精冲件轮廓缺陷在线检测技术北大核心CSCD

为提高平板厚板型精冲件的轮廓检测速度与精度,基于机器视觉技术,研究了一种轮廓缺陷在线检测技术。利用Canny算子从均值偏移滤波后图像中提取边缘线,然后根据标准轮廓(模板)的尺寸,从中挑选出需要检测的轮廓。由于待检测轮廓与模板存在角度与位移偏差等问题,提出了一种先角度配准、再位置配准的两步图像配准算法,将配准后的待检轮廓与模板进行图形比对,差异图像经过形态学滤波等算法处理,获得缺陷区域的尺寸及位置,由此实现精冲件的在线检测。基于研究成果设计开发了一套零件在线检测系统,并进行了实验验证。结果表明,该系统能够识别的零件精度达0.4 mm,每件的识别时间小于0.3 s,完全能够满足大批量精冲零件的轮廓缺陷在线检测的需求。     

基于二值化赋范梯度的中厚板表面缺陷检测

目的 针对中厚板表面复杂、缺陷识别率低的问题,设计一种有效的候选窗口提取方法,提升中厚板表面缺陷检测的准确性与实时性。方法 引入视觉选择性注意机制,采用一种基于二值化赋范梯度特征（Binarized Normed Gradients,BING）的一般对象估计算法来快速准确地提取缺陷感兴趣区域（Region of Interest ,ROI）,有效缩短搜寻过程。首先将样本归一化到8×8大小,提取规范化梯度特征（Normed Gradients,NG）,学习一个测量显著性的线性SVM分类器来预测图像窗口含有缺陷的可能性。然后再通过样本尺度优化显著性评分,学习一个校准显著评分的线性SVM分类器。最后将两个SVM模型级联,用于在线检测,提取缺陷感兴趣区域。结果 将训练好的BING模型与Inception-V3卷积神经网络相结合,用于中厚板表面缺陷检测与识别,BING算法有效减少了ROI数量,在ROI数量为500的情况下,达到了98.2%的召回率。结论 在保证缺陷召回率的前提下,BING生成的ROI数量比滑动窗口遍历方式少2个数量级,有效减少了后续识别算法的计算量,有利于引入复杂的分类器提升中厚板表面缺陷识别的准确率。     

脉冲扰动电磁场检测非表面缺陷埋深的识别算法

交流电磁场检测技术是一种新型的电磁无损检测技术,但由于趋肤效应的存在,其对表面裂纹检测具有较高的敏感性,但对于非表面缺陷检测存在着技术瓶颈。借助脉冲激励源在工件中产生的感应电流渗透深度大的特点,进行非表面缺陷的脉冲扰动电磁场检测技术仿真与试验,提出了基于小波熵理论的非表面缺陷埋深识别算法。试验结果表明,所构建的脉冲扰动电磁场缺陷识别算法可有效识别和区分不同埋深缺陷。     

基于图像像素级分割与标记映射的工件表面微小缺陷检测算法

为了解决当前工件表面微小缺陷在边缘模糊和特征不明显的情况下,导致其检测不准确的问题,文章提出了基于图像像素级分割与标记映射的工件表面微小缺陷检测算法。首先,利用工业显微镜采集工件图像,获取显微缺陷图;根据高效原则,以整数代替浮点运算,位移代替乘法运算,设计位移亮度滤波算子,进行平台数据转换,基于像素亮度阈值的标记映射,获取显微图像的像素亮度分布的二值图像。然后,耦合高斯平滑滤波与形状滤波,增强图像边缘轮廓特征,进行连通区域标记,准确识别与定位微小缺陷。最后,对缺陷目标进行特征计算和标注显示,完成微小缺陷的自动检测和定量计算。实验测试结果显示:与当前工件表面缺陷检测算法相比,文中检测技术拥有更高的识别精度。     

一种基于改进Faster RCNN的金属材料工件表面缺陷检测与实现研究

目的 针对传统检测算法在工件表面缺陷检测上的局限性,以及检测精度不高、准确率较低、检测过程繁琐等问题,提出了一种基于改进RCNN的金属材料工件表面缺陷检测算法。方法 图像预处理过程中,运用了图像缺陷定位标注与图像数据的增强处理的方法。模型训练时为了避免某些分类数据不足,防止因数据集过小导致系统测试模型出现过拟合现象,使用了对原图像进行数据扩增处理。检测网络模型设计时,采用非极大值抑制算法对缺陷图像进行候选区域筛选,构建了区域建议网络,实现网络多层特征的复用和融合,在减少候选区域冗余的基础上提高系统的检测精度。引入多级ROI池化层结构设计算法,消除ROI池化取整而产生的系统偏差,实现高效并准确检测零件表面缺陷的目的。基于ROI-Align算法的原图位置坐标改进,利用双线性插值法获得原图的位置坐标,克服了基于最近邻插值法的ROI-Pooling设计算法带来的像素位置偏移和检测不匹配（misalignment）的问题。结果 设计的检测方法在测试集上,金属材料工件表面目标缺陷检测速度达22 帧/s,准确率达97.36%,召回率达 95.62%。结论 与传统的工件表面检测方法相比,改进的FasterRCNN方法对目标识别与定位处理具有较快的速度与较高的准确度,能在复杂场景条件下,提升工件表面缺陷的检测性能。     

基于YOLOv5的换向器表面缺陷检测算法研究

在零部件制造和使用过程中,可能会在零部件表面出现缺损现象,而零部件在反复使用过程中其微小缺陷可能扩大甚至使损坏零部件,进而导致零部件所在系统发生故障。以工业用典型零部件换向器为研究对象,提出了基于深度学习算法的零部件缺陷检测方法。研究中,基于KolektorSDD数据集,首先采用Mosaic数据增强方法对换向器缺陷数据集中的数据进行旋转、裁剪等处理,对数据集进行扩充,构建数据集。其次,将构建的数据集划分为训练集和测试集。采用构建的训练数据集,搭建深度学习框架并采用YOLOv5卷积神经网络训练模型,建立换向器表面缺陷识别模型。最后,采用构建的识别模型对测试集中的数据进行测试。结果表明,训练模型性能评价指标平均精确率均值(mAP)及正样本召回率(Recall)均高达95%以上,采用深度学习中YOLOv5目标检测算法对换向器表面缺陷的检测精度可高达90%。     

焊缝表面缺陷激光视觉传感HOG-SVM的检测方法

为了实现对焊缝表面缺陷的自动检测与分类,研究一种有效识别焊缝表面缺陷的激光视觉检测方法.通过激光视觉传感器采集焊缝图像并进行预处理,包括图像分割,灰度化,平滑去噪以及焊缝轮廓提取.采用方向梯度直方图(Histogram of Oriented Gradient, HOG)提取焊缝激光条纹轮廓图像的特征向量.其次,基于5折-交叉验证网格搜索方法进行模型参数寻优,最终建立了支持向量机(Support Vector Machine, SVM)智能模型识别与分类焊缝表面缺陷.通过调整焊缝轮廓提取算法、HOG特征维度得到不同特征数据并进行对比、分析焊缝缺陷的识别效果.在相同试验条件下,发现支持向量机比随机森林分类器、K最近邻分类器以及朴素贝叶斯分类器的识别率更高,达到97.86%.基于HOG-SVM的焊缝表面缺陷智能识别方法可有效提高焊缝缺陷(气孔、凹陷、咬边)及无缺陷的分类精度.     

基于机器视觉的线缆表面缺陷快速检测算法研究

利用机器视觉技术检测线缆表面缺陷时,检测时间长、漏检率高。为此,提出一种基于机器视觉的线缆表面缺陷快速检测算法。通过引入CV-Kmeans区域分类算法建立自适应滤波窗口改进高斯滤波算法,在此基础上建立自适应模板,然后计算原图像与模板的Pearson(皮尔逊)相关系数快速判断图像是否含有缺陷。对含有缺陷的图像进行模板与原图差分,最后对差分所得到的图像用自适应阈值分割法提取缺陷。实验表明,算法可有效识别缺陷并减少检测时间,漏检率为3.22%,满足线缆生产需求。     

基于离焦图像的晶圆表面缺陷检测

缺陷检测在晶圆生产中起着关键作用,在利用机器视觉检测晶圆缺陷时,无论晶圆有无缺陷均进行自动对焦,从而导致检测效率降低,针对该问题,提出了一种基于离焦图像的晶圆表面缺陷检测方法。可在对焦前下对晶圆进行评估,检测缺陷后进行对焦,首先在频域中对晶圆图像进行自适应背景估计和去除,得到光照均匀、特征突出的检测图像;然后使用区域合并的优化分水岭算法进行图像分割;最后对分割后缺陷区域进行缺陷识别。实验结果表明,该方法可以准确鉴别晶圆图像是否存在缺陷,对于存在缺陷的样本,缺陷检测准确率可达95.3%,提高了检测效率。     

基于FPGA的交流电磁场缺陷智能检测仪

石油石化行业中，碳钢结构物长期受到腐蚀、应力等因素的影响，表面易产生复杂裂纹，复杂裂纹的检测分析需要强大的数据处理能力，对检测仪器的功能架构提出了诸多挑战。首先基于交流电磁场检测(ACFM)技术，建立了不同类型裂纹的仿真模型，分析结构物表面感应电流分布，探究缺陷形貌-电流扰动-磁场畸变之间的映射关系，提出了基于特征信号B_z的缺陷智能识别算法；然后基于FPGA(现场可编程逻辑门阵列)平台，构建交流电磁场缺陷智能检测仪，实现了激励信号发生、检测信号采集、处理和显示等功能，并开展了人工预制裂纹的识别试验。试验结果表明，该交流电磁场缺陷智能检测仪可以实现不同角度直线裂纹和复杂裂纹的表面轮廓重构与识别。     

塑件质量的BP神经网络智能控制研究

设计了一个多输入多输出的BP神经网络程序,依据正交试验设计训练样本,实现了注射成型产品多质量目标的高精度预测;应用质量控制环和工艺控制环构建的注射成型自适应控制系统可实现对产品质量的自适应调整,提高了实际生产效率,降低了废品率。     

注射模型腔压力监控系统的设计与实现

为解决注射成型过程中传统试模方法的盲目低效和生产中塑件质检的不可靠性,提出了基于型腔压力实现自动试模和塑件质量在线检测的解决方案,基于MFC框架设计开发了型腔压力监控系统,系统实现型腔压力的采集、分析和显示,基于机器手的次品自动分离以及数据库技术的数据持久化存储,实现了基于型腔压力的注射成型自动化生产和控制提供高效可靠的软件平台。     

基于线扫视觉的活塞杆表面瑕疵检测系统设计

为提高活塞杆表面瑕疵检测效率,设计基于机器视觉的全自动活塞杆表面瑕疵检测系统。利用LabVIEW软件的Vision模块进行图像采集、处理与识别,利用TIA portal软件进行运动控制;利用二值化算法过滤掉较小瑕疵;对图像进行腐蚀运算,再进行膨胀运算,以去除孤立小点、毛刺和小桥。实验结果表明:该系统运行稳定、可靠且效率高。     

基于深度学习的微小元器件智能在线检测系统

为了解决多种微小元器件的尺寸、位置、方向和缺陷自动化在线检测难的问题,提出一套机器视觉和深度学习相结合的智能在线检测系统.通过搭建视觉检测系统采集微小元器件的图像,并对图像进行图像预处理、二值化、滤波、边缘轮廓特征提取以及模板匹配等处理,实现了多种微小元器件尺寸、位置和方向的在线检测.针对微小元器件表面缺陷,提出一种基...     

基于模式识别的零件表面瑕疵图像提取的设计与实现

针对精密零件表面瑕疵处理问题,将计算机视觉技术用于精密零件表面瑕疵图像的提取和分析,提高了生产中机械零件自动识别的实时性和分拣的准确率,并结合嵌入式系统进行控制。设计了一个基于机器视觉的零件表面瑕疵图像自动识别系统,采用图像处理及模式匹配的方法,实现了零件表面瑕疵图像的提取,为零件表面瑕疵的处理做好了准备工作,达到了对许多加工件和产品表面质量进行快速检测的目的。     

基于机器视觉的玻璃加工AOI系统的开发

针对传统玻璃加工生产中人工检测玻璃表面质量效率低的问题,提出采用自动光学检测(AOI)设备进行检测。论述了玻璃精加工AOI系统设计的整体方案、结构组成、控制系统的功能及控制流程,重点分析了基于机器视觉的AOI系统的设计方法和步骤。采用自主研发彩色图像算法系统实现玻璃表面缺陷的检测,准确率高,优于人工检测法,使产品的品质更加稳定可靠,杜绝不良品流入次工序或客户端。该系统能够连续工作,极大地提高了工作效率,减少了企业的用工成本。     

基于X射线数字化图像处理的双面焊焊缝缺陷检测

对双面焊焊缝的缺陷自动检测,提出了对焊缝重叠区边缘区与非边缘区分别进行处理、非细长缺陷与细长缺陷分别进行处理的思路.在逐列灰度波形分析检出焊缝外边缘和两焊缝重叠区边缘的基础上,对于非细长缺陷,采用大模版中值与均值滤波相结合模拟背景,然后对消除背景后图像采用分区域阈值检出焊缝缺陷,对于细长缺陷,提出了基于逐列自适应二值化和改进霍夫变换的缺陷分割算法.结果表明,所提出的方法能够在有效地避免两焊缝重叠区边缘处误检的同时,检出微弱线缺陷.     

应用CAE技术优化手机下盖产品及模具设计

利用CAE模拟分析软件对手机下盖进行注射成型过程动态模拟,预测可能发生的缺陷．并针对缺陷情况提出优化方案,对注射成型工艺、产品壁厚设计和模具浇注系统进行优化．最终获得手机下盖注射成型的最佳方案。     

密码机面壳注射模设计

分析了密码机面壳的注射成型工艺,指出了模具设计的难点,模具运用潜伏式浇口避免了在制品表面留下浇口痕迹,设计循环式冷却系统提高了制品精度,采用斜推杆实现了制品内侧倒扣的成型与抽芯。实践证明,模具结构合理,工作稳定,成型的制品质量合格。