CN117169247A - 一种基于机器视觉的金属表面缺陷多维度检测方法及*** - Google Patents
一种基于机器视觉的金属表面缺陷多维度检测方法及*** Download PDFInfo
- Publication number
- CN117169247A CN117169247A CN202310718800.6A CN202310718800A CN117169247A CN 117169247 A CN117169247 A CN 117169247A CN 202310718800 A CN202310718800 A CN 202310718800A CN 117169247 A CN117169247 A CN 117169247A
- Authority
- CN
- China
- Prior art keywords
- metal
- cylindrical surface
- highlight
- metal highlight
- image
- 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
- 239000002184 metal Substances 0.000 title claims abstract description 246
- 238000001514 detection method Methods 0.000 title claims abstract description 95
- 230000007547 defect Effects 0.000 title claims abstract description 91
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000002372 labelling Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000009827 uniform distribution Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910001220 stainless steel Inorganic materials 0.000 description 2
- 239000010935 stainless steel Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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机器视觉的金属表面缺陷多维度检测方法及***,该方法包括:搭建金属高亮圆柱面检测装置;基于金属高亮圆柱面检测装置对含有缺陷的金属高亮圆柱表面进行交替采集处理;对金属高亮圆柱面图像集进行图像增强处理和直线拟合操作处理;对近似均匀分布直方图和直线拟合结果进行数据标注处理;将金属高亮圆柱面标注数据输入至目标识别网络进行检测,得到金属高亮圆柱表面缺陷检测结果。本发明能够通过对含有缺陷的金属高亮圆柱表面进行交替采集处理,实现基于二维图像即可判定金属表面是否存在三维缺陷。本发明作为一种基于机器视觉的金属表面缺陷多维度检测方法及***,可广泛应用于金属圆柱高亮面缺陷检测技术领域。
Description
技术领域
本发明涉及金属圆柱高亮面缺陷检测技术领域,尤其涉及一种基于机器视觉的金属表面缺陷多维度检测方法及***。
背景技术
不锈钢材料具有优良的耐腐蚀性和成型性,在高温或低温环境下都具有足够的强度和韧性,被广泛用作锅类餐厨具制造的原材料,在锅具实际生产过程中切片和冲压工艺将锅体加工成所需的形状和大小,再进行抛光和砂光处理以获得光滑平整的表面,但由于机械故障或操作不规范等原因,加工过程中容易导致划痕、凹坑、擦伤等缺陷的产生;未佩戴劳保手套人为接触锅具表面可能会残留指纹和油污,影响产品的美观和实际使用,对于锅具表面缺陷识别和产品质量的把控,亟需一种精确高效的检测手段。随着人工智能技术的快速发展,基于机器视觉的缺陷检测技术能通过非接触式测量,对产品进行快速的高精度检测,大幅提高检测效率,在智能制造领域的作用越来越重要;
在圆柱锅外表面缺陷检测中,对于简单的二维缺陷(如划痕和擦伤),利用工业相机搭配单一类型光源采集表面缺陷图像往往能取得良好的效果。但对于部分具有三维结构的缺陷(如凹坑和凸起),一直是检测的重难点,尤其对于外表面具有高亮曲面特性的不锈钢金属圆柱锅,光线反射不均,采集的缺陷图像极易产生过曝现象,且二维图像对于三维结构高度和深度表征不够清晰,影响后续图像处理和缺陷识别。
发明内容
为了解决上述技术问题,本发明的目的是提供一种基于机器视觉的金属表面缺陷多维度检测方法及***,能够通过对含有缺陷的金属高亮圆柱表面进行交替采集处理,实现基于二维图像即可判定金属表面是否存在三维缺陷。
本发明所采用的第一技术方案是:一种基于机器视觉的金属表面缺陷多维度检测方法,包括以下步骤:
搭建金属高亮圆柱面检测装置;
基于金属高亮圆柱面检测装置对含有缺陷的金属高亮圆柱表面进行交替采集处理,获取金属高亮圆柱面图像集,所述金属高亮圆柱面图像集包括第一金属高亮圆柱面图像集和第二金属高亮圆柱面图像集;
对第一金属高亮圆柱面图像集进行图像增强处理,得到第一金属高亮圆柱面图像的近似均匀分布直方图;
对第二金属高亮圆柱面图像集进行直线拟合操作处理,得到第二金属高亮圆柱面图像的直线拟合结果;
对第一金属高亮圆柱面图像的近似均匀分布直方图和第二金属高亮圆柱面图像的直线拟合结果进行数据标注处理,得到金属高亮圆柱面图像矩形框标注数据;
将金属高亮圆柱面图像矩形框标注数据输入至目标识别网络进行检测,得到金属高亮圆柱表面缺陷检测结果。
进一步,所述金属高亮圆柱面检测装置包括工业面阵相机、条形光源、背光源、电机、旋转平台和外部触发装置。
进一步,所述基于金属高亮圆柱面检测装置对含有缺陷的金属高亮圆柱表面进行交替采集处理,获取金属高亮圆柱面图像集这一步骤,其具体包括:
将含有缺陷的金属高亮圆柱表面放置于金属高亮圆柱面检测装置中的工业面阵相机下方进行图像采集;
关闭背光源,控制金属高亮圆柱面检测装置中的条形光源对含有缺陷的金属高亮圆柱表面进行打光处理,控制金属高亮圆柱面检测装置中的旋转平台带动含有缺陷的金属高亮圆柱表面按照预设频率进行旋转,控制金属高亮圆柱面检测装置中的工业面阵相机按照预设帧率采集至少两张含有缺陷的金属高亮圆柱表面的图像;
通过切片算法截取含有缺陷的金属高亮圆柱表面的图像的曝光区域中心区域,得到多个曝光区域中心区域;
将多个曝光区域中心区域进行拼接处理,得到第一金属高亮圆柱面图像集;
关闭条形光源,控制金属高亮圆柱面检测装置中的背光源对含有缺陷的金属高亮圆柱表面进行打光处理,二次采集至少两张含有缺陷的金属高亮圆柱表面的图像,得到第二金属高亮圆柱面图像集;
整合第一金属高亮圆柱面图像集和第二金属高亮圆柱面图像集,构建金属高亮圆柱面图像集。
进一步,所述对第一金属高亮圆柱面图像集进行图像增强处理,得到第一金属高亮圆柱面图像的近似均匀分布直方图这一步骤,其具体包括:
对第一金属高亮圆柱面图像集进行直方图均衡化处理,得到均衡化后的第一金属高亮圆柱面图像;
获取均衡化后的第一金属高亮圆柱面图像的每个灰度级概率;
设定灰度级范围系数,对均衡化后的第一金属高亮圆柱面图像的每个灰度级概率进行求和计算处理并与灰度级范围系数进行相乘计算处理,得到变换后的灰度等级;
根据变换后的灰度等级计算新的灰度级概率分布,得到第一金属高亮圆柱面图像的近似均匀分布直方图。
进一步,所述直方图均衡化处理的表达式具体如下所示:
上式中,p(rk)表示对应图像每个灰度级的概率,rk表示灰度级,nk表示整副图像属于该灰度级的像素数,M×N表示图像总像素数。
进一步,所述对均衡化后的第一金属高亮圆柱面图像的每个灰度级概率进行求和计算处理并与灰度级范围系数进行相乘计算的表达式具体如下所示:
上式中,sk表示变换后的灰度等级,L-1表示灰度级范围系数,p(rj)表示灰度概率,T(rk)表示直方图均衡或直方图线性变换。
进一步,所述对第二金属高亮圆柱面图像集进行直线拟合操作处理,得到第二金属高亮圆柱面图像的直线拟合结果这一步骤,其具体包括:
获取正常的金属高亮圆柱面图像作为正常样本图像;
构建直线拟合模型;
通过RANSAC迭代算法,将正常样本图像作为观测数据对金属边界轮廓进行直线拟合,构建最优直线拟合模型;
基于最优直线拟合模型对第二金属高亮圆柱面图像集进行直线拟合处理,得到第二金属高亮圆柱面图像的直线拟合结果。
所述将金属高亮圆柱面图像矩形框标注数据输入至目标识别网络进行检测,得到金属高亮圆柱表面缺陷检测结果这一步骤,其具体包括:
将金属高亮圆柱面图像矩形框标注数据输入至目标识别网络进行检测,所述目标识别网络包括Backbone模块、Neck模块和Head模块;
基于Backbone模块,对金属高亮圆柱面图像矩形框标注数据进行特征提取处理,得到金属高亮圆柱面图像的特征数据;
基于Neck模块,对金属高亮圆柱面图像的特征数据进行通道数扩展,得到扩展后的金属高亮圆柱面图像特征数据;
基于Head模块,对扩展后的金属高亮圆柱面图像特征数据进行检测处理,得到金属高亮圆柱表面缺陷检测结果。
本发明所采用的第二技术方案是:一种基于机器视觉的金属表面缺陷多维度检测***,包括:
搭建模块,搭建金属高亮圆柱面检测装置;
采集模块,基于金属高亮圆柱面检测装置对含有缺陷的金属高亮圆柱表面进行交替采集处理,获取金属高亮圆柱面图像集,所述金属高亮圆柱面图像集包括第一金属高亮圆柱面图像集和第二金属高亮圆柱面图像集;
增强模块,对第一金属高亮圆柱面图像集进行图像增强处理,得到第一金属高亮圆柱面图像的近似均匀分布直方图;
拟合模块,对第二金属高亮圆柱面图像集进行直线拟合操作处理,得到第二金属高亮圆柱面图像的直线拟合结果;
标注模块,用于对第一金属高亮圆柱面图像的近似均匀分布直方图和第二金属高亮圆柱面图像的直线拟合结果进行数据标注处理,得到金属高亮圆柱面图像矩形框标注数据;
检测模块,用于将金属高亮圆柱面图像矩形框标注数据输入至目标识别网络进行检测,得到金属高亮圆柱表面缺陷检测结果。
本发明方法及***的有益效果是:本发明通过将金属高亮圆柱面固定在转动平台,电机驱动转台同步旋转与相机形成相对运动,采用条形光源和背光源交替打光方式分别拍摄多张包含缺陷信息的金属表面图像,其中面阵相机搭配条形光源采集到的图像只取中间曝光均匀的部分,多张局部曝光图像拼接形成完整金属圆柱表面图像,此过程模拟线扫相机拍摄过程,弥补了面阵相机单次拍摄只获取柱体局部表面信息的缺点,取多张图像中心曝光均匀区域拼接,有效削弱了光线在高亮曲面反射不均的不利影响;采用背光源打光方式,使得采集到的图像中背景与金属高亮圆柱面形成灰度差异显著的明暗场,该图像更易提取金属高亮圆柱面轮廓特征,运用RANSAC算法对边缘轮廓进行直线拟合,若金属高亮圆柱面存在凹凸变形区域,则拟合的直线与正常模型存在偏差,此方法可通过二维图像判定金属高亮圆柱面是否存在三维缺陷,两种图像采集方式交替进行,获取到缺陷图像可运用于多种下游检测任务中。
附图说明
图1是本发明一种基于机器视觉的金属表面缺陷多维度检测方法的步骤流程图;
图2是本发明一种基于机器视觉的金属表面缺陷多维度检测***的结构框图;
图3是本发明金属高亮圆柱面检测装置的结构示意图;
图4是本发明对金属高亮圆柱面图像进行中心区域截取的结果示意图;
图5是本发明目标识别网络的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1,本发明提供了一种基于机器视觉的金属表面缺陷多维度检测方法,该方法包括以下步骤:
S1、搭建金属高亮圆柱面检测装置;
具体地,参照图2,搭建检测装置,该检测平台硬件设备主要包括工业面阵相机、条形光源、背光源、电机、旋转平台、外部触发装置、上述机构所需电源及控制器,计算机等,首先固定金属高亮圆柱面于转台中心,拍摄相机中心位置与圆柱面转轴线重合,采用高角度打光方式将两根条形光源置于镜头两侧,保证条形光源方向与金属高亮圆柱面的回旋中心平行,且光源在金属高亮圆柱面形成的高亮区域与面阵相机曝光区域中心重合;将背光源垂直置于金属高亮圆柱体背侧,金属高亮圆柱体中心与背光源中心形成自然遮挡。
S2、基于金属高亮圆柱面检测装置对含有缺陷的金属高亮圆柱表面进行交替采集处理,获取金属高亮圆柱面图像集,所述金属高亮圆柱面图像集包括第一金属高亮圆柱面图像集和第二金属高亮圆柱面图像集;
具体地,金属高亮圆柱面图像采集。本方案设计一种交替打光的图像采集方法,当触发装置接收到来料信号,控制器控制条形光源打光,电机驱动旋转台带动金属高亮圆柱面同步旋转,同时相机按照预设帧率持续采集金属圆柱表面图像,转台旋转一周采集n张图像,计算机运用切片算法截取每张图像曝光区域中心的部分,记为x1,x2,x3,…,xn,最后将n个截取区域顺序拼接得到完整的柱面图像Img1。条形光源在金属高亮圆柱体中心区域形成均匀的反射面,截取图像中心区域,能避免完整面曝光图像由于光线反射不均而导致的局部质量差异情况,将多个截取区域拼合可还原圆柱表面完整图像,弥补了面阵相机单次曝光只获取金属高亮圆柱面体局部信息的缺陷,截取的中心区域示意图如图4所示,金属高亮圆柱面旋转一周完成Img1采集,此时控制器控制条形光源关闭,背光源打开,转台再次旋转拍摄n张图像,得到Img2,由于背光源部分区域被圆柱外表面遮挡,只有部分光线进入相机,获取的图像背景与前景(圆柱体)部分形成灰度差异显著的明暗区域,此时金属高亮圆柱体边界处的轮廓特征显著,有利于算法拟合,转台旋转两周,利用面阵相机,搭配条形光源与背光源交替采集方式,获取两种包含不同特征信息的图像Img1与Img2。
S3、对第一金属高亮圆柱面图像集进行图像增强处理,得到第一金属高亮圆柱面图像的近似均匀分布直方图;
具体地,对两种图像分别执行图像增强处理与直线拟合操作。针对图像Img1,为了增强所采集的图像对比度,突出图像中细微缺陷特征,对采集后的图像Img1进行直方图均衡化处理,其表达式具体为:
式中p(rk)对应图像每个灰度级的概率,rk为灰度级:0~255,nk表示整副图像属于该灰度级的像素数,分别计算得到图像中每个灰度级出现的概率,进行均衡化,其表达式为:
对每个灰度级概率求和,再与灰度级范围相乘(灰度级从0开始所以用L-1表示),将得到的sk四舍五入取整,得到变换后的灰度等级,以新的灰度坐标重新计算概率分布,可以得到原图像经过处理后的近似均匀分布直方图,处理后的图像细节更加丰富,缺陷检测效果更为直观。
S4、对第二金属高亮圆柱面图像集进行直线拟合操作处理,得到第二金属高亮圆柱面图像的直线拟合结果;
具体地,对于多张Img2图像,使用RANSAC迭代算法将正常样本作为观测数据对金属高亮圆柱体边界轮廓进行直线拟合,假定模型为直线方程,随机抽取一个样本中N个数据点作为构成内点集合,将直线拟合到模型选择内点数最多的区域,多于本数据样本而言,前景与背景区域差异显著,处于金属高亮圆柱体边界轮廓区域采样点具备明显的线性相关性,所以直线在金属高亮圆柱体边界处能轻易拟合。然后针对拟合模型测试所有其他数据,根据某些特定于模型的损失函数,能够很好拟合估计模型的点被视为共识集的一部分,无缺陷样本会有足够多的点被归类为共识集,则估计模型效果好。将此抽样测试过程重复多次以得到最优的拟合模型。当金属高亮圆柱体表面存在凹凸形变区域时,拟合的直线与标准模型存在位置偏差,依据实验结果设定合适的内点阈值t,当拟合直线的内点个数N<t时判定金属高亮圆柱体表面存在形变缺陷,该拟合方案可直接通过二维图像判断金属高亮圆柱曲表面是否存在凹坑、凸起这类具有三维结构的缺陷,其中,直线拟合是适用于初步判断表面是否存在三维缺陷,可以基于拟合图像标注出缺陷区域,指定缺陷的类型,需要再输入目标检测网络识别,目标检测网络输出的是以锚框的形式输出缺陷位置和类型的。
S5、对第一金属高亮圆柱面图像的近似均匀分布直方图和第二金属高亮圆柱面图像的直线拟合结果进行数据标注处理,得到金属高亮圆柱面图像矩形框标注数据;
具体地,首先通过Labelme软件对待测图像Img1与Img2进行矩形框标注,数据标注相当于对数据进行加工。根据检测任务需求对Img1与Img2进行矩形框、语义分割、实例分割等标注。
S6、将金属高亮圆柱面图像矩形框标注数据输入至目标识别网络进行检测,得到金属高亮圆柱表面缺陷检测结果。
具体地,将矩形框标注数据送入目标识别网络进行训练,如YOLO,Fast R-CNN等;逐像素标注数据适用于分割网络,如Unet,DeepLab,Mask R-CNN等。下面以YOLOv5为例对采集到的图像进行缺陷目标检测,将标注后的图像作为原始数据输入CSP-Darknet53主干网络进行特征提取,其中包括Conv层,CSP层与SPPF层,其中Conv层进行常规卷积操作,后跟Batch Normalization,SiLu激活函数防止过拟合,加速模型收敛的作用;CSP层主要融合了残差结构对特征进行学习,该层分别设计两个分支结构,一支指定多个Bottleneck残差结构堆叠,另一支只经过一个卷积层提取特征,最后将两分支进行拼接(Concat)操作;SPPF层通过3个5×5大小的卷积核级联,融合不同感受野的特征图,丰富了图像特征能力的表达,进一步提高了模型的运行速度和检测精度。网络的Neck模块主要采用了PANet结构,该结构在FPN网络基础上又引入了一个下采样特征路径,使底层的位置信息也能够传递到深层,从而增强多个尺度上的定位能力。网络Head层通过1×1卷积对Neck层中得到的不同尺度的特征图进行通道数扩展,扩展后的特征通道数为(类别数量+5)×每个检测层上的预选框数量。其中5分别对应的是预测框的中心点横坐标、纵坐标、宽度、高度和置信度,取值范围为(0,1),值越大说明该预测框中越有可能存在缺陷目标。Head中的3个检测层分别对应Neck层中得到的3种不同尺寸的特征图。特征图上的每个网格都预设了3个不同宽高比的候选框,可以在特征图的通道维度上保存所有先验框的位置信息和分类信息,最终预测和回归缺陷目标,网络结构如图5所示。
参照图2,一种基于机器视觉的金属表面缺陷多维度检测***,包括:
搭建模块,搭建金属高亮圆柱面检测装置;
采集模块,基于金属高亮圆柱面检测装置对含有缺陷的金属高亮圆柱表面进行交替采集处理,获取金属高亮圆柱面图像集,所述金属高亮圆柱面图像集包括第一金属高亮圆柱面图像集和第二金属高亮圆柱面图像集;
增强模块,对第一金属高亮圆柱面图像集进行图像增强处理,得到第一金属高亮圆柱面图像的近似均匀分布直方图;
拟合模块,对第二金属高亮圆柱面图像集进行直线拟合操作处理,得到第二金属高亮圆柱面图像的直线拟合结果;
标注模块,用于对第一金属高亮圆柱面图像的近似均匀分布直方图和第二金属高亮圆柱面图像的直线拟合结果进行数据标注处理,得到金属高亮圆柱面图像矩形框标注数据;
检测模块,用于将金属高亮圆柱面图像矩形框标注数据输入至目标识别网络进行检测,得到金属高亮圆柱表面缺陷检测结果。
综上所述,本方案设计的条形光源和背光源交替打光方式的图像采集方式同时采集两种不同类型图像,采用条形光源打光,通过截取面曝光图像部分区域再拼接得到完整柱面图像Img1,有效避免了光线在高亮曲面反射不均的不利影响,同时弥补了面阵相机无法获取柱体表面全局信息的缺陷;使用背光源打光方式,采集前景灰暗,背景高亮的特征图像Img2,运用RANSAC算法对边缘轮廓进行直线拟合,在二维图像通过阈值判断方法检测金属高亮圆柱体表面是否存在三维结构缺陷。两种方式采集到的缺陷图像均可运用于多种下游检测任务中。
上述方法实施例中的内容均适用于本***实施例中,本***实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (9)
1.一种基于机器视觉的金属表面缺陷多维度检测方法,其特征在于,包括以下步骤:
搭建金属高亮圆柱面检测装置;
基于金属高亮圆柱面检测装置对含有缺陷的金属高亮圆柱表面进行交替采集处理,获取金属高亮圆柱面图像集,所述金属高亮圆柱面图像集包括第一金属高亮圆柱面图像集和第二金属高亮圆柱面图像集;
对第一金属高亮圆柱面图像集进行图像增强处理,得到第一金属高亮圆柱面图像的近似均匀分布直方图;
对第二金属高亮圆柱面图像集进行直线拟合操作处理,得到第二金属高亮圆柱面图像的直线拟合结果;
对第一金属高亮圆柱面图像的近似均匀分布直方图和第二金属高亮圆柱面图像的直线拟合结果进行数据标注处理,得到金属高亮圆柱面图像矩形框标注数据;
将金属高亮圆柱面图像矩形框标注数据输入至目标识别网络进行检测,得到金属高亮圆柱表面缺陷检测结果。
2.根据权利要求1所述一种基于机器视觉的金属表面缺陷多维度检测方法,其特征在于,所述金属高亮圆柱面检测装置包括工业面阵相机、条形光源、背光源、电机、旋转平台和外部触发装置。
3.根据权利要求2所述一种基于机器视觉的金属表面缺陷多维度检测方法,其特征在于,所述基于金属高亮圆柱面检测装置对含有缺陷的金属高亮圆柱表面进行交替采集处理,获取金属高亮圆柱面图像集这一步骤,其具体包括:
将含有缺陷的金属高亮圆柱表面放置于金属高亮圆柱面检测装置中的工业面阵相机下方进行图像采集;
关闭背光源,控制金属高亮圆柱面检测装置中的条形光源对含有缺陷的金属高亮圆柱表面进行打光处理,控制金属高亮圆柱面检测装置中的旋转平台带动含有缺陷的金属高亮圆柱表面按照预设频率进行旋转,控制金属高亮圆柱面检测装置中的工业面阵相机按照预设帧率采集至少两张含有缺陷的金属高亮圆柱表面的图像;
通过切片算法截取含有缺陷的金属高亮圆柱表面的图像的曝光区域中心区域,得到多个曝光区域中心区域;
将多个曝光区域中心区域进行拼接处理,得到第一金属高亮圆柱面图像集;
关闭条形光源,控制金属高亮圆柱面检测装置中的背光源对含有缺陷的金属高亮圆柱表面进行打光处理,二次采集至少两张含有缺陷的金属高亮圆柱表面的图像,得到第二金属高亮圆柱面图像集;
整合第一金属高亮圆柱面图像集和第二金属高亮圆柱面图像集,构建金属高亮圆柱面图像集。
4.根据权利要求3所述一种基于机器视觉的金属表面缺陷多维度检测方法,其特征在于,所述对第一金属高亮圆柱面图像集进行图像增强处理,得到第一金属高亮圆柱面图像的近似均匀分布直方图这一步骤,其具体包括:
对第一金属高亮圆柱面图像集进行直方图均衡化处理,得到均衡化后的第一金属高亮圆柱面图像;
获取均衡化后的第一金属高亮圆柱面图像的每个灰度级概率;
设定灰度级范围系数,对均衡化后的第一金属高亮圆柱面图像的每个灰度级概率进行求和计算处理并与灰度级范围系数进行相乘计算处理,得到变换后的灰度等级;
根据变换后的灰度等级计算新的灰度级概率分布,得到第一金属高亮圆柱面图像的近似均匀分布直方图。
5.根据权利要求4所述一种基于机器视觉的金属表面缺陷多维度检测方法,其特征在于,所述直方图均衡化处理的表达式具体如下所示:
上式中,p(rk)表示对应图像每个灰度级的概率,rk表示灰度级,nk表示整副图像属于该灰度级的像素数,M×N表示图像总像素数。
6.根据权利要求5所述一种基于机器视觉的金属表面缺陷多维度检测方法,其特征在于,所述对均衡化后的第一金属高亮圆柱面图像的每个灰度级概率进行求和计算处理并与灰度级范围系数进行相乘计算的表达式具体如下所示:
上式中,sk表示变换后的灰度等级,L-1表示灰度级范围系数,p(rj)表示灰度概率,T(rk)表示直方图均衡或直方图线性变换。
7.根据权利要求6所述一种基于机器视觉的金属表面缺陷多维度检测方法,其特征在于,所述对第二金属高亮圆柱面图像集进行直线拟合操作处理,得到第二金属高亮圆柱面图像的直线拟合结果这一步骤,其具体包括:
获取正常的金属高亮圆柱面图像作为正常样本图像;
构建直线拟合模型;
通过RANSAC迭代算法,将正常样本图像作为观测数据对金属边界轮廓进行直线拟合,构建最优直线拟合模型;
基于最优直线拟合模型对第二金属高亮圆柱面图像集进行直线拟合处理,得到第二金属高亮圆柱面图像的直线拟合结果。
8.根据权利要求7所述一种基于机器视觉的金属表面缺陷多维度检测方法,其特征在于,所述将金属高亮圆柱面图像矩形框标注数据输入至目标识别网络进行检测,得到金属高亮圆柱表面缺陷检测结果这一步骤,其具体包括:
将金属高亮圆柱面图像矩形框标注数据输入至目标识别网络进行检测,所述目标识别网络包括Backbone模块、Neck模块和Head模块;
基于Backbone模块,对金属高亮圆柱面图像矩形框标注数据进行特征提取处理,得到金属高亮圆柱面图像的特征数据;
基于Neck模块,对金属高亮圆柱面图像的特征数据进行通道数扩展,得到扩展后的金属高亮圆柱面图像特征数据;
基于Head模块,对扩展后的金属高亮圆柱面图像特征数据进行检测处理,得到金属高亮圆柱表面缺陷检测结果。
9.一种基于机器视觉的金属表面缺陷多维度检测***,其特征在于,包括以下模块:
搭建模块,搭建金属高亮圆柱面检测装置;
采集模块,基于金属高亮圆柱面检测装置对含有缺陷的金属高亮圆柱表面进行交替采集处理,获取金属高亮圆柱面图像集,所述金属高亮圆柱面图像集包括第一金属高亮圆柱面图像集和第二金属高亮圆柱面图像集;
增强模块,对第一金属高亮圆柱面图像集进行图像增强处理,得到第一金属高亮圆柱面图像的近似均匀分布直方图;
拟合模块,对第二金属高亮圆柱面图像集进行直线拟合操作处理,得到第二金属高亮圆柱面图像的直线拟合结果;
标注模块,用于对第一金属高亮圆柱面图像的近似均匀分布直方图和第二金属高亮圆柱面图像的直线拟合结果进行数据标注处理,得到金属高亮圆柱面图像矩形框标注数据;
检测模块,用于将金属高亮圆柱面图像矩形框标注数据输入至目标识别网络进行检测,得到金属高亮圆柱表面缺陷检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310718800.6A CN117169247A (zh) | 2023-06-16 | 2023-06-16 | 一种基于机器视觉的金属表面缺陷多维度检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310718800.6A CN117169247A (zh) | 2023-06-16 | 2023-06-16 | 一种基于机器视觉的金属表面缺陷多维度检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117169247A true CN117169247A (zh) | 2023-12-05 |
Family
ID=88941978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310718800.6A Pending CN117169247A (zh) | 2023-06-16 | 2023-06-16 | 一种基于机器视觉的金属表面缺陷多维度检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117169247A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117876364A (zh) * | 2024-03-11 | 2024-04-12 | 陕西煜成和汇金属材料有限公司 | 基于图像识别的金属棒材缺陷检测方法及*** |
-
2023
- 2023-06-16 CN CN202310718800.6A patent/CN117169247A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117876364A (zh) * | 2024-03-11 | 2024-04-12 | 陕西煜成和汇金属材料有限公司 | 基于图像识别的金属棒材缺陷检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179251B (zh) | 基于孪生神经网络利用模板比对的缺陷检测***及方法 | |
CN102426649B (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
CN109509187B (zh) | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 | |
CN113239930B (zh) | 一种玻璃纸缺陷识别方法、***、装置及存储介质 | |
CN110610475B (zh) | 一种深度卷积神经网络的视觉缺陷检测方法 | |
CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN110763700A (zh) | 一种半导体元器件缺陷检测方法和设备 | |
CN113706490B (zh) | 一种晶片缺陷检测方法 | |
CN114120317B (zh) | 基于深度学习和图像处理的光学元件表面损伤识别方法 | |
CN117169247A (zh) | 一种基于机器视觉的金属表面缺陷多维度检测方法及*** | |
CN113240647A (zh) | 一种基于深度学习的手机外壳后盖缺陷检测方法和*** | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测*** | |
CN116678826A (zh) | 一种基于快速立体重建的外观缺陷检测***及方法 | |
CN110458019B (zh) | 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法 | |
CN115731198A (zh) | 一种皮革表面缺陷智能检测*** | |
CN116309275A (zh) | 一种电池片图像亚像素边缘检测方法、装置及存储介质 | |
Dominguez-Nicolas et al. | Indentation image analysis for Vickers hardness testing | |
CN114018946B (zh) | 一种基于OpenCV的高反光瓶盖缺陷检测方法 | |
CN110232694B (zh) | 一种红外偏振热像阈值分割方法 | |
CN115456938A (zh) | 一种基于深度学习和超声红外图像的金属部件裂纹检测方法 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
CN114612418A (zh) | 一种鼠标外壳表面缺陷检测方法及装置、***、电子设备 | |
Chen et al. | Robust dislocation defects region segmentation for polysilicon wafer image with random texture background |
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 |