CN107748897B - 基于模式识别的大尺寸弯曲零件轮廓度质量检测方法 - Google Patents

基于模式识别的大尺寸弯曲零件轮廓度质量检测方法 Download PDF

Info

Publication number
CN107748897B
CN107748897B CN201711036358.XA CN201711036358A CN107748897B CN 107748897 B CN107748897 B CN 107748897B CN 201711036358 A CN201711036358 A CN 201711036358A CN 107748897 B CN107748897 B CN 107748897B
Authority
CN
China
Prior art keywords
quality
bending
support vector
vector machine
qualified
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
CN201711036358.XA
Other languages
English (en)
Other versions
CN107748897A (zh
Inventor
方叶祥
钱庆
王洪冬
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.)
Nanjing Tech University
Original Assignee
Nanjing Tech University
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 Nanjing Tech University filed Critical Nanjing Tech University
Priority to CN201711036358.XA priority Critical patent/CN107748897B/zh
Publication of CN107748897A publication Critical patent/CN107748897A/zh
Application granted granted Critical
Publication of CN107748897B publication Critical patent/CN107748897B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于模式识别的大尺寸弯曲零件轮廓度质量检测方法，通过工业相机获取零件或产品的正投影试图；利用模式识别技术提取合格和不合格零件的弯曲特征作为训练样本；然后利用支持向量机进行样本训练，形成支持向量机分类器；然后输入待检测的零件弯曲特征进行质量判断；判断合格，进入下一道工序；判断不合格，需要进行校正处理，继续提取弯曲特征进入支持向量机分类器进行质量状态判断。本发明将模式识别与支持向量机用于零件弯曲质量检验，使得零件弯曲质量检验准确率高且效率高，无接触。

Description

基于模式识别的大尺寸弯曲零件轮廓度质量检测方法
技术领域
本发明涉及零件弯曲质量的检测方法，具体涉及一种基于模式识别的大尺寸弯曲零件轮廓度质量检测方法。
背景技术
现有大尺寸零件弯曲质量检测主要利用轮廓度作为质量指标，目前测量轮廓度方法无法实现测量准确率和测量效率两个目标同时实现，表现为传统的基于模具的测量时间短，但是准确率低，利用三坐标测量仪等精确测量工具，虽然准确率高，但是，耗时太长。本发明具有测量时间短和测量准确率高的优点。
发明内容
发明目的：本发明是为了解决现有技术的不足，提供一种在保障准确率的同时缩短检测时间：基于模式识别技术的大尺寸零件弯曲质量检测方法。
本发明采用的技术方案：一种基于模式识别的大尺寸弯曲零件轮廓度质量检测方法，它包括以下步骤：
通过工业相机获取零件或产品的正投影试图；
利用模式识别技术提取合格和不合格零件的弯曲特征作为训练样本；
然后利用支持向量机进行样本训练，形成支持向量机分类器；
然后输入待检测的零件弯曲特征进行质量判断；判断合格，进入下一道工序或入库；判断不合格，需要进行校正处理；
弯曲质量不合格产品，中断流程，校正处理之后，继续提取弯曲特征进入支持向量机分类器进行质量状态判断，判断合格后再进入下一道工序或入库。
作为优化，在上述步骤中，利用模式识别提取零件弯曲特征，其获取特征方便、花费时间短和检测准确率高。
所述的零件正投影视图即包含了零件的弯曲特征。
作为优化，利用机器学习算法-支持向量机良好的预测能力，将零件弯曲质量检测智能化。
有益效果：将支持向量机用于拉弯零件弯曲质量检测的方法行之有效，此外与传统测量方法相比保障准确率的同时极大了提高了效率。
附图说明
图1为本发明实施例的工业相机获取产品正投影视图。
图2为本发明实施例的对图像系列处理后效果图。
图3为本发明实施例的OpenCV软件进行内轮廓面内切圆识别图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
本实施例的基于模式识别技术大尺寸零件弯曲质量检测方法，它包括以下步骤：
通过工业相机获取其正投影视图，如图1所示：本实施例的工业相机获取产品正投影视图。
通过计算机对图像进行一系列的预处理，二值化、形态学处理、滤波除燥、边缘提取；如图2所示：本实施例的对图像系列处理后效果图。
利用OpenCV软件中的霍夫圆变换对零件图像进行内轮廓面内切圆识别，并输出圆心坐标和半径。如图3所示：本实施例的OpenCV软件进行内轮廓面内切圆识别图。
通过以上步骤获得零件弯曲的正负样本，然后利用支持向量机进行样本训练，形成支持向量机分类器；
输入待检测的零件弯曲特征进行质量判断；判断合格，进入下一道工序或入库；判断不合格，需要进行校正处理；
弯曲质量不合格产品，中断流程，校正处理之后，继续提取弯曲特征进入支持向量机分类器进行质量状态判断，判断合格后再进入下一道工序或入库。
通过本实施例获得的产品性能指标。
所用工具：
硬件：工业相机、计算机
软件：Python、OpenCV
某U型零件正投影视图，如图1所示，本实施例的工业相机获取产品正投影视图。
预处理操作：灰度化、二值化、形态学处理、滤波除燥、边缘提取；如图2所示：本实施例的对图像系列处理后效果图。
霍夫圆检测。
圆心位置、半径即唯一确定圆。图3为本发明实施例的OpenCV软件进行内轮廓面内切圆识别图。
训练集样本40组，1表示合格零件，-1表示不合格零件。格式为LibSvm要求格式。数据依次为圆心横坐标，圆心纵坐标，半径。
Figure BDA0001450636380000041
Figure BDA0001450636380000051
测试集样本30组：
Figure BDA0001450636380000052
Figure BDA0001450636380000061
Figure BDA0001450636380000071
虽然本发明通过实施例进行了描述，但实施例并非用来限定本发明。本领域技术人员可在本发明的精神的范围内，做出各种变形和改进，如果这种变形后的效果是可预测的，则其同样在本发明的保护范围之内。因此本发明的保护范围应当以本申请的权利要求相同或等同的技术特征所界定的保护范围为准。

Claims (1)

1.基于模式识别的大尺寸弯曲零件轮廓度质量检测方法，其特征在于，它包括以下步骤：
步骤一、通过工业相机获取零件或产品的正投影试图；利用Python和OpenCV软件通过对零件图像进行图像预处理，获取其弯曲特征；通过计算机对图像进行一系列的预处理，二值化、形态学处理、滤波除噪、边缘提取；
步骤二、利用模式识别技术提取合格和不合格零件的弯曲特征作为训练样本；在步骤二中，所述的零件弯曲特征是其弯曲内轮廓面的内切圆圆心位置和半径；利用模式识别技术获取图像上弯曲内轮廓面的内切圆圆心的位置和半径；
步骤三、然后利用支持向量机进行样本训练，形成支持向量机分类器；
步骤四、然后输入待检测的零件弯曲特征进行质量判断；判断合格，进入下一道工序或入库；判断不合格，需要进行校正处理；所述的零件正投影视图即包含了零件的弯曲特征；
步骤五、中断流程，校正处理之后，继续提取弯曲特征进入支持向量机分类器进行质量状态判断，判断合格后再进入下一道工序或入库；利用机器学习算法-支持向量机良好的预测能力，将零件弯曲质量检测智能化。
CN201711036358.XA 2017-10-30 2017-10-30 基于模式识别的大尺寸弯曲零件轮廓度质量检测方法 Active CN107748897B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711036358.XA CN107748897B (zh) 2017-10-30 2017-10-30 基于模式识别的大尺寸弯曲零件轮廓度质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711036358.XA CN107748897B (zh) 2017-10-30 2017-10-30 基于模式识别的大尺寸弯曲零件轮廓度质量检测方法

Publications (2)

Publication Number Publication Date
CN107748897A CN107748897A (zh) 2018-03-02
CN107748897B true CN107748897B (zh) 2021-06-29

Family

ID=61254165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711036358.XA Active CN107748897B (zh) 2017-10-30 2017-10-30 基于模式识别的大尺寸弯曲零件轮廓度质量检测方法

Country Status (1)

Country Link
CN (1) CN107748897B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109270067A (zh) * 2018-09-29 2019-01-25 格力电器（武汉）有限公司 设备外观的检测方法、装置和系统
CN109881356B (zh) * 2018-12-25 2021-03-16 西安工程大学 基于svm图像分类的袜机织针在线检测装置及方法
CN111102920A (zh) * 2019-12-18 2020-05-05 佛山科学技术学院 一种基于增强现实的机械组件质检方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003097929A (ja) * 2001-09-27 2003-04-03 Asahi Glass Co Ltd 湾曲板状体の形状検査方法および装置
CN103149215A (zh) * 2013-02-27 2013-06-12 中国计量学院 一种钢化玻璃绝缘子缺陷检测方法与装置
CN105783723A (zh) * 2016-04-26 2016-07-20 广东技术师范学院 基于机器视觉的精密模具表面加工精度检测装置及方法
CN106296679A (zh) * 2016-08-08 2017-01-04 武汉科技大学 一种确定直缝焊管焊接质量的方法
CN106546185A (zh) * 2016-10-18 2017-03-29 福州觉感视觉软件科技有限公司 一种基于机器视觉检测的轮廓质量检测方法
CN106952258A (zh) * 2017-03-23 2017-07-14 南京汇川图像视觉技术有限公司 一种基于梯度方向直方图的瓶口缺陷检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7783122B2 (en) * 2006-07-14 2010-08-24 Xerox Corporation Banding and streak detection using customer documents
CN102441581A (zh) * 2010-09-30 2012-05-09 邓玥 基于机器视觉的型钢断面尺寸在线检测的装置及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003097929A (ja) * 2001-09-27 2003-04-03 Asahi Glass Co Ltd 湾曲板状体の形状検査方法および装置
CN103149215A (zh) * 2013-02-27 2013-06-12 中国计量学院 一种钢化玻璃绝缘子缺陷检测方法与装置
CN105783723A (zh) * 2016-04-26 2016-07-20 广东技术师范学院 基于机器视觉的精密模具表面加工精度检测装置及方法
CN106296679A (zh) * 2016-08-08 2017-01-04 武汉科技大学 一种确定直缝焊管焊接质量的方法
CN106546185A (zh) * 2016-10-18 2017-03-29 福州觉感视觉软件科技有限公司 一种基于机器视觉检测的轮廓质量检测方法
CN106952258A (zh) * 2017-03-23 2017-07-14 南京汇川图像视觉技术有限公司 一种基于梯度方向直方图的瓶口缺陷检测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
基于 BP 神经网络的啤酒瓶口检测方法;郭克友 等;《食品科学技术学报》;20140731;第32卷(第4期);第69-72页 *
基于图像的轮廓度测量与评定;王仲 等;《光学精密工程》;20090228;第17卷(第2期);第395-401页 *
基于机器视觉的自由曲面轮廓度检测系统;年雷 等;《图像编码与软件》;20161015;第29卷(第10期);第104-106页 *
用微机辅助判别圆弧线轮廓度合格性;张裕泽;《计量技术》;19931231;第5页 *
郭克友 等.基于 BP 神经网络的啤酒瓶口检测方法.《食品科学技术学报》.2014,第32卷(第4期), *

Also Published As

Publication number Publication date
CN107748897A (zh) 2018-03-02

Similar Documents

Publication Publication Date Title
CN107798326B (zh) 一种轮廓视觉检测方法
CN106803244B (zh) 缺陷识别方法及系统
CN105067638B (zh) 基于机器视觉的轮胎胎膜表面字符缺陷检测方法
CN108764229B (zh) 一种基于计算机视觉技术的水尺图像自动识别方法
CN107941808B (zh) 基于机器视觉的3d打印成型质量检测系统及方法
CN106446894B (zh) 一种基于轮廓识别球型目标物位置的方法
CN107228860B (zh) 一种基于图像旋转周期特性的齿轮缺陷检测方法
CN109409355B (zh) 一种新型变压器铭牌识别的方法及装置
CN107748897B (zh) 基于模式识别的大尺寸弯曲零件轮廓度质量检测方法
CN105184792B (zh) 一种圆锯片磨损量在线测量方法
CN107388991B (zh) 一种端面多圆角轴类零件圆角半径测量方法
CN111027530B (zh) 基于轮胎压印字符识别的预处理方法
CN106504225A (zh) 一种规则多边形的识别方法和装置
CN106815830B (zh) 图像的缺陷检测方法
CN115937203A (zh) 一种基于模板匹配的视觉检测方法、装置、设备及介质
CN112712058A (zh) 一种字符识别提取方法
CN115619845A (zh) 一种自适应扫描文档图像倾斜角检测方法
CN107895166B (zh) 基于特征描述子的几何哈希法实现目标鲁棒识别的方法
CN110472651B (zh) 一种基于边缘点局部特征值的目标匹配与定位方法
WO2020114134A1 (zh) 一种识别金刚砂颗粒的视觉处理方法
CN115512381A (zh) 文本识别方法、装置、设备、存储介质及作业机械
Wankhede et al. A low cost surface strain measurement system using image processing for sheet metal forming applications
CN113705564B (zh) 一种指针式仪表识别读数方法
TW201601119A (zh) 物件辨識與定位方法
CN113888456B (zh) 一种基于轮廓的角点检测方法

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