机器视觉技术及应用 课件 第七章 机器视觉检测

机器视觉检测第七章第七章机器视觉检测机器视觉表面缺陷检测7.1项目任务一：齿轮缺陷检测7.2项目任务二：锂电池类别检测7.3项目任务三：齿轮缺陷检测7.4第七章

机器视觉检测机器视觉表面缺陷检测017.1机器视觉表面缺陷检测➽图像的表面特征1.纹理特征纹理是表达图像的一种重要特征，它不依赖于颜色或亮度而反映图像的同质现象，反映了表面结构组织排列的重要信息以及它们与周围环境的联系。常见的纹理特征提取方法主要包括以下几种：灰度共生矩阵：灰度共生矩阵是一种统计方法，用于描述图像中灰度级别之间的空间关系。方向梯度直方图：方向梯度直方图是一种常用的纹理特征提取方法。局部二值模式(LBP)：局部二值模式是一种用于纹理特征提取的简单有效方法。高斯滤波器组：高斯滤波器组是一种基于多尺度分析的纹理特征提取方法。还有尺度不变特征变换等方法。直方图统计方法：在一定程度上可以用于纹理特征的描述，尤其在一些特定场景下，可以通过纹理在灰度级别之间的分布信息进行纹理特征的提取。7.1机器视觉表面缺陷检测➽图像的表面特征2.形状特征形状是图像中物体的几何结构和轮廓，可以通过提取图像的边缘、轮廓、拐角等特征来描述图像的形状特征。形状特征是进行物体识别时所需要的关键信息之一，它不随周围的环境如亮度等因素的变化而变化。形状特征提取方法有多种，常用的方法有：边缘检测：边缘检测是一种常用的图像形状特征提取方法。轮廓提取：轮廓提取是一种基于边缘的图像形状特征提取方法。霍夫变换：霍夫变换是一种用于检测特定形状（如直线、圆）的图像形状特征提取方法。斑点分析方法：斑点分析是一种用于提取和分析图像中的斑点或小区域的形状特征的方法。斑点分析方法可以被视为图像形状特征提取的一个子领域，它专注于对离散斑点进行定量分析。这些方法可以与其他形状特征提取方法结合使用，以综合分析和描述图像中的形状特征。7.1机器视觉表面缺陷检测➽图像的表面特征3.颜色特征颜色特征是人类感知和区分不同物体的一种基本视觉特征，是一种全局特征，描述了图像或图像区域所对应的景物的表面性质。颜色特征对于图像的旋转、平移、尺度变化都不敏感，表现出较强的鲁棒性。常用的图像颜色特征提取方法主要有：颜色直方图：颜色直方图是一种统计图表，用于描述图像中各个颜色的分布情况。颜色矩：颜色矩是一种统计量，用于描述图像颜色的分布和集中程度。色彩空间变换：将图像从一种色彩空间转换到另一种色彩空间，可以提取不同的颜色特征。7.1机器视觉表面缺陷检测➽表面缺陷的视觉软件处理方法1.直方图统计方法基于直方图特征（统计特征）的方法-HistogramTool。直方图特征方法计算简单，具有平移和旋转不变性，对颜色像素的精确空间分布不敏感等，在表面检测、缺陷识别中有不少应用。2.斑点分析方法VisionPro视觉软件中为基于形状特征的几何形态分析方法-BlobTool工具。斑点分析又成为Blob（斑点）分析，是一种基于对一致图像区域分析的机器视觉的基本技术，用于从背景中清晰辨别出被检物体区域。BlobTool用于分析和识别二值化图像中的形状特征。Blob（斑点）是指图像中的一个连通区域，其边界由同一类像素组成。BlobTool通过分析Blob（斑点）的几何形态特征来描述和识别目标形状。7.1机器视觉表面缺陷检测➽表面缺陷的视觉软件处理方法3.图像/模板匹配方法模板匹配是一种最基本的模式识别方法。VisionPro视觉软件中为PatInspectTool工具，该工具将输入图像区域中包含的特征与经过训练的图案中存储的特征进行比较，并生成突出显示它们之间差异的输出图像。模板匹配工具训练图像，生成标准偏差图像和阈值图像捕获匹配图像对匹配图像归一化计算原始差异图像生成阈值差异图像进一步分析7.1机器视觉表面缺陷检测➽表面缺陷的视觉软件处理方法PatInspect工具，就是在待检测图像上，根据不同的感兴趣区域（ROI）用指定的匹配方法与模板库中的所有图像进行搜索匹配，完全仔细地对模板图像与待检图像进行比对，并生成突出显示它们之间差异的输出图像。这种方法相比Blob分析有较好的检测精度，同时也能区分不同的缺陷类别。如果图像或者模板发生变化，比如旋转，修改某几个像素，图像翻转等操作之后，就无法进行匹配了。模板匹配工具使用多个实际图像的统计训练方法，从中创建训练有素的图案。训练图像在背景，照明和对象放置方面都必须与期望捕获的图像非常相似。必须没有缺陷，代表将检查的图像对象的理想示例。采用如图所示公式，将其平均化为当前的训练模式。模板匹配工具标准偏差图像使用训练模式，采用如图所示的公式生成标准偏差图像。每个像素都是统计训练图像中像素值的标准偏差的量度。表示训练图案中每个像素的预期可变程度。模板匹配工具训练图像采用单个输入图像，则工具将使用SobelEdge工具生成伪标准偏差图像。比例系数的增加会增加图像边缘的大小，而偏移系数的增加会增加图像的整体亮度。模板匹配工具阈值图像对标准偏差图像的对应像素值进行线性变换，生成阈值图像。PatInspect工具使用下图所示的公式生成阈值图像：其中A和B分别表示比例系数和偏移系数。阈值比例的增加会增加边缘信息的对比度，而阈值偏移的增加会增加整体亮度。7.1机器视觉表面缺陷检测➽PatInspectTool为了补偿变化的光照水平，该工具可以在对运行时图像进行差异分析之前对其进行图像归一化操作，将无缺陷像素的值降低或提高到训练模式中存储的相同水平。PatInspectTool的图像归一化方法主要有：Identity：对运行时图像不进行归一化，主要是在测试阶段用来进行观察，确定不进行归一化可能出现的缺陷位置与缺陷类型。HistogramEqualization：直方图均衡化，调整运行时图像的灰度直方图与训练后图像的灰度直方图相匹配，适用于检测面积比较小的情况，因为大面积出现缺陷会影响灰度直方图分布。MatchTails：适用于图像中可能出现阴影或者耀光的情况。MeanandStandardDeviation：适用于大小适中的缺陷检测以及光照变换比较明显的情况。RobustLineFit：可以容忍更大的缺陷，但需要更多的处理时间。LocalCorrectionorEnhancedLocalCorrection：局部修正方法。7.1机器视觉表面缺陷检测➽PatInspectToolPatInspect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）。通过将当前图像进行归一化操作，然后与“训练图像”对比，获取“原始差异图像”，再将“原始差异图像”与由“训练图像”产生的“阈值图像”进行对比，进而获取“阈值差异图像”得到最终的当前图像与训练图像的差异，通常差异区域为缺陷所在。模板匹配工具四个输入端：输入图像的输入终端。由PMAlign工具所确定特征的Pose的输入终端。训练图像的输入终端。PMAlign工具原点的输入终端。一个输出终端：工具成功执行后所生成阈值化差值图像的输出终端7.1机器视觉表面缺陷检测➽表面缺陷的视觉软件处理方法4.颜色匹配方法基于颜色特征匹配的工具--SearchMax。SearchMax工具结合了PMAlign和CNLsearch工具的优缺点；SearchMax工具使用归一化相关搜索匹配功能，通过颜色特征来寻找目标物体。即使角度、大小和阴影发生变化，此方法也能准确地查找物体，并且不依赖灰度级。适合彩色图像，小图案(特征少的图像)场合，包含纹理图像，图像倾斜等颜色缺陷检测。像CNLSearch工具一样，SearchMax工具会匹配运行时图像中经过训练的模式中的特征。像PMAlign工具一样，SearchMax工具可以在不同的旋转和比例下定位训练好的图案。与其他Cognex搜索工具不同，SearchMax工具还允许您训练和定位CogImage24PlanarColor彩色图像中的特征。颜色分割工具颜色分割工具（CogColorSegmenterTool）分析彩色图像，以生成由深色背景上的亮像素组成的灰度图像，其中亮像素对应于来自颜色输入的，落入一个或多个所需颜色范围内的特征。暗像素则代表不在所需颜色范围内的彩色像素。隔离蓝色图像颜色分割工具颜色分割工具（CogColorSegmenterTool）将图像分割成两个部分–已知颜色和其他颜色分割工具颜色可以从点或者区域上定义点

将颜色定义为单个RGB值区域将颜色定义为柱状图颜色分割工具ColorSegmenter工具生成的灰度图像仅代表您感兴趣的彩色图像的那些特征，并且可以使用其他视觉工具（例如Blob工具）进行进一步分析。使用“颜色”卡生成ColorSegmenter工具将用来生成分割图像的颜色范围集合。如下图所示。颜色分割工具使用“范围”选项卡修改图像当前所使用颜色空间中沿任意一个平面的当前范围。ColorSegmenter启动时每个颜色平面都有默认的范围，但使用”范围”选项卡中的图形来增大或减小工具将视为允许范围内的颜色值。如下图所示。颜色分割工具图像的具体颜色范围标称值表示为平均颜色值。容差下限和上限分别表示被视为处于所需范围内的颜色较小值和较大值。范围选项卡通过当前平面中所含值的直方图来呈现这些参数。通过图形中的图柄可以修改这些参数。第七章

机器视觉检测项目任务一：齿轮缺陷检测027.2项目任务一：齿轮缺陷检测任务要求：（1）读出视野范围内的齿轮上的二维码信息；（2）测量视野范围内的齿轮内圆的圆心距；（3）对视野范围内的齿轮的齿数进行统计；（4）检测视野范围内的齿轮齿数是否缺失，进行NG/OK判断；（5）将齿轮上的读码结果、齿轮齿数、圆心距、NG/OK判断结果等信息开放到界面上显示。7.2项目任务一：齿轮缺陷检测➽任务实施1.硬件配置2.程序流程设计（1）触发程序和取像（2）ToolBlock视觉任务处理（3）结果图像3.HMI界面设计7.2项目任务一：齿轮缺陷检测➽ToolBlock视觉任务处理1）灰度转换。使用CogImageConvertTool将采集到的图像转变为灰度图像。2）特征提取。使用CogPMAlignTool调整相关参数，进行模板匹配。观察图像后，取中间的小圆进行特征匹配。3）建立特征坐标系。使用CogFixtureTool，建立特征坐标系。4）二维码识别。添加CogIDTool，识别图像中的“数据阵”信息，将识别出的二维码信息“Results.Item[0].DecodedData.DecodedString”链接输出到整个“ToolBlock”的输出终端“Outputs”，并命名为“Gear_String”。7.2项目任务一：齿轮缺陷检测➽ToolBlock视觉任务处理5）测量内圆半径。使用CogFindCricleTool，找出齿轮内圆。将找到圆的半径数值（Results.GetCircle().Radius）链接输出到整个“ToolBlock”的输出终端“Outputs”，并命名为“Gear_Radius”。7.2项目任务一：齿轮缺陷检测➽ToolBlock视觉任务处理6）斑点分析。使用CogBlobTool统计齿数。“区域形状”使用圆环（CogCircularAnnulusSection），所选空间为图像的特征坐标系（@Fixture）。通过圆环分割齿轮的齿，进行Blob分析。7.2项目任务一：齿轮缺陷检测➽斑点分析Blob工具运行的流程一般是：分割图像，应用连通性规则，执行任何形态学，计算测量，得出结果和输出图像。斑点在其运行时所做的第一件事就是图像分割，确定哪些像素是斑点像素以及哪些是背景像素。有数种模式可以指定哪些可以将斑点与背景像素分开。斑点像素背景像素斑点工具斑点分析Blob（斑点）是指图像中的一个连通区域，其边界由同一类像素组成。BlobTool通过分析Blob（斑点）的几何形态特征来描述和识别目标形状。斑点工具分割图像应用连通性规则执行任何形态学计算测量得出结果和输出图像斑点工具模式：硬阈值（固定）、硬阈值（相对）、硬阈值（动态）、软阈值（固定）、软阈值（相对）、映射、减影图像等。多数图像分割会要求进行设置以下参数：极性：在光亮背景上的黑色斑点或在黑色背景上的光亮斑点。阀值：将斑点像素从背景像素中分开来的值。斑点工具阈值：低于阈值的灰度值的所有像素被作为目标像素，高于阈值的所有像素被指定为背景像素。斑点工具根据像素个数统计方式差异，有硬阈值和软阈值。硬阈值：单一定值，分割统计斑点像素与背景像素。软阈值：一系列阈值，像素加权计划进行统计。硬阈值将分割后的图像中的每个像素只能表示对象（1）或背景（0）。软阈值将分割后的图像中的像素可以表示对象（1），背景（0）或对象与背景之间的边缘（0.0~1.0）。斑点工具根据灰度分割值计算方式差异，有固定阈值、相对阈值和动态阈值。固定阈值：斑点像素和背景像素分别根据灰度值来确定。相对阈值：通过设定左尾部和右尾部间的像素百分比值计算灰度阈值。尾度代表灰度柱状图两端的噪音级像素。动态阈值：软件通过左尾部和右尾部间的像素分布自动计算灰度阈值。斑点工具大部分情况都使可使用硬性阀值来将斑点像素从背景像素中分开。固定阈值处理速度更快，相对阈值适应能力更强（不受图像亮度线性变化影响）;固定阈值可以用于判断特征有无、而相对阈值不能。而对于动态阈值，系统自动计算分割阈值，适用于特征与背景灰度分布差异明显（双峰）。7.2项目任务一：齿轮缺陷检测➽斑点分析阀值=30阀值=100阀值=14040%的40%的40%的相对阀值调整因为线性灯光变化固定的灰度阀值不提供线性灯光变化到目前为止所有例子都使用了硬性阀值。该值（灰度或百分比）将斑点像素从背景像素中分开。7.2项目任务一：齿轮缺陷检测➽斑点分析当图像包含类似的背景和斑点灰度时，使用一个减法图像阀值图像只包含背景信息图像中的每个像素与阀值图像中的相应像素相差指定的数量，即斑点像素。减法图像待分割的图像分割后的图像7.2项目任务一：齿轮缺陷检测➽斑点分析为不能使用硬性或者软性二进制阀值进行分割的图像使用一个像素映射（查找表）要求一个比例因子，应用到像素映射值“映射”：为每个灰度提供一个输出值。7.2项目任务一：齿轮缺陷检测➽斑点分析为了细化区域，去除噪声，可以进行形态学处理和连通性分析。在将图像分区之后，斑点执行连通性分析。连通性分析的模式有“整个图像”、“灰度”、“已标记”等模式。整个图像：所有离散的连通区域作为单一Blob输出。“灰度”：所有离散的连通区域分别作为Blob输出。“已标记”（不常用）：关注分割组别、非特征与背景的区分。7.2项目任务一：齿轮缺陷检测➽斑点分析小于“最小面积”的连通区域受“清除”选项影响。“清除”选项如下：“修剪”：忽略但是不删除低于规定尺寸的特征。“填充”：使用灰度值从左边相邻的像素开始填充修剪后的特征。中间的图像采用“修正”清除模式，周围8个孔仍然存在，但不会被报告。采用“填充”模式，周围8个小孔被填充了。7.2项目任务一：齿轮缺陷检测➽斑点分析针对任何属性，使用筛选来排除一定范围之外的斑点，或者只包括在一定范围之内的斑点。结果可以按顺序（升序或者降序）整理，以便进行选择。如图所示，进行斑点面积过滤，只留下在120-700之间的斑点。斑点工具针对任何属性，使用筛选来排除一定范围之外的斑点，或者只包括在一定范围之内的斑点。结果可以按顺序（升序或者降序）整理，以便进行选择。7.2项目任务一：齿轮缺陷检测➽斑点分析相关参数设置后，点击“运行”，得出图像区显示斑点图像，在“结果”区域显示每个斑点的面积、中心（X/Y）的坐标。每个白色联通（斑点）区域即可表示为1个齿轮的齿廓。Blob分析结果统计出斑点的个数，也即齿轮的齿数。将找到斑点的个数（Results.GetBlobs().Count）链接输出到整个“ToolBlock”的输出终端“Outputs”，并命名为“Gear_Count”。7.2项目任务一：齿轮缺陷检测➽ToolBlock视觉任务处理7）结果分析。添加ResultsAnalysis工具，如图所示。在ResultsAnalysis工具中添加一个输入，把BlobTool工具运行后齿轮的齿数输入到ResultsAnalysis工具端。如果齿数等于21（标准齿数），则认为齿轮齿数是正常的，Gear_OK是True，否则是False。（3）结果图像7.2项目任务一：齿轮缺陷检测➽V+程序设计任务配置3.HMI设计（1）添加“基础控件”控件在“运行界面设计器”中，添加“基础控件”组中的“运行/停止”和“动作按钮”组件。添加“单行文本”、“形状”、“直线”等组件。（2）添加“运行结果”控件在“运行结果”组中的“OK/NG统计”、“结果数据”、“图像(Cognex)”等控件，将测量的长、宽、中心点至长边的距离等数据和结果图像显示在界面中，并对所测长、宽距离进行直观显示。7.2项目任务一：齿轮缺陷检测➽程序流程设计第七章

机器视觉检测项目任务二：锂电池类别检测037.2项目任务二：锂电池类别检测任务要求：（1）对锂电池进行检测分类，分辨出三类电池；（2）对锂电池上小圆圈区域涂抹的颜色进行识别，红色、绿色或者无色；（3）识别锂电池块的二维码信息；（4）识别锂电池块上的文字信息；（5）将锂电池的类别，小圆圈上涂抹颜色、二维码信息、文字信息等显示到界面上。7.2项目任务二：锂电池类别检测➽任务实施1.硬件配置2.程序流程设计3.HMI界面设计7.2项目任务二：锂电池类别检测➽ToolBlock视觉任务处理1）灰度转换。使用CogImageConvertTool将采集到的图像转变为灰度图像。2）特征提取。使用CogPMAlignTool调整相关参数，进行模板匹配。观察图像后，取中间的小圆进行特征匹配。3）建立特征坐标系。使用CogFixtureTool，建立特征坐标系。4）二维码识别。添加CogIDTool，识别图像中的“数据阵”信息，将识别出的二维码信息。将工具输出的字符串“Results.Item[0].DecodedData.DecodedString”链接到整个工具的输出终端，并命名为“IDString”。

5）字符识别。添加OCRMaxTool，识别锂电池上的文字信息。识别区域选取为包含文字信息的区域区域，选择空间为@\Fixture，提取特征后的坐标空间。将此工具的识别文字输出“Result.ResultOfBestMatch.Color.Name”链接到ToolBlock的终端输出（“Outputs”），并分别命名为OCRString。7.2项目任务二：锂电池类别检测➽ToolBlock视觉任务处理6）颜色特征提取。添加CogColorMatchTool，图像来源为锂电池的源彩色图像。如图所示，在“区域”栏中选择“@Fixture”特征坐标系中的圆形区域，包含在目标颜色区域内。颜色匹配工具选择提取形状设置目标区域提取参考颜色计算得分输出匹配颜色7.2项目任务二：锂电池类别检测➽CogColorMatchTool工具CogColorMatchTool工具将彩色图像中某一区域的颜色和事先提取图像表中的每一个颜色对比，得到一组得分，得分表示和此种颜色匹配的程度，得分越高说明颜色越接近，运行此工具的时候，将返回得分最高的颜色。CogColorMatchTool工具采用单一颜色进行匹配，在获取一定区域内的颜色之后，会把提取区域内的颜色求平均值，然后用这个平均值进行匹配。如果提取的区域内的颜色具有单一或接近统一的颜色时，匹配的效果会稳定。CogColorMatchTool工具使用的步骤一般为：选择颜色提取区域的形状，设置ROI；提取参考颜色；运行工具查看运行结果。7.2项目任务二：锂电池类别检测➽CogColorMatchTool工具逐一添加包含在目标区域中的某点或某一小区域的颜色，在“颜色”栏中设置训练颜色，颜色名称由用户定义。把所有需要识别的颜色都添加到颜色集中。7.2项目任务二：锂电池类别检测➽CogColorMatchTool工具1.捕获包含要添加到参考表中的颜色的典型图像。2.指定是要使用图像中的单个像素还是要使用定义的区域添加颜色。当图像包含一致的颜色值时，请使用单个像素，色彩匹配使用单点。当希望工具从该区域包含的所有像素生成平均颜色值时，请使用定义的区域，颜色匹配使用区域代替。3.定义包含要添加到参考表中的颜色的点或区域。4.给新的参考颜色命名。5.为新颜色定义RGB或HSI的颜色空间。6.根据需要将新颜色添加到参考表中并生成下一个参考颜色。7.2项目任务二：锂电池类别检测➽CogColorMatchTool工具点击运行，在“结果”栏，将目标区域提取颜色和训练颜色集中的颜色匹配，按照得分高低顺序，显示一组颜色匹配的得分，得分越高的颜色就是最佳匹配颜色。7.2项目任务二：锂电池类别检测➽CogColorMatchTool工具“颜色匹配”工具基于运行时图像的颜色与参考颜色之间的颜色距离生成匹配分数。该工具使用以下公式生成颜色距离：

该公式平均适用于任一颜色空间的图像，其中i分量表示RGB颜色空间中的红色，绿色或蓝色值，或HSI颜色空间中的色相，饱和度和强度值。如有必要，可以在工具计算色差之前更改赋予单个组件的重量。这在两种参考颜色非常相似且工具在运行时图像中无法始终正确区分它们的情况下很有用。7.2项目任务二：锂电池类别检测➽ToolBlock视觉任务处理7）测量锂电池的长和宽。采用CogCaliperTool工具分别测量锂电池的长和宽值，将测量结果Results.Item[0].Width链接到终端输出(Outputs),并分别命名为Length，Width。注：在测量前，需要添加CogCalibCheckboardTool工具进行标定。7.2项目任务二：锂电池类别检测➽ToolBlock视觉任务处理8）锂电池类别检测。①直方图分析。添加直方图CogHistogramTool,进行锂电池形状分类检测。图像来源为经过灰度转换后的图像，空间选为“@\Fixture”，经过特征提取后的定位坐标空间。添加一个CogHistogramTool工具，命名为“CogHistogramTool-LeftRight”，目标区域为锂电池左端或者右端的有缺口的区域，当此目标区域有缺口和无缺口，其区域的灰度直方图均值是有很多差异的。通过此区域的直方图灰度统计分析，来检测判断锂电池左右端形状。添加另一个HistogramTool，命名为“CogHistogramTool-End”，目标区域为锂电池末端有缺口的区域。7.2项目任务二：锂电池类别检测➽ToolBlock视觉任务处理8）锂电池类别检测。②数据结果分析。添加CogResultAnalysisTool。给CogResultAnalysis分别添加两个输入，即B区域的灰度直方图均值MeanB（Result.Mean）和C区域的灰度直方图均值MeanC（Result.Mean）。7.2项目任务二：锂电池类别检测➽ToolBlock视觉任务处理8）锂电池类别检测。B类（目标区域有缺口）锂电池在区域B的直方图灰度均值（MeanB）一般都大于180；即输出的CellB为True；否则，CellB为False。同样C类锂电池在区域C的直方图灰度均值(MeanC)一般也大于180。即输出的CellC为True；否则，CellC为False。如果锂电池在B区域和C区域的直方图灰度均值都不大于180，则是A类锂电池，即输出的CellA为True。③分析结果输出。将结果分析的结果布尔值CellA、CellB、CellC进行输出。CogResultAnalysisTool工具右键点击，在“成员浏览”下的“所有成员（未过滤）”下，分别添加三个输出，即，“Result.EvalutedExpressions.Item["CellA"]（或者["CellB"]或者["CellC"]）.Value.(System.Boolean)”。将其链接到ToolBlock的终端输出（“Outputs”），并分别命名为CellA、CellB、CellC。7.2项目任务二：锂电池类别检测➽V+程序设计流程（3）字符串拼接。在“ToolBlock”工具后连接“数据”工具组中的“字符串操作”工具，将之前的“ToolBlock”的终端输出“CellA”、“CellB”、“CellC”用“数据”工具组中的“字符串操作”工具拼接成一个字符串“@Combine1”输出，其中采用“bool转byte”方式，也即True→1，False→0。通过这个方式，系统变量“@Combine1”输出分别为100、010、001时，分别对应型号为A、B、C三类锂电池。7.2项目任务二：锂电池类别检测➽V+程序设计流程（4）添加系统变量。回到V+程序流程图，在V+程序的系统菜单“变量”中添加系统变量“Type_Cell”，变量类型为“String”类型。对采集到的锂电池图像进行分析，然后往系统变量“Type_Cell”中写入相对应的锂电池类型。（5）进行分支判断在“流程”工具组中，添加“分支”工具。在“分支”工具中，添加3个分支。即当“@Combine1”分别为100、010、001三个值时，对系统变量“Type_Cell”对应写入A、B、C三个值。然后用“流程”工具组中的“分支选择”工具归拢分支流程。7.2项目任务二：锂电池类别检测➽V+程序设计流程（6）添加结果图像在“Cognex”工具组中，添加“Cog结果图像”，链接输入图像。7.2项目任务二：锂电池类别检测➽V+程序设计流程3.HMI界面设计第七章

机器视觉检测项目任务三：零件边缘缺陷检测047.3项目任务三：零件边缘缺陷检测任务要求：（1）对零件进行检测，分辨出边缘缺陷；（2）对零件外圈大圆的半径进行测量；（3）对零件外圈大圆的半径进行测量；（4）将相关信息显示到界面上。7.3项目任务三：零件边缘缺陷检测➽任务实施1.硬件配置2.程序流程设计3.HMI界面设计7.3项目任务三：零件边缘缺陷检测➽ToolBlock视觉任务处理1）灰度转换。使用CogImageConvertTool将采集到的图像转变为灰度图像。2）特征提取。使用CogPMAlignTool调整相关参数，进行模板匹配。观察图像后，提取图像中心圆区域。输出训练图像的原点的图像。右键点击“CogPMAlignTool”，选择“添加终端”，在“所有（未过滤）”栏目中，在“Pattern<CogPMAlignPattern>”