臺灣博碩士論文加值系統

自動光學檢測技術已經廣泛應用於製罐產業中，其主要透過電腦視覺技術識別並剔除生產過程中因機器故障或人為操作失誤而可能產生的瑕疵品。該技術需具備高精準度以確保通過其檢測之產品質量符合客戶需求，避免製造商之營利損失。
本研究源自一項產學合作案，該公司已與學校合作開發出一套用於高速罐身生產之自動光學檢測系統，公司期望以其為基礎開發進階檢測系統，擴充其檢測功能並優化系統性能，同時維持原本檢測架構。本研究對系統進行擴充之檢測功能包括罐身焊道寬度不足檢測，罐身折角檢測與焊道拖尾檢測；非檢測功能包括生產良率統計與報表輸出、使用者權限控管等。進階系統可配合制罐機每分鐘800罐之生產速度，於75ms內完成共6項瑕疵之高精準度檢測，早期導入國內與越南、杜拜等國外地區之罐身製造廠。
本文對非工業應用等級之視覺函式庫之實際應用與工業生產之檢測進行了充分的研究與討論，包括影像處理的檢測演算法、檢測系統的設計與資料庫的整合等方面，提供了實際的案例與借鑒經驗。

Automatic optical inspection techniques are used widely among many industries for food containers. Through image processing, these techniques identify and reject defective products that may have been produced due to machine malfunction or human error during the production process. Therefore, with high precision, it can ensure the quality of the products to meet the needs of customers, avoiding the profit loss of container manufacturers.
This research originates from an academic-industrial project. The company has developed an AOI system for high-speed metal can production, and expects to hold more detections items, optimizing of system performance, which includes the inspection of weld width, corner fold and tail drag, the output of qualified product rate statistics and report, the user permission control, etc. At present, the updated system can run six defect inspections within 75 ms at a speed of 800 cans/min. It is a precise quality control of cans production and has been used in the cans factory in Taiwan, Vietnam, and Dubai.
In this paper is about the practical application of non-industrial application visual library and has been fully studied and discussed. It includes image processing detection algorithm, detection system design and database integration that provide practical examples and lessons learned.

目錄
中文摘要 I
Abstract II
誌謝 III
目錄 V
表目錄 VI
圖目錄 VII
第一章 簡介 1
1.1. 罐身製造的背景資訊 1
1.2. 罐身瑕疵種類 3
1.3. 預期達到之系統規格 6
第二章 文獻探討 7
第三章 方法 10
3.1. 系統檢測流程 10
3.2. 檢測方法 12
3.2.1. 原本系統檢測方法 13
3.2.2. 進階系統擴充之檢測方法 16
3.3. 非檢測類功能說明 29
3.3.1. 用戶系統及權限控管 29
3.3.2. 工作班別設定與調班功能 30
3.3.3. 良率統計及報表匯出 30
第四章 實驗分析 32
第五章 結論 44
參考文獻 46
附錄A：操作手冊 49

表目錄
表 1：計畫預期規格 6
表 2：自動光學檢測技術的相關研究 7
表 3：折角檢測之影像差異化處理展示 27
表 4：系統功能權限管控表 29
表 5：焊道寬度量測資訊 37
表 6：拖尾量測資訊 38
表 7：檢測時間資訊 42
表 8：使用者介面-I/O控制功能說明 51
表 9：使用者介面-ROI設定功能說明 54
表 10：使用者介面-校正設定功能說明 55
表 11：使用者介面-參數設定功能說明 56
表 12：使用者介面-系統執行頁面-功能說明 59
表 13：使用者介面-匯出報表功能說明 64

 
圖目錄
圖 1：罐身焊接的頭與尾 2
圖 2：焊道污染罐身 3
圖 3：長短腳罐身 4
圖 4：焊道寬度不足罐身 4
圖 5：拖尾罐身 5
圖 6：折角罐身 5
圖 7：系統檢測流程示意圖 11
圖 8：檢測執行緒流程示意圖 12
圖 9：樣板比對的範例 13
圖 10：顛倒罐左右區域樣板 14
圖 11：焊道污漬檢測的結果 15
圖 12：長短腳檢測 15
圖 13：焊道分割範例展示 17
圖 14：Pixel級最小寬度計算範例展示 19
圖 15：印刷罐焊道輪廓計算例外展示 20
圖 16：焊道寬度Subpixel級計算 21
圖 17：拖尾檢測區域截取範例 22
圖 18：拖尾二值化處理範例展示 23
圖 19：輪廓搜尋與篩選範例展示 25
圖 20：建立折角樣板範例展示 26
圖 21：罐身尾部截取區域計算示意圖 27
圖 22：基本參數與進階參數範例展示 29
圖 23：罐身AOI設備 32
圖 24：罐身AOI機台側視圖 33
圖 25：光遮斷器架設圖 33
圖 26：焊道寬度重複檢測精準度分析折線圖 39
圖 27：拖尾重複檢測精準度分析折線圖 39
圖 28：焊道寬度檢測誤差分析折線圖 40
圖 29：拖尾檢測誤差分析折線圖 40
圖 30：光學量測儀 41
圖 31：光學量測儀量測放大100倍之畫面 41
圖 32：使用者介面-用戶登錄 49
圖 33：使用者介面-I/O控制 51
圖 34：使用者介面-ROI設定 53
圖 35：使用者介面-拖尾參數設定 54
圖 36：使用者介面-校正設定 55
圖 37：使用者介面-參數設定 56
圖 38：使用者介面-系統執行頁面 59
圖 39：使用者介面-用戶權限控管 62
圖 40：使用者介面-工作班別設定 63
圖 41：使用者介面-匯出報表 64

參考文獻
[1]元錄機械股份有限公司.http://www.yuanrox.com/
[2]Y. Hu and C.-X. Zhao, "A Local Binary Pattern Based Methods for Pavement Crack Detection," Journal of Pattern Recognition Research, 2013, pp. 140-147.
[3]M. Quintana, J. Torres, and J. M. Menéndez, "A Simplified Computer Vision System for Road Surface Inspection and Maintenance," IEEE Transactions on Intelligent Transportation Systems, 2016 ,Vol. 17, pp. 608-619.
[4]N. Cai, J. Lin, Q. Ye, H. Wang, S. W. Weng, and B. W.-K. Ling, "A New IC Solder Joint Inspection Method for an Automatic Optical Inspection System Based on an Improved Visual Background Extraction Algorithm," IEEE Transactions on Components, Packaging and Manufacturing Technology, 2016, Vol. 6, pp. 161-172.
[5]W. C. Wang, S. L. Chen, L. B. Chen, and W. J. Chang, "A Machine Vision Based Automatic Optical Inspection System for Measuring Drilling Quality of Printed Circuit Boards," IEEE Access, 2017, Vol. 5, pp. 10817-10833.
[6]F. Ardhy and F. I. Hariadi, "Development of SBC based Machine-Vision System for PCB Board Assembly Automatic Optical Inspection," in 2016 International Symposium on Electronics and Smart Devices (ISESD), 2016, pp. 386-393.
[7]Q. Li, and S. Ren, "A real-time visual inspection system for discrete surface defects of rail heads," IEEE Transactions on Instrumentataion and Measurement, 2012, Vol. 61, pp. 2189-2199.
[8]J. Liu and C. Wang, "An algorithm for image binarization based on adaptive threshold," in Control and Decision Conference, Chinese, 2009, pp. 3958-3962.
[9]X.-H. Wang, J.-Y. Wang, J.-L. Zhang, H.-W. Liang, and P.-M.Kou, "Study on the detection of yarn hairiness morphology based on image processing technique," in 2010 International Conference on Machine Learning and Cybernetics, Qingdao, 2010, pp. 2332-2336.
[10]S. I. Putera and Z. Ibrahim, "Printed circuit board defect detection using mathematical morphology and MATLAB image processing tools," in 2010 2nd International Conference on Education Technology and Computer, Shanghai, 2010, pp. V5-359-V5-363.
[11]T. B. Nguyen and S. T. Chung, "An Improved Real-Time Blob Detection for Visual Surveillance," in 2009 2nd International Congress on Image and Signal Processing, 2009, pp. 1-5.
[12]Hart, and P. E, "How the Hough Transform was Invented," IEEE Signal Processing Magazine, 2009, Vol. 26, pp. 18- 22.
[13]A. Trujillo-Pino, K. Krissian, M. Alemán-Flores and D. Santana-Cedrés, "Accurate Subpixel edge location based on partial area effect," Image and Vision Computing, 2013, vol. 31, pp. 72-90.
[14]S. SUZUKI, and K. ABE, "Topological structural analysis of digital binary images by border following," Computer Vision, Graphics, and Image Processing, 1985, vol. 30, pp. 32-46.