CN101526484A - 基于嵌入式机器视觉的轴承缺陷检测技术 - Google Patents
基于嵌入式机器视觉的轴承缺陷检测技术 Download PDFInfo
- Publication number
- CN101526484A CN101526484A CN200910030476A CN200910030476A CN101526484A CN 101526484 A CN101526484 A CN 101526484A CN 200910030476 A CN200910030476 A CN 200910030476A CN 200910030476 A CN200910030476 A CN 200910030476A CN 101526484 A CN101526484 A CN 101526484A
- Authority
- CN
- China
- Prior art keywords
- bearing
- concave surface
- positive optical
- select
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种基于嵌入式机器视觉的轴承缺陷检测技术，通过使用嵌入式机器视觉测控一体机和PC机组态界面软件在线检测轴承存在的缺陷。检测技术主要包括：正光轴承表面缺陷检测技术，用于检测轴承表面的划痕、锈斑、黑皮、外导角；正光轴承凹面缺陷检测技术，用于检测轴承支架是否存在凹陷；背光轴承凹面缺陷检测技术，用于检测轴承是否存在缺钉、缺珠；侧光轴承表面缺陷检测技术，用于检测轴承侧面是否存在划痕、锈斑。本发明达到了在轴承检测现场无需人工操作即可对轴承进行全方面检测的目的，由于采用基于工程化思想设计算法，具有针对性强，实时性高的优点，并采用嵌入式机器视觉测控一体机进行检测控制，控制准确，控制成本低。
Description
技术领域
本发明涉及一种轴承缺陷检测技术，具体的说是一种使用嵌入式机器视觉测控一体机和PC机组态界面软件在线检测轴承缺陷的技术。
背景技术
检测技术是现代制造业的基础技术之一，是保证产品质量的关键。随着现代制造业的发展，许多传统的检测技术已不能满足其需要，主要表现在：现代制造产品种类越来越多，制造精度越来越高，很多场合要求实时、在线、非接触检测；现代制造业的发展需要更快速、有效的产品检测技术。视觉检测技术是建立在计算机视觉理论基础上的一门新兴检测技术，具有非接触、速度快、精度高、现场抗干扰能力强等许多优点，能很好地满足现代制造业对检测的需求，在实际中正取得越来越广泛的应用，如零件外形尺寸测量、零件的缺陷检查、零件装配、机器人的引导和零件的识别等。
轴承是机械行业的一个非常重要的零件，使用极其普遍且品种繁多，轴承的加工精度和质量关系到机械产品的使用性能、质量和寿命，因此对各种轴承的缺陷检测一直是轴承加工厂家关心的问题。现在很多小型轴承加工厂的检测方法还处在用半自动化与手工相结合的阶段，需要大量人力参与，轴承的检测质量也难以保证，很难达到100％检测。
随着我国加入WTO以后，用户对产品的质量要求越来越严格，使得一些小生产厂商濒临倒闭的危险。一些大型轴承公司为了满足客户对产品高质量的要求，首先引入了基于PC机的机器视觉的轴承缺陷检测技术，这在一定程度上解决了以下问题：减少了人工劳动量，降低了成本，检测结果稳定，不存在人工因素影响，提高产品质量的可信度；减少了单个轴承检测时间，提高了劳动效率，降低了检测成本；解决了高速检测流水线上轴承缺陷的识别问题，适应范围广，几乎可以面向所有的轴承产品。但是由于基于PC机的视觉检测系统存在体积大、实时性能不高、在工业现场应用不灵活等缺点，所以又逐步提出了基于嵌入式机器视觉的测控技术，目前嵌入式机器视觉技术是机器视觉技术的最高水平。与传统PC机检测系统相比，设计结构新颖，在保证检测精度的同时，提高了系统的实时性，同时提高性价比。因此，基于嵌入式机器视觉的轴承缺陷检测技术将极大的保证轴承检测的质量和精度，具有广泛的应用前景。
发明内容
本发明的目的在于克服上述不足之处，提供一种基于嵌入式机器视觉的轴承缺陷检测技术。
按照本发明提供的技术方案，基于嵌入式机器视觉的轴承缺陷检测技术首先，通过控制平台控制上工件机器手上工件的速度将轴承放置于检测流水线，嵌入式机器视觉测控一体机拍摄图像，显示终端进行图像的实时显示。
第二步，进行背光轴承缺陷检测工序，利用背光轴承凹面缺陷检测技术将轴承划分为不合格产品与合格产品，所述一体机发送信号至控制柜，控制柜控制执行机构将不合格产品通过执行机构流向其他方向。
第三步，对第二步产生的合格产品进行正光轴承缺陷检测工序，利用正光轴承缺陷检测技术将轴承划分为不合格产品和合格产品，所述一体机发送信号至控制柜，控制柜控制执行机构将不合格产品通过执行机构流向其他方向。
第四步，对第三步产生的合格产品进行侧光轴承缺陷检测工序，利用侧光轴承表面缺陷检测技术将轴承划分为不合格产品和合格产品，所述一体机发送信号至控制柜，控制柜控制执行机构将不合格产品通过执行机构流向其他方向。
最后，下工件机器手将第四步检测最终合格的轴承取出。所述流向其它方向的意义就是为了把合格产品与不合格产品加以区分。
所述背光轴承凹面缺陷检测技术用于检测轴承是否存在缺钉或缺珠问题，步骤如下：
(2.1)采用圆定位方法，找到轴承凹面所在区域；
(2.2)选择背光轴承凹面缺陷检测，并选择检测区域为以上圆定位的区域；
(2.3)设置是否检测圆心距，若选择检测圆心距，则设置圆心距像素值大小；
(2.4)设置是否区域收缩，若选择区域收缩，则设置相应区域收缩的像素值大小；
(2.5)选择二值化方法，设置区域生长法种子像素阈值；
(2.6)设置是否进行数学形态学的膨胀操作，若选择进行膨胀操作，则设置膨胀模板大小；
(2.7)采用背光轴承凹面学习方法，根据步骤(2.1)～(2.6)所设置的参数，得到学习图像的斑点信息：致密度和离心率，设置缺钉、缺珠阈值调整参数；
(2.8)采用背光轴承凹面检测方法，根据步骤(2.1)～(2.7)所设置的参数检测轴承并测试步骤(2.1)～(2.7)所设置参数，若无法满足检测精度则重新进行步骤(2.1)～(2.7)；
(2.9)下载配置信息，所述一体机脱机操作，采用背光轴承凹面检测方法进行轴承的在线实时检测。
所述正光轴承缺陷检测技术用于检测轴承表面是否存在划痕、锈斑，轴承支架是否存在凹陷问题，包括正光轴承表面缺陷检测技术和正光轴承凹面缺陷检测技术。
所述正光轴承表面缺陷检测技术的步骤如下：
(3.1.1)采用圆定位方法，找到轴承表面所在区域；
(3.1.2)选择正光轴承表面缺陷检测，并选择检测区域为以上圆定位的区域；
(3.1.3)设置是否检测圆心距，若选择检测圆心距，则设置圆心距像素值大小；
(3.1.4)设置是否区域收缩或边缘扩展，若选择区域收缩或边缘扩展，则设置相应区域收缩或边缘扩展的像素值大小；
(3.1.5)选择二值化方法，设置对应二值化阈值；
(3.1.6)设置是否进行灰度拉伸，用于现场受光源信息影响较大时；
(3.1.7)设置是否进行灰度值比较，灰度值比较用于当图像对比度不够大时；若选择灰度值比较，则设置灰度差值阈值；
(3.1.8)采用正光轴承表面学习方法，根据步骤(3.1.1)～(3.1.7)所设置的参数，得到学习图像的梯度图；设置相应通过条件阈值；所述通过条件为缺陷像素的总面积及像素面积占圆环的百分比，缺陷所形成的斑点的面积和周长；
(3.1.9)采用正光轴承表面检测方法，根据步骤(3.1.1)～(3.1.8)所设置的参数检测轴承并测试步骤(3.1.1)～(3.1.8)所设置参数，若无法满足检测精度则重新进行步骤(3.1.1)～(3.1.8)；
(3.1.10)下载配置信息，所述一体机脱机操作，采用正光轴承表面检测方法进行轴承的在线实时检测。
所述正光轴承凹面缺陷检测技术的步骤如下：
(3.2.1)采用圆定位方法，找到轴承凹面所在区域；
(3.2.2)选择正光轴承凹面缺陷检测，并选择检测区域为以上圆定位的区域；
(3.2.3)设置是否检测圆心距，若选择检测圆心距，则设置圆心距像素值大小；
(3.2.4)设置是否区域收缩，若选择区域收缩，则设置相应区域收缩的像素值大小；
(3.2.5)选择二值化方法，设置对应二值化阈值；
(3.2.6)设置是否对圆环区域进行数学形态学的膨胀操作，若选择膨胀操作，则设置膨胀模板大小；
(3.2.7)采用正光轴承凹面学习方法，根据步骤(3.2.1)～(3.2.6)所设置的参数，得到学习图像中斑点的信息：最大最小距离比值、面积、周长、中心矩；设置最大最小距离比值、面积、周长、中心矩的阈值调整参数；设置是否使用中心矩作为判断条件；
(3.2.8)采用正光轴承凹面检测方法，根据步骤(3.2.1)～(3.2.7)所设置的参数检测轴承并测试步骤(3.2.1)～(3.2.7)所设置参数，若无法满足检测精度则重新进行步骤(3.2.1)～(3.2.7)；
(3.2.9)下载配置信息，所述一体机脱机操作，采用正光轴承凹面检测方法进行轴承的在线实时检测。
所述侧光轴承缺陷检测技术用于检测轴承侧面是否存在划痕、锈斑问题，步骤如下：
(4.1)采用点定位方法找到轴承侧面左右边界上的两个点；
(4.2)选择侧光轴承凹面缺陷检测，并选择侧面边界上两个点为(4.1)中得到的点；
(4.3)设置处理区域长度和宽度；
(4.4)采用侧光轴承表面学习方法，得到区域的纹理特性，包括平均灰度值、平滑度和一致性，设置纹理特性参数的阈值；
(4.5)采用侧光轴承表面检测方法，根据步骤(4.1)～(4.4)所设置的参数检测轴承并测试步骤(4.1)～(4.4)所设置参数，若无法满足检测精度则重新进行步骤(4.1)～(4.4)；
(4.6)下载配置信息，一体机脱机操作，采用侧光轴承表面检测方法进行轴承的在线实时检测。
本发明与已有技术相比具有以下优点：本发明通过对轴承全方位的缺陷检测，克服了中小型轴承生产厂家普遍采用的半自动人工结合的传统检测方法的弊端，克服了大型轴承生产厂家采用基于PC机的机器视觉的检测方法带来的弊端，同时也解决了目前轴承缺陷检测算法功能单一的问题，具有广阔的应用前景。
附图说明
图1为本发明的轴承缺陷检测的方法及其装置图。
图2为背光轴承凹面学习方法流程图。
图3为背光轴承凹面检测方法流程图。
图4为正光轴承表面学习方法流程图。
图5为正光轴承表面检测方法流程图。
图6为正光轴承凹面学习方法流程图。
图7为正光轴承凹面检测方法流程图。
图8为侧光轴承表面学习方法流程图。
图9为侧光轴承表面检测方法流程图。
具体实施方式
为了提高系统的稳定性，尽可能地降低整套设备的成本，本发明在基于嵌入式机器视觉测控系统的基础上，进一步开发出了基于DSP和FPGA系统的轴承缺陷检测技术。该技术充分利用DSP强大、快速的数据处理能力和FPGA强大的控制能力的优势，基本上完成了轴承缺陷检测的所有功能：轴承表面、侧面、凹面缺陷及轴承是否存在缺钉或缺珠现象。该技术适应范围广，覆盖轴承的各个方位的缺陷检测，算法设计满足实时性要求。
下面结合附图和实施例对本发明作进一步说明。
为实现轴承缺陷检测功能，本发明设计的基于嵌入式机器视觉的轴承缺陷检测技术主要包括：背光轴承凹面缺陷检测技术；正光轴承表面缺陷检测技术；正光轴承凹面缺陷检测技术；侧光轴承表面缺陷检测技术。简述如下。
本发明的背光轴承凹面缺陷检测技术采用计算二值图斑点信息对轴承进行缺陷检测。使用区域生长法对灰度图进行二值化，数学形态学膨胀操作去除噪声，然后计算斑点信息，包括：面积、周长、致密度、离心率。比较检测图像中斑点信息是否超过由学习图像中斑点信息得到的阈值来确定轴承是否存在缺陷问题。其中学习图像指用来作为提取学习阈值的标准轴承的拍摄图像，检测图像指需要用来检测轴承是否合格的拍摄图像。
本发明的正光轴承表面缺陷检测技术采用图像差值法对轴承进行缺陷检测。使用灰度拉伸将学习与检测图像调整到同一对比度，然后计算二值图或者灰度图之间的差值，差值大于设定阈值即认为是缺陷，再使用斑点标记法和边界链码法计算瑕疵斑点的面积和周长，当瑕疵面积、周长或瑕疵比例大于一定阈值时认为产品不合格。
本发明的正光轴承凹面缺陷检测技术采用计算二值图斑点信息对轴承进行缺陷检测。使用数学形态学膨胀操作填充图像中斑点缝隙，然后计算斑点信息，包括：最大最小距离比、面积、周长和中心矩。比较学习图像和检测图像之间满足阈值要求的斑点个数是否相等来确定轴承是否存在缺陷问题。
本发明的侧光轴承表面缺陷检测技术采用计算处理区域中图像的纹理特性对轴承进行检测。计算的纹理特性包括：平均灰度值、平滑度和一致性。计算学习图像和检测图像之间纹理特性的比值是否超过阈值来确定轴承侧面是否存在缺陷问题。
基于嵌入式机器视觉的轴承缺陷检测技术的整个检测过程如图1所示，具体实现方法如下：被测轴承按照一定的速率在检测流水线输送机构上运动，嵌入式机器视觉测控一体机的CCD镜头已经调整就绪，利用光电定位，当轴承移动到一体机下方时，拍摄图像。轴承检测分为学习时刻和检测时刻两部分。学习时刻时把采集到的图像传送到上位机，根据图像信息由上位机软件进行算法选择，并及时的把配置信息下载到一体机中；检测时刻时一体机脱机操作，利用下载得到的配置信息对轴承进行实时缺陷检测，输出处理结果至控制柜，控制柜控制执行机构将带有缺陷的轴承自动剔除，把轴承分成合格品、不合格品两类，分别传输到不同的位置。
按图1所示，为了使轴承全方位得到检测，按照不同的光源将轴承缺陷检测技术划分为以下几个部分：背光轴承缺陷检测技术、正光轴承缺陷检测技术和侧光轴承缺陷检测技术。其中正光轴承缺陷检测技术包括正光轴承表面和正光轴承凹面缺陷检测技术。由于正光光源不能很好的将缺珠、缺钉缺陷的特征凸显出来，缺珠、缺钉又是特殊的凹面缺陷，将背光轴承缺陷检测作为第一道工序，背光光源能很好的将缺珠、缺钉缺陷的特征凸显出来，便于缺陷检测，从而避免了后续操作的麻烦。
本发明所述的基于嵌入式机器视觉的轴承缺陷检测技术，首先，通过控制平台控制上工件机器手上工件的速度将轴承放置于检测流水线，嵌入式机器视觉测控一体机拍摄图像，显示终端进行图像的实时显示。
第二步，进行背光轴承缺陷检测工序，利用背光轴承凹面缺陷检测技术将轴承划分为不合格产品与合格产品，所述一体机发送信号至控制柜，控制柜控制执行机构将不合格产品通过执行机构流向其他方向。
第三步，对第二步产生的合格产品进行正光轴承缺陷检测工序，利用正光轴承缺陷检测技术将轴承划分为不合格产品和合格产品，所述一体机发送信号至控制柜，控制柜控制执行机构将不合格产品通过执行机构流向其他方向。
第四步，对第三步产生的合格产品进行侧光轴承缺陷检测工序，利用侧光轴承表面缺陷检测技术将轴承划分为不合格产品和合格产品，所述一体机发送信号至控制柜，控制柜控制执行机构将不合格产品通过执行机构流向其他方向。
最后，下工件机器手将第四步检测最终合格的轴承取出。
下面按照图1所示的顺序进行本发明所述轴承缺陷检测技术的实施例说明。
第一道工序——背光轴承缺陷检测，用于检测轴承是否存在缺钉或缺珠问题。具体实施步骤如下：
(2.1)采用圆定位方法，找到轴承凹面所在区域。
(2.2)选择背光轴承凹面缺陷检测，并选择检测区域为以上圆定位的区域。
(2.3)设置是否检测圆心距，若选择检测圆心距，则设置圆心距像素值大小。
(2.4)设置是否区域收缩，若选择区域收缩，则设置相应区域收缩的像素值大小。
(2.5)选择二值化方法，设置区域生长法种子像素阈值。
(2.6)设置是否进行数学形态学的膨胀操作，若选择进行膨胀操作，则设置膨胀模板大小。
(2.7)采用背光轴承凹面学习方法，根据步骤(2.1)～(2.6)所设置的参数，得到学习图像的斑点信息：致密度和离心率，设置缺钉、缺珠阈值调整参数。
(2.8)采用背光轴承凹面检测方法，根据步骤(2.1)～(2.7)所设置的参数检测轴承并测试步骤(2.1)～(2.7)所设置参数，若无法满足检测精度则重新进行步骤(2.1)～(2.7)。
(2.9)下载配置信息，所述一体机脱机操作，采用背光轴承凹面检测方法进行轴承的在线实时检测。
所述圆定位方法是指首先确定待检测圆所在的圆环区域，并将圆环区域进行二值化，其次从内圆半径到外圆半径的直线段上利用点定位方法得到待检测圆上的一些近似点，最后采用最小二乘圆拟合方法计算圆心和半径。
所述点定位方法是指寻找一条直线或圆弧上像素值经二值化后从0到255或从255到0的那些点，并通过设置相应条件(如设置为从0-255的第一个点)找到所需要的点。
所述二值化方法包括双峰法、迭代法和固定值法；通过这些方法得到一阈值，当图像像素值大于此阈值时赋值为255；当图像像素小于此阈值时赋值为0，经过二值化后图像变为一幅像素值只含有0与255两个值的图像，故称为二值图。
背光轴承缺陷检测技术涉及的致密度是指斑点区域距离的最大值，离心率是指斑点区域重心到边界各点最大距离与最小距离的比值，当出现缺钉现象时对应斑点的致密度会比较大，当出现缺珠现象时对应斑点的离心率会接近于1，经测试这两个参数能作为检测缺珠、缺钉现象的重要指标。
如图2所示，所述背光轴承凹面学习方法如下：
根据实施步骤(2.1)、(2.2)找到轴承凹面学习区域的内外圆圆心和半径。
如果实施步骤(2.4)中选择使用区域收缩，则根据设置参数修改半径，得到待处理区域所在位置；如果不使用区域收缩，则直接得到处理区域所在位置，处理区域位置为一圆环，其中圆心为内外圆圆心的均值。
利用区域生长法对所述处理区域进行区域二值化。
如果实施步骤(2.6)中选择使用膨胀操作则对处理区域进行膨胀操作，然后计算各斑点的信息；如果不使用膨胀操作，则直接计算斑点的信息；斑点的信息包括：面积、周长、致密度、离心率。
将最大致密度和最小离心率作为缺珠和缺钉的学习阈值。
根据实施步骤(2.7)设置参数对上述学习阈值进行调整。
如图3所示，所述背光轴承凹面检测方法如下：
根据实施步骤(2.1)、(2.2)找到轴承凹面检测区域的内外圆圆心。
如果实施步骤(2.3)中选择使用检测圆心距，则计算内外圆圆心距离，若距离超过设定值，则检测结束，否则得到处理区域所在位置；处理区域为一圆环，其中圆心为内外圆圆心的均值，半径为对应学习方法中获得的内外圆半径。
利用区域生长法对所述处理区域进行区域二值化。
如果实施步骤(2.6)中选择使用膨胀操作则对处理区域进行膨胀操作，然后计算各斑点的信息；如果不使用膨胀操作，则直接计算斑点的信息；斑点的信息包括：面积、周长、致密度、离心率。
若有斑点的致密度大于学习阈值则输出缺珠，若离心率小于学习阈值则输出缺钉。
背光轴承缺陷检测技术的核心是采用了区域生长法对图像进行二值化，与一般二值化方法相比，有以下优点：将种子像素阈值与一般二值化方法阈值结合，可对较难确定阈值的图像进行分割。实际拍摄过程中，发现轴承孔洞中存在低像素区域，阈值较高则会因为这些低像素将同一区域划分成不同区域，阈值较低则会将噪声凸显出来。区域生长法首先使用一般二值化方法阈值分割图像，再利用种子阈值在分割图像中向外生长区域，能将低像素区域较好分割的同时不凸显噪声。若拍摄图像具有粘连的现象，则可通过膨胀操作去除粘连现象。
第二道工序——正光轴承缺陷检测，用于检测轴承表面是否存在划痕、锈斑，轴承支架是否存在凹陷问题，包括正光轴承表面缺陷检测技术和正光轴承凹面缺陷检测技术。所述正光轴承表面缺陷检测技术的具体实施步骤如下：
(3.1.1)采用圆定位方法，找到轴承表面所在区域。
(3.1.2)选择正光轴承表面缺陷检测，并选择检测区域为以上圆定位的区域。
(3.1.3)设置是否检测圆心距，若选择检测圆心距，则设置圆心距像素值大小。
(3.1.4)设置是否区域收缩或边缘扩展，若选择区域收缩或边缘扩展，则设置相应区域收缩或边缘扩展的像素值大小。
(3.1.5)选择二值化方法，设置对应二值化阈值。
(3.1.6)设置是否进行灰度拉伸，用于现场受光源信息影响较大时。
(3.1.7)设置是否进行灰度值比较，灰度值比较用于当图像对比度不够大时；若选择灰度值比较，则设置灰度差值阈值。
(3.1.8)采用正光轴承表面学习方法，根据步骤(3.1.1)～(3.1.7)所设置的参数，得到学习图像的梯度图；设置相应通过条件阈值；所述通过条件为缺陷像素的总面积及像素面积占圆环的百分比，缺陷所形成的斑点的面积和周长。
(3.1.9)采用正光轴承表面检测方法，根据步骤(3.1.1)～(3.1.8)所设置的参数检测轴承并测试步骤(3.1.1)～(3.1.8)所设置参数，若无法满足检测精度则重新进行步骤(3.1.1)～(3.1.8)。
(3.1.10)下载配置信息，所述一体机脱机操作，采用正光轴承表面检测方法进行轴承的在线实时检测。
如图4所示，所述正光轴承表面学习方法如下：
根据实施步骤(3.1.1)、(3.1.2)找到轴承表面学习区域的内外圆圆心和半径。
如果实施步骤(3.1.4)中选择使用区域收缩，则根据设置参数修改半径，得到待处理区域所在位置；如果不使用区域收缩，则直接得到处理区域所在位置，处理区域位置为一圆环，其中圆心为内外圆圆心的均值。
根据实施步骤(3.1.5)中选择的二值化方法和阈值，对处理区域进行二值化，得二值图，二值化之前存储原始图像。
使用Sobel算子提取二值图边缘，记为梯度图。
如果实施步骤(3.1.4)中选择使用边缘扩展，则根据设置参数对梯度图进行边缘扩展，记为掩膜图像；如果不使用边缘扩展，则直接将梯度图记为掩膜图像。
如图5所示，所述正光轴承表面检测方法如下：
根据实施步骤(3.1.1)、(3.1.2)找到轴承表面检测区域的内外圆圆心。
如果实施步骤(3.1.3)中选择使用检测圆心距，则计算内外圆圆心距离，若距离超过设定值，则检测结束，否则得到处理区域所在位置；处理区域为一圆环，其中圆心为内外圆圆心的均值，半径为对应学习方法中获得的内外圆半径。
如果实施步骤(3.1.6)中选择使用灰度拉伸则对区域像素进行灰度拉伸，接着对处理区域进行二值化；如果没有使用灰度拉伸则直接进行二值化得二值图。
若实施步骤(3.1.7)中选择灰度值比较，除掩膜图像边界处外，计算与学习方法中得到的原始图像对应位置的像素差值，记差值大于设定阈值的像素点为瑕疵，统计瑕疵像素数目和处理区域总像素数目；若没有选择灰度值比较，则记二值图差值为255的像素点为瑕疵，统计瑕疵像素数目和处理区域总像素数目。
若瑕疵总面积或瑕疵所占比例大于实施步骤(3.1.8)中设定阈值，则存在缺陷；若小于设定阈值，则检测是否有面积或周长大于设定阈值的斑点，若有这样的斑点，则存在缺陷。
以上检测方法称为差影法，即利用两幅图像的像素差值进行缺陷检测。此方法需要进行精确的圆定位，由于在轴承边界处像素值变化较大，会较大程度上影响检测的正确性，因此区域收缩一般选择使能并设置3～4像素左右。
所述正光轴承凹面缺陷检测技术的具体实施步骤如下：
(3.2.1)采用圆定位方法，找到轴承凹面所在区域。
(3.2.2)选择正光轴承凹面缺陷检测，并选择检测区域为以上圆定位的区域。
(3.2.3)设置是否检测圆心距，若选择检测圆心距，则设置圆心距像素值大小。
(3.2.4)设置是否区域收缩，若选择区域收缩，则设置相应区域收缩的像素值大小。
(3.2.5)选择二值化方法，设置对应二值化阈值。
(3.2.6)设置是否对圆环区域进行数学形态学的膨胀操作，若选择膨胀操作，则设置膨胀模板大小。
(3.2.7)采用正光轴承凹面学习方法，根据步骤(3.2.1)～(3.2.6)所设置的参数，得到学习图像中斑点的信息：最大最小距离比值、面积、周长、中心矩；设置最大最小距离比值、面积、周长、中心矩的阈值调整参数；设置是否使用中心矩作为判断条件。
(3.2.8)采用正光轴承凹面检测方法，根据步骤(3.2.1)～(3.2.7)所设置的参数检测轴承并测试步骤(3.2.1)～(3.2.7)所设置参数，若无法满足检测精度则重新进行步骤(3.2.1)～(3.2.7)。
(3.2.9)下载配置信息，所述一体机脱机操作，采用正光轴承凹面检测方法进行轴承的在线实时检测。
如图6所示，所述正光轴承凹面学习方法如下：
根据实施步骤(3.2.1)、(3.2.2)找到轴承凹面学习区域的内外圆圆心和半径。
如果实施步骤(3.2.4)中选择使用区域收缩，则根据设置参数修改半径，得到待处理区域所在位置；如果不使用区域收缩，则直接得到处理区域所在位置，处理区域位置为一圆环，其中圆心为内外圆圆心的均值。
根据实施步骤(3.2.5)中选择的二值化方法和阈值，对处理区域进行二值化，得二值图。
如果实施步骤(3.2.6)中选择使用膨胀操作则对处理区域进行膨胀操作，然后计算各斑点的信息；如果不使用膨胀操作，则直接计算斑点的信息；斑点的信息包括：最大最小距离比值、面积、周长、中心矩。
计算最大最小距离比值均值并作为学习阈值，根据实施步骤(3.2.7)设置参数对上述距离比值的阈值进行调整；提取所有斑点中距离比值小于阈值的斑点，计算面积、周长和中心矩的均值作为学习阈值；根据实施步骤(3.2.7)设置参数对上述面积、周长和中心矩阈值进行调整。
若实施步骤(3.2.7)中选择使用中心矩作为判断条件，则统计面积、周长或中心矩均大于学习阈值的斑点个数为合格斑点个数；若不使用中心矩作为判断条件，则统计面积和周长均大于学习阈值的斑点个数为合格斑点个数。
如图7所示，所述正光轴承凹面检测方法如下：
根据实施步骤(3.2.1)、(3.2.2)找到轴承凹面学习区域的内外圆圆心。
如果实施步骤(3.2.3)中选择使用检测圆心距，则计算内外圆圆心距离，若距离超过设定值，则检测结束，否则得到处理区域所在位置；处理区域为一圆环，其中圆心为内外圆圆心的均值，半径为对应学习方法中获得的内外圆半径。
根据实施步骤(3.2.5)中选择的二值化方法和阈值，对处理区域进行二值化，得二值图。
如果实施步骤(3.2.6)中选择使用膨胀操作则对处理区域进行膨胀操作，然后计算各斑点的信息；如果不使用膨胀操作，则直接计算斑点的信息；斑点的信息包括：最大最小距离比值、面积、周长、中心矩。
若实施步骤(3.2.7)中选择使用中心矩作为判断条件，则统计最大最小距离比值、面积、周长或中心矩均大于学习阈值的斑点个数为合格斑点个数；若不使用中心矩作为判断条件，则统计最大最小距离比值、面积和周长均大于学习阈值的斑点个数为合格斑点个数。
若合格斑点个数与学习方法中获得的合格斑点个数不同，则存在缺陷。
正光轴承凹面缺陷检测技术涉及的中心矩是指斑点区域重心到边界各点距离的总和。当出现凹面缺陷时，导致凹面缺陷处斑点面积变小，从而使斑点的中心矩也相对较小，经测试中心矩能作为检测凹面缺陷的重要指标。
第三道工序——侧光轴承缺陷检测，用于检测轴承侧面是否存在划痕、锈斑等问题。具体实施步骤如下：
(4.1)采用点定位方法找到轴承侧面左右边界上的两个点。
(4.2)选择侧光轴承凹面缺陷检测，并选择侧面边界上两个点为(4.1)中得到的点。
(4.3)设置处理区域长度和宽度。
(4.4)采用侧光轴承表面学习方法，得到区域的纹理特性，包括平均灰度值、平滑度和一致性，设置纹理特性参数的阈值。
(4.5)采用侧光轴承表面检测方法，根据步骤(4.1)～(4.4)所设置的参数检测轴承并测试步骤(4.1)～(4.4)所设置参数，若无法满足检测精度则重新进行步骤(4.1)～(4.4)。
(4.6)下载配置信息，一体机脱机操作，采用侧光轴承表面检测方法进行轴承的在线实时检测。
如图8所示，所述侧光轴承表面学习方法如下：
根据实施步骤(4.1)、(4.2)找到轴承侧面学习区域的左右边界上的两个点，取这两个点的均值为学习区域的中心。
根据实施步骤(4.3)中设置的学习区域的宽度和高度，确定学习区域的大小。
提取区域的纹理特性，包括平均灰度值、平滑度和一致性，作为学习阈值。
如图9所示，所述侧光轴承表面检测方法如下：
根据实施步骤(4.1)、(4.2)找到轴承侧面检测区域的左右边界上的两个点，取这两个点的均值为检测区域的中心。
根据在对应学习方法中设置的宽度和高度，确定检测区域的大小。
提取区域的纹理特性，包括平均灰度值、平滑度和一致性，计算这三个参量与学习阈值的比值，若有任意一项小于设定阈值，则输出存在缺陷。
侧光轴承缺陷检测技术涉及的平均灰度值、平滑度和一致性均是指区域的纹理特性。其中平均灰度值是平均亮度度量，平滑度和一致性是区域中亮度的相对平滑度度量。当轴承侧面出现缺陷时，会出现局部区域像素值降低，从而影响整个检测区域的纹理特性，降低了平均灰度值和一致性，提高了平滑度。经测试，上述三个参数能作为检测侧面缺陷的重要指标。
经过以上三道工序的检测操作，对轴承作了全方位的缺陷检测，此外从图1可以看出与传统半自动化检测或基于PC机的机器视觉测控技术相比，具有操作简单、灵活，布局方便的优点。轴承缺陷检测技术基于实际工程的思想设计算法，使得算法满足实时性、针对性强。
上面已经结合具体实施例描述了本发明。然而对于本领域技术人员来说，可以在不背离本发明的精神和范围的前提下，可对本发明做出不同的改进和变型。因而所有落入本发明的权利要求范围内的各种改进和变型都应属于本发明的保护范围之内。
Claims (6)
1、基于嵌入式机器视觉的轴承缺陷检测技术，其特征是：
第一步，通过控制平台控制上工件机器手上工件的速度，将轴承放置于检测流水线，嵌入式机器视觉测控一体机拍摄图像，显示终端进行图像的实时显示；
第二步，进行背光轴承缺陷检测工序，利用背光轴承凹面缺陷检测技术将轴承划分为不合格产品与合格产品，所述嵌入式机器视觉测控一体机发送信号至控制柜，控制柜控制执行机构将不合格产品通过执行机构流向其他方向；
第三步，对第二步产生的合格产品进行正光轴承缺陷检测工序，利用正光轴承缺陷检测技术将轴承划分为不合格产品和合格产品，所述嵌入式机器视觉测控一体机发送信号至控制柜，控制柜控制执行机构将不合格产品通过执行机构流向其他方向；
第四步，对第三步产生的合格产品进行侧光轴承缺陷检测工序，再利用侧光轴承表面缺陷检测技术将轴承划分为不合格产品和合格产品，所述嵌入式机器视觉测控一体机发送信号至控制柜，控制柜控制执行机构将不合格产品通过执行机构流向其他方向；
第五步，下工件机器手将第四步检测的最终合格的轴承取出。
2、根据权利要求1所述的基于嵌入式机器视觉的轴承缺陷检测技术，其特征在于，所述背光轴承凹面缺陷检测技术用于检测轴承是否存在缺钉或缺珠问题，步骤如下：
(2.1)采用圆定位方法，找到轴承凹面所在区域；
(2.2)选择背光轴承凹面缺陷检测，并选择检测区域为以上圆定位的区域；
(2.3)设置是否检测圆心距，若选择检测圆心距，则设置圆心距像素值大小；
(2.4)设置是否区域收缩，若选择区域收缩，则设置相应区域收缩的像素值大小；
(2.5)选择二值化方法，设置区域生长法种子像素阈值；
(2.6)设置是否进行数学形态学的膨胀操作，若选择进行膨胀操作，则设置膨胀模板大小；
(2.7)采用背光轴承凹面学习方法，根据步骤(2.1)～(2.6)所设置的参数，得到学习图像的斑点信息：致密度和离心率，设置缺钉、缺珠阈值调整参数；
(2.8)采用背光轴承凹面检测方法，根据步骤(2.1)～(2.7)所设置的参数检测轴承并测试步骤(2.1)～(2.7)所设置参数，若无法满足检测精度则重新进行步骤(2.1)～(2.7)；
(2.9)下载配置信息，所述一体机脱机操作，采用背光轴承凹面检测方法进行轴承的在线实时检测。
3、根据权利要求1所述的基于嵌入式机器视觉的轴承缺陷检测技术，其特征在于，所述正光轴承缺陷检测技术用于检测轴承表面是否存在划痕、锈斑，轴承支架是否存在凹陷问题，包括正光轴承表面缺陷检测技术和正光轴承凹面缺陷检测技术。
4、根据权利要求3所述的基于嵌入式机器视觉的轴承缺陷检测技术，其特征在于，所述正光轴承表面缺陷检测技术的步骤如下：
(3.1.1)采用圆定位方法，找到轴承表面所在区域；
(3.1.2)选择正光轴承表面缺陷检测，并选择检测区域为以上圆定位的区域；
(3.1.3)设置是否检测圆心距，若选择检测圆心距，则设置圆心距像素值大小；
(3.1.4)设置是否区域收缩或边缘扩展，若选择区域收缩或边缘扩展，则设置相应区域收缩或边缘扩展的像素值大小；
(3.1.5)选择二值化方法，设置对应二值化阈值；
(3.1.6)设置是否进行灰度拉伸，用于现场受光源信息影响较大时；
(3.1.7)设置是否进行灰度值比较，灰度值比较用于当图像对比度不够大时；若选择灰度值比较，则设置灰度差值阈值；
(3.1.8)采用正光轴承表面学习方法，根据步骤(3.1.1)～(3.1.7)所设置的参数，得到学习图像的梯度图；设置相应通过条件阈值；所述通过条件为缺陷像素的总面积及像素面积占圆环的百分比，缺陷所形成的斑点的面积和周长；
(3.1.9)采用正光轴承表面检测方法，根据步骤(3.1.1)～(3.1.8)所设置的参数检测轴承并测试步骤(3.1.1)～(3.1.8)所设置参数，若无法满足检测精度则重新进行步骤(3.1.1)～(3.1.8)；
(3.1.10)下载配置信息，所述一体机脱机操作，采用正光轴承表面检测方法进行轴承的在线实时检测。
5、根据权利要求3所述的基于嵌入式机器视觉的轴承缺陷检测技术，其特征在于，所述正光轴承凹面缺陷检测技术的步骤如下：
(3.2.1)采用圆定位方法，找到轴承凹面所在区域；
(3.2.2)选择正光轴承凹面缺陷检测，并选择检测区域为以上圆定位的区域；
(3.2.3)设置是否检测圆心距，若选择检测圆心距，则设置圆心距像素值大小；
(3.2.4)设置是否区域收缩，若选择区域收缩，则设置相应区域收缩的像素值大小；
(3.2.5)选择二值化方法，设置对应二值化阈值；
(3.2.6)设置是否对圆环区域进行数学形态学的膨胀操作，若选择膨胀操作，则设置膨胀模板大小；
(3.2.7)采用正光轴承凹面学习方法，根据步骤(3.2.1)～(3.2.6)所设置的参数，得到学习图像中斑点的信息：最大最小距离比值、面积、周长、中心矩；设置最大最小距离比值、面积、周长、中心矩的阈值调整参数；设置是否使用中心矩作为判断条件；
(3.2.8)采用正光轴承凹面检测方法，根据步骤(3.2.1)～(3.2.7)所设置的参数检测轴承并测试步骤(3.2.1)～(3.2.7)所设置参数，若无法满足检测精度则重新进行步骤(3.2.1)～(3.2.7)；
(3.2.9)下载配置信息，所述一体机脱机操作，采用正光轴承凹面检测方法进行轴承的在线实时检测。
6、根据权利要求1所述的基于嵌入式机器视觉的轴承缺陷检测技术，其特征在于，所述侧光轴承缺陷检测技术用于检测轴承侧面是否存在划痕、锈斑问题，步骤如下：
(4.1)采用点定位方法找到轴承侧面左右边界上的两个点；
(4.2)选择侧光轴承凹面缺陷检测，并选择侧面边界上两个点为(4.1)中得到的点；
(4.3)设置处理区域长度和宽度；
(4.4)采用侧光轴承表面学习方法，得到区域的纹理特性，包括平均灰度值、平滑度和一致性，设置纹理特性参数的阈值；
(4.5)采用侧光轴承表面检测方法，根据步骤(4.1)～(4.4)所设置的参数检测轴承并测试步骤(4.1)～(4.4)所设置参数，若无法满足检测精度则重新进行步骤(4.1)～(4.4)；
(4.6)下载配置信息，一体机脱机操作，采用侧光轴承表面检测方法进行轴承的在线实时检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2009100304769A CN101526484B (zh) | 2009-04-13 | 2009-04-13 | 基于嵌入式机器视觉的轴承缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2009100304769A CN101526484B (zh) | 2009-04-13 | 2009-04-13 | 基于嵌入式机器视觉的轴承缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101526484A true CN101526484A (zh) | 2009-09-09 |
| CN101526484B CN101526484B (zh) | 2011-05-11 |
Family
ID=41094462
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2009100304769A Active CN101526484B (zh) | 2009-04-13 | 2009-04-13 | 基于嵌入式机器视觉的轴承缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101526484B (zh) |
Cited By (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101852768A (zh) * | 2010-05-05 | 2010-10-06 | 电子科技大学 | 磁粉探伤环境下基于复合特征的工件伤痕识别方法 |
| CN101915768A (zh) * | 2010-08-03 | 2010-12-15 | 河北科技大学 | 陶瓷球表面质量检测装置 |
| CN102410991A (zh) * | 2011-08-02 | 2012-04-11 | 上海交通大学 | 光波导生物化学传感器及其制备方法 |
| CN102486463A (zh) * | 2011-05-25 | 2012-06-06 | 浙江三和机电科技有限公司 | 全自动平面轴承外观视觉检测设备 |
| CN102636490A (zh) * | 2012-04-12 | 2012-08-15 | 江南大学 | 基于机器视觉的轴承防尘盖表面缺陷检测方法 |
| CN102680494A (zh) * | 2012-05-24 | 2012-09-19 | 江南大学 | 基于机器视觉的抛光金属弧状面瑕疵实时检测方法 |
| CN103264019A (zh) * | 2013-04-25 | 2013-08-28 | 洛阳久德轴承模具技术有限公司 | 圆锥滚子表面缺陷检测系统 |
| CN103530104A (zh) * | 2012-07-02 | 2014-01-22 | 株式会社三丰 | 形状分析方法和形状分析程序 |
| CN103604806A (zh) * | 2013-12-04 | 2014-02-26 | 天津普达软件技术有限公司 | 一种检测密封圈缺陷的方法 |
| CN104215641A (zh) * | 2013-06-02 | 2014-12-17 | 杭州欧谱洛博自动化技术有限公司 | 一种圆柱形工件侧面外观缺陷机器视觉检测装置 |
| CN104966300A (zh) * | 2015-06-19 | 2015-10-07 | 浙江理工大学 | 轴承滚子图像检测系统及方法及图像检测装置 |
| CN104964980A (zh) * | 2015-06-05 | 2015-10-07 | 电子科技大学 | 一种基于机器视觉的火花塞端面缺陷检测方法 |
| CN105806228A (zh) * | 2016-04-25 | 2016-07-27 | 电子科技大学中山学院 | 轴承外圈检测方法及设备 |
| CN105891231A (zh) * | 2015-01-26 | 2016-08-24 | 青岛农业大学 | 一种基于图像处理的胡萝卜表面缺陷检测方法 |
| CN106124213A (zh) * | 2016-08-12 | 2016-11-16 | 扬州康派尔机械科技有限公司 | 一种四通道轴承灵活性视觉识别机 |
| CN106645179A (zh) * | 2017-01-24 | 2017-05-10 | 湖北商贸学院 | 一种工件缺陷自动检测系统及方法 |
| CN106680287A (zh) * | 2016-12-28 | 2017-05-17 | 无锡浩远视觉科技有限公司 | 一种轴承铆钉台阶缺陷的视觉检测方法 |
| CN106984562A (zh) * | 2017-04-18 | 2017-07-28 | 江阴市广福机械有限公司 | 一种生活垃圾初级分选平台及垃圾分选方法 |
| CN107884413A (zh) * | 2017-10-24 | 2018-04-06 | 华东交通大学 | 一种自动检测轴承滚动体缺失的装置及检测方法 |
| CN107945180A (zh) * | 2017-12-26 | 2018-04-20 | 浙江大学台州研究院 | 源于抛光的石英晶片表面浅划痕的视觉检测方法 |
| CN108176608A (zh) * | 2017-12-25 | 2018-06-19 | 中国科学院自动化研究所 | 基于机器视觉的螺母缺陷检测方法及装置 |
| CN108827982A (zh) * | 2018-06-27 | 2018-11-16 | 重庆大学 | 基于深度学习的跨座式单轨轨道梁指型板缺陷检测方法及系统 |
| CN109187554A (zh) * | 2018-09-18 | 2019-01-11 | 常州利腾机械有限公司 | 一种图像阶梯轴黑皮检测装置 |
| CN110174405A (zh) * | 2019-06-04 | 2019-08-27 | 上海福赛特机器人有限公司 | 膜片来料品质视觉检测系统及检测方法 |
| CN110211120A (zh) * | 2019-06-04 | 2019-09-06 | 北京航天宏图信息技术股份有限公司 | 文物的锈蚀程度确定方法、装置以及电子设备 |
| CN110841926A (zh) * | 2019-12-05 | 2020-02-28 | 江西龙腾生物高科技有限公司 | 一种全自动采血管分拣机 |
| CN110927171A (zh) * | 2019-12-09 | 2020-03-27 | 中国科学院沈阳自动化研究所 | 一种基于机器视觉的轴承滚子倒角面缺陷检测方法 |
| CN111157532A (zh) * | 2020-01-03 | 2020-05-15 | 天津大学 | 一种手机外壳划痕视觉检测装置及方法 |
| CN112001911A (zh) * | 2020-08-26 | 2020-11-27 | 常州工学院 | 基于双目的双排滚针轴承缺针检测方法 |
| CN112150423A (zh) * | 2020-09-16 | 2020-12-29 | 江南大学 | 一种经纬稀疏网孔缺陷识别方法 |
| CN112710632A (zh) * | 2021-03-23 | 2021-04-27 | 四川京炜交通工程技术有限公司 | 一种玻璃微珠高低折射率检测方法及系统 |
| CN114113137A (zh) * | 2021-11-10 | 2022-03-01 | 佛山科学技术学院 | 一种薄膜材料的缺陷检测系统及其方法 |
| CN114820612A (zh) * | 2022-06-29 | 2022-07-29 | 南通恒强轧辊有限公司 | 基于机器视觉的轧辊表面缺陷检测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101221134A (zh) * | 2007-01-10 | 2008-07-16 | 宁波工程学院 | 计算机视觉技术检测微小轴承表面缺陷的方法及其装置 |
-
2009
- 2009-04-13 CN CN2009100304769A patent/CN101526484B/zh active Active
Cited By (50)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101852768B (zh) * | 2010-05-05 | 2012-02-22 | 电子科技大学 | 磁粉探伤环境下基于复合特征的工件伤痕识别方法 |
| CN101852768A (zh) * | 2010-05-05 | 2010-10-06 | 电子科技大学 | 磁粉探伤环境下基于复合特征的工件伤痕识别方法 |
| CN101915768A (zh) * | 2010-08-03 | 2010-12-15 | 河北科技大学 | 陶瓷球表面质量检测装置 |
| CN102486463A (zh) * | 2011-05-25 | 2012-06-06 | 浙江三和机电科技有限公司 | 全自动平面轴承外观视觉检测设备 |
| CN102486463B (zh) * | 2011-05-25 | 2013-09-11 | 浙江三和机电科技有限公司 | 全自动平面轴承外观视觉检测设备 |
| CN102410991A (zh) * | 2011-08-02 | 2012-04-11 | 上海交通大学 | 光波导生物化学传感器及其制备方法 |
| CN102636490B (zh) * | 2012-04-12 | 2014-01-15 | 江南大学 | 基于机器视觉的轴承防尘盖表面缺陷检测方法 |
| CN102636490A (zh) * | 2012-04-12 | 2012-08-15 | 江南大学 | 基于机器视觉的轴承防尘盖表面缺陷检测方法 |
| CN102680494A (zh) * | 2012-05-24 | 2012-09-19 | 江南大学 | 基于机器视觉的抛光金属弧状面瑕疵实时检测方法 |
| CN103530104A (zh) * | 2012-07-02 | 2014-01-22 | 株式会社三丰 | 形状分析方法和形状分析程序 |
| US9983001B2 (en) | 2012-07-02 | 2018-05-29 | Mitutoyo Corporation | Shape analysis method and shape analysis program |
| CN103530104B (zh) * | 2012-07-02 | 2018-05-08 | 株式会社三丰 | 形状分析方法和形状分析程序 |
| CN103264019A (zh) * | 2013-04-25 | 2013-08-28 | 洛阳久德轴承模具技术有限公司 | 圆锥滚子表面缺陷检测系统 |
| CN103264019B (zh) * | 2013-04-25 | 2014-06-11 | 洛阳久德轴承模具技术有限公司 | 圆锥滚子表面缺陷检测系统 |
| CN104215641A (zh) * | 2013-06-02 | 2014-12-17 | 杭州欧谱洛博自动化技术有限公司 | 一种圆柱形工件侧面外观缺陷机器视觉检测装置 |
| CN104215641B (zh) * | 2013-06-02 | 2018-09-11 | 杭州欧谱洛博自动化技术有限公司 | 一种圆柱形工件侧面外观缺陷机器视觉检测装置 |
| CN103604806A (zh) * | 2013-12-04 | 2014-02-26 | 天津普达软件技术有限公司 | 一种检测密封圈缺陷的方法 |
| CN105891231B (zh) * | 2015-01-26 | 2019-01-18 | 青岛农业大学 | 一种基于图像处理的胡萝卜表面缺陷检测方法 |
| CN105891231A (zh) * | 2015-01-26 | 2016-08-24 | 青岛农业大学 | 一种基于图像处理的胡萝卜表面缺陷检测方法 |
| CN104964980A (zh) * | 2015-06-05 | 2015-10-07 | 电子科技大学 | 一种基于机器视觉的火花塞端面缺陷检测方法 |
| CN104966300A (zh) * | 2015-06-19 | 2015-10-07 | 浙江理工大学 | 轴承滚子图像检测系统及方法及图像检测装置 |
| CN104966300B (zh) * | 2015-06-19 | 2017-09-12 | 浙江理工大学 | 轴承滚子图像检测系统及方法及图像检测装置 |
| CN105806228A (zh) * | 2016-04-25 | 2016-07-27 | 电子科技大学中山学院 | 轴承外圈检测方法及设备 |
| CN106124213A (zh) * | 2016-08-12 | 2016-11-16 | 扬州康派尔机械科技有限公司 | 一种四通道轴承灵活性视觉识别机 |
| CN106124213B (zh) * | 2016-08-12 | 2019-01-29 | 扬州康派尔机械科技有限公司 | 一种四通道轴承灵活性视觉识别机 |
| CN106680287A (zh) * | 2016-12-28 | 2017-05-17 | 无锡浩远视觉科技有限公司 | 一种轴承铆钉台阶缺陷的视觉检测方法 |
| CN106680287B (zh) * | 2016-12-28 | 2020-07-03 | 无锡浩远视觉科技有限公司 | 一种轴承铆钉台阶缺陷的视觉检测方法 |
| CN106645179A (zh) * | 2017-01-24 | 2017-05-10 | 湖北商贸学院 | 一种工件缺陷自动检测系统及方法 |
| CN106984562A (zh) * | 2017-04-18 | 2017-07-28 | 江阴市广福机械有限公司 | 一种生活垃圾初级分选平台及垃圾分选方法 |
| CN106984562B (zh) * | 2017-04-18 | 2023-02-17 | 江阴市广福机械有限公司 | 一种生活垃圾初级分选平台及垃圾分选方法 |
| CN107884413A (zh) * | 2017-10-24 | 2018-04-06 | 华东交通大学 | 一种自动检测轴承滚动体缺失的装置及检测方法 |
| CN108176608A (zh) * | 2017-12-25 | 2018-06-19 | 中国科学院自动化研究所 | 基于机器视觉的螺母缺陷检测方法及装置 |
| CN108176608B (zh) * | 2017-12-25 | 2019-08-23 | 中国科学院自动化研究所 | 基于机器视觉的螺母缺陷检测方法及装置 |
| CN107945180A (zh) * | 2017-12-26 | 2018-04-20 | 浙江大学台州研究院 | 源于抛光的石英晶片表面浅划痕的视觉检测方法 |
| CN108827982A (zh) * | 2018-06-27 | 2018-11-16 | 重庆大学 | 基于深度学习的跨座式单轨轨道梁指型板缺陷检测方法及系统 |
| CN108827982B (zh) * | 2018-06-27 | 2020-12-25 | 重庆大学 | 基于深度学习的跨座式单轨轨道梁指型板缺陷检测方法及系统 |
| CN109187554A (zh) * | 2018-09-18 | 2019-01-11 | 常州利腾机械有限公司 | 一种图像阶梯轴黑皮检测装置 |
| CN110211120A (zh) * | 2019-06-04 | 2019-09-06 | 北京航天宏图信息技术股份有限公司 | 文物的锈蚀程度确定方法、装置以及电子设备 |
| CN110174405A (zh) * | 2019-06-04 | 2019-08-27 | 上海福赛特机器人有限公司 | 膜片来料品质视觉检测系统及检测方法 |
| CN110841926A (zh) * | 2019-12-05 | 2020-02-28 | 江西龙腾生物高科技有限公司 | 一种全自动采血管分拣机 |
| CN110927171A (zh) * | 2019-12-09 | 2020-03-27 | 中国科学院沈阳自动化研究所 | 一种基于机器视觉的轴承滚子倒角面缺陷检测方法 |
| CN111157532A (zh) * | 2020-01-03 | 2020-05-15 | 天津大学 | 一种手机外壳划痕视觉检测装置及方法 |
| CN112001911A (zh) * | 2020-08-26 | 2020-11-27 | 常州工学院 | 基于双目的双排滚针轴承缺针检测方法 |
| CN112001911B (zh) * | 2020-08-26 | 2023-10-27 | 常州工学院 | 基于双目的双排滚针轴承缺针检测方法 |
| CN112150423A (zh) * | 2020-09-16 | 2020-12-29 | 江南大学 | 一种经纬稀疏网孔缺陷识别方法 |
| CN112150423B (zh) * | 2020-09-16 | 2024-04-30 | 江南大学 | 一种经纬稀疏网孔缺陷识别方法 |
| CN112710632A (zh) * | 2021-03-23 | 2021-04-27 | 四川京炜交通工程技术有限公司 | 一种玻璃微珠高低折射率检测方法及系统 |
| CN114113137A (zh) * | 2021-11-10 | 2022-03-01 | 佛山科学技术学院 | 一种薄膜材料的缺陷检测系统及其方法 |
| CN114820612A (zh) * | 2022-06-29 | 2022-07-29 | 南通恒强轧辊有限公司 | 基于机器视觉的轧辊表面缺陷检测方法及系统 |
| CN114820612B (zh) * | 2022-06-29 | 2022-09-02 | 南通恒强轧辊有限公司 | 基于机器视觉的轧辊表面缺陷检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101526484B (zh) | 2011-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101526484B (zh) | 基于嵌入式机器视觉的轴承缺陷检测方法 | |
| CN107341802B (zh) | 一种基于曲率与灰度复合的角点亚像素定位方法 | |
| CN102589435B (zh) | 噪声环境下激光束中心高效精确检测方法 | |
| CN109969736A (zh) | 一种大型运载皮带跑偏故障智能检测方法 | |
| CN102455171B (zh) | 一种激光拼焊焊缝背面几何形貌检测方法 | |
| CN210604434U (zh) | 一种手机曲面玻璃典型缺陷在线检测装置 | |
| CN108844961A (zh) | 一种温控器壳体视觉检测系统及方法 | |
| CN105021628A (zh) | 一种用于光纤倒像器表面缺陷的检测方法 | |
| CN107891012B (zh) | 基于等效算法的珍珠大小及圆形度分拣装置 | |
| CN108489394A (zh) | 一种大尺寸薄板金属工件几何质量自动检测装置及方法 | |
| CN105865329A (zh) | 基于视觉的成捆圆钢端面中心坐标的获取系统和方法 | |
| CN112001917A (zh) | 一种基于机器视觉的圆形有孔零件形位公差检测方法 | |
| CN109752392A (zh) | 一种pcb板缺陷类型检测系统和方法 | |
| He et al. | A critical review for machining positioning based on computer vision | |
| CN108389184A (zh) | 一种基于机器视觉的工件制孔数检测方法 | |
| CN105354816B (zh) | 一种电子元件定位方法及装置 | |
| CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
| CN208042989U (zh) | 一种大尺寸薄板金属工件几何质量自动检测装置 | |
| CN113808104A (zh) | 一种基于分块的金属表面缺陷检测方法及系统 | |
| CN113970560A (zh) | 一种基于多传感融合的缺陷三维检测方法 | |
| CN205620320U (zh) | 基于多管脚的缺陷检测装置 | |
| CN102735689A (zh) | 一种基于图形模式识别的纸张纸病检测系统 | |
| CN108416790A (zh) | 一种用于工件破损率的检测方法 | |
| CN115753791B (zh) | 基于机器视觉的缺陷检测方法、装置以及系统 | |
| CN106370673A (zh) | 一种镜片疵病自动检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| C56 | Change in the name or address of the patentee | ||
| CP01 | Change in the name or title of a patent holder |
Address after: Letter 1800 Jiangnan University No. 214122 Jiangsu city of Wuxi Province Li Lake Avenue control school Patentee after: Jiangnan University Patentee after: Xinje Electronic Co., Ltd. Address before: Letter 1800 Jiangnan University No. 214122 Jiangsu city of Wuxi Province Li Lake Avenue control school Patentee before: Jiangnan University Patentee before: Wuxi Czech Automation Co., Ltd. |