CN115435684A - 一种尺寸缺陷检测方法、装置、设备及存储介质 - Google Patents

一种尺寸缺陷检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115435684A
CN115435684A CN202211218094.0A CN202211218094A CN115435684A CN 115435684 A CN115435684 A CN 115435684A CN 202211218094 A CN202211218094 A CN 202211218094A CN 115435684 A CN115435684 A CN 115435684A
Authority
CN
China
Prior art keywords
image
detection
size
defect
camera
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
CN202211218094.0A
Other languages
English (en)
Inventor
张向南
刘泽霖
谢松
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.)
China South Industries Group Automation Research Institute
Original Assignee
China South Industries Group Automation Research Institute
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 China South Industries Group Automation Research Institute filed Critical China South Industries Group Automation Research Institute
Priority to CN202211218094.0A priority Critical patent/CN115435684A/zh
Publication of CN115435684A publication Critical patent/CN115435684A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw 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
    • G06T7/11—Region-based segmentation
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0106—General arrangement of respective parts
    • G01N2021/0112—Apparatus in one mechanical, optical or electronic block
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/20—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]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种尺寸缺陷检测方法、装置、设备及存储介质，该方法可以将尺寸检测耦合到缺陷检测流程中，利用尺寸检测流程中拍摄的高对比度图像，使用传统算法快速进行前景背景的分离，提取出药条的区域图像，将其和缺陷检测拍摄图像差分后作为缺陷检测的输入图像并用以构建数据集、训练深度学习模型，从而得到了误检率和漏检率大大减低且兼顾检测速度的方法。尺寸检测和缺陷检测的耦合的方法优化参数和超参数，大大提升了检测质量。解决了传统发射药生产工艺中人工识别导致的产品质量波动性大，劳动强度大，误检、错检率高，产能低，实时性差，同时存在一定安全隐患等问题。

Description

一种尺寸缺陷检测方法、装置、设备及存储介质
技术领域
本发明涉及技术领域，特别是涉及一种可实现发射药条成型在线检测以及检测准确率高的尺寸缺陷检测方法、装置、设备及存储介质。
背景技术
我国发射药生产工艺一直采用建厂时期的工艺技术及设备，近年来针对火***制备行业也进行了综合性技改和科研公关，但并没有改变原有生产模式，产品质量在线检测都需要人工完成，成型的发射药在皮带线上传输，工人从旁边通过肉眼重复的检测，人眼劳动强度大，工人长时间不休息，极易疲劳，很容易出现错检、漏检，甚至会将致命的缺陷漏检，造成极大的质量安全隐患，同时药条挥发的毒气及有害气体，严重威胁到工人身体健康。
目前我国多数生产发射药火***厂生产线采用单螺杆4组发射药药条同时成型工艺，随着科技的发展，在质量检测方式中采用视觉检测代替人工检测被广泛采用。但现有技术中视觉检测存在药条拍摄背景很难分离，容易出现干扰。在软件算法上,现有视觉检测技术中存在以下缺点:传统算法对于划痕、毛刺等大多数缺陷无法识别，而基于深度学习的算法由于图像前景光照条件各不相同、背景画面各不相同，难以准确分离出药条本体，从而导致缺陷检测误检率、漏检率高，同时检测速度慢。
因此，如何提供一种误检、错检率低、产能高且实时性好的尺寸缺陷检测方法，是迫切需要本领域技术人员解决的技术问题。
发明内容
鉴于上述问题，本发明提供用于克服上述问题或者至少部分地解决上述问题的一种尺寸缺陷检测方法、装置、设备及存储介质，解决了发射药条成型传统方法生产过程依靠人工经验在线检测成型质量一致性差、误检错检率高、产能低、实时性差、生产安全性不足等问题。
本发明提供了如下方案：
一种尺寸缺陷检测方法，包括：
接收图像获取组件发送的药条的尺寸检测图像，所述图像获取组件包括相机以及光源，所述相机与所述光源分别位于药条的两侧，所述相机与所述光源相对布置，所述相机获取所述尺寸检测图像时所述光源用于向所述药条提供背景光；
通过所述药条区域图像判断所述药条是否存在尺寸不合格；
如果是，则确定所述药条不合格；
如果否，接收图像获取组件发送的药条的缺陷检测图像，所述相机获取所述缺陷检测图像时向所述药条提供前景光；
通过所述尺寸检测图像获取药条区域图像；
将所述药条区域图像与所述缺陷检测图像作差分处理获得药条的分离图像；
采用图像分类神经网络模型以及所述分离图像确定是否存在质量缺陷。
优选地：所述通过所述药条区域图像判断所述药条是否存在尺寸不合格，包括：
使用Threshold算法对所述尺寸检测图像进行阈值分割，得到只有黑白二色的尺寸二值图像；
对所述尺寸二值图像作边缘提取获得所述药条的两条边缘曲线，计算两条所述边缘曲线的最大、最小距离得到尺寸检测结果；
根据所述尺寸检测结果判断所述药条是否存在尺寸不合格。
优选地：所述通过所述尺寸检测图像获取药条区域图像，包括：
对所述尺寸二值图像做开运算和闭运算，得到平滑的区域分割范围，通过位置和面积从其中筛选出所述药条的区域获得所述药条区域图像。
优选地：所述采用图像分类神经网络模型以及所述分离图像确定是否存在尺寸不合格以外的质量缺陷，包括：
采用基于MobileNetV2骨架网络构建的所述图像分类神经网络模型以及所述分离图像进行深度学习运算确定是否存在质量缺陷。
一种尺寸缺陷检测装置，包括：
图像获取组件组，所述图像获取组件组包括若干上述图像获取组件；所述图像获取组件沿药条的周向均匀分布；
视觉计算机，所述视觉计算机与所述图像获取组件可通信相连；
PLC控制***，所述PLC控制***与所述视觉计算机以及所述图像获取组件可通信相连，所述PLC控制***用于向所述视觉计算机发送检测指令并接收所述视觉计算机返回的尺寸检测以及缺陷检测结果。
优选地：所述检测指令包括***指令协议包，所述***指令协议包包括尺寸检测用相机号加字母形式的协议包以及缺陷检测用相机号加固定数字加字母形式的协议包；以便所述视觉计算机根据所述***指令协议包包含的所述相机号调用单台拍照公用程序包通过所述相机号对应的所述相机进行相应的尺寸检测以及缺陷检测。
优选地：所述图像获取组件组包括三个所述相机以及三个所述光源，三个所述相机两两之间成120°夹角沿所述药条的周向在同一安装面均匀分布，三个所述光源一一对应的分布于两个所述相机之间且一一对应的与三个所述相机相对布置。
优选地：所述图像获取组件组包括多组，多组所述图像获取组件组一一对应的与多根所述药条相对布置。
一种尺寸缺陷检测设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行上述的尺寸缺陷检测方法。
一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述的尺寸缺陷检测方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本申请实施例提供的一种尺寸缺陷检测方法、装置、设备及存储介质，该方法可以将尺寸检测耦合到缺陷检测流程中，利用尺寸检测流程中拍摄的高对比度图像，使用传统算法快速进行前景背景的分离，提取出药条的区域图像，将其和缺陷检测拍摄图像差分后作为缺陷检测的输入图像并用以构建数据集、训练深度学习模型，从而得到了误检率和漏检率大大减低且兼顾检测速度的方法。尺寸检测和缺陷检测的耦合的方法优化参数和超参数，大大提升了检测质量。解决了传统发射药生产工艺中人工识别导致的产品质量波动性大，劳动强度大，误检、错检率高，产能低，实时性差，同时存在一定安全隐患等问题。
另外，在优选的实施方式下，本申请提供的装置中每台相机均可以准确分离出干涉背景；对多根药条可以同时进行360°全方位无死角在线实时检测。通过对多组相机同步控制，将图像获取组件组作为独立任务，缩短了检测时间；每组相机采用轮询检测模式，完成了12台视觉相机对发射药的尺寸检测和缺陷快速有效实时切换检测功能，软件上对药条尺寸和缺陷进行联合检测，将尺寸检测分离得到的药条区域图片用于缺陷检测，使得缺陷检测达到极高的准确率。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种尺寸缺陷检测方法的流程图；
图2是本发明实施例提供的一种尺寸缺陷检测装置的结构示意图；
图3是本发明实施例提供的单组图像获取组件组包含的相机与光源布局示意图；
图4是本发明实施例提供的一种尺寸缺陷检测装置的控制***简图；
图5是本发明实施例提供的包含多组图像获取组件组时检测方法流程图；
图6是本发明实施例提供的药条1尺寸缺陷检测子流程图；
图7是本发明实施例提供的药条2尺寸缺陷检测子流程图；
图8是本发明实施例提供的包含多组图像获取组件组时尺寸缺陷检测算法流程图。
图中：图像获取组件组10、药条1、相机2、光源3、视觉计算机4、PLC控制***5。
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的一部分实施例，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所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，为本发明实施例提供的一种尺寸缺陷检测方法，如图1所示，该方法可以包括：
S101：接收图像获取组件发送的药条的尺寸检测图像，所述图像获取组件包括相机以及光源，所述相机与所述光源分别位于药条的两侧，所述相机与所述光源相对布置，所述相机获取所述尺寸检测图像时所述光源用于向所述药条提供背景光；
S102：通过所述药条区域图像判断所述药条是否存在尺寸不合格；具体的，使用Threshold算法对所述尺寸检测图像进行阈值分割，得到只有黑白二色的尺寸二值图像；
对所述尺寸二值图像作边缘提取获得所述药条的两条边缘曲线，计算两条所述边缘曲线的最大、最小距离得到尺寸检测结果；
根据所述尺寸检测结果判断所述药条是否存在尺寸不合格。
S103：如果是，则确定所述药条不合格；
S104：如果否，接收图像获取组件发送的药条的缺陷检测图像，所述相机获取所述缺陷检测图像时向所述药条提供前景光；
S105：通过所述尺寸检测图像获取药条区域图像；具体的，对所述尺寸二值图像做开运算和闭运算，得到平滑的区域分割范围，通过位置和面积从其中筛选出所述药条的区域获得所述药条区域图像。
S106：将所述药条区域图像与所述缺陷检测图像作差分处理获得药条的分离图像；
S107：采用图像分类神经网络模型以及所述分离图像确定是否存在尺寸不合格以外的质量缺陷。具体的，采用基于MobileNetV2骨架网络构建的所述图像分类神经网络模型以及所述分离图像进行深度学习运算确定是否存在质量缺陷。
本申请实施例提供的尺寸缺陷检测方法，首先可以通过尺寸检测确定药条是否存在尺寸不合格，如果存在尺寸不合格则直接将其划分为不合格产品，不再进行后续的质量缺陷检测，这样可以快速排除存在尺寸不合格的药条，不会出现对尺寸不合格药条进行质量检测所做的无用功，达到提高检测效率的问题。当尺寸检测合格后通过将尺寸检测耦合到缺陷检测流程中，利用尺寸检测流程中拍摄的高对比度图像，使用传统算法快速进行前景背景的分离，提取出药条的区域图像，将区域图像和缺陷检测拍摄图像差分后获得的分离图像作为图像分类神经网络模型的缺陷检测的输入图像，从而得到了误检率和漏检率大大减低且兼顾检测速度的方法。
本申请实施例提供的图像获取组件包括一个相机以及一个光源，该光源与相机分布于药条的两侧且相对布置，相机对面放置光源，光源可挡住其他药条进入相机视野范围内，对其进行检测干扰。
同时在获取尺寸检测图像时所述光源用于向所述药条提供背景光，该背景光可以用于创建明亮的背景，而不透明的药条可以形成一个对比强烈的黑暗区域。有利于获取药条的轮廓图像，轮廓是一个容易处理的图像，因为它是二维和二值的方便对药条尺寸是否存在尺寸不合格进行判断。
另外，本申请实施例提供的方法中，在获取缺陷检测图像可以向药条提供前景光，该前景光可以采用多种不同的方式提供，只要保证光源与相机位于药条的同一侧即可。前景光有助于显示药条的表面细节特征，保证获得的缺陷检测图像可以显现出药条的各种表面细节特征。
本申请实施例提供的方法，在进行尺寸和缺陷检测时，先对尺寸进行检测，得到药条区域图像，再与缺陷检测图像做差分处理，得到药条分离图像，运用深度学习算法，可实现较高准确率的缺陷检测，该方法可有效降低缺陷检测的误检率。
参见图2，本申请实施例还可以提供一种尺寸缺陷检测装置，包括：
图像获取组件组10，所述图像获取组件组包括若干上述的图像获取组件；所述图像获取组件沿药条的周向均匀分布；
视觉计算机4，所述视觉计算机4与所述图像获取组件可通信相连；
PLC控制***5，所述PLC控制***5与所述视觉计算机1以及所述图像获取组件可通信相连，所述PLC控制***5用于向所述视觉计算机4发送检测指令并接收所述视觉计算机返回的尺寸检测以及缺陷检测结果。
进一步的，所述检测指令包括***指令协议包，所述***指令协议包包括尺寸检测用相机号加字母形式的协议包以及缺陷检测用相机号加固定数字加字母形式的协议包；以便所述视觉计算机根据所述***指令协议包包含的所述相机号调用单台拍照公用程序包通过所述相机号对应的所述相机进行相应的缺陷检测。
本申请实施例提供的图像获取组件组可以包括多个相机2以及多个光源3，例如，在一种实现方式下，如图3所示，所述图像获取组件组包括三个所述相机2以及三个所述光源3，三个所述相机2两两之间成120°夹角沿所述药条的周向在同一安装面均匀分布，三个所述光源3一一对应的分布于两个所述相机2之间且一一对应的与三个所述相机2相对布置。
同时，在实际应用中，所述图像获取组件组10可以包括多组，多组所述图像获取组件组一一对应的与多根所述药条相对布置。多组图像获取组件组可以用于对多根药条进行尺寸检测以及缺陷检测。
下面以设置四组图像获取组件组且每组包括三个相机以及三个光源为例，对本申请实施例提供的装置进行详细说明。
本申请实施例提供的装置提供的每台相机均可以准确分离出干涉背景；发射药火***厂生产线采用单螺杆4组发射药药条同时成型工艺，4组药条每组都需要360°全方位无死角在线实时检测，为此本申请实施例提供的装置需提升单台相机拍照效率并快速有效地转换多套视觉相机尺寸和缺陷的在线实时检测。
本申请实施例提供的装置可以将尺寸检测耦合到缺陷检测流程中，利用尺寸检测流程中拍摄的高对比度图像，使用传统算法快速进行前景背景的分离，提取出药条的区域图像，将其和缺陷检测拍摄图像差分后作为缺陷检测的输入图像并用以构建数据集、训练深度学习模型，从而得到了误检率和漏检率大大减低且兼顾检测速度的方法。尺寸检测和缺陷检测的耦合的方法优化参数和超参数，大大提升了检测质量。解决了传统发射药生产工艺中人工识别导致的产品质量波动性大，劳动强度大，误检、错检率高，产能低，实时性差，同时存在一定安全隐患等问题。
该装置包括药条成型360°全方位无死角检测用的4组图像获取组件组，如图4所示，图像获取组件组包括10-1、10-2、10-3、10-4。通过每组药条设置3台相机，布局每组中两两相机夹角120°，夹角间配置光源，共12台视觉相机完成了对4组药条成型全方位无死角检测功能。通过对4组相机同步控制，将图像获取组件组作为独立任务，缩短了检测时间；每组相机采用轮询检测模式，完成了12台视觉相机对发射药的尺寸检测和缺陷快速有效实时切换检测功能，软件上对药条尺寸和缺陷进行联合检测，将尺寸检测分离得到的药条区域图片用于缺陷检测，使得缺陷检测达到极高的准确率。
该装置由12台相机、12个光源组成。单组药条由3台相机、3个光源组成，共4组药条，药条检测都是在线实时检测尺寸和缺陷，且4组药条检测间相对独立。参见图5。
现场药条质量通过视觉相机拍照采集，采集的数据通过计算机视觉算法运算后将检测结果发送至PLC控制***中，PLC控制***将计算结果判断后显示至上位机***或控制其他相机。因此，信息交互包括视觉相机与计算机间，计算机与PLC控制***间，PLC控制***负责信号的收发，视觉计算机主要是对PLC下达的指令进行解析，解析后直接对相机进行操作、运算。
参见图8，具体工作过程如下：
S1：4组发射药条独立成型，单组发射药条在线检测采用3个相机分别夹角120°，这3个相机视野范围可以实现360°无死角检测。每单台相机对面放置光源，光源也可挡住其他药条进入相机视野范围内，对其进行检测干扰。每组药条检测方式相同，因此4组在空间安装中，错开排列检测，做到互不影响，相对独立。
S2：建立12台相机与视觉计算机的通讯连接，可以实现实时拍照，获得现场拍照信息。
S3：建立PLC控制***与视觉计算机的TCPIP通讯连接，调用连接指令，连接成功后，设定彼此间的通讯协议内容，如当发送'01OKOK OR NONO'指令至视觉计算机时，视觉计算机接收到该信息则判定为图像获取组件组1的1号相机尺寸检测命令。将工位光源切换到背景光，并进行拍照得到尺寸检测图像。
S4：使用Threshold算法对尺寸检测图像进行阈值分割，得到只有黑白二色的二值图像。对尺寸二值图像作边缘提取，得到药条的边缘曲线，计算两曲线的最大、最小距离得到尺寸检测结果。对尺寸二值图片做开运算和闭运算，得到平滑的区域分割范围，通过位置和面积从其中筛选出药条的区域，得到药条区域图像。
S5：得到'01OKOK'为1号相机拍摄结果尺寸合格，得到'01NONO'为1号相机拍摄结果尺寸不合格；当发送'21OKOK OR NONO'指令至视觉计算机时，视觉计算机接收到该信息则判定为图像获取组件组1的1号相机缺陷检测命令，将工位光源切换到前景光，并进行拍照得到缺陷检测图像。可以理解的是，该前景光可以由图像获取组件组1的2号相机以及3号相机对应的光源提供，还可以是1号相机自带的闪光灯光源。
S6：将步骤S4得到的药条区域图像和步骤S5得到的缺陷检测图像作差分处理，得到单独的药条分离图像。
S7：采集大量的步骤S6中的药条分离图像，并进行筛选，将图像分类，制作成深度学习数据集。使用MobileNetV2骨架网络构建图像分类神经网络模型，训练上述的数据集，收敛后得到最佳网络参数。
S8：装置运行时，使用步骤S7得到的网络参数，对S6得到的药条分离图像进行深度学习运算，得到缺陷检测分类结果。
S9：得到'21OKOK'为1号相机拍摄结果缺陷合格，得到'21NONO'为1号相机拍摄结果缺陷不合格；以此类推，最终获得视觉计算机与PLC控制***的指令协议包。
S10：将包含指令协议包的单台相机拍照程序作为一个公用子程序包。该程序通过赋值确定拍照相机号，发送该号相机检测指令至视觉计算机，计算机经计算，得到拍照结果。
S11：建立图像获取组件组(药条号)尺寸缺陷检测子流程，以图像获取组件组1为例，如图6所示，通讯连接，连接成功，开光源1关光源2关光源3，赋值1号相机进行尺寸检测(N＝1)，调用单台拍照公用程序包，完成了1号相机尺寸检测，且得到尺寸检测结果，若不合格，则终止程序，若合格则赋值1号相机进行缺陷检测(N+20＝21),调用单台拍照公用程序包，完成了1号相机缺陷检测，得到缺陷检测结果，若不合格，则终止程序，若合格则变换光源，赋值2号相机进行上述操作。最终得到所有相机拍照结果均合格时，图像获取组件组1则拍照结果合格，若有一项不合格，则视为不合格，终止程序。依此类推，如图7所示，其他图像获取组件组检测原理相同。
S12：将得到的4组图像获取组件组作为任务，可以同时运行在PLC***中，不能作为子程序或者中断程序，将无法实现实时检测。作为PLC控制***中独立任务，可实现实时在线检测。
该装置中4组药条对应设置了4个图像获取组件组，其中，不仅限于4个图像获取组件组，可扩展为多个图像获取组件组，建立的视觉计算机与PLC控制***指令协议包，其中尺寸检测采用相机号加字母形式，缺陷检测采用相机号加固定数字加字母形式；包含单台拍照公用程序包，该程序包通过赋值确定拍照相机号，发送该号相机检测指令至视觉计算机，计算机经计算，得到拍照结果；包含图像获取组件组子流程，先赋值确定拍照相机号，并决定尺寸检测或是缺陷检测，调用单台拍照公用程序包，得到检测结果。包含多组药条作为独立任务检测，可实现实时在线检测。
本申请实施例提供的装置，还可以通过建立的指令协议包、图像获取组件组子流程，将图像获取组件组作为PLC控制***的独立任务，实现了实时在线同步检测，缩短了检测时间，采用轮询检测模式，先检测尺寸再检测缺陷，实现了尺寸和缺陷检测，大大提高了检测质量。
本申请实施例还可以提供一种尺寸缺陷检测设备，该设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行上述的尺寸缺陷检测方法。
本申请实施例还可以提供一种计算机可读存储介质，该计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述的尺寸缺陷检测方法。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加上必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***或***实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的***及***实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。

Claims (10)

1.一种尺寸缺陷检测方法，其特征在于，包括：
接收图像获取组件发送的药条的尺寸检测图像，所述图像获取组件包括相机以及光源，所述相机与所述光源分别位于药条的两侧，所述相机与所述光源相对布置，所述相机获取所述尺寸检测图像时所述光源用于向所述药条提供背景光；
通过所述药条区域图像判断所述药条是否存在尺寸不合格；
如果是，则确定所述药条不合格；
如果否，接收图像获取组件发送的药条的缺陷检测图像，所述相机获取所述缺陷检测图像时向所述药条提供前景光；
通过所述尺寸检测图像获取药条区域图像；
将所述药条区域图像与所述缺陷检测图像作差分处理获得药条的分离图像；
采用图像分类神经网络模型以及所述分离图像确定是否存在质量缺陷。
2.根据权利要求1所述的尺寸缺陷检测方法，其特征在于，所述通过所述药条区域图像判断所述药条是否存在尺寸不合格，包括：
使用Threshold算法对所述尺寸检测图像进行阈值分割，得到只有黑白二色的尺寸二值图像；
对所述尺寸二值图像作边缘提取获得所述药条的两条边缘曲线，计算两条所述边缘曲线的最大、最小距离得到尺寸检测结果；
根据所述尺寸检测结果判断所述药条是否存在尺寸不合格。
3.根据权利要求2所述的尺寸缺陷检测方法，其特征在于，所述通过所述尺寸检测图像获取药条区域图像，包括：
对所述尺寸二值图像做开运算和闭运算，得到平滑的区域分割范围，通过位置和面积从其中筛选出所述药条的区域获得所述药条区域图像。
4.根据权利要求1所述的尺寸缺陷检测方法，其特征在于，所述采用图像分类神经网络模型以及所述分离图像确定是否存在尺寸不合格以外的质量缺陷，包括：
采用基于Mobi leNetV2骨架网络构建的所述图像分类神经网络模型以及所述分离图像进行深度学习运算确定是否存在质量缺陷。
5.一种尺寸缺陷检测装置，其特征在于，包括：
图像获取组件组，所述图像获取组件组包括若干权利要求1至4任一项所述图像获取组件；所述图像获取组件沿药条的周向均匀分布；
视觉计算机，所述视觉计算机与所述图像获取组件可通信相连；
PLC控制***，所述PLC控制***与所述视觉计算机以及所述图像获取组件可通信相连，所述PLC控制***用于向所述视觉计算机发送检测指令并接收所述视觉计算机返回的尺寸检测以及缺陷检测结果。
6.根据权利要求5所述的尺寸缺陷检测装置，其特征在于，所述检测指令包括***指令协议包，所述***指令协议包包括尺寸检测用相机号加字母形式的协议包以及缺陷检测用相机号加固定数字加字母形式的协议包；以便所述视觉计算机根据所述***指令协议包包含的所述相机号调用单台拍照公用程序包通过所述相机号对应的所述相机进行相应的尺寸检测以及缺陷检测。
7.根据权利要求5所述的尺寸缺陷检测装置，其特征在于，所述图像获取组件组包括三个所述相机以及三个所述光源，三个所述相机两两之间成120°夹角沿所述药条的周向在同一安装面均匀分布，三个所述光源一一对应的分布于两个所述相机之间且一一对应的与三个所述相机相对布置。
8.根据权利要求5所述的尺寸缺陷检测装置，其特征在于，所述图像获取组件组包括多组，多组所述图像获取组件组一一对应的与多根所述药条相对布置。
9.一种尺寸缺陷检测设备，其特征在于，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的尺寸缺陷检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-4任一项所述的尺寸缺陷检测方法。
CN202211218094.0A 2022-09-30 2022-09-30 一种尺寸缺陷检测方法、装置、设备及存储介质 Pending CN115435684A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211218094.0A CN115435684A (zh) 2022-09-30 2022-09-30 一种尺寸缺陷检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211218094.0A CN115435684A (zh) 2022-09-30 2022-09-30 一种尺寸缺陷检测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115435684A true CN115435684A (zh) 2022-12-06

Family

ID=84251314

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211218094.0A Pending CN115435684A (zh) 2022-09-30 2022-09-30 一种尺寸缺陷检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115435684A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116399874A (zh) * 2023-06-08 2023-07-07 华东交通大学 剪切散斑干涉无损检测缺陷尺寸的方法和程序产品

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116399874A (zh) * 2023-06-08 2023-07-07 华东交通大学 剪切散斑干涉无损检测缺陷尺寸的方法和程序产品
CN116399874B (zh) * 2023-06-08 2023-08-22 华东交通大学 剪切散斑干涉无损检测缺陷尺寸的方法和程序产品

Similar Documents

Publication Publication Date Title
CN106770332B (zh) 一种基于机器视觉的电子模切料缺陷检测实现方法
CN108229665A (zh) 一种以深度卷积神经网络为基础的零件分拣***
CN107194559B (zh) 一种基于三维卷积神经网络的工作流识别方法
CN104951775B (zh) 基于视频技术的铁路道口防护区域安全智能识别方法
CN112871703B (zh) 一种智能管理选煤平台及其方法
CN106022386B (zh) 一种计算机识别与人工交互结合的生活垃圾目标识别***
CN111222478A (zh) 一种工地安全防护检测方法和***
CN108304839B (zh) 一种图像数据处理方法以及装置
CN112184648A (zh) 一种基于深度学习的活塞表面缺陷检测方法及***
CN115435684A (zh) 一种尺寸缺陷检测方法、装置、设备及存储介质
CN110560376B (zh) 一种产品表面缺陷检测方法及装置
CN114638797A (zh) 一种基于线阵相机的铜表面缺陷检测方法及装置
CN102879404B (zh) 工业结构化场景中医用胶囊缺陷自动检测的***
CN208092786U (zh) 一种以深度卷积神经网络为基础的零件分拣***
CN105844282A (zh) 一种运用线扫描相机检测喷油嘴O-Ring缺陷的方法
WO2023134286A1 (zh) 一种阴极铜在线质量自动检测分类方法
KR102391501B1 (ko) 딥러닝을 이용한 비정형 재활용품 분류 시스템 및 그 방법
CN107958253A (zh) 一种图像识别的方法和装置
CN117726991A (zh) 一种高空吊篮安全带检测方法及终端
JPWO2020149001A1 (ja) 情報処理装置、制御方法、及びプログラム
CN114264607B (zh) 基于机器视觉的瓷砖色差在线检测***与方法
CN114125435B (zh) 一种用于网络摄像机的图像缺陷智能检测方法
CN113618737A (zh) 一种用于工业平台的视觉识别***
Stankov et al. An application of deep neural networks in industrial robotics for detection of humans
Matić et al. Real time contour based ceramic tile edge and corner defects detection

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