硕士论文阅读

本次已经阅读的文献有：

祝习龙.基于机器视觉的锂电池焊线缺陷检测.2019.暨南大学

赵树宁. 基于机器视觉在线焊锡质量检测系统开发[D].广东工业大学,2020.

孔树荫. 基于机器视觉的PCBA缺陷检测系统研究与设计[D].广东工业大学,2022.

谢德芳. 基于机器视觉的LED焊线缺陷检测技术研究[D].广州大学

李雷辉  基于 3D 视觉传感器的工业零件表面质量检测关键技术研究[D].天津理工大学

---

1.《基于机器视觉的锂电池焊线缺陷检测》

文献来源：祝习龙.基于机器视觉的锂电池焊线缺陷检测.2019.暨南大学

（1）对相机采集图像进行：

模板匹配---图像滤波---canny边缘检测---漫水填充（提取焊线轮廓）---形态学处理（将焊线轮廓进行封闭）

（2）轮廓提取和计算

焊线轮廓提取---计算出焊线的长度信息

同理得到焊盘的面积长度信息，进而判断出有没有出现焊线断开的情况。

(3) 采用多角度对锂电池进行缺陷检测

---多个拍摄角度，综合检测结果

        采用特征点检测与匹配，利用ransac和sift进行结合，然后将不同角度的图像进行焊线区域配准，进而判断缺陷存在。

★★★★★个人总结★★★★★

常规图像处理提取缺陷特征+多角度缺陷检测增强缺陷检测精确度

---

2.基于机器视觉在线焊锡质量检测系统开发

文献来源：赵树宁. 基于机器视觉在线焊锡质量检测系统开发[D].广东工业大学,2020.

（1）焊点数据提取

采集点云数据---点云滤波---点云分割---焊点数据

点云分割：首先进行基准确定，然后再去除多余点云

（2）焊点数据转为图像

焊点数据转为图像，对焊点图像进行滤波、图像形态学处理、轮廓提取等操作。

对已知焊点数据建立数据库，然后将未知类型的焊点数据和已知焊点数据进行聚类分析，计算样本点的欧氏距离，进行缺陷分类。

★★★★★个人总结★★★★★

先用点云数据提取焊点位置，然后用点云和图像数据对应关系提取出焊点图像，然后通过比较提取图像和已知样本之间的关系，确定焊点是否存在缺陷

---

3.《基于机器视觉的PCBA缺陷检测系统研究与设计》

[1]孔树荫. 基于机器视觉的PCBA缺陷检测系统研究与设计[D].广东工业大学,2022.

1.焊点缺陷检测

主要完成对多焊锡、少焊锡的缺陷检测。

1）对焊锡图像进行RGB阈值分割-----计算焊锡区域的面积比例

2）对焊锡区域再次进行RGB阈值分割，将焊锡中心区域的蓝白色进行过滤

3）计算图像的焊锡图像面积和正常焊锡图像面积比，根据设定阈值做出是否为多焊锡的结果

4）对焊锡图像---转到HSL空间，进行Sobel算子边缘检测，将变换后的图像进行连通域检测，过滤连通域面积较小的区域。

5）计算过滤后的焊锡面积和整个焊锡区域的面积比，根据设定阈值判断是否存在少焊锡的结果

针对桥接的缺陷检测

将图像进行极坐标变换，然后进行阈值分割，进行连通域检测，过滤较小的连通域。比较较大连通域是否存在，连通域的长宽是否近似于图像的长宽，进而判断是否存在桥接的缺陷。

2.深度学习的焊点缺陷检测算法

对焊点图像建立数据集；使用ResNet和 VGG16进行分类模型训练。

训练参数设置选择为ImgNet数据集的预训练模型。

---

4. 基于机器视觉的LED焊线缺陷检测技术研究

1.作者先采用形状匹配完成对LED焊点区域的定位（需要用到模板图像）

针对焊点区域设计算法完成焊线提取（此处作者省略了步骤）

本篇文献没有参考价值。

---

5. 基于3D视觉传感器的工业零件表面质量关键技术研究

1.针对几何结构简单的工件。

缺陷检测步骤：

​​​​​​​（1）数据预处理：

• 点云降采样---VOXEL网格均匀采样
• 点云摆正
• 构建KD-Tree 可以加快数据搜索
• 计算法向量

（2）平面提取

• 利用KD-tree搜索，同时设置中心点和搜索点的角度阈值，使其满足在设定范围内即可为确定的平面点。
• 面的过滤，当上面进行面划分完成后，计算每个面的点数，如果面的点数也合理，则保留着这个面。

（3）缺陷检测

主要检测了工件的尺寸大小，是否缺角。（和本人课题相关度不大）

复杂工件缺陷检测

利用点云模板，采用类似模板匹配的方法完成了缺陷检测。而且需要人工选择需要检查的部分，才能完成缺陷检测。