CN110954599A - 一种机械零件缺陷检测方法及系统 - Google Patents

一种机械零件缺陷检测方法及系统 Download PDF

Info

Publication number
CN110954599A
CN110954599A CN201911344433.8A CN201911344433A CN110954599A CN 110954599 A CN110954599 A CN 110954599A CN 201911344433 A CN201911344433 A CN 201911344433A CN 110954599 A CN110954599 A CN 110954599A
Authority
CN
China
Prior art keywords
camera
mechanical parts
image
ultrasonic flaw
mechanical
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.)
Withdrawn
Application number
CN201911344433.8A
Other languages
English (en)
Inventor
黄建娜
王飞
李乐
刘松林
杜建根
黄卓
方雅
王璇
张洁溪
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.)
Henan Polytechnic Institute
Original Assignee
Henan Polytechnic Institute
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 Henan Polytechnic Institute filed Critical Henan Polytechnic Institute
Priority to CN201911344433.8A priority Critical patent/CN110954599A/zh
Publication of CN110954599A publication Critical patent/CN110954599A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • 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
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N21/8901—Optical details; Scanning details
    • G01N21/8903—Optical details; Scanning details using a multiple detector array
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Acoustics & Sound (AREA)
  • Engineering & Computer Science (AREA)
  • Textile Engineering (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明公开了一种机械零件缺陷检测方法，首先基于超声波探伤仪和BP神经网络模型实现超声波探伤仪检测结果的评估，通过图像采集模块实现机械零件俯视图、仰视图、前视图、后视图、左视图、右视图的采集，采用双边滤波和分段线性变换算法分别进行图像去噪和图像增强预处理；采用迭代自适应阈值分割法进行图像二值化处理，基于连通分量的形态学区域特征去除小面积杂点噪声，基于DSOD算法实现图像中缺陷的检测，基于Inception V3深度模型输出缺陷识别结果，最后基于LSSVM根据所述机械零件缺陷信息和缺陷识别结果实现机械零部件的分类。本发明利用超声波探伤技术和图像识别技术可以实现了快速、准确率高的机械零件缺陷检测。

Description

一种机械零件缺陷检测方法及系统
技术领域
本发明涉及机械零件检测领域，具体涉及一种机械零件缺陷检测方法及系统。
背景技术
随着生产技术的进步，机械零件的产量不断升高，大多制造商仍使用人工进行机械零件质量的检测。人工检测易受检测员身体状况影响，所以长时间目视检测容易出现漏检率、误检率上升等问题。如何实现机械零件的自动检测成为一个亟待解决的技术问题。
发明内容
为解决上述问题，本发明提供了一种机械零件缺陷检测方法及系统，利用超声波探伤技术和图像识别技术可以实现快速、准确率高的机械零件缺陷检测。
为实现上述目的，本发明采取的技术方案为：
一种机械零件缺陷检测方法，包括如下步骤：
S1、机械零件由机械零件放置槽内通过三翼旋转门上落于传送带上，经超声波探伤仪检测后输送至图像采集模块实现机械零件俯视图、仰视图、前视图、后视图、左视图、右视图的采集；
S2、基于BP神经网络模型实现超声波探伤仪检测结果的评估，输出对应的机械零件缺陷信息；
S3、采用双边滤波和分段线性变换算法分别进行图像去噪和图像增强预处理；采用迭代自适应阈值分割法进行图像二值化处理，基于连通分量的形态学区域特征去除小面积杂点噪声，然后基于DSOD算法实现图像中缺陷的检测，基于Inception V3深度模型输出缺陷识别结果；
S4、基于LSSVM根据所述机械零件缺陷信息和缺陷识别结果实现机械零部件的分类；
S5、通过数字输出模块输出最终分类信息至分选电磁阀，驱动分选电磁阀进行机械零部件的区分。
进一步地，每隔3-6s通过单片机控制三翼旋转门开关允许1颗机械零件通过。
进一步地，所述图像采集模块包括上摄像头、下摄像头、左摄像头、右摄像头、前摄像头、后摄像头，其中，上摄像头与下摄像头、左摄像头与右摄像头、前摄像头与后摄像头均错开设置，且每个摄像头对应的采集的背景均采用纯色背景。
进一步地，所述BP神经网络模型采用Inception V2深度神经网络，将超声波探伤检测结果、机械零件缺陷信息分别作为Inception V2深度神经网络的输入端和输出端。
进一步地，所述传送带以0.05m/s的速度向前传动。
本发明还提供了一种机械零件缺陷检测系统，包括机械零件放置槽，机械零件放置槽的出料口内装有三翼旋转门，机械零件放置槽的下端设有传送带，在传送带上设有一超声波探伤仪和四对摄像头，四对摄像头包括上摄像头、下摄像头、左摄像头、右摄像头、前摄像头、后摄像头，下摄像头设置在传送带下方，上摄像头、左摄像头、右摄像头、前摄像头、后摄像头均设置在一矩形罩内，该矩形罩通过气缸可升降设置在传送带的上方，上摄像头设置在矩形罩的内顶面，左摄像头、右摄像头设置矩形罩的左右两侧内壁，前摄像头、后摄像头设置在矩形罩的前后两侧内壁，且上摄像头与下摄像头、左摄像头与右摄像头、前摄像头与后摄像头均错开设置，每个摄像头对应的采集的背景均采用纯色背景，四对摄像头均连接有与计算机，计算机内载数据分析系统，并通过数字输出模块输出计算机最终分类信息，驱动传送带出料端机械零件分选电磁阀进行机械零件的区分。
进一步地，所述数据分析系统包括：
超声波探伤识别模块，用于基于BP神经网络模型实现超声波探伤仪检测结果的评估，输出对应的机械零件缺陷信息；
图像预处理模块，用于采用双边滤波和分段线性变换算法分别进行图像去噪和图像增强预处理；采用迭代自适应阈值分割法进行图像二值化处理，基于连通分量的形态学区域特征去除小面积杂点噪声；
图像缺陷识别模块，用于基于DSOD算法实现图像中缺陷的检测，基于Inception V3深度模型输出缺陷识别结果；
机械零部件分类模块，用于基于LSSVM根据所述机械零件缺陷信息和缺陷识别结果实现机械零部件的分类；
数字输出模块，用于将最终分类信息输送至分选电磁阀，驱动分选电磁阀进行机械零部件的区分。
进一步地，超声波探伤仪设置在传送带左右两侧。
本发明具有以下有益效果：
利用超声波探伤技术和图像识别技术可以实现了快速、准确率高的机械零件缺陷检测。
附图说明
图1本发明实施例一种机械零件缺陷检测方法的流程图。
图2为本发明实施例一种机械零件缺陷检测系统的结构示意图。
具体实施方式
为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例提供了一种机械零件缺陷检测方法，包括如下步骤：
S1、机械零件由机械零件放置槽内通过三翼旋转门上落于传送带上，传送带以0.05m/s的速度向前传动，每隔3-6s通过单片机控制三翼旋转门开关允许1颗机械零件通过；经超声波探伤仪检测后输送至图像采集模块实现机械零件俯视图、仰视图、前视图、后视图、左视图、右视图的采集；
S2、基于BP神经网络模型实现超声波探伤仪检测结果的评估，输出对应的机械零件缺陷信息；
S3、采用双边滤波和分段线性变换算法分别进行图像去噪和图像增强预处理；采用迭代自适应阈值分割法进行图像二值化处理，基于连通分量的形态学区域特征去除小面积杂点噪声，然后基于DSOD算法实现图像中缺陷的检测，基于Inception V3深度模型输出缺陷识别结果；
S4、基于LSSVM根据所述机械零件缺陷信息和缺陷识别结果实现机械零部件的分类；
S5、通过数字输出模块输出最终分类信息至分选电磁阀，驱动分选电磁阀进行机械零部件的区分。
本实施例中，所述图像采集模块包括上摄像头、下摄像头、左摄像头、右摄像头、前摄像头、后摄像头，其中，上摄像头与下摄像头、左摄像头与右摄像头、前摄像头与后摄像头均错开设置，且每个摄像头对应的采集的背景均采用纯色背景。所述BP神经网络模型采用Inception V2深度神经网络，将超声波探伤检测结果、机械零件缺陷信息分别作为Inception V2深度神经网络的输入端和输出端。
如图2所示，本发明实施例提供了一种机械零件缺陷检测系统，包括机械零件放置槽1，机械零件放置槽1的出料口内装有三翼旋转门3，机械零件放置槽的下端设有传送带，在传送带上设有一超声波探伤仪4和四对摄像头5，超声波探伤仪4设置在传送带左右两侧，四对摄像头5包括上摄像头、下摄像头、左摄像头、右摄像头、前摄像头、后摄像头，下摄像头设置在传送带下方，上摄像头、左摄像头、右摄像头、前摄像头、后摄像头均设置在一矩形罩内，该矩形罩通过气缸可升降设置在传送带的上方，上摄像头设置在矩形罩的内顶面，左摄像头、右摄像头设置矩形罩的左右两侧内壁，前摄像头、后摄像头设置在矩形罩的前后两侧内壁，且上摄像头与下摄像头、左摄像头与右摄像头、前摄像头与后摄像头均错开设置，每个摄像头对应的采集的背景均采用纯色背景，四对摄像头5均连接有与计算机6，计算机内载数据分析系统，并通过数字输出模块输出计算机最终分类信息，驱动传送带出料端机械零件分选电磁阀进行机械零件的区分。
本实施例中，所述数据分析系统包括：
超声波探伤识别模块，用于基于BP神经网络模型实现超声波探伤仪检测结果的评估，输出对应的机械零件缺陷信息；
图像预处理模块，用于采用双边滤波和分段线性变换算法分别进行图像去噪和图像增强预处理；采用迭代自适应阈值分割法进行图像二值化处理，基于连通分量的形态学区域特征去除小面积杂点噪声；
图像缺陷识别模块，用于基于DSOD算法实现图像中缺陷的检测，基于Inception V3深度模型输出缺陷识别结果；
机械零部件分类模块，用于基于LSSVM根据所述机械零件缺陷信息和缺陷识别结果实现机械零部件的分类；
数字输出模块，用于将最终分类信息输送至分选电磁阀，驱动分选电磁阀进行机械零部件的区分。
本具体实施通过机械零件放置槽、三翼旋转门、传送带、超声波探伤仪以及图像采集模块的设计实现了机械零件的单个高效检测，结合了超声波探伤技术和图像识别技术，大大提高了识别结果的准确率。
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，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种机械零件缺陷检测方法，其特征在于，包括如下步骤：
S1、机械零件由机械零件放置槽内通过三翼旋转门上落于传送带上，经超声波探伤仪检测后输送至图像采集模块实现机械零件俯视图、仰视图、前视图、后视图、左视图、右视图的采集；
S2、基于BP神经网络模型实现超声波探伤仪检测结果的评估，输出对应的机械零件缺陷信息；
S3、采用双边滤波和分段线性变换算法分别进行图像去噪和图像增强预处理；采用迭代自适应阈值分割法进行图像二值化处理，基于连通分量的形态学区域特征去除小面积杂点噪声，然后基于DSOD算法实现图像中缺陷的检测，基于Inception V3深度模型输出缺陷识别结果；
S4、基于LSSVM根据所述机械零件缺陷信息和缺陷识别结果实现机械零部件的分类；
S5、通过数字输出模块输出最终分类信息至分选电磁阀，驱动分选电磁阀进行机械零部件的区分。
2.如权利要求1所述的一种机械零件缺陷检测方法，其特征在于，每隔3-6s通过单片机控制三翼旋转门开关允许1颗机械零件通过。
3.如权利要求1所述的一种机械零件缺陷检测方法，其特征在于，所述图像采集模块包括上摄像头、下摄像头、左摄像头、右摄像头、前摄像头、后摄像头，其中，上摄像头与下摄像头、左摄像头与右摄像头、前摄像头与后摄像头均错开设置，且每个摄像头对应的采集的背景均采用纯色背景。
4.如权利要求1所述的一种机械零件缺陷检测方法，其特征在于，所述BP神经网络模型采用Inception V2深度神经网络，将超声波探伤检测结果、机械零件缺陷信息分别作为Inception V2深度神经网络的输入端和输出端。
5.如权利要求1所述的一种机械零件缺陷检测方法，其特征在于，所述传送带以0.05m/s的速度向前传动。
6.一种机械零件缺陷检测系统，其特征在于，包括机械零件放置槽，机械零件放置槽的出料口内装有三翼旋转门，机械零件放置槽的下端设有传送带，在传送带上设有一超声波探伤仪和四对摄像头，四对摄像头包括上摄像头、下摄像头、左摄像头、右摄像头、前摄像头、后摄像头，下摄像头设置在传送带下方，上摄像头、左摄像头、右摄像头、前摄像头、后摄像头均设置在一矩形罩内，该矩形罩通过气缸可升降设置在传送带的上方，上摄像头设置在矩形罩的内顶面，左摄像头、右摄像头设置矩形罩的左右两侧内壁，前摄像头、后摄像头设置在矩形罩的前后两侧内壁，且上摄像头与下摄像头、左摄像头与右摄像头、前摄像头与后摄像头均错开设置，每个摄像头对应的采集的背景均采用纯色背景，四对摄像头均连接有与计算机，计算机内载数据分析系统，并通过数字输出模块输出计算机最终分类信息，驱动传送带出料端机械零件分选电磁阀进行机械零件的区分。
7.如权利要求5所述的一种机械零件缺陷检测系统，其特征在于，所述数据分析系统包括：
超声波探伤识别模块，用于基于BP神经网络模型实现超声波探伤仪检测结果的评估，输出对应的机械零件缺陷信息；
图像预处理模块，用于采用双边滤波和分段线性变换算法分别进行图像去噪和图像增强预处理；采用迭代自适应阈值分割法进行图像二值化处理，基于连通分量的形态学区域特征去除小面积杂点噪声；
图像缺陷识别模块，用于基于DSOD算法实现图像中缺陷的检测，基于Inception V3深度模型输出缺陷识别结果；
机械零部件分类模块，用于基于LSSVM根据所述机械零件缺陷信息和缺陷识别结果实现机械零部件的分类；
数字输出模块，用于将最终分类信息输送至分选电磁阀，驱动分选电磁阀进行机械零部件的区分。
8.如权利要求5所述的一种机械零件缺陷检测系统，其特征在于，超声波探伤仪设置在传送带左右两侧。
CN201911344433.8A 2019-12-23 2019-12-23 一种机械零件缺陷检测方法及系统 Withdrawn CN110954599A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911344433.8A CN110954599A (zh) 2019-12-23 2019-12-23 一种机械零件缺陷检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911344433.8A CN110954599A (zh) 2019-12-23 2019-12-23 一种机械零件缺陷检测方法及系统

Publications (1)

Publication Number Publication Date
CN110954599A true CN110954599A (zh) 2020-04-03

Family

ID=69983802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911344433.8A Withdrawn CN110954599A (zh) 2019-12-23 2019-12-23 一种机械零件缺陷检测方法及系统

Country Status (1)

Country Link
CN (1) CN110954599A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111398293A (zh) * 2020-04-08 2020-07-10 重庆引尖机电有限公司 一种零部件生产检测系统
CN114115054A (zh) * 2021-11-30 2022-03-01 沈阳工业大学 一种基于神经网络的在线检测机器人控制系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109115805A (zh) * 2018-10-25 2019-01-01 广东华中科技大学工业技术研究院 基于超声和光学双成像的透明构件缺陷检测装置及方法
CN109374734A (zh) * 2018-09-20 2019-02-22 华东交通大学 一种基于轮对的相控阵超声探伤装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109374734A (zh) * 2018-09-20 2019-02-22 华东交通大学 一种基于轮对的相控阵超声探伤装置
CN109115805A (zh) * 2018-10-25 2019-01-01 广东华中科技大学工业技术研究院 基于超声和光学双成像的透明构件缺陷检测装置及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
肖俊建等: "图像处理技术在焊缝射线探伤中的应用", 《机械设计与制造》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111398293A (zh) * 2020-04-08 2020-07-10 重庆引尖机电有限公司 一种零部件生产检测系统
CN114115054A (zh) * 2021-11-30 2022-03-01 沈阳工业大学 一种基于神经网络的在线检测机器人控制系统

Similar Documents

Publication Publication Date Title
CN107486415B (zh) 基于机器视觉的篾片缺陷在线检测系统及检测方法
CN102305798B (zh) 基于机器视觉的玻璃缺陷的检测与分类方法
CN105388162B (zh) 基于机器视觉的原料硅片表面划痕检测方法
CN104732235B (zh) 一种消除夜间道路反光干扰的车辆检测方法
CN108287010B (zh) 一种螃蟹多指标分级装置与方法
CN102998316B (zh) 一种透明液体杂质检测系统及其检测方法
CN107610104A (zh) 一种基于机器视觉的电梯补偿链r处裂纹检测方法
CN110954599A (zh) 一种机械零件缺陷检测方法及系统
CN104198497A (zh) 一种基于视觉显著图和支持向量机的表面缺陷检测方法
CN106780437B (zh) 一种快速qfn芯片塑封图像获取与放大方法
CN111366584B (zh) 基于视觉识别的报废汽车可回收零部件损伤分类方法及设备
CN108020554A (zh) 一种带钢表面缺陷识别检测方法
CN112560941A (zh) 基于图像检测的煤矸识别方法
CN111889387B (zh) 一种安全带扣尺寸与表面缺陷的检测装置及图像识别方法
CN103387123A (zh) 基于机器视觉的矿用胶带撕裂智能检测系统
CN106900601B (zh) 一种快速精准识别对虾图像虾头点与虾尾点的方法
Arlimatti Window based method for automatic classification of apple fruit
CN111330874A (zh) 药瓶底部区域污染或杂物缺陷检测装置及其检测方法
CN112950602B (zh) 基于深度相机与机器学习的糖果缺陷检测装置及分类方法
CN113834814B (zh) 一种手套表面缺陷检测的装置
CN107350173B (zh) 一种板栗自动分拣方法
CN116698860B (zh) 基于图像处理实现批量实心根类中药切片质量分析的方法
CN1190125C (zh) 雏鸡性别自动化鉴别方法和系统
CN115672745A (zh) 一种钛及钛合金回收屑料高密度夹杂分选方法
CN107497706B (zh) 一种板栗分选装置和方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200403