极耳褶皱缺陷的识别
2022-10-28
在卷绕工序中，容易产生极耳褶皱等缺陷，但是极耳的褶皱对后续的电芯应用会带来严重的安全风险，因此生产过程中的缺陷检测环节必不可少。
您所在的位置： > 新闻中心
在卷绕工序中，容易产生极耳褶皱等缺陷，但是极耳的褶皱对后续的电芯应用会带来严重的安全风险，因此生产过程中的缺陷检测环节必不可少。
金属工件作为制造业中不可或缺的重要组成部分，其表面瑕疵不但影响美观，更会影响工件的使用性能，使产品安全性降低，由于这些工件表面光滑，同时具有高反光等特性，检测时会影响被测物的特征提取，无论是人工检测还是机器检测都有很大的难度。
CCD、CMOS等固件越来越成熟，图像敏感器件尺寸不断缩小，像元数量和数据率不断提高，分辨率和帧率的提升速度可以说日新月异，产品系列也越来越丰富，在增益、快门和信噪比等参数上不断优化，通过核心测试指标(MTF、畸变、信噪比、光源亮度、均匀性、色温、系统成像能力综合评估等)来对光源、镜头和相机进行综合选择，使得很多以前成像上的难点问题得以不断突破。
新能源锂电池外壳现在光靠人眼检测已经有很大的局限性，人工检测的效率和准确率并不高存在误检漏检风险，并且无法持续稳定的高强度完成重复性的检测工作，会造成疲劳、速度慢，主判断会受各种影响从而有不稳定性，由于生产的人工成本也越来越高，研发了一台视觉检测系统专门针对锂电池外壳缺陷的问题进行检测。
在现代食品自动化生产中，涉及多种检测、测量，如矿泉水中的异物检测、饮料瓶盖印刷质量检测、产品包装上的条码和字符识别等。这类应用的共同特点是连续大规模生产和对外观质量要求非常高。通常这种高度重复的工作只能通过人工目测来完成，我们经常会看到在一些工厂的现代化流水线后面有成百上千的检验工人来执行这一过程。不仅给工厂增加了巨大的劳动力和管理成本，而且仍无法保证100%的检验合格率(即“零缺陷”)。
机器视觉中优质的成像是第一步，由于不同材料物体表面反光、折射等问题都会影响被测物体特征的提取，因此光源与成像可以说是机器视觉检测要攻克的第一个难关。比如现在玻璃、反光表面的划痕检测等，很多时候问题都卡在不同缺陷的集成成像上。
机器视觉系统主要由三部分组成：图像的获取、图像的处理和分析、输出或显示。而图像的获取是机器视觉的核心，图像的获取系统则是由光源、镜头、相机三部分组成。光源的选取与打光合理与否可直接影响至少30%的成像质量。所以光源是机器视觉系统中非常重要的一部分。
器视觉解决了人类一个非常严重的问题，不稳定，人工目检是劳动非常枯燥和辛苦的行业，无论你设计怎样的奖惩制度，都会发生比较高的漏检率。但是机器视觉检测设备则没有疲劳问题，没有情绪波动，只要是你在算法中写好的东西，每一次都会认真执行。在质控中大大提升效果可控性。
基于机器视觉的检测方法是利用CCD相机获取桥梁表观图片，然后运用计算机处理后自动识别出裂缝图像，并从背景中分离出来然后进行裂缝参数的计算的方法，它具有便捷、直观、精确、非接触、再现性好、适应性强、灵活性高、成本低廉的优点，能解放劳动力，排除人为干扰，具有很好的应用前景。
钢带生产过程中需要实时进行有效的质量控制，及时发现不合格产品。影响带钢质量的主要因素在其表面，由于带钢原料钢卷的表面缺陷的轧制工艺过程中形成的表面缺陷是造成废、次品的主要原因，因此必须加强对带钢表面缺陷的监测，通过监测，对于加强轧制工艺管理，剔除废品、减少原材料浪费、提高成材率、改善工人劳动条件都有重要的意义。