8.缺陷检查.ppt

* * * * * * * * * * * * * * * * * * * * * * * * 1 PatInspect -- Terry Ding 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 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） 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 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 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 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。 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 训练检查图案 对于第一个训练图像： 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 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 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 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 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 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。 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 是灰度值对为训练提供的所有图像中单个像素的标准差 计算阀值 使用默认值的例子： 如果对于所有训练图像的具体像素的标准差是2.4，那么对于该像素的阀值也是2.4： 1.0 × 2.4 + 0.0 = 2.4 这意味着对于某仿射转换的运行期间区域中的该像素的灰度值可以与对应的训练图案图像中该像素的灰度值相关多达2.4灰度级，并且不会计为一个缺陷 计算阀值 使用其他值的例子： 对于特定像素的标准差是2.4 比例 = 3.0 位移 = 10.0 那么对于该像素的阀值是17.2： 3.0 × 2.4 + 10.0 = 17.2 这意味着对于某仿射转换的运行期间区域中的该像素的灰度值可以与对应的训练图案图像中该像素的灰度值相关多达17.2灰度级，并且不会计为一个缺陷 如果您只使用一个图像进行训练，那么对于每个像素需要人为地建立一个标准差（StdDev） 边线像素的值更高 边线像素还往往是多数图像之间存在最大差别的地方 因此，如果人为操作，Sobel图像可以作为合理的标准差值的基础， 使用一个图像计算阀值 有时，您想要说明在灯光或者环境条件下可能发生的变化 这样灰度差别不会被当作缺