AI 驱动文档
您想了解什么？
模板图像与对齐理论
本页面解释了基于模板的模式匹配的基本概念，以及 OV80i 如何使用边缘检测算法定位和定向零件，以实现精确的检查定位。
基于模板的模式匹配基础
什么是模板对齐？
模板对齐利用模式匹配来定位和定向零件，以进行相对检查。系统在模板区域内检测边缘，并匹配相似的边缘模式，以确定零件的位置和方向，从而即使在零件呈现不一致的情况下也能实现准确检查。
核心概念：
- 参考模板 - 作为模式匹配基准的捕获图像
- 边缘模式识别 - 算法识别独特的边缘特征
- 空间变换 - 计算位置和旋转差异
- ROI 调整 - 根据检测到的零件位置对检查区域进行对齐
模板图像理论
模板图像作为参考标准
捕获模板图像是所有配方的必需步骤。模板图像作为主参考，与所有后续图像进行比较以实现对齐。
模板要求：
- 代表性样本 - 必须显示零件在理想状态和位置
- 清晰的边缘定义 - 具有足够的对比度以实现可靠的边缘检测
- 一致的特征 - 在零件变化中保持稳定的元素
- 最佳照明 - 照明条件与生产环境相匹配
图像质量对对齐的影响
关键质量因素：
- 边缘对比度 - 较高的对比度可以实现更可靠的边缘检测
- 焦点清晰度 - 清晰的边缘提高模式匹配的准确性
- 照明一致性 - 均匀的照明减少虚假边缘检测
- 图像稳定性 - 模板图像中最小的噪声和伪影
模板图像设置与捕获
模板图像捕获方法
捕获选项：
- 捕获模板图像 - 使用当前相机视图拍摄新的参考图像
- 重新捕获模板图像 - 用新图像替换现有模板
- 从库中导入 - 从库中选择现有图像作为模板
默认情况下，从库中导入的模态将按配方过滤图像。使用下拉菜单选择其他配方或清除过滤器，然后单击搜索以查找其他配方中的图像。
预览模式
- 模板视图 - 捕获后，预览窗格显示模板图像（非实时相机）
- 实时预览模式 - 切换到实时相机视图以测试对齐性能
- 重新捕获模式 - 禁用实时预览以重新拍摄模板图像
对齐理论的边缘检测
针对对齐的边缘检测
OV80i 对齐系统依赖于专门用于零件位置和方向的边缘检测算法，与基于 AI 的检查模型分开。
对齐边缘检测过程：
- 边缘识别 - 算法检测强度梯度以作为对齐参考
- 边缘过滤 - 系统识别与对齐相关的边缘，同时过滤噪声
- 对齐模式创建 - 构建边缘模式的数学表示以进行定位
- 位置比较 - 将检测到的模式与模板参考进行比较以实现对齐
对齐区域策略
+ 矩形 / + 圆形区域： 模板区域定义了 OV80i 将检测边缘以进行对齐的特定区域，通过匹配相似的边缘模式来确定零件的位置和方向。
对齐边缘可视化：
- 🟢 绿色高亮 - 在模板区域内找到的边缘（适合对齐）
- 🔴 红色高亮 - 找到的边缘不足以进行有效对齐
对齐的边缘质量
良好的对齐边缘特征：
- 简单 - 清晰、定义明确的边缘过渡，适合位置参考
- 独特 - 可靠的零件识别的独特模式
- 一致 - 在所有预期的零件变体中可见，确保可靠对齐
- 稳定 - 在对齐过程中不受正常生产变动的影响
差的对齐边缘特征：
- 复杂纹理 - 细致的表面不适合位置参考
- 反射表面 - 造成不一致的对齐参考区域
- 可变特征 - 在零件之间变化的元素，影响对齐一致性
- 噪声敏感区域 - 有杂物影响对齐准确性的区域
模板区域管理
创建模板区域
+ 矩形 / + 圆形： 点击以将模板区域添加到模板图像。OV80i 将在这些模板区域内检测边缘，并尝试通过匹配相似的边缘模式来定位零件。
区域管理：
- 调整大小/形状 - 点击模板区域以拉伸或改变大小
- 旋转 - 根据需要调整区域方向
- 重新定位 - 点击并拖动以移动模板区域
- 删除 - 移除不需要的区域
模板区域放置最佳实践
在放置模板区域时，关注简单、独特且在所有零件中一致可见的边缘。尽量避免被缺陷遮挡的边缘或在零件之间变化的边缘模式。
良好的边缘特征：
- ✅ 简单 - 清晰、定义明确的边缘
- ✅ 独特 - 在其他地方找不到的独特模式
- ✅ 一致 - 在所有零件变体中可见
- ✅ 稳定 - 不受正常缺陷或磨损的影响
差的边缘特征：
- ❌ 可变特征 - 可能缺失或损坏的组件
- ❌ 纹理表面 - 在零件之间变化的复杂图案
- ❌ 反射区域 - 造成可变高亮的表面
- ❌ 小细节 - 容易被杂物遮挡的特征
渐进设置方法
多个模板区域策略：
- 从最显著特征的一个模板区域开始
- 如果边缘数量不足（红色高亮），添加额外区域
- 如有必要，增加灵敏度以找到足够的边缘
- 使用忽略模板区域工具去除噪声
- 在零件变体中使用实时预览模式进行测试
对齐参数理论
旋转范围容差
输入 0-180 度的角度以定义对齐器所能容忍的旋转量。
旋转范围设置：
- 180 度 - 找到以任意角度旋转的零件（最大灵活性）
- 0 度 - 仅找到与模板图像角度匹配的零件（最大精度）
- 自定义范围 - 在灵活性和精度之间取得平衡
权衡：
- 更宽的范围 - 更灵活，但处理速度可能较慢
- 更窄的范围 - 处理速度更快，但需要一致的零件方向
灵敏度算法理论
调整滑块以增加/减少边缘检测灵敏度。更高的灵敏度设置将找到更多的边缘，而较低的灵敏度设置将找到较少的边缘。
灵敏度影响：
- 更高灵敏度 - 检测更多的边缘细节，但可能包括噪声
- 较低灵敏度 - 专注于显著边缘，但可能错过细微特征
- 最佳设置 - 仍能找到足够边缘的最低灵敏度
算法行为： 对齐边缘检测算法根据灵敏度设置调整其阈值，影响哪些强度梯度被分类为对齐目的的边缘。
置信度阈值理论
使用此滑块设置对齐被认为有效所需的最低置信度（1%表示完全匹配）。该阈值应在0.6-0.9之间，以确保一致的对齐。
置信度计算：
- 对齐模式相关性 - 模板与检测到的对齐模式之间的数学相似性
- 几何一致性 - 边缘特征之间的空间关系准确性
- 对齐边缘质量 - 检测到的边缘模式的强度和清晰度，用于位置参考
阈值指南：
- 0.6-0.9 范围 - 推荐用于一致的对齐性能
- 更高值 - 更严格的匹配，减少误报
- 较低值 - 更宽松的匹配，可能接受较差的对齐
对齐噪声管理理论
忽略对齐模板区域
忽略模板区域工具提供了一个画刷界面，用于擦除任何模板区域中不需要的边缘，旨在屏蔽不必要的边缘噪声，并将对齐集中在清晰、可重复的边缘模式上。
对齐边缘噪声类别：
- 纹理表面 - 不适合一致对齐参考的复杂图案
- 反射和眩光 - 影响对齐准确性的可变光照效果
- 杂物或污染 - 不适合位置参考的临时特征
- 可变组件 - 可能缺失或损坏的特征，影响对齐一致性
对齐噪声过滤策略：
- 选择性遮罩 - 移除可变边缘模式，同时保留稳定的对齐特征
- 模式简化 - 将对齐算法集中在最可靠的边缘信息上
- 一致性优化 - 提高不同部件变体间的对齐可靠性
对齐模式匹配性能理论
多个模板区域用于对齐
添加更多模板区域可增加对齐的边缘数量，提高对齐模式匹配的可靠性和特异性。
多区域对齐的好处：
- 对齐冗余 - 多个参考点提高对齐的稳健性
- 位置特异性 - 更复杂的模式减少误报的对齐匹配
- 对齐准确性 - 附加约束提高位置和旋转精度
- 对齐可靠性 - 如果某些区域被遮挡，系统仍然可以对齐
对齐故障模式
常见对齐故障模式：
- 对齐边缘不足 - 缺乏足够的模式信息以进行可靠的位置检测
- 错误的对齐正例 - 算法匹配错误的特征进行定位
- 不一致的对齐检测 - 在某些部件上对齐有效，但在其他部件上失败
- 低对齐置信度 - 位置匹配低于可接受阈值
对齐优化解决方案：
- 对齐模式优化 - 选择更具辨识度和稳定性的边缘特征进行定位
- 区域调整 - 修改模板区域的大小和位置以获得更好的对齐参考
- 参数调优 - 调整对齐性能的灵敏度和置信度阈值
- 对齐噪声减少 - 使用忽略模板区域工具过滤问题边缘
对齐与固定定位理论
何时使用模板对齐
对齐优势：
- 部件变化容忍度 - 适应位置和旋转差异
- 灵活展示 - 适用于非固定部件
- 相对检测 - ROI 自动调整以适应部件位置
- 机器人集成 - 处理可变部件放置
何时跳过对齐
固定位置优势：
- 处理速度 - 无需对齐计算
- 一致的结果 - 可预测的检测行为
- 简单设置 - 无需模板区域或模式匹配
- 适用于固定部件 - 当机械定位确保一致性时
选择标准： 建议在部件被固定或非常重复地呈现给相机的应用中跳过对齐选项。