基于机器视觉的带钢表面缺陷检测研究进展

热轧带钢是钢铁行业的主要原材料之一,其表面质量控制一直是生产过程智能检测的重点任务。针对带钢表面缺陷自动在线检测逐步取代人工检测的现状,概述带钢表面缺陷检测方法,着重阐述基于机器视觉的表面缺陷检测方法,比较分析传统机器视觉、深度学习方法在带钢表面缺陷检测的应用,探讨带钢表面缺陷检测中存在的关键技术问题,并对其未来发展趋...     

基于机器视觉的钢轨表面缺陷检测系统

为了实现钢轨表面缺陷自动化检测,以手推式轨道检测车为平台建立基于机器视觉的钢轨表面缺陷检测系统。以黑白线阵CCD相机获取轨道图像,并辅以线阵白光光源主动照明,减少外界光源的干扰;编码器安装在车轮上获取检测车的运动信息,并将里程转换成脉冲信号触发线阵相机进行图像采集,获取的图像经千兆网传输至工业计算机进行处理;利用单片机设计信号处理器读取编码器的脉冲信号,根据编码器A、B相输出信号的相位差判断车轮的前进方向;提出改进最大熵阈值分割法对钢轨图像分割,使分割结果接近目标出现的概率。实验结果表明,图像采集系统能够稳定的采集轨道多部件图像,相比于Otsu、原始最大熵阈值分割法,改进最大熵阈值分割法在减少误分割的同时能够比较准确的将缺陷分割出来,与背景差分法、积分投影法相比,本文方法获得了较低的误检率和漏检率。     

基于机器视觉的微小零件形貌检测方法

针对当前工业生产中人工对微小异形零件形貌参数测量精度低、速度慢的问题,提出了一种基于机器视觉的检测方法,并开发了一款基于开源计算机视觉库OpenCV的检测软件。该检测方法首先使用CMOS相机采集被测零件的图像,并结合频谱特征对其进行滤波、阈值分割等预处理;然后选取效率高、边缘跨度为单像素的Canny边缘检测算法对预处理之后的图像进行边缘检测;最后采用Ramer算法对零件轮廓进行递归细分,拟合出几何基元,并结合测量焦距下的系统标定系数计算出零件实际的形貌参数。实验结果表明:通过该检测方法对长、宽均为毫米量级的Ω型微小零件进行形貌检测,检测精度达到10μm以下,具有精度高、速度快的优点,可为工业化生产提供可靠依据。     

基于机器视觉的PCB板表面缺陷检测方法研究进展

基于机器视觉的缺陷检测方法可有效提高生产效率和降低质检成本,在现代化工业生产中得到了广泛应用.对基于机器视觉的PCB板表面缺陷检测方法涉及的图像采集系统、图像预处理技术进行综述;对基于图像分割、特征提取、机器学习和混合技术的检测算法进行分析,总结了各种算法的主要思想、适用范围以及局限性;同时对未来的发展方向进行了展望,...     

基于机器视觉的车辆对称中心检测

介绍了一种基于车辆和背景的特征、灰度值、轮廓及对称性等的目标检测定位及对称中心确定的方法．提出了一种新的对称性检测算法．该算法具有简单、可靠的特点．并进行了实验验证．实验统计结果表明：该对称性检测算法能有效地检测出目标车辆的中心位置．     

基于机器视觉的圆柱齿轮表面微小裂纹检测方法

在温度或湿度的干扰下,对圆柱齿轮表面微小裂纹进行检测时,采集到的目标图像质量很不稳定,导致检测方法的适用性比较差.为了解决这一问题,提出基于机器视觉的圆柱齿轮表面微小裂纹检测方法.根据实际应用需求,选择合适的光学镜头和电荷耦合原件,将上述两种装置组合成机器视觉系统,使用发光二极管作为光源,在两侧照明方式的支持下,使用1...     

基于机器视觉的玻璃瓶表面缺陷检测

介绍了机器视觉应用到玻璃瓶在线检测生产流水线的一个具体案例和整个系统的构成框架.用图像预处理和分割算法对被测物进行识别以达到检测目的.     

基于机器视觉的车辆对称中心检测

介绍了一种基于车辆和背景的特征、灰度值、轮廓及对称性等的目标检测定位及对称中心确定的方法.提出了一种新的对称性检测算法.该算法具有简单、可靠的特点.并进行了实验验证.实验统计结果表明:该对称性检测算法能有效地检测出目标车辆的中心位置.     

基于机器视觉的螺纹缺陷检测方法

为了满足现代制造业自动化生产装配中在线检测要求,提出利用机器视觉的方法对螺纹缺陷进行检测.检测算法主要包括图像预处理、二值化、感兴趣区域提取、螺纹的边缘提取、螺纹的缺陷检测、缺陷量值的计算与存储.该算法由Visual C++6.0编程实现.实验结果表明,基于这种螺纹缺陷检测方法的准确率能够达到99.5%,一个螺纹的检测时间在300 ms以内,达到既定要求与目标.     

基于机器视觉的太阳能电池片表面缺陷检测研究现状及展望

鉴于基于机器视觉的太阳能电池片表面缺陷检测方法具有操作简便、检测精度高的优势,对此类方法所涉及的各个环节进行了综述.首先,对太阳能电池片表面的各种成像方式和常见缺陷类型进行了归纳总结;其次,对现有的检测方法按照数学建模思路的不同进行了分类介绍和对比分析;最后,对内容进行了小结并对太阳能电池片表面缺陷检测方法的后续研究进行了展望.可以看出:基于机器视觉的太阳能电池片表面缺陷检测方法已经取得了较大的发展,但在特征提取算法设计方面仍有改进空间,如基于深度神经网络的特征提取算法.     

基于Halcon的IC测试探针表面质量的机器视觉检测系统

IC测试是集成电路生产中的重要工序,探针表面诸如划痕、凹坑等缺陷对性能测试结果影响大.文章研究了IC探针表面质量的机器视觉检测方法,讨论了灰度变换、均值滤波、区域连通、图像分割等缺陷图像处理和形状识别方法,建立了相应的探针表面质量检测系统,并基于机器视觉软件Halcon开发了探针表面质量检测系统软件.实验表明:开发的检测系统可对直径0.3~0.6 mm的IC测试探针表面质量进行快速检测评估,且系统的稳定性好、检测精度高,能有效缩短检测时间和减少检测成本.     

基于机器视觉的零件颜色识别系统

以Visual C＋＋6.0作为软件开发平台,以开源的OpenCV作为辅助的图像处理库,组建系统的硬件系统,实现了对工业自动生产线上的零件图像的采集和处理.该系统能对不同颜色的零件进行识别,为后续零件的筛选和分类奠定了基础.实验证明,采用机器视觉对零件颜色进行在线识别,不但检测精度高,而且能够满足生产线上实时性的要求.     

基于机器视觉的异性纤维检测系统

异性纤维杂质检测技术是近几年来国内外研究的热点,给出了基于机器视觉的异性纤维检测系统框架,并对系统各个模块关键技术进行了阐述. 为了有效清除异性纤维,提出了一种彩色聚色分割方法用于检测皮棉中的异性纤维. 实验结果表明,此方法可以有效的检测皮棉中的异性纤维.     

基于机器视觉的异性纤维检测系统

异性纤维杂质检测技术是近几年来国内外研究的热点，给出了基于机器视觉的异性纤维检测系统框架，并对系统各个模块关键技术进行了阐述．为了有效清除异性纤维，提出了一种彩色聚色分割方法用于检测皮棉中的异性纤维．实验结果表明，此方法可以有效的检测皮棉中的异性纤维．     

基于机器视觉的加工刀具磨损监测方法

为了对加工过程中刀具的磨损状态进行监测,针对麻花钻的磨损形式,提出基于机器视觉的加工刀具磨损监测方法. 根据磨损刀具图像的灰度分布特点,提出基于积分图加速和Turky bi-weight核函数的非局部均值去噪方法;采用单、双阈值大津法获取磨损区域的灰度区间,实现对图像的自适应对比度增强;提出基于形态学重构方法的磨损区域局部极值点提取方法,有效完成对磨损区域的检测和边界提取. 该刀具磨损检测方法成功应用于麻花钻头磨损状态的监测过程,实验结果表明,相较于目前已有的机器视觉监测方法,所提出的方法具有更高的检测精度和效率,准确地提取磨损轮廓,从而有效实现对刀具磨损状态的监测和自动化监控加工过程,达到降低人工成本和产品不合格率的目的.     

基于多光谱视觉的稻瘟病抗病性分级检测技术

利用MS3100多光谱相机采集了受稻瘟病侵染的秧苗多光谱图像,通过图像分割、复原和分析,得到了在近红外、红光和绿光波段稻苗植株样本图像的灰度均值。将3个波段的图像灰度值作为特征参量,并采用支持向量机技术建立稻瘟病的抗病性分级检测模型。结果表明,模型具有较高的分类精度。抗性样本和感病样本的分类精度达到100%,抗性样本和中等感病样本的分类精度为96.8%。本研究为水稻品种抗病性鉴定调查提供了一种新的方法,同时也为稻瘟病早期检测提供了基础。     

基于机器视觉的驾驶员嘴部状态检测方法

在采用机器视觉对驾驶员进行驾驶行为监测时,嘴部状态识别是关键技术之一。事实上,驾驶员在正常驾驶、说话及打哈欠(瞌睡)三种状态下的嘴部张开程度有一定的区别。根据这一特点,作者利用Fisher分类器提取嘴唇的轮廓和位置,然后利用嘴唇区域的几何特征作为特征值,组成特征矢量,作为三层BP神经网络的输入,将正常驾驶、说话及打哈欠(瞌睡)三种不同精神状态作为输出。试验结果表明:该网络可快速有效地识别驾驶员的嘴部状态。     

溶液中微米级异物目标视觉检测技术

提出了一种利用机器视觉技术对溶液中μm级异物微粒进行检测并统计粒径信息的新方法。首先,建立溶液离心旋转急停后其中异物粒子的运动轨迹数学模型;然后,提取溶液视觉图像序列中每个可能目标的有效特征,通过特征匹配得到帧间若干可能目标的运动轨迹,根据异物目标与背景噪声等伪目标轨迹的差异进行甄别检测;最后,对视觉系统进行标定,确定检测到的异物目标粒径大小及各区间微粒数量。实验表明,该技术检测精度能够到达10μm,且具有较高的检测准确率。     

基于机器视觉在果品无损检测技术方面的研究进展

为满足食品加工业对基于机器视觉的果品无损检测的要求,从图像信息采集的各种技术、各种数学模型的建立和数值计算方法上的创新等方面分析了国内外基于机器视觉的果品无损检测技术,并对其优劣和存在问题进行了对比分析,并简述了该领域今后的发展方向。     

基于机器视觉的垃圾自动分类系统设计

为了提高垃圾分类过程中前端收集的工作效率,基于机器视觉技术设计垃圾自动分类系统. 设计制作垃圾分类的硬件设备,主要包括可回收和不可回收2个箱体;针对垃圾数据集较少的问题,提出基于Inception v3网络特征提取模型和迁移学习相结合的垃圾种类识别方法,在自建的垃圾数据集上进行训练和测试. 结果显示,利用该方法可以准确地对垃圾种类进行识别,平均准确率达到0.99;将训练好的模型部署在树莓派3B+上,在制作的实物垃圾桶上进行测试,系统稳定后,平均完成一次分类回收的时间为0.95 s. 实验表明,该系统能够有效地进行垃圾种类的识别和完成垃圾的分类回收.