臺灣博碩士論文加值系統

本論文旨在探討利用電腦視覺技術來確定在線材成型設備組裝後線材成型前，線材公差的量測。公差是指實際尺寸與理想尺寸之間的差異，對產品的品質及性能有重要影響。在金屬線材的加工過程中，線材成型是一種常見的加工方式，用於將原材料切割成所需的形狀與尺寸。

傳統上，在生產線材時，會以人工方式使用游標卡尺或是量測投影機檢測生產出的線材與標準線材之間的公差(以「忽米、條或絲」為單位即「0.01公釐」)，然後進行設備的相關調整。雖然依靠經驗或使用手冊通常能夠達到標準的生產需求，但在高生產量的情況下，人工調整方式非常耗時。如果能有一個直觀且低成本的輔助工具，將能有效改善線材生產的時間及成本壓力。

本論文提出了一種基於電腦視覺的影像判定系統，可以自動測量成型設備組裝之後產品正式生產之前設備送線的線材長度，並與預設的公差範圍進行比較，以判斷其是否在訂定公差規範之內。該系統利用Camera Module(攝影鏡頭模組)擷取成型後的產品影像，並使用影像處理技術進行邊緣偵測、輪廓擷取及特徵提取等步驟，最終計算出產品尺寸，並與公差範圍比較，得出生產結果。該系統具有高效率、低成本及自動化等優點，可以有效提升成型加工的品質管理及生產效率。

This study aims to examine the use of image judgment to determine the yield of wire production with different tolerances. Tolerance, defined as the difference between the actual size and the ideal size, significantly affects the quality and performance of the product. Wire cutting is a common machining method used to shape raw materials into the required dimensions for spring manufacturing.

Traditionally, a vernier caliper is manually used to measure the tolerance (in 0.01 millimeters, centimillimeter) of the produced wire against the standard wire, followed by necessary equipment adjustments. While experience often allows for achieving standard production requirements, manual adjustments can be exceedingly time-consuming, especially with high production volumes. An intuitive and cost-effective auxiliary tool could improve the cost efficiency of wire production in terms of both time and financial pressure.

This study proposes a computer vision-based image judgment system that automatically measures the product size after cutting and compares it with the preset tolerance range to determine its yield. The system employs a camera module to capture images of the product post-cutting, utilizing image processing techniques such as edge detection, contour extraction, and feature extraction. Ultimately, it calculates the product size and compares it with the tolerance range to ascertain the yield result. The advantages of this system include high efficiency, low cost, and automation, which can effectively enhance quality management and operational efficiency in cutting machining.

目 錄
中文摘要 I
ABSTRACT II
致 謝 III
圖目次 VI
表目次 VIII
第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 2
1.3 研究範圍與限制 3
1.4 研究貢獻與創新 4
1.5 論文架構 5
第二章 文獻探討與相關研究 6
2.1 工業電腦視覺檢測 6
2.2 公差概述 7
2.3 加工的毛邊問題 8
2.4 電腦視覺的相關設備 9
2.5 電腦視覺系統的硬體元件及軟體工具 12
第三章 研究方法與設計 16
3.1 系統架構 16
3.2 系統硬體 17
3.2.1 架構與設置 17
3.2.2 Raspberry Pi 5 19
3.2.3 Raspberry Pi Camera Module 3 20
3.3 系統軟體 21
3.3.1 架構與設置 21
3.3.2 軟體安裝 22
3.3.3 影像取得 23
3.3.4 邊緣偵測 24
3.3.5 精度指標 25
3.3.6 檢測判斷 26
3.3.7 GUI設計工具Tkinter 27
3.4 實驗設計與方法 28
3.5 系統流程 36
第四章 系統實作與結果 38
4.1 系統實作與開發 38
4.2 硬體設備實作 39
4.3 操作界面實作及實驗結果 40
第五章 結論與建議 45
5.1 研究結論 45
5.2 未來研究方向 46
參考文獻 47

[1]楊德華，台灣工具機產業的回顧與展望。臺灣機械工業同業公會機械資訊 592 期，臺北市。取自https://www.tami.org.tw/print/592/592_02.htm。
[2]張詠盛(2020)，嵌入式彈簧長度檢測系統之實作。國立臺灣海洋大學資訊工程系碩士論文，基隆市。取自https://hdl.handle.net/11296/tazav6。
[3]樹莓派，維基百科。https://en.wikipedia.org/wiki/Raspberry_Pi。
[4]簡單玩樹莓派-(1) 監測樹莓派(2021)，叡揚資訊網站，臺北市。https://www.gss.com.tw/blog/rpi-monitor。
[5]影像處理技術。維基百科-邊緣偵測。https://en.wikipedia.org/wiki/Edge_detection。
[6]陽明交通大學。電腦視覺、影像處理與人機互動。https://www.cs.nycu.edu.tw/research/computer-vision-image-processing-graphic-recognition。
[7]Clifford W. Kennedy, Donald E. Andrews, “Inspection and Gaging”, Industrial Press Inc.(1967).
[8]機器視覺，台達電子股份有限公司。https://www.deltaww.com/zh-TW/products/Machine-Vision/ALL/。
[9]玻璃盤螺絲螺帽外觀檢查機，鼎宸科技股份有限公司，臺南市。https://www.dctek.com.tw/dc-nut-screw-62-r.html。
[10]Control on board machines，Micro Studio Italy。https://microstudio.eu/en/products/control-on-board-machines/。
[11]VISION SYSTEMS AND PROFILE PROJECTORS FOR SPRINGS AND COMPONENTS，Easydur Italy。https://www.easydur.com/en/products/vision-system/。
[12]Erik Oberg, Franklin D. Jones, Holbrook L. Horton, and Henry H. Ryffel, “Machinery’s Handbook 26’ Edition”, pp.630 (2000).
[13]什麼是公差？公差標註基本介紹！(2021)，科技雞湯網站，臺北市。https://www.techchickensoup.com/product/tolerance-intro/。
[14]蘇家鋐(2019)，基於深度學習之多邊形物件定位及其裁切工具機應用。南臺科技大學機械工程系碩士論文，臺南市。取自https://hdl.handle.net/11296/4447zh。
[15]In-Sight 3800 視覺系統，美國康耐視公司。https://www.cognex.com/zh-tw/products/machine-vision/。
[16]PENTAX AMD 3020全自動影像尺寸量測儀，臺灣國祥貿易。https://www.lin.com.tw/p/3NUSX/K6KQM4Q.html。
[17]CV-X視覺系統，臺灣基恩斯股份有限公司。https://www.keyence.com.tw/products/vision/vision-sys/cv-x100/。
[18]ARM Cortex-A76 CPU，維基百科。https://en.wikipedia.org/wiki/ARM_Cortex-A76。
[19]COGNEX機器視覺，美國康耐視公司。https://www.cognex.com/zh-tw/what-is/machine-vision/components/lenses。
[20]工業視覺檢測專案如何選擇相機解析度及鏡頭焦距倍率，機器視覺專家Eason Lin。https://youtu.be/x43BhXMFmCE。
[21]Python，維基百科。https://en.wikipedia.org/wiki/Python。
[22]OpenCV，維基百科。https://en.wikipedia.org/wiki/OpenCV。
[23]Raspberry Pi 5，樹莓派官方網站。https://www.raspberrypi.com/products/raspberry-pi-5/。
[24]Raspberry Pi Camera 3 出來了！台灣樹莓派網站，臺北市。Piepie網站小編(2023)。取自https://piepie.com.tw/50842/new-autofocus-camera-modules。
[25]Q-engineering。Install OpenCV on Raspberry 64 OS，Spoorstraat noord 31, NL-9601 AX Hoogezand, Netherlands.
https://qengineering.eu/install-opencv-on-raspberry-64-os.html
[26]Canny, J. 1986. A Computational Approach to Edge Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-8(679) :679 – 698.
[27]Long, J., Shelhamer, E., Darrell, T.: Fully convolutional networks for semantic segmentation. In:Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 3431–3440, (2015).
[28]吳佑鎮(2017)，基於影像處理與電腦視覺運用特徵點建立具定位與量測功能之影像系統。國立清華大學動力機械工程學系碩士論文，新竹市。取自https://hdl.handle.net/11296/8rgkwu。
[29]平均值，維基百科。https://en.wikipedia.org/wiki/Mean。
[30]標準差，維基百科。https://en.wikipedia.org/wiki/Standard_deviation。
[31]Tkinter，維基百科。https://en.wikipedia.org/wiki/Tkinter。
[32]利用Tkinter 簡單學會Python GUI 應用開發 – MasterTalks。https://mastertalks.tw/products/python-gui。
[33]A. A. Paul V. C.Hough, Mich., “NETHOD AND MEANS FOR RECOGNIZING COMPLEX PATTERNS” the United States Patent,(1962).
[34]Hough Line Transform。https://docs.opencv.org/3.4/d9/db0/tutorial_hough_lines.html。
[35]Geany，維基百科。https://en.wikipedia.org/wiki/Geany。