激光再制造中缺陷识别关键技术研究

损伤零件缺陷区域的三维形貌检测对于激光机器人加工过程的智能化具有重要作用。系统实现了激光加工中损伤零件的缺陷识别,并提出损伤零件缺陷边界检测的高精度算法。利用基于点特征面积累加的法矢法识别出缺陷边界点,生成初始缺陷边界,针对初始缺陷边界具有不连续、多分支、锯齿状边界等问题,提出了三步优化处理方法,最终得到封闭、高精度的损伤零件的缺陷边界。系统运行处理速度快,精度高,可完全满足工业零件智能化激光再制造的要求。     

基于机器视觉的PCB缺陷检测系统设计与研究

针对工业领域高速高精度的要求,设计了基于机器视觉的PCB缺陷检测系统的总体结构,着重阐述了视觉检测系统的原理,讨论了相关的图像处理、检测及识别算法,重点运用数学形态学及模式识别方法完成检测识别.仿真实验均在Matlab下编程实现,仿真结果证明了该方法的可行性,采用该方法能够有效的检测、定位并识别出PCB光板上的短路和断路缺陷.     

基于激光再制造机器人的表面浅斑缺陷识别研究

机器视觉系统对于提高激光机器人再制造质量有重要作用。针对浅斑类缺陷无法在点云数据中定位的问题,开发了专用识别系统,将二维图片和三维点云结合起来实现该类缺陷的三维检测。对灰度图片进行处理,包括图像频域增强、区域标记和区域合并等,实现了二维图片中的缺陷定位;利用双目立体视觉系统对再制造零件表面进行扫描,获取零件表面三维点云数据,同时将二维缺陷边界转换为三维缺陷边界,实现了点云数据中缺陷的定位。实验结果表明,该系统能有效识别浅斑类缺陷,并且再制造精度高。     

一种用于光纤精密绕线的视觉识别技术

介绍了一种解决光纤精密绕线的方法,该方法利用图像识别技术检测出绕线时的滞后角作为光纤排线的反馈信号,实现精密排线.同时该系统能够识别出绕制过程中出现的光纤间距过大和叠层搭线缺陷,输出给主控系统处理.该视觉识别系统由视觉单元、Sherlock视觉识别软件和识别应用程序组成,识别排线滞后角精度达±0.1°;光纤间距精度达±0.04 mm;搭线识别率100%.该系统通过收线验证,与主控系统配合,可实现对光纤的自动精密缠绕.     

基于高密度点云的激光焊接缺陷智能在线检测（特邀）

铝合金薄板激光焊接经常会出现咬边、凹陷等表面缺陷。这两种缺陷由于尺寸小、特征相似,难以通过传统视觉在线检测手段对其进行精确分类和测量。开发了一种基于深度学习缺陷分类-点云测量的在线监测系统,利用高密度的点云数据对缺陷进行识别、分类与测量,解决了上述检测难题。通过双目结构光传感器采集点云数据;利用基于区域推荐网络的卷积神经网络模型识别和定位缺陷;在识别和定位缺陷后,通过对局部缺陷区域的点云进行操作,快速测量缺陷尺寸。高密度点云数据训练的模型的识别准确率达到93%,高于传统二维视觉传感器图像训练的模型。该检测系统在线检测允许的最大焊接速度为316.87 mm/s,适用于大多数激光焊接。     

基于西门子PLC五维机械手装配系统的电气设计

柔性制造系统是指具有高度自动化程度的制造系统。文章将选取集运输、加工、检测、安装、存储和检测于一体的柔性制造系统为研究对象,具体阐述该系统中的检测安装环节,即五维机械手装配系统。针对工业装配生产线的自动检测装配问题,该系统,基于机器视觉技术,采用了特征值方法以识别零件,从而构建了一套完善的机器视觉系统,展现了工业生产线自动化检测装配的整个工艺流程。具体来说,五维机械手装配系统是采用西门子控制器S7-200和位置控制模块EM253,通过图像传感器辨别处理的方法识别零件是否合格。同时,该系统通过输出脉冲信号控制五维机械手装配系统上各轴的步进电动机,伺服电动机及其驱动器进行精确的位置定位,实现零件多角度的检测和组装。通过实验与调试,采用该方法在满足了零件的高精度识别和定位要求的同时,仍然保证了系统高效率运转,满足了零件装配作业的实时性和精度要求,具有深远的研究意义和实践价值。     

基于小样本图像分类的芯片引脚缺陷检测方法

为了检测SOP芯片的引脚缺陷，提出了基于小样本图像分类的SOP芯片引脚缺检测的方法。该方法包含了芯片定位识别、芯片倾斜矫正以及芯片引脚参数测量。根据芯片塑封体与视觉系统采集的样品背景的特征进行芯片定位识别算法研究。通过提取芯片塑封体的边缘点进行直线拟合并矫正倾斜的芯片算法研究。基于Lnent-5模型构建图像分类网络，以10×10的尺寸对预处理后的图像进行切割并分类，通过分类结果确定每个引脚的位置以及边界，并根据引脚边界的分类结果计算芯片引脚的关键尺寸，判断是否存在缺陷。实验结果表明总体检测率达到99%,此方法能够满足在小样本的情况下稳定、准确地检测出SOP芯片的引脚缺陷。     

圆柱型高精密零件表面缺陷检测及形貌分析

针对圆柱型高精密零件高曲率表面缺陷检测的问题,设计并实现了基于机器视觉的在线检测系统。检测时,为了解决金属件表面反光的问题,设计了专用的光源系统和照明方式。通过光学系统和机械旋转平台的配合,圆柱型零件在旋转的过程中被光学系统成像,从而可以采集到完整的圆柱面图像;经过快速的图像处理技术,可以检测到微米级的轴承表面缺陷;然后对表面缺陷进行形貌分析,确定缺陷的类型。检测结果表明系统具有效率高、精度高、易于使用等特点,可有效解决圆柱型高精密零件表面缺陷在线检测的问题。     

基于视觉的香蕉分级技术的研究

为了满足消费群体对于高品质水果的需求和产业精细化发展，提出了一种通过视觉对香蕉无损检测并分级的方法，并且在Jetson Nano平台设计视觉系统，基于YOLOv5搭建的模型实现视觉识别。最终Matlab仿真结果和视觉实验结果表明该方法可以实现对香蕉表面的缺陷进行识别，果实平均识别准确率达到91.3%。     

AI图像识别下的木材表面缺陷结构光视觉检测方法

针对木材表面视觉特征复杂,嵌补平整过程不能适应木材以及节子的多样性变化的问题,提出基于AI图像识别下的木材表面缺陷结构光视觉检测方法。对结构光视觉技术加以分析并标定光平面,采用Faster-RCNN初步检测木材表面缺陷,定位其缺陷边框并识别缺陷类型,再通过非局部均值滤波法和改进的MSRCR处理图像,精细化分割区域图像,利用改进的最小二乘椭圆拟合方法生成最优椭圆轮廓,实现木材表面缺陷结构光视觉检测。实验结果表明,所提方法的结构光视觉图像预处理效果更好,召回率在95%以上,识别准确率最高可达99%左右,分类准确率最高可达97%左右,检测所用时间更短。     

一种风机叶片图像采集及缺陷检测系统

本文针对目前风机叶片人工检测工作量大、效率低、缺陷检测准确率不高的问题,提出并设计了一种基于无人机图像的缺陷自动化检测系统。本文介绍了系统的图像采集系统、采集方法、缺陷检测原理及检测效果:系统以无人机为飞行载体实现了（风机叶片的）自动巡检,从而提高了巡检效率,降低了人工的工作量;通过图像分割及缺陷检测算法设计实现了缺陷可疑区域的自动检测;可见光加红外光双光融合提高了叶片缺陷自动识别的准确性。经过多次现场测试验证,本系统可以精确、快速地实现鼓包,裂纹和褶皱等缺陷的自动识别与检测。     

基于深度学习的乳液泵缺陷检测算法

为了实现对工业产品乳液泵的缺陷检测,本文采集泵顶、泵上端、泵下端、尾管4个角度的样本图像,并基于深度学习中迁移学习和卷积神经网络的原理分别构建各角度的分类模型以检测缺陷样本。首先,使用Mini-ImageNet数据集预训练网络模型。然后,调整模型结构并加载预训练网络的参数,并将乳液泵各角度的训练集和验证集经过图像预处理算法后输入至卷积神经网络中训练,根据训练过程中验证集准确率的变化调整网络超参数,得到最终网络模型。最后,将预处理后的乳液泵测试样本输入至训练好的模型中,检测最终模型的缺陷识别效果。最终4个角度检测准确率均在93%以上,单样本检测用时为2.52s,优于传统方法。本文算法可用于设计乳液泵缺陷检测系统,该系统能与工业结构相结合筛选出有缺陷的泵体,也可拓展到工业其他物件的缺陷检测。     

基于形状上下文的公共场所行人检测系统

交通规划中对于慢行交通对象流量的检测精度要求越来越高。虽然引入了一些基于智能监控的手段,但是在取得检测结果的速度和精度上仍然有较大的提高余地。为此论文提出了一种基于视频监控和图像识别的公共行人数量检测手段,利用形状上下文和广义Hough变换技术来提高检测结果的准确度和速度。测试结果表明,该检测方法优于传统的基于SIFT特征的检测方法,在大多数中低人流密度的场景下有较高的精度。另外该方法使用的样本数量较少,训练时间也较短,适用于需要进行实时处理的场合。     

基于改进VGG网络的单体热电池X光图像无损检测方法研究

为解决单体热电池生产中出现的安装错误、人工检测耗时耗力的问题,提出一个结合迁移学习和卷积 神 经网络(convolutional neural network,CNN) 的单体热电池缺陷检测模型。首先,对数据集图像进行裁剪、加噪等预处理,以VGG16(visual geometry group 16) 网络作为 模型的骨干架构,在瓶颈层后增添选择性核(selective kernel,SK) 卷积;然后,增添全局平均池化(global average pooling,GAP) 层, 增加Dropout层及添加 L2 正则化等微调操作,得到单体热电池缺陷检测模型Q-VGGNet;最后,在大型公开数据集ImageNet上进 行预训练学习,将获得的权重参数迁移到单体热电池图像识别模型Q-VGGNet上。测试实验表明:6种 网络模型对数据集缺陷图像的总体识别准确率分别达到了98.39%、94.44%、97.27%、96.34%、93.71%、 95.61%,Q-VGGNet网 络模型 对合格图像和 漏装负极、极耳断裂、漏装集流片3种缺陷图像 识别准确率 分别达到了99.6%,95.9%,99.6%和98.4%。检测结果表明:该方法能够更准确、快速地检测热电池缺陷, 拥有良好的缺陷诊断能力,较传统方法提高近3%,为人工检测单体热电池缺陷提供了良好的解决途径。     

液晶显示器Mura缺陷及测量方法浅析

Mura缺陷是液晶显示器(LCD)中常见的不良现象,直接影响到显示图像质量.本文对液晶显示器Mura缺陷进行了详细的综述,首先概述了Mura缺陷的种类及主要来源,然后介绍了Mura缺陷的三类测量方法:人工视觉识别法、电学测量法、光学测量法.人工视觉识别法利用滤光片观察样品,成本较低,但无法做到客观的评定产品等级;电学测量法适用于电气缺陷造成的Mura;基于机器视觉的光学测量法是当前研究的热点,对于各种原因造成的Mura缺陷均具有良好的检测效果.详细分析了各种检测方法的特点,最后进行归纳总结.     

基于OpenCV的嵌入式人眼追踪系统研究

对于视觉控制系统而言,如何定位并追踪眼睛,判断眼睛状态是关键的一步。文中提出了一种基于OpenCV的人眼识别和跟踪方法,利用摄像头和OpenCV的相关函数在嵌入式平台上实现了人眼的识别与追踪。此外,还通过实验表明,该方法可满足对人眼的识别,且拥有较好的识别速度和识别率,故具有一定的实用性。     

基于机器视觉的密封件表面缺陷检测研究

针对密封件行业的工程要求,为了解决密封件表面缺陷检测所面临的图像采光不均匀及人工目测不准确的问题,设计了基于机器视觉的图像检测系统。该系统适用于多种O型密封件尺寸的电控运动定位检测,利用适合表面缺陷检测的模板匹配方法对橡胶密封件表面细小缺陷进行检测识别,该方法与传统的人工检测方法相比,具有非接触、可在线、客观真实、自动化等优点,可有效地解决密封件表面缺陷检测问题。     

光纤光谱结合模式识别无损检测苹果表面疤痕

为了实现基于光纤光谱技术结合模式识别无损检测苹果表面疤痕, 利用光纤光谱采集系统采集了完好无损和表面有疤痕苹果的光谱数据, 采用标准正态变换(SNV)和1阶导数对原始光谱数据进行预处理; 利用主成分分析方法对预处理后的光谱数据进行降维, 以提取能反映苹果表面疤痕的特征光谱; 利用k最近邻(KNN)模式识别方法和偏最小二乘判别分析方法, 建立了苹果表面疤痕的识别模型。结果表明, 采用主成分分析法选择了累计贡献率超过99%的前8个主成分作为样本集特征光谱数据, 很好地实现了光谱数据的降维; 利用1阶导数+KNN识别模型对校正集以及SNV+KNN识别模型对预测集中正常果和疤痕果的正确率识别均高达96.0%。验证了基于光纤光谱技术结合模式识别方法无损检测苹果表面疤痕的可行性。     

基于OpenCV的石英晶片污垢检测技术研究

污垢检测是石英晶片缺陷检测的重要组成部分。为实现比较理想的污垢检测,采用基于开源计算机视觉库OpenCV的图像处理技术对石英晶片污垢缺陷进行检测。在此通过依次对图像进行平滑去噪、二值化阈值分割、轮廓提取和跟踪等处理,计算出轮廓的周长,将有缺陷与无缺陷晶片轮廓进行比较,为晶片污垢检测提供依据。实验结果表明在VisualStudio2008环境下,利用OpenCV库函数缩短了大量编程时间,提高了工作效率。     

基于深度学习的激光剪切散斑干涉无损检测缺陷识别

剪切散斑干涉技术通过测量物体表面变形来推断其内部缺陷,具有高灵敏度、检测范围广、精度高等优点,是一种极具潜力的复合材料无损检测技术。目前缺陷识别主要采用人工方式,而人工识别不但检测效率低且受到专业性限制。为了提高剪切散斑干涉无损检测方法中的缺陷识别精度和效率,本文提出基于深度学习剪切散斑干涉缺陷识别方法。利用高精度四步相移技术获取剪切散斑相位条纹高质量成像;引入了应用广泛的YOLOv5和Faster R-CNN目标检测算法,通过实验采集了大量的缺陷图像,分别用YOLOv5和Faster R-CNN两种算法获得训练模型。然后将这两种模型分别应用于剪切散斑干涉无损检测中的复合材料缺陷检测。最后,实验从检测速率和检测精度方面对模型识别效果进行了对比分析。实验结果表明,激光剪切散斑干涉技术结合深度学习的方法能有效地实现剪切散斑干涉无损检测的缺陷自动识别,Faster R-CNN和YOLOv5的检测速率分别能达到11 f/s和50 f/s,并且两种深度学习算法的平均精度均能达到92%以上,验证了提出方法的可行性。