CN108876777A - 一种风电叶片法兰端面特征尺寸的视觉检测方法及系统 - Google Patents
一种风电叶片法兰端面特征尺寸的视觉检测方法及系统 Download PDFInfo
- Publication number
- CN108876777A CN108876777A CN201810611229.7A CN201810611229A CN108876777A CN 108876777 A CN108876777 A CN 108876777A CN 201810611229 A CN201810611229 A CN 201810611229A CN 108876777 A CN108876777 A CN 108876777A
- Authority
- CN
- China
- Prior art keywords
- flange
- image
- face
- wind electricity
- electricity blade
- 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.)
- Pending
Links
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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种风电叶片法兰端面特征尺寸的视觉检测方法及系统。使检测效率、产品质量得到极大提高。检测系统包括视觉成像模块、图像预处理模块、尺寸检测模块、信息分析模块、信息输出模块以及信息存储模块,检测方法为通过相机采集法兰盘端面图像信息,应用Halcon图像处理软件对采集到的图像进行平滑滤波、几何变化以及阈值分割后,利用灰度分布特性提取需要处理的区域;再应用图像处理算法对风电叶片法兰端面的特征尺寸进行检测;应用计算机编程语言并参照检测任务设计可视化的人机交互界面,方便检测人员对风电叶片法兰端面进行实时的非接触的检测。
Description
技术领域
本发明属于机器视觉技术领域,特别是涉及一种风电叶片法兰端面特征尺寸的视觉检测方法及系统。
背景技术
近些年来,由于国民经济的持续高速发展使我国能源消耗呈现快速增长趋势,目前,我国已成为世界第一大能源消费国。由于我国化石燃料资源有限,人均占有量很低,国家经济发展和人民生活对能源的需求难以得到长期稳定的保障。因此,我国非常重视发展风能等可再生能源来弥补我国的能源缺口。自20世纪80年代发展以来,中国风能产业进入了高速发展的黄金时期。其得益于西藏、新疆、蒙古及沿海地区得天独厚的地理优势和政府对新能源产业的政策支持,如今中国已成为世界风电装机容量最大的国家。
风电叶片在运转过程中,同时承受着气动力、重力及离心力等复杂载荷的作用。叶根连接是复合材料风电叶片与风轮轮毂连接的唯一方式,作用在叶片上的载荷通过叶根连接传递到轮毂上。风电叶片端面与轮毂端面的法兰是叶根连接过程中重要的连接部件,为了保证法兰受力均匀和避免承受过度的应力,必须保证法兰端面上各特征尺寸的精度。特别是在建塔工程中,由于生产制造方法的局限性,很难让法兰达到精密的构造。当各个法兰搭建时,装配或焊接过程会让法兰产生应力和变形,法兰盘一旦出现较大变形,会为风电叶片的安装增加不小的难度。
现阶段多采用桁架式汽车起重吊车将风电设备吊挂在空中进行风力发电机组的安装。如果风电叶片连接法兰上螺栓孔的孔径或者中心位置偏差太大,会导致风电叶片与风轮轮毂的安装进度减缓甚至是失败。如果强行对叶片及轮毂进行安装,由于作用在叶片上的载荷均通过叶根连接传递到轮毂,叶片在运行过程中会出现较大抖动,不仅影响整个风机寿命,严重时更会造成安全事故。
因此精准的法兰测量可以保证风塔长期稳定的工作。现阶段各叶片生产厂商大都采用激光测量技术对法兰端面特征尺寸进行检测。这种检测方式需依靠检测人员手持激光测量仪对法兰进行检测,检测过程中往往需要其他检测人员参与协助。由于风电叶片与轮毂的法兰尺寸较大,采用激光测量的方式需要消耗检测人员大量的体力,而且检测效率较低。同时,激光检测中所用到的激光检测设备大都为国外进口产品(如瑞典的Easy-laserE910与德国的ProFlange50),其高昂的价格增加了叶片生产厂商的检测成本。
随着机器视觉技术以及计算机技术的高速发展,机器视觉检测在生产生活中的应用越来越多。机器视觉测量技术就是在检测时将被测对象的图像当作检测和传递信息的手段或载体,通过设计图像处理算法,结合相关软件模拟实现对物体二维几何量的测量。与其他测量技术相比,机器视觉测量技术在尺寸测量方面具有一定技术优势,其非接触式测量方式实现了测量工作的高效性和准确性。因此,设计一种基于机器视觉的风电叶片法兰端面特征尺寸检测系统及检测方法,利用机器视觉软件halcon和图像处理算法保证系统的可靠性、测量的时效性及准确性,实现风电叶片法兰端面特征尺寸检测的智能化,进而提高生产效率和产品质量,对社会生产起到积极促进作用。
发明内容
本发明的目的在于克服现有技术的不足,提供一种风电叶片法兰端面特征尺寸的视觉检测方法及系统。不仅能使检测效率、产品质量得到极大提高,还能降低检测人员的劳动强度。
本发明的目的是这样实现的:
一种风电叶片法兰端面特征尺寸在线检测方法,包括以下步骤:
S1、取光源、待检测的风电叶片法兰盘、相机、安装有机器视觉软件的计算机,并将光源、相机与待检测的风电叶片法兰盘按相机成像原理的位置摆放;
S2、利用标定板对相机进行标定,通过标定校正相机畸变,同时获得相机内部参数文件和相机位置参数;
S3、利用相机拍摄,获取风电叶片法兰端面的原始图像,记为Image0;
S4、利用机器视觉软件对采集到的风电叶片法兰端面的原始图像Image0进行预处理,得到图像Image6;
S5、运用area_center算子对Image6中所有螺栓孔面积及中心点位置进行检测,并利用面积与半径的转换公式,实现对螺栓孔半径的检测;在输出检测结果前,对Image6进行边缘提取,提取出图像中法兰端面上所有螺栓孔的边缘,将螺栓孔边缘构成的图像记作Image7;在输出检测结果时,用Image7中提取出的螺栓孔边缘标记被检测的螺栓孔,并采用disp_message算子将检测结果显示在图像Image0中;
S6、在Image6的基础上两次运用draw_rectangle1算子,以画矩形的方式确定任意相邻两个螺栓孔的图像,并经union2算子将选取的两个螺栓孔图像合并为一幅图像,记为Image8;在Image8的基础上运用distance_pp算子进行图像中相邻螺栓孔中心点之间距离的检测;运用write_string算子将检测结果显示在Image0中;
S7、应用fit_circle_contour_xld算子对S5中得到的所有螺栓孔中心点进行拟合,拟合采用的方法为algebraic法,同时,该算子在拟合过程中会得出拟合圆的圆心坐标点,再根据circularity_xld算子对拟合圆的圆形度进行检测,该步骤的检测结果通过write_string算子显示在图像Image0中;
S8、输出检测得到的螺栓孔孔径与中心点坐标、相邻螺栓孔间的距离以及所有螺栓孔的分布圆尺寸信息;同时,将检测获得的尺寸信息与风电叶片法兰端面的设计尺寸进行比对分析,进而判断所检测的法兰是否合格,并输出判断结果。
优选地,S1中,将光源、相机与待检测的风电叶片法兰盘固定放置于一密闭空间内,微调三者的位置与相机光圈,直至相机能够采集到法兰端面的高质量图像。
优选地,S1中,所述相机为数字工业相机。
优选地,所述机器视觉软件采用图像处理软件Halcon。
优选地,所述S4包括以下步骤:
S41、运用mean_image算子对Image0进行均值滤波,将滤光片的宽度及高度值均设为10,得到图像Image1;
S42、运用rgb1_to_gray算子对Image1进行灰度转换,得到图像Image2;
S43、运用emphasize算子对Image2进行对比度增强,对比度强调强度设为2,得到图像Image3;
S44、在Image3的基础上进行几何变化,运用gen_ellipse算子与gen_rectangle2算子,找出图像中的无关检测区域,运用difference算子将无关检测区域从图像中移除,仅保留风电叶片法兰端面上螺栓孔所在的圆环面的图像,将该图像记为Image4;
S45、应用threshold算子按照灰度级对Image4进行阈值分割,阈值选取范围为[0,0.5],通过阈值分割提取风电叶片法兰端面螺栓孔所在区域,从而构成图像Image5;
S46、运用closing_circle算子对Image5进行闭运算,对螺栓孔图像中可能存在的小沟或者坑洼进行填充,将闭运算后的图像记作Image6。
优选地,完成一次风电叶片法兰端面特征尺寸的检测之后,如需进行下一个目标工件的检测,在未改变光源、相机及风电叶片法兰盘摆放位置的情况下,直接从步骤S3开始检测。
优选地,在机器视觉软件的检测程序基础之上,将检测程序导出为C#语言,并参照风电叶片法兰端面上特征尺寸视觉检测的具体检测项目,在VS平台上将导出的C#语言编辑为可视化操作界面。
一种风电叶片法兰端面特征尺寸在线检测系统,包括视觉成像模块、图像预处理模块、尺寸检测模块、信息分析模块、信息输出模块以及信息存储模块,
所述视觉成像模块包括带镜头的相机、光源,用于采集风电叶片法兰端面的原始图像;
所述图像预处理模块用于完成对原始图像的预处理,预处理过程包括对原始图像进行均值滤波、灰度转换、几何变换及阈值分割;
所述尺寸检测模块用于对预处理后的法兰端面图像中的特征尺寸进行检测,检测项目包括螺栓孔孔径及中心点位置检测,相邻螺栓孔中心点之间距离检测,螺栓孔分布圆圆形度及分布圆中心点位置检测;
所述信息分析模块用于将检测模块检测得到的数字信息与风电叶片法兰端面待检测处的设计尺寸进行比较分析,在误差允许范围内判断检测到的法兰特征尺寸是否达到使用标准;
所述信息输出模块用于将检测得到的数字信息以及其经分析模块比较分析后的结果进行输出;
所述信息存储模块用于将检测得到的尺寸信息进行分类存储。
优选地,所述视觉成像模块还包括相机移动平台,实现相机的上下、左右移动及旋转,在采集图像的过程中可依据实际情况进行适当调整。
优选地,所述视觉成像模块中的光源为条形组合光源,所述条形组合光源由条形光源搭接成矩形框并采用直射照明的方式进行照明。
由于采用了上述技术方案,本发明具有如下有益效果:
发明中所述检测系统所采用的工业相机以及镜头,在市场上已有相应的成品,可以进行采购,无需定制。搭建的视觉成像系统具有结构简单,易于制造加工,生产成本低等优点。
与检测人员手持激光测量仪的检测方式相比,本发明中所述检测系统与检测方法在保证检测结果的准确性的前提下,不仅能使检测效率得到极大提高,还能降低检测人员的劳动强度。发明中所述检测系统与检测方法有利于实现风电叶片法兰端面特征尺寸的智能化检测,进而提高生产效率和产品质量,对社会生产起到积极促进作用。
附图说明
图1为螺栓孔孔径及中心点位置检测图;
图2为相邻螺栓孔中心点间距离检测图;
图3为螺栓孔分布圆圆形度及中心点位置检测图;
图4为可视化操作界面图;
图5为检测方法的检技术路线图;
图6为成像模块采集方案图。
具体实施方式
参见图5,一种风电叶片法兰端面特征尺寸在线检测方法,包括:
S1、打开成像模块中的光源,将光源、相机与待检测的风电叶片法兰盘按照相机成像原理进行位置摆放,微调三者的位置与相机光圈,直至相机能够采集到法兰端面的高质量图像。获取高质量的图像可以为后续的图像处理降低难度。确定好硬件设备的摆放位置后不能再对其位置做任何移动。
S2、利用标定板对成像模块中相机进行标定。通过标定校正相机畸变,同时获得的相机内部参数文件和相机位置参数,可以将后续测得的像素距离转化为物理距离。
S3、应用视觉成像模块获取风电叶片法兰端面的原始图像,记为Image0;
S4、应用图像处理软件Halcon对采集到的风电叶片法兰端面的原始图像进行预处理,具体包括:
S41、运用mean_image算子对Image0进行均值滤波,将滤光片的宽度及高度值均设为10,得到图像Image1;
S42、运用rgb1_to_gray算子对Image1进行灰度转换,得到图像Image2;
S43、运用emphasize算子对Image2进行对比度增强,对比度强调强度设为2,得到图像Image3;
S44、在Image3的基础上进行几何变化,运用gen_ellipse算子与gen_rectangle2算子,找出图像中的无关检测区域,运用difference算子将无关检测区域从图像中移除,仅保留风电叶片法兰端面上螺栓孔所在的圆环面的图像,将该图像记为Image4;
S45、应用threshold算子按照灰度级对Image4进行阈值分割,阈值选取范围为[0,0.5],通过阈值分割提取风电叶片法兰端面螺栓孔所在区域,从而构成图像Image5;
S46、运用closing_circle算子对Image5进行闭运算,对螺栓孔图像中可能存在的小沟或者坑洼进行填充,将闭运算后的图像记作Image6。
S5、运用area_center算子对Image6中所有螺栓孔面积及中心点位置进行检测,并利用面积与半径的转换公式,实现对螺栓孔半径的检测。在输出检测结果前,先对Image6进行边缘提取,提取出图像中法兰端面上所有螺栓孔的边缘,将螺栓孔边缘构成的图像记作Image7。在输出检测结果时,用Image7中提取出的螺栓孔边缘标记被检测的螺栓孔,并采用disp_message算子将检测结果显示在图像Image0中,检测结果示意图如图1所示。
S6、在Image6的基础上两次运用draw_rectangle1算子,以画矩形的方式确定任意相邻两个螺栓孔的图像,并经union2算子将选取的两个螺栓孔图像合并为一幅图像,记为Image8。在Image8的基础上运用distance_pp算子进行图像中相邻螺栓孔中心点之间距离的检测。运用write_string算子将检测结果显示在Image0中,检测结果如图2所示。
S7、应用fit_circle_contour_xld算子对(5)中得到的所有螺栓孔中心点进行拟合,拟合采用的方法为“algebraic”方法,这种拟合方法最小化了轮廓点和得到的圆之间的代数距离。同时,该算子在拟合过程中会得出拟合圆的圆心坐标点,再根据circularity_xld算子对拟合圆的圆形度进行检测。该步骤的检测结果同样通过write_string算子显示在图像Image0中,检测结果如图3所示。
S8、将检测得到的螺栓孔孔径与中心点坐标、相邻螺栓孔间的距离以及所有螺栓孔的分布圆尺寸信息通过信息输出模块进行输出。同时,将检测获得的尺寸信息与风电叶片法兰端面的设计尺寸进行比对分析,进而判断所检测的法兰是否合格,判断结果同样通过信息输出模块进行输出。
S9、完成一次风电叶片法兰端面特征尺寸的检测之后,可依据实际情况决定是否继续对下一个目标工件进行检测。如需进行下一个目标工件的检测,在未改变光源、相机及风电叶片法兰盘摆放位置的情况下,直接从步骤(3)开始检测即可。
需指出的是,本发明在视觉软件Halcon的检测程序基础之上,将检测程序导出为C#语言,并参照风电叶片法兰端面上特征尺寸视觉检测的具体检测项目,在VS平台上将导出的C#语言编辑为可视化操作界面,界面如图4所示。在实际检测时,该可视化操作界面可实现风电叶片法兰端面特征尺寸检测的一键式操作,可大大缩段检测时间,提高检测效率。同时,该检测方法可使检测结果达到亚像素级精度,满足风电叶片法兰安装的精度要求。
一种风电叶片法兰端面特征尺寸在线检测系统,具体由视觉成像模块、图像预处理模块、尺寸检测模块、信息分析模块、信息输出模块以及信息存储模块组成。其中,所述图像预处理模块、尺寸检测模块、信息分析模块、信息输出模块以及信息存储模块为计算机的功能模块
视觉成像模块用于采集风电叶片法兰端面的原始图像。成像模块由相机、镜头、相机移动平台及光源等要素组成,其中相机采用MV-CE100-31GC,光学镜头采用SA1620M-10MP。相机移动平台可实现相机的上下、左右移动及旋转,在采集图像的过程中可依据实际情况进行适当调整。成像模块中的光源为条形组合光源,由4根一米长的条形光源搭接成矩形框并采用直射照明的方式进行照明。成像模块中图像的采集方案如图6所示:
图像预处理模块用于完成对原始图像的预处理,预处理过程主要包括对原始图像进行均值滤波、灰度转换、几何变换及阈值分割等几大步骤。对原始图像进行预处理是为了消除图像中的无关信息,增强有关信息的可检测性和最大限度地简化数据,进而提高螺栓孔特征抽取的准确性。
尺寸检测模块用于对预处理后的法兰端面图像中的特征尺寸进行检测,检测项目包括螺栓孔孔径及中心点位置检测,相邻螺栓孔中心点之间距离检测,螺栓孔分布圆圆形度及分布圆中心点位置检测。
信息分析模块将检测模块检测得到的数字信息与风电叶片法兰端面待检测处的设计尺寸进行比较分析,在误差允许范围内判断检测到的法兰特征尺寸是否达到使用标准。
信息输出模块用于将检测得到的数字信息以及其经分析模块比较分析后的结果进行输出。
信息存储模块用于将检测得到的尺寸信息进行分类存储,在检测数量较多的情况下,以便对数据的抽取检验。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (10)
1.一种风电叶片法兰端面特征尺寸在线检测方法,其特征在于,包括以下步骤:
S1、取光源、待检测的风电叶片法兰盘、相机、安装有机器视觉软件的计算机,并将光源、相机与待检测的风电叶片法兰盘按相机成像原理的位置摆放;
S2、利用标定板对相机进行标定,通过标定校正相机畸变,同时获得相机内部参数文件和相机位置参数;
S3、利用相机拍摄,获取风电叶片法兰端面的原始图像,记为Image0;
S4、利用机器视觉软件对采集到的风电叶片法兰端面的原始图像Image0进行预处理,得到图像Image6;
S5、运用area_center算子对Image6中所有螺栓孔面积及中心点位置进行检测,并利用面积与半径的转换公式,实现对螺栓孔半径的检测;在输出检测结果前,对Image6进行边缘提取,提取出图像中法兰端面上所有螺栓孔的边缘,将螺栓孔边缘构成的图像记作Image7;在输出检测结果时,用Image7中提取出的螺栓孔边缘标记被检测的螺栓孔,并采用disp_message算子将检测结果显示在图像Image0中;
S6、在Image6的基础上两次运用draw_rectangle1算子,以画矩形的方式确定任意相邻两个螺栓孔的图像,并经union2算子将选取的两个螺栓孔图像合并为一幅图像,记为Image8;在Image8的基础上运用distance_pp算子进行图像中相邻螺栓孔中心点之间距离的检测;运用write_string算子将检测结果显示在Image0中;
S7、应用fit_circle_contour_xld算子对S5中得到的所有螺栓孔中心点进行拟合,拟合采用的方法为algebraic法,同时,该算子在拟合过程中会得出拟合圆的圆心坐标点,再根据circularity_xld算子对拟合圆的圆形度进行检测,该步骤的检测结果通过write_string算子显示在图像Image0中;
S8、输出检测得到的螺栓孔孔径与中心点坐标、相邻螺栓孔间的距离以及所有螺栓孔的分布圆尺寸信息;同时,将检测获得的尺寸信息与风电叶片法兰端面的设计尺寸进行比对分析,进而判断所检测的法兰是否合格,并输出判断结果。
2.根据权利要求1所述的一种风电叶片法兰端面特征尺寸在线检测方法,其特征在于,S1中,将光源、相机与待检测的风电叶片法兰盘固定放置于一背景单一的空间内,微调三者的位置与相机光圈,直至相机能够采集到法兰端面的高质量图像。
3.根据权利要求1所述的一种风电叶片法兰端面特征尺寸在线检测方法,其特征在于,S1中,所述相机为数字工业相机。
4.根据权利要求1所述的一种风电叶片法兰端面特征尺寸在线检测方法,其特征在于,所述机器视觉软件采用图像处理软件Halcon。
5.根据权利要求1所述的一种风电叶片法兰端面特征尺寸在线检测方法,其特征在于,所述S4包括以下步骤:
S41、运用mean_image算子对Image0进行均值滤波,将滤光片的宽度及高度值均设为10,得到图像Image1;
S42、运用rgb1_to_gray算子对Image1进行灰度转换,得到图像Image2;
S43、运用emphasize算子对Image2进行对比度增强,对比度强调强度设为2,得到图像Image3;
S44、在Image3的基础上进行几何变化,运用gen_ellipse算子与gen_rectangle2算子,找出图像中的无关检测区域,运用difference算子将无关检测区域从图像中移除,仅保留风电叶片法兰端面上螺栓孔所在的圆环面的图像,将该图像记为Image4;
S45、应用threshold算子按照灰度级对Image4进行阈值分割,阈值选取范围为[0,0.5],通过阈值分割提取风电叶片法兰端面螺栓孔所在区域,从而构成图像Image5;
S46、运用closing_circle算子对Image5进行闭运算,对螺栓孔图像中可能存在的小沟或者坑洼进行填充,将闭运算后的图像记作Image6。
6.根据权利要求1所述的一种风电叶片法兰端面特征尺寸在线检测方法,其特征在于,完成一次风电叶片法兰端面特征尺寸的检测之后,如需进行下一个目标工件的检测,在未改变光源、相机及风电叶片法兰盘摆放位置的情况下,直接从步骤S3开始检测。
7.根据权利要求1所述的一种风电叶片法兰端面特征尺寸在线检测方法,其特征在于,在机器视觉软件的检测程序基础之上,将检测程序导出为C#语言,并参照风电叶片法兰端面上特征尺寸视觉检测的具体检测项目,在VS平台上将导出的C#语言编辑为可视化操作界面。
8.一种风电叶片法兰端面特征尺寸在线检测系统,其特征在于:包括视觉成像模块、图像预处理模块、尺寸检测模块、信息分析模块、信息输出模块以及信息存储模块,
所述视觉成像模块包括带镜头的相机、光源,用于采集风电叶片法兰端面的原始图像;
所述图像预处理模块用于完成对原始图像的预处理,预处理过程包括对原始图像进行均值滤波、灰度转换、几何变换及阈值分割;
所述尺寸检测模块用于对预处理后的法兰端面图像中的特征尺寸进行检测,检测项目包括螺栓孔孔径及中心点位置检测,相邻螺栓孔中心点之间距离检测,螺栓孔分布圆圆形度及分布圆中心点位置检测;
所述信息分析模块用于将检测模块检测得到的数字信息与风电叶片法兰端面待检测处的设计尺寸进行比较分析,在误差允许范围内判断检测到的法兰特征尺寸是否达到使用标准;
所述信息输出模块用于将检测得到的数字信息以及其经分析模块比较分析后的结果进行输出;
所述信息存储模块用于将检测得到的尺寸信息进行分类存储。
9.根据权利要求1所述的一种风电叶片法兰端面特征尺寸在线检测方法,其特征在于,所述视觉成像模块还包括相机移动平台,实现相机的上下、左右移动及旋转,在采集图像的过程中可依据实际情况进行适当调整。
10.根据权利要求1所述的一种风电叶片法兰端面特征尺寸在线检测方法,其特征在于,所述视觉成像模块中的光源为条形组合光源,所述条形组合光源由条形光源搭接成矩形框并采用直射照明的方式进行照明。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810611229.7A CN108876777A (zh) | 2018-06-14 | 2018-06-14 | 一种风电叶片法兰端面特征尺寸的视觉检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810611229.7A CN108876777A (zh) | 2018-06-14 | 2018-06-14 | 一种风电叶片法兰端面特征尺寸的视觉检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108876777A true CN108876777A (zh) | 2018-11-23 |
Family
ID=64338212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810611229.7A Pending CN108876777A (zh) | 2018-06-14 | 2018-06-14 | 一种风电叶片法兰端面特征尺寸的视觉检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108876777A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109613621A (zh) * | 2019-02-01 | 2019-04-12 | 东莞中科蓝海智能视觉科技有限公司 | 零件装配检测识别方法 |
CN110095473A (zh) * | 2019-06-04 | 2019-08-06 | 哈尔滨理工大学 | 一种风电叶片表面缺陷检测系统 |
CN111023993A (zh) * | 2019-12-25 | 2020-04-17 | 贵阳航发精密铸造有限公司 | 一种涡轮工作叶片榫齿轮廓检测方法及专用定位装置 |
CN111242894A (zh) * | 2019-12-30 | 2020-06-05 | 芜湖哈特机器人产业技术研究院有限公司 | 一种水泵叶轮叶片视觉识别方法 |
CN111275665A (zh) * | 2019-12-19 | 2020-06-12 | 华中科技大学 | 一种基于视觉的叶片磨抛加工振动检测系统及方法 |
CN111426281A (zh) * | 2018-12-21 | 2020-07-17 | 核动力运行研究所 | 大尺寸法兰密封面柔性三维自动测量系统及方法 |
CN114147475A (zh) * | 2021-12-10 | 2022-03-08 | 航天科技控股集团股份有限公司 | 基于人机交互式六轴机器人和螺丝供给机的螺丝拧紧系统 |
CN114331945A (zh) * | 2020-09-30 | 2022-04-12 | 北京理工大学 | 一种基于多局部图像的大型法兰装配对位方法 |
WO2022088399A1 (zh) * | 2020-10-27 | 2022-05-05 | 华能新能源股份有限公司河北分公司 | 一种转动部件高强度螺栓状态监测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7689969B1 (en) * | 2005-01-18 | 2010-03-30 | The Mathworks, Inc. | Obfuscation of automatically generated code |
CN102141380A (zh) * | 2010-12-28 | 2011-08-03 | 天津钢管集团股份有限公司 | 非接触测量钢管管端尺寸图象处理方法 |
CN103115577A (zh) * | 2013-01-25 | 2013-05-22 | 上海理工大学 | 一种基于机器视觉的光纤尺寸测量算法 |
CN105588517A (zh) * | 2016-02-26 | 2016-05-18 | 浙江工业大学 | 一种基于机器视觉的法兰直径测量装置 |
CN106780445A (zh) * | 2016-11-30 | 2017-05-31 | 北京兆维智能装备有限公司 | 一种基于3d成像技术的lcm组件外形缺陷检测方法 |
-
2018
- 2018-06-14 CN CN201810611229.7A patent/CN108876777A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7689969B1 (en) * | 2005-01-18 | 2010-03-30 | The Mathworks, Inc. | Obfuscation of automatically generated code |
CN102141380A (zh) * | 2010-12-28 | 2011-08-03 | 天津钢管集团股份有限公司 | 非接触测量钢管管端尺寸图象处理方法 |
CN103115577A (zh) * | 2013-01-25 | 2013-05-22 | 上海理工大学 | 一种基于机器视觉的光纤尺寸测量算法 |
CN105588517A (zh) * | 2016-02-26 | 2016-05-18 | 浙江工业大学 | 一种基于机器视觉的法兰直径测量装置 |
CN106780445A (zh) * | 2016-11-30 | 2017-05-31 | 北京兆维智能装备有限公司 | 一种基于3d成像技术的lcm组件外形缺陷检测方法 |
Non-Patent Citations (3)
Title |
---|
左东祥 等: ""基于HALCON的刹车片尺寸和表面缺陷检测系统"", 《电子科技》 * |
王文成: ""基于Halcon的齿轮缺陷检测系统设计"", 《机械传动》 * |
许桢英 等: ""基于Halcon的电连接器壳体零件孔径快速精密测量"", 《制造业自动化》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111426281A (zh) * | 2018-12-21 | 2020-07-17 | 核动力运行研究所 | 大尺寸法兰密封面柔性三维自动测量系统及方法 |
CN109613621A (zh) * | 2019-02-01 | 2019-04-12 | 东莞中科蓝海智能视觉科技有限公司 | 零件装配检测识别方法 |
CN110095473A (zh) * | 2019-06-04 | 2019-08-06 | 哈尔滨理工大学 | 一种风电叶片表面缺陷检测系统 |
CN111275665A (zh) * | 2019-12-19 | 2020-06-12 | 华中科技大学 | 一种基于视觉的叶片磨抛加工振动检测系统及方法 |
CN111023993A (zh) * | 2019-12-25 | 2020-04-17 | 贵阳航发精密铸造有限公司 | 一种涡轮工作叶片榫齿轮廓检测方法及专用定位装置 |
CN111242894A (zh) * | 2019-12-30 | 2020-06-05 | 芜湖哈特机器人产业技术研究院有限公司 | 一种水泵叶轮叶片视觉识别方法 |
CN111242894B (zh) * | 2019-12-30 | 2022-12-16 | 芜湖哈特机器人产业技术研究院有限公司 | 一种水泵叶轮叶片视觉识别方法 |
CN114331945A (zh) * | 2020-09-30 | 2022-04-12 | 北京理工大学 | 一种基于多局部图像的大型法兰装配对位方法 |
WO2022088399A1 (zh) * | 2020-10-27 | 2022-05-05 | 华能新能源股份有限公司河北分公司 | 一种转动部件高强度螺栓状态监测方法及系统 |
CN114147475A (zh) * | 2021-12-10 | 2022-03-08 | 航天科技控股集团股份有限公司 | 基于人机交互式六轴机器人和螺丝供给机的螺丝拧紧系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876777A (zh) | 一种风电叶片法兰端面特征尺寸的视觉检测方法及系统 | |
CN106683089B (zh) | 一种带约束配准的杆塔变形检测方法 | |
CN106845011B (zh) | 一种大型燃气轮机叶片数字射线分区探测方法 | |
Yang et al. | Deep learning‐based bolt loosening detection for wind turbine towers | |
CN109900713A (zh) | 摄像引导的无人机风电叶片缺陷动态检测系统及其方法 | |
WO2023045299A1 (zh) | 基于三维轮廓的路面技术状况检测方法及设备 | |
CN105045950A (zh) | 一种基于三维激光扫描的桥梁安全评估系统 | |
CN101625723A (zh) | 电力线轮廓的快速图像识别方法 | |
CN107764198B (zh) | 发动机动静叶片轴向间隙光投影测量装置和方法 | |
CN111862013B (zh) | 基于深度卷积神经网络的绝缘子检测方法、装置及设备 | |
CN105973148A (zh) | 基于机器视觉的笔头外观尺寸标准化检测系统 | |
Wang et al. | An effective defect detection method based on improved Generative Adversarial Networks (iGAN) for machined surfaces | |
CN112766194A (zh) | 一种海洋中尺度涡检测方法 | |
CN108844961A (zh) | 一种温控器壳体视觉检测系统及方法 | |
CN110503638A (zh) | 螺旋胶质量在线检测方法 | |
Zou et al. | Automatic segmentation, inpainting, and classification of defective patterns on ancient architecture using multiple deep learning algorithms | |
CN108986160A (zh) | 一种含有镜面反射光干扰的图像激光中心线提取方法 | |
CN114693617A (zh) | 一种铁路钢轨缺陷检测方法、系统、设备及存储介质 | |
Yang et al. | Crack identification of automobile steering knuckle fluorescent penetrant inspection based on deep convolutional generative adversarial networks data enhancement | |
CN111311668B (zh) | 一种基于卷积神经网络的清水混凝土表面气孔分析方法 | |
CN107907049A (zh) | 一种微小模数齿轮的测量方法 | |
CN115758496A (zh) | 一种面向叶片三维测量的视点规划方法及系统 | |
Ren et al. | Research and application of label defect detection method based on machine vision | |
CN113486809A (zh) | 一种矿区影响边界识别方法 | |
Liang et al. | An Automatic Measurement Method of Test Beam Response Based on Spliced Images |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181123 |
|
RJ01 | Rejection of invention patent application after publication |