CN117333802A - 一种视觉检测产品质量的方法、系统及装置 - Google Patents
一种视觉检测产品质量的方法、系统及装置 Download PDFInfo
- Publication number
- CN117333802A CN117333802A CN202311268884.4A CN202311268884A CN117333802A CN 117333802 A CN117333802 A CN 117333802A CN 202311268884 A CN202311268884 A CN 202311268884A CN 117333802 A CN117333802 A CN 117333802A
- Authority
- CN
- China
- Prior art keywords
- image
- product
- detection
- detection area
- positioning image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 87
- 238000004519 manufacturing process Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000003709 image segmentation Methods 0.000 claims abstract description 9
- 230000015654 memory Effects 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 16
- 239000000463 material Substances 0.000 abstract description 5
- 230000000007 visual effect Effects 0.000 abstract 1
- 238000012549 training Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 230000002950 deficient 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
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/141—Control of illumination
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/753—Transform-based matching, e.g. Hough transform
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种视觉检测产品质量的方法、系统及装置，涉及视觉检测技术领域，方法主要包括：在流水线的检测区域处架设图像采集设备及光源；实时采集检测区域图像，并通过图像识别模型，识别检测区域图像中的产品；通过图像分割模型，从检测区域图像中提取产品图像；将产品图像由笛卡尔空间转换至霍夫空间后进行重定位，得到粗略定位图像；通过角点检测，提取粗略定位图像中特征点；矫正粗略定位图像，得到标准定位图像；基于标准定位图像，通过特征提取模型，提取检测项目信息，并与合格样件信息进行比较判定是否合格。本方案可自动识别产品，准确进行品质判定，节约了检验人力及物力，大幅提升了流水线的检验效率与检验水平。
Description
技术领域
本发明涉及视觉检测技术领域，尤其是涉及一种视觉检测产品质量的方法、系统及装置。
背景技术
目前，随着计算机视觉技术的不断发展，其应用领域也在不断地扩展中。
而在小规格、大批量产品的生产流水线上，需要对产品完成准确、快速地质量检测，往往需要投入大量的人力、物力及时间。但是，在这种高投入的前提下，仍然会由于人员失误、培训不到位、检验效率低等原因，造成不合格品漏检、错检、拦截失败等品质事故发生，同时还产生了诸如批量报废、等待、返修、返检等大量浪费。
因此，如何将高效的计算机视觉技术投入到产品质量检测中，从而提升产品检测效率及效果，已成为业内不断探索的课题。
发明内容
本发明的目的在于提供一种视觉检测产品质量的方法、系统及装置，以解决现有技术中存在的至少一种上述技术问题。
第一方面，为解决上述技术问题，本发明提供了一种视觉检测产品质量的方法，包括如下步骤：
步骤1、在流水线的检测区域处架设图像采集设备及光源：所述图像采集装置，用于采集检测区域图像；所述光源，用于均匀照亮检测区域，便于图像采集设备拍摄清晰画面；
步骤2、流水线运转时，实时采集检测区域图像，并通过图像识别模型，识别检测区域图像中是否有产品：若是，则截留该产品，并执行步骤3；若否，则执行步骤2；
步骤3、基于产品与背景的颜色差异，通过图像分割模型，从检测区域图像中提取产品图像；
步骤4、将产品图像由笛卡尔空间转换至霍夫空间后进行重定位，得到粗略定位图像；
步骤5、基于粗略定位图像，通过角点检测，提取粗略定位图像中特征点；基于标准特征点，矫正粗略定位图像，得到标准定位图像；
步骤6、基于标准定位图像，通过特征提取模型，提取检测项目信息，并与合格样件信息进行比较判定是否合格：若是，则放行该产品至流水线中；若否，则分离该产品出流水线并发出警报。
通过上述方法，可以通过计算机视觉，自动识别出不合格品，并将其自动分离出生产流水线，避免了不合格品错检、漏检、流入下一序等品质事故的发生，并且节约了人力、物力，提升了检验效率与水准，降低了生产浪费。
在一种可行的实施方式中，所述图像识别模型为神经网络模型，所述神经网络模型属于现有技术，由大量处理单元广泛连接而成，可以进行高度复杂的非线性动力学习；所述识别模型的训练方法为：采集若干含有产品及不含有产品的图像进行组合，作为数据集及验证集，并分别标记标签；将数据集输入所述识别模型，以产品图像为特征进行识别训练；通过验证集检验所述识别模型的训练效果；直至达到预设合格率，保存所述识别模型的权重信息。
在一种可行的实施方式中，所述图像分割模型属于现有技术，包括图像语义分割模型、图像实例分割模型等，可以从图像中分离目标图像。
在一种可行的实施方式中，所述步骤4包括：
步骤41、以检测区域图像的某个角作为笛卡尔空间坐标系的原点，以这个角的相邻两边作为笛卡尔空间坐标系的横轴和纵轴；
步骤42、基于像素位置，计算得到产品图像各像素点的笛卡尔坐标值；
步骤43、通过霍夫变换，将笛卡尔坐标值转换为霍夫空间中对应点的峰值；
步骤44、通过峰值统计，检测并标记出产品的边缘线；
步骤45、基于边缘线的方向，将产品摆正，得到粗略定位图像。
通过上述方法，可以自动将产品图像摆正。
在一种可行的实施方式中，所述步骤5包括：
步骤51、基于粗略定位图像，通过角点检测，提取粗略定位图像中四角处特征点坐标；
步骤52、基于合格样件图像中四角处标准特征点坐标，通过透视变换公式，将粗略定位图像转换为标准定位图像，具体公式为：
其中，(x,y,1)表示标准视平面坐标；(X,Y,1)表示粗略视平面坐标；T表示透视变换矩阵，通过粗略定位图像的特征点坐标与合格样件图像中标准特征点坐标的已知数值，联立求解得到。
通过上述步骤，可以对粗略定位图像进行畸变矫正，得到标准定位图像,以便克服由于图像畸变所带来的产品品质误判问题。
在一种可行的实施方式中，所述步骤6中的检测项目信息包括但不限于：颜色、孔位、特征缺失、二维码信息、零部件识别及外观破损等；所述步骤6中的特征提取模型可以是单个或多个神经网络模型，针对前述单个或多个检测项目进行训练。
在一种可行的实施方式中，所述方法还包括步骤7，将合格产品和/或不合格产品相应的产品图像分别标记产品质量信息并外发，以便人员读取。
在一种可行的实施方式中，所述产品质量信息包括但不限于检测项目、检测结果、数量统计及合格率统计等。
第二方面，基于相同的发明构思，本申请还提供了一种视觉检测产品质量的系统，包括数据接收模块、数据处理模块及结果生成模块：
所述数据接收模块，用于输入检测区域图像；
所述数据处理模块，包括产品提取单元、第一矫正单元、第二矫正单元及检测判定单元：
所述产品提取单元，基于产品与背景的颜色差异，通过图像分割模型，从检测区域图像中提取产品图像；
所述第一矫正单元，将产品图像由笛卡尔空间转换至霍夫空间后进行重定位，得到粗略定位图像；
所述第二矫正单元，基于粗略定位图像，通过角点检测，提取粗略定位图像中特征点；基于标准特征点，矫正粗略定位图像，得到标准定位图像；
所述检测判定单元，基于标准定位图像，通过特征提取模型，提取检测项目信息，并与合格样件信息进行比较判定是否合格，生成判定结果；
所述结果生成模块，将所述判定结果外发。
在一种可行的实施方式中，所述数据处理模块还包括质量信息单元，将合格产品和/或不合格产品相应的产品图像分别标记产品质量信息，并发送至所述结果生成模块外发。
第三方面，基于相同的发明构思，本申请还提供了一种视觉检测产品质量的装置，包括处理器、存储器及总线，所述存储器存储由处理器读取的指令及数据，所述处理器用于调用所述存储器中的指令及数据，以执行如上所述的方法，所述总线连接各功能部件用于传送信息。
采用上述技术方案，本发明具有如下有益效果：
本发明提供的一种视觉检测产品质量的方法、系统及装置，通过计算机视觉技术，自动识别产品，进行品质判定，并将不合格品自动分离出生产流水线，避免发生不合格品错检、漏检、流入下一序等品质事故，并且节约了检验人力及物力，从而大幅提升了流水线的检验效率与检验水平，同时降低了生产浪费及品质成本。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的一种视觉检测产品质量的方法流程图；
图2为图1中步骤4的具体流程图；
图3为本发明实施例提供的一种视觉检测产品质量的系统图；
图4为本发明实施例提供的一种视觉检测产品质量的装置立体图；
图5为图4的仰视图；
图6为本发明实施例提供的一种视觉检测产品质量的装置主视图；
图7为图6中主机的内部结构示意图；
图8为本发明实施例提供的又一种视觉检测产品质量的装置立体图；
图9为图8中平行光源的结构示意图。
附图标记：
1-主机；11-控制盒；12-观察窗；2-座体；3-柱体；4-图像采集部；
5-光源部；51-光带；52-平行光源；521-过孔；522-连接器。
具体实施方式
下面将结合附图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。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
下面结合具体的实施方式对本发明做进一步的解释说明。
还需要说明的是，下述具体实施例或具体实施方式，是本发明为进一步解释具体的发明内容而列举的一系列优化的设置方式，而这些设置方式之间均是可以相互结合或者相互关联使用的。
实施例一：
如图1所示，本实施例提供的一种视觉检测产品质量的方法，包括如下步骤：
步骤1、在流水线的检测区域处架设图像采集设备及光源：所述图像采集装置，用于采集检测区域图像；所述光源，用于均匀照亮检测区域，便于图像采集设备拍摄清晰画面；
步骤2、流水线运转时，实时采集检测区域图像，并通过图像识别模型，识别检测区域图像中是否有产品：若是，则截留该产品，并执行步骤3；若否，则执行步骤2；
步骤3、基于产品与背景的颜色差异，通过图像分割模型，从检测区域图像中提取产品图像；
步骤4、将产品图像由笛卡尔空间转换至霍夫空间后进行重定位，得到粗略定位图像；
步骤5、基于粗略定位图像，通过角点检测，提取粗略定位图像中特征点；基于标准特征点，矫正粗略定位图像，得到标准定位图像；
步骤6、基于标准定位图像，通过特征提取模型，提取检测项目信息，并与合格样件信息进行比较判定是否合格：若是，则放行该产品至流水线中；若否，则分离该产品出流水线并发出警报。
通过上述方法，可以通过计算机视觉，自动识别出不合格品，并将其自动分离出生产流水线，避免了不合格品错检、漏检、流入下一序等品质事故的发生，并且节约了人力、物力，提升了检验效率与水准，降低了生产浪费。
进一步地，所述图像识别模型为神经网络模型，所述神经网络模型属于现有技术，由大量处理单元广泛连接而成，可以进行高度复杂的非线性动力学习；所述识别模型的训练方法为：采集若干含有产品及不含有产品的图像进行组合，作为数据集及验证集，并分别标记标签；将数据集输入所述识别模型，以产品图像为特征进行识别训练；通过验证集检验所述识别模型的训练效果；直至达到预设合格率，保存所述识别模型的权重信息。
进一步地，所述图像分割模型属于现有技术，包括图像语义分割模型、图像实例分割模型等，可以从图像中分离目标图像。
进一步地，如图2所示，所述步骤4包括：
步骤41、以检测区域图像的某个角作为笛卡尔空间坐标系的原点，以这个角的相邻两边作为笛卡尔空间坐标系的横轴和纵轴；
步骤42、基于像素位置，计算得到产品图像各像素点的笛卡尔坐标值；
步骤43、通过霍夫变换，将笛卡尔坐标值转换为霍夫空间中对应点的峰值；所述霍夫变换属于现有技术，是一种将图像平面上的几何特征对应到参数平面上,并通过统计特性进行问题处理的方法；
步骤44、通过峰值统计，检测并标记出产品的边缘线；
步骤45、基于边缘线的方向，将产品摆正，得到粗略定位图像。
通过上述方法，可以自动将产品图像摆正。
进一步地，所述步骤5包括：
步骤51、基于粗略定位图像，通过角点检测，提取粗略定位图像中四角处特征点坐标；
步骤52、基于合格样件图像中四角处标准特征点坐标，通过透视变换公式，将粗略定位图像转换为标准定位图像，具体公式为：
其中，(x,y,1)表示标准视平面坐标；(X,Y,1)表示粗略视平面坐标；T表示透视变换矩阵，通过粗略定位图像的特征点坐标与合格样件图像中标准特征点坐标的已知数值，联立求解得到。
通过上述步骤，可以对粗略定位图像进行畸变矫正，得到标准定位图像,以便克服由于图像畸变所带来的产品品质误判问题。
进一步地，所述步骤6中的检测项目信息包括但不限于：颜色、孔位、特征缺失、二维码信息、零部件识别及外观破损等；所述步骤6中的特征提取模型可以是单个或多个神经网络模型，针对前述单个或多个检测项目进行训练即可。
进一步地，所述方法还包括步骤7，将合格产品和/或不合格产品相应的产品图像分别标记产品质量信息并外发，以便人员读取。
进一步地，所述产品质量信息包括但不限于检测项目、检测结果、数量统计及合格率统计等。
实施例二：
如图3所示，本实施例还提供了一种视觉检测产品质量的系统，包括数据接收模块、数据处理模块及结果生成模块：
所述数据接收模块，用于输入检测区域图像；
所述数据处理模块，包括产品提取单元、第一矫正单元、第二矫正单元及检测判定单元：
所述产品提取单元，基于产品与背景的颜色差异，通过图像分割模型，从检测区域图像中提取产品图像；
所述第一矫正单元，将产品图像由笛卡尔空间转换至霍夫空间后进行重定位，得到粗略定位图像；
所述第二矫正单元，基于粗略定位图像，通过角点检测，提取粗略定位图像中特征点；基于标准特征点，矫正粗略定位图像，得到标准定位图像；
所述检测判定单元，基于标准定位图像，通过特征提取模型，提取检测项目信息，并与合格样件信息进行比较判定是否合格，生成判定结果；
所述结果生成模块，将所述判定结果外发。
进一步地，所述数据处理模块还包括质量信息单元，将合格产品和/或不合格产品相应的产品图像分别标记产品质量信息，并发送至所述结果生成模块外发。
实施例三：
本实施例提供了一种视觉检测产品质量的装置，包括处理器、存储器及总线，所述存储器存储由处理器读取的指令及数据，所述处理器用于调用所述存储器中的指令及数据，以执行如上所述的方法，所述总线连接各功能部件用于传送信息。
本方案在又一种实施方式下，可以通过设备的方式来实现，该设备可以包括执行上述各个实施方式中各个或几个步骤的相应模块。模块可以是专门被配置为执行相应步骤的一个或多个硬件模块、或者由被配置为执行相应步骤的处理器来实现、或者存储在计算机可读介质内用于由处理器来实现、或者通过某种组合来实现。
处理器执行上文所描述的各个方法和处理。例如，本方案中的方法实施方式可以被实现为软件程序，其被有形地包含于机器可读介质，例如存储器。在一些实施方式中，软件程序的部分或者全部可以经由存储器和/或通信接口而被载入和/或安装。当软件程序加载到存储器并由处理器执行时，可以执行上文描述的方法中的一个或多个步骤。备选地，在其它实施方式中，处理器可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述方法之一。
该设备可以利用总线架构来实现。总线架构可以包括任何数量的互连总线和桥接器，这取决于硬件的特定应用和总体设计约束。总线将包括一个或多个处理器、存储器和/或硬件模块的各种电路连接到一起。总线还可以将诸如外围设备、电压调节器、功率管理电路、外部天线等的各种其它电路连接。
总线可以是工业标准体系结构(ISA，Industry Standard Architecture)总线、外部设备互连(PCI，Peripheral Component)总线或扩展工业标准体系结构(EISA，ExtendedIndustry Standard Component)总线等，总线可以分为地址总线、数据总线、控制总线等。
实施例四：
如图4所示，本实施例提供了另一种视觉检测产品质量的装置，主要包括：主机1、座体2、柱体3、图像采集部4及光源部5；
所述主机1固定于座体2的一端；所述座体2的另一端设有两根竖直平行的柱体3；所述座体2的上表面还设有把手，便于将本装置整体搬运至某个流水线的某个检测工位处；
所述图像采集部4可上下移动地固定于所述柱体3上远离所述主机1的一面，具体固定方式为导轨滑块搭配锁紧螺母；所述图像采集部4远离所述柱体3的一端设置有相机，用于向下拍摄检测区域图像；
类似地，所述光源部5也可上下移动地固定于所述柱体3上远离所述主机1的一面，且位于所述图像采集部4的下方，用于向下均匀照亮检测区域，而且这种结构可以避免相机设置在光源与产品之间时，出现的挡光问题；
如图5所示，所述光源部5包括方形框架，所述方形框架远离所述柱体3的三个边上设置有光带51，便于提供较为均匀的光源。
如图6～7所示，所述主机1的面板打开后，其内部右下方设置有控制盒11，所述控制盒11包括处理器及存储器；所述存储器存储由处理器读取的指令及数据，所述处理器用于调用所述存储器中的指令及数据，以执行如上所述的视觉检测产品质量的方法；所述主机1靠近所述柱体3的面板中央设有观察窗12，用于在调试本装置时，调试人员可以从主机1内部透过观察窗12观察到图像采集部4及光源部5的工作情况，以便于调节图像采集4及光源部5至合适的工作高度。
实施例五：
如图8所示，在实施例四的基础上，还可以在光源部5的方形框架所围区域内架设平行光源52，以增加均匀光照效果。
如图9所示，在所述平行光源52的中央设置有过孔521，可以使相机从此过孔521内拍摄到平行光源52下方的检测区域图像，避免了平行光源52阻挡相机的视野范围；所述平行光源52通过连接器522与光源部5电连接，以便为平行光源52供电。
在其他实施例中，本装置还包括产品截留及分流机构，需要根据具体流水线结构进行具体设计，用于实现对产品的截留检测以及对不合格品的分流储存。
在其他实施例中，所述主机1还包括报警装置，例如报警灯和/或蜂鸣器，用于输出不合格品的报警信号。
在其他实施例中，所述主机1还包括无线传输装置，例如4G/5G、LoRa等，便于将判定结果、产品图像及产品质量信息等数据外发。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种视觉检测产品质量的方法，其特征在于，包括：
步骤1、在流水线的检测区域处架设图像采集设备及光源：所述图像采集装置，用于采集检测区域图像；所述光源，用于均匀照亮检测区域；
步骤2、流水线运转时，实时采集检测区域图像，并通过图像识别模型，识别检测区域图像中是否有产品：若是，则截留该产品，并执行步骤3；若否，则执行步骤2；
步骤3、基于产品与背景的颜色差异，通过图像分割模型，从检测区域图像中提取产品图像；
步骤4、将产品图像由笛卡尔空间转换至霍夫空间后进行重定位，得到粗略定位图像；
步骤5、基于粗略定位图像，通过角点检测，提取粗略定位图像中特征点；基于标准特征点，矫正粗略定位图像，得到标准定位图像；
步骤6、基于标准定位图像，通过特征提取模型，提取检测项目信息，并与合格样件信息进行比较判定是否合格：若是，则放行该产品至流水线中；若否，则分离该产品出流水线并发出警报。
2.根据权利要求1所述的方法，其特征在于，所述步骤4包括：
步骤41、以检测区域图像的某个角作为笛卡尔空间坐标系的原点，以这个角的相邻两边作为笛卡尔空间坐标系的横轴和纵轴；
步骤42、基于像素位置，计算得到产品图像各像素点的笛卡尔坐标值；
步骤43、通过霍夫变换，将笛卡尔坐标值转换为霍夫空间中对应点的峰值；
步骤44、通过峰值统计，检测并标记出产品的边缘线；
步骤45、基于边缘线的方向，将产品摆正，得到粗略定位图像。
3.根据权利要求2所述的方法，其特征在于，所述步骤5包括：
步骤51、基于粗略定位图像，通过角点检测，提取粗略定位图像中四角处特征点坐标；
步骤52、基于合格样件图像中四角处标准特征点坐标，通过透视变换公式，将粗略定位图像转换为标准定位图像，具体公式为：
其中，(x,y,1)表示标准视平面坐标；(X,Y,1)表示粗略视平面坐标；T表示透视变换矩阵，通过粗略定位图像的特征点坐标与合格样件图像中标准特征点坐标的已知数值，联立求解得到。
4.根据权利要求1所述的方法，其特征在于，还包括步骤7，将合格产品和/或不合格产品相应的产品图像分别标记产品质量信息并外发。
5.一种视觉检测产品质量的系统，其特征在于，包括数据接收模块、数据处理模块及结果生成模块：
所述数据接收模块，用于输入检测区域图像；
所述数据处理模块，包括产品提取单元、第一矫正单元、第二矫正单元及检测判定单元：
所述产品提取单元，基于产品与背景的颜色差异，通过图像分割模型，从检测区域图像中提取产品图像；
所述第一矫正单元，将产品图像由笛卡尔空间转换至霍夫空间后进行重定位，得到粗略定位图像；
所述第二矫正单元，基于粗略定位图像，通过角点检测，提取粗略定位图像中特征点；基于标准特征点，矫正粗略定位图像，得到标准定位图像；
所述检测判定单元，基于标准定位图像，通过特征提取模型，提取检测项目信息，并与合格样件信息进行比较判定是否合格，生成判定结果；
所述结果生成模块，将所述判定结果外发。
6.根据权利要求5所述的系统，其特征在于，所述数据处理模块还包括质量信息单元，将合格产品和/或不合格产品相应的产品图像分别标记产品质量信息，并发送至所述结果生成模块外发。
7.一种视觉检测产品质量的装置，其特征在于，包括处理器、存储器及总线，所述存储器存储由处理器读取的指令及数据，所述处理器用于调用所述存储器中的指令及数据，以执行如权利要求1～4中任一所述的方法，所述总线连接各功能部件用于传送信息。
8.根据权利要求7所述的装置，其特征在于，还包括：主机、座体、柱体、图像采集部及光源部；
所述主机固定于座体的一端；所述座体的另一端设有两根竖直平行的柱体；
所述图像采集部上下移动地固定于所述柱体上远离所述主机的一面；所述图像采集部远离所述柱体的一端设置有相机，用于向下拍摄检测区域图像；
所述光源部上下移动地固定于所述柱体上远离所述主机的一面，且位于所述图像采集部的下方，用于向下均匀照亮检测区域。
9.根据权利要求8所述的装置，其特征在于，所述光源部包括方形框架，所述方形框架远离所述柱体的边上设置有光带。
10.根据权利要求9所述的装置，其特征在于，所述方形框架所围区域内架设有平行光源；所述平行光源设有过孔，用于使所述相机从所述过孔内拍摄到所述平行光源下方的检测区域图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311268884.4A CN117333802A (zh) | 2023-09-27 | 2023-09-27 | 一种视觉检测产品质量的方法、系统及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311268884.4A CN117333802A (zh) | 2023-09-27 | 2023-09-27 | 一种视觉检测产品质量的方法、系统及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117333802A true CN117333802A (zh) | 2024-01-02 |
Family
ID=89292515
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311268884.4A Pending CN117333802A (zh) | 2023-09-27 | 2023-09-27 | 一种视觉检测产品质量的方法、系统及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117333802A (zh) |
-
2023
- 2023-09-27 CN CN202311268884.4A patent/CN117333802A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10269138B2 (en) | UAV inspection method for power line based on human visual system | |
| CN110659660B (zh) | 利用深度学习系统的自动光学检测分类设备及其训练设备 | |
| TW202107073A (zh) | 基於假點缺陷檢測之pcb檢修系統及檢修方法 | |
| CN113221889B (zh) | 一种芯片字符抗干扰识别方法及装置 | |
| CN109685075A (zh) | 一种基于图像的电力设备识别方法、装置及系统 | |
| CN113688817A (zh) | 一种自动巡检的仪表识别方法及识别系统 | |
| CN109590952B (zh) | 成套工艺装配板的智能检测方法和检测工作台 | |
| CN109685761A (zh) | 一种基于云平台的电力电缆缺陷检测方法及其检测系统 | |
| EP4009038A1 (en) | Method and device for detecting mechanical equipment parts | |
| CN110186375A (zh) | 智能化高铁白车身焊接装配特征检测装置及检测方法 | |
| CN110118777A (zh) | 一种控制系统系统集成智能检验台 | |
| CN111242902A (zh) | 基于卷积神经网络的零件识别与检测方法、系统及设备 | |
| CN103076007A (zh) | 侧方位停车检测系统及其检测方法 | |
| CN111504381A (zh) | 一种端子排产品在线检测设备及其检测方法 | |
| CN115170497A (zh) | 一种基于ai视觉检测技术的pcba在线检测平台 | |
| CN117423018A (zh) | 基于无人机采集多模态源融合的电力设备检测系统及方法 | |
| Huang et al. | Deep learning object detection applied to defect recognition of memory modules | |
| CN117635599A (zh) | 缺陷检测模型训练及缺陷检测方法、装置、设备及介质 | |
| CN117333802A (zh) | 一种视觉检测产品质量的方法、系统及装置 | |
| CN113269234A (zh) | 一种基于目标检测的连接件装配检测方法和系统 | |
| CN111307817B (zh) | 一种智能产线pcb生产过程的在线检测方法及系统 | |
| CN112763496A (zh) | 一种手机电池表面缺陷检测装置及其检测方法 | |
| CN116071365A (zh) | 零件检测方法、装置、设备及存储介质 | |
| CN110826473A (zh) | 一种基于神经网络的绝缘子图像自动识别方法 | |
| CN115393278A (zh) | 压板状态巡检方法、系统、机器人及存储介质 |
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 |