CN104964980A - 一种基于机器视觉的火花塞端面缺陷检测方法 - Google Patents

Abstract

本发明一种基于机器视觉的火花塞端面缺陷检测方法，该方法首先采集火花塞端面图像，对采集的图像首先获取其中表示火花塞端面的圆环图像，然后寻找出圆环的外圆与内圆，及圆环的圆心等信息，最后对圆环图像经过极坐标变换，转换为矩形，最后对矩形进行滤波、去噪等处理找出火花塞的缺陷部位。本发明具有成本低廉、检测效率高的优点。

Description

一种基于机器视觉的火花塞端面缺陷检测方法

技术领域

本发明涉及一种火花塞端面缺陷检测的算法。

背景技术

火花塞在加工过程中，火花塞壳体表面会产生划痕、凹坑等缺陷，从而影响产品质量。所以在火花塞的生产过程中，要严格杜绝此类次品流入下一道加工工序，防止残次品流入市场，造成恶劣影响。而针对这类的缺陷，现有检验方式是采用人工目视的方式，单个工人产时间目视检验，会产生眼睛疲劳，这就可能致使误检漏检情况的产生，甚至在一定程度上会降低生产率，影响产品质量。

本发明所述的算法应用在该类产品的视觉检测系统上，可以最大程度的降低检测的人力成本，提高生产效率，实现工业化的生产。

发明内容

本发明所要解决的技术问题是设计一种能够方便、快速、低成本的对火花塞端面缺陷自动检测方法。

本发明的技术方案为一种基于机器视觉的火花塞端面缺陷检测方法，该方法包括：

步骤1：采集火花塞端面的清晰图像；

步骤2：对采集到的图像进行二值化，并标记连通区域，再根据外接面积最大的矩形提取表示火花塞端面圆环；

步骤3：确定圆环外圆的每一行像素的左右边界，并求出其中点；

步骤4：对步骤3获得的所有中点求均值，获得外圆心的纵向坐标；

步骤5：采用与步骤3、步骤4相同的方法获得外圆心的横向坐标；

步骤6：确定圆环内圆的每一行像素的左右边界，采用与上述步骤3、4、5相同的方法获得内圆的圆心坐标；

步骤7：根据外圆圆心与内圆圆心的距离，判断火花塞是否合格，若合格则取两圆心的均值为圆环圆心；

步骤8：提取圆环边缘，首先统计外圆边缘点到圆心的距离，认定距离数目多的为外圆的半径；

步骤9：采用与步骤8相同的方法获得内圆的半径；

步骤10：根据以上步骤获得圆环信息，将步骤1采集的图像中的圆环通过极坐标变换，转换为矩形；

步骤11：对获得矩形进行形态学运算滤波、去噪，用于过滤掉不属于凹坑和划痕的杂质背景；

步骤12：标记连通区域，寻找出缺陷部位。

其中，步骤11的具体步骤为：

步骤11-1：对图像进行中值滤波，滤除杂质点；

步骤11-2：对图像用局部阈值分割法分割图像，得到二值图；

步骤11-3：对图像进行横向膨胀，使得断开的凹坑可以连在一起；

步骤11-4：对图像进行纵向腐蚀，腐蚀大小根据缺陷大小的判定来确定，通过腐蚀可以滤除条纹杂质；

步骤11-5：对图像进行横向腐蚀；

步骤11-6：对图像进行纵向膨胀，以完成前两步的闭合操作。

其中，所述步骤12的具体步骤为：

步骤12-1：对步骤11获得的二值图进行连通域标记；

步骤12-2：提取各连通域中的图像，标记各连通域的位置及形态，即为缺陷位置。

本发明一种基于机器视觉的火花塞端面缺陷检测方法，该方法首先采集火花塞端面图像，对采集的图像首先获取其中表示火花塞端面的圆环图像，再寻找出圆环的外圆与内圆，及圆环的圆心等信息，最后对圆环图像经过极坐标变换，转换为矩形，最后对矩形进行滤波、去噪等处理找出火花塞的缺陷部位，从而本发明具有检测方便、成本低廉、效率高的优点。

附图说明

图1为火花塞端面凹坑缺陷沿径向较长示意图

图2是本发明的待处理图样。

图3是圆环检测效果图。

图4是转换为矩形后效果图。

图5是圆环检测流程图。

图6是圆环缺陷检测流程图。

具体实施方式

下面结合附图，对本发明中火花塞端面缺陷的检测方法进行详细说明：

火花塞的端面缺陷，根据其可能造成的油气泄漏的原因，该类缺陷一般表现为沿端面径向的缺陷长度较长。如图1所示：

此外，由于生产车间的粉尘较大，造成端面出现细小斑点，容易导致误检率过高。其次由于工艺的原因，火花塞端面会有一些车痕，这些车痕在端面表现为环向的划痕，容易误判为缺陷。另外，生产线上有油污存在，这些因素都会给端面的正确检测带来困难。如图1中，只有箭头处为缺陷，其余位置的暗斑均不算做缺陷。本发明为解决上述问题，降低火花塞误检率，提出如下的解决方案。

步骤1：采集火花塞端面的清晰图像；

步骤2：对采集到的图像进行二值化，并标记连通区域，再根据外接面积最大的矩形提取表示火花塞端面圆环；

步骤3：确定圆环外圆的每一行像素的左右边界，并求出其中点；

步骤4：对步骤3获得的所有中点求均值，获得外圆心的纵向坐标；

步骤5：采用与步骤3、步骤4相同的方法获得外圆心的横向坐标；

步骤6：确定圆环内圆的每一行像素的左右边界，采用与上述步骤3、4、5相同的方法获得内圆的圆心坐标；

步骤7：根据外圆圆心与内圆圆心的距离，判断火花塞是否合格，若合格则取两圆心的均值为圆环圆心；

步骤8：提取圆环边缘，首先统计外圆边缘点到圆心的距离，认定距离数目多的为外圆的半径；

步骤9：采用与步骤8相同的方法获得内圆的半径；

上述步骤用于提取圆环、圆心及内外径检测

为获得缺陷的位置信息，首先需要对火花塞的端面进行提取，这就需要对图像检测圆环信息。传统的霍夫圆算法消耗时间较长，不能满足快速生产的要求，本发明在霍夫圆算法的基础上进行改进，提出了一种更高效、准确的算法。

步骤10：根据以上步骤获得圆环信息，将步骤1采集的图像中的圆环通过极坐标变换，转换为矩形；

$\left\{\begin{array}{c}{x}^{\′}=\cos \left(\frac{2\mathrm{\πx}}{2\mathrm{\πR}}\right)(y+r)+\mathrm{cx}\\ y^{\′}=\sin \left(\frac{2\mathrm{\πx}}{2\mathrm{\πR}}\right)(y+r)+\mathrm{cy}\end{array}\right.---\left(1\right)$

步骤11：对获得矩形进行形态学运算滤波、去噪，用于过滤掉不属于凹坑和划痕的杂质背景；

步骤12：标记连通区域，寻找出缺陷部位。

其中，步骤11是根据图1中缺陷凹坑的判定特性提出的。具体步骤为：

步骤11-1：对图像进行中值滤波，滤除杂质点；

步骤11-2：对图像用局部阈值分割法分割图像，得到二值图；

步骤11-3：对图像进行横向膨胀，使得断开的凹坑可以连在一起；

步骤11-4：对图像进行纵向腐蚀，腐蚀大小根据缺陷大小的判定来确定，通过腐蚀可以滤除条纹杂质；

步骤11-5：对图像进行横向腐蚀；

步骤11-6：对图像进行纵向膨胀，以完成前两步的闭合操作。

其中，步骤12的具体步骤为：

步骤12-1：连通域标记步骤10-6中的二值图；

步骤12-2：提取各连通域中的图像，标记各连通域的位置及形态，即为缺陷位置。

Claims (3)

1.一种基于机器视觉的火花塞端面检测方法，该方法包括：

步骤1：采集火花塞端面的清晰图像；

步骤2：对采集到的图像进行二值化，并标记连通区域，再根据外接面积最大的矩形提取表示火花塞端面圆环；

步骤3：确定圆环外圆的每一行像素的左右边界，并求出其中点；

步骤4：对步骤3获得的所有中点求均值，获得外圆心的纵向坐标；

步骤5：采用与步骤3、步骤4相同的方法获得外圆心的横向坐标；

步骤6：确定圆环内圆的每一行像素的左右边界，采用与上述步骤3、4、5相同的方法获得内圆的圆心坐标；

步骤7：根据外圆圆心与内圆圆心的距离，判断火花塞是否合格，若合格则取两圆心的均值为圆环圆心；

步骤8：提取圆环边缘，首先统计外圆边缘点到圆心的距离，认定距离数目多的为外圆的半径；

步骤9：采用与步骤8相同的方法获得内圆的半径；

步骤10：根据以上步骤获得圆环信息，将步骤1采集的图像中的圆环通过极坐标变换，转换为矩形；

$\left\{\begin{array}{c}{x}^{\′}-\cos \left(\frac{2\mathrm{\πx}}{2\mathrm{\πR}}\right)(y+r)+\mathrm{cx}\\ y^{\′}=\sin \left(\frac{2\mathrm{\πx}}{2\mathrm{\πR}}\right)(y+r)+\mathrm{cy}\end{array}\right.---\left(1\right)$

步骤10：对获得矩形进行形态学运算滤波、去噪，用于过滤掉不属于凹坑和划痕的杂质背景；

步骤11：标记连通区域，寻找出缺陷部位。

2.如权利要求1所述的一种基于机器视觉的火花塞端面检测方法，其特征在于步骤2-9所述的圆环提取算法。

3.如权利要求1所述的一种基于机器视觉的火花塞端面检测方法，其特征在于步骤10所述的具体步骤为：

步骤10-1：对图像进行中值滤波，滤除杂质点；

步骤10-2：对图像用局部阈值分割法分割图像，得到二值图；

步骤10-3：对图像进行横向膨胀，使得断开的凹坑可以连在一起；

步骤10-4：对图像进行纵向腐蚀，腐蚀大小根据缺陷大小的判定来确定，通过腐蚀可以滤除条纹杂质；

步骤10-5：对图像进行横向腐蚀；

步骤10-6：对图像进行纵向膨胀，以完成前两步的闭合操作。