友情鏈接:
合作聯系
|
ASPEN培訓課程
?目標學員：? 機器視覺工程師、自動化工程師、設備開發工程師、質量檢測工程師。
預備知識：? 具備基本的編程概念（如C++/C#或VB.net之一更佳），了解基本的圖像處理知識。
Halcon核心概念與環境搭建
Halcon架構介紹（HDevelop， 運行時， 導出庫）。
HDevelop開發環境詳解：變量窗口、圖形窗口、程序窗口。
核心數據結構：Image, Region, XLD。
圖像采集：連接相機（GigE, USB3Vision）、讀取圖像、基本采集流程。
圖像預處理技術
目的：? 提升圖像質量，突出感興趣特征，為后續處理做準備。
空間域濾波：
平滑去噪：均值濾波、中值濾波、高斯濾波。
銳化增強：拉普拉斯算子、索貝爾算子、高斯拉普拉斯——用于增強劃痕、邊緣等。
頻率域濾波：? 傅里葉變換初步，用于周期性噪聲去除。
形態學處理：
基礎操作：膨脹、腐蝕、開運算、閉運算。
應用：斷開微小連接、填充細小孔洞、平滑區域邊界。
Blob分析（區域分析）
關鍵步驟：圖像分割（閾值分割、動態閾值）、區域轉換、形狀特征選擇（面積、圓度、矩形度）。
應用場景：? 屏幕亮點、暗點、大面積臟污檢測。
模板匹配與定位
基于形狀的匹配：? 核心工具，解決物體定位問題。
創建模板、優化參數（旋轉角度、縮放比例、金字塔層級）。
應用場景：? 屏幕/產品在圖像中的精確定位，確保后續檢測區域一致（ROI）。
邊緣與輪廓檢測（XLD）
邊緣提取算子（edges_sub_pix）、輪廓處理。
應用場景：? 產品外形尺寸測量、崩邊、毛刺檢測。
幾何計量（Metrology）
精確提取直線、圓、橢圓等幾何特征。
應用場景：? 屏幕邊框寬度、孔位距離等高精度尺寸測量。
檢測流程總覽：? 圖像采集 → 定位 → ROI生成 → 缺陷提取 → 分類與判定。
亮點與暗點檢測
方法1：? 動態閾值Blob分析（與周邊區域對比）。
方法2：? 基于頻域或紋理分析的方法。
劃痕檢測
方法1：? 形態學處理（如頂帽變換）—— 對低對比度劃痕極其有效。
方法2：? 方向性濾波，增強特定方向的線性特征。
Mura（斑痕）檢測
挑戰：? 對比度低、邊界模糊、無固定形狀。
方法1：? 標準模板比對（差分法）。
方法2：? 背景校正與不均勻性補償。
方法3（高級）：? 利用深度學習中的異常檢測（Anomaly Detection）模型。
臟污與顆粒物檢測
結合Blob分析和形態學，區分于亮點/暗點。
劃傷與刮痕檢測：? 同屏幕劃痕檢測方法。
崩邊與缺角檢測：
方法：? 模板匹配定位后，通過邊緣輪廓的差異分析（如deviation_map）。
毛刺檢測：
方法：? 在邊緣輪廓的基礎上，通過局部曲率分析或凸性檢測來發現異常凸起。
異物與污染檢測：? 同臟污檢測。
深度學習應用（進階）
何時使用深度學習：? 解決傳統算法難以定義的復雜缺陷。
分類（Classification）：? 區分“合格”與“不合格”，或多種缺陷類型。
目標檢測（Object Detection）：? 定位并識別多種缺陷的位置和類別。
語義分割（Semantic Segmentation）：? 精確到像素級的缺陷區域劃分。
異常檢測（Anomaly Detection）：? 僅需OK樣本進行訓練，用于未知缺陷的發現。
性能優化與魯棒性設計
算法加速：使用Halcon的自動并行化、減少數據冗余。
光照變化的應對策略。
設計參數化、可配置的檢測流程，便于生產線調試。
系統集成與部署
將Halcon算法導出到宿主語言（如C#）。
設計簡單的圖形用戶界面（GUI）。
檢測結果保存、數據綁定MES/QMS系統。
