CN114004812A - 采用引导滤波与神经网络模型的螺纹孔检测方法及系统 - Google Patents

采用引导滤波与神经网络模型的螺纹孔检测方法及系统 Download PDF

Info

Publication number
CN114004812A
CN114004812A CN202111287842.6A CN202111287842A CN114004812A CN 114004812 A CN114004812 A CN 114004812A CN 202111287842 A CN202111287842 A CN 202111287842A CN 114004812 A CN114004812 A CN 114004812A
Authority
CN
China
Prior art keywords
threaded hole
image
neural network
network model
pythrch
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
Application number
CN202111287842.6A
Other languages
English (en)
Other versions
CN114004812B (zh
Inventor
王中任
马晓锋
陈科鹏
吴艳花
邬国秀
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.)
Hubei University of Arts and Science
Original Assignee
Hubei University of Arts and Science
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 Hubei University of Arts and Science filed Critical Hubei University of Arts and Science
Priority to CN202111287842.6A priority Critical patent/CN114004812B/zh
Publication of CN114004812A publication Critical patent/CN114004812A/zh
Application granted granted Critical
Publication of CN114004812B publication Critical patent/CN114004812B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了螺纹孔检测技术领域的一种采用引导滤波与神经网络模型的螺纹孔检测方法及系统，螺纹孔检测方法包括：采集螺纹孔图像；基于引导滤波，对采集的螺纹孔图像进行除噪、特征提取，得到特征图像；将特征图像输入使用Pytorch创建的神经网络模型中，输出拟合后的螺纹孔，用于螺纹孔检测。通过基于引导滤波，对采集的螺纹孔图像进行除噪、特征提取，得到特征图像；将特征图像输入使用Pytorch创建的神经网络模型中，输出拟合后的螺纹孔，用于螺纹孔检测，具有采样方便，检测效率以及检测精度高等特点。

Description

采用引导滤波与神经网络模型的螺纹孔检测方法及系统
技术领域
本发明属于螺纹孔检测技术领域，具体涉及一种采用引导滤波与神经网络模型的螺纹孔检测方法及系统。
背景技术
曲轴是发动机的核心部件，曲轴将活塞连杆上下往复运动转变为旋转运动，对汽车正常行驶有着巨大影响，其中对曲轴螺纹孔组位置度的要求比较高，目前曲轴螺纹孔的检测往往采用的是卡尺或者采用三坐标的检测方法检测。测量过程中曲轴自身较重，搬运不方便，人工用卡尺检测劳动量大，因疲劳容易漏检，达不到产品所需精度，效率低，三坐标检测虽然检测精度好，但经济性不太好，对操作人员的专业素养要求较高，适用于抽样检查。
发明内容
为解决现有技术中的不足，本发明提供一种采用引导滤波与神经网络模型的螺纹孔检测方法及系统，具有采样方便，检测效率以及检测精度高等特点。
为达到上述目的，本发明所采用的技术方案是：
第一方面，提供一种螺纹孔检测方法，包括：采集螺纹孔图像；基于引导滤波，对采集的螺纹孔图像进行除噪、特征提取，得到特征图像；将特征图像输入使用Pytorch创建的神经网络模型中，输出拟合后的螺纹孔，用于螺纹孔检测。
进一步地，所述基于引导滤波，对采集的螺纹孔图像进行除噪、特征提取，得到特征图像，包括：采用引导滤波对采集的螺纹孔图像进行预处理，初步去除噪声，得到第一预处理图像；对第一预处理图像用迭代法图像二值化，进一步去除噪声，得到第二预处理图像；采用Canny算子对第二预处理图像进行边缘提取，得到特征图像。
进一步地，在将特征图像输入使用Pytorch创建的神经网络模型之前，采用RANSAC算法对特征图像中的数据点进行分类，得到数据集。
进一步地，所述使用Pytorch创建的神经网络模型，包括一个输入层，两个隐藏层，每个隐藏层包含五十个神经元，一个输出层；将数据集通过输入层输入，输入层通过第一层的权重参数W1到达第一个隐藏层，第一个隐藏层通过权重参数W2到第二个隐藏层，最后经过权重参数W3，从输出层输出结果。
进一步地，所述使用Pytorch创建的神经网络模型，采用Tanh函数作为激活函数。
进一步地，所述使用Pytorch创建的神经网络模型，采用MSELoss函数作为损失函数：
Figure BDA0003333563050000021
其中，yi是实际观测值，
Figure BDA0003333563050000022
是预测值，n是样本训练个数。
进一步地，所述使用Pytorch创建的神经网络模型，采用优化器—随机梯度下降法，计算权重系数，优化模型。
第二方面，提供一种螺纹孔检测系统，包括：图像采集模块，用于采集螺纹孔图像；图像预处理模块，用于基于引导滤波，对采集的螺纹孔图像进行除噪、特征提取，得到特征图像；图像拟合模块，用于将特征图像输入使用Pytorch创建的神经网络模型中，输出拟合后的螺纹孔，用于螺纹孔检测。
与现有技术相比，本发明所达到的有益效果：本发明通过基于引导滤波，对采集的螺纹孔图像进行除噪、特征提取，得到特征图像；将特征图像输入使用Pytorch创建的神经网络模型中，输出拟合后的螺纹孔，用于螺纹孔检测，具有采样方便，检测效率以及检测精度高等特点。
附图说明
图1是本发明实施例所使用的采集螺纹孔图像的图像采集系统的结构示意图；
图2是本发明实施例所述采用引导滤波与神经网络模型的螺纹孔检测方法的检测流程示意图；
图3是本发明实施例中采集的曲轴端面的示意图；
图4是本发明实施例中使用的引导滤波的函数示意图；
图5是图3经引导滤波处理后的效果图；
图6是图5经迭代法图像二值化方法处理后的效果图；
图7是图6经Canny算子进行边缘提取后的效果图；
图8是本发明实施例采用的神经网络结构示意图；
图9是本发明实施例中采用的Tanh函数的图像示意图；
图10是本发明实施例中采用的MSELoss函数的图像示意图；
图11是本发明实施例中在不同训练程度下的拟合效果图(其中，(a)表示Loss＝0.1862时的拟合效果；(b)表示Loss＝0.1332时的拟合效果；(c)表示Loss＝0.0965时的拟合效果；(d)表示Loss＝0.0421时的拟合效果)；
图12是使用优化器后的拟合效果图；
图13是本发明实施例中损失函数根据梯度下降算法训练后的损失值变化曲线；
图14是本发明实施例对螺纹孔的最终拟合效果图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一：
一种采用引导滤波与神经网络模型的螺纹孔检测方法，包括：采集螺纹孔图像；基于引导滤波，对采集的螺纹孔图像进行除噪、特征提取，得到特征图像；将特征图像输入使用Pytorch创建的神经网络模型中，输出拟合后的螺纹孔，用于螺纹孔检测。
步骤一：采集螺纹孔图像。
如图1、图2所示，整个检测平台由一个视觉检测平台和1个夹具平台组成，相机安装位置调节通过连接板。为了方便调节光源的位置，光源安装在直线电机模块上，直线电机模块由导轨、电机、控制器组成，100mm行程，自发脉冲，无需额外编程，工件放好后按开始键，光源移动到位，相机拍完图像输出结果后，再按离开键，光源自动挪走，视觉检测平台以及夹具平台下方均安装有万向轮及防震垫，夹具平台上需放置厚铁板。
检测视野大小为115×78mm，采用相机为2000万像素卷帘曝光相机，分辨率为5472×3648，像素精度为0.02mm；镜头采用长焦低畸变镜头，能最大程度的减小视场角，减小畸变，镜头焦距为55mm，工作距离为550±5mm；光源采用环形光，发光颜色为白光，工作距离为10mm(注意：检测端面需放置环形光源中)，采集的曲轴端面如图3所示。
步骤二：基于引导滤波，对采集的螺纹孔图像进行除噪、特征提取，得到特征图像。
采用引导滤波对采集的螺纹孔图像进行预处理，初步去除噪声，将边缘更好凸显出来，得到第一预处理图像；然后对第一预处理图像用迭代法图像二值化，进行Blob分析，将拟合区域区分出来，得到第二预处理图像；最后利用Canny算子提取端面内螺纹小径的边缘特征，对第二预处理图像进行边缘提取，得到特征图像。
引导滤波与双边滤波相似，都能去噪和保持边缘特性，但在检测边缘附近细节上优于双边滤波，没有梯度变形，是一种时间复杂度为0的快速滤波器，在大窗口处理图片时，其效率更高。
更进一步的说，引导滤波算法在一函数上的点与它周围函数点的连线构成一次函数，一个复杂函数可以用无数个这种一次函数来表示，如果求该复杂函数上某点的值时，转化为，求包含改点的所有一次函数值，再计算平均值，函数示意图如图4所示。
当一个二维函数图像输入进来，在一个二维窗口内，若该函数的输出与输入，满足线性关系为：
Figure BDA0003333563050000051
其中，I是输入图像值，q是输出像素值，i、k是像素索引，a、b是当窗口中心位于k时，该线性函数的系数。对两边取梯度为：
Δq＝aΔI (2)
可以知道输入图像值I梯度与像素值成a倍的关系，边缘保持的特性来源于此，本实施例还需求出线性回归为：
Figure BDA0003333563050000052
使真实值与输出值偏差最小，其中p是待滤波图像，然后通过最小二乘法得到：
Figure BDA0003333563050000061
Figure BDA0003333563050000062
其中，μk是I在窗口wk中的平均值，
Figure BDA0003333563050000063
是I在窗口wk中的方差，w是窗口wk中像素的数量，
Figure BDA0003333563050000064
是待滤波图像p在窗口wk中的均值，输出像素值的平均值为：
Figure BDA0003333563050000065
其中，wk是所有包含像素i的窗口，k是其中心位置。经过引导滤波处理结果如图5所示。
可以看出滤波后消除了一些花纹，表面污渍的干扰，留下了较为清晰的轮廓，便于后续边缘提取。
经过滤波后的图像，消除了部分噪声，由于光照，自身零件特性，外界影响，背景还是有大量干扰信息，不便提取孔径，于是采用二值化的方法来进一步消除噪声，一张图片在计算机中被表示成三维数组的形式，由一个一个像素点构成图像，每个像素值都是由0到255，数值越大，该区域就越亮，对比就越明显，采用迭代法图像二值化的方法，假设目标图像中当前像素为f(x,y)，设定一阈值Th，根据当前阈值，循环f(x,y)，将图像分为两类集合A，B；分别计算A，B集合的像素均值μA和μB，公式为：
Figure BDA0003333563050000066
Figure BDA0003333563050000067
其中，NA与NB分别表示集合A,B中的像素个数，然后更新阈值为：
Figure BDA0003333563050000071
计算新阈值与上一次阈值之差，是否满足约束条件，若小于，则所计算出的新阈值为最佳阈值，否则，再继续求出μA和μB，循环往复，计算机利用该算法图像处理效果如图6所示。
通过迭代法图像二值化后，图像边缘更加清晰明显，目前边缘检测常用Roberts算子、Sobel算子、Canny算子和Prewitt算子。Canny算子较复杂，它计算多个方向的梯度，记录方向和大小，然后进行NMS非极大值抑制，大小阈值，提取的边缘很细。所以本实施例用Canny算子进行边缘提取，提取步骤为(1)～(4)：
(1)高斯滤波器平滑图像；
(2)计算像素点的梯度大小与方向；
(3)进行极大值抑制去除干扰；
(4)最后用高低阈值提取边缘；
提取结果如图7所示，为一系列离散的点。
步骤三：将特征图像输入使用Pytorch创建的神经网络模型中，输出拟合后的螺纹孔，用于螺纹孔检测。
曲线拟合已经相当成熟，熟知的最小二乘法，然而一些数据含有大量外点，最小二乘法效果并不佳，对实验结果有很大影响。针对这一问题，本实施例提出了RANSAC算法，拟合更加精确，效果显著，但需要进行长时间大量迭代计算。本实施例基于深度学习，通过对数据样本点的选择，结合RANSAC算法，使用Pytorch创建神经网络模型，对圆进行拟合。
首先利用RANSAC算法将样本数据点进行分类，在该样本中随机抽取两点连成直线，计算此直线一定范围内样本点的个数，一共有
Figure BDA0003333563050000081
种直线，在范围内点最多的那条直线，即为所需拟合直线。Pytorch创建神经网络：在RANSAC算法中，需要将各个点两两相连，最终确定最优拟合直线，在这个过程中，有一些明显的噪声点也参与其中，这就大大加大了迭代次数，计算时间变长。利用神经网络模型进行拟合，缩小迭代次数，降低计算时间。
首先准备数据集，将边缘提取数据写入Csv文件，利用Python中Pandas读取，将数据做成数据集模样。因为Pytorch只能处理二维数据，于是使用Unsqueeze函数将一维数据转换为二维数在进行处理。
搭建神经网络，包括一个输入层，两个隐藏层，每个隐藏层包含五十个神经元，一个输出层；将数据集通过输入层输入，输入层通过第一层的权重参数W1到达第一个隐藏层，第一个隐藏层通过权重参数W2到第二个隐藏层，最后经过权重参数W3，从输出层输出结果。本实施例采用的神经网络结构如图8所示。
每一层的输出为上一层输出与权重参数之积，易知是一个线性函数，无论隐层与神经元如何变化，输出都是输入的线性组合，隐层没有任何效果。这是最原始的感知机，所以该模型引入Tanh函数作为激活函数，增加神经网路模型的非线性，可以逼近任何函数，这也是神经网络的最大特征。
Tanh是双曲函数中的一个，为双曲正切。公式为：
Figure BDA0003333563050000082
激活函数的图像如图9所示。
为了评估模型预测效果如何，需要计算回归损失值，去优化神经网络的参数，减少神经网络的损失，该模型选择MSELoss函数，也称均方误差，计算的是预测值和实际观测值间差的平分的均值。只考虑误差的平均大小，从而计算出损失，公式为如(11)所示：
Figure BDA0003333563050000091
其中，yi是实际观测值，
Figure BDA0003333563050000092
是预测值，n是样本训练个数。实际观测值为100，预测值-10000到10000之间，MSELoss函数示意图如图10所示。
预测值与实际值偏差越大，损失值越大，拟合效果就不好。用该算法拟合效果如图11所示。
从图11可以看出，对准备的数据集拟合效果并不好，需增加优化器—随机梯度下降法(SGD)，计算影响模型训练和模型输出的权重参数，使其达到最优值，从而最小化(或最大化)损失函数，使得模型最优。SGD算法随机从数据集中抽出一组，进行训练，然后梯度更新一次，如此循环，在数据集过大时，无需训练所有原本，可以加速学习,就能得到优化模型。
每一次迭代按照一定的学习率α沿梯度的反方向更新权重参数，以0.02的学习率对梯度进行优化，对于样本的目标函数：
Figure BDA0003333563050000093
对函数求导为：
Figure BDA0003333563050000094
参数更新：
Figure BDA0003333563050000095
定义了优化器，更新参数，最后利用梯度下降法训练，对准备的数据集拟合效果如图12所示。
损失函数根据梯度下降算法训练的次数增多，函数逐渐趋于稳定，趋于零，损失越来越小，表示该模型训练效果较好，可以根据所需精度，设置训练次数，损失值变化曲线如图13所示。
将每个所需拟合的圆通过如此方法进行拟合，端面螺纹孔最终检测如图14所示。
该算法将提取的边缘拟合完整，可以计算出各个螺纹孔的位置信息和直径大小。
为了验证曲轴端面螺纹孔视觉检测系统的适用性，以及精度测量，取型号YC4W75曲轴进行测试，用型号W15-M2-17-15819的FARO测量臂对螺纹孔外径进行测量，精度可达0.018mm，结果为其标准值，将该系统测量的数据为测量值，测试结果如表1所示：
表1螺纹孔测量结果
测量位置 标准值(mm) 测量值(mm) 误差(mm)
螺纹孔1 10.060 10.002 0.058
螺纹孔2 10.915 10.873 0.042
螺纹孔3 10.913 10.860 0.053
螺纹孔4 10.877 10.931 0.054
螺纹孔5 10.906 10.947 0.041
螺纹孔6 10.879 10.942 0.063
螺纹孔7 10.877 10.826 0.051
螺纹孔8 10.932 10.871 0.061
螺纹孔9 10.890 10.954 0.064
螺纹孔10 10.049 10.113 0.064
螺纹1与螺纹10都是M10的螺纹，其余都是M11的螺纹根据标准，内螺纹小径的误差范围应保持在0.1mm以内，根据测试结果，误差范围都在行业标准以内，满足要求。
设中心点的坐标为(x,y),该系统中每个螺纹孔的圆心位置为(xi,yi),根据几何距离公式
Figure BDA0003333563050000101
得到螺纹孔到中心孔的距离，如表2所示：
表2螺纹孔位置测量结果
Figure BDA0003333563050000111
曲轴螺纹孔与中心孔的相对位置，利用图像处理软件，将其坐标表示出来，计算两点之间的距离。工业上各个螺栓孔的要求范围在0.25mm以内，在上述测量结果中，在此标准范围内，满足工业要求。
本实施例搭建了曲轴端面螺纹孔视觉检测系统，采用引导滤波和形态学对图像进行预处理，消除了噪声点，使边缘更加清晰清晰。结合RANSAC算法，利用Pytorch搭建神经网络拟合目标圆，通过优化器不断更新模型，精度也更高于其他拟合方法，获取螺纹孔的圆心位置以及圆心间的距离。通过实验与数据对比，满足工业现场精度要求，实现了曲轴端面螺纹孔位置信息的自动测量。
实施例二：
基于实施例一所述的一种采用引导滤波与神经网络模型的螺纹孔检测方法，本实施例提供一种采用引导滤波与神经网络模型的螺纹孔检测系统，包括：
图像采集模块，用于采集螺纹孔图像；
图像预处理模块，用于基于引导滤波，对采集的螺纹孔图像进行除噪、特征提取，得到特征图像；
图像拟合模块，用于将特征图像输入使用Pytorch创建的神经网络模型中，输出拟合后的螺纹孔，用于螺纹孔检测。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (8)

1.一种螺纹孔检测方法，其特征是，包括：
采集螺纹孔图像；
基于引导滤波，对采集的螺纹孔图像进行除噪、特征提取，得到特征图像；
将特征图像输入使用Pytorch创建的神经网络模型中，输出拟合后的螺纹孔，用于螺纹孔检测。
2.根据权利要求1所述的螺纹孔检测方法，其特征是，所述基于引导滤波，对采集的螺纹孔图像进行除噪、特征提取，得到特征图像，包括：
采用引导滤波对采集的螺纹孔图像进行预处理，初步去除噪声，得到第一预处理图像；
对第一预处理图像用迭代法图像二值化，进一步去除噪声，得到第二预处理图像；
采用Canny算子对第二预处理图像进行边缘提取，得到特征图像。
3.根据权利要求1所述的螺纹孔检测方法，其特征是，在将特征图像输入使用Pytorch创建的神经网络模型之前，采用RANSAC算法对特征图像中的数据点进行分类，得到数据集。
4.根据权利要求3所述的螺纹孔检测方法，其特征是，所述使用Pytorch创建的神经网络模型，包括一个输入层，两个隐藏层，每个隐藏层包含五十个神经元，一个输出层；将数据集通过输入层输入，输入层通过第一层的权重参数W1到达第一个隐藏层，第一个隐藏层通过权重参数W2到第二个隐藏层，最后经过权重参数W3，从输出层输出结果。
5.根据权利要求4所述的螺纹孔检测方法，其特征是，所述使用Pytorch创建的神经网络模型，采用Tanh函数作为激活函数。
6.根据权利要求4所述的螺纹孔检测方法，其特征是，所述使用Pytorch创建的神经网络模型，采用MSELoss函数作为损失函数：
Figure FDA0003333563040000021
其中，yi是实际观测值，
Figure FDA0003333563040000022
是预测值，n是样本训练个数。
7.根据权利要求4所述的螺纹孔检测方法，其特征是，所述使用Pytorch创建的神经网络模型，采用优化器—随机梯度下降法，计算权重系数，优化模型。
8.一种螺纹孔检测系统，其特征是，包括：
图像采集模块，用于采集螺纹孔图像；
图像预处理模块，用于基于引导滤波，对采集的螺纹孔图像进行除噪、特征提取，得到特征图像；
图像拟合模块，用于将特征图像输入使用Pytorch创建的神经网络模型中，输出拟合后的螺纹孔，用于螺纹孔检测。
CN202111287842.6A 2021-11-02 2021-11-02 采用引导滤波与神经网络模型的螺纹孔检测方法及系统 Active CN114004812B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111287842.6A CN114004812B (zh) 2021-11-02 2021-11-02 采用引导滤波与神经网络模型的螺纹孔检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111287842.6A CN114004812B (zh) 2021-11-02 2021-11-02 采用引导滤波与神经网络模型的螺纹孔检测方法及系统

Publications (2)

Publication Number Publication Date
CN114004812A true CN114004812A (zh) 2022-02-01
CN114004812B CN114004812B (zh) 2024-08-20

Family

ID=79926623

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111287842.6A Active CN114004812B (zh) 2021-11-02 2021-11-02 采用引导滤波与神经网络模型的螺纹孔检测方法及系统

Country Status (1)

Country Link
CN (1) CN114004812B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116935077A (zh) * 2023-07-26 2023-10-24 湖南视比特机器人有限公司 一种基于编码解码的模板匹配优化方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080260239A1 (en) * 2007-04-17 2008-10-23 Han Chin-Chuan Object image detection method
WO2019184094A1 (zh) * 2018-03-30 2019-10-03 深圳大学 一种牙孔检测方法及装置
WO2020232905A1 (zh) * 2019-05-20 2020-11-26 平安科技（深圳）有限公司 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质
CN113159147A (zh) * 2021-04-08 2021-07-23 平安科技（深圳）有限公司 基于神经网络的图像识别方法、装置、电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080260239A1 (en) * 2007-04-17 2008-10-23 Han Chin-Chuan Object image detection method
WO2019184094A1 (zh) * 2018-03-30 2019-10-03 深圳大学 一种牙孔检测方法及装置
WO2020232905A1 (zh) * 2019-05-20 2020-11-26 平安科技（深圳）有限公司 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质
CN113159147A (zh) * 2021-04-08 2021-07-23 平安科技（深圳）有限公司 基于神经网络的图像识别方法、装置、电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
管声启;王燕妮;师红宇;: "基于图像预处理的神经网络带钢缺陷检测", 钢铁研究, no. 01, 10 February 2013 (2013-02-10) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116935077A (zh) * 2023-07-26 2023-10-24 湖南视比特机器人有限公司 一种基于编码解码的模板匹配优化方法及系统
CN116935077B (zh) * 2023-07-26 2024-03-26 湖南视比特机器人有限公司 一种基于编码解码的模板匹配优化方法及系统

Also Published As

Publication number Publication date
CN114004812B (zh) 2024-08-20

Similar Documents

Publication Publication Date Title
CN109141232B (zh) 一种基于机器视觉的盘类铸件在线检测方法
CN110314854B (zh) 一种基于视觉机器人的工件检测分拣的装置及方法
CN108921176B (zh) 一种基于机器视觉的指针式仪表定位与识别方法
CN109507192B (zh) 一种基于机器视觉的磁芯表面缺陷检测方法
CN109060836B (zh) 基于机器视觉的高压油管接头外螺纹检测方法
CN112819772B (zh) 一种高精度快速图形检测识别方法
CN109490316A (zh) 一种基于机器视觉的表面缺陷检测算法
CN114943739B (zh) 一种铝管质量检测方法
CN109489724B (zh) 一种隧道列车安全运行环境综合检测装置及检测方法
CN115482195B (zh) 一种基于三维点云的列车部件变形检测方法
CN108921819B (zh) 一种基于机器视觉的验布装置及方法
CN114549981A (zh) 一种基于深度学习的智能巡检指针式仪表识别及读数方法
CN115684176B (zh) 一种薄膜表面缺陷在线视觉检测系统
CN109986172B (zh) 一种焊缝定位方法、设备及系统
CN111223078B (zh) 瑕疵等级判定的方法及存储介质
CN113393426B (zh) 一种轧钢板表面缺陷检测方法
CN109584215A (zh) 一种电路板在线视觉检测系统
CN112651968A (zh) 一种基于深度信息的木板形变与凹坑检测方法
CN105184792B (zh) 一种圆锯片磨损量在线测量方法
CN113155839A (zh) 一种基于机器视觉的钢板外表面缺陷在线检测方法
CN114549441A (zh) 基于图像处理的吸管缺陷检测方法
CN112258444A (zh) 一种电梯钢丝绳检测方法
CN111539927A (zh) 汽车塑料组合件紧固卡扣缺装检测装置的检测过程及算法
CN114581805A (zh) 一种采用3d线激光轮廓技术的涂敷辊面缺陷检测方法
CN117764983A (zh) 一种用于智能制造产线的双目识别的视觉检测的方法

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
GR01 Patent grant
GR01 Patent grant