CN109509170A - 一种压铸件缺陷检测方法及装置 - Google Patents
一种压铸件缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN109509170A CN109509170A CN201811056776.XA CN201811056776A CN109509170A CN 109509170 A CN109509170 A CN 109509170A CN 201811056776 A CN201811056776 A CN 201811056776A CN 109509170 A CN109509170 A CN 109509170A
- Authority
- CN
- China
- Prior art keywords
- die casting
- defect
- image
- characteristic
- algorithm
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 200
- 238000004512 die casting Methods 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000007689 inspection Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000002708 enhancing effect Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 25
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000005266 casting Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 claims 1
- 238000001914 filtration Methods 0.000 claims 1
- 238000011002 quantification Methods 0.000 claims 1
- 230000002950 deficient Effects 0.000 abstract description 4
- 230000004044 response Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000007306 turnover Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004660 morphological change Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Abstract
本发明公开了一种压铸件缺陷检测方法及装置，通过采集具有缺陷特征的压铸件图片，对缺陷图片进行去噪、增强处理，用缺陷图片训练深度卷积网络Alexnet，对缺陷图片进行分类、建立对应的语义标签并存储到缺陷特征库，实时对压铸件进行缺陷跟踪，当检测到具有缺陷的压铸件时，反馈给检测装置并统计检测数据、生成压铸件缺陷检测报告。本发明提高了压铸件缺陷检测效率和精度，且准确率高，速度快，实时性好，能快速准确的找到有缺陷的压铸件。
Description
技术领域
本发明涉及质量检测技术领域，尤其是指一种压铸件缺陷检测方法及装置，可读储存介质及计算机控制系统。
背景技术
压铸件质量检测作为压铸件后处理阶段的重要组成部分，其检测效率和质量直接关系到最终产品的质量。传统的压铸件质量检测方法是对压铸件表面缺陷进行检测，一般为人工检测，人工检测是静态的局部的检测方法，只能对特定的点和位置进行检测和测量，为了提高测量精度和准度，往往需要多个工人多次进行测量求取平均值。检测过程中完全依靠工人自己去搬运铸件，根据工人测得的结果对产品进行分级分类。且人工检测检测效率低，检测环境恶劣，容易受工人主观因素影响。随着工业技术的发展，基于机器视觉的自动化缺陷检测设备应运而生，但是，当前基于视觉缺陷检测方法还处于初步发展阶段，检测技术还不成熟，缺陷检测方法体系也不完整。尤其是在压铸件缺陷检测行业，由于压铸件表面的缺陷特征千奇百怪，可能出现油污、刮痕、飞边、毛刺等不同的缺陷特征，在检测过程中，不同的缺陷特征可能相互干扰，导致误测，比如需要检测的缺陷特征是比较明显的毛刺，可能会将带有油污特征的压铸件也一并归入检测结果。
发明内容
针对上述背景技术中的问题，提供了一种压铸件缺陷检测方法，可快速精确的检测出大批量压铸件的表面缺陷，从而评估压铸件的生产质量。
本发明所述的一种压铸件缺陷检测方法，包括：
S1获取实际生产中压铸件的缺陷图像数据；
S2提取所述缺陷图像中的缺陷特征；
S3对所述缺陷特征进行分类；
S4对各种所述缺陷特征的分类建立对应的语义标签；
S5将所述缺陷特征以及对应的语义标签存入特征数据库；
S6拍摄压铸件表面的视频图像，并转化为图片数据；
S7利用核相关滤波器跟踪算法对所述图片数据进行跟踪，以所述特征数据库中的缺陷特征为标准缺陷特征，记录跟踪到的所述图片数据中具有的标准缺陷特征；
S8统计所述图片数据的标准缺陷特征数据及不同的标准缺陷特征所占的比例。
缺陷图像：为工业相机拍摄获取的压铸件表面缺陷视频或图片。
缺陷特征：为缺陷图像中识别出的压铸件表面的缺陷特征。
语义标签：便于搜索的结构和特征定义标签。
特征数据库：用以存储压铸件缺陷图像和缺陷特征语义标签的数据库。
本发明通过采集压铸件缺陷特征并分类存入数据库，在缺陷检测过程中采用核相关滤波器跟踪算法记录压铸件具有的数据库中的缺陷特征的方法，可以快速准确地找到有缺陷的压铸件，提高了压铸件缺陷检测效率和精度，且准确率高，速度快，实时性好。
具体地，以所述特征数据库中的缺陷特征为标准缺陷特征的步骤包括：输入需要检测的压铸件缺陷名称，在特征数据库中搜索与之匹配的缺陷特征，将搜索到的缺陷特征作为所述标准缺陷特征。
特征数据库中的缺陷特征已经过分类建立语义标签，在缺陷检测过程中以需要检测的压铸件缺陷名称作为搜索关键词，将搜索到的缺陷特征作为标准缺陷特征，与待检测的压铸件缺陷特征进行对比分析，可提高检测效率，有针对性的对某一缺陷特征进行检测。
进一步地，在对所述缺陷特征进行分类前，使用小波去噪算法和图像增强技术处理缺陷图像中的缺陷特征；其中，所述小波去噪算法包括用非线性小波变换阈值法对压铸件的缺陷图像进行去噪处理，用伸缩和平移运算操作对压铸件图像进行多尺度细化分析，自动适应处于不同类型压铸件及光照环境的要求，显示压铸件的局部特征；所述图像增强技术包括用对数图像增强算法，区分压铸件图像的缺陷和背景。
压铸件表面图像往往表现为多尺度特征，经过小波变换后，能得到不同分辨率的图像，不同分辨率的图像由代表不同方向信息的频率子带图像构成。
进一步地，所述用非线性小波变换阈值法对压铸件的缺陷图像进行去噪处理的步骤包括：选择小波基和小波分解层数对压铸件的缺陷图像进行小波变换，得到相应的小波分解系数，对于每个小波分解层，自适应的选择一个阈值，将分解得到的高频系数进行阈值量化，根据小波分解后的低频系数和阈值量化处理后的高频系数进行小波逆变换，再利用重构算法进行小波重构，得到去噪后的信号。
进一步地，对所述缺陷特征进行分类，对各种所述缺陷特征的分类建立对应的语义标签的步骤包括：将所述缺陷图像输入Alexnet卷积神经网络中进行训练，采用反向传播算法求得损失函数f(χ,b)的最小值，其中χ为权重值，b为偏置，采用sigmoid函数作为激活函数，通过多梯度下降迭代法更新权重值求得最优权重值，根据不同的缺陷特征输入相对应的权重值{χ1,χ2,…χn}，浅层提取压铸件缺陷的初步特征，深层提取压铸件缺陷的细节特征，训练卷积网络模型后，对压铸件缺陷特征分类，在深度卷积网络的末端用softmax分类器标记各类压铸件缺陷特征，建立对应的语义标签。
将压铸件缺陷特征进行分类并建立语义标签，便于后续缺陷检测过程中搜索对应缺陷特征，及对检测到的缺陷特征进行分类统计，以输出检测结果。
进一步地，所述利用核相关滤波器跟踪算法对所述图片数据进行跟踪的步骤包括：通过对压铸件缺陷跟踪目标区域进行循环移位，构造密集样本训练分类器，计算候选区域与跟踪目标的相似程度，选取相似度最大的候选区域为新的跟踪目标，利用离散傅里叶变换降低分类器训练和检测过程中的运算量。
采用核相关滤波器跟踪算法可以对边缘信息形态学变化，使其变得更加清晰，达到增强压铸件缺陷特征边缘特征的目的，经过边缘形态学加强的图像可以更好地描述压铸件的局部细节，可以消除外界环境如光源、遮挡等对压铸件图像的影响。
进一步地，所述核相关滤波器跟踪算法为基于自适应的核相关滤波器跟踪算法，其步骤包括：通过对分类器进行更新来调整当前帧的权重值，将目标进行分块，计算每个分块的PSR值，自适应改变每个局部块对目标位置的权重。
在对压铸件进行跟踪的过程中，压铸件的表面可能会随着某些环境因素如光照的变化而变化，这有可能使追踪准确性降低，而自适应的核相关滤波器跟踪算法可避免出现这种情况，提高跟踪效果，避免外界干扰。
本发明还提供一种压铸件缺陷检测装置，包括：
用于获取实际生产中压铸件的缺陷图像数据的装置；
用于提取所述缺陷图像中的缺陷特征的装置；
用于对所述缺陷特征进行分类的装置；
用于对各种所述缺陷特征的分类建立对应的语义标签的装置；
用于将所述缺陷特征以及对应的语义标签存入特征数据库的装置；
用于拍摄压铸件表面的视频图像的装置及将其转化为图片数据的装置；
用于通过核相关滤波器跟踪算法对所述图片数据进行跟踪的装置，及记录跟踪到的所述图片数据中具有的标准缺陷特征的装置；
用于统计所述图片数据的标准缺陷特征数据及不同的标准缺陷特征所占的比例的装置。
进一步地，本发明还提供一种可读储存介质，其上储存有控制程序，其特征在于：该控制程序被处理器执行时实现如上述任意一项所述的压铸件缺陷检测方法。
进一步地，本发明还提供一种计算机控制系统，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的控制程序，其特征在于：所述处理器执行所述控制程序时实现如上述任意一项所述的压铸件缺陷检测方法。
为了能更清晰的理解本发明，以下将结合附图说明阐述本发明的具体实施方式。
附图说明
图1为本发明实施例的一种压铸件缺陷检测方法流程图。
图2为基于自适应的核相关滤波器跟踪算法流程图。
具体实施方式
请参阅图1，其为本发明实施例的一种压铸件缺陷检测方法流程图。
本发明所述的一种压铸件缺陷检测方法，包括：
S1获取实际生产中压铸件的缺陷图像数据；
S2提取所述缺陷图像中的缺陷特征；
S3对所述缺陷特征进行分类；
S4对各种所述缺陷特征的分类建立对应的语义标签；对于模糊类的缺陷用M表示，油污和水渍都属于模糊类缺陷，可以用MY和MS表示,其他类型的缺陷以此类推；
S5将所述缺陷特征以及对应的语义标签存入特征数据库；
S6拍摄压铸件表面的视频图像，并转化为图片数据；
S7利用核相关滤波器跟踪算法对所述图片数据进行跟踪，以所述特征数据库中的缺陷特征为标准缺陷特征，记录跟踪到的所述图片数据中具有的标准缺陷特征；
S8统计所述图片数据的标准缺陷特征数据及不同的标准缺陷特征所占的比例。
本发明通过采集压铸件缺陷特征并分类存入数据库，在缺陷检测过程中采用核相关滤波器跟踪算法记录压铸件具有的数据库中的缺陷特征的方法，可以快速准确地找到有缺陷的压铸件，提高了压铸件缺陷检测效率和精度，且准确率高，速度快，实时性好。
具体地，以所述特征数据库中的缺陷特征为标准缺陷特征的步骤包括：输入需要检测的压铸件缺陷名称，在特征数据库中搜索与之匹配的缺陷特征，将搜索到的缺陷特征作为所述标准缺陷特征。
进一步地，在对所述缺陷特征进行分类前，使用小波去噪算法和图像增强技术处理缺陷图像中的缺陷特征；其中，所述小波去噪算法包括用非线性小波变换阈值法对压铸件的缺陷图像进行去噪处理，用伸缩和平移运算操作对压铸件图像进行多尺度细化分析，自动适应处于不同类型压铸件及光照环境的要求，显示压铸件的局部特征；所述图像增强技术包括用对数图像增强算法，区分压铸件图像的缺陷和背景。
进一步地，所述用非线性小波变换阈值法对压铸件的缺陷图像进行去噪处理的步骤包括：选择小波基和小波分解层数对压铸件的缺陷图像进行小波变换，得到相应的小波分解系数，对于每个小波分解层，自适应的选择一个阈值，将分解得到的高频系数进行阈值量化，根据小波分解后的低频系数和阈值量化处理后的高频系数进行小波逆变换，再利用重构算法进行小波重构，得到去噪后的信号。
进一步地，对所述缺陷特征进行分类，对各种所述缺陷特征的分类建立对应的语义标签的步骤包括：将所述缺陷图像输入Alexnet卷积神经网络中进行训练，采用反向传播算法求得损失函数f(χ,b)的最小值，其中χ为权重值，b为偏置，采用sigmoid函数作为激活函数，通过多梯度下降迭代法更新权重值求得最优权重值，根据不同的缺陷特征输入相对应的权重值{χ1,χ2,…χn}，浅层提取压铸件缺陷的初步特征，深层提取压铸件缺陷的细节特征，卷积神经网络的层数根据具体的缺陷来设置，诸如划痕、毛刺等这类缺陷特征比较明显的缺陷，可用较少层次的卷积神经网络，而对于色差、油污这类缺陷特征不明显的缺陷，可使用较多层次的卷积神经网络。训练卷积网络模型后，对压铸件缺陷特征分类，在深度卷积网络的末端用softmax分类器标记各类压铸件缺陷特征，建立对应的语义标签。
将处理后的压铸件缺陷图片输入到深度卷积网络对缺陷特征进行分类，本发明采用类似于AlexNet神经网络模型作为训练压铸件缺陷特征的模型。AlexNet由5个卷基层、三个全连接层以及一个softmax分类器组成。采用非饱和非线性函数ReLU函数作为激活函数，通过线性修正强制某些数据为0，使得该网络模型具备稀疏性，从而在训练过程中能快速收敛。在部分神经网络层采用局部响应归一化随机删除以及重叠池化等操作来解决过拟合问题，在对压铸件图片进行卷积操作后再进行池化操作，使得压铸件图像在平移、旋转后具有更好的稳定性，然后通过重叠池化的方式避免过拟合。此卷积网络在运行训练时采用两个GPU并行训练策略，可加快训练速度。
在对参数的训练过程中，学习冲量更新率设置为0.9，参数权值衰减率设为0.0005，然后根据更新规则公式：wi+1＝wi+vi+1来进行迭代训练，其中i表示迭代的次数，v是更新冲量，ε是学习率，是训练Di(第i个batch)时目标函数关于w的方向导数在wi的值。每层网络的权值(weights)都用标准差为0.01的零均值高斯分布来初始化，而2、4、5卷积层的偏置(biases)，以及全连接层的偏置，都用1来初始化，其他的偏置用0来初始化，这样的初始化方式加速了训练过程。Softmax分类器能同时对不同的压铸件缺陷进行分类。
将压铸件缺陷图片输入到已训练好的Alexnet网络，在网络的末端通过softmax分类器对压铸件缺陷特征进行分类，最后将分类好的缺陷特征贴上相应的语义标签，存入特征数据库。
进一步地，所述核相关滤波器跟踪算法(KCF)为：通过对压铸件缺陷跟踪目标区域进行循环移位，构造密集样本训练分类器，计算候选区域与跟踪目标的相似程度，选取相似度最大的候选区域为新的跟踪目标，利用离散傅里叶变换降低分类器训练和检测过程中的运算量。在第t帧中，在当前位置Pt附近采样，训练一个回归器。该回归器能计算一个小窗口采样的响应；在t+1帧中，在前一帧位置Pt附近采样，用所述回归器判断每个采样的响应，将响应最强的采样作为本帧位置Pt+1。在追踪过程中采用线性回归训练提高追踪速度。利用梯度方向直方图特征(HOG)作为压铸件缺陷局部方向梯度，压铸件图像中像素位置(x,y)的水平与竖直方向的梯度定义为：
在缺陷检测过程中，为避免外界条件对压铸件图片的影响，对梯度强度做归一化处理。KCF跟踪器用梯度直方图特征作为目标的特征表示，HOG特征用边缘的方向密度分布或梯度直方图表示，将目标灰度图划分成多元胞组，计算每个元胞中的方向梯度直方图，将每个元胞进行统计生成目标图像的描述。由于缺陷检测过程中压铸件可能受光照或遮挡的影响，HOG特征对压铸件局部边缘区域更加敏感。KCF跟踪器用固定的系数线性更新分类器系数，更新参数无法自适应的改变。
为避免缺陷检测过程中因光照等环境因素造成的追踪不准确的问题，本实施例提供一种自适应调节方案。
所述核相关滤波器跟踪算法为基于自适应的核相关滤波器跟踪算法，其步骤包括：通过对分类器进行更新来调整当前帧的权重值，将目标进行分块，计算每个分块的PSR值，自适应改变每个局部块对目标位置的权重。
对压铸件图像采用Canny边缘信息，对边缘信息形态学变化，使其变得更加清晰，达到增强压铸件缺陷特征边缘特征的目的，经过边缘形态学加强的图像可以更好地描述压铸件的局部细节，可以消除外界环境如光源、遮挡等对压铸件图像的影响。PSR定义为其中ui和δi分别为最大响应位置周围区域响应值的均值和标准差，β为调节系数，根据实际情况设置。用上述PSR值作为判断是否更新的判据，可以在自适应的改变更新次数。
请参阅图2，其为基于自适应的核相关滤波器跟踪算法流程图。
Step 1：从图像处理计算机输入待检测的压铸件缺陷特征名称,图像处理计算机从缺陷特征数据库进行搜索，寻找到对应的缺陷特征，并返回给图像处理计算机。
Step 2:工业摄像机从工作台拍摄压铸件表面视频图像，并将视频图像实时传输到图像处理计算机，初始化各参数，将视频数据转化为图片。
Step 3：利用核相关滤波器跟踪算法对压铸件缺陷进行跟踪。
Step 3.1:将待检测的压铸件缺陷特征输入多特征核相关跟踪器，并判断当前帧是否为第一帧，如果是，则转到第Step 3.2，否则转到第Step 3.3.
Step 3.2：追踪压铸件视频文件，通过高斯核映射和循环矩阵密集采样，快速训练正则化岭回归分类器，求得权重系数
Step 3.3：计算响应值，并更新位置，响应值利用公式计算，其中⊙表示向量或矩阵元素对应相乘， 表示表观。
Step 3.4：设置调节系数为β(参数可以根据实际情况设置)，计算更新率参数PSR，然后根据更新率参数自适应的更新分类器。
Step 3.5：判断视频数据是否跟踪完毕，若已跟踪完毕，将追踪到的缺陷目标输入信息处理系统，若没结束，则继续进行迭代更新。
Step 4:根据收集到的压铸件缺陷检测数据统计合格率及各类缺陷所占的比例等，生成并输出压铸件质量检测报告。
在本实施例中的一种压铸件缺陷检测方法，首先通过位于传送带上的工业摄像机获取待检测压铸件表面实时视频数据，传输到图像处理计算机，图像计算机对视频数据进行处理使其转化为图片，然后对图片按照一定的采样频率进行采样，将采样后的图片进行非线性小波变换阈值法去噪以及用缺陷特征增强算法对压铸件的缺陷图片进行图像增强处理。
在实际生产过程中，当对某一压铸件进行某种缺陷的检测时，从缺陷特征数据库获取相关的缺陷特征数据作为标准缺陷特征。工业相机向图像处理计算机输送视频数据之前，也需经过上述小波去噪算法和图像增强技术处理操作得到实时图片帧数据。对处理过的图片帧采用基于自适应的核相关滤波器跟踪算法追踪目标缺陷的过程如下：
获取已处理的压铸件图像的梯度直方图特征，提取压铸件图像的Canny边缘特征，对边缘特征进行形态学变化，将形态学变化后的边缘特征与原图像叠加，达到边缘增强的效果。输入待检测的压铸件缺陷特征名称，并判断当前图像是否为第一帧，如果是，则利用待检测的压铸件缺陷特征和目标位置对正则化最小二乘分类器进行训练，计算响应值，更新图像帧数，通过公式获得更新次数参数，再自适应的更新分类器，如果当前图像不是第一帧，则直接计算响应值更新位置。最后判断压铸件图片是否读取完毕，若已经读取完毕，则终止程序，否则继续迭代更新。
当某一帧压铸件图片具有某一类型的缺陷，则记录下有缺陷特征的压铸件数量和缺陷特征类型，在所有压铸件都检测完毕后，统计压铸件合格率。
目标跟踪是当前计算机视觉领域非常前沿的研究方向。随着计算机技术及信息处理技术的发展，目标跟踪的应用越来越广泛，涉及军事、国防、工业、医疗、农业等众多领域，由于其广泛的应用前景和潜在的经济价值，目标跟踪已经成为一项重要的技术。本发明提出的一种压铸件缺陷检测方法，可以快速精确的检测出大批量压铸件的表面缺陷，从而评估压铸件的生产质量。
相对于现有技术，本发明构造深度卷积网络来提取压铸件表面缺陷特征，与常用的检测压铸件缺陷时使用的人工标定的方式相比，此种方法更加精确高效，建立压铸件表面缺陷特征数据库，有利于收集压铸件后处理过程数据分析，为压铸件工艺改进提供数据支持，其次，为缺陷目标跟踪提供便利。另一方面，相较于传统的核相关滤波器跟踪算法(KCF)方法，自适应分类器更新核相关滤波器跟踪算法能在保持KCF跟踪数据快、操作简单的优点下，对不同的视频帧自适应的更新分类器，使其能够适应不同光照环境中的压铸件缺陷检测，因此适用性更广。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也一同包含这些改动和变形。
Claims (10)
1.一种压铸件缺陷检测方法，包括：
获取实际生产中压铸件的缺陷图像数据；
提取所述缺陷图像中的缺陷特征；
对所述缺陷特征进行分类；
对各种所述缺陷特征的分类建立对应的语义标签；
将所述缺陷特征以及对应的语义标签存入特征数据库；
拍摄压铸件表面的视频图像，并转化为图片数据；
利用核相关滤波器跟踪算法对所述图片数据进行跟踪，以所述特征数据库中的缺陷特征为标准缺陷特征，记录跟踪到的所述图片数据中具有的标准缺陷特征；
统计所述图片数据的标准缺陷特征数据及不同的标准缺陷特征所占的比例。
2.根据权利要求1所述的一种压铸件缺陷检测方法，其特征在于：以所述特征数据库中的缺陷特征为标准缺陷特征的步骤包括：输入需要检测的压铸件缺陷名称，在特征数据库中搜索与之匹配的缺陷特征，将搜索到的缺陷特征作为所述标准缺陷特征。
3.根据权利要求1所述的一种压铸件缺陷检测方法，其特征在于：在对所述缺陷特征进行分类前，使用小波去噪算法和图像增强技术处理缺陷图像中的缺陷特征；其中，所述小波去噪算法包括用非线性小波变换阈值法对压铸件的缺陷图像进行去噪处理，用伸缩和平移运算操作对压铸件图像进行多尺度细化分析，自动适应处于不同类型压铸件及光照环境的要求，显示压铸件的局部特征；所述图像增强技术包括用对数图像增强算法，区分压铸件图像的缺陷和背景。
4.根据权利要求3所述的一种压铸件缺陷检测方法，其特征在于：所述用非线性小波变换阈值法对压铸件的缺陷图像进行去噪处理的步骤包括：选择小波基和小波分解层数对压铸件的缺陷图像进行小波变换，得到相应的小波分解系数，对于每个小波分解层，自适应的选择一个阈值，将分解得到的高频系数进行阈值量化，根据小波分解后的低频系数和阈值量化处理后的高频系数进行小波逆变换，利用重构算法进行小波重构，得到去噪信号。
5.根据权利要求1所述的一种压铸件缺陷检测方法，其特征在于：对所述缺陷特征进行分类，对各种所述缺陷特征的分类建立对应的语义标签的步骤包括：将所述缺陷图像输入Alexnet卷积神经网络中进行训练，采用反向传播算法求得损失函数f(χ,b)的最小值，其中χ为权重值，b为偏置，采用sigmoid函数作为激活函数，通过多梯度下降迭代法更新权重值求得最优权重值，根据不同的缺陷特征输入相对应的权重值{χ1,χ2,…χn}，浅层提取压铸件缺陷的初步特征，深层提取压铸件缺陷的细节特征，训练卷积网络模型后，对压铸件缺陷特征分类，在深度卷积网络的末端用softmax分类器标记各类压铸件缺陷特征，建立对应的语义标签。
6.根据权利要求1所述的一种压铸件缺陷检测方法，其特征在于：所述利用核相关滤波器跟踪算法对所述图片数据进行跟踪的步骤包括：通过对压铸件缺陷跟踪目标区域进行循环移位，构造密集样本训练分类器，计算候选区域与跟踪目标的相似程度，选取相似度最大的候选区域为新的跟踪目标，利用离散傅里叶变换降低分类器训练和检测过程中的运算量。
7.根据权利要求6所述的一种压铸件缺陷检测方法，其特征在于：所述核相关滤波器跟踪算法为基于自适应的核相关滤波器跟踪算法，其步骤包括：通过对分类器进行更新来调整当前帧的权重值，将目标进行分块，计算每个分块的PSR值，自适应改变每个局部块对目标位置的权重。
8.一种压铸件缺陷检测装置，包括：
用于获取实际生产中压铸件的缺陷图像数据的装置；
用于提取所述缺陷图像中的缺陷特征的装置；
用于对所述缺陷特征进行分类的装置；
用于对各种所述缺陷特征的分类建立对应的语义标签的装置；
用于将所述缺陷特征以及对应的语义标签存入特征数据库的装置；
用于拍摄压铸件表面的视频图像的装置及将其转化为图片数据的装置；
用于通过核相关滤波器跟踪算法对所述图片数据进行跟踪的装置，及记录跟踪到的所述图片数据中具有的标准缺陷特征的装置；
用于统计所述图片数据的标准缺陷特征数据及不同的标准缺陷特征所占的比例的装置。
9.一种可读储存介质，其上储存有控制程序，其特征在于：该控制程序被处理器执行时实现如权利要求1至7任意一项所述的压铸件缺陷检测方法。
10.一种计算机控制系统，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的控制程序，其特征在于：所述处理器执行所述控制程序时实现如权利要求1至7任意一项所述的压铸件缺陷检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811056776.XA CN109509170B (zh) | 2018-09-11 | 2018-09-11 | 一种压铸件缺陷检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811056776.XA CN109509170B (zh) | 2018-09-11 | 2018-09-11 | 一种压铸件缺陷检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109509170A true CN109509170A (zh) | 2019-03-22 |
| CN109509170B CN109509170B (zh) | 2021-08-17 |
Family
ID=65745724
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811056776.XA Active CN109509170B (zh) | 2018-09-11 | 2018-09-11 | 一种压铸件缺陷检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109509170B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110346953A (zh) * | 2019-07-02 | 2019-10-18 | 盐城华昱光电技术有限公司 | 一种液晶显示模组偏光片剥离的撕片检测系统及方法 |
| CN110414538A (zh) * | 2019-07-24 | 2019-11-05 | 京东方科技集团股份有限公司 | 缺陷分类方法、缺陷分类训练方法及其装置 |
| CN110726724A (zh) * | 2019-10-22 | 2020-01-24 | 北京百度网讯科技有限公司 | 缺陷检测方法、系统和装置 |
| CN111161224A (zh) * | 2019-12-17 | 2020-05-15 | 沈阳铸造研究所有限公司 | 基于深度学习的铸件内部缺陷分级评估系统及方法 |
| CN111553542A (zh) * | 2020-05-15 | 2020-08-18 | 无锡职业技术学院 | 一种用户优惠券核销率预测方法 |
| CN113267139A (zh) * | 2021-07-19 | 2021-08-17 | 江苏中科云控智能工业装备有限公司 | 具有大数据分析的压铸件形变量检测系统 |
| CN113284143A (zh) * | 2021-07-20 | 2021-08-20 | 江苏中科云控智能工业装备有限公司 | 基于图像数据处理的压铸件去毛刺精度检测系统 |
| CN115456652A (zh) * | 2022-09-29 | 2022-12-09 | 广东格林精密部件股份有限公司 | 一种基于人工智能的精密注塑件不良品的溯源方法 |
| CN117392131A (zh) * | 2023-12-12 | 2024-01-12 | 宁波昱辰汽车零部件有限公司 | 一种压铸件内壁缺陷检测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105118044A (zh) * | 2015-06-16 | 2015-12-02 | 华南理工大学 | 一种轮形铸造产品缺陷自动检测方法 |
| CN105891215A (zh) * | 2016-03-31 | 2016-08-24 | 浙江工业大学 | 基于卷积神经网络的焊接视觉检测方法及装置 |
| CN107123114A (zh) * | 2017-04-21 | 2017-09-01 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于机器学习的布匹缺陷检测方法及装置 |
| CN108257114A (zh) * | 2017-12-29 | 2018-07-06 | 天津市万贸科技有限公司 | 一种基于深度学习的输电设备缺陷自动识别方法 |
| WO2018154562A1 (en) * | 2017-02-23 | 2018-08-30 | D.I.R. Technologies (Detection Ir) Ltd. | A system and method for the inspection and detection of coating defects |
-
2018
- 2018-09-11 CN CN201811056776.XA patent/CN109509170B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105118044A (zh) * | 2015-06-16 | 2015-12-02 | 华南理工大学 | 一种轮形铸造产品缺陷自动检测方法 |
| CN105891215A (zh) * | 2016-03-31 | 2016-08-24 | 浙江工业大学 | 基于卷积神经网络的焊接视觉检测方法及装置 |
| WO2018154562A1 (en) * | 2017-02-23 | 2018-08-30 | D.I.R. Technologies (Detection Ir) Ltd. | A system and method for the inspection and detection of coating defects |
| CN107123114A (zh) * | 2017-04-21 | 2017-09-01 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于机器学习的布匹缺陷检测方法及装置 |
| CN108257114A (zh) * | 2017-12-29 | 2018-07-06 | 天津市万贸科技有限公司 | 一种基于深度学习的输电设备缺陷自动识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| MAX FERGUSON等: ""Automatic localization of casting defects with convolutional neural networks"", 《2017 IEEE INTERNATIONAL CONFERENCE ON BIG DATA (BIG DATA)》 * |
| 郑晓玲等: ""采用机器视觉的铝压铸件表面缺陷检测"", 《华侨大学学报（自然科学版）》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110346953A (zh) * | 2019-07-02 | 2019-10-18 | 盐城华昱光电技术有限公司 | 一种液晶显示模组偏光片剥离的撕片检测系统及方法 |
| CN110346953B (zh) * | 2019-07-02 | 2022-08-09 | 晋城市龙鑫达光电科技有限公司 | 一种液晶显示模组偏光片剥离的撕片检测系统及方法 |
| US11334982B2 (en) | 2019-07-24 | 2022-05-17 | Beijing Boe Optoelectronics Technology Co., Ltd. | Method for defect classification, method for training defect classifier, and apparatus thereof |
| CN110414538A (zh) * | 2019-07-24 | 2019-11-05 | 京东方科技集团股份有限公司 | 缺陷分类方法、缺陷分类训练方法及其装置 |
| CN110414538B (zh) * | 2019-07-24 | 2022-05-27 | 京东方科技集团股份有限公司 | 缺陷分类方法、缺陷分类训练方法及其装置 |
| CN110726724A (zh) * | 2019-10-22 | 2020-01-24 | 北京百度网讯科技有限公司 | 缺陷检测方法、系统和装置 |
| CN111161224A (zh) * | 2019-12-17 | 2020-05-15 | 沈阳铸造研究所有限公司 | 基于深度学习的铸件内部缺陷分级评估系统及方法 |
| CN111553542A (zh) * | 2020-05-15 | 2020-08-18 | 无锡职业技术学院 | 一种用户优惠券核销率预测方法 |
| CN111553542B (zh) * | 2020-05-15 | 2023-09-05 | 无锡职业技术学院 | 一种用户优惠券核销率预测方法 |
| CN113267139A (zh) * | 2021-07-19 | 2021-08-17 | 江苏中科云控智能工业装备有限公司 | 具有大数据分析的压铸件形变量检测系统 |
| CN113284143A (zh) * | 2021-07-20 | 2021-08-20 | 江苏中科云控智能工业装备有限公司 | 基于图像数据处理的压铸件去毛刺精度检测系统 |
| CN115456652A (zh) * | 2022-09-29 | 2022-12-09 | 广东格林精密部件股份有限公司 | 一种基于人工智能的精密注塑件不良品的溯源方法 |
| CN117392131A (zh) * | 2023-12-12 | 2024-01-12 | 宁波昱辰汽车零部件有限公司 | 一种压铸件内壁缺陷检测方法及系统 |
| CN117392131B (zh) * | 2023-12-12 | 2024-02-06 | 宁波昱辰汽车零部件有限公司 | 一种压铸件内壁缺陷检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109509170B (zh) | 2021-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109509170A (zh) | 一种压铸件缺陷检测方法及装置 | |
| Li et al. | SAR image change detection using PCANet guided by saliency detection | |
| CN105809198B (zh) | 基于深度置信网络的sar图像目标识别方法 | |
| CN107563999A (zh) | 一种基于卷积神经网络的芯片缺陷识别方法 | |
| CN105913081B (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
| CN107610119B (zh) | 基于直方图分解的带钢表面缺陷精准检测方法 | |
| Fan et al. | A novel automatic dam crack detection algorithm based on local-global clustering | |
| CN110533100A (zh) | 一种基于机器学习进行cme检测和跟踪的方法 | |
| CN109711326A (zh) | 一种基于浅层残差网络的视频目标检测方法 | |
| CN108154513A (zh) | 基于双光子成像数据的细胞自动探测和分割方法 | |
| CN117372332A (zh) | 一种基于改进YOLOv7模型的织物瑕疵检测方法 | |
| Yu et al. | Research on CNN Algorithm for Monochromatic Fabric Defect Detection | |
| CN106650824B (zh) | 基于支持向量机的运动目标分类方法 | |
| CN109376619A (zh) | 一种细胞检测方法 | |
| CN109117818A (zh) | 材料组织特性智能识别分析系统及分析方法 | |
| CN113962968A (zh) | 面向复杂电磁环境下多源混合干扰雷达图像目标检测系统 | |
| Jadah et al. | Breast Cancer Image Classification Using Deep Convolutional Neural Networks | |
| CN104573746A (zh) | 基于磁共振成像的实蝇种类识别方法 | |
| Krithiga et al. | Proliferation score prediction using novel SMHC feature using adaptive XGBoost model | |
| Cui et al. | Automatic Identification Technology of Optical Fiber based on Genetic Neural Network Algorithm | |
| Thakur et al. | Machine Learning based Biospeckle Technique for Identification of Seed Viability using Spatio-temporal Analysis | |
| Nimitha et al. | Diagnosis and treatment recommendation engine for skin diseases using AI model VGG19 | |
| Zhang et al. | Defect detection of color-patterned fabric based on DenoisingGAN | |
| Shi et al. | On the role of local variance in image fidelity assessment | |
| Nikitina | Evaluation of Neural Network for Automated Classification of Plant Component on Histological Section |
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 |