CN103226106A - 基于机器视觉的轴承防尘盖品质监测系统 - Google Patents
基于机器视觉的轴承防尘盖品质监测系统 Download PDFInfo
- Publication number
- CN103226106A CN103226106A CN2013100848355A CN201310084835A CN103226106A CN 103226106 A CN103226106 A CN 103226106A CN 2013100848355 A CN2013100848355 A CN 2013100848355A CN 201310084835 A CN201310084835 A CN 201310084835A CN 103226106 A CN103226106 A CN 103226106A
- Authority
- CN
- China
- Prior art keywords
- character
- zone
- bearing
- image
- defective
- 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
Abstract
本发明提供一种基于机器视觉的轴承端面防尘盖品质监测的方法。通过工业相机采集轴承端面图像,进行预处理,提取防尘盖区域,通过阈值分割将该区域背景与字符(或缺陷)分离。根据字符(或缺陷)与圆心的位置通过旋转校正转换为垂直图像。对区域的大小以及数量进行第一次决策。提取字符(或缺陷)的二次轮廓特征,并与离线采集的模板进行匹配来判别分割出的区域内对象是字符还是缺陷,再通过联系上下文的方法判别印刻的字符是否有漏印或错印,从而实现轴承端面防尘盖品质的在线实时监测。本发明可有效提取出字符(或缺陷)区域,并准确判别缺陷及漏印或错印。算法复杂度低,运算速度快,能满足现场的实时性要求。
Description
技术领域
本发明涉及一种基于机器视觉的轴承防尘盖实时检测方法,具体是指一种基于特定光源下,针对轴承防尘盖的机器视觉实时瑕疵检测的方法。
背景技术
轴承是机械行业中至关重要的基础零件,广泛应用在各行各业中。近几年,随着我国工业自动化水平的不断提高、机械设备越来越精密,使得对轴承制造工艺水平的要求也越来越高,质量标准也越来越严格。轴承防尘盖的表面品质,影响着产品的质量。
轴承生产过程中,由于各种因素,在轴承的内外圈表面、防尘盖端面等处可能会产生各种缺陷,如凹坑、压痕、划痕等,这些缺陷会对轴承的使用造成一定的影响,严重的可能会造成不可估量的事故。目前,国内对于轴承表面品质主要是人工检测,很容易出现误检和漏检,而且人工检测效率低。引入机器视觉技术进行缺陷检测具有非接触性、检测速度快、稳定性高的特点。针对轴承端面防尘盖的检测,本发明提出了基于机器视觉的实时检测方法。
发明内容
本发明目的在于利用机器视觉对轴承生产中端面防尘盖进行品质监测。由于轴承端面防尘盖刻有字符,会对品质监测造成一定的干扰。本专利引入了字符识别的思想,对字符(或缺陷)进行识别,一方面判别有无缺陷,一方面判别刻印字符是否有错,从而实现轴承端面防尘盖的品质在线实时监测。
按照本发明提供的技术方案,所述轴承端面防尘盖品质监测系统的算法包括以下步骤:
第一步,在离线情况下,获取合格轴承的端面图像,通过预处理,分割出字符区域,根据分割出的字符区域的中心点坐标与轴承圆心坐标的关系,将字符区域通过旋转变换校正成垂直的字符,并提取字符特征,作为匹配模板。
第二步,对采集图像先通过预处理分割出防尘盖区域,然后通过阈值分割将防尘盖区域的背景与字符(或缺陷)区域分割出来。
第三步,对分割出来的字符(或缺陷)区域定位到阈值分割前的灰度图像中,并分割出相应的灰度图像。根据分割出的字符(或缺陷)区域的中心点坐标与轴承圆心坐标的关系计算出旋转角度。并通过双线性插值以及旋转角度将字符(或缺陷)区域旋转成为垂直方向。
第四步,判断区域的大小,超过上限预设值和小于下限预设值的区域均为缺陷区域。对于处于预设大小范围内的区域进行阈值分割及归一化处理。
第五步,提取区域的特征向量,与模板中的特征向量进行匹配。如果匹配度小于预设值,则该区域内有缺陷。
第六步,如果正确匹配出来的字符串的长度与模板中的字符串的长度相等,则进行串匹配,根据上下文以及对应位置的特征匹配度对区域进行二次判别决策,最终输出结果。
进一步的,所述第一步具体为:
(1.1)在离线情况下采集合格轴承的端面图像f(x,y),采用黑色非光滑面板作为轴承的背景。图像为640*480的灰度图像。
(1.2)对采集的图像f(x,y)进行幂次灰度变换,生成g(x,y)。
g(x,y)=cf(x,y)γ
其中,一般取c=1,根据所采集的图像,手动调节参数γ,获得视觉效果较好的图像即可。γ取值范围:1~3。
(1.3)对图像g(x,y)进行中值滤波,滤波模板大小为3*3。
(1.4)根据阈值Th将轴承与背景分离开,Th取15,根据实际情况进行调整。再通过四个方向的扫描,确定轴承的外轮廓。分别从左向右自上而下,从右向左自下而上逐行扫描,标记第一个灰度值超过阈值Th点为边界点,分别记录为p1、p2。然后根据p1、p2数组头尾位置,确定中间段的扫描范围。并根据所确定的左右范围,分别从上到下,自下而上从左到右,自上而下从右到左逐列扫描,标记第一个灰度值超过阈值Th点为边界点,分别记录为p3、p4。最后将p1、p3、p2、p4按顺序组合成一个数组p,该数组描述轴承的外轮廓。
(1.5)计算圆心坐标。假设第i个采样点为P(xi,yi),轴承圆心坐标为(a,b),P(xi,yi)到轴承圆心坐标(a,b)的距离为ri,则P(xi,yi)与(a,b)构成了半径为ri的圆,其面积为si,设s为拟合出的圆的面积,则圆的面积误差:
设面积误差平方和函数为J:
然后由最小二乘原理:
J(a,b,c)=min
J是关于a、b和r的函数,参数a、b、r根据求函数极值的方法来计算。所以当参数a、b和r满足公式条件:
J取得极小值。由此计算所需要的圆心坐标(a,b)以及圆的半径r。
(1.6)根据轴承的型号参数等先验知识能够得知各个区域占轴承外圆半径的比例,据此分离出以轴承圆心为中心各个环形区域。最终得到轴承防尘盖为一环形区域。并将背景设为白色,以便后续处理。
(1.7)阈值分割。采用OTSU法确定防尘盖区域的分割阈值Threshold_OTS。根据分割效果对阈值进行调整Threshold=Threshold_OTSU+a,a为偏移量。低于阈值的部分标记为0,高于阈值的部分标记为1,然后对图像进行反色。
(1.8)对图像进行阈值分割后,根据连通域将字符部分标记出来,计算每个连通域的最大矩形框,对分割出来的字符区域定位到阈值分割前的灰度图像中,并分割出相应的灰度图像。计算矩形框的中心点坐标与轴承圆心坐标的角度。根据角度对分割出的灰度图像通过双线性插值旋转变换后,字符区域变为水平。
(1.9)旋转字符区域后,提取每个字符的外接矩形框,并将图像归一化为32*24像素大小的图像。
(1.10)根据(1.7)求出的阈值Threshold对字符的灰度图像进行二值化处理,并依次提取轴承字符的二次轮廓特征。提取的步骤如下:
先对二值字符图像分别按左、右、上、下四个方向依次提取,假设第一层轮廓层次特征为L1(j),j=0,l,…Length-1。从左向右扫描对j行进行扫描,第一个像素值为1的点的横坐标就是L1(j)的值。
L1(j)=min{min{I|f(I,j)=1},width-1},j=0,1,…Length-1
从左到右字符图像的j行进行扫描,第n次由‘0’变到‘1’时的横坐标即为字符图像左侧第n层轮廓特征Ln(j)。
Ln0(j)=min{min{i|i>Ln-1(j)∧f(i,j)=0},width-1} j=0,1…Length-1
Ln(j)=min{min{i|i>Ln0(j)∧f(i,j)=1},width-1} j=0,1…Length-1
同上所述,右侧轮廓层次特征提取以及上下方向轮廓层次特征提取如下:
右侧轮廓层次特征公式:
R1(j)=max{max{i|f(i,j)=1},0},
Rn0(j)=max{max{i|i>Rn-1(j)∧f(i,j)=0},0},
Rn(j)=max{max{i|i>Rn0(j)∧f(i,j)=1},0},
j=0,1,…Length-1;
上方轮廓层次特征公式:
U1(j)=min{min{i|f(j,i)=1},Length-1},
Un0(j)=min{min{i|i>Un-1(i)∧f(j,i)=0},Length-1},
Un(j)=min{min{i|i>Un0(i)∧f(j,i)=1},Length-1},
j=0,1,…Width-1;
下方轮廓层次特征公式:
D1(j)=max{max{i|f(j,i)=1},0},
Dn0(j)=max{max{i|i>Dn-1(j)∧f(j,i)=0},0},
Dn(j)=max{max{i|i>Dn0(j)∧f(j,i)=1},0},
j=0,1,…width-1;
最后,将四个方向上的轮廓层次特征合并即得到该字符特征向量G(k):
C(k)={Ln(j),Rn(j),Un(i),Dn(i)}.
i=0,1,…Length-1; j=0,1,…Width-1
依次提取字符的特征二次轮廓特征。
(1.11)对轮廓层次特征G(k)进行小波分解:将G(k)通过低通滤波器h(n)进行分解,得到的结果即是G(k)的低频近似分量。
其中,j表示第j层小波分解,aj(n)表示第j层分解的低频分量,dj(n)表示第j层分解的高频分量。h(n)和g(n)为Daubechies(dbN)小波系中的“db2”所对应的低通、高通滤波器的掩模。
(1.12)计算每个字符区域的中心坐标与轴承圆心坐标连接线的斜率,通过斜率对区域按顺时针方向进行排序。
(1.13)保存字符的特征向量等信息,作为后续的匹配模板。
所述第二步具体为:
(2.1)保持与模板制作时的相同采集环境,采集被检测轴承的端面图像。
(2.2)对采集的图像进行幂次灰度变换,同第一步中的(1.2),其中的参数设置与(1.2)设置一致。
(2.3)与第一步中的(1.3)到(1.7)相同,对图像进行中值滤波,提取轴承的外轮廓,计算圆心坐标,分割出防尘盖区域,通过OTSU法计算分割阈值,并根据(1.7)中的偏移量a对阈值进行调整,最后进行阈值分割,并做反色处理,最终字符(或缺陷)标记为1,背景标记为0。
所述第三步具体同第一步中的(1.8):
(3.1)对图像进行阈值分割后,根据连通域将字符(或缺陷)部分标记出来,计算每个连通域的最大矩形框,对分割出来的字符(或缺陷)区域定位到阈值分割前的灰度图像中,并分割出相应的灰度图像。
(3.2)计算矩形框的中心坐标与轴承圆心坐标的角度。根据角度对分割出的灰度图像通过双线性插值旋转变换后,字符(或缺陷)区域变为水平。
所述第四步具体为:
(4.1)判断分割出的字符(或缺陷)区域的大小,根据模板中分割出来的字符区域的大小来设置长度的上下阈值Th1_L、Th2_L和宽度的上下限阈值Th1_W、Th2_W。当分割出来的字符(或缺陷)区域长宽超出预设值Th1_L、Th1_W,或者小于预设值Th2_L、Th2_W时,可以判断该区域为缺陷。将该部分标记出来,输出结果为轴承有缺陷。
(4.2)判断分割出的字符(或缺陷)区域的个数,如果与模板中分割出来的字符个数不相符,则也判定轴承有缺陷。
(4.3)当字符(或缺陷)区域满足大小条件,以及个数条件时,对字符(或缺陷)区域进行大小归一化,同第一步中的(1.9),归一化为32*24像素大小的图像。然后进入第五步。
所述第五步具体为:
(5.1)与第一步中的(1.10)相同,对灰度图像进行二值化后,提取字符(或缺陷)区域的二次轮廓特征,特征维数为224。
(5.2)与第一步中的(1.11)相同,通过2次小波分解,将二次轮廓特征向量进行分解,最终获得维数为56的小波二次轮廓特征。
(5.3)依次计算提取到的特征向量与模板中的特征向量的相关系数D(x,y)。
其中x为(5.2)中提取的特征向量,y为模板中的特征向量。
(5.4)相关系数D(x,y)最大,且超过预设值(一般预设值为0.95,根据需求可进行调整)时,该区域目标判别为对应的模板中的字符。如果相关系数的最大值没有超过预设值,则该区域目标为缺陷。标记该区域并输出结果。所有区域目标均判别为字符时,进入第六步。
所述第六步具体为:
(6.1)与第一步中的(1.12)相同,计算每个字符区域的中心坐标与轴承圆心坐标连接线的斜率,通过斜率对区域按顺时针方向进行排序。
(6.2)排序过后进行移位匹配,匹配度最高的排列顺序即和模板中的排列顺序是一致的。然后选出和模板中不一致的字符,并根据与对应位置的模板特征匹配度来判断是否存在缺陷。如果对应位置的模板特征匹配度超过预设值,则该区域为字符,反之则为缺陷。输出检测结果。
附图说明
图1本发明的算法流程图
图2轴承防尘盖二值图像
具体实施方式
下面结合附图和实施例对本发明作进一步说明:
系统采用X-Sight SV4-30m工业相机采集轴承的端面图像,相机采样单元为1/3英寸CMOS,分辨率为640*480(像素)。采用了蓝色同轴光源进行照明来获得光照均匀的图像。
如图1所示,本发明的算法流程具体说明如下:
第一步,在离线情况下,获取合格轴承的端面图像,通过预处理,分割出字符区域,根据分割出的字符区域的中心点坐标与轴承圆心坐标的关系,将字符区域通过旋转变换校正成垂直的字符,并提取字符特征,作为匹配模板。
第二步,对采集图像先通过预处理分割出防尘盖区域,然后通过阈值分割将防尘盖区域的背景与字符(或缺陷)区域分割出来。
第三步,对分割出来的字符(或缺陷)区域定位到阈值分割前的灰度图像中,并分割出相应的灰度图像。根据分割出的字符(或缺陷)区域的中心点坐标与轴承圆心坐标的关系计算出旋转角度。并通过双线性插值以及旋转角度将字符(或缺陷)区域旋转成为垂直方向。
第四步,判断区域的大小,超过上限预设值和小于下限预设值的区域均为缺陷区域。对于处于预设大小范围内的区域进行阈值分割及归一化处理。
第五步,提取区域的特征向量,与模板中的特征向量进行匹配。如果匹配度小于预设值,则该区域内有缺陷。
第六步,如果正确匹配出来的字符串的长度与模板中的字符串的长度相等,则进行串匹配,根据上下文以及对应位置的特征匹配度对区域进行二次判别决策,最终输出结果。
进一步的,所述第一步具体为:
(1.1)在离线情况下采集合格轴承的端面图像f(x,y),采用黑色非光滑面板作为轴承的背景。图像为640*480的灰度图像。
(1.2)对采集的图像f(x,y)进行幂次灰度变换,生成g(x,y)。
g(x,y)=cf(x,y)γ
其中,一般取c=1,根据所采集的图像,手动调节参数γ,获得视觉效果较好的图像即可。γ取值范围:1~3。
(1.3)对图像g(x,y)进行中值滤波,滤波模板大小为3*3。
(1.4)根据阈值Th将轴承与背景分离开,Th取15,根据实际情况进行调整。再通过四个方向的扫描,确定轴承的外轮廓。分别从左向右自上而下,从右向左自下而上逐行扫描,标记第一个灰度值超过阈值Th点为边界点,分别记录为p1、p2。然后根据p1、p2数组头尾位置,确定中间段的扫描范围。并根据所确定的左右范围,分别从上到下,自下而上从左到右,自上而下从右到左逐列扫描,标记第一个灰度值超过阈值Th点为边界点,分别记录为p3、p4。最后将p1、p3、p2、p4按顺序组合成一个数组p,该数组描述轴承的外轮廓。
(1.5)计算圆心坐标。假设第i个采样点为P(xi,yi),轴承圆心坐标为(a,b),P(xi,yi)到轴承圆心坐标(a,b)的距离为ri,则P9xi,yi)与(a,b)构成了半径为ri的圆,其面积为si,设s为拟合出的圆的面积,则圆的面积的误差
设面积误差平方和函数为J:
然后由最小二乘原理:
J(a,b,c)=min
J是关于a、b和r的函数,参数a、b、r根据求函数极值的方法来计算。所以当参数a、b和r满足公式条件:
J取得极小值。由此计算所需要的圆心坐标(a,b)以及圆的半径r。
(1.6)根据轴承的型号参数等先验知识能够得知各个区域占轴承外圆半径的比例,据此分离出以轴承圆心为中心各个环形区域。最终得到轴承防尘盖为一环形区域。并将背景设为白色,以便后续处理。
(1.7)阈值分割。采用OTSU法确定防尘盖区域的分割阈值Threshold_OTS。根据分割效果对阈值进行调整Threshold=Threshold_OTSU+a,a为偏移量。低于阈值的部分标记为0,高于阈值的部分标记为1,然后对图像进行反色,效果见图2。
(1.8)对图像进行阈值分割后,根据连通域将字符部分标记出来,计算每个连通域的最大矩形框,图2中的矩形框abcd为字符6的最大矩形框,对分割出来的字符区域定位到阈值分割前的灰度图像中,并分割出相应的灰度图像。计算矩形框abcd的中心点坐标与轴承圆心O坐标的夹角角度。根据角度对分割出的灰度图像通过双线性插值旋转变换后,字符区域变为水平。
(1.9)旋转字符区域后,提取每个字符的外接矩形框,并将图像归一化为32*24像素大小的图像。
(1.10)根据(1.7)求出的阈值Threshold对字符的灰度图像进行二值化处理,并依次提取轴承字符的二次轮廓特征。提取的步骤如下:
先对二值字符图像分别按左、右、上、下四个方向依次提取,假设第一层轮廓层次特征为L1(j),j=0,l,…Length-1。从左向右扫描对j行进行扫描,第一个像素值为1的点的横坐标就是L1(j)的值。
L1(j)=min{min{I|f(I,j)=1},width-1},j=0,1,…Length-1
从左到右字符图像的j行进行扫描,第n次由‘0’变到‘1’时的横坐标即为字符图像左侧第n层轮廓特征Ln(j)。
Ln0(j)=min{min{i|i>Ln-1(j)∧f(i,j)=0},width-1} j=0,1…Length-1
Ln(j)=min{min{i|i>Ln0(j)∧f(i,j)=1},width-1} j=0,1…Length-1
同上所述,右侧轮廓层次特征提取以及上下方向轮廓层次特征提取如下:
右侧轮廓层次特征公式:
R1(j)=max{max{i|f(i,j)=1},0},
Rn0(j)=max{max{i|i>Rn-1(j)∧f(i,j)=0},0},
Rn(j)=max{max{i|i>Rn0(j)∧f(i,j)=1},0},
j=0,1,…Length-1;
上方轮廓层次特征公式:
U1(j)=min{min{i|f(j,i)=1},Length-1},
Un0(j)=min{min{i|i>Un-1(i)∧f(j,i)=0},Length-1},
Un(j)=min{min{i|i>Un0(i)∧f(j,i)=1},Length-1},
j=0,1,…Width-1;
下方轮廓层次特征公式:
D1(j)=max{max{i|f(j,i)=1},0},
Dn0(j)=max{max{i|i>Dn-1(j)∧f(j,i)=0},0},
Dn(j)=max{max{i|i>Dn0(j)∧f(j,i)=1},0},
j=0,1,…width-1;
最后,将四个方向上的轮廓层次特征合并即得到该字符特征向量G(k):
C(k)={Ln(j),Rn(J),Un(i),Dn(i)}.
i=0,1,…Length-1; j=0,1,…Width-1
依次提取字符的特征二次轮廓特征。
(1.11)对轮廓层次特征G(k)进行小波分解:将G(k)通过低通滤波器h(n)进行分解,得到的结果即是G(k)的低频近似分量。
其中,j表示第j层小波分解,aj(n)表示第j层分解的低频分量,dj(n)表示第j层分解的高频分量。h(n)和g(n)为Daubechies(dbN)小波系中的“db2”所对应的低通、高通滤波器的掩模。
(1.12)计算每个字符区域的中心坐标与轴承圆心坐标连接线的斜率,通过斜率对区域按顺时针方向进行排序。
(1.13)保存字符的特征向量等信息,作为后续的匹配模板。
所述第二步具体为:
(2.1)保持与模板制作时的相同采集环境,采集被检测轴承的端面图像。
(2.2)对采集的图像进行幂次灰度变换,同第一步中的(1.2),其中的参数设置与(1.2)设置一致。
(2.3)与第一步中的(1.3)到(1.7)相同,对图像进行中值滤波,提取轴承的外轮廓,计算圆心坐标,分割出防尘盖区域,通过OTSU法计算分割阈值,并根据(1.7)中的偏移量a对阈值进行调整,最后进行阈值分割,并做反色处理,最终字符(或缺陷)标记为1,背景标记为0。
所述第三步具体同第一步中的(1.8):
(3.1)对图像进行阈值分割后,根据连通域将字符(或缺陷)部分标记出来,计算每个连通域的最大矩形框,对分割出来的字符(或缺陷)区域定位到阈值分割前的灰度图像中,并分割出相应的灰度图像。
(3.2)计算矩形框的中心坐标与轴承圆心坐标的角度。根据角度对分割出的灰度图像通过双线性插值旋转变换后,字符(或缺陷)区域变为水平。
所述第四步具体为:
(4.1)判断分割出的字符(或缺陷)区域的大小,根据模板中分割出来的字符区域的大小来设置长度的上下阈值Th1_L、Th2_L和宽度的上下限阈值Th1_W、Th2_W。当分割出来的字符(或缺陷)区域长宽超出预设值Th1_L、Th1_W,或者小于预设值Th2_L、Th2_W时,可以判断该区域为缺陷。将该部分标记出来,输出结果为轴承有缺陷。
(4.2)判断分割出的字符(或缺陷)区域的个数,如果与模板中分割出来的字符个数不相符,则也判定轴承有缺陷。
(4.3)当字符(或缺陷)区域满足大小条件,以及个数条件时,对字符(或缺陷)区域进行大小归一化,同第一步中的(1.9),归一化为32*24像素大小的图像。然后进入第五步。
所述第五步具体为:
(5.1)与第一步中的(1.10)相同,对灰度图像进行二值化后,提取字符(或缺陷)区域的二次轮廓特征,特征维数为224。
(5.2)与第一步中的(1.11)相同,通过2次小波分解,将二次轮廓特征向量进行分解,最终获得维数为56的小波二次轮廓特征。
(5.3)依次计算提取到的特征向量与模板中的特征向量的相关系数D(x,y)。
其中x为(5.2)中提取的特征向量,y为模板中的特征向量。
(5.4)当相关系数D(x,y)最大,且超过预设值(一般预设值为0.95,根据需求可进行调整)时,该区域目标判别为对应的模板中的字符。如果相关系数的最大值没有超过预设值,则该区域目标为缺陷。标记该区域并输出结果。所有区域目标均判别为字符时,进入第六步。
所述第六步具体为:
(6.1)与第一步中的(1.12)相同,计算每个字符区域的中心坐标与轴承圆心坐标连接线的斜率,通过斜率对区域按顺时针方向进行排序。
(6.2)排序过后进行移位匹配,匹配度最高的排列顺序即和模板中的排列顺序是一致的。然后选出和模板中不一致的字符,并根据与对应位置的模板特征匹配度来判断是否存在缺陷。如果对应位置的模板特征匹配度超过预设值,则该区域为字符,反之则为缺陷。输出检测结果。
Claims (7)
1.轴承端面防尘盖品质监测系统,其特征是,包括以下步骤:
第一步,在离线情况下,获取合格轴承的端面图像,通过预处理,分割出字符区域,根据分割出的字符区域的中心点坐标与轴承圆心坐标的关系,将字符区域通过旋转变换校正成垂直的字符,并提取字符特征,作为匹配模板;
第二步,对采集图像先通过预处理分割出防尘盖区域,然后通过阈值分割将防尘盖区域的背景与字符(或缺陷)区域分割出来;
第三步,对分割出来的字符(或缺陷)区域定位到阈值分割前的灰度图像中,并分割出相应的灰度图像。根据分割出的字符(或缺陷)区域的中心点坐标与轴承圆心坐标的关系计算出旋转角度,并通过双线性插值以及旋转角度将字符(或缺陷)区域旋转成为垂直方向;
第四步,判断区域的大小,超过上限预设值和小于下限预设值的区域均为缺陷区域,对于处于预设大小范围内的区域进行阈值分割及归一化处理;
第五步,提取区域的特征向量,与模板中的特征向量进行匹配,如果匹配度小于预设值,则该区域内有缺陷;
第六步,如果正确匹配出来的字符串的长度与模板中的字符串的长度相等,则进行串匹配,根据上下文以及对应位置的特征匹配度对区域进行二次判别决策,最终输出结果。
2.如权利要求1所述轴承端面防尘盖品质监测系统,其特征是,所述第一步具体为:
(1)在离线情况下采集合格轴承的端面图像f(x,y),采用黑色面板作为轴承的背景,图像为640*480的灰度图像;
(2)对采集的图像f(x,y)进行幂次灰度变换,生成g(x,y):
g(x,y)=cf(x,y)γ
其中,一般取c=1,根据所采集的图像,人为调教参数γ,获得视觉效果较好的图像即可,一般取1~3;
(3)对图像g(x,y)进行中值滤波,滤波模板大小为3*3;
(4)根据阈值Th将轴承与背景分离开,Th取15,根据实际情况进行调整;再通过四个方向的扫描,确定轴承的外轮廓,分别从左向右自上而下,从右向左自下而上逐行扫描,标记第一个灰度值超过阈值Th点为边界点,分别记录为p1、p2;然后根据p1、p2数组头尾位置,确定中间段的扫描范围,并根据所确定的左右范围,分别从上到下,自下而上从左到右,自上而下从右到左逐列扫描,标记第一个灰度值超过阈值Th点为边界点,分别记录为p3、p4;最后将p1、p3、p2、p4按顺序组合成一个数组p,该数组描述轴承的外轮廓;
(5)计算圆心坐标:假设第i个采样点为P(xi,yi),轴承圆心坐标为(a,b),P(xi,yi)到轴承圆心坐标(a,b)的距离为ri,则P(xi,yi)与(a,b)构成了半径为ri的圆,其面积为si,设s为拟合出的圆的面积,则圆的面积误差:
设面积误差平方和函数为J:
然后由最小二乘原理:
J(a,b,c)=min
J是关于a、b和r的函数,参数a、b、r根据求函数极值的方法来计算,所以当参数a、b和r满足公式条件:
J取得极小值;由此来计算我们所需要的圆心坐标(a,b)以及圆的半径r。
(6)根据轴承的型号参数等先验知识能够得知各个区域占轴承外圆半径的比例,据此分离出以轴承圆心为中心各个环形区域,最终得到轴承防尘盖部分,为一环形区域,并将背景设为白色,以便后续处理;
(7)阈值分割:采用OTSU法确定防尘盖区域的分割阈值Threshold_OTS。根据分割效果对阈值进行调整Threshold=Threshold_OTSU+a,a为偏移量,低于阈值的部分标记为0,高于阈值的部分标记为1,然后对图像进行反色;
(8)对图像进行阈值分割后,根据连通域将字符部分标记出来,计算每个连通域的最大矩形框,对分割出来的字符区域定位到阈值分割前的灰度图像中,并分割出相应的灰度图像,计算矩形框的中心点坐标与轴承圆心坐标的角度,根据角度对分割出的灰度图像通过双线性插值旋转变换后,字符区域变为水平;
(9)旋转字符区域后,提取每个字符的外接矩形框,并将图像归一化为32*24像素大小的图像;
(10)根据(4)求出的阈值Threshold对字符的灰度图像进行二值化处理,并依次提取轴承字符的二次轮廓特征,提取的步骤如下:
先对二值字符图像分别按左、右、上、下四个方向依次提取,假设第一层轮廓层次特征为L1(j),j=0,l,…Length-1。从左向右扫描对j行进行扫描,第一个像素值为1的点的横坐标就是L1(j)的值:
L1(j)=min{min{I|f(I,j)=1},width-1},j=0,1,…Length-1
从左到右字符图像的j行进行扫描,第n次由‘0’变到‘1’时的横坐标即为字符图像左侧第n层轮廓特征Ln(j)。
Ln0(j)=min{min{i|i>Ln-1(j)∧f(i,j)=0},width-1} j=0,1…Length-1
Ln(j)=min{min{i|i>Ln0(j)∧f(i,j)=1},width-1} j=0,1…Length-1
同上所述,右侧轮廓层次特征提取以及上下方向轮廓层次特征提取如下:
右侧轮廓层次特征公式:
R1(j)=max{max{i|f(i,j)=1},0},
Rn0(j)=max{max{i|i>Rn-1(j)∧f(i,j)=0},0},
Rn(j)=max{max{i|i>Rn0(j)∧f(i,j)=1},0},
j=0,1,…Length-1;
上方轮廓层次特征公式:
U1(j)=min{min{i|f(j,i)=1},Length-1},
Un0(j)=min{min{i|i>Un-1(i)∧f(j,i)=0},Length-1},
Un(j)=min{min{i|i>Un0(i)∧f(j,i)=1},Length-1},
j=0,1,…Width-1;
下方轮廓层次特征公式:
D1(j)=max{max{i|f(j,i)=1},0},
Dn0(j)=max{max{i|i>Dn-1(j)∧f(j,i)=0},0},
Dn(j)=max{max{i|i>Dn0(j)∧f(j,i)=1},0},
j=0,1,…width-1;
最后,将四个方向上的轮廓层次特征合并起来即得到我们所要的字符特征:
C(k)={Ln(j),Rn(j),Un(i),Dn(i)}.
i=0,1,…Length-1; j=0,1,…Width-1
依次提取字符的特征二次轮廓特征。
(11)对廓层次特征G(k)进行小波分解:将G(k)通过低通滤波器h(n)进行分解,得到的结果即是G(k)的低频近似分量,为G(k)维数的一半,
其中,j表示第j层小波分解,aj(n)表示第j层分解的低频分量,dj(n)表示第j层分解的高频分量,h(n)和g(n)为Daubechies(dbN)小波系中的“db2”所对应的低通、高通滤波器的掩模;
(12)计算每个字符区域的中心坐标与轴承圆心坐标连接线的斜率,通过斜率对区域按顺时针方向进行排序。
(13)保存字符的特征向量等信息,作为后续的匹配模板。
3.如权利要求1所述轴承端面防尘盖品质监测系统,其特征是,所述第二步具体为:
(1)保持与模板制作时的相同采集环境,采集被检测轴承的端面图像;
(2)对采集的图像f(x,y)进行幂次灰度变换,生成g(x,y):
g(x,y)=cf(x,y)γ
其中,一般取c=1,根据所采集的图像,人为调教参数γ,获得视觉效果较好的图像即可,一般取1~3;
(3)与第一步中的(3)到(7)相同,对图像进行中值滤波,提取轴承的外轮廓, 计算圆心坐标,分割出防尘盖区域,通过OTSU法计算分割阈值,并根据第一步(7)中的偏移量a对阈值进行调整,最后进行阈值分割,并做反色处理,最终字符(或缺陷)标记为1,背景标记为0。
4.如权利要求1所述轴承端面防尘盖品质监测系统,其特征是,所述第三步具体为:
(1)对图像进行阈值分割后,根据连通域将字符(或缺陷)部分标记出来,计算每个连通域的最大矩形框,对分割出来的字符(或缺陷)区域定位到阈值分割前的灰度图像中,并分割出相应的灰度图像;
(2)计算矩形框的中心坐标与轴承圆心坐标的角度。根据角度对分割出的灰度图像通过双线性插值旋转变换后,字符(或缺陷)区域变为水平。
5.如权利要求1所述轴承端面防尘盖品质监测系统,其特征是,所述第四步具体为:
(1)判断分割出的字符(或缺陷)区域的大小,根据模板中分割出来的字符区域的大小来设置长度的上下阈值Th1_L、Th2_L和宽度的上下限阈值Th1_W、Th2_W;当分割出来的字符(或缺陷)区域长宽超出预设值Th1_L、Th1_W,或者小于预设值Th2_L、Th2_W时,可以判断该区域为缺陷,将该部分标记出来,输出结果为轴承有缺陷;
(2)判断分割出的字符(或缺陷)区域的个数,如果与模板中分割出来的字符个数不相符,则也判定轴承有缺陷;
(3)当字符(或缺陷)区域满足大小条件,以及个数条件时,对字符(或缺陷)区域进行大小归一化,同第一步中的(1.9),归一化为32*24像素大小的图像,然后进入第五步。
6.如权利要求1所述轴承端面防尘盖品质监测系统,其特征是,所述第五步具体为:
(1)与第一步中的(10)相同,对灰度图像进行二值化后,提取字符(或缺陷)的二次轮廓特征,特征维数为224;
(2)与第一步中的(11)相同,通过2次小波分解,将二次轮廓特征向量进行分解,最终获得维数为56的小波二次轮廓特征;
(3)依次计算提取到的特征向量与模板中的特征向量的相关系数D(x,y):
其中x为(5.2)中提取的特征向量,y为模板中的特征向量;
(4)当相关系数D(x,y)最大,且超过预设值(一般预设值为0.95,根据需求可进行调整)时,该区域目标判别为对应的模板中的字符,如果相关系数的最大值没有超过预设值,则该区域目标为缺陷,标记该区域并输出结果;所有区域目标均判别为字符时,进入第六步。
7.如权利要求1所述轴承端面防尘盖品质监测系统,其特征是,所述第六步具体为:
(1)与第一步中的(12)相同,计算每个字符区域的中心坐标与轴承圆心坐标连接线的斜率,通过斜率对区域按顺时针方向进行排序;
(2)排序过后进行移位匹配,匹配度最高的排列顺序即和模板中的排列顺序是一致的,然后选出和模板中不一致的字符,并根据与对应位置的模板特征匹配度来判断是否存在缺陷,如果对应位置的模板特征匹配度超过预设值,则该区域为字符,反之则为缺陷,输出检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310084835.5A CN103226106B (zh) | 2013-03-15 | 2013-03-15 | 基于机器视觉的轴承防尘盖品质监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310084835.5A CN103226106B (zh) | 2013-03-15 | 2013-03-15 | 基于机器视觉的轴承防尘盖品质监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103226106A true CN103226106A (zh) | 2013-07-31 |
CN103226106B CN103226106B (zh) | 2016-02-24 |
Family
ID=48836633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310084835.5A Active CN103226106B (zh) | 2013-03-15 | 2013-03-15 | 基于机器视觉的轴承防尘盖品质监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103226106B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105067638A (zh) * | 2015-07-22 | 2015-11-18 | 广东工业大学 | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 |
CN105572136A (zh) * | 2015-12-15 | 2016-05-11 | 重庆瑞阳科技股份有限公司 | 一种外观缺陷测试中测试参数生成方法 |
CN106651850A (zh) * | 2016-12-28 | 2017-05-10 | 天津普达软件技术有限公司 | 一种检测包装盒喷印字符位置是否合格的方法 |
CN106651851A (zh) * | 2016-12-28 | 2017-05-10 | 天津普达软件技术有限公司 | 一种包装盒喷印字符超界不合格品的剔除方法 |
CN106778747A (zh) * | 2016-12-28 | 2017-05-31 | 天津普达软件技术有限公司 | 一种检测包装盒喷印字符位置偏移量的方法 |
CN107247057A (zh) * | 2017-06-09 | 2017-10-13 | 青岛软控机电工程有限公司 | 一种瓶盖表面生产日期缺陷检测方法 |
CN107328793A (zh) * | 2017-06-30 | 2017-11-07 | 航天新长征大道科技有限公司 | 一种基于机器视觉的饰品表面字印瑕疵检测方法和装置 |
CN109724990A (zh) * | 2019-01-08 | 2019-05-07 | 上海大学 | 一种包装盒标签中喷码区域的快速定位与检测方法 |
CN109785316A (zh) * | 2019-01-22 | 2019-05-21 | 湖南大学 | 一种芯片表观缺陷检测方法 |
CN111055021A (zh) * | 2019-12-28 | 2020-04-24 | 深圳市诺亚云谷科技有限公司 | 一种激光打标软件的视觉定位方法 |
CN111060527A (zh) * | 2019-12-30 | 2020-04-24 | 歌尔股份有限公司 | 一种字符缺陷检测方法及装置 |
CN112926589A (zh) * | 2021-03-18 | 2021-06-08 | 上海晨兴希姆通电子科技有限公司 | 环形字符分割识别方法及其系统 |
CN117031052A (zh) * | 2023-10-09 | 2023-11-10 | 广州市普理司科技有限公司 | 单张印刷品正反面视觉检测控制系统 |
CN117152180A (zh) * | 2023-10-31 | 2023-12-01 | 山东克莱蒙特新材料科技有限公司 | 基于人工智能的矿物铸件缺陷检测方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106290392A (zh) * | 2016-08-05 | 2017-01-04 | 宁波达尔机械科技有限公司 | 一种小微轴承表面凹痕缺陷在线检测方法及其系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6191850B1 (en) * | 1999-10-15 | 2001-02-20 | Cognex Corporation | System and method for inspecting an object using structured illumination |
US20040150815A1 (en) * | 2003-02-05 | 2004-08-05 | Applied Vision Company, Llc | Flaw detection in objects and surfaces |
CN101158650A (zh) * | 2007-11-09 | 2008-04-09 | 无锡东望科技有限公司 | 机器视觉系统对印花布瑕疵的在线检测方法 |
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 |
-
2013
- 2013-03-15 CN CN201310084835.5A patent/CN103226106B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6191850B1 (en) * | 1999-10-15 | 2001-02-20 | Cognex Corporation | System and method for inspecting an object using structured illumination |
US20040150815A1 (en) * | 2003-02-05 | 2004-08-05 | Applied Vision Company, Llc | Flaw detection in objects and surfaces |
CN101158650A (zh) * | 2007-11-09 | 2008-04-09 | 无锡东望科技有限公司 | 机器视觉系统对印花布瑕疵的在线检测方法 |
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 |
Non-Patent Citations (1)
Title |
---|
王永强: "机器视觉玻壳缺陷检测方法的研究", 《天津轻工业学院学报》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105067638A (zh) * | 2015-07-22 | 2015-11-18 | 广东工业大学 | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 |
CN105067638B (zh) * | 2015-07-22 | 2018-01-09 | 广东工业大学 | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 |
CN105572136A (zh) * | 2015-12-15 | 2016-05-11 | 重庆瑞阳科技股份有限公司 | 一种外观缺陷测试中测试参数生成方法 |
CN106651850A (zh) * | 2016-12-28 | 2017-05-10 | 天津普达软件技术有限公司 | 一种检测包装盒喷印字符位置是否合格的方法 |
CN106651851A (zh) * | 2016-12-28 | 2017-05-10 | 天津普达软件技术有限公司 | 一种包装盒喷印字符超界不合格品的剔除方法 |
CN106778747A (zh) * | 2016-12-28 | 2017-05-31 | 天津普达软件技术有限公司 | 一种检测包装盒喷印字符位置偏移量的方法 |
CN107247057B (zh) * | 2017-06-09 | 2020-02-28 | 青岛软控机电工程有限公司 | 一种瓶盖表面生产日期缺陷检测方法 |
CN107247057A (zh) * | 2017-06-09 | 2017-10-13 | 青岛软控机电工程有限公司 | 一种瓶盖表面生产日期缺陷检测方法 |
CN107328793A (zh) * | 2017-06-30 | 2017-11-07 | 航天新长征大道科技有限公司 | 一种基于机器视觉的饰品表面字印瑕疵检测方法和装置 |
CN109724990B (zh) * | 2019-01-08 | 2021-08-06 | 上海大学 | 一种包装盒标签中喷码区域的快速定位与检测方法 |
CN109724990A (zh) * | 2019-01-08 | 2019-05-07 | 上海大学 | 一种包装盒标签中喷码区域的快速定位与检测方法 |
CN109785316A (zh) * | 2019-01-22 | 2019-05-21 | 湖南大学 | 一种芯片表观缺陷检测方法 |
CN109785316B (zh) * | 2019-01-22 | 2022-12-02 | 湖南大学 | 一种芯片表观缺陷检测方法 |
CN111055021A (zh) * | 2019-12-28 | 2020-04-24 | 深圳市诺亚云谷科技有限公司 | 一种激光打标软件的视觉定位方法 |
CN111060527A (zh) * | 2019-12-30 | 2020-04-24 | 歌尔股份有限公司 | 一种字符缺陷检测方法及装置 |
CN112926589A (zh) * | 2021-03-18 | 2021-06-08 | 上海晨兴希姆通电子科技有限公司 | 环形字符分割识别方法及其系统 |
CN112926589B (zh) * | 2021-03-18 | 2023-10-10 | 上海晨兴希姆通电子科技有限公司 | 环形字符分割识别方法及其系统 |
CN117031052A (zh) * | 2023-10-09 | 2023-11-10 | 广州市普理司科技有限公司 | 单张印刷品正反面视觉检测控制系统 |
CN117031052B (zh) * | 2023-10-09 | 2024-01-09 | 广州市普理司科技有限公司 | 单张印刷品正反面视觉检测控制系统 |
CN117152180A (zh) * | 2023-10-31 | 2023-12-01 | 山东克莱蒙特新材料科技有限公司 | 基于人工智能的矿物铸件缺陷检测方法 |
CN117152180B (zh) * | 2023-10-31 | 2024-01-26 | 山东克莱蒙特新材料科技有限公司 | 基于人工智能的矿物铸件缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103226106B (zh) | 2016-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103226106A (zh) | 基于机器视觉的轴承防尘盖品质监测系统 | |
CN114757949B (zh) | 基于计算机视觉的电线电缆缺陷检测方法及系统 | |
WO2020248439A1 (zh) | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 | |
CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
CN104504388B (zh) | 一种路面裂缝识别和特征提取算法及系统 | |
CN102636490B (zh) | 基于机器视觉的轴承防尘盖表面缺陷检测方法 | |
CN104992449B (zh) | 基于机器视觉的信息识别及表面缺陷在线检测方法 | |
CN108355987B (zh) | 一种基于分块模板匹配的电池丝印质量检测方法 | |
CN102135416B (zh) | 瓶盖在线影像检测系统和方法 | |
CN109490316A (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
CN108596880A (zh) | 基于图像处理的焊接缺陷特征提取与焊接质量分析方法 | |
CN104574389A (zh) | 基于彩色机器视觉的电池片色差分选控制方法 | |
CN108802041B (zh) | 一种屏幕检测的小样本集快速换型的方法 | |
CN103729655A (zh) | 一种用于片式元件视觉定位的检测方法 | |
CN102305798A (zh) | 基于机器视觉的玻璃缺陷的检测与分类方法 | |
CN110108712A (zh) | 多功能视觉缺陷检测系统 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN110288561A (zh) | 基于频率域滤波增强的耐火砖表面划痕识别方法 | |
CN106651893A (zh) | 一种基于边缘检测的墙体裂缝识别方法 | |
CN110096980A (zh) | 字符检测识别系统 | |
CN106599890A (zh) | 变电站巡检机器人数字式仪表识别算法 | |
CN112465809B (zh) | 一种基于图像识别的模具缺陷检测方法、计算机可读存储介质及装置 | |
CN104700423A (zh) | 一种瓶盖检测方法和装置 | |
CN109781737A (zh) | 一种软管表面缺陷的检测方法及其检测系统 |
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 |