精冲件轮廓缺陷在线检测技术北大核心CSCD

为提高平板厚板型精冲件的轮廓检测速度与精度,基于机器视觉技术,研究了一种轮廓缺陷在线检测技术。利用Canny算子从均值偏移滤波后图像中提取边缘线,然后根据标准轮廓(模板)的尺寸,从中挑选出需要检测的轮廓。由于待检测轮廓与模板存在角度与位移偏差等问题,提出了一种先角度配准、再位置配准的两步图像配准算法,将配准后的待检轮廓与模板进行图形比对,差异图像经过形态学滤波等算法处理,获得缺陷区域的尺寸及位置,由此实现精冲件的在线检测。基于研究成果设计开发了一套零件在线检测系统,并进行了实验验证。结果表明,该系统能够识别的零件精度达0.4 mm,每件的识别时间小于0.3 s,完全能够满足大批量精冲零件的轮廓缺陷在线检测的需求。     

基于机器视觉的异形弹簧快速缺陷检测方法研究

为实现异形弹簧的尺寸和变形缺陷在线检测,基于机器视觉设计一套零件快速定位、测量和缺陷检测的方法.详细论述图像处理算法,即图像预处理、图像定位、尺寸测量和变形缺陷检测算法等.基于形状的模板匹配对零件进行定位,通过创建测量矩形完成对零件的尺寸测量.基于微分和自身对照的思想,对零件易变形区域进行微分,通过对比微分的小区域,实...     

基于视觉的薄壁金属管端部质量检测技术研究

针对一类薄壁金属管端部倒角后表面缺陷和尺寸检测要求,提出了一套基于视觉的检测方案,利用被测物体表面对光的反射特性,巧妙地获取倒角面清晰图像,运用MIL图像处理库中的不同函数,在VC6.0平台下开发了一套能够检测倒角面各种缺陷(凹坑、划痕、毛刺、切偏等)的视觉检测系统.     

基于视觉定位的轴承在线快速检测系统

利用视觉技术快速灵活的特点,结合激光检测的准确性,针对精密轴承的生产线进行快速定位在线检测。将面阵相机与工业激光传感器相结合,实现轴承在线生产中的质量检测,完成多点位的质量缺陷检测与尺寸加工精度检测。建立一整套自动化检测系统,实现了快速定位、表面缺陷检测与多位置尺寸测量。同时发挥视觉检测与激光检测的优点,实现了高速度、高效率、高精度的在线检测。     

基于机器视觉的工件的在线检测

利用HALCON软件提供的算子对摄像机内、外参数和机器人"手眼"系统进行标定,在此基础上结合视觉检测技术提出了一种工件在线缺陷检测的方法。该方法是根据触发时刻的空间位置来确定抓取时刻工件位置的一种空间相量平移方法,接着利用图像处理软件发出的电信号来控制机械手来完成缺陷工件的动态抓取工作。最后利用C++完成人机界面的设计,经调试可完成实时在线检测、可达到生产要求精度。     

薄片工业件特征在线视觉检测系统研究

以定时器极片检测为背景,研究薄片工业件的尺寸和缺陷特征机器视觉自动检测技术,并开发了相应的在线实时视觉检测系统.利用最大类间方差法计算最佳区域分割阈值,实现了二值化.检测长度、角度及圆度等尺寸特征和双面铁锈等缺陷特征,完成了薄片件的视觉检测.以可编程控制器为核心,设计了不良品的剔除系统,实现了不良品自动分拣.     

表面检测中微小缺陷的识别

在表面缺陷检测中,针对光照不均或有纹理的产品上微小缺陷难于识别的问题,提出了一种新的视觉识别方法.该方法首先计算产品表面图像中每行和每列的灰度标准差,然后根据标准差的相对变化量判别缺陷,并确定缺陷的坐标.实验结果表明,该方法能准确识别和定位产品表面的微小缺陷.     

基于机器视觉的柱形电子元件表面缺陷检测

针对柱形电子元件经常出现的表面缺陷,设计一套基于机器视觉的在线检测系统。在Visual C++平台下,对采集到的图像进行预处理、二值化、位置和角度校正以及差影技术等一系列运算,达到高效地检测零件缺陷的目的。实验结果证明:该系统安全可靠,具有一定的经济效益和发展前景。     

基于视觉的焊接缺陷熔池图像特征探讨

针对MAG焊电弧光谱特点,采用被动式视觉传感方法,利用CCD摄像机配合近红外复合滤光系统消除弧光干扰,获取MAG焊熔池图像.从MAG焊焊接缺陷产生的机理及熔池流态出发,采用同步对比试验,研究了熔池图像特征与焊接缺陷的映射关系,提取出表面气孔、焊塌、焊穿等焊接缺陷所对应的熔池图像特征.结果表明,一种焊接缺陷往往有多种视觉图像特征,通过熔池图像特征判断表面气孔、焊塌、焊穿等焊接缺陷具有良好可行性,为基于视觉的焊接缺陷自动在线预测提供了技术依据.     

一种基于图像展开与拼接的精密轴承表面缺陷光学检测方法

建立一种基于机器视觉的精密轴承表面缺陷光学检测系统。利用图像展开和拼接技术获得轴承侧面完整而又没有重复的二维图像,在此基础上对微小轴承表面缺陷进行检测、缺陷提取和分类。实验结果表明:采用该方法能够快速、高效地检测出微小精密轴承表面大于10μm的缺陷形貌;能够准确地对凹坑、裂纹和划痕缺陷进行分类。     

基于改进BiFPN的微特电机电枢表面缺陷检测方法

针对现有微特电机电枢表面缺陷检测方法存在检测精度不高,特别是对相似性工件容易误判等问题,结合深度学习的方法,提出一种基于改进BiFPN的电枢外观缺陷检测方法。工业相机采集到的电枢图像通过匹配算法经过裁剪得到ROI,将ROI输入到EfficientNet结构,进行基础特征提取;采用通道注意力机制增强改进的BiFPN结构,对提取出的不同维度特征进行融合,并对特征进行筛选;使用分类器输出最终检测结果。结果表明：该电枢外观缺陷检测方法检测准确率优于ResNet和EfficientNet等深度学习检测方法,其检测准确率高达98.42%。研究结果对相似性较大的微特非标工件的检测性能提升有积极意义。     

基于机器视觉的硬质合金微型喷嘴缺陷检测

针对现有人工目检方法对精加工硬质合金微型喷嘴产品表面检测存在速度慢、缺陷漏检率和误检率高等问题,提出一种基于机器视觉的喷嘴图像缺陷检测方法。分析了喷嘴缺陷图像类型和喷嘴结构,重点研究了喷嘴缺损圆边缘拟合、疤料边缘增强、极坐标变换和缺陷灰度值差异统计等。该方法避免了喷嘴的复杂结构对缺陷定位和检测造成的大量计算。通过对合格和不合格喷嘴进行检测,验证了该方法缺陷检测准确率达到98.6%,每件产品检测时间为0.834 s,而目视检测准确率为91.2%,每件产品检测时间为5.213 s。因此该算法有效提高了检测精度和速度,满足工业生产线对喷嘴检测准确性和实时性的要求。     

基于回声状态网络的挖掘机位置在线学习模型控制研究

挖掘机液压系统具有强烈的非线性,现有挖掘机控制普遍采用基于模型的控制方法,需要建立精确的挖掘机模型,成本过高且控制效果差。因此,提出了一种基于回声状态网络的液压挖掘机位置在线学习控制方法,建立了在线学习基本模型,该模型包含2个回声状态网络、1个学习目标的逆和1个基于学习目标逆生成的控制输入,在对其进一步优化后,提出了在线学习优化模型。以正弦信号为参考轨迹,对基础模型和优化模型进行了仿真研究,搭建了挖掘机控制试验装置,分别开展了单关节运动、多关节运动和实际挖掘运动实验,结果表明：采用在线学习控制方法后,挖掘机位置控制精度明显提高,其均方根误差降低占比超过50%,证明了所提出控制方法的性能和可行性     

基于改进Faster R-CNN的航空发动机制件表面缺陷检测算法北大核心

针对现有航空发动机制件缺陷检测所存在的检测准确率低、速度慢等问题,提出一种基于改进Faster R-CNN算法的缺陷检测方法。该算法使用深度残差网络提取缺陷特征,采用含有内容感知重组的特征金字塔模型融合各层次特征图,并根据检测框尺度选取相应层次的特征图进行检测和识别,在RCNN部分使用分层采样实现挖掘难例,增强模型对难例样本的学习。实验结果表明:所提算法具有较高的检测准确率,而且能够有效提升检测速度。     

基于深度学习的工业零件识别与抓取实时检测算法

为了提高工业生产中视觉控制机械臂抓取工业零件的精度和速度，提出一种新的识别工业零件类别和最佳抓取位置的检测算法。运用YOLOv5l目标检测算法对视界中的多种工业零件进行识别，随后将其识别图片传入抓取位置检测算法进行最佳抓取位置的识别。针对抓取位置检测的问题，提出一种改进的神经网络模型，在GG-CNN网络的基础上添加四层残差网络做平层特征提取，增强特征提取的效果。实验结果表明：此算法的识别准确率在95%以上，抓取成功率在90%左右，验证了该算法在多种工业零件和最佳抓取位置识别中具有高准确性和时效性。     

一种基于改进Faster RCNN的金属材料工件表面缺陷检测与实现研究

目的 针对传统检测算法在工件表面缺陷检测上的局限性,以及检测精度不高、准确率较低、检测过程繁琐等问题,提出了一种基于改进RCNN的金属材料工件表面缺陷检测算法。方法 图像预处理过程中,运用了图像缺陷定位标注与图像数据的增强处理的方法。模型训练时为了避免某些分类数据不足,防止因数据集过小导致系统测试模型出现过拟合现象,使用了对原图像进行数据扩增处理。检测网络模型设计时,采用非极大值抑制算法对缺陷图像进行候选区域筛选,构建了区域建议网络,实现网络多层特征的复用和融合,在减少候选区域冗余的基础上提高系统的检测精度。引入多级ROI池化层结构设计算法,消除ROI池化取整而产生的系统偏差,实现高效并准确检测零件表面缺陷的目的。基于ROI-Align算法的原图位置坐标改进,利用双线性插值法获得原图的位置坐标,克服了基于最近邻插值法的ROI-Pooling设计算法带来的像素位置偏移和检测不匹配（misalignment）的问题。结果 设计的检测方法在测试集上,金属材料工件表面目标缺陷检测速度达22 帧/s,准确率达97.36%,召回率达 95.62%。结论 与传统的工件表面检测方法相比,改进的FasterRCNN方法对目标识别与定位处理具有较快的速度与较高的准确度,能在复杂场景条件下,提升工件表面缺陷的检测性能。     

注射制品表面缺陷在线检测与自动识别

基于机器视觉技术的注射制品表面缺陷检测与识别可有效解决人工抽样检测问题,为克服现有缺陷识别算法对于不同的制品需分别进行样本训练、图像质量要求高、可操作性差等难题,在采用图像处理技术对制品表面缺陷进行检测的同时,提出一种基于缺陷区域轮廓、制品轮廓、区域灰度等特征的缺陷自动识别算法,避免了大量制品图像样本的训练过程,提高了可操作性。基于该方法,开发了一套注射制品表面缺陷在线检测与识别系统,试验表明,对短射、飞边、裂纹3种常见表面缺陷的识别率为91.8%。     

基于深度学习的曲面玻璃表面缺陷检测方法

针对曲面玻璃表面缺陷成像难、识别准确率低等问题,提出一种基于YOLOv4的曲面玻璃表面缺陷检测方法。根据光源的方向确定平面与曲面的光学特性,采用明场背面漫射照明的方式来获得图像信息,确立打光方案后获取不同表面的缺陷图片。使用改进K-means聚类算法,采用交并比函数确定锚框的量度,解决原锚框大小不适用于玻璃缺陷小目标检测问题。将所提方法与缺陷检测主流算法对比验证。结果表明：所提改进的YOLOv4方法均值平均精度(mAP)可以达到80.14%,与Faster RCNN以及YOLOv3算法相比,mAP分别提升了8.29%和16.11%,并且有更好的鲁棒性和检测效果。     

基于机器学习的铆接质量数字化检测系统

为实现铆接质量数字化检测和质量追溯,提出基于机器学习的铆接质量数字化检测方法。使用CCD摄像机对铆接部位进行图像采集,然后进行中值滤波、Canny边缘检测、图像形态学处理等,实现铆接部位裂纹检测和特征信息提取。利用改进的粒子群优化最小二乘支持向量机算法建立铆接质量检测模型,并使用检测样本对模型进行检验。对不合格的铆接进行质量追溯,应用专家系统判断产生缺陷的原因。在某型号飞机装配车间对原型系统进行应用验证。结果表明：所设计的系统检测准确率达96%,可提高铆接质量检测效率、统一检测标准、减少工人劳动。     

基于Faster R-CNN算法的列车轴承表面缺陷检测研究

将深度学习Faster R-CNN应用于列车轴承图像的表面缺陷检测。建立人工数据库BSD,通过对图像增广弥补数据不足的缺陷;采用Faster R-CNN算法进行目标检测和识别,卷积神经网络采用ZF Net模型,对BSD数据集训练,得到检测结果;并与传统检测方法Canny算法的检测结果进行比较。试验结果表明:和传统Canny算法比较,基于Faster R-CNN算法的轴承缺陷的检测精度为93.03%、检测时间为0.29 s,相比传统Canny算法检测精度提升21.73%、检测时间减少2.21 s,同时准确率大幅度提高,能够实现轴承表面缺陷的精确检测和识别,满足铁路部门对轴承检修的需求。