImageC中匹配出对应于标准接线端子的图样,计算出标准图像与样本图像之间的仿射变换矩阵MC,方法与步骤2.2相同;若与ModelA匹配时的相似度小于设定阈值0.9,则匹配不成功,直接判定本产品为无效接线端子;
3.4、匹配子区域-34:对应于标准图像中的各子区域RectA,在ImageC中求出对应的子区域RectC,方法是将子区域RectA的顶点坐标,经仿射变换矩阵MC直接计算得到RectC的顶点坐标,从而确定RectC;
3.5、计算子区域图像对应的质量参数-35:提取待检测样本图像ImageC中各子区域RectC的图像,进行预处理,计算对应的质量参数ParameterC,方法与步骤(2.4)相同;
3.6、质量分析-36:判断样本图像中的参数值ParameterC是否处于合格的质量参数范围RangeB内,以参数数值、图像比照、声音等方式呈现当前检测结果,对于不合格的接线端子,提供人工分析判断的参数数值和图样对照,进行人工确认;最终给出接线端子是否合格的检测结论;
重复分步骤3.2~3.6的操作,直到检测完成。
如图3,所述的分步骤1.3提取标准接线端子整体轮廓模型包括以下子步骤:
1.3.1、图像预处理-A1:用于对标准图像ImageA进行处理。这部分处理主要采用高斯滤波和中值滤波等方式去除噪声;用形态学开、闭运算处理细小区域,便于获得整体外轮廓图像;
1.3.2、图像边缘提取-A2:对预处理后的ImageA进行边缘提取,采用Canny算子提取接线端子边缘,获得二值图;
1.3.3、接线端子轮廓特征提取-A3:设置合适的参数,选择并提取出整个接线端子外轮廓的几何图案,具体方法是在子步骤1.3.2中获得的二值图中进行几何特征挑选,选择出外轮廓中具有显著特征的直线、矩形、圆等几何图案轮廓线;
1.3.4、建立整体轮廓模型ModelA-A4,定义能唯一表征接线端子的几何图案组合作为整体轮廓模型ModelA,并记录保存,作为定位接线端子的轮廓特征模型。
如图4,所述的分步骤2.2定位接线端子包括以下子步骤:
2.2.1、图像预处理-B1:对样本图像ImageB进行处理,这部分处理主要采用高斯滤波和中值滤波等方式去除噪声,用形态学开、闭运算处理细小区域;
2.2.2、提取图像的边缘-B2:对预处理后的ImageB进行边缘提取,采用Canny算子提取接线端子边缘图像,获得二值图;
2.2.3、轮廓匹配定位接线端子-B3:采用轮廓匹配算法,在ImageB中匹配定位出整个接线端子的外轮廓模型ModelA所在位置和旋转角度,并由位置对应关系和旋转角度,计算得到标准图像ImageA和样本图像ImageB之间的仿射变换矩阵MB;
如图5,所述的分步骤2.4统计学习合格质量参数的范围包括以下子步骤:
2.4.1、提取子区域图像-C1:根据RectB,从ImageB中分割提取出子区域RectB的子图像;
2.4.2、子区域图像预处理-C2:根据分步骤1.4中对子区域设置的质量参数,分别将子区域RectB的图像进行颜色RGB值提取、灰度化处理,高斯去噪、形态学处理等;
2.4.3、子区域图像的Blob分析-C3:这部分主要是分析计算各子区域的质量参数ParameterB:计算对应于分步骤1.2中定义的各质量参数,各参数的计算方式如下:
a.接线端子的整体外形轮廓的质量参数:定义为样本轮廓与标准轮廓模型的相似度,相似度计算方式是,样本轮廓与标准轮廓模型ModelA各个Hu矩的差的绝对值之和;
b.各插线位置和颜色的质量参数:定义为子区域位置上插线颜色的RGB平均值与标准图像对应位置颜色RGB平均值的偏差百分比,计算方式是,1)计算样本子区域图像颜色R、G、B值的平均值,2)求出R、G、B平均值的相对于标准值的偏差百分比,3)取三者最大值为总颜色偏差百分比;其中子区域R、G、B平均值的标准值在分步骤1.4中计算;因为接线端子各颜色插线只能在一个位置出现,插线的位置和次序可以用插线颜色来确定;
c.各插线端子卡位形态的质量参数:定义为图像中卡位对象的长、宽、面积、所处位置坐标与标准图像中相关参数的偏差百分比,其中标准图像的卡位参数在分步骤1.4中计算;因为图像中各Blob对象的复杂性,卡位对象提取与分析采用搜索与最佳匹配的方式,方法是:1)对预处理后的图像进行自适应阈值分割;2)提取各Blob对象,计算各Blob对象的长、宽、面积、所处位置坐标等参数;3)在各Blob对象中搜索和匹配出最接近于标准图像卡位Blob对象的对应参数,标准图像卡位质量参数在分步骤(1.4)中计算,并记录;
上述各参数的偏差百分比定义为:设s为样本图像的参数值,S为标准图像的参数值,则参数偏差的百分比定义为样本参数值和标准参数值之差的绝对值与标准参数值的比值,即:|s-S|/S。
如图6,所述的分步骤2.5统计学习合格质量参数的范围包括以下子步骤:
2.5.1、异常值的剔除-D1:对于给定的n个质量参数样本值,求出质量参数的均值,剔除离均值较远的点,计算方法采用拉依达准则法(3δ)法;
2.5.2、经验概率分布估计-D2:计算出质量参数样本的直方图,判断质量参数的概率分布类型,利用χ2优度拟合的方法,确信质量参数值服从正态分布;
2.5.3、数字特征的统计估计-D3:利用极大似然估计法,估计出正态总体的均值和方差等数字特征,确定具体的正态分布;
2.5.4、质量参数值的区间估计-D4:利用正态总体的区间估计法,设定置信度水平0.90,求出参数均值在该置信水平下的区间估计,以此区间作为参数的合格范围RangeB;
如图7,所述的分步骤3.6质量分析包括以下子步骤:
3.6.1、质量分析开始-E1
3.6.2、质量的自动判定分析,ParameterC是否在RangeB内-E2,如果存在某个子区域的质量参数ParameterC出现在合格范围RangeB之外,则进入子步骤3.6.3;否则自动判定本次测试的接线端子为合格产品,跳转到子步骤3.6.6;
3.6.3、提示“疑似不合格”产品-E3:给出“疑似不合格”提示,提醒检测人员;在屏幕上显示不在RangeB内的ParameterC的具体数值,并将对应疑似不合格的子区域图像与标准子区域图像对照显示出来;
3.6.4、人工分析-E4,检测人员根据提示信息,判断本接线端子是否合格,若判断产品不合格,则进入子步骤3.6.5,否则进入子步骤3.6.6;
3.6.5、产品不合格-E5,转子步骤3.6.7;
3.6.6、产品合格-E6;
3.6.7、检测结论提示-E7:在计算工作站的显示屏上显示检测的质量参数数值、给出检测是否合格的结论;
3.6.8、质量分析结束-E8。
二、应用
本方法应用于对某一微型接线端子(简称端子)质量检测的实施例。
图8是某种型号端子的实物示意图,包括:
1)检测端子的外轮廓-61:定义为整个端子边缘提取出来后的轮廓曲线,表征端子外轮廓的质量要素可包括:外轮廓的Hu矩,用来刻画轮廓的形态;外轮廓线也可包含面积、长、宽,用来表征端子的大小是否符合规范,以定位或判定是否是该型号的端子;
2)检测端子的插线-62:端子插线的尺寸在1mm左右,插线的颜色和对应排列次序有着严格的要求,不能出错,通过各个插线的位置和颜色可以确定插线的排列次序是否合乎要求,质量要素可包括:插线子区域的颜色R、G、B的平均值、插线位置坐标;
3)检测端子插线插入的位置-63;插入的位置是端子质量是否合格的关键位置,是检测需要的重点位置;
4)检测端子插线颜色和位置的子区域-64:本实例在插线此处的颜色特征相对稳定,因此标定此处来检测插线的颜色和位置,以正确判断出插线的颜色和排列次序;
5)检测端子插入位置的子区域-65:插线插入是否合格有多个地方可以表征,但是各处的性质并不稳定,本实例中,插入位置的子区域-65为端子卡位出现的位置是关键的质量要素,当卡位完整插入,则表征端子合格,否则为不合格,因此合适定义该子区域中卡位影像的特征是关键,但是卡位插入后所处的位置、角度、颜色等表现形态变化非常大,用常规的比对无法准确确定,本实例卡位的具体质量参数可定义为:图像中卡位轮廓大小、长宽和位置等。
在本实施例中,采集与检测图像中的端子时,只需要通过一键动作,即可完成端子的自动检测,极大提高了智能化程度与效率,相对于直接人眼查看的方式,成本更低。
综上所述,本发明通过图像采集模块采集微型接线端子的图像,服务器分析端子的图像;提取插线外形,插线插入特征将其与标准模版图像中预设的端子外轮廓特征、插线外形特征、插线插入图像特征对应比较,从而检测微型接线端子的质量是否合格;相对于传统人工方式,更加智能、效率更高、检测的准确率更稳定与准确;所以,本发明有效克服了现有技术中的种种缺点而具有高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明;任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (6)
1.一种微型接线端子质量检测的机器视觉方法,其特征在于包括以下步骤:
①设置标准图像及质量参数(1)
1.1、提取标准图像(11);
1.2、定义质量参数(12);
1.3、提取标准接线端子轮廓模型(13);
1.4、确定计算质量参数的子区域(14);
②统计学习质量参数的范围(2)
2.1、采集合格接线端子的图像样本(21);
2.2、定位接线端子(22);
2.3、匹配子区域(23);
2.4、计算子区域图像对应的质量参数(24);
2.5、统计学习合格质量参数的范围(25);
③接线端子质量自动检测(3)
3.1、设置参数范围(31);
3.2、采集待检测接线端子图像(32);
3.3、定位接线端子(33);
3.4、匹配子区域(34);
3.5、计算子区域图像对应的质量参数(35);
3.6、质量分析(36);
重复分步骤3.2~3.6的操作,直到检测完成。
2.按权利要求1所述的一种微型接线端子质量检测的机器视觉方法,其特征在于所述的分步骤1.3包括以下子步骤::
1.3.1、图像预处理(A1):用于对标准图像ImageA进行处理,这部分处理主要采用高斯滤波和中值滤波等方式去除噪声;用形态学开、闭运算处理细小区域,便于获得整体外轮廓图像;
1.3.2、图像边缘提取(A2):对预处理后的ImageA进行边缘提取,采用Canny算子提取插线端子边缘,获得二值图;
1.3.3、接线端子外轮廓特征提取(A3):设置合适的参数,选择并提取出整个接线端子外轮廓的几何图案,具体方法是在子步骤1.3.2中获得的二值图中进行几何特征挑选,选择出外轮廓中具有显著特征的直线、矩形、圆几何图案轮廓线;
1.3.4、建立整体轮廓模型ModelA(A4),定义能唯一表征接线端子的几何图案组合作为整体轮廓模型ModelA,并记录保存,作为定位接线端子的轮廓特征模型。
3.按权利要求1所述的一种微型接线端子质量检测的机器视觉方法,其特征在于所述的分步骤2.2包括以下子步骤::
2.2.1、图像预处理(B1):对样本图像ImageB进行处理,这部分处理主要采用高斯滤波和中值滤波等方式去除噪声,用形态学开、闭运算处理细小区域;
2.2.2、提取图像的边缘(B2):对预处理后的ImageB进行边缘提取,采用Canny算子提取接线端子边缘图像,获得二值图;
2.2.3、轮廓匹配定位接线端子(B3):采用轮廓匹配算法,在ImageB中匹配定位出整个接线端子的外轮廓模型ModelA所在位置和旋转角度,并由位置对应关系和旋转角度,计算得到标准图像ImageA和样本图像ImageB之间的仿射变换矩阵MB。
4.按权利要求1所述的一种微型接线端子质量检测的机器视觉方法,其特征在于所述的分步骤2.4包括以下子步骤:
2.4.1、提取子区域图像-C1:根据RectB,从ImageB中分割提取出子区域RectB的图像;
2.4.2、子区域图像预处理-C2:根据分步骤1.4中对子区域设置的质量参数,分别将子区域RectB的图像进行颜色RGB值提取、灰度化处理,高斯去噪、形态学处理等;
2.4.3、子区域图像的Blob分析-C3:这部分主要是分析计算各子区域的质量参数ParameterB:计算对应于分步骤1.2中定义的各质量参数,各参数的计算方式如下:
a.接线端子的整体外形轮廓的质量参数:定义为样本轮廓与标准轮廓模型的相似度,相似度计算方式是,样本轮廓与标准轮廓模型ModelA各个Hu矩的差的绝对值之和;
b.各插线位置和颜色的质量参数:定义为子区域位置上插线颜色的RGB平均值与标准图像对应位置颜色RGB平均值的偏差百分比,计算方式是,1)计算样本子区域图像颜色R、G、B值的平均值,2)求出R、G、B平均值的相对于标准值的偏差百分比,3)取三者最大值为总颜色偏差百分比;其中子区域R、G、B平均值的标准值在分步骤(1.4)中计算;因为接线端子各颜色插线只能在一个位置出现,插线的位置和次序可以用插线颜色来确定;
c.各插线端子卡位形态的质量参数:定义为图像中卡位对象的长、宽、面积、所处位置坐标与标准图像中相关参数的偏差百分比,其中标准图像的卡位参数在分步骤1.4中计算;因为图像中各Blob对象的复杂性,卡位对象提取与分析采用搜索与最佳匹配的方式,方法是:1)对预处理后的图像进行自适应阈值分割;2)提取各Blob对象,计算各Blob对象的长、宽、面积、所处位置坐标等参数;3)在各Blob对象中搜索和匹配出最接近于标准图像卡位Blob对象的对应参数,标准图像卡位质量参数在分步骤1.4中计算,并记录;
上述各参数的偏差百分比定义为:设s为样本图像的参数值,S为标准图像的参数值,则参数偏差的百分比定义为样本参数值和标准参数值之差的绝对值与标准参数值的比值,即:|s-S|/S。
5.按权利要求1所述的一种微型接线端子质量检测的机器视觉方法,其特征在于所述的分步骤2.5包括以下子步骤:
2.5.1、异常值的剔除(D1):对于给定的n个质量参数样本值,求出质量参数的均值,剔除掉离均值较远的点,计算方法采用拉依达准则法(3δ)法;
2.5.2、经验概率分布估计(D2):计算出质量参数样本的直方图,判断质量参数的概率分布类型,利用χ2优度拟合的方法,确信质量参数值服从正态分布;
2.5.3、数字特征的统计估计(D3):利用极大似然估计法,估计出正态总体的均值和方差等数字特征,确定具体的正态分布;
2.5.4、质量参数值的区间估计(D4):利用正态总体的区间估计法,设定置信度水平0.90,求出参数均值在该置信水平下的区间估计,以此区间作为参数的合格值范围RangeB。
6.按权利要求1所述的一种微型接线端子质量检测的机器视觉方法,其特征在于所述的分步骤3.6包括以下子步骤:
3.6.1、质量分析开始(E1);
3.6.2、质量的自动判定分析,ParameterC是否在RangeB内(E2),如果存在某子区域的质量参数ParameterC出现在合格范围RangeB之外,则进入子步骤3.6.3;否则自动判定本次测试的接线端子为合格产品,跳转到子步骤3.6.6;
3.6.3、提示“疑似不合格”产品(E3):给出“疑似不合格”提示,提醒检测人员;在屏幕上显示不在RangeB内的ParameterC的具体数值,并将对应疑似不合格的子区域图像与标准子区域图像显示出来;
3.6.4、人工分析(E4),检测人员根据提示信息,判断本接线端子是否合格,若判断产品不合格,则进入子步骤3.6.5,否则进入子步骤3.6.6;
3.6.5、产品不合格(E5),转子步骤3.6.7;
3.6.6、产品合格(E6);
3.6.7、检测结论提示(E7):在计算工作站的显示屏上显示检测的质量参数数值、给出检测是否合格的结论;
3.6.8、质量分析结束(E8)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711038719.4A CN107895362B (zh) | 2017-10-30 | 2017-10-30 | 一种微型接线端子质量检测的机器视觉方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711038719.4A CN107895362B (zh) | 2017-10-30 | 2017-10-30 | 一种微型接线端子质量检测的机器视觉方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107895362A true CN107895362A (zh) | 2018-04-10 |
CN107895362B CN107895362B (zh) | 2021-05-14 |
Family
ID=61803099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711038719.4A Expired - Fee Related CN107895362B (zh) | 2017-10-30 | 2017-10-30 | 一种微型接线端子质量检测的机器视觉方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107895362B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109001215A (zh) * | 2018-08-03 | 2018-12-14 | 深圳大图科创技术开发有限公司 | 一种基于机器视觉的电力接线端子缺陷检测系统 |
CN109946304A (zh) * | 2019-03-11 | 2019-06-28 | 中国科学院上海技术物理研究所 | 基于特征匹配的零件表面缺陷在线检测系统及检测方法 |
CN110434093A (zh) * | 2019-07-10 | 2019-11-12 | 上海空间电源研究所 | 一种锂离子蓄电池批量筛选方法 |
CN111062919A (zh) * | 2019-12-12 | 2020-04-24 | 韦士肯(厦门)智能科技有限公司 | 一种轴承套圈外观缺陷检测方法 |
CN111383223A (zh) * | 2020-03-19 | 2020-07-07 | 天津理工大学 | 一种充电桩部品线序颜色防错检测方法 |
CN111537518A (zh) * | 2020-05-25 | 2020-08-14 | 珠海格力智能装备有限公司 | 电容端子的瑕疵的检测方法、装置、存储介质和处理器 |
CN111896539A (zh) * | 2019-05-06 | 2020-11-06 | 迪密机电(杭州)有限公司 | 一种高精度工件质量检测设备及其检测方法 |
CN116664570A (zh) * | 2023-07-31 | 2023-08-29 | 深圳市鹏基精密工业有限公司 | 基于工业视觉的扁形连接器生产缺陷检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09181140A (ja) * | 1995-12-26 | 1997-07-11 | Toshiba Microelectron Corp | 半導体集積回路組立検査装置及び検査方法 |
CN203376759U (zh) * | 2013-06-03 | 2014-01-01 | 上海索广映像有限公司 | 一种bnc端子自动检测机 |
CN103544473A (zh) * | 2013-09-17 | 2014-01-29 | 广东工业大学 | 一种基于机器视觉的电子连接器检测方法 |
CN104869202A (zh) * | 2015-04-03 | 2015-08-26 | 深圳市财富之舟科技有限公司 | 一种产线校准综测方法和产线校准综测装置 |
CN205403731U (zh) * | 2016-03-23 | 2016-07-27 | 范泽远 | 一种基于机器视觉的接线端子视觉检测系统 |
CN106705850A (zh) * | 2017-02-09 | 2017-05-24 | 厦门大学 | 一种基于图像的端子质量检测方法 |
US20170148492A1 (en) * | 2014-07-02 | 2017-05-25 | Samsung Electronics Co., Ltd. | Memory card |
CN206321576U (zh) * | 2016-11-29 | 2017-07-11 | 研祥智能科技股份有限公司 | 基于机器视觉的产品检测系统 |
-
2017
- 2017-10-30 CN CN201711038719.4A patent/CN107895362B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09181140A (ja) * | 1995-12-26 | 1997-07-11 | Toshiba Microelectron Corp | 半導体集積回路組立検査装置及び検査方法 |
CN203376759U (zh) * | 2013-06-03 | 2014-01-01 | 上海索广映像有限公司 | 一种bnc端子自动检测机 |
CN103544473A (zh) * | 2013-09-17 | 2014-01-29 | 广东工业大学 | 一种基于机器视觉的电子连接器检测方法 |
US20170148492A1 (en) * | 2014-07-02 | 2017-05-25 | Samsung Electronics Co., Ltd. | Memory card |
CN104869202A (zh) * | 2015-04-03 | 2015-08-26 | 深圳市财富之舟科技有限公司 | 一种产线校准综测方法和产线校准综测装置 |
CN205403731U (zh) * | 2016-03-23 | 2016-07-27 | 范泽远 | 一种基于机器视觉的接线端子视觉检测系统 |
CN206321576U (zh) * | 2016-11-29 | 2017-07-11 | 研祥智能科技股份有限公司 | 基于机器视觉的产品检测系统 |
CN106705850A (zh) * | 2017-02-09 | 2017-05-24 | 厦门大学 | 一种基于图像的端子质量检测方法 |
Non-Patent Citations (2)
Title |
---|
凡良玉 等: "基于视觉的接插件pin针正位度检测系统设计", 《江南大学学报(自然科学版)》 * |
徐鹏 等: "基于机器视觉的医疗端子检测系统设计", 《新技术新工艺》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109001215A (zh) * | 2018-08-03 | 2018-12-14 | 深圳大图科创技术开发有限公司 | 一种基于机器视觉的电力接线端子缺陷检测系统 |
CN109946304A (zh) * | 2019-03-11 | 2019-06-28 | 中国科学院上海技术物理研究所 | 基于特征匹配的零件表面缺陷在线检测系统及检测方法 |
CN111896539A (zh) * | 2019-05-06 | 2020-11-06 | 迪密机电(杭州)有限公司 | 一种高精度工件质量检测设备及其检测方法 |
CN110434093A (zh) * | 2019-07-10 | 2019-11-12 | 上海空间电源研究所 | 一种锂离子蓄电池批量筛选方法 |
CN111062919A (zh) * | 2019-12-12 | 2020-04-24 | 韦士肯(厦门)智能科技有限公司 | 一种轴承套圈外观缺陷检测方法 |
CN111062919B (zh) * | 2019-12-12 | 2023-11-03 | 苏州韦士肯检测科技有限公司 | 一种轴承套圈外观缺陷检测方法 |
CN111383223A (zh) * | 2020-03-19 | 2020-07-07 | 天津理工大学 | 一种充电桩部品线序颜色防错检测方法 |
CN111537518A (zh) * | 2020-05-25 | 2020-08-14 | 珠海格力智能装备有限公司 | 电容端子的瑕疵的检测方法、装置、存储介质和处理器 |
CN111537518B (zh) * | 2020-05-25 | 2024-05-28 | 珠海格力智能装备有限公司 | 电容端子的瑕疵的检测方法、装置、存储介质和处理器 |
CN116664570A (zh) * | 2023-07-31 | 2023-08-29 | 深圳市鹏基精密工业有限公司 | 基于工业视觉的扁形连接器生产缺陷检测方法 |
CN116664570B (zh) * | 2023-07-31 | 2023-11-14 | 深圳市鹏基精密工业有限公司 | 基于工业视觉的扁形连接器生产缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107895362B (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107895362A (zh) | 一种微型接线端子质量检测的机器视觉方法 | |
CN111325713B (zh) | 基于神经网络的木材缺陷检测方法、系统及存储介质 | |
CN107945184B (zh) | 一种基于彩色图像分割和梯度投影定位的贴装元件检测方法 | |
CN105139386B (zh) | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 | |
CN108109137A (zh) | 车辆部件的机器视觉检测系统及方法 | |
CN115205290B (zh) | 一种pcb板生产过程在线检测方法及系统 | |
CN108257171A (zh) | 基于光视觉的汽车雷达装配孔径检测方法 | |
CN110119680A (zh) | 一种基于图像识别的电气柜接线自动查错系统 | |
CN205538710U (zh) | 一种基于机器视觉的电感质量自动检测系统 | |
CN109900719B (zh) | 一种叶片表面刀纹的视觉检测方法 | |
TWI715051B (zh) | 機器學習方法及應用機器學習方法的自動光學檢測設備 | |
CN109946304A (zh) | 基于特征匹配的零件表面缺陷在线检测系统及检测方法 | |
CN106872488A (zh) | 一种快速大面积透明基片双表面缺陷视觉检测方法及装置 | |
CN110186375A (zh) | 智能化高铁白车身焊接装配特征检测装置及检测方法 | |
CN116718600B (zh) | 一种用于对线束产品进行智能化检测的检测装置 | |
CN109461156A (zh) | 基于视觉的螺纹密封塞装配检测方法 | |
CN112985515B (zh) | 一种产品紧固件装配合格性检测方法、系统及存储介质 | |
CN110956285A (zh) | 一种基于深度学习的装维施工规范性检测方法及系统 | |
CN111307817B (zh) | 一种智能产线pcb生产过程的在线检测方法及系统 | |
CN116091506B (zh) | 一种基于yolov5的机器视觉缺陷质检方法 | |
CN111310402B (zh) | 一种基于面面平行的印刷电路板裸板缺陷检测方法 | |
CN111563869B (zh) | 用于摄像模组质检的污点测试方法 | |
CN111724375A (zh) | 一种屏幕检测方法及系统 | |
CN116664512A (zh) | 一种基于视觉识别的veh连接器组装安全监测报警系统 | |
KR101563332B1 (ko) | 표면실장부품 패키지의 분류 시스템 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210514 Termination date: 20211030 |