机器视觉课件

機器視覺鏡頭及軟體

介紹2015年5月1日1.機器視覺鏡頭及軟體

介紹2015年5月1日1.VisionSystemOverviewArchitecture:TotalSolutionSoftwareHardwareExternalPlatformHalcon(H,3D)NationInstrument(L)Cognex(H)Opencv/ITK(Free)VC/VB/C#/LabviewCamera-USB,1394,GigaELens(Cmount)-CCTV,TelecentricLighting-環型,同軸,背光,點光,球積分3DComponent(Laser,條紋光)I/OCard,TriggerSignalRobot,MotionCard(PC),PLCXYZTable,ACServo,StepperMotor,LinearPlatformSDKCompiler,UI2.VisionSystemOverviewArchitecTopics1:为您的视觉系统找到合适的镜头2:NI视觉SDK3:NaroVision泛用型视觉系统4:HalCon视觉SDK5:Congex视觉SDK6:OpenCV,ITK视觉SDK3.Topics3.1:视觉系统需要找到合适的镜头Ⅰ,镜头的作用Lens1Lens2CMOSApertureStopApertureStopLens1Lens24.1:视觉系统需要找到合适的镜头Ⅰ,镜头的作用Lens1Len5.5.6.6.Ⅱ,镜头的组成ⅢⅣ镜头一般由光学系统和机械装置组成,有些也集成了自动调光圈、自动调焦或感测光强度等的电子器件.7.Ⅱ,镜头的组成ⅢⅣ镜头一般由光学系统和机械装置组成,有些也Ⅲ,镜头的分类◆镜头按焦距大小可以分为长焦镜头、标准镜头、广角镜头等◆按用途通常可以分为安防用镜头（CCTVlens）、工业自动化镜头（FAlens），广播级别的镜头（Broadcastlens），高清晰电视用镜头（HDlens）◆机器视觉行业内通常有宏镜头（macrolens）、定倍镜头（fixed-maglens）、变焦镜头（zoom镜头）、远心镜头（telecentriclens）、高精度或百万像素镜头（HighResolutionormillionpixelslens）、线扫描镜头（LineScanlens）等称谓。当然，这些分类并没有严格的划分界线。8.Ⅲ,镜头的分类◆镜头按焦距大小可以分为长焦镜头、标准镜头、Ⅳ寻找一款镜头我们关心什么?1,成像比例（Magnization，ZOOM?）2，工作距离(WD)3,像质（resolution,contrast,color

balance,aberration,Vignetting,MTF,etc.）4,景深（Depthofview）5，投影误差（Telecentric）6，通光量（FNumber）7，机械接口(C,CS,F,K,M42，M12,M16)8,支持相机的芯片尺寸(1/2,2/3,1,>40mm)9，工作波段(<380,380~780,780~1100)10,镜头尺寸（Compact,TotalLength,Diameter）11,其它（价格，同轴入口，工作温度，光学配合，适合工业场合）9.Ⅳ寻找一款镜头我们关心什么?1,成像比例（MagnizⅣ-1成像比例及工作距离在获取图像并分析处理之前，首先必须建立图像系统。图像系统由五个要素构成：视场（FiledOfView），工作距离（WorkingDistance），分辨率，景深（DepthOfField）和传感器大小。可参照下图理解这些概念。10.Ⅳ-1成像比例及工作距离在获取镜头焦距(LensFocalLength)WDF’11.镜头焦距(LensFocalLength)WDF’11.确定视场大小和相机传感器尺寸之后，就可以确定选择哪种型号的镜头。镜头的主要参数是焦距，它与视场大小，传感器尺寸有如下关系式：焦距=(传感器尺寸×工作距离)/视场大小镜头焦距(LensFocalLength)12.确定视场大小和相机传感器尺寸之后，就可以确定选择哪种型号的1分辨率(Resolution):

图像系统能

分辨实物的最小尺寸。2视场(FOV):检测时相机所能

拍摄的范围。3工作距离(WD):相机镜头到实物

之间的距离。4传感器大小(SensorSize)

相机传感器的有效区域。5景深(DepthOfField):

实物能有效聚焦的范围6图像(Image)7像素(Pixel)8像素分辨率(PixelResolution):

表达实物图像特征所需的

最小像素数量。13.1分辨率(Resolution):图像系统能13.Ⅳ-2有关精度和倍率的概念d=FOV（HorV）*2/Pixels(HorV)镜头的分辨率：相机的分辨率：光学放大倍率：显示放大倍率：•disthesmallestresolvabledistance,•lambdaisthewavelengthoflightbeingimagedNumerical

Aperture

数值孔径。NA表征了光纤收集光的能力。光纤的数值孔径越大,其集光能力越强

视场(FieldOfView)：相机所能拍摄的范围。上图展示了像素分辨率和视场之间的关系。图a所示一个实物所占据的视场，图b所示占据的视场比图a要小。x轴向最小像素分辨率=(wfov/w)×2,y轴向最小像素分辨率=(hfov/h)×2

,14.Ⅳ-2有关精度和倍率的概念d=FOV（HorV）*2Ⅳ-2有关精度和倍率的概念widthHeight1:客戶要求拍攝的產品大小為1mm*1mm2:客戶要求的精度為0.02mm3:鏡頭到產品的距離為65mm客戶要求規格實驗室計算的結果1:計算出來的鏡頭FOV需求為FOV>10mm,6.66mm/0.513.32mm(假設CCD大小為6.66mm*5.32mm)2:計算出來的相機精度為:CameraResolution>13.32/0.02mm(666H*666V),所以選擇1.3MCamera(1280H*1024V)

(6.66mm(H)x5.32mm(V))15.Ⅳ-2有关精度和倍率的概念widthHeight1:客戶要

Ⅳ-3a，像质-（SharpnessandContrast

）对比度(Contrast)，是图像黑与白的比值，即从黑到白的渐变层次，定义了图像中实物和背景之间的强度差。对比度和分辨率与图像质量紧密相关。构建图像系统必须确保足够的对比度以区分实物图像和背景。选择合适的照明能有效提高的对比度。16.Ⅳ-3a，像质-（SharpnessandContⅣ-3b

，像质-畸变（Distortion）Approx.10%barrelshapedApprox.10%pincushionshapedCCTVTelecentric17.Ⅳ-3b，像质-畸变（Distortion）Approx.Ⅳ-3c，像质-色彩还原（ColorBalance）nmR

02,55,07,510,03004005006007008009001000SingleLayerBroadbandCoatimgMultiiCoatingSpectralTransmission:TypicalReflectionofCoatingSystems在图像处理领域，色彩平衡经常表示通过改变图像的颜色值从而能够在特定的显示或者打印设备上得到正确的颜色。18.Ⅳ-3c，像质-色彩还原（ColorBalance）Ⅳ-3d

，像质-渐晕（Vignetting）Opticalvignetting

（cos4Law）Pixelvignetting

Mechanicalvignetting

Example:f=50mmviewangle=9.2Cos4(9.2˚)=0.95f=8mmviewangle=51.9Cos4(51.9˚)=0.15在摄影和光学领域内，晕影或暗角是指图像的外围部分的亮度或饱和度比中心区域低。晕影的出现通常是因为相机的设定和镜头的限制因素等19.Ⅳ-3d，像质-渐晕（Vignetting）OpticaⅣ-3e

，像质-MTF的意义ModulationTransferFunction:这种测定光学频率的方式是以一个mm的范围内能呈现出多少条线来度量，其单位以line/mm来表示。20.Ⅳ-3e，像质-MTF的意义ModulationTranⅣ-4，景深–DepthofView(1)光圈越大，景深越小；光圈越小，景深越大；(2)镜头焦距越长，景深越小；焦距越短，景深越大；(3)距离越远，景深越大；距离越近，景深越小。21.Ⅳ-4，景深–DepthofView(1)光圈越大，景深，是相机对焦点前后相对清晰的成像范围。Ⅳ-4，景深–DepthofView22.景深，是相机对焦点前后相对清晰的成像范围。Ⅳ-4，景Ⅳ-5，投影误差-远心镜头23.Ⅳ-5，投影误差-远心镜头23.Ⅳ-6，光通量-F-number◆可能当您把相机和光源的参数已经调整到最大，您才会意识到光圈系数的重要性。◆光圈的调整不仅与亮度相关，同样与对比度和景深密切相关。光圈系数（F数）是镜头的重要内部参数，它就是镜头相对孔径(d/f)的倒数，如果光圈系数的标称值数字越大，也就表示其实际光圈就越小。一般来说，镜头的光圈排列顺序是：1、1.4、2.0、2.8、3.5、4.0、5.6、8.0、11、16、22、32等等。随着数值的增大，其实际光孔大小也就随之减小，而其在相同快门时间内的光通量也就随之减小。24.Ⅳ-6，光通量-F-number◆可能当您把相机和光源的参数Ⅳ-7，机械接口-Mount25.Ⅳ-7，机械接口-Mount25.Ⅳ-8，支持相机的芯片尺寸26.Ⅳ-8，支持相机的芯片尺寸26.Ⅳ-9，工作波段UV（<380nm）Visiblelight(380nm~750nm)IR(>750nm)27.Ⅳ-9，工作波段UV（<380nm）27.Ⅳ-10，镜头尺寸28.Ⅳ-10，镜头尺寸28.TelecentricLens(Moritex)29.TelecentricLens(Moritex)29.CCTVLens(Computar)孔徑光闌，它是限制光學系統進光量之孔徑大小，也就是我們常說的光圈，在相機中可以看到這樣的機制，如左圖所示。鏡頭本身雖然很大，但卻有一個機制限制進光量的大小，這個機制就是孔徑光闌。30.CCTVLens(Computar)孔徑光闌，它是限制倍鏡延伸環31.倍鏡延伸環31.要对图像进行分析和处理，必须确保图像系统能产生高品质的图像。

影响图像质量的五个因素：分辨率对比度景深透视误差畸变

總結:如何获取高品质的图像32.要对图像进行分析和处理，必须确保图像系统能产生高品质11，其它因素价格同轴入口工作环境（工业场合）光学器件配合（滤光片、偏振镜、转角镜）电子或机械配件。（自动对焦、自动光圈、电动变焦等）33.11，其它因素价格33.透视误差（Perspective），一般在相机镜头轴向与被拍照物不垂直时出现。图a显示相机的最佳位置，图b为从某个角度拍摄的图像。

1.镜头畸变 2.透视误差 3.已知方位偏移透视误差2:NI视觉系统34.透视误差（Perspective），一般在相机镜头轴非线性畸变是镜头光学误差导致的几何像差，畸变程度与物象点离光轴的距离有关。

发生畸变时，物象点相对于视场中心产生了偏移，但畸变不会丢失图像信息，因此可通过空间校正(SpatialCalibration)纠正畸变。镜头畸变35.非线性畸变是镜头光学误差导致的几何像差，畸变程度与物Anerosioneliminatespixelsisolatedinthebackgroundanderodesthecontourofparticlesaccordingtothetemplatedefinedbythestructuringelement.ForagivenpixelP0,thestructuringelementiscenteredonP0.Thepixelsmaskedbyacoefficientofthestructuringelementequalto1arethenreferredasPi.•IfthevalueofonepixelPiisequalto0,thenP0issetto0,elseP0issetto1.•IfAND(Pi)=1,thenP0=1,elseP0=0.Erosion36.AnerosioneliminatespixelsiDilationForanygivenpixelP0,thestructuringelementiscenteredonP0.Thepixelsmaskedbyacoefficientofthestructuringelementequalto1thenarereferredtoasPi.•IfthevalueofonepixelPiisequalto1,thenP0issetto1,elseP0issetto0.•IfOR(Pi)=1,thenP0=1,elseP0=0.37.DilationForanygivenpixelP0根据图像灰度来进行匹配的算法，用于定位、识别以及有无判断等应用场合采用circularProjection采样法，当发生旋转时一样可以找到目标采用halton随机采样法，随机选取采样点进行匹配计算，提高算法效率PatternMatch平移加旋转仅平移模板38.根据图像灰度来进行匹配的算法，用于定位、识别以及有无判断等应PatternMatchdft(dftImg,dftImg,0,dsz.height);MatdftTempl1(dftTempl,Rect(0,tcn>1?*dftsize.height:0,dftsize.width,dftsize.height));mulSpectrums(dftImg,dftTempl1,dftImg,0,true);dft(dftImg,dftImg,DFT_INVERSE+DFT_SCALE,bsz.height);src=dftImg(Rect(0,0,bsz.width,bsz.height));平移3:利用金字塔变换提高搜索效率1:NormalizedCross-Correlation2:DFTandInverseDFT39.PatternMatchdft(dftImg,dftIpatternCreatehaltonset平移+旋轉3:CorrelationBasedPatternMatching1:StatisticalSamplingBasedPatternMatching2:BasedonaDiscreteFourierTransform(DFT40.patternCreatehaltonset平移+旋轉3根据几何轮廓特征来进行匹配的算法，用于定位、识别以及有无判断等应用场合即使图像发生旋转、缩放、遮挡、极性以及背景改变，均能搜索到目标GeometricMatch模板41.根据几何轮廓特征来进行匹配的算法，用于定位、识别以及有无判断模板学习步骤GeometricMatch1.提取边缘点；2.轮廓追踪，连通的边缘点合成为同一条轮廓；3.轮廓筛选，将不符合要求的轮廓剔除；4.提取特征，直线、圆弧或矩形；5.根据特征的类型进行排序，选取最好的方式描述模板。42.模板学习步骤GeometricMatch1.提取边缘点；4几何匹配步骤GeometricMatch1.提取目标图像轮廓；2.根据轮廓提取特征；3.模板图像特征和目标图像特征比对，并将可能成为最佳匹配的

结果保存起来；4..从可能的匹配结果中找出最佳匹配。43.几何匹配步骤GeometricMatch1.提取目标图像轮:DefinitionofanEdge1灰階值輪廓(GrayscaleProfile)2邊緣長度(EdgeLength):

邊緣梯度上升的距離3邊緣強度(EdgeStrength)4邊緣位置(EdgeLocation)44.:DefinitionofanEdge1灰階值輪廓(:次像素(SubPixel)45.:次像素(SubPixel)45.首先沿着搜索方向在ROI区域提取出一系列的边缘点采用最小二乘法对边缘点进行直线拟合计算自动选取最佳直线拟合结果拟合的直线可用于尺寸测量和直线度测量查找直线最佳拟合直线误差较大被丢弃46.首先沿着搜索方向在ROI区域提取出一系列的边缘点查找直线最佳RedefiningaCoordinateSystemYoucanusesimplecalibrationtochangethecoordinatesystemassignedtoacalibratedimage.Whenyoudefineanewcoordinatesystem,rememberthefollowing:•Expresstheorigininpixels.Alwayschooseanoriginlocationthatlieswithinthecalibrationgridsothatyoucanconvertthelocationtoreal-worldunits.•Specifytheangleastheanglebetweenthenewcoordinatesystemandthehorizontaldirectionintherealworld.47.RedefiningaCoordinateSystem查找直线查找直线参数设定48.查找直线查找直线参数设定48.首先沿着搜索方向在ROI区域提取出符合条件的边缘点采用最小二乘法对边缘点进行圆弧拟合计算可得到圆弧的圆心坐标和半径大小圆弧检测49.首先沿着搜索方向在ROI区域提取出符合条件的边缘点圆弧检测4圆弧检测圆弧检测参数设定主要设定参数：Direction：搜索方向EdgePolarity：边缘极性EdgeStrength：边缘强度50.圆弧检测圆弧检测参数设定主要设定参数：50.测量沿着搜索方向的最大和最小尺寸，用于尺寸测量测量芯片pin脚宽度和间距卡尺工具Pin脚宽度Pin脚间距51.测量沿着搜索方向的最大和最小尺寸，用于尺寸测量卡尺工具Pin卡尺工具算法原理：1.首先提取边缘点对2.根据边缘点对拟合两条直线3.计算两条拟合直线的最大最小矩离52.卡尺工具算法原理：52.轮廓检测提取轮廓并与标准轮廓比对，根据比对结果判断产品是否合格算法原理：1.首先提取边缘点2.根据连通性将边缘点组成连续的

轮廓3.计算轮廓的点到标准轮廓的距离4.如果距离超过设定值，则认为是

缺陷53.轮廓检测提取轮廓并与标准轮廓比对，根据比对结果判断产品是否合GoldenTemplateMatch图像和标准图像比对，寻找两幅图像之间的差异，用于印刷检测、暇疵检测等算法原理：1.首先在当前图像查找标准图像2.根据查找到的标准图像的位置，使两幅

图像对齐3.两幅图像相减4.统计两幅图像相应像素点灰度值超过设

定值的数目5.如果差异像素点的数目大于设定阈值，

判定为NG图像标准图像错误图像54.GoldenTemplateMatch图像和标准图像比对1:LocatinganddecodingDataMatrixcodesrequiresaminimumcellsizeof2.5pixels.2:LocatinganddecodingDataMatrixcodesalsorequiresaquietzone

ofatleastonecellwidtharoundtheperimeterofthecode3:ADataMatrixcodeisamatrixbuiltonasquareorrectangulargridwithafinderpattern4:Eachcellofthematrixcontainsasingledatacell.Thecellscanbeeithersquareorcircular.DataMatrix55.1:LocatinganddecodingDataM3:NaroVision泛用型视觉系统1NaroVision泛用型视觉系统特性介绍

系统介绍

标定

图像处理

机器视觉

通讯2应用实例介绍56.3:NaroVision泛用型视觉系统1NaroVisio系统介绍1可同时支持最多6只相机，满足复杂应用需求；2支持模板匹配、直线检测、圆检测、OCR字符识别、Barcode、印刷检测等多种机器视觉功能，并且可灵活组合以进行各种复杂检测；3可编程的方式使得应用更加灵活；4支持串口、以太网以及IO板卡等通讯方式，可与不同的设备进行数据传输；57.系统介绍1可同时支持最多6只相机，满足复杂应用需求；57.标定1相机标定

——使用点阵式标定板，可纠正镜头畸变和透视畸变影响2比例尺设定

——模板匹配：根据运动平台的运动位移以及模板中心的位置变化计

算比例尺；——特殊尺寸：根据两条平行直线的距离来计算比例尺；——圆半径：根据已知圆半径的大小来计算比例尺。58.标定1相机标定58.图像处理灰度变换：调整图像亮度以及对比度二值化：根据设定灰度阈值将图像分为前景和背景图像增强：通过一系列的数学运算调整图像灰度图像滤波：滤除图像噪声或突出边缘特征数学形态学操作彩色图像处理：彩色BCG处理、均衡化、灰度转换59.图像处理灰度变换：调整图像亮度以及对比度59.机器视觉模板匹配：定位、特征识别查找圆、直线：精确提取轮廓的几何特征BARCODE：一维和二维BARCODE读取OCR：OCR字符识别检测：印刷质量检测、暇疵检测卡尺：测量物体尺寸轮廓检测：根据轮廓比对检测缺陷60.机器视觉模板匹配：定位、特征识别60.通讯串口：RS232通讯，支持多种类型PLC(三菱、松下、台达、keyence、信捷等等)通讯协议和自由协议以太网：可做服务器或客户机，与多款机械手(denso,epson以及ABB)无缝连接IO板卡：使用IO信号作为触发输入或结果输出61.通讯串口：RS232通讯，支持多种类型PLC(三菱、松下、应用实例介绍模板匹配（返回模板中心坐标、旋转角度）62.应用实例介绍模板匹配（返回模板中心坐标、旋转角度）62.应用实例介绍查找圆（返回找到的圆心坐标和半径）63.应用实例介绍查找圆（返回找到的圆心坐标和半径）63.应用实例介绍读取AZTECCODEAZTECCODE读取，返回码的内容和中心坐标64.应用实例介绍读取AZTECCODE64.应用实例介绍读取CODE128读取CODE128码，返回码的内容65.应用实例介绍读取CODE12865.应用实例介绍印刷检测（检查标签印刷是否存在漏印、偏位等问题，并标

记出缺陷的位置）66.应用实例介绍印刷检测（检查标签印刷是否存在漏印、偏位等问题，应用实例介绍轮廓检测

首先提取轮廓，然后和标准的几何特征进行比对，检测两者之间的差异67.应用实例介绍轮廓检测67.应用实例介绍使用卡尺工具进行尺寸测量

通过定位，精确找到测量位置再进行测量68.应用实例介绍使用卡尺工具进行尺寸测量68.DepthFromFocusMulti-ViewStereoSheet-of-linetechnologyPhotometricStereo3-1:Halcon3D視覺軟體SDK69.DepthFromFocus3-1:Halcon3D視選擇合適的3D方法-170.選擇合適的3D方法-170.選擇合適的3D方法-271.選擇合適的3D方法-271.選擇合適的3DRestruction72.選擇合適的3DRestruction72.選擇合適的3DPlanar73.選擇合適的3DPlanar73.1:DepthFromFocus74.1:DepthFromFocus74.1:DepthFromFocus75.1:DepthFromFocus75.usingthedepthfrommultiplefocuspicturealgorithm1:DepthFromFocus76.usingthedepthfrommultiple2:Multi-ViewStereo77.2:Multi-ViewStereo77.2:Multi-ViewStereo78.2:Multi-ViewStereo78.2:Multi-ViewStereo79.2:Multi-ViewStereo79.2:Multi-ViewStereo80.2:Multi-ViewStereo80.2:Multi-ViewStereo81.2:Multi-ViewStereo81.2:Multi-ViewStereo82.2:Multi-ViewStereo82.2:Multi-ViewStereo83.2:Multi-ViewStereo83.2:Multi-ViewStereo84.2:Multi-ViewStereo84.3:Sheetoflinetechnology85.3:Sheetoflinetechnology85.3:Sheetoflinetechnology86.3:Sheetoflinetechnology86.3:Sheetoflinetechnology87.3:Sheetoflinetechnology87.3:Sheetoflinetechnology88.3:Sheetoflinetechnology88.3:Sheetoflinetechnology89.3:Sheetoflinetechnology89.3:Sheetoflinetechnology90.3:Sheetoflinetechnology90.4:PhotometricStereousingthealgorithmofWoodham91.4:PhotometricStereousingtheisbasedonthealgorithmofWoodhamandthereforeassumesontheonehandthatthecameraperformsanorthoscopicprojection.Thatis,youmustuseatelecentriclensoralenswithalongfocaldistance.Ontheotherhand,itassumesthateachofthelightsourcesdeliversaparallelanduniformbeamoflight.Thatis,youmustusetelecentricilluminationsourceswithuniformintensityor,asanalternative,distantpointlightsources.Additionally,theobjectmusthavelambertianreflectancecharacteristics,i.e.,itmustreflectincominglightinadiffuseway.Objectsorregionsofanobjectthathavespecularreflectancecharacteristics(i.e.,mirroringorglossysurfaces)cannotbeprocessedcorrectlyandthusleadtoerroneousresults.4:PhotometricStereo92.isbasedonthealgorithmofW4:PhotometricStereo93.4:PhotometricStereo93.4:PhotometricStereo94.4:PhotometricStereo94.4:PhotometricStereo95.4:PhotometricStereo95.4:PhotometricStereo96.4:PhotometricStereo96.4:PhotometricStereo97.4:PhotometricStereo97.usingthealgorithmofWoodham4:PhotometricStereo98.usingthealgorithmofWoodham4:PhotometricStereo99.4:PhotometricStereo99.PCBInspectionPrintCheckSurfaceScratchesMuraAlgorithm3-2:HalconAOI視覺軟體SDK100.PCBInspection3-2:HalconAOI視覺電路板焊錫檢測1:PCBInspection101.電路板焊錫檢測1:PCBInspection101.SourceImageTrainingModelDefectImage1DefectImage2Usingthealgorithmofthevariationmodel1:PrintCheck102.SourceImageTrainingModelDefe產品刮傷檢測extractionofsurfacescratchesvialocalthresholdingandmorphologicalpost-processing3:SurfaceScratches103.產品刮傷檢測extractionofsurfacescUsingTextureAlgorithm4:Mura104.UsingTextureAlgorithm4:Mura1UsingGaussianandFFTAlgorithm4:Mura105.UsingGaussianandFFTAlgorit*Thisprogramdemonstrateshowtodetectsmalltexture*defectsonthesurfaceofplasticitemsbyusingthefast*fouriertransform(FFT).*First,weconstructasuitablefilterusingGaussian*filters.Then,theimagesandthefilterareconvolved*byusingfastfouriertransforms.Finally,thedefects*aredetectedinthefilteredimagesbyusing*morphologyoperators.1:Mura106.*ThisprogramdemonstrateshoPMAlign107.PMAlign107.IntroducingPatMax

PatMax

isapattern-locationsearchtechnologyPatMax

patternsarenot

dependentonthepixelgridAfeatureisacontourthatrepresentstheboundarybetweendissimilarregionsinanimageFeature-basedrepresentationcanbetransformedmorequicklyandmoreaccuratelythanpixel-gridrepresentations108.IntroducingPatMaxPatMaxisPatMax

CapabilitiesWithonetoolmeasurePositionofthePatternSizerelativetotheoriginallytrainedpatternAnglerelativetotheoriginallytrainedpatternUnprecedentedaccuracyUpto1/40pixeltranslationUpto1/50degreerotationUpto0.05%scaleIncreasedspeedBasicpatternfindingisfasterAngleandsizedeterminedquickly109.PatMaxCapabilitiesWithonetGeneralizedHoughTransform(GHT)(BallardandBrown,section4.3.4,Sonkaetal.,section5.2.6)PatMax

演算法原理110.GeneralizedHoughTransform(GPatMax

演算法原理111.PatMax演算法原理111.PatMax

演算法原理112.PatMax演算法原理112.学习目标学员将学会正确地：识别PatInspect可能是视觉解决方案一个部分的应用创建并配置一个PatInspect工具来探测不同运行条件下的缺陷113.学习目标学员将学会正确地：113.PatInspect其目的是使用PatMax技术探测缺陷

缺陷被定义为运行期间图像中超出正常预期的图像差别的任何变化

缺陷可能是物体遗失（阻塞）或者多余（杂乱）114.PatInspect其目的是使用PatMax技术探测缺陷PatInspect缺陷在训练图像和运行期间图像中的类似区域之间的像素灰度值不同支持图像标准化最小化灯光差别对结果的影响训练图像运行期间图像浓度不同的图像115.PatInspect缺陷在训练图像和运行期间图像中的类似区域使用PatInspect使用PatInspect的基本步骤：训练基准图案训练检查图案设置运行期间参数运行PatInspect从PatInspect中萃取结果或者使用其他视觉工具在差别图像上执行进一步的分析116.使用PatInspect使用PatInspect的基本步骤：基准图像通常，您的运行期间图像和训练图像并不总是在图像中的同一位置上甚至在位置上的微小差别也会造成问题，除非在对准步骤中得到解释创建并且配置PMAlign工具查找能可靠地用作对准的特征这可能是：待检查的整个元件待检查元件的一部分与您要检查的完全不同的东西，只要其与检查保持一致的位移117.基准图像通常，您的运行期间图像和训练图像并不总是在图像中的同检查图案培训一个或更多的图像可以做为培训图案使用PatInspect将在统计学方面合并这些图像为一个独立的图案创建一个图案模型它将在一个运行期内的图像中，提供期望高差别性的位置信息目前，您只能在差分训练中建立一个检查图案，该项限制措施将在未来的正式执行中删除。118.检查图案培训一个或更多的图像可以做为培训图案使用118.训练检查图案传递到PatInspect中：一个输入图像（InputImage）一种姿态通常直接来自运行在同样图像上的PMAlign结果作为输入图像您还可以选择性地在训练训练图像（TrainImage）和原点中直接传递119.训练检查图案传递到PatInspect中：119.训练检查图案对于第一个训练图像：120.训练检查图案对于第一个训练图像：120.训练检查图案技术上，您所需要的只是一个训练图案。但是，多数“实际”检查需要解释元件中的自然的可接受的变化统计训练

允许您提供多个

好图像，但是元件不同121.训练检查图案技术上，您所需要的只是一个训练图案。但是，多数“统计图案训练对于随后的图像：将图像传递到输入图像运行统计培训当前图案训练区域数量会增加图像数量多少没有限制训练图像没有变化122.统计图案训练对于随后的图像：122.训练的图案图像训练的图案图像是提供给图案训练的对准图像的算术平均数123.训练的图案图像训练的图案图像是提供给图案训练的对准图像的算术遮罩训练图像

可选项，您可以遮罩任何训练图像，忽略训练中一些像素124.遮罩训练图像 可选项，您可以遮罩任何训练图像，忽略训练中一些阀值图像PatInspect还计算阀值图像阀值图像为每个像素设置一个阀值PatInspect使用该阀值图像通过给发生变化的地方分配一个较高的值而给没有变化的地方分配较低的值来去除不代表缺陷的差别125.阀值图像PatInspect还计算阀值图像125.阀值图像在PatInspect运行时，它会从模板图像中减去运行期间图像中的像素并且将结果与阀值图像相比较。因此，阀值越高，没有传递缺陷的运行期间图像中的差别越大。126.阀值图像在PatInspect运行时，它会从模板图像中减去运计算阀值使用coeffs计算一个像素的阀值T：

T=coeffs.x()*StdDev+coeffs.y() ||||

比例

位移系数的默认值是（1.0、0.0）StdDev

是