建设网站搞网络营销的总结,wordpress滑动,we建站,p9制作公司人工智能技术与咨询 点击蓝字 关注我们 来源#xff1a;《 图像与信号处理》 #xff0c;作者 吕广贤 关键词: 机器视觉#xff1b;缺陷检测#xff1b;钎焊 摘要#xff1a; 摘要: 为解决散热器钎焊缺陷在工业检测过程中效率低、差错率高的问题#xff0c;本文设计了一…
人工智能技术与咨询 点击蓝字 · 关注我们 来源《 图像与信号处理》 作者 吕广贤 关键词: 机器视觉缺陷检测钎焊 摘要 摘要: 为解决散热器钎焊缺陷在工业检测过程中效率低、差错率高的问题本文设计了一种基于机器视觉的缺陷检测系统。针对钎焊环节产生的焊缝和阻塞这两种缺陷通过设计的内外双光源照射模块分别对其打光得到各自的原始图像其次采用灰度处理、滤波除燥等算法进行预处理最后采用区域生长算子和设计的双阈值筛选算法分别得到了图像的焊缝和阻塞缺陷。实验表明本系统检测效率比传统人工检测效率提高了6倍准确率在97%以上。
1. 引言
散热器是汽车冷却系统的重要部件之一其各部件一般采用铝合金材料通过钎焊炉高温钎焊而成。但在整体成型的钎焊过程中散热器容易出现焊缝泄漏 [1] 和阻塞缺陷这两种缺陷严重降低了散热器的使用性能并且容易产生安全隐患。目前散热器钎焊处的缺陷检测主要通过人工检测的方式完成但是随着自动化检测技术的发展这种落后的检测方式已不适应时代的发展要求。因此实现对焊件质量的自动化检测具有重要意义。、 目前对钎焊、扩散式焊接质量的检测主要还是采用超声波检测、X射线检测和机器视觉 [2] 等方法。美国Cognex公司设计出了基于机器视觉的Smart View 系统该系统在金属表面缺陷检测中取得了很高的识别率 [3]而Westinghous公司在钢板钎焊表面的缺陷检测中提供了一种新的检测方案 [4]原理是利用不同照明光路与电荷耦合元件(charge coupled device, CCD)线阵相机相结合的方式对其进行检测。国内方面浙江大学的周红明等人设计了分水岭阈值分割法利用机器视觉技术实现了对焊缝缺陷定位与尺寸测量 [5]从目前的研究成果可以看出研究关注点主要集中在图像分割提取和缺陷识别分类 [6]。 针对散热器钎焊产生的缺陷问题本文以机器视觉技术和图像处理为基础通过设计的双光源照射模块、改进图像预处理算法及阈值筛选算法实现了对汽车散热器钎焊缺陷的自动化、高精度的检测。 2. 系统整体方案
2.1. 检测对象
汽车散热器主要是由散热器芯、水管、散热空气叶片、上水箱及下水箱等组合而成。上水箱在散热器上由水管将上水箱与散热器下水箱相连通热水由上而下流到下水箱时变为温水散热空气叶片则构成孔道经风扇的抽吸使大量的冷空气经空气孔道将流经水管中冷却水的热量吸收再发散于大气中。本文检测对象为水管口四周的钎焊处如图1所示。 Figure 1. Brazing defects of automobile radiator 图1. 汽车散热器钎焊缺陷 汽车散热器的水管口四周经过钎焊而成的其中个别管口的钎焊处会存在焊缝缺陷或阻塞缺陷。本检测系统主要基于散热器的这两种缺陷进行检测和识别图2为通过打光即可得到散热器的焊缝缺陷图图3为阻塞缺陷图。 Figure 2. Radiator weld defects (lighting) 图2. 散热器焊缝缺陷(打光) Figure 3. Radiator blocking defect 图3. 散热器阻塞缺陷
2.2. 硬件系统结构设计
本文针对散热器钎焊缺陷设计的机器视觉检测系统主要由硬件系统和软件系统组成。软件方面主要利用在VS2017平台下开发的系统 [7]可以实现图像采集控制、图像处理分析 [8] [9]、PLC驱动和控制、检测数据统计存储、人机交互等系统功能。硬件系统包括工业相机、镜头、光源、图像采集卡、计算机等。
硬件系统整体结构如图4所示。 Figure 4. Brazing defect detection system of automobile radiator based on machine vision. 1.Computer; 2. Camera; 3. Lens; 4. External Light; 5. Automotive radiator 图4. 基于机器视觉的汽车散热器钎焊缺陷检测系统。1. 计算机2. 相机3. 镜头4. 外光源5. 内光源6. 汽车散热器 系统工作流程为首先通过将散热器放置到由伺服电机带动的传送带上当散热器经过检测工位时相机给计算机发送工件到位信号。 第一阶段计算机对散热器的焊缝缺陷进行检测内光源会亮起而外光源会关闭然后再发送采集信号触发相机拍照。 第二阶段计算机对散热器的阻塞缺陷进行检测内光源会关闭而外光源会亮起然后再发送采集信号触发相机拍照。 第三阶段计算机接收到前两各阶段拍摄的图片并且分别对图像进行实时处理并将检测结果信号反馈给计算机来显示检测结果。
2.3. 软件算法设计
本检测算法系统主要分为两个检测模块分别对焊缝缺陷以及阻塞缺陷进行检测。该系统通过对原始图像进行处理提炼出其中的主要特征(轮廓、亮度等)便于计算机识别法 [10] [11]。首先开启内光源对汽车散热器的钎焊处进行焊缝检测判断其是否存在缺陷。然后关闭内光源开启外光源对散热器钎焊处的阻塞缺陷进行检测判断其是否存在缺陷。若两个模块都未检测出缺陷则判定为合格产品否则即为不合格产品。本文算法流程图如图5所示。 Figure 5. Radiator brazing defect detection algorithm flow、 图5. 散热器钎焊缺陷检测算法流程 3. 钎焊缺陷检测流程
3.1. 焊缝缺陷检测
3.1.1. 灰度处理
本系统的工业相机拍摄到的图像是散热器的三通道彩色图像颜色本身非常容易受到光照的影响三通道转为一通道后运算量将大大减少。图6为灰度处理后的焊缝缺陷图像图7为它的灰度直方图。
3.1.2. ROI区域提取
在对图像采集的过程中往往会因为相机视场较大出现目标以外的场景而目标缺陷区域只存在于散热器钎焊处的图像中。因此在进行图像处理以前需要对散热器钎焊图像进行有效区域的提取。有效区域也可称为感兴趣区域(Regions of Interest简称ROI)去除背景无关部分尽可能的保全散热器钎焊处的部分。图8为提取后的ROI图像图9为ROI图像的灰度直方图。 Figure 6. Weld defects after gray processing 图6. 灰度处理后的焊缝缺陷 Figure 7. The gray level of weld defects is straight、 图7. 焊缝缺陷的灰度直方图 Figure 8. ROI weld defects after extraction 图8. 提取后的ROI焊缝缺陷 Figure 9. Grayscale histogram of ROI weld defect image 图9. ROI焊缝缺陷图像的灰度直方图
3.1.3. 滤波算法
图像去噪算法有很多种类而高斯滤波是里面最常用的去噪算法之一。因为高斯滤波是一种低通滤波所以它能有效地滤除掉图像中出现的噪点。高斯滤波会对边缘信息进行平滑使图像变得模糊当能滤除掉图像中噪声信号。由于它在滤波过程中只关注了位置信息所以会使图像变得模糊权重的计算方法如下式 Figure 10. Radiator weld defects after filtering 图10. 滤波后的散热器焊缝缺陷
3.1.4. 焊缝缺陷提取
本文将采用区域生长算子对滤波后的图像进行阈值化处理将打光的焊缝提取出来。首先需要对每一个区域指定一个种子点作为生长的起点然后将种子点周围领域的像素点和种子点进行对比将具有相似性质的点合并起来继续向外生长直到没有满足条件的像素被包括进来为止。这样一个区域的生长就完成了。 具体步骤如下 1) 对图像顺序扫描找到第1个还没有归属的像素设该像素为 (x0,y0)(x0,y0) 2) 以 (x0,y0)(x0,y0) 为中心考虑 (x0,y0)(x0,y0) 的8邻域像素 (x,y)(x,y)如果 (x,y)(x,y) 满足生长准则将 (x,y)(x,y) 与 (x0,y0)(x0,y0) 合并同时将 (x,y)(x,y) 压入堆栈 3) 从堆栈中取出一个像素把它当作(x0y0)返回到步骤2 4) 当堆栈为空时返回到步骤1 5) 重复步骤1~4直到图像中的每个点都有归属时。生长结束区域生长法分割。
提取后的散热器焊缝缺陷图如下图11所示。 Figure 11. Radiator weld defects after extraction 图11. 提取后的散热器焊缝缺陷
3.2. 阻塞缺陷检测
3.2.1. 图像预处理
首先采用上文的算法分别对原始图像进行灰度处理、ROI区域提取然后对其进行滤波除燥后即可得到阻塞缺陷的预处理图像。 本章节将采用双边滤波算法去除图像中的噪点。它处理后的图像能够保持边缘、降噪平滑。这是因为双边滤波的权重不仅考虑了像素的欧氏距离还考虑了像素范围域中的辐射差异在计算中心像素的时候同时考虑到了这两个权重。 在图像中的平坦区域滤波器中每个像素点的 GrGr 值相等空间距离权重 GsGs 主导滤波效果。通过实验我们可以看出来在图像的边缘区域边缘信息能够得到有效的保护。在进行归一化后这些权值得到了提升因此在平坦区域内出现的噪声点也有滤除效果。本文采用双边滤波如图12所示。 Figure 12. Blocking defects after gray processing 图12. 灰度处理后的阻塞缺陷 本文在传统的Canny法基础上对Canny算法进行改进。采用了在Canny边缘的梯度图像上进行二次曲面拟合并参考Canny边缘位置及边缘方向进行更精确的边缘提取。本文采用改进的Canny算法使最后的图像边缘达到了较高的尺寸检测精度如图13所示。 Figure 13. Blocking defects after edge extraction 图13. 边缘提取后的阻塞缺陷
3.2.2. 阻塞缺陷提取
本文将采用双阈值筛选算法对阻塞缺陷进行提取。首先经过改进的Canny边缘检测之后可以清晰的将散热器钎焊处的边缘轮廓提取出来。其次缺陷管口的轮廓在面积和长度方面都远远的小于正常管口。因此本文结合轮廓的高度和面积设计了一种新的缺陷提取算法–双阈值筛选算法该算法通过设置尺寸的阈值来筛选出缺陷的轮廓算法流程图如图14所示。 Figure 14. Double threshold filtering algorithm flow 图14. 双阈值筛选算法流程 图15即为该算法提取出的阻塞缺陷图。 Figure 15. Curve: system result of standard experiment 图15. 提取后的散热器阻塞缺陷 4. 缺陷检测结果及分析 为了判别待处理的散热器是否为合格产品本文对300张图像进行实验分析其中87张为焊缝缺陷图像、93张为阻塞缺陷图像以及120张非缺陷图像。本文采用了适合本材质的光照进行补光并在传统图像算法的基础上进行了诸多改进以达到更好的检测效果。实验检测结果统计如表1所示。 汽车散热器图像 检测个数 正确个数 正确率 焊缝缺陷图像 87 87 100% 阻塞缺陷图像 93 91 97.8% 非缺陷图像 120 118 98.3% Table 1. Radiator defect detection system test data 表1. 散热器缺陷检测系统试验结果数据 实验结果表明本算法检验正确率在97%以上在缺陷检测方面的失误较小尤其对焊缝缺陷的检测尤为准确可满足汽车散热器钎焊缺陷的检测要求。 5.结论
本文针对散热器钎焊处的焊缝和阻塞这两类缺陷分别采用了不同图像算法进行检测首先通过相机、镜头、光源、图像采集卡和计算机等硬件设备搭建采集缺陷图像然后分别进行焊缝缺陷和阻塞缺陷两个模块的检测最后再结合两个模块的检测结果对采集到的图像进行最后的判定。文章不仅改进了相关的图像算法也提出了新的筛选算法来判定提取到的轮廓是否为缺陷图像。 结果表明本检测平台对散热器钎焊缺陷检测的正确率达到97%以上充分验证了本系统的可靠性满足了对散热器钎焊缺陷的自动化检测要求具有一定的实用价值。
关注微信公众号人工智能技术与咨询。了解更多咨询 转发点赞在看安排一下
