機器視覺技術及應用 課件 第七章 機器視覺檢測

機器視覺檢測第七章第七章機器視覺檢測機器視覺表面缺陷檢測7.1項目任務一：齒輪缺陷檢測7.2項目任務二：鋰電池類別檢測7.3項目任務三：齒輪缺陷檢測7.4第七章

機器視覺檢測機器視覺表面缺陷檢測017.1機器視覺表面缺陷檢測?圖像的表面特征1.紋理特征紋理是表達圖像的一種重要特征，它不依賴于顏色或亮度而反映圖像的同質現象，反映了表面結構組織排列的重要信息以及它們與周圍環境的聯系。常見的紋理特征提取方法主要包括以下幾種：灰度共生矩陣：灰度共生矩陣是一種統計方法，用于描述圖像中灰度級別之間的空間關系。方向梯度直方圖：方向梯度直方圖是一種常用的紋理特征提取方法。局部二值模式(LBP)：局部二值模式是一種用于紋理特征提取的簡單有效方法。高斯濾波器組：高斯濾波器組是一種基于多尺度分析的紋理特征提取方法。還有尺度不變特征變換等方法。直方圖統計方法：在一定程度上可以用于紋理特征的描述，尤其在一些特定場景下，可以通過紋理在灰度級別之間的分布信息進行紋理特征的提取。7.1機器視覺表面缺陷檢測?圖像的表面特征2.形狀特征形狀是圖像中物體的幾何結構和輪廓，可以通過提取圖像的邊緣、輪廓、拐角等特征來描述圖像的形狀特征。形狀特征是進行物體識別時所需要的關鍵信息之一，它不隨周圍的環境如亮度等因素的變化而變化。形狀特征提取方法有多種，常用的方法有：邊緣檢測：邊緣檢測是一種常用的圖像形狀特征提取方法。輪廓提取：輪廓提取是一種基于邊緣的圖像形狀特征提取方法。霍夫變換：霍夫變換是一種用于檢測特定形狀（如直線、圓）的圖像形狀特征提取方法。斑點分析方法：斑點分析是一種用于提取和分析圖像中的斑點或小區域的形狀特征的方法。斑點分析方法可以被視為圖像形狀特征提取的一個子領域，它專注于對離散斑點進行定量分析。這些方法可以與其他形狀特征提取方法結合使用，以綜合分析和描述圖像中的形狀特征。7.1機器視覺表面缺陷檢測?圖像的表面特征3.顏色特征顏色特征是人類感知和區分不同物體的一種基本視覺特征，是一種全局特征，描述了圖像或圖像區域所對應的景物的表面性質。顏色特征對于圖像的旋轉、平移、尺度變化都不敏感，表現出較強的魯棒性。常用的圖像顏色特征提取方法主要有：顏色直方圖：顏色直方圖是一種統計圖表，用于描述圖像中各個顏色的分布情況。顏色矩：顏色矩是一種統計量，用于描述圖像顏色的分布和集中程度。色彩空間變換：將圖像從一種色彩空間轉換到另一種色彩空間，可以提取不同的顏色特征。7.1機器視覺表面缺陷檢測?表面缺陷的視覺軟件處理方法1.直方圖統計方法基于直方圖特征（統計特征）的方法-HistogramTool。直方圖特征方法計算簡單，具有平移和旋轉不變性，對顏色像素的精確空間分布不敏感等，在表面檢測、缺陷識別中有不少應用。2.斑點分析方法VisionPro視覺軟件中為基于形狀特征的幾何形態分析方法-BlobTool工具。斑點分析又成為Blob（斑點）分析，是一種基于對一致圖像區域分析的機器視覺的基本技術，用于從背景中清晰辨別出被檢物體區域。BlobTool用于分析和識別二值化圖像中的形狀特征。Blob（斑點）是指圖像中的一個連通區域，其邊界由同一類像素組成。BlobTool通過分析Blob（斑點）的幾何形態特征來描述和識別目標形狀。7.1機器視覺表面缺陷檢測?表面缺陷的視覺軟件處理方法3.圖像/模板匹配方法模板匹配是一種最基本的模式識別方法。VisionPro視覺軟件中為PatInspectTool工具，該工具將輸入圖像區域中包含的特征與經過訓練的圖案中存儲的特征進行比較，并生成突出顯示它們之間差異的輸出圖像。模板匹配工具訓練圖像，生成標準偏差圖像和閾值圖像捕獲匹配圖像對匹配圖像歸一化計算原始差異圖像生成閾值差異圖像進一步分析7.1機器視覺表面缺陷檢測?表面缺陷的視覺軟件處理方法PatInspect工具，就是在待檢測圖像上，根據不同的感興趣區域（ROI）用指定的匹配方法與模板庫中的所有圖像進行搜索匹配，完全仔細地對模板圖像與待檢圖像進行比對，并生成突出顯示它們之間差異的輸出圖像。這種方法相比Blob分析有較好的檢測精度，同時也能區分不同的缺陷類別。如果圖像或者模板發生變化，比如旋轉，修改某幾個像素，圖像翻轉等操作之后，就無法進行匹配了。模板匹配工具使用多個實際圖像的統計訓練方法，從中創建訓練有素的圖案。訓練圖像在背景，照明和對象放置方面都必須與期望捕獲的圖像非常相似。必須沒有缺陷，代表將檢查的圖像對象的理想示例。采用如圖所示公式，將其平均化為當前的訓練模式。模板匹配工具標準偏差圖像使用訓練模式，采用如圖所示的公式生成標準偏差圖像。每個像素都是統計訓練圖像中像素值的標準偏差的量度。表示訓練圖案中每個像素的預期可變程度。模板匹配工具訓練圖像采用單個輸入圖像，則工具將使用SobelEdge工具生成偽標準偏差圖像。比例系數的增加會增加圖像邊緣的大小，而偏移系數的增加會增加圖像的整體亮度。模板匹配工具閾值圖像對標準偏差圖像的對應像素值進行線性變換，生成閾值圖像。PatInspect工具使用下圖所示的公式生成閾值圖像：其中A和B分別表示比例系數和偏移系數。閾值比例的增加會增加邊緣信息的對比度，而閾值偏移的增加會增加整體亮度。7.1機器視覺表面缺陷檢測?PatInspectTool為了補償變化的光照水平，該工具可以在對運行時圖像進行差異分析之前對其進行圖像歸一化操作，將無缺陷像素的值降低或提高到訓練模式中存儲的相同水平。PatInspectTool的圖像歸一化方法主要有：Identity：對運行時圖像不進行歸一化，主要是在測試階段用來進行觀察，確定不進行歸一化可能出現的缺陷位置與缺陷類型。HistogramEqualization：直方圖均衡化，調整運行時圖像的灰度直方圖與訓練后圖像的灰度直方圖相匹配，適用于檢測面積比較小的情況，因為大面積出現缺陷會影響灰度直方圖分布。MatchTails：適用于圖像中可能出現陰影或者耀光的情況。MeanandStandardDeviation：適用于大小適中的缺陷檢測以及光照變換比較明顯的情況。RobustLineFit：可以容忍更大的缺陷，但需要更多的處理時間。LocalCorrectionorEnhancedLocalCorrection：局部修正方法。7.1機器視覺表面缺陷檢測?PatInspectToolPatInspect使用PatMax技術探測缺陷。缺陷被定義為運行期間圖像中超出正常預期的圖像差別的任何變化，缺陷可能是物體遺失（阻塞）或者多余（雜亂）。通過將當前圖像進行歸一化操作，然后與“訓練圖像”對比，獲取“原始差異圖像”，再將“原始差異圖像”與由“訓練圖像”產生的“閾值圖像”進行對比，進而獲取“閾值差異圖像”得到最終的當前圖像與訓練圖像的差異，通常差異區域為缺陷所在。模板匹配工具四個輸入端：輸入圖像的輸入終端。由PMAlign工具所確定特征的Pose的輸入終端。訓練圖像的輸入終端。PMAlign工具原點的輸入終端。一個輸出終端：工具成功執行后所生成閾值化差值圖像的輸出終端7.1機器視覺表面缺陷檢測?表面缺陷的視覺軟件處理方法4.顏色匹配方法基于顏色特征匹配的工具--SearchMax。SearchMax工具結合了PMAlign和CNLsearch工具的優缺點；SearchMax工具使用歸一化相關搜索匹配功能，通過顏色特征來尋找目標物體。即使角度、大小和陰影發生變化，此方法也能準確地查找物體，并且不依賴灰度級。適合彩色圖像，小圖案(特征少的圖像)場合，包含紋理圖像，圖像傾斜等顏色缺陷檢測。像CNLSearch工具一樣，SearchMax工具會匹配運行時圖像中經過訓練的模式中的特征。像PMAlign工具一樣，SearchMax工具可以在不同的旋轉和比例下定位訓練好的圖案。與其他Cognex搜索工具不同，SearchMax工具還允許您訓練和定位CogImage24PlanarColor彩色圖像中的特征。顏色分割工具顏色分割工具（CogColorSegmenterTool）分析彩色圖像，以生成由深色背景上的亮像素組成的灰度圖像，其中亮像素對應于來自顏色輸入的，落入一個或多個所需顏色范圍內的特征。暗像素則代表不在所需顏色范圍內的彩色像素。隔離藍色圖像顏色分割工具顏色分割工具（CogColorSegmenterTool）將圖像分割成兩個部分–已知顏色和其他顏色分割工具顏色可以從點或者區域上定義點

將顏色定義為單個RGB值區域將顏色定義為柱狀圖顏色分割工具ColorSegmenter工具生成的灰度圖像僅代表您感興趣的彩色圖像的那些特征，并且可以使用其他視覺工具（例如Blob工具）進行進一步分析。使用“顏色”卡生成ColorSegmenter工具將用來生成分割圖像的顏色范圍集合。如下圖所示。顏色分割工具使用“范圍”選項卡修改圖像當前所使用顏色空間中沿任意一個平面的當前范圍。ColorSegmenter啟動時每個顏色平面都有默認的范圍，但使用”范圍”選項卡中的圖形來增大或減小工具將視為允許范圍內的顏色值。如下圖所示。顏色分割工具圖像的具體顏色范圍標稱值表示為平均顏色值。容差下限和上限分別表示被視為處于所需范圍內的顏色較小值和較大值。范圍選項卡通過當前平面中所含值的直方圖來呈現這些參數。通過圖形中的圖柄可以修改這些參數。第七章

機器視覺檢測項目任務一：齒輪缺陷檢測027.2項目任務一：齒輪缺陷檢測任務要求：（1）讀出視野范圍內的齒輪上的二維碼信息；（2）測量視野范圍內的齒輪內圓的圓心距；（3）對視野范圍內的齒輪的齒數進行統計；（4）檢測視野范圍內的齒輪齒數是否缺失，進行NG/OK判斷；（5）將齒輪上的讀碼結果、齒輪齒數、圓心距、NG/OK判斷結果等信息開放到界面上顯示。7.2項目任務一：齒輪缺陷檢測?任務實施1.硬件配置2.程序流程設計（1）觸發程序和取像（2）ToolBlock視覺任務處理（3）結果圖像3.HMI界面設計7.2項目任務一：齒輪缺陷檢測?ToolBlock視覺任務處理1）灰度轉換。使用CogImageConvertTool將采集到的圖像轉變為灰度圖像。2）特征提取。使用CogPMAlignTool調整相關參數，進行模板匹配。觀察圖像后，取中間的小圓進行特征匹配。3）建立特征坐標系。使用CogFixtureTool，建立特征坐標系。4）二維碼識別。添加CogIDTool，識別圖像中的“數據陣”信息，將識別出的二維碼信息“Results.Item[0].DecodedData.DecodedString”鏈接輸出到整個“ToolBlock”的輸出終端“Outputs”，并命名為“Gear_String”。7.2項目任務一：齒輪缺陷檢測?ToolBlock視覺任務處理5）測量內圓半徑。使用CogFindCricleTool，找出齒輪內圓。將找到圓的半徑數值（Results.GetCircle().Radius）鏈接輸出到整個“ToolBlock”的輸出終端“Outputs”，并命名為“Gear_Radius”。7.2項目任務一：齒輪缺陷檢測?ToolBlock視覺任務處理6）斑點分析。使用CogBlobTool統計齒數。“區域形狀”使用圓環（CogCircularAnnulusSection），所選空間為圖像的特征坐標系（@Fixture）。通過圓環分割齒輪的齒，進行Blob分析。7.2項目任務一：齒輪缺陷檢測?斑點分析Blob工具運行的流程一般是：分割圖像，應用連通性規則，執行任何形態學，計算測量，得出結果和輸出圖像。斑點在其運行時所做的第一件事就是圖像分割，確定哪些像素是斑點像素以及哪些是背景像素。有數種模式可以指定哪些可以將斑點與背景像素分開。斑點像素背景像素斑點工具斑點分析Blob（斑點）是指圖像中的一個連通區域，其邊界由同一類像素組成。BlobTool通過分析Blob（斑點）的幾何形態特征來描述和識別目標形狀。斑點工具分割圖像應用連通性規則執行任何形態學計算測量得出結果和輸出圖像斑點工具模式：硬閾值（固定）、硬閾值（相對）、硬閾值（動態）、軟閾值（固定）、軟閾值（相對）、映射、減影圖像等。多數圖像分割會要求進行設置以下參數：極性：在光亮背景上的黑色斑點或在黑色背景上的光亮斑點。閥值：將斑點像素從背景像素中分開來的值。斑點工具閾值：低于閾值的灰度值的所有像素被作為目標像素，高于閾值的所有像素被指定為背景像素。斑點工具根據像素個數統計方式差異，有硬閾值和軟閾值。硬閾值：單一定值，分割統計斑點像素與背景像素。軟閾值：一系列閾值，像素加權計劃進行統計。硬閾值將分割后的圖像中的每個像素只能表示對象（1）或背景（0）。軟閾值將分割后的圖像中的像素可以表示對象（1），背景（0）或對象與背景之間的邊緣（0.0~1.0）。斑點工具根據灰度分割值計算方式差異，有固定閾值、相對閾值和動態閾值。固定閾值：斑點像素和背景像素分別根據灰度值來確定。相對閾值：通過設定左尾部和右尾部間的像素百分比值計算灰度閾值。尾度代表灰度柱狀圖兩端的噪音級像素。動態閾值：軟件通過左尾部和右尾部間的像素分布自動計算灰度閾值。斑點工具大部分情況都使可使用硬性閥值來將斑點像素從背景像素中分開。固定閾值處理速度更快，相對閾值適應能力更強（不受圖像亮度線性變化影響）;固定閾值可以用于判斷特征有無、而相對閾值不能。而對于動態閾值，系統自動計算分割閾值，適用于特征與背景灰度分布差異明顯（雙峰）。7.2項目任務一：齒輪缺陷檢測?斑點分析閥值=30閥值=100閥值=14040%的40%的40%的相對閥值調整因為線性燈光變化固定的灰度閥值不提供線性燈光變化到目前為止所有例子都使用了硬性閥值。該值（灰度或百分比）將斑點像素從背景像素中分開。7.2項目任務一：齒輪缺陷檢測?斑點分析當圖像包含類似的背景和斑點灰度時，使用一個減法圖像閥值圖像只包含背景信息圖像中的每個像素與閥值圖像中的相應像素相差指定的數量，即斑點像素。減法圖像待分割的圖像分割后的圖像7.2項目任務一：齒輪缺陷檢測?斑點分析為不能使用硬性或者軟性二進制閥值進行分割的圖像使用一個像素映射（查找表）要求一個比例因子，應用到像素映射值“映射”：為每個灰度提供一個輸出值。7.2項目任務一：齒輪缺陷檢測?斑點分析為了細化區域，去除噪聲，可以進行形態學處理和連通性分析。在將圖像分區之后，斑點執行連通性分析。連通性分析的模式有“整個圖像”、“灰度”、“已標記”等模式。整個圖像：所有離散的連通區域作為單一Blob輸出。“灰度”：所有離散的連通區域分別作為Blob輸出。“已標記”（不常用）：關注分割組別、非特征與背景的區分。7.2項目任務一：齒輪缺陷檢測?斑點分析小于“最小面積”的連通區域受“清除”選項影響。“清除”選項如下：“修剪”：忽略但是不刪除低于規定尺寸的特征。“填充”：使用灰度值從左邊相鄰的像素開始填充修剪后的特征。中間的圖像采用“修正”清除模式，周圍8個孔仍然存在，但不會被報告。采用“填充”模式，周圍8個小孔被填充了。7.2項目任務一：齒輪缺陷檢測?斑點分析針對任何屬性，使用篩選來排除一定范圍之外的斑點，或者只包括在一定范圍之內的斑點。結果可以按順序（升序或者降序）整理，以便進行選擇。如圖所示，進行斑點面積過濾，只留下在120-700之間的斑點。斑點工具針對任何屬性，使用篩選來排除一定范圍之外的斑點，或者只包括在一定范圍之內的斑點。結果可以按順序（升序或者降序）整理，以便進行選擇。7.2項目任務一：齒輪缺陷檢測?斑點分析相關參數設置后，點擊“運行”，得出圖像區顯示斑點圖像，在“結果”區域顯示每個斑點的面積、中心（X/Y）的坐標。每個白色聯通（斑點）區域即可表示為1個齒輪的齒廓。Blob分析結果統計出斑點的個數，也即齒輪的齒數。將找到斑點的個數（Results.GetBlobs().Count）鏈接輸出到整個“ToolBlock”的輸出終端“Outputs”，并命名為“Gear_Count”。7.2項目任務一：齒輪缺陷檢測?ToolBlock視覺任務處理7）結果分析。添加ResultsAnalysis工具，如圖所示。在ResultsAnalysis工具中添加一個輸入，把BlobTool工具運行后齒輪的齒數輸入到ResultsAnalysis工具端。如果齒數等于21（標準齒數），則認為齒輪齒數是正常的，Gear_OK是True，否則是False。（3）結果圖像7.2項目任務一：齒輪缺陷檢測?V+程序設計任務配置3.HMI設計（1）添加“基礎控件”控件在“運行界面設計器”中，添加“基礎控件”組中的“運行/停止”和“動作按鈕”組件。添加“單行文本”、“形狀”、“直線”等組件。（2）添加“運行結果”控件在“運行結果”組中的“OK/NG統計”、“結果數據”、“圖像(Cognex)”等控件，將測量的長、寬、中心點至長邊的距離等數據和結果圖像顯示在界面中，并對所測長、寬距離進行直觀顯示。7.2項目任務一：齒輪缺陷檢測?程序流程設計第七章

機器視覺檢測項目任務二：鋰電池類別檢測037.2項目任務二：鋰電池類別檢測任務要求：（1）對鋰電池進行檢測分類，分辨出三類電池；（2）對鋰電池上小圓圈區域涂抹的顏色進行識別，紅色、綠色或者無色；（3）識別鋰電池塊的二維碼信息；（4）識別鋰電池塊上的文字信息；（5）將鋰電池的類別，小圓圈上涂抹顏色、二維碼信息、文字信息等顯示到界面上。7.2項目任務二：鋰電池類別檢測?任務實施1.硬件配置2.程序流程設計3.HMI界面設計7.2項目任務二：鋰電池類別檢測?ToolBlock視覺任務處理1）灰度轉換。使用CogImageConvertTool將采集到的圖像轉變為灰度圖像。2）特征提取。使用CogPMAlignTool調整相關參數，進行模板匹配。觀察圖像后，取中間的小圓進行特征匹配。3）建立特征坐標系。使用CogFixtureTool，建立特征坐標系。4）二維碼識別。添加CogIDTool，識別圖像中的“數據陣”信息，將識別出的二維碼信息。將工具輸出的字符串“Results.Item[0].DecodedData.DecodedString”鏈接到整個工具的輸出終端，并命名為“IDString”。

5）字符識別。添加OCRMaxTool，識別鋰電池上的文字信息。識別區域選取為包含文字信息的區域區域，選擇空間為@\Fixture，提取特征后的坐標空間。將此工具的識別文字輸出“Result.ResultOfBestMatch.Color.Name”鏈接到ToolBlock的終端輸出（“Outputs”），并分別命名為OCRString。7.2項目任務二：鋰電池類別檢測?ToolBlock視覺任務處理6）顏色特征提取。添加CogColorMatchTool，圖像來源為鋰電池的源彩色圖像。如圖所示，在“區域”欄中選擇“@Fixture”特征坐標系中的圓形區域，包含在目標顏色區域內。顏色匹配工具選擇提取形狀設置目標區域提取參考顏色計算得分輸出匹配顏色7.2項目任務二：鋰電池類別檢測?CogColorMatchTool工具CogColorMatchTool工具將彩色圖像中某一區域的顏色和事先提取圖像表中的每一個顏色對比，得到一組得分，得分表示和此種顏色匹配的程度，得分越高說明顏色越接近，運行此工具的時候，將返回得分最高的顏色。CogColorMatchTool工具采用單一顏色進行匹配，在獲取一定區域內的顏色之后，會把提取區域內的顏色求平均值，然后用這個平均值進行匹配。如果提取的區域內的顏色具有單一或接近統一的顏色時，匹配的效果會穩定。CogColorMatchTool工具使用的步驟一般為：選擇顏色提取區域的形狀，設置ROI；提取參考顏色；運行工具查看運行結果。7.2項目任務二：鋰電池類別檢測?CogColorMatchTool工具逐一添加包含在目標區域中的某點或某一小區域的顏色，在“顏色”欄中設置訓練顏色，顏色名稱由用戶定義。把所有需要識別的顏色都添加到顏色集中。7.2項目任務二：鋰電池類別檢測?CogColorMatchTool工具1.捕獲包含要添加到參考表中的顏色的典型圖像。2.指定是要使用圖像中的單個像素還是要使用定義的區域添加顏色。當圖像包含一致的顏色值時，請使用單個像素，色彩匹配使用單點。當希望工具從該區域包含的所有像素生成平均顏色值時，請使用定義的區域，顏色匹配使用區域代替。3.定義包含要添加到參考表中的顏色的點或區域。4.給新的參考顏色命名。5.為新顏色定義RGB或HSI的顏色空間。6.根據需要將新顏色添加到參考表中并生成下一個參考顏色。7.2項目任務二：鋰電池類別檢測?CogColorMatchTool工具點擊運行，在“結果”欄，將目標區域提取顏色和訓練顏色集中的顏色匹配，按照得分高低順序，顯示一組顏色匹配的得分，得分越高的顏色就是最佳匹配顏色。7.2項目任務二：鋰電池類別檢測?CogColorMatchTool工具“顏色匹配”工具基于運行時圖像的顏色與參考顏色之間的顏色距離生成匹配分數。該工具使用以下公式生成顏色距離：

該公式平均適用于任一顏色空間的圖像，其中i分量表示RGB顏色空間中的紅色，綠色或藍色值，或HSI顏色空間中的色相，飽和度和強度值。如有必要，可以在工具計算色差之前更改賦予單個組件的重量。這在兩種參考顏色非常相似且工具在運行時圖像中無法始終正確區分它們的情況下很有用。7.2項目任務二：鋰電池類別檢測?ToolBlock視覺任務處理7）測量鋰電池的長和寬。采用CogCaliperTool工具分別測量鋰電池的長和寬值，將測量結果Results.Item[0].Width鏈接到終端輸出(Outputs),并分別命名為Length，Width。注：在測量前，需要添加CogCalibCheckboardTool工具進行標定。7.2項目任務二：鋰電池類別檢測?ToolBlock視覺任務處理8）鋰電池類別檢測。①直方圖分析。添加直方圖CogHistogramTool,進行鋰電池形狀分類檢測。圖像來源為經過灰度轉換后的圖像，空間選為“@\Fixture”，經過特征提取后的定位坐標空間。添加一個CogHistogramTool工具，命名為“CogHistogramTool-LeftRight”，目標區域為鋰電池左端或者右端的有缺口的區域，當此目標區域有缺口和無缺口，其區域的灰度直方圖均值是有很多差異的。通過此區域的直方圖灰度統計分析，來檢測判斷鋰電池左右端形狀。添加另一個HistogramTool，命名為“CogHistogramTool-End”，目標區域為鋰電池末端有缺口的區域。7.2項目任務二：鋰電池類別檢測?ToolBlock視覺任務處理8）鋰電池類別檢測。②數據結果分析。添加CogResultAnalysisTool。給CogResultAnalysis分別添加兩個輸入，即B區域的灰度直方圖均值MeanB（Result.Mean）和C區域的灰度直方圖均值MeanC（Result.Mean）。7.2項目任務二：鋰電池類別檢測?ToolBlock視覺任務處理8）鋰電池類別檢測。B類（目標區域有缺口）鋰電池在區域B的直方圖灰度均值（MeanB）一般都大于180；即輸出的CellB為True；否則，CellB為False。同樣C類鋰電池在區域C的直方圖灰度均值(MeanC)一般也大于180。即輸出的CellC為True；否則，CellC為False。如果鋰電池在B區域和C區域的直方圖灰度均值都不大于180，則是A類鋰電池，即輸出的CellA為True。③分析結果輸出。將結果分析的結果布爾值CellA、CellB、CellC進行輸出。CogResultAnalysisTool工具右鍵點擊，在“成員瀏覽”下的“所有成員（未過濾）”下，分別添加三個輸出，即，“Result.EvalutedExpressions.Item["CellA"]（或者["CellB"]或者["CellC"]）.Value.(System.Boolean)”。將其鏈接到ToolBlock的終端輸出（“Outputs”），并分別命名為CellA、CellB、CellC。7.2項目任務二：鋰電池類別檢測?V+程序設計流程（3）字符串拼接。在“ToolBlock”工具后連接“數據”工具組中的“字符串操作”工具，將之前的“ToolBlock”的終端輸出“CellA”、“CellB”、“CellC”用“數據”工具組中的“字符串操作”工具拼接成一個字符串“@Combine1”輸出，其中采用“bool轉byte”方式，也即True→1，False→0。通過這個方式，系統變量“@Combine1”輸出分別為100、010、001時，分別對應型號為A、B、C三類鋰電池。7.2項目任務二：鋰電池類別檢測?V+程序設計流程（4）添加系統變量。回到V+程序流程圖，在V+程序的系統菜單“變量”中添加系統變量“Type_Cell”，變量類型為“String”類型。對采集到的鋰電池圖像進行分析，然后往系統變量“Type_Cell”中寫入相對應的鋰電池類型。（5）進行分支判斷在“流程”工具組中，添加“分支”工具。在“分支”工具中，添加3個分支。即當“@Combine1”分別為100、010、001三個值時，對系統變量“Type_Cell”對應寫入A、B、C三個值。然后用“流程”工具組中的“分支選擇”工具歸攏分支流程。7.2項目任務二：鋰電池類別檢測?V+程序設計流程（6）添加結果圖像在“Cognex”工具組中，添加“Cog結果圖像”，鏈接輸入圖像。7.2項目任務二：鋰電池類別檢測?V+程序設計流程3.HMI界面設計第七章

機器視覺檢測項目任務三：零件邊緣缺陷檢測047.3項目任務三：零件邊緣缺陷檢測任務要求：（1）對零件進行檢測，分辨出邊緣缺陷；（2）對零件外圈大圓的半徑進行測量；（3）對零件外圈大圓的半徑進行測量；（4）將相關信息顯示到界面上。7.3項目任務三：零件邊緣缺陷檢測?任務實施1.硬件配置2.程序流程設計3.HMI界面設計7.3項目任務三：零件邊緣缺陷檢測?ToolBlock視覺任務處理1）灰度轉換。使用CogImageConvertTool將采集到的圖像轉變為灰度圖像。2）特征提取。使用CogPMAlignTool調整相關參數，進行模板匹配。觀察圖像后，提取圖像中心圓區域。輸出訓練圖像的原點的圖像。右鍵點擊“CogPMAlignTool”，選擇“添加終端”，在“所有（未過濾）”欄目中，在“Pattern<CogPMAlignPattern>”