2020年7月2日 机器视觉与计算机视觉技术

基于线扫描相机的表面缺陷检测系统

先简单介绍下表面缺陷检测系统吧。

表面缺陷检测系统也叫表面质量检测系统或者表面质量检测设备。

应用的领域十分的广泛,我例举一下最主要的应用领域吧,钢铁冶金,有色金属加工,高精铜板带,铝板带,铝箔,不锈钢制造,电子材料,无纺布,织物,玻璃,纸张,薄膜。

表面检测的市场是十分巨大的,简单举个例子,拿一个 年产量在1000万吨的钢铁公司来说,这家公司的可利用表面检测设备的市场大概为1.5~2亿人民币。
为什么要使用表面缺陷检测系统呢?

–保证产品质量,改善生产工艺,减少人工成本


线扫描表面缺陷检测系统主要构成:

视觉采集部主要包括线阵相机,镜头,光源,图像采集卡。

系统支架部分包括:相机支架,光源支架,和操作台支架。

电气部分(通信/控制部)包括编码器,运动控制卡或者PLC,也有可能会有马达等。

其他:各种电线电缆,CL线啊,电源线啊,各种SMPS啊,照明控制器啊等等。

还有PC。

简单介绍下主要配件:

线扫描相机

一般主流的分辨率为1024,2048,4096,6144,8192,12288,16384

最重要的是分辨率和相机的行频。

说到行频就肯定和接口有关系了,接口主要有RS接口,LVDS,Channellink(这几种目前几乎都不用了),目前主流GIGE,Cameralink(标准),1394,还有各种高速接口,HSlink,coaxlink等等。

主要的区别就是在数据的传输量和传输距离上(希望有群友搞下这些传输线的对比图)。

相机的输出形式好像在另一帖子也有描述,这里就不多讲了。

相机的触发模式主要是内触发和外触发,在表面检测应用时几乎都采用外触发,通过外部编码器的脉冲控制相机的扫描频率。

相机最大行频计算: 最大行频=datarate/相机分辨率

举例说明,相机datarate为80Mhz,像素为4096×1 那么行频=80M/4096=19000行/秒

此相机最高速度可以采取19000行每秒

lineperiod的计算: 1秒/最大linerate(19000)= 53us

意思是相机扫描一条线需要大概53us(最大行频情况下)

关于相机视野(FOV)的计算,这个在镜头选型的帖子中也有体现

视野(FOV)= 像元大小×像元个数×WD(工作距离)/FL(镜头焦距)

图像采集卡:我理解的采集卡主要是用来收集数据,控制相机的,图像采集卡的最大数据采集量要大于相机的最大datarate.

镜头:主要是根据视野和相机接口来选择,这里不多讲了。焦距长景深就深。接口主要是F和C,nikon和转的。

光源:线扫描光源也有很多种,高频荧光灯,卤素灯,疝气灯,小颗粒密集LED,大颗粒单排LED,小颗粒高亮度LED,激光光源。 目前的主流还是LED,比较重要的参数就是lux和寿命,LED都是高频的,不用担心频率不够会导致取像的每条线亮度不均。

光源的打光方式有很多种,在以前的文章已经介绍。打光方式主要和检测缺陷的对象有关系。缺陷有凹凸的情况出现时得需要暗场(漫反射),还和被测产品的透射率有关,对于透射率高于80%的只能有透过光。

系统支架就不做多介绍了,但是要保证精度。相机和光源的支架也可以选择通过马达来控制。

运动控制方面:如果上位通信多的情况可以采用PLC,通信少的情况可以使用一般的数字i/o处理。

PC的选择,工业电脑,server和一般组装PC,我们现在用一般组装电脑,因为在维修的时候工业电脑的应对时间很慢,没办法,使用组装电脑的话如有配件损坏可以及时维修。电脑性能的选择和所处理影像的量和软件的计算量有关系,也不多讲了。

编码器:编码器通过采集生产线的速度获得电子脉冲传送给采集卡或者直接至相机,然后相机通过脉冲控制扫描量。

一般编码器采取的信号是linedriver信号,一般TTL信号,如果是多目相机的话可以使用脉冲分配卡,将获得的脉冲信号重新发给各个相机,主要的信号种类有TTL,ITTL,DIfferentioal。

拿光圈编码器为例,一般安装在生产线的辊子上,辊子没转一圈,编码器产生固定的脉冲,然后相机依靠脉冲取像。

主流的几家线扫描和采集卡制造商都有控制行频的功能

如euresys的 linepitch, encoderpitch功能。

dalsa的 shaft encoder功能

basler的 prediver,multiply,postdiver功能

都是通过对编码器的脉冲进行除法和乘法获得新的脉冲值控制相机的扫描频率。

再就是软件方面了,这个也没啥讲的,每家公司的软件都不同。

做表面缺陷检测系统必须了解的几个参数

1、被测产品最大生产速度

2、被测产品宽度

3、需检测最小缺陷大小

其他:产品特性(厚度,透光率),生产环境,安装位置等

表面缺陷检测设备的重要参数

检测率,分类率,便利性,配件寿命。

Banner
Related Posts

机器视觉技术发展的五大趋势

2019年6月21日

2019年6月21日

在过去的一年里,人工智能(AI)、大数据、3D成像和机器人过程自动化等领域在取得了空前的发展。在即将到来的2019年,机器视觉技术应用还将蓬勃发展,新机器视觉认为五大发展趋势将引领行业应用。

机器视觉技术可能比您想象的更厉害

2018年8月9日

2018年8月9日

从数字图像中自动提取信息的能力为制造商努力削减成本、提高质量和简化整体流程提供了更多可能。机器视觉的主要用途是检查、测量和机器人引导。

机器视觉模式匹配的基础:光源、相机、算法

2019年10月11日

2019年10月11日

机器视觉系统还需要能够发现和识别模式。任何机器视觉任务的第一步都是模式匹配,即根据形状属性(如边缘)的预期排列,在视场中定位目标。这个过程是如何工作的?

快速创建三维纳米结构图像的新方法

2019年4月17日

2019年4月17日

通过X射线激光脉冲从两个方向照射物体(在图像中心切出十字)。在下一步骤中,将星形衍射图像重建为3-D对象

中科院自动化所王欣刚:机器视觉将取代人类视觉

2019年6月21日

2019年6月21日

智能制造已成为全球制造业升级发展的重要方向,未来工厂里将采用越来越来越多的自动化技术,包括机器人、人工智能、虚拟现实等先进技术,其中,机器视觉将在智能工厂中将发挥关键作用。对于生产商来说,如何将这些技术运用到当前的生产线,将是实现工厂价值提升和未来发展的关键。

用于柔性显示器的缺陷检测系统

2019年5月10日

2019年5月10日

韩国国家计量院开发了一种用于自由曲面显示器(包括柔性显示器)的缺陷检测技术,该技术将帮助显示器制造商用在制造过程中通过拍摄的一张图像来检测缺陷。

深度学习+机器视觉=下一代检测

2019年9月18日

2019年9月18日

将机器视觉和深度学习结合起来,将为企业在运营和投资回报(ROI)方面提供强大的手段。因此,抓住传统机器视觉和深度学习之间的差异,并理解这些技术如何相互补充——而不是竞争或替代——对于实现投资最大化至关重要。

深度学习在机器视觉系统中的应用详解

2019年4月24日

2019年4月24日

随着机器视觉技术的不断发展,系统在不需要计算机编程的情况下也可以具有分析和分类对象的能力。而人工智能(AI)和深度学习是推动机器视觉发展的重要技术手段。

每个机器制造者都应该了解基于组件的3D视觉系统

2019年9月1日

2019年9月1日

在构建成本效益高的三维视觉系统时,是最好使用基于组件的方法(如照相机、激光、透镜、支架、校准目标)还是采用一体化(即智能)方法?乍一看,以较低的成本购买单个组件和构建定制的视觉解决方案似乎是更经济的途径。

贴纸相机解决物联网成像问题

2019年4月17日

2019年4月17日

Greg Blackman报道了CSEM的Witness IOT相机,这是一款可以作为贴纸部署的超低功耗成像仪。 Andrea Dunbar博士于3月在伦敦举行的Image Sensors Europe会议上展示了这项技术

3D视觉检测的未来:光度立体技术

2019年6月12日

2019年6月12日

利用3D表面定向,特别是它对反射光的影响,工业应用的光度立体产生对比度图像,突出了局部3D表面变化。

基于相机和激光传感器的车顶视觉检测系统

2019年4月24日

2019年4月24日

像多单元高速列车这样的现代轨道车辆需要定期进行检查维护,以确保最车辆的安全稳定运行,增加使用寿命并最大限度地减少列车的磨损

基于机器视觉的监测系统​

2019年11月3日

2019年11月3日

本研究基于机器视觉技术,结合Python语言,openCV库等,编写出了一套高精度,高稳定性的位移监测算法,以Nvidia Jetson开发板为载体,结合单片机,红外传感器等,设计制造了一套具有形变监测与预警功能的系统。

用机器视觉法监测石榴成熟过程

2019年11月19日

2019年11月19日

瓦伦西亚农业调查研究所(IVIA)、米格尔·埃尔南德斯·德埃尔切大学和巴伦西亚理工大学的科学家们研究了两种用于石榴质量监测的机器视觉技术。

机器视觉应用的柔性开发

2019年9月12日

2019年9月12日

本文使用IBV软件MERLIC的例子,概述了图像处理的当前要求,并展示了如何在不编程的情况下创建应用程序。

Comments
发表评论

电子邮件地址不会被公开。 必填项已用*标注