专业视觉方案及设备制造商

以视觉检测为导向
提升产品市场竞争力

电话:0755-23594656

手机:13825262003

视觉检测设备搜索:

联系我们

未耒智能(深圳)有限公司

电话0755-23594656

曾先生13825262003

地址深圳市龙华新区观湖街道大和工业区28号深澜产业园6号院

企业资讯 网站首页 >> 企业资讯 >> 未耒智能-玻璃纤维布的机器视觉检测

未耒智能-玻璃纤维布的机器视觉检测
发表时间:2018-11-26

1 引言

玻璃纤维布是一种常用的工业用织物,可以作为一种增强材料,在联结结构之间具有非常高的结构强度和可靠性,广泛用于航天航空建筑汽车等领域玻璃纤维布的缝隙缺陷是影响其价格和品级评定的一个重要因素目前,国内的许多玻璃纤维布生产企业仍采用人工方式来检验玻璃纤维布的缺陷,这种方式主观因素影响大,检测效率低精确度低漏检率高,亟需一种自动化缺陷检测方式以提高玻璃纤维布生产自动化程度

随着机器视觉技术的不断发展,其在工业生产过程中应用越来越为广泛国外的织物在线检测技术起步相对较早,市场上在布匹缺陷检测方面的视觉检测系统有比利时的Cyclops 检测系统,瑞士的Fabrsican 系统等,虽然这些系统织物检测速度高,但是从国外引进这些系统价格昂贵,且这些系统都是针对白坯布的缺陷检测近年来国内许多学者基于机器视觉技术对纺织品的质量检测进行了研究,并取得诸多成果出现了利用图像处理检测医用纱布表面的缺陷;基于局部统计与整体显著性的织物疵点检测算法;基于机器视觉技术的针织品瑕疵检测系统设计[4];无纺布缺陷自动检测系统;经编机布匹瑕疵的在线视觉检测等等国内的研究主要是针对某一种算法的研究且仅适用于一种织物缺陷检测,不能直接应用于玻璃纤维布的缺陷检测生产实际中,因此基于C# Halcon配置环境设计了玻璃纤维布缺陷检测系统

2 玻璃纤维布缺陷检测系统设计

2.1 玻璃纤维布缺陷检测系统结构组成

image.

在玻璃纤维布的生产过程中,生产工艺、原料以及外界环境等因素都有可能造成玻璃纤维布缺陷。玻璃纤维布的主要质量缺陷是断经或者间隙造成的缝隙缺陷,缺陷定义为宽度大于1mm,长度大于150mm 的缝隙玻璃纤维布在线生产速度为2m/min,幅宽为2.5m 左右系统能够实时的检测出缺陷信息,并进行质量统计根据生产实际状况,设计的玻璃纤维布缺陷检测系统结构,如图1 所示

由图1 可以看出该系统包含相机镜头光源组成的图像采集模块和控制台软件系统模块,其中控制台软件系统模块包括人机交互模块图像处理模块和数据统计模块等

2.2 图像采集模块

图像采集模块由相机,镜头和光源组成,相机是两个全局曝光的黑白工业相机,分辨率为1280x960 pixel,帧率为60FPS,满足玻璃纤维布精度检测要求,确保采集到图像的精确度,获得清晰且无拖影的图像镜头采用日本Computar 公司的M0814-MP2 机器视觉镜头,规格为2/3”,焦距为8mm,与相机相匹配相机与PC 端的数据传输接口采用千兆网GigE 图像接口技术,可以实现高速远距离图像传输,保证缺陷检测系统的实时性要求

选择合适的光源可以得到良好的成像效果,使被测物的重要特征显现,简化算法,提高检测精度,保证系统的稳定性玻璃纤维布的缺陷区域有显著的特征,存在缺陷的位置有机纤维线相对稀疏,并且玻璃纤维布产品的颜色特征为白色,明场光源不易于突出缺陷特征,因此采用暗场光源方式这种方式能够获得较大灰度值差的玻璃纤维布图像,有效的降低缺陷检测算法的复杂度,提高系统的运算速度

2.3 人机交互模块

人机交互模块包括参数设置和图像标定等。其中参数设置包含相机参数设置、主机速度设置、报警阈值设置以及布匹纬纱走向等。主机速度、相机曝光时间等参数是用来确定相机捕获图像的频率,防止出现漏检现象。报警阈值根据生产的玻璃纤维布品级要求确定其阈值范围;图像标定即根据相机内参数与外参数矫正镜头畸变,确定像素尺寸与实际物理尺寸的换算关系。人机交互模块的另一功能就是确定玻璃纤维布生产机器正常停机与非正常停机后玻璃纤维布检测系统是否继续上一次的检测,例如出现缺陷而导致非正常停机时则需要继续上次检测,一卷布匹生产完成时则需要结束本次检测开始新的检测。设计的人机交互模块界面,如图2 所示。

image.

2.4 图像处理模块

图像处理模块是玻璃纤维布检测系统的核心模块,其功能是将图像采集模块捕获的图像进行图像拼接缺陷检测和缺陷参数计算等操作,这是核心内容,将在第3 节中详述

2.5 数据统计分析模块

图像处理后可以得到缺陷的数量缺陷的位置和尺寸等信息,为了便于布匹品级的确定与管理,基于Sql Sever 数据库搭建数据管理平台以存储和统计缺陷相关信息

3 图像处理

图像采集模块获得图像后,采用Halcon 图像处理软件进行织物缺陷检测,检测流程,如图3 所示

image.


3.1 图像拼接

由于整个系统采用两个全局曝光的黑白工业相机同步工作,因此需要将两个相机采集到的图像经过图像拼接算法配准,合成一幅宽视角的全景图像常用的图像配准方法有:基于图像像素的配准方法,基于图像特征的方法,基于相位相关技术的图像配准方法等基于像素的配准方法利用图像像素灰度进行比较无需提取特征,基于图像特征的配准方法利用提取到图像特征的匹配关系建立图像之间的映射变换关系,匹配特征可以是边缘轮廓颜色和纹理等特征相位相关法基于二维傅立叶变换,具有简单准确的优点,计算两幅图像的相对平移量进而对图像拼接融合4a)是相机1 采集到的图像I1,如图4 所示4b)相机2 采集到的图像I2。从图中可以看出图像I1 I2 没有明显的特征区域,图像中存在噪声,且检测系统实行性要求较高,因此要求图像配准算法计算复杂度低,简易可行,所以选用基于相位相关技术的图像配准算法其算法原理如下:

image.


3.2 图像增强

由于生产环境拼接接缝以及布匹张紧程度不一等因素的影响,拼接后的图像会存在噪声另外玻璃纤维布具有明显的纹理特征,这也会影响到玻璃纤维布缺陷特征的提取因此要对图像进行增强处理以抑制纹理和噪声的干扰,突出图像的缺陷特征区域图像增强处理可以是将原来不清晰的图像变得清晰,也可以将原来清晰的图像变得模糊,以满足某些特殊分析的需要,这里根据需要将得到的图像进行模糊处理

常见的模糊处理方法有高斯滤波平滑双边滤波平滑和均值滤波平滑等方法均值滤波平滑作为一种典型的线性滤波算法,既能模糊图像削弱纤维布的纹理特征影响,又能去除噪声的影响,因此选择均值滤波平滑算法模糊处理玻璃纤维布图像

3.3 阈值分割

常用的图像分割方法主要有:基于边缘的分割方法,基于特定理论的分割方法,基于区域的分割方法和基于阈值的分割方法等其中,阈值分割法使图像分割中最常用的一种方法,适合处理特征目标与背景区域区别明显的图像玻璃纤维布图像特征缺陷区域与其他区域存在明显的灰度值差异,图像对比度高,因此选用基于阈值的图像分割方法阈值分割法的关键就是确定阈值,将处于阈值区间的像素点分割得到图像区域,其分割算法定义如下:

image.

由式(3)可知,阈值分割法就是将原始图像f 中处于阈值Tmin和Tmax范围内的所有点分割到输出图像g 中。阈值确定方法有利用灰度直方图的峰谷法,最大类间方差法,最大熵自动阈值法等

等。其中基于最大类间方差法的Ostu 算法是一种灰度图像动态二值化方法,设定一个阈值将灰度图像分为目标部分与背景部分两个部分,适合处理目标区域与背景区域对比明显的图像,相比

其他方法能够更好的满足了玻璃纤维布在线检测要求,因此采用Ostu 算法确定阈值T 的范围。

3。4 形态学处理

阈值分割后的图像往往会存在杂点、突起以及狭窄的缝隙等,这些因素都会影响缺陷提取,因此要对图像进行形态学处理以排除干扰因素。腐蚀和膨胀是图像形态学处理中常用的两种操作。图像处理时常用腐蚀来消除物体的边界点,去除一些小的结构元素以削弱噪声影响。膨胀的作用是扩展物体的边界点,可以使一些相邻距离较短的区域进行连接,然而对于细小的杂点膨胀处理会使其变得较为明显。因此对分割后的图像开运算(先腐蚀后进行膨胀的处理)来去除缺陷区域突出部分的干扰,然后再进行闭运算(先膨胀后进行腐蚀的处理)以填补缺陷区域中的小洞

和狭窄的缝隙区域。

3.5 特征提取和特征参数计算

形态学处理后的图像包含缺陷区域和其他非缺陷干扰区域,这就需要将缺陷区域与非缺陷区域分离开来,去除非缺陷区域的干扰。玻璃纤维布具有明显的纹理方向特征,一般情况下其方向为±45°,其出现的缺陷也具有明显的方向特征。与其他非缺陷区域相比缺陷区域的面积相对较大,因此可以根据面积特征、方向特征和宽度等特征将缺陷区域提取出来。提取到缺陷特征区域后,所得到的区域并不是一个规则的几何图形,对提取到的特征区域拟合求其最小外接矩形P,根据最小外接矩形P 的尺寸参数判断玻璃纤维布是否存在瑕疵因此将缺陷区域判别式P 定义为:

Pw≥1/S PL≥150/S 4

式中:Pw—最小外接矩形P 的宽度值(像素数量值);PL—最小外接矩形P 的长度值(像素数量值); S—一个像素所代表的实际物理尺寸值若满足以上条件,则该产品存在缺陷为不合格产品,反之则为合格产品

5a)为原始图像;图5b)为利用均值滤波器平滑处理,Ostu 算法阈值分割后得到的图像;图5c)为对图像形态学处理开运算和闭运算操作后的图像;图5d)为利用区域面积特征和方向特征等特征提取后,拟合缺陷区域最小外接矩形后的图像

image.

4 实验与分析

搭建的玻璃纤维布缺陷检测试验台,如图6 所示。图像采集模块所采用的相机为MV-GE130GM 黑白工业相机;镜头为M0814-MP2 机器视觉镜头,其焦距为8mm;控制台计算机配置为Intel Core i5 4590,内存4G。软件环境为基于VS2010 的C# 语言、Halcon11.0 和Sql Sever 2005。

image.

由图8 可知,以机车B W_6 位轮对的轮轴横向力低于规范要求的120kN 限制值为基准,采用牵引杆连接重联机车可以承受的纵向压力约为1000kN。

5 结论

1) 重联机车采用牵引杆连接对减少列车纵向冲动的影响很小,机车电制动工况,重联机车采用车钩连接,列车最大车钩力为737kN;当重联机车采用牵引杆连接,列车最大车钩力为731kN,两者相差不大213A 型钩缓装置在直线上承受纵向压力为2500kN时,车钩几乎没有偏转,轮轴横向力脱轨系数和轮重减载率的最大值分别为38kN、0.13 0.3,均在安全范围内而采用牵引杆连接的重联机车承受纵向压力为2500kN 时,牵引杆偏转到结构极限值,轮轴横向力最大值为300kN,脱轨系数和轮重减载率的最大值分别为1.2 0.86,三项横向动力学性能指标均超出限制值因此,将重载重联机车的车端连接装置由车钩改为牵引杆不可行