CN110977767B - 一种铸件瑕疵分布检测方法以及铸件打磨方法 - Google Patents

一种铸件瑕疵分布检测方法以及铸件打磨方法 Download PDF

Info

Publication number
CN110977767B
CN110977767B CN201911102331.5A CN201911102331A CN110977767B CN 110977767 B CN110977767 B CN 110977767B CN 201911102331 A CN201911102331 A CN 201911102331A CN 110977767 B CN110977767 B CN 110977767B
Authority
CN
China
Prior art keywords
casting
defect
polishing
flaw
algorithm
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.)
Active
Application number
CN201911102331.5A
Other languages
English (en)
Other versions
CN110977767A (zh
Inventor
陈尚
高狄
张继伟
宋立冬
黄蒙蒙
肖勇
孔拓
黄菡
刘云云
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.)
Changsha Chaint Robotics Co Ltd
Original Assignee
Changsha Chaint Robotics Co Ltd
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 Changsha Chaint Robotics Co Ltd filed Critical Changsha Chaint Robotics Co Ltd
Priority to CN201911102331.5A priority Critical patent/CN110977767B/zh
Publication of CN110977767A publication Critical patent/CN110977767A/zh
Application granted granted Critical
Publication of CN110977767B publication Critical patent/CN110977767B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/12—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving optical means
    • 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
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)

Abstract

本发明涉及一种铸件瑕疵分布检测方法以及铸件打磨方法，铸件瑕疵分布检测方法包括如下步骤：(1)铸件图像采样；(2)图像处理；(3)瑕疵检测；(4)根据步骤(3)中的铸件表面的分区域的瑕疵监测和储存结果得到整个铸件表面的瑕疵分布情况。本发明可以实现微弱瑕疵打磨点的获得，并将瑕疵缺陷储存，对铸件瑕疵分布进行统计，这样可根据分布统计结果设计打磨路径，折腾可以提高打磨路径重新规划的可靠性，做到在跳过部分打磨区域的同时而不会漏掉可疑的瑕疵点。铸件打磨方法在铸件瑕疵分布检测的基础上根据储存的缺陷信息确定打磨点并进行打磨路径的优化，然后设计的打磨路径进行铸件打磨。

Description

一种铸件瑕疵分布检测方法以及铸件打磨方法
技术领域
本发明属于机加工技术领域，具体涉及一种铸件瑕疵分布检测方法以及铸件打磨方法。
背景技术
铸件打磨清理是一项十分繁重的工作，工作条件差(高温、粉尘、环境脏)，劳动强度大。当前，铸造行业中铸件的清理打磨仍然使用大量的人工，而人工成本的不断上涨加重了铸造企业的负担，同时粉尘飞扬的打磨环境对工人身体健康造成极大危害，职业病预防、工伤赔偿进一步提高了人工成本，作业环境差、劳动强度大也使企业陷入了招工难的困境。另外，大型铸件使用人工打磨，需要大量的场地，效率低下，打磨质量不能保证，这些都无形中增加了企业的生产成本。而且，随着人民生活水平的提高和健康意识的增强，很多铸造厂已经很难招到打磨工人了。所以，在铸造行业特别是铸件打磨清理工序，采用机器人替代人工已经是大势所趋。
现有的铸件打磨作业中，没有重视打磨点的分类，通常仅仅是在完成工件定位后，按照预定的打磨路径使用一定尺寸的打磨刀头平推打磨，这样就会出现强度较小的打磨刀头遇到特殊的较大的打磨区域，从而容易导致打磨刀头的损坏；另一方面，打磨刀头的选取与打磨点不匹配的情况下会使得打磨监测***出现偏大的特征电信号值，从而导致打磨保护***的不必要触发停机。
另外，铸件待清理表面的瑕疵分布并不规则，现行的打磨方法不能有效识别打磨点的分布，存在盲目打磨，不能做到有效率地打磨。
综上所述，亟需提供一种可精确识别铸件瑕疵分布检测方法以及基于上述检测方法上可提高打磨的效率的铸件打磨方法。
发明内容
本发明的目的是提供一种经济性高、成本低、测量范围大，可准确快速地确定车身位置的自动装车定位方法。
上述目的是通过如下技术方案实现：一种铸件瑕疵分布检测方法，包括如下步骤：
（1）铸件图像采样：传感器感应铸件进入视觉识别区域并将触发信号传递给视觉识别单元，视觉识别单元对铸件预定的分区域进行图像采集并将采集的实时图像传输给控制单元；
（2）图像处理：控制单元对接收的图像信息进行处理；
（3）瑕疵检测：控制单元将经处理后的采集的图样与检测标准进行比较，检测是否在存在瑕疵缺陷，若存在瑕疵缺陷则储存缺陷信息，若不存在瑕疵缺陷，铸件则移动到下一个检测区域重复步骤（1）和步骤（2），直到整个铸件表面的分区域检测完成；
（4）根据步骤（3）中的铸件表面的分区域的瑕疵监测和储存结果得到整个铸件表面的瑕疵分布情况。
本发明可以实现微弱瑕疵打磨点的获得，并将瑕疵缺陷储存，对铸件瑕疵分布进行统计，这样可根据分布统计结果设计打磨路径，折腾可以提高打磨路径重新规划的可靠性，做到在跳过部分打磨区域的同时而不会漏掉可疑的瑕疵点。
进一步的技术方案是，所述步骤（3）中首先要完成采集图像的ROI的提取，其中包括基于先验知识的手动圈定ROI和基于匹配算法的自动设定ROI。
进一步的技术方案是，所述步骤（3）中包括瑕疵边缘特征检测和基于阈值的缺陷分割检测，对于较难分辨的微弱瑕疵点设计局部快速Otsu分割的微小缺陷检测算法和/或基于小波变换的微弱缺陷检测算法，实现对较难分割区域的打磨瑕疵缺陷的检测。
进一步的技术方案是，所述步骤（2）中的控制单元采用瑕疵待打磨点的图像预处理算法进行图像信息行处理。
进一步的技术方案是，所述步骤（2）中先根据待打磨铸件瑕疵区域图像的获取过程中噪声产生的原因和类型进行分析，并在此基础上设计瑕疵待打磨点的图像预处理算法。
根据铸件打磨实际生产过程和环境，结合机器视觉检测技术的基本原理，在大量参考最新视觉检测技术文献的基础上，设计了铸件打磨***中的预先瑕疵检测定位的整体方案，包括硬件***的构成、选型、光源照明方案和软件***的检测算法流程等。
进一步的技术方案是，所述瑕疵待打磨点的图像预处理算法包括：对加权均值滤波进行改进，设计了自适应加权掩膜均值滤波算法，然后对图像进行锐化、增强处理，再采用灰度变换和直方图均衡化对待打磨点特征区域分布从灰度值线性映射和灰度值动态拉伸两个角度进行增强。
如此，为下一步的缺陷分割奠定了基础。
进一步的技术方案是，所述步骤（3）中通过对缺陷图像进行分析，设计铸件待打磨点缺陷的特征提取算法：将提取的特征点信息组成一维特征矢量，设置基于特征阈值的缺陷算法和基于BP神经网络的缺陷分类识别算法，两种检测识别方式能够高低搭配使用，对于大多数的待检测点采用基于特征阈值的缺陷算法的方式，对于较难识别的微小微弱特征点则使用基于BP神经网络的缺陷分类识别算法进行精确识别。
基于特征阈值的缺陷算法，这类方法的特点在于简单、方便。为了进一步提高分类的准确性，对于较难识别的微小微弱特征点则使用基于BP神经网络的缺陷分类识别算法进行精确识别。
进一步的技术方案是，所述基于BP神经网络的缺陷分类识别算法包括最小误差值的优化，其中该算法按照误差传播的负梯度方向修改权值系数：首先定义误差函数：Ep =∑(ti-yi)2/2，其中ti代表当前实际输出，yi是通过前向计算得到的结果，总体误差为：EA = ∑∑(ti-yi)2/2，设Wsp是神经网络中任意两个神经元之间的连接权值，η表示学习率，根据梯度下降法，权值的修正量为：△Wsp = - η* EA/Wsp，采用梯度法使误差逐渐减小，直到△EA= 0，当输入和输出存在非线性关系且训练样本足够大的时候能够很好的实现非线性关系的分类，即能够实现瑕疵点与正常点的分类。
BP算法较为常规，在本发明中的核心在于求最小误差值的优化问题，其中基于BP神经网络实现微弱瑕疵点的检测为本发明的核心内容。
为达到上述目的，本发明还提供一种铸件打磨方法，包括如下步骤：
（1）铸件瑕疵分布检测：按照上述任一所述的铸件瑕疵分布检测方法进行铸件瑕疵分布检测；
（2）根据储存的缺陷信息确定打磨点并进行打磨路径的优化；
（3）根据步骤（2）中设计的打磨路径进行铸件打磨。
本发明提出的预识别打磨点的方法，可以优化打磨路径，从而跳过不存在瑕疵的区域，通过这种方法有效降低了单件铸件打磨所需时间。
进一步的技术方案是，所述传感器为光电传感器，所述视觉识别单元为工业相机，所述控制单元为工控机。
本发明与现有技术的做法最大的区别就在于对打磨路径规划上的先进性，而这种先进性的基础又在于采用了计算机视觉***预先对于待打磨铸件的瑕疵区域进行初步的定位。同时，本发明还可以对检测到的待打磨点进行初步的评估，在此基础上对于后续的打磨路径进行一定程度上的优化，以此创新点为依托实现了打磨效率的突破。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明一种实施方式所涉及的铸件瑕疵分布检测方法以及打磨路径设计的流程示意图；
图2为本发明一种实施方式所涉及的神经网络结构图。
具体实施方式
下面结合附图对本发明进行详细描述，本部分的描述仅是示范性和解释性，不应对本发明的保护范围有任何的限制作用。此外，本领域技术人员根据本文件的描述，可以对本文件中实施例中以及不同实施例中的特征进行相应组合。
本发明实施例如下，参照图1，一种铸件瑕疵分布检测方法，包括如下步骤：
（1）铸件图像采样：传感器感应铸件进入视觉识别区域并将触发信号传递给视觉识别单元，视觉识别单元对铸件预定的分区域进行图像采集并将采集的实时图像传输给控制单元；
（2）图像处理：控制单元对接收的图像信息进行处理；
（3）瑕疵检测：控制单元将经处理后的采集的图样与检测标准进行比较，检测是否存在瑕疵缺陷，若存在瑕疵缺陷则储存缺陷信息，若不存在瑕疵缺陷，铸件则移动到下一个检测区域重复步骤（1）和步骤（2），直到整个铸件表面的分区域检测完成；
（4）根据步骤（3）中的铸件表面的分区域的瑕疵监测和储存结果得到整个铸件表面的瑕疵分布情况。
本发明可以实现微弱瑕疵打磨点的获得，并将瑕疵缺陷储存，对铸件瑕疵分布进行统计，这样可根据分布统计结果设计打磨路径，折腾可以提高打磨路径重新规划的可靠性，做到在跳过部分打磨区域的同时而不会漏掉可疑的瑕疵点。
在上述实施例的基础上，本发明另一实施例中，所述步骤（3）中首先要完成采集图像的ROI的提取，其中包括基于先验知识的手动圈定ROI和基于匹配算法的自动设定ROI。
在上述实施例的基础上，本发明另一实施例中，所述步骤（3）中包括瑕疵边缘特征检测和基于阈值的缺陷分割检测，对于较难分辨的微弱瑕疵点设计局部快速Otsu分割的微小缺陷检测算法和/或基于小波变换的微弱缺陷检测算法，实现对较难分割区域的打磨瑕疵缺陷的检测。
在上述实施例的基础上，本发明另一实施例中，如图1，所述步骤（2）中的控制单元采用瑕疵待打磨点的图像预处理算法进行图像信息行处理。
在上述实施例的基础上，本发明另一实施例中，所述步骤（2）中先根据待打磨铸件瑕疵区域图像的获取过程中噪声产生的原因和类型进行分析，并在此基础上设计瑕疵待打磨点的图像预处理算法。
根据铸件打磨实际生产过程和环境，结合机器视觉检测技术的基本原理，在大量参考最新视觉检测技术文献的基础上，设计了铸件打磨***中的预先瑕疵检测定位的整体方案，包括硬件***的构成、选型、光源照明方案和软件***的检测算法流程等。
在上述实施例的基础上，本发明另一实施例中，所述瑕疵待打磨点的图像预处理算法包括：对加权均值滤波进行改进，设计了自适应加权掩膜均值滤波算法，然后对图像进行锐化、增强处理，再采用灰度变换和直方图均衡化对待打磨点特征区域分布从灰度值线性映射和灰度值动态拉伸两个角度进行增强。
如此，为下一步的缺陷分割奠定了基础。
在上述实施例的基础上，本发明另一实施例中，所述步骤（3）中通过对缺陷图像进行分析，设计铸件待打磨点缺陷的特征提取算法：将提取的特征点信息组成一维特征矢量，设置基于特征阈值的缺陷算法和基于BP神经网络的缺陷分类识别算法，两种检测识别方式能够高低搭配使用，对于大多数的待检测点采用基于特征阈值的缺陷算法的方式，对于较难识别的微小微弱特征点则使用基于BP神经网络的缺陷分类识别算法进行精确识别。
基于特征阈值的缺陷算法，这类方法的特点在于简单、方便。为了进一步提高分类的准确性，对于较难识别的微小微弱特征点则使用基于BP神经网络的缺陷分类识别算法进行精确识别。
在上述实施例的基础上，本发明另一实施例中，如图1和图2，所述基于BP神经网络的缺陷分类识别算法包括最小误差值的优化，其中该算法按照误差传播的负梯度方向修改权值系数：首先定义误差函数：Ep =∑(ti-yi)2/2，其中ti代表当前实际输出，yi是通过前向计算得到的结果，总体误差为：EA = ∑∑(ti-yi)2/2，设Wsp是神经网络中任意两个神经元之间的连接权值，η表示学习率，根据梯度下降法，权值的修正量为：△Wsp = - η* EA/Wsp，采用梯度法使误差逐渐减小，直到△EA = 0，当输入和输出存在非线性关系且训练样本足够大的时候能够很好的实现非线性关系的分类，即能够实现瑕疵点与正常点的分类。
BP算法较为常规，在本发明中的核心在于求最小误差值的优化问题，其中基于BP神经网络实现微弱瑕疵点的检测为本发明的核心内容。
本发明还提供一种铸件打磨方法，实施例如下，如图1，包括如下步骤：
（1）铸件瑕疵分布检测：按照上述任一所述的铸件瑕疵分布检测方法进行铸件瑕疵分布检测；
（2）根据储存的缺陷信息确定打磨点并进行打磨路径的优化；
（3）根据步骤（2）中设计的打磨路径进行铸件打磨。
本发明提出的预识别打磨点的方法，可以优化打磨路径，从而跳过不存在瑕疵的区域，通过这种方法有效降低了单件铸件打磨所需时间。
在上述实施例的基础上，本发明另一实施例中，如图1，所述传感器为光电传感器，所述视觉识别单元为工业相机，所述控制单元为工控机。
本发明与现有技术的做法最大的区别就在于对打磨路径规划上的先进性，而这种先进性的基础又在于采用了计算机视觉***预先对于待打磨铸件的瑕疵区域进行初步的定位。同时，本发明还可以对检测到的待打磨点进行初步的评估，在此基础上对于后续的打磨路径进行一定程度上的优化，以此创新点为依托实现了打磨效率的突破。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种铸件瑕疵分布检测方法，其特征在于，包括如下步骤：
（1）铸件图像采样：传感器感应铸件进入视觉识别区域并将触发信号传递给视觉识别单元，视觉识别单元对铸件预定的分区域进行图像采集并将采集的实时图像传输给控制单元；
（2）图像处理：控制单元对接收的图像信息进行处理，其中，控制单元采用瑕疵待打磨点的图像预处理算法进行图像信息行处理，先根据待打磨铸件瑕疵区域图像的获取过程中噪声产生的原因和类型进行分析，并在此基础上设计瑕疵待打磨点的图像预处理算法，所述瑕疵待打磨点的图像预处理算法包括：对加权均值滤波进行改进，设计了自适应加权掩膜均值滤波算法，然后对图像进行锐化、增强处理，再采用灰度变换和直方图均衡化对待打磨点特征区域分布从灰度值线性映射和灰度值动态拉伸两个角度进行增强；
（3）瑕疵检测：控制单元将经处理后的采集的图样与检测标准进行比较，检测是否存在瑕疵缺陷，若存在瑕疵缺陷则储存缺陷信息，若不存在瑕疵缺陷，铸件则移动到下一个检测区域重复步骤（1）和步骤（2），直到整个铸件表面的分区域检测完成，其中，通过对缺陷图像进行分析，设计铸件待打磨点缺陷的特征提取算法：将提取的特征点信息组成一维特征矢量，设置基于特征阈值的缺陷算法和基于BP神经网络的缺陷分类识别算法，两种检测识别方式能够高低搭配使用，对于大多数的待检测点采用基于特征阈值的缺陷算法的方式，对于较难识别的微小微弱特征点则使用基于BP神经网络的缺陷分类识别算法进行精确识别，所述基于BP神经网络的缺陷分类识别算法包括最小误差值的优化，其中该算法按照误差传播的负梯度方向修改权值系数：首先定义误差函数：Ep =∑(ti-yi)2/2，其中ti代表当前实际输出，yi是通过前向计算得到的结果，总体误差为：EA = ∑∑(ti-yi)2/2，设Wsp是神经网络中任意两个神经元之间的连接权值，η表示学习率，根据梯度下降法，权值的修正量为：△Wsp = - η* EA/Wsp，采用梯度法使误差逐渐减小，直到△EA = 0，当输入和输出存在非线性关系且训练样本足够大的时候能够很好的实现非线性关系的分类，即能够实现瑕疵点与正常点的分类；
（4）根据步骤（3）中的铸件表面的分区域的瑕疵监测和储存结果得到整个铸件表面的瑕疵分布情况。
2.根据权利要求1所述的铸件瑕疵分布检测方法，其特征在于，所述步骤（3）中首先要完成采集图像的ROI的提取，其中包括基于先验知识的手动圈定ROI和基于匹配算法的自动设定ROI。
3.根据权利要求2所述的铸件瑕疵分布检测方法，其特征在于，所述步骤（3）中包括瑕疵边缘特征检测和基于阈值的缺陷分割检测，对于较难分辨的微弱瑕疵点设计局部快速Otsu分割的微小缺陷检测算法和/或基于小波变换的微弱缺陷检测算法，实现对较难分割区域的打磨瑕疵缺陷的检测。
4.一种铸件打磨方法，其特征在于，包括如下步骤：
（1）铸件瑕疵分布检测：按照权利要求1~3任意一项所述的铸件瑕疵分布检测方法进行铸件瑕疵分布检测；
（2）根据储存的缺陷信息确定打磨点并进行打磨路径的优化；
（3）根据步骤（2）中设计的打磨路径进行铸件打磨。
5.根据权利要求4所述的铸件打磨方法，其特征在于，所述传感器为光电传感器，所述视觉识别单元为工业相机，所述控制单元为工控机。
CN201911102331.5A 2019-11-12 2019-11-12 一种铸件瑕疵分布检测方法以及铸件打磨方法 Active CN110977767B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911102331.5A CN110977767B (zh) 2019-11-12 2019-11-12 一种铸件瑕疵分布检测方法以及铸件打磨方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911102331.5A CN110977767B (zh) 2019-11-12 2019-11-12 一种铸件瑕疵分布检测方法以及铸件打磨方法

Publications (2)

Publication Number Publication Date
CN110977767A CN110977767A (zh) 2020-04-10
CN110977767B true CN110977767B (zh) 2021-07-02

Family

ID=70084177

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911102331.5A Active CN110977767B (zh) 2019-11-12 2019-11-12 一种铸件瑕疵分布检测方法以及铸件打磨方法

Country Status (1)

Country Link
CN (1) CN110977767B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111203766B (zh) * 2020-04-20 2020-08-14 广东博智林机器人有限公司 一种墙面打磨路径规划方法、装置、设备和介质
CN112792619B (zh) * 2020-12-17 2022-12-09 湖南中南智能装备有限公司 一种基于机器视觉的打磨路径规划方法
CN113554355B (zh) * 2021-09-17 2021-12-03 江苏正金建筑装饰工程有限公司 基于人工智能的道路工程施工管理方法与***
CN114559348B (zh) * 2022-01-13 2023-05-30 西安理工大学 基于工业机器人的无砟轨道板模具清理***及清理方法
CN115330803B (zh) * 2022-10-17 2023-01-24 菲特（天津）检测技术有限公司 一种表面缺陷数据增强方法、装置、电子设备及存储介质
CN117754464B (zh) * 2023-07-28 2024-05-17 嘉兴市安得特种设备科技有限公司 一种铝压铸件的智能打磨控制方法与***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102854191A (zh) * 2012-07-18 2013-01-02 湖南大学 高速铁轨表面缺陷的实时视觉检测与识别方法
MX2012015238A (es) * 2012-12-19 2013-02-20 Mextrauma S A De C V Sistema de pulido e inspeccion asistido por computadora de componentes articulares.
CN107052950A (zh) * 2017-05-25 2017-08-18 上海莫亭机器人科技有限公司 一种复杂曲面打磨抛光***及方法
CN108000250A (zh) * 2017-12-07 2018-05-08 长沙长泰机器人有限公司 一种铸件打磨的方法及***
CN108226164A (zh) * 2017-12-29 2018-06-29 深圳市智能机器人研究院 一种基于视觉检测的机器人打磨方法及***
CN109483369A (zh) * 2018-12-13 2019-03-19 中国船舶重工集团公司第七六研究所 一种具有三维视觉的机器人打磨***及其控制方法
CN110385616A (zh) * 2019-06-25 2019-10-29 共享智能铸造产业创新中心有限公司 基于视觉检测的铸件自动打磨方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102854191A (zh) * 2012-07-18 2013-01-02 湖南大学 高速铁轨表面缺陷的实时视觉检测与识别方法
MX2012015238A (es) * 2012-12-19 2013-02-20 Mextrauma S A De C V Sistema de pulido e inspeccion asistido por computadora de componentes articulares.
CN107052950A (zh) * 2017-05-25 2017-08-18 上海莫亭机器人科技有限公司 一种复杂曲面打磨抛光***及方法
CN108000250A (zh) * 2017-12-07 2018-05-08 长沙长泰机器人有限公司 一种铸件打磨的方法及***
CN108226164A (zh) * 2017-12-29 2018-06-29 深圳市智能机器人研究院 一种基于视觉检测的机器人打磨方法及***
CN109483369A (zh) * 2018-12-13 2019-03-19 中国船舶重工集团公司第七六研究所 一种具有三维视觉的机器人打磨***及其控制方法
CN110385616A (zh) * 2019-06-25 2019-10-29 共享智能铸造产业创新中心有限公司 基于视觉检测的铸件自动打磨方法

Also Published As

Publication number Publication date
CN110977767A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
CN110977767B (zh) 一种铸件瑕疵分布检测方法以及铸件打磨方法
CN111292305B (zh) 一种改进型yolo-v3的金属加工表面缺陷检测方法
CN111951237B (zh) 外观视觉检测方法
CN109141232B (zh) 一种基于机器视觉的盘类铸件在线检测方法
CN110163853B (zh) 一种边缘缺陷的检测方法
CN109507192B (zh) 一种基于机器视觉的磁芯表面缺陷检测方法
CN106127148B (zh) 一种基于机器视觉的手扶电梯乘客异常行为检测方法
CN109685760B (zh) 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法
CN114693610A (zh) 一种基于机器视觉的焊缝表面缺陷检测方法、设备及介质
CN111982916A (zh) 一种基于机器视觉的焊缝表面缺陷检测方法及***
CN115984271B (zh) 基于角点检测的金属毛刺识别方法
CN105891233A (zh) 基于机器视觉的镜片表面缺陷智能检测***及其实现方法
CN114897908B (zh) 基于机器视觉的激光选区铺粉烧结面缺陷分析方法及***
CN113935666B (zh) 基于图像处理的建筑装饰墙面砖异常评估方法
CN110348461A (zh) 一种工件表面缺陷特征提取方法
CN116309277A (zh) 基于深度学习的钢材检测方法及***
CN115375686A (zh) 一种基于图像处理的玻璃边缘瑕疵检测方法
CN115063423A (zh) 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法
CN114445707A (zh) 瓶装水标签缺陷智能化视觉精细检测方法
CN112304957A (zh) 一种基于机器视觉的外观缺陷智能检测方法及***
CN112258444A (zh) 一种电梯钢丝绳检测方法
CN111932490A (zh) 一种用于工业机器人的视觉***抓取信息提取方法
CN116228651A (zh) 一种布匹缺陷检测方法、***、设备及介质
CN110728286B (zh) 一种基于火花图像的砂带磨削材料去除率识别方法
CN113588656A (zh) 一种新型螺栓外观尺寸检测方法

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
GR01 Patent grant
GR01 Patent grant