CN104964980A - 一种基于机器视觉的火花塞端面缺陷检测方法 - Google Patents
一种基于机器视觉的火花塞端面缺陷检测方法 Download PDFInfo
- Publication number
- CN104964980A CN104964980A CN201510305165.4A CN201510305165A CN104964980A CN 104964980 A CN104964980 A CN 104964980A CN 201510305165 A CN201510305165 A CN 201510305165A CN 104964980 A CN104964980 A CN 104964980A
- Authority
- CN
- China
- Prior art keywords
- circle
- image
- spark plug
- annulus
- center
- 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
Landscapes
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
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
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;
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;
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510305165.4A CN104964980B (zh) | 2015-06-05 | 2015-06-05 | 一种基于机器视觉的火花塞端面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510305165.4A CN104964980B (zh) | 2015-06-05 | 2015-06-05 | 一种基于机器视觉的火花塞端面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104964980A true CN104964980A (zh) | 2015-10-07 |
CN104964980B CN104964980B (zh) | 2017-11-17 |
Family
ID=54219026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510305165.4A Active CN104964980B (zh) | 2015-06-05 | 2015-06-05 | 一种基于机器视觉的火花塞端面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104964980B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105928951A (zh) * | 2016-06-20 | 2016-09-07 | 余洪山 | 一种基于机器视觉的透明对象端面缺陷检测方法 |
CN106153641A (zh) * | 2016-06-20 | 2016-11-23 | 余洪山 | 一种基于机器视觉的物品缺陷检测系统及方法 |
CN107966454A (zh) * | 2017-12-25 | 2018-04-27 | 陕西科技大学 | 一种基于fpga的端塞缺陷检测装置及检测方法 |
CN108447070A (zh) * | 2018-03-15 | 2018-08-24 | 中国科学院沈阳自动化研究所 | 一种基于像素向量不变关系特征的工业零件缺损检测算法 |
CN109712123A (zh) * | 2018-12-14 | 2019-05-03 | 成都安锐格智能科技有限公司 | 一种污渍检测方法 |
CN110044285A (zh) * | 2017-01-03 | 2019-07-23 | 东莞理工学院 | 一种能够焊接的火花塞的视觉检测机 |
CN110196252A (zh) * | 2019-06-03 | 2019-09-03 | 湖南大学 | 坡口缺陷检测算法及装置 |
CN111105413A (zh) * | 2019-12-31 | 2020-05-05 | 哈尔滨工程大学 | 一种智能火花塞外观缺陷检测系统 |
CN117670872A (zh) * | 2024-01-29 | 2024-03-08 | 江苏恒力化纤股份有限公司 | 一种筒纱纸管花纹快速识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6983065B1 (en) * | 2001-12-28 | 2006-01-03 | Cognex Technology And Investment Corporation | Method for extracting features from an image using oriented filters |
CN101526484A (zh) * | 2009-04-13 | 2009-09-09 | 江南大学 | 基于嵌入式机器视觉的轴承缺陷检测技术 |
US20130147946A1 (en) * | 2011-12-08 | 2013-06-13 | Samsung Techwin Co., Ltd. | Lens apparatus for inspecting object and machine vision system including the same |
CN103226106A (zh) * | 2013-03-15 | 2013-07-31 | 江南大学 | 基于机器视觉的轴承防尘盖品质监测系统 |
CN104280406A (zh) * | 2014-09-16 | 2015-01-14 | 中国科学院广州能源研究所 | 一种铜件表面缺陷检测的机器视觉系统 |
-
2015
- 2015-06-05 CN CN201510305165.4A patent/CN104964980B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6983065B1 (en) * | 2001-12-28 | 2006-01-03 | Cognex Technology And Investment Corporation | Method for extracting features from an image using oriented filters |
CN101526484A (zh) * | 2009-04-13 | 2009-09-09 | 江南大学 | 基于嵌入式机器视觉的轴承缺陷检测技术 |
US20130147946A1 (en) * | 2011-12-08 | 2013-06-13 | Samsung Techwin Co., Ltd. | Lens apparatus for inspecting object and machine vision system including the same |
CN103226106A (zh) * | 2013-03-15 | 2013-07-31 | 江南大学 | 基于机器视觉的轴承防尘盖品质监测系统 |
CN104280406A (zh) * | 2014-09-16 | 2015-01-14 | 中国科学院广州能源研究所 | 一种铜件表面缺陷检测的机器视觉系统 |
Non-Patent Citations (3)
Title |
---|
华才健 等: "基于机器视觉的火花塞间隙检测技术", 《中国测试》 * |
朱铮涛 等: "基于机器视觉的圆环电阻片缺陷检测算法研究", 《组合机床与自动化加工技术》 * |
陈勇: "基于机器视觉的表面缺陷检测系统的算法研究及软件设计", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106153641A (zh) * | 2016-06-20 | 2016-11-23 | 余洪山 | 一种基于机器视觉的物品缺陷检测系统及方法 |
CN105928951A (zh) * | 2016-06-20 | 2016-09-07 | 余洪山 | 一种基于机器视觉的透明对象端面缺陷检测方法 |
CN110044285A (zh) * | 2017-01-03 | 2019-07-23 | 东莞理工学院 | 一种能够焊接的火花塞的视觉检测机 |
CN110068281A (zh) * | 2017-01-03 | 2019-07-30 | 东莞理工学院 | 一种用于火花塞视觉检测的载料机构 |
CN107966454A (zh) * | 2017-12-25 | 2018-04-27 | 陕西科技大学 | 一种基于fpga的端塞缺陷检测装置及检测方法 |
CN108447070A (zh) * | 2018-03-15 | 2018-08-24 | 中国科学院沈阳自动化研究所 | 一种基于像素向量不变关系特征的工业零件缺损检测算法 |
CN108447070B (zh) * | 2018-03-15 | 2021-08-10 | 中国科学院沈阳自动化研究所 | 一种基于像素向量不变关系特征的工业零件缺损检测算法 |
CN109712123A (zh) * | 2018-12-14 | 2019-05-03 | 成都安锐格智能科技有限公司 | 一种污渍检测方法 |
CN110196252A (zh) * | 2019-06-03 | 2019-09-03 | 湖南大学 | 坡口缺陷检测算法及装置 |
CN111105413A (zh) * | 2019-12-31 | 2020-05-05 | 哈尔滨工程大学 | 一种智能火花塞外观缺陷检测系统 |
CN111105413B (zh) * | 2019-12-31 | 2021-05-14 | 哈尔滨工程大学 | 一种智能火花塞外观缺陷检测系统 |
CN117670872A (zh) * | 2024-01-29 | 2024-03-08 | 江苏恒力化纤股份有限公司 | 一种筒纱纸管花纹快速识别方法 |
CN117670872B (zh) * | 2024-01-29 | 2024-06-18 | 江苏恒力化纤股份有限公司 | 一种筒纱纸管花纹快速识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104964980B (zh) | 2017-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104964980A (zh) | 一种基于机器视觉的火花塞端面缺陷检测方法 | |
CN103534583B (zh) | 轮胎的缺陷检测方法 | |
WO2020248439A1 (zh) | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN101571419B (zh) | 采用图像分割的汽车仪表led指示灯自动检验方法 | |
CN103839268B (zh) | 一种地铁隧道表面裂缝的检测方法 | |
CN107742286B (zh) | 一种多晶硅太阳能电池片el测试裂纹缺陷检测方法 | |
CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
CN107239742B (zh) | 一种仪表指针刻度值计算方法 | |
CN108802041B (zh) | 一种屏幕检测的小样本集快速换型的方法 | |
CN102288613A (zh) | 一种灰度和深度信息融合的表面缺陷检测方法 | |
CN103226106A (zh) | 基于机器视觉的轴承防尘盖品质监测系统 | |
CN105139386A (zh) | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 | |
CN107884413A (zh) | 一种自动检测轴承滚动体缺失的装置及检测方法 | |
CN105403147A (zh) | 一种基于嵌入式的瓶胚检测系统和检测方法 | |
CN102706881A (zh) | 基于机器视觉的布匹瑕疵检测方法 | |
US9996766B2 (en) | Imaging-based methods for detecting and measuring defects in extruded cellular ceramic articles | |
CN109916913A (zh) | 一种基于机器视觉的智能制造产品识别与检测方法 | |
CN102663386B (zh) | 机械轴承环形分布压印字符的在线检测方法 | |
CN110232682B (zh) | 一种基于图像的轨道异物探测方法 | |
CN110108712A (zh) | 多功能视觉缺陷检测系统 | |
CN102129685B (zh) | 一种基于高斯金字塔分解的不规则圆检测方法 | |
CN103345632A (zh) | 一种电池尾端表面划痕缺陷检测方法 | |
CN110007493A (zh) | 液晶显示屏中碎亮点检测方法 | |
CN113658092A (zh) | 一种基于图像处理的铝电解电容缺陷检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |