CN112845159A - 一种基于机器学习的管路视觉检测系统及方法 - Google Patents
一种基于机器学习的管路视觉检测系统及方法 Download PDFInfo
- Publication number
- CN112845159A CN112845159A CN202011389966.0A CN202011389966A CN112845159A CN 112845159 A CN112845159 A CN 112845159A CN 202011389966 A CN202011389966 A CN 202011389966A CN 112845159 A CN112845159 A CN 112845159A
- Authority
- CN
- China
- Prior art keywords
- pipeline
- detection
- image
- endoscope
- feeding mechanism
- 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.)
- Granted
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/02—Measures preceding sorting, e.g. arranging articles in a stream orientating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/361—Processing or control devices therefor, e.g. escort memory
- B07C5/362—Separating or distributor mechanisms
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/38—Collecting or arranging articles in groups
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提出了一种基于机器学习的管路视觉检测系统及方法,用以解决现有检测装置检测效率低,识别结果可靠性不高的问题。方法的步骤为:将待检测的管路放入送料机构,传动机构带动送料机构将管路水平输送至检测位置;顶升机构将管路向上顶起,尾部气缸将管路对齐检测位置,夹紧结构夹紧管路;部署机构将检测设备输送至管路内;管件智能检测仪利用支持向量机和卷积神经网络对图像进行智能分类;顶升机构将管路输送至送料机构,送料机构将检测后的管路输送至分料机构,控制设备根据分类结果控制分料板转动,将检测后的管路传送至不同的料仓。本发明实现了管路内壁的自动识别,大大提高了检测效率,简化了操作流程,提高了识别的可靠性。
Description
技术领域
本发明涉及无损检测的技术领域,尤其涉及一种基于机器学习的管路视觉检测系统及方法,适用于金属硬管内壁的质量检测及分类问题。
背景技术
管路是指液压系统中传输工作流体的管道,其被广泛应用航天、造船、石油等工业领域。管路的安全性和可靠性对整个液压系统的正常运行具有极大影响,管路中若存在缺陷,会导致管路发生泄漏、堵塞、断裂等情况的发生,不仅会给企业造成严重的经济财产损失,甚至危及到生产工人的生命安全。因此对管路中缺陷进行检测具有非常重要的工业价值和社会价值。
针对管路中缺陷的检测问题,常用的检测方法主要有漏磁检测法、射线检测法、超声检测法和计算机视觉检测法。在这几类检测方法中,漏磁检测法、射线检测法及超声检测法都仅能对管路内部缺陷进行检测,不能检测对管路内壁上的缺陷进行检测。而基于计算机视觉的检测技术可通过工业内窥镜摄像系统,实时记录管道内部情况,再将管内图像信息传回计算机,从而快速获取管道内壁上大量图像信息。检测人员可根据这些获得的图像信息对管道内壁上存在的问题进行判断。并且基于计算机机视觉的检测方法能够很好的与信息系统及控制系统相结合,使其能够实现智能化、数字化和多功能化,同时又具备在线检测、实时控制和实时分析能力。因此该方法在对金属管路内壁的检测问题上具有更广阔的应用前景。
金属硬管内壁常见缺陷类型有多余物、凹坑、凸起、划伤等,不同的缺陷类型对金属管路的安全性不同,因此有必要对管路中存在的缺陷类型进行识别。在目前的工业检测当中,对管路内壁上缺陷的类型识别过程从送料、检测设备部署到类型识别均为纯人工作业,缺陷的具体类型分类大多依靠现场检测人员积累的经验对缺陷类型进行识别。这就使得整个检测识别过程效率较低,并且识别结果受人为因素的影响很大,可靠性不高。
随着科技的快速发展,基于机器学习的智能识别算法逐渐被应用于图像识别、语音识别等多个领域,常用的机器算法有卷积神经网络、支持向量机、聚类分析等。其中,支持向量机作为一种基于结构风险最小化原理和统计学VC(Vapnik-Chervonenkis)维理论基础上发展而来的一种机器学习算法,可以有效避免传统统计学方法中的非线性、局部最小值和维数灾难等问题。并且由于其不需要样本满足趋向无穷大的渐进性条件,使其即使在小样本条件下仍能够找到学习问题的最优解,实现较好地识别分类效果。卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。卷积神经网络具有表征学习能力,能够按其阶层结构对输入信息进行平移不变分类,因此也被称为平移不变人工神经网络。
发明内容
针对现有金属硬管内壁质量检测识别中,检测效率低,识别结果可靠性不高的技术问题,本发明提出一种基于机器学习的管路视觉检测系统及方法实现送料半自动化、检测设备部署全自动化及基于支持向量机和卷积神经网络实现不同内壁质量管路的自动识别分类,大大提高了检测效率,简化了操作流程,提高了识别的可靠性。
为了达到上述目的,本发明的技术方案是这样实现的:一种基于机器学习的管路视觉检测方法,其步骤如下:
步骤一:将待检测的管路依次放入送料机构,通过检测系统的传动机构带动送料机构将管路水平输送至检测位置的下方,通过第一传感器将管路到位信号传送至控制设备,控制设备关闭传动机构;
步骤二:控制设备打开顶升机构,顶升机构将管路向上顶起至检测位置,对齐气缸将管路对齐检测位置,夹紧结构的料夹夹紧并固定管路,V型结构自动对心管路;
步骤三:部署机构将检测设备的内窥镜组输送至管路的内部;
步骤四:检测设备的管件智能检测仪利用支持向量机和卷积神经网络对内窥镜组拍摄的管路内壁表面的图像进行智能分类,并将分类结果传送至控制设备;
步骤五:控制设备打开料夹,管路放置在顶升机构上,顶升机构下降将管路输送至送料机构,控制设备打开传动机构,送料机构将检测后的管路输送至分料机构,控制设备根据分类结果控制分料板转动,从而将检测后的管路传送至合格料仓或NG料仓中。
所述管件智能检测仪器基于LabVIEW平台搭建智能识别模型,在LabVIEW平台下通过调用MATLAB软件对接收到的图像进行分析处理;基于LabVIEW平台将接收内窥镜组拍摄的图像导入到MATLAB数据处理软件中,首先对图像进行灰度化处理、Gabor滤波变换和图像分块的预处理,提取出基于局部二值模式特征图像的灰度共生矩阵的特征参数,将图像从高维特征空间压缩到低维特征空间,且保留图像的本质特征;利用图像提取的特征参数,对支持向量机和卷积神经网络进行训练,得到训练好的智能识别模型;对待识别的图像样本进行处理,提取其特征参数,利用训练好的智能识别模型对待识别的图像样本的特征参数进行识别,从而实现管路内壁缺陷的自动识别;然后将识别结果传送给控制设备;选用图像纹理特征对金属的待检测的管路的内表面图像特点进行表征;通过寻优算法即遗传算法确定支持向量机和卷积神经网络的系统参数,用于金属硬管内壁缺陷的类型识别。
所述检测设备包括管件智能检测仪器、下位机和内窥镜组,内窥镜组包括内窥镜和镜头,镜头与内窥镜相连接,内窥镜与管件智能检测仪器相连接,管件智能检测仪器与下位机相连接,下位机与控制设备相连接。
所述内窥镜通过VGA接口与管件智能检测仪器相连接,管件智能检测仪器通过Modbus TCP通信协议与下位机相连接,保持与下位机的通讯,实时接收并反馈下位机发来的指令;所述第一传感器安装在顶升机构的正上方,第一传感器为接近开关;所述部署机构前后均设有第二传感器,第二传感器为接近开关,用以检测镜头是否正确进入或退出管路;对齐气缸与管路相接表面涂成绿色,管件智能检测仪可由此判断内窥镜是否到达管路尾部。
所述检测系统包括传动机构、送料机构、顶升机构、夹紧结构、部署机构、分料机构、检测设备和控制设备,控制设备分别与传动机构、顶升机构、部署机构、夹紧结构、分料机构和检测设备相连接,传动机构与送料机构相连接,送料机构的数量设有至少两个,夹紧结构安装在支架的上部且夹紧结构位于送料机构的上方的一侧,传动机构安装在支架的中部,顶升机构安装在支架的下部;所述部署机构设置在支架的一侧且与检测设备的内窥镜组的镜头相匹配,分料机构位于送料机构的输出端且位于料仓的正上方。
所述传动机构包括电机、传动杆、主动轮和从动轮,电机固定在支架上,主动轮与电机相连接,主动轮与从动轮相连接,传动杆活动设置在支架上,从动轮与传动杆相连接;所述送料机构均匀分布在支架之间;所述送料机构包括皮带、皮带轮I和皮带轮II,皮带轮I均匀固定在传动杆,皮带轮I和皮带轮II上设有皮带,皮带上设有皮带卡槽;所述送料机构的外侧设有限位板,皮带轮II与限位板转动连接,限位板下部固定在支架上。
所述顶升机构包括尾部气缸、齿条I、传动轴和齿条II,尾部气缸固定在支架上,尾部气缸与齿条I相连接,齿条I通过传动轴与竖直的齿条II相连接,齿条II固定在推板上,推板与待检测的管路相匹配;所述推板上滑动设有与齿条II相匹配的直线轴承,直线轴承的底部固定在水平支架上。
所述夹紧结构包括料夹、料夹气缸和架杆,料夹与料夹气缸相连接,料架气缸固定在架杆上;所述架杆的端部固定有对齐气缸,对齐气缸与待检测的管路相匹配,对齐气缸和部署机构位于待检测的管路的两侧;所述料夹的夹爪上设有V型结构。
所述部署机构包括镜头入口、滚轮I、滚轮II、齿带轮、齿轮、皮带轮III、构架和步进电机,镜头入口和步进电机均固定于构架上,构架固定在支架上,步进电机通过皮带轮III与齿带轮相连接,齿带轮与滚轮I相连接,齿带轮与齿轮相啮合,齿轮与滚轮II相连接,镜头入口设置在滚轮I和滚轮II之间且与镜头入口与待测管路的管口相对应。
所述分料机构包括分料板、上料仓和下料仓,上料仓和下料仓均固定在支座上,上料仓位于下料仓的上方,分料板设置在上料仓和下料仓之间,分料板与支座转动连接,分料板与旋转气缸相连接,旋转气缸固定在支架上。
与现有技术相比,本发明的有益效果:通过电机和气缸所驱动的传动机构、顶升装置、夹紧装置、分料装置可实现管路检测过程中的待测管路的自动上料、夹紧、下料、分类等功能,与现有手动装置相比大大节省了人力成本,在机械装置的基础上结合智能检测仪器对工业内窥镜采集到的检测图像进行智能分析并分类,大大提高了分类识别的准确率和分类速度。本发明实现了管路内壁的自动识别,大大提高了管路质量检测的检测效率和检测准确性,简化了操作流程,提高了识别的可靠性。
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为本发明的工作流程图。
图2为本发明的总装结构示意图。
图3为图2中传动机构的结构示意图。
图4为图2中送料机构的结构示意图。
图5为图2中顶升机构的结构示意图。
图6为图2中夹紧结构的结构示意图。
图7为图2中部署机构的结构示意图。
图8为本发明检测设备的原理图。
图9为本发明料仓的结构示意图。
图中,1为传动机构,2为送料结构,3为顶升机构,4为部署机构,5为分料机构,6为检测设备,7为控制设备,8为支架,9为夹紧结构,10为料仓,11为电机,12为传动杆,13为主动轮,14为从动轮,15为传动带,21为皮带,22为皮带轮I,23为皮带轮II,24为皮带卡槽,25为限位板,26为尾部气缸,27为齿条I,28为传动轴,29为齿条II,30为直线轴承,31为料夹,32为料夹气缸,33为对齐气缸,34为架杆,35为镜头入口,36为滚轮I,37为滚轮II,38为齿带轮,39为齿轮,40为皮带轮III,41为构架,42为步进电机,43为分料板,44为上料仓,45为下料仓,46为支座,61为内窥镜,62为镜头,63为管件智能检测仪,64为下位机。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,一种基于机器学习的管路视觉检测系统方法,其步骤如下:
步骤一:将待检测的管路依次放入送料机构,通过检测系统的传动机构带动送料机构将管路水平输送至检测位置的下方,通过第一传感器将管路到位信号传送至控制设备,控制设备关闭传动机构。
传动机构1由电机11直接驱动传动杆12,同步驱动送料机构的所有皮带轮,保证管路平稳传输。送料机构2使用传动机构1的电机驱动联动皮带进行,通过皮带21上设置皮带开槽24使管路间独立运动,关键位置即顶升机构3的正上方将安装第一传感器,给出管路到位信号。第一传感器为接近开关,用于检测管路是否到达夹紧机构9的正下方。
管路的管径范围为:管内径6至28mm,管外径8至32mm。管路的管长范围为:500至3000mm。检测系统的检测节拍为:3000mm长度管路,检测时间不多于300秒。检测系统的操作可在全自动检测及手动检测间切换;手动检测模式下内窥镜组的镜头可定位至管内任意位置。检测后的管路根据合格/NG结果自动归类至不同料仓。
步骤二:检测系统的控制设备7打开顶升机构3,顶升机构3的尾部气缸26将管路向上顶起至检测位置,对齐气缸将管路对齐检测位置,夹紧结构9的料夹夹紧并固定管路,V型结构自动对心管路,统一不同管径的管路中心位置。
如图5所示,对齐气缸33通过架杆34固定在支架8上,对齐气缸33和部署机构4分别位于待检测的管路的两侧,对齐气缸33将待检测的管路向部署机构4顶进,方便镜头伸入管路。顶升机构3设置在检测位置正下面,顶升距离已根据顶升机构3的尾部气缸26行程进行准确计算。因此,当尾部气缸26行程推进至最大行程时,管路即到达检测位置。通过料夹气缸32的收缩来控制料夹31的夹紧与否。由于料夹31上的夹爪上设有V型结构,V型结构的几何特殊性在料夹气缸32收缩完全时可实现对管路的自动对心。
步骤三:部署机构将检测设备的内窥镜组输送至管路的内部。
部署机构4将内窥镜组的镜头62输送至管路内部,开始管壁质量检测。部署机构4前后均设有第二传感器,第二传感器为接近开关,用以检测内窥镜头是否正确进入或退出管路。部署机构4的滚轮I和滚轮II使用步进电机驱动,可以较为精确测量出内窥镜的部署长度,计算机根据步进电机转速和滚轮I、滚轮II的大小自动计算,管路尾部的对齐气缸33与管路相接表面涂成绿色,检测设备的管件智能检测仪可以由此判断内窥镜是否到达管路尾部,工业内窥镜组在管路内部采集到的检测图像和工业内窥镜组伸出管路时采集到的检测图像存在极大差异,管件智能检测仪器中的智能识别算法可进行准确判断。通过以上两种方式,可以保证内窥镜组不会伸出过长,避免撞击镜头。
步骤四:检测设备的管件智能检测仪利用支持向量机和卷积神经网络对内窥镜组拍摄的管路内壁表面的图像进行智能分类,并将分类结果传送至控制设备。
如图8所示,所述检测设备6包括管件智能检测仪63、下位机64和内窥镜组,内窥镜组包括内窥镜61和镜头62,镜头62与内窥镜61相连接,内窥镜61通过VGA接口与管件智能检测仪器63相连接,管件智能检测仪器63与下位机64相连接,下位机64与控制设备7相连接。
所述管件智能检测仪63通过Modbus TCP通信协议与下位机相连接,保持与下位机的通讯,实时接收并反馈下位机发来的指令。识别结果通过Modbus TCP通信协议传递给下位机64。
管件智能检测仪63基于LabVIEW平台搭建智能识别模型,在LabVIEW平台下通过调用MATLAB软件对接收到的图像进行分析处理。基于LabVIEW平台将接收内窥镜组拍摄的图像并导入到MATLAB数据处理软件中。具体实现时,先将内窥镜61拍摄的图像作为训练图像对智能识别模型进行训练,然后将待检测的图像输送至训练好的智能识别模型就可以实现自动分类。首先对图像进行灰度化处理、Gabor滤波变换和图像分块的预处理,提取出基于局部二值模式特征图像的灰度共生矩阵的特征参数;利用图像提取的特征参数,对支持向量机和卷积神经网络进行训练,得到训练好的智能识别模型;对待识别的图像样本进行处理,提取其特征参数,利用训练好的智能识别模型对待识别的图像样本的特征参数进行识别,从而实现管路内壁缺陷的自动识别;然后将识别结果传送给控制设备。
支持向量机可通过不同核函数将原低维空间中线性不可分的信号数据点映射到高维空间使其线性可分,通过构造最优的分类超平面可以将距离平面最近的不同数据间的距离最大化,从而实现对信号的正确分类。
卷积神经网络仿造生物的视知觉机制构建,可以进行监督学习和非监督学习,其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征,例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程要求。
支持向量机和卷积神经网络进行识别分类的金属硬管内壁图像是以图像特征的形式输入的,因此图像特征提取是进行缺陷类型识别的基础。特征选择的基本任务是从图像中找出最有效的特征,将图像从高维特征空间压缩到低维特征空间,且保留图像的本质特征。对于管件智能检测仪63的缺陷识别即管件智能检测仪63的智能识别算法的缺陷图像特征选取问题,选取的图像特征若具有更好的可区别性、可靠性、独立性将大大提高图像识别的成功率,因此,特征参数的选取对管件智能检测仪63的智能识别模型的缺陷识别的性能至关重要。
常见的图像特征分为几何特征和纹理特征,但当金属硬管内径较小时,采集设备的可运动空间较为有限,导致管路内壁表面对光照方向和强度较为敏感,不利于几何特征的提取。因此,采用几何特征描述金属管壁内表面特征参数的适用性不强,不适合用于金属管壁内表面特征表征。纹理特征作为图像的一个重要特征,它代表了物体表面微观特性规律性分布的宏观表征,能够描述图像内部包含的重要信息,使其能够帮助人们区分图像间的形态差异。通过对金属硬管内表面图像的特征分析,发现不同质量的硬管内壁具有不同的纹理特点。质量良好的金属硬管内壁表面纹理较为均匀;而有缺陷硬管的内表面纹理变化不规则,较为杂乱,且不同类型缺陷的纹理特征也不尽相同。因此,本发明中选用图像纹理特征对金属硬管内表面图像特点进行表征。
在确定提取检测图像的纹理特征后,通过寻优算法即遗传算法确定支持向量机和卷积神经网络的系统参数,并将其用于金属硬管内壁缺陷的类型识别。
步骤五:控制设备打开夹紧结构9的料夹,管路放置在顶升机构3上,顶升机构3下降将管路输送至送料机构2的皮带卡槽,控制设备打开传动机构1,送料机构2将检测后的管路输送至分料机构5,控制设备根据分类结果控制分料机构5的分料板转动,从而将检测后的管路传送至合格料仓或NG料仓中。
由控制设备控制的旋转气缸提供动力使分料板43发生转动来实现分类。合格料仓或NG料仓为上料仓44或下料仓45。
实施例2
一种基于机器学习的管路视觉检测系统,如图2所示,所述检测系统包括传动机构1、送料机构2、顶升机构3、夹紧结构9、部署机构4、分料机构5、检测设备6和控制设备7,控制设备分别与传动机构2、顶升机构3、部署机构4、夹紧结构9、分料机构5和检测设备相连接,传动机构1与送料机构2相连接,传动机构1带动送料机构2转动,实现管路的水平传送。送料机构2的数量设有至少两个,可以对管路的两端进行支撑实现平稳传送。夹紧结构9固定在支架8的上部且夹紧结构9位于送料机构2的上方的一侧,夹紧结构9实现对管路的夹紧和固定,方便检测设备6进行内壁的缺陷识别。传动机构1安装在支架8的中部的外侧,顶升机构3固定在支架8的下部,方便从管路的下部对其进行竖直方向提升,从而将管路传送至夹紧结构9。所述部署机构4设置在支架8的一侧且与检测设备6的内窥镜组的镜头62相匹配,部署机构4将镜头62输送至管路的内部。分料机构5位于送料机构2的输出端且位于料仓10的正上方,将识别后的管路分别输送至合格料仓16或NG料仓17。
如图3所示,所述传动机构1包括电机11、传动杆12、主动轮13和从动轮14,电机11固定在支架8上,主动轮13与电机11相连接,主动轮13与从动轮14相连接,传动杆12通过轴承活动设置在支架8上,传动杆12相对于支架8转动,从而带动送料机构2转动,实现管路的水平传送。从动轮14与传动杆12相连接。
图2中送料机构2的数量设有4个,所述送料机构2均匀分布并并排设置在支架8之间,从而实现对管路的稳定支撑,保证管路的稳定传送。如图4所示,所述送料机构2包括皮带21、皮带轮I22和皮带轮II23,皮带轮I22均匀固定在传动杆12,皮带轮I22和皮带轮II23上设有皮带21,皮带21上设有皮带卡槽24;所述送料机构2的外侧设有限位板25,皮带轮II23与限位板25转动连接,限位板25上固定有轴承座,皮带轮II23的转轴上固定有轴承,可实现定位转动。限位板25下部固定在支架8上,限位板25对皮带进行限位,防止皮带跑偏。
如图5所示,所述顶升机构3包括尾部气缸26、齿条I27、传动轴28、齿条II29和直线轴承30,尾部气缸26通过水平支架固定在支架8上,尾部气缸26与齿条I27相固定连接,齿条I27为水平放置的,尾部气缸26带动齿条I27水平移动,齿条I27通过传动轴28与两端的齿条II29连接,传动轴28两端分别固定设有与齿条I27和齿条II29相啮合的齿轮,通过齿轮和传动轴28带动竖直的齿条II29竖直移动,齿条II29与直线轴承30相固定,直线轴承30用于限位齿条II29直线运动,直线轴承30的上部和齿条II29固定在推板上,直线轴承30的下部固定在水平支架上,通过推板的推动实现上下推动待测管路。当待测管件被送料机构2送到位于顶升机构3正下方的指定位置时,由尾部气缸26推动传动轴28在齿条I27上移动,传动轴28通过齿条II29将尾部气缸26的位移传递给直线轴承30从而推动待测管路上移。
如图6所示,所述夹紧结构9包括料夹31、料夹气缸32、对齐气缸33和架杆34,料夹31与料夹气缸32相连接,料夹气缸32控制料夹32的打开和闭合,料架气缸32和对齐气缸33均固定在架杆34上,架杆34固定在支架8上。当管件到达待检测位置后,由图6中对齐气缸33推动管路使管路前端管口接近内窥镜的伸出口,之后由料夹气缸32带动料夹31夹紧管路,由于料夹的V型结构设计可实现管路的管口和内窥镜伸出口自动对心。对齐气缸33位于部署机构4对侧,从而推动管路向部署机构4侧移动,对齐检测位置。
如图7所示,所述部署机构4包括镜头入口35、滚轮I36、滚轮II37、齿带轮38、齿轮39、皮带轮III40、构架41和步进电机42,镜头入口35和步进电机42固定于构架41上,构架41固定在支架8上,部署结构位于支架8的一侧,镜头入口35对准检测位置,从而方便将镜头62传送至待检测的管路。步进电机42通过皮带轮III40与齿带轮38相连接。齿带轮38与滚轮I36相固定,即齿带轮38与滚轮I36设置在一个滚轴上,齿带轮38带动滚轮I36转动,齿带轮38与齿轮39相啮合,齿轮39与滚轮II37相固定。镜头入口35水平设置在滚轮I36和滚轮II37之间,滚轮I36和滚轮II37上与镜头入口35对应的位置设有容纳导线的凹槽,镜头入口35方便镜头62的伸入,通过滚轮I36和滚轮II37的滚动带动镜头62与内窥镜61之间的导线向前移动,从而带动镜头向管路中伸进。
如图9所示,所述分料机构5包括分料板43、上料仓44、下料仓45、支座46。上料仓44和下料仓45均固定于支座46上。分料板43与支座46转动连接,旋转气缸固定在支架8上,旋转气缸与分料板43固定连接,上料仓44位于下料仓45的上方,分料板43设置在上料仓44和下料仓45之间,通过旋转气缸带动分料板43转动,从而将分类后的管路传送至上料仓44或下料仓45。
内窥镜61的镜头62由镜头入口35中进入管路,其前进动力由步进电机42提供,皮带轮III40、齿带轮38和齿轮39相互连接,从而将步进电机42动力传递给滚轮I36和滚轮II37,由滚轮I36和滚轮II37带动镜头62不断进入。根据管件智能检测仪63的检测分类结果给予图9中分料板43不同的转动方向,不同的分料方向从而使管件进入上料仓44或下料仓45当中。
本发明通过送料机构、顶升机构将待测管路自动输送到指定的检测位置;通过部署机构将检测设备中的内窥镜镜头移动至管路内部;通过检测设备对待测管路内壁类型进行智能识别;分料机构根据检测设备的识别结果对管路进行分类放置;将硬件设备和管件智能检测仪的智能识别算法相结合,可以实现送料半自动化、检测设备部署全自动化及不同内壁质量管路的自动识别分类,大大提高了检测效率,简化了操作流程,提高了识别的可靠性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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 (10)
1.一种基于机器学习的管路视觉检测方法,其特征在于,其步骤如下:
步骤一:将待检测的管路依次放入送料机构,通过检测系统的传动机构带动送料机构将管路水平输送至检测位置的下方,通过第一传感器将管路到位信号传送至控制设备,控制设备关闭传动机构;
步骤二:控制设备打开顶升机构,顶升机构将管路向上顶起至检测位置,对齐气缸将管路对齐检测位置,夹紧结构的料夹夹紧并固定管路,V型结构自动对心管路;
步骤三:部署机构将检测设备的内窥镜组输送至管路的内部;
步骤四:检测设备的管件智能检测仪利用支持向量机和卷积神经网络对内窥镜组拍摄的管路内壁表面的图像进行智能分类,并将分类结果传送至控制设备;
步骤五:控制设备打开料夹,管路放置在顶升机构上,顶升机构下降将管路输送至送料机构,控制设备打开传动机构,送料机构将检测后的管路输送至分料机构,控制设备根据分类结果控制分料板转动,从而将检测后的管路传送至合格料仓或NG料仓中。
2.根据权利要求1所述的基于机器学习的管路视觉检测方法,其特征在于,所述管件智能检测仪器基于LabVIEW平台搭建智能识别模型,在LabVIEW平台下通过调用MATLAB软件对接收到的图像进行分析处理;基于LabVIEW平台将接收内窥镜组拍摄的图像导入到MATLAB数据处理软件中,首先对图像进行灰度化处理、Gabor滤波变换和图像分块的预处理,提取出基于局部二值模式特征图像的灰度共生矩阵的特征参数,将图像从高维特征空间压缩到低维特征空间,且保留图像的本质特征;利用图像提取的特征参数,对支持向量机和卷积神经网络进行训练,得到训练好的智能识别模型;对待识别的图像样本进行处理,提取其特征参数,利用训练好的智能识别模型对待识别的图像样本的特征参数进行识别,从而实现管路内壁缺陷的自动识别;然后将识别结果传送给控制设备;选用图像纹理特征对金属的待检测的管路的内表面图像特点进行表征;通过寻优算法即遗传算法确定支持向量机和卷积神经网络的系统参数,用于金属硬管内壁缺陷的类型识别。
3.根据权利要求2所述的基于机器学习的管路视觉检测方法,其特征在于,所述检测设备包括管件智能检测仪器、下位机和内窥镜组,内窥镜组包括内窥镜(61)和镜头(62),镜头与内窥镜相连接,内窥镜与管件智能检测仪器(63)相连接,管件智能检测仪器(63)与下位机(64)相连接,下位机(64)与控制设备(7)相连接。
4.根据权利要求1-3中任意一项所述的基于机器学习的管路视觉检测方法,其特征在于,所述内窥镜(61)通过VGA接口与管件智能检测仪器(63)相连接,管件智能检测仪器(63)通过Modbus TCP通信协议与下位机(64)相连接,保持与下位机(64)的通讯,实时接收并反馈下位机(64)发来的指令;所述第一传感器安装在顶升机构(3)的正上方,第一传感器为接近开关;所述部署机构(4)前后均设有第二传感器,第二传感器为接近开关,用以检测镜头是否正确进入或退出管路;对齐气缸与管路相接表面涂成绿色,管件智能检测仪可由此判断内窥镜是否到达管路尾部。
5.根据权利要求1或3所述的基于机器学习的管路视觉检测方法,其特征在于,所述检测系统包括传动机构(1)、送料机构(2)、顶升机构(3)、夹紧结构(9)、部署机构(4)、分料机构(5)、检测设备(6)和控制设备(7),控制设备分别与传动机构(2)、顶升机构(3)、部署机构(4)、夹紧结构(9)、分料机构(5)和检测设备相连接,传动机构(1)与送料机构(2)相连接,送料机构(2)的数量设有至少两个,夹紧结构(9)安装在支架(8)的上部且夹紧结构(9)位于送料机构(2)的上方的一侧,传动机构(1)安装在支架(8)的中部,顶升机构(3)安装在支架(8)的下部;所述部署机构(4)设置在支架(8)的一侧且与检测设备(6)的内窥镜组的镜头(62)相匹配,分料机构(5)位于送料机构(2)的输出端且位于料仓(10)的正上方。
6.根据权利要求5所述的基于机器学习的管路视觉检测方法,其特征在于,所述传动机构(1)包括电机(11)、传动杆(12)、主动轮(13)和从动轮(14),电机(11)固定在支架(8)上,主动轮(13)与电机(11)相连接,主动轮(13)与从动轮(14)相连接,传动杆(12)活动设置在支架(8)上,从动轮(14)与传动杆(12)相连接;所述送料机构(2)均匀分布在支架(8)之间;所述送料机构(2)包括皮带(21)、皮带轮I(22)和皮带轮II(23),皮带轮I(22)均匀固定在传动杆(12),皮带轮I(22)和皮带轮II(23)上设有皮带(21),皮带(21)上设有皮带卡槽(24);所述送料机构(2)的外侧设有限位板(25),皮带轮II(23)与限位板(25)转动连接,限位板(25)下部固定在支架(8)上。
7.根据权利要求5所述的基于机器学习的管路视觉检测方法,其特征在于,所述顶升机构(3)包括尾部气缸(26)、齿条I(27)、传动轴(28)和齿条II(29),尾部气缸(26)固定在支架(8)上,尾部气缸(26)与齿条I(27)相连接,齿条I(27)通过传动轴(28)与竖直的齿条II(29)相连接,齿条II(29)固定在推板上,推板与待检测的管路相匹配;所述推板上滑动设有与齿条II(29)相匹配的直线轴承(30),直线轴承(30)的底部固定在水平支架上。
8.根据权利要求5所述的基于机器学习的管路视觉检测方法,其特征在于,所述夹紧结构(9)包括料夹(31)、料夹气缸(32)和架杆(34),料夹(31)与料夹气缸(32)相连接,料架气缸(32)固定在架杆(34)上;所述架杆(34)的端部固定有对齐气缸(33),对齐气缸(33)与待检测的管路相匹配,对齐气缸(33)和部署机构(4)位于待检测的管路的两侧;所述料夹(31)的夹爪上设有V型结构。
9.根据权利要求1或3所述的基于机器学习的管路视觉检测方法,其特征在于,所述部署机构(4)包括镜头入口(35)、滚轮I(36)、滚轮II(37)、齿带轮(38)、齿轮(39)、皮带轮III(40)、构架(41)和步进电机(42),镜头入口(35)和步进电机(42)均固定于构架(41)上,构架(41)固定在支架(8)上,步进电机(42)通过皮带轮III(40)与齿带轮(38)相连接,齿带轮(38)与滚轮I(36)相连接,齿带轮(38)与齿轮(39)相啮合,齿轮(39)与滚轮II(37)相连接,镜头入口(35)设置在滚轮I(36)和滚轮II(37)之间且与镜头入口(35)与待测管路的管口相对应。
10.根据权利要求5所述的基于机器学习的管路视觉检测方法,其特征在于,所述分料机构(5)包括分料板(43)、上料仓(44)和下料仓(45),上料仓(44)和下料仓(45)均固定在支座(46)上,上料仓(44)位于下料仓(45)的上方,分料板(43)设置在上料仓(44)和下料仓(45)之间,分料板(43)与支座(46)转动连接,分料板(43)与旋转气缸相连接,旋转气缸固定在支架(8)上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011389966.0A CN112845159B (zh) | 2020-12-02 | 2020-12-02 | 一种基于机器学习的管路视觉检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011389966.0A CN112845159B (zh) | 2020-12-02 | 2020-12-02 | 一种基于机器学习的管路视觉检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112845159A true CN112845159A (zh) | 2021-05-28 |
CN112845159B CN112845159B (zh) | 2023-01-24 |
Family
ID=75996881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011389966.0A Active CN112845159B (zh) | 2020-12-02 | 2020-12-02 | 一种基于机器学习的管路视觉检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112845159B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113936191A (zh) * | 2021-10-21 | 2022-01-14 | 平安国际智慧城市科技股份有限公司 | 图片分类模型训练方法、装置、设备及存储介质 |
CN114324389A (zh) * | 2021-12-23 | 2022-04-12 | 广东技术师范大学 | 一种基于在线检测的铝型材视觉检测设备 |
CN115759139A (zh) * | 2022-12-13 | 2023-03-07 | 菏泽市产品检验检测研究院 | 一种基于物联网的压力管道的无损检测装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105938620A (zh) * | 2016-04-14 | 2016-09-14 | 北京工业大学 | 一种小口径管内焊缝表面缺陷识别装置 |
CN206326334U (zh) * | 2016-12-15 | 2017-07-14 | 四季沐歌(洛阳)太阳能有限公司 | 一种真空管内外管及固定卡自动装配的输送装置 |
CN110681598A (zh) * | 2019-09-30 | 2020-01-14 | 盟立自动化(昆山)有限公司 | 一种管件内外观检查系统及检查方法 |
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 |
CN111080597A (zh) * | 2019-12-12 | 2020-04-28 | 西南交通大学 | 一种基于深度学习的轨道扣件缺陷识别算法 |
CN212031688U (zh) * | 2020-03-30 | 2020-11-27 | 芜湖纯元光电设备技术有限公司 | 一种光固机灯管检测装置 |
US20210332930A1 (en) * | 2020-04-22 | 2021-10-28 | Indian Oil Corporation Limited | Caliper pig for detecting geometrical deformation of a pipeline |
-
2020
- 2020-12-02 CN CN202011389966.0A patent/CN112845159B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105938620A (zh) * | 2016-04-14 | 2016-09-14 | 北京工业大学 | 一种小口径管内焊缝表面缺陷识别装置 |
CN206326334U (zh) * | 2016-12-15 | 2017-07-14 | 四季沐歌(洛阳)太阳能有限公司 | 一种真空管内外管及固定卡自动装配的输送装置 |
CN110681598A (zh) * | 2019-09-30 | 2020-01-14 | 盟立自动化(昆山)有限公司 | 一种管件内外观检查系统及检查方法 |
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 |
CN111080597A (zh) * | 2019-12-12 | 2020-04-28 | 西南交通大学 | 一种基于深度学习的轨道扣件缺陷识别算法 |
CN212031688U (zh) * | 2020-03-30 | 2020-11-27 | 芜湖纯元光电设备技术有限公司 | 一种光固机灯管检测装置 |
US20210332930A1 (en) * | 2020-04-22 | 2021-10-28 | Indian Oil Corporation Limited | Caliper pig for detecting geometrical deformation of a pipeline |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113936191A (zh) * | 2021-10-21 | 2022-01-14 | 平安国际智慧城市科技股份有限公司 | 图片分类模型训练方法、装置、设备及存储介质 |
CN114324389A (zh) * | 2021-12-23 | 2022-04-12 | 广东技术师范大学 | 一种基于在线检测的铝型材视觉检测设备 |
CN115759139A (zh) * | 2022-12-13 | 2023-03-07 | 菏泽市产品检验检测研究院 | 一种基于物联网的压力管道的无损检测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112845159B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112845159B (zh) | 一种基于机器学习的管路视觉检测系统及方法 | |
CN103499585B (zh) | 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置 | |
CN110403232B (zh) | 一种基于二级算法的烟支质量检测方法 | |
CN110694921B (zh) | 蔬菜分拣系统及其控制方法 | |
CN108318494B (zh) | 红提果粉的在线视觉检测分级装置及其方法 | |
CN106442553A (zh) | 一种铜环柱面喷码检测识别装置及方法 | |
CN113145492A (zh) | 一种用于梨外观品质视觉分级方法及分级生产线 | |
CN113139940A (zh) | 一种基于计算机视觉的钢板表面裂纹检测算法及处理设备 | |
WO2021109011A1 (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
CN212301356U (zh) | 一种轮毂焊缝视觉检测装置 | |
CN109570051A (zh) | 基于机器视觉、激光和声学的板栗虫眼检测装置 | |
CN110813795B (zh) | 一种化纤丝锭纸筒破损在线检测装置及方法 | |
CN116441190A (zh) | 一种龙眼检测系统、方法、设备及存储介质 | |
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 | |
CN211437053U (zh) | 蔬菜分拣系统 | |
CN116309475A (zh) | 自动检测滚筒齿座焊接质量的机器视觉检测方法 | |
CN114677597B (zh) | 基于改进YOLOv5网络的齿轮缺陷视觉检测方法及系统 | |
CN111359892A (zh) | 一种基于机器视觉的天宝蜜柚外观检测分级装置及其方法 | |
CN112014405A (zh) | 一种电梯钢丝绳的检测装置及其检测方法 | |
CN113390884A (zh) | 一种卷烟设备烟支输送通道烟支异常监测方法及其装置 | |
CN215721821U (zh) | 一种多分辨率烟叶样品外观特征提取装置 | |
CN111210407A (zh) | 超长编织管内部瑕疵在线检测方法 | |
CN114863084B (zh) | 一种基于深度学习目标检测的铭牌识别及挂靠设备 | |
CN116593493A (zh) | 一种高速检测钢管内表面缺陷的装置和方法 | |
CN212284937U (zh) | 针对产品表面缺陷的机器视觉检测系统 |
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 |