CN117853419A - 一种基于机器视觉的冷弯型钢几何缺陷检测方法 - Google Patents
一种基于机器视觉的冷弯型钢几何缺陷检测方法 Download PDFInfo
- Publication number
- CN117853419A CN117853419A CN202311707671.7A CN202311707671A CN117853419A CN 117853419 A CN117853419 A CN 117853419A CN 202311707671 A CN202311707671 A CN 202311707671A CN 117853419 A CN117853419 A CN 117853419A
- Authority
- CN
- China
- Prior art keywords
- cold
- point cloud
- formed steel
- geometric
- cloud model
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 116
- 239000010959 steel Substances 0.000 title claims abstract description 116
- 230000007547 defect Effects 0.000 title claims abstract description 80
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000009957 hemming Methods 0.000 claims description 20
- 238000005452 bending Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 8
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 5
- 239000011324 bead Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Landscapes
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于机器视觉的冷弯型钢几何缺陷检测方法，包括：将冷弯型钢点云模型经过点云处理获，得有序排列的冷弯型钢点云模型；基于点云特征识别算法，实现对冷弯型钢点云模型的几何特征有效、自动识别；基于冷弯型钢点云模型的几何特征已经标定，对其利用几何尺寸提取算法进行截面平面部分的线性拟合，并根据拟合线之间的位置关系获取冷弯型钢点云模型的几何尺寸；基于获取的冷弯型钢点云模型的尺寸信息，利用几何缺陷提取算法将沿着冷弯型钢点云模型长度方向分布的几何缺陷数值自动检测、记录。本发明能够快速准确的检测出冷弯型钢的几何缺陷，提高检测生产效率和产能，降低了人力成本和人为误差的风险，提高了检测的精度。
Description
技术领域
本发明属于机器视觉技术领域，涉及一种基于机器视觉的冷弯型钢几何缺陷检测方法。
背景技术
现如今，大力推广装配式冷弯薄壁型钢结构体系，已成为打造魅力乡村、发展智能建造、助力双碳目标的重要途径。冷弯薄壁型钢结构有轻质高强、抗震性能好、工业化、智能化、标准化和装配化程度高等优点，是发展绿色建筑的理想建筑材料。但是，由于冷弯薄壁型钢制造完成后的运输、安装过程中产生的初始几何缺陷会影响构件承载力，进而会严重影响到整体结构的稳定性与可靠度，因此如何高精度检测冷弯型钢几何缺陷成为关键科学问题。
现有的通过千分表、卡尺等接触式测量技术获取的冷弯型钢检测样本，不仅精度低，且对于缺陷的表征也具有较大的局限性。通过三维激光扫描、高速照相机等非接触式测量技术获取的点云数据，由于数据量较大，难以从中直接提取对承载力有实际意义的缺陷几何特征。因此，有必要研发一种快速、高效的方法从获取的点云数据检测冷弯型钢的几何缺陷，基于机器视觉技术来实现对冷弯型钢构件可靠、准确、快速的无损智能检测，对于减轻工人劳动强度、提高生产效率和产品质量具有重要意义。
发明内容
本发明的目的在于克服上述不足，提供一种基于机器视觉的冷弯型钢几何缺陷检测方法，其解决传统方法测量精度低、范围小以及对于缺陷的表征具有较大的局限性的问题。
为了实现上述目的，本发明采用的技术方案为：一种基于机器视觉的冷弯型钢几何缺陷检测方法，其特征在于，包括：
S1：基于机器视觉获取无序的冷弯型钢点云模型，并导入MATLAB软件中，经过点云处理，获得有序排列的冷弯型钢点云模型；
S2：定义局部参数和全局参数，基于点云特征识别算法，对冷弯型钢点云模型的几何特征进行有效、自动识别；
S3：对识别的冷弯型钢点云模型的几何特征进行标定，利用几何尺寸提取算法进行截面平面部分的线性拟合，并根据拟合线之间的位置关系获取冷弯型钢点云模型的几何尺寸；
S4：基于冷弯型钢点云模型的几何尺寸信息，利用几何缺陷提取算法将沿着冷弯型钢点云模型长度方向分布的几何缺陷数值自动检测、记录。
进一步地，步骤S1中，所述的点云处理方法为：
基于导入的冷弯型钢点云模型，通过主成分分析(PCA)和随机采样一致算法(RANSAC)创建适用于冷弯型钢点云模型的坐标系。基于实际扫描冷弯型钢点云模型体积大小，进行体素网格的划分。在遍历冷弯型钢点云模型，同时，将体素网格内的点坐标进行储存。沿冷弯型钢点云模型长轴方向进行切片，并对该切片上的体素网格排序。计算每一个体素网格的点沿标记路径前进方向的投影距离，以此排序，串联同一截面上所有体素网格，获得单片截面内点云的排序。对每一个切片排序，获得有序排列的冷弯型钢点云模型，输出排序后的点云坐标，数据格式为struct。
进一步地，所述冷弯型钢点云模型，包括：基于激光扫描，获取冷弯型钢构件表面采样点的三维空间坐标点和方向角信息的集合。
进一步地，所述适用于冷弯型钢点云模型的坐标系，包括：对于冷弯C型钢构件，沿构件长度方向为X轴，腹板方向为Y轴，翼缘方向为Z轴。
进一步地，所述输出数据格式为struct,如下表所示：
| 字段 | X | Y |
| 1 | 1082×1double | 1082×1double |
| 2 | 1089×1double | 1089×1double |
| 3 | 1086×1double | 1086×1double |
| 4 | 1078×1double | 1078×1double |
| 5 | 1083×1double | 1083×1double |
| 6 | 1073×1double | 1073×1double |
| 7 | 1080×1double | 1080×1double |
| 8 | 1076×1double | 1076×1double |
| 9 | 1085×1double | 1085×1double |
进一步地，步骤S2中，所述的点云特征识别算法包括：
通过对冷弯型钢点云模型分解为3个参数控制的全局模态和22个参数控制的局部模态，便于特征提取。遍历冷弯型钢点云模型，完成一次粗略横截面分割。通过两步优化方法再次遍历冷弯型钢点云模型，过滤噪声和边界点的摆动，迭代两步优化方法结果最优时，则完成冷弯型钢点云模型的特征识别并进行数据存储。
进一步地，所述3个参数控制的全局模态，包括：在世界坐标系中，定义3个全局参数为(x0,z0,θ0)，用来控制刚性截面的旋转和平移，同时描述构件沿着长度方向的位移和扭曲，其中(x0,z0,θ0)是冷弯型钢点云模型在世界坐标系中，定义控制点的x坐标、z坐标、绕y轴的转角θ对应的数值。
进一步地，所述22个参数控制的局部模态，包括：22个参数具体指：k1、k2、k3、k4、k5和b1、b2、b3、b4、b5分别代表两个卷边、一个腹板、两个翼缘的斜率和截距。(xc1，zc1),(xc2，zc2),(xc3，zc3),(xc4，zc4)及r1、r2、r3、r4为四个转角区域的圆心和半径。
进一步地，所述粗略横截面分割具体指找到潜在的圆弧角，圆弧端点为分离圆弧与翼缘段和圆弧与腹板段的潜在边界点，则完成粗略的截面分割。
进一步地，所述两步优化方法，包括：第一步是将潜在边界点分割的拐角和直线区域进行拟合，第二步利用迭代公式来最小化拟合点与测量点之间的误差。
进一步地，所述迭代两步优化方法结果最优，包括：迭代旨在寻找线性和弧线曲线之间的不变相互作用，即寻找到线性曲线和弧曲线之间第i次的边界点与第i+1次边界点一致时,几何特征识别结果得到最优，其中i为迭代次数。
进一步地，步骤S3中，所述的几何尺寸提取算法进行尺寸的提取方法包括：对截面的平面部分分别进行线性拟合，即腹板拟合线、翼缘拟合线、内卷边拟合线，得到腹板的高度H、翼缘的宽度B、内卷边的长度D、转角半径a、转角角度θ；
进一步地，所述腹板的高度H，包括：腹板拟合线与两边的翼缘拟合线形成交点，所得交点认为是腹板的两端，交点间的直线距离为腹板的高度；
进一步地，所述翼缘的宽度B，包括：翼缘拟合线与腹板拟合线的交点，翼缘拟合线与内卷边的拟合线的交点，组成翼缘尺寸的两端，两交点间的直线距离为翼缘的宽度；
进一步地，所述内卷边的长度D，包括：内卷边拟合线与翼缘拟合线的交点，内卷边的起始点为另一端交点，两交点间的直线距离为内卷边的长度；
进一步地，所述转角半径a,包括：通过圆弧拟合转角，得出的误差最小的拟合圆弧所对应的半径为转角半径；
进一步地，所述转角角度θ，包括：对于转角角度根据拟合线间的夹角确定。
进一步地，步骤S4中，所述的几何缺陷提取算法进行几何缺陷检测的方法包括：
通过各截面分段求取形心，用每段形心迭代的方式求取切片截面的形心坐标，然后求得整根构件的形心坐标。将初始和结束截面的形心拟合成一条直线；基于初始和结束截面拟合直线与所有截面实际形心位置在空间位置的差值，提取构件的整体缺陷。基于特征识别后的直线区域，利用最小二乘法拟合腹板直线、左右翼缘直线与两端卷边直线，然后通过多项式拟合函数，提取四个关键点。通过遍历每个截面的点云模型，得到实际测量的腹板点云与拟合腹板直线的距离，从而提取构件的局部缺陷。
进一步地，所述构件的整体缺陷是指构件整体的弯曲与扭转，包括绕弱轴弯曲(G1)、绕强轴弯曲(G2)及扭转弯曲(G3)。
进一步地，所述构件的局部缺陷是指构件表面的凹凸起伏，包括局部缺陷(d1)和畸变缺陷(d2)。
进一步地，所述四个关键点，包括：两个卷边与翼缘的交点和两个腹板与翼缘的交点。
本发明的有益效果为：
本发明通过引入点云特征识别算法、几何尺寸提取算法以及几何缺陷提取算法，对获取的有序冷弯型钢点云模型进行缺陷检测，实现效率和精度的双重突破。使用此方法带来更高的生产效率和质量控制水平，同时降低了人力成本和人为误差的风险。此外，为了实现点云数据重构，开发了点云处理方法，对不同截面冷弯型钢构件的点云数据进行了坐标旋转，通过切片化处理实现截面化的点云排序，直至遍历整根构件完成全部点云排序，保证了缺陷检测的效果达到最优。本发明对得到的冷弯型钢点云模型进行缺陷检测，能够快速、准确的定位构件存在的缺陷，提高了检测的精度。
附图说明
图1为本发明的一种基于机器视觉的冷弯型钢几何缺陷检测方法的流程图；
图2为本发明实施例的冷弯C型钢构件的点云模型示意图；
图3为本发明实施例的点云空间方向定义示意图；
图4为本发明实施例的沿构件长度方向切片化处理模型示意图；
图5为本发明实施例的冷弯C型钢点云模型的几何参数和坐标系示意图；
图6为本发明实施例的几何特征识别结果示意图；
图7本发明实施例的冷弯C型钢的几何尺寸参数示意图；
图8为本发明实施例的冷弯C型钢构件长度遍历迭代形心过程示意图。
具体实施方法
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。说明书后续描述为实施本申请的较佳实施方式，然所述描述乃以说明本申请的一般原则为目的，并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。
请参照图1，本发明提供一种基于机器视觉的冷弯型钢几何缺陷检测方法，包括：
S1：基于机器视觉获取无序的冷弯型钢点云模型，并导入MATLAB软件中，经过点云处理，获得有序排列的冷弯型钢点云模型；
S2：定义局部参数和全局参数，基于点云特征识别算法，对冷弯型钢点云模型的几何特征进行有效、自动识别；
S3：对识别的冷弯型钢点云模型的几何特征进行标定，利用几何尺寸提取算法进行截面平面部分的线性拟合，并根据拟合线之间的位置关系获取冷弯型钢点云模型的几何尺寸；
S4：基于冷弯型钢点云模型的几何尺寸信息，利用几何缺陷提取算法将沿着冷弯型钢点云模型长度方向分布的几何缺陷数值自动检测、记录。
在本发明提供的优选实施例中，步骤S1，具体为：基于机器视觉获取无序的冷弯型钢点云模型，并导入MATLAB软件中，经过点云处理，获得有序排列的冷弯型钢点云模型；
优选地，如图2所示，为本发明提供的优选实施例中冷弯C型钢构件的点云模型，主要是指三维空间坐标、方向向量组成的三维点云模型，冷弯C型钢构件的初始点云模型反映其在制作、运输与安装时的实际状态，包含初始几何缺陷。在本发明中的无序点云数据是通过高效激光检测技术扫描大量受弯型钢构件，从而获取高精度点云模型数据。
需要说明的是，本发明实施例给出冷弯C型钢构件的点云模型，但不局限于本发明实施例的冷弯型钢构件的类型，还包括L型钢等钢构件。
优选地，将无序的冷弯型钢点云模型处理为有序的点云模型是通过点云处理方法排列的。
进一步地，点云处理方法操作的具体过程为：
利用主成分分析(PCA)和随机采样一致算法(RANSAC)估计点云数据的法向量确定主坐标轴，采用最小二乘法确定点云的三维线，正交向量创建适用于C型钢构件的坐标系，如图3所示，其中沿构件长度的坐标轴被定义为主坐标轴X。在横截面上沿腹板水平方向的轴为Y轴，沿法兰纵轴方向为Z轴。
根据构件形状大小均匀划分体素网格，遍历点云数据，标记点云点所在的体素网格，并存储点云坐标索引。沿构件长轴方向对构件进行切片，并对该切片上所标记的网格排序，如图4所示。
计算每一体素网格内的点沿路径前进方向的投影距离，以此排序，串联同一截面上的所有标记方格，获得单片截面内所有点云的排序。
进一步地，在本发明提供的优选实施例中，继续实施步骤S2，具体为：定义局部参数和全局参数，基于点云特征识别算法，对冷弯型钢点云模型的几何特征进行有效、自动识别；
优选地，定义全局参数是指，定义参数(x0,z0,θ0)控制刚性截面的旋转和平移，用来描述构件沿着长度方向的位移和扭曲.
优选地，定义局部参数是指，在每个C型钢横截面上建立一个平行于X-Z平面的局部坐标系，原点与(x0,z0)重合，进而将几何特征在局部坐标中进行表达。
进一步地，几何特征在局部坐标系中的表达，是指，截面的直线段区域用线性函数表示，转角处用圆形函数公式表示，如图5所示，具体函数如下：
z＝kx+b (1)
(x-xc)2+(z-zc)2＝r2 (2)
其中,k和b为横截面中平面区域的斜率和截距,式1中的x、z为直线区域的横纵坐标。圆心(xc，zc)和半径r是转角区域的几何参数，式2中的x、z为转角区域的横纵坐标。
优选地，点云特征识别算法是指，利用边界点识别横截面的线段和圆弧段，并结合几何参数来描述其几何特征。
进一步地，点云特征识别算法操作的具体过程为：
首先，拟合标称截面，选取具有最大曲率的段认为是一个潜在的圆弧角，该圆弧端点便为分离圆弧与翼缘段和圆弧与腹板段的潜在边界点，重复此步骤，遍历整个试样的数据，完成第一次粗略分割。
进一步地，将潜在边界点分隔的拐角和直线段区域进行拟合，利用迭代公式来最小化拟合点与测量点之间的误差：
fq-1(xb|VL)＝fq(xb|VL) (4)
fq-1(xb|VL)＝fq(xb|VL) (5)
其中，VL表示局部几何参数，包括边界点xb和曲线参数；fq表示横截面上的qth曲线；Q表示分段曲线的数量；Nm表示被测点数的数量；zm(x)表示被测点x对应的垂直值。
最后，寻找到线性曲线和弧曲线之间迭代第i次的边界点与第i+1次边界点一致时，几何特征识别结果得到最优，如图6所示。
进一步地，在本发明提供的优选实施例中，继续实施步骤S3，具体为：对识别的冷弯型钢点云模型的几何特征进行标定，利用几何尺寸提取算法进行截面平面部分的线性拟合，并根据拟合线之间的位置关系获取冷弯型钢点云模型的几何尺寸；
优选地，冷弯C型钢的几何尺寸参数主要包括：腹板高度H、翼缘宽度B、卷边宽度D、转角半径a，转角角度θ，如图7所示。
优选地，对截面的腹板拟合线、翼缘拟合线、内卷边拟合线分别进行线性拟合，根据拟合线确定所需几何尺寸参数。
进一步地，拟合线之间的具体位置关系如下：
腹板拟合线与两边的翼缘拟合线形成交点，所得交点认为是腹板的两端，交点间的直线距离为腹板的高度；
翼缘拟合线与腹板拟合线的交点，翼缘拟合线与内卷边的拟合线的交点，组成了翼缘尺寸的两端，两交点间的直线距离为翼缘的宽度；
内卷边拟合线与翼缘拟合线的交点，内卷边的起始点为另一端交点，两交点间的直线距离为内卷边的长度；
通过圆弧拟合转角，得出的误差最小的拟合圆弧所对应的半径为转角半径；
对于转角角度主要根据拟合线间的夹角确定。
进一步地，在本发明提供的优选实施例中，继续实施步骤S4，具体为：基于冷弯型钢点云模型的几何尺寸信息，利用几何缺陷提取算法将沿着冷弯型钢点云模型长度方向分布的几何缺陷数值自动检测、记录。
优选地，钢构件的几何缺陷包括整体缺陷和截面缺陷。整体缺陷是构件整体的弯曲与扭转，包括绕弱轴弯曲(G1)、绕强轴弯曲(G2)及扭转弯曲(G3)，截面缺陷则是构件表面的凹凸起伏，包括局部缺陷(d1)和畸变缺陷(d2)。
优选地，几何缺陷提取算法是指，对于整体缺陷将选择其截面形心作为辅助工具，根据各个截面的形心在空间位置的上下偏移量来确定G1和G2的大小，G3是选择腹板作为参考平面，将沿着完美构件的旋转角度定义为扭转缺陷。对于截面缺陷将腹板中心位置处的缺陷大小作为局部缺陷的代表，将翼缘和卷边处的偏差作为畸变缺陷的代表。
具体地，通过分段计算截面的形心，然后将每段形心迭代的方式求取切片截面的形心坐标，如图8所示，最后沿着构件长度遍历所有截面，得到整根构件的形心坐标，具体计算切片截面形心坐标公式如下：
其中(xi，zi)所对应的分别为卷边、翼缘、腹板所对应的形心坐标。
进一步地，对G1和G2偏移量大小的确定，将初始和结束截面形心线进行拟合，计算该拟合直线与所有截面实际形心位置在空间位置的差值，得到缺陷的具体数值，公式如下：
Bow(Gx)＝xc-xpef (8)
Camber(Gz)＝zc-zpef (9)
其中(xc，zc)表示所有切片截面的形心坐标；(xpef，zpef)表示所有截面实际形心坐标。
进一步地，G3缺陷是通过计算腹板与两侧翼缘拟合直线交点之间旋转角度获得的，具体公式如下：
Twist(G3)＝di－d0 (11)
进一步地，基于特征识别后的直线区域，利用最小二乘法分别拟合腹板直线、左右翼缘直线与两端卷边直线。然后通过多项式拟合函数，提取四个关键点，计算局部缺陷和畸变缺陷。
具体地，对每个截面的点云进行遍历，得到实际测量的腹板点云与拟合腹板直线的距离，偏离拟合直线的最大垂直偏差即为局部缺陷。
具体地，通过计算翼缘与卷边的夹角偏差值，提取构件的畸变缺陷，具体公式如下:
其中和/>表示构架的左右翼缘的畸变缺陷，x表示所在位置的横坐标。
上述说明示出并描述了本申请的若干优选实施例，但如前所述，应当理解本申请并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述申请构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围，则都应在本申请所附权利要求的保护范围内。
Claims (10)
1.一种基于机器视觉的冷弯型钢几何缺陷检测方法，其特征在于，该方法包括如下步骤：
S1：基于机器视觉获取无序的冷弯型钢点云模型，并导入MATLAB软件中，经过点云处理，获得有序排列的冷弯型钢点云模型；
S2：定义局部参数和全局参数，基于点云特征识别算法，对冷弯型钢点云模型的几何特征进行有效、自动识别；
S3：对识别的冷弯型钢点云模型的几何特征进行标定，利用几何尺寸提取算法进行截面平面部分的线性拟合，并根据拟合线之间的位置关系获取冷弯型钢点云模型的几何尺寸；
S4：基于冷弯型钢点云模型的几何尺寸信息，利用几何缺陷提取算法将沿着冷弯型钢点云模型长度方向分布的几何缺陷数值自动检测、记录。
2.根据权利要求1所述的一种基于机器视觉的冷弯型钢几何缺陷检测方法，其特征在于，步骤S1中，所述的点云处理方法为：
基于导入的冷弯型钢点云模型，通过主成分分析PCA和随机采样一致算法RANSAC创建适用于冷弯型钢点云模型的坐标系；基于实际扫描冷弯型钢点云模型体积大小，进行体素网格的划分；在遍历冷弯型钢点云模型；将体素网格内的点坐标进行储存；沿冷弯型钢点云模型长轴方向进行切片，并对该切片上的体素网格排序；计算每一个体素网格的点沿标记路径前进方向的投影距离，以此排序，串联同一截面上所有体素网格，获得单片截面内点云的排序；对每一个切片排序，获得有序排列的冷弯型钢点云模型，输出排序后的点云坐标，数据格式为struct。
3.根据权利要求2所述的一种基于机器视觉的冷弯型钢几何缺陷检测方法，其特征在于，所述冷弯型钢点云模型，包括：基于激光扫描，获取冷弯型钢构件表面采样点的三维空间坐标点和方向角信息的集合；
所述适用于冷弯型钢点云模型的坐标系，包括：对于冷弯C型钢构件，沿构件长度方向为X轴，腹板方向为Y轴，翼缘方向为Z轴；
所述输出数据格式为struct,如下表所示：
4.根据权利要求1所述的一种基于机器视觉的冷弯型钢几何缺陷检测方法，其特征在于，步骤S2中，所述的点云特征识别算法包括：
通过对冷弯型钢点云模型分解为3个参数控制的全局模态和22个参数控制的局部模态，便于特征提取；遍历冷弯型钢点云模型，完成一次粗略横截面分割；通过两步优化方法再次遍历冷弯型钢点云模型，过滤噪声和边界点的摆动，迭代两步优化方法结果最优时，则完成冷弯型钢点云模型的特征识别并进行数据存储；
所述3个参数控制的全局模态，包括：在世界坐标系中，定义3个全局参数为(x0,z0,θ0)，用来控制刚性截面的旋转和平移，同时描述构件沿着长度方向的位移和扭曲，其中(x0,z0,θ0)是冷弯型钢点云模型在世界坐标系中，定义控制点的x坐标、z坐标、绕y轴的转角θ对应的数值；
所述22个参数控制的局部模态，包括：22个参数具体指：k1、k2、k3、k4、k5和b1、b2、b3、b4、b5分别代表两个卷边、一个腹板、两个翼缘的斜率和截距；(xc1，zc1),(xc2，zc2),(xc3，zc3),(xc4，zc4)及r1、r2、r3、r4为四个转角区域的圆心和半径。
5.根据权利要求4所述的一种基于机器视觉的冷弯型钢几何缺陷检测方法，其特征在于，所述粗略横截面分割具体指找到潜在的圆弧角，圆弧端点为分离圆弧与翼缘段和圆弧与腹板段的潜在边界点，则完成粗略的截面分割。
6.根据权利要求4所述的一种基于机器视觉的冷弯型钢几何缺陷检测方法，其特征在于，所述两步优化方法，包括：第一步是将潜在边界点分割的拐角和直线区域进行拟合，第二步利用迭代公式来最小化拟合点与测量点之间的误差；
所述迭代两步优化方法结果最优，包括：迭代旨在寻找线性和弧线曲线之间的不变相互作用，即寻找到线性曲线和弧曲线之间第i次的边界点与第i+1次边界点一致时,几何特征识别结果得到最优，其中i为迭代次数。
7.根据权利要求1所述的一种基于机器视觉的冷弯型钢几何缺陷检测方法，其特征在于，步骤S3中，所述的几何尺寸提取算法进行尺寸的提取方法包括：对截面的平面部分分别进行线性拟合，即腹板拟合线、翼缘拟合线、内卷边拟合线，得到腹板的高度H、翼缘的宽度B、内卷边的长度D、转角半径a、转角角度θ；
所述腹板的高度H，包括：腹板拟合线与两边的翼缘拟合线形成交点，所得交点认为是腹板的两端，交点间的直线距离为腹板的高度；
所述翼缘的宽度B，包括：翼缘拟合线与腹板拟合线的交点，翼缘拟合线与内卷边的拟合线的交点，组成翼缘尺寸的两端，两交点间的直线距离为翼缘的宽度；
所述内卷边的长度D，包括：内卷边拟合线与翼缘拟合线的交点，内卷边的起始点为另一端交点，两交点间的直线距离为内卷边的长度；
所述转角半径a,包括：通过圆弧拟合转角，得出的误差最小的拟合圆弧所对应的半径为转角半径；
所述转角角度θ，包括：对于转角角度根据拟合线间的夹角确定。
8.根据权利要求1所述的一种基于机器视觉的冷弯型钢几何缺陷检测方法，其特征在于，步骤S4中，所述的几何缺陷提取算法进行几何缺陷检测的方法包括：
通过各截面分段求取形心，用每段形心迭代的方式求取切片截面的形心坐标，然后求得整根构件的形心坐标；将初始和结束截面的形心拟合成一条直线；基于初始和结束截面拟合直线与所有截面实际形心位置在空间位置的差值，提取构件的整体缺陷；基于特征识别后的直线区域，利用最小二乘法拟合腹板直线、左右翼缘直线与两端卷边直线，然后通过多项式拟合函数，提取四个关键点；通过遍历每个截面的点云模型，得到实际测量的腹板点云与拟合腹板直线的距离，从而提取构件的局部缺陷。
9.根据权利要求8所述的一种基于机器视觉的冷弯型钢几何缺陷检测方法，其特征在于，所述构件的整体缺陷是指构件整体的弯曲与扭转，包括绕弱轴弯曲G1、绕强轴弯曲G2及扭转弯曲G3。
10.根据权利要求1所述的一种基于机器视觉的冷弯型钢几何缺陷检测方法，其特征在于，所述构件的局部缺陷是指构件表面的凹凸起伏，包括局部缺陷d1和畸变缺陷d2；
所述四个关键点，包括：两个卷边与翼缘的交点和两个腹板与翼缘的交点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311707671.7A CN117853419A (zh) | 2023-12-12 | 2023-12-12 | 一种基于机器视觉的冷弯型钢几何缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311707671.7A CN117853419A (zh) | 2023-12-12 | 2023-12-12 | 一种基于机器视觉的冷弯型钢几何缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117853419A true CN117853419A (zh) | 2024-04-09 |
Family
ID=90535702
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311707671.7A Pending CN117853419A (zh) | 2023-12-12 | 2023-12-12 | 一种基于机器视觉的冷弯型钢几何缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117853419A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107052086A (zh) * | 2017-06-01 | 2017-08-18 | 扬州苏星机器人科技有限公司 | 基于三维视觉的冲压件表面缺陷检测装置及检测方法 |
| US20180322623A1 (en) * | 2017-05-08 | 2018-11-08 | Aquifi, Inc. | Systems and methods for inspection and defect detection using 3-d scanning |
| CN111080627A (zh) * | 2019-12-20 | 2020-04-28 | 南京航空航天大学 | 一种基于深度学习的2d+3d大飞机外形缺陷检测与分析方法 |
| CN111080582A (zh) * | 2019-12-02 | 2020-04-28 | 易思维（杭州）科技有限公司 | 工件内外表面缺陷检测方法 |
| CN115330731A (zh) * | 2022-08-16 | 2022-11-11 | 天津大学 | 一种航空发动机扇形段叶片缺陷检测识别方法 |
| CN115546153A (zh) * | 2022-10-11 | 2022-12-30 | 苏州鼎纳自动化技术有限公司 | 一种基于三维点云与二维图像融合感知的产品表面缺陷检测方法 |
-
2023
- 2023-12-12 CN CN202311707671.7A patent/CN117853419A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180322623A1 (en) * | 2017-05-08 | 2018-11-08 | Aquifi, Inc. | Systems and methods for inspection and defect detection using 3-d scanning |
| CN107052086A (zh) * | 2017-06-01 | 2017-08-18 | 扬州苏星机器人科技有限公司 | 基于三维视觉的冲压件表面缺陷检测装置及检测方法 |
| CN111080582A (zh) * | 2019-12-02 | 2020-04-28 | 易思维（杭州）科技有限公司 | 工件内外表面缺陷检测方法 |
| CN111080627A (zh) * | 2019-12-20 | 2020-04-28 | 南京航空航天大学 | 一种基于深度学习的2d+3d大飞机外形缺陷检测与分析方法 |
| CN115330731A (zh) * | 2022-08-16 | 2022-11-11 | 天津大学 | 一种航空发动机扇形段叶片缺陷检测识别方法 |
| CN115546153A (zh) * | 2022-10-11 | 2022-12-30 | 苏州鼎纳自动化技术有限公司 | 一种基于三维点云与二维图像融合感知的产品表面缺陷检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| JONG PIL YUN 等: "Vision-based surface defect inspection for thick steel plates", 《OPTICAL ENGINEERING》, 31 December 2017 (2017-12-31) * |
| 沈洪宇: "基于线结构光的冷弯空心型钢三维轮廓测量系统设计", 《中国优秀硕士学位论文全文数据库（电子期刊）》, vol. 2021, no. 05, 15 May 2021 (2021-05-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11551341B2 (en) | Method and device for automatically drawing structural cracks and precisely measuring widths thereof | |
| CN107798326B (zh) | 一种轮廓视觉检测方法 | |
| CN106407502B (zh) | 一种基于最佳匹配的叶片截面型线轮廓参数评价方法 | |
| CN103727930B (zh) | 一种基于边缘匹配的激光测距仪与相机相对位姿标定方法 | |
| CN103425988B (zh) | 一种具有圆弧几何基元的实时定位与匹配方法 | |
| CN109101741B (zh) | 一种基于三角网格简化的复杂曲面检测自适应采样方法 | |
| CN113487722B (zh) | 一种基于三维激光扫描方法的混凝土构件自动化检测方法 | |
| CN116402866A (zh) | 基于点云的零件数字孪生几何建模与误差评定方法及系统 | |
| JP2014500484A (ja) | 連続ｂ‐スプライン変形を利用してタイヤ表面の三次元画像を前処理する方法 | |
| CN114037675B (zh) | 一种飞机样板缺陷检测方法及装置 | |
| CN105783786A (zh) | 一种基于结构光视觉的零件倒角测量方法与装置 | |
| CN116740060B (zh) | 基于点云几何特征提取的装配式预制构件尺寸检测方法 | |
| CN104050660A (zh) | 一种测量工件圆形边缘的方法 | |
| CN115222883A (zh) | 一种基于地基LiDAR点云的电力杆塔重建方法 | |
| Wang et al. | Lane boundary detection based on parabola model | |
| CN113362468B (zh) | 一种火车轮毂的尺寸测量方法 | |
| CN116188544A (zh) | 一种结合边缘特征的点云配准方法 | |
| CN108827197B (zh) | 一种减少边缘退化影响的线阵工业ct均质材料尺寸测量方法 | |
| CN117853419A (zh) | 一种基于机器视觉的冷弯型钢几何缺陷检测方法 | |
| CN113390340B (zh) | 一种非连续区域的角球面球心空间位置检测方法 | |
| CN115980063A (zh) | 工件表面瑕疵检测方法及装置 | |
| CN116385356A (zh) | 一种基于激光视觉的正六边形孔特征的提取方法和系统 | |
| CN113267122B (zh) | 一种基于3d视觉传感器的工业零件尺寸测量方法 | |
| CN115147471A (zh) | 一种基于曲率密度特征的激光点云自动配准方法 | |
| CN116255930A (zh) | 一种基于点云切片的截面提取及测量方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |