钢球表面缺陷的机器视觉检测方法

针对钢球表面缺陷的在线检测要求,提出了一种基于机器视觉的钢球表面缺陷轨道自动检测方法。该方法采用6个CCD摄像头,保证摄取到整个钢球的表面;采用自行设计的碗状红色LED圆顶漫射光源,克服了钢球表面易反光的难题,得到了真实清晰的钢球表面图像;并通过图像缺陷识别、球形表面重构等技术,准确地识别出了钢球表面所存在的缺陷。     

钢球表面缺陷分析

通过对钢球的质量分析认为，钢球表面存在有锈蚀及金属疲劳层。由于这些缺陷在热处理工序中会导致钢球表面严重脱碳及淬火开裂，因而是造成钢球废品的根本原因。     

钢球表面缺陷分析

表面有缺陷的钢球在使用过程中往往容易产生剥落,造成轴承的早期失效。采用金相、扫描电镜和能谱分析等方法,对GCr15钢制钢球表面缺陷的形成原因进行了分析。结果表明,钢球缺陷为发纹,是由于夹杂物分布于钢球表面形成的,为冶金缺陷。     

一种钢球表面缺陷光学检测新方法

为降低企业生产成本,简化钢球检测系统,提出了一种基于机器视觉技术钢球表面缺陷光学检测新方法,采用双目CCD传感器和平面镜反射成像同时获取上下左右四个表面的钢球表面图像,经过图像处理后进行缺陷分级,以取代传统的钢球表面展开机械装置。此外,在照明装置上,设计了一种基于LED面阵光源和磨砂玻璃的方法来模拟均匀散射光线,以提高成像质量。实践表明使用本文方法能够实现钢球表面缺陷的自动检测,简便高效,具有较高的可靠性。     

基于Halcon的钢球表面缺陷检测系统设计

提出了一种基于Halcon的钢球表面缺陷检测系统设计方案。首先,利用CCD相机采集展开盘上的钢球表面图像,并传输到应用软件;其次,进行图像感兴趣区域选取、滤波去噪和缺陷边缘检测等图像处理;然后,将缺陷区域进行连通,并计算缺陷面积;最后,与缺陷阈值进行比较,控制分球机械手与分球板协同作用实现分拣。试验结果表明:该系统具有很高的检测效率和准确率,可满足工业自动化生产的需求,具有良好的应用前景。     

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。     

轴承钢球表面缺陷分析方法

介绍了轴承钢球表面的常见缺陷,通过实例对钢球从原材料到成品整个加工过程中表面缺陷的分析思路及方法进行了探讨和总结。     

钢球表面缺陷涡流探伤仪分析

为保证钢球表面缺陷检测的可靠性,研制出了钢球涡流探伤仪,实现了钢球表面缺陷检测的半自动化。     

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LabVIEW的钢球表面缺陷图像纹理分析与检测

本文提出一种以LabVIEW为软件平台结合IMAQ Vision函数库的钢球表面缺陷检测方法,该方法完成了钢球表面缺陷的有无与类型判断。首先,利用Daubechies4小波的分解、最佳树计算、阈值量化与重构,对钢球图像进行去噪处理。其次,利用钢球图像纹理的熵进行有无缺陷的判断。在此,本文提出了基于水平熵、垂直熵、对角线熵的综合熵作为评判参数。然后以形状因子F对有缺陷的钢球图像分类。最后,在搭建的硬件实验台上测试了检测软件,满足快速、准确的现场要求。     

轴承钢球表面缺陷的分析思路

介绍钢球表面常见缺陷,主要针对成品钢球的缺陷进行分析,通过2个表面缺陷的分析案例,对钢球在冷加工过程中所产生的表面缺陷的分析思路和方法进行了总结。     

钢球表面缺陷的电脑显微观测

对普通金相显微镜的光路加以改造,配上摄像头,在微机上装机频卡,由视频卡接收来自摄像头的视频信号,经处理并转换成数字信号,通过相关的软件将钢球表面的显微国像显示在屏幕上,和经扫描再显示的“钢球表面质量标准照片图册”中图片比较。用该装置可以获取并保存大量的观察图片,给研究分析带来方便。     

钢球表面缺陷的自动检测与识别

在计算机图像处理理论与模式识别理论的基础上,提出钢球表面缺陷评价方法,给出二窗法确定阈值、噪声去除和轮廓跟踪方法;再从处理后图像中提取能表征缺陷性质的几何特征和纹理特征,以实现计算机对缺陷图像的理解和自动识别。     

GCr15SiMn钢球表面缺陷分析

采用金相、扫描电镜及能谱分析等方法对GCr15SiMn钢球表面的缺陷进行了分析,结果表明,送检钢球表面上分布的大量剥落坑是在磨加工过程中砂粒挤刮造成的。     

钢球缺陷检测系统的研究

介绍了钢球缺陷的常见类型,分析了钢球在子午线展开机构作用下表面的展开方式,并应用Matlab仿真了钢球在展开时球面上任意一点的运动轨迹,设计了钢球缺陷检测系统,分析了钢球缺陷无损检测的工作原理.     

空气与油液介质下钢球表面缺陷检测效果对比分析

针对钢球在光源照射下产生较大光晕及光斑给缺陷检测带来困难的问题,将检测介质由空气改为10#航空液压油,对比分析了在空气及10#航空液压油介质中钢球表面缺陷采集及检测的效果,结果表明:10#航空液压油对于钢球图像的采集及钢球表面缺陷的检测效果比空气介质好,对弱化钢球表面光晕有较好的效果。     

基于视觉感知的表面缺陷检测综述

基于视觉感知的表面缺陷检测,具有高效、可防止二次损伤等优点,被广泛应用于各种工业场景中。近年来深度学习技术的快速发展进一步推动了视觉缺陷检测的进步与应用。以特征的显式提取与自动提取为思路,对基于视觉感知的缺陷检测方法进行综述和分析。首先,简要描述了视觉缺陷检测系统的基本构成,将缺陷检测中的视觉感知归为分类、目标检测和分割3个层次。然后,将现有的视觉检测方法分为基于显式特征提取的(传统方法)和基于自动特征提取的(深度学习方法)。进一步,将基于显式特征提取的方法分为统计法、谱方法和模型法3类,将基于自动特征提取的方法分为整图分类的、目标检测的和像素分割的方法。对每一类方法的特点和适用场景进行了归纳总结与分析。同时,针对工业应用中数据获取成本高的问题,介绍了近年来出现的弱监督缺陷检测方法与异常检测方法,并介绍了具有较大影响力的工业表面缺陷数据集。最后,针对如何减少对大量标注数据的依赖和如何提高检测方法在工业现场的适用性两个关键问题展开讨论,展望了该领域下一步的研究方向。     

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。     

JA-04型钢球表面缺陷自动检验机

目前我国在钢球生产中,钢球表面缺陷仍然是靠人工肉眼检查。由于钢球生产批量很大,表面缺陷一般又很小,工人需要在强光下很快地用肉眼进行检查工作。     

冰勺表面缺陷检测方法研究

冰勺表面缺陷包括严重缺陷和轻度缺陷。严重缺陷检测技术比较成熟,而轻度缺陷检测存在漏检和误检的博弈。严重缺陷属于不能出售的废品,轻度缺陷中劈裂和污染也是废品,而节子、矿物线、腐朽和色差属于合格品,售价低于无缺陷的优良品。针对轻度缺陷检测提出一套解决方案：首先提取冰勺轮廓,定位冰勺表面区域,然后对冰勺表面进行预处理,利用最小二乘法拟合的直线方程与预处理后灰度值数据相减,计算偏差。通过最小二乘法迭代拟合求取正常表面偏差值,从而计算其标准差,最后基于3σ准则提取迭代前的异常数据即缺陷。以上算法可检测出小面积轻度缺陷,针对大面积腐朽、色差等缺陷通过基于灰度峰值水平直线方程计算偏差来提取缺陷。两种方法相结合检测冰勺表面缺陷。所研究的冰勺表面缺陷涵盖了冰勺生产工业中主要的表面缺陷类型,包括节子、矿物线、劈裂、污染、腐朽和色差等。在自建的图像数据库上做算法测试。结果表明,本文方法漏检率仅为1.27%,误检率降低至3.85%,具有实际应用价值。