CN104112123A - 一种用于子弹表观缺陷检测的aoi系统的缺陷特征提取与识别方法 - Google Patents
一种用于子弹表观缺陷检测的aoi系统的缺陷特征提取与识别方法 Download PDFInfo
- Publication number
- CN104112123A CN104112123A CN201410324342.9A CN201410324342A CN104112123A CN 104112123 A CN104112123 A CN 104112123A CN 201410324342 A CN201410324342 A CN 201410324342A CN 104112123 A CN104112123 A CN 104112123A
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- value
- area
- bullet
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种用于子弹表观缺陷检测的AOI系统的缺陷特征提取与识别方法,包括(1)通过AOI系统获得子弹表面图像,并以此获得连通域标记图像;(2)根据期望预设待检的已知缺陷种类,并获取判定每种缺陷所需的图像特征;(3)将所有所需的图像特征与连通域标记图像的参数进行关联,转化为相应的计算通式,并预设图像特征的标准阀值;(4)对连通域标记图像上的每个连通域进行图像特征计算,将结果与标准阀值对比,确定缺陷的类型。本发明通过对子弹构造及其表观缺陷的分析,针对性地设计了在使用AOI系统对其表观缺陷检测时各种缺陷的图像特征,将其数据化,再结合图像处理数据的对比判断,得出有效全面的缺陷结果,填补了该领域的技术空白。
Description
技术领域
本发明涉及图像特征提取识别领域,特别是涉及一种用于子弹表观缺陷检测的AOI系统的缺陷特征提取与识别方法。
背景技术
AOI(Automatic Optic Inspection),又称为自动光学检测,是以运动机器视觉作为基础技术,作为改良传统上以人力使用光学仪器进行检测的缺点,提高光学影像检测系统精度和速度而诞生的一门技术。
现有技术中未见到有将AOI系统针对子弹表观缺陷检测进行的应用,虽然用光学方式获得被测物体图形,并采用传感器获取被测物照明后的数字图像,在对图像进行处理后进行比较、分析和判断是AOI技术的基本原理,但在针对子弹表观缺陷检测时如何提取缺陷特征并予以识别在技术方面仍是一片空白。
发明内容
为了解决上述现有技术中的问题,本发明提供一种设计合理、检测全面的用于子弹表观缺陷检测的AOI系统的缺陷特征提取与识别方法。
为了实现上述目的,本发明采用的技术方案如下:
一种用于子弹表观缺陷检测的AOI系统的缺陷特征提取与识别方法,包括如下步骤:
(1)通过AOI系统获得子弹表面图像,并以此获得连通域标记图像;
(2)根据子弹表观缺陷检测的期望预设待检的已知缺陷种类,并获取判定每种缺陷所需的图像特征;
(3)将所有所需的图像特征与连通域标记图像的参数进行关联,转化为相应的计算通式,并预设图像特征的标准阀值;
(4)对连通域标记图像上的每个连通域进行图像特征计算,将结果与标准阀值对比,确定缺陷的类型。
其中,所述步骤(1)中采用区域增长法或标记算法获得连通域标记图像。
进一步地,所述步骤(2)中的所有图像特征至少包括连通域的面积、重心、外接矩阵、缺陷长轴、缺陷倾角、缺陷长宽比和灰度值。
更具体的,所述步骤(3)中图像特征对应的计算通式分别如下:
在连通域标记为i的缺陷区域面积其中(x,y)表示像素点的坐标,Ri为被标记为i的所有像素点的集合;
缺陷区域的重心中,横坐标均值为纵坐标均值为
缺陷区域的外接矩阵的左上角坐标(xa,ya)为 该外界矩阵的长La和宽Wa为
缺陷长轴的值其中(x1,y1)和(x2,y2)是一条过重心的直线与缺陷区域边缘相交的两点;
缺陷倾角即为缺陷长轴方向与x轴方向的夹角其中(xc,yc)为长轴与x轴的交点;
缺陷长宽比其中A为缺陷长轴的长度,B为短轴的长度,所谓短轴是指垂直于缺陷长轴且过重心的直线与缺陷区域边缘相交两点间的长度;
最大灰度值和最小灰度值 平均灰度值 灰度的标准差
更进一步地,所述缺陷的类型及其标准阀值如下:
(I)道线:长宽比大于30:1,外接矩形长宽比不小于30:1,倾斜角度在-5°和5°之间,平均灰度在100到180之间;
(II)口部卡伤:长宽比在1到5之间,最小灰度值小于10,以重心为中心半径小于300的圆形区域内存在至少一个区域,且该区域的长宽比在0.2到5之间,最大灰度值大于150;
(III)划痕:长宽比在5到20之间,且平均灰度值小于40或者大于100;
(IV)穿孔:长宽比在1到2之间,面积大于400,最低灰度值为0,且灰度值为0的像素个数大于10;
(V)裂痕:长宽比在5到30之间,最低灰度值为0,且灰度值为0的像素个数大于10个,以重心为中心半径小于300的圆形区域内存在至少一个区域,且该区域的长宽比在5到30之间,最大灰度值等于255,最高灰度值为255的像素点个数大于10;
(VI)锈蚀:长宽比在0.2到5之间,且平均灰度值在30到55之间;
(VII)油漆涂错:面积大于10000,平均灰度值大于50,或者最小灰度值小于5的面积大于1000,颜色较暗;
(VIII)露钢:面积大于10000,平均灰度值小于100,或者最小灰度值小于20的面积大于1000;
(IX)亮点:面积小于200,平均灰度值要大于200。
与现有技术相比,本发明具有以下有益效果:
本发明通过对子弹构造及其表观缺陷的分析,有针对性地设计了在使用AOI系统对其表观缺陷检测时各种缺陷的图像特征,将其数据化,再结合图像处理数据的对比判断,得出有效全面的缺陷结果,填补了该领域的技术空白,具有突出的实质性特点和显著的进步。
具体实施方式
下面结合实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。
实施例
该用于子弹表观缺陷检测的AOI系统的缺陷特征提取与识别方法,包括如下步骤:
(1)通过AOI系统获得子弹表面图像,并以此获得连通域标记图像;
(2)根据子弹表观缺陷检测的期望预设待检的已知缺陷种类,并获取判定每种缺陷所需的图像特征;
(3)将所有所需的图像特征与连通域标记图像的参数进行关联,转化为相应的计算通式,并预设图像特征的标准阀值;
(4)对连通域标记图像上的每个连通域进行图像特征计算,将结果与标准阀值对比,确定缺陷的类型。
其中,所述步骤(1)中采用区域增长法或标记算法获得连通域标记图像。并且,为了便于更好地理解本发明内容,本实施例还提供了一种便于快速处理图像的基于等价对的连通域标记算法,具体过程如下:
(a)按从左至右、从上到下的顺序扫描由子弹表观图像转化的二值化图像中的像素点灰度值,并做出初步的标记,若当前像素点的灰度值为0,则设该点为背景点,不做任何处理,若当前点像素为255,则将其初始标记值设为0,进行下一步;其中,根据现有技术能够实现由子弹表观图像到其二值化图像的转化,本实施例中不再赘述;
(b)根据该当前点的位置与其右上、正上、左上、左前各点进行判断,并进行相应标记;
(c)若该当前点为图像在左上角的点,则标记值加1,并将该标记值作为当前点的标记值;此时不考虑等价对;
(d)当前点位于第一行且不在第一列时,其只与其左前点进行比较,若左前点被标记过,则当前点的标记值取左前点的标记值,若左前点没有被标记过,则标记值加1,然后将该标记值作为当前点的标记值;此时不考虑等价对;
(e)当前点位于第一列且不在第一行时,将其与其右上和正上的像素点进行比较,若该两个点的标记值都没有被标记过,则标记值加1,然后将该标记值作为当前点的标记值,若其中只有一个点被标记过,则当前点的标记值取被标记过的点的标记值,若两个点均被标记过,当前点取正上点的标记值;当两个点均被标记过且标记值不同时,将其正上点记录到等价对表中;
(f)当前点位于最后一列且不在第一行,将其与其正上、左上、左前的三个像素点进行比较,若该三个点都没有被标记过,则标记值加1,然后将该标记值作为当前点的标记值,若其中只有一个点被标记过,则将当前点的标记值取这个点的标记值,若有两个或者三个点被标记过且标记值相同,直接将当前点的标记值取与这些点相同的值,若有两个或者三个点被标记过且标记值不同,则按照左前、左上、正上的先后顺序,将最先有标记值的点的标记值作为当前等的标记值;当有两个或者三个点被标记过且标记值不同时,将按其顺序最先有标记值的点记录到等价对表中;
(g)当前点不在上述(c)~(f)所述位置时,将其与其右上、正上、左上、左前的四个像素点进行比较,若四个点都没有被标记过,则标记值加1,然后将该标记值作为当前点的标记值,若有一个点被标记过或者有多个被标记的点且标记值相同,则将该标记值作为当前点的标记值,若有两个或者两个以上的点被标记过且标记值不相等,则按照左前、左上、正上、右上的先后顺序,将最先有标记值的点的标记值设为当前点的标记值;当有两个或者两个以上的点被标记过且标记值不相等,将按其顺序最先有标记值的点记录到等价对表中;
(h)通过步骤(e)(f)(g)建立等价对表;
(i)对做了标记后的图像进行二次扫描,将满足条件的等价对进行相应的替换,合并等价连通域,消除连通域标记冲突,便可获得连通域标记图像。
进一步地,所述步骤(2)中的所有图像特征至少包括连通域的面积、重心、外接矩阵、缺陷长轴、缺陷倾角、缺陷长宽比和灰度值。
更具体的,所述步骤(3)中图像特征对应的计算通式分别如下:
在连通域标记为i的缺陷区域面积其中(x,y)表示像素点的坐标,Ri为被标记为i的所有像素点的集合;
缺陷区域的重心中,横坐标均值为纵坐标均值为
缺陷区域的外接矩阵的左上角坐标(xa,ya)为 该外界矩阵的长La和宽Wa为
缺陷长轴的值其中(x1,y1)和(x2,y2)是一条过重心的直线与缺陷区域边缘相交的两点;
缺陷倾角即为缺陷长轴方向与x轴方向的夹角其中(xc,yc)为长轴与x轴的交点;
缺陷长宽比其中A为缺陷长轴的长度,B为短轴的长度,所谓短轴是指垂直于缺陷长轴且过重心的直线与缺陷区域边缘相交两点间的长度;
最大灰度值和最小灰度值 平均灰度值 灰度的标准差
更进一步地,所述缺陷的类型及其标准阀值如下:
(I)道线:长宽比大于30:1,外接矩形长宽比不小于30:1,倾斜角度在-5°和5°之间,平均灰度在100到180之间;
(II)口部卡伤:长宽比在1到5之间,最小灰度值小于10,以重心为中心半径小于300的圆形区域内存在至少一个区域,且该区域的长宽比在0.2到5之间,最大灰度值大于150;
(III)划痕:长宽比在5到20之间,且平均灰度值小于40或者大于100;
(IV)穿孔:长宽比在1到2之间,面积大于400,最低灰度值为0,且灰度值为0的像素个数大于10;
(V)裂痕:长宽比在5到30之间,最低灰度值为0,且灰度值为0的像素个数大于10个,以重心为中心半径小于300的圆形区域内存在至少一个区域,且该区域的长宽比在5到30之间,最大灰度值等于255,最高灰度值为255的像素点个数大于10;
(VI)锈蚀:长宽比在0.2到5之间,且平均灰度值在30到55之间;
(VII)油漆涂错:面积大于10000,平均灰度值大于50,或者最小灰度值小于5的面积大于1000,颜色较暗;
(VIII)露钢:面积大于10000,平均灰度值小于100,或者最小灰度值小于20的面积大于1000;
(IX)亮点:面积小于200,平均灰度值要大于200。
通过该过程,便能很好地识别子弹表观缺陷,填补了该领域的技术空白。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
按照上述实施例,便可很好地实现本发明。值得说明的是,基于上述结构设计的前提下,为解决同样的技术问题,即使在本发明上做出的一些无实质性的改动或润色,所采用的技术方案的实质仍然与本发明一致的,也应当在本发明的保护范围内。
Claims (5)
1.一种用于子弹表观缺陷检测的AOI系统的缺陷特征提取与识别方法,其特征在于,包括如下步骤:
(1)通过AOI系统获得子弹表面图像,并以此获得连通域标记图像;
(2)根据子弹表观缺陷检测的期望预设待检的已知缺陷种类,并获取判定每种缺陷所需的图像特征;
(3)将所有所需的图像特征与连通域标记图像的参数进行关联,转化为相应的计算通式,并预设图像特征的标准阀值;
(4)对连通域标记图像上的每个连通域进行图像特征计算,将结果与标准阀值对比,确定缺陷的类型。
2.根据权利要求1所述的一种用于子弹表观缺陷检测的AOI系统的缺陷特征提取与识别方法,其特征在于,所述步骤(1)中采用区域增长法或标记算法获得连通域标记图像。
3.根据权利要求1或2所述的一种用于子弹表观缺陷检测的AOI系统的缺陷特征提取与识别方法,其特征在于,所述步骤(2)中的所有图像特征至少包括连通域的面积、重心、外接矩阵、缺陷长轴、缺陷倾角、缺陷长宽比和灰度值。
4.根据权利要求3所述的一种用于子弹表观缺陷检测的AOI系统的缺陷特征提取与识别方法,其特征在于,所述步骤(3)中图像特征对应的计算通式分别如下:
在连通域标记为i的缺陷区域面积其中(x,y)表示像素点的坐标,Ri为被标记为i的所有像素点的集合;
缺陷区域的重心中,横坐标均值为纵坐标均值为
缺陷区域的外接矩阵的左上角坐标(xa,ya)为 该外界矩阵的长La和宽Wa为
缺陷长轴的值其中(x1,y1)和(x2,y2)是一条过重心的直线与缺陷区域边缘相交的两点;
缺陷倾角即为缺陷长轴方向与x轴方向的夹角其中(xc,yc)为长轴与x轴的交点;
缺陷长宽比其中A为缺陷长轴的长度,B为短轴的长度,所谓短轴是指垂直于缺陷长轴且过重心的直线与缺陷区域边缘相交两点间的长度;
最大灰度值和最小灰度值 平均灰度值 灰度的标准差
5.根据权利要求4所述的一种用于子弹表观缺陷检测的AOI系统的缺陷特征提取与识别方法,其特征在于,所述缺陷的类型及其标准阀值如下:
(I)道线:长宽比大于30:1,外接矩形长宽比不小于30:1,倾斜角度在-5°和5°之间,平均灰度在100到180之间;
(II)口部卡伤:长宽比在1到5之间,最小灰度值小于10,以重心为中心半径小于300的圆形区域内存在至少一个区域,且该区域的长宽比在0.2到5之间,最大灰度值大于150;
(III)划痕:长宽比在5到20之间,且平均灰度值小于40或者大于100;
(IV)穿孔:长宽比在1到2之间,面积大于400,最低灰度值为0,且灰度值为0的像素个数大于10;
(V)裂痕:长宽比在5到30之间,最低灰度值为0,且灰度值为0的像素个数大于10个,以重心为中心半径小于300的圆形区域内存在至少一个区域,且该区域的长宽比在5到30之间,最大灰度值等于255,最高灰度值为255的像素点个数大于10;
(VI)锈蚀:长宽比在0.2到5之间,且平均灰度值在30到55之间;
(VII)油漆涂错:面积大于10000,平均灰度值大于50,或者最小灰度值小于5的面积大于1000,颜色较暗;
(VIII)露钢:面积大于10000,平均灰度值小于100,或者最小灰度值小于20的面积大于1000;
(IX)亮点:面积小于200,平均灰度值要大于200。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410324342.9A CN104112123A (zh) | 2014-07-09 | 2014-07-09 | 一种用于子弹表观缺陷检测的aoi系统的缺陷特征提取与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410324342.9A CN104112123A (zh) | 2014-07-09 | 2014-07-09 | 一种用于子弹表观缺陷检测的aoi系统的缺陷特征提取与识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104112123A true CN104112123A (zh) | 2014-10-22 |
Family
ID=51708908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410324342.9A Pending CN104112123A (zh) | 2014-07-09 | 2014-07-09 | 一种用于子弹表观缺陷检测的aoi系统的缺陷特征提取与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104112123A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097344A (zh) * | 2016-06-15 | 2016-11-09 | 武汉理工大学 | 一种检测轮胎橡胶中几何形杂质的图像处理方法及系统 |
CN108345888A (zh) * | 2018-02-11 | 2018-07-31 | 浙江华睿科技有限公司 | 一种连通域提取方法及装置 |
CN108827181A (zh) * | 2018-03-14 | 2018-11-16 | 浙江大学山东工业技术研究院 | 一种基于视觉的板材表面检测方法 |
CN111337512A (zh) * | 2020-05-22 | 2020-06-26 | 深圳新视智科技术有限公司 | 用于aoi缺陷检测的缺陷提取方法 |
CN113538339A (zh) * | 2021-06-18 | 2021-10-22 | 杭州类脑科技有限公司 | 一种基于医学影像的长短径估算方法 |
CN114240920A (zh) * | 2021-12-24 | 2022-03-25 | 苏州凌云视界智能设备有限责任公司 | 一种外观缺陷检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4150390B2 (ja) * | 2005-09-14 | 2008-09-17 | Tdk株式会社 | 外観検査方法及び外観検査装置 |
CN102590330A (zh) * | 2011-12-29 | 2012-07-18 | 南京理工大学常熟研究院有限公司 | 基于图像处理的磁粉探伤缺陷智能识别检测系统 |
CN103196372A (zh) * | 2013-04-11 | 2013-07-10 | 北京和润科仪科技有限公司 | 一种电气化铁路接触网支持装置的光学成像检测方法 |
-
2014
- 2014-07-09 CN CN201410324342.9A patent/CN104112123A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4150390B2 (ja) * | 2005-09-14 | 2008-09-17 | Tdk株式会社 | 外観検査方法及び外観検査装置 |
CN102590330A (zh) * | 2011-12-29 | 2012-07-18 | 南京理工大学常熟研究院有限公司 | 基于图像处理的磁粉探伤缺陷智能识别检测系统 |
CN103196372A (zh) * | 2013-04-11 | 2013-07-10 | 北京和润科仪科技有限公司 | 一种电气化铁路接触网支持装置的光学成像检测方法 |
Non-Patent Citations (2)
Title |
---|
刘建强: ""子弹表面缺陷在线检测关键技术的研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
左敏 等: ""基于等价对的图像连通域标记算法"", 《计算机仿真》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097344A (zh) * | 2016-06-15 | 2016-11-09 | 武汉理工大学 | 一种检测轮胎橡胶中几何形杂质的图像处理方法及系统 |
CN108345888A (zh) * | 2018-02-11 | 2018-07-31 | 浙江华睿科技有限公司 | 一种连通域提取方法及装置 |
CN108827181A (zh) * | 2018-03-14 | 2018-11-16 | 浙江大学山东工业技术研究院 | 一种基于视觉的板材表面检测方法 |
CN111337512A (zh) * | 2020-05-22 | 2020-06-26 | 深圳新视智科技术有限公司 | 用于aoi缺陷检测的缺陷提取方法 |
CN111337512B (zh) * | 2020-05-22 | 2020-09-08 | 深圳新视智科技术有限公司 | 用于aoi缺陷检测的缺陷提取方法 |
CN113538339A (zh) * | 2021-06-18 | 2021-10-22 | 杭州类脑科技有限公司 | 一种基于医学影像的长短径估算方法 |
CN114240920A (zh) * | 2021-12-24 | 2022-03-25 | 苏州凌云视界智能设备有限责任公司 | 一种外观缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104504388B (zh) | 一种路面裂缝识别和特征提取算法及系统 | |
CN104112123A (zh) | 一种用于子弹表观缺陷检测的aoi系统的缺陷特征提取与识别方法 | |
CN105046700B (zh) | 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统 | |
CN104537651B (zh) | 一种路面图像中裂缝比例检测方法及系统 | |
CN106546263B (zh) | 一种基于机器视觉的激光水平仪出射激光线检测方法 | |
CN105913093A (zh) | 一种用于文字识别处理的模板匹配方法 | |
CN105158258A (zh) | 一种基于计算机视觉的竹条表面缺陷检测方法 | |
CN104122271A (zh) | 一种基于aoi的子弹表观缺陷检测方法 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN106557764A (zh) | 一种基于二进制编码字符水尺和图像处理的水位识别方法 | |
CN107967681B (zh) | 一种基于机器视觉的电梯补偿链冲伤缺陷检测方法 | |
CN104990926A (zh) | 一种基于视觉的tr元件定位和缺陷检测方法 | |
CN109409290B (zh) | 一种温度表检定读数自动识别系统及方法 | |
CN103439348A (zh) | 基于差影法的遥控器按键缺陷检测方法 | |
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 | |
CN105760869B (zh) | 一种基于图像灰度识别及处理的阅卷方法 | |
CN113298769B (zh) | Fpc软排线外观缺陷检测方法、系统和介质 | |
CN107679479A (zh) | 一种基于图像形态学处理的客观填涂识别方法 | |
CN114708325A (zh) | 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法 | |
CN104700423A (zh) | 一种瓶盖检测方法和装置 | |
CN116485764A (zh) | 一种结构表面缺陷识别方法、系统、终端及介质 | |
CN103258218A (zh) | 蒙版检测框架生成方法、装置、缺陷检测方法及装置 | |
CN114882010A (zh) | 基于图片识别的表面缺陷检测方法 | |
CN116309447B (zh) | 一种基于深度学习的水坝斜坡裂缝检测方法 | |
CN102313740A (zh) | 太阳能电池板裂痕检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20141022 |
|
RJ01 | Rejection of invention patent application after publication |