当前位置: 首页 > news >正文

高光谱相机在工业检测中的应用:金属油膜检测

测试样品:带有油膜的金属表面

实验目的:测试金属表面有无油膜区域,是否可以区分

• 本次测试采用两台高光谱设备进行测量

• 两台高光谱相机分别覆盖900nm~1700nm及1000nm- 2500nm波长范围

• 线性推扫成像方案

• 照明光源采用卤素光源

• 测试时在暗室环境,样品放置在水平位移台上

相机一(900-1700nm)

在900nm-1700nm范围内,选择样本的中间大框选区域(小框选区域1为涂抹油膜,其它区域未涂抹),计算各个区域内的反射率,区域1与其它区域在反射率曲线存在明细差异。

选择样本的中间大框选区域(小框选区域1为涂抹油膜,其它区域未涂抹),选取的大区域内红色区域是选取在涂油膜范围内,蓝色是选取在未涂抹区域内。用算法后能够做到基本区分有无涂抹油膜,从效果上来看算法2略优于算法1。

相机二(1000-2500nm)

在1000nm-2500nm范围内,选择样本的中间大框选区域(区域1为曾经测量900nm-1700nm时进行涂抹,区域2为测量1000nm-2500nm时现涂抹,其它区域未涂抹),然后选取红色(现涂抹区域里)、绿色(曾经涂抹区域内)及蓝色(无涂抹区域)。

计算各个区域内的反射率,红色区域(现涂抹区域里)和绿色区域(曾经涂抹区域内)相似度比较高,与蓝色区域(未涂抹区域)在1400nm-2300nm左右存在明显差异。

选择样本的中间大框选区域(区域1为曾经测量900nm-1700nm时进行涂抹,区域2为测量1000nm-2500nm时现涂抹,其它区域未涂抹),然后选取红色(现涂抹区域里)、绿色(曾经涂抹区域内)及蓝色(无涂抹区域),用算法能够做到基本区分有无涂抹油膜,从效果上来看算法2优于算法1。

总结:

• 利用900nm-1700nm和1000nm-2500nm高光谱相机测得的金属油膜的高光谱数据质量良好,从反射率曲线能够看出样本的已涂油膜和未涂油膜之间曲线有一定差异。用高谱成像专业算法能够做到基本区分有无涂抹油膜。

• 高光谱在金属上区分有无油膜从当前样本上来看存在可行性。

• 金属板采集光谱数据时,对于光源摆放有要求,实际应用时应注意。

误差原因分析:

• 金属样本表面磨损、有部分脏污及取放时手上有无将油膜沾染到其它区域对数据可能有影响。

• 1000nm-2500nm采集时两侧光源大小不一,均匀性有差异。

http://www.cnnetsun.cn/news/85039.html

相关文章:

  • Python编程实战:从类与对象到设计优雅
  • 传统加密开发VS快马AI:效率提升300%的秘诀
  • 传统vsAI:tiptap项目开发效率对比实验
  • 传统调试 vs AI辅助:连接问题解决效率对比
  • AI如何帮你轻松实现循环队列?快马平台一键生成代码
  • 电商项目中遇到的自动配置排除实战案例
  • 架构之复杂对象存储
  • 快速验证防火墙规则:firewall-cmd沙盒环境搭建
  • 真实案例:解决‘Not a Genuine ST Device‘的5种方法
  • 如何用AI自动诊断和修复Gradle构建失败问题
  • AI如何帮你一键卸载Office?快马平台自动生成卸载工具
  • 1小时打造VC++运行时检测工具原型
  • LangGraph之工具调用 (ToolNode) 扩展智能体的能力边界
  • 3分钟解决‘npm问题‘:比传统方法快10倍的AI方案
  • 详解transformer模型详解背后的算力支撑:GPU+TensorFlow+清华源
  • Anything-LLM支持哪些开源模型?Ollama兼容性深度测评
  • 17c.100.cv在实际项目中的应用案例
  • AI如何助力达梦数据库开发效率提升
  • vLLM部署Qwen3-8B:高效推理与PagedAttention优化
  • 告别手动配置:firewall-cmd高效管理技巧大全
  • java代码审计 || 第一章~第三章
  • Qwen3-14B-AWQ部署指南:本地到云端全流程
  • 企业级Java开发环境配置最佳实践
  • 为什么工业RLHF成败不取决于PPO/DPO/GRPO?构建评估体系才是核心难点!
  • Qwen3-32B真实压力测试:企业级长文本推理可行吗?
  • 通义深度搜索-操作指南
  • AI如何自动修复VC++运行时缺失问题
  • Qwen3-14B本地部署指南:Ubuntu一键启动AI服务
  • 图解K8s部署可用性问题:从报错到解决的完整指南
  • WPS 助力制造行业打造统一、安全、高效的协同办公平台