机器视觉技术与机器视觉检测系统的应用案例.docx

《机器视觉技术与机器视觉检测系统的应用案例.docx》由会员分享，可在线阅读，更多相关《机器视觉技术与机器视觉检测系统的应用案例.docx（11页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、机器视觉技术与机器视觉检测系统的应用案例机器视觉技术与机器视觉检测系统的应用案例网络转载导语：为理解决这些问题，西班牙Tecnalia公司的工程师开发出了一套称为Surfin的机器视觉系统，其能使钢铁制造商在钢板从推进台推出时，就检测到这类缺陷利用视觉技术检测热轧钢材的外表，即便钢材的温度超过1000，也好似它们是冷的一样。为了消费无缝钢管，需要先将钢坯输送到炉中加热。接着，将坯料穿孔以形成厚壁的中空壳体，之后将芯棒插入壳体中。然后在芯棒式无缝管轧机中进展伸长轧制。在伸长工艺之后，坯料输送到推进台，在那里它被推动穿过一系列轧辊机座。最终形成具有连续更小壁厚的中空长钢管。尽管与热轧工艺一样有效，

2、在轧机台架中的轧辊机座偶然可以在钢外表上产生标记和缺陷，这些缺陷在热条件下非常难以检测。因此，在质量改良工程中，很多制造商希望尽可能早地识别这些缺陷，以防止以相当大的代价消费出大量有缺陷的材料。视觉系统为理解决这些问题，西班牙Tecnalia公司的工程师开发出了一套称为Surfin的系统，其能使钢铁制造商在钢板从推进台推出时，就检测到这类缺陷见图1。检测这种缺陷为制造商提供了消费经过中任何问题的指示，使制造商能在早期阶段对推进台进展预防性维护，防止将任何有缺陷的钢管交付给客户。图1：西班牙Tecnalia公司的工程师开发出了一套称为Surfin的，其能使超过1000的钢板从推进台推出时，就可检

3、测到钢材上的缺陷。由轧辊机座产生的这种钢管外表上的典型缺陷，通常遵循重复形式持续出现，直到轧机支架改变。这些缺陷包括外表上的裂缝、轧机支架阻挡标记、裂纹以及别离的钢材，其随后会粘贴到钢管外表的另一局部上。开发人员面临严重的挑战。这种消费环境中的条件可谓极端恶劣：不仅以67m/s的相对高速消费钢管Surfin可以工作在高达10m/s下，而且钢材从轧辊机座推出时的温度约为1000，再加上环境脏、存在水和油蒸汽，进而使缺陷检测更为棘手。由于钢材的热外表辐射的光与IR、红光、橙光和黄光波段的热发射直接相关，因此捕捉钢材外表反射的所有光的图像，将使相机中的传感器饱和，由于相机对钢管辐射的所有光都敏感。为

4、理解决这一问题，Surfin系统专利号ES2378602和EP2341330使用的光，其波长远离炽热钢材所发射光谱的波长。然后，系统中相机捕捉的图像，通过美国EdmundOptics公司的窄带光学带通滤光片中心波长为470nm、带宽为10nm和一个红外IR辐射滤光片。这两个滤光片使CCD相机只接收所需波段中的辐射，而参加IR滤光片来保护电子系统免受热辐射。受控照明技术允许系统捕捉钢管整个外表的图像，就好似钢管是冷的一样。为了使系统能捕捉钢管外表的360图像，该系统使用了加拿大TeledyneDALSA公司的三套14000lines/s的Spyder3线扫描相机，以120的角度间隔垂直于轧制钢管

5、轴平面、安装在保护性罩壳中，围绕在推进台的输出端。在该系统的前一个版本中，在每台相机的两侧使用加拿大LaserglowTechnologies公司的两个200mW473nm蓝光激光光源，对钢管外表进展暗场照明。由于系统的几何外形，其可以实时地连续捕捉钢管的完好图像见图2a和b。图2：a：为了使系统可以准确地捕捉钢管外表3的360图像，系统使用三组激光器1和14000lines/s线扫描相机2。B：激光器和相机组以120角度间隔安装在垂直于滚动轴平面的同一平面内，相机位于推进台输出端四周的保护罩壳中。由于环境的温度很高，保持相机连续冷却至关重要。为此，将压缩冷却空气注入到保护罩壳中，保护相机和激

6、光设备免受热和恶劣环境的影响。空气不仅冷却系统，而且之后过量的空气通过窗口排出，激光器通过该窗口输出光束，相机通过该窗口捕捉图像，防止鳞状物、氧化物、灰尘和液体沉积。图像处理一旦捕捉了钢材外表的图像，接下来便通过光纤千兆以太网链路将图像传送100m到达控制室中基于PC的效劳器上。在这里，首先对图像进展预处理，以利用诸如直方图平衡等定制图像增强算法，来增强图像的比照度。由于原始图像中的可用数据由近比照度值表示，所以该技术增加了图像的全局比照度。图像增强之后，使用定制软件处理，在系统的先前版本中，该软件采用基于支持向量机SVM的辅助学习系统。一旦系统被教育通过纹理、比照度和尺寸，识别来自不同样品的

7、缺陷，那么算法可以自动检测和分类消费环境中最重要的消费缺陷见图3。图3：钢材中出现的典型缺陷包括a材料粘贴b材料被去除和c辊痕。基于PC的效劳器用于存储来自相机的图像、被发现的缺陷数据，以及缺陷在钢管上位置，还将在Oracle数据库中存储压力、温度、速度信号、通讯和其他钢管消费数据的报警，用于质量控制和可追溯性。还可以通过在连接到公司局域网LAN的计算机上安装客户端应用，对效劳器上的数据进展远程检查。自从该系统最初开发以来，已经经历了几次增强，系统的构造如今已经过重新设计，可以更轻易地对准和调整相机和调节照明。较新版本的系统还采用了液体而非空气制冷技术，使照明和传感器可以更靠近钢管放置，进而实

8、现更热或者更大面积的钢管成像。美国MetaphaseTechnologies公司的LED光源也已经替换了早期的激光器，使光源的寿命从2000小时增加到了50000小时，并且消除了诸如散斑之类可能破坏相机捕捉的图像的因素。软件用户界面也得到了改良，如今工厂操纵员能在钢材上出现缺陷时，看到它们的位置和特定属性见图4。如今还可以在数据库上存储几个月的消费数据，这样工厂经理就能查看可能发生的任何错误的周期性，并安排定期预防性维护操纵。该系统还可以支持多用户，这些用户不仅可以本地访问系统，还可以通过互联网访问系统。图4：定制的软件用户界面，使工厂操纵员可以实时看到钢材上缺陷的位置和特定属性。分类变更Su

9、rfin系统最重要的一项最新开展，是用内部开发的候选窗口探测平台和用于缺陷分类的卷积神经网络CNN，来替换之前基于SVM的分类器。CNN可以学习从训练图像中提取表征每种类型缺陷的相关特征并执行分类，而SVM仅将其输入映射到可以提醒缺陷种别之间差异的一些高维空间。通过假定所有感兴趣的对象例如缺陷分享将它们与背景区分开的共同视觉属性，候选窗口探测平台输出可能包含缺陷的一组区域。随后，CNN提取学习特征，并且对图像数据执行实际的缺陷分类。CNN分类器通过具有缺陷的热钢管图像的定制图像数据库进展验证，并且发现基于深度学习的方法，可以减少检测到的假阳性和假阴性的数目，其明显优于之前的SVM分类器。执行两

10、类分类如缺陷与无缺陷时，最相关的性能指标是AUC，或者ROC接收器工作特征曲线下的面积，通过在x轴上绘制假阳性率和在y轴上绘制真阳性率，然后计算此函数下的面积见图5。图5：在执行两类分类如有缺陷与无缺陷时，最相关的性能指标是AUC或者ROC接收器工作特征曲线下的面积。模型越好，AUC越接近1。采用这种方式，当比拟几种模型时，可以通过选择最高的AUC来选出最正确模型。固然SVM分类器的AUC值为0.88，但是对于两类分类情况，CNN-Surfin分类器的AUC值为0.997。理想情况下，该函数的值对于x轴上的每个值都为1.00，因此模型越好，其AUC越接近1。以这种方式，当比拟几种模型时，可以通

11、过取最高AUC值来选择最正确模型。固然SVM分类器的AUC值为0.88，但是对于两类分类情况，CNN-Surfin分类器的AUC值为0.997。此外，对于给定的模型，可以选择阈值以使系统可以决定样品是否有缺陷。由于模型的输出通常是0和1之间的概率值，假如概率值大于阈值，那么样本将被标记为NOK，否那么标记为OK。通过将阈值移向1.0，能以“增加假阴性的数目为代价来减少假阳性的数目，反之亦然。然后可以通过在x轴上绘制阈值，以及在y轴上绘制特异性或者真阴性率=1-假阳性率和灵敏度或者真阳性率=1-假阴性率，来可视化检查系统工作在何处。对应于阈值的垂直线切割两条曲线的点，产生假阳性率和假阴性率。阈值

12、的常见选择是产生近似相等的假阳性率和假阴性率。对于CNN-Surfin，得到1.58%的假阳性率和1.49%的假阴性率见图6。与之相比，SVM版本的Surfin的假阳性率为17.98%，假阴性率为18.00%，由Surfin做出的分类错误数目减少了12倍。图6：对应于阈值的垂直线切割两条曲线的点，产生假阳性率和假阴性率。阈值的常见选择是产生近似相等的假阳性和假阴性率。对于CNN-Surfin，假阳性率为1.58%，假阴性率为1.49%。如今，新的分类器预备在消费环境中运行。此外，Tecnalia公司的工程师们正在努力继续改良系统，目的是使钢铁消费商可以消费零缺陷钢材。例如，已经使用CNN-Surfin评估了4类问题OK以及3种类型的缺陷，通过AUC平均延伸进展归类，得到AUC=0.9956。但目前正在采集更多的样本，以使结果更具统计学意义。Surfin系统自推出以来，已经交付到诸如西班牙TubosReunidos和AcerosInoxidablesOlarra等公司，其可以在热工艺消费的早期阶段检测到消费问题。Tecnalia公司正与其他钢铁消费公司合作部署该系统，以检测外形更复杂的钢材，例如用于建筑和土木工程的U型或者H型截面钢梁。Tecnalia公司已经与西班牙Sarralle集团建立了关系，在全球范围内分销Surfin系统。0