基于Halcon的机器视觉试验平台的设计和研究.docx
- 文档编号:15195129
- 上传时间:2023-07-02
- 格式:DOCX
- 页数:73
- 大小:635.89KB
基于Halcon的机器视觉试验平台的设计和研究.docx
《基于Halcon的机器视觉试验平台的设计和研究.docx》由会员分享,可在线阅读,更多相关《基于Halcon的机器视觉试验平台的设计和研究.docx(73页珍藏版)》请在冰点文库上搜索。
基于Halcon的机器视觉试验平台的设计和研究
基于HALCO的机器视觉系统的研究与实现
摘要
近年来,机器视觉系统以其高效率、高可靠、低成本的特点在国外取得了广泛的应用。
机器视觉系统适用于众多领域,例如工业自动化、医药业、制造业、农业等,弥补了人类视觉的很多不足。
本文采用德国MVTe(公司的专业机器视觉软件HALCO来开发机器视觉系统,提出了相关机器视觉实现方法,并且在机器视觉实验平台上完成了一个弹簧片检测任务。
目前关注较多的是机器视觉系统的硬件部分,而机器视觉软件部分关注较少,一个先进的机器视觉系统除了具有高性能的硬件外,还需要有高性能的软件,虽然说许多常见的开发软件例如Mircosoft的VisualStudio、NI的LabWindows'CVI等等都可以开发机器视觉系统,但是开发周期比较长,针对性较弱,程序的复杂程度较高。
而采用HALCO作为机器视觉和图像处理核心软件,不仅大大缩短了开发周期,降低了开发难度,而且可以参考HALCO提供的众多
机器视觉和图像处理例程来针对具体的任务做具体开发。
文章的第一章研究了机器视觉系统的组成、应用现状和发展,并且对机器视觉
软件HALCO做了概述。
第二章根据相关要求,选择合适的硬件单元,设计和搭建了VS-ZM1200机器视觉实验平台。
第三章研究了机器视觉中常用的一些图像处理技术,重点讨论了在弹簧片检测任务中所采用的图像处理技术和算法,如图像
的增强,分割,边缘检测等。
第四章研究了机器视觉软件,重点研究了HALCOJN
并且对在VisualC++开发环境下如何使用HALCO编写的程序做了讨论。
第五章介绍了在VS-ZM1200机器视觉实验平台上,使用HALCO和VisualC++开发的一套弹簧片检测系统,该系统完成关于弹簧片的尺寸参数测量和外观参数判别的任务。
第一章:
绪论
1.1机器视觉概述
人类在征服自然、改造自然和推动社会进步的过程中,为了克服自身能力、能量的局限性,发明和创造了许多机器来辅助或代替人类完成任务。
这类机器,我们通常称为智能机器,它能模拟人类的功能,能感知外部世界并有效地解决人所希望解决的问题。
人类感知外部世界主要是通过视觉、触觉、听觉和嗅觉等感觉器官,而视觉,是人类最重要的感觉功能。
视,就是看;觉,就是感觉、感知。
通过看来感知外部世界丰富多采的信息。
“百闻不如一见”,这句话生动地说明了视觉对获得客观世界信息的重要性。
据统计,人所感知的外界信息有80沖上是由视觉得到的[1],通过视觉,我们可以感受到物体的位置,亮度以及物体之间的相互关系等。
因此,对于智能机器来说,赋予机器人类的视觉功能对发展智能机器是极其重要的,由此形成了一门新的学科机器视觉。
机器视觉,就是用机器(通常是数字计算机)代替人眼来做测量及判断,对图像进行自动处理并报告“图像中有什么”的过程。
美国制造工程师协会(SME
SocietyofManufacturingEngineers)机器视觉分会和美国机器人工业协会
(RIARoboticIndustriesAssociation)的自动化视觉分会对机器视觉下的定义为:
“机器视觉是通过光学的装置和非接触的传感器自动地接收和处理一个真实物体的图像,以获得所需信息或用于控制机器人运动的装置”。
具体来讲,是
指通过镜头将被测目标转化为图像信号,投射至影像接受器件(一般为CCD元
件)上再通过数字计算机进行分析处理。
CCD是英文(ChargeCouplingDevice)
的缩写,其中文含义为电荷耦合组件。
当不同强度的光线照射在CCD表面,CCD
即发生光电效应,产生对应分布的电荷量。
通过模数转换即可得到对应的数字量。
由于一般均采用8位模数转换,则最低强度光线(黑)到最高强度光线(白)分成256等分(0~255),专业术语称之为灰阶或灰度
随着信息时代的到来,用计算机处理各种信息的需求越来越多。
多媒体信息处
理技术已经成为日常生活各个领域的迫切需要,而人们就更希望能用计算机来处
理视觉问题,例如利用人脸、虹膜、指纹等识别技术来处理与个人有关的一切事务。
利用自动识别技术帮助盲人,利用视觉自动监控系统监视环境中发生的非常事件,如陌生人的侵入、老年人的异常行动等。
在如智能交通管理系统、视频检索、用于军事目的的自动目标检测等,都需要应用机器视觉技术来解决问题。
正如视觉是人类在自然环境与社会环境生存不可缺少的最重要感知器官,机器视觉
技术也是信息技术中一门不可缺少的技术,因此它成为计算机学科中不可或缺的一们学科。
1.1.1机器视觉组成
图1-1机器视觉系统的组成框图
图1-1用图的方式表示了一个机器视觉系统在最基本层次上的组成。
首先对未知物体进行度量,并确定一组特征的度量值。
在工业应用中,这些特征包括被度量零件在图像中的长,宽和面积。
一旦特征经过度量后,其数值就被送到一个实现决策规则的过程中去。
这种决策的规则一般用一个子程序实现。
它对度量值进
行计算,并根据所度量的值确定物体最可能属于的类别。
典型的机器视觉系统一般包括:
光源,光学镜头,摄像机,传感器,图像分析处理软件,通讯接口等组成的。
图1-2:
机器视觉基本结构
如图1-2所示
光源:
在目前的机器视觉应用系统中,好的光源与照明方案往往是整个系统成败的关键,光源与照明方案的配合应尽可能地突出物体特征量,在物体需要检测的
部分与那些不重要部份之间应尽可能地产生明显的区别。
其中LED光源凭借其
诸多的优点在现代机器视觉系统中得到越来越多的应用
光学镜头:
光学镜头相当于人眼的晶状体,在机器视觉系统中非常重要。
镜头的主要性能指标有焦距、光阑系数、倍率、接口等。
相机:
相机是机器视觉系统获取原始信息的最主要部分,目前主要使用的CMOS
相机和CCD相g机。
目前CCD摄像机以其小巧、可靠、清晰度高等特点在商用与工业领域都得到了广泛地使用。
图像采集卡:
在基于PC机的机器视觉系统中,图像采集卡是控制摄像机拍照,完成图像采集与数字化,协调整个系统的重要设备。
视觉传感器:
基于PC机的机器视觉系统结构没有模块化,安装不方便,可移植性差,特别是与工业广泛使用的PLC接口比较麻烦。
从软件和硬件开发两个方面来考虑,都需要一种更适合工业需求的机器视觉组件。
目前国外已经开发出了一种叫做视觉传感器的模块化部件,图2为实物图。
这种视觉传感器集成了光
源、摄像头、图像处理器、标准的控制与通讯接口,自成为一个智能图像采集与处理单元,内部程序存储器可存储图像处理算法,并能使用PC机,利用专用组态软件编制各种算法下载到视觉传感器的程序存储器中。
视觉传感器将PC的灵活性,PLC的可靠性、分布式网络技术结合在一起。
用这样的视觉传感器和PLC
可以更容易地构成机器视觉系统
1.1.2机器视觉应用
机器视觉被称为自动化的眼睛,在国民经济、科学研究及国防建设等领域都有着广泛的应用。
视觉的最大优点是与被观测的对象无接触,因此对观测与被观测
者都不会产生任何损伤,十分安全可靠,这是其他感觉方式无法比拟的。
另外,视觉方式所能检测的对象十分广泛,可以说对对象是不加选择的。
理论上,人眼观察不到的范围计算机视觉也可以观察。
例如红外线、微波、超声波等人类就观察不到,而机器视觉则可以利用这方面的敏感器件形成红外线、微波、超声波等
图像。
因此可以说机器视觉扩展了人类的视觉范围。
另外,人无法长时间地观察
对象,计算机视觉则不知疲劳,始终如一地观测,所以机器视觉可以广泛地用于长时间恶劣的工作环境。
下面列举一些已取得的应用成果[10-14]:
检测技术是现代制造业的基础技术之一,是保证产品质量的关键。
近年来,随着市场竞争的不断加剧,对产品质量的要求几乎近于苛刻,产品在线100%佥测、控制和管理已成为企业不可缺少的技术装备,并可通过网络与制造业信息化系统连接,实现产品质量管理。
随着现代制造业的发展,许多传统的检测技术已不能满足其需要,表现在:
现代制造产品种类有很大的扩充,现代制造强调实时、在线、非接触检测,现代产品的制造精度大大提高;现代制造业的进步需要研究新型的产品检测技术,视觉检测技术具有非接触、速度快、精度合适、现场抗干扰能力强等突出的优点,能很好地满足现代制造业的需求,在实际中显示出广阔的应用前景。
机器视觉检测系统正是适应以上要求而发展起来的一门学科。
机器视觉检
测系统是建立在计算机视觉研究基础上的一门新兴检测技术,可用于工业领域的很多方面,如零件检验与尺寸测量、零件的缺陷检查、零件装配、机器人的引导和零件的识别等。
在现代制造业自动化生产中,涉及到各种各样的检查、测量和零件识别应用。
这类加工生产的共同特点是连续大批量生产、对尺寸精确度的要求非常高。
这种带有高度重复性和智能性判断的工作一般只能靠人手工检测来完成,我们经常在
一些工厂的现代化流水线后面看到数以百计甚至逾千的检测工人来执行这道工序,在给工厂增加巨大的人工成本和管理成本的同时,仍然不能保证100%勺检验合格率,而当今企业之间的竞争,已经不允许哪怕是0.1%的缺陷存在。
有些时候,如微小尺寸的精确快速测量,形状匹配,颜色辨识等,用人眼根本无法连续稳定地进行,其它物理量传感器也难有用武之地。
以铸件而言,它的形状不规则导致难以测量,而钣金件也是千变万化。
这时,计算机的快速性、可靠性、结果的可重复性,与人类视觉的高度智能化和抽象能力相结合,使机器视觉在工业检测中的应用越来越广泛。
机器视觉的特点是自动化、客观、非接触和高精度,与一般意义上的
图像处理系统相比,机器视觉强调的是精度和速度,以及工业现场环境下的可靠性。
机器视觉系统形式多样,在不同的场景中应用所采用摄像装置也是不同的。
主要区分为,线阵和面阵两类。
工业视觉大多数使用线阵系统。
下面列出部分使用线阵和面阵视觉系统的应用。
(1)纺织与服装
断纱检测;
织染检测;
布料、皮革形状检测。
(2)食品与粮食
粮食异物检测、分拣与色选;
饮料液位检测;
生产日期、保质期字符识别;灌装线上空瓶的破损、洁净检测。
(3)特种检验
缆绳磨损与破损检测;
容器与管道探伤;
游乐设施速度检测;
危险装备的在线状态检测。
(4)包装
外观完整性检测;
条码识别;
唆头、密封性检测。
(5)机械制造
零部件外形尺寸检测;
装配完整性检测;
部件的定位与姿态识别;
零件、发动机、底盘等编号的同色凹字符识别。
(6)邮政分拣
邮政编码识别;
包裹物品检测。
(7)海关与口岸
指纹、掌纹、虹膜与人脸识别;
货物识别;
安检危险物品检测。
此外,机器视觉还广泛应用于集成电路检测、航空航天、军事国防、消防和公路交通等。
1.1.3机器视觉的现状和发展
机器视觉自七步发展到现在,已有接近15年的历史。
应该说机器视觉作为一个应用系统,其功能特点是随着工业自动化的发展而逐渐完善和发展的。
据不完全统计,目前全球整个视觉市场总量大概在70亿美元这个规模,并且
按照每年8.8%的速度在增长。
而在中国,由于工业自动化成都还没有达到国外的先进水平,所以机器视觉在中国的应用还处于起步阶段,但是随着制造业对自
动化的需求以及对生产质量和管理水平的不断提高,中国对机器视觉的需求将会
不断上升。
目前机器视觉朝着两个大方向在发展,一个是嵌入式,如传感器和智能相机,另一个是基于PC的采集板卡和SDK的解决方案。
两者不能说孰优孰劣,他们都有各自的适用场合和适用时期。
基于PC的采用板卡和SDK的产品有比较悠久的历史,它是机器视觉在作为一个产业发展之前以图像处理的概念在工业控制领域萌芽时期就存在的,一直延续
到今日。
她需要用户有比较好的编程基础和对现场应用有比较丰富的经验。
按照国外的发展经验,这类产品加上开发费用一般价格都比较昂贵,所以一般
只在一些要求高速度、高精度的场合如半导体行业等应用。
随着IC产业的发展以及图像处理算法技术的不断成熟,过去很多需要定制开发的软件应用现在都可以做成嵌入式的固定模块化产品。
这类产品适用于被检测
产品大多具有比较规则的形状、简单的检测项目等一类的常规应用。
目前,在很多中低端的应用场合,传感器和智能相机得到了很大的发展。
因为其易于使用,容易学习,特别对于系统集成商来说,对于其快速进行系统集成项目非常有利。
然而,随着终端客户对产品从外观、内部结构、产品质量到功能的多样化等需求的不断增长,给生产制造环节提出了更高的要求,使得生产制造环节从制造到管理都必须符合新形式的需求。
客户需要更多的灵活应用的产品。
嵌入式系统以及基于PC的系统都在向前发展。
嵌入式系统产品在应用高速器件之后的处理速度和精度越来越高,基本上可以满足高端应用场合,这使得嵌入式产品已经可以覆盖高中低端的需求,从而不断的抢占原来基于PC的采用板卡和SDK的产品市场。
而基于PC的采用板卡和SDK的产品,其SDK也变得越来越易用和开放。
他们把机器视觉的底层算法进行模块化封装,对机器视觉的处理过程进行流程化的设计,使得整个机器视觉设计犹如“搭积木”一样,在易用性和灵活性方面取得平衡,既方便非专业用户进行设计,又不会使得机器视觉只局限于某集中特定的应用。
它除了含有最一般的图像处理常用方法如滤波、图像增强等外,还还有机器视觉领域很多处理模块如尺寸测量肌酸、边缘检测、Blob分析等,同时配合系统
仿真处理环境,利用这些处理模块,配合不同的行业应用面而是用相应的处理流程,是可以在很短的时间内为用户开发出性价比很高的行业解决方案。
硬件方面,
新的系统都整合有图像采集、图像处理、在线显示、标准的I/O包括串口、并口、鼠标键盘、网络接口等。
同时还集成有与外部工业控制设备连接的数据I/O、运
动控制、PLC等接口。
因为机器视觉必须与工业自动化设备配合使用,所以这些扩展接口被整合到图像处理装置里,同时配合模块化的图像处理软件,为用户提供一体化的图像解决方案,并能与外部的工业控制设备实现无缝对接。
同时,随着制造行业对管理的要求越来越高,信息管理系统在制造过程越来越重要,而机器视觉系统本质上是属于一个质量检测环节,它需要与制造环节的MESS统以及上层管理环节的ERP系统进行数据交换,故此,图像处理装置的用户二次开发应用环境和外部接口就显得更为重要。
显然,中国的工业自动化的发展较欧美日等工业发达的国家相差不少距离。
在
中国目前的机器视觉的产业环境中,终端用户和系统集成商都比较偏好于使用嵌入式的视觉系统如传感器和智能相机。
这类系统只需要经过一段短时间的培训即可让用户应用,比较快速地解决问题。
然而随着实际应用的深入,不少用户开始觉得固定式的嵌入式应用灵活性不足,
于是,基于PC的产品依然有存在市场的合理性。
按照国外的发展经验,一般来说,嵌入式传感器类的视觉产品大多定位于中低端的应用,基于PC的这类开放式的产品因为其需要一定量的二次开发,能够灵活地适应多种需求,因此大多定位于中高端的产品应用基于PC的机器视觉系统。
当然,在中国的产业发展环境,由于人力成本的差异等因素,不一定会完全按照国外的发展路线和模式。
例如,在本土市场,有系统集成商采用各种低廉的产品组件可以开发出性能与嵌入式产品一致但价格较为低廉的视觉系统。
随着工业自动化应用在中国各行各业的纵深发展,按照未来产业的发展趋势,嵌入式的产品与基于PC的产品会在市场上长期并存,嵌入式的产品会集成更多的功能和更加灵活的应用,市场份额会越来越大,而基于PC的产品其开发难度
也会随着软件包的易用性的不断增强而减少,其应用会在一些高速和高精度场合得到保留。
机器视觉的研究、发展和应用还远没有达到成熟的程度。
机器视觉从诞生到今天才只有短短的三十多年时间,在机器视觉中承担“大脑”作用的图像分析处理、图像理解和模式识别理论和技术基础还非常不完善4[]。
甚至,机器视觉的图像获取系统也存在许多局限,比如高速图像采集实现困难、价格过高,图像分辨率、灵敏度等不高,敏感元件的制造困难,视觉系统的体积较大,自适应的图像获取无法实现等。
本文从这几个方面介绍机器视觉的最新发展情况:
图像获取、图像
处理与模式识别理论。
1,图像获取技术的最新发展
图像获取技术的发展迅猛,CCDCMO等固体器件已经变成成熟应用的技术。
首先来看,线阵图像敏感器件,像元尺寸不断减小,阵列像元数量不断增加,像元电荷传输速率得到极大提高。
如表1所示,为一种高性能线阵CCDS件的参数5[o]从中可以看到,目前的线阵器件的性能和参数发生了根本的变化,主要表现在像元数和数据率得极大提高,而且器件设计集成了新的功能,具有可编程能力,如增益调整、曝光时间选择、速率调节,以及维护等。
在机器视觉中,高速器件应用的场合在不断拓展,如高速扫描图像获取,在集成电路检查、零件姿态识别、快速原型中的逆向工程、纺织、色选等,都是高速器件的用武之地
在线阵器件性能提高的同时,高速面阵图像器件性能也在快速提高。
某种超高速面阵CCD器件,允许的最大分辨率达1280X1024像素,最大帧率1MHz时可采集4帧图像,且像素灵敏度达12bits。
在提高诸如分辨率、速率、灵敏度等性能的同时,也在发展一些用途和使用场合特殊的器件,如对红外敏感的或微光摄像机,对其他射线和超声波敏感的器件等。
此外,其他类型的图像获取器件的研究也展露头角,比如,光纤视觉传感器,结合其他光电技术,以及构成阵列器件已经有报道。
作为图像获取装置的组成部分,嵌入式系统、DSP对图像获取起着图像采集与时序控制的作用。
大量的工业图像处理系统中采用嵌入式系统或DSP也有部分系统采用工业PC机作为主控机器,完成图像采集、处理和识别,并完成控制的功能。
嵌入式系统或嵌入式微控制器
(EmbeddedMC)芯片技术发展迅速,主要的工业应用采用8位、16位芯片,高端应用已经采用32位芯片。
在高精度的运动检测和控制领域,32位嵌入式微控制器应用报道也不鲜见。
在机器视觉系统中,对嵌入式系统性能的要求比一般的工业控制、机器人控制等场合要高。
如,某种32位嵌入式微控制器芯片,
内嵌大容量的FlashROM和SRAM其主频达到700MHz带丰富的DSP指令系统,高速并行接口、通信接口齐备,提供可视化编程,支持汇编、ANSIC以及Visua
IC++等语言编程,支持在线仿真和调试等,使得开发应用的周期大大缩短。
2.,图像处理、图像理解与模式识别理论研究及最新发展
前面已经述及,机器视觉是针对工业应用领域。
但作为视觉系统,所采用的图像处理、图像理解与模式识别的基础理论和技术是相同的。
数字图像处理、图像
理解与模式识别,这是当今计算机视觉研究的热点。
这既表明,图像处理与模式识别在现代信息技术中的重要作用,同时也说明,该研究领域仍然存在大量没有解决的研究难题。
图像的增强、图像的平滑、图像的数据编码和传输、边缘锐化、图像的分割等在不同的研究目标和应用中会采取不同的方法,也在不断出现新的研究成果,本文不述及。
作为机器视觉能否得到应用,关键在于图像的识别。
图像的模式识别过程实际上可以看作是一个标记过程,即利用识别算法来辨别景物中已分割好的各个物体,给这些
物体赋予特定的标记,它是机器视觉系统必须完成的一个任务。
什么是模式和模式识别?
广义地说,存在于时间和空间中可观察的事物,如果可以区别它们是否相同或相似,都可以称之为模式;狭义地说,模式是通过对具体的个别事物进行观测所得到的具有时间和空间分布的信息;把模式所属的类别或同一类中模式的总体称为模式类(或简称为类)。
而“模式识别”则是在某些一定量度或观测基础上把待识模式划分到各自的模式类中去6[o]模式识别的方法,即数据聚类、神经网络、统计分类和结构(句法)模式识别方法。
用于图像识别的方法主要分为决策理论和结构方法。
决策理论方法的基础是决策函数,利用它对模式向量进行分类识别,是以定时描述(如统计纹理)为基础的;结构方法的核心是将物体分解成了模式或模式基元,而不同的物体结构有不同的基元串(或称字符串),通过对未知物体利用给定的模式基元求出编码边界,得到字符串,再根据字符串判断它的属类。
这是一种依赖于符号描述被测物体之间关系的方法。
广泛应用于统计模式识别中密度估计的方法之一是基于混合密度模型的。
根据期望最大(EM算法得到了这些模型中有效的训练过程。
按照共享核函数可以得出条件密度估计的更一般的模型,类条件密度可以用一些对所有类
的条件密度估计产生作用的核函数表示。
提出了一个模型,该模型对经典径向基函数(RBF网络进行了修改,其输出表示类条件密度。
与其相反的是独二混合模型的万法,其中每个类的密度采用独二混合密度进行估计。
提出了一个更一般
的模型,共享核函数模型是这个模型的特殊情况。
在20世纪70年代,波兰学者PawlakZ和一些波兰的逻辑学家们一起从事关于信息系统逻辑特性的研究。
粗糙集理论就是在这些研究的基础上产生的。
1982年,PawlakZ发表了经典论又RoughSets,宣告了粗糙集理论的诞生。
此后,粗糙集理论引起了许多科学家、逻辑学家和计算机研究人员的兴趣,他们在粗糙集的理论和应用万面作了大量的研究工作。
1991年,PawlakZ的专著和1992
年应用专集的出版,对这一段时期理论和实践工作的成果作了较好的总结,同时
促进了粗糙集在各个领域的应用。
此后召开的与粗糙集有关的国际会议进一步推动了粗糙集的发展。
越来越多的科技人员开始了解并准备从事该领域的研究。
目
前,粗糙集已成为人工智能领域中一个较新的学术热点,在模式识别、机器学习、知识获取、决策分析、过程控制等许多领域得到了广泛的应用。
参考又献f71提出了一种模式识别理论的新模型,它是基于“认识”事物而不是基于“区分”事物为目的。
与传统以“最佳划分”为目标的统计模式识别相
比,它更接近于人类“认识”事物的特性,故称为“仿生模式识别”。
它的数学
万法在于研究特征空间中同类样本的连续性(不能分裂成两个彼此不邻接的部分)特性。
又中用“仿生模式识别”理论及其“高维空间复杂几何形体覆盖神经网络”识别万法,对地平面刚性目标全万位识别问题作了实验。
对各种形状相像的动物及车辆模型作全万位8800次识别,结果正确识别率为99.75,错误识别率与拒识率分别为0与0.25%。
在特征生成上,发展出许多新的技术,包括基于小波、小波包、分形的特征,以及独二分量分析。
其他研究,也都取得了长足的进展,诸如关子支持向量机,变形模板匹配,线性以及非线性分类器的设计,包括贝叶斯分类器、多层感知器,决策树和RBF网络,独二于上下又的分类,包括动态规划和隐马尔科夫建模技术。
2.3机器视觅领域应用的拓展
机器视觉的应用研究,已经拓展到几乎每个可能的工业领域。
最主要的应用行业,为汽车、制药、电子与电气、制造、包装/食品/饮料、医学等。
在现代工业自动化生产中,涉及到各种各样的检查、测量和零件识别应用,例如汽车零配件尺寸检查和自动装配的完整性检查、电子装配线的元件自动定位、饮料瓶盖的印刷质量检查、产品包装上的条码和字符识别等。
这类应用的共同特点是连续大批量生产、对外观质量的要求非常高。
这种带有高度重复性和智能性的工作,过去是靠人工检测来完成。
人工执行这些工序,在给工厂增加巨大的人工成本和管理成本的同时,仍然不能保证100%勺检验合格率(即“零缺陷")00.1%的缺陷的存在,对企业在币场上的竞争也是极为不利的。
有些时候,如微小尺寸的
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 Halcon 机器 视觉 试验 平台 设计 研究