CN108230285A - 基于机器视觉的挡圈质量检测方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的挡圈质量检测方法，所述方法包括：S1，采集挡圈图像并转为二值化图像；S2，对挡圈二值化图像进行边缘检测；S3，沿着边缘出发，计算边缘点的曲率。本发明方案通过一系列的图像获取、图像处理和识别的操作过程，实现了对挡圈的自动检测和识别，其过程无需人工参与，同时通过曲线拟合，寻找出挡圈图像的边缘曲线，根据边缘曲线计算出挡圈边缘所有点的曲率，实现全方位的挡圈曲率检测，保证了挡圈在所有方向上的曲率均满足质量检测要求。

Description

基于机器视觉的挡圈质量检测方法

技术领域

本发明属于机器视觉识别领域，涉及一种基于机器视觉的挡圈质量检测方法。

背景技术

挡圈分为孔用挡圈和轴用挡圈，限位作用，可以防止其他零件轴向窜动，是一种开口为圆环的机械零件。由于挡圈是由一种螺旋状结构剪切压制而成，使得挡圈虽然厚度误差较小，但其表面存在一定曲率，导致不同方向的外径不一，当直径超出一定误差时，该产品为不合格产品，因此需要对挡圈的曲率进行检测，保证挡圈在使用中与零件轴的贴合度。

常用的挡圈质量检测方法为人工测量方法，采用精密量尺对挡圈进行多方位的测量，然而人工测量存在误差，且无法保证各个方向上的直径均得到测量。

发明内容

本发明目的在于提供一种基于机器视觉的挡圈质量检测方法，通过一系列的图像获取、图像处理和识别的操作过程，实现了对挡圈的自动检测和识别，有效地弥补了人工测量检测精度低的缺点，实现全方位的挡圈曲率检测，保证挡圈质量。

为解决上述技术问题，本发明采用如下的技术方案：一种基于机器视觉的挡圈质量检测方法，该方法包括：

S1，采集挡圈图像并转为二值化图像；

S2，对挡圈二值化图像进行边缘检测；

S3，沿着边缘出发，计算边缘点的曲率。

本发明与现有技术相比具有以下的有益效果：

本发明方案通过一系列的图像获取、图像处理和识别的操作过程，实现了对挡圈的自动检测和识别，其过程无需人工参与，同时通过曲线拟合，寻找出挡圈图像的边缘曲线，根据边缘曲线计算出挡圈边缘所有点的曲率，实现全方位的挡圈曲率检测，保证了挡圈在所有方向上的曲率均满足质量检测要求。

附图说明

图1是本发明实施例的基于机器视觉的挡圈质量检测方法的流程图。

图2是本发明实施例的曲率计算八邻域搜索示意图。

具体实施方式

下面结合附图及具体实施例对本发明进行更加详细与完整的说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。

参照图1，本发明的一种基于机器视觉的挡圈质量检测方法，该方法包括：

S1，采集挡圈图像并转为二值化图像；

S2，对挡圈二值化图像进行边缘检测；

S3，沿着边缘出发，计算边缘点的曲率。

对各个步骤具体描述如下：

S1：采集挡圈图像并转为二值化图像。过程包括：S11图像采集、S12图像灰度化、S13图像二值化。

S11：图像采集由工业相机、光源组成，用于采集待检目标图像。

为了达到比较好的检测效果，选用大恒工业相机，型号为DH-HV3151UC，由于所选CMOS相机为USB接口，可以直接与计算机相连接，无需购买图像采集卡，减少了成本；光源选用双LED灯照明，LED灯的能耗非常小，安全稳定，同时满足了本系统的照明要求。

在图像采集的过程中，需要调整好CMOS相机与待检测挡圈之间距离，使CMOS相机的镜头正对待检测挡圈，同时调整好LED灯的距离、角度，以达到良好的照明条件，从而获得质量较好的图像。

其工作过程是，由CMOS相机对待检测挡圈进行拍照，采集数字图像，同时通过USB接口将图像传输到计算机中进行存储和处理。

S12：图像灰度化。摄像机获取的图像是彩色图像，包含的信息量大，图像处理速度较慢。考虑到工业生产自动化对实时性的要求高，并且玉米籽粒品质检测不需要使用彩色信息，对彩色图像进行灰度化处理是必须的。灰度化就是使彩色像素的R、G、B分量值相等的过程，灰度图像中的灰度值等于原彩色图像中的RGB平均值，即

Gray＝(R+G+B)/3 (1)

S13：图像二值化。为了更好将图像中待检测目标与背景进行区分，通常需要将图像进行二值化处理。图像二值化有很多方法，其中最常用的是阈值法，其基本原理是通过设定二值化处理灰度阈值T，将图像灰度值大于阈值T的像素f(x，y)用255代替，否则的话用0代替，即：

g(x，y)为二值化之后的图像，通过上述公式，我们可以清楚的看到，二值化处理之后，原图像灰度值变成只有0与255的二值图像。我们将图像中灰度值为0的部分表示为背景，值为255的部分表示为待检测目标。

S2：对挡圈二值化图像进行边缘检测。该过程包括S21图像滤波、S22边缘检测。

S21：图像滤波。图像滤波可以提高图像的质量，改善视觉效果，图像滤波的好坏往往影响到后续的图像识别和匹配处理。图像滤波分为空间域滤波和频率域滤波，其中，空间域滤波主要分为均值滤波和中值滤波，而频域滤波有低通和高通滤波之分。

均值滤波可以有效消除部分噪声干扰，使邻域内像素灰度更加均匀、平滑，但同时也使图像变得模糊起来，边缘细节不够清晰；中值滤波克服了均值滤波使图像模糊化的缺点，能够在不影响边缘细节的前提下，对噪声的消除效果非常明显，尤其是椒盐噪声。因此，本方法采用中值滤波来对图像进行滤波处理。

中值滤波(出自论文“机器视觉自动检测技术”，作者：余文勇，石绘.北京：化学工业出版社，2013：94.)属于非线性滤波，是统计滤波中典型的一种低通滤波。中值滤波的基本原理是，选定一个滑动窗口M，对窗口内像素的灰度值进行排序并取中值，然后用该中值来代替指定像素的灰度值，即

g(x，y)＝med{f(x-i，y-j)} (3)

med为排序取中值操作；i，j∈M；f(x，y)为窗口M内各像素灰度值。

应该注意的是，一般情况下滑动窗口M内的像素取奇数个，便于取中值；若像素取偶数个，中值为中间两个像素灰度值的平均值。

S22：边缘检测。为了更好的检测出挡圈的轮廓，需要对其二值图像进行边缘检测，以提取图像的边缘轮廓特征。

Roberts算子是一种利用局部差分算子寻找边缘的算子，由下式(5)给出：

f(x，y)为各像素灰度值。g(x，y)为边缘点灰度值。

S3：沿着边缘出发，计算边缘点的曲率。其计算过程分为：S31最小二乘法边缘拟合、S32曲率计算。

S31：最小二乘法边缘拟合。使用最小二乘法拟合多项式拟合出挡圈边缘的曲线方程，具体计算过程如下：

给定图像中的边缘点(x_i，y_i)，i＝1，2，…，m，其中(x，y)表示边缘点的坐标，m表示边缘点的个数。求取拟合近似曲线y＝φ(x)，使得近似曲线与实际曲线y＝f(x)的偏差最小，近似曲线在点(x_i，y_i)处的偏差ε_i表示为ε_i＝φ(x_i)-y_i，i＝1，2，…，m。

则拟合目的是使得拟合曲线的总偏差最小，即：

拟合多项式曲线表示为y＝a₀+a₁x+…+a_kx^k。其中，a₀，a₁，…，a_k表示多项式系数，图像上边缘点到多项式曲线的距离之和R²表示为公式7：

其中，要实现总偏差最小，即对公式7进行求导计算，得到

代入缘点(x_i，y_i)，i＝1，2，…，m，即可求解得到多项式系数a₀，a₁，…，a_k，从而得到y＝φ(x)。

S32：曲率计算。从图像中拟合的边缘曲线出发，计算其边缘曲线中所有的点的曲率，具体计算过程如下：

给出拟合边缘曲线y＝f(x)，像素点处(x，y)的曲率表示为：

其中，y′表示为曲线在像素点处(x，y)的一阶导数，y″表示为曲线在像素点处(x，y)的二阶导数。如图2所示，本实施例中，曲率计算从图像的边缘曲线中某一个边缘点(图2中的边缘点为黑色点，其余非边缘点为白色点)出发，以边缘点周围八邻域的边缘点(黑色点)为下一个曲率计算的边缘点，一直寻找到出发位置，停止曲率计算。如果所有的边缘点的曲率均不超过设定的曲率阈值T，则认为该挡圈质量合格，否则认为该挡圈质量不合格。

Claims (2)

1.基于机器视觉的挡圈质量检测方法，其特征在于，所述方法包括：

S1，采集挡圈图像并转为二值化图像；

S2，对挡圈二值化图像进行边缘检测；

S3，沿着边缘出发，计算边缘点的曲率；

所述步骤S1采集挡圈图像并转为二值化图像，过程包括：S11图像采集、S12图像灰度化、S13图像二值化；

所述步骤S2对挡圈二值化图像进行边缘检测，过程包括S21图像滤波、S22边缘检测；

所述步骤S3沿着边缘出发，计算边缘点的曲率，过程包括：S31最小二乘法边缘拟合、S32，曲率计算。

2.根据权利要求1所述的基于机器视觉的挡圈质量检测方法，其特征在于，所述步骤S32曲率计算中，曲率计算从图像的边缘曲线中某一个点出发，以边缘点周围八邻域的边缘点为下一个曲率计算的边缘点，一直寻找到出发位置，停止曲率计算。