CN105548208B - 一种基于机器视觉的陶瓷阀芯表面缺陷检测方法 - Google Patents

一种基于机器视觉的陶瓷阀芯表面缺陷检测方法 Download PDF

Info

Publication number
CN105548208B
CN105548208B CN201610083910.XA CN201610083910A CN105548208B CN 105548208 B CN105548208 B CN 105548208B CN 201610083910 A CN201610083910 A CN 201610083910A CN 105548208 B CN105548208 B CN 105548208B
Authority
CN
China
Prior art keywords
detected
image
template
ceramic cartridge
region
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.)
Expired - Fee Related
Application number
CN201610083910.XA
Other languages
English (en)
Other versions
CN105548208A (zh
Inventor
汪威
周春晓
何小凡
丁善婷
汤亮
王亮
雷茜
何稳
张董洁
孙黄江
张业鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN201610083910.XA priority Critical patent/CN105548208B/zh
Publication of CN105548208A publication Critical patent/CN105548208A/zh
Application granted granted Critical
Publication of CN105548208B publication Critical patent/CN105548208B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Abstract

本发明公开了一种基于机器视觉的陶瓷阀芯表面缺陷检测方法，对不同型号的陶瓷阀芯分别建立模板及掩模板；根据待检测陶瓷阀芯的待检测面图像分别与对应型号的抛光面模板、非抛光面模板进行模板形状匹配；确定待检测面图像的表面、位置和方向，然后将待检测面图像与选定的模板及掩模板配准；对待检测陶瓷阀芯的待检测面图像进行Blob检测；对待检测面图像进行裂纹检测。本发明基于机器视觉的陶瓷阀芯表面缺陷检测方法可自动检测出待检测陶瓷阀芯的表面缺陷，检测稳定性高、检测成本低且检测速度快，检出率可达到95％，另外，检出及识别各类缺陷的总时间小于0.3秒，可广泛应用于陶瓷阀芯表面缺陷检测领域中。

Description

一种基于机器视觉的陶瓷阀芯表面缺陷检测方法
技术领域
本发明属于陶瓷阀芯检测领域，具体涉及一种基于机器视觉的陶瓷阀芯表面缺陷检测方法。
背景技术
陶瓷阀芯是水龙头的核心部件，直接影响其密封性能和使用寿命。当陶瓷阀芯工作面抛光不均匀，或者存在裂纹与破损时，水龙头就会产生漏水现象。因此，在水龙头的装配前，需要对陶瓷阀芯进行严格的外观检测。目前绝大多数的水龙头制造企业都采用人工检测的方式对陶瓷阀芯进行外观检测。这不仅增加了人工成本和管理成本，而且由于人眼检测的疲劳性和不稳定性，无法保证陶瓷阀芯检测的准确率和效率。并且随着生产规模的扩大与生产线运行速度的提升，人工检测在效率上无法满足现代大工业生产的要求。
发明内容
本发明的目的就是要针对传统加工方法的不足，提供基于机器视觉的陶瓷阀芯表面缺陷检测方法，提高了检测效率及准确率。
为实现上述目的，本发明所设计的基于机器视觉的陶瓷阀芯表面缺陷检测方法，包括如下步骤：
A、对不同型号的陶瓷阀芯分别建立模板及掩模板，其中：每种型号的模板及掩模板包括抛光面模板及抛光面掩模板、非抛光面模板及非抛光面掩模板；
B、根据待检测陶瓷阀芯的待检测面图像分别与对应型号的抛光面模板、非抛光面模板进行模板形状匹配；若待检测面图像与抛光面模板和非抛光面模板均不匹配，则判断该待检测陶瓷阀芯不合格；若待检测面图像至少与抛光面模板、非抛光面模板中的一个匹配成功，则进行步骤C；
C、根据步骤B中的匹配结果，确定待检测面图像的表面、位置和方向，然后将待检测面图像与步骤B中选定的模板及掩模板配准；配准后进行步骤D；
D、对待检测陶瓷阀芯的待检测面图像进行Blob检测；若Blob检测不合格，则判断该待检测陶瓷阀芯不合格；若Blob检测合格，则进行步骤E；
E、对待检测面图像进行裂纹检测；若裂纹检测不合格，则判断该待检测陶瓷阀芯不合格，检测完毕；若裂纹检测合格，则收集，检测完毕。
进一步地，所述步骤A根据不同型号合格的陶瓷阀芯建立模板及掩模板具体过程如下：
a1、对每种型号陶瓷阀芯的两个检测面图像分别进行阈值分割，得到剔除杂质背景的目标灰度图像，经最小外接矩形截取感兴趣区域作为模板；
a2、将步骤a1中的两个模板分别提取边缘特征，作为模板形状特征进行保存；
a3、再对步骤a2中的两个模板进行阈值分割，根据不同区域的灰度特征，将每个模板分割成N个不同的连通区域，且每个连通区域内的灰度一致，得到个数与连通区域个数相同的掩模板。
进一步地，所述步骤B中根据待检测陶瓷阀芯的待检测面图像分别与对应型号的抛光面模板、非抛光面模板进行模板形状匹配的具体过程如下：
b1、将待检测面图像用最小外接矩形截取待检测感兴趣区域图像；
b2、将步骤b1中待检测感兴趣区域图像的形状特征分别与对应型号的抛光面模板、非抛光面模板形状特征进行匹配运算，得到各自的匹配度、匹配中心和方向；若匹配度均小于预设阈值，则判断该待检测陶瓷阀芯不合格；若至少一个匹配度大于预设阈值，则根据匹配度的大小判断待检测面图像是抛光面图像还是非抛光面图像，获取待检测面图像与其相对应模板的相对位置(x，y)和相对旋转角度θ，并选择相对应的掩模板，继续进行步骤C。
进一步地，所述步骤C中根据步骤B中的匹配结果，确定待检测面图像的表面、位置和方向，然后将待检测面图像与步骤B中选定的模板及掩模板配准的具体过程如下：
根据步骤b2中相对位置(x，y)和相对旋转角度θ，对所选择的相对应模板及掩模板进行仿射变换，使待检测面图像与相对应模板及掩模板进行配准。
进一步地，所述步骤D对待检测面图像进行Blob检测的具体过程如下：
d1、取步骤C中经过配准的模板与待检测感兴趣区域图像，进行差分运算，得到差分图像，并对差分图像进行预设阈值的二值化，选取灰度值小于预设阈值的像素所对应的位置作为缺陷候选区域；
d2、对缺陷候选区域进行Blob分析：对d1步骤的缺陷候选区域进行形态学开运算，消除噪声，并使邻近灰度值区域连通；
d3、对d2步骤得到的连通区域进行特征分析：当至少有一个连通区域的面积大于预设阈值时，则判断Blob缺陷存在，该待检测陶瓷阀芯不合格；否则，继续执行步骤E。
进一步地，所述步骤E中对步骤D中Blob检测合格的待检测面图像进行裂纹检测具体过程如下：
对目标待检测图像区域进行第一次平滑降噪点处理得到前景图像，然后对前景图像进行第二次平滑处理得到背景图像，将前景图像和背景图像进行灰度值差分运算，经阈值筛选，取差分图像灰度值在预设范围内，得到预含有裂纹的像素点集，对所得到的预含有裂纹的像素点集在预设的邻域半径内进行闭运算，使相互邻近的点连接在一起，形成连通区域，对各连通区域按面积阈值和长宽比进行筛选，若筛选出符合裂纹特征的区域，则剔除该待检测陶瓷阀芯，反之则该待检测陶瓷阀芯合格，检测完毕。
进一步地，所述步骤a1在对每种型号的两个检测面图像分别进行阈值分割之前对每种型号的两个检测面图像滤波；
所述步骤a1中对每种型号的两个检测面图像分别进行阈值分割得到目标灰度图像的具体方法如下：
设G(x,y)为检测面图像像素点(x,y)处的灰度值，Tbg为背景阈值，RTemp(x,y)是阈值分割后的灰度值，令
所述步骤a2对两个模板分别提取边缘特征，其边缘特征由一系列点Pi＝(xi,yi)T,i＝1,2,3…n构成，每一个点所对应的梯度方向向量为di＝(ti,ui)T，且di'＝(ti',ui')T＝R(θ)di为旋转矩阵表达式；
所述步骤a3中分别对两个模板进行阈值分割的方法与步骤a1中对每种型号的两个检测面图像进行阈值分割的方法相同。
进一步地，所述步骤b2中将步骤b1中待检测感兴趣区域图像的形状特征分别与对应型号的抛光面模板、非抛光面模板形状特征进行匹配运算的具体方法如下：
待检测感兴趣区域图像进行阈值分割得到目标待检测图像区域，其阈值分割的方法与步骤a1中阈值分割的方法相同；
然后对目标待检测图像区域进行边缘特征提取，用点(x,y)和与之相对应的方向向量
eq+p′＝(vx+x′，y+y′，wx+x′，y+y′)T表示，则归一化后的匹配度量函数表达式如下：
当与其中至少一个模板匹配的匹配度s大于预设阈值时，则目标待检测图像区域与所选取的模板匹配，否则不匹配；若匹配成功，则根据匹配度，判断出待检测面图像是抛光面图像还是非抛光面图像。
进一步地，所述根据步骤b2中相对位置(x，y)和相对旋转角度θ，对所选择的相对应模板及掩模板进行仿射变换，使待检测面图像与相对应模板及掩模板进行配准的具体方法如下：
根据步骤b2中相对位置(x，y)和相对旋转角度θ，设目标待检测图像区域的像素点或特征点坐标为(u,v)，则经过平移与旋转后，新的坐标为(u',v')，满足如下关系：
进一步地，所述步骤E中差分运算的筛选阈值选取值为[-10,-5]的点；所述预设的邻域半径为1～4像素；所述面积阈值的面积大于10像素，长宽比大于3。
本发明与现有技术相比具有如下有益效果：本发明基于机器视觉的陶瓷阀芯表面缺陷检测方法可自动检测出待检测陶瓷阀芯的表面缺陷，检测稳定性高、检测成本低且检测速度快，检出率可达到95％，另外，检出及识别各类缺陷的总时间小于0.3秒，可广泛应用于陶瓷阀芯表面缺陷检测领域中。
附图说明
图1为本发明基于机器视觉的陶瓷阀芯表面缺陷检测方法的模板及掩模板建立流程框图；
图2为本发明基于机器视觉的陶瓷阀芯表面缺陷检测方法的检测流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明，便于更清楚地了解本发明，但它们不对本发明构成限定。
一种基于机器视觉的陶瓷阀芯表面缺陷检测方法，结合图1、图2所示，检测方法包括如下步骤：
A、在自动检测前，在人工干预下，对不同型号的陶瓷阀芯分别建立模板及掩模板，其中：每种型号的模板及掩模板包括抛光面模板及抛光面掩模板、非抛光面模板及非抛光面掩模板；
a1、由于陶瓷阀芯通常是白色的，因此，在设计时，采用黑色作为背景对陶瓷阀芯待检测面拍照，便于显影；对每种型号的检测面图像进行阈值分割时，由于噪声会产生空洞或边缘毛刺，先通过图像平滑和形态学的滤波消除空洞和边缘毛刺，然后再对每种型号的检测面图像进行阈值分割，得到剔除杂质背景的目标灰度图像，经最小外接矩形截取感兴趣区域(ROI)作为模板；
其中：对每种型号的两个检测面图像(抛光面图像和非抛光面图像)分别进行阈值分割得到目标灰度图像的具体方法如下：
设G(x,y)为检测面图像像素点(x,y)处的灰度值，Tbg为背景阈值，RTemp(x,y)是阈值分割后的灰度值，令
a2、将步骤a1中的两个模板分别提取边缘特征，作为模板形状特征进行保存至数据库，其边缘特征由一系列点Pi＝(xi,yi)T,i＝1,2,3…n构成，每一个点所对应的梯度方向向量为di＝(ti,ui)T，且di'＝(ti',ui')T＝R(θ)di为旋转矩阵表达式；
a3、再对步骤a2中的两个模板进行阈值分割，其阈值分割的方法与步骤a1中进行阈值分割的方法相同，然后根据不同区域的灰度特征，将每个模板分割成N个不同的连通区域，且每个连通区域内的灰度一致，得到个数与连通区域个数相同的掩模板。
B、根据待检测陶瓷阀芯的待检测面图像分别与对应型号的抛光面模板、非抛光面模板进行模板形状匹配；
b1、将待检测面图像用最小外接矩形截取待检测感兴趣区域图像；
b2、将步骤b1中待检测感兴趣区域图像的形状特征分别与对应型号的抛光面模板、非抛光面模板形状特征进行匹配运算，得到各自的匹配度、匹配中心和方向，具体方法如下：
待检测感兴趣区域图像进行阈值分割得到目标待检测图像区域，其阈值分割的方法与步骤a1中阈值分割的方法相同；
然后对目标待检测图像区域进行边缘特征提取，用点(x,y)和与之相对应的方向向量
eq+p′＝(vx+x′，y+y′，wx+x′，y+y′)T表示，则归一化后的匹配度量函数表达式如下：
当与其中至少一个模板匹配的匹配度s大于预设阈值(如0.9)时，则目标待检测图像区域与所选取的模板匹配，若匹配度均小于预设阈值(如0.9)，则判断该待检测陶瓷阀芯不合格；若匹配成功，则依据最相似原则(匹配度越高，表示越相似)，判断出待检测面图像是抛光面图像还是非抛光面图像，获取待检测面图像与其相对应模板的相对位置(x，y)和相对旋转角度θ，并选择相对应的掩模板，继续进行步骤C。
C、根据步骤B中的匹配结果，确定待检测面图像的表面、位置和方向，然后将待检测面图像与步骤B中选定的模板及掩模板配准；
根据步骤b2中相对位置(x，y)和相对旋转角度θ，对所选择的相对应模板及掩模板进行仿射变换，使待检测面图像与相对应模板及掩模板进行配准，具体方法如下：
根据步骤b2中相对位置(x，y)和相对旋转角度θ，设目标待检测图像区域的像素点或特征点坐标为(u,v)，则经过平移与旋转后，新的坐标为(u',v')，满足如下关系：
配准后进行步骤D。
D、对待检测陶瓷阀芯的待检测面图像进行Blob检测；其中：Blob检测包括否存在抛光不均匀、崩边及破损等缺陷的检测；
d1、取步骤C中经过配准的模板与待检测感兴趣区域图像，进行差分运算，得到差分图像，并对差分图像进行预设阈值(如阈值为-5)的二值化，选取灰度值小于预设阈值的像素所对应的位置作为缺陷候选区域；
d2、对缺陷候选区域进行Blob分析：对d1步骤的缺陷候选区域进行形态学开运算，消除噪声，并使邻近灰度值区域连通；
d3、对d2步骤得到的连通区域进行特征分析：当至少有一个连通区域的面积(特征)大于预设阈值(如100像素)时，则判断Blob缺陷存在，该待检测陶瓷阀芯不合格；否则，继续执行步骤E。
E、对待检测面图像进行裂纹检测；
对目标待检测图像区域进行第一次平滑降噪点处理得到前景图像，然后对前景图像进行第二次平滑处理得到背景图像(两次平滑处理都是借助卷积核与图像进行卷积)，将前景图像和背景图像进行灰度值差分运算，经阈值筛选，取差分图像灰度值在设定范围内(在对差分图像进行阈值分割时，较大的阈值对灰度值的变化较为敏感，可能会保留噪声信息，较小的阈值，可能会造成裂纹信息的丢失，因此，实际中取值在[-10,-5]范围内较为合适)的点，得到预含有裂纹的像素点集，对所得到的预含有裂纹的像素点集在设定邻域半径(在选择闭运算领域半径时，较大的领域半径范围，可能会造成裂纹分离困难，而较小的领域半径范围，可能会使裂纹不连续，因此，实际中取值在1～4像素范围内较为合适。)内进行闭运算，使相互邻近的点连接在一起，形成连通区域，对各连通区域按面积阈值(如大于10像素)和长宽比设定值(大于3)进行筛选(因为不合适的筛选参数，可能会导致非裂纹的混入或漏检)，若筛选出符合裂纹特征的区域，则剔除该待检测陶瓷阀芯，反之则该待检测陶瓷阀芯合格，检测完毕。
本发明基于机器视觉的陶瓷阀芯表面缺陷检测方法可自动检测出待检测陶瓷阀芯的表面缺陷，检测稳定性高、检测成本低且检测速度快，检出率可达到95％，另外，检出及识别各类缺陷的总时间小于0.3秒，可广泛应用于陶瓷阀芯表面缺陷检测领域中。

Claims (5)

1.一种基于机器视觉的陶瓷阀芯表面缺陷检测方法，其特征在于：所述检测方法包括如下步骤：
A、对不同型号的陶瓷阀芯分别建立模板及掩模板，其中：每种型号的模板及掩模板包括抛光面模板及抛光面掩模板、非抛光面模板及非抛光面掩模板；
根据不同型号合格的陶瓷阀芯建立模板及掩模板具体过程如下：
a1、对每种型号陶瓷阀芯的两个检测面图像分别进行阈值分割，得到剔除杂质背景的目标灰度图像，经最小外接矩形截取感兴趣区域作为模板；
a2、将步骤a1中的两个模板分别提取边缘特征，作为模板形状特征进行保存；
a3、再对步骤a2中的两个模板进行阈值分割，根据不同区域的灰度特征，将每个模板分割成N个不同的连通区域，且每个连通区域内的灰度一致，得到个数与连通区域个数相同的掩模板；
B、根据待检测陶瓷阀芯的待检测面图像分别与对应型号的抛光面模板、非抛光面模板进行模板形状匹配；若待检测面图像与抛光面模板和非抛光面模板均不匹配，则判断该待检测陶瓷阀芯不合格；若待检测面图像至少与抛光面模板、非抛光面模板中的一个匹配成功，则进行步骤C；
具体过程如下：
b1、将待检测面图像用最小外接矩形截取待检测感兴趣区域图像；
b2、将步骤b1中待检测感兴趣区域图像的形状特征分别与对应型号的抛光面模板、非抛光面模板形状特征进行匹配运算，得到各自的匹配度、匹配中心和方向；若匹配度均小于预设阈值，则判断该待检测陶瓷阀芯不合格；若至少一个匹配度大于预设阈值，则根据匹配度的大小判断待检测面图像是抛光面图像还是非抛光面图像，获取待检测面图像与其相对应模板的相对位置(x，y)和相对旋转角度θ，并选择相对应的掩模板，继续进行步骤C；
C、根据步骤B中的匹配结果，确定待检测面图像的表面、位置和方向，然后将待检测面图像与步骤B中选定的模板及掩模板配准；配准后进行步骤D；
具体过程如下：
根据步骤b2中相对位置(x，y)和相对旋转角度θ，对所选择的相对应模板及掩模板进行仿射变换，使待检测面图像与相对应模板及掩模板进行配准；
D、对待检测陶瓷阀芯的待检测面图像进行Blob检测；若Blob检测不合格，则判断该待检测陶瓷阀芯不合格；若Blob检测合格，则进行步骤E；
具体过程如下：
d1、取步骤C中经过配准的模板与待检测感兴趣区域图像，进行差分运算，得到差分图像，并对差分图像进行预设阈值的二值化，选取灰度值小于预设阈值的像素所对应的位置作为缺陷候选区域；
d2、对缺陷候选区域进行Blob分析：对d1步骤的缺陷候选区域进行形态学开运算，消除噪声，并使邻近灰度值区域连通；
d3、对d2步骤得到的连通区域进行特征分析：当至少有一个连通区域的面积大于预设阈值时，则判断Blob缺陷存在，该待检测陶瓷阀芯不合格；否则，继续执行步骤E；
E、对待检测面图像进行裂纹检测；若裂纹检测不合格，则判断该待检测陶瓷阀芯不合格，检测完毕；若裂纹检测合格，则收集，检测完毕；
具体过程如下：
对目标待检测图像区域进行第一次平滑降噪点处理得到前景图像，然后对前景图像进行第二次平滑处理得到背景图像，将前景图像和背景图像进行灰度值差分运算，经阈值筛选，取差分图像灰度值在预设范围内，得到预含有裂纹的像素点集，对所得到的预含有裂纹的像素点集在预设的邻域半径内进行闭运算，使相互邻近的点连接在一起，形成连通区域，对各连通区域按面积阈值和长宽比进行筛选，若筛选出符合裂纹特征的区域，则剔除该待检测陶瓷阀芯，反之则该待检测陶瓷阀芯合格，检测完毕。
2.根据权利要求1所述的基于机器视觉的陶瓷阀芯表面缺陷检测方法，其特征在于：所述步骤a1在对每种型号的两个检测面图像分别进行阈值分割之前对每种型号的两个检测面图像滤波；
所述步骤a1中对每种型号的两个检测面图像分别进行阈值分割得到目标灰度图像的具体方法如下：
设G(x,y)为检测面图像像素点(x,y)处的灰度值，Tbg为背景阈值，RTemp(x,y)是阈值分割后的灰度值，令
所述步骤a2对两个模板分别提取边缘特征，其边缘特征由一系列点Pi＝(xi,yi)T,i＝1,2,3…n构成，每一个点所对应的梯度方向向量为di＝(ti,ui)T，且di'＝(ti',ui')T＝R(θ)di为旋转矩阵表达式；
所述步骤a3中分别对两个模板进行阈值分割的方法与步骤a1中对每种型号的两个检测面图像进行阈值分割的方法相同。
3.根据权利要求2所述的基于机器视觉的陶瓷阀芯表面缺陷检测方法，其特征在于：所述步骤b2中将步骤b1中待检测感兴趣区域图像的形状特征分别与对应型号的抛光面模板、非抛光面模板形状特征进行匹配运算的具体方法如下：
待检测感兴趣区域图像进行阈值分割得到目标待检测图像区域，其阈值分割的方法与步骤a1中阈值分割的方法相同；
然后对目标待检测图像区域进行边缘特征提取，用点(x,y)和与之相对应的方向向量eq+p′＝(vx+x′，y+y′，wx+x′，y+y′)T表示，则归一化后的匹配度量函数表达式如下：
当与其中至少一个模板匹配的匹配度s大于预设阈值时，则目标待检测图像区域与所选取的模板匹配，否则不匹配；若匹配成功，则根据匹配度，判断出待检测面图像是抛光面图像还是非抛光面图像。
4.根据权利要求1所述的基于机器视觉的陶瓷阀芯表面缺陷检测方法，其特征在于：所述根据步骤b2中相对位置(x，y)和相对旋转角度θ，对所选择的相对应模板及掩模板进行仿射变换，使待检测面图像与相对应模板及掩模板进行配准的具体方法如下：
根据步骤b2中相对位置(x，y)和相对旋转角度θ，设目标待检测图像区域的像素点或特征点坐标为(u,v)，则经过平移与旋转后，新的坐标为(u',v')，满足如下关系：
5.根据权利要求1所述的基于机器视觉的陶瓷阀芯表面缺陷检测方法，其特征在于：所述步骤E中差分运算的筛选阈值选取值为[-10,-5]的点；所述预设的邻域半径为1～4像素；所述面积阈值的面积大于10像素，长宽比大于3。
CN201610083910.XA 2016-02-05 2016-02-05 一种基于机器视觉的陶瓷阀芯表面缺陷检测方法 Expired - Fee Related CN105548208B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610083910.XA CN105548208B (zh) 2016-02-05 2016-02-05 一种基于机器视觉的陶瓷阀芯表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610083910.XA CN105548208B (zh) 2016-02-05 2016-02-05 一种基于机器视觉的陶瓷阀芯表面缺陷检测方法

Publications (2)

Publication Number Publication Date
CN105548208A CN105548208A (zh) 2016-05-04
CN105548208B true CN105548208B (zh) 2018-10-19

Family

ID=55827545

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610083910.XA Expired - Fee Related CN105548208B (zh) 2016-02-05 2016-02-05 一种基于机器视觉的陶瓷阀芯表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN105548208B (zh)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106327498B (zh) * 2016-08-30 2019-05-21 福建源光电装有限公司 一种端子脱落视觉检测系统及方法
CN106546603A (zh) * 2016-10-29 2017-03-29 图麟信息科技（上海）有限公司 一种tp、玻璃盖板的工业视觉检测装置及检测方法
CN107316290A (zh) * 2017-06-19 2017-11-03 中车戚墅堰机车车辆工艺研究所有限公司 一种铬陶瓷复合镀层网状裂纹定量检测方法
CN107622484A (zh) * 2017-07-15 2018-01-23 河北工业大学 一种基于形状匹配的光伏电池片缺角检测算法
CN107610104A (zh) * 2017-08-31 2018-01-19 南通兴华达高实业有限公司 一种基于机器视觉的电梯补偿链r处裂纹检测方法
CN107817247A (zh) * 2017-11-18 2018-03-20 武汉克瑞斯光电技术有限公司 一种阀体毛刺检测机
CN108171691B (zh) * 2017-12-26 2021-05-04 成都睿视智能设备有限责任公司 一种塑料容器的检测方法
CN109708813B (zh) * 2018-06-28 2021-07-27 浙江森拉特暖通设备有限公司 供暖片漏水状态实时检测平台
CN109115800B (zh) * 2018-08-20 2022-04-12 深圳市杰恩世智能科技有限公司 一种产品毛刺的快速检测及长度精确测量方法
CN109211919B (zh) * 2018-09-03 2021-04-30 珠海格力智能装备有限公司 磁瓦崩缺区域的识别方法及装置
CN109741296B (zh) * 2018-11-28 2023-10-20 歌尔股份有限公司 产品质量检测方法及装置
CN109727229B (zh) * 2018-11-28 2023-10-20 歌尔股份有限公司 虚焊检测方法及装置
CN109967365A (zh) * 2018-12-27 2019-07-05 江苏理工学院 一种基于机器视觉的柱式电容器外观检测系统及其方法
CN111724335A (zh) * 2019-03-21 2020-09-29 深圳中科飞测科技有限公司 检测方法及检测系统
CN110108715B (zh) * 2019-05-06 2022-03-04 哈尔滨理工大学 一种透明平行平板的缺陷检测方法
CN110473184A (zh) * 2019-08-06 2019-11-19 福建工程学院 一种pcb板缺陷检测方法
CN111028213B (zh) * 2019-12-04 2023-05-26 北大方正集团有限公司 图像缺陷检测方法、装置、电子设备及存储介质
CN111307820A (zh) * 2020-03-24 2020-06-19 江苏马格仕机械有限公司 一种基于机器视觉的陶瓷阀芯表面缺陷检测方法
CN111709940B (zh) * 2020-06-19 2023-06-27 湖南恒岳重钢钢结构工程有限公司 一种基于机器视觉的电容缺陷检测方法
CN113298776B (zh) * 2021-05-21 2023-01-24 佛山职业技术学院 一种金属闭式水泵叶轮外观缺陷检测方法
CN114354491A (zh) * 2021-12-30 2022-04-15 苏州精创光学仪器有限公司 一种基于机器视觉的dcb陶瓷基板缺陷检测方法
CN114782433B (zh) * 2022-06-20 2022-09-20 联宝(合肥)电子科技有限公司 一种键帽检测方法、装置及电子设备
CN115631198B (zh) * 2022-12-21 2023-08-08 深圳新视智科技术有限公司 玻璃显示屏的裂纹检测方法、装置及计算机设备

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010008177A (ja) * 2008-06-26 2010-01-14 Adtec Engineeng Co Ltd 欠陥検出装置及び方法
CN102053093A (zh) * 2010-11-08 2011-05-11 北京大学深圳研究生院 一种晶圆表面切割芯片的表面缺陷检测方法
CN102136061B (zh) * 2011-03-09 2013-05-08 中国人民解放军海军航空工程学院 一种矩形石英晶片缺陷自动检测分类识别方法
CN102353680B (zh) * 2011-07-08 2013-02-13 中国科学院宁波材料技术与工程研究所 小型工件表面缺陷的评估方法以及检测不合格工件的流程
CN104259110A (zh) * 2014-09-26 2015-01-07 浙江大学台州研究院 一种陶瓷阀芯的检测方法
CN104568986A (zh) * 2015-01-26 2015-04-29 中国科学院半导体研究所 基于surf算法的遥控器面板印刷缺陷自动检测方法
CN104677914B (zh) * 2015-03-10 2017-03-08 华中科技大学 一种芯片连晶缺陷识别方法
CN105069790B (zh) * 2015-08-06 2018-09-14 潍坊学院 一种齿轮外观缺陷快速影像检测方法

Also Published As

Publication number Publication date
CN105548208A (zh) 2016-05-04

Similar Documents

Publication Publication Date Title
CN105548208B (zh) 一种基于机器视觉的陶瓷阀芯表面缺陷检测方法
CN114723701B (zh) 基于计算机视觉的齿轮缺陷检测方法和系统
CN107610111B (zh) 一种基于深度学习的焊点图像检测方法
CN114820627B (zh) 一种基于光学手段的纺织品质量检测方法
CN104700085B (zh) 一种基于模板匹配的芯片定位方法
CN109001212A (zh) 一种基于机器视觉的不锈钢汤勺缺陷检测方法
CN106338520A (zh) 一种表板为拼板的多层实木复合地板表面缺陷的识别方法
CN107607540B (zh) 一种基于机器视觉的t恤在线检测及分选方法
US20120301019A1 (en) Method for color feature extraction
CN103914827B (zh) 汽车密封条轮廓缺陷的视觉检测方法
CN105067638A (zh) 基于机器视觉的轮胎胎膜表面字符缺陷检测方法
CN108615239B (zh) 基于阈值技术和灰度投影的舌图像分割方法
CN103149214B (zh) 水果表面缺陷检测方法
CN109829906A (zh) 一种基于方向场与纹理特征的工件缺陷检测与分类方法
CN106780526A (zh) 一种铁氧体圆片表面裂痕识别方法
US6483940B1 (en) Method for dividing image
Duan et al. A WBC segmentation methord based on HSI color space
CN109658391A (zh) 一种基于轮廓归并和凸包拟合的圆半径测量方法
CN106780465A (zh) 基于梯度向量分析的视网膜图像微动脉瘤自动检测与识别方法
CN108181316A (zh) 一种基于机器视觉的竹条缺陷检测方法
CN104021566A (zh) 基于GrabCut算法的舌诊图像自动分割方法
CN111932490B (zh) 一种用于工业机器人的视觉系统抓取信息提取方法
CN108805826A (zh) 改善去雾效果的方法
CN106447683B (zh) 一种圆的特征提取方法
Meng et al. Size characterisation of edible bird nest impurities: a preliminary study

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20181019

Termination date: 20210205

CF01 Termination of patent right due to non-payment of annual fee