CN105784713A - 基于机器视觉的密封圈表面缺陷检测方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的密封圈表面缺陷检测方法，步骤如下：首先采集密封圈表面图像，并对采集到的图像进行自适应中值滤波处理；接着，计算出上述图像的灰度水平梯度和竖直梯度，并据此提取出图像中存在的灰度折角结构；再对各折角特征点邻域进行分割并计算分割域的灰度均值；最后，采用描述分割域灰度差异程度的函数值作为缺陷判定准则，筛选出缺陷轮廓点，实现对密封圈表面缺陷的检测。本发明依据密封圈表面缺陷形成原因，分析得到缺陷轮廓与密封圈外形轮廓之间存在的固有差异，并在图像上得到验证，本发明能检出密封圈表面较多类型的缺陷，包括凹痕、流痕、杂质、飞边以及过切缺陷；具有缺陷检测的准确性高，算法鲁棒性强等优点。

Description

基于机器视觉的密封圈表面缺陷检测方法

技术领域

本发明属于机器视觉与数字图像处理领域，具体涉及一种基于机器视觉的密封圈表面缺陷检测方法。

背景技术

航天器密封系统对使用的密封圈有着严格的质量要求，其表面的完好性直接决定密封系统的性能和寿命，进而影响航天器在轨运行的可靠性。作为应用最广泛的密封元件，O形橡胶密封圈(简称O形圈)的表面质量检测主要包括流痕、缺胶、凹凸缺陷、过度修边、组合飞边等。O形圈表面质量的控制，目前多采用目视法检控，发现问题后利用工具显微镜或投影仪复查，该检测方法效率低、精度低、可靠性不高。

当前，利用机器视觉技术并结合图像处理算法实现缺陷检测已成为工业检测领域的一种革新手段。O形圈表面呈曲面外形，机器视觉系统获取的密封圈表面图像上存在高亮度区域，同时密封圈表面上的缺陷部分，其灰度值也会与其邻域灰度存在较大差别。基于聚类分析的密封圈缺陷检测算法是通过边缘检测器提取出密封圈轮廓边缘点并对边缘点进行拟合，对拟合圆聚类分析从而检测出缺陷，该方法能较好的检测出位于密封圈边缘轮廓上的缺陷(如飞边)，但无法检测密封圈表面上的缺陷(如凹痕等)。基于角点、边缘的检测方法用于图像中的纹理及孤立特征点的提取，该方法能提取出密封圈表面上的缺陷区域特征点，但同时也会对密封圈边缘以及表面上的高光区域响应灵敏。基于图像灰度统计特征分析的方法是从图像中提取出灰度直方图和灰度共生矩阵，并利用其描述的纹理特征信息来对缺陷进行检测及分类，对于密封圈这类廓径比较大的零件所成图像，由于缺陷部分所占像素面积少，缺陷灰度信息对图像整体灰度统计特征影响小，难以判定密封圈是否存在缺陷。基于形状几何特征提取(包括面积、长度等)的方法能有效地对图像进行分类，从而判定出被测对象是否存在缺陷以及缺陷类型，但在处理存在高光、纹理等成像不均匀的复杂密封圈表面图像时存在局限性。

发明内容

本发明的目的在于提供一种基于机器视觉的密封圈表面缺陷检测方法，用于准确检测出密封圈表面存在的凹痕、流痕、杂质、飞边以及过切缺陷。

实现本发明目的的技术解决方案为：一种基于机器视觉的密封圈表面缺陷检测方法，方法步骤如下：

步骤1、采集密封圈表面图像，并对采集到的图像进行自适应中值滤波处理。

步骤2、计算出上述图像的灰度水平梯度和竖直梯度，并据此提取出图像中存在的灰度折角结构：

采用一阶导数梯度算子计算图像灰度水平梯度和竖直梯度，然后根据折角结构顶点像素在灰度上应满足的条件对经自适应滤波处理后的图像中各像素点进行遍历筛选，从而提取出符合条件的灰度折角结构。

步骤3、对各折角特征点邻域进行分割并计算分割域的灰度均值：

各折角特征点邻域分割方法如下：依据步骤2所提取的灰度折角结构及其顶点，从该顶点出发搜寻出灰度折角结构的两条轮廓边，并反向延长，从而将该顶点邻域分割成4个子区域，分别为S₁、S₂、S₃和S₄，选择各子区域内与顶点最近的N个像素，N≥1，计算像素灰度均值。

步骤4、采用描述分割域灰度差异程度的函数值作为缺陷判定准则，筛选出缺陷轮廓点，实现对密封圈表面缺陷的检测：

描述分割域灰度差异程度的函数为：

$\mathrm{\β}=min\{\frac{|S_3-S_2|}{S_2},\frac{|S_1-S_2|}{S_2}\}$

根据计算的各灰度折角结构对应的函数值β，设定函数值阈值，大于该阈值的灰度折角结构顶点为缺陷轮廓点，反之，认定为伪点进行剔除。

本发明与现有技术相比，其显著优点在于：(1)依据密封圈表面缺陷形成原因，分析得到缺陷轮廓与密封圈外形轮廓之间存在的固有差异，并在图像上得到验证。

(2)可检出密封圈表面较多类型的缺陷，包括凹痕、流痕、杂质、飞边以及过切缺陷。

(3)缺陷检测准确性高，算法鲁棒性强。

附图说明

图1是本发明基于机器视觉的密封圈表面缺陷检测方法的流程图。

图2是密封圈表面局部图像，其中(a)为上述光学成像系统采集到的密封圈原始表面局部图，(b)为对密封圈原始表面局部图进行自适应中值滤波处理后的图像。

图3是图像局部灰度阵列类型图，其中(a)为水平结构，(b)为竖直结构，(c)为斜坡结构Ⅰ,(d)为斜坡结构Ⅱ，(e)为V形结构Ⅰ,(f)为V形结构Ⅱ。

图4是V形特征点邻域分割图，其中(a)为分区域局部灰度分布图，(b)为V形特征点邻域分割方法图。

图5是密封圈弧段表面图，其中(a)为光学系统采集的密封圈表面原始图，(b)为提取图像V形结构标记图，(c)为缺陷检测结果图。

图6为本检测方法对密封圈表面缺陷进行检测的结果图，其中(a)为对密封圈过切、飞边缺陷检测图，(b)为对密封圈飞边缺陷检测图。

具体实施方式

下面结合附图对本发明作进一步详细描述。

针对现有方法在检测O形圈表面缺陷时存在的问题，本发明基于机器视觉逆问题理论，通过分析O形圈成型工艺过程中，表面缺陷的形成原因以及缺陷的几何轮廓与密封圈外形轮廓存在的固有差异，提出一种基于V形结构分区域灰度特征分析的密封圈表面缺陷检测方法。

结合图1，一种基于机器视觉的密封圈表面缺陷检测方法，方法步骤如下：

步骤1、利用相机采集密封圈表面图像，并对采集到的图像进行自适应中值滤波处理，具体方法如下：

将密封圈置于透明玻璃平台上，密封圈正上方放置平行光源，相机正对密封圈被采集弧段，打开平行光源，相机采集到密封圈表面图像，并对采集到的图像进行自适应中值滤波处理。

步骤2、对经自适应中值滤波处理后的图像利用一阶导数梯度算子计算图像灰度水平梯度和竖直梯度，并据此提取出图像中存在的灰度折角结构，这种灰度折角结构定义为V形结构，V形结构顶点定义为V形特征点。

步骤3、对V形特征点邻域进行分割，计算各分割域的灰度均值，具体方法如下：

将V形特征点邻域分割成S₁、S₂、S₃和S₄四个区域，在S₁、S₂和S₃这3个分割域中分别选取距离V形特征点最近的N个像素，计算N个像素对应灰度值均值，数学表达式如下：

$S_k=\frac{1}{N}\underset{1}{\overset{N}{\Σ}}{S}_{i,j}$

式中k＝{1,2,3}，S_i,j表示图像中像素坐标为(i,j)对应像素的灰度值。

步骤4、采用描述分割域灰度差异程度的函数值作为缺陷判定准则，筛选出缺陷轮廓点，实现对密封圈表面缺陷的检测，具体方法如下：

描述分割域灰度差异程度的函数为：

$\mathrm{\β}=min\{\frac{|S_3-S_2|}{S_2},\frac{|S_1-S_2|}{S_2}\}$

根据计算的各灰度折角结构对应的函数值β，设定函数值阈值，大于该阈值的灰度折角结构顶点为缺陷轮廓点，反之，认定为伪点进行剔除。

实施例1

结合图1至图6，一种基于机器视觉的密封圈表面缺陷检测方法，方法步骤如下：

步骤1、利用相机采集密封圈表面图像，并对采集到的图像进行自适应中值滤波处理，具体方法如下：

将密封圈置于透明玻璃平台上，密封圈上方放置平行光源，相机正对密封圈被采集弧段，打开平行光源，相机采集到密封圈表面图像，并对采集到的图像进行自适应中值滤波处理。为便于清晰观察滤波处理效果，选择密封圈表面局部区域如图2(a)，自适应中值滤波处理结果如图2(b)所示。

步骤2、对经自适应中值滤波处理后的图像利用Sobel模板W₁计算图像灰度水平梯度，利用Sobel模板W₂计算图像灰度竖直梯度，尺寸为3×3的Sobel梯度模板如下：

$W_1=\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right],W_2=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]$

密封圈图像中存在的局部灰度阵列包括了水平结构、竖直结构、斜坡结构和V形结构，这些结构类型均在图3中得到展示。虽然图像中像素灰度是一个渐变的过程，但其灰度梯度变化与图3中二值图的梯度变化相似。

设为像素坐标为(i,j)的像素点的灰度水平梯度，为像素坐标为(i,j)的像素点的灰度竖直梯度。图3(e)中像素坐标为(3,2)的像素点的灰度梯度满足以下条件：图3(f)中像素坐标为(3,2)的像素点的灰度梯度满足以下条件：

经过自适应中值滤波处理后的图像中不存在孤立像素灰度突变点，因此上述条件中只考虑这3个梯度值。将上述情况推广到密封圈弧段表面图像中，符合V形结构的像素点满足以下条件之一：

$\left(1\right)---G_{i,j}^h>L_1,G_{i,j}^v>L_2,G_{i,j-1}^v<-L_3$

$\left(2\right)---G_{i,j}^h<-L_1,G_{i,j}^v<-L_2,G_{i,j-1}^v>L_3$

式中L₁,L₂,L₃>0。对于阈值L₁、L₂、L₃的选取，简单的处理办法是：L₁＝L₂＝L₃＝L，L＝α×G_max。其中，G_max为采用Sobel算子计算的理论灰度梯度极大值，G_max＝4×255＝1020，系数α∈[0.02,0.1]。根据密封圈缺陷轮廓曲率半径选择适当的α值，曲率半径大的选择较小的α值，曲率半径小的选择较大的α值。

根据折角结构顶点像素在灰度上应满足的条件对经自适应滤波处理后的图像中各像素点进行遍历筛选，在图5(b)中标记出V形结构像素点共13个，对像素距离小于2个像素的点合并，结果如表1：

表1图5(b)中V形特征点像素坐标表

步骤3、按照步骤2可以提取出图像中存在的V形结构，提取V形结构时利用了局部相邻像素灰度变化的信息，而通常密封圈缺陷轮廓所围区域包含有一定数量的像素，因此可以结合该V形特征点邻域灰度的分布情况来对V形特征点进行筛选，最终确定出真实缺陷及其所在位置。图4(a)为本文所提的分区域局部灰度特征图。L1、L2为V形特征点邻域分割线，S₁、S₂、S₃、S₄表示分割区域像素灰度分布情况，图4(a)中分割线L1、L2可以依照以下步骤确定：

(1)依据步骤2确定的V形特征点的像素坐标(i,j)，在像素灰度水平梯度阵列中定位到该像素点，如图4(b)所示。

(2)计算其中，α∈[－1,0,1]，b＝－1，记录对应的像素点；

(3)i＝i+a,j＝j+b，返回步骤(2)。当记录一定数量的像素点后，停止步骤(2)。

(4)拟合搜寻到的像素点，确定其中一条分割线。

(5)将步骤(2)中b＝－1改为b＝1，其它均不变，重复步骤(2)～(4)，即可确定出另一条分割线。

在对V形特征点邻域像素灰度分布情况进行描述时，只选择3个分割区域：S₁、S₂、S₃。选择像素取点数7个，计算了S₁、S₂、S₃区域的灰度均值，如表2：

表2V形特征点分割区域灰度均值表

从表2灰度分布中可知，其中5组数据呈现低高低的变化趋势，这验证了V形特征点在局部邻域灰度分布上符合V形特征，2组数据呈现单调变化趋势，另外3组数据无显示结果。这3组数据对应的V形特征点邻域分割线L1、L2均水平，不能合理的对其邻域进行分割、取点。

步骤4、采用描述分割域灰度差异程度的函数值作为缺陷判定准则，筛选出缺陷轮廓点，实现对密封圈表面缺陷的检测，具体方法如下：

计算表2中的每个V形特征点对应的描述分割域灰度差异程度的函数值β：

$\mathrm{\&beta;}=min\{\frac{|S_3-S_2|}{S_2},\frac{|S_1-S_2|}{S_2}\}$

结果如下表：

表3V形特征点β值表

表3中并未对无邻域分割线的V形特征点(序号4，6，9)的β值进行计算，将β值大的V点认定为缺陷轮廓点。结合实验处理与人工判定的方法确定合适的β判定阈值，对于图5(a)中存在的缺陷，选择阈值β＝0.15，筛选后的缺陷轮廓点在图5(c)中标记出，P1区域标记了密封圈上的黏质粉末块，P2区域标记了密封圈上的流痕，P3区域标记了密封圈上的凹痕。

从密封圈缺陷标记的结果可看出，上述缺陷判定及定位方法对于处理密封圈表面上的杂质、流痕和凹痕缺陷具有较高的准确性。同样，采用上述方法也对密封圈边缘上的飞边、过切缺陷进行了处理。图6显示了密封圈飞边、过切缺陷的检测结果。从图6检测结果可以分析出采用前述的V形结构提取及分区域灰度特征分析方法同样可以较好的检测出密封圈边缘存在的过切、飞边缺陷。

综上所述，本发明依据密封圈表面缺陷形成原因，分析得到缺陷轮廓与密封圈外形轮廓之间存在的固有差异，并在图像上得到验证。可检出密封圈表面较多类型的缺陷，包括凹痕、流痕、杂质、飞边以及过切缺陷，缺陷检测准确性高，算法鲁棒性强。

Claims (4)

1.一种基于机器视觉的密封圈表面缺陷检测方法，其特征在于，方法步骤如下：

步骤1、采集密封圈表面图像，并对采集到的图像进行自适应中值滤波处理；

步骤2、计算出上述图像的灰度水平梯度和竖直梯度，并据此提取出图像中存在的灰度折角结构；

步骤3、对各折角特征点邻域进行分割并计算分割域的灰度均值；

步骤4、采用描述分割域灰度差异程度的函数值作为缺陷判定准则，筛选出缺陷轮廓点，实现对密封圈表面缺陷的检测。

2.根据权利要求1所述的基于机器视觉的密封圈表面缺陷检测方法，其特征在于：所述步骤2中，采用一阶导数梯度算子计算图像灰度水平梯度和竖直梯度，然后根据折角结构顶点像素在灰度上应满足的条件对经自适应滤波处理后的图像中各像素点进行遍历筛选，从而提取出符合条件的灰度折角结构。

3.根据权利要求1所述的基于机器视觉的密封圈表面缺陷检测方法，其特征在于，所述步骤3中，各折角特征点邻域分割方法如下：依据步骤2所提取的灰度折角结构及其顶点，从该顶点出发搜寻出灰度折角结构的两条轮廓边，并反向延长，从而将该顶点邻域分割成4个子区域，分别为S₁、S₂、S₃和S₄，选择各子区域内与顶点最近的N个像素，N≥1，计算像素灰度均值。

4.根据权利要求1所述的基于机器视觉的密封圈表面缺陷检测方法，其特征在于：所述步骤4中，描述分割域灰度差异程度的函数为：

$\mathrm{\&beta;}=\min \{\frac{|S_3-S_2|}{S_2},\frac{|S_1-S_2|}{S_2}\}$

根据计算的各灰度折角结构对应的函数值β，设定函数值阈值，大于该阈值的灰度折角结构顶点为缺陷轮廓点，反之，认定为伪点进行剔除。