CN116363087A - 一种复合材料自动铺放表面缺陷的检测方法 - Google Patents
一种复合材料自动铺放表面缺陷的检测方法 Download PDFInfo
- Publication number
- CN116363087A CN116363087A CN202310289541.XA CN202310289541A CN116363087A CN 116363087 A CN116363087 A CN 116363087A CN 202310289541 A CN202310289541 A CN 202310289541A CN 116363087 A CN116363087 A CN 116363087A
- Authority
- CN
- China
- Prior art keywords
- image data
- composite material
- point cloud
- automatic
- cloud image
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000002131 composite material Substances 0.000 title claims abstract description 57
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 2
- 239000000835 fiber Substances 0.000 abstract description 7
- 230000010354 integration Effects 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000037303 wrinkles Effects 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
-
- 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
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及复合材料铺放表面缺陷检测技术领域,解决了现有技术对于复合材料铺放过程所产生缺陷检测效率以及识别精度低的技术问题,尤其涉及一种复合材料自动铺放表面缺陷的检测方法,包括以下步骤:S1、采用扫描系统对复合材料自动铺放过程的表面进行扫描,获得铺放后复合材料表面的点云图像数据;S2、对点云图像数据滤波处理并转化为灰度图像数据;S3、采用颜色编码定义灰度图像数据中的各种缺陷建立训练集;S4、对训练集中的灰度图像数据进行图像增强处理。本发明能够对复合材料纤维自动铺放过程存在的多种缺陷进行精准识别,具有高度集成和模块化的特点,能够快速准确的实现对于各类型缺陷的识别。
Description
技术领域
本发明涉及复合材料铺放表面缺陷检测技术领域,尤其涉及一种复合材料自动铺放表面缺陷的检测方法。
背景技术
复合材料自动铺放提供了先进制造能力,可以实现更快的纤维铺层,保证复合材料构件几何形状一致性的制造,是自动化成型的代表性技术,有助于大型复合材料结构的现代化生产,促进了复合材料在一般工业和航空航天领域的广泛应用。然而,复合材料自动铺放过程受到使用设备的精度、铺放路径规划、预浸料的质量等影响,可能会导致许多生产缺陷的出现,包括褶皱、扭转、间隙和重叠等。
针对自动铺放过程产生的各种缺陷,当前主流的检测方法依靠人工肉眼或者借助辅助检测仪器检测,这种检测方法效率低下,而且依赖人工经验判断,准确度存在较大问题。
另外,红外热成像仪在复合材料自动铺放中已经有许多应用,但是其使用过程受到环境温度影响较大,识别精度上存在一定不足。
近些年随着机器视觉和深度学习的热门研究,目前已经有基于深度学习的图像视觉的方式进行自动铺放过程的缺陷检测,取得了不错的检测效果,但是在检测精度上受到环境光照情况和检测算法的影响仍需提高。
发明内容
针对现有技术的不足,本发明提供了一种复合材料自动铺放表面缺陷的检测方法,解决了现有技术对于复合材料铺放过程所产生缺陷检测效率以及识别精度低的技术问题,本发明能够对复合材料纤维自动铺放过程存在的多种缺陷进行精准识别,具有高度集成和模块化的特点,能够快速准确的实现对于各类型缺陷的识别。
为解决上述技术问题,本发明提供了如下技术方案:一种复合材料自动铺放表面缺陷的检测方法,包括以下步骤:
S1、采用扫描系统对复合材料自动铺放过程的表面进行扫描,获得铺放后复合材料表面的点云图像数据;
S2、对点云图像数据滤波处理并转化为灰度图像数据;
S3、采用颜色编码定义灰度图像数据中的各种缺陷建立训练集;
S4、对训练集中的灰度图像数据进行图像增强处理;
S5、根据残差卷积神经网络搭建表面缺陷检测模型并进行训练;
S6、采用表面缺陷检测模型对待检测的复合材料自动铺放过程的表面缺陷进行检测。
进一步地,在步骤S1中,扫描系统为4台轮廓扫描仪集成于可自由活动的机械臂上,由机械臂驱动4台轮廓扫描在铺放工位的一侧运行。
进一步地,在步骤S1中,对点云图像数据滤波处理并转化为灰度图像数据,具体过程包括以下步骤:
S21、采用基于曲率的聚类的k邻域点云随机定义中心点fo(x,y,z),计算k邻域内其他点到中心点的欧氏距离d(x,y,z);
S23、更新并输出得到滤波处理后的点云图像数据;
S24、对滤波处理后的点云图像数据进行下采样进一步降低点云的数据容量;
S25、将点云图像数据中包含复合材料表面控制值高于扫描区域的高度轮廓压缩为灰度图像数据。
进一步地,在步骤S25中,控制值为高于扫描区域的95%,并将所有值在0到255之间缩放以作为灰度图像数据表达,将灰度图像数据调整为800x800像素。
进一步地,在步骤S3中,采用颜色编码定义灰度图像数据中的各种缺陷建立训练集,具体过程包括以下步骤:
S31、定义一组RGB颜色编码,并将不同的RGB颜色编码分配给复合材料自动铺放过程中所出现的每个缺陷类别;
S32、根据每个缺陷类别对应的颜色编码生成RGB图像,覆盖对应缺陷部分位置;
S33、对RGB图像进行解码,生成一个三维数组,每个深度维度对应一个感兴趣缺陷类型的样本标签;
S34、采用标注工具对缺陷类型的样本标签进行标注建立训练集。
进一步地,表面缺陷检测模型由15个Skip残差块、4个池化层和5个上采样处理层组成;
每个Skip残差块由3个卷积层和对应BN层和激活层函数ReLU或ELU组成;
池化层的过滤器参数设置为2×2,步长为2,上采样处理层设置为2倍上采样。
借由上述技术方案,本发明提供了一种复合材料自动铺放表面缺陷的检测方法,至少具备以下有益效果:
1、本发明可以揭示有关缺陷类别如何构成图像的确切细节,可以同时定位、分类和预测缺陷的大小和形状,能够快速适应复合材料自动铺放过程检测需求的特点,为复合材料自动铺放过程缺陷自动检测及识别提供了一种快速准确的解决方法。
2、本发明通过三维激光扫描的方式可以高精度快速获取复合材料表面的轮廓信息,满足表面复杂性的采集要求,结合深度学习的数据驱动、自动识别的特点,可以实现自动铺放过程的缺陷高精度和高效率的识别,保证自动铺放的质量。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明复合材料自动铺放表面缺陷检测方法的流程图;
图2为本发明自动铺放过程表面缺陷的颜色编码图;
图3为本发明表面缺陷检测模型的网络结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
请参照图1-图3,示出了本实施例的一种具体实施方式,本实施例使用一套扫描系统同步获取复合材料自动铺放过程的点云图像数据,根据自动铺放过程的特点以及出现多种缺陷设计了一种基于改进残差神经网络的表面缺陷检测模型,将处理好的灰度图像数据作为输入,为灰度图像数据中的每个像素输出分类。因为这种分类是在逐个像素的基础上进行的,所以表面缺陷检测模型可以揭示有关缺陷类别如何构成图像的确切细节,可以同时定位、分类和预测缺陷的大小和形状,充分利用了深度学习数据驱动、自动识别等特点,同时也利用基于点云处理方法可设计性强,能够快速适应复合材料自动铺放过程检测需求的特点,为复合材料自动铺放过程缺陷自动检测及识别提供了一种快速准确的解决方案。
请参照图1,本实施例提出了一种复合材料自动铺放表面缺陷的检测方法,该方法包括以下步骤:
S1、采用扫描系统对复合材料自动铺放过程的表面进行扫描,获得铺放后复合材料表面的点云图像数据;
在步骤S1中,扫描系统为4台轮廓扫描仪集成于可自由活动的机械臂上,由机械臂驱动4台轮廓扫描在铺放工位的一侧运行。
具体的,使用4台轮廓扫描仪集成于机械臂上组成一套扫描系统,将扫描仪与铺丝头进行整合,与铺放工位上的铺丝头进行同步作业,在复合材料铺放的同时进行扫描,此时由机械臂驱动4台激光轮廓仪在铺放工位的一侧运行,沿零件上铺放复合材料纤维角的方向进行扫描,并逐层进行扫描,即在每一层复合材料纤维的末端对自动铺放过程制造的部件进行表面高度进行扫描,获取复合材料表面的点云图像数据,并且轮廓扫描仪之间的间距需要两次交错的扫描,每个扫描路线上的偏移量为18mm,以便在下一次扫描中覆盖扫描仪头之间的间隙,保证对复合材料表面进行全覆盖扫描。
S2、对点云图像数据滤波处理并转化为灰度图像数据;
S21、采用基于曲率的聚类的k邻域点云随机定义中心点fo(x,y,z),计算k邻域内其他点到中心点的欧氏距离d(x,y,z);
上式中,w(i,j,k)为相对中心点fo(x,y,z)的k邻域内的点的加权系数,表达式为:
上式中,d表示k邻域内其他点到中心点的欧氏距离。
S23、更新并输出得到滤波处理后的点云图像数据;
S24、对滤波处理后的点云图像数据进行下采样进一步降低点云的数据容量;
S25、将点云图像数据中包含复合材料表面控制值高于扫描区域的高度轮廓压缩为灰度图像数据。
在步骤S25中,控制值为高于扫描区域的95%,并将所有值在0到255之间缩放以作为灰度图像数据表达,将灰度图像数据调整为800x800像素。
具体的,轮廓扫描所仪扫描的点云图像数据中包含复合材料表面有关的高度信息,将高度信息中的高度轮廓压缩成灰度图像,这一过程是通过规范化每次扫描的高度轮廓来完成的,控制值高于扫描区域的95%,并将所有值在0到255之间缩放以作为图像表达,将图像调整为800x800像素的训练格式。
f(nk,nk)表示直方图均衡化后的灰度图像数据的灰度值和概率值,f(Nk,Nk)表示线性插值的二次均衡处理后的灰度图像数据的灰度值和概率值。
S3、采用颜色编码定义灰度图像数据中的各种缺陷建立训练集;
请参照图2,为自动铺放过程表面缺陷的颜色编码图,如图所示,每一个类别的缺陷均赋予一个给定的颜色代码,具体内容如下:
S31、定义一组RGB颜色编码,并将不同的RGB颜色编码分配给复合材料自动铺放过程中所出现的每个缺陷类别,此时,在复合材料自动铺放过程中,根据其表面所出现的每个缺陷类别分配一个给定的颜色代码;
S32、根据每个缺陷类别对应的颜色编码生成RGB图像,覆盖对应缺陷部分位置;
S33、对RGB图像进行解码,生成一个三维数组,每个深度维度对应一个感兴趣缺陷类型的样本标签;
S34、采用标注工具对缺陷类型的样本标签进行标注建立训练集。
标注工具使用linux系统的linux_mark工具,自由定义标注种类和标注数量、记录每次标注后缺陷的位置信息和标注框的尺寸,将样本标签保存为VOC格式。
S4、对训练集中的灰度图像数据进行图像增强处理;
在该步骤中,在灰度图像数据进行图像增强处理通过添加旋转、调整大小或噪声等数据增强的方法扩充训练集的大小,以此来创建一组全新的图像,能够防表面缺陷检测止模型的过拟合,同时在图像训练传播过程中增加一个正弦波形,进一步提供与原样本接近的训练集,通过每个训练图像传播产生与原始分布接近的额外样本。
S5、根据残差卷积神经网络搭建表面缺陷检测模型并进行训练;
请参照图3,表面缺陷检测模型由15个Skip残差块、4个池化层和5个上采样处理层组成,
每个Skip残差块由3个卷积层和对应BN层和激活层函数ReLU或ELU组成,前层的输出被添加到残差卷积神经网络中稍后一层的输入中,保证网络模型的收敛组成,3个卷积层的每一层都使用批处理的归一化处理,激活层函数将sigmoid激活函数更改为ReLU和ELU,
池化层的过滤器参数设置为2×2,步长为2,上采样处理层设置为2倍上采样。
在表面缺陷检测模型搭建完成后,使用训练集对整个表面缺陷检测模型进行训练,以此提高模型对于复合材料自动铺放过程中所出现缺陷的检测能力。
S6、采用表面缺陷检测模型对待检测的复合材料自动铺放过程的表面缺陷进行检测。
在该步骤中,在表面缺陷检测模型经过训练后,便可以直接进行应用,通过扫描系统对某一个零件表面铺放复合材料纤维的表面点云图像数据,即可通过得到的点云图像数据自动对自动铺放过程表面所出现的缺陷进行检测。
本发明通过三维激光扫描的方式可以高精度快速获取复合材料表面的轮廓信息,满足表面复杂性的采集要求,结合深度学习的数据驱动、自动识别的特点,可以实现自动铺放过程的缺陷高精度和高效率的识别,保证自动铺放的质量。
本发明能够对复合材料纤维自动铺放过程存在的多种缺陷进行精准识别,具有高度集成和模块化的特点,能够快速准确的实现对于各类型缺陷的识别。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同或相似的部分互相参见即可。对于以上各实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上实施方式对本发明进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种复合材料自动铺放表面缺陷的检测方法,其特征在于,包括以下步骤:
S1、采用扫描系统对复合材料自动铺放过程的表面进行扫描,获得铺放后复合材料表面的点云图像数据;
S2、对点云图像数据滤波处理并转化为灰度图像数据;
S3、采用颜色编码定义灰度图像数据中的各种缺陷建立训练集;
S4、对训练集中的灰度图像数据进行图像增强处理;
S5、根据残差卷积神经网络搭建表面缺陷检测模型并进行训练;
S6、采用表面缺陷检测模型对待检测的复合材料自动铺放过程的表面缺陷进行检测。
2.根据权利要求1所述的检测方法,其特征在于:在步骤S1中,扫描系统为4台轮廓扫描仪集成于可自由活动的机械臂上,由机械臂驱动4台轮廓扫描在铺放工位的一侧运行。
4.根据权利要求3所述的检测方法,其特征在于:在步骤S25中,控制值为高于扫描区域的95%,并将所有值在0到255之间缩放以作为灰度图像数据表达,将灰度图像数据调整为800x800像素。
5.根据权利要求1所述的检测方法,其特征在于:在步骤S3中,采用颜色编码定义灰度图像数据中的各种缺陷建立训练集,具体过程包括以下步骤:
S31、定义一组RGB颜色编码,并将不同的RGB颜色编码分配给复合材料自动铺放过程中所出现的每个缺陷类别;
S32、根据每个缺陷类别对应的颜色编码生成RGB图像,覆盖对应缺陷部分位置;
S33、对RGB图像进行解码,生成一个三维数组,每个深度维度对应一个感兴趣缺陷类型的样本标签;
S34、采用标注工具对缺陷类型的样本标签进行标注建立训练集。
6.根据权利要求1所述的检测方法,其特征在于:表面缺陷检测模型由15个Skip残差块、4个池化层和5个上采样处理层组成;
每个Skip残差块由3个卷积层和对应BN层和激活层函数ReLU或ELU组成;
池化层的过滤器参数设置为2×2,步长为2,上采样处理层设置为2倍上采样。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310289541.XA CN116363087A (zh) | 2023-03-23 | 2023-03-23 | 一种复合材料自动铺放表面缺陷的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310289541.XA CN116363087A (zh) | 2023-03-23 | 2023-03-23 | 一种复合材料自动铺放表面缺陷的检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116363087A true CN116363087A (zh) | 2023-06-30 |
Family
ID=86927252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310289541.XA Pending CN116363087A (zh) | 2023-03-23 | 2023-03-23 | 一种复合材料自动铺放表面缺陷的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116363087A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110246218A (zh) * | 2019-06-17 | 2019-09-17 | 合肥工业大学 | 股骨头三维模型的重建方法、空间骨盆参数测量方法 |
CN110806736A (zh) * | 2019-11-19 | 2020-02-18 | 北京工业大学 | 一种模锻成形智能制造生产线锻件质量信息检测方法 |
CN111080670A (zh) * | 2019-12-17 | 2020-04-28 | 广州视源电子科技股份有限公司 | 图像提取方法、装置、设备及存储介质 |
CN112184667A (zh) * | 2020-09-28 | 2021-01-05 | 京东方科技集团股份有限公司 | 缺陷检测、修复方法、装置以及存储介质 |
CN112907528A (zh) * | 2021-02-09 | 2021-06-04 | 南京航空航天大学 | 一种基于点云转图像的复材铺丝表面缺陷检测与识别方法 |
CN114627021A (zh) * | 2022-03-18 | 2022-06-14 | 南通拓维思智能科技有限公司 | 基于点云与深度学习的缺陷检测方法和系统 |
CN114638794A (zh) * | 2022-03-04 | 2022-06-17 | 南京理工大学 | 基于深度学习和slam技术的裂缝检测与三维定位方法 |
CN114972387A (zh) * | 2022-07-28 | 2022-08-30 | 南京航空航天大学 | 基于三维实测的复材成型过程模具变形修配方法及系统 |
CN115131330A (zh) * | 2022-07-15 | 2022-09-30 | 北京铁科英迈技术有限公司 | 多源传感器融合的钢轨表面缺陷检测与测量方法及系统 |
CN115713524A (zh) * | 2022-11-27 | 2023-02-24 | 福州大学 | 一种基于点云数据的木材破损类缺陷检测方法 |
-
2023
- 2023-03-23 CN CN202310289541.XA patent/CN116363087A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110246218A (zh) * | 2019-06-17 | 2019-09-17 | 合肥工业大学 | 股骨头三维模型的重建方法、空间骨盆参数测量方法 |
CN110806736A (zh) * | 2019-11-19 | 2020-02-18 | 北京工业大学 | 一种模锻成形智能制造生产线锻件质量信息检测方法 |
CN111080670A (zh) * | 2019-12-17 | 2020-04-28 | 广州视源电子科技股份有限公司 | 图像提取方法、装置、设备及存储介质 |
CN112184667A (zh) * | 2020-09-28 | 2021-01-05 | 京东方科技集团股份有限公司 | 缺陷检测、修复方法、装置以及存储介质 |
CN112907528A (zh) * | 2021-02-09 | 2021-06-04 | 南京航空航天大学 | 一种基于点云转图像的复材铺丝表面缺陷检测与识别方法 |
CN114638794A (zh) * | 2022-03-04 | 2022-06-17 | 南京理工大学 | 基于深度学习和slam技术的裂缝检测与三维定位方法 |
CN114627021A (zh) * | 2022-03-18 | 2022-06-14 | 南通拓维思智能科技有限公司 | 基于点云与深度学习的缺陷检测方法和系统 |
CN115131330A (zh) * | 2022-07-15 | 2022-09-30 | 北京铁科英迈技术有限公司 | 多源传感器融合的钢轨表面缺陷检测与测量方法及系统 |
CN114972387A (zh) * | 2022-07-28 | 2022-08-30 | 南京航空航天大学 | 基于三维实测的复材成型过程模具变形修配方法及系统 |
CN115713524A (zh) * | 2022-11-27 | 2023-02-24 | 福州大学 | 一种基于点云数据的木材破损类缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
马少博: "复合材料自动铺放过程表层缺陷检测与识别方法研究", 《中国优秀硕士学位论文全文数据库》, no. 7, pages 216 - 219 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111223088B (zh) | 一种基于深层卷积神经网络的铸件表面缺陷识别方法 | |
CN109544456B (zh) | 基于二维图像和三维点云数据融合的全景环境感知方法 | |
CN109580630B (zh) | 一种机械零部件缺陷的视觉检测方法 | |
CN110569704A (zh) | 一种基于立体视觉的多策略自适应车道线检测方法 | |
CN111553949B (zh) | 基于单帧rgb-d图像深度学习对不规则工件的定位抓取方法 | |
CN110334701B (zh) | 数字孪生环境下基于深度学习和多目视觉的数据采集方法 | |
CN111223133A (zh) | 一种异源图像的配准方法 | |
CN111127417B (zh) | 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法 | |
CN112697058A (zh) | 一种基于机器视觉的大尺寸板材装配间隙在线测量系统与方法 | |
CN110598698B (zh) | 基于自适应区域建议网络的自然场景文本检测方法和系统 | |
CN116539619B (zh) | 产品缺陷检测方法、系统、装置及存储介质 | |
CN106952262B (zh) | 一种基于立体视觉的船板加工精度分析方法 | |
CN113970560B (zh) | 一种基于多传感融合的缺陷三维检测方法 | |
CN116958420A (zh) | 一种数字人教师三维人脸的高精度建模方法 | |
CN109919215B (zh) | 基于聚类算法改进特征金字塔网络的目标检测方法 | |
Qu et al. | Point clouds outlier removal method based on improved mahalanobis and completion | |
CN107025439B (zh) | 基于深度数据的唇部区域特征提取和规范化方法 | |
CN112926694A (zh) | 基于改进的神经网络对图像中的猪只进行自动识别的方法 | |
CN116901089A (zh) | 一种多角度视距的机器人控制方法及系统 | |
CN116958092A (zh) | 一种基于改进立体匹配算法的输电线路弧垂快速测量方法 | |
CN116363087A (zh) | 一种复合材料自动铺放表面缺陷的检测方法 | |
CN116109701A (zh) | 一种基于被动双目的高反光物体抓取方法 | |
CN115194323A (zh) | 一种激光焊接机的定位焊接方法 | |
CN111461130B (zh) | 一种高精度图像语义分割算法模型及分割方法 | |
CN110956640B (zh) | 一种异源图像边缘点检测与配准方法 |
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 |