基于机器视觉的上心盘关键尺寸检测研究

为了解决铁路货车上心盘尺寸检测采用传统测量方法效率低、检测位置单一等问题,文章提出一种基于机器视觉的尺寸测量方法。首先使用装备视觉领域内先进的工业相机,根据检测位置的不同,分别采用不同的光源对工件进行打光:低角度环形光对工件打光以获取更清晰的轮廓边缘信息;大面积面光对工件打光以获取更清晰的孔洞信息;背光对工件打光以获取更清晰的工件高度信息。其次对采集到的图像依次进行预处理(滤波、增强、二值化)、边缘提取、直线和圆拟合。采用高斯滤波对图像进行预处理以去除多余的噪声,用Canny算子进行图像边缘检测,再用不同的拟合算法(随机抽样一致算法、梯度下降法)对采集到的各部分图像分别进行直线拟合和圆拟合,进而对圆心距、直线距离进行像素尺寸测量,再通过标准件进行尺寸标定,从而得到工件的实际尺寸。该方法对上心盘图像的中心孔直径、内孔间距、外孔间距、圆脐直径、法兰高度、总高度及左右孔间距等全外形尺寸进行尺寸测量,并与标准件进行对比,在±0.1 mm精度下,上心盘外形尺寸检测结果与实际值的准确度达到99%以上。实验结果表明该测量方法能够实现上心盘全外形尺寸参数的测量,满足自动化的要求,有效提高了铁路货车零部件制造质量控制效率,可以较好地满足实际生产应用的要求。

基于机器视觉的货车关键零部件检测系统

介绍了一种基于机器视觉技术的货车关键零部件尺寸检测系统。该检测系统采用非接触式测量方式,利用标定好的高分辨率CCD相机采集图像,根据中间体的特征配置相机采集和照明方案,利用图像处理算法获得清晰的工件边缘,再结合相关几何运算测得工件相应的关键尺寸,并判断工件是否合格,传送至对应区域。试验结果表明,该系统能对货车关键件的尺寸快速测量和筛查,大大提高了检测效率和稳定性,降低人员的工作强度。

基于机器视觉技术的铁路货车零部件尺寸的快速检测算法研究

以铁路货车中间体为例,提出一种基于机器视觉技术的铁路货车关键零部件几何尺寸的快速检测算法,并将用该检测算法得到的计算值与标准值进行对比分析,分析结果表明,该算法的相对误差基本低于0.50%,大大提高了关键零部件尺寸的定量和定性检测精度。

基于深度学习的铁路货车关键部件质量识别研究

为提升铁路货车上心盘的检测准确率,提出一种结合多源数据与深度学习的上心盘质量识别算法,具有较好的识别效果。该算法主要研究了一种涉及上心盘外观图像、振动和回响声音的卷积神经网络模型,提出采用连续两个resnet块网络提取组合信号特征,以达到提高上心盘质量识别的目的。通过试验发现,采用外观图像、振动和回响声音的深度学习质量识别算法在准确率和召回率上取得最好值。与人工识别方法相比,文章所提深度学习方法的准确率提升了6.74%。