CN116087203A - 一种基于ai检测应用的型材在线质量检测方法及系统 - Google Patents

一种基于ai检测应用的型材在线质量检测方法及系统 Download PDF

Info

Publication number
CN116087203A
CN116087203A CN202211713948.2A CN202211713948A CN116087203A CN 116087203 A CN116087203 A CN 116087203A CN 202211713948 A CN202211713948 A CN 202211713948A CN 116087203 A CN116087203 A CN 116087203A
Authority
CN
China
Prior art keywords
detection
profile
image
area
parameter
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
Application number
CN202211713948.2A
Other languages
English (en)
Inventor
张翔宇
柳正顶
曹桂红
孔令意
刘翠
刘智慧
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.)
Anhui Conch Information Technology Engineering Co Ltd
Original Assignee
Anhui Conch Information Technology Engineering 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 Anhui Conch Information Technology Engineering Co Ltd filed Critical Anhui Conch Information Technology Engineering Co Ltd
Priority to CN202211713948.2A priority Critical patent/CN116087203A/zh
Publication of CN116087203A publication Critical patent/CN116087203A/zh
Pending 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
    • G01N21/88—Investigating the presence of flaws or contamination
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/954—Inspecting the inner surface of hollow bodies, e.g. bores
    • 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
    • G01N2021/0106—General arrangement of respective parts
    • G01N2021/0112—Apparatus in one mechanical, optical or electronic block
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing 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)
  • 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)
  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于AI检测应用的型材在线质量检测方法及系统，其中方法包括下列步骤：步骤1、从两端端面采集型材端部图像；步骤2、从顶部和左右两侧采集型材表面图像；步骤3、对采集的图像进行分析识别以检测缺陷；分析识别方法对型材的色差、划痕、表面字符、平整度平面、平整度芽面多个项目进行同步检测的方法。本发明引入应用AI算法，检测更精准，同时实现型材的色差、划痕、表面字符、平整度平面、平整度芽面多个项目的实时检测，因此检测效率远高于传统的人工检测；能有效控制不良品的流出，保证型材出场合格率。

Description

一种基于AI检测应用的型材在线质量检测方法及系统
技术领域
本发明属于塑钢型材制造检测技术领域，具体涉及一种基于AI检测应用的型材在线质量检测方法及系统。
背景技术
现有技术中，对型材质量的把控依托于人工抽检，存在劳动强度大、检测不全面、检测尺度不一、问题发现不及时等问题。型材质量检测涉及平整度平面检测、平整度芽面检测、型材表面的字符识别、色差识别和划痕检测等多种检测项目，显然现有的人工检测需要检测人员操作检具逐个项目检测，检测效率难以满足大批量检测的需要，并且容易受人为操作失误或错误判断影响，检测的可靠性相对较低，不能有效控制不良品的流出，型材出厂的合格率难以保证。
发明内容
本发明的目的是提供一种基于AI检测应用的型材在线质量检测方法，用于解决现有技术中人为检查型材质量因涉及检测项目较多，且人为操作检测容易出错，导致检测效率和检测结果的可靠性均不能满足要求的技术问题。
所述的一种基于AI检测应用的型材在线质量检测方法，包括下列步骤：
步骤1、从两端端面采集型材端部图像；
步骤2、从顶部和左右两侧采集型材表面图像；
步骤3、对采集的图像进行分析识别以检测缺陷；
分析识别方法对型材的色差、划痕、表面字符、平整度平面、平整度芽面多个项目进行同步检测的方法。
优选的，识别判断平整度平面的方法包括：在操作界面上绘制好左右两侧的平整度检测区域，将型材端部图像和检测区域传给系统；设定中值滤波的参数、最小圆度参数和根据长度过滤轮廓的参数；系统读取型材端部图像后，首先对图片进行中值滤波，然后对检测区域提取亚像素轮廓，将轮廓分割成直线和圆，最后对分割出来的轮廓按照圆度和长度进行筛选，如果筛选到了符合要求的轮廓，则表示面不平，反之表示面是平整的。
优选的，识别判断平整度芽面的方法包括：在操作界面上绘制好顶芽区域和顶芽临边区域，将型材端部图像、顶芽区域和顶芽临边区域传给系统；设定顶芽边缘提取参数、最小圆度参数和根据长度过滤轮廓的参数。定义公差变量gc1、gc2；之后提取顶芽的边缘，经过圆度和长度的筛选，得到符合要求的顶芽轮廓，然后获取每个轮廓上最高点的坐标；接着通过阈值分割提取顶芽临边轮廓，对轮廓求最小外接矩形，对最小外接矩形求骨架，然后拟合直线；最后计算顶芽上的点到直线的距离，对距离依据检测标准进行逻辑判断；如果最外侧两个顶芽长度之差大于公差变量gc1输出NG，即不合格，反之继续判断：内侧顶芽最长的如果大于两侧最大的公差变量gc2，则输出NG，即不合格；反之则输出OK，表明检测合格。
优选的，字符识别方法包括：在操作界面上绘制好字符搜索区域，将型材表面图片和搜索区域传给字符识别算法，设定判断汉字有无的阈值参数一、判断汉字是否完整的阈值参数二以及最小自信度，之后读取型材表面图像和搜索区域；首先用模板匹配判断字符中是否存在汉字，如果存在汉字，再用完整度模板判断汉字是否完整，如果不存在汉字或者完整度匹配得分很低再次进行OCR识别；根据上述字符识别算法依据参数阈值一进行判断，如果结果为有汉字，则用完整度匹配得分和我们设定的参数阈值一进行比较，若大于参数阈值二表示OK，即有汉字并识别输出汉字内容；其他情况表示NG，即无汉字；在结果为NG，即无汉字的情况下，对自信度求平均值，如果这个平均值大于我们指定的最小自信度表示字符完整，反之字符不完整。
优选的，OCR识别有两套算法，一套对应大字符和实体字符，一套对应点阵小字符；大字符和实体字符我们采用HALCON软件自带分类器，点阵小字符我们采用专门训练的分类器；根据采集的图像中字符的大小对上述两种算法进行切换，同时在自动运行时一种算法无法识别时会切换到另一种算法再次进行识别。
优选的，色差识别方法包括：在操作界面上绘制好表面检测区域，将型材表面图片和表面检测区域传给字符识别算法，设定高斯滤波核参数、长度过滤参数和面积过滤参数，之后读取型材表面图像和表面检测区域；从原图中裁剪检测区域，得到检测区域图像，获取检测区域图像的三通道R，G，B图像，对B空间域转频域，生成高斯滤波核，对B图像转换后的频域图片用滤波器在频域进行卷积运算，对卷积运算结果图片进行快速傅里叶反变换输出变换结果，将B图像与转换结果相减输出新的检测图像，从新的检测图像区域中检测获取线条，对得到的线条安装面积和长度通过长度过滤参数和面积过滤参数进行筛选；如果筛选到满足要求的线条，输出NG，表明存在表面色差缺陷；否则输出OK，表明合格。
优选的，划痕检测方法包括：在操作界面上绘制好表面刮痕检测区域，将型材表面图片和表面刮痕检测区域传给字符识别算法。设定均值滤波核大小参数，局部阈值分割参数，缺陷区域过滤参数和缺陷骨架过滤参数；从图像中裁剪出表面刮痕检测区域，输出检测区域图像，对检测区域图像做均值滤波，输出结果，输入检测区域图像和均值滤波的结果进行动态阈值分割，动态阈值分割的方法用局部阈值进行分割，之后提取两区和暗区的数据，对暗区和亮区做预处理输出连通区域图像，对连通区域图像先按面积进行过滤，过滤掉一些很小的刮痕，再按长度筛选出较长的刮痕，如果没有找到较长的刮痕，我们对连通区域图像进行膨胀得到膨胀后图像，然后对膨胀后图像转骨架，再按照长度和面积筛选出符合要求的骨架；如果从连通区域图像中筛选到了指定长度的刮痕，输出NG，表明存在划痕；如果骨架筛选中搜索到了满足要求的骨架，则输出NG，也表明存在划痕；否则输出OK，表面无划痕检测合格。
本发明还提供了一种基于AI检测应用的型材在线质量检测系统，采用前述的一种基于AI检测应用的型材在线质量检测方法，包括输送线、端面柜、表面柜、屏幕和型材在线检测平台，输送线通过所述端面柜和所述表面柜，所述端面柜控制相机采集型材端面图像，所述表面柜用于采集型材表面图像，型材端面图像和型材表面图像传输到所述型材在线检测平台，型材在线检测平台进行分析识别以检测缺陷，屏幕用于显示型材在线检测平台的检测结果。
优选的，端面柜由电机、相机、灯光、红外传感器组成，通过线体翻板信号触发电机转动，通过红外传感器触发相机拍照；表面柜由三个相机、灯光组成，分别拍摄型材的顶部与两边的照片。
本发明具有以下优点：本发明建立对型材进行图像采集、分析、检测的质量检测系统，引入应用AI算法，检测更精准，检测尺度把控更合理。该系统可做到对型材的色差、划痕、表面字符、平整度平面、平整度芽面多个项目进行同步检测，由于能同时实现多个项目的实时检测，因此检测效率远高于传统的人工检测。对比之前的人工抽检，能有效控制不良品的流出，保证型材出场合格率在99％以上。同时通过AI质量检测系统检测得到的数据能进一步用于分析统计，数据统计结果能够输出产线产量、不良率、瑕疵占比，平台汇总检测结果，通过回归模型计算分析输出质量检测指导意见，优化产线生产工艺。
附图说明
图1为本发明一种基于AI检测应用的型材在线质量检测系统的结构图。
图2为本发明一种基于AI检测应用的型材在线质量检测方法的流程图。
图3为本发明对型材端面图像检测平整度平面的图片。
图4为本发明对型材端面图像检测平整度芽面的图片。
图5为本发明对型材表面图像检测色差的图片。
图6为本发明对型材表面图像检测划痕的结果图。
具体实施方式
下面对照附图，通过对实施例的描述，对本发明具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
如图1-6所示，所述的一种基于AI检测应用的型材在线质量检测方法，包括下列步骤：
步骤1、从两端端面采集型材端部图像。
对型材端部图像的采集通过端面柜实现，型材上线后，触发线体翻板信号，从而让电机转动将相机置于正对型材端部的位置，输送线输送型材直至其端部触发红外传感器，进而触发相机拍照。相机拍照后电机带动相机复位，输送线输送型材后通过端面柜。
步骤2、从顶部和左右两侧采集型材表面图像。
对型材表面图像的采集通过表面柜实现，三个相机对型材的各个表面进行分段拍照采集，拍照时通过对每个图像的像素标定和对型材输送的线距离计算，判断是否进行下一图像的采集，完成后多个表面图像形成整个型材的型材表面图像。
步骤3、对采集的图像进行分析识别以检测缺陷。
具体包括下列分析识别方法。
一、平整度平面检测。
在操作界面上绘制好左右两侧的平整度检测区域，将型材端部图像和检测区域传给系统。设定中值滤波的参数、最小圆度参数和根据长度过滤轮廓的参数。系统读取型材端部图像后，为了过滤掉一些干扰，首先对图片进行中值滤波，然后对检测区域提取亚像素轮廓(可采用edges_sub_pix算子)，以′lines_circles′的形式将轮廓分割成直线和圆(可采用segment_contours_xld算子)，最后对分割出来的轮廓按照圆度和长度进行筛选(采用select_shape_xld算子)，如果筛选到了符合要求的轮廓，则表示面不平，反之表示面是平整的。
二、平整度芽面检测。
在操作界面上绘制好顶芽区域和顶芽临边区域，将型材端部图像、顶芽区域和顶芽临边区域传给系统。设定顶芽边缘提取参数、最小圆度参数和根据长度过滤轮廓的参数。定义公差变量gcl、gc2。
顶芽平整度的检测标准是：最外侧顶芽长度不能超出公差变量gc1，内侧顶芽最长的不能大于外侧最长的公差变量gc2。首先我们需要提取顶芽的边缘，经过圆度和长度的筛选，得到符合要求的顶芽轮廓，然后获取每个轮廓上最高点的坐标。其次通过阈值分割提取顶芽临边轮廓，对轮廓求最小外接矩形，对最小外接矩形求骨架，然后拟合直线。最后计算顶芽上的点到直线的距离，对距离依据前述的检测标准进行逻辑判断。如果最外侧两个顶芽长度之差大于公差变量gc1输出NG，即不合格，反之继续判断：内侧顶芽最长的如果大于两侧最大的公差变量gc2，则输出NG，即不合格；反之则输出OK，表明检测合格。
除了上述针对内筋进行检测的方法外，本系统通过对型材表面图像的分析识别还能用于进行型材表面的字符识别、色差识别和划痕检测。具体方法如下。
三、字符识别方法。
在操作界面上绘制好字符搜索区域，将型材表面图片和搜索区域传给字符识别算法。设定判断汉字有无的阈值参数一、判断汉字是否完整的阈值参数二以及最小自信度。之后读取型材表面图像和搜索区域。
读取图像后进行字符识别。字符识别分为两部分：带汉字的和纯字母数字组合。
首先我们会用模板匹配判断字符中是否存在汉字(是否存在汉字用的田字模板)，如果存在汉字，再用完整度模板判断汉字是否完整(完整度用汉字模板匹配)，如果不存在汉字或者完整度匹配得分很低我们都会再次进行OCR识别。
OCR识别：由于型材上的字符有大有小，有点阵的有实体的，有些模糊有些清楚。通过选择合适的分类器以及字符的分割参数，调用专门的字符识别算法就可以获取字符识别结果。OCR识别有两套算法，一套对应大字符和实体字符，一套对应点阵小字符；两套算法的不同之处在于分类器的不同和分割参数的不同，大字符和实体字符我们采用HALCON软件自带分类器，点阵小字符我们采用自己训练的分类器。根据采集的图像中字符的大小对上述两种算法进行切换，同时在自动运行时一种算法无法识别时会切换到另一种算法再次进行识别。
根据上述字符识别算法依据参数阈值一进行判断，如果结果为有汉字，则用完整度匹配得分和我们设定的参数阈值一进行比较，若大于参数阈值二表示OK，即有汉字并识别输出汉字内容；其他情况表示NG，即无汉字。
在结果为NG，即无汉字的情况下，评判OCR识别好坏我们对自信度求平均值，如果这个平均值大于我们指定的最小自信度表示字符完整，反之字符不完整。
四、色差识别方法。
在操作界面上绘制好表面检测区域，将型材表面图片和表面检测区域传给字符识别算法。设定高斯滤波核参数、长度过滤参数和面积过滤参数。之后读取型材表面图像和表面检测区域。
读取图像后从原图中裁剪检测区域，得到检测区域图像，获取检测区域图像的三通道R，G，B图像，对B空间域转频域，生成高斯滤波核，对B图像转换后的频域图片用滤波器在频域进行卷积运算，对卷积运算结果图片进行快速傅里叶反变换输出变换结果，将B图像与转换结果相减输出新的检测图像，从新的检测图像区域中检测获取线条(提取亮线或暗线，采用lines_gauss算子)，对得到的线条安装面积和长度通过长度过滤参数和面积过滤参数进行筛选。如果筛选到满足要求的线条，输出NG，表明存在表面色差缺陷；否则输出OK，表明合格。
五、划痕检测方法。
在操作界面上绘制好表面刮痕检测区域，将型材表面图片和表面刮痕检测区域传给字符识别算法。设定均值滤波核大小参数，局部阈值分割参数，缺陷区域过滤参数和缺陷骨架过滤参数。
读取图像后，从图像中裁剪出表面刮痕检测区域，输出检测区域图像，对检测区域图像做均值滤波，输出结果。输入检测区域图像和均值滤波的结果进行动态阈值分割，动态阈值分割的方法用局部阈值进行分割。之后提取两区和暗区的数据，对暗区和亮区做预处理输出连通区域图像(ConnectedRegions)，对连通区域图像先按面积进行过滤，过滤掉一些很小的刮痕，再按长度筛选出较长的刮痕，如果没有找到较长的刮痕，我们对连通区域图像进行膨胀得到膨胀后图像，然后对膨胀后图像转骨架，再按照长度和面积筛选出符合要求的骨架。
通过上述方法，如果从连通区域图像中筛选到了指定长度的刮痕，输出NG，表明存在划痕；如果骨架筛选中搜索到了满足要求的骨架，则输出NG，也表明存在划痕；否则输出OK，表面无划痕检测合格。
为应用上述的基于AI检测应用的型材在线质量检测方法，本发明还提供了一种基于AI检测应用的型材在线质量检测系统，包括输送线、端面柜、表面柜、屏幕和型材在线检测平台，输送线通过所述端面柜和所述表面柜，所述端面柜控制相机采集型材端面图像，所述表面柜用于采集型材表面图像。型材端面图像和型材表面图像传输到所述型材在线检测平台，型材在线检测平台通过前述的在线AI质量检测方法进行内筋弯曲、断筋、内筋卡料的检测，以及字符识别、色差识别和划痕检测。
端面柜由电机、相机、灯光、红外传感器组成，通过线体翻板信号触发电机转动，通过红外传感器触发相机拍照，用于检测内筋弯曲、断筋、卡料，以及平整度、端面的尺寸和壁厚。表面柜由三个相机、灯光组成，分别拍摄型材的顶部与两边的照片，用于检测型材的划痕、色差、字符完整度。屏幕用于显示型材在线检测平台的检测结果。
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的发明构思和技术方案进行的各种非实质性的改进，或未经改进将本发明构思和技术方案直接应用于其它场合的，均在本发明保护范围之内。

Claims (9)

1.一种基于AI检测应用的型材在线质量检测方法，其特征在于：包括下列步骤：
步骤l、从两端端面采集型材端部图像；
步骤2、从顶部和左右两侧采集型材表面图像；
步骤3、对采集的图像进行分析识别以检测缺陷；
分析识别方法对型材的色差、划痕、表面字符、平整度平面、平整度芽面多个项目进行同步检测的方法。
2.根据权利要求1所述的一种基于AI检测应用的型材在线质量检测方法，其特征在于：识别判断平整度平面的方法包括：在操作界面上绘制好左右两侧的平整度检测区域，将型材端部图像和检测区域传给系统；设定中值滤波的参数、最小圆度参数和根据长度过滤轮廓的参数；系统读取型材端部图像后，首先对图片进行中值滤波，然后对检测区域提取亚像素轮廓，将轮廓分割成直线和圆，最后对分割出来的轮廓按照圆度和长度进行筛选，如果筛选到了符合要求的轮廓，则表示面不平，反之表示面是平整的。
3.根据权利要求1所述的一种基于AI检测应用的型材在线质量检测方法，其特征在于：识别判断平整度芽面的方法包括：在操作界面上绘制好顶芽区域和顶芽临边区域，将型材端部图像、顶芽区域和顶芽临边区域传给系统；设定顶芽边缘提取参数、最小圆度参数和根据长度过滤轮廓的参数。定义公差变量gc1、gc2；之后提取顶芽的边缘，经过圆度和长度的筛选，得到符合要求的顶芽轮廓，然后获取每个轮廓上最高点的坐标；接着通过阈值分割提取顶芽临边轮廓，对轮廓求最小外接矩形，对最小外接矩形求骨架，然后拟合直线；最后计算顶芽上的点到直线的距离，对距离依据检测标准进行逻辑判断；如果最外侧两个顶芽长度之差大于公差变量gc1输出NG，即不合格，反之继续判断：内侧顶芽最长的如果大于两侧最大的公差变量gc2，则输出NG，即不合格；反之则输出OK，表明检测合格。
4.根据权利要求1所述的一种基于AI检测应用的型材在线质量检测方法，其特征在于：字符识别方法包括：在操作界面上绘制好字符搜索区域，将型材表面图片和搜索区域传给字符识别算法，设定判断汉字有无的阈值参数一、判断汉字是否完整的阈值参数二以及最小自信度，之后读取型材表面图像和搜索区域；首先用模板匹配判断字符中是否存在汉字，如果存在汉字，再用完整度模板判断汉字是否完整，如果不存在汉字或者完整度匹配得分很低再次进行OCR识别；根据上述字符识别算法依据参数阈值一进行判断，如果结果为有汉字，则用完整度匹配得分和我们设定的参数阈值一进行比较，若大于参数阈值二表示OK，即有汉字并识别输出汉字内容；其他情况表示NG，即无汉字；在结果为NG，即无汉字的情况下，对自信度求平均值，如果这个平均值大于我们指定的最小自信度表示字符完整，反之字符不完整。
5.根据权利要求4所述的一种基于AI检测应用的型材在线质量检测方法，其特征在于：OCR识别有两套算法，一套对应大字符和实体字符，一套对应点阵小字符；大字符和实体字符我们采用HALCON软件自带分类器，点阵小字符我们采用专门训练的分类器；根据采集的图像中字符的大小对上述两种算法进行切换，同时在自动运行时一种算法无法识别时会切换到另一种算法再次进行识别。
6.根据权利要求1所述的一种基于AI检测应用的型材在线质量检测方法，其特征在于：色差识别方法包括：在操作界面上绘制好表面检测区域，将型材表面图片和表面检测区域传给字符识别算法，设定高斯滤波核参数、长度过滤参数和面积过滤参数，之后读取型材表面图像和表面检测区域；从原图中裁剪检测区域，得到检测区域图像，获取检测区域图像的三通道R，G，B图像，对B空间域转频域，生成高斯滤波核，对B图像转换后的频域图片用滤波器在频域进行卷积运算，对卷积运算结果图片进行快速傅里叶反变换输出变换结果，将B图像与转换结果相减输出新的检测图像，从新的检测图像区域中检测获取线条，对得到的线条安装面积和长度通过长度过滤参数和面积过滤参数进行筛选；如果筛选到满足要求的线条，输出NG，表明存在表面色差缺陷；否则输出OK，表明合格。
7.根据权利要求1所述的一种基于AI检测应用的型材在线质量检测方法，其特征在于：划痕检测方法包括：在操作界面上绘制好表面刮痕检测区域，将型材表面图片和表面刮痕检测区域传给字符识别算法。设定均值滤波核大小参数，局部阈值分割参数，缺陷区域过滤参数和缺陷骨架过滤参数；从图像中裁剪出表面刮痕检测区域，输出检测区域图像，对检测区域图像做均值滤波，输出结果，输入检测区域图像和均值滤波的结果进行动态阈值分割，动态阈值分割的方法用局部阈值进行分割，之后提取两区和暗区的数据，对暗区和亮区做预处理输出连通区域图像，对连通区域图像先按面积进行过滤，过滤掉一些很小的刮痕，再按长度筛选出较长的刮痕，如果没有找到较长的刮痕，我们对连通区域图像进行膨胀得到膨胀后图像，然后对膨胀后图像转骨架，再按照长度和面积筛选出符合要求的骨架；如果从连通区域图像中筛选到了指定长度的刮痕，输出NG，表明存在划痕；如果骨架筛选中搜索到了满足要求的骨架，则输出NG，也表明存在划痕；否则输出OK，表面无划痕检测合格。
8.一种基于AI检测应用的型材在线质量检测系统，其特征在于：采用权利要求1-7中任一所述的一种基于AI检测应用的型材在线质量检测方法，包括输送线、端面柜、表面柜、屏幕和型材在线检测平台，输送线通过所述端面柜和所述表面柜，所述端面柜控制相机采集型材端面图像，所述表面柜用于采集型材表面图像，型材端面图像和型材表面图像传输到所述型材在线检测平台，型材在线检测平台进行分析识别以检测缺陷，屏幕用于显示型材在线检测平台的检测结果。
9.根据权利要求8所述的一种基于AI检测应用的型材在线质量检测系统，其特征在于：端面柜由电机、相机、灯光、红外传感器组成，通过线体翻板信号触发电机转动，通过红外传感器触发相机拍照；表面柜由三个相机、灯光组成，分别拍摄型材的顶部与两边的照片。
CN202211713948.2A 2022-12-27 2022-12-27 一种基于ai检测应用的型材在线质量检测方法及系统 Pending CN116087203A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211713948.2A CN116087203A (zh) 2022-12-27 2022-12-27 一种基于ai检测应用的型材在线质量检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211713948.2A CN116087203A (zh) 2022-12-27 2022-12-27 一种基于ai检测应用的型材在线质量检测方法及系统

Publications (1)

Publication Number Publication Date
CN116087203A true CN116087203A (zh) 2023-05-09

Family

ID=86213144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211713948.2A Pending CN116087203A (zh) 2022-12-27 2022-12-27 一种基于ai检测应用的型材在线质量检测方法及系统

Country Status (1)

Country Link
CN (1) CN116087203A (zh)

Similar Documents

Publication Publication Date Title
CN116721106B (zh) 一种基于图像处理的型材瑕疵视觉检测方法
WO2020248439A1 (zh) 一种基于图像处理的皇冠盖表面缺陷在线检测方法
TWI603074B (zh) 光學薄膜缺陷辨識方法及其系統
CN111667475B (zh) 一种基于机器视觉的大枣分级检测方法
TWI669519B (zh) 電路板瑕疵篩選方法及其裝置與電腦可讀取記錄媒體
CN108665458A (zh) 透明体表面缺陷提取及识别方法
CN111524101A (zh) 一种基于机器视觉技术的电子屏幕缺陷检测方法
CN111724375B (zh) 一种屏幕检测方法及系统
CN113706490B (zh) 一种晶片缺陷检测方法
CN110376211B (zh) 一种湿法涂胶的合成革卷边在线检测装置及方法
CN112669272B (zh) 一种aoi快速检测方法及快速检测系统
CN111426693A (zh) 一种质量缺陷检测系统及其检测方法
CN110007493A (zh) 液晶显示屏中碎亮点检测方法
WO2022222467A1 (zh) 开口圆环工件外观缺陷检测方法、系统及计算机存储介质
CN118014933A (zh) 一种基于图像检测的缺陷检测识别方法和装置
CN117455917B (zh) 一种蚀刻引线框架误报库建立及误报在线判定筛选方法
CN114418935A (zh) 用于手机tp框螺丝孔的检测识别方法及螺丝锁付装置
TWM606740U (zh) 瑕疵檢測系統
CN116087203A (zh) 一种基于ai检测应用的型材在线质量检测方法及系统
CN110624853A (zh) 一种在线魔幻棒视觉检测系统
CN115343313A (zh) 基于人工智能的视觉识别方法
KR20190119801A (ko) 차량 헤드라이트 얼라인먼트 보정 및 분류 방법 및 이를 이용한 차량 헤드라이트 불량검사 방법
CN115471684A (zh) 注塑工件模板匹配方法、电子设备及存储介质
CN114125435A (zh) 一种用于网络摄像机的图像缺陷智能检测方法
CN111583137A (zh) 一种基于机器视觉技术的电子屏幕色斑检测装置及方法

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