凸轮轴凸轮表面缺陷检测与诊断方法的研究

凸轮轴是高速运转的复杂轴类零件,是发动机五大核心部件之一。由于凸轮异形,在智能制造中采用视觉检测技术时,其磨削后凸轮面反光,对检测系统的设计带来挑战。本研究提出一种凸轮视觉检测方法,利用拍摄凸轮图片进行阈值二值化,提取凸轮轮廓,得到凸轮表面选定区域,再进行缺陷轮廓提取,得到缺陷轮廓,对表面缺陷的大小和周长进行筛选后实现缺陷的分类。同时还探讨视觉检测CPS数据模型融入凸轮轴智能制造大系统的方案。     

基于机器视觉的手机壳表面划痕缺陷检测

为解决手机壳表面缺陷检测采用人工目测法,检测效率低且漏检率高的问题,采用基于机器视觉的手机壳表面缺陷检测方法,实现产品缺陷的自动化检测。该检测算法采用八方向的各向异性高斯方向导数滤波器对图像进行卷积滤波,并做归一化处理;利用滤波结果图的直方图确定自适应阈值,并进行阈值分割;对图像进行细化后通过划痕缺陷长度特征进行缺陷的提取。实验结果表明,该划痕缺陷检测算法能够实现长度0.5 mm以上的划痕缺陷的准确检测,检测效率高,满足企业的实际需求。     

基于加工纹理平均方向的表面缺陷检测

针对机加工零件表面划痕缺陷高精度、高效率的检测要求,提出了一种基于零件表面加工纹理平均方向的检测方案。利用零件图像与其均值模糊图像生成差分图像,采用阈值和形态学方法获得强化的纹理;采用最小外接矩形从中提取主干纹理,利用统计方法和两次平均方法计算纹理的主方向,利用纹理的方向偏差检出异常纹理。实验结果表明,该方案能实现单组平面光源下的复杂缺陷检出,检测效率高、准确率高,满足工业检测的要求。     

基于图像角点匹配的机械加工零件表面缺陷检测

当前在对机械加工零件表面缺陷检测时,存在表面缺陷检测精度差的问题,导致检测结果不理想。提出一种基于图像角点匹配的机械加工零件表面缺陷检测方法,利用曲率空间检测零件图像的角点,采用泰勒级数删除伪角点。对特征点邻域梯度方向进行角度限度和就近投影,同时借助双向匹配方法进行机械加工零件图像角点匹配。在上述操作的基础上,利用一维直方图的阈值分割对零件图像进行分割处理,最终实现机械加工零件表面缺陷检测。实验结果表明,该方法能够获取高精度的零件表面缺陷检测结果,且对加工零件缺陷厚度、孔洞缺陷及缺陷最大边界距离的测量均较为准确。     

一种深度学习的工件柔性检测方法

随着人工智能与制造业深度融合,制造过程的智能化必然对工件检测提出了更高的要求.为了提高工件检测的准确率和普适性,这里在研究深度学习相关理论的基础上,提出了一种基于深度学习工件检测方法.首先,对深度学习主流的模型结构YOLO与Faster-RCNN检测算法进行分析,构建基于深度学习的工件检测模型;然后,针对深度学习检测模型结构存在的问题,提出了API-MASK算法,优化了工件检测模型;在此基础上,采用深度学习框架Tensorflow对工件定位、分类及表面缺陷检测.实验表明,推荐的工件检测方法不仅具有较高的准确率,而且有较强的检测适应性,为工件柔性检测提供了一种途径.     

基于机器视觉的机械加工零件表面微缺陷检测方法

为提高微缺陷检测结果精度、提升机械加工零件外观质量，该文引进了机器视觉技术，以某机械生产制造单位为例，设计了一种针对零件表面微缺陷的全新检测方法。根据机器视觉技术的应用需求，搭建了集成工业相机、采集装置、照射光源等为一体的扫描装置，采集零件表面图像；对采集的原始图像进行均值滤波处理，去除图像中可能对缺陷区域的判别造成干扰的因素与噪声；采用阈值分割的方式，提取并划分机械加工零件表面的微缺陷区域；采用提取图像边缘算子的方法，计算零件表面原始图像与待检测图像之间的像素相关性，通过对零件表面微缺陷灰度性质点的匹配，完成检测方法的设计。通过对比实验证明：该方法不仅可以精准检测机械加工零件表面微缺陷，还可以检测到具体的缺陷类别。     

改进YOLOv5的镜头固定槽表面缺陷检测

针对手机镜头固定槽表面缺陷过小导致自动化质检平台难以检测的问题，提出改进YOLOv5的镜头固定槽表面缺陷检测算法实现。在图片预处理阶段使用有效的数据增强策略来平衡不同类别样本的分布；在FPN中添加融合因子控制特征图融合时深层传递到浅层的信息，得到含有更多小目标信息的多尺度特征图；使用K-means算法得到更适合本数据集的先验框数量和大小。通过采集的镜头固定槽表面缺陷数据集评估本算法的性能，并和基线算法YOLOv5进行对比分析。实验结果表明，改进的算法对小目标缺陷拥有更好的检测效果，并且对各类缺陷均能实现准确分类定位，平均精度均值（mAP）达到92.70%，满足智能制造自动化生产的需求。     

基于机器视觉和改进形态学边缘检测算法的钢球缺陷检测技术研究

为提高钢球表面缺陷检测的效率和准确性,设计一种基于机器视觉的钢球表面缺陷分拣系统。对钢球表面图像进行图像分割、平滑去噪和二值化预处理,获取钢球表面图像的准确信息,并采用改进的中值滤波算法去除噪声;利用小波变换和多尺度形态学融合算法进行钢球表面缺陷的边缘检测;通过该融合算法和其他算法的检测结果对比和客观数据评价,验证了本文所提算法能够有效保留图像真实细节,并满足钢球分拣系统的需求。     

基于边缘检测的零件轮廓识别系统开发

针对工业流水线检测中存在的成本大、检测效率低的问题,将轮廓检测技术应用到工业流水线检测中,基于边缘检测方法的基本原理,提出了一种基于边缘检测的零件轮廓识别方法。该方法首先使用Canny边缘检测算法来提取出零件的边缘,并在此基础上进一步提取出零件轮廓的相关特征,最后通过与待检测的零件轮廓特征相比较,从而实现对零件的识别检测;为了验证设计方法的正确性,本文搭建了一套零件轮廓识别系统,并使用工业零件来测试该系统的性能。研究结果表明:该系统能够快速、准确地识别目标零件,满足工业流水线检测的需求。     

面向智能制造的不规则零件排样优化算法

以智能工厂应用场景为例,为提高广泛应用于智能制造领域的二维不规则件的排样性能,提出了基于启发式和蚁群的不规则件排样优化算法.首先提取不规则件的几何特征,对零件进行组合操作预处理,使两个或多个不规则零件组合为矩形件或近似矩形件并对其包络矩形,然后利用蚁群学习算法对预处理后的零件进行排样,确定零件排放的最佳位置,不断更新得到最优排样结果.仿真实验结果表明,综合考虑板材利用率以及耗时情况,所提算法取得了较好的结果,能够满足实际生产的需求.     

基于改进 Canny 算子的锂电池极片表面缺陷检测

针对目前锂电池极片表面存在低对比度微小缺陷难以检测的问题,提出了一种基于改进Canny算子的锂电池极片表面缺陷检测方法。首先,使用双边滤波改善高斯滤波在降噪时可能造成的图像边缘模糊问题,并在此基础上引入多尺度细节增强算法来增强低对比度图像;其次,基于Sobel算子的3×3梯度模板计算极片图像的梯度幅值和梯度方向;最后,基于最大熵和Otsu算法自动获取图像的高、低阈值,通过逻辑与运算对两种算法阈值分割后的检测结果进行边缘融合,并利用形态学闭运算和细化算法修复不连续边缘,得到最终检测边缘。实验结果表明,传统Canny算子和Otsu-Canny算法难以有效检测不同类型的暗斑、露箔和划痕缺陷,而本文算法对这些缺陷均取得了较好的检测效果,能够在突出目标缺陷区域的同时,有效减少同色度背景噪声,正确检测率达98%,具有一定实用价值。     

一种改进YOLOv4-tiny的带钢表面缺陷实时检测方法

带钢表面缺陷检测是生产过程智能检测的重要任务。针对目前带钢表面缺陷检测算法效率低、实时性差的问题,本文提出了基于卷积神经网络的轻量级目标检测器。该方法以YOLOv4-tiny模型为框架,针对带钢表面缺陷检测任务的特殊性,结合了多尺度检测与空间注意力机制的优化策略,在保证检测效率的同时提高了轻量级目标检测器的精度。实验证明,所提出的改进的YOLOv4-tiny模型能够精确地检测带钢表面缺陷,平均均值精度mAP(mean Average precision)为73.29%,并且每秒帧数FPS (Frames per second)达到163,满足实际工业落地的实时性要求。     

基于优化Faster R-CNN算法的金属板材表面缺陷检测

传统的图像处理方法对生产过程中各种金属板材表面缺陷检测效率低,难以满足工业生产的需求。为了提高金属板材表面缺陷检测的精度,文章提出了一种基于优化Faster R-CNN算法的金属板材表面缺陷检测方法,以残差网络ResNet50作为主干特征提取网络。首先,融合特征金字塔网络和可变形卷积网络以提高对小目标和不规则性缺陷的检测能力。然后,采用RoI Align和K-means++聚类算法对候选框进行优化,实现缺陷的精准定位。最后,将提出的模型运用在NEU-DET数据集中进行多次实验。实验结果表明,优化后的Faster R-CNN算法在此数据集上的mAP为78.7%,与原始网络相比提高了7.7%,并且其检测性能优于SSD、YOLOv5s和YOLOv7三类目标检测算法。     

基于峭度表征的接触网吊弦缺陷检测算法

高铁的飞速发展使其基础设施的在线智能维保技术需求更加迫切,其中包括基于机器视觉技术实现高铁吊弦结构的缺陷检测.在预处理后使用深度学习目标检测的SSD算法学习大量数据中需要定位的吊弦线夹位置,并在校正后使用SVM学习这些数据的"相对峭度"阈值.通过实验数据评估定位准确性并根据学习到的"相对峭度"阈值判断每个吊弦的受力状态,检出吊弦严重缺陷,实验结果验证了该方法的有效性.     

基于机器视觉与YOLO算法的马铃薯表面缺陷检测

针对马铃薯表面缺陷检测快速准确的需求,提出一种基于机器视觉与YOLO算法的马铃薯表面缺陷检测方法.应用这一方法,构建马铃薯表面缺陷图片数据集,对原始数据集进行图像增广;通过二分K均值聚类算法进行目标框聚类分析,采用分步训练方式优化学习权重.试验结果表明,所提出的基于机器视觉与YOLO算法的马铃薯表面缺陷检测方法可以有效实现马铃薯表面缺陷的快速、准确检测,平均识别精度达到99.46％,对腐烂、发芽、机械损失、虫眼、病斑检测的精度均高于98％,单幅图片识别时间约为29 ms.     

基于人工神经网络的零件表面加工方案决策方法研究

零件表面加工方案的选择是一个多因素约束的逻辑推理过程，需要大量工艺知识支持，基于规则和基于框架的知识表达方法，在知识量大的情况下，存在效率低和推理效率低的缺陷，本文建立了基于人工神经网络的零件形面加工方案决策模型，设计了学习样本，用BP算法对网络进行训练，把一系列推理规则转化为网络权值，应用训练好的网络生成零件形面加工方法甸。     

金属表面缺陷检测的改进YOLOv3算法研究

针对现有的金属表面缺陷检测方法存在着检测效率低、适用范围受限、处理步骤繁琐等缺陷,提出了基于改进型YOLOv3算法的实时缺陷检测方法。该方法将采集到的图片分为N×N个格子,每个格子用来检测缺陷的中心点是否在格子中,利用特征金字塔与残差层融合特征的方式对图片中的缺陷进行定位,得到多个缺陷的边界框,使用非极大抑制的方法筛选出得分最高的边界框。为了提高检测效果,在输入端对图像进行直方图均衡化,并基于缺陷权重优化了算法中的损失函数以提高缺陷分类的准确性。最后,利用改进型YOLOv3算法对钢板表面的压痕与划痕进行了实验检测,结果显示该方法可以快速、准确检测出钢材表面的压痕与划痕,精度分别为92%和90%。     

电机铜排表面毛刺缺陷检测技术研究

为了提高应用于工业环境下的大型电机转子导线的铜排毛刺检测精度和效率,针对铜排工件毛刺检测存在光学照明不均、毛刺种类繁多、检测识别率不高等问题,提出了一种基于电机铜排毛刺生长区域的缺陷特征提取方法。设计了由硬件模块和图像处理模块组成的毛刺缺陷自动识别系统。在各类毛刺特征分析的基础上,通过基于掩膜的图像优化算法得到待检测铜排标准图像;利用形态学算法构造出图像待检测区域并分割;最后提取缺陷特征并通过毛刺分类算法和针对各类毛刺的阈值去噪方案得到毛刺的判决结果,实现铜排毛刺的自动检测。实验结果显示,算法能快速准确地检测出毛刺缺陷,对铜排加工过程中产生的毛刺具有较高的鲁棒性,检出率接近98%,漏检率为0%,误检率为1.471%,能够满足工业检测的要求。     

全局阈值自适应的高亮金属表面缺陷识别新方法

高反射类零部件在其生产及后期处理过程中,可能会产生划痕、擦伤等表面缺陷,严重影响产品的使用性能和寿命。该类零件表面具有镜面反光特性,易导致检测过程中缺陷目标的漏检、错检。针对这类问题,基于数字图像处理技术,提出一种具备全局阈值自适应调整的高亮表面缺陷识别新方法。首先,构造利用空域和值域信息的滤波方式对原始图像进行处理,保护目标边缘信息;其次,以高斯函数的一阶导数构建Canny最优边缘检测器,结合全局阈值最大类间方差法和形态学图像分割法,完成图像分割以及相应阈值的自适应调整,实现对缺陷目标的识别。实验结果验证了算法的有效性及可靠性,能够在排除高光影响的基础上有效地识别缺陷目标,对高亮金属表面缺陷识别具有重要意义。     

基于OCR的智能电表缺陷检测系统北大核心CSCD

智能电表外观检测是智能电表检定流水线中重要环节,传统检定方法主要依靠人工,不仅费时而且误检率高。由于真实含缺陷样本数量稀少,无法构建数据充足的缺陷样本数据集,因此文中基于OCR检测正常字符,对未通过检测的字符进行缺陷检测。首先利用自建数据集训练一个能检测电气符号的OCR模型,并对每一类电表建立一个标准模板。针对文字检测漏检问题提出了通过模板信息与文字检测结果求取遗漏的待检测区域算法。针对缺陷检测容易误检漏检等问题设计了一个多维度缺陷检测算法。实验结果表明:设计的文本区域分割算法切分准确率能达到100%,OCR识别准确率为96.4%,缺陷检测准确率为98.3%,在RTX3060显卡条件下平均检测速度为0.524 s/张。所设计的方法满足工业检定流水线的检测精度与检测速度需求。