CN112907514A - 一种基于图像识别的螺栓螺母缺陷诊断方法及系统 - Google Patents

一种基于图像识别的螺栓螺母缺陷诊断方法及系统 Download PDF

Info

Publication number
CN112907514A
CN112907514A CN202110076210.9A CN202110076210A CN112907514A CN 112907514 A CN112907514 A CN 112907514A CN 202110076210 A CN202110076210 A CN 202110076210A CN 112907514 A CN112907514 A CN 112907514A
Authority
CN
China
Prior art keywords
bolt
nut
defect
image
image recognition
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
CN202110076210.9A
Other languages
English (en)
Inventor
王哲
马思含
王平
黄孝川
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.)
Nanjing Dvo Aviation Technology Co Ltd
Original Assignee
Nanjing Dvo Aviation Technology 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 Nanjing Dvo Aviation Technology Co Ltd filed Critical Nanjing Dvo Aviation Technology Co Ltd
Priority to CN202110076210.9A priority Critical patent/CN112907514A/zh
Publication of CN112907514A publication Critical patent/CN112907514A/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
    • G06T7/0002—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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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

Abstract

本发明公开了一种基于图像识别的螺栓螺母缺陷诊断方法及系统，所述方法包括：首先选取螺栓螺母缺陷构造图作为分类目标数据库；根据图像识别螺栓螺母特征信息与所述分类目标数据库判断是否有缺陷螺栓螺母；若判断为是，则基于图像识别螺栓螺母特征信息与所述分类目标数据库进行缺陷信息特征分析；根据所述缺陷信息特征分析进行缺陷诊断并对缺陷进行目标分类；本发明采用均值滤波将螺栓螺母图像进行平滑处理，减少图像干扰，其次，再利用圆形度计算方式，判断螺栓螺母缺陷接近程度，减少缺陷诊断偏差。

Description

一种基于图像识别的螺栓螺母缺陷诊断方法及系统
技术领域
本发明涉及螺栓螺母缺陷诊断技术，尤其是一种基于图像识别的螺栓螺母缺陷诊断方法及系统。
背景技术
螺栓和螺母不在同一个受力表面，或螺栓：由头部和螺杆带有外螺纹的圆柱体两部分组成的一类紧固件，需与螺母配合，用于紧固连接两个带有通孔的零件；如把螺母从螺栓上旋下，有可以使这两个零件分开，故螺栓连接是属于可拆卸连接；而螺母：带有内螺纹孔，形状一般呈显为扁六角柱形，也有呈扁方柱形或扁圆柱形，配合螺栓、螺柱或机器螺钉，用于紧固连接两个零件，使之成为一件整体。
现有的螺栓与螺母在配对使用时，无论是零部件设备的固定以及运行设备的位置限定，都需要保证设备在运行中的安全，而一些存在缺陷的螺栓螺母在配合使用时，若未及时发现则会出现安全隐患，由于不同的螺栓螺母配合位置不同，很难观察到螺栓螺母表面的损伤，在设备安装以及固定时，无法观察到螺栓螺母是否出现内部损伤或缺陷，进而在重要场合安装这种存在缺陷的螺栓螺母就会存在较大的安全隐患。
发明内容
基于此，有必要针对上述技术问题，提供一种通过图像识别对被测螺栓螺母进行缺陷诊断保证的保证测试螺栓螺母的可行性和安全性的一种基于图像识别的螺栓螺母缺陷诊断方法及系统。
本发明技术方案如下：
一种基于图像识别的螺栓螺母缺陷诊断方法，所述方法包括：
步骤S100：首先选取螺栓螺母缺陷构造图作为分类目标数据库；
步骤S200：根据图像识别螺栓螺母特征信息与所述分类目标数据库判断是否有缺陷螺栓螺母；
步骤S300：若判断为是，则基于图像识别螺栓螺母特征信息与所述分类目标数据库进行缺陷信息特征分析；
步骤S400：根据所述缺陷信息特征分析进行缺陷诊断并对缺陷进行目标分类。
具体地，当图像识别螺栓螺母特征信息与所述分类目标数据库包含有缺陷图像时；
所述图像识别通过包含的图像采集、数据预处理、均值滤波、测试识别图像、特征提取及提取结果，进而从识别螺栓螺母的图像信息中分析、识别、判断出螺栓螺母缺陷图像，并对缺陷图像进行归类；
所述图像采集利用灰度方差来反应螺栓螺母缺陷区域内灰度值的集中程度及检测边缘清晰度，其次，表征螺栓螺母的灰度，检测螺栓螺母磨损以及边缘毛刺。
具体地，所述数据预处理包括阈值处理，所述阈值处理对螺栓螺母缺陷图像中的噪声信号做小波变换，其中，所述小波变换分为软阈值和硬阈值，软阈值具体表示如下：
Figure BDA0002907744350000021
式中，i表示分解级数；wi，k表示原始图像小波系数；
Figure BDA0002907744350000022
表示对原始图像进行处理后的小波系数；sign表示数学符号函数；
硬阈值表示：
Figure BDA0002907744350000023
式中，i表示分解级数；wi，k表示原始图像小波系数；
Figure BDA0002907744350000024
表示对原始图像进行处理后的小波系数。
具体地，所述均值滤波将螺栓螺母目标图像进行平滑度处理，得出滤波后图像，具体为：
I＝S(XS,YS)+U(XU,YU)*M
式中，I表示滤波后图像；S(XS,YS)表示螺栓螺母的平滑；U(XU,YU)表示螺栓螺母的变化；(XS,YS)表示平滑的坐标集合；(XU,YU)表示变化的坐标集合；*表示卷积运算符号；M表示均值滤波模板。
具体地，所述特征提取将图像采集信息转换成清晰图像，并获取螺栓螺母的图像特征，再次根据所述分类目标数据库确定螺栓螺母缺陷特征类别，在采用圆形度在螺栓螺母面积与周长的基础上，计算螺栓螺母的螺纹处的形状复杂程度的特征量，通过螺栓螺母目标形状和螺纹的接近程度得出：
Figure BDA0002907744350000025
式中，ε表示螺栓螺母目标形状；π表示圆周率；S表示螺栓螺母形状面积；L表示螺栓螺母形状周长。
具体的，所述提取结果通过测试识别图像与分类目标数据库对采集到的螺栓螺母缺陷图像进行比对分析，进一步确定所检测螺栓螺母缺陷图像，并对螺栓螺母产生的缺陷进行分类。
还提供一种基于图像识别的螺栓螺母缺陷诊断系统，所述诊断系统包括：
缺陷读取单元，用于选取螺栓螺母缺陷构造图作为分类目标数据库；
缺陷诊断第一判断单元，用于根据图像识别螺栓螺母特征信息与所述分类目标数据库判断是否有缺陷螺栓螺母；
缺陷诊断第二判断单元，用于若判断为是，则基于图像识别螺栓螺母特征信息与所述分类目标数据库进行缺陷信息特征分析；
缺陷诊断分类单元，用于根据所述缺陷信息特征分析进行缺陷诊断并对缺陷进行目标分类。
具体地，所述缺陷诊断第一判断单元包括但不限于CCD摄像头、位移传感器或光源辅助器；
所述光源辅助器由灯组构成，利用位移传感器获取图像识别区域内的螺栓螺母位置信息，辅助CCD摄像头获取螺栓螺母缺陷图像的光亮度。
还提供一种基于图像识别的螺栓螺母缺陷诊断设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述基于图像识别的螺栓螺母缺陷诊断方法的步骤。
还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机，所述计算机程序被处理器执行时实现上述基于图像识别的螺栓螺母缺陷诊断方法的步骤。
有益效果：本发明设计一种基于图像识别的螺栓螺母缺陷诊断方法及系统，首先选取螺栓螺母缺陷构造图作为分类目标数据库；然后，根据图像识别螺栓螺母特征信息与所述分类目标数据库判断是否有缺陷螺栓螺母；若判断为是，则基于图像识别螺栓螺母特征信息与所述分类目标数据库进行缺陷信息特征分析；最后，根据所述缺陷信息特征分析进行缺陷诊断并对缺陷进行目标分类。
另外，通过图像的识别与诊断减少人工排查费时费力的现象；采用均值滤波将螺栓螺母图像进行平滑处理，减少图像干扰；通过构建分类目标数据库，对缺陷的螺栓螺母进行图像储存，再根据实时的采集图像进行数据库比对提高判断，以及故障率；对螺栓螺母目标图像进行预处理，减少在获取缺陷图像时存在噪声；再利用圆形度计算方式，判断；螺栓螺母缺陷接近程度，减少缺陷诊断偏差，其次，利用灰度方差消减结构元素小的亮信息，保持整体的灰度级的明亮部分不变，抑制边界毛刺对图像的影响。
附图说明
图1为一个实施例中一种基于图像识别的螺栓螺母缺陷诊断方法的应用场景图。
图2为一个实施例中一种基于图像识别的螺栓螺母缺陷诊断方法的应用场景上下CCD摄像头示意图。
图3为一个实施例中一种基于图像识别的螺栓螺母缺陷诊断方法的流程示意图。
图4为一个实施例中一种基于图像识别的螺栓螺母缺陷诊断方法的图像识别流程图。
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明；应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的一种基于图像识别的螺栓螺母缺陷诊断方法，可以应用于如图1和图2所示的应用环境中；其中，所述基于图像识别的螺栓螺母缺陷诊断装置1001汇集CCD摄像头1003图像采集信息，所述CCD摄像头1003设置在螺栓螺母采集区域四个方位，除四个方位外，至少还在放置区1002上下方中各设置一个CCD摄像头1003，放置区1002为螺栓螺母的观察区域，为方便下方设置的CCD摄像头1003能准确、清晰的采集到螺栓螺母的圆形度，因此将放置区1002采用透明材质；所述基于图像识别的螺栓螺母缺陷诊断装置1001通过放置区1002的螺栓螺母通过六个方位设置的CCD摄像头1003进行图像信息采集，将不同方位图像信息进行汇总，诊断螺栓螺母是否存在缺陷。
所述基于图像识别的螺栓螺母缺陷诊断装置1001首先存储螺栓螺母缺陷图像作为分类目标数据库；根据所述CCD摄像头1003采集图像信息进而与所述基于图像识别的螺栓螺母缺陷诊断装置1001存储螺栓螺母缺陷图像进行比较判断是否有缺陷螺栓螺母；若判断为是，则基于图像识别的螺栓螺母缺陷诊断装置1001图像识别螺栓螺母特征信息与所述分类目标数据库进行缺陷信息特征分析；所述基于图像识别的螺栓螺母缺陷诊断装置1001根据所述缺陷信息特征分析进行缺陷诊断并对缺陷进行目标分类。
另外，当图像识别螺栓螺母特征信息与所述分类目标数据库包含有缺陷图像时；所述图像识别通过包含的图像采集、数据预处理、均值滤波、测试识别图像、特征提取及提取结果，进而从识别螺栓螺母的图像信息中分析、识别、判断出螺栓螺母缺陷图像，并对缺陷图像进行归类。
在一个实施例中，如图3所示，一种基于图像识别的螺栓螺母缺陷诊断方法，所述方法包括：
步骤S100：首先选取螺栓螺母缺陷构造图作为分类目标数据库；
具体地，在不同的运动方向下，螺栓和螺母的配合以及受力方向是实时变化，故，本步骤，通过收集以及选取螺栓和螺母配合之间出现的缺陷图像，与实时检测图像进行对比，当实时检测图像基于所述分类目标数据库发现无缺陷图像时，则螺栓螺母为完整形态。
步骤S200：根据图像识别螺栓螺母特征信息与所述分类目标数据库判断是否有缺陷螺栓螺母；
具体地，本步骤，以所述螺栓螺母缺陷构造图作为分类目标数据库，通过图像识别螺栓螺母特征信息，进而判断螺栓螺母是否完整，当图像识别的信息与所述分类目标数据库发现有缺陷图像时，说明该螺栓螺母出现缺陷，则对出现缺陷的螺栓螺母进行归类。
步骤S300：若判断为是，则基于图像识别螺栓螺母特征信息与所述分类目标数据库进行缺陷信息特征分析；
具体地，本步骤，依据所述螺栓螺母缺陷构造图作为分类目标数据库，若判断为是，则对出现缺陷的图像信息进行特征分析，判断螺栓和螺母以及配合出现缺陷。
步骤S400：根据所述缺陷信息特征分析进行缺陷诊断并对缺陷进行目标分类；
具体地，本步骤，以判断螺栓和螺母以及配合出现缺陷进行缺陷目标分类，以及通过语音提示或报警提示，进一步保证螺栓螺母使用时的安全性和可行性，故需要对螺栓螺母的缺陷诊断予以提示。
在一个实施例中，如图4所示，当图像识别螺栓螺母特征信息与所述分类目标数据库包含有缺陷图像时；
所述图像识别通过包含的图像采集、数据预处理、均值滤波、测试识别图像、特征提取及提取结果，进而从识别螺栓螺母的图像信息中分析、识别、判断出螺栓螺母缺陷图像，并对缺陷图像进行归类；
所述图像采集利用灰度方差来反应螺栓螺母缺陷区域内灰度值的集中程度及检测边缘清晰度，其次，表征螺栓螺母的灰度，检测螺栓螺母磨损以及边缘毛刺。
在一个实施例中，所述数据预处理包括阈值处理，所述阈值处理对螺栓螺母缺陷图像中的噪声信号做小波变换，其中，所述小波变换分为软阈值和硬阈值，软阈值具体表示如下：
Figure BDA0002907744350000061
式中，i表示分解级数；wi，k表示原始图像小波系数；
Figure BDA0002907744350000062
表示对原始图像进行处理后的小波系数；sign表示数学符号函数；
硬阈值表示：
Figure BDA0002907744350000063
式中，i表示分解级数；wi，k表示原始图像小波系数；
Figure BDA0002907744350000064
表示对原始图像进行处理后的小波系数。
在一个实施例中，所述均值滤波将螺栓螺母目标图像进行平滑度处理，得出滤波后图像，具体为：
I＝S(XS,YS)+U(XU,YU)*M
式中，I表示滤波后图像；S(XS,YS)表示螺栓螺母的平滑；U(XU,YU)表示螺栓螺母的变化；(XS,YS)表示平滑的坐标集合；(XU,YU)表示变化的坐标集合；*表示卷积运算符号；M表示均值滤波模板。
在一个实施例中，所述特征提取将图像采集信息转换成清晰图像，并获取螺栓螺母的图像特征，再次根据所述分类目标数据库确定螺栓螺母缺陷特征类别，在采用圆形度在螺栓螺母面积与周长的基础上，计算螺栓螺母的螺纹处的形状复杂程度的特征量，通过螺栓螺母目标形状和螺纹的接近程度得出：
Figure BDA0002907744350000065
式中，ε表示螺栓螺母目标形状；π表示圆周率；S表示螺栓螺母形状面积；L表示螺栓螺母形状周长。
在一个实施例中，所述提取结果通过测试识别图像与分类目标数据库对采集到的螺栓螺母缺陷图像进行比对分析，进一步确定所检测螺栓螺母缺陷图像，并对螺栓螺母产生的缺陷进行分类。
在一个实施例中，提供一种基于图像识别的螺栓螺母缺陷诊断系统，所述诊断系统包括：
缺陷读取单元，用于选取螺栓螺母缺陷构造图作为分类目标数据库；
缺陷诊断第一判断单元，用于根据图像识别螺栓螺母特征信息与所述分类目标数据库判断是否有缺陷螺栓螺母；
缺陷诊断第二判断单元，用于若判断为是，则基于图像识别螺栓螺母特征信息与所述分类目标数据库进行缺陷信息特征分析；
缺陷诊断分类单元，用于根据所述缺陷信息特征分析进行缺陷诊断并对缺陷进行目标分类。
在一个实施例中，所述缺陷诊断第一判断单元包括但不限于CCD摄像头、位移传感器或光源辅助器；
所述光源辅助器由灯组构成，利用位移传感器获取图像识别区域内的螺栓螺母位置信息，辅助CCD摄像头获取螺栓螺母缺陷图像的光亮度。
在一个实施例中，提供一种基于图像识别的螺栓螺母缺陷诊断设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述基于图像识别的螺栓螺母缺陷诊断方法的步骤。
在一个实施例中，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机，所述计算机程序被处理器执行时实现上述基于图像识别的螺栓螺母缺陷诊断方法的步骤。
在一个实施例中，如图5所示，一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机，所述计算机程序被处理器执行时实现上述所述基于云计算和区块链技术的环保在线监测方法的步骤。
在一个实施例中，所述计算机程序被处理器执行时实现以下步骤：首先选取螺栓螺母缺陷构造图作为分类目标数据库；根据图像识别螺栓螺母特征信息与所述分类目标数据库判断是否有缺陷螺栓螺母；若判断为是，则基于图像识别螺栓螺母特征信息与所述分类目标数据库进行缺陷信息特征分析；根据所述缺陷信息特征分析进行缺陷诊断并对缺陷进行目标分类。
在一个实施例中，所述计算机程序被处理器执行时实现以下步骤：当图像识别螺栓螺母特征信息与所述分类目标数据库包含有缺陷图像时；
所述图像识别通过包含的图像采集、数据预处理、均值滤波、测试识别图像、特征提取及提取结果，进而从识别螺栓螺母的图像信息中分析、识别、判断出螺栓螺母缺陷图像，并对缺陷图像进行归类；
所述图像采集利用灰度方差来反应螺栓螺母缺陷区域内灰度值的集中程度及检测边缘清晰度，其次，表征螺栓螺母的灰度，检测螺栓螺母磨损以及边缘毛刺。
在一个实施例中，所述计算机程序被处理器执行时实现以下步骤：所述提取结果通过测试识别图像与分类目标数据库对采集到的螺栓螺母缺陷图像进行比对分析，进一步确定所检测螺栓螺母缺陷图像，并对螺栓螺母产生的缺陷进行分类。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。
其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。
非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。
易失性存储器可包括随机存取存储器(RAM)或外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于图像识别的螺栓螺母缺陷诊断方法，其特征在于，所述方法包括：
首先选取螺栓螺母缺陷构造图作为分类目标数据库；
根据图像识别螺栓螺母特征信息与所述分类目标数据库判断是否有缺陷螺栓螺母；
若判断为是，则基于图像识别螺栓螺母特征信息与所述分类目标数据库进行缺陷信息特征分析；
根据所述缺陷信息特征分析进行缺陷诊断并对缺陷进行目标分类。
2.根据权利要求1所述的一种基于图像识别的螺栓螺母缺陷诊断方法，其特征在于，当图像识别螺栓螺母特征信息与所述分类目标数据库包含有缺陷图像时；
所述图像识别通过包含的图像采集、数据预处理、均值滤波、测试识别图像、特征提取及提取结果，进而从识别螺栓螺母的图像信息中分析、识别、判断出螺栓螺母缺陷图像，并对缺陷图像进行归类；
所述图像采集利用灰度方差来反应螺栓螺母缺陷区域内灰度值的集中程度及检测边缘清晰度，其次，表征螺栓螺母的灰度，检测螺栓螺母磨损以及边缘毛刺。
3.根据权利要求2所述的一种基于图像识别的螺栓螺母缺陷诊断方法，其特征在于，所述数据预处理包括阈值处理，所述阈值处理对螺栓螺母缺陷图像中的噪声信号做小波变换，其中，所述小波变换分为软阈值和硬阈值，软阈值具体表示如下：
Figure FDA0002907744340000011
式中，i表示分解级数；wi，k表示原始图像小波系数；
Figure FDA0002907744340000012
表示对原始图像进行处理后的小波系数；sign表示数学符号函数；
硬阈值表示：
Figure FDA0002907744340000013
式中，i表示分解级数；wi，k表示原始图像小波系数；
Figure FDA0002907744340000014
表示对原始图像进行处理后的小波系数。
4.根据权利要求2所述的一种基于图像识别的螺栓螺母缺陷诊断方法，其特征在于，所述均值滤波将螺栓螺母目标图像进行平滑度处理，得出滤波后图像，具体为：
I＝S(XS，YS)+U(XU，YU)*M
式中，I表示滤波后图像；S(XS，YS)表示螺栓螺母的平滑；U(XU，YU)表示螺栓螺母的变化；(XS，YS)表示平滑的坐标集合；(XU，YU)表示变化的坐标集合；*表示卷积运算符号；M表示均值滤波模板。
5.根据权利要求2所述的一种基于图像识别的螺栓螺母缺陷诊断方法，其特征在于，所述特征提取将图像采集信息转换成清晰图像，并获取螺栓螺母的图像特征，再次根据所述分类目标数据库确定螺栓螺母缺陷特征类别，在采用圆形度在螺栓螺母面积与周长的基础上，计算螺栓螺母的螺纹处的形状复杂程度的特征量，通过螺栓螺母目标形状和螺纹的接近程度得出：
Figure FDA0002907744340000021
式中，ε表示螺栓螺母目标形状；π表示圆周率；S表示螺栓螺母形状面积；L表示螺栓螺母形状周长。
6.根据权利要求2所述的一种基于图像识别的螺栓螺母缺陷诊断方法，其特征在于，所述提取结果通过测试识别图像与分类目标数据库对采集到的螺栓螺母缺陷图像进行比对分析，进一步确定所检测螺栓螺母缺陷图像，并对螺栓螺母产生的缺陷进行分类。
7.一种基于图像识别的螺栓螺母缺陷诊断系统，其特征在于，所述诊断系统包括：
缺陷读取单元，用于选取螺栓螺母缺陷构造图作为分类目标数据库；
缺陷诊断第一判断单元，用于根据图像识别螺栓螺母特征信息与所述分类目标数据库判断是否有缺陷螺栓螺母；
缺陷诊断第二判断单元，用于若判断为是，则基于图像识别螺栓螺母特征信息与所述分类目标数据库进行缺陷信息特征分析；
缺陷诊断分类单元，用于根据所述缺陷信息特征分析进行缺陷诊断并对缺陷进行目标分类。
8.根据权利要求7所述一种基于图像识别的螺栓螺母缺陷诊断系统，其特征在于，所述缺陷诊断第一判断单元包括但不限于CCD摄像头、位移传感器或光源辅助器；
所述光源辅助器由灯组构成，利用位移传感器获取图像识别区域内的螺栓螺母位置信息，辅助CCD摄像头获取螺栓螺母缺陷图像的光亮度。
9.一种基于图像识别的螺栓螺母缺陷诊断设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一项基于图像识别的螺栓螺母缺陷诊断方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机，所述计算机程序被处理器执行时实现权利要求1至6任一项基于图像识别的螺栓螺母缺陷诊断方法的步骤。
CN202110076210.9A 2021-01-20 2021-01-20 一种基于图像识别的螺栓螺母缺陷诊断方法及系统 Pending CN112907514A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110076210.9A CN112907514A (zh) 2021-01-20 2021-01-20 一种基于图像识别的螺栓螺母缺陷诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110076210.9A CN112907514A (zh) 2021-01-20 2021-01-20 一种基于图像识别的螺栓螺母缺陷诊断方法及系统

Publications (1)

Publication Number Publication Date
CN112907514A true CN112907514A (zh) 2021-06-04

Family

ID=76116768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110076210.9A Pending CN112907514A (zh) 2021-01-20 2021-01-20 一种基于图像识别的螺栓螺母缺陷诊断方法及系统

Country Status (1)

Country Link
CN (1) CN112907514A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114627059A (zh) * 2022-02-27 2022-06-14 扬州孚泰电气有限公司 一种基于数据处理的防震锤螺栓检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106770332A (zh) * 2017-02-14 2017-05-31 杭州字节信息技术有限公司 一种基于机器视觉的电子模切料缺陷检测实现方法
CN109389134A (zh) * 2018-09-28 2019-02-26 山东衡昊信息技术有限公司 一种肉制品加工生产线监控信息系统的图像处理方法
CN109859160A (zh) * 2018-12-10 2019-06-07 湖南航天天麓新材料检测有限责任公司 基于机器视觉的铝镁合金铸件内部缺陷图像识别方法
CN111968098A (zh) * 2020-08-24 2020-11-20 广东工业大学 一种带钢表面缺陷检测方法、装置和设备
CN112184693A (zh) * 2020-10-13 2021-01-05 东北大学 一种射线工业底片焊缝缺陷智能检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106770332A (zh) * 2017-02-14 2017-05-31 杭州字节信息技术有限公司 一种基于机器视觉的电子模切料缺陷检测实现方法
CN109389134A (zh) * 2018-09-28 2019-02-26 山东衡昊信息技术有限公司 一种肉制品加工生产线监控信息系统的图像处理方法
CN109859160A (zh) * 2018-12-10 2019-06-07 湖南航天天麓新材料检测有限责任公司 基于机器视觉的铝镁合金铸件内部缺陷图像识别方法
CN111968098A (zh) * 2020-08-24 2020-11-20 广东工业大学 一种带钢表面缺陷检测方法、装置和设备
CN112184693A (zh) * 2020-10-13 2021-01-05 东北大学 一种射线工业底片焊缝缺陷智能检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
颜兵 等: "基于均值滤波和小波变换的图像去噪技术研究", 《计算机技术与发展》, vol. 21, no. 2, pages 51 - 53 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114627059A (zh) * 2022-02-27 2022-06-14 扬州孚泰电气有限公司 一种基于数据处理的防震锤螺栓检测方法
CN114627059B (zh) * 2022-02-27 2022-12-13 扬州孚泰电气有限公司 一种基于数据处理的防震锤螺栓检测方法

Similar Documents

Publication Publication Date Title
JP7274885B2 (ja) 表示装置の欠陥識別システム及び方法
CN107093175B (zh) 一种动力电池焊接质量检测方法
CN111369516A (zh) 基于红外图像识别的变压器套管发热缺陷检测方法
Marques et al. Automatic road pavement crack detection using SVM
CN115115841B (zh) 一种阴影斑点图像处理分析方法及系统
Medina et al. Automated visual classification of frequent defects in flat steel coils
Daniel et al. Automatic road distress detection and analysis
CN104077568A (zh) 一种高精度的驾驶员行为识别与监控方法及系统
Dong et al. Automatic inspection of aerospace welds using x-ray images
CN112907514A (zh) 一种基于图像识别的螺栓螺母缺陷诊断方法及系统
CN107576660B (zh) 一种基于距离等高线的双黄鸭蛋自动视觉检测方法
Huo et al. Tongue shape classification integrating image preprocessing and convolution neural network
CN116228651A (zh) 一种布匹缺陷检测方法、系统、设备及介质
WO2021109011A1 (zh) 一种基于超声图像的电容内部缺陷智能检测方法
CN112927223A (zh) 一种基于红外热成像仪的玻璃幕墙检测方法
KR20180045473A (ko) 이미지 분석을 이용한 흑색종 검사 시스템, 방법 및 컴퓨터 프로그램
Kamani et al. Automatic paint defect detection and classification of car body
CN113205479A (zh) 用于评估资产健康状况的系统和方法
CN115049641A (zh) 一种用于机械零件异常检测的电数据处理方法及系统
CN115984759A (zh) 变电站开关状态识别方法、装置、计算机设备和存储介质
Mumbelli et al. An application of Generative Adversarial Networks to improve automatic inspection in automotive manufacturing
CN114399479A (zh) 铁道车辆螺栓开口销的检测方法、装置和计算机设备
CN111610205A (zh) 一种金属零部件x光图像缺陷检测装置
Evstafev et al. Surface Defect Detection and Recognition Based on CNN
Sousa et al. A decision support system for fault detection and definition of the quality of wet blue goat skins

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