CN114596301A - 一种采用3d线激光轮廓技术的涂敷辊面缺陷检测*** - Google Patents
一种采用3d线激光轮廓技术的涂敷辊面缺陷检测*** Download PDFInfo
- Publication number
- CN114596301A CN114596301A CN202210267004.0A CN202210267004A CN114596301A CN 114596301 A CN114596301 A CN 114596301A CN 202210267004 A CN202210267004 A CN 202210267004A CN 114596301 A CN114596301 A CN 114596301A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- roller surface
- defect
- line laser
- 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
Links
Images
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供了一种采用3D线激光轮廓技术的涂敷辊面缺陷检测***,该***包括3D成像单元和处理单元;3D成像单元包括3D线激光轮廓图像传感器,用于以预设周期T定期扫描在线运动中的涂覆辊,获取辊面图像数据,将辊面图像数据发送给处理单元;处理单元用于:预处理辊面图像;运用图像处理算法,对辊面图像数据进行智能分析,以识别辊面缺陷及判定缺陷等级。本申请中,检测方式为实时在线、连续性、非接触式、高度自动化及智能化检测识别,能够将涂敷辊面的异常状态清晰成像,同时基于profile数据获取所需的3D高度信息,同时数据传输实时性强,低延时,满足现场的高精度质量控制要求。
Description
技术领域
本发明属于缺陷检测领域,具体而言,涉及一种采用3D线激光轮廓技术的涂敷辊面缺陷检测***。
背景技术
现有单套辊涂机一般包含2套涂敷辊,对于高端彩涂带钢进行表面涂敷,一旦涂敷辊表面产生掉肉、剥落等缺陷,会造成带钢表面涂敷异常、涂层缺失、涂层不均等各类表面缺陷。
在智慧智造及劳动效率提升的要求下,产线的自动化率在大幅提高,现场人员往往由于操作集中控制,无法对于现场涂敷辊区域进行有效的实时状态监测,更没有特定的检测装置对于涂敷辊表面做专项检测。当人工或后工序检测装置发现带钢表面有涂敷辊面异常造成的缺陷时,往往已产生了较多的批量缺陷,有些较轻微的缺陷更加存在漏检测的风险,进一步造成对于涂敷辊面当前是否正常的判断盲区,这些对于用户的质量控制带来较大挑战。因此由涂敷辊面异常造成的带钢瑕疵持续影响现场产品质量控制。
现有的缺陷监测技术无法获取缺陷的深度信息,同时由于涂敷辊表面的覆膜状态,也容易干扰现有的缺陷检测,因此现有的检测技术往往有明显的局限性。
发明内容
(一)解决的技术问题
本申请实施例提供了一种采用3D线激光轮廓技术的涂敷辊面缺陷检测***,解决了现场存在的涂敷辊面状态波动问题,消除了因辊面异常造成的带钢表面缺陷,能够从源头端杜绝缺陷产生,提高产品质量控制水平。
(二)技术方案
第一方面,本申请实施例提供了一种采用3D线激光轮廓技术的涂敷辊面缺陷检测***,包括:3D成像单元和处理单元;
所述3D成像单元包括3D线激光轮廓图像传感器,用于以预设周期T定期扫描在线运动中的涂覆辊,获取辊面图像数据,将辊面图像数据发送给所述处理单元;
所述处理单元用于:预处理所述辊面图像;运用图像处理算法,对所述辊面图像数据进行智能分析,以识别辊面缺陷及判定缺陷等级。
其中,所述3D成像单元用于:
通过3D线激光轮廓图像传感器以预设周期T定期扫描在线运动中的涂覆辊,获取3D轮廓数据及2D灰度图像;
所述处理单元用于:
优先处理分析3D轮廓数据,以识别缺陷,当识别出缺陷时,同步采集分析2D灰度图像,进行图像分割、特征提取、目标检测,以识别缺陷。
其中,所述处理单元包括缺陷曲面分割模块,所述缺陷曲面分割模块用于:三维点云数据最终是以多行轮廓的形式输出,检测出每条轮廓的拐点,求多条轮廓检测出的对应位置的拐点列索引值的平均值即可得到分割三维平面的切面;
从轮廓数据求得拐点:
对于每条轮廓,轮廓上各点的横纵坐标均能够获得,对于点I,求取索引i前5点以及索引i后5点平均值作为统计结果,计算该点I的纵向梯度,求得每一条轮廓纵坐标梯度变化最大的前4个点即为轮廓的拐点。
其中,所述处理单元包括分割后曲面缺陷检测模块,所述分割后曲面缺陷检测模块用于:
通过最小二乘法对各个曲面进行拟合;
将拟合平面与实际分割平面数据点进行对比以检测出缺陷点。
其中,所述分割后曲面缺陷检测模块用于:
初始化一个系数矩阵和结果矩阵;
判断所述系数矩阵是否为奇异矩阵;
求解逆矩阵,拟合后将平面方程Ax + By + Cz + D = 0中的A、B、C、D四个系数依次求解出来。
其中,所述分割后曲面缺陷检测模块用于:
将每一块区域分块进行拟合,对分割后得到的区域按照100*100的区域进行拟合,将采样点100*100的区域块进行曲面拟合,不足100的样点区域则以对100求余的结果进行拟合,这样分别对每一块所构成的三维平面进行拟合;
计算拟合后的平面与实际样点的距离,将距离最大的前20%数据点舍弃,在剩下的数据点基础上继续进行平面拟合,最后通过多次迭代,让余下的数据点尽可能的多的位于一个平面上,有一个迭代优化的过程,最终得到该像素块样点的平面拟合方程Ax + By +Cz + D = 0,最后利用该拟合方程筛出可能的缺陷点。
其中,3D线激光轮廓传感器采用三角测量原理的线激光成像技术、优化的光学设计和蓝色或者红色激光。
其中,还包括报警单元,用于:检测出预设级别的缺陷时,发出报警信息,报警方式包括声光报警或画面报警。
其中,所述处理单元还用于对辊面图像进行图像重建、图像变换、图像增强、恢复和校正的预处理。
其中,还包括终端,所述终端用于显示生产信息以及最新的缺陷检测数据,包括来料信息、缺陷信息、缺陷等级、3D 信息的各类展示图。
(三)有益效果
本申请实施例采用3D线激光轮廓技术的涂敷辊面缺陷检测***具有如下有益效果:
本申请的***包括3D成像单元和处理单元;3D成像单元包括3D线激光轮廓图像传感器,用于以预设周期T定期扫描在线运动中的涂覆辊,获取辊面图像数据,将辊面图像数据发送给处理单元;处理单元用于:预处理辊面图像;运用图像处理算法,对辊面图像数据进行智能分析,以识别辊面缺陷及判定缺陷等级。本申请中,检测方式为实时在线、连续性、非接触式、高度自动化及智能化检测识别,能够将涂敷辊面的异常状态清晰成像,同时基于profile数据获取所需的3D高度信息,同时数据传输实时性强,低延时,满足现场的高精度质量控制要求。
附图说明
图1为本申请实施例采用3D线激光轮廓技术的涂敷辊面缺陷检测***结构示意图;
图2为本申请中轮廓拐点示意图;
图3为本申请中(280*360)样点构成的曲面分块拟合示意图。
具体实施方式
下面结合附图和实施例对本申请进行进一步的介绍。
在下述介绍中,术语“第一”、“第二”仅为用于描述的目的,而不能理解为指示或暗示相对重要性。下述介绍提供了本发明的多个实施例,不同实施例之间可以替换或者合并组合,因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而,如果一个实施例包含特征A、B、C,另一个实施例包含特征B、D,那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例,尽管该实施例可能并未在以下内容中有明确的文字记载。
下面的描述提供了示例,并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本申请内容的范围的情况下,对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行,并且可以添加、省略或组合各种步骤。此外,可以将关于一些示例描述的特征组合到其他示例中。
现有单套辊涂机一般包含2套涂敷辊,对于高端彩涂带钢进行表面涂敷,一旦涂敷辊表面产生掉肉、剥落等缺陷,会造成带钢表面涂敷异常、涂层缺失、涂层不均等各类表面缺陷。常规的2D缺陷监测技术无法获取缺陷的深度信息,同时由于涂敷辊表面的覆膜状态,也容易干扰2D相机的缺陷检测,因此若采用2D检测技术往往有明显的局限性。
3D视觉技术与2D视觉技术的区别如下:1、3D视觉同时获得XYZ数据, 2D视觉只能得到XY数据;2、3D对被测物是否有足够对比度无要求, 而2D通常需要较高的对比度;3、3D视觉技术通常集成度高,具备更高的稳定性和重复性。
如图1所示,本申请采用3D线激光轮廓技术的涂敷辊面缺陷检测***包括:3D成像单元201和处理单元202;3D成像单元201包括3D线激光轮廓图像传感器,用于以预设周期T定期扫描在线运动中的涂覆辊,获取辊面图像数据,将辊面图像数据发送给处理单元;处理单元202用于:预处理辊面图像;运用图像处理算法,对辊面图像数据进行智能分析,以识别辊面缺陷及判定缺陷等级。
在一些实施例中,3D成像单元201用于:通过3D线激光轮廓图像传感器以预设周期T定期扫描在线运动中的涂覆辊,获取3D轮廓数据及2D灰度图像;处理单元202用于:优先处理分析3D轮廓数据,以识别缺陷,当识别出缺陷时,同步采集分析2D灰度图像,进行图像分割、特征提取、目标检测,以识别缺陷。
所述处理单元202用于执行缺陷检测的算法,本申请中缺陷检测算法如下:
1.图像处理方法
1)图像变换:(空域与频域、几何变换、色度变换、尺度变换);
2)图像增强:灰度变换增强(线性灰度变换、分段线性灰度变换、非线性灰度变换);
2.直方图增强(灰度直方图、直方图均衡化);
3.图像平滑/降噪(邻域平均法、加权平均法、中值滤波、非线性均值滤波、高斯滤波、双边滤波);图像(边缘)锐化:梯度锐化,Roberts算子、Laplace算子、Sobel算子等;
4.图像分割:图像分割是将图像中有意义的特征部分提取出来,其有意义的特征有图像中的边缘、区域等,这是进一步进行图像识别、分析和理解的基础。
(1)阈值分割(固定阈值分割、最优/OTSU阈值分割、自适应阈值分割);
(2)基于边界分割(Canny边缘检测、轮廓提取、边界跟踪);
(3)Hough变换(Hough变换直线检测、Hough变换圆检测);
(4)基于区域分割(区域生长、区域归并与***、聚类分割);
(5)色彩分割;
(6)分水岭分割;
对于需要检测的样件,由于可以获得其各个像素点的亮度信息,可以通过直方图的方法将亮度最低的20%的像素点得到,初步对缺陷区域进行一步筛选,而实际上这么操作后效果一般,实际使用的检测算法如下。
实际使用的检测算法步骤:
针对被采集的样件特点,将其分为5个三维平面分别进行缺陷检测。主要过程分为缺陷曲面分割以及分割后曲面缺陷检测两个过程。
缺陷曲面分割的过程如下:如图2所示,各块缺陷曲面分割:三维点云数据最终是以多行轮廓的形式输出,检测出每条轮廓的拐点再将多条轮廓检测出的对应位置的拐点列索引值(例如图2中的1号拐点)求平均值即可得到较好地分割三维平面的切面(图2中箭头标出)。
从轮廓数据求得拐点的方法:对于每条轮廓,轮廓上各点的横纵坐标均可以获得(加上该轮廓位于XOY二维平面),为保证计算出的拐点相对准确,本申请的做法是对于点I,求取索引i前5点以索引i后5点平均值作为统计结果,计算该点的纵向梯度(斜率变化大小),因为相机采集得到数据x或者y方向分辨率固定所以其斜率变化大小可以通过纵坐标变化反映出来,通过该方法求得每一条轮廓纵坐标梯度变化最大的前4个点即为轮廓的几个拐点。
分割后各块曲面缺陷检测的过程如下:按照上述方法可将缺陷工件分割成若干曲面,接下来主要介绍曲面缺陷检测流程,主要通过最小二乘法对各个曲面进行拟合,根据拟合平面与实际分割平面数据点进行对比检测出缺陷点,可以分为以下几个步骤:
1)最小二乘法曲面拟合平面
通过离散点拟合平面,也就是说,要找到一个平面(z=ax+by+c),使这平面到各个点的“距离”最近,根据最小二乘法,,也就是说要求得一组a,b,c,使得对于已有的离散点来说,S的值最小。最终,该问题转化为1.首先初始化一个系数矩阵和结果矩阵。2.判断系数矩阵是否为奇异阵。3.求逆,计算结果。通过引入外部库Eigen,可以方便的实现求解逆矩阵的过程,拟合后将平面方程Ax + By + Cz + D = 0中的A,B,C,D四个系数依次求解出来。
2)直接用最小二乘法对整个平面进行拟合固然可以得到结果,不过由于当数据点过于庞大(缺陷区域行像素点大于1900,列像素点大于1200),平面拟合效果自然一般。采取的优化方法如下:
1.将每一块区域分块进行拟合,具体操作时对5个分割后得到的区域按照100*100的区域进行拟合,如图3所示,将采样点100*100的区域块进行曲面拟合,不足100的样点区域则以对100求余的结果进行拟合,这样分别对每一块所构成的三维平面进行拟合。图3中数字表示对应边长的像素点/样点的个数。
2.计算拟合后的平面与实际样点的距离,将距离(误差)最大的前20%数据点舍弃,用剩下的数据点基础上继续进行平面拟合,最后通过多次迭代,让余下的数据点尽可能的多的位于一个平面上,有一个迭代优化的过程,最终得到该像素块样点的平面拟合方程Ax+ By + Cz + D = 0,最后利用该拟合方程筛出可能的缺陷点。(凸起或者凹坑会较远的偏离平面,因而可以很好的检出该类型缺陷)。
本申请中,***通过高速型 3D 传感器及 LED 光源组成的成像***对于涂敷辊面进行不间断的扫描,形成 3D 轮廓数据及高清晰的表面图像,而这些达到深度检测要求的 3D 点云缺陷数据通过专用的线缆传输至图像处理单元中,结合过滤算法及后处理规则集来进行下一步的过滤,并通过 HMI进行呈现包括 3D 缺陷类别、深度、位置、尺寸等信息。
根据现场环境,布置多个3D 相机,同步触发一次获取涂覆表面三维数据。选用具有10kHz+以上的最新3D传感器,更高采样频率和更高精度设计分辨率,满足成像参数下XYZ轴各个方向下关注缺陷的检出;基于点云输出的3D 缺陷识别及 2D 缺陷匹配缺陷瑕疵检测及相关软件优化设计、报警功能。同时基于线棒等长材类表面检测***的算法开发经验,进行特定的缺陷识别及分类处理。优化的设备机电设计,箱体密闭性更好、推拉式检测箱体,便于维护及可靠的冷却方式。根据客户现场实际进行输送区域的改造设计,稳定材料输送,确保检测效果及环境防护,***预留通讯接口用于将图像数据、缺陷信息、等级信息等数据上传用户质量管理平台,用于后续数据挖掘应用。
通过成像***,检测装置能够以最佳分辨率、光路及成像方式获取满足最小缺陷检测的3D点云数据以及高对比度的2D缺陷图像,保证用户关注缺陷,尤其是宽深比较大的浅平坑状缺陷同样的成像数据中足够灵敏。同时能够克服表面的多样性,复杂型,达到较强的识别鲁棒性。整个成像***主要由高速3D激光传感器等主要设备组成。成像设计的精确度决定了缺陷检出的程度,针对不同的应用场合、缺陷形貌、待检设备规格来设计相适应的相机数量、光路角度。
3D线激光轮廓传感器采用三角测量原理的线激光成像技术、优化的光学设计和蓝色或者红色激光,使传感器在扫描光泽表面和低对比度物体表面上能够获得更清晰、高重复性以及可靠的 3D 数据,同时适应金属检测对象的表面状态。
3D在线检测***的软件部分由多个模块组成,是整个检测***的核心,分别为DPU模块,检测服务模块,数据存储模块及终端 HMI,整个通讯架构基于ICE。
DPU模块主要功能是从3D传感器处获取点云数据,然后对图像进行缺陷检测,检测完成后,DPU 将检测结果反馈至检测服务器,并将该图像缓存在本地内存,等待检测服务器的通知来对图像进行保存到硬盘或者抛弃,DPU提供文件上传服务,将外部请求的图像文件传送到目的地址,同时,DPU提供定时状态诊断功能,将本机的 CPU、内存和硬盘使用率定时汇报给检测服务器。
检测服务模块主要功能分为两个部分,一是信号监控部分,二是缺陷处理部分。缺陷处理部分主要是负责同步各个DPU的缺陷反馈结果,并通知 DPU是放弃该图或将该图缺陷信息上传至检测服务器,然后将上传的缺陷信息存入检测服务器上的数据库,并通知终端该缺陷信息;同时,检测服务器监控每个 DPU 的状态。
数据存储模块的主要功能是根据检测服务器的策略或用户通过手动,将 DPU中的缓存图像传送至存档服务器。同时本机运行文件获取服务,允许外部通过安全连接的方式获取本机某路径下的历史缺陷图像,同时,对于某段时间之前的历史图像,若其格式为无损压缩,则将其转化为有损压缩进行存储,从而节省硬盘空间。
终端HMI主要功能是显示生产信息以及最新的缺陷检测数据,包括来料信息、缺陷信息、缺陷等级、3D 信息的各类展示图,能够基于HMI查看关注缺陷的深度信息、缺陷分布、类别等。客户也可以基于HMI调阅历史数据或者对于数据进行导出。终端还能够显示3D 缺陷信息及对应的 2D 缺陷图。
本申请中的图像处理算法同时兼顾了3D缺陷的深度检测需求以及2D 图像检测的深度学习分类模式,***采用优先处理3D缺陷检测的方式进行缺陷识别,对于识别后的3D缺陷同步采集2D灰度图像数据,进行特定处理,设定了多个逻辑及维度的缺陷二次分类及过滤策略,用于有效的过滤伪缺陷,同时3D+2D的缺陷展示方式,便于客户观察及验证实际缺陷。3D检测与2D检测相结合的双层处理架构,能够适应高速生产下的检测要求,保证在最短时间内的点云数据输出,同时每帧图像完成图像采集、边缘检测及目标检测,并将含有疑似缺陷的图像存入图像缓存,反之删除,然后对于缓存队列中的疑似目标图像进行进一步处理,包括缺陷分割、图像保存、特征提取、分类及图像后处理。
本申请能够通过标准的配置界面自定义报警规则,***检测出设定的报警缺陷时,自动报警(声光报警或画面报警),可选择通过 I/O 输出开关量作为生产制动信号。
本申请实施例中,相机型号:LMI-Gotator 系列相机。相机采集到的数据形式:1.根据设置的采样频率以及X,Y,Z三个方向的分辨率,将被扫描区域三维空间中各点坐标按照先逐行后逐列的方式进行数据传输,获得任一采样点三维坐标。(点云模式)2.激光线扫过一段距离后将被测物体延激光线平面的轮廓数据导出(轮廓模式)两种模式下均可获得所采集数据点的亮度值(Intensity value)。采集过程:针对该样件可能出现的缺陷,利用操作台使得样件旋转,并使相机激光线沿着平行于样件轴心方向进行扫描,得到被扫描样件沿着轴心的切面情况,扫描过程结束后得到三维平面。
本申请的电气***集成相应光源、成像设备、三电设备控制设备。为保证各类设备无缝连接并完成设定功能,电气集成将选用专用接口设备保证远距离、高速、海量图像数据传输的稳定性和可靠性。选用专用电缆、光缆及网络连接设备保证相机等图像采集设备与表面检测组件间的数据连接,保证表面检测组件与通用服务器数据通讯连接。
本申请的机械机构主要是起到除尘隔热防护、承载各类核心检测原件,同时具备在机械装置内的精密可调整。机械机构必须具备足够的强度、隔热防尘、抗震性,内部温度监控功能。
相机调节机构设计:为了保证3D传感器成像位置与光学设计一致,成像必须在设定角度下可调旋转或俯仰角度,可调范围是±10 度,旋转角±180度,调节角度为线性变化,可根据现场实际需求调节到任意角度。摄像机可沿光轴旋转。实现摄像机的多自由度精密调节;根据多自由度的调节要求,每个自由度设计独立的蜗轮蜗杆调节机构,并设有锁紧装置,适应现场震动环境。
吹扫及冷却方式:保证传感器检测箱体内的相机、光源、电气***部件的稳定工作,***设计了冷干机对于箱体内部的元器件进行冷却,确保***稳定工作。同时,***配置的多层次过滤的轴流送风机及特定的开口角度设计,用于检测窗口的吹扫,防止生产过程中的粉尘积落在检测窗口,提高维护的便捷度。
本申请基于3D线激光轮廓图像传感器,以非接触方式,动态实时获取辊面Profile(轮廓)的点云数据、以专门针对涂覆辊工作中产生的辊面缺陷采用定制的算法处理图像数据,获取目标图像的表面特征及深度信息,进行AI深度学***。
机电设计及冷却***,箱体密闭性和防护性适合钢铁生产现场的恶劣环境、确保设备稳定性工作和快捷维护操作。***预留通讯接口用于将图像数据、缺陷信息、等级信息等数据上传用户质量管理平台,用于后续数据挖掘应用。
本申请中,检测方式为实时在线、连续性、非接触式、高度自动化及智能化检测识别,能够将涂敷辊面的异常状态清晰成像,同时基于profile数据获取所需的3D高度信息,同时数据传输实时性强,低延时,满足现场的高精度质量控制要求。
在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
以上介绍仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种采用3D线激光轮廓技术的涂敷辊面缺陷检测***,其特征在于,包括3D成像单元和处理单元;
所述3D成像单元包括3D线激光轮廓图像传感器,用于以预设周期T定期扫描在线运动中的涂覆辊,获取辊面图像数据,将辊面图像数据发送给所述处理单元;
所述处理单元用于:预处理所述辊面图像;运用图像处理算法,对所述辊面图像数据进行智能分析,以识别辊面缺陷及判定缺陷等级。
2.根据权利要求1所述采用3D线激光轮廓技术的涂敷辊面缺陷检测***,其特征在于,所述3D成像单元用于:
通过3D线激光轮廓图像传感器以预设周期T定期扫描在线运动中的涂覆辊,获取3D轮廓数据及2D灰度图像;
所述处理单元用于:
优先处理分析3D轮廓数据,以识别缺陷,当识别出缺陷时,同步采集分析2D灰度图像,进行图像分割、特征提取、目标检测,以识别缺陷。
3.根据权利要求2所述采用3D线激光轮廓技术的涂敷辊面缺陷检测***,其特征在于,所述处理单元包括缺陷曲面分割模块,所述缺陷曲面分割模块用于:三维点云数据最终是以多行轮廓的形式输出,检测出每条轮廓的拐点,求多条轮廓检测出的对应位置的拐点列索引值的平均值即可得到分割三维平面的切面;
从轮廓数据求得拐点:
对于每条轮廓,轮廓上各点的横纵坐标均能够获得,对于点I,求取索引i前5点以及索引i后5点平均值作为统计结果,计算该点I的纵向梯度,求得每一条轮廓纵坐标梯度变化最大的前4个点即为轮廓的拐点。
4.根据权利要求1-3任一项所述采用3D线激光轮廓技术的涂敷辊面缺陷检测***,其特征在于,所述处理单元包括分割后曲面缺陷检测模块,所述分割后曲面缺陷检测模块用于:
通过最小二乘法对各个曲面进行拟合;
将拟合平面与实际分割平面数据点进行对比以检测出缺陷点。
5.根据权利要求4所述采用3D线激光轮廓技术的涂敷辊面缺陷检测***,其特征在于,所述分割后曲面缺陷检测模块用于:
初始化一个系数矩阵和结果矩阵;
判断所述系数矩阵是否为奇异矩阵;
求解逆矩阵,拟合后将平面方程Ax + By + Cz + D = 0中的A、B、C、D四个系数依次求解出来。
6.根据权利要求4所述采用3D线激光轮廓技术的涂敷辊面缺陷检测***,其特征在于,所述分割后曲面缺陷检测模块用于:
将每一块区域分块进行拟合,对分割后得到的区域按照100*100的区域进行拟合,将采样点100*100的区域块进行曲面拟合,不足100的样点区域则以对100求余的结果进行拟合,这样分别对每一块所构成的三维平面进行拟合;
计算拟合后的平面与实际样点的距离,将距离最大的前20%数据点舍弃,在剩下的数据点基础上继续进行平面拟合,最后通过多次迭代,让余下的数据点尽可能的多的位于一个平面上,有一个迭代优化的过程,最终得到该像素块样点的平面拟合方程Ax + By + Cz +D = 0,最后利用该拟合方程筛出可能的缺陷点。
7.根据权利要求1-3中任一项所述采用3D线激光轮廓技术的涂敷辊面缺陷检测***,其特征在于,3D线激光轮廓传感器采用三角测量原理的线激光成像技术、优化的光学设计和蓝色或者红色激光。
8.根据权利要求1-3中任一项所述采用3D线激光轮廓技术的涂敷辊面缺陷检测***,其特征在于,还包括报警单元,用于:检测出预设级别的缺陷时,发出报警信息,报警方式包括声光报警或画面报警。
9.根据权利要求1-3中任一项所述采用3D线激光轮廓技术的涂敷辊面缺陷检测***,其特征在于,所述处理单元还用于对辊面图像进行图像重建、图像变换、图像增强、恢复和校正的预处理。
10.根据权利要求1-3中任一项所述采用3D线激光轮廓技术的涂敷辊面缺陷检测***,其特征在于,还包括终端,所述终端用于显示生产信息以及最新的缺陷检测数据,包括来料信息、缺陷信息、缺陷等级、3D 信息的各类展示图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210267004.0A CN114596301A (zh) | 2022-03-18 | 2022-03-18 | 一种采用3d线激光轮廓技术的涂敷辊面缺陷检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210267004.0A CN114596301A (zh) | 2022-03-18 | 2022-03-18 | 一种采用3d线激光轮廓技术的涂敷辊面缺陷检测*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114596301A true CN114596301A (zh) | 2022-06-07 |
Family
ID=81819498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210267004.0A Pending CN114596301A (zh) | 2022-03-18 | 2022-03-18 | 一种采用3d线激光轮廓技术的涂敷辊面缺陷检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114596301A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114820613A (zh) * | 2022-06-29 | 2022-07-29 | 深圳市瑞亿科技电子有限公司 | 一种smt贴片加工用来料测量及定位方法 |
CN116342539A (zh) * | 2023-03-22 | 2023-06-27 | 深圳市康士达科技有限公司 | 一种机器视觉环境快速构建方法、装置及介质 |
-
2022
- 2022-03-18 CN CN202210267004.0A patent/CN114596301A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114820613A (zh) * | 2022-06-29 | 2022-07-29 | 深圳市瑞亿科技电子有限公司 | 一种smt贴片加工用来料测量及定位方法 |
CN114820613B (zh) * | 2022-06-29 | 2022-10-28 | 深圳市瑞亿科技电子有限公司 | 一种smt贴片加工用来料测量及定位方法 |
CN116342539A (zh) * | 2023-03-22 | 2023-06-27 | 深圳市康士达科技有限公司 | 一种机器视觉环境快速构建方法、装置及介质 |
CN116342539B (zh) * | 2023-03-22 | 2023-12-12 | 深圳市康士达科技有限公司 | 一种机器视觉环境快速构建方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109580630B (zh) | 一种机械零部件缺陷的视觉检测方法 | |
CN114596301A (zh) | 一种采用3d线激光轮廓技术的涂敷辊面缺陷检测*** | |
CN108288288B (zh) | 基于视觉识别的精密轴尺寸测量方法、装置和*** | |
GB2573429A (en) | Method for detecting degree of development of asphalt pavement fracture based on infrared thermal image analysis | |
CN109490316A (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
CN112184648A (zh) | 一种基于深度学习的活塞表面缺陷检测方法及*** | |
CN114581805A (zh) | 一种采用3d线激光轮廓技术的涂敷辊面缺陷检测方法 | |
CN107742307A (zh) | 基于改进帧差法的输电线路舞动特征提取及参数分析方法 | |
CN102441581A (zh) | 基于机器视觉的型钢断面尺寸在线检测的装置及方法 | |
CN110853018B (zh) | 一种基于计算机视觉的振动台疲劳裂纹在线检测***及检测方法 | |
CN113362276B (zh) | 板材视觉检测方法及*** | |
CN110634128A (zh) | 一种球头销尺寸检测方法、装置、计算机设备及存储介质 | |
CN117350967B (zh) | 一种基于光学检测晶圆外观缺陷检测***及其方法 | |
CN110864635A (zh) | 一种纵剪机用在线厚度检测***及方法 | |
CN111539951B (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
CN113450315A (zh) | 棒材计数方法、装置及分钢*** | |
CN110763688B (zh) | 一种盲孔多余物检测***及方法 | |
CN112541478A (zh) | 一种基于双目摄像头的绝缘子串污损检测方法及*** | |
CN108180871A (zh) | 一种定量评价复合绝缘子表面粉化粗糙度的方法 | |
CN114820611B (zh) | 基于人工智能的机械零件质量评估方法及*** | |
CN111475016A (zh) | 一种基于计算机视觉的装配过程几何参数自适应测量***及方法 | |
CN210773933U (zh) | 一种产品外观在线检测装置 | |
CN114332069B (zh) | 一种基于机器视觉的接插件检测方法及装置 | |
CN115546716A (zh) | 一种基于双目视觉的输电线路周边火灾源头定位方法 | |
CN112097693A (zh) | 一种基于无人机的直线度测量***及方法 |
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 |