CN109001212A - 一种基于机器视觉的不锈钢汤勺缺陷检测方法 - Google Patents

Abstract

本发明提供一种基于机器视觉的不锈钢汤勺缺陷检测方法，包括以下步骤：S1)、采集待检测的不锈钢汤勺表面缺陷图像；S2)、对采集的表面缺陷图像依次进行灰度化、灰度变换、图像平滑的预处理；S3)、用自动阈值分割法对预处理后的图像进行阈值分割，得到若干个独立区域；S4)、通过面积特征剔除误判的像素点和可容忍的细微缺陷，同时判断产品是否存在缺陷；S5)、通过圆度特征对存在缺陷的产品进行分类，并对图像中的缺陷进行像素面积计算和定位。本发明能实现了不锈钢汤勺的缺陷检测，对不锈钢汤勺制品表面划痕缺陷的检测正确率高达100％，整体的缺陷检测正确率高达到96％以上，可针对汤勺不同类型缺陷有针对性的进行检测，检测效率高，并且检测稳定。

Description

一种基于机器视觉的不锈钢汤勺缺陷检测方法

技术领域

本发明涉及一种汤勺缺陷检测技术领域，尤其是一种基于机器视觉的不锈钢汤勺缺陷检测方法。

背景技术

由于不锈钢制品存在高反光、易成像等问题，机器难以对其表面细节进行识别和分类，目前不锈钢餐具的生产厂家对不锈钢制品的缺陷检测主要依赖人工完成，而人的肉眼完全无法分辨出合格与否，这会造成缺陷检测精度低、误检率高的问题。

随着科技的快速发展，出现了计算机视觉检测技术。目前表面缺陷视觉检测的主要方法为通过遗传算法和视觉图像处理形态实现金属件表面缺陷的自动检测，例如CN106204614A公开的一种基于机器视觉的工件外观缺陷检测方法以及CN104458748B所公告的一种基于机器视觉的铝型材表面缺陷检测方法。但该两种方法处理纹理较多的图像时，会导致图像信息丢失，并且处理高斯噪声效果和粗糙表面时，效果并不明显，

发明内容

针对现有技术的不足，本发明提供一种基于机器视觉的不锈钢汤勺缺陷检测方法。

本发明的技术方案为：一种基于机器视觉的不锈钢汤勺缺陷检测方法，包括以下步骤：

S1)、采集待检测的不锈钢汤勺表面缺陷图像；

S2)、对采集的表面缺陷图像依次进行灰度化、灰度变换、图像平滑的预处理；

S3)、用自动阈值分割法对预处理后的图像进行阈值分割，得到若干个独立区域；

S4)、通过面积特征剔除误判的像素点和可容忍的细微缺陷，同时判断产品是否存在缺陷；

S5)、通过圆度特征对存在缺陷的产品进行分类，并对图像中的缺陷进行像素面积计算和定位。

进一步的，上述技术方案中，步骤S2)中，对图像进行预处理采用的是RGB图像灰度化、灰度翻转和掩模为35*35的均值滤波。

进一步的，上述技术方案中，步骤S3)中，用自动阈值分割法对预处理后的图像进行阈值分割，具体如下：由于在图像的局部区域内，缺陷与背景会呈现一定的灰度差值，将均值滤波处理后的图像作为背景图像J(x,y)，原始图像记为O(x,y)，根据原始图像与均值滤波后图像每一点的像素灰度差的均值，计算得到偏移量m，即

其中，n为所有像素点的总个数，

由于缺陷部分在预处理后呈现亮色，表现为高灰度值，记缺陷区域为Q(x,y)，则根据以下公式将图像分割为若干区域：

Q(x,y)＝O(x,y)≥J(x,y)+m，

式中，Q(x,y)表示自动阈值分割后输出的分割区域，表示提取灰度值大于或等于该点均值滤波后灰度值加上偏移量的值对应的像素点作为缺陷点输出。

进一步的，上述技术方案中，步骤S4)中，所述的剔除误判的像素点和可容忍的细微缺陷，采用的判定标准是像素面积特征，设置区域面积筛选阈值为30个像素单位，将像素单位小于30的区域剔除，保留像素单位大于或等于30的区域作为真实缺陷区域输出，然后计算真实缺陷区域的面积|area|，如果|area|＝0，说明该样品为正品，如果|area|＞0，说明该样品为次品。

进一步的，上述技术方案中，步骤S5)中，所述的对图像中的缺陷进行分类，采用的判定标准是圆度特征，由于不锈钢汤勺通过模板，利用冲床冲压，最后通过边缘处理得到光滑的工艺成品的过程中，最常见的缺陷是疵点和划痕；其中疵点多呈圆状，划痕呈线状，两者在几何形态上存在较大差异，可以通过二者之间的圆度差别将其进行分类；

其中，圆度计算公式为：C的取值为[0，1]其中，F为缺陷面积，r为区域外接圆半径，若C∈[0.01，0.19]为划痕，若C∈[0.19，1]为疵点；

针对每一处缺陷区域，同时计算真实缺陷区域所有像素点的横纵坐标的平均值作为输出的区域坐标值，以实现缺陷区域的定位，并通过坐标的横坐标值来对缺陷区域进行排序，排序规则为根据横坐标由小到大排序，直至计算出所有的缺陷区域的面积和坐标。

本发明的有益效果为：

1、本发明能实现了不锈钢汤勺的缺陷检测，其中，对不锈钢汤勺制品表面划痕缺陷的检测正确率高达100％，整体的缺陷检测正确率高达到96％以上；

2、本发明还针对汤勺不同类型缺陷有针对性的进行检测，并且能够准确检测不锈钢汤勺的缺陷类型为疵点缺陷或划痕缺陷；

3、检测效率高，平均检测一个汤勺的时间为0.3s，并且检测稳定；

4、通过对采集的图像进行灰度化、灰度变换、均值滤波处理，从而抑制噪声干扰，增强图像有用信息；并且通过自动阈值分割法分割，进一步提高缺陷的检测精度。

附图说明

图1为本发明的流程示意图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步说明：

如图1所示，一种基于机器视觉的不锈钢汤勺缺陷检测方法，包括以下步骤：

S1)、采用相机采集待检测的不锈钢汤勺表面缺陷图像，

其中，汤勺的实际规格为长20.5cm，宽4.0cm，由于疵点缺陷和划痕缺陷非常细微，所以采用面阵为400万像素的CMOS相机，分辨率为2048像素×2048像素，每个像素尺寸为5.5um×5.5um；镜头采用OPTART-M2-65镜头，其工作距离为35dm，光学放大倍率为2；由于不锈钢汤勺表面属于高反光、易成像，所以打光方式采用红色隧道型光源，同时使用雅马哈机械手作为运动控制；

S2)、对采集的表面缺陷图像依次进行灰度化、灰度变换、图像平滑的预处理，具体如下：

灰度化是将初始采集得到RGB图像转化为灰度图像，RGB图像存在三个通道的图像，转换为灰度图像的转换公式为：gray＝0.299*red+0.587*green+0.114*blue；

灰度翻转是将原来呈现暗色的缺陷变为亮色，原来呈现亮色的背景变为暗色；灰度翻转公式如公式：s＝L-1-r，式中s表示像素点翻转后的像素值，L＝256，r表示像素点原始值，通过翻转变换，每个灰度值将会变成(255-r)，从而实现灰度值的变换；

采用35*35的掩模对灰度翻转后的图像进行均值滤波，将35*35模板内所有像素点灰度值的平均值作为中心像素点的像素值，依次遍历所有像素点，完成对图像的均值滤波；得到趋近于图像背景的理想图片；

S3)、用自动阈值分割法对预处理后的图像进行阈值分割，得到若个独立区域，具体为：

由于在图像的局部区域内，缺陷与背景会呈现一定的灰度差值，将均值滤波处理后的图像作为背景图像J(x,y)，原始图像记为O(x,y)，根据原始图像与均值滤波后图像每一点的像素灰度差的均值，计算得到偏移量m，即

其中，n为所有像素点的总个数，

由于缺陷部分在预处理后呈现亮色，表现为高灰度值，记缺陷区域为Q(x,y)，则根据以下公式将图像分割为若干区域：

Q(x,y)＝O(x,y)≥J(x,y)+m，

式中，Q(x,y)表示自动阈值分割后输出的分割区域，表示提取灰度值大于或等于该点均值滤波后灰度值加上偏移量的值对应的像素点作为缺陷点输出；

S4)、通过面积特征剔除误判的像素点和可容忍的细微缺陷，同时判断产品是否存在缺陷，具体为：

S401)、在自动阈值分割后，得到所有缺陷联合成的一个区域，将不相邻的区域分割开后，得到若干个面积独立的ROI区域；

S402)、设置区域面积筛选阈值为30个像素单位，将像素单位小于30的区域剔除，保留像素单位大于或等于30的区域作为真实缺陷区域输出；

S403)、计算真实缺陷区域的面积|area|，如果|area|＝0，说明该样品为正品，如果|area|＞0，说明该样品为次品；

S5)、通过圆度特征对存在缺陷的产品进行分类，并对图像中的缺陷进行像素面积计算和定位，具体为：

由于不锈钢汤勺通过模板，利用冲床冲压，最后通过边缘处理得到光滑的工艺成品的过程中，最常见的缺陷是疵点和划痕；其中疵点多呈圆状，划痕呈线状，两者在几何形态上存在较大差异，可以通过二者之间的圆度差别将其进行分类；

其中，圆度计算公式为：C的取值为[0，1]其中，F为缺陷面积，r为区域外接圆半径，若C∈[0.01，0.19]为划痕，若C∈[0.19，1]为疵点。

针对每一处缺陷区域，同时计算真实缺陷区域所有像素点的横纵坐标的平均值作为输出的区域坐标值，以实现缺陷区域的定位，并通过坐标的横坐标值来对缺陷区域进行排序，排序规则为根据横坐标由小到大排序，直至计算出所有的缺陷区域的面积和坐标。

上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (5)

1.一种基于机器视觉的不锈钢汤勺缺陷检测方法，其特征在于，包括以下步骤：

S1)、采集待检测的不锈钢汤勺表面缺陷图像；

S2)、对采集的表面缺陷图像依次进行灰度化、灰度变换、图像平滑的预处理；

S3)、用自动阈值分割法对预处理后的图像进行阈值分割，得到若干个独立区域；

S4)、通过面积特征剔除误判的像素点和可容忍的细微缺陷，同时判断产品是否存在缺陷；

S5)、若产品存在缺陷，通过圆度特征对存在缺陷的产品进行分类，并对图像中的缺陷进行像素面积计算和定位。

2.根据权利要求1所述的一种基于机器视觉的不锈钢汤勺缺陷检测方法，其特征在于：步骤S2)中，灰度化是将初始采集得到RGB图像转化为灰度图像，RGB图像存在三个通道的图像，转换为灰度图像的转换公式为：gray＝0.299*red+0.587*green+0.114*blue；

灰度变换为灰度翻转，灰度翻转公式如公式：s＝L-1-r，式中s表示像素点翻转后的像素值，L＝256，r表示像素点原始值，通过翻转变换，每个灰度值将会变成(255-r)，从而实现灰度值的变换；

采用35*35的掩模对灰度翻转后的图像进行均值滤波，将35*35模板内所有像素点灰度值的平均值作为中心像素点的像素值，依次遍历所有像素点，完成对图像的均值滤波；得到趋近于图像背景的理想图片。

3.根据权利要求1所述的一种基于机器视觉的不锈钢汤勺缺陷检测方法，其特征在于：步骤S3)中，用自动阈值分割法对预处理后的图像进行阈值分割，具体为：

由于在图像的局部区域内，缺陷与背景会呈现一定的灰度差值，将均值滤波处理后的图像作为背景图像J(x,y)，原始图像记为O(x,y)，根据原始图像与均值滤波后图像每一点的像素灰度差的均值，计算得到偏移量m，即

其中，n为所有像素点的总个数，

由于缺陷部分在预处理后呈现亮色，表现为高灰度值，记缺陷区域为Q(x,y)，则根据以下公式将图像分割为若干区域：

Q(x,y)＝O(x,y)≥J(x,y)+m，

式中，Q(x,y)表示自动阈值分割后输出的分割区域，表示提取灰度值大于或等于该点均值滤波后灰度值加上偏移量的值对应的像素点作为缺陷点输出。

4.根据权利要求1所述的一种基于机器视觉的不锈钢汤勺缺陷检测方法，其特征在于：步骤S4)中，所述的剔除误判的像素点和可容忍的细微缺陷，具体为

S401)、在自动阈值分割后，得到所有缺陷联合成的一个区域，将不相邻的区域分割开后，得到若干个面积独立的ROI区域；

S402)、设置区域面积筛选阈值为30个像素单位，将像素单位小于30的区域剔除，保留像素单位大于或等于30的区域作为真实缺陷区域输出；

S403)、计算真实缺陷区域的面积|area|，如果|area|＝0，说明该样品为正品，如果|area|＞0，说明该样品为次品。

5.根据权利要求1所述的一种基于机器视觉的不锈钢汤勺缺陷检测方法，其特征在于：步骤S5)中，所述的对图像中的缺陷进行分类，采用的判定标准是圆度特征，由于不锈钢汤勺通过模板，利用冲床冲压，最后通过边缘处理得到光滑的工艺成品的过程中，最常见的缺陷是疵点和划痕；其中疵点多呈圆状，划痕呈线状，两者在几何形态上存在较大差异，可以通过二者之间的圆度差别将其进行分类；

其中，圆度计算公式为：C的取值为[0，1]，其中，F为缺陷面积，r为区域外接圆半径，若C∈[0.01，0.19]为划痕缺陷，若C∈[0.19，1]为疵点缺陷；

针对每一处缺陷区域，同时计算真实缺陷区域所有像素点的横纵坐标的平均值作为输出的区域坐标值，以实现缺陷区域的定位，并通过坐标的横坐标值来对缺陷区域进行排序，排序规则为根据横坐标由小到大排序，直至计算出所有的缺陷区域的面积和坐标。