CN116721054A - 一种刀具出厂质量检测方法 - Google Patents
一种刀具出厂质量检测方法 Download PDFInfo
- Publication number
- CN116721054A CN116721054A CN202310458894.8A CN202310458894A CN116721054A CN 116721054 A CN116721054 A CN 116721054A CN 202310458894 A CN202310458894 A CN 202310458894A CN 116721054 A CN116721054 A CN 116721054A
- Authority
- CN
- China
- Prior art keywords
- cutter
- tool
- images
- image
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 86
- 230000007547 defect Effects 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 20
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000013519 translation Methods 0.000 claims description 5
- 235000002566 Capsicum Nutrition 0.000 claims description 4
- 239000006002 Pepper Substances 0.000 claims description 4
- 241000722363 Piper Species 0.000 claims description 4
- 235000016761 Piper aduncum Nutrition 0.000 claims description 4
- 235000017804 Piper guineense Nutrition 0.000 claims description 4
- 235000008184 Piper nigrum Nutrition 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000003754 machining Methods 0.000 claims description 4
- 150000003839 salts Chemical class 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000007514 turning Methods 0.000 claims description 3
- 239000011248 coating agent Substances 0.000 claims description 2
- 238000000576 coating method Methods 0.000 claims description 2
- 238000005336 cracking Methods 0.000 claims description 2
- 238000013515 script Methods 0.000 claims description 2
- 230000007306 turnover Effects 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000011179 visual inspection Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000011897 real-time detection Methods 0.000 abstract description 2
- 238000002372 labelling Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 5
- 238000005299 abrasion Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003707 image sharpening Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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
- 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
- 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
-
- 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
- G06N3/0475—Generative networks
-
- 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
- G06N3/094—Adversarial learning
-
- 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
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30204—Marker
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Quality & Reliability (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种刀具出厂质量检测方法,包括以下步骤:获取数字化图像并进行预处理;构建针对CBN刀具缺陷的数据库;对数据库中的图像进行标注;训练刀具出厂质量检测模型并测试;加载训练好的刀具出厂质量检测模型,对出厂刀具进行检测。本发明可对刀具表面放大70~100倍,远超人工目检的20~50倍。本发明是自动化操作,检测效率高,适用于工业化检测。通过使用针对目标检测的YOLOv7模型,提高了实时检测速度,降低误检率。本发明的缺陷检测模型针对CBN刀具的缺陷进行了深入分析,并对生产刀具过程进行了了解,通过对缺陷的检测可以反馈刀具制造进一步提高刀具制造的工艺。
Description
技术领域
本发明涉及刀具表面缺陷检测技术领域,具体涉及一种刀具出厂质量检测方法。
背景技术
随着我国机械制造业的发展,对先进高效刀具的需求量与日剧增,因而刀具的出厂质量检测越来越重要。在整个切削加工过程中,由于刀具表面缺陷造成的停机时间占加工过程总停机时间的7%-20%,刀具损坏和更换刀具的成本占加工总成本的3%-12%。由此可以看出好的刀具在生产加工过程中的重要性。传统的人工目检方法存在很高的误检率和漏检率,同时还存在检测速度慢、检测时间长等缺点,无法满足大规模生产检测的需要。
机器视觉检测技术是一种新兴的非接触式自动检测技术,可以满足大规模生产检测的需要,针对图像的目标检测模型是机器视觉检测技术的核心,而目前最先进的目标检测模型是YOLOv7,YOLOv7是一种基于图像全局信息进行预测的目标检测系统。与YOLOv5相比,YOLOv7模型更快、更准确,同时为训练模型提供统一框架。它由输入(Input)、主干网络(Backbone)、头部网络(Head)3个模块构成。输入模块的作用是将输入图像缩放至固定的尺寸,以便满足Backbone的输入尺寸要求。主干网络由CBS卷积层、E-ELAN卷积层和MPConv卷积层构成。E-ELAN为高效层聚合网络,能在不破坏原始梯度路径的情况下,提升网络的学习能力,还能通过引导不同特征组的计算块学习更多样化的特征。MPConv卷积层在CBS层的基础上增加了Maxpool层,构成上下两个分支,最后使用Concat操作对上下分支提取到的特征进行融合,提高了网络的特征提取能力。头部网络首先使用SPP金字塔结构,使得头部网络适用于多尺寸输入;然后采用聚合特征金字塔网络结构,将底层信息沿着自底向上的路径传递到高层,实现不同层次特征的融合;最后通过REPcon结构对不同尺度的特征进行通道数调整。
中国专利CN113685686A公开了一种基于视觉的刀具质量检测装置,获取不同磨损状态的刀具在加工过程中的声发射信号;对声发射信号进行特征提取以获取至少四种特征数据,将特征数据作为输入及对应的磨损状态作为输出训练机器学习模型以获取刀具检测模型,但加工过程中声音信号容易受到干扰、针对峰值信号判断不准确、只适用于刀具磨损转态的判断。
中国专利CN 113971783 A公开了一种基于yolov5算法的管制刀具检测模型。该模型包括收集并制作了相关的管制刀具数据集、使用CA注意力机制对yolov5进行改进、使用可变形卷积(DCN v2)对yolov5进行改进、针对刀具数据集设定anchor的大小和高宽比、训练出多种不同精度和速度的权重供用户选用。但该模型图像获取不易,数据集制作困难、存在误检情况,只能判断有无管制刀具,不能对刀具量化。
目前基于YOLOv7的刀具出厂质量检测方法。主要存在以下不足:1)通过视觉设备直接获取的图像放大倍数远大于人工目检过程中的放大倍数(70倍),但是低于精密设备的放大倍数(基恩士的设备放大倍数是1000倍),故对精密缺陷检测不到位;2)针对全刀面的数据增强方法亟待改进;3)模型参数过大,训练过程中存在震荡,不利于部署在性能低的芯片上。
为提高刀具出厂质量的检测效率,实现高效率检测,亟需一种具有较高实际应用性的检测模型。
发明内容
为了解决背景技术中的问题,本发明要提供一种刀具出厂质量检测方法,能够显著提高刀具出厂质量的检测效率、实现高效率检测。
为达此目的,本发明采用以下技术方案:
一种刀具出厂质量检测方法,包括以下步骤:
步骤S1,通过基于数控刀具的全刀面缺陷质量检测装置得到的数字化图像,并进行预处理。
步骤S2,构建针对CBN刀具缺陷的数据库,通过平移、旋转、增加噪声、使用对抗模型的方法扩充数据库中的图像数量。
步骤S3,利用Makesense.ai半自动标注工具对数据库中的图像进行标注,把数据库中的1320张图像分为两部分,其中264张作为测试集,1056张作为训练集。
步骤S4,训练刀具出厂质量检测模型并测试。从github上下载YOLOv7-D6模型,使用train.py进行训练,detect.py进项测试。训练和测试结果都放在runs文件夹中。
步骤S5,加载训练好的刀具出厂质量检测模型,对出厂刀具进行检测。
优选的,所述步骤S1中刀具为没有涂层的CBN刀具。
优选的,所述步骤S1中图像预处理方法,包括以下步骤:
步骤S11,视觉检测平台对目标刀具放大50~70倍,工业相机拍摄得到的图像统一为6M,大小为3072pixelge×2048pixel。通过image.open()和image.save()将图像由BMP转换为JPG,再由resize()函数将大小转换为640pixel×640pixel。
步骤S12,利用PIL库自带函数im.convert(‘L’)对图像进行灰度化。
步骤S13,选用中值滤波为图像消除椒盐(salt&pepper)噪声,提高清晰度,具体使用cv2.medianBlur(),在这个过程滤波尺寸选择3x3,无填充的中值滤波,中值通过numpy自带的median方法获取。
步骤S14,选用拉普拉斯算子作为图像的锐化算子进行图像锐化。具体使用opencv中的cv2.Laplacian(src,ddepth[,dst[,ksize[,scale[,delta[,borderType]]]]])函数来实现锐化。
优选的,所述步骤S2中的数据库增强方法为通过对原有图像进行随机旋转、平移变换、随机缩放和添加噪声的方式获得新图像,得到1156数量的图像后使用对抗网络中的PGGAN模型生成新的图像,以确保数据库图像不少于2000张。
优选的,所述步骤S3的图像缺陷包括掉块、裂纹、起层、气孔、崩边、圆角不相切、刀头偏和尺寸不符。
优选的,所述步骤S4,训练刀具缺陷检测模型过程中,将进过处理后的图像放在mydata/images/train,将对应的txt标签文件放在mydata/labels/train。在data/scripts中新建mydata.yaml文件并添加相对路径及类别信息。完成后在train.py文件的命令入输入窗口选择YOLOv7-D6作为初始化模型、选择路径、以0.25作为置信度阈值,以0.45作为NMS阈值,设定训练轮数为300,运行train.py函数,最佳模型存放在runs/train/exp2/weights/best.pt。得到最优模型后,在detect.py中进行测试。
优选的,所述步骤S5中的出厂刀具检测流程包括以下步骤:
步骤S51,检测开始,主机发送信号给驱动电机,驱动电机通过驱动齿轮控制转台下方的从动齿轮使得转台转动到指定位置;
步骤S52,通过高压气体清除刀具表面污垢,主机发送指令给视觉检测平台,打开光源,工业相机通过上下左右移动实现自动对焦;
步骤S53,对焦完成后,拍摄刀具的前刀面。通过三棱镜拍摄刀具的侧刀面。通过翻转机械手抓取刀具并旋转180度后放在指定位置,对焦后拍摄得到刀具的后刀面。
步骤S54,对所拍摄的CBN刀具全刀面图像进行步骤S1所述的图像预处理操作,步骤S2所述的图像增强操作;
步骤S55,经过预处理后的图像,通过训练好的best.pt模型后,得到带有不同缺陷种类的图像。对不同种类的缺陷进行量化判断把刀具分为合格刀具、可修复刀具、不可修复刀具三类。
步骤S56,判断结束后主机发送判定结果给分拣机械手。同时发送指令给电机,电机控制驱动齿轮。驱动齿轮控制从动齿轮进而带动转台转到分拣机械手的位置。
步骤S57,获得刀具检测结果的分拣机械手夹取刀具,根据分类情况把刀具夹取到不同的指定位置。夹取结束后发送指令给主机,主机收到后发送指令驱动电机,驱动转台到指定位置放置到待检测刀具。
步骤S58,主机判断刀具检测过程是否完成,若完成则重复步骤S51。
步骤S59,由机床操作人员判断检测过程是否完成,若已完成则结束加工,若未完成则进行下个周期的检测过程。
优选的,所述步骤S55中,对不同种类的缺陷进行量化判断包括,如果没有步骤S3所述缺陷则判定为合格刀具,如果刀具表面存在裂纹直接判定为不可修复刀具;其余缺陷种类则根据缺陷实际尺寸的大小和阈值对比,如果缺陷实际尺寸的大小大于阈值,则判定为不可修复缺陷,反之,则为可修复缺陷。
本发明与现有技术相比较,具有如下实质性特点和显著优点:
1、本发明可对刀具表面放大70~100倍,远超人工目检的20~50倍。
2、本发明是自动化操作,检测效率高,适用于工业化检测。通过使用针对目标检测的YOLOv7模型,提高了实时检测速度,降低误检率。
3、本发明的缺陷检测模型针对CBN刀具的缺陷进行了深入分析,并对生产刀具过程进行了了解,通过对缺陷的检测可以反馈刀具制造进一步提高刀具制造的工艺。
附图说明
图1是本发明的流程框图;
图2是CBN刀具缺陷检测模型YOLOV7结构图;
图3是CBN刀具出厂质量检测装置工作流程图;
图4是出厂质量检测模型测试图。
具体实施方式
下面结合附图详细说明本发明的具体实施方式。在此表述的具体实施方式为本发明的特定的具体实施方式,用于说明本发明的构思,均是解释性和示例性的,不应解释为对本发明实施方式及本发明范围的限制。除在此记载的实施例外,本领域技术人员还能够基于本申请权利要求书和说明书所公开的内容采用显而易见的其它技术方案,这些技术方案包括采用对在此记载的实施例的做出任何显而易见的替换和修改的技术方案,都在本发明的保护范围之内。
如图1-2所示,一种刀具出厂质量检测方法,包括以下步骤:
步骤S1,通过视觉检测平台拍摄CBN刀具全刀面图像。
在本实施例中,所述的视觉检测装置硬件具体型号为:工业相机(型号为MV-CS060-10GM)、远心镜头(型号为MVL-MY-2-65-MP)、光源(型号为HL-RD0-90-4-W)。所采集的刀具表面缺陷图像的图像精度主要由靶面尺寸为1/1.8",物距为65mm,景深为0.3mm,最大成像范围3.69mm×2.46mm的远心镜头和分辨率3072pixel×2048pixel,像元尺寸2.4μm×2.4μm的工业相机保证。
步骤S2,对视觉检测平台拍摄获得的CBN刀具全刀面图像进行预处理后,构建刀具图像数据库;
在本实施例中,图像预处理步骤如下所述:
步骤S21,将大小为3072pixel×2048pixel图像转换为640pixel×640pixel。
步骤S22,通过的拉伸灰度变换将所获得的图像转换为灰度图像。
步骤S23,通过中值滤波为图像去除噪声,提高清晰度。
步骤S24,用拉普拉斯算子作为图像的锐化算子进行图像锐化。
步骤S3,构建刀具图像数据库,进行图像增强以扩充数据库内图像数量。
在本实施例中,所述的图像增强方法为随机增强方法或对抗网络增强方法。所述步骤S3中的图像增强方法为随机增强方法或对抗网络增强方法。S3中的数据库增强方法为通过对原有图像进行随机旋转、平移变换、随机缩放和添加噪声的方式获得新图像,得到一定数量的图像后使用对抗网络中的PGGAN模型生成新的图像。
步骤S4,对数据库内大小为640pixel×640pixel的图像进行缺陷类型标注及缺陷区域标注后,将图像分为训练集及测试集。
步骤S5,通过模型训练得刀具缺陷检测模型,利用测试集对模型进行测试根据误差情况调整模型参数;
如图3所示,搭建YOLOv7模型,并对其训练得到刀具出厂缺陷检测模型。
步骤S6,搭载刀具缺陷检测模型后,CBN刀具出厂检测装置对刀具的进行出厂检测。
如图4所示,所述的进行刀具缺陷的在机检测过程具体包括以下步骤:
步骤S51,检测开始,主机发送信号给驱动电机,驱动电机通过驱动齿轮控制转台下方的从动齿轮使得转台转动到指定位置;
步骤S52,通过高压气体清除刀具表面污垢,主机发送指令给视觉检测平台,平台打开光源,平台上的工业相机通过上下左右移动来实现自动对焦;
步骤S53,对焦完成后,拍摄刀具的前刀面。通过三棱镜拍摄刀具的侧刀面。通过翻转机械手抓取刀具并旋转180度后放在指定位置,对焦后拍摄得到刀具的后刀面。
步骤S54,对所拍摄的CBN刀具全刀面图像进行步骤S2所述的图像预处理操作;
步骤S55,经过预处理后的图像,通过训练好的YOLOV7模型后,得到带有不同缺陷种类的图像。对不同种类的缺陷进行量化判断把刀具分为合格刀具、可修复刀具、不可修复刀具三类。
步骤S56,判断结束后主机发送判定结果给分拣机械手。同时发送指令给电机,电机控制驱动齿轮。驱动齿轮控制从动齿轮进而带动转台转到分拣机械手的位置。
步骤S57,获得刀具检测结果的分拣机械手夹取刀具,根据分类情况把刀具夹取到不同的指定位置。夹取结束后发送指令给主机,主机收到后发送指令驱动电机,驱动转台到指定位置放置到待检测刀具。
步骤S58,主机判断刀具检测过程是否完成,若完成则重复步骤S51。
优选的,在实际应用中机床操作人员可按照实际需求针对各类缺陷自主设定阈值。
步骤S59,在机检测装置退回至初始位置;
步骤S510,由机床操作人员判断检测过程是否完成,若已完成则结束加工,若未完成则进行下个周期的检测过程。
本发明不局限于本实施例,任何在本发明披露的技术范围内的等同构思或者改变,均列为本发明的保护范围。
Claims (8)
1.一种刀具出厂质量检测方法,其特征在于:包括以下步骤:
步骤S1,通过基于数控刀具的全刀面缺陷质量检测装置得到的数字化图像,并进行预处理;
步骤S2,构建针对CBN刀具缺陷的数据库,通过平移、旋转、增加噪声、使用对抗模型的方法扩充数据库中的图像数量;
步骤S3,利用Makesense.ai半自动标注工具对数据库中的图像进行标注,把数据库中的1320张图像分为两部分,其中264张作为测试集,1056张作为训练集;
步骤S4,训练刀具出厂质量检测模型并测试;从github上下载YOLOv7-D6模型,使用train.py进行训练,detect.py进项测试;训练和测试结果都放在runs文件夹中;
步骤S5,加载训练好的刀具出厂质量检测模型,对出厂刀具进行检测。
2.根据权利要求1所述一种刀具出厂质量检测方法,其特征在于:所述步骤S1中刀具为没有涂层的CBN刀具。
3.根据权利要求1所述一种刀具出厂质量检测方法,其特征在于:所述步骤S1中图像预处理方法,包括以下步骤:
步骤S11,视觉检测平台对目标刀具放大50~70倍,工业相机拍摄得到的图像统一为6M,大小为3072pixelge×2048pixel;通过image.open()和image.save()将图像由BMP转换为JPG,再由resize()函数将大小转换为640pixel×640pixel;
步骤S12,利用PIL库自带函数im.convert(‘L’)对图像进行灰度化;
步骤S13,选用中值滤波为图像消除椒盐(salt&pepper)噪声,提高清晰度,具体使用cv2.medianBlur(),在这个过程滤波尺寸选择3x3,无填充的中值滤波,中值通过numpy自带的median方法获取;
步骤S14,选用拉普拉斯算子作为图像的锐化算子进行图像锐化;具体使用opencv中的cv2.Laplacian(src,ddepth[,dst[,ksize[,scale[,delta[,borderType]]]]])函数来实现锐化。
4.根据权利要求1所述一种刀具出厂质量检测方法,其特征在于:所述步骤S2中的数据库增强方法为通过对原有图像进行随机旋转、平移变换、随机缩放和添加噪声的方式获得新图像,得到1156数量的图像后使用对抗网络中的PGGAN模型生成新的图像,以确保数据库图像不少于2000张。
5.根据权利要求1所述一种刀具出厂质量检测方法,其特征在于:所述步骤S3的图像缺陷包括掉块、裂纹、起层、气孔、崩边、圆角不相切、刀头偏和尺寸不符。
6.根据权利要求1所述一种刀具出厂质量检测方法,其特征在于:所述步骤S4,训练刀具缺陷检测模型过程中,将进过处理后的图像放在mydata/images/train,将对应的txt标签文件放在mydata/labels/train;在data/scripts中新建mydata.yaml文件并添加相对路径及类别信息;完成后在train.py文件的命令入输入窗口选择YOLOv7-D6作为初始化模型、选择路径、以0.25作为置信度阈值,以0.45作为NMS阈值,设定训练轮数为300,运行train.py函数,最佳模型存放在runs/train/exp2/weights/best.pt;得到最优模型后,在detect.py中进行测试。
7.根据权利要求1所述一种刀具出厂质量检测方法,其特征在于:所述步骤S5中的出厂刀具检测流程包括以下步骤:
步骤S51,检测开始,主机发送信号给驱动电机,驱动电机通过驱动齿轮控制转台下方的从动齿轮使得转台转动到指定位置;
步骤S52,通过高压气体清除刀具表面污垢,主机发送指令给视觉检测平台,打开光源,工业相机通过上下左右移动实现自动对焦;
步骤S53,对焦完成后,拍摄刀具的前刀面;通过三棱镜拍摄刀具的侧刀面;通过翻转机械手抓取刀具并旋转180度后放在指定位置,对焦后拍摄得到刀具的后刀面;
步骤S54,对所拍摄的CBN刀具全刀面图像进行步骤S1所述的图像预处理操作,步骤S2所述的图像增强操作;
步骤S55,经过预处理后的图像,通过训练好的best.pt模型后,得到带有不同缺陷种类的图像;对不同种类的缺陷进行量化判断把刀具分为合格刀具、可修复刀具、不可修复刀具三类;
步骤S56,判断结束后主机发送判定结果给分拣机械手;同时发送指令给电机,电机控制驱动齿轮;驱动齿轮控制从动齿轮进而带动转台转到分拣机械手的位置;
步骤S57,获得刀具检测结果的分拣机械手夹取刀具,根据分类情况把刀具夹取到不同的指定位置;夹取结束后发送指令给主机,主机收到后发送指令驱动电机,驱动转台到指定位置放置到待检测刀具;
步骤S58,主机判断刀具检测过程是否完成,若完成则重复步骤S51;
步骤S59,由机床操作人员判断检测过程是否完成,若已完成则结束加工,若未完成则进行下个周期的检测过程。
8.根据权利要求1所述一种刀具出厂质量检测方法,其特征在于:所述步骤S55中,对不同种类的缺陷进行量化判断包括,如果没有步骤S3所述缺陷则判定为合格刀具,如果刀具表面存在裂纹直接判定为不可修复刀具;其余缺陷种类则根据缺陷实际尺寸的大小和阈值对比,如果缺陷实际尺寸的大小大于阈值,则判定为不可修复缺陷,反之,则为可修复缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310458894.8A CN116721054A (zh) | 2023-04-25 | 2023-04-25 | 一种刀具出厂质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310458894.8A CN116721054A (zh) | 2023-04-25 | 2023-04-25 | 一种刀具出厂质量检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116721054A true CN116721054A (zh) | 2023-09-08 |
Family
ID=87866691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310458894.8A Pending CN116721054A (zh) | 2023-04-25 | 2023-04-25 | 一种刀具出厂质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116721054A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611998A (zh) * | 2023-11-22 | 2024-02-27 | 盐城工学院 | 一种基于改进YOLOv7的光学遥感图像目标检测方法 |
-
2023
- 2023-04-25 CN CN202310458894.8A patent/CN116721054A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611998A (zh) * | 2023-11-22 | 2024-02-27 | 盐城工学院 | 一种基于改进YOLOv7的光学遥感图像目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111537517B (zh) | 一种无人智能化冲压缺陷识别方法 | |
CN111929309B (zh) | 一种基于机器视觉的铸造件外观缺陷检测方法及系统 | |
CN101261234B (zh) | 表面缺陷检测装置 | |
CN109499908A (zh) | 一种用于机械零件的视觉检测系统 | |
CN111007073A (zh) | 一种増材制造过程中零件缺陷在线检测的方法及检测系统 | |
CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
CN110310259A (zh) | 一种基于改进YOLOv3算法的木结瑕疵检测方法 | |
CN101670533A (zh) | 基于工件加工表面图像分析的刀具磨损状态评价方法 | |
CN102680478A (zh) | 一种基于机器视觉的机械零部件表面缺陷检测方法及装置 | |
CN113643280B (zh) | 一种基于计算机视觉的板材分拣系统及方法 | |
CN116721054A (zh) | 一种刀具出厂质量检测方法 | |
CN111982921A (zh) | 孔缺陷的检测方法、装置、传送平台及存储介质 | |
CN108489394A (zh) | 一种大尺寸薄板金属工件几何质量自动检测装置及方法 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN212301356U (zh) | 一种轮毂焊缝视觉检测装置 | |
CN114742818A (zh) | 一种基于工业面阵摄像头视觉缺陷检测系统及其检测方法 | |
CN116539620A (zh) | 一种刀具表面缺陷在机检测方法 | |
CN104034637A (zh) | 基于机器视觉的金刚线颗粒在线质检装置 | |
CN114529510B (zh) | 一种阴极铜在线质量自动检测分类方法 | |
CN208042989U (zh) | 一种大尺寸薄板金属工件几何质量自动检测装置 | |
CN113781458A (zh) | 一种基于人工智能的识别方法 | |
CN203965287U (zh) | 基于机器视觉的金刚线颗粒在线质检装置 | |
CN117086519B (zh) | 基于工业互联网的联网设备数据分析及评估系统、方法 | |
CN113714133A (zh) | 基于机器视觉的叶片检测方法与系统 | |
CN111105413B (zh) | 一种智能火花塞外观缺陷检测系统 |
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 |