CN115690387A - 一种基于图像识别的合金表面检测*** - Google Patents
一种基于图像识别的合金表面检测*** Download PDFInfo
- Publication number
- CN115690387A CN115690387A CN202211439342.4A CN202211439342A CN115690387A CN 115690387 A CN115690387 A CN 115690387A CN 202211439342 A CN202211439342 A CN 202211439342A CN 115690387 A CN115690387 A CN 115690387A
- Authority
- CN
- China
- Prior art keywords
- alloy surface
- image
- alloy
- value
- contour
- 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
-
- 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
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于图像识别的合金表面检测***,包括:合金表面图像采集单元,用于通过图像采集机器读取合金表面图像信息;合金表面图像识别提取单元,用于对合金表面图像信息进行预处理,获取合金表面灰度图并进行中值滤波降噪处理;通过边缘检测算法获得轮廓信息;分析单元,用于获取轮廓信息的结构特征,通过检测轮廓信息的结构特征对合金表面质量进行分析,通过检测轮廓的结构特征更便于掌握图像表面异常图像信息的问题,保证合金在制作过程中降低损耗率,便于提高对合金表面检测的***性把握。
Description
技术领域
本发明涉及合金表面图像识别技术领域,具体涉及一种基于图像识别的合金表面检测***。
背景技术
图像识别是指利用计算机对图像进行处理、分析及理解的过程,图像识别技术广泛运用在工业生产及产品加工中,其中利用图像识别技术在合金表面检测中得到了广泛的运用。
传统的金属表面检测行业通常是由人工检测或人工控制间接检测完成,现阶段利用图像识别对合金表面检测达到提高了检测的精确度、检测效率以及检测智能化的要求;但是图像识别技术运用在合金表面检测中仍存在一些问题,对于影响合金表面质量的一些因素缺少划分和界定,检测合金表面异常图像难以区分具体表面结构信息,并且检测过程缺少了进一步地掌握结构特征存在的具体问题,从而增加了筛选难度。
发明内容
本发明的目的在于提供一种基于图像识别的合金表面检测***,解决以下技术问题:
(1)如何根据合金表面结构信息对合金表面质量进行检测;
(2)怎样判定合金表面结构存在的具体问题。
本发明的目的可以通过以下技术方案实现:
一种基于图像识别的合金表面检测***,包括:
合金表面图像采集单元,用于通过图像采集机器读取合金表面图像信息;
合金表面图像识别提取单元,用于对合金表面图像信息进行预处理,获取合金表面灰度图并进行中值滤波降噪处理;通过边缘检测算法获得轮廓信息;
分析单元,用于获取轮廓信息的结构特征,通过检测轮廓信息的结构特征对合金表面质量进行分析。
在某些实施方式中,所述分析单元检测合金表面质量的具体步骤为:
S200、将异常图像轮廓结构值F与预设阈值F1和F2进行比对,其中F1<F2:
若F≤F1,则判断合金表面异常图像轮廓为细裂痕;
若F1<F<F2,则判断合金表面异常图像轮廓为粗裂痕;
若F≥F2,则判断合金表面异常图像轮廓为凹坑或者凸块。
在某些实施方式中,通过设置光照策略判断所述合金表面异常图像轮廓为凹坑或者凸块,具体检测步骤为:
S300、通过获取合金表面异常图像轮廓的灰度图,执行光照策略,获取在不同光照强度下对应的白色灰度像素占灰度图的所有像素比,形成变化曲线;
S400、通过变化曲线与预设标准曲线的形状进行比对:
若形状曲线与标准曲线相匹配,则合金表面异常轮廓为凸块;
若形状曲线与标准曲线不匹配,则合金表面异常轮廓为凹坑。
在某些实施方式中,所述合金表面图像采集单元还用于读取合金运输所在区域的坐标,具体工作过程为:
SSS100、通过确定摄像头行扫时序获取横坐标Xi;
SSS300、确定区域横坐标Xi及纵坐标Yi,得出合金表面异常的采集坐标点位,对所述采集坐标点位进行特征确定。
在某些实施方式中,对所述采集坐标点位的样本分析,选择合金表面异常图像的坐标点位与标准阈值进行比对:若在标准阈值范围内,则检测合格;反之,则不合格。
在某些实施方式中,所述分析单元还用于判断合金切割边缘是否准确,具体操作步骤如下:
SS100、获取切割边缘边界线上均匀分布n个点位;
SS200、分别计算n个点位与面域中心点的距离获取集合A,提取集合A中与标准集合S中的重合值C;
SS300、将重合值C与标准阈值进行比对:
若C在标准阈值范围内,则判定切割边缘合格;
若C不属于阈值范围,则判定切割边缘不合格。
在某些实施方式中,所述合金表面图像设别单元包括对目标位置的灰度值特征取样检测,设定灰度值D,将灰度值D与标准灰度阈值Detr进行比对:
若D∈Detr,则灰度值设定合理;
本发明的有益效果:
(1)本发明通过设置分析单元,保证在上一步获取的合金表面轮廓的基础上对合金表面异常图像的结构信息进行区判定,在生产合金等材料的过程中存在搬运、交接和转运过程,合金表面检测在工厂生产过程中是质检的一道重要工序,通常存在于合金表面异常结构包括划痕、凸块、凹坑等,本发明通过获取检测轮廓的最长边、最短边、轮廓周长及轮廓面积判定检测轮廓的检测质量;从而判断出合金表面异常结构特征是裂痕的粗细以及凹坑或者凸块,通过检测轮廓的结构特征更便于掌握图像表面异常图像信息的问题来源,保证合金在制作过程中降低损耗率,提高合金表面的检测精度。
(2)本发明通过设置光照策略对合金表面异常图像轮廓进行进一步地判定,光照策略测定不同等级的光照强度变化,并通过在相应的光照强度条件下,获取合金表面异常轮廓的灰度图像,统计在不同光照强度下的灰度图像中白色灰度占所测算范围的所有像素值的比值,通过记录不同光照强度下的比值形成变化曲线;由于凹坑反射的光较少,呈现的暗度较大,相对的白色灰度占比较少,而凸块反射的光较多,呈现的亮度较大,相对的白色灰度较多,由于凹坑和凸块的特征,通过变化曲线与预设标准曲线对应的形状进行比对,凸块对应的数值比值形成的曲线为预设标准曲线,通过与标准曲线的符合程度判断为凸块或者凹坑,通过设置光照策略,在不同光照强度条件下形成标准曲线,以便于更加全面的检测合金表面异常的具体结构类型。
(3)本发明通过设置对合金切割边缘的检测工序,主要还设置了合金表面分析单元进行分析,由于切割的合金板块或者形状是有规定的模板及形状标准,边缘形状到中心的距离有规定的尺寸,通过获取切割边缘的边界线上的点,计算点位到标准中心点位的距离,判断切割边缘是否合格,具体通过获取切割边缘边界线上均匀分布n个点位,然后计算n个点位与面域中心点的距离获取集合A,提取集合A中与标准集合S中的重合值C,再将重合值C与标准阈值进行比对判断是否在阈值范围内判断切割边缘是否符合要求,通过对切割边缘进行判断,能更加全面的判断合金表面质量水平和完善图像识别的精确度。
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的技术方案,下面将对实施例描述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讲,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为本发明一种基于图像识别的合金表面检测***的单元示意图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,一种基于图像识别的合金表面检测***,包括:
合金表面图像采集单元,用于通过图像采集机器读取合金表面图像信息;
合金表面图像识别提取单元,用于对合金表面图像信息进行预处理,获取合金表面灰度图并进行中值滤波降噪处理;通过边缘检测算法获得轮廓信息;
分析单元,用于获取轮廓信息的结构特征,通过检测轮廓信息的结构特征对合金表面质量进行分析。
通过上述技术方案:设置合金表面图像采集单元通过图像采集摄像机采集合金表面信息,通过筛选合金表面图像坐标定位位置信息合金模块,并将采集读取到的信息传输到读取卡中,进而及时收集并传送到摄像头计算机中,摄像头对合金表面信息进行实时获取和传输信息保证读取数据的稳定性;通过设置合金表面图像识别提取单元将读取到的合金表面异常信息进行分级预处理,首先改善原始图像的视觉呈现效果,通过提高图像的清晰度,排除干扰信息,将图像转换为易于分析和处理的模式;采用图像基于合金表面区域,利用中值滤波法调整像素,选择合适滤波器窗口大小,将图像中的像素奇数点领域内的像素值大小进行排序,达到去除孤立噪声的效果,增强图像检测效果,通过提取图像中检测对象与背景图像的分界线,采用局部图像微分技术获取边缘测算子,本采用Canny算法,方便获取图像边缘检测方向;设置分析单元,保证在上一步获取的合金表面轮廓的基础上对合金表面图像的结构信息进行区判定,在生产合金等材料的过程中存在搬运、交接和转运过程,合金表面检测在工厂生产过程中是质检的一道重要工序,而通常存在于合金表面异常结构包括划痕、凸块、凹坑等,本发明通过获取检测轮廓的最长边、最短边、轮廓周长及面积来判定检测轮廓的检测质量;通过检测轮廓的结构特征更便于掌握图像表面异常图像信息的问题来源,保证合金在制作过程中降低损耗率,提高合金表面检测精度。
分析单元检测合金表面质量的具体步骤为:
S200、将异常图像轮廓结构值F与预设阈值F1和F2进行比对,其中F1<F2:
若F≤F1,则判断合金表面异常图像轮廓为细裂痕;
若F1<F<F2,则判断合金表面异常图像轮廓为粗裂痕;
若F≥F2,则判断合金表面异常图像轮廓为凹坑或者凸块。
在本申请的一个具体实施例中,通过设定分析单元检测获取合金异常图像的轮廓特征,本申请可根据合金表面异常特征获取相应外轮廓参数,具体参数包括轮廓面最长边长度值、最短边长度值、轮廓周长值以及轮廓区域内的面积,通常合金表面伴裂痕和凸块及凹坑等,裂痕特征为最长边与最短边长度偏差大,且面积于周长偏差大,而凸块或者凹坑则是最长边与最短边偏差小,且面积大;因此通过公式:计算出异常图像轮廓结构值F,将异常图像轮廓结构值F与预设阈值F1和F2进行比对,能够初步判断对应的异常结构类型,便于加工过程中的调整与后期的维护修复处理。
通过设置光照策略判断合金表面异常图像轮廓为凹坑或者凸块,具体检测步骤为:
S300、通过获取合金表面异常图像轮廓的灰度图,执行光照策略,获取在不同光照强度下对应的白色灰度像素占灰度图的所有像素比,形成变化曲线;
S400、通过变化曲线与预设标准曲线的形状进行比对:
若形状曲线与标准曲线相匹配,则合金表面异常轮廓为凸块;
若形状曲线与标准曲线不匹配,则合金表面异常轮廓为凹坑。
在本申请的一个具体实施例中,通过设置光照策略对合金表面异常图像轮廓进行进一步地判定,光照策略测定不同等级的光照强度变化,并通过在相应的光照强度条件下,获取合金表面异常轮廓的灰度图像,统计在不同光照强度下的灰度图像中白色灰度占所测算范围的所有像素值的比值,通过记录不同光照强度下的比值形成变化曲线;由于凹坑反射的光较少,呈现的暗度较大,相对的白色灰度占比较少,而凸块反射的光较多,呈现的亮度较大,相对的白色灰度较多,由于凹坑和凸块的特征,通过变化曲线与预设标准曲线对应的形状进行比对,凸块对应的数值比值形成的曲线为预设标准曲线,通过与标准曲线的符合程度判断为凸块或者凹坑,通过设置光照策略,在不同光照强度条件下形成标准曲线,以便于更加全面的检测合金表面异常的具体结构类型。
合金表面图像采集单元还用于读取合金运输所在区域的坐标,具体工作过程为:
SSS100、通过确定摄像头行扫时序获取横坐标Xi;
SSS300、确定区域横坐标Xi及纵坐标Yi,得出合金表面异常的采集坐标点位,对采集坐标点位进行特征确定。
在本申请的一种实施例中,通过一种实施例中设置的合金在匀速运输的过程中,设置合金表面采集单元用于读取合金运输表面的目标区域的坐标值,通过摄像头识别合金表面异常图像信息所在点位的横坐标及纵坐标,通过坐标确定采集点位,由于合金材料在运输装置匀速运动,通过测定速度以及合金运行对应摄像头记录时间之间的关系确定平面位置坐标,具体的,获取横坐标Xi的方式为记录摄像头行扫时序值确定;获取纵坐标值得公式为通过得出合金表面异常的采集坐标点位,最终对采集坐标点位进行特征确定,便于对不同合金表面的多个点位及区域进行后续确定,减少检测误差。
对采集坐标点位的样本分析,选择合金表面异常图像的坐标点位与标准阈值进行比对:若在标准阈值范围内,则检测合格;反之,则不合格。
在本申请的一种实施例中,通过对采集坐标点位的样本进行选择,选择对应异常图像的坐标点位,通过计算异常坐标是否落在标准阈值范围内,具体通过对标记的点位坐标与标准记录的合金点位坐标进行比对,若在范围内则判定采样合格,若反之,则不合格,通过点位坐标的比对能筛选目标合金表面异常图像对应的位置,保证筛选的准确性。
分析单元还用于判断合金切割边缘是否准确,具体操作步骤如下:
SS100、获取切割边缘边界线上均匀分布n个点位;
SS200、分别计算n个点位与面域中心点的距离获取集合A,提取集合A中与标准集合S中的重合值C;
SS300、将重合值C与标准阈值进行比对:
若C在标准阈值范围内,则判定切割边缘合格;
若C不属于阈值范围,则判定切割边缘不合格。
通过上述技术方案:除了合金表面的质量检测还设置了对合金切割边缘的检测工序,主要还设置了合金表面分析单元进行分析,由于切割的合金板块或者形状存在规定的模板及形状标准,边缘形状到中心的距离有规定的尺寸,通过获取切割边缘的边界线上的点,计算点位到标准中心点位的距离,判断切割边缘是否合格,具体通过获取切割边缘边界线上均匀分布n个点位,然后计算n个点位与面域中心点的距离获取集合A,提取集合A中与标准集合S中的重合值C,再将重合值C与标准阈值进行比对判断是否在阈值范围内判断切割边缘是否符合要求,通过对切割边缘进行判断,能更加全面的判断合金表面质量水平和完善图像识别的精确度。
合金表面图像设别单元包括对目标位置的灰度值特征取样检测,设定灰度值D,将灰度值D与标准灰度阈值Detr进行比对:
若D∈Detr,则灰度值设定合理;
通过上述技术方案:在合金表面图像识别单元中,需要对检测图像进行预处理后获得灰度图,在本发明的实施例中,合金表面的划痕较难辨析或者合金表面的的灰尘等碎屑的干扰容易导致检测效果不佳,通过设置灰度值标准便于分析合金表面在摄像头拍摄后处理的效果,通过对目标位置的灰度值特征取样检测,设定灰度值D,将灰度值D与标准灰度阈值Detr进行比对,判断在阈值范围内灰度值设置的合理程度,若不符合调整计算位置与周围其他像素点的差值大小进行并调整,从而保证检测结果更加合理。
以上内容仅仅是对本发明的构思所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的构思或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (7)
1.一种基于图像识别的合金表面检测***,其特征在于,包括:
合金表面图像采集单元,用于通过图像采集机器读取合金表面图像信息;
合金表面图像识别提取单元,用于对合金表面图像信息进行预处理,获取合金表面灰度图并进行中值滤波降噪处理;通过边缘检测算法获得轮廓信息;
分析单元,用于获取轮廓信息的结构特征,通过检测轮廓信息的结构特征对合金表面质量进行分析。
3.根据权利要求2所述的一种基于图像识别的合金表面检测***,其特征在于,通过设置光照策略判断所述合金表面异常图像轮廓为凹坑或者凸块,具体检测步骤为:
S300、通过获取合金表面异常图像轮廓的灰度图,执行光照策略,获取在不同光照强度下对应的白色灰度像素占灰度图的所有像素比,形成变化曲线;
S400、通过变化曲线与预设标准曲线的形状进行比对:
若形状曲线与标准曲线相匹配,则合金表面异常轮廓为凸块;
若形状曲线与标准曲线不匹配,则合金表面异常轮廓为凹坑。
5.根据权利要求4所述的一种基于图像识别的合金表面检测***,其特征在于,对所述采集坐标点位的样本分析,选择合金表面图像的坐标点位与标准阈值进行比对:若在标准阈值范围内,则检测合格;反之,则不合格。
6.根据权利要求1所述的一种基于图像识别的合金表面检测***,其特征在于,所述分析单元还用于判断合金切割边缘是否准确,具体操作步骤如下:
SS100、获取切割边缘边界线上均匀分布n个点位;
SS200、分别计算n个点位与面域中心点的距离获取集合A,提取集合A中与标准集合S中的重合值C;
SS300、将重合值C与标准阈值进行比对:
若C在标准阈值范围内,则判定切割边缘合格;
若C不属于阈值范围,则判定切割边缘不合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211439342.4A CN115690387A (zh) | 2022-11-17 | 2022-11-17 | 一种基于图像识别的合金表面检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211439342.4A CN115690387A (zh) | 2022-11-17 | 2022-11-17 | 一种基于图像识别的合金表面检测*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115690387A true CN115690387A (zh) | 2023-02-03 |
Family
ID=85053387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211439342.4A Pending CN115690387A (zh) | 2022-11-17 | 2022-11-17 | 一种基于图像识别的合金表面检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115690387A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115841489A (zh) * | 2023-02-21 | 2023-03-24 | 华至云链科技(苏州)有限公司 | 智能点检方法及平台 |
CN116117587A (zh) * | 2023-04-18 | 2023-05-16 | 济宁联威车轮制造有限公司 | 一种基于数控车床生成的成品品质检测*** |
CN116912250A (zh) * | 2023-09-13 | 2023-10-20 | 山东众成菌业股份有限公司 | 基于机器视觉的菌包生产质量检测方法 |
CN117196414A (zh) * | 2023-11-06 | 2023-12-08 | 南通联润金属制品有限公司 | 一种金属加工质量控制*** |
CN117783128A (zh) * | 2023-12-26 | 2024-03-29 | 广东荣骏建设工程检测股份有限公司 | 一种建筑用索体检测*** |
-
2022
- 2022-11-17 CN CN202211439342.4A patent/CN115690387A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115841489A (zh) * | 2023-02-21 | 2023-03-24 | 华至云链科技(苏州)有限公司 | 智能点检方法及平台 |
CN116117587A (zh) * | 2023-04-18 | 2023-05-16 | 济宁联威车轮制造有限公司 | 一种基于数控车床生成的成品品质检测*** |
CN116912250A (zh) * | 2023-09-13 | 2023-10-20 | 山东众成菌业股份有限公司 | 基于机器视觉的菌包生产质量检测方法 |
CN116912250B (zh) * | 2023-09-13 | 2023-11-28 | 山东众成菌业股份有限公司 | 基于机器视觉的菌包生产质量检测方法 |
CN117196414A (zh) * | 2023-11-06 | 2023-12-08 | 南通联润金属制品有限公司 | 一种金属加工质量控制*** |
CN117196414B (zh) * | 2023-11-06 | 2024-04-05 | 南通联润金属制品有限公司 | 一种金属加工质量控制*** |
CN117783128A (zh) * | 2023-12-26 | 2024-03-29 | 广东荣骏建设工程检测股份有限公司 | 一种建筑用索体检测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115690387A (zh) | 一种基于图像识别的合金表面检测*** | |
CN109115785B (zh) | 一种铸件打磨质量检测方法、装置及其使用方法 | |
CN115294113B (zh) | 一种木饰面板质量检测方法 | |
CN109490316B (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
US6779159B2 (en) | Defect inspection method and defect inspection apparatus | |
CN115375686B (zh) | 一种基于图像处理的玻璃边缘瑕疵检测方法 | |
CN115082418B (zh) | 一种汽车零部件精密识别方法 | |
CN109682839B (zh) | 一种金属弧形工件表面缺陷在线检测方法 | |
CN110009618B (zh) | 一种轴类零件表面质量检测方法及装置 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN110211101A (zh) | 一种铁轨表面缺陷快速检测***及方法 | |
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 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN115984271A (zh) | 基于角点检测的金属毛刺识别方法 | |
CN113643276A (zh) | 一种基于统计分析的纺织物纹理缺陷自动检测方法 | |
CN111968100A (zh) | 机器视觉检测方法与*** | |
CN111062939B (zh) | 一种带钢表面快速质量甄别与缺陷特征自动提取方法 | |
CN110516725B (zh) | 基于机器视觉的木板条纹间距和颜色的检测方法 | |
CN111833350A (zh) | 机器视觉检测方法与*** | |
CN111815575A (zh) | 一种基于机器视觉的轴承钢珠零件检测方法 | |
CN111192261A (zh) | 一种镜片疵病类型识别的方法 | |
KR20190119801A (ko) | 차량 헤드라이트 얼라인먼트 보정 및 분류 방법 및 이를 이용한 차량 헤드라이트 불량검사 방법 | |
CN114881952A (zh) | 一种铸件缺陷区域检测及边缘准确分割方法 | |
CN114813748A (zh) | 一种基于机器视觉的钢表面缺陷检测方法及*** | |
CN114549403A (zh) | 一种机械零部件侧剖面多单体智能精密几何圆心检测方法 |
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 |