CN106680287A - 一种轴承铆钉台阶缺陷的视觉检测方法 - Google Patents

一种轴承铆钉台阶缺陷的视觉检测方法 Download PDF

Info

Publication number
CN106680287A
CN106680287A CN201611231590.4A CN201611231590A CN106680287A CN 106680287 A CN106680287 A CN 106680287A CN 201611231590 A CN201611231590 A CN 201611231590A CN 106680287 A CN106680287 A CN 106680287A
Authority
CN
China
Prior art keywords
rivet
region
area
rgn
image
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
Application number
CN201611231590.4A
Other languages
English (en)
Other versions
CN106680287B (zh
Inventor
周迪斌
黄昌良
胡保坤
李自强
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.)
WUXI LAIKE AUTOMATION TECHNOLOGY CO.,LTD.
Original Assignee
Wuxi Far Vision Technology Co Ltd
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 Wuxi Far Vision Technology Co Ltd filed Critical Wuxi Far Vision Technology Co Ltd
Priority to CN201611231590.4A priority Critical patent/CN106680287B/zh
Publication of CN106680287A publication Critical patent/CN106680287A/zh
Application granted granted Critical
Publication of CN106680287B publication Critical patent/CN106680287B/zh
Active 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Abstract

本发明是一种基于机器视觉的轴承铆钉台阶缺陷的检测方法，包括如下步骤：步骤1、轴承铆钉图像采集；步骤2、轴承铆钉图像预处理；步骤3、内台阶缺陷检测；步骤4、外台阶缺陷检测；步骤5、分析结果，判断铆钉是否合格，不合格现象包括：内台阶缺陷、外台阶缺陷、内外台阶缺陷或其它类型缺陷。本发明的优点：1)采用自适应检测方法，合理定位铆钉区域并检测缺陷，算法健壮性好。2)在铆钉内台阶缺陷检测方面，通过区域标记方法稳定性好。3)对于内台阶，采用二次区域标记算法加强内台阶判断准确性。4)在外台阶检测过程，先通过霍夫变换，检测外圈参数，然后通过外圈和铆钉区域的几何约束关系，判断该外台阶区域是否有效，有效且避免误判。

Description

一种轴承铆钉台阶缺陷的视觉检测方法
技术领域
本发明涉及的是一种轴承铆钉台阶缺陷的视觉检测方法，具体涉及一种基于机器视觉，采用图像滤波、区域标记、形态学、霍夫变换和几何约束等方法检测铆钉缺陷的方法，属于机器视觉技术领域。
背景技术
目前，我国轴承行业还存在如制造技术水平低、行业集中度较低等问题，离轴承强国的标准相距甚远，行业矛盾突出：如发展方式没有根本改变，产业结构的深层次矛盾依然突出，缺少核心技术自主知识产权，品牌建设进步较慢，产品结构不尽合理。近年来，轴承行业大量采用自动化单机或生产线实现技术改造向现代化生产迈进，然而在质量检测与不达标产品的分拣上仍以人工检测为主的，但是方法存在很多缺点，例如：劳动强度大，工作效率低，主观依懒性强，易受检测人员技术素质、经验及疲劳等因素影响，无法充分保证轴承零部件的质量。
轴承在正常装配和使用过程中，保持架所受载荷较小，因铆钉问题导致的轴承失效并不多见。但在一些特殊的工况条件下或长期负重环境下，铆钉装配过程中任何质量缺陷都可能导致质量隐患，进而引发严重安全事故。
铆钉装配过程通常会出现各类缺陷，例如出现漏装，台阶，压痕等，而传统的基于人工检测方法，由于人眼的视觉易疲劳，且轴承产量较大，很难保证对铆钉质量的逐一检测。在工业现场往往采用抽检法，但还是会出现漏检、误检的状况。
鉴于人工检测存在的一系列问题，轴承生产企业曾广泛使用过接触式的仪器检测，但这种传统的检测技术难以满足需要，在轴承装配环节工序较多，对质量和精度的要求也越来越高，用接触式检测不仅难度较大，且效率低。
考虑到现有的缺陷检测技术很难充分满足工业检测需求，而基于图像的机器视觉检测方法具有非接触、实时可靠，成本低、自动化程度高的优势，能为该问题的解决提供了良好的替代方案和解决思路。
本发明主要面向传统轴承行业的检测需求，以轴承铆钉台阶缺陷的质量检测为切入点，研究提高该轴承组装的自动化检测水平，并逐步扩大机器视觉技术在轴承行业的应用，降低人工成本，更加有效地控制产品质量。
发明内容
本发明提出的是一种轴承铆钉台阶缺陷的视觉检测方法，其目的旨在克服现有技术存在的上述不足，实现轴承铆钉内、外台阶的缺陷检测，降低人工检测的工作量，提高检测的效率，安全而且可靠。
本发明的技术解决方案：一种基于机器视觉的轴承铆钉台阶缺陷的检测方法，包括如下步骤：
步骤1、轴承铆钉图像采集，即通过CCD相机拍摄目标图像，并将图像转换成灰度图像G；
步骤2、轴承铆钉图像预处理，即对转换后的灰度图像G进行去噪并增强其对比度，生成预处理后的灰度图像G1；
步骤3、内台阶缺陷检测，为了降低环境光照影响及金属表面的反光因素的影响，并考虑铆钉轮廓存在非封闭状况，采用自适应检测方法，在阈值范围内搜索可能存在的铆钉区域，通过二次区域标记、轮廓闭合、几何约束方法精确定位内台阶缺陷，具体包括如下步骤：
步骤3.1、确定自适应检测的灰度阈值搜索范围ThR和灰度间隔ThSpan，
步骤3.2、尝试选择一个灰度阈值Th，如果灰度范围已经搜索完毕，即所有可能的灰度阈值都检测过，未发现合理的铆钉区域，则不再进行检测，此时铆钉为不合格品；否则，继续后续的检测，
步骤3.3、根据灰度阈值Th对检测区域进行二值化处理，并标记出所有连通区域G1_Rgni(i＝1,n)，逐一判断是否与铆钉尺寸和形状接近，依据为区域的尺寸和长宽比，如果不能找到符合要求的区域，则返回步骤3.2；否则，找到最适合的铆钉区域Rgn1，获取其位置信息，继续进行后续检测，
步骤3.4、针对铆钉轮廓存在的不闭合状况，先构建封闭的铆钉区域，计算Rgn1的外接矩形Rgn1_Rt，生成相应的内切椭圆，将该椭圆区域Rgn2与Rgn1合并，生成新区域Rgn3，从原始图像中提取该区域Rgn3的图像，并作为第二次检测目标G2，
步骤3.5、对G2进行二值化，并进行区域标记，标记所有连通区域G2_Rgni(i＝1,n)，具体为：选择步骤3.2中的灰度阈值Th，计算所有白色连通区域，灰度值>Th，并提取连通区域的主要属性，即面积、尺寸和填充率，
步骤3.6、针对步骤3.5的标记结果，按面积大小排序，去除最大的连通区域G2_Rgnmax，检索所有剩余的标记区域，如果存在G2_Ri且符合台阶的基本特征要求，即面积和尺寸条件，则该区域被认为是内台阶区域，此时，目标G2中存在内台阶缺陷；否则，不存在内台阶区域；
步骤4、外台阶缺陷检测，具体包括如下步骤：
步骤4.1、依据霍夫检测算法，检测半径范围内可能存在的圆形区域，该区域的半径大于正常铆钉半径，其大小与装配线机械设备相关，为铆钉尺寸的1.2-1.5倍，如果存在，则说明外台阶可能存在缺陷，需进一步判断；否则，不存在外台阶缺陷，
步骤4.2、依据步骤3.4所定位的铆钉区域Rgn3，判断外圈与铆钉区域的位置关系和尺寸差异，如果在允许范围内，则该外圈区域为外台阶；否则，则认为步骤4.1检测结果为环境干扰，忽略之；
步骤5、依据步骤3.6和步骤4.2所得分析结果，判断铆钉是否合格，不合格现象包括：内台阶缺陷、外台阶缺陷、内外台阶缺陷或其它类型缺陷。
优选的，所述的步骤1，具体包括如下步骤：
1-1、相机位于轴承的正上方，相机与轴承之间有环形LED光源；镜头光圈小，保证铆钉轮廓线清晰，总体明暗对比强烈；然后对目标进行图像采集；
1-2、通过加权平均法将采集到的轴承铆钉图像转换成灰度图像G；灰度图像G的转换具体如下：
Gray＝R×0.3+G×0.59+B×0.11
对目标图像中的每一个像素点处理，将其转换成灰度图像G；其中R、G、B为一个像素点的值的基色分量。
优选的，所述的步骤2，具体包括如下步骤：
2-1、对获取到的灰度图像G进行图像预处理，通过中值滤波方法除去灰度图像G的噪声点；
2-1-1、选定5×5像素点的邻域，将邻域内的像素按灰度等级进行排序，确定其中值；
2-1-2、将确定的中值赋予滤波后图像中的相应像素点，该相应像素点即进行中值滤波的像素点。
优选的，所述的步骤3.1，具体包括：
ThR＝(ThMin,ThMax)
searchTimes＝(ThMax-ThMin)/ThSpan
即搜索的阈值范围是在(ThMin,ThMax)，从ThMin开始，每次递增ThSpan，直到最大值ThMax，searchTimes为搜索次数，ThMin在80-120之间，ThMax在120-160之间，ThSpan在5-10之间。
优选的，所述的步骤3.3，具体包括如下步骤：
3.3.1、预先设定铆钉半径的取值范围(inRmin,inRmax)和圆整度Rndness，及铆钉半径的参照值inR；
3.3.2、根据图像亮度分布特性，选择区域标记算法，提取黑色连通区域，灰度值<Th，设连通区域的外接矩形为Rgn_Rt，如果该区域为铆钉区域，则其必须符合以下约束条件：
(1)2×inRmin<Rgn_Rt.Width<2×inRmax
(2)2×inRmin<Rgn_Rt.Height<2×inRmax
(3)rateR＝Max(Rgn_Rt.Width,Rgn_Rt.Height)/Min(Rgn_Rt.Width,Rgn_Rt.Height)<Rndness
其中，Rgn_Rt.Width为矩形Rgn_Rt的宽度，Rgn_Rt.Height为高度，Rndness为圆整度，衡量目标接近于圆的程度，设置为1-1.05之间；
3.3.3、如果有多个区域符合上述约束条件，则选择与铆钉尺寸最接近者为铆钉区域，采用尺度差异度sizeDiff衡量区域与铆钉在尺度上的相似性，即：
sizeDiff＝abs(Rgn_Rt.Width-2*inR)+abs(Rgn_Rt.Height-2*inR)
选尺度差异度最小者为目标区域Rgn1，此时，设定该目标的外接矩形为outRect，则铆钉中心可设为Pc，其坐标为：
Pc＝(Rgn_Rt.X+Rgn_Rt.Width/2,Rgn_Rt.Y+Rgn_Rt.Height/2)
铆钉半径近似为：
rivetR＝(Rgn_Rt.Width+Rgn_Rt.Height)/4。
优选的，所述的步骤3.4，具体包括如下步骤：
3.4.1、计算Rgn1的外接矩形Rgn1_Rt，绘制相应的内切椭圆，具有2-4个像素的厚度，该椭圆区域设定Rgn2；
3.4.2、合并Rgn1和Rgn2区域，生成新区域Rgn3，提取G1目标Rgn3区域内图像，并作为二次检测目标G2；而外部区域均为无效区域，在不影响检测的情况下，设置无效区域为黑色，此时，已经完全分割了待检测的铆钉区域。
优选的，所述的步骤3.6，具体包括如下步骤：
3.6.1、对步骤3.5所计算的各个连通区域，按面积大小进行排序；
3.6.2、铆钉实际区域是所有面积区域中的最大者，因此首先排除该面积最大的区域G2_Rgnmax，从剩下的区域中检索可能的台阶区域；
3.6.3、考虑铆钉表面存在污染或金属表面反光影响，为提高判断的准确率，对于任意可能的内台阶区域，必须符合以下约束条件：
G2_R.Area>StepMinAreaTh (1)
Max(G2_R.Width,G2_R.Height)>StepMinSizeTh (2)
其中G2_R.Area为区域的面积值，G2_R.Width为区域的宽度，G2_R.Height为区域的高度，约束(1)为面积约束，约束(2)为尺寸约束，两个约束条件用于过滤噪声干扰区域，避免误判。
优选的，所述的步骤4.1，具体包括如下步骤：
4.1.1、设检测区域内图像上的某一点坐标为I(x,y)，则检测区域内图像在该点I(x,y)的梯度值DI计算如下：
DI＝Sqrt(Dx×Dx+Dy×Dy)
Dx＝(I(x+1,y)-I(x-1,y))/2
Dy＝(I(x,y+1)-I(x,y-1))/2
图像的铆合部位较亮，即灰度值较高，因此对梯度值DI进行优化，优化后的梯度值D如下：
D＝a×DI+b×(I1-th)
其中a、b为比列系数，a＝0.9，b＝0.1，DI为之前计算的图像梯度值，I1为点I(x,y)的灰度，th为设定的灰度阈值，
对于I1-th≤0的，则点I(x,y)为边缘的可能性降低，
对于I1-th＞0的，则点I(x,y)为边缘的可能性增加，
当D值大于设定的阈值时，即选取此点作为Hough变换的对象，进行Hough累积值的提取统计，所述的阈值取值5～8；
4.1.2、在外圈半径的允许范围(outR1，outR2)进行圆形Hough变换，实现图像的二维空间(X,Y)到参数空间(X,Y,R)变换，并计算变换后的霍夫累积值Accum，选择最大累积值点作为目标中心Pout，若该累积值大于给定的houghTh阈值，则表明图像G1中存在目标圆outCircle，其参数空间坐标为(Xo,Yo,Ro)，即该圆坐标为(Xo,Yo)，半径为Ro；
所述的步骤4.2，具体包括如下步骤：
4.2.1、计算区域Rgn3的外接矩形Rgn3_Rt，确定铆钉区域的尺寸和中心位置：
P2c＝(Rgn3_Rt.X+Rgn3_Rt.Width/2,Rgn3_Rt.Y+Rgn3_Rt.Height/2)
铆钉半径近似为：
rivetR2＝(Rgn3_Rt.Width+Rgn3_Rt.Height)/4
其中Rgn3_Rt.Width、Rgn3_Rt.Height分别为矩形的宽和高；
4.2.2、比较铆钉与外圈outCircle(Xo,Yo,Ro)的几何约束关系，如果满足以下约束，则认为该外圈为外台阶：
MinEdgeDist>minCenterDistTh
MinRDiff<RDiff<MaxRDiff
其中，MinEdgeDist为外圈与内圈的轮廓最近距离，RDiff为内外圈的半径差，计算公式如下所示，该几何约束关系与机械平台相关，为内圈半径的0.1～0.2倍之间，RDiff为内圈半径的0.2～0.5倍之间：
MinEdgeDist＝Ro-Length((Xo,Yo),P2c)-rivetR2
RDiff＝Ro-rivetR2
其中，Length((Xo,Yo),P2c)为外圈中心到内圈中心的间距。
优选的，所述的步骤3.6获取的是内台阶的数量、形状和位置信息，如果不存在内台阶缺陷，则此时内台阶的数量为0。
优选的，所述的步骤4.2获取的是外台阶参数，包括外台阶的位置和半径信息，外台阶最多存在一个。
本发明的优点：1)由于铆钉本身凸凹不平，且金属表面存在高光效应，影响检测准确性，而本发明采用自适应检测方法，通过自动查找最佳的灰度阈值，合理定位的铆钉区域并进行缺陷检测，算法健壮性较好。
2)在铆钉内台阶缺陷检测方面，通过区域标记方法，合理判断铆钉范围，并在此基础上，通过闭合铆钉区域和二次区域标记，检索铆钉内可能的台阶缺陷，最终通过内台阶的几何约束，判断可能区域是否为真实的台阶缺陷。算法在内台阶检测方面具有较好的稳定性。
3)对于内台阶，采用二次区域标记算法来加强内台阶判断的准确性。其中，第一次区域标记主要用于获取铆钉的外接区域，并提取该区域图像作为后续判断的根据；第二次区域分割主要是判断铆钉区域内部是否存在多个区域，即判断内台阶是否存在。算法通过多次的标记分割，准确检测内台阶缺陷，提升了算法的鲁棒性，避免检测过程受局部的光照干扰，且适合铆钉轮廓非封闭情形。
4)在外台阶检测过程，先通过霍夫变换，检测外圈参数，然后通过外圈和铆钉区域的几何约束关系，判断该外台阶区域是否有效。该方法能有效的判断外台阶缺陷，避免误判。
附图说明
图1是轴承铆钉台阶缺陷视觉检测的检测装置示意图。
图2是轴承铆钉区域投影示意图。
图3是二次区域标记算法示意图。
图4是轴承铆钉台阶缺陷视觉检测方法的流程图。
具体实施方式
下面结合实施例和具体实施方式对本发明作进一步详细的说明。
如图4所示，一种基于机器视觉的轴承铆钉台阶缺陷的检测方法，具体包括如下步骤：
步骤1、轴承铆钉图像采集，即通过CCD相机拍摄目标图像，并将图像转换成灰度图像G；
步骤2、轴承铆钉图像预处理，即对转换后的灰度图像G进行去噪并增强其对比度，生成预处理后的灰度图像G1；
基于算法原理不同，台阶检测过程需单独处理，如图2所示，即进行内台阶缺陷检测和外台阶缺陷检测；
步骤3、内台阶缺陷检测，为了降低环境光照影响及金属表面的反光因素的影响，并考虑铆钉轮廓存在非封闭状况，采用自适应检测方法，在阈值范围内搜索可能存在的铆钉区域，通过二次区域标记、轮廓闭合、几何约束方法精确定位内台阶缺陷，具体包括如下步骤：
步骤3.1、确定自适应检测的灰度阈值搜索范围ThR和灰度间隔ThSpan，
步骤3.2、尝试选择一个灰度阈值Th，如果灰度范围已经搜索完毕，即所有可能的灰度阈值都检测过，未发现合理的铆钉区域，则不再进行检测，此时铆钉为不合格品；否则，继续后续的检测，
步骤3.3、根据灰度阈值Th对检测区域进行二值化处理，并标记出所有连通区域G1_Rgni(i＝1,n)(如图3-区域标记1所示)，逐一判断是否与铆钉尺寸和形状接近，依据为区域的尺寸和长宽比，如果不能找到符合要求的区域，则返回步骤3.2；否则，找到最适合的铆钉区域Rgn1，获取其位置信息，继续进行后续检测，
步骤3.4、针对铆钉轮廓存在的不闭合状况，先构建封闭的铆钉区域，计算Rgn1的外接矩形Rgn1_Rt，生成相应的内切椭圆，将该椭圆区域Rgn2与Rgn1合并，生成新区域Rgn3，从原始图像中提取该区域Rgn3的图像，并作为第二次检测目标G2，
步骤3.5、对G2进行二值化，并进行区域标记，标记所有连通区域G2_Rgni(i＝1,n)，具体为：选择步骤3.2中的灰度阈值Th，计算所有白色连通区域，灰度值>Th，并提取连通区域的主要属性，即面积、尺寸和填充率，
步骤3.6、针对步骤3.5的标记结果，按面积大小排序，去除最大的连通区域G2_Rgnmax，检索所有剩余的标记区域，如果存在G2_Ri且符合台阶的基本特征要求，即面积和尺寸条件，则该区域被认为是内台阶区域，此时，目标G2中存在内台阶缺陷；否则，不存在内台阶区域；
此时，基本完成了内台阶检测，而外台阶的检测过程则相对简单。
步骤4、外台阶缺陷检测，具体包括如下步骤：
步骤4.1、依据霍夫检测算法，检测半径范围内可能存在的圆形区域，该区域的半径大于正常铆钉半径，其大小与装配线机械设备相关，为铆钉尺寸的1.2-1.5倍，如果存在，则说明外台阶可能存在缺陷，需进一步判断；否则，不存在外台阶缺陷，
步骤4.2、依据步骤3.4所定位的铆钉区域Rgn3，判断外圈与铆钉区域的位置关系和尺寸差异，如果在允许范围内，则该外圈区域为外台阶；否则，则认为步骤4.1检测结果为环境干扰，忽略之；
步骤5、依据步骤3.6和步骤4.2所得分析结果，判断铆钉是否合格，不合格现象包括：内台阶缺陷、外台阶缺陷、内外台阶缺陷或其它类型缺陷(图2)。
所述的步骤1，如图1所示，具体包括如下步骤：
1-1、相机位于轴承的正上方，相机与轴承之间有环形LED光源；镜头光圈小，保证铆钉轮廓线清晰，总体明暗对比强烈；然后对目标进行图像采集；
1-2、通过加权平均法将采集到的轴承铆钉图像转换成灰度图像G；灰度图像G的转换具体如下：
Gray＝R×0.3+G×0.59+B×0.11
对目标图像中的每一个像素点处理，将其转换成灰度图像G；其中R、G、B为一个像素点的值的基色分量。
所述的步骤2，具体包括如下步骤：
2-1、对获取到的灰度图像G进行图像预处理，通过中值滤波方法除去灰度图像G的噪声点；
2-1-1、选定5×5像素点的邻域，将邻域内的像素按灰度等级进行排序，确定其中值；
2-1-2、将确定的中值赋予滤波后图像中的相应像素点，该相应像素点即进行中值滤波的像素点。
所述的步骤3.1，具体包括：
ThR＝(ThMin,ThMax)
searchTimes＝(ThMax-ThMin)/ThSpan
即搜索的阈值范围是在(ThMin,ThMax)，从ThMin开始，每次递增ThSpan，直到最大值ThMax，searchTimes为搜索次数，ThMin在80-120之间，ThMax在120-160之间，ThSpan在5-10之间。
所述的步骤3.3，具体包括如下步骤：
3.3.1、预先设定铆钉半径的取值范围(inRmin,inRmax)和圆整度Rndness，及铆钉半径的参照值inR；
3.3.2、根据图像亮度分布特性，选择区域标记算法(如图3-区域标记2所示)，提取黑色连通区域，灰度值<Th，设连通区域的外接矩形为Rgn_Rt，如果该区域为铆钉区域，则其必须符合以下约束条件：
(1)2×inRmin<Rgn_Rt.Width<2×inRmax
(2)2×inRmin<Rgn_Rt.Height<2×inRmax
(3)rateR＝Max(Rgn_Rt.Width,Rgn_Rt.Height)/Min(Rgn_Rt.Width,Rgn_Rt.Height)<Rndness
其中，Rgn_Rt.Width为矩形Rgn_Rt的宽度，Rgn_Rt.Height为高度，Rndness为圆整度，衡量目标接近于圆的程度，设置为1-1.05之间；
3.3.3、如果有多个区域符合上述约束条件，则选择与铆钉尺寸最接近者为铆钉区域，采用尺度差异度sizeDiff衡量区域与铆钉在尺度上的相似性，即：
sizeDiff＝abs(Rgn_Rt.Width-2*inR)+abs(Rgn_Rt.Height-2*inR)
选尺度差异度最小者为目标区域Rgn1，此时，设定该目标的外接矩形为outRect，则铆钉中心可设为Pc，其坐标为：
Pc＝(Rgn_Rt.X+Rgn_Rt.Width/2,Rgn_Rt.Y+Rgn_Rt.Height/2)
铆钉半径近似为：
rivetR＝(Rgn_Rt.Width+Rgn_Rt.Height)/4。
所述的步骤3.4，具体包括如下步骤：
3.4.1、计算Rgn1的外接矩形Rgn1_Rt，绘制相应的内切椭圆，具有2-4个像素的厚度，该椭圆区域设定Rgn2；
3.4.2、合并Rgn1和Rgn2区域，生成新区域Rgn3，提取G1目标Rgn3区域内图像，并作为二次检测目标G2；而外部区域均为无效区域，在不影响检测的情况下，设置无效区域为黑色，此时，已经完全分割了待检测的铆钉区域。
所述的步骤3.6，具体包括如下步骤：
3.6.1、对步骤3.5所计算的各个连通区域，按面积大小进行排序；
3.6.2、铆钉实际区域是所有面积区域中的最大者，因此首先排除该面积最大的区域G2_Rgnmax，从剩下的区域中检索可能的台阶区域；
3.6.3、考虑铆钉表面存在污染或金属表面反光影响，为提高判断的准确率，对于任意可能的内台阶区域，必须符合以下约束条件：
G2_R.Area>StepMinAreaTh (1)
Max(G2_R.Width,G2_R.Height)>StepMinSizeTh (2)
其中G2_R.Area为区域的面积值，G2_R.Width为区域的宽度，G2_R.Height为区域的高度，约束(1)为面积约束，约束(2)为尺寸约束，两个约束条件用于过滤噪声干扰区域，避免误判。
所述的步骤4.1，具体包括如下步骤：
4.1.1、设检测区域内图像上的某一点坐标为I(x,y)，则检测区域内图像在该点I(x,y)的梯度值DI计算如下：
DI＝Sqrt(Dx×Dx+Dy×Dy)
Dx＝(I(x+1,y)-I(x-1,y))/2
Dy＝(I(x,y+1)-I(x,y-1))/2
图像的铆合部位较亮，即灰度值较高，因此对梯度值DI进行优化，优化后的梯度值D如下：
D＝a×DI+b×(I1-th)
其中a、b为比列系数，a＝0.9，b＝0.1，DI为之前计算的图像梯度值，I1为点I(x,y)的灰度，th为设定的灰度阈值，
对于I1-th≤0的，则点I(x,y)为边缘的可能性降低，
对于I1-th＞0的，则点I(x,y)为边缘的可能性增加，
当D值大于设定的阈值时，即选取此点作为Hough变换的对象，进行Hough累积值的提取统计，所述的阈值取值5～8；
所述的阈值经过检验证明，其取值在5～8范围之内为最佳的取值，阈值小于5则图像梯度不明显，会得到很多候选点，影响计算时间且降低精确度；阈值大于8则图像梯度虽然明显，但是得到的候选点数会少，同样精确性得不到保证。取8作为梯度阈值时，当D值大于8，即选取此点作为Hough变换的对象，进行Hough累积值统计。
4.1.2、在外圈半径的允许范围(outR1，outR2)进行圆形Hough变换，实现图像的二维空间(X,Y)到参数空间(X,Y,R)变换，并计算变换后的霍夫累积值Accum，选择最大累积值点作为目标中心Pout，若该累积值大于给定的houghTh阈值，则表明图像G1中存在目标圆outCircle，其参数空间坐标为(Xo,Yo,Ro)，即该圆坐标为(Xo,Yo)，半径为Ro。
所述的步骤4.2，具体包括如下步骤：
4.2.1、计算区域Rgn3的外接矩形Rgn3_Rt，确定铆钉区域的尺寸和中心位置：
P2c＝(Rgn3_Rt.X+Rgn3_Rt.Width/2,Rgn3_Rt.Y+Rgn3_Rt.Height/2)
铆钉半径近似为：
rivetR2＝(Rgn3_Rt.Width+Rgn3_Rt.Height)/4
其中Rgn3_Rt.Width、Rgn3_Rt.Height分别为矩形的宽和高；
4.2.2、比较铆钉与外圈outCircle(Xo,Yo,Ro)的几何约束关系，如果满足以下约束，则认为该外圈为外台阶：
MinEdgeDist>minCenterDistTh
MinRDiff<RDiff<MaxRDiff
其中，MinEdgeDist为外圈与内圈(铆钉)的轮廓最近距离，RDiff为内外圈的半径差，计算公式如下所示，该几何约束关系与机械平台相关，为内圈半径的0.1～0.2倍之间，RDiff为内圈半径的0.2～0.5倍之间：
MinEdgeDist＝Ro-Length((Xo,Yo),P2c)-rivetR2
RDiff＝Ro-rivetR2
其中，Length((Xo,Yo),P2c)为外圈中心到内圈(铆钉)中心的间距。
所述的步骤3.6获取的是内台阶的数量、形状和位置信息，如果不存在内台阶缺陷，则此时内台阶的数量为0。
所述的步骤4.2获取的是外台阶参数，包括外台阶的位置和半径信息，外台阶最多存在一个。
以上所述的仅是本发明的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.一种基于机器视觉的轴承铆钉台阶缺陷的检测方法，其特征是该方法包括如下步骤：
步骤1、轴承铆钉图像采集，即通过CCD相机拍摄目标图像，并将图像转换成灰度图像G；
步骤2、轴承铆钉图像预处理，即对转换后的灰度图像G进行去噪并增强其对比度，生成预处理后的灰度图像G1；
步骤3、内台阶缺陷检测，为了降低环境光照影响及金属表面的反光因素的影响，并考虑铆钉轮廓存在非封闭状况，采用自适应检测方法，在阈值范围内搜索可能存在的铆钉区域，通过二次区域标记、轮廓闭合、几何约束方法精确定位内台阶缺陷，具体包括如下步骤：
步骤3.1、确定自适应检测的灰度阈值搜索范围ThR和灰度间隔ThSpan，
步骤3.2、尝试选择一个灰度阈值Th，如果灰度范围已经搜索完毕，即所有可能的灰度阈值都检测过，未发现合理的铆钉区域，则不再进行检测，此时铆钉为不合格品；否则，继续后续的检测，
步骤3.3、根据灰度阈值Th对检测区域进行二值化处理，并标记出所有连通区域G1_Rgni(i＝1,n)，逐一判断是否与铆钉尺寸和形状接近，依据为区域的尺寸和长宽比，如果不能找到符合要求的区域，则返回步骤3.2；否则，找到最适合的铆钉区域Rgn1，获取其位置信息，继续进行后续检测，
步骤3.4、针对铆钉轮廓存在的不闭合状况，先构建封闭的铆钉区域，计算Rgn1的外接矩形Rgn1_Rt，生成相应的内切椭圆，将该椭圆区域Rgn2与Rgn1合并，生成新区域Rgn3，从原始图像中提取该区域Rgn3的图像，并作为第二次检测目标G2，
步骤3.5、对G2进行二值化，并进行区域标记，标记所有连通区域G2_Rgn i(i＝1,n)，具体为：选择步骤3.2中的灰度阈值Th，计算所有白色连通区域，灰度值>Th，并提取连通区域的主要属性，即面积、尺寸和填充率，
步骤3.6、针对步骤3.5的标记结果，按面积大小排序，去除最大的连通区域G2_Rgnmax，检索所有剩余的标记区域，如果存在G2_Ri且符合台阶的基本特征要求，即面积和尺寸条件，则该区域被认为是内台阶区域，此时，目标G2中存在内台阶缺陷；否则，不存在内台阶区域；
步骤4、外台阶缺陷检测，具体包括如下步骤：
步骤4.1、依据霍夫检测算法，检测半径范围内可能存在的圆形区域，该区域的半径大于正常铆钉半径，其大小与装配线机械设备相关，为铆钉尺寸的1.2-1.5倍，如果存在，则说明外台阶可能存在缺陷，需进一步判断；否则，不存在外台阶缺陷，
步骤4.2、依据步骤3.4所定位的铆钉区域Rgn3，判断外圈与铆钉区域的位置关系和尺寸差异，如果在允许范围内，则该外圈区域为外台阶；否则，则认为步骤4.1检测结果为环境干扰，忽略之；
步骤5、依据步骤3.6和步骤4.2所得分析结果，判断铆钉是否合格，不合格现象包括：内台阶缺陷、外台阶缺陷、内外台阶缺陷或其它类型缺陷。
2.如权利要求1所述的一种基于机器视觉的轴承铆钉台阶缺陷的检测方法，其特征是所述的步骤1，具体包括如下步骤：
1-1、相机位于轴承的正上方，相机与轴承之间有环形LED光源；镜头光圈小，保证铆钉轮廓线清晰，总体明暗对比强烈；然后对目标进行图像采集；
1-2、通过加权平均法将采集到的轴承铆钉图像转换成灰度图像G；灰度图像G的转换具体如下：
Gray＝R×0.3+G×0.59+B×0.11
对目标图像中的每一个像素点处理，将其转换成灰度图像G；其中R、G、B为一个像素点的值的基色分量。
3.如权利要求1所述的一种基于机器视觉的轴承铆钉台阶缺陷的检测方法，其特征是所述的步骤2，具体包括如下步骤：
2-1、对获取到的灰度图像G进行图像预处理，通过中值滤波方法除去灰度图像G的噪声点；
2-1-1、选定5×5像素点的邻域，将邻域内的像素按灰度等级进行排序，确定其中值；
2-1-2、将确定的中值赋予滤波后图像中的相应像素点，该相应像素点即进行中值滤波的像素点。
4.如权利要求1所述的一种基于机器视觉的轴承铆钉台阶缺陷的检测方法，其特征是所述的步骤3.1，具体包括：
ThR＝(ThMin,ThMax)
searchTimes＝(ThMax-ThMin)/ThSpan
即搜索的阈值范围是在(ThMin,ThMax)，从ThMin开始，每次递增ThSpan，直到最大值ThMax，searchTimes为搜索次数，ThMin在80-120之间，ThMax在120-160之间，ThSpan在5-10之间。
5.如权利要求1所述的一种基于机器视觉的轴承铆钉台阶缺陷的检测方法，其特征是所述的步骤3.3，具体包括如下步骤：
3.3.1、预先设定铆钉半径的取值范围(inRmin,inRmax)和圆整度Rndness，及铆钉半径的参照值inR；
3.3.2、根据图像亮度分布特性，选择区域标记算法，提取黑色连通区域，灰度值<Th，设连通区域的外接矩形为Rgn_Rt，如果该区域为铆钉区域，则其必须符合以下约束条件：
(1)2×inRmin<Rgn_Rt.Width<2×inRmax
(2)2×inRmin<Rgn_Rt.Height<2×inRmax
(3)rateR＝Max(Rgn_Rt.Width,Rgn_Rt.Height)/Min(Rgn_Rt.Width,Rgn_Rt.Height)<Rndness
其中，Rgn_Rt.Width为矩形Rgn_Rt的宽度，Rgn_Rt.Height为高度，Rndness为圆整度，衡量目标接近于圆的程度，设置为1-1.05之间；
3.3.3、如果有多个区域符合上述约束条件，则选择与铆钉尺寸最接近者为铆钉区域，采用尺度差异度sizeDiff衡量区域与铆钉在尺度上的相似性，即：
sizeDiff＝abs(Rgn_Rt.Width-2*inR)+abs(Rgn_Rt.Height-2*inR)
选尺度差异度最小者为目标区域Rgn1，此时，设定该目标的外接矩形为outRect，则铆钉中心可设为Pc，其坐标为：
Pc＝(Rgn_Rt.X+Rgn_Rt.Width/2,Rgn_Rt.Y+Rgn_Rt.Height/2)
铆钉半径近似为：
rivetR＝(Rgn_Rt.Width+Rgn_Rt.Height)/4。
6.如权利要求1所述的一种基于机器视觉的轴承铆钉台阶缺陷的检测方法，其特征是所述的步骤3.4，具体包括如下步骤：
3.4.1、计算Rgn1的外接矩形Rgn1_Rt，绘制相应的内切椭圆，具有2-4个像素的厚度，该椭圆区域设定Rgn2；
3.4.2、合并Rgn1和Rgn2区域，生成新区域Rgn3，提取G1目标Rgn3区域内图像，并作为二次检测目标G2；而外部区域均为无效区域，在不影响检测的情况下，设置无效区域为黑色，此时，已经完全分割了待检测的铆钉区域。
7.如权利要求1所述的一种基于机器视觉的轴承铆钉台阶缺陷的检测方法，其特征是所述的步骤3.6，具体包括如下步骤：
3.6.1、对步骤3.5所计算的各个连通区域，按面积大小进行排序；
3.6.2、铆钉实际区域是所有面积区域中的最大者，因此首先排除该面积最大的区域G2_Rgnmax，从剩下的区域中检索可能的台阶区域；
3.6.3、考虑铆钉表面存在污染或金属表面反光影响，为提高判断的准确率，对于任意可能的内台阶区域，必须符合以下约束条件：
G2_R.Area>StepMinAreaTh(1)
Max(G2_R.Width,G2_R.Height)>StepMinSizeTh(2)
其中G2_R.Area为区域的面积值，G2_R.Width为区域的宽度，G2_R.Height为区域的高度，约束(1)为面积约束，约束(2)为尺寸约束，两个约束条件用于过滤噪声干扰区域，避免误判。
8.如权利要求1所述的一种基于机器视觉的轴承铆钉台阶缺陷的检测方法，其特征是所述的步骤4.1，具体包括如下步骤：
4.1.1、设检测区域内图像上的某一点坐标为I(x,y)，则检测区域内图像在该点I(x,y)的梯度值DI计算如下：
DI＝Sqrt(Dx×Dx+Dy×Dy)
Dx＝(I(x+1,y)-I(x-1,y))/2
Dy＝(I(x,y+1)-I(x,y-1))/2
图像的铆合部位较亮，即灰度值较高，因此对梯度值DI进行优化，优化后的梯度值D如下：
D＝a×DI+b×(I1-th)
其中a、b为比列系数，a＝0.9，b＝0.1，DI为之前计算的图像梯度值，I1为点I(x,y)的灰度，th为设定的灰度阈值，
对于I1-th≤0的，则点I(x,y)为边缘的可能性降低，
对于I1-th＞0的，则点I(x,y)为边缘的可能性增加，
当D值大于设定的阈值时，即选取此点作为Hough变换的对象，进行Hough累积值的提取统计，所述的阈值取值5～8；
4.1.2、在外圈半径的允许范围(outR1，outR2)进行圆形Hough变换，实现图像的二维空间(X,Y)到参数空间(X,Y,R)变换，并计算变换后的霍夫累积值Accum，选择最大累积值点作为目标中心Pout，若该累积值大于给定的houghTh阈值，则表明图像G1中存在目标圆outCircle，其参数空间坐标为(Xo,Yo,Ro)，即该圆坐标为(Xo,Yo)，半径为Ro；
所述的步骤4.2，具体包括如下步骤：
4.2.1、计算区域Rgn3的外接矩形Rgn3_Rt，确定铆钉区域的尺寸和中心位置：
P2c＝(Rgn3_Rt.X+Rgn3_Rt.Width/2,Rgn3_Rt.Y+Rgn3_Rt.Height/2)
铆钉半径近似为：
rivetR2＝(Rgn3_Rt.Width+Rgn3_Rt.Height)/4
其中Rgn3_Rt.Width、Rgn3_Rt.Height分别为矩形的宽和高；
4.2.2、比较铆钉与外圈outCircle(Xo,Yo,Ro)的几何约束关系，如果满足以下约束，则认为该外圈为外台阶：
MinEdgeDist>minCenterDistTh
MinRDiff<RDiff<MaxRDiff
其中，MinEdgeDist为外圈与内圈的轮廓最近距离，RDiff为内外圈的半径差，计算公式如下所示，该几何约束关系与机械平台相关，为内圈半径的0.1～0.2倍之间，RDiff为内圈半径的0.2～0.5倍之间：
MinEdgeDist＝Ro-Length((Xo,Yo),P2c)-rivetR2
RDiff＝Ro-rivetR2
其中，Length((Xo,Yo),P2c)为外圈中心到内圈中心的间距。
9.如权利要求1或7所述的一种基于机器视觉的轴承铆钉台阶缺陷的检测方法，其特征是所述的步骤3.6获取的是内台阶的数量、形状和位置信息，如果不存在内台阶缺陷，则此时内台阶的数量为0。
10.如权利要求1或8所述的一种基于机器视觉的轴承铆钉台阶缺陷的检测方法，其特征是所述的步骤4.2获取的是外台阶参数，包括外台阶的位置和半径信息，外台阶最多存在一个。
CN201611231590.4A 2016-12-28 2016-12-28 一种轴承铆钉台阶缺陷的视觉检测方法 Active CN106680287B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611231590.4A CN106680287B (zh) 2016-12-28 2016-12-28 一种轴承铆钉台阶缺陷的视觉检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611231590.4A CN106680287B (zh) 2016-12-28 2016-12-28 一种轴承铆钉台阶缺陷的视觉检测方法

Publications (2)

Publication Number Publication Date
CN106680287A true CN106680287A (zh) 2017-05-17
CN106680287B CN106680287B (zh) 2020-07-03

Family

ID=58871877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611231590.4A Active CN106680287B (zh) 2016-12-28 2016-12-28 一种轴承铆钉台阶缺陷的视觉检测方法

Country Status (1)

Country Link
CN (1) CN106680287B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107290795A (zh) * 2017-08-25 2017-10-24 西京学院 一种铆钉视觉检测方法
CN107884413A (zh) * 2017-10-24 2018-04-06 华东交通大学 一种自动检测轴承滚动体缺失的装置及检测方法
CN107886495A (zh) * 2017-09-30 2018-04-06 北京得华机器人技术研究院有限公司 一种基于相似度匹配的汽车零配件缺陷识别方法
CN108844961A (zh) * 2018-08-01 2018-11-20 佛山科学技术学院 一种温控器壳体视觉检测系统及方法
CN109741314A (zh) * 2018-12-29 2019-05-10 广州博通信息技术有限公司 一种零件的视觉检测方法及系统
CN109886917A (zh) * 2019-01-09 2019-06-14 浙江舜宇光学有限公司 一种晶圆盘定位方法及装置
CN109886912A (zh) * 2018-10-09 2019-06-14 中国计量大学 一种推力轴承保持架表面缺陷检测方法
CN110523909A (zh) * 2019-07-10 2019-12-03 南京航空航天大学 一种基于机器人视觉的自动送钉系统及方法
CN112132773A (zh) * 2019-06-24 2020-12-25 曜科智能科技（上海）有限公司 飞机头部机盖铆点缺陷检测方法、装置、设备和存储介质
CN113129264A (zh) * 2021-03-17 2021-07-16 联想(北京)有限公司 一种图像处理方法及装置
CN114882043A (zh) * 2022-07-12 2022-08-09 南通三信塑胶装备科技股份有限公司 基于图像处理的注塑件缺陷定位方法及系统
CN115018833A (zh) * 2022-08-05 2022-09-06 山东鲁芯之光半导体制造有限公司 一种半导体器件的加工缺陷检测方法
CN116359250A (zh) * 2023-06-01 2023-06-30 苏州精控能源科技有限公司 Ccs焊接、热压铆接同步检测方法及系统
CN116625239A (zh) * 2023-07-19 2023-08-22 深圳灿维科技有限公司 一种基于图像处理的台阶孔检测方法、装置及系统
CN117197133A (zh) * 2023-11-06 2023-12-08 湖南睿图智能科技有限公司 一种复杂工业环境下视觉机器人的控制系统及方法
CN117788472A (zh) * 2024-02-27 2024-03-29 南京航空航天大学 一种基于dbscan算法的飞机蒙皮表面铆钉腐蚀程度判断的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004107268A1 (en) * 2003-05-30 2004-12-09 Zen Voce Manufacturing Pte Ltd Method and system for detecting top surface non-uniformity of fasteners
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
CN102636490A (zh) * 2012-04-12 2012-08-15 江南大学 基于机器视觉的轴承防尘盖表面缺陷检测方法
CN103150730A (zh) * 2013-03-07 2013-06-12 南京航空航天大学 一种基于图像的圆形小目标精确检测方法
CN103955933A (zh) * 2014-04-30 2014-07-30 杭州师范大学 一种基于机器视觉的汽车拉环锁扣铆合的检测方法
CN104614374A (zh) * 2015-02-04 2015-05-13 宁波百加百测控设备有限公司 一种钢球表面缺陷检测展开装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004107268A1 (en) * 2003-05-30 2004-12-09 Zen Voce Manufacturing Pte Ltd Method and system for detecting top surface non-uniformity of fasteners
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
CN102636490A (zh) * 2012-04-12 2012-08-15 江南大学 基于机器视觉的轴承防尘盖表面缺陷检测方法
CN103150730A (zh) * 2013-03-07 2013-06-12 南京航空航天大学 一种基于图像的圆形小目标精确检测方法
CN103955933A (zh) * 2014-04-30 2014-07-30 杭州师范大学 一种基于机器视觉的汽车拉环锁扣铆合的检测方法
CN104614374A (zh) * 2015-02-04 2015-05-13 宁波百加百测控设备有限公司 一种钢球表面缺陷检测展开装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
H.L. WANG: "Quality Verification of a Riveting Process by Statistical Analysis and Neural Network", 《EXPERIMENTAL TECHNIQUES》 *
XING ZHIWEI等: "The structure and defects recognition algorithm of an aircraft surface defects inspection robot", 《2009 INTERNATIONAL CONFERENCE ON INFORMATION AND AUTOMATION》 *
ZHENG LIU等: "Automated rivet detection in the EOL image for aircraft lap joints inspection", 《NDT&E INTERNATIONAL》 *
任子真，王保辉: "塑料铆接缝隙图像检测系统的研究", 《微型机与应用》 *
刘春辉， 徐平: "轴承铆钉缺陷检测方法研究", 《杭州电子科技大学学报》 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107290795A (zh) * 2017-08-25 2017-10-24 西京学院 一种铆钉视觉检测方法
CN107886495B (zh) * 2017-09-30 2020-04-14 北京得华机器人技术研究院有限公司 一种基于相似度匹配的汽车零配件缺陷识别方法
CN107886495A (zh) * 2017-09-30 2018-04-06 北京得华机器人技术研究院有限公司 一种基于相似度匹配的汽车零配件缺陷识别方法
CN107884413A (zh) * 2017-10-24 2018-04-06 华东交通大学 一种自动检测轴承滚动体缺失的装置及检测方法
CN108844961A (zh) * 2018-08-01 2018-11-20 佛山科学技术学院 一种温控器壳体视觉检测系统及方法
CN109886912A (zh) * 2018-10-09 2019-06-14 中国计量大学 一种推力轴承保持架表面缺陷检测方法
CN109886912B (zh) * 2018-10-09 2021-02-05 中国计量大学 一种推力轴承保持架表面缺陷检测方法
CN109741314A (zh) * 2018-12-29 2019-05-10 广州博通信息技术有限公司 一种零件的视觉检测方法及系统
CN109886917A (zh) * 2019-01-09 2019-06-14 浙江舜宇光学有限公司 一种晶圆盘定位方法及装置
CN109886917B (zh) * 2019-01-09 2021-04-09 浙江舜宇光学有限公司 一种晶圆盘定位方法及装置
CN112132773B (zh) * 2019-06-24 2024-04-12 曜科智能科技（上海）有限公司 飞机头部机盖铆点缺陷检测方法、装置、设备和存储介质
CN112132773A (zh) * 2019-06-24 2020-12-25 曜科智能科技（上海）有限公司 飞机头部机盖铆点缺陷检测方法、装置、设备和存储介质
CN110523909A (zh) * 2019-07-10 2019-12-03 南京航空航天大学 一种基于机器人视觉的自动送钉系统及方法
CN113129264A (zh) * 2021-03-17 2021-07-16 联想(北京)有限公司 一种图像处理方法及装置
CN114882043B (zh) * 2022-07-12 2022-09-06 南通三信塑胶装备科技股份有限公司 基于图像处理的注塑件缺陷定位方法及系统
CN114882043A (zh) * 2022-07-12 2022-08-09 南通三信塑胶装备科技股份有限公司 基于图像处理的注塑件缺陷定位方法及系统
CN115018833A (zh) * 2022-08-05 2022-09-06 山东鲁芯之光半导体制造有限公司 一种半导体器件的加工缺陷检测方法
CN116359250A (zh) * 2023-06-01 2023-06-30 苏州精控能源科技有限公司 Ccs焊接、热压铆接同步检测方法及系统
CN116359250B (zh) * 2023-06-01 2023-08-08 苏州精控能源科技有限公司 Ccs焊接、热压铆接同步检测方法及系统
CN116625239A (zh) * 2023-07-19 2023-08-22 深圳灿维科技有限公司 一种基于图像处理的台阶孔检测方法、装置及系统
CN116625239B (zh) * 2023-07-19 2023-09-15 深圳灿维科技有限公司 一种基于图像处理的台阶孔检测方法、装置及系统
CN117197133A (zh) * 2023-11-06 2023-12-08 湖南睿图智能科技有限公司 一种复杂工业环境下视觉机器人的控制系统及方法
CN117197133B (zh) * 2023-11-06 2024-01-30 湖南睿图智能科技有限公司 一种复杂工业环境下视觉机器人的控制系统及方法
CN117788472A (zh) * 2024-02-27 2024-03-29 南京航空航天大学 一种基于dbscan算法的飞机蒙皮表面铆钉腐蚀程度判断的方法

Also Published As

Publication number Publication date
CN106680287B (zh) 2020-07-03

Similar Documents

Publication Publication Date Title
CN106680287A (zh) 一种轴承铆钉台阶缺陷的视觉检测方法
CN109141232B (zh) 一种基于机器视觉的盘类铸件在线检测方法
CN110389127B (zh) 一种金属陶瓷零件识别及表面缺陷检测系统和方法
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
CN104794491B (zh) 基于预分类的模糊聚类钢板表面缺陷检测方法
JP6869490B2 (ja) 欠陥検査装置、欠陥検査方法、及びそのプログラム
CN107389701A (zh) 一种基于图像的pcb表观缺陷自动检测系统及方法
CN109187581A (zh) 基于视觉的成品轴承端面缺陷检测方法
CN105046697B (zh) 一种基于多次随机圆检测及拟合度评估的啤酒瓶口定位方法
CN110163853A (zh) 一种边缘缺陷的检测方法
CN105334219A (zh) 一种残差分析动态阈值分割的瓶口缺陷检测方法
CN102221559A (zh) 基于机器视觉的织物疵点在线自动检测方法及其装置
CN111666824B (zh) 移动机器人的基于颜色属性和机器学习的指示灯识别方法
CN108596880A (zh) 基于图像处理的焊接缺陷特征提取与焊接质量分析方法
CN105954301A (zh) 一种基于机器视觉的瓶口质量检测方法
CN113012098B (zh) 一种基于bp神经网络的铁塔角钢冲孔缺陷检测方法
CN104156913A (zh) 金属圆柱工件表观缺陷自动光学检测方法
CN115082410A (zh) 基于图像处理的卡簧缺陷检测方法
CN110728657A (zh) 一种基于深度学习的环状轴承外表面缺陷检测方法
CN106872488A (zh) 一种快速大面积透明基片双表面缺陷视觉检测方法及装置
CN109115775A (zh) 一种基于机器视觉的槟榔等级检测方法
CN106767425B (zh) 一种轴承卡簧豁口的视觉测量方法
Li et al. The method for glass bottle defects detecting based on machine vision
Abdellah et al. Defect detection and identification in textile fabric by SVM method
CN111487192A (zh) 一种基于人工智能的机器视觉表面缺陷检测装置及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220315

Address after: 214072 South Side of Fang No. 5, Block 3-5, Liyuan Development Zone, Wuxi City, Jiangsu Province

Patentee after: WUXI LAIKE AUTOMATION TECHNOLOGY CO.,LTD.

Address before: 214000 Laike Automation Technology Co., Ltd. South of No. 5 Building, Huiguang Science Park, No. 95 Dicui Road, Binhu District, Wuxi City, Jiangsu Province

Patentee before: WUXI HAOYUAN VISUAL TECHNOLOGY CO.,LTD.