CN117269168B - 一种新能源汽车精密零配件表面缺陷检测装置及检测方法 - Google Patents
一种新能源汽车精密零配件表面缺陷检测装置及检测方法 Download PDFInfo
- Publication number
- CN117269168B CN117269168B CN202311189325.4A CN202311189325A CN117269168B CN 117269168 B CN117269168 B CN 117269168B CN 202311189325 A CN202311189325 A CN 202311189325A CN 117269168 B CN117269168 B CN 117269168B
- Authority
- CN
- China
- Prior art keywords
- detection
- spare
- size
- surface defect
- parts
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 409
- 230000007547 defect Effects 0.000 title claims abstract description 167
- 230000000007 visual effect Effects 0.000 claims abstract description 92
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000005192 partition Methods 0.000 claims description 46
- 238000000034 method Methods 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 15
- 230000009191 jumping Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000002950 deficient Effects 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000003709 image segmentation Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 238000007689 inspection Methods 0.000 description 29
- 238000011179 visual inspection Methods 0.000 description 8
- 238000000638 solvent extraction Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 238000009826 distribution Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
- 238000012795 verification Methods 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
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
-
- 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
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Geometry (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请涉及一种新能源汽车精密零配件表面缺陷检测装置及检测方法,其包括以下步骤:基于汽车精密零配件的样本数据以及历史检测数据,训练建立AI视觉检测模型;采集零配件图像信息;AI视觉检测模型基于零配件图像信息确定零配件型号,决策生成检测方案,所述检测方案包括尺寸检测项、至少一项缺陷检测项和检测流程信息;AI视觉检测模型根据检测方案以及零配件图像信息对待检测零配件按照检测流程进行尺寸检测以及表面缺陷检测,并输出检测结果。本申请具有有效提高零配件检测精度以及检测效率的效果。
Description
技术领域
本申请涉及汽车零件检测的领域,尤其是涉及一种新能源汽车精密零配件表面缺陷检测装置及检测方法。
背景技术
新能源汽车是指采用非常规的车用燃料作为动力来源(或使用常规的车用燃料、采用新型车载动力装置),综合车辆的动力控制和驱动方面的先进技术,形成的技术原理先进、具有新技术、新结构的汽车。新能源汽车生产时由上万个零件组成,其中包含了白车身总成零件和塑料件,这两种在汽车中占比很大。其主机厂对其产品质量要求是很高的,对配送厂家的零件要求关键部分合格率达到100%,其他零件基本上也都要达到99.99%,对于一级供应商,其要求为100ppm以内,其他二级三级供应商为200~400ppm。因此零件的合格与否直接影响到主机厂产品的质量,尤其是一些精密零配件,其配送厂家必须花费大量的人力进行检测和排查有缺陷的零配件。
从汽车市场来看,目前国内企业用于汽车钢铁零件表面缺陷检测的方法主要有人工检测法以及基于机器视觉的缺陷自动识别技术。人工检测法是一种凭借人眼进行表面缺陷检测的方法,这种方法的检测效果有限,有以下缺陷。一、当被测对象的运动速度高于耐时,人眼很难分辨细微的表面缺陷,从而易造成钢板表面缺陷的漏检,不能满足工业生产的精度要求。二、工人工作经验不同,判定过程中人的主观因素影响很大,无法达到标准化统一。三、工人劳动时间长,劳动强度大,检测速度慢,耗费很大的人力成本。因此,利用人工检测法对钢板表面缺陷进行检测不仅不能保证钢产品质量 ,而且往往需要限制生产线的运行速度,降低了生产效率,且容易造成漏检、误检、漏判、误判。而传统的基于机器视觉的缺陷自动识别技术分为三大步骤:图像处理、手工特征提取和模式识别。但是手工特征设计需要专业知识经验,人工干预的成分较多,无法达到真正的智能。且人为选择特征可能导致提取的特征较多,容易造成特征冗余,从而还要进行特征的选择,最后经传统的模式识别方法进行分类。这些步骤都是独立进行的,检测过程繁琐,泛化能力差,计算开销大,无法满足工业上零件检测实时性的要求。
另外采取以上两种模式进行汽车零件表面缺陷检测工作时,检测精度一般,且对于零件尺寸进行检测往往受限于检测逻辑进行整体尺寸检测,容易存现部分结构偏差。而新能源汽车的汽车零配件中存在一部分精密零配件如电池极片隔膜、关键部位金属连接件等,其不仅对瑕疵检测精度(最小瑕疵尺寸)要求过高,还要对整体尺寸公差进行严格限制,但仍会出现整体公差满足,但零件装配因尺寸不合格导致的缺陷。现有的表面缺陷检测往往无法满足检测需求,即使强行提高检测精度,往往容易导致检测效率大大降低。
发明内容
为了现有新能源汽车精密零配件表面缺陷检测精度要求过高导致检测效率较低且检测质量无法满足预期的问题,本申请提供一种新能源汽车精密零配件表面缺陷检测装置及检测方法。
第一方面,本申请提供一种新能源汽车精密零配件表面缺陷检测方法,采用如下的技术方案:
一种新能源汽车精密零配件表面缺陷检测方法,包括以下步骤:
基于汽车精密零配件的样本数据以及历史检测数据,训练建立AI视觉检测模型;
采集零配件图像信息,所述零配件图像信息包括3D图像信息和平面图像信息;
AI视觉检测模型基于零配件图像信息确定零配件型号,决策生成检测方案,所述检测方案包括尺寸检测项、至少一项缺陷检测项和检测流程信息;
AI视觉检测模型根据检测方案以及零配件图像信息对待检测零配件按照检测流程进行尺寸检测以及表面缺陷检测,并输出检测结果。
优选的,所述基于汽车精密零配件的样本数据以及历史检测数据,训练建立AI视觉检测模型具体包括以下步骤:
建立深度学习网络模型,获取各型号零配件的标准样本数据,深度学习网络模型对各型号零配件的标准样本数据进行深度学习迭代模型参数以及网络结构得到初步AI视觉检测模型;
获取各型号零配件的分区样本数据,初步AI视觉检测模型根据各型号零配件的分区样本数据进行分区训练使其获得对零配件精确分区能力;
获取各型号零配件的历史检测数据,完成分区训练的初步AI视觉检测模型根据各型号零配件的历史检测数据再次进行深度学习确定各型号零配件的各类表面缺陷的出现频率以及出现位置,得到AI视觉检测模型。
优选的,所述AI视觉检测模型基于零配件图像信息确定零配件型号,决策生成检测方案具体包括以下步骤:
AI视觉检测模型对零配件图像信息进行识别确定零配件的基本信息,所述零配件的基本信息包括规格信息、型号信息和检测需求信息;
AI视觉检测模型基于零配件的规格信息确定零配件的尺寸检测项以及尺寸检测流程信息;
AI视觉检测模型根据零配件的型号信息以及检测需求信息确定至少一个表面缺陷检测项以及检测标准信息,所述检测标准信息具体为表面缺陷尺寸最小值;
AI视觉检测模型基于该零配件的历史检测数据对表面缺陷检测项进行排序生成缺陷检测序列;
AI视觉检测模型将尺寸检测流程信息、缺陷检测序列以及对应表面缺陷检测项的检测标准信息打包生成检测流程信息;再将尺寸检测项、表面缺陷检测项以及检测流程信息打包生成检测方案。
优选的,所述AI视觉检测模型基于该零配件的历史检测数据对表面缺陷检测项进行排序生成缺陷检测序列具体包括:所述AI视觉检测模型基于该零配件的历史检测数据通过预设置的检测优先度计算公式计算该零配件的各个表面缺陷检测项的优先度评分,并基于优先度评分的高低对表面缺陷检测项进行排序生成缺陷检测序列。
优选的,所述检测优先度计算公式具体为:
;
其中为第i个表面缺陷检测项历史NG数量,B为该零配件的NG总数,/>为第i个表面缺陷检测项的历史平均检测时长,D为该零配件各个表面缺陷检测项的平均检测时长,为该零配件的优先度干扰系数,且默认为1。
优选的,所述AI视觉检测模型根据检测方案以及零配件图像信息对待检测零配件按照检测流程进行尺寸检测以及表面缺陷检测,并输出检测结果具体包括以下步骤:
A1、AI视觉检测模型根据检测方案以及零配件图像信息对待检测零配件进行尺寸检测,判断是否存在尺寸误差大于预设置的尺寸公差阈值,所述尺寸公差阈值包括整体尺寸公差阈值和分区尺寸公差阈值;
A2、若存在,则判定产品尺寸不合格,输出NG;
A3、若不存在,则AI视觉检测模型按照检测流程信息依次选取一表面缺陷检测项进行视觉表面缺陷检测,并判断是否存在表面瑕疵;
A4、若存在,则判定产品有瑕疵,输出NG;
A5、若不存在,则AI视觉检测模型按照检测流程信息判断是否存在未进行的面缺陷检测项,若存在则跳转至步骤A3;
A6、若不存在,则判定产品合格,输出检测合格。
优选的,所述AI视觉检测模型根据检测方案以及零配件图像信息对待检测零配件进行尺寸检测具体包括以下步骤:
所述AI视觉检测模型零配件图像信息提取零配件整体尺寸特征,对零配件整体尺寸误差进行检测,判断是否存在整体尺寸误差大于预设置的整体尺寸公差阈值,
若存在,则跳转至步骤A2;
若不存在,则AI视觉检测模型对零配件进行分区,获取零配件各个分区的尺寸特征,对零配件各个分区的尺寸误差进行检测,判断否存在分区尺寸误差大于预设置的分区尺寸公差阈值;
若存在,则跳转至步骤A2;
若不存在,则跳转至步骤A3。
优选的,所述AI视觉检测模型按照检测流程信息依次选取一表面缺陷检测项进行视觉表面缺陷检测还包括在进行图像分割时基于表面缺陷检测项的检测标准信息,通过预设置的最佳分割尺寸计算公式计算分割尺寸,所述最佳分割尺寸计算公式具体为:最佳分割尺寸=瑕疵最小尺寸*Y轴方向像素数量/Y轴方向尺寸。
优选的,所述AI视觉检测模型根据检测方案以及零配件图像信息对待检测零配件按照检测流程进行尺寸检测以及表面缺陷检测还包括对零配件图像信息进行预处理具体包括以下步骤:
对零配件图像信息进行Gamma校正,用于改善图片的光照条件;
直方图均衡化使图像的直方图尽可能平坦,获取可以平均使用所有像素值的高质量的图像;
对直方图均衡化后的图像进行同态滤波,去除部分背景干扰,实现图像信息均匀;
基于矩阵模板法将存在表面缺陷检测项的区域显露出来,将不存在表面缺陷检测项的区域进行覆盖,以便去掉检测汽车零配件检测对象时出现不必要的误匹配;
经过Gamma校正、直方图均衡法、同态滤波和矩阵模板相乘法的处理后,对图像进行自适应二值化,方便后续检测。
第二方面,本申请提供一种新能源汽车精密零配件表面缺陷检测装置,采用如下的技术方案:
一种新能源汽车精密零配件表面缺陷检测装置,应用于上述方法任一种方法,包括用于采集待检测零配件图像信息的图像采集装置以及用于零配件进行尺表面缺陷检测的表面缺陷检测模块。
综上所述,本申请包括以下至少一种有益技术效果:
1.通过建立AI视觉检测模型,在满足精密零配件高精度表面缺陷检测需求的基础上,通过历史检测数据的进一步学习基于AI的智能性针对各种类型零配件能够合理规划各个表面缺陷项的检测顺序,优先对表面瑕疵高频发生且检测时长适宜的表面缺陷检测项进行检测,有助于在保持高精度检测的基础上进一步提高零配件表面检测效率;
2.通过对初步AI视觉检测模型进行分区训练使其获得对零配件精确分区能力,使得AI视觉检测模型在对精密零配件进行尺寸检测时,不单单只进行整体尺寸检测,还能够对零配件进行高效精确分区,进而实现对零配件各个分区进行尺寸检测,确保各个分区尺寸合格,避免出现零配件整体尺寸合格但因部分分区尺寸偏差导致零件后续装配存在缺陷的现象;再根据各型号零配件的历史检测数据进行缺陷检测时序学习,使得AI视觉检测模型在确定精密零配件型号后,能够根据其历史检测数据智能决策生成各个表面缺陷检测项的检测排序序列,优先对面瑕疵高频发生且检测时长适宜的表面缺陷检测项进行检测,达到有效提高零配件检测合理性以及检测效率的效果;
3.通过预设置最佳分割尺寸计算公式计算图像的最佳分割尺寸,实现优化检测敏感度及处理时间,而以实际实际检测对象的尺寸作为参考对象是一种同时兼顾检测敏感度与处理时间的设置,有助于进一步提高检测效率。
附图说明
图1是本申请实施例中新能源汽车精密零配件表面缺陷检测方法的方法流程图;
图2是本申请实施例中训练建立AI视觉检测模型的方法流程图;
图3是本申请实施例中决策生成检测方案的方法流程图;
图4是本申请实施例中进行尺寸检测以及表面缺陷检测的方法流程图;
图5是本申请实施例中对待检测零配件进行尺寸检测的方法流程图;
图6是本申请实施例中对零配件图像信息进行预处理的方法流程图。
具体实施方式
以下结合附图1-6对本申请作进一步详细说明。
本申请实施例公开一种新能源汽车精密零配件表面缺陷检测方法。参照图1,一种新能源汽车精密零配件表面缺陷检测方法,包括以下步骤:
S1、建立模型:基于汽车精密零配件的样本数据以及历史检测数据,训练建立AI视觉检测模型;
S2、采集图像:采集零配件图像信息,所述零配件图像信息包括3D图像信息和平面图像信息;
S3、生成方案:AI视觉检测模型基于零配件图像信息确定零配件型号,决策生成检测方案,所述检测方案包括尺寸检测项、至少一项缺陷检测项和检测流程信息;
S4、进行检测:AI视觉检测模型根据检测方案以及零配件图像信息对待检测零配件按照检测流程进行尺寸检测以及表面缺陷检测,并输出检测结果。通过深度学习算法进行AI训练生成AI视觉检测模型,相较于传统机器视觉模型检测表面缺陷或者人工检测表面缺陷,AI视觉检测模型具有更好的适应性,能够检测不同的物体和特征,具备更强大的物体识别功能,经过适当训练的神经网络可以很好地识别出变量环境(如变化的背景、不同的分辨率或光源条件)中的物体,无需针对每个可能的特性进行专门训练,能够满足精密汽车零配件的高精度表面瑕疵检测需求,实现高效对零配件进行微小表面缺陷检测以及尺寸验证。通过建立AI视觉检测模型,在满足精密零配件高精度表面缺陷检测需求的基础上,通过历史检测数据的进一步学习基于AI的智能性针对各种类型零配件能够合理规划各个表面缺陷项的检测顺序,优先对表面瑕疵高频发生且检测时长适宜的表面缺陷检测项进行检测,有助于在保持高精度检测的基础上进一步提高零配件表面检测效率。
参照图2,所述基于汽车精密零配件的样本数据以及历史检测数据,训练建立AI视觉检测模型具体包括以下步骤:
B1、深度学习构建初步AI视觉检测模型:建立深度学习网络模型,获取各型号零配件的标准样本数据,深度学习网络模型对各型号零配件的标准样本数据进行深度学习迭代模型参数以及网络结构得到初步AI视觉检测模型;其中对深度学习网络模型进行深度训练得到初步AI视觉检测模型的具体训练步骤为现有技术,在此不再赘述;
B2、进行分区训练:获取各型号零配件的分区样本数据,初步AI视觉检测模型根据各型号零配件的分区样本数据进行分区训练使其获得对零配件精确分区能力;
B3、缺陷检测时序学习:获取各型号零配件的历史检测数据,完成分区训练的初步AI视觉检测模型根据各型号零配件的历史检测数据再次进行深度学习确定各型号零配件的各类表面缺陷的出现频率以及出现位置,得到AI视觉检测模型。通过对初步AI视觉检测模型进行分区训练使其获得对零配件精确分区能力,使得AI视觉检测模型在对精密零配件进行尺寸检测时,不单单只进行整体尺寸检测,还能够对零配件进行高效精确分区,进而实现对零配件各个分区进行尺寸检测,确保各个分区尺寸合格,避免出现零配件整体尺寸合格但因部分分区尺寸偏差导致零件后续装配存在缺陷的现象;再根据各型号零配件的历史检测数据进行缺陷检测时序学习,使得AI视觉检测模型在确定精密零配件型号后,能够根据其历史检测数据智能决策生成各个表面缺陷检测项的检测排序序列,优先对面瑕疵高频发生且检测时长适宜的表面缺陷检测项进行检测,达到有效提高零配件检测合理性以及检测效率的效果。
参照图3,所述AI视觉检测模型基于零配件图像信息确定零配件型号,决策生成检测方案具体包括以下步骤:
C1、图像识别:AI视觉检测模型对零配件图像信息进行识别确定零配件的基本信息,所述零配件的基本信息包括规格信息、型号信息和检测需求信息;
C2、确定尺寸检测项:AI视觉检测模型基于零配件的规格信息确定零配件的尺寸检测项以及尺寸检测流程信息;
C3、确定表面缺陷检测项:AI视觉检测模型根据零配件的型号信息以及检测需求信息确定至少一个表面缺陷检测项以及检测标准信息,所述检测标准信息具体为表面缺陷尺寸最小值;
C4、生成缺陷检测序列:AI视觉检测模型基于该零配件的历史检测数据对表面缺陷检测项进行排序生成缺陷检测序列;
C5、生成检测方案:AI视觉检测模型将尺寸检测流程信息、缺陷检测序列以及对应表面缺陷检测项的检测标准信息打包生成检测流程信息;再将尺寸检测项、表面缺陷检测项以及检测流程信息打包生成检测方案。AI视觉检测模型基于零配件图像信息确定零配件的基本信息进而获取其检测需求,生成尺寸检测项、表面缺陷检测项以及检测流程信息,有助于表面缺陷检测工作有序、高效、高精度进行。
上述AI视觉检测模型基于该零配件的历史检测数据对表面缺陷检测项进行排序生成缺陷检测序列具体包括:所述AI视觉检测模型基于该零配件的历史检测数据通过预设置的检测优先度计算公式计算该零配件的各个表面缺陷检测项的优先度评分,并基于优先度评分的高低对表面缺陷检测项进行排序生成缺陷检测序列。
上述检测优先度计算公式具体为:
;
其中为第i个表面缺陷检测项历史NG数量,B为该零配件的NG总数,/>为第i个表面缺陷检测项的历史平均检测时长,D为该零配件各个表面缺陷检测项的平均检测时长,为该零配件的优先度干扰系数,且默认为1。基于零配件各个表面缺陷检测项的NG数量以及检测时长两个维度计算各个表面缺陷检测项的优先度评分,有助于选取表面缺陷高频发生且检测时间相对较短的表面缺陷检测项进行优先检测,有助于优化表面缺陷检测时序,节约检测时长,达到有效提高零配件检测合理性以及检测效率的效果。
参照图4,所述AI视觉检测模型根据检测方案以及零配件图像信息对待检测零配件按照检测流程进行尺寸检测以及表面缺陷检测,并输出检测结果具体包括以下步骤:
A1、AI视觉检测模型根据检测方案以及零配件图像信息对待检测零配件进行尺寸检测,判断是否存在尺寸误差大于预设置的尺寸公差阈值,所述尺寸公差阈值包括整体尺寸公差阈值和分区尺寸公差阈值;
A2、若存在,则判定产品尺寸不合格,输出NG;
A3、若不存在,则AI视觉检测模型按照检测流程信息依次选取一表面缺陷检测项进行视觉表面缺陷检测,并判断是否存在表面瑕疵;
A4、若存在,则判定产品有瑕疵,输出NG;
A5、若不存在,则AI视觉检测模型按照检测流程信息判断是否存在未进行的面缺陷检测项,若存在则跳转至步骤A3;
A6、若不存在,则判定产品合格,输出检测合格。
参照图5,所述AI视觉检测模型根据检测方案以及零配件图像信息对待检测零配件进行尺寸检测具体包括以下步骤:
D1、所述AI视觉检测模型零配件图像信息提取零配件整体尺寸特征,对零配件整体尺寸误差进行检测,判断是否存在整体尺寸误差大于预设置的整体尺寸公差阈值,
D2、若存在,则跳转至步骤A2;
D3、若不存在,则AI视觉检测模型对零配件进行分区,获取零配件各个分区的尺寸特征,对零配件各个分区的尺寸误差进行检测,判断否存在分区尺寸误差大于预设置的分区尺寸公差阈值;
D4、若存在,则跳转至步骤A2;
D5、若不存在,则跳转至步骤A3。
上述AI视觉检测模型按照检测流程信息依次选取一表面缺陷检测项进行视觉表面缺陷检测还包括在进行图像分割时基于表面缺陷检测项的检测标准信息,通过预设置的最佳分割尺寸计算公式计算分割尺寸,所述最佳分割尺寸计算公式具体为:最佳分割尺寸=瑕疵最小尺寸*Y轴方向像素数量/Y轴方向尺寸,其中尺寸的单位为毫米。通过预设置最佳分割尺寸计算公式计算图像的最佳分割尺寸,实现优化检测敏感度及处理时间,而以实际实际检测对象(瑕疵)的尺寸(像素个数)作为参考对象是一种同时兼顾检测敏感度与处理时间的设置,有助于进一步提高检测效率。
参照图6,另外AI视觉检测模型根据检测方案以及零配件图像信息对待检测零配件按照检测流程进行尺寸检测以及表面缺陷检测还包括对零配件图像信息进行预处理具体包括以下步骤:
E1、Gamma校正:对零配件图像信息进行Gamma校正,用于改善图片的光照条件;
E2、直方图均衡:直方图均衡化使图像的直方图尽可能平坦,获取可以平均使用所有像素值的高质量的图像;
E3、同态滤波:对直方图均衡化后的图像进行同态滤波,去除部分背景干扰,实现图像信息均匀;
E4、图像覆盖:基于矩阵模板法将存在表面缺陷检测项的区域显露出来,将不存在表面缺陷检测项的区域进行覆盖,以便去掉检测汽车零配件检测对象时出现不必要的误匹配;
E5、自适应二值化:经过Gamma校正、直方图均衡法、同态滤波和矩阵模板相乘法的处理后,对图像进行自适应二值化,方便后续检测。通过对零配件图像信息进行预处理,有助于提高表面缺陷检测效率。
本申请实施例还公开一种新能源汽车精密零配件表面缺陷检测装置。一种新能源汽车精密零配件表面缺陷检测装置,应用于上述方法,包括用于采集待检测零配件图像信息的图像采集装置以及用于零配件进行尺表面缺陷检测的表面缺陷检测模块。
以上实施例仅用以说明本发明的技术方案,而非对发明的保护范围进行限制。显然,所描述的实施例仅仅是本发明部分实施例,而不是全部实施例。基于这些实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明所要保护的范围。尽管参照上述实施例对本发明进行了详细的说明,本领域普通技术人员依然可以在不冲突的情况下,不作出创造性劳动对本发明各实施例中的特征根据情况相互组合、增删或作其他调整,从而得到不同的、本质未脱离本发明的构思的其他技术方案,这些技术方案也同样属于本发明所要保护的范围。
Claims (4)
1.一种新能源汽车精密零配件表面缺陷检测方法,其特征在于,包括以下步骤:
基于汽车精密零配件的样本数据以及历史检测数据,训练建立AI视觉检测模型;
采集零配件图像信息,所述零配件图像信息包括3D图像信息和平面图像信息;
AI视觉检测模型基于零配件图像信息确定零配件型号,决策生成检测方案,所述检测方案包括尺寸检测项、至少一项缺陷检测项和检测流程信息;
AI视觉检测模型根据检测方案以及零配件图像信息对待检测零配件按照检测流程进行尺寸检测以及表面缺陷检测,并输出检测结果;
所述基于汽车精密零配件的样本数据以及历史检测数据,训练建立AI视觉检测模型具体包括以下步骤:
建立深度学习网络模型,获取各型号零配件的标准样本数据,深度学习网络模型对各型号零配件的标准样本数据进行深度学习迭代模型参数以及网络结构得到初步AI视觉检测模型;
获取各型号零配件的分区样本数据,初步AI视觉检测模型根据各型号零配件的分区样本数据进行分区训练使其获得对零配件精确分区能力;
获取各型号零配件的历史检测数据,完成分区训练的初步AI视觉检测模型根据各型号零配件的历史检测数据再次进行深度学习确定各型号零配件的各类表面缺陷的出现频率以及出现位置,得到AI视觉检测模型;
所述AI视觉检测模型基于零配件图像信息确定零配件型号,决策生成检测方案具体包括以下步骤:
AI视觉检测模型对零配件图像信息进行识别确定零配件的基本信息,所述零配件的基本信息包括规格信息、型号信息和检测需求信息;
AI视觉检测模型基于零配件的规格信息确定零配件的尺寸检测项以及尺寸检测流程信息;
AI视觉检测模型根据零配件的型号信息以及检测需求信息确定至少一个表面缺陷检测项以及检测标准信息,所述检测标准信息具体为表面缺陷尺寸最小值;
AI视觉检测模型基于该零配件的历史检测数据对表面缺陷检测项进行排序生成缺陷检测序列;
AI视觉检测模型将尺寸检测流程信息、缺陷检测序列以及对应表面缺陷检测项的检测标准信息打包生成检测流程信息;再将尺寸检测项、表面缺陷检测项以及检测流程信息打包生成检测方案;
所述AI视觉检测模型基于该零配件的历史检测数据对表面缺陷检测项进行排序生成缺陷检测序列具体包括:所述AI视觉检测模型基于该零配件的历史检测数据通过预设置的检测优先度计算公式计算该零配件的各个表面缺陷检测项的优先度评分,并基于优先度评分的高低对表面缺陷检测项进行排序生成缺陷检测序列;
所述检测优先度计算公式具体为:
其中Ai为第i个表面缺陷检测项历史NG数量,B为该零配件的NG总数,Ci为第i个表面缺陷检测项的历史平均检测时长,D为该零配件各个表面缺陷检测项的平均检测时长,Xi为该零配件的优先度干扰系数,且默认为1;
所述AI视觉检测模型根据检测方案以及零配件图像信息对待检测零配件按照检测流程进行尺寸检测以及表面缺陷检测,并输出检测结果具体包括以下步骤:
A1、AI视觉检测模型根据检测方案以及零配件图像信息对待检测零配件进行尺寸检测,判断是否存在尺寸误差大于预设置的尺寸公差阈值,所述尺寸公差阈值包括整体尺寸公差阈值和分区尺寸公差阈值;
A2、若存在,则判定产品尺寸不合格,输出NG;
A3、若不存在,则AI视觉检测模型按照检测流程信息依次选取一表面缺陷检测项进行视觉表面缺陷检测,并判断是否存在表面瑕疵;
A4、若存在,则判定产品有瑕疵,输出NG;
A5、若不存在,则AI视觉检测模型按照检测流程信息判断是否存在未进行的面缺陷检测项,若存在则跳转至步骤A3;
A6、若不存在,则判定产品合格,输出检测合格;
所述AI视觉检测模型根据检测方案以及零配件图像信息对待检测零配件进行尺寸检测具体包括以下步骤:
所述AI视觉检测模型零配件图像信息提取零配件整体尺寸特征,对零配件整体尺寸误差进行检测,判断是否存在整体尺寸误差大于预设置的整体尺寸公差阈值,
若存在,则跳转至步骤A2;
若不存在,则AI视觉检测模型对零配件进行分区,获取零配件各个分区的尺寸特征,对零配件各个分区的尺寸误差进行检测,判断否存在分区尺寸误差大于预设置的分区尺寸公差阈值;
若存在,则跳转至步骤A2;
若不存在,则跳转至步骤A3。
2.根据权利要求1所述的一种新能源汽车精密零配件表面缺陷检测方法,其特征在于,所述AI视觉检测模型按照检测流程信息依次选取一表面缺陷检测项进行视觉表面缺陷检测还包括:在进行图像分割时基于表面缺陷检测项的检测标准信息,通过预设置的最佳分割尺寸计算公式计算分割尺寸,所述最佳分割尺寸计算公式具体为:最佳分割尺寸=瑕疵最小尺寸*Y轴方向像素数量/Y轴方向尺寸。
3.根据权利要求1所述的一种新能源汽车精密零配件表面缺陷检测方法,其特征在于:所述AI视觉检测模型根据检测方案以及零配件图像信息对待检测零配件按照检测流程进行尺寸检测以及表面缺陷检测还包括对零配件图像信息进行预处理具体包括以下步骤:
对零配件图像信息进行Gamma校正,用于改善图片的光照条件;
直方图均衡化使图像的直方图尽可能平坦,获取可以平均使用所有像素值的高质量的图像;
对直方图均衡化后的图像进行同态滤波,去除部分背景干扰,实现图像信息均匀;
基于矩阵模板法将存在表面缺陷检测项的区域显露出来,将不存在表面缺陷检测项的区域进行覆盖,以便去掉检测汽车零配件检测对象时出现不必要的误匹配;
经过Gamma校正、直方图均衡法、同态滤波和矩阵模板相乘法的处理后,对图像进行自适应二值化,方便后续检测。
4.一种新能源汽车精密零配件表面缺陷检测装置,应用于权利要求1-3任意一项所述一种新能源汽车精密零配件表面缺陷检测方法,其特征在于:包括用于采集待检测零配件图像信息的图像采集装置以及用于零配件进行尺表面缺陷检测的表面缺陷检测模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311189325.4A CN117269168B (zh) | 2023-09-15 | 2023-09-15 | 一种新能源汽车精密零配件表面缺陷检测装置及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311189325.4A CN117269168B (zh) | 2023-09-15 | 2023-09-15 | 一种新能源汽车精密零配件表面缺陷检测装置及检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117269168A CN117269168A (zh) | 2023-12-22 |
CN117269168B true CN117269168B (zh) | 2024-04-09 |
Family
ID=89220602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311189325.4A Active CN117269168B (zh) | 2023-09-15 | 2023-09-15 | 一种新能源汽车精密零配件表面缺陷检测装置及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117269168B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118071743B (zh) * | 2024-04-19 | 2024-06-25 | 苏州宣雄智能科技有限公司 | 一种基于ai的摄像镜头缺陷检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886496A (zh) * | 2017-09-30 | 2018-04-06 | 北京得华机器人技术研究院有限公司 | 一种基于形状匹配的汽车零配件的质量检测方法 |
CN110473173A (zh) * | 2019-07-24 | 2019-11-19 | 熵智科技(深圳)有限公司 | 一种基于深度学习语义分割的缺陷检测方法 |
CN110738644A (zh) * | 2019-10-10 | 2020-01-31 | 清华大学 | 一种基于深度学习的汽车涂装表面缺陷检测方法及系统 |
CN111784663A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 零部件的检测方法、装置、电子设备及存储介质 |
CN114742818A (zh) * | 2022-05-09 | 2022-07-12 | 苏州荣视软件技术有限公司 | 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 |
CN114820471A (zh) * | 2022-04-08 | 2022-07-29 | 成都上富智感科技有限公司 | 一种面向智能制造精微结构表面缺陷的视觉检测方法 |
-
2023
- 2023-09-15 CN CN202311189325.4A patent/CN117269168B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886496A (zh) * | 2017-09-30 | 2018-04-06 | 北京得华机器人技术研究院有限公司 | 一种基于形状匹配的汽车零配件的质量检测方法 |
CN110473173A (zh) * | 2019-07-24 | 2019-11-19 | 熵智科技(深圳)有限公司 | 一种基于深度学习语义分割的缺陷检测方法 |
CN110738644A (zh) * | 2019-10-10 | 2020-01-31 | 清华大学 | 一种基于深度学习的汽车涂装表面缺陷检测方法及系统 |
CN111784663A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 零部件的检测方法、装置、电子设备及存储介质 |
CN114820471A (zh) * | 2022-04-08 | 2022-07-29 | 成都上富智感科技有限公司 | 一种面向智能制造精微结构表面缺陷的视觉检测方法 |
CN114742818A (zh) * | 2022-05-09 | 2022-07-12 | 苏州荣视软件技术有限公司 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN117269168A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111862064B (zh) | 一种基于深度学习的银质丝材表面瑕疵识别方法 | |
CN117269168B (zh) | 一种新能源汽车精密零配件表面缺陷检测装置及检测方法 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN115797354B (zh) | 用于检测激光焊接焊缝外观缺陷的方法 | |
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 | |
CN108711148A (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN117152119A (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN118225803B (zh) | 一种推土机刀片表面外观视觉检测方法 | |
CN114445707A (zh) | 瓶装水标签缺陷智能化视觉精细检测方法 | |
CN113706498A (zh) | 一种锂电池极片视觉检测装置 | |
CN115294033A (zh) | 一种基于语义分割网络的轮胎带束层差级和错边缺陷检测方法 | |
CN114627122A (zh) | 一种缺陷检测方法及装置 | |
CN113822842A (zh) | 一种基于多任务学习的工业缺陷检测方法 | |
CN116777836A (zh) | 一种基于多模态数据驱动的注塑工艺产品品质检测方法 | |
CN109657682B (zh) | 一种基于深度神经网络和多阈值软切分的电能表示数识别方法 | |
CN114387262A (zh) | 一种基于机器视觉的螺母定位检测方法、装置及系统 | |
CN118329910A (zh) | 基于机器视觉的印刷纸缺陷检测系统及方法 | |
CN116577345B (zh) | 一种锂电池极耳数量检测方法及系统 | |
CN116843615B (zh) | 一种基于柔性光路的引线框架智能全检方法 | |
CN113592024A (zh) | 冷轧铜带表面缺陷识别模型训练方法及识别方法、系统 | |
CN115187878A (zh) | 基于无人机图像分析的风力发电装置叶片缺陷检测方法 | |
CN114155522A (zh) | 一种点云数据质检修复方法及系统 | |
CN109492685B (zh) | 一种用于对称特征的目标物体视觉检测方法 | |
CN117409332B (zh) | 基于大数据处理的长材刨花外观数据检测系统及方法 | |
CN117969553B (zh) | 一种tpv针织复合管外观在线视觉检测系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |