CN113781585B - 一种增材制造零件表面缺陷在线检测方法及系统 - Google Patents

一种增材制造零件表面缺陷在线检测方法及系统 Download PDF

Info

Publication number
CN113781585B
CN113781585B CN202110996952.3A CN202110996952A CN113781585B CN 113781585 B CN113781585 B CN 113781585B CN 202110996952 A CN202110996952 A CN 202110996952A CN 113781585 B CN113781585 B CN 113781585B
Authority
CN
China
Prior art keywords
value
point cloud
image
height
grid
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
Application number
CN202110996952.3A
Other languages
English (en)
Other versions
CN113781585A (zh
Inventor
黄丞
张海鸥
王桂兰
宋豪
李润声
张华昱
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202110996952.3A priority Critical patent/CN113781585B/zh
Publication of CN113781585A publication Critical patent/CN113781585A/zh
Application granted granted Critical
Publication of CN113781585B publication Critical patent/CN113781585B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/08—Projecting images onto non-planar surfaces, e.g. geodetic screens
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/25—Process efficiency

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明属于增材制造相关技术领域，其公开了一种增材制造零件表面缺陷在线检测方法及系统，方法包括：在增材制造成形过程中获取当前打印层表面形貌的三维点云数据；以三维点云数据投影到平面得到二维形貌图像；根据缺陷情况对二维形貌图像中的像素进行分类并标记，进而获取缺陷类型的特征值以及对应的标签值以所述特征值为输入并以标签值为输出对分类模型进行训练获得训练完成的分类模型；获取待识别打印层表面形貌的特征值，将特征值输入训练完成的分类模型获得当前打印层表面的缺陷类型。本申请可以对缺陷进行像素级别的分类，使得缺陷检测更加精准。

Description

一种增材制造零件表面缺陷在线检测方法及系统
技术领域
本发明属于增材制造相关技术领域，更具体地，涉及一种增材制造零件表面缺陷在线检测方法及系统。
背景技术
增材制造是一种根据零件模型逐层成形的近净成形技术，具有整体制造、短周期、低成本等优势，在航空航天、舰船潜艇、核电风机等领域应用广泛。增材制造技术广泛应用所面临的重大挑战是制造过程中的一致性和产品质量。不同于传统制造方式在零件成形后采用射线、超声等检测方法来确定材料是否存在缺陷与合格，增材制造具有在线逐层缺陷识别的潜力，对于制造过程中的缺陷及时发现与处理可以避免零件的报废与资源损失。现有的增材制造零件表面缺陷检测方法主要是通过操作工人的经验判断或基于图像的缺陷识别。人工的判断存在一定的主观性与漏检的概率，并且不适用于制造过程的自动化；基于图像的缺陷检测方法由于打印环境复杂，缺陷类型多样，导致缺陷识别准确度不足，且无法准确量化缺陷尺寸与定位，难以解决“制造-检测-修复”一体化问题，实际应用效果一般。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种增材制造零件表面缺陷在线检测方法及系统，可以对缺陷进行像素级别的分类，使得缺陷检测更加精准。
为实现上述目的，按照本发明的一个方面，提供了一种增材制造零件表面缺陷在线检测方法，所述方法包括：S1：在增材制造成形过程中获取当前打印层表面形貌的三维点云数据；S2：以所述三维点云数据的边界为边界得到包括多个网格的图像网格，将所述三维点云数据投影至所述图像网格，并将每一网格中点的平均高度值作为对应网络的高度值，并将所有网格的高度值转换成像素值，从而得到当前打印层表面的二维形貌图像； S3：根据缺陷情况对所述二维形貌图像中的像素进行分类并标记，进而获取缺陷类型的特征值以及对应的标签值；S4：以所述特征值为输入并以所述标签值为输出对分类模型进行训练获得训练完成的分类模型；S5：获取待识别打印层表面形貌的特征值，将所述特征值输入所述训练完成的分类模型获得当前打印层表面的缺陷类型。
优选地，步骤S2中所述将所有网格的高度值转换成像素值具体包括： S21：计算所述三维点云数据的拟合高度Ha；S22：计算各网格点内的高度值与所述拟合高度Ha的差值；S23：将所述差值采用非线性变换函数归一至0～255的像素值区间得到对应的像素值。
优选地，采用高度平均值、最小二乘法或随机采样一致法拟合平面中的一种计算所述拟合高度Ha。
优选地，所述非线性变换函数为sigmoid函数，采用如下公式将所述网络的高度值H(i，j)转换为像素值I(i，j)：
优选地，所述特征值包括：像素值、边界距离值、Laplace锐化值或窗口临近像素的统计特征值中的一种或几种，其中，所述边界距离值通过计算像素点与二维形貌图像的边界的最小距离得到；Laplace锐化值通过二维形貌图像与Laplace核函数卷积得到；所述窗口临近像素的统计特征值通过以某一像素点为中心对其周围网络的像素点的最值、均值、方差和熵进行计算得到。
优选地，将K-临近模型、决策树模型、朴树贝叶斯模型、支持向量机模型、人工神经网络模型中分类效果最好的模型作为所述分类模型。
优选地，采用精确率P和召回率R评估所述分类模型的分类效果：
P＝TP/(TP+FP)
R＝TP/(TP+FN)
其中，TP表示将正类预测为正类；FP表示将负类预测为正类；TN表示将负类预测为负类；FN表示将正类预测为负类。
优选地，所述方法还包括：S6：将所述缺陷类型进行二值化处理得到对应缺陷的二值图像，其中，缺陷对应的像素值为255，其他对应的像素值为0；S7：对部分缺陷类型对应的二值图像进行闭运算的形态学处理，对另一部分缺陷类型对应的二值图像进行膨胀形态学处理，而后进行轮廓查找过滤掉轮廓面积小于阈值的无效缺陷；S8：绘制轮廓包围区域，以及确定缺陷的区域尺寸和位置。
优选地，步骤S1还包括对所述三维点云数据进行处理：获取上一层打印层层高并截取层高以上的点云；对截取后的点云计算空间点半径范围临近点数量，去除数量小于阈值的无效点；对点云采用区域生长算法进行聚类，通过分类簇的点云数目大小和平均高度来筛选得到当前层打印区域的点云。
按照本发明的另一个方面，提供了一种增材制造零件表面缺陷的在线检测系统，所述系统包括：三维点云获取模块：用于在增材制造成形过程中获取当前打印层表面形貌的三维点云数据；二维形貌获取模块：用于以所述三维点云数据的边界为边界得到包括多个网格的图像网格，将所述三维点云数据投影至所述图像网格，并将每一网格中点的平均高度值作为对应网络的高度值，并将所有网格的高度值转换成像素值，从而得到当前打印层表面的二维形貌图像；分类与标记模块：用于根据缺陷情况对所述二维形貌图像中的像素进行分类并标记，进而获取缺陷类型的特征值以及对应的标签值；训练模块：用于以所述特征值为输入并以所述标签值为输出对分类模型进行训练获得训练完成的分类模型；结果获取模块：用于获取待识别打印层表面形貌的特征值，将所述特征值输入所述训练完成的分类模型获得当前打印层表面的缺陷类型。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的一种增材制造零件表面缺陷在线检测方法及系统具有如下有益效果：
1.通过包含信息更多的三维点云数据，然后对三维点云数据进行处理获得以像素值表征的二维形貌图像，可以对缺陷进行像素级别的分类，以便于量化缺陷的尺寸和位置，为全自动的制造-检测-修复一体化提供了可能。
2.非线性变换函数进行归一化变化强化打印件表面的高度变化像素差值，更好的识别表面的微小缺陷，同时不会受到最大值和最小值的影响，保证每一层的转换结果的稳定性。
3.对分类模型进行校验便于获取分类更加精准和合理的分类模型。
4.对缺陷进行二值化处理使得缺陷更加突出，易于识别，提高识别精度。
附图说明
图1是本实施例的增材制造表面缺陷在线检测流程示意图；
图2A是本实施例的传感器测量的原始三维点云数据的示意图；
图2B是图2A中三维点云数据进行预处理后的三维点云数据图；
图2C是图2B中的三维点云数据图对应的二维形貌示意图；
图3A是本实施例的缺陷检测效果的一示意图；
图3B是本实施例的缺陷检测效果的另一示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
请参阅图1，本发明提供了一种增材制造零件表面缺陷在线检测方法，所述方法包括以下步骤S1～S5。
在打印开始前，根据打印零件的尺寸确定光学形貌传感器的扫描范围，保证覆盖整个零件，对于大型的零件可以通过多次扫描与数据拼接实现覆盖。打印开始后，对每一打印层进行表面扫描获得表面形貌并进行缺陷检测，若无缺陷则继续打印，否则需要对缺陷进行修复，逐层测量与检测以保证零件的质量。
S1：在增材制造成形过程中获取当前打印层表面形貌的三维点云数据；
本实施例采用非接触的光学形貌传感器来获取三维点云数据。在每层打印完成后，在零件的上方进行水平扫描与三维测量。
获得三维点云数据往往包括成形零件与其他物品、噪声点等无效数据，需要通过点云处理来得到干净的当前打印区域表面点云数据。因此可以采用如下步骤对三维点云数据进行处理：
获取当前打印层层高并截取层高以上的点云；
对截取后的点云计算空间点半径范围临近点数量，去除数量小于阈值的点；
对点云采用区域生长算法进行聚类，通过分类簇的点云数目大小和平均高度来筛选得到当前层打印区域的点云。
S2：以所述三维点云数据的边界为边界得到包括多个网格的图像网格，将所述三维点云数据投影至所述图像网格，并将每一网格中点的平均高度值作为对应网络的高度值，并将所有网格的高度值转换成像素值，从而得到当前打印层表面的二维形貌图像。
本实施例通过寻找点云在X和Y方向上的最值获得三维点云数据的边界，以此为边界建立图像网络，并以预设边长Xres和Yres将图像网络划分为多个小网格，每个小网格代表图像的一个像素。然后将点云数据数值投影到上述建立的图像网格中，将坐落于每个网格的所有点的平均高度值作为网格内的高度值H(i，j)，最后将网格内的高度值转换为0～255的像素值I (i，j)，从而得到二维形貌图像，如图2A～2C所示。
点云到图像的映射关系如下：
其中，i和j代表网格图像的行和列，xi和yi分别表示点云的XY坐标，xmin和ymin和表示点云在X方向和Y方向上的最小值，Xres和Yres分别表示图像网格在X和Y方向上的尺寸。
在金属沉积的过程中，成形的表面并不是理想的平面而是大体平整，并伴随周期性波峰和波谷的波纹面，而且网格内的点云高度随着打印的进行不断增加，因此需要将高度转换为不随打印过程变化的像素值，来实现打印全过程中表面缺陷识别。
步骤S2中所述将所有网格的高度值转换成像素值具体包括：
S21：计算所述三维点云数据的拟合高度Ha；例如可以采用高度平均值、最小二乘法或随机采样一致法拟合平面中的一种计算所述拟合高度Ha。
S22：计算各网格点内的高度值与所述拟合高度Ha的差值；
S23：将所述差值采用非线性变换函数归一至0～255的像素值区间得到对应的像素值。
非线性变换函数的正负偏差的像素大小具有对称性，变化斜率随着插值的增大先增大后减小，且数值分布在(0，1)区间，这样的函数可以强化打印层表面的高度变化像素差值，更好的识别表面的微小缺陷，同时不会受最大值与最小值的影响，保证每一层的转换结果稳定。
本实施例中，所述非线性变换函数优选为sigmoid函数，采用如下公式将所述网络的高度值H(i，j)转换为像素值I(i，j)：
S3：根据缺陷情况对所述二维形貌图像中的像素进行分类并标记，进而获取缺陷类型的特征值以及对应的标签值；
首先可以根据增材制造表面形貌特点和经验知识将打印层形貌图像的像素点分为“正常”、“隆起”、“凹陷”、“飞溅”和“孔洞”五类，并对每个像素点进行人工标记标签值1、2、3、4和5对应上述五类。
对每个像素点计算特征值，所述特征值包括：像素值(Pixel)、边界距离值(Dis)、Laplace锐化值(Lap)或窗口临近像素的统计特征值中的一种或几种，其中，所述边界距离值通过计算像素点与二维形貌图像边界的最小距离得到；Laplace锐化值通过二维形貌图像与Laplace核函数卷积得到；所述窗口临近像素的统计特征值通过以某一像素点为中心，提取以其为中心，边长为2×W+1的搜索网格内所有像素思安，分别计算网格内所有像素点的最值(最大值Max、最小值Min、最大差值Cont)、均值Mean、方差Std和熵Ent进行计算得到，具体计算公式如下所示。
Max＝Max{I(i，j)}，i∈[x-w，x+w]，j∈[y-w，y+w]
Min＝Min{I(i，j)}，i∈[x-w，x+w]，j∈[y-w，y+w]
Cont＝Max-Min
Dis(i，j)＝min{|i-k|，|j-1|}，(k，1)∈Background
S4：以所述特征值为输入并以所述标签值为输出对分类模型进行训练获得训练完成的分类模型；
最后以特征值为输入，以所示标签值为输出通过迭代和交叉验证优化分类模型，实现对分类模型的训练。
将K-临近模型、决策树模型、朴树贝叶斯模型、支持向量机模型、人工神经网络模型中分类效果最好的模型作为所述分类模型。
采用精确率P和召回率R评估所述分类模型的分类效果：
P＝TP/(TP+FP)
R＝TP/(TP+FN)
其中，TP表示将正类预测为正类；FP表示将负类预测为正类；TN表示将负类预测为负类；FN表示将正类预测为负类。
S5：获取待识别打印层表面形貌的特征值，将所述特征值输入所述训练完成的分类模型获得当前打印层表面的缺陷类型，如图3所示。
采用以上步骤S1～S3中的方法获得待识别打印层表面形貌的特征值，将所述特征值输入训练完成的分类模型即可获得当前打印层表面的缺陷类型。
所述方法还包括：
S6：将所述缺陷类型进行二值化处理得到对应缺陷的二值图像，其中，缺陷对应的像素值为255，其他对应的像素值为0；
S7：对部分缺陷类型对应的二值图像进行闭运算的形态学处理，对另一部分缺陷类型对应的二值图像进行膨胀形态学处理，而后进行轮廓查找过滤掉轮廓面积小于阈值的无效缺陷。例如，对“隆起”和“凹陷”缺陷对应的二值图像进行闭运算的形态学处理，对“飞溅”和“孔洞”缺陷图像做膨胀形态学处理。
S8：绘制轮廓包围区域，以及确定缺陷的区域尺寸和位置。
进行轮廓查找，过滤轮廓面积小于阈值的无效缺陷，计算并绘制轮廓的包围矩形，根据矩形框的长宽尺寸估算缺陷的尺寸，将矩形框的中心作为缺陷的位置，输出缺陷的几何尺寸与位置信息，如图3A和3B所示。
本申请另一方面还提供了一种增材制造零件表面缺陷的在线检测系统，所述系统包括：
三维点云获取模块：例如可以执行图1中的步骤S1，用于在增材制造成形过程中获取当前打印层表面形貌的三维点云数据；
二维形貌获取模块：例如可以执行图1中的步骤S2，用于以所述三维点云数据的边界为边界得到包括多个网格的图像网格，将所述三维点云数据投影至所述图像网格，并将每一网格中点的平均高度值作为对应网络的高度值，并将所有网格的高度值转换成像素值，从而得到当前打印层表面的二维形貌图像；
分类与标记模块：例如可以执行图1中的步骤S3，用于根据缺陷情况对所述二维形貌图像中的像素进行分类并标记，进而获取缺陷类型的特征值以及对应的标签值；
训练模块：例如可以执行图1中的步骤S4，用于以所述特征值为输入并以所述标签值为输出对分类模型进行训练获得训练完成的分类模型；
结果获取模块：例如可以执行图1中的步骤S5，用于获取待识别打印层表面形貌的特征值，将所述特征值输入所述训练完成的分类模型获得当前打印层表面的缺陷类型。
综上可知，本申请提供的一种增材制造零件表面缺陷在线检测方法及系统，可以对缺陷进行像素级别的分类，使得缺陷检测更加精准，可以实现增材制造在线表面缺陷自动识别，从而及时处理，提高零件的良品率。
本领域的技术人员容易理解，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种增材制造零件表面缺陷在线检测方法，其特征在于，所述方法包括：
S1：在增材制造成形过程中获取当前打印层表面形貌的三维点云数据；
S2：以所述三维点云数据的边界为边界得到包括多个网格的图像网格，将所述三维点云数据投影至所述图像网格，并将每一网格中点的平均高度值作为对应网络的高度值，并将所有网格的高度值转换成像素值，从而得到当前打印层表面的二维形貌图像；
其中，所述将所有网格的高度值转换成像素值具体包括：
S21：计算所述三维点云数据的拟合高度Ha；
S22：计算各网格点内的高度值与所述拟合高度Ha的差值；
S23：将所述差值采用非线性变换函数归一至0~255的像素值区间得到对应的像素值；
步骤S2具体地，通过寻找点云在X和Y方向上的最值获得三维点云数据的边界，以此为边界建立图像网络，并以预设边长X res 和Y res 将图像网络划分为多个小网格，每个小网格代表图像的一个像素，然后将点云数据数值投影到上述建立的图像网格中，将坐落于每个网格的所有点的平均高度值作为网格内的高度值H（i,j），最后将网格内的高度值转换为0~255的像素值I（i,j），从而得到二维形貌图像；
点云到图像的映射关系如下：
其中，i和j代表网格图像的行和列，x i 和y i 分别表示点云的XY坐标，x min和y min和表示点云在X方向和Y方向上的最小值，X res 和Y res 分别表示图像网格在X和Y方向上的尺寸；
S3：根据缺陷情况对所述二维形貌图像中的像素进行分类并标记，进而获取缺陷类型的特征值以及对应的标签值；
S4：以所述特征值为输入并以所述标签值为输出对分类模型进行训练获得训练完成的分类模型；
S5：获取待识别打印层表面形貌的特征值，将所述特征值输入所述训练完成的分类模型获得当前打印层表面的缺陷类型。
2.根据权利要求1所述的方法，其特征在于，采用高度平均值、最小二乘法或随机采样一致法拟合平面中的一种计算所述拟合高度Ha。
3.根据权利要求1所述的方法，其特征在于，所述非线性变换函数为sigmoid函数，采用如下公式将所述网络的高度值H（i,j）转换为像素值I（i,j）：
。
4.根据权利要求1所述的方法，其特征在于，所述特征值包括：像素值、边界距离值、Laplace锐化值或窗口临近像素的统计特征值中的一种或几种，其中，所述边界距离值通过计算像素点与二维形貌图像的边界的最小距离得到；Laplace锐化值通过二维形貌图像与Laplace核函数卷积得到；所述窗口临近像素的统计特征值通过以某一像素点为中心对其周围网络的像素点的最值、均值、方差和熵进行计算得到。
5.根据权利要求1所述的方法，其特征在于，将K-临近模型、决策树模型、朴树贝叶斯模型、支持向量机模型、人工神经网络模型中分类效果最好的模型作为所述分类模型，采用精确率P和召回率R评估所述分类模型的分类效果：
其中，TP表示将正类预测为正类；FP表示将负类预测为正类；TN表示将负类预测为负类；FN表示将正类预测为负类。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
S6：将所述缺陷类型进行二值化处理得到对应缺陷的二值图像，其中，缺陷对应的像素值为255，其他对应的像素值为0；
S7：对部分缺陷类型对应的二值图像进行闭运算的形态学处理，对另一部分缺陷类型对应的二值图像进行膨胀形态学处理，而后进行轮廓查找过滤掉轮廓面积小于阈值的无效缺陷；
S8：绘制轮廓包围区域，以及确定缺陷的区域尺寸和位置。
7.根据权利要求1所述的方法，其特征在于，步骤S1还包括对所述三维点云数据进行处理：
获取上一层打印层层高并截取层高以上的点云；
对截取后的点云计算空间点半径范围临近点数量，去除数量小于阈值的无效点；
对点云采用区域生长算法进行聚类，通过分类簇的点云数目大小和平均高度来筛选得到当前层打印区域的点云。
8.根据权利要求1所述的方法，其特征在于，采用非接触的光学形貌传感器获得所述三维点云数据，步骤S1还包括标定所述光学形貌传感器的打印坐标系。
9.一种增材制造零件表面缺陷的在线检测系统，其特征在于，所述系统包括：
三维点云获取模块：用于在增材制造成形过程中获取当前打印层表面形貌的三维点云数据；
二维形貌获取模块：用于以所述三维点云数据的边界为边界得到包括多个网格的图像网格，将所述三维点云数据投影至所述图像网格，并将每一网格中点的平均高度值作为对应网络的高度值，并将所有网格的高度值转换成像素值，从而得到当前打印层表面的二维形貌图像；
其中，所述将所有网格的高度值转换成像素值具体包括：
S21：计算所述三维点云数据的拟合高度Ha；
S22：计算各网格点内的高度值与所述拟合高度Ha的差值；
S23：将所述差值采用非线性变换函数归一至0~255的像素值区间得到对应的像素值；
步骤S2具体地，通过寻找点云在X和Y方向上的最值获得三维点云数据的边界，以此为边界建立图像网络，并以预设边长X res 和Y res 将图像网络划分为多个小网格，每个小网格代表图像的一个像素，然后将点云数据数值投影到上述建立的图像网格中，将坐落于每个网格的所有点的平均高度值作为网格内的高度值H（i,j），最后将网格内的高度值转换为0~255的像素值I（i,j），从而得到二维形貌图像；
点云到图像的映射关系如下：
其中，i和j代表网格图像的行和列，x i 和y i 分别表示点云的XY坐标，x min和y min和表示点云在X方向和Y方向上的最小值，X res 和Y res 分别表示图像网格在X和Y方向上的尺寸；
分类与标记模块：用于根据缺陷情况对所述二维形貌图像中的像素进行分类并标记，进而获取缺陷类型的特征值以及对应的标签值；
训练模块：用于以所述特征值为输入并以所述标签值为输出对分类模型进行训练获得训练完成的分类模型；
结果获取模块：用于获取待识别打印层表面形貌的特征值，将所述特征值输入所述训练完成的分类模型获得当前打印层表面的缺陷类型。
CN202110996952.3A 2021-08-27 2021-08-27 一种增材制造零件表面缺陷在线检测方法及系统 Active CN113781585B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110996952.3A CN113781585B (zh) 2021-08-27 2021-08-27 一种增材制造零件表面缺陷在线检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110996952.3A CN113781585B (zh) 2021-08-27 2021-08-27 一种增材制造零件表面缺陷在线检测方法及系统

Publications (2)

Publication Number Publication Date
CN113781585A CN113781585A (zh) 2021-12-10
CN113781585B true CN113781585B (zh) 2024-02-06

Family

ID=78839663

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110996952.3A Active CN113781585B (zh) 2021-08-27 2021-08-27 一种增材制造零件表面缺陷在线检测方法及系统

Country Status (1)

Country Link
CN (1) CN113781585B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115816834B (zh) * 2023-02-20 2023-04-25 常熟理工学院 用于打印机打印质量实时监测的方法及系统
CN116071353B (zh) * 2023-03-06 2023-09-05 成都盛锴科技有限公司 一种螺栓装配检测方法及系统
CN116630328B (zh) * 2023-07-25 2023-09-29 深圳市鑫冠亚科技有限公司 一种散热底板的在线检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016201947A1 (zh) * 2015-06-16 2016-12-22 华南理工大学 一种轮形铸造产品缺陷自动检测方法
WO2019233166A1 (zh) * 2018-06-04 2019-12-12 杭州海康威视数字技术股份有限公司 一种表面缺陷检测方法、装置及电子设备
CN111007073A (zh) * 2019-12-23 2020-04-14 华中科技大学 一种増材制造过程中零件缺陷在线检测的方法及检测系统
CN111507357A (zh) * 2020-06-17 2020-08-07 熵智科技(深圳)有限公司 一种缺陷检测语义分割模型建模方法、装置、介质及设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016201947A1 (zh) * 2015-06-16 2016-12-22 华南理工大学 一种轮形铸造产品缺陷自动检测方法
WO2019233166A1 (zh) * 2018-06-04 2019-12-12 杭州海康威视数字技术股份有限公司 一种表面缺陷检测方法、装置及电子设备
CN111007073A (zh) * 2019-12-23 2020-04-14 华中科技大学 一种増材制造过程中零件缺陷在线检测的方法及检测系统
CN111507357A (zh) * 2020-06-17 2020-08-07 熵智科技(深圳)有限公司 一种缺陷检测语义分割模型建模方法、装置、介质及设备

Also Published As

Publication number Publication date
CN113781585A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
CN113781585B (zh) 一种增材制造零件表面缺陷在线检测方法及系统
Liu et al. A rail surface defect detection method based on pyramid feature and lightweight convolutional neural network
CN107622277B (zh) 一种基于贝叶斯分类器的复杂曲面缺陷分类方法
CN109977808A (zh) 一种晶圆表面缺陷模式检测与分析方法
CN106934800B (zh) 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置
CN116664559B (zh) 基于机器视觉的内存条损伤快速检测方法
CN115797354B (zh) 用于检测激光焊接焊缝外观缺陷的方法
CN109461141A (zh) 一种工件缺胶检测方法
CN113393426B (zh) 一种轧钢板表面缺陷检测方法
CN112669286A (zh) 基于红外热像的外墙外保温系统缺陷识别与损伤程度评价方法
CN115797813B (zh) 基于航拍图像的水环境污染检测方法
Peng et al. Automated product boundary defect detection based on image moment feature anomaly
Giusti et al. Image-based measurement of material roughness using machine learning techniques
CN116168003A (zh) 基于人工智能的注塑件银纹缺陷检测方法及系统
CN106989672A (zh) 一种基于机器视觉的工件测量方法
CN113705564B (zh) 一种指针式仪表识别读数方法
CN112750119B (zh) 一种面向白玻璃盖板表面微弱缺陷的检测与测量方法
CN117635615A (zh) 基于深度学习实现冲孔模具的缺陷检测方法及系统
CN112906603A (zh) 基于点云数据的三维曲面监控方法、系统及可读介质
CN117292181A (zh) 基于3d点云处理的钣金件孔组分类及全尺寸测量方法
CN116385356A (zh) 一种基于激光视觉的正六边形孔特征的提取方法和系统
CN115984360A (zh) 一种基于图像处理的计算干滩长度的方法及系统
Zhou et al. An Automatic Pointer Meter Reading Method based on Deep Learning in Gas Gathering Station
Shi et al. Machine vision-based segmentation and classification method for intelligent roller surface monitoring
CN117541832B (zh) 异常检测方法、系统、电子设备及存储介质

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