CN108830832B - 一种基于机器视觉的塑料筒表面缺陷检测方法 - Google Patents
一种基于机器视觉的塑料筒表面缺陷检测方法 Download PDFInfo
- Publication number
- CN108830832B CN108830832B CN201810462352.7A CN201810462352A CN108830832B CN 108830832 B CN108830832 B CN 108830832B CN 201810462352 A CN201810462352 A CN 201810462352A CN 108830832 B CN108830832 B CN 108830832B
- Authority
- CN
- China
- Prior art keywords
- image
- plastic cylinder
- transformation
- gray scale
- defect detection
- 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 36
- 230000007547 defect Effects 0.000 title claims abstract description 35
- 230000009466 transformation Effects 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000003384 imaging method Methods 0.000 claims abstract description 17
- 230000000007 visual effect Effects 0.000 claims abstract description 12
- 230000002708 enhancing effect Effects 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000011426 transformation method Methods 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims description 7
- 230000014509 gene expression Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims 1
- 230000002950 deficient Effects 0.000 abstract 1
- 238000006243 chemical reaction Methods 0.000 description 4
- 239000012535 impurity Substances 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G06T5/70—
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Abstract
一种基于机器视觉的塑料筒表面缺陷检测算法,包括以下步骤:线扫相机视觉成像系统采集图像;通过分段线性变换灰度变换方法增强图像;对区域使用中值滤波去噪处理;使用LOG算子对图像进行分割得到印刷的边缘;提取塑料筒表面的图像区域ROI;使用阈值法分割图像,求取分割图像的连通区域;根据连通区域的面积和边缘特征,判断缺陷。本发明提供了一种特有的视觉成像方式,使得塑料筒检测的缺陷在图像中显得更加的明显;还提供了图像处理检测算法,能快速准确地检测出塑料筒是否有缺陷,实用性强。
Description
技术领域
本发明涉及缺陷检测技术领域,尤其涉及一种基于机器视觉的塑料筒表面缺陷检测方法。
背景技术
塑料筒表面杂质检测对于塑料筒表面的生产至关重要,其关系到用户的健康安全问题。而现在对于塑料筒表面缺陷的检测,基本采用人工检测来完成。由于塑料筒表面基本都是白色,人工检测容易产生误检漏检的情况,效率低,现在急需一种高效率的检测方法和系统来实现检测的自动化。因此,急需一种高效率并且性价比高的检测方法和系统来实现塑料筒表面杂质检测的自动化。
近年来,在一些不适合于人工作业的危险工作环境或人工视觉难以满足要求的场合,特别在产品外观检测的环节,常用机器视觉来替代人工视觉。采用机器视觉系统来检测塑料筒表面有无缺陷是一种方法,需要一种特有的成像系统和图像处理方法解决这个难题。
发明内容
本发明的目的在于提出一种基于机器视觉的塑料桶表面缺陷检测方法,通过机器视觉系统自动化检测塑料筒表面有无缺陷,实现对塑料筒表面杂质检测的自动化和高效率化。
为达此目的,本发明采用以下技术方案:
一种基于机器视觉的塑料筒表面缺陷检测方法,具体包括以下步骤:
步骤A:线扫相机视觉成像系统采集图像;
步骤B:通过分段线性变换灰度变换方法增强图像;
步骤C:对区域使用中值滤波去噪处理;
步骤D:使用LOG算子对图像进行分割得到印刷的边缘;
步骤E:提取塑料筒表面的图像区域ROI;
步骤F:使用阈值法分割图像,求取分割图像的连通区域;
步骤G:根据连通区域的面积和边缘特征,判断缺陷。
优选的,所述步骤A中,视觉成像系统采集图像,其中视觉成像系统利用线扫相机成像,线扫相机固定,塑料筒转动成像。
所述步骤B中,增强图像对比度,在空间域内对灰度运算处理,进行灰度变换,使原始图像对比度增加,采用分段线性变换灰度变换方法,通过增强原输入图像各部分之间的反差来增强输入图像对比度,增强输入图像中部分感兴趣的重要灰度区域,并相对抑制另一些不是很感兴趣的无关灰度区域来增强图像对比度。所述分段线性变换灰度变换的分段公式如下:
其中x1和x2是给出感兴趣的需要转换增强对比度的灰度范围,而y1和y2 的值决定分段线性变换时各区间的线性变换的斜率,斜率大于1,对比度增大,斜率小于1,对比度变小。
优选的,在步骤C中,采用中值滤波器进行去噪处理:中值滤波的处理思路是:选取一个边长为奇数像素的滤波窗口在图像上进行搜索平移,把窗口覆盖部分的像素点全部重新排序,把序列中的中间数值作为输出的该窗口中心点的像素,按此方法类推扫描整个图像。其操作可以用以下表达式来表示:
Yij=∑AMed{Xij}
其中A为窗口,选用5X5模板滤波后的图像能够消除噪声又保留细节信息。
优选的,在步骤D中,图像分割,选用LOG(Laplacian of Gaussian,高斯拉普拉斯)算子进行边缘分割,得到图像边缘。边缘具有在灰度拐点位置处灰度值变化的二阶倒数为0的特征性质,通过寻找灰度变化二阶导数的零交叉点来寻找物体的边缘,其中Laplacian算子是应用最广的二阶导数算子,图像的二元灰度函数f(x,y)的Laplacian变换定义为:
以分差的形式表示为:
以模板的形式表示分差形式为:
由于一阶的导数对噪声比较敏感,边缘检测的效果会不稳定,二阶的导数对噪声就会更加敏感、更不稳定。因此在作Laplacian变换之前我们需要对灰度图像作平滑,卷积运算后得到一个新的函数,新函数比原来的两个旧函数都要光滑,所以这里使用卷积来进行平滑,根据卷积定理,卷积是可变换的,可结合的,因此先作高斯卷积然后再用Laplacian算子作卷积,就等价于对原灰度图像用高斯函数的Laplacian变换后得到的滤波器作卷积运算,从而获得一个新的滤波器(LOG),表达式如下:
滤波后再通过寻找灰度变化二阶导数的零交叉点来寻找物体的边缘。
缺陷检测与识别主要步骤:
优选的,在步骤E中,图像图标定位,使用先前提供的模板,在图像中由左上角开始从左到右,从右到左开始扫面,寻找相关性最好的区域,即通过f 中被模板ω(x,y)覆盖的图像区域位置所对应的图像像素的灰度值乘积之和,用计算结果作为相关图像c(x,y)在(x,y)点的相关响应值。相关性匹配的方法定位图像各种制品特征的位置,比如印刷图像等。
优选的,在步骤F和G中,使用改进的LOG算子进行缺陷识别。
传统的LOG方法对纹理识别比较困难,而Gabon滤波器的方向性很强,而且在选定方向的正交方向的输出响应最突出,所以对LOG方法使用之前先尽进行Gabor滤波,完成对塑料缺陷图像的纹理背景抑制。
改进步骤如下:
步骤G51:选定待处理图片的纹理背景方向;
步骤G52:对塑料制品图像进行Gabor函数变换;
步骤G53:对Gabor变换处理过的塑料制品图像作二维卷积变换;
步骤G54:对上述两种变换后的图片进行均值和方差提取,作为特征;
步骤G55:对特征提取后的缺陷图片进行LOG方法检测。
附图说明
图1是本发明的基于机器视觉的塑料筒表面缺陷检测方法的流程示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
本实施例的一种基于机器视觉的塑料筒表面缺陷检测方法,如图1所示,具体包括如下步骤:
步骤A:视觉成像系统采集图像;
其中视觉成像系统利用线扫相机扫描,视觉成像系统采用线扫相机成像,线扫相机固定,塑料筒转动成像,只需要目标简单的定轴转动,不需要相机转动。
步骤B:通过分段线性变换灰度变换方法增强图像;
通过分段线性变换灰度变换方法增强图像,其主要公式是:
步骤C:对区域使用中值滤波去噪处理,其主要步骤如下:
a.求取塑料筒表面图像区域每个像素点的5x5窗口领域的点的值g(x,y);
b.对a中的值进行排序,取中间值代替区域中心的值,具体如下公式所示:
Yij=∑AMed{Xij}
步骤D:使用LOG算子对图像进行分割得到印刷的边缘;
选用LOG(Laplacian of Gaussian,高斯拉普拉斯)算子进行边缘分割,得道图像边缘。边缘具有在灰度拐点位置处灰度值变化的二阶倒数为0的特征性质,通过寻找灰度变化二阶导数的零交叉点来寻找物体的边缘,其中 Laplacian算子是应用最广的二阶导数算子,图像的二元灰度函数f(x,y)的 Laplacian变换定义为:
以分差的形式表示为:
以模板的形式表示分差形式为:
由于一阶的导数对噪声比较敏感,边缘检测的效果会不稳定,二阶的导数对噪声就会更加敏感、更不稳定。因此在作Laplacian变换之前我们需要对灰度图像作平滑,卷积运算后得到一个新的函数,新函数比原来的两个旧函数都要光滑,所以这里使用卷积来进行平滑,根据卷积定理,卷积是可变换的,可结合的,因此先作高斯卷积然后再用Laplacian算子作卷积,就等价于对原灰度图像用高斯函数的Laplacian变换后得到的滤波器作卷积运算,从而获得一个新的滤波器(LOG),表达式如下:
滤波后再通过寻找灰度变化二阶导数的零交叉点来寻找物体的边缘。
步骤E:提取塑料筒表面的图像区域ROI;
步骤F:使用阈值法分割图像,求取分割图像的连通区域;
步骤G:根据连通区域的面积和边缘特征,判断缺陷。其步骤如下:
步骤G1:选定待处理图片的纹理背景方向;
步骤G2:对塑料制品图像进行Gabor函数变换;
步骤G3:对Gabor变换处理过的塑料制品图像作二维卷积变换;
步骤G4:对上述两种变换后的图片进行均值和方差提取,作为特征;
步骤G5:对特征提取后的缺陷图片进行LOG方法检测。
本发明的有益效果:
1、通过基于局部阈值的分割方法和LOG检测方法,不仅方法简单,速度快,并且能很好的检测出塑料筒表面缺陷,使用机器视觉代替人工视觉自动化检测塑料筒表面有无缺陷,提高缺陷检测的效率;
2、视觉成像系统采用线扫相机成像,线扫相机固定,塑料筒转动成像,只需要目标简单的定轴转动,不需要相机转动,减少相机移动导致实验结果产生误差的概率;
3、利用特有的视觉成像方式,使得塑料筒检测的缺陷在图像中显得更加的明显。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理,而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式,这些方式都将落入本发明的保护范围之内。
Claims (7)
1.一种基于机器视觉的塑料筒表面缺陷检测方法,其特征在于:所述缺陷检测方法包括以下步骤:
步骤A:线扫相机视觉成像系统采集图像;
步骤B:通过分段线性变换灰度变换方法增强图像;
步骤C:对区域使用中值滤波去噪处理;
步骤D:使用LOG算子对图像进行分割,得到印刷的边缘;
步骤E:提取塑料筒表面的图像区域ROI;
步骤F:使用阈值法分割图像,并求取所分割的图像的连通区域;
步骤G:根据所述连通区域的面积和边缘特征,判断缺陷,包括使用LOG方法,根据面积大小是否足够,边缘与模板是否吻合的条件来判断缺陷,具体步骤为:
步骤G1:选定待处理图片的纹理背景方向;
步骤G2:对塑料制品图像进行Gabor函数变换;
步骤G3:对Gabor变换处理过的塑料制品图像作二维卷积变换;
步骤G4:对上述两种变换后的图片进行均值和方差提取,作为特征;
步骤G5:对特征提取后的缺陷图片进行LOG方法检测。
5.根据权利要求1所述一种基于机器视觉的塑料筒表面缺陷检测方法,其特征在于:
所述提取塑料筒表面的图像区域ROI包括采用模板匹配的方法选定图像所在范围,采用外界矩形锁定图像区域。
6.根据权利要求1所述一种基于机器视觉的塑料筒表面缺陷检测方法,其特征在于:
所述使用阈值法分割图像,求取分割图像的连通区域,经过阈值化后得到一幅二值化的图像。
7.根据权利要求1所述一种基于机器视觉的塑料筒表面缺陷检测方法,其特征在于:
所述线扫相机视觉成像系统采集图像的具体步骤为:
视觉成像系统利用线扫相机成像,将线扫相机固定,然后塑料筒转动成像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810462352.7A CN108830832B (zh) | 2018-05-15 | 2018-05-15 | 一种基于机器视觉的塑料筒表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810462352.7A CN108830832B (zh) | 2018-05-15 | 2018-05-15 | 一种基于机器视觉的塑料筒表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108830832A CN108830832A (zh) | 2018-11-16 |
CN108830832B true CN108830832B (zh) | 2021-09-07 |
Family
ID=64148760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810462352.7A Active CN108830832B (zh) | 2018-05-15 | 2018-05-15 | 一种基于机器视觉的塑料筒表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830832B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886919A (zh) * | 2019-01-14 | 2019-06-14 | 佛山市南海区广工大数控装备协同创新研究院 | 一种塑料胶管表面缺陷的检测方法及其系统 |
CN109872292A (zh) * | 2019-02-22 | 2019-06-11 | 东华理工大学 | 用于对图形图像进行快速处理的方法 |
CN109900719B (zh) * | 2019-03-04 | 2020-08-04 | 华中科技大学 | 一种叶片表面刀纹的视觉检测方法 |
CN110188639A (zh) * | 2019-05-20 | 2019-08-30 | 深圳供电局有限公司 | 人脸图像处理方法及其系统、计算机设备、可读存储介质 |
CN110514665A (zh) * | 2019-09-03 | 2019-11-29 | 博科视(苏州)技术有限公司 | 一种电子产品塑料外壳划痕缺陷的检测方法 |
CN110930383A (zh) * | 2019-11-20 | 2020-03-27 | 佛山市南海区广工大数控装备协同创新研究院 | 基于深度学习语义分割和图像分类的注射器缺陷检测方法 |
CN111028215A (zh) * | 2019-12-06 | 2020-04-17 | 上海大学 | 一种基于机器视觉的检测钢卷端面缺陷方法 |
CN111161222B (zh) * | 2019-12-13 | 2023-08-25 | 北京印刷学院 | 一种基于视觉显著性的印刷辊筒缺陷检测方法 |
CN111257348B (zh) * | 2020-03-27 | 2023-02-17 | 河海大学常州校区 | 一种基于机器视觉的led导光板缺陷检测方法 |
CN112132135B (zh) * | 2020-08-27 | 2023-11-28 | 南京南瑞信息通信科技有限公司 | 一种基于图像处理的电网传输线检测方法、存储介质 |
CN114187267B (zh) * | 2021-12-13 | 2023-07-21 | 沭阳县苏鑫冲压件有限公司 | 基于机器视觉的冲压件缺陷检测方法 |
CN113935998B (zh) * | 2021-12-16 | 2022-03-22 | 武汉帕克橡塑制品有限公司 | 一种基于机器视觉的橡塑件花斑检测方法 |
CN115201212A (zh) * | 2022-09-19 | 2022-10-18 | 江苏华彬新材料有限公司 | 一种基于机器视觉的塑料制品缺陷检测装置 |
CN116337892A (zh) * | 2023-05-26 | 2023-06-27 | 保融盛维(沈阳)科技有限公司 | 工业电子雷管表面缺陷检测用灰度变化视觉检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107492076A (zh) * | 2017-08-03 | 2017-12-19 | 重庆大学 | 一种高速公路隧道场景车辆阴影干扰抑制方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9255875B2 (en) * | 2011-10-25 | 2016-02-09 | Jentek Sensors, Inc. | Method and apparatus for inspection of corrosion and other defects through insulation |
CN103049753B (zh) * | 2012-06-04 | 2016-01-20 | 深圳市强华科技发展有限公司 | 基于骨架提取和距离变换来检测印刷电路板缺陷的方法 |
CN104297254B (zh) * | 2014-10-08 | 2017-04-12 | 华南理工大学 | 一种基于混合法的印刷电路板缺陷检测方法及系统 |
CN106296636B (zh) * | 2015-06-02 | 2018-01-23 | 征图新视(江苏)科技有限公司 | 印刷图像的检测方法及检测装置 |
US9984284B2 (en) * | 2016-09-19 | 2018-05-29 | King Fahd University Of Petroleum And Minerals | Apparatus and method for gait recognition |
-
2018
- 2018-05-15 CN CN201810462352.7A patent/CN108830832B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107492076A (zh) * | 2017-08-03 | 2017-12-19 | 重庆大学 | 一种高速公路隧道场景车辆阴影干扰抑制方法 |
Non-Patent Citations (2)
Title |
---|
Development of magnetic flux leakage measuring system for detection of defect in small diameter steam generator tube;Suresh V等;《Measurement》;20170131;第95卷;第273-279页 * |
Improved Gabor filters for textile defect detection;Junfeng Jing等;《Procedia Engineering》;20111231;第15卷;第5010-5014页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108830832A (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830832B (zh) | 一种基于机器视觉的塑料筒表面缺陷检测方法 | |
CN110008954B (zh) | 一种基于多阈值融合的复杂背景文本图像提取方法及系统 | |
CN106934803B (zh) | 电子器件表面缺陷的检测方法及装置 | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN102521836A (zh) | 一种基于特定类灰度图像的边缘检测方法 | |
WO2021008019A1 (zh) | 姿态跟踪方法、装置及计算机可读存储介质 | |
US8712114B2 (en) | Elegant solutions for fingerprint image enhancement | |
CN104778710B (zh) | 一种基于量子理论的形态学图像边缘检测方法 | |
CN112001906B (zh) | 一种结合非极大值抑制的钢板焊缝图像检测方法 | |
CN105447489B (zh) | 一种图片ocr识别系统的字符与背景粘连噪声消除方法 | |
CN114399522A (zh) | 一种基于高低阈值的Canny算子的边缘检测方法 | |
CN112308872B (zh) | 基于多尺度Gabor一阶导数的图像边缘检测方法 | |
CN113971681A (zh) | 一种复杂环境下带式输送机边缘检测方法 | |
Saini | Document image binarization techniques, developments and related issues: a review | |
Kaushal et al. | Adaptive thresholding for edge detection in gray scale images | |
CN112184619A (zh) | 一种基于深度学习的金属部件表面缺陷检测方法 | |
CN115661110B (zh) | 一种透明工件识别与定位的方法 | |
CN110930358A (zh) | 一种基于自适应算法的太阳能面板图像处理方法 | |
Fan | Enhancement of camera-captured document images with watershed segmentation | |
Singh et al. | Pre-Processing of Mobile Camera Captured Images for OCR | |
Ahuja et al. | Robust BGA void detection using multi directional scan algorithms | |
CN111882537A (zh) | 视觉检测方法及系统 | |
Nema et al. | Edge detection operators on digital image | |
JP2003141550A (ja) | 位置検出方法 | |
Al-Yoonus et al. | Enhance quality control management for sensitive industrial products using 2D/3D image processing algorithms |
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 |