三维点云拼接的型钢轮廓测量实验平台设计

针对传统型钢轮廓尺寸的连续人工监测困难、测量精度低和效率低等问题,设计了基于三维点云拼接的轮廓尺寸测量实验平台。采用6组激光光源和电荷耦合元件(CCD)相机搭建了用于三维点云数据采集的硬件平台,并提出了基于最近点迭代(ICP)的多帧三维点云拼接算法以及轮廓尺寸测量方法,从而模拟型钢生产中移动工况下的轮廓尺寸测量。结果表明,该实验平台能够实时监测型钢轮廓尺寸,并且测量精度可达到0.01 mm。该实验平台能够针对型钢生产现场轮廓尺寸测量过程的难点问题进行相关理论的实验论证,完善了测量技术和方法。

梳毛机末道毛网质量在线检测技术

采用图像处理的方法对梳毛机的末道毛网的质量作在线检测。通过线阵CCD摄像头采集毛网的表面图像 ,以图像的灰度值为原始数据 ,计算出毛网质量各项指标的数值 。

热轧带钢表面缺陷在线检测的方法与工业应用

热轧带钢表面的温度高,辐射光强,并且存在着水、氧化铁皮、光照不均等现象,与冷轧带钢的表面存在着很大的差别。将线阵CCD摄像机作为图像采集装置,用绿色激光线光源作照明,通过窄带滤色镜滤除钢板表面的辐射光,从而提高了缺陷对比度。根据热轧带钢表面的特点提出新的缺陷检测与识别算法流程,通过增加4种不同类型的缺陷检测步骤,去除了大量由水、氧化铁皮等造成的伪缺陷,在保证缺陷检出率的同时,减小缺陷的误识率。经在线应用,该方法可以满足在线检测的要求,缺陷的检出率达95%以上,识别率达85%以上。

基于激光线光源的钢轨表面缺陷三维检测方法

将结构光三维检测方法应用于钢轨生产过程中的表面缺陷三维检测,通过在钢轨四周安装4台激光线光源和8台面阵CCD摄像机实现钢轨四个面的检测。对摄像机采集到的激光光带图像进行光带中心提取、光带中心线矫正、光带中心线与基准线的差值等步骤,得到钢轨表面深度的变化值,并将沿钢轨长度方向和高度方向的深度变化值用深度分布图表示,通过两维图像识别的方法检测缺陷所在的区域,从而实现钢轨表面缺陷的自动检测。该方法已经实现在线应用,可以达到的最大检测速度为1.5m/s,深度检测分辨力为0.2mm。

隐马尔可夫树模型在带钢表面缺陷在线检测中的应用

通过图像分割算法寻找由缺陷组成的可疑区域是热轧带钢表面缺陷在线检测与识别的关键。将热轧带钢表面图像分为'背景'和'缺陷'两大类,采用隐马尔可夫树(Hidden Markov tree,HMT)模型分别建模并实现多尺度缺陷分割。将不同类别的缺陷用同一个'缺陷模型'来表示,可以降低算法复杂度。HMT模型对带钢表面常见缺陷的分割正确率达到94.4%,分割错误率为18.8%。针对HMT模型得到的细尺度分割结果中分割错误率较高问题,引入基于环境的多尺度融合方法(Context-adaptive hidden Markov tree,CAHMT),将不同尺度的分割结果融合,大幅降低细尺度分割的分割错误率,达到3.7%。

基于光度立体学的金属板带表面微小缺陷在线检测方法

高品质金属板带对于表面质量的要求非常严格,不允许存在一些微小的缺陷,现有的基于机器视觉的表面在线检测系统很难检测到微小缺陷。采用光度立体学的原理,利用两幅不同光照角度的灰度图像获得表面法向的方法检测表面微小缺陷。彩色三线阵电荷耦合元件(Charge-coupled device,CCD)摄像机安装在垂直于金属板带方向上,一台红光光源和一台蓝光光源对称安装在摄像机两侧。摄像机采集到的彩色图像可分离出R、G、B通道图像,其中R、B通道图像分别为红色、蓝色光源的反射光图像。表面倾角法可通过R、B通道图像计算表面倾角分布图,并根据表面倾角分布图检测微小缺陷。通过试验验证该方法可检测直径为0.1 mm的孔洞。讨论在一套检测装置中实现微小缺陷与常规缺陷同步检测的方案。在红光、蓝光两种光源基础上增加一台绿光光源,与摄像机形成介于明暗场的照明方式,可通过摄像机分离出的G通道图像检测金属板带表面的常规缺陷。

形态小波在中厚板表面裂纹缺陷检测中的应用

中厚板表面裂纹缺陷在图像中容易受背景噪声和氧化铁皮的影响,传统的图像处理方法很难将裂纹缺陷从图像中检测出来.提出了将形态小波变换应用于中厚板表面裂纹缺陷检测的方法.该方法利用小波分解对突变信号的检测能力,结合裂纹缺陷在形态上近似于直线的性质,将裂纹缺陷从图像中准确提取出来.实验证明形态小波用来检测中厚板表面裂纹缺陷比用其他方法更有效.

形态滤波在中厚板表面裂纹在线检测中的应用

用面阵CCD摄像机采集中厚板表面图像,对采集到的图像进行形态滤波的Top-Hat变换,并结合阈值处理及连通区域搜索等算法,可以在线检测中厚板的各种表面裂纹缺陷,包括横向裂纹、纵向裂纹、星状裂纹等。根据从生产线上采集到的图像分析了中厚板裂纹缺陷的典型特征,并对形态滤波中的结构元素选取进行了研究。该算法已用在中厚板生产线的表面缺陷在线检测系统中。

利用多尺度小波变换的光度立体快速三维表面重建算法

光度立体三维测量中,需要通过三维重建算法从二维梯度场重建三维表面深度.针对传统的三维重建算法如全局迭代优化算法,在高分辨率情况下耗时较长的问题,提出利用多尺度小波变换的光度立体快速三维表面重建算法.首先利用梯度场代替传统小波通道,实现多尺度Haar小波变换,得到一种改进的多尺度小波变换算法;然后将该算法应用于光度立体三维表面重建中,提高了三维重建的速度.实验结果表明:与传统算法时间复杂度均高于线性阶相比,文中算法的时间复杂度与梯度场分辨率成线性阶关系;该算法适用于从高分辨率梯度场重建三维表面,并具有误差较小、鲁棒性好的优点.

基于结构光的棒材自动计数技术

提出将线型激光垂直照射于处于冷床上的棒材,通过面阵CCD摄像机采集激光图像,并对激光线条进行细化处理后,用BP神经网络计算并恢复棒材截面上部分轮廓的空间坐标。另外,还提出局部轮廓形心的概念,根据棒材的部分轮廓得到棒材形心的分布,通过聚类方法确定棒材形心的数目,从而得到棒材的数目。分析讨论了棒材出现叠摞现象时的计数追加方法。

基于幅值谱与不变矩的特征提取方法及应用

研究了傅立叶变换、不变矩的原理及特点,提出基于幅值谱与不变矩的特征提取方法,并应用于中厚板的表面缺陷自动分类．从现场在线采集中厚板的表面图像,将每幅表面图像划分成128×128大小的子图像,对子图像进行傅立叶变换得到子图像的幅值谱,再对幅值谱图像求Hu不变矩,将不变矩作为特征量,通过这种方法提取的特征向量不仅具有平移、旋转不变性,并且具有抗噪、抑制光照不均的优点．将本文方法得到的特征量作为基于LVQ神经网络的分类器输入,对缺陷样本进行学习和分类,结果表明,这些特征量适用于中厚板表面缺陷的分类,识别率达81．5%．

板带钢材表面缺陷检测实验平台开发

针对机器视觉相关专业实践教学的实际需求,以实际生产现场的板带钢材表面缺陷检测装置为依据,设计开发了板带钢材表面缺陷检测实验平台。该实验平台包括光学图像采集装置、数据处理中心和HMI人机交互端。可开设光学成像实验、驱动软件开发实验、目标检测和识别算法设计实验等。实际应用表明,该平台为学生提供了与生产现场贴近的应用场景,提高了学生的实践能力,加深了他们对机器视觉相关技术原理和工作流程的理解。

中厚板表面缺陷在线检测系统的分类器设计

研究了BP网络、LVQ1网络、LVQ2网络所构建的分类器的性能,将这3种分类器用于中厚板表面缺陷的自动分类中。从现场在线采集中厚板的表面缺陷图像,将每幅表面图像划分成64×64大小的子图像,对子图像进行FFT变换,得到子图像的幅值谱。将幅值谱中心区域内的像素灰度值作为特征量,分别输入给BP网络、LVQ1网络、LVQ2网络所构建的分类器模型,试验表明LVQ2网络能够得到理想的分类效果。

基于融合策略的冷床钢板自动下料跟踪

冷床区范围较大、结构紧凑、安装金属探测仪困难且成本较高,常用的自动化二级跟踪策略无法有效地完成对该场景下钢板的跟踪。通过利用改进的SOLO实例分割算法构建冷床区钢板检测的视觉模型,识别得到冷床区各个钢板对象的坐标位置和长宽尺寸;再结合逻辑跟踪模型形成多模型匹配跟踪策略,能够识别到行车下料、冷床卡钢等特殊情况,实现自动下料跟踪和异常预警。结果表明,改进的SOLO实例分割方法在6种不同的环境场景下平均mAP(mean average precision)提升到98.14%,平均mIoU(mean intersection over union)提升到98.72%,并且实现了29.1 fps的处理速率,满足了生产条件中对于准确率和实时性的要求。

基于三维图像的带肋钢筋表面检测系统研究

带肋钢筋表面质量是反应产品质量的重要指标。针对目前二维带肋钢筋表面缺陷检测缺乏对深度方向维度的考量,从而导致缺陷检测不准确以及对严重程度不明确等问题,设计了基于三维图像的带肋钢筋表面检测系统。该系统主要包括带肋钢筋的轮廓检测、表面缺陷检测、长度检测以及温度测量。首先通过面阵相机和激光搭建激光三角获取点云数据,采用罗德里格矩阵模型将不同相机采集到的单幅点云数据配准到同一坐标系下进行组合拼接,从而得到带肋钢筋的三维轮廓图像,利用异常三维点云判断带肋钢筋表面缺陷。实验结果表明:本系统能够实时采集带肋钢筋三维图像,缺陷检测准确率大于95%。目前该系统已经应用于国内某棒材产线,能够对带肋钢筋表面进行全方位检测,有助于现场生成质量管理。

基于线型激光的热轧带钢表面在线检测系统

针对基于面阵CCD摄像机的热轧带钢表面缺陷检测系统所存在的问题,提出采用线阵CCD摄像机作为热轧带钢的表面图像采集装置,将激光线光源作为照明光源,解决了高温环境下的远距离均匀照明问题.采用这种图像采集方式可以使系统的精度达到0.5mm以上.针对热轧带钢表面存在的氧化铁皮、水及光照不均等问题,提出了对于不同缺陷类型建立单独的缺陷检测算法的思想.目前已经建立了纵裂与边裂的检测算法,对这两类缺陷的检出率达95%以上.

基于线型激光的连铸板坯表面裂纹在线检测技术

采用光学检测法对高温铸坯进行表面裂纹在线检测,将高亮度绿色激光线光源照射到铸坯表面,利用激光的单色性在摄像机镜头前加装窄带滤色镜去除高温铸坯表面辐射光的影响,从而提高图像的对比度.通过非抽样小波对铸坯表面图像进行分解,计算分解后得到的低频分量和原始图像的尺度共生矩阵,以及高频分量的灰度共生矩阵,作为图像的纹理特征,并输入基于AdaBoosting算法的分类器进行分类.利用该方法对表面裂纹、水痕、渣痕、氧化铁皮和振痕等五种缺陷和伪缺陷样本进行识别,表面裂纹的识别率达86.75%,总体识别率达87.16%.

基于多激光线的钢轨表面缺陷在线检测方法

用多激光线代替单激光线应用于钢轨表面缺陷在线检测,解决了单激光线模式下由于钢轨跳动造成"伪缺陷"的问题.对相机采集到的多激光线单幅图像进行了中心线提取、差值算法检测、缺陷判别及缺陷图像拼接等处理,实现了缺陷的在线检测,并获得缺陷的完整区域图像.该方法利用多激光线单幅图像光带间的互相关和自相关深度信息提取图像的特征区域进行检测,避免了单激光线模式的深度拼接步骤,从根本上解决了由于钢轨跳动造成的"误检"问题.该方法已经在线应用于钢轨轨底的表面缺陷检测,相对于单激光线检测具有更高的准确率.

基于Contourlet变换的连铸坯表面缺陷识别

根据连铸坯表面图像的特点,提出了一种基于Contourlet变换的连铸坯表面缺陷识别方法.通过Contourlet变换将样本图像分解成不同尺度和方向的子带,提取子带的Contourlet系数特征,并结合样本图像的纹理特征,得到一个高维的特征向量.利用监督核保局投影算法对高维特征向量进行降维,将降维后的低维特征向量输入支持向量机,对连铸坯表面图像进行分类识别.对现场采集到的裂纹、氧化铁皮、光照不均和渣痕四类样本图像进行实验,本文提出的识别方法对样本图像的识别率可达94.35%,优于基于Gabor小波的识别方法.

最优尺度分形维数在热轧带钢表面缺陷识别中的应用

热轧带钢的表面图像往往存在氧化铁皮等伪缺陷的干扰与光照不均的问题,目前的识别方法存在着误识率高的问题。将分形维数作为特征量,用于对热轧带钢表面缺陷的自动识别。利用peleg毯覆盖法计算图像在不同尺度下的分形维数,并提出最优尺度概念,通过尺度-分形维数曲线图估计最优尺度。对麻面、氧化铁皮和夹杂等进行试验,分别计算不同尺度下的分形维数,作为特征量输入Adaboost分类器进行训练和测试。试验结果表明用最优尺度下的分形维数作为特征量,分类器得到的识别率是所有尺度下最优的,即87.96%。