CN112465741B - 悬架弹簧和气门弹簧的缺陷检测方法、装置及存储介质 - Google Patents
悬架弹簧和气门弹簧的缺陷检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112465741B CN112465741B CN202011075476.3A CN202011075476A CN112465741B CN 112465741 B CN112465741 B CN 112465741B CN 202011075476 A CN202011075476 A CN 202011075476A CN 112465741 B CN112465741 B CN 112465741B
- Authority
- CN
- China
- Prior art keywords
- spring
- defect
- image
- detected
- gray
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 287
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 239000000725 suspension Substances 0.000 title claims abstract description 26
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000010606 normalization Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 238000003708 edge detection Methods 0.000 claims abstract description 9
- 238000000513 principal component analysis Methods 0.000 claims abstract description 9
- 230000007246 mechanism Effects 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 29
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 20
- 238000013519 translation Methods 0.000 claims description 20
- 238000005299 abrasion Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 238000011478 gradient descent method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000002950 deficient Effects 0.000 claims description 8
- 238000012847 principal component analysis method Methods 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 238000005498 polishing Methods 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 241001270131 Agaricus moelleri Species 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 239000005338 frosted glass Substances 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 abstract description 3
- 230000006835 compression Effects 0.000 description 11
- 238000007906 compression Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 4
- 230000001066 destructive effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000105 evaporative light scattering detection Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种悬架弹簧和气门弹簧的缺陷检测方法、装置及存储介质,其中方法包括:获取待检测弹簧的图像;对待检测弹簧的图像进行边缘检测;进行边缘连接,根据预设缺陷边缘长度范围筛选出缺陷边缘,分割出弹簧缺陷图像;提取弹簧缺陷图像的几何特征、灰度特征、纹理特征;对所有特征进行数据归一化处理;对每个特征进行主成分分析,得到相应相关系数矩阵的特征值及其对应的贡献率;每个特征值依据贡献率大小排序,并选取前N个特征值;将前N个特征值输入预先训练好的弹簧缺陷分类器,得到待检测弹簧的缺陷类型。该方案极大的提高弹簧缺陷检测的效率和准确率,将工作人员从繁重重复的工作中解放出来,显著降低时间成本和人力成本。
Description
技术领域
本发明涉及弹簧检测技术领域,尤其涉及一种悬架弹簧和气门弹簧的缺陷检测方法、装置及存储介质。
背景技术
产品质量检测是产品生产最重要的一环,尺寸和缺陷检测是弹簧质量检测中的主要部分。对产品的尺寸进行测量以及对缺陷进行检测是重要手段。而传统的尺寸及质量检测方法主要靠各种机械式测量仪和人眼检测。在检测中所存在的问题如下:
1)质量检测是劳动密集型工作,需要人力多,且随着人力成本上升公司成本花费大。
2)对于员工而言,质量检测多数为流水作业,需要重复的体力劳动,长期下来不利于员工身心健康。
3)人的主观影响因素大,不同人测量标准不同,而不同的测量量具也存在误差。
4)如果使用高级的测量仪器,如气动测量仪,三坐标,二次元等,设备费用高,测量工件花费时间长,只适用于小批量或者抽样测量。
发明内容
本发明提供了一种悬架弹簧和气门弹簧的缺陷检测方法、系统、装置及存储介质,以解决现有弹簧检测主要依靠人工检测导致成本高、效率低的问题。
第一方面,提供了一种悬架弹簧和气门弹簧的缺陷检测方法,包括:
获取待检测弹簧的图像;
采用sobel算子对待检测弹簧的图像进行边缘检测;
基于边缘直线进行边缘连接,根据预设缺陷边缘长度范围筛选出缺陷边缘,分割出弹簧缺陷图像;若无弹簧缺陷图像,则表示该待检测弹簧的图像中无缺陷;若有,则,
提取弹簧缺陷图像的几何特征、灰度特征、纹理特征;
对提取的所有特征采用均值归一化进行数据归一化处理;
对归一化处理后的每个特征采用PCA主成分分析方法进行主成分分析,得到相应相关系数矩阵的特征值及该特征值对应的贡献率;其中相关系数矩阵为通过对特征进行数据归一化处理后的协方差矩阵;
每个特征值依据贡献率大小排序,并选取前N个特征值;其中,前N个特征值的累积贡献率大于90%,N为预设值;
将选取的前N个特征值输入预先训练好的弹簧缺陷分类器,得到待检测弹簧的缺陷类型;其中,所述弹簧缺陷分类器为通过若干训练样本对支持向量机进行训练得到,每个训练样本包括采用前述方法得到的前N个特征值及对应的缺陷类型。
上述方案中,考虑到非模式背景的特点及不同物体间的不连续性,采用sobel算子对待检测弹簧的图像进行边缘检测,便于实现只使用一种算法检测出多种缺陷;根据预设缺陷边缘长度范围筛选分割出弹簧缺陷图像,若无无弹簧缺陷图像,则表示该待检测弹簧的图像中无缺陷;若有,则进一步判断缺陷类型。判断缺陷类型的过程中,采用PCA主成分分析方法对提取的特征进行主成分分析,然后提取前N个特征值取代几何特征、灰度特征、纹理特征,可保证准确率的同时降低计算量,提高识别效率。该方案可极大的提高缺陷检测的效率和准确率,并将工作人员从繁重重复的工作中解放出来,显著降低时间成本和人力成本。
进一步地,在分割出弹簧缺陷图像后,可能由于各种原因导致缺陷边缘仍有较多干扰,此时可对弹簧缺陷图像进行膨胀腐蚀的形态学处理,消除干扰,同时保证不改变缺陷的形状。
进一步地,所述几何特征包括:
周长P,通过下式计算得到:
其中,(X,Y)表示弹簧缺陷图像中缺陷轮廓的坐标,Rb表示弹簧缺陷图像中缺陷轮廓;
面积S,通过下式计算得到:
其中,(x,y)分别表示弹簧缺陷图像中缺陷区域坐标,Rd表示弹簧缺陷图像中缺陷区域;
圆形度Rc,通过下式计算得到:
其中,Ur和σr分别为弹簧缺陷图像中缺陷区域重心到边界点的平均距离和均方差;
矩形度Rt,通过下式计算得到:
其中,Ll和Ls分别表示弹簧缺陷图像中缺陷区域的最小外接矩形的长边长度和短边长度;
缺陷紧凑型C,通过下式计算得到:
椭圆偏心率e,通过下式计算得到:
其中,D和a分别表示弹簧缺陷图像中缺陷区域的最小外接矩形对应的椭圆的焦距和主轴长度;
区域占空比Rq,通过下式计算得到:
进一步地,所述灰度特征包括:
灰度中值,用于描述弹簧缺陷图像中缺陷区域各像素灰度的中值;
灰度方差,用于描述弹簧缺陷图像中缺陷区域个像素灰度的方差;
熵,用于描述弹簧缺陷图像中缺陷区域灰度分布的聚集特征所包含的信息量;
最小灰度值,用于描述弹簧缺陷图像中缺陷区域各像素灰度的最小值;
最大灰度值,用于描述弹簧缺陷图像中缺陷区域个像素灰度的最大值;
灰度对比值,用于描述弹簧缺陷图像中缺陷区域各像素灰度的最大值减去最小值。
进一步地,所述纹理特征包括:
能量En,通过下式计算得到:
其中,cij表示(i,j)位置坐标处的灰度值,i、j分别表示横、纵坐标,width表示弹簧缺陷图像中缺陷区域边长;
相关性Co,通过下式计算得到:
其中,ux、uy分别表示弹簧缺陷图像中缺陷区域x轴、y轴方向的长度,sx、sy分别表示弹簧缺陷图像中缺陷区域x轴、y轴方向的灰度值标准差;
均匀性Ho,通过下式计算得到:
对比度Ct,通过下式计算得到:
进一步地,所述缺陷类型包括凹坑、磨损、生锈。三种缺陷中,凹坑为非背景破坏型非模式背景缺陷,磨损和生锈为破坏型非模式背景缺陷。获取图像时,采用红色光源的条光,选用低角度打光方式,光源为不加毛玻璃的直射光,且沿轴向打光。该打光方式可将凹坑缺陷转化为对比型非模式对比缺陷,方便检测,便于后续通过一种算法实现三种缺陷的检测。
进一步地,所述弹簧缺陷分类器通过如下方法得到:
获取若干存在缺陷的弹簧图像,所述缺陷包括凹坑、磨损、生锈;
采用sobel算子对若干存在缺陷的弹簧图像进行边缘检测;
基于边缘直线进行边缘连接,根据预设缺陷边缘长度范围筛选出缺陷边缘,分割得到若干弹簧缺陷图像;
提取若干弹簧缺陷图像的几何特征、灰度特征、纹理特征;
分别对提取的每张弹簧缺陷图像对应的所有特征采用均值归一化进行数据归一化处理;
对归一化处理后的每个特征采用PCA主成分分析方法进行主成分分析,得到相应相关系数矩阵的特征值及该特征值对应的贡献率;其中相关系数矩阵为通过对特征进行数据归一化处理后的协方差矩阵;
每个特征值依据贡献率大小排序,并选取前N个特征值;其中,前N个特征值的累积贡献率大于90%,N为预设值;
得到若干个样本,每个样本均包括前N个特征值及该样本对应的缺陷类型;
将若干样本分为训练集和测试集,训练集和测试集中均包含有凹坑、磨损、生锈三种缺陷类型的样本;
基于训练集,以前N个特征值为输入,以缺陷类型为输出,训练基于DAG SVM分类算法的支持向量机,并通过测试集进行优化,得到弹簧缺陷分类器。
进一步地,所述弹簧缺陷分类器包括磨损生锈分类器、凹坑磨损分类器和凹坑生锈分类器;利用弹簧缺陷分类器进行缺陷类型识别过程中,首先通过磨损生锈分类器判断是磨损还是生锈,若为磨损,则判断是磨损还是凹坑;若为生锈,则判断是生锈还是凹坑;
训练过程中,为了防止过拟合,选择L1正则,对于L1正则的比例系数C为一个超参数。同时,为了使支持向量机更适合于非线性分割的数据,对参数引入多项式特征,这里使用高斯核函数代替,其中只有一个超参数gamma。然后,用交叉验证法K-CV(K-fold CrossValidation,从模型的两个超参数中选择合适的超参数,为了找到最好的一组参数,采用网格搜索的方式,将其超参数C和gamma在一定范围内按一定步距取值,然后求其得分,将得分最高的一组超参数C和gamma作为最优超参数。
训练过程中,梯度下降法采用通过PID进行闭环控制的梯度下降法,PID控制模型如下:
其中,u(k)表示下降步长,e(k)表示优化函数的梯度,Kp取1~5,Ki取0.1~1,Kd取1。
采用通过PID进行闭环控制的梯度下降法可以加速梯度下降,加快收敛速度。
进一步地,还包括弹簧尺寸检测,包括:
在待检测弹簧前端放置不透明的物块,且该物块相对于弹簧底部的距离;
获取包含物块及待检测弹簧的图像;
采用阈值法将物块、待检测弹簧与背景分割;
再根据圆的形状特征采用基于形状的分割法得到待检测弹簧末端的圆;
计算该圆的中心坐标到物块的距离,即可得到待检测弹簧的尺寸。
第二方面,提供了一种弹簧缺陷检测装置,包括二维平移台、弹簧安装机构、旋转机构、相机、工控机;
所述弹簧安装机构安装于所述二维平移台上,所述旋转机构安装于所述弹簧安装机构上,所述相机安装于所述二维平移台上方;
所述二维平移台、旋转机构、相机均与所述工控机电连接;
所述弹簧安装机构用于安装固定待检测弹簧;所述二维平移台用于控制所述弹簧安装机构做往复运动;所述旋转机构用于驱动安装好的待检测弹簧转动;所述相机用于对移动至检测位的待检测弹簧进行图像采集,并将采集的图像传输至所述工控机;
所述工控机接收到采集的图像后,执行如上所述的悬架弹簧和气门弹簧的缺陷检测方法。
第三方面,提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序适于被处理器加载并执行如上所述的悬架弹簧和气门弹簧的缺陷检测方法。
有益效果
本发明提出了一种悬架弹簧和气门弹簧的缺陷检测方法、装置及存储介质,考虑到非模式背景的特点及不同物体间的不连续性,采用sobel算子对待检测弹簧的图像进行边缘检测,便于实现只使用一种算法检测出多种缺陷;根据预设缺陷边缘长度范围筛选分割出弹簧缺陷图像,若无无弹簧缺陷图像,则表示该待检测弹簧的图像中无缺陷;若有,则进一步判断缺陷类型。判断缺陷类型的过程中,采用PCA主成分分析方法对提取的特征进行主成分分析,然后提取前N个特征值取代几何特征、灰度特征、纹理特征,可保证准确率的同时降低计算量,提高识别效率。该方案可极大的提高缺陷检测的效率和准确率,并将工作人员从繁重重复的工作中解放出来,显著降低时间成本和人力成本。因此,对制造型企业实现产品自动化高效生产具有重大意义。
附图说明
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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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。
图1是本发明实施例提供的一种悬架弹簧和气门弹簧的缺陷检测方法的流程图;
图2是本发明实施例提供的一实例中三种缺陷数据的距离图;
图3是本发明实施例提供的一实例中弹簧缺陷分类器的工作流程图;
图4是本发明实施例提供的原始梯度下降法迭代过程与该通过PID进行闭环控制的梯度下降法迭代过程对比图;
图5是本发明实施例提供的一包含物块及待检测弹簧的图像;
图6是本发明实施例提供的采用基于形状的分割法得到待检测弹簧末端的圆的图像;
图7是本发明实施例提供的一种弹簧缺陷检测装置结构示意图;
图8是本发明一实施例提供的夹持机构结构示意图;
图9是本发明另一实施例提供的夹持机构结构示意图;
图10是图9提供的实施例中夹持机构的爆炸图;
图11是图10提供的实施例中连接模块的结构示意图;
图12是本发明实施例提供的旋转机构结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”、“中心”、“纵向”、“横向”、“竖直”、“水平”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或顺序。此外,在本发明的描述中,除非另有说明,“多个”的含义是指至少两个。
实施例1
本实施例提供了悬架弹簧和气门弹簧的缺陷检测方法,其在进行检测之前,先训练一个弹簧缺陷分类器,如图1所示,其具体训练过程如下:
步骤一:获取若干存在缺陷的弹簧图像,所述缺陷包括凹坑、磨损、生锈;三种缺陷中,凹坑为非背景破坏型非模式背景缺陷,磨损和生锈为破坏型非模式背景缺陷。获取图像时,采用红色光源的条光,选用低角度打光方式,光源为不加毛玻璃的直射光,且沿轴向打光。该打光方式可将凹坑缺陷转化为对比型非模式对比缺陷,方便检测,便于后续通过一种算法实现三种缺陷的检测。
步骤二:采用sobel算子对若干存在缺陷的弹簧图像进行边缘检测;所述sobel算子的水平和竖直梯度模板为:
其中,Gx、Gy分别表示水平和竖直两个方向的梯度模板。
步骤三:因为检测出的边缘线为分段边缘线,为了获得完整的边缘轮廓,基于边缘直线进行边缘连接,具体根据边缘直线的间隔距离及角度进行边缘连接,根据预设缺陷边缘长度范围筛选出缺陷边缘,分割得到若干弹簧缺陷图像。本实施例中,因为对缺陷的要求为长度低于1mm时,不视为缺陷;同时,缺陷一般不会不会大于30mm;因此本实施例中预设缺陷边缘长度为11mm~30mm。得到弹簧缺陷图像后,可能由于各种原因导致缺陷边缘仍有较多干扰,此时可对弹簧缺陷图像进行膨胀腐蚀的形态学处理,消除干扰,同时保证不改变缺陷的形状,即实施时,根据实际情况选择所做形态学处理的模板大小,所做形态学处理的模板大小不能过大,否则会改变缺陷形状,丢失了形状相关特征。
步骤四:提取若干弹簧缺陷图像的几何特征、灰度特征、纹理特征;其中,
几何特征包括:
周长P,用于描述簧缺陷图像中缺陷轮廓像素点的总数,通过下式计算得到:
其中,(X,Y)表示弹簧缺陷图像中缺陷轮廓的坐标,Rb表示弹簧缺陷图像中缺陷轮廓;
面积S,用于描述簧缺陷图像中缺陷区域内像素点的总数,通过下式计算得到:
其中,(x,y)分别表示弹簧缺陷图像中缺陷区域坐标,Rd表示弹簧缺陷图像中缺陷区域;
圆形度Rc,用于描述簧缺陷图像中缺陷区域呈圆的程度,通过下式计算得到:
其中,Ur和σr分别为弹簧缺陷图像中缺陷区域重心到边界点的平均距离和均方差;
矩形度Rt,用于描述簧缺陷图像中缺陷区域呈矩形的程度,通过下式计算得到:
其中,Ll和Ls分别表示簧缺陷图像中缺陷区域的最小外接矩形的长边长度和短边长度;
缺陷紧凑型C,用于描述簧缺陷图像中缺陷区域面积与周长的比值,通过下式计算得到:
椭圆偏心率e,用于描述簧缺陷图像中缺陷区域外接矩形对应的椭圆的焦距和主轴长度间的比率,通过下式计算得到:
其中,D和a分别表示簧缺陷图像中缺陷区域的最小外接矩形对应的椭圆的焦距和主轴长度;
区域占空比Rq,用于描述簧缺陷图像中缺陷区域面积与外接矩形面积的比率,通过下式计算得到:
可选地,还包括离心率R0,用于描述簧缺陷图像中缺陷区域各个像素位置到质心得距离。
进一步地,所述灰度特征包括:
灰度中值,用于描述弹簧缺陷图像中缺陷区域各像素灰度的中值;
灰度方差,用于描述弹簧缺陷图像中缺陷区域个像素灰度的方差;
熵,用于描述弹簧缺陷图像中缺陷区域灰度分布的聚集特征所包含的信息量;
最小灰度值,用于描述弹簧缺陷图像中缺陷区域各像素灰度的最小值;
最大灰度值,用于描述弹簧缺陷图像中缺陷区域个像素灰度的最大值;
灰度对比值,用于描述弹簧缺陷图像中缺陷区域各像素灰度的最大值减去最小值。
纹理矩阵可由灰度共生矩阵得到。此处分别对x轴、y轴方向及与x轴、y轴夹角45°方向做灰度共生矩阵,再取其平均值作为最终结果。纹理特征包括:
能量En,用于描述弹簧缺陷图像中缺陷区域各灰度概率的和,通过下式计算得到:
其中,cij表示(i,j)位置坐标处的灰度值,i、j分别表示横、纵坐标,width表示弹簧缺陷图像中缺陷区域边长;
相关性Co,用于描述弹簧缺陷图像中缺陷区域灰度值的相关性,通过下式计算得到:
其中,ux、uy分别表示弹簧缺陷图像中缺陷区域x轴、y轴方向的长度,sx、sy分别表示弹簧缺陷图像中缺陷区域x轴、y轴方向的灰度值标准差;
均匀性Ho,通过下式计算得到:
对比度Ct,用于描述弹簧缺陷图像中缺陷区域灰度剧烈变化的大小,通过下式计算得到:
步骤五:分别对提取的每张弹簧缺陷图像对应的所有特征采用均值归一化进行数据归一化处理。
步骤六:对归一化处理后的每个特征采用PCA主成分分析方法进行主成分分析,得到相应相关系数矩阵的特征值及该特征值对应的贡献率;其中相关系数矩阵为通过对特征进行数据归一化处理后的协方差矩阵。
步骤七:每个特征值依据贡献率大小排序,并选取前N个特征值;其中,前N个特征值的累积贡献率大于90%,N为预设值;如表1所示,即为一张弹簧缺陷图像对应的特征值及其贡献率。
表1特征值及其贡献率
从表中可以看到该样本协方差矩阵的前3个特征值的累积贡献率为94%,能很大程度上反映原始数据的信息,因此,可采用前3个特征值来代替原始的18个特征变量。
步骤八:得到若干个样本,每个样本均包括前N个特征值及该样本对应的缺陷类型;将若干样本分为训练集和测试集,训练集和测试集中均包含有凹坑、磨损、生锈三种缺陷类型的样本。
步骤九:基于训练集,以前N个特征值为输入,以缺陷类型为输出,训练基于DAGSVM 分类算法的支持向量机,并通过测试集进行优化,得到弹簧缺陷分类器。
其中,所述弹簧缺陷分类器包括磨损生锈分类器、凹坑磨损分类器和凹坑生锈分类器;利用弹簧缺陷分类器进行缺陷类型识别过程中,首先通过磨损生锈分类器判断是磨损还是生锈,若为磨损,则判断是磨损还是凹坑;若为生锈,则判断是生锈还是凹坑。
为了进一步理解该弹簧缺陷分类器训练过程原理,下面结合具体实例做进一步说明。
得到主成分的计算方式后,分别计算每个缺陷类型的主成分值,取每个缺陷类型的一个代表数据,得到如表2的表格。
表2典型缺陷的主成分值
然后,选用支持向量机的方式进行缺陷分类,采用基于DAG SVM的分类算法设计。对此,在距离测量上选用传统的欧几里得距离,以及使用每个数据的中值作为数据中心点。得到如图2所示的各类数据的距离图。
由图可见,其中凹坑与生锈间的距离为2.473,凹坑与磨损间的距离为2.302,磨损与生锈间的距离为2.679。可知每次应先判断磨损与生锈,如果为磨损则判断是磨损还是凹坑,如果为生锈则判断是生锈还是凹坑。其流程如图3所示。
将训练集中特征值经过SVM训练后,得到凹坑和磨损、凹坑和生锈、磨损和生锈的SVM 分类器模型。之后将测试集数据进行分类测试,本实例中每种缺陷有两组数据,则共有2*3=6 个测试样本。每个测试样本的主成分值如表3所示。
表3测试样本主成分值
训练过程中,为了防止过拟合,需要对SVM做一点修改,也就是使得它可以接受部分不可分的数据。选择L1正则,如下L1正则的SVM公式所示,对于L1正则的比例系数C为一个超参数。同时,为了使支持向量机更适合于非线性分割的数据,对参数引入多项式特征,这里使用如下高斯核函数代替,其中只有一个超参数σ。然后,用交叉验证法K-CV(K-foldCross Validation,从模型的两个超参数中选择合适的超参数,为了找到最好的一组参数,采用网格搜索的方式,将其超参数C和σ在一定范围内按一定步距取值,然后求其得分,将得分最高的一组超参数C和σ作为最优超参数。
(L1正则)
(高斯核函数)
σ是带宽,控制径向作用范围,换句话说,σ控制高斯核函数的局部作用范围。当x和x′的欧式距离处于某一个区间范围内的时候,假设固定x′,k(x,x′)随x的变化而变化的相当显著。
训练过程中,梯度下降法采用通过PID进行闭环控制的梯度下降法,PID控制模型如下:
其中,u(k)表示下降步长,e(k)表示优化函数的梯度,Kp取1~5,Ki取0.1~1,Kd取1。原始梯度下降法迭代过程与该通过PID进行闭环控制的梯度下降法迭代过程对比如图4所示。
通过上述方法预先训练好弹簧缺陷分类器后,即可进行弹簧缺陷的识别。具体包括:
如图1所示,提供了一种悬架弹簧和气门弹簧的缺陷检测方法,包括:
S01:获取待检测弹簧的图像;
S02:采用sobel算子对待检测弹簧的图像进行边缘检测;
S03:基于边缘直线进行边缘连接,根据预设缺陷边缘长度范围筛选出缺陷边缘,分割出弹簧缺陷图像;若无弹簧缺陷图像,则表示该待检测弹簧的图像中无缺陷;若有,则进入步骤S04;
S04:提取弹簧缺陷图像的几何特征、灰度特征、纹理特征;
S05:对提取的所有特征采用均值归一化进行数据归一化处理;
S06:对归一化处理后的每个特征采用PCA主成分分析方法进行主成分分析,得到相应相关系数矩阵的特征值及该特征值对应的贡献率;其中相关系数矩阵为通过对特征进行数据归一化处理后的协方差矩阵;
S07:每个特征值依据贡献率大小排序,并选取前N个特征值;其中,前N个特征值的累积贡献率大于90%,N为预设值;
S08:将选取的前N个特征值输入预先训练好的弹簧缺陷分类器,得到待检测弹簧的缺陷类型;其中,所述弹簧缺陷分类器为通过若干训练样本对支持向量机进行训练得到,每个训练样本包括采用前述方法得到的前N个特征值及对应的缺陷类型。
其中从获取待检测弹簧的图像到得到N个特征值的具体过程可参见前述弹簧缺陷分类器训练方法,在此不再赘述。
另外,本实施例中,还包括弹簧尺寸检测,具体过程包括:
在待检测弹簧前端放置不透明的物块,且该物块相对于弹簧底部的距离;
获取包含物块及待检测弹簧的图像,如图5所示;
采用阈值法将物块、待检测弹簧与背景分割;
再根据圆的形状特征采用基于形状的分割法得到待检测弹簧末端的圆,如图6所示;
计算该圆的中心坐标到物块的距离,用物块相对于弹簧底部的距离减去该圆的中心坐标到物块的距离,即可得到待检测弹簧的尺寸。
实施例2
如图7~12所示,本实施例提供了一种弹簧缺陷检测装置,包括二维平移台2、弹簧安装机构1、旋转机构3、相机5、工控机4;
所述弹簧安装机构1安装于所述二维平移台2上,所述旋转机构3安装于所述弹簧安装机构1上,所述相机5安装于所述二维平移台2上方;
所述二维平移台2、旋转机构3、相机5均与所述工控机4电连接;
所述弹簧安装机构1用于安装固定待检测弹簧8;所述二维平移台2用于控制所述弹簧安装机构1做往复运动;所述旋转机构3用于驱动安装好的待检测弹簧8转动;所述相机5用于对移动至检测位的待检测弹簧8进行图像采集,并将采集的图像传输至所述工控机4;
所述工控机4接收到采集的图像后,执行如实施例1所述的悬架弹簧和气门弹簧的缺陷检测方法。
使用该弹簧检测装置时,首先将待检测弹簧8安装于弹簧安装机构1上,工控机4控制二维平移台2工作以将待检测弹簧8移动至检测位,工控机4控制旋转机构3驱动待检测弹簧8转动,同时控制相机5对待检测弹簧8进行拍照,并将采集的图像传输至工控机4以便进行弹簧尺寸和/或缺陷的检测。
优选地,本实施例中还包括光源6,所述光源6对应所述相机5设置于所述二维平移台2 的一侧;所述光源6用于对移动至检测位的待检测弹簧8进行打光。具体的,所述光源包括光源支撑架61及安装于所述光源支撑架61上的条光源。光源可根据需要选择不同颜色的光,如红色光、白光。
本实施例中,所述二维平移台2包括第一电机21及与所述第一电机21配合的滑台22。工控机4控制第一电机21正反转,以驱动滑台22工作,进而带动弹簧安装机构1做往复运动。具体实施时,第一电机21为伺服电机,可采用禾川SV-X2MH040A-N2LN型号的交流伺服电机,滑台22可采用上银的TPA120D-P16-L600-M-P200W。
本实施例中,所述弹簧安装机构1包括安装座11及弹簧夹具,所述安装座11包括水平部和竖直部,所述水平部安装于所述二维平移台2上,所述弹簧夹具安装于所述竖直部的一侧,本实施例中安装座为L形。其中,所述弹簧夹具包括通过转动轴35安装于所述竖直部的转动盘12,以及固定于所述转动盘12远离所述竖直部的一侧的夹持机构。
本实施例中,如图8所示,所述夹持机构包括多个固定于所述转动盘12上的弹性夹爪13,本实施例中优选包括两个夹爪13。该夹持机构适用于两端不压平的弹簧,如车辆悬架弹簧,夹爪13自带弹性,用力将待检测弹簧卡入夹爪13内即可自动锁紧。
本实施中,所述旋转机构3包括第二电机31、第一齿轮32、第二齿轮33,所述第一齿轮 32与所述第二电机31的输出轴固定连接,所述第二齿轮33与所述转动轴35固定连接,且所述第二齿轮33与所述第一齿轮32啮合;所述转动轴35一端与所述转动盘12固定连接,所述转动轴35另一端通过轴承34与所述安装座11的竖直部连接。工作时,工控机4控制第二电机31工作,第二电机31带动第一齿轮32转动,第一齿轮32带动第二齿轮33转动,第二齿轮33通过转动轴35带动转动盘12转动,以实现带动待检测弹簧8的转动。
具体实施时,还包括检测平台7,所述二维平移台2安装于所述检测平台7上,所述相机 5通过相机支架51安装于所述检测平台7上,所述相机支架51包括竖直杆和可滑动安装于竖直杆上的水平杆,水平杆也可相对于竖直杆水平移动,具体实施时,可选择通过松紧螺丝来实现水平杆在竖直方向和水平方向的移动与固定。相机5采用大恒的MER-G系列数字相机,而为了满足现场要求,选用其中的MER-200-20GM;工控机4选用研华IPC-510L/AIMB-701VGH61工控机。
在本发明另一实施例中,如图9至11所示,所述夹持机构包括底座101,所述底座101 两端对称设置有两个第一通孔120,所述底座101中部对称设置有两个第二通孔121;所述底座101的两个第二通孔121的上方通过两个立板108并列安装有弹簧卡板111和定位块107,所述定位块107上对应两个所述第二通孔121设置有两个第三通孔122;所述底座101顶部对应两个所述第一通孔120各设置有一气缸102,分别与两个所述气缸102的活塞杆连接的两个气缸连接件110穿过对应的所述第一通孔120与两个铰链杆104一端分别连接,两个所述铰链杆104的另一端分别与两个压紧模块105的一端连接,两个所述压紧模块105的另一端分别穿过两个所述第二通孔121;所述底座101的顶部位于两个所述第二通孔121靠近所述弹簧卡板111的一侧设置有两个连接模块106,两个所述连接模块106的顶部分别穿过所述定位块107上对应的所述第三通孔122,所述连接模块106的顶部为一弹性头123,所述弹性头123靠近所述压紧模块105的一侧设置有向外延伸的斜面124;所述弹簧卡板111靠近所述定位块107的一侧设置有弹簧卡位;两个所述铰链杆104的中部分别与两个固设于所述底座101底部的铰链支架109可转动连接。
更具体的,所述底座101包括过桥板112,过桥板112的两端底部均通过一支撑板113连接有垫脚114,过桥板112与支撑板113之间通过螺栓116连接,通过垫脚114将该夹持机构安装于转动盘12上。铰链杆104与铰链杆支架109之间通过铰链销轴117连接,铰链杆104与压紧模块105之间通过螺钉118和垫圈119连接。还设置有限位块115,限位块115与压紧模块105用螺栓连接,起到限制压紧模块105竖向运动的作用,避免压紧模块105的顶端过度伸入定位块107的第三通孔122内。本实施例中,弹性头123可选择倒三角状的弹性头。
该夹持机构适用于两端压平的弹簧,如气门弹簧,工作时,气缸102外接气压控制系统,将待检测弹簧8卡入弹簧卡板111的弹簧卡位内,然后控制气缸102工作,气缸102推动气缸连接件110,进而带动铰链杆104转动以推动压紧模块105上移,使压紧模块105的顶端进入定位块107上的第三通孔122内,此时压紧模块105的顶端与连接模块106的弹性头123上的斜面124接触,随着压紧模块105继续向上移动,压紧模块105进一步挤压弹性头123,使弹性头123向弹簧卡板111侧弯曲并抵靠压紧在待检测弹簧8上,实现待检测弹簧8的固定。优选地,压紧模块105顶端靠近弹性头123一侧也设置有斜面结构,便于更好的挤压弹性头123使其弯曲变形。
实施例3
本实施例提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序适于被处理器加载并执行如实施例1所述的悬架弹簧和气门弹簧的缺陷检测方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和 /或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和 /或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
本发明相对于现有技术取得了以下技术效果:
1.本发明实现了对车辆上多种类型的弹簧(悬架弹簧和气门弹簧)的质量检测,包括缺陷和尺寸。
2.从缺陷角度和背景图像角度对缺陷图像分类,针对弹簧不同的缺陷类型,提出了统一的缺陷检测算法。
3.在缺陷区域中,分别从几何特征、灰度特征、纹理特征角度提取18个特征,并对18 个特征降维到3个主成分特征,并保留了90%以上的数据信息,降低降低计算成本。
4.对于处理多分类问题,采用了聚类分析的DAG SVM,且对于训练SVM模型的梯度下降法,本发明对其进行了改进。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种悬架弹簧和气门弹簧的缺陷检测方法,其特征在于,包括:
获取待检测弹簧的图像;
采用sobel算子对待检测弹簧的图像进行边缘检测;
基于边缘直线进行边缘连接,根据预设缺陷边缘长度范围筛选出缺陷边缘,分割出弹簧缺陷图像;若无弹簧缺陷图像,则表示该待检测弹簧的图像中无缺陷;若有,则,
提取弹簧缺陷图像的几何特征、灰度特征、纹理特征;
对提取的所有特征采用均值归一化进行数据归一化处理;
对归一化处理后的每个特征采用PCA主成分分析方法进行主成分分析,得到相应相关系数矩阵的特征值及该特征值对应的贡献率;其中相关系数矩阵为通过对特征进行数据归一化处理后的协方差矩阵;
每个特征值依据贡献率大小排序,并选取前N个特征值;其中,前N个特征值的累积贡献率大于90%,N为预设值;
将选取的前N个特征值输入预先训练好的弹簧缺陷分类器,得到待检测弹簧的缺陷类型;其中,所述弹簧缺陷分类器为通过若干训练样本对支持向量机进行训练得到,每个训练样本包括采用前述方法得到的前N个特征值及对应的缺陷类型;
所述缺陷类型包括凹坑、磨损、生锈;获取待检测弹簧的图像时,采用红色光源的条光,选用低角度打光方式,光源为不加毛玻璃的直射光,且沿轴向打光。
2.根据权利要求1所述的悬架弹簧和气门弹簧的缺陷检测方法,其特征在于,所述几何特征包括:
周长P,通过下式计算得到:
其中,(X,Y)表示弹簧缺陷图像中缺陷轮廓的坐标,Rb表示弹簧缺陷图像中缺陷轮廓;
面积S,通过下式计算得到:
其中,(x,y)分别表示弹簧缺陷图像中缺陷区域坐标,Rd表示弹簧缺陷图像中缺陷区域;
圆形度Rc,通过下式计算得到:
其中,Ur和σr分别为弹簧缺陷图像中缺陷区域重心到边界点的平均距离和均方差;
矩形度Rt,通过下式计算得到:
其中,Ll和Ls分别表示弹簧缺陷图像中缺陷区域的最小外接矩形的长边长度和短边长度;
缺陷紧凑型C,通过下式计算得到:
椭圆偏心率e,通过下式计算得到:
其中,D和a分别表示弹簧缺陷图像中缺陷区域的最小外接矩形对应的椭圆的焦距和主轴长度;
区域占空比Rq,通过下式计算得到:
。
3.根据权利要求1所述的悬架弹簧和气门弹簧的缺陷检测方法,其特征在于,所述灰度特征包括:
灰度中值,用于描述弹簧缺陷图像中缺陷区域各像素灰度的中值;
灰度方差,用于描述弹簧缺陷图像中缺陷区域个像素灰度的方差;
熵,用于描述弹簧缺陷图像中缺陷区域灰度分布的聚集特征所包含的信息量;
最小灰度值,用于描述弹簧缺陷图像中缺陷区域各像素灰度的最小值;
最大灰度值,用于描述弹簧缺陷图像中缺陷区域个像素灰度的最大值;
灰度对比值,用于描述弹簧缺陷图像中缺陷区域各像素灰度的最大值减去最小值。
4.根据权利要求1所述的悬架弹簧和气门弹簧的缺陷检测方法,其特征在于,所述纹理特征包括:
能量En,通过下式计算得到:
其中,cij表示(i,j)位置坐标处的灰度值,i、j分别表示横、纵坐标,width表示弹簧缺陷图像中缺陷区域边长;
相关性Co,通过下式计算得到:
其中,ux、uy分别表示弹簧缺陷图像中缺陷区域x轴、y轴方向的长度,sx、sy分别表示弹簧缺陷图像中缺陷区域x轴、y轴方向的灰度值标准差;
均匀性Ho,通过下式计算得到:
对比度Ct,通过下式计算得到:
5.根据权利要求1至4任一项所述的悬架弹簧和气门弹簧的缺陷检测方法,其特征在于,所述弹簧缺陷分类器通过如下方法得到:
获取若干存在缺陷的弹簧图像,所述缺陷包括凹坑、磨损、生锈;
采用sobel算子对若干存在缺陷的弹簧图像进行边缘检测;
基于边缘直线进行边缘连接,根据预设缺陷边缘长度范围筛选出缺陷边缘,分割得到若干弹簧缺陷图像;
提取若干弹簧缺陷图像的几何特征、灰度特征、纹理特征;
分别对提取的每张弹簧缺陷图像对应的所有特征采用均值归一化进行数据归一化处理;
对归一化处理后的每个特征采用PCA主成分分析方法进行主成分分析,得到相应相关系数矩阵的特征值及该特征值对应的贡献率;其中相关系数矩阵为通过对特征进行数据归一化处理后的协方差矩阵;
每个特征值依据贡献率大小排序,并选取前N个特征值;其中,前N个特征值的累积贡献率大于90%,N为预设值;
得到若干个样本,每个样本均包括前N个特征值及该样本对应的缺陷类型;
将若干样本分为训练集和测试集,训练集和测试集中均包含有凹坑、磨损、生锈三种缺陷类型的样本;
基于训练集,以前N个特征值为输入,以缺陷类型为输出,训练基于DAG SVM分类算法的支持向量机,并通过测试集进行优化,得到弹簧缺陷分类器。
6.根据权利要求5所述的悬架弹簧和气门弹簧的缺陷检测方法,其特征在于,所述弹簧缺陷分类器包括磨损生锈分类器、凹坑磨损分类器和凹坑生锈分类器;利用弹簧缺陷分类器进行缺陷类型识别过程中,首先通过磨损生锈分类器判断是磨损还是生锈,若为磨损,则判断是磨损还是凹坑;若为生锈,则判断是生锈还是凹坑;
训练过程中,梯度下降法采用通过PID进行闭环控制的梯度下降法,PID控制模型如下:
其中,u(k)表示下降步长,e(k)表示优化函数的梯度,Kp取1~5,Ki取0.1~1,Kd取1。
7.根据权利要求1至4任一项所述的悬架弹簧和气门弹簧的缺陷检测方法,其特征在于,还包括弹簧尺寸检测,包括:
在待检测弹簧前端放置不透明的物块,且该物块相对于弹簧底部的距离;
获取包含物块及待检测弹簧的图像;
采用阈值法将物块、待检测弹簧与背景分割;
再根据圆的形状特征采用基于形状的分割法得到待检测弹簧末端的圆;
计算该圆的中心坐标到物块的距离,即可得到待检测弹簧的尺寸。
8.一种悬架弹簧和气门弹簧缺陷检测装置,其特征在于,包括二维平移台、弹簧安装机构、旋转机构、相机、工控机;
所述弹簧安装机构安装于所述二维平移台上,所述旋转机构安装于所述弹簧安装机构上,所述相机安装于所述二维平移台上方;
所述二维平移台、旋转机构、相机均与所述工控机电连接;
所述弹簧安装机构用于安装固定待检测弹簧;所述二维平移台用于控制所述弹簧安装机构做往复运动;所述旋转机构用于驱动安装好的待检测弹簧转动;所述相机用于对移动至检测位的待检测弹簧进行图像采集,并将采集的图像传输至所述工控机;
所述工控机接收到采集的图像后,执行如权利要求1至7任一项所述的悬架弹簧和气门弹簧的缺陷检测方法。
9.一种计算机可读存储介质,其存储有计算机程序,其特征在于,所述计算机程序适于被处理器加载并执行如权利要求1至7任一项所述的悬架弹簧和气门弹簧的缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011075476.3A CN112465741B (zh) | 2020-10-10 | 2020-10-10 | 悬架弹簧和气门弹簧的缺陷检测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011075476.3A CN112465741B (zh) | 2020-10-10 | 2020-10-10 | 悬架弹簧和气门弹簧的缺陷检测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112465741A CN112465741A (zh) | 2021-03-09 |
CN112465741B true CN112465741B (zh) | 2024-03-26 |
Family
ID=74833394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011075476.3A Active CN112465741B (zh) | 2020-10-10 | 2020-10-10 | 悬架弹簧和气门弹簧的缺陷检测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465741B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311629B (zh) * | 2022-10-12 | 2023-03-24 | 南通创为机械科技有限公司 | 一种折弯机的异常折弯精度监测系统 |
CN115861253B (zh) * | 2022-12-12 | 2023-06-09 | 浙江三A弹簧有限公司 | 基于图像处理的避震弹簧缺陷检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593670A (zh) * | 2013-10-14 | 2014-02-19 | 浙江工业大学 | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 |
WO2016043397A1 (ko) * | 2014-09-16 | 2016-03-24 | 한화테크윈 주식회사 | 초분광영상화 기법을 이용한 글라스 결함 검출 방법 및 장치 |
CN108169236A (zh) * | 2016-12-07 | 2018-06-15 | 广州映博智能科技有限公司 | 一种基于视觉的金属表面缺陷检测方法 |
CN110082361A (zh) * | 2019-05-27 | 2019-08-02 | 成都领益科技有限公司 | 一种物体外观与裂纹检测装置与检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9437395B2 (en) * | 2014-12-09 | 2016-09-06 | Hermes Microvision Inc. | Method and compound system for inspecting and reviewing defects |
JP6531579B2 (ja) * | 2015-09-10 | 2019-06-19 | 株式会社Sumco | ウェーハ検査方法およびウェーハ検査装置 |
-
2020
- 2020-10-10 CN CN202011075476.3A patent/CN112465741B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593670A (zh) * | 2013-10-14 | 2014-02-19 | 浙江工业大学 | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 |
WO2016043397A1 (ko) * | 2014-09-16 | 2016-03-24 | 한화테크윈 주식회사 | 초분광영상화 기법을 이용한 글라스 결함 검출 방법 및 장치 |
CN108169236A (zh) * | 2016-12-07 | 2018-06-15 | 广州映博智能科技有限公司 | 一种基于视觉的金属表面缺陷检测方法 |
CN110082361A (zh) * | 2019-05-27 | 2019-08-02 | 成都领益科技有限公司 | 一种物体外观与裂纹检测装置与检测方法 |
Non-Patent Citations (1)
Title |
---|
一种钢球表面缺陷光学检测新方法;熊燕丽;;装备制造技术(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112465741A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109115785B (zh) | 一种铸件打磨质量检测方法、装置及其使用方法 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN110163853B (zh) | 一种边缘缺陷的检测方法 | |
CN112465741B (zh) | 悬架弹簧和气门弹簧的缺陷检测方法、装置及存储介质 | |
CN111982916A (zh) | 一种基于机器视觉的焊缝表面缺陷检测方法及系统 | |
CN109685760B (zh) | 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法 | |
Peng et al. | Study of tool wear monitoring using machine vision | |
CN108921819B (zh) | 一种基于机器视觉的验布装置及方法 | |
CN112907519A (zh) | 一种基于深度学习的金属曲面缺陷分析系统及方法 | |
CN114279357B (zh) | 一种基于机器视觉的压铸件毛刺尺寸测量方法及系统 | |
CN114092403A (zh) | 基于机器视觉的砂轮磨损检测方法及系统 | |
CN111612737A (zh) | 一种人造板表面瑕疵检测装置及检测方法 | |
CN112258444A (zh) | 一种电梯钢丝绳检测方法 | |
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 | |
CN110728657A (zh) | 一种基于深度学习的环状轴承外表面缺陷检测方法 | |
WO2021109011A1 (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
CN112907556A (zh) | 一种基于机器视觉的旋转刀具磨损量自动测量方法 | |
CN110186934B (zh) | 轴箱橡胶垫裂纹检测方法和检测装置 | |
CN112858351A (zh) | 一种基于机器视觉的x射线无损探伤方法 | |
CN112881424A (zh) | Ai+荧光渗透小型管件表面缺陷检测及质量分级方法与系统 | |
CN115035092A (zh) | 基于图像的瓶体检测方法、装置、设备及存储介质 | |
CN111311537A (zh) | 缺陷检测装置及检测方法 | |
Kamani et al. | Automatic paint defect detection and classification of car body | |
CN111815575B (zh) | 一种基于机器视觉的轴承钢珠零件检测方法 | |
CN117689662A (zh) | 一种换热器管头焊接质量视觉检测方法及系统 |
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 |