CN118190959A - 一种基于视觉检测的发动机零件错漏装检测方法 - Google Patents
一种基于视觉检测的发动机零件错漏装检测方法 Download PDFInfo
- Publication number
- CN118190959A CN118190959A CN202410374859.2A CN202410374859A CN118190959A CN 118190959 A CN118190959 A CN 118190959A CN 202410374859 A CN202410374859 A CN 202410374859A CN 118190959 A CN118190959 A CN 118190959A
- Authority
- CN
- China
- Prior art keywords
- data
- image
- engine
- detected
- secondary detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 143
- 230000000007 visual effect Effects 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 52
- 230000007547 defect Effects 0.000 claims abstract description 47
- 238000009434 installation Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 10
- 238000011179 visual inspection Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 7
- 238000012549 training Methods 0.000 abstract description 2
- 239000000306 component Substances 0.000 description 17
- 238000004519 manufacturing process Methods 0.000 description 15
- 238000012706 support-vector machine Methods 0.000 description 13
- 238000000605 extraction Methods 0.000 description 10
- 238000005286 illumination Methods 0.000 description 9
- 238000003708 edge detection Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000002950 deficient Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011031 large-scale manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000003326 Quality management system Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视觉检测的发动机零件错漏装检测方法,包括:第一光源垂直照射获取发动机图像,输入训练模型识别出错装、漏装及需二次检测零件数据;第二光源以预设角度照射生成含阴影信息的第二图像,通过阴影分析算法结合二次检测零件数据计算其第一空间位置。同时,获取预设角度下正常参照的第二空间位置数据,以及从标准数据库中查得对应零件的第二空间位置数据。对比第一、第二空间位置数据,确定装配缺陷零件数据,结合初始识别结果,生成检测报告。本发明通过改变传统的正面平行光源照射方式,采用特定角度光源照射,能够揭示安装位置变化导致的隐蔽性错装问题,实现对零部件错漏装的全方位检测,弥补了现有方法的检测盲区。
Description
技术领域
本发明涉及工智能图片识别领域,尤其涉及一种基于视觉检测的发动机零件错漏装检测方法。
背景技术
随着工业制造技术的不断进步,尤其是精密机械制造领域,对零部件装配精度的要求日益提高。发动机作为精密机械中的核心组件,其内部各零部件的正确安装与紧密配合直接决定了整体性能和运行可靠性。然而,在实际生产过程中,零部件的错装、漏装现象难以完全避免,不仅可能导致发动机工作异常、性能下降,严重时甚至引发安全事故。因此,有效检测并防止发动机零件的错漏装问题,成为提升产品质量控制水平和确保设备安全运行的关键环节。
当前发动机零件错漏装检测主要依赖正面平行光源一次性照射,虽能识别部分显见问题,但存在检测局限性,难以判断零部件是否精确安装到位。此外,传统方法依赖人工目视,易受主观判断影响,检测效率与准确性受限,难以满足大规模生产环境下对零部件错漏装问题的全方位、高精度检测需求。
发明内容
为了解决上述提出的至少一个技术问题,本发明提供一种基于视觉检测的发动机零件错漏装检测方法,以解决发动机零件错漏装检测过程中难以判断零部件是否精确安装到位的问题。
提供了一种基于视觉检测的发动机零件错漏装检测方法,包括:
在第一光源照射下,得到待检测发动机的第一图像,所述第一光源位于所述待检测发动机正上方并垂直于发动机表面进行照射;
将所述第一图像输入训练好的零件检测模型中,得到错装零件数据、漏装零件数据和二次检测零件数据;
采用第二光源以预设的入射角照射所述待检测发动机,得到所述待检测发动机的第二图像,所述第二图像包含零件阴影信息;
基于所述第二图像以及所述二次检测零件数据,通过预设的阴影分析算法提取并计算对应二次检测零件的第一空间位置数据;
获取所述预设的入射角下对应零件的正常参照的第二空间位置数据;
在预先构建好的标准参照数据库中,获取对应零件在所述预设的入射角下的第二空间位置数据;
根据所述第一空间位置数据和所述第二空间位置数据,得到装配缺陷零件数据;
根据所述错装零件数据、所述漏装零件数据和所述装配缺陷零件数据,得到检测报告。
优选地,所述将所述第一图像输入训练好的零件检测模型中,得到错装零件数据、漏装零件数据和二次检测零件数据,包括:
根据所述第一图像定位待检测零件区域并裁剪,生成多个待检测零件图像;
分别对所述待检测零件图像进行方向梯度直方图处理,得到多个HOG特征向量;
将所述HOG特征向量输入训练好的SVM分类器中,得到对应的零件类型;
将不同位置的所述零件类型和预设的参照零件类型进行比对;
若所述零件类型与所述参照零件类型不一致,则生成所述错装零件数据;
若所述零件类型为空,则生成所述漏装零件数据;
若所述零件类型与所述参照零件类型一致,则生成所述二次检测零件数据。
优选地,所述将所述HOG特征向量输入训练好的SVM分类器中,得到对应的零件类型之后,还包括:
若检测到所述待检测零件图像包含标记数据,所述标记数据包括文本数据和图案数据;
对所述待检测零件图像进行标记识别,得到标记识别数据;
基于预设的相似阈值,在参照标记识别数据库中对所述标记识别数据进行预设阈值匹配;
若匹配成功,则确定所述零件类型;
若匹配失败,则标记对应的零件并进行为人工复查。
优选地,所述采用第二光源以预设角度照射所述待检测发动机,得到所述待检测发动机的第二图像,包括:
所述第二光源以30°至80°之间的入射角度照射所述待检测发动机,得到所述第二图像。
优选地,所述基于所述第二图像以及所述二次检测零件数据,通过预设的阴影分析算法提取并计算对应二次检测零件的第一空间位置数据,包括:
根据所述第二图像定位二次检测零件并裁剪,生成多个二次检测零件图像;
基于所述二次检测零件数据,得到所述二次检测零件的尺寸信息;
基于所述二次检测零件图像的阴影信息和所述二次检测零件的尺寸信息进行计算,得到所述二次检测零件的第一空间位置数据。
优选地,所述基于所述二次检测零件图像的阴影信息和所述二次检测零件的尺寸信息进行计算,得到所述二次检测零件的第一空间位置数据,包括:
基于所述二次检测零件图像的阴影信息,获得最大投影长度;
基于所述二次检测零件的尺寸信息,对所述最大投影长度进行数据修正;
根据数据修正后的所述最大投影长度和所述第二光源的入射角度,计算所述二次检测零件的上表面与安装平面的距离,计算过程表示如下:
,
其中,表示二次检测零件的上表面与安装平面的距离,/>表示最大投影长度,/>表示第二光源的入射角。
优选地,所述根据所述第一空间位置数据和所述第二空间位置数据,得到装配缺陷零件数据,包括:
计算所述第一空间位置数据和所述第二空间位置数据的差值;
比较所述差值与预设的误差阈值的大小;
若所述差值大于预设的误差阈值,则生成所述装配缺陷零件数据;
若所述差值小于预设的误差阈值,则生成安装合格零件数据。
优选地,所述基于所述二次检测零件图像的阴影信息,获得最大投影长度之前,还包括:对所述二次检测零件图像进行二值化处理。
优选地,所述错装零件数据包括错装零件编号、错装位置和错装类型;
所述漏装零件数据包括漏装零件编号和漏装位置;
所述装配缺陷零件数据包括装配缺陷零件类型、安装位置、位置偏差值。
优选地,当检测到存在至少一个所述错装零件数据、所述漏装零件数据或所述装配缺陷零件数据时,发出告警信息,并将所述检测报告推送给管理人员。
本发明的有益效果在于:
(1)本发明通过改变传统的正面平行光源照射方式,采用特定角度光源照射,能够揭示安装位置变化导致的隐蔽性错装问题,实现对零部件错漏装的全方位检测,弥补了现有方法的检测盲区;
(2)本发明基于阴影分析技术,通过计算特定入射角下零部件阴影尺寸与入射角的关系,能够准确计算出零部件顶部与安装平面之间的距离,从而精确判断零部件是否按照设计要求精确安装到位,填补了现有技术在安装到位判断方面的空白;
(3)本发明通过对零部件错漏装进行全面、精确、高效的检测,有助于及时发现并纠正装配错误,避免问题零部件流入后续工序或市场,显著降低不良品率,提升产品质量,保障设备安全运行,有力推动了精密机械制造业的质量控制水平提升。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
附图说明
为了更清楚地说明本发明实施例或背景技术中的技术方案,下面将对本发明实施例或背景技术中所需要使用的附图进行说明。
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本发明公开的技术方案。
图1为本发明实施例提供的一种基于视觉检测的发动机零件错漏装检测方法的流程示意图;
图2为本发明实施例提供的零件检测模型的工作流程示意图;
图3为本发明实施例提供的30°入射角下待检测零部件与阴影剖面图;
图4为本发明实施例提供的30°入射角下正常安装的参照零部件与阴影剖面图;
图5为本发明实施例提供的60°入射角下待检测零部件与阴影的剖面图与俯视图;
图6为本发明实施例提供的60°入射角下正常安装的参照零部件与阴影的剖面图与俯视图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
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”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
另外,为了更好地说明本发明,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本发明同样能够实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本发明的主旨。
目前,传统方法依赖人工目视,易受主观判断影响,检测效率与准确性受限,难以满足大规模生产环境下对零部件错漏装问题的全方位、高精度检测需求。
提供了一种基于视觉检测的发动机零件错漏装检测方法,参考图1,包括:
S100,在第一光源照射下,得到待检测发动机的第一图像,第一光源位于待检测发动机正上方并垂直于发动机表面进行照射;
本实施例中,配置一个用于对待检测发动机进行成像的第一光源,第一光源设置于待检测发动机的正上方,并确保第一光源的光线垂直于发动机表面进行照射;在第一光源的照射下,通过图像采集设备捕获待检测发动机的第一图像,第一图像清晰展示发动机的整体结构及其上安装的各个零件。
S200,将第一图像输入训练好的零件检测模型中,得到错装零件数据、漏装零件数据和二次检测零件数据;
本实施例中,将第一图像输入预先训练好的零件检测模型,零件检测模型利用深度学习或机器学习算法,通过对大量已标注的发动机零件图像进行训练,以识别出所述第一图像中的各个零件及其状态;零件检测模型输出错装零件数据、漏装零件数据和需进行二次检测的零件数据,其中,错装零件数据包括错装零件的类型、位置及可能的错装方向,漏装零件数据包括应安装而未安装的零件列表,所述二次检测零件数据包括因图像复杂性或遮挡等因素需要进一步确认其装配状态的零件信息。
S300,采用第二光源以预设的入射角照射待检测发动机,得到待检测发动机的第二图像,第二图像包含零件阴影信息;
本实施例中,设置一个第二光源,第二光源以预设的非垂直入射角照射待检测发动机,使得第二光源产生的光线在发动机表面产生具有位置特性的零件阴影;通过图像采集设备在第二光源的照射条件下获取待检测发动机的第二图像,第二图像中包含各个零件因非垂直光照形成的阴影信息,阴影信息能够反映零件相对于发动机表面的高度及相对于光源的角度关系。
S400,基于第二图像以及二次检测零件数据,通过预设的阴影分析算法提取并计算对应二次检测零件的第一空间位置数据;
针对二次检测零件数据中列出的零件,利用预设的阴影分析算法对第二图像进行处理,阴影分析算法包括但不限于边缘检测、灰度梯度分析、轮廓跟踪等技术,用于从第二图像中精确提取二次检测零件的阴影轮廓;进一步基于阴影轮廓计算得到二次检测零件在第二图像中的第一空间位置数据,第一空间位置数据至少包括零件在三维空间中的相对高度、方位角及俯仰角。
S500,获取预设的入射角下对应零件的正常参照的第二空间位置数据;
针对每一二次检测零件,根据预设的入射角以及零件在发动机装配过程中的设计参数,计算得到在预设入射角下对应零件的正常装配状态下应有的第二空间位置数据,第二空间位置数据反映零件在无装配缺陷时相对于发动机表面的理论位置信息。
S600,在预先构建好的标准参照数据库中,获取对应零件在预设的入射角下的第二空间位置数据;
本实施例中,访问预先构建的标准参照数据库,数据库存储有各种发动机零件在不同入射角下的标准空间位置数据;查询并获取二次检测零件在预设入射角下的标准第二空间位置数据,标准第二空间位置数据作为评估零件实际装配状态的参照基准。
S700,根据第一空间位置数据和第二空间位置数据,得到装配缺陷零件数据;
将第一空间位置数据与第二空间位置数据及标准第二空间位置数据进行比较分析,根据比较结果确定二次检测零件是否存在装配缺陷,并生成相应的装配缺陷零件数据,装配缺陷零件数据包括存在装配缺陷的零件标识、实际位置与理论位置或标准位置之间的偏差值以及可能的缺陷类型。
S800,根据错装零件数据、漏装零件数据和装配缺陷零件数据,得到检测报告。
综合上述错装零件数据、漏装零件数据以及装配缺陷零件数据,生成详细的检测报告,检测报告包括但不限于错装零件清单、漏装零件清单、装配缺陷零件的详细描述、位置偏差示意图以及整体装配质量评估结论,为后续的维修、校正或质量控制提供依据。
优选地,参考图2,将第一图像输入训练好的零件检测模型中,得到错装零件数据、漏装零件数据和二次检测零件数据,包括:
S210,根据第一图像定位待检测零件区域并裁剪,生成多个待检测零件图像;
S220,分别对待检测零件图像进行方向梯度直方图处理,得到多个HOG特征向量;
S230,将HOG特征向量输入训练好的SVM分类器中,得到对应的零件类型;
S240,将不同位置的零件类型和预设的参照零件类型进行比对;
S250,若零件类型与参照零件类型不一致,则生成错装零件数据;
S260,若零件类型为空,则生成漏装零件数据;
S270,若零件类型与参照零件类型一致,则生成二次检测零件数据。
本实施例中,对待检测发动机的第一图像进行图像分析,通过先进的边缘检测、轮廓提取等手段精确定位各个待检测零件所在的区域。随后,依据这些区域边界,从原始图像中裁剪出一系列独立的待检测零件图像,确保每个裁剪图像仅包含单一零件或零件组,便于后续的特征提取和分类。
对每个裁剪得到的待检测零件图像,应用方向梯度直方图(Histogram ofOriented Gradients, HOG)算法进行特征提取。HOG特征通过统计图像局部区域内的像素梯度强度及其方向分布,有效地捕获零件形状和纹理的关键信息。执行此操作后,每个待检测零件图像将被转化为一个高维的HOG特征向量,该向量能够量化零件的视觉特性,且具有较强的鲁棒性,不受光照、颜色变化等因素的影响。
将上述得到的多个HOG特征向量作为输入,送入已训练好的支持向量机(SupportVector Machine, SVM)分类器。该分类器基于大量带标签的零件样本进行训练,具备强大的模式识别能力。对于每个待检测零件图像的HOG特征向量,SVM分类器会输出其对应的零件类型,如活塞、连杆、曲轴等。
将SVM分类器识别出的各个零件类型与其在预设参照结构中的预期位置关联起来,即与预设的参照零件类型进行逐一比对。比对规则如下:
若某个零件类型的识别结果与该位置上预设的参照零件类型不一致,表明该零件被错误地安装在了不应属于它的位置上,此时***记录该零件及其位置信息,生成错装零件数据;若某个预设位置上未检测到任何零件类型,即SVM分类器输出的零件类型为空,说明该位置应安装的零件实际缺失,***据此生成漏装零件数据;若某零件类型的识别结果与该位置上的预设参照零件类型一致,但考虑到视觉检测的潜在误差或复杂装配情况可能导致的误判,对于这类零件,***将其标记为需要进行二次检测。二次检测通常涉及使用其他检测手段(如步骤S300和S400的阴影分析),以进一步确认其装配状态。生成的零件信息及位置构成二次检测零件数据。
通过结合先进的图像分析技术(如边缘检测、轮廓提取)和高效的特征提取算法(如HOG),能够准确地定位发动机各待检测零件的位置,并对其类型进行精确识别。这种精准定位与识别能力显著提高了检测的准确性,降低了因人为判断导致的误检率。进一步地,整个检测过程高度自动化,从图像处理、特征提取、零件类型分类到错漏装判断均无需人工干预,极大地节省了人力成本,提高了检测效率,尤其适用于大规模生产环境中批量检测的需求。采用的HOG特征向量对光照变化、视角差异、部分遮挡等实际工况具有良好的鲁棒性,使得***在复杂光照条件和多角度拍摄下的检测性能依然稳定。同时,支持向量机(SVM)作为成熟的机器学习模型,具有泛化能力强、抗过拟合效果好的特点,能有效应对各种未知情况下的零件识别任务。
优选地,将HOG特征向量输入训练好的SVM分类器中,得到对应的零件类型之后,还包括:
若检测到待检测零件图像包含标记数据,标记数据包括文本数据和图案数据;
对待检测零件图像进行标记识别,得到标记识别数据;
基于预设的相似阈值,在参照标记识别数据库中对标记识别数据进行预设阈值匹配;
若匹配成功,则确定零件类型;
若匹配失败,则标记对应的零件并进行为人工复查。
本实施例中,在得到HOG特征向量对应的零件类型后,***进一步检查待检测零件图像是否包含标记数据。这些标记数据可以是文本形式(如零件编号、型号等)或图案形式(如条形码、二维码、特殊标识等),用于辅助或确认零件的身份信息。
对于包含标记数据的待检测零件图像,利用专门的标记识别算法(如OCR光学字符识别、二维码识别等)对其进行解析,提取出具体的标记识别数据,如零件编号、型号或编码信息。
将提取到的标记识别数据与预先构建的参照标记识别数据库进行比较。参照数据库中存储了所有预期出现在发动机上的零件标记数据及其对应正确的零件类型。比较过程中,设定一个预设的相似阈值,只有当标记识别数据与数据库中记录的数据相似度超过该阈值时,才认为匹配成功。
若标记识别数据在参照数据库中匹配成功,说明该标记数据与对应的零件类型之间的一致性得到了验证,此时***直接采纳匹配结果,确定该零件的类型。若标记识别数据未能在参照数据库中找到相似度超过预设阈值的匹配项,可能存在标记识别错误、标记数据异常或零件本身为非预期部件等情况。此时,***将标记该零件为“需人工复查”,并将待检测零件图像及其标记识别数据一同提交给人工复查环节,由专业人员对图像及标记进行仔细核查,最终确定零件类型。
本实施例中,在原有的基于HOG特征和SVM分类器的零件类型识别基础上,增加了基于标记数据的识别与数据库匹配步骤,形成了双重验证机制。对于标记清晰、信息准确的零件,这种方法能够有效降低单纯依赖视觉特征识别可能带来的误判风险,提高零件类型判断的准确性。
优选地,采用第二光源以预设角度照射待检测发动机,得到待检测发动机的第二图像,包括:
第二光源以30°至80°之间的入射角度照射待检测发动机,得到第二图像。
本实施例中,设置第二光源以特定的入射角度对准待检测发动机进行照射。优选的入射角度范围为30°至80°,即第二光源相对于发动机表面法线的角度在此范围内选择。这个角度范围的选择旨在确保投射到发动机上的光线能产生适宜的阴影效果,以利于后续的阴影分析和空间位置计算。在设定好第二光源的入射角度后,启动光源并同步启动图像采集设备(如摄像头)。第二光源在选定角度下对发动机进行照射,由于光源角度的变化,零件在发动机表面产生的阴影会发生相应改变,这些阴影信息被图像采集设备捕捉并转化为数字图像,即为待检测发动机的第二图像。第二图像中除了包含零件的基本形态外,更重要的是记录了在特定入射角下零件投射的阴影细节,这些信息对于后续计算零件的三维空间位置至关重要。
需要说明的是,选择30°至80°的入射角度范围,能够产生明显的零件阴影,且阴影形态相对稳定、易于解析。这样的角度范围既能保证阴影的鲜明度,便于阴影分析算法提取特征,又能避免因角度过小(接近垂直)导致阴影过淡、信息不足,或因角度过大导致阴影过于复杂、难以解析的情况。因此,该优选范围有助于提高基于阴影分析的零件空间位置计算的准确性。30°至80°的入射角范围兼顾了不同形状、尺寸和材质的发动机零件,能够在大多数情况下生成有效的阴影信息,适用于多种类型的发动机及其零部件的检测。这一范围的设定增强了方法的通用性和适应性,使其能在不同的发动机型号和装配场景中稳定、有效地工作。
在一个可能的实施例中,参考图3和图4,图3展示了某一零部件在第二光源以30°入射角照射下的阴影剖面示意图,而图4则呈现了同一零部件在正确安装位置下,同样以30°入射角投射时的阴影剖面。对比这两幅图,可以明显观察到,通过精确测量零部件阴影在特定入射角下的尺寸特征,并结合该入射角值,理论上能够运用光学投影原理计算出零部件顶部与安装平面之间的实际距离。利用图3中零部件阴影的投影长度,结合预设的30°入射角,依据三角函数关系,即可计算出零部件与安装平面之间的垂直距离。此距离值与图4所示正常安装状态下零部件与安装平面之间的理论距离相比较,即可判断该零部件是否安装到位。如果计算得到的实际距离与理论距离相符或在允许的公差范围内,可确认零部件安装正确;反之,若两者相差较大超出了规定公差,即表明零部件存在安装位置偏差,可能存在错装或装配缺陷。
在又一个可能的实施例中,参考图5和图6,图5(a)与图6(a)分别展示了同一零部件在两种不同安装状态下,经由第二光源以60°入射角照射时形成的阴影剖面图。具体来说,图5(a)描绘了零部件安装于安装平面之下的情景,其在60°入射角光照下产生的阴影形态被详细记录。与此同时,图5(b)给出了该零部件在这种安装状态下,在同一入射角下的俯视图,进一步展现了其与安装平面及周围环境的空间关系。对比之下,图6(a)则呈现了同一零部件在正确安装位置下,同样在60°入射角光照条件下所产生的阴影剖面。此图清晰展示了零部件在理想安装状态下,其阴影的准确分布与形状特征。与之配套的图6(b)为该零部件在正确安装位置及60°入射角下的俯视视图,直观地展现了零部件与安装平面及周围环境的理想布局关系。本实施例进一步说明了在同一入射角条件下,零部件安装方式的不同将直接影响其阴影特性,而通过对这些特性的细致观察与对比分析,可为判断零部件是否正确安装提供有力依据,进一步凸显了基于阴影分析的发动机零件错漏装检测方法的有效性和实用性。
优选地,基于第二图像以及二次检测零件数据,通过预设的阴影分析算法提取并计算对应二次检测零件的第一空间位置数据,包括:
根据第二图像定位二次检测零件并裁剪,生成多个二次检测零件图像;
基于二次检测零件数据,得到二次检测零件的尺寸信息;
基于二次检测零件图像的阴影信息和二次检测零件的尺寸信息进行计算,得到二次检测零件的第一空间位置数据。
本实施例中,对获取的第二图像进行图像处理,利用图像识别技术精准定位出二次检测零件在图像中的位置。定位完成后,对含有二次检测零件的部分进行裁剪,生成与每个二次检测零件对应的独立图像,即“二次检测零件图像”。这些图像仅包含单个零件及其相关阴影,便于后续对单个零件进行精确的空间位置分析。
根据已有的二次检测零件数据(如CAD模型数据或设计图纸),提取出二次检测零件的尺寸信息,包括但不限于长度、宽度、高度、曲率等关键几何参数。这些尺寸信息是计算零件空间位置的重要参考依据,与阴影分析结果结合使用,可以提高位置计算的精度。
运用预设的阴影分析算法,对每个二次检测零件图像中的阴影信息进行深入分析。算法可能涉及阴影轮廓提取、边缘检测、阴影深度估计等步骤。结合步骤2中获取的尺寸信息,通过光学投影原理、三角测量法或其他适当的数学模型,计算出二次检测零件在三维空间中的第一空间位置数据,包括但不限于零件在发动机坐标系中的X、Y、Z坐标,以及可能的旋转角度等。
本实施例通过精准定位并裁剪二次检测零件图像、结合二次检测零件尺寸信息进行阴影分析,以及运用预设的高效阴影分析算法,实现了对二次检测零件的第一空间位置数据的精确提取与计算,显著提升了发动机零件错漏装检测的准确性和效率,为实现自动化、高精度的生产线质量控制提供了强有力的技术支撑。
优选地,基于二次检测零件图像的阴影信息和二次检测零件的尺寸信息进行计算,得到二次检测零件的第一空间位置数据,包括:
基于二次检测零件图像的阴影信息,获得最大投影长度;
基于二次检测零件的尺寸信息,对最大投影长度进行数据修正;
根据数据修正后的最大投影长度和第二光源的入射角度,计算二次检测零件的上表面与安装平面的距离,计算过程表示如下:
,
其中,表示二次检测零件的上表面与安装平面的距离,/>表示最大投影长度,/>表示第二光源的入射角。
本实施例中,对二次检测零件图像进行阴影信息处理,通过边缘检测、轮廓提取等图像处理技术,精确识别出零件阴影的边界。然后,基于阴影轮廓,计算出阴影在某一指定方向上的最大投影长度(通常选取与安装平面平行的方向)。最大投影长度反映了零件在该方向上的遮挡程度,与零件相对于光源的位置关系密切。
考虑到实际零件可能存在一定的形变或加工误差,导致其实际尺寸与理论尺寸有所偏差,因此需要对最大投影长度进行数据修正。具体来说,根据二次检测零件的尺寸信息(如CAD模型数据或实测尺寸),结合零件材料特性、制造公差等因素,对最大投影长度进行适当调整,以更真实地反映零件当前的实际状态。修正后的最大投影长度为后续距离计算提供了更为精确的基础数据。
根据修正后的最大投影长度(记为)和已知的第二光源入射角度/>,应用三角函数关系,按照公式/>计算出二次检测零件的上表面与安装平面之间的距离/>。此公式基于光学投影原理,利用阴影长度与光源入射角的正弦值之间的比例关系,直接推导出零件垂直于光源方向的高度,即零件与安装平面的距离。
本实施例通过充分利用二次检测零件图像的阴影信息,结合二次检测零件的尺寸信息进行数据修正,以及运用科学的三角函数模型计算零件与安装平面的距离,成功实现了对二次检测零件的第一空间位置数据的精确提取,显著提高了发动机零件错漏装检测的精度和可靠性。
优选地,根据第一空间位置数据和第二空间位置数据,得到装配缺陷零件数据,包括:
计算第一空间位置数据和第二空间位置数据的差值;
比较差值与预设的误差阈值的大小;
若差值大于预设的误差阈值,则生成装配缺陷零件数据;
若差值小于预设的误差阈值,则生成安装合格零件数据。
本实施例中,对获取到的二次检测零件的第一空间位置数据(记为)和参考标准(例如设计图纸或先前检测结果所确定的)的第二空间位置数据(记为/>)进行差值计算。差值/> 反映了实际检测位置与预期理想位置之间的偏差。
预先设定一个误差阈值,该阈值根据发动机零件的允许安装公差、检测设备精度以及生产工艺稳定性等因素综合确定。将计算得到的差值/>与预设的误差阈值/>进行比较,判断两者之间的相对大小关系。
若差值大于预设的误差阈值,即/>,则判定该零件存在装配缺陷。此时,***生成装配缺陷零件数据,包括但不限于:零件编号、实际检测位置/>、预期理想位置/>、差值/>及其与阈值/>的比较结果。这些数据将被记录并传递至后续的质量管理***,触发相应的异常处理流程,如通知操作人员进行复检或调整,或自动录入至质量报告中作为不合格记录。若差值小于等于预设的误差阈值/>,即/>,则判定该零件安装合格。***生成安装合格零件数据,同样包括零件编号、实际检测位置/>、预期理想位置/>及差值/>,但此时标记为合格状态,并可能附带合格证明信息。合格数据将用于更新生产进度监控、统计合格率等,确保生产线的正常运行。
本实施例通过计算第一空间位置数据和第二空间位置数据的差值,实现了对零件装配位置偏差的精准量化,为后续的装配质量评估提供了客观、量化的依据。这种量化方法摒弃了主观判断,提高了评估的客观性和一致性。引入预设的误差阈值,并与实际差值进行比较,确保了对装配缺陷的判断具有明确的标准和界限。阈值的设定兼顾了生产工艺允许的合理公差与检测***的精度,确保了判断的准确性,避免了过度敏感或过于宽松的误判。根据比较结果生成装配缺陷零件数据或安装合格零件数据,实现了对检测结果的即时分类与管理。这种即时反馈机制有助于迅速识别并隔离问题零件,促进生产线的快速响应与调整,同时保证了合格零件的顺畅流转,提高了生产效率。
优选地,基于二次检测零件图像的阴影信息,获得最大投影长度之前,还包括:对二次检测零件图像进行二值化处理。
本实施例中,对采集到的二次检测零件的原始图像进行预处理,其中关键步骤为二值化处理。二值化是指将图像中的每个像素点的灰度值转换为仅有两个离散值(通常为黑色和白色)的过程,目的是简化图像信息,突出目标特征,减少后续处理的复杂性。具体实现时,可以选择适当的阈值(如全局阈值、自适应阈值等),使得像素点灰度值高于阈值的被赋为白色(背景),低于阈值的被赋为黑色(前景),从而将零件图像转化为黑白分明的二值图像。
在完成二值化处理后,图像中的阴影区域(通常表现为连续的黑色像素块)得以清晰显现。接着,采用边缘检测算法(如Canny、Sobel等)提取阴影边缘,进而计算阴影在某一特定方向上的最大投影长度。具体而言,沿垂直于光源方向的直线扫描二值图像,统计连续黑色像素的累积长度,取其最大值作为最大投影长度。
通过对二次检测零件图像进行二值化处理,有效地去除了图像中的背景噪声和光照不均导致的灰度变化,使阴影区域与非阴影区域形成鲜明对比。这一过程增强了阴影信息的可识别性,降低了因光照条件变化或零件表面反光等因素对阴影识别的影响,提高了后续阴影边缘提取及投影长度计算的精度。进一步地,二值化图像仅包含两种颜色,大大简化了图像处理算法的复杂性。在后续的阴影边缘检测和投影长度计算过程中,算法无需再考虑复杂的灰度分布和光照影响,可以直接在二值图像上进行运算,显著提升了处理速度,降低了计算资源需求。
优选地,错装零件数据包括错装零件编号、错装位置和错装类型;
漏装零件数据包括漏装零件编号和漏装位置;
装配缺陷零件数据包括装配缺陷零件类型、安装位置、位置偏差值。
本实施例中,错装零件数据详述了发生错误安装的零件的唯一编号、其在发动机上的实际错装位置及具体的错装类型(如装反、装错位置等),确保问题零件的精准识别与追溯,便于后续针对性处理。漏装零件数据记录了应装未装零件的编号及其预定安装位置,为补装工作提供明确指引。装配缺陷零件数据则涵盖了缺陷零件类型、实际安装位置及与标准位置间的偏差值,不仅有利于快速定位缺陷,还量化了偏差程度,对评估缺陷影响、优化装配工艺具有重要价值。详尽的零件数据使各类缺陷具有清晰的可追溯性,无论是错装、漏装还是装配缺陷,都能通过零件编号迅速锁定问题源头,结合具***置信息,操作人员能迅速、准确地找到问题部位,显著提升故障排查与维修效率。进一步地,错装类型和装配缺陷零件类型的明确标识,有助于快速识别缺陷性质,直接指导采取相应的纠正措施,如零件重新定位、方向调整或工艺修正,有效防止因误判导致的无效操作。同时,这些信息有助于深入剖析缺陷成因,从源头上预防同类问题再次发生。
优选地,当检测到存在至少一个错装零件数据、漏装零件数据或装配缺陷零件数据时,发出告警信息,并将检测报告推送给管理人员。
本实施例中,实时告警机制确保了检测到缺陷的第一时间通知相关人员,缩短了问题发现与响应的时间间隔,有助于尽早介入干预,防止缺陷零件进入后续生产环节或流入市场,有效控制不良品率,降低质量风险。进一步地,将详细的检测报告直接推送给管理人员,提供了缺陷的全面信息(如零件编号、位置、类型、偏差值等),便于他们快速理解问题实质,精准判断问题严重性,进而作出科学决策,如暂停生产线、调整工艺参数、安排返修或更换供应商等,提升质量管理的效率与效果。通过***自动发送告警信息及检测报告,实现了质量管理过程的透明化,强化了对生产现场的监控力度。同时,详尽的缺陷数据有助于追溯问题源头,落实责任追究,激励全员关注质量,营造良好的质量管理氛围。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于视觉检测的发动机零件错漏装检测方法,其特征在于,包括:
在第一光源照射下,得到待检测发动机的第一图像,所述第一光源位于所述待检测发动机正上方并垂直于发动机表面进行照射;
将所述第一图像输入训练好的零件检测模型中,得到错装零件数据、漏装零件数据和二次检测零件数据;
采用第二光源以预设的入射角照射所述待检测发动机,得到所述待检测发动机的第二图像,所述第二图像包含零件阴影信息;
基于所述第二图像以及所述二次检测零件数据,通过预设的阴影分析算法提取并计算对应二次检测零件的第一空间位置数据;
获取所述预设的入射角下对应零件的正常参照的第二空间位置数据;
在预先构建好的标准参照数据库中,获取对应零件在所述预设的入射角下的第二空间位置数据;
根据所述第一空间位置数据和所述第二空间位置数据,得到装配缺陷零件数据;
根据所述错装零件数据、所述漏装零件数据和所述装配缺陷零件数据,得到检测报告。
2.根据权利要求1所述的一种基于视觉检测的发动机零件错漏装检测方法,其特征在于,所述将所述第一图像输入训练好的零件检测模型中,得到错装零件数据、漏装零件数据和二次检测零件数据,包括:
根据所述第一图像定位待检测零件区域并裁剪,生成多个待检测零件图像;
分别对所述待检测零件图像进行方向梯度直方图处理,得到多个HOG特征向量;
将所述HOG特征向量输入训练好的SVM分类器中,得到对应的零件类型;
将不同位置的所述零件类型和预设的参照零件类型进行比对;
若所述零件类型与所述参照零件类型不一致,则生成所述错装零件数据;
若所述零件类型为空,则生成所述漏装零件数据;
若所述零件类型与所述参照零件类型一致,则生成所述二次检测零件数据。
3.根据权利要求2所述的一种基于视觉检测的发动机零件错漏装检测方法,其特征在于,所述将所述HOG特征向量输入训练好的SVM分类器中,得到对应的零件类型之后,还包括:
若检测到所述待检测零件图像包含标记数据,所述标记数据包括文本数据和图案数据;
对所述待检测零件图像进行标记识别,得到标记识别数据;
基于预设的相似阈值,在参照标记识别数据库中对所述标记识别数据进行预设阈值匹配;
若匹配成功,则确定所述零件类型;
若匹配失败,则标记对应的零件并进行为人工复查。
4.根据权利要求1所述的一种基于视觉检测的发动机零件错漏装检测方法,其特征在于,所述采用第二光源以预设角度照射所述待检测发动机,得到所述待检测发动机的第二图像,包括:
所述第二光源以30°至80°之间的入射角度照射所述待检测发动机,得到所述第二图像。
5.根据权利要求4所述的一种基于视觉检测的发动机零件错漏装检测方法,其特征在于,所述基于所述第二图像以及所述二次检测零件数据,通过预设的阴影分析算法提取并计算对应二次检测零件的第一空间位置数据,包括:
根据所述第二图像定位二次检测零件并裁剪,生成多个二次检测零件图像;
基于所述二次检测零件数据,得到所述二次检测零件的尺寸信息;
基于所述二次检测零件图像的阴影信息和所述二次检测零件的尺寸信息进行计算,得到所述二次检测零件的第一空间位置数据。
6.根据权利要求5所述的一种基于视觉检测的发动机零件错漏装检测方法,其特征在于,所述基于所述二次检测零件图像的阴影信息和所述二次检测零件的尺寸信息进行计算,得到所述二次检测零件的第一空间位置数据,包括:
基于所述二次检测零件图像的阴影信息,获得最大投影长度;
基于所述二次检测零件的尺寸信息,对所述最大投影长度进行数据修正;
根据数据修正后的所述最大投影长度和所述第二光源的入射角度,计算所述二次检测零件的上表面与安装平面的距离,计算过程表示如下:
,
其中,表示二次检测零件的上表面与安装平面的距离,/>表示最大投影长度,/>表示第二光源的入射角。
7.根据权利要求6所述的一种基于视觉检测的发动机零件错漏装检测方法,其特征在于,所述根据所述第一空间位置数据和所述第二空间位置数据,得到装配缺陷零件数据,包括:
计算所述第一空间位置数据和所述第二空间位置数据的差值;
比较所述差值与预设的误差阈值的大小;
若所述差值大于预设的误差阈值,则生成所述装配缺陷零件数据;
若所述差值小于预设的误差阈值,则生成安装合格零件数据。
8.根据权利要求6所述的一种基于视觉检测的发动机零件错漏装检测方法,其特征在于,所述基于所述二次检测零件图像的阴影信息,获得最大投影长度之前,还包括:对所述二次检测零件图像进行二值化处理。
9.根据权利要求1所述的一种基于视觉检测的发动机零件错漏装检测方法,其特征在于,包括:
所述错装零件数据包括错装零件编号、错装位置和错装类型;
所述漏装零件数据包括漏装零件编号和漏装位置;
所述装配缺陷零件数据包括装配缺陷零件类型、安装位置、位置偏差值。
10.根据权利要求1所述的一种基于视觉检测的发动机零件错漏装检测方法,其特征在于,当检测到存在至少一个所述错装零件数据、所述漏装零件数据或所述装配缺陷零件数据时,发出告警信息,并将所述检测报告推送给管理人员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410374859.2A CN118190959A (zh) | 2024-03-29 | 2024-03-29 | 一种基于视觉检测的发动机零件错漏装检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410374859.2A CN118190959A (zh) | 2024-03-29 | 2024-03-29 | 一种基于视觉检测的发动机零件错漏装检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118190959A true CN118190959A (zh) | 2024-06-14 |
Family
ID=91403789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410374859.2A Pending CN118190959A (zh) | 2024-03-29 | 2024-03-29 | 一种基于视觉检测的发动机零件错漏装检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118190959A (zh) |
-
2024
- 2024-03-29 CN CN202410374859.2A patent/CN118190959A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12001191B2 (en) | Automated 360-degree dense point object inspection | |
US7343789B2 (en) | Inspection method and apparatus for uneven marks on tire | |
KR102022496B1 (ko) | 비전 이미지 검출을 이용한 공정 관리 및 모니터링 시스템 및 그 방법 | |
EP3963414A2 (en) | Automated 360-degree dense point object inspection | |
CN109142383B (zh) | 一种基于形态学的字符缺陷检测方法 | |
CN109840900B (zh) | 一种应用于智能制造车间的故障在线检测***及检测方法 | |
CN106546263B (zh) | 一种基于机器视觉的激光水平仪出射激光线检测方法 | |
CN102529019B (zh) | 一种模具检测、保护及零件检测、摘取的方法 | |
CN108257171A (zh) | 基于光视觉的汽车雷达装配孔径检测方法 | |
EP3775854B1 (en) | System for the detection of defects on a surface of at least a portion of a body and method thereof | |
EP4195142A1 (en) | System for detecting the defects of the wooden boards and their classification into quality classes | |
CN107895362A (zh) | 一种微型接线端子质量检测的机器视觉方法 | |
CN116428984A (zh) | 一种五金模具冲压加工智能检测*** | |
CN112985515B (zh) | 一种产品紧固件装配合格性检测方法、***及存储介质 | |
CN113778091A (zh) | 一种风电场升压站设备巡检方法 | |
CN116258838B (zh) | 一种用于管片模具合模***的智能视觉引导方法 | |
CN115375610A (zh) | 检测方法及装置、检测设备和存储介质 | |
CN115993366B (zh) | 基于传感设备的加工件表面检测方法及*** | |
US20230419477A1 (en) | Anomaly detection system in the automatic placement of composites during the manufacturing of structural elements | |
CN116109633B (zh) | 一种轴承保持器的窗口检测方法及设备 | |
CN118190959A (zh) | 一种基于视觉检测的发动机零件错漏装检测方法 | |
CN116664512A (zh) | 一种基于视觉识别的veh连接器组装安全监测报警*** | |
TWM619409U (zh) | 智慧化加工系統 | |
KR20190119801A (ko) | 차량 헤드라이트 얼라인먼트 보정 및 분류 방법 및 이를 이용한 차량 헤드라이트 불량검사 방법 | |
CN112329770B (zh) | 一种仪表刻度识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |