CN117333476A - 一种基于微服务的硅钢片视觉质量检测方法及实验系统 - Google Patents
一种基于微服务的硅钢片视觉质量检测方法及实验系统 Download PDFInfo
- Publication number
- CN117333476A CN117333476A CN202311398426.2A CN202311398426A CN117333476A CN 117333476 A CN117333476 A CN 117333476A CN 202311398426 A CN202311398426 A CN 202311398426A CN 117333476 A CN117333476 A CN 117333476A
- Authority
- CN
- China
- Prior art keywords
- silicon steel
- steel sheet
- image
- service
- micro
- 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 129
- 229910000976 Electrical steel Inorganic materials 0.000 title claims abstract description 92
- 230000000007 visual effect Effects 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000013500 data storage Methods 0.000 claims abstract description 19
- 238000002474 experimental method Methods 0.000 claims abstract description 19
- 230000003993 interaction Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 238000007726 management method Methods 0.000 claims abstract description 9
- 230000002950 deficient Effects 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000003860 storage Methods 0.000 claims abstract description 6
- 238000013135 deep learning Methods 0.000 claims abstract description 4
- 230000007547 defect Effects 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000013523 data management Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000037303 wrinkles Effects 0.000 claims 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 9
- 230000018109 developmental process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910000519 Ferrosilicon Inorganic materials 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 229910001004 magnetic alloy Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- G06N3/0463—Neocognitrons
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- 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
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于微服务的硅钢片视觉质量检测方法及实验系统,包括以下步骤;步骤1,搭建基于微服务的远端服务管理平台,通过数据库交互API满足用户的自定义存储需求即设计相应的数据存储结构与方便快捷的数据交互API;步骤2,离线采集工业面阵相机的棋盘格图像和缺陷硅钢片样本图像,计算出像素与实际尺寸之间的行列比例因子;步骤3,离线训练模型和部署模型;采用深度神经网络学习的方法,搭建PyTorch深度学习框架,使用YOLOV7模型进行视觉质量检测;步骤4,在线硅钢片进行视觉质量检测实验;步骤5,视觉质量检测结果显示。本发明通过机器视觉软件进行视觉质量检测实验,具有自动化程度高,测量范围广、速度快、精度高,检测精准的特点。
Description
技术领域
本发明涉及硅钢片视觉质量检测技术领域,具体涉及一种基于微服务的硅钢片视觉质量检测方法及实验系统。
背景技术
硅钢片是一种含碳极低的硅铁软磁合金,具有导磁率高、矫顽力低、电阻系数大等特性,主要用于各种变压器、电动机和发电机的铁芯,在电气、通讯、电力、机械等行业中得到了广泛的应用,随着这些产业的快速发展,工业生产过程中对硅钢片的尺寸精度要求越来越高,同时常常因为生产环境、制作工艺等因素,致使硅钢片表面出现不同类型的缺陷,而直接影响它的质量安全和使用性能。在尺寸测量方面,由于成品叠压无法对齐,影响铁芯性能,而工业中的处理方法是测量平台人工对齐读数,其效率低、人工成本高,而且对工人的经验和操作熟练度要求高,难以满足现代工业生产对尺寸测量的精度和效率等方面的要求。
在表面缺陷检测方面,传统的人工目测检测存在人工成本高、检测效率低、主观性强、存在局限性等问题。而近年来大火的机器学习方法虽在缺陷分类问题取得了不错成效,但由于不同目标识别任务差别较大,往往一个算法模型很难直接迁移到另一个任务上,需要设计新的算法完成新的检测任务,任务量很大,人工提取特征的方法没办法满足不同任务的需求。
近年来国内外工业组态软件广泛应用于实际生产环境与多种科研项目中,取得了良好的社会效益,同时国内也有众多公司推出了多个机器视觉小型软件,各类软件百花齐放但功能杂乱,造成了一定的资源浪费。
传统的单体架构在目前工业中的应用还是较多的,它部署容易,但任何改动都会牵一发动全身。哪怕是对应用程序或深度模型一个小地方的改变,都需要整个单块应用被重新构建和部署。而微服务,是一种用于构建应用的分布式架构框架,其解决了传统软件开发面临着很多的问题,如:代码重复率高、代码庞大难以维护、无法快速迭代、测试成本高、可伸缩性差、可靠性差、模块间高度依赖等。
发明内容
为了克服以上现有技术存在的缺陷,本发明提出一种基于微服务的硅钢片视觉质量检测方法及实验系统,通过远端微服务器与机器视觉软件MicroVT实现远程连接的平台架构,将视觉质量检测算法模型部署在微服务上,将用到的相关算法库集成在组态视觉软件中,通过机器视觉软件进行视觉质量检测实验,具有自动化程度高,测量范围广、速度快、精度高,检测精准的特点,可以满足机器视觉领域实验的要求,也具有实际应用于工业领域的潜力。
为了实现上述目的,本发明采用的技术方案是:
一种基于微服务的硅钢片视觉质量检测方法,包括以下步骤;
步骤1,搭建基于微服务的远端服务管理平台,以Spring Cloud作为微服务主框架,使用Sidecar组件完成对远程服务的封装与通信工作,选用MySQL数据库为平台,建立了异构服务配置信息与用户交互数据的连接关系;实现对各异构服务的数据管理,通过数据库交互API满足用户的自定义存储需求即设计相应的数据存储结构与方便快捷的数据交互API;
步骤2,离线采集工业面阵相机的棋盘格图像和缺陷硅钢片样本图像,针对棋盘格图像进行角点检测,计算内外参矩阵,矫正棋盘格,对矫正后棋盘格进行角点检测,计算出像素与实际尺寸之间的行列比例因子;
步骤3,离线训练模型和部署模型;采用深度神经网络学习的方法,搭建PyTorch深度学习框架,使用YOLOV7模型进行视觉质量检测;
步骤4,在线硅钢片进行视觉质量检测实验;
步骤5,视觉质量检测结果显示。
步骤1中微服务的远端服务管理平台的搭建分为以下几个步骤:
步骤1.1:通过工业面阵相机和环形光源进行图像采集;采集用于后续进行视觉质量检测的图像输入,其中工业面阵相机通过机器视觉组态软件进行调用采集图像,环形光源用于提供照明作用,具有稳定性,适用于高反光或不平整表面缺陷检测;
步骤1.2:远程无监督深度模型调用模块使得用户能够在软件端通过简单操作便能发起远端服务器的无监督深度模型调用;通过远程无监督深度模型调用模块获取用户的指令信息,并准确地将指令转发到服务器并执行对应的异构服务程序;同时,远程无监督深度模型调用模块需要满足整个系统的高载荷性、扩展性与可用性,满足多用户访问带来的负载压力;
步骤1.3:数据存储模块完成对用户传入远端的所述步骤1.1得到的图像数据和步骤1.2得到的指令信息进行存储,同时存储远端服务运行时所产生的各类数据,数据交互模块则需要提供面向用户端与远程端的API数据接口,使得在存储模型中的各类数据可以被用户和远端服务访问获取。
所述步骤2具体为:
利用视觉质量检测平台安装好的面阵相机拍摄棋盘格照片,得到初始的标定照片集;然后依次检测每一张棋盘格照片的角点;然后将图像中检测到的角点的像素坐标和对应的世界坐标系下的角点坐标配对,使用最小二乘法求解内参矩阵和畸变系数矩阵;将离线参数写入ini文件中,离线参数包括工业面阵相机2的相机标定参数、坐标变换关系以及像素与实际尺寸之间的行列比例因子。
所述步骤3中,视觉质量检测的缺陷包括划痕、氧化油污、斑点、压凹压凸、卷曲、褶皱6类缺陷;采用深度神经网络学习的方法对不同类别的缺陷加以区分识别;
由步骤2得到的缺陷硅钢片样本图像用作缺陷样本数据集,对采集到的样本数据集进行数据扩增,如进行随机旋转、缩放、水平或垂直翻转、变换图像亮度、饱和度、对比度的操作,提高模型泛化能力,使其具有更好的鲁棒性;将样本数据集按3:1:1的比例划分为训练集、验证集、测试集,并用labelimg标注工具对训练集中的缺陷进行标注,将离线训练好的模型部署在步骤1中的远端微服务平台上,用于在线硅钢片视觉质量检测。
所述步骤4具体为,通过机器视觉组态软件进行实验,调用高分辨率的工业面阵相机,对硅钢片视觉检测平台上的待测硅钢片完成图像采集,得到完整清晰的硅钢片图片,将图片数据上传至远端微服务的数据库中;再利用集成在MicroVT上的图像处理算法对采集到的硅钢片图像进行预处理,然后利用硅钢片视觉质量检测算法进行检测,精确定位硅钢片的四个角点;结合获取的离线参数对各所述角点的坐标进行标定和距离计算,最终在线计算出硅钢片的四条边的尺寸数据;同时利用机器视觉软件向微服务端发出请求,进行在线监听服务,读取上传至数据库中的数据,利用步骤3中训练好的模型推理,将结果保存至数据库中,再由微服务端将结果下发至MicroVT中。
所述步骤4中,所述视觉质量检测算法分为尺寸测量部分和缺陷检测部分;
尺寸测量部分算法封装;在线状态下,首先从步骤2中写入的ini文件中读取出离线参数,然后对面阵相机在线采集到的硅钢片图像进行处理,最后结合离线参数计算出硅钢片的相关尺寸信息。
所述尺寸测量部分具体过程如下:
步骤一:图像预处理;
(1)灰度化;对步骤4中采集到的高分辨率图像进行灰度化处理;
(2)滤波去噪;选择高斯滤波方法滤噪,使用5×5的正态核给不同位置的像素赋予不同的权重,把加权平均后的值作为中心像素的像素值;高斯滤波(Gaussian Filter)使用高斯核函数对图像进行平滑;
(3)阈值分割;选择大津法对预处理后得到的灰度图进行阈值分割,将灰度图二值化;
所述大津法分为如下四步:
首先统计灰度直方图;对待处理的图像进行灰度化,并统计每个灰度级别的像素数量;然后计算类间方差;对于每个可能的阈值,根据灰度直方图将图像分为两个类(前景和背景),并计算类间方差;类间方差表示不同类之间的差异程度,最大的类间方差对应于最佳阈值;接着找到最佳阈值;遍历所有可能的阈值,计算类间方差,并选择使类间方差最大化的阈值作为最佳阈值;最后应用最佳阈值;使用最佳阈值对原始图像进行阈值化操作,将像素分为前景和背景两个类别;
(4)边缘提取;完成阈值分割后,使用Canny算子提取边缘;
步骤二:Hough直线特征检测;针对的测量对象提取的特征,进行直线检测;使用Hough直线检测法提取直线特征;具体方法如下:
(1)把预处理后缩小的图像分为左上、左下、右上、右下四部分,切割后的每一部分图像都只有水平和竖直方向的两条边,分别在水平方向(-45°~45°)和竖直方向(55°~-125°)进行两次Hough变换,找到两条边,分别找到两条直线后,两条直线确定一个交点,将这个交点作为粗提取角点,以进行第二级Hough检测;
(2)通过坐标变换将得到的角点转换到未缩小的图片,在粗角点附近的ROC区域通过Hough检测分别检测水平直线和竖直直线,依次在四部分照片中进行第二级Hough检测操作,分别找到四个精确的角点;
(3)进行坐标变换将其变换到未分割的原图片中,得到用来计算尺寸的最终精确的角点像素坐标;
步骤三:尺寸计算;得到工件左上、左下、右上、右下四个精确角点后;利用四个角点的像素坐标,结合相机标定部分计算得到的行列比例因子,算出像素点之间的欧氏距离,也就是硅钢面板的边长;
其中,Δd就是两个角点的实际距离;
所述缺陷检测部分具体如下:
缺陷检测部分模型部署;在图像采集环节完成之后,数据交互API会根据用户传入的远端服务信息寻找到对应的数据存储模型,完成对以已采集图像的存入,以供后续使用;接着,用户从软件端发送远端服务的执行指令,这一指令会通过远程模型调用单元实现对用户指令的接收、识别并转发,从而准确从对应的数据存储单元中提取出对应的图像序列并成功调用起部署在远程服务器中的目标异构服务,将图像序列以输入数据的形式传入端对端执行的视觉质量检测深度模型调用程序中;利用基于二色反射模型的联合高光检测和去除的多任务卷积算法有效地处理空间变化的高光;
使用ONNX runtime推理引擎进行推理,在远端程序执行过程中所产生的各类数据都可以传入数据存储单元中的对应位置,便于用户后续读取查看;深度模型输出检测结果会被自动传输到软件端的目标文件夹,通过软件内嵌的可视化模块进行展示,检测结果包括框选出缺陷部分区域并将缺陷类别以及置信度标注在原图上。模型采用服务端部署方案,模型调用程序封装为windows平台下可以动态加载的dll动态链接库即可导入机器视觉组态软件中使用。
所述步骤5具体为:尺寸测量结果由步骤4中计算可得,缺陷检测结果由步骤4可知结果从微服务端下发至MicroVT中,在采集到的被测图像中框选出缺陷部分区域、标注缺陷类别以及置信度,最后将硅钢片视觉质量检测结果显示在机器视觉组态软件MicroVT显示区中,包括上述得到的硅钢片的尺寸测量结果和缺陷区域、缺陷类型和置信度,方便查看检测工件的实时状态,并做后续处理,实现完整的视觉质量检测流程。
一种基于微服务的硅钢片视觉质量检测实验系统,包括视觉检测实验平台,所述视觉检测实验平台中间正上方装有环形光源及工业面阵相机,当放置硅钢片时,通过工业面阵相机获取硅钢片图像数据,所述环形光源用于提供足够的光照,保证工业面阵相机拍摄到明亮清晰的图像;PC机装有机器视觉组态软件MicroVT,用于在线接收采集到的硅钢片图像,并通过机器视觉组态软件MicroVT的软件算法进行硅钢片视觉质量检测,最后通过MicroVT上方的显示模块在线实时显示视觉质量检测结果。
本发明的有益效果:
本发明基于微服务搭建远端服务管理平台,选用了MySQL数据库为平台,实现了对各异构服务的数据管理,通过远端微服务器与机器视觉软件MicroVT实现远程连接的平台架构,将硅钢片视觉质量检测算法部署在微服务器,实现了基于微服务的硅钢片视觉质量检测,其优点具体如下:
第一:采用分布式微服务架构。解决了传统软件开发面临着很多的问题,比如:代码重复率高、代码庞大难以维护、无法快速迭代、测试成本高、可伸缩性差、可靠性差、模块间高度依赖等。实现了模块组件化,深度模型组件化,可实现多个实验案例的有效编排管理,提供更高的灵活性,通过最佳及最合适的不同的编程语言与工具进行开发,能够做到有的放矢地解决针对性问题,对传统视觉质量检测方法及实验系统进行了创新。
第二:机器视觉组态软件MicroVT是独立研发且拥有自主知识产权的机器视觉软件,在MicroVT中将相机操作、图像读取、文件操作、阈值分割、图像滤波、尺寸测量、模型调用等各个功能模块化处理,具有视觉算法定制、组合和扩充的功能,可用于不同的实验内容中,可与远程微服务端进行交互,同时还负责实现人机交互,并对外开放算法库的自主编程接口,用于实践应用场景多样化。
第三:硅钢片视觉质量检测算法采用多尺度的方法,避免了对高分辨率图像进行处理,减少了尺寸测量所需的时间。
第四:硅钢片视觉质量检测算法采用基于二色反射模型的联合高光检测和去除的多任务卷积算法有效地处理空间变化的高光,提高图像对光照的抗干扰性。可以有效地解决有金属光泽、具有强反光特性的硅钢片在明场环境下表面存在的高光问题,提高了表面视觉质量检测的准确性。
附图说明
图1为本发明基于微服务的硅钢片视觉质量检测实验系统示意图。
图2为本发明的微服务调用流程图。
图3为本发明的视觉质量检测方法在微服务平台的实现流程图。
图4为本发明的硅钢片在线尺寸测量示例图。
图5为本发明对不同种类的缺陷硅钢片示例图。
图6为本发明的软件界面检测结果图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1所示,本发明一种基于微服务的硅钢片视觉质量检测实验系统,包括视觉检测实验平台1、工业面阵相机2、环形光源3、机器视觉组态软件MicroVT、PC机4、检测工件硅钢片5;
视觉检测实验平台1中间正上方装有环形光源3及工业面阵相机2,当放置硅钢片5时,通过工业面阵相机2获取硅钢片5图像数据,所述环形光源3用于提供足够的光照,保证工业面阵相机2拍摄到明亮清晰的图像;PC机4装有机器视觉组态软件MicroVT,用于在线接收采集到的硅钢片5图像,并通过机器视觉组态软件MicroVT的软件算法进行硅钢片5视觉质量检测,最后通过MicroVT上方的显示模块在线实时显示视觉质量检测结果。
一种基于微服务的硅钢片视觉质量检测方法,包括以下步骤;
整个硅钢片5在线视觉质量检测包括搭建远端微服务平台、离线配置环境、视觉质量检测算法封装和模型部署、在线检测四大环节;
1.搭建远端微服务平台;
搭建基于微服务技术的远端服务管理平台,以Spring Cloud作为微服务主框架,使用Sidecar组件完成对远程服务的封装与通信工作,并选用了MySQL数据库为平台,建立了异构服务配置信息与用户交互数据的连接关系,从而实现了对各异构服务的数据管理,并开发了一系列的数据库交互API满足用户的自定义存储需求即设计了相应的数据存储结构与方便快捷的数据交互API,从而搭建起了远程服务的托管调用平台的通信基础,解决了视觉质量检测算法作为远程服务部署在机器视觉平台中的技术问题。
如图2为微服务的调用流程图,用户通过MicroVT的API发送对远程目标服务的调用指令,这一指令会通过Spring Cloud Netflix下的Feign来接收并转发,Feign在识别了指令中的路由信息后会通过负载均衡策略转发到代理容器Sidecar中,在Sidecar中的异构程序链接微服务中获取目标服务在web服务器中的Route名称。通过Sidecar之间的通信策略,使用已知的Route名路由到web服务器中的远程异构程序调用微服务之中,并通过MySQL数据库获取到此Route路径对应的数据存储信息,从而查询到特定表格获取数据。之后,将获取到的信息作为输入数据,开始运行异构程序,并且其运行时数据与运行后的结果都会在MySQL数据库中实现持久化,以供用户查看。
主要工作为算法框架与可视化平台的搭建。其中算法要求实现目标对象的视觉质量检测,可视化平台要能够具备用户交互需求,并实现视觉质量检测结果展示,如图3中展示了视觉质量检测方法在微服务平台的总体实现流程:
首先,通过视觉质量检测平台采集图像。在图像采集环节完成之后,数据交互API会根据用户传入的远端服务信息寻找到对应的数据存储模型,完成对以已采集图像的存入,以供后续使用。接着,用户从软件端发送远端服务的执行指令,这一指令会通过远程模型调用单元实现对用户指令的接收、识别并转发,从而准确从对应的数据存储单元中提取出对应的图像序列并成功调用起部署在远程服务器中的目标异构服务,将图像序列以输入数据的形式传入端对端执行的视觉质量检测深度模型调用程序中。在远端程序执行过程中所产生的各类数据都可以传入数据存储单元中的对应位置,便于用户后续读取查看。深度模型输出检测结果会被自动传输到软件端的目标文件夹,可以通过软件内嵌的可视化模块进行展示。
2.离线配置环境。离线配置环境包括离线相机标定和离线模型训练。
离线采集工业面阵相机2的棋盘格图像,棋盘格角点检测,计算内外参矩阵,矫正棋盘格,对矫正后棋盘格进行角点检测,计算出像素与实际尺寸之间的行列比例因子;其中利用机器视觉平台安装好的工业面阵相机2拍摄棋盘格照片,得到初始的标定照片集;然后依次检测每一张棋盘格照片的角点;然后将图像中检测到的角点的像素坐标和对应的世界坐标系下的角点坐标配对,使用最小二乘法求解内参矩阵和畸变系数矩阵。
工业面阵相机2离线标定方法如下:
(1)坐标系转换。首先,相机标定的目的之一是建立物体从三维世界到像素平面上各点的对应关系,因此需要定义四个坐标系,分别是:世界坐标系(单位:mm):XW、YW、ZW;相机坐标系(单位:mm):XC、XC、XC;图像坐标系(单位:mm):x、y和像素坐标系(单位:像素):u、v;
其次,要确定工业面阵相机2内部参数和相机外部参数。工业面阵相机2内部参数表示其光学或几何参数,包括焦距、比例因子、畸变参数等。相机外部参数表示摄像机相对于外部世界坐标系的位置,分为平移参数和旋转参数。内参矩阵M是直接联系像素坐标系和相机坐标系的矩阵。由于矩阵内各值只与相机内部参数有关,不随物体的位置变化而变化,所以叫做内参矩阵。
假设像素坐标平面的光学中心O的像素坐标为(u0,v0),内参矩阵M可以写为:
式中:fx——x轴方向每毫米的像素值/mm·像素-1;fy——y轴方向每毫米的像素值/mm·像素-1。
外参矩阵是将世界坐标系和相机坐标系联系起来的矩阵,见式(3-3)。外参矩阵对于一张照片中的所有像素点都相同,但是只要标定板移动就会产生变化,也就是说,标定板的位置不同,外参矩阵就不同。
式中:R——旋转矩阵;T——平移向量;[R|T]——外参矩阵。
然后,将世界坐标系经过刚体变换可得到相机坐标系,再经过透视投影到图像坐标系,再经过二次转换最终得到像素坐标系,已知将物体从世界系投影到像素系的转换因子是相机的内参矩阵和外参矩阵。
最后,已知内参矩阵联系像素坐标系和相机坐标系,而外参矩阵将世界坐标系和相机坐标系联系起来,就可以得到从世界坐标系到像素坐标系的转换关系:
(2)行列比例因子计算。首先,对标定集的棋盘格图像进行角点检测,得到角点的像素系坐标。对于任意两个角点,一方面像素坐标均已知,另一方面根据棋盘格的规格可以求出两个点在世界系下的距离,所以可以列出两点的距离关系方程。
式中:Δd——两角点的世界系距离;Δu——两角点的像素系列坐标差;sr——行比例因子;Δv——两角点的像素系行坐标差;sc——列比例因子。
Δd、Δu和Δv已知,未知量有两个:sr和sc。要想求出两个未知量,需用三个角点列两个方程求解。为了减小误差,这里选择棋盘左上角(角点1)、右上角(角点2)、左下角(角点3)三个距离较大的角点。
用角点1,2,3的坐标信息列得方程:
式中:Δdij——角点i,j的世界系距离;Δxij——角点i,j的像素列坐标差;Δyij——角点i,j的像素行坐标差。
解得行列比例因子的计算公式:
将离线参数写入ini文件中,离线参数包括面阵相机的相机标定参数、坐标变换关系以及像素与实际尺寸之间的行列比例因子。
模型离线训练。对于硅钢片视觉质量检测中的缺陷检测部分,应用深度学习算法,对缺陷进行检测识别并确认缺陷类别。
其中模型训练具体过程如下:
(1)数据预处理。研究使用的缺陷图片来源于两部分,一部分是工业现场提供的实际生产车间的硅钢片缺陷图片,另一部分是由实验室内自行拍摄。对采集到的样本数据集进行数据扩增,对原始数据集进行随机旋转、缩放、水平或垂直翻转、变换图像亮度、饱和度、对比度等操作,提高模型泛化能力,使其具有更好的鲁棒性。将数据集按3:1:1的比例划分为训练集、验证集、测试集,并用labelimg标注工具对训练集中的缺陷进行标注。
(2)模型选择。模型开发框架选择PyTorch框架。在模型选择上,使用YOLOv5和EfficientDet做为对照组,检验YOLOv7的优越性,对三种模型的准确率、召回率、mAP等评价指标进行对比分析。通过对实验结果的观察,我们得出YOLOv7的检测性能要优于YOLOv5和EfficientDet,且YOLOv7具有收敛速度快、检测速度快的优点。选择YOLOv7是在模型训练时间和训练准确率间做取舍的结果。并且使用GPU以加快模型训练的时间。训练过程中不断调整epoch、batch size、learning rate等重要参数,使缺陷检测准确率达到最高。
(3)模型训练。YOLOv7训练过程主要包括两个阶段:前向传播和反向传播。
前向传播阶段,首先对网络的权重参数进行初始化,其值不能全部为零,否则在神经网络第一遍前向传播时,所有隐层神经网络激活值相同,反向传播权重更新也相同,导致隐层神经元没有区分性。初始化决定了以哪个点作为起点开始训练模型,好的初始化能够有利于解决梯度消失和梯度爆炸的问题,从而加速模型收敛速度,提升模型性能。其次,原始数据通过输入层进入网络,经过卷积层、池化层、上采样、拼接等操作向前传播,并对提取出的特征进行分类并计算整个过程中,各层各单元的输入。最后,计算网络的输出值与目标值之间的误差。
在反向传播阶段,首先使用损失函数来计算网络的实际输出值与期望目标值之间的误差,并将其按照网络的反方向进行传播,计算每个权重对模型误差的贡献。从最后一层(输出层)开始,计算每一层的误差,以及每层的参数(权重和偏置)的偏导数。误差梯度可以在下一步利用链式法则计算。其次,基于误差梯度和学习率,对每个参数进行更新,以降低误差。学习率控制每次更新参数的步长大小,一般选择一个很小的数值以保证模型的稳定性。最后,重复以上步骤直到模型收敛,即当模型的误差降到预期时,就认为训练结束。将模型部署在远端微服务平台上。
3.视觉质量检测算法封装和模型部署。
本发明的视觉质量检测算法分为尺寸测量部分和缺陷检测部分。
尺寸测量部分算法封装。在线状态下,首先从ini文件中读取出离线参数,然后对面阵相机在线采集到的硅钢片图像进行处理,最后结合离线参数即可高效快速准确的计算出硅钢片的相关尺寸信息。具体过程如下:
步骤一:图像预处理。预处理是指对原始图像进行一系列预处理操作,以减少噪声、增强图像特征,并为后续处理步骤提供更好的输入。
(1)灰度化。对采集到的高分辨率图像进行灰度化处理,经过处理的图像不会丢失图像中的重要边缘轮廓信息,且图像处理时需要占用的计算资源更小,处理速度更快。因此本发明先将图像灰度化处理来提升整个系统的处理速度。
(2)滤波去噪。本发明选择高斯滤波方法滤噪,使用5×5的正态核给不同位置的像素赋予不同的权重,把加权平均后的值作为中心像素的像素值。高斯滤波(GaussianFilter)使用高斯核函数对图像进行平滑。高斯滤波可以有效去除高斯噪声,并且在平滑过程中保留了图像的边缘信息。原图片经过高斯滤波之后硅钢板周围的毛刺和金属板表面的瑕疵被模糊化,为边缘检测做好了铺垫,提高了边缘检测的准确度。
(3)阈值分割。选择大津法对预处理后得到的灰度图进行阈值分割,将灰度图二值化。
大津法可以分为如下四步:
首先统计灰度直方图。对待处理的图像进行灰度化,并统计每个灰度级别的像素数量。然后计算类间方差。对于每个可能的阈值,根据灰度直方图将图像分为两个类(前景和背景),并计算类间方差。类间方差表示不同类之间的差异程度,最大的类间方差对应于最佳阈值。接着找到最佳阈值。遍历所有可能的阈值,计算类间方差,并选择使类间方差最大化的阈值作为最佳阈值。最后应用最佳阈值。使用最佳阈值对原始图像进行阈值化操作,将像素分为前景和背景两个类别。大津法的优点在于简单易实现,对于很多图像分割问题具有较好的效果。
(4)边缘提取。完成阈值分割后,需要进一步提取二值图的边缘。边缘提取是利用边缘的灰度突变为特征进行分割。本发明使用Canny算子提取边缘,Canny算子在边缘检测中具有低错误率、精确定位、多阈值处理、高灵敏度和抑制非最大值等优点,使用该方法提取的边缘不仅具有良好的连续性和准确性,并且能够突出显示图像中的重要特征。
步骤二:Hough直线特征检测。本发明针对的测量对象是四边形的硅钢板,所以需要提取的特征是硅钢板的四条边,需要进行直线检测。本研究使用Hough直线检测法提取直线特征。具体方法如下:
(1)把预处理后缩小的图像分为左上、左下、右上、右下四部分,切割后的每一部分图像都只有水平和竖直方向的两条边,因此在寻找直线的时候不需要遍历0~180°,只需要分别在水平方向(-45°~45°)和竖直方向(55°~-125°)进行两次Hough变换,就可以找到两条边。分别找到两条直线后,两条直线可以确定一个交点,将这个交点作为粗提取角点,以进行第二级Hough检测。
(2)通过坐标变换将得到的角点转换到未缩小的图片,在粗角点附近的ROC区域通过Hough检测分别检测水平直线和竖直直线,依次在四部分照片中进行第二级Hough检测操作,就可以分别找到四个精确的角点。
(3)得到的精确角点的像素坐标是相对于各部分的ROC区域而言的,进行坐标变换将其变换到未分割的原图片中,得到用来计算尺寸的最终精确的角点像素坐标。
步骤三:尺寸计算。得到工件左上、左下、右上、右下四个精确角点后。利用四个角点的像素坐标,结合相机标定部分计算得到的行列比例因子,算出像素点之间的欧氏距离,也就是硅钢面板的边长。
其中,Δd就是两个角点的实际距离。
尺寸测量算法是基于C++和OpenCV库开发的,封装为windows平台下可以动态加载的dll动态链接库即可导入机器视觉组态软件中使用。
缺陷检测部分模型部署。
在图像采集环节完成之后,数据交互API会根据用户传入的远端服务信息寻找到对应的数据存储模型,完成对以已采集图像的存入,以供后续使用。接着,用户从软件端发送远端服务的执行指令,这一指令会通过远程模型调用单元实现对用户指令的接收、识别并转发,从而准确从对应的数据存储单元中提取出对应的图像序列并成功调用起部署在远程服务器中的目标异构服务,将图像序列以输入数据的形式传入端对端执行的视觉质量检测深度模型调用程序中。利用基于二色反射模型的联合高光检测和去除的多任务卷积算法有效地处理空间变化的高光,同时很好地保留阴影,解决所采集到的硅钢片图像在明场环境下表面存在的高光问题。使用ONNX runtime推理引擎进行推理。在远端程序执行过程中所产生的各类数据都可以传入数据存储单元中的对应位置,便于用户后续读取查看。深度模型输出检测结果会被自动传输到软件端的目标文件夹,可以通过软件内嵌的可视化模块进行展示。检测结果包括框选出缺陷部分区域并将缺陷类别以及置信度标注在原图上。模型采用服务端部署方案,模型调用程序封装为windows平台下可以动态加载的dll动态链接库即可导入机器视觉组态软件中使用。
4.在线检测。如图4、5分别为硅钢片的在线尺寸测量示例图和缺陷检测示例图。通过导入面阵相机现场采集的硅钢片图片,在机器视觉组态软件中利用封装好的视觉质量检测算法库对硅钢片进行检测,并将检测结果显示在机器视觉组态软件的显示区域如图6所示,显示内容包括尺寸测量结果、缺陷区域的框选、缺陷类别以及置信度。
机器视觉大型工业组态软件MicroVT便是一款结合了机器视觉与数字图像处理的软件系统平台。它既可以满足机器视觉领域教学实验的要求,也具有实际应用于工业领域的潜力,在国内机器视觉软件领域具备一定程度的独创性。本发明所采用的微服务平台就是将深度学习模型与机器视觉软件实现远程连接的平台架构。
综上,本发明针对目前各类院校中相对成熟的机器视觉质量检测实验系统较少、完整的机器视觉实验案例包括软件、平台、算法的实验系统少之又少的问题。运用微服务技术,采用分布式架构框架,实现模块组件化,可实现多个实验案例的有效编排管理,提供更高的灵活性,可通过最佳及最合适的不同的编程语言与工具进行开发,能够做到有的放矢地解决针对性问题,对传统视觉质量检测方法及系统进行创新。上所述仅为本发明的具体实施方式,这些描述只是为了解释本发明的原理,而不能以任何结构解释为对本发明保护范围的限制。基于此处的解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其他具体实施方法,这些结构都将落入本发明的保护范围之内。
Claims (10)
1.一种基于微服务的硅钢片视觉质量检测方法,其特征在于,包括以下步骤;
步骤1,搭建基于微服务的远端服务管理平台,以Spring Cloud作为微服务主框架,使用Sidecar组件完成对远程服务的封装与通信工作,选用MySQL数据库为平台,建立了异构服务配置信息与用户交互数据的连接关系;
实现对各异构服务的数据管理,通过数据库交互API满足用户的自定义存储需求即设计相应的数据存储结构与方便快捷的数据交互API;
步骤2,离线采集工业面阵相机(2)的棋盘格图像和缺陷硅钢片样本图像,针对棋盘格图像进行角点检测,计算内外参矩阵,矫正棋盘格,对矫正后棋盘格进行角点检测,计算出像素与实际尺寸之间的行列比例因子;
步骤3,离线训练模型和部署模型;采用深度神经网络学习的方法,搭建PyTorch深度学习框架,使用YOLOV7模型进行视觉质量检测;
步骤4,在线硅钢片进行视觉质量检测实验;
步骤5,视觉质量检测结果显示。
2.根据权利要求1所述的一种基于微服务的硅钢片视觉质量检测方法,其特征在于,所述步骤1中微服务的远端服务管理平台的搭建分为以下几个步骤:
步骤1.1:通过工业面阵相机(2)和环形光源(3)进行图像采集;采集用于后续进行视觉质量检测的图像输入,其中工业面阵相机(2)通过机器视觉组态软件进行调用采集图像,环形光源(3)用于提供照明;
步骤1.2:通过远程无监督深度模型调用模块获取用户的指令信息,并准确地将指令转发到服务器并执行对应的异构服务程序;
步骤1.3:数据存储模块完成对用户传入远端的所述步骤1.1得到的图像数据和步骤1.2得到的指令信息进行存储,同时存储远端服务运行时所产生的各类数据,数据交互模块则需要提供面向用户端与远程端的API数据接口,使得在存储模型中的各类数据被用户和远端服务访问获取。
3.根据权利要求1所述的一种基于微服务的硅钢片视觉质量检测方法,其特征在于,所述步骤2具体为:
利用视觉质量检测平台安装好的工业面阵相机(2)拍摄棋盘格照片,得到初始的标定照片集;然后依次检测每一张棋盘格照片的角点;然后将图像中检测到的角点的像素坐标和对应的世界坐标系下的角点坐标配对,使用最小二乘法求解内参矩阵和畸变系数矩阵;将离线参数写入ini文件中,离线参数包括工业面阵相机(2)的相机标定参数、坐标变换关系以及像素与实际尺寸之间的行列比例因子。
4.根据权利要求3所述的一种基于微服务的硅钢片视觉质量检测方法,其特征在于,所述步骤3中,视觉质量检测的缺陷包括划痕、氧化油污、斑点、压凹压凸、卷曲、褶皱6类缺陷;采用深度神经网络学习的方法对不同类别的缺陷加以区分识别;
由步骤2得到的缺陷硅钢片样本图像用作缺陷样本数据集,对采集到的样本数据集进行数据扩增,进行随机旋转、缩放、水平或垂直翻转、变换图像亮度、饱和度、对比度的操作;将样本数据集划分为训练集、验证集、测试集,并用labelimg标注工具对训练集中的缺陷进行标注,将离线训练好的模型部署在步骤1中的远端微服务平台上,用于在线硅钢片视觉质量检测。
5.根据权利要求4所述的一种基于微服务的硅钢片视觉质量检测方法,其特征在于,所述步骤4具体为:通过机器视觉组态软件进行实验,调用高分辨率的工业面阵相机(2),对硅钢片视觉检测平台上的待测硅钢片完成图像采集,得到完整清晰的硅钢片图片,将图片数据上传至远端微服务的数据库中;再利用集成在MicroVT上的图像处理算法对采集到的硅钢片图像进行预处理,然后利用硅钢片视觉质量检测算法进行检测,精确定位硅钢片的四个角点;结合获取的离线参数对各所述角点的坐标进行标定和距离计算,最终在线计算出硅钢片的四条边的尺寸数据;同时利用机器视觉软件向微服务端发出请求,进行在线监听服务,读取上传至数据库中的数据,利用步骤3中训练好的模型推理,将结果保存至数据库中,再由微服务端将结果下发至MicroVT中。
6.根据权利要求5所述的一种基于微服务的硅钢片视觉质量检测方法,其特征在于,所述步骤4中,所述视觉质量检测算法分为尺寸测量部分和缺陷检测部分;
尺寸测量部分算法封装;在线状态下,首先从步骤2中写入的ini文件中读取出离线参数,然后对面阵相机在线采集到的硅钢片图像进行处理,最后结合离线参数计算出硅钢片的相关尺寸信息。
7.根据权利要求6所述的一种基于微服务的硅钢片视觉质量检测方法,其特征在于,所述尺寸测量部分具体过程如下:
步骤一:图像预处理;
(1)灰度化;对步骤4中采集到的高分辨率图像进行灰度化处理;
(2)滤波去噪;选择高斯滤波方法滤噪,使用5×5的正态核给不同位置的像素赋予不同的权重,把加权平均后的值作为中心像素的像素值;高斯滤波使用高斯核函数对图像进行平滑;
(3)阈值分割;选择大津法对预处理后得到的灰度图进行阈值分割,将灰度图二值化;
(4)边缘提取;完成阈值分割后,使用Canny算子提取边缘;
步骤二:Hough直线特征检测;针对的测量对象提取的特征,进行直线检测;使用Hough直线检测法提取直线特征;具体方法如下:
(1)把预处理后缩小的图像分为左上、左下、右上、右下四部分,切割后的每一部分图像都只有水平和竖直方向的两条边,分别在水平方向和竖直方向进行两次Hough变换,找到两条边,分别找到两条直线后,两条直线确定一个交点,将这个交点作为粗提取角点,以进行第二级Hough检测;
(2)通过坐标变换将得到的角点转换到未缩小的图片,在粗角点附近的ROC区域通过Hough检测分别检测水平直线和竖直直线,依次在四部分照片中进行第二级Hough检测操作,分别找到四个精确的角点;
(3)进行坐标变换将其变换到未分割的原图片中,得到用来计算尺寸的最终精确的角点像素坐标;
步骤三:尺寸计算;得到工件左上、左下、右上、右下四个精确角点后;利用四个角点的像素坐标,结合相机标定部分计算得到的行列比例因子,算出像素点之间的欧氏距离,也就是硅钢面板的边长;
其中,Δd就是两个角点的实际距离;
所述步骤一中的大津法分为如下四步:
首先统计灰度直方图;对待处理的图像进行灰度化,并统计每个灰度级别的像素数量;然后计算类间方差;对于每个可能的阈值,根据灰度直方图将图像分为两个类,并计算类间方差;类间方差表示不同类之间的差异程度,最大的类间方差对应于最佳阈值;接着找到最佳阈值;遍历所有可能的阈值,计算类间方差,并选择使类间方差最大化的阈值作为最佳阈值;最后应用最佳阈值;使用最佳阈值对原始图像进行阈值化操作,将像素分为前景和背景两个类别。
8.根据权利要求6所述的一种基于微服务的硅钢片视觉质量检测方法,其特征在于,所述缺陷检测部分具体如下:
缺陷检测部分模型部署;在图像采集环节完成之后,数据交互API会根据用户传入的远端服务信息寻找到对应的数据存储模型,完成对以已采集图像的存入,以供后续使用;接着,用户从软件端发送远端服务的执行指令,这一指令会通过远程模型调用单元实现对用户指令的接收、识别并转发,从而准确从对应的数据存储单元中提取出对应的图像序列并成功调用起部署在远程服务器中的目标异构服务,将图像序列以输入数据的形式传入端对端执行的视觉质量检测深度模型调用程序中;利用基于二色反射模型的联合高光检测和去除的多任务卷积算法有效地处理空间变化的高光;
使用ONNX runtime推理引擎进行推理,在远端程序执行过程中所产生的各类数据都可以传入数据存储单元中的对应位置,便于用户后续读取查看;深度模型输出检测结果会被自动传输到软件端的目标文件夹,通过软件内嵌的可视化模块进行展示,检测结果包括框选出缺陷部分区域并将缺陷类别以及置信度标注在原图上,模型采用服务端部署方案,模型调用程序封装为windows平台下可以动态加载的dll动态链接库即可导入机器视觉组态软件中使用。
9.根据权利要求6所述的一种基于微服务的硅钢片视觉质量检测方法,其特征在于,所述步骤5具体为:尺寸测量结果由步骤4中计算可得,缺陷检测结果由步骤4可知结果从微服务端下发至MicroVT中,在采集到的被测图像中框选出缺陷部分区域、标注缺陷类别以及置信度,最后将硅钢片视觉质量检测结果显示在机器视觉组态软件MicroVT显示区中,包括上述得到的硅钢片的尺寸测量结果和缺陷区域、缺陷类型和置信度,方便查看检测工件的实时状态,并做后续处理,实现完整的视觉质量检测流程。
10.用于实现权利要求1-9任一项所述一种基于微服务的硅钢片视觉质量检测方法的视觉质量检测实验系统,其特征在于,包括视觉检测实验平台(1),所述视觉检测实验平台(1)中间正上方装有环形光源(3)及工业面阵相机(2),当放置硅钢片(5)时,通过工业面阵相机(2)获取硅钢片(5)图像数据,所述环形光源(3)用于提供足够的光照,保证工业面阵相机(2)拍摄到明亮清晰的图像;PC机(4)装有机器视觉组态软件MicroVT,用于在线接收采集到的硅钢片(5)图像,并通过机器视觉组态软件MicroVT的软件算法进行硅钢片(5)视觉质量检测,最后通过MicroVT上方的显示模块在线实时显示视觉质量检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311398426.2A CN117333476A (zh) | 2023-10-26 | 2023-10-26 | 一种基于微服务的硅钢片视觉质量检测方法及实验系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311398426.2A CN117333476A (zh) | 2023-10-26 | 2023-10-26 | 一种基于微服务的硅钢片视觉质量检测方法及实验系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117333476A true CN117333476A (zh) | 2024-01-02 |
Family
ID=89290222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311398426.2A Pending CN117333476A (zh) | 2023-10-26 | 2023-10-26 | 一种基于微服务的硅钢片视觉质量检测方法及实验系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117333476A (zh) |
-
2023
- 2023-10-26 CN CN202311398426.2A patent/CN117333476A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598861B (zh) | 基于改进的Faster R-CNN模型的非均匀纹理小缺陷的检测方法 | |
CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
CN111862126B (zh) | 深度学习与几何算法结合的非合作目标相对位姿估计方法 | |
CN112465748B (zh) | 基于神经网络的裂缝识别方法、装置、设备及存储介质 | |
CN111738110A (zh) | 基于多尺度注意力机制的遥感图像车辆目标检测方法 | |
CN113344852A (zh) | 一种电力场景通用物品的目标检测方法、装置及存储介质 | |
CN109903323B (zh) | 用于透明物体识别的训练方法、装置、存储介质及终端 | |
CN115908988B (zh) | 一种缺陷检测模型生成方法、装置、设备以及存储介质 | |
Zelener et al. | Cnn-based object segmentation in urban lidar with missing points | |
CN113393439A (zh) | 一种基于深度学习的锻件缺陷检测方法 | |
CN110310305A (zh) | 一种基于bssd检测与卡尔曼滤波的目标跟踪方法与装置 | |
CN115775236A (zh) | 基于多尺度特征融合的表面微小缺陷视觉检测方法及系统 | |
CN116071315A (zh) | 一种基于机器视觉的产品可视缺陷检测方法及系统 | |
CN112669452B (zh) | 一种基于卷积神经网络多分支结构的物体定位方法 | |
CN108447092B (zh) | 视觉定位标识物的方法及装置 | |
CN116188361A (zh) | 一种基于深度学习的铝型材表面缺陷分类方法及装置 | |
CN117333476A (zh) | 一种基于微服务的硅钢片视觉质量检测方法及实验系统 | |
CN116051808A (zh) | 一种基于YOLOv5的轻量化零件识别定位方法 | |
Shang et al. | LaserNet: a method of laser stripe center extraction under non-ideal conditions | |
CN116152334A (zh) | 图像处理方法及相关设备 | |
CN115205654A (zh) | 一种新型基于关键点约束的单目视觉3d目标检测方法 | |
CN113159278A (zh) | 一种分割网络系统 | |
Onmek et al. | Evaluation of underwater 3D reconstruction methods for Archaeological Objects: Case study of Anchor at Mediterranean Sea | |
De Roovere et al. | CenDerNet: Center and Curvature Representations for Render-and-Compare 6D Pose Estimation | |
CN110910450A (zh) | 一种基于混合特征感知神经网络进行3d目标检测的方法 |
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 |