CN109100359A - 一种基于机器视觉的产品缺陷识别方法 - Google Patents

一种基于机器视觉的产品缺陷识别方法 Download PDF

Info

Publication number
CN109100359A
CN109100359A CN201811245269.0A CN201811245269A CN109100359A CN 109100359 A CN109100359 A CN 109100359A CN 201811245269 A CN201811245269 A CN 201811245269A CN 109100359 A CN109100359 A CN 109100359A
Authority
CN
China
Prior art keywords
technical characteristic
value
product
detected
shooting
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
Application number
CN201811245269.0A
Other languages
English (en)
Inventor
唐霞
包挺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi Professional College of Science and Technology
Original Assignee
Wuxi Professional College of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuxi Professional College of Science and Technology filed Critical Wuxi Professional College of Science and Technology
Priority to CN201811245269.0A priority Critical patent/CN109100359A/zh
Publication of CN109100359A publication Critical patent/CN109100359A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提供一种基于机器视觉的产品缺陷识别方法，其对设备的硬件的要求较低，不但降低了设备成本，且实现方便，易于推广应用。其包括：S1：确定采集设备的视野；S2：确定检测区域；S3：确定拍摄基准点；S4：确定采集设备每次拍摄时候的旋转角度、每次拍摄需要检测的技术特征、每个被检测产品的拍摄次数；S5：针对每次拍摄采集的图像，通过图像识别技术鉴别查找技术特征的缺陷，并把每个技术特征的分次鉴别结果用数值分别标记；S6：针对被检测产品的拍摄实施完毕后，针对每个技术特征，把所有的分次鉴别结果进行计算，得出针对每个技术特征的检测值；S7：根据每个被检测产品的所有技术特征的检测值进行计算，得出针对每个产品的产品缺陷识别值。

Description

一种基于机器视觉的产品缺陷识别方法
技术领域
本发明涉及图像处理技术领域，具体为一种基于机器视觉的产品缺陷识别方法。
背景技术
现代工业技术中通过机器视觉技术识别产品缺陷是常用的方法，但现有技术中，通常是采用整体检测方法，对被检测工件进行一次扫描然后识别所有缺陷；当被检测工件上需要识别的项目较多的时候，不但对扫描用设备的要求比较高，且一次扫描后对多处结果共同运算，对CPU（中央处理器）运算能力要求也很高，导致缺陷识别用设备的成本居高不下。
发明内容
为了解决整体检测法对扫描用设备和CPU的性能要求比较高的问题，本发明提供一种基于机器视觉的产品缺陷识别方法，其对设备的硬件的要求较低，不但降低了设备成本，且实现方便，易于推广应用。
本发明的技术方案是这样的：一种基于机器视觉的产品缺陷识别方法，其包括以下步骤：
S1：确定图像采集设备的视野；
S2：确定被检测产品的检测区域；
S3：确定拍摄基准点；
其特征在于：其还包括下面的步骤：
S4：根据所述图像采集设备的视野、所述检测区域和所述基准点，确定所述采集设备每次拍摄时候的旋转角度、每次拍摄需要检测的技术特征、每个被检测产品的拍摄次数；
S5：针对每次拍摄采集的图像，通过图像识别技术鉴别查找所述技术特征的缺陷，并把每个所述技术特征的分次鉴别结果用数值分别标记；
S6：按照所述拍摄次数，针对被检测产品的拍摄实施完毕后，针对每个所述技术特征，把所有的所述分次鉴别结果进行计算，得出针对每个所述技术特征的检测值；
S7：根据每个被检测产品的所有所述技术特征的检测值进行计算，得出针对每个产品的产品缺陷识别值。
其进一步特征在于：
其还包括步骤S8：把所述产品缺陷识别值与预先设置在系统中的标准值进行比对，不一致的情况下，确定被检测产品存在缺陷；
步骤S5中，所述技术特征有存在缺陷的时候，所述分次鉴别结果用0标记，所述技术特征不存在缺陷的时候，所述分次鉴别结果用1标记；
步骤S6中所述技术特征的检测值的计算方法为：
V = i*v1+（i-1）*v2+……+2*vi-1+1*vi
其中：
V：表示所述技术特征的检测值，
vi：表示步骤S5中得出的每个所述技术特征的分次鉴别结果，取值为1或者0，
i：为正整数，表示在步骤S4中确定的所述拍摄次数；
步骤S7中所述产品缺陷识别值的计算方法，包括以下步骤：
a：针对每个所述技术特征在系统中预设检测值的期待值；
b：设置所述技术特征的中间检测值，把所述技术特征的检测值与所述检测值的期待值进行匹配，如果匹配则所述技术特征的中间检测值设置为1，不匹配则所述技术特征的中间检测值设置为0；
c：把被检测产品的所有的所述技术特征的中间检测值相加，得到针对每个产品的所述产品缺陷识别值；
步骤S4中确定所述采集设备每次拍摄时的旋转角度的时候，必须确保每次拍摄包括的所述技术特征是完整的，没有切割任何所述技术特征；
其还包括步骤S9，步骤S8中判断产品存在缺陷的情况下，通过所述技术特征的中间检测值来判断缺陷发生的具体位置，所述中间检测值为0则代表所述技术特征被检出缺陷。
本发明提供的一种基于机器视觉的产品缺陷识别方法，其通过把检测区域分成通过检测设备的视野分割成几次分别进行检测，降低了对检测设备的硬件运算能力的性能要求；每次拍摄采集的图像因为只是总检测区域的一部分，所以通过图像识别技术鉴别查找技术特征的缺陷时候，需要计算的数量级降低，也即是降低了对CPU的性能要求；获得每个单次拍摄采集的图像后，通过图像识别技术，鉴别出本次鉴别中技术特征是否有缺陷后，通过设置分次鉴别结果、技术特征检测值、产品缺陷识别值分别为数值，被测试产品的整体检测结果是用数值进行计算后得出的；相对于现有技术中通过对一个产品检测区域的完整图片进行处理，而得出所有的缺陷发生位置的方法而言，本发明通过分别计算每个视野中的缺陷，然后通过数值计算得出本检测产品是否有缺陷存在，计算速度更快，对CPU的性能要求更低。
附图说明
图1为本发明的识别方法的流程示意图；
图2为实施例的产品检测区域示意图；
图3为实施例中的单个视野位置示意图。
具体实施方式
如图1~图3所示，本发明一种基于机器视觉的产品缺陷识别方法，其包括以下步骤：
S1：确定图像采集设备的视野；
S2：确定被检测产品的检测区域；
S3：确定拍摄基准点；
S4：根据图像采集设备的视野、检测区域和基准点，确定采集设备每次拍摄时候的旋转角度、每次拍摄需要检测的技术特征、每个被检测产品的拍摄次数；确定采集设备每次拍摄时的旋转角度的时候，必须确保每次拍摄包括的技术特征是完整的，没有切割任何技术特征；
S5：针对每次拍摄采集的图像，通过图像识别技术鉴别查找技术特征的缺陷，并把每个技术特征的分次鉴别结果用数值分别标记；技术特征有存在缺陷的时候，分次鉴别结果用0标记，技术特征不存在缺陷的时候，分次鉴别结果用1标记；
S6：按照拍摄次数，针对被检测产品的拍摄实施完毕后，针对每个技术特征，把所有的分次鉴别结果进行计算，得出针对每个技术特征的检测值；
技术特征的检测值的计算方法为：
V = i*v1+（i-1）*v2+……+2*vi-1+1*vi
其中：
V：表示技术特征的检测值，
vi：表示步骤S5中得出的每个技术特征的分次鉴别结果，取值为1或者0，
i：为正整数，表示在步骤S4中确定的拍摄次数；
S7：根据每个被检测产品的所有技术特征的检测值进行计算，得出针对每个产品的产品缺陷识别值；产品缺陷识别值的计算方法为：
a：针对每个技术特征在系统中预设检测值的期待值；
b：设置技术特征的中间检测值，把技术特征的检测值与检测值的期待值进行匹配，如果匹配则技术特征的中间检测值设置为1，不匹配则技术特征的中间检测值设置为0；
c：把被检测产品的所有的技术特征的中间检测值相加，得到针对每个产品的产品缺陷识别值；
S8：把产品缺陷识别值与预先设置在系统中的标准值进行比对，不一致的情况下，确定被检测产品存在缺陷；
S9：步骤S8中判断产品存在缺陷的情况下，通过技术特征的中间检测值来判断缺陷发生的具体位置，中间检测值为0则代表有技术特征被检出缺陷。
下面以一种离合器的出厂检测为例，对基于机器视觉的产品缺陷识别方法的技术方案进行说明。离合器出场检测包含的检测内容如下所示，共四个技术特征：
(1)确认大弹簧有无：正常数量8个；
(2)确认大弹簧对应的堵头对数有无：一盘对应的数量8对；
(3)确认铆钉有无：正常一盘对应8个，呈圆形；
(4)确认内侧小弹簧有无：正常一盘有4个；
现有方法中通过一次扫描后对多处结果共同运算，如图1所示,标号2的检测框即为其要求相机拍摄用设备的视野，需要覆盖整个离合器1的检测区域，而使用本发明的方法后，其根据离合器的大小和扫描用设备的视野，把检测区域分为8部分，如图2所示，每次只要相机拍摄整个检测区域的1/8即可，即标号为3的检测框，大大降低了对扫描设备的硬件性能要求。
针对检测区域共拍摄8次，每次拍摄后，通过图像识别技术鉴别本次扫描的图像中，上述四个技术特征是否存在，存在的情况下，该技术特征的分次鉴别结果记录为1，不存在的情况下，该技术特征的分次鉴别结果记录为0；8次拍摄结束后，4个技术特征的所有分次鉴别结果如下表一所示：
表一 所有技术特征的分次鉴别结果
扫描后，进行图像识别的图像识别技术使用现有的第三方图像识别技术即可，本实施例基于康耐视机器视觉系统进行实施。
通过表一中的分次鉴别结果，通过下面的公式计算每个技术特征的检测值：
V = i*v1+（i-1）*v2+……+2*vi-1+1*vi
其中i的值取8；vi的取值参照表一，每个技术特征的那一列与检测次数的那一行对应的每一个值；最终计算后得到的结果如下表二所示：
表二 所有技术特征的检测值
在进行产品检测之前，针对不同类型的产品，以及根据对不同产品的质量要求，对每个技术特征在系统中都设置对应的期待值，期待值可以是具体的一个数值、多个数值构成的数组或者一个数值范围，得到表二的技术特征的检测值之后，把检测值与对应的技术特征的期待值进行匹配，如果匹配则技术特征的中间检测值设置为1，不匹配则技术特征的中间检测值设置为0；本实施例中，根据被检测产品的特点以及质量要求，每个技术特征的期待值都是由几个固定数值组成的数组，所得的检测值只要匹配到其中一个数值，中间检测值即可赋值为1，没有一个数值能够匹配，则中间检测值赋值为0；则得到下面的表三：
表三 所有特征值对应的中间检测值
由上表三可知，每个特征值都没有缺陷，即本次产品检测中所有的特征值都是合格的。
最后，把被检测产品的所有的技术特征的中间检测值相加，得到针对每个产品的产品缺陷识别值，本实施例中被测试产品的产品缺陷识别值为4。根据离合器的出场检测质量标准规定，产品缺陷识别值的标准值为4，也即是说，本次被检测产品是合格产品。
如果产品缺陷识别值不为4，则可以通过中间检测值查看是哪个具体的技术特征存在缺陷；找出中间检测值中不为零的值，然后找到对应的图片，对应的技术特征即为存在缺陷的技术特征。技术人员在后期进行缺陷定位的时候，通过中间检测值进行定位，可以更快的定位到缺陷发生的具体位置，并且通过查找对应图片修改程序，减少了技术人员的工作量。
使用本发明的技术方案后，通过对被检测产品的检测区域分割，每次扫描其中的一部分检测区域，以降低对扫描设备的性能要求；通过用把每次拍摄的图像的识别结果转换为数值，通过对数值的计算得到整体的被检测产品的缺陷检测结果，降低了对CPU的计算能力的要求；而且通过对检测区域的分割，可以通过对每个分割后区域的检测结果的追溯而追踪到发生缺陷的具体的技术特征，降低了质量检测人员查找缺陷发生位置的工作量；且本技术方案设计思想清楚，方案相对简单易于理解，适于工业应用。

Claims (7)

1.一种基于机器视觉的产品缺陷识别方法，其包括以下步骤：
S1：确定图像采集设备的视野；
S2：确定被检测产品的检测区域；
S3：确定拍摄基准点；
其特征在于：其还包括下面的步骤：
S4：根据所述图像采集设备的视野、所述检测区域和所述基准点，确定所述采集设备每次拍摄时候的旋转角度、每次拍摄需要检测的技术特征、每个被检测产品的拍摄次数；
S5：针对每次拍摄采集的图像，通过图像识别技术鉴别查找所述技术特征的缺陷，并把每个所述技术特征的分次鉴别结果用数值分别标记；
S6：按照所述拍摄次数，针对被检测产品的拍摄实施完毕后，针对每个所述技术特征，把所有的所述分次鉴别结果进行计算，得出针对每个所述技术特征的检测值；
S7：根据每个被检测产品的所有所述技术特征的检测值进行计算，得出针对每个产品的产品缺陷识别值。
2.根据权利要求1所述一种基于机器视觉的产品缺陷识别方法，其特征在于：其还包括步骤S8：把所述产品缺陷识别值与预先设置在系统中的标准值进行比对，不一致的情况下，确定被检测产品存在缺陷。
3.根据权利要求1所述一种基于机器视觉的产品缺陷识别方法，其特征在于：步骤S5中，所述技术特征有存在缺陷的时候，所述分次鉴别结果用0标记，所述技术特征不存在缺陷的时候，所述分次鉴别结果用1标记。
4.根据权利要求1所述一种基于机器视觉的产品缺陷识别方法，其特征在于：步骤S6中所述技术特征的检测值的计算方法为：
V = i*v1+（i-1）*v2+……+2*vi-1+1*vi
其中：
V：表示所述技术特征的检测值，
vi：表示步骤S5中得出的每个所述技术特征的分次鉴别结果，取值为1或者0，
i：为正整数，表示在步骤S4中确定的所述拍摄次数。
5.根据权利要求1所述一种基于机器视觉的产品缺陷识别方法，其特征在于：步骤S7中所述产品缺陷识别值的计算方法，包括以下步骤：
a：针对每个所述技术特征在系统中预设检测值的期待值；
b：设置所述技术特征的中间检测值，把所述技术特征的检测值与所述检测值的期待值进行匹配，如果匹配则所述技术特征的中间检测值设置为1，不匹配则所述技术特征的中间检测值设置为0；
c：把被检测产品的所有的所述技术特征的中间检测值相加，得到针对每个产品的所述产品缺陷识别值。
6.根据权利要求1所述一种基于机器视觉的产品缺陷识别方法，其特征在于：步骤S4中确定所述采集设备每次拍摄时的旋转角度的时候，必须确保每次拍摄包括的所述技术特征是完整的，没有切割任何所述技术特征。
7.根据权利要求5所述一种基于机器视觉的产品缺陷识别方法，其特征在于：产品存在缺陷的情况下，通过所述技术特征的中间检测值来判断缺陷发生的具体位置，所述中间检测值为0则代表所述技术特征被检出缺陷。
CN201811245269.0A 2018-10-24 2018-10-24 一种基于机器视觉的产品缺陷识别方法 Pending CN109100359A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811245269.0A CN109100359A (zh) 2018-10-24 2018-10-24 一种基于机器视觉的产品缺陷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811245269.0A CN109100359A (zh) 2018-10-24 2018-10-24 一种基于机器视觉的产品缺陷识别方法

Publications (1)

Publication Number Publication Date
CN109100359A true CN109100359A (zh) 2018-12-28

Family

ID=64869389

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811245269.0A Pending CN109100359A (zh) 2018-10-24 2018-10-24 一种基于机器视觉的产品缺陷识别方法

Country Status (1)

Country Link
CN (1) CN109100359A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109598724A (zh) * 2019-02-01 2019-04-09 东莞中科蓝海智能视觉科技有限公司 布料标签检测识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102680478A (zh) * 2012-04-25 2012-09-19 华南农业大学 一种基于机器视觉的机械零部件表面缺陷检测方法及装置
CN103913190A (zh) * 2014-03-24 2014-07-09 合肥安达数控技术有限责任公司 基于机器视觉的汽车组合仪表耐久性能检测台
CN106932005A (zh) * 2015-12-30 2017-07-07 希姆通信息技术（上海）有限公司 一种移动终端上螺丝的视觉检测方法及控制设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102680478A (zh) * 2012-04-25 2012-09-19 华南农业大学 一种基于机器视觉的机械零部件表面缺陷检测方法及装置
CN103913190A (zh) * 2014-03-24 2014-07-09 合肥安达数控技术有限责任公司 基于机器视觉的汽车组合仪表耐久性能检测台
CN106932005A (zh) * 2015-12-30 2017-07-07 希姆通信息技术（上海）有限公司 一种移动终端上螺丝的视觉检测方法及控制设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
包挺 等: ""基于机器视觉的汽车减震盘缺陷检测系统开发"", 《山东工业技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109598724A (zh) * 2019-02-01 2019-04-09 东莞中科蓝海智能视觉科技有限公司 布料标签检测识别方法

Similar Documents

Publication Publication Date Title
CN110349145B (zh) 缺陷检测方法、装置、电子设备以及存储介质
CN111242123B (zh) 一种基于红外图像的电力设备故障诊断方法
CN109900711A (zh) 基于机器视觉的工件缺陷检测方法
CN111624229B (zh) 一种基于红外成像的带电设备故障智能诊断方法
CN106529559A (zh) 一种指针式圆形多仪表盘实时读数识别方法
CN108520514B (zh) 基于计算机视觉的印刷电路板电子元器一致性检测方法
WO2017177717A1 (zh) 基于颜色和梯度的元件定位方法和系统
CN106290392A (zh) 一种小微轴承表面凹痕缺陷在线检测方法及其系统
KR101782363B1 (ko) 데이터 밸런싱을 통한 학습기반의 비전검사 방법
CN108871185B (zh) 零件检测的方法、装置、设备以及计算机可读存储介质
CN109285140A (zh) 一种印刷电路板图像配准评估方法
CN112288732A (zh) 一种点胶的检测方法、装置、设备及系统
JP2017219529A (ja) 外観異常検査装置、方法、及びプログラム
CN110322395B (zh) 基于图像处理与仿射变换的零件轮廓形状检测方法及装置
CN111563896A (zh) 一种用于接触网异常检测的图像处理方法
JP7383722B2 (ja) ターゲットコーティングの画像データにおける欠陥検出の方法とシステム
Chavan et al. Quality control of PCB using image processing
CN113221805B (zh) 一种电力设备图像位置获取方法及装置
CN108205210A (zh) 基于傅里叶梅林及特征匹配的lcd缺陷检测系统及方法
CN109100359A (zh) 一种基于机器视觉的产品缺陷识别方法
EP3940370A1 (en) Method for extracting spectral information of object to be detected
CN110243475B (zh) 一种基于机器视觉识别技术的织物色差检测方法
CN114324382A (zh) 面板端子清洁度检测方法及面板端子清洁度检测装置
CN105427295B (zh) 一种基于焊缝的图像识别方法和图像识别系统
CN104677906A (zh) 影像信息检测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181228