CN117710369B - 基于计算机视觉技术的金属铝磷化膜缺陷检测方法及系统 - Google Patents
基于计算机视觉技术的金属铝磷化膜缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN117710369B CN117710369B CN202410161066.2A CN202410161066A CN117710369B CN 117710369 B CN117710369 B CN 117710369B CN 202410161066 A CN202410161066 A CN 202410161066A CN 117710369 B CN117710369 B CN 117710369B
- Authority
- CN
- China
- Prior art keywords
- image
- data
- enhancement
- features
- original 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 114
- 238000005516 engineering process Methods 0.000 title claims abstract description 30
- ILRRQNADMUWWFW-UHFFFAOYSA-K aluminium phosphate Chemical compound O1[Al]2OP1(=O)O2 ILRRQNADMUWWFW-UHFFFAOYSA-K 0.000 title claims abstract description 26
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 22
- 239000002184 metal Substances 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 title claims description 47
- 238000000034 method Methods 0.000 claims abstract description 62
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 46
- 229910052782 aluminium Inorganic materials 0.000 claims abstract description 41
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000009826 distribution Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000007812 deficiency Effects 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000035515 penetration Effects 0.000 claims description 3
- 229910019142 PO4 Inorganic materials 0.000 claims description 2
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 claims description 2
- 239000010452 phosphate Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 230000007797 corrosion Effects 0.000 description 7
- 238000005260 corrosion Methods 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000203 mixture Substances 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
- 238000005457 optimization Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005536 corrosion prevention Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 239000012770 industrial material Substances 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了基于计算机视觉技术的金属铝磷化膜缺陷检测方法及系统，其方法包括以下步骤：获取铝表面磷化膜的图像，生成原始图像；获取铝表面的热分布信息和内部结构信息，并与原始图像数据结合，生成综合传感器数据；应用卷积神经网络对综合传感器数据进行特征提取，生成特征数据；根据特征数据指导自适应原始图像的增强过程，生成增强图像；通过卷积神经网络算法对增强图像进行缺陷检测，生成缺陷检测报告，本发明提高了金属铝磷化膜缺陷检测的准确性和效率，特别是在识别微小或内部缺陷方面。
Description
技术领域
本发明涉及金属材料检测领域，尤其涉及基于计算机视觉技术的金属铝磷化膜缺陷检测方法及系统。
背景技术
金属铝磷化膜是一种重要的工业材料，广泛用于防腐和增强金属铝的耐磨性。铝磷化膜的质量对其性能至关重要，因此对其表面缺陷的检测是制造和质量控制中的一个关键环节。这些缺陷包括裂纹、气泡、腐蚀或不均匀涂层等。
现有的检测技术（公开号为CN115049672B的中国发明专利），基于灰度图像分析的技术，虽然在一定程度上有效，但在处理复杂的缺陷识别时存在限制，尤其是在识别小型或内部缺陷方面，并且在处理复杂或低对比度图像时容易出现误判或漏判；缺乏深度数据分析能力导致难以识别微小或内部缺陷；此外，现有的图像增强方法缺乏针对性，不能根据具体情况动态调整，限制了缺陷识别的准确性；而在缺陷检测机制方面，依赖固定阈值的边缘检测方法缺乏灵活性和准确性。
发明内容
针对上述现有技术存在的诸多问题，本发明提供基于计算机视觉技术的金属铝磷化膜缺陷检测方法及系统，本发明基于如卷积神经网络和多维数据融合技术，用于检测金属铝磷化膜的缺陷，通过融合不同类型的图像数据并应用深度学习对这些数据进行特征提取，进而实现自适应的图像增强和准确的缺陷检测，提高了缺陷检测的准确性和效率，特别是在识别微小或内部缺陷方面。
基于计算机视觉技术的金属铝磷化膜缺陷检测方法，包括以下步骤：
获取铝表面磷化膜的图像，生成原始图像；
获取铝表面的热分布信息和内部结构信息，并与原始图像数据结合，生成综合传感器数据；
应用卷积神经网络对综合传感器数据进行特征提取，生成特征数据；
根据特征数据指导自适应原始图像的增强过程，生成增强图像；
通过卷积神经网络算法对增强图像进行缺陷检测，生成缺陷检测报告。
优选的，所述获取铝表面的热分布信息和内部结构信息包括：
通过扫描铝表面，获取表示热分布信息的热图像；以及通过对铝进行穿透扫描，获取表示内部结构信息的内部结构图像。
优选的，通过数据融合技术将所述热图像、内部结构图像及原始图像进行结合，生成综合传感器数据。
优选的，由至少两张铝表面磷化膜的图像构成的训练集对卷积神经网络进行训练，所述训练集包括正常及含缺陷的样本；通过深入学习图像特征，教导卷积神经网络识别铝表面磷化膜的缺陷。
优选的，所述特征数据包括：缺陷特征、纹理特征、颜色和灰度特征、形状特征。
优选的，所述根据特征数据指导自适应原始图像的增强过程，生成增强图像包括：
通过分析所述特征数据，确定图像中的关键区域；
根据分析结果，为原始图像制定自适应的图像增强策略；
基于图像增强策略完成对原始图像增强，并生成增强图像。
优选的，所述为原始图像制定自适应的图像增强策略包括：
确定分析结果中所述关键区域在预设指标中存在的缺失或不足，所述预设指标包括：色彩、对比度及纹理；
选择与缺失或不足对应的增强技术，根据需求调整增强技术的参数，完成自适应的图像增强。
优选的，所述通过卷积神经网络算法对增强图像进行缺陷检测包括：
将所述卷积神经网络应用于所述增强图像；
分析图像中的全面特征，识别出缺陷区域；
判断图像中的缺陷类型和位置；
输出缺陷的位置、大小和类型。
优选的，所述全面特征包括：边缘特征、纹理特征、颜色特征、形状特征及深度特征。
基于计算机视觉技术的金属铝磷化膜缺陷检测系统，包括：
拍摄装置，所述拍摄装置用于获取铝表面磷化膜的图像，生成原始图像；
数据融合模块，所述数据融合模块包括：红外传感器、X射线传感器、数据结合单元，红外传感器用于获取表示铝表面热分布信息的热图像；X射线传感器用于获取表示铝内部结构信息的内部结构图像；数据结合单元用于将热图像、内部结构图像与原始图像数据结合，生成综合传感器数据；
特征提取模块，所述特征提取模块应用卷积神经网络对综合传感器数据进行特征提取，生成特征数据；
增强模块，所述增强模块用于根据特征数据指导自适应原始图像的增强过程，生成增强图像；
缺陷检测模块，所述缺陷检测模块通过卷积神经网络算法对增强图像进行缺陷检测，生成缺陷检测报告。
相比于现有技术，本发明的优点及有益效果在于：
（1）本发明通过多维数据融合，实现了对金属铝磷化膜更全面的缺陷检测；
（2）本发明通过卷积神经网络进行深入的特征提取，提高了缺陷识别的准确性；
（3）本发明通过自适应图像增强技术，增强了潜在缺陷的可视化效果；
（4）本发明通过精准的CNN缺陷检测算法，实现了高效率和高准确度的金属铝磷化膜缺陷检测。
附图说明
图1为本发明方法的流程示意简图；
图2为本发明方法的执行流程示意图；
图3为本发明系统的结构示意框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显的，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语（包括技术和科学术语）具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释（例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等）。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释（例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等）。
附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件（包括固件、微代码等）的形式来实现。另外，本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。
如图1-图2所示，基于计算机视觉技术的金属铝磷化膜缺陷检测方法，包括以下步骤：
获取铝表面磷化膜的图像，生成原始图像；
本发明方法中使用高分辨率成像技术捕获铝表面的详细视觉信息。这一过程的关键是确保图像足够清晰，能够准确反映铝磷化膜的表面状况，包括任何微小的缺陷或不规则性。
效果方面，高质量的原始图像是确保后续分析准确性的基础。只有清晰的图像才能使得后续的计算机视觉算法正确地识别和分类缺陷。
获取铝表面的热分布信息和内部结构信息，并与原始图像数据结合，生成综合传感器数据；
本发明中使用红外成像来捕获热分布，揭示表面的热异常，以及使用X射线或类似技术获取内部结构图像，揭示内部缺陷。将这些数据与高分辨率的视觉图像结合，可以生成一个更全面的数据集，这对于识别和分类磷化膜的缺陷至关重要。例如，热图像揭示由于材料缺陷导致的热点，而X射线图像可以显示材料内部的微小裂缝或空洞。
现有技术方案采用了灰度图像进行缺陷识别，本发明对比现有技术的优点在于：
通过结合热分布、内部结构和视觉图像数据，提供了比单一灰度图像更为全面的铝表面和内部信息；
多维数据可以揭示灰度图像可能忽视的微小或内部缺陷，从而提高检测的准确性；
灰度图像依赖于灰度差异可能导致误判，而多维数据通过提供多角度信息，有助于减少这种误判。
综上所述，本发明综合多种数据的方法，使得缺陷检测更为精准和可靠。
优选的，所述获取铝表面的热分布信息和内部结构信息包括：
通过扫描铝表面，获取表示热分布信息的热图像；以及通过对铝进行穿透扫描，获取表示内部结构信息的内部结构图像。
利用红外扫描技术捕捉铝表面的热分布。这可以揭示因缺陷引起的局部热量积聚或散失。
使用X射线或类似技术穿透铝材料，捕获其内部结构的图像。这有助于检测内部裂缝、气泡或其他结构缺陷。
结合热分布信息和内部结构信息能更全面地评估磷化膜的完整性，提高检测的准确性。
例如：如果红外图像显示某区域温度异常，结合内部结构图像确认这是一个内部裂缝导致的热量泄露点。
优选的，通过数据融合技术将所述热图像、内部结构图像及原始图像进行结合，生成综合传感器数据。
本发明中将不同类型的图像数据整合成一个综合数据集。包括：
（1）数据对齐：确保各类图像在空间和尺寸上对齐，以便准确匹配；
（2）数据整合：使用算法处理这些图像，结合热图像显示的热分布、内部结构图像揭示的内部缺陷和原始视觉图像提供的表面细节。
本发明提供了一个多维度的铝磷化膜视图，为缺陷检测提供更全面的信息。
通过融合不同的图像数据，可以同时观察到表面缺陷和内部不一致性，提高诊断的准确性。
应用卷积神经网络对综合传感器数据进行特征提取，生成特征数据；
本发明基于卷积神经网络（CNN）的能力来分析和理解多维度图像数据，包括：
特征学习：CNN通过其多层结构学习和识别图像中的关键特征，如边缘、纹理、形状等。
数据综合：CNN处理融合的传感器数据，从而提取出对于缺陷检测最重要的特征。通过上述步骤生成了一个包含铝磷化膜关键特征的数据集，使后续的缺陷检测更准确。CNN从热图像中学习到与热异常相关的特征，同时从X射线图像中识别出内部结构的异常。
优选的，由至少两张铝表面磷化膜的图像构成的训练集对卷积神经网络进行训练，所述训练集包括正常及含缺陷的样本；通过深入学习图像特征，教导卷积神经网络识别铝表面磷化膜的缺陷。
本发明使用包含正常和缺陷样本的图像集训练CNN：
多样化的训练数据包括：正常和缺陷的磷化膜图像，增加模型的泛化能力。
特征识别学习，CNN通过这些数据学习识别铝磷化膜的关键视觉特征，包括缺陷特征。
通过上述步骤，本发明能够有效识别磷化膜缺陷的训练好的模型，提高了检测的准确性和效率。模型可以学会区分裂纹和正常纹理的区别。
在CNN训练过程中，参数优化和模型评估是关键环节。参数优化包括调整学习率、权重初始化、正则化方法等，以提高模型的学习效率和减少过拟合的风险。而模型评估则涉及使用验证数据集对模型的性能进行测试，包括准确率、召回率等指标。这些评估结果有助于判断模型是否能够有效地识别不同类型的缺陷。通过持续的参数调整和性能评估，可以持续改进模型，确保其在实际应用中的高效性和准确性。
优选的，所述特征数据包括：缺陷特征、纹理特征、颜色和灰度特征、形状特征。
上述特征数据使模型能够更准确地识别磷化膜上的缺陷。例如，缺陷特征指裂纹或起泡，纹理特征能揭示表面的粗糙度，颜色和灰度特征有助于识别腐蚀或沉积物，而形状特征有助于区分正常与异常形态。这种详细的特征分析为后续的缺陷检测提供了精确的基础。
优化针对不同类型特征的提取过程包括：
特定特征的网络层调整：针对不同特征（如纹理、颜色）调整卷积层的深度和滤波器尺寸；
特征加权和融合：根据缺陷检测的重要性对特征进行加权，例如对于裂缝更关注形状特征；
数据增强：使用不同的图像预处理方法，如旋转或缩放，以改善特征提取的鲁棒性；
模型微调：在具有代表性特征的数据集上进行微调，提高特定类型特征的识别率。
根据特征数据指导自适应原始图像的增强过程，生成增强图像；
本发明是利用卷积神经网络提取的特征数据来指导图像增强，以突出缺陷特征。例如，如果特征数据指示某区域存在裂缝，增强过程会集中在提升该区域的对比度和清晰度。本发明使潜在缺陷更明显，便于后续检测。
优选的，所述根据特征数据指导自适应原始图像的增强过程，生成增强图像包括：
通过分析所述特征数据，确定图像中的关键区域；
根据分析结果，为原始图像制定自适应的图像增强策略；
基于图像增强策略完成对原始图像增强，并生成增强图像。
本发明通过分析特征数据以确定原始图像中的关键区域，然后根据这些分析结果，制定针对性的图像增强策略。例如，如果特征数据显示某个区域有裂缝，增强策略包括提高该区域的对比度和锐度。最终目的是通过增强处理使缺陷更易于被检测。在不同类型的缺陷中应用和调整图像增强策略的关键是理解每种缺陷的特性，例如：
裂缝和划痕：对于裂缝等线性缺陷，增强策略应集中在提高对比度和锐化，以便更清楚地突出这些细长特征。
腐蚀或沉积物：对于表面不均匀性，如腐蚀，可以使用局部对比度增强和颜色增强技术，以凸显颜色变化和表面纹理。
凹陷或凸起：对于形状缺陷，例如凹陷或凸起，需要使用光照调整或阴影强调技术来增强深度感和轮廓清晰度。
综上，本发明中需要强调的是，是根据缺陷的性质调整图像增强策略，以最大化缺陷的可视化效果。
优选的，所述为原始图像制定自适应的图像增强策略包括：
确定分析结果中所述关键区域在预设指标中存在的缺失或不足，所述预设指标包括：色彩、对比度及纹理；
选择与缺失或不足对应的增强技术，根据需求调整增强技术的参数，完成自适应的图像增强。
本发明中先分析原始图像以识别关键区域的缺失或不足，如色彩、对比度和纹理。然后，基于这些分析结果，选择相应的图像增强技术（例如色彩校正、对比度调整或纹理强化）并调整参数以适应具体情况。这一过程的目的是确保关键区域在图像中突出显示，从而更有效地进行后续的缺陷检测。例如，如果某区域的对比度不足，通过增加对比度来突出潜在缺陷。
通过卷积神经网络算法对增强图像进行缺陷检测，生成缺陷检测报告。
本发明使用经过训练的CNN来分析已增强的图像，并识别其中的缺陷。CNN通过识别图像中的特定模式和特征来定位并分类缺陷，如裂缝、起泡或腐蚀。本发明能够准确地识别并报告铝磷化膜的具体缺陷，这对于质量控制和后续处理至关重要。例如，CNN可以识别出微小裂缝，即使它们在未增强的原始图像中不明显。
优选的，所述通过卷积神经网络算法对增强图像进行缺陷检测包括：
将所述卷积神经网络应用于所述增强图像；
分析图像中的全面特征，识别出可能的缺陷区域；
判断图像中的缺陷类型和位置；
输出缺陷的位置、大小和可能的类型。
本发明利用CNN对增强图像进行深入分析，以识别全面特征并定位可能的缺陷区域。此过程涉及识别缺陷的类型、位置，并评估其大小和性质。例如，CNN可以区分裂缝、凹陷或腐蚀等不同类型的缺陷，并准确标出其在图像中的位置。这一步骤的效果是生成详细的缺陷检测报告，为后续处理提供关键信息。
优选的，所述全面特征包括：边缘特征、纹理特征、颜色特征、形状特征及深度特征。
本发明利用CNN深度分析增强图像来识别这些全面特征。边缘特征帮助识别裂缝和分界线，纹理特征可揭示表面的粗糙度或不规则性，颜色特征有助于发现腐蚀或沉积物，形状特征识别物体的几何变化，深度特征则涵盖更复杂的模式。这些特征的组合使得CNN能够全面评估铝磷化膜的完整性，提高检测的准确性和可靠性。
如图3所示，基于计算机视觉技术的金属铝磷化膜缺陷检测系统，包括：
拍摄装置，所述拍摄装置用于获取铝表面磷化膜的图像，生成原始图像；
使用高分辨率相机捕获铝表面磷化膜的图像，生成高质量的原始图像，为后续分析提供基础。数据融合模块，所述数据融合模块包括：红外传感器、X射线传感器、数据结合单元，红外传感器用于获取表示铝表面热分布信息的热图像；X射线传感器用于获取表示铝内部结构信息的内部结构图像；数据结合单元用于将热图像、内部结构图像与原始图像数据结合，生成综合传感器数据；
集成了红外传感器和X射线传感器。红外传感器用于获取热图像，揭示热分布异常，而X射线传感器用于获取内部结构图像，揭示隐藏的内部缺陷。数据结合单元将这些图像与原始图像数据融合，生成综合传感器数据。
特征提取模块，所述特征提取模块应用卷积神经网络对综合传感器数据进行特征提取，生成特征数据；
应用卷积神经网络对综合传感器数据进行深度分析，提取关键特征，如裂缝、凹陷或其他表面不规则性。
增强模块，所述增强模块用于根据特征数据指导自适应原始图像的增强过程，生成增强图像；
根据提取的特征数据自适应地增强原始图像，特别是突出显示可能的缺陷区域，以便更容易识别。
缺陷检测模块，所述缺陷检测模块通过卷积神经网络算法对增强图像进行缺陷检测，生成缺陷检测报告。
通过卷积神经网络算法对增强图像进行缺陷检测，并生成详尽的缺陷检测报告。
本发明的系统结合计算机视觉技术和先进传感器，以提高金属铝磷化膜缺陷检测的准确性。首先，拍摄装置捕获铝表面的原始图像。然后，数据融合模块使用红外和X射线传感器获取热分布和内部结构图像，这些数据被结合到原始图像中，形成综合传感器数据。特征提取模块通过卷积神经网络分析这些数据，提取关键特征。增强模块根据这些特征自适应地增强原始图像，以突出缺陷区域。最后，缺陷检测模块对增强图像进行分析，生成详细的缺陷检测报告。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例，或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框，以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器（RAM）和/或非易失性内存等形式，如只读存储器（ROM）或闪存（flash RAM）。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所做的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (7)
1.基于计算机视觉技术的金属铝磷化膜缺陷检测方法，其特征在于，包括以下步骤：
获取铝表面磷化膜的图像，生成原始图像；
获取铝表面的热分布信息和内部结构信息，并与原始图像数据结合，生成综合传感器数据；
应用卷积神经网络对综合传感器数据进行特征提取，生成特征数据；
所述特征数据包括：缺陷特征、纹理特征、颜色和灰度特征、形状特征；
根据特征数据指导自适应原始图像的增强过程，生成增强图像；
通过卷积神经网络算法对增强图像进行缺陷检测，生成缺陷检测报告；
所述根据特征数据指导自适应原始图像的增强过程，生成增强图像包括：
通过分析所述特征数据，确定图像中的关键区域；
根据分析结果，为原始图像制定自适应的图像增强策略；
基于图像增强策略完成对原始图像增强，并生成增强图像；
所述为原始图像制定自适应的图像增强策略包括：
确定分析结果中所述关键区域在预设指标中存在的缺失或不足，所述预设指标包括：色彩、对比度及纹理；
选择与缺失或不足对应的增强技术，根据需求调整增强技术的参数，完成自适应的图像增强。
2.根据权利要求1所述的基于计算机视觉技术的金属铝磷化膜缺陷检测方法，其特征在于，所述获取铝表面的热分布信息和内部结构信息包括：
通过扫描铝表面，获取表示热分布信息的热图像；以及
通过对铝进行穿透扫描，获取表示内部结构信息的内部结构图像。
3.根据权利要求2所述的基于计算机视觉技术的金属铝磷化膜缺陷检测方法，其特征在于，通过数据融合技术将所述热图像、内部结构图像及原始图像进行结合，生成综合传感器数据。
4.根据权利要求1所述的基于计算机视觉技术的金属铝磷化膜缺陷检测方法，其特征在于，由至少两张铝表面磷化膜的图像构成的训练集对卷积神经网络进行训练，所述训练集包括正常及含缺陷的样本；通过深入学习图像特征，教导卷积神经网络识别铝表面磷化膜的缺陷。
5.根据权利要求1所述的基于计算机视觉技术的金属铝磷化膜缺陷检测方法，其特征在于，所述通过卷积神经网络算法对增强图像进行缺陷检测包括：
将所述卷积神经网络应用于所述增强图像；
分析图像中的全面特征，识别出缺陷区域；
判断图像中的缺陷类型和位置；
输出缺陷的位置、大小和类型。
6.根据权利要求5所述的基于计算机视觉技术的金属铝磷化膜缺陷检测方法，其特征在于，所述全面特征包括：边缘特征、纹理特征、颜色特征、形状特征及深度特征。
7.基于计算机视觉技术的金属铝磷化膜缺陷检测系统，其特征在于，包括：
拍摄装置，所述拍摄装置用于获取铝表面磷化膜的图像，生成原始图像；
数据融合模块，所述数据融合模块包括：红外传感器、X射线传感器、数据结合单元，红外传感器用于获取表示铝表面热分布信息的热图像；X射线传感器用于获取表示铝内部结构信息的内部结构图像；数据结合单元用于将热图像、内部结构图像与原始图像数据结合，生成综合传感器数据；
特征提取模块，所述特征提取模块应用卷积神经网络对综合传感器数据进行特征提取，生成特征数据，所述特征数据包括：缺陷特征、纹理特征、颜色和灰度特征、形状特征；
增强模块，所述增强模块用于根据特征数据指导自适应原始图像的增强过程，生成增强图像，所述生成增强图像过程包括：
通过分析所述特征数据，确定图像中的关键区域；
根据分析结果，为原始图像制定自适应的图像增强策略；
基于图像增强策略完成对原始图像增强，并生成增强图像；
所述为原始图像制定自适应的图像增强策略包括：
确定分析结果中所述关键区域在预设指标中存在的缺失或不足，所述预设指标包括：色彩、对比度及纹理；
选择与缺失或不足对应的增强技术，根据需求调整增强技术的参数，完成自适应的图像增强；
缺陷检测模块，所述缺陷检测模块通过卷积神经网络算法对增强图像进行缺陷检测，生成缺陷检测报告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410161066.2A CN117710369B (zh) | 2024-02-05 | 2024-02-05 | 基于计算机视觉技术的金属铝磷化膜缺陷检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410161066.2A CN117710369B (zh) | 2024-02-05 | 2024-02-05 | 基于计算机视觉技术的金属铝磷化膜缺陷检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117710369A CN117710369A (zh) | 2024-03-15 |
| CN117710369B true CN117710369B (zh) | 2024-04-30 |
Family
ID=90153827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410161066.2A Active CN117710369B (zh) | 2024-02-05 | 2024-02-05 | 基于计算机视觉技术的金属铝磷化膜缺陷检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117710369B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118261870B (zh) * | 2024-03-27 | 2024-10-15 | 深圳市吉祥腾达电子有限公司 | 基于图像的电感缺陷检测方法、装置和电子设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103091330A (zh) * | 2013-01-11 | 2013-05-08 | 河海大学常州校区 | 模拟人类视觉感知机理的铜带表面缺陷辨识装置及方法 |
| CN103632342A (zh) * | 2013-11-12 | 2014-03-12 | 华南理工大学 | 一种用于集成电路封装中的x射线图像模糊增强方法 |
| JP2019023649A (ja) * | 2018-09-20 | 2019-02-14 | 株式会社ニコン | 測定処理方法、測定処理装置、ｘ線検査装置および構造物の製造方法 |
| CN109859160A (zh) * | 2018-12-10 | 2019-06-07 | 湖南航天天麓新材料检测有限责任公司 | 基于机器视觉的铝镁合金铸件内部缺陷图像识别方法 |
| CN112083017A (zh) * | 2020-09-10 | 2020-12-15 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
| CN115049672A (zh) * | 2022-08-17 | 2022-09-13 | 南通源钰新材料科技有限公司 | 基于计算机视觉的金属铝表面磷化膜缺陷的检测方法 |
| LU502746B1 (en) * | 2022-09-05 | 2023-03-06 | Fitow Tianjin Detection Tech Co Ltd | System, method and terminal for surface defect detection of synchronizer gear sleeve based on machine vision |
| WO2023055753A1 (en) * | 2021-09-28 | 2023-04-06 | Flir Systems Ab | Image setting determination and associated machine learning in infrared imaging systems and methods |
| CN117147561A (zh) * | 2023-09-01 | 2023-12-01 | 平湖市五星工贸有限公司 | 用于金属拉链的表面质量检测方法及系统 |
| CN117392565A (zh) * | 2023-10-18 | 2024-01-12 | 鹤壁电星电气有限责任公司 | 一种无人机电力巡检缺陷自动识别方法 |
-
2024
- 2024-02-05 CN CN202410161066.2A patent/CN117710369B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103091330A (zh) * | 2013-01-11 | 2013-05-08 | 河海大学常州校区 | 模拟人类视觉感知机理的铜带表面缺陷辨识装置及方法 |
| CN103632342A (zh) * | 2013-11-12 | 2014-03-12 | 华南理工大学 | 一种用于集成电路封装中的x射线图像模糊增强方法 |
| JP2019023649A (ja) * | 2018-09-20 | 2019-02-14 | 株式会社ニコン | 測定処理方法、測定処理装置、ｘ線検査装置および構造物の製造方法 |
| CN109859160A (zh) * | 2018-12-10 | 2019-06-07 | 湖南航天天麓新材料检测有限责任公司 | 基于机器视觉的铝镁合金铸件内部缺陷图像识别方法 |
| CN112083017A (zh) * | 2020-09-10 | 2020-12-15 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
| WO2023055753A1 (en) * | 2021-09-28 | 2023-04-06 | Flir Systems Ab | Image setting determination and associated machine learning in infrared imaging systems and methods |
| CN115049672A (zh) * | 2022-08-17 | 2022-09-13 | 南通源钰新材料科技有限公司 | 基于计算机视觉的金属铝表面磷化膜缺陷的检测方法 |
| LU502746B1 (en) * | 2022-09-05 | 2023-03-06 | Fitow Tianjin Detection Tech Co Ltd | System, method and terminal for surface defect detection of synchronizer gear sleeve based on machine vision |
| CN117147561A (zh) * | 2023-09-01 | 2023-12-01 | 平湖市五星工贸有限公司 | 用于金属拉链的表面质量检测方法及系统 |
| CN117392565A (zh) * | 2023-10-18 | 2024-01-12 | 鹤壁电星电气有限责任公司 | 一种无人机电力巡检缺陷自动识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| Comparative EIS and XPS studies of the protective character of thin lacquer films containing CR or P salts formed on galvanised steel, galvanneal and galfan substrates;Feliu 等;ELECTROCHIMCA ACTA;20040301;第49卷(第6期);全文 * |
| 熔石英元件抛光加工亚表面缺陷的检测;王洪祥等;材料科学与工艺;20150430;第23卷(第2期);全文 * |
| 纯镁及镁合金大气腐蚀和化学氧化工艺研究;郑润芬;中国博士学位论文全文数据库;20080615(第6期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117710369A (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11221107B2 (en) | Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing | |
| US20230342925A1 (en) | System and method for calculating focus variation for a digital microscope | |
| CN117710369B (zh) | 基于计算机视觉技术的金属铝磷化膜缺陷检测方法及系统 | |
| CN112184693B (zh) | 一种射线工业底片焊缝缺陷智能检测方法 | |
| CN115063423B (zh) | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 | |
| CN116758491B (zh) | 应用于3d打印的打印监控图像分析方法及系统 | |
| WO2021153633A1 (ja) | 金属組織の相の分類方法、金属組織の相の分類装置、金属組織の相の学習方法、金属組織の相の学習装置、金属材料の材料特性予測方法および金属材料の材料特性予測装置 | |
| CN117333467B (zh) | 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及系统 | |
| CN115862259B (zh) | 一种基于温度监测的火警预警系统 | |
| CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
| CN116777911A (zh) | 一种基于图像识别的双基板散热器表面缺陷检测系统 | |
| JPH08189904A (ja) | 表面欠陥検出装置 | |
| CN117542301A (zh) | 一种显示屏的检测方法及系统 | |
| CN105572133A (zh) | 瑕疵检测方法及其装置 | |
| Florez-Ospina et al. | Toward automatic evaluation of defect detectability in infrared images of composites and honeycomb structures | |
| CN113705672B (zh) | 图像目标检测的阈值选取方法、系统、装置及存储介质 | |
| JP7469740B2 (ja) | ベルト検査システムおよびベルト検査プログラム | |
| KR102502840B1 (ko) | 용접부 균열 예측 장치 및 방법 | |
| KR101782366B1 (ko) | 스케일 보정을 통한 표본 정규화가 수행되는 학습기반의 비전검사 방법 | |
| JP7564502B2 (ja) | ベルト検査システムおよびベルト検査プログラム | |
| KR20230164723A (ko) | 평가 방법, 평가 장치 및 컴퓨터 프로그램 | |
| Guo et al. | Automatic visual pit detection system for bottom surface of cylindrical lithium battery | |
| JP2021006854A (ja) | ベルト検査システムおよびベルト検査プログラム | |
| CN118470025B (zh) | 基于数据分析的钢化玻璃无损检测方法及系统 | |
| CN118485911A (zh) | 目标检测方法、装置、终端设备以及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |