一、基于机械视觉检测技术近况
机械视觉是以通常推算机视觉钻研为基础，并且同时涉及到光源照明技术、高速图像采集等方面实用技术的钻研。在工业中，利用机械视觉构建一个齐全的工业视觉利用系统必要结合多种技术，其中涵盖了机械工程、传感器、光学成像、运动节造、图像处置等方面。图1-1显示的是现实工业中机械视觉系统整体框架，重要蕴含被测指标、光源、光学成像系统、图像捉拿系统、图像采集与数字化、智能图像处置？楹驮硕谠炷？。
随着科技的进取，机械视觉的发展速度也越来越快，国表的一些研发机构都开发出了好多基于图像处置的机械视觉系统软件，例如MatroxImaging Library(MIL)、Halcon、Matlab以及开源库OpenCV 等。由于这些软件在图像上拥有很壮大的处置能力， 所以已经被宽泛的使用到现实的工业出产中了。目前，在机械视觉方面有两类算法，别离为数字图像处置算法和基于卷积神经网络的深度进建算法。
（1）基于数字图像处置的步骤，重要通过图像处置等操作得到胶层的面积、质心以及自界说的复杂度公式进行对胶层的质量判定。传统的基于数字图像处置的步骤拥有操作单一，参数较少的优势，但也存在易受光照等客观成分影响，胶层宰割成效差、缺点分类差、通用性较差等弊端。
（2）随着大数据时期的来临，各类信息资源的等闲获取使得深度进建的利用也越来越宽泛。出格是在卷积神经网络中，图片被深度卷积和池化之后，隐含层可能阐发出比手动获取越发拥有泛化性和抽象性的特点，从而在鉴别分类上获得了很好的成效。深度进建的出现为点胶缺点的鉴别带来了更大的可行性。但深度进建必要足够多的训练数据和壮大的推算能力，使得其在很多领域内的落地和利用受到了造约，而这也会直接影响到点缺点胶的检测效能。
二、点胶检测系统的光学检测规划
在进行点胶缺点检测的过程中，图像信息的持续和不变获取也是至关沉要的一步，图像的曲直对于算法的设计难题程杜仔着很大的影响，因而，在点胶缺点检测系统的设计过程中，必要对光学检测时的硬件进行选型。如图2-1所示，思考到胶条为通明胶，存在反光景象，所以要求光源在各个角度的光照水平较为均匀，而同轴光拥有高密度分列，成像清澈，亮度均匀等特点。此表，在要求光照亮度均匀的同时，由于部门胶条中存在气泡，而同轴光源距离胶条存在肯定的距离，采集到的图片无法观察到气泡特点， 故思考使用条形光源对胶条上方进行照射，使得气 泡特点可见。由于垂止卣射方式拥有照射面积大、 光照均匀性好蹬着点，故同轴光源选择垂止卣射方式，而条形光源重要是为了对胶条进行光照加强， 同时为了不遮挡同轴光源，故选择侧面照射。
三、点胶检测系统的算法规划
3.1点胶缺点的类别界说
在现实的点胶过程中，往往由于点胶量的大幼、 点胶压力、针头大幼、胶水的粘度以及胶水温度等成分，导致出产的胶条会存在各类各样的缺点，从而影响产品的质量。工业出产中比力常见的几种缺点种类，其具体界说如下所示：
(1)多胶：胶条中央部门宽度大于其他部门，如图 3-1 a)所示；
(2)少胶：胶条中央部门宽度幼于其他部门，如图 3-1 b)所示；
(3)断胶：胶条出现一次或屡次的断裂，如图3-1 c) 所示；
(4)扭曲：胶条整体存在多处弯曲景象，如图3-1 d) 所示；
(5)气泡：胶条中含罕见目较多的气泡，如图3-1 e) 所示；
同时，在工业出产中切合出产要求的正常胶条如图 3-1 f)所示。
对于点胶缺点检测有两点要求:
(1)由于缺点检测的点胶图像数量多，检测必要的功夫比力长，对检测速度要求比力高;
(2)点胶缺点图片受环境影响存在质量上的分歧，对于算法的正确性以及鲁棒性有很大的要求。
3.2基于数字图像处置的算法
在对胶条进行缺点检测之前，必须先得到胶条的图片，而在现实的出产加工中，会将工件上的某块区域作为Mark定位点，选取图像匹配算法来寻找该Mark点的地位，从而得到胶条的具体地位，由此在工业摄像头得到工件图片后，无需对整幅图片进行缺点分析，同时也去除了一些滋扰区域，方便了视觉算法的后续处置。以下为针对点胶缺点相应的基于数字图像处置的步骤：
(1)多胶少胶：对于胶条多胶少胶的缺点检测，首先 对图片进行相应的预处置操作，得到二值化图像后进行胶条两侧概括的获取，对提取到的概括区域进行水平和垂直方向的投影，通过推算像素值数量的最大值和最幼值的差值以及像素值投影图中曲线状态来判断是否存在缺点和具体类型。
(2)断胶：对于胶条断胶缺点检测，凭据胶条断裂图 片的特点，对图片进行预处置后先进行关运算，断开胶条之间的藐幼衔接，之后进行概括的获取，通过推算各个概括所蕴含的面积来作为判断缺点是否存在的尺度。
(3)扭曲：针对胶条扭曲缺点检测，通过推算寻找到 的概括的凸缺点的面积(即概括面积与其凸包面积的差值)来作为判断是否存在扭曲缺点的尺度。
(4)气泡：检测是否存在直径和面积较大的气泡。由 于气泡的特点是圆形，所以利用霍夫圆变换来检测图片中的圆形数量，同时推算其面积，通过对面积和数量进行阈值设定，来判断气泡缺点的存在。
· 深度进建模型的选择
通常在利用深度进建算法进行缺点检测时，首 先要确定的是网络模型。由于胶条种类分为6类，类别数量不是好多，故我们可选择AlexNet、MobileNet 以及Lenet-5、U-net等网络深度分歧的或者更优质的网络模型。
· 训练规划改进
往往经典网络模型的正确率不会出格高，并不 能满足Z6人生就是博需要，所以我们必要对训练步骤进行改进。通常通过数据加强、迁徙进建以及改进网络结构三个方面对模型进行改进。其中在现实出产中，通常在数据层上都出缺点样本图片较少、缺点样本不平衡等等问题，而对模型进行训练时，神经网络的参数数量又极度巨大，要想使得这些参数正常工作则必要大量的数据进行训练。
在工业领域中，能够在报答造作缺点、数据增 广、天生匹敌网络、迁徙进建等伎俩解决相应的训 练数据问题。如图3-3为深度进建数据支持伎俩。
在训练过程中进行相应微调是必不成少的。过拟合景象在深度进建中层出不穷，若是网络模型出现此类问题，那么该网络就无法正常使用，为相识决这个问题，通常会使用模型集成的步骤，即训练多个模型进行组合。但是由于模型数量的增多，无论是训练过程还是测试过程，城市带来功夫的浪费。由Hinton提出的dropout，在网络训练过程中，对网络层中的参数以肯定概率进行归零操作，每一次训练都能够看作是在训练分歧的神经网络，所以dropout相当因而对多个网络取均匀，同时削减了神经元之间的复杂共适应性，能够有效地抑造过拟合景象。当然现实训练过程中，网络结构的改进方式有好多，没有最优的模型，只有切合要求更优的模型。
四、结论
在现实的点胶过程中，由于多种成分的影响容 易出现各类缺点，因而在对胶条进行缺点检测时， 更多的是选取机械视觉的步骤，从而达到提逾越产效能和降低成本的主张，进而使得产品越发拥有竞争力。目前，在机械视觉方面有两类算法，别离为数字图像处置算法和基于卷积神经网络的深度进建算法。针对基于数字图像处置的视觉算法，在单一的缺点检测方面成本较低，速度和精度也可能达到要求，但是在算法层面短缺通用性，对于每一种缺点都要设计特定的算法进行检测。深度进建算法相对图像处置算法在处置新类此外图片方面较为单一，对于分歧的缺点只有沉新进行标注再训练后就能够进行缺点检测，不仅如此深度进建算法对于复杂情况的缺点检测成效比图像处置算法好，但是深度进建算法也有大量的图片数据获取成本较高、产线换 型检测响应较慢的问题。当然，随着深度进建的高速发展和当前大数据时期的信息获取能力的加强，相信深度进建在未来会更多地落地到生涯场景中去。
