CN206897873U - 一种基于检测产品特性的图像处理与检测*** - Google Patents
一种基于检测产品特性的图像处理与检测*** Download PDFInfo
- Publication number
- CN206897873U CN206897873U CN201720382285.9U CN201720382285U CN206897873U CN 206897873 U CN206897873 U CN 206897873U CN 201720382285 U CN201720382285 U CN 201720382285U CN 206897873 U CN206897873 U CN 206897873U
- Authority
- CN
- China
- Prior art keywords
- module
- image
- signal
- detection
- detecting system
- 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.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 238000007781 pre-processing Methods 0.000 claims abstract description 29
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 230000007935 neutral effect Effects 0.000 claims abstract description 19
- 230000004044 response Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 11
- 238000003709 image segmentation Methods 0.000 abstract description 6
- 239000000047 product Substances 0.000 description 39
- 238000000034 method Methods 0.000 description 11
- 230000007547 defect Effects 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 239000011521 glass Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000012372 quality testing Methods 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 208000028831 congenital heart disease Diseases 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本实用新型公开了一种基于检测产品特性的图像处理与检测***，包括依次连接的图像预处理模块、图像分割模块、特征抽取模块、数据预处理模块、神经网络学习模块以及神经网络检测模块；本实用新型提供的基于检测产品特性的图像处理与检测***，可以提高产品质量检测效率。
Description
技术领域
本实用新型涉及工业机器人技术领域，更具体的说是涉及一种基于检测产品特性的图像处理与检测***。
背景技术
现代工业中，许多产品(如电子与器件、五金器件零部件等)的生产在自动线上完成，各生产环节都涉及到产品的质量检测，一些企业投入大量人力，采用肉眼检测的方式来控制产品质量，但由于一些人为因素，产品质量难以保证。为提高检测效率和保证产品质量，采用机器视觉技术代替人的视觉进行产品质量的自动检测是解决问题的有效方法。
机器视觉由于可快速获取大量信息，且易于同设计信息和控制信息进行集成，因此在现代制造生产过程中，机器视觉被广泛的用于质量检测、生产控制等。相对于人眼视觉，机器视觉具有很大的优势和发展前景，因此近年来机器视觉得以迅速发展，其广泛应用于医疗、工业、农业、军事、交通等各个领域。
在我国，直到90年代中后期机器视觉技术才逐渐被人们认识和了解，目前，用在制造业中机器视觉仍存在产品质量检测效率低下的问题，因此难以推广。
实用新型内容
针对现有技术存在的不足，本实用新型的目的在于提供基于检测产品特性的图像处理与检测***，可以提高产品质量检测效率。
为实现上述目的，本实用新型提供了如下技术方案：
一种基于检测产品特性的图像处理与检测***，包括依次连接的图像预处理模块、特征抽取模块、数据预处理模块、以及神经网络检测模块；
所述图像预处理模块用于在原始图像的灰度级大于预设值时修正所述原始图像的灰度级，并且发送相应的修正信号至所述特征抽取模块；
所述特征抽取模块用于接收所述修正信号，并且在所述修正后的图像的灰度大于预设值时发送相应的特征向量信号至所述数据预处理模块；
所述数据预处理模块用于接收所述特征向量信号，将所述特征向量信号和预设值进行比较，并且发送相应的预处理信号至所述神经网络检测模块；
所述神经网络检测模块用于响应于所述预处理信号对产品进行分类。
作为一种可实施方式，所述图像预处理模块包括比较单元，所述比较单元用于在原始图像的灰度级大于预设值时修正所述原始图像的灰度级，并且发送相应的修正信号至所述特征抽取模块。
作为一种可实施方式，所述特征抽取模块包括比较单元，所述比较单元用于接收所述修正信号，并且在所述修正后的图像的灰度大于预设值时发送相应的特征向量信号至所述数据预处理模块。
作为一种可实施方式，所述数据预处理模块包括比较单元，所述比较单元用于接收所述特征向量信号，将所述特征向量信号和预设值进行比较，并且发送相应的预处理信号至所述神经网络检测模块。
作为一种可实施方式，所述神经网络检测模块包括比较单元，所述比较单元用于将所述预处理信号和预设值进行比较，并且根据比较的结果对产品进行分类。
本实用新型相比于现有技术的有益效果在于：
本实用新型提供了一种基于检测产品特性的图像处理与检测***，包括图像预处理模块、特征抽取模块、数据预处理模块、以及神经网络检测模块；这四个模块分别将一个要素和预设值进行比较，例如，图像预处理模块将原始图像的灰度级和预设值进行比较；最终对产品进行分类，从而可以提高产品质量检测效率。
附图说明
图1为本实用新型提供的基于检测产品特性的图像处理与检测***的一框图；
图2为本实用新型提供的基于检测产品特性的图像处理与检测***的另一框图。
图中：100、图像预处理模块；200、图像分割模块；300、特征抽取模块；400、数据预处理模块；500、神经网络学习模块；600、神经网络检测模块。
具体实施方式
以下结合附图，对本实用新型上述的和另外的技术特征和优点进行清楚、完整地描述，显然，所描述的实施例仅仅是本实用新型的部分实施例，而不是全部实施例。
参照图2，本实用新型提供了一种基于检测产品特性的图像处理与检测***，包括依次连接的图像预处理模块100、特征抽取模块300、数据预处理模块400、以及神经网络检测模块600；图像预处理模块100用于在原始图像的灰度级大于预设值时修正原始图像的灰度级，并且发送相应的修正信号至特征抽取模块300；特征抽取模块300用于接收修正信号，并且在修正后的图像的灰度大于预设值时发送相应的特征向量信号至数据预处理模块400；数据预处理模块400用于接收特征向量信号，将特征向量信号和预设值进行比较，并且发送相应的预处理信号至神经网络检测模块600；神经网络检测模块600用于响应于预处理信号对产品进行分类。
这里，图像预处理模块100、特征抽取模块300、数据预处理模块400、以及神经网络检测模块600分别有一个和预设值比较的要素，分别是原始图像的灰度级、修正后的图像的灰度、特征向量信号、以及预处理信号。其中，这四个环节中的任一环节，都是将一预设的要素与预设值进行比较，然后输出一个比较的结果，其中的原理类似于电压比较器，将电压与预设值进行比较并且输出一个比较的结果，属于现有技术。
参照图1，基于这个硬件架构，可以实现以下的功能：
预处理模块采用对环境光强差异下的灰度级修正以及噪声平滑处理，提高图像的灰度对比度，实现检测图像与模板图像的匹配；图像分割模块200采用了阈值分割技术，通过对***定义感兴趣区域AOI进行局部动态阈值分割，使质量检测区域更具有针对性；特征抽取模块300通过产品质量缺陷种类定义相应算法提取图像特征向量，提高产品质量检测效率。
需要特别注意的是，使用S函数为f(x)＝1/(1+e-x)将特征向量归一化到0至1之间是现有技术。
接下来，对图像预处理模块100、图像分割模块200、特征抽取模块300、数据预处理模块400、神经网络学习模块500以及神经网络检测模块600逐个进行说明。
本实用新型提供的基于检测产品特性的图像处理与检测***，采用的图像预处理灰度级修正、平滑噪声的方法对图像进行预处理。这一过程由图像预处理模块100实现。
本实用新型提供的基于检测产品特性的图像处理与检测***，采用阈值分割法对图像进行分割，首先根据被检测产品的特征选取一个适当的灰度级门限(阈值)，然后将产品图像中的每个像素灰度和它进行比较，超过门限的重新分配以最大灰度(255)，低于门限的分配以最小灰度(0)，这样就能组成一个新的二值图像，并成功地把对象从背景中显露出来。这一过程由图像分割模块200实现。
本实用新型提供的基于检测产品特性的图像处理与检测***，在图像分割的基础上对图像灰度信息进行度量，产生一组特征，把这些特征组合在一起，就形成了特征向量，被检产品图像的二值图及原图包含的信息量通常很大，不能直接将其提供给BP神经网络来检测判断，因此必须从二值图及原图中抽取一些特征，***定义将包含质量问题可能出现的范围的矩形区域称为感兴趣区域AOI(area of interest，AOI)，提取背景光亮度值，AOI光斑的大小，AOI中的最大灰度值和AOI中光斑离背景光的距离4个特征构成BP神经网络的输入特征向量。这一过程由特征抽取模块300实现。
本实用新型提供的基于检测产品特性的图像处理与检测***，特征提取模块获取的数据采用S函数f(x)＝1/(1+e-x)进行归一化到0至1之间，以便输入神经网络处理。这一过程由数据预处理模块400实现。
本实用新型提供的基于检测产品特性的图像处理与检测***，产品质量缺陷种类较多、真缺陷与假缺陷不易区别。因此特征选取需根据具体要求而定。如在玻璃生产中质检人员根据缺陷的种类和产品需要，常常将玻璃块(产品)分成两个阶段进行检查。第一个阶段是对单个玻璃缺陷的检测，其目标是发现玻璃的缺陷，包括：气泡、夹杂、光畸变、粘锡、划伤、线道。第二个阶段是在第一阶段检测的基础上对整块玻璃分级。因此单个缺陷的检测是分类分级的基础。质检员对单个缺陷的大小十分关注，通常以长径来表示。对气泡而言即为最大的轴向距离，对不规则的夹杂而言即为核心缺陷曲边上两点间的最大距离，而对线性缺陷则指线长度。检测时必须将长径计算出来。软件的神经网络学习首先要确定BP神经网络的最佳结构。其中，输入层节点数取决于输入特征向量的维数，本***中输入特征向量为4维，所输入层节点数为4个。输出层节点数一般可等于模式类别数，也可用输出结点的编码表示各模式类别。由于产品的质量问题类型一般只有两种：合格与不合格。因此，可确定输出层单元数为1，其输出为0时表示产品合格，输出为1时表示产品不合格。隐含层节点数目一般与问题的要求、输入输出单元的多少及训练样本数都有直接的关系，本***采用隐含层节点数估算方法为：
其中，HN为最佳隐含层节点数；NI为输入层节点数；NO为输出层节点数；NP为训练样本数。
本***采用附加动量法，在每一个权值和阈值的变化上加上一项正比于前次变化量的值，并根据反向传播法来产生新的权值和阈值，可以避免BP神经网络在学习过程中陷于局部极小值，加快学习速度。
其中，k为训练次数；mc为动量因子，一般取0.95左右。
在给定精度要求MSE≤104下，BP神经网络对选取的28个样本经过503次学习收敛后，将得到的权值和阈值写入文件保存起来，这是网络的学习结果。
***通过对被检测产品的图像进行处理来获取特征向量，此向量作为输入网络的新模式。这一过程由神经网络学习模块500实现。
本实用新型提供的基于检测产品特性的图像处理与检测***，神经网络检测就是通过调用BP神经网络的学习结果来对输入网络的新模式进行识别和分类，即对产品图像特征进行检测，并输出检测结果，最后由执行机对被检测玻璃瓶作相应处理。
以上所述的具体实施例，对本实用新型的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本实用新型的具体实施例而已，并不用于限定本实用新型的保护范围。特别指出，对于本领域技术人员来说，凡在本实用新型的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本实用新型的保护范围之内。
Claims (5)
1.一种基于检测产品特性的图像处理与检测***，其特征在于，包括依次连接的图像预处理模块(100)、特征抽取模块(300)、数据预处理模块(400)、以及神经网络检测模块(600)；
所述图像预处理模块(100)用于在原始图像的灰度级大于预设值时修正所述原始图像的灰度级，并且发送相应的修正信号至所述特征抽取模块(300)；
所述特征抽取模块(300)用于接收所述修正信号，并且在所述修正后的图像的灰度大于预设值时发送相应的特征向量信号至所述数据预处理模块(400)；
所述数据预处理模块(400)用于接收所述特征向量信号，将所述特征向量信号和预设值进行比较，并且发送相应的预处理信号至所述神经网络检测模块(600)；
所述神经网络检测模块(600)用于响应于所述预处理信号对产品进行分类。
2.根据权利要求1所述的基于检测产品特性的图像处理与检测***，其特征在于，所述图像预处理模块(100)包括比较单元，所述比较单元用于在原始图像的灰度级大于预设值时修正所述原始图像的灰度级，并且发送相应的修正信号至所述特征抽取模块(300)。
3.根据权利要求1所述的基于检测产品特性的图像处理与检测***，其特征在于，所述特征抽取模块(300)包括比较单元，所述比较单元用于接收所述修正信号，并且在所述修正后的图像的灰度大于预设值时发送相应的特征向量信号至所述数据预处理模块(400)。
4.根据权利要求1所述的基于检测产品特性的图像处理与检测***，其特征在于，所述数据预处理模块(400)包括比较单元，所述比较单元用于接收所述特征向量信号，将所述特征向量信号和预设值进行比较，并且发送相应的预处理信号至所述神经网络检测模块(600)。
5.根据权利要求1所述的基于检测产品特性的图像处理与检测***，其特征在于，所述神经网络检测模块(600)包括比较单元，所述比较单元用于将所述预处理信号和预设值进行比较，并且根据比较的结果对产品进行分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201720382285.9U CN206897873U (zh) | 2017-04-12 | 2017-04-12 | 一种基于检测产品特性的图像处理与检测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201720382285.9U CN206897873U (zh) | 2017-04-12 | 2017-04-12 | 一种基于检测产品特性的图像处理与检测*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN206897873U true CN206897873U (zh) | 2018-01-19 |
Family
ID=61290543
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201720382285.9U Expired - Fee Related CN206897873U (zh) | 2017-04-12 | 2017-04-12 | 一种基于检测产品特性的图像处理与检测*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN206897873U (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108210186A (zh) * | 2018-01-29 | 2018-06-29 | 靳霞 | 产妇辅助恢复装置 |
| CN108459030A (zh) * | 2018-02-08 | 2018-08-28 | 东华大学 | 一种应用于非平面塑料光滑表面瑕疵在线检测装置与方法 |
| CN112547528A (zh) * | 2021-03-01 | 2021-03-26 | 华鹏飞股份有限公司 | 基于分类识别的物流分拣方法及*** |
-
2017
- 2017-04-12 CN CN201720382285.9U patent/CN206897873U/zh not_active Expired - Fee Related
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108210186A (zh) * | 2018-01-29 | 2018-06-29 | 靳霞 | 产妇辅助恢复装置 |
| CN108210186B (zh) * | 2018-01-29 | 2020-02-25 | 张燕 | 产妇辅助恢复装置 |
| CN108459030A (zh) * | 2018-02-08 | 2018-08-28 | 东华大学 | 一种应用于非平面塑料光滑表面瑕疵在线检测装置与方法 |
| CN112547528A (zh) * | 2021-03-01 | 2021-03-26 | 华鹏飞股份有限公司 | 基于分类识别的物流分拣方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108765412B (zh) | 一种带钢表面缺陷分类方法 | |
| CN111179251A (zh) | 基于孪生神经网络利用模板比对的缺陷检测***及方法 | |
| CN110349126A (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
| CN108154519A (zh) | 眼底图像中血管的分割方法、装置及存储介质 | |
| CN111582359B (zh) | 一种图像识别方法、装置、电子设备及介质 | |
| CN112734691A (zh) | 一种工业制品缺陷检测方法、装置、终端设备及存储介质 | |
| CN111539957B (zh) | 一种用于目标检测的图像样本生成方法、***及检测方法 | |
| CN206897873U (zh) | 一种基于检测产品特性的图像处理与检测*** | |
| CN112365497A (zh) | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和*** | |
| CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
| CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
| CN106997590A (zh) | 一种基于检测产品特性的图像处理与检测*** | |
| CN110175614A (zh) | 一种印刷电路板过孔内壁质量的检测方法 | |
| Gurubelli et al. | Texture and colour gradient features for grade analysis of pomegranate and mango fruits using kernel-SVM classifiers | |
| Lien et al. | Product surface defect detection based on deep learning | |
| Turi et al. | Classification of Ethiopian coffee beans using imaging techniques | |
| Zhang et al. | Fabric defect detection based on visual saliency map and SVM | |
| CN107024480A (zh) | 一种立体图像采集装置 | |
| Kusanti et al. | Combination of otsu and canny method to identify the characteristics of solo batik as Surakarta traditional batik | |
| Sultana et al. | Design and development of fpga based adaptive thresholder for image processing applications | |
| CN117011274A (zh) | 自动化玻璃瓶检测***及其方法 | |
| CN117173154A (zh) | 玻璃瓶的在线图像检测***及其方法 | |
| CN112200789A (zh) | 一种图像识别的方法及装置、电子设备和存储介质 | |
| CN207181307U (zh) | 一种立体图像采集装置 | |
| Guo et al. | Fault diagnosis of power equipment based on infrared image analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180119 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |