CN111610205A - 一种金属零部件x光图像缺陷检测装置 - Google Patents
一种金属零部件x光图像缺陷检测装置 Download PDFInfo
- Publication number
- CN111610205A CN111610205A CN202010438102.7A CN202010438102A CN111610205A CN 111610205 A CN111610205 A CN 111610205A CN 202010438102 A CN202010438102 A CN 202010438102A CN 111610205 A CN111610205 A CN 111610205A
- Authority
- CN
- China
- Prior art keywords
- image
- unit
- ray
- metal parts
- cpu
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 63
- 239000002184 metal Substances 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000003384 imaging method Methods 0.000 claims abstract description 9
- 238000004891 communication Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/03—Investigating materials by wave or particle radiation by transmission
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/10—Different kinds of radiation or particles
- G01N2223/101—Different kinds of radiation or particles electromagnetic radiation
- G01N2223/1016—X-ray
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/646—Specific applications or type of materials flaws, defects
Abstract
本发明提供一种金属零部件X光图像缺陷检测装置,包括:X光成像设备,所述X光成像设备通讯连接于图像缺陷检测装置,所述图像缺陷检测装置包括CPU计算单元、GPU图像处理单元、图像采集单元、数据接口单元、存储单元,所述GPU图像处理单元、图像采集单元、数据接口单元、存储单元通讯连接于CPU计算单元,CPU计算单元通过图像采集单元连接于X光成像设备,图像采集单元用于采集工业检测X光机拍摄的影像,形成计算机装置可处理的数字图像文件,传输到CPU计算单元进行调度处理。本发明实时对需检测的金属零部件X光图像进行运算推断,识别出图像中存在的气泡、疏松、裂纹等质量缺陷特征,并在图像中对缺陷区域位置予以标定。
Description
技术领域
本发明涉及金属零部件生产的缺陷检测技术领域,具体为一种金属零部件X光图像缺陷检测装置。
背景技术
金属零部件是工业产品的重要组成部分,以汽车产品为例,汽车轮毂、发动机缸盖、转向节等均是汽车的重要金属零部件,由专业的汽车零部件制造工厂生产,这些零部件产品的制造质量,对于汽车的安全驾驶而言至关重要。上述汽车零部件主要是由金属材质加工而成,在产线的质检工序过程中,需要借助工业检测X光机,对金属零部件进行X光射线照射后,从而形成其内部的X光影像,若金属零部件内部有气泡、疏松、裂纹等质量缺陷,则在X光影像上的缺陷处会表现出不同于正常情况的图像特性。产线的质检人员可以凭借经验通过肉眼观察此X光影像或者借助于一定的机器视觉分析装置,来判定此金属零部件内部有无气泡、疏松、裂纹等质量缺陷。
基于卷积神经网络算法的深度学习技术进行图像识别,利用了人类视觉系统的机理结合人工智能计算机技术,通过图像的特征与分级对目标特征图像进行训练分类。金属零部件X光影像上的气泡、疏松、裂纹等图像具有各自的特征,可以通过深度学习的神经网络方法进行计算机图像识别,具体包括首先利用足够数量的缺陷图像样本对神经网络模型进行训练以及验证,在获得针对气泡、疏松、裂纹等质量缺陷的图像特征识别模型后,部署运行到产线上用于进行质量缺陷图像识别的计算机装置中,对金属零部件X光影像进行自动识别,以判定是否存在气泡、疏松、裂纹等质量缺陷。
发明内容
本发明所解决的技术问题在于提供一种金属零部件X光图像缺陷检测装置,以解决上述背景技术中提出的问题。
本发明所解决的技术问题采用以下技术方案来实现:一种金属零部件X光图像缺陷检测装置,包括:X光成像设备,所述X光成像设备通讯连接于图像缺陷检测装置,所述图像缺陷检测装置包括CPU计算单元、GPU图像处理单元、图像采集单元、数据接口单元、存储单元,所述GPU图像处理单元、图像采集单元、数据接口单元、存储单元通讯连接于CPU计算单元,CPU计算单元通过图像采集单元连接于X光成像设备,图像采集单元用于采集工业检测X光机拍摄的影像,形成计算机装置可处理的数字图像文件,传输到CPU计算单元进行调度处理。
所述CPU计算单元用于运行系统软件,管理整个计算装置的资源,调度各个功能单元的处理任务,实现对金属零部件X光图像的识别分析。
所述GPU图像处理单元用于运行缺陷图像神经网络模型,对输入的结构零部件X光图像进行人工智能推断识别,以判定是否存在气泡、疏松、裂纹等质量缺陷的特征图像区域。
所述数据接口单元用于采集工业检测X光机拍摄的影像,形成计算机装置可处理的数字图像文件,传输到CPU计算单元进行调度处理。
所述存储单元用于存储本计算机装置的程序、配置参数,以及运行过程中的临时数据。
与现有技术相比,本发明的有益效果是:本发明实时对需检测的金属零部件X光图像进行运算推断,识别出图像中存在的气泡、疏松、裂纹等质量缺陷特征,并在图像中对缺陷区域位置予以标定。
附图说明
图1为本发明的结构示意图。
图2为本发明的工作流程示意图。
图3为本发明的疏松缺陷X光图像示意图。
图4为本发明的气泡缺陷X光图像示意图。
具体实施方式
为了使本发明的实现技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示,进一步阐述本发明,在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以两个元件内部的连通。
如图1~4所示,一种金属零部件X光图像缺陷检测装置,包括:X光成像设备,所述X光成像设备通讯连接于图像缺陷检测装置,所述图像缺陷检测装置包括CPU计算单元、GPU图像处理单元、图像采集单元、数据接口单元、存储单元,所述GPU图像处理单元、图像采集单元、数据接口单元、存储单元通讯连接于CPU计算单元,CPU计算单元通过图像采集单元连接于X光成像设备,图像采集单元用于采集工业检测X光机拍摄的影像,形成计算机装置可处理的数字图像文件,传输到CPU计算单元进行调度处理。
所述CPU计算单元用于运行系统软件,管理整个计算装置的资源,调度各个功能单元的处理任务,实现对金属零部件X光图像的识别分析。
所述GPU图像处理单元用于运行缺陷图像神经网络模型,对输入的结构零部件X光图像进行人工智能推断识别,以判定是否存在气泡、疏松、裂纹等质量缺陷的特征图像区域。
所述数据接口单元用于采集工业检测X光机拍摄的影像,形成计算机装置可处理的数字图像文件,传输到CPU计算单元进行调度处理。
所述存储单元用于存储本计算机装置的程序、配置参数,以及运行过程中的临时数据。
本发明的使用方法包括以下步骤:
步骤1,工业检测X光机拍摄一张工业金属零部件的X光透视影像图片;
步骤2,连接工业检测X光机的计算机将金属零部件图片实时发送到本发明装置上的质量缺陷检测系统;
步骤3,质量缺陷检测系统上部署的缺陷图像神经网络模型对该金属零部件X光透视图片进行缺陷特征区域检测;
步骤4,质量缺陷检测系统将检测结果(有无缺陷,缺陷类型,缺陷位置等信息)返回到连接工业检测X光机的计算机;
步骤5,跳到步骤1,继续拍摄下一张工业金属零部件的X光透视影像图片;
本发明的计算机装置中部署的缺陷图像神经网络模型,是事先通过深度学习算法训练得到的。该训练方法是一种标准的人工智能深度学习技术的模型训练方法,即首先收集具有气泡、疏松、裂纹等质量缺陷的金属零部件的X光透视图像,此类图像中包含有上述质量缺陷表现出的特征图像区域,然后运用深度学习技术对收集的X光图像进行样本训练以及验证,训练采用了卷积神经网络深度学习技术,训练和验证通过后形成具有相应质量缺陷的特征图像区域的神经网络模型。即可部署到本发明的计算机装置中,用于对金属零部件的X光图像进行质量缺陷的自动识别。
本发明提出了一种基于深度学习技术的金属零部件X光图像缺陷检测计算机装置及相应检测方法,通过运行人工智能软件对金属零部件X光图像所包含的质量缺陷特征区域进行自动识别。与传统的人工判断X光图像中包含的质量缺陷方式相比,既可以避免因质检人员的视觉疲劳造成的误判问题,又可以避免不同质检人员判断标准不一的问题,保障判定结果的一致性和判定工作的效率;与传统的机器视觉判断X光图像中包含的质量缺陷方式相比,传统机器视觉方式通过将被检测零部件X光图像与事先保存的无缺陷模板图像进行像素比较来判定,需要的X光图像的重复精度要求高,而且不同规格产品或不同位置的缺陷需调用不同的参照模板图像,灵活性差,实施成本高,且判定的准确性易受环境因素干扰。而本发明的基于深度学习技术的人工智能检测方法判定准确性受环境因素干扰小,且随着缺陷检测计算机装置运行判断过的缺陷特征图像的积累,对被检测金属零部件缺陷识别的准确率会不断提升,高于传统机器视觉方式。并且本发明的计算机装置可通过升级软件而灵活扩展可识别的缺陷类型以及可检测的零部件类型,具有综合成本低的优势。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明的要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种金属零部件X光图像缺陷检测装置,包括:X光成像设备,其特征在于:所述X光成像设备通讯连接于图像缺陷检测装置,所述图像缺陷检测装置包括CPU计算单元、GPU图像处理单元、图像采集单元、数据接口单元、存储单元,所述GPU图像处理单元、图像采集单元、数据接口单元、存储单元通讯连接于CPU计算单元,CPU计算单元通过图像采集单元连接于X光成像设备,图像采集单元用于采集工业检测X光机拍摄的影像,形成计算机装置可处理的数字图像文件,传输到CPU计算单元进行调度处理。
2.根据权利要求1所述的一种金属零部件X光图像缺陷检测装置,其特征在于:所述CPU计算单元用于运行系统软件,管理整个计算装置的资源,调度各个功能单元的处理任务,实现对金属零部件X光图像的识别分析。
3.根据权利要求1所述的一种金属零部件X光图像缺陷检测装置,其特征在于:所述GPU图像处理单元用于运行缺陷图像神经网络模型,对输入的结构零部件X光图像进行人工智能推断识别,以判定是否存在气泡、疏松、裂纹质量缺陷的特征图像区域。
4.根据权利要求1所述的一种金属零部件X光图像缺陷检测装置,其特征在于:所述数据接口单元用于采集工业检测X光机拍摄的影像,形成计算机装置可处理的数字图像文件,传输到CPU计算单元进行调度处理。
5.根据权利要求1所述的一种金属零部件X光图像缺陷检测装置,其特征在于:所述存储单元用于存储本计算机装置的程序、配置参数,以及运行过程中的临时数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010438102.7A CN111610205A (zh) | 2020-06-12 | 2020-06-12 | 一种金属零部件x光图像缺陷检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010438102.7A CN111610205A (zh) | 2020-06-12 | 2020-06-12 | 一种金属零部件x光图像缺陷检测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111610205A true CN111610205A (zh) | 2020-09-01 |
Family
ID=72195960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010438102.7A Pending CN111610205A (zh) | 2020-06-12 | 2020-06-12 | 一种金属零部件x光图像缺陷检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111610205A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470024A (zh) * | 2021-09-02 | 2021-10-01 | 深圳市信润富联数字科技有限公司 | 轮毂内部缺陷检测方法、装置、设备、介质及程序产品 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101021491A (zh) * | 2006-12-28 | 2007-08-22 | 华南理工大学 | 基于图像理解的轮毂铸造缺陷自动检测方法及装置 |
CN102590247A (zh) * | 2012-03-05 | 2012-07-18 | 上海海事大学 | 一种基于x光图像处理技术的钢丝绳损伤检测方法 |
CN102937599A (zh) * | 2012-10-25 | 2013-02-20 | 中国科学院自动化研究所 | 一种通过x射线检测含金属被测物的无损检测系统和方法 |
CN104515786A (zh) * | 2015-01-08 | 2015-04-15 | 北京科技大学 | 金属铸件疲劳过程内部缺陷演化的检测方法与分析方法 |
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 |
CN110779937A (zh) * | 2019-10-11 | 2020-02-11 | 上海航天精密机械研究所 | 一种铸件产品内部缺陷智能检测装置 |
-
2020
- 2020-06-12 CN CN202010438102.7A patent/CN111610205A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101021491A (zh) * | 2006-12-28 | 2007-08-22 | 华南理工大学 | 基于图像理解的轮毂铸造缺陷自动检测方法及装置 |
CN102590247A (zh) * | 2012-03-05 | 2012-07-18 | 上海海事大学 | 一种基于x光图像处理技术的钢丝绳损伤检测方法 |
CN102937599A (zh) * | 2012-10-25 | 2013-02-20 | 中国科学院自动化研究所 | 一种通过x射线检测含金属被测物的无损检测系统和方法 |
CN104515786A (zh) * | 2015-01-08 | 2015-04-15 | 北京科技大学 | 金属铸件疲劳过程内部缺陷演化的检测方法与分析方法 |
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 |
CN110779937A (zh) * | 2019-10-11 | 2020-02-11 | 上海航天精密机械研究所 | 一种铸件产品内部缺陷智能检测装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470024A (zh) * | 2021-09-02 | 2021-10-01 | 深圳市信润富联数字科技有限公司 | 轮毂内部缺陷检测方法、装置、设备、介质及程序产品 |
CN113470024B (zh) * | 2021-09-02 | 2021-12-21 | 深圳市信润富联数字科技有限公司 | 轮毂内部缺陷检测方法、装置、设备、介质及程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10964004B2 (en) | Automated optical inspection method using deep learning and apparatus, computer program for performing the method, computer-readable storage medium storing the computer program, and deep learning system thereof | |
US9471057B2 (en) | Method and system for position control based on automated defect detection feedback | |
CN111815572B (zh) | 一种基于卷积神经网络对锂电池焊接质量的检测方法 | |
CN103279765B (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
CN112534470A (zh) | 用于基于图像的目标对象检验的系统及方法 | |
CN111758117B (zh) | 检查系统、识别系统以及学习数据生成装置 | |
CN113111903A (zh) | 智能产线监测系统及监测方法 | |
CN116228651A (zh) | 一种布匹缺陷检测方法、系统、设备及介质 | |
CN115170501A (zh) | 缺陷检测方法、系统、电子设备及存储介质 | |
CN111610205A (zh) | 一种金属零部件x光图像缺陷检测装置 | |
CN114926415A (zh) | 一种基于pcnn与深度学习的钢轨表面检测方法 | |
US20190362188A1 (en) | Information processing method, information processing apparatus, and program | |
CN111738991A (zh) | 一种焊缝缺陷的数字射线检测模型的创建方法 | |
CN111460198A (zh) | 一种图片时间戳的审核方法及装置 | |
CN115705645A (zh) | 在表面改性工艺过程中确定缺陷尺寸的方法和装置 | |
CN113927217A (zh) | 一种智能焊接系统 | |
CN115060742A (zh) | 一种基于视觉边缘计算的印刷电路板缺陷检测系统及方法 | |
CN113727022A (zh) | 巡检图像的采集方法及装置、电子设备、存储介质 | |
CN114494103A (zh) | 缺陷检测方法及检测装置 | |
CN110252686A (zh) | 遥控器质量的确定方法及装置 | |
Nordin et al. | Feature Extraction of Mold Defects on Fine Arts Painting using Derivative Oriented Thresholding | |
CN116551263B (zh) | 一种焊接位置选取的可视化控制方法及系统 | |
CN117333491B (zh) | 一种钢材表面缺陷检测方法及系统 | |
JP7248201B2 (ja) | 解析装置、検査システム、および学習装置 | |
CN117152492B (zh) | 钢箱梁内疲劳裂纹的识别方法、系统、计算机设备及介质 |
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: 20200901 |
|
RJ01 | Rejection of invention patent application after publication |