CN114092385A - 基于机器视觉的工业机械故障检测方法及装置 - Google Patents
基于机器视觉的工业机械故障检测方法及装置 Download PDFInfo
- Publication number
- CN114092385A CN114092385A CN202010881079.9A CN202010881079A CN114092385A CN 114092385 A CN114092385 A CN 114092385A CN 202010881079 A CN202010881079 A CN 202010881079A CN 114092385 A CN114092385 A CN 114092385A
- Authority
- CN
- China
- Prior art keywords
- industrial machine
- image
- detected
- fault detection
- contour
- 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
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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Abstract
本发明实施例提供一种基于机器视觉的工业机械故障检测方法及装置,其中,该方法包括:对摄像机采集的原始图像进行图像处理,获取待检测的工业机械的图像;提取待检测的工业机械的图像中每个轮廓的特征;将待检测的工业机械的图像中各个轮廓的特征输入至故障检测模型,输出待检测的工业机械对应的故障检测结果;其中,故障检测模型是基于机械结构图像的轮廓特征的样本数据及预先确定的故障类型标签进行训练后得到的。本发明实施例提供的基于机器视觉的工业机械故障检测方法及装置,根据待检测的工业机械的图像中每个轮廓的特征,获取待检测的工业机械对应的故障检测结果,能获得更准确的故障检测结果,能够有效提高工业设备的故障诊断效率。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于机器视觉的工业机械故障检测方法及装置。
背景技术
机器视觉技术是将机器代替人眼来识别检测的技术,通过摄像机对待检物品进行图像采集,经过图像信号处理后再通过系统软件识别出检测结果。随着自动化技术的不断发展,机器视觉技术被广泛应用到工业生产检测中,尤其对工业机械故障的智能检测。
现有基于机器视觉的工业机械故障检测方法在使用过程中经常出现错检和漏检现象,检测结果准确率较低。
发明内容
本发明实施例提供一种基于机器视觉的工业机械故障检测方法及装置,用以解决现有技术中检测结果准确率较低缺陷,实现高准确率的工业机械故障检测。
本发明实施例提供一种基于机器视觉的工业机械故障检测方法,包括:
对摄像机采集的原始图像进行图像处理,获取待检测的工业机械的图像;
提取所述待检测的工业机械的图像中每个轮廓的特征;
将所述待检测的工业机械的图像中各个轮廓的特征输入至故障检测模型,输出所述待检测的工业机械对应的故障检测结果;
其中,所述故障检测模型是基于机械结构图像的轮廓特征的样本数据及预先确定的故障类型标签进行训练后得到的。
根据本发明一个实施例的基于机器视觉的工业机械故障检测方法,所述提取所述待检测的工业机械的图像中每个轮廓的特征的具体步骤包括:
提取所述待检测的工业机械的图像中的线状特征;
根据所述待检测的工业机械的图像中的线状特征,获取所述待检测的工业机械的图像中的各个轮廓;
对于所述待检测的工业机械的图像中的每个轮廓,获取所述轮廓的特征。
根据本发明一个实施例的基于机器视觉的工业机械故障检测方法,所述将所述待检测的工业机械的图像中各个轮廓的特征输入至故障检测模型,输出所述待检测的工业机械对应的故障检测结果的具体步骤包括:
获取所述待检测的工业机械的图像中每个轮廓的特征与所述机械结构图像的轮廓特征的样本数据之间的相似性;
根据所述相似性,输出所述待检测的工业机械对应的故障检测结果。
根据本发明一个实施例的基于机器视觉的工业机械故障检测方法,所述对摄像机采集的原始图像进行图像处理,获取待检测的工业机械的图像的具体步骤包括:
对所述原始图像依次进行图像增强、图像分割和形态学操作,获取所述待检测的工业机械的图像。
根据本发明一个实施例的基于机器视觉的工业机械故障检测方法,所述提取所述待检测的工业机械的图像中的线状特征的具体步骤包括:
基于霍夫变换方法和线性回归方法,提取所述待检测的工业机械的图像中的线状特征。
根据本发明一个实施例的基于机器视觉的工业机械故障检测方法,所述根据所述相似性,输出所述待检测的工业机械对应的故障检测结果的具体步骤包括:
对于所述待检测的工业机械的图像中每个轮廓,根据与所述轮廓的特征之间的相似性的最大值对应的样本数据所对应的故障类型标签,获取所述轮廓的故障检测结果;
根据所述待检测的工业机械的图像中各所述轮廓的故障检测结果,获取所述待检测的工业机械对应的故障检测结果。
根据本发明一个实施例的基于机器视觉的工业机械故障检测方法,所述根据所述待检测的工业机械的图像中各所述轮廓的故障检测结果,获取所述待检测的工业机械对应的故障检测结果的具体步骤包括:
若至少一个所述轮廓的故障检测结果为存在故障,则将所述待检测的工业机械对应的故障检测结果确定为存在故障,并将故障检测结果为存在故障的各所述轮廓围成的区域确定为故障位置。
本发明实施例还提供一种基于机器视觉的工业机械故障检测装置,包括:
图像处理模块,用于对摄像机采集的原始图像进行图像处理,获取待检测的工业机械的图像;
特征提取模块,用于提取所述待检测的工业机械的图像中每个轮廓的特征;
故障检测模块,用于将所述待检测的工业机械的图像中各个轮廓的特征输入至故障检测模型,输出所述待检测的工业机械对应的故障检测结果;
其中,所述故障检测模型是基于机械结构图像的轮廓特征的样本数据及预先确定的故障类型标签进行训练后得到的。
本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于机器视觉的工业机械故障检测方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于机器视觉的工业机械故障检测方法的步骤。
本发明实施例提供的基于机器视觉的工业机械故障检测方法及装置,通过提取待检测的工业机械的图像中每个轮廓的特征,将待检测的工业机械的图像中各个轮廓的特征输入至故障检测模型,获取待检测的工业机械对应的故障检测结果,基于机器视觉技术和智能检测技术,能基于轮廓的特征获得更准确的故障检测结果,能够有效提高工业设备的故障诊断效率,具备更高的精度、准确性与经济实用性,能保证工业机械生产顺利进行,能为工业经济发展提供保障,使得更便捷、更智能的智能诊断检测手段及智能诊断检测装置成为智能工厂的重要角色。
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一简单地介绍,显而易见地,下面描述中的附图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是本发明实施例提供的一种基于机器视觉的工业机械故障检测方法的流程示意图;
图2是本发明实施例提供的一种基于机器视觉的工业机械故障检测装置的结构示意图;
图3是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
在本发明实施例的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明实施例和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明实施例的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明实施例的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明实施例中的具体含义。
为了克服现有技术的上述问题,本发明实施例提供一种基于机器视觉的工业机械故障检测方法及装置,其发明构思是,基于机器视觉技术,提取待检测的工业机械的图像中每个轮廓的特征,通过轮廓的特征的比对,可以检测出工业机械出现故障的具体部位和大小,可以有效地减少甚至避免错检和漏检现象,对工业机械的故障具有较高的准确率。
图1是本发明实施例提供的一种基于机器视觉的工业机械故障检测方法的流程示意图。下面结合图1描述本发明实施例的基于机器视觉的工业机械故障检测方法。如图1所示,该方法包括:步骤S101、对摄像机采集的原始图像进行图像处理,获取待检测的工业机械的图像。
具体地,摄像机是基于机器视觉的工业机械故障智能检测中的重要设备,其作用是在将光信号转化为电信号。
优选地,可以选取最高像素2048的CCD线阵摄像机。为了能够更精准的拍取到机械故障,将摄像机的采集速度设置为1250mm/s,宽幅为400mm,横向精度为0.35mm,相机像素设置为2048像素。设置扫描率为15.69klps,以此来保证图像的质量。
通过摄像机对待检测的工业机械进行摄像,可以获取原始图像。
在摄像机进行图像获取时,要注意包括光照、反光物、颜色对比度、细密的视觉算法工程等干扰因素,可以采取以下几点措施:(1)增加光线防护装置,消除光线测量偏移,对早班和夜班光线不同的环境下测试相机找边的能力,增加和减少边缘对比度的数值,找出不同环境下跟边缘对比度的关系。根据偏移量与光线的关系,调整偏移线性补偿,使白天与夜晚相机找边的能力曲线尽量接近;(2)为了避免机器视觉处理时出现误判的现象,改变摄像机的放置方式,以提高图像数据的稳定性;(3)原始图像中的背景全部设置为白色,方便图像处理。
本发明实施例中,还可以将编码器与摄像机连接,使故障检测与工业机械运转同步进行,使摄像机采集到分辨率较高的原始图像。
编码器主要用于对摄像机采集到的图像信号进行编码,将其转化为可传输和储存的数据。由于编码器需要周期性对CCD线阵摄像机采集的图像进行编码,并且为了配合工业机械的生产,编码器要满足生产线200m/min的机械运转速度。为了保证与摄像机分辨率保持一致,可以选用增压式编码器,外径为35mm,轴径为19mm,厚度为15.3mm,分辨率可达到5000P/R,该编码器的信号出口可以直接与摄像机的出发端口连接,并且可以智能自动对图片信号进行编码,使检测的机械故障与摄像机同步。
需要说明的是,原始图像中除了携带有待检测的工业机械的信息之外,还存在背景,因而需要对原始图像进行图像处理,去除背景,获取待检测的工业机械的图像。
步骤S102、提取待检测的工业机械的图像中每个轮廓的特征。
具体地,可以基于任一种轮廓提取的算法,提取出待检测的工业机械的图像中的各个轮廓。
由于待检测的工业机械可能包括若干个部件,每个部件均具有一定的轮廓,因此,待检测的工业机械的图像中的轮廓包括内轮廓和外轮廓。
对于待检测的工业机械的图像中的每个轮廓,可以提取该轮廓的特征。
轮廓的特征,可以是轮廓的形状特征。
形状特征,可以由几何属性(如长度、面积、距离或凹凸等)、统计特性(如投影特征)和拓扑属性(如连通或欧拉数等)进行描述。
步骤S103、将待检测的工业机械的图像中各个轮廓的特征输入至故障检测模型,输出待检测的工业机械对应的故障检测结果。
其中,故障检测模型是基于机械结构图像的轮廓特征的样本数据及预先确定的故障类型标签进行训练后得到的。
具体地,可以将待检测的工业机械的图像中每个轮廓的特征依次输入故障检测模型,判断每个轮廓对应的待检测的工业机械中的部分或部件是否存在故障,从而获得待检测的工业机械对应的故障检测结果。
故障检测模型的作用,是将工业机械形状的结构元素与提取到的待检测的工业机械的图像中的轮廓进行对比,分析和识别出两者之间的差异。
工业机械形状的结构元素,指机械结构图像的轮廓特征的样本数据中的正样本数据,即对应的故障类型标签为无故障的样本数据。
机械结构图像的轮廓特征的样本数据,可以包括正样本数据和/或负样本数据。
机械结构图像的轮廓特征的样本数据中的负样本数据,即对应的故障类型标签为某一种故障的样本数据。
故障,可以包括损伤、开裂、裂纹和变形等。
待检测的工业机械的图像中的轮廓,与正样本匹配,即二者之间的差异小于预设的第一阈值,说明不存在故障;与正样本不匹配,即二者之间的差异大于预设的第二阈值,说明可能存在故障;与负样本匹配,即二者之间的差异小于预设的第三阈值,说明存在故障;与负样本不匹配,即二者之间的差异大于预设的第四阈值,说明可能不存在故障。
故障检测模型根据工业机械形状的结构元素与提取到的待检测的工业机械的图像中的轮廓之间的差异,可以智能提取到机械故障特征,智能识别出待检测的工业机械的故障所在之处和具体情况,智能提示待检测的工业机械出现故障的具体部位和大小。
获取待检测的工业机械对应的故障检测结果之后,可以将待检测的工业机械对应的故障检测结果保存至指定的数据库或文件夹中。
需要说明的是,本发明实施例提供的基于机器视觉的工业机械故障检测方法,可以基于HALCON软件平台实现。
本发明实施例通过提取待检测的工业机械的图像中每个轮廓的特征,将待检测的工业机械的图像中各个轮廓的特征输入至故障检测模型,获取待检测的工业机械对应的故障检测结果,基于机器视觉技术和智能检测技术,能基于轮廓的特征获得更准确的故障检测结果,能够有效提高工业设备的故障诊断效率,具备更高的精度、准确性与经济实用性,能保证工业机械生产顺利进行,能为工业经济发展提供保障,使得更便捷、更智能的智能诊断检测手段及智能诊断检测装置成为智能工厂的重要角色。
基于上述各实施例的内容,提取待检测的工业机械的图像中每个轮廓的特征的具体步骤包括:提取待检测的工业机械的图像中的线状特征。
具体地,线状特征,是工业机械的图像中最基本的特征。
可以通过边缘检测(如Canny算子等)和/或轮廓提取等方法,提取出待检测的工业机械的图像中的线状边缘,获取线状特征。
根据待检测的工业机械的图像中的线状特征,获取待检测的工业机械的图像中的各个轮廓。
具体地,获取待检测的工业机械的图像中的线状特征之后,可以根据待检测的工业机械的图像中相交的线状边缘,获取外轮廓和各个内轮廓。
对于待检测的工业机械的图像中的每个轮廓,获取轮廓的特征。
具体地,对于待检测的工业机械的图像中的每个轮廓,可以采用拉东(Radon)变换及改进的Radon变换,如FINRT(傅里叶积分归一化拉东变换,Fourier-Integral-Normalization Radon Transform)等方法,提取该轮廓的形状特征等,作为该轮廓的特征。
本发明实施例通过提取待检测的工业机械的图像中的线状特征,基于线状特征,获取各个轮廓,提取每个轮廓的特征,能获取更准确的轮廓及轮廓的特征,从而能基于轮廓的特征,获得更准确的故障检测结果。
基于上述各实施例的内容,将待检测的工业机械的图像中各个轮廓的特征输入至故障检测模型,输出待检测的工业机械对应的故障检测结果的具体步骤包括:获取待检测的工业机械的图像中每个轮廓的特征与机械结构图像的轮廓特征的样本数据之间的相似性。
具体地,将待检测的工业机械的图像中的每一轮廓的特征输入故障检测模型之后,故障检测模型将该轮廓的特征,分别与每一机械结构图像的轮廓特征的样本数据进行对比,获取二者之间的相似性。
根据相似性,输出待检测的工业机械对应的故障检测结果。
具体地,根据待检测的工业机械的图像中的每一轮廓的特征,与每一机械结构图像的轮廓特征的样本数据之间的相似性,可以判断每个轮廓对应的待检测的工业机械中的部分或部件是否存在故障,从而获得待检测的工业机械对应的故障检测结果。
本发明实施例通过获取待检测的工业机械的图像中每个轮廓的特征与机械结构图像的轮廓特征的样本数据之间的相似性,根据相似性,获取待检测的工业机械对应的故障检测结果,能基于轮廓的特征,获得更准确的故障检测结果。
基于上述各实施例的内容,对摄像机采集的原始图像进行图像处理,获取待检测的工业机械的图像的具体步骤包括:对原始图像依次进行图像增强、图像分割和形态学操作,获取待检测的工业机械的图像。
具体地,由于工业机械转速特别快,拍摄取到的原始图像中有时机械故障特征不明显,则需要运用机器视觉算法对图像进行初始化设置。
进行初始化设置之后,可以通过图像增强,对图像特征进行增强。
图像增强的具体步骤可以包括:
对原始图像中的目标像素添加一个窗口模板,设置窗口模板的大小为S,其计算公式如下:
S=(2n+1)×(2n-1)
其中,n为不定数,可以表示为n=0,1,2...;
在该窗口模板选取各像素的平均值,作为目标像素图像增强后的的像素。
目标像素点为(x,y),则通过图像增强后的该点的像素值为:
(x,y)=∑f(x,y)÷S
其中,f为原始图像中像素的像素值。
图像分割的作用,是去除背景,提取图像敏感区域。图像敏感区域,即待检测的工业机械对应的区域。
在对图像阈值分割处理中,像素值可以设置为数值,并可以预先设定一个像素值区间,因此对区间内的像素值按照阈值进行分割的公式如下:
(x,y)=T1≤f(x,y)≤T2
其中,T1,T2为预设的像素值区间。
对阈值分割后的图像进行形态学处理。形态学处理的作用是消除孔洞,保证轮廓的准确性。
本发明实施例采用机器视觉算法对原始图像进行增强、分割和形态学处理,能保证轮廓的完整性,从而能基于待检测的工业机械的图像提取出更准确的轮廓及轮廓的特征,进而能基于轮廓的特征,获得更准确的故障检测结果。
基于上述各实施例的内容,提取待检测的工业机械的图像中的线状特征的具体步骤包括:基于霍夫变换方法和线性回归方法,提取待检测的工业机械的图像中的线状特征。
具体地,可以结合霍夫(Hough)变换方法和线性回归方法,提取待检测的工业机械的图像中的线状特征。
Hough变换方法,可以为基本的Hough变换方法,或随机Hough变换(RHT)方法。
线性回归方法,可以为最小二乘法或梯度下降法。
结合Hough变换方法和线性回归方法,提取图像中的线状特征的步骤包括:
采用Hough变换方法,确定多条直线的大致位置,获得上述多条模糊直线;
分别找出各条模糊直线附近的点集;
采用线性回归方法,拟合各点集中的数据,得到每条模糊直线对应的拟合直线;
采用聚类方法,提取直线,获得线状特征。
需要说明的是,对于大视场拍摄的图像,由于物镜存在像差,致使直线在像面上发生了不同程度的弯曲。由于受到现场条件的限制,得到的就是此类图像,实际的直线轮廓在图像中略显弯曲。对于此类图像,仅用Hough检测直线就不能得到准确的结果。通过线性回归方法找到一组数据的最佳函数匹配,可以很好地弥补Hough变换的缺陷。
本发明实施例基于霍夫变换方法和线性回归方法,提取待检测的工业机械的图像中的线状特征,能获取到更准确的线状特征,从而能基于线状特征提取出更准确的轮廓及轮廓的特征,进而能基于轮廓的特征,获得更准确的故障检测结果。
基于上述各实施例的内容,根据相似性,输出待检测的工业机械对应的故障检测结果的具体步骤包括:对于待检测的工业机械的图像中每个轮廓,根据与轮廓的特征之间的相似性的最大值对应的样本数据所对应的故障类型标签,获取轮廓的故障检测结果。
具体地,对于待检测的工业机械的图像中每个轮廓,获得该轮廓的特征,与每一机械结构图像的轮廓特征的样本数据之间的相似性之后,可以确定相似性的最大值。
如果该最大值大于预设的相似性阈值,可以将该最大值对应的样本数据所对应的故障类型标签,确定为该轮廓的故障类型标签,获取该轮廓的故障检测结果。
相似性阈值,可以根据实际情况确定。对于相似性阈值的具体取值,本发明实施例不作具体限定。
根据待检测的工业机械的图像中各轮廓的故障检测结果,获取待检测的工业机械对应的故障检测结果。
具体地,获取各个轮廓的故障检测结果之后,从而可以确定待检测的工业机械是否存在故障;将待检测的工业机械是否存在故障,作为待检测的工业机械对应的故障检测结果。
本发明实施例通过根据与轮廓的特征之间的相似性的最大值对应的样本数据所对应的故障类型标签,获取待检测的工业机械的图像中各轮廓的故障检测结果,各轮廓的故障检测结果,获取待检测的工业机械对应的故障检测结果,能获得更准确的故障检测结果,能够有效提高工业设备的故障诊断效率,具备更高的精度、准确性与经济实用性。
基于上述各实施例的内容,根据待检测的工业机械的图像中各轮廓的故障检测结果,获取待检测的工业机械对应的故障检测结果的具体步骤包括:若至少一个轮廓的故障检测结果为存在故障,则将待检测的工业机械对应的故障检测结果确定为存在故障,并将故障检测结果为存在故障的各轮廓围成的区域确定为故障位置。
具体地,至少一个轮廓的故障检测结果为存在故障,说明待检测的工业机械至少有一个部分或部件存在故障,可以将待检测的工业机械对应的故障检测结果确定为存在故障。
某一轮廓的故障检测结果为存在故障,说明该轮廓圈出的部分或部件存在故障,可以将该轮廓围成的区域确定为故障位置并可以通过高亮等方式进行显示该轮廓,该轮廓的大小为故障的尺寸大小。
根据待检测的工业机械的图像中各轮廓的故障检测结果,获取待检测的工业机械对应的故障检测结果的具体步骤还包括:若各个轮廓的故障检测结果均为不存在故障,则将待检测的工业机械对应的故障检测结果确定为不存在故障。
本发明实施例在至少一个轮廓的故障检测结果为存在故障时,将待检测的工业机械对应的故障检测结果确定为存在故障,并将故障检测结果为存在故障的各轮廓围成的区域确定为故障位置,能智能识别出待检测的工业机械的故障所在之处和具体情况,并提示出现故障的具体部位和大小,能获得更准确的故障检测结果,能够有效提高工业设备的故障诊断效率,具备更高的精度、准确性与经济实用性。
下面对本发明实施例提供的基于机器视觉的工业机械故障检测装置进行描述,下文描述的基于机器视觉的工业机械故障检测装置与上文描述的基于机器视觉的工业机械故障检测方法可相互对应参照。
图2是根据本发明实施例提供的基于机器视觉的工业机械故障检测装置的结构示意图。基于上述各实施例的内容,如图2所示,该装置包括图像处理模块201、特征提取模块202和故障检测模块203,其中:
图像处理模块201,用于对摄像机采集的原始图像进行图像处理,获取待检测的工业机械的图像;
特征提取模块202,用于提取待检测的工业机械的图像中每个轮廓的特征;
故障检测模块203,用于将待检测的工业机械的图像中各个轮廓的特征输入至故障检测模型,输出待检测的工业机械对应的故障检测结果;
其中,故障检测模型是基于机械结构图像的轮廓特征的样本数据及预先确定的故障类型标签进行训练后得到的。
具体地,图像处理模块201、特征提取模块202和故障检测模块203依次电连接。
图像处理模块201对原始图像进行图像处理,去除背景,获取待检测的工业机械的图像。
特征提取模块202可以基于任一种轮廓提取的算法,提取出待检测的工业机械的图像中的各个轮廓。
故障检测模块203可以将待检测的工业机械的图像中每个轮廓的特征依次输入故障检测模型,判断每个轮廓对应的待检测的工业机械中的部分或部件是否存在故障,从而获得待检测的工业机械对应的故障检测结果。
本发明实施例提供的基于机器视觉的工业机械故障检测装置,用于执行本发明上述各实施例提供的基于机器视觉的工业机械故障检测方法,该基于机器视觉的工业机械故障检测装置包括的各模块实现相应功能的具体方法和流程详见上述基于机器视觉的工业机械故障检测方法的实施例,此处不再赘述。
该基于机器视觉的工业机械故障检测装置用于前述各实施例的基于机器视觉的工业机械故障检测方法。因此,在前述各实施例中的基于机器视觉的工业机械故障检测方法中的描述和定义,可以用于本发明实施例中各执行模块的理解。
本发明实施例通过提取待检测的工业机械的图像中每个轮廓的特征,将待检测的工业机械的图像中各个轮廓的特征输入至故障检测模型,获取待检测的工业机械对应的故障检测结果,基于机器视觉技术和智能检测技术,能基于轮廓的特征获得更准确的故障检测结果,能够有效提高工业设备的故障诊断效率,具备更高的精度、准确性与经济实用性,能保证工业机械生产顺利进行,能为工业经济发展提供保障,使得更便捷、更智能的智能诊断检测手段及智能诊断检测装置成为智能工厂的重要角色。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)301、存储器(memory)302和总线303;其中,处理器301和存储器302通过总线303完成相互间的通信;处理器301用于调用存储在存储器302中并可在处理器301上运行的计算机程序指令,以执行上述各方法实施例提供的基于机器视觉的工业机械故障检测方法,该方法包括:对摄像机采集的原始图像进行图像处理,获取待检测的工业机械的图像;提取待检测的工业机械的图像中每个轮廓的特征;将待检测的工业机械的图像中各个轮廓的特征输入至故障检测模型,输出待检测的工业机械对应的故障检测结果;其中,故障检测模型是基于机械结构图像的轮廓特征的样本数据及预先确定的故障类型标签进行训练后得到的。
此外,上述的存储器302中的逻辑指令可以通过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方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的基于机器视觉的工业机械故障检测方法,该方法包括:对摄像机采集的原始图像进行图像处理,获取待检测的工业机械的图像;提取待检测的工业机械的图像中每个轮廓的特征;将待检测的工业机械的图像中各个轮廓的特征输入至故障检测模型,输出待检测的工业机械对应的故障检测结果;其中,故障检测模型是基于机械结构图像的轮廓特征的样本数据及预先确定的故障类型标签进行训练后得到的。
又一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的基于机器视觉的工业机械故障检测方法,该方法包括:对摄像机采集的原始图像进行图像处理,获取待检测的工业机械的图像;提取待检测的工业机械的图像中每个轮廓的特征;将待检测的工业机械的图像中各个轮廓的特征输入至故障检测模型,输出待检测的工业机械对应的故障检测结果;其中,故障检测模型是基于机械结构图像的轮廓特征的样本数据及预先确定的故障类型标签进行训练后得到的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于机器视觉的工业机械故障检测方法,其特征在于,包括:
对摄像机采集的原始图像进行图像处理,获取待检测的工业机械的图像;
提取所述待检测的工业机械的图像中每个轮廓的特征;
将所述待检测的工业机械的图像中各个轮廓的特征输入至故障检测模型,输出所述待检测的工业机械对应的故障检测结果;
其中,所述故障检测模型是基于机械结构图像的轮廓特征的样本数据及预先确定的故障类型标签进行训练后得到的。
2.根据权利要求1所述的基于机器视觉的工业机械故障检测方法,其特征在于,所述提取所述待检测的工业机械的图像中每个轮廓的特征的具体步骤包括:
提取所述待检测的工业机械的图像中的线状特征;
根据所述待检测的工业机械的图像中的线状特征,获取所述待检测的工业机械的图像中的各个轮廓;
对于所述待检测的工业机械的图像中的每个轮廓,获取所述轮廓的特征。
3.根据权利要求1所述的基于机器视觉的工业机械故障检测方法,其特征在于,所述将所述待检测的工业机械的图像中各个轮廓的特征输入至故障检测模型,输出所述待检测的工业机械对应的故障检测结果的具体步骤包括:
获取所述待检测的工业机械的图像中每个轮廓的特征与所述机械结构图像的轮廓特征的样本数据之间的相似性;
根据所述相似性,输出所述待检测的工业机械对应的故障检测结果。
4.根据权利要求1至3任一所述的基于机器视觉的工业机械故障检测方法,其特征在于,所述对摄像机采集的原始图像进行图像处理,获取待检测的工业机械的图像的具体步骤包括:
对所述原始图像依次进行图像增强、图像分割和形态学操作,获取所述待检测的工业机械的图像。
5.根据权利要求2所述的基于机器视觉的工业机械故障检测方法,其特征在于,所述提取所述待检测的工业机械的图像中的线状特征的具体步骤包括:
基于霍夫变换方法和线性回归方法,提取所述待检测的工业机械的图像中的线状特征。
6.根据权利要求3所述的基于机器视觉的工业机械故障检测方法,其特征在于,所述根据所述相似性,输出所述待检测的工业机械对应的故障检测结果的具体步骤包括:
对于所述待检测的工业机械的图像中每个轮廓,根据与所述轮廓的特征之间的相似性的最大值对应的样本数据所对应的故障类型标签,获取所述轮廓的故障检测结果;
根据所述待检测的工业机械的图像中各所述轮廓的故障检测结果,获取所述待检测的工业机械对应的故障检测结果。
7.根据权利要求6所述的基于机器视觉的工业机械故障检测方法,其特征在于,所述根据所述待检测的工业机械的图像中各所述轮廓的故障检测结果,获取所述待检测的工业机械对应的故障检测结果的具体步骤包括:
若至少一个所述轮廓的故障检测结果为存在故障,则将所述待检测的工业机械对应的故障检测结果确定为存在故障,并将故障检测结果为存在故障的各所述轮廓围成的区域确定为故障位置。
8.一种基于机器视觉的工业机械故障检测装置,其特征在于,包括:
图像处理模块,用于对摄像机采集的原始图像进行图像处理,获取待检测的工业机械的图像;
特征提取模块,用于提取所述待检测的工业机械的图像中每个轮廓的特征;
故障检测模块,用于将所述待检测的工业机械的图像中各个轮廓的特征输入至故障检测模型,输出所述待检测的工业机械对应的故障检测结果;
其中,所述故障检测模型是基于机械结构图像的轮廓特征的样本数据及预先确定的故障类型标签进行训练后得到的。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述的基于机器视觉的工业机械故障检测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于机器视觉的工业机械故障检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010881079.9A CN114092385A (zh) | 2020-08-27 | 2020-08-27 | 基于机器视觉的工业机械故障检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010881079.9A CN114092385A (zh) | 2020-08-27 | 2020-08-27 | 基于机器视觉的工业机械故障检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114092385A true CN114092385A (zh) | 2022-02-25 |
Family
ID=80295774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010881079.9A Pending CN114092385A (zh) | 2020-08-27 | 2020-08-27 | 基于机器视觉的工业机械故障检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114092385A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115144399A (zh) * | 2022-08-30 | 2022-10-04 | 吉林省信息技术研究所 | 一种基于机器视觉的装配质量检测方法及装置 |
CN117474924A (zh) * | 2023-12-28 | 2024-01-30 | 山东鲁抗医药集团赛特有限责任公司 | 基于机器视觉的标签缺陷检测方法 |
-
2020
- 2020-08-27 CN CN202010881079.9A patent/CN114092385A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115144399A (zh) * | 2022-08-30 | 2022-10-04 | 吉林省信息技术研究所 | 一种基于机器视觉的装配质量检测方法及装置 |
CN117474924A (zh) * | 2023-12-28 | 2024-01-30 | 山东鲁抗医药集团赛特有限责任公司 | 基于机器视觉的标签缺陷检测方法 |
CN117474924B (zh) * | 2023-12-28 | 2024-03-15 | 山东鲁抗医药集团赛特有限责任公司 | 基于机器视觉的标签缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106934803B (zh) | 电子器件表面缺陷的检测方法及装置 | |
CN106960208B (zh) | 一种仪表液晶数字自动切分和识别的方法及系统 | |
CN111028213A (zh) | 图像缺陷检测方法、装置、电子设备及存储介质 | |
CN107895362B (zh) | 一种微型接线端子质量检测的机器视觉方法 | |
CN110517265B (zh) | 一种产品表面缺陷的检测方法、装置及存储介质 | |
CN115861291B (zh) | 基于机器视觉的贴片电路板生产缺陷检测方法 | |
CN113111844B (zh) | 一种作业姿态评估方法、装置、本地终端及可读存储介质 | |
CN110335233B (zh) | 基于图像处理技术的高速公路护栏板缺陷检测系统和方法 | |
CN114092385A (zh) | 基于机器视觉的工业机械故障检测方法及装置 | |
CN111046872A (zh) | 一种光学字符识别方法 | |
CN117095005B (zh) | 一种基于机器视觉的塑料母粒质检方法及系统 | |
CN113688817A (zh) | 一种自动巡检的仪表识别方法及识别系统 | |
CN115205223A (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
CN108961262B (zh) | 一种复杂场景下的条码定位方法 | |
CN111598913B (zh) | 一种基于机器人视觉的图像分割方法和系统 | |
CN111597933A (zh) | 人脸识别方法和装置 | |
CN111667477A (zh) | 磁材尺寸缺陷检测方法、装置、检测设备及可读存储介质 | |
CN112508913A (zh) | 基于图像检测的电缆截面边沿检测方法 | |
CN104966283A (zh) | 图像分层配准方法 | |
CN115018785A (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
CN114004858A (zh) | 基于机器视觉识别航空线缆表面编码的方法及装置 | |
CN116612125B (zh) | 基于人工智能的食药品胶囊质量检测方法 | |
TWI543117B (zh) | 物件辨識與定位方法 | |
CN116612357B (zh) | 一种无监督rgbd多模态数据集的构建方法、系统和存储介质 | |
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 |
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 |