CN110243826B - 一种产品在线检测方法及装置 - Google Patents
一种产品在线检测方法及装置 Download PDFInfo
- Publication number
- CN110243826B CN110243826B CN201910616769.9A CN201910616769A CN110243826B CN 110243826 B CN110243826 B CN 110243826B CN 201910616769 A CN201910616769 A CN 201910616769A CN 110243826 B CN110243826 B CN 110243826B
- Authority
- CN
- China
- Prior art keywords
- product
- detected
- parameter
- visible light
- detection
- 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
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Analysis (AREA)
Abstract
本发明属于产品检测领域,公开了一种产品在线检测方法及装置,其方法包括:获取待检产品的可见光图像;对待检产品的可见光图像进行图像识别,得到待检产品的可见光参数模型;根据可见光参数模型,在预先构建的产品参数数据库中查找与待检产品对应的X射线检测参数集;根据X射线检测参数集,配置X射线检测模块的检测参数;X射线检测模块根据配置好的检测参数,采集待检产品的X射线图像;根据待检产品的X射线图像,计算得到待检产品的检测值;根据检测值和X射线检测参数集中的检测阈值,判断待检产品是否为良品。本发明可自动检测不同类型的产品,无需生产线员工来选择配置参数,并且不需要停止生产线,以提高检测效率。
Description
技术领域
本发明属于产品检测技术领域,特别涉及一种产品在线检测方法及装置。
背景技术
随着X射线技术的快速发展,X射线技术已在工业生产线的在线检测领域有着比较广泛的应用,通过X射线透射图像可以清楚地看到产品内部的结构和状态,进而可发现产品内部可能的异物或者产品存在的缺陷。
由于通过X射线得到的图像一般是透射的灰度图像,仅从X射线图像本身较难区分待检产品的种类,比如一袋奶粉和一袋芝麻糊仅从X射线图像上较难区分,需要工人通过人眼观察产品外包装以正确区分待检产品类型。
目前,常规的在线式X射线检测系统主要包括X射线发生器、X射线探测器、输送机、X射线图像处理软件。在生产线上检测某一个待检产品时,需要设定X射线检测系统的检测参数,从而实现设备自动检测识别。例如,需要先为X射线发生器设定合适的高压值和束流值,然后为X射线探测器设定合适的增益和积分时间等参数,再为输送机选择合适的动作参数,以将良品和次品分开送往不同的地方。
并且,X射线检测系统在检测不同的产品时,需要设定不同的检测参数,比如检测500g包装的奶粉和检测1kg包装的芝麻糊采用检测参数是不同的。因此,在检测产品前,检测系统需要通过人工设定的方法,将所有待检产品对应的检测参数存储下来。当在检测待检产品时,由生产线人员根据待检产品的类型在存储的数据库中选择合适的检测参数。
现有的X射线检测系统当需要更换待检产品时,需要停止生产线,然后由生产线人员根据待检产品种类来配置X射线检测模块的各种检测参数。此种检测方式存在以下技术问题:1、更换待检产品需要专业的人员来选择和配置相应的检测参数;2、同一产线开始检测后,只能检测一种特定的产品,中途不能任意更换;3、当工厂有多条产品线都需要检测时,需要购置多台X射线检测设备来实现多产品线检测;即便检测设备的检测速度很快并存在余量,也不能将多条生产线的不同产品汇聚到一处来进行检测。
发明内容
本发明的目的是提供一种产品在线检测方法及装置,可自动检测不同类型的产品,无需停止生产线且无需生产线员工来选择配置的参数。
本发明提供的技术方案如下:
一方面,提供一种产品在线检测方法,包括:
获取待检产品的可见光图像;
对所述待检产品的可见光图像进行图像识别,得到所述待检产品的可见光参数模型;
根据所述可见光参数模型,在预先构建的产品参数数据库中查找与所述待检产品对应的X射线检测参数集,所述产品参数数据库中存储有各产品的可见光参数模型和X射线检测参数集;
根据所述X射线检测参数集,配置X射线检测模块的检测参数;
所述X射线检测模块根据配置好的检测参数,采集所述待检产品的X射线图像;
根据所述待检产品的X射线图像,计算得到所述待检产品的检测值;
根据所述检测值和所述X射线检测参数集中的检测阈值,判断所述待检产品是否为良品。
进一步优选地,所述获取待检产品的可见光图像之前还包括:
获取良品的可见光图像;
对所述良品的可见光图像进行图像识别,得到所述良品的可见光参数模型;
所述X射线检测模块根据初始检测参数,采集所述良品的X射线图像;
根据所述良品的X射线图像,计算得到所述良品的X射线检测参数集;
在数据库中存储所述良品的名称、所述良品的可见光参数模型和所述良品的X射线检测参数集,并建立所述良品的索引号,以形成所述产品参数数据库。
进一步优选地,所述根据所述良品的X射线图像,计算得到所述良品的X射线检测参数集具体包括:
计算所述良品的X射线图像中的目标轮廓,得到良品特征参数Cx;
计算所述良品的X射线图像中的灰度分布,得到良品特征参数Rx;
计算所述良品的X射线图像中的纹理特征,得到良品特征参数Hx;
根据所述良品特征参数Cx、所述良品特征参数Rx和所述良品特征参数Hx,计算得到所述良品的X射线检测参数集。
进一步优选地,所述对所述待检产品的可见光图像进行图像识别,得到所述待检产品的可见光参数模型具体包括:
计算所述待检产品的可见光图像中的目标轮廓,得到特征参数Cv;
计算所述待检产品的可见光图像中的颜色分布,得到特征参数Rv;
计算所述待检产品的可见光图像中的灰度分布,得到特征参数Hv;
计算所述待检产品的可见光图像中的纹理特征,得到特征参数Tv;
将所述待检产品的可见光图像输入深度学习网络模型中,得到特征参数Mv;
根据所述特征参数Cv、所述特征参数Rv、所述特征参数Hv、所述特征参数Tv和所述特征参数Mv,得到所述待检产品的可见光参数模型。
进一步优选地,所述根据所述待检产品的X射线图像,计算得到所述待检产品的检测值具体包括:
计算所述待检产品的X射线图像的目标轮廓,得到待检品特征参数Cx;
计算所述待检产品的X射线图像的灰度分布,得到待检品特征参数Rx;
计算所述待检产品的X射线图像的纹理特征,得到待检品特征参数Hx;
根据所述待检品特征参数Cx、所述待检品特征参数Rx和所述待检品特征参数Hx,计算得到所述待检产品的异物和缺陷检测值。
另一方面,还提供一种产品在线检测装置,包括:
可见光图像获取模块,用于获取待检产品的可见光图像;
可见光图像识别模块,用于对所述待检产品的可见光图像进行图像识别,得到所述待检产品的可见光参数模型;
查找模块,用于根据所述可见光参数模型,在预先构建的产品参数数据库中查找与所述待检产品对应的X射线检测参数集,所述产品参数数据库中存储有各产品的可见光参数模型和X射线检测参数集;
参数配置模块,用于根据所述X射线检测参数集,配置X射线检测模块的检测参数;
X射线图像采集模块,用于所述X射线检测模块根据配置好的检测参数,采集所述待检产品的X射线图像;
X射线图像识别模块,用于根据所述待检产品的X射线图像,计算得到所述待检产品的检测值;
判断模块,用于根据所述检测值和所述X射线检测参数集中的检测阈值,判断所述待检产品是否为良品。
进一步优选地,所述可见光图像获取模块,用于获取良品的可见光图像;
所述可见光图像识别模块,用于对所述良品的可见光图像进行图像识别,得到所述良品的可见光参数模型;
所述X射线图像采集模块,用于所述X射线检测模块根据初始检测参数,采集所述良品的X射线图像;
所述X射线图像识别模块,用于根据所述良品的X射线图像,计算得到所述良品的X射线检测参数集;
还包括:构建模块,用于在数据库中存储所述良品的名称、所述良品的可见光参数模型和所述良品的X射线检测参数集,并建立所述良品的索引号,以形成所述产品参数数据库。
进一步优选地,所述X射线图像识别模块包括:
第一轮廓计算模块,用于计算所述良品的X射线图像中的目标轮廓,得到良品特征参数Cx;
第一灰度计算模块,用于计算所述良品的X射线图像中的灰度分布,得到良品特征参数Rx;
第一纹理计算模块,用于计算所述良品的X射线图像中的纹理特征,得到良品特征参数Hx;
第一参数集计算模块,用于根据所述良品特征参数Cx、所述良品特征参数Rx和所述良品特征参数Hx,计算得到所述良品的X射线检测参数集。
进一步优选地,所述可见光图像识别模块包括:
第二轮廓计算模块,用于计算所述待检产品的可见光图像中的目标轮廓,得到特征参数Cv;
第二颜色计算模块,用于计算所述待检产品的可见光图像中的颜色分布,得到特征参数Rv;
第二灰度计算模块,用于计算所述待检产品的可见光图像中的灰度分布,得到特征参数Hv;
第二纹理计算模块,用于计算所述待检产品的可见光图像中的纹理特征,得到特征参数Tv;
网络模型模块,用于将所述待检产品的可见光图像输入深度学习网络模型中,得到特征参数Mv;
参数模块获取模块,用于根据所述特征参数Cv、所述特征参数Rv、所述特征参数Hv、所述特征参数Tv和所述特征参数Mv,得到所述待检产品的可见光参数模型。
进一步优选地,所述X射线图像识别模块包括:
第一轮廓计算模块,用于计算所述待检产品的X射线图像的目标轮廓,得到待检品特征参数Cx;
第一灰度计算模块,用于计算所述待检产品的X射线图像的灰度分布,得到待检品特征参数Rx;
第一纹理计算模块,用于计算所述待检产品的X射线图像的纹理特征,得到待检品特征参数Hx;
检测值计算模块,用于根据所述待检品特征参数Cx、所述待检品特征参数Rx和所述待检品特征参数Hx,计算得到所述待检产品的异物和缺陷检测值。
与现有技术相比,本发明提供的一种产品在线检测方法及装置具有以下有益效果:本发明的产品在线检测方法在生产线上检测不同类型的产品时,通过可见光图像识别待检产品的类型,然后根据识别结果自动获取对应的X射线检测参数集来配置X射线检测模块,无需生产线员工来选择配置参数,并且不需要停止生产线,以提高检测效率;此外,多条不同产品线上的产品可汇聚到一处来进行检测,不需要每条产品线都配置一台检测设备,进而降低检测设备的配置成本。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对一种产品在线检测方法及装置的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明一种产品在线检测方法的第一实施例的流程示意图;
图2是本发明一种产品在线检测方法的第二实施例的流程示意图;
图3是本发明一种产品在线检测装置的一个实施例的结构示意框图。
附图标号说明
100、可见光图像获取模块;200、可见光图像识别模块;210、第二轮廓计算模块;220、第二颜色计算模块;230、第二灰度计算模块;240、第二纹理计算模块;250、网络模型模块;260、参数模块获取模块;300、查找模块;400、参数配置模块;500、X射线图像采集模块;600、X射线图像识别模块;610、第一轮廓计算模块;620、第一灰度计算模块;630、第一纹理计算模块;640、第一参数集计算模块;650、检测值计算模块;700、判断模块;800、构建模块。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
应当理解,当在本说明书中使用时,术语“包括”指示所述描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其他特征、整体、步骤、操作、元素、组件和/或集合的存在或添加。
为使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
图1是本发明提供的一种产品在线检测方法的一个实施例的流程图,该在线检测方法包括:
S100获取待检产品的可见光图像;
S200对所述待检产品的可见光图像进行图像识别,得到所述待检产品的可见光参数模型;
S300根据所述可见光参数模型,在预先构建的产品参数数据库中查找与所述待检产品对应的X射线检测参数集,所述产品参数数据库中存储有各产品的可见光参数模型和X射线检测参数集;
S400根据所述X射线检测参数集,配置X射线检测模块的检测参数;
S500所述X射线检测模块根据配置好的检测参数,采集所述待检产品的X射线图像;
S600根据所述待检产品的X射线图像,计算得到所述待检产品的检测值;
S700根据所述检测值和所述X射线检测参数集中的检测阈值,判断所述待检产品是否为良品。
具体地,本发明的产品在线检测方法可应用于生产线上的食品检测过程中,实现该产品在线检测方法的产品在线检测装置包括待检区域、可见光成像区域、X射线成像区域和分选动作区域。由生产线上生产出来的待检产品先由输送机输送到待检区域,输送机包括电机、联轴器、滚轴和皮带,输送机可以分为一段或多段,从而实现每个区域的启停和速度的独立控制。然后输送到可见光成像区域,可见光成像区域设置有可见光摄像头,该摄像头通过USB线、以太网或光缆等与工控机连接。通过该摄像头采集待检产品的可见光图像,将该可见光图像发送给工控机进行图像处理,提取可见光图像中待检产品的特征参数,并根据提取出的特征参数以及预先设定的函数,得到待检产品的可见光参数模型。得到的可见光参数模型可反应待检产品的种类与各特征参数之间的关系。
预先构建的产品参数数据库中存储有各产品的可见光参数模型和X射线检测参数集;产品参数数据库是在产品在线检测装置开始检测之前构建好的,且产品参数数据库中存储的是良品的可见光参数模型和X射线检测参数集。在得到待检产品的可见光参数模型后,即可根据待检产品的可见光参数模型识别出待检产品的种类信息,然后根据待检产品的种类信息在预先构建的产品参数数据库中查找该待检产品的X射线检测参数集。
X射线检测参数集中包括用于配置X射线检测模块的参数。X射线检测模块包括X射线发生器和X射线探测器,X射线发生器和工控机之间采用串口或以太网连接,由工控机根据X射线检测参数集配置X射线发生器的工作参数。X射线探测器和工控机之间采用串口、以太网或USB连接,由工控机根据X射线检测参数配置X射线探测器的工作参数。如工控机根据X射线检测参数集配置X射线发生器的高压值和束流值,配置X射线探测器的增益和积分时间等参数。并通过配置好检测参数的X射线检测模块采集待检产品的X射线图像。
获取到待检产品的X射线图像后,根据现有的图像识别技术,从该X射线图像中计算得到待检产品的检测值。然后根据该检测值和X射线检测参数集中的良品的检测阈值,判断该待检产品是否为良品。例如,当检测值大于检测阈值时,则说明待检产品中存在异物或缺陷,不是良品;当检测值小于检测阈值时,则说明待检产品为良品。
本发明先构建存储有各种产品(良品)的可见光参数模型和X射线检测参数集的产品参数数据库,然后在检测不同类型的待检产品时,先通过待检产品的可见光图像得到该待检产品的可见光参数模型,以识别该待机产品的类型,然后根据待检产品的可见光参数模型在产品参数数据库查找到该待检产品的X射线检测参数集,再根据该X射线检测参数集配置X射线检测模块的检测参数,以将X射线检测模块的各参数配置为专门用于检测该待检产品的参数,并通过配置好的X射线检测模块采集待检产品的X射线图像,再根据获取的X射线图像判断该待检产品是否为良品。
本发明的产品在线检测方法在生产线上检测不同类型的产品时,通过可见光图像识别待检产品的类型,然后根据识别结果自动获取对应的X射线检测参数集来配置X射线检测模块,无需生产线员工来选择配置参数,并且不需要停止生产线,以提高检测效率;此外,多条不同产品线上的产品可汇聚到一处来进行检测,不需要每条产品线都配置一台检测设备,进而降低检测设备的配置成本。
图2是本发明提供的一种产品在线检测方法的另一个实施例的流程图,本实施例在上述实施例的基础上,在步骤S100获取待检产品的可见光图像之前还包括:
S010获取良品的可见光图像;
S020对所述良品的可见光图像进行图像识别,得到所述良品的可见光参数模型;
S030所述X射线检测模块根据初始检测参数,采集所述良品的X射线图像;
S040根据所述良品的X射线图像,计算得到所述良品的X射线检测参数集;
S050在数据库中存储所述良品的名称、所述良品的可见光参数模型和所述良品的X射线检测参数集,并建立所述良品的索引号,以形成所述产品参数数据库。
具体地,在检测待检产品之前需要先获取各产品的可见光参数模型和X射线检测参数集。具体获取过程为:先由人工挑选各种不同类型产品的良品,每种类型产品的良品数量越多越好,但至少为一个。将一种类型的良品放置在输送机上,在工控机上启动良品学习,输送机开始运转,该良品依次通过可见光图像采集区域和X光图像采集区域。
在可见光图像采集区域时,采集良品的可见光图像,然后对良品的可见光图像进行分割,去除输送机背景,获取良品的目标图像,然后从良品的目标图像中提取出良品的特征参数,例如,计算良品的目标图像中的目标轮廓,得到特征参数Cv,目标轮廓是指目标图像中的良品的轮廓;计算良品的目标图像中的颜色分布,得到特征参数Rv;计算良品的目标图像中的灰度分布,得到特征参数Hv;计算良品的目标图像中的纹理特征,得到特征参数Tv;将良品的目标图像输入深度学习网络模型中,提取出特征参数Mv;目标轮廓、颜色分布、灰度分布、纹理特征可采用现有的图像分析技术来得到,如采用投影分析、连通域分析等算法检测。通过深度学习网络模型来提取特征参数时,可先使用标注好特征参数的良品的目标图像对预先构建的深度学习网络模型进行训练,然后将良品的目标图像输入训练好的深度学习网络模型中,以提取出特征参数Mv;特征参数Mv可以是用于识别良品种类的各种特征。
然后根据上述参数得到该良品的可见光参数模型PSv,即PSv=F(Cv,Rv,Hv,Tv,Mv),其中,F表示函数关系,反应了良品对应的产品种类与各特征参数之间的函数关系。
良品经过可见光图像采集区域后,再经过X射线成像区域,X射线成像区域的X射线检测模块根据初始检测参数,采集良品的X射线图像,初始检测参数可以检测模块默认的参数。然后根据采集到的良品的X射线图像,计算得到良品的X射线检测参数集。
优选地,S050根据采集到的良品的X射线图像,计算得到良品的X射线检测参数集具体包括:
S051计算所述良品的X射线图像中的目标轮廓,得到良品特征参数Cx;
S052计算所述良品的X射线图像中的灰度分布,得到良品特征参数Rx;
S053计算所述良品的X射线图像中的纹理特征,得到良品特征参数Hx;
S054根据所述良品特征参数Cx、所述良品特征参数Rx和所述良品特征参数Hx,计算得到所述良品的X射线检测参数集。
具体地,得到良品特征参数Cx、良品特征参数Rx和良品特征参数Hx后,根据这些特征参数Cx、Rx和Hx,可计算出良品的X射线检测参数集{HV,MA,GN,IT,TD},其中,HV是X射线发生器用于检测该良品的最佳高压,MA是X射线发生器是用于检测该良品的最佳束流值,X射线发生器的高压乘以束流值就是X射线发生器的发射功率,发射功率越大则灰度值越大,GN是X射线探测器用于检测该良品的最佳增益,IT是X射线的积分时间,X射线探测器的增益越大灰度值越大,积分时间越长则灰度值越大,通过限定灰度分布的范围,可以得到HV,MA,GN,IT。TD是异物和缺陷的检测阈值,X射线图像中的目标轮廓和纹理特征用于判断TD,也就是TD=F(Cx,Hx),当良品和待检产品的轮廓差异大于等于阈值时则认为是不良品,小于阈值时在认为是良品;当良品和待检产品的纹理差异大于等于阈值时认为是不良品,小于阈值时则认为是良品。良品的X射线检测参数集是根据良品的X射线图像中的特征得到的,该X射线检测参数集中的参数是X射线检测模块测量该良品对应的产品类型的最佳参数。
得到良品的可见光参数模型和X射线检测参数集{HV,MA,GN,IT,TD}后,生产线人员按照提示,输入该良品的名称;将该良品的名称、可见光参数模型和X射线检测参数集{HV,MA,GN,IT,TD}存储在数据库中,并为该良品建立唯一索引号作为主键。
根据上述方法可得到各良品的名称、可见光参数模型和X射线检测参数集,将所有良品的名称、可见光参数模型和X射线检测参数集存储在数据库中,并为每种良品建立唯一索引号;该数据库即为产品参数数据库。产品参数数据库采用关系型数据库,使用唯一索引号作为主键,产品名称、良品的可见光参数模型PSv、X射线图像检测参数集构成表中的列。
检测待检产品时,当获取待检产品的可见光参数模型后,可根据待检产品的可见光参数模型在产品参数数据库中查找到对应的产品索引号,然后根据产品索引号获取该待检产品的X射线图像检测参数集。
本发明提供的一种产品在线检测方法的另一个实施例,在上述实施例一或实施例二的基础上,步骤S200对所述待检产品的可见光图像进行图像识别,得到所述待检产品的可见光参数模型具体包括:
计算所述待检产品的可见光图像中的目标轮廓,得到特征参数Cv;
计算所述待检产品的可见光图像中的颜色分布,得到特征参数Rv;
计算所述待检产品的可见光图像中的灰度分布,得到特征参数Hv;
计算所述待检产品的可见光图像中的纹理特征,得到特征参数Tv;
将所述待检产品的可见光图像输入深度学习网络模型中,得到特征参数Mv;
根据所述特征参数Cv、所述特征参数Rv、所述特征参数Hv、所述特征参数Tv和所述特征参数Mv,得到所述待检产品的可见光参数模型。
具体地,本实施例中待检产品的可见光参数模型的获取方法与上述实施例二中的良品的可见光参数模型的获取方法相同,在此不再进行赘述。即根据待检产品的特征参数Cv、特征参数Rv、特征参数Hv、特征参数Tv和特征参数Mv,可得到待检产品的可见光参数模型PSv=F(Cv,Rv,Hv,Tv,Mv)。
根据该待检产品的可见光参数模型PSv,在产品参数数据库中选择最为匹配的可见光参数模型,进行判断出待检产品的准确名称和种类。根据该待检产品的名称可查询到该待检产品对应的索引号,然后根据索引号可查询到该待检产品的X射线图像检测参数集{HV,MA,GN,IT,TD},并根据其中的高压值HV和束流值MA去设置X射线发生器,根据GN和IT去设置X射线探测器,并获得X射线探测器的探测数据,该探测数据经过校正和滤波后即可得到待检产品的X射线图像。并根据待检产品的X射线图像来判断该待检产品是否为良品。
根据索引号在产品参数数据库中查询到的该待检产品的X射线图像检测参数集{HV,MA,GN,IT,TD}中的参数为用于检测该待检产品的X射线检测模块的最佳参数,进而可提高检测准确率。
优选地,步骤S600根据所述待检产品的X射线图像,计算得到所述待检产品的检测值具体包括:
计算所述待检产品的X射线图像的目标轮廓,得到待检品特征参数Cx;
计算所述待检产品的X射线图像的灰度分布,得到待检品特征参数Rx;
计算所述待检产品的X射线图像的纹理特征,得到待检品特征参数Hx;
根据所述待检品特征参数Cx、所述待检品特征参数Rx和所述待检品特征参数Hx,计算得到所述待检产品的异物和缺陷检测值。
具体地,得到待检产品的特征参数Cx、特征参数Rx和特征参数Hx后,可根据参数集{Cx,Rx,Hx}计算出异物和缺陷检测值TS。待检产品的X射线图像检测参数集{HV,MA,GN,IT,TD}中的TD表示异物和缺陷检测阈值。将待检产品的异物和缺陷检测值TS与检测阈值TD进行比较,例如,当TS大于TD时,则判断该待检产品存在异物或缺陷。并将判断结果发送至分选动作区域,分选动作区域设有电动或气动执行机构,分选动作区域根据判断结果,分别采取不同动作,将良品和次品分开送往不同地方。
应理解,在上述各实施例中,各步骤序号的大小并不意味着执行顺序的先后,各步骤的执行顺序应以功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图3是本发明提供的一种产品在线检测装置的一个实施例的结构示意框图,该产品在线检测装置包括:
可见光图像获取模块100,用于获取待检产品的可见光图像;
可见光图像识别模块200,用于对所述待检产品的可见光图像进行图像识别,得到所述待检产品的可见光参数模型;
查找模块300,用于根据所述可见光参数模型,在预先构建的产品参数数据库中查找与所述待检产品对应的X射线检测参数集,所述产品参数数据库中存储有各产品的可见光参数模型和X射线检测参数集;
参数配置模块400,用于根据所述X射线检测参数集,配置X射线检测模块的检测参数;
X射线图像采集模块500,用于所述X射线检测模块根据配置好的检测参数,采集所述待检产品的X射线图像;
X射线图像识别模块600,用于根据所述待检产品的X射线图像,计算得到所述待检产品的检测值;
判断模块700,用于根据所述检测值和所述X射线检测参数集中的检测阈值,判断所述待检产品是否为良品。
优选地,可见光图像获取模块100,用于获取良品的可见光图像;
可见光图像识别模块200,用于对所述良品的可见光图像进行图像识别,得到所述良品的可见光参数模型;
X射线图像采集模块500,用于所述X射线检测模块根据初始检测参数,采集所述良品的X射线图像;
X射线图像识别模块600,用于根据所述良品的X射线图像,计算得到所述良品的X射线检测参数集;
还包括:构建模块800,用于在数据库中存储所述良品的名称、所述良品的可见光参数模型和所述良品的X射线检测参数集,并建立所述良品的索引号,以形成所述产品参数数据库。
优选地,X射线图像识别模块600包括:
第一轮廓计算模块610,用于计算所述良品的X射线图像中的目标轮廓,得到良品特征参数Cx;
第一灰度计算模块620,用于计算所述良品的X射线图像中的灰度分布,得到良品特征参数Rx;
第一纹理计算模块630,用于计算所述良品的X射线图像中的纹理特征,得到良品特征参数Hx;
第一参数集计算模块640,用于根据所述良品特征参数Cx、所述良品特征参数Rx和所述良品特征参数Hx,计算得到所述良品的X射线检测参数集。
优选地,可见光图像识别模块200包括:
第二轮廓计算模块210,用于计算所述待检产品的可见光图像中的目标轮廓,得到特征参数Cv;
第二颜色计算模块220,用于计算所述待检产品的可见光图像中的颜色分布,得到特征参数Rv;
第二灰度计算模块230,用于计算所述待检产品的可见光图像中的灰度分布,得到特征参数Hv;
第二纹理计算模块240,用于计算所述待检产品的可见光图像中的纹理特征,得到特征参数Tv;
网络模型模块250,用于将所述待检产品的可见光图像输入深度学习网络模型中,得到特征参数Mv;
参数模块获取模块260,用于根据所述特征参数Cv、所述特征参数Rv、所述特征参数Hv、所述特征参数Tv和所述特征参数Mv,得到所述待检产品的可见光参数模型。
优选地,X射线图像识别模块600包括:
第一轮廓计算模块610,用于计算所述待检产品的X射线图像的目标轮廓,得到待检品特征参数Cx;
第一灰度计算模块620,用于计算所述待检产品的X射线图像的灰度分布,得到待检品特征参数Rx;
第一纹理计算模块630,用于计算所述待检产品的X射线图像的纹理特征,得到待检品特征参数Hx;
检测值计算模块650,用于根据所述待检品特征参数Cx、所述待检品特征参数Rx和所述待检品特征参数Hx,计算得到所述待检产品的异物和缺陷检测值。
本实施例中的各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
应当说明的是,上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种产品在线检测方法,其特征在于,包括:
获取待检产品的可见光图像;
对所述待检产品的可见光图像进行图像识别,得到所述待检产品的可见光参数模型;
根据所述可见光参数模型,识别出待检产品的类型,在预先构建的产品参数数据库中查找与所述待检产品对应的X射线检测参数集,所述产品参数数据库中存储有各产品良品的可见光参数模型和X射线检测参数集;
根据所述X射线检测参数集,配置X射线检测模块的检测参数;
所述X射线检测模块根据配置好的检测参数,采集所述待检产品的X射线图像;
根据所述待检产品的X射线图像,计算得到所述待检产品的检测值;
根据所述检测值和所述X射线检测参数集中的检测阈值,判断所述待检产品是否为良品;
所述对所述待检产品的可见光图像进行图像识别,得到所述待检产品的可见光参数模型具体包括:
计算所述待检产品的可见光图像中的目标轮廓,得到特征参数Cv;
计算所述待检产品的可见光图像中的颜色分布,得到特征参数Rv;
计算所述待检产品的可见光图像中的灰度分布,得到特征参数Hv;
计算所述待检产品的可见光图像中的纹理特征,得到特征参数Tv;
将所述待检产品的可见光图像输入深度学习网络模型中,得到特征参数Mv;
根据所述特征参数Cv、所述特征参数Rv、所述特征参数Hv、所述特征参数Tv和所述特征参数Mv,得到所述待检产品的可见光参数模型。
2.根据权利要求1所述的一种产品在线检测方法,其特征在于,所述获取待检产品的可见光图像之前还包括:
获取良品的可见光图像;
对所述良品的可见光图像进行图像识别,得到所述良品的可见光参数模型;
所述X射线检测模块根据初始检测参数,采集所述良品的X射线图像;
根据所述良品的X射线图像,计算得到所述良品的X射线检测参数集;
在数据库中存储所述良品的名称、所述良品的可见光参数模型和所述良品的X射线检测参数集,并建立所述良品的索引号,以形成所述产品参数数据库。
3.根据权利要求2所述的一种产品在线检测方法,其特征在于,所述根据所述良品的X射线图像,计算得到所述良品的X射线检测参数集具体包括:
计算所述良品的X射线图像中的目标轮廓,得到良品特征参数Cx;
计算所述良品的X射线图像中的灰度分布,得到良品特征参数Rx;
计算所述良品的X射线图像中的纹理特征,得到良品特征参数Hx;
根据所述良品特征参数Cx、所述良品特征参数Rx和所述良品特征参数Hx,计算得到所述良品的X射线检测参数集。
4.根据权利要求1-3任一项所述的一种产品在线检测方法,其特征在于,所述根据所述待检产品的X射线图像,计算得到所述待检产品的检测值具体包括:
计算所述待检产品的X射线图像的目标轮廓,得到待检品特征参数Cx;
计算所述待检产品的X射线图像的灰度分布,得到待检品特征参数Rx;
计算所述待检产品的X射线图像的纹理特征,得到待检品特征参数Hx;
根据所述待检品特征参数Cx、所述待检品特征参数Rx和所述待检品特征参数Hx,计算得到所述待检产品的异物和缺陷检测值。
5.一种产品在线检测装置,其特征在于,包括:
可见光图像获取模块,用于获取待检产品的可见光图像;
可见光图像识别模块,用于对所述待检产品的可见光图像进行图像识别,得到所述待检产品的可见光参数模型,可见光参数模型用于识别待检产品的类型;
查找模块,用于根据所述可见光参数模型,在预先构建的产品参数数据库中查找与所述待检产品对应的X射线检测参数集,所述产品参数数据库中存储有各产品良品的可见光参数模型和X射线检测参数集;
参数配置模块,用于根据所述X射线检测参数集,配置X射线检测模块的检测参数;
X射线图像采集模块,用于所述X射线检测模块根据配置好的检测参数,采集所述待检产品的X射线图像;
X射线图像识别模块,用于根据所述待检产品的X射线图像,计算得到所述待检产品的检测值;
判断模块,用于根据所述检测值和所述X射线检测参数集中的检测阈值,判断所述待检产品是否为良品;
所述可见光图像识别模块包括:
第二轮廓计算模块,用于计算所述待检产品的可见光图像中的目标轮廓,得到特征参数Cv;
第二颜色计算模块,用于计算所述待检产品的可见光图像中的颜色分布,得到特征参数Rv;
第二灰度计算模块,用于计算所述待检产品的可见光图像中的灰度分布,得到特征参数Hv;
第二纹理计算模块,用于计算所述待检产品的可见光图像中的纹理特征,得到特征参数Tv;
网络模型模块,用于将所述待检产品的可见光图像输入深度学习网络模型中,得到特征参数Mv;
参数模块获取模块,用于根据所述特征参数Cv、所述特征参数Rv、所述特征参数Hv、所述特征参数Tv和所述特征参数Mv,得到所述待检产品的可见光参数模型。
6.根据权利要求5所述的一种产品在线检测装置,其特征在于,
所述可见光图像获取模块,用于获取良品的可见光图像;
所述可见光图像识别模块,用于对所述良品的可见光图像进行图像识别,得到所述良品的可见光参数模型;
所述X射线图像采集模块,用于所述X射线检测模块根据初始检测参数,采集所述良品的X射线图像;
所述X射线图像识别模块,用于根据所述良品的X射线图像,计算得到所述良品的X射线检测参数集;
还包括:构建模块,用于在数据库中存储所述良品的名称、所述良品的可见光参数模型和所述良品的X射线检测参数集,并建立所述良品的索引号,以形成所述产品参数数据库。
7.根据权利要求6所述的一种产品在线检测装置,其特征在于,所述X射线图像识别模块包括:
第一轮廓计算模块,用于计算所述良品的X射线图像中的目标轮廓,得到良品特征参数Cx;
第一灰度计算模块,用于计算所述良品的X射线图像中的灰度分布,得到良品特征参数Rx;
第一纹理计算模块,用于计算所述良品的X射线图像中的纹理特征,得到良品特征参数Hx;
第一参数集计算模块,用于根据所述良品特征参数Cx、所述良品特征参数Rx和所述良品特征参数Hx,计算得到所述良品的X射线检测参数集。
8.根据权利要求5-7任一项所述的一种产品在线检测装置,其特征在于,所述X射线图像识别模块包括:
第一轮廓计算模块,用于计算所述待检产品的X射线图像的目标轮廓,得到待检品特征参数Cx;
第一灰度计算模块,用于计算所述待检产品的X射线图像的灰度分布,得到待检品特征参数Rx;
第一纹理计算模块,用于计算所述待检产品的X射线图像的纹理特征,得到待检品特征参数Hx;
检测值计算模块,用于根据所述待检品特征参数Cx、所述待检品特征参数Rx和所述待检品特征参数Hx,计算得到所述待检产品的异物和缺陷检测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910616769.9A CN110243826B (zh) | 2019-07-10 | 2019-07-10 | 一种产品在线检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910616769.9A CN110243826B (zh) | 2019-07-10 | 2019-07-10 | 一种产品在线检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110243826A CN110243826A (zh) | 2019-09-17 |
CN110243826B true CN110243826B (zh) | 2022-05-20 |
Family
ID=67891471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910616769.9A Active CN110243826B (zh) | 2019-07-10 | 2019-07-10 | 一种产品在线检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110243826B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507976B (zh) * | 2020-04-28 | 2023-08-18 | 杭州未名信科科技有限公司 | 基于多角度成像的缺陷检测方法及系统 |
CN112614090B (zh) * | 2020-12-09 | 2021-12-31 | 中国水产科学研究院渔业机械仪器研究所 | 一种鱼类腹腔结构特征的识别方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1707251A (zh) * | 2005-05-25 | 2005-12-14 | 华南理工大学 | 可自适应调整x射线源的检测装置及其检测方法 |
CN2816802Y (zh) * | 2005-07-18 | 2006-09-13 | 中国农业大学 | 一种食品内部缺陷检测装置 |
CN101539533A (zh) * | 2009-03-11 | 2009-09-23 | 华南理工大学 | 电池内部缺陷自动检测装置及方法 |
CN103424416A (zh) * | 2013-08-07 | 2013-12-04 | 华南理工大学 | 一种基于x射线的轮毂检测系统及其检测方法 |
CN104730079A (zh) * | 2015-03-10 | 2015-06-24 | 盐城市圣泰阀门有限公司 | 缺陷检测系统 |
CN106018426A (zh) * | 2016-07-20 | 2016-10-12 | 武汉大学 | 印刷品质量在线检测系统 |
CN109375068A (zh) * | 2018-09-26 | 2019-02-22 | 北京环境特性研究所 | 一种基于紫外成像电晕检测的目标识别方法及装置 |
-
2019
- 2019-07-10 CN CN201910616769.9A patent/CN110243826B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1707251A (zh) * | 2005-05-25 | 2005-12-14 | 华南理工大学 | 可自适应调整x射线源的检测装置及其检测方法 |
CN2816802Y (zh) * | 2005-07-18 | 2006-09-13 | 中国农业大学 | 一种食品内部缺陷检测装置 |
CN101539533A (zh) * | 2009-03-11 | 2009-09-23 | 华南理工大学 | 电池内部缺陷自动检测装置及方法 |
CN103424416A (zh) * | 2013-08-07 | 2013-12-04 | 华南理工大学 | 一种基于x射线的轮毂检测系统及其检测方法 |
CN104730079A (zh) * | 2015-03-10 | 2015-06-24 | 盐城市圣泰阀门有限公司 | 缺陷检测系统 |
CN106018426A (zh) * | 2016-07-20 | 2016-10-12 | 武汉大学 | 印刷品质量在线检测系统 |
CN109375068A (zh) * | 2018-09-26 | 2019-02-22 | 北京环境特性研究所 | 一种基于紫外成像电晕检测的目标识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110243826A (zh) | 2019-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11763443B2 (en) | Method for monitoring manufacture of assembly units | |
EP3502966A1 (en) | Data generation apparatus, data generation method, and data generation program | |
CN109060817B (zh) | 人工智能复检系统及其方法 | |
CN107179324B (zh) | 检测产品包装的方法、装置和系统 | |
CN109840900B (zh) | 一种应用于智能制造车间的故障在线检测系统及检测方法 | |
KR20190075707A (ko) | 딥러닝을 이용한 양품 선별 방법 | |
CN110243826B (zh) | 一种产品在线检测方法及装置 | |
CN112088387A (zh) | 检测成像物品缺陷的系统和方法 | |
CN112581430A (zh) | 一种基于深度学习的航空发动机无损检测方法、装置、设备及存储介质 | |
CN113095438A (zh) | 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质 | |
CN110648305A (zh) | 工业图像检测方法、系统与计算机可读记录介质 | |
CN111758117B (zh) | 检查系统、识别系统以及学习数据生成装置 | |
CN113470005B (zh) | 一种圆柱电池盖帽的焊点检测装置和焊点检测方法 | |
CN115331002A (zh) | 一种基于ar眼镜实现热力站故障远程处理方法 | |
CN115035092A (zh) | 基于图像的瓶体检测方法、装置、设备及存储介质 | |
JP2019184305A (ja) | 学習装置、製品検査システム、プログラム、学習方法、製品検査方法 | |
CN109102486B (zh) | 基于机器学习的表面缺陷检测方法及装置 | |
CN117556211A (zh) | 输电线路缺陷及隐患识别算法模型搭建方法 | |
CN112070748A (zh) | 金属油管缺陷检测方法和装置 | |
CN116739304A (zh) | 一种基于产品历史数据的生产误差监控系统及方法 | |
CN111415326A (zh) | 一种用于铁路接触网螺栓异常状态的检测方法及系统 | |
CN116188376A (zh) | 一种基于孪生神经网络的数码印花步进道检测方法 | |
CN112508946B (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
CN115601293A (zh) | 对象检测方法、装置、电子设备及可读存储介质 | |
CN113716146B (zh) | 基于深度学习的纸巾产品包装检测方法 |
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 |