CN106568783B - 一种五金零件缺陷检测系统及方法 - Google Patents

一种五金零件缺陷检测系统及方法 Download PDF

Info

Publication number
CN106568783B
CN106568783B CN201610979684.3A CN201610979684A CN106568783B CN 106568783 B CN106568783 B CN 106568783B CN 201610979684 A CN201610979684 A CN 201610979684A CN 106568783 B CN106568783 B CN 106568783B
Authority
CN
China
Prior art keywords
defect
picture
hardware
detected
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.)
Active
Application number
CN201610979684.3A
Other languages
English (en)
Other versions
CN106568783A (zh
Inventor
李海艳
黄景维
魏登明
黄运保
张沙清
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.)
Huizhou City Guangdong University Of Technology Of Networking Collaborative Innovation Research Institute Co Ltd
Guangdong University of Technology
Original Assignee
Huizhou City Guangdong University Of Technology Of Networking Collaborative Innovation Research Institute Co Ltd
Guangdong University of 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 Huizhou City Guangdong University Of Technology Of Networking Collaborative Innovation Research Institute Co Ltd, Guangdong University of Technology filed Critical Huizhou City Guangdong University Of Technology Of Networking Collaborative Innovation Research Institute Co Ltd
Priority to CN201610979684.3A priority Critical patent/CN106568783B/zh
Publication of CN106568783A publication Critical patent/CN106568783A/zh
Application granted granted Critical
Publication of CN106568783B publication Critical patent/CN106568783B/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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8858—Flaw counting
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8874—Taking dimensions of defect into account
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种五金零件缺陷检测系统及方法，其中系统包括图像采集模块、缺陷信息提取模块、人工神经网络训练模块、缺陷识别模块；图像采集模块用于采集五金零件的标准图片及对应的缺陷样本图片，并进行图像灰度化处理与图像去噪处理，获取标准图片及缺陷样本图片灰度化图像；缺陷信息提取模块通过缺陷最小包围盒位置提取单元和缺陷特征提取单元提取缺陷样本图片的缺陷特征值；人工神经网络训练模块利用BP算法和缺陷样本图片的缺陷特征值训练人工神经网络；本发明通过已训练的人工神经网络识别被检测五金零件的缺陷类型及缺陷位置，实现了五金零件表面缺陷的自动化检测，提高了五金零件表面缺陷的检测效率，节省了人力物力财力。

Description

一种五金零件缺陷检测系统及方法
技术领域
本发明涉及零件缺陷检测技术领域，具体涉及一种五金零件缺陷检测系统及方法。
背景技术
现代社会中，五金零件在生活中无处不在，在电子、化工、航空航天等各个行业中都已得到广泛的应用。由于五金零件中每个零件的轮廓、形状、大小都必须和最初设计时的精度一致才能满足生产需求，因此，在高速发展的工业环境下，检测零件缺陷是加工产业不可缺少的环节之一。目前大部分工厂对于检测五金零件表面缺陷的方法主要是依靠人工肉眼分辨，此方法不仅低效而且易因工作人员的视觉疲劳导致误检或者漏检的问题，即使工作人员找到五金零件的表面缺陷，也只能依靠肉眼定位进行再加工，易造成二次加工缺陷，若直接舍弃工件又会造成资源浪费。因此，人工检测零件缺陷不仅人力资源耗费大，而且检测效率低，效果差。
发明内容
本发明提供一种五金零件缺陷检测系统及方法，通过已训练的人工神经网络识别被检测五金零件的缺陷类型及缺陷位置，实现了五金零件表面缺陷的自动化检测，提高了五金零件表面缺陷的检测效率，节省了人力物力财力。
为了解决上述技术问题，本发明采取的技术方案为：
本发明提供一种五金零件缺陷检测系统，包括图像采集模块、缺陷信息提取模块、人工神经网络训练模块、缺陷识别模块；
所述图像采集模块用于控制工业相机采集完好的五金零件的标准图片及对应的有缺陷的五金零件的缺陷样本图片，将所述缺陷样本图片进行标号和缺陷类型的定义；并对采集的标准图片和缺陷样本图片进行图像灰度化处理与图像去噪处理，获取标准图片灰度化图像和缺陷样本图片灰度化图像；
所述缺陷信息提取模块根据所述标准图片灰度化图像和缺陷样本图片灰度化图像，通过缺陷最小包围盒位置提取单元和缺陷特征提取单元提取所述缺陷样本图片的缺陷特征值；
人工神经网络训练模块利用BP算法和缺陷样本图片的缺陷特征值训练人工神经网络，获取所述缺陷样本图片对应的五金零件的隐含层权值矩阵和输出层权值矩阵；
所述图像采集模块还用于采集被检测五金零件的待检测图片，并对采集的待检测图片进行图像灰度化处理与图像去噪处理，获取待检测图片灰度化图像；
所述缺陷信息提取模块还根据所述标准图片灰度化图像和待检测图片灰度化图像，通过缺陷最小包围盒位置提取单元和缺陷特征提取单元提取所述待检测图片的缺陷特征值；
缺陷识别模块用于将所述待检测图片的缺陷特征值输入至已训练的人工神经网络中，所述已训练的人工神经网络利用所述待检测图片对应的五金零件的隐含层权值矩阵和输出层权值矩阵识别所述被检测五金零件的缺陷类型，并将所述被检测五金零件的缺陷类型及位置存储并显示在智能终端上。
进一步地，所述缺陷最小包围盒位置提取单元用于将所述标准图片灰度化图像和缺陷样本图片灰度化图像或待检测图片灰度化图像的像素值进行差值计算，并将所述差值大于阈值的缺陷样本图片灰度化图像或待检测图片灰度化图像的像素点设为白点，获取缺陷最小包围盒位置坐标；所述缺陷特征提取单元根据所述缺陷最小包围盒位置坐标提取缺陷最小包围盒的缺陷特征值。
进一步地，所述缺陷特征值包括缺陷周长、缺陷最小包围盒面积、缺陷区域平均灰度值。
进一步地，所述人工神经网络为三层式人工神经网络，包括输入层、隐含层、输出层。
本发明另一方面提供一种五金零件缺陷检测方法，包括图像采集步骤、缺陷信息提取步骤、人工神经网络训练步骤、缺陷识别步骤；
所述图像采集步骤包括：控制工业相机采集完好的五金零件的标准图片及对应的有缺陷的五金零件的缺陷样本图片，将所述缺陷样本图片进行标号和缺陷类型的定义；并对采集的标准图片和缺陷样本图片进行图像灰度化处理与图像去噪处理，获取标准图片灰度化图像和缺陷样本图片灰度化图像；
所述缺陷信息提取步骤包括：根据所述标准图片灰度化图像和缺陷样本图片灰度化图像，通过缺陷最小包围盒位置提取单元和缺陷特征提取单元提取所述缺陷样本图片的缺陷特征值；
人工神经网络训练步骤包括：利用BP算法和缺陷样本图片的缺陷特征值训练人工神经网络，获取所述缺陷样本图片对应的五金零件的隐含层权值矩阵和输出层权值矩阵；
所述图像采集步骤还包括：采集被检测五金零件的待检测图片，并对采集的待检测图片进行图像灰度化处理与图像去噪处理，获取待检测图片灰度化图像；
所述缺陷信息提取步骤还根据所述标准图片灰度化图像和待检测图片灰度化图像，通过缺陷最小包围盒位置提取单元和缺陷特征提取单元提取所述待检测图片的缺陷特征值；
缺陷识别步骤包括：将所述待检测图片的缺陷特征值输入至已训练的人工神经网络中，所述已训练的人工神经网络利用所述待检测图片对应的五金零件的隐含层权值矩阵和输出层权值矩阵识别所述被检测五金零件的缺陷类型，并将所述被检测五金零件的缺陷类型及位置存储并显示在智能终端上。
进一步地，所述缺陷最小包围盒位置提取单元用于将所述标准图片灰度化图像和缺陷样本图片灰度化图像或待检测图片灰度化图像的像素值进行差值计算，并将所述差值大于阈值的缺陷样本图片灰度化图像或待检测图片灰度化图像的像素点设为白点，获取缺陷最小包围盒位置坐标；所述缺陷特征提取单元根据所述缺陷最小包围盒位置坐标提取缺陷最小包围盒的缺陷特征值。
进一步地，所述缺陷最小包围盒位置坐标为(xl,yl),(xr,yr)，所述缺陷特征值包括缺陷周长C、缺陷最小包围盒面积S、缺陷区域平均灰度值Dr；
所述缺陷周长C为缺陷最小包围盒边缘缺陷像素的个数：
所述缺陷最小包围盒面积S：
S＝(xr-xl)*(yr-yl)
所述缺陷区域平均灰度值Dr：
进一步地，所述人工神经网络为三层式人工神经网络，包括输入层、隐含层、输出层。
进一步地，所述BP算法包括以下步骤：
S1：输入层输入缺陷特征值
S2：归一化输入的缺陷特征值，确定学习精度α或者学习次数n；
S3：计算隐含层和输出层的输出值；
S4：计算输出层权值修改量和隐含层权值修改量；
S5：根据输出层权值修改量和隐含层权值修改量修改输出层权值矩阵和隐含层权值矩阵；
S6：判断是否达到精度α要求或者是否达到学习次数n，判断为是，则结束学习过程并保存隐含层权值矩阵和输出层权值矩阵，判断为否则返回步骤S3。
本发明通过采集完好的五金零件的标准图片及对应的有缺陷的五金零件的缺陷样本图片的灰度化图像，提取缺陷样本图片的缺陷特征值，通过缺陷样本图片的缺陷特征值训练人工神经网络，使得已训练的人工神经网络输入被检测五金零件的缺陷特征值时可以准确识别被检测五金零件的缺陷类型，并将所述被检测五金零件的缺陷类型及位置存储在智能终端上，并在智能终端上显示，有效提高了五金零件的检测效率，减少了五金零件误检或漏检情况的发生，实现了五金零件表面缺陷的自动化检测，节省人力物力财力，提高了生产自动化程度。
附图说明
图1是本发明一种五金零件缺陷检测系统及方法的缺陷最小包围盒位置提取单元获取缺陷最小包围盒位置坐标的原理示意图；
图2是本发明一种五金零件缺陷检测方法流程图。
具体实施方式
下面结合附图具体阐明本发明的实施方式，附图仅供参考和说明使用，不构成对本发明专利保护范围的限制。
本发明提供一种五金零件缺陷检测系统，包括图像采集模块、缺陷信息提取模块、人工神经网络训练模块、缺陷识别模块；
所述图像采集模块用于控制工业相机采集完好的五金零件的标准图片及对应的有缺陷的五金零件的缺陷样本图片，将所述缺陷样本图片进行标号和缺陷类型的定义；并对采集的标准图片和缺陷样本图片进行图像灰度化处理与图像去噪处理，获取标准图片灰度化图像和缺陷样本图片灰度化图像；
如图1所示，为缺陷最小包围盒位置提取单元获取缺陷最小包围盒位置坐标的原理示意图，所述缺陷信息提取模块根据所述标准图片灰度化图像1和缺陷样本图片灰度化图像2，通过缺陷最小包围盒位置提取单元和缺陷特征提取单元提取所述缺陷样本图片的缺陷特征值；其中，所述缺陷最小包围盒位置提取单元用于将所述标准图片灰度化图像和缺陷样本图片灰度化图像的像素值进行差值计算，并将所述差值大于阈值的缺陷样本图片灰度化图像的像素点设为白点，所述白点的像素值为255，所述白点以外的像素点均为无缺陷的正常像素点，所述缺陷最小包围盒位置坐标为(x，y)；所述缺陷特征提取单元根据所述缺陷最小包围盒位置坐标(x，y)提取缺陷最小包围盒21的缺陷特征值，所述缺陷特征值包括缺陷周长C、缺陷最小包围盒面积S、缺陷区域平均灰度值Dr。
人工神经网络训练模块利用BP算法和缺陷样本图片的缺陷特征值训练人工神经网络，获取所述缺陷样本图片对应的五金零件的隐含层权值矩阵和输出层权值矩阵；其中，所述人工神经网络为三层式人工神经网络，包括输入层、隐含层、输出层；所述BP算法的过程包括信号的正向传播过程和信号的反向传播过程，所述信号的正向传播过程为：归一化的缺陷样本图片的缺陷特征值输入到人工神经网络的输入层，所述输入层确定所述人工神经网络的学习精度α或者学习次数n，经过隐含层处理到达输出层，所述输出层输出运算结果；所述信号的反向传播为：将所述输出层输出的运算结果进行计算并判断是否达到人工神经网络的学习精度α或者学习次数n，当所述输出层输出的运算结果未达到人工神经网络的学习精度α或者学习次数n时，对输出层输出的运算结果及隐含层输出的运算结果进行修改，根据输出层运算结果及隐含层运算结果的修改量调整输出层权值矩阵的参数和隐含层权值矩阵的参数，并将输入层输入的归一化的缺陷样本图片的缺陷特征值利用调整参数后的输出层权值矩阵和隐含层权值矩阵重新处理，使得输出层输出的运算结果的误差逐渐减小，直至达到人工神经网络的学习精度α或者学习次数n；
所述图像采集模块还用于采集被检测五金零件的待检测图片，并对采集的待检测图片进行图像灰度化处理与图像去噪处理，获取待检测图片灰度化图像；
所述缺陷信息提取模块还根据所述标准图片灰度化图像和待检测图片灰度化图像，通过缺陷最小包围盒位置提取单元和缺陷特征提取单元提取所述待检测图片的缺陷特征值；
缺陷识别模块用于将所述待检测图片的缺陷特征值输入至已训练的人工神经网络中，所述已训练的人工神经网络利用所述待检测图片对应的五金零件的隐含层权值矩阵和输出层权值矩阵识别所述被检测五金零件的缺陷类型，并将所述五金零件的缺陷类型及位置存储在智能终端上，并在智能终端上显示，以便工作人员更好的查看所述待检测五金零件的缺陷类型及缺陷位置。
具体地，所述缺陷最小包围盒位置提取单元用于将所述标准图片灰度化图像和缺陷样本图片灰度化图像或待检测图片灰度化图像的像素值进行差值计算，并将所述差值大于阈值的缺陷样本图片灰度化图像或待检测图片灰度化图像的像素点设为白点，获取缺陷最小包围盒位置坐标；所述缺陷特征提取单元根据所述缺陷最小包围盒位置坐标提取缺陷最小包围盒的缺陷特征值。
具体地，所述缺陷特征值包括缺陷周长、缺陷最小包围盒面积、缺陷区域平均灰度值。
具体地，所述人工神经网络为三层式人工神经网络，包括输入层、隐含层、输出层。
本发明实施例另一方面提供一种五金零件缺陷检测方法，如图2所示，为五金零件缺陷检测方法流程图，所述五金零件缺陷检测方法包括图像采集步骤、缺陷信息提取步骤、人工神经网络训练步骤、缺陷识别步骤；
所述图像采集步骤包括：控制工业相机采集完好的五金零件的标准图片及对应的有缺陷的五金零件的缺陷样本图片，将所述缺陷样本图片进行标号和缺陷类型的定义；并对采集的标准图片和缺陷样本图片进行图像灰度化处理与图像去噪处理，获取标准图片灰度化图像和缺陷样本图片灰度化图像；
如图1所示，为缺陷最小包围盒位置提取单元获取缺陷最小包围盒位置坐标的原理示意图，所述缺陷信息提取步骤包括根据所述标准图片灰度化图像1和缺陷样本图片灰度化图像2，通过缺陷最小包围盒位置提取单元和缺陷特征提取单元提取所述缺陷样本图片的缺陷特征值；其中，所述缺陷最小包围盒位置提取单元用于将所述标准图片灰度化图像和缺陷样本图片灰度化图像的像素值进行差值计算，并将所述差值大于阈值的缺陷样本图片灰度化图像的像素点设为白点，所述白点的像素值为255，所述白点以外的像素点均为无缺陷的正常像素点，所述缺陷最小包围盒位置坐标为(x，y)；所述缺陷特征提取单元根据所述缺陷最小包围盒位置坐标(x，y)提取缺陷最小包围盒21的缺陷特征值，所述缺陷特征值包括缺陷周长C、缺陷最小包围盒面积S、缺陷区域平均灰度值Dr。
人工神经网络训练步骤包括：利用BP算法和缺陷样本图片的缺陷特征值训练人工神经网络，获取所述缺陷样本图片对应的五金零件的隐含层权值矩阵和输出层权值矩阵；其中，所述人工神经网络为三层式人工神经网络，包括输入层、隐含层、输出层；所述BP算法的过程包括信号的正向传播过程和信号的反向传播过程，所述信号的正向传播过程为：归一化的缺陷样本图片的缺陷特征值输入到人工神经网络的输入层，所述输入层确定所述人工神经网络的学习精度α或者学习次数n，经过隐含层处理到达输出层，所述输出层输出运算结果；所述信号的反向传播为：将所述输出层输出的运算结果进行计算并判断是否达到人工神经网络的学习精度α或者学习次数n，当所述输出层输出的运算结果未达到人工神经网络的学习精度α或者学习次数n时，对输出层输出的运算结果及隐含层输出的运算结果进行修改，根据输出层运算结果及隐含层运算结果的修改量调整输出层权值矩阵的参数和隐含层权值矩阵的参数，并将输入层输入的归一化的缺陷样本图片的缺陷特征值利用调整参数后的输出层权值矩阵和隐含层权值矩阵重新处理，使得输出层输出的运算结果的误差逐渐减小，直至达到人工神经网络的学习精度α或者学习次数n；
所述图像采集步骤还包括：采集被检测五金零件的待检测图片，并对采集的待检测图片进行图像灰度化处理与图像去噪处理，获取待检测图片灰度化图像；
所述缺陷信息提取步骤还根据所述标准图片灰度化图像和待检测图片灰度化图像，通过缺陷最小包围盒位置提取单元和缺陷特征提取单元提取所述待检测图片的缺陷特征值；
缺陷识别步骤包括：将所述待检测图片的缺陷特征值输入至已训练的人工神经网络中，所述已训练的人工神经网络利用所述待检测图片对应的五金零件的隐含层权值矩阵和输出层权值矩阵识别所述被检测五金零件的缺陷类型，并将所述五金零件的缺陷类型及位置存储在智能终端上，并在智能终端上显示，以便工作人员更好的查看所述待检测五金零件的缺陷类型及缺陷位置。
具体地，所述缺陷最小包围盒位置提取单元用于将所述标准图片灰度化图像和缺陷样本图片灰度化图像或待检测图片灰度化图像的像素值进行差值计算，并将所述差值大于阈值的缺陷样本图片灰度化图像或待检测图片灰度化图像的像素点设为白点，获取缺陷最小包围盒位置坐标；所述缺陷特征提取单元根据所述缺陷最小包围盒位置坐标提取缺陷最小包围盒的缺陷特征值。
具体地，所述缺陷最小包围盒位置坐标为(xl,yl),(xr,yr)，所述缺陷特征值包括缺陷周长C、缺陷最小包围盒面积S、缺陷区域平均灰度值Dr；
所述缺陷周长C为缺陷最小包围盒边缘缺陷像素的个数：
所述缺陷最小包围盒面积S：
S＝(xr-xl)*(yr-yl)
所述缺陷区域平均灰度值Dr：
具体地，所述人工神经网络为三层式人工神经网络，包括输入层、隐含层、输出层。
具体地，所述BP算法包括以下步骤：
S1：输入层输入缺陷特征值
S2：归一化输入的缺陷特征值，确定学习精度α或者学习次数n；
S3：计算隐含层和输出层的输出值；
S4：计算输出层权值修改量和隐含层权值修改量；
S5：根据输出层权值修改量和隐含层权值修改量修改输出层权值矩阵和隐含层权值矩阵；
S6：判断是否达到精度α要求或者是否达到学习次数n，判断为是，则结束学习过程并保存隐含层权值矩阵和输出层权值矩阵，判断为否则返回步骤S3。
以上所揭露的仅为本发明的较佳实施例，不能以此来限定本发明的权利保护范围，因此依本发明申请专利范围所作的等同变化，仍属本发明所涵盖的范围。

Claims (5)

1.一种五金零件缺陷检测系统，包括图像采集模块、缺陷信息提取模块、缺陷识别模块，其特征在于：还包括人工神经网络训练模块；
所述图像采集模块用于控制工业相机采集完好的五金零件的标准图片及对应的有缺陷的五金零件的缺陷样本图片，将所述缺陷样本图片进行标号和缺陷类型的定义；并对采集的标准图片和缺陷样本图片进行图像灰度化处理与图像去噪处理，获取标准图片灰度化图像和缺陷样本图片灰度化图像；
所述缺陷信息提取模块根据所述标准图片灰度化图像和缺陷样本图片灰度化图像，通过缺陷最小包围盒位置提取单元和缺陷特征提取单元提取所述缺陷样本图片的缺陷特征值；
人工神经网络训练模块利用BP算法和缺陷样本图片的缺陷特征值训练人工神经网络，获取所述缺陷样本图片对应的五金零件的隐含层权值矩阵和输出层权值矩阵；
所述图像采集模块还用于采集被检测五金零件的待检测图片，并对采集的待检测图片进行图像灰度化处理与图像去噪处理，获取待检测图片灰度化图像；
所述缺陷信息提取模块还根据所述标准图片灰度化图像和待检测图片灰度化图像，通过缺陷最小包围盒位置提取单元和缺陷特征提取单元提取所述待检测图片的缺陷特征值；
缺陷识别模块用于将所述待检测图片的缺陷特征值输入至已训练的人工神经网络中，所述已训练的人工神经网络利用所述待检测图片对应的五金零件的隐含层权值矩阵和输出层权值矩阵识别所述被检测五金零件的缺陷类型，并将所述被检测五金零件的缺陷类型及位置存储并显示在智能终端上；
缺陷最小包围盒位置提取单元用于将所述标准图片灰度化图像和缺陷样本图片灰度化图像或待检测图片灰度化图像的像素值进行差值计算，并将所述差值大于阈值的缺陷样本图片灰度化图像或待检测图片灰度化图像的像素点设为白点，获取缺陷最小包围盒位置坐标；所述缺陷特征提取单元根据所述缺陷最小包围盒位置坐标提取缺陷最小包围盒的缺陷特征值；
所述缺陷特征值包括缺陷周长、缺陷最小包围盒面积、缺陷区域平均灰度值。
2.如权利要求1所述的一种五金零件缺陷检测系统，其特征在于：所述人工神经网络为三层式人工神经网络，包括输入层、隐含层、输出层。
3.一种五金零件缺陷检测方法，其特征在于：包括图像采集步骤、缺陷信息提取步骤、人工神经网络训练步骤、缺陷识别步骤；
所述图像采集步骤包括：控制工业相机采集完好的五金零件的标准图片及对应的有缺陷的五金零件的缺陷样本图片，将所述缺陷样本图片进行标号和缺陷类型的定义；并对采集的标准图片和缺陷样本图片进行图像灰度化处理与图像去噪处理，获取标准图片灰度化图像和缺陷样本图片灰度化图像；
所述缺陷信息提取步骤包括：根据所述标准图片灰度化图像和缺陷样本图片灰度化图像，通过缺陷最小包围盒位置提取单元和缺陷特征提取单元提取所述缺陷样本图片的缺陷特征值；
人工神经网络训练步骤包括：利用BP算法和缺陷样本图片的缺陷特征值训练人工神经网络，获取所述缺陷样本图片对应的五金零件的隐含层权值矩阵和输出层权值矩阵；
所述图像采集步骤还包括：采集被检测五金零件的待检测图片，并对采集的待检测图片进行图像灰度化处理与图像去噪处理，获取待检测图片灰度化图像；
所述缺陷信息提取步骤还根据所述标准图片灰度化图像和待检测图片灰度化图像，通过缺陷最小包围盒位置提取单元和缺陷特征提取单元提取所述待检测图片的缺陷特征值；
缺陷识别步骤包括：将所述待检测图片的缺陷特征值输入至已训练的人工神经网络中，所述已训练的人工神经网络利用所述待检测图片对应的五金零件的隐含层权值矩阵和输出层权值矩阵识别所述被检测五金零件的缺陷类型，并将所述被检测五金零件的缺陷类型及位置存储并显示在智能终端上；所述缺陷最小包围盒位置提取单元用于将所述标准图片灰度化图像和缺陷样本图片灰度化图像或待检测图片灰度化图像的像素值进行差值计算，并将所述差值大于阈值的缺陷样本图片灰度化图像或待检测图片灰度化图像的像素点设为白点，获取缺陷最小包围盒位置坐标；所述缺陷特征提取单元根据所述缺陷最小包围盒位置坐标提取缺陷最小包围盒的缺陷特征值；
所述缺陷最小包围盒位置坐标为(xl,yl),(xr,yr)，所述缺陷特征值包括缺陷周长C、缺陷最小包围盒面积S、缺陷区域平均灰度值Dr；
所述缺陷周长C为缺陷最小包围盒边缘缺陷像素的个数：
所述缺陷最小包围盒面积S：
S＝(xr-xl)*(yr-yl)
所述缺陷区域平均灰度值Dr：
4.如权利要求3所述的一种五金零件缺陷检测方法，其特征在于：所述人工神经网络为三层式人工神经网络，包括输入层、隐含层、输出层。
5.如权利要求4所述的一种五金零件缺陷检测方法，其特征在于：所述BP算法包括以下步骤：
S1：输入层输入缺陷特征值
S2：归一化输入的缺陷特征值，确定学习精度α或者学习次数n；
S3：计算隐含层和输出层的输出值；
S4：计算输出层权值修改量和隐含层权值修改量；
S5：根据输出层权值修改量和隐含层权值修改量修改输出层权值矩阵和隐含层权值矩阵；
S6：判断是否达到精度α要求或者是否达到学习次数n，判断为是，则结束学习过程并保存隐含层权值矩阵和输出层权值矩阵，判断为否则返回步骤S3。
CN201610979684.3A 2016-11-08 2016-11-08 一种五金零件缺陷检测系统及方法 Active CN106568783B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610979684.3A CN106568783B (zh) 2016-11-08 2016-11-08 一种五金零件缺陷检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610979684.3A CN106568783B (zh) 2016-11-08 2016-11-08 一种五金零件缺陷检测系统及方法

Publications (2)

Publication Number Publication Date
CN106568783A CN106568783A (zh) 2017-04-19
CN106568783B true CN106568783B (zh) 2019-12-03

Family

ID=58540486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610979684.3A Active CN106568783B (zh) 2016-11-08 2016-11-08 一种五金零件缺陷检测系统及方法

Country Status (1)

Country Link
CN (1) CN106568783B (zh)

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107123027B (zh) * 2017-04-28 2021-06-01 广东工业大学 一种基于深度学习的化妆品推荐方法及系统
CN107167419A (zh) * 2017-05-26 2017-09-15 成都润泰茂成科技有限公司 一种埋地管线外防腐层在线检测评估系统
CN107590511A (zh) * 2017-08-30 2018-01-16 武汉华星光电技术有限公司 一种缺陷识别方法以及用于自动检查机的缺陷识别系统
CN107764832A (zh) * 2017-09-29 2018-03-06 青海黄河上游水电开发有限责任公司光伏产业技术分公司 光伏组件的隐裂缺陷检测方法
CN107749058B (zh) * 2017-10-23 2021-05-04 中南大学 一种锅炉管道表面缺陷的机器视觉检测方法及系统
CN107833210B (zh) * 2017-10-30 2020-10-20 俊杰机械(深圳)有限公司 一种基于神经网络的外观检测方法和系统
CN108061735A (zh) * 2017-12-01 2018-05-22 工业互联网创新中心（上海）有限公司 零部件表面缺陷的识别方法和装置
CN107944505A (zh) * 2017-12-19 2018-04-20 青岛科技大学 一种金属失效类型自动化判断方法
CN108509947A (zh) * 2018-01-29 2018-09-07 佛山市南海区广工大数控装备协同创新研究院 一种基于人工神经网络的自动识别打磨方法
CN108416294B (zh) * 2018-03-08 2022-04-01 上海天数智芯半导体有限公司 一种基于深度学习的风机叶片故障智能识别方法
CN108827969B (zh) * 2018-03-20 2020-07-24 中国科学院自动化研究所 金属零件表面缺陷检测与识别方法及装置
CN108803506A (zh) * 2018-05-22 2018-11-13 广东美的智能机器人有限公司 生产线工件识别方法、服务器及终端
CN108876781A (zh) * 2018-06-26 2018-11-23 广东工业大学 基于ssd算法的表面缺陷识别方法
US10846845B2 (en) * 2018-07-25 2020-11-24 Fei Company Training an artificial neural network using simulated specimen images
CN109239075B (zh) 2018-08-27 2021-11-30 北京百度网讯科技有限公司 电池检测方法及装置
CN109374628A (zh) * 2018-08-31 2019-02-22 中国印刷科学技术研究院有限公司 凹印版辊表面缺陷智能检测的缺陷确认方法
CN111344559B (zh) * 2018-12-26 2023-09-15 合刃科技（深圳）有限公司 缺陷检测方法及缺陷检测系统
CN109870458B (zh) * 2019-02-19 2021-11-09 福建农林大学 一种基于三维激光传感器及包围盒的路面裂缝检测与分类方法
CN110045242B (zh) * 2019-04-22 2021-09-10 国网湖南省电力有限公司 一种开关柜内弧光监测方法、系统、介质及设备
CN111251296B (zh) * 2020-01-17 2021-05-18 温州职业技术学院 一种适用于码垛电机转子的视觉检测系统
CN112241699A (zh) * 2020-10-13 2021-01-19 无锡先导智能装备股份有限公司 物体缺陷类别识别方法、装置、计算机设备和存储介质
CN114043151A (zh) * 2021-11-29 2022-02-15 国网四川省电力公司映秀湾水力发电总厂 一种焊接轨迹自动快速生成系统、方法及焊接机器人
CN114324350A (zh) * 2021-12-10 2022-04-12 巢湖学院 基于机器视觉的五孔插座面板缺陷智能检测方法及系统
CN114708268A (zh) * 2022-06-08 2022-07-05 深圳市智宇精密五金塑胶有限公司 一种五金零件缺陷检测方法及系统
CN115078384A (zh) * 2022-06-16 2022-09-20 华侨大学 一种石材大板表面凹坑和裂缝的快速检测装置
CN114998279A (zh) * 2022-06-16 2022-09-02 华侨大学 一种石材大板表面凹坑和裂缝的识别定位方法
CN117589779A (zh) * 2023-11-28 2024-02-23 苏州瑞德智慧精密科技股份有限公司 一种视觉检伤系统及五金配件成型设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3344731B2 (ja) * 1991-05-29 2002-11-18 政典 杉坂 栗の形状識別方法
CN101424645A (zh) * 2008-11-20 2009-05-06 上海交通大学 基于机器视觉的焊球表面缺陷检测装置与方法
CN103868924A (zh) * 2012-12-18 2014-06-18 江南大学 一种基于视觉的轴承外观缺陷检测算法
CN204229419U (zh) * 2014-08-19 2015-03-25 广州伊索自动化科技有限公司 一种基于机器视觉的五金件形状识别系统
CN104850858A (zh) * 2015-05-15 2015-08-19 华中科技大学 一种注塑制品缺陷检测识别方法
CN104977313A (zh) * 2014-04-09 2015-10-14 四川省特种设备检验研究院 一种焊缝x射线图像缺陷检测与识别方法和装置
CN105798927A (zh) * 2016-05-23 2016-07-27 广东工业大学 基于图像的坩埚缺陷磨削加工方法及应用其的加工系统
CN105894514A (zh) * 2016-04-06 2016-08-24 广东工业大学 一种基于gpu并行运算的印刷品缺陷检测方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3344731B2 (ja) * 1991-05-29 2002-11-18 政典 杉坂 栗の形状識別方法
CN101424645A (zh) * 2008-11-20 2009-05-06 上海交通大学 基于机器视觉的焊球表面缺陷检测装置与方法
CN103868924A (zh) * 2012-12-18 2014-06-18 江南大学 一种基于视觉的轴承外观缺陷检测算法
CN104977313A (zh) * 2014-04-09 2015-10-14 四川省特种设备检验研究院 一种焊缝x射线图像缺陷检测与识别方法和装置
CN204229419U (zh) * 2014-08-19 2015-03-25 广州伊索自动化科技有限公司 一种基于机器视觉的五金件形状识别系统
CN104850858A (zh) * 2015-05-15 2015-08-19 华中科技大学 一种注塑制品缺陷检测识别方法
CN105894514A (zh) * 2016-04-06 2016-08-24 广东工业大学 一种基于gpu并行运算的印刷品缺陷检测方法及系统
CN105798927A (zh) * 2016-05-23 2016-07-27 广东工业大学 基于图像的坩埚缺陷磨削加工方法及应用其的加工系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于图像处理技术的五金件表面缺陷检测研究";李丽娟 等;《工程设计学报》;20110430;第18卷(第2期);第134-138页 *
"基于机器视觉的五金件在线检测系统的设计";朱飞虎;《工业控制计算机》;20101231;第23卷(第10期);第23-24页 *

Also Published As

Publication number Publication date
CN106568783A (zh) 2017-04-19

Similar Documents

Publication Publication Date Title
CN106568783B (zh) 一种五金零件缺陷检测系统及方法
CN110314854B (zh) 一种基于视觉机器人的工件检测分拣的装置及方法
US10803573B2 (en) Method for automated detection of defects in cast wheel products
CN108898047B (zh) 基于分块遮挡感知的行人检测方法及系统
CN104992449B (zh) 基于机器视觉的信息识别及表面缺陷在线检测方法
CN109977808A (zh) 一种晶圆表面缺陷模式检测与分析方法
CN105046700B (zh) 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统
CN108074231A (zh) 一种基于卷积神经网络的磁片表面缺陷检测方法
CN106529442A (zh) 一种行人识别方法和装置
CN106770321B (zh) 一种基于多阈值区间的塑料零件缺陷检测方法
CN110245663A (zh) 一种用于钢卷信息识别的方法
CN111127417B (zh) 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法
CN107084992A (zh) 一种基于机器视觉的胶囊检测方法及系统
CN106355579A (zh) 烟条表面褶皱的缺陷检测方法
Adem et al. Defect detection of seals in multilayer aseptic packages using deep learning
CN104198497A (zh) 一种基于视觉显著图和支持向量机的表面缺陷检测方法
CN111415339B (zh) 一种复杂纹理工业产品图像缺陷检测方法
CN110490842A (zh) 一种基于深度学习的带钢表面缺陷检测方法
CN111591715A (zh) 一种皮带纵向撕裂检测方法及装置
CN117250208B (zh) 基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法
CN113012098B (zh) 一种基于bp神经网络的铁塔角钢冲孔缺陷检测方法
CN111161237A (zh) 一种果蔬表面质检方法及其储存介质、分拣装置
CN110554052A (zh) 一种人造板表面缺陷检测方法及其系统
CN114049325A (zh) 轻量化人脸口罩佩戴检测模型的构建方法及应用
CN108664886A (zh) 一种适应变电站进出监控需求的人脸快速识别方法

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