CN117890389A - 精烧制品表面质量在线检测方法、设备及其存储介质 - Google Patents
精烧制品表面质量在线检测方法、设备及其存储介质 Download PDFInfo
- Publication number
- CN117890389A CN117890389A CN202410290510.0A CN202410290510A CN117890389A CN 117890389 A CN117890389 A CN 117890389A CN 202410290510 A CN202410290510 A CN 202410290510A CN 117890389 A CN117890389 A CN 117890389A
- Authority
- CN
- China
- Prior art keywords
- flaw
- type
- image data
- types
- surface quality
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 230000007547 defect Effects 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 229940108461 rennet Drugs 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 229910010293 ceramic material Inorganic materials 0.000 description 3
- 238000010304 firing Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 229910052573 porcelain Inorganic materials 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005245 sintering Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000010433 feldspar Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- NLYAJNPCOHFWQQ-UHFFFAOYSA-N kaolin Chemical compound O.O.O=[Al]O[Si](=O)O[Si](=O)O[Al]=O NLYAJNPCOHFWQQ-UHFFFAOYSA-N 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及精烧制品表面质量检测技术领域，特别涉及精烧制品表面质量在线检测方法、设备及其存储介质，包括利用CCD摄像机，采集待检测精烧制品各个可视角度的图像数据；对采集的图像数据进行图像处理，判定是否对图像数据中的像素块进行瑕疵标记；提取具有瑕疵标记的像素块，将具有瑕疵标记的像素块在图像数据中的位置，映射到空白背景图层中，以获得具有瑕疵标记的像素块构成的提取图案。本发明通过灰度对比分析获取待检测精烧制品的瑕疵位置并获取提取图像，通过深度神经网络模型对提取图像进行瑕疵种类和类型识别，从而实现一次检测，便可以对待检测精烧制品的瑕疵种类和类型进行全面检测。
Description
技术领域
本发明涉及精烧制品表面质量检测技术领域，具体为精烧制品表面质量在线检测方法、设备及其存储介质。
背景技术
精烧制品指的是通过高温烧制过程制作而成的高质量陶瓷或瓷器产品，精烧制品通常需要经过高温烧制，以确保产品具有优良的物理性能、耐久性和表面质量。这个高温烧制的过程有助于陶瓷材料在结构上达到更高的致密性，精烧制品的制作通常使用高质量的陶瓷原料，这些原料在经过烧制后能够产生坚硬、耐磨、抗化学腐蚀的特性。常见的精烧陶瓷材料包括瓷土、瓷石、长石等。
公开号为CN106442715A的专利申请，公开了一种表面缺陷检测装置，该表面缺陷检测装置，对被检测表面的缺陷进行检测，包括支撑部件、随动部件和检测部件，检测部件与随动部件固定连接；随动部件以可移动地方式连接至支撑部件，以使随动部件沿与被检测表面垂直的方向相对于支撑部件进行运动，使得在检测状态下，随动部件通过与被检测表面保持接触以使随动部件根据被检测表面的表面形态进行移动，从而使检测部件与被检测表面之间保持预定距离。避免由于被检测表面出现不平整或者变形等现象导致的表面缺陷检测装置的误判问题。
如上述申请，现有的精烧制品表面质量在线检测方法，一般其一个检测流程只能实现对精烧制品表面的一种瑕疵种类（粗糙度）进行检测，且只能判断是否出现瑕疵，无法分析瑕疵的缺陷程度，导致后续还要增设很多工序，包括对具有瑕疵的精烧制品再进行报废、可修复和不可修复（残次品）的检测分析；即现有技术无法实现一次完成对精烧制品的多种瑕疵种类（气泡、坑洞、裂缝、颜色不均匀、异物、划痕、水痕、粗糙度不均匀）进行全面的检测，并且无法综合分析瑕疵种类、瑕疵类型以及缺陷程度，从而对精烧制品质量进行全面地有效评价。
发明内容
为了解决上述问题，本发明提供了精烧制品表面质量在线检测方法、设备及其存储介质。
本发明采用以下技术方案，精烧制品表面质量在线检测方法，包括以下步骤：
利用CCD摄像机，采集待检测精烧制品各个可视角度的图像数据；
对采集的图像数据进行图像处理，判定是否对图像数据中的像素块进行瑕疵标记；
提取具有瑕疵标记的像素块，将具有瑕疵标记的像素块在图像数据中的位置，映射到空白背景图层中，以获得具有瑕疵标记的像素块构成的提取图案；
将提取图案输入训练完成的瑕疵种类识别模型中，获取提取图案的瑕疵种类；
根据瑕疵种类确定瑕疵类型，其中瑕疵类型包括可修复类型和不可修复类型；
作为上述技术方案的进一步描述：图像处理的方法包括：
对采集的图像数据进行灰度处理，获取图像数据中每个像素块的灰度值，并标记为实时灰度值，以及获取正常精烧制品表面的图像数据，得到标准图像数据中每个像素块的灰度值，并标记为标准灰度值，将图像数据中每块实时灰度值与标准图像数据中相同位置的标准灰度值比对分析，判断是否对像素块进行瑕疵标记。
作为上述技术方案的进一步描述：根据不可修复类型生成报废品指令，当一个图像数据中有可修复类型和不可修复类型时，默认为不可修复类型；
根据可修复类型，获取瑕疵标记种类以及该瑕疵标记种类对应的面积，采集待检测精烧制品的表面积，计算生成瑕疵修复系数，判定生成瑕疵修复指令或放弃修复指令；
瑕疵标记种类即瑕疵标记的瑕疵种类。
作为上述技术方案的进一步描述：所述判定是否对图像数据中的像素块进行瑕疵标记的方法为：
预设灰度差值阈值；
当时，则对相应的像素块进行瑕疵标记；
当时，则不对相应的像素块进行瑕疵标记；
其中，为实时灰度值，/>为标准灰度值，/>为灰度差值阈值。
作为上述技术方案的进一步描述：所述瑕疵种类包括：气泡、坑洞、裂缝、颜色不均匀、异物、划痕、水痕、粗糙度不均匀；
气泡：即精烧制品表面产生气泡，可能由于原材料中的气体或在制造过程中的气体释放而引起；
坑洞：即精烧制品表面存在小的坑洞，可能是因为材料中的不均匀性或制造过程中的缺陷导致的。
裂缝：即精烧制品表面出现细小的裂缝，可能由于材料的过度收缩、温度变化或制造过程中的不均匀性引起。
颜色不均匀：即精烧制品表面颜色分布不均匀，可能是由于材料成分差异、温度梯度或烧结不均匀性引起。
异物：即精烧制品表面附着异物，可能是在制造、处理或运输过程中引入的。
划痕：即精烧制品表面出现划痕，可能是在制造、处理或使用过程中引起的。
水痕：即精烧制品表面出现水痕，可能是由于制造过程中的水分残留或后续处理阶段引起的。
粗糙度不均匀：即精烧制品表面的粗糙度分布不均匀，可能由于材料性质或烧结过程中的不均匀性导致。
其中，不可修复类型包括：气泡、坑洞、裂缝、颜色不均匀和异物；
可修复类型包括：划痕、水痕、粗糙度不均匀。
作为上述技术方案的进一步描述：所述瑕疵种类识别模型的训练方法为：
收集历史精烧制品各个可视角度的灰度图像，灰度图像为具有瑕疵种类对应的图案，并对灰度图像的瑕疵种类设置标签，即标签为瑕疵种类，将灰度图像以及与灰度图像对应的标签构成一组训练数据，将X组训练数据构成样本集，X为大于1的整数，将样本集划分为训练集与测试集；将训练集中的灰度图像作为瑕疵种类识别模型的输入，将训练集中的标签作为瑕疵种类识别模型的输出，对瑕疵种类识别模型进行训练，得到初始瑕疵种类识别模型，以最小化预测误差之和为训练目标，利用测试集对初始瑕疵种类识别模型进行评测，将预测误差之和达到收敛时的初始瑕疵种类识别模型作为构建的瑕疵种类识别模型；
所述瑕疵种类识别模型是深度神经网络模型或深度信念网络模型中的任意一个。
作为上述技术方案的进一步描述：所述瑕疵修复系数的表达式为：
；
其中，为瑕疵修复系数，/>为划痕面积，/>为水痕面积，/>为粗糙度不均匀面积，/>为待检测精烧制品的表面积，/>、/>、/>和/>为权重系数，/>、/>、/>和/>均大于零。
作为上述技术方案的进一步描述：所述判定生成瑕疵修复指令或放弃修复指令的方法为：
预设瑕疵修复系数阈值为XFyz；
当≥XFyz时，则生成放弃修复指令；
当＜XFyz时，则生成瑕疵修复指令。
作为上述技术方案的进一步描述：所述瑕疵标记种类对应的面积的生成方法为：通过瑕疵种类识别模型对提取图像进行瑕疵种类识别，将属于同一种瑕疵种类的提取图像建立一个集合，获取集合中每个提取图像的面积，得到该瑕疵种类对应的面积。
示例的，将单个待检测精烧制品所获得的所有提取图像输入到瑕疵种类识别模型对提取图像进行瑕疵种类识别，获取属于划痕这一瑕疵种类的所有提取图像，并计算提取图像的面积，获得划痕这一瑕疵种类对应的面积，即为划痕面积，获取属于水痕这一瑕疵种类的所有提取图像，并计算提取图像的面积，获得水痕这一瑕疵种类对应的面积，即为水痕面积，获取属于粗糙度不均匀这一瑕疵种类的所有提取图像，并计算提取图像的面积，获得粗糙度不均匀这一瑕疵种类对应的面积，即为粗糙度不均匀面积。
作为上述技术方案的进一步描述：所述采集待检测精烧制品的表面积的方法包括：
使用三维扫描仪对待检测精烧制品进行扫描，生成三维点云数据。这些数据表示瓷器表面的几何形状；
对点云数据进行去噪处理、滤波处理以及数据清理，以确保数据的准确性和可用性；
将点云数据转换为表面的三角网格，这一步骤将点云中的数据连接起来形成表面的三角形，用于后续计算；
利用三角形网格的几何特性，使用海伦公式来计算每个三角形的面积，将所有三角形的面积相加，得到待检测精烧制品的表面积；
其中海伦公式为：
；
式中，S是三角形的半周长，a、b、c是三角形的边长，A为三角形的表面积。
一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的精烧制品表面质量在线检测方法。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现所述的精烧制品表面质量在线检测方法。
与现有技术相比，本发明的有益效果是：
本发明提供的精烧制品表面质量在线检测方法，通过灰度对比分析获取待检测精烧制品的瑕疵位置并获取提取图像，通过深度神经网络模型对提取图像进行瑕疵种类和类型识别，从而实现一次检测，便可以对待检测精烧制品的瑕疵种类和类型进行全面检测，然后通过瑕疵的类型以及瑕疵种类以及瑕疵种类对应的面积，对待检测精烧制品的质量进行全面的分析，实现对报废品、可修复和不可修复进行综合评价，克服传统的精烧制品表面质量在线检测方法，只能判断是否出现瑕疵，无法分析瑕疵的缺陷程度，导致后续还要增设很多工序，对具有瑕疵的精烧制品再进行报废、可修复和不可修复（残次品）检测分析的问题。
附图说明
下面结合附图和实施例对本发明作进一步解释：
图1为本发明提供的精烧制品表面质量在线检测方法的流程图；
图2为本发明中计算机可读存储介质的示意图；
图3为本发明提供的精烧制品表面质量在线检测系统的模块连接图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合。
实施例1
请参阅图1，本发明实施例提供一种技术方案：精烧制品表面质量在线检测方法，包括以下步骤：
利用CCD摄像机，采集待检测精烧制品各个可视角度的图像数据；
对采集的图像数据进行图像处理，判定是否对图像数据中的像素块进行瑕疵标记；
图像处理的方法包括：对采集的图像数据进行灰度处理，获取图像数据中每个像素块的灰度值，并标记为实时灰度值，以及获取正常精烧制品表面的图像数据，得到标准图像数据中每个像素块的灰度值，并标记为标准灰度值，将图像数据中每块实时灰度值与标准图像数据中相同位置的标准灰度值比对分析，判断是否对像素块进行瑕疵标记；
提取具有瑕疵标记的像素块，将具有瑕疵标记的像素块在图像数据中的位置，映射到空白背景图层中，以获得具有瑕疵标记的像素块构成的提取图案；
将提取图案输入训练完成的瑕疵种类识别模型中，获取提取图案的瑕疵种类；
根据瑕疵种类确定瑕疵类型，其中瑕疵类型包括可修复类型和不可修复类型；
根据不可修复类型生成报废品指令，当一个图像数据中有可修复类型和不可修复类型时，默认为不可修复类型；
根据可修复类型，获取瑕疵标记种类以及该瑕疵标记种类对应的面积，采集待检测精烧制品的表面积，计算生成瑕疵修复系数，判定生成瑕疵修复指令或放弃修复指令；
瑕疵标记种类即瑕疵标记的瑕疵种类。
判定是否对图像数据中的像素块进行瑕疵标记的方法为：
预设灰度差值阈值，所述灰度差值阈值由本领域技术人员根据大量实验确定；
当时，则对相应的像素块进行瑕疵标记；
当时，则不对相应的像素块进行瑕疵标记；
其中，为实时灰度值，/>为标准灰度值，/>为灰度差值阈值。
瑕疵种类包括：气泡、坑洞、裂缝、颜色不均匀、异物、划痕、水痕、粗糙度不均匀；
其中，不可修复类型包括：气泡、坑洞、裂缝、颜色不均匀和异物；
可修复类型包括：划痕、水痕、粗糙度不均匀。
瑕疵种类识别模型的训练方法为：
收集历史精烧制品各个可视角度的灰度图像，灰度图像为具有瑕疵种类对应的图案，并对灰度图像的瑕疵种类设置标签，即标签为瑕疵种类，将灰度图像以及与灰度图像对应的标签构成一组训练数据，将X组训练数据构成样本集，X为大于1的整数，将样本集划分为训练集与测试集；将训练集中的灰度图像作为瑕疵种类识别模型的输入，将训练集中的标签作为瑕疵种类识别模型的输出，对瑕疵种类识别模型进行训练，得到初始瑕疵种类识别模型，以最小化预测误差之和为训练目标，利用测试集对初始瑕疵种类识别模型进行评测，将预测误差之和达到收敛时的初始瑕疵种类识别模型作为构建的瑕疵种类识别模型；
所述瑕疵种类识别模型是深度神经网络模型或深度信念网络模型中的任意一个。
需要说明的是，机器学习模型中，预测误差的计算公式为：，其中，/>为特征数据（即提取图像）的编号，/>为预测误差，/>为第/>组特征数据对应的预测的状态值，状态值即为瑕疵种类，/>为第/>组训练数据对应的实际的状态值。
瑕疵修复系数的表达式为：
；
其中，为瑕疵修复系数，/>为划痕面积，/>为水痕面积，/>为粗糙度不均匀面积，/>为待检测精烧制品的表面积，/>、/>、/>和/>为权重系数，/>、/>、/>和/>均大于零。
需要说明的是，权重系数的大小是为了将各个数据进行量化得到的一个具体的数值，便于后续比较，关于权重系数的大小，取决于综合参数的多少及本领域技术人员对每一组综合参数初步设定对应的权重系数；
其中，瑕疵修复系数越大证明待检测精烧制品的表面缺陷越严重。
判定生成瑕疵修复指令或放弃修复指令的方法为：
预设瑕疵修复系数阈值为XFyz；
当≥XFyz时，则生成放弃修复指令；
当＜XFyz时，则生成瑕疵修复指令。
需要说明的是，瑕疵修复系数阈值为判断精烧制品是能否修复的依据，瑕疵修复系数阈值由本领域技术人员根据具体应用需求确定。
瑕疵标记种类对应的面积的生成方法为：通过瑕疵种类识别模型对提取图像进行瑕疵种类识别，将属于同一种瑕疵种类的提取图像建立一个集合，获取集合中每个提取图像的面积，得到该瑕疵种类对应的面积。
示例的，将单个待检测精烧制品所获得的所有提取图像输入到瑕疵种类识别模型对提取图像进行瑕疵种类识别，获取属于划痕这一瑕疵种类的所有提取图像，并计算提取图像的面积，获得划痕这一瑕疵种类对应的面积，即为划痕面积，获取属于水痕这一瑕疵种类的所有提取图像，并计算提取图像的面积，获得水痕这一瑕疵种类对应的面积，即为水痕面积，获取属于粗糙度不均匀这一瑕疵种类的所有提取图像，并计算提取图像的面积，获得粗糙度不均匀这一瑕疵种类对应的面积，即为粗糙度不均匀面积。
采集待检测精烧制品的表面积的方法包括：
使用三维扫描仪对待检测精烧制品进行扫描，生成三维点云数据。这些数据表示瓷器表面的几何形状；
对点云数据进行去噪处理、滤波处理以及数据清理，以确保数据的准确性和可用性；
将点云数据转换为表面的三角网格，这一步骤将点云中的数据连接起来形成表面的三角形，用于后续计算；
利用三角形网格的几何特性，使用海伦公式来计算每个三角形的面积，将所有三角形的面积相加，得到待检测精烧制品的表面积；
其中海伦公式为：
；
式中，S是三角形的半周长，a、b、c是三角形的边长，A为三角形的表面积。
需要说明的是，点云数据转换为表面的三角网格，可以使用三角网格生成算法，例如Delaunay三角化算法，即首先创建三角网格，根据三角化后的连接关系，生成表面的三角网格，每个三角形由三个顶点组成，进行额外的优化和修复步骤，以确保生成的三角网格具有高质量，优化和修复包括平滑处理、拓扑修复和边界处理等，然后输出网格数据，即将生成的三角网格数据保存为常见的三维模型格式，例如STL（Stereolithography）、OBJ（Wavefront Object）等，以便后续的计算和可视化。
使用海伦公式来计算每个三角形的面积，则不需要采集三角形的高度，通过三角形的边长便可以直接计算获得该三角形的面积。
实施例2
参照图3，精烧制品表面质量在线检测系统，其基于所述的精烧制品表面质量在线检测方法实现，包括：
图像采集模块，采集待检测精烧制品各个可视角度的图像数据；
图像处理模块，对采集的图像数据进行灰度处理，获取图像数据中每个像素块的灰度值，并标记为实时灰度值，以及获取正常精烧制品表面的图像数据，得到标准图像数据中每个像素块的灰度值，并标记为标准灰度值，将图像数据中每块实时灰度值与标准图像数据中相同位置的标准灰度值比对分析，判定是否对图像数据中的像素块进行瑕疵标记；
提取图像生成模块，提取具有瑕疵标记的像素块，将具有瑕疵标记的像素块在图像数据中的位置，映射到空白背景图层中，以获得具有瑕疵标记的像素块构成的提取图案；
瑕疵种类识别模块，将提取图案输入训练完成的瑕疵种类识别模型中，获取提取图案的瑕疵种类；
瑕疵类型识别模块，根据瑕疵种类确定瑕疵类型，其中瑕疵类型包括可修复类型和不可修复类型；
数据分析模块，根据不可修复类型生成报废品指令，当一个图像数据中有可修复类型和不可修复类型时，默认为不可修复类型，根据可修复类型，获取瑕疵标记种类以及该瑕疵标记种类对应的面积，采集待检测精烧制品的表面积，计算生成瑕疵修复系数，判定生成瑕疵修复指令或放弃修复指令。
实施例3
一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的精烧制品表面质量在线检测方法。
由于本实施例所介绍的电子设备为实施本申请实施例中精烧制品表面质量在线检测方法所采用的电子设备，故而基于本申请实施例中所介绍的精烧制品表面质量在线检测方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中精烧制品表面质量在线检测方法所采用的电子设备，都属于本申请所保护的范围。
实施例4
请参阅图2，一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现所述的精烧制品表面质量在线检测方法。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中的描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.精烧制品表面质量在线检测方法，其特征在于：包括以下步骤：
利用CCD摄像机，采集待检测精烧制品各个可视角度的图像数据；
对采集的图像数据进行图像处理，判定是否对图像数据中的像素块进行瑕疵标记；
提取具有瑕疵标记的像素块，将具有瑕疵标记的像素块在图像数据中的位置，映射到空白背景图层中，以获得具有瑕疵标记的像素块构成的提取图案；
将提取图案输入训练完成的瑕疵种类识别模型中，获取提取图案的瑕疵种类；
根据瑕疵种类确定瑕疵类型，其中瑕疵类型包括可修复类型和不可修复类型；
图像处理的方法包括：
对采集的图像数据进行灰度处理，获取图像数据中每个像素块的灰度值，并标记为实时灰度值，以及获取正常精烧制品表面的图像数据，得到标准图像数据中每个像素块的灰度值，并标记为标准灰度值，将图像数据中每块实时灰度值与标准图像数据中相同位置的标准灰度值比对分析，判断是否对像素块进行瑕疵标记；
根据不可修复类型生成报废品指令，当一个图像数据中有可修复类型和不可修复类型时，默认为不可修复类型；
根据可修复类型，获取瑕疵标记种类以及该瑕疵标记种类对应的面积，采集待检测精烧制品的表面积，计算生成瑕疵修复系数，判定生成瑕疵修复指令或放弃修复指令；
瑕疵标记种类即瑕疵标记的瑕疵种类。
2.根据权利要求1所述的精烧制品表面质量在线检测方法，其特征在于，所述判定是否对图像数据中的像素块进行瑕疵标记的方法为：
预设灰度差值阈值；
当时，则对相应的像素块进行瑕疵标记；
当时，则不对相应的像素块进行瑕疵标记；
其中，为实时灰度值，/>为标准灰度值，/>为灰度差值阈值。
3.根据权利要求2所述的精烧制品表面质量在线检测方法，其特征在于，所述瑕疵种类包括：气泡、坑洞、裂缝、颜色不均匀、异物、划痕、水痕、粗糙度不均匀；
其中，不可修复类型包括：气泡、坑洞、裂缝、颜色不均匀和异物；
可修复类型包括：划痕、水痕、粗糙度不均匀。
4.根据权利要求3所述的精烧制品表面质量在线检测方法，其特征在于，所述瑕疵种类识别模型的训练方法为：
收集历史精烧制品各个可视角度的灰度图像，灰度图像为具有瑕疵种类对应的图案，并对灰度图像的瑕疵种类设置标签，即标签为瑕疵种类，将灰度图像以及与灰度图像对应的标签构成一组训练数据，将X组训练数据构成样本集，X为大于1的整数，将样本集划分为训练集与测试集；将训练集中的灰度图像作为瑕疵种类识别模型的输入，将训练集中的标签作为瑕疵种类识别模型的输出，对瑕疵种类识别模型进行训练，得到初始瑕疵种类识别模型，以最小化预测误差之和为训练目标，利用测试集对初始瑕疵种类识别模型进行评测，将预测误差之和达到收敛时的初始瑕疵种类识别模型作为构建的瑕疵种类识别模型；
所述瑕疵种类识别模型是深度神经网络模型。
5.根据权利要求4所述的精烧制品表面质量在线检测方法，其特征在于，所述瑕疵修复系数的表达式为：
；
其中，为瑕疵修复系数，/>为划痕面积，/>为水痕面积，/>为粗糙度不均匀面积，/>为待检测精烧制品的表面积，/>、/>、/>和/>为权重系数，/>、/>、/>和/>均大于零。
6.根据权利要求5所述的精烧制品表面质量在线检测方法，其特征在于，所述判定生成瑕疵修复指令或放弃修复指令的方法为：
预设瑕疵修复系数阈值为XFyz；
当≥XFyz时，则生成放弃修复指令；
当＜XFyz时，则生成瑕疵修复指令。
7.根据权利要求6所述的精烧制品表面质量在线检测方法，其特征在于，所述瑕疵标记种类对应的面积的生成方法为：通过瑕疵种类识别模型对提取图像进行瑕疵种类识别，将属于同一种瑕疵种类的提取图像建立一个集合，获取集合中每个提取图像的面积，得到该瑕疵种类对应的面积。
8.根据权利要求7所述的精烧制品表面质量在线检测方法，其特征在于，所述采集待检测精烧制品的表面积的方法包括：
使用三维扫描仪对待检测精烧制品进行扫描，生成三维点云数据；
对点云数据进行去噪处理、滤波处理以及数据清理；
将点云数据转换为表面的三角网格；
利用三角形网格的几何特性，使用海伦公式来计算每个三角形的面积，将所有三角形的面积相加，得到待检测精烧制品的表面积；
其中海伦公式为：
；
式中，S是三角形的半周长，a、b、c是三角形的边长，A为三角形的表面积。
9.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8任一项所述的精烧制品表面质量在线检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现权利要求1至8任一项所述的精烧制品表面质量在线检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410290510.0A CN117890389B (zh) | 2024-03-14 | 2024-03-14 | 精烧制品表面质量在线检测方法、设备及其存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410290510.0A CN117890389B (zh) | 2024-03-14 | 2024-03-14 | 精烧制品表面质量在线检测方法、设备及其存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117890389A true CN117890389A (zh) | 2024-04-16 |
| CN117890389B CN117890389B (zh) | 2024-05-24 |
Family
ID=90639763
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410290510.0A Active CN117890389B (zh) | 2024-03-14 | 2024-03-14 | 精烧制品表面质量在线检测方法、设备及其存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117890389B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101832951A (zh) * | 2010-05-11 | 2010-09-15 | 中国计量学院 | 基于机器视觉系统的pvc圆形管材表面瑕疵在线检测方法 |
| CN110889837A (zh) * | 2019-11-25 | 2020-03-17 | 东华大学 | 一种具有瑕疵分级功能的布匹瑕疵检测方法 |
| CN110940676A (zh) * | 2019-10-22 | 2020-03-31 | 佛山市南海天富科技有限公司 | 基于圆筒织布机的瑕疵检测方法及系统 |
| CN111275705A (zh) * | 2020-02-28 | 2020-06-12 | 中科视语(北京)科技有限公司 | 智能验布方法、装置、电子设备及存储介质 |
| CN111340798A (zh) * | 2020-03-16 | 2020-06-26 | 浙江一木智能科技有限公司 | 深度学习在产品外观瑕疵检测中的应用 |
| CN111862064A (zh) * | 2020-07-28 | 2020-10-30 | 桂林电子科技大学 | 一种基于深度学习的银质丝材表面瑕疵识别方法 |
| WO2021082923A1 (zh) * | 2019-10-28 | 2021-05-06 | 上海悦易网络信息技术有限公司 | 一种电子设备屏幕区域瑕疵检测方法与设备 |
| CN113240626A (zh) * | 2021-04-08 | 2021-08-10 | 西安电子科技大学 | 一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法 |
| CN115082590A (zh) * | 2022-07-04 | 2022-09-20 | 上海致景信息科技有限公司 | 一种坯布瑕疵显示方法、系统、计算机设备、及存储介质 |
| CN116106319A (zh) * | 2023-02-14 | 2023-05-12 | 浙江迈沐智能科技有限公司 | 一种合成革瑕疵自动化检测方法及系统 |
| CN117347382A (zh) * | 2023-10-27 | 2024-01-05 | 珠海诚锋电子科技有限公司 | 一种晶圆检测瑕疵检测装置及方法 |
| CN117635565A (zh) * | 2023-11-29 | 2024-03-01 | 珠海诚锋电子科技有限公司 | 一种基于图像识别的半导体表面缺陷检测系统 |
-
2024
- 2024-03-14 CN CN202410290510.0A patent/CN117890389B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101832951A (zh) * | 2010-05-11 | 2010-09-15 | 中国计量学院 | 基于机器视觉系统的pvc圆形管材表面瑕疵在线检测方法 |
| CN110940676A (zh) * | 2019-10-22 | 2020-03-31 | 佛山市南海天富科技有限公司 | 基于圆筒织布机的瑕疵检测方法及系统 |
| WO2021082923A1 (zh) * | 2019-10-28 | 2021-05-06 | 上海悦易网络信息技术有限公司 | 一种电子设备屏幕区域瑕疵检测方法与设备 |
| CN110889837A (zh) * | 2019-11-25 | 2020-03-17 | 东华大学 | 一种具有瑕疵分级功能的布匹瑕疵检测方法 |
| CN111275705A (zh) * | 2020-02-28 | 2020-06-12 | 中科视语(北京)科技有限公司 | 智能验布方法、装置、电子设备及存储介质 |
| CN111340798A (zh) * | 2020-03-16 | 2020-06-26 | 浙江一木智能科技有限公司 | 深度学习在产品外观瑕疵检测中的应用 |
| CN111862064A (zh) * | 2020-07-28 | 2020-10-30 | 桂林电子科技大学 | 一种基于深度学习的银质丝材表面瑕疵识别方法 |
| CN113240626A (zh) * | 2021-04-08 | 2021-08-10 | 西安电子科技大学 | 一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法 |
| CN115082590A (zh) * | 2022-07-04 | 2022-09-20 | 上海致景信息科技有限公司 | 一种坯布瑕疵显示方法、系统、计算机设备、及存储介质 |
| CN116106319A (zh) * | 2023-02-14 | 2023-05-12 | 浙江迈沐智能科技有限公司 | 一种合成革瑕疵自动化检测方法及系统 |
| CN117347382A (zh) * | 2023-10-27 | 2024-01-05 | 珠海诚锋电子科技有限公司 | 一种晶圆检测瑕疵检测装置及方法 |
| CN117635565A (zh) * | 2023-11-29 | 2024-03-01 | 珠海诚锋电子科技有限公司 | 一种基于图像识别的半导体表面缺陷检测系统 |
Non-Patent Citations (1)
| Title |
|---|
| 徐胜勇;黄伟军;周俊;许卓群;吴太晖;樊一尘;: "使用Kinect传感器的油菜叶片面积测量方法", 中国油料作物学报, vol. 39, no. 01, 3 March 2017 (2017-03-03), pages 55 - 59 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117890389B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106934800B (zh) | 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置 | |
| Rimkus et al. | Processing digital images for crack localization in reinforced concrete members | |
| CN104483330A (zh) | 混凝土表面裂缝实时监测系统与开裂风险的动态评估方法 | |
| CN109685793B (zh) | 一种基于三维点云数据的管身缺陷检测方法及系统 | |
| CN102529019B (zh) | 一种模具检测、保护及零件检测、摘取的方法 | |
| CN110223267A (zh) | 基于高度直方图分割的耐火砖深度缺陷的识别方法 | |
| CN108571928A (zh) | 一种基于机器视觉的夹片锚具尺寸缺陷检测方法 | |
| CN110441305B (zh) | 一种二次喷丸的表面覆盖率检验方法 | |
| CN111127417B (zh) | 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法 | |
| US11410298B2 (en) | System and method for determining part damage | |
| CN113222937A (zh) | 一种核燃料芯块外观周面缺陷的检测方法及检测装置 | |
| CN111899230A (zh) | 基于钢铸坯低倍组织三维特征的质量量化及自动多级评判方法 | |
| CN113237889A (zh) | 一种多尺度的陶瓷检测方法及系统 | |
| Guerra et al. | Standard quantification and measurement of damages through features characterization of surface imperfections on 3D models: an application on Architectural Heritages | |
| CN110864671B (zh) | 基于线结构光拟合平面的机器人重复定位精度测量方法 | |
| CN117890389B (zh) | 精烧制品表面质量在线检测方法、设备及其存储介质 | |
| CN114565314A (zh) | 一种基于数字孪生的热轧钢卷端面质量管控系统及方法 | |
| CN117162225B (zh) | 一种混凝土预制构件脱模成型方法及系统 | |
| Güldür Erkal et al. | Automated geometric imperfection detection and quantification of CFS members from point clouds | |
| CN108765391A (zh) | 一种基于深度学习的平板玻璃异物影像分析方法 | |
| CN115578429B (zh) | 一种基于点云数据的模具在线精度检测方法 | |
| CN116740060A (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 | |
| CN113793321B (zh) | 基于机器视觉的铸件表面缺陷动态检测方法及装置 | |
| CN114486732B (zh) | 一种基于线扫描三维的瓷砖缺陷在线检测方法 | |
| Min et al. | Abnormal detection and classification in i-ceramic images |
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 |