机器视觉检测--光源

2024-06-03 15:28
文章标签 机器 检测 视觉 光源

本文主要是介绍机器视觉检测--光源,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

一,环形光源

较为常见的LED光源之一,提供基本的照明作用。

随着光源距离产品的工作距离LWD变化而产生的亮度分布,如下图暖色表示亮;冷色表示暗。
同时该图示是针对特定一款大小的环形光源的数据(下同)。

二,条形光源

较为常见的LED光源之一,可对长尺区域进行均匀照射,
同时通过角度改变可以完成多种照明效果。

比如安装为斜向照射,以漫反射光进行拍摄、辨别,从而避免产生引起光晕的镜面反射光。此外,还可将 CCD 与照明呈相同角度倾斜,以获取镜面反射光,从而突显出刻印等的边缘成分。

单个条形光源直接照明的亮度分布:

凸显边缘的应用实例:

连接器行业,给产品的端子头部照明,可以获得很好的效果。

经过组合,还可以做成如下图的可以调整照射角度的照明搭配。

三,碗形光源

常见的LED光源,可以实现照明效果是均匀的无影光。

发光原理和亮度分布如下图:

应用实例

四,同轴光源

常见的LED光源,其突出特点是具备高对比度,在检测镜面、光泽面或希望以光泽差异进行辨别时非常有效。

照射原理如下图:

同轴光源从侧面将光线发射到半反射镜上,反射镜再将光线反射到工件上。镜面反射光可以返回到 CCD,而工件表面如刻印伤痕等凹凸不平的部分产生的漫反射光则不能接受到。这样就使得工件的边缘点形成了对比度。而且,来自工件的光线越远,不能接受到的漫反射光就越多,形成更大的图像对比度和清晰度。

亮度分布如下

应用实例

五,低角度光源

和同轴光源的平行照射的理念正好相反,通过从小角度或几乎平行的角度照射LED,可仅突出边缘,轮廓或者表面的缺陷划伤。

通常检测工件的边缘或表面上的瑕疵对于标准的直接照明都很困难。但低角度光源从很小的角度将光线直接照射到工件上,由于光的方向几乎与表面平行,所以表面高度的变化都会改变到CCD 的光路,从而突出变化。

应用实例

六,点光源

特点是节省空间,同时可以实现小范围高亮度照明。

此外,可以与C接口长焦镜头配合使用,在没有空间安装的地方,实现远距离照明。

同时,如果和远心镜头配合,还可以作为平行光源使用。

七,多角度光源

更加柔和的照明,以及放在不同高度可以实现不同的效果。

应用实例

八,背光光源

以上介绍的各个通用照明的相同点是:光源位于相机和工件之间,使用正面打光,通过获取工件表面的反光而获得工件的表面信息。
背光源与通用照明的不同之处是:通常情况下使用时工件位于背光和镜头之间,通过工件阻挡光线通过,获取工件的轮廓信息。

背光光源通常情况下的安装图

应用实例

以上介绍的即为常用的LED光源标准品类型。当然对于特殊的应用,也有很多种尺寸和形状的定制光源,有配合线扫描相机的线性光源,配合2.5D相机的多方向发光光源,配合贴片检测的多色AOI光源等等。市面上专业的光源供应商有日本的CCS,国内的V-light,OPT,CST等。

来源基恩士官网

这篇关于机器视觉检测--光源的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1027371

相关文章

Python如何实现PDF隐私信息检测

《Python如何实现PDF隐私信息检测》随着越来越多的个人信息以电子形式存储和传输,确保这些信息的安全至关重要,本文将介绍如何使用Python检测PDF文件中的隐私信息,需要的可以参考下... 目录项目背景技术栈代码解析功能说明运行结php果在当今,数据隐私保护变得尤为重要。随着越来越多的个人信息以电子形

SpringBoot使用Apache Tika检测敏感信息

《SpringBoot使用ApacheTika检测敏感信息》ApacheTika是一个功能强大的内容分析工具,它能够从多种文件格式中提取文本、元数据以及其他结构化信息,下面我们来看看如何使用Ap... 目录Tika 主要特性1. 多格式支持2. 自动文件类型检测3. 文本和元数据提取4. 支持 OCR(光学

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

一个包含7800张带标注图像的数据集,专门用于烟火目标检测,是一个非常有价值的资源,尤其对于那些致力于公共安全、事件管理和烟花表演监控等领域的人士而言。下面是对此数据集的一个详细介绍: 数据集名称:烟火目标检测数据集 数据集规模: 图片数量:7800张类别:主要包含烟火类目标,可能还包括其他相关类别,如烟火发射装置、背景等。格式:图像文件通常为JPEG或PNG格式;标注文件可能为X

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个

基于 YOLOv5 的积水检测系统:打造高效智能的智慧城市应用

在城市发展中,积水问题日益严重,特别是在大雨过后,积水往往会影响交通甚至威胁人们的安全。通过现代计算机视觉技术,我们能够智能化地检测和识别积水区域,减少潜在危险。本文将介绍如何使用 YOLOv5 和 PyQt5 搭建一个积水检测系统,结合深度学习和直观的图形界面,为用户提供高效的解决方案。 源码地址: PyQt5+YoloV5 实现积水检测系统 预览: 项目背景

JavaFX应用更新检测功能(在线自动更新方案)

JavaFX开发的桌面应用属于C端,一般来说需要版本检测和自动更新功能,这里记录一下一种版本检测和自动更新的方法。 1. 整体方案 JavaFX.应用版本检测、自动更新主要涉及一下步骤: 读取本地应用版本拉取远程版本并比较两个版本如果需要升级,那么拉取更新历史弹出升级控制窗口用户选择升级时,拉取升级包解压,重启应用用户选择忽略时,本地版本标志为忽略版本用户选择取消时,隐藏升级控制窗口 2.

【机器学习】高斯网络的基本概念和应用领域

引言 高斯网络(Gaussian Network)通常指的是一个概率图模型,其中所有的随机变量(或节点)都遵循高斯分布 文章目录 引言一、高斯网络(Gaussian Network)1.1 高斯过程(Gaussian Process)1.2 高斯混合模型(Gaussian Mixture Model)1.3 应用1.4 总结 二、高斯网络的应用2.1 机器学习2.2 统计学2.3