CN108230285A - 基于机器视觉的挡圈质量检测方法 - Google Patents
基于机器视觉的挡圈质量检测方法 Download PDFInfo
- Publication number
- CN108230285A CN108230285A CN201611163720.5A CN201611163720A CN108230285A CN 108230285 A CN108230285 A CN 108230285A CN 201611163720 A CN201611163720 A CN 201611163720A CN 108230285 A CN108230285 A CN 108230285A
- Authority
- CN
- China
- Prior art keywords
- baffle ring
- image
- curvature
- edge
- machine vision
- 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.)
- Pending
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
- G06T7/0006—Industrial image inspection using a design-rule based approach
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
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
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(xi,yi),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(xi,yi)处的偏差εi表示为εi=φ(xi)-yi,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+…+akxk。其中,a0,a1,…,ak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(xi,yi),i=1,2,…,m,即可求解得到多项式系数a0,a1,…,ak,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611163720.5A CN108230285A (zh) | 2016-12-09 | 2016-12-09 | 基于机器视觉的挡圈质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611163720.5A CN108230285A (zh) | 2016-12-09 | 2016-12-09 | 基于机器视觉的挡圈质量检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108230285A true CN108230285A (zh) | 2018-06-29 |
Family
ID=62650762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611163720.5A Pending CN108230285A (zh) | 2016-12-09 | 2016-12-09 | 基于机器视觉的挡圈质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108230285A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112880561A (zh) * | 2021-01-19 | 2021-06-01 | 华中科技大学 | 一种基于机器视觉的降落伞绳圈位姿检测方法及系统 |
CN116136393A (zh) * | 2023-03-02 | 2023-05-19 | 宁波川原精工机械有限公司 | 轴承套圈内圈检测系统及方法 |
-
2016
- 2016-12-09 CN CN201611163720.5A patent/CN108230285A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112880561A (zh) * | 2021-01-19 | 2021-06-01 | 华中科技大学 | 一种基于机器视觉的降落伞绳圈位姿检测方法及系统 |
CN116136393A (zh) * | 2023-03-02 | 2023-05-19 | 宁波川原精工机械有限公司 | 轴承套圈内圈检测系统及方法 |
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 | |
CN107941808B (zh) | 基于机器视觉的3d打印成型质量检测系统及方法 | |
CN109269951B (zh) | 基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法 | |
CN109507192A (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN109490316A (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
CN111080582B (zh) | 工件内外表面缺陷检测方法 | |
CN109993154B (zh) | 变电站单指针式六氟化硫型仪表智能识别方法 | |
CN110298840B (zh) | 一种基于图像的纱线缺陷检测方法 | |
CN115131354B (zh) | 一种基于光学手段的实验室用塑料薄膜缺陷检测方法 | |
CN113077392B (zh) | 一种针对指针表模糊照片的高准确度自动读数方法 | |
CN108614896A (zh) | 基于深度学习的银行大厅客户动线轨迹刻画系统及方法 | |
CN110751635B (zh) | 一种基于帧间差分和hsv颜色空间的口腔检测方法 | |
CN110687121B (zh) | 一种陶瓦智能在线检测与自动分级方法和系统 | |
CN110096980A (zh) | 字符检测识别系统 | |
CN108827979A (zh) | 一种模组镜头外观检测方法 | |
CN113034474A (zh) | 一种oled显示器晶圆图的测试方法 | |
CN114280075A (zh) | 一种管类零件表面缺陷在线视觉检测系统及检测方法 | |
CN114693659B (zh) | 基于图像处理的铜管表面清洗效果评估方法及系统 | |
CN108230285A (zh) | 基于机器视觉的挡圈质量检测方法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN104614372B (zh) | 一种太阳能硅片检测方法 | |
CN110751690B (zh) | 铣床刀头视觉定位方法 | |
CN106501278B (zh) | 基于旋转不变纹理特征的灯管表面瑕疵分类方法及系统 | |
CN115294119B (zh) | 基于机器视觉的梅花螺纹头部内槽污渍检测方法 | |
CN110853097A (zh) | 一种应用于饼干表面图案打印设备的饼干识别定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180629 |
|
WD01 | Invention patent application deemed withdrawn after publication |