[go: up one dir, main page]

CN119395039A - 基于深度学习模型的锯条齿形缺陷的视觉检测系统 - Google Patents

基于深度学习模型的锯条齿形缺陷的视觉检测系统 Download PDF

Info

Publication number
CN119395039A
CN119395039A CN202411445758.6A CN202411445758A CN119395039A CN 119395039 A CN119395039 A CN 119395039A CN 202411445758 A CN202411445758 A CN 202411445758A CN 119395039 A CN119395039 A CN 119395039A
Authority
CN
China
Prior art keywords
tooth
saw blade
defect
visual inspection
pixel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202411445758.6A
Other languages
English (en)
Inventor
朱敏
吴婷婷
杨崴
周向荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Meizhouwan Vocational Technology College
Original Assignee
Meizhouwan Vocational Technology College
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Meizhouwan Vocational Technology College filed Critical Meizhouwan Vocational Technology College
Priority to CN202411445758.6A priority Critical patent/CN119395039A/zh
Publication of CN119395039A publication Critical patent/CN119395039A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0106—General arrangement of respective parts
    • G01N2021/0112—Apparatus in one mechanical, optical or electronic block
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/888—Marking defects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
    • G01N2021/8924—Dents; Relief flaws
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Textile Engineering (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了基于深度学习模型的锯条齿形缺陷的视觉检测系统，涉及锯条齿形缺陷检测技术领域，包括有能提供多个不同特定波长的光源，第一视觉检测装置对锯条进行拍摄并生成数字图像，并扫描图中的像素信息进行边缘检测、纹理分析以及形态学操作后提取对应的特征值；第二视觉检测装置用于接收所述不同特定波长的光从一定长度范围的锯条表面反射回来的光，并分析生成反射光谱数据。通过将第一次视觉检测装置提取出的特征值与设定的阈值范围进行对比，初步识别出明显的齿形缺陷区域，并特征值将与设定阈值的对比结果作为是否进行第二次精确检测的启动条件，第二次视觉检测装置对初步检测出潜在缺陷的区域进行更加精确的检测，识别深层次的缺陷特征。

Description

基于深度学习模型的锯条齿形缺陷的视觉检测系统
技术领域
本发明涉及锯条的齿形缺陷检测技术领域，具体是基于深度学习模型的锯条齿形缺陷的视觉检测系统。
背景技术
锯条作为切割工具，锯条上的锯齿缺陷会显著影响切割能力。其中，在锯条高速切割过程中，锯齿的缺失或裂纹会削弱锯条的整体强度，增加断裂的风险，这不仅导致切割不完整，还可能损坏正在切割的材料，造成经济损失；锯齿上的划痕会增加锯条与材料之间的摩擦力，导致切割面不平整，这不仅影响切割质量，还会引发切割卡顿，增加操作难度。
因此，为了防止上述问题的发生，需要在锯条生产过程中进行齿形检测，及时发现锯条上的齿形缺陷并方便后续修复缺陷。
当前在锯条的工业化流水线生产过程中，多采用相机视觉检测的方式，通过拍摄锯条的图像，后与标准图像进行对比以检测齿形缺陷。这种自动化的检测方式高度依赖于标准图像的质量和精确性，如果标准图像无法涵盖所有可能的缺陷类型或特征变化，检测结果的准确性将受到影响；如果缺陷特征与标准图像的差异不够显著，例如裂纹特征较小或出现轻微的表面划损，在差异检测中会被系统忽略，导致缺陷漏检。
发明内容
一)解决的技术问题
本发明提供了基于深度学习模型的锯条齿形缺陷的视觉检测系统，以解决现有用图像视觉对比检测锯条齿形缺陷的方式容易出现漏检以及准确性易受影响的问题。
二)技术方案
为实现上述目的，本发明提供如下技术方案：基于深度学习模型的锯条齿形缺陷的视觉检测系统，适用于进行连续分段检测的锯条，包括：
光源，配置为能提供多个不同特定波长的光；
第一视觉检测装置，用于对一定长度范围的锯条进行拍摄并生成数字图像，将所述数字图像调整为统一的像素尺寸，扫描图中的像素信息进行边缘检测、纹理分析以及形态学操作后提取对应的特征值；其中，所述特征值包括裂纹宽度、对比度和齿间距；
第二视觉检测装置，用于接收所述不同特定波长的光从一定长度范围的锯条表面反射回来的光，生成反射光谱后分析不同特定波长的反射光强度变化；其中，反射强度显著下降的区域标记为存在齿形缺陷；
判断单元，用于接收所述第一视觉检测装置所提取的特征值及其对应的像素位置，将不同所述特征值与设定的阈值区间进行对比；其中，当所有特征值均小于对应的阈值区间的最小值时，停止检测，标记为无齿形缺陷；当存在有特征值大于对应的阈值区间的最大值时，标记为存在齿形缺陷；当存在至少一个特征值的大小位于对应的阈值区间内时，启动所述第二视觉检测装置进行光谱分析；
标记单元，用于实时接收所述判断单元输送的被标记为存在齿形缺陷的特征值以及所述第二视觉检测装置标记为存在齿形缺陷的反射光谱，并记录齿形缺陷处对应的像素位置。
进一步的，所述第一视觉检测装置每次检测拍摄的锯条的长度，与所述第二视觉检测装置每次检测的锯条的长度相等，并第一视觉检测装置与第二视觉检测装置相对于锯条同侧设置。
进一步的，所述第一视觉检测装置对锯条拍摄并生成的数字图像为灰度图，使用高斯滤波对所述灰度图平滑处理后，将灰度图调整为所述统一的像素尺寸。
进一步的，所述第一视觉检测装置扫描图中的像素信息进行边缘检测用于识别计算裂纹宽度W，具体为以下步骤：
将所述灰度图转化为二维像素矩阵；
使用Canny边缘检测法计算每个像素的梯度，识别出亮度变化显著的边缘；
获取边缘的坐标点；
根据所述边缘坐标确定裂纹的区域；
根据提取的边缘坐标，计算裂纹宽度W。
进一步的，所述第一视觉检测装置扫描图中的像素信息进行纹理分析用于识别计算对比度C，具体为以下步骤：
定义灰度值范围，将所述二维像素矩阵中的像素值，通过线性映射的方式映射到所述定义的灰度值范围，得到量化后的灰度级矩阵；
对于所述量化后的灰度级矩阵，统计其中灰度对的出现次数，得到灰度共生矩阵；
根据对比度C公式计算图像中的对比度；
C＝-∑(i-j)2p(i,j)
其中，所述灰度共生矩阵中元素p(i,j)表示灰度值为i和j的像素对在图像中出现的次数。
进一步的，所述第一视觉检测装置扫描图中的像素信息进行形态学分析用于识别计算齿间距D，具体为以下步骤：
将所述二维像素矩阵转换为二值图像，将锯齿区域与背景分离；其中，将大于设定值的像素值设为1，其余的设为0，得到所述二值图像；
对所述二值图像先后运用形态学腐蚀运算和膨胀运算，提取齿的形状和位置；
通过计算相邻的所述前景像素之间的距离来计算齿间距D。
进一步的，所述判断单元接收所述第一视觉检测装置所提取计算的裂纹宽度W、对比度C和齿间距D，以及每个特征值所对应的像素位置，将特征值分别与设定的裂纹宽度阈值区间、对比度阈值区间和齿间距阈值对比；对应的，
若所述提取计算的裂纹宽度W小于所述裂纹宽度阈值区间中的最小值，则标记为无裂纹缺陷；若裂纹宽度W大于裂纹宽度阈值区间中的最大值，则标记为存在裂纹缺陷；
若所述提取计算的对比度C小于所述对比度阈值区间中的最小值，则标记为无划痕缺陷；若对比度C大于对比度阈值区间中的最大值，则标记为存在划痕缺陷；
若所述提取计算的齿间距D小于所述齿间距阈值，则标记为无齿缺陷；若所述提取计算的齿间距D大于所述齿间距阈值，则标记为存在齿缺陷；所述齿缺陷表征为齿缺失或齿损坏；
当所述裂纹宽度W的大小位于裂纹宽度阈值区间之内时，表示裂纹缺陷较小，启动所述第二视觉检测装置进行光谱分析；
当所述对比度C的大小位于对比度阈值区间之内时，表示划痕缺陷较小，启动第二视觉检测装置进行光谱分析。
进一步的，所述第一视觉检测装置检测出位于对应的所述阈值区间之内裂纹宽度W和/或对比度C，以及其对应的像素位置，所述第二视觉检测装置分析该像素位置的不同所述特定波长的反射光谱数据，具体为分析不同特定波长的反射光强度变化；对应的，
在提取计算出所述裂纹宽度W的像素位置，若该位置处特定波长的反射光谱中，反射强度显著下降，则标记为存在裂纹缺陷；
在提取计算出所述对比度C的像素位置，若该位置处特定波长的反射光谱中，反射强度显著上升或波动，则标记为存在划痕缺陷。
进一步的，所述标记单元记录齿形缺陷处对应的像素位置，所述齿形缺陷包括裂纹缺陷、划痕缺陷以及齿缺陷，将其转化为在锯条上的实际位置并进行标记；所述转化步骤如下：
确定进行视觉检测的锯条的实际物理尺寸和图像的像素分辨率之间的比例关系；
根据所述比例关系将所述像素位置映射为锯条上的实际物理位置。
进一步的，还包括有稳定光源，所述稳定光源用于为所述第一视觉检测装置提供稳定均匀的照明，并稳定光源与所述光源的光线不干涉。
三)有益效果：
与现有技术相比，该发明具备如下有益效果：
本发明通过第一次视觉检测装置对锯条表面的图像识别提取相应的特征值，将提取出的特征值与设定的阈值范围进行对比，初步识别出明显的齿形缺陷区域，从而实现快速过滤出明显的齿形缺陷区域，提高检测效率。
将与设定阈值的对比结果作为是否进行第二次精确检测的启动条件，第二次视觉检测装置对初步检测出潜在缺陷的区域进行更加精确的检测，识别深层次的缺陷特征；通过限制第二次精确检测的触发条件，避免对整个锯条表面进行冗余的全面分析，即降低了检测时长和系统负载，同时又确保了问题区域得到更精确的检测，提高齿形缺陷的检测精度和可靠性。
通过实时记录将识别出的缺陷进行标记，并以坐标轴的形式记录缺陷的位置和类型，为后续处理提供参考，确保锯条的质量可追溯性。
附图说明
图1为本发明实施例提供的一种连续移送锯条的应用场景示意图；
图2为本发明实施例提供的一种基于深度学习模型的锯条齿形缺陷的视觉检测系统的原理框图；
图3为本发明实施例提供的一种连续移送锯条先后到第一视觉检测装置和第二视觉检测装置的应用场景示意图；
图4为本发明实施例提供的视觉检测系统中第一视觉检测装置和第二视觉检测装置的检测区域示意图；
图5为本发明实施例提供的当出现裂纹缺陷时，第二视觉检测装置检测分析特定波长光的反射光谱图；
图6为本发明实施例提供的当出现划痕缺陷时，第二视觉检测装置检测分析特定波长光的反射光谱图；
图中：1、工业相机；2、稳定光源；3、光谱相机；4、光源。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在对锯条进行齿形缺陷的检测过程中，本发明人发现：
在工业流水线式的锯条生产过程中，常使用机器视觉来对比检测锯条上是否出现齿形缺陷，例如使用相机对锯条拍摄成像，后与数据库中正常和有齿形缺陷的图像进行对比，进而通过对比重合度来判断锯条上是否存在齿形缺陷。
但是这种方法需要大量存储已知缺陷和正常样本的图像，且在产品种类繁多、缺陷类型复杂的情况下，维护和更新数据库的成本和工作量非常大。不同类型的缺陷(如裂纹、划痕、缺齿等)会表现出不同的视觉特征，这要求数据库中的样本具有足够的多样性以应对各种情况。且对一些微小或隐藏的缺陷(如细小裂纹、深层次划痕)，单依赖于图像的逐一比对会出现难以识别的情况，这些缺陷可能在图像中不明显，或者与背景混淆，导致检测失败。
进而，为了改善上述现有技术中的种种缺陷，本发明实施例提出了基于深度学习模型的锯条齿形缺陷的视觉检测系统，其能够通过对锯条图像的处理初步识别出较明显的齿形缺陷，例如裂纹、划痕和缺齿；通过分析锯条表面对不同特定波长的反射光谱，进一步识别出微小或隐藏的缺陷。通过实时记录将识别出的缺陷进行标记，并以坐标轴的形式记录缺陷的位置和类型，为后续修复处理提供参考，确保锯条的质量可追溯性。
结合图1至图6所示的基于深度学习模型的锯条齿形缺陷的视觉检测系统，本发明所提供的实施例适用于工业流水线式对整段锯条连续视觉检测的场应用场景，具体的，将整段锯条分段连续地输送至检测区域，检测区的检测装置对齿条的表面缺陷进行视觉检测，在本发明所以提供的一些可实行的实施例中，将其检测流程细分为以下几个部分：
第一次检测：对锯条表面的整体外观进行初步检测，识别常见缺陷如裂纹、划痕和缺齿。快速初筛明显的缺陷区域，减少无效数据处理的负担。
误差分析与判断环节：根据第一次检测的结果，进行特征值的误差分析，判断是否需要进一步检测，从而减少不必要的后续检测，优化资源和时间消耗。
第二次检测：对初步检测出潜在缺陷的区域进行更加精确的检测，识别深层次的缺陷特征。提供比第一次检测更深入、更精确的分析，降低误报率，精准区分不同类型的缺陷。
缺陷标记：将识别出的缺陷进行标记，并以坐标轴的形式记录缺陷的位置和类型。
关于第一次检测，在本发明所提供的一些可实行的实施例中，其过程分为：锯条以恒定速度分段进入第一检测区域；第一视觉检测装置对每段锯条拍摄高清图像；图像经处理后调整为统一像素尺寸；使用边缘检测、纹理分析和形态学操作，提取锯条的特征值；后将提取出的特征值与设定的阈值区间范围进行对比，初步识别潜在缺陷区域。
具体的，在本发明所提供的一些可实行的实施例中，采用工业相机作为第一次视觉检测装置，使用工业相机采集锯条表面的图像。需要注意的是，要确保工业相机具有足够的分辨率和图像质量，以便清晰地捕捉到锯条的缺陷。关于光照条件，确保检测区域的光照充足，避免阴影和反射对图像质量的影响。为此，可以在工业相机旁边设置稳定光源，工业相机垂直于锯条表面进行拍摄，稳定光源与工业相机同侧设置，保证拍摄图像的质量。
在对第一视觉检测装置拍摄的图像进行分析处理之前，需要进行一些预处理步骤，以提高后续分析的准确性。具体包括以下步骤：
调整大小：将图像调整为模型输入所需的统一尺寸(例如224×224像素)。
归一化：将像素值缩放到0到1之间，以提高模型训练的效率和效果。
去噪：可使用滤波技术(如高斯滤波)去除图像噪声，增强特征。
以下是本发明实施例中的一个Python示例代码，演示如何对图像进行数据预处理。
将经过预处理后的数字图像(通常为灰度图)进行边缘检测、纹理分析和形态学操作，扫描像素值的变化情况，提取出对应的特征信息。
边缘检测算法(如Canny、Sobel算子)会扫描图像中的像素，识别出亮度变化显著的边缘，齿形的裂纹缺陷特征会在边缘检测中突出表现出来，通过计算边缘之间的距离确定裂纹宽度。
具体的，扫描像素图，识别出像素灰度变化明显的地方，并在这些区域提取出边缘，在本发明的一些实施例中，采用Canny边缘检测算法，计算图像的梯度，找到边缘。现将灰度图中的像素值设定为以下二维像素值矩阵：
在这个矩阵中，每个元素代表一个像素的灰度值或颜色值。二维像素矩阵可以表示灰度图像、彩色图像或二值图像。对于灰度图像，像素值通常在0到255之间。
上述二维像素矩阵经过Canny边缘检测后，设定得到的边缘检测结果为：
对上述二值图像提取边缘坐标为：
(0,2),(0,3),
(1,1),(1,2),(1,3),
(2,1),(2,2),(2,3),
(3,2)
需要注意的是，像素的坐标通常以(y,x)的形式表示，其中y是行索引(垂直方向)，x是列索引(水平方向)，这是因为图像在内存中通常按行优先存储。
可以理解的是，在这个例子中，可以观察到：裂纹的上下边缘大致在行0到行3之间，列则在列1和列3之间。
根据提取的边缘坐标，可以计算宽度：在行1和行2中，最左边的边缘在列1，最右边的边缘在列3。
使用公式计算裂纹的宽度：
裂纹宽度(W)＝右边缘列-左边缘列}+1
对应到这个例子中：
W＝3-1+1＝3pixels
假设这个区域每个像素对应0.5mm的实际尺寸，裂纹宽度在水平方向上为3个像素，则实际裂纹宽度＝3×0.5mm＝1.5mm。
关于第一视觉检测装置如何提取计算划痕缺陷的特征值，在本发明一些可实行的实施例中，采用纹理分析算法(如灰度共生矩阵GLCM)分析图像中相邻像素之间的关系，提取纹理信息，从而对比度C。
具体的，还以上述的二维像素矩阵举例，计算灰度共生矩阵(GLCM)。首先，需要定义灰度值范围，在这个例子中，假设只关心灰度值为0-3(为了简单起见，实际应用中可能需要更大的范围)，将上述矩阵的像素值映射到0-3范围(通过某种量化方法，比如线性映射法)，得到：
接下来，计算GLCM，考虑到相邻像素的关系(例如，水平关系)，统计灰度对的出现次数。得到的GLCM如下：
其中，GLCM中的元素p(i,j)表示灰度值为i和j的像素对在图像中出现的次数。例如，元素p(0,0)＝4表示灰度值为0和0的像素对出现了4次，p(0,1)＝2表示灰度值为0和1的像素对出现了2次，依此类推。
对比度的公式为：
C＝-∑(i-j)2p(i,j)
根据GLCM计算对比度，其中，
(0-0)24＝0表示灰度值为(0,0)的对比度贡献。
(0-2)22＝8表示灰度值为(0,0)的对比度贡献。
(2-0)22＝4表示灰度值为(0,0)的对比度贡献。
(1-1)23＝0表示灰度值为(0,0)的对比度贡献。
结果为C＝0+8+4+0＝12，表示图像中灰度值之间的对比程度。
关于第一视觉检测装置如何提取计算齿缺失或齿损坏缺陷的特征值，在本发明一些可实行的实施例中，采用形态学计算，提取图像中的几何特征，识别图像中特定的型装置和结构，用于检测缺齿和齿间距。具体的，通过二值化图像，用形态学操作计算齿形结构的齿间距D。
还是以上述的二维像素矩阵为例，首先将其进行二值处理，将锯齿区域与背景分离，然后通过图像分析算法提取齿的形状和位置。二值图像是指每个像素只有两个可能的值，通常为0和1。0通常代表背景(黑色)，而1代表前景(白色或其他颜色)，二值图像主要用于表示图像中的对象与背景的分离。提取后的二值图像如上述所示。
首先对上述的二值图像进行腐蚀处理，腐蚀可以去除小的噪声、细化物体的边界，将相邻的物体分开。具体的，通过用一个小的结构元素(如3×3矩阵)扫描二值图像，从而使前景区域缩小，前景像素(值为1)会被侵蚀，只有当结构元素覆盖的所有像素都是前景像素时，结果像素才为前景。
腐蚀操作会使前景区域缩小，腐蚀结果为：
之后进行膨胀操作，与腐蚀相反，膨胀操作会扩展前景像素。如果结构元素覆盖的任意一个像素是前景像素，则结果像素为前景，膨胀可以增加前景区域的大小，填补小的孔洞，或连接相邻的物体。
膨胀操作会使前景区域扩展，膨胀结果为：
齿间距D可以通过计算相邻前景像素之间的距离来实现。假设我们定义齿间距为前景区域的宽度(从一个前景像素的中心到下一个前景像素的中心)。
在腐蚀和膨胀后的图像中，可以通过以下方式计算齿间距：
找到前景像素的位置；
计算相邻前景像素之间的距离。
例如，在膨胀结果中，前景像素的位置为：
第一个前景像素位置：(0,2)；
第二个前景像素位置：(0,3)；
第三个前景像素位置：(0,4)；
计算列索引差：
对于第一个和第二个前景像素：
列索引差＝3-2＝1
这表示第2列和第3列之间的距离为1。
对于第二个和第三个前景像素：
列索引差＝4-3＝1
这表示第3列和第4列之间的距离也是1。
这个列索引差计算的是相邻前景像素之间的水平距离(列数)。在这个例子中，所有相邻前景像素之间的距离都是1，这表明它们相邻，没有其他前景像素隔开。
齿间距D可以理解为相邻齿之间的距离，如果列索引差为1，则表示这两个齿之间没有空隙。
参考图2，图2为本发明实施例提供的一种基于深度学习模型的锯条齿形缺陷的视觉检测系统的原理框图，当第一视觉检测装置对其拍摄后的锯条齿形图像提取计算对应的特征值之后，将其输送至判断单元，判断单元内设置有初定义的特征阈值。
对应的，将第一次检测中提取的特征值(裂纹宽度W、对比度C和齿间距D)与预设的阈值区间[A,B]进行比对。
如果特征值超过上限阈值B，则认为缺陷较大，可以直接标记，无需进行第二次检测，这样可以节省时间。
如果特征值在A和B之间，表示缺陷较小，需要进行第二次检测以更精准地分析和确认。
第二次精准检测对于较小的缺陷(特征值在A和B之间)，需要触发第二次更精确的检测，如使用光谱分析，以确认缺陷的性质和严重程度，然后再进行缺陷标记。
可以理解的是，这种方法能够在速度和精度之间取得平衡，针对模糊的缺陷进行深入分析，而对明显的缺陷则跳过进一步检测，直接处理。这种灵活性可以提高整体检测效率。
具体的，在本发明一些可实行的实施例中，具体参考图3和图4，将整段锯条每次推进相同的锯条长度举例，依次进入到第一视觉检测区域和第二视觉检测区域进行缺陷检测，在本实施例中，设定每次推进10cm长度距离的锯条进入到检测区域，即第一视觉检测装置的单次检测区域距离L1，第二视觉检测装置的单次检测区域距离L2相等且L1＝L2＝10cm。待检测的锯条的材料为低合金弹簧钢，锯条上的齿形为前角为10°的斜齿，齿距为25.4mm。
在上述例子的基础上，在判断单元中，设定的关于裂纹宽度阈值区间：下限阈值AW＝0.3mm，上限阈值BW＝1.0mm；
关于对比度阈值区间：下限阈值AC＝10，上限阈值BC＝30；
关于齿间距阈值：齿间距阈值＝27.4mm。
还是以上述灰度图转化的二维像素矩阵所提取计算出来的裂纹宽度W、对比度C和齿间距D为例，在次基础上进行特征误差判断。
具体的，经过第一次检测，某区域裂纹的宽度为1.5mm，超过了上限阈值BW＝1.0mm。
由于该裂纹宽度已经明显超过了阈值范围，表示这是一个严重的裂纹，系统可以直接标记为大裂纹，无需进行第二次光谱分析检测。
某个检测区域的对比度为12，处于阈值区间内下限阈值AC＝10和上限阈值BC＝30之间。
对比度在阈值区间内，表示可能存在较小的划痕或表面不规则性。此时，系统无法确定划痕的严重程度，触发第二次检测，使用光谱分析来进一步确认。
在齿间距D的计算中，列索引差为1，则表示这两个齿之间没有空隙。不需要进行第二次检测。另外，如果齿间距D在锯齿间距和齿间距阈值之间，表示在齿距误差之内，不需要进行第二次检测；如果齿间距D大于设定的齿间距阈值，表示存在存在齿损失缺陷，也不需要进行第二次检测。
具体参考图4，在发明一些可实行的实施例中，采用光谱相机3作为第二次视觉检测装置，光谱相机3旁边设置有可以发射不同的特定波长的光的光源4。光谱相机3通过分析物体反射或发射的光谱信息，可以检测裂纹和划痕的细节。光谱检测的优势在于它可以捕捉到不同波长的光反应，揭示出材料表面在不同光线下的微小差异，特别是当工业相机1可能未检测到的微细裂纹或划痕。关于光谱相机3的检测流程，具体如下：
光谱数据采集：光谱相机3旁边的光源4会发射宽频段的光线(可见光、红外线等)到锯条表面，材料表面会反射不同波长的光，光谱相机3根据反射光的特征获取光谱数据。对于裂纹和划痕，这些缺陷会导致光反射的异常，产生特定的光谱信号。
另外，需要注意的是，在第一次工业相机1检测后，只对有问题的区域进行光谱分析。工业相机1已经初步检测到潜在裂纹或划痕的位置，光谱相机3只需要对这些位置的像素点进行重点分析。例如通过工业相机1一次性拍摄10cm锯条的图像，生成224×224像素的图像。通过图像处理算法，初步检测出裂纹和刮痕等缺陷。标记这些区域的像素坐标。根据第一次检测结果，只选择那些缺陷区域的像素进行光谱分析。例如，如果裂纹的边缘像素点在图像的(50,100)到(80,130)范围内，则光谱相机3仅对这些坐标范围进行详细分析。这样的设计减少整体图像的光谱分析工作量，显著提高检测速度。
光谱图的生成：每个区域的反射光谱都可以生成一条光谱曲线，横轴代表波长(nm)，纵轴代表反射强度。
裂纹或刮痕处的光谱曲线与正常区域相比，反射强度可能会在特定波长下显著下降或增加，表明光线在这些区域有不同的吸收或散射特性。
现举例说明裂纹的光谱分析，假设锯条表面有一条微小裂纹，即上述裂纹宽度W在阈值区间内下限阈值AW和上限阈值BW之间，在某些波长下，裂纹的反射强度会显著降低，因为裂纹会增加表面粗糙度，导致光散射。
如图5所示，图5为本发明实施例提供的当出现裂纹缺陷时，光谱相机3检测分析特定波长光的反射光谱图，正常区域的光谱曲线在500-700nm的波长范围内相对平滑，在此范围内反射强度约为0.7-0.8，而裂纹处的光谱在550nm附近出现一个较大的反射强度下降，反射强度下降到0.5，形成一个明显的“谷”，可以判断该区域存在裂纹。
现举例说明划痕的光谱分析，假设锯条表面有一条微小划痕，即上述对比度C在阈值区间内下限阈值AC和上限阈值BC之间。刮痕与裂纹不同，它通常是表面划伤，造成不同波长光线的散射和反射变化，刮痕处在一些波长下会产生反射强度的峰值或波动，表现为光谱曲线的异常变化。
如图6所示，图6为本发明实施例提供的当出现划痕缺陷时，光谱相机3检测分析特定波长光的反射光谱图，在600-700nm波长区间，正常区域的光谱曲线相对平滑，该范围内反射强度约为0.8-0.9，但刮痕处在650nm附近反射强度突然上升到1.1，形成一个反射强度的“峰值”，该区域有显著的反射异常，可以判断该区域存在划痕。
需要注意的是，锯条表面应该保持清洁，没有灰尘、油污或其他污染物，这些杂质可能会改变光线的反射，导致光谱信号失真。定期清洁被检测物体和检测区域是确保检测精度的关键。光谱相机3的镜头也需要保持清洁，避免灰尘或指纹影响光的透过和反射。
在上述的基础上，可以理解的是，考虑到为光谱相机3配置的光源4(如特定波长的LED光源)和为工业相机1配置的稳定光源2(如宽光谱的白光)之间的光线交叉干扰，如图3和图4所示，使用遮挡物将两个检测区域放置在不同的位置，在空间上将两个检测区域隔离，避免光源4的光线交叉。
考虑到如何在不打扰检测工作的情况下能显示出各个齿形缺陷在锯条上的实际位置，在本发明所提供的一些可实行的实施例中，在检测系统中引如记录单元，用以实时接收第一视觉检测装置中大于裂纹宽度阈值区间中最小值的裂纹宽度W、大于对比度阈值区间中最小值的对比度C和大于齿间距阈值的齿间距D，并记录每个检测出的缺陷在数字图像中的(x,y)像素坐标。
在记录了缺陷的像素位置后，接下来需要将这些像素位置映射为锯条的实际物理位置，以便后续标注。
具体的，根据锯条实际长度和图像像素的比例关系，将检测出的像素位置转换为对应的物理位置。例如，假设锯条的10cm长度对应224像素，映射计算为每个像素长度为0.0446cm/像素。
如果某个裂纹的像素位置为(50,120)，其物理位置计算为：
x实际＝50×0.0446＝2.23cm
y实际＝120×0.0446＝5.35cm
为了使缺陷在整条锯条上被标注，需要将局部的物理位置按比例扩展到锯条整体。假设锯条的总长度为100cm，而检测区域为10cm，那么位置转换的公式如下：
上述公式将局部检测到的缺陷按比例放大到整条锯条的长度上。通过这种方式，能够精确地确定缺陷在锯条上的具体位置，后续系统同步显示缺陷位置，并记录数据供后续处理。实现在确保在不打扰检测工作的前提下，系统能够实时、准确地记录和显示锯条上的缺陷位置，方便后续分析和标记。
以上所述，仅为本发明的较佳实施例，并不用以限制本发明，本发明的专利保护范围以权利要求书为准，凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。

Claims (10)

1.基于深度学习模型的锯条齿形缺陷的视觉检测系统，适用于进行连续分段检测的锯条，其特征在于，包括：
光源，配置为能提供多个不同特定波长的光；
第一视觉检测装置，用于对一定长度范围的锯条进行拍摄并生成数字图像，将所述数字图像调整为统一的像素尺寸，扫描图中的像素信息进行边缘检测、纹理分析以及形态学操作后提取对应的特征值；其中，所述特征值包括裂纹宽度、对比度和齿间距；
第二视觉检测装置，用于接收所述不同特定波长的光从一定长度范围的锯条表面反射回来的光，生成反射光谱后分析不同特定波长的反射光强度变化；其中，反射强度显著下降的区域标记为存在齿形缺陷；
判断单元，用于接收所述第一视觉检测装置所提取的特征值及其对应的像素位置，将不同所述特征值与设定的阈值区间进行对比；其中，当所有特征值均小于对应的阈值区间的最小值时，停止检测，标记为无齿形缺陷；当存在有特征值大于对应的阈值区间的最大值时，标记为存在齿形缺陷；当存在至少一个特征值的大小位于对应的阈值区间内时，启动所述第二视觉检测装置进行光谱分析；
标记单元，用于实时接收所述判断单元输送的被标记为存在齿形缺陷的特征值以及所述第二视觉检测装置标记为存在齿形缺陷的反射光谱，并记录齿形缺陷处对应的像素位置。
2.根据权利要求1所述的基于深度学习模型的锯条齿形缺陷的视觉检测系统，其特征在于，所述第一视觉检测装置每次检测拍摄的锯条的长度，与所述第二视觉检测装置每次检测的锯条的长度相等，并第一视觉检测装置与第二视觉检测装置相对于锯条同侧设置。
3.根据权利要求1所述的基于深度学习模型的锯条齿形缺陷的视觉检测系统，其特征在于，所述第一视觉检测装置对锯条拍摄并生成的数字图像为灰度图，使用高斯滤波对所述灰度图平滑处理后，将灰度图调整为所述统一的像素尺寸。
4.根据权利要求3所述的基于深度学习模型的锯条齿形缺陷的视觉检测系统，其特征在于，所述第一视觉检测装置扫描图中的像素信息进行边缘检测用于识别计算裂纹宽度W，具体为以下步骤：
将所述灰度图转化为二维像素矩阵；
使用Canny边缘检测法计算每个像素的梯度，识别出亮度变化显著的边缘；
获取边缘的坐标点；
根据所述边缘坐标确定裂纹的区域；
根据提取的边缘坐标，计算裂纹宽度W。
5.根据权利要求4所述的基于深度学习模型的锯条齿形缺陷的视觉检测系统，其特征在于，所述第一视觉检测装置扫描图中的像素信息进行纹理分析用于识别计算对比度C，具体为以下步骤：
定义灰度值范围，将所述二维像素矩阵中的像素值，通过线性映射的方式映射到所述定义的灰度值范围，得到量化后的灰度级矩阵；
对于所述量化后的灰度级矩阵，统计其中灰度对的出现次数，得到灰度共生矩阵；
根据对比度C公式计算图像中的对比度；
C＝-∑(i-j)2p(i,j)
其中，所述灰度共生矩阵中元素p(i,j)表示灰度值为i和j的像素对在图像中出现的次数。
6.根据权利要求5所述的基于深度学习模型的锯条齿形缺陷的视觉检测系统，其特征在于，所述第一视觉检测装置扫描图中的像素信息进行形态学分析用于识别计算齿间距D，具体为以下步骤：
将所述二维像素矩阵转换为二值图像，将锯齿区域与背景分离；其中，将大于设定值的像素值设为1，其余的设为0，得到所述二值图像；
对所述二值图像先后运用形态学腐蚀运算和膨胀运算，提取齿的形状和位置；
通过计算相邻的所述前景像素之间的距离来计算齿间距D。
7.根据权利要求1至6中任一所述的基于深度学习模型的锯条齿形缺陷的视觉检测系统，其特征在于，所述判断单元接收所述第一视觉检测装置所提取计算的裂纹宽度W、对比度C和齿间距D，以及每个特征值所对应的像素位置，将特征值分别与设定的裂纹宽度阈值区间、对比度阈值区间和齿间距阈值对比；对应的，
若所述提取计算的裂纹宽度W小于所述裂纹宽度阈值区间中的最小值，则标记为无裂纹缺陷；若裂纹宽度W大于裂纹宽度阈值区间中的最大值，则标记为存在裂纹缺陷；
若所述提取计算的对比度C小于所述对比度阈值区间中的最小值，则标记为无划痕缺陷；若对比度C大于对比度阈值区间中的最大值，则标记为存在划痕缺陷；
若所述提取计算的齿间距D小于所述齿间距阈值，则标记为无齿缺陷；若所述提取计算的齿间距D大于所述齿间距阈值，则标记为存在齿缺陷；所述齿缺陷表征为齿缺失或齿损坏；
当所述裂纹宽度W的大小位于裂纹宽度阈值区间之内时，表示裂纹缺陷较小，启动所述第二视觉检测装置进行光谱分析；
当所述对比度C的大小位于对比度阈值区间之内时，表示划痕缺陷较小，启动第二视觉检测装置进行光谱分析。
8.根据权利要求7所述的基于深度学习模型的锯条齿形缺陷的视觉检测系统，其特征在于，所述第一视觉检测装置检测出位于对应的所述阈值区间之内裂纹宽度W和/或对比度C，以及其对应的像素位置，所述第二视觉检测装置分析该像素位置的不同所述特定波长的反射光谱数据，具体为分析不同特定波长的反射光强度变化；对应的，
在提取计算出所述裂纹宽度W的像素位置，若该位置处特定波长的反射光谱中，反射强度显著下降，则标记为存在裂纹缺陷；
在提取计算出所述对比度C的像素位置，若该位置处特定波长的反射光谱中，反射强度显著上升或波动，则标记为存在划痕缺陷。
9.根据权利要求1-8中任一所述的基于深度学习模型的锯条齿形缺陷的视觉检测系统，其特征在于，所述标记单元记录齿形缺陷处对应的像素位置，所述齿形缺陷包括裂纹缺陷、划痕缺陷以及齿缺陷，将其转化为在锯条上的实际位置并进行标记；所述转化步骤如下：
确定进行视觉检测的锯条的实际物理尺寸和图像的像素分辨率之间的比例关系；
根据所述比例关系将所述像素位置映射为锯条上的实际物理位置。
10.根据权利要求2所述的基于深度学习模型的锯条齿形缺陷的视觉检测系统，其特征在于，还包括有稳定光源，所述稳定光源用于为所述第一视觉检测装置提供稳定均匀的照明，并稳定光源与所述光源的光线不干涉。
CN202411445758.6A 2024-10-16 2024-10-16 基于深度学习模型的锯条齿形缺陷的视觉检测系统 Pending CN119395039A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411445758.6A CN119395039A (zh) 2024-10-16 2024-10-16 基于深度学习模型的锯条齿形缺陷的视觉检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411445758.6A CN119395039A (zh) 2024-10-16 2024-10-16 基于深度学习模型的锯条齿形缺陷的视觉检测系统

Publications (1)

Publication Number Publication Date
CN119395039A true CN119395039A (zh) 2025-02-07

Family

ID=94421554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411445758.6A Pending CN119395039A (zh) 2024-10-16 2024-10-16 基于深度学习模型的锯条齿形缺陷的视觉检测系统

Country Status (1)

Country Link
CN (1) CN119395039A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119985356A (zh) * 2025-04-15 2025-05-13 山东宏泰电器有限公司 医用冰箱箱体制造检测系统及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119985356A (zh) * 2025-04-15 2025-05-13 山东宏泰电器有限公司 医用冰箱箱体制造检测系统及方法

Similar Documents

Publication Publication Date Title
US8139117B2 (en) Image quality analysis with test pattern
CN117152161B (zh) 一种基于图像识别的刨花板质量检测方法及系统
CN118470016B (zh) 一种基于图像处理的工件外观缺陷的视觉检测系统
CN110161035B (zh) 基于图像特征与贝叶斯数据融合的结构表面裂缝检测方法
CN110853018B (zh) 一种基于计算机视觉的振动台疲劳裂纹在线检测系统及检测方法
CN116563282B (zh) 一种基于机器视觉的钻削刀具检测方法及系统
CN118552522B (zh) 一种基于图像的发电设备零件生产检测方法
KR101867015B1 (ko) 글라스 결함 검사 장치, 검사 방법 및 검사 시스템
CN115526889B (zh) 基于图像处理的锅炉压力管道的无损检测方法
CN119395039A (zh) 基于深度学习模型的锯条齿形缺陷的视觉检测系统
CN118396944A (zh) 一种基于计算机视觉的表面缺陷检测方法及系统
CN117173107A (zh) 产品缺陷检测方法、装置、设备、系统和可读存储介质
CN117036259A (zh) 一种基于深度学习的金属板材表面缺陷检测方法
CN119991544A (zh) 基于二维图像的输电线路耐张线夹缺陷智能分类方法与系统
CN119470486A (zh) 一种浮法玻璃生产用缺陷在线检测系统
CN108765365A (zh) 一种转子绕线图像合格性检测方法
CN111833350A (zh) 机器视觉检测方法与系统
CN118180197A (zh) 一种精密冲压级进模具自动输送检测系统
CN114419009A (zh) 一种基于边缘压缩近似处理的轴承正面缺口检测方法
JP2003156451A (ja) 欠陥検出装置
JP2004170374A (ja) 表面欠陥検出装置、及び表面欠陥検出方法
KR20220154345A (ko) 가우시안 가중치 최소 자승법을 이용하는 영상 처리 장치 및 그것의 윤곽선 검출 방법
JP2004125629A (ja) 欠陥検出装置
CN119131697B (zh) 基于x射线检测的输送带内部损伤识别方法
CN118379282B (zh) 一种基于图像处理的钛板抛光面光滑度检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination