CN111257422A - 基于机器视觉的轮轴缺陷识别模型构建方法和缺陷识别方法 - Google Patents
基于机器视觉的轮轴缺陷识别模型构建方法和缺陷识别方法 Download PDFInfo
- Publication number
- CN111257422A CN111257422A CN202010128206.8A CN202010128206A CN111257422A CN 111257422 A CN111257422 A CN 111257422A CN 202010128206 A CN202010128206 A CN 202010128206A CN 111257422 A CN111257422 A CN 111257422A
- Authority
- CN
- China
- Prior art keywords
- defect
- defect identification
- image
- wheel axle
- machine vision
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/048—Marking the faulty objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (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 Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于机器视觉的轮轴缺陷识别模型构建方法和缺陷识别方法,所述方法基于机器视觉技术构建了缺陷识别模型,并通过不断的自主学习、训练,能够持续提高缺陷识别的准确性;同时,机器视觉不受人员经验与素质限制,极大的提高了缺陷识别准确率、作业效率及作业质量,有效减少缺陷的误判、漏判。所述识别方法包括以下步骤:利用缺陷识别模型进行缺陷识别;对识别出来的缺陷进行筛选;将筛选后的缺陷进行展示并报警;利用新的缺陷数据持续完善缺陷识别模型。
Description
技术领域
本发明适用于超声波无损探伤领域,具体涉及一种基于机器视觉的轮轴缺陷识别模型构建方法和缺陷识别方法。
背景技术
目前,轮轴探伤采用超声波检测,以人工分析检测数据为主要手段。轮轴超声波检测结果以A显示、B显示、C显示形式展示,然后由人工肉眼观察上述显示图像进行判断轮轴是否存在缺陷。缺陷判定结果很大程度依赖于检测人员素质和经验,极易造成漏判、误判且效率低下;受限于检测人员的素质和经验,不同的检测人员对同一检测数据分析结果可能不一致,造成无法对决策提供准确依据;另外由于轨道交通机车车辆逐年增加、车辆轮轴类型繁多,造成轮轴检测任务增多和检测人员数量不足的矛盾日益尖锐;检测人员数量不足限制了无损检测作业的效率,不利于对大量轮轴进行快速检测,进而影响生产效率。同时,现有的轮轴探伤自动分析方法又无法满足轮轴探伤作业工艺、缺陷识别准确性和一致性的要求。本领域中亟需一种能够快速、准确的超声检测数据自动化分析方法,来解决上述问题。
发明内容
本发明的目的在于克服现有技术的缺陷,提供一种基于机器视觉的车辆缺陷识别模型构建方法和缺陷识别方法,所述方法基于机器视觉技术构建了缺陷识别模型,并通过不断的自主学习、训练,能够持续提高缺陷识别的准确性;同时,机器视觉不受人员经验与素质限制,极大的提高了缺陷识别准确率、作业效率及作业质量,有效减少缺陷的误判、漏判。
本发明提供了一种基于机器视觉的轮轴缺陷识别模型构建方法,包括以下步骤:
步骤S100、利用超声波探伤设备获取轮轴的检测数据,并将检测数据以二进制文件存储;
步骤S200、通过所述二进制文件获取样本数据,构建缺陷正样本库和缺陷负样本库;
步骤S300、对缺陷正样本库进行预处理生成缺陷正样本模板文件;
步骤S400、通过缺陷正样本模板文件、样本匹配算法、缺陷负样本库构建缺陷识别模型。
进一步地,所述超声波探伤设备按照轴型或轮型、配置相应的通道和扫查方式获取检测数据。
进一步地,所述步骤S200进一步包括以下步骤:
步骤S210、将所述二进制文件聚类分析;
步骤S220、从聚类分析后的二进制文件中提取图像;
步骤S230、根据缺陷的图像特征截取缺陷位置图像获取样本数据;
步骤S240、缺陷的样本数据形成缺陷正样本库,非缺陷的样本数据形成缺陷负样本库。
进一步地,所述缺陷正样本库包括缺陷图像;缺陷负样本库包括非缺陷图像、噪声图像、过渡圆弧图像。
进一步地,所述缺陷图像包括平底孔图像、横向缺陷图像、纵向缺陷图像、外表面缺陷图像、内表面缺陷图像。
进一步地,所述预处理包括归一处理,即统一缺陷图像的尺寸和格式。
本发明还提供了一种基于机器视觉的轮轴缺陷识别方法,包括以下步骤:
步骤Z100、利用超声波探伤设备获取轮轴的检测数据,并将检测数据以二进制文件存储,从二进制文件中提取检测图像;
步骤Z200、利用上述的轮轴缺陷识别模型对检测图像进行缺陷识别;
步骤Z300、按照特定参数对缺陷识别结果进行缺陷筛选;
步骤Z400、将筛选后的缺陷进行展示并报警。
进一步地,所述步骤Z300进一步包括:所述特定参数至少包括缺陷类型、阈值、位置的一种。
进一步地,所述轮轴缺陷识别方法进一步包括:步骤Z500、利用缺陷识别结果包含的图像补充构建上述的轮轴缺陷识别模型。
进一步地,步骤Z500进一步包括:可手动选择将识别结果包含的图像增加到缺陷正样本库或缺陷负样本库;也可计算机根据缺陷图像匹配度与匹配度阈值的比较结果将缺陷识别结果包含的图像自动增加到缺陷正样本库或缺陷负样本库。
本发明具有以下有益效果:第一、本发明将人工智能技术引入到无损检测领域,推动了无损检测技术向智能化方向发展,大幅提升无损检测的质量和效率。基于机器视觉技术利用超声波探伤设备获取轮轴的检测数据,根据轮轴缺陷的图像特征获取样本数据,进而构建缺陷识别模型;采用机器学习的方法,获得缺陷的特征信息,降低了对检测人员素质和经验的要求;采用计算机分析的方法,解决了人工数据分析时,人为主观因素造成的误判、漏判等,提高检测质量,从而快速、准确的实现超声检测数据的自动化分析。
第二、利用轮轴缺陷识别模型进行缺陷识别,将原来人工承担的大量数据分析工作交由计算机处理,极大提高了数据处理的速度,实现了大量工件的快速无损检测,进而极大的提高了缺陷识别的效率,提高轮轴的生产效率;同时,缺陷的样本数据随着检测样本的增加、缺陷类型的丰富而不断的得到补充和完善,通过缺陷识别结果不断补充优化轮轴的缺陷识别模型,进一步提升了数据分析的准确性。
附图说明
图1是本发明的基于机器视觉的缺陷识别模型构建方法的流程图。
图2是本发明的基于机器视觉的缺陷识别方法的流程图。
图3是轮辋轮辐缺陷识别结果的示意图。
图4是筛选前的空心车轴缺陷识别结果的示意图。
图5是筛选后的空心车轴缺陷识别结果的示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
实施例1
参照图1:一种基于机器视觉的轮轴缺陷识别模型构建方法,包括以下步骤:
步骤S100、利用超声波探伤设备获取轮轴的检测数据,并将检测数据以二进制文件存储。
由于车轮的轮辋、辐板、轮缘和空心轴几何特征不同,探伤的方式也各不相同,造成检测图像的不同。超声波轮轴探伤设备按照不同的轴型或轮型、配置相应的通道和扫查方式获取轮轴部件的检测数据,将检测数据以二进制文件的形式存储在探伤设备的上位机,二进制文件包含位置、波幅、检测参数、图像等信息。
所述通道即探头,一个通道为一个探头,每个探头按照一定方向和角度进行扫查,一次扫查过程中多个探头一起扫查,每个探头都有单独的扫查结果。
扫查方式包括A扫描、B扫描、C扫描,输出结果也分为A扫描显示、B扫描显示、C扫描显示;A扫描显示为X轴代表时间,Y轴代表幅度的超声信号显示方式,即X轴表示时间,Y轴表示波幅;B扫描显示为以幅度在预置范围内的回波信号的声程长度与探头仅沿一个方向扫查时声束轴线位置之间的关系而绘制的受检件的横截面图,对于空心轴来说,X轴表示为轴向,Y轴的声程长度即为半径;C扫描显示为受检件的二维平面显示,按探头扫描位置,绘制幅度或声程在预置范围内的回波信号的存在,对于空心轴来说,X轴表示为轴向,Y轴表示为周向角度。
A扫描显示、B扫描显示、C扫描显示以二进制文件存储在探伤设备上位机,如A扫描显示保存为“*.a”、B扫描显示保存为“*.b”、C扫描显示保存为“*.c”。
步骤S200、通过所述二进制文件获取样本数据,构建缺陷正样本库和缺陷负样本库。
步骤S210、将二进制文件聚类分析。
聚类分析采用聚类算法得到预设维度对应的聚类结果,本实施例中预设维度是指按照轴型或者轮型、通道和扫查方式的一种或多种进行聚类的方式,聚类算法包括k均值聚类算法、均值漂移聚类算法、像素聚类算法、层次聚类算法、谱聚类算法和基于深度卷积神经网络的深度嵌入式聚类算法中的至少一项。所述二进制文件可以通过计算机网络进行共享和传输。步骤S220、从聚类分析后的二进制文件中提取图像。
步骤S230、根据缺陷的图像特征截取缺陷位置图像获取样本数据。
每种缺陷都具有其独特的图像特征,例如C扫描显示,缺陷的特征为由中心点到边缘波幅渐进递减,对应的图像特征为中心点到边缘颜色表渐进递减。B扫描显示,对于车轴探伤,由于探头沿一定方向螺旋前进,同一缺陷可被同一探头连续发现多次,对应的图像特征为沿一定方向连续间断的点集;对于车轮探伤,探头固定车轮旋转,缺陷也可被同一探头连续发现多次,但对应的图像特征为沿一定方向连续间断的点集,并且每个点集呈现抛物线(燕尾状),由顶点向两边颜色表渐进递减。
利用特征提取算法从缺陷图像中获取样本数据,特征提取算法可以包括但不限于以下至少一项:RPN(Region Proposal Network,候选区域生成网络)算法、FPN(FeaturePyramid Networks,特征金字塔网络)算法和DN(Deep Net,深网)算法等等。
步骤S240、缺陷的样本数据形成缺陷正样本库,非缺陷的样本数据形成缺陷负样本库。
根据缺陷的图像特征确定缺陷位置,并截取缺陷位置的图像,形成缺陷正样本库和缺陷负样本库,缺陷正样本库包括缺陷图像,例如平底孔图像、横向缺陷图像、纵向缺陷图像、外表面缺陷图像、内表面缺陷图像等;缺陷负样本库包括非缺陷图像、噪声图像、过渡圆弧图像等。
步骤S300、对缺陷正样本库进行预处理生成缺陷正样本模板文件。
对缺陷正样本进行预处理,预处理方法包括以下至少一项:调整明亮度、灰度、对比度中的至少一项;调整尺寸、偏移中的至少一项;自适应切图等,并对缺陷图像的尺寸和格式进行归一处理,例如可将缺陷图像处理尺寸为20*20像素,格式存储为BMP,归一处理后的缺陷正样本库生成缺陷正样本模板文件。
步骤S400、通过缺陷正样本模板文件、样本匹配算法、缺陷负样本库构建缺陷识别模型。
输入缺陷正样本模板文件、样本匹配算法、缺陷负样本库、训练阶段等参数进行机器学习,学习结束构建缺陷识别模型,缺陷识别模型以XML文件的形式存储。样本匹配算法可以为基于灰度值的匹配算法、基于形状的匹配算法、基于特征点的匹配算法等。
实施例2
参照图2:一种基于机器视觉的轮轴缺陷识别方法,包括以下步骤:
步骤Z100、利用超声波探伤设备获取轮轴的检测数据,并将检测数据以二进制文件存储,将二进制文件提取检测图像。
此步骤与实施例1中方式相同,此处不再赘述。
步骤Z200、利用缺陷识别模型对检测图像进行缺陷识别。
处理程序加载缺陷识别模型后,输入检测图像、缺陷下限(目标图像像素大小下限)、缺陷上限(目标图像像素大小上限),步进(图像划分按照一定尺寸缩放的比例)、邻域(命中次数)等参数,计算机自动匹配识别缺陷并输出缺陷识别结果,识别结果包括图像、位置、大小、匹配度(缺陷图像与缺陷识别模型的匹配度)、类型,显示结果的示意图如图3所示。
在程序中进一步处理,可获取波幅、声程,如声程、波幅可根据位置信息从检测数据中获取。
如输入检测图像—CRH1A空心车轴动轴通道为45+向前C显示图像,缺陷下限为5,缺陷上限为40,步进为1.1,邻域为3等参数;计算机可根据缺陷识别模型将该图像中缺陷大小为5*5到40*40像素,命中次数大于等于3次的结果输出,输出结果会存在重合框图或非缺陷框图,经过边框回归和聚类分析后以结构化数据存储,检测结果如下所示:
[{id:"1",t="1",channel:"45+",x:"244",y:"267",h:"28",w:"28",l:"9",v:"45",k:"1.3",d="55"},{id:"2",t="1",channel:"45+",x:"382",y:"88",h:"27",w:"27",l:"9",v:"65",k:"1.3",d="60"},{id:"3",t="1",channel:"45+",x:"500",y:"177",h:"29",w:"29",l:"9",v:"70",k:"1.3",d="55"},{id:"4",t="1",channel:"45+",x:"630",y:"267",h:"28",w:"28",l:"9",v:"80",k:"1.3",d="55"},{id:"5",t="1",channel:"45+",x:"1057",y:"87",h:"28",w:"28",l:"9",v:"66",k:"1.3",d="60"},{id:"6",t="1",channel:"45+",x:"1330",y:"88",h:"26",w:"26",l:"9",v:"90",k:"1.3",d="55"},{id:"7",t="2",channel:"45+",x:"1589",y:"267",h:"29",w:"29",l:"9",v:"77",k:"1.3",d="55"},{id:"8",t="1",channel:"45+",x:"1876",y:"179",h:"27",w:"27",l:"9",v:"80",k:"1.3",d="70"},{id:"9",t="1",channel:"45+",x:"1986",y:"87",h:"29",w:"29",l:"9",v:"77",k:"1.3",d="55"},{id:"10",t="1",channel:"45+",x:"2086",y:"2",h:"27",w:"27",l:"9",v:"89",k:"1.3",d="60"},{id:"11",t="1",channel:"45+",x:"2125",y:"266",h:"29",w:"29",l:"9",v:"90",k:"1.3",d="55"}]。
上述结果表示共发现11个缺陷,其中id为序号、t为缺陷类型、x为缺陷x轴坐标、y为y轴坐标、channel为通道名称、h为缺陷高度、w为缺陷宽度、l为阶段值、v为波幅、k为匹配度、d为声程。
用表格表示输出结果如下:
id | t | Channel | x | y | h | w | l | v | k | d |
1 | 1 | 45+ | 244 | 267 | 28 | 28 | 9 | 45 | 1.3 | 55 |
2 | 1 | 45+ | 382 | 88 | 27 | 27 | 9 | 65 | 1.3 | 60 |
3 | 1 | 45+ | 500 | 177 | 29 | 29 | 9 | 70 | 1.3 | 55 |
4 | 1 | 45+ | 630 | 267 | 28 | 28 | 9 | 80 | 1.3 | 55 |
5 | 1 | 45+ | 1057 | 87 | 28 | 28 | 9 | 66 | 1.3 | 60 |
6 | 1 | 45+ | 1330 | 88 | 26 | 26 | 9 | 90 | 1.3 | 55 |
7 | 2 | 45+ | 1589 | 267 | 29 | 29 | 9 | 77 | 1.3 | 55 |
8 | 1 | 45+ | 1876 | 179 | 27 | 27 | 9 | 80 | 1.3 | 70 |
9 | 1 | 45+ | 1986 | 87 | 29 | 29 | 9 | 77 | 1.3 | 55 |
10 | 1 | 45+ | 2086 | 2 | 27 | 27 | 9 | 89 | 1.3 | 60 |
11 | 1 | 45+ | 2125 | 266 | 29 | 29 | 9 | 90 | 1.3 | 55 |
步骤Z300、按照特定参数对缺陷识别结果进行缺陷筛选。
计算机加载缺陷识别结果后,按照特定参数进行缺陷筛选,筛选的参数包括缺陷类型、阈值(波幅)、位置。
步骤Z310、通过缺陷类型对缺陷进行筛选。
假定1表示横向缺陷、2表示纵向缺陷、3表示平底孔、4表示表面缺陷以此类推,如只选择横向缺陷,则在结果文件中匹配t为1的结果并显示,其他类型的则不显示;
步骤Z320、通过波幅阈值对缺陷进行筛选。
如将波幅阈值调节至50,将缺陷的波幅加浮动值(浮动值的默认值为0)大于50的缺陷显示,波幅小于等于50的缺陷不显示。
步骤Z330、通过位置对缺陷进行筛选。
根据半径、轴向、周向等位置信息去筛选,如缺陷位置的特点是声程短波幅高,根据这一特性将某一位置声程与该位置的轮廓线(轴型轮廓、轮型轮廓)进行比较,如果声程的浮动值(浮动值的默认值为0)小于轮廓线则显示,反之不显示;如空心车轴B扫描显示或C扫描显示,轴向显示范围设置为100mm~500mm,在此闭区间的缺陷显示,反之不显示;如空心车轴C扫描显示,周向显示范围设置为角度0~180,在此闭区间的缺陷显示,反之不显示;
几个参数可单独使用或组合使用,如将波幅阈值调节至50且类型为1横向缺陷,则会显示缺陷为横向,波幅的浮动值大于50的缺陷,不符合条件的缺陷不显示。
如图4所示,为筛选前的空心车轴缺陷识别结果的示意图,如图5所示,为筛选后的空心车轴缺陷识别结果的示意图,经过缺陷筛选之后的缺陷识别结果更准确。
步骤Z400、将筛选后的缺陷进行展示并报警。
将筛选后的缺陷数据加载到图像中以缺陷显示框的形式进行显示,缺陷显示框的信息包括序号、波幅、类型等。
缺陷报警,多种报警模式,不限于以图像、声音、光电、列表等形式将缺陷相关的信息预警与展示。
步骤Z500、利用缺陷识别结果包含的图像补充构建缺陷识别模型。
优选地,缺陷显示框的标签可显示序号、波幅、类型等信息,鼠标单击、双击、拖动缺陷显示框会有相应的响应事件。
鼠标响应事件包括但不限于移动、单击、双击等事件,如鼠标按住左键拖动某一缺陷显示框,可移动缺陷框位置并修正缺陷位置信息,右键单击某一缺陷框,显示弹出菜单,弹出菜单包括“删除”、“添加到正样本”、“添加到负样本”;
根据某一缺陷显示框鼠标响应事件,可手动选择将缺陷显示框的缺陷图像增加到缺陷正样本库或缺陷负样本库。
更优选地,计算机自动根据缺陷图像匹配度与匹配度阈值的比较结果将缺陷图像增加到缺陷正样本库或缺陷负样本库,匹配度阈值包括正样本匹配度阈值和负样本匹配度阈值,匹配度阈值可根据缺陷识别模型得出。匹配度可以通过匹配算法得出,匹配算法可以为基于灰度值的匹配算法、基于形状的匹配算法、基于特征点的匹配算法的其中一种。
缺陷图像匹配度大于等于正样本匹配度阈值的加入到缺陷正样本库,小于等于负样本匹配度阈值的加入到缺陷负样本库,中间值不做处理。如正样本匹配度阈值为1,负样本匹配度阈值为-1,则匹配度大于等于1的缺陷图像会添加到缺陷正样本库,匹配度小于等于-1的缺陷图像会添加到缺陷负样本库,对缺陷正样本进行预处理,预处理方法包括以下至少一项:调整明亮度、灰度、对比度中的至少一项;调整尺寸、偏移中的至少一项;自适应切图等,归一处理,即统一并对缺陷图像的尺寸和格式进行归一处理,例如可将缺陷图像处理尺寸为20*20像素,格式存储为BMP,归一处理后的缺陷正样本库生成缺陷正样本模板文件。
本发明采用人工智能领域的机器视觉技术,获取并构建缺陷的图像特征信息,计算机利用图像特征信息去分析超声检测的检测数据/图像,识别被检测工件中的缺陷,并能够通过图像、表格、声音,光(包括但不限于警示灯)等形式提示检测人员缺陷信息(包括不限于位置、大小、波幅、类型等)。
同时,缺陷的图像特征信息随着检测样本的增加、缺陷类型的丰富,而不断的得到补充和完善,进一步提升了数据分析的准确性。
相对于非人工智能的方法,本发明具有自主学习能力,能通过新增正样本的类型,而适用更多类型的缺陷;并且通过将非缺陷的干扰样本放入缺陷负样本库,能够准确的区分非缺陷的干扰信息,进一步提高缺陷识别的准确率。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种基于机器视觉的轮轴缺陷识别模型构建方法,其特征在于:包括以下步骤:
步骤S100、利用超声波探伤设备获取轮轴的检测数据,并将检测数据以二进制文件存储;
步骤S200、通过所述二进制文件获取样本数据,构建缺陷正样本库和缺陷负样本库;
步骤S300、对缺陷正样本库进行预处理生成缺陷正样本模板文件;
步骤S400、通过缺陷正样本模板文件、样本匹配算法、缺陷负样本库构建缺陷识别模型。
2.根据权利要求1所述的一种基于机器视觉的轮轴缺陷识别模型构建方法,其特征在于:所述超声波探伤设备按照轴型或轮型,配置相应的通道和扫查方式获取检测数据。
3.根据权利要求1所述的一种基于机器视觉的轮轴缺陷识别模型构建方法,其特征在于:所述步骤S200进一步包括以下步骤:
步骤S210、将所述二进制文件聚类分析;
步骤S220、从聚类分析后的二进制文件中提取图像;
步骤S230、根据缺陷的图像特征截取缺陷位置图像获取样本数据;
步骤S240、缺陷的样本数据形成缺陷正样本库,非缺陷的样本数据形成缺陷负样本库。
4.根据权利要求1所述的一种基于机器视觉的轮轴缺陷识别模型构建方法,其特征在于:所述缺陷正样本库包括缺陷图像;缺陷负样本库包括非缺陷图像、噪声图像、过渡圆弧图像。
5.根据权利要求4所述的一种基于机器视觉的轮轴缺陷识别模型构建方法,其特征在于:所述缺陷图像包括平底孔图像、横向缺陷图像、纵向缺陷图像、外表面缺陷图像、内表面缺陷图像。
6.根据权利要求1所述的一种基于机器视觉的轮轴缺陷识别模型构建方法,其特征在于:所述预处理包括归一处理,即统一缺陷图像的尺寸和格式。
7.一种基于机器视觉的轮轴缺陷识别方法,其特征在于:包括以下步骤:
步骤Z100、利用超声波探伤设备获取轮轴的检测数据,并将检测数据以二进制文件存储,从二进制文件中提取检测图像;
步骤Z200、利用权利要求1-6任一所述的轮轴缺陷识别模型对所述检测图像进行缺陷识别;
步骤Z300、按照特定参数对缺陷识别结果进行缺陷筛选;
步骤Z400、将筛选后的缺陷进行展示并报警。
8.根据权利要求7所述的一种基于机器视觉的轮轴缺陷识别方法,其特征在于:所述步骤Z300进一步包括:所述特定参数至少包括缺陷类型、阈值、位置的一种。
9.根据权利要求7所述的一种基于机器视觉的轮轴缺陷识别方法,其特征在于:所述轮轴缺陷识别方法进一步包括:步骤Z500、利用缺陷识别结果包含的图像补充构建权利要求1-6任一所述的轮轴缺陷识别模型。
10.根据权利要求9所述的一种基于机器视觉的轮轴缺陷识别方法,其特征在于:步骤Z500进一步包括:可手动选择将缺陷识别结果包含的图像增加到缺陷正样本库或缺陷负样本库;也可计算机根据缺陷图像匹配度与匹配度阈值的比较结果将缺陷识别结果包含的图像自动增加到缺陷正样本库或负缺陷样本库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010128206.8A CN111257422B (zh) | 2020-02-28 | 2020-02-28 | 基于机器视觉的轮轴缺陷识别模型构建方法和缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010128206.8A CN111257422B (zh) | 2020-02-28 | 2020-02-28 | 基于机器视觉的轮轴缺陷识别模型构建方法和缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111257422A true CN111257422A (zh) | 2020-06-09 |
CN111257422B CN111257422B (zh) | 2023-09-08 |
Family
ID=70946130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010128206.8A Active CN111257422B (zh) | 2020-02-28 | 2020-02-28 | 基于机器视觉的轮轴缺陷识别模型构建方法和缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111257422B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470018A (zh) * | 2021-09-01 | 2021-10-01 | 深圳市信润富联数字科技有限公司 | 轮毂缺陷识别方法、电子装置、装置及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012008142A (ja) * | 2011-08-30 | 2012-01-12 | Mitsubishi Heavy Ind Ltd | 超音波探傷データを処理するためのプログラム、処理装置及び処理方法 |
CN107451997A (zh) * | 2017-07-31 | 2017-12-08 | 南昌航空大学 | 一种基于深度学习的焊缝超声tofd‑d扫描缺陷类型的自动识别方法 |
CN107749058A (zh) * | 2017-10-23 | 2018-03-02 | 中南大学 | 一种锅炉管道表面缺陷的机器视觉检测方法及*** |
CN109658397A (zh) * | 2018-12-12 | 2019-04-19 | 广州地铁集团有限公司 | 一种轨道巡检方法及*** |
US20190161919A1 (en) * | 2017-11-30 | 2019-05-30 | Sperry Rail Holdings, Inc. | System and method for inspecting a rail using machine learning |
CN109829907A (zh) * | 2019-01-31 | 2019-05-31 | 浙江工业大学 | 一种基于深度学习的金属轴表面缺陷识别方法 |
CN110297041A (zh) * | 2019-07-01 | 2019-10-01 | 天津工业大学 | 一种基于fcn与gru的3d编织复合材料缺陷检测方法 |
-
2020
- 2020-02-28 CN CN202010128206.8A patent/CN111257422B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012008142A (ja) * | 2011-08-30 | 2012-01-12 | Mitsubishi Heavy Ind Ltd | 超音波探傷データを処理するためのプログラム、処理装置及び処理方法 |
CN107451997A (zh) * | 2017-07-31 | 2017-12-08 | 南昌航空大学 | 一种基于深度学习的焊缝超声tofd‑d扫描缺陷类型的自动识别方法 |
CN107749058A (zh) * | 2017-10-23 | 2018-03-02 | 中南大学 | 一种锅炉管道表面缺陷的机器视觉检测方法及*** |
US20190161919A1 (en) * | 2017-11-30 | 2019-05-30 | Sperry Rail Holdings, Inc. | System and method for inspecting a rail using machine learning |
CN109658397A (zh) * | 2018-12-12 | 2019-04-19 | 广州地铁集团有限公司 | 一种轨道巡检方法及*** |
CN109829907A (zh) * | 2019-01-31 | 2019-05-31 | 浙江工业大学 | 一种基于深度学习的金属轴表面缺陷识别方法 |
CN110297041A (zh) * | 2019-07-01 | 2019-10-01 | 天津工业大学 | 一种基于fcn与gru的3d编织复合材料缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
赵欣洋等: "基于深度学习的不规则特征识别检测技术", 《轻工机械》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470018A (zh) * | 2021-09-01 | 2021-10-01 | 深圳市信润富联数字科技有限公司 | 轮毂缺陷识别方法、电子装置、装置及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111257422B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113362326B (zh) | 一种电池焊点缺陷的检测方法及装置 | |
CN111862064B (zh) | 一种基于深度学习的银质丝材表面瑕疵识别方法 | |
CN114359270B (zh) | 基于计算机视觉的汽车发动机油路铜套缺陷检测方法 | |
CN114757949A (zh) | 基于计算机视觉的电线电缆缺陷检测方法及*** | |
CN110253019B (zh) | 一种激光选区熔化的质量监控与控制方法 | |
CN112083017A (zh) | 焊缝内部缺陷智能检测装置、方法及介质 | |
CN111667462B (zh) | 一种焊接缺陷中弱小目标的自动检测方法与*** | |
CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN111815555A (zh) | 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置 | |
CN114897896B (zh) | 基于灰度变换的建筑木材缺陷检测方法 | |
CN115984284A (zh) | 一种用于船舶维护的x射线船体焊缝图像检测方法 | |
CN114897898A (zh) | 一种基于图像处理的木板质量分类方法 | |
CN115719332A (zh) | 一种焊接质量检测方法 | |
CN114706358A (zh) | 一种直缝焊管的焊接工艺信息处理方法及*** | |
CN112288760B (zh) | 一种粘连细胞图像筛除方法、***及细胞图像分析方法 | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN113012123A (zh) | 碳纤维复合材料缺陷损伤分类识别与定量分析方法及*** | |
CN111257422B (zh) | 基于机器视觉的轮轴缺陷识别模型构建方法和缺陷识别方法 | |
CN115311484A (zh) | 一种焊缝数据的优化聚类分割方法 | |
CN115035092A (zh) | 基于图像的瓶体检测方法、装置、设备及存储介质 | |
CN116630329A (zh) | 用于多轴多通道数控***的在线视觉检测方法 | |
CN115294527A (zh) | 一种基于计算机视觉的地铁隧道破损检测方法 | |
CN111783616A (zh) | 一种基于数据驱动自学习的无损检测方法 | |
CN117934467A (zh) | 基于图像处理的钛金属焊接质量检测方法及*** | |
CN116511998B (zh) | 一种圆形刀盘的缺陷检测方法及*** |
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 |