機器視覺是研究利用機器代替人眼進行測量、控制的技術,具有非接觸、精度高、可以長時間連續(xù)工作的特點,在LED芯片貼裝和產品檢測過程中使用機器視覺技術,能夠解決人工操作精度低和速度慢的問題。本文通過對LED芯片識別和產品檢測過程特點和需求的分析,設計了系統(tǒng)硬件方案,搭建出實驗平臺。在此實驗平臺的基礎上利用圖像處理和深度學習算法,研究了機器視覺技術在LED生產制造中的應用。論文的主要內容包括:針對LED芯片貼裝過程提出了基于視覺補償的精準貼裝技術,通過貼裝前對LED芯片的位姿識別,計算芯片旋轉偏移量,從而調整貼裝角度實現精確貼裝。首先根據LED芯片金屬引腳區(qū)域面積的差異,對LED芯片的正負極性進行識別;然后對LED芯片的位姿角度進行識別,在對LED芯片的位姿角度識別時提出了基于Hough變換、形態(tài)學連通域和角點檢測的三種識別方法,并通過測試數據分析了上述方法的準確率以及各自的優(yōu)勢。針對LED產品檢測過程,提出了基于深度學習的LED產品檢測,改善了傳統(tǒng)圖像處理算法魯棒性差的問題。在深度學習框架Caffe下使用SSD目標檢測算法,搭建卷積神經網絡并使用數據集對網絡進行訓練,獲得了學習良好的訓練模型。使用該目標檢測模型將LED產品中的每個LED芯片識別并提取出來,逐個進行周長、面積、位姿等判定,進而判定LED產品的合格與否。實驗結果表明使用深度學習算法的LED產品檢測系統(tǒng)具有識別率高、魯棒性強的優(yōu)點。在Visual Studio 2013開發(fā)環(huán)境下,結合OpenCV圖像處理算法庫和Caffe深度學習框架,實現LED芯片識別和產品檢測算法,構建系統(tǒng)的整體軟件框架,設計編寫用戶應用程序軟件。
【學位單位】：南昌大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TN312.8;TP391.41
【部分圖文】：

第 2 章 LED 芯片圖像預處理圖像的灰度值。、平均值法于彩色圖像中的每一個像素點，將 R ，G ，B 三個通道的平均值像在該點的灰度值。、加權平均法于人的眼睛對紅色光、綠色光、藍色光的敏感程度不同而對 ， 賦予不同的權重值，從而得到灰度化圖像在該點的灰度值。Gray 0.30 R 0.59 G 0.11 B合分析后，使用加權平均法對圖像進行灰度化操作更為合理，如圖權平均法對彩色圖像進行灰度化處理的結果。

圖 2.3 灰度直方圖圖像濾波用工業(yè)相機采集 LED 芯片圖像時，由于環(huán)境中各種不確定因素的LED 芯片圖像中含有噪聲，降低了圖像質量。在對采集的圖像進行品檢測前一般需要進行濾波處理，以增強有用信息，突出圖像的特間濾波是圖像濾波中的一種重要方法[38]，空間濾波可以分為線性濾波[39]。線性濾波是一種相對比較簡單的空間濾波方法，包括均值波等。線性濾波雖然運算簡單，但是在濾波的過程中造成了圖像的數字圖像的邊緣信息。為了能夠實現圖像濾波，且盡量減少對圖像信息的損失，可以使用非線性濾波，如中值濾波等。性濾波的基本步驟為如圖 2.4 所示：（1）建立一個掩模模板。（2）波的數字圖像中逐像素移動掩模。（3）在每一像素點 x ,y 處作相w 1 , 1 f ( x 1, y 1) w 1 ,0 f ( x 1, y ) w 1 ,1 f ( x 1, y 1)

(a) 均值濾波 (b) 高斯濾波 (c) 中值濾波圖 2.7 空間濾波算法對比圖如圖 2.7 為使用5 5的模板分別采用上述的三種圖像空間濾波方法對圖2.2(b)所示的灰度圖像進行濾波平滑操作，可以看出均值濾波器在對圖像去噪的同時，也造成了圖像的失真模糊。高斯濾波器通過對模板中不同像素位置分配不同的權重，能夠抑制圖像中的高斯噪聲，將圖像中的亮度差異進行平衡，同時能夠在濾除噪聲時降低圖像的模糊。中值濾波在一定的條件下可以克服線性濾波如均值濾波等帶來的圖像細節(jié)模糊。2.5 二值化在 LED 芯片的識別與產品檢測中，二值化操作是對采集的圖像進行分割的一種常用方法，特別適用于目標區(qū)域和背景區(qū)域明顯處于不同灰度范圍的圖像。對灰度圖像進行二值化操作時，需要對整幅圖像的灰度分布情況進行分析，選取合理的閾值T ，從而分割出圖像中需要的部分。假設灰度圖像在像素點 x ,y 處
【參考文獻】

相關期刊論文 前10條

1 王耀南;陳鐵健;賀振東;吳成中;;智能制造裝備視覺檢測控制方法綜述[J];控制理論與應用;2015年03期

2 宋松林;;國內外LED產業(yè)發(fā)展狀況分析(下)[J];中國照明電器;2014年12期

3 戰(zhàn)蔭偉;黃治登;;基于機器視覺的貼片LED極性檢測系統(tǒng)的設計[J];計算機測量與控制;2014年03期

4 羅尤春;孫容磊;;機器視覺理論及應用[J];軟件導刊;2014年03期

5 李愷;楊艷麗;劉凱;辜松;張青;趙亮;;基于機器視覺的紅掌檢測分級方法[J];農業(yè)工程學報;2013年24期

6 王國慶;楊華新;劉承桓;葉洪;瞿進;;經濟型貼片機系統(tǒng)設計[J];機械設計;2013年11期

7 余凱;賈磊;陳雨強;徐偉;;深度學習的昨天、今天和明天[J];計算機研究與發(fā)展;2013年09期

8 吳曉軍;鄒廣華;;基于邊緣幾何特征的高性能模板匹配算法[J];儀器儀表學報;2013年07期

9 胡銦;楊靜宇;;適用于遮擋情況的SSD和MCD融合跟蹤算法[J];系統(tǒng)仿真學報;2010年04期

10 韓冰;林明星;丁鳳華;;機器視覺技術及其應用分析[J];農業(yè)裝備與車輛工程;2008年10期

相關博士學位論文 前1條

1 盛遵冰;機器視覺圖像檢測與定位系統(tǒng)關鍵技術研究[D];哈爾濱工業(yè)大學;2009年

相關碩士學位論文 前10條

1 張?zhí)扃?基于深度學習的行人流量統(tǒng)計算法研究[D];哈爾濱工業(yè)大學;2017年

2 張傳凱;基于機器視覺的LED芯片定位與檢測技術研究[D];陜西科技大學;2016年

3 孫偉立;LED檢測及Bin庫的系統(tǒng)軟件黑盒測試用例設計[D];華中科技大學;2016年

4 孫付超;基于OpenCV的圖像預處理在儀表定位中的應用[D];山東大學;2015年

5 宋佳星;基于機器視覺的插件機定位系統(tǒng)的研究與應用[D];大連理工大學;2014年

6 肖敏;基于機器視覺的晶圓定位系統(tǒng)研究[D];上海交通大學;2013年

7 董文杰;高亮LED產業(yè)發(fā)展研究[D];天津大學;2011年

8 馬天翼;LED行業(yè)的發(fā)展趨勢與投資機會分析[D];上海交通大學;2010年

9 李蒙;LED芯片檢測系統(tǒng)視覺圖像分析技術研究[D];杭州電子科技大學;2010年

10 王力;基于機器視覺的貼片元件定位系統(tǒng)的研究與開發(fā)[D];蘇州大學;2009年

本文編號：2893160