CN116563277B - 一种基于机器视觉的铜复铝表面缺陷检测方法及系统 - Google Patents
一种基于机器视觉的铜复铝表面缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN116563277B CN116563277B CN202310813944.XA CN202310813944A CN116563277B CN 116563277 B CN116563277 B CN 116563277B CN 202310813944 A CN202310813944 A CN 202310813944A CN 116563277 B CN116563277 B CN 116563277B
- Authority
- CN
- China
- Prior art keywords
- copper
- aluminum
- defect
- image
- complex
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 370
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 296
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 293
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- JRBRVDCKNXZZGH-UHFFFAOYSA-N alumane;copper Chemical compound [AlH3].[Cu] JRBRVDCKNXZZGH-UHFFFAOYSA-N 0.000 claims abstract description 144
- 238000000034 method Methods 0.000 claims abstract description 82
- 239000002131 composite material Substances 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000004519 manufacturing process Methods 0.000 claims description 132
- 150000004699 copper complex Chemical class 0.000 claims description 102
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 88
- 229910052802 copper Inorganic materials 0.000 claims description 88
- 239000010949 copper Substances 0.000 claims description 88
- AZDRQVAHHNSJOQ-UHFFFAOYSA-N alumane Chemical group [AlH3] AZDRQVAHHNSJOQ-UHFFFAOYSA-N 0.000 claims description 30
- 230000002950 deficient Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 22
- 238000005299 abrasion Methods 0.000 claims description 14
- 230000005284 excitation Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 208000037516 chromosome inversion disease Diseases 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 4
- 230000006698 induction Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 241001301450 Crocidium multicaule Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于机器视觉的铜复铝表面缺陷检测方法及系统,包括以下步骤:通过激光探伤仪获取铜复铝表面缺陷图像,对所述铜复铝表面缺陷图像进行预处理及特征提取得到铜复铝表面缺陷基本信息,对铜复铝表面缺陷灰度化图像进行波谷提取与阈值分割处理得到最佳阈值,结合铜复铝表面缺陷基本信息与最佳阈值进行训练,得到分类处理后的铜复铝表面缺陷具体信息,通过所述分类处理后的铜复铝表面缺陷具体信息对生产铜复铝件的工厂进行反馈,判断造成铜复铝表面缺陷的工序并更正。
Description
技术领域
本发明涉及图像识别领域,特别是一种基于机器视觉的铜复铝表面缺陷检测方法及系统。
背景技术
在铜复铝的生产制造过程中表面缺陷检测是必不可少的一步,对铜复铝的表面缺陷检测能筛选不合格铜复铝件。最初的铜复铝表面缺陷检测采用人工目视法,但随着人口红利消失、工作枯燥和自由度低等问题,且用肉眼观察铜复铝件危险性高,检测质量收工人情绪波动与技术水平等因素影响,导致从事人工质检的人越来越少,且无法保障同一批次产品检测稳定性。铜复铝广泛应用在金属制品上,铜复铝表面存在缺陷会对金属制品的质量造成影响,甚至引发安全事故,因此采用机器视觉对铜复铝表面缺陷进行检测成为必要之举。
发明内容
本发明克服了现有技术的不足,提供了一种基于机器视觉的铜复铝表面缺陷检测方法及系统。
为达到上述目的,本发明采用的技术方案为:
本发明第一方面提供了一种基于机器视觉的铜复铝表面缺陷检测方法,包括以下步骤:
确定铜复铝表面缺陷位置,使用激光探伤仪获取铜复铝表面缺陷图像;
对铜复铝表面缺陷图像进行图像预处理得到预处理铜复铝表面缺陷图像,对所述预处理铜复铝表面缺陷图像进行特征提取,得到铜复铝表面缺陷基本信息;
对铜复铝表面缺陷灰度化图像进行波谷提取与阈值分割处理,得到最佳阈值;
通过SVM分类器对所述铜复铝表面缺陷基本信息与最佳阈值进行训练分类,得到分类处理后的铜复铝表面缺陷具体信息;
根据所述分类处理后的铜复铝表面缺陷具体信息,对生产铜复铝的工厂进行反馈跟进处理。
进一步的,本发明的一个较佳实施例中,所述确定铜复铝表面缺陷位置,使用激光探伤仪获取铜复铝表面缺陷图像,具体为:
取待检测的铜复铝与无表面缺陷铜复铝进行对比,根据待检测的铜复铝件与无表面缺陷铜复铝的光滑度、厚度、完整度、亮度和纹理的不同,确定待检测的铜复铝的表面缺陷位置;
根据所述待检测的铜复铝的表面缺陷位置,获取铜复铝表面缺陷位置初始图像;
激光探伤仪发出脉冲激光,经过光路调节器将激光投射至的铜复铝表面,所述铜复铝表面经过激光照射后生成热激励超声波,由激光探伤仪的信号接收装置接收后得到动态脉冲波形;
对所述动态脉冲波形的变化幅度与频率进行分析,得到动态脉冲波形分析结果,接收由铜复铝表面反射的脉冲激光,根据脉冲激光的入射角度、反射角度和反射时间,结合所述动态脉冲波形分析结果与铜复铝表面缺陷位置初始图像,生成铜复铝表面缺陷图像。
进一步的,本发明的一个较佳实施例中,所述对铜复铝表面缺陷图像进行图像预处理得到预处理铜复铝表面缺陷图像,对所述预处理铜复铝表面缺陷图像进行特征提取,得到铜复铝表面缺陷基本信息,具体为:
对铜复铝表面缺陷图像进行图像预处理,通过直线形结构Gabor滤波器对铜复铝表面缺陷图像进行滤波处理,生成预处理铜复铝表面缺陷图像;
将所述预处理铜复铝表面缺陷图像进行灰度化处理,生成铜复铝表面缺陷灰度化图像,对所述铜复铝表面缺陷灰度化图像进行直方图均衡化处理并将铜复铝表面缺陷灰度化图像压缩为12个灰度级;
计算压缩后的铜复铝表面缺陷灰度化图像,得到铜复铝表面缺陷灰度化图像各个像素点的共生矩阵特征值,根据所述铜复铝表面缺陷灰度化图像各个像素点的共生矩阵特征值得到铜复铝表面缺陷基本信息。
进一步的,本发明的一个较佳实施例中,所述对铜复铝表面缺陷灰度化图像进行波谷提取与阈值分割处理,得到最佳阈值,具体为:
将所述铜复铝表面缺陷灰度化图像进行灰度反转处理,取暗处图像进行波谷提取,得到波谷提取铜复铝表面缺陷灰度化图像;
基于最大类间方差法,对波谷提取铜复铝表面缺陷灰度化图像中有缺陷部分的图像与背景部分的图像进行图像分割处理;
对分割后的有缺陷部分的图像与背景部分的图像分别使用中值滤波法,去除分割后有缺陷部分的图像与背景部分的图像的噪点;
提取有缺陷部分的图像的像素点进行灰度计算得到缺陷像素点灰度值;
提取背景部分图像的像素点进行灰度计算得到背景像素点灰度值;
计算缺陷像素点灰度值与背景像素点灰度值对应的类间方差值,取最大类间方差值为最佳阈值。
进一步的,本发明的一个较佳实施例中,所述通过SVM分类器对所述铜复铝表面缺陷基本信息与最佳阈值进行训练分类,得到分类处理后的铜复铝表面缺陷具体信息,具体为:
将所述铜复铝表面缺陷基本信息与最佳阈值导入SVM分类器中,构建数据集;
对数据集进行数据清洗,删除重复信息,纠正数据集的错误数据,保持数据一致性,并对进行数据清洗后的数据集进行特征提取和特征缩放;
对离群点数据进行处理,分析数据集中离群点数据,若离群点数据数量小于预设值,则删除离群点数据,若离群点数据数量大于预设值,则对离群点数据使用对数变换及用平均值和中位数代替离群点数据;
对数据集内数据进行噪声处理,对数据进行等频等宽分箱操作,利用每个箱中平均数代替箱中所有的数据,得到预处理数据集;
SVM分类器采用径向基函数作为核函数,通过径向基函数将预处理数据集内的数据映射至高维空间中,取预处理数据集内的数据距离最大的位置,通过SVM分类器建立超平面;
超平面内存在线性分布的数据点,分析超平面内各数据点,判断个数据点种类,并根据数据点种类对数据点进行分类处理;
将分类处理后的数据点导出SVM分类器,生成分类处理后的铜复铝表面缺陷具体信息。
进一步的,本发明的一个较佳实施例中,所述根据所述分类处理后的铜复铝表面缺陷具体信息,对生产铜复铝的工厂进行反馈跟进处理,具体为:
将所述分类处理后的铜复铝表面缺陷具体信息反馈至生产铜复铝的工厂,生产铜复铝的工厂将分类处理后的铜复铝表面缺陷具体信息导入铜复铝生产系统,生成当前铜复铝表面缺陷状况;
获取铜复铝件各种生产工序,基于铜复铝生产系统,将分类处理后的铜复铝表面缺陷具体信息与铜复铝件各种生产工序相结合,使不同类别的铜复铝表面缺陷与铜复铝件各种生产工序相对应;
根据所述铜复铝表面缺陷状况获取对应生产工序进行标记,使用标记生产工序进行初步缺陷溯源;
利用大数据手段获取铜复铝件各种生产工序在正常无缺陷加工场景下的生产参数,作为各生产工序的基准生产参数;
当所述标记生产工序的数量为1时,则直接提取标记生产工序的基准生产参数进行工序改进修正;
当所述标记生产工序的数量大于1时,则利用历史生产参数检索获取当前铜复铝件在标记生产工序中的历史生产参数,计算标记生产工序中的历史生产参数与基准生产参数的欧式距离;
基于所述欧式距离进行标记生产工序的排序,根据排序结果获取欧式距离最大的标记生产工序,实现精准缺陷溯源,并根据欧式距离最大的标记生产工序的生产参数偏差进行生产工序的改进修正。
本发明第二方面还提供了一种基于机器视觉的铜复铝表面缺陷检测系统,所述铜复铝表面缺陷检测系统包括存储器与处理器,所述存储器中储存有铜复铝表面缺陷检测程序,所述铜复铝表面缺陷检测程序被所述处理器执行时,实现如下步骤:
确定铜复铝表面缺陷位置,使用激光探伤仪获取铜复铝表面缺陷图像;
对铜复铝表面缺陷图像进行图像预处理得到预处理铜复铝表面缺陷图像,对所述预处理铜复铝表面缺陷图像进行特征提取,得到铜复铝表面缺陷基本信息;
对铜复铝表面缺陷灰度化图像进行波谷提取与阈值分割处理,得到最佳阈值;
通过SVM分类器对所述铜复铝表面缺陷基本信息与最佳阈值进行训练分类,得到分类处理后的铜复铝表面缺陷具体信息;
根据所述分类处理后的铜复铝表面缺陷具体信息,对生产铜复铝的工厂进行反馈处理,判断造成铜复铝表面缺陷的工序,根据所述造成铜复铝表面缺陷的工序对生产铜复铝的机器进行改进。
进一步的,本发明的一个较佳实施例中,所述通过SVM分类器对所述铜复铝表面缺陷基本信息与最佳阈值进行训练分类,得到分类处理后的铜复铝表面缺陷具体信息,具体为:
将所述铜复铝表面缺陷基本信息与最佳阈值导入SVM分类器中,构建数据集;
对数据集进行数据清洗,删除重复信息,纠正数据集的错误数据,保持数据一致性,并对进行数据清洗后的数据集进行特征提取和特征缩放;
对离群点数据进行处理,分析数据集中离群点数据,若离群点数据数量小于预设值,则删除离群点数据,若离群点数据数量大于预设值,则对离群点数据使用对数变换及用平均值和中位数代替离群点数据;
对数据集内数据进行噪声处理,对数据进行等频等宽分箱操作,利用每个箱中平均数代替箱中所有的数据,得到预处理数据集;
SVM分类器采用径向基函数作为核函数,通过径向基函数将预处理数据集内的数据映射至高维空间中,取预处理数据集内的数据距离最大的位置,通过SVM分类器建立超平面;
超平面内存在线性分布的数据点,分析超平面内各数据点,判断个数据点种类,并根据数据点种类对数据点进行分类处理;
将分类处理后的数据点导出SVM分类器,生成分类处理后的铜复铝表面缺陷具体信息。
本发明解决的背景技术中存在的技术缺陷,本发明具备以下有益效果:通过激光探伤仪获取铜复铝表面缺陷图像,对所述铜复铝表面缺陷图像进行预处理及特征提取得到铜复铝表面缺陷基本信息,对铜复铝表面缺陷灰度化图像进行波谷提取与阈值分割处理得到最佳阈值,结合铜复铝表面缺陷基本信息与最佳阈值进行训练,得到分类处理后的铜复铝表面缺陷具体信息,通过所述分类处理后的铜复铝表面缺陷具体信息对生产铜复铝件的工厂进行反馈,判断造成铜复铝表面缺陷的工序并更正。本发明能够通过对铜复铝表面缺陷图像的处理得到铜复铝表面缺陷位置、状态等数据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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本发明的一些实施例,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,还可以根据这些附图获得其他实施例的附图。
图1示出了一种基于机器视觉的铜复铝表面缺陷检测方法的流程图;
图2示出了SVM分类器对铜复铝表面缺陷基本信息与最佳阈值进行训练分类并反馈给铜复铝生产工厂进行处理的流程图;
图3示出了一种基于机器视觉的铜复铝表面缺陷检测系统的视图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示本发明提供了一种基于机器视觉的铜复铝表面缺陷检测方法的流程图,包括以下步骤:
S102:确定铜复铝表面缺陷位置,使用激光探伤仪获取铜复铝表面缺陷图像;
S104:对铜复铝表面缺陷图像进行图像预处理得到预处理铜复铝表面缺陷图像,对所述预处理铜复铝表面缺陷图像进行特征提取,得到铜复铝表面缺陷基本信息;
S106:对铜复铝表面缺陷灰度化图像进行波谷提取与阈值分割处理,得到最佳阈值;
S108:通过SVM分类器对所述铜复铝表面缺陷基本信息与最佳阈值进行训练分类,得到分类处理后的铜复铝表面缺陷具体信息;
S110:根据所述分类处理后的铜复铝表面缺陷具体信息,对生产铜复铝的工厂进行反馈跟进处理。
需要说明的是,本发明能够通过对铜复铝表面缺陷图像的处理得到铜复铝表面缺陷位置、状态等数据。
进一步的,本发明的一个较佳实施例中,所述确定铜复铝表面缺陷位置,使用激光探伤仪获取铜复铝表面缺陷图像,具体为:
取待检测的铜复铝与无表面缺陷铜复铝进行对比,根据待检测的铜复铝件与无表面缺陷铜复铝的光滑度、厚度、完整度、亮度和纹理的不同,确定待检测的铜复铝的表面缺陷位置;
根据所述待检测的铜复铝的表面缺陷位置,获取铜复铝表面缺陷位置初始图像;
激光探伤仪发出脉冲激光,经过光路调节器将激光投射至的铜复铝表面,所述铜复铝表面经过激光照射后生成热激励超声波,由激光探伤仪的信号接收装置接收后得到动态脉冲波形;
对所述动态脉冲波形的变化幅度与频率进行分析,得到动态脉冲波形分析结果,接收由铜复铝表面反射的脉冲激光,根据脉冲激光的入射角度、反射角度和反射时间,结合所述动态脉冲波形分析结果与铜复铝表面缺陷位置初始图像,生成铜复铝表面缺陷图像。
需要说明的是,通过与无表面缺陷的铜复铝对比可大致确定待检测的铜复铝的表面缺陷位置,通过摄像头拍摄可得到铜复铝表面缺陷位置初始图像。通过铜复铝表面的热激励超声波可得到动态脉冲波形,受环境影响,热激励超声波传输过程中存在谐波失真,所述谐波失真使热激励超声波产生谐波成分,叠加在原信号上,形成波形失真信号,需要在信号接收机内对所述波形失真信号施加适量电压正反馈或电流负反馈,并使用特征频率高、噪声系数小和线性好的放大器件。通过脉冲激光的反射角度,可得出铜复铝表面缺陷边缘的缺陷程度,通过反射时间可得出铜复铝表面缺陷深度,结合动态脉冲波形与铜复铝表面缺陷位置初始图像可生成铜复铝表面缺陷图像。本发明能够通过激光探伤仪生成铜复铝表面缺陷图像。
进一步的,本发明的一个较佳实施例中,所述对铜复铝表面缺陷图像进行图像预处理得到预处理铜复铝表面缺陷图像,对所述预处理铜复铝表面缺陷图像进行特征提取,得到铜复铝表面缺陷基本信息,具体为:
对铜复铝表面缺陷图像进行图像预处理,通过直线形结构Gabor滤波器对铜复铝表面缺陷图像进行滤波处理,生成预处理铜复铝表面缺陷图像;
将所述预处理铜复铝表面缺陷图像进行灰度化处理,生成铜复铝表面缺陷灰度化图像,对所述铜复铝表面缺陷灰度化图像进行直方图均衡化处理并将铜复铝表面缺陷灰度化图像压缩为12个灰度级;
计算压缩后的铜复铝表面缺陷灰度化图像,得到铜复铝表面缺陷灰度化图像各个像素点的共生矩阵特征值,根据所述铜复铝表面缺陷灰度化图像各个像素点的共生矩阵特征值得到铜复铝表面缺陷基本信息。
需要说明的是,铜复铝表面缺陷图像中噪点较多,需进行滤波处理,采用数学形态学滤波方法,直线形结构Gabor滤波器内的直线形结构元素脉宽大于铜复铝表面缺陷动态脉冲信号的脉宽,使所述铜复铝表面缺陷动态脉冲信号被滤除,剩下基线漂移信号,将所述铜复铝表面缺陷动态脉冲信号减去所述基线漂移信号,使铜复铝表面缺陷图像滤除漂移干扰,生成预处理铜复铝表面缺陷图像。对单个铜复铝表面缺陷灰度化图像像素点的共生矩阵特征值进行均值计算与方差计算,生成包含铜复铝缺陷纹理特征信息的特征矩阵,分析铜复铝缺陷纹理特征信息的特征矩阵得到铜复铝表面缺陷基本信息。所述铜复铝表面缺陷基本信息包括磨损缺陷信息与撕裂缺陷信息。本发明能够对铜复铝表面缺陷图像进行预处理,并得到铜复铝表面缺陷基本信息。
进一步的,本发明的一个较佳实施例中,所述对铜复铝表面缺陷灰度化图像进行波谷提取与阈值分割处理,得到最佳阈值,具体为:
将所述铜复铝表面缺陷灰度化图像进行灰度反转处理,取暗处图像进行波谷提取,得到波谷提取铜复铝表面缺陷灰度化图像;
基于最大类间方差法,对波谷提取铜复铝表面缺陷灰度化图像中有缺陷部分的图像与背景部分的图像进行图像分割处理;
对分割后的有缺陷部分的图像与背景部分的图像分别使用中值滤波法,去除分割后有缺陷部分的图像与背景部分的图像的噪点;
提取有缺陷部分的图像的像素点进行灰度计算得到缺陷像素点灰度值;
提取背景部分图像的像素点进行灰度计算得到背景像素点灰度值;
计算缺陷像素点灰度值与背景像素点灰度值对应的类间方差值,取最大类间方差值为最佳阈值。
需要说明的是,对铜复铝表面缺陷灰度化图像进行灰度反转处理目的是增强暗色背景下铜复铝表面缺陷灰度化图像白色与灰色的细节信息,方便进行波谷提取操作,在灰度反转后的铜复铝表面缺陷灰度化图像的白色细节信息代表铜复铝的表面缺陷。基于最大类间方差法对波谷提取铜复铝表面缺陷灰度化图像进行阈值分割处理目的是为了标记每一块分割的单元,对同一单元内的像素赋予相同标记,不同单元内的像素标记不同,方便后期图像分析。同时需要对分割后的图像进行中值滤波处理,去除分割后有缺陷部分的图像与背景部分的图像的噪点。所述最佳阈值为图像分割的阈值,根据最佳阈值分割各种铜复铝表面缺陷,使不同种类的铜复铝表面缺陷分类。本发明能够通过最大类间方差法得出铜复铝表面缺陷图像的最佳阈值。
进一步的,本发明的一个较佳实施例中,所述根据所述分类处理后的铜复铝表面缺陷具体信息,对生产铜复铝的工厂进行反馈跟进处理,具体为:
将所述分类处理后的铜复铝表面缺陷具体信息反馈至生产铜复铝的工厂,生产铜复铝的工厂将分类处理后的铜复铝表面缺陷具体信息导入铜复铝生产系统;
获取铜复铝件各种生产工序,基于铜复铝生产系统,将分类处理后的铜复铝表面缺陷具体信息与铜复铝件各种生产工序相结合,使不同类别的铜复铝表面缺陷与铜复铝件各种生产工序相对应;
所述铜复铝生产系统分析分类处理后的铜复铝表面缺陷具体信息,生成铜复铝表面缺陷改进命令,将所述铜复铝表面缺陷改进方法导入铜复铝件各种生产工序,使铜复铝件各种生产工序执行铜复铝表面缺陷改进命令。
图2示出了SVM分类器对铜复铝表面缺陷基本信息与最佳阈值进行训练分类并反馈给铜复铝生产工厂进行处理的流程图,包括以下步骤:
S202:基于SVM分类器构建数据集,对数据集进行预处理得到预处理数据集;
S204:基于SVM分类其中的核函数,对预处理数据集内数据进行分类处理,将分类处理后的数据导出SVM分类器生成分类处理后的铜复铝表面缺陷具体信息;
S206:根据所述分类处理后的铜复铝表面缺陷具体信息,对生产铜复铝的工厂进行反馈跟进处理。
需要说明的是,数据集中包含大量数据,数据之间格式可能不同,有些数据不易于使用格式存储,需要确保数据格式正确,符合规则集,保持数据一致性。离群点数据定义为异常或噪声,影响数据准确性,根据离群点数据数量对离群点数据采取删除或作对数变换,目的是防止数据信息删除过多,对数据准确性造成影响。数据噪声处理起平滑数据的作用,亦可建立数据变量的回归模型,根据数据回归系数,反解得到数据自变量近似值。本发明能够通过SVM分类器对数据集进行预处理。
进一步的,本发明的一个较佳实施例,所述基于SVM分类其中的核函数,对预处理数据集内数据进行分类处理,将分类处理后的数据导出SVM分类器生成分类处理后的铜复铝表面缺陷具体信息,具体为:
SVM分类器采用径向基函数作为核函数,通过径向基函数将预处理数据集内的数据映射至高维空间中,取预处理数据集内的数据距离最大的位置,通过SVM分类器建立超平面;
超平面内存在线性分布的数据点,分析超平面内各数据点,判断个数据点种类,并根据数据点种类对数据点进行分类处理;
将分类处理后的数据点导出SVM分类器,生成分类处理后的铜复铝表面缺陷具体信息。
需要说明的是,所述径向基函数为核函数,是一种沿径对称的标量函数,定义为样本到数据中心之间的径向距离的单调函数,作用是将数据集中映射至高维空间中,建立超平面,超平面指n维线性空间中纬度为n-1的子空间,此处子空间为一条直线,把平面分成两块,数据分布在子空间内,与法向量垂直。对子空间内的数据点进行分类处理,导出SVM分类器后生成分类处理后的铜复铝表面缺陷具体信息。所述分类处理后的铜复铝表面缺陷具体信息为铜复铝磨损缺陷和撕裂缺陷的具体信息。本发明能够通过SVM分类器对铜复铝表面缺陷具体信息进行分类。
进一步的,本发明的一个较佳实施例中,所述根据所述分类处理后的铜复铝表面缺陷具体信息,对生产铜复铝的工厂进行反馈跟进处理,具体为:
将所述分类处理后的铜复铝表面缺陷具体信息反馈至生产铜复铝的工厂,生产铜复铝的工厂将分类处理后的铜复铝表面缺陷具体信息导入铜复铝生产系统,生成当前铜复铝表面缺陷状况;
获取铜复铝件各种生产工序,基于铜复铝生产系统,将分类处理后的铜复铝表面缺陷具体信息与铜复铝件各种生产工序相结合,使不同类别的铜复铝表面缺陷与铜复铝件各种生产工序相对应;
根据所述铜复铝表面缺陷状况获取对应生产工序进行标记,使用标记生产工序进行初步缺陷溯源;
利用大数据手段获取铜复铝件各种生产工序在正常无缺陷加工场景下的生产参数,作为各生产工序的基准生产参数;
当所述标记生产工序的数量为1时,则直接提取标记生产工序的基准生产参数进行工序改进修正;
当所述标记生产工序的数量大于1时,则利用历史生产参数检索获取当前铜复铝件在标记生产工序中的历史生产参数,计算标记生产工序中的历史生产参数与基准生产参数的欧式距离;
基于所述欧式距离进行标记生产工序的排序,根据排序结果获取欧式距离最大的标记生产工序,实现精准缺陷溯源,并根据欧式距离最大的标记生产工序的生产参数偏差进行生产工序的改进修正。
需要说明的是,铜复铝件在生产过程中,由于生产工序的误差,存在预设表面缺陷状况,铜复铝件表面缺陷并非完全由一个生产工序造成,需要精准判断造成铜复铝件表面缺陷的主要生产工序,使用标记溯源法,计算标记生产工序中历史生产参数与基准生产参数的欧氏距离,用于精准缺陷溯源。铜复铝件生产工序的改进办法为:在生产过程中,在铜复铝件表面添加润滑剂,减少铜复铝件加工过程中的挤压力,在铜复铝材料中加入适量增强颗粒,使产品拥有良好抗变形能力。本发明能够通过分类处理后的铜复铝表面缺陷具体信息改进铜复铝件生产工序。
此外,所述一种基于机器视觉的铜复铝表面缺陷检测方法,还包括以下步骤:
通过激光探伤仪在待检测铜复铝件上施加高频信号,所述高频信号经过感应线圈,在待检测铜复铝件上产生感应涡流,所述感应涡流为涡流热响应信号;
通过调控激光探伤仪的信号频率,改变涡流热响应信号的频率,产生热图像序列,通过红外热像仪记录热图像序列并生成铜复铝表面热图像,铜复铝表面缺陷区域在铜复铝表面热图像中亮度最大,在铜复铝表面热图像中根据预设亮面大小划分区域;
定义亮面大小大于预设值的亮面区域为铜复铝撕裂缺陷区域,获取铜复铝撕裂缺陷区域的多重分形谱,利用多重分形谱的变化参数计算所述铜复铝撕裂缺陷区域的撕裂程度;
定义亮面大小小于预设值的亮面区域为铜复铝磨损缺陷区域,计算铜复铝磨损缺陷区域面积,结合铜复铝表面缺陷灰度图像中对应区域的灰度值,评估铜复铝磨损缺陷区域磨损程度;
记录铜复铝撕裂缺陷区域的撕裂程度与铜复铝磨损缺陷区域磨损程度,获取无缺陷铜复铝件的热图像,预设铜复铝表面整体缺陷严重程度阈值,将铜复铝撕裂缺陷区域的撕裂程度与铜复铝磨损缺陷区域磨损程度导入BP神经网络算法中进行训练,得到铜复铝表面整体缺陷严重程度;
若所述铜复铝表面整体缺陷严重程度小于铜复铝表面整体缺陷严重程度阈值,则铜复铝件仍可使用,同时对铜复铝件金星表面修复;
若所述铜复铝表面整体缺陷严重程度大于铜复铝表面整体缺陷严重程度阈值,则铜复铝件不符合规格要求,不可使用。
需要说明的是,感应线圈在导电构件上施加瞬态高频电流激励信号,在铜复铝表面产生涡流与电阻热,铜复铝表面缺陷位置温度高于无缺陷位置温度,且随缺陷程度不同,铜复铝表面缺陷位置温度大小不同,通过热像图可分析得出铜复铝表面缺陷位置缺陷程度。通过与铜复铝表面整体缺陷严重程度阈值比较决定铜复铝件的处理方法。本发明能够结合热成像图分析铜复铝表面缺陷程度。
如图3所示,本发明第二方面提供了一种基于机器视觉的铜复铝表面缺陷检测系统的视图,所述铜复铝表面缺陷检测系统包括存储器31与处理器32,所述存储器31中储存有铜复铝表面缺陷检测程序,所述铜复铝表面缺陷检测程序被所述处理器32执行时,实现如下步骤:
确定铜复铝表面缺陷位置,使用激光探伤仪获取铜复铝表面缺陷图像;
对铜复铝表面缺陷图像进行图像预处理得到预处理铜复铝表面缺陷图像,对所述预处理铜复铝表面缺陷图像进行特征提取,得到铜复铝表面缺陷基本信息;
对铜复铝表面缺陷灰度化图像进行波谷提取与阈值分割处理,得到最佳阈值;
通过SVM分类器对所述铜复铝表面缺陷基本信息与最佳阈值进行训练分类,得到分类处理后的铜复铝表面缺陷具体信息;
根据所述分类处理后的铜复铝表面缺陷具体信息,对生产铜复铝的工厂进行反馈跟进处理。
以上,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,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种基于机器视觉的铜复铝表面缺陷检测方法,其特征在于,包括以下步骤:
确定铜复铝表面缺陷位置,使用激光探伤仪获取铜复铝表面缺陷图像;
对铜复铝表面缺陷图像进行图像预处理得到预处理铜复铝表面缺陷灰度化图像,对所述预处理铜复铝表面缺陷灰度化图像进行特征提取,得到铜复铝表面缺陷基本信息;
对铜复铝表面缺陷灰度化图像进行波谷提取与阈值分割处理,得到最佳阈值;
通过SVM分类器对所述铜复铝表面缺陷基本信息与最佳阈值进行训练分类,得到分类处理后的铜复铝表面缺陷具体信息;
根据所述分类处理后的铜复铝表面缺陷具体信息,对生产铜复铝的工厂进行反馈跟进处理;
其中,所述通过SVM分类器对所述铜复铝表面缺陷基本信息与最佳阈值进行训练分类,得到分类处理后的铜复铝表面缺陷具体信息,具体为:
将所述铜复铝表面缺陷基本信息与最佳阈值导入SVM分类器中,构建数据集;
对数据集进行数据清洗,删除重复信息,纠正数据集的错误数据,保持数据一致性,并对进行数据清洗后的数据集进行特征提取和特征缩放;
对离群点数据进行处理,分析数据集中离群点数据,若离群点数据数量小于预设值,则删除离群点数据,若离群点数据数量大于预设值,则对离群点数据使用对数变换及用平均值和中位数代替离群点数据;
对数据集内数据进行噪声处理,对数据进行等频等宽分箱操作,利用每个箱中平均数代替箱中所有的数据,得到预处理数据集;
SVM分类器采用径向基函数作为核函数,通过径向基函数将预处理数据集内的数据映射至高维空间中,取预处理数据集内的数据距离最大的位置,通过SVM分类器建立超平面;
超平面内存在线性分布的数据点,分析超平面内各数据点,判断个数据点种类,并根据数据点种类对数据点进行分类处理;
将分类处理后的数据点导出SVM分类器,生成分类处理后的铜复铝表面缺陷具体信息;
其中,所述根据所述分类处理后的铜复铝表面缺陷具体信息,对生产铜复铝的工厂进行反馈跟进处理,具体为:
将所述分类处理后的铜复铝表面缺陷具体信息反馈至生产铜复铝的工厂,生产铜复铝的工厂将分类处理后的铜复铝表面缺陷具体信息导入铜复铝生产系统,生成当前铜复铝表面缺陷状况;
获取铜复铝件各种生产工序,基于铜复铝生产系统,将分类处理后的铜复铝表面缺陷具体信息与铜复铝件各种生产工序相结合,使不同类别的铜复铝表面缺陷与铜复铝件各种生产工序相对应;
根据所述铜复铝表面缺陷状况获取对应生产工序进行标记,使用标记生产工序进行初步缺陷溯源;
利用大数据手段获取铜复铝件各种生产工序在正常无缺陷加工场景下的生产参数,作为各生产工序的基准生产参数;
当所述标记生产工序的数量为1时,则直接提取标记生产工序的基准生产参数进行工序改进修正;
当所述标记生产工序的数量大于1时,则利用历史生产参数检索获取当前铜复铝件在标记生产工序中的历史生产参数,计算标记生产工序中的历史生产参数与基准生产参数的欧式距离;
基于所述欧式距离进行标记生产工序的排序,根据排序结果获取欧式距离最大的标记生产工序,实现精准缺陷溯源,并根据欧式距离最大的标记生产工序的生产参数偏差进行生产工序的改进修正;
其中,所述一种基于机器视觉的铜复铝表面缺陷检测方法,还包括以下步骤:
通过激光探伤仪在待检测铜复铝件上施加高频信号,所述高频信号经过感应线圈,在待检测铜复铝件上产生感应涡流,所述感应涡流为涡流热响应信号;
通过调控激光探伤仪的信号频率,改变涡流热响应信号的频率,产生热图像序列,通过红外热像仪记录热图像序列并生成铜复铝表面热图像,铜复铝表面缺陷区域在铜复铝表面热图像中亮度最大,在铜复铝表面热图像中根据预设亮面大小划分区域;
定义亮面大小大于预设值的亮面区域为铜复铝撕裂缺陷区域,获取铜复铝撕裂缺陷区域的多重分形谱,利用多重分形谱的变化参数计算所述铜复铝撕裂缺陷区域的撕裂程度;
定义亮面大小小于预设值的亮面区域为铜复铝磨损缺陷区域,计算铜复铝磨损缺陷区域面积,结合铜复铝表面缺陷灰度图像中对应区域的灰度值,评估铜复铝磨损缺陷区域磨损程度;
记录铜复铝撕裂缺陷区域的撕裂程度与铜复铝磨损缺陷区域磨损程度,获取无缺陷铜复铝件的热图像,预设铜复铝表面整体缺陷严重程度阈值,将铜复铝撕裂缺陷区域的撕裂程度与铜复铝磨损缺陷区域磨损程度导入BP神经网络算法中进行训练,得到铜复铝表面整体缺陷严重程度;
若所述铜复铝表面整体缺陷严重程度小于铜复铝表面整体缺陷严重程度阈值,则铜复铝件仍可使用,同时对铜复铝件进行表面修复;
若所述铜复铝表面整体缺陷严重程度大于铜复铝表面整体缺陷严重程度阈值,则铜复铝件不符合规格要求,不可使用。
2.根据权利要求1中所述一种基于机器视觉的铜复铝表面缺陷检测方法,其特征在于,所述确定铜复铝表面缺陷位置,使用激光探伤仪获取铜复铝表面缺陷图像,具体为:
取待检测的铜复铝与无表面缺陷铜复铝进行对比,根据待检测的铜复铝与无表面缺陷铜复铝的光滑度、厚度、完整度、亮度和纹理的不同,确定待检测的铜复铝的表面缺陷位置;
根据所述待检测的铜复铝的表面缺陷位置,获取铜复铝表面缺陷位置初始图像;
激光探伤仪发出脉冲激光,经过光路调节器将激光投射至铜复铝表面,所述铜复铝表面经过激光照射后生成热激励超声波,由激光探伤仪的信号接收装置接收后得到动态脉冲波形;
对所述动态脉冲波形的变化幅度与频率进行分析,得到动态脉冲波形分析结果,接收由铜复铝表面反射的脉冲激光,根据脉冲激光的入射角度、反射角度和反射时间,结合所述动态脉冲波形分析结果与铜复铝表面缺陷位置初始图像,生成铜复铝表面缺陷图像。
3.根据权利要求1中所述一种基于机器视觉的铜复铝表面缺陷检测方法,其特征在于,所述对铜复铝表面缺陷图像进行图像预处理得到预处理铜复铝表面缺陷灰度化图像,对所述预处理铜复铝表面缺陷灰度化图像进行特征提取,得到铜复铝表面缺陷基本信息,具体为:
对铜复铝表面缺陷图像进行图像预处理,通过直线形结构Gabor滤波器对铜复铝表面缺陷图像进行滤波处理,生成预处理铜复铝表面缺陷图像;
将所述预处理铜复铝表面缺陷图像进行灰度化处理,生成铜复铝表面缺陷灰度化图像,对所述铜复铝表面缺陷灰度化图像进行直方图均衡化处理并将铜复铝表面缺陷灰度化图像压缩为12个灰度级;
计算压缩后的铜复铝表面缺陷灰度化图像,得到铜复铝表面缺陷灰度化图像各个像素点的共生矩阵特征值,根据所述铜复铝表面缺陷灰度化图像各个像素点的共生矩阵特征值得到铜复铝表面缺陷基本信息。
4.根据权利要求1中所述一种基于机器视觉的铜复铝表面缺陷检测方法,其特征在于,所述对铜复铝表面缺陷灰度化图像进行波谷提取与阈值分割处理,得到最佳阈值,具体为:
将所述铜复铝表面缺陷灰度化图像进行灰度反转处理,取暗处图像进行波谷提取,得到波谷提取铜复铝表面缺陷灰度化图像;
基于最大类间方差法,对波谷提取铜复铝表面缺陷灰度化图像中有缺陷部分的图像与背景部分的图像进行图像分割处理;
对分割后的有缺陷部分的图像与背景部分的图像分别使用中值滤波法,去除分割后有缺陷部分的图像与背景部分的图像的噪点;
提取有缺陷部分的图像的像素点进行灰度计算得到缺陷像素点灰度值;
提取背景部分图像的像素点进行灰度计算得到背景像素点灰度值;
计算缺陷像素点灰度值与背景像素点灰度值对应的类间方差值,取最大类间方差值为最佳阈值。
5.一种基于机器视觉的铜复铝表面缺陷检测系统,其特征在于,所述铜复铝表面缺陷检测系统包括存储器与处理器,所述存储器中储存有铜复铝表面缺陷检测程序,所述铜复铝表面缺陷检测程序被所述处理器执行时,实现如下步骤:
确定铜复铝表面缺陷位置,使用激光探伤仪获取铜复铝表面缺陷图像;
对铜复铝表面缺陷图像进行图像预处理得到预处理铜复铝表面缺陷灰度化图像,对所述预处理铜复铝表面缺陷灰度化图像进行特征提取,得到铜复铝表面缺陷基本信息;
对铜复铝表面缺陷灰度化图像进行波谷提取与阈值分割处理,得到最佳阈值;
通过SVM分类器对所述铜复铝表面缺陷基本信息与最佳阈值进行训练分类,得到分类处理后的铜复铝表面缺陷具体信息;
根据所述分类处理后的铜复铝表面缺陷具体信息,对生产铜复铝的工厂进行反馈跟进处理;
其中,所述通过SVM分类器对所述铜复铝表面缺陷基本信息与最佳阈值进行训练分类,得到分类处理后的铜复铝表面缺陷具体信息,具体为:
将所述铜复铝表面缺陷基本信息与最佳阈值导入SVM分类器中,构建数据集;
对数据集进行数据清洗,删除重复信息,纠正数据集的错误数据,保持数据一致性,并对进行数据清洗后的数据集进行特征提取和特征缩放;
对离群点数据进行处理,分析数据集中离群点数据,若离群点数据数量小于预设值,则删除离群点数据,若离群点数据数量大于预设值,则对离群点数据使用对数变换及用平均值和中位数代替离群点数据;
对数据集内数据进行噪声处理,对数据进行等频等宽分箱操作,利用每个箱中平均数代替箱中所有的数据,得到预处理数据集;
SVM分类器采用径向基函数作为核函数,通过径向基函数将预处理数据集内的数据映射至高维空间中,取预处理数据集内的数据距离最大的位置,通过SVM分类器建立超平面;
超平面内存在线性分布的数据点,分析超平面内各数据点,判断个数据点种类,并根据数据点种类对数据点进行分类处理;
将分类处理后的数据点导出SVM分类器,生成分类处理后的铜复铝表面缺陷具体信息;
其中,所述根据所述分类处理后的铜复铝表面缺陷具体信息,对生产铜复铝的工厂进行反馈跟进处理,具体为:
将所述分类处理后的铜复铝表面缺陷具体信息反馈至生产铜复铝的工厂,生产铜复铝的工厂将分类处理后的铜复铝表面缺陷具体信息导入铜复铝生产系统,生成当前铜复铝表面缺陷状况;
获取铜复铝件各种生产工序,基于铜复铝生产系统,将分类处理后的铜复铝表面缺陷具体信息与铜复铝件各种生产工序相结合,使不同类别的铜复铝表面缺陷与铜复铝件各种生产工序相对应;
根据所述铜复铝表面缺陷状况获取对应生产工序进行标记,使用标记生产工序进行初步缺陷溯源;
利用大数据手段获取铜复铝件各种生产工序在正常无缺陷加工场景下的生产参数,作为各生产工序的基准生产参数;
当所述标记生产工序的数量为1时,则直接提取标记生产工序的基准生产参数进行工序改进修正;
当所述标记生产工序的数量大于1时,则利用历史生产参数检索获取当前铜复铝件在标记生产工序中的历史生产参数,计算标记生产工序中的历史生产参数与基准生产参数的欧式距离;
基于所述欧式距离进行标记生产工序的排序,根据排序结果获取欧式距离最大的标记生产工序,实现精准缺陷溯源,并根据欧式距离最大的标记生产工序的生产参数偏差进行生产工序的改进修正;
通过激光探伤仪在待检测铜复铝件上施加高频信号,所述高频信号经过感应线圈,在待检测铜复铝件上产生感应涡流,所述感应涡流为涡流热响应信号;
通过调控激光探伤仪的信号频率,改变涡流热响应信号的频率,产生热图像序列,通过红外热像仪记录热图像序列并生成铜复铝表面热图像,铜复铝表面缺陷区域在铜复铝表面热图像中亮度最大,在铜复铝表面热图像中根据预设亮面大小划分区域;
定义亮面大小大于预设值的亮面区域为铜复铝撕裂缺陷区域,获取铜复铝撕裂缺陷区域的多重分形谱,利用多重分形谱的变化参数计算所述铜复铝撕裂缺陷区域的撕裂程度;
定义亮面大小小于预设值的亮面区域为铜复铝磨损缺陷区域,计算铜复铝磨损缺陷区域面积,结合铜复铝表面缺陷灰度图像中对应区域的灰度值,评估铜复铝磨损缺陷区域磨损程度;
记录铜复铝撕裂缺陷区域的撕裂程度与铜复铝磨损缺陷区域磨损程度,获取无缺陷铜复铝件的热图像,预设铜复铝表面整体缺陷严重程度阈值,将铜复铝撕裂缺陷区域的撕裂程度与铜复铝磨损缺陷区域磨损程度导入BP神经网络算法中进行训练,得到铜复铝表面整体缺陷严重程度;
若所述铜复铝表面整体缺陷严重程度小于铜复铝表面整体缺陷严重程度阈值,则铜复铝件仍可使用,同时对铜复铝件进行表面修复;
若所述铜复铝表面整体缺陷严重程度大于铜复铝表面整体缺陷严重程度阈值,则铜复铝件不符合规格要求,不可使用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310813944.XA CN116563277B (zh) | 2023-07-05 | 2023-07-05 | 一种基于机器视觉的铜复铝表面缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310813944.XA CN116563277B (zh) | 2023-07-05 | 2023-07-05 | 一种基于机器视觉的铜复铝表面缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116563277A CN116563277A (zh) | 2023-08-08 |
CN116563277B true CN116563277B (zh) | 2023-10-13 |
Family
ID=87496818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310813944.XA Active CN116563277B (zh) | 2023-07-05 | 2023-07-05 | 一种基于机器视觉的铜复铝表面缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116563277B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273980B (zh) * | 2023-10-07 | 2024-04-30 | 广州恩锐施智能科技有限公司 | 基于数据分析的智慧工厂管理方法、系统及存储介质 |
CN118244728A (zh) * | 2024-05-27 | 2024-06-25 | 徐州鸿丰高分子材料有限公司 | 一种环氧树脂生产制备智能监控控制系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415222A (zh) * | 2019-07-16 | 2019-11-05 | 东华大学 | 一种基于纹理特征的丝饼侧面缺陷识别方法 |
CN110599470A (zh) * | 2019-08-30 | 2019-12-20 | 武汉科技大学 | 一种磁瓦表面缺陷检测系统和方法 |
CN113592845A (zh) * | 2021-08-10 | 2021-11-02 | 深圳市华汉伟业科技有限公司 | 一种电池涂布的缺陷检测方法及装置、存储介质 |
CN114119526A (zh) * | 2021-11-19 | 2022-03-01 | 江南大学 | 一种基于机器视觉的钢板表面缺陷检测与识别系统及方法 |
CN114441552A (zh) * | 2022-02-28 | 2022-05-06 | 中国船舶重工集团公司第七0七研究所 | 一种高精度光纤环圈灌胶缺陷检测与修正方法 |
JP2023067750A (ja) * | 2021-10-29 | 2023-05-16 | Jfeスチール株式会社 | 金属帯の表面欠陥判定モデルの生成方法及びその装置、金属帯の合否判定方法及びその装置、及び、金属帯の製造方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934814B (zh) * | 2019-03-15 | 2022-02-01 | 英业达科技有限公司 | 表面缺陷侦测系统及其方法 |
US20210370993A1 (en) * | 2020-05-27 | 2021-12-02 | University Of South Carolina | Computer vision based real-time pixel-level railroad track components detection system |
US11430105B2 (en) * | 2020-06-15 | 2022-08-30 | Mitutoyo Corporation | Workpiece inspection and defect detection system including monitoring of workpiece images |
-
2023
- 2023-07-05 CN CN202310813944.XA patent/CN116563277B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415222A (zh) * | 2019-07-16 | 2019-11-05 | 东华大学 | 一种基于纹理特征的丝饼侧面缺陷识别方法 |
CN110599470A (zh) * | 2019-08-30 | 2019-12-20 | 武汉科技大学 | 一种磁瓦表面缺陷检测系统和方法 |
CN113592845A (zh) * | 2021-08-10 | 2021-11-02 | 深圳市华汉伟业科技有限公司 | 一种电池涂布的缺陷检测方法及装置、存储介质 |
JP2023067750A (ja) * | 2021-10-29 | 2023-05-16 | Jfeスチール株式会社 | 金属帯の表面欠陥判定モデルの生成方法及びその装置、金属帯の合否判定方法及びその装置、及び、金属帯の製造方法 |
CN114119526A (zh) * | 2021-11-19 | 2022-03-01 | 江南大学 | 一种基于机器视觉的钢板表面缺陷检测与识别系统及方法 |
CN114441552A (zh) * | 2022-02-28 | 2022-05-06 | 中国船舶重工集团公司第七0七研究所 | 一种高精度光纤环圈灌胶缺陷检测与修正方法 |
Non-Patent Citations (2)
Title |
---|
基于机器视觉的铜条表面缺陷检测系统的研究;吴浩;;仪表技术与传感器(第07期);第86-88、92页 * |
黄秀琴 等.在线铝带材表面检测系统.轻合金加工技术.2014,第42卷(第12期),第40-45页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116563277A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116563277B (zh) | 一种基于机器视觉的铜复铝表面缺陷检测方法及系统 | |
CN109490316A (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
CN111815555A (zh) | 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置 | |
You et al. | Machine vision based adaptive online condition monitoring for milling cutter under spindle rotation | |
CN116563282B (zh) | 一种基于机器视觉的钻削刀具检测方法及系统 | |
CN116423005B (zh) | 一种提高焊接精度的锡焊工艺优化方法及系统 | |
CN110689524B (zh) | 一种无参考在线图像清晰度评价方法与系统 | |
CN115222743B (zh) | 基于视觉的家具表面喷漆缺陷检测方法 | |
CN117152161B (zh) | 一种基于图像识别的刨花板质量检测方法及系统 | |
CN111667475B (zh) | 一种基于机器视觉的大枣分级检测方法 | |
CN117350967B (zh) | 一种基于光学检测晶圆外观缺陷检测系统及其方法 | |
CN116630329B (zh) | 用于多轴多通道数控系统的在线视觉检测方法 | |
CN111968082A (zh) | 一种基于机器视觉的产品包装缺陷检测识别方法 | |
CN117333467B (zh) | 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及系统 | |
Kamani et al. | Automatic paint defect detection and classification of car body | |
CN116776647B (zh) | 一种复合镍铜铝散热底板的性能预测方法及系统 | |
Kamani et al. | Car body paint defect inspection using rotation invariant measure of the local variance and one-against-all support vector machine | |
CN117058089A (zh) | 烟支外观检测方法 | |
CN113919396B (zh) | 一种基于半监督学习的振动信号和图像特征机床刀具磨损状态监测方法 | |
JP7469740B2 (ja) | ベルト検査システムおよびベルト検査プログラム | |
CN114764867A (zh) | 基于图像主特征提取的风机故障诊断系统、方法及应用 | |
Ravničan et al. | A Prestudy of Machine Learning in Industrial Quality Control Pipelines | |
CN117593301B (zh) | 基于机器视觉的内存条损伤快速检测方法及系统 | |
CN116818778B (zh) | 一种汽车部件快速智能检测方法及系统 | |
CN117668518B (zh) | 一种离散型智能制造方法及系统 |
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 |