機(jī)器視覺技術(shù)及應(yīng)用 課件 第七章 機(jī)器視覺檢測

機(jī)器視覺檢測第七章第七章機(jī)器視覺檢測機(jī)器視覺表面缺陷檢測7.1項(xiàng)目任務(wù)一：齒輪缺陷檢測7.2項(xiàng)目任務(wù)二：鋰電池類別檢測7.3項(xiàng)目任務(wù)三：齒輪缺陷檢測7.4第七章

機(jī)器視覺檢測機(jī)器視覺表面缺陷檢測017.1機(jī)器視覺表面缺陷檢測?圖像的表面特征1.紋理特征紋理是表達(dá)圖像的一種重要特征，它不依賴于顏色或亮度而反映圖像的同質(zhì)現(xiàn)象，反映了表面結(jié)構(gòu)組織排列的重要信息以及它們與周圍環(huán)境的聯(lián)系。常見的紋理特征提取方法主要包括以下幾種：灰度共生矩陣：灰度共生矩陣是一種統(tǒng)計(jì)方法，用于描述圖像中灰度級別之間的空間關(guān)系。方向梯度直方圖：方向梯度直方圖是一種常用的紋理特征提取方法。局部二值模式(LBP)：局部二值模式是一種用于紋理特征提取的簡單有效方法。高斯濾波器組：高斯濾波器組是一種基于多尺度分析的紋理特征提取方法。還有尺度不變特征變換等方法。直方圖統(tǒng)計(jì)方法：在一定程度上可以用于紋理特征的描述，尤其在一些特定場景下，可以通過紋理在灰度級別之間的分布信息進(jìn)行紋理特征的提取。7.1機(jī)器視覺表面缺陷檢測?圖像的表面特征2.形狀特征形狀是圖像中物體的幾何結(jié)構(gòu)和輪廓，可以通過提取圖像的邊緣、輪廓、拐角等特征來描述圖像的形狀特征。形狀特征是進(jìn)行物體識別時(shí)所需要的關(guān)鍵信息之一，它不隨周圍的環(huán)境如亮度等因素的變化而變化。形狀特征提取方法有多種，常用的方法有：邊緣檢測：邊緣檢測是一種常用的圖像形狀特征提取方法。輪廓提?。狠喞崛∈且环N基于邊緣的圖像形狀特征提取方法?；舴蜃儞Q：霍夫變換是一種用于檢測特定形狀（如直線、圓）的圖像形狀特征提取方法。斑點(diǎn)分析方法：斑點(diǎn)分析是一種用于提取和分析圖像中的斑點(diǎn)或小區(qū)域的形狀特征的方法。斑點(diǎn)分析方法可以被視為圖像形狀特征提取的一個子領(lǐng)域，它專注于對離散斑點(diǎn)進(jìn)行定量分析。這些方法可以與其他形狀特征提取方法結(jié)合使用，以綜合分析和描述圖像中的形狀特征。7.1機(jī)器視覺表面缺陷檢測?圖像的表面特征3.顏色特征顏色特征是人類感知和區(qū)分不同物體的一種基本視覺特征，是一種全局特征，描述了圖像或圖像區(qū)域所對應(yīng)的景物的表面性質(zhì)。顏色特征對于圖像的旋轉(zhuǎn)、平移、尺度變化都不敏感，表現(xiàn)出較強(qiáng)的魯棒性。常用的圖像顏色特征提取方法主要有：顏色直方圖：顏色直方圖是一種統(tǒng)計(jì)圖表，用于描述圖像中各個顏色的分布情況。顏色矩：顏色矩是一種統(tǒng)計(jì)量，用于描述圖像顏色的分布和集中程度。色彩空間變換：將圖像從一種色彩空間轉(zhuǎn)換到另一種色彩空間，可以提取不同的顏色特征。7.1機(jī)器視覺表面缺陷檢測?表面缺陷的視覺軟件處理方法1.直方圖統(tǒng)計(jì)方法基于直方圖特征（統(tǒng)計(jì)特征）的方法-HistogramTool。直方圖特征方法計(jì)算簡單，具有平移和旋轉(zhuǎn)不變性，對顏色像素的精確空間分布不敏感等，在表面檢測、缺陷識別中有不少應(yīng)用。2.斑點(diǎn)分析方法VisionPro視覺軟件中為基于形狀特征的幾何形態(tài)分析方法-BlobTool工具。斑點(diǎn)分析又成為Blob（斑點(diǎn)）分析，是一種基于對一致圖像區(qū)域分析的機(jī)器視覺的基本技術(shù)，用于從背景中清晰辨別出被檢物體區(qū)域。BlobTool用于分析和識別二值化圖像中的形狀特征。Blob（斑點(diǎn)）是指圖像中的一個連通區(qū)域，其邊界由同一類像素組成。BlobTool通過分析Blob（斑點(diǎn)）的幾何形態(tài)特征來描述和識別目標(biāo)形狀。7.1機(jī)器視覺表面缺陷檢測?表面缺陷的視覺軟件處理方法3.圖像/模板匹配方法模板匹配是一種最基本的模式識別方法。VisionPro視覺軟件中為PatInspectTool工具，該工具將輸入圖像區(qū)域中包含的特征與經(jīng)過訓(xùn)練的圖案中存儲的特征進(jìn)行比較，并生成突出顯示它們之間差異的輸出圖像。模板匹配工具訓(xùn)練圖像，生成標(biāo)準(zhǔn)偏差圖像和閾值圖像捕獲匹配圖像對匹配圖像歸一化計(jì)算原始差異圖像生成閾值差異圖像進(jìn)一步分析7.1機(jī)器視覺表面缺陷檢測?表面缺陷的視覺軟件處理方法PatInspect工具，就是在待檢測圖像上，根據(jù)不同的感興趣區(qū)域（ROI）用指定的匹配方法與模板庫中的所有圖像進(jìn)行搜索匹配，完全仔細(xì)地對模板圖像與待檢圖像進(jìn)行比對，并生成突出顯示它們之間差異的輸出圖像。這種方法相比Blob分析有較好的檢測精度，同時(shí)也能區(qū)分不同的缺陷類別。如果圖像或者模板發(fā)生變化，比如旋轉(zhuǎn)，修改某幾個像素，圖像翻轉(zhuǎn)等操作之后，就無法進(jìn)行匹配了。模板匹配工具使用多個實(shí)際圖像的統(tǒng)計(jì)訓(xùn)練方法，從中創(chuàng)建訓(xùn)練有素的圖案。訓(xùn)練圖像在背景，照明和對象放置方面都必須與期望捕獲的圖像非常相似。必須沒有缺陷，代表將檢查的圖像對象的理想示例。采用如圖所示公式，將其平均化為當(dāng)前的訓(xùn)練模式。模板匹配工具標(biāo)準(zhǔn)偏差圖像使用訓(xùn)練模式，采用如圖所示的公式生成標(biāo)準(zhǔn)偏差圖像。每個像素都是統(tǒng)計(jì)訓(xùn)練圖像中像素值的標(biāo)準(zhǔn)偏差的量度。表示訓(xùn)練圖案中每個像素的預(yù)期可變程度。模板匹配工具訓(xùn)練圖像采用單個輸入圖像，則工具將使用SobelEdge工具生成偽標(biāo)準(zhǔn)偏差圖像。比例系數(shù)的增加會增加圖像邊緣的大小，而偏移系數(shù)的增加會增加圖像的整體亮度。模板匹配工具閾值圖像對標(biāo)準(zhǔn)偏差圖像的對應(yīng)像素值進(jìn)行線性變換，生成閾值圖像。PatInspect工具使用下圖所示的公式生成閾值圖像：其中A和B分別表示比例系數(shù)和偏移系數(shù)。閾值比例的增加會增加邊緣信息的對比度，而閾值偏移的增加會增加整體亮度。7.1機(jī)器視覺表面缺陷檢測?PatInspectTool為了補(bǔ)償變化的光照水平，該工具可以在對運(yùn)行時(shí)圖像進(jìn)行差異分析之前對其進(jìn)行圖像歸一化操作，將無缺陷像素的值降低或提高到訓(xùn)練模式中存儲的相同水平。PatInspectTool的圖像歸一化方法主要有：Identity：對運(yùn)行時(shí)圖像不進(jìn)行歸一化，主要是在測試階段用來進(jìn)行觀察，確定不進(jìn)行歸一化可能出現(xiàn)的缺陷位置與缺陷類型。HistogramEqualization：直方圖均衡化，調(diào)整運(yùn)行時(shí)圖像的灰度直方圖與訓(xùn)練后圖像的灰度直方圖相匹配，適用于檢測面積比較小的情況，因?yàn)榇竺娣e出現(xiàn)缺陷會影響灰度直方圖分布。MatchTails：適用于圖像中可能出現(xiàn)陰影或者耀光的情況。MeanandStandardDeviation：適用于大小適中的缺陷檢測以及光照變換比較明顯的情況。RobustLineFit：可以容忍更大的缺陷，但需要更多的處理時(shí)間。LocalCorrectionorEnhancedLocalCorrection：局部修正方法。7.1機(jī)器視覺表面缺陷檢測?PatInspectToolPatInspect使用PatMax技術(shù)探測缺陷。缺陷被定義為運(yùn)行期間圖像中超出正常預(yù)期的圖像差別的任何變化，缺陷可能是物體遺失（阻塞）或者多余（雜亂）。通過將當(dāng)前圖像進(jìn)行歸一化操作，然后與“訓(xùn)練圖像”對比，獲取“原始差異圖像”，再將“原始差異圖像”與由“訓(xùn)練圖像”產(chǎn)生的“閾值圖像”進(jìn)行對比，進(jìn)而獲取“閾值差異圖像”得到最終的當(dāng)前圖像與訓(xùn)練圖像的差異，通常差異區(qū)域?yàn)槿毕菟?。模板匹配工具四個輸入端：輸入圖像的輸入終端。由PMAlign工具所確定特征的Pose的輸入終端。訓(xùn)練圖像的輸入終端。PMAlign工具原點(diǎn)的輸入終端。一個輸出終端：工具成功執(zhí)行后所生成閾值化差值圖像的輸出終端7.1機(jī)器視覺表面缺陷檢測?表面缺陷的視覺軟件處理方法4.顏色匹配方法基于顏色特征匹配的工具--SearchMax。SearchMax工具結(jié)合了PMAlign和CNLsearch工具的優(yōu)缺點(diǎn)；SearchMax工具使用歸一化相關(guān)搜索匹配功能，通過顏色特征來尋找目標(biāo)物體。即使角度、大小和陰影發(fā)生變化，此方法也能準(zhǔn)確地查找物體，并且不依賴灰度級。適合彩色圖像，小圖案(特征少的圖像)場合，包含紋理圖像，圖像傾斜等顏色缺陷檢測。像CNLSearch工具一樣，SearchMax工具會匹配運(yùn)行時(shí)圖像中經(jīng)過訓(xùn)練的模式中的特征。像PMAlign工具一樣，SearchMax工具可以在不同的旋轉(zhuǎn)和比例下定位訓(xùn)練好的圖案。與其他Cognex搜索工具不同，SearchMax工具還允許您訓(xùn)練和定位CogImage24PlanarColor彩色圖像中的特征。顏色分割工具顏色分割工具（CogColorSegmenterTool）分析彩色圖像，以生成由深色背景上的亮像素組成的灰度圖像，其中亮像素對應(yīng)于來自顏色輸入的，落入一個或多個所需顏色范圍內(nèi)的特征。暗像素則代表不在所需顏色范圍內(nèi)的彩色像素。隔離藍(lán)色圖像顏色分割工具顏色分割工具（CogColorSegmenterTool）將圖像分割成兩個部分–已知顏色和其他顏色分割工具顏色可以從點(diǎn)或者區(qū)域上定義點(diǎn)

將顏色定義為單個RGB值區(qū)域?qū)㈩伾x為柱狀圖顏色分割工具ColorSegmenter工具生成的灰度圖像僅代表您感興趣的彩色圖像的那些特征，并且可以使用其他視覺工具（例如Blob工具）進(jìn)行進(jìn)一步分析。使用“顏色”卡生成ColorSegmenter工具將用來生成分割圖像的顏色范圍集合。如下圖所示。顏色分割工具使用“范圍”選項(xiàng)卡修改圖像當(dāng)前所使用顏色空間中沿任意一個平面的當(dāng)前范圍。ColorSegmenter啟動時(shí)每個顏色平面都有默認(rèn)的范圍，但使用”范圍”選項(xiàng)卡中的圖形來增大或減小工具將視為允許范圍內(nèi)的顏色值。如下圖所示。顏色分割工具圖像的具體顏色范圍標(biāo)稱值表示為平均顏色值。容差下限和上限分別表示被視為處于所需范圍內(nèi)的顏色較小值和較大值。范圍選項(xiàng)卡通過當(dāng)前平面中所含值的直方圖來呈現(xiàn)這些參數(shù)。通過圖形中的圖柄可以修改這些參數(shù)。第七章

機(jī)器視覺檢測項(xiàng)目任務(wù)一：齒輪缺陷檢測027.2項(xiàng)目任務(wù)一：齒輪缺陷檢測任務(wù)要求：（1）讀出視野范圍內(nèi)的齒輪上的二維碼信息；（2）測量視野范圍內(nèi)的齒輪內(nèi)圓的圓心距；（3）對視野范圍內(nèi)的齒輪的齒數(shù)進(jìn)行統(tǒng)計(jì)；（4）檢測視野范圍內(nèi)的齒輪齒數(shù)是否缺失，進(jìn)行NG/OK判斷；（5）將齒輪上的讀碼結(jié)果、齒輪齒數(shù)、圓心距、NG/OK判斷結(jié)果等信息開放到界面上顯示。7.2項(xiàng)目任務(wù)一：齒輪缺陷檢測?任務(wù)實(shí)施1.硬件配置2.程序流程設(shè)計(jì)（1）觸發(fā)程序和取像（2）ToolBlock視覺任務(wù)處理（3）結(jié)果圖像3.HMI界面設(shè)計(jì)7.2項(xiàng)目任務(wù)一：齒輪缺陷檢測?ToolBlock視覺任務(wù)處理1）灰度轉(zhuǎn)換。使用CogImageConvertTool將采集到的圖像轉(zhuǎn)變?yōu)榛叶葓D像。2）特征提取。使用CogPMAlignTool調(diào)整相關(guān)參數(shù)，進(jìn)行模板匹配。觀察圖像后，取中間的小圓進(jìn)行特征匹配。3）建立特征坐標(biāo)系。使用CogFixtureTool，建立特征坐標(biāo)系。4）二維碼識別。添加CogIDTool，識別圖像中的“數(shù)據(jù)陣”信息，將識別出的二維碼信息“Results.Item[0].DecodedData.DecodedString”鏈接輸出到整個“ToolBlock”的輸出終端“Outputs”，并命名為“Gear_String”。7.2項(xiàng)目任務(wù)一：齒輪缺陷檢測?ToolBlock視覺任務(wù)處理5）測量內(nèi)圓半徑。使用CogFindCricleTool，找出齒輪內(nèi)圓。將找到圓的半徑數(shù)值（Results.GetCircle().Radius）鏈接輸出到整個“ToolBlock”的輸出終端“Outputs”，并命名為“Gear_Radius”。7.2項(xiàng)目任務(wù)一：齒輪缺陷檢測?ToolBlock視覺任務(wù)處理6）斑點(diǎn)分析。使用CogBlobTool統(tǒng)計(jì)齒數(shù)?！皡^(qū)域形狀”使用圓環(huán)（CogCircularAnnulusSection），所選空間為圖像的特征坐標(biāo)系（@Fixture）。通過圓環(huán)分割齒輪的齒，進(jìn)行Blob分析。7.2項(xiàng)目任務(wù)一：齒輪缺陷檢測?斑點(diǎn)分析Blob工具運(yùn)行的流程一般是：分割圖像，應(yīng)用連通性規(guī)則，執(zhí)行任何形態(tài)學(xué)，計(jì)算測量，得出結(jié)果和輸出圖像。斑點(diǎn)在其運(yùn)行時(shí)所做的第一件事就是圖像分割，確定哪些像素是斑點(diǎn)像素以及哪些是背景像素。有數(shù)種模式可以指定哪些可以將斑點(diǎn)與背景像素分開。斑點(diǎn)像素背景像素斑點(diǎn)工具斑點(diǎn)分析Blob（斑點(diǎn)）是指圖像中的一個連通區(qū)域，其邊界由同一類像素組成。BlobTool通過分析Blob（斑點(diǎn)）的幾何形態(tài)特征來描述和識別目標(biāo)形狀。斑點(diǎn)工具分割圖像應(yīng)用連通性規(guī)則執(zhí)行任何形態(tài)學(xué)計(jì)算測量得出結(jié)果和輸出圖像斑點(diǎn)工具模式：硬閾值（固定）、硬閾值（相對）、硬閾值（動態(tài)）、軟閾值（固定）、軟閾值（相對）、映射、減影圖像等。多數(shù)圖像分割會要求進(jìn)行設(shè)置以下參數(shù)：極性：在光亮背景上的黑色斑點(diǎn)或在黑色背景上的光亮斑點(diǎn)。閥值：將斑點(diǎn)像素從背景像素中分開來的值。斑點(diǎn)工具閾值：低于閾值的灰度值的所有像素被作為目標(biāo)像素，高于閾值的所有像素被指定為背景像素。斑點(diǎn)工具根據(jù)像素個數(shù)統(tǒng)計(jì)方式差異，有硬閾值和軟閾值。硬閾值：單一定值，分割統(tǒng)計(jì)斑點(diǎn)像素與背景像素。軟閾值：一系列閾值，像素加權(quán)計(jì)劃進(jìn)行統(tǒng)計(jì)。硬閾值將分割后的圖像中的每個像素只能表示對象（1）或背景（0）。軟閾值將分割后的圖像中的像素可以表示對象（1），背景（0）或?qū)ο笈c背景之間的邊緣（0.0~1.0）。斑點(diǎn)工具根據(jù)灰度分割值計(jì)算方式差異，有固定閾值、相對閾值和動態(tài)閾值。固定閾值：斑點(diǎn)像素和背景像素分別根據(jù)灰度值來確定。相對閾值：通過設(shè)定左尾部和右尾部間的像素百分比值計(jì)算灰度閾值。尾度代表灰度柱狀圖兩端的噪音級像素。動態(tài)閾值：軟件通過左尾部和右尾部間的像素分布自動計(jì)算灰度閾值。斑點(diǎn)工具大部分情況都使可使用硬性閥值來將斑點(diǎn)像素從背景像素中分開。固定閾值處理速度更快，相對閾值適應(yīng)能力更強(qiáng)（不受圖像亮度線性變化影響）;固定閾值可以用于判斷特征有無、而相對閾值不能。而對于動態(tài)閾值，系統(tǒng)自動計(jì)算分割閾值，適用于特征與背景灰度分布差異明顯（雙峰）。7.2項(xiàng)目任務(wù)一：齒輪缺陷檢測?斑點(diǎn)分析閥值=30閥值=100閥值=14040%的40%的40%的相對閥值調(diào)整因?yàn)榫€性燈光變化固定的灰度閥值不提供線性燈光變化到目前為止所有例子都使用了硬性閥值。該值（灰度或百分比）將斑點(diǎn)像素從背景像素中分開。7.2項(xiàng)目任務(wù)一：齒輪缺陷檢測?斑點(diǎn)分析當(dāng)圖像包含類似的背景和斑點(diǎn)灰度時(shí)，使用一個減法圖像閥值圖像只包含背景信息圖像中的每個像素與閥值圖像中的相應(yīng)像素相差指定的數(shù)量，即斑點(diǎn)像素。減法圖像待分割的圖像分割后的圖像7.2項(xiàng)目任務(wù)一：齒輪缺陷檢測?斑點(diǎn)分析為不能使用硬性或者軟性二進(jìn)制閥值進(jìn)行分割的圖像使用一個像素映射（查找表）要求一個比例因子，應(yīng)用到像素映射值“映射”：為每個灰度提供一個輸出值。7.2項(xiàng)目任務(wù)一：齒輪缺陷檢測?斑點(diǎn)分析為了細(xì)化區(qū)域，去除噪聲，可以進(jìn)行形態(tài)學(xué)處理和連通性分析。在將圖像分區(qū)之后，斑點(diǎn)執(zhí)行連通性分析。連通性分析的模式有“整個圖像”、“灰度”、“已標(biāo)記”等模式。整個圖像：所有離散的連通區(qū)域作為單一Blob輸出?！盎叶取保核须x散的連通區(qū)域分別作為Blob輸出?！耙褬?biāo)記”（不常用）：關(guān)注分割組別、非特征與背景的區(qū)分。7.2項(xiàng)目任務(wù)一：齒輪缺陷檢測?斑點(diǎn)分析小于“最小面積”的連通區(qū)域受“清除”選項(xiàng)影響?！扒宄边x項(xiàng)如下：“修剪”：忽略但是不刪除低于規(guī)定尺寸的特征。“填充”：使用灰度值從左邊相鄰的像素開始填充修剪后的特征。中間的圖像采用“修正”清除模式，周圍8個孔仍然存在，但不會被報(bào)告。采用“填充”模式，周圍8個小孔被填充了。7.2項(xiàng)目任務(wù)一：齒輪缺陷檢測?斑點(diǎn)分析針對任何屬性，使用篩選來排除一定范圍之外的斑點(diǎn)，或者只包括在一定范圍之內(nèi)的斑點(diǎn)。結(jié)果可以按順序（升序或者降序）整理，以便進(jìn)行選擇。如圖所示，進(jìn)行斑點(diǎn)面積過濾，只留下在120-700之間的斑點(diǎn)。斑點(diǎn)工具針對任何屬性，使用篩選來排除一定范圍之外的斑點(diǎn)，或者只包括在一定范圍之內(nèi)的斑點(diǎn)。結(jié)果可以按順序（升序或者降序）整理，以便進(jìn)行選擇。7.2項(xiàng)目任務(wù)一：齒輪缺陷檢測?斑點(diǎn)分析相關(guān)參數(shù)設(shè)置后，點(diǎn)擊“運(yùn)行”，得出圖像區(qū)顯示斑點(diǎn)圖像，在“結(jié)果”區(qū)域顯示每個斑點(diǎn)的面積、中心（X/Y）的坐標(biāo)。每個白色聯(lián)通（斑點(diǎn)）區(qū)域即可表示為1個齒輪的齒廓。Blob分析結(jié)果統(tǒng)計(jì)出斑點(diǎn)的個數(shù)，也即齒輪的齒數(shù)。將找到斑點(diǎn)的個數(shù)（Results.GetBlobs().Count）鏈接輸出到整個“ToolBlock”的輸出終端“Outputs”，并命名為“Gear_Count”。7.2項(xiàng)目任務(wù)一：齒輪缺陷檢測?ToolBlock視覺任務(wù)處理7）結(jié)果分析。添加ResultsAnalysis工具，如圖所示。在ResultsAnalysis工具中添加一個輸入，把BlobTool工具運(yùn)行后齒輪的齒數(shù)輸入到ResultsAnalysis工具端。如果齒數(shù)等于21（標(biāo)準(zhǔn)齒數(shù)），則認(rèn)為齒輪齒數(shù)是正常的，Gear_OK是True，否則是False。（3）結(jié)果圖像7.2項(xiàng)目任務(wù)一：齒輪缺陷檢測?V+程序設(shè)計(jì)任務(wù)配置3.HMI設(shè)計(jì)（1）添加“基礎(chǔ)控件”控件在“運(yùn)行界面設(shè)計(jì)器”中，添加“基礎(chǔ)控件”組中的“運(yùn)行/停止”和“動作按鈕”組件。添加“單行文本”、“形狀”、“直線”等組件。（2）添加“運(yùn)行結(jié)果”控件在“運(yùn)行結(jié)果”組中的“OK/NG統(tǒng)計(jì)”、“結(jié)果數(shù)據(jù)”、“圖像(Cognex)”等控件，將測量的長、寬、中心點(diǎn)至長邊的距離等數(shù)據(jù)和結(jié)果圖像顯示在界面中，并對所測長、寬距離進(jìn)行直觀顯示。7.2項(xiàng)目任務(wù)一：齒輪缺陷檢測?程序流程設(shè)計(jì)第七章

機(jī)器視覺檢測項(xiàng)目任務(wù)二：鋰電池類別檢測037.2項(xiàng)目任務(wù)二：鋰電池類別檢測任務(wù)要求：（1）對鋰電池進(jìn)行檢測分類，分辨出三類電池；（2）對鋰電池上小圓圈區(qū)域涂抹的顏色進(jìn)行識別，紅色、綠色或者無色；（3）識別鋰電池塊的二維碼信息；（4）識別鋰電池塊上的文字信息；（5）將鋰電池的類別，小圓圈上涂抹顏色、二維碼信息、文字信息等顯示到界面上。7.2項(xiàng)目任務(wù)二：鋰電池類別檢測?任務(wù)實(shí)施1.硬件配置2.程序流程設(shè)計(jì)3.HMI界面設(shè)計(jì)7.2項(xiàng)目任務(wù)二：鋰電池類別檢測?ToolBlock視覺任務(wù)處理1）灰度轉(zhuǎn)換。使用CogImageConvertTool將采集到的圖像轉(zhuǎn)變?yōu)榛叶葓D像。2）特征提取。使用CogPMAlignTool調(diào)整相關(guān)參數(shù)，進(jìn)行模板匹配。觀察圖像后，取中間的小圓進(jìn)行特征匹配。3）建立特征坐標(biāo)系。使用CogFixtureTool，建立特征坐標(biāo)系。4）二維碼識別。添加CogIDTool，識別圖像中的“數(shù)據(jù)陣”信息，將識別出的二維碼信息。將工具輸出的字符串“Results.Item[0].DecodedData.DecodedString”鏈接到整個工具的輸出終端，并命名為“IDString”。

5）字符識別。添加OCRMaxTool，識別鋰電池上的文字信息。識別區(qū)域選取為包含文字信息的區(qū)域區(qū)域，選擇空間為@\Fixture，提取特征后的坐標(biāo)空間。將此工具的識別文字輸出“Result.ResultOfBestMatch.Color.Name”鏈接到ToolBlock的終端輸出（“Outputs”），并分別命名為OCRString。7.2項(xiàng)目任務(wù)二：鋰電池類別檢測?ToolBlock視覺任務(wù)處理6）顏色特征提取。添加CogColorMatchTool，圖像來源為鋰電池的源彩色圖像。如圖所示，在“區(qū)域”欄中選擇“@Fixture”特征坐標(biāo)系中的圓形區(qū)域，包含在目標(biāo)顏色區(qū)域內(nèi)。顏色匹配工具選擇提取形狀設(shè)置目標(biāo)區(qū)域提取參考顏色計(jì)算得分輸出匹配顏色7.2項(xiàng)目任務(wù)二：鋰電池類別檢測?CogColorMatchTool工具CogColorMatchTool工具將彩色圖像中某一區(qū)域的顏色和事先提取圖像表中的每一個顏色對比，得到一組得分，得分表示和此種顏色匹配的程度，得分越高說明顏色越接近，運(yùn)行此工具的時(shí)候，將返回得分最高的顏色。CogColorMatchTool工具采用單一顏色進(jìn)行匹配，在獲取一定區(qū)域內(nèi)的顏色之后，會把提取區(qū)域內(nèi)的顏色求平均值，然后用這個平均值進(jìn)行匹配。如果提取的區(qū)域內(nèi)的顏色具有單一或接近統(tǒng)一的顏色時(shí)，匹配的效果會穩(wěn)定。CogColorMatchTool工具使用的步驟一般為：選擇顏色提取區(qū)域的形狀，設(shè)置ROI；提取參考顏色；運(yùn)行工具查看運(yùn)行結(jié)果。7.2項(xiàng)目任務(wù)二：鋰電池類別檢測?CogColorMatchTool工具逐一添加包含在目標(biāo)區(qū)域中的某點(diǎn)或某一小區(qū)域的顏色，在“顏色”欄中設(shè)置訓(xùn)練顏色，顏色名稱由用戶定義。把所有需要識別的顏色都添加到顏色集中。7.2項(xiàng)目任務(wù)二：鋰電池類別檢測?CogColorMatchTool工具1.捕獲包含要添加到參考表中的顏色的典型圖像。2.指定是要使用圖像中的單個像素還是要使用定義的區(qū)域添加顏色。當(dāng)圖像包含一致的顏色值時(shí)，請使用單個像素，色彩匹配使用單點(diǎn)。當(dāng)希望工具從該區(qū)域包含的所有像素生成平均顏色值時(shí)，請使用定義的區(qū)域，顏色匹配使用區(qū)域代替。3.定義包含要添加到參考表中的顏色的點(diǎn)或區(qū)域。4.給新的參考顏色命名。5.為新顏色定義RGB或HSI的顏色空間。6.根據(jù)需要將新顏色添加到參考表中并生成下一個參考顏色。7.2項(xiàng)目任務(wù)二：鋰電池類別檢測?CogColorMatchTool工具點(diǎn)擊運(yùn)行，在“結(jié)果”欄，將目標(biāo)區(qū)域提取顏色和訓(xùn)練顏色集中的顏色匹配，按照得分高低順序，顯示一組顏色匹配的得分，得分越高的顏色就是最佳匹配顏色。7.2項(xiàng)目任務(wù)二：鋰電池類別檢測?CogColorMatchTool工具“顏色匹配”工具基于運(yùn)行時(shí)圖像的顏色與參考顏色之間的顏色距離生成匹配分?jǐn)?shù)。該工具使用以下公式生成顏色距離：

該公式平均適用于任一顏色空間的圖像，其中i分量表示RGB顏色空間中的紅色，綠色或藍(lán)色值，或HSI顏色空間中的色相，飽和度和強(qiáng)度值。如有必要，可以在工具計(jì)算色差之前更改賦予單個組件的重量。這在兩種參考顏色非常相似且工具在運(yùn)行時(shí)圖像中無法始終正確區(qū)分它們的情況下很有用。7.2項(xiàng)目任務(wù)二：鋰電池類別檢測?ToolBlock視覺任務(wù)處理7）測量鋰電池的長和寬。采用CogCaliperTool工具分別測量鋰電池的長和寬值，將測量結(jié)果Results.Item[0].Width鏈接到終端輸出(Outputs),并分別命名為Length，Width。注：在測量前，需要添加CogCalibCheckboardTool工具進(jìn)行標(biāo)定。7.2項(xiàng)目任務(wù)二：鋰電池類別檢測?ToolBlock視覺任務(wù)處理8）鋰電池類別檢測。①直方圖分析。添加直方圖CogHistogramTool,進(jìn)行鋰電池形狀分類檢測。圖像來源為經(jīng)過灰度轉(zhuǎn)換后的圖像，空間選為“@\Fixture”，經(jīng)過特征提取后的定位坐標(biāo)空間。添加一個CogHistogramTool工具，命名為“CogHistogramTool-LeftRight”，目標(biāo)區(qū)域?yàn)殇囯姵刈蠖嘶蛘哂叶说挠腥笨诘膮^(qū)域，當(dāng)此目標(biāo)區(qū)域有缺口和無缺口，其區(qū)域的灰度直方圖均值是有很多差異的。通過此區(qū)域的直方圖灰度統(tǒng)計(jì)分析，來檢測判斷鋰電池左右端形狀。添加另一個HistogramTool，命名為“CogHistogramTool-End”，目標(biāo)區(qū)域?yàn)殇囯姵啬┒擞腥笨诘膮^(qū)域。7.2項(xiàng)目任務(wù)二：鋰電池類別檢測?ToolBlock視覺任務(wù)處理8）鋰電池類別檢測。②數(shù)據(jù)結(jié)果分析。添加CogResultAnalysisTool。給CogResultAnalysis分別添加兩個輸入，即B區(qū)域的灰度直方圖均值MeanB（Result.Mean）和C區(qū)域的灰度直方圖均值MeanC（Result.Mean）。7.2項(xiàng)目任務(wù)二：鋰電池類別檢測?ToolBlock視覺任務(wù)處理8）鋰電池類別檢測。B類（目標(biāo)區(qū)域有缺口）鋰電池在區(qū)域B的直方圖灰度均值（MeanB）一般都大于180；即輸出的CellB為True；否則，CellB為False。同樣C類鋰電池在區(qū)域C的直方圖灰度均值(MeanC)一般也大于180。即輸出的CellC為True；否則，CellC為False。如果鋰電池在B區(qū)域和C區(qū)域的直方圖灰度均值都不大于180，則是A類鋰電池，即輸出的CellA為True。③分析結(jié)果輸出。將結(jié)果分析的結(jié)果布爾值CellA、CellB、CellC進(jìn)行輸出。CogResultAnalysisTool工具右鍵點(diǎn)擊，在“成員瀏覽”下的“所有成員（未過濾）”下，分別添加三個輸出，即，“Result.EvalutedExpressions.Item["CellA"]（或者["CellB"]或者["CellC"]）.Value.(System.Boolean)”。將其鏈接到ToolBlock的終端輸出（“Outputs”），并分別命名為CellA、CellB、CellC。7.2項(xiàng)目任務(wù)二：鋰電池類別檢測?V+程序設(shè)計(jì)流程（3）字符串拼接。在“ToolBlock”工具后連接“數(shù)據(jù)”工具組中的“字符串操作”工具，將之前的“ToolBlock”的終端輸出“CellA”、“CellB”、“CellC”用“數(shù)據(jù)”工具組中的“字符串操作”工具拼接成一個字符串“@Combine1”輸出，其中采用“bool轉(zhuǎn)byte”方式，也即True→1，F(xiàn)alse→0。通過這個方式，系統(tǒng)變量“@Combine1”輸出分別為100、010、001時(shí)，分別對應(yīng)型號為A、B、C三類鋰電池。7.2項(xiàng)目任務(wù)二：鋰電池類別檢測?V+程序設(shè)計(jì)流程（4）添加系統(tǒng)變量?；氐絍+程序流程圖，在V+程序的系統(tǒng)菜單“變量”中添加系統(tǒng)變量“Type_Cell”，變量類型為“String”類型。對采集到的鋰電池圖像進(jìn)行分析，然后往系統(tǒng)變量“Type_Cell”中寫入相對應(yīng)的鋰電池類型。（5）進(jìn)行分支判斷在“流程”工具組中，添加“分支”工具。在“分支”工具中，添加3個分支。即當(dāng)“@Combine1”分別為100、010、001三個值時(shí)，對系統(tǒng)變量“Type_Cell”對應(yīng)寫入A、B、C三個值。然后用“流程”工具組中的“分支選擇”工具歸攏分支流程。7.2項(xiàng)目任務(wù)二：鋰電池類別檢測?V+程序設(shè)計(jì)流程（6）添加結(jié)果圖像在“Cognex”工具組中，添加“Cog結(jié)果圖像”，鏈接輸入圖像。7.2項(xiàng)目任務(wù)二：鋰電池類別檢測?V+程序設(shè)計(jì)流程3.HMI界面設(shè)計(jì)第七章

機(jī)器視覺檢測項(xiàng)目任務(wù)三：零件邊緣缺陷檢測047.3項(xiàng)目任務(wù)三：零件邊緣缺陷檢測任務(wù)要求：（1）對零件進(jìn)行檢測，分辨出邊緣缺陷；（2）對零件外圈大圓的半徑進(jìn)行測量；（3）對零件外圈大圓的半徑進(jìn)行測量；（4）將相關(guān)信息顯示到界面上。7.3項(xiàng)目任務(wù)三：零件邊緣缺陷檢測?任務(wù)實(shí)施1.硬件配置2.程序流程設(shè)計(jì)3.HMI界面設(shè)計(jì)7.3項(xiàng)目任務(wù)三：零件邊緣缺陷檢測?ToolBlock視覺任務(wù)處理1）灰度轉(zhuǎn)換。使用CogImageConvertTool將采集到的圖像轉(zhuǎn)變?yōu)榛叶葓D像。2）特征提取。使用CogPMAlignTool調(diào)整相關(guān)參數(shù)，進(jìn)行模板匹配。觀察圖像后，提取圖像中心圓區(qū)域。輸出訓(xùn)練圖像的原點(diǎn)的圖像。右鍵點(diǎn)擊“CogPMAlignTool”，選擇“添加終端”，在“所有（未過濾）”欄目中，在“Pattern<CogPMAlignPattern>”