基于机器视觉的硅钢钢带表面缺陷自动检测识别研究

硅钢钢带是变压器等工业设备发展的一项重要原材料,其质量的高低直接影响着产品性能的好坏。传统的人工检测具有效率低、精确度差等特点。为此提出基于机器视觉的表面缺陷自动检测研究。该研究采用图像处理及模式匹配的方法,通过对由CCD工业相机采集到的图片进行几何矫正、图像拼接、缺陷处理等过程,实现了硅钢钢带表面缺陷轮廓检测、特征提取、分类等功能,从而完成钢带质量的判定。     

高精度超薄金属钢带表面质量在线检测的研究

物体表面质量的检测在工业领域是众多产品重要检测内容.带钢表面的缺陷已经成为影响钢带表面质量和性能的关键因素.其中带钢表面检测较为典型.提高钢带的表面质量,应首先要解决钢带表面缺陷的检测与缺陷识别分类的问题,然后分析使其缺陷的本因,最后根据分析结果及设备的特性提出改善表面质量的解决方案.本文针对某工业带钢生产系统设计了一套基于CCD的带钢表面质量检测装置,结合图像传感器和单片机技术,对图像处理的结果进行质量分析,精确检测带钢厚度及带钢表面是否有擦划伤、压坑、麻点、层间擦伤等.通过钢带表面质量的检测研究,可以获取大量的钢带表面质量的有用信息,利用图像可以对其表面质量进行可视化的分析,便于使用.为进一步实现钢带表面质量实时检测与控制奠定了基础.     

电梯用曳引媒介检验检测技术研究

以电梯用曳引媒介为主要研究对象,通过分析电梯曳引媒介技术发展现状,总结归纳钢丝绳、复合钢带等曳引媒介在检验检测、损伤识别、性能评价等方面存在的问题。着重讨论钢丝绳检测设备方法的发展和复合钢带检验检测存在的难点。分析认为,钢丝绳无损检测方法可延伸使用至复合钢带的检验检测中。同时,基于钢带电梯的特质,提出一种差分式双磁路的弱磁无损检测方法。今后的课题将进一步研究钢带内部钢丝缺陷弱磁检测理论、钢带内部钢丝缺陷的电磁响应特性和研制差分式双磁路电磁检测传感器,为复合钢带检验检测、安全评估等提供必要的技术支撑。     

基于深度学习的焊缝图像边缘识别相似度检测

在高压天然气输送管线安装和压力容器制造过程中需要大量的焊接操作,射线检测在焊缝缺陷检测中应用广泛。传统人工识别评定缺陷和重复图像的方法,由于工程周期漫长、焊缝图像数量巨大,识别效率低、错误率较高,不能有效保证施工质量,杜绝射线胶片图像造假等问题。针对焊缝探伤图像造假现象,提出基于深度学习的焊缝图像边缘识别相似度检测方法,实现对X射线焊缝图像的特征提取。建立相似度评估方法,计算焊缝图像特征相似度,筛选重复图像;实现自动读取、识别数据库焊缝图像的相关功能;给出基于边缘识别的技术路径和优化算法,建立特征数据库,进行相似度判定。实验结果表明,在一定阈值设定下,该算法对重复图像的识别结果能达到92.3%。     

基于图像配准的食品包装印刷缺陷检测与实现

传统食品包装印刷缺陷检测系统采集的实时图像和标准图像在空间上存在着较大的差异,在缺陷检测前首先要将实时图像与标准图像配准,再进行图像缺陷检测与识别。针对传统检测方法检测时间长、分拣效率低、漏检率高和对人视觉要求高等缺点,在图像增强处理的基础上,提出了一种适用于食品包装印刷缺陷检测的图像配准算法。该算法利用小波变换改进算法对图像边缘进行检测,有效地解决了噪声所产生的误检问题。实验仿真结果表明,该算法具有较高的稳定性和可靠性,能够精确检测出小于0.1 mm的刀丝和拉条等细微缺陷,实现了食品包装印刷品的无损检测。     

基于反向P-M扩散的钢轨表面缺陷视觉检测

研制了一种基于反向P-M（Perona-Malik）扩散的钢轨表面缺陷视觉检测装置,该装置可 自动获取钢轨表面图像,并实现实时检测与定位钢轨表面缺陷. 钢轨图像具有光 照变化、反射不均、特征少等特点,为了在运动过程中 从复杂的钢轨表面图像提取缺陷,首先将图像进行反向P-M扩散,然后将扩散后的图像与原图像进 行差分,从而减小了上述因素的影响,最后将差分图像进行二值化操作,根据 缺陷边缘特性和面积进行滤波,分割出缺陷图像. 实验仿真和现场测试结果表明,该方法能很好地识别块状缺陷和线状缺陷,并且检测速度、精度、识别 率和误检率都能很好地满足要求.     

基于YOLOv3算法的机械零件智能识别方法

为提高零件识别准确率,缩短识别耗时,提出一种基于YOLOv3算法的机械零件智能识别方法。该方法先对采集图像进行预处理,然后通过增强固定特征、提取图像缺陷特征点等方式识别机械零件特征,然后基于YOLOv3算法建立智能识别模型,实现机械零件智能识别功能。实验结果表明,该方法的检测准确率高于94.3%,检测耗时不超过2.1 ms,优于对比方法,应用效果较好。     

轴承表面缺陷类型识别算法

针对生产和装配过程中轴承表面缺陷检测传统方法的不足,提出一种新的轴承表面缺陷类型识别算法。首先改进 Canny 算子以提高轮廓识别度,将 Sift 算法应用于缺陷区域提取,对轴承表面缺陷图像和无缺陷图像进行 Sift 图像匹配以定位缺陷区域,运用像素点的异或运算以精确提取缺陷区域。选择部分 Hu 矩值和几何特征值准确描述缺陷区域,将其作为 BP 神经网络算法的输入,从而最终识别出缺陷类型。实验表明,该方法提高了识别率,且具有非接触、速度快、精度高和抗干扰能力强等优点,较好地实现了轴承表面缺陷类型的检测。     

基于Kinect深度图像信息的手势跟踪与识别

针对基于视觉的手势识别技术对环境背景要求较高的问题,提出了一种利用深度信息进行手势提取和识别的研究方案。采用Kinect深度摄像头,通过中值滤波以及深度信息与邻域特点来分割手部区域并用Canny算子提取出手势轮廓,再以深度图像的凸缺陷指尖来完成对指尖的检测,从而实现对数字手势1到5的手势识别。该方法可快速有效地对指尖进行检测,鲁棒性和稳定性都比其他方法更好。实验结果表明,该手势识别方案的平均识别率达到92%,证明了该方法的可行性。     

一种电力器件缺陷检测方法优化

为提高电力器件的缺陷检测能力,提出基于视觉图像分析和纹理特征提取的电力器件缺陷检测方法。构建电力器件缺陷图像采集模型,结合图像边缘特征检测和信息融合度特征分析电力器件缺陷特征,采用机器视觉特征分析和分块融合特征匹配方法,跟踪识别电力器件缺陷数据特征,通过模糊小波特征分析和特征点标定方法,对缺陷特征视觉融合解析处理,根据缺陷部位的纹理差异性特征提取结果,实现对电力器件的缺陷检测。仿真结果表明,该方法检测准确性较高,缺陷定位精度较好。