基于机器视觉的锂电池丝印LOGO缺陷检测系统研究与实现

摘要

随着人们生活水平的不断提高，许多公司越来越注重品牌LOGO的外观质量，传统的丝印LOGO缺陷检测方法是使用人工抽样检查的方法，由于这种方法对人眼的损害极大，使得公司需要定时的更换和培训检测人员，而且这种方法存在检测速度慢、损害人眼、误判或漏判率高等缺点，无法满足公司大规模生产和检测产品的需求。为了保证产品外观LOGO品质，采用高效、高速、稳定的机器视觉方法来对锂电池表面字符型LOGO或图案型LOGO进行缺陷检测。至2011年德国汉诺威工业博览会提出工业4.0的概念，机器视觉在工业自动化及人工智能领域扮演着越来越重要的角色，其非接触性、检测速度快、精度高、可靠性好、稳定等优点使得近年来机器视觉技术在我国沿海地区变得异常火热。　　本文课题是基于机器视觉的丝印表面LOGO缺陷检测，锂电池表面在丝印时会存在毛刺、划痕、鼠咬、断缺和丝印不均匀等丝印缺陷，为了保证产品的外观质量，亟待开发一套能够适用在流水线上缺陷检测系统。本文在以多种不同型号的锂电池表面的字符型LOGO或图案型LOGO为检测对象的情况下，结合企业的检测要求，主要研究工作和创新点如下：　　1.针对企业对锂电池表面LOGO缺陷的检测要求和流水线现场的环境，设计了一套合理的视觉硬件检测系统方案，在系统缺陷检测精度、检测速度、可靠性方面满足了要求。　　2.针对锂电池表面LOGO图片存在椒盐噪声的特点，本文提出了快速中值滤波算法，在保证滤除图像椒盐噪声的同时，大大降低耗时，实验研究表明该算法明显优于传统的中值滤波算法。本文采用子像素级的边缘提取方法以保证后续图像对位的精度。　　3.针对锂电池字符型LOGO缺陷的特点，本文提出使用多模板分区域对整幅图像的字符型LOGO区域进行缺陷检测。研究和实现了基于轮廓矩的对位方法，并结合灰度形态学处理，改进了传统的图像相差法，大大增加了缺陷检测的鲁棒性。　　4.针对锂电池图案型LOGO丝印面积较大的特点，在研究和分析了机器学习领域的SVM分类学习算法和其他近年来比较热门的算法的基础上，使用SVM分类算法来对图案型LOGO丝印是否均匀进行分类。　　5.根据检测系统的实际需求，在VS2013集成开发环境下结合Opencv和Halcon图像处理库设计了缺陷检测软件系统，具有图像采集、图像处理、运动控制等功能。　　通过软件系统与硬件平台结合，构成完整的LOGO缺陷检测系统。经过反复性实验，验证了系统的准确度和稳定性，很好地满足了锂电池LOGO缺陷检测需求。

目录

第一个书签之前

摘 要

Abstract

Contents

第一章 绪论

1.1 课题研究背景与意义

1.2 国内外研究现状

1.3 研究目的和内容

1.4 论文章节安排

第二章 检测系统方案设计与硬件选型

2.1 检测要求与技术难点

2.2 检测系统方案设计

2.3 视觉系统硬件选型

2.4 本章总结

第三章 图像预处理及边缘提取

3.1 图像平滑处理

3.1.1 常见噪声种类及滤波介绍

3.1.2 本文图像去噪算法

3.2 增强图像对比度

3.3 OTSU阈值法

3.4 图像边缘检测

3.4.1 像素级边缘轮廓提取算法

3.4.2 亚像素边缘提取算法

3.4.3 边缘提取结果

3.5 本章小结

第四章字符型LOGO缺陷检测算法的设计与实现

4.1 图像对位算法

4.1.1 建立对位模板

4.1.2 图像对位算法简介

4.1.3 本文图像对位算法

4.2 字符型LOGO缺陷检测算法

4.2.1 建立检测区域模板

4.2.2 图像相差法

4.2.3 数学形态学缺陷检测算法

4.3 本文缺陷检测算法

4.4 本章小结

第五章 基于SVM的图案型LOGO缺陷检测算法

5.1 SVM 算法原理及验证方法

5.1.1 SVM 算法原理

5.1.2 交叉验证方法

5.1.3 凸壳法判断数据是否线性可分原理

5.2 libSVM介绍

5.3 基于PCA的图像特征选取

5.4 基于SVM的缺陷分类

5.4.1 训练和测试样本的准备

5.4.2 用Opencv实现SVM缺陷识别

5.5 结果分析

5.6 本章小结

第六章 系统实现及实验分析

6.1 系统软件平台和图像库的介绍

6.2 系统的实现与流程

6.3 实验结果及误差分析

6.4 本章小结

总结与展望

参考文献

攻读硕士学位期间发表论文及成果

学位论文独创性声明

致谢