CN112102310B - 一种复合材料的预浸料丝铺放缺陷检测方法及*** - Google Patents

一种复合材料的预浸料丝铺放缺陷检测方法及*** Download PDF

Info

Publication number
CN112102310B
CN112102310B CN202011034052.2A CN202011034052A CN112102310B CN 112102310 B CN112102310 B CN 112102310B CN 202011034052 A CN202011034052 A CN 202011034052A CN 112102310 B CN112102310 B CN 112102310B
Authority
CN
China
Prior art keywords
prepreg
laying
image
defect
wires
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
CN202011034052.2A
Other languages
English (en)
Other versions
CN112102310A (zh
Inventor
钱京
曲继松
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.)
Jiangsu Hengbao Intelligent System Technology Co Ltd
Original Assignee
Jiangsu Hengbao Intelligent System Technology 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 Jiangsu Hengbao Intelligent System Technology Co Ltd filed Critical Jiangsu Hengbao Intelligent System Technology Co Ltd
Priority to CN202011034052.2A priority Critical patent/CN112102310B/zh
Publication of CN112102310A publication Critical patent/CN112102310A/zh
Application granted granted Critical
Publication of CN112102310B publication Critical patent/CN112102310B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/30124—Fabrics; Textile; Paper
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本申请提供一种复合材料的预浸料丝铺放缺陷检测方法及***，该方法包括如下步骤：在复合材料的预浸料丝铺放过程中，实时采集铺放预浸料丝后第一预浸料层的表面检测图像和铺放参数数据；将表面检测图像中的第一预浸料层和预浸料丝进行分离，得到第一预浸料层检测图像和预浸料丝检测图像；根据第一预浸料层检测图像和预浸料丝检测图像，获得预浸料丝铺放的表面缺陷类型。本申请实现了复合材料铺放预浸料丝的过程中的缺陷的智能化自动检测，从而修正铺放参数数据，及时避免复合材料铺放预浸料丝过程中产生的缺陷，提高复合材料的成品率和降低复合材料使用中的安全隐患。

Description

一种复合材料的预浸料丝铺放缺陷检测方法及***
技术领域
本申请智能制造技术领域，尤其涉及一种复合材料的预浸料丝铺放缺陷检测方法及***。
背景技术
常用预浸料是由热固性树脂浸渍连续纤维或织物制备而成，是成型复合材料的中间产品，树脂在预浸料粘结过程中相当于粘合剂，在预浸料生产加工过程中，树脂难以浸渍完全，使得预浸料表面的树脂分布不均匀，在预浸料表面形成不规则的凹凸区域。
常见的预浸料丝铺放过程存在的缺陷包括层间夹杂，预浸料丝束之间存在搭接或间隙，纤维屈曲，预浸料丝褶皱，预浸料撕裂以及由于参数控制不当导致的富胶区和贫胶区的产生。
夹杂缺陷形成原因：铺放过程操作不当或环境过于污浊；搭接或间隙：轨迹规则缺陷或机床稳定精度差；架桥：铺放经过模具凹曲面时在丝束张力作用下被揭起；褶皱：模具曲率过大，铺丝头过棱；富胶区和贫胶区：预浸料质量问题或工艺参数符合要求。复合材料的预浸料丝铺放的缺陷不能早发现，则使用过程中存在安全隐患。
发明内容
本申请的目的在于提供一种复合材料的预浸料丝铺放缺陷检测方法及***，该方法实现了复合材料铺放预浸料丝的过程中的缺陷的智能化自动检测，从而修正铺放参数数据，及时避免复合材料铺放预浸料丝过程中产生的缺陷，提高复合材料的成品率和降低复合材料使用中的安全隐患。
为达到上述目的，本申请提供一种复合材料的预浸料丝铺放缺陷检测方法，该方法包括如下步骤：
在复合材料的预浸料丝铺放过程中，实时采集铺放预浸料丝后第一预浸料层的表面检测图像和铺放参数数据；
将表面检测图像中的第一预浸料层和预浸料丝进行分离，得到第一预浸料层检测图像和预浸料丝检测图像；
根据第一预浸料层检测图像和预浸料丝检测图像，获得预浸料丝铺放的表面缺陷类型。
如上的，其中，该方法还包括：根据表面缺陷类型和铺放参数数据，获得需要优化的铺放参数；
根据获得的需要优化的铺放参数对预浸料丝铺放过程中的铺放参数进行修正。
如上的，其中，该方法还包括：
在将预浸料丝固化在第一预浸料层和第二预浸料层之间的过程中，将多个方向的X射线照射在铺设预浸料丝的第一预浸料层和第二预浸料层上；
采集经多个方向的X射线照射后的缺陷检测影像；
根据缺陷检测影像，获取预浸料丝铺放后的内部缺陷类型；
加载内部缺陷类型数据库，根据获得的内部缺陷类型，在内部缺陷类型数据库中查询产生该缺陷的原因。
如上的，其中，采集铺放参数数据的方法包括：
在铺放预浸料丝的过程中，采集在第一预浸料层上铺放预浸料丝的铺放速度；
采集对铺放预浸料丝进行超声加热的加热温度；
采集对预浸料丝铺放后的铺放压力。
如上的，其中，通过CCD工业相机和光源协调采集所述表面检测图像，且表面检测图像沿预浸料丝铺设的方向采集。
如上的，其中，将表面检测图像中的第一预浸料层和预浸料丝进行分离的方法包括：
对表面检测图像进行预处理；
采用滤波变换将第一预浸料层和预浸料丝进行分离；
识别预浸料丝的边缘，采用边缘提取算子沿该边缘提取预浸料丝图像；
抠出预浸料丝图像后，表面检测图像剩余的部分作为第一预浸料层图像。
如上的，其中，根据预浸料丝检测图像获得表面缺陷类型的方法包括如下步骤：
在预浸料丝检测图像中沿预浸料丝延长的方向建立预设宽度的水平据矩形检测框；
水平据矩形检测框从预浸料丝检测图像的上方至下方依次对预浸料丝检测图像进行分割，获得多个矩形检测图像；
同时在多个矩形检测图像建立水平标尺；
并行识别多个矩形检测图像中预浸料丝所在直线方向与水平标尺之间夹角超过预设阈值范围的预浸料丝，并输出与水平标尺之间夹角超过预设阈值范围的预浸料丝作为有缺陷的倾斜预浸料丝；
并行识别多个矩形检测图像中异常宽度的预浸料丝，输出该异常的位置和异常信息。
如上的，其中，根据表面缺陷类型和铺放参数数据，获得需要优化的铺放参数包括：
加载表面缺陷经验数据库数据，根据表面缺陷类型在表面缺陷经验数据库中查找产生该缺陷的铺放参数，并将获得的铺放参数存储至第一影响参数数据组；
提取铺放参数数据中的有效数据，剔除无效数据；
计算有效的铺放参数数据和预设的标准参数数据的差值，获得差值超过预设限值的铺放参数，并将获得的铺放参数存储至第二影响参数数据组；
获取第一影响参数数据组和第二影响参数数据组中重合的铺放参数，将重合的铺放参数作为待优化的铺放参数。
如上的，其中，根据缺陷检测影像，获得预浸料丝铺放后的内部缺陷类型的方法包括如下步骤：
提取缺陷检测图像的轮廓特征图像，并为轮廓特征图像设定采集位置标签；
对轮廓特征图像中面积超过预设阈值的轮廓进行高亮显示，其余轮廓进行消除，对高亮显示的轮廓图像中的每个轮廓特征分割为单个轮廓图像；
根据高亮显示的单个轮廓图像、采集位置和预先存储的标准缺陷轮廓图像及缺陷位置判断该高亮显示的轮廓所属的内部缺陷类型。
本申请还提供一种复合材料的预浸料丝铺放缺陷检测***，该***包括：
采集模块，用于在复合材料的预浸料丝铺放过程中，采集铺放预浸料丝后第一预浸料层的表面检测图像和铺放参数数据；
图像分离模块，用于将表面检测图像中的第一预浸料层和预浸料丝进行分离，得到第一预浸料层检测图像和预浸料丝检测图像；
表面缺陷类型获取模块，用于根据第一预浸料层检测图像和预浸料丝检测图像，获得预浸料丝铺放的表面缺陷类型
本申请实现的有益效果如下：
(1)本申请在预浸料丝铺放的过程中，及时检测其表面缺陷类型，并根据检测的结果，对铺放参数数据进行修正，从而减少预浸料丝铺放过程中的缺陷，提高复合材料的质量。
(2)本申请在在预浸料丝铺放的过程中，检测铺放预浸料丝后第一预浸料层和第二预浸料层之间的内部缺陷类型，根据内部缺陷类型对铺放参数数据进行修正，从而减少预浸料丝铺放过程中的缺陷，提高复合材料的质量。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本申请实施例的一种复合材料的预浸料丝铺放缺陷检测方法的流程图。
图2为本申请实施例得到第一预浸料层检测图像和预浸料丝检测图像的方法流程图。
图3为本申请实施例根据预浸料丝检测图像获得表面缺陷类型的方法流程图。
图4为本申请实施例获得预浸料丝铺放后的内部缺陷类型的方法流程图。
图5为为本申请实施例的一种复合材料的预浸料丝铺放缺陷检测***的结构示意图。
附图标记：10-采集模块；20-图像分离模块；30-表面缺陷类型获取模块；40-优化参数获取模块；50-修正模块；60-射线照射模块；70-缺陷检测影像采集模块；80-内部缺陷类型获取模块；90-缺陷原因查找模块；100-缺陷检测***。
具体实施方式
下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
实施例一
如图1所示，本申请一种复合材料的预浸料丝铺放缺陷检测方法，该方法包括如下步骤：
步骤S1，在复合材料的预浸料丝铺放过程中，实时采集铺放预浸料丝后第一预浸料层的表面检测图像和铺放参数数据。
其中，铺放参数数据包括铺放速度、预浸料丝的牵引力、复合材料的加热温度和铺放压力。
具体的，在铺放预浸料丝的过程中，采集在第一预浸料层上铺放预浸料丝的表面检测图像。使用图像采集模块采集表面检测图像。在铺放预浸料丝的过程中，采集在第一预浸料层上铺放预浸料丝的铺放速度。使用旋转编码器采集铺放速度。
优选的，由CCD工业相机和光源协调采集表面检测图像，且表面检测图像沿预浸料丝铺设的方向采集。
在第一预浸料层和预浸料丝上铺设第二预浸料层的过程中，采集对铺放预浸料丝的复合材料超声加热的加热温度，或在预浸料丝上铺设第二预浸料层后对粘合剂树脂超声加热的加热温度。使用温度采集模块采集加热温度。采集对铺放预浸料丝的复合材料施加压力时的铺放压力。使用压力传感器采集铺放压力。
步骤S2，将表面检测图像中的第一预浸料层和预浸料丝进行分离，得到第一预浸料层检测图像和预浸料丝检测图像。
如图2所示，步骤S2包括：
步骤S210，对表面检测图像进行预处理。
预处理包括图像对比增强、降噪和灰度处理。
具体的，采用高斯滤波器对表面检测图像进行滤波降噪处理，以保留表面检测图像中的细节信息，避免图像中的边缘模糊化。
步骤S220，采用滤波变换将第一预浸料层和预浸料丝进行分离。
将第一预浸料层和预浸料丝进行分离的方法包括：检测第一预浸料层和预浸料丝的灰度值，将第一预浸料层和预浸料丝的灰度值之差的中间值作为分割值，将第一预浸料层和预浸料丝进行分离。
步骤S230，识别预浸料丝的边缘，采用边缘提取算子沿该边缘提取预浸料丝图像。
步骤S240，抠出预浸料丝图像后，表面检测图像剩余的部分作为第一预浸料层图像。
步骤S3，根据第一预浸料层检测图像和预浸料丝检测图像，获得预浸料丝铺放的表面缺陷类型。
作为本发明的一个具体实施例，对第一预浸料层检测图像进行分析，获得第一预浸料层表面上是否存在异物、凹凸坑、孔洞等缺陷。对预浸料丝检测图像进行分析，获得预浸料丝铺放过程存在的缺陷：包括层间夹杂、预浸料丝束之间存在搭接、间隙、纤维屈曲或预浸料丝褶皱。
作为本发明的一个具体实施例，将第一预浸料层检测图像和预浸料丝检测图像分别输入到预先训练的机器学习模型中，获得预浸料丝铺放的表面缺陷类型。
其中，机器学习模型通过对大量包含多种缺陷类型的第一预浸料层检测图像和预浸料丝检测图像进行训练获得。机器学习模型中存储有不同缺陷类型的缺陷特征向量。
如图3所示，步骤S3中根据预浸料丝检测图像获得表面缺陷类型的方法包括如下步骤：
步骤S310，在预浸料丝检测图像中沿预浸料丝延长的方向建立预设宽度的水平据矩形检测框。
步骤S320，水平据矩形检测框从预浸料丝检测图像的上方至下方依次对预浸料丝检测图像进行分割，获得多个矩形检测图像。
步骤S340，同时在多个矩形检测图像建立水平标尺。
步骤S350，并行识别多个矩形检测图像中预浸料丝所在直线方向与水平标尺之间夹角超过预设阈值范围的预浸料丝，并输出与水平标尺之间夹角超过预设阈值范围的预浸料丝作为有缺陷的倾斜预浸料丝。
步骤S360，并行识别多个矩形检测图像中异常宽度的预浸料丝，输出该异常的位置和异常信息。其中，异常信息包括有重叠、搭接或褶皱的缺陷。
步骤S4，根据表面缺陷类型和铺放参数数据，获得需要优化的铺放参数。
具体的，步骤S4中根据表面缺陷类型和铺放参数数据，获得需要优化的铺放参数包括：
步骤S410，加载表面缺陷经验数据库数据，根据表面缺陷类型在表面缺陷经验数据库中查找产生该缺陷的铺放参数，并将获得的铺放参数存储至第一影响参数数据组。
步骤S420，提取铺放参数数据中的有效数据，剔除无效数据。
判断铺放参数数据的数据文件是否满足既有标签也有数据，且标签和数据一一对应，其中，标签的内容包括采样设备型号、采样时间、采样频率和通道数等，数据即为采集的具体铺放参数数据。
具体的，为了避免采集设备或其他硬件设备对采集数据造成的影响，剔除无效的铺放参数数据，提高数据分析结果的准确度。将不具有标签、标签不符、标签对应数值数量不符和标签对应数值数据类型不符的全部视为无效数据。
步骤S430，计算有效的铺放参数数据和预设的标准参数数据的差值，获得差值超过预设限值的铺放参数，并将获得的铺放参数存储至第二影响参数数据组。
具体的，根据采集的铺放参数数据与预设的标准参数进行比较，计算采集的铺放参数与预设的标准参数之间的差值，将差值超过一定限值的铺放参数按照差值由大到小进行排序，并存储在第二影响参数数据组。
步骤S440，获取第一影响参数数据组和第二影响参数数据组中重合(相同)的铺放参数，将重合(相同)的铺放参数作为待优化的铺放参数。
步骤S5，根据获得的需要优化的铺放参数对预浸料丝铺放过程中的铺放参数进行修正。
以实现及时修正预浸料丝铺放缺陷，提高产品质量。
步骤S6，在将预浸料丝固化在第一预浸料层和第二预浸料层之间的过程中，将多个方向的X射线照射在铺设预浸料丝的第一预浸料层和第二预浸料层上。
具体的，沿垂直于第一预浸料层和第二预浸料层的方向发射X射线并照射在第一预浸料层和第二预浸料层上、沿平行于第一预浸料层和第二预浸料层的方向发射X射线并照射在第一预浸料层和第二预浸料层的中间粘合部位、沿与第一预浸料层和第二预浸料层呈45度夹角的方向发射X射线并照射在第一预浸料层和第二预浸料层上。
步骤S7，采集经多个方向的X射线照射后的缺陷检测影像。
步骤S8，根据缺陷检测影像，获得预浸料丝铺放后的内部缺陷类型。
作为本发明的一个具体实施例，将缺陷检测影像输入到预先训练的机器学习模型中，获得预浸料丝铺放后的内部缺陷类型。
如图4所示，步骤S8包括如下步骤：
步骤S810，提取缺陷检测图像的轮廓特征图像，并为轮廓特征图像设定采集位置标签。
步骤S820，对轮廓特征图像中面积超过预设阈值的轮廓进行高亮显示，其余轮廓进行消除，对高亮显示的轮廓图像中的每个轮廓特征分割为单个轮廓图像。
步骤S830，根据高亮显示的单个轮廓图像、采集位置和预先存储在机器学习模型中的标准缺陷轮廓图像及缺陷位置判断该高亮显示的轮廓所属的内部缺陷类型。
具体的，步骤S830包括：
步骤S831，计算高亮显示的单个轮廓图像与预先存储的标准缺陷轮廓图像的匹配度，具体的，计算公式如下：
其中，S表示高亮显示的单个轮廓图像与预先存储的标准缺陷轮廓图像的匹配度；Hi表示单个轮廓图像中轮廓的长宽比；Ei表示单个轮廓图像中轮廓所围面积的紧凑性；Fi表示单个轮廓图像中轮廓的圆形度；Ai表示单个轮廓图像中轮廓所围成的面积；Ci表示单个轮廓图像中轮廓的周长；Hj表示标准缺陷轮廓图像中轮廓的长宽比；Ej表示标准缺陷轮廓图像中轮廓所围面积的紧凑性；Fj表示标准缺陷轮廓图像中轮廓的圆形度；Aj表示标准缺陷轮廓图像中轮廓所围成的面积；Cj表示标准缺陷轮廓图像中轮廓的周长。
其中，单个轮廓图像中轮廓的面积计算公式为：
Ai＝K·I；
其中，K表示轮廓所围成的所有像素点的总个数；I表示单个像素点的面积。
其中，单个轮廓图像中轮廓的周长的计算公式为：
Ci＝Kbianyuan·Ldan；
其中，Kbianyuan表示轮廓所含的像素点的个数；Ldan表示单个像素点的长度。
其中，单个轮廓图像中轮廓的圆形度的计算公式为：
其中，π＝3.14。
其中，单个轮廓图像中轮廓的长宽比计算公式为：
其中，Lduan表示轮廓外接矩形的短边长度；Lchang表示轮廓外接矩形的长边长度。
其中，单个轮廓图像中轮廓所围面积的紧凑性的计算公式为：
其中，Lduan表示轮廓外接矩形的短边长度；Lchang表示轮廓外接矩形的长边长度。
其中，标准缺陷轮廓图像中轮廓的长宽比Hj、标准缺陷轮廓图像中轮廓所围面积的紧凑性Ej、标准缺陷轮廓图像中轮廓的圆形度Fj、标准缺陷轮廓图像中轮廓所围成的面积Aj和标准缺陷轮廓图像中轮廓的周长Cj的计算方法分别与单个轮廓图像中轮廓的长宽比Hi、单个轮廓图像中轮廓所围面积的紧凑性Ei、单个轮廓图像中轮廓的圆形度Fi、单个轮廓图像中轮廓所围成的面积Ai和单个轮廓图像中轮廓的周长Ci的计算方法相同。
步骤S832，获取匹配度最大的标准缺陷轮廓图像，将匹配度最大的标准缺陷轮廓图像所对应的缺陷类型作为单个轮廓图像对应的内部缺陷类型。
步骤S9，加载内部缺陷类型数据库，根据获得的内部缺陷类型，在内部缺陷类型数据库中查询产生该缺陷的原因。
内部缺陷类型包括：在第一预浸料层和第二预浸料层之间铺放预浸料丝后内部存在的起皱、气泡、折叠、异物和空隙等缺陷。
实施例二
如图5所示，本申请提供一种复合材料的预浸料丝铺放缺陷检测***100，该***包括：
采集模块10，用于在复合材料的预浸料丝铺放过程中，采集铺放预浸料丝后第一预浸料层的表面检测图像和铺放参数数据。
图像分离模块20，用于将表面检测图像中的第一预浸料层和预浸料丝进行分离，得到第一预浸料层检测图像和预浸料丝检测图像。
表面缺陷类型获取模块30，用于根据第一预浸料层检测图像和预浸料丝检测图像，获得预浸料丝铺放的表面缺陷类型。
优化参数获取模块40，用于根据表面缺陷类型和铺放参数数据，获得需要优化的铺放参数。
修正模块50，用于根据获得的需要优化的铺放参数对预浸料丝铺放过程中的铺放参数进行修正。
射线照射模块60，用于在将预浸料丝固化在第一预浸料层和第二预浸料层之间的过程中，将多个方向的X射线照射在铺设预浸料丝的第一预浸料层和第二预浸料层上。
缺陷检测影像采集模块70，用于采集经多个方向的X射线照射后的缺陷检测影像。
内部缺陷类型获取模块80，用于根据缺陷检测影像，获取预浸料丝铺放后的内部缺陷类型。
缺陷原因查找模块90，用于加载内部缺陷类型数据库，根据获得的内部缺陷类型，在内部缺陷类型数据库中查询产生该缺陷的原因。
具体的，采用数据处理模块对采集的铺放数据进行处理。数据处理模块包括：存储提取层、判别层、待优化参数层。
存储提取层用于接收采集的铺放参数数据和该铺放参数数据对应的标签，并提取有效的铺放参数数据，剔除无效铺放参数数据，避免无效铺放参数数据对判别结果产生干扰。将提取有效的铺放参数数据作为流动数据临时存储，以便快速交换传输，不同的铺放参数数据分别按照采集的时间顺序依次存储在不同的文件夹中。
其中，提取有效的铺放参数数据的方法为：判断铺放参数数据的数据文件是否满足既有标签也有数据，且标签和数据一一对应，其中，标签的内容包括采样设备型号、采样时间、采样频率和通道数等，数据即为采集的具体铺放参数数据。
具体的，为了避免采集设备或其他硬件设备对采集数据造成的影响，剔除无效的铺放参数数据，提高数据分析结果的准确度。将不具有标签、标签不符、标签对应数值数量不符和标签对应数值数据类型不符的全部视为无效数据。
判别层由判别算法构成。判别层对采集的铺放参数数据和预设的标准参数进行比较，判别产生表面缺陷类型所对应需要优化的铺放参数。
待优化参数层，用于存储需要优化的铺放参数。
本申请实现的有益效果如下：
(1)本申请在预浸料丝铺放的过程中，及时检测其表面缺陷类型，并根据检测的结果，对铺放参数数据进行修正，从而减少预浸料丝铺放过程中的缺陷，提高复合材料的质量。
(2)本申请在在预浸料丝铺放的过程中，检测铺放预浸料丝后第一预浸料层和第二预浸料层之间的内部缺陷类型，根据内部缺陷类型对铺放参数数据进行修正，从而减少预浸料丝铺放过程中的缺陷，提高复合材料的质量。
上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理的内所做的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。

Claims (7)

1.一种复合材料的预浸料丝铺放缺陷检测方法，其特征在于，该方法包括如下步骤：
在复合材料的预浸料丝铺放过程中，实时采集铺放预浸料丝后第一预浸料层的表面检测图像和铺放参数数据；
将表面检测图像中的第一预浸料层和预浸料丝进行分离，得到第一预浸料层检测图像和预浸料丝检测图像；
根据第一预浸料层检测图像和预浸料丝检测图像，获得预浸料丝铺放的表面缺陷类型；
该方法还包括：
在将预浸料丝固化在第一预浸料层和第二预浸料层之间的过程中，将多个方向的X射线照射在铺设预浸料丝的第一预浸料层和第二预浸料层上；
采集经多个方向的X射线照射后的缺陷检测影像；
根据缺陷检测影像，获取预浸料丝铺放后的内部缺陷类型；
加载内部缺陷类型数据库，根据获得的内部缺陷类型，在内部缺陷类型数据库中查询产生该缺陷的原因；
根据预浸料丝检测图像获得表面缺陷类型的方法包括如下步骤：
在预浸料丝检测图像中沿预浸料丝延长的方向建立预设宽度的水平矩形检测框；
水平矩形检测框从预浸料丝检测图像的上方至下方依次对预浸料丝检测图像进行分割，获得多个矩形检测图像；
同时在多个矩形检测图像建立水平标尺；
并行识别多个矩形检测图像中预浸料丝所在直线方向与水平标尺之间夹角超过预设阈值范围的预浸料丝，并输出与水平标尺之间夹角超过预设阈值范围的预浸料丝作为有缺陷的倾斜预浸料丝；
并行识别多个矩形检测图像中异常宽度的预浸料丝，输出该异常的位置和异常信息；
根据缺陷检测影像，获得预浸料丝铺放后的内部缺陷类型的方法包括如下步骤：
提取缺陷检测图像的轮廓特征图像，并为轮廓特征图像设定采集位置标签；
对轮廓特征图像中面积超过预设阈值的轮廓进行高亮显示，其余轮廓进行消除，对高亮显示的轮廓图像中的每个轮廓特征分割为单个轮廓图像；
根据高亮显示的单个轮廓图像、采集位置和预先存储的标准缺陷轮廓图像及缺陷位置判断该高亮显示的轮廓所属的内部缺陷类型。
2.根据权利要求1所述的复合材料的预浸料丝铺放缺陷检测方法，其特征在于，该方法还包括：根据表面缺陷类型和铺放参数数据，获得需要优化的铺放参数；
根据获得的需要优化的铺放参数对预浸料丝铺放过程中的铺放参数进行修正。
3.根据权利要求1所述的复合材料的预浸料丝铺放缺陷检测方法，其特征在于，采集的铺放参数数据包括：
在铺放预浸料丝的过程中，采集在第一预浸料层上铺放预浸料丝的铺放速度；
采集对铺放预浸料丝进行超声加热的加热温度；
采集对预浸料丝铺放后的铺放压力。
4.根据权利要求1所述的复合材料的预浸料丝铺放缺陷检测方法，其特征在于，通过CCD工业相机和光源协调采集所述表面检测图像，且表面检测图像沿预浸料丝铺设的方向采集。
5.根据权利要求1所述的复合材料的预浸料丝铺放缺陷检测方法，其特征在于，将表面检测图像中的第一预浸料层和预浸料丝进行分离的方法包括：
对表面检测图像进行预处理；
采用滤波变换将第一预浸料层和预浸料丝进行分离；
识别预浸料丝的边缘，采用边缘提取算子沿该边缘提取预浸料丝图像；
抠出预浸料丝图像后，表面检测图像剩余的部分作为第一预浸料层图像。
6.根据权利要求1所述的复合材料的预浸料丝铺放缺陷检测方法，其特征在于，根据表面缺陷类型和铺放参数数据，获得需要优化的铺放参数包括：
加载表面缺陷经验数据库数据，根据表面缺陷类型在表面缺陷经验数据库中查找产生该缺陷的铺放参数，并将获得的铺放参数存储至第一影响参数数据组；
提取铺放参数数据中的有效数据，剔除无效数据；
计算有效的铺放参数数据和预设的标准参数数据的差值，获得差值超过预设限值的铺放参数，并将获得的铺放参数存储至第二影响参数数据组；
获取第一影响参数数据组和第二影响参数数据组中重合的铺放参数，将重合的铺放参数作为待优化的铺放参数。
7.一种复合材料的预浸料丝铺放缺陷检测***，其特征在于，该***包括：
采集模块，用于在复合材料的预浸料丝铺放过程中，实时采集铺放预浸料丝后第一预浸料层的表面检测图像和铺放参数数据；
图像分离模块，用于将表面检测图像中的第一预浸料层和预浸料丝进行分离，得到第一预浸料层检测图像和预浸料丝检测图像；
表面缺陷类型获取模块，用于根据第一预浸料层检测图像和预浸料丝检测图像，获得预浸料丝铺放的表面缺陷类型；
照射模块，用于在将预浸料丝固化在第一预浸料层和第二预浸料层之间的过程中，将多个方向的X射线照射在铺设预浸料丝的第一预浸料层和第二预浸料层上；
影像采集模块，用于采集经多个方向的X射线照射后的缺陷检测影像；
缺陷类型获取模块，用于根据缺陷检测影像，获取预浸料丝铺放后的内部缺陷类型；
查询模块，用于加载内部缺陷类型数据库，根据获得的内部缺陷类型，在内部缺陷类型数据库中查询产生该缺陷的原因；
根据预浸料丝检测图像获得表面缺陷类型的方法包括如下步骤：
在预浸料丝检测图像中沿预浸料丝延长的方向建立预设宽度的水平矩形检测框；
水平矩形检测框从预浸料丝检测图像的上方至下方依次对预浸料丝检测图像进行分割，获得多个矩形检测图像；
同时在多个矩形检测图像建立水平标尺；
并行识别多个矩形检测图像中预浸料丝所在直线方向与水平标尺之间夹角超过预设阈值范围的预浸料丝，并输出与水平标尺之间夹角超过预设阈值范围的预浸料丝作为有缺陷的倾斜预浸料丝；
并行识别多个矩形检测图像中异常宽度的预浸料丝，输出该异常的位置和异常信息；
根据缺陷检测影像，获得预浸料丝铺放后的内部缺陷类型的方法包括如下步骤：
提取缺陷检测图像的轮廓特征图像，并为轮廓特征图像设定采集位置标签；
对轮廓特征图像中面积超过预设阈值的轮廓进行高亮显示，其余轮廓进行消除，对高亮显示的轮廓图像中的每个轮廓特征分割为单个轮廓图像；
根据高亮显示的单个轮廓图像、采集位置和预先存储的标准缺陷轮廓图像及缺陷位置判断该高亮显示的轮廓所属的内部缺陷类型。
CN202011034052.2A 2020-09-27 2020-09-27 一种复合材料的预浸料丝铺放缺陷检测方法及*** Active CN112102310B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011034052.2A CN112102310B (zh) 2020-09-27 2020-09-27 一种复合材料的预浸料丝铺放缺陷检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011034052.2A CN112102310B (zh) 2020-09-27 2020-09-27 一种复合材料的预浸料丝铺放缺陷检测方法及***

Publications (2)

Publication Number Publication Date
CN112102310A CN112102310A (zh) 2020-12-18
CN112102310B true CN112102310B (zh) 2023-12-12

Family

ID=73782325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011034052.2A Active CN112102310B (zh) 2020-09-27 2020-09-27 一种复合材料的预浸料丝铺放缺陷检测方法及***

Country Status (1)

Country Link
CN (1) CN112102310B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5754621A (en) * 1993-03-15 1998-05-19 Hitachi, Ltd. X-ray inspection method and apparatus, prepreg inspecting method, and method for fabricating multi-layer printed circuit board
CN101074877A (zh) * 2007-06-14 2007-11-21 南京航空航天大学 复合材料铺放质量视频检测***及间隙检测方法
CN105021636A (zh) * 2015-08-07 2015-11-04 中国兵器工业集团第五三研究所 一种识别复合材料制品内部缺陷类型的无损检测方法
CN106872521A (zh) * 2017-02-17 2017-06-20 南京航空航天大学 基于红外成像的自动铺放缺陷在线动态检测装置及方法
CN106956443A (zh) * 2017-03-20 2017-07-18 航天材料及工艺研究所 微米级型面精度小厚度复合材料曲面结构及其成型方法
CN107984770A (zh) * 2017-12-08 2018-05-04 广州大学 基于机器视觉的碳纤维预浸料定角度铺放方法及装置
CN110231343A (zh) * 2019-06-25 2019-09-13 明阳科技（苏州）股份有限公司 一种复合材料在线检测装置及其检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5754621A (en) * 1993-03-15 1998-05-19 Hitachi, Ltd. X-ray inspection method and apparatus, prepreg inspecting method, and method for fabricating multi-layer printed circuit board
CN101074877A (zh) * 2007-06-14 2007-11-21 南京航空航天大学 复合材料铺放质量视频检测***及间隙检测方法
CN105021636A (zh) * 2015-08-07 2015-11-04 中国兵器工业集团第五三研究所 一种识别复合材料制品内部缺陷类型的无损检测方法
CN106872521A (zh) * 2017-02-17 2017-06-20 南京航空航天大学 基于红外成像的自动铺放缺陷在线动态检测装置及方法
CN106956443A (zh) * 2017-03-20 2017-07-18 航天材料及工艺研究所 微米级型面精度小厚度复合材料曲面结构及其成型方法
CN107984770A (zh) * 2017-12-08 2018-05-04 广州大学 基于机器视觉的碳纤维预浸料定角度铺放方法及装置
CN110231343A (zh) * 2019-06-25 2019-09-13 明阳科技（苏州）股份有限公司 一种复合材料在线检测装置及其检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Deep learning-based classification of production defects in automated-fiber-placement processes;Carsten Schmidt et al.;《Production Engineering》;501-509 *
Defect Characteristics and Online Detection Techniques During Manufacturing of FRPs Using Automated Fiber Placement: A Review;Sun, S et al.;《Polymers 2020》;1-22 *
基于机器视觉与UMAC的自动铺丝成型构件缺陷检测闭环控制***;文立伟;宋清华;秦丽华;肖军;;航空学报(第12期);1-10 *
基于机器视觉的预浸纱缺陷检测***的研究;倪金辉;《中国优秀硕士学位论文全文数据库 信息科技辑》(第7期);1-81 *

Also Published As

Publication number Publication date
CN112102310A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN109490316B (zh) 一种基于机器视觉的表面缺陷检测算法
CN107886496A (zh) 一种基于形状匹配的汽车零配件的质量检测方法
CN107886495A (zh) 一种基于相似度匹配的汽车零配件缺陷识别方法
CN111982916A (zh) 一种基于机器视觉的焊缝表面缺陷检测方法及***
JPH0434068A (ja) トップ清潔度検査方法
CN102854191A (zh) 高速铁轨表面缺陷的实时视觉检测与识别方法
CN112330598B (zh) 一种化纤表面僵丝缺陷检测的方法、装置及存储介质
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
CN116228651A (zh) 一种布匹缺陷检测方法、***、设备及介质
US20230051895A1 (en) Method of in-process detection and mapping of defects in a composite layup
CN115035092A (zh) 基于图像的瓶体检测方法、装置、设备及存储介质
CN109693140A (zh) 一种智能化柔性生产线及其工作方法
CN107016394A (zh) 一种交叉纤维特征点匹配方法
CN112102310B (zh) 一种复合材料的预浸料丝铺放缺陷检测方法及***
He et al. Discerning weld seam profiles from strong arc background for the robotic automated welding process via visual attention features
CN115128033A (zh) 烟叶检测方法、装置和***、存储介质
CN113770124A (zh) 载带芯片脏污识别清洗设备及清洗方法
CN114897788B (zh) 一种基于引导滤波及离散差分的纱线卷装毛羽检测方法
CA2051052A1 (en) Automatic windowing for article recognition
Zemzemoglu et al. Design and implementation of a vision based in-situ defect detection system of automated fiber placement process
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
CN113763491A (zh) 一种烟丝桶残余物的视觉检测方法
Geinitz et al. Detection of filament misalignment in carbon fiber production using a stereovision line scan camera system
De Vitis et al. A technique to reduce the processing time of defect detection in glass tubes
CN112132807B (zh) 一种基于颜色相似度分割的焊缝区域提取方法和装置

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