随着工业自动化控制技术和计算机技术的飞速发展，工业自动化已经渗透到各个行业的生产中。自动点胶机在工业生产中得到了广泛应用，从微电路行业、电子产品行业、LED行业到一般工业的产品连接、注涂和密封，都发挥着重要作用。自动点胶机的应用不仅为产品的质量带来了大幅度的提升，提高了生产效率。但该设备在实际的应用场景中，容易受到机器工艺水平、胶水温度的情况的影响，生产出的胶水可能会产生含有气泡、胶条断裂、胶条宽度太粗或太细等缺陷。因此在各种需要通过点胶来实现连接效果的场合中，严格控制点胶的质量是极其重要的。依靠人力来对点胶进行缺陷检测显然是不合理的，由于其工作量大、效率低、 检测精度不高等特点，目前已不能满足实际的生产需求。为了解决上述问题，基于机器视觉的点胶缺陷检测技术得到广泛的应用。

基于机器视觉检测技术现状

机器视觉是以普通计算机视觉研究为基础，并且同时涉及到光源照明技术、高速图像采集等方面实用技术的研究。在工业中，利用机器视觉构建一个完整的工业视觉应用系统需要结合多种技术，其中涵盖了机械工程、传感器、光学成像、运动控制、图像处理等方面。国内外的相关从业人员研发出基于图像处理的的视觉算法，其中典型的有：MatroxImaging Library(MIL)、Halcon、Matlab以及开源库OpenCV 等。目前，在点胶缺陷检测领域有两种最常用的算法，其分别是：

（1）基于数字图像处理的方法，传统的基于数字图像处理的方法具有操作简单，参数较少的优势，但也存在易受光照等客观因素影响，胶层分割效果差、缺陷分类差、通用性较差等缺点。

（2）随着大数据时代的来临，各类信息资源的轻易获取使得深度学习的应用也越来越广泛。特别是在卷积神经网络中，图片被深度卷积和池化之后，隐含层能够表现出比手动获取更加具有泛化性和抽象性的特征，从而在识别分类上取得了很好的效果。深度学习的出现为点胶缺陷的识别带来了更大的可行性。

点胶检测系统的光学检测方案

在进行点胶缺陷检测的过程中，图像信息的持续和稳定获取也是至关重要的一步，图像的好坏对于算法的设计困难程度有着很大的影响，因此，在点胶缺陷检测系统的设计过程中，需要对光学检测时的硬件进行选型。

考虑到胶条为透明胶，存在反光现象，所以要求光源在各个角度的光照程度较为均匀，而同轴光具有高密度排列，成像清晰，亮度均匀等特点。此外，在要求光照亮度均匀的同时，由于部分胶条中存在气泡，在实际的使用场景中，同轴光源和待检样品之间一定的距离，最终获取的图片中软件无法识别到气泡特征，这时我们需要在加上一条条形光源在胶条上方进行照射，使得气泡特征可见。由于垂直照射方式具有照射面积大、光照均匀性好等优点，故同轴光源选择垂直照射方式。同时。我们采用条形光源针对待检样品进行补光，并且将条形光源从侧面照射，不会影响到同轴光源的照射效果。

点胶检测系统的算法方案

胶缺陷的类别定义

在实际的点胶过程中，往往因为点胶量的大小、 点胶压力、针头大小、胶水的粘度以及胶水温度等因素，导致生产的胶条会存在各种各样的缺陷，从而影响产品的质量。工业生产中比较常见的几种缺陷种类，

多胶：胶条中间部分宽度大于其他部分，

少胶：胶条中间部分宽度小于其他部分

断胶：胶条出现一次或多次的断裂

扭曲：胶条整体存在多处弯曲现象

气泡：胶条中含有数目较多的气泡

对于点胶缺陷检测有两点要求:

(1)由于缺陷检测的点胶图像数量多，用时长，精度要求高

(2)点胶缺陷图片受环境影响存在质量上的不同，在进行检测的过程中，不同检测场景和需求对软件算法的准确性和鲁棒性也有不同的要求。

基于数字图像处理的算法

在对胶条进行缺陷检测之前，必须先得到胶条的图片，而在实际的生产加工中，会将工件上的某块区域作为Mark定位点，采用图像匹配算法来寻找该Mark点的位置，从而得到胶条的具体位置，由此在工业摄像头得到工件图片后，无需对整幅图片进行缺陷分析，同时也去除了一些干扰区域，方便了视觉算法的后续处理。以下为针对点胶缺陷相应的基于数字图像处理的方法：

多胶少胶：对于胶条多胶少胶的缺陷检测，首先 对图片进行相应的预处理操作，得到二值化图像后进行胶条两侧轮廓的获取，对提取到的轮廓区域进行水平和垂直方向的投影，通过计算像素值数量的最大值和最小值的差值以及像素值投影图中曲线形状来判断是否存在缺陷和具体类型。

断胶：对于胶条断胶缺陷检测，根据胶条断裂图片的特征，对获取到的图像进行整体预处理，然后将处理后的图片和标准样品之间进行对比，判断各个轮廓之间是否存在缺陷。

扭曲：针对胶条扭曲缺陷检测，通过计算寻找到 的轮廓的凸缺陷的面积(即轮廓面积与其凸包面积的差值)来作为判断是否存在扭曲缺陷的标准。

深度学习检测系统搭建流程

深度学习模型的选择一般在利用深度学习算法进行缺陷检测时，首 先要确定的是网络模型。因为胶条种类分为6类，类别数量不是很多，可选择AlexNet、MobileNet 以及Lenet-5、U-net等网络深度不同的或者更优质的网络模型。在工业领域中，可以在人为制造缺陷、数据增 广、生成对抗网络、迁移学习等手段解决相应的训练数据问题。在训练过程中进行相应微调是必不可少的。过拟合现象在深度学习中屡见不鲜，如果网络模型出现此类问题，那么该网络就无法正常使用，为了解决这个问题，一般会使用模型集成的方法，即训练多个模型进行组合。

四、结论

在实际的点胶过程中，由于多种因素的影响容易出现各种缺陷，因此在对胶条进行缺陷检测时，更多的是采用机器视觉的方法，从而达到提高生产效率和降低成本的目的，进而使得产品更加具有竞争力。