小零件也可应用机器视觉检测机器视觉技术

快盈lV入口500万使用集成到单一系统中的多台相机，实现小零件的检测。

虽然诸如垫圈、螺钉和橡胶垫等小零件的质量可以由人工检查，但这是一项枯燥乏味、且耗时的重复性劳动。而且，这种检查也会因为人眼疲劳而出现错误，同时人工检查也不能高速完成，因此这样的检查任务更适合让机器视觉系统去完成。

 

快盈lV入口500万机器视觉系统除了能更快地执行这样的检查任务之外，还可以对每个零件的多个方位成像，从而确保零件的所有部分都制造正确。为了实现这一点，机器视觉系统需要部署多个成像站点来完成这项任务，这些成像站点通常会采用不同的照明光源、相机系统和镜头产品。

 

某机器视觉公司开发出了一套基于旋转台的检测系统来执行这项任务（见图1）。在操作中，零件通过一个振动碗加载到旋转台上，随后零件在旋转台上旋转经过多个成像站点，以检测其顶部缺陷、底部缺陷、内部缺陷和内部缺陷。该系统使用多个视觉检测站点对小零件进行检查，如检查垫圈、螺钉和橡胶垫等产品。

 

图1：为了开发一套机器视觉系统用于检查垫圈、螺钉和橡胶垫等小零件，使用了一个配有三个视觉站点的旋转台。

 

尺寸和表面

当振动碗给料器（VBF）将小零件加载到系统的旋转台上后，系统旋转，将零件送入到成像站点（见图2）。在每个零件旋转时，使用基恩士公司的一个激光位移传感器测量零件的高度，并在经过设定的时间延迟后，触发第一个成像检查站的相机。在这里，检查零件的尺寸。

 

快盈lV入口500万图2：在操作中，零件通过一个振动碗加载到旋转台上，随后在旋转台上经过多个成像检查站点，以检查其（a）尺寸、（b）顶部缺陷、（c）底部缺陷以及（d）内部和周边缺陷。

 

在第一个成像检查站点，在旋转台上方安装了一台Manta G-504 GigE相机，该相机采用2/3英寸2452×2056 CCD传感器，配备Opto Engineering公司的远心镜头。该相机捕获零件的彩色图像，并将图像通过相机的GigE接口传送到系统的主机PC中。

 

快盈lV入口500万接下来，零件被旋转台带到第二个成像检查站点，在这里相机将捕获零件上表面的图像。第二个成像站点同样安装了一台Manta G-504 GigE相机，其配备的是35mm镜头。为了对弯曲表面（常常是高反射的镜面）准确成像，此处采用的照明光源是圆顶灯，安装在接近正被成像零件的上方，以便清晰显现出零件的角度、纹理或形貌特征。

 

不同的颜色
由于被检查的不同零件所反射和/或吸收的波长可能不同，因此，该系统中使用的定制圆顶灯包括红光LED和绿光LED。当零件进入成像检查站点后，随即接受红色光源和绿色光源的漫射照明。
通过这种方式，用红光照亮零件，将反射红色的颜色表面特征，相对的绿色的颜色表面特征将变暗。类似地，用绿光照亮零件，将反射绿色的颜色表面特征，红色的颜色表面特征将变暗。当零件被照亮后，分别在两种不同光源的照射下，各自拍摄一幅图像，然后将这两幅图像组合，并通过相机的GigE接口传送到系统的主机PC中。

快盈lV入口500万另外，该系统还在旋转盘的下方部署了一个相同的成像站点，用于捕获零件底部表面特征的图像，然后传送到主机PC中。

 

零件内部

快盈lV入口500万除了捕获零件的高度信息、顶部和底部表面特征之外，通常需要捕获零件的外表面和内表面的特征。例如，在检查橡胶圈的案例中，须分析零件外表面上的分型线，以及在零件内表面上可能出现的任何缺陷。

 

尽管使用专用的环外侧镜头和折反射环外侧镜头，可以减少执行此任务的相机和镜头的数量，但在一些情况下，这种镜头可达到的分辨率并不足以满足应用对细节的要求。在这种情况下，则需要采用多相机/镜头快盈lV入口500万。

 

为了在基于旋转台的检查系统中完成零件的内外侧表面检查任务，某机器视觉公司开发了一套专用的成像系统，其使用12台相机来完成这项任务。当零件旋转到该成像系统下时，系统触发6台相机对零件的外表面成像；这6台相机均配备索尼的1600×1200 CCD传感器，与水平方向成60°角安装。与此同时，另外6台配备索尼1600×1200 CCD传感器的相机也被触发，用于捕获零件内表面的图像；这6台相机与垂直方向成45°角安装。随后，由这12台相机捕获的图像通过GigE接口传送到系统的主机PC中。

 

快盈lV入口500万当图像被系统捕获时，它们被显示在平板监视器的图形用户界面上（见图3）。这个界面是使用GTK+编写的，允许用户清晰地看到（从上到下顺时针）零件的尺寸、表面特征、外边缘特征和内表面特征。因此，操作者能在系统处理图像时，看到各个成像站点捕获的图像情况。

 

 

图3：在该系统的设计中，利用Retina库，用监督学习来分析图像。有了这个用户图形界面，操作者看到（从顶部到底部）零件的尺寸、表面特性、外边缘和内表面。

 

监督式学习

快盈lV入口500万该系统并没有使用诸如特征分析等标准的图像处理算法，来检测特定特征以及每个零件的颜色缺陷，而是使用了一种基于C/C ++库的人工智能软件——Retina。与无监督式或半监督式学习算法不同，Retina使用专有算法分析图像，需要操作员使用一组图像培训系统。因此需要配置参数，参数就是用于培训的图像。在这种监督式学习系统中，算法使用输入变量（此处为图像）和输出变量（通过或失败）来学习从输入到输出的映射函数。

 

在该系统中，Retina软件用于处理来自各个机器视觉站点捕获的所有图像。这消除了任何图像预处理阶段，比如用于保持图像所有信息的图像阈值处理。

 

为了培训该系统，培训过程需要使用的零件数量，取决于被检查零件的可变性。对于简单的零件，培训过程大约只需要5个零件；对于更复杂的零件，则培训过程所需的零件数量可能更多。典型情况下，首先要捕获一个对象的大约100幅图像。然后对合格和不合格的零件成像，操作者将其输入系统，对系统进行培训。一旦培训完成，将其他零件呈现给系统，并且系统向操作者查询关于部件的状况，以加强监督式机器学习。

 

零件被分类后，它们将围绕旋转台旋转。为了根据缺陷对零件分类，一个与系统主机相连的PLC，触发吹气阀，从而将零件分别放置到不同的箱子中。通过以不同的方式配置系统，零件可以按照“合格”和“不合格”分类，或者也可以根据检测到的缺陷类型，将零件分别放置到不同的箱子中。在很多情况下，在分类之后，有缺陷的零件可以被再循环或重新生产。