CN114935576A - 工件视觉检测设备的准确性验证方法、装置、设备及介质 - Google Patents
工件视觉检测设备的准确性验证方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114935576A CN114935576A CN202210669211.9A CN202210669211A CN114935576A CN 114935576 A CN114935576 A CN 114935576A CN 202210669211 A CN202210669211 A CN 202210669211A CN 114935576 A CN114935576 A CN 114935576A
- Authority
- CN
- China
- Prior art keywords
- verification
- defect
- workpiece
- accuracy
- size
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请公开了一种工件视觉检测设备的准确性验证方法、装置、设备及介质,获取若干符合加工标准的工件作为验证用件;按照工件失效类别,对验证用件进行再加工,以使验证用件上产生对应的工件失效类别的缺陷;测量各个验证用件上的缺陷的尺寸数据;将验证用件投入到视觉检测设备中,通过视觉检测设备检测验证用件上的缺陷,得到视觉检测设备输出的缺陷类别检测结果和尺寸预测结果;根据工件失效类别和缺陷类别检测结果,以及尺寸数据和尺寸预测结果的一致性,确定视觉检测设备的准确性是否符合要求。该方法有利于及时发现视觉检测设备的工作异常,改善视觉检测设备的有效性,大幅降低生产产品的品质风险。本申请可广泛应用于生产制造技术领域内。
Description
技术领域
本申请涉及生产制造技术领域,尤其是工件视觉检测设备的准确性验证方法、装置、设备及介质。
背景技术
近年来,随着人工智能技术的飞速发展,各种类型的机器学习模型在图像分类、人脸识别、自动驾驶等领域均取得了较为良好的应用效果。其中,在工业生产领域中,存在有使用计算机视觉技术对工业产品的缺陷进行视觉检测的应用。
但是,现有的应用中,视觉检测设备自身的可靠性存在客观波动。例如可能会出现因视觉检测设备失效,导致未能检出有缺陷工件或者检测结果有误的情况。目前,对于视觉检测设备准确性的验证,多采用委外专业检查和校准的方式,周期较长,不能满足大批量生产线的要求。
综合上述,相关技术中存在的技术问题亟需得到解决。
发明内容
本申请的目的在于至少一定程度上解决相关技术中存在的技术问题之一。
为此,本申请实施例的一个目的在于提供一种工件视觉检测设备的准确性验证方法。
本申请实施例的另一个目的在于提供工件视觉检测设备的准确性验证装置。
为了达到上述技术目的,本申请实施例所采取的技术方案包括:
第一方面,本申请实施例提供了一种工件视觉检测设备的准确性验证方法,包括:
获取若干符合加工标准的工件作为验证用件;
按照预先分类的工件失效类别,通过对应的加工工具对所述验证用件进行再加工,以使所述验证用件上产生对应的工件失效类别的缺陷;
测量各个所述验证用件上的缺陷的尺寸数据;
将所述验证用件投入到视觉检测设备中,通过所述视觉检测设备检测所述验证用件上的缺陷,得到所述视觉检测设备输出的缺陷类别检测结果和尺寸预测结果;
根据所述工件失效类别和所述缺陷类别检测结果,以及所述尺寸数据和所述尺寸预测结果的一致性,确定所述视觉检测设备的准确性是否符合要求。
另外,根据本申请上述实施例的工件视觉检测设备的准确性验证方法,还可以具有以下附加的技术特征:
进一步地,在本申请的一个实施例中,所述获取若干符合加工标准的工件作为验证用件,包括:
确定预先分类的工件失效类别的类别个数;
从符合加工标准的工件中选取第一个数的工件作为验证用件;
其中,所述第一个数大于或者等于所述类别个数。
进一步地,在本申请的一个实施例中,所述通过所述视觉检测设备检测所述验证用件上的缺陷,得到所述视觉检测设备输出的缺陷类别检测结果和尺寸预测结果,包括:
将所述验证用件放置在所述视觉检测设备的指定位置;
采集所述验证用件的图像数据,根据所述图像数据确定缺陷的尺寸预测结果;
将所述图像数据输入到缺陷检测模型中,通过所述缺陷检测模型对所述验证用件上的缺陷进行检测,得到缺陷类别检测结果。
进一步地,在本申请的一个实施例中,所述根据所述图像数据确定缺陷的尺寸预测结果,包括:
确定所述图像数据的像素均值;
根据所述像素均值,从所述图像数据中确定多个目标像素点;其中,所述目标像素点的像素值与所述像素均值的差值大于第一阈值或者小于第二阈值,所述第一阈值为正数,所述第二阈值为负数;
在所述图像数据中,确定多个所述目标像素点构成的连通区域;
根据所述连通区域,确定尺寸预测结果。
进一步地,在本申请的一个实施例中,所述根据所述连通区域,确定尺寸预测结果,包括:
通过标尺确定所述图像数据和所述验证用件的比例换算关系;
检测所述连通区域的第一尺寸;
根据所述比例换算关系,基于所述第一尺寸确定尺寸预测结果。
进一步地,在本申请的一个实施例中,所述缺陷检测模型通过以下步骤训练得到:
获取批量的训练数据;所述训练数据中包括样本工件的图像数据和所述样本工件对应的缺陷标签;所述缺陷标签用于表征所述样本工件上缺陷的工件失效类别;
将所述训练数据输入到缺陷检测模型,得到所述缺陷检测模型输出的所述样本工件的缺陷类别检测结果;
根据所述样本工件的缺陷类别检测结果和所述缺陷标签确定训练的损失值;
根据所述损失值对所述缺陷检测模型的参数进行更新,得到训练好的缺陷检测模型。
进一步地,在本申请的一个实施例中,所述根据所述工件失效类别和所述缺陷类别检测结果,以及所述尺寸数据和所述尺寸预测结果的一致性,确定所述视觉检测设备的准确性是否符合要求,包括:
若所述工件失效类别和所述缺陷类别检测结果不相同,或者所述尺寸数据和所述尺寸预测结果的偏差大于第三阈值,确定所述视觉检测设备的准确性不符合要求。
第二方面,本申请实施例提供了一种工件视觉检测设备的准确性验证装置,包括:
获取模块,用于获取若干符合加工标准的工件作为验证用件;
加工模块,用于按照预先分类的工件失效类别,通过对应的加工工具对所述验证用件进行再加工,以使所述验证用件上产生对应的工件失效类别的缺陷;
测量模块,用于测量各个所述验证用件上的缺陷的尺寸数据;
预测模块,用于将所述验证用件投入到视觉检测设备中,通过所述视觉检测设备检测所述验证用件上的缺陷,得到所述视觉检测设备输出的缺陷类别检测结果和尺寸预测结果;
处理模块,用于根据所述工件失效类别和所述缺陷类别检测结果,以及所述尺寸数据和所述尺寸预测结果的一致性,确定所述视觉检测设备的准确性是否符合要求。
第三方面,本申请实施例提供了一种计算机设备,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行时,使得所述至少一个处理器实现第一方面所述的工件视觉检测设备的准确性验证方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于实现第一方面所述的工件视觉检测设备的准确性验证方法。
本申请的优点和有益效果将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到:
本申请实施例中提供一种工件视觉检测设备的准确性验证方法,该方法获取若干符合加工标准的工件作为验证用件;按照预先分类的工件失效类别,通过对应的加工工具对所述验证用件进行再加工,以使所述验证用件上产生对应的工件失效类别的缺陷;测量各个所述验证用件上的缺陷的尺寸数据;将所述验证用件投入到视觉检测设备中,通过所述视觉检测设备检测所述验证用件上的缺陷,得到所述视觉检测设备输出的缺陷类别检测结果和尺寸预测结果;根据所述工件失效类别和所述缺陷类别检测结果,以及所述尺寸数据和所述尺寸预测结果的一致性,确定所述视觉检测设备的准确性是否符合要求。该方法有利于及时发现视觉检测设备的工作异常,改善视觉检测设备的有效性,大幅降低生产产品的品质风险。
附图说明
为了更清楚地说明本申请实施例或者现有技术中的技术方案,下面对本申请实施例或者现有技术中的相关技术方案附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本申请的技术方案中的部分实施例,对于本领域的技术人员来说,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。
图1为本申请实施例中提供的一种工件视觉检测设备的准确性验证方法的流程示意图;
图2为本申请实施例中提供的一种工件视觉检测设备的准确性验证装置的结构示意图;
图3为本申请实施例中提供的一种计算机设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
近年来,随着人工智能技术的飞速发展,各种类型的机器学习模型在图像分类、人脸识别、自动驾驶等领域均取得了较为良好的应用效果。其中,在工业生产领域中,存在有使用计算机视觉技术对工业产品的缺陷进行视觉检测的应用。
例如,在汽车生产制造过程中,发动机缸内直喷是将直接将燃油喷入气缸内与进气混合的技术,其优点为油耗量低,升功率大,压缩比高。该技术的实现,需要将高压共轨的喷油嘴固定在缸盖对应的位置,保证整体容腔的密封前提下完成。因此,缸盖中安装喷油嘴的孔(INJ孔)的外观要求非常高。例如需要满足密封带光滑、无超过密封带长度的砂孔、刀纹、划伤等外观缺陷的要求,否则将严重影响发动机机能。故而相关应用中,采用视觉检测设备对INJ孔的缺陷进行检测,能够大大提高产品的出产质量,减少残次品的流出率。
但是,现有的应用中,视觉检测设备自身的可靠性存在客观波动。例如可能会出现因视觉检测设备失效,导致未能检出有缺陷工件或者检测结果有误的情况。目前,对于视觉检测设备准确性的验证,多采用委外专业检查和校准的方式,周期较长,不能满足大批量生产线的要求。
有鉴于此,本申请实施例中提供一种工件视觉检测设备的准确性验证方法。
请参照图1,图1是本申请实施例提供的一种工件视觉检测设备的准确性验证方法的示意图,该工件视觉检测设备的准确性验证方法包括但不限于:
步骤110、获取若干符合加工标准的工件作为验证用件;
本步骤中,在对视觉检测设备的检测准确性进行验证时,可以首先获取若干符合加工标准的工件,作为本次验证中使用的验证用件。此处,验证用件的数量可以根据需要灵活选取,具体的数量可以一个或者多个。为了尽可能提高验证过程的精度,本申请中可以选择多个验证用件对视觉检测设备进行验证。
并且,在一些实施例中,在获取验证用件时,可以先确定预先分类好的工件失效类别的类别个数,工件失效类别用于表征工件不符合加工标准的具体缺陷原因。比如说某些工件因为存在孔洞,其不符合加工标准,在检测过程中被检测为失效工件,对应的工件失效类别可以为“孔洞”类别。当然,实际工件上存在的缺陷类别可能是多种多样的,因此,本申请中可以预先设置好对应的分类类别,比如说:在一些实施例中,工件可以为玻璃制品,对应的工件失效类别可以包括有孔洞、裂纹、擦痕、污垢等;在一些实施例中,工件可以为金属制品,对应的工件失效类别可以包括有斑点、刮痕、凹凸、杂质、气泡、褶皱等。本申请对此不作具体限制。因此,为了尽可能提高对视觉检测设备验证的全面性,本申请实施例中,确定类别个数后,可以获取大于或者等于类别个数的工件作为验证用件,将其个数记为第一个数,后续在再加工过程中,能够按照各个工件失效类别分别加工出对应的验证用件,从而实现对视觉检测设备各个缺陷类别的全方位验证,提高验证的高效性和可靠性。
此处,需要说明的是,符合加工标准的工件指的是非残次品工件,此处的加工标准可以根据行业相关的标准或者实际的加工需求确定,本申请对此不作限制。该工件可以是经过视觉检测设备检测后没有相关缺陷,并且经过人工二次复核确认符合加工标准的工件。
步骤120、按照预先分类的工件失效类别,通过对应的加工工具对所述验证用件进行再加工,以使所述验证用件上产生对应的工件失效类别的缺陷;
本步骤中,如前述的,工件失效类别可以是多种多样的,对于各个验证用件,可以通过和工件失效类别对应的加工工具对其进行再加工,使得验证用件上产生和工件失效类别对应的缺陷。
需要说明的是,本申请实施例中,对加工后验证用件上缺陷的位置和大小不作限定。在一些实施例中,例如某些工件的部分区域为重点区域,视觉检测设备主要用于对该重点区域进行缺陷检测和识别,那么可以选择在该重点区域内加工产生对应的缺陷。例如,对于INJ孔来说,其可以包括刀纹、划伤和沙孔等类型的缺陷,对于刀纹、划伤类型的缺陷,可以采用NC机床加工得到;对于沙孔类型的缺陷,可以采用电火花加工得到,本申请对此不作具体限制。
步骤130、测量各个所述验证用件上的缺陷的尺寸数据。
本步骤中,在获取得到再加工的验证用件后,可以测量各个验证用件上的缺陷的尺寸数据,此处的尺寸数据,对于不同的工件失效类别的缺陷,可以适应性存在不同的情况。比如,对于属于孔洞的工件失效类别的缺陷,测量其尺寸数据可以包括孔洞的半径或者面积等;对于属于划痕的工件失效类别的缺陷,测量其尺寸数据可以包括划痕的长度或者宽度等,具体地,测量的尺寸数据的类型,可以根据视觉检测设备能够检测的尺寸类型来确定,本申请对此不作限制。
步骤140、将所述验证用件投入到视觉检测设备中,通过所述视觉检测设备检测所述验证用件上的缺陷,得到所述视觉检测设备输出的缺陷类别检测结果和尺寸预测结果;
本步骤中,可以将验证用件投入到视觉检测设备中,通过视觉检测设备对验证用件上的缺陷进行检测。具体地,本申请实施例中,对验证用件上的缺陷进行检测,主要可以包括两个部分,一个部分是检测缺陷的工件失效类别,记为缺陷类别检测结果;另一部分是检测工件上缺陷的尺寸,记为尺寸预测结果。
具体地,在一些实施例中,所述通过所述视觉检测设备检测所述验证用件上的缺陷,得到所述视觉检测设备输出的缺陷类别检测结果和尺寸预测结果,包括:
将所述验证用件放置在所述视觉检测设备的指定位置;
采集所述验证用件的图像数据,根据所述图像数据确定缺陷的尺寸预测结果;
将所述图像数据输入到缺陷检测模型中,通过所述缺陷检测模型对所述验证用件上的缺陷进行检测,得到缺陷类别检测结果。
本申请实施例中,视觉检测设备可以包括相关的图像采集装置和处理器,其中,图像采集装置可以采集验证用件的图像数据,根据该图像数据,处理器可以确定出缺陷的尺寸预测结果。并且,处理器内可以预先配置训练好的缺陷检测模型,缺陷检测模型可以用于检测验证用件上的缺陷的工件失效类别,输出缺陷类别检测结果。
在一些实施例中,所述根据所述图像数据确定缺陷的尺寸预测结果,包括:
确定所述图像数据的像素均值;
根据所述像素均值,从所述图像数据中确定多个目标像素点;其中,所述目标像素点的像素值与所述像素均值的差值大于第一阈值或者小于第二阈值,所述第一阈值为正数,所述第二阈值为负数;
在所述图像数据中,确定多个所述目标像素点构成的连通区域;
根据所述连通区域,确定尺寸预测结果。
本申请实施例中,在确定缺陷的尺寸预测结果时,可以首先确定图像数据的像素均值,一般来说,当工件上存在缺陷时,采集到的图像数据上,缺陷所处位置区域的像素点的像素值将和其他正常部分的像素点的像素值存在一定差异。因此,可以基于图像数据中与像素均值偏差较大的像素点来确定出缺陷所处的区域。
具体地,本申请实施例中,可以预先设定偏差的比较阈值,计算图像数据中各个像素点的像素值和像素均值之间的差值,将该差值和比较阈值相比较确定每个像素点的像素和像素均值之间的偏差情况。此处,各个像素点的像素值和像素均值之间的差值存在有正数和负数两种情况,因此可以对应设置两个比较阈值,分别记为第一阈值和第二阈值。其中,第一阈值为正数,第二阈值为负数。当像素点的像素值与像素均值的差值大于第一阈值时,或者,当像素点的像素值与像素均值的差值小于第二阈值时,说明该像素点的像素值偏差较大,可以认定该像素点有较大概率处在缺陷区域内。如此,可以从图像数据中确定出多个属于缺陷位置的目标像素点,这些目标像素点形成的连通区域,即为缺陷区域。故而可以根据确定出的连通区域,确定出缺陷的尺寸预测结果。
需要说明的是,本申请实施例中,从图像数据中确定出的缺陷区域的大小,并非正好是原工件实物上缺陷的大小。还需要对其进行尺寸的复原,才能得到真正的尺寸预测结果。具体地,此处,可以在拍摄采集验证用件的图像数据时,同步在相同的位置对标尺进行拍照,然后根据图像数据中标尺的长度和标尺的实际长度的比例关系,确定图像数据和实际的比例换算关系。然后,确定检测出的连通区域的第一尺寸,结合上述的比例换算关系,可以确定出实际的尺寸预测结果。
步骤150、根据所述工件失效类别和所述缺陷类别检测结果,以及所述尺寸数据和所述尺寸预测结果的一致性,确定所述视觉检测设备的准确性是否符合要求。
本步骤中,可以根据工件失效类别和所述缺陷类别检测结果是否相同,以及尺寸数据和尺寸预测结果的偏离程度,来确定视觉检测设备的准确性是否符合要求。具体地,对于工件失效类别和缺陷类别检测结果来说,需要视觉检测设备给出和实际情况相同的检测结果,故如果工件失效类别和缺陷类别检测结果不相同,则可以确定视觉检测设备的准确性不符合要求;对于尺寸数据和尺寸预测结果来说,其是数值类的预测结果,故而可能留有一定的偏差空间,可以预先设置允许的最大偏差极限,记为第三阈值,如果尺寸数据和尺寸预测结果的偏差大于第三阈值,可以确定视觉检测设备的准确性不符合要求。
需要说明的是,本申请实施例中的验证方法,可以预先设置验证周期,当使用视觉检测设备达到一定的验证后期后,可以使用上述方法对其准确性进行验证,如果发现不符合相关的要求,可以及时对其进行校准。可以理解的是,本申请实施例中,可对视觉检测设备进行定期、常态化的准确性验证检测,有利于及时发现视觉检测设备的工作异常并进行调整,改善视觉检测设备的有效性,大幅降低生产产品的品质风险。
在一些实施例中,所述缺陷检测模型通过以下步骤训练得到:
获取批量的训练数据;所述训练数据中包括样本工件的图像数据和所述样本工件对应的缺陷标签;所述缺陷标签用于表征所述样本工件上缺陷的工件失效类别;
将所述训练数据输入到缺陷检测模型,得到所述缺陷检测模型输出的所述样本工件的缺陷类别检测结果;
根据所述样本工件的缺陷类别检测结果和所述缺陷标签确定训练的损失值;
根据所述损失值对所述缺陷检测模型的参数进行更新,得到训练好的缺陷检测模型。
本申请实施例中,对于缺陷检测模型来说,其在使用前需要经过训练,从而达到较好的预测效果。具体地,在对该模型进行训练时,需要获取批量的训练数据,此处,训练数据可以包括样本工件的图像数据和样本工件对应的缺陷标签;该缺陷标签用于表征样本工件上缺陷的工件失效类别。
具体地,将训练数据输入到初始化后的缺陷检测模型后,可以得到模型输出的样本工件的缺陷类别检测结果,可以根据样本工件的缺陷类别检测结果和前述的缺陷标签来评估模型预测的准确性,从而对模型的参数进行更新。
对于机器学习模型来说,模型预测结果的准确性可以通过损失函数(LossFunction)来衡量,损失函数是定义在单个训练数据上的,用于衡量一个训练数据的预测误差,具体是通过单个训练数据的标签和模型对该训练数据的预测结果确定该训练数据的损失值。而实际训练时,一个训练数据集有很多训练数据,因此一般采用代价函数(CostFunction)来衡量训练数据集的整体误差,代价函数是定义在整个训练数据集上的,用于计算所有训练数据的预测误差的平均值,能够更好地衡量出模型的预测效果。对于一般的机器学习模型来说,基于前述的代价函数,再加上衡量模型复杂度的正则项即可作为训练的目标函数,基于该目标函数便能求出整个训练数据集的损失值。常用的损失函数种类有很多,例如0-1损失函数、平方损失函数、绝对损失函数、对数损失函数、交叉熵损失函数等均可以作为机器学习模型的损失函数,在此不再一一阐述。基于训练的损失值,采用反向传播算法对模型的参数进行更新,迭代几轮即可得到训练好的缺陷检测模型。具体的迭代轮数可以预先设定,或者在测试集达到精度要求时认为训练完成。
下面参照附图描述根据本申请实施例提出的工件视觉检测设备的准确性验证装置。
参照图2,本申请实施例中提出的工件视觉检测设备的准确性验证装置,包括:
获取模块201,用于获取若干符合加工标准的工件作为验证用件;
加工模块202,用于按照预先分类的工件失效类别,通过对应的加工工具对所述验证用件进行再加工,以使所述验证用件上产生对应的工件失效类别的缺陷;
测量模块203,用于测量各个所述验证用件上的缺陷的尺寸数据;
预测模块204,用于将所述验证用件投入到视觉检测设备中,通过所述视觉检测设备检测所述验证用件上的缺陷,得到所述视觉检测设备输出的缺陷类别检测结果和尺寸预测结果;
处理模块205,用于根据所述工件失效类别和所述缺陷类别检测结果,以及所述尺寸数据和所述尺寸预测结果的一致性,确定所述视觉检测设备的准确性是否符合要求。
可以理解的是,上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图3,本申请实施例提供了一种计算机设备,包括:
至少一个处理器301;
至少一个存储器302,用于存储至少一个程序;
当至少一个程序被至少一个处理器301执行时,使得至少一个处理器301实现的工件视觉检测设备的准确性验证方法。
同理,上述方法实施例中的内容均适用于本计算机设备实施例中,本计算机设备实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本申请实施例还提供了一种计算机可读存储介质,其中存储有处理器301可执行的程序,处理器301可执行的程序在由处理器301执行时用于执行上述的工件视觉检测设备的准确性验证方法。
同理,上述方法实施例中的内容均适用于本计算机可读存储介质实施例中,本计算机可读存储介质实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或方框有时能以相反顺序被执行。此外,在本申请的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本申请,但应当理解的是,除非另有相反说明,功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本申请是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本申请。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本申请的范围,本申请的范围由所附权利要求书及其等同方案的全部范围来决定。
功能如果以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,本申请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设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例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-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施方式,本领域的普通技术人员可以理解:在不脱离本申请的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本申请的范围由权利要求及其等同物限定。
以上是对本申请的较佳实施进行了具体说明,但本申请并不限于实施例,熟悉本领域的技术人员在不违背本申请精神的前提下可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种工件视觉检测设备的准确性验证方法,其特征在于,包括:
获取若干符合加工标准的工件作为验证用件;
按照预先分类的工件失效类别,通过对应的加工工具对所述验证用件进行再加工,以使所述验证用件上产生对应的工件失效类别的缺陷;
测量各个所述验证用件上的缺陷的尺寸数据;
将所述验证用件投入到视觉检测设备中,通过所述视觉检测设备检测所述验证用件上的缺陷,得到所述视觉检测设备输出的缺陷类别检测结果和尺寸预测结果;
根据所述工件失效类别和所述缺陷类别检测结果,以及所述尺寸数据和所述尺寸预测结果的一致性,确定所述视觉检测设备的准确性是否符合要求。
2.根据权利要求1所述的工件视觉检测设备的准确性验证方法,其特征在于,所述获取若干符合加工标准的工件作为验证用件,包括:
确定预先分类的工件失效类别的类别个数;
从符合加工标准的工件中选取第一个数的工件作为验证用件;
其中,所述第一个数大于或者等于所述类别个数。
3.根据权利要求1所述的工件视觉检测设备的准确性验证方法,其特征在于,所述通过所述视觉检测设备检测所述验证用件上的缺陷,得到所述视觉检测设备输出的缺陷类别检测结果和尺寸预测结果,包括:
将所述验证用件放置在所述视觉检测设备的指定位置;
采集所述验证用件的图像数据,根据所述图像数据确定缺陷的尺寸预测结果;
将所述图像数据输入到缺陷检测模型中,通过所述缺陷检测模型对所述验证用件上的缺陷进行检测,得到缺陷类别检测结果。
4.根据权利要求3所述的工件视觉检测设备的准确性验证方法,其特征在于,所述根据所述图像数据确定缺陷的尺寸预测结果,包括:
确定所述图像数据的像素均值;
根据所述像素均值,从所述图像数据中确定多个目标像素点;其中,所述目标像素点的像素值与所述像素均值的差值大于第一阈值或者小于第二阈值,所述第一阈值为正数,所述第二阈值为负数;
在所述图像数据中,确定多个所述目标像素点构成的连通区域;
根据所述连通区域,确定尺寸预测结果。
5.根据权利要求4所述的工件视觉检测设备的准确性验证方法,其特征在于,所述根据所述连通区域,确定尺寸预测结果,包括:
通过标尺确定所述图像数据和所述验证用件的比例换算关系;
检测所述连通区域的第一尺寸;
根据所述比例换算关系,基于所述第一尺寸确定尺寸预测结果。
6.根据权利要求3所述的工件视觉检测设备的准确性验证方法,其特征在于,所述缺陷检测模型通过以下步骤训练得到:
获取批量的训练数据;所述训练数据中包括样本工件的图像数据和所述样本工件对应的缺陷标签;所述缺陷标签用于表征所述样本工件上缺陷的工件失效类别;
将所述训练数据输入到缺陷检测模型,得到所述缺陷检测模型输出的所述样本工件的缺陷类别检测结果;
根据所述样本工件的缺陷类别检测结果和所述缺陷标签确定训练的损失值;
根据所述损失值对所述缺陷检测模型的参数进行更新,得到训练好的缺陷检测模型。
7.根据权利要求1所述的工件视觉检测设备的准确性验证方法,其特征在于,所述根据所述工件失效类别和所述缺陷类别检测结果,以及所述尺寸数据和所述尺寸预测结果的一致性,确定所述视觉检测设备的准确性是否符合要求,包括:
若所述工件失效类别和所述缺陷类别检测结果不相同,或者所述尺寸数据和所述尺寸预测结果的偏差大于第三阈值,确定所述视觉检测设备的准确性不符合要求。
8.一种工件视觉检测设备的准确性验证装置,其特征在于,包括:
获取模块,用于获取若干符合加工标准的工件作为验证用件;
加工模块,用于按照预先分类的工件失效类别,通过对应的加工工具对所述验证用件进行再加工,以使所述验证用件上产生对应的工件失效类别的缺陷;
测量模块,用于测量各个所述验证用件上的缺陷的尺寸数据;
预测模块,用于将所述验证用件投入到视觉检测设备中,通过所述视觉检测设备检测所述验证用件上的缺陷,得到所述视觉检测设备输出的缺陷类别检测结果和尺寸预测结果;
处理模块,用于根据所述工件失效类别和所述缺陷类别检测结果,以及所述尺寸数据和所述尺寸预测结果的一致性,确定所述视觉检测设备的准确性是否符合要求。
9.一种计算机设备,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-7中任一项所述的工件视觉检测设备的准确性验证方法。
10.一种计算机可读存储介质,其中存储有处理器可执行的程序,其特征在于:所述处理器可执行的程序在由处理器执行时用于实现如权利要求1-7中任一项所述的工件视觉检测设备的准确性验证方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210669211.9A CN114935576A (zh) | 2022-06-14 | 2022-06-14 | 工件视觉检测设备的准确性验证方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210669211.9A CN114935576A (zh) | 2022-06-14 | 2022-06-14 | 工件视觉检测设备的准确性验证方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114935576A true CN114935576A (zh) | 2022-08-23 |
Family
ID=82867365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210669211.9A Pending CN114935576A (zh) | 2022-06-14 | 2022-06-14 | 工件视觉检测设备的准确性验证方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114935576A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115202287A (zh) * | 2022-09-19 | 2022-10-18 | 徐州凌风俊自动化设备有限公司 | 一种数控机床运行作业在线智能监测诊断分析系统 |
CN115760805A (zh) * | 2022-11-24 | 2023-03-07 | 中山大学 | 一种基于视触觉进行加工元件表面凹陷的定位方法 |
CN115945743A (zh) * | 2022-12-23 | 2023-04-11 | 深圳市台钲精密机械有限公司 | 一种对非标零件试加工的方法及系统 |
CN116342599A (zh) * | 2023-05-29 | 2023-06-27 | 宁德时代新能源科技股份有限公司 | 缺陷检测设备的点检方法、装置、设备和存储介质 |
CN117723550A (zh) * | 2024-02-18 | 2024-03-19 | 宁德时代新能源科技股份有限公司 | 产品质量检测设备的检测方法、装置和电子设备 |
CN117890379A (zh) * | 2024-02-22 | 2024-04-16 | 宁德时代新能源科技股份有限公司 | 极耳超声波焊接检测系统及点检方法 |
-
2022
- 2022-06-14 CN CN202210669211.9A patent/CN114935576A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115202287A (zh) * | 2022-09-19 | 2022-10-18 | 徐州凌风俊自动化设备有限公司 | 一种数控机床运行作业在线智能监测诊断分析系统 |
CN115202287B (zh) * | 2022-09-19 | 2022-11-25 | 徐州凌风俊自动化设备有限公司 | 一种数控机床运行作业在线智能监测诊断分析系统 |
CN115760805A (zh) * | 2022-11-24 | 2023-03-07 | 中山大学 | 一种基于视触觉进行加工元件表面凹陷的定位方法 |
CN115760805B (zh) * | 2022-11-24 | 2024-02-09 | 中山大学 | 一种基于视触觉进行加工元件表面凹陷的定位方法 |
CN115945743A (zh) * | 2022-12-23 | 2023-04-11 | 深圳市台钲精密机械有限公司 | 一种对非标零件试加工的方法及系统 |
CN115945743B (zh) * | 2022-12-23 | 2023-10-20 | 深圳市台钲精密机械有限公司 | 一种对非标零件试加工的方法及系统 |
CN116342599A (zh) * | 2023-05-29 | 2023-06-27 | 宁德时代新能源科技股份有限公司 | 缺陷检测设备的点检方法、装置、设备和存储介质 |
CN116342599B (zh) * | 2023-05-29 | 2023-11-14 | 宁德时代新能源科技股份有限公司 | 缺陷检测设备的点检方法、装置、设备和存储介质 |
CN117723550A (zh) * | 2024-02-18 | 2024-03-19 | 宁德时代新能源科技股份有限公司 | 产品质量检测设备的检测方法、装置和电子设备 |
CN117890379A (zh) * | 2024-02-22 | 2024-04-16 | 宁德时代新能源科技股份有限公司 | 极耳超声波焊接检测系统及点检方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114935576A (zh) | 工件视觉检测设备的准确性验证方法、装置、设备及介质 | |
CN109305534B (zh) | 基于计算机视觉的煤码头带式输送机自适应控制方法 | |
CN114943739B (zh) | 一种铝管质量检测方法 | |
US20070192063A1 (en) | Method of condition monitoring | |
CN110648305B (zh) | 工业图像检测方法、系统与计算机可读记录介质 | |
CN113695713B (zh) | 一种热水器内胆焊接质量在线监测方法及装置 | |
CN111815555A (zh) | 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置 | |
KR101982347B1 (ko) | 오토 리페어 시스템의 불량 검출장치 및 방법 | |
CN105891321B (zh) | 铁磁性材料结构力学性能的微磁检测标定方法 | |
WO2019216362A1 (ja) | 検査装置及び検査方法 | |
CN113838054A (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
CN116542984A (zh) | 五金件缺陷检测方法、装置、计算机设备及存储介质 | |
CN113554645B (zh) | 基于wgan的工业异常检测方法和装置 | |
CN117367688B (zh) | 一种玻璃钢管气密性检测分析方法 | |
CN109580632B (zh) | 一种缺陷确定方法、装置及存储介质 | |
CN116342456A (zh) | 连接器件检测方法、电子设备及存储介质 | |
CN116380496B (zh) | 一种汽车车门疲劳耐久测试方法、系统及介质 | |
CN116618878A (zh) | 一种焊前工艺参数确定方法、焊接质量在线预测方法、装置及存储介质 | |
CN111189906B (zh) | 交流电磁场缺陷在线智能判定与分类识别方法 | |
Hassan et al. | Compressed air leakage detection and quantification through infrared thermography | |
US20220074874A1 (en) | Computer-implemented method for analysing measurement data from a measurement of an object | |
CN110308044A (zh) | 基于金属磁记忆检测的增材制造制件早期应力集中判别方法 | |
US11402291B2 (en) | Method of assessing damage to composite members | |
CN114490797A (zh) | 一种时间序列的定性趋势分析方法和装置 | |
CN117250942B (zh) | 故障预测方法、模型的确定方法、装置、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 |