轴承端面缺陷的视觉检测方法

针对轴承端面缺陷的在线检测要求及传统人工检测方法的不足,提出了一种基于机器视觉检测技术的轴承端面缺陷检测方法,能够通过对轴承端面图像的处理与分析,快速、准确地实现轴承端面缺陷的识别。首先使用CCD数字摄像机作为图像传感器进行图像采集;然后通过二值化处理、边缘检测处理对图像进行快速定位与分割;最后采用8连通域标记法进行缺陷识别。试验表明:该系统运行稳定,运算速度快,抗噪能力强,实时性好,可有效检测出轴承端面缺陷。     

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。     

基于图像配准的晶圆表面缺陷检测

设计了一种基于图像配准技术的晶圆表面缺陷自动检测系统,满足目前对晶圆生产中良率的需求。通过SURF (Speeded Up Robust Features)图像配准算法实现待测晶圆图像和标准晶圆图像的空间位置上的匹配。同时对晶圆表面常见的缺陷类型进行分析和研究,采用缺陷轮廓特征提取的方法进行缺陷分类,并对缺陷类型进行相应的标记,实现晶圆表面缺陷的自动检测和识别。     

基于图像高频增强的塑料齿轮黑点缺陷高精度检测方法

针对现有塑料齿轮端面黑点缺陷检测方法存在对较小黑点识别困难、误检和检测精度不足等问题,提出一种基于图像高频增强的塑料齿轮黑点缺陷高精度检测方法。对塑料齿轮图像的高低频信息进行提取与分离,再将高频信息乘以一定系数与低频信息线性叠加,实现图像高频部分的增强,从而使齿轮黑点更加突出;利用引导滤波进行降噪处理,将与黑点一同增强的其他无关信息(如纹理、噪声等)进行滤除或模糊,避免造成误检;使用LoG＿Blob算法对处理后的图像进行斑点检测,进而获取齿轮黑点信息。实验结果表明,该方法能有效提升塑料齿轮黑点缺陷检测的精度。     

图像处理在医用纱布表面缺陷检测中的应用

针对医用纱布表面缺陷的特点,研究缺陷检测算法。运用迭代算法对图像进行预处理,有效地去除噪声对图像的影响。采用了一种特殊的图像分割方法即基于数学形态学的分割技术对图像进行边缘检测及分割,保证了边缘检测的连续性,能够分割出完整的缺陷目标图像。利用提取的纱布表面缺陷图像中的形态学特征对缺陷进行分类,实现纱布表面破洞、缺经、断纬等缺陷的识别目的。通过MATLAB软件对一些医用纱布图像进行测试,验证了该方法的可行性和准确率。     

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...     

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。     

基于磁光成像的低碳钢WAAM成形件表面缺陷检测与分类

针对电弧增材制造(WAAM)成形件表面及亚表面微小缺陷难以检测和识别的问题,结合图像纹理特征和神经网络提出一种基于磁光成像的无损检测方法,实现低碳钢WAAM成形件表面微小缺陷检测和分类。首先对二次表面精加工后的WAAM成形件进行磁化,并使用磁光成像仪获取成形件表面磁光图像作为试验样本,然后对磁光图像进行预处理,用灰度共生矩阵提取每幅图像的能量、熵、对比度和相关性纹理特征,对比分析无缺陷、熔合不良、凹陷和裂纹4种WAAM成形件表面质量纹理特征,最后通过建立的LMBP神经网络模型对成形件表面质量进行分类预测。试验预测结果表明,WAAM成形件表面缺陷检出率为97.33%,表面质量分类准确率可达91.33%,验证了所提方法能够有效检测和识别低碳钢WAAM成形件表面微小缺陷。     

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。     

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。     

木材表面图像的缺陷分割与类型识别方法

为了识别死节、活节、虫眼三种木材表面缺陷,采用Gabor变换和模糊C均值聚类进行缺陷分割;采用数学形态学运算对分割图像进行了后处理;获取了木材缺陷区域的12维频率能量参数和2维几何形状参数;用支持向量机进行木材表面缺陷类型的识别。采用Gabor变换和模糊C均值聚类方法对死节、活节、虫眼三种木材表面缺陷的分割精度都达到94%以上,支持向量机对缺陷类型分类正确率达到93%以上,这说明本文的方法对木材表面缺陷的分割与识别是可行的。     

基于Halcon的齿轮缺陷检测系统设计

针对当前齿轮缺陷检测过程中存在的问题,提出了一种基于Halcon软件开发的齿轮缺陷检测系统的设计方案,实现了测量系统中图像采集与显示、图像处理及运行控制等功能。首先控制转盘运行并利用CCD摄像机实时采集齿轮图像;然后进行图像预处理并对图像进行自动阈值化分割,获得齿轮的中心坐标和轮廓信息;最后基于形态学方法分析各个齿的尺寸并从中识别齿轮存在的缺陷。实验表明,该系统具有较高的测量精度和测量效率,能够满足实际生产的需要,为齿轮无损在线测量提供了新的途径。     

基于机器视觉的轴承套圈检测系统

设计了一套轴承套圈缺陷检测系统,以替代效率低、成本高的人工检测。首先,由线阵相机采集轴承套圈内外表面图像,经过图像扭曲矫正后进行分段处理,结合区域提取方法检测套圈的边缘缺陷;其次,通过对比原图与均值图的差异,快速凸显出表面是否存在缺陷;然后,采用面阵相机采集轴承套圈上下端面图像。通过对图像进行滤波及二值化、相机和镜头的标定、形态学去除内壁和大小径边缘提取等步骤,达到尺寸检测、分类的目的。     

基于树莓派的齿轮表面缺陷检测系统设计北大核心CSCD

针对齿轮缺陷人工检测错误率高、效率低的问题,研发了基于树莓派的齿轮表面缺陷检测系统。系统以树莓派、工业相机、光电传感器和剔除装置为硬件平台,搭载开发的系统检测软件,完成齿轮表面缺陷检测与剔除任务。通过CCD工业相机在线采集齿轮图像信息,通过提出的基于HSV空间的LBP特征加权融合提取方法提取图像纹理特征,通过VGG16算法对特征进行裂纹、脏污、断齿等缺陷的分类,根据分类信息由树莓派GPIO引脚控制剔除装置去除缺陷齿轮。经过实验验证,系统剔除准确率达到94.50%,平均速度为1 435 ms/次。其硬件设备体积较小、成本较低、便于维护与管理,易于安装与推广至生产线环境。     

基于谱分析的脉冲涡流缺陷3D分类识别技术

脉冲涡流检测技术是一种快速发展的无损检测方法,而相应的缺陷分类识别是缺陷检测与评估中的关键步骤之一。本文首先对脉冲涡流检测技术进行了频谱分析,得出下表面缺陷主要影响低频成分,而表面缺陷同时影响低频成分与高频成分的结论;其次,设计了脉冲涡流矩形传感器和腐蚀型缺陷模拟试件;最后,在对上下表面的缺陷分别进行频域分析的基础上,提出了选择3个特定频率点的幅值作为特征量对缺陷进行3D分类识别的方法。实验结果证明本文所提出的方法可对3 mm铝板上下表面腐蚀缺陷进行有效的分类识别。     

基于微分几何的柔性电路板图像区域识别方法

目前柔性电路板(FPC)的表面缺陷检测方案大多缺少对轮廓进行分类这一步骤,而直接对特定区域如镀通孔、线路部位进行缺陷检测,难以直接应用到实际生产中。为解决这一问题,提出一种能有效提取柔性电路板表面轮廓并进行特定区域识别分类的方法。在该方法中,为精确地提取FPC图像整体轮廓,并有效过滤掉图像前景和背景相互夹杂的部分,针对FPC表面图像光照不均匀以及斑点杂质较多的问题,采用区域生长法提取图像轮廓,并利用中心邻域灰度法来消除欠生长的问题;为有效地识别图像不同区域的轮廓类型,利用双向差分法来计算图像轮廓的离散曲率,利用陆地移动距离(EMD)来评价各个轮廓的曲率特征与模板轮廓的区别,实现了FPC图像特定区域的识别。     

基于BP神经网络的钢球表面缺陷识别

采用灰度共生矩阵为基础的纹理特征计算方法,对钢球表面图像进行特征参数提取,应用基于BP神经网络的图像特征模式识别方法,实现了对钢球表面不同种类缺陷的准确识别,实验结果表明,该方法能够对钢球表面缺陷进行有效地分类识别。     

箱梁结构件焊缝表面缺陷特征提取及分类研究

针对箱梁结构件焊缝表面缺陷分类识别过程中的在线特征提取及实时性等问题,在二维主成分分析(2DPCA)的基础上提出了一种基于泛化的增量式2DPCA(GI2DPCA)的特征提取算法。首先,对获取的箱梁结构件焊缝表面图像进行图像增强、图像平滑和阈值分割等预处理,实现了焊缝缺陷区域的有效信息提取,建立了焊缝缺陷数据库;然后,利用所提出的GI2DPCA算法对数据库中的焊缝图像提取其特征主元,并通过BP神经网络进行缺陷分类识别;最后,在建立的焊缝缺陷数据库上进行了算法性能的对比实验,并在ORL人脸数据库上对所提算法的通用性进行了验证。结果表明, GI2DPCA+BP神经网络算法的提取及分类速度可达36 fps,识别率达到97%,能够满足箱梁结构件焊缝表面缺陷检测的工程应用及实时性处理需求。     

基于YOLOv3的轴表面荧光磁粉缺陷检测

在荧光磁粉缺陷检测中,为快速有效地对金属轴上的点状、线型以及摩擦型缺陷进行分类检测,引入了深度学习技术,并与图像处理技术结合设计了一种改进型金属轴表面缺陷检测系统,克服了传统识别方式人工选定处理区域的局限性。利用基于YOLOv3算法的神经网络模型,对CCD相机获取的轴表面图像数据集进行训练和测试,对不同缺陷进行精确目标识别;采用图像处理技术对识别的目标进行缺陷定量分析。实验结果表明:该方法对不同缺陷类型能进行有效识别,在检测精度与检测效率上具有较高的提升。     

基于区域筛选分割和随机森林的人造板表面缺陷识别

连续压机生产线的普及使我国人造板企业实现自动化生产,但缺陷检测环节仍依靠人工。缺陷识别是检测的一个重要环节,是根据缺陷的特征值使用分类器对缺陷进行分类的过程。在连续压机生产线以1.5m/s的速度运行,生产线上两块人造板的间距小于0.4m,缺陷识别必须在3s之内完成,且识别正确率要达到95%。为了满足人造板缺陷识别的实时性、准确性的要求,提出基于随机森林(random forest,RF)的分类方法。首先通过区域筛选分割的方法提取缺陷纹理、形状特征;再次利用上述提取出的特征值用CART算法构建RF;最后利用RF分类。本研究证明基于RF算法的分类器用于人造板表面缺陷在线识别的可行性和优势,能够实现人造板表面缺陷的快速、准确识别,满足人造板缺陷在线检测系统的需求。