CN117495867B - 小模数齿轮精度的视觉检测方法及*** - Google Patents
小模数齿轮精度的视觉检测方法及*** Download PDFInfo
- Publication number
- CN117495867B CN117495867B CN202410006849.3A CN202410006849A CN117495867B CN 117495867 B CN117495867 B CN 117495867B CN 202410006849 A CN202410006849 A CN 202410006849A CN 117495867 B CN117495867 B CN 117495867B
- Authority
- CN
- China
- Prior art keywords
- gear
- dimensional
- images
- model
- initial
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 61
- 230000000007 visual effect Effects 0.000 title claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 147
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 27
- 230000004927 fusion Effects 0.000 claims abstract description 22
- 238000011179 visual inspection Methods 0.000 claims description 27
- 210000003781 tooth socket Anatomy 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000004519 manufacturing process Methods 0.000 description 11
- 230000007547 defect Effects 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 7
- 238000003908 quality control method Methods 0.000 description 5
- 239000000306 component Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 238000004138 cluster model Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 238000013450 outlier detection Methods 0.000 description 3
- 230000005477 standard model Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000008358 core component Substances 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
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- 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
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biodiversity & Conservation Biology (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及视觉检测领域,公开了一种小模数齿轮精度的视觉检测方法及***,用于提高小模数齿轮的视觉检测精度。方法包括:采集小模数塑胶齿轮的多个初始齿轮图像并进行齿形区域标准化处理,得到多个标准齿轮图像;进行多层次特征分解,得到多个不同层次的第一齿轮特征图像;进行特征图融合,得到多个第二齿轮特征图像;进行三维建模,得到初始三维齿轮模型并进行齿槽和轮廓异常点检测,得到齿槽异常点和轮廓异常点;进行齿轮异常点增强处理,生成目标三维齿轮模型;对目标三维齿轮模型进行齿轮粗糙度分析,得到齿轮粗糙度数据,并根据齿轮粗糙度数据对小模数塑胶齿轮进行齿轮质量分类,得到对应的目标齿轮质量分类结果。
Description
技术领域
本发明涉及视觉检测领域,尤其涉及一种小模数齿轮精度的视觉检测方法及***。
背景技术
在工业制造领域,小模数齿轮广泛应用于各种设备和机械***中,如精密仪器、汽车、电子设备等。齿轮作为机械传动的核心组件之一,其精度直接关系到设备的性能、稳定性和寿命。因此,对小模数齿轮的精度进行有效的检测和质量控制是制造过程中的重要环节。
传统的齿轮检测方法主要依赖于人工目视检测和测量,这种方式存在效率低、易受主观因素影响等缺点。随着计算机视觉和深度学习技术的发展,自动化的视觉检测方法逐渐应用于齿轮制造领域,为提高生产效率、降低成本、提高齿轮精度提供了新的性。
发明内容
本发明提供了一种小模数齿轮精度的视觉检测方法及***,用于提高小模数齿轮的视觉检测精度。
本发明第一方面提供了一种小模数齿轮精度的视觉检测方法,所述小模数齿轮精度的视觉检测方法包括:采集小模数塑胶齿轮的多个初始齿轮图像,并分别对所述多个初始齿轮图像进行齿形区域标准化处理,得到多个标准齿轮图像;分别对所述多个标准齿轮图像进行多层次特征分解,得到每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像;分别对每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像进行特征图融合,得到多个第二齿轮特征图像;根据所述多个第二齿轮特征图像对所述小模数塑胶齿轮进行三维建模,得到初始三维齿轮模型,并对所述初始三维齿轮模型和预置的模板三维齿轮模型进行齿槽和轮廓异常点检测,得到对应的齿槽异常点和轮廓异常点;根据所述齿槽异常点和所述轮廓异常点对所述初始三维齿轮模型进行齿轮异常点增强处理,生成目标三维齿轮模型;对所述目标三维齿轮模型进行齿轮粗糙度分析,得到齿轮粗糙度数据,并根据所述齿轮粗糙度数据对所述小模数塑胶齿轮进行齿轮质量分类,得到对应的目标齿轮质量分类结果。
结合第一方面,在本发明第一方面的第一种实现方式中,所述采集小模数塑胶齿轮的多个初始齿轮图像,并分别对所述多个初始齿轮图像进行齿形区域标准化处理,得到多个标准齿轮图像,包括:通过预置的光场相机采集小模数塑胶齿轮的多个初始齿轮图像;通过预置的重聚焦算法对所述多个初始齿轮图像进行全局焦点标定,得到每个初始齿轮图像的全局焦点;根据所述全局焦点对所述多个初始齿轮图像进行深度标定,得到每个初始齿轮图像的深度标定信息;根据所述深度标定信息对所述多个初始齿轮图像进行齿形区域识别和定位,得到每个初始齿轮图像的齿形区域框;根据所述齿形区域框,对所述多个初始齿轮图像中的齿形区域进行区域标准化处理,得到多个标准齿轮图像。
结合第一方面,在本发明第一方面的第二种实现方式中,所述分别对所述多个标准齿轮图像进行多层次特征分解,得到每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像,包括:分别将所述多个标准齿轮图像输入预置的UNet网络,所述UNet网络包括两个卷积编码器以及两个卷积解码器;通过所述两个卷积编码器中的第一个卷积编码器分别对所述多个标准齿轮图像进行特征提取,得到第一编码特征图,通过所述两个卷积编码器之间的多个第一跳跃连接将所述第一编码特征图以及对应的标准齿轮图像输入所述两个卷积编码器的第二个卷积编码器进行特征图提取,得到每个标准齿轮图像对应的第二编码特征图;将每个标准齿轮图像对应的第二编码特征图输入所述两个卷积解码器,通过所述两个卷积解码器中的第一个卷积解码器对所述第二编码特征图进行上采样,得到第一解码特征图,并通过所述两个卷积解码器之间的多个第二跳跃连接将所述第一解码特征图以及对应的第二编码特征图输入所述两个卷积解码器的第二个卷积解码器进行特征图层次划分,得到每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像。
结合第一方面,在本发明第一方面的第三种实现方式中,所述分别对每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像进行特征图融合,得到多个第二齿轮特征图像,包括:分别对每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像进行特征图像分解,得到每个层次的三个齿轮细节特征图像以及一个齿轮基础特征图像;通过预置的改进拉普拉斯算子对所述齿轮细节特征图像进行齿轮弱细节信息捕捉,得到目标齿轮弱细节信息;根据所述目标齿轮弱细节信息对所述齿轮细节特征图像进行齿轮弱细节特征增强,得到每个层次的目标细节特征图像;对每个层次的目标细节特征图像和所述齿轮基础特征图像进行加权融合,得到所述多个标准齿轮图像对应的多个第二齿轮特征图像。
结合第一方面,在本发明第一方面的第四种实现方式中,所述根据所述多个第二齿轮特征图像对所述小模数塑胶齿轮进行三维建模,得到初始三维齿轮模型,并对所述初始三维齿轮模型和预置的模板三维齿轮模型进行齿槽和轮廓异常点检测,得到对应的齿槽异常点和轮廓异常点,包括:根据所述多个第二齿轮特征图像对所述小模数塑胶齿轮进行多角度二维卷积运算,得到多个像素点输出值;根据所述多个像素点输出值,构建所述小模数塑胶齿轮的初始三维齿轮模型;获取所述小模数塑胶齿轮的模板三维齿轮模型,并对所述初始三维齿轮模型和所述模板三维齿轮模型进行三维空间点模板匹配,得到三维模板匹配结果;根据所述三维模板匹配结果对所述初始三维齿轮模型进行齿槽和轮廓异常点提取,得到多个候选异常点;根据预设的异常阈值,对所述多个候选异常点进行异常点筛选,得到对应的齿槽异常点和轮廓异常点。
结合第一方面,在本发明第一方面的第五种实现方式中,所述根据所述齿槽异常点和所述轮廓异常点对所述初始三维齿轮模型进行齿轮异常点增强处理,生成目标三维齿轮模型,包括:分别计算所述齿槽异常点和所述轮廓异常点在所述初始三维齿轮模型中所占的比例,得到目标异常点比例;根据所述目标异常点比例计算对应的倒数,并将所述目标异常点比例的倒数作为聚类模型的目标聚类参数;根据所述目标聚类参数,并通过所述聚类模型对所述初始三维齿轮模型中的齿槽异常点和轮廓异常点进行异常点聚类,得到异常点聚类数据;对所述异常点聚类数据进行异常点插值,生成异常点插值数据,并根据所述异常点插值数据对所述初始三维齿轮模型进行模型组合,生成目标三维齿轮模型。
结合第一方面,在本发明第一方面的第六种实现方式中,所述对所述目标三维齿轮模型进行齿轮粗糙度分析,得到齿轮粗糙度数据,并根据所述齿轮粗糙度数据对所述小模数塑胶齿轮进行齿轮质量分类,得到对应的目标齿轮质量分类结果,包括:对所述目标三维齿轮模型进行齿轮粗糙度分析,得到齿轮粗糙度数据;对所述齿轮粗糙度数据与第一齿轮质量分数阈值和第二齿轮质量分数阈值进行比较,其中,第一齿轮质量分数阈值<第二齿轮质量分数阈值;若齿轮粗糙度数据<第一齿轮质量分数阈值,则将所述小模数塑胶齿轮划分至第一齿轮质量分类等级,若第一齿轮质量分数阈值<齿轮粗糙度数据<第二齿轮质量分数阈值,则将所述小模数塑胶齿轮划分至第二齿轮质量分类等级,若第二齿轮质量分数阈值<齿轮粗糙度数据,则将所述小模数塑胶齿轮划分至第三齿轮质量分类等级,得到对应的目标齿轮质量分类结果。
本发明第二方面提供了一种小模数齿轮精度的视觉检测装置,所述小模数齿轮精度的视觉检测装置包括:采集模块,用于采集小模数塑胶齿轮的多个初始齿轮图像,并分别对所述多个初始齿轮图像进行齿形区域标准化处理,得到多个标准齿轮图像;分解模块,用于分别对所述多个标准齿轮图像进行多层次特征分解,得到每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像;融合模块,用于分别对每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像进行特征图融合,得到多个第二齿轮特征图像;建模模块,用于根据所述多个第二齿轮特征图像对所述小模数塑胶齿轮进行三维建模,得到初始三维齿轮模型,并对所述初始三维齿轮模型和预置的模板三维齿轮模型进行齿槽和轮廓异常点检测,得到对应的齿槽异常点和轮廓异常点;增强模块,用于根据所述齿槽异常点和所述轮廓异常点对所述初始三维齿轮模型进行齿轮异常点增强处理,生成目标三维齿轮模型;分类模块,用于对所述目标三维齿轮模型进行齿轮粗糙度分析,得到齿轮粗糙度数据,并根据所述齿轮粗糙度数据对所述小模数塑胶齿轮进行齿轮质量分类,得到对应的目标齿轮质量分类结果。
本发明第三方面提供了一种小模数齿轮精度的视觉检测设备,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,以使得所述小模数齿轮精度的视觉检测设备执行上述的小模数齿轮精度的视觉检测方法。
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小模数齿轮精度的视觉检测方法。
本发明提供的技术方案中,采集小模数塑胶齿轮的多个初始齿轮图像并进行齿形区域标准化处理,得到多个标准齿轮图像;进行多层次特征分解,得到多个不同层次的第一齿轮特征图像;进行特征图融合,得到多个第二齿轮特征图像;进行三维建模,得到初始三维齿轮模型并进行齿槽和轮廓异常点检测,得到齿槽异常点和轮廓异常点;进行齿轮异常点增强处理,生成目标三维齿轮模型;对目标三维齿轮模型进行齿轮粗糙度分析,得到齿轮粗糙度数据,并根据齿轮粗糙度数据对小模数塑胶齿轮进行齿轮质量分类,得到对应的目标齿轮质量分类结果,本发明通过光场相机、重聚焦算法和深度学习网络的综合运用,实现对小模数塑胶齿轮的高精度检测。光场相机提供了更多的深度信息,重聚焦算法增强了图像的清晰度,而深度学习网络能够有效地提取齿轮图像的特征。采用UNet网络进行多层次特征分解,并通过特征融合,更全面地捕捉和表示小模数齿轮的各层次特征。这有助于提高对齿轮形状和结构的准确理解。通过多角度二维卷积运算构建三维齿轮模型,增强了对齿轮形状的建模能力。使用模板匹配算法进行异常点检测,有效识别和排除的制造缺陷,提高了检测的准确性。采用异常点聚类和插值技术对齿轮模型进行异常点增强处理,使检测结果更加稳健。这种方法不仅提高了异常点的检测效果,还通过插值修复模型,确保生成的目标三维齿轮模型更符合设计要求。引入齿轮粗糙度分析,提供了对齿轮表面质量的定量评估。通过齿轮粗糙度数据,对小模数塑胶齿轮进行精准分类,使得质量控制更为细致和可靠。通过整合光场相机、深度学习、重聚焦算法、模板匹配等多种技术,提供了一套全面的小模数齿轮视觉检测解决方案。这种综合性的方法不仅可以满足齿轮形状、异常点和质量等多方面的检测需求,还能适应不同制造环境的要求,进而提高了小模数齿轮的视觉检测精度。
附图说明
图1为本发明实施例中小模数齿轮精度的视觉检测方法的一个实施例示意图;
图2为本发明实施例中多层次特征分解的流程图;
图3为本发明实施例中特征图融合的流程图;
图4为本发明实施例中齿槽和轮廓异常点检测的流程图;
图5为本发明实施例中小模数齿轮精度的视觉检测装置的一个实施例示意图;
图6为本发明实施例中小模数齿轮精度的视觉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小模数齿轮精度的视觉检测方法及***,用于提高小模数齿轮的视觉检测精度。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,本发明实施例中小模数齿轮精度的视觉检测方法的一个实施例包括:
S101、采集小模数塑胶齿轮的多个初始齿轮图像,并分别对多个初始齿轮图像进行齿形区域标准化处理,得到多个标准齿轮图像;
可以理解的是,本发明的执行主体可以为小模数齿轮精度的视觉检测装置,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,通过预置的光场相机采集小模数塑胶齿轮的多个初始齿轮图像。光场相机具有高分辨率和深度感知能力,适用于对齿轮的微观细节进行捕捉。随后,采用预置的重聚焦算法对多个初始齿轮图像进行全局焦点标定。目的是确定每个初始齿轮图像的全局焦点位置,以确保所有图像的焦点位于齿轮的关键区域,从而获得清晰的图像。基于全局焦点信息,进行深度标定,以获得每个初始齿轮图像的深度标定信息。这些信息可用于确定每个图像中不同区域的深度差异,有助于分析齿轮形状。使用深度标定信息对多个初始齿轮图像进行齿形区域识别和定位。通过分析深度信息,可以确定齿轮上的齿形区域,然后根据这些信息,得到每个初始齿轮图像的齿形区域框。根据齿形区域框,对多个初始齿轮图像中的齿形区域进行区域标准化处理,以获得多个标准齿轮图像。确保齿轮的各个部分都以相同的标准进行处理,从而消除了的图像畸变和不一致性,为后续的齿轮形状分析提供了一致的数据。
S102、分别对多个标准齿轮图像进行多层次特征分解,得到每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像;
具体的,分别将多个标准齿轮图像输入到预置的UNet网络中,这个网络具有强大的图像处理和特征提取能力。UNet结构分为编码器和解码器两部分,有助于实现多层次特征分解。在编码器部分,使用第一个卷积编码器对多个标准齿轮图像进行特征提取。这个编码器通过卷积操作从图像中提取低级特征,例如边缘和纹理,生成第一编码特征图。这些特征有助于识别图像中的基本特征。为了更好地捕捉图像的上下文信息和更高级的特征,使用多个第一跳跃连接,将第一编码特征图与对应的标准齿轮图像一起输入到第二个卷积编码器中。这有助于保留图像中的更多信息,包括齿轮的形状和结构,从而生成第二编码特征图。随后,将第二编码特征图送入UNet网络的解码器部分,以还原和分割特征,实现多层次特征分解。在解码器中,通过第一个卷积解码器对第二编码特征图进行上采样,生成第一解码特征图。这个特征图具有更高的分辨率,包含了更多的细节,有助于更好地理解图像的特征。使用多个第二跳跃连接,将第一解码特征图与对应的第二编码特征图输入到第二个卷积解码器中。这一步骤有助于对特征图进行层次划分,生成多个不同层次的第一齿轮特征图像。通过这个多层次特征分解的过程,每个标准齿轮图像都被分解为多个不同层次的特征图像。这些特征图像包含了从低级到高级的不同特征,从边缘到形状的各个层次。这种方法有助于更全面地理解和表示齿轮的特征,提高了齿轮的精度检测能力。这些多层次特征图像可以用于后续的三维建模、异常点检测和齿轮质量分析,以确保齿轮的质量符合要求。
S103、分别对每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像进行特征图融合,得到多个第二齿轮特征图像;
需要说明的是,分别对每个标准齿轮图像的多个不同层次的第一齿轮特征图像进行特征图像分解。将每个特征图像分解为三个齿轮细节特征图像和一个齿轮基础特征图像。这种分解有助于将齿轮特征分成细节和基础部分,使特征更易于处理和理解。通过使用预置的改进拉普拉斯算子,对齿轮细节特征图像进行处理,以捕捉齿轮的弱细节信息。这一步骤有助于提取齿轮特征中的微小变化和细微细节,从而更全面地理解齿轮的结构。随后,根据捕获的目标齿轮弱细节信息,对齿轮细节特征图像进行弱细节特征增强。目的是增强齿轮细节,使其更明显,有助于检测和分析齿轮的微小缺陷或变化。将每个层次的目标细节特征图像与齿轮基础特征图像进行加权融合,以得到多个标准齿轮图像对应的多个第二齿轮特征图像。这个融合过程考虑了细节和基础特征的权重,确保齿轮特征的完整性和一致性。这个特征图融合过程有助于综合各个特征图像,使齿轮的多层次特征得以整合,提供更全面和准确的信息。这些第二齿轮特征图像可以用于后续的三维建模、异常点检测和齿轮质量分析,以确保齿轮的精度和质量得到准确评估。
S104、根据多个第二齿轮特征图像对小模数塑胶齿轮进行三维建模,得到初始三维齿轮模型,并对初始三维齿轮模型和预置的模板三维齿轮模型进行齿槽和轮廓异常点检测,得到对应的齿槽异常点和轮廓异常点;
具体的,根据多个第二齿轮特征图像,进行多角度二维卷积运算,以得到多个像素点输出值。这一步骤有助于从特征图像中提取齿轮的信息,包括形状和结构等方面的特征。这些像素点输出值将用于后续的三维建模。利用这些像素点输出值构建小模数塑胶齿轮的初始三维齿轮模型。这个模型代表了齿轮的三维形状,是后续分析的基础。同时,获取小模数塑胶齿轮的模板三维齿轮模型,这是一个已知的标准模型,用于与初始三维齿轮模型进行比较和匹配。通过三维空间点模板匹配,将初始三维齿轮模型与模板三维齿轮模型进行匹配,得到三维模板匹配结果。目的是找到初始模型和标准模型之间的相似性和差异。接着,根据三维模板匹配结果,进行齿槽和轮廓异常点的提取。异常点表示了初始模型与标准模型之间的差异,这些差异是齿轮的缺陷或不符合规格的地方。根据预设的异常阈值,对提取的多个候选异常点进行异常点筛选。这个步骤有助于确定哪些异常点是真正的问题,而哪些是噪音或误差。通过这个过程,可以得到齿槽异常点和轮廓异常点的位置信息,这些异常点可以用于进一步的分析和评估齿轮的质量和精度。异常点的数量和位置可以帮助确定齿轮的缺陷或不合格之处,从而实现对齿轮精度的可靠检测和评估。例如,如果初始三维齿轮模型与模板三维齿轮模型在齿轮的某个特定区域存在显著差异,那么在这个区域会被检测到齿槽异常点或轮廓异常点。这些异常点表明齿轮在这一区域存在问题,需要进一步的检查和维修。这个方法结合了三维建模和异常点检测技术,为小模数齿轮的视觉检测提供了强大的工具,以确保齿轮的质量和精度符合要求。
S105、根据齿槽异常点和轮廓异常点对初始三维齿轮模型进行齿轮异常点增强处理,生成目标三维齿轮模型;
具体的,根据已检测到的齿槽异常点和轮廓异常点计算它们在初始三维齿轮模型中所占的比例。这可以通过统计异常点的数量并将其除以总的三维齿轮模型点的数量来实现。这个比例将帮助确定异常点在整个模型中的分布程度,即它们在齿轮模型中的重要性。根据计算得到的齿槽异常点和轮廓异常点的比例,计算对应的倒数。这个倒数将作为聚类模型的目标聚类参数。倒数的计算有助于将异常点比例转化为聚类模型的参数,用于后续的异常点聚类。使用目标聚类参数,通过聚类模型对初始三维齿轮模型中的齿槽异常点和轮廓异常点进行异常点聚类。这个聚类过程有助于将异常点分成不同的组别,每个组别代表不同类型的异常或缺陷。聚类模型可以采用各种聚类算法,例如K均值聚类或层次聚类,根据具体需求选择最合适的算法。得到异常点聚类数据后,对数据进行异常点插值。插值是一种数学技术,用于填补数据中的缺失值,以获得更平滑和连续的结果。异常点插值有助于生成异常点插值数据,其中包含了从异常点到正常点之间的过渡值。根据异常点插值数据对初始三维齿轮模型进行模型组合,生成目标三维齿轮模型。这个过程有助于修复齿轮模型中的异常点,将其与正常点融合,从而生成更完整和精确的模型。例如,假设在初始三维齿轮模型中检测到了一些齿槽异常点和轮廓异常点,这些异常点代表了齿轮的缺陷或不正常的部分。通过计算异常点比例、目标聚类参数、异常点聚类和插值,可以将这些异常点与正常点进行平滑过渡,从而得到一个更接近实际齿轮的目标三维齿轮模型。
S106、对目标三维齿轮模型进行齿轮粗糙度分析,得到齿轮粗糙度数据,并根据齿轮粗糙度数据对小模数塑胶齿轮进行齿轮质量分类,得到对应的目标齿轮质量分类结果。
具体的,对目标三维齿轮模型进行齿轮粗糙度分析。齿轮粗糙度是一种用于描述齿轮表面粗糙程度的度量。这个分析过程涉及到对齿轮表面的高程数据或其它相关数据进行处理,以计算出齿轮表面的粗糙度参数。齿轮粗糙度数据的计算通常包括平均粗糙度、最大粗糙度、RMS(均方根)粗糙度等,这些参数用于定量描述齿轮表面的不平整度。齿轮粗糙度数据将与预先定义的第一齿轮质量分数阈值和第二齿轮质量分数阈值进行比较。这些阈值的设定通常基于先前的实验数据或工业标准,以便将齿轮分为不同的质量分类等级。具体而言,如果齿轮粗糙度数据小于第一齿轮质量分数阈值,那么该小模数塑胶齿轮将被划分为第一齿轮质量分类等级。这表示该齿轮在粗糙度方面表现良好,属于高质量的齿轮。如果第一齿轮质量分数阈值小于齿轮粗糙度数据且齿轮粗糙度数据小于第二齿轮质量分数阈值,那么该小模数塑胶齿轮将被划分为第二齿轮质量分类等级。这表示齿轮的粗糙度虽然不是最低的,但仍然在可以接受的范围内,属于中等质量的齿轮。如果齿轮粗糙度数据大于第二齿轮质量分数阈值,那么该小模数塑胶齿轮将被划分为第三齿轮质量分类等级。这表示齿轮的粗糙度超出了可接受的范围,属于低质量的齿轮。通过以上步骤,可以得到对应的目标齿轮质量分类结果。这个结果以数字形式表示齿轮的质量等级,通常为第一齿轮质量分类等级、第二齿轮质量分类等级或第三齿轮质量分类等级。这个质量分类结果有助于快速评估齿轮的质量,并可以用于制定后续的制造、维修或质量控制决策。例如,假设对一个小模数塑胶齿轮进行了齿轮粗糙度分析,结果表明其粗糙度数据为10微米,而第一齿轮质量分数阈值为15微米,第二齿轮质量分数阈值为25微米。根据比较结果,这个齿轮的粗糙度数据小于第一齿轮质量分数阈值,因此它将被划分为第一齿轮质量分类等级,表示为高质量的齿轮。
本发明实施例中,通过光场相机、重聚焦算法和深度学习网络的综合运用,实现对小模数塑胶齿轮的高精度检测。光场相机提供了更多的深度信息,重聚焦算法增强了图像的清晰度,而深度学习网络能够有效地提取齿轮图像的特征。采用UNet网络进行多层次特征分解,并通过特征融合,更全面地捕捉和表示小模数齿轮的各层次特征。这有助于提高对齿轮形状和结构的准确理解。通过多角度二维卷积运算构建三维齿轮模型,增强了对齿轮形状的建模能力。使用模板匹配算法进行异常点检测,有效识别和排除的制造缺陷,提高了检测的准确性。采用异常点聚类和插值技术对齿轮模型进行异常点增强处理,使检测结果更加稳健。这种方法不仅提高了异常点的检测效果,还通过插值修复模型,确保生成的目标三维齿轮模型更符合设计要求。引入齿轮粗糙度分析,提供了对齿轮表面质量的定量评估。通过齿轮粗糙度数据,对小模数塑胶齿轮进行精准分类,使得质量控制更为细致和可靠。通过整合光场相机、深度学习、重聚焦算法、模板匹配等多种技术,提供了一套全面的小模数齿轮视觉检测解决方案。这种综合性的方法不仅可以满足齿轮形状、异常点和质量等多方面的检测需求,还能适应不同制造环境的要求,进而提高了小模数齿轮的视觉检测精度。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)通过预置的光场相机采集小模数塑胶齿轮的多个初始齿轮图像;
(2)通过预置的重聚焦算法对多个初始齿轮图像进行全局焦点标定,得到每个初始齿轮图像的全局焦点;
(3)根据全局焦点对多个初始齿轮图像进行深度标定,得到每个初始齿轮图像的深度标定信息;
(4)根据深度标定信息对多个初始齿轮图像进行齿形区域识别和定位,得到每个初始齿轮图像的齿形区域框;
(5)根据齿形区域框,对多个初始齿轮图像中的齿形区域进行区域标准化处理,得到多个标准齿轮图像。
具体的,通过预置的光场相机对小模数塑胶齿轮进行多次拍摄,以获取多个初始齿轮图像。这些图像具有不同的焦点深度,因为光场相机可以同时捕捉多个深度层次的信息。这些初始图像将用于后续的处理步骤。使用预置的重聚焦算法对这些多个初始齿轮图像进行全局焦点标定。重聚焦算法是一种用于合成图像的技术,它可以从多个不同焦点深度的图像中提取最清晰的部分,以获得具有统一焦点的图像。这个过程将产生每个初始齿轮图像的全局焦点,即齿轮图像的清晰部分。一旦获得全局焦点,可以进一步进行深度标定。深度标定是指确定每个像素在图像中的深度信息,即离相机的距离。这是通过利用多个图像的深度信息和全局焦点来完成的。深度标定信息将用于后续的齿形区域识别和定位。使用深度标定信息,对多个初始齿轮图像进行齿形区域的识别和定位。这一步的目标是确定每个图像中齿轮的位置和形状,从而获得齿形区域的边界框。齿形区域通常是齿轮图像中感兴趣的部分,因此其准确定位有助于后续处理。根据齿形区域的框架,对多个初始齿轮图像中的齿形区域进行区域标准化处理,以获得多个标准齿轮图像。区域标准化是一种用于调整图像亮度、对比度和颜色等参数的方法,以确保所有图像在后续处理中具有相似的特征和属性。
在一具体实施例中,如图2所示,执行步骤S102的过程可以具体包括如下步骤:
S201、分别将多个标准齿轮图像输入预置的UNet网络,UNet网络包括两个卷积编码器以及两个卷积解码器;
S202、通过两个卷积编码器中的第一个卷积编码器分别对多个标准齿轮图像进行特征提取,得到第一编码特征图,通过两个卷积编码器之间的多个第一跳跃连接将第一编码特征图以及对应的标准齿轮图像输入两个卷积编码器的第二个卷积编码器进行特征图提取,得到每个标准齿轮图像对应的第二编码特征图;
S203、将每个标准齿轮图像对应的第二编码特征图输入两个卷积解码器,通过两个卷积解码器中的第一个卷积解码器对第二编码特征图进行上采样,得到第一解码特征图,并通过两个卷积解码器之间的多个第二跳跃连接将第一解码特征图以及对应的第二编码特征图输入两个卷积解码器的第二个卷积解码器进行特征图层次划分,得到每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像。
具体的,分别将多个标准齿轮图像输入到预置的UNet网络中。UNet网络由两个主要部分组成:卷积编码器和卷积解码器。卷积编码器负责将输入图像的信息压缩成高级特征,而卷积解码器负责将这些特征映射回原始图像大小。在卷积编码器中,使用第一个卷积编码器对多个标准齿轮图像进行特征提取。这个过程将产生第一编码特征图,其中包含了输入图像的高级特征表示。同时,卷积编码器之间建立了多个第一跳跃连接,将第一编码特征图与对应的标准齿轮图像进行连接,以保留原始图像的信息。第一编码特征图以及对应的标准齿轮图像被输入到卷积编码器的第二个卷积编码器中,进行进一步的特征图提取。这将产生每个标准齿轮图像对应的第二编码特征图,其中包含了更高级的特征信息。第二编码特征图被传递给卷积解码器。在卷积解码器中,第一个卷积解码器用于上采样第二编码特征图,将其映射回与输入图像相同的大小,从而得到第一解码特征图。此时,通过多个第二跳跃连接,第一解码特征图和第二编码特征图保持连接,以保留更多的特征信息。通过卷积解码器的第二个卷积解码器,将第一解码特征图进一步划分成多个不同层次的第一齿轮特征图像。这些特征图像对应于不同层次的特征表示,可以用于后续的分析和处理。例如,UNet网络将提取多个标准齿轮图像的特征,并通过编码器和解码器阶段生成多个不同层次的特征图像。这些特征图像可以用于进一步的分析,例如齿轮的形状检测、轮廓分割或其他精度测量任务。这种方法可以帮助提高对小模数塑胶齿轮的视觉检测性能,因为它提供了多层次的特征表示,捕捉了不同细节级别的信息。
在一具体实施例中,如图3所示,执行步骤S103的过程可以具体包括如下步骤:
S301、分别对每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像进行特征图像分解,得到每个层次的三个齿轮细节特征图像以及一个齿轮基础特征图像;
S302、通过预置的改进拉普拉斯算子对齿轮细节特征图像进行齿轮弱细节信息捕捉,得到目标齿轮弱细节信息;
S303、根据目标齿轮弱细节信息对齿轮细节特征图像进行齿轮弱细节特征增强,得到每个层次的目标细节特征图像;
S304、对每个层次的目标细节特征图像和齿轮基础特征图像进行加权融合,得到多个标准齿轮图像对应的多个第二齿轮特征图像。
具体的,对每个标准齿轮图像进行多个不同层次的第一齿轮特征图像的分解。这可以通过应用图像处理技术,如滤波、分解或分析金字塔等方式实现。每个层次的第一齿轮特征图像捕获了不同细节级别的信息,从粗到细。通过预置的改进拉普拉斯算子对齿轮细节特征图像进行处理,以捕捉齿轮的弱细节信息。改进拉普拉斯算子是一种图像增强算法,可突出细微的纹理和细节。齿轮弱细节信息的捕捉有助于更好地理解齿轮的微小特征,这对于齿轮精度检测非常重要。根据捕捉到的目标齿轮弱细节信息对齿轮细节特征图像进行齿轮弱细节特征增强。这一步骤有助于进一步凸显齿轮的微小特征,使其更容易识别和分析。对每个层次的目标细节特征图像和齿轮基础特征图像进行加权融合。将不同细节级别的特征图像组合在一起,以获得多个标准齿轮图像对应的多个第二齿轮特征图像。融合过程通常涉及将不同级别的特征图像分配不同的权重,以确保最终的特征图像能够充分反映齿轮的特性。例如,通过多层次的特征分解和增强,服务器获得多个不同细节级别的特征图像,其中包括齿轮的微小细节。这些特征图像可以在后续的分析中用于精确的齿轮识别和精度检测。例如,服务器使用这些特征来检测齿轮的轮廓、齿槽和其他重要特征,以评估其质量和精度。这有助于提高小模数塑胶齿轮的视觉检测性能,确保其符合所需的规格。
在一具体实施例中,如图4所示,执行步骤S104的过程可以具体包括如下步骤:
S401、根据多个第二齿轮特征图像对小模数塑胶齿轮进行多角度二维卷积运算,得到多个像素点输出值;
S402、根据多个像素点输出值,构建小模数塑胶齿轮的初始三维齿轮模型;
S403、获取小模数塑胶齿轮的模板三维齿轮模型,并对初始三维齿轮模型和模板三维齿轮模型进行三维空间点模板匹配,得到三维模板匹配结果;
S404、根据三维模板匹配结果对初始三维齿轮模型进行齿槽和轮廓异常点提取,得到多个候选异常点;
S405、根据预设的异常阈值,对多个候选异常点进行异常点筛选,得到对应的齿槽异常点和轮廓异常点。
具体的,多个第二齿轮特征图像通过多角度二维卷积运算,得到多个像素点输出值。对每个特征图像进行卷积操作,以识别齿轮的不同特征。这些输出值将用于构建初始三维齿轮模型。使用多个像素点输出值构建小模数塑胶齿轮的初始三维齿轮模型。这一步骤将像素点输出值转化为三维坐标,从而创建齿轮的初步三维表示。这个模型包含了齿轮的基本形状和特征。随后,获取小模数塑胶齿轮的模板三维齿轮模型,这是一个已知的理想齿轮模型,通常用于比较和匹配。模板三维齿轮模型提供了所期望的齿轮形状和轮廓。对初始三维齿轮模型和模板三维齿轮模型进行三维空间点模板匹配。这个过程旨在将初始模型与理想模型进行匹配,以检测潜在的齿槽和轮廓异常点。接着,根据三维模板匹配的结果,可以提取出多个候选异常点。这些异常点表示了齿轮模型中的不正常特征,是齿槽或轮廓的缺陷。根据预设的异常阈值对多个候选异常点进行异常点筛选。这个阈值可以是一种定量指标,用于确定哪些异常点是真正的问题,哪些是可以忽略的噪声。筛选后,将得到对应的齿槽异常点和轮廓异常点,这些异常点可以用于后续的齿轮质量分析和改进。例如,通过多角度二维卷积运算和三维模板匹配,服务器构建齿轮的三维模型,并检测出潜在的齿槽和轮廓异常点。这有助于确定齿轮是否符合精度和质量标准。如果异常点数量或程度超过预设的阈值,可以将齿轮分类为低质量,需要进一步处理或废弃。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)分别计算齿槽异常点和轮廓异常点在初始三维齿轮模型中所占的比例,得到目标异常点比例;
(2)根据目标异常点比例计算对应的倒数,并将目标异常点比例的倒数作为聚类模型的目标聚类参数;
(3)根据目标聚类参数,并通过聚类模型对初始三维齿轮模型中的齿槽异常点和轮廓异常点进行异常点聚类,得到异常点聚类数据;
(4)对异常点聚类数据进行异常点插值,生成异常点插值数据,并根据异常点插值数据对初始三维齿轮模型进行模型组合,生成目标三维齿轮模型。
具体的,分别计算齿槽异常点和轮廓异常点在初始三维齿轮模型中所占的比例。对初始模型进行分析,以确定异常点的相对数量。目标是获得齿槽异常点和轮廓异常点的比例,这将有助于后续处理。根据齿槽异常点和轮廓异常点的比例计算对应的倒数。倒数通常用于反映比例的相对权重。这个倒数将被用作聚类模型的目标聚类参数。接着,使用目标异常点比例的倒数作为聚类模型的目标聚类参数,通过聚类模型对初始三维齿轮模型中的齿槽异常点和轮廓异常点进行异常点聚类。这一步涉及将异常点分组,以确定它们之间的相似性和关联性。聚类可以帮助识别不同类型的异常点。随后,对异常点聚类数据进行异常点插值。插值是一种数据处理方法,通过估算中间值来填补数据之间的空隙。在这种情况下,插值将用于生成缺失的异常点数据,以便更好地描述齿轮的异常特征。根据异常点插值数据对初始三维齿轮模型进行模型组合。将插值数据与初始模型结合,以生成目标三维齿轮模型。目标模型将综合考虑了齿槽异常点和轮廓异常点,提供了更准确的齿轮描述。例如,假设发现齿槽异常点占据了更大比例。计算这一比例的倒数,作为聚类模型的参数。聚类分析表明,存在两种不同类型的齿槽异常点,一种是轻微的缺陷,一种是较严重的缺陷。随后,使用插值方法填充了缺失的异常点数据,以获得更全面的异常点分布。将插值数据与初始模型相结合,生成了更准确的目标三维齿轮模型,以便进行更精确的质量分析和进一步的处理。这个方法有助于提高齿轮质量的检测和改进。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)对目标三维齿轮模型进行齿轮粗糙度分析,得到齿轮粗糙度数据;
(2)对齿轮粗糙度数据与第一齿轮质量分数阈值和第二齿轮质量分数阈值进行比较,其中,第一齿轮质量分数阈值<第二齿轮质量分数阈值;
(3)若齿轮粗糙度数据<第一齿轮质量分数阈值,则将小模数塑胶齿轮划分至第一齿轮质量分类等级,若第一齿轮质量分数阈值<齿轮粗糙度数据<第二齿轮质量分数阈值,则将小模数塑胶齿轮划分至第二齿轮质量分类等级,若第二齿轮质量分数阈值<齿轮粗糙度数据,则将小模数塑胶齿轮划分至第三齿轮质量分类等级,得到对应的目标齿轮质量分类结果。
具体的,对目标三维齿轮模型进行齿轮粗糙度分析。测量齿轮表面的粗糙度特征,例如表面纹理和不规则性。齿轮粗糙度数据将用于描述齿轮表面的质量特征。将齿轮粗糙度数据与预定义的第一齿轮质量分数阈值和第二齿轮质量分数阈值进行比较。这两个阈值通常根据齿轮质量标准和需求来设定。第一齿轮质量分数阈值应小于第二齿轮质量分数阈值。根据比较的结果,将齿轮的齿轮粗糙度数据划分至不同的齿轮质量分类等级。如果齿轮粗糙度数据低于第一齿轮质量分数阈值,则将小模数塑胶齿轮划分至第一齿轮质量分类等级。如果齿轮粗糙度数据介于第一齿轮质量分数阈值和第二齿轮质量分数阈值之间,则将其划分至第二齿轮质量分类等级。如果齿轮粗糙度数据高于第二齿轮质量分数阈值,则将其划分至第三齿轮质量分类等级。通过这一过程,可以得到对应的目标齿轮质量分类结果。具体来说,如果齿轮粗糙度数据较低,表明齿轮表面非常光滑,可以划分为高质量等级。如果齿轮粗糙度数据介于两个阈值之间,表示齿轮表面有一些粗糙度特征,但在可接受范围内,可以划分为中等质量等级。如果齿轮粗糙度数据很高,表明齿轮表面非常粗糙,需要划分为低质量等级。例如,假设第一齿轮质量分数阈值为5,第二齿轮质量分数阈值为10。如果齿轮的粗糙度数据为3,则它将被划分为第一齿轮质量分类等级,表示高质量。如果齿轮的粗糙度数据为7,则它将被划分为第二齿轮质量分类等级,表示中等质量。如果齿轮的粗糙度数据为12,则它将被划分为第三齿轮质量分类等级,表示低质量。
上面对本发明实施例中小模数齿轮精度的视觉检测方法进行了描述,下面对本发明实施例中小模数齿轮精度的视觉检测装置进行描述,请参阅图5,本发明实施例中小模数齿轮精度的视觉检测装置一个实施例包括:
采集模块501,用于采集小模数塑胶齿轮的多个初始齿轮图像,并分别对所述多个初始齿轮图像进行齿形区域标准化处理,得到多个标准齿轮图像;
分解模块502,用于分别对所述多个标准齿轮图像进行多层次特征分解,得到每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像;
融合模块503,用于分别对每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像进行特征图融合,得到多个第二齿轮特征图像;
建模模块504,用于根据所述多个第二齿轮特征图像对所述小模数塑胶齿轮进行三维建模,得到初始三维齿轮模型,并对所述初始三维齿轮模型和预置的模板三维齿轮模型进行齿槽和轮廓异常点检测,得到对应的齿槽异常点和轮廓异常点;
增强模块505,用于根据所述齿槽异常点和所述轮廓异常点对所述初始三维齿轮模型进行齿轮异常点增强处理,生成目标三维齿轮模型;
分类模块506,用于对所述目标三维齿轮模型进行齿轮粗糙度分析,得到齿轮粗糙度数据,并根据所述齿轮粗糙度数据对所述小模数塑胶齿轮进行齿轮质量分类,得到对应的目标齿轮质量分类结果。
通过上述各个组成部分的协同合作,通过光场相机、重聚焦算法和深度学习网络的综合运用,实现对小模数塑胶齿轮的高精度检测。光场相机提供了更多的深度信息,重聚焦算法增强了图像的清晰度,而深度学习网络能够有效地提取齿轮图像的特征。采用UNet网络进行多层次特征分解,并通过特征融合,更全面地捕捉和表示小模数齿轮的各层次特征。这有助于提高对齿轮形状和结构的准确理解。通过多角度二维卷积运算构建三维齿轮模型,增强了对齿轮形状的建模能力。使用模板匹配算法进行异常点检测,有效识别和排除的制造缺陷,提高了检测的准确性。采用异常点聚类和插值技术对齿轮模型进行异常点增强处理,使检测结果更加稳健。这种方法不仅提高了异常点的检测效果,还通过插值修复模型,确保生成的目标三维齿轮模型更符合设计要求。引入齿轮粗糙度分析,提供了对齿轮表面质量的定量评估。通过齿轮粗糙度数据,对小模数塑胶齿轮进行精准分类,使得质量控制更为细致和可靠。通过整合光场相机、深度学习、重聚焦算法、模板匹配等多种技术,提供了一套全面的小模数齿轮视觉检测解决方案。这种综合性的方法不仅可以满足齿轮形状、异常点和质量等多方面的检测需求,还能适应不同制造环境的要求,进而提高了小模数齿轮的视觉检测精度。
上面图5从模块化功能实体的角度对本发明实施例中的小模数齿轮精度的视觉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小模数齿轮精度的视觉检测设备进行详细描述。
图6是本发明实施例提供的一种小模数齿轮精度的视觉检测设备的结构示意图,该小模数齿轮精度的视觉检测设备600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)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630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小模数齿轮精度的视觉检测设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在小模数齿轮精度的视觉检测设备600上执行存储介质630中的一系列指令操作。
小模数齿轮精度的视觉检测设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作***631,例如Windows Server,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的小模数齿轮精度的视觉检测设备结构并不构成对小模数齿轮精度的视觉检测设备的限定,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。
本发明还提供一种小模数齿轮精度的视觉检测设备,所述小模数齿轮精度的视觉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小模数齿轮精度的视觉检测方法的步骤。
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小模数齿轮精度的视觉检测方法的步骤。
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 (8)
1.一种小模数齿轮精度的视觉检测方法,其特征在于,所述小模数齿轮精度的视觉检测方法包括:
采集小模数塑胶齿轮的多个初始齿轮图像,并分别对所述多个初始齿轮图像进行齿形区域标准化处理,得到多个标准齿轮图像;
分别对所述多个标准齿轮图像进行多层次特征分解,得到每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像;
分别对每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像进行特征图融合,得到多个第二齿轮特征图像;
根据所述多个第二齿轮特征图像对所述小模数塑胶齿轮进行三维建模,得到初始三维齿轮模型,并对所述初始三维齿轮模型和预置的模板三维齿轮模型进行齿槽和轮廓异常点检测,得到对应的齿槽异常点和轮廓异常点;具体包括:根据所述多个第二齿轮特征图像对所述小模数塑胶齿轮进行多角度二维卷积运算,得到多个像素点输出值;根据所述多个像素点输出值,构建所述小模数塑胶齿轮的初始三维齿轮模型;获取所述小模数塑胶齿轮的模板三维齿轮模型,并对所述初始三维齿轮模型和所述模板三维齿轮模型进行三维空间点模板匹配,得到三维模板匹配结果;根据所述三维模板匹配结果对所述初始三维齿轮模型进行齿槽和轮廓异常点提取,得到多个候选异常点;根据预设的异常阈值,对所述多个候选异常点进行异常点筛选,得到对应的齿槽异常点和轮廓异常点;
根据所述齿槽异常点和所述轮廓异常点对所述初始三维齿轮模型进行齿轮异常点增强处理,生成目标三维齿轮模型;具体包括:分别计算所述齿槽异常点和所述轮廓异常点在所述初始三维齿轮模型中所占的比例,得到目标异常点比例;根据所述目标异常点比例计算对应的倒数,并将所述目标异常点比例的倒数作为聚类模型的目标聚类参数;根据所述目标聚类参数,并通过所述聚类模型对所述初始三维齿轮模型中的齿槽异常点和轮廓异常点进行异常点聚类,得到异常点聚类数据;对所述异常点聚类数据进行异常点插值,生成异常点插值数据,并根据所述异常点插值数据对所述初始三维齿轮模型进行模型组合,生成目标三维齿轮模型;
对所述目标三维齿轮模型进行齿轮粗糙度分析,得到齿轮粗糙度数据,并根据所述齿轮粗糙度数据对所述小模数塑胶齿轮进行齿轮质量分类,得到对应的目标齿轮质量分类结果。
2.根据权利要求1所述的小模数齿轮精度的视觉检测方法,其特征在于,所述采集小模数塑胶齿轮的多个初始齿轮图像,并分别对所述多个初始齿轮图像进行齿形区域标准化处理,得到多个标准齿轮图像,包括:
通过预置的光场相机采集小模数塑胶齿轮的多个初始齿轮图像;
通过预置的重聚焦算法对所述多个初始齿轮图像进行全局焦点标定,得到每个初始齿轮图像的全局焦点;
根据所述全局焦点对所述多个初始齿轮图像进行深度标定,得到每个初始齿轮图像的深度标定信息;
根据所述深度标定信息对所述多个初始齿轮图像进行齿形区域识别和定位,得到每个初始齿轮图像的齿形区域框;
根据所述齿形区域框,对所述多个初始齿轮图像中的齿形区域进行区域标准化处理,得到多个标准齿轮图像。
3.根据权利要求1所述的小模数齿轮精度的视觉检测方法,其特征在于,所述分别对所述多个标准齿轮图像进行多层次特征分解,得到每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像,包括:
分别将所述多个标准齿轮图像输入预置的UNet网络,所述UNet网络包括两个卷积编码器以及两个卷积解码器;
通过所述两个卷积编码器中的第一个卷积编码器分别对所述多个标准齿轮图像进行特征提取,得到第一编码特征图,通过所述两个卷积编码器之间的多个第一跳跃连接将所述第一编码特征图以及对应的标准齿轮图像输入所述两个卷积编码器的第二个卷积编码器进行特征图提取,得到每个标准齿轮图像对应的第二编码特征图;
将每个标准齿轮图像对应的第二编码特征图输入所述两个卷积解码器,通过所述两个卷积解码器中的第一个卷积解码器对所述第二编码特征图进行上采样,得到第一解码特征图,并通过所述两个卷积解码器之间的多个第二跳跃连接将所述第一解码特征图以及对应的第二编码特征图输入所述两个卷积解码器的第二个卷积解码器进行特征图层次划分,得到每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像。
4.根据权利要求1所述的小模数齿轮精度的视觉检测方法,其特征在于,所述分别对每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像进行特征图融合,得到多个第二齿轮特征图像,包括:
分别对每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像进行特征图像分解,得到每个层次的三个齿轮细节特征图像以及一个齿轮基础特征图像;
通过预置的改进拉普拉斯算子对所述齿轮细节特征图像进行齿轮弱细节信息捕捉,得到目标齿轮弱细节信息;
根据所述目标齿轮弱细节信息对所述齿轮细节特征图像进行齿轮弱细节特征增强,得到每个层次的目标细节特征图像;
对每个层次的目标细节特征图像和所述齿轮基础特征图像进行加权融合,得到所述多个标准齿轮图像对应的多个第二齿轮特征图像。
5.根据权利要求1所述的小模数齿轮精度的视觉检测方法,其特征在于,所述对所述目标三维齿轮模型进行齿轮粗糙度分析,得到齿轮粗糙度数据,并根据所述齿轮粗糙度数据对所述小模数塑胶齿轮进行齿轮质量分类,得到对应的目标齿轮质量分类结果,包括:
对所述目标三维齿轮模型进行齿轮粗糙度分析,得到齿轮粗糙度数据;
对所述齿轮粗糙度数据与第一齿轮质量分数阈值和第二齿轮质量分数阈值进行比较,其中,第一齿轮质量分数阈值<第二齿轮质量分数阈值;
若齿轮粗糙度数据<第一齿轮质量分数阈值,则将所述小模数塑胶齿轮划分至第一齿轮质量分类等级,若第一齿轮质量分数阈值<齿轮粗糙度数据<第二齿轮质量分数阈值,则将所述小模数塑胶齿轮划分至第二齿轮质量分类等级,若第二齿轮质量分数阈值<齿轮粗糙度数据,则将所述小模数塑胶齿轮划分至第三齿轮质量分类等级,得到对应的目标齿轮质量分类结果。
6.一种小模数齿轮精度的视觉检测装置,其特征在于,所述小模数齿轮精度的视觉检测装置包括:
采集模块,用于采集小模数塑胶齿轮的多个初始齿轮图像,并分别对所述多个初始齿轮图像进行齿形区域标准化处理,得到多个标准齿轮图像;
分解模块,用于分别对所述多个标准齿轮图像进行多层次特征分解,得到每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像;
融合模块,用于分别对每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像进行特征图融合,得到多个第二齿轮特征图像;
建模模块,用于根据所述多个第二齿轮特征图像对所述小模数塑胶齿轮进行三维建模,得到初始三维齿轮模型,并对所述初始三维齿轮模型和预置的模板三维齿轮模型进行齿槽和轮廓异常点检测,得到对应的齿槽异常点和轮廓异常点;具体包括:根据所述多个第二齿轮特征图像对所述小模数塑胶齿轮进行多角度二维卷积运算,得到多个像素点输出值;根据所述多个像素点输出值,构建所述小模数塑胶齿轮的初始三维齿轮模型;获取所述小模数塑胶齿轮的模板三维齿轮模型,并对所述初始三维齿轮模型和所述模板三维齿轮模型进行三维空间点模板匹配,得到三维模板匹配结果;根据所述三维模板匹配结果对所述初始三维齿轮模型进行齿槽和轮廓异常点提取,得到多个候选异常点;根据预设的异常阈值,对所述多个候选异常点进行异常点筛选,得到对应的齿槽异常点和轮廓异常点;
增强模块,用于根据所述齿槽异常点和所述轮廓异常点对所述初始三维齿轮模型进行齿轮异常点增强处理,生成目标三维齿轮模型;具体包括:分别计算所述齿槽异常点和所述轮廓异常点在所述初始三维齿轮模型中所占的比例,得到目标异常点比例;根据所述目标异常点比例计算对应的倒数,并将所述目标异常点比例的倒数作为聚类模型的目标聚类参数;根据所述目标聚类参数,并通过所述聚类模型对所述初始三维齿轮模型中的齿槽异常点和轮廓异常点进行异常点聚类,得到异常点聚类数据;对所述异常点聚类数据进行异常点插值,生成异常点插值数据,并根据所述异常点插值数据对所述初始三维齿轮模型进行模型组合,生成目标三维齿轮模型;
分类模块,用于对所述目标三维齿轮模型进行齿轮粗糙度分析,得到齿轮粗糙度数据,并根据所述齿轮粗糙度数据对所述小模数塑胶齿轮进行齿轮质量分类,得到对应的目标齿轮质量分类结果。
7.一种小模数齿轮精度的视觉检测设备,其特征在于,所述小模数齿轮精度的视觉检测设备包括: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,以使得所述小模数齿轮精度的视觉检测设备执行如权利要求1-5中任一项所述的小模数齿轮精度的视觉检测方法。
8.一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1-5中任一项所述的小模数齿轮精度的视觉检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410006849.3A CN117495867B (zh) | 2024-01-03 | 2024-01-03 | 小模数齿轮精度的视觉检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410006849.3A CN117495867B (zh) | 2024-01-03 | 2024-01-03 | 小模数齿轮精度的视觉检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117495867A CN117495867A (zh) | 2024-02-02 |
CN117495867B true CN117495867B (zh) | 2024-05-31 |
Family
ID=89680486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410006849.3A Active CN117495867B (zh) | 2024-01-03 | 2024-01-03 | 小模数齿轮精度的视觉检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117495867B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118095968A (zh) * | 2024-04-25 | 2024-05-28 | 汶上县华诚机械有限公司 | 基于机器视觉的异形机械配件质量检测*** |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5544256A (en) * | 1993-10-22 | 1996-08-06 | International Business Machines Corporation | Automated defect classification system |
CN108428033A (zh) * | 2017-08-12 | 2018-08-21 | 中民筑友科技投资有限公司 | 一种基于bim的pc构件生产质量异常检测方法及装置 |
CN111915572A (zh) * | 2020-07-13 | 2020-11-10 | 青岛大学 | 一种基于深度学习的自适应齿轮点蚀定量检测***及方法 |
CN112465401A (zh) * | 2020-12-17 | 2021-03-09 | 国网四川省电力公司电力科学研究院 | 基于多维信息融合的电力作业安全管控***及其管控方法 |
CN112990367A (zh) * | 2021-04-25 | 2021-06-18 | 杭州晟视科技有限公司 | 一种图像处理方法、装置、设备以及存储介质 |
CN114066890A (zh) * | 2022-01-14 | 2022-02-18 | 成都数联云算科技有限公司 | 齿轮缺陷检测方法、装置、计算机设备及存储介质 |
CN114820551A (zh) * | 2022-05-11 | 2022-07-29 | 江苏大学 | 基于激光微织构技术的工件加工方法、***、设备和介质 |
CN115131268A (zh) * | 2021-03-25 | 2022-09-30 | 南京知谱光电科技有限公司 | 一种基于图像特征提取与三维模型匹配的自动化焊接*** |
CN116245892A (zh) * | 2022-12-05 | 2023-06-09 | 北京建筑大学 | 图像处理模型生成方法、图像处理方法及装置 |
CN116311497A (zh) * | 2023-02-02 | 2023-06-23 | 山东大学 | 一种基于机器视觉的隧道工人异常行为检测方法及*** |
CN116823863A (zh) * | 2023-07-14 | 2023-09-29 | 中国人民解放军军事科学院***工程研究院 | 一种红外图像轮廓提取方法及装置 |
CN116824213A (zh) * | 2023-05-17 | 2023-09-29 | 杭州新中大科技股份有限公司 | 一种基于多视角特征融合的渣土车带泥检测方法及装置 |
CN116817789A (zh) * | 2023-06-25 | 2023-09-29 | 北京航空航天大学 | 基于单目视觉的超景深粗糙表面三维形貌测量方法 |
CN116907838A (zh) * | 2023-06-25 | 2023-10-20 | 武汉理工大学 | 基于增强关系网络的齿轮故障诊断方法 |
CN117274258A (zh) * | 2023-11-21 | 2023-12-22 | 深圳市研盛芯控电子技术有限公司 | 主板图像的缺陷检测方法、***、设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070058854A1 (en) * | 2005-09-14 | 2007-03-15 | Caskey Gregory T | Gear pattern inspection system |
CN112102477A (zh) * | 2020-09-15 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 三维模型重建方法、装置、计算机设备和存储介质 |
-
2024
- 2024-01-03 CN CN202410006849.3A patent/CN117495867B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5544256A (en) * | 1993-10-22 | 1996-08-06 | International Business Machines Corporation | Automated defect classification system |
CN108428033A (zh) * | 2017-08-12 | 2018-08-21 | 中民筑友科技投资有限公司 | 一种基于bim的pc构件生产质量异常检测方法及装置 |
CN111915572A (zh) * | 2020-07-13 | 2020-11-10 | 青岛大学 | 一种基于深度学习的自适应齿轮点蚀定量检测***及方法 |
CN112465401A (zh) * | 2020-12-17 | 2021-03-09 | 国网四川省电力公司电力科学研究院 | 基于多维信息融合的电力作业安全管控***及其管控方法 |
CN115131268A (zh) * | 2021-03-25 | 2022-09-30 | 南京知谱光电科技有限公司 | 一种基于图像特征提取与三维模型匹配的自动化焊接*** |
CN112990367A (zh) * | 2021-04-25 | 2021-06-18 | 杭州晟视科技有限公司 | 一种图像处理方法、装置、设备以及存储介质 |
CN114066890A (zh) * | 2022-01-14 | 2022-02-18 | 成都数联云算科技有限公司 | 齿轮缺陷检测方法、装置、计算机设备及存储介质 |
CN114820551A (zh) * | 2022-05-11 | 2022-07-29 | 江苏大学 | 基于激光微织构技术的工件加工方法、***、设备和介质 |
CN116245892A (zh) * | 2022-12-05 | 2023-06-09 | 北京建筑大学 | 图像处理模型生成方法、图像处理方法及装置 |
CN116311497A (zh) * | 2023-02-02 | 2023-06-23 | 山东大学 | 一种基于机器视觉的隧道工人异常行为检测方法及*** |
CN116824213A (zh) * | 2023-05-17 | 2023-09-29 | 杭州新中大科技股份有限公司 | 一种基于多视角特征融合的渣土车带泥检测方法及装置 |
CN116817789A (zh) * | 2023-06-25 | 2023-09-29 | 北京航空航天大学 | 基于单目视觉的超景深粗糙表面三维形貌测量方法 |
CN116907838A (zh) * | 2023-06-25 | 2023-10-20 | 武汉理工大学 | 基于增强关系网络的齿轮故障诊断方法 |
CN116823863A (zh) * | 2023-07-14 | 2023-09-29 | 中国人民解放军军事科学院***工程研究院 | 一种红外图像轮廓提取方法及装置 |
CN117274258A (zh) * | 2023-11-21 | 2023-12-22 | 深圳市研盛芯控电子技术有限公司 | 主板图像的缺陷检测方法、***、设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
Novel system for the automatization of photogrammetric data capture for metrological tasks: application to study of gears;M Rodríguez等;《IOP Conference Series: Materials Science and Engineering》;20211231;第1193卷;第1-9页 * |
基于机器视觉的粉末冶金齿轮缺陷的二维检测方法研究;沈小杰;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20210815(第8期);第C029-82页 * |
多工件拼接焊缝面结构光滑度的视觉检测技术研究;何涛;《计算机测量与控制》;20231231;第31卷(第12期);第90-96、166页 * |
螺旋锥齿轮数控磨削齿面微观形貌建模与分析;孔祥晗;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20140415(第4期);第B022-278页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117495867A (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992317B (zh) | 一种基于语义分割的pcb板缺陷检测方法 | |
CN117495867B (zh) | 小模数齿轮精度的视觉检测方法及*** | |
CN107798672B (zh) | 烟丝或梗丝的宽度测定方法、***及具有该***的服务器 | |
CN110827311B (zh) | 一种基于成像法的电缆导体截面积测量方法及*** | |
CN114359283B (zh) | 基于Transformer的缺陷检测方法和电子设备 | |
Joshi et al. | Prediction of surface roughness by machine vision using principal components based regression analysis | |
CN115294117B (zh) | Led灯珠的缺陷检测方法及相关装置 | |
CN112037166A (zh) | 一种表面缺陷检测方法及检测装置 | |
CN113888531B (zh) | 混凝土表面缺陷检测方法、装置、电子设备及存储介质 | |
TWI783400B (zh) | 誤差因子的推定裝置及推定方法 | |
CN117372433B (zh) | 厚度参数的控制方法、装置、设备及存储介质 | |
CN117474929A (zh) | 基于机器视觉的托盘外形尺寸检测方法及*** | |
CN115115578B (zh) | 一种增材制造过程中的缺陷检测方法及*** | |
CN114494274A (zh) | 建筑施工评估方法、装置、电子设备及存储介质 | |
CN115018790A (zh) | 一种基于异常检测的工件表面缺陷检测方法 | |
CN117237353B (zh) | 手机外观的瑕疵检测方法、装置、设备及存储介质 | |
CN116757713B (zh) | 基于图像识别的作品估值方法、装置、设备及存储介质 | |
CN111256596B (zh) | 基于cv技术的尺寸测量方法、装置、计算机设备及介质 | |
CN117218119A (zh) | 用于晶圆生产的质量检测方法及*** | |
CN116518868B (zh) | 基于人工智能的变形测量方法、装置、设备及存储介质 | |
CN117237449A (zh) | 一种自动化测试设备的控制方法及*** | |
Ali et al. | Vision based measurement system for gear profile | |
CN117557574B (zh) | 基于图像处理的材料参数检测方法及*** | |
CN117853494B (zh) | 一种药物颗粒生产过程视觉检测方法 | |
CN118015244B (zh) | 一种基于卷积神经网络的烟丝均匀性检测方法和*** |
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 |