CN106338521B - 增材制造表面及内部缺陷与形貌复合检测方法及装置 - Google Patents

增材制造表面及内部缺陷与形貌复合检测方法及装置 Download PDF

Info

Publication number
CN106338521B
CN106338521B CN201610841697.4A CN201610841697A CN106338521B CN 106338521 B CN106338521 B CN 106338521B CN 201610841697 A CN201610841697 A CN 201610841697A CN 106338521 B CN106338521 B CN 106338521B
Authority
CN
China
Prior art keywords
image
pattern
camera
coordinate
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.)
Active
Application number
CN201610841697.4A
Other languages
English (en)
Other versions
CN106338521A (zh
Inventor
张海鸥
李润声
王桂兰
唐尚勇
邓星
李友浩
刘磊
黄丞
肖宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201610841697.4A priority Critical patent/CN106338521B/zh
Publication of CN106338521A publication Critical patent/CN106338521A/zh
Application granted granted Critical
Publication of CN106338521B publication Critical patent/CN106338521B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • 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
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G01B11/25—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures by projecting a pattern, e.g. one or more lines, moiré fringes on the object
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
    • G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
    • G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
    • G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents

Landscapes

  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Engineering & Computer Science (AREA)
  • Image Processing (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了增材制造表面及内部缺陷与形貌复合检测装置，包括表面缺陷检测系统、内部缺陷检测系统、形貌三维测量系统和装夹装置，所述表面缺陷检测系统包括第一CMOS工业相机，内部缺陷检测系统包括气缸和检测探头，所述检测探头用于产生磁场，靠近检测表面，与工件建立磁相互作用，形成磁扰动的环境，所述形貌三维测量系统包括线激光器、滤光片和第二CMOS工业相机。本发明可以实现增材制造中对表面、内部缺陷以及形貌三维尺寸进行实时的全面的检测，并将数据传输工控机进行分析，与成型铣削复合路径规划软件进行交互，可实现实时控制成型装置进行成型与产生铣削代码，控制铣刀对增材制造表面进行铣削加工。

Description

增材制造表面及内部缺陷与形貌复合检测方法及装置
技术领域
本发明属于增材制造技术领域,更具体地，涉及增材制造表面及内部缺陷与形貌复合检测方法及装置。
背景技术
增材制造技术生产效率高、成本低、成形金属零部件力学性能优良，现已成为制造领域的一个研究热点。然而，现有技术增材制造工件精度较低、表面质量较差、易出现气孔、驼峰、凹坑、咬边、裂纹、夹渣等缺陷，如电弧增材制造中高温液态金属堆积焊道形貌难以预测，急需一种检测装置对上述缺陷以及形貌进行实时检测，以合理地调整增材成形的路径、电压、电流以及成型速度等参数，形成对增材制造的实时监控形成闭环控制，检测信息与成型铣削复合路径规划软件进行交互，实时产生铣削代码，控制铣刀对增材制造表面进行铣削加工以控制形貌。
发明专利CN201510282713.6提供了一种GMA增材制造双被动视觉传感检测装置及其检测方法，能够同时监测GMA增材制造堆积宽度及喷嘴到熔敷层上表面距离的特征信息，但不能对缺陷进行判断与分类，不能与成型铣削复合路径规划软件进行交互。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于解决增材制造中对表面、内部缺陷与形貌三维的测量的问题，提供增材制造表面及内部缺陷与形貌复合检测方法及装置。
为实现上述发明目的，本发明提供了增材制造表面及内部缺陷与形貌复合检测装置，其特征在于：包括表面缺陷检测系统、内部缺陷检测系统、形貌三维测量系统和装夹装置，所述表面缺陷检测系统包括第一CMOS工业相机，所述第一CMOS工业相机用于采集表面图像，内部缺陷检测系统包括气缸和检测探头，所述检测探头用于产生磁场，靠近检测表面，与工件建立磁相互作用，形成磁扰动的环境，所述形貌三维测量系统包括线激光器、滤光片和第二CMOS工业相机；所述线激光器用于发射激光、所述滤光片用于透过稍大于激光波长范围的光，所述第二CMOS工业相机用于采集照射在工件表面的激光条纹图像；
所述第一CMOS工业相机、气缸、线激光器、滤光片和第二CMOS工业相机均安装于装夹装置内部，其中气缸的活塞杆上安装所述检测探头；
所述装夹装置包括固定架，所述线激光器固定安装在所述固定架上，所述固定架上设置有用于将固定架安装到外部设置处的螺纹孔和用于走线的入线口。
优选地，所述表面缺陷检测系统是一种基于视觉图像以及深度学习和支持向量机的增材制造表面缺陷检测系统，所述表面缺陷系统进行表面缺陷检测的过程如下：
(1)采集：采用第一CMOS工业相机采集表面图像，并且在原始图像中选择一区域进行采集；
(2)图像预处理：包括依次进行的灰度化、直方图均衡化和高斯滤波，灰度化是使用灰度函数imgray对将彩色图像转换为对应像素值为0-255的灰度图像，统计每个灰度级对应的像素数目；直方图均衡化是对原始图像的灰度直方图中相对集中的灰度区间，通过对图像进行非线性拉伸，重新分配图像灰度值，使其变成在全部灰度范围内均匀分布；高斯滤波是使用滤波窗口对图像进行离散化滑窗卷积，消除高斯噪声；以提高网络在不同光照环境下的适应性；
(3)采用基于卷积神经网络CNN直接对输入图像进行特征提取，采用4个特征提取层共7层的卷积神经网络结构，使用的CNN结构将卷积层与下采集层结合成一个网络层，其直接使用卷积层区域的左上角的值作为下采样值；
所述的7层卷积神经网络的网络结构包括输入层、Layer1、Layer 2、Layer 3、Layer 4共4个特征提取层、输出层，以及Layer5全连接层，，Layer1使用卷积核对输入层进行特征提取，横向纵向移动间距相等，得到较少个特征M图谱，Layer2使用卷积核对Layer1进行特征提取，横向纵向移动间距相等，得到若干个特征图谱，Layer3使用卷积核对Layer2进行特征提取，横向纵向移动间距相等，得到较多个特征图谱，Layer4使用卷积核对Layer3进行特征提取，横向移动间距大于纵向移动间距，得到很多个个大小为特征图谱，Layer5采用全连接方式与Layer4相连，输出层通过全连接的方式与Layer5相连在Layer1～Layer4之间的连接中，采用不完全连接的机制，这样不仅能将连接的数量保持在一个合理的范围内，并且网络的对称性被破坏，使得不同特征图谱的输入不同，从而迫使它们从上一层提取不同的特征；
去除输出层的CNN作为特征提取器，将Layer5全连接层输出向量作为缺陷图像输入的特征向量，并以此为特征样本训练分类能力更强的支持向量机分类器；
(4)基于支持向量机SVM进行缺陷特征分类，将相近的缺陷类别分别放在两个子类，以提高在子类中进行下一级分类时的样本差异。
优选地，所述内部缺陷检测系统还包括电气盒，所述电气盒包括激励电气子模块、采集子模块和信号调理子模块，所述检测探头由穿过式线圈和永磁体构成，所述穿过式线圈套在永磁体上，并在外围设置保护罩，所述激励电器模块用于产生正弦或其他规律的电压给激励线圈，产生励磁磁力线进行磁化或者产生涡流，所述采集模块是用于采集检测探头产生的电压信号，并将传输信号进行A/D转算处理，所述信号调理模块用于对A/D转换后的信号进行进一步放大、滤波处理，并将其传输到检测数据分析模块。
优选地，所述形貌三维测量系统是一种基于线结构光的形貌三维测量系统，形貌三维测量系统检测方法包括形貌检测模块的数学模型建立与参数标定以及图像处理时使用索引固定位置的指针遍历法，所述指针遍历法是在连续读取一系列类型相同、矩阵大小相同的Mat类型图片矩阵时，通过索引固定位置的方法，降低图像遍历中指针操作的次数。
优选地，所述形貌三维测量系统采用激光正投影的方式进行测量，所述线激光器的线激光中心轴线与CMOS工业相机(8)的镜头的中心轴线的夹角大于0，所述线激光器产生激光相机镜头前安装有可通稍大于激光波长范围的滤光片，降低外部环境光源的干扰，同时简化激光线条纹中心提取算法。
优选地，形貌三维测量过程如下：
(1)数学模型的建立为测量系统具有摄像机坐标系(OC-XCYCZC)、图片坐标系(O1-XY)和世界坐标系(Ow-XWYWZW)三个坐标系，建立了工业相机图片其中一个像素点(u，y)与世界坐标系其中一点(xW、yW、zW)的一一对应关系，由于矩阵结构运算的原因，在相应缺省部位取1：
其中，K为像素转换矩阵，P为透视投影矩阵，M为旋转平移变换矩阵，u代表像素行、v代表像素列，x、y为图片坐标系中坐标，xC、yC、zC为摄像机坐标系中坐标、xW、yW、zW为世界坐标系中坐标，
考虑工业相机的镜头的桶形畸变，桶形畸变属于非线性畸变，采用补偿公式：
其中(x，y)为理想像点位置，(xd，yd)为实际像点位置，k1、k2分别为一阶、二阶径向畸变系数，p1、p2分别为一阶、二阶切向畸变系数，将非线性畸变模型下的图片坐标系实际像点(xd，yd)转换成理想像点(x，y)，再将(x，y)带入公式(1)，获得考虑工业相机桶形畸变的线结构光三维测量数学模型；
(2)第二CMOS工业相机的标定：使用每个正方形尺寸的棋盘格标定版，对工业相机内参数进行标定，外参数标定使用锯齿靶标法进行外参数标定，齿顶和齿根的角度均为90°；内参数主要针对CCD摄像机的焦距、偏移角、主点坐标、畸变系数和像素误差这五个参数进行标定，外参数标定主要是求解世界坐标系和摄像机坐标系之间的角度和位置关系,参数标定具体步骤如下：
2.1)将预先命名为Image的所有bmp格式的靶标图像导入到工作环境根目录中；
2.2)提取角点的时候分别输入方格长度dx和宽度dy，单位为mm，设置窗口尺寸winx和winy稍大于dx、dy，依次点击提取四个角点；
2.3)按照摄像机几何模型进行参数计算，得到了内参数标定结果；
2.4)进行误差分析，若像素误差较大，重新导入标定棋盘图，设置标定参数，返回步骤2.2)；若结果像素误差在0.5以内，则认为标定成功，输出可靠的摄像机内参数；
2.5)安装线激光器和摄像机的固定装置，激光垂直打到锯齿靶标上；设置靶标所处的世界坐标系的原点位于锯齿中间的齿底点，在光平面上建立直角坐标系，那么所有锯齿特征点的世界坐标全部确定；
2.6)摄像机光条图像，进行灰度处理，采用自适应阈值灰度重心法提取激光条纹中心，拟合直线，求解各段拟合直线的交点得到锯齿特征点图像像素坐标；
2.7)通过机器人不断调整装置的高度，使其在基准为0的位置的基础上分别升高和降低，可以得到一系列不同基准的特征点世界坐标和图像坐标，将其带入数学模型中，采用L-M法解非线性超定方程组，便得到外参数的旋转矩阵与平移矩阵；
(3)图像处理：采用索引固定位置的指针遍历法提取所得条纹中心线位置，指针遍历法是指在OpenCV库中为Mat矩阵类定义了指针函数ptr方法，对于单通道灰度图像image，使用image.ptr<uchar>(i)方法，获得图像中第i行第一列像素的储存位置，通过读取指针指向的第i行，第j个存储位置对应灰度像素值的方法，以按行或列扫描的方式完成对图像的遍历，在连续读取一系列类型相同，矩阵大小相同的Mat类型图片矩阵时，可以通过索引固定位置的方法，降低图像遍历中指针操作的次数，具体步骤如下：
3.1)以图片第j列像素为起始处理单元，设定起始阈值；
3.2)扫描该列每一行像素灰度值，并统计该列的灰度值分布情况，记录灰度值大于阈值Y的像素点个数，记为n；
3.3)判断n的大小，如果n大于等于5，则进行步骤3.4)；否则降低阈值Y＝Y-5，返回步骤3.2)，重新统计n；
3.4)得到每一列的阈值Y，利用传统的灰度重心法，计算本列的条纹重心坐标；
3.5)如果j不是图片的最后一列，设置j＝j+1，并返回步骤3.1)，否则进入步骤3.6)；
3.6)完成对整幅图片的中心线坐标提取,将每一列的重心坐标连线得到图片的激光条纹中心线。
按照本发明的另一个方面，还提供了一种采用增材制造表面及内部缺陷与形貌复合检测装置生成堆铣复合路径的方法，其特征在于：具体步骤如下：
(1)根据成形零件模型，生成第一层的初始G代码，所述初始G代码包括堆焊G代码和三维形貌测量的G代码，并启动焊机进行第一层成形零件的堆焊过程；
(2)执行三维形貌测量的G代码，当到达熔积层形貌测量工位后，数控机床PLC寄存器的值被G代码更新，触发熔积层形貌实时测量软件输出当前位置的熔积层形貌数据，熔积层形貌数据结合机床当前位置坐标后，生成(x,y,z)坐标数据，被写入到指定文件夹内的TXT数据文档中，直到数控机床PLC寄存器的值被G代码再次修改，则熔积形貌实时测量软件停止输出三维形貌数据；
(3)读取步骤(2)中熔积层形貌结合机床实时坐标生成的TXT数据文档，原始图像依次进行图像灰度化、直方图均衡化和高斯滤波进行图像预处理去除噪点，图像预处理时使用索引固定位置的指针遍历法，再识别出每一个被测焊道截面的最高点坐标(Xh,Yh,Zh)和焊道截面左右边界点坐标(Xl,Yl,Zl)、(Xr,Yr,Zr)；
(4)当熔积层形貌的高度数据标准差超过了允许阈值时，自动生成高度铣削代码，否则，根据熔积层的截面平均高度以及焊道边界位置坐标，生成自适应堆焊G代码；
当熔积层形貌的边界点与中心点距离值标准差超过了允许阈值时，自动生成边界点位置的侧壁铣削代码；否则，根据熔积层的截面平均高度以及焊道边界位置坐标，生成自适应堆焊G代码；
(5)堆铣复合路径规划软件还及时清空TXT文档数据并关闭，保证下一次系统能够成功向TXT文档写入熔积层形貌数据。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：本发明可以实现增材制造中对表面、内部缺陷以及形貌三维尺寸进行实时的全面的检测，并将数据传输工控机进行分析，与成型铣削复合路径规划软件进行交互，可实现实时控制成型装置进行成型与产生铣削代码，控制铣刀对增材制造表面进行铣削加工。
附图说明
图1是增材制造表面、内部缺陷与形貌复合检测装置系统结构示意图；
图2是增材制造表面、内部缺陷与形貌复合检测装置装夹装置内部示意图；
图3是表面缺陷检测系统中CNN特征提取器流程图；
图4是CNN网络结构；
图5是二分支SVM分类结构；
图6是形貌三维测量系统中各坐标系空间模型；
图7是工业相机的桶形畸变；
图8是棋盘格标定盘；
图9是形貌三维测量系统中锯齿靶标；
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
参照图1～图9，一种增材制造表面及内部缺陷与形貌复合检测装置，包括表面缺陷检测系统、内部缺陷检测系统、形貌三维测量系统与装夹装置组成。
所述的增材制造表面、内部缺陷与形貌复合检测装置，其特征在于：表面缺陷检测系统的第一CMOS工业相机6，内部缺陷检测系统的气缸2与形貌三维测量系统块的线激光器4、滤光片11、第二CMOS工业相机8均安装于装夹装置内部，其中气缸2端部安装有内部缺陷检测系统的检测探头1，装夹装置7包括线激光器4的固定架3，用于固定装夹装置的螺纹孔5以及用于线路通过的入线口9，装夹装置7可将各装置固定，并保护其不受飞溅损坏。
所述的增材制造表面、内部缺陷与形貌复合检测装置，其特征在于：所述表面缺陷检测系统由第二CMOS工业相机8与工控机上软件组成，是一种基于视觉图像以及深度学习和支持向量机SVM的增材制造表面缺陷检测系统，其检测目标包括正常表面、气孔、驼峰、凹坑和咬边等几种表面缺陷，表面缺陷系统检测方法包括图像采集、图像预处理、采用深度学习方法中卷积神经网络CNN的学习方法进行缺陷特征提取以及基于支持向量机SVM进行缺陷特征分类。
所述表面缺陷检测系统检测方法，图像的采集使用第一CMOS工业相机6，型号为MindVision系列ES-U130，在原始图像中选择85×109区域，使用灰度化、直方图均衡化、高斯滤波等方法进行预处理以提高网络在不同光照环境下的适应性。
所述表面缺陷检测系统检测方法，采用基于卷积神经网络CNN直接对输入图像进行特征提取，卷积神经网络CNN共分七层，包含有三次特征提取过程，并使用全连接层神经元值作为特征向量，在卷积神经网络CNN的训练过程中通过样本归一化、变形处理、序列随机化等方法来获得更好的收敛能力和泛化性能采用，二阶导数变学习率以及特征图谱组合连接的方法对训练过程进行优化。
所述表面缺陷检测系统检测方法，使用卷积神经网络CNN提取出特征向量后，使用支持向量机SVM进行特征向量的分类。
所述内部缺陷检测系统由气缸2、检测探头1、电器盒与工控机上软件组成，检测探头1安装于气缸端部，可随气缸2活塞的伸缩进行位置变换，电气盒内包括激励电气模块、采集模块和信号调理模块，其检测目标包括气孔、夹杂、裂纹、未熔合等缺陷，内部缺陷检测系统检测方法为采用检测探头1采集信号，经电气盒进行处理后，使用工控机上的软件进行分析。
所述内部缺陷检测系统，检测探头由线圈和永磁体构成，将穿过式线圈套在永磁体上加保护罩，再对其封装，永磁体选择在1～6mm，线圈匝数选择在30～70，线圈漆包铜线直径在0.1～1mm。
所述内部缺陷检测系统，电气盒包含激励电气模块、采集模块和信号调理模块，激励电器模块用于产生正弦或其他规律的电压给激励线圈，产生励磁磁力线进行磁化或者产生涡流，采集模块是用于采集检测探头产生的电压信号，并将传输信号进行A/D转算处理，信号调理模块用于对A/D转换后的信号进行进一步放大、滤波等处理，并将其传输到检测数据分析软件，三个模块在电气盒中采用上下叠放的安装方式。
所述内部缺陷检测系统检测方法，采用检测探头1进行信号采集，为提高检测灵敏度，需尽量减小探头与检测表面的距离，并在测量中保持恒定的距离，避免提离效应产生误差，信号进入电气盒经处理后，进入工控机中的软件进行分析，根据波形来判断内部缺陷的类别与数目。
所述形貌三维测量系统由线激光器4、第二CMOS工业相机8、滤光片11和工控机上软件组成，是一种基于线结构光的形貌三维测量系统，形貌三维测量系统检测方法包括形貌检测模块的数学模型建立与参数标定以及图像处理时使用索引固定位置的指针遍历法。
所述形貌三维测量系统，采用激光正投影的方式，线激光中心轴线与第二CMOS工业相机8中心轴线的夹角大于0，角度优先为30度，所述工业相机型号为MindVision系列ES-U130，所述线激光器产生激光波长为650nm，相机镜头前安装有可通波长为630～690nm的滤光片，降低外部环境光源的干扰，同时简化激光线条纹中心提取算法。
所述形貌三维测量系统测量方法，数学模型的建立为测量系统具有摄像机坐标系(Oc-XcYcZc)、图片坐标系(O1-XY)和世界坐标系(Ow-XwYwZw)三个坐标系，建立了工业相机图片某像素点，数学模型的建立为测量系统具有摄像机坐标系(OC-XCYCZC)、图片坐标系(O1-XY)和世界坐标系(Ow-XWYWZW)三个坐标系，建立了工业相机图片某像素点，(u，y)与世界坐标系某点(Xw,Yw,Zw)的一一对应关系，由于矩阵结构运算的原因，在相应缺省部位取1：
其中，K为像素转换矩阵，P为透视投影矩阵，M为旋转平移变换矩阵，u代表像素行、v代表像素列，x、y为图片坐标系中坐标，xC、yC、zC、为摄像机坐标系中坐标、xW、yW、zW为世界坐标系中坐标，
考虑工业相机的镜头的桶形畸变，桶形畸变属于非线性畸变，采用补偿公式：
其中(x，y)为理想像点位置，(xd，yd)实际像点位置，k1、k2分别为一阶、二阶径向畸变系数，p1、p2分别为一阶、二阶切向畸变系数，将非线性畸变模型下的图片坐标系实际像点(xd，yd)转换成理想像点(x，y)，再将(x，y)带入公式(1)，便得到了考虑工业相机桶形畸变的线结构光三维测量数学模型；
所述形貌三维测量系统测量方法，第二CMOS工业相机8的标定使用高精度的棋盘格标定版，每个正方形尺寸为10mm×10mm，采用Matlab软件的相机标定工具箱对工业相机内参数进行标定，系统外参数标定使用锯齿靶标法进行外参数标定。
所述形貌三维测量系统测量方法，在图像处理时，工控机上软件使用VS2010软件提出了索引固定位置的指针遍历法，提高了线激光条纹图像的遍历效率，使用了自适应域值的灰度重心法，提取所得条纹中心线位置。
所述增材制造表面、内部缺陷与形貌三维测量复合检测装置，表面缺陷检测系统、内部缺陷检测系统、形貌三维测量系统所测的数据在工控机上与成型铣削复合路径规划软件进行交互，可实现实时控制成型装置进行成型与产生铣削代码，控制铣刀对增材制造表面进行铣削加工。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在发明权利要求的保护范围内。

Claims (5)

1.增材制造表面及内部缺陷与形貌复合检测装置，其特征在于：包括表面缺陷检测系统、内部缺陷检测系统、形貌三维测量系统和装夹装置(7)，所述表面缺陷检测系统包括第一CMOS工业相机(6)，所述第一CMOS工业相机(6)用于采集表面图像，内部缺陷检测系统包括气缸(2)和检测探头(1)，所述检测探头(1)用于产生磁场，靠近检测表面，与工件建立磁相互作用，形成磁扰动的环境，所述形貌三维测量系统包括线激光器(4)、滤光片(11)和第二CMOS工业相机(8)；所述线激光器(4)用于发射激光、所述滤光片(11)用于透过稍大于激光波长范围的光，所述第二CMOS工业相机(8)用于采集照射在工件表面的激光条纹图像；
所述第一CMOS工业相机(6)、气缸(2)、线激光器(4)、滤光片(11)和第二CMOS工业相机(8)均安装于装夹装置(7)内部，其中气缸(2)的活塞杆上安装所述检测探头(1)；
所述装夹装置(7)包括固定架(3)，所述线激光器(4)固定安装在所述固定架(3)上，所述固定架(3)上设置有用于将固定架(3)安装到外部设置处的螺纹孔(5)和用于走线的入线口(9)；
所述形貌三维测量系统是一种基于线结构光的形貌三维测量系统，形貌三维测量系统检测方法包括形貌检测模块的数学模型建立与参数标定以及图像处理时使用索引固定位置的指针遍历法，所述指针遍历法是在连续读取一系列类型相同、矩阵大小相同的Mat类型图片矩阵时，通过索引固定位置的方法，降低图像遍历中指针操作的次数；
形貌三维测量过程如下：
(1)数学模型的建立为测量系统具有摄像机坐标系(OC-XCYCZC)、图片坐标系(O1-XY)和世界坐标系(Ow-XWYWZW)三个坐标系，建立了工业相机图片其中一个像素点(u，y)与世界坐标系其中一点(xW、yW、zW)的一一对应关系，由于矩阵结构运算的原因，在相应缺省部位取1：
其中，K为像素转换矩阵，P为透视投影矩阵，M为旋转平移变换矩阵，u代表像素行、v代表像素列，x、y为图片坐标系中坐标，xC、yC、zC为摄像机坐标系中坐标、xW、yW、zW为世界坐标系中坐标，
考虑工业相机的镜头的桶形畸变，桶形畸变属于非线性畸变，采用补偿公式：
其中(x，y)为理想像点位置，(xd，yd)为实际像点位置，k1、k2分别为一阶、二阶径向畸变系数，p1、p2分别为一阶、二阶切向畸变系数，将非线性畸变模型下的图片坐标系实际像点(xd，yd)转换成理想像点(x，y)，再将(x，y)带入公式(1)，获得考虑工业相机桶形畸变的线结构光三维测量数学模型；
(2)第二CMOS工业相机(8)的标定：使用每个正方形尺寸相同的棋盘格标定版，对工业相机内参数进行标定，外参数标定使用锯齿靶标法进行外参数标定，齿顶和齿根的角度均为90°；内参数主要针对CCD摄像机的焦距、偏移角、主点坐标、畸变系数和像素误差这五个参数进行标定，外参数标定主要是求解世界坐标系和摄像机坐标系之间的角度和位置关系,参数标定具体步骤如下：
2.1)将预先命名为Image的所有bmp格式的靶标图像导入到工作环境根目录中；
2.2)提取角点的时候分别输入方格长度dx和宽度dy，，单位为mm，设置窗口尺寸winx和winy稍大于dx、dy值，依次点击提取四个角点；
2.3)按照摄像机几何模型进行参数计算，得到了内参数标定结果；
2.4)进行误差分析，若像素误差较大，重新导入标定棋盘图，设置标定参数，返回步骤2.2)；若结果像素误差在0.5以内，则认为标定成功，输出可靠的摄像机内参数；
2.5)安装线激光器和摄像机的固定装置，激光垂直打到锯齿靶标上；设置靶标所处的世界坐标系的原点位于锯齿中间的齿底点，在光平面上建立直角坐标系，那么所有锯齿特征点的世界坐标全部确定；
2.6)摄像机光条图像，进行灰度处理，采用自适应阈值灰度重心法提取激光条纹中心，拟合直线，求解各段拟合直线的交点得到锯齿特征点图像像素坐标；
2.7)通过机器人不断调整装置的高度，使其在基准为0的位置的基础上分别升高和降低，可以得到一系列不同基准的特征点世界坐标和图像坐标，将其带入数学模型中，采用L-M法解非线性超定方程组，便得到外参数的旋转矩阵与平移矩阵；
(3)图像处理：采用索引固定位置的指针遍历法提取所得条纹中心线位置，指针遍历法是指在OpenCV库中为Mat矩阵类定义了指针函数ptr方法，对于单通道灰度图像image，使用image.ptr<uchar>(i)方法，获得图像中第i行第一列像素的储存位置，通过读取指针指向的第i行，第j个存储位置对应灰度像素值的方法，以按行或列扫描的方式完成对图像的遍历，在连续读取一系列类型相同，矩阵大小相同的Mat类型图片矩阵时，可以通过索引固定位置的方法，降低图像遍历中指针操作的次数，具体步骤如下：
3.1)以图片第j列像素为起始处理单元，设定起始阈值；
3.2)扫描该列每一行像素灰度值，并统计该列的灰度值分布情况，记录灰度值大于阈值Y的像素点个数，记为n；
3.3)判断n的大小，如果n大于等于5，则进行步骤3.4)；否则降低阈值Y＝Y-5，返回步骤3.2)，重新统计n；
3.4)得到每一列的阈值Y，利用传统的灰度重心法，计算本列的条纹重心坐标；
3.5)如果j不是图片的最后一列，设置j＝j+1，并返回步骤3.1)，否则进入步骤3.6)；
3.6)完成对整幅图片的中心线坐标提取,将每一列的重心坐标连线得到图片的激光条纹中心线。
2.根据权利要求1所述的增材制造表面及内部缺陷与形貌复合检测装置，其特征在于：所述表面缺陷检测系统是一种基于视觉图像以及深度学习和支持向量机的增材制造表面缺陷检测系统，所述表面缺陷系统进行表面缺陷检测的过程如下：
(1)采集：采用第一CMOS工业相机(6)采集表面图像，并且在原始图像中选择一区域进行采集；
(2)图像预处理：包括依次进行的灰度化、直方图均衡化和高斯滤波，灰度化是使用灰度函数imgray对将彩色图像转换为对应像素值为0-255的灰度图像，统计每个灰度级对应的像素数目；直方图均衡化是对原始图像的灰度直方图中相对集中的灰度区间，通过对图像进行非线性拉伸，重新分配图像灰度值，使其变成在全部灰度范围内均匀分布；高斯滤波是使用滤波窗口对图像进行离散化滑窗卷积，消除高斯噪声；以提高网络在不同光照环境下的适应性；
(3)采用基于卷积神经网络CNN直接对输入图像进行特征提取，采用4个特征提取层共7层的卷积神经网络结构，使用的CNN结构将卷积层与下采集层结合成一个网络层，其直接使用卷积层区域的左上角的值作为下采样值；
所述的7层卷积神经网络的网络结构包括输入层、Layer1、Layer 2、Layer 3、Layer 4共4个特征提取层、输出层，以及Layer5全连接层，Layer1使用卷积核对输入层进行特征提取，横向与纵向移动间距相等，得到较少的特征M图谱，Layer2使用卷积核对Layer1进行特征提取，横向纵向移动间距相等，得到若干个特征图谱，Layer3使用卷积核对Layer2进行特征提取，横向纵向移动间距相同，得到较多的特征图谱，Layer4使用卷积核对Layer3进行特征提取，横向移动间距大于纵向移动间距，得到很多个特征图谱，Layer5采用全连接方式与Layer4相连，输出层通过全连接的方式与Layer5相连在Layer1～Layer4之间的连接中，采用不完全连接的机制，这样不仅能将连接的数量保持在一个合理的范围内，并且网络的对称性被破坏，使得不同特征图谱的输入不同，从而迫使它们从上一层提取不同的特征；
去除输出层的CNN作为特征提取器，将Layer5全连接层输出向量作为缺陷图像输入的特征向量，并以此为特征样本训练分类能力更强的支持向量机分类器；
(4)基于支持向量机SVM进行缺陷特征分类，将相近的缺陷类别分别放在两个子类，以提高在子类中进行下一级分类时的样本差异。
3.根据权利要求1所述的增材制造表面及内部缺陷与形貌复合检测装置，其特征在于：所述内部缺陷检测系统还包括电气盒，所述电气盒包括激励电气子模块、采集子模块和信号调理子模块，所述检测探头(1)由穿过式线圈和永磁体构成，所述穿过式线圈套在永磁体上，并在外围设置保护罩，所述激励电器模块用于产生正弦或其他规律的电压给激励线圈，产生励磁磁力线进行磁化或者产生涡流，所述采集模块是用于采集检测探头产生的电压信号，并将传输信号进行A/D转算处理，所述信号调理模块用于对A/D转换后的信号进行进一步放大、滤波处理，并将其传输到检测数据分析模块。
4.根据权利要求1所述的增材制造表面及内部缺陷与形貌复合检测装置，其特征在于：所述形貌三维测量系统采用激光正投影的方式进行测量，所述线激光器(4)的线激光中心轴线与CMOS工业相机(8)的镜头的中心轴线的夹角大于0，所述线激光器(4)产生激光，相机镜头前安装有可通稍大于激光波长范围的滤光片，降低外部环境光源的干扰，同时简化激光线条纹中心提取算法。
5.一种采用权利要求1～4中任一所述的增材制造表面及内部缺陷与形貌复合检测装置生成堆铣复合路径的方法，其特征在于：具体步骤如下：
(1)根据成形零件模型，生成第一层的初始G代码，所述初始G代码包括堆焊G代码和三维形貌测量的G代码，并启动焊机进行第一层成形零件的堆焊过程；
(2)执行三维形貌测量的G代码，当到达熔积层形貌测量工位后，数控机床PLC寄存器的值被G代码更新，触发熔积层形貌实时测量软件输出当前位置的熔积层形貌数据，熔积层形貌数据结合机床当前位置坐标后，生成(x,y,z)坐标数据，被写入到指定文件夹内的TXT数据文档中，直到数控机床PLC寄存器的值被G代码再次修改，则熔积形貌实时测量软件停止输出三维形貌数据；
(3)读取步骤(2)中熔积层形貌结合机床实时坐标生成的TXT数据文档，原始图像依次进行图像灰度化、直方图均衡化和高斯滤波进行图像预处理去除噪点，图像预处理时使用索引固定位置的指针遍历法，再识别出每一个被测焊道截面的最高点坐标(Xh,Yh,Zh)和焊道截面左右边界点坐标(Xl,Yl,Zl)、(Xr,Yr,Zr)；
(4)当熔积层形貌的高度数据标准差超过了允许阈值时，自动生成高度铣削代码，否则，根据熔积层的截面平均高度以及焊道边界位置坐标，生成自适应堆焊G代码；
当熔积层形貌的边界点与中心点距离值标准差超过了允许阈值时，自动生成边界点位置的侧壁铣削代码；否则，根据熔积层的截面平均高度以及焊道边界位置坐标，生成自适应堆焊G代码；
(5)堆铣复合路径规划软件还及时清空TXT文档数据并关闭，保证下一次系统能够成功向TXT文档写入熔积层形貌数据。
CN201610841697.4A 2016-09-22 2016-09-22 增材制造表面及内部缺陷与形貌复合检测方法及装置 Active CN106338521B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610841697.4A CN106338521B (zh) 2016-09-22 2016-09-22 增材制造表面及内部缺陷与形貌复合检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610841697.4A CN106338521B (zh) 2016-09-22 2016-09-22 增材制造表面及内部缺陷与形貌复合检测方法及装置

Publications (2)

Publication Number Publication Date
CN106338521A CN106338521A (zh) 2017-01-18
CN106338521B true CN106338521B (zh) 2019-04-12

Family

ID=57838674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610841697.4A Active CN106338521B (zh) 2016-09-22 2016-09-22 增材制造表面及内部缺陷与形貌复合检测方法及装置

Country Status (1)

Country Link
CN (1) CN106338521B (zh)

Families Citing this family (68)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107122783B (zh) * 2017-04-19 2020-11-13 华南理工大学 一种基于角点检测的装配连接件快速识别方法
CN107131844A (zh) * 2017-04-26 2017-09-05 西南交通大学 一种电弧填丝增材制造表面质量自动检测方法
CN107181931B (zh) * 2017-05-15 2019-10-25 华中科技大学 一种用于正交车削和铣削过程高速成像的拍摄系统
CN107014897A (zh) * 2017-06-08 2017-08-04 爱德森（厦门）电子有限公司 一种增材制造铁磁性金属产品质量性能监测装置及方法
CN107064292A (zh) * 2017-06-08 2017-08-18 爱德森（厦门）电子有限公司 一种增材制造非铁磁性金属产品质量性能监测装置及方法
CN107238602A (zh) * 2017-06-12 2017-10-10 鲁东大学 一种用于检测混凝土裂缝和钢筋锈蚀的检测机器人
CN107262878B (zh) * 2017-06-16 2019-06-07 华中科技大学 一种形性一体化的金属构件增材制造系统
CN107218904B (zh) * 2017-07-14 2020-03-17 北京航空航天大学 一种基于锯齿靶标的线结构光视觉传感器标定方法
CN107255443B (zh) * 2017-07-14 2020-09-01 北京航空航天大学 一种复杂环境下双目视觉传感器现场标定方法及装置
CN107402044B (zh) * 2017-07-28 2019-11-22 华中科技大学 一种金属增材制造构件质量在线无损检测系统及方法
CN107688028B (zh) * 2017-08-08 2020-07-14 大连理工大学 一种激光增材制造搭接率在线监测方法
CN107560560B (zh) * 2017-08-14 2019-10-18 清华大学 在增材制造过程中实时测量零件应变的方法
CN107577207A (zh) * 2017-08-29 2018-01-12 芜湖市风蝉电竞文化传媒有限公司 一种基于视觉的全闭环数控机床的加工方法
CN107544428A (zh) * 2017-08-29 2018-01-05 芜湖市风蝉电竞文化传媒有限公司 一种基于视觉的全闭环数控机床加工方法
CN109420762B (zh) * 2017-08-31 2021-05-25 上海微电子装备（集团）股份有限公司 一种3d打印装置及方法
CN107727011B (zh) * 2017-09-14 2020-01-21 华中科技大学 选择性激光熔化制造过程中平面度和轮廓度在线测量方法
CN107728617B (zh) * 2017-09-27 2021-07-06 速感科技（北京）有限公司 多目在线标定方法、可移动机器人及系统
CN107741425A (zh) * 2017-10-31 2018-02-27 华南理工大学 一种用于增材制造的表面缺陷实时检测装置
CN107883894A (zh) * 2017-10-31 2018-04-06 上海卫星装备研究所 一种航天器大尺度载荷安装面平面度在位调修系统
CN107941808B (zh) * 2017-11-10 2024-04-12 中国计量大学 基于机器视觉的3d打印成型质量检测系统及方法
CN107966447B (zh) * 2017-11-14 2019-12-17 浙江大学 一种基于卷积神经网络的工件表面缺陷检测方法
CN108181315B (zh) * 2017-11-25 2021-02-02 天津大学 一种基于图像处理的饼干损伤检测装置及检测方法
CN107976483B (zh) * 2017-11-30 2021-11-19 石家庄铁道大学 压电压磁层合结构界面裂纹检测的电磁探伤仪及检测方法
CN108031844B (zh) * 2017-12-05 2020-05-19 华中科技大学 一种在线逐层检测的增减材复合制造方法
CN107991990B (zh) * 2017-12-22 2023-02-21 温州大学激光与光电智能制造研究院 一种基于视觉的数控机床全闭环系统
CN108170095B (zh) * 2017-12-22 2023-02-17 温州大学激光与光电智能制造研究院 基于视觉的数控机床全闭环系统的加工方法
CN108387581A (zh) * 2018-02-24 2018-08-10 温州宝德电气有限公司 一种基于深度学习的通用型机器视觉识别检测设备
CN108506170A (zh) * 2018-03-08 2018-09-07 上海扩博智能技术有限公司 风机叶片检测方法、系统、设备及存储介质
RU2686257C1 (ru) * 2018-04-27 2019-04-24 Ационерное общество "РОТЕК" (АО "РОТЕК") Способ и система удалённой идентификации и прогнозирования развития зарождающихся дефектов объектов
CN108760747B (zh) * 2018-04-28 2019-12-10 浙江大学 一种3d打印模型表面缺陷视觉检测方法
CN108776966B (zh) * 2018-06-12 2021-11-16 成都银河磁体股份有限公司 一种磁体外观缺陷检测的方法及系统
CN108458733B (zh) * 2018-06-20 2023-09-22 安徽炬视科技有限公司 基于指针检测的指针式仪表自动读数装置系统及识别方法
CN109064454A (zh) * 2018-07-12 2018-12-21 上海蝶鱼智能科技有限公司 产品缺陷检测方法及系统
CN108982538A (zh) * 2018-07-12 2018-12-11 北京星航机电装备有限公司 一种金属材料增材制造产品的缺陷与金相组织检测方法
CN109142358B (zh) * 2018-08-22 2020-09-29 王天骄 基于神经网络的金属材料力学性能测试方法
CN109142390A (zh) * 2018-09-04 2019-01-04 宁波均创智能科技有限公司 一种改进的轴承滚子外观检测方法
EP3623888A1 (en) * 2018-09-13 2020-03-18 Siemens Aktiengesellschaft Workpiece surface quality issues detection
CN109521030A (zh) * 2018-10-12 2019-03-26 成都精工华耀科技有限公司 一种轨道可视化巡检rgbd成像系统
CN109746443A (zh) * 2018-12-29 2019-05-14 华中科技大学 一种增材制造过程中并行控制零件变形和精度的方法
CN110076339A (zh) * 2019-03-06 2019-08-02 上海工程技术大学 一种复杂空腔增材制件内外表面的抛光方法
CN110000381B (zh) * 2019-03-25 2020-02-21 华中科技大学 一种推进器模型的电弧增减材复合一体化制造方法
CN109909172A (zh) * 2019-04-18 2019-06-21 东莞市旭高精密金属制品有限公司 一种金属圆形工件检测装置及其使用方法
CN110340485B (zh) * 2019-06-26 2020-08-18 华中科技大学 一种悬臂结构的定向能量沉积五轴熔积方法
CN110375904A (zh) * 2019-07-25 2019-10-25 武汉理工大学 一种抗电磁干扰激光光电轴功率测量探头
CN110487727A (zh) * 2019-07-26 2019-11-22 武汉理工大学 一种用于超大构件局部增材制造过程中的形性集成检测平台及检测方法
CN110681945B (zh) * 2019-09-10 2020-08-18 华中科技大学 一种全自动管板焊接的焊接高度控制方法及装置
CN110702035A (zh) * 2019-10-25 2020-01-17 四川大学青岛研究院 一种基于面结构光的家电喷涂质量检测系统及方法
CN110802304B (zh) * 2019-10-31 2021-05-18 华中科技大学 一种电磁辅助电弧增材制造成形装置及方法
CN110567963B (zh) * 2019-11-06 2020-02-04 江苏金恒信息科技股份有限公司 合金分析视觉定位方法、装置及合金分析系统
WO2021092403A1 (en) * 2019-11-08 2021-05-14 Sigma Labs, Inc. Optical filter having dual polarization
CN111007142B (zh) * 2019-12-19 2022-03-15 华中科技大学 一种电磁辅助在线微观组织检测及调控系统及方法
CN111037542B (zh) * 2019-12-31 2021-04-06 华中科技大学 一种逆动力学控制机器人直线加工的轨迹误差补偿方法
JPWO2021177435A1 (zh) * 2020-03-05 2021-09-10
CN111928930B (zh) * 2020-09-27 2021-01-15 潍坊中振智能装备有限公司 一种基于结构光成像的3d视觉检测系统
CN112304954A (zh) * 2020-10-20 2021-02-02 西安工程大学 一种基于线激光扫描及机器视觉的零件表面缺陷检测方法
CN112557445B (zh) * 2020-11-17 2022-04-12 华中科技大学 一种基于增材制造的缺陷在线检测方法、装置和系统
CN112396021B (zh) * 2020-11-30 2024-02-20 五邑大学 高空危险物检测方法、装置及存储介质
CN112348493A (zh) * 2021-01-07 2021-02-09 北京电信易通信息技术股份有限公司 一种智能会议记录系统及方法
CN112916987B (zh) * 2021-02-02 2022-02-15 北京理工大学 一种电弧增材制造在线监测及实时控制方法和系统
CN113358659B (zh) * 2021-04-25 2022-07-19 上海工程技术大学 一种用于高铁箱梁裂缝自动化检测的相机阵列式成像方法
CN113361958A (zh) * 2021-06-30 2021-09-07 李炳集 一种缺陷预警方法及系统
CN113927165A (zh) * 2021-10-20 2022-01-14 中北大学 一种机器人填丝激光熔覆缺陷快速定位修复方法与系统
CN113960069B (zh) * 2021-10-22 2024-03-19 中铁二十二局集团第五工程有限公司 一种通过激光线扫描建立缆索表面形态的方法
CN113884013B (zh) * 2021-11-08 2024-01-26 沈阳工业大学 基于cmos传感器的激光增材形貌在线检测补偿方法
CN114012210B (zh) * 2021-12-06 2022-12-09 上海交通大学 电弧增材过程的沉积质量判断系统及方法
CN114937035B (zh) * 2022-07-19 2022-10-04 江苏苏能森源电气有限公司 基于图像处理的电力变压器硅钢片质量检测方法及系统
CN115690105B (zh) * 2022-12-30 2023-03-21 无锡康贝电子设备有限公司 一种基于计算机视觉的铣刀划痕检测方法
CN117884889B (zh) * 2024-03-18 2024-05-24 南京航空航天大学 一种零件自动定位与装配系统及自动作业方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102854196A (zh) * 2012-09-24 2013-01-02 江苏物联网研究发展中心 Mems结构缺陷的晶圆级自动检测系统及检测方法
CN105184309A (zh) * 2015-08-12 2015-12-23 西安电子科技大学 基于cnn和svm的极化sar图像分类
CN105382259A (zh) * 2015-12-03 2016-03-09 大连理工大学 一种选区激光熔化复合制造机床及工件复合制造方法
CN105834423A (zh) * 2016-05-12 2016-08-10 武汉天昱智能制造有限公司 一种基于增材制造加工的在线分层检测方法
CN105938620A (zh) * 2016-04-14 2016-09-14 北京工业大学 一种小口径管内焊缝表面缺陷识别装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102854196A (zh) * 2012-09-24 2013-01-02 江苏物联网研究发展中心 Mems结构缺陷的晶圆级自动检测系统及检测方法
CN105184309A (zh) * 2015-08-12 2015-12-23 西安电子科技大学 基于cnn和svm的极化sar图像分类
CN105382259A (zh) * 2015-12-03 2016-03-09 大连理工大学 一种选区激光熔化复合制造机床及工件复合制造方法
CN105938620A (zh) * 2016-04-14 2016-09-14 北京工业大学 一种小口径管内焊缝表面缺陷识别装置
CN105834423A (zh) * 2016-05-12 2016-08-10 武汉天昱智能制造有限公司 一种基于增材制造加工的在线分层检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A newNDTmethodbasedonpermanentmagneticfieldperturbation;Yanhua Sun;《NDT&E International》;20100218;第44卷;第1-7页
OpenCV优化：图像的遍历4种方式;daoqinglin;《CSDN》;20140413;全文
基于线结构光扫描的三维表面缺陷在线检测的理论与应用研究;吴庆华;《中国博士学位论文全文数据库 信息科技辑》;20141015(第10期);正文第22-24页、第60页、第97页

Also Published As

Publication number Publication date
CN106338521A (zh) 2017-01-18

Similar Documents

Publication Publication Date Title
CN106338521B (zh) 增材制造表面及内部缺陷与形貌复合检测方法及装置
CN102063718B (zh) 一种点激光测量系统的现场标定和精密测量方法
CN102699534B (zh) 基于扫描式激光视觉传感的厚板窄间隙深坡口激光自动化多层焊焊接方法
CN105528789B (zh) 机器人视觉定位方法和装置、视觉标定方法和装置
CN108416791A (zh) 一种基于双目视觉的并联机构动平台位姿监测与跟踪方法
CN107248159A (zh) 一种基于双目视觉的金属工件缺陷检测方法
CN102506830B (zh) 视觉定位方法及装置
CN111260788B (zh) 一种基于双目视觉的配电柜开关状态识别方法
CN108971704B (zh) 基于视觉及旋转电弧复合传感的三维焊缝跟踪方法及系统
CN107133983B (zh) 成捆圆钢端面双目视觉系统与空间定位及计数方法
CN104006757A (zh) 焊接变形实时检测系统及其检测方法
CN110355464A (zh) 激光加工的视觉匹配方法、系统及介质
CN103983203B (zh) 一种激光熔覆熔池离焦量测量装置及其测量方法
CN110084243A (zh) 一种基于二维码和单目相机的档案识别与定位方法
CN112161586A (zh) 一种基于编码棋盘格的线结构光视觉传感器标定方法
CN114140439A (zh) 基于深度学习的激光焊接焊缝特征点识别方法及装置
CN108088381A (zh) 一种基于图像处理的非接触式微小间隙宽度测量方法
CN115187676A (zh) 一种高精度线激光三维重建标定方法
CN1948896A (zh) 一种动态三维激光扫描测头
CN106651925A (zh) 一种彩色深度图像的获取方法、获取设备
CN108507484B (zh) 成捆圆钢多目视觉识别系统及计数方法
CN110415363A (zh) 一种基于三目视觉的散乱物识别定位方法
CN111397529A (zh) 一种基于双目视觉结构光的复杂表面形状检测方法
CN102663727A (zh) 基于cmm移动靶标的相机分区域标定方法
WO2012037085A1 (en) Active lighting for stereo reconstruction of edges

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant