CN117392131A - 一种压铸件内壁缺陷检测方法及系统 - Google Patents
一种压铸件内壁缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN117392131A CN117392131A CN202311696144.0A CN202311696144A CN117392131A CN 117392131 A CN117392131 A CN 117392131A CN 202311696144 A CN202311696144 A CN 202311696144A CN 117392131 A CN117392131 A CN 117392131A
- Authority
- CN
- China
- Prior art keywords
- wall
- image
- die casting
- area
- defect
- 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.)
- Granted
Links
- 238000004512 die casting Methods 0.000 title claims abstract description 126
- 230000007547 defect Effects 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000001514 detection method Methods 0.000 claims abstract description 90
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims description 21
- 238000000354 decomposition reaction Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000002950 deficient Effects 0.000 claims description 10
- 239000000523 sample Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000003384 imaging method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012797 qualification Methods 0.000 claims description 6
- 238000002945 steepest descent method Methods 0.000 claims description 4
- 238000011897 real-time detection Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 17
- 238000004891 communication Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000009210 therapy by ultrasound Methods 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Abstract
本发明提供了一种压铸件内壁缺陷检测方法及系统，涉及压铸件检测技术领域，方法包括利用摄像装置采集待检测压铸件的内壁图像，随机提取内壁图像中感兴趣区域，转换为灰度图像，对灰度图像进行动态提取，得到第一内壁图像；计算得到第二内壁图像的边缘梯度值，并填充为目标圆；根据Canny算法提取目标圆的边缘离散像素点，并拟合出目标圆的圆心坐标和圆半径。基于目标检测算法，得到第一定位结果；利用衍射时差法，对第一内壁图像进行检测，记作第二定位结果；将第一定位结果和第二定位结果输入至神经网络模型，实现对压铸件内壁缺陷的检测识别。本发明的有益效果为实现了对压铸件多个孔洞内壁的一次性快速、高清晰以及全方位的在线实时检测。
Description
技术领域
本发明涉及压铸件检测技术领域，具体而言，涉及一种压铸件内壁缺陷检测方法及系统。
背景技术
压铸件在汽车行业中发挥着重要作用，对产品质量要求比较高，不允许有残次品流入到市场中。但是在压铸件生产过程中，因种种的原因，其内壁孔洞会产生气孔、沙眼、毛刺、异物等缺陷，并且现有压铸件生产作业，通常采用流水线加工作业，且生产基数大、检测力度不足，无法准确筛选出压铸工艺中不达标的产品。然而若此缺陷产品如果在流入到市场，将严重影响汽车的物理性能，甚至发生不可挽回的损失的技术问题。
发明内容
本发明的目的在于提供一种压铸件内壁缺陷检测方法及系统，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了一种压铸件内壁缺陷检测方法，包括：利用摄像装置采集待检测压铸件的内壁图像，随机提取内壁图像中感兴趣区域；依据高斯滤波将感兴趣区域转换为灰度图像，并采用最大类间方差对灰度图像进行动态提取，得到第一内壁图像；
对第一内壁图像进行分割处理，得到第二内壁图像，并基于泛洪填充算法，计算得到第二内壁图像的边缘梯度值，并填充为目标圆；
根据Canny算法提取目标圆的边缘离散像素点，并利用最小二乘法迭代拟合出目标圆的圆心坐标和圆半径；基于目标检测算法，对目标圆进行定位，得到第一定位结果；
利用衍射时差法，对第一内壁图像进行检测，接收探头反馈检测信息，记作第二定位结果；
经小波分析得到的历史缺陷信号特征向量作为输入层，获取得到的压铸件缺陷类型和无缺陷压铸件作为输出层，训练建立神经网络模型；根据预设的小波基函数，将第一定位结果和第二定位结果输入至神经网络模型，从而实现对压铸件内壁缺陷的检测识别。
优选地，所述采用最大类间方差对灰度图像进行动态提取，得到第一内壁图像，其中包括：
寻找感兴趣区域中每个白色区域的轮廓；求解每个轮廓的面积并找到其中面积最大的一个作为目标轮廓，其中光源照射图像的背面；
计算目标轮廓的最小包围矩形，即为背光区域，将采集到的背光区域输送至检测控制系统；
检测控制系统将检测到的背光区域中的光线强度信息值进行比较，得出最大光线强度信息值，将最大光线强度信息值所对应的最大轮廓记作第一内壁图像。
优选地，所述得出最大光线强度信息值，将最大光线强度信息值所对应的最大轮廓记作第一内壁图像，其中包括：
提取最大光线强度信息值所对应的总面积为整体最高亮图像，其中整体最高亮图像为白色，背光光源为黑色；
根据整体最高亮图像的轮廓，提取出轮廓中压铸件内壁总面积；
基于压铸件内壁总面积，提取第一面积信息和第二面积信息，其中第一面积信息为部分区域成像良好区域，第二面积信息为部分明显缺陷区域；
将第一面积信息和第二面积信息进行拼接，得到第一内壁图像。
优选地，所述利用最小二乘法迭代拟合出目标圆的圆心坐标和圆半径，其中包括：
根据损失函数算法，利用最速下降法来迭代拟合目标圆，其中计算方式如下：
式中，f取最小值，初始圆心坐标为（，/>），R为初始圆半径，目标圆心坐标为（/>，）。
优选地，所述利用衍射时差法，对第一内壁图像进行检测，接收探头反馈检测信息，记作第二定位结果，其中包括：
发送第一信号，其中第一信号为将超声波发送至第一内壁图像的信号；
判断第一信号的回波信号是否偏离预设传播方向，若只有中通波以及内壁的回波信号，则未发现缺陷；若在内壁的边缘产生衍射信号，则发现缺陷，并锁定缺陷区域的轮廓，将其记作第二定位结果。
优选地，所述经小波分析得到的历史缺陷信号特征向量作为输入层，其中包括：
获取原始缺陷信号，根据小波包分解原理，构建经验小波函数和经验尺度函数，得到细节系数和近似系数，对细节系数和近似系数进行傅里叶变换，得到第一分解信号；
对第一分解信号进行再次分解和重构，得到第二分解信号，求解第二分解信号作为输入层。
优选地，所述实现对压铸件内壁缺陷的检测识别，之后包括：当检测识别其中一帧压铸件的所属内壁图像具有某一类型的缺陷，则记录下有缺陷特征的信息参数，其中包括压铸件数量以及缺陷特征类型，将信息参数输入至数据库，并在所有压铸件都检测完毕后，统计压铸件合格率。
第二方面，本申请还提供了一种压铸件内壁缺陷检测系统，包括：提取模块：用于利用摄像装置采集待检测压铸件的内壁图像，随机提取内壁图像中感兴趣区域；依据高斯滤波将感兴趣区域转换为灰度图像，并采用最大类间方差对灰度图像进行动态提取，得到第一内壁图像；
处理模块：用于对第一内壁图像进行分割处理，得到第二内壁图像，并基于泛洪填充算法，计算得到第二内壁图像的边缘梯度值，并填充为目标圆；
第一定位模块：用于根据Canny算法提取目标圆的边缘离散像素点，并利用最小二乘法迭代拟合出目标圆的圆心坐标和圆半径；基于目标检测算法，对目标圆进行定位，得到第一定位结果；
第二定位模块：用于利用衍射时差法，对第一内壁图像进行检测，接收探头反馈检测信息，记作第二定位结果；
检测模块：用于经小波分析得到的历史缺陷信号特征向量作为输入层，获取得到的压铸件缺陷类型和无缺陷压铸件作为输出层，训练建立神经网络模型；根据预设的小波基函数，将第一定位结果和第二定位结果输入至神经网络模型，从而实现对压铸件内壁缺陷的检测识别。
优选地，所述提取模块，其中包括：
求解单元：用于寻找感兴趣区域中每个白色区域的轮廓；求解每个轮廓的面积并找到其中面积最大的一个作为目标轮廓，其中光源照射图像的背面；
计算单元：用于计算目标轮廓的最小包围矩形，即为背光区域，将采集到的背光区域输送至检测控制系统；
比较单元：用于检测控制系统将检测到的背光区域中的光线强度信息值进行比较，得出最大光线强度信息值，将最大光线强度信息值所对应的最大轮廓记作第一内壁图像。
优选地，所述比较单元，其中包括：
第一提取单元：用于提取最大光线强度信息值所对应的总面积为整体最高亮图像，其中整体最高亮图像为白色，背光光源为黑色；
第二提取单元：用于根据整体最高亮图像的轮廓，提取出轮廓中压铸件内壁总面积；
第三提取单元：用于基于压铸件内壁总面积，提取第一面积信息和第二面积信息，其中第一面积信息为部分区域成像良好区域，第二面积信息为部分明显缺陷区域；
拼接单元：用于将第一面积信息和第二面积信息进行拼接，得到第一内壁图像。
本发明的有益效果为：本发明提供的检测方法，使用方便，检测效率高，操作工动手操作少，实现了对压铸件多个孔洞内壁的一次性快速、高清晰以及全方位的在线实时检测，如若发现异常压铸件产品后，进行预警，工作人员及时进行处理，可以有效提高压铸工艺中的产品合格率。本发明采用超声处理、小波分析以及图像检测，以快速准确地找到有缺陷的压铸件，提高了压铸件缺陷检测效率和精度，且准确率高，速度快，实时性好。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例中所述的压铸件内壁缺陷检测方法流程示意图；
图2为本发明实施例中所述的压铸件内壁缺陷检测设备结构示意图。
图中：701、提取模块；7011、求解单元；7012、计算单元；7013、比较单元；70131、第一提取单元；70132、第二提取单元；70133、第三提取单元；70134、拼接单元；702、处理模块；703、第一定位模块；7031、迭代单元；704、第二定位模块；7041、发送信号单元；7042、判断单元；705、检测模块；7051、变换单元；7052、分解单元；7053、检测单元；800、压铸件内壁缺陷检测设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例
本实施例提供了一种压铸件内壁缺陷检测方法。
参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400和步骤S500。
S100、利用摄像装置采集待检测压铸件的内壁图像，随机提取内壁图像中感兴趣区域；依据高斯滤波将感兴趣区域转换为灰度图像，并采用最大类间方差对灰度图像进行动态提取，得到第一内壁图像。
可以理解的是，在本S100步骤中包括S101、S102和S103，其中：
S101、寻找感兴趣区域中每个白色区域的轮廓；求解每个轮廓的面积并找到其中面积最大的一个作为目标轮廓，其中光源照射图像的背面；
S102、计算目标轮廓的最小包围矩形，即为背光区域，将采集到的背光区域输送至检测控制系统；
S103、检测控制系统将检测到的背光区域中的光线强度信息值进行比较，得出最大光线强度信息值，将最大光线强度信息值所对应的最大轮廓记作第一内壁图像。
需要说明的是，压铸件内壁外形轮廓适合使用背光照明方式，提高外轮廓和背景的对比度。高亮白色部分测量大面积背光光源，还有少量的自然光，以及压铸件内部内壁的反光。采用本方法可以在相对零件有小幅相对位置变化时，可准确提取内壁区域，降低了相机安装精度要求，减少了生产线震动对检测所造成的影响，消除了夹持器重复定位误差对压铸件所造成的干扰。
具体地，经过最大类间方差二值化处理后，背光区域为大面积的白色，周围反光或者自然光为小部分的白色，所以只需要提取白色面积最大的区域即可。
需要说明的是，步骤S103中包括S1031、S1032、S1033和S1034，其中：
S1031、提取最大光线强度信息值所对应的总面积为整体最高亮图像，其中整体最高亮图像为白色，背光光源为黑色；
S1032、根据整体最高亮图像的轮廓，提取出轮廓中压铸件内壁总面积；
S1033、基于压铸件内壁总面积，提取第一面积信息和第二面积信息，其中第一面积信息为部分区域成像良好区域，第二面积信息为部分明显缺陷区域；
S1034、将第一面积信息和第二面积信息进行拼接，得到第一内壁图像。
需要说明的是，根据灰度值提取出可检测的区域，可检测灰度值范围在150-220；提取时需要分割线越靠近150和220越好；提取后的每张图像面积总和要约等于压铸件内壁的总面积。将第一次提取的灰度值范围在150-220的图像和第二次提取的灰度值150-220的图像，合成为一个图像。
S200、对第一内壁图像进行分割处理，得到第二内壁图像，并基于泛洪填充算法，计算得到第二内壁图像的边缘梯度值，并填充为目标圆。
可以理解的是，在本步骤中，分割处理后，有直方图将图像的明暗对比度提高，并将图像的明暗分布取反，接着采用二值化操作消除部分干扰物的影响同时提高目标圆的边缘梯度值，二值化图像中包含很多细小的物体，因此将这些细小的物体进行去除，防止影响后续的操作，即先进行腐蚀操作，将图像中的黑色小物体去除，再进行膨胀操作，恢复到原来的尺寸。将内壁图像中的目标区域填充为目标圆，进而缩小观察检测范围，以快速准确地找到有缺陷的压铸件，提高了压铸件缺陷检测效率和精度。
S300、根据Canny算法提取目标圆的边缘离散像素点，并利用最小二乘法迭代拟合出目标圆的圆心坐标和圆半径；基于目标检测算法，对目标圆进行定位，得到第一定位结果；
可以理解的是，在本S300步骤中包括S301，其中：
S301、根据损失函数算法，利用最速下降法来迭代拟合目标圆，其中计算方式如下：
式中，f取最小值，初始圆心坐标为（，/>），R为初始圆半径，目标圆心坐标为（/>，）。
需要说明的是，当f取最小值时，可计算求得初始圆心坐标和初始圆半径，将初始圆心半径代入到基于Huber加权的拟合圆算法中进行迭代优化，使用最小二乘法进行迭代，如果满足条件则停止迭代，否则返回步骤继续计算当前圆的参数，在迭代拟合结束后，对拟合结果进行评估，基于Huber加权的拟合圆算法具有更好的鲁棒性和抗干扰能力，在存在噪声和异常值的情况下，能准确地拟合圆形轮廓，并且对于异常值的影响较小。此步骤可以初步得到第一定位结果，缩小检测范围，提高检测效率。
S400、利用衍射时差法，对第一内壁图像进行检测，接收探头反馈检测信息，记作第二定位结果；
可以理解的是，在本S400步骤中包括S401和S402，其中：
S401、发送第一信号，其中第一信号为将超声波发送至第一内壁图像的信号；
S402、判断第一信号的回波信号是否偏离预设传播方向，若只有中通波以及内壁的回波信号，则未发现缺陷；若在内壁的边缘产生衍射信号，则发现缺陷，并锁定缺陷区域的轮廓，将其记作第二定位结果。
需要说明的是，采用衍射时差法检测时扫查范围覆盖较大、垂直方向的缺陷检出率比较高，操作简单，速度也较快，可以实现对压铸件质量的检测，也便于成像。此方法可以得到第二定位结果，与第一定位结果相结合便可更加准确进行检测和定位。
S500、经小波分析得到的历史缺陷信号特征向量作为输入层，获取得到的压铸件缺陷类型和无缺陷压铸件作为输出层，训练建立神经网络模型；根据预设的小波基函数，将第一定位结果和第二定位结果输入至神经网络模型，从而实现对压铸件内壁缺陷的检测识别。
可以理解的是，在本S500步骤中的历史缺陷信号特征向量作为输入层，包括S501和S502，其中：
S501、获取原始缺陷信号，根据小波包分解原理，构建经验小波函数和经验尺度函数，得到细节系数和近似系数，对细节系数和近似系数进行傅里叶变换，得到第一分解信号；
需要说明的是，将细节系数和近似系数/>傅里叶变换，得到，残差分量/>可以通过下式重构/>：
式中，为时域细节系数，/>为时域近似系数， r为位置向量，r(t) 为原信号，/>表示第/>个连续间隔，/>为时刻/>，/>为频率且/>，时域细节系数和时域近似系数经傅里叶变换后，得到频域细节系数/>和频域近似系数/>；/>为时域经验小波函数，/>为时域经验尺度函数，经傅里叶变换后得到频域经验小波函数/>和频域经验尺度函数/>，/>为傅里叶变换的逆变换。
S502、对第一分解信号进行再次分解和重构，得到第二分解信号，求解第二分解信号作为输入层。
需要说明的是，小波分析将需要分析的信号按照事先预设的小波基函数进行分解，根据确定的尺度因子分解到低频以及高频不同的频带上，从而详细分析信号的不同频段，在本实施例中，根据之前获取的原始缺陷信号，根据此方法对原始缺陷信号进行分解处理，将噪声信号去除，保留有用信号信息，剔除无用信号。
利用小波分析提取到不同种类缺陷的压铸件能量特征向量，把这些提取到的特征向量作为神经网络的输入层，将之前获取得到的压铸件缺陷类型和无缺陷压铸件作为输出层，通过大量的样本数据训练建立神经网络模型。
需要说明的是，步骤S500中的所述实现对压铸件内壁缺陷的检测识别，之后包括S503，其中：
S503、当检测识别其中一帧压铸件的所属内壁图像具有某一类型的缺陷，则记录下有缺陷特征的信息参数，其中包括压铸件数量以及缺陷特征类型，将信息参数输入至数据库，并在所有压铸件都检测完毕后，统计压铸件合格率。
需要说明的是，将信息参数都输入至数据库，方便后续对检测压铸件的采集提供重要的样本数据，可以快速准确地找到有缺陷的压铸件，提高了压铸件缺陷检测效率和精度，且准确率高，速度快，实时性好。
实施例2：
本实施例提供了一种压铸件内壁缺陷检测系统，所述系统包括：
提取模块701：用于利用摄像装置采集待检测压铸件的内壁图像，随机提取内壁图像中感兴趣区域；依据高斯滤波将感兴趣区域转换为灰度图像，并采用最大类间方差对灰度图像进行动态提取，得到第一内壁图像；
处理模块702：用于对第一内壁图像进行分割处理，得到第二内壁图像，并基于泛洪填充算法，计算得到第二内壁图像的边缘梯度值，并填充为目标圆；
第一定位模块703：用于根据Canny算法提取目标圆的边缘离散像素点，并利用最小二乘法迭代拟合出目标圆的圆心坐标和圆半径；基于目标检测算法，对目标圆进行定位，得到第一定位结果；
第二定位模块704：用于利用衍射时差法，对第一内壁图像进行检测，接收探头反馈检测信息，记作第二定位结果；
检测模块705：用于经小波分析得到的历史缺陷信号特征向量作为输入层，获取得到的压铸件缺陷类型和无缺陷压铸件作为输出层，训练建立神经网络模型；根据预设的小波基函数，将第一定位结果和第二定位结果输入至神经网络模型，从而实现对压铸件内壁缺陷的检测识别。
具体地，所述提取模块701，其中包括：
求解单元7011：用于寻找感兴趣区域中每个白色区域的轮廓；求解每个轮廓的面积并找到其中面积最大的一个作为目标轮廓，其中光源照射图像的背面；
计算单元7012：用于计算目标轮廓的最小包围矩形，即为背光区域，将采集到的背光区域输送至检测控制系统；
比较单元7013：用于检测控制系统将检测到的背光区域中的光线强度信息值进行比较，得出最大光线强度信息值，将最大光线强度信息值所对应的最大轮廓记作第一内壁图像。
具体地，所述比较单元7013，其中包括：
第一提取单元70131：用于提取最大光线强度信息值所对应的总面积为整体最高亮图像，其中整体最高亮图像为白色，背光光源为黑色；
第二提取单元70132：用于根据整体最高亮图像的轮廓，提取出轮廓中压铸件内壁总面积；
第三提取单元70133：用于基于压铸件内壁总面积，提取第一面积信息和第二面积信息，其中第一面积信息为部分区域成像良好区域，第二面积信息为部分明显缺陷区域；
拼接单元70134：用于将第一面积信息和第二面积信息进行拼接，得到第一内壁图像。
具体地，所述第一定位模块703，其中包括：
迭代单元7031：用于根据损失函数算法，利用最速下降法来迭代拟合目标圆，其中计算方式如下：
式中，f取最小值，初始圆心坐标为（，/>），R为初始圆半径，目标圆心坐标为（/>，）。
具体地，第二定位模块704，其中包括：
发送信号单元7041：用于发送第一信号，其中第一信号为将超声波发送至第一内壁图像的信号；
判断单元7042：用于判断第一信号的回波信号是否偏离预设传播方向，若只有中通波以及内壁的回波信号，则未发现缺陷；若在内壁的边缘产生衍射信号，则发现缺陷，并锁定缺陷区域的轮廓，将其记作第二定位结果。
具体地，检测模块705，其中包括：
变换单元7051：用于获取原始缺陷信号，根据小波包分解原理，构建经验小波函数和经验尺度函数，得到细节系数和近似系数，对细节系数和近似系数进行傅里叶变换，得到第一分解信号；
分解单元7052：用于对第一分解信号进行再次分解和重构，得到第二分解信号，求解第二分解信号作为输入层。
具体地，检测模块705，其中还包括：
检测单元7053：用于当检测识别其中一帧压铸件的所属内壁图像具有某一类型的缺陷，则记录下有缺陷特征的信息参数，其中包括压铸件数量以及缺陷特征类型，将信息参数输入至数据库，并在所有压铸件都检测完毕后，统计压铸件合格率。
需要说明的是，关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3：
对应于上面的方法实施例，本实施例中还提供了一种压铸件内壁缺陷检测设备，下文描述的一种压铸件内壁缺陷检测设备与上文描述的一种压铸件内壁缺陷检测方法可相互对应参照。
图2是根据示例性实施例示出的一种压铸件内壁缺陷检测设备800的框图。如图2所示，该压铸件内壁缺陷检测设备800包括：处理器801和存储器802。该压铸件内壁缺陷检测设备800还包括多媒体组件803，I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该压铸件内壁缺陷检测设备800的整体操作，以完成上述的压铸件内壁缺陷检测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该压铸件内壁缺陷检测设备800的操作，这些数据例如可以包括用于在该压铸件内壁缺陷检测设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static RandomAccess Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘、鼠标或按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该压铸件内壁缺陷检测设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi、蓝牙、近场通信(Near FieldCommunication，简称NFC)、2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块、蓝牙模块或NFC模块。
在一示例性实施例中，压铸件内壁缺陷检测设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的压铸件内壁缺陷检测方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的压铸件内壁缺陷检测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由压铸件内壁缺陷检测设备800的处理器801执行以完成上述的压铸件内壁缺陷检测方法。
实施例4：
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种压铸件内壁缺陷检测方法可相互对应参照。
可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的压铸件内壁缺陷检测方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
综上所述，本发明提供的压铸件内壁缺陷检测方法及系统，使用方便，检测效率高，操作工动手操作少，实现了对压铸件多个孔洞内壁的一次性快速、高清晰以及全方位的在线实时检测，如若发现异常压铸件产品后，进行预警，工作人员及时进行处理，可以有效提高压铸工艺中的产品合格率。本发明采用超声处理、小波分析以及图像检测，以快速准确地找到有缺陷的压铸件，提高了压铸件缺陷检测效率和精度，且准确率高，速度快，实时性好。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种压铸件内壁缺陷检测方法，其特征在于，包括：
利用摄像装置采集待检测压铸件的内壁图像，随机提取内壁图像中感兴趣区域；依据高斯滤波将感兴趣区域转换为灰度图像，并采用最大类间方差对灰度图像进行动态提取，得到第一内壁图像；
对第一内壁图像进行分割处理，得到第二内壁图像，并基于泛洪填充算法，计算得到第二内壁图像的边缘梯度值，并填充为目标圆；
根据Canny算法提取目标圆的边缘离散像素点，并利用最小二乘法迭代拟合出目标圆的圆心坐标和圆半径；基于目标检测算法，对目标圆进行定位，得到第一定位结果；
利用衍射时差法，对第一内壁图像进行检测，接收探头反馈检测信息，记作第二定位结果；
经小波分析得到的历史缺陷信号特征向量作为输入层，获取得到的压铸件缺陷类型和无缺陷压铸件作为输出层，训练建立神经网络模型；根据预设的小波基函数，将第一定位结果和第二定位结果输入至神经网络模型，从而实现对压铸件内壁缺陷的检测识别。
2.根据权利要求1所述的压铸件内壁缺陷检测方法，其特征在于，所述采用最大类间方差对灰度图像进行动态提取，得到第一内壁图像，其中包括：
寻找感兴趣区域中每个白色区域的轮廓；求解每个轮廓的面积并找到其中面积最大的一个作为目标轮廓，其中光源照射图像的背面；
计算目标轮廓的最小包围矩形，即为背光区域，将采集到的背光区域输送至检测控制系统；
检测控制系统将检测到的背光区域中的光线强度信息值进行比较，得出最大光线强度信息值，将最大光线强度信息值所对应的最大轮廓记作第一内壁图像。
3.根据权利要求2所述的压铸件内壁缺陷检测方法，其特征在于，所述得出最大光线强度信息值，将最大光线强度信息值所对应的最大轮廓记作第一内壁图像，其中包括：
提取最大光线强度信息值所对应的总面积为整体最高亮图像，其中整体最高亮图像为白色，背光光源为黑色；
根据整体最高亮图像的轮廓，提取出轮廓中压铸件内壁总面积；
基于压铸件内壁总面积，提取第一面积信息和第二面积信息，其中第一面积信息为部分区域成像良好区域，第二面积信息为部分明显缺陷区域；
将第一面积信息和第二面积信息进行拼接，得到第一内壁图像。
4.根据权利要求1所述的压铸件内壁缺陷检测方法，其特征在于，所述利用最小二乘法迭代拟合出目标圆的圆心坐标和圆半径，其中包括：
根据损失函数算法，利用最速下降法来迭代拟合目标圆，其中计算方式如下：
式中，f取最小值，初始圆心坐标为（/>，/>），R为初始圆半径，目标圆心坐标为（/>，/>）。
5.根据权利要求1所述的压铸件内壁缺陷检测方法，其特征在于，所述利用衍射时差法，对第一内壁图像进行检测，接收探头反馈检测信息，记作第二定位结果，其中包括：
发送第一信号，其中第一信号为将超声波发送至第一内壁图像的信号；
判断第一信号的回波信号是否偏离预设传播方向，若只有中通波以及内壁的回波信号，则未发现缺陷；若在内壁的边缘产生衍射信号，则发现缺陷，并锁定缺陷区域的轮廓，将其记作第二定位结果。
6.根据权利要求1所述的压铸件内壁缺陷检测方法，其特征在于，所述经小波分析得到的历史缺陷信号特征向量作为输入层，其中包括：
获取原始缺陷信号，根据小波包分解原理，构建经验小波函数和经验尺度函数，得到细节系数和近似系数，对细节系数和近似系数进行傅里叶变换，得到第一分解信号；
对第一分解信号进行再次分解和重构，得到第二分解信号，求解第二分解信号作为输入层。
7.根据权利要求1所述的压铸件内壁缺陷检测方法，其特征在于，所述实现对压铸件内壁缺陷的检测识别，之后包括：
当检测识别其中一帧压铸件的所属内壁图像具有某一类型的缺陷，则记录下有缺陷特征的信息参数，其中包括压铸件数量以及缺陷特征类型，将信息参数输入至数据库，并在所有压铸件都检测完毕后，统计压铸件合格率。
8.一种压铸件内壁缺陷检测系统，其特征在于，包括：
提取模块：用于利用摄像装置采集待检测压铸件的内壁图像，随机提取内壁图像中感兴趣区域；依据高斯滤波将感兴趣区域转换为灰度图像，并采用最大类间方差对灰度图像进行动态提取，得到第一内壁图像；
处理模块：用于对第一内壁图像进行分割处理，得到第二内壁图像，并基于泛洪填充算法，计算得到第二内壁图像的边缘梯度值，并填充为目标圆；
第一定位模块：用于根据Canny算法提取目标圆的边缘离散像素点，并利用最小二乘法迭代拟合出目标圆的圆心坐标和圆半径；基于目标检测算法，对目标圆进行定位，得到第一定位结果；
第二定位模块：用于利用衍射时差法，对第一内壁图像进行检测，接收探头反馈检测信息，记作第二定位结果；
检测模块：用于经小波分析得到的历史缺陷信号特征向量作为输入层，获取得到的压铸件缺陷类型和无缺陷压铸件作为输出层，训练建立神经网络模型；根据预设的小波基函数，将第一定位结果和第二定位结果输入至神经网络模型，从而实现对压铸件内壁缺陷的检测识别。
9.根据权利要求8所述的压铸件内壁缺陷检测系统，其特征在于，所述提取模块，其中包括：
求解单元：用于寻找感兴趣区域中每个白色区域的轮廓；求解每个轮廓的面积并找到其中面积最大的一个作为目标轮廓，其中光源照射图像的背面；
计算单元：用于计算目标轮廓的最小包围矩形，即为背光区域，将采集到的背光区域输送至检测控制系统；
比较单元：用于检测控制系统将检测到的背光区域中的光线强度信息值进行比较，得出最大光线强度信息值，将最大光线强度信息值所对应的最大轮廓记作第一内壁图像。
10.根据权利要求9所述的压铸件内壁缺陷检测系统，其特征在于，所述比较单元，其中包括：
第一提取单元：用于提取最大光线强度信息值所对应的总面积为整体最高亮图像，其中整体最高亮图像为白色，背光光源为黑色；
第二提取单元：用于根据整体最高亮图像的轮廓，提取出轮廓中压铸件内壁总面积；
第三提取单元：用于基于压铸件内壁总面积，提取第一面积信息和第二面积信息，其中第一面积信息为部分区域成像良好区域，第二面积信息为部分明显缺陷区域；
拼接单元：用于将第一面积信息和第二面积信息进行拼接，得到第一内壁图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311696144.0A CN117392131B (zh) | 2023-12-12 | 2023-12-12 | 一种压铸件内壁缺陷检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311696144.0A CN117392131B (zh) | 2023-12-12 | 2023-12-12 | 一种压铸件内壁缺陷检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117392131A true CN117392131A (zh) | 2024-01-12 |
| CN117392131B CN117392131B (zh) | 2024-02-06 |
Family
ID=89465207
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311696144.0A Active CN117392131B (zh) | 2023-12-12 | 2023-12-12 | 一种压铸件内壁缺陷检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117392131B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07311028A (ja) * | 1994-03-26 | 1995-11-28 | Jenoptik Technol Gmbh | 構造物表面の検査における欠陥の検出方法 |
| JP2004093252A (ja) * | 2002-08-30 | 2004-03-25 | Hitachi Ltd | 欠陥検査装置および欠陥検査方法 |
| CN109509170A (zh) * | 2018-09-11 | 2019-03-22 | 韶关学院 | 一种压铸件缺陷检测方法及装置 |
| CN111044522A (zh) * | 2019-12-14 | 2020-04-21 | 中国科学院深圳先进技术研究院 | 缺陷检测方法、装置及终端设备 |
-
2023
- 2023-12-12 CN CN202311696144.0A patent/CN117392131B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07311028A (ja) * | 1994-03-26 | 1995-11-28 | Jenoptik Technol Gmbh | 構造物表面の検査における欠陥の検出方法 |
| JP2004093252A (ja) * | 2002-08-30 | 2004-03-25 | Hitachi Ltd | 欠陥検査装置および欠陥検査方法 |
| CN109509170A (zh) * | 2018-09-11 | 2019-03-22 | 韶关学院 | 一种压铸件缺陷检测方法及装置 |
| CN111044522A (zh) * | 2019-12-14 | 2020-04-21 | 中国科学院深圳先进技术研究院 | 缺陷检测方法、装置及终端设备 |
Non-Patent Citations (1)
| Title |
|---|
| 何再兴;张树有;黄长林;: "基于缺陷特征与种子填充的轮毂缺陷检测方法", 浙江大学学报(工学版), no. 07, pages 60 - 67 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117392131B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
| WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
| WO2019059011A1 (ja) | 教師データ作成方法及び装置並びに欠陥検査方法及び装置 | |
| CN109632808B (zh) | 棱边缺陷检测方法、装置、电子设备及存储介质 | |
| CN110544231B (zh) | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 | |
| CN111680750B (zh) | 图像识别方法、装置和设备 | |
| Goez et al. | Preprocessing of 2-dimensional gel electrophoresis images applied to proteomic analysis: a review | |
| US10636133B2 (en) | Automated optical inspection (AOI) image classification method, system and computer-readable media | |
| CN105976389A (zh) | 一种手机底板连接器缺陷检测方法 | |
| US11747284B2 (en) | Apparatus for optimizing inspection of exterior of target object and method thereof | |
| CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
| CN115629127B (zh) | 一种货箱缺陷分析方法、装置、设备及可读存储介质 | |
| CN114240947B (zh) | 声扫图像数据库的构建方法、装置、计算机设备 | |
| CN115661021A (zh) | 缺陷检测方法、装置、设备及存储介质 | |
| CN116342597B (zh) | 一种汽车配件表面电镀加工缺陷检测方法和系统 | |
| Zuo et al. | Classifying cracks at sub-class level in closed circuit television sewer inspection videos | |
| CN108802051B (zh) | 一种柔性ic基板直线线路气泡及折痕缺陷检测系统及方法 | |
| CN111325738A (zh) | 一种用于横穿孔周边裂纹的智能检测方法及系统 | |
| CN114119466A (zh) | 铝箔表面缺陷检测方法、装置、设备及计算机存储介质 | |
| CN117392131B (zh) | 一种压铸件内壁缺陷检测方法及系统 | |
| CN116776647B (zh) | 一种复合镍铜铝散热底板的性能预测方法及系统 | |
| CN116381053A (zh) | 一种用于金属材料焊接的超声波检测方法及系统 | |
| CN111627018B (zh) | 一种基于双流神经网络模型的钢板表面缺陷分类方法 | |
| CN115049641A (zh) | 一种用于机械零件异常检测的电数据处理方法及系统 | |
| CN115239663A (zh) | 隐形眼镜瑕疵检测方法及系统、电子设备、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |