引脚针脚 pin针歪斜检测——技术方案论文研读

一颗小树x

已于 2025-03-02 12:59:34 修改

阅读量2.5k

点赞数 26

分类专栏：工业检测文章标签：脚歪斜检测针脚歪斜检测 pin针歪斜检测图像算法机器学习

于 2024-05-18 09:30:08 首次发布

本文链接：https://blog.csdn.net/qq_41204464/article/details/138998273

版权

工业检测专栏收录该内容

5 篇文章

订阅专栏

前言

本文汇总引脚歪斜检测、针脚歪斜检测、pin针歪斜检测的技术方案，供大家参考。

主要介绍两个示例，基于传统图像算法和机器学习的PIN针歪斜检测。

前言

方案1：基于传统图像算法的PIN针歪斜检测

方案2：基于机器学习的连接器缩针弯针检测系统研究

方案1：基于传统图像算法的PIN针歪斜检测

系统总体结构，如下图示所示：

检测内容

九针端子：内含18个针孔、15根插针；宽×高为16.5 mm×25.2 mm；拱形重心到插针中心距离为 1.5 mm。
七针端子：内含14个针孔、10根插针；宽×高为15.6 mm×20.8 mm；拱形重心到插针中心距离为1.5 mm。

需检测的连接器端子内PIN针分布如下图所示

摘要内容：

传统PIN针歪斜检测主要依靠人工观察或利用插排等工件测试，存在检测效率低、精度无法满足工业要求的问题。
为解决这类问题，通过Halcon视觉开发软件和C#语言联合编程，设计基于机器视觉的连接器PIN针歪斜检测系统。
通过对连接器端子内部的视觉特征进行分析，并采用行列等比例缩放模板匹配确定基准点和定位PIN针区域，解决了传统形状模板匹配在目标尺寸发生变化后定位不准确的问题。
对定位的插针进行Sobel边缘检测和形状转换确定其中心点，再计算基准点与中心点的欧式距离，得出插针偏移量。
实际应用结果表明，本文歪斜检测系统精度为0.1 mm，通过率为98.61%，误判率为0，检测时间在1s以内，满足工业生产需求。

方案来源：

流程思路，如下图所示：

根据端子内部结构特点，采用行列等比例缩放形状模板匹配定位插针区域和基准点，即插针穿插孔洞中心点；
然后，利用Sobel边缘检测提取插针边缘并进行形状转化，获取PIN针中心点；
最后，求基准点与插针中心点的欧式距离，从而判断PIN针是否歪斜。

1）关键内容——图像旋转与倾斜矫正

若直接进行歪斜检测，一是受人工安装或机构自身影响，导致端子呈倾斜状态，检测效果不佳；
二是若将检测结果标注在对应插针上，受观察习惯影响，使员工不便观察。
为方便观察，采用基于双线性插值的图像旋转算法将图像顺时针旋转90°。
为解决端子倾斜问题，采用阈值分割提取端子，然后利用仿射旋转变换将端子旋转至水平。

效果如下图所示

2）关键内容——行列等比例缩放模板匹配

创建模型流程

首先，需要对焦于拱形区域直至清晰；
然后，进行预处理如：强化、阈值分割、膨胀等提取模板图像；
最后，创建形状模板。

模板匹配

将形状模板与待匹配对象的相似度与设定阈值进行比较，若大于阈值则匹配成功，且相似度越高则匹配对象与形状模板越吻合，反之匹配失败。
模板匹配过程是目标图像利用模板参考点（一般为模板重心）和边缘点的相对位置关系，得出一系列点及其梯度向量，然后计算相似度。

模板匹配与定位效果图：

3）关键内容——边缘检测与PIN针偏移量获取

检测系统对焦于PIN针尖端；
尖端边缘灰度值突变，其周围平滑。
根据该特点，对插针区域图像增强，然后利用Sobel边缘检测获取顶端边缘信息。

PIN针中心点定位流程

判断出大于0.1 mm的歪斜插针，检测效果如下图示所示：

注意：该视觉采集设备对焦于PIN针尖端，无法清晰采集插针底部和中部，导致无法检测弯曲的或呈螺旋状且不歪斜的插针。

方案2：基于机器学习的连接器缩针弯针检测系统研究

基于机器学习的电连接器缺陷检测针对电连接器插针是否异常。

检测系统需要完成电连接器图像生成、采集、再到图像处理、插针异常情况识别，
最后将异常情况标记到图像上，并进行图像保存。

系统流程，如下图所示

方案来源：

镜头选型

镜头采用Basler Premium C口镜头，带有25 mm定焦距，光圈范围F2.2-F22，分辨率为500万像素。
这款Basler镜头属于Premium产品线，分辨率高，失真度低以及暗角极小，成像质量出众，
这些特点让Basler Premium镜头非常适用于分辨率极高的相机，助力分析细微的结构。

相机选型

相机是直接进行图像采集的部分，输出彩色图像。
为保证成像质量，采用Basler a2A2590-60umBAS USB3.0相机，配有Sony IMX334ROI CMOS芯片，
帧速率达60 fps，分辨率达2592x1944 pixel，能满足数据高速传输的要求。

机械结构

横向滑档模块；
纵向滑动模块；
相机角度调节模块；
相机和补光灯固定模块；
补光灯供电调节模块；
零件固定调节模块。

算法流程：

首先通过调整各种类型的连接器，并调节工装台的拍摄角度，对于所收集得到的图像开始完成了图像校准、灰度化和二值化等的预处理步骤。
然后将预处理后的图片进行针脚的定位，和类别判断。
最后进行缺陷算法的检测。

关键内容1——图像预处理

图像由灰度相机采集后，由计算机进行存储和处理。
灰度图像在检测中的效率更高，因此首先对采集的RGB（红、绿、蓝）彩色源图像作灰度化处理。

流程包括：

图像尺度的调整，图像由原始尺寸调整为统一的2000×800；
图像灰度标准化：距离变换是对二值图像的一种操作运算，它将一幅二值图像转换为一幅灰度图像，在这幅图像中，每个像素的灰度值是该像素与距其最近的背景间的距离。将所有灰度值标准化到[-0.5, 0.5]；
图像边缘扩增，在图像边缘添加0像素，将图像尺寸扩增为32的倍数；
图像数据形式转换，将图像数据形式转换为张量的格式。

关键内容2——针脚定位和类别判断