CN116109592A - 一种出料侧缺损视觉检测方法、系统及存储介质 - Google Patents

一种出料侧缺损视觉检测方法、系统及存储介质 Download PDF

Info

Publication number
CN116109592A
CN116109592A CN202310107374.2A CN202310107374A CN116109592A CN 116109592 A CN116109592 A CN 116109592A CN 202310107374 A CN202310107374 A CN 202310107374A CN 116109592 A CN116109592 A CN 116109592A
Authority
CN
China
Prior art keywords
standard
deviation value
value
obtaining
product
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
Application number
CN202310107374.2A
Other languages
English (en)
Other versions
CN116109592B (zh
Inventor
赵洪林
董月厚
姜金花
李倩
沈琦
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.)
TIANJIN BOSHI FENGTONG TECHNOLOGY CO LTD
Original Assignee
TIANJIN BOSHI FENGTONG 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 TIANJIN BOSHI FENGTONG TECHNOLOGY CO LTD filed Critical TIANJIN BOSHI FENGTONG TECHNOLOGY CO LTD
Priority to CN202310107374.2A priority Critical patent/CN116109592B/zh
Publication of CN116109592A publication Critical patent/CN116109592A/zh
Application granted granted Critical
Publication of CN116109592B publication Critical patent/CN116109592B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • 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

Abstract

本发明公开了一种出料侧缺损视觉检测方法、系统及存储介质，属于视觉检测技术领域，其中，检测方法包括出料产品放置在出料传送带上，在传送过程中通过视觉摄像头拍摄获取出料产品图像；选取出料产品图像的侧边基准点和对角基准点，将出料产品图像摆正，使其与标准产品图像重合；将出料产品图像和标准产品图像进行对比，根据第一对比标准得到平面波浪偏差值，根据第二对比标准得到毛刺偏差值，根据第三对比标准得到焊接缝隙偏差值，根据第四对比标准得到整体尺寸偏差值；代入缺损评估模型得出出料产品的缺损评估值；如果缺损评估值小于预设阈值，则继续将出料产品传送到预设位置，否则，则将出料产品从出料传送带上取下。

Description

一种出料侧缺损视觉检测方法、系统及存储介质
技术领域
本发明涉及视觉检测技术领域，具体涉及一种出料侧缺损视觉检测方法、系统及存储介质。
背景技术
加工元件由各个部件焊接形成，加工完成的元件放置在传送带上，通过传送带送到指定位置。在指定位置处对此加工元件进行检测，判断此加工元件的质量是否合格，合格的产品投放使用，不合格的产品进行销毁或二次加工。
在检测过程中，需要对加工元件的多个项目进行检测，就需要制备多套检具。在检测过程中，质检员需要将统一产品依次分别通过不同的检具上进行不同项目的检测，普遍存在检测效率低下的问题。人工成本高，产品生产周期长，而且在产品频繁更换检具进行检测过程中会导致产品以及检具本身造成磨损损耗，生产成本高，一定程度上降低产品的使用寿命。
因此，如何提供一种检测方法，使其将多个项目的检测统一化，节省检测时间，避免使用多个检具检测，延长产品的使用寿命，是本领域技术人员亟待解决的技术问题。
发明内容
为此，本发明提供一种出料侧缺损视觉检测方法、系统及存储介质，以解决现有技术中由于加工元件需要不同的检具单独检测而导致的检测效率低的问题。
为了实现上述目的，本发明提供如下技术方案：
根据本发明的第一方面，提供了一种出料侧缺损视觉检测方法，包括以下步骤：
S1：出料产品放置在出料传送带上，所述出料产品包括主体面和挂耳面，在传送过程中通过视觉摄像头拍摄获取出料产品图像；
S2：选取所述出料产品图像的侧边基准点和对角基准点，通过摆正原则和标准产品图像，将所述出料产品图像摆正，使其与标准产品图像重合；
S3：将所述出料产品图像和所述标准产品图像进行对比，根据第一对比标准得到平面波浪偏差值，根据第二对比标准得到毛刺偏差值，根据第三对比标准得到焊接缝隙偏差值，根据第四对比标准得到整体尺寸偏差值；
S4：学习训练模型收集数据集，所述数据集为出料产品的缺损数据，所述数据集经过所述学习训练模型训练得出缺损评估模型，代入步骤S3收集的偏差数据得出所述出料产品的缺损评估值；
S5：如果缺损评估值小于预设阈值，则继续将出料产品传送到预设位置，否则，则将出料产品从出料传送带上取下。
进一步地，所述步骤S3中第一对比标准具体包括：
获取所述出料产品的平面上波浪的凸起角度和凸起高度，形成凸起角度数据集和凸起高度数据集，代入波浪评估模型，得到所述出料产品的波浪评估值；
获取所述标准产品的平面上波浪的标准凸起角度和标准凸起高度，代入波浪评估模型，得到所述标准产品的波浪标准值；
根据波浪评估值与波浪标准值相减得出平面波浪偏差值。
进一步地，所述波浪评估模型为：
其中，P为波浪评估值，为波浪的凸起高度，为波浪的凸起角度，n1表示凸起角度数据集和凸起高度数据集内的参数的个数，i1的取值范围为大于等于1小于等于n1的整数。
进一步地，所述缺损评估模型为：
其中，Q为出料产品的缺损评估值，A1为平面波浪偏差值，K1为平面波浪偏差值的预设权重，A2为毛刺偏差值，K2为毛刺偏差值的预设权重，A3为到焊接缝隙偏差值，K3为到焊接缝隙偏差值的预设权重，A4为整体尺寸偏差值，K4为整体尺寸偏差值的预设权重。
进一步地，所述步骤S3中第二对比标准具体包括：
获取所述出料产品上的毛刺高度，形成毛刺高度的数据集；
获取所述标准产品的标准毛刺高度，代入毛刺偏差评估模型中，得到所述出料产品的毛刺偏差值；
所述毛刺偏差评估模型为：
其中，A2为毛刺偏差值，为出料产品上的毛刺的高度，为标准产品的标准毛刺高度，n2表示毛刺高度的数据集内的参数的个数，i2的取值范围为大于等于1小于等于n2的整数。
进一步地，所述步骤S3中第三对比标准具体包括：
获取所述出料产品上的焊接缝隙的间隙距离w和所述标准产品上的焊接缝隙的标准间隙距离，代入焊接缝隙偏差值的预设函数，得到焊接缝隙偏差值。
进一步地，所述步骤S3中的第四对比标准具体包括：
将出料产品图像和标准产品图像进行对比，将出料产品的主体面划分不同的区域，得出不同区域内的主体尺寸偏差值；
对比挂耳面得出挂耳尺寸偏差值；
不同区域内主体尺寸偏差值和挂耳尺寸偏差值代入尺寸偏差公式得出整体尺寸偏差值。
进一步地，所述尺寸偏差公式为：
其中，A4为整体尺寸偏差值，为第i3个区域内的主体尺寸偏差值，为挂耳尺寸偏差值，K5为主体尺寸偏差值的预设权重，K6为挂耳尺寸偏差值的预设权重，n3表示出料产品的主体面划分的区域的个数，i3的取值范围为大于等于1小于等于n3的整数。
根据本发明的第二方面，提供了一种出料侧缺损视觉检测系统，包括：
视觉摄像头，用于拍摄所述出料产品的产品图像；
存储器，用于存储计算机执行指令；
报警单元，用于在出料产品的缺损评估值大于预设阈值时，发出警报；
处理器，用于执行所述存储器存储的所述计算机执行指令，以使所述系统执行上述任一项所述的出料侧缺损视觉检测方法。
根据本发明的第三方面，提供了一种存储介质，包括程序和指令，当所述程序或指令在计算机上运行时，上述一项所述的出料侧缺损视觉检测方法被实现。
本发明具有如下优点：
本发明通过出料产品图像和标准产品图像进行对比，根据第一对比标准得到平面波浪偏差值，根据第二对比标准得到毛刺偏差值，根据第三对比标准得到焊接缝隙偏差值，根据第四对比标准得到整体尺寸偏差值。根据缺损评估模型得出出料产品的缺损评估值，根据缺损评估值确定出料产品是否合格。避免在出料产品使用多种检具进行检测，节省工作时间。在传送过程中，合格的产品继续传送，不合格的产品取下，在传送时就能完成质量检测，提高检测效率。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明提供的一种出料侧缺损视觉检测方法的流程图；
图2为本发明实施例提供的天窗框架的基准点标示图；
图3为本发明实施例提供的天窗框架的分布区域图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，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做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。
为了解决现有技术中由于加工元件需要不同的检具单独检测而导致的检测效率低的问题。根据本发明的第一方面，提供了一种出料侧缺损视觉检测方法，如图1所示的，包括以下步骤：
S1：出料产品放置在出料传送带上，在传送过程中通过视觉摄像头拍摄获取出料产品图像。出料产品包括主体面和挂耳面，出料产品通过挂耳面固定在需要的设备上。
具体实施中，天窗框架通过挂耳面螺栓固定在汽车顶部。如图2所示的天窗框架由上下左右四部分焊接组成，天窗框架的左侧部分和右侧部分向后弯折设有挂耳面，天窗框架的正面为主体面。
S2：选取出料产品图像的侧边基准点和对角基准点，通过摆正原则和标准产品图像，将出料产品图像摆正，使其与标准产品图像重合。
具体实施中，如对汽车上的天窗框架进行检测，如图2所示的，在天窗框架上确定几个侧边基准点和对角基准点，侧边基准点包括第一基准点、第二基准点、第三基准点和第四基准点，对角基准点包括第五基准点和第六基准点。天窗框架的上端部分设有第一基准点和第二基准点，天窗框架的下端部分设有第三基准点和第四基准点，天窗框架的上端部分与左侧部分的焊接点附近设有第五基准点，天窗框架的上端部分与右侧部分的焊接点附近设有第六基准点。根据上述几个基准点确定位置，使得天窗框架的出料产品图像与标准产品图像重合，便于找出出料产品与标准产品的偏差。
S3：将出料产品图像和标准产品图像进行对比，根据第一对比标准得到平面波浪偏差值，根据第二对比标准得到毛刺偏差值，根据第三对比标准得到焊接缝隙偏差值，根据第四对比标准得到整体尺寸偏差值。
具体实施例中，天窗框架的四部分架体上均有可能出现平面波浪、毛刺和尺寸不符的生产瑕疵，同时在四部分架体之间的焊接过程中出现误差。上述误差出现，会导致天窗框架无法完全吻合设在汽车的顶部，容易造成漏风漏水等情况，不符合工厂的生产标准。
S4：学习训练模型收集数据集，数据集为出料产品的缺损数据，数据集经过学习训练模型训练得出缺损评估模型，代入步骤S3收集的偏差数据得出出料产品的缺损评估值。
缺损评估模型为：
其中，Q为出料产品的缺损评估值，A1为平面波浪偏差值，K1为平面波浪偏差值的预设权重，A2为毛刺偏差值，K2为毛刺偏差值的预设权重，A3为到焊接缝隙偏差值，K3为到焊接缝隙偏差值的预设权重，A4为整体尺寸偏差值，K4为整体尺寸偏差值的预设权重。
为了评估天窗框架的质量，提出缺损评估模型。根据生产瑕疵对天窗整体质量的影响，设置预设权重。如平面波浪对天窗框架的平整度影响更大，其预设权重也比其他特征权重数值大。将出料产品的缺损整体进行评估，避免在出料产品使用多种检具进行检测，节省工作时间。
S5：如果缺损评估值小于预设阈值，则继续将出料产品传送到预设位置，否则，则将出料产品从出料传送带上取下。在传送过程中，合格的产品继续传送，不合格的产品取下，在传送时就能完成质量检测，提高检测效率。
进一步地，步骤S3中第一对比标准具体包括：
获取出料产品的平面上波浪的凸起角度和凸起高度，形成凸起角度数据集和凸起高度数据集，代入波浪评估模型，得到出料产品的波浪评估值P1；
获取标准产品的平面上波浪的标准凸起角度和标准凸起高度，代入波浪评估模型，得到标准产品的波浪标准值P2；
波浪评估模型为：
其中，P为波浪评估值，为波浪的凸起高度，为波浪的凸起角度，n1表示凸起角度数据集和凸起高度数据集内的参数的个数，i1的取值范围为大于等于1小于等于n1的整数。
根据波浪评估值与波浪标准值相减得出平面波浪偏差值，即A1= P1- P2。
天窗框架的平面上如果在生产过程中出现波浪，就会影响天窗框架与汽车的贴合度，容易使积水流入汽车内。凸起角度指波浪的最高点沿波浪的内壁向外形成的夹角，凸起高度指波浪的最高点到平面之间的距离。平面波浪凸起角度越大表明占据在平面的范围更大，平面波浪凸起高度越大表明天窗与汽车之间的缝隙越大。面波浪偏差值越大表明产品质量越次。
进一步地，步骤S3中第二对比标准具体包括：
获取出料产品上的毛刺高度，形成毛刺高度的数据集；
获取标准产品的标准毛刺高度，代入毛刺偏差评估模型中，得到出料产品的毛刺偏差值；
毛刺偏差评估模型为：
其中，A2为毛刺偏差值，为出料产品上的毛刺的高度，为标准产品的标准毛刺高度，n2表示毛刺高度的数据集内的参数的个数，i2的取值范围为大于等于1小于等于n2的整数。
如果出料产品上的毛刺高度与标准产品的毛刺高度偏离程度大，则表明产品质量越次。
进一步地，步骤S3中第三对比标准具体包括：
获取出料产品上的焊接缝隙的间隙距离w和标准产品上的焊接缝隙的标准间隙距离，代入焊接缝隙偏差值的预设函数，得到焊接缝隙偏差值A3。如果焊接缝隙偏差值越大，则表明产品质量越次。
进一步地，步骤S3中的第四对比标准具体包括：
将出料产品图像和标准产品图像进行对比，如图3所示的，将出料产品的主体面划分不同的区域，得出不同区域内的主体尺寸偏差值；
对比挂耳面得出挂耳尺寸偏差值；
不同区域内主体尺寸偏差值和挂耳尺寸偏差值代入尺寸偏差公式得出整体尺寸偏差值。
尺寸偏差公式为：
其中，A4为整体尺寸偏差值，为第i3个区域内的主体尺寸偏差值，为挂耳尺寸偏差值，K5为主体尺寸偏差值的预设权重，K6为挂耳尺寸偏差值的预设权重，n3表示出料产品的主体面划分的区域的个数，i3的取值范围为大于等于1小于等于n3的整数。
具体地，如图3所示的，将天窗框架图像划分为四个区域，四个区域包括第一区域、第二区域、第三区域和第四区域。每个区域内设有圆角和圆孔，得出圆角的弧度偏差和圆孔的开孔孔径偏差，同时得到每个区域内的长宽尺度偏差，整合得到主体尺寸偏差值。单独对比每个挂耳的尺度偏差，如挂耳弯折的弧度偏差，及挂耳上开孔的孔径偏差。
根据本发明的第二方面，提供了一种出料侧缺损视觉检测系统，包括：
视觉摄像头，用于拍摄出料产品的产品图像；
报警单元，用于在出料产品的缺损评估值大于预设阈值时，发出警报，提醒工作人员将不合格的出料产品从传送带上取下；
存储器，用于存储计算机执行指令；
处理器，用于执行存储器存储的计算机执行指令，以使系统执行上述任一项的出料侧缺损视觉检测方法。
根据本发明的第三方面，提供了一种存储介质，包括程序和指令，当程序或指令在计算机上运行时，上述一项的出料侧缺损视觉检测方法被实现。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种出料侧缺损视觉检测方法，其特征在于，包括以下步骤：
S1：出料产品放置在出料传送带上，所述出料产品包括主体面和挂耳面，在传送过程中通过视觉摄像头拍摄获取出料产品图像；
S2：选取所述出料产品图像的侧边基准点和对角基准点，通过摆正原则和标准产品图像，将所述出料产品图像摆正，使其与标准产品图像重合；
S3：将所述出料产品图像和所述标准产品图像进行对比，根据第一对比标准得到平面波浪偏差值，根据第二对比标准得到毛刺偏差值，根据第三对比标准得到焊接缝隙偏差值，根据第四对比标准得到整体尺寸偏差值；
S4：学习训练模型收集数据集，所述数据集为出料产品的缺损数据，所述数据集经过所述学习训练模型训练得出缺损评估模型，代入步骤S3收集的偏差数据得出所述出料产品的缺损评估值；
S5：如果缺损评估值小于预设阈值，则继续将出料产品传送到预设位置，否则，则将出料产品从出料传送带上取下。
2.如权利要求1所述的出料侧缺损视觉检测方法，其特征在于，所述步骤S3中第一对比标准具体包括：
获取所述出料产品的平面上波浪的凸起角度和凸起高度，形成凸起角度数据集和凸起高度数据集，代入波浪评估模型，得到所述出料产品的波浪评估值；
获取所述标准产品的平面上波浪的标准凸起角度和标准凸起高度，代入波浪评估模型，得到所述标准产品的波浪标准值；
根据波浪评估值与波浪标准值相减得出平面波浪偏差值。
3.如权利要求2所述的出料侧缺损视觉检测方法，其特征在于，所述波浪评估模型为：
其中，P为波浪评估值，为波浪的凸起高度，为波浪的凸起角度，n1表示凸起角度数据集和凸起高度数据集内的参数的个数，i1的取值范围为大于等于1小于等于n1的整数。
4.如权利要求1所述的出料侧缺损视觉检测方法，其特征在于，所述缺损评估模型为：
其中，Q为出料产品的缺损评估值，A1为平面波浪偏差值，K1为平面波浪偏差值的预设权重，A2为毛刺偏差值，K2为毛刺偏差值的预设权重，A3为到焊接缝隙偏差值，K3为到焊接缝隙偏差值的预设权重，A4为整体尺寸偏差值，K4为整体尺寸偏差值的预设权重。
5.如权利要求1所述的出料侧缺损视觉检测方法，其特征在于，所述步骤S3中第二对比标准具体包括：
获取所述出料产品上的毛刺高度，形成毛刺高度的数据集；
获取所述标准产品的标准毛刺高度，代入毛刺偏差评估模型中，得到所述出料产品的毛刺偏差值；
所述毛刺偏差评估模型为：
其中，A2为毛刺偏差值，为出料产品上的毛刺的高度，为标准产品的标准毛刺高度，n2表示毛刺高度的数据集内的参数的个数，i2的取值范围为大于等于1小于等于n2的整数。
6.如权利要求1所述的出料侧缺损视觉检测方法，其特征在于，所述步骤S3中第三对比标准具体包括：
获取所述出料产品上的焊接缝隙的间隙距离w和所述标准产品上的焊接缝隙的标准间隙距离，代入焊接缝隙偏差值的预设函数，得到焊接缝隙偏差值。
7.如权利要求1所述的出料侧缺损视觉检测方法，其特征在于，所述步骤S3中的第四对比标准具体包括：
将出料产品图像和标准产品图像进行对比，将出料产品的主体面划分不同的区域，得出不同区域内的主体尺寸偏差值；
对比挂耳面得出挂耳尺寸偏差值；
不同区域内主体尺寸偏差值和挂耳尺寸偏差值代入尺寸偏差公式得出整体尺寸偏差值。
8.如权利要求7所述的出料侧缺损视觉检测方法，其特征在于，所述尺寸偏差公式为：
其中，A4为整体尺寸偏差值，为第i3个区域内的主体尺寸偏差值，为挂耳尺寸偏差值，K5为主体尺寸偏差值的预设权重，K6为挂耳尺寸偏差值的预设权重，n3表示出料产品的主体面划分的区域的个数，i3的取值范围为大于等于1小于等于n3的整数。
9.一种出料侧缺损视觉检测系统，其特征在于，包括：
视觉摄像头，用于拍摄所述出料产品的产品图像；
报警单元，用于在出料产品的缺损评估值大于预设阈值时，发出警报；
存储器，用于存储计算机执行指令；
处理器，用于执行所述存储器存储的所述计算机执行指令，以使所述系统执行如权利要求1-8任一项所述的出料侧缺损视觉检测方法。
10.一种存储介质，其特征在于，包括程序和指令，当所述程序或指令在计算机上运行时，如权利要求1-8任一项所述的出料侧缺损视觉检测方法被实现。
CN202310107374.2A 2023-02-14 2023-02-14 一种出料侧缺损视觉检测方法、系统及存储介质 Active CN116109592B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310107374.2A CN116109592B (zh) 2023-02-14 2023-02-14 一种出料侧缺损视觉检测方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310107374.2A CN116109592B (zh) 2023-02-14 2023-02-14 一种出料侧缺损视觉检测方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN116109592A true CN116109592A (zh) 2023-05-12
CN116109592B CN116109592B (zh) 2023-06-30

Family

ID=86267030

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310107374.2A Active CN116109592B (zh) 2023-02-14 2023-02-14 一种出料侧缺损视觉检测方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN116109592B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078684A (zh) * 2023-10-17 2023-11-17 深圳市星标电子科技有限公司 一种led灯具视觉检测方法、系统及存储介质
CN117392133A (zh) * 2023-12-12 2024-01-12 江苏中科云控智能工业装备有限公司 一种基于机器视觉的压铸件毛刺检测系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102817639A (zh) * 2012-06-18 2012-12-12 北京航空航天大学 一种低应力波浪型接触面直榫连接结构
CN205138423U (zh) * 2015-11-02 2016-04-06 广州市沃佳软件技术有限公司 基于机器视觉的产品外观尺寸一般性检测系统
CN111659983A (zh) * 2020-07-03 2020-09-15 中铁十局集团西北工程有限公司 一种波形钢腹板钢混组合梁焊接施工工艺
CN114994061A (zh) * 2022-08-01 2022-09-02 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) 一种基于机器视觉的钢轨智能化检测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102817639A (zh) * 2012-06-18 2012-12-12 北京航空航天大学 一种低应力波浪型接触面直榫连接结构
CN205138423U (zh) * 2015-11-02 2016-04-06 广州市沃佳软件技术有限公司 基于机器视觉的产品外观尺寸一般性检测系统
CN111659983A (zh) * 2020-07-03 2020-09-15 中铁十局集团西北工程有限公司 一种波形钢腹板钢混组合梁焊接施工工艺
CN114994061A (zh) * 2022-08-01 2022-09-02 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) 一种基于机器视觉的钢轨智能化检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
金侠挺: ""基于深度学习的高铁钢轨表面缺陷检测方法研究"", 《中国优秀硕士学位论文全文数据库 工程科技辑》, no. 3, pages 1 - 108 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078684A (zh) * 2023-10-17 2023-11-17 深圳市星标电子科技有限公司 一种led灯具视觉检测方法、系统及存储介质
CN117078684B (zh) * 2023-10-17 2023-12-15 深圳市星标电子科技有限公司 一种led灯具视觉检测方法、系统及存储介质
CN117392133A (zh) * 2023-12-12 2024-01-12 江苏中科云控智能工业装备有限公司 一种基于机器视觉的压铸件毛刺检测系统及方法
CN117392133B (zh) * 2023-12-12 2024-02-20 江苏中科云控智能工业装备有限公司 一种基于机器视觉的压铸件毛刺检测系统及方法

Also Published As

Publication number Publication date
CN116109592B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
CN116109592B (zh) 一种出料侧缺损视觉检测方法、系统及存储介质
US20190073760A1 (en) Methods and systems for improved quality inspection of products using a robot
CN115423813B (zh) 焊管表面焊接缺陷检测方法
US7653235B2 (en) Surface anomaly detection system and method
EP3556576A1 (en) Process and system for the detection of defects in a tyre
CN102589435A (zh) 噪声环境下激光束中心高效精确检测方法
US9996766B2 (en) Imaging-based methods for detecting and measuring defects in extruded cellular ceramic articles
CN110503638B (zh) 螺旋胶质量在线检测方法
JP6126450B2 (ja) 検査装置
CN117252883B (zh) 焊接缺陷检测方法、装置和存储介质
US20230204520A1 (en) Ingot evaluation method and detecting apparatus
CN109300127A (zh) 缺陷检测方法、装置、计算机设备及存储介质
CN115861307B (zh) 基于人工智能的筋膜枪供电驱动板焊接故障检测方法
CN107941812B (zh) 信息处理方法及电子设备
CN113240667A (zh) 一种基于图像处理的汽车模具平面裂纹检测方法
US11682112B2 (en) Inspection device and machine learning method
US11521120B2 (en) Inspection apparatus and machine learning method
CN113838043A (zh) 金属箔材制造中基于机器视觉的质量分析方法
CN117058411B (zh) 电池棱边外形瑕疵识别方法、装置、介质和设备
JP5438466B2 (ja) 画像処理装置および画像処理方法
CN113469293B (zh) 面板阵列短路检测方法、装置、电子设备及存储介质
CN108428247B (zh) 焊锡点方向的检测方法和系统
CN113780235A (zh) 图标瑕疵检测方法及系统
CN113554645A (zh) 基于wgan的工业异常检测方法和装置
CN116385433B (zh) 一种塑料管道焊接质量评估方法

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
CB02 Change of applicant information

Address after: 300000 Jinghai Economic Development Zone north, Jinghai District, Tianjin

Applicant after: Tianjin Xiangshuo Body Technology Co.,Ltd.

Address before: 300000 Jinghai Economic Development Zone north, Jinghai District, Tianjin

Applicant before: TIANJIN BOSHI FENGTONG TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant