臺灣博碩士論文加值系統

自動化光學檢測(Automatic Optical Inspection, AOI)扮演著快速檢驗的關鍵角色，能有效檢測缺陷與減少人事成本，達成精準且大量的檢測，進而大幅提升生產的品質與產能。本研究將取像系統與機電系統透過檢測軟體整合，針對塑膠射出成型齒輪之缺陷建立出一套自動化光學檢測系統。
本研究所要檢測之產品為塑膠射出成型齒輪，其塑膠成型在製造過程中皆會產生一些瑕疵品，形成缺陷原因如料塞、塑料溫度低、注射壓力不妥，影響塑料流動性，至於不能完全填滿模腔的各個角落，導致塑膠射出成型齒輪齒型成型不完整，影響產品傳動功能，甚至嚴重影響傳動結構強度，甚至導致使用上跳齒或是崩齒。
本研究開發之檢測自動化塑膠成型齒輪缺陷，檢測方式是由USB攝影裝置以俯視對塑膠成型齒輪自動定位取像，再由機械視覺檢測缺陷，並運用可程式邏輯控制器(PLC)作為之自動化運作平台，NI Vision Builder AI 為影像處理與檢測模組，將其整合，進而達到射出成型齒輪缺陷檢測之目的。
藉由此系統的建立，能在機台因料塞、塑料溫度低、注射壓力不妥所導致射出成型齒型不完整之缺陷可以達成九成的辨識度，在文獻回顧提到視覺檢測大多為產品單一性且無法複數批量檢測，對於本研究以自動化檢測方式能在實驗驗證階段能完成同時辨識多種齒輪並達成複數批量檢測，且平均0.54秒的時間完成一次批量檢測，達到此產品的生產線需求。

Automated optical inspection play a vital role in rapid inspection, which can effectively detect defects and reduce personnel costs, accurate and large-scale inspection, and greatly improve the quality and productivity of production.
Research integrates imaging system and electromechanical system through detection software.
An automatic optical inspection system was established for the defects of plastic injection molded gears.
The product to be tested in the paper is a plastic injection molding gear, and its plastic molding will produce some defective products in the manufacturing process.
Developed to detect automated plastic molding gear defects. The detection method is to automatically locate and image the plastic molding gear by the USB photographic device, and then detect the defects by mechanical vision, and use the programmable logic controller as the automation operation platform, NI Vision Builder AI is an image processing and detection module that integrates it to achieve the purpose of detecting the defect of the injection molding gear.
With the establishment of this system, the automatic detection method for this product can be completed in the experimental verification phase while identifying two products, and the average sampling time is about 0.54 seconds to achieve the production line demand of this product.

中文摘要....i
Abstract....ii
誌謝....iii
目錄....iv
表目錄....vi
圖目錄....vii
第一章 緒論....1
1.1 前言....1
1.2 研究動機與目的2
1.3 研究方法與步驟2
1.4 論文架構....4
第二章 文獻探討....5
2.1 數位影像基礎概論....5
2.1.1 影像二值化....6
2.1.2 影像濾波....7
2.1.3 特徵邊緣輪廓....8
2.1.4 色彩空間分割法....9
2.2 LabVIEW簡介....11
2.3 影像檢測之應用文獻回顧....12
第三章 研究內容與方法....17
3.1 塑膠射出成型齒輪缺陷之特徵....17
3.2 自動化影像檢測機台設置....18
3.2.1 機台設計與組裝....18
3.2.2 影像擷取單元....20
3.2.3 自動化控制單元....21
3.2.4 驅動單元....22
3.2.5 外部電源單元....22
3.2.6 感知單元....23
3.2.7 配線....24
3.3 各缺陷檢測方法及步驟....25
3.3.1 NI Vision Builder AI 軟體基本設置....26
3.3.2 射出成型齒輪分類設定....27
3.3.3 檢測齒數設定....29
3.3.4 檢測齒形設定....31
3.3.5 檢測內孔設定....33
3.3.6 檢測齒外輪廓設定....35
3.4 自動化整合及設計....36
3.4.1 自動化動作流程及設計....36
3.4.2 自動化影像檢測機整合方法及步驟....38
第四章 實驗結果與討論....42
4.1 自動化檢測平台可靠度分析....42
4.1.1 自動化檢測平台測試....42
4.1.2 自動化檢測平台改善....42
4.2 影像邊緣偵測....42
4.3 影像分類辨識....43
4.4 射出成型齒輪缺陷之結果....44
4.4.1 多樣齒輪缺陷辨識....44
4.4.2 生產單線整列檢測結果....45
4.4.3 生產單線亂列檢測結果....45
4.4.4 生產混線整列檢測結果....46
4.4.5 生產混線亂列檢測結果....46
4.4.6 齒面輪廓檢測結果....47
4.5 機電整合....48
4.6 與市面系統差異探討....49
第五章 結論與未來展望....50
5.1 結論....50
5.2 未來展望....50
參考文獻....51
附錄A....52
附錄B....55
附錄C....56
附錄D....57
附錄E....58
附錄F....59
附錄G....60
Extended Abstract....63
簡歷....69

[1]張文陽，2015，”機器視覺與影像處理課程之教材”，國立虎尾科技大學。
[2]黃昶勝，2009，”電腦數控型戟齒輪創成機線上量測及齒面修正數學模式之研究” ，國立中正大學機械工程所。
[3]陳明煌，2014，”塑膠射出成型機模具之自動化光學檢測”，南臺科技大學電子工程系。
[4]李福恩，2012，”應用機器視覺於小齒輪檢測高速平台之研究”，中華大學機械工程學系碩士班。
[5]林偉超，2012，”機器視覺於圓鋸片齒型檢測之應用”，國立勤益科技大學機械工程研究所碩士論文。
[6]楊承翰，2014，”基於FPGA之物件影像自動化辨識與檢測系統”，國立虎尾科技大學機械與電腦輔助工程系碩士班。
[7]黃弘力，2013，”煞車總泵機器視覺檢測系統之開發”，建國科技大學自動化工程系暨機電光系統研究所碩士論文。
[8]蔡晉晏，2015，”整合機器視覺於自動化油封修邊機之線上尺寸檢測製程”，建國科技大學自動化工程系暨機電光系統研究所碩士論文。
[9]吳政原，2014，”機械視覺應用在航太焊接”，國立中央大學機械工程研究所碩士論文。
[10]黃琨展，2016，”自動化玻璃面板檢測系統人機介面設計”，崑山科技大學機電工程研究所碩士論文。
[11]Hung M. H. and Hsieh C. H., 2015, "A novel algorithm for defect inspection of touch panels", Image and Vision Computing, 41,pp. 11–25.
[12] Wang Z. S., Yang F. B., Peng Z. H., Chen L. and Ji L. E., 2015, "Multi-sensor image enhanced fusion algorithm based on NSST and top-hat transformation"Optik, 126, pp. 4184–4190.
[13] Deng P., Diao M., Shan M., Zhong Z., Zhang Y., 2016, "Multiple-image encryption using spectral cropping and spatial multiplexing"Optics Communications, 359, pp. 234–239.
[14] Li Y., Dhakal S., Peng Y., 2012, "A machine vision system for identification of micro-crack in egg shell", Journal of Food Engineering, 109, 127–134.
[15] Shafeek H.I., Gadelmawl E.S., Abdel-Shafy A.A. and Elewa I.M., 2004, "Assessment of welding defects for gas pipeline radiographs using computer vision", NDT&E International, 37, pp. 291–299.
[16] Duan F., Wang Y. N., Liu H. J. and Li Y. G., 2007, "A machine vision inspector for beer bottle", Engineering Applications of Artificial Intelligence, 20, pp. 1013–1021.
[17] Li W. B., Lu C. H.and Zhang J. C., 2012, "A local annular contrast based real-time inspection algorithm for steel bar surface defects",Applied Surface Science, 258, pp. 6080–6086.
[18] Yang Y., Miao C., Li X. and Mei X., 2014, "On-line conveyor belts inspection based on machine vision", Optik, 125, pp.5803–5807.