AI 驅動文件
您想了解什麼？
模板影象與對齊理論
本頁面解釋了基於模板的模式匹配的基本概念，以及 OV20i 如何利用邊緣檢測演算法定位和定向零件，以實現精確的檢驗定位。
基於模板的模式匹配基礎
什麼是模板對齊？
模板對齊使用模式匹配來定位和定向零件以進行相對檢驗。系統在模板區域內部檢測邊緣，並匹配相似的邊緣模式以確定零件的位置和方向，從而即使在零件呈現不一致的情況下也能實現準確的檢驗。
核心概念：
- 參考模板 - 作為模式匹配基準的捕獲影象
- 邊緣模式識別 - 演算法識別獨特的邊緣特徵
- 空間變換 - 計算位置和旋轉差異
- ROI 調整 - 根據檢測到的零件位置對檢驗區域進行對齊
模板影象理論
模板影象作為參考標準
捕獲模板影象是所有配方的必需步驟。模板影象作為主參考，與所有後續影象進行對齊比較。
模板要求：
- 代表性樣本 - 必須顯示零件在理想狀態和位置
- 清晰的邊緣定義 - 具有足夠的對比度以確保可靠的邊緣檢測
- 一致的特徵 - 在零件變體中保持穩定的元素
- 最佳照明 - 照明條件與生產環境相匹配
影象質量對對齊的影響
關鍵質量因素：
- 邊緣對比度 - 較高的對比度可實現更可靠的邊緣檢測
- 焦點清晰度 - 清晰的邊緣提高模式匹配的準確性
- 照明一致性 - 均勻的照明減少錯誤的邊緣檢測
- 影象穩定性 - 模板影象中噪聲和偽影最小化
模板影象設定與捕獲
模板影象捕獲方法
捕獲選項：
- 捕獲模板影象 - 使用當前相機檢視拍攝新的參考影象
- 重新捕獲模板影象 - 用新影象替換現有模板
- 從庫中匯入 - 從庫中選擇現有影象作為模板
預設情況下，從庫中匯入的模態將按配方過濾影象。使用下拉選單選擇其他配方或清除過濾器並點選搜尋，以查詢其他配方中的影象。
預覽模式
- 模板檢視 - 捕獲後，預覽窗格顯示模板影象（非實時相機）
- 實時預覽模式 - 切換到實時相機檢視以測試對齊效能
- 重新捕獲模式 - 禁用實時預覽以重新拍攝模板影象
對齊理論的邊緣檢測
特定於對齊的邊緣檢測
OV20i 對齊系統依賴於專門用於零件位置和方向的邊緣檢測演算法，與基於 AI 的檢驗模型分開。
對齊邊緣檢測過程：
- 邊緣識別 - 演算法檢測用於對齊參考的強度梯度
- 邊緣過濾 - 系統識別與對齊相關的邊緣，同時過濾噪聲
- 對齊模式建立 - 構建邊緣模式的數學表示以進行定位
- 位置比較 - 將檢測到的模式與模板參考進行比較以實現對齊
對齊區域策略
+ 矩形 / + 圓形區域：
模板區域定義了 OV20i 將檢測邊緣以進行對齊的特定區域，透過匹配相似的邊緣模式來確定零件的位置和方向。
對齊邊緣視覺化：
- 🟢 綠色高亮 - 在模板區域內找到的邊緣（適合對齊）
- 🔴 紅色高亮 - 找到的邊緣不足以進行有效對齊
對齊的邊緣質量
良好的對齊邊緣特徵：
- 簡單 - 清晰、定義良好的邊緣過渡，適合位置參考
- 獨特 - 可靠的零件識別所需的獨特模式
- 一致 - 在所有預期的零件變體中可見，以確保可靠的對齊
- 穩定 - 在對齊過程中不受正常生產變化的影響
差的對齊邊緣特徵：
- 複雜紋理 - 不適合位置參考的詳細表面
- 反射表面 - 造成不一致對齊參考的區域
- 可變特徵 - 在零件之間變化的元素，影響對齊一致性
- 噪聲易發區域 - 有雜物影響對齊精度的區域
模板區域管理
建立模板區域
+ 矩形 / + 圓形： 點選以將模板區域新增到模板影象。OV20i 將在這些模板區域內檢測邊緣，並嘗試透過匹配相似的邊緣模式來定位零件。
區域管理：
- 調整大小/形狀 - 點選模板區域以拉伸或更改大小
- 旋轉 - 根據需要調整區域方向
- 重新定位 - 點選並拖動以移動模板區域
- 刪除 - 移除不需要的區域
模板區域放置最佳實踐
在放置模板區域時，重點關注簡單、獨特且在所有零件中一致可見的邊緣。儘量避免被缺陷遮擋的邊緣或在零件之間變化的邊緣模式。
良好的邊緣特徵：
- ✅ 簡單 - 清晰、定義良好的邊緣
- ✅ 獨特 - 在其他地方找不到的獨特模式
- ✅ 一致 - 在所有零件變體中可見
- ✅ 穩定 - 不受正常缺陷或磨損的影響
差的邊緣特徵：
- ❌ 可變特徵 - 可能缺失或損壞的元件
- ❌ 紋理表面 - 在零件之間變化的複雜圖案
- ❌ 反射區域 - 造成可變高亮的表面
- ❌ 小細節 - 容易被雜物遮擋的特徵
漸進式設定方法
多個模板區域策略：
- 從最顯著的特徵開始，設定一個模板區域
- 如果邊緣數量不足（紅色高亮），新增額外區域
- 如有需要，增加靈敏度以找到足夠的邊緣
- 使用忽略模板區域工具去除噪聲
- 在零件變體中使用實時預覽模式進行測試
對齊引數理論
旋轉範圍容差
輸入 0-180 度的角度以定義對齊器將容忍的旋轉量。
旋轉範圍設定：
- 180 度 - 找到以任何角度旋轉的零件（最大靈活性）
- 0 度 - 僅找到與模板影象角度匹配的零件（最大精度）
- 自定義範圍 - 在靈活性和精度之間取得平衡
權衡：
- 更寬範圍 - 更靈活，但處理速度可能較慢
- 更窄範圍 - 處理速度更快，但需要一致的零件方向
敏感度演算法理論
調整滑塊以增加/減少邊緣檢測的敏感度。更高的敏感度設定將找到更多的邊緣，而較低的敏感度設定將找到較少的邊緣。
敏感度影響：
- 更高的敏感度 - 檢測到更多的邊緣細節，但可能包含噪聲
- 較低的敏感度 - 專注於顯著的邊緣，但可能會錯過細微特徵
- 最佳設定 - 仍能找到足夠邊緣的最低敏感度
演算法行為： 對齊邊緣檢測演算法根據敏感度設定調整其閾值，影響哪些強度梯度被分類為用於對齊目的的邊緣。
置信度閾值理論
使用此滑塊設定被視為有效的對齊所需的最低置信度（1% 表示完全匹配）。該閾值應在 0.6-0.9 之間，以確保一致的對齊。
置信度計算：
- 對齊模式相關性 - 模板與檢測到的對齊模式之間的數學相似性
- 幾何一致性 - 邊緣特徵之間的空間關係準確性
- 對齊邊緣質量 - 檢測到的邊緣模式的強度和清晰度，用於位置參考
閾值指南：
- 0.6-0.9 範圍 - 推薦用於一致的對齊效能
- 更高的值 - 更嚴格的匹配，減少誤報
- 更低的值 - 更寬鬆的匹配，可能接受較差的對齊
對齊噪聲管理理論
忽略對齊模板區域
忽略模板區域工具提供了一個畫刷介面，用於從任何模板區域中擦除不需要的邊緣，用於遮蔽不必要的邊緣噪聲，並將對齊集中在清晰、可重複的邊緣模式上。
對齊邊緣噪聲類別：
- 紋理表面 - 複雜圖案不適合一致的對齊參考
- 反射和眩光 - 影響對齊準確性的可變光照效果
- 碎片或汙染 - 不適合位置參考的臨時特徵
- 可變元件 - 可能缺失或損壞的特徵，影響對齊一致性
對齊噪聲過濾策略：
- 選擇性遮蔽 - 移除可變邊緣模式，同時保留穩定的對齊特徵
- 模式簡化 - 將對齊演算法集中在最可靠的邊緣資訊上
- 一致性最佳化 - 提高不同零件變體之間的對齊可靠性
對齊模式匹配效能理論
多個模板區域用於對齊
新增更多模板區域增加了對齊的邊緣數量，提高了對齊模式匹配的可靠性和特異性。
多區域對齊的好處：
- 對齊冗餘 - 多個參考點提高了對齊的穩健性
- 位置特異性 - 更復雜的模式減少誤報的對齊匹配
- 對齊準確性 - 附加約束提高了位置和旋轉的精度
- 對齊可靠性 - 如果某些區域被遮擋，系統仍然可以對齊
對齊故障模式
常見對齊故障模式：
- 對齊邊緣不足 - 缺乏足夠的模式資訊以可靠地檢測位置
- 錯誤的對齊陽性 - 演算法匹配錯誤的特徵進行定位
- 不一致的對齊檢測 - 在某些部件上對齊有效，但在其他部件上失敗
- 低對齊置信度 - 位置匹配低於可接受閾值
對齊最佳化解決方案：
- 對齊模式最佳化 - 選擇更具辨識度和穩定性的邊緣特徵進行定位
- 區域調整 - 修改模板區域的大小和位置以獲得更好的對齊參考
- 引數調優 - 調整對齊效能的靈敏度和置信度閾值
- 對齊噪聲減少 - 使用忽略模板區域工具過濾問題邊緣
對齊與固定定位理論
何時使用模板對齊
對齊優勢：
- 部件變異容忍度 - 適應位置和旋轉差異
- 靈活呈現 - 適用於非夾具部件
- 相對檢測 - ROI 自動調整以適應部件位置
- 機器人整合 - 處理可變的部件放置
何時跳過對齊
固定位置優勢：
- 處理速度 - 無需對齊計算
- 一致的結果 - 可預測的檢測行為
- 簡單設定 - 無需模板區域或模式匹配
- 適用於夾具部件 - 當機械定位確保一致性時
選擇標準： 建議在部件被夾具固定或非常重複地呈現給相機的應用中跳過對齊選項。