基于机器视觉的油封缺陷在线检测系统研究

为了实现油封缺陷在线快速检测代替传统的人工目检,提高检测精度与效率,开发了基于机器视觉的油封缺陷在线检测系统。该系统包括油封在线检测的机械传动系统(工件传送带、工位交换机械手、辅助工件旋转检测台和检测轮盘),电气控制系统,面向油封生产线的图像获取装置,油封缺陷检测软件系统等。实验检测结果证明,该检测系统能够在线完成产品缺陷检测,检出率达98%,具有实时性好、效率高、生产通用性强等优点。     

基于深度学习的油封缺陷检测方法研究

在传统的油封缺陷检测中,存在油封表面质量缺陷尺寸小、人工检测效率低、漏检错检率高、成本高等问题,为此,以油封缺陷为研究对象,提出了一种基于深度学习Faster R-CNN框架的多尺度特征融合的改进算法。首先,构建了油封缺陷检测系统,采集了油封缺陷图像,经扩增及标注等预处理后制作了数据集;然后,研究了油封缺陷尺寸较小导致的识别精度低问题,设计了Faster R-CNN网络基于FPN+ResNet50框架进行特征多尺度融合改进的方法;最后,采用了预训练参数送入改进的Faster R-CNN网络模型,并对油封缺陷数据集进行深度训练的方法,进行了油封缺陷的检测实验。研究结果表明：该模型的检测精确度和速度综合性能优于固有的Faster R-CNN网络模型,划痕、毛刺和凹缺的检测精确度分别达到0.96、0.95和0.97,召回率分别达到0.89、0.88和0.91,mAP可达85.5%,高于改进前模型1.4%,识别速度可达16 fps,高于油封生产速度;该检测方法可以满足油封缺陷的检测要求。     

基于机器视觉的笔芯球珠表面缺陷检测系统研究

针对笔芯球珠表面缺陷检测识别问题,设计并实现了基于机器视觉的笔芯球珠表面缺陷检测系统。笔芯球珠在球面展开机构作用下,通过图像采集模块获取5张可以完全覆盖整个球面的图像。通过对每幅图像进行缺陷图像提取后,采用基于轮廓角点匹配的方法实现对每幅图像中缺陷图像的拼接;基于提取的有效特征组合通过KNN分类算法对完整的缺陷图像进行缺陷识别。试验结果表明,该方法能够对笔芯球珠表面缺陷进行精确有效的检测与识别。     

机器视觉在网片缺陷检测与分类中的应用

针对网片缺陷传统人工检测方法误检率高、劳动强度大等问题,应用机器视觉技术,提出了一种网片缺陷在线检测及分类方法。首先通过工业相机获取网片图像,应用中值滤波和图像二值化方法实现对网片图像的预处理。通过分析缺陷特征,提出了基于特征点的网片缺陷检测方法,在检测出缺陷的同时能对网片三种缺陷类型进行预分类。根据网片缺陷类型的不同,通过计算缺陷区域的灰度共生矩阵并提取4个特征参数,运用BP神经网络对网片缺陷进行分类。实验表明,使用本方法分类网片缺陷类型能满足工业要求。     

基于图像处理技术的铸坯表面缺陷自动检测系统的研究

针对目前国内铸坯表面缺陷检测方法落后、检测效率低的情况,应用图像处理技术,设计了铸坯表面缺陷自动检测系统方案.研究了适合高温高辐射条件下的图像采集方案和算法,采用基于BP神经网络的模式识别方法对铸坯表面缺陷图像进行识别与分类,能够有效地提高铸坯质量管理.     

基于机器视觉的齿轮端面缺陷检测方法

为了更好的识别齿轮端面在加工过程中所出现的表面缺陷,本文提出了一种基于机器视觉的齿轮端面缺陷检测方法,该方法将会通过对齿轮端面图像的预处理及识别过程,对端面上缺陷的存在性及缺陷类型进行快速且准确的识别。同时,为了实现检测方法所需的图像多分类任务,本文对一般的支持向量机分类算法进行了改进,同时,利用多线程编程方法加速了对缺陷图像的分类过程。最后,本文还通过控制单元实现了对不同类型缺陷的识别反馈。经图像分类测试,本文所述的缺陷检测方法对本文所涉及的工件表面缺陷图像的识别准确率可达100%。     

基于SVM的玻璃瓶缺陷分类算法研究

针对玻璃瓶质量检测系统缺陷分类难的问题,选取气泡、结石、裂纹、污点、皱纹这五种常见的缺陷作为分类目标,从研究每种缺陷的图像特征入手,提出了七个统计特征作为分类器的输入特征向量,根据该分类问题的特点构建SVM分类器,采用现场采集的缺陷图像样本对SVM分类器进行训练和测试。实验结果表明:设计的SVM分类器识别率较高,适合玻璃瓶缺陷图像分类。     

小模数蜗杆外观缺陷的识别与分类

小模数蜗杆表面缺陷种类多,缺陷形状及尺寸大小差异较大,目前大多采用人工检测,效率较低。本文研发了一套基于机器视觉的检测系统,采用线阵相机扫描蜗杆圆周获得其表面图像,通过图像分割和形态学处理得到蜗杆缺陷形态。根据缺陷特点选取9种不同特征参数,使用高斯核函数建立支持向量机分类模型,实现了蜗杆缺陷的自动化检测,同时对其缺陷进行分类。试验结果表明,该方法检测准确率高,对工业生产中蜗杆表面质量评价具有实用价值。     

基于LVQ的带钢表面缺陷分类研究

简要介绍了带钢表面缺陷二级检测的方法.研究了基于缺陷图像直方图、纹理、投影和形状的特征提取.提出了用LvQ神经网络进行缺陷分类的方法.分类测试表明该方法有较好的分类识别性能.     

基于Halcon的电连接器壳体缺陷检测系统设计

针对当前电连接器壳体缺陷检测过程中存在的问题,提出了一种基于Halcon开发的电连接器壳体缺陷检测系统的设计方案,实现了电连接器壳体的检测功能。首先利用相机采集电连接器壳体的图像;将采集到的图像利用基于Halcon的图像处理程序进行滤波、图像增强、分割等处理,得到每一个缺陷区域的图像;最后利用高斯混合分类器对每个缺陷的图像进行分类,识别壳体存在的缺陷。实验表明,系统检测准确率在100%,该方法与传统检测方法相比,具有较高的准确率和效率,为电连接器壳体的无损检测提供了新的途径。