摘 要：表面缺陷檢測(cè)是產(chǎn)品出廠前必不可少的一個(gè)環(huán)節(jié)，新能源汽車電池底座的鋁巴缺陷檢測(cè)以往是依靠人工目檢，但該方式效率低下、誤檢率高，且易受人的主觀因素影響。為了促進(jìn)產(chǎn)線升級(jí)，通過Halcon與C#實(shí)現(xiàn)混合編程，設(shè)計(jì)一種基于機(jī)器視覺的鋁巴表面缺陷檢測(cè)系統(tǒng)。通過工業(yè)相機(jī)采集鋁巴圖像進(jìn)行相應(yīng)的閾值分割；采用Halcon算法的圖像處理方式，依據(jù)正常與缺失鋁巴間的差異選擇特征向量進(jìn)行特征提取，進(jìn)而判斷鋁巴是否缺失。該系統(tǒng)彌補(bǔ)了以往人工目檢方式存在的不足，實(shí)現(xiàn)了由傳統(tǒng)人工生產(chǎn)向半自動(dòng)化生產(chǎn)的轉(zhuǎn)變。企業(yè)實(shí)際應(yīng)用結(jié)果表明：所設(shè)計(jì)檢測(cè)系統(tǒng)的誤檢率為0%，相比于人工目檢省時(shí)26 min，達(dá)到了預(yù)期效果，能夠滿足實(shí)際需求。

關(guān)鍵詞：機(jī)器視覺；缺陷檢測(cè)；圖像處理；特征提?。徽`檢率；人工目檢

中圖分類號(hào)：TP29；TP31 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2024）09-00-05

DOI：10.16667/j.issn.2095-1302.2024.09.004

0 引 言

隨著科技的進(jìn)步和社會(huì)的發(fā)展，工業(yè)生產(chǎn)技術(shù)越來越成熟，工業(yè)的發(fā)展已經(jīng)逐漸從工業(yè)3.0階段步入工業(yè)4.0階

段[1-2]，以智能化生產(chǎn)控制為主的產(chǎn)業(yè)日益增多，眾多先進(jìn)的生產(chǎn)技術(shù)被運(yùn)用于生產(chǎn)生活中，其中機(jī)器視覺技術(shù)是智能化時(shí)代的核心技術(shù)之一。鋁巴作為新能源汽車電池底座上的零部件，起到導(dǎo)電和固定的作用。若鋁巴不良品被安裝到汽車上，則會(huì)影響電池系統(tǒng)的正常運(yùn)轉(zhuǎn)，嚴(yán)重時(shí)可引發(fā)短路，造成嚴(yán)重事故。為了避免類似現(xiàn)象發(fā)生，本文研究使用機(jī)器視覺代替?zhèn)鹘y(tǒng)人工完成對(duì)鋁巴表面缺陷的檢測(cè)，防止不良品流向市場(chǎng)。

以往的鋁巴缺陷主要依靠人工目檢，在實(shí)際操作中存在效率低下、誤檢率高且易受人的主觀因素影響等問題，無法滿足大規(guī)模生產(chǎn)需求，不符合現(xiàn)代化生產(chǎn)規(guī)范。近年來，計(jì)算機(jī)技術(shù)取得了長(zhǎng)足的進(jìn)步，基于機(jī)器視覺的表面缺陷檢測(cè)技術(shù)已經(jīng)在多種場(chǎng)景下得到應(yīng)用，如農(nóng)產(chǎn)品表面缺陷檢測(cè)[3]、復(fù)合材料表面缺陷檢測(cè)[4]、織物表面缺陷檢測(cè)[5]、電子器件表面缺陷檢測(cè)[6]。由此可見，將機(jī)器視覺技術(shù)應(yīng)用到金屬表面缺陷檢測(cè)是切實(shí)可行的，這也為本文的研究提供了

參考。

隨著圖像處理技術(shù)的發(fā)展，基于機(jī)器視覺的缺陷檢測(cè)方法已逐漸取代人工檢測(cè)方法，并在工業(yè)現(xiàn)場(chǎng)生產(chǎn)檢測(cè)環(huán)節(jié)得到了實(shí)踐應(yīng)用[7-9]。本文研究的基于機(jī)器視覺的鋁巴表面缺陷檢測(cè)系統(tǒng)能夠根據(jù)企業(yè)要求完成對(duì)鋁巴缺陷的檢測(cè)。該系統(tǒng)對(duì)促使檢測(cè)從傳統(tǒng)人工方式邁向半自動(dòng)化方式有很大的促進(jìn)作用。檢測(cè)過程中機(jī)器視覺系統(tǒng)發(fā)送信號(hào)指令給PLC，PLC接收和執(zhí)行信號(hào)指令并控制機(jī)械臂帶動(dòng)相機(jī)采集圖像，通過圖像采集卡將圖像的電信號(hào)轉(zhuǎn)換為數(shù)字信號(hào)。在算法中采用閾值分割對(duì)鋁巴進(jìn)行定位得到感興趣區(qū)域，對(duì)該區(qū)域進(jìn)行形態(tài)學(xué)處理和特征提取后得到精確位置，根據(jù)所提取特征向量的周長(zhǎng)值大小判斷鋁巴是否缺失。

1 檢測(cè)系統(tǒng)硬件選型及結(jié)構(gòu)

1.1 檢測(cè)內(nèi)容

正常鋁巴的大小一致，為銀白色，呈圓環(huán)形，內(nèi)圓半徑為

6.8 mm，外圓半徑為47.3 mm。

鋁巴檢測(cè)要求：能檢測(cè)出鋁巴缺失；能在系統(tǒng)頁面顯示出缺陷鋁巴的個(gè)數(shù)；檢測(cè)單條物料時(shí)間應(yīng)少于10 s；誤檢率不超過1%。

1.2 系統(tǒng)組成及其原理

機(jī)器視覺系統(tǒng)一般以計(jì)算機(jī)為中心，主要由視覺傳感器、圖像采集系統(tǒng)、圖像處理系統(tǒng)以及結(jié)果顯示系統(tǒng)組成，并綜合了機(jī)械、光學(xué)、計(jì)算機(jī)軟硬件、電學(xué)、控制工程等多學(xué)科與技術(shù)。其工作原理是使用圖像采集系統(tǒng)和圖像處理系統(tǒng)來模擬人類視覺功能，從采集到的目標(biāo)圖像中提取信息并進(jìn)行處理，獲得所需的檢測(cè)對(duì)象信息，并加以分析和判斷，將最終結(jié)果傳輸給硬件設(shè)備，以指引設(shè)備的下一步動(dòng)作。

1.3 硬件選型

1.3.1 光源設(shè)備的選擇

在機(jī)器視覺檢測(cè)系統(tǒng)中，相機(jī)采集圖像的質(zhì)量嚴(yán)重影響著后續(xù)一系列圖像算法的效果，而光源的優(yōu)劣直接影響圖像的質(zhì)量。合適的光源是保證圖像質(zhì)量的關(guān)鍵因素之一，能夠最大程度凸顯出圖像的特征，有助于程序進(jìn)行圖像處理。選取光源需結(jié)合亮度、穩(wěn)定性、溫度等參數(shù)，本文研究采用的設(shè)備型號(hào)為OPT-LDB15015K-K，它是一種穹頂光源，具有發(fā)光覆蓋面廣、光源亮度均勻的特點(diǎn)。

1.3.2 相機(jī)的選擇

市面上的相機(jī)可分為CCD（Charge-Coupled Device）、CMOS（Complementary Metal Oxide Semiconductor）兩大類。CCD具有信號(hào)輸出一致性好、色彩還原能力佳等優(yōu)點(diǎn)；CMOS具有芯片功耗低、曝光時(shí)間短等優(yōu)點(diǎn)。選取相機(jī)要結(jié)合待測(cè)產(chǎn)品的大小、視野范圍、測(cè)量精度、分辨率、曝光時(shí)間等參數(shù)。本文采用CMOS類?？低? 000萬像素相機(jī)，該設(shè)備型號(hào)為MV-CS200-10GC，它是一種可以采集彩色圖像的相機(jī)，能夠滿足鋁巴圖像采集的需求。

1.3.3 鏡頭的選擇

除光源和相機(jī)外，另一影響圖像質(zhì)量的重要部件則是光學(xué)鏡頭，其優(yōu)劣直接影響圖像算法的效果[10]。鏡頭起到聚焦的作用，常根據(jù)光圈數(shù)、焦距、工作距離等參數(shù)選取。其兩側(cè)上下分布有旋鈕，上面旋鈕控制光圈，起到調(diào)節(jié)光源亮度的作用；下面旋鈕控制焦距，起到調(diào)節(jié)圖像清晰度的作用。本文研究采用的設(shè)備型號(hào)為OPT-DC25M20，它是一種

FA（Factory Automation）鏡頭。

1.4 檢測(cè)流程及結(jié)構(gòu)

系統(tǒng)啟動(dòng)時(shí)向PLC發(fā)送移動(dòng)信號(hào)，向相機(jī)發(fā)送采集圖像信號(hào)，PLC接收并執(zhí)行該信號(hào)控制伺服電機(jī)（機(jī)械臂）帶動(dòng)相機(jī)采集圖像。移動(dòng)信號(hào)的點(diǎn)位是由X軸、Y軸、Z軸共同決定的，并在PLC中存儲(chǔ)；伺服電機(jī)移動(dòng)到對(duì)應(yīng)位置時(shí)，串口調(diào)試助手向系統(tǒng)發(fā)送指令，PLC執(zhí)行指令并將結(jié)果發(fā)送給系統(tǒng)，進(jìn)而控制相機(jī)采集圖像。圖像采集卡將圖像的電信號(hào)轉(zhuǎn)換為數(shù)字信號(hào)，經(jīng)過編程軟件的圖像處理后完成分類識(shí)別，并將檢測(cè)結(jié)果顯示在系統(tǒng)主頁面。檢測(cè)系統(tǒng)結(jié)構(gòu)示意圖如

圖1所示，流程如圖2所示。

2 鋁巴缺陷檢測(cè)算法原理及處理結(jié)果分析

2.1 閾值分割

本文研究的新能源汽車電池底座整體呈矩形，長(zhǎng)、寬分別為1 267 mm、106 mm。對(duì)每條邊分11次進(jìn)行圖像采集。在這種情況下，仍有很多背景區(qū)域。為了實(shí)現(xiàn)檢測(cè)目的，需要結(jié)合灰度、紋理、顏色等特征進(jìn)行閾值分割，并提取感興趣區(qū)域圖像，這樣做能夠縮小檢測(cè)區(qū)域、縮短檢測(cè)時(shí)間。

文中針對(duì)鋁巴是否缺失進(jìn)行判斷時(shí)，采用圖像分割技術(shù)依據(jù)灰度分布進(jìn)行閾值分割，進(jìn)而提取鋁巴所在圖像區(qū)域。原理是利用特定的閾值T對(duì)圖像f（x， y）進(jìn)行運(yùn)算，將其轉(zhuǎn)換成僅有0、1兩個(gè)灰度等級(jí)的二值圖像。黑色用0表示，白色用1表示，其表達(dá)式如下：

（1）

式中：g（x， y）為二值圖像。本文在二值圖像基礎(chǔ)上引入灰度圖像，使圖像的顏色信息更加豐富。由式（1）可知，閾值分割的核心問題為T值的確定，該值決定前景與背景的區(qū)分情況。大多數(shù)情況下，前景與背景閾值差異較小，無法完美地提取前景區(qū)域圖像，因此可通過2.2小節(jié)所述的形態(tài)學(xué)處理方法去除。下面介紹常用的閾值分割方法：實(shí)驗(yàn)法、最大類間方差法。

2.1.1 實(shí)驗(yàn)法

實(shí)驗(yàn)法是對(duì)某些特征已知的圖像進(jìn)行不同閾值設(shè)置的實(shí)驗(yàn)，并通過人眼觀察閾值設(shè)置是否滿足要求。該方法的閾值確定是通過反復(fù)觀察并分析欲提取區(qū)域的灰度值而得出的，適用于前景和背景灰度閾值差異較大的情況。但該方法的分割效果易受主觀性影響。實(shí)驗(yàn)法下的閾值分割圖像如圖3（a）所示。

2.1.2 最大類間方差法

最大類間方差法又稱為OTSU。采用該方法對(duì)圖像進(jìn)行閾值分割時(shí)，選定的閾值應(yīng)使前景、背景和整幅圖像三者間的平均灰度差異最大，其差異大小用方差表示。假設(shè)各灰度級(jí)概率為pk，以閾值T為界將圖像分為R1、R2兩組，每組的灰度級(jí)概率分別為：

（2）

式中：m表示圖像灰度等級(jí)。R1、R2兩組的灰度均值表示為：

（3）

R1、R2兩組間灰度的方差表示為：

（4）

式中：μ表示整幅圖像的灰度均值，其表達(dá)式為：

（5）

綜上所述，該方法的最優(yōu)閾值應(yīng)滿足式（4）的目標(biāo)函數(shù)，且為最大值。其閾值分割圖像如圖3（b）所示。

鋁巴為圓環(huán)形，圖3中的白色區(qū)域即為在閾值范圍內(nèi)的圖像。從圖3可以看出，兩種方法都能將前景提取出來；相比較而言，實(shí)驗(yàn)法下的背景要比最大類間方差法的少很多，所以本文采用實(shí)驗(yàn)法進(jìn)行閾值分割。

2.2 形態(tài)學(xué)處理

經(jīng)過閾值處理后的圖像在白色區(qū)域的周圍存在著大小不一、形狀各異的毛刺。采用形態(tài)學(xué)技術(shù)能夠有效地細(xì)化、修剪這些毛刺，從而提取出目標(biāo)本質(zhì)特征。

2.2.1 腐蝕

在圖像處理過程中，腐蝕（erosion）操作是通過算子減法來實(shí)現(xiàn)的，算子符號(hào)表示為，例如AB表示結(jié)構(gòu)元素B對(duì)圖像A進(jìn)行腐蝕操作，其公式如下：

AB={a|（a+b）∈A， （a∈A， b∈B）} （6）

腐蝕算子常用于消除物體周圍毛刺和多余的小區(qū)域，也可以使相近的兩個(gè)物體分開。本文通過腐蝕算子消除鋁巴周圍的毛刺，但內(nèi)部也會(huì)出現(xiàn)黑點(diǎn)。圖4所示為腐蝕前與腐蝕后的圖像對(duì)比。

2.2.2 膨脹

在圖像處理中，膨脹（dilation）操作是采用算子加法來實(shí)現(xiàn)的，算子符號(hào)表示為⊕，若A和B是z2的集合，則A⊕B表示結(jié)構(gòu)元素B對(duì)圖像A進(jìn)行膨脹操作，其公式如下：

（7）

膨脹算子常用于填充物體內(nèi)部的空洞和周圍的縫隙，也可以使相近的兩個(gè)物體連接在一起。本文通過膨脹算子填充內(nèi)部出現(xiàn)的黑點(diǎn)，形成一個(gè)完整的鋁巴圖像。圖5所示為膨脹前與膨脹后的圖像對(duì)比。

2.3 特征提取

本文研究需要依據(jù)特征實(shí)現(xiàn)鋁巴缺陷的檢測(cè)分類。通過觀察正常與缺失鋁巴間特征上的差異，選取合適的特征值和特征向量進(jìn)行特征提取，進(jìn)而判斷鋁巴是否缺失。特征向量與特征值的選擇是特征提取的關(guān)鍵，依據(jù)閾值提取到的圖像區(qū)域經(jīng)過形態(tài)學(xué)處理和連通后，不相連的部分將會(huì)被分散成獨(dú)立區(qū)域，考慮到檢測(cè)物體形狀、大小固定，可根據(jù)周長(zhǎng)特征進(jìn)行特征提取。

使用鋁巴輪廓線所占像素點(diǎn)表示周長(zhǎng)特征，用鏈碼描述區(qū)域形狀，如：焊點(diǎn)的輪廓用x0L0L1...Ln表示，其中x0表示起點(diǎn)坐標(biāo)，Li表示鏈碼字。根據(jù)歐幾里得度量標(biāo)準(zhǔn)，周長(zhǎng)C的計(jì)算公式如下：

（8）

（9）

像素的鄰域鏈碼如圖6所示。

相機(jī)采集的單幅圖片包含4個(gè)鋁巴，經(jīng)過圖像處理后像素周長(zhǎng)總值范圍為4 000～5 000，若實(shí)際檢測(cè)值在該范圍內(nèi)則系統(tǒng)識(shí)別為正常；若小于4 000，則系統(tǒng)識(shí)別為缺失。具體標(biāo)準(zhǔn)為：像素周長(zhǎng)總值在3 000～4 000范圍內(nèi)，系統(tǒng)識(shí)別為“缺失1個(gè)”；像素周長(zhǎng)總值在2 000～3 000范圍內(nèi)，系統(tǒng)識(shí)別為“缺失2個(gè)”；像素周長(zhǎng)總值在1 000～2 000范圍內(nèi)，系統(tǒng)識(shí)別為“缺失3個(gè)”；像素周長(zhǎng)總值在0～1 000范圍內(nèi)，系統(tǒng)識(shí)別為“缺失4個(gè)”。系統(tǒng)檢測(cè)結(jié)果如圖7所示。

3 檢測(cè)系統(tǒng)軟件設(shè)計(jì)及缺陷檢測(cè)結(jié)果

3.1 系統(tǒng)軟件設(shè)計(jì)

WPF是微軟推出的面向?qū)ο蟮挠脩艚缑婵蚣埽捎糜趯?shí)現(xiàn)上位機(jī)界面設(shè)計(jì)、圖像處理算子調(diào)用以及與應(yīng)用程序間的通信[11]。圖8為檢測(cè)系統(tǒng)軟件主頁面，該系統(tǒng)具有用戶登錄、料號(hào)切換等功能，包含圖像窗口、運(yùn)行結(jié)果、設(shè)備狀態(tài)、運(yùn)行數(shù)據(jù)、硬盤容量、PLC和相機(jī)狀態(tài)等顯示模塊。操作前將待測(cè)物料放入載具，打開該系統(tǒng)主頁面登入選擇料號(hào)，按啟動(dòng)按鈕可實(shí)現(xiàn)檢測(cè)。

相機(jī)采集完單塊物料圖像后，程序會(huì)立即識(shí)別，并將結(jié)果顯示在上位機(jī)WPF頁面。系統(tǒng)啟動(dòng)時(shí)該頁面可顯示鋁巴實(shí)時(shí)圖像，系統(tǒng)檢測(cè)完成時(shí)該頁面可顯示結(jié)果。后端程序會(huì)自動(dòng)更新數(shù)據(jù)，并將日期、良品、不良品、所有產(chǎn)品、良率等數(shù)據(jù)顯示在該頁面相應(yīng)區(qū)域，便于操作工人觀察。為了降低誤判率，本文添加了復(fù)判功能。當(dāng)系統(tǒng)檢測(cè)出不良品時(shí)會(huì)自動(dòng)彈出復(fù)判窗口，待人工復(fù)判后點(diǎn)擊相應(yīng)選型即可。

Halcon是德國(guó)MVtec公司開發(fā)的視覺算法工具[12]，其本身擁有海量的算法，在圖像處理方面有著強(qiáng)大的功能，能夠滿足編寫鋁巴缺陷檢測(cè)算子的需求。在采集圖像后依據(jù)缺陷特征運(yùn)用Halcon編程軟件編寫算子，通過閾值分割、腐蝕、膨脹、填充、連通、特征提取等算子實(shí)現(xiàn)檢測(cè)分類。其程序簡(jiǎn)單明了，便于后期優(yōu)化。

3.2 缺陷檢測(cè)結(jié)果

本文分別使用人工目檢、機(jī)器視覺對(duì)1 000塊物料進(jìn)行檢測(cè)，然后比較時(shí)間、誤檢率、客觀條件、經(jīng)驗(yàn)要求、眼睛疲勞程度、成本等因素，結(jié)果見表1所列。實(shí)驗(yàn)結(jié)果表明：本文設(shè)計(jì)的檢測(cè)系統(tǒng)誤檢率為0%，相比于人工目檢省時(shí)

26 min，達(dá)到了預(yù)期效果，能夠滿足實(shí)際需求。該系統(tǒng)的投入使用解決了以往鋁巴缺陷檢測(cè)效率低下、誤檢率高的問題。

4 結(jié) 語

本文設(shè)計(jì)的系統(tǒng)能夠有效代替人工目檢對(duì)鋁巴進(jìn)行缺陷檢測(cè)，其利用閾值分割得到感興趣區(qū)域，對(duì)感興趣區(qū)域作形態(tài)學(xué)處理，選取最優(yōu)的特征值和特征向量實(shí)現(xiàn)特征提取，從而實(shí)現(xiàn)對(duì)待檢測(cè)圖像的分類識(shí)別。該系統(tǒng)在實(shí)際使用中具有節(jié)時(shí)、省力、誤檢率低等優(yōu)點(diǎn)，能將有缺陷的鋁巴圖片單獨(dú)保存到文件夾中，相較于人工目檢更能滿足企業(yè)檢測(cè)

所需。

檢測(cè)系統(tǒng)通過提取圖像內(nèi)部特征實(shí)現(xiàn)對(duì)鋁巴表面缺陷的檢測(cè)，但生產(chǎn)過程中出現(xiàn)的特殊鋁巴沒有相關(guān)特征數(shù)據(jù)，無法對(duì)其進(jìn)行準(zhǔn)確識(shí)別，因此會(huì)出現(xiàn)少量誤判現(xiàn)象。后期將考慮加入SVM分類器，其內(nèi)部產(chǎn)生的超平面可以將兩類數(shù)據(jù)最大限度地分開。兩類數(shù)據(jù)的一類為OK產(chǎn)品圖像，另一類為包含幾種缺陷類型的NG產(chǎn)品圖像。創(chuàng)建SVM模型后將訓(xùn)練樣本添加到SVM中，可以使用支持向量機(jī)對(duì)特征向量進(jìn)行分類，從而極大地降低誤判率。

注：本文通訊作者為潘盛輝。

參考文獻(xiàn)

[1]陳偉康，鄭豪.德國(guó)工業(yè)4.0成熟度標(biāo)準(zhǔn)最新研究[J].機(jī)械工業(yè)標(biāo)準(zhǔn)化與質(zhì)量，2020，45（2）：15-16.

[2] BENITEZ G B，LIMA M，LERMAN L V，et al. Understanding industry 4.0： definitions and insights from a cognitive map analysis [J]. Brazilian journal of operations amp; production management，2019，16（2）：192-200.

[3] CHEN S H，LAI Y W，KUO C L，et al. A surface defect detection system for golden diamond pineapple based on CycleGAN and YOLOv4 [J]. Journal of King Saud University-computer and information sciences，2022，34（10）：8041-8053.

[4] LU L，HOU J，YUAN S，et al. Deep learning-assisted real-time defect detection and closed-loop adjustment for additive manufacturing of continuous fiber-reinforced polymer composites [J]. Robotics and computer-integrated manufacturing，2023，79：102431.

[5] ZHANG J，JING J，LU P，et al. Improved MobileNetV2-SSDLite for automatic fabric defect detection system based on cloud-edge computing [J]. Measurement，2022，201：111665.

[6] CHEN K，CAI N，WU Z，et al. Multi-scale GAN with transformer for surface defect inspection of IC metal packages [J]. Expert systems with applications，2023，212： 118788.

[7]張濤，劉玉婷，楊亞寧，等.基于機(jī)器視覺的表面缺陷檢測(cè)研究綜述[J].科學(xué)技術(shù)與工程，2020，20（35）：14366-14376.

[8]趙衛(wèi)東，陳鳳，黃漢成，等.基于深度學(xué)習(xí)的電表字符缺陷檢測(cè)方法[J].安徽工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，38（1）：76-81.

[9]化猛奇，許四祥，蔡永禎，等.基于雙目視覺與ROS的機(jī)器人去板坯毛刺方法[J].安徽工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，38（1）：60-66.

[10]鄧細(xì)鳳.基于圖像處理的螺紋表面缺陷檢測(cè)技術(shù)研究[D].重慶：重慶大學(xué)，2013.

[11]趙偉鵬，潘盛輝，李鎮(zhèn)楠.基于機(jī)器視覺的連接器PIN針歪斜檢測(cè)系統(tǒng)設(shè)計(jì)[J].廣西科技大學(xué)學(xué)報(bào)，2023，34（2）：100-107.

[12]張偉超.基于HALCON的PCB缺陷在線視覺檢測(cè)系統(tǒng)[D].濟(jì)南：齊魯工業(yè)大學(xué)，2021.

收稿日期：2023-09-17 修回日期：2023-10-18

基金項(xiàng)目：廣西自然科學(xué)基金面上項(xiàng)目（2018GXNSFAA138122）

作者簡(jiǎn)介：潘盛輝（1971—），男，碩士，副教授，研究方向?yàn)槠囯娮涌刂萍夹g(shù)、自動(dòng)測(cè)試技術(shù)。

邱振武（1997—），男，在讀碩士研究生，研究方向?yàn)闄C(jī)器視覺、圖像處理。

趙偉鵬（1998—），男，碩士，研究方向?yàn)闄C(jī)器視覺、圖像處理。