重轨多曲面轮廓表面视觉成像优化研究

为了获取重轨表面缺陷视觉检测系统中光源的最佳入射角度,保障原始图像的品质,简化图像后续处理,结合了重轨多曲面多平面的表面轮廓特点,推导出了曲面视觉检测中光源对成像的影响,研究了重轨曲面视觉光学传递规律,设计了重轨表面光照角度优化实验,给出了基于图像清晰度的重轨表面图像综合评价方法,并对结果图像进行了综合评价,得出了重轨踏面、轨头底面和轨底顶面的光源入射角度评价曲线。该实验可获得重轨视觉检测系统中光源的最佳入射角度,为检测系统的搭建与光源角度配置提供了理论依据。     

重轨弧面缺陷图像光照不均校正方法研究

为了校正重轨弧面缺陷图像在视觉检测过程中造成的光照不均现象,为后续缺陷特征提取与识别排除干扰,分析了重轨弧面图像光照不均现象产生的原因,研究了光照不均图像校正的三种方法,即直方图均衡化、同态滤波法和Mask匀光法,并针对重轨弧面缺陷图像进行了光照不均校正实验,并对结果进行了定性分析,同时,引入图像灰度均值、熵值和均方误差三个指标对三种方法校正结果进行了定量分析对比。实验结果表明,Mask匀光法校正后的图像灰度分布均匀,且亮度适中,为重轨弧面缺陷图像光照不均的校正提供了理论依据。     

基于机器视觉的重轨表面缺陷检测系统的研究

针对目前几种常用的重轨缺陷检测方法检测速度慢、精度低等问题,提出一种基于机器视觉的重轨表面缺陷检测系统的设计方法.针对重轨表面常见缺陷种类,根据实验情况对该检测系统的硬件系统进行详细设计.并分别对重轨表面字符和缺陷采用信息定位和模式识别实现图像识别,使重轨缺陷和重轨号等字符信息的相应关系达到自动判别,从而实现缺陷检测的目的.     

基于光度立体学的金属板带表面微小缺陷在线检测方法

高品质金属板带对于表面质量的要求非常严格,不允许存在一些微小的缺陷,现有的基于机器视觉的表面在线检测系统很难检测到微小缺陷.采用光度立体学的原理,利用两幅不同光照角度的灰度图像获得表面法向的方法检测表面微小缺陷.彩色三线阵电荷耦合元件(Charge-coupled device,CCD)摄像机安装在垂直于金属板带方向上,一台红光光源和一台蓝光光源对称安装在摄像机两侧.摄像机采集到的彩色图像可分离出R、G、B通道图像,其中R、B通道图像分别为红色、蓝色光源的反射光图像.表面倾角法可通过R、B通道图像计算表面倾角分布图,并根据表面倾角分布图检测微小缺陷.通过试验验证该方法可检测直径为0.1 mm的孔洞.讨论在一套检测装置中实现微小缺陷与常规缺陷同步检测的方案.在红光、蓝光两种光源基础上增加一台绿光光源,与摄像机形成介于明暗场的照明方式,可通过摄像机分离出的G通道图像检测金属板带表面的常规缺陷.     

集箱管接头内焊缝表面缺陷识别方法研究

针对集箱管接头内焊缝表面缺陷自动检测需要,进行了基于计算机视觉的集箱管接头内焊缝表面缺陷自动识别方法研究。分析了不同焊缝图像的纹理特征,从焊缝图像的灰度共生矩阵中提取出15种可用于焊缝表面缺陷状态表征的特征参数。在此基础上,研究将BP神经网络应用于焊缝表面缺陷自动识别中。分析了灰度共生矩阵的步长、灰度级、神经网络的结构参数及输入特征参数的数量和种类对焊缝图像识别效果的影响,优化出最佳的识别参数。在以上研究基础上,利用优化后的神经网络对内窥镜获得的不同焊接质量的焊缝图像进行了训练和识别。结果表明,提出的基于图像纹理的神经网络识别系统可以很好实现集箱管接头内焊缝焊接状态的自动评价,整体识别率达91%。研究工作为集箱管接头内焊缝焊接质量自动检测做了有益的探索。     

基于机器视觉的铁芯表面缺陷检测系统研究

E型铁芯是某公司自动化生产线上的重要零件之一,加工过程中主要存在表面切割不平整,表面裂纹和几何形状扭曲3种缺陷。为此,文中提出了基于机器视觉的表面缺陷在线检测方法。由于检测目标质地为黑色,本系统采用白色材料做背景增加对比度;利用CCD摄像机和环形LED光源组成采集系统的前端,通过千兆网口将图像传输至计算机;然后采用边缘检测结合阈值分割提取感兴趣区域,最后主要利用灰度分析结合Douglas-Peucker算法完成特征提取和缺陷分类。实验结果表明,该系统能快速对铁芯表面缺陷进行识别与检测,缺陷识别率达到98.25%,达到预期检测目标。     

基于机器视觉的小磁瓦表面微缺陷检测方法研究

针对小磁瓦成像不清晰、检测难度大、对比度低、纹理背景复杂、亮度不均匀、缺陷区域小及缺陷种类多等问题,提出了一种小磁瓦表面微缺陷的视觉检测方法。首先,根据小磁瓦弧形表面、倒角及缺陷区域对成像的影响,通过分析了小磁瓦表面图像中缺陷区域与正常区域的灰度、灰度梯度及缺陷形态的差异,将其表面缺陷类型划分为3类;其次,根据3类表面缺陷的成像特点、缺陷形态特征及与背景区域的关系,分别设计了相应的缺陷提取方法;最后,在不同的光照、规格、缺陷类型等条件下,利用开发的实验装置进行了实验分析。研究结果表明:提出的小磁瓦表面微缺陷提取算法稳定性好、鲁棒性强,能够准确、快速地提取小磁瓦表面中的缺陷区域,检测准确率可达93. 5%。     

基于机器视觉的玻璃缺陷检测

随着科学技术的进步,高端显示屏产品对平板玻璃的质量要求越来越高,玻璃的表面缺陷检测技术也因此备受关注。传统的人眼检测方法工作量大且准确率低,已经无法满足生产实际要求。研究了一种基于机器视觉的玻璃质量检测系统,采用先进的CCD成像技术和背光式照明获取图像,用MATLAB图像处理工具箱对采集到的图像进行灰度值化、滤波降噪和阈值分割处理,实现对缺陷区域的特征提取和识别。最后用BP神经网络对玻璃表面的三种缺陷进行分类,该神经网络识别的平均误差率为9.84%,表明此检测方法具有一定的应用价值。     

重轨图像增强与边缘提取的关键技术

针对重轨图像两个边缘像素特征不一致,传统边缘算子检测法难以精确提取边缘的问题,提出了一种新的边缘提取方法.该方法利用灰度强对比度拉伸算法对重轨表面和背景进行差异化拉伸增强边缘信息,削弱背景信息.运用最大方差比算法选取增强后图像的最佳阈值实现二值化.最后,运用递归连通域标识法定位边缘像素坐标,完成图像分割.对随机选取的30幅图像进行分析表明:处理后的图像边缘灰度特征明显增强,有效地抑制了表面纹理及虚假边缘.重轨表面像素宽度波动减少到-0.64％～0.34％.离散预处理算法通过遍历寄存器全局数组,减少分割时间至10.165 s.该方法在抗干扰性、准确性及时效性等方面优于传统边缘算子检测法,适用于在线工业检测系统.     

列车滚子轴承表面缺陷机器视觉检测方法研究

针对列车滚子轴承内圈外表面缺陷人工检测方法的不足,提出了一种基于机器视觉的表面缺陷检测方法,通过对缺陷图像的处理和分析,快速、准确地实现了轴承表面缺陷的分类识别.这里使用工业内窥镜进行轴承图像的获取,通过对图像的灰度直方图分析,判断其是否为缺陷轴承;对缺陷图像分别进行二值化处理、形态学滤波和图像标记,以准确获得图像的缺...     

基于机器视觉的钢球表面缺陷检测和分类

在分析钢球表面光学反射特性的基础上,构建了采用球积分光源与0.5×远心镜头组成的钢球表面缺陷图像检测平台,解决了钢球表面成像难度较高的问题.根据钢球表面图像的特征,利用分段线性灰度增强算法和边界跟踪实现了对钢球表面微小缺陷的分割和区域分类,并结合基于灰度共生矩阵的综合熵作为判定钢球表面是否存在缺陷的依据.最后利用矩形相似度与圆形相似度之比、角度等特征实现了缺陷分类器模型的建立,很好地解决了钢球表面缺陷的分类与识别.试验结果表明,该模型对钢球表面5类缺陷的识别率均可达到90％以上,并能很好进行分类,模型在1 600×1 200图像分辨率下,算法耗时小于80 ms,可以满足工业检测对算法实时性的要求.     

基于机器视觉的浮空器囊体材料表面缺陷检测系统

在复杂气象环境下,浮空器囊体作为整机系统的直接受压面,其表面必须平整光滑,无褶皱损伤,以将其与空气的摩擦力降至最小。文中基于机器视觉对浮空器囊体材料表面缺陷检测进行系统设计。首先为了降低背景灰度变化对缺陷检测的影响,研究了一种同时具有噪声滤除与图像增强功能的预处理算法;其次利用图像二值化和中值滤波技术实现特征图像的预处理,并结合纹理特征提取技术（基于灰度共生矩阵）对囊体材料表面不同缺陷图像的特征参数进行仿真提取,通过分析不同特征参数,判断囊体材料的表面缺陷类型。该系统对采集到的200个囊体材料表面缺陷样本的分析表明,所用方法能识别浮空器囊体材料93.6%的表面缺陷,识别内容包括缺陷的类型、位置、大小等,并根据缺陷的类型加盖不同的标记。该系统具有较高的识别率和准确率,可对浮空器囊体材料表面缺陷进行快速检测。     

HSI颜色空间下的直线导轨表面缺陷检测方法

为解决直线导轨表面微小缺陷受背景纹理影响、无法准确检测的问题,提出了一种HSI颜色空间下的直线导轨表面缺陷视觉检测方法。将直线导轨表面图像由RGB空间转换到HSI空间,得到色调、饱和度和亮度的分量图;采用主成分分析法对各分量图像进行降维,建立混合灰度模型;利用粒子群算法优化其相应的加权系数;通过阈值分割完成缺陷检测。实验及计算结果表明,相比RGB空间的缺陷提取,该方法能准确检测出常见的直线导轨表面四种类型缺陷。     

基于机器视觉的太阳能电池片缺陷检测算法综述

太阳能电池片（Photovoltaic, PV）表面缺陷检测是光伏组件生产中不可或缺的流程。基于机器视觉的自动缺陷检测方法因其高精度、实时性、低成本等优点得到了广泛应用。本文综述了基于机器视觉的太阳能电池片表面缺陷检测方法的研究进展。首先,阐述了太阳能电池片表面成像方式,列举了典型缺陷类型。然后重点分析了基于传统机器视觉算法及基于深度学习算法进行太阳能电池片表面缺陷检测的原理。将传统机器视觉算法分为图像域分析法、变换域分析法进行综述;从无监督学习、有监督学习和弱监督及半监督学习三个方面分别概述了近几年来基于深度学习的太阳能电池片表面缺陷检测的研究现状。对太阳能电池片表面缺陷检测各种典型方法进一步细分归类和对比分析,总结了每种方法的优缺点。随后,介绍了9种太阳能电池片表面缺陷图像数据集及缺陷检测性能评价指标。最后,系统总结了太阳能电池片缺陷检测常见的关键问题及其解决方法,对太阳能电池片表面缺陷检测的未来发展趋势进行了展望。     

基于图像灰度梯度特征的钢轨表面缺陷检测

利用机器视觉技术检测钢轨表面缺陷时,检测结果的准确性易受光照变化、钢轨表面反射不均和锈迹等因素的影响。为此,提出了基于图像灰度梯度特征的钢轨表面缺陷检测方法。首先,在设计钢轨表面缺陷检测装置的基础上,分析了钢轨图像中不同区域的灰度和梯度特征;然后,基于双边滤波思想设计了背景平滑滤波器,利用局部灰度和梯度变化信息自适应调整不同特征区域的平滑程度,对原图像平滑得到背景图像;最后,将原图像与背景图像差分,通过对差分图像阈值分割并利用连通区域标记法,实现钢轨表面缺陷检测。实验结果表明,该方法可以在凸显图像缺陷部分的同时,有效减弱光照变化、钢轨表面反射不均和锈迹的影响,对不同轨道环境下的疤痕和裂纹缺陷均取得了较好的检测效果,缺陷漏检率和误检率分别为5.79%和6.84%,具有一定的实用价值。     

交变/旋转磁场下焊接缺陷磁光成像检测与分类

针对任意角度焊接缺陷难以检测的问题,研究在不同磁场激励下焊接缺陷磁光成像无损检测系统。重点介绍了由U形磁轭产生的交变磁场和平面交叉磁轭产生的旋转磁场激励焊件的机理,比较了交变/旋转磁场激励下不同焊接缺陷的磁光成像效果。基于法拉第旋转效应分析磁光成像特性与磁场强度之间的关系,磁光图像的灰度值可以匹配相应的漏磁场强度。采用主成分分析法提取融合图像列像素灰度特征和通过灰度共生矩阵提取磁光图像纹理特征,建立BP神经网络模型和支持向量机模型识别这些缺陷特征。试验结果表明,在旋转磁场激励下,BP神经网络模型和支持向量机模型的分类精度分别为94.1%和98.6%,相比交变磁场,分类精度分别提高了10.7%和8.5%。旋转磁场激励下的磁光成像克服了定向检测的局限性,能够实现对任意角度焊接缺陷的检测及分类。     

CCD图像灰度与照度的转换标定方法

本文提出了一种基于CCD摄像机利用图像灰度获得实际照度的新方法,该方法适用于摄像机的任意曝光和增益参数,且考虑了摄像机安装位置和角度对测量的影响。CCD摄像机照度测量法的实际应用主要涉及两个过程:一是标定过程,即应用CCD摄像机进行照度测量前,标定CCD图像灰度与照度之间的转换参数和转换模型;二是照度测量过程,即通过CCD摄像机拍摄图像,将图像灰度代入已定的转换模型,获得测量对象的照度值。其中,灰度与照度转换模型的标定是利用CCD摄像机实现照度测量的基础和关键,文中主要讨论了该模型的推导过程以及标定方法。具体为:首先通过理论推导获得图像灰度与CCD传感器感应的相对辐照度的关系,然后借助以均匀光源搭建的实验系统标定CCD传感器相对辐照度与物面实际照度之间的关系,进而获得图像灰度与物面实际照度的转换关系。在转换过程中讨论了曝光时间、增益以及CCD相机与照度测量点之间的距离和角度对转换模型的影响,为CCD摄像机照度测量法的实际应用奠定了基础。实验结果表明本测量及标定方法适用于摄像机任意曝光和增益条件,经过本方法标定后,应用CCD摄像机进行照度测量,测量结果的相对误差在4.5%以内。     

基于成像光线空间追踪的摄像机标定方法研究

摄像机测量模型和标定方法是视觉测量的关键,直接影响视觉测量系统的测量精度。针对这个问题,借鉴非成像模型的摄像机校准的思想,提出了基于成像光线追踪的摄像机标定方法。分析测量点经摄像机镜头成像的规律,通过空间直线确定摄像机图像坐标与测量空间的映射关系。使用像平面和两个空间平面的映射关系,建立空间直线表达方式,完成基于成像追踪方法的摄像机测量参数标定。通过噪声分析和精度测量实验对基于成像追踪的摄像机标定方法进行精度验证,实验结果表明该方法可以有效抑制标定数据噪声对测量结果的影响,提高摄像机标定精度。     

平板玻璃低对比度表面缺陷检测研究

针对玻璃深加工过程中产生的低对比度表面缺陷,提出了一种基于机器视觉的检测识别算法。首先采用灰度形态学顶帽变换,补偿非均匀照明对图像的影响,其次通过Otsu’s最佳全局阈值分割,获取含缺陷的二值图像,然后设计了一种连通区域分析算法来优化低对比度表面缺陷特征。实验结果表明,该算法可以准确、快速地实现微型平板玻璃低对比度表面缺陷的识别,在一定程度上满足微型平板玻璃表面缺陷自动检测需求。     

钢板表面缺陷图像分割效果评价方法

针对钢板表面缺陷图像检测中的分割结果,提出一种分割结果评价方法。采用像素离散度、区域重合度和缺陷区域面积作为评价参数,对分割结果进行评价。利用原始钢板表面缺陷图像作为样本,对K-mean分割法、区域增长分割法和改进的视觉注意机制分割法的分割结果提取三个参数,通过三个参数进行对比评价,评价结果与视觉感受效果一致。