基于Halcon的锂电池标签表面缺陷检测

1、介绍缺陷检测时机器视觉需求中最复杂难度较的一类需求。

究其原因，主要在发过程中首先要保证检测的稳定性和精度，又要实现缺陷检测的通用性，常见的缺陷：凹凸、污瑕疵、划痕、裂缝、伤痕、毛刺等等类型种类繁杂，缺陷检测不同于尺寸、、OCR识别等算法。

后者的应用场景比较单一，基本使用一些成熟的算法实现，最多增加一些定位、图像增强的算法，应用门槛相对较低，也比较容易成通用的产品或工具。

但缺陷检测主要针对工业场景，不同的行业的需求和重都有差别，这导致不同的行业所使用的缺陷算法迥然不同，这也注定了缺陷检测被工业场景非标定制所束缚。

随着缺陷检测要求的不断提高和技术的不断发展，机器学习和深度学习也成了缺陷领域一个不可或缺的技术难。

2、缺陷检测目前解决方案2.1 传统算法检测缺陷优：可根据需求和图像进行不同需求的发，可直观展示；缺：调试难度，图像变化后会导致检测算法不稳定进而需要反复调参，而且复杂缺陷误检的概率较，兼容性不好，很难成通用。

2.2 机器学习检测缺陷一般使用类似MLP的一些单层神经网络，对缺陷特征进行训练分类，该方法需要事先提取出缺陷部分，一般用来与传统分割法搭配使用，达到缺陷检测分类的。

2.3 深度学习检测缺陷优：通用性好，可以通过迭代训练模型不断提升某个产品的检测准确度。

缺：需要量的数据样本（缺陷样本），而且缺陷种类越多，特征性越模糊，检测精度要求越高，其需要的缺陷样本就越，而且深度学习中的缺陷样本需要人工去标注标签，样本越，手动标注的工作量也越，训练的周期也越长。

只适合产品产量且缺陷样本较多的案例。

2.4 深度学习检测缺陷（迁移学习方法）其操作方法如2.3，但同一行业或相似行业有量的缺陷样本库，如果深度训练网络具有泛化和迁移的特，可以在常规缺陷少的情况下，根据统一行业缺陷进行迁移学习训练，进而解决缺陷样本少的问题。

该方法感觉会成为后面工业领域检测瑕疵的一个趋势，但需要一些去收集各种行业的缺陷类型图片和训练的网络模型，并共享出来，然后后来者可以使用迁移学习的方法学习前人训练好的模型。

基于机器视觉的锂电池极片表面缺陷检测与识别系统研究摘要：全球碳中和目标的确立进一步拓展了锂电池的发展空间。

作为锂电池制造的重要元件之一，极片表面缺陷不仅会直接影响锂电池的性能和寿命，也会成为锂电池使用过程中的潜在隐患。

目前，机器视觉技术已逐渐取代落后、低效的人工检测方式，能够无损、高效地完成锂电池缺陷检测工作。

关键词：机器视觉；锂电池；极片表面；缺陷检测引言随着锂电池相关技术的发展和多类高性能锂电池产品的深入应用，锂电池也逐渐暴露出一些安全隐患，如电池发热起火、电池爆炸等问题将对公众的生命安全造成直接威胁。

因此，锂电池生产企业在追求锂电池产品极致性能的同时，也对其安全性能提出了更高的要求。

1算法设计针对痕类缺陷与背景灰度值相差不大的问题，首先进行图像差分和LOG算子的图像增强方法；接着提出一种基于改进的自适应中值和基于连通区域相结合的噪声滤波算法；然后对滤波后的多线段进行基于改进的RANSAC算法拟合，得到各线段的数学模型并且将多线段整合成完整的缺陷图像；最后提出了一种基于RANSAC算法的痕类缺陷分类方法。

1.1改进的滤波算法本文算法核心之一为滤波算法。

锂电池极片的背景通常由于经过激光模切等导致表面出现一些微小的噪点，因此在对缺陷进行检测之前对其进行滤波是很有必要的。

常见的图像过滤方法是：高斯滤波，双边滤波，中值滤波和平均滤波。

由于极片缺陷噪声分布特点，因此本文采用改进的自适应中值滤波与基于连通域去噪点相结合的方式对本文采用的样本进行滤波。

1.1.1改进的自适应中值滤波算法自适应中值滤波（AdaptiveMedianFiltering,AMF）的设计思路是：通过自适应调节中值滤波窗口达到只对噪声点滤除，而对非噪声点进行很好的保留的目的。

AMF对椒盐噪声的滤除自适应性表现为两点：一是自动区分图像中的噪声区域与非噪声区域，并对噪声区域进行滤除；二是根据噪声的密度自动选择不同尺寸的滤波窗口。

由于图像的背景灰度值低，因此噪声往往灰度值较大，将满足条件修改后可以尽可能多的将噪声滤除。

基于HALCON的医疗袋缺陷检测
王宏丽;赵不贿;孙智权;陈星星
【期刊名称】《包装工程》
【年(卷),期】2015(36)13
【摘要】目的针对现有医疗袋质量检测过程中存在的检测速度慢和检测精度低等问题,提出一种新的基于HALCON的医疗袋印刷图案缺陷检测方案。

方法根据不同医疗袋图案的区域特征进行手动定位,通过基于形状的模板匹配算法实现目标区域的快速匹配,利用灰度值差影匹配算法进行缺陷检测。

结果检测出的缺陷与实际存在的缺陷基本吻合,且检测速度和检测精度均满足要求。

结论该方案能够快速、准确、有效地检测出医疗袋图案缺陷,达到了一般生产线质量要求。

【总页数】5页(P125-129)
【关键词】缺陷检测;医疗袋;机器视觉;HALCON
【作者】王宏丽;赵不贿;孙智权;陈星星
【作者单位】江苏大学
【正文语种】中文
【中图分类】TS807
【相关文献】
1.基于Halcon的锂电池标签表面缺陷检测 [J], 熊继淙; 邢旭朋; 马军
2.基于HALCON的贴片IC焊接缺陷检测算法研究 [J], 李文静;张虎山;焦键
3.基于HALCON的贴片IC焊接缺陷检测算法研究 [J], 李文静;张虎山;焦键
4.基于Halcon的圆形陶瓷片表面缺陷检测方法 [J], 贺潇;苏彩红;詹宁宙;林军帆;梁智宇
5.基于Halcon的电表铭牌缺陷检测系统 [J], 谢晖;吴先锋;付山;王伟龙
因版权原因，仅展示原文概要，查看原文内容请购买。

第39卷第2期2021年3月佛山科学技术学院学报（自然科学版）Journal of Foshan University（Natural Sciences Edition）Vol.39No.2Mar.2021文章编号：1008-0171（2021）02-0028-05基于Halcon的圆形陶瓷片表面缺陷检测方法贺潇苏彩红仔，詹宁宙2,林军帆-梁智宇1(1.佛山科学技术学院机电工程与自动化学院，广东佛山528000;2.佛山精视自动化科技有限公司，广东佛山528000)摘要:针对圆形陶瓷片的产品特性以及厂家检测的需要，设计了一种基于Halcon平台的表面缺陷分区检测算法。

通过前期预处理中的灰度化、图像增强处理以及ROI的选取后，再针对不同缺陷分别采用阈值分割、极坐标转换及边缘提取等方法获取产品缺陷区域并进行检测。

实验结果证明本检测算法具有较高的准确性，并能较好地满足实际检测要求。

关键词:缺陷检测；Halcon；阈值分割；边缘提取中图分类号:TP391.41;TQ174文献标志码:A圆形陶瓷片在生产过程中，由于生产工艺和生产环境的影响，会出现一定比例的缺陷产品。

如果不能及时筛选出来，对于产品后续的使用会存在一定的安全隐患。

目前针对圆形陶瓷片的缺陷筛选主要是人工目检，而人工目检存在检测效率低、人工成本高等缺点。

近年来，随着图像处理技术和机器视觉技术的不断发展，出现了越来越多的机器视觉检测来代替人工目检的情况。

Halcon是由德国MVTec公司研发的机器视觉图像处理软件，提供了全面的图像处理函数库。

本文基于Halcon算法平台，主要研究了圆形陶瓷片表面的气泡、斑点、粉尘和炸裂等缺陷的图像处理算法。

1缺陷分类及检测流程圆形陶瓷片在生产线上通过面阵CCD进行图像采集，在Halcon软件上进行处理、分析和检测[1]o 圆形陶瓷片的表面缺陷主要包括气泡、斑点、粉尘和炸裂4种,缺陷特点及分类如表1所示。

表1缺陷分类及特点缺陷类型缺陷出现位置缺陷特点气泡外环白色缺损，区域图像灰度比周围背景图像大10以上斑点大内环黑色缺损，区域图像灰度比周围背景图像小15以上粉尘大内环边缘黑色缺陷，区域内连续多个面积大于10的黑色缺陷炸裂内孔边缘白色缺损，内孔边缘出现的裂缝，区域裂缝长度大于5圆形陶瓷片缺陷检测流程如图1所示，检测步骤主要包括：1)利用图像灰度化和增强技术，将原始图片进行预处理;2)利用阈值分割的方法提取图片中各类缺陷对应的感兴趣区域ROI(Region of收稿日期:2020-06-10基金项目:广东省普通高校科研资助项目(2019KZDZX1034)作者简介:贺潇(1996-)，男，湖南南县人，佛山科学技术学院硕士研究生。

基于Halcon的SMT-PCB元件缺陷检测
黄建荣;范彦斌;叶邦彦
【期刊名称】《佛山科学技术学院学报（自然科学版）》
【年(卷),期】2008(026)002
【摘要】利用德国MVTec公司的机器视觉软件Halcon7.1的模式匹配技术.实现对SMT-PCB(表面贴装印刷电路板)元件缺陷:有无、极性、偏移以及旋转的质量检测.
【总页数】3页(P19-21)
【作者】黄建荣;范彦斌;叶邦彦
【作者单位】华南理工大学,机械工程学院,广东,广州,510640;佛山科学技术学院,机电工程系,广东,佛山,528000;佛山科学技术学院,机电工程系,广东,佛山,528000;华南理工大学,机械工程学院,广东,广州,510640
【正文语种】中文
【中图分类】TN41
【相关文献】
1.基于Halcon的锂电池标签表面缺陷检测 [J], 熊继淙; 邢旭朋; 马军
2.基于HALCON的贴片IC焊接缺陷检测算法研究 [J], 李文静;张虎山;焦键
3.基于HALCON的注射器针头缺陷检测方法 [J], 张宝愿;陈桦;张耿;茹岚;王日双
4.基于Halcon的圆形陶瓷片表面缺陷检测方法 [J], 贺潇;苏彩红;詹宁宙;林军帆;梁智宇
5.基于Halcon的电表铭牌缺陷检测系统 [J], 谢晖;吴先锋;付山;王伟龙
因版权原因，仅展示原文概要，查看原文内容请购买。

基于HALCON的工业零件检测研究近年来，工业零件的高效自动化检测成为工业生产中重要的环节。

其中，基于HALCON的工业零件检测技术在视觉检测领域得到了广泛的应用。

本文将介绍基于HALCON的工业零件检测研究的相关内容。

首先，介绍HALCON技术。

HALCON（High-Level Analysis and Calculation Language for Object-Oriented Numerics）是一款基于图像处理和机器视觉的软件库。

它具有强大的图像分析和图像处理能力，可以精确地检测工业零件的缺陷和形状。

HALCON提供了丰富的图像处理算法和功能，包括边缘检测、灰度处理、形状匹配等。

在工业零件检测研究中，首先需要进行图像预处理。

图像预处理可以提高后续检测算法的准确性和鲁棒性。

常用的图像预处理算法包括图像平滑、图像增强和图像分割等。

例如，通过对图像进行平滑处理可以减少噪声的干扰，通过图像增强可以增强零件的边缘特征，通过图像分割可以将零件与背景分离。

接下来，进行特征提取和形状匹配。

特征提取是检测算法的关键环节之一，它可以提取出零件的特征信息，用于后续的形状匹配。

常见的特征包括轮廓、角点、直线等。

形状匹配是通过比较模板图像和待测图像的特征，来判断零件是否符合标准要求。

形状匹配算法常包括基于模板的匹配和基于特征的匹配。

此外，还需要对零件的缺陷进行检测。

缺陷检测算法可以通过比较待测图像和标准图像，来判断零件是否存在缺陷。

常见的缺陷检测算法包括凸包检测、边缘检测和面积检测等。

这些算法可以快速且准确地检测出零件的缺陷，并将其标记出来。

最后，根据检测结果进行判定并输出。

根据检测算法的结果，可以对零件进行合格和不合格的判定。

合格的零件可直接进入后续步骤，不合格的零件则需要进行后续处理或报废。

此外，基于HALCON的工业零件检测系统还可以输出检测报告，记录每个零件的检测结果和相关数据。

总之，基于HALCON的工业零件检测研究可以大大提高工业生产中零件的检测效率和准确性。