CN116071348A - 基于视觉检测的工件表面检测方法及相关装置 - Google Patents

基于视觉检测的工件表面检测方法及相关装置 Download PDF

Info

Publication number
CN116071348A
CN116071348A CN202310192847.3A CN202310192847A CN116071348A CN 116071348 A CN116071348 A CN 116071348A CN 202310192847 A CN202310192847 A CN 202310192847A CN 116071348 A CN116071348 A CN 116071348A
Authority
CN
China
Prior art keywords
polishing
image
workpiece
grinding
outer curved
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
Application number
CN202310192847.3A
Other languages
English (en)
Other versions
CN116071348B (zh
Inventor
李冬雅
邱华挺
吕亮
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.)
Shenzhen Jeenew Intelligent Equipment Co ltd
Original Assignee
Shenzhen Jeenew Intelligent Equipment 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 Shenzhen Jeenew Intelligent Equipment Co ltd filed Critical Shenzhen Jeenew Intelligent Equipment Co ltd
Priority to CN202310192847.3A priority Critical patent/CN116071348B/zh
Publication of CN116071348A publication Critical patent/CN116071348A/zh
Application granted granted Critical
Publication of CN116071348B publication Critical patent/CN116071348B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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]
    • 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
    • G06T2207/20112—Image segmentation details
    • 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
    • G06T2207/30164—Workpiece; Machine component
    • 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
    • G06T2207/30168—Image quality inspection
    • 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
    • G06T2207/30204—Marker
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)

Abstract

本发明涉及图像处理领域，公开了一种基于视觉检测的工件表面检测方法及相关装置，用于提高目标工件打磨检测的准确率。所述方法包括：根据侧面打磨训练集对第一训练模型进行模型训练，得到侧面打磨检测模型，以及根据外曲面打磨训练集对第二训练模型进行训练，得到外曲面打磨检测模型；获取目标工件的原始打磨图像，并将原始打磨图像输入侧面打磨检测模型进行检测，得到侧面打磨质量检测结果；将原始打磨图像输入外曲面打磨检测模型进行检测，得到外曲面打磨质量检测结果；根据外曲面打磨质量检测结果和侧面打磨质量检测结果，对工件打磨设备进行设备参数调整采用参数调整后的工件打磨设备，对目标工件进行下一轮打磨。

Description

基于视觉检测的工件表面检测方法及相关装置
技术领域
本发明涉及图像处理领域，尤其涉及一种基于视觉检测的工件表面检测方法及相关装置。
背景技术
目前，工件加工设备可以实现3D仿形加工，可以打磨拉丝产品侧面、弧面等部位，工件加工设备内置打磨自动喷淋循环过滤设施，湿式打磨拉丝，高效环保，依据产品打磨工艺要求，实现二至四面磨头全自动打磨抛光。
工件在打磨完成后需要对打磨质量进行检测，传统的打磨质量检验仍旧较大程度的依赖人工检测，即通过人工比对来完成打磨质量检测，以致质量检测准确率低，不能保证产品质量。
发明内容
本发明提供了一种基于视觉检测的工件表面检测方法及相关装置，用于提高目标工件打磨检测的准确率。
本发明第一方面提供了一种基于视觉检测的工件表面检测方法，所述基于视觉检测的工件表面检测方法包括：
获取多个样本打磨图像，并分别对每个样本打磨图像中的侧面打磨区域进行标注，得到侧面打磨训练集，以及分别对每个样本打磨图像中的外曲面打磨区域进行标注，得到外曲面打磨训练集；
根据所述侧面打磨训练集对预置的第一训练模型进行模型训练，得到侧面打磨检测模型，以及根据所述外曲面打磨训练集对预置的第二训练模型进行训练，得到外曲面打磨检测模型；
基于工件打磨设备中的图像采集终端获取目标工件的原始打磨图像，并将所述原始打磨图像输入所述侧面打磨检测模型进行检测，得到侧面打磨质量检测结果；
将所述原始打磨图像输入所述外曲面打磨检测模型进行检测，得到外曲面打磨质量检测结果；
根据所述外曲面打磨质量检测结果和所述侧面打磨质量检测结果，对所述工件打磨设备进行设备参数调整；
采用参数调整后的工件打磨设备，对所述目标工件进行下一轮打磨，直至所述目标工件符合预设打磨标准。
可选的，在本发明第一方面的第一种实现方式中，所述获取多个样本打磨图像，并分别对每个样本打磨图像中的侧面打磨区域进行标注，得到侧面打磨训练集，以及分别对每个样本打磨图像中的外曲面打磨区域进行标注，得到外曲面打磨训练集，包括：
获取多个样本打磨图像，并对所述多个样本打磨图像进行分类和标签，得到每个样本打磨图像的图像标签；
根据每个样本打磨图像的图像标签，分别对每个样本打磨图像中的侧面打磨区域进行标注，得到侧面打磨训练集；
分别对每个样本打磨图像中的外曲面打磨区域进行标注，得到外曲面打磨训练集。
可选的，在本发明第一方面的第二种实现方式中，所述根据所述侧面打磨训练集对预置的第一训练模型进行模型训练，得到侧面打磨检测模型，包括：
将所述侧面打磨训练集输入预置的第一训练模型，其中，所述第一训练模型包括：双层卷积网络、批量归一化层、特征融合层和分类网络；
通过所述第一训练模型对所述侧面打磨训练集进行特征提取和像素点预测，得到第一预测结果；
根据所述第一预测结果对所述第一训练模型的参数进行优化，直至所述第一训练模型收敛，得到侧面打磨检测模型。
可选的，在本发明第一方面的第三种实现方式中，所述基于工件打磨设备中的图像采集终端获取目标工件的原始打磨图像，并将所述原始打磨图像输入所述侧面打磨检测模型进行检测，得到侧面打磨质量检测结果，包括：
基于工件打磨设备中的图像采集终端，获取目标工件的原始打磨图像；
将所述原始打磨图像输入所述侧面打磨检测模型，并通过所述双层卷积网络对所述原始打磨图像进行特征提取，得到第一特征图；
将所述第一特征图输入所述批量归一化层进行归一化处理，得到归一化特征图；
将所述归一化特征图输入所述特征融合层进行特征融合处理，得到第二特征图；
将所述第二特征图输入所述分类网络，并通过所述分类网络对所述第二特征图中的多个像素点进行预测，生成所述原始打磨图像对应的侧面打磨质量检测结果。
可选的，在本发明第一方面的第四种实现方式中，所述根据所述外曲面打磨质量检测结果和所述侧面打磨质量检测结果，对所述工件打磨设备进行设备参数调整，包括：
根据所述外曲面打磨质量检测结果和所述侧面打磨质量检测结果，对所述原始打磨图像进行打磨缺陷点位标注，得到打磨缺陷点位信息；
根据所述打磨缺陷点位信息，确定所述工件打磨设备的打磨控制区域；
对所述打磨控制区域进行设备打磨力度参数调整。
可选的，在本发明第一方面的第五种实现方式中，所述基于视觉检测的工件表面检测方法还包括：
从预置的数据库中查询所述目标工件的标准目标工件图像；
对所述标准目标工件图像进行侧面打磨区域提取，得到标准侧面打磨区域；
对所述标准目标工件图像进行外曲面打磨区域提取，得到标准外曲面打磨区域；
基于所述标准目标工件图像、所述标准侧面打磨区域和所述标准外曲面打磨区域构建所述目标工件的工件模板图像。
可选的，在本发明第一方面的第六种实现方式中，所述采用参数调整后的工件打磨设备，对所述目标工件进行下一轮打磨，直至所述目标工件符合预设打磨标准，包括：
采用参数调整后的工件打磨设备，对所述目标工件进行下一轮打磨，并采集所述目标工件的实时打磨图像；
提取所述实时打磨图像中的特征检测点；
对所述特征检测点和所述工件模板图像进行特征点匹配，得到特征点匹配结果；
根据所述特征点匹配结果生成所述原始打磨图像对应的打磨检测结果。
本发明第二方面提供了一种基于视觉检测的工件表面检测装置，所述基于视觉检测的工件表面检测装置包括：
标注模块，用于获取多个样本打磨图像，并分别对每个样本打磨图像中的侧面打磨区域进行标注，得到侧面打磨训练集，以及分别对每个样本打磨图像中的外曲面打磨区域进行标注，得到外曲面打磨训练集；
训练模块，用于根据所述侧面打磨训练集对预置的第一训练模型进行模型训练，得到侧面打磨检测模型，以及根据所述外曲面打磨训练集对预置的第二训练模型进行训练，得到外曲面打磨检测模型；
第一检测模块，用于基于工件打磨设备中的图像采集终端获取目标工件的原始打磨图像，并将所述原始打磨图像输入所述侧面打磨检测模型进行检测，得到侧面打磨质量检测结果；
第二检测模块，用于将所述原始打磨图像输入所述外曲面打磨检测模型进行检测，得到外曲面打磨质量检测结果；
调整模块，用于根据所述外曲面打磨质量检测结果和所述侧面打磨质量检测结果，对所述工件打磨设备进行设备参数调整；
处理模块，用于采用参数调整后的工件打磨设备，对所述目标工件进行下一轮打磨，直至所述目标工件符合预设打磨标准。
可选的，在本发明第二方面的第一种实现方式中，所述标注模块具体用于：
获取多个样本打磨图像，并对所述多个样本打磨图像进行分类和标签，得到每个样本打磨图像的图像标签；
根据每个样本打磨图像的图像标签，分别对每个样本打磨图像中的侧面打磨区域进行标注，得到侧面打磨训练集；
分别对每个样本打磨图像中的外曲面打磨区域进行标注，得到外曲面打磨训练集。
可选的，在本发明第二方面的第二种实现方式中，所述训练模块具体用于：
将所述侧面打磨训练集输入预置的第一训练模型，其中，所述第一训练模型包括：双层卷积网络、批量归一化层、特征融合层和分类网络；
通过所述第一训练模型对所述侧面打磨训练集进行特征提取和像素点预测，得到第一预测结果；
根据所述第一预测结果对所述第一训练模型的参数进行优化，直至所述第一训练模型收敛，得到侧面打磨检测模型。
可选的，在本发明第二方面的第三种实现方式中，所述第一检测模块具体用于：
基于工件打磨设备中的图像采集终端，获取目标工件的原始打磨图像；
将所述原始打磨图像输入所述侧面打磨检测模型，并通过所述双层卷积网络对所述原始打磨图像进行特征提取，得到第一特征图；
将所述第一特征图输入所述批量归一化层进行归一化处理，得到归一化特征图；
将所述归一化特征图输入所述特征融合层进行特征融合处理，得到第二特征图；
将所述第二特征图输入所述分类网络，并通过所述分类网络对所述第二特征图中的多个像素点进行预测，生成所述原始打磨图像对应的侧面打磨质量检测结果。
可选的，在本发明第二方面的第四种实现方式中，所述调整模块具体用于：
根据所述外曲面打磨质量检测结果和所述侧面打磨质量检测结果，对所述原始打磨图像进行打磨缺陷点位标注，得到打磨缺陷点位信息；
根据所述打磨缺陷点位信息，确定所述工件打磨设备的打磨控制区域；
对所述打磨控制区域进行设备打磨力度参数调整。
可选的，在本发明第二方面的第五种实现方式中，所述基于视觉检测的工件表面检测装置还包括：
构建模块，用于从预置的数据库中查询所述目标工件的标准目标工件图像；对所述标准目标工件图像进行侧面打磨区域提取，得到标准侧面打磨区域；对所述标准目标工件图像进行外曲面打磨区域提取，得到标准外曲面打磨区域；基于所述标准目标工件图像、所述标准侧面打磨区域和所述标准外曲面打磨区域构建所述目标工件的工件模板图像。
可选的，在本发明第二方面的第六种实现方式中，所述处理模块具体用于：
采用参数调整后的工件打磨设备，对所述目标工件进行下一轮打磨，并采集所述目标工件的实时打磨图像；
提取所述实时打磨图像中的特征检测点；
对所述特征检测点和所述工件模板图像进行特征点匹配，得到特征点匹配结果；
根据所述特征点匹配结果生成所述原始打磨图像对应的打磨检测结果。
本发明第三方面提供了一种基于视觉检测的工件表面检测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于视觉检测的工件表面检测设备执行上述的基于视觉检测的工件表面检测方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于视觉检测的工件表面检测方法。
本发明提供的技术方案中，根据侧面打磨训练集对第一训练模型进行模型训练，得到侧面打磨检测模型，以及根据外曲面打磨训练集对第二训练模型进行训练，得到外曲面打磨检测模型；获取目标工件的原始打磨图像，并将原始打磨图像输入侧面打磨检测模型进行检测，得到侧面打磨质量检测结果；将原始打磨图像输入外曲面打磨检测模型进行检测，得到外曲面打磨质量检测结果；根据外曲面打磨质量检测结果和侧面打磨质量检测结果，对工件打磨设备进行设备参数调整采用参数调整后的工件打磨设备，对目标工件进行下一轮打磨，本发明通过分别构建打磨侧面打磨区域的检测模型和目标工件外曲面的检测模型进行图像识别，提高了图像识别的准确率，以及通过构建标准目标工件的工件模板图像，通过检测出来的打磨位置和工件模板图像进行比对，有效的提高了目标工件打磨检测的准确率，进而提高了工件打磨的质量。
附图说明
图1为本发明实施例中基于视觉检测的工件表面检测方法的一个实施例示意图；
图2为本发明实施例中基于视觉检测的工件表面检测方法的另一个实施例示意图；
图3为本发明实施例中基于视觉检测的工件表面检测装置的一个实施例示意图；
图4为本发明实施例中基于视觉检测的工件表面检测装置的另一个实施例示意图；
图5为本发明实施例中基于视觉检测的工件表面检测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于视觉检测的工件表面检测方法及相关装置，用于提高目标工件打磨检测的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于视觉检测的工件表面检测方法的一个实施例包括：
101、获取多个样本打磨图像，并分别对每个样本打磨图像中的侧面打磨区域进行标注，得到侧面打磨训练集，以及分别对每个样本打磨图像中的外曲面打磨区域进行标注，得到外曲面打磨训练集；
可以理解的是，本发明的执行主体可以为基于视觉检测的工件表面检测装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，服务器将多个样本打磨图像分别输入到打磨区域分析模型中，得到多个区域预测结果，整合多个区域预测结果，获得一个总的区域预测结果，根据总的区域预测结果，得到图片中每个待打磨区域，并分别对每个样本打磨图像中的侧面打磨区域进行标注，得到侧面打磨训练集，以及分别对每个样本打磨图像中的外曲面打磨区域进行标注，得到外曲面打磨训练集。
102、根据侧面打磨训练集对预置的第一训练模型进行模型训练，得到侧面打磨检测模型，以及根据外曲面打磨训练集对预置的第二训练模型进行训练，得到外曲面打磨检测模型；
具体的，服务器通过获取侧面打磨训练集中每一数据对应的侧面打磨数据集，对每个侧面打磨数据集所对应的训练数据集中的数据进行标准化处理，得到侧面打磨数据集对应的标准化后的训练数据集，并采用侧面打磨数据集对应的标准化后的训练数据集，通过反向传播训练对预置的第一训练模型进行模型训练，直到损失函数达到最小值时，得到侧面打磨检测模型，以及根据外曲面打磨训练集对预置的第二训练模型进行训练，得到外曲面打磨检测模型。
103、基于工件打磨设备中的图像采集终端获取目标工件的原始打磨图像，并将原始打磨图像输入侧面打磨检测模型进行检测，得到侧面打磨质量检测结果；
具体的，服务器基于工件打磨设备中的图像采集终端获取目标工件的原始打磨图像，进而服务器将原始打磨图像输入侧面打磨检测模型进行特征提取，得到对应的第一特征图，进而服务器根据对该第一特征图进行归一化处理，得到对应的归一化特征图，进一步的，服务器通过该归一化特征图以及侧面打磨模型的特征融合层对原始打磨图像进行检测，得到侧面打磨质量检测结果。
104、将原始打磨图像输入外曲面打磨检测模型进行检测，得到外曲面打磨质量检测结果；
其中，服务器将该原始打磨图像输入该外曲面打磨检测模型进行图像特征提取，得到对应的打磨图像特征，进而服务器通过该打磨图像特征对该原始打磨图像进行像素点分析，确定对应的像素点分析结果，最终，服务器通过该像素点分析结果对该原始打磨图像进行检测，得到对应的外曲面打磨质量检测结果。
105、根据外曲面打磨质量检测结果和侧面打磨质量检测结果，对工件打磨设备进行设备参数调整；
具体的，服务器通过该外曲面打磨质量检测结果以及该侧面打磨质量检测结果对该原始打磨图像进行缺陷点位分析，确定对应的缺陷点位位置信息，进一步的，服务器根据该缺陷点位位置信息对该原始打磨图像进行缺陷点位标注，确定对应的打磨控制区域，进一步的，服务器通过该打磨控制区域对工件打磨设备进行设备参数调整。
106、采用参数调整后的工件打磨设备，对目标工件进行下一轮打磨，直至目标工件符合预设打磨标准。
本发明实施例中，根据侧面打磨训练集对第一训练模型进行模型训练，得到侧面打磨检测模型，以及根据外曲面打磨训练集对第二训练模型进行训练，得到外曲面打磨检测模型；获取目标工件的原始打磨图像，并将原始打磨图像输入侧面打磨检测模型进行检测，得到侧面打磨质量检测结果；将原始打磨图像输入外曲面打磨检测模型进行检测，得到外曲面打磨质量检测结果；根据外曲面打磨质量检测结果和侧面打磨质量检测结果，对工件打磨设备进行设备参数调整采用参数调整后的工件打磨设备，对目标工件进行下一轮打磨，本发明通过分别构建打磨侧面打磨区域的检测模型和目标工件外曲面的检测模型进行图像识别，提高了图像识别的准确率，以及通过构建标准目标工件的工件模板图像，通过检测出来的打磨位置和工件模板图像进行比对，有效的提高了目标工件打磨检测的准确率，进而提高了工件打磨的质量。
请参阅图2，本发明实施例中基于视觉检测的工件表面检测方法的另一个实施例包括：
201、获取多个样本打磨图像，并分别对每个样本打磨图像中的侧面打磨区域进行标注，得到侧面打磨训练集，以及分别对每个样本打磨图像中的外曲面打磨区域进行标注，得到外曲面打磨训练集；
具体的，获取多个样本打磨图像，并对多个样本打磨图像进行分类和标签，得到每个样本打磨图像的图像标签；根据每个样本打磨图像的图像标签，分别对每个样本打磨图像中的侧面打磨区域进行标注，得到侧面打磨训练集；分别对每个样本打磨图像中的外曲面打磨区域进行标注，得到外曲面打磨训练集。
其中，服务器获取多个样本打磨图像，进一步的，服务器对多个样本打磨图像进行分类和标签，其中，服务器利用预置的目标图像标注模型对多个样本打磨图像进行图像标注并分类并输出相应的图像样本集，依次利用其余未被选取过的图像标注模型对上一目标图像标注模型输出的图像样本集进行图像标注并分类，并从当前分类结果中剔除与目标分类类别不一致的图像样本，直到当前目标图像标注模型标注分类产生的图像满足预设图像标注数量，得到每个样本打磨图像的图像标签，根据每个样本打磨图像的图像标签，分别对每个样本打磨图像中的侧面打磨区域进行标注，得到侧面打磨训练集，分别对每个样本打磨图像中的外曲面打磨区域进行标注，得到外曲面打磨训练集。
202、根据侧面打磨训练集对预置的第一训练模型进行模型训练，得到侧面打磨检测模型，以及根据外曲面打磨训练集对预置的第二训练模型进行训练，得到外曲面打磨检测模型；
具体的，将侧面打磨训练集输入预置的第一训练模型，其中，第一训练模型包括：双层卷积网络、批量归一化层、特征融合层和分类网络；通过第一训练模型对侧面打磨训练集进行特征提取和像素点预测，得到第一预测结果；根据第一预测结果对第一训练模型的参数进行优化，直至第一训练模型收敛，得到侧面打磨检测模型。
其中，将侧面打磨训练集输入预置的第一训练模型，其中，第一训练模型包括：双层卷积网络、批量归一化层、特征融合层和分类网络；通过第一训练模型对侧面打磨训练集进行特征提取和像素点预测，其中，服务器对侧面打磨训练集进行处理，并根据图像分割阈值对侧面打磨训练集中的灰度变化特征图进行分割处理，对侧面打磨训练集中包含的像素点进行多次筛选，得到侧面打磨训练集的目标缺陷显著性特征图以及缺陷子图，同时对侧面打磨训练集进行像素点预测，得到第一预测结果，最终，服务器根据第一预测结果对第一训练模型的参数进行优化，直至第一训练模型收敛，得到侧面打磨检测模型。
203、基于工件打磨设备中的图像采集终端获取目标工件的原始打磨图像，并将原始打磨图像输入侧面打磨检测模型进行检测，得到侧面打磨质量检测结果；
具体的，基于工件打磨设备中的图像采集终端，获取目标工件的原始打磨图像；将原始打磨图像输入侧面打磨检测模型，并通过双层卷积网络对原始打磨图像进行特征提取，得到第一特征图；将第一特征图输入批量归一化层进行归一化处理，得到归一化特征图；将归一化特征图输入特征融合层进行特征融合处理，得到第二特征图；将第二特征图输入分类网络，并通过分类网络对第二特征图中的多个像素点进行预测，生成原始打磨图像对应的侧面打磨质量检测结果。
其中，基于工件打磨设备中的图像采集终端，获取目标工件的原始打磨图像；将原始打磨图像输入侧面打磨检测模型，并通过双层卷积网络对原始打磨图像进行特征提取，得到第一特征图，其中，服务器获取原始打磨图像，并将原始打磨图像划分为多个子打磨图像，通过多种归一化方式对子打磨图像进行归一化，得到各子打磨图像对应的参考结果；根据参考结果得到归一化特征图，将归一化特征图输入特征融合层进行特征融合处理，得到第二特征图，将第二特征图输入分类网络，并通过分类网络对第二特征图中的多个像素点进行预测，生成原始打磨图像对应的侧面打磨质量检测结果。
204、将原始打磨图像输入外曲面打磨检测模型进行检测，得到外曲面打磨质量检测结果；
205、根据外曲面打磨质量检测结果和侧面打磨质量检测结果，对原始打磨图像进行打磨缺陷点位标注，得到打磨缺陷点位信息；
206、根据打磨缺陷点位信息，确定工件打磨设备的打磨控制区域；
207、对打磨控制区域进行设备打磨力度参数调整；
其中，将原始打磨图像输入外曲面打磨检测模型进行检测，得到外曲面打磨质量检测结果，根据外曲面打磨质量检测结果和侧面打磨质量检测结果，对原始打磨图像进行打磨缺陷点位标注，得到打磨缺陷点位信息，根据打磨缺陷点位信息，确定工件打磨设备的打磨控制区域，其中，服务器对打磨缺陷点位信息进行分类，根据打磨缺陷类别对包含待测目标的数据样本进行标注，对原始打磨图像进行预处理并转换格式，将转换格式后的原始打磨图像进行打磨控制区域分析，输出工件打磨设备的到控制区域，对打磨控制区域进行设备打磨力度参数调整。
208、采用参数调整后的工件打磨设备，对目标工件进行下一轮打磨，直至目标工件符合预设打磨标准。
可选的，从预置的数据库中查询目标工件的标准目标工件图像；对标准目标工件图像进行侧面打磨区域提取，得到标准侧面打磨区域；对标准目标工件图像进行外曲面打磨区域提取，得到标准外曲面打磨区域；基于标准目标工件图像、标准侧面打磨区域和标准外曲面打磨区域构建目标工件的工件模板图像。其中，对标准目标工件图像、标准侧面打磨区域和标准外曲面打磨区域进行特征点提取，并根据提取得到的特征点构建目标工件的工件模板图像。
具体的，采用参数调整后的工件打磨设备，对目标工件进行下一轮打磨，并采集目标工件的实时打磨图像；提取实时打磨图像中的特征检测点；对特征检测点和工件模板图像进行特征点匹配，得到特征点匹配结果；根据特征点匹配结果生成原始打磨图像对应的打磨检测结果。其中，判断特征点的命中率是否超过预设阈值，若超过，则生成打磨检测结果为合格，若不超过，则将打磨检测结果为不合格。根据命中率的大小生成目标工件对应的打磨检测结果，其中，命中率的大小阈值设置为99.9999%。
本发明实施例中，根据侧面打磨训练集对第一训练模型进行模型训练，得到侧面打磨检测模型，以及根据外曲面打磨训练集对第二训练模型进行训练，得到外曲面打磨检测模型；获取目标工件的原始打磨图像，并将原始打磨图像输入侧面打磨检测模型进行检测，得到侧面打磨质量检测结果；将原始打磨图像输入外曲面打磨检测模型进行检测，得到外曲面打磨质量检测结果；根据外曲面打磨质量检测结果和侧面打磨质量检测结果，对工件打磨设备进行设备参数调整采用参数调整后的工件打磨设备，对目标工件进行下一轮打磨，本发明通过分别构建打磨侧面打磨区域的检测模型和目标工件外曲面的检测模型进行图像识别，提高了图像识别的准确率，以及通过构建标准目标工件的工件模板图像，通过检测出来的打磨位置和工件模板图像进行比对，有效的提高了目标工件打磨检测的准确率，进而提高了工件打磨的质量。
上面对本发明实施例中基于视觉检测的工件表面检测方法进行了描述，下面对本发明实施例中基于视觉检测的工件表面检测装置进行描述，请参阅图3，本发明实施例中基于视觉检测的工件表面检测装置一个实施例包括：
标注模块301，用于获取多个样本打磨图像，并分别对每个样本打磨图像中的侧面打磨区域进行标注，得到侧面打磨训练集，以及分别对每个样本打磨图像中的外曲面打磨区域进行标注，得到外曲面打磨训练集；
训练模块302，用于根据所述侧面打磨训练集对预置的第一训练模型进行模型训练，得到侧面打磨检测模型，以及根据所述外曲面打磨训练集对预置的第二训练模型进行训练，得到外曲面打磨检测模型；
第一检测模块303，用于基于工件打磨设备中的图像采集终端获取目标工件的原始打磨图像，并将所述原始打磨图像输入所述侧面打磨检测模型进行检测，得到侧面打磨质量检测结果；
第二检测模块304，用于将所述原始打磨图像输入所述外曲面打磨检测模型进行检测，得到外曲面打磨质量检测结果；
调整模块305，用于根据所述外曲面打磨质量检测结果和所述侧面打磨质量检测结果，对所述工件打磨设备进行设备参数调整；
处理模块306，用于采用参数调整后的工件打磨设备，对所述目标工件进行下一轮打磨，直至所述目标工件符合预设打磨标准。
本发明实施例中，根据侧面打磨训练集对第一训练模型进行模型训练，得到侧面打磨检测模型，以及根据外曲面打磨训练集对第二训练模型进行训练，得到外曲面打磨检测模型；获取目标工件的原始打磨图像，并将原始打磨图像输入侧面打磨检测模型进行检测，得到侧面打磨质量检测结果；将原始打磨图像输入外曲面打磨检测模型进行检测，得到外曲面打磨质量检测结果；根据外曲面打磨质量检测结果和侧面打磨质量检测结果，对工件打磨设备进行设备参数调整采用参数调整后的工件打磨设备，对目标工件进行下一轮打磨，本发明通过分别构建打磨侧面打磨区域的检测模型和目标工件外曲面的检测模型进行图像识别，提高了图像识别的准确率，以及通过构建标准目标工件的工件模板图像，通过检测出来的打磨位置和工件模板图像进行比对，有效的提高了目标工件打磨检测的准确率，进而提高了工件打磨的质量。
请参阅图4，本发明实施例中基于视觉检测的工件表面检测装置另一个实施例包括：
标注模块301，用于获取多个样本打磨图像，并分别对每个样本打磨图像中的侧面打磨区域进行标注，得到侧面打磨训练集，以及分别对每个样本打磨图像中的外曲面打磨区域进行标注，得到外曲面打磨训练集；
训练模块302，用于根据所述侧面打磨训练集对预置的第一训练模型进行模型训练，得到侧面打磨检测模型，以及根据所述外曲面打磨训练集对预置的第二训练模型进行训练，得到外曲面打磨检测模型；
第一检测模块303，用于基于工件打磨设备中的图像采集终端获取目标工件的原始打磨图像，并将所述原始打磨图像输入所述侧面打磨检测模型进行检测，得到侧面打磨质量检测结果；
第二检测模块304，用于将所述原始打磨图像输入所述外曲面打磨检测模型进行检测，得到外曲面打磨质量检测结果；
调整模块305，用于根据所述外曲面打磨质量检测结果和所述侧面打磨质量检测结果，对所述工件打磨设备进行设备参数调整；
处理模块306，用于采用参数调整后的工件打磨设备，对所述目标工件进行下一轮打磨，直至所述目标工件符合预设打磨标准。
可选的，所述标注模块301具体用于：
获取多个样本打磨图像，并对所述多个样本打磨图像进行分类和标签，得到每个样本打磨图像的图像标签；
根据每个样本打磨图像的图像标签，分别对每个样本打磨图像中的侧面打磨区域进行标注，得到侧面打磨训练集；
分别对每个样本打磨图像中的外曲面打磨区域进行标注，得到外曲面打磨训练集。
可选的，所述训练模块302具体用于：
将所述侧面打磨训练集输入预置的第一训练模型，其中，所述第一训练模型包括：双层卷积网络、批量归一化层、特征融合层和分类网络；
通过所述第一训练模型对所述侧面打磨训练集进行特征提取和像素点预测，得到第一预测结果；
根据所述第一预测结果对所述第一训练模型的参数进行优化，直至所述第一训练模型收敛，得到侧面打磨检测模型。
可选的，所述第一检测模块303具体用于：
基于工件打磨设备中的图像采集终端，获取目标工件的原始打磨图像；
将所述原始打磨图像输入所述侧面打磨检测模型，并通过所述双层卷积网络对所述原始打磨图像进行特征提取，得到第一特征图；
将所述第一特征图输入所述批量归一化层进行归一化处理，得到归一化特征图；
将所述归一化特征图输入所述特征融合层进行特征融合处理，得到第二特征图；
将所述第二特征图输入所述分类网络，并通过所述分类网络对所述第二特征图中的多个像素点进行预测，生成所述原始打磨图像对应的侧面打磨质量检测结果。
可选的，所述调整模块305具体用于：
根据所述外曲面打磨质量检测结果和所述侧面打磨质量检测结果，对所述原始打磨图像进行打磨缺陷点位标注，得到打磨缺陷点位信息；
根据所述打磨缺陷点位信息，确定所述工件打磨设备的打磨控制区域；
对所述打磨控制区域进行设备打磨力度参数调整。
可选的，所述基于视觉检测的工件表面检测装置还包括：
构建模块307，用于从预置的数据库中查询所述目标工件的标准目标工件图像；对所述标准目标工件图像进行侧面打磨区域提取，得到标准侧面打磨区域；对所述标准目标工件图像进行外曲面打磨区域提取，得到标准外曲面打磨区域；基于所述标准目标工件图像、所述标准侧面打磨区域和所述标准外曲面打磨区域构建所述目标工件的工件模板图像。
可选的，所述处理模块306具体用于：
采用参数调整后的工件打磨设备，对所述目标工件进行下一轮打磨，并采集所述目标工件的实时打磨图像；
提取所述实时打磨图像中的特征检测点；
对所述特征检测点和所述工件模板图像进行特征点匹配，得到特征点匹配结果；
根据所述特征点匹配结果生成所述原始打磨图像对应的打磨检测结果。
本发明实施例中，根据侧面打磨训练集对第一训练模型进行模型训练，得到侧面打磨检测模型，以及根据外曲面打磨训练集对第二训练模型进行训练，得到外曲面打磨检测模型；获取目标工件的原始打磨图像，并将原始打磨图像输入侧面打磨检测模型进行检测，得到侧面打磨质量检测结果；将原始打磨图像输入外曲面打磨检测模型进行检测，得到外曲面打磨质量检测结果；根据外曲面打磨质量检测结果和侧面打磨质量检测结果，对工件打磨设备进行设备参数调整采用参数调整后的工件打磨设备，对目标工件进行下一轮打磨，本发明通过分别构建打磨侧面打磨区域的检测模型和目标工件外曲面的检测模型进行图像识别，提高了图像识别的准确率，以及通过构建标准目标工件的工件模板图像，通过检测出来的打磨位置和工件模板图像进行比对，有效的提高了目标工件打磨检测的准确率，进而提高了工件打磨的质量。
上面图3和图4从模块化功能实体的角度对本发明实施例中的基于视觉检测的工件表面检测装置进行详细描述，下面从硬件处理的角度对本发明实施例中基于视觉检测的工件表面检测设备进行详细描述。
图5是本发明实施例提供的一种基于视觉检测的工件表面检测设备的结构示意图，该基于视觉检测的工件表面检测设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）510（例如，一个或一个以上处理器）和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530（例如一个或一个以上海量存储设备）。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对基于视觉检测的工件表面检测设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在基于视觉检测的工件表面检测设备500上执行存储介质530中的一系列指令操作。
基于视觉检测的工件表面检测设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作***531，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5示出的基于视觉检测的工件表面检测设备结构并不构成对基于视觉检测的工件表面检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种基于视觉检测的工件表面检测设备，所述基于视觉检测的工件表面检测设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于视觉检测的工件表面检测方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于视觉检测的工件表面检测方法的步骤。
进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于视觉检测的工件表面检测方法，其特征在于，所述基于视觉检测的工件表面检测方法包括：
获取多个样本打磨图像，并分别对每个样本打磨图像中的侧面打磨区域进行标注，得到侧面打磨训练集，以及分别对每个样本打磨图像中的外曲面打磨区域进行标注，得到外曲面打磨训练集；
根据所述侧面打磨训练集对预置的第一训练模型进行模型训练，得到侧面打磨检测模型，以及根据所述外曲面打磨训练集对预置的第二训练模型进行训练，得到外曲面打磨检测模型；
基于工件打磨设备中的图像采集终端获取目标工件的原始打磨图像，并将所述原始打磨图像输入所述侧面打磨检测模型进行检测，得到侧面打磨质量检测结果；
将所述原始打磨图像输入所述外曲面打磨检测模型进行检测，得到外曲面打磨质量检测结果；
根据所述外曲面打磨质量检测结果和所述侧面打磨质量检测结果，对所述工件打磨设备进行设备参数调整；
采用参数调整后的工件打磨设备，对所述目标工件进行下一轮打磨，直至所述目标工件符合预设打磨标准。
2.根据权利要求1所述的基于视觉检测的工件表面检测方法，其特征在于，所述获取多个样本打磨图像，并分别对每个样本打磨图像中的侧面打磨区域进行标注，得到侧面打磨训练集，以及分别对每个样本打磨图像中的外曲面打磨区域进行标注，得到外曲面打磨训练集，包括：
获取多个样本打磨图像，并对所述多个样本打磨图像进行分类和标签，得到每个样本打磨图像的图像标签；
根据每个样本打磨图像的图像标签，分别对每个样本打磨图像中的侧面打磨区域进行标注，得到侧面打磨训练集；
分别对每个样本打磨图像中的外曲面打磨区域进行标注，得到外曲面打磨训练集。
3.根据权利要求1所述的基于视觉检测的工件表面检测方法，其特征在于，所述根据所述侧面打磨训练集对预置的第一训练模型进行模型训练，得到侧面打磨检测模型，包括：
将所述侧面打磨训练集输入预置的第一训练模型，其中，所述第一训练模型包括：双层卷积网络、批量归一化层、特征融合层和分类网络；
通过所述第一训练模型对所述侧面打磨训练集进行特征提取和像素点预测，得到第一预测结果；
根据所述第一预测结果对所述第一训练模型的参数进行优化，直至所述第一训练模型收敛，得到侧面打磨检测模型。
4.根据权利要求3所述的基于视觉检测的工件表面检测方法，其特征在于，所述基于工件打磨设备中的图像采集终端获取目标工件的原始打磨图像，并将所述原始打磨图像输入所述侧面打磨检测模型进行检测，得到侧面打磨质量检测结果，包括：
基于工件打磨设备中的图像采集终端，获取目标工件的原始打磨图像；
将所述原始打磨图像输入所述侧面打磨检测模型，并通过所述双层卷积网络对所述原始打磨图像进行特征提取，得到第一特征图；
将所述第一特征图输入所述批量归一化层进行归一化处理，得到归一化特征图；
将所述归一化特征图输入所述特征融合层进行特征融合处理，得到第二特征图；
将所述第二特征图输入所述分类网络，并通过所述分类网络对所述第二特征图中的多个像素点进行预测，生成所述原始打磨图像对应的侧面打磨质量检测结果。
5.根据权利要求1所述的基于视觉检测的工件表面检测方法，其特征在于，所述根据所述外曲面打磨质量检测结果和所述侧面打磨质量检测结果，对所述工件打磨设备进行设备参数调整，包括：
根据所述外曲面打磨质量检测结果和所述侧面打磨质量检测结果，对所述原始打磨图像进行打磨缺陷点位标注，得到打磨缺陷点位信息；
根据所述打磨缺陷点位信息，确定所述工件打磨设备的打磨控制区域；
对所述打磨控制区域进行设备打磨力度参数调整。
6.根据权利要求1所述的基于视觉检测的工件表面检测方法，其特征在于，所述基于视觉检测的工件表面检测方法还包括：
从预置的数据库中查询所述目标工件的标准目标工件图像；
对所述标准目标工件图像进行侧面打磨区域提取，得到标准侧面打磨区域；
对所述标准目标工件图像进行外曲面打磨区域提取，得到标准外曲面打磨区域；
基于所述标准目标工件图像、所述标准侧面打磨区域和所述标准外曲面打磨区域构建所述目标工件的工件模板图像。
7.根据权利要求6所述的基于视觉检测的工件表面检测方法，其特征在于，所述采用参数调整后的工件打磨设备，对所述目标工件进行下一轮打磨，直至所述目标工件符合预设打磨标准，包括：
采用参数调整后的工件打磨设备，对所述目标工件进行下一轮打磨，并采集所述目标工件的实时打磨图像；
提取所述实时打磨图像中的特征检测点；
对所述特征检测点和所述工件模板图像进行特征点匹配，得到特征点匹配结果；
根据所述特征点匹配结果生成所述原始打磨图像对应的打磨检测结果。
8.一种基于视觉检测的工件表面检测装置，其特征在于，所述基于视觉检测的工件表面检测装置包括：
标注模块，用于获取多个样本打磨图像，并分别对每个样本打磨图像中的侧面打磨区域进行标注，得到侧面打磨训练集，以及分别对每个样本打磨图像中的外曲面打磨区域进行标注，得到外曲面打磨训练集；
训练模块，用于根据所述侧面打磨训练集对预置的第一训练模型进行模型训练，得到侧面打磨检测模型，以及根据所述外曲面打磨训练集对预置的第二训练模型进行训练，得到外曲面打磨检测模型；
第一检测模块，用于基于工件打磨设备中的图像采集终端获取目标工件的原始打磨图像，并将所述原始打磨图像输入所述侧面打磨检测模型进行检测，得到侧面打磨质量检测结果；
第二检测模块，用于将所述原始打磨图像输入所述外曲面打磨检测模型进行检测，得到外曲面打磨质量检测结果；
调整模块，用于根据所述外曲面打磨质量检测结果和所述侧面打磨质量检测结果，对所述工件打磨设备进行设备参数调整；
处理模块，用于采用参数调整后的工件打磨设备，对所述目标工件进行下一轮打磨，直至所述目标工件符合预设打磨标准。
9.一种基于视觉检测的工件表面检测设备，其特征在于，所述基于视觉检测的工件表面检测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于视觉检测的工件表面检测设备执行如权利要求1-7中任一项所述的基于视觉检测的工件表面检测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的基于视觉检测的工件表面检测方法。
CN202310192847.3A 2023-03-02 2023-03-02 基于视觉检测的工件表面检测方法及相关装置 Active CN116071348B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310192847.3A CN116071348B (zh) 2023-03-02 2023-03-02 基于视觉检测的工件表面检测方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310192847.3A CN116071348B (zh) 2023-03-02 2023-03-02 基于视觉检测的工件表面检测方法及相关装置

Publications (2)

Publication Number Publication Date
CN116071348A true CN116071348A (zh) 2023-05-05
CN116071348B CN116071348B (zh) 2023-06-13

Family

ID=86176911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310192847.3A Active CN116071348B (zh) 2023-03-02 2023-03-02 基于视觉检测的工件表面检测方法及相关装置

Country Status (1)

Country Link
CN (1) CN116071348B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116883417A (zh) * 2023-09-08 2023-10-13 武汉东方骏驰精密制造有限公司 基于机器视觉的工件质检方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200033842A1 (en) * 2018-07-25 2020-01-30 Jtekt Corporation Grinding quality estimation model generating device, grinding quality estimating device, poor quality factor estimating device, grinding machine operation command data adjustment model generating device, and grinding machine operation command data updating device
CN112348787A (zh) * 2020-11-03 2021-02-09 中科创达软件股份有限公司 物体缺陷检测模型的训练方法、物体缺陷检测方法及装置
CN112712033A (zh) * 2020-12-30 2021-04-27 哈尔滨工业大学 一种城市排水管网汇水区自动划分方法
CN112862763A (zh) * 2021-01-25 2021-05-28 中国石油天然气集团有限公司 基于深度学习的高钢级厚壁管件热处理状态检测***及方法
CN114083358A (zh) * 2022-01-19 2022-02-25 河北工业大学 一种工业机器人打磨工艺优化方法
CN114705685A (zh) * 2022-01-30 2022-07-05 中信云网有限公司 基于深度学习的ai视觉检测方法、***及可读存储介质
WO2022156061A1 (zh) * 2021-01-22 2022-07-28 平安科技（深圳）有限公司 一种图像模型训练方法、装置及电子设备、存储介质
CN114943733A (zh) * 2022-07-20 2022-08-26 张家港华程机车精密制管有限公司 一种钢管打磨质量评估方法及***
CN115331224A (zh) * 2022-10-17 2022-11-11 日照福瑞德科技有限公司 一种玻璃镜片打磨质量分析优化方法及***

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200033842A1 (en) * 2018-07-25 2020-01-30 Jtekt Corporation Grinding quality estimation model generating device, grinding quality estimating device, poor quality factor estimating device, grinding machine operation command data adjustment model generating device, and grinding machine operation command data updating device
CN112348787A (zh) * 2020-11-03 2021-02-09 中科创达软件股份有限公司 物体缺陷检测模型的训练方法、物体缺陷检测方法及装置
CN112712033A (zh) * 2020-12-30 2021-04-27 哈尔滨工业大学 一种城市排水管网汇水区自动划分方法
WO2022156061A1 (zh) * 2021-01-22 2022-07-28 平安科技（深圳）有限公司 一种图像模型训练方法、装置及电子设备、存储介质
CN112862763A (zh) * 2021-01-25 2021-05-28 中国石油天然气集团有限公司 基于深度学习的高钢级厚壁管件热处理状态检测***及方法
CN114083358A (zh) * 2022-01-19 2022-02-25 河北工业大学 一种工业机器人打磨工艺优化方法
CN114705685A (zh) * 2022-01-30 2022-07-05 中信云网有限公司 基于深度学习的ai视觉检测方法、***及可读存储介质
CN114943733A (zh) * 2022-07-20 2022-08-26 张家港华程机车精密制管有限公司 一种钢管打磨质量评估方法及***
CN115331224A (zh) * 2022-10-17 2022-11-11 日照福瑞德科技有限公司 一种玻璃镜片打磨质量分析优化方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周良明 等: "飞机结构件内腔机器人自动打磨工艺", 《科学技术与工程》, vol. 19, no. 36, pages 128 - 133 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116883417A (zh) * 2023-09-08 2023-10-13 武汉东方骏驰精密制造有限公司 基于机器视觉的工件质检方法及装置
CN116883417B (zh) * 2023-09-08 2023-12-05 武汉东方骏驰精密制造有限公司 基于机器视觉的工件质检方法及装置

Also Published As

Publication number Publication date
CN116071348B (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
CN110569878B (zh) 一种基于卷积神经网络的照片背景相似度聚类方法及计算机
Yogesh et al. Computer vision based analysis and detection of defects in fruits causes due to nutrients deficiency
CN114862845B (zh) 手机触摸屏的缺陷检测方法、装置、设备及存储介质
CN105184225B (zh) 一种多国纸币图像识别方法和装置
US10679094B2 (en) Automatic ruler detection
CN116071348B (zh) 基于视觉检测的工件表面检测方法及相关装置
CN110569856A (zh) 样本标注方法及装置、损伤类别的识别方法及装置
CN102982305A (zh) 信息处理设备和处理信息的方法、存储介质以及程序
WO2015146113A1 (ja) 識別辞書学習システム、識別辞書学習方法および記録媒体
CN117392042A (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN110991434B (zh) 自助终端证件识别方法及装置
CN114863129A (zh) 仪表数值分析方法、装置、设备及存储介质
CN109711287B (zh) 人脸采集方法及相关产品
CN116824337A (zh) 基于特征迁移学习的生成粗糙度预测模型的方法及***
CN111325734A (zh) 一种基于视觉模型的骨龄预测方法及装置
CN112668365A (zh) 一种物料入库识别方法、装置、设备及存储介质
CN203970354U (zh) 一种基于移动终端的中医舌象分析***
CN111382703B (zh) 一种基于二次筛选与分数融合的指静脉识别方法
CN109190489A (zh) 一种基于修复自动编码器残差的异常人脸检测方法
CN113506266A (zh) 舌头腻苔的检测方法、装置、设备及存储介质
CN110942081B (zh) 图像处理方法、装置、电子设备及可读存储介质
CN113627442A (zh) 医疗信息的录入方法、装置、设备及存储介质
CN111951287A (zh) 一种二维码检测和识读方法
CN114723748B (zh) 电机控制器的检测方法、装置、设备及存储介质
CN110990774A (zh) 小区垃圾分类识别方法、装置、设备及介质

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