CN112733882A - 基于深度学习的气缸套表面缺陷检测方法及系统和设备 - Google Patents

基于深度学习的气缸套表面缺陷检测方法及系统和设备 Download PDF

Info

Publication number
CN112733882A
CN112733882A CN202011523285.9A CN202011523285A CN112733882A CN 112733882 A CN112733882 A CN 112733882A CN 202011523285 A CN202011523285 A CN 202011523285A CN 112733882 A CN112733882 A CN 112733882A
Authority
CN
China
Prior art keywords
image data
product
image
cylinder
cylinder sleeve
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
Application number
CN202011523285.9A
Other languages
English (en)
Inventor
张晨民
李丙涛
栗芳
王明纲
刘涛
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.)
ZHENGZHOU JINHUI COMPUTER SYSTEM ENGINEERING CO LTD
Original Assignee
ZHENGZHOU JINHUI COMPUTER SYSTEM ENGINEERING CO LTD
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 ZHENGZHOU JINHUI COMPUTER SYSTEM ENGINEERING CO LTD filed Critical ZHENGZHOU JINHUI COMPUTER SYSTEM ENGINEERING CO LTD
Priority to CN202011523285.9A priority Critical patent/CN112733882A/zh
Publication of CN112733882A publication Critical patent/CN112733882A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于气缸套缺陷检测技术领域，特别涉及一种基于深度学习的气缸套表面缺陷检测方法及系统和设备，该方法中包含：分区域采集生产线上气缸套产品实时的表面图像数据，其中，分区域采集的产品表面图像数据至少包括气缸端面、内壁、外壁及裙边的图像；对图像数据进行滤波和分割处理，获取产品图像端面、内壁、外壁及裙边的待检测区域图像数据；并通过对待检测区域图像数据进行掩膜，确定气缸套产品目标检测区域图像数据；利用已训练优化的分类网络模型对目标检测区域图像数据进行分类识别，获取表面存有缺陷的气缸套产品，以通过分拣系统进行剔除。本发明结合深度学习技术实现气缸套表面缺陷的快速高效检测，提升效率，具有较好的应用价值。

Description

基于深度学习的气缸套表面缺陷检测方法及系统和设备
技术领域
本发明属于气缸套缺陷检测技术领域，特别涉及一种基于深度学习的气缸套表面缺陷检测方法及系统和设备。
背景技术
气缸套是一个置于机体的气缸体孔中的圆筒形零件，由于其工作环境的复杂恶劣，气缸套表面极其容易受到高温高压燃气的作用与高速运动的活塞接触而造成磨损，降低发动机的使用寿命。因此气缸套的表面缺陷(砂眼、碰伤、划伤、裂纹等)检测在气缸套生产和使用中尤为重要。气缸套的自动化生产速度快、产量大，传统的人工检测速度慢、效率低、准确率也不够稳定。因此亟需一种能够适应自动化生产线的自动检测装置，能够在生产过程中实现实时气缸套检测，并且准确率高，稳定性强。
发明内容
为此，本发明提供一种基于深度学习的气缸套表面缺陷检测方法及系统和设备，结合深度学习技术实现气缸套表面缺陷的快速高效检测，降低劳动强度和工作量，提升效率。
按照本发明所提供的设计方案，一种基于深度学习的气缸套表面缺陷检测方法，包含如下内容：
分区域采集生产线上气缸套产品实时的表面图像数据，其中，分区域采集的产品表面图像数据至少包括气缸端面、内壁、外壁及裙边的图像；
对图像数据进行滤波和分割处理，获取产品图像端面、内壁、外壁及裙边的待检测区域图像数据；并通过对待检测区域图像数据进行掩膜，确定气缸套产品目标检测区域图像数据；
利用已训练优化的分类网络模型对目标检测区域图像数据进行分类识别，获取表面存有缺陷的气缸套产品，以通过分拣系统进行剔除。
作为本发明基于深度学习的气缸套表面缺陷检测方法，进一步的，在气缸套产品生产线工位上通过架设有若干视觉采集设备，每个视觉采集设备可旋转设置，以获取气缸套端面、内壁、外壁及裙边的图像数据。
作为本发明基于深度学习的气缸套表面缺陷检测方法，进一步地，针对采集到的气缸套产品表面原始图像数据，选取灰度均匀区域进行高斯滤波，并通过轮廓查找和轮廓边缘拟合获取待检测区域边缘位置。
作为本发明基于深度学习的气缸套表面缺陷检测方法，进一步地，掩膜处理中，根据待检测区域边缘位置创建待检测区域掩膜二值图，并根据掩膜二值图从原始图像数中提取目标检测区域图像数据。
作为本发明基于深度学习的气缸套表面缺陷检测方法，进一步地，分类识别前，首先对分类网络模型输入数据进行高斯滤波处理，提取输入图像数据的缺陷特征；并通过模型全连接层和损失层来获取缺陷分类识别结果。
作为本发明基于深度学习的气缸套表面缺陷检测方法，进一步地，利用预先收集的样本数据对分类网络模型进行训练优化，其中，样本数据包含已标注缺陷类别的气缸套表面图像数据。
作为本发明基于深度学习的气缸套表面缺陷检测方法，进一步地，样本数据利用气缸套表面缺陷检测结果通过添加或数据增强对样本数据进行实时更新扩充。
进一步地，本发明还提供一种基于深度学习的气缸套表面缺陷检测系统，包含：图像采集模块、图像处理模块和图像识别模块，其中，
图像采集模块，用于分区域采集生产线上气缸套产品实时的表面图像数据，其中，分区域采集的产品表面图像数据至少包括气缸端面、内壁、外壁及裙边的图像；
图像处理模块，用于对图像数据进行滤波和分割处理，获取产品图像端面、内壁、外壁及裙边的待检测区域图像数据；并通过对待检测区域图像数据进行掩膜，确定气缸套产品目标检测区域图像数据；
图像识别模块，用于利用已训练优化的分类网络模型对目标检测区域图像数据进行分类识别，获取表面存有缺陷的气缸套产品，以通过分拣系统进行剔除。
进一步地，本发明还提供一种气缸套表面缺陷检测设备，包含上下料系统、清洗系统、翻转系统、运转系统、检测系统，及分别与上下料系统、清洗系统、翻转系统、运转系统及检测系统信号连接的电控系统，气缸套产品随上料系统流水线输送至清洗系统进行表面清洗，通过流水线移送至翻转系统位置，通过翻转系统并利用多个视觉采集设备输送线分别对气缸套表面进行图像采集，将图像采集结果输送至检测系统，所述检测系统采用上述的气缸套表面缺陷检测系统，将检测完毕的气缸套产品移动至下料系统，并通过转运系统进行分拣。
作为本发明气缸套表面缺陷检测设备，进一步地，所述视觉采集设备采用线阵、面阵工业相机，并在线阵、面阵工业相机工作位设置用于图像采集的光源设备。
本发明的有益效果：
本发明将传统图像处理方法与深度卷积神经网络相结合的方式，利用拟合边缘的方法获取目标所在区域，利用传统图像处理方法或深度卷积网络获取目标位置，以此判断是否存在目标；传统学习方法能快速对缺陷位置进行定位，深度学习方法则具有更强大的学习能力，避免缺陷的漏检及误检。其中深度学习网络模型泛化能力强、准确率高、速度快的特点，对避免因位置偏移、光照强度变化导致的目标位置定位引起的误差，大大提高了检测的准确率；结合深度学习来实现气缸套表面缺陷的在线检测，代替人工对气缸套进行外观检测，大大的提高了效率和缺陷检出率，具有较好的应用前景。
附图说明：
图1为实施例中气缸套表面瑕疵在线检测方法流程示意；
图2为实施例中分类网络模型工作原理示意；
图3为实施例中气缸套各检测区域示意；
图4为实施例中缺陷检测设备示意。
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、明白，下面结合附图和技术方案对本发明作进一步详细的说明。
本发明实施例，参见图1所示，提供一种基于深度学习的气缸套表面缺陷检测方法，包含如下内容：
S101、分区域采集生产线上气缸套产品实时的表面图像数据，其中，分区域采集的产品表面图像数据至少包括气缸端面、内壁、外壁及裙边的图像；
S102、对图像数据进行滤波和分割处理，获取产品图像端面、内壁、外壁及裙边的待检测区域图像数据；并通过对待检测区域图像数据进行掩膜，确定气缸套产品目标检测区域图像数据；
S103、利用已训练优化的分类网络模型对目标检测区域图像数据进行分类识别，获取表面存有缺陷的气缸套产品，以通过分拣系统进行剔除。
结合深度学习技术实现气缸套表面缺陷的快速高效检测，降低劳动强度和工作量，提升产品检测效率。
作为本发明实施例中的基于深度学习的气缸套表面缺陷检测方法，进一步的，在气缸套产品生产线工位上通过架设有若干视觉采集设备，每个视觉采集设备可旋转设置，以获取气缸套端面、内壁、外壁及裙边的图像数据。
可通过从不同检测工位架设多个视觉采集设备传感器，来获取每个气缸套的360°检测区域：端面，内壁，外壁和裙边区域的图像数据。
作为本发明实施例中的基于深度学习的气缸套表面缺陷检测方法，进一步地，针对采集到的气缸套产品表面原始图像数据，选取灰度均匀区域进行高斯滤波，并通过轮廓查找和轮廓边缘拟合获取待检测区域边缘位置。进一步地，掩膜处理中，根据待检测区域边缘位置创建待检测区域掩膜二值图，并根据掩膜二值图从原始图像数中提取目标检测区域图像数据。
对原始图像可通过设置的roi参数选取灰度均匀区域roi，对roi区域进行高斯滤波以消除噪声，对滤波后图像进行轮廓查找，并通过最小二乘法拟合轮廓边缘，根据图像中相对位置关系调整拟合轮廓，获取待检测区域的边缘位置，根据待检测区域的边缘位置信息，创建待检测区域的掩膜二值图，像素0代表非检测区域，1代表检测区域，根据掩膜图像，从原始图像中提取出精确的待检测目标区域。
作为本发明实施例中的基于深度学习的气缸套表面缺陷检测方法，进一步地，分类识别前，首先对分类网络模型输入数据进行高斯滤波处理，提取输入图像数据的缺陷特征；并通过模型全连接层和损失层来获取缺陷分类识别结果。利用深度学习网络模型来实现气缸套产品表面缺陷的分类识别，提升检测效率，降低劳动工作量。
作为本发明实施例中的基于深度学习的气缸套表面缺陷检测方法，进一步地，利用预先收集的样本数据对分类网络模型进行训练优化，其中，样本数据包含已标注缺陷类别的气缸套表面图像数据。进一步地，样本数据利用气缸套表面缺陷检测结果通过添加或数据增强对样本数据进行实时更新扩充。
参见图2所示，针对样本数据的处理，可对待检测区域进行高斯滤波过滤噪声数据，根据分割算法获取待识别缺陷，通过轮廓检测以获取待识别缺陷位置，对过滤后的待识别缺陷数据进行交并比IOU合并，确定待识别缺陷区域；对IOU处理后的待识别缺陷区域数据进行目标标注，并对待识别缺陷区域数据及其对应的标注文件划分训练集和测试集，制作目标识别数据集，构建目标识别网络模型，具体的，包括多层卷积网络层以提取缺陷特征，包括全连接层和损失层以获取缺陷的识别结果。训练迭代至模型收敛，获取目标识别模型，将待识别缺陷区域输入模型，获取缺陷识别结果。
进一步地，基于上述的方法，本发明实施例还提供一种基于深度学习的气缸套表面缺陷检测系统，包含：图像采集模块、图像处理模块和图像识别模块，其中，
图像采集模块，用于分区域采集生产线上气缸套产品实时的表面图像数据，其中，分区域采集的产品表面图像数据至少包括气缸端面、内壁、外壁及裙边的图像；
图像处理模块，用于对图像数据进行滤波和分割处理，获取产品图像端面、内壁、外壁及裙边的待检测区域图像数据；并通过对待检测区域图像数据进行掩膜，确定气缸套产品目标检测区域图像数据；
图像识别模块，用于利用已训练优化的分类网络模型对目标检测区域图像数据进行分类识别，获取表面存有缺陷的气缸套产品，以通过分拣系统进行剔除。
进一步地，基于上述的方法和系统，本发明实施例还提供一种气缸套表面缺陷检测设备，包含上下料系统、清洗系统、翻转系统、运转系统、检测系统，及分别与上下料系统、清洗系统、翻转系统、运转系统及检测系统信号连接的电控系统，气缸套产品随上料系统流水线输送至清洗系统进行表面清洗，通过流水线移送至翻转系统位置，通过翻转系统并利用多个视觉采集设备输送线分别对气缸套表面进行图像采集，将图像采集结果输送至检测系统，所述检测系统采用上述的气缸套表面缺陷检测系统，将检测完毕的气缸套产品移动至下料系统，并通过转运系统进行分拣。进一步地，所述视觉采集设备采用线阵工业相机，并在线阵工业相机工作位设置用于图像采集的光源设备。
通过获取生产线上实时产品样本数据：对气缸套的端面，内壁，外壁和裙边等待检测区域分别构建视觉设备，获取生产线产品图片原始数据；获取气缸套待检测区域，对原始图像通过设置的roi参数选取灰度均匀区域roi，对roi区域进行高斯滤波以消除噪声，对滤波后图像进行轮廓查找，并通过最小二乘法拟合轮廓边缘，根据图像中相对位置关系调整拟合轮廓，获取待检测区域的边缘位置，根据待检测区域的边缘位置信息，创建待检测区域的掩膜二值图，像素0代表非检测区域，1代表检测区域，根据掩膜图像，从原始图像中提取出精确的待检测目标区域；对待检测区域进行高斯滤波过滤噪声数据，根据分割算法获取待识别缺陷，通过轮廓检测以获取待识别缺陷位置，对过滤后的待识别缺陷数据进行IOU合并，确定待识别缺陷区域，若没有，则返回OK；对IOU处理后的待识别缺陷区域数据进行目标标注，并对待识别缺陷区域数据及其对应的标注文件划分训练集和测试集，制作目标识别数据集，构建目标识别网络模型，具体的，包括多层卷积网络层以提取缺陷特征，包括全连接层和损失层以获取缺陷的识别结果。训练迭代至模型收敛，获取目标识别模型，将待识别缺陷区域输入模型，获取缺陷识别结果。对检测区域划分的不同检测区域部分，通过缺陷定位模块及缺陷识别模块获取检测结果，返回对应的原始检测部位图后，均需进行IOU合并以及nms过滤，以获取最佳检测结果。根据掩膜提取的待检测目标区域，可根据磕碰、划伤、砂眼等缺陷的特征差异和出现的位置差异，将待检测目标区域细分为不同的检测区域部分，分别进行缺陷检测，并将检测结果进行合并。目标分类网络可采用多层卷积层学习缺陷特征，可采用caffe、tensorflow、pytorch等框架下训练，不局限于GoogleNet、VGG16、ResNet等网络。
参见图3和4所示，检测设备包括上料部分、检测部分、输出部分三部分。其中上料部分包括双上料道和上料桁架夹爪两部分。双上料道用于人工上料，并储存一定量的气缸套工件，上料桁架夹爪用于将工件从双上料道抓取，经一次中间空台静置，放置到二次清洗装置位置，依次循环，完成工件转运。检测部分包括二次清洗装置、检测装置、和转运装置部分。二次清洗装置将上料部分送过来的待检工件进行喷淋清洗及风切吹干，避免工件表面的杂物及不均匀的油渍导致的误差。检测装置包括外壁检测装置和大台及端面检测装置。工件到位后，旋转机构带动工件旋转，状态稳定后，通过在此工位的工业相机采集图像，具体的，外壁检测装置工位架设2套视觉采集设备，包括2台线阵工业相机和对应的光源设备，分别采集外壁(从大台侧面到裙带)图像信息；内壁和端面检测装置工位架设4套视觉采集设备，包括4台500W高清面阵工业相机及对应的光源设备，分别采集端面(台上面)、裙边(台下面)、内壁(内孔)的图像信息。每个检测工位底座均带有旋转装置，每个气缸套旋转5次，每次60°，以保证每个气缸套所有检测区域360°无遗漏。如图4所示，外壁检测检测工位2：线阵相机，E：大水道外壁，F/G：小水道外壁大台及裙带检测工位4：A：端面，B：裙边，C：内壁，D：大台外沿及小水道上沿完成采集后，根据所述检测算法获得对应检测工位的相应检测区域的检测结果。转运装置控制工件在二次清洗装置、外壁检测装置、大台及端面检测装置、下料工位之间的运转。输出部分包括下料桁架夹爪和OK/NG双料道。通过所述检测方法获取当前气缸套工件检测结果，待转运装置将气缸套工件转运到下料工位时，下料桁架夹爪根据检测结果，将工件放置到相应的OK/NG料道，完成工件的自动分拣工作。当下料道储存一定量工件后，由人工在末端完成下料。
利用深度卷积神经网络强大的学习能力，提取图像深层特征，大幅度改善了漏检误检的问题，另外检测过程中，可以不断添加新的样本进行学习，通过迭代闭环，不断提升模型准确率，更好地实现工业场景下的气缸套实时检测需求。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
基于上述的方法或系统，本发明实施例还提供一种网络设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的系统或执行上述的方法。
基于上述的系统，本发明实施例还提供一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现上述的系统。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述系统实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述系统实施例中相应内容。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述系统实施例中的对应过程，在此不再赘述。
在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、系统和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述系统的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种基于深度学习的气缸套表面缺陷检测方法，其特征在于，包含如下内容：
分区域采集生产线上气缸套产品实时的表面图像数据，其中，分区域采集的产品表面图像数据至少包括气缸端面、内壁、外壁及裙边的图像；
对图像数据进行滤波和分割处理，获取产品图像端面、内壁、外壁及裙边的待检测区域图像数据；并通过对待检测区域图像数据进行掩膜，确定气缸套产品目标检测区域图像数据；
利用已训练优化的分类网络模型对目标检测区域图像数据进行分类识别，获取表面存有缺陷的气缸套产品，以通过分拣系统进行剔除。
2.根据权利要求1所述的基于深度学习的气缸套表面缺陷检测方法，其特征在于，在气缸套产品生产线工位上通过架设有若干视觉采集设备，每个视觉采集设备可旋转设置，以获取气缸套端面、内壁、外壁及裙边的图像数据。
3.根据权利要求1所述的基于深度学习的气缸套表面缺陷检测方法，其特征在于，针对采集到的气缸套产品表面原始图像数据，选取灰度均匀区域进行高斯滤波，并通过轮廓查找和轮廓边缘拟合获取待检测区域边缘位置。
4.根据权利要求1或4所述的基于深度学习的气缸套表面缺陷检测方法，其特征在于，掩膜处理中，根据待检测区域边缘位置创建待检测区域掩膜二值图，并根据掩膜二值图从原始图像数中提取目标检测区域图像数据。
5.根据权利要求1所述的基于深度学习的气缸套表面缺陷检测方法，其特征在于，分类识别前，首先对分类网络模型输入数据进行高斯滤波处理，提取输入图像数据的缺陷特征；并通过模型全连接层和损失层来获取缺陷分类识别结果。
6.根据权利要求1所述的基于深度学习的气缸套表面缺陷检测方法，其特征在于，利用预先收集的样本数据对分类网络模型进行训练优化，其中，样本数据包含已标注缺陷类别的气缸套表面图像数据。
7.根据权利要求6所述的基于深度学习的气缸套表面缺陷检测方法，其特征在于，样本数据利用气缸套表面缺陷检测结果通过添加或数据增强对样本数据进行实时更新扩充。
8.一种基于深度学习的气缸套表面缺陷检测系统，其特征在于，包含：图像采集模块、图像处理模块和图像识别模块，其中，
图像采集模块，用于分区域采集生产线上气缸套产品实时的表面图像数据，其中，分区域采集的产品表面图像数据至少包括气缸端面、内壁、外壁及裙边的图像；
图像处理模块，用于对图像数据进行滤波和分割处理，获取产品图像端面、内壁、外壁及裙边的待检测区域图像数据；并通过对待检测区域图像数据进行掩膜，确定气缸套产品目标检测区域图像数据；
图像识别模块，用于利用已训练优化的分类网络模型对目标检测区域图像数据进行分类识别，获取表面存有缺陷的气缸套产品，以通过分拣系统进行剔除。
9.一种气缸套表面缺陷检测设备，包含上下料系统、清洗系统、翻转系统、运转系统、检测系统，及分别与上下料系统、清洗系统、翻转系统、运转系统及检测系统信号连接的电控系统，气缸套产品随上料系统流水线输送至清洗系统进行表面清洗，通过流水线移送至翻转系统位置，通过翻转系统并利用多个视觉采集设备输送线分别对气缸套表面进行图像采集，将图像采集结果输送至检测系统，其特征在于，所述检测系统采用权利要求8所述的气缸套表面缺陷检测系统，将检测完毕的气缸套产品移动至下料系统，并通过转运系统进行分拣。
10.根据权利要求9所述的气缸套表面缺陷检测设备，其特征在于，所述视觉采集设备采用线阵、面阵工业相机，并在线阵、面阵工业相机工作位设置用于图像采集的光源设备。
CN202011523285.9A 2020-12-22 2020-12-22 基于深度学习的气缸套表面缺陷检测方法及系统和设备 Pending CN112733882A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011523285.9A CN112733882A (zh) 2020-12-22 2020-12-22 基于深度学习的气缸套表面缺陷检测方法及系统和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011523285.9A CN112733882A (zh) 2020-12-22 2020-12-22 基于深度学习的气缸套表面缺陷检测方法及系统和设备

Publications (1)

Publication Number Publication Date
CN112733882A true CN112733882A (zh) 2021-04-30

Family

ID=75605607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011523285.9A Pending CN112733882A (zh) 2020-12-22 2020-12-22 基于深度学习的气缸套表面缺陷检测方法及系统和设备

Country Status (1)

Country Link
CN (1) CN112733882A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115330693A (zh) * 2022-07-18 2022-11-11 广州超音速自动化科技股份有限公司 一种基于多系统贴标信号合并控制方法、系统及平台
CN115937218A (zh) * 2023-03-13 2023-04-07 昆山市恒达精密机械工业有限公司 一种冷冲件的表面缺陷检测方法及系统
CN116256376A (zh) * 2023-05-12 2023-06-13 深圳杰泰科技有限公司 发动机的内部缺陷检测方法、装置、电子设备及存储介质
CN116930192A (zh) * 2023-07-26 2023-10-24 常州润来科技有限公司 一种高精度铜管缺陷检测方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109461149A (zh) * 2018-10-31 2019-03-12 泰州市创新电子有限公司 喷漆表面缺陷的智能检测系统及方法
CN109636772A (zh) * 2018-10-25 2019-04-16 同济大学 基于深度学习的不规则形状金属加工表面的缺陷检测方法
CN110189290A (zh) * 2019-04-08 2019-08-30 广东工业大学 基于深度学习的金属表面细微缺陷检测方法及装置
CN110427896A (zh) * 2019-08-07 2019-11-08 成都理工大学 一种基于卷积神经网络的垃圾分类智能系统
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
CN110796637A (zh) * 2019-09-29 2020-02-14 郑州金惠计算机系统工程有限公司 图像缺陷检测模型的训练、测试方法、装置及存储介质
CN110813818A (zh) * 2019-10-16 2020-02-21 南阳师范学院 一种活塞杆表面缺陷检测系统
CN110927172A (zh) * 2019-12-10 2020-03-27 南京航空航天大学 一种飞机整体油箱密封胶漏涂在线检测装置及方法
CN111160212A (zh) * 2019-12-24 2020-05-15 浙江大学 一种基于YOLOv3-Tiny改进的跟踪学习检测系统及方法
CN111260626A (zh) * 2020-01-15 2020-06-09 佛山科学技术学院 一种基于深度学习的工件磨损检测方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109636772A (zh) * 2018-10-25 2019-04-16 同济大学 基于深度学习的不规则形状金属加工表面的缺陷检测方法
CN109461149A (zh) * 2018-10-31 2019-03-12 泰州市创新电子有限公司 喷漆表面缺陷的智能检测系统及方法
CN110189290A (zh) * 2019-04-08 2019-08-30 广东工业大学 基于深度学习的金属表面细微缺陷检测方法及装置
CN110427896A (zh) * 2019-08-07 2019-11-08 成都理工大学 一种基于卷积神经网络的垃圾分类智能系统
CN110796637A (zh) * 2019-09-29 2020-02-14 郑州金惠计算机系统工程有限公司 图像缺陷检测模型的训练、测试方法、装置及存储介质
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
CN110813818A (zh) * 2019-10-16 2020-02-21 南阳师范学院 一种活塞杆表面缺陷检测系统
CN110927172A (zh) * 2019-12-10 2020-03-27 南京航空航天大学 一种飞机整体油箱密封胶漏涂在线检测装置及方法
CN111160212A (zh) * 2019-12-24 2020-05-15 浙江大学 一种基于YOLOv3-Tiny改进的跟踪学习检测系统及方法
CN111260626A (zh) * 2020-01-15 2020-06-09 佛山科学技术学院 一种基于深度学习的工件磨损检测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
余厚云: "汽车涡轮壳零件表面质量视觉检测", 《自动化仪表》 *
李九玲: "《带钢连续热镀锌》", 31 May 2019 *
白鸽: "基于机器视觉的线阵式气缸套缺陷检测技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115330693A (zh) * 2022-07-18 2022-11-11 广州超音速自动化科技股份有限公司 一种基于多系统贴标信号合并控制方法、系统及平台
CN115937218A (zh) * 2023-03-13 2023-04-07 昆山市恒达精密机械工业有限公司 一种冷冲件的表面缺陷检测方法及系统
CN116256376A (zh) * 2023-05-12 2023-06-13 深圳杰泰科技有限公司 发动机的内部缺陷检测方法、装置、电子设备及存储介质
CN116256376B (zh) * 2023-05-12 2023-08-15 深圳杰泰科技有限公司 发动机的内部缺陷检测方法、装置、电子设备及存储介质
CN116930192A (zh) * 2023-07-26 2023-10-24 常州润来科技有限公司 一种高精度铜管缺陷检测方法及系统
CN116930192B (zh) * 2023-07-26 2024-02-09 常州润来科技有限公司 一种高精度铜管缺陷检测方法及系统

Similar Documents

Publication Publication Date Title
CN112733882A (zh) 基于深度学习的气缸套表面缺陷检测方法及系统和设备
CN106845408B (zh) 一种复杂环境下的街道垃圾识别方法
CN111292305B (zh) 一种改进型yolo-v3的金属加工表面缺陷检测方法
WO2022027949A1 (zh) 一种基于机器视觉的玻璃瓶底缺陷检测方法及系统
CN109658402B (zh) 基于计算机视觉成像的工业型材几何尺寸自动检测方法
CN103150730A (zh) 一种基于图像的圆形小目标精确检测方法
CN102779279A (zh) 搅拌摩擦焊弧形纹间距的图像识别方法
CN101976350A (zh) 基于视频分析的储粮害虫检测识别方法及其系统
CN110763700A (zh) 一种半导体元器件缺陷检测方法和设备
CN109101976B (zh) 一种灭弧栅片表面缺陷的检测方法
CN106778439B (zh) 一种基于图像处理的锂电池批量扫码系统及方法
CN109142509B (zh) 圆钢磁粉探伤方法与装置
CN115082410A (zh) 基于图像处理的卡簧缺陷检测方法
CN113393426A (zh) 一种轧钢板表面缺陷检测方法
CN115272204A (zh) 一种基于机器视觉的轴承表面划痕检测方法
CN115493843B (zh) 一种基于轴承保持器的质量监测方法及设备
CN116309277A (zh) 基于深度学习的钢材检测方法及系统
CN112329587A (zh) 饮料瓶的分类方法、装置及电子设备
CN111524154B (zh) 一种基于影像的隧道管片自动化分割方法
CN115931898A (zh) 一种陶瓷基板表面缺陷视觉检测方法、装置及存储介质
CN113744247A (zh) 一种pcb焊点缺陷识别方法和系统
CN106900601B (zh) 一种快速精准识别对虾图像虾头点与虾尾点的方法
CN111855666B (zh) 一种轴承内圈侧周外观缺陷自动检测方法和系统
CN111833350B (zh) 机器视觉检测方法与系统
CN109584212B (zh) 一种基于matlab的slm粉床铺粉图像划痕缺陷识别方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210430