CN115165885A - 一种基于机器视觉识别和光谱测定的鉴别系统及方法 - Google Patents

一种基于机器视觉识别和光谱测定的鉴别系统及方法 Download PDF

Info

Publication number
CN115165885A
CN115165885A CN202210963999.4A CN202210963999A CN115165885A CN 115165885 A CN115165885 A CN 115165885A CN 202210963999 A CN202210963999 A CN 202210963999A CN 115165885 A CN115165885 A CN 115165885A
Authority
CN
China
Prior art keywords
module
target product
defect
product
identification
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.)
Withdrawn
Application number
CN202210963999.4A
Other languages
English (en)
Inventor
李元乔
杨沛泉
王温馨
左腊梅
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.)
Hunan Zuoyuan Information Technology Co ltd
Original Assignee
Hunan Zuoyuan Information 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 Hunan Zuoyuan Information Technology Co ltd filed Critical Hunan Zuoyuan Information Technology Co ltd
Priority to CN202210963999.4A priority Critical patent/CN115165885A/zh
Publication of CN115165885A publication Critical patent/CN115165885A/zh
Withdrawn legal-status Critical Current

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
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • 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
    • G01N2021/8411—Application to online plant, process monitoring

Landscapes

  • 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)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明属于鉴别技术领域，公开了一种基于机器视觉识别和光谱测定的鉴别系统及方法，所述基于机器视觉识别和光谱测定的鉴别系统包括：信息采集模块、中央控制模块、产品缺陷识别模块、有害物测定模块、质量鉴别模块、质量综合评价模块、云存储模块、显示模块。本发明通过产品缺陷识别模块采用机器学习的方法，获得缺陷的特征信息，解决了人工数据分析时，人为主观因素造成的误判、漏判等，提高检测质量，从而快速、准确的实现超声检测数据的自动化分析；同时，通过有害物测定模块无需复杂的样品前处理，便可对目标产品样品进行测量；由于X射线荧光光谱的采集时间以及模型计算较短，该方法可对重金属元素含量进行准确快速无损检测。

Description

一种基于机器视觉识别和光谱测定的鉴别系统及方法
技术领域
本发明属于鉴别技术领域，尤其涉及一种基于机器视觉识别和光谱测定的鉴别系统及方法。
背景技术
产品质量是指产品满足规定需要和潜在需要的特征和特性的总和。任何产品都是为满足用户的使用需要而制造的。产品质量要求反映了产品的特性和特性满足顾客和其他相关方要求的能力。顾客和其他质量要求往往随时间而变化，与科学技术的不断进步有着密切的关系。这些质量要求可以转化成具有具体指标的特征和特性，通常包括使用性能、安全、可用性、可靠性、可维修性、经济性和环境等几个方面。产品的使用性能是指产品在一定条件下，实现预定目的或者规定用途的能力。任何产品都具有其特定的使用目的或者用途。产品的安全性是指产品在使用、储运、销售等过程中，保障人体健康和人身、财产安全免受能力。产品的可靠性是指产品在规定条件和规定的时间内，完成规定功能的程度和能力。一般可用功能效率、平均寿命、失效率、平均故障时间、平均无故障工作时间等参量进行评定。产品的可维修性是指产品在发生故障以后，能迅速维修恢复其功能的能力。通常采用平均修复时间等参量表示。产品的经济性是指产品的设计、制造、使用等各方面所付出或所消耗成本的程度；然而，现有基于机器视觉识别和光谱测定的鉴别系统及方法对产品缺陷检测受限于检测人员的素质和经验，不同的检测人员对同一检测数据分析结果可能不一致，造成无法对决策提供准确依据；同时，目前常用的目标产品重金属检测手段为：通过将强酸目标产品样品消解，然后将消解液中的金属元素用原子吸收、石墨炉原子吸收法或等离子体光谱等方法进行测定；这些方法往往检测步骤繁琐、时间长，费用高，准确性差，且用强酸消解样品存在一定污染。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有基于机器视觉识别和光谱测定的鉴别系统及方法对产品缺陷检测受限于检测人员的素质和经验，不同的检测人员对同一检测数据分析结果可能不一致，造成无法对决策提供准确依据。
(2)目前常用的目标产品重金属检测手段为：通过将强酸目标产品样品消解，然后将消解液中的金属元素用原子吸收、石墨炉原子吸收法或等离子体光谱等方法进行测定；这些方法往往检测步骤繁琐、时间长，费用高，准确性差，且用强酸消解样品存在一定污染。
发明内容
针对现有技术存在的问题，本发明提供了一种基于机器视觉识别和光谱测定的鉴别系统及方法。
本发明是这样实现的，一种基于机器视觉识别和光谱测定的鉴别系统包括：
信息采集模块、中央控制模块、产品缺陷识别模块、有害物测定模块、质量鉴别模块、质量综合评价模块、云存储模块、显示模块；
信息采集模块，与中央控制模块连接，用于采集目标产品信息数据；
中央控制模块，与信息采集模块、产品缺陷识别模块、有害物测定模块、质量鉴别模块、质量综合评价模块、云存储模块、显示模块连接，用于控制各个模块正常工作；
产品缺陷识别模块，与中央控制模块连接，用于通过机器视觉程序对产品缺陷进行识别；
有害物测定模块，与中央控制模块连接，用于通过光谱设备对产品重金属有害物进行测定；
质量鉴别模块，与中央控制模块连接，用于对产品质量进行鉴别；
质量综合评价模块，与中央控制模块连接，用于对产品质量进行综合评价；
云存储模块，与中央控制模块连接，用于通过云服务器存储产品信息、缺陷识别结果、有害物测定结果、质量鉴别结果、评价结果；
显示模块，与中央控制模块连接，用于通过显示器显示产品信息、缺陷识别结果、有害物测定结果、质量鉴别结果、评价结果。
一种基于机器视觉识别和光谱测定的鉴别方法包括以下步骤：
步骤一，通过信息采集模块采集目标产品信息数据；
步骤二，中央控制模块通过产品缺陷识别模块利用机器视觉程序对产品缺陷进行识别；
步骤三，通过有害物测定模块利用光谱设备对产品重金属有害物进行测定；通过质量鉴别模块对产品质量进行鉴别；
步骤四，通过质量综合评价模块对产品质量进行综合评价；
步骤五，通过云存储模块利用云服务器存储产品信息、缺陷识别结果、有害物测定结果、质量鉴别结果、评价结果；不同通过显示模块进行显示。
进一步，所述产品缺陷识别模块识别方法如下：
(1)配置超声波探伤设备工作参数，通过测试设备测试超声波探伤设备工作状态；利用超声波探伤设备获取目标产品的检测数据，并将检测数据以二进制文件存储；
(2)通过所述二进制文件获取目标产品数据，构建缺陷正目标产品库和缺陷负目标产品库；对缺陷正目标产品库进行预处理生成缺陷正目标产品模板文件；
(3)通过缺陷正目标产品模板文件、目标产品匹配算法、缺陷负目标产品库构建缺陷识别模型；通过缺陷识别模型对目标产品缺陷进行识别；
所述利用超声波探伤设备获取目标产品的检测数据方法：
启动超声波探伤设备，配置超声波探伤设备参数，通过超声波探伤设备采用10通道复合串列式探头发射和接收宽频超声波；
利用基于改进阈值函数的小波变换算法对产品超声回波A显数据信号进行降噪，得到有效超声回波探伤信号；
从有效超声波探伤信号中采用基于小波模极大值特征提取方法进行超声回波A显数据信号伤损缺陷的特征提取；
将提取的伤损缺陷的表征量特征进行归一化处理，将所有特征数据转换为[0，1]数据，将处理后的回波以B型显示的方式显示；
所述利用基于改进阈值函数的小波变换算法对产品超声回波A显数据信号进行降噪，得到有效超声回波探伤信号是利用小波变换算法进行降噪处理的步骤为：
选取小波基函数和小波分解层次N，对原始数据信号进行N层小波分解，得到信号的高频系数和低频系数；
选用改进的阈值量化函数，对每一次分解层次中的高频系数进行阈值化处理；
根据第N层的低频系数和阈值量化的第1层到N层的高频系数进行小波逆变换，得到重构信躁分离后的有效超声波探伤信号；
所述采用10通道复合串列式探头发射和接收宽频超声波是采用Symlet小波系中的Sym6作为小波基函数，进行3层分解；
所述利用基于改进阈值函数的小波变换算法对产品超声回波A显数据信号进行降噪，得到有效超声回波探伤信号是采用将硬、软阈值函数的改进算法作为阈值量化函数对各层细节系统分别设置阈值，改进的阈值量化函数的形式为：
Figure BDA0003793933810000041
其中：t表示阈值，
Figure BDA0003793933810000042
式中，N为采样点数，σ为噪声标准方差，
Figure BDA0003793933810000043
J是小波分解的最大层次数，Wjk是J尺度下点K位置的小波变换系数；
所述伤损缺陷的表征包括:超声回波A显数据信号的方差和幅值以及经3层小波分解后每层小波系数的时域的方差和幅值分别作为一组表征量，共7个表征量。
进一步，所述超声波探伤设备按照轴型或轮型，配置相应的通道和扫查方式获取检测数据。
进一步，所述通过所述二进制文件获取目标产品数据，构建缺陷正目标产品库和缺陷负目标产品库进一步包括以下步骤：
将所述二进制文件聚类分析；
从聚类分析后的二进制文件中提取图像；
根据缺陷的图像特征截取缺陷位置图像获取目标产品数据；
缺陷的目标产品数据形成缺陷正目标产品库，非缺陷的目标产品数据形成缺陷负目标产品库。
进一步，所述缺陷正目标产品库包括缺陷图像；缺陷负目标产品库包括非缺陷图像、噪声图像、过渡圆弧图像。
进一步，所述缺陷图像包括平底孔图像、横向缺陷图像、纵向缺陷图像、外表面缺陷图像、内表面缺陷图像；
所述预处理包括归一处理，即统一缺陷图像的尺寸和格式。
进一步，所述有害物测定模块测定方法如下：
1)采集目标产品样品；采集所述样品的X射线荧光光谱；对X射线荧光光谱进行校准；
2)测定目标产品样品中待测重金属元素含量参考值；
3)建立X射线荧光光谱与重金属元素含量参考值之间的多元校正关系，所述多元校正关系为：
yi＝x(UiX)′BiQi
其中yi为某种重金属元素的含量，向量x为待测目标产品的X射线荧光光谱，Ui为某重金属元素含量特征因子矩阵，X为目标产品样品的X射线荧光光谱矩阵，Bi为某重金属元素光谱强度特征因子矩阵，Qi为某重金属元素的含量载荷矩阵，Ui、Bi、Qi根据目标产品样品的X射线荧光光谱矩阵及对应某重金属元素含量参考值由偏最小二乘法确定。
进一步，所述采集所述样品的X射线荧光光谱还包括对所采集的X射线荧光光谱进行噪声去除、拟合谱形及净计数率的计算；
所述重金属元素包括铜、锌、铅、铬、镉、汞和砷；
在所述建立X射线荧光光谱与重金属元素含量参考值之间的多元校正关系中，对于不同的元素，根据其主峰、次峰的位置，选择包含其主次峰的光谱区域为建立多元校正关系的区域；
对于铬、锌、铅和砷四种重金属元素，选择的建立多元校正关系的光谱区域的能量范围分别为：260-490能量单元、660-790能量单元、760-1000和760-1000能量单元；
在所述建立X射线荧光光谱与重金属元素含量参考值之间的多元校正关系中，对于所有的元素，均采用全部谱区作为建立多元校正关系的区域；
对Fe峰所在区域进行权重为1/50的加权；
Fe峰所在谱区为260-390能量单元。
进一步，所述建立的多元校正关系进行反复修正，直至其误差范围小于该方法应用的农业生产或环境监测中的最小误差要求。
结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
本发明通过产品缺陷识别模块将人工智能技术引入到无损检测领域，推动了无损检测技术向智能化方向发展，大幅提升无损检测的质量和效率。基于机器视觉技术利用超声波探伤设备获取目标产品的检测数据，根据目标产品缺陷的图像特征获取目标产品数据，进而构建缺陷识别模型；采用机器学习的方法，获得缺陷的特征信息，降低了对检测人员素质和经验的要求；采用计算机分析的方法，解决了人工数据分析时，人为主观因素造成的误判、漏判等，提高检测质量，从而快速、准确的实现超声检测数据的自动化分析；同时，通过有害物测定模块无需复杂的样品前处理，便可对目标产品样品进行测量；由于X射线荧光光谱的采集时间以及模型计算较短，该方法可对重金属元素含量进行准确快速无损检测。
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
本发明通过产品缺陷识别模块将人工智能技术引入到无损检测领域，推动了无损检测技术向智能化方向发展，大幅提升无损检测的质量和效率。基于机器视觉技术利用超声波探伤设备获取目标产品的检测数据，根据目标产品缺陷的图像特征获取目标产品数据，进而构建缺陷识别模型；采用机器学习的方法，获得缺陷的特征信息，降低了对检测人员素质和经验的要求；采用计算机分析的方法，解决了人工数据分析时，人为主观因素造成的误判、漏判等，提高检测质量，从而快速、准确的实现超声检测数据的自动化分析；同时，通过有害物测定模块无需复杂的样品前处理，便可对目标产品样品进行测量；由于X射线荧光光谱的采集时间以及模型计算较短，该方法可对重金属元素含量进行准确快速无损检测。
附图说明
图1是本发明实施例提供的基于机器视觉识别和光谱测定的鉴别方法流程图。
图2是本发明实施例提供的基于机器视觉识别和光谱测定的鉴别系统结构框图。
图3是本发明实施例提供的产品缺陷识别模块识别方法流程图。
图4是本发明实施例提供的有害物测定模块测定方法流程图。
图2中：1、信息采集模块；2、中央控制模块；3、产品缺陷识别模块；4、有害物测定模块；5、质量鉴别模块；6、质量综合评价模块；7、云存储模块；8、显示模块。
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。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示，本发明提供的基于机器视觉识别和光谱测定的鉴别方法包括以下步骤：
S101，通过信息采集模块采集目标产品信息数据；
S102，中央控制模块通过产品缺陷识别模块利用机器视觉程序对产品缺陷进行识别；
S103，通过有害物测定模块利用光谱设备对产品重金属有害物进行测定；通过质量鉴别模块对产品质量进行鉴别；
S104，通过质量综合评价模块对产品质量进行综合评价；
S105，通过云存储模块利用云服务器存储产品信息、缺陷识别结果、有害物测定结果、质量鉴别结果、评价结果；不同通过显示模块进行显示。
本发明通过产品缺陷识别模块将人工智能技术引入到无损检测领域，推动了无损检测技术向智能化方向发展，大幅提升无损检测的质量和效率。基于机器视觉技术利用超声波探伤设备获取目标产品的检测数据，根据目标产品缺陷的图像特征获取目标产品数据，进而构建缺陷识别模型；采用机器学习的方法，获得缺陷的特征信息，降低了对检测人员素质和经验的要求；采用计算机分析的方法，解决了人工数据分析时，人为主观因素造成的误判、漏判等，提高检测质量，从而快速、准确的实现超声检测数据的自动化分析；同时，通过有害物测定模块无需复杂的样品前处理，便可对目标产品样品进行测量；由于X射线荧光光谱的采集时间以及模型计算较短，该方法可对重金属元素含量进行准确快速无损检测。
如图2所示，本发明实施例提供的基于机器视觉识别和光谱测定的鉴别系统包括：
信息采集模块1、中央控制模块2、产品缺陷识别模块3、有害物测定模块4、质量鉴别模块5、质量综合评价模块6、云存储模块7、显示模块8。
信息采集模块1，与中央控制模块2连接，用于采集目标产品信息数据；
中央控制模块2，与信息采集模块1、产品缺陷识别模块3、有害物测定模块4、质量鉴别模块5、质量综合评价模块6、云存储模块7、显示模块8连接，用于控制各个模块正常工作；
产品缺陷识别模块3，与中央控制模块2连接，用于通过机器视觉程序对产品缺陷进行识别；
有害物测定模块4，与中央控制模块2连接，用于通过光谱设备对产品重金属有害物进行测定；
质量鉴别模块5，与中央控制模块2连接，用于对产品质量进行鉴别；
质量综合评价模块6，与中央控制模块2连接，用于对产品质量进行综合评价；
云存储模块7，与中央控制模块2连接，用于通过云服务器存储产品信息、缺陷识别结果、有害物测定结果、质量鉴别结果、评价结果；
显示模块8，与中央控制模块2连接，用于通过显示器显示产品信息、缺陷识别结果、有害物测定结果、质量鉴别结果、评价结果。
本发明通过产品缺陷识别模块将人工智能技术引入到无损检测领域，推动了无损检测技术向智能化方向发展，大幅提升无损检测的质量和效率。基于机器视觉技术利用超声波探伤设备获取目标产品的检测数据，根据目标产品缺陷的图像特征获取目标产品数据，进而构建缺陷识别模型；采用机器学习的方法，获得缺陷的特征信息，降低了对检测人员素质和经验的要求；采用计算机分析的方法，解决了人工数据分析时，人为主观因素造成的误判、漏判等，提高检测质量，从而快速、准确的实现超声检测数据的自动化分析；同时，通过有害物测定模块无需复杂的样品前处理，便可对目标产品样品进行测量；由于X射线荧光光谱的采集时间以及模型计算较短，该方法可对重金属元素含量进行准确快速无损检测。
如图3所示，本发明提供的产品缺陷识别模块3识别方法如下：
S201，配置超声波探伤设备工作参数，通过测试设备测试超声波探伤设备工作状态；利用超声波探伤设备获取目标产品的检测数据，并将检测数据以二进制文件存储；
S202，通过所述二进制文件获取目标产品数据，构建缺陷正目标产品库和缺陷负目标产品库；对缺陷正目标产品库进行预处理生成缺陷正目标产品模板文件；
S203，通过缺陷正目标产品模板文件、目标产品匹配算法、缺陷负目标产品库构建缺陷识别模型；通过缺陷识别模型对目标产品缺陷进行识别。
本发明通过产品缺陷识别模块将人工智能技术引入到无损检测领域，推动了无损检测技术向智能化方向发展，大幅提升无损检测的质量和效率。基于机器视觉技术利用超声波探伤设备获取目标产品的检测数据，根据目标产品缺陷的图像特征获取目标产品数据，进而构建缺陷识别模型；采用机器学习的方法，获得缺陷的特征信息，降低了对检测人员素质和经验的要求；采用计算机分析的方法，解决了人工数据分析时，人为主观因素造成的误判、漏判等，提高检测质量，从而快速、准确的实现超声检测数据的自动化分析。
所述利用超声波探伤设备获取目标产品的检测数据方法：
启动超声波探伤设备，配置超声波探伤设备参数，通过超声波探伤设备采用10通道复合串列式探头发射和接收宽频超声波；
利用基于改进阈值函数的小波变换算法对产品超声回波A显数据信号进行降噪，得到有效超声回波探伤信号；
从有效超声波探伤信号中采用基于小波模极大值特征提取方法进行超声回波A显数据信号伤损缺陷的特征提取；
将提取的伤损缺陷的表征量特征进行归一化处理，将所有特征数据转换为[0，1]数据，将处理后的回波以B型显示的方式显示；
所述利用基于改进阈值函数的小波变换算法对产品超声回波A显数据信号进行降噪，得到有效超声回波探伤信号是利用小波变换算法进行降噪处理的步骤为：
选取小波基函数和小波分解层次N，对原始数据信号进行N层小波分解，得到信号的高频系数和低频系数；
选用改进的阈值量化函数，对每一次分解层次中的高频系数进行阈值化处理；
根据第N层的低频系数和阈值量化的第1层到N层的高频系数进行小波逆变换，得到重构信躁分离后的有效超声波探伤信号；
所述采用10通道复合串列式探头发射和接收宽频超声波是采用Symlet小波系中的Sym6作为小波基函数，进行3层分解；
所述利用基于改进阈值函数的小波变换算法对产品超声回波A显数据信号进行降噪，得到有效超声回波探伤信号是采用将硬、软阈值函数的改进算法作为阈值量化函数对各层细节系统分别设置阈值，改进的阈值量化函数的形式为：
Figure BDA0003793933810000111
其中：t表示阈值，
Figure BDA0003793933810000112
式中，N为采样点数，σ为噪声标准方差，
Figure BDA0003793933810000121
J是小波分解的最大层次数，Wjk是J尺度下点K位置的小波变换系数；
所述伤损缺陷的表征包括:超声回波A显数据信号的方差和幅值以及经3层小波分解后每层小波系数的时域的方差和幅值分别作为一组表征量，共7个表征量。
本发明提供的超声波探伤设备按照轴型或轮型，配置相应的通道和扫查方式获取检测数据。
本发明提供的通过所述二进制文件获取目标产品数据，构建缺陷正目标产品库和缺陷负目标产品库进一步包括以下步骤：
将所述二进制文件聚类分析；
从聚类分析后的二进制文件中提取图像；
根据缺陷的图像特征截取缺陷位置图像获取目标产品数据；
缺陷的目标产品数据形成缺陷正目标产品库，非缺陷的目标产品数据形成缺陷负目标产品库。
本发明提供的缺陷正目标产品库包括缺陷图像；缺陷负目标产品库包括非缺陷图像、噪声图像、过渡圆弧图像。
本发明提供的缺陷图像包括平底孔图像、横向缺陷图像、纵向缺陷图像、外表面缺陷图像、内表面缺陷图像；
所述预处理包括归一处理，即统一缺陷图像的尺寸和格式。
如图4所示，本发明提供的有害物测定模块4测定方法如下：
S301，采集目标产品样品；采集所述样品的X射线荧光光谱；对X射线荧光光谱进行校准；
S302，测定目标产品样品中待测重金属元素含量参考值；
S303，建立X射线荧光光谱与重金属元素含量参考值之间的多元校正关系，所述多元校正关系为：
yi＝x(UiX)′BiQi
其中yi为某种重金属元素的含量，向量x为待测目标产品的X射线荧光光谱，Ui为某重金属元素含量特征因子矩阵，X为目标产品样品的X射线荧光光谱矩阵，Bi为某重金属元素光谱强度特征因子矩阵，Qi为某重金属元素的含量载荷矩阵，Ui、Bi、Qi根据目标产品样品的X射线荧光光谱矩阵及对应某重金属元素含量参考值由偏最小二乘法确定。
本发明通过有害物测定模块无需复杂的样品前处理，便可对目标产品样品进行测量；由于X射线荧光光谱的采集时间以及模型计算较短，该方法可对重金属元素含量进行准确快速无损检测。
本发明提供的采集所述样品的X射线荧光光谱还包括对所采集的X射线荧光光谱进行噪声去除、拟合谱形及净计数率的计算；
所述重金属元素包括铜、锌、铅、铬、镉、汞和砷；
在所述建立X射线荧光光谱与重金属元素含量参考值之间的多元校正关系中，对于不同的元素，根据其主峰、次峰的位置，选择包含其主次峰的光谱区域为建立多元校正关系的区域；
对于铬、锌、铅和砷四种重金属元素，选择的建立多元校正关系的光谱区域的能量范围分别为：260-490能量单元、660-790能量单元、760-1000和760-1000能量单元；
在所述建立X射线荧光光谱与重金属元素含量参考值之间的多元校正关系中，对于所有的元素，均采用全部谱区作为建立多元校正关系的区域；
对Fe峰所在区域进行权重为1/50的加权；
Fe峰所在谱区为260-390能量单元。
本发明提供的建立的多元校正关系进行反复修正，直至其误差范围小于该方法应用的农业生产或环境监测中的最小误差要求。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
本发明通过产品缺陷识别模块将人工智能技术引入到无损检测领域，推动了无损检测技术向智能化方向发展，大幅提升无损检测的质量和效率。基于机器视觉技术利用超声波探伤设备获取目标产品的检测数据，根据目标产品缺陷的图像特征获取目标产品数据，进而构建缺陷识别模型；采用机器学习的方法，获得缺陷的特征信息，降低了对检测人员素质和经验的要求；采用计算机分析的方法，解决了人工数据分析时，人为主观因素造成的误判、漏判等，提高检测质量，从而快速、准确的实现超声检测数据的自动化分析；同时，通过有害物测定模块无需复杂的样品前处理，便可对目标产品样品进行测量；由于X射线荧光光谱的采集时间以及模型计算较短，该方法可对重金属元素含量进行准确快速无损检测。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
本发明通过产品缺陷识别模块将人工智能技术引入到无损检测领域，推动了无损检测技术向智能化方向发展，大幅提升无损检测的质量和效率。基于机器视觉技术利用超声波探伤设备获取目标产品的检测数据，根据目标产品缺陷的图像特征获取目标产品数据，进而构建缺陷识别模型；采用机器学习的方法，获得缺陷的特征信息，降低了对检测人员素质和经验的要求；采用计算机分析的方法，解决了人工数据分析时，人为主观因素造成的误判、漏判等，提高检测质量，从而快速、准确的实现超声检测数据的自动化分析；同时，通过有害物测定模块无需复杂的样品前处理，便可对目标产品样品进行测量；由于X射线荧光光谱的采集时间以及模型计算较短，该方法可对重金属元素含量进行准确快速无损检测。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，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，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于机器视觉识别和光谱测定的鉴别系统，其特征在于，所述基于机器视觉识别和光谱测定的鉴别系统包括：
信息采集模块、中央控制模块、产品缺陷识别模块、有害物测定模块、质量鉴别模块、质量综合评价模块、云存储模块、显示模块；
信息采集模块，与中央控制模块连接，用于采集目标产品信息数据；
中央控制模块，与信息采集模块、产品缺陷识别模块、有害物测定模块、质量鉴别模块、质量综合评价模块、云存储模块、显示模块连接，用于控制各个模块正常工作；
产品缺陷识别模块，与中央控制模块连接，用于通过机器视觉程序对产品缺陷进行识别；
有害物测定模块，与中央控制模块连接，用于通过光谱设备对产品重金属有害物进行测定；
质量鉴别模块，与中央控制模块连接，用于对产品质量进行鉴别；
质量综合评价模块，与中央控制模块连接，用于对产品质量进行综合评价；
云存储模块，与中央控制模块连接，用于通过云服务器存储产品信息、缺陷识别结果、有害物测定结果、质量鉴别结果、评价结果；
显示模块，与中央控制模块连接，用于通过显示器显示产品信息、缺陷识别结果、有害物测定结果、质量鉴别结果、评价结果。
2.一种如权利要求1所述的基于机器视觉识别和光谱测定的鉴别方法，其特征在于，所述基于机器视觉识别和光谱测定的鉴别方法包括以下步骤：
步骤一，通过信息采集模块采集目标产品信息数据；
步骤二，中央控制模块通过产品缺陷识别模块利用机器视觉程序对产品缺陷进行识别；
步骤三，通过有害物测定模块利用光谱设备对产品重金属有害物进行测定；通过质量鉴别模块对产品质量进行鉴别；
步骤四，通过质量综合评价模块对产品质量进行综合评价；
步骤五，通过云存储模块利用云服务器存储产品信息、缺陷识别结果、有害物测定结果、质量鉴别结果、评价结果；不同通过显示模块进行显示。
3.如权利要求1所述基于机器视觉识别和光谱测定的鉴别系统，其特征在于，所述产品缺陷识别模块识别方法如下：
(1)配置超声波探伤设备工作参数，通过测试设备测试超声波探伤设备工作状态；利用超声波探伤设备获取目标产品的检测数据，并将检测数据以二进制文件存储；
(2)通过所述二进制文件获取目标产品数据，构建缺陷正目标产品库和缺陷负目标产品库；对缺陷正目标产品库进行预处理生成缺陷正目标产品模板文件；
(3)通过缺陷正目标产品模板文件、目标产品匹配算法、缺陷负目标产品库构建缺陷识别模型；通过缺陷识别模型对目标产品缺陷进行识别；
所述利用超声波探伤设备获取目标产品的检测数据方法：
启动超声波探伤设备，配置超声波探伤设备参数，通过超声波探伤设备采用10通道复合串列式探头发射和接收宽频超声波；
利用基于改进阈值函数的小波变换算法对产品超声回波A显数据信号进行降噪，得到有效超声回波探伤信号；
从有效超声波探伤信号中采用基于小波模极大值特征提取方法进行超声回波A显数据信号伤损缺陷的特征提取；
将提取的伤损缺陷的表征量特征进行归一化处理，将所有特征数据转换为[0，1]数据，将处理后的回波以B型显示的方式显示；
所述利用基于改进阈值函数的小波变换算法对产品超声回波A显数据信号进行降噪，得到有效超声回波探伤信号是利用小波变换算法进行降噪处理的步骤为：
选取小波基函数和小波分解层次N，对原始数据信号进行N层小波分解，得到信号的高频系数和低频系数；
选用改进的阈值量化函数，对每一次分解层次中的高频系数进行阈值化处理；
根据第N层的低频系数和阈值量化的第1层到N层的高频系数进行小波逆变换，得到重构信躁分离后的有效超声波探伤信号；
所述采用10通道复合串列式探头发射和接收宽频超声波是采用Symlet小波系中的Sym6作为小波基函数，进行3层分解；
所述利用基于改进阈值函数的小波变换算法对产品超声回波A显数据信号进行降噪，得到有效超声回波探伤信号是采用将硬、软阈值函数的改进算法作为阈值量化函数对各层细节系统分别设置阈值，改进的阈值量化函数的形式为：
Figure FDA0003793933800000031
其中：t表示阈值，
Figure FDA0003793933800000032
式中，N为采样点数，σ为噪声标准方差，
Figure FDA0003793933800000033
J是小波分解的最大层次数，Wjk是J尺度下点K位置的小波变换系数；
所述伤损缺陷的表征包括:超声回波A显数据信号的方差和幅值以及经3层小波分解后每层小波系数的时域的方差和幅值分别作为一组表征量，共7个表征量。
4.如权利要求3所述基于机器视觉识别和光谱测定的鉴别系统，其特征在于，所述超声波探伤设备按照轴型或轮型，配置相应的通道和扫查方式获取检测数据。
5.如权利要求3所述基于机器视觉识别和光谱测定的鉴别系统，其特征在于，所述通过所述二进制文件获取目标产品数据，构建缺陷正目标产品库和缺陷负目标产品库进一步包括以下步骤：
将所述二进制文件聚类分析；
从聚类分析后的二进制文件中提取图像；
根据缺陷的图像特征截取缺陷位置图像获取目标产品数据；
缺陷的目标产品数据形成缺陷正目标产品库，非缺陷的目标产品数据形成缺陷负目标产品库。
6.如权利要求3所述基于机器视觉识别和光谱测定的鉴别系统，其特征在于，所述缺陷正目标产品库包括缺陷图像；缺陷负目标产品库包括非缺陷图像、噪声图像、过渡圆弧图像。
7.如权利要求3所述基于机器视觉识别和光谱测定的鉴别系统，其特征在于，所述缺陷图像包括平底孔图像、横向缺陷图像、纵向缺陷图像、外表面缺陷图像、内表面缺陷图像；
所述预处理包括归一处理，即统一缺陷图像的尺寸和格式。
8.如权利要求1所述基于机器视觉识别和光谱测定的鉴别系统，其特征在于，所述有害物测定模块测定方法如下：
1)采集目标产品样品；采集所述样品的X射线荧光光谱；对X射线荧光光谱进行校准；
2)测定目标产品样品中待测重金属元素含量参考值；
3)建立X射线荧光光谱与重金属元素含量参考值之间的多元校正关系，所述多元校正关系为：
yi＝x(UiX)′BiQi
其中yi为某种重金属元素的含量，向量x为待测目标产品的X射线荧光光谱，Ui为某重金属元素含量特征因子矩阵，X为目标产品样品的X射线荧光光谱矩阵，Bi为某重金属元素光谱强度特征因子矩阵，Qi为某重金属元素的含量载荷矩阵，Ui、Bi、Qi根据目标产品样品的X射线荧光光谱矩阵及对应某重金属元素含量参考值由偏最小二乘法确定。
9.如权利要求8所述基于机器视觉识别和光谱测定的鉴别系统，其特征在于，所述采集所述样品的X射线荧光光谱还包括对所采集的X射线荧光光谱进行噪声去除、拟合谱形及净计数率的计算；
所述重金属元素包括铜、锌、铅、铬、镉、汞和砷；
在所述建立X射线荧光光谱与重金属元素含量参考值之间的多元校正关系中，对于不同的元素，根据其主峰、次峰的位置，选择包含其主次峰的光谱区域为建立多元校正关系的区域；
对于铬、锌、铅和砷四种重金属元素，选择的建立多元校正关系的光谱区域的能量范围分别为：260-490能量单元、660-790能量单元、760-1000和760-1000能量单元；
在所述建立X射线荧光光谱与重金属元素含量参考值之间的多元校正关系中，对于所有的元素，均采用全部谱区作为建立多元校正关系的区域；
对Fe峰所在区域进行权重为1/50的加权；
Fe峰所在谱区为260-390能量单元。
10.如权利要求8所述基于机器视觉识别和光谱测定的鉴别系统，其特征在于，所述建立的多元校正关系进行反复修正，直至其误差范围小于该方法应用的农业生产或环境监测中的最小误差要求。
CN202210963999.4A 2022-08-11 2022-08-11 一种基于机器视觉识别和光谱测定的鉴别系统及方法 Withdrawn CN115165885A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210963999.4A CN115165885A (zh) 2022-08-11 2022-08-11 一种基于机器视觉识别和光谱测定的鉴别系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210963999.4A CN115165885A (zh) 2022-08-11 2022-08-11 一种基于机器视觉识别和光谱测定的鉴别系统及方法

Publications (1)

Publication Number Publication Date
CN115165885A true CN115165885A (zh) 2022-10-11

Family

ID=83479242

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210963999.4A Withdrawn CN115165885A (zh) 2022-08-11 2022-08-11 一种基于机器视觉识别和光谱测定的鉴别系统及方法

Country Status (1)

Country Link
CN (1) CN115165885A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116862898A (zh) * 2023-07-27 2023-10-10 小米汽车科技有限公司 零部件的缺陷检测方法、装置、存储介质以及电子设备
CN117890466A (zh) * 2024-01-03 2024-04-16 广州声华科技股份有限公司 一种基于超声波和视觉检测的表面缺陷检测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116862898A (zh) * 2023-07-27 2023-10-10 小米汽车科技有限公司 零部件的缺陷检测方法、装置、存储介质以及电子设备
CN117890466A (zh) * 2024-01-03 2024-04-16 广州声华科技股份有限公司 一种基于超声波和视觉检测的表面缺陷检测方法及系统

Similar Documents

Publication Publication Date Title
US8131107B2 (en) Method and system for identifying defects in NDT image data
CN115165885A (zh) 一种基于机器视觉识别和光谱测定的鉴别系统及方法
JP5624975B2 (ja) 検査画像品質評価システム、方法、プログラム、及びデジタイザ保証システム
Wang et al. Surface defects detection using non-convex total variation regularized RPCA with kernelization
CN114445386B (zh) 一种基于人工智能的pvc管件质量检测评估方法及系统
Leo et al. Identification of defective areas in composite materials by bivariate EMD analysis of ultrasound
CN114799610B (zh) 一种基于傅里叶逆变换及自编码器的焊接质量实时检测方法及系统
CN114692758A (zh) 电力通信故障分析方法、装置、终端设备及介质
CN117668518B (zh) 一种离散型智能制造方法及系统
CN117630800A (zh) 一种电能表自动检定装置故障诊断方法及系统
CN111879709B (zh) 湖泊水体光谱反射率检验方法及装置
CN117388286A (zh) 一种基于微波近场时域反射的非金属内部缺陷检测方法
CN107300562B (zh) 一种测量继电器成品触点间距的x射线无损检测方法
CN108648199B (zh) 基于分水岭和cv模型的超声相控阵ndt图像分割方法
CN111145168A (zh) 碳纤维复合材料缺陷的检测方法及系统、存储介质
Al-Ataby et al. Automatic detection and classification of weld flaws in TOFD data using wavelet transform and support vector machines
CN114881938B (zh) 基于小波分析和神经网络的晶粒度检测方法及系统
CN111915552A (zh) 一种太阳能电池内部缺陷检测方法
CN117767875A (zh) 一种光伏接线盒的智能监测方法及系统
CN111898314B (zh) 湖泊水体参数检验方法、装置、电子设备及存储介质
JP4948238B2 (ja) 分布解析方法および装置、異常設備推定方法および装置、上記分布解析方法または異常設備推定方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体
Topp et al. How can NDT 4.0 improve the Probability of Detection (POD)?
JP2021042955A (ja) 食品検査装置、食品検査方法及び食品検査装置の食品再構成ニューラルネットワークの学習方法
Wallace et al. Experience, testing and future development of an ultrasonic inspection analysis defect decision support tool for CANDU reactors
Slimani et al. Machine Learning Approach for Classification of Faults in Cable via Compressed Sensing Time-Domain Reflectometry

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20221011

WW01 Invention patent application withdrawn after publication