CN108230324B - 磁瓦表面微缺陷视觉检测方法 - Google Patents
磁瓦表面微缺陷视觉检测方法 Download PDFInfo
- Publication number
- CN108230324B CN108230324B CN201810095999.0A CN201810095999A CN108230324B CN 108230324 B CN108230324 B CN 108230324B CN 201810095999 A CN201810095999 A CN 201810095999A CN 108230324 B CN108230324 B CN 108230324B
- Authority
- CN
- China
- Prior art keywords
- image
- magnetic shoe
- region
- defect
- defects
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 108
- 230000000007 visual effect Effects 0.000 title claims abstract description 17
- 230000007547 defect Effects 0.000 claims abstract description 123
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000010586 diagram Methods 0.000 claims abstract description 29
- 238000003708 edge detection Methods 0.000 claims abstract description 27
- 230000000694 effects Effects 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims description 22
- 230000002950 deficient Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 238000011179 visual inspection Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001629 suppression Effects 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 11
- 230000007246 mechanism Effects 0.000 description 50
- 230000005540 biological transmission Effects 0.000 description 23
- 239000000696 magnetic material Substances 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 11
- 238000007599 discharging Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005530 etching Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000000227 grinding Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 201000004384 Alopecia Diseases 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 231100000360 alopecia Toxicity 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009740 moulding (composite fabrication) Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 229910000859 α-Fe Inorganic materials 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明提供一种磁瓦表面微缺陷视觉检测方法,读取磁瓦图像,检测磁瓦图像缺陷,获取磁瓦图像的缺陷区域K,判断缺陷区域K的面积是否大于设定值1;检测磁瓦图像缺陷,获取磁瓦图像的第二类缺陷效果图,判断第二类缺陷效果图的长度是否大于设定值2;检测磁瓦图像缺陷,获取磁瓦图像的边缘检测图像Q'连通域像素的圆度,判断边缘检测图像Q'连通域像素的圆度是否大于设定值3,三个判断过程可以判断磁瓦是否属于三种类型的缺陷,本发明磁瓦表面微缺陷视觉检测方法对光照变化、磁瓦类型变化适应性强;能对磁瓦的各种不同类型的缺陷都进行检测;本发明获得的磁瓦的缺陷图像比采用传统方法获得的磁瓦的缺陷图像更为清晰准确。
Description
技术领域
本发明涉及一种磁瓦表面微缺检测方法,具体为一种磁瓦表面微缺陷视觉检测方法。
背景技术
在磁瓦的生产制造过程中,由于原料成分、设备使用情况、加工工艺以及工人操作等因素的影响,在其表面不可避免地会出现一些加工缺陷,例如裂纹、崩烂、压痕、砂眼以及漏磨等。缺陷的存在会对磁瓦的磁性能、使用寿命等带来非常大的影响,有缺陷的磁瓦如果在风力发电、新能源汽车、航空航天等领域使用会产生巨大的安全隐患,甚至直接造成灾难性后果。因此,在磁瓦出厂前必须对其进行质量检测,将含有缺陷的磁瓦剔除出去。此外,随着设备高性能、高精度、小型化的发展,对精密微磁瓦的需求日益迫切,对磁瓦的材料特性、表面质量、结构形状、可靠性等方面的要求也越来越高;浙江省是磁性材料生产的大省,是磁性材料行业重点产业集群,产值约占全国的80%。根据浙江省磁性材料行业协会统计,拥有磁性材料生产企业300余家,主要分布在东阳、宁波、海宁、杭州四大区域,年产磁材53.38万吨左右。而且,2015年我国用于微特电机的永磁铁氧体湿压磁瓦体产量就有23万吨。可见,研究磁瓦表面缺陷检测算法及开发相应在线高效检测系统具有重要的应用价值和产业化前景。
磁瓦的缺陷特征一般是随机发生的并且没有规律可寻,根据我们到横店东磁、宁波韵升、中科三环、江粉磁材等大型磁性材料生产企业的调研,目前均采用人工目测检测缺陷。人工检测方法主要依靠进行过一定培训的质检人员根据自身的经验通过观察、量具测量和触摸等手段来进行磁瓦质量的判定,存在很多局限性和缺点:(1)由于工人的自身能力差异,存在一定的偶然性,评判的标准不一;(2)检测速度非常慢,难以满足目前的生产速度和要求。一般一个娴熟的质检人员检测一个磁材需时三秒左右,而且还需进行下一轮复检,而一般厂家要求5-6个/s。如果要提高检测速度,只能设置多个工位,耗费大量的劳力;(3)检测的结果易受质检人员视觉疲劳、熟练水平、情绪波动等因素的影响,在精度和稳定性上都难以保证,从而导致误判、漏判、错判的情况发生;(4)人为的接触也有一定的几率损坏磁材,直接导致企业的经济损失;(5)检测人员长时间接触磁性材料会对人身体产生头晕、眼花、智力损坏、脱发等不良反应,一般两年后就不能再从事该工作,企业招工非常困难。因此,如何快速精确检验小型磁瓦零件的表面缺陷成为急需解决的问题。
随着“工业4.0”以及“中国制造2025”的提出,高效率、自动化、智能化的生产线将是未来制造业发展的重点。机器视觉检测技术具有非接触式的特点,可以自动、快速、高效地检测出产品的表面缺陷,在产品缺陷检测中的应用越来越广泛。但是,截至目前,利用机器视觉的方法进行磁瓦缺陷检测的研究还很少,市场上的磁瓦缺陷检测设备更是鲜有报道。通过研究分析现有磁瓦缺陷检测的研究成果,发现存在的主要技术难题如下:
(1)磁瓦的表面图像具有形状非平、颜色暗淡、对比度低等特点,且型号具有多样性,造成算法适应性不强;
(2)成型、烧结和磨加工过程造成磁瓦表面具有复杂的纹理,影响缺陷及其特征的提取,造成误判率高;
(3)小型磁瓦一些表面划痕、裂纹非常细微,成像后的宽度可能还不到一个像素,容易受到干扰,很难检测;
(4)算法缺乏通用性,大多数方法都是针对特定缺陷,而不能同时检测所有类型或几种类型的缺陷。而且大多处理时间较长,不适宜在线使用;
(5)光源复杂,不同的表面、不同的缺陷需不同的光照形式。
小型磁瓦表面微缺陷的视觉检测往往要求在高速生产情况下,能较准确检出表面的各种类型的缺陷和微小缺陷,因而对机器视觉检测系统的性能提出了高分辨率、高速、高准确率及鲁棒性强的要求,但在计算机视觉检测中,图像分析与处理算法对效率、鲁棒性、准确性的兼顾往往是难题。
因此,需要对现有技术进行改进。
发明内容
本发明要解决的技术问题是提供一种适应性强的磁瓦表面微缺陷视觉检测方法。
为解决上述技术问题,本发明提供一种本发明磁瓦表面微缺陷视觉检测方法,包括以下步骤:
步骤(1):读取磁瓦图像,执行步骤(2);
步骤(2):检测磁瓦图像缺陷,获取磁瓦图像的缺陷区域K,执行步骤(3);
步骤(3):判断缺陷区域K的面积是否大于设定值1,如果缺陷区域K大于设定值1,则为不合格,结束检测;否则,为合格,执行步骤(4);
步骤(4):检测磁瓦图像缺陷,获取磁瓦图像的第二类缺陷效果图,执行步骤(5);
步骤(5):判断第二类缺陷效果图的长度是否大于设定值2,若第二类缺陷效果图的长度大于设定值2,则为不合格品,结束检测;否则,为合格,执行步骤(6);
步骤(6):检测磁瓦图像缺陷,获取磁瓦图像的边缘检测图像Q'连通域像素的圆度,执行步骤(7);
步骤(7),判断边缘检测图像Q'连通域像素的圆度是否大于设定值3,若边缘检测图像Q'连通域像素的圆度大于设定值3,则为不合格品;否则,为合格品。
作为对本发明磁瓦表面微缺陷视觉检测方法的改进,步骤(2)包括以下步骤:
步骤(2.1):用OTSU阈值分割磁瓦图像,得到R区域;
步骤(2.2):用最小外接矩形来作最小误差的近似磁瓦的长宽,获取R区域的R1区域;
步骤(2.3):再将R区域和R1区域进行作差运算,获得R2区域;
步骤(2.4):对R2区域进行形态学的开操作,计算缺陷区域K的面积。
作为对本发明磁瓦表面微缺陷视觉检测方法的进一步改进,步骤(4)包括以下步骤:
步骤(4.1):对R区域进行形态学图像处理腐蚀,得到R3区域;
步骤(4.2):用裁剪的方法把R3区域对应的区域从磁瓦图像裁剪出来,得到图像I;
步骤(4.3):构建两个均值滤波器a、b;分别用均值滤波器a、b对图像I进行滤波,得到图像I1、I2;
步骤(4.4):将得到的图像I1、I2作差并且将图像中的灰度值乘以一定的倍数得到图像I3;
步骤(4.5):将图像I3与一个高斯掩膜的卷积的偏导数在x、y方向上的展开,确定被标记的点;
步骤(4.6):根据被标记的点,得到第二类缺陷效果图。
作为对本发明磁瓦表面微缺陷视觉检测方法的进一步改进,步骤(6)包括以下步骤:
步骤(6.1):用裁剪的方法把R区域对应的区域从磁瓦图像裁剪出来,可得到R区域对应部分;
步骤(6.2):使用高斯滤波器对R区域对应部分进行滤波;
步骤(6.3):对滤波后的R区域对应部分用Canny算法进行边缘检测,得到边缘检测图像Q;
步骤(6.4):计算边缘检测图像Q连通域像素的圆度;
作为对本发明磁瓦表面微缺陷视觉检测方法的进一步改进:步骤(6.2)和步骤(6.3)包括以下步骤:
步骤(6.2):构建一个高斯滤波器Gσ:
其中卷积核KG5为:
使用高斯滤波器Gσ对R区域对应部分进行滤波;
步骤(6.3):利用高斯滤波器H(X,Y,σ)对滤波后的R区域对应部分降噪处理,得到平滑后的图像G(X,Y):
G(X,Y)=H(X,Y,σ)*f(X,Y)
其中,高斯函数为:
其中,σ为3;
计算图像G(X,Y)的梯度幅值T和方向角θ;
θ[X,Y]=arctan(GX(X,Y)/GY(X,Y))
其中,GX和GY分别为X、Y的偏导;
使用高低阈值THH、THL对梯度幅值T进行非极大值抑制;高低阈值THH、THL的计算方法如下:
THH=L+1
THL=k*THH
其中,L为灰度值,k为0.32-0.40;
梯度幅值T大于等于THH为边缘,小于THL舍弃,得到边缘检测图像Q。
作为对本发明磁瓦表面微缺陷视觉检测方法的进一步改进:k为0.36。
本发明磁瓦表面微缺陷视觉检测方法的技术优势为:
(1)对光照变化、磁瓦类型变化适应性强;
(2)能对磁瓦的各种不同类型的缺陷都进行检测;
(3)本方法较为稳定,便于系统的检修维护。
(4)本发明获得的磁瓦的缺陷图像比采用传统方法获得的磁瓦的缺陷图像更为清晰准确。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细说明。
图1为本发明磁瓦表面微缺陷视觉检测装置的立体结构示意图;
图2为图1的俯视结构示意图;
图3为图1的仰视结构示意图;
图4为图1的侧视结构示意图;
图5为图1中A区域的局部放大结构示意图;
图6为图1中B区域的局部放大结构示意图;
图7为图4中C区域的局部放大结构示意图;
图8为图1中传输机构的结构示意图;
图9为图1中剔除装置的结构示意图;
图10为本发明磁瓦表面微缺陷视觉检测方法的系统框图;
图11为各类磁瓦表面缺陷的图像;
图12为第一类磁瓦表面微缺陷检测算法流程图;
图13为第二类磁瓦表面微缺陷检测算法流程图;
图14为第三类磁瓦表面微缺陷检测算法流程图;
图15为第一类磁瓦表面微缺陷检测过程状态图;
15-1:读取图,15-2:二值图像,15-3:分割的最小外接矩形,15-4:ROI区域作差图,15-5:选择符合条件特征图,15-6:第一类缺陷(倒角)显示图;
图16为第二类磁瓦表面微缺陷检测过程状态图;
16-1:读取图,16-2:二值图,16-3:形态学腐蚀处理二值图,16-4:用均值滤波器a处理图,16-5:用均值滤波器b处理图,16-6:两滤波器处理的作差图,16-7:线性高斯处理图,16-8:第二类缺陷(起级)显示图;
图17为第三类磁瓦表面微缺陷检测过程状态图;
17-1:读取图,17-2:二值图,17-3:得到ROI区域图像,17-4:高斯滤波器处理后的图像,17-5:用Canny边缘检测图像,17-6:用缺陷特征(面积、原图)筛选后的图像,17-7:第三类缺陷区域图像;
图18为步骤4.1对形态学图像处理腐蚀的方法示意图;
图19为实施例1中磁瓦图像被各个处理后的示意图;
图20为图不同k值时,得到的边缘检测图像;
图20-1为原图,从图20-2到图20-5的值依次是k=0.28、0.32、0.36、0.40;
图21为三种方法的比较示意图;
图21-1起级和裂缝的磁瓦;图21-2为传统的中值滤波算法和线性高斯的结合提取磁瓦的缺陷图像;图21-3用于磁瓦图像的改进的自适应中指滤波算法和线性高斯的结合提取磁瓦的缺陷图像;图21-4本发明提取磁瓦的缺陷图像。
具体实施方式
下面结合具体实施例对本发明进行进一步描述,但本发明的保护范围并不仅限于此。
实施例1、磁瓦表面微缺陷视觉检测装置,如图1-21所示,被用于检测磁瓦,包括检测装置、转盘1和固定架5。检测装置包括用于检测磁瓦上下表面质量的正面检测装置一2、正面检测装置二3和反面检测装置4;
正面检测装置一2是磁瓦进料装后的第一个检测装置;正面检测装置二3检测次序其次,反面检测装置4位于检测工位的最后,三个检测装置之间通过转盘1相连接。
转盘1用于放置磁瓦,转盘1为透明的(可以采用玻璃转盘),固定架5为方形框架,转盘1水平放置在固定架5中心位置,三个检测装置放置在固定架5的三个方向,正面检测装置一2和正面检测装置二3设置在转盘1正上方,反面检测装置4设置在转盘1正下方。正面检测装置一2、正面检测装置二3和反面检测装置4都设置在转盘1的边缘位置,且位于同一回转半径上(每个检测装置的镜头对准转盘1的位置,位置同一回转半径上)。
转盘1自带有电机,可以进行自转。
所有的检测装置都包括传输机构、剔除机构和检测机构。
正面检测装置一2:
正面检测装置一2的检测机构包括相机一21、传感器一22和两个条形光源一23;
相机一21、传感器一22和两个条形光源一23都安装在固定架5上,两个条形光源一23对称水平设置,且两个条形光源一23都是朝向相对一侧斜向下设置;相机一21位于两个条形光源一23上方),且相机一21的镜头对准两个条形光源一23之间且朝向转盘1,转盘1下方设置有与相机一21的配合使用背景板一25(白色的挡板,相机一21对准背景板一25,背景板一25可以使得相机一21拍摄的图片更清晰)。传感器一22安装在相机一21一侧,传感器一22的探头正对着相机一21的镜头对着转盘1的位置,当磁瓦达到测试区时(相机一21的镜头正对着磁瓦的位置时)会触发传感器一22(传感器一22为激光传感器)发送一个脉冲触发相机一21进行拍照。条形光源一23和相机一21都是通过水平臂活动安装在固定架5上,可以进行高度及前后左右任意调节,背景板一25是固定设置。
正面检测装置二3:
正面检测装置二3的检测机构包括相机二31、传感器二32和碗形光源二33,
相机二31、传感器二32和碗形光源二33都安装在固定架5上,碗形光源二33轴心位置开孔,相机二31位于碗形光源二33的正上方,相机二31的镜头对准碗形光源二33的轴心位置(对准碗形光源二33的孔),相机二31的镜头和碗形光源二33都向下朝向转盘1,转盘1下方设置有与相机二31的配合使用背景板二35(白色的挡板),传感器二32安装在相机二31一侧,当磁瓦达到测试区时(相机二31的镜头正对着磁瓦的位置时)会触发传感器二32(传感器二32为激光传感器)发送一个脉冲触发相机二31进行拍照。
反面检测装置4:
反面检测装置4的检测机构包括有相机三41、两个条形光源三42、碗形光源三43和传感器三44;
相机三41、两个条形光源三42、碗形光源三43和传感器三44都对称设置在固定架5上,两个条形光源三42都是朝向相对一侧斜向上对称设置;两个条形光源三42之间设置有碗形光源三43,条形光源三42和碗形光源三43形成组合光。碗形光源三43轴心位置开孔,相机三41位于碗形光源三43的正下方,相机二31的镜头对准碗形光源三43的轴心位置,相机三41的镜头和碗形光源三43都向上朝向转盘1。传感器三44安装在相机三41一侧,当磁瓦达到测试区时(相机一21的镜头正对着磁瓦的位置时)会触发传感器三44(传感器三44为激光传感器)发送一个脉冲触发相机三41进行拍照。转盘1正上方设置有与相机三41的配合使用的背景板三45(白色的挡板)。
正面检测装置一2、正面检测装置二3和反面检测装置4一的传输机构都包括传动带61、用于驱动传送带的电机和传送带导轨62,传动带61设置在传送带导轨62上,传动带61表面设置有缓冲材料,防止磁瓦次品快速滑落造成二次报废。传动带61进料端平行安置在转盘1边沿(最大回转半径)上。传送带导轨62在传动带61进料端两侧设置有防止磁瓦掉落的挡板63。
剔除机构包括气缸座8和气缸81,气缸座8通过底座安装在中间位置的正下方,气缸座8上安装有气缸81,气缸81穿过转盘1的中心位置到达转盘1上方,气缸81不随着转盘1转动,气缸81的顶部设置有与三个检测装置配合使用的三个活塞杆(活塞杆位于转盘1上方),活塞杆由转盘1的中心水平向外,且气缸81的活塞杆和转盘1的自转运动切线方向垂直,气缸81的活塞杆对准相应的传送带61的进料端,活塞杆的前端设置有缓冲垫。在某个检测装置检测到不合格的磁瓦时,气缸81工作,活塞杆向传送带61运动,活塞杆将转盘1上的磁瓦推到该检测装置的传送带61上。
转盘1还设置有磁瓦进料机构7和磁瓦出料机构9,磁瓦进料机构7和磁瓦出料机构9都与传输机构相同,磁瓦进料机构7和磁瓦出料机构9同样由传动带61、用于驱动传送带的电机和传送带导轨62组成。磁瓦进料机构7的出料端与转盘1接触,磁瓦进料机构7的进料端与振动筛连接。磁瓦出料机构9的进料端与转盘1接触(磁瓦出料机构9的进料端上设置有剔除检测器),气缸81上还设置有一个与磁瓦出料机构9配合使用的活塞杆(气缸81一共设置有四个活塞杆)。磁瓦进料机构7的磁瓦进料机构7的出料端与检测装置(相机对准转盘1的位置)设置在转盘1同一回转半径上。
在每个检测装置中,磁瓦都是先经过检测机构,再经过传输机构(剔除机构的活塞杆和传输机构的传送带进料端设置在相对于转盘1的同一角度)。
磁瓦进料机构7、正面检测装置一2的检测机构、正面检测装置一2的传输机构(剔除机构)、正面检测装置二3的检测机构、正面检测装置二3的传输机构(剔除机构)、反面检测装置4的检测机构、反面检测装置4的传输机构(剔除机构)和磁瓦出料机构9,依照转盘1的转动方向设置在转盘1上。
控制器与转盘1、相机一21、传感器一22、相机二31、传感器二32、相机三41、传感器三44、气缸81和剔除检测器信号连接。在传感器检测到磁瓦运动到指定位置(相机的镜头对准的位置)时,启动相应的相机照相(相机一21对应传感器一22,相机二31对应传感器二32,相机三41对应传感器三44),相机获取磁瓦图片发送给控制器,有控制器判断磁瓦是否合格,如果不合格,则控制器会控制气缸81伸长相应的活塞杆,将磁瓦推动到相应的传输机构,从转盘1上移出磁瓦。控制器采用三菱公司生产FX_3Gx系列控制器。
本专利正面检测装置一2和正面检测装置二3结合不仅能对磁瓦四棱边、角进行缺陷检测,还可以对磁瓦中间表面进行准确的检测(正面检测装置一2检测获得的图像四条棱边较亮,中间较暗,由于磁瓦曲面本身的反光性,条形光从侧面打光可清楚的反映出四条边,而正面检测装置二3的碗形光从磁瓦上方打光中间很清晰,四边模糊,且干扰性较大);反面检测装置4采用组合光结合相机三41打光既可以同时对中间和四侧进行缺陷检测。传感器具有三个,分别安装在固定架5三侧;三个检测装置都可以对磁瓦进行尺寸检测,相比一般的磁瓦检测装置功能更强,鲁棒性更好,检测更加全面。
磁瓦表面微缺陷视觉检测装置的使用过程为:
启动转盘1的电机,转盘1开始转动;
磁瓦通过磁瓦进料机构7按照一定的方向(磁瓦呈拱形放置在转盘1上,磁瓦的弧形拱口朝转盘1的转动方向)放置在转盘1上,转盘1带动磁瓦共同转动;
传感器一22检测到磁瓦到达相机一21的镜头正对着转盘1的位置时,传感器一22发送相应启动信号给控制器,控制器控制相机一21拍照获得磁瓦图像,控制器根据磁瓦图像判断磁瓦是否有缺陷(判断的方法不使用现有的方法,而是使用下述的本发明磁瓦表面微缺陷视觉检测装置方法,使用本发明的检测效果更好;每个检测装置需要判断的磁瓦部分都不相同);如果有缺陷,则控制器控制剔除机构的气缸81伸长相应的活塞杆,将磁瓦推动到正面检测装置一2的传输机构上,移除磁瓦(因为气缸81伸长相应的活塞杆需要经过一点时间,所以传输机构在转盘1转动方向上位于检测机构的后方一小段距离,正面检测装置二3和反面检测装置4都与正面检测装置一2相同。此时的磁瓦为不合格品);如果没有缺陷,则不进行任何操作,磁瓦继续随着转盘1共同转动;
传感器二32检测到磁瓦到达相机二31的镜头正对着转盘1的位置时,传感器二32发送相应启动信号给控制器,控制器控制相机二31拍照获得磁瓦图像,控制器根据磁瓦图像判断磁瓦是否有缺陷;如果有缺陷,则控制器控制剔除机构的气缸81伸长相应的活塞杆,将磁瓦推动到正面检测装置二3的传输机构上,移除磁瓦(此时的磁瓦为不合格品);如果没有缺陷,则不进行任何操作,磁瓦继续随着转盘1共同转动;
传感器三44检测到磁瓦到达相机三41的镜头正对着转盘1的位置时,传感器三44发送相应启动信号给控制器,控制器控制相机三41拍照获得磁瓦图像,控制器根据磁瓦图像判断磁瓦是否有缺陷;如果有缺陷,则控制器控制剔除机构的气缸81伸长相应的活塞杆,将磁瓦推动到反面检测装置4的传输机构上,移除磁瓦(此时的磁瓦为不合格品);如果没有缺陷,则不进行任何操作,磁瓦继续随着转盘1共同转动;
剔除检测器检测到磁瓦到达磁瓦出料机构9的进料端时,启动剔除检测器发送相应启动信号给控制器,控制器控制剔除机构的气缸81伸长相应的活塞杆将磁瓦推动到磁瓦出料机构9的传送带61上,移除磁瓦(此时的磁瓦为合格品)。
不同磁瓦缺陷形态结构不同,在光照条件下对光的反射不同,成像的灰度值也不同。跟据磁瓦表面缺陷区域灰度值与磁瓦表面正常区域灰度值以及面积形状的差别,这三类的差别是:
(1)第一类表现为磁瓦表面缺陷区域灰度值与正常区域灰度值的相差比较大,常见的有裂纹、掉块等,如图11(b),11(d)。
(2)第二类表现为磁瓦表面缺陷区域灰度值与正常区域灰度值的相差不大,常见的有偏磨、磕边等如图11(c)。
(3)第三类表现为磁瓦表面缺陷区域与正常区域的灰度梯度相差较大,常见的有起级、裂纹等如图11(d)。
本发明的磁瓦表面微缺陷视觉检测方法的具体检测过程包括以下步骤:
步骤(1):读取磁瓦图像;
磁瓦图像为三个检测装置得到的三幅图像,三幅图像都单独进行检测;
步骤(2):检测磁瓦的第一类缺陷;
步骤(2.1):用OTSU阈值分割磁瓦图像,得到R区域,如图A。
为了准确测量磁瓦的长和宽,本专利首先通过OTSU算法对磁瓦二值图像进行分割得到区域R(如图19-A),
对磁瓦图像进行均值滤波处理,即为构建一个模板T,该模板T为其邻近的若干个像素组成,用模板的均值来替代原图像P像素的值:
其中如下图,1~8为(x,y)的邻近像素:
1 | 2 | 3 |
8 | (x,y) | 4 |
7 | 6 | 5 |
模板T为:
g(x,y)=1/9*(f(x-1,y-1)+f(x-1,y)+f(x-1,y+1)+f(x,y-1)+f(x,y+1)+f(x+1,y-1)+f(x+1,y)+f(x+1,y+1)) (3)
得到模糊后的图像M(x,y)=g(x,y)
对图像M利用OSTU算法做分割,得出相应的R区域;
步骤(2.2):然后用最小外接矩形来作最小误差的近似磁瓦的长宽;取R区域的两个端点宽、高为A、B,且它的坐标为最大横坐标、最小横坐标、最大纵坐标和最小纵坐标;设这两个点坐标定为A(Xa,Ya),B(Xb,Yb);
则宽为:
A=Xb-Xa (1)
高为:
B=Ya-Yb (2)
根据式(1)、(2)可分别计算磁瓦长和宽且此时的区域矩形R1区域(如图19-B)。
步骤(2.3)再将R区域和R1区域进行作差运算,获得R2区域(如图19-C,图15-3中的白色部分),计算公式如下:
R2=R∩R1c (3)
步骤(2.4)对R2区域进行形态学的开操作,计算连通域(缺陷区域K)的面积;
选取一定的结构元H计算缺陷区域K(如图19-D):
得到缺陷区域K(如图15-4),计算公式如下:
其中R1c是R1的补集。
步骤(3)判断缺陷区域K的面积是否大于设定值1,如果缺陷区域K大于设定值1,则为不合格,结束检测;否则,为合格,执行步骤(4);
设定值1取200;
步骤(4):检测磁瓦的第二类缺陷;
步骤(4.1)对R区域进行形态学图像处理腐蚀,得到R3区域(如图19-F)
采用宽高均为40的结构元B1对R区域进行腐蚀,假设图18-a为原图,图18-b为结构元;图18-c为腐蚀后的图。
得到R3区域的公式如下:
式26指出B1对R的腐蚀是一个用M平移的B1包含在R中所有点M的集合;
步骤(4.2)再用裁剪的方法把R3区域对应的区域从原始的磁瓦图像裁剪出来,得到图像I(如图19-E);
步骤(4.3)构建两个均值滤波器a、b;其中滤波器a的宽为5,高为30;而滤波器b的宽、高都为30;分别用滤波器a、b对图像I进行滤波,得到图像I1(如图19-F)、I2(如图19-G);设滤波器a、b对应的数学表达为a(x,y)、b(x,y)其中a、b的维数和图像一样假设为m×n,则滤波的原理表达式为:
I1(x,y)=I(x,y)*a(x,y)=I1a1+I2a2+......+Imna30×5 (27)
I2(x,y)=I(x,y)*b(x,y)=I1b1+I2b2+........+Imnb30×30 (28)
步骤(4.4)将得到的图像I1、I2作差并且将图像中的灰度值乘以一定的倍数得到图像I3;具体的公式如下:
I3(x,y)=((I1(x,y)-I2(x,y))*Mult+Add (11)
Mult、Add分别代表灰度值的乘数和加数,通过大量的实验可以得到(11)式中的Mult=50,Add=0;我们可以得到图像I3(如图19-H);
步骤(4.5)将图像I3与一个高斯掩膜的卷积的偏导数来决定图像中的每个点在x方向和y方向的泰勒二次多项式参数,其中标准差σ决定要执行图像(图像I3)的平滑量;σ的较大值会使图像更平滑;假设G是标准差σ的二阶高斯函数:
图像卷积后的表达式:
I(X,Y)=Gσ(x,y)*I3(X,Y) (13)
通过大量的实验σ取3,则对应的高斯核的偏导数:
线性高斯算法中还有另外两个参数分别设为Low、High;与上式对应的关系为:
其中ContrastLow和ContrastHigh为灰度值对比度、w为直线区域的宽度(单位像素)
图像I3与一个高斯掩膜的卷积的偏导数在x、y方向上的展开,符合式(18)的所有点,作为被标记的点;
步骤(4.6)式(18)表明如果被标记的点的二阶偏导数值大于参数High,其被认为是线条上的点而被立即接受,如果低于参数Low,其被认为不是线条上的点而被立即舍弃,如果其大于或等于参数Low但小于参数High,则仅在此点能够通过某一路径与已经被接受的点相连时这些点才被接受;可以得到第二类缺陷效果图(如图19-H),获得其长度:
经过大量的实验效果对比,σ和w的关系符合本专利Low=3,High=8,σ=3
步骤(5):判断第二类缺陷效果图的长度是否大于设定值2,若第二类缺陷效果图的长度大于设定值2,则为不合格品;否则,为合格,执行步骤(6);
设定值2为320。
步骤(6),判断磁瓦是否为第三类缺陷,具体流程如图15所示:
步骤(6.1)用裁剪的方法把R区域对应的区域从磁瓦图像裁剪出来,可得到R区域对应部分(如图19-I)。
步骤(6.2)然后构建一个高斯滤波器Gσ,相应的卷积核的尺寸为5;设高斯函数为
其中卷积核KG5为:
使用高斯滤波器Gσ对R区域对应部分进行滤波;
步骤(6.3)再用Canny算法进行边缘检测,为了较好的保留图像的边缘信息以及增强算法的适用性和鲁棒性,本专利采用自适应阈值的Canny算法检测R区域对应部分。再次利用高斯滤波器H(X,Y,σ)对R区域对应部分降噪处理,平滑后的图像G(X,Y)如下:
G(X,Y)=H(X,Y,σ)*f(X,Y) (19)
其中,高斯函数为:
σ为高斯滤波函数的标准差控制着平滑程度,通过大量实验对比本专利σ取为3。
高斯卷积核模糊后的图像(如图19-J)。
计算图像G(X,Y)的梯度幅值T和方向角θ。
θ[X,Y]=arctan(GX(X,Y)/GY(X,Y)) (42)
其中,GX和GY分别为X、Y的偏导。
GX和GY可以利用如下2×2一阶差分近似计算:
Gx=[F(X+1,Y)-F(X,Y)+F(X+1,Y+1)-F(X,Y+1)]/2 (43)
Gy=[F(X,Y+1)-F(X,Y)+F(X+1,Y+1)-F(X+1,Y)]/2 (44)
利用阈值对梯度幅值T(X,Y)进行非极大值抑制。选取双阈值并连接图像边缘,传统的Canny算法中高低阈值参数都是人为选定,为增强算法的适用性及灵敏性,本专利的阈值采取自适应阈值,查找经过中最大的像素值记为L,构建图像边缘梯度直方图,统计非极大值抑制(NMS)后的图像中不为0的像素总数数的累积记为Hist。其中假设k×Hist(0<C<1)处的灰度值为L,则高低阈值THH、THL计算方法如下:
THH=L+1 (45)
THL=k*THH (46)
通过以上Canny边缘检测算法用梯度幅值T大于等于THH为边缘,小于THL舍弃,其他的点若与边缘连接则为边缘点;可以得到边缘检测图像Q(X,Y),k的大小决定了算法中边缘检测Canny算子的滞后阈值;而阈值是Canny边缘检测算法的重要参数,滞后阈值如果取大了边缘检测的线会断断续续,取小了会产生伪边缘;二者对磁瓦的微缺陷都会造成很大的干扰,图20给出了不同k值微缺陷识别的效果图,本专利k取0.36;
步骤(6.4)对边缘检测图像Q(X,Y)按照特定的特征边缘(圆度)选取得到第三类缺陷(掉角、倒角)(如图19-M),计算得到边缘检测图像Q'连通域像素的圆度;
步骤(7),判断边缘检测图像Q'连通域像素的圆度是否大于设定值3,若边缘检测图像Q'连通域像素的圆度大于设定值3,则为不合格品;否则,为合格品;
设定值3为0.26。
最后,通过每一步图像的像素面积、长宽比和圆度对磁瓦合格产品进行等级分类(如面积大于多少为一类缺陷类型、长宽比在什么范围为另种缺陷类型。)。
磁瓦表面第一类、第二类、第三类微缺陷检测过程状态图分别如图15、16、17所示。
目前国内外关于磁瓦微缺陷的检测论文较少,文献“胡瑢华、余传桂、胡环星、刘国平,用于磁瓦图像的改进的自适应中指滤波算法.[J].机械设计与制造,2015(2):120-126.”中的关于磁瓦图像的改进的自适应中值滤波算法和线性高斯得到了较好的效果。本专利对传统中指滤波提取算法、基于上述文献自适应中值滤波算法以及本专利分别和线性高斯算法结合,对比传统的中值滤波算法和线性高斯的结合、用于磁瓦图像的改进的自适应中指滤波算法和线性高斯的结合、本发明磁瓦表面微缺陷视觉检测方法,这三种方法得到的缺陷图像,如图21所示。从图21中可以看出由于磁瓦表面复杂、缺陷种类多,传统中值滤波的算法以及文献中自适应中值滤波算法不能有效的提取磁瓦缺陷,而本专利算法(均值滤波器作差法)能较好的提取磁瓦的缺陷(起级、裂缝)。
最后,还需要注意的是,以上列举的仅是本发明的若干个具体实施例。显然,本发明不限于以上实施例,还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形,均应认为是本发明的保护范围。
Claims (5)
1.磁瓦表面微缺陷视觉检测方法,其特征在于,包括以下步骤:
步骤(1):读取磁瓦图像,执行步骤(2);
步骤(2):检测磁瓦图像缺陷,获取磁瓦图像的缺陷区域K,执行步骤(3);
步骤(2)包括以下步骤:
步骤(2.1):用OTSU阈值分割磁瓦图像,得到R区域;
步骤(2.2):用最小外接矩形来作最小误差的近似磁瓦的长宽,获取R区域的R1区域;
步骤(2.3):再将R区域和R1区域进行作差运算,获得R2区域;
步骤(2.4):对R2区域进行形态学的开操作,计算缺陷区域K的面积;
步骤(3):判断缺陷区域K的面积是否大于设定值1,如果缺陷区域K大于设定值1,则为不合格,结束检测;否则,为合格,执行步骤(4);
步骤(4):检测磁瓦图像缺陷,获取磁瓦图像的第二类缺陷效果图,执行步骤(5);
步骤(5):判断第二类缺陷效果图的长度是否大于设定值2,若第二类缺陷效果图的长度大于设定值2,则为不合格品,结束检测;否则,为合格,执行步骤(6);
步骤(6):检测磁瓦图像缺陷,获取磁瓦图像的边缘检测图像Q'连通域像素的圆度,执行步骤(7);
步骤(7):判断边缘检测图像Q'连通域像素的圆度是否大于设定值3,若边缘检测图像Q'连通域像素的圆度大于设定值3,则为不合格品;否则,为合格品。
2.根据权利要求1所述的磁瓦表面微缺陷视觉检测方法,其特征在于,步骤(4)包括以下步骤:
步骤(4.1):对R区域进行形态学图像处理腐蚀,得到R3区域;
步骤(4.2):用裁剪的方法把R3区域对应的区域从磁瓦图像裁剪出来,得到图像I;
步骤(4.3):构建两个均值滤波器a、b;分别用均值滤波器a、b对图像I进行滤波,得到图像I1、I2;
步骤(4.4):将得到的图像I1、I2作差并且将图像中的灰度值乘以一定的倍数得到图像I3;
步骤(4.5):将图像I3与一个高斯掩膜的卷积的偏导数在x、y方向上的展开,确定被标记的点;
步骤(4.6):根据被标记的点,得到第二类缺陷效果图。
3.根据权利要求2所述的磁瓦表面微缺陷视觉检测方法,其特征在于,步骤(6)包括以下步骤:
步骤(6.1):用裁剪的方法把R区域对应的区域从磁瓦图像裁剪出来,可得到R区域对应部分;
步骤(6.2):使用高斯滤波器对R区域对应部分进行滤波;
步骤(6.3):对滤波后的R区域对应部分用Canny算法进行边缘检测,得到边缘检测图像Q;
步骤(6.4):计算边缘检测图像Q连通域像素的圆度。
4.根据权利要求3所述的磁瓦表面微缺陷视觉检测方法,其特征在于:步骤(6.2)和步骤(6.3)包括以下步骤:
步骤(6.2):构建一个高斯滤波器Gσ:
其中卷积核KG5为:
使用高斯滤波器Gσ对R区域对应部分进行滤波;
步骤(6.3):利用高斯滤波器H(X,Y,σ)对滤波后的R区域对应部分降噪处理,得到平滑后的图像G(X,Y):
G(X,Y)=H(X,Y,σ)*f(X,Y)
其中,高斯函数为:
其中,σ为3;
计算图像G(X,Y)的梯度幅值T和方向角θ;
θ[X,Y]=arctan(GX(X,Y)/GY(X,Y))
其中,GX和GY分别为X、Y的偏导;
使用高低阈值THH、THL对梯度幅值T进行非极大值抑制;高低阈值THH、THL的计算方法如下:
THH=L+1
THL=k*THH
其中,L为灰度值,k为0.32-0.40;
梯度幅值T大于等于THH为边缘,小于THL舍弃,得到边缘检测图像Q。
5.根据权利要求4所述的磁瓦表面微缺陷视觉检测方法,其特征在于:k为0.36。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810095999.0A CN108230324B (zh) | 2018-01-31 | 2018-01-31 | 磁瓦表面微缺陷视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810095999.0A CN108230324B (zh) | 2018-01-31 | 2018-01-31 | 磁瓦表面微缺陷视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108230324A CN108230324A (zh) | 2018-06-29 |
CN108230324B true CN108230324B (zh) | 2023-10-20 |
Family
ID=62669417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810095999.0A Active CN108230324B (zh) | 2018-01-31 | 2018-01-31 | 磁瓦表面微缺陷视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108230324B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272525B (zh) * | 2018-09-17 | 2020-12-22 | 浙江理工大学 | 一种导光板白点缺陷检测方法 |
CN109685760B (zh) * | 2018-11-05 | 2022-05-20 | 华中科技大学 | 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法 |
CN109507198B (zh) * | 2018-12-14 | 2021-12-07 | 航天科工智能机器人有限责任公司 | 基于快速傅里叶变换和线性高斯的口罩检测系统及方法 |
CN109444161A (zh) * | 2018-12-17 | 2019-03-08 | 杭州听物科技有限公司 | 一种磁瓦外观缺陷检测设备及检测方法 |
CN110288584B (zh) * | 2019-06-27 | 2023-06-23 | 常州固高智能装备技术研究院有限公司 | 基于机器视觉的陶瓷热浸镀铝表面缺陷检测方法及装置 |
CN110514587B (zh) * | 2019-09-29 | 2021-12-21 | 安徽万磁电子有限公司 | 一种磁瓦表面缺陷检查系统及其检查方法 |
CN112991251B (zh) * | 2019-11-29 | 2023-01-17 | 合肥欣奕华智能机器股份有限公司 | 一种表面缺陷检测的方法、装置及设备 |
CN111210419B (zh) * | 2020-01-09 | 2023-10-20 | 浙江理工大学 | 基于人类视觉特性的微型磁瓦表面缺陷检测方法 |
CN111880327A (zh) * | 2020-08-26 | 2020-11-03 | 安徽皓视光电科技有限公司 | 小型液晶面板测试平台电气控制系统 |
CN112164048B (zh) * | 2020-09-25 | 2023-03-10 | 华中科技大学 | 一种基于深度学习的磁瓦表面缺陷自动检测方法和装置 |
CN112745114B (zh) * | 2020-12-23 | 2023-04-14 | 东阳富仕特磁业有限公司 | 一种基于在线检测的微波旋磁铁氧体制备方法 |
CN113105249B (zh) * | 2021-03-01 | 2023-06-02 | 东阳富仕特磁业有限公司 | 旋磁铁氧体制备方法及旋磁铁氧体球磨生产线 |
CN113793322A (zh) * | 2021-09-16 | 2021-12-14 | 上海安稷软件科技有限公司 | 一种对磁性材料自动检测的方法、电子设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09329527A (ja) * | 1996-04-08 | 1997-12-22 | Advantest Corp | 画像処理方法および画像処理装置 |
JP2004286708A (ja) * | 2003-03-25 | 2004-10-14 | Hitachi Chem Co Ltd | 欠陥検出装置、方法及びプログラム |
JP2010197176A (ja) * | 2009-02-24 | 2010-09-09 | Panasonic Electric Works Co Ltd | 欠陥検査方法および欠陥検査装置 |
CN103729632A (zh) * | 2014-01-22 | 2014-04-16 | 哈尔滨工业大学 | 一种基于连通区域滤波的圆形Mark点的定位方法 |
CN105092598A (zh) * | 2015-09-28 | 2015-11-25 | 深圳大学 | 一种基于连通域的大幅面pcb板缺陷快速识别方法及系统 |
CN105334219A (zh) * | 2015-09-16 | 2016-02-17 | 湖南大学 | 一种残差分析动态阈值分割的瓶口缺陷检测方法 |
CN106296687A (zh) * | 2016-08-10 | 2017-01-04 | 浙江理工大学 | 基于掩模技术的磁环表面缺陷提取方法 |
CN106447655A (zh) * | 2016-09-20 | 2017-02-22 | 上海极清慧视科技有限公司 | 一种光滑物件表面异色及轻微凹陷的检测方法 |
CN106600593A (zh) * | 2016-12-19 | 2017-04-26 | 福州大学 | 一种中铝瓷球表面缺陷检测方法 |
CN107203990A (zh) * | 2017-04-02 | 2017-09-26 | 南京汇川图像视觉技术有限公司 | 一种基于模板匹配与图像质量评估的标贴破损检测方法 |
CN107564001A (zh) * | 2017-09-13 | 2018-01-09 | 电子科技大学 | 一种基于凹点搜索的磁片缺角检测方法 |
-
2018
- 2018-01-31 CN CN201810095999.0A patent/CN108230324B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09329527A (ja) * | 1996-04-08 | 1997-12-22 | Advantest Corp | 画像処理方法および画像処理装置 |
JP2004286708A (ja) * | 2003-03-25 | 2004-10-14 | Hitachi Chem Co Ltd | 欠陥検出装置、方法及びプログラム |
JP2010197176A (ja) * | 2009-02-24 | 2010-09-09 | Panasonic Electric Works Co Ltd | 欠陥検査方法および欠陥検査装置 |
CN103729632A (zh) * | 2014-01-22 | 2014-04-16 | 哈尔滨工业大学 | 一种基于连通区域滤波的圆形Mark点的定位方法 |
CN105334219A (zh) * | 2015-09-16 | 2016-02-17 | 湖南大学 | 一种残差分析动态阈值分割的瓶口缺陷检测方法 |
CN105092598A (zh) * | 2015-09-28 | 2015-11-25 | 深圳大学 | 一种基于连通域的大幅面pcb板缺陷快速识别方法及系统 |
CN106296687A (zh) * | 2016-08-10 | 2017-01-04 | 浙江理工大学 | 基于掩模技术的磁环表面缺陷提取方法 |
CN106447655A (zh) * | 2016-09-20 | 2017-02-22 | 上海极清慧视科技有限公司 | 一种光滑物件表面异色及轻微凹陷的检测方法 |
CN106600593A (zh) * | 2016-12-19 | 2017-04-26 | 福州大学 | 一种中铝瓷球表面缺陷检测方法 |
CN107203990A (zh) * | 2017-04-02 | 2017-09-26 | 南京汇川图像视觉技术有限公司 | 一种基于模板匹配与图像质量评估的标贴破损检测方法 |
CN107564001A (zh) * | 2017-09-13 | 2018-01-09 | 电子科技大学 | 一种基于凹点搜索的磁片缺角检测方法 |
Non-Patent Citations (7)
Title |
---|
Computer vision detection of surface defect on oranges by means of a sliding comparion window local segmentation algorithm;Dian Rong et;《Computers and Electronics in Agriculture》;全文 * |
基于掩模图像的磁环表面缺陷提取研究;李俊峰;张之祥;沈军民;;光电子・激光(第07期);全文 * |
基于机器视觉的瓶口缺陷检测方法研究;周显恩;王耀南;朱青;吴成中;彭玉;;电子测量与仪器学报(第05期);全文 * |
基于纹理抑制的磁环表面缺陷检测方法研究;李俊峰;张之祥;沈军民;;光电子・激光(第09期);全文 * |
数学形态学在磁瓦表面缺陷检测中的运用;郑晓曦;严俊龙;;计算机工程与应用(第16期);全文 * |
李俊峰 ; 张之祥 ; 沈军民 ; .基于纹理抑制的磁环表面缺陷检测方法研究.光电子・激光.2017,(第09期),全文. * |
磁瓦表面夹层缺陷的检测和识别方法;徐光明;宋钰;郑晓曦;;五邑大学学报(自然科学版)(第01期);正文第2.1.1节 * |
Also Published As
Publication number | Publication date |
---|---|
CN108230324A (zh) | 2018-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108230324B (zh) | 磁瓦表面微缺陷视觉检测方法 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
Boukouvalas et al. | Ceramic tile inspection for colour and structural defects | |
CN102353680B (zh) | 小型工件表面缺陷的评估方法以及检测不合格工件的流程 | |
CN109115785B (zh) | 一种铸件打磨质量检测方法、装置及其使用方法 | |
CN109772733B (zh) | 一种基于视觉的缺陷竹块检测分拣装置及方法 | |
CN107290347B (zh) | 蜂窝载体缺陷自动化检测方法 | |
CN106670127A (zh) | 一种屏幕缺陷全自动视觉检测系统 | |
WO2021168733A1 (zh) | 缺陷图像的缺陷检测方法、装置及计算机可读存储介质 | |
CN115375686B (zh) | 一种基于图像处理的玻璃边缘瑕疵检测方法 | |
CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
CN109900719B (zh) | 一种叶片表面刀纹的视觉检测方法 | |
CN104458764B (zh) | 基于大景深条带图像投影的弯曲粗糙表面缺陷鉴别方法 | |
KR101477665B1 (ko) | 불균일한 텍스쳐 표면의 불량 검출방법 | |
CN110288584A (zh) | 基于机器视觉的陶瓷热浸镀铝表面缺陷检测方法及装置 | |
CN109102497B (zh) | 高分辨率的导光板图像缺陷检测方法 | |
Fan et al. | Development of auto defect classification system on porosity powder metallurgy products | |
CN110084787B (zh) | 一种基于机器视觉的合成革涂胶在线监测方法 | |
CN109064439B (zh) | 基于分区的单侧入光式导光板暗影缺陷提取方法 | |
CN111672773A (zh) | 基于机器视觉的产品表面缺陷检测系统及检测方法 | |
CN112489042A (zh) | 基于超分辨重建的金属品印刷缺陷与表面损伤的检测方法 | |
CN115112682A (zh) | 一种可视化的手机曲面玻璃检测装置和方法 | |
CN115931898A (zh) | 一种陶瓷基板表面缺陷视觉检测方法、装置及存储介质 | |
Lin et al. | Surface defect detection of machined parts based on machining texture direction | |
Feng et al. | Image processing of the grinding wheel surface |
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 |