CN110503638A - 螺旋胶质量在线检测方法 - Google Patents
螺旋胶质量在线检测方法 Download PDFInfo
- Publication number
- CN110503638A CN110503638A CN201910752854.8A CN201910752854A CN110503638A CN 110503638 A CN110503638 A CN 110503638A CN 201910752854 A CN201910752854 A CN 201910752854A CN 110503638 A CN110503638 A CN 110503638A
- Authority
- CN
- China
- Prior art keywords
- glue
- spiral
- image
- wide
- 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.)
- Granted
Links
- 239000000084 colloidal system Substances 0.000 title claims abstract description 12
- 238000010998 test method Methods 0.000 title claims abstract description 10
- 239000003292 glue Substances 0.000 claims abstract description 103
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000007547 defect Effects 0.000 claims abstract description 11
- 238000003708 edge detection Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 claims 1
- 238000007689 inspection Methods 0.000 abstract description 4
- 238000004026 adhesive bonding Methods 0.000 description 19
- 230000000694 effects Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 239000002390 adhesive tape Substances 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种螺旋胶质量在线检测方法,将螺旋胶质量检测标准分为三级,一级检测缺陷即检测螺旋胶的连续性、溢胶、螺旋胶变形等,二级检测螺旋胶的胶宽,三级检测螺旋胶的胶量。运用OPENCV视觉库预处理实时采集的螺旋胶图片,一级检测时将采集的数据分成四类,分别为正常螺旋胶、断胶螺旋胶、溢胶螺旋胶、变形螺旋胶,通过改进CaffeNet网络模型训练数据,达到检测缺陷的目的;二级检测时通过Canny边缘检测算法识别分割图像中螺旋胶边缘,从而根据边缘点的坐标信息计算出胶宽;三级检测时运用像素投影的方法,计算出竖直方向上代表螺旋胶的像素点累计值,计算出螺旋胶的胶量。本发明方法能够较好的解决螺旋胶质量检测问题。
Description
技术领域
本发明涉及一种检测技术,特别涉及一种基于CaffeNet网络模型及机器视觉的螺旋胶质量在线检测方法。
背景技术
螺旋胶是涂胶过程中机器人在螺旋式轨迹下运行后的胶条形状。在汽车生产中,螺旋式涂胶是一种比较常见的涂胶工艺,目的是保证胶条连续性,同时又达到该工位需求的涂胶量,该方法极大的提高涂胶效率,避免来回涂胶造成的位置偏差、检测困难、耗时长等缺点。随着越来越多的涂胶机器人使用,涂胶环节越来越自动化,传统涂胶质量检测手段已经满足不了自动化涂胶工艺,且涂胶质量对产品有着至关重要的影响。因此涂胶自动检测技术成为涂胶工艺中至关重要环节,涂胶检测主要对涂胶过程中出胶量、涂胶速度、涂胶位置、胶的宽度、胶条连续性等进行测量,并与质量标准对比是否达到要求,不同车型、涂胶工位、涂胶位置的涂胶要求都有差别。
传统的涂胶检测方法自动化程度低,主要是由人工检测和离线检测:人工检测,涂胶时,现场的质量检查员运用检测工具如钢直尺、游标卡尺等,通过与生产工艺中的质量检测要求对比进行测量。质检员测量经验不同影响着测量时间及测量结果准确性,很难达到检测结果整齐划一的质量要求,同时工作人员在测量工位操作时,现场具有一些的不确定因素,影响着质检人员的安全。离线监测是将涂胶完的工件成品置于事先布置好的检测环境下进行检测,该检测方法具有一定的局限性,只适用于体积较小、质量较轻的零件,对于汽车白车身类似的大型焊装件不适用。离线检测出质量问题时的返工件处理也十分的耗时耗力,成本较高。
发明内容
本发明是针对涂胶机器人应用越来越广泛,涂胶轨迹越来越复杂,现在检测手段跟不上的问题,提出了一种螺旋胶质量在线检测方法,为汽车制造业提高涂胶质量、增加生产效率、降低人力成本。
本发明的技术方案为:一种螺旋胶质量在线检测方法,包括如下步骤:
1)对螺旋胶质量在线检测的相机进行标定,并误差分析,标定精度;用标定后相机对待测螺旋胶进行图像数据采集;
2)图像预处理:对步骤1)图像数据进行预处理,分割出有效螺旋胶图像,预处理依次包括ROI提取、图像滤波处理、图像二值化处理、形态学处理;
3)检测一:缺陷检测,首先采集正常类、变形类、断胶类、溢胶类四类螺旋胶图片作为训练模集,每类在不同视野与光照情况下取相同张数图片做训练集,将训练集送入改进CaffeNet网络模型训练进行缺陷检测识别训练,改进CaffeNet网络模型依次包括预处理层、卷积层和全连接层,预处理层依次包括ROI提取、图像滤波处理、图像二值化处理、形态学处理;预处理层输出图像数据送入卷积层后输出输出256个特征映射图,全连接层中FC6、FC7和FC8层神经元数量依次分别为256、256、4,FC8有Softmax分类器,输出分类概率;最后训练后的模型对步骤1)待测螺旋胶的缺陷进行识别;
4)检测二:胶宽检测,首选将步骤2)预处理后的图像进行Canny边缘检测,边缘检测算法依次包括:滤波处理消除噪声,计算像素点梯度,判定局部极大值,双阈值检测;接着在带边缘线图像上按螺旋划分区域,计算每个区域内边缘线与中心线相交点中的最远距离的两点的坐标距离即为该区域内的胶宽;最后统计该图像的最大胶宽、最小胶宽、平均胶宽与标准模板比较,确定胶宽是否合格;
5)检测三:胶量检测,首先定义总胶量为步骤2)采集的待测螺旋胶图像数据预处理后黑色区域,即为螺旋胶在二维平面所占面积;螺旋胶的胶量计算与胶宽计算类似,先将预处理后图片黑色像素点竖直投影到水平方向,接着计算竖直方向上累积黑色像素点外轮廓距离,取最大值、最小值、与平均值,最后与标准模板库中的胶量范围比对,确定胶量是否合格。
本发明的有益效果在于:本发明螺旋胶质量在线检测方法,可以为国内在该领域研究增砖添瓦,扩展机器视觉在线检测技术在国内的发展;对于国内的整车制造厂商来说,不仅能够提供高精度的在线检测效果,还能提高汽车生产的效率为厂商降低了劳动成本,减轻劳动人员的工作强度,改善工作环境;将螺旋胶质量在线检测方法运用到实际生产线中,便于实现制造自动化,为汽车生产提供助力;在有关涂胶的传统机器视觉检测领域做出创新,将卷积神经网络运用到螺旋胶识别和缺陷检测中,提高了检测效率。
附图说明
图1为本发明部分标定图像;
图2为本发明相机标定过程图;
图3为本发明MATLAB上标定时标定图片与相机空间位置对应关系图;
图4为本发明相机标定后的重投影误差图;
图5为本发明ROI提取示意图;
图6为本发明中值滤波处理前后对比图;
图7为本发明OTSU最大类间方差法二值化效果图;
图8为本发明形态学处理前后对比效果图;
图9为本发明改进后的CaffeNet网络模型结构图;
图10为本发明数据集分类图;
图11为本发明CaffeNet网络模型改进前后损失值变化对比图;
图12为本发明CaffeNet网络模型改进前后分类准确率变化对比图;
图13为本发明位边缘检测前后效果图;
图14为本发明划分区域示意图;
图15为本发明螺旋胶预处理后竖直投影效果图。
具体实施方式
基于CaffeNet网络模型及机器视觉的螺旋胶质量在线检测方法的具体步骤如下:
第一步:对螺旋胶质量在线检测系统搭建的硬件平台上的相机进行标定,采集15幅标定图像,图1所示为部分标定图像,图像大小为1280×960,标定板与相机的距离为140mm,标定板棋盘格大小为3mm×3mm,每采集一张标定板图片后,人为调整标定板的角度、方向、位置等,并保持标定板在相机覆盖视野范围内。标定板选型时要注意控制标定板大小能够占相机视野大部分空间,且棋盘格数量要多,标定时能提高精度。基于VisualStudio2015和MATLAB2014平台对相机标定并做误差分析,通过OPENCV视觉库相关图像处理函数,运用张正友相机标定方法对采集的15张图片标定,在MATLAB2014平台标定后做误差分析。图2为相机标定过程图。图3表示在MATLAB上标定时标定图片与相机空间位置对应关系。通过对比两者标定结果,误差在可接受范围内。通过重投影误差显示相机标定结果精度。图4为相机标定后的重投影误差图,图中所示重投影误差大部分均小于0.3个像素,标定结果精确,达到检测要求。
第二步:对原始图片预处理,理论上螺旋胶图片中出现的干扰信息越少,检测结果越准确。图5为ROI(region of interest,感兴趣区)提取示意图,选择矩形剪裁,其优势在于现在大部分图像处理方法和理论技术都是基于矩形建立,因此选用矩形剪裁框更加有利于后续的图像处理。
中值滤波运用了典型的非线性统计排序滤波器对图像进行处理,将像素点周围像素的灰度值进行排序,取其中值来替代该像素点的灰度,中值滤波能够有效地去除椒盐和脉冲噪声,并且保留图像边缘。图6中左图和右图分别为中值滤波前后对比图。
二值化处理选用全局阈值二值化的方法对螺旋胶ROI图像进行预处理。实现方法双峰法、最大类间方差法(OTSU)等。由于最大类间方差法(OTSU)将双峰法寻找阈值进行改进,且二值化效果比双峰法好,因此只对最大类间方差法做简单介绍,在图像的直方图中寻找波谷确定阈值T,将图片中所有像素点的灰度值与阈值T比较大小,分成两部分,在将这两部分中的灰度值求取方差和类间方差,最后比较两者之间的关系,寻找出最佳阈值即方差比最大时的阈值。图7为OTSU最大类间方差法二值化的效果图,从图片中可以明显观察到能够清晰的分割出螺旋胶区域即为图片中的黑色区域,便于后续的算法处理。
形态学处理,其中开运算与闭运算是运用腐蚀与膨胀的先后转换从而达到处理二值图片的目的。开运算即先腐蚀再膨胀,达到消除二值图片中的白色小空洞,一些离散的白点或者面积较小的干扰物,不影响目标物面积前提下同时达到平滑其边缘的目的,其公式为:
为二值开运算,先进行腐蚀处理,后再进行膨胀的处理;结构元为E;Θ为腐蚀运算;⊕为膨胀运算。
闭运算(I·E)是先进性膨胀处理再进行腐蚀处理,可以平滑目标物边缘并且消除二值图片中的黑色小面积区域等,公式为:
I·E={I⊕E}ΘE
形态学处理前后对比效果图如图8所示,图8中左边为二值化效果图,右边为先经过开运算,再经过闭运算后的效果图,能够有效的修正螺旋胶图像。
第三步:基于改进CaffeNet网络模型的螺旋胶缺陷检测,改进后的CaffeNet网络模型结构包括九层,图9为其结构示意图,改进点有两处,依次为添加了预处理P0以及修改全连接层大小。其中C1到C5为卷积层,FC6到FC8为全连接层,C1和C2层包含卷积(conv)、激活(relu)、下采样(pool)、局部响应归一化(norm)四个阶段,C1有96个卷积核,大小为11*11,步长为4,下采样步长为2,输出96个特征映射图,大小为27*27;C2有256个卷积核,大小为5*5,步长为1,下采样步长为2,输出256个特征映射图,大小为13*13。C3和C4包含两个阶段分比为卷积、激活,且都有384个卷积核,大小为3*3,步长为1,输出384个特征映射图,大小为13*1。C5包含卷积、激活和下采样阶段,有256个卷积核,大小为3*3,步长为1,下采样步长为2,输出256个特征映射图,大小为6*6。FC6到FC8层神经元数量为256,256,4,F8有Softmax分类器,输出分类概率。
接着开始训练数据,先将数据集分为4类(这里的数据集是没有预处理的图像数据),每类在不同视野与光照情况下取400张图片做训练集,100张图片作为测试集。所有图片训练时会经过翻转,剪裁等处理,每类图片如下图10所示,第一类为正常螺旋胶图片,第二类为变形螺旋胶图片,第三类为溢胶螺旋胶或涂胶量过多的螺旋胶图片,第四类为断胶螺旋胶图片。然后进行训练参数设:学习率0.1,训练次数500次,迭代100次测试正确率,50次保存一次训练模型。参数在CaffeNet模型slover.prototxt中调整。最后得出训练结果,CaffeNet网络模型改进前后损失值变化对比如图11所示,模型分类准确率变化对比如图12所示。
将对待测螺旋胶图像数据送入训练后的CaffeNet网络模型进行螺旋胶缺陷检测,得到螺旋胶类型。
第四步:胶宽检测,首选将预处理后的图像进行Canny边缘检测,边缘检测算法依次包括:滤波处理消除噪声,计算像素点梯度,判定局部极大值,双阈值检测。边缘检测前后的效果图如图13所示,右边带边缘线的图为边缘检测后效果,接着在带边缘线图像上按螺旋划分区域计算每个区域内边缘线与中心线相交点中的最远距离的两点的坐标距离即为该区域内的胶宽,如图14所示为划分区域示意图。最后统计该图片的最大胶宽、最小胶宽、平均胶宽与标准模板比较,确定胶宽是否合格。
第五步:胶量检测,首先定义总胶量为螺旋胶预处理后黑色区域即为螺旋胶在二维平面所占面积。螺旋胶的胶量计算与胶宽计算类似,先将预处理后图片黑色像素点竖直投影到水平方向,接着计算竖直方向上累积黑色像素点外轮廓距离,取最大值、最小值、与平均值,最后与标准模板库中的胶量范围比对,检测胶量是否合格。图15为螺旋胶预处理后竖直投影效果图。
第六步:螺旋胶质量在线检测系统的硬件平台搭建的目的是模拟焊装车间涂胶机器人涂胶流程,为检验视觉系统可行性提供实验平台。整个硬件系统主要负责数据采集、传输、存储和输出,包括螺旋胶图像采集,工控机对机器人状态的信息的接收和储存,螺旋胶图像检测结果分析并显示在显示器中并将结果保存到本地等。在硬件系统上进行算法验证,证明了本文算法的可靠性与稳定性。
Claims (1)
1.一种螺旋胶质量在线检测方法,其特征在于,包括如下步骤:
1)对螺旋胶质量在线检测的相机进行标定,并误差分析,标定精度;用标定后相机对待测螺旋胶进行图像数据采集;
2)图像预处理:对步骤1)图像数据进行预处理,分割出有效螺旋胶图像,预处理依次包括ROI提取、图像滤波处理、图像二值化处理、形态学处理;
3)检测一:缺陷检测,首先采集正常类、变形类、断胶类、溢胶类四类螺旋胶图片作为训练模集,每类在不同视野与光照情况下取相同张数图片做训练集,将训练集送入改进CaffeNet网络模型训练进行缺陷检测识别训练,改进CaffeNet网络模型依次包括预处理层、卷积层和全连接层,预处理层依次包括ROI提取、图像滤波处理、图像二值化处理、形态学处理;预处理层输出图像数据送入卷积层后输出输出256个特征映射图,全连接层中FC6、FC7和FC8层神经元数量依次分别为256、256、4,FC8有Softmax分类器,输出分类概率;最后训练后的模型对步骤1)待测螺旋胶的缺陷进行识别;
4)检测二:胶宽检测,首选将步骤2)预处理后的图像进行Canny边缘检测,边缘检测算法依次包括:滤波处理消除噪声,计算像素点梯度,判定局部极大值,双阈值检测;接着在带边缘线图像上按螺旋划分区域,计算每个区域内边缘线与中心线相交点中的最远距离的两点的坐标距离即为该区域内的胶宽;最后统计该图像的最大胶宽、最小胶宽、平均胶宽与标准模板比较,确定胶宽是否合格;
5)检测三:胶量检测,首先定义总胶量为步骤2)采集的待测螺旋胶图像数据预处理后黑色区域,即为螺旋胶在二维平面所占面积;螺旋胶的胶量计算与胶宽计算类似,先将预处理后图片黑色像素点竖直投影到水平方向,接着计算竖直方向上累积黑色像素点外轮廓距离,取最大值、最小值、与平均值,最后与标准模板库中的胶量范围比对,确定胶量是否合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910752854.8A CN110503638B (zh) | 2019-08-15 | 2019-08-15 | 螺旋胶质量在线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910752854.8A CN110503638B (zh) | 2019-08-15 | 2019-08-15 | 螺旋胶质量在线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110503638A true CN110503638A (zh) | 2019-11-26 |
CN110503638B CN110503638B (zh) | 2023-06-02 |
Family
ID=68586533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910752854.8A Active CN110503638B (zh) | 2019-08-15 | 2019-08-15 | 螺旋胶质量在线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110503638B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111192237A (zh) * | 2019-12-16 | 2020-05-22 | 重庆大学 | 一种基于深度学习的涂胶检测系统和方法 |
CN111462108A (zh) * | 2020-04-13 | 2020-07-28 | 山西新华化工有限责任公司 | 一种基于机器学习的头面部产品设计工效学评估操作方法 |
CN115112098A (zh) * | 2022-08-30 | 2022-09-27 | 常州铭赛机器人科技股份有限公司 | 一种单目视觉的一维二维测量方法 |
CN115358981A (zh) * | 2022-08-16 | 2022-11-18 | 腾讯科技(深圳)有限公司 | 胶水缺陷的确定方法、装置、设备及存储介质 |
CN115375952A (zh) * | 2022-10-18 | 2022-11-22 | 沃图水泵(上海)有限公司江苏分公司 | 一种芯片胶层缺陷分类方法 |
CN116777888A (zh) * | 2023-06-30 | 2023-09-19 | 广州高迪机电工程有限公司 | 带角度涂胶时视觉检测系统对胶宽的自适应补偿修正方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005087460A1 (en) * | 2004-03-16 | 2005-09-22 | Kappa Packaging B.V. | Apparatus, method and system for detecting the width and position of adhesives applied to a substrate |
CN105866136A (zh) * | 2015-01-21 | 2016-08-17 | 苏州兰叶光电科技有限公司 | 摄像头模组滤光片涂胶检测装置和方法 |
US20180253836A1 (en) * | 2015-06-16 | 2018-09-06 | South China University Of Technology | Method for automated detection of defects in cast wheel products |
CN109461141A (zh) * | 2018-10-10 | 2019-03-12 | 重庆大学 | 一种工件缺胶检测方法 |
-
2019
- 2019-08-15 CN CN201910752854.8A patent/CN110503638B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005087460A1 (en) * | 2004-03-16 | 2005-09-22 | Kappa Packaging B.V. | Apparatus, method and system for detecting the width and position of adhesives applied to a substrate |
CN105866136A (zh) * | 2015-01-21 | 2016-08-17 | 苏州兰叶光电科技有限公司 | 摄像头模组滤光片涂胶检测装置和方法 |
US20180253836A1 (en) * | 2015-06-16 | 2018-09-06 | South China University Of Technology | Method for automated detection of defects in cast wheel products |
CN109461141A (zh) * | 2018-10-10 | 2019-03-12 | 重庆大学 | 一种工件缺胶检测方法 |
Non-Patent Citations (2)
Title |
---|
CHEN LONG,RUAN CHEN,HAN WENYU: "Slicing Algorithm for Heterogeneous NURBS Volume Parameterization Model" * |
陈龙;侯普华;王进;朱文博: "轴承表面缺陷类型识别算法" * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111192237A (zh) * | 2019-12-16 | 2020-05-22 | 重庆大学 | 一种基于深度学习的涂胶检测系统和方法 |
CN111192237B (zh) * | 2019-12-16 | 2023-05-02 | 重庆大学 | 一种基于深度学习的涂胶检测系统和方法 |
CN111462108A (zh) * | 2020-04-13 | 2020-07-28 | 山西新华化工有限责任公司 | 一种基于机器学习的头面部产品设计工效学评估操作方法 |
CN115358981A (zh) * | 2022-08-16 | 2022-11-18 | 腾讯科技(深圳)有限公司 | 胶水缺陷的确定方法、装置、设备及存储介质 |
CN115112098A (zh) * | 2022-08-30 | 2022-09-27 | 常州铭赛机器人科技股份有限公司 | 一种单目视觉的一维二维测量方法 |
CN115112098B (zh) * | 2022-08-30 | 2022-11-08 | 常州铭赛机器人科技股份有限公司 | 一种单目视觉的一维二维测量方法 |
CN115375952A (zh) * | 2022-10-18 | 2022-11-22 | 沃图水泵(上海)有限公司江苏分公司 | 一种芯片胶层缺陷分类方法 |
CN116777888A (zh) * | 2023-06-30 | 2023-09-19 | 广州高迪机电工程有限公司 | 带角度涂胶时视觉检测系统对胶宽的自适应补偿修正方法 |
CN116777888B (zh) * | 2023-06-30 | 2024-02-06 | 广州高迪机电工程有限公司 | 带角度涂胶时视觉检测系统对胶宽的自适应补偿修正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110503638B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503638A (zh) | 螺旋胶质量在线检测方法 | |
CN107229930B (zh) | 一种指针式仪表数值智能识别方法 | |
CN109490316A (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
CN109724984A (zh) | 一种基于深度学习算法的缺陷检测识别装置和方法 | |
CN109635806B (zh) | 基于残差网络的电表数值识别方法 | |
CN111507976B (zh) | 基于多角度成像的缺陷检测方法及系统 | |
CN104112269B (zh) | 一种基于机器视觉的太阳能电池激光刻线参数检测方法及系统 | |
CN110349145A (zh) | 缺陷检测方法、装置、电子设备以及存储介质 | |
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 | |
CN107389701A (zh) | 一种基于图像的pcb表观缺陷自动检测系统及方法 | |
CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
CN111189837A (zh) | 一种烟支外观在线检测方法及其装置 | |
CN104089586A (zh) | 发动机曲轴轴颈形状误差的图像检测装置和图像检测方法 | |
CN102495069A (zh) | 一种基于数字图像处理的拉链链带缺陷检测方法 | |
CN110517265A (zh) | 一种产品表面缺陷的检测方法、装置及存储介质 | |
CN109978835B (zh) | 一种在线装配缺陷识别系统及其方法 | |
CN105654121A (zh) | 一种基于深度学习的复杂提花织物缺陷检测方法 | |
CN113608378B (zh) | 一种基于lcd制程的全自动缺陷检测方法和系统 | |
CN110232389A (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
Medina et al. | Automated visual classification of frequent defects in flat steel coils | |
CN114719749B (zh) | 基于机器视觉的金属表面裂纹检测及真实尺寸测量方法及系统 | |
CN113012098A (zh) | 一种基于bp神经网络的铁塔角钢冲孔缺陷检测方法 | |
CN111260609B (zh) | 一种基于深度学习的烟支外观缺陷检测方法 | |
CN114387262A (zh) | 一种基于机器视觉的螺母定位检测方法、装置及系统 | |
CN117269168B (zh) | 一种新能源汽车精密零配件表面缺陷检测装置及检测方法 |
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 |