CN111968085A - 一种长管型件的激光视觉综合检测设备及其检测方法 - Google Patents
一种长管型件的激光视觉综合检测设备及其检测方法 Download PDFInfo
- Publication number
- CN111968085A CN111968085A CN202010797142.0A CN202010797142A CN111968085A CN 111968085 A CN111968085 A CN 111968085A CN 202010797142 A CN202010797142 A CN 202010797142A CN 111968085 A CN111968085 A CN 111968085A
- Authority
- CN
- China
- Prior art keywords
- long pipe
- sample
- dimensional data
- data processing
- image
- 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
Images
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
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Abstract
本发明提供一种长管型件的激光视觉综合检测设备及其检测方法,包括图像采集单元、三维数据采集单元以及数据处理单元;图像采集单元通过第一线性相机与第二线性相机采集到的图形数据均上传至数据处理单元;三维数据采集单元处理器计算出长管型件的三维数据然后上传至数据处理单元;数据处理单元包括三维数据处理模块和图形数据处理模块,三维数据处理模块对三维数据进行拟合获得长管型件的尺寸参数,并与该长管型件的标准数据进行对比,获得三维数据对比图;图形数据处理模块内置检测算法,并通过检测算法分析识别图形数据从而检测结果;在保证检测可靠性的同时提升了检测效率。
Description
技术领域
本发明属于型件检测技术领域,具体涉及一种长管型件的激光视觉综合检测设备及其检测方法。
背景技术
长管型件(直径200-100mm,长度4000-13000mm)是航空航天、能源、化工等领域的一种关键部件。这种零件经常被用于进一步加工成储存、运输高压气体、液体的核心部件。这种长管型件一般采用旋压加工作为第一道工序,在此工序中,坯料经旋压剧烈变形,与模具摩擦,很容易出现内表面材料掉料、粘结在模具上造成材料内表面划伤,这在作为压力容器时的高可靠性、高疲劳性要求的产品中是绝对不允许的。同时,产品加工后形状、尺寸精度是否满足后续要求,也对后续加工至关重要。
当前长管型件表面的加工质量完全依靠人工和设备加工保证,在批量生产中很容易出现质量不稳定情况。普通生产来说,可以通过人工肉眼或粗糙度仪检测表面质量情况;可以通过卡尺等检测工具检测坯料尺寸。但是对于自动生产,上述动作将大幅降低生产效率,必须通过自动检测一方面保证检测的可靠性、一致性;一方面提高检测效率。
发明内容
本发明的目的是提供一种长管型件的激光视觉综合检测设备及其检测方法,以适应自动生产线流水生产需求,采用图像识别和图像采集技术以及结合人工智能和深度学习,实现对金属表面缺陷、划痕和各种表面异常的检测,实现对长管型件尺寸、形状公差的检测,确保长管型件满足后续加工要求。
本发明提供了如下的技术方案:
一种长管型件的激光视觉综合检测设备,包括图像采集单元、三维数据采集单元以及数据处理单元;所述图像采集单元包括机床、轨道、外采集模块以及内采集模块,所述机床一侧设置有三爪卡盘,所述三爪卡盘用于夹持长管型件;所述外采集模块以及内采集模块底部均设置有位移组件,并分别通过位移组件活动设置于轨道上,所述轨道设置于三爪卡盘下方;所述外采集模块包括设置于长管型件外侧的支架以及支架上固定的第一线阵相机;所述内采集模块包括设置于长管型件中心线上的支柱以及支柱上固定的第二线阵相机;所述第一线性相机与第二线性相机采集到的图形数据均上传至数据处理单元;所述三维数据采集单元包括三维数据采集模块,两个所述三维数据采集模块分别固定于外采集模块以及内采集模块上,所述三维数据采集模块包括处理器、半导体激光器、入射镜片、接收镜片以及线性相机,所述半导体激光器通过镜头将固定频段的激光射向长管型件,经长管型件反射的激光通过接收镜片,被内部的线性相机接收然后回传至处理器,处理器计算出长管型件的三维数据然后上传至数据处理单元;所述数据处理单元包括三维数据处理模块和图形数据处理模块,所述三维数据处理模块对三维数据进行拟合获得长管型件的尺寸参数,并与该长管型件的标准数据进行对比,获得三维数据对比图;所述图形数据处理模块内置检测算法,并通过检测算法分析识别图形数据从而检测结果。
优选的,所述检测算法包括以下步骤:
S101、定义输入训练集X∈Rn*D,其中,R表示实数域;X表示输入的样本图像,样本图像从图像数据中随机选取;N表示样本图像的数量;D表示每个样本图像的维度;
S102、定义图像生成器,图像生成器包括生成网络和判别网络,判别网络用于判断输入图像生成器的图像是否为图形样本X;生成网络用于将输入的图像样本X随机产生高斯噪声向量并映射成具有实际意义的生成样本Y;
S103、采用图像样本X和生成样本Y对图像生成器进行优化训练,将图像样本X和生成样本Y均输入判别网络,对判别网络进行深度学习的监督优化;当判别网络输出值的正确率达到最高,采用误差平放最小的方法优化生成网络;
S104、当图像生成器优化完成后,从图像数据中选取一张图像作为检测样本Z,生成网络根据检测样本Z生成与之相近的生成样本Y,然后通过二者匹配得出误差值V1;判断网络根据检测样本Z以及与之相近的生成样本Y进行判别得出误差值V2;
S105、将误差值V1和误差值V2得到总的误差值V,根据误差值V评判检测样本Z是否异常。
优选的,所述根据误差值V评判检测样本Z是否异常包括以下步骤:
S201、分别选取具备凹坑、表面夹杂、折痕、裂缝、划痕、擦伤、辊印、麻面的异常样本U,并对每个异常样本U进行标记;
S202、将标记好的异常样本U带入到S104-S105,得到每个异常标记对应的误差值V3;
S203、通过统计分析法,得到每个异常标记的误差值V3的统计均值Q;
S204、将每个异常标记对应的统计均值Q按照从小到大的顺序进行排列:Q1、Q2、Q3、Q4、Q5、Q6、Q7、Q8;
S206、判断误差值V所处的线性区间,从而获得异常标记,从而获得异常情况。
优选的,所述机床内侧设置有旋转电机、减速机以及三角带,所述旋转电机带动减速机,所述减速机通过三角带带动三爪卡盘旋转。
优选的,所述三爪卡盘为气动或液压三爪卡盘,所述三爪卡盘的夹持部设置有可更换的圆弧形电木垫块。
优选的,所述位移组件包括固定座、驱动电机以及驱动齿轮,所述轨道上铺设有齿条,所述固定座活动嵌设于轨道上,所述驱动电机连接驱动齿轮,所述驱动齿轮通过与齿条啮合带动位移组件移动。
一种长管型件的激光诗句综合检测设备的检测方法,包括以下步骤:
S301、通过三爪卡盘固定长管型件,并带动其匀速旋转;
S302、通过外采集模块和内采集模块分别采集长管型件外表面与内表面的图形数据并上传至数据处理单元;
S303、通过两个三维数据采集模块分别采集长管型件的三维数据并上传至数据处理单元;
S304、数据处理单元通过图形数据判断长管型件外表面与内表面的异常并得出异常结果;
S305、数据处理单元通过三维数据判断长管型件尺寸异常并得出三维数据对比图;
S306、数据处理单元对上述检测的历史数据进行统计分析,并生成相关质量报表。
本发明的有益效果是:
本发明的一种长管型件的激光视觉综合检测设备及其检测方法,通过图像采集单元、三维数据采集单元以及数据处理单元,采用图像识别和图像采集技术以及结合深度学习,实现对金属表面缺陷、划痕和各种表面异常的检测,实现对长管型件尺寸、形状公差的检测,确保长管型件满足后续加工要求;在保证检测可靠性的同时提高了检测的效率。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明检测设备的结构示意图;
图2是长管型件内表面的完整图像示意图;
图3是三维数据采集单元工作原理图;
图4是三维数据采集单元工作过程示意图;
图5是三维数据展开示意图;
图6是图形数据处理模块内置检测算法的工作流程图;
图7是根据误差值V评判检测样本Z是否异常的工作流程图;
图8是本发明检测设备的检测方法的工作流程图;
图中标记为:
1.图像采集单元,11.机床,101.三爪卡盘,12.轨道,13.外采集模块,131.第一线性相机,14.内采集模块,141.第二线性相机,15.位移组件,
2.三维数据采集单元,21.三维数据采集模块,201.处理器,202.半导体激光器,203.入射镜片,204.接收镜片,205.线性相机,
3.数据处理单元,
4.长管型件。
具体实施方式
如图1所示,长管型件的激光视觉综合检测设备,包括图像采集单元1、三维数据采集单元2以及数据处理单元3。
图像采集单元1包括机床11、轨道12、外采集模块13以及内采集模块14,机床11一侧设置有三爪卡盘101,三爪卡盘101用于夹持长管型件4,机床11内侧设置有旋转电机、减速机以及三角带,旋转电机带动减速机,减速机通过三角带带动三爪卡盘101旋转,三爪卡盘101为气动或液压三爪卡盘,三爪卡盘101的夹持部设置有可更换的圆弧形电木垫块。既适应不同直径产品防变形装夹,又不会磨损工件表面。三爪卡盘101抱紧工件外表面,能够快速装卸,适应批量生产需求。
外采集模块13以及内采集模块14底部均设置有位移组件15,并分别通过位移组件15活动设置于轨道12上,位移组件15包括固定座、驱动电机以及驱动齿轮,轨道上铺设有齿条,固定座活动嵌设于轨道12上,驱动电机连接驱动齿轮,驱动齿轮通过与齿条啮合带动位移组件15移动。
轨道12设置于三爪卡盘101下方;外采集模块13包括设置于长管型件4外侧的支架以及支架上固定的第一线阵相机131;内采集模块14包括设置于长管型件4中心线上的支柱以及支柱上固定的第二线阵相机141;第一线性相机131与第二线性相机141采集到的图形数据均上传至数据处理单元3。
如图2所示,通过长管型件4旋转步进方式对内外表面的进行图像采集,根据步进长度和旋转速度可以将图像拼接为完整图像。
如图3所示,三维数据采集单元2包括三维数据采集模块21,两个三维数据采集模块21分别固定于外采集模块13以及内采集模块14上,三维数据采集模块21包括处理器201、半导体激光器202、入射镜片203、接收镜片204以及线性相机205,半导体激光器202通过镜头将固定频段的激光射向长管型件4,经长管型件4反射的激光通过接收镜片204,被内部的线性相机205接收然后回传至处理器201,处理器201计算出长管型件4的三维数据然后上传至数据处理单元3;线性相机205可以在不同的角度下检测这个光点。根据这个角度通过矩阵换算可以得到激光和线性相机205之间的距离,数字信号的处理器就能计算出半导体激光器202和被测物之间的距离。
如图4所示,三维数据采集单元安装固定之后单次测量可以得到被测位置的三维数据,得到长管型件的内外表面与模组的相对距离,通过步进旋转扫描的方式,获取到长管型件管内外表面不同点位的三维点云数据,如图5所示,为三维数据展开示意图。
数据处理单元基于英特尔至强可扩展处理器平台设计开发,支持多通道基于NVIDIA图形计算加速卡的GPU运算,包括三维数据处理模块和图形数据处理模块,三维数据处理模块对三维数据进行拟合获得长管型件4的尺寸参数,并与该长管型件4的标准数据进行对比,获得三维数据对比图;图形数据处理模块内置检测算法,并通过检测算法分析识别图形数据从而检测结果。
如图6所示,上述检测算法包括以下步骤:
S101、定义输入训练集X∈Rn*D,
其中,R表示实数域;X表示输入的样本图像,样本图像从图像数据中随机选取;N表示样本图像的数量;D表示每个样本图像的维度;
S102、定义图像生成器,图像生成器包括生成网络和判别网络,
判别网络用于判断输入图像生成器的图像是否为图形样本X;
生成网络用于将输入的图像样本X随机产生高斯噪声向量并映射成具有实际意义的生成样本Y;
S103、采用图像样本X和生成样本Y对图像生成器进行优化训练,
将图像样本X和生成样本Y均输入判别网络,对判别网络进行深度学习的监督优化;
当判别网络输出值的正确率达到最高,采用误差平放最小的方法优化生成网络;
S104、当图像生成器优化完成后,从图像数据中选取一张图像作为检测样本Z,
生成网络根据检测样本Z生成与之相近的生成样本Y,然后通过二者匹配得出误差值V1;
判断网络根据检测样本Z以及与之相近的生成样本Y进行判别得出误差值V2;
S105、将误差值V1和误差值V2得到总的误差值V,根据误差值V评判检测样本Z是否异常。
如图7所示,上述,根据误差值V评判检测样本Z是否异常包括以下步骤:
S201、分别选取具备凹坑、表面夹杂、折痕、裂缝、划痕、擦伤、辊印、麻面的异常样本U,并对每个异常样本U进行标记;
S202、将标记好的异常样本U带入到S104-S105,得到每个异常标记对应的误差值V3;
S203、通过统计分析法,得到每个异常标记的误差值V3的统计均值Q;
S204、将每个异常标记对应的统计均值Q按照从小到大的顺序进行排列:
Q1、Q2、Q3、Q4、Q5、Q6、Q7、Q8;
S205、对上述排序进行线性区间划分:
S206、判断误差值V所处的线性区间,从而获得异常标记,从而获得异常情况。
如图8所示,本申请长管型件的激光诗句综合检测设备的检测方法,包括以下步骤:
S301、通过三爪卡盘固定长管型件,并带动其匀速旋转;
S302、通过外采集模块和内采集模块分别采集长管型件外表面与内表面的图形数据并上传至数据处理单元;
S303、通过两个三维数据采集模块分别采集长管型件的三维数据并上传至数据处理单元;
S304、数据处理单元通过图形数据判断长管型件外表面与内表面的异常并得出异常结果;
S305、数据处理单元通过三维数据判断长管型件尺寸异常并得出三维数据对比图;
S306、数据处理单元对上述检测的历史数据进行统计分析,并生成相关质量报表。
本申请通过图像采集单元、三维数据采集单元以及数据处理单元,采用图像识别和图像采集技术以及结合深度学习,实现对金属表面缺陷、划痕和各种表面异常的检测,实现对长管型件尺寸、形状公差的检测,确保长管型件满足后续加工要求;在保证检测可靠性的同时提高了检测的效率。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种长管型件的激光视觉综合检测设备,其特征在于,包括图像采集单元、三维数据采集单元以及数据处理单元;
所述图像采集单元包括机床、轨道、外采集模块以及内采集模块,所述机床一侧设置有三爪卡盘,所述三爪卡盘用于夹持长管型件;所述外采集模块以及内采集模块底部均设置有位移组件,并分别通过位移组件活动设置于轨道上,所述轨道设置于三爪卡盘下方;所述外采集模块包括设置于长管型件外侧的支架以及支架上固定的第一线阵相机;所述内采集模块包括设置于长管型件中心线上的支柱以及支柱上固定的第二线阵相机;所述第一线性相机与第二线性相机采集到的图形数据均上传至数据处理单元;
所述三维数据采集单元包括三维数据采集模块,两个所述三维数据采集模块分别固定于外采集模块以及内采集模块上,所述三维数据采集模块包括处理器、半导体激光器、入射镜片、接收镜片以及线性相机,所述半导体激光器通过镜头将固定频段的激光射向长管型件,经长管型件反射的激光通过接收镜片,被内部的线性相机接收然后回传至处理器,处理器计算出长管型件的三维数据然后上传至数据处理单元;
所述数据处理单元包括三维数据处理模块和图形数据处理模块,所述三维数据处理模块对三维数据进行拟合获得长管型件的尺寸参数,并与该长管型件的标准数据进行对比,获得三维数据对比图;所述图形数据处理模块内置检测算法,并通过检测算法分析识别图形数据从而检测结果。
2.根据权利要求1所述的一种长管型件的激光视觉综合检测设备,其特征在于,所述检测算法包括以下步骤:
S101、定义输入训练集X∈Rn*D,
其中,R表示实数域;X表示输入的样本图像,样本图像从图像数据中随机选取;N表示样本图像的数量;D表示每个样本图像的维度;
S102、定义图像生成器,图像生成器包括生成网络和判别网络,
判别网络用于判断输入图像生成器的图像是否为图形样本X;
生成网络用于将输入的图像样本X随机产生高斯噪声向量并映射成具有实际意义的生成样本Y;
S103、采用图像样本X和生成样本Y对图像生成器进行优化训练,
将图像样本X和生成样本Y均输入判别网络,对判别网络进行深度学习的监督优化;
当判别网络输出值的正确率达到最高,采用误差平放最小的方法优化生成网络;
S104、当图像生成器优化完成后,从图像数据中选取一张图像作为检测样本Z,
生成网络根据检测样本Z生成与之相近的生成样本Y,然后通过二者匹配得出误差值V1;
判断网络根据检测样本Z以及与之相近的生成样本Y进行判别得出误差值V2;
S105、将误差值V1和误差值V2得到总的误差值V,根据误差值V评判检测样本Z是否异常。
3.根据权利要求2所述的一种长管型件的激光视觉综合检测设备,其特征在于,所述根据误差值V评判检测样本Z是否异常包括以下步骤:
S201、分别选取具备凹坑、表面夹杂、折痕、裂缝、划痕、擦伤、辊印、麻面的异常样本U,并对每个异常样本U进行标记;
S202、将标记好的异常样本U带入到S104-S105,得到每个异常标记对应的误差值V3;
S203、通过统计分析法,得到每个异常标记的误差值V3的统计均值Q;
S204、将每个异常标记对应的统计均值Q按照从小到大的顺序进行排列:
Q1、Q2、Q3、Q4、Q5、Q6、Q7、Q8;
S205、对上述排序进行线性区间划分:
S206、判断误差值V所处的线性区间,从而获得异常标记,从而获得异常情况。
4.根据权利要求1所述的一种长管型件的激光视觉综合检测设备,其特征在于,所述机床内侧设置有旋转电机、减速机以及三角带,所述旋转电机带动减速机,所述减速机通过三角带带动三爪卡盘旋转。
5.根据权利要求1所述的一种长管型件的激光视觉综合检测设备,其特征在于,所述三爪卡盘为气动或液压三爪卡盘,所述三爪卡盘的夹持部设置有可更换的圆弧形电木垫块。
6.根据权利要求1所述的一种长管型件的激光视觉综合检测设备,其特征在于,所述位移组件包括固定座、驱动电机以及驱动齿轮,所述轨道上铺设有齿条,所述固定座活动嵌设于轨道上,所述驱动电机连接驱动齿轮,所述驱动齿轮通过与齿条啮合带动位移组件移动。
7.一种长管型件的激光诗句综合检测设备的检测方法,其特征在于,包括以下步骤:
S301、通过三爪卡盘固定长管型件,并带动其匀速旋转;
S302、通过外采集模块和内采集模块分别采集长管型件外表面与内表面的图形数据并上传至数据处理单元;
S303、通过两个三维数据采集模块分别采集长管型件的三维数据并上传至数据处理单元;
S304、数据处理单元通过图形数据判断长管型件外表面与内表面的异常并得出异常结果;
S305、数据处理单元通过三维数据判断长管型件尺寸异常并得出三维数据对比图;
S306、数据处理单元对上述检测的历史数据进行统计分析,并生成相关质量报表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010797142.0A CN111968085A (zh) | 2020-08-10 | 2020-08-10 | 一种长管型件的激光视觉综合检测设备及其检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010797142.0A CN111968085A (zh) | 2020-08-10 | 2020-08-10 | 一种长管型件的激光视觉综合检测设备及其检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111968085A true CN111968085A (zh) | 2020-11-20 |
Family
ID=73365436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010797142.0A Pending CN111968085A (zh) | 2020-08-10 | 2020-08-10 | 一种长管型件的激光视觉综合检测设备及其检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111968085A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330659A (zh) * | 2020-11-24 | 2021-02-05 | 成都信息工程大学 | 结合lsd直线检测和连通域标记法的几何公差符号分割方法 |
WO2023097491A1 (zh) * | 2021-11-30 | 2023-06-08 | 宁德时代新能源科技股份有限公司 | 机器视觉检测方法、其检测装置及其检测系统 |
-
2020
- 2020-08-10 CN CN202010797142.0A patent/CN111968085A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330659A (zh) * | 2020-11-24 | 2021-02-05 | 成都信息工程大学 | 结合lsd直线检测和连通域标记法的几何公差符号分割方法 |
CN112330659B (zh) * | 2020-11-24 | 2023-04-07 | 成都信息工程大学 | 结合lsd直线检测和连通域标记法的几何公差符号分割方法 |
WO2023097491A1 (zh) * | 2021-11-30 | 2023-06-08 | 宁德时代新能源科技股份有限公司 | 机器视觉检测方法、其检测装置及其检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11085885B2 (en) | Pipe joint inspection | |
CN210155545U (zh) | 一种用于道岔制造过程自动化在线检测设备 | |
CN111968085A (zh) | 一种长管型件的激光视觉综合检测设备及其检测方法 | |
CN102162717B (zh) | 滚珠螺母螺旋内滚道综合误差自动检测装置及其方法 | |
CN106767518A (zh) | 一种基于线激光扫描的手机外壳质量在线检测装置与方法 | |
CN106903553A (zh) | 微径铣刀磨损检测系统及方法 | |
CN206563560U (zh) | 一种基于线激光扫描的手机外壳质量在线检测装置 | |
CN204007540U (zh) | 基于ccd图像的轧辊圆柱度误差检测装置 | |
CN208224116U (zh) | 一种铸件多工位连续在线检测装置 | |
CN113146427A (zh) | 一种钢轨表面缺陷检测方法 | |
CN207850316U (zh) | 一种轨道车轮踏面检测装置 | |
CN113146369B (zh) | 一种钢轨打磨装置 | |
CN105445285A (zh) | 用于无张力约束下线材视觉检测装置及方法 | |
CN112113908A (zh) | 一种管材测量与缺陷的检测设备及检测方法 | |
CN113146428A (zh) | 一种柔性打磨的复杂曲面构件的焊缝去除系统 | |
CN113933026B (zh) | 一种基于透射反射混合照明的透镜表面瑕疵检测装置及方法 | |
CN113172551B (zh) | 一种钢轨表面加工质量的定量测量方法 | |
CN112945099B (zh) | 一种轴尺寸在线检测系统 | |
CN117169118A (zh) | 一种非接触式孔内表面外观检测装置及方法 | |
JP4382512B2 (ja) | 管体の形状測定方法および同装置 | |
CN103196367A (zh) | 基于图像域的轴套类零件形位误差测量装置及方法 | |
CN206362313U (zh) | 一种基于光波线扫和图像分析的道轨轮廓检测装置 | |
Bračun et al. | Surface defect detection on power transmission belts using laser profilometry | |
CN213689350U (zh) | 一种管材测量与缺陷的检测设备 | |
CN111337499A (zh) | 一种自动化复合式表面缺陷和尺寸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 |