注塑件常见外观缺陷检测系统的研究与开发

摘要

国内企业对注塑件外观缺陷的检测主要采用人工检测的方式。这种检测方法不但效率低下、检测质量不稳定，而且灵活性和适应性较差。基于机器视觉的注塑件外观缺陷检测是未来的发展方向。因此，本文对机器视觉检测系统和注塑件外观缺陷检测方法进行了深入研究。
　　(1)根据实际的注塑件检测流程，搭建了注塑件外观缺陷检测系统。设计了检测系统的硬件框架，并对其中关键的光学设备进行了选型；基于模块化的设计思想，设计了软件客户端的模块架构，并基于.Net平台开发了各功能模块的主要功能，实现了注塑件外观缺陷检测的自动化控制。
　　(2)为抑制图像中对缺陷检测影响较大的背景纹理，设计了图像预处理流程。对图像增强、图像重构和图像二值化等关键方法进行了深入研究；以划痕和亮斑缺陷为主要检测对象，通过实验确定了具体的处理方法及其相关参数，实现了抑制注塑件背景纹理和提取缺陷区域的目的。
　　(3)为克服基于人工特征的检测方法依赖性强、灵活性差等弊端，采用了卷积神经网络对注塑件外观缺陷进行检测。设计了网络的具体结构，并通过实验确定了结构参数、训练参数和训练集大小等关键参数，构建了分类性能较理想的外观缺陷检测分类器。该分类器与图像预处理流程组成了注塑件外观缺陷的检测方法。
　　(4)通过实验，验证了该缺陷检测方法。通过对比实验，验证了图像预处理对提升检测正确率的重要性，以及卷积神经网络相对于SVM和BP神经网络的优异性和可靠性；通过多分类实验，验证了该方法在多分类任务下的正确性和灵活性。最后，对手机中壳注塑件的检测结果表明，该缺陷检测方法的正确率达95％以上，具有较理想的检测性能和较好的应用前景。

目录

声明

1 绪 论

1.1研究背景与意义

1.2机器视觉系统的概述

1.3注塑件缺陷检测方法的研究现状

1.4本文主要工作

2 外观缺陷检测系统的设计与实现

2.1总体结构设计

2.2光学设备选型与图像采集方案

2.3软件客户端的设计与实现

2.4本章小结

3 注塑件图像的预处理

3.1缺陷区域图像特点的分析

3.2缺陷图像对比度增强

3.3注塑件图像纹理抑制

3.4缺陷区域提取

3.5图像预处理流程总结

3.6本章小结

4 基于卷积神经网络的缺陷检测方法

4.1卷积神经网络

4.2网络结构与调优实验设计

4.3参数调优实验结果

4.4本章小结

5 实验验证与结果分析

5.1 CNN分类器的二分类性能

5.2 CNN分类器的多分类性能

5.3注塑件图像检测结果与分析

5.4本章小结

6 全文总结与展望

6.1 全文总结

6.2 工作展望

致谢

参考文献

附录1 攻读学位期间发布论文目录