[go: up one dir, main page]

CN105701797A - 连续带状多孔金属材料漏镀缺陷的判定方法 - Google Patents

连续带状多孔金属材料漏镀缺陷的判定方法 Download PDF

Info

Publication number
CN105701797A
CN105701797A CN201511028352.9A CN201511028352A CN105701797A CN 105701797 A CN105701797 A CN 105701797A CN 201511028352 A CN201511028352 A CN 201511028352A CN 105701797 A CN105701797 A CN 105701797A
Authority
CN
China
Prior art keywords
image
inertia
porous metal
moment
training
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.)
Granted
Application number
CN201511028352.9A
Other languages
English (en)
Other versions
CN105701797B (zh
Inventor
赵于前
郭宽
钟发平
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.)
National Engineering Research Center of Advanced Energy Storage Materials Shenzhen Co Ltd
Original Assignee
National Engineering Research Center of Advanced Energy Storage Materials Shenzhen Co Ltd
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 National Engineering Research Center of Advanced Energy Storage Materials Shenzhen Co Ltd filed Critical National Engineering Research Center of Advanced Energy Storage Materials Shenzhen Co Ltd
Priority to CN201511028352.9A priority Critical patent/CN105701797B/zh
Publication of CN105701797A publication Critical patent/CN105701797A/zh
Application granted granted Critical
Publication of CN105701797B publication Critical patent/CN105701797B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30136—Metal

Landscapes

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

Abstract

本发明提供了一种判定连续带状多孔金属材料漏镀缺陷的方法，包括训练分类器－测试－输出结果。训练分类器时，计算正常产品和有漏镀缺陷产品图像的灰度均值、方差、同质值及45°和135°两个方向上的惯性矩，并将正常图像的上述值作为正样本特征向量，有漏镀缺陷产品图像的上述值作为负样本特征向量输入SVM分类器进行训练，完成训练后，再取待测产品提取灰度均值、方差、同质值及45°和135°两个方向上的惯性矩构成测试特征向量，输入SVM分类器进行检测，并输出检测结果。本发明针对多孔金属材料能在线自动判定其中的漏镀缺陷，不仅准确率高，而且可以在生产的同时实现产品的无损自动检测。

Description

连续带状多孔金属材料漏镀缺陷的判定方法
技术领域
本发明涉及一种多孔金属材料的缺陷判定方法，特别涉及一种连续带状多孔金属材料漏镀缺陷的判定方法。
背景技术
多孔金属材料是一种由金属基体和大量孔隙组成的结构功能一体化的新型金属基复合材料。它因密度低、比表面积大而具有独特的优势，在高新技术领域得到了广泛的应用。但在连续化的工业生产过程中，产品的漏镀缺陷(即未镀覆金属)严重影响产品质量。目前判定材料中有这种缺陷的方法一般方法是在光线充足条件下，用人工目测法。这种方法效率低、准确度差、成本高，且严重依赖操作员工的经验，与连续化生产不相适应。因此，开发出一种能在线自动检测多孔金属材料漏镀缺陷的方法，是行业内急切需要解决的重大技术难题。
发明内容
本发明旨在提供一种可实现对连续化多孔金属材料漏镀缺陷的判定方法，该判定方法对待测材料无损且可实时在线，本发明通过以下方案实现：
一种连续带状多孔金属材料漏镀缺陷的判定方法，包括训练分类器－测试－输出结果，按以下步骤训练分类器：
(I)使用相同的可采集图像数据装置，在相同的光照条件和相同拍摄距离条件下，拍摄同一规格的带状多孔金属产品图像，从拍摄的图像中选取N张正常产品图像和P张包含漏镀缺陷的产品图像，其中N≥500，P≥100，选取的图像大小相同，并输入至具有数据处理功能的设备中；
(II)采用所述具有数据处理功能的设备，计算每张图像的灰度均值、方差、同质值及45°和135°两个方向上的惯性矩共5个特征值；同质值通过公式(1)计算得到：
H ( d , θ ) = Σ m Σ n P ( d , θ ) ( m , n ) 1 + | m - n | - - - ( 1 )
其中，d表示距离，θ表示角度，P(d,θ)(m,n)表示距离为d、角度为θ的灰度共生矩阵的每个元素值；
(III)将正常产品图像按步骤(II)计算得到的5个特征值作为正样本特征向量FPA:
FPA＝[μA,σA,HA(d,θ),IA(45°)，IA(135°)](2)
其中μA为正常产品图像的灰度均值，σA为灰度方差，HA(d,θ)为同质值，IA(45°)为在45°方向上的惯性矩，IA(135°)为在135°方向上的惯性矩；
将包含漏镀缺陷的产品图像按步骤(II)计算得到的5个特征值作为负样本特征向量FNB:
FNB＝[μB,σB,HB(d,θ),IB(45°),IB(135°)](3)
其中μB为包含漏镀缺陷产品图像的灰度均值，σB为灰度方差，HB(d,θ)为同质值，IB(45°)为在45°方向上的惯性矩，IB(135°)为在135°方向上的惯性矩；
(IV)分别对正样本特征向量和负样本特征向量给出不同的标识，使得所述具有数据处理功能的设备具有分类功能，完成分类器训练；
完成分类器训练后，采用与训练分类器完全相同的图像数据采集条件实时采集待测产品图像，图像大小也与训练分类器时选取的图像大小相同；按所述训练分类器的步骤(II)分别计算每张待测产品图像的灰度均值、方差、同质值及45°和135°两个方向上的惯性矩构成测试特征向量，并输入到已经训练好的SVM分类器中进行测试，若测试结果为正样本类别，该图像被判定为无漏镀缺陷产品图像，若测试结果为负样本类别，该图像被判定为含漏镀缺陷产品图像。
选取图像的大小为1024×1024像素及以上时，判定的准确性更高；当选取N≥1000和P≥300时，判定的准确性更高。
与现有技术相比，本发明针对多孔金属材料能在线自动检测其中的漏镀缺陷，不仅准确率高、可以在生产的同时实现产品自动无损检测，而且可提高多孔金属材料生产的质量和合格率，减轻生产成本，提高生产效率。
具体实施方式
实施例1
一种连续带状多孔金属镍材料漏镀缺陷的判定方法，首先按以下步骤训练分类器：
(I)采用分辨率为2448×2056的VieworksVH-4M高清相机，在同一光照下垂直拍摄95PPI、面密度350克/平米、厚度1.0mm规格的带状多孔镍产品图像，从拍摄的图像中选取900张正常产品图像和350张包含漏镀缺陷的产品图像，选取图像的大小为1024×1024像素，全部输入电脑设备；
(II)在电脑设备中，计算每张图像的灰度均值、方差、同质值及45°和135°两个方向上的惯性矩共5个特征值；同质值通过公式(1)计算得到：
H ( d , θ ) = Σ m Σ n P ( d , θ ) ( m , n ) 1 + | m - n | - - - ( 1 )
其中，d表示距离，θ表示角度，P(d,θ)(m,n)表示距离为d、角度为θ的灰度共生矩阵的每个元素值；
(III)将正常产品图像按步骤(II)计算得到的5个特征值作为正样本特征向量FPA:
FPA＝[μA,σA,HA(d,θ),IA(45°)，IA(135°)](2)
其中μA为正常产品图像的灰度均值，σA为灰度方差，HA(d,θ)为同质值，IA(45°)为在45°方向上的惯性矩，IA(135°)为在135°方向上的惯性矩；
将包含漏镀缺陷的产品图像按步骤(II)计算得到的5个特征值作为负样本特征向量FNB:
FNB＝[μB,σB,HB(d,θ),IB(45°),IB(135°)](3)
其中μB为包含漏镀缺陷的产品图像的灰度均值，σB为灰度方差，HB(d,θ)为同质值，IB(45°)为在45°方向上的惯性矩，IB(135°)为在135°方向上的惯性矩；
(IV)分别对正样本特征向量和负样本特征向量给出不同的标识，使得所述具有数据处理功能的设备具有分类功能，完成分类器训练。
完成分类器训练后，采用与训练分类器完全相同的数据图像采集条件实时采集待测产品的图像，图像大小也与训练分类器时选取图像的大小相同，即：1024×1024像素；按上述训练分类器的步骤(II)分别计算每张待测产品图像的灰度均值、方差、同质值及45°和135°两个方向上的惯性矩构成测试特征向量，并输入到训练好的SVM分类器中进行测试，若测试结果为正样本类别，该图像被判定为无漏镀缺陷产品图像，若测试结果为负样本类别，该图像被判定为含漏镀缺陷产品图像。

Claims (3)

1.一种连续带状多孔金属材料漏镀缺陷的判定方法，包括训练分类器－测试－输出结果，其特征在于：按以下步骤训练分类器，
(I)使用相同的可采集图像数据装置，在相同的光照条件和相同拍摄距离条件下，拍摄同一规格的带状多孔金属产品图像，从拍摄的图像中选取N张正常产品图像和P张包含漏镀缺陷的产品图像，其中N≥500，P≥100，选取的图像大小相同，并输入至具有数据处理功能的设备中；
(II)采用所述具有数据处理功能的设备，计算每张图像的灰度均值、方差、同质值及45°和135°两个方向上的惯性矩共5个特征值；同质值通过公式(1)计算得到：
H ( d , θ ) = Σ m Σ n P ( d , θ ) ( m , n ) 1 + | m - n | - - - ( 1 )
其中，d表示距离，θ表示角度，P(d,θ)(m,n)表示距离为d、角度为θ的灰度共生矩阵的每个元素值；
(III)将正常产品图像按步骤(II)计算得到的5个特征值作为正样本特征向量FPA:
FPA＝[μA,σA,HA(d,θ),IA(45°)，IA(135°)](2)
其中μA为正常产品图像的灰度均值，σA为灰度方差，HA(d,θ)为同质值，IA(45°)为在45°方向上的惯性矩，IA(135°)为在135°方向上的惯性矩；
将包含漏镀缺陷的产品图像按步骤(II)计算得到的5个特征值作为负样本特征向量FNB:
FNB＝[μB,σB,HB(d,θ),IB(45°),IB(135°)](3)
其中μB为包含漏镀缺陷的产品图像的灰度均值，σB为灰度方差，HB(d,θ)为同质值，IB(45°)为在45°方向上的惯性矩，IB(135°)为在135°方向上的惯性矩；
(IV)分别对正样本特征向量和负样本特征向量给出不同的标识，使得所述具有数据处理功能的设备具有分类功能，完成分类器训练；
完成分类器训练后，采用与训练分类器完全相同的图像数据采集条件实时采集待测产品的图像，图像大小也与训练分类器时选取的图像大小相同；按所述训练分类器的步骤(II)分别计算每张待测产品图像的灰度均值、方差、同质值及45°和135°两个方向上的惯性矩构成测试特征向量，并输入到已经训练好的分类器中进行测试，若测试结果为正样本类别时，该图像被判定为无漏镀缺陷产品图像，若测试结果为负样本类别时，该图像被判定为含漏镀缺陷产品图像。
2.如权利要求1所述的连续带状多孔金属材料漏镀缺陷的判定方法，其特征在于：选取的图像大小不小于1024×1024像素。
3.如权利要求1或2所述的连续带状多孔金属材料漏镀缺陷的判定方法，其特征在于：所述选取N≥1000，P≥300。
CN201511028352.9A 2015-12-31 2015-12-31 连续带状多孔金属材料漏镀缺陷的判定方法 Active CN105701797B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201511028352.9A CN105701797B (zh) 2015-12-31 2015-12-31 连续带状多孔金属材料漏镀缺陷的判定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201511028352.9A CN105701797B (zh) 2015-12-31 2015-12-31 连续带状多孔金属材料漏镀缺陷的判定方法

Publications (2)

Publication Number Publication Date
CN105701797A true CN105701797A (zh) 2016-06-22
CN105701797B CN105701797B (zh) 2019-01-01

Family

ID=56226003

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201511028352.9A Active CN105701797B (zh) 2015-12-31 2015-12-31 连续带状多孔金属材料漏镀缺陷的判定方法

Country Status (1)

Country Link
CN (1) CN105701797B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292879A (zh) * 2017-07-17 2017-10-24 电子科技大学 一种基于图像分析的金属板材表面异常检测方法
CN108982544A (zh) * 2018-06-20 2018-12-11 青岛联合创智科技有限公司 一种印制电路板瑕疵部件检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100118137A1 (en) * 2008-11-07 2010-05-13 Toyota Motor Engineering & Manufacturing North America, Inc. Gradient image processing
CN103745461A (zh) * 2013-03-17 2014-04-23 北京理工大学 一种基于区域组合特征的印刷图像缺陷检测方法
CN104751447A (zh) * 2015-01-10 2015-07-01 哈尔滨工业大学（威海） 一种锂电池单元缺陷检测方法
CN104794491A (zh) * 2015-04-28 2015-07-22 重庆大学 基于预分类的模糊聚类钢板表面缺陷检测方法
CN104834939A (zh) * 2015-05-12 2015-08-12 先进储能材料国家工程研究中心有限责任公司 一种在线自动检测多孔金属材料空洞缺陷的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100118137A1 (en) * 2008-11-07 2010-05-13 Toyota Motor Engineering & Manufacturing North America, Inc. Gradient image processing
CN103745461A (zh) * 2013-03-17 2014-04-23 北京理工大学 一种基于区域组合特征的印刷图像缺陷检测方法
CN104751447A (zh) * 2015-01-10 2015-07-01 哈尔滨工业大学（威海） 一种锂电池单元缺陷检测方法
CN104794491A (zh) * 2015-04-28 2015-07-22 重庆大学 基于预分类的模糊聚类钢板表面缺陷检测方法
CN104834939A (zh) * 2015-05-12 2015-08-12 先进储能材料国家工程研究中心有限责任公司 一种在线自动检测多孔金属材料空洞缺陷的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张辉等: "《基于逆向P-M扩散的医用输液容器组合盖缺陷检测系统》", 《电子测量与仪器学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292879A (zh) * 2017-07-17 2017-10-24 电子科技大学 一种基于图像分析的金属板材表面异常检测方法
CN107292879B (zh) * 2017-07-17 2019-08-20 电子科技大学 一种基于图像分析的金属板材表面异常检测方法
CN108982544A (zh) * 2018-06-20 2018-12-11 青岛联合创智科技有限公司 一种印制电路板瑕疵部件检测方法

Also Published As

Publication number Publication date
CN105701797B (zh) 2019-01-01

Similar Documents

Publication Publication Date Title
CN104515786B (zh) 金属铸件疲劳过程内部缺陷演化的检测与分析方法
CN109544533B (zh) 一种基于深度学习的金属板缺陷检测和度量方法
CN102565072B (zh) 拉伸铝合金板表面裂纹立体视觉在线检测方法
CN104931585B (zh) 复合材料脱粘缺陷超声波c扫描检测面积评定方法
CN107657603A (zh) 一种基于智能视觉的工业外观检测方法
CN104834939B (zh) 一种在线自动检测多孔金属材料空洞缺陷的方法
CN111681231B (zh) 基于目标检测的工业焊接图像缺陷的检测方法
CN111426563A (zh) 一种3d打印试样拉伸破坏性能分析方法
CN105572152B (zh) 一种复合材料x射线成像灵敏度的替代性测定方法
CN102680494B (zh) 基于机器视觉的抛光金属弧状面瑕疵实时检测方法
CN110009617A (zh) 一种轴类件在线质量检测方法
CN104315977A (zh) 橡胶塞质量检测装置及检测方法
CN105911724A (zh) 确定用于检测的光照强度的方法和装置、及光学检测方法和装置
CN105354598B (zh) 一种在线检测连续带状泡沫金属材料漏镀缺陷的方法
CN104132949B (zh) 一种子午线轮胎模具皮下缺陷无损检测的装置及方法
CN105701797A (zh) 连续带状多孔金属材料漏镀缺陷的判定方法
CN110243475B (zh) 一种基于机器视觉识别技术的织物色差检测方法
CN105427335A (zh) 一种连续带状多孔金属材料漏镀缺陷的检测并定位的方法
CN105424714A (zh) 基于多管脚的缺陷检测装置及其检测方法
CN114862863B (zh) 一种样本可均衡的曲轴表面缺陷检测方法及检测系统
CN114324382A (zh) 面板端子清洁度检测方法及面板端子清洁度检测装置
CN102937592A (zh) 陶瓷天线罩气孔及材质疏松缺陷自动检测方法
CN208026642U (zh) 一种发动机垫片缺陷检测装置
CN110782453B (zh) 一种基于图像特征匹配的印刷品质量检测方法
Li et al. A deep learning method for printing defect detection

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant