[發(fā)明專利]一種基于機器視覺的分層制造缺陷檢測方法

有效

• 申請?zhí)枺?/td>: 202110661409.8
• 申請日: 2021-06-15
• 公開（公告）號: CN113393441B
• 公開（公告）日: 2022-05-06
• 發(fā)明（設(shè)計）人: 徐敬華;王林軒;王康;安軒;張樹有;譚建榮
• 申請（專利權(quán)）人: 浙江大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/50;G01N21/88
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 林超

本發(fā)明公開了一種基于機器視覺的分層制造缺陷檢測方法。根據(jù)層積結(jié)構(gòu)模型與層內(nèi)進度及層間進度信息，生成當(dāng)前進度下的數(shù)字孿生點云模型，并基于點間位置關(guān)系、點云連續(xù)性以及層積結(jié)構(gòu)與相機之間的相對關(guān)系，由凸包變換從離散點云中篩選出視域可見點，通過單目標(biāo)定獲取的映射關(guān)系構(gòu)建相機線性模型，將可見點云進行投影并進行圖像處理得到理論匹配圖；通過計算理論匹配圖與畸變矯正后的層積結(jié)構(gòu)實際圖像的相似度，實現(xiàn)打印過程中層積結(jié)構(gòu)的缺陷檢測。本發(fā)明通過生成打印過程中相機視角下的理論圖像作為模板來進行層積制造結(jié)構(gòu)的缺陷檢測，能夠有效減少誤檢率，提高檢測準(zhǔn)確度，提高層積制造制件的合格率。

技術(shù)領(lǐng)域

本發(fā)明涉及增材制造領(lǐng)域的缺陷檢測方法，尤其是涉及增材制造過程中的一種基于機器視覺的分層制造缺陷檢測方法。

背景技術(shù)

增材制造是一種依賴于數(shù)字模型文件的先進制造技術(shù)，其過程不同于傳統(tǒng)的等材制造和減材制造過程，增材制造過程需要新生成一系列的層積結(jié)構(gòu)，例如分層結(jié)構(gòu)、填充結(jié)構(gòu)和支撐結(jié)構(gòu)。隨著增材制造技術(shù)的不斷發(fā)展，對于增材制造過程中制件的質(zhì)量進行檢測也逐漸成為一個重要的課題。美國托萊多大學(xué)研究團隊(Sanaei N,Fatemi A,PhanN.Defect characteristics and analysis of their variability in metal L-PBFadditive manufacturing[J].MaterialsDesign,2019,182:108091.)對于金屬增材制造過程中制件缺陷的產(chǎn)生原因以及分布進行研究，指出制件缺陷的產(chǎn)生以及分布與制件制造方向、制件層厚、制造材料等多種因素有關(guān)。增材制造制件的形態(tài)多樣性以及影響制件狀態(tài)的因素復(fù)雜性使得對其進行缺陷檢測的難度增加。

另一方面，現(xiàn)有的基于機器視覺的產(chǎn)品表面缺陷檢測系統(tǒng)，通常僅利用圖像處理技術(shù)對所采集的圖像進行處理并進行缺陷檢測。美國賓夕法尼亞州立大學(xué)(Gobert C,Reutzel E W,Petrich J,et al.Application of supervised machine learning fordefect detection during metallic powder bed fusion additive manufacturingusing high resolution imaging[J].Additive Manufacturing,2018,21:517-528.)課題組基于監(jiān)督學(xué)習(xí)技術(shù)，通過采集制件制造過程中的圖像，提取多維度視覺特征并利用二分類器對提取特征進行評估以判斷是否存在缺陷。雖然基于各類圖像處理方法在某些情況下能夠取得較為理想的檢測效果，但由于相機鏡頭、成像芯片等因素的影響，所采集的圖像往往存在畸變，導(dǎo)致現(xiàn)實中的結(jié)構(gòu)信息在圖像中顯示時存在一定偏差，這會對于缺陷檢測過程造成極大的影響。僅僅根據(jù)機器視覺系統(tǒng)所采集實際圖像的處理結(jié)果，難以精確確定制件的缺陷，其中的主要原因是實際圖像存在畸變且缺少與實際圖像相匹配以進行檢測的理論圖像。

日本東京理科大學(xué)研究團隊(Nagata F,Tokuno K,Mitarai K,et al.Defectdetection method using deep convolutional neural network,support vectormachine and template matching techniques[J].Artificial Life and Robotics,2019,24(4):512-519.)結(jié)合模板匹配、支持向量機以及卷積神經(jīng)網(wǎng)絡(luò)技術(shù)對增材制造過程中的層切平面缺陷進行檢測，該方法對于單層層切平面圖像檢測效果較好，但在實際采集圖像中已打印層積結(jié)構(gòu)的存在會影響實際的檢測效果。

綜上所述，在現(xiàn)有的視覺表面缺陷檢測技術(shù)中，研究主要集中于對單張，單層層切平面圖像的缺陷識別，而沒有很好地結(jié)合被檢測對象的自身特征，提供理論匹配圖像來提高缺陷檢測準(zhǔn)確度的方法。

發(fā)明內(nèi)容