重轨表面缺陷机器视觉检测的关键技术

针对重轨生产线中重轨表面缺陷在线检测的困难,提出了基于机器视觉检测的系列关键技术,包括缺陷成像机理、多CCD组合采集器、图像处理技术、基于多空间的缺陷参数提取等.通过图像校正、基于支持向量机(SVM)的直线(面)边缘搜索算法和缺陷特征参数提取等核心技术,可获得完整的重轨全表面的图像,其提纯的缺陷特征参数可以进行模式识别.实验验证表明,采用上述关键技术对重轨表面常见的缺陷识别,正确率在80%以上,达到了工程检测的需要.     

热态重轨表面缺陷在线检测方法及关键技术

针对热态重轨轧制时表面缺陷检测困难,研制了一种基于机器视觉的热态重轨表面缺陷实时检测系统。根据重轨辐射和光照特性进行了光学选型,利用多个线阵CCD相机并行多角度采集得到热态重轨全表面图像,通过图像自适应预处理得到满足缺陷检测要求的图像。针对重轨表面缺陷结构连续性引起的传统图像分割算法难以实现缺陷提取的情况,提出了图像像素线线间相关度互检验算法,并利用像素去差异化和方差统计运算提取完整缺陷,此方法在该类问题的识别效果上明显优于传统边缘识别算法。系统在某集团轨梁厂的实际应用中取得了良好的效果。     

基于一维卷积的生产线冷态重轨表面缺陷快速检测

采用直观、高效的基于机器视觉的检测方式对生产线冷态重轨表面缺陷进行自动化检测.以彩色双目线阵相机作为采集传感器获取深度信息和RGB信息.深度信息用于缺陷快速检测,RGB信息及深度信息用于缺陷分割.然后,提出一个基于一维卷积网络的深度网络用于缺陷快速检测.该网络主要包括基于一维卷积网络的特征提取器,由全连接层和Dropo...     

基于机器视觉的带钢表面缺陷检测系统

研究了一种基于机器视觉的带钢表面缺陷检测系统，它采用模块化硬件设计，图像处理软件满足实时检测的要求，可以有效地检测了生产线上的带钢表面缺陷。为该系统设计了一种基于规则表分类器、模糊算法及人工神经网络的组合式多级分类器，具有一定的学习能力，当待测材料或有关设备发生变化时，系统可以根据缺陷样本库对分类器进行训练，以适应生产线的相关变化。系统具有较强的容错性、适应性及可移植性。     

高温连铸坯表面缺陷的机器视觉无损检测

针对高温连铸坯表面缺陷无法在线检测问题,采用机器视觉技术和相应的试验装置,建立了高温背景下CCD快门控制时间成像模型,同时设计分类器算法对缺陷种类进行归类.系统所选CCD成像装备采用水冷风冷双层冷却方式,在高温状态下能长时间连续工作.系统可检测最大铸坯宽度为3 000 mm,能有效抑制铸坯表面振痕产生的图像噪声影响,实现热态铸坯表面缺陷在线检测与分类.     

采用机器视觉的铝压铸件表面缺陷检测

对铝压铸件常见的缺陷形态进行分析,提出适用于铝压铸件表面缺陷的检测算法.首先,采用阈值分割与形态学相结合的方法分割出可疑区域;然后,根据基于面积、亮度均值、亮度均值差、灰度曲线分析的4个剔除原则,剔除伪缺陷的干扰.试验结果表明:文中的检测方法具有低成本、高精度、可操作性强等优点,能有效提高铝压铸件生产过程中的检测效率.     

基于机器视觉的钢板表面缺陷在线实时检测系统

钢板表面缺陷将对钢的耐磨性、抗腐蚀性等带来一定的影响,本文提出一种基于机器视觉的钢板表面缺陷检测系统。设计了光学成像子系统、图像实时采集子系统、图像准实时处理子系统及缺陷分类子系统。采用模块化设计方便系统在硬件和软件上的扩展,最后采用多分类器集成方法对图像缺陷进行自动分类识别。     

基于机器视觉的表面缺陷检测研究综述

表面缺陷是工业产品生产中不可避免的问题,如果不及时发现并处理,将会影响产品的表观质量及性能,导致企业生产效益下降。基于机器视觉的表面缺陷检测方法在一定程度上克服了传统人工检测方法的检测效率低、误检及漏检率高的问题,在现代化的工业生产中得到了广泛的应用。本文归纳总结了近年来机器视觉表面缺陷检测领域的研究成果,分析了国内外缺陷检测技术的研究现状,阐述了机器视觉缺陷检测系统的组成及工作原理,综述了视觉缺陷检测所涉及到的相关理论和应用方法,比较了主流机器视觉检测方法的优缺点,并指出了现有机器视觉缺陷检测技术存在的问题,对以后的发展趋势进行了展望。     

基于稀疏成像与机器视觉的金属材料次表面缺陷检测方法

传统方法缺陷区域的轮廓边缘存在断续,缺陷定位区域封闭性较差,导致检测识别准确率较低。针对这一问题,提出基于稀疏成像与机器视觉的金属材料次表面缺陷检测方法。扫描采集材料次表面二维图像,采用均值滤波和高斯滤波,对图像进行去噪处理,分割次表面缺陷的预处理图像,利用机器视觉,定位并合并缺陷区域,提取灰度、形状、纹理缺陷特征,利用稀疏成像,修正特征参数,对参数进行BP神经网络训练,进而识别金属次表面缺陷类型。选取钢管的凹坑、划痕和擦伤次表面缺陷,进行对比实验,结果表明,此次方法提高了缺陷检测识别准确率,更加符合检测方面的要求。     

DIP外观缺陷机器视觉检测系统

设计简单光学成像系统实现单个面阵CCD的三维机器视觉检测,利用图像顺序形态学以及基于知识的阈值选择算法对双列直插式芯片DIP（Dual Inl i ne Package）管脚图像进行预处理,检测过程引入质量控制图方法分析系统误差对系统稳定性的影响,采用时间序列建模预测系统检测误差并调整检测结果.实验结果表明系统检测精度高,实时性好,满足多种DIP在线检测的要求.     

基于机器视觉的钢轨表面损伤检测算法

钢轨表面损伤的检测对于铁路运输安全具有重要的意义.不同类型的损伤具有不同的成因和特征,单一的检测算法针对性和鲁棒性不强,应根据不同的损伤类型提出针对性的检测方法.本文针对鱼鳞纹损伤的规则方向性特征,提出了基于转动惯量等效椭圆的区域方向性计算和基于纵向区域直方图的区域方向性筛选算法;针对踏面剥离裂纹和浅层掉块损伤的呈带状分布的不规则、不连续和多凹陷特征,提出了基于多孔洞区域的骨架提取的检测算法.这两种算法均能有效地检测出相应损伤,为缺陷的分类识别提供参考.     

基于机器视觉的镀锌板粉化区域的提取方法

提出了一种在镀锌板粉化双球冲试样中提取粉化区域的方法．首先在对试样硬件定位的基础上,利用不变矩方法计算出试样图像的重心,应用Canny算子提取出图像边缘,运用Sobel算子实现边缘检测图像的细化．考虑到硬件定位装置无法精确地将试样固定在同一位置,提出了一种改进的Hough圆检测算法来实现试样的软定位校正;然后提出了基于标准差的粉化区域分析方法,将机器视觉技术和统计学知识结合起来,利用粉化区域与正常区域间标准差的不同,有效地识别出了粉化区域的大小．试验证明,该方法提取镀锌板粉化区域大小的准确率达到99％,达到了实用化的要求．     

基于机器视觉的精密光学元件表面疵病识别初步研究

提出了一种基于机器视觉的表面疵病的检测方法,对获取的多幅图像进行了无缝拼接,并获得完整的表面 图像。在对图像去噪的同时,利用基于偏微分方程（PDE）的各项异性扩散算法能很好地保护图像的边缘特征。并 且在Perona&Malik算法的基础上引入了梯度阈值,对算法进行了改进;用zernike矩提取图像的边缘建立疵病模 型,选择模糊聚类神经网络构造分类器,将图像的每个象素的n维特征向量输入该分类器进行分类。实验表明,该 方法能有效地识别麻点、气泡和划痕。     

重轨钢采用RH和VD精炼的对比研究

在其他工艺相同条件下,对钢中全氧、Al含量、H含量、夹杂物成分、炉渣等进行了对比分析。在真空时间相同的情况下,RH脱氢能力优于VD,VD脱氧能力优于RH,但VD精炼后钢中Al含量偏高,炉渣碱度偏大,夹杂物易偏离塑性区。 RH精炼后渣中MgO含量明显升高,夹杂物成分也比较分散,可能是耐火材料尤其是插入管喷补料脱落导致外来夹杂物增多,而VD精炼后渣中MgO含量变化不大,夹杂物成分相对集中。建议采用RH精炼时,应提高耐火材料质量,减少插入管喷补次数,采用VD精炼时,应适当减少石灰加入量,降低渣中碱度并延长真空处理时间。     

基于机器视觉的露天矿司机驾驶疲劳监测

为监测露天矿司机驾驶疲劳状态,利用AdaBoost算法快速实时露天矿司机脸部跟踪检测,基于模板匹配算法和改进型SNAKE算法提取司机眼睛特征,运用眼睛累计闭合持续时间占某特定时间的百分率(PERCLOS)算法判断司机是否处于驾驶疲劳状态,有效地实现了基于机器视觉的、车载的、实时的、非接触的、无干扰的露天矿司机驾驶疲劳状态监测系统.经应用验证了系统可行性,并对保护人员生命,提高矿山经济效益具有重要的意义.     

表面粗糙度视觉检测中环境光补偿新方法

利用机器视觉方法对表面粗糙度的检测进行了研究,提出一种新的环境光补偿法来提高在不同外界环境光情况下的检测精度.利用照度计测量外界环境光的强度变化,并选取工件采样区域特征均值及灰度共生矩阵能量值拟合得到工件表面粗糙度检测值的计算多项式.与算术平均偏差法及灰度共生矩阵法进行了实验对比,对φ38 mm磨削轴在不同环境光下检测结果表明,当测量误差选定为±0.05μm时,环境光补偿法检测结果的正确率比其他2种方法的正确率提高约20%.     

Multi-objective dynamic detection of seeds based on machine vision

An approach to inspecting massive numbers of moving seeds was studied based on the techniques of dynamic inspection and machine vision. A progressive scanning CCD camera with external trigger function was used for real-time capture of dynamic images of seeds. The methods based on R channel of RGB (Red, Green and Blue) and region-dependent segmentation were adopted to reduce the data size of image processing and improve the efficiency of seeds inspection. All the seeds were sorted into four grades according to their morphological characteristics, such as surface area, perimeter, major axis, minor axis, circularity and eccentricity. The detection experiments indicated that the eligible ratio of the classifications was about 81.90% by this real-time inspection system.