CN116840240A - 电源分配器视觉检测系统 - Google Patents
电源分配器视觉检测系统 Download PDFInfo
- Publication number
- CN116840240A CN116840240A CN202310886457.6A CN202310886457A CN116840240A CN 116840240 A CN116840240 A CN 116840240A CN 202310886457 A CN202310886457 A CN 202310886457A CN 116840240 A CN116840240 A CN 116840240A
- Authority
- CN
- China
- Prior art keywords
- power supply
- detection
- power
- algorithm
- distributor
- 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 100
- 230000000007 visual effect Effects 0.000 title claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 81
- 230000007547 defect Effects 0.000 claims abstract description 80
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000007405 data analysis Methods 0.000 claims abstract description 18
- 230000003993 interaction Effects 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000013135 deep learning Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000003708 edge detection Methods 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 10
- 238000011179 visual inspection Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000003702 image correction Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 15
- 230000008569 process Effects 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000005856 abnormality Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000001454 recorded image Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000003466 welding 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- 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)
- Image Analysis (AREA)
Abstract
本发明提出了电源分配器视觉检测系统，包括：一或多个摄像头、图像处理模块、特征提取算法、缺陷检测算法、数据分析模块和控制台。该电源分配器视觉检测系统，通过将图像处理和计算机视觉技术应用于电源分配器的检测过程中，实现了自动化和高效率的检测，提高了生产效率和产品质量；通过对计算机视觉算法输出的数据进行分析和判断，能够准确评估电源分配器的性能和质量，避免了人为错误和主观判断的影响；通过控制台提供直观的检测结果显示和操作界面，方便操作人员进行交互和调整，提高了检测的准确性和可操作性。
Description
技术领域
本发明涉及视觉检测技术领域，具体涉及电源分配器视觉检测系统。
背景技术
传统的电源分配器在生产过程中的质量控制往往依赖人工进行目视检查，存在效率低下和易发生人为错误等问题。因此，需要自动化的电源分配器视觉检测系统，以提高生产效率和产品质量。
发明内容
本发明提出电源分配器视觉检测系统，解决了上述背景技术提到的问题。
本发明的技术方案是这样实现的：
电源分配器视觉检测系统，包括：
一或多个摄像头：用于获取电源分配器的图像数据；
图像处理模块：用于对获取的图像进行预处理、滤波和图像增强；
特征提取算法：通过图像处理模块提取的特征，进行电源分配器的几何特征和结构特征的识别；
缺陷检测算法：基于特征提取结果对电源分配器进行缺陷检测；
数据分析模块：用于分析和评估电源分配器的缺陷程度，并生成相应的检测报告；
控制台：用于显示检测结果和提供人机交互界面，操作人员可以通过控制台与系统进行交互并进行必要的调整。
进一步，其中图像处理模块的预处理操作包括图像校正、去噪和图像增强。
进一步，其中特征提取算法包括轮廓提取、边缘检测和关键点定位。
进一步，其中缺陷检测算法包括形状匹配、颜色检测和纹理分析。
进一步，其中数据分析模块采用机器学习算法，通过对缺陷检测结果的统计分析和分类，评估电源分配器的缺陷程度。
进一步，其中控制台提供可视化界面，显示电源分配器的图像和检测结果，并提供操作按钮和参数调节框。
进一步，还包括报警模块，当检测到严重缺陷时，通过控制台或其他方式发出报警信号。
进一步，其中摄像头设置为多视角摄像头数组，以获得电源分配器的多个视角图像。
进一步，还包括自动化控制模块，用于自动调整图像处理和算法参数，以适应不同型号和规格的电源分配器。
进一步，其中数据分析模块采用深度学习算法，通过对大量样本数据的训练和学习，提高缺陷检测的准确性和稳定性。
本申请提供的技术方案带来的有益效果：
该电源分配器视觉检测系统，通过将图像处理和计算机视觉技术应用于电源分配器的检测过程中，实现了自动化和高效率的检测，提高了生产效率和产品质量；通过对计算机视觉算法输出的数据进行分析和判断，能够准确评估电源分配器的性能和质量，避免了人为错误和主观判断的影响；通过控制台提供直观的检测结果显示和操作界面，方便操作人员进行交互和调整，提高了检测的准确性和可操作性。
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的附图。
图1为本发明流程示意图；
图2为本发明功能说明架构示意图。
具体实施方式
下面将结合本发明实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
参照图1-2，电源分配器视觉检测系统，包括：
一或多个摄像头：用于获取电源分配器的图像数据；
图像处理模块：用于对获取的图像进行预处理、滤波和图像增强；
特征提取算法：通过图像处理模块提取的特征，进行电源分配器的几何特征和结构特征的识别；
通过以下计算公式实施：
轮廓提取：采用Canny边缘检测算法获取电源分配器的轮廓；
边缘检测：应用Sobel算子进行边缘检测，以提取电源分配器的边缘信息；
关键点定位：使用Harris角点检测算法定位电源分配器的关键点；
结构特征识别：基于轮廓、边缘和关键点信息，识别电源分配器的位置、配线状态等结构特征；
通过摄像头获取电源分配器的图像数据，并利用图像处理算法对图像进行预处理、滤波和增强，然后使用特征提取算法提取电源分配器的几何特征和结构特征。采用Canny边缘检测算法和Sobel算子进行轮廓提取和边缘检测，以获取电源分配器的轮廓信息和边缘信息。使用Harris角点检测算法定位电源分配器的关键点，然后基于轮廓、边缘和关键点信息，识别电源分配器的位置、配线状态等结构特征。
缺陷检测算法：基于特征提取结果对电源分配器进行缺陷检测；
通过以下计算公式实施：
形状匹配：采用模板匹配算法与预定义的标准形状进行匹配，以识别断路器异常；
颜色检测：应用颜色空间转换和阈值分割技术，检测出电源分配器表面异常颜色的区域；
纹理分析：利用纹理特征提取和纹理描述算法，识别线缆损坏或连接器松动等纹理异常；
基于特征提取结果，对电源分配器进行缺陷检测。其中，形状匹配采用模板匹配算法，颜色检测应用颜色空间转换和阈值分割技术，纹理分析利用纹理特征提取和纹理描述算法。
数据分析模块：用于分析和评估电源分配器的缺陷程度，并生成相应的检测报告；
控制台：用于显示检测结果和提供人机交互界面，操作人员可以通过控制台与系统进行交互并进行必要的调整。
数据分析模块用于分析和评估电源分配器的缺陷程度，并生成相应的检测报告，为后续维修和维护提供参考。通过控制台显示检测结果，并提供人机交互界面，操作人员可以通过控制台与系统进行交互并进行必要的调整，提高了操作的便利性和效率。
优选的实施例中，其中图像处理模块的预处理操作包括图像校正、去噪和图像增强。通过图像处理模块对获取的图像进行校正，可以纠正由于相机角度或位置不准确导致的图像畸变，提高图像的几何精度和形状测量的准确性。在图像获取过程中，可能会受到光线条件、传感器噪声等因素的影响，导致图像中存在噪点或噪声。图像处理模块采用去噪算法，可以有效地降低图像中的噪声水平，提高图像的清晰度和细节可见性。通过图像处理模块的图像增强算法，可以改善图像的对比度、亮度和色彩平衡等方面，使得图像更加鲜明、清晰，并突出目标物体的特征，有助于后续的特征提取和缺陷检测操作。
部分的实施例中，其中特征提取算法包括轮廓提取、边缘检测和关键点定位。通过轮廓提取，从电源分配器的图像中提取出其外部轮廓信息。这有助于确定电源分配器的形状、大小和位置等结构特征，为后续的缺陷检测和位置识别提供基础。利用边缘检测，可以将电源分配器图像中的边缘部分提取出来。边缘信息包含了电源分配器不同区域之间的边界，利用这些边缘信息可以更好地区分电源分配器的各个组成部分，从而实现更准确的结构特征识别和缺陷检测。通过关键点定位，可以在电源分配器图像中检测出关键的特征点。这些特征点对于描述电源分配器的形状、角度和拓扑结构等信息具有重要意义，能够帮助系统进行位置匹配、配线状态检测等工作。
部分的实施例中，其中缺陷检测算法包括形状匹配、颜色检测和纹理分析。通过形状匹配，可以将电源分配器的实际形状与预定义的模板形状进行比较和匹配。这有助于检测出电源分配器中可能存在的形状缺陷，例如形状变形、断裂或缺失等情况。利用颜色检测，可以对电源分配器的图像进行色彩信息的分析和检测。通过判断分析电源分配器的颜色是否符合预期范围，可以发现可能存在的颜色缺陷，如色斑、褪色或染料不均匀等问题。通过纹理分析，可以对电源分配器图像中的纹理信息进行提取和分析。通过比较实际纹理与预期纹理之间的差异，可以检测出可能存在的纹理缺陷，如凹凸不平、破损或污垢等情况。
部分的实施例中，其中数据分析模块采用机器学习算法，通过对缺陷检测结果的统计分析和分类，评估电源分配器的缺陷程度。电源分配器可能存在多种不同类型的缺陷，而每个缺陷的程度可能也不相同。通过机器学习算法对缺陷检测结果进行统计分析和分类，可以对电源分配器的缺陷进行准确的评估和量化，从而确定缺陷的严重程度。传统的缺陷评估通常需要人工进行判断和打分，耗时且容易受主观因素的影响。通过引入机器学习算法，可以实现对电源分配器缺陷的自动化评估，提高评估效率和准确性，减少人为误判。在实际生产环境中，电源分配器的缺陷检测通常会产生大量的数据，包括各种类型的缺陷和其对应的特征信息。通过机器学习算法，可以高效地对这些大规模数据进行分析和处理，提取有效的特征并进行分类和评估。
在上述实施例中，数据分析模块采用机器学习算法可以是以下几种：支持向量机：SVM是一种监督学习算法，用于分类和回归任务。对于电源分配器缺陷检测，可以使用SVM来构建分类器，将输入数据分为正常和缺陷两类。决策树：决策树是一种基于树形结构的分类与回归算法。在电源分配器缺陷检测中，决策树可以根据特定的特征属性对样本进行划分，通过构建一系列的决策规则来判断样本的类别。随机森林：随机森林是一种集成学习算法，结合了多个决策树模型。在电源分配器缺陷检测中，可以使用随机森林来提高分类性能和泛化能力。朴素贝叶斯：朴素贝叶斯算法基于贝叶斯定理和特征之间的独立性假设，适用于分类任务。在电源分配器缺陷检测中，可以使用朴素贝叶斯算法对不同类型缺陷进行分类。K近邻：KNN是一种基于实例的学习方法，根据距离度量来决定新样本的类别。在电源分配器缺陷检测中，可以使用KNN算法根据最近邻样本的类别来判断待测样本是否存在缺陷。这里列举的机器学习算法只是一些常见的例子，实际应用中可能根据具体情况选择不同的算法或结合多种算法进行模型构建和训练。同时，还需要根据数据集的特点和任务需求进行适当的调整和优化，以达到更好的缺陷检测效果。
部分的实施例中，其中控制台提供可视化界面，显示电源分配器的图像和检测结果，并提供操作按钮和参数调节框。通过提供可视化界面，将电源分配器的图像和检测结果直观地展示给用户。这解决了传统方法中仅通过文字或报表来呈现结果的问题，使用户能够更直观地了解电源分配器的实际情况。可视化界面可以实时显示电源分配器的图像和检测结果，使用户能够及时获取反馈信息。这有助于用户快速发现问题、做出决策，并即时采取必要的纠正措施，提高生产效率和产品质量。通过提供操作按钮和参数调节框，用户可以方便地对检测过程和参数进行控制和调节。这使得检测操作更加灵活和个性化，适应不同场景和需求，提高了系统的可定制性和适应性。
部分的实施例中，还包括报警模块，当检测到严重缺陷时，通过控制台或其他方式发出报警信号。报警模块是为了在检测到严重缺陷时能够及时通知相关人员或系统，通过控制台或其他方式发出报警信号。在电源分配器检测过程中，如果发现严重缺陷，需要及时通知相关人员或系统，以便采取紧急措施。通过报警模块，可以实现快速、准确的报警功能，及时提醒相关人员或系统注意问题，避免延误处理。不同的环境和操作场景可能对报警方式有特殊要求，有些场景可能适合声音报警，而有些场景可能需要通过短信、邮件或推送通知进行报警。通过设置多种报警方式，可以根据具体需求选择合适的报警方式，提高报警的灵活性和适应性。当发生严重缺陷时，报警模块可以起到故障诊断的作用。通过报警信号，相关人员可以迅速定位问题并采取适当的修复措施，缩短故障处理时间，提高生产效率和产品质量。
部分的实施例中，其中摄像头设置为多视角摄像头数组，以获得电源分配器的多个视角图像。传统的单个摄像头可能无法捕捉到电源分配器的全部细节和各个角度的图像。通过使用多视角摄像头数组，可以从不同的角度和位置同时获取图像，实现对电源分配器的全方位观测。这解决了传统方法中只能依赖人工观察或使用单个摄像头进行检测的局限性。多视角摄像头数组能够提供多个角度的图像，提高了对电源分配器的拍摄精度和图像准确性。通过结合多个视角的图像，可以更全面、准确地还原电源分配器的形状、结构和细节，有助于更精细地进行缺陷检测和分析。使用多视角摄像头数组可以同时获取多个视角的图像，加快了图像采集的速度。这有助于提高检测效率，减少生产线上的停滞时间，提高生产效率。
部分的实施例中，还包括自动化控制模块，用于自动调整图像处理和算法参数，以适应不同型号和规格的电源分配器。不同型号和规格的电源分配器可能存在形状、尺寸和特征上的差异，导致图像处理和算法参数的需要有所不同。传统方法中，需要手动调整参数以适应不同的电源分配器，这既费时又容易出错。通过自动化控制模块，可以根据电源分配器的型号和规格自动调整图像处理和算法参数，提高适应性和准确性。手动调整图像处理和算法参数对人工的依赖度高，而且调整的过程耗时。自动化控制模块能够自动识别电源分配器的型号和规格，并自动调整参数，降低了误操作和调整时间，提高了工作效率。电源分配器的型号和规格可能会随着技术的发展和市场需求而不断变化和增加。传统方法中，需要人工干预和修改参数来适应新的电源分配器，系统可扩展性较差。自动化控制模块能够动态地根据新的型号和规格自动调整参数，提高了系统的可扩展性和适应性。通过自动化控制模块的实施，上述技术方案能够自动调整图像处理和算法参数以适应不同型号和规格的电源分配器。这有助于减少人工干预和误操作，提高调整的准确性和效率，同时提升了系统的适应性和可扩展性，为不同型号和规格的电源分配器的检测提供了更好的支持。
部分的实施例中，其中数据分析模块采用深度学习算法，通过对大量样本数据的训练和学习，提高缺陷检测的准确性和稳定性。传统方法中，对于电源分配器的缺陷检测通常依赖于人工判断和经验，存在主观性和不稳定性的问题。通过采用深度学习算法，可以对大量样本数据进行训练和学习，使系统具备更高的缺陷检测准确性。深度学习模型能够从数据中学习到更丰富的特征表示，并能够自动识别和判别电源分配器中的各种缺陷，提高了准确性和稳定性。电源分配器的生产是具有大规模的特点，需要处理大量的样本数据。传统方法中，人工处理大规模数据耗时耗力，并且容易出现疏漏和错误。通过采用深度学习算法，可以对大规模数据进行自动化处理和分析。深度学习模型可以通过并行计算和优化算法，高效地处理大规模数据集，提高了数据处理的效率和可靠性。电源分配器的缺陷种类和形式可能非常多样化，传统方法中的规则检测方法往往需要手动设计大量的规则来覆盖各种情况，泛化能力有限。深度学习算法具有较强的泛化能力，通过对大量样本数据的学习，可以自动对各种缺陷进行学习和识别，并且可以适应新的未见样本，提高了系统的泛化能力和适应性。
在电源分配器缺陷检测的数据分析模块中，可以采用以下几种深度学习算法：卷积神经网络：CNN是一种用于图像处理任务的深度学习算法，特别适用于提取图像中的特征。对于电源分配器的缺陷检测，可以使用CNN对图像进行处理和分析，从而识别不同类型的缺陷。循环神经网络：RNN是一种处理序列数据的深度学习算法，对于具有时序性的数据分析非常有效。在电源分配器的缺陷检测中，可以使用RNN对时间序列数据(例如电流、电压波形等)进行建模和分析，以检测可能的缺陷。长短期记忆网络：LSTM是一种特殊的RNN变体，能够更好地处理长期依赖关系。在电源分配器的缺陷检测中，如果存在需要考虑长时间范围内的信息依赖，可以采用LSTM网络进行建模和分析。生成对抗网络：GAN是一种包含生成器和判别器的深度学习模型，用于生成逼真的合成数据。在电源分配器的缺陷检测中，可以使用GAN来生成模拟的电源分配器缺陷样本，用于训练和增强模型的分类能力。实际应用中可能根据具体情况选择不同的算法或结合多种算法进行模型构建和训练。同时，还需要根据数据集的特点和任务需求进行适当的调整和优化，以达到更好的缺陷检测效果。通过采用深度学习算法的数据分析模块，上述技术方案能够提高电源分配器缺陷检测的准确性、稳定性和泛化能力。这有助于减少人为因素对检测结果的影响，提高缺陷检测的效率和可靠性，同时适应各种不同类型的电源分配器的缺陷检测需求。
实施例一
电源分配器质量检测系统：该系统包括多个高分辨率摄像头，以不同视角同时捕获电源分配器的图像；引入实时监测和反馈功能，通过与机器学习算法结合，及时检测到异常并发出警报或停止生产，这样可以确保及时处理缺陷，减少不良品的产生。图像处理模块首先对图像进行校正、去噪和增强操作，确保图像清晰度。接下来，特征提取算法利用轮廓提取、边缘检测和关键点定位等技术，提取电源分配器的几何特征和结构特征，如尺寸、形状、连接器位置等。缺陷检测算法基于特征提取结果，通过形状匹配、颜色检测和纹理分析等方法，检测出电源分配器可能存在的缺陷，如裂纹、变形或松动的连接器。针对电源分配器的不同型号和规格，在图像处理和算法参数上引入自适应机制，根据实际情况自动调整参数，这样可以提高系统的灵活性和适应性。数据分析模块采用机器学习算法，对检测结果进行统计分析和分类，评估电源分配器的缺陷程度，并生成详细的检测报告。控制台提供可视化界面，显示电源分配器的图像和检测结果，操作人员可以查看报告、进行人机交互，并进行必要的调整和处理。提供详细的操作日志和数据记录，方便追溯和问题排查。这样可以记录下每一次操作和检测结果，帮助分析系统性能和质量问题。加强系统的安全性和稳定性，包括加密通信、权限管理等措施，以保护数据的安全性，并确保系统的可靠运行。
实施例二
电源分配器自动化生产线：在电源分配器的自动化生产线上，设置了多视角摄像头数组以获取全方位的电源分配器图像；引入实时监测和反馈功能，通过与机器学习算法结合，及时检测到异常并发出警报或停止生产，这样可以确保及时处理缺陷，减少不良品的产生。图像处理模块对图像进行校正、去噪、增强和畸变校正等预处理操作，确保记录到的图像质量高；优化图像处理算法的效率和速度，以适应实时性要求。特征提取算法利用轮廓提取、边缘检测、关键点定位和形状匹配等方法，提取电源分配器的几何特征和结构特征。缺陷检测算法综合运用颜色检测、纹理分析和更高级的深度学习算法，通过大规模样本的训练和学习，提高对各种缺陷的检测能力，对电源分配器进行缺陷检测，如识别出表面气泡、焊接异常或松动的元件；数据分析模块采用深度学习算法，通过大规模样本的训练和学习，不断优化缺陷检测的准确性和稳定性。针对电源分配器的不同型号和规格，在图像处理和算法参数上引入自适应机制，根据实际情况自动调整参数，这样可以提高系统的灵活性和适应性。生产线上的控制台显示电源分配器的图像和检测结果，提供实时监控和异常报警功能，以及自动化控制模块用于调整图像处理和算法参数，适应不同型号和规格的电源分配器。提供详细的操作日志和数据记录，方便追溯和问题排查。这样可以记录下每一次操作和检测结果，帮助分析系统性能和质量问题。加强系统的安全性和稳定性，包括加密通信、权限管理等措施，以保护数据的安全性，并确保系统的可靠运行。
实施例三
电源分配器远程巡检系统：该系统通过网络连接多处地点的电源分配器，并在中央控制室进行远程巡检。多视角摄像头捕获电源分配器的图像，图像处理模块对图像进行预处理和滤波，提高图像质量。特征提取算法通过几何特征和结构特征的识别，对图像进行分析并提取关键特征信息，如位置、配线状态等。缺陷检测算法结合形状匹配、颜色检测和纹理分析等技术，对电源分配器进行缺陷检测，如识别出断路器异常、线缆损坏或连接器松动。数据分析模块采用机器学习算法，通过对大量巡检数据的处理和分析，实现故障预警和故障趋势分析，并生成相应的报告和统计信息。针对电源分配器的不同型号和规格，在图像处理和算法参数上引入自适应机制，根据实际情况自动调整参数，这样可以提高系统的灵活性和适应性。除了进行缺陷检测和故障预警外，引入智能诊断和预测功能，利用历史数据和趋势分析，提供更准确的故障诊断和预测，帮助提前采取措施避免潜在故障的发生。中央控制室的操作人员可以通过控制台查看电源分配器的图像和检测结果，进行远程监控和管理。提供详细的操作日志和数据记录，方便追溯和问题排查。这样可以记录下每一次操作和检测结果，帮助分析系统性能和质量问题。加强系统的安全性和稳定性，包括加密通信、权限管理等措施，以保护数据的安全性，并确保系统的可靠运行。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.电源分配器视觉检测系统，其特征在于，包括：
一或多个摄像头：用于获取电源分配器的图像数据；
图像处理模块：用于对获取的图像进行预处理、滤波和图像增强；
特征提取算法：通过图像处理模块提取的特征，进行电源分配器的几何特征和结构特征的识别；
缺陷检测算法：基于特征提取结果对电源分配器进行缺陷检测；
数据分析模块：用于分析和评估电源分配器的缺陷程度，并生成相应的检测报告；
控制台：用于显示检测结果和提供人机交互界面，操作人员可以通过控制台与系统进行交互并进行必要的调整。
2.如权利要求1所述的电源分配器视觉检测系统，其特征在于，其中图像处理模块的预处理操作包括图像校正、去噪和图像增强。
3.如权利要求1所述的电源分配器视觉检测系统，其特征在于，其中特征提取算法包括轮廓提取、边缘检测和关键点定位。
4.如权利要求1所述的电源分配器视觉检测系统，其特征在于，其中缺陷检测算法包括形状匹配、颜色检测和纹理分析。
5.如权利要求1所述的电源分配器视觉检测系统，其特征在于，其中数据分析模块采用机器学习算法，通过对缺陷检测结果的统计分析和分类，评估电源分配器的缺陷程度。
6.如权利要求1所述的电源分配器视觉检测系统，其特征在于，其中控制台提供可视化界面，显示电源分配器的图像和检测结果，并提供操作按钮和参数调节框。
7.如权利要求1所述的电源分配器视觉检测系统，其特征在于，进一步包括报警模块，当检测到严重缺陷时，通过控制台或其他方式发出报警信号。
8.如权利要求1所述的电源分配器视觉检测系统，其特征在于，其中摄像头设置为多视角摄像头数组，以获得电源分配器的多个视角图像。
9.如权利要求1所述的电源分配器视觉检测系统，其特征在于，进一步包括自动化控制模块，用于自动调整图像处理和算法参数，以适应不同型号和规格的电源分配器。
10.如权利要求1所述的电源分配器视觉检测系统，其特征在于，其中数据分析模块采用深度学习算法，通过对大量样本数据的训练和学习，提高缺陷检测的准确性和稳定性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310886457.6A CN116840240A (zh) | 2023-07-18 | 2023-07-18 | 电源分配器视觉检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310886457.6A CN116840240A (zh) | 2023-07-18 | 2023-07-18 | 电源分配器视觉检测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116840240A true CN116840240A (zh) | 2023-10-03 |
Family
ID=88170562
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310886457.6A Pending CN116840240A (zh) | 2023-07-18 | 2023-07-18 | 电源分配器视觉检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116840240A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152161A (zh) * | 2023-11-01 | 2023-12-01 | 山东迪特智联信息科技有限责任公司 | 一种基于图像识别的刨花板质量检测方法及系统 |
-
2023
- 2023-07-18 CN CN202310886457.6A patent/CN116840240A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152161A (zh) * | 2023-11-01 | 2023-12-01 | 山东迪特智联信息科技有限责任公司 | 一种基于图像识别的刨花板质量检测方法及系统 |
| CN117152161B (zh) * | 2023-11-01 | 2024-03-01 | 山东迪特智联信息科技有限责任公司 | 一种基于图像识别的刨花板质量检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110619620B (zh) | 导致表面缺陷的异常定位方法、装置、系统及电子设备 | |
| CN102473660B (zh) | 等离子加工系统自动瑕疵检测和分类及其方法 | |
| CN107064170B (zh) | 一种检测手机外壳轮廓度缺陷方法 | |
| CN107483014B (zh) | 一种光伏板故障自动检测方法 | |
| CN116664551B (zh) | 基于机器视觉的显示屏检测方法、装置、设备及存储介质 | |
| JP5168215B2 (ja) | 外観検査装置 | |
| CN117358615B (zh) | 一种自动喷码印刷缺陷检测方法及系统 | |
| CN111221996B (zh) | 仪表屏幕视觉检测方法和系统 | |
| CN110927184A (zh) | 芯片封装缺陷的视觉检测方法 | |
| KR20220023726A (ko) | 딥 러닝 기반 실시간 공정 감시 시스템 및 그 방법 | |
| CN116840240A (zh) | 电源分配器视觉检测系统 | |
| CN113111903A (zh) | 智能产线监测系统及监测方法 | |
| WO2021030322A1 (en) | System and method of object detection using ai deep learning models | |
| US20200082297A1 (en) | Inspection apparatus and machine learning method | |
| CN117382129A (zh) | 注塑机数据分析系统和电子设备 | |
| CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
| CN114226262A (zh) | 瑕疵检测方法、瑕疵分类方法及其系统 | |
| CN117723739B (zh) | 一种低碳润滑油的质量分析方法及系统 | |
| CN117635905A (zh) | 基于图像识别算法的电能表装接质量智能监测方法 | |
| CN117314829A (zh) | 一种基于计算机视觉的工业零件质检方法和系统 | |
| US11320809B2 (en) | Factory management system and control system | |
| Viharos et al. | Vision based, statistical learning system for fault recognition in industrial assembly environment | |
| CN112581472A (zh) | 一种面向人机交互的目标表面缺陷检测方法 | |
| CN118154539A (zh) | 一种孔探缺陷检测方法、设备及存储介质 | |
| CN118310970B (zh) | 一种机械设备表面缺陷检测方法及系统 |
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 |