用于产品质量检测的方法和系统技术方案

本发明专利技术涉及一种用于产品质量检测的方法和系统，采用粗定位+精分析的图像处理方法，首先通过粗扫待检测产品，得到第一图像，以判断该产品是否有缺陷，并在有缺陷时定位缺陷位置；再通过精扫缺陷位置，得到第二图像，分析该缺陷位置的具体数值，以更精准的判定该缺陷的严重程度，避免了传统方式的诸多缺陷：1、相较于传统人工方式，该图像处理方法，避免了人工参与的主观性和延时性，提高了判断精准度、缩短了判断时间；2、相较于直接拍摄待检测产品整体进行图像处理，该粗定位+精分析的方式，进一步提高了判断精准度、缩短了判断时间。缩短了判断时间。缩短了判断时间。

【技术实现步骤摘要】
用于产品质量检测的方法和系统


[0001]本专利技术涉及图像分析领域，特别是涉及一种用于产品质量检测的图像分析方法。

技术介绍

[0002]铸造是装备制造的基础，铸件品质的优劣，直接影响装备的技术性能、服役寿命和使用安全等。以大量航空航天、武器装备轻质合金的关键部件为例，其在生产过程中，需要进行内部缺陷的检测，为了保持工件的外形以及功能的完整性不被破坏，大多数采用工业CT无损检测方式。
[0003]传统的工业CT无损检测，首先对铸件进行整体扫描得到CT图像，然后由专业人员对CT图像进行人为判断。一方面，对铸件整体扫描，耗时长效率低，且没有针对性，精确度不高；另一方面，这种识别方式主要依靠检测人员的经验决策，检测结果往往会受到检测人员的主观判断干扰，结果不够客观，可靠性差，容易造成误检、漏检现象。
[0004]因此，如何提高该类产品的质量检测效率和精确度，是目前亟待解决的一个技术问题。

技术实现思路

[0005]为解决上述技术问题，本专利技术提供了一种用于产品质量检测的方法，包括：
[0006]S1：采集待检测产品的第一图像；
[0007]S2：根据所述第一图像，分析所述待检测产品是否有缺陷，并在有缺陷时确定缺陷位置；
[0008]S3：采集所述缺陷位置的第二图像；
[0009]S4：根据所述第二图像，分析所述缺陷位置的缺陷数值；
[0010]S5：根据所述待检测产品是否有缺陷，以及所述缺陷数值，判定所述待检测产品的质量好坏。
[0011]进一步地，所述步骤S2包括：
[0012]S21：构造所述产品的深度学习神经网络检测模型，用于学习所述产品是否有缺陷和缺陷位置；
[0013]S22：将所述产品的样本集，输入所述深度学习神经网络检测模型，训练所述深度学习神经网络检测模型，得到训练后的所述深度学习神经网络检测模型；
[0014]S23：将所述待检测产品的第一图像，输入训练后的所述深度学习神经网络检测模型，得到所述产品是否有缺陷和缺陷位置。
[0015]进一步地，所述步骤S2还包括：
[0016]S20：预处理所述待检测产品的第一图像；所述步骤S20执行于所述步骤S23之前。
[0017]进一步地，所述步骤S4，包括：
[0018]S41：采用最大类间方差双阈值算法对所述第二图像进行缺陷分割；
[0019]S42：对分割出来的缺陷，计算相关参数，作为所述缺陷数值。
[0020]进一步地，所述步骤S5，包括：
[0021]S51：若所述待检测产品无缺陷，则判定所述待检测产品的质量为第一等级；
[0022]S52：若所述待检测产品有缺陷，则判断所述缺陷数值是否大于设定阈值；
[0023]S53：若所述缺陷数值不大于设定阈值，则判定所述待检测产品的质量为第二等级；
[0024]S54：若所述缺陷数值大于设定阈值，则判定所述待检测产品的质量为第三等级。
[0025]进一步地，若所述待检测产品为第一等级或第二等级，则判定所述待检测产品的质量为合格或好；若所述待检测产品为第三等级，则判定所述待检测产品的质量为不合格或坏。
[0026]进一步地，所述第一图像，为所述待检测产品的全局DR图像；所述第二图像，为所述缺陷位置的扫描CT图像。
[0027]进一步地，本专利技术提供了一种用于产品质量检测的系统，所述系统用于执行上述任意的方法；所述系统包括：
[0028]第一图像采集模块，用于采集待检测产品的第一图像；
[0029]第一分析模块，与所述第一图像采集模块连接，用于接收所述第一图像，并根据所述第一图像，分析所述待检测产品是否有缺陷，并在有缺陷时确定缺陷位置；
[0030]第二图像采集模块，用于采集所述缺陷位置的第二图像；
[0031]第二分析模块，与所述第二图像采集模块连接，用于根据所述第二图像，分析所述缺陷位置的缺陷数值；
[0032]判断模块，与所述第一分析模块和所述第二分析模块连接，用于根据所述待检测产品是否有缺陷，以及所述缺陷位置的缺陷数值，判断所述待检测产品的质量好坏。
[0033]进一步地，所述第一分析模块，包括：
[0034]构造单元，用于构造所述产品的深度学习神经网络检测模型，用于学习所述产品是否有缺陷和缺陷位置；
[0035]训练单元，与所述构造单元连接，将所述产品的样本集，输入所述深度学习神经网络检测模型，训练所述深度学习神经网络检测模型，得到训练后的所述深度学习神经网络检测模型；
[0036]检测单元，与所述训练单元和所述第一图像采集模块连接，用于将所述待检测产品的第一图像，输入训练后的所述深度学习神经网络检测模型，得到所述产品是否有缺陷和缺陷位置。
[0037]进一步地，所述第二分析模块，包括：
[0038]分割单元，用于采用最大类间方差双阈值算法对所述第二图像进行缺陷分割；
[0039]计算单元，与所述分割单元连接，用于对分割出来的缺陷，计算相关参数，作为所述缺陷数值。
[0040]本专利技术提供了一种用于产品质量检测的方法和系统，采用粗定位+精分析的图像处理方法，首先通过粗扫待检测产品，得到第一图像，以判断该产品是否有缺陷，并在有缺陷时定位缺陷位置；再通过精扫缺陷位置，得到第二图像，分析该缺陷位置的具体数值，以更精准的判定该缺陷的严重程度，避免了传统方式的诸多缺陷：1、相较于传统人工方式，该图像处理方法，避免了人工参与的主观性和延时性，提高了判断精准度、缩短了判断时间；
2、相较于直接拍摄待检测产品整体进行图像处理，该粗定位+精分析的方式，进一步提高了判断精准度。
附图说明
[0041]图1为本专利技术用于产品质量检测的方法的一个实施例的流程图；
[0042]图2为本专利技术用于产品质量检测的方法的步骤S2的一个实施例的流程图；
[0043]图3为本专利技术用于产品质量检测的方法的步骤S2的另一个实施例的流程图；
[0044]图4为本专利技术用于产品质量检测的方法的步骤S4的一个实施例的流程图；
[0045]图5为本专利技术用于产品质量检测的方法的步骤S5的一个实施例的流程图；
[0046]图6为本专利技术用于产品质量检测的方法的步骤S5的另一个实施例的流程图；
[0047]图7为本专利技术用于产品质量检测的系统的一个实施例的框架结构图；
具体实施方式
[0048]如图1所述，本专利技术提供一种用于产品质量检测的方法，包括：
[0049]S1：采集待检测产品的第一图像；
[0050]S2：根据第一图像，分析待检测产品是否有缺陷，并在有缺陷时确定缺陷位置；
[0051]S3：采集缺陷位置的第二图像；
[0052]S4：根据第二图像，分析缺陷位置的缺陷数值；
[0053]S5：根据待检测产品是否有缺陷，以及缺陷数值，判定待检测产品的质量好坏。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于产品质量检测的方法，其特征在于，包括：S1：采集待检测产品的第一图像；S2：根据所述第一图像，分析所述待检测产品是否有缺陷，并在有缺陷时确定缺陷位置；S3：采集所述缺陷位置的第二图像；S4：根据所述第二图像，分析所述缺陷位置的缺陷数值；S5：根据所述待检测产品是否有缺陷，以及所述缺陷数值，判定所述待检测产品的质量好坏。2.根据权利要求1所述的方法，其特征在于，所述步骤S2包括：S21：构造所述产品的深度学习神经网络检测模型，用于学习所述产品是否有缺陷和缺陷位置；S22：将所述产品的样本集，输入所述深度学习神经网络检测模型，训练所述深度学习神经网络检测模型，得到训练后的所述深度学习神经网络检测模型；S23：将所述待检测产品的第一图像，输入训练后的所述深度学习神经网络检测模型，得到所述产品是否有缺陷和缺陷位置。3.根据权利要求2所述的方法，其特征在于，所述步骤S2还包括：S20：预处理所述待检测产品的第一图像；所述步骤S20执行于所述步骤S23之前。4.根据权利要求1所述的方法，其特征在于，所述步骤S4，包括：S41：采用最大类间方差双阈值算法对所述第二图像进行缺陷分割；S42：对分割出来的缺陷，计算相关参数，作为所述缺陷数值。5.根据权利要求1所述的方法，其特征在于，所述步骤S5，包括：S51：若所述待检测产品无缺陷，则判定所述待检测产品的质量为第一等级；S52：若所述待检测产品有缺陷，则判断所述缺陷数值是否大于设定阈值；S53：若所述缺陷数值不大于设定阈值，则判定所述待检测产品的质量为第二等级；S54：若所述缺陷数值大于设定阈值，则判定所述待检测产品的质量为第三等级。6.根据权利要求5所述的方法，其特征在于，若所述待检测产品为第一等级或第二等级，则判定所述待检测产品的质量为合格或好；若所述待检测产品为第三等级，则判定所述待检测产品...

【专利技术属性】
技术研发人员：陈新华，唐顺海，刘泉，李星辉，范余银，
申请(专利权)人：湖南航天天麓新材料检测有限责任公司，
类型：发明
国别省市：