CN103308525A - 一种用于金属线材生产的在线检测方法和装置 - Google Patents
一种用于金属线材生产的在线检测方法和装置 Download PDFInfo
- Publication number
- CN103308525A CN103308525A CN2013101901250A CN201310190125A CN103308525A CN 103308525 A CN103308525 A CN 103308525A CN 2013101901250 A CN2013101901250 A CN 2013101901250A CN 201310190125 A CN201310190125 A CN 201310190125A CN 103308525 A CN103308525 A CN 103308525A
- Authority
- CN
- China
- Prior art keywords
- metal wire
- wire rod
- obtains
- light source
- dimensional 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.)
- Granted
Links
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 130
- 239000002184 metal Substances 0.000 title claims abstract description 130
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000007547 defect Effects 0.000 claims abstract description 10
- 238000005286 illumination Methods 0.000 claims abstract description 8
- 230000002950 deficient Effects 0.000 claims description 17
- 241001269238 Data Species 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000009434 installation Methods 0.000 claims description 9
- 150000002739 metals Chemical class 0.000 claims description 9
- 238000009659 non-destructive testing Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000003909 pattern recognition Methods 0.000 claims description 5
- 238000005498 polishing Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000001678 irradiating effect Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 230000003760 hair shine Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000003287 optical effect Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract 1
- 238000007689 inspection Methods 0.000 abstract 1
- 230000000087 stabilizing effect Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003483 aging Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 239000004411 aluminium Substances 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种用于金属线材生产的在线检测系统，该系统包括：光源、恒流控制器、CCD相机、计算机，其中光源是环形LED光源，套在被测金属线材外侧，光线照射角度与被测金属线材运行方向平行，通过对被测金属线材底角度强流明的照明，使缺陷明显显现，该光源与恒流控制器连接，亮度受恒流控制器控制；所述恒流控制器安装在光源边上，与光源相连，通过控制电流来控制亮度和稳定亮度，其同时与计算机相连，接受计算机的亮度控制指令。本发明通过光学技术、GPU计算、图像处理算法解决了其他方法检测精度低、反馈周期长、离线抽查、效率低等缺陷，可满足金属线材生产厂家的需求。
Description
技术领域
本发明属于机器视觉技术领域，尤其涉及一种用于金属线材生产的在线检测方法和装置。
背景技术
作为金属线材中的一类主要产品，电工扁线大量的用于制造电机、电器设备绕组、安装配电设备等工程，主要材质是铜、铝等电阻率低的有色金属，一般要求表面光亮度较高。由于原材料、生产设备、生产工艺等原因，在线材表面经常出现气泡、氧化皮、划伤等缺陷，降低产品的抗腐蚀性、抗磨性、疲劳极限等使用性能。
传统检测方式为人工目测抽检，效率低、实时性差、置信度低，不能满足实际需求。而一些接触式检测手段又会对金属线材造成损伤，故只能作为抽检手段，而不能作为在线检测手段。
随着图像处理技术的成熟，大家逐渐把注意力放在用机器视觉技术解决金属线材生产过程中的检测问题。但是由于生产速度较快，获取的数据量非常巨大，难以实时处理，往往在检测后需要大量时间对数据进行分析，导致检测结果的滞后，最终难以得到良好的应用。
图形芯片最初用作固定功能图形管线。随着时间的推移，这些图形芯片的可编程性日益增加，在此基础之上NVIDIA推出了第一款GPU(图形处理器)。1999-2000年间，计算机科学家，与诸如医疗成像和电磁等领域的研究人员，开始使用GPU(图形处理器)来运行通用计算应用程序。他们发现GPU(图形处理器)具备的卓越浮点性能可为众多科学应用程序带来显著的性能提升。开发人员需要使其科学应用程序看起来像图形应用程序，并将其关联到需要绘制三角形和多边形的问题上。这一方法限制了GPU(图形处理器)的卓越性能在科学领域的充分发挥。NVIDIA意识到，如果将这种强大的性能运用到更广泛的科学领域中，那么将能够发挥出巨大的潜力。该公司因此投入力量修改GPU，使开发人员能够针对科学应用程序而充分对GPU进行编程。
一颗CPU包含四到八个CPU核心，而一颗GPU却包含数百个尺寸更小的核心，它们在应用程序中共同处理数据。正是这种大规模并行架构让GPU能够拥有极高的计算性能。获得这个计算能力并不是没有代价的，GPU的硬件架构决定了处理算法要是小粒度并行计算模型。本发明以GPU的计算能力为核心，设计了并行化的数据处理方法，并围绕着该方法，设计了整个系统。本发明方法的提出，解决了长期以来金属线材检测存在的难题。本发明能够实时的、直观的、智能的对被测目标进行检测，并自动的对检测结果进行分析，以恰当的方式对用户进行提醒。
发明内容
有鉴于此，本发明的主要目的在于提供一种通过机器视觉技术对金属线材进行在线无损检测的系统和方法。其主要思想是：用定制光源对被测物照明；通过线阵相机采集被测物的图像数据；利用GPU强大的数学计算能力，通过图像分割、模式识别等方法，实时检测目标所存在的缺陷或损伤。
为实现上述目的，本发明提供了一种用于金属线材生产的在线检测系统，该系统包括：光源、恒流控制器、CCD相机、计算机，其中：所述光源是环形LED光源，套在被测金属线材外侧，光线照射角度与被测金属线材运行方向平行，通过对被测金属线材底角度强流明的照明，使缺陷明显显现，该光源与恒流控制器连接，亮度受恒流控制器控制；所述恒流控制器安装在光源边上，与光源相连，通过控制电流来控制亮度和稳定亮度，其同时与计算机相连，接受计算机的亮度控制指令；所述CCD相机是线阵高速CCD相机，与被测金属线材运行方向成一定度数的夹角安装，所述CCD相机与计算机相连，将图像数据传送给计算机；所述计算机与恒流控制器、CCD相机、PLC相连，接收CCD相机传送过来的图像数据，进行识别处理，将处理结果反馈给生产控制PLC。
根据本发明的另一方面，还提供了一种用于金属线材生产的无损检测的方法，该方法包括以下步骤：步骤S1，利用特定的光源打光方式、特定的相机采集方式，使得有缺陷金属线材较正常金属线材反射光强有较大区别，记录所产生的一维光强数据；步骤S2，高速线阵CCD相机与被测金属线材成一定夹角，与环形LED光源保持一定距离，连续采集经过环形LED光源照射后的被测金属线材表面反射的一维光强数据，并将一维光强数据通过GigE接口传送到计算机中；步骤S3，随着被测金属线材的运动，计算机采集得到多个一维光强数据，并将采集得到的多个一维光强数据拼接成二维图像；步骤S4，将所述二维图像从计算机的内部存储器传输到GPU的存储器，步骤S5-S8的计算均在GPU的存储器中进行；步骤S5，对所述二维图像进行暗电流消除，得到暗电流消除图像；步骤S6，对所述暗电流消除图像进行增益调整；步骤S7，将增益调整后得到的二维图像中金属线材所在的区域分割出来；步骤S8，对于分割得到的金属线材所在区域进行完整性检测，即缺陷检测，得到多个连通区域；步骤S9，将所述多个连通区域数据从GPU存储器传到计算机的内部存储器，步骤S10-S11的计算均在计算机的内部存储器中进行；步骤S10，对所述多个连通区域中的每一个分别进行特征提取；步骤S11，对提取得到的特征进行模式识别，得到并输出被测目标损伤区域的最终检测结果；步骤S12，将最终检测结果通过以太网输出给生产控制用的PLC
本发明的有益技术效果为：通过环形LED光源超低角度(小于5度)照明、高速线阵CCD相机低角度(15度)成像、GPU计算和视觉图像处理方法，能够实时的对金属线材进行无损检测，并及时的将缺陷检测结果进行反馈，满足了金属线材生产中的检测要求。提高了产品品质，替代了人工低置信度、离线式的原始检测方式。
附图说明
图1为本发明提供的对金属线材进行无损检测的系统结构图；
图2为本发明提供的对金属线材进行无损检测的方法流程图；
图3为根据本发明一实施例得到一维光强变化数据；
图4为根据本发明一实施例得到的利用去噪后的一维光强数据拼接得到的二维图像；
图5为根据本发明一实施例得到的增益调整结果图像；
图6为根据本发明一实施例对金属线材进行定位的结果；
图7为根据本发明一实施例得到的金属线材缺陷区域检测结果。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
本发明提出了一种用于金属线材生产的在线无损检测的系统以及一种用于金属线材生产的无损检测的方法。其中该系统包括有光源、恒流控制器、CCD相机、计算机。该方法包括的基本步骤是：记录一维光强数据、拼接成二维图像、转存到GPU中、暗电流消除、增益调整、金属线材区域分割、缺陷检测、转储到计算机内部存储器、特征提取、模式识别并输出结果。本发明通过光学技术、GPU计算、图像处理算法解决了其他方法检测精度低、反馈周期长、离线抽查、效率低等缺陷，可满足金属线材生产厂家的需求
图1是本发明提供的金属线材无损检测系统的结构图，以下为对本发明的技术方案的详细说明。
参照图1，本发明的金属线材无损检测系统包括被测金属线、光源、相机、计算机、恒流控制器和PLC。
其中光源优选为环形LED光源，该环形LED光源以几乎平行于被测金属线材运行方向(小于5度)照射到被测金属线表材面后，物体表面吸收一部分光能，同时反射和散射部分光能，反射光和散射光的强度取决于物体表面的粗糙度和缺陷的情况，被测金属线材表面缺陷将导致表面粗糙度和反射平面法线方向发生变化，进而引起反射光及散射光强度的变化，且表面缺陷导致光强的变化将大于表面粗糙度不同所导致的光强的变化；因此反射光和散射光中均包含有缺陷的信息，从大量的实验中得知，由于表面缺陷的存在，必将导致光的散射，从而使反射光强度减弱。
恒流控制器安装在光源边上，与光源相连，通过控制电流来控制亮度和稳定亮度，其同时与计算机相连，接受计算机的亮度控制指令。恒流控制器控制LED光源的亮度均一，不随温度、器件老化等因素变化。高速线阵CCD相机与被测金属线材成15-20度夹角，距离环形LED光源1.0-1.2米，连续采集经过环形LED光源照射后的被测金属线材表面垂直于运动方向的一维光强数据，并将该图像通过GigE接口传送到计算机中。
高速线阵CCD相机与被测金属线材之间的夹角，以及距离环形LED光源的距离都可根据实际需要进行调整。在被测金属线材的上下左右四个方向分别安装1台，分别与计算机相连，将图像数据传送给计算机。
计算机与恒流控制器、CCD相机、PLC相连，接收CCD相机传送过来的图像数据，进行识别处理，将处理结果反馈给生产控制PLC。最终检测结果可通过以太网输出给生产控制用的PLC，由PLC根据检测结果及当时的生产现状，决定提示、报警、改变工艺参数、停机等处理方式。
随着被测金属线材的运动，计算机采集得到多个一维光强数据，并将采集得到的多个一维光强数据拼接成二维图像，将二维图像送入GPU进行分析识别，并将结果输出到可编程逻辑控制器PLC。PLC用于金属线材生产设备的加工控制，检测结果反馈给PLC后，如何操作，由PLC决定，例如停机、降速等。
根据本发明的另一方面，还提供一种图像处理的方法对金属线进行无损检测的方法，如图2所示，该方法包括以下步骤：
步骤S1，利用特定的光源打光方式，使得有缺陷金属线材较正常金属线材反射光强有较大区别，记录所产生的一维光强数据；
所述光源打光方式为环形LED光源以几乎平行于被测金属线材运行方向(小于5度)照射到被测金属线材表面后，物体表面吸收一部分光能，同时反射和散射部分光能，反射光和散射光的强度取决于物体表面的粗糙度和缺陷的情况，被测金属线材表面缺陷将导致表面粗糙度和反射平面法线方向发生变化，进而引起反射光及散射光强度的变化，且表面缺陷导致光强的变化将大于表面粗糙度不同所导致的光强的变化；因此反射光和散射光中均包含有缺陷的信息，从大量的实验中得知，由于表面缺陷的存在，必将导致光的散射，从而使反射光强度减弱；
所述光强数据的采集由高速线阵CCD相机获得，相机分辨率可以根据金属线材的尺寸和无损检测的精度来确定，比如可以配置为2048像素的高速线阵CCD相机。
根据本发明一实施例得到的一维光强数据如图3所示。在图3中，两侧较暗区域为背景，中间较亮区域为金属线材，在金属线材区域中明显的下凹为缺陷。
步骤S2，高速线阵CCD相机与被测金属线材成15度夹角，距离环形LED光源1米，随着金属线材的运动，连续采集经过环形LED光源照射后的被测金属线材表面反射的一维光强数据，并将一维光强数据通过GigE接口传送到计算机中，采集得到多个一维光强数据，并将采集得到的多个一维光强数据拼接成二维图像；
为了使得采集得到的光强数据更有助于进行缺陷处的尺寸评估，所述运动最好是匀速运动。
所述拼接进一步为：将每个一维光强数据作为二维图像中的一行横向排布的像素，随着一维光强数据的不断采集形成多行横向排布的像素，将多行横向排布的像素按照时间顺序在图像中纵向排布形成一个二维图像。
所述步骤S2进一步包括：在将所述多个一维光强数据拼接成二维图像时，先将所述一维光强数据每多条做平均，然后再将平均后得到的光强数据拼接成二维图像，以去除所述光强数据中的噪声，图4为根据本发明一实施例得到的利用去噪后的光强数据拼接得到的二维图像。
其中，做平均的光强数据比如可选为4条，做平均所选择的数据条数越多，平均之后得到的每条光强数据的质量就越高，但是拼接得到的二维图像中的数据比较稀疏，这就降低了二维图像的扫描频率，从而影响最终的无损检测结果。
根据本发明一实施例得到的二维图像如图4所示。在图4中，上下黑色区域为背景，中间白色区域为被测金属线，被测金属线中较暗的点为需要检出的缺陷
步骤S3，将所述二维图像从计算机的内部存储器传输到GPU的存储器，后续的计算将都在GPU内完成。
步骤S4，由于高速线阵CCD相机在有环形LED照明的情况下，当没有金属线材通过时，依然存在光电转换，因此需要对所述二维图像进行暗电流消除，得到暗电流消除图像。
所述暗电流消除就是将所述二维图像减去暗电流背景图像，所述暗电流背景图像根据以下步骤获取：
步骤S41，在没有金属线材的情况下，使用满电流的环形LED光源照明，在不同的时间点采集获得与所述二维图像属于同一安装模式的多幅满电流照射图像img_16uC1_max；
所述安装模式包括光源安装位置、相机安装位置以及保护外罩安装位置。
步骤S42，对所述多幅满电流照射图像img_16uC1_max分别进行16位整型到32位浮点的格式转换，得到格式转换后的图像img_32fC1_max；
步骤S43，对格式转换后的多幅图像img_32fC1_max进行均值化处理，得到该安装模式上的暗电流背景图像img_32fC1_1。
步骤S5，电荷耦合元件(CCD)在光电转换率上存在着一定的个体差异，因此需要对所述暗电流消除图像进行增益调整；
所述增益调整步骤进一步包括：
步骤S51，调整镜头焦距，并适当拉近镜头与金属线材之间的距离，使得金属线材充满整个视野，将恒流源按照不同电流的方式对金属线材进行照明，获得多张亮度均匀的背景图像；
比如，按照电流5％、10％、15％、20％、25％、30％、35％、40％、45％、50％、55％、60％、65％、70％、75％、80％、85％、90％、95％、100％的方式，得到20张无被测目标背景图像。
步骤S52，根据所述多张亮度均匀的背景图像，得到每一个传感器输入能量和输出灰度值之间的对应关系，并根据所述对应关系建立255级(该传感器灵敏度为8bit，对应的感应区间为0-255)查找表；
步骤S53，对所述暗电流消除图像img_32fC1_2进行高、低通滤波，得到滤波后的图像img_32fC1_3；
考虑到所述暗电流消除图像中最亮和最暗的像素值有可能是噪声，因此对所述暗电流消除图像进行高、低通滤波。
步骤S54，将滤波后的图像进行查表操作，得到经过增益调整后的图像。
根据本发明一实施例得到的经过增益调整后的图像如图5所示。在图5中，转换前在中间白色区域内有明显的波纹状干扰，该干扰是传感器输入能量和输出灰度值之间的对应存在差异造成的，处理后该干扰消失。
步骤S6，将增益调整后得到的二维图像中金属线材所在的区域分割出来；
所述步骤S6进一步包括以下子步骤：
步骤S61，对经过增益调整的二维图像进行自适应阈值分割和连通区域分析，得到多个候选金属线材区域；
所述步骤S61进一步包括以下子步骤：
步骤S611，对所述经过增益调整的二维图像进行下采样操作以减少计算量；
步骤S612，统计下采样后的二维图像的灰度直方图，并利用本领域常用的ISODATA算法求得分割所述二维图像所需要的阈值，记计算得到的分割阈值为t2a1；
如果所述二维图像中存在金属线材区域，则所述分割阈值t2a1应在被测目标和金属线材的亮度值之间。
步骤S613，求得所述灰度直方图的最大峰值，记为t2a2，使用下式计算得到用于进行图像分割的亮度值区间t2a3，而所述亮度值区间对应的像素组成候选金属线材区域：
t2a3＝1.1t2a1～0.1t2a2。
其中，候选金属线材区域中包括一根金属线材。
步骤S62，对所述候选金属绳区域进行边缘提取，得到所述候选金属线材区域的边缘信息；
步骤S63，基于所述金属线材的边缘信息，使用最小二乘直线拟合方法得到金属线材边界的精确位置，实现对于金属线材的精确分割；
所述步骤S63进一步包括以下子步骤：
步骤S631，运用金属线材的边缘线基本竖直的特点，将所述二维图像在横坐标上做投影；
步骤S632，根据二维图像在水平方向上投影得到的灰度分布和金属线材的边缘信息，得到金属线材所在的区域信息，进而得到金属线材边缘线所在的位置；
步骤S633，对于金属线材边缘线所在位置附近的像素点，使用最小二乘直线拟合方法对其进行拟合，得到金属线材边界的精确位置。
所述附近比如可以是金属线材区域宽度的10％附近的区域。
根据本发明一实施例对金属线材进行精确定位的结果如图6所示，即找到金属线的精确位置，并在图中表明。
步骤S7，对于分割得到的金属线材所在区域进行完整性检测，即缺陷检测，得到多个连通区域；
所述步骤S7进一步包括以下子步骤：
步骤S71，根据金属线材所在区域的灰度分布曲线，通过ISODATA(迭代自组织数据分析技术、Iterative Self-Organizing Data AnalysisTechnique)方法得到一个用于二值化分割的阈值；
步骤S72，使用所述步骤S71得到的阈值，对金属线材所在区域进行二值化分割；
步骤S73，对二值化分割后的图像进行形态学处理；
所述形态学处理为对二值化分割后的图像进行开运算，即先腐蚀再膨胀。
步骤S74，根据连通区域分析方法得到形态学处理后的图像中的多个连通区域，这些连通区域基本上已经是存在缺陷或损伤的区域。
接下来对上述基本上已经是存在缺陷或损伤的区域进行进一步的精确检测，即对上述完整性检测结果进行修正。
步骤S8，将所述多个连通区域数据从GPU存储器传到计算机的内部存储器；
步骤S9，对所述多个连通区域中的每一个分别进行特征提取；
所述步骤S9进一步包括以下子步骤：
步骤S91，提取所述连通区域的灰度图；
步骤S92，提取所述灰度图的“HU矩”特征。
步骤S10，对提取得到的特征进行模式识别，得到并输出被测目标损伤区域的最终检测结果。
所述步骤S10进一步包括以下子步骤：
步骤S101，建立学习样本库，并提取学习样本库中每个样本的“HU矩”特征；
步骤S102，采用本领域通用的Boost分类器对每个样本的“HU矩”特征进行学习得到分类模型；
步骤S103，利用所述分类模型对提取得到的所述连通区域的“HU矩”特征进行识别，得到被测目标缺陷区域的最终检测结果。
根据本发明一实施例得到的金属线材缺陷检测结果如图7所示。
本发明通过光学技术、GPU计算、图像处理算法解决了其他方法检测精度低、反馈周期长、离线抽查、效率低等缺陷，可满足金属线材生产厂家的需求。
检测到损伤区域后，可通过计算机的人机界面进行报警。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (17)
1.一种用于金属线材生产的在线检测系统，该系统包括：光源、恒流控制器、CCD相机、计算机，其中：
所述光源是环形LED光源，套在被测金属线材外侧，光线照射角度与被测金属线材运行方向平行，通过对被测金属线材进行低角度强流明的照明，使缺陷明显显现，该光源与恒流控制器连接，亮度受恒流控制器控制；
所述恒流控制器安装在光源边上，与光源相连，通过控制电流来控制亮度和稳定亮度，其同时与计算机相连，接受计算机的亮度控制指令；
所述CCD相机是线阵高速CCD相机，与被测金属线材运行方向成一定度数的夹角安装，所述CCD相机与计算机相连，将图像数据传送给计算机；
所述计算机与恒流控制器、CCD相机、PLC相连，接收CCD相机传送过来的图像数据，进行识别处理，将处理结果反馈给生产控制可编程逻辑控制器。
2.根据权利要求1所述的系统，其特征在于，在被测金属线材的上下左右四个方向分别安装1台所述CCD相机。
3.一种用于金属线材生产的无损检测的方法，其特征在于，该方法包括以下步骤：
步骤S1，利用特定的光源打光方式、特定的相机采集方式，使得有缺陷金属线材较正常金属线材反射光强有较大区别，记录所产生的一维光强数据；
步骤S2，高速线阵CCD相机与被测金属线材成一定夹角，与环形LED光源保持一定距离，连续采集经过环形LED光源照射后的被测金属线材表面反射的一维光强数据，并将一维光强数据通过GigE接口传送到计算机中；
步骤S3，随着被测金属线材的运动，计算机采集得到多个一维光强数据，并将采集得到的多个一维光强数据拼接成二维图像；
步骤S4，将所述二维图像从计算机的内部存储器传输到GPU的存储器，步骤S5-S8的计算均在GPU的存储器中进行；
步骤S5，对所述二维图像进行暗电流消除，得到暗电流消除图像；
步骤S6，对所述暗电流消除图像进行增益调整；
步骤S7，将增益调整后得到的二维图像中金属线材所在的区域分割出来；
步骤S8，对于分割得到的金属线材所在区域进行完整性检测，即缺陷检测，得到多个连通区域；
步骤S9，将所述多个连通区域数据从GPU存储器传到计算机的内部存储器，步骤S10-S11的计算均在计算机的内部存储器中进行；
步骤S10，对所述多个连通区域中的每一个分别进行特征提取；
步骤S11，对提取得到的特征进行模式识别，得到并输出被测目标损伤区域的最终检测结果；
步骤S12，将最终检测结果通过以太网输出给生产控制用的PLC。
4.根据权利要求3所述的方法，其特征在于，高速线阵CCD相机与被测金属线材成15度夹角，距离环形LED光源1米。
5.根据权利要求4所述的方法，其特征在于，所述步骤S1中，光源打光方式为环形LED光源以几乎平行于被测金属线材运行方向照射到被测金属线材表面。
6.根据权利要求4所述的方法，其特征在于，所述环形LED光源照射方向与被测金属线材运行方向之间小于5度。
7.根据权利要求3所述的方法，其特征在于，所述步骤S2中的运动为匀速运动。
8.根据权利要求3所述的方法，其特征在于，所述步骤S2中，在将所述多个一维光强数据拼接成二维图像时，先将所述一维光强数据每多条做平均，然后再将平均后得到的光强数据拼接成二维图像，以去除所述能量变化数据中的噪声。
9.根据权利要求3所述的方法，其特征在于，所述暗电流消除为：将所述二维图像减去暗电流背景图像，所述暗电流背景图像根据以下步骤获取：
步骤S41，在没有金属线材的情况下，使用满电流的环形LED光源照明，在不同的时间点采集获得与所述二维图像属于同一安装模式的多幅满电流照射图像；
步骤S42，对所述多幅满电流照射图像分别进行16位整型到32位浮点的格式转换，得到格式转换后的图像；
步骤S43，对格式转换后的多幅图像进行均值化处理，得到该安装模式上的暗电流背景图像。
10.根据权利要求3所述的方法，其特征在于，所述步骤S5中的增益调整包括：
步骤S51，调整镜头焦距，并适当拉近镜头与金属线材之间的距离，使得金属线材充满整个视野，将恒流源按照不同电流的方式对金属线材进行照明，获得多张亮度均匀的背景图像；
步骤S52，根据所述多张亮度均匀的背景图像，得到每一个传感器输入能量和输出灰度值之间的对应关系，并根据所述对应关系建立255级查找表；
步骤S53，对所述暗电流消除图像进行高、低通滤波，得到滤波后的图像；
步骤S54，将滤波后的图像进行查表操作，得到经过增益调整后的图像。
11.根据权利要求3所述的方法，其特征在于，所述步骤S6进一步包括：
步骤S61，对经过增益调整的二维图像进行自适应阈值分割和连通区域分析，得到多个候选金属线材区域；
步骤S62，对所述候选金属线材区域进行边缘提取，得到所述候选金属线材区域的边缘信息；
步骤S63，基于所述金属线材的边缘信息，使用最小二乘直线拟合方法得到金属线材边界的精确位置，实现对于金属线材的精确分割。
12.根据权利要求11所述的方法，其特征在于，所述步骤S61进一步包括以下子步骤：
步骤S611，对所述经过增益调整的二维图像进行下采样操作；
步骤S612，统计下采样后的二维图像的灰度直方图，并利用ISODATA算法求得分割所述二维图像所需要的阈值，记计算得到的分割阈值为t2a1；
步骤S613，求得所述灰度直方图的最大峰值，记为t2a2，使用下式计算得到用于进行图像分割的亮度值区间t2a3，而所述亮度值区间对应的像素组成候选金属线材区域：
t2a3＝1.1t2a1～0.1t2a2。
13.根据权利要求11所述的方法，其特征在于，所述步骤S63进一步包括以下子步骤：
步骤S631，运用金属线材的边缘线基本竖直的特点，将所述二维图像在横坐标上做投影；
步骤S632，根据二维图像在水平方向上投影得到的灰度分布和金属线材的边缘信息，得到金属线材所在的区域信息，进而得到金属线材边缘线所在的位置；
步骤S633，对于金属线材边缘线所在位置附近的像素点，使用最小二乘直线拟合方法对其进行拟合，得到金属线材边界的精确位置。
14.根据权利要求3所述的方法，其特征在于，所述步骤S7进一步包括：
步骤S71，根据金属线材所在区域的灰度分布曲线，通过ISODATA方法得到一个用于二值化分割的阈值；
步骤S72，使用所述步骤S71得到的阈值，对金属线材所在区域进行二值化分割；
步骤S73，对二值化分割后的图像进行形态学处理；
步骤S74，根据连通区域分析方法得到形态学处理后的图像中的多个连通区域。
15.根据权利要求14所述的方法，其特征在于，所述形态学处理为对二值化分割后的图像进行开运算，即先腐蚀再膨胀。
16.根据权利要求3所述的方法，其特征在于，所述步骤S9进一步包括：
步骤S91，提取所述连通区域的灰度图；
步骤S92，提取所述灰度图的“HU矩”特征。
17.根据权利要求3所述的方法，其特征在于，所述步骤S10进一步包括：
步骤S101，建立学习样本库，并提取学习样本库中每个样本的“HU矩”特征；
步骤S102，采用Boost分类器对每个样本的“HU矩”特征进行学习得到分类模型；
步骤S103，利用所述分类模型对提取得到的所述连通区域的“HU矩”特征进行识别，得到被测目标缺陷区域的最终检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310190125.0A CN103308525B (zh) | 2013-05-21 | 2013-05-21 | 一种用于金属线材生产的在线检测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310190125.0A CN103308525B (zh) | 2013-05-21 | 2013-05-21 | 一种用于金属线材生产的在线检测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103308525A true CN103308525A (zh) | 2013-09-18 |
| CN103308525B CN103308525B (zh) | 2015-10-28 |
Family
ID=49133982
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310190125.0A Expired - Fee Related CN103308525B (zh) | 2013-05-21 | 2013-05-21 | 一种用于金属线材生产的在线检测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103308525B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103674968A (zh) * | 2013-12-20 | 2014-03-26 | 纪钢 | 材料外观腐蚀形貌特征机器视觉原值检测评价方法及装置 |
| CN104655643A (zh) * | 2015-02-12 | 2015-05-27 | 天津理工大学 | 一种电子器件表面焊接过程质量检测系统 |
| CN104792789A (zh) * | 2015-04-08 | 2015-07-22 | 上海常良智能科技有限公司 | 化纤纸管外观检测装置及方法 |
| CN109580652A (zh) * | 2018-10-30 | 2019-04-05 | 广州超音速自动化科技股份有限公司 | 一种电池极片质量检测方法、电子设备及存储介质 |
| CN109632824A (zh) * | 2019-01-11 | 2019-04-16 | 英特尔产品（成都）有限公司 | 用于物体异常检查的物体检查系统 |
| CN109856146A (zh) * | 2018-12-25 | 2019-06-07 | 深圳市智能机器人研究院 | 一种动态的表面缺陷光学检测系统及方法 |
| CN110335286A (zh) * | 2019-07-11 | 2019-10-15 | 京东方科技集团股份有限公司 | 灰度阈值的获取方法、计算机设备和计算机可读介质 |
| CN110596136A (zh) * | 2019-09-26 | 2019-12-20 | 江苏兴达钢帘线股份有限公司 | 一种检测钢丝表面镀层颜色变化装置 |
| CN110825059A (zh) * | 2019-11-29 | 2020-02-21 | 浙江工业大学 | 一种基于mqtt智能网关的电梯盘条生产智能监测系统及监测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006010586A (ja) * | 2004-06-28 | 2006-01-12 | Honda Motor Co Ltd | 金属リングの側縁検査装置 |
| JP2006118896A (ja) * | 2004-10-19 | 2006-05-11 | Sumitomo Electric Ind Ltd | フレキシブルプリント配線板の外観検査方法 |
| CN101213441A (zh) * | 2004-07-16 | 2008-07-02 | 让-弗朗索瓦·法杜 | 长形物体的表面分析 |
| CN101303246A (zh) * | 2008-06-06 | 2008-11-12 | 无锡中微腾芯电子有限公司 | 编带电路自动化检测设备中的图像信息采集装置 |
| CN101923058A (zh) * | 2010-05-25 | 2010-12-22 | 东莞电子科技大学电子信息工程研究院 | 一种贵金属复合带焊接质量在线检测设备和在线检测方法 |
| CN102937599A (zh) * | 2012-10-25 | 2013-02-20 | 中国科学院自动化研究所 | 一种通过x射线检测含金属被测物的无损检测系统和方法 |
-
2013
- 2013-05-21 CN CN201310190125.0A patent/CN103308525B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006010586A (ja) * | 2004-06-28 | 2006-01-12 | Honda Motor Co Ltd | 金属リングの側縁検査装置 |
| CN101213441A (zh) * | 2004-07-16 | 2008-07-02 | 让-弗朗索瓦·法杜 | 长形物体的表面分析 |
| JP2006118896A (ja) * | 2004-10-19 | 2006-05-11 | Sumitomo Electric Ind Ltd | フレキシブルプリント配線板の外観検査方法 |
| CN101303246A (zh) * | 2008-06-06 | 2008-11-12 | 无锡中微腾芯电子有限公司 | 编带电路自动化检测设备中的图像信息采集装置 |
| CN101923058A (zh) * | 2010-05-25 | 2010-12-22 | 东莞电子科技大学电子信息工程研究院 | 一种贵金属复合带焊接质量在线检测设备和在线检测方法 |
| CN102937599A (zh) * | 2012-10-25 | 2013-02-20 | 中国科学院自动化研究所 | 一种通过x射线检测含金属被测物的无损检测系统和方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103674968A (zh) * | 2013-12-20 | 2014-03-26 | 纪钢 | 材料外观腐蚀形貌特征机器视觉原值检测评价方法及装置 |
| CN104655643A (zh) * | 2015-02-12 | 2015-05-27 | 天津理工大学 | 一种电子器件表面焊接过程质量检测系统 |
| CN104792789A (zh) * | 2015-04-08 | 2015-07-22 | 上海常良智能科技有限公司 | 化纤纸管外观检测装置及方法 |
| CN109580652A (zh) * | 2018-10-30 | 2019-04-05 | 广州超音速自动化科技股份有限公司 | 一种电池极片质量检测方法、电子设备及存储介质 |
| CN109856146A (zh) * | 2018-12-25 | 2019-06-07 | 深圳市智能机器人研究院 | 一种动态的表面缺陷光学检测系统及方法 |
| CN109632824A (zh) * | 2019-01-11 | 2019-04-16 | 英特尔产品（成都）有限公司 | 用于物体异常检查的物体检查系统 |
| CN110335286A (zh) * | 2019-07-11 | 2019-10-15 | 京东方科技集团股份有限公司 | 灰度阈值的获取方法、计算机设备和计算机可读介质 |
| CN110335286B (zh) * | 2019-07-11 | 2021-03-02 | 京东方科技集团股份有限公司 | 灰度阈值的获取方法、计算机设备和计算机可读介质 |
| CN110596136A (zh) * | 2019-09-26 | 2019-12-20 | 江苏兴达钢帘线股份有限公司 | 一种检测钢丝表面镀层颜色变化装置 |
| CN110596136B (zh) * | 2019-09-26 | 2024-06-07 | 江苏兴达钢帘线股份有限公司 | 一种检测钢丝表面镀层颜色变化装置 |
| CN110825059A (zh) * | 2019-11-29 | 2020-02-21 | 浙江工业大学 | 一种基于mqtt智能网关的电梯盘条生产智能监测系统及监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103308525B (zh) | 2015-10-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103308525B (zh) | 一种用于金属线材生产的在线检测方法和装置 | |
| CN108355981B (zh) | 一种基于机器视觉的电池连接器质量检测方法 | |
| CN111862064B (zh) | 一种基于深度学习的银质丝材表面瑕疵识别方法 | |
| CN107782733B (zh) | 金属表面缺陷的图像识别无损检测装置及方法 | |
| CN107486415A (zh) | 基于机器视觉的篾片缺陷在线检测系统及检测方法 | |
| CN103913468B (zh) | 生产线上大尺寸lcd玻璃基板的多视觉缺陷检测设备及方法 | |
| Peng et al. | Study of tool wear monitoring using machine vision | |
| CN102937599A (zh) | 一种通过x射线检测含金属被测物的无损检测系统和方法 | |
| CN207238542U (zh) | 一种基于机器视觉的篾片缺陷在线检测系统 | |
| CN113030108A (zh) | 一种基于机器视觉的涂层缺陷检测系统与方法 | |
| CN111667455A (zh) | 一种刷具多种缺陷的ai检测方法 | |
| JP2021515885A (ja) | 照明条件を設定する方法、装置、システム及びプログラム並びに記憶媒体 | |
| CN113362276B (zh) | 板材视觉检测方法及系统 | |
| Alikhanov et al. | Design and performance of an automatic egg sorting system based on computer vision | |
| CN111157537A (zh) | 一种基于仿生机器视觉的带钢缺陷检测装置及系统 | |
| CN104535589A (zh) | 一种低压电流互感器在线检测方法和装置 | |
| CN115908354A (zh) | 一种基于双尺度策略和改进的yolov5网络的光伏面板缺陷检测方法 | |
| Yang et al. | Wood veneer defect detection system based on machine vision | |
| CN206056509U (zh) | 轴类零件机器视觉尺寸检测装置 | |
| CN108273769A (zh) | 一种基于机器视觉技术的产品表面质量检测系统 | |
| CN114387262A (zh) | 一种基于机器视觉的螺母定位检测方法、装置及系统 | |
| CN117269168B (zh) | 一种新能源汽车精密零配件表面缺陷检测装置及检测方法 | |
| CN112179846A (zh) | 一种基于改进Faster R-CNN的预制凸窗缺陷检测系统 | |
| CN116740449A (zh) | 基于ai计算机视觉技术的刨花形态检测方法及系统 | |
| Huang et al. | Mango surface defect detection based on HALCON |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151028 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |