为了满足视觉系统对于玩具小车的识别、定位和抓取,使用HALCON对相机进行系统标定,以消除相机畸变的影响。视觉系统创新性的使用了三相机进行图像采集,其中一个彩色相机用于识别,配套8mm镜头,两个黑白相机用于定位,配套12mm镜头。基于双目立体视觉系统和手眼标定系统,进行双目标定和手眼标定,得到对应的标定结果和标定误差。然后,通过得到的参数实现玩具小车的识别、定位和抓取,实验测试定位误差可以控制在0.3mm以内,能很好的实现玩具小车的抓取,满足工业生产的需求。

针对导光板模具微结构加工过程中微孔尺寸定时在位测量的要求,基于视觉测量技术提出了在微冲孔机床上集成导光板模具微孔点阵在位测量系统的解决方案。它通过相机获取微结构的加工图像,运用一系列图像处理算法提取测量目标的亚像素边缘并进行拟合。提出两步标定技术求取亚毫米视野镜头畸变映射及像素当量。通过将视觉测量结果与白光干涉仪的测量结果对比,证明该测量系统的精度能够达到±1μm以内,具有实时、快速、高精度、重复性好的等特点。

在现代化的工厂流水线生产中,大部分都是使用人工的方式去识别工件。如果长时间使用人工去识别分类工件的话,不仅劳动强度大,而且还会造成人眼的视觉疲劳,容易出现错误。为了避免此类情况的发生,采用机器视觉图像处理软件的计算机识别检测的方式最为有利。这里在此提出HALCON图像处理软件对工件进行识别处理,判断最终是否能够正确的识别该工件。试验结果表明经过一系列的图像处理手段,最终可以不受其他工件的影响,正确的识别出该工件。

为了实现桥梁缆索在线生产过程中聚乙烯表面直径无接触测量,采用Halcon机器视觉算法库与C#语言联合编程,开发了一款缆索聚乙烯表面直径在线测量系统。首先通过相机获取缆索表面图像,对图像进行滤波处理,其次利用Roberts算子准确地找到缆索聚乙烯表面边缘,然后将边缘进行十等分,最后通过加权最小二乘法对十等分的边缘按照顺序进行直线拟合,由此计算出缆索的直径。实验结果表明,该系统的检测精度为+0.02 mm,单张图片的检测时间为215 ms,检测精度较高,实现了缆索聚乙烯表面直径的无接触测量。

在导光板模具钢上加工的微结构阵列的精度决定导光板的质量。在精密撞点机上加工导光板模具的过程中,需对加工的微结构阵列在位检测,因导光板模具取下再放回机床时加工条件已发生改变,后续撞点加工已无任何意义。通过Halcon研究的精密撞点机在位检测系统可以高精度的检测微结构阵列直径和圆心距,在检测系统设计中采用了阈值分割、圆孔填充、开运算等算子和运用了亚像素边缘提取和最小二乘法拟合圆等理论。通过高精度的白光干涉仪和设计的检测系统分别对相同的微结构阵列进行检测,通过检测数据对比验证了测量系统满足设计要求。

为检测木工板材表面缺陷，采用3D智能相机获取包含灰度图和高度图的三维图像。通过比较，选择高度图作为研究对象。应用均值滤波和动态阈值分割方法检测板材表面的大缺陷特征，应用高斯滤波和全局阈值分割方法检测板材表面的小缺陷特征。对缺陷特征进行了开运算和闭运算等形态学处理以提高识别缺陷位置和大小等数据的准确度。实验表明：该方式能够准确识别出满足工厂工艺要求的板材表面缺陷，经坐标标定后，可给出缺陷的大小和位置信息，为修复设备实现缺陷的定点修复奠定了数据基础。

在现代包装系统中,喷码包含了产品的生产日期、生产厂商等诸多有价值的信息。但是由于喷码机、油墨或编码器等因素的影响,可能会出现漏喷、错喷、模糊、飘移等多种影响产品形象的缺陷。通过机器视觉对喷码进行检测,相比人工检测,能够实现快速检测和极高的检测精度,避免人为因素造成的误判或漏判,大大提高了生产效率,节约了人力资源。该设计中主要利用Halcon软件进行处理算法的编写,配合C＋＋编译成软件,控制部分采取PLC控制器。

螺栓角点提取包括螺栓六边形区域的提取、螺栓外轮廓线的提取、角点提取三个部分。在进行区域提取时采用动态阈值分割法,该方法避免了噪声和光照所带来的影响,它是一种通用型的区域提取方法。外轮廓线的提取需要像素精度到亚像素精度的转变。文中采用rammer算法来进行轮廓分割,用Tukey权重函数经过5次迭代来进行直线拟合,找到直线交点,即是螺栓角点。此实验采用的软件是HALCON,该软件的应用能够提升图像分析处理的效率,它能够提供丰富的函数库,其函数库可以由C、C＋＋和Delphi等多种编程语言进行访问。实验结果表明,采用该方法可成功地将螺栓地角点提取出来,而且该方法具有通用、快速以及准确等特点。

针对铸造行业大体积工件的搬运、打磨等问题,基于HALCON和C#混合编程方法和工业机器人实验平台,开发了具有视觉抓取技术的工业机器人系统,设计并调试系统各个组成部分,建立视觉定位抓取铸件打磨工作站,实现了工业机器人对工件的精确视觉定位并抓取,提高了铸件打磨效率同时并升级系统安全,为业内解决此类问题提供了一个新的参考。

采用基于机器视觉的方法,研究具有不同特征的水果的自动分类识别方法。首先通过对相机采集到的图像进行颜色空间转换、图像增强、图像分割等一系列算法的预处理,提取水果区域从而获得准确的颜色模型和纹理特征,再利用基于MVTecHALCON软件平台的SBI(Sample Based Identification)分类器算法,根据水果的颜色和纹理进行训练和识别。实验结果表明,基于样本的识别方法对经过处理后的水果图像识别具有较强的适应能力,并且具有良好的鲁棒性,总体识别率可达98.5%。