CN107123108B - 基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法 - Google Patents
基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法 Download PDFInfo
- Publication number
- CN107123108B CN107123108B CN201710203081.9A CN201710203081A CN107123108B CN 107123108 B CN107123108 B CN 107123108B CN 201710203081 A CN201710203081 A CN 201710203081A CN 107123108 B CN107123108 B CN 107123108B
- Authority
- CN
- China
- Prior art keywords
- light shield
- cellular
- honeycomb
- honeycombs
- straight line
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 241000264877 Hippospongia communis Species 0.000 claims abstract description 58
- 230000001413 cellular effect Effects 0.000 claims abstract description 42
- 239000013598 vector Substances 0.000 claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 14
- 230000002950 deficient Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 230000008033 biological extinction Effects 0.000 description 4
- 238000005507 spraying Methods 0.000 description 3
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005336 cracking Methods 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000007665 sagging Methods 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Abstract
本发明公开了一种基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法,包括以下步骤:步骤一,遮光罩蜂窝图像,获取遮光罩蜂窝图像;步骤二,预处理;对获取的遮光罩蜂窝图像进行预处理,减少噪声;步骤三,边缘直线段特征提取;对经过预处理的遮光罩蜂窝图像进行特征提取,得到遮光罩蜂窝边缘直线段特征;步骤四,建立特征向量,筛选正负样本;对得到的遮光罩蜂窝边缘直线段特征进行特征描述,建立遮光罩蜂窝特征向量,筛选正常蜂窝和缺陷蜂窝的特征向量作为正负样本;步骤五,人工神经网络建立、训练;本发明有效地提高了遥感器遮光罩的生产效率,减轻了质量检验人员的劳动强度。
Description
技术领域
本发明涉及一种基于机器视觉的自动检测技术领域,特别是涉及一种基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法。
背景技术
遥感器遮光罩是安装在遥感器光学镜头前端,遮蔽有害光线,抑制画面光晕、避免杂散光进入镜头的装置;常见的遮光罩结构形式为四棱锥型,遮光罩内壁采用紧密排列的蜂窝结构形式。
为达到多重消光的效果,遮光罩采用物理消光方式,以增大遮光罩内表面对光吸收,减小反射;一方面,在遮光罩内壁常采用紧密排列的蜂窝结构,蜂窝结构单元为具有一定壁厚、顶部开口的正六棱柱,每个蜂窝结构具有七个面;另一方面,为达到消光目的,需要在蜂窝结构的七个表面均喷涂消光黑漆,并控制其内壁的反射率仅为10%左右;因此,遮光罩对涂层厚度均匀性以及对涂层中的皲裂、分层、流挂、划痕要求严格。
为了保证喷涂质量,要求在喷涂前蜂窝结构不允许有倒伏、边沿卷曲等缺陷;在自动喷涂领域,目前对于光滑曲面的自动检测技术比较成熟,但是对于复杂的蜂窝状表面的自动检测尚未见报道;为进一步提高遥感器遮光罩的生产效率,减轻质量检验人员的劳动强度,需要遥感器遮光罩蜂窝缺陷自动检测方法。
发明内容
本发明所要解决的技术问题是提供一种基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法,其有效地提高了遥感器遮光罩的生产效率,减轻了质量检验人员的劳动强度。
本发明是通过下述技术方案来解决上述技术问题的:一种基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法,其特征在于,包括以下步骤:
步骤一,获取遮光罩蜂窝图像;
步骤二,预处理;对遮光罩蜂窝图像进行预处理,减少噪声;
步骤三,边缘直线段特征提取;对经过预处理的遮光罩蜂窝图像进行特征提取,得到遮光罩蜂窝边缘直线段特征,如果是进行训练则转步骤四;如果是进行检测则转步骤六:
步骤四,建立特征向量,筛选正负样本;对得到的遮光罩蜂窝边缘直线段特征进行特征描述,建立遮光罩蜂窝特征向量,筛选正常蜂窝和缺陷蜂窝的特征向量作为正负样本;
步骤五,人工神经网络建立、训练;建立人工神经网络,利用得到的正负样本对其进行训练,使其具有缺陷检测能力;
步骤六,待检测蜂窝特征向量;待检测的遮光罩蜂窝特征向量输入经过训练的人工神经网络,
步骤七,蜂窝缺陷自动检测;根据输出结果判断遮光罩蜂窝是否存在缺陷。
优选地,所述步骤一的遮光罩蜂窝图像是通过工业相机获取的,无缺陷的理想的遥感器遮光罩蜂窝图像。
优选地,所述步骤二预处理的方法是高斯滤波算法,窗口大小为7×7,标准差为1.41。
优选地,所述步骤三的遮光罩蜂窝边缘直线段特征采用Canny算法提取,采用Ramer算法将遮光罩蜂窝边缘直线特征进一步转换为遮光罩蜂窝边缘直线段特征。
优选地,所述步骤四的遮光罩蜂窝特征向量是一个含有七个元素的向量。
优选地,所述步骤四的筛选正常蜂窝为人工筛选五十个正常蜂窝的特征向量作为正样本,筛选缺陷蜂窝为人工筛选五十个缺陷蜂窝的特征向量作为负样本。
优选地,所述步骤五的人工神经网络是一个由输入层、隐含层和输出层三层构成的BP神经网络,其中输入层的节点数为七个,隐含层的节点数为十个,输出层的节点数为二个。
优选地,所述步骤五中得到的正负样本各五十个,对BP神经网络进行训练,所述训练采用Levenberg-Marquardt优化算法。
优选地,所述步骤七的输出结果是一个含有二个元素的向量。
本发明的积极进步效果在于:本发明对遮光罩蜂窝图像进行预处理、特征提取和特征描述,并利用正负样本对人工神经网络进行训练,最终实现遮光罩蜂窝缺陷的自动检测,有效地提高了遥感器遮光罩的生产效率,减轻了质量检验人员的劳动强度。
附图说明
图1为遥感器遮光罩蜂窝结构示意图。
图2为遥感器遮光罩蜂窝缺陷自动检测方法流程图。
图3为BP神经网络模型图。
具体实施方式
下面结合附图给出本发明较佳实施例,以详细说明本发明的技术方案。
如图2所示,本发明基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法包括以下步骤:
步骤一,遮光罩蜂窝图像;获取遮光罩蜂窝图像;
步骤二,预处理;对遮光罩蜂窝图像进行预处理,减少噪声;
步骤三,边缘直线段特征提取;对经过预处理的遮光罩蜂窝图像进行特征提取,得到遮光罩蜂窝边缘直线段特征,如果是进行训练,则转步骤四;如果是进行检测,则转步骤六:
步骤四,建立特征向量,筛选正负样本;对得到的遮光罩蜂窝边缘直线段特征进行特征描述,建立遮光罩蜂窝特征向量,筛选正常蜂窝和缺陷蜂窝的特征向量作为正负样本;
步骤五,人工神经网络建立、训练;建立人工神经网络,利用得到的正负样本对其进行训练,使其具有缺陷检测能力;
步骤六,待检测蜂窝特征向量;待检测的遮光罩蜂窝特征向量输入经过训练的人工神经网络,
步骤七,蜂窝缺陷自动检测;根据输出结果判断遮光罩蜂窝是否存在缺陷。
进一步地,所述步骤一的遮光罩蜂窝图像是通过工业相机获取的,无缺陷的理想的遥感器遮光罩蜂窝图像
进一步地,如图1所示,所述步骤二的预处理方法是高斯滤波算法,窗口大小为7×7,标准差为1.41。
进一步地,所述步骤三中,采用Canny算法提取遮光罩蜂窝边缘特征,采用Ramer算法将遮光罩蜂窝边缘特征进一步转换为遮光罩蜂窝边缘直线段特征;
所述Canny算法是一种边缘特征提取算法,其高阈值为0.5,低阈值为0.2。
所述Ramer算法是一种轮廓分割算法,其阈值为3像素。
进一步地,所述步骤四的遮光罩蜂窝特征向量是一个含有七个元素的向量,其建立过程如下:
一、统计直线段的数量,作为特征向量的第一个元素;
二、首先对长度进行归一化处理,然后建立区间长度为0.1的直方图,统计每个区间内的直线段数量,最后按照直线段数量从多到少进行排序,取前三个区间对应的归一化长度作为特征向量的第二个到第四个元素;
三、首先计算任意两条直线段之间的相对角度并取绝对值(范围为零度到一百八十度),然后建立区间长度为二十度的直方图,统计每个区间内的相对角度数量,最后按照相对角度数量从多到少进行排序,取前三个区间对应的相对角度作为特征向量的第五个到第七个元素。
进一步地,所述步骤四的筛选正常蜂窝为人工筛选五十个正常蜂窝的特征向量作为正样本,筛选缺陷蜂窝为人工筛选五十个缺陷蜂窝的特征向量作为负样本。
进一步地,所述步骤五中,如图3所示,所述人工神经网络是一个由输入层、隐含层和输出层三层构成的BP神经网络,其中输入层的节点数为七个,隐含层的节点数为十个,输出层的节点数为二个,激励函数为双极性S形函数。
进一步地,所述步骤五中,利用得到的五十个正样本和五十个负样本对BP神经网络进行训练,所述的训练采用Levenberg-Marquardt优化算法,误差阈值为10-3。
进一步地,所述步骤六的输出结果是一个含有二个元素的向量,向量为(01)时表示蜂窝是有缺陷的,向量为(10)时表示蜂窝是正常的。
综上所述,本发明通过对遮光罩蜂窝图像进行预处理、特征提取和特征描述,并利用正负样本对人工神经网络进行训练,最终实现遮光罩蜂窝缺陷的自动检测,有效地提高了遥感器遮光罩的生产效率,减轻了质量检验人员的劳动强度。
以上所述的具体实施例,对本发明的解决的技术问题、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 (6)
1.一种基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法,其特征在于,包括以下步骤:
步骤一,获取遮光罩蜂窝图像;
步骤二,预处理;对遮光罩蜂窝图像进行预处理,减少噪声;
步骤三,边缘直线段特征提取;对经过预处理的遮光罩蜂窝图像进行特征提取,得到遮光罩蜂窝边缘直线段特征,如果是进行训练,则转步骤四;如果是进行检测,则转步骤六:
步骤四,建立特征向量,筛选正负样本;对得到的遮光罩蜂窝边缘直线段特征进行特征描述,建立遮光罩蜂窝特征向量,筛选正常蜂窝和缺陷蜂窝的特征向量作为正负样本;
步骤五,人工神经网络建立、训练;建立人工神经网络,利用得到的正负样本对其进行训练,使其具有缺陷检测能力;
步骤六,待检测蜂窝特征向量;待检测的遮光罩蜂窝特征向量输入经过训练的人工神经网络,
步骤七,蜂窝缺陷自动检测;根据输出结果判断遮光罩蜂窝是否存在缺陷;
所述步骤二预处理的方法是高斯滤波算法,窗口大小为7×7,标准差为1.41;
所述步骤三的遮光罩蜂窝边缘直线段特征采用Canny算法提取,采用Ramer算法将遮光罩蜂窝边缘直线特征进一步转换为遮光罩蜂窝边缘直线段特征;
所述步骤四包括:
统计直线段的数量,作为特征向量的第一个元素;
对长度进行归一化处理,然后建立区间长度为0.1的直方图,统计每个区间内的直线段数量,最后按照直线段数量从多到少进行排序,取前三个区间对应的归一化长度作为特征向量的第二个到第四个元素;
计算任意两条直线段之间的相对角度并取绝对值,然后建立区间长度为二十度的直方图,统计每个区间内的相对角度数量,最后按照相对角度数量从多到少进行排序,取前三个区间对应的相对角度作为特征向量的第五个到第七个元素。
2.如权利要求1所述的基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法,其特征在于,所述步骤一的遮光罩蜂窝图像是通过工业相机获取的,无缺陷的理想的遥感器遮光罩蜂窝图像。
3.如权利要求1所述的基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法,其特征在于,所述步骤四的筛选正常蜂窝为人工筛选五十个正常蜂窝的特征向量作为正样本,筛选缺陷蜂窝为人工筛选五十个缺陷蜂窝的特征向量作为负样本。
4.如权利要求1所述的基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法,其特征在于,所述步骤五的人工神经网络是一个由输入层、隐含层和输出层三层构成的BP神经网络,其中输入层的节点数为七个,隐含层的节点数为十个,输出层的节点数为二个。
5.如权利要求1所述的基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法,其特征在于,所述步骤五中得到的正负样本各五十个,对BP神经网络进行训练,所述训练采用Levenberg-Marquardt优化算法。
6.如权利要求1所述的基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法,其特征在于,所述步骤七的输出结果是一个含有二个元素的向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710203081.9A CN107123108B (zh) | 2017-03-30 | 2017-03-30 | 基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710203081.9A CN107123108B (zh) | 2017-03-30 | 2017-03-30 | 基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107123108A CN107123108A (zh) | 2017-09-01 |
CN107123108B true CN107123108B (zh) | 2020-04-24 |
Family
ID=59717427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710203081.9A Active CN107123108B (zh) | 2017-03-30 | 2017-03-30 | 基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107123108B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583234B (zh) * | 2020-05-09 | 2023-05-23 | 中南大学 | 蜂窝产品的几何形态评估方法和检测及评估系统 |
US11893725B2 (en) * | 2020-05-09 | 2024-02-06 | Central South University | Method for evaluating and system for detecting and evaluating geometric form of honeycomb product |
CN111524133B (zh) * | 2020-05-09 | 2023-05-19 | 中南大学 | 蜂窝规整度检测的窗口统计顶点提取方法及其系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593670A (zh) * | 2013-10-14 | 2014-02-19 | 浙江工业大学 | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 |
CN104597057A (zh) * | 2015-02-02 | 2015-05-06 | 东华大学 | 一种基于机器视觉的柱状二极管表面缺陷检测装置 |
CN106204618A (zh) * | 2016-07-20 | 2016-12-07 | 南京文采科技有限责任公司 | 基于机器视觉的产品包装表面缺陷检测与分类方法 |
-
2017
- 2017-03-30 CN CN201710203081.9A patent/CN107123108B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593670A (zh) * | 2013-10-14 | 2014-02-19 | 浙江工业大学 | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 |
CN104597057A (zh) * | 2015-02-02 | 2015-05-06 | 东华大学 | 一种基于机器视觉的柱状二极管表面缺陷检测装置 |
CN106204618A (zh) * | 2016-07-20 | 2016-12-07 | 南京文采科技有限责任公司 | 基于机器视觉的产品包装表面缺陷检测与分类方法 |
Non-Patent Citations (5)
Title |
---|
吴晓君 等.基于机器视觉技术的表面缺陷在线检测系统设计.《自动化与仪表》.2016,(第4期),第72-76页摘要,第2-3小节,图2,图5. * |
基于LMBP神经网络的SMT焊点缺陷智能鉴别技术;阎德劲 等;《电子质量》;20070320(第3期);第26-30页摘要 * |
基于机器视觉技术的表面缺陷在线检测系统设计;吴晓君 等;《自动化与仪表》;20160415(第4期);第72-76页摘要,第2-3小节,图2,图5 * |
基于机器视觉的微小零件形貌检测方法;段雨晗 等;《长春理工大学学报(自然科学版)》;20150831;第38卷(第4期);第22-27页摘要,第2.3小节 * |
基于机器视觉的枪弹外观缺陷检测系统研究;史进伟 等;《组合机床与自动化加工技术》;20130430(第4期);第59-64页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107123108A (zh) | 2017-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553929B (zh) | 基于融合网络的手机屏幕缺陷分割方法、装置及设备 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN112927189A (zh) | 一种电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法 | |
CN107123108B (zh) | 基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法 | |
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
CN106023185A (zh) | 一种输电设备故障诊断方法 | |
CN111652857B (zh) | 一种绝缘子缺陷红外检测方法 | |
CN104792794A (zh) | 基于机器视觉的光学薄膜表面缺陷检测方法 | |
CN115082744B (zh) | 一种基于人工智能的太阳能集热效率分析方法及系统 | |
CN107169947A (zh) | 一种基于特征点定位和边缘检测的图像融合实验方法 | |
Shire et al. | Plain ceramic tiles surface defect detection using image processing | |
CN107843818A (zh) | 基于异源图像温升与局部放电特征高压绝缘故障诊断方法 | |
CN110930366A (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
CN104637067A (zh) | 一种纹理表面的缺陷检测方法 | |
CN113610846A (zh) | 一种基于人工智能的管状零件内侧异常检测方法及系统 | |
CN112465777A (zh) | 一种基于视频流的风机叶片表面缺陷识别技术 | |
CN109146895A (zh) | 一种颜色不均匀情况下太阳能板红外图像的有效分割方法 | |
CN110021012B (zh) | 基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法 | |
CN113837994B (zh) | 一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法 | |
CN110580701A (zh) | 一种基于计算机视觉的成衣测量和缺陷检测的方法 | |
CN113962929A (zh) | 光伏电池组件缺陷检测方法、系统及光伏电池组件生产线 | |
CN117058137A (zh) | 一种夹胶玻璃生产质量视觉检测方法 | |
CN106650735B (zh) | 一种led字符自动定位识别方法 | |
CN113076959A (zh) | 基于卷积神经网络的混凝土结构表面微裂纹特征提取方法 | |
CN107274398A (zh) | 基于汽车中网质量检测系统及方法 |
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 |