随着工业自动化控制技术和计算机技术的飞速发展，工业自动化已经渗透到各个行业的生产中。 自动点胶机在工业生产中得到了广泛应用，从微电路行业、电子产品行业、LED行业到一般工业的产品连接、注涂和密封，都发挥着重要作用。 自动点胶机的应用不仅为产品的质量带来了大幅度的提升，而且提高了生产效率，可以实现复杂情况的点胶工艺。在此基础上，更加受关注的便是点胶的质量问题。在实际的生产中，由于多种因素的影响，例如自动点胶机的点胶工艺水平、胶水的温度等，生产出的胶水可能会产生含有气泡、胶条断裂、胶条宽度太粗或太细等缺陷。因此在各种需要通过点胶来实现连接效果的场合中，严格控制点胶的质量是极其重要的。依靠人力来对点胶缺陷进行 检测显然是不合理的，由于其工作量大、效率低、 检测精度不高等特点，目前已不能满足实际的生产需求。为了解决上述问题，基于机器视觉的点胶缺 陷检测技术得到广泛的应用，其具有成本低、精度高、速度快的优势。

　　一、基于机器视觉检测技术现状

　　机器视觉是以普通计算机视觉研究为基础，并且同时涉及到光源照明技术、高速图像采集等方面实用技术的研究。在工业中，利用机器视觉构建一个完整的工业视觉应用系统需要结合多种技术，其中涵盖了机械工程、传感器、光学成像、运动控制、 图像处理等方面。图1-1显示的是实际工业中机器视觉系统整体框架，主要包括被测目标、光源、光学成像系统、图像捕捉系统、图像采集与数字化、智能图像处理模块和运动控制模块。

　　随着科技的进步，机器视觉的发展速度也越来越快，国外的一些研发机构都开发出了很多基于图像处理的机器视觉系统软件，例如MatroxImaging Library(MIL)、Halcon、Matlab以及开源库OpenCV 等。由于这些软件在图像上具有很强大的处理能力， 所以已经被广泛的运用到实际的工业生产中了。 目前，在机器视觉方面有两类算法，分别为数字图像处理算法和基于卷积神经网络的深度学习算法。

　　(1)基于数字图像处理的方法，主要通过图像处理等操作得到胶层的面积、质心以及自定义的复杂度公式进行对胶层的质量判定。传统的基于数字图像处理的方法具有操作简单，参数较少的优势，但也存在易受光照等客观因素影响，胶层分割效果差、缺陷分类差、通用性较差等缺点。

　　(2)随着大数据时代的来临，各类信息资源的轻易获取使得深度学习的应用也越来越广泛。特别是在卷积神经网络中，图片被深度卷积和池化之后，隐含层能够表现出比手动获取更加具有泛化性和抽象性的特征，从而在识别分类上取得了很好的效果。 深度学习的出现为点胶缺陷的识别带来了更大的可行性。但深度学习需要足够多的训练数据和强大的计算能力，使得其在许多领域内的落地和应用受到了制约，而这也会直接影响到点缺陷胶的检测效率。

　　二、点胶检测系统的光学检测方案

　　在进行点胶缺陷检测的过程中，图像信息的持续和稳定获取也是至关重要的一步，图像的好坏对于算法的设计困难程度有着很大的影响，因此，在点胶缺陷检测系统的设计过程中，需要对光学检测时的硬件进行选型。 如图2-1所示，考虑到胶条为透明胶，存在反光现象，所以要求光源在各个角度的光照程度较为均匀，而同轴光具有高密度排列，成像清晰，亮度均匀等特点。此外，在要求光照亮度均匀的同时，由于部分胶条中存在气泡，而同轴光源距离胶条存在一定的距离，采集到的图片无法观察到气泡特征， 故考虑使用条形光源对胶条上方进行照射，使得气 泡特征可见。由于垂直照射方式具有照射面积大、 光照均匀性好等优点，故同轴光源选择垂直照射方式，而条形光源主要是为了对胶条进行光照加强， 同时为了不遮挡同轴光源，故选择侧面照射。