CN107486415B - 基于机器视觉的篾片缺陷在线检测系统及检测方法 - Google Patents
基于机器视觉的篾片缺陷在线检测系统及检测方法 Download PDFInfo
- Publication number
- CN107486415B CN107486415B CN201710676025.7A CN201710676025A CN107486415B CN 107486415 B CN107486415 B CN 107486415B CN 201710676025 A CN201710676025 A CN 201710676025A CN 107486415 B CN107486415 B CN 107486415B
- Authority
- CN
- China
- Prior art keywords
- image
- contour
- thin bamboo
- air knife
- array camera
- 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
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
-
- 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
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
- G01N21/898—Irregularities in textured or patterned surfaces, e.g. textiles, wood
- G01N21/8986—Wood
Abstract
本发明公开了一种基于机器视觉的篾片缺陷在线检测系统及检测方法。包括工业PC机，PLC控制器，气泵，两个电磁阀，两个风刀，隔离板，线阵相机，面阵相机，两个电机，两条窄式传送带，四个光电传感器。传送带将篾片送至面阵相机和线阵相机，采集篾片的正面图像和反面图像，输入图像至工业PC机进行图像预处理；再进行轮廓、表面缺陷检测；得出轮廓缺陷、表面缺陷、无缺陷的产品三类，将分类结果通过串口输出至PLC控制器，由PLC控制器控制电磁阀打开，用风刀剔除；若无缺陷，PLC控制器不动作。本发明避免了人工检测存在的漏检误检问题，使得检测准确率提高；利用数据库存储历史数据，方便查询，计数准确。本系统结构清晰，操作简单。
Description
技术领域
本发明涉及信息图像处理方法，尤其是涉及一种基于机器视觉的篾片缺陷在线检测系统及检测方法。
背景技术
篾片是用竹子劈成的薄片，在扇子，凉席等竹制工艺品上应用的较多。先由破蔑机将竹片分成较薄的篾片，如中国专利公告CN 105835144A（公告日期：2016年8月10日）公开了一种高效竹子破蔑机。由于竹子品种，质量或存放时间的原因，存在一定的缺陷，如轮廓缺陷，表面纹理缺陷等。通常轮廓缺陷的产品为废品；称表面纹理缺陷的产品为次品，价格较低；纹路整齐的为正品，价格较高。目前厂家还在用传统的人工检测的方法进行分拣及计数。此方法检测效率低，往往会由于人的疲劳出现过多的漏检和误检，人工成本高。采取一种行之有效的方法检测篾片对于整个竹制品行业来说尤为重要。
发明内容
鉴于上述背景技术的不足,本发明的目的在于提供一种基于机器视觉的篾片缺陷在线检测系统及检测方法，将传送带、工业PC、PLC装置等设备结合视觉采集系统，实现对篾片质量的实时监测分类，以提高竹制品行业工业自动化的智能化程度，加快工厂整体的工作效率，节约人工处理的时间成本。
为了达到上述目的，本发明采用技术方案是：
一、一种基于机器视觉的篾片缺陷在线检测系统：
本发明包括工业PC机，PLC控制器，气泵，两个电磁阀，两个风刀，隔离板，线阵相机，面阵相机，两个电机，两条窄式传送带，四个光电传感器。
两条窄式传送带呈“一字形”排列，两条窄式传送带之间留有间隙，间隙下方装有采集篾片反面图像的线阵相机，线阵相机安装在环形光源中心，第一条窄式传送带由第一电机驱动转动，第二条窄式传送带由第二电机驱动转动；在第一条窄式传送带上方装有采集篾片正面图像的面阵相机，面阵相机安装在另一环形光源中心，线阵相机和面阵相机分别接工业PC机；面阵相机左侧装有检测篾片末端的第一个光电传感器，间隙上方装有检测篾片前端的第二个光电传感器，第二条窄式传送带的一侧安装有呈“一字形”排列的第一风刀和第二风刀，第三光电传感器和第四光电传感器均位于第二条窄式传送带的上方，靠近第一条窄式传送带一侧的第一风刀左侧装有检测篾片末端的第三光电传感器，第二风刀左侧装有检测篾片末端的第四个光电传感器，第一风刀与第一电磁阀和PLC控制器连接，第二风刀与第二电磁阀和PLC控制器连接，两个电磁阀与气泵出口连接；第二条窄式传送带的另一侧装有隔离板，隔离板位于第一风刀和第二风刀之间，四个光电传感器分别接PLC控制器，PLC控制器连接工业PC机。
所述两条窄式传送带之间留有间隙，其间隙为4cm～6cm。
所述呈“一字形”排列的第一风刀和第二风刀出风口与篾片位于同一水平面上。
所述位于第一风刀和第二风刀之间的隔离板，垂直与第二条窄式传送带侧面，且隔离板高于第二条窄式传送带平面。
二、一种基于机器视觉的篾片缺陷在线检测方法，该方法的步骤是：
步骤Ⅰ) 用面阵相机采集篾片的正面图像，用线阵相机采集篾片的反面图像，输入图像至工业PC机进行图像预处理；
步骤Ⅱ) 通过预处之后的图像进行轮廓缺陷检测和表面缺陷检测；
步骤Ⅲ) 通过步骤Ⅱ)得出三种检测结果，分别是轮廓缺陷、表面缺陷和无缺陷的产品三类，将分类结果通过串口输出至PLC控制器，若检测出轮廓有缺陷，由PLC控制器控制的第一电磁阀打开，用第一个风刀剔除；若两面中有一面及以上有表面缺陷，则由PLC控制器控制的第二电磁阀打开，用第二个风刀剔除；若无缺陷，PLC控制器不动作，使无缺陷产品由传送带顺着流水线落入指定区域存放。
所述步骤Ⅰ)中图像预处理，将工业PC机接收视觉采集装置发送的图像进行预处理，包括以下几个步骤：
步骤1)图像灰度化，即把 RGB 三通道数据的彩色图像变为单通道数据的灰度图像，根据加权平均值法得到灰度图像，具体公式(1)如下所示：
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j) (1) ；
公式(1)中，i表示图像矩阵的横坐标，j表示图像矩阵的纵坐标，(i,j)表示图像中所有的点，R(i,j)代表红亮度值，G(i,j)代表绿亮度值，B (i,j) 代表蓝亮度值；
步骤2)图像增强，即通过图像处理算法对原图像变换数据，突出图像中轮廓特征或者抑制图像中不需要的纹理特征，使图像与视觉响应特性相匹配，使用空域法对图像中的像素点进行操作达到较为理想的效果，具体公式(2)如下所示：
g(x,y)=f(x,y)*h(x,y) (2) ；
公式(2)中，x，y表示二维图像中的坐标信息，f(x,y)是原图像；h(x,y)为空间转换函数；g(x,y)表示进行处理后的图像；
步骤3)图像滤波，即去除目标和背景中的噪声，同时保护图像目标的形状、大小及特定的几何和拓扑结构特征，使用高斯平滑滤波对图像进行处理；
步骤4)图像二值化，即把256个亮度等级的灰度图像通过阈值选取而获得仍能反映图像整体和局部特征的二值化图像，使用基于直方图的自适应阈值分割来获得二值图像。
所述步骤Ⅱ)中轮廓缺陷检测，包括以下几个步骤：
步骤1)采集训练样本
采集多幅合格篾片轮廓图像，用于训练不同轮廓比较模型，任意选取一幅训练图像，提取合格蔑片轮廓作为轮廓模板，为接下来搜索轮廓以及粗筛选做准备；
步骤2)训练轮廓比较模型
依次处理采集到的训练图像，具体步骤为：
a)对预处理后的训练图像中搜索合格篾片轮廓，得到训练图像中合格蔑片轮廓及中心坐标；
b)通过坐标变换将训练图像对准到参考点，并将对准后的训练图像存储在轮廓比较模板中；
c)依次训练所有训练图像，并计算轮廓比较模型中各点的灰度平均值及标准差，以灰度值标准差作为检验轮廓比较模型优劣的指标，并将筛选后的各点平均灰度值作为该点灰度值存储为轮廓比较模型平均图像作为差影法基准图像；
步骤3)差影法检测
载入待检测蔑片轮廓图像，在待检测图像中搜索轮廓模板，在进行模板匹配时设置阈值，对轮廓缺陷较明显的蔑片进行粗筛选，将轮廓缺陷蔑片直接剔除，通过粗筛选后的蔑片进入差影法检测环节，将粗筛选后的蔑片经过坐标变换与参考点对准，再与轮廓比较模型中的平均图像进行差影法检测，设置阈值，将灰度差大于阈值的点作为缺陷点。
所述步骤Ⅱ)中表面缺陷检测，包括以下几个步骤：
步骤1)特征提取
对非缺陷与缺陷的特征进行主成分分析降维，提取特征矩阵主成分值，对降维结果进行聚类分析，得到各类缺陷间的距离；
步骤2)设计DAGSVM结构
按照各类缺陷间相似程度的大小降序排列依次从上至下作为决策树的节点，利用大量模板结合标定数据训练 DAGSVM，并对决策树结构以及参数进行优化；
步骤3)缺陷分类
通过对待检测篾片的特征提取获得缺陷特征，通过设计的DAGSVM对提取到的特征进行分类。
本发明具有的有益效果是：
1)利用机器视觉技术，避免了人工检测存在的漏检误检问题，使得检测准确率提高，节约人力成本和时间成本。
2)利用数据库存储历史数据，方便查询，计数准确。
3)本系统结构清晰，操作简单，利用风刀作为分拣装置，分拣精准。
附图说明
图1是本发明的结构示意图。
图2是本发明的工作流程示意图。
图1中：1、工业PC机，2、PLC控制器，3、气泵，4、第二电机，5、第二风刀，6、隔离板，7、线阵相机，8、面阵相机，9、第一电机，10、第一段窄式传送带，11、第一光电传感器，12、第二光电传感器，13、第三光电传感器，14、第一风刀，15、第四光电传感器，16、第一电磁阀，17、第二电磁阀，18、第二段窄式传送带。
具体实施方式
下面结合附图和实施例及对本发明作进一步的说明。
如图1所示，本发明包括工业PC机1，PLC控制器2，气泵3，两个电磁阀16、17，两个风刀14、5，隔离板6，线阵相机7，面阵相机8，两个电机9、4，两条窄式传送带10、18，四个光电传感器11、12、13、15；
两条窄式传送带10、18呈“一字形”排列，两条窄式传送带10、18之间留有间隙，间隙下方装有采集篾片反面图像的线阵相机7，线阵相机7安装在环形光源中心，第一条窄式传送带10由第一电机9驱动转动，第二条窄式传送带18由第二电机4驱动转动；在第一条窄式传送带10上方装有采集篾片正面图像的面阵相机8，面阵相机8安装在另一环形光源中心，线阵相机7和面阵相机8分别接工业PC机1；面阵相机8左侧装有检测篾片末端的第一个光电传感器11，间隙上方装有检测篾片前端的第二个光电传感器12，第二条窄式传送带18的一侧安装有呈“一字形”排列的第一风刀14和第二风刀5，第三光电传感器13和第四光电传感器15均位于第二条窄式传送带18的上方，靠近第一条窄式传送带10一侧的第一风刀14左侧装有检测篾片末端的第三光电传感器13，第二风刀5左侧装有检测篾片末端的第四个光电传感器15，第一风刀14与第一电磁阀16和PLC控制器2连接，第二风刀5与第二电磁阀17和PLC控制器2连接，两个电磁阀16、17与气泵3出口连接；第二条窄式传送带18的另一侧装有隔离板6，隔离板6位于第一风刀14和第二风刀5之间，四个光电传感器11、12、13、15分别接PLC控制器2，PLC控制器2连接工业PC机1。
所述两条窄式传送带10、18之间留有间隙，其间隙为4cm～6cm。
所述呈“一字形”排列的第一风刀14和第二风刀5出风口与篾片位于同一水平面上。
所述位于第一风刀14和第二风刀5之间的隔离板6，垂直与第二条窄式传送带18侧面，且隔离板6高于第二条窄式传送带18平面。
所述面阵相机8、线阵相机7、第一风刀14、第二风刀5和电器元器件均可在市场上选购。
如图2所示，本发明的检测方法的步骤是：
步骤Ⅰ) 用面阵相机采集篾片的正面图像，用线阵相机采集篾片的反面图像，输入图像至工业PC机1进行图像预处理；
步骤Ⅱ) 通过预处之后的图像进行轮廓缺陷检测和表面缺陷检测；
步骤Ⅲ) 通过步骤Ⅱ)得出三种检测结果，分别是轮廓缺陷(废品)、表面缺陷(次品)和无缺陷(正品)的产品三类，将分类结果通过串口输出至PLC控制器，若检测出轮廓有缺陷，由PLC控制器控制的第一电磁阀打开，用第一个风刀剔除；若两面中有一面及以上有表面缺陷，则由PLC控制器控制的第二电磁阀打开，用第二个风刀剔除；若无缺陷，PLC控制器不动作，使无缺陷产品由传送带顺着流水线落入指定区域存放。
所述步骤Ⅰ)中图像预处理，将工业PC机接收视觉采集装置发送的图像进行预处理，包括以下几个步骤：
步骤1)图像灰度化，即把 RGB 三通道数据的彩色图像变为单通道数据的灰度图像，根据加权平均值法得到灰度图像，具体公式(1)如下所示：
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j) (1) ；
公式(1)中，i表示图像矩阵的横坐标，j表示图像矩阵的纵坐标，(i,j)表示图像中所有的点，R(i,j)代表红亮度值，G(i,j)代表绿亮度值，B (i,j) 代表蓝亮度值；
步骤2)图像增强，即通过图像处理算法对原图像变换数据，突出图像中轮廓特征或者抑制图像中不需要的纹理特征，使图像与视觉响应特性相匹配，使用空域法对图像中的像素点进行操作达到较为理想的效果，具体公式(2)如下所示：
g(x,y)=f(x,y)*h(x,y) (2) ；
公式(2)中，f(x,y)是原图像；h(x,y)为空间转换函数；g(x,y)表示进行处理后的图像；
步骤3)图像滤波，即去除目标和背景中的噪声，同时保护图像目标的形状、大小及特定的几何和拓扑结构特征，使用高斯平滑滤波对图像进行处理；
步骤4)图像二值化，即把256个亮度等级的灰度图像通过阈值选取而获得仍能反映图像整体和局部特征的二值化图像，使用基于直方图的自适应阈值分割来获得二值图像。
所述步骤Ⅱ)中轮廓缺陷检测，包括以下几个步骤：
步骤1)采集训练样本
采集多幅合格篾片轮廓图像，用于训练不同轮廓比较模型，任意选取一幅训练图像，提取合格蔑片轮廓作为轮廓模板，为接下来搜索轮廓以及粗筛选做准备；
步骤2)训练轮廓比较模型
依次处理采集到的训练图像，具体步骤为：
a)对预处理后的训练图像中搜索合格篾片轮廓，得到训练图像中合格蔑片轮廓及中心坐标；
b)通过坐标变换将训练图像对准到参考点，并将对准后的训练图像存储在轮廓比较模板中；
c)依次训练所有训练图像，并计算轮廓比较模型中各点的灰度平均值及标准差，以灰度值标准差作为检验轮廓比较模型优劣的指标，并将筛选后的各点平均灰度值作为该点灰度值存储为轮廓比较模型平均图像作为差影法基准图像；
步骤3)差影法检测
载入待检测蔑片轮廓图像，在待检测图像中搜索轮廓模板，在进行模板匹配时设置阈值，对轮廓缺陷较明显的蔑片进行粗筛选，将轮廓缺陷蔑片直接剔除，通过粗筛选后的蔑片进入差影法检测环节，将粗筛选后的蔑片经过坐标变换与参考点对准，再与轮廓比较模型中的平均图像进行差影法检测，设置阈值，将灰度差大于阈值的点作为缺陷点。
所述步骤Ⅱ)中表面缺陷检测，包括以下几个步骤：
步骤1)特征提取
对非缺陷与缺陷的特征进行主成分分析降维，提取特征矩阵主成分值，对降维结果进行聚类分析，得到各类缺陷间的距离；
步骤2)设计DAGSVM结构
按照各类缺陷间相似程度的大小降序排列依次从上至下作为决策树的节点，利用大量模板结合标定数据训练 DAGSVM，并对决策树结构以及参数进行优化；
步骤3)缺陷分类
通过对待检测篾片的特征提取获得缺陷特征，通过设计的DAGSVM对提取到的特征进行分类。
本发明的相机固定安装于相机支架上，通过光电传感器检测得到篾片位于拍照的位置，工业PC机发送拍照指令，并通过图像采集接口模块将所获得的图像传送给工业PC。经过工业PC机处理之后，将结果输出到PLC控制器，使PLC控制器控制的电磁阀做出相应的动作，通过高速气流分拣篾片。PLC控制器将计数传感器检测到的数据传到数据库中保存。
工业PC机具有图像分析处理和控制PLC控制器的功能并执行如下步骤：
1、接收光电传感器的信号，控制光源和相机，采集图片。
2、对图像进行预处理，具体包括：图像灰度化、图像增强、图像滤波、图像二值化。
3、针对蔑片轮廓缺陷，建立了轮廓比较模型。利用大量合格蔑片图像通过模板匹配技术进行空间对准后训练轮廓比较模型，得到合格蔑片平均图像，通过差影法检测对准后的待检测蔑片图像。
4、针对蔑片表面缺陷。构建了DAGSVM 结构。首先提取非缺陷与二类缺陷（斑点和颜色分层）的特征，并对特征矩阵进行主成分分析，对缺陷特征降维；其次对降维结果进行谱系聚类分析，根据各类缺陷间的距离远近构建决策树；最后通过训练样本对支持向量机进行优化，构建决策树各节点支持向量机模型。
5、把分类的结果转化成逻辑控制值，输出至PLC控制器，使PLC控制器动作，完成分拣任务。
6、接受PLC控制器上传的三种产品的计数数据，并储存在工业PC机中的数据库中。
Claims (4)
1.一种基于机器视觉的篾片缺陷在线检测方法，其特征在于，
方法采用篾片缺陷在线检测系统，所述篾片缺陷在线检测系统包括工业PC机(1)，PLC控制器(2)，气泵(3)，两个电磁阀(16、17)，两个风刀(14、5)，隔离板(6)，线阵相机(7)，面阵相机(8)，两个电机(9、4)，两条窄式传送带(10、18)，四个光电传感器(11、12、13、15)；
两条窄式传送带(10、18)呈“一字形”排列，两条窄式传送带(10、18)之间留有间隙，间隙下方装有采集篾片反面图像的线阵相机(7)，线阵相机(7)安装在环形光源中心，第一条窄式传送带(10)由第一电机(9)驱动转动，第二条窄式传送带(18)由第二电机(4)驱动转动；在第一条窄式传送带(10)上方装有采集篾片正面图像的面阵相机(8)，面阵相机(8)安装在另一环形光源中心，线阵相机(7)和面阵相机(8)分别接工业PC机(1)；面阵相机(8)左侧装有检测篾片末端的第一个光电传感器(11)，间隙上方装有检测篾片前端的第二个光电传感器(12)，第二条窄式传送带(18)的一侧安装有呈“一字形”排列的第一风刀(14)和第二风刀(5)，第三光电传感器(13)和第四光电传感器(15)均位于第二条窄式传送带(18)的上方，靠近第一条窄式传送带(10)一侧的第一风刀(14)左侧装有检测篾片末端的第三光电传感器(13)，第二风刀(5)左侧装有检测篾片末端的第四个光电传感器(15)，第一风刀(14)与第一电磁阀(16)和PLC控制器(2)连接，第二风刀(5)与第二电磁阀(17)和PLC控制器(2)连接，两个电磁阀(16、17)与气泵(3)出口连接；第二条窄式传送带(18)的另一侧装有隔离板(6)，隔离板(6)位于第一风刀(14)和第二风刀(5)之间，四个光电传感器(11、12、13、15)分别接PLC控制器(2)，PLC控制器(2)连接工业PC机(1)；
所述呈“一字形”排列的第一风刀(14)和第二风刀(5)出风口与篾片位于同一水平面上；
所述位于第一风刀(14)和第二风刀(5)之间的隔离板(6)，垂直与第二条窄式传送带(18)侧面，且隔离板(6)高于第二条窄式传送带(18)平面；
该方法的步骤是：
步骤Ⅰ)用面阵相机采集篾片的正面图像，用线阵相机采集篾片的反面图像，输入图像至工业PC机(1)进行图像预处理；
步骤Ⅱ)通过预处理之后的图像进行轮廓缺陷检测和表面缺陷检测；
所述步骤Ⅱ)中轮廓缺陷检测，包括以下几个步骤：
步骤1)采集训练样本
采集多幅合格篾片轮廓图像，用于训练不同轮廓比较模型，任意选取一幅训练图像，提取合格蔑片轮廓作为轮廓模板，为接下来搜索轮廓以及粗筛选做准备；
步骤2)训练轮廓比较模型
依次处理采集到的训练图像，具体步骤为：
a)对预处理后的训练图像中搜索合格篾片轮廓，得到训练图像中合格蔑片轮廓及中心坐标；
b)通过坐标变换将训练图像对准到参考点，并将对准后的训练图像存储在轮廓比较模板中；
c)依次训练所有训练图像，并计算轮廓比较模型中各点的灰度平均值及标准差，以灰度值标准差作为检验轮廓比较模型优劣的指标，并将筛选后的各点平均灰度值作为该点灰度值存储为轮廓比较模型平均图像作为差影法基准图像；
步骤3)差影法检测
载入待检测蔑片轮廓图像，在待检测图像中搜索轮廓模板，在进行模板匹配时设置阈值，对轮廓缺陷较明显的蔑片进行粗筛选，将轮廓缺陷蔑片直接剔除，通过粗筛选后的蔑片进入差影法检测环节，将粗筛选后的蔑片经过坐标变换与参考点对准，再与轮廓比较模型中的平均图像进行差影法检测，设置阈值，将灰度差大于阈值的点作为缺陷点；
步骤Ⅲ)通过步骤Ⅱ)得出三种检测结果，分别是轮廓缺陷、表面缺陷和无缺陷的产品三类，将分类结果通过串口输出至PLC控制器，若检测出轮廓有缺陷，由PLC控制器控制的第一电磁阀打开，用第一个风刀剔除；若两面中有一面及以上有表面缺陷，则由PLC控制器控制的第二电磁阀打开，用第二个风刀剔除；若无缺陷，PLC控制器不动作，使无缺陷产品由传送带顺着流水线落入指定区域存放。
2.根据权利要求1所述的一种基于机器视觉的篾片缺陷在线检测方法，其特征在于：
所述步骤Ⅰ)中图像预处理，将工业PC机接收视觉采集装置发送的图像进行预处理，包括以下几个步骤：
步骤1)图像灰度化，即把RGB三通道数据的彩色图像变为单通道数据的灰度图像，根据加权平均值法得到灰度图像，具体公式(1)如下所示：
f(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j)(1)；
公式(1)中，i表示图像矩阵的横坐标，j表示图像矩阵的纵坐标，(i,j)表示图像中所有的点，R(i,j)代表红亮度值，G(i,j)代表绿亮度值，B(i,j)代表蓝亮度值；
步骤2)图像增强，即通过图像处理算法对原图像变换数据，突出图像中轮廓特征或者抑制图像中不需要的纹理特征，使图像与视觉响应特性相匹配，使用空域法对图像中的像素点进行操作达到较为理想的效果，具体公式(2)如下所示：
g(x,y)＝f(x,y)*h(x,y)(2)；
公式(2)中，f(x,y)是原图像；h(x,y)为空间转换函数；g(x,y)表示进行处理后的图像；
步骤3)图像滤波，即去除目标和背景中的噪声，同时保护图像目标的形状、大小及特定的几何和拓扑结构特征，使用高斯平滑滤波对图像进行处理；
步骤4)图像二值化，即把256个亮度等级的灰度图像通过阈值选取而获得仍能反映图像整体和局部特征的二值化图像，使用基于直方图的自适应阈值分割来获得二值图像。
3.根据权利要求1所述的一种基于机器视觉的篾片缺陷在线检测方法，其特征在于，
所述步骤Ⅱ)中表面缺陷检测，包括以下几个步骤：
步骤1)特征提取
对非缺陷与缺陷的特征进行主成分分析降维，提取特征矩阵主成分值，对降维结果进行聚类分析，得到各类缺陷间的距离；
步骤2)设计DAGSVM结构
按照各类缺陷间相似程度的大小降序排列依次从上至下作为决策树的节点，利用大量模板结合标定数据训练DAGSVM，并对决策树结构以及参数进行优化；
步骤3)缺陷分类
通过对待检测篾片的特征提取获得缺陷特征，通过设计的DAGSVM对提取到的特征进行分类。
4.根据权利要求1所述的一种基于机器视觉的篾片缺陷在线检测方法，其特征在于，所述两条窄式传送带(10、18)之间留有间隙，其间隙为4cm～6cm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710676025.7A CN107486415B (zh) | 2017-08-09 | 2017-08-09 | 基于机器视觉的篾片缺陷在线检测系统及检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710676025.7A CN107486415B (zh) | 2017-08-09 | 2017-08-09 | 基于机器视觉的篾片缺陷在线检测系统及检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107486415A CN107486415A (zh) | 2017-12-19 |
| CN107486415B true CN107486415B (zh) | 2023-10-03 |
Family
ID=60644079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710676025.7A Active CN107486415B (zh) | 2017-08-09 | 2017-08-09 | 基于机器视觉的篾片缺陷在线检测系统及检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107486415B (zh) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109092701B (zh) * | 2018-07-17 | 2021-01-29 | 深圳市普盛旺科技有限公司 | 电池铝壳检测装置 |
| CN109001215A (zh) * | 2018-08-03 | 2018-12-14 | 深圳大图科创技术开发有限公司 | 一种基于机器视觉的电力接线端子缺陷检测系统 |
| CN108645868A (zh) * | 2018-08-10 | 2018-10-12 | 北京妙想科技有限公司 | 一种小张印铁双面质量检测设备 |
| CN109360189B (zh) * | 2018-09-18 | 2021-08-10 | 昆明北方红外技术股份有限公司 | 检测非制冷红外机芯图像像素缺陷点的方法 |
| CN109277327A (zh) * | 2018-09-26 | 2019-01-29 | 芜湖常瑞汽车部件有限公司 | 一种零件不良品的检测方法 |
| CN109507192B (zh) * | 2018-11-02 | 2021-07-02 | 江苏理工学院 | 一种基于机器视觉的磁芯表面缺陷检测方法 |
| CN109374256B (zh) * | 2018-11-14 | 2020-07-31 | 凌云光技术集团有限责任公司 | 一种工业检测自适应分类方法及装置 |
| CN110216080A (zh) * | 2019-05-24 | 2019-09-10 | 武汉前兴科技股份有限公司 | 一种基于图像对比的pcb加工产线的质量监控系统 |
| CN112561849B (zh) * | 2019-09-26 | 2023-07-21 | 长鑫存储技术有限公司 | 晶圆缺陷检测方法 |
| CN111222445A (zh) * | 2019-12-31 | 2020-06-02 | 江苏南高智能装备创新中心有限公司 | 吸管检测系统及其方法 |
| CN111805541B (zh) * | 2020-07-08 | 2022-08-30 | 南京航空航天大学 | 一种基于深度学习的中药饮片净选装置及净选方法 |
| CN112676195B (zh) * | 2020-12-14 | 2021-10-29 | 南京林业大学 | 基于线阵cmos相机的实木地板的颜色分选装置及方法 |
| CN112775010B (zh) * | 2020-12-21 | 2023-02-07 | 北京京磁电工科技有限公司 | 用于钕铁硼磁体的自动检测系统及方法 |
| CN113050536A (zh) * | 2021-02-26 | 2021-06-29 | 山东大学 | 一种基于plc和ai识别结果的流水线调度系统及调度方法 |
| CN113894055A (zh) * | 2021-09-06 | 2022-01-07 | 电子科技大学 | 基于机器视觉的五金件表面缺陷检测分类系统及方法 |
| CN113933248A (zh) * | 2021-10-12 | 2022-01-14 | 广东省科学院智能制造研究所 | 一种高光谱在线检测系统及方法 |
| CN114529510B (zh) * | 2022-01-11 | 2023-05-23 | 三门三友科技股份有限公司 | 一种阴极铜在线质量自动检测分类方法 |
| CN114723668A (zh) * | 2022-03-09 | 2022-07-08 | 三门三友科技股份有限公司 | 一种基于面阵相机的阴极铜质量检测方法及系统 |
Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007062563A1 (fr) * | 2005-12-01 | 2007-06-07 | Bohai Shipbuilding Industry Co., Ltd. | Procede d'examen automatique en ligne pour des detections de defauts de surface d'acier pendant le pretraitement de toles d'acier |
| KR20070077329A (ko) * | 2006-01-23 | 2007-07-26 | 삼성전자주식회사 | 자동 결함 분류 알고리즘 생성 방법 |
| CN101176872A (zh) * | 2007-11-30 | 2008-05-14 | 华南理工大学 | 基于机器视觉的物料实时检测及异物剔除系统 |
| KR20080060851A (ko) * | 2006-12-27 | 2008-07-02 | 이형우 | 목재표면의 결함검출방법 |
| CN102218406A (zh) * | 2011-01-04 | 2011-10-19 | 华南理工大学 | 一种基于机器视觉的手机外壳缺陷智能检测装置 |
| CN102353683A (zh) * | 2011-08-18 | 2012-02-15 | 北京优纳科技有限公司 | 一种基于机器视觉的电纸书外观及装配检测设备及检测方法 |
| CN202362253U (zh) * | 2011-11-28 | 2012-08-01 | 深圳市鹰眼在线电子科技有限公司 | 电池极片涂布质量在线视觉检测系统 |
| CN102879404A (zh) * | 2012-10-07 | 2013-01-16 | 复旦大学 | 工业结构化场景中医用胶囊缺陷自动检测的系统 |
| CN103198322A (zh) * | 2013-01-18 | 2013-07-10 | 江南大学 | 基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法 |
| CN103323526A (zh) * | 2013-05-30 | 2013-09-25 | 哈尔滨工业大学 | 一种基于超声相控阵和支持向量机的焊缝缺陷检测识别方法 |
| CN103785627A (zh) * | 2014-01-27 | 2014-05-14 | 河南科技大学 | 锂电池极片表面缺陷在线检测分拣系统及其分拣方法 |
| CN103901040A (zh) * | 2014-03-27 | 2014-07-02 | 华中科技大学 | 一种基于机器视觉的三维网状物缺陷在线检测系统 |
| CN104361352A (zh) * | 2014-11-13 | 2015-02-18 | 东北林业大学 | 基于压缩感知的实木板材缺陷分选方法 |
| WO2015055060A1 (zh) * | 2013-10-16 | 2015-04-23 | 湖南镭目科技有限公司 | 一种连铸坯表面质量在线检测方法 |
| 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 |
| CN104866862A (zh) * | 2015-04-27 | 2015-08-26 | 中南大学 | 一种带钢表面面积型缺陷识别分类的方法 |
| CN105740883A (zh) * | 2016-01-21 | 2016-07-06 | 南京大学 | 一种计算机中基于轮廓和纹理的对羽毛片进行分类的方法 |
| CN105891233A (zh) * | 2016-05-26 | 2016-08-24 | 福州大学 | 基于机器视觉的镜片表面缺陷智能检测系统及其实现方法 |
| CN205581025U (zh) * | 2016-04-21 | 2016-09-14 | 厦门理工学院 | 一种精刨竹条视觉分拣分级检测系统 |
| CN105973912A (zh) * | 2016-06-12 | 2016-09-28 | 合肥汉重智能装备有限公司 | 基于机器视觉的真皮表面缺陷检测系统及其检测方法 |
| CN205826553U (zh) * | 2016-06-29 | 2016-12-21 | 中航锂电（洛阳）有限公司 | 一种电池极片视觉检测系统 |
| CN106695792A (zh) * | 2017-01-05 | 2017-05-24 | 中国计量大学 | 基于机器视觉的码垛机器人跟踪监控系统及方法 |
| CN207238542U (zh) * | 2017-08-09 | 2018-04-17 | 中国计量大学 | 一种基于机器视觉的篾片缺陷在线检测系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4616864B2 (ja) * | 2007-06-20 | 2011-01-19 | 株式会社日立ハイテクノロジーズ | 外観検査方法及びその装置および画像処理評価システム |
-
2017
- 2017-08-09 CN CN201710676025.7A patent/CN107486415B/zh active Active
Patent Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007062563A1 (fr) * | 2005-12-01 | 2007-06-07 | Bohai Shipbuilding Industry Co., Ltd. | Procede d'examen automatique en ligne pour des detections de defauts de surface d'acier pendant le pretraitement de toles d'acier |
| KR20070077329A (ko) * | 2006-01-23 | 2007-07-26 | 삼성전자주식회사 | 자동 결함 분류 알고리즘 생성 방법 |
| KR20080060851A (ko) * | 2006-12-27 | 2008-07-02 | 이형우 | 목재표면의 결함검출방법 |
| CN101176872A (zh) * | 2007-11-30 | 2008-05-14 | 华南理工大学 | 基于机器视觉的物料实时检测及异物剔除系统 |
| CN102218406A (zh) * | 2011-01-04 | 2011-10-19 | 华南理工大学 | 一种基于机器视觉的手机外壳缺陷智能检测装置 |
| CN102353683A (zh) * | 2011-08-18 | 2012-02-15 | 北京优纳科技有限公司 | 一种基于机器视觉的电纸书外观及装配检测设备及检测方法 |
| CN202362253U (zh) * | 2011-11-28 | 2012-08-01 | 深圳市鹰眼在线电子科技有限公司 | 电池极片涂布质量在线视觉检测系统 |
| CN102879404A (zh) * | 2012-10-07 | 2013-01-16 | 复旦大学 | 工业结构化场景中医用胶囊缺陷自动检测的系统 |
| CN103198322A (zh) * | 2013-01-18 | 2013-07-10 | 江南大学 | 基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法 |
| CN103323526A (zh) * | 2013-05-30 | 2013-09-25 | 哈尔滨工业大学 | 一种基于超声相控阵和支持向量机的焊缝缺陷检测识别方法 |
| WO2015055060A1 (zh) * | 2013-10-16 | 2015-04-23 | 湖南镭目科技有限公司 | 一种连铸坯表面质量在线检测方法 |
| CN103785627A (zh) * | 2014-01-27 | 2014-05-14 | 河南科技大学 | 锂电池极片表面缺陷在线检测分拣系统及其分拣方法 |
| CN103901040A (zh) * | 2014-03-27 | 2014-07-02 | 华中科技大学 | 一种基于机器视觉的三维网状物缺陷在线检测系统 |
| CN104361352A (zh) * | 2014-11-13 | 2015-02-18 | 东北林业大学 | 基于压缩感知的实木板材缺陷分选方法 |
| 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 |
| CN104866862A (zh) * | 2015-04-27 | 2015-08-26 | 中南大学 | 一种带钢表面面积型缺陷识别分类的方法 |
| CN105740883A (zh) * | 2016-01-21 | 2016-07-06 | 南京大学 | 一种计算机中基于轮廓和纹理的对羽毛片进行分类的方法 |
| CN205581025U (zh) * | 2016-04-21 | 2016-09-14 | 厦门理工学院 | 一种精刨竹条视觉分拣分级检测系统 |
| CN105891233A (zh) * | 2016-05-26 | 2016-08-24 | 福州大学 | 基于机器视觉的镜片表面缺陷智能检测系统及其实现方法 |
| CN105973912A (zh) * | 2016-06-12 | 2016-09-28 | 合肥汉重智能装备有限公司 | 基于机器视觉的真皮表面缺陷检测系统及其检测方法 |
| CN205826553U (zh) * | 2016-06-29 | 2016-12-21 | 中航锂电（洛阳）有限公司 | 一种电池极片视觉检测系统 |
| CN106695792A (zh) * | 2017-01-05 | 2017-05-24 | 中国计量大学 | 基于机器视觉的码垛机器人跟踪监控系统及方法 |
| CN207238542U (zh) * | 2017-08-09 | 2018-04-17 | 中国计量大学 | 一种基于机器视觉的篾片缺陷在线检测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107486415A (zh) | 2017-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107486415B (zh) | 基于机器视觉的篾片缺陷在线检测系统及检测方法 | |
| CN109829914B (zh) | 检测产品缺陷的方法和装置 | |
| CN207238542U (zh) | 一种基于机器视觉的篾片缺陷在线检测系统 | |
| CN105388162B (zh) | 基于机器视觉的原料硅片表面划痕检测方法 | |
| CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
| CN110610141A (zh) | 一种物流仓储规则形状货物识别系统 | |
| CN109187553B (zh) | 一种基于机器视觉的变质鸡蛋在线智能识别方法 | |
| CN108287010A (zh) | 一种螃蟹多指标分级装置与方法 | |
| CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
| Abbas et al. | Automated sorting and grading of agricultural products based on image processing | |
| CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
| CN104952754B (zh) | 基于机器视觉的镀膜后硅片分选方法 | |
| CN112676195B (zh) | 基于线阵cmos相机的实木地板的颜色分选装置及方法 | |
| CN208059993U (zh) | 一种螃蟹多指标分级装置 | |
| Sidehabi et al. | The Development of Machine Vision System for Sorting Passion Fruit using Multi-Class Support Vector Machine. | |
| CN110458231B (zh) | 一种陶瓷产品检测方法、装置和设备 | |
| CN111739003B (zh) | 一种用于外观检测的机器视觉方法 | |
| CN111805541B (zh) | 一种基于深度学习的中药饮片净选装置及净选方法 | |
| CN113145473A (zh) | 一种水果智能分拣系统及方法 | |
| CN110614232A (zh) | 一种双孢蘑菇分级系统 | |
| Huang et al. | Mango surface defect detection based on HALCON | |
| CN113705487B (zh) | 精密工件识别及工艺参数关联系统以及识别方法 | |
| CN113610185B (zh) | 基于主色调识别的木材色选方法 | |
| CN205581025U (zh) | 一种精刨竹条视觉分拣分级检测系统 | |
| CN113947598A (zh) | 基于图像处理的塑料餐盒缺陷检测方法、装置及系统 |
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 |