CN107705287A - 一种具有中心对称分布规律的工业产品缺损检测方法 - Google Patents
一种具有中心对称分布规律的工业产品缺损检测方法 Download PDFInfo
- Publication number
- CN107705287A CN107705287A CN201710739647.XA CN201710739647A CN107705287A CN 107705287 A CN107705287 A CN 107705287A CN 201710739647 A CN201710739647 A CN 201710739647A CN 107705287 A CN107705287 A CN 107705287A
- Authority
- CN
- China
- Prior art keywords
- crest
- point
- interest
- area
- value
- 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
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- 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
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种具有中心对称分布规律的工业产品的缺损检测方法,其特征在于具体步骤如下:获取图像上的感兴趣区域,及感兴趣区域的中心点坐标;对感兴趣区域的边缘图进行霍夫变换;对变换的结果有条件的向投票空间投票,对上述的二维投票空间向角度方向上投影,转化为一维的数据,其数据表现为离散的波峰波谷规律,其中每个波峰代表一个被检测的目标,判别波峰是否有效,对有效峰值进行求取对应的值,再在投票空间获取对应的最大值,至此可以用直线可以标识出被检测目标的位置。这样工业产品缺损就转化为对波峰个数的判别,从而更简单的检测出产品的缺损情况,提高了抗干扰性。
Description
技术领域
本发明涉及一种具有中心对称分布规律的工业产品的缺损检测方法,属于机器视觉技术领域。
背景技术
在工业零部件装配中,由于人为的疏忽难免会造成零部件的漏装或缺损部件的误装,这将直接影响产品质量,人工检测零部件缺失耗费资源大,而且人工检测速度和效率达不到企业发展速度的要求,随着机器视觉领域的不断发展,用机器视觉检测的方法促进产业结构调整、推进工业转变发展方式等具有重要意义。通常检测的工业产品具有表面光滑单一,没有明显的纹理特征,对于该类目标的零部件是否缺陷造成的缺损产品,传统普遍采用的是霍夫变换和模板匹配这两种方法,但是在检测具中心对称分布特性工业产品,有时却很难准确的检测到,无法完成任务。然而,经过分析,一般该类产品具有旋转性和向心分布特点,特别是当被检测的目标长度短并且与背景有相似目标时,采用以上两种方法检测时很够容易把背景误检测,影响检测结果的准确性。本发明根据所要检测目标的中心对称分布特性提出了一种新的检测方法。
发明内容
为了克服上述现有技术的不足,本发明的目的在于提供了一种具有中心对称分布规律的工业产品缺损检测方法,该方法以产品中心区域开始到检测目标所处的方向,进行方向聚类,首先获取感兴趣区域轮廓及中心点,然后在对感兴趣区域的轮廓图上的点按照只对穿过中心区域的方向的规则有条件的进行投票,在投票空间会得到所要检测目标对应的峰值区域,其中一个波峰代表了一个被检测的目标,这样工业产品缺损就转化为对波峰个数的判别,从而更简单的检测出产品的缺损情况,提高了抗干扰性。
本发明的技术方案是这样实现的:一种具有中心对称分布规律的工业产品的缺损检测方法,其特征在于具体步骤如下:
步骤1:获取图像上的感兴趣区域,及感兴趣区域的中心点c坐标。
步骤2:对感兴趣区域的边缘图进行霍夫变换,变换公式为:r=xcosθ+ysinθθ表示该点p与图像水平方向的夹角,其中θ的初始值为:其中px,py为点p的坐标,θ的范围为半平面,r表示图像左上角点到该点所处的直线的距离。
步骤3:对变换的结果有条件的向投票空间投票,该条件为只对穿过中心区域的直线进行投票,其中判别公式为:|rp-rc|≤R,其中rp表示图像左上角点到p点所处直线的距离,相同的,rc表示图像左上角点到c点所处直线的距离,R为两条直线间的距离。
步骤4:对上述的二维投票空间向角度方向上投影,转化为一维的数据,其数据表现为离散的波峰波谷规律,其中每个波峰代表一个被检测的目标。
步骤5:判别波峰是否有效,有效波峰的个数反映出工业产品的缺损情况,峰值大于阈值的为有效波峰,阈值的计算为:其中Counti表示第i离散波峰波谷变化线的对应值,CountsMin为最低波谷数据值,Counts为离散波峰波谷总的个数,parameter的值是根据最低有效峰值的大小确定,一般取值1-2.5之间。
步骤6:对有效峰值进行求取对应的θ值,再在投票空间获取对应的θ的最大r,至此可以用直线可以标识出被检测目标的位置。
本发明的积极效果是提出的中心对称分布规律的工业产品缺损检测方法抗干扰能力强,对该类型的产品检测具有旋转不变性,同时也解决了检测目标与干扰目标或背景相似无法检测的问题,可以满足特定类型工业生产的检测需求,较传统Hough方法有明显提升,其方法简单、易于实现,且计算效率较高。
附图说明
图1是本发明一种具有中心对称分布规律的工业产品缺损检测方法的流程图。
图2是本发明在预处理阶段图像的边缘图。
图3是本发明穿过中心区域示意图。
图4是本发明的投票空间图
图5是本发明投票空间在角度方向上的投影图。
图6是本发明有缺损的中心对称分布规律的工业产品实验结果图。
具体实施方式
为了更好地理解本发明所提出的方法,下面结合附图和实施例对本发明作详细描述。
如图1为本发明一种具有中心对称分布规律的工业产品缺损检测方法的流程图。包括图像采集到计算机,获取感兴趣区域及其中心点坐标,计算霍夫变换初始角度,对霍夫变换的结果有条件的进行投票,投票空间投影到角度方向上,对投影后数据分析判别有效波峰,确定有效波峰对应的θ值和在投票空间中对应的r值,有效波峰的个数反映出了被检测工业产品的缺损情况。整个过程分为以下步骤:
步骤1,图像预处理阶段。
(1a)首先从相机中获取需要检测的产品图像。
(1b)通过Otsu方法将图像二值化。
(1c)如图2利用Canny边缘算子计算图像的边缘图。
(1d)利用Hough检测圆形获取感兴趣区域,并同时获取感兴趣区域中心坐标。
步骤2,缺损检测过程。
(2a)根据中心点的坐标和原点计算初始角度值其中px,py为点p的坐标,θ的范围为半平面,这样确保计算图像左上角点到对该点所处直线的距离为正值的情况下所有的线段都能有效投票。
(2b)依次遍历感兴趣区域图像上的每一个非零像素值点并计算r=xcosθ+ysinθ保留正值,负值舍去,其中x,y表示边缘像素的坐标,θ表示该点p与图像水平方向的夹角,其初始值由上一步所求,r表示图像左上角点到对该点所处直线的距离。
(2c)如图3,判断|rθ-rp|≤R,其中rp表示图像左上角点到p点所处直线的距离,相同的,rc表示图像左上角点到c点所处直线的距离,R为两条直线间的距离,即该条件为该直线穿过中心点c半径为R圆的区域,符合条件的在投票空间进行投票。
(2d)转步骤2b,直到所有的非零像素值点都被遍历过为止。
(2e)如图4图5,完成投票后的投票空间及其在角度方向上进行投影得到波峰图像。
(2f)根据上一步的投影结果确定阈值。计算公式为:
其中Counti表示第i离散波峰波谷变化线的对应值,CountsMin为最低波谷数据值,Counts为离散波峰波谷总的个数,parameter的值是根据最低有效峰值的大小确定,一般取值1-2.5之间。
(2g)在投影后的波峰图像获得波峰大于阈值Cthreshold对应的角度值θ。
(2h)在上一步的基础上通过角度值θ在投票空间找到各自对应最大的rθ值并调整θ为实际值。
(2i)根据获得角度值θ的个数就可以得到被检测目标个数,根据r值可以用直线在工业产品上标识出被检测目标的所在的位置。
如图6,检测缺少一个被检测目标的工业产品的缺损结果,后期经过反复大量实验证明,本发明提出的方法能有效检测中心对称分布规律的工业产品缺损情况。
Claims (1)
1.一种具有中心对称分布规律的工业产品的缺损检测方法,其特征在于具体步骤如下:
步骤1:获取图像上的感兴趣区域,及感兴趣区域的中心点c坐标。
步骤2:对感兴趣区域的边缘图进行霍夫变换,变换公式为:r=xcosθ+ysinθθ表示该点p与图像水平方向的夹角,其中θ的初始值为:其中px,py为点p的坐标,θ的范围为半平面,r表示图像左上角点到该点所处的直线的距离。
步骤3:对变换的结果有条件的向投票空间投票,该条件为只对穿过中心区域的直线进行投票,其中判别公式为:|rp-rc|≤R,其中rp表示图像左上角点到p点所处直线的距离,相同的,rc表示图像左上角点到c点所处直线的距离,R为两条直线间的距离。
步骤4:对上述的二维投票空间向角度方向上投影,转化为一维的数据,其数据表现为离散的波峰波谷规律,其中每个波峰代表一个被检测的目标。
步骤5:判别波峰是否有效,有效波峰的个数反映出工业产品的缺损情况,峰值大于阈值的为有效波峰,阈值的计算为:其中Counti表示第i离散波峰波谷变化线的对应值,CountsMin为最低波谷数据值,Counts为离散波峰波谷总的个数,parameter的值是根据最低有效峰值的大小确定,一般取值1-2.5之间。
步骤6:对有效峰值进行求取对应的θ值,再在投票空间获取对应的θ的最大r,至此可以用直线可以标识出被检测目标的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710739647.XA CN107705287B (zh) | 2017-08-24 | 2017-08-24 | 一种具有中心对称分布规律的工业产品缺损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710739647.XA CN107705287B (zh) | 2017-08-24 | 2017-08-24 | 一种具有中心对称分布规律的工业产品缺损检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107705287A true CN107705287A (zh) | 2018-02-16 |
CN107705287B CN107705287B (zh) | 2019-10-18 |
Family
ID=61170401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710739647.XA Expired - Fee Related CN107705287B (zh) | 2017-08-24 | 2017-08-24 | 一种具有中心对称分布规律的工业产品缺损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107705287B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673338A (zh) * | 2009-10-09 | 2010-03-17 | 南京树声科技有限公司 | 基于多角度投影的模糊车牌识别方法 |
US20120008874A1 (en) * | 2009-04-07 | 2012-01-12 | Murata Machinery, Ltd. | Image processing apparatus, image processing method, image processing program, and storage medium |
CN104282027A (zh) * | 2014-10-29 | 2015-01-14 | 福州大学 | 一种基于Hough变换的圆检测方法 |
CN104297255A (zh) * | 2014-10-15 | 2015-01-21 | 西安交通大学 | 一种纸杯缺陷视觉检测方法及系统装置 |
CN104700420A (zh) * | 2015-03-26 | 2015-06-10 | 爱威科技股份有限公司 | 基于Hough变换的椭圆检测方法、系统和虫卵识别方法 |
-
2017
- 2017-08-24 CN CN201710739647.XA patent/CN107705287B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120008874A1 (en) * | 2009-04-07 | 2012-01-12 | Murata Machinery, Ltd. | Image processing apparatus, image processing method, image processing program, and storage medium |
CN101673338A (zh) * | 2009-10-09 | 2010-03-17 | 南京树声科技有限公司 | 基于多角度投影的模糊车牌识别方法 |
CN104297255A (zh) * | 2014-10-15 | 2015-01-21 | 西安交通大学 | 一种纸杯缺陷视觉检测方法及系统装置 |
CN104282027A (zh) * | 2014-10-29 | 2015-01-14 | 福州大学 | 一种基于Hough变换的圆检测方法 |
CN104700420A (zh) * | 2015-03-26 | 2015-06-10 | 爱威科技股份有限公司 | 基于Hough变换的椭圆检测方法、系统和虫卵识别方法 |
Non-Patent Citations (3)
Title |
---|
K. MAALMI等: "《Crack Defect Detection and Localization Using Genetic-Based Inverse Voting》", 《OBJECT RECOGNITION SUPPORTED BY USER INTERACTION FOR SERVICE ROBOTS》 * |
董兰芳等: "《基于二维中垂线Hough变换的圆形印章定位算法》", 《微型机与应用》 * |
韩彦芳等: "《基于数字图像处理的表面缺损检测技术》", 《测控技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN107705287B (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN108921865B (zh) | 一种抗干扰的亚像素直线拟合方法 | |
CN109060836B (zh) | 基于机器视觉的高压油管接头外螺纹检测方法 | |
WO2016055031A1 (zh) | 直线检测、图像处理的方法及相关装置 | |
CN104680519B (zh) | 基于轮廓和颜色的七巧板识别方法 | |
CN107945155B (zh) | 一种基于Gabor滤波器的牙膏管肩缺陷检测方法 | |
CN110807355A (zh) | 一种基于移动机器人的指针仪表检测与读数识别方法 | |
CN104897062A (zh) | 一种零件异面平行孔形位偏差的视觉测量方法及装置 | |
CN105865344A (zh) | 一种基于机器视觉的工件尺寸测量方法和装置 | |
CN111062940B (zh) | 一种基于机器视觉的螺钉定位与识别方法 | |
CN112037203A (zh) | 基于复杂工件外轮廓配准的侧表面缺陷检测方法及系统 | |
CN102441581A (zh) | 基于机器视觉的型钢断面尺寸在线检测的装置及方法 | |
CN107742289A (zh) | 一种基于机器视觉回转体工件检测方法 | |
CN103886597A (zh) | 一种基于边缘检测与拟合曲线聚类的圆检测方法 | |
CN112132886A (zh) | 一种航空零件圆孔圆心快速定位及圆度检测方法 | |
CN105865329A (zh) | 基于视觉的成捆圆钢端面中心坐标的获取系统和方法 | |
CN114627080B (zh) | 基于计算机视觉的车辆冲压配件缺陷检测方法 | |
CN105678768A (zh) | 一种基于机器视觉的胎面检测方法 | |
CN112233116A (zh) | 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法 | |
CN100492396C (zh) | 一种面向摄像整纬器的织物纹理图像识别方法 | |
CN108492306A (zh) | 一种基于图像轮廓的x型角点提取方法 | |
CN106989672A (zh) | 一种基于机器视觉的工件测量方法 | |
CN103337067B (zh) | 单针扫描式螺纹测量仪探针x轴旋转偏差的视觉检测方法 | |
CN114387262A (zh) | 一种基于机器视觉的螺母定位检测方法、装置及系统 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191018 Termination date: 20200824 |
|
CF01 | Termination of patent right due to non-payment of annual fee |