机器视觉检测滚子表面缺陷

介绍利用机器视觉检测滚子表面缺陷的实验装置。该装置采用512位SSPD列阵作为摄景器件。藉助专门机械装置实现滚子表面全扫描展开,把获得的二维图象信息送PC/AT微机进行图象处理。文中提出了三种图象处理算法:多段平均法、二次背景处理法和局部算子处理法。用上述算法较好地解决了不同精度滚子的表面缺陷检测。附图16幅,参考文献5篇。     

机器视觉在圆锥滚子轴承内圈外表面缺陷检测中的应用

针对圆锥滚子轴承内圈外表面位置的特殊性,提出了一种新的缺陷检测方法,并设计了一套完整的缺陷自动检测系统。利用机器代替人眼完成轴承内圈外表面缺陷的检测,该系统光源恒定,可获取高精度的图像,处理速度快,可以长时间不间断的工作。首先对获取的图像进行图像预处理,去除图像噪声。利用MATLAB图像处理工具箱中的函数对预处理后的图像进行图像分析,统计图像中灰度值的分布情况,即计算出灰度图像的均值,标准差,利用图像灰度值的标准差判别出图像的表面质量是否合格。经过实验测试取得了96%的检测成功率,证明了其可行性。     

一种基于机器视觉的表面缺陷快速检测方法

实际生产过程中,产品表面会不同程度地留下污渍和印记,这对基于机器视觉的表面缺陷识别带来严重干扰.基于图案统计分析的识别方法速度虽快,但抗干扰能力弱,出现较高的误判率.基于深度学习的人工智能识别方法计算量巨大,速度慢,难以满足生产实际的高速要求.因此介绍一种改进SIFT算法,并给出了相关参数的设置方法和经验公式,通过实际表面缺陷的检测,对比验证了SIFT算法较强的鲁棒性和抗干扰能力,以及相关参数设置方法的正确性和可行性.实验数据表明,SIFT算法在凹陷类和斑点类缺陷的检出率上具有明显优越性,在裂纹类的误检率上也具有较大优势.特别是在有噪声图像干扰情况下,检出率比神经网络提升了20％,误检率降低了3％.     

纹理表面缺陷机器视觉检测方法综述

纹理表面缺陷检测在机器视觉领域具有意义和挑战性,其历史可以追溯到20世纪中后期,近年来随着深度学习技术的蓬勃发展,纹理表面缺陷检测技术大幅飞跃。直至今日,关于纹理表面缺陷检测的调研和综述仍然很少。在此背景下,本文回顾2017年-2021年间200余篇纹理表面缺陷机器视觉检测论文,对纹理表面缺陷机器视觉检测研究进展进行了及时、全面的调查;分析了纹理表面缺陷检测的发展历史和最新研究进展,原则上将纹理表面缺陷机器视觉检测方法分为传统方法与深度学习方法,并对二者进行了深层次研究分析,特别是深度学习方法;对近期出现的几种纹理表面缺陷机器视觉检测方法主题进行总结的同时,也对这些主题的研究进展进行了综述。最后,对未来的研究趋势进行了展望,以期为后续研究提供指导和启示。     

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。     

基于机器视觉的表面缺陷检测方法研究进展

基于机器视觉的表面缺陷检测以无接触、无损伤、自动化程度高及安全可靠等突出优点被广泛应用于各种工业场景中,尤其随着深度学习技术的快速发展,视觉缺陷检测有助于提高产品及装备的智能化水平。综述分析了表面缺陷检测的常用方法、通用数据集、检测结果评价指标和现阶段面临的关键问题。首先,将缺陷检测方法分为传统基于图像处理的缺陷检测、基于传统机器学习模型的缺陷检测及基于深度学习的缺陷检测,并对各种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和适用场景;然后,对目前常用的缺陷检测结果评价方法做出了描述,进一步探讨了表面缺陷检测应用在实际工业产品检测过程中关键问题——小样本问题,重点剖析了小样本问题的解决方法和无监督学习在解决这类问题上的优势;最后,从提高缺陷检测方法的工业适用性角度展望了下一步研究方向。     

基于机器视觉的细长产品表面缺陷检测设备研究

为提高对细长产品表面缺陷的检测效率,运用机器视觉技术对细长产品外部轮廓尺寸及表面缺陷状况进行检测.运用机器视觉技术,分析图像传输过程中噪声产生原因及降噪方法;采用canny算法和Simple Blob Dectorte特征点检测方法,提取零件轮廓和色斑轮廓;编写基于机器视觉的表面缺陷检测程序,并通过实验验证了该方法的可...     

基于机器视觉的PCB焊接缺陷检测系统研究

针对中小型企业在焊接缺陷检测领域中存在人工成本高、检测精度低、实时性差等问题,提出了基于机器视觉的焊接缺陷检测系统,在生产线上安装多套图像采集装置。根据现场情况,设计了多套打光方案,实现连锡、焊点偏位、芯线断开等缺陷的高清成像;基于HALCON软件,采用图像定位、图像预处理、图像分割、形态学处理及焊接缺陷识别算法,完成了USB接口缺陷的精确检测,并将结果显示在上位机界面。测试生产线上实际采集的402幅缺陷图像,结果表明,系统成功检出率达86%,基本满足实际生产需要。该检测系统用于中小型企业生产,有利于大幅度提高检测效率和缺陷检测智能化水平,同时降低检测成本。     

基于机器视觉的齿轮缺陷快速检测

结合齿轮缺陷自身的特点，论述了齿轮缺陷检测系统的构成、图像处理及检测流程，提出了一种基于机器视觉的齿轮缺陷快速检测方法。实例分析表明．该检测系统能够快速、准确地实现齿轮缺陷的检测，满足自动化生产的需要，可在实际生产中代替人工检测；     

基于机器视觉的表面缺陷检测方法研究进展

在半导体、PCB、汽车装配、液晶屏、3C、光伏电池、纺织等行业中,产品外观与产品性能有着千丝万缕的联系。表面缺陷检测是阻止残次品流入市场的重要手段。利用机器视觉的技术进行检测效率高、成本低,是未来发展的主要方向。本文综述了近十年来基于机器视觉的表面缺陷检测方法的研究进展。首先给出了缺陷的定义、分类以及缺陷检测的一般步骤;然后重点阐述了使用传统图像处理方式、机器学习、深度学习进行缺陷检测的原理,并比较和分析了优缺点,其中传统图像处理方式分为分割与特征提取两个部分,机器学习包含无监督学习和有监督学习两大类,深度学习主要囊括了检测、分割及分类的大部分主流网络;随后介绍了30种工业缺陷数据集以及性能评价指标;最后指出缺陷检测方法目前存在的问题,对进一步的工作进行了展望。     

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。     

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%。     

机器视觉在厚壁钢管端面缺陷检测中的应用

针对目前人工检测厚壁钢管端面缺陷存在的效率低、速度慢,且还会出现错检、漏检等问题,提出一种基于机器视觉的方法,实现对厚壁钢管端面缺陷的检测及分类。首先单独提取钢管倒角区域,利用最小二乘法对内外倒角包含的轮廓圆进行拟合,并根据欧式距离来判断倒角是否出现偏心的情况;其次提取钢管端面区域,并通过Otsu算法分割出缺陷区域,计算各联通域的特征描述并组成新的特征向量,使用支持向量机来判断缺陷类型。研究结果表明:该方法能准确检测出厚壁钢管的倒角是否偏心、端面是否存在各类的缺陷,且准确率达到96.7%,对一钢管端面的判断时间不超过100 ms,相比人工目测速度有明显的提高。     

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.     

透明件表面缺陷的机器视觉检测综述

随着现代科技的发展,透明件几乎运用于各个行业并起着不可或缺的作用,透明件表面质量是衡量其合格与否的一个重要指标,同时机器视觉技术因具有速度快、精度高、成本低、稳定性好等优点被广泛用于透明件表面缺陷的检测.本文主要从图像采集、图像处理和缺陷识别几个环节来介绍透明件表面缺陷的检测,对检测系统的类型,采集图像的处理方法以及实...     

零部件表面缺陷的机器视觉检测模式

在以批量生产方式为特征的汽车、摩托车、内燃机等行业，准确、快速地识别和检测重要零部件关键部位的表面缺陷，直接关系到产品质量，若不及时剔除不合格品，将会带来严重的质量隐患。以汽车发动机连杆为例，在采用了先进的分离大小头的胀断工艺后，其结合面有可能会产生破口，因此，必须进行100％的探测，具体的质量评定标准为：     

基于机器视觉的磁钢片缺陷检测研究

针对磁钢片人工检测效率低、误检率高以及劳动强度大等问题,对磁钢片缺陷种类及缺陷特征方面进行了研究,对磁钢片缺陷检测流程进行了分析归纳,提出了一种基于机器视觉的磁钢片缺陷检测算法,实现了磁钢片缺陷检测自动化。通过二值化和闭操作对图像进行预处理,将目标区域面积与模板区域面积进行了比较,实现了零件掉角和粘连缺陷检测。通过采用均值滤波算法对初始图像平滑处理,对所得图像与模板图像对应像素灰度值进行了作差运算,选出了差值大于规定值的区域,实现了磁钢片裂纹和结晶缺陷检测。研究结果表明,相比人工检测,实验所采用的算法能够准确判断磁钢掉角、粘连、结晶以及裂纹缺陷,较传统人工目测检测方法准确率提高10%,并提高了检测效率,降低了劳动力。     

基于机器视觉的车身缺陷识别与分类方法

针对目前国内外汽车车身涂装工艺后缺陷识别自动化程度低,难以进行非接触高精度检测等问题,提出了一种结合二维视觉、三维视觉进行缺陷识别,通过卷积神经网络进行分类的方法.首先基于最大类间方差法和特征提取算法实现缺陷二维坐标的确定,算法受光照影响较小;其次基于卷积神经网络,实现对黑胶、划痕、凸点等三种常见缺陷类型的分类;然后基...     

一种基于机器视觉的快速规则的表面缺陷检测方法

提出了一种基于机器视觉的产品表面缺陷快速检测和定位的方法。该方法引用Pearson(皮尔逊)相关系数的概念,通过待检测样本图像和模板图像皮尔逊相关系数阈值可以很好地确定图像中的产品是否有缺陷,再通过待检测图像和模板图像进行差运算得到差影图像,以实现缺陷的定位。实验结果表明本方法与Du-Ming缺陷检测方法相比具有优越性,并且在壁纸表面缺陷检测中得到了较好的效果。