CN115205283A - 裂纹检测方法、装置、设备、系统及存储介质 - Google Patents
裂纹检测方法、装置、设备、系统及存储介质 Download PDFInfo
- Publication number
- CN115205283A CN115205283A CN202211092998.3A CN202211092998A CN115205283A CN 115205283 A CN115205283 A CN 115205283A CN 202211092998 A CN202211092998 A CN 202211092998A CN 115205283 A CN115205283 A CN 115205283A
- Authority
- CN
- China
- Prior art keywords
- glass container
- temperature
- image data
- crack detection
- target
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 158
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 239000011521 glass Substances 0.000 claims abstract description 295
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000009826 distribution Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 230000002950 deficient Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 25
- 230000000875 corresponding effect Effects 0.000 description 22
- 230000008439 repair process Effects 0.000 description 22
- 238000012549 training Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 15
- 230000007547 defect Effects 0.000 description 13
- 230000009286 beneficial effect Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000007781 pre-processing Methods 0.000 description 8
- 229930182555 Penicillin Natural products 0.000 description 7
- JGSARLDLIJGVTE-MBNYWOFBSA-N Penicillin G Chemical compound N([C@H]1[C@H]2SC([C@@H](N2C1=O)C(O)=O)(C)C)C(=O)CC1=CC=CC=C1 JGSARLDLIJGVTE-MBNYWOFBSA-N 0.000 description 7
- 238000007689 inspection Methods 0.000 description 7
- 229940049954 penicillin Drugs 0.000 description 7
- 238000013136 deep learning model Methods 0.000 description 6
- 239000011347 resin Substances 0.000 description 6
- 229920005989 resin Polymers 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 210000003739 neck Anatomy 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000149 penetrating effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000009924 canning Methods 0.000 description 1
- 238000010960 commercial process Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared 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
- G06T2207/20081—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiation Pyrometers (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请提供了裂纹检测方法、装置、设备、系统及存储介质,裂纹检测方法应用于裂纹检测系统中的裂纹检测设备;方法包括:获取玻璃容器的背景特征图像,背景特征图像包括玻璃容器在第一温度时的不同角度的红外图像;基于背景特征图像,获取玻璃容器的背景图像数据;获取玻璃容器的目标特征图像;基于目标特征图像,获取玻璃容器的目标图像数据,目标图像数据用于指示玻璃容器在第二温度时的温度分布;将背景图像数据和目标图像数据进行比对,确定玻璃容器的裂纹检测结果。通过获取不同温度下的背景图像数据和目标图像数据进行比对,适用性好、抗外部环境干扰的能力强。
Description
技术领域
本申请涉及机器视觉和图像处理技术,尤其涉及裂纹检测方法、装置、设备、系统及存储介质。
背景技术
目前,国内药厂对于瓶装药品均已采用自动化灌装流水线。流水线上的玻璃瓶等玻璃容器常会出现瓶口裂缝、瓶颈裂缝等缺陷,一旦装入有气压的液体或者气体,非常容易发生爆炸。因此对于玻璃容器的裂纹检测是对其质量检测的重要部分,也是其自动化罐装生产的重要一环。
目前,玻璃容器在生产过程中的缺陷更多的采用人工检测。人工目测检验无法满足自动化生产理念,从检验速度和准确性上来看均存在不足。
市场上还出现了一种基于机器视觉的无接触检验,根据目前较通用的机器视觉与图像处理技术相结合,对玻璃的缺陷进行检测,在一定程度上解决了人工检验时人工成本较高的这个难题。例如专利CN113538417A公开了一种基于多角度和目标检测的透明容器缺陷检测方法,该方法包括:多角度获取待测透明容器不同部位的系列原始图像;应用深度学习目标检测方法,以待测透明容器的缺陷为检测目标,对系列原始图像进行检测;通过机器视觉方法对系列原始图像中检测出的缺陷的参数进行计算,并统计同一待测透明容器的所有缺陷数据;根据预设的过滤参数,对待测透明容器的缺陷数据进行过滤,判定待测透明容器是否合格。
上述方法利用深度学习目标检测方法,通过完善的模型训练,可以检测形态各异的透明容器,解决缺陷种类繁多的问题,相比人工验瓶提高了检测的检验速度和准确性。上述方法中,由于容器的气泡、结石、裂纹、料印、烧伤等缺陷的特征并不相同,需要通过丰富数量的缺陷位置、形态尽量全面的样本的收集,用于标注的数据集需要无偏、全面、尽可能均衡,并且不同类型的缺陷要注意样本的平衡,以完成深度学习目标检测方法的模型训练。该方法未专门就玻璃容器的裂纹问题提及具有适用性的解决思路。
基于此,本申请提供了裂纹检测方法、装置、设备、系统及存储介质,以解决上述现有技术中的问题。
发明内容
本申请的目的在于提供裂纹检测方法、装置、设备、系统及存储介质,采用获取不同温度下的背景图像数据和目标图像数据进行比对,以得到玻璃容器的裂纹检测结果,对玻璃容器裂纹检测的适用性好,抗外部环境干扰的能力强。
本申请的目的采用以下技术方案实现:
第一方面,本申请提供了一种裂纹检测方法,所述方法包括:利用红外图像采集设备获取所述玻璃容器的背景特征图像,所述背景特征图像包括所述玻璃容器在第一温度时的不同角度的红外图像;
基于所述背景特征图像,获取所述玻璃容器的背景图像数据,所述背景图像数据用于指示所述玻璃容器在第一温度时的温度分布;
利用所述红外图像采集设备获取所述玻璃容器的目标特征图像,所述目标特征图像包括所述玻璃容器在第二温度时的与所述第一温度时相同角度的红外图像,所述第二温度和所述第一温度不相同;
基于所述目标特征图像,获取所述玻璃容器的目标图像数据,所述目标图像数据用于指示所述玻璃容器在所述第二温度时的温度分布;
将所述背景图像数据和所述目标图像数据进行比对,确定所述玻璃容器的裂纹检测结果。
该技术方案的有益效果在于:一方面,只需要将两个不同温度点的玻璃容器的背景图像数据和目标图像数据进行比对,不需要实时采集玻璃容器在两个温度之间的红外图像和红外视频,使玻璃容器的裂纹检测更快捷,并减少裂纹检测过程中的硬件投入,利于采用本方法的裂纹检测设备的推广。
另一方面,所采集的是玻璃容器的红外图像,对玻璃容器是否透明、部分透明或不透明并不进行限制,对玻璃容器的裂纹检测的适用性比较好。
又一方面,可以通过背景图像数据和目标图像数据的比对的方式,将一些常规检测不易发现的盲区(例如瓶口、瓶颈的位置)的特征暴露出来,对玻璃容器的裂纹检测更准确。
又一方面,流水线周围环境的振动以及照明光源亮度的不均匀等都会在红外图像的采集中引入噪声。相比只获取单一的图像数据并从中计算裂纹检测结果,将玻璃容器所对应的背景图像数据和目标图像数据进行比对可以排除外部干扰,裂纹检测得到的结果准确度比较高,更适宜于投入到生产流水线中。
综上,通过玻璃容器在第一温度和第二温度时的温度分布的比对,可以较为快捷的获得玻璃容器的裂纹检测结果,对玻璃容器的适用性比较好,抗外部环境干扰的能力强。
在一些可选的实施方式中,所述利用红外图像采集设备获取玻璃容器的背景特征图像,包括:当所述玻璃容器位于第一位置且所述玻璃容器的温度是所述第一温度时,利用所述红外图像采集设备获取所述玻璃容器的多个不同角度的红外图像,并将多个不同角度的所述红外图像作为所述背景特征图像。
该技术方案的有益效果在于:在固定的位置得到第一温度的玻璃容器不同角度的红外图像,能得到较为准确的背景特征图像,获得准确的裂纹检测结果。
在一些可选的实施方式中,所述利用所述红外图像采集设备获取所述玻璃容器的目标特征图像,包括:当所述玻璃容器位于第二位置且所述玻璃容器的温度是所述第二温度时,利用所述红外图像采集设备获取所述玻璃容器的多个不同角度的红外图像,并将多个不同角度的所述红外图像作为所述目标特征图像。
该技术方案的有益效果在于:在固定的位置得到第二温度的玻璃容器不同角度的红外图像,能得到较为准确的目标特征图像,获得准确的裂纹检测结果。
在一些可选的实施方式中,所述方法还包括:利用传动设备将所述玻璃容器从所述第一位置移动到所述第二位置;在所述玻璃容器的移动过程中,利用温度调整设备将所述玻璃容器调整到所述第二温度。
该技术方案的有益效果在于:通过温度调整设备在第一位置和第二位置之间主动完成玻璃容器的温度调整,缩短裂纹检测的时间,提高裂纹检测效率。
在一些可选的实施方式中所述方法还包括:利用姿态调整设备调整所述玻璃容器的姿态,以使所述红外图像采集设备采集所述玻璃容器的不同角度的红外图像。
该技术方案的有益效果在于:通过姿态调整设备可以实现玻璃容器多角度的红外图像的采集,在玻璃容器有足够不同角度的红外图像用于裂纹检测以保证准确度的前提下减少了红外相机的使用数量,降低红外图像采集设备的硬件成本,减少裂纹检测系统中的硬件数量。裂纹检测系统中的硬件数量的减少,利于技术人员对硬件的动态的预防性维修以消除故障隐患,进而降低了流水线对硬件的维护量和维护成本,延长了流水线的设备运行周期,更适宜于使用在现代化的流水线中。
在一些可选的实施方式中,所述将所述背景图像数据和所述目标图像数据进行比对,确定所述玻璃容器的裂纹检测结果,包括:
计算所述背景图像数据和所述目标图像数据的第一相似度;
当所述第一相似度大于第一预设相似度阈值时,确定所述玻璃容器是合格品;
当所述第一相似度小于或等于所述第一预设相似度阈值时,确定所述玻璃容器是不合格品。
该技术方案的有益效果在于:可以利用红外图像采集设备获取玻璃容器的红外图像,从而得到玻璃容器的背景图像数据和目标图像数据,当检测到玻璃容器的背景图像数据和目标图像数据的比对结果大于预设相似度时,可以判断玻璃容器是合格品,该方法可以自动确定玻璃容器是否有裂纹,无需人工进行检查或对采集的玻璃容器的温度进行求差计算,提高了生产效率和品控质量。
在一些可选的实施方式中,所述方法还包括:
当所述第一相似度小于或等于所述第一预设相似度阈值时,检测所述玻璃容器是否满足预设修补条件;
当所述玻璃容器不满足所述预设修补条件时,将所述玻璃容器进行报废处理或回收再利用处理;
当所述玻璃容器满足所述预设修补条件时,将所述玻璃容器进行修补处理。
该技术方案的有益效果在于:通过预设修补条件,可以将部分可以再修补的玻璃容器进行再利用,进而降低了生产成本,节约了原材料的支出,将原有的被动节约转变为“节约就是效益”,更宜于将裂纹检测方法推广到生产性企业的流水线中。
在一些可选的实施方式中,所述基于所述背景特征图像,获取所述玻璃容器的背景图像数据,包括:
对所述背景特征图像进行去噪和滤波,得到所述背景图像数据;和/或,
所述基于所述目标特征图像,获取所述玻璃容器的目标图像数据,包括:
对所述目标特征图像进行去噪和滤波,得到所述目标图像数据。
该技术方案的有益效果在于:通过对背景特征图像和目标特征图像的去噪和滤波处理,所得到的背景图像数据和目标图像数据,受到噪声和失真的影响比较小,减少了裂纹检测的错误率。
在一些可选的实施方式中,所述第一温度的范围为10℃~25℃,所述第二温度的范围为35℃~50℃;或,
所述第一温度的范围为35℃~50℃,所述第二温度的范围为10℃~25℃。
该技术方案的有益效果在于:在生产企业的流水线上,较为容易实现上述第一温度和第二温度所处的温度范围,生产中的能耗可以控制在一个较低的水平。根据生产实际情况,若流水线的外部温度基本在上述温度范围,则无需对玻璃容器进行预加热以使其满足第一温度,进一步地节省了生产设备的投入和能源的消耗。
第二方面,本申请提供了一种裂纹检测装置,所述裂纹检测装置包括:
背景图像获取模块,用于利用红外图像采集设备获取玻璃容器的背景特征图像,所述背景特征图像包括所述玻璃容器在第一温度时的不同角度的红外图像;
背景数据获取模块,用于基于所述背景特征图像,获取所述玻璃容器的背景图像数据,所述背景图像数据用于指示所述玻璃容器在第一温度时的温度分布;
目标图像获取模块,用于利用所述红外图像采集设备获取所述玻璃容器的目标特征图像,所述目标特征图像包括所述玻璃容器在第二温度时的与所述第一温度时相同角度的红外图像,所述第二温度和所述第一温度不相同;
目标数据获取模块,用于基于所述目标特征图像,获取所述玻璃容器的目标图像数据,所述目标图像数据用于指示所述玻璃容器在所述第二温度时的温度分布;
裂纹比对模块,用于将所述背景图像数据和所述目标图像数据进行比对,确定所述玻璃容器的裂纹检测结果。
在一些可选的实施方式中,所述背景图像获取模块用于利用红外图像采集设备获取所述玻璃容器处于第一位置的所述背景特征图像;
所述种裂纹检测装置还用于实现:
利用传动设备将所述玻璃容器从所述第一位置移动到第二位置;
在所述玻璃容器的移动过程中,利用所述温度调整设备将所述玻璃容器调整到所述第二温度;
所述目标图像获取模块用于利用所述红外图像采集设备获取所述玻璃容器处于所述第二位置的所述目标特征图像。
在一些可选的实施方式中,所述种裂纹检测装置还用于实现:利用姿态调整设备调整所述玻璃容器的姿态,以使所述红外图像采集设备采集所述玻璃容器的不同角度的红外图像。
在一些可选的实施方式中,所述裂纹比对模块,包括:
第一相似度单元,用于计算所述背景图像数据和所述目标图像数据的第一相似度;
合格品确定单元,用于当所述第一相似度大于第一预设相似度阈值时,确定所述玻璃容器是合格品;
不合格品确定单元,用于当所述第一相似度小于或等于所述第一预设相似度阈值时,确定所述玻璃容器是不合格品。
在一些可选的实施方式中,所述裂纹比对模块还用于实现:
当所述第一相似度小于或等于所述第一预设相似度阈值时,检测所述玻璃容器是否满足预设修补条件;
当所述玻璃容器不满足所述预设修补条件时,将所述玻璃容器进行报废处理或回收再利用处理;
当所述玻璃容器满足所述预设修补条件时,将所述玻璃容器进行修补处理。
在一些可选的实施方式中,所述背景数据获取模块,包括:
第一预处理单元,用于对所述背景特征图像进行去噪和滤波,得到所述背景图像数据;
所述目标数据获取模块,包括:
第一预处理单元,用于对所述目标特征图像进行去噪和滤波,得到所述目标图像数据。
在一些可选的实施方式中,所述第一温度的范围为10℃~25℃,所述第二温度的范围为35℃~50℃;或,
所述第一温度的范围为35℃~50℃,所述第二温度的范围为10℃~25℃。
第三方面,本申请提供了一种裂纹检测设备,所述裂纹检测设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面的任一项方法的步骤。
第四方面,本申请提供了一种裂纹检测系统,所述裂纹检测系统用于对玻璃容器进行裂纹检测,所述裂纹检测系统包括第三方面所述的裂纹检测设备和红外图像采集设备,所述红外图像采集设备用于采集所述玻璃容器的红外图像。
第五方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面的任一项所述裂纹检测方法的步骤。
附图说明
下面结合附图和实施方式对本申请进一步说明。
图1示出了本申请提供的一种裂纹检测方法的流程示意图;
图2示出了本申请提供的一种裂纹检测系统的结构示意图;
图3示出了本申请提供的又一种裂纹检测方法的流程示意图;
图4示出了本申请提供的又一种裂纹检测系统的结构示意图;
图5示出了本申请提供的一种确定玻璃容器是否是合格品的流程示意图;
图6示出了本申请提供的一种确定玻璃容器是否满足预设修补条件的流程示意图;
图7示出了本申请提供的一种裂纹检测装置的结构示意图;
图8示出了本申请提供的一种裂纹检测设备的结构框图;
图9示出了本申请提供的一种用于实现裂纹检测方法的程序产品的结构示意图;
图10示出了本申请提供的一种西林瓶的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
本申请中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本申请实施例中出现的第一、第二等描述,仅作示意与区分描述对象之用,没有次序之分,也不表示本申请实施例中对设备个数的特别限定,不能构成对本申请实施例的任何限制。
参见图1和图2,图1示出了本申请提供的一种裂纹检测方法的流程示意图,图2示出了本申请提供的一种裂纹检测系统的结构示意图。
所述裂纹检测方法例如可以应用于裂纹检测系统中的裂纹检测设备200,所述裂纹检测系统可以用于对玻璃容器进行裂纹检测,所述裂纹检测系统还可以包括:红外图像采集设备400,所述红外图像采集设备400用于采集所述玻璃容器的红外图像。
所述方法包括步骤S101~步骤S105。
步骤S101:利用红外图像采集设备获取玻璃容器的背景特征图像,所述背景特征图像包括所述玻璃容器在第一温度时的不同角度的红外图像。
步骤S102:基于所述背景特征图像,获取所述玻璃容器的背景图像数据,所述背景图像数据用于指示所述玻璃容器在第一温度时的温度分布。
步骤S103:利用所述红外图像采集设备获取所述玻璃容器的目标特征图像,所述目标特征图像包括所述玻璃容器在第二温度时的与所述第一温度时相同角度的红外图像,所述第二温度和所述第一温度不相同。
步骤S104:基于所述目标特征图像,获取所述玻璃容器的目标图像数据,所述目标图像数据用于指示所述玻璃容器在所述第二温度时的温度分布。
步骤S105:将所述背景图像数据和所述目标图像数据进行比对,确定所述玻璃容器的裂纹检测结果。
其中,所述裂纹检测结果可以用于指示所述玻璃容器是否有裂纹。
现有技术中,玻璃容器基于传统的机器视觉技术,运用光源、镜头、相机和软件算法的结合,再运用工业相机对图像开展采集,并运用视觉算法对采集的图像数据开展处理和分类,才能在流水线上实现对类型差距不大的玻璃容器进行连续性的检测。当针对不一样类型(外形、透明度等)的玻璃容器时,必须选择适宜的光源组合,才能使缺陷异物视觉对比度做到最高,使检测精度和准确性达到可以工业化使用的标准。
而本实施例的裂纹检测方法,是利用红外图像采集设备400获取并比对同一件玻璃容器的不同温度的背景图像数据和目标图像数据,以得到玻璃容器的裂纹检测结果。
由此,一方面,只需要将两个不同温度点的玻璃容器的背景图像数据和目标图像数据进行比对,不需要实时采集玻璃容器在两个温度之间的红外图像和红外视频,使玻璃容器的裂纹检测更快捷,并减少裂纹检测过程中的硬件投入,利于采用本方法的裂纹检测设备200的推广。
另一方面,所采集的是玻璃容器的红外图像,对玻璃容器是否透明、部分透明或不透明并不进行限制,对玻璃容器的裂纹检测的适用性比较好。
又一方面,可以将一些常规检测不易发现的盲区(例如瓶口、瓶颈的位置)的特征通过背景图像数据和目标图像数据的比对暴露出来,对玻璃容器的裂纹方面的检测更准确。
又一方面,流水线周围环境的振动以及照明光源亮度的不均匀等都会在红外图像的采集中引入噪声。相比只获取单一的图像数据并从中计算裂纹检测结果,将玻璃容器所对应的背景图像数据和目标图像数据进行比对可以排除外部干扰(与差分信号相类似),裂纹检测得到的结果准确度比较高,更适宜于投入到生产流水线中。
综上,通过玻璃容器在第一温度和第二温度时的温度分布的比对,可以较为快捷的获得玻璃容器的裂纹检测结果,对玻璃容器的适用性比较好,抗外部环境干扰的能力强。
其中,红外图像采集设备400可以包括一个或多个红外相机,本申请对红外相机的数量和规格不做限定,例如4个、6个、12个,红外相机可以是红外热像仪、热成像测温仪等各类采集红外图像数据的设备,也可以是与红外热像仪、热成像测温仪等用于采集红外图像数据的设备集成于一体的其它具备通信和存储功能的智能设备。本申请中的红外图像采集设备400无需包括红外摄像机,不需要通过红外摄像机采集玻璃容器在第一温度和第二温度之间的实时温度变化的视频,因此在裂纹检测过程中数据处理量小、资源占用少,适宜于生产流水线中玻璃容器裂纹检测的过程中的大规模推广。
本实施例对玻璃容器的规格不进行限制,例如,可以是西林瓶、圆形瓶、方形瓶、曲线形瓶、椭圆形瓶等;还可以是透明玻璃容器、半透明玻璃容器和不透明玻璃容器。
本实施例对裂纹检测结果不作限定,其例如可以采用中文、字母、数字、符号、特殊符号中的一种或多种来表示,不同的裂纹检测结果用于指示玻璃容器是否有裂纹。例如,裂纹检测结果可以是1、2、A@、无裂纹、#12C等。例如,当裂纹检测结果是1时,可以指示玻璃容器有裂纹;当裂纹检测结果是2时,可以指示玻璃容器没有裂纹。
本实施例对红外图像采集设备400中的每个红外相机相对玻璃容器的角度和位置不进行限制,通过对每个红外相机和玻璃容器之间相对的角度和位置的调整,红外图像采集设备400可以采集玻璃容器的不同角度的红外图像。例如,可以是多个红外相机相对玻璃容器呈45度倾角的情况下采集玻璃容器在多个方位的红外图像,也可以是多个红外相机相对玻璃容器呈40度仰角的情况下采集玻璃容器在多个方位的红外图像。
本实施例对第一温度和第二温度的大小不进行限制,只要满足第一温度和第二温度的值不同,使第一温度和第二温度时的上述玻璃容器的红外图像在整体上可以形成差异。例如,第一温度是10℃、30℃、60℃,第二温度是15℃、25℃、55℃。所采集的玻璃容器的红外图像可用于表征玻璃容器表面的温度分布(情况),可以理解为:红外图像中的每个像素都具有色彩数值,每个色彩数值可以指示所在像素的玻璃容器上对应区域的温度值。背景图像数据和目标图像数据所指示的玻璃容器的温度分布,可以理解为,玻璃容器的不同区域可以对应着不同的温度值。当透明容器上有裂纹时,玻璃容器从第一温度调整到第二温度,裂纹位置和非裂纹位置的温度变化幅值并不相同。
以西林瓶的裂纹检测为例,举例说明:参见图10,图10示出了本申请提供的一种西林瓶的结构示意图。西林瓶的瓶颈部相对瓶身较细且较为紧凑,瓶颈部也更容易出现裂纹。基于传统的机器视觉技术(例如背景技术中的专利CN113538417A公开的技术)对西林瓶进行裂纹检测,瓶颈部位的结构特征不便于提供适宜的光源,瓶颈部位的裂纹异物视觉对比度比较低,检测精度和准确性不容易达到可以工业化使用的标准。通过本实施例的裂纹检测方法,将同一西林瓶的背景图像数据和目标图像数据进行比对,红外图像不易受外部光源的影响,西林瓶的瓶颈部位能够充分暴露出来,对西林瓶的裂纹检测更准确。
在一个具体应用中,可以对背景特征图像进行预处理,例如,对所述背景特征图像进行去噪和滤波的预处理,可以得到所述背景图像数据。
还可以对目标特征图像进行预处理,例如,对所述目标特征图像进行去噪和滤波的预处理,可以得到所述目标图像数据。
由此,通过对背景特征图像和目标特征图像的去噪和滤波处理,所得到的背景图像数据和目标图像数据,受到噪声和失真的影响比较小,减少了裂纹检测的错误率。
本实施例对包括去噪和滤波的预处理方式不进行限制,例如,是专利CN114399433A所公开的一种红外图像去噪方法、专利CN109191387A所公开的一种红外图像去噪方法或专利CN111612706A所公开的红外图像的滤波方法。
参见图3和图4,图3示出了本申请提供的又一种裂纹检测方法的流程示意图,图4示出了本申请提供的又一种裂纹检测系统的结构示意图。
在一些可选的实施例中,所述裂纹检测系统还可以包括传动设备500和温度调整设备600,所述传动设备500用于调整所述玻璃容器的位置,所述温度调整设备600用于调整所述玻璃容器的温度。
所述步骤S101可以包括步骤S106:利用所述红外图像采集设备400获取所述玻璃容器处于第一位置的所述背景特征图像。
所述裂纹检测方法还可以包括步骤S107~S108。
步骤S107:利用传动设备500将所述玻璃容器从所述第一位置移动到第二位置。
步骤S108:在所述玻璃容器的移动过程中,利用所述温度调整设备600将所述玻璃容器调整到所述第二温度。
所述步骤S103可以包括步骤S109:利用所述红外图像采集设备400获取所述玻璃容器处于所述第二位置的所述目标特征图像。
由此,在第一位置和第二位置之间,通过温度调整设备600在玻璃容器移动的过程中主动完成玻璃容器温度的调整,进而缩短裂纹检测的时间,提高裂纹检测效率。可以理解为,在工业化生产中,因为工艺的控制,流水线中的玻璃容器移动到相同位置(例如第一位置)时,其温度相同。
本实施例对温度调整设备600不进行限制,例如,温度调整设备600可以是红外加热设备、PTC加热设备、微波加热设备等能实现玻璃容器温度均匀升高(或者非均匀升高)的加热设备,温度调整设备600还可以是半导体冷风机、冷风扇等能实现玻璃容器温度均匀降低(或者非均匀降低)的制冷设备。温度调整设备600可以设置在传动设备500的第一和第二位置之间的任意位置,以使玻璃容器通过传动设备500自第一位置向第二位置移动的过程中完成温度的调整。
本实施例对传动设备500不进行限制,例如,传动设备500可以是平顶链板输送机、柔性链输送机等。传动设备500还可以包括多个位置传感器,多个位置传感器用于获知玻璃容器的实时位置。例如,当位置传感器感测到玻璃容器传动到第二位置时,红外采集设备可以采集所述玻璃容器的不同角度的红外图像。例如,当位置传感器感测到玻璃容器传动到第一位置和第二位置之间时,温度调整设备600启动以将所述玻璃容器调整到所述第二温度。位置传感器可以在传动设备500的传动路线的两侧成对设置,这种情况下玻璃容器只有在一对位置传感器同时检测到时,才会启动温度调整设备600或使红外采集设备采集红外图像,避免了因生产过程中产生的振动引起的误动作。
在一些可选的实施例中,所述裂纹检测系统还可以包括姿态调整设备。
所述方法还可以包括利用所述姿态调整设备调整所述玻璃容器的姿态,以使所述红外图像采集设备采集所述玻璃容器的不同角度的红外图像。
由此,通过姿态调整设备可以实现玻璃容器多角度的红外图像的采集,在玻璃容器有足够不同角度的红外图像用于裂纹检测以保证准确度的前提下减少了红外相机的使用数量,降低红外图像采集设备的硬件成本,减少裂纹检测系统中的硬件数量。裂纹检测系统中的硬件数量的减少,利于技术人员对硬件的动态的预防性维修以消除故障隐患,进而降低了流水线对硬件的维护量和维护成本,延长了流水线的设备运行周期,更适宜于使用在现代化的流水线中。
本实施例对姿态调整设备不进行限制,例如,姿态调整设备可以是机械手设备、机器吸盘设备等,姿态调整设备可以带动玻璃容器翻转,进而使红外图像采集设备能够采集所述玻璃容器的不同角度的红外图像,可以减少红外图像采集设备中红外相机的数量,减小对红外图像采集设备的硬件要求。
所述玻璃容器的姿态可以是玻璃容器水平、倒立或以任意角度倾斜放置的姿态。可以认为,当红外图像采集设备呈45度倾角或仰角对准相对于玻璃容器时,红外图像采集设备可以采集玻璃容器的较大视角的红外图像,取得更好的红外图像采集效果。
参见图5,图5示出了本申请提供的一种确定玻璃容器是否是合格品的流程示意图。在一些可选的实施例中,所述步骤S105可以包括步骤S201~步骤S203。
S201:计算所述背景图像数据和所述目标图像数据的第一相似度。
S202:当所述第一相似度大于第一预设相似度阈值时,确定所述玻璃容器是合格品。
S203:当所述第一相似度小于或等于所述第一预设相似度阈值时,确定所述玻璃容器是不合格品。
由此,可以利用红外图像采集设备获取玻璃容器的红外图像,从而得到玻璃容器的背景图像数据和目标图像数据,当检测到玻璃容器的背景图像数据和目标图像数据的比对结果大于预设相似度时,可以判断玻璃容器是合格品,该方法可以自动确定玻璃容器是否有裂纹,无需人工进行检查或对采集的玻璃容器的温度进行求差计算,提高了生产效率和品控质量。
第一预设相似度阈值可以是预先设定的相似度阈值,例如80%、85%或者90%。
其中,计算第一相似度的方法可以是将所述背景图像数据和所述目标图像数据输入相似度模型,得到相似度模型输出的第一相似度。其中,所述相似度模型的训练过程可以如下:
获取相似度训练集,所述相似度训练集包括多个训练图像对及其对应的第一标注相似度,每个训练图像对包括一张对应第一温度的训练图像和一张对应第二温度的训练图像。利用所述相似度训练集对预设的第一深度学习模型进行训练,得到所述相似度模型。
所述利用所述相似度训练集对预设的深度学习模型进行训练,包括:
针对所述相似度训练集中的每组训练图像对,将所述训练图像对输入预设的第一深度学习模型,得到与所述训练图像对相对应的第一预测相似度;基于与所述训练图像对的相应的第一预测相似度以及第一标注相似度,对所述预设的第一深度学习模型的模型参数进行更新;检测是否满足预设的训练结束条件,若是,则停止训练,并将训练得到的所述预设的第一深度学习模型作为所述相似度模型,若否,则利用下一个所述训练图像对继续训练所述预设的深度学习模型。
在一些可选的实施例中,所述步骤S105还可以包括通过皮尔逊相关系数 (Pearson Correlation Coefficient )法判断玻璃容器是不是合格品。可以分别获取背景图像数据和目标图象数据中的温度值,通过皮尔逊相关系数法对背景图像数据和目标图像数据中的两组温度值进行判断,获取二者的线性相关关系。例如,当得到的皮尔逊系数的值大于0.8时,可认为两组温度值间高度相关,进而判断出所述玻璃容器是合格品。当得到的值小于或等于0.8时,可以认为所述玻璃容器是不合格品。由此,基于玻璃容器的背景图像数据和目标图像数据进行比对,能得到更客观的结果。
参见图6,图6示出了本申请提供的一种确定玻璃容器是否满足预设修补条件的流程示意图。在一些可选的实施例中,所述方法还可以包括步骤S110~步骤S112。
步骤S110:当所述第一相似度小于或等于所述第一预设相似度阈值时,检测所述玻璃容器是否满足预设修补条件。
步骤S111:当所述玻璃容器不满足所述预设修补条件时,将所述玻璃容器进行报废处理或回收再利用处理。
步骤S112:当所述玻璃容器满足所述预设修补条件时,将所述玻璃容器进行修补处理。
由此,通过预设修补条件,可以将部分可以再修补的玻璃容器进行再利用,进而降低了生产成本,节约了原材料的支出,将原有的被动节约转变为“节约就是效益”,更宜于将裂纹检测方法推广到生产性企业的流水线中。
其中,第二预设相似度阈值可以是预先设定的相似度阈值,例如70%、80%或者90%。预设修补条件可以是裂纹长度、裂纹深度、裂纹宽度的限制条件中的一个或多个组合。例如,预设修补条件可以是当[裂纹是直线型裂纹且裂纹长度小于4mm、裂纹宽度小于1mm]时可以修补;当[裂纹深度小于0.1mm]时可以修补;当[裂纹宽度小于1mm、裂纹长度小于3mm]时可以修补。
在一个具体应用中,可将满足所述预设修补条件的玻璃容器送入修补设备进行修补处理。例如,能够通过修补设备的机械手、机械吸盘等对玻璃容器固定、可以通过压缩空气等对裂纹进行清理、通过针管等对裂纹注入修复树脂、通过紫外线灯照射使树脂凝固,已实现对玻璃容器的裂纹修补。
举例说明:可以对玻璃容器进行品级划分,按照质量高低分为A+、A、B等级。第一相似度大于第一预设相似度阈值时的玻璃容器可以作为A+等级,满足所述预设修补条件的玻璃容器作为A等级,第一相似度小于第一预设相似度阈值且不满足所述预设修补条件的玻璃容器作为B等级。可以针对不同等级的玻璃容器进行不同的使用或销售策略。
在一些可选的实施例中,所述步骤S110还可以包括:
将所述目标图像数据输入裂纹检测模型,输出所述目标图像数据对应的预测裂纹类型和第二预测相似度;
当所述目标图像数据对应的第二预测相似度小于第二预设相似度阈值时,确定所述玻璃容器不满足所述预设修补条件;
当所述目标图像数据对应的第二预测相似度小于第二预设相似度阈值时,确定所述玻璃容器不满足所述预设修补条件。
由此,为修补设备对玻璃容器的修补设置筛选条件,若与最相似的裂纹类型的相似度仍然不是很高,例如第二预测相似度只有25%或者35%,没有达到第二预设相似度阈值(例如是85%),则可判定不满足预设修补条件,因此也不需要将所述玻璃容器送入修补设备进行修补处理。只有当第二预测相似度大于第二预设相似度阈值时,判定满足预设修补条件,才会将所述玻璃容器送入修补设备进行修补处理,避免对不满足修补条件的玻璃容器进行无意义的修补,更节能环保。
其中,所述裂纹检测模型可以用于将所述目标图像数据分别与裂纹数据库中的每个裂纹数据进行比对,得到所述输入信息与每个裂纹数据的相似度,将所述输入信息对应的多个相似度中最高的相似度作为所述输入信息对应的第二预测相似度,将与所述输入信息相似度最高的裂纹数据的裂纹类型作为所述输入数据对应的预测裂纹类型,并且输出所述输入数据对应的预测裂纹类型和第二预测相似度。同时,通过所输出的预测裂纹类型,还可以获得与其对应的修补策略,修补设备可以按照与输出的预测裂纹类型对应的修补策略对玻璃容器进行修补。
裂纹类型和预测裂纹类型分别可以是穿透裂纹、圆形裂纹、星型裂纹、翅型裂纹、直线型裂纹,还可以将上述类型的裂纹按照裂纹程度分为A级穿透裂纹、B级穿透裂纹、C级翅型裂纹等。裂纹数据库中的每个裂纹数据可以是裂纹的宽度、深度等。修补策略和预测修补策略可以是[裂纹清理,然后注入裂纹3ml树脂,最后使用紫外线灯照射裂纹使树脂凝固]、[注入裂纹10ml树脂,使用紫外线灯照射裂纹3分钟使树脂凝固]等。
举例说明:裂纹数据库中有100种裂纹数据,每种裂纹数据具有对应的裂纹类型,裂纹类型可以用字母、数字、汉字和特殊符号中的一个或多个来标识,例如可以表示成“穿透裂纹”、“A3”、“#星型裂纹#”等。裂纹检测模型将目标图像数据分别与100种裂纹数据进行比对,得到100个相似度,例如是:31%、60%、……、90%、……、70%,将其中最高的相似度90%作为第二预测相似度,将该90%相似度对应的裂纹数据的裂纹类型作为预测裂纹类型。
在一些可选的实施例中,所述第一温度的范围为10℃~25℃,所述第二温度的范围为35℃~50℃;或,所述第一温度的范围为35℃~50℃,所述第二温度的范围为10℃~25℃。
第一温度的范围为10℃~25℃是指第一温度可以是10℃~25℃之间的任意温度。第一温度的其他取值范围以及第二温度的取值范围与之相类似,此处不再赘述。
由此,在生产企业的流水线上,较为容易实现上述第一温度和第二温度所处的温度范围,生产中的能耗可以控制在一个较低的水平。根据生产实际情况,若流水线的外部温度基本在上述温度范围,则无需对玻璃容器进行预加热以使其满足第一温度,进一步地节省了生产设备的投入和能源的消耗。
参见图7,图7示出了本申请提供的一种裂纹检测装置的结构示意图,其具体实现方式与上述方法实施方式中记载的实施方式、所达到的技术效果一致,部分内容不再赘述。
所述裂纹检测装置可以应用于裂纹检测系统中的裂纹检测设备,所述裂纹检测系统可以用于对玻璃容器进行裂纹检测,所述裂纹检测系统还包括:
红外图像采集设备,所述红外图像采集设备用于采集所述玻璃容器的红外图像;
所述裂纹检测装置包括:
背景图像获取模块101,用于利用所述红外图像采集设备获取所述玻璃容器的背景特征图像,所述背景特征图像包括所述玻璃容器在第一温度时的不同角度的红外图像;
背景数据获取模块102,用于基于所述背景特征图像,获取所述玻璃容器的背景图像数据,所述背景图像数据用于指示所述玻璃容器在第一温度时的温度分布;
目标图像获取模块103,用于利用所述红外图像采集设备获取所述玻璃容器的目标特征图像,所述目标特征图像包括所述玻璃容器在第二温度时的与第一温度时相同角度的红外图像,所述第二温度和所述第一温度不相同;
目标数据获取模块104,用于基于所述目标特征图像,获取所述玻璃容器的目标图像数据,所述目标图像数据用于指示所述玻璃容器在所述第二温度时的温度分布;
裂纹比对模块105,用于将所述背景图像数据和所述目标图像数据进行比对,确定所述玻璃容器的裂纹检测结果。
其中,所述裂纹检测结果可以用于指示所述玻璃容器是否有裂纹。
在一些可选的实施例中,所述裂纹检测系统还可以包括传动设备和温度调整设备,所述传动设备用于调整所述玻璃容器的位置,所述温度调整设备用于调整所述玻璃容器的温度;
所述背景图像获取模块101用于利用所述红外图像采集设备获取所述玻璃容器处于第一位置的所述背景特征图像;
所述种裂纹检测装置还用于实现:
利用传动设备将所述玻璃容器从所述第一位置移动到第二位置;
在所述玻璃容器的移动过程中,利用所述温度调整设备将所述玻璃容器调整到所述第二温度;
所述目标图像获取模块103用于利用所述红外图像采集设备获取所述玻璃容器处于所述第二位置的所述目标特征图像。
在一些可选的实施例中,所述裂纹检测系统还包括姿态调整设备;
所述种裂纹检测装置还用于实现:利用所述姿态调整设备调整所述玻璃容器的姿态,以使所述红外图像采集设备采集所述玻璃容器的不同角度的红外图像。
在一些可选的实施例中,所述裂纹比对模块105还可以包括:
第一相似度单元,用于计算所述背景图像数据和所述目标图像数据的第一相似度;
合格品确定单元,用于当所述第一相似度大于第一预设相似度阈值时,确定所述玻璃容器是合格品;
不合格品确定单元,用于当所述第一相似度小于或等于所述第一预设相似度阈值时,确定所述玻璃容器是不合格品。
在一些可选的实施例中,所述裂纹比对模块105还用于实现:
当所述第一相似度小于或等于所述第一预设相似度阈值时,检测所述玻璃容器是否满足预设修补条件;
当所述玻璃容器不满足所述预设修补条件时,将所述玻璃容器进行报废处理或回收再利用处理;
当所述玻璃容器满足所述预设修补条件时,将所述玻璃容器进行修补处理。
在一些可选的实施例中,所述检测所述玻璃容器是否满足预设修补条件,包括:
将所述目标图像数据输入裂纹检测模型,输出所述目标图像数据对应的预测裂纹类型和第二预测相似度;
当所述目标图像数据对应的第二预测相似度小于第二预设相似度阈值时,确定所述玻璃容器不满足所述预设修补条件;
当所述目标图像数据对应的第二预测相似度小于第二预设相似度阈值时,确定所述玻璃容器不满足所述预设修补条件。
在一些可选的实施例中,所述背景数据获取模块102,包括:
第一预处理单元,用于对所述背景特征图像进行去噪和滤波,得到所述背景图像数据;
所述目标数据获取模块104,包括:
第一预处理单元,用于对所述目标特征图像进行去噪和滤波,得到所述目标图像数据。
在一些可选的实施例中,所述第一温度的范围为10℃~25℃,所述第二温度的范围为35℃~50℃;或,
所述第一温度的范围为35℃~50℃,所述第二温度的范围为10℃~25℃。
参见图8,图8示出了本申请提供的一种裂纹检测设备200的结构框图。裂纹检测设备200包括至少一个存储器210、至少一个处理器220以及连接不同平台系统的总线230。
存储器210可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)211和/或高速缓存存储器212,还可以进一步包括只读存储器(ROM)213。
其中,存储器210还存储有计算机程序,计算机程序可以被处理器220执行,使得处理器220实现上述实施方式中任一项方法的步骤,其具体实现方式与上述方法实施方式中记载的实施方式、所达到的技术效果一致,部分内容不再赘述。
存储器210还可以包括具有至少一个程序模块215的实用工具214,这样的程序模块215包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例的每一个或某种组合中可能包括网络环境的实现。
相应的,处理器220可以执行上述计算机程序,以及可以执行实用工具214。
处理器220可以采用一个或多个应用专用集成电路(ASIC,Application SpecificIntegrated Circuit)、DSP、可编程逻辑器件(PLD,ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD,Complex Programmable Logic Device)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)或其他电子元件。
总线230可以为表示几类总线结构的一种或多种,包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构的任意总线结构的局域总线。
裂纹检测设备200也可以与一个或多个外部设备240例如键盘、指向设备、蓝牙设备等通信,还可与一个或者多个能够与该裂纹检测设备200交互的设备通信,和/或与使得该裂纹检测设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入输出接口250进行。并且,裂纹检测设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器260可以通过总线230与裂纹检测设备200的其它模块通信。应当明白,尽管图中未示出,可以结合裂纹检测设备200使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
继续参见图2,图2示出了本申请提供的一种裂纹检测系统的结构示意图,其具体实现方式与上述方法实施方式中记载的实施方式、所达到的技术效果一致,部分内容不再赘述。
所述裂纹检测系统用于对玻璃容器进行裂纹检测,所述裂纹检测系统包括上述实施例提供的裂纹检测设备200和红外图像采集设备400,所述红外图像采集设备400用于采集所述玻璃容器的红外图像。
本申请还提供了一种计算机可读存储介质,该计算机可读存储介质用于存储计算机程序,所述计算机程序被执行时实现上述任一项方法的步骤,其具体实现方式与上述方法实施方式中记载的实施方式、所达到的技术效果一致,部分内容不再赘述。
参见图9,图9示出了本申请提供的一种用于实现裂纹检测方法的程序产品300的结构示意图。程序产品300可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品300不限于此,在本申请中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。程序产品300可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等,或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,程序设计语言包括面向对象的程序设计语言诸如Java、C++等,还包括常规的过程式程序设计语言诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
在本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,a和b,a和c,b和c或a和b和c,其中a、b和c可以是单个,也可以是多个。值得注意的是,“至少一项(个)”还可以解释成“一项(个)或多项(个)”。
本申请从使用目的上,效能上,进步及新颖性等观点进行阐述,已符合专利法所强调的功能增进及使用要件,本申请以上的说明书及说明书附图,仅为本申请的较佳实施例而已,并非以此局限本申请,因此,凡一切与本申请构造,装置,特征等近似、雷同的,即凡依本申请专利申请范围所作的等同替换或修饰等,皆应属本申请的专利申请保护的范围之内。
Claims (13)
1.一种裂纹检测方法,其特征在于,所述方法包括:
利用红外图像采集设备获取玻璃容器的背景特征图像,所述背景特征图像包括所述玻璃容器在第一温度时的不同角度的红外图像;
基于所述背景特征图像,获取所述玻璃容器的背景图像数据;其中,所述背景图像数据用于指示所述玻璃容器在第一温度时的温度分布;
利用所述红外图像采集设备获取所述玻璃容器的目标特征图像,所述目标特征图像包括所述玻璃容器在第二温度时的与所述第一温度时相同角度的红外图像,所述第二温度和所述第一温度不相同;
基于所述目标特征图像,获取所述玻璃容器的目标图像数据;其中,所述目标图像数据用于指示所述玻璃容器在所述第二温度时的温度分布;
将所述背景图像数据与所述目标图像数据进行比对,以确定所述玻璃容器的裂纹检测结果。
2.根据权利要求1所述的方法,其特征在于,所述利用红外图像采集设备获取玻璃容器的背景特征图像,包括:
当所述玻璃容器位于第一位置且所述玻璃容器的温度是所述第一温度时,利用所述红外图像采集设备获取所述玻璃容器的多个不同角度的红外图像,并将多个不同角度的所述红外图像作为所述背景特征图像。
3.根据权利要求2所述的方法,其特征在于,所述利用所述红外图像采集设备获取所述玻璃容器的目标特征图像,包括:
当所述玻璃容器位于第二位置且所述玻璃容器的温度是所述第二温度时,利用所述红外图像采集设备获取所述玻璃容器的多个不同角度的红外图像,并将多个不同角度的所述红外图像作为所述目标特征图像。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
利用传动设备将所述玻璃容器从所述第一位置移动到所述第二位置;
在所述玻璃容器的移动过程中,利用温度调整设备将所述玻璃容器调整到所述第二温度。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
利用姿态调整设备调整所述玻璃容器的姿态,以使所述红外图像采集设备采集所述玻璃容器的不同角度的红外图像。
6.根据权利要求1所述的方法,其特征在于,所述将所述背景图像数据与所述目标图像数据进行比对,确定所述玻璃容器的裂纹检测结果,包括:
计算所述背景图像数据和所述目标图像数据的第一相似度;
当所述第一相似度大于第一预设相似度阈值时,确定所述玻璃容器是合格品;
当所述第一相似度小于或等于所述第一预设相似度阈值时,确定所述玻璃容器是不合格品。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
当所述第一相似度小于或等于所述第一预设相似度阈值时,检测所述玻璃容器是否满足预设修补条件;
当所述玻璃容器不满足所述预设修补条件时,将所述玻璃容器进行报废处理或回收再利用处理;
当所述玻璃容器满足所述预设修补条件时,将所述玻璃容器进行修补处理。
8.根据权利要求1所述的方法,其特征在于,所述基于所述背景特征图像,获取所述玻璃容器的背景图像数据,包括:
对所述背景特征图像进行去噪和滤波,得到所述背景图像数据;和/或,
所述基于所述目标特征图像,获取所述玻璃容器的目标图像数据,包括:
对所述目标特征图像进行去噪和滤波,得到所述目标图像数据。
9.根据权利要求1所述的方法,其特征在于,所述第一温度的范围为10℃~25℃,所述第二温度的范围为35℃~50℃;或,
所述第一温度的范围为35℃~50℃,所述第二温度的范围为10℃~25℃。
10.一种裂纹检测装置,其特征在于,所述裂纹检测装置包括:
背景图像获取模块,用于利用红外图像采集设备获取玻璃容器的背景特征图像,所述背景特征图像包括所述玻璃容器在第一温度时的不同角度的红外图像;
背景数据获取模块,用于基于所述背景特征图像,获取所述玻璃容器的背景图像数据,所述背景图像数据用于指示所述玻璃容器在第一温度时的温度分布;
目标图像获取模块,用于利用所述红外图像采集设备获取所述玻璃容器的目标特征图像,所述目标特征图像包括所述玻璃容器在第二温度时的与所述第一温度时相同角度的红外图像,所述第二温度和所述第一温度不相同;
目标数据获取模块,用于基于所述目标特征图像,获取所述玻璃容器的目标图像数据,所述目标图像数据用于指示所述玻璃容器在所述第二温度时的温度分布;
裂纹比对模块,用于将所述背景图像数据和所述目标图像数据进行比对,确定所述玻璃容器的裂纹检测结果。
11.一种裂纹检测设备,其特征在于,所述裂纹检测设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1-9任一项所述方法的步骤。
12.一种裂纹检测系统,其特征在于,包括权利要求11所述的裂纹检测设备和红外图像采集设备。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-9任一项所述裂纹检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211092998.3A CN115205283B (zh) | 2022-09-08 | 2022-09-08 | 裂纹检测方法、装置、设备、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211092998.3A CN115205283B (zh) | 2022-09-08 | 2022-09-08 | 裂纹检测方法、装置、设备、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115205283A true CN115205283A (zh) | 2022-10-18 |
CN115205283B CN115205283B (zh) | 2022-12-27 |
Family
ID=83572113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211092998.3A Active CN115205283B (zh) | 2022-09-08 | 2022-09-08 | 裂纹检测方法、装置、设备、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115205283B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR1098579A (fr) * | 1954-01-18 | 1955-08-08 | Cie Reunies Glaces Et Verres | Procédé de fissuration d'une feuille de verre à travers toute son épaisseur |
CN101713756A (zh) * | 2009-12-24 | 2010-05-26 | 首都师范大学 | 非接触超声热激励红外热成像无损检测方法和系统 |
CN104502409A (zh) * | 2014-12-17 | 2015-04-08 | 西安交通大学 | 基于阵列激光源的结构表面裂纹红外无损检测及成像方法 |
CN206935825U (zh) * | 2017-06-22 | 2018-01-30 | 山东明佳科技有限公司 | 一种玻璃容器制造颈部裂纹缺陷视觉检测系统 |
-
2022
- 2022-09-08 CN CN202211092998.3A patent/CN115205283B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR1098579A (fr) * | 1954-01-18 | 1955-08-08 | Cie Reunies Glaces Et Verres | Procédé de fissuration d'une feuille de verre à travers toute son épaisseur |
CN101713756A (zh) * | 2009-12-24 | 2010-05-26 | 首都师范大学 | 非接触超声热激励红外热成像无损检测方法和系统 |
CN104502409A (zh) * | 2014-12-17 | 2015-04-08 | 西安交通大学 | 基于阵列激光源的结构表面裂纹红外无损检测及成像方法 |
CN206935825U (zh) * | 2017-06-22 | 2018-01-30 | 山东明佳科技有限公司 | 一种玻璃容器制造颈部裂纹缺陷视觉检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115205283B (zh) | 2022-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Surface defects detection based on adaptive multiscale image collection and convolutional neural networks | |
CN102519972B (zh) | 一种pet瓶瓶盖和液位的检测方法 | |
CN101566582B (zh) | 基于机器视觉的粉针剂生产中药瓶标贴信息在线检测系统 | |
CN112452801A (zh) | 一种高效率的玻璃瓶缺陷在线检测装置及其工作方法 | |
CN108896574B (zh) | 一种基于机器视觉的瓶装白酒杂质检测方法及系统 | |
CN110827256B (zh) | 透明构件缺陷的光学和热红外多级成像检测方法及装置 | |
CN1719236A (zh) | 多视觉空瓶质量检测方法及多视觉空瓶检测机器人 | |
CN110490842B (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
CN104483320B (zh) | 工业脱硝催化剂的数字化缺陷检测装置与检测方法 | |
CN113221889B (zh) | 一种芯片字符抗干扰识别方法及装置 | |
CN205253585U (zh) | 一种镜片瑕疵精密检测系统 | |
CN105403147A (zh) | 一种基于嵌入式的瓶胚检测系统和检测方法 | |
CN102621156A (zh) | 基于图像处理的微小零件自动分拣系统 | |
CN112132796A (zh) | 以反馈数据自主学习提升检测精度的视觉检测方法和系统 | |
CN112362674A (zh) | 一种基于人工智能视觉技术的输液袋异物识别方法及检测方法 | |
CN201689062U (zh) | 一种用于pet瓶口质量检测的装置 | |
CN204731167U (zh) | 一种瓶装产品外包装标签喷码缺陷检测系统 | |
CN112129783A (zh) | 基于深度学习的透明药瓶底部缺陷检测装置与检测方法 | |
CN115205283B (zh) | 裂纹检测方法、装置、设备、系统及存储介质 | |
CN114463285A (zh) | 一种多级网络融合圆钢表面缺陷检测方法及图像采集装置 | |
CN114359155A (zh) | 一种覆膜方法及系统 | |
CN114324398A (zh) | 一种药食品包装标签智能视觉检测系统及检测方法 | |
CN113808104A (zh) | 一种基于分块的金属表面缺陷检测方法及系统 | |
WO2023126609A1 (fr) | Procede et dispositif d'inspection de recipients chauds en verre en vue d'identifier des defauts | |
CN113327243B (zh) | 基于AYOLOv3-Tiny新框架的PAD导光板缺陷可视化检测方法 |
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 |