基于图形识别的卷板机零件检测方法技术

本发明专利技术涉及图形识别技术领域，具体涉及基于图形识别的卷板机零件检测方法，包括：采集卷板机上的齿轮图像；根据每帧齿轮图像中齿轮区域图像得到齿轮区域图像的边缘图像；进一步得到第一序列；根据第一序列中投影值以及相邻投影值计算齿轮区域图像每个投影值的边缘率进而确定出边缘线；根据第一序列中相邻边缘线之间的距离得到距离序列，从而得到第二序列；根据第二序列中所有相邻元素之间的差异获取突变值；将齿轮区域图像以及突变值输入到第二神经网络中，判断齿轮区域图像是否存在异常；根据所有齿轮区域图像异常判断操作结果，判断齿轮是否存在断齿或缺齿缺陷。排除了齿轮上划痕对齿轮缺齿断齿缺陷识别的干扰，使得检测结果更加准确。果更加准确。果更加准确。

【技术实现步骤摘要】
基于图形识别的卷板机零件检测方法


[0001]本专利技术涉及图形识别领域，具体涉及基于图形识别的卷板机零件检测方法。

技术介绍

[0002]卷板机是一种利用工作辊使板材弯曲的设备，其可以将板材变成筒形件/锥形件等不同形状的零件，是一种非常重要的加工设备。卷板机最常用的是三辊卷板机，其分为机械式和液压式，机械式三辊卷板机分布为上辊有一个，下辊有两个，其两个下辊和齿轮相连接，在两个齿轮下方还存在一个齿轮。在卷板机中齿轮式帮助下辊转动的关键道具，因此齿轮出现损害会导致板材无法规则成型，因此齿轮在运行中的检测是十分重要的。
[0003]而现有的齿轮检测算法是针对齿轮横截面采集图像判断其齿轮是否出现损害，但在卷板机场景下，无法拍摄到齿轮的全部侧面图像，检测结果不准确。

技术实现思路

[0004]本专利技术提供基于图形识别的卷板机零件检测方法，以解决现有的问题。
[0005]本专利技术的基于图形识别的卷板机零件检测方法采用如下技术方案：本专利技术一个实施例提供了基于图形识别的卷板机零件检测方法，该方法包括以下步骤：S1:采集卷板机上的多帧齿轮图像；对每帧齿轮图像进行噪声滤除；提取每帧齿轮图像中齿轮区域，得到多个齿轮区域图像；S2:对每个齿轮区域图像进行异常判断操作；所述异常判断操作包括：S201:对齿轮区域图像进行边缘检测得到齿轮区域图像的边缘图像；对齿轮区域图像的边缘图像进行投影，得到齿轮区域图像的第一序列；S202:根据齿轮区域图像的第一序列中每个投影值以及相邻投影值计算齿轮区域图像每个投影值的边缘率；将齿轮区域图像第一序列中所有边缘率大于第一阈值的投影值标记为边缘线；S203:计算第一序列中相邻边缘线之间的距离，得到距离序列；计算距离序列中相邻距离之间的差异，得到第二序列；根据第二序列中所有相邻元素之间的差异获取突变值；S204:将齿轮区域图像以及突变值输入到第二神经网络中，判断齿轮区域图像是否存在异常；S3:根据所有齿轮区域图像异常判断操作结果，判断齿轮是否存在断齿或缺齿缺陷。
[0006]优选的，所述提取每帧齿轮图像中齿轮区域，得到多个齿轮区域图像包括：将齿轮图像输入到第一神经网络中，得到齿轮图像中的齿轮区域，将齿轮区域作为齿轮区域图像。
[0007]优选的，所述对齿轮区域图像的边缘图像进行投影，得到齿轮区域图像的第一序
列包括：将齿轮区域图像的边缘图像转换为二值图像；计算所述二值图像每一列所有像素点的像素值均值，得到二值图像每一列的投影值；二值图像所有列的投影值组成齿轮区域图像的第一序列。
[0008]优选的，所述边缘率的表达式为：其中，为第一序列中第个投影值的边缘率；为第一序列中第个投影值；为第一序列中第个投影值。
[0009]优选的，所述突变值的表达式为：其中为突变值；为第二序列中第个元素；为第二序列中第个元素；为第二序列中元素的个数。
[0010]优选的，所述根据所有齿轮区域图像异常判断操作结果，判断齿轮是否存在断齿或缺齿缺陷包括：若存在一个齿轮区域图像中存在异常，则齿轮存在断齿或缺齿缺陷；若所有齿轮区域图像均不存在异常，则齿轮不存在断齿或缺齿缺陷。
[0011]本专利技术的有益效果是：本专利技术检测卷板机的齿轮零件直接通过图形识别识别出正在运作的卷板机中齿轮的缺陷，相较于传统的人为观测或者等卷板机停下来再采集数据具有更高的效率，本专利技术基于采集图像的过程中会出现近大远小的情况来提取齿轮底部特征，使得检测结果更加准确。区别于传统方案，本专利技术通过分析序列，排除了齿轮上划痕对齿轮缺齿断齿缺陷识别的干扰，使得检测结果更加准确。
附图说明
[0012]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0013]图1为本专利技术的基于图形识别的卷板机零件检测方法的步骤流程图；图2为本专利技术的基于图形识别的卷板机零件检测方法的边缘图像示例图。
具体实施方式
[0014]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本专利技术提出的基于图形识别的卷板机零件检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点
可由任何合适形式组合。
[0015]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。
[0016]下面结合附图具体的说明本专利技术所提供的基于图形识别的卷板机零件检测方法的具体方案。
[0017]请参阅图1，其示出了本专利技术一个实施例提供的基于图形识别的卷板机零件检测方法的步骤流程图，该方法包括以下步骤：101．采集卷板机上的多帧齿轮图像；对每帧齿轮图像进行平滑去噪；提取每帧齿轮图像中齿轮区域，得到多个齿轮区域图像。
[0018]在电机和下辊之间存在三个齿轮，两个齿轮是作为与下辊连接控制下辊转动所用的，这两个中间还有一个齿轮是与电机相连来控制两个齿轮的转动的，将图像采集设备放在中间齿轮的正下方，齿轮在机器运作时每时每刻都在运动，因此通过图像采集装置采集多帧齿轮的图像。本专利技术实施例中采集图像间的间隔为齿轮转动一周时间的1/8。例如，齿轮转动一周需要4s，本专利技术实施例就每间隔0.5s采集一帧图像。
[0019]至此，通过安放相机，通过相机采集图像得到齿轮的图像。
[0020]通过上述步骤就通过图像采集设备采集到了多帧齿轮图像，对多帧齿轮图像使用加权灰度化将图像转换为灰度图，方便后续的计算。对于转化出的灰度图，由于在工业环境下会使得采集的图像生成噪声，因此要对图像进行平滑操作去除噪声。
[0021]去除噪声之后，由于图像采集设备放在齿轮的正下方，该图像除了采集齿轮外，会将卷板机别的部分也采集到图像中，而其余部分也会形成边缘点，这对后续识别缺陷造成了影响，因此本专利技术实施例使用神经网络方法进行包围框目标检测，将齿轮区域提取出来。
[0022]神经网络所选为YOLOv5目标检测网络，其作用是提取本专利技术实施例想要的齿轮区域。
[0023]神经网络的输入为经过灰度化后的使用图像采集装置采集的图像，神经网络的输出为将所有齿轮区域包括的矩形包围框内的图像。对整张图像进行卷积，设定阈值，将所有齿轮区域使用矩形包围框包裹，包围框的宽度要比齿轮的边缘更长。神经网络使用的功能是包围框目标检测，其所使用的loss函数为Smooth L1 损失函数。
[0024]经过神经网络提取目标后，就得到了齿轮区域图像,该齿轮区域的图像大小为，即是一张N行M列的图像。
[0025]102．获取齿轮区域图像的边缘图像；进一步得到齿轮区域图像的第一序列；根据齿轮区域图像的第一序列中投影值以及本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图形识别的卷板机零件检测方法，其特征在于，该方法包括以下步骤：S1:采集卷板机上的多帧齿轮图像；对每帧齿轮图像进行噪声滤除；提取每帧齿轮图像中齿轮区域，得到多个齿轮区域图像；S2:对每个齿轮区域图像进行异常判断操作；所述异常判断操作包括：S201:对齿轮区域图像进行边缘检测得到齿轮区域图像的边缘图像；对齿轮区域图像的边缘图像进行投影，得到齿轮区域图像的第一序列；S202:根据齿轮区域图像的第一序列中每个投影值以及相邻投影值计算齿轮区域图像每个投影值的边缘率；将齿轮区域图像第一序列中所有边缘率大于第一阈值的投影值标记为边缘线；S203:计算第一序列中相邻边缘线之间的距离，得到距离序列；计算距离序列中相邻距离之间的差异，得到第二序列；根据第二序列中所有相邻元素之间的差异获取突变值；S204:将齿轮区域图像以及突变值输入到第二神经网络中，判断齿轮区域图像是否存在异常；S3:根据所有齿轮区域图像异常判断操作结果，判断齿轮是否存在断齿或缺齿缺陷。2.根据权利要求1所述的基于图形识别的卷板机零件检测方法，其特征在于，所述提取每帧齿轮图像中齿轮区域，得到多个齿轮区域图像包括：将齿轮图像输入到第一神经网...

【专利技术属性】
技术研发人员：缪屹东，
申请(专利权)人：江苏东晨机械科技有限公司，
类型：发明
国别省市：