友情链接:
合作联系
|
ASPEN培训课程
目标学员： 机器视觉工程师、自动化工程师、设备开发工程师、质量检测工程师。
预备知识： 具备基本的编程概念（如C++/C#或VB.net之一更佳），了解基本的图像处理知识。
Halcon核心概念与环境搭建
Halcon架构介绍（HDevelop， 运行时， 导出库）。
HDevelop开发环境详解：变量窗口、图形窗口、程序窗口。
核心数据结构：Image, Region, XLD。
图像采集：连接相机（GigE, USB3Vision）、读取图像、基本采集流程。
图像预处理技术
目的： 提升图像质量，突出感兴趣特征，为后续处理做准备。
空间域滤波：
平滑去噪：均值滤波、中值滤波、高斯滤波。
锐化增强：拉普拉斯算子、索贝尔算子、高斯拉普拉斯——用于增强划痕、边缘等。
频率域滤波： 傅里叶变换初步，用于周期性噪声去除。
形态学处理：
基础操作：膨胀、腐蚀、开运算、闭运算。
应用：断开微小连接、填充细小孔洞、平滑区域边界。
Blob分析（区域分析）
关键步骤：图像分割（阈值分割、动态阈值）、区域转换、形状特征选择（面积、圆度、矩形度）。
应用场景： 屏幕亮点、暗点、大面积脏污检测。
模板匹配与定位
基于形状的匹配： 核心工具，解决物体定位问题。
创建模板、优化参数（旋转角度、缩放比例、金字塔层级）。
应用场景： 屏幕/产品在图像中的精确定位，确保后续检测区域一致（ROI）。
边缘与轮廓检测（XLD）
边缘提取算子（edges_sub_pix）、轮廓处理。
应用场景： 产品外形尺寸测量、崩边、毛刺检测。
几何计量（Metrology）
精确提取直线、圆、椭圆等几何特征。
应用场景： 屏幕边框宽度、孔位距离等高精度尺寸测量。
检测流程总览： 图像采集 → 定位 → ROI生成 → 缺陷提取 → 分类与判定。
亮点与暗点检测
方法1： 动态阈值Blob分析（与周边区域对比）。
方法2： 基于频域或纹理分析的方法。
划痕检测
方法1： 形态学处理（如顶帽变换）—— 对低对比度划痕极其有效。
方法2： 方向性滤波，增强特定方向的线性特征。
Mura（斑痕）检测
挑战： 对比度低、边界模糊、无固定形状。
方法1： 标准模板比对（差分法）。
方法2： 背景校正与不均匀性补偿。
方法3（高级）： 利用深度学习中的异常检测（Anomaly Detection）模型。
脏污与颗粒物检测
结合Blob分析和形态学，区分于亮点/暗点。
划伤与刮痕检测： 同屏幕划痕检测方法。
崩边与缺角检测：
方法： 模板匹配定位后，通过边缘轮廓的差异分析（如deviation_map）。
毛刺检测：
方法： 在边缘轮廓的基础上，通过局部曲率分析或凸性检测来发现异常凸起。
异物与污染检测： 同脏污检测。
深度学习应用（进阶）
何时使用深度学习： 解决传统算法难以定义的复杂缺陷。
分类（Classification）： 区分“合格”与“不合格”，或多种缺陷类型。
目标检测（Object Detection）： 定位并识别多种缺陷的位置和类别。
语义分割（Semantic Segmentation）： 精确到像素级的缺陷区域划分。
异常检测（Anomaly Detection）： 仅需OK样本进行训练，用于未知缺陷的发现。
性能优化与鲁棒性设计
算法加速：使用Halcon的自动并行化、减少数据冗余。
光照变化的应对策略。
设计参数化、可配置的检测流程，便于生产线调试。
系统集成与部署
将Halcon算法导出到宿主语言（如C#）。
设计简单的图形用户界面（GUI）。
检测结果保存、数据绑定MES/QMS系统。
