CN110687120A - 法兰外观质量检测*** - Google Patents

法兰外观质量检测*** Download PDF

Info

Publication number
CN110687120A
CN110687120A CN201910882455.3A CN201910882455A CN110687120A CN 110687120 A CN110687120 A CN 110687120A CN 201910882455 A CN201910882455 A CN 201910882455A CN 110687120 A CN110687120 A CN 110687120A
Authority
CN
China
Prior art keywords
module
flange
image
parameter
detection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910882455.3A
Other languages
English (en)
Inventor
王粤
余杭州
邓杨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Gongshang University
Original Assignee
Zhejiang Gongshang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Gongshang University filed Critical Zhejiang Gongshang University
Priority to CN201910882455.3A priority Critical patent/CN110687120A/zh
Publication of CN110687120A publication Critical patent/CN110687120A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Geometry (AREA)
  • Chemical & Material Sciences (AREA)
  • Signal Processing (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及法兰检测技术领域，具体地说，涉及法兰外观质量检测***。其包括图像采集单元、图像分析模块和质量数据服务器，所述图像采集单元和图像分析模块、所述图像分析模块和质量数据服务器之间通过数据传输模块实现数据交互，所述图像分析模块包括图像处理模块和法兰类别确定模块，所述图像处理模块用于对图像采集单元采集的图像数据进行处理，所述法兰类别确定模块用于确定法兰的类别。该法兰外观质量检测***中，将机器视觉应用于工厂中各种工件的检测当中，根据工件分类的不同检测要求检测工件的各项外观指标，使得生产智能化加强，工业自动化得以实现，同时也可以大幅度提高检测效率及检测精度，符合智能工厂的要求。

Description

法兰外观质量检测***
技术领域
本发明涉及法兰检测技术领域，具体地说，涉及法兰外观质量检测***。
背景技术
在工业生产中为了保证工件的质量，对工件的质量检测是必不可少的环节，目前大部分中小企业的质量部门对已生产出的产品的质量检测依然还停留在人工检测的层面上，而这种传统的检测手段有以下几个缺陷：(1)检测时间长；(2)检测结果经常与人眼的判断有关，检测精度较低；(3)检测者的工作态度会影响到检测结果的准确度；(4)人眼很容易疲劳，从而导致检测精度降低。随着科学技术的发展，智能制造、智能工厂的逐渐展开，生产自动化程度逐步提高，市场对产品质量和精度、性能的要求也越来越高，这种传统的检测手段已无法满足现代化的需求。
发明内容
本发明的目的在于提供法兰外观质量检测***，以解决上述背景技术中提出的某种或某些缺陷。
为实现上述目的，本发明提供法兰外观质量检测***，包括图像采集单元、图像分析模块和质量数据服务器，所述图像采集单元和图像分析模块、所述图像分析模块和质量数据服务器之间通过数据传输模块实现数据交互，所述图像分析模块包括图像处理模块和法兰类别确定模块，所述图像处理模块用于对图像采集单元采集的图像数据进行处理，所述法兰类别确定模块用于确定法兰的类别，所述法兰类别确定模块包括手动选择模块和自动识别模块。
作为优选，所述手动选择模块包括选择法兰类别模块、参数上传模块和参数下载模块，所述选择法兰类别模块用于选择需要检测的法兰类别，所述参数上传模块用于将选择的法兰类别参数上传至质量数据服务器，所述参数下载模块用于从质量数据服务器中获取选择的法兰类别参数对应的各项外观参数的具体尺寸数据要求及其公差要求。
作为优选，所述选择法兰类别模块包括标准号选择模块、型号选择模块、公称尺寸选择模块和公称压力选择模块，所述标准号选择模块用于选择法兰的标准号，所述型号选择模块用于选择法兰的型号，所述公称尺寸选择模块用于选择法兰的公称尺寸，所述公称压力选择模块用于选择法兰的公称压力。
作为优选，所述自动识别模块包括法兰类型识别模块、参数导入模块和判断参数模块，所述法兰类型识别模块用于识别法兰类型，所述参数导入模块用于将识别的法兰参数导入质量数据服务器内，所述判断参数模块用于从质量数据服务器中判断并获取选择的法兰类别参数对应的各项外观参数的具体尺寸数据要求及其公差要求；
图像训练模块包括卷积神经网络和残差单元；
其中，卷积神经网络包括以下姿态：
姿态一：输入层：输入层没有输入值，只有一个输出向量，这个向量的大小就是图片的大小，即一个28*28矩阵；
姿态二：卷积层：卷积层的输入要么来源于输入层，要么来源于采样层，卷积层的每一个特征map是不同的卷积核在前一层所有map上作卷积并将对应元素累加后加一个偏置，再求sigmod得到的；
姿态三：采样层：采样层是对上一层map的一个采样处理，这里的采样方式是对上一层map的相邻小区域进行聚合统计，区域大小为scale*scale，有些实现是取小区域的最大值，而toolbox里面的实现是采用2*2小区域的均值；
残差单元组合是输出值与类标值得误差值，而中间各层的残差来源于下一层的残差的加权和，输出层的残差计算如下：
Figure BDA0002206286520000021
作为优选，所述法兰类型识别模块包括采集检测图像模块、图像训练模块、优化模型模块和确定网络参数模块，所述采集检测图像模块用于采集拟检测的各类别法兰的图像若干幅，所述图像训练模块用于提取最优训练模型下的网络参数，所述优化模型模块用于保存最优模型下的网络参数，所述确定网络参数模块用于对采集的图像进行测试并优化确定网络参数。
作为优选，所述图像处理模块包括灰度化处理模块、大津阈值法模块、高斯滤波处理模块、均方误差模块、二值分割模块、前景区搜索模块和图像定位模块，所述灰度化处理模块用于将RGB图像转成灰度图像，其公式为：
f(i，j)＝(R(i，,j)+G(i，,j)+B(i，j))/3，
所述大津阈值法模块用于、对灰度图像做二值分割，搜遍所有的可选阈值，所述高斯滤波处理模块用于对图像进行高斯滤波处理，其公式为：
式中h称为滤波器的核函数也就是权值，
所述均方误差模块用于确定图像的最佳分割阈值，所述二值分割模块用于对图像做二值分割，其步骤如下：
①、利用图像灰度的平均值和图像的方差对图像的小块求灰度平均值和方差，设定一阈值T，因为是3*3模块，所以是在8邻域中，即T＝4，若Vi>4，则该小块作为目标留下，并将其标示为1，存放于矩阵A中；若Vi<4，则该块作为背景去掉，并把该块标示为0，同样存在矩阵A中；
②、以
Figure BDA0002206286520000032
作为结构元素对已知的二值矩阵A做开运算，可得到矩阵B；
③、以
Figure BDA0002206286520000033
为结构元素对二值矩阵B做闭运算，得到矩阵C，矩阵C为一个二值矩阵，二值矩阵只包含1和0，对应元素为1的作为目标留下，对应元素为0的作为背景去除；
所述前景区搜索模块用于搜索图像前景区域的所有内层，外层轮廓线，所述图像定位模块用于定位法兰的内直径和外直径以及螺栓孔的直径，侧面图像要获得的检测参数有：法兰厚度，法兰高度。
作为优选，所述图像处理模块步骤如下：
①、首先将RGB图像转成灰度图像，然后做模板为3X3的高斯滤波；
②、对灰度图像做二值分割，采用大津阈值法，搜遍所有的可选阈值，根据均方误差的最大值来确定最佳分割阈值，然后做二值分割，分割出大于分割阈值的图像前景区域；
③、搜索图像前景区域的所有内层，外层轮廓线；
④、法兰的正面图片中的检测要求主要是要定位法兰的内直径，外直径，各螺栓孔的直径等，这些都是圆形的，因此，寻找各轮廓线的基于亚像素级别的内接最大圆，并定位出各轮廓线内切圆的圆心坐标及圆直径，并法兰侧面图片中可以获得的法兰厚度和法兰高度的检测参数；
⑤、根据法兰类别确定模块从质量数据服务器取得的该类别法兰外观各参数尺寸，如外径的尺寸，内径的尺寸，螺栓孔的直径尺寸等数据，判断获得的各内切圆的直径属于哪个参数范畴，由此确定各轮廓内切圆分别属于法兰外圆轮廓，法兰内圆轮廓或法兰螺栓孔轮廓；根据法兰正侧面图片检测得出的法兰外观质量参数与质量数据服务器获取的该型号法兰标准所要求的各参数做比对，检测各项参数是否在标准定义的公差允许的范围内，若是，得出该法兰外观质量合格的结论，若为否，则列出具体不合格的原因，及不合格的结论，之后将法兰的各检测参数及结论上传质量数据服务器。
与现有技术相比，本发明的有益效果：
1、该法兰外观质量检测***中，将机器视觉应用于工厂中各种工件的检测当中，根据工件分类的不同检测要求检测工件的各项外观指标，使得生产智能化加强，工业自动化得以实现，同时也可以大幅度提高检测效率及检测精度，符合智能工厂的要求。
2、该法兰外观质量检测***中，通过网络上传服务器保存检测数据，使得质量检测员，质量检测负责人，生产厂长等拥有操作权限的人员可以通过浏览器，手机终端及时查看检测数据，以及相应的分析图表，统计信息等。
3、该法兰外观质量检测***中，产品质量数据保存在服务器端的数据库，也方便后续的进一步的大数据追踪与分析，从而能为进一步改进产品质量做准备。
附图说明
图1为本发明的整体框架示意图；
图2为本发明的整体模块示意图；
图3为本发明的图像分析模块图；
图4为本发明的法兰类别确定模块图；
图5为本发明的手动选择模块图；
图6为本发明的选择法兰类别模块图；
图7为本发明的自动识别模块图；
图8为本发明的法兰类型识别模块图；
图9为本发明的图像处理模块图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供法兰外观质量检测***，如图1-图4所示，包括图像采集单元、图像分析模块和质量数据服务器，图像采集单元和图像分析模块以及图像分析模块和质量数据服务器之间通过数据传输模块实现数据交互，图像分析模块包括图像处理模块和法兰类别确定模块，图像处理模块用于对图像采集单元采集的图像数据进行处理，法兰类别确定模块用于确定法兰的类别，法兰类别确定模块包括手动选择模块和自动识别模块。
本实施例中，图像采集单元包括检测支架，工业相机，条形光源，背光光源，用于图像的采集与传输。待检测法兰被放在检测台上的支架上，其正上方有一台经过标定的工业相机，采用背光光源，用于拍摄法兰的正面图片，侧方还有一台经过标定的工业相机，采用条形光，用于拍摄法兰的侧面图片。
进一步的，质量数据服务器基于JAVA开发，采用Mysql做为法兰数据存储的数据库，从图像分析检测单元传输过来的法兰外观检测数据及检测结果都通过数据服务器保存在数据库中，质量检测员，质量检测负责人，生产厂长等拥有操作权限的人员可通过浏览器或手机APP登录法兰质量数据服务器平台，查看所有的法兰外观质量数据及检测结果信息记录，且可查看各种分析数据及报告。
请参阅图5和图6所示，手动选择模块包括选择法兰类别模块、参数上传模块和参数下载模块，选择法兰类别模块用于选择需要检测的法兰类别，参数上传模块用于将选择的法兰类别参数上传至质量数据服务器，参数下载模块用于从质量数据服务器中获取选择的法兰类别参数对应的各项外观参数的具体尺寸数据要求及其公差要求。
本实施例中，选择法兰类别模块包括标准号选择模块、型号选择模块、公称尺寸选择模块和公称压力选择模块，标准号选择模块用于选择法兰的标准号，型号选择模块用于选择法兰的型号，公称尺寸选择模块用于选择法兰的公称尺寸，公称压力选择模块用于选择法兰的公称压力。
手动选择模块具体流程为：在检测前，在分析检测单元的UI界面上首先选择要检测的法兰类别，类别的具体信息为法兰的标准号，型号，公称尺寸和公称压力四项，然后将这四项参数上传法兰质量数据服务器，服务器再去法兰类别数据库中获取该类别下法兰对应的各项外观参数的具体尺寸数据要求及其公差要求，并返回给图像分析检测单元。
请参阅图7和图8所示，自动识别模块包括法兰类型识别模块、参数导入模块和判断参数模块，法兰类型识别模块用于识别法兰类型，参数导入模块用于将识别的法兰参数导入质量数据服务器内，判断参数模块用于从质量数据服务器中判断并获取选择的法兰类别参数对应的各项外观参数的具体尺寸数据要求及其公差要求。
本实施例中，法兰类型识别模块包括采集检测图像模块、图像训练模块、优化模型模块和确定网络参数模块，采集检测图像模块用于采集拟检测的各类别法兰的图像若干幅，图像训练模块用于提取最优训练模型下的网络参数，优化模型模块用于保存最优模型下的网络参数，确定网络参数模块用于对采集的图像进行测试并优化确定网络参数。
进一步的，采集检测图像模块采集拟检测的各类别法兰的图像若干幅，每个类别的法兰图像不少于200张。
具体的，图像训练模块将采集图像的80％用于训练卷积神经网络，该网络包括卷积神经网络和残差单元组合成为卷积残差网络，利用卷积残差网络构造多分类模型并进行训练，提取最优训练模型下的网络参数。
其中，卷积神经网络包括输入层、卷积层和采样层，输入层：输入层没有输入值，只有一个输出向量，这个向量的大小就是图片的大小，即一个28*28矩阵；卷积层：卷积层的输入要么来源于输入层，要么来源于采样层，卷积层的每一个特征map是不同的卷积核在前一层所有map上作卷积并将对应元素累加后加一个偏置，再求sigmod得到的，值得注意的是，卷积层的map个数是在网络初始化指定的，而卷积层的map的大小是由卷积核和上一层输入map的大小决定的，假设上一层的map大小是n*n、卷积核的大小是k*k，则该层的map大小是(n-k+1)*(n-k+1)，采样层：采样层是对上一层map的一个采样处理，这里的采样方式是对上一层map的相邻小区域进行聚合统计，区域大小为scale*scale，有些实现是取小区域的最大值，而toolbox里面的实现是采用2*2小区域的均值，值得注意的是，卷积的计算窗口是有重叠的，而采用的计算窗口没有重叠，toolbox里面计算采样也是用卷积(conv2(A,K,’valid'))来实现的，卷积核是2*2，每个元素都是1/4，去掉计算得到的卷积结果中有重叠的部分。
此外，残差单元组合是输出值与类标值得误差值，而中间各层的残差来源于下一层的残差的加权和，输出层的残差计算如下：
Figure BDA0002206286520000071
本实施例的自动识别模块具体工作原理为：首先采集拟检测的各类别法兰的图像若干幅，每个类别的法兰图像不少于200张。然后将采集图像的80％用于训练卷积神经网络。该网络包括卷积神经网络和残差单元组合成为卷积残差网络，利用卷积残差网络构造多分类模型并进行训练，提取最优训练模型下的网络参数；然后再利用迁移学习继续优化模型，保存最优模型下的网络参数，网络参数训练好之后用剩余的20％采集图像进行测试并优化确定网络参数。然后在检测法兰外观参数之前，先根据图像采集单元获取的法兰正面图片，送入卷积神经网络判断该法兰的类别，然后将类别的具体信息上传质量数据服务器，质量数据服务器再去法兰类别数据库中获取该类别下法兰对应的各项外观参数的具体尺寸数据要求及其公差要求，返回给图像分析模块。
请参阅图9所示，图像处理模块包括灰度化处理模块、大津阈值法模块、高斯滤波处理模块、均方误差模块、二值分割模块、前景区搜索模块和图像定位模块，灰度化处理模块用于将RGB图像转成灰度图像，大津阈值法模块用于、对灰度图像做二值分割，搜遍所有的可选阈值，高斯滤波处理模块用于对图像进行高斯滤波处理，均方误差模块用于确定图像的最佳分割阈值，二值分割模块用于对图像做二值分割，前景区搜索模块用于搜索图像前景区域的所有内层，外层轮廓线，图像定位模块用于定位法兰的内直径和外直径以及螺栓孔的直径，侧面图像要获得的检测参数有：法兰厚度，法兰高度。
本实施例中，图像灰度化处理模块用于去除图像中的色彩，进行图像灰度化处理，图像灰度化处理模块采用平均值法，将彩色图像中的R、G、B三个分量的亮度求简单的平均值，将得到均值作为灰度值输出而得到灰度图，其公式如下：
f(i，j)＝(R(i，j)+G(i，j)+B(i，j))/3
进一步的，高斯滤波处理模块采用线性滤波器，公式如下：
Figure BDA0002206286520000081
其中h称为滤波器的核函数也就是权值。
具体的，二值分割模块图像用于对灰度化的图像进行分割和边缘检测，图像二值化处理模步骤如下：
1)、利用图像灰度的平均值和图像的方差对图像的小块求灰度平均值和方差，设定一阈值T，因为是3*3模块，所以是在8邻域中，即T＝4，若Vi>4，则该小块作为目标留下，并将其标示为1，存放于矩阵A中；若Vi<4，则该块作为背景去掉，并把该块标示为0，同样存在矩阵A中；
2)、以作为结构元素对已知的二值矩阵A做开运算，可得到矩阵B；
3)、以
Figure BDA0002206286520000092
为结构元素对二值矩阵B做闭运算，得到矩阵C，矩阵C为一个二值矩阵，二值矩阵只包含1和0，对应元素为1的作为目标留下，对应元素为0的作为背景去除。
其中，图像灰度的平均值公式如下：
Figure BDA0002206286520000093
其中，图像灰度的方差值公式如下：
Figure BDA0002206286520000094
本实施例的图像处理模块的具体工作原理为：首先将RGB图像转成灰度图像，然后做模板为3X3的高斯滤波；、对灰度图像做二值分割，采用大津阈值法，搜遍所有的可选阈值，根据均方误差的最大值来确定最佳分割阈值，然后做二值分割，分割出大于分割阈值的图像前景区域；搜索图像前景区域的所有内层，外层轮廓线；法兰的正面图片中的检测要求主要是要定位法兰的内直径，外直径，各螺栓孔的直径等，这些都是圆形的，因此，寻找各轮廓线的基于亚像素级别的内接最大圆，并定位出各轮廓线内切圆的圆心坐标及圆直径，并法兰侧面图片中可以获得的法兰厚度和法兰高度的检测参数；根据法兰类别确定模块从质量数据服务器取得的该类别法兰外观各参数尺寸，如外径的尺寸，内径的尺寸，螺栓孔的直径尺寸等数据，判断获得的各内切圆的直径属于哪个参数范畴，由此确定各轮廓内切圆分别属于法兰外圆轮廓，法兰内圆轮廓或法兰螺栓孔轮廓；根据法兰正侧面图片检测得出的法兰外观质量参数与质量数据服务器获取的该型号法兰标准所要求的各参数做比对，检测各项参数是否在标准定义的公差允许的范围内，若是，得出该法兰外观质量合格的结论，若为否，则列出具体不合格的原因，及不合格的结论，之后将法兰的各检测参数及结论上传质量数据服务器。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.法兰外观质量检测***，包括图像采集单元、图像分析模块和质量数据服务器，其特征在于：所述图像采集单元和图像分析模块、所述图像分析模块和质量数据服务器之间通过数据传输模块实现数据交互，所述图像分析模块包括图像处理模块和法兰类别确定模块，所述图像处理模块用于对图像采集单元采集的图像数据进行处理，所述法兰类别确定模块用于确定法兰的类别，所述法兰类别确定模块包括手动选择模块和自动识别模块。
2.根据权利要求1所述的法兰外观质量检测***，其特征在于：所述手动选择模块包括选择法兰类别模块、参数上传模块和参数下载模块，所述选择法兰类别模块用于选择需要检测的法兰类别，所述参数上传模块用于将选择的法兰类别参数上传至质量数据服务器，所述参数下载模块用于从质量数据服务器中获取选择的法兰类别参数对应的各项外观参数的具体尺寸数据要求及其公差要求。
3.根据权利要求2所述的法兰外观质量检测***，其特征在于：所述选择法兰类别模块包括标准号选择模块、型号选择模块、公称尺寸选择模块和公称压力选择模块，所述标准号选择模块用于选择法兰的标准号，所述型号选择模块用于选择法兰的型号，所述公称尺寸选择模块用于选择法兰的公称尺寸，所述公称压力选择模块用于选择法兰的公称压力。
4.根据权利要求1所述的法兰外观质量检测***，其特征在于：所述自动识别模块包括法兰类型识别模块、参数导入模块和判断参数模块，所述法兰类型识别模块用于识别法兰类型，所述参数导入模块用于将识别的法兰参数导入质量数据服务器内，所述判断参数模块用于从质量数据服务器中判断并获取选择的法兰类别参数对应的各项外观参数的具体尺寸数据要求及其公差要求；
图像训练模块包括卷积神经网络和残差单元；
其中，卷积神经网络包括以下姿态：
姿态一：输入层：输入层没有输入值，只有一个输出向量，这个向量的大小就是图片的大小，即一个28*28矩阵；
姿态二：卷积层：卷积层的输入要么来源于输入层，要么来源于采样层，卷积层的每一个特征map是不同的卷积核在前一层所有map上作卷积并将对应元素累加后加一个偏置，再求sigmod得到的；
姿态三：采样层：采样层是对上一层map的一个采样处理，这里的采样方式是对上一层map的相邻小区域进行聚合统计，区域大小为scale*scale，有些实现是取小区域的最大值，而toolbox里面的实现是采用2*2小区域的均值；
残差单元组合是输出值与类标值得误差值，而中间各层的残差来源于下一层的残差的加权和，输出层的残差计算如下：
Figure FDA0002206286510000021
5.根据权利要求4所述的法兰外观质量检测***，其特征在于：所述法兰类型识别模块包括采集检测图像模块、图像训练模块、优化模型模块和确定网络参数模块，所述采集检测图像模块用于采集拟检测的各类别法兰的图像若干幅，所述图像训练模块用于提取最优训练模型下的网络参数，所述优化模型模块用于保存最优模型下的网络参数，所述确定网络参数模块用于对采集的图像进行测试并优化确定网络参数。
6.根据权利要求1所述的法兰外观质量检测***，其特征在于：所述图像处理模块包括灰度化处理模块、大津阈值法模块、高斯滤波处理模块、均方误差模块、二值分割模块、前景区搜索模块和图像定位模块，所述灰度化处理模块用于将RGB图像转成灰度图像，其公式为：
f(i，j)＝(R(i，j)+G(i，j)+B(i，j))/3，
所述大津阈值法模块用于、对灰度图像做二值分割，搜遍所有的可选阈值，所述高斯滤波处理模块用于对图像进行高斯滤波处理，其公式为：
式中h称为滤波器的核函数也就是权值，
所述均方误差模块用于确定图像的最佳分割阈值，所述二值分割模块用于对图像做二值分割，其步骤如下：
①、利用图像灰度的平均值和图像的方差对图像的小块求灰度平均值和方差，设定一阈值T，因为是3*3模块，所以是在8邻域中，即T＝4，若Vi>4，则该小块作为目标留下，并将其标示为1，存放于矩阵A中；若Vi<4，则该块作为背景去掉，并把该块标示为0，同样存在矩阵A中；
②、以
Figure FDA0002206286510000031
作为结构元素对已知的二值矩阵A做开运算，可得到矩阵B；
③、以为结构元素对二值矩阵B做闭运算，得到矩阵C，矩阵C为一个二值矩阵，二值矩阵只包含1和0，对应元素为1的作为目标留下，对应元素为0的作为背景去除；
所述前景区搜索模块用于搜索图像前景区域的所有内层，外层轮廓线，所述图像定位模块用于定位法兰的内直径和外直径以及螺栓孔的直径，侧面图像要获得的检测参数有：法兰厚度，法兰高度。
7.根据权利要求6所述的法兰外观质量检测***，其特征在于：所述图像处理模块步骤如下：
①、首先将RGB图像转成灰度图像，然后做模板为3X3的高斯滤波；
②、对灰度图像做二值分割，采用大津阈值法，搜遍所有的可选阈值，根据均方误差的最大值来确定最佳分割阈值，然后做二值分割，分割出大于分割阈值的图像前景区域；
③、搜索图像前景区域的所有内层，外层轮廓线；
④、法兰的正面图片中的检测要求主要是要定位法兰的内直径，外直径，各螺栓孔的直径等，这些都是圆形的，因此，寻找各轮廓线的基于亚像素级别的内接最大圆，并定位出各轮廓线内切圆的圆心坐标及圆直径，并法兰侧面图片中可以获得的法兰厚度和法兰高度的检测参数；
⑤、根据法兰类别确定模块从质量数据服务器取得的该类别法兰外观各参数尺寸，如外径的尺寸，内径的尺寸，螺栓孔的直径尺寸等数据，判断获得的各内切圆的直径属于哪个参数范畴，由此确定各轮廓内切圆分别属于法兰外圆轮廓，法兰内圆轮廓或法兰螺栓孔轮廓；根据法兰正侧面图片检测得出的法兰外观质量参数与质量数据服务器获取的该型号法兰标准所要求的各参数做比对，检测各项参数是否在标准定义的公差允许的范围内，若是，得出该法兰外观质量合格的结论，若为否，则列出具体不合格的原因，及不合格的结论，之后将法兰的各检测参数及结论上传质量数据服务器。
CN201910882455.3A 2019-09-18 2019-09-18 法兰外观质量检测*** Pending CN110687120A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910882455.3A CN110687120A (zh) 2019-09-18 2019-09-18 法兰外观质量检测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910882455.3A CN110687120A (zh) 2019-09-18 2019-09-18 法兰外观质量检测***

Publications (1)

Publication Number Publication Date
CN110687120A true CN110687120A (zh) 2020-01-14

Family

ID=69109440

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910882455.3A Pending CN110687120A (zh) 2019-09-18 2019-09-18 法兰外观质量检测***

Country Status (1)

Country Link
CN (1) CN110687120A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508939A (zh) * 2020-12-22 2021-03-16 郑州金惠计算机***工程有限公司 法兰表面缺陷检测方法及***和设备
TWI758998B (zh) * 2020-12-07 2022-03-21 國立清華大學 基於擴增實境介面的智能化軸連結器辨識方法
CN116433700A (zh) * 2023-06-13 2023-07-14 山东金润源法兰机械有限公司 一种法兰零件轮廓视觉定位方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04236310A (ja) * 1991-01-21 1992-08-25 Kubota Corp 管種判別方法
JPH11241913A (ja) * 1998-02-25 1999-09-07 Hitachi Metals Ltd ワークの品種判別方法
US20030223639A1 (en) * 2002-03-05 2003-12-04 Vladimir Shlain Calibration and recognition of materials in technical images using specific and non-specific features
JP2007040866A (ja) * 2005-08-04 2007-02-15 Dainippon Printing Co Ltd 検査装置および検査方法
CN101738396A (zh) * 2008-11-18 2010-06-16 北京凌云光视数字图像技术有限公司 复检平台及印刷品质量检测***
US20120134576A1 (en) * 2010-11-26 2012-05-31 Sharma Avinash Automatic recognition of images
CN103207185A (zh) * 2012-01-11 2013-07-17 宝山钢铁股份有限公司 钢卷端部质量检测***及方法
JP2016035396A (ja) * 2014-08-01 2016-03-17 Nok株式会社 ワーク品目識別装置
CN105891215A (zh) * 2016-03-31 2016-08-24 浙江工业大学 基于卷积神经网络的焊接视觉检测方法及装置
CN205861565U (zh) * 2016-07-13 2017-01-04 天津日安科技有限公司 一种法兰视觉检测装置
CN108694716A (zh) * 2018-05-15 2018-10-23 苏州大学 一种工件检测方法、模型训练方法及设备
CN109900711A (zh) * 2019-04-02 2019-06-18 天津工业大学 基于机器视觉的工件缺陷检测方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04236310A (ja) * 1991-01-21 1992-08-25 Kubota Corp 管種判別方法
JPH11241913A (ja) * 1998-02-25 1999-09-07 Hitachi Metals Ltd ワークの品種判別方法
US20030223639A1 (en) * 2002-03-05 2003-12-04 Vladimir Shlain Calibration and recognition of materials in technical images using specific and non-specific features
JP2007040866A (ja) * 2005-08-04 2007-02-15 Dainippon Printing Co Ltd 検査装置および検査方法
CN101738396A (zh) * 2008-11-18 2010-06-16 北京凌云光视数字图像技术有限公司 复检平台及印刷品质量检测***
US20120134576A1 (en) * 2010-11-26 2012-05-31 Sharma Avinash Automatic recognition of images
CN103207185A (zh) * 2012-01-11 2013-07-17 宝山钢铁股份有限公司 钢卷端部质量检测***及方法
JP2016035396A (ja) * 2014-08-01 2016-03-17 Nok株式会社 ワーク品目識別装置
CN105891215A (zh) * 2016-03-31 2016-08-24 浙江工业大学 基于卷积神经网络的焊接视觉检测方法及装置
CN205861565U (zh) * 2016-07-13 2017-01-04 天津日安科技有限公司 一种法兰视觉检测装置
CN108694716A (zh) * 2018-05-15 2018-10-23 苏州大学 一种工件检测方法、模型训练方法及设备
CN109900711A (zh) * 2019-04-02 2019-06-18 天津工业大学 基于机器视觉的工件缺陷检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
全燕鸣: "《机械制造自动化》", 30 June 2008, 华南理工大学出版社 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI758998B (zh) * 2020-12-07 2022-03-21 國立清華大學 基於擴增實境介面的智能化軸連結器辨識方法
US11703992B2 (en) 2020-12-07 2023-07-18 National Tsing Hua University Method of identifying flange specification based on augmented reality interface
CN112508939A (zh) * 2020-12-22 2021-03-16 郑州金惠计算机***工程有限公司 法兰表面缺陷检测方法及***和设备
CN112508939B (zh) * 2020-12-22 2023-01-20 郑州金惠计算机***工程有限公司 法兰表面缺陷检测方法及***和设备
CN116433700A (zh) * 2023-06-13 2023-07-14 山东金润源法兰机械有限公司 一种法兰零件轮廓视觉定位方法
CN116433700B (zh) * 2023-06-13 2023-08-18 山东金润源法兰机械有限公司 一种法兰零件轮廓视觉定位方法

Similar Documents

Publication Publication Date Title
CN111325713B (zh) 基于神经网络的木材缺陷检测方法、***及存储介质
CN110349126B (zh) 一种基于卷积神经网络带标记的钢板表面缺陷检测方法
CN110543878B (zh) 一种基于神经网络的指针仪表读数识别方法
CN109141232B (zh) 一种基于机器视觉的盘类铸件在线检测方法
CN110806736B (zh) 一种模锻成形智能制造生产线锻件质量信息检测方法
CN113239930B (zh) 一种玻璃纸缺陷识别方法、***、装置及存储介质
CN109584227A (zh) 一种基于深度学习目标检测算法的焊点质量检测方法及其实现***
CN105046700B (zh) 基于亮度校正与颜色分类的水果表面缺陷检测方法及***
CN110687120A (zh) 法兰外观质量检测***
CN111899296B (zh) 一种基于计算机视觉的原木材积检测方法与装置
CN105574161B (zh) 一种商标图形要素识别方法、装置和***
CN111862037A (zh) 基于机器视觉的精密孔类零件几何特征检测方法及***
CN108596880A (zh) 基于图像处理的焊接缺陷特征提取与焊接质量分析方法
CN116645367B (zh) 一种高端制造用的钢板切割质量检测方法
CN113554631B (zh) 一种基于改进网络的芯片表面缺陷检测方法
CN104063873A (zh) 一种基于压缩感知的轴套类零件表面缺陷在线检测方法
CN113869162A (zh) 一种基于人工智能的违章识别方法及***
CN113222913B (zh) 一种电路板缺陷检测定位方法、装置和存储介质
CN111415339B (zh) 一种复杂纹理工业产品图像缺陷检测方法
CN110186375A (zh) 智能化高铁白车身焊接装配特征检测装置及检测方法
CN113205511A (zh) 基于深层神经网络的电子元器件批量信息检测方法及***
TW202219494A (zh) 缺陷檢測方法及檢測裝置
CN116678826A (zh) 一种基于快速立体重建的外观缺陷检测***及方法
CN116071315A (zh) 一种基于机器视觉的产品可视缺陷检测方法及***
CN105957116A (zh) 一种基于频率的动态编码点的设计与解码方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200114