CN108332689B - 一种检测表面粗糙度和表面损伤的光学测量系统及方法 - Google Patents

一种检测表面粗糙度和表面损伤的光学测量系统及方法 Download PDF

Info

Publication number
CN108332689B
CN108332689B CN201810125920.4A CN201810125920A CN108332689B CN 108332689 B CN108332689 B CN 108332689B CN 201810125920 A CN201810125920 A CN 201810125920A CN 108332689 B CN108332689 B CN 108332689B
Authority
CN
China
Prior art keywords
scattering
image
value
damage
surface roughness
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
CN201810125920.4A
Other languages
English (en)
Other versions
CN108332689A (zh
Inventor
郭瑞鹏
边栋梁
王海涛
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 University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201810125920.4A priority Critical patent/CN108332689B/zh
Publication of CN108332689A publication Critical patent/CN108332689A/zh
Application granted granted Critical
Publication of CN108332689B publication Critical patent/CN108332689B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
    • G01B11/303—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces using photoelectric detection means
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined

Landscapes

  • Physics & Mathematics (AREA)
  • General 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)
  • Immunology (AREA)
  • Pathology (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提供了一种检测表面粗糙度和表面损伤的光学测量系统及方法，方法为：将准直激光束斜入射到被测工件表面；按固定的采样方式移动被测工件，拍摄激光束反射方向上的散射图像和工件表面垂直方向上的斑点图像；根据斑点图像灰度值判断是否有表面损伤；如存在损伤，根据斑点图像中的直线状图样所占像素数识别出损伤尺寸；采集没有表面损伤时的散射图像，从中提取出散射特征参数、亮点比或亮点灰度比，利用预先拟合得到的特征参数和表面粗糙度关系曲线或训练好的神经网络或支持向量机模型，计算粗糙度数值。本发明能够同时检测工件表面粗糙度和表面损伤两种特性参数，使用的采样方式可提高表面损伤的检出率，从而保证产品质量和提高生产率。

Description

一种检测表面粗糙度和表面损伤的光学测量系统及方法
技术领域
本发明涉及一种检测表面粗糙度和表面损伤的光学测量系统及方法，应用于较光滑金属工件表面粗糙度和表面损伤的检测。
背景技术
工件的表面质量对产品的质量、性能和寿命有着重要影响。不仅影响其摩擦、密封、磨损、润滑等机械性能，还影响其导电、导热、腐蚀等物理化学性能。表面粗糙度是衡量工件表面质量的关键参数之一。此外，工件在加工过程中出现的微裂纹、微划痕等表面损伤，会对表面质量产生影响。因此，需要找到一种方法，实现表面粗糙度和表面损伤的检测，从而保证产品质量。
目前，对于表面质量的检测一般可分为接触式和非接触式两种。前者由于与表面接触容易引起表面划伤，并且具有速度慢、不能应用于振动、运动场合等缺点；后者则不会对表面造成损伤，尤其是基于光学原理的测量方法具有精度高、快速等特点，更适合应用于在线测量场合。
Brodmann等提出了光学散射特征值来表征被测物体表面上反射光和散射光的离散程度。王世华等使用该散射特征参数研制了表面粗糙度测量装置。但这种方法的测量装置相对比较复杂，而且计算时只是利用了一条线上的信息。吴春亚等利用机器视觉系统采集工件表面经过显微镜所成的图像，并利用BP神经网络得到了表面粗糙度。该方法对光源的要求比较高，不太适用于工业现场的测量。对于表面损伤的检测，目前常用的是基于机器视觉的光学检测方法，使用光源照明，采集被测工件表面图像进行处理以实现对表面损伤的检测。该方法的测量结果容易受到现场环境光的影响，分辨率不高，检测速度较慢，而且对照明光源的要求较高。王红军等发明了一种表面缺陷检测方法，根据第一入射光(白光)入射到被测件表面形成的散射光确定存在缺陷的区域，再利用第二入射光(激光)形成的第二散射光实现缺陷的高精度检测。该检测方法能够在短时间内获得高分辨率的检测结果，但检测装置需要两个光源，结构相对比较复杂。
综上，现有技术对表面粗糙度和表面损伤的检测都存在着不足，且目前对于两者的检测都是相对独立的，绝大多数检测方法只能针对其中的一个参数进行检测，还没有相关报道能够同时检测出这两种表面特性参数。
发明内容
发明目的：本发明的目的是针对上述现有技术的不足，提供一种检测表面粗糙度和表面损伤的光学测量系统及方法，以实现较光滑金属工件表面粗糙度和表面损伤的同时检测，从而保证产品质量。
技术方案：本发明为实现上述目的，采用如下技术方案：
一种检测表面粗糙度和表面损伤的光学测量系统，包括：
准直激光器，用于发出准直激光束，所述激光器以设定的角度斜射到被测工件表面；
采集屏，用于采集携带有表面特性参数信息的空间光散射分布，位于激光束反射方向上，且高度与激光器高度一致；
拍摄成像模块，包括第一相机和第二相机，所述第一相机位于激光束反射方向上，用于拍摄采集屏上的散射图像；所述第二相机位于被测工件表面激光照射光斑正上方，用于拍摄激光斑点图像；
图像分析处理模块，与拍摄成像模块相连，用于计算表面粗糙度数值和表面损伤尺寸，包括：
表面粗糙度计算单元，用于对散射图像进行处理提取散射特征参数、亮点比或亮点灰度比中的至少一个特征参数，并据此基于预先拟合得到的相应特征参数与粗糙度数值关系曲线计算表面粗糙度数值，或者将三个特征参数输入预先训练好的支持向量机模型或神经网络模型中得到表面粗糙度数值；以及
表面损伤识别单元，用于对斑点图像进行处理，根据斑点图像灰度值与无表面损伤的标准斑点图像灰度值的差值情况判断是否存在表面损伤，以及根据斑点图像中的直线状图样所占像素数识别表面损伤尺寸；
以及，移动载物台，用于承载被测工件并按照设定的采样方式带动被测工件在前后左右四个方向移动。
作为优选，所述移动载物台按照回型采样和随机采样相结合的方式移动被测工件。
作为优选，所述表面粗糙度计算单元中，所述关系曲线是通过标准粗糙度样块的散射图像的特征参数和已知的粗糙度数值进行曲线拟合得到的；所述支持向量机模型或神经网络模型是根据标准粗糙度样块的散射图像的散射特征参数、亮点比、亮点灰度比和已知的粗糙度数值训练得到的。
作为优选，所述表面粗糙度计算单元在表面损伤识别单元输出不存在表面损伤时，再进行表面粗糙度计算。
作为优选，所述散射特征参数根据如下公式计算得到：
其中，n是长轴方向散射线上的像素数目，Ii是长轴方向散射线上第i个像素的灰度值，Pi是长轴方向散射线上第i个像素归一化的灰度值，是长轴方向散射线上灰度数值的平均值，k是常数；其中长轴方向为散射图像中狭长光带的主方向，长轴方向散射线是通过计算垂直于长轴方向上不同位置处的灰度平均值得到的。
本发明另一方面提供的一种检测表面粗糙度和表面损伤的光学测量方法，包括如下步骤：
(1)将准直激光束以设定的角度斜入射到被测工件表面；
(2)按固定的采样方式移动被测工件，拍摄激光束反射方向上的散射图像和工件表面垂直方向上的激光斑点图像；
(3)计算斑点图像灰度值，与无表面损伤时的标准斑点图像灰度值相比较，如果两者之差超过阈值，则可判断出存在表面损伤；如果存在损伤，根据斑点图像中的直线状图样所占像素数识别出损伤尺寸；
(4)采集没有表面损伤时的散射图像，从中提取出散射图像的散射特征参数、亮点比和亮点灰度比三个特征参数中的至少一个，利用预先拟合得到特征参数和表面粗糙度之间的关系曲线，计算粗糙度数值；或者将三个特征参数输入预先训练好的支持向量机模型或神经网络模型中得到表面粗糙度数值。
作为优选，所述采样方式为回型采样和随机采样相结合的采样方式。
有益效果：本发明与现有技术相比，有益效果体现在：
1、本发明使用两个相机分别拍摄激光束入射到工件表面后在空间的光散射图像和激光斑点图像，能够同时检测工件表面粗糙度和表面损伤两种特性参数；
2、本发明采用回型采样和随机采样结合的方式，可提高表面损伤的检出率；
3、本发明结构简单，操作方便，成本较低，测量速度快，应用于在线检测的前景好。
附图说明
图1为本发明实施例公开的测量系统示意图。
图2为本发明实施例中采样方式示意图。
图3为本发明实施例中存在不同宽度表面划痕时的斑点图。图(a)-(e)中表面划痕宽度分别为0.2mm，0.4mm，0.6mm，0.8mm和1mm。
图4为本发明实施例中不同表面粗糙度的空间散射分布图。图(a)-(f)中表面粗糙度数值分别为0.025μm、0.05μm、0.1μm、0.2μm、0.4μm和0.8μm。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明实施例公开的一种检测表面粗糙度和表面损伤的光学测量系统，主要由准直激光器1、采集屏2、拍摄成像模块(包括第一相机3、第二相机4)、图像分析处理模块(图中未示意)和移动载物台5组成。
所述的准直激光器1发出准直激光束，以设定的角度(如30°)入射到被测工件表面。激光器的输出为：波长λ＝632.8nm，功率5mW。
所述的采集屏2为透射式硬质毛玻璃，放在反射方向上，采集携带有金属表面特性参数信息的空间光散射分布，且采集屏高度与激光器高度一致。
所述的拍摄成像模块，用于拍摄采集屏上的散射图像以及激光斑点图像；其中第一相机3位于激光束反射方向上，用于拍摄采集屏上的散射图像；第二相机4位于工件表面激光照射光斑正上方，搭配显微镜头，用于拍摄激光斑点图像。第一相机3和第二相机4均可采用500万像素的黑白相机。
所述的图像分析处理模块，与拍摄成像模块相连，用于对散射图像进行处理提取特征参数，并据此计算表面粗糙度数值；以及对斑点图像进行处理，判断和识别表面损伤。具体包括：表面粗糙度计算单元，用于对散射图像进行处理提取散射特征参数、亮点比或亮点灰度比中的至少一个特征参数，并据此基于预先拟合得到的相应特征参数与粗糙度数值关系曲线计算表面粗糙度数值，或者将三个特征参数输入预先训练好的支持向量机模型或神经网络模型中得到表面粗糙度数值；以及表面损伤识别单元，用于计算斑点图像灰度值与无表面损伤的标准斑点图像灰度值的差值情况来判断是否存在表面损伤，以及根据斑点图像中的直线状图样所占像素数识别表面损伤尺寸。
所述的移动载物台5，用于承载被测工件并带动被测工件在前后左右四个方向移动。可采用卓立汉光公司的DSM25S-6565E和DSM100S-65140L两个平移台组合形成。通过旋转精研丝杠上的旋钮来驱动载有工件的台面，按照规定的采样方式移动。
本发明另一实施例提供的一种检测表面粗糙度和表面损伤的光学测量方法，包括如下步骤：
步骤1、将激光束以设定的角度(30°)斜入射到被测工件表面；
步骤2、按固定的采样方式移动被测工件，拍摄激光束反射方向上的散射图像和工件表面垂直方向上的激光斑点图像；
所述的采用方式如图2所示，为回型采样和随机采样相结合的方式。图2中圆点表示回型采样点，每个采样点之间的间隔固定；星状点表示随机采样点，采样点的位置随机。
所述的散射图像是步骤1中的激光束入射到工件表面发生反射和散射，在空间所形成的呈带状分布的散射图像。
所述的斑点图像是步骤1中的准直激光器入射到工件表面的圆形光斑，该光斑能够照亮工件表面一定范围的区域。
步骤3、根据斑点图像判断是否有表面损伤；如果存在损伤(如划痕)，识别出损伤尺寸(如划痕宽度)；
所述的对表面损伤的判断，根据斑点图像灰度值来判断。计算斑点图像灰度值(整幅图象灰度值之和)，与无表面损伤时的标准斑点图像灰度值相比较，如果两者之差超过阈值，则可判断出存在表面损伤。
所述的对表面损伤尺寸(如划痕宽度)的识别，根据斑点图像中出现的直线状图样所占像素数(本例中从有表面损伤的斑点图像中去除无表面损伤的标准斑点图像中的亮点区域后，剩下亮点区域所占像素，即认为直线状图样所占像素)来进行识别。直线状图样所占像素数和划痕宽度之间的关系，使用具有特定宽度划痕的样件测量得到。如：本实施例定制的表面划痕宽度分别为0.2mm，0.4mm，0.6mm，0.8mm和1mm。图3为相应的存在不同宽度表面划痕时的斑点图。
步骤4、采集没有表面损伤时的散射图像，经过预处理、寻找长轴、短轴等一系列处理过程，从中提取出特征参数，利用特征参数和表面粗糙度之间的关系曲线，计算粗糙度数值。所述的长轴和短轴是引用数学中对椭圆长短轴的定义，狭长的散射光带主方向为长轴，相应的与其垂直的方向为短轴。首先，对采集的散射图像进行去噪预处理，然后寻找散射光带主方向。主方向即为长轴。
所述的特征参数有三个，分别是散射特征参数、亮点比和亮点灰度比。这三个参数都是在对散射图像进行预处理后根据一定的算法计算得到的。
所述的散射特征参数S按照如下步骤得到：首先，分别计算垂直于长轴方向上不同位置处的灰度平均值，得到沿长轴方向的一条散射线，该散射线上不同位置对应的灰度值是该位置处短轴方向上灰度的平均值；其次，沿着上步得到的长轴方向的散射线计算散射特征参数：
其中，n是散射线上的像素数目，Ii是散射线上第i个像素的灰度值，Pi是第i个像素归一化的灰度值，是散射线上灰度数值的平均值，k是和测量装置有关的常数，本例中k可取为1。
所述的亮点比和亮点灰度比按照如下步骤得到：根据散射图像的直方图确定阈值，阈值以下的像素点为暗点，灰度值设为零；阈值以上的像素点为亮点，灰度值保持不变。对应亮点的数目和整幅图像采样点的数目之比为亮点比。对应亮点的灰度值之和与整幅图像灰度值之和的比值为亮点灰度比。
所述的关系曲线，使用标准粗糙度样块测量得到。选择已知粗糙度数值的标准样块进行测量，分别提取特征参数，根据每个特征参数随粗糙度数值的变化情况，分别进行曲线拟合，得到各个特征参数和表面粗糙度之间的关系曲线。
本实施例选用的是符合GB6060.2-85标准的平面磨削加工粗糙度标准样块，对应的粗糙度数值分别为：Ra＝0.025μm、0.05μm、0.1μm、0.2μm、0.4μm、0.8μm。图4为相应表面粗糙度的空间散射分布图。
本实施例中确定各个特征参数和表面粗糙度之间的关系曲线时，每个样块采集25幅图像，求得各个特征参数的平均值。以粗糙度数值为横坐标，各个特征参数的平均值为纵坐标，列出各个特征参数随粗糙度数值的变化情况，并分别进行曲线拟合，得到散射特征参数S、亮点比BPR和亮点灰度比BGR和粗糙度Ra之间的表达式分别为：
S＝117847.26+99198.31*(1-exp(-46.53Ra))+27087.09*(1-exp(-2.47Ra)) R2＝0.99962
其中，R为相关系数。
本实施例中使用散射图像的散射特征参数、亮点比和亮点灰度比三个特征参数中的至少一个，利用预先拟合得到的相应特征参数和表面粗糙度之间的关系曲线计算表面粗糙度数值。
本实施例中特征参数和表面粗糙度之间的关系也可通过建立合适的神经网络模型或支持向量机模型等途径获得。可通过获取不同粗糙度样块的散射图像的相应三个特征参数，建立合适的支持向量机模型或神经网络模型，基于样本图像的三个特征参数和相应的标准样块表面粗糙度数值对模型参数进行训练得到最优模型。测量时，将提取的三个特征参数输入最优模型即可得到被测工件的表面粗糙度值。
上述检测表面粗糙度和表面损伤的光学测量系统实施例可以用于执行上述检测表面粗糙度和表面损伤的光学测量方法实施例，其技术原理、所解决的技术问题及产生的技术效果相似，检测表面粗糙度和表面损伤的光学测量系统的具体工作过程及有关说明，可以参考检测表面粗糙度和表面损伤的光学测量方法实施例中的对应过程。

Claims (6)

1.一种检测表面粗糙度和表面损伤的光学测量系统，其特征在于，包括：
准直激光器，用于发出准直激光束，所述激光器以设定的角度斜射到被测工件表面；
采集屏，用于采集携带有表面特性参数信息的空间光散射分布，位于激光束反射方向上，且高度与激光器高度一致；
拍摄成像模块，包括第一相机和第二相机，所述第一相机位于激光束反射方向上，用于拍摄采集屏上的散射图像；所述第二相机位于被测工件表面激光照射光斑正上方，用于拍摄激光斑点图像；
图像分析处理模块，与拍摄成像模块相连，用于计算表面粗糙度数值和表面损伤尺寸，包括：
表面粗糙度计算单元，用于对散射图像进行处理提取散射特征参数、亮点比或亮点灰度比中的至少一个特征参数，并据此基于预先拟合得到的相应特征参数与粗糙度数值关系曲线计算表面粗糙度数值，或者将三个特征参数输入预先训练好的支持向量机模型或神经网络模型中得到表面粗糙度数值；以及
表面损伤识别单元，用于对斑点图像进行处理，根据斑点图像灰度值与无表面损伤的标准斑点图像灰度值的差值情况判断是否存在表面损伤，以及根据斑点图像中的直线状图样所占像素数识别表面损伤尺寸；
以及，移动载物台，用于承载被测工件并按照设定的采样方式带动被测工件在前后左右四个方向移动；
所述散射特征参数根据如下公式计算得到：
其中，n是长轴方向散射线上的像素数目，Ii是长轴方向散射线上第i个像素的灰度值，Pi是长轴方向散射线上第i个像素归一化的灰度值，是长轴方向散射线上灰度数值的平均值，k是常数；其中长轴方向为散射图像中狭长光带的主方向，长轴方向散射线是通过计算垂直于长轴方向上不同位置处的灰度平均值得到的；
所述亮点比为亮点的数目和整幅图像采样点的数目之比，亮点灰度比为亮点的灰度值之和与整幅图像灰度值之和的比值。
2.根据权利要求1所述的检测表面粗糙度和表面损伤的光学测量系统，其特征在于，所述移动载物台按照回型采样和随机采样相结合的方式移动被测工件。
3.根据权利要求1所述的检测表面粗糙度和表面损伤的光学测量系统，其特征在于，所述表面粗糙度计算单元中，所述关系曲线是通过标准粗糙度样块的散射图像的特征参数和已知的粗糙度数值进行曲线拟合得到的；所述支持向量机模型或神经网络模型是根据标准粗糙度样块的散射图像的散射特征参数、亮点比、亮点灰度比和已知的粗糙度数值训练得到的。
4.根据权利要求1所述的检测表面粗糙度和表面损伤的光学测量系统，其特征在于，所述表面粗糙度计算单元在表面损伤识别单元输出不存在表面损伤时，再进行表面粗糙度计算。
5.一种检测表面粗糙度和表面损伤的光学测量方法，其特征在于，包括如下步骤：
(1)将准直激光束以设定的角度斜入射到被测工件表面；
(2)按固定的采样方式移动被测工件，拍摄激光束反射方向上的散射图像和工件表面垂直方向上的激光斑点图像；
(3)计算斑点图像灰度值，与无表面损伤时的标准斑点图像灰度值相比较，如果两者之差超过阈值，则可判断出存在表面损伤；如果存在损伤，根据斑点图像中的直线状图样所占像素数识别出损伤尺寸；
(4)采集没有表面损伤时的散射图像，从中提取出散射图像的散射特征参数、亮点比和亮点灰度比三个特征参数中的至少一个，利用预先拟合得到的特征参数和表面粗糙度之间的关系曲线，计算粗糙度数值；或者将三个特征参数输入预先训练好的支持向量机模型或神经网络模型中得到表面粗糙度数值；
所述散射特征参数根据如下公式计算得到：
其中，n是长轴方向散射线上的像素数目，Ii是长轴方向散射线上第i个像素的灰度值，Pi是长轴方向散射线上第i个像素归一化的灰度值，是长轴方向散射线上灰度数值的平均值，k是常数；其中长轴方向为散射图像中狭长光带的主方向，长轴方向散射线是通过计算垂直于长轴方向上不同位置处的灰度平均值得到的；
所述亮点比为亮点的数目和整幅图像采样点的数目之比，亮点灰度比为亮点的灰度值之和与整幅图像灰度值之和的比值。
6.根据权利要求5所述的检测表面粗糙度和表面损伤的光学测量方法，其特征在于，所述采样方式为回型采样和随机采样相结合的采样方式。
CN201810125920.4A 2018-02-08 2018-02-08 一种检测表面粗糙度和表面损伤的光学测量系统及方法 Active CN108332689B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810125920.4A CN108332689B (zh) 2018-02-08 2018-02-08 一种检测表面粗糙度和表面损伤的光学测量系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810125920.4A CN108332689B (zh) 2018-02-08 2018-02-08 一种检测表面粗糙度和表面损伤的光学测量系统及方法

Publications (2)

Publication Number Publication Date
CN108332689A CN108332689A (zh) 2018-07-27
CN108332689B true CN108332689B (zh) 2019-12-20

Family

ID=62927226

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810125920.4A Active CN108332689B (zh) 2018-02-08 2018-02-08 一种检测表面粗糙度和表面损伤的光学测量系统及方法

Country Status (1)

Country Link
CN (1) CN108332689B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111183351A (zh) * 2018-09-11 2020-05-19 合刃科技（深圳）有限公司 图像传感器表面缺陷检测方法及检测系统
CN109632808B (zh) * 2018-12-05 2021-11-09 深圳大学 棱边缺陷检测方法、装置、电子设备及存储介质
CN109539991A (zh) * 2019-01-25 2019-03-29 吉林大学 轨道车辆轴端接地装置磨损量回转式检测系统
CN110006924B (zh) * 2019-04-18 2021-06-29 西安工业大学 一种光学元件表面微小缺陷二维轮廓的检测方法
CN110174356B (zh) * 2019-04-23 2021-10-26 南京航空航天大学 一种透明窗模拟装置
GB201908806D0 (en) * 2019-06-19 2019-07-31 Signature Robot Ltd Surface recognition
CN111336956A (zh) * 2020-02-17 2020-06-26 南京航空航天大学 一种在线测量工件表面粗糙度的光学测量系统及方法
CN113324497B (zh) * 2020-02-28 2022-08-12 中芯国际集成电路制造（天津）有限公司 一种平整度检测方法、装置、找平系统及存储介质
CN111156932B (zh) * 2020-03-10 2021-08-27 凌云光技术股份有限公司 一种镜面材料平整度检测装置
CN112414945B (zh) * 2021-01-25 2021-04-06 深圳宜美智科技股份有限公司 基于图像检测的钻孔缺陷检测方法及钻孔缺陷检测设备
CN113838055B (zh) * 2021-11-29 2022-02-22 惠民万顺节能新材料有限公司 一种冷轧板表面粗糙度的均匀性检测系统及方法
CN114280156B (zh) * 2021-12-28 2022-10-21 杭州电子科技大学 一种基于激光超声的亚表面裂纹长度和深度测量方法
CN114754706A (zh) * 2022-04-11 2022-07-15 广东机电职业技术学院 机械零件加工表面粗糙度在线检测方法及系统
CN115661120B (zh) * 2022-11-14 2023-03-10 江西捷锐机电设备有限公司 一种用于数控金钢线剖锭机的切割质量检测方法
CN116343359B (zh) * 2023-02-16 2023-10-31 唐山三友化工股份有限公司 一种工业生产异常行为态势检测方法及系统
CN116740462B (zh) * 2023-07-05 2024-03-15 北京科技大学 一种基于特征增强的单分支粗糙度检测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103615992B (zh) * 2013-11-15 2017-03-22 南京航空航天大学 一种微孔内表面粗糙度的检测方法及其装置
CN104007087B (zh) * 2014-05-13 2016-07-13 北京大学 一种透明平整片状基底表面的金纳米材料计数方法
CN108351310B (zh) * 2015-10-28 2021-05-18 日本碍子株式会社 蜂窝结构体的端面检查方法以及端面检查装置

Also Published As

Publication number Publication date
CN108332689A (zh) 2018-07-27

Similar Documents

Publication Publication Date Title
CN108332689B (zh) 一种检测表面粗糙度和表面损伤的光学测量系统及方法
CN102288613B (zh) 一种灰度和深度信息融合的表面缺陷检测方法
CN111006608B (zh) 透明板材通孔视觉检测系统及方法
US11238303B2 (en) Image scanning method for metallic surface and image scanning system thereof
CN1313821C (zh) 光滑表面疵病的自动化检测方法及其系统
US20160025644A1 (en) Method and system for optically inspecting a manufactured part at a single inspection station having a measurement axis
CN109969736A (zh) 一种大型运载皮带跑偏故障智能检测方法
CN101221134A (zh) 计算机视觉技术检测微小轴承表面缺陷的方法及其装置
CN104697998A (zh) 抛光的宝石中的夹杂物检测
CN105067639A (zh) 一种光栅调制的镜片疵病自动检测装置和方法
CN106052586A (zh) 基于机器视觉的石材大板表面轮廓尺寸获取系统及方法
CN102538672A (zh) 一种基于cmos机器视觉零件尺寸测量系统及测量检验方法
CN107561091A (zh) 一种斜射式实木板材表面裂纹的检测系统和检测方法
CN102175692A (zh) 织物坯布疵点快速检测系统及方法
CN112001917A (zh) 一种基于机器视觉的圆形有孔零件形位公差检测方法
CN106289325A (zh) 一种气泡水平仪自动检测系统
CN116678826A (zh) 一种基于快速立体重建的外观缺陷检测系统及方法
CN110873718A (zh) 基于机器视觉的钢板表面缺陷检测系统及方法
CN107764204A (zh) 基于光片显微镜的三维表面形貌仪及三维图像拼接方法
Lin et al. Defect detection system for optical element surface based on machine vision
CN108333191B (zh) 基于暗场扫描和机器视觉的光学双场平面体快速检测设备
US11657495B2 (en) Non-lambertian surface inspection system using images scanned in different directions
CN212207156U (zh) 光源模块、浮法玻璃在线缺陷检测装置
JP3905741B2 (ja) 光学部材検査方法
CN114755236A (zh) 一种回转曲面电镀件表面缺陷的检测系统及方法

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