CN109118471A - 一种适用于复杂环境下的打磨工件缺陷检测方法 - Google Patents
一种适用于复杂环境下的打磨工件缺陷检测方法 Download PDFInfo
- Publication number
- CN109118471A CN109118471A CN201810672216.0A CN201810672216A CN109118471A CN 109118471 A CN109118471 A CN 109118471A CN 201810672216 A CN201810672216 A CN 201810672216A CN 109118471 A CN109118471 A CN 109118471A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- workpiece
- polishing workpiece
- algorithm
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 73
- 238000005498 polishing Methods 0.000 title claims abstract description 64
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000005286 illumination Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000003708 edge detection Methods 0.000 claims abstract description 13
- 239000000284 extract Substances 0.000 claims abstract description 5
- 230000009466 transformation Effects 0.000 claims description 15
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 11
- 238000000605 extraction Methods 0.000 abstract description 7
- 238000000227 grinding Methods 0.000 abstract description 2
- 238000003801 milling Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 230000007812 deficiency Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000002902 bimodal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 125000000623 heterocyclic group Chemical group 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000006247 magnetic powder Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000009304 pastoral farming Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 239000002699 waste material Substances 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
-
- G06T3/147—
-
- 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
- G06T7/11—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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30164—Workpiece; Machine component
Abstract
本发明公开了一种适用于复杂环境下的打磨工件缺陷检测方法，包括如下步骤：对打磨的工件进行图像采集；对采集后的图像进行预处理；使用针对光照不均的目标分割算法对经过预处理的图像进行局部二值化，把缺陷目标从图像中分离出来；对经过目标分割后的图像采用边缘检测算法，并提取工件上的缺陷。使用时，打磨机器人将工件打磨好后，放置到指定的移动平台上，用工业CCD相机进行图像采集，使用本发明算法对图像进行预处理、目标分割、缺陷识别和提取，最终实现对打磨工件的缺陷检测。同时，本发明大大克服了传统打磨工件检测方法效率低下，检测工件质量很难得到统一，不能适用于复杂环境下的打磨工件缺陷检测的缺点。
Description
技术领域
本发明涉及机器视觉技术应用技术及打磨抛光技术领域，尤其涉及一种适用于复杂环境下的打磨工件缺陷检测方法。
背景技术
长久以来，在工件的表面缺陷检测中，传统的检测往往由人工来完成，人工检测在实际应用中有很大的局限性，人工检测效率低、难以长时间工作，人疲劳后容易导致工件漏检、错检的情况出现，工件检测质量不能保证，检测成本高。目前在实际生产中应用的非接触式表面缺陷检测方法主要有涡流检测技术、红外检测技术和漏磁检测技术。如涡流检测技术易造成能源浪费，检测速度慢等缺点。现有的基于机器视觉的检测方法，要求图像采集需要创建良好的采集环境，以采集到目标明显、光照均匀、噪声低且能够全面反映图像细节信息的原始图像。但是实际的加工生产流水线上，采集的图像会存在局部曝光、局部阴影，这就会影响打磨工件缺陷检测的准确率、以及增加误检率和漏检率。
传统的打磨工件检测方法中主要有以下缺点：1、传统打磨工件缺陷检测方法采用人工检测和无损缺检测方法，人工检测不仅效率低、精度低等情况，而且质量很难得到统一的保证。无损检测技术包括超声波检测方法、涡流方法、漏磁方法和磁粉方法。但超声波检测技术在使用中需要添加耦合剂，会给工件带来一定的影响，并且此方法不能确定缺陷的形状及尺寸等特征。超声波探伤、涡流探伤、漏磁探伤等技术需要把超声信号或电磁感信号转换成光学图像，需要专业人员观察这些光学图像以判断工件是否存在缺陷，因此这些无损检测技术缺乏直观性。本发明提出的打磨工件的检测算法就是针对工业流水线上的复杂环境下，对打磨工件进行有效的缺陷检测，以减少打磨工件缺陷检测中出现漏检和误检，提高检测效率和精度。同时本方法操作简单、使用方便，特别符合如今工业生产的需要。
2、现有的机器视觉检测方法对采集图像的环境要求特别高，需要光照单一和均匀的环境，以采集到目标明显、光照均匀、噪声低的原始图像。但实际的生产流水线上，环境复杂，使用现有机器视觉的检测方法很容易在对打磨工件进行检测时出现漏检和误检，以影响打磨工件检测效果。本发明提出的打磨工件的检测算法就是针对工业流水线上的复杂环境下，对打磨工件进行有效的缺陷检测，以减少打磨工件缺陷检测中出现漏检和误检，提高检测效率和精度。
因此，现有技术需要进一步改进和完善。
发明内容
本发明的目的在于克服现有技术的不足，提供一种适用于复杂环境下的打磨工件缺陷检测方法。
本发明的目的通过下述技术方案实现：
一种适用于复杂环境下的打磨工件缺陷检测方法，该缺陷检测方法主要包括如下步骤：
步骤S1：对打磨的工件进行图像采集。
步骤S2：对采集后的图像进行预处理。
具体的，所述步骤S2中对采集后的图像进行预处理具体包括如下步骤：
步骤S21：采集完打磨工件的图像后，要先对图像先进行图像缩放、灰度化、二值化；
步骤S22：将图中任意两点均连通的子图化为块，称为图像的连通块，而图中最大连通子图称最大连通域，对工件采集的图像的最大连通域进行截取，从而获得打磨工件所在的区域；
步骤S23：将截取打磨工件区域的图像采用仿射变换来实现图像的变换，利用边界相关运算建立仿射变换模型，自适应求得图像的配准参数，自动实现图像的平移、旋转和缩放，从而自适应旋转修正；
步骤S24：将修正旋转后的图像进行二值化得到打磨工件在图像中的位置，然后使用表示矩形区域的Rect获取感兴趣区：ROI，这就是打磨工件的主结构。
步骤S3：使用针对光照不均的目标分割算法，对经过预处理的图像进行局部二值化，把缺陷目标从图像中分离出来。
具体的，所述步骤S3包括如下具体步骤：
步骤S31：利用传统Bernsen算法得到阈值T1；
具体的，所述步骤S31包括如下具体步骤：
步骤S311：假设f(x,y)表示点(x，y)的灰度值，考虑以中心点(x，y)和大小为(2w+1)×(2w+1)为中心的块；
步骤S312：f(x,y)的阈值T(x,y)由下式计算
步骤S313：二值化图像获得通过由下式计算
步骤S32：创建高斯滤波器；
具体的，所述步骤S32至步骤S34包括如下具体步骤：
步骤S321：假设f(x，y)去掉用高斯滤波器得到的灰度值，σ是高斯滤波器的比例尺，k和l是窗口的参数；
步骤S322：基于步骤S312中的公式来计算f(x,y)的阈值T1(x,y)；
步骤S323：为f1(x,y)的窗口s＝(2w+1)×(2w+1)创建高斯滤波器
步骤S324：计算f1(x,y)的阈值T2(x,y)为
步骤S325：通过下式获得二值图像
其中α是用于调整具有高斯滤波器的Bernsen算法和传统的Bernsen算法(α∈[0，1])之间的平衡的参数；当α等于0时，所提出的算法是Bernsen算法；当α等于1时，所提出的算法是具有高斯滤波器的Bernsen算法。
步骤S33：利用高斯滤波器得到阈值T2；
步骤S34：利用改进Bernsen算法获取二值化图像；
步骤S35：利用中值滤波去噪声；
具体的，所述步骤S35包括：将中值滤波定义为g(x,y)＝med{f(xi,yj)}(i,j)∈M，其中g(x,y)为中值滤波输出，f(xi,yj)为图像的像素(xi,yj)的灰度值，M为模板窗口。
步骤S4：对经过目标分割后的图像采用边缘检测算法，并提取工件上的缺陷。
具体的，所述步骤S4包括如下具体步骤：
步骤S41：采用边缘检测获取缺陷以及调整边缘检测的双阈值除掉其他干扰信息；
具体的，所述步骤S41包括如下具体步骤：
步骤S411：利用高斯平滑滤波器卷积降噪，消除噪声；
步骤S412：计算梯度幅值和方向；
步骤S413：对幅值图像进行应用非极大值抑制；
步骤S414：双阈值检测和边缘连接。
步骤S42：利用模板匹配的方法进行提取需要的感兴趣的区域；
步骤S43：用矩形框标记缺陷，以及显示缺陷的个数以及缺陷的x轴和y轴坐标信息。
本发明的工作过程和原理是：本发明克服现了有技术的缺点与不足，提供一种应用于打磨抛光行业中的打磨工件检测算法。使用时，打磨机器人将工件打磨好后，放置到指定的移动平台上，用工业CCD相机进行图像采集，使用本发明算法对图像进行预处理、目标分割、缺陷识别和提取，最终实现对打磨工件的缺陷检测。同时，本发明大大克服了传统打磨工件检测方法效率低下，检测工件质量很难得到统一，不能适用于复杂环境下的打磨工件缺陷检测的缺点。
与现有技术相比，本发明还具有以下优点：
(1)本发明改进了传统打磨工件缺陷检测算法的缺点与不足，提供一种应用于复杂环境下的打磨工件缺陷检测算法，自动的对打磨工件进行缺陷检测。本方法有利于更高效率形成一种适用于工业生产流水线上的打磨工件缺陷检测，同时提高了打磨工件缺陷检测的准确性，减少了漏检率和误检率，填补了传打磨工件检测的不足。
(2)本发明提出的打磨工件的算法就是针对工业流水线上的复杂环境下，自动的对打磨工件进行有效的缺陷检测，不需要太多的人为干预，减少人工成本。同时使用本发明的方法，操作简单、使用方便，对操作人员的专业要求不高，特别符合如今工业生产的需要。
附图说明
图1是本发明所提供的一种适用于复杂环境下的打磨工件缺陷检测方法的整体流程图。
图2是本发明所提供的图像预处理阶段的流程图。
图3是本发明所提供的针对光照不均的目标分割算法的流程图。
图4是本发明所提供的缺陷识别和提取的流程图。
图5是本发明所提供的工件拍摄原图。
图6是本发明所提供的工件缺陷效果图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明作进一步说明。
实施例1：
如图1至图6所示，本实施例公开了一种适用于复杂环境下的打磨工件缺陷检测方法，该方法主要包括如下步骤。
图1示出了打磨工件缺陷检测算法的整体流程框图。主要包括图像预处理、本发明所提出的针对光照不均的目标分割算法是指对经过预处理的图像进行局部二值化，把缺陷目标从图像中分离出来，以便于对目标的进一步利用和降低后续的特征提取及识别的计算复杂度，对经过目标分割后的图像采用边缘检测算法，提取缺陷。下面的实施方式说明将对每一个流程进行详细的阐述。
图2示出了图像预处理阶段的流程图，主要分为四大部分功能模块：
1、图像的灰度化和二值化。
采集完打磨工件的图像后，要先对图像先进行图像缩放、灰度化、二值化。由采集后的图片缩放后，把它转换为灰度图像的过程就叫做图像的灰度化处理。图像的二值化处理就是将图像上的点的灰度值设为0或255，也就是将整个图像呈现出明显的黑白效果。这样有利于在对图像做进一步处理时，图像的集合性质只与像素值为0或255的点的位置有关，不再涉及像素的多级值，使处理变得简单，而且数据的处理和压缩量小。
2、截取打磨工件区域。
将图中任意两点均连通的子图化为块，称为图像的连通块，那么图的最大连通子图称最大连通域。由于在采集图片中不可避免会存在一些移动平台、摄像头杆等物体，这样就会对实验结果造成一定的干扰，所以要将它们在检测之前剔除出去。对工件采集的图像的最大连通域应该是指工件在图像的连通块，故就是截取打磨工件所在的区域。
3、图像的修正旋转。
仿射变换是一种常用的图像几何变换，使用仿射变换矩阵能够方便地描述图像的线性变换以及平移等非线性变换。仿射变换在计算机图像处理中有着重要的作用，在模式识别、图像配准、图像增强、图像恢复、特征提取、图像编码压缩等方面都需要应用到。仿射变换具有如下基本性质：
①保持二维图形的平直性，即共线点经过仿射变换仍为共线点。
②保持二维图形的平行性，即平行直线经过仿射变换仍为平行直线，但向量间的夹角可能会改变，保持共线三点的简比，即保持两平行线段的比值不变。
本发明采用仿射变换来实现图像的变换，利用边界相关运算建立仿射变换模型，自适应求得图像的配准参数，自动实现图像的平移、旋转和缩放。经过仿射变换旋转修正后，将截取打磨工件区域自适应的旋转修正。
4、打磨工件主结构提取。
将修正旋转后的图像，进行二值化得到打磨工件在图像中的位置，然后使用表示矩形区域的Rect获取感兴趣区：ROI，这就是打磨工件的主结构。
图3示出了针对光照不均的目标分割算法的流程图，主要分为有五大步骤：
Bernsen算法：具有双峰的图像直方图能够将目标和背景分离，用全局阈值二值化方法可以获得好的结果，例如Otsu和平均灰度值。然而，在实际环境中，由于图像噪声等原因，图像直方图不会呈现双峰模式。在这种情况下，传统的二值化方法不能获得满意的结果。局部阈值方法通常用于识别更严重的干扰或图像不均匀照明，如Bernsen算法和Niblack算法。一般来说，凭借局部二值化算法的出色性能，Bernsen算法是解决不均匀照明问题的合适解决方案。
假设f(x,y))表示点(x，y)的灰度值。考虑以中心点(x，y)和大小为(2w+1)×(2w+1)为中心的块。f(x,y)的阈值T(x,y)由下式计算
然后，二值化图像获得通过由下式计算
Bernsen算法对噪声很敏感，这会干扰打磨工件缺陷提取。在这项研究中，去除噪声和保留缺陷特征是重要的。故本发明对Bernsen算法进行改进，提出了针对光照不均的目标分割算法。
针对光照不均的目标分割算法：假设f(x，y)去掉用高斯滤波器得到的灰度值，σ是高斯滤波器的比例尺，k和l是窗口的参数。
步骤(1)：基于(1)计算f(x,y)的阈值T1(x,y)。
步骤(2)：为f1(x,y))的窗口s＝(2w+1)×(2w+1)创建高斯滤波器。
步骤(3)：计算f1(x,y)的阈值T2(x,y)为
步骤(4)通过下式获得二值图像，
其中α是用于调整具有高斯滤波器的Bernsen算法和传统的Bernsen算法(α∈[0，1])之间的平衡的参数。
当α等于0时，所提出的算法是Bernsen算法。当α等于1时，所提出的算法是具有高斯滤波器的Bernsen算法。通过采用适当的α，阴影和局部曝光可以被有效地移除，使缺陷更加可以成功提取。
步骤(5)：通过中值滤波去除噪声；
打磨工件的图像经过针对光照不均的目标分割算法后变成二值化图像，图像中阴影和局部曝光可以被有效地移除，但是图像还存在一些孤立噪声点，这会影响下一步缺陷的识别和提取。故需要对用改进的bernsen算法处理后的图像进一步用中值滤波处理去燥。
中值滤波：SM(Standard Median Filter)是一种具有较少边缘模糊的非线性滤波方法，不仅能够去除或者减少随机噪声和脉冲干扰，还能较好地保留图像边缘信息。这种算法主要依赖于快读排序算法，其基本思想是在要排序的元素集合中任意选取一个元素并将它与其他元素进行比较，将所有比这个元素小的元素都放在它之前，将所有比它大的元素放在它之后；经过一次排序之后，可按该元素所在的位置分界，将集合分成2个部分；然后对剩下的2个部分重复上述过程进行排序，直到每一部分只剩下一个元素为止；当所有排序完成后，取排序后的集合中位于中间位置的元素的值(即所谓的中值)作为输出值。中值滤波可以定义为：
g(x,y)＝med{f(xi,yj)}(i,j)∈M (6)
其中g(x,y)为中值滤波输出，f(xi,yj)为图像的像素(xi,yj)的灰度值，M为模板窗口。
图4示出了缺陷识别和提取的流程图，主要分为三部分：
1、边缘检测。
由于第三种实施方式，图像中的阴影和局部曝光可以被有效地移除，极大提高缺陷的识别。故本发明采用边缘检测获取缺陷以及调整边缘检测的双阈值有效的除掉其他干扰信息。
Canny边缘检测的步骤：
第一步：利用高斯平滑滤波器卷积降噪，消除噪声。
第二步：计算梯度幅值和方向。
第三步：对幅值图像进行应用非极大值抑制。
第四步：双阈值检测和边缘连接。
2、截取缺陷感兴趣区域。
由于边缘检测后的图像，打磨工件轮廓还有着比较多的干扰，在这里利用模板匹配的方法进行提取需要的感兴趣的区域。
3、缺陷的标记以及获取缺陷缺陷坐标信息。
用矩形框标记缺陷，以及显示缺陷的个数以及缺陷的x轴和y轴坐标信息。
实施例2：
本实施例利用工业CCD相机，进行打磨工件手机外壳的图像采集，然后使用本发明的算法进行实验，具体的实验效果图如图5和图6所示。图5是通过工业CCD相机拍的打磨后手机外壳的图片，图6是通过本发明的打磨工件检测方法检测缺陷的效果图，一个红色框(图示灰色)表示一个缺陷，从而获得打磨工件手机外壳的缺陷坐标位置以及被测出缺陷的红框的长和宽的长度。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (8)
1.一种适用于复杂环境下的打磨工件缺陷检测方法，其特征在于，包括如下步骤：
步骤S1：对打磨的工件进行图像采集；
步骤S2：对采集后的图像进行预处理；
步骤S3：使用针对光照不均的目标分割算法对经过预处理的图像进行局部二值化，把缺陷目标从图像中分离出来；
步骤S4：对经过目标分割后的图像采用边缘检测算法，并提取工件上的缺陷。
2.根据权利要求1所述的适用于复杂环境下的打磨工件缺陷检测方法，其特征在于，所述步骤S2中对采集后的图像进行预处理具体包括如下步骤：
步骤S21：采集完打磨工件的图像后，要先对图像先进行图像缩放、灰度化、二值化；
步骤S22：将图中任意两点均连通的子图化为块，称为图像的连通块，而图中最大连通子图称最大连通域，对工件采集的图像的最大连通域进行截取，从而获得打磨工件所在的区域；
步骤S23：将截取打磨工件区域的图像采用仿射变换来实现图像的变换，利用边界相关运算建立仿射变换模型，自适应求得图像的配准参数，自动实现图像的平移、旋转和缩放，从而自适应旋转修正；
步骤S24：将修正旋转后的图像进行二值化得到打磨工件在图像中的位置，然后使用表示矩形区域的Rect获取感兴趣区：ROI，这就是打磨工件的主结构。
3.根据权利要求1所述的适用于复杂环境下的打磨工件缺陷检测方法，其特征在于，所述步骤S3包括如下具体步骤：
步骤S31：利用传统Bernsen算法得到阈值T1；
步骤S32：创建高斯滤波器；
步骤S33：利用高斯滤波器得到阈值T2；
步骤S34：利用改进Bernsen算法获取二值化图像；
步骤S35：利用中值滤波去噪声。
4.根据权利要求1所述的适用于复杂环境下的打磨工件缺陷检测方法，其特征在于，所述步骤S4包括如下具体步骤：
步骤S41：采用边缘检测获取缺陷以及调整边缘检测的双阈值除掉其他干扰信息；
步骤S42：利用模板匹配的方法进行提取需要的感兴趣的区域；
步骤S43：用矩形框标记缺陷，以及显示缺陷的个数以及缺陷的x轴和y轴坐标信息。
5.根据权利要求4所述的适用于复杂环境下的打磨工件缺陷检测方法，其特征在于，所述步骤S41包括如下具体步骤：
步骤S411：利用高斯平滑滤波器卷积降噪，消除噪声；
步骤S412：计算梯度幅值和方向；
步骤S413：对幅值图像进行应用非极大值抑制；
步骤S414：双阈值检测和边缘连接。
6.根据权利要求3所述的适用于复杂环境下的打磨工件缺陷检测方法，其特征在于，所述步骤S31包括如下具体步骤：
步骤S311：假设f(x,y)表示点(x，y)的灰度值，考虑以中心点(x，y)和大小为(2w+1)×(2w+1)为中心的块；
步骤S312：f(x,y)的阈值T(x,y)由下式计算
步骤S313：二值化图像获得通过由下式计算
7.根据权利要求6所述的适用于复杂环境下的打磨工件缺陷检测方法，其特征在于，所述步骤S32至步骤S34包括如下具体步骤：
步骤S321：假设f(x，y)去掉用高斯滤波器得到的灰度值，σ是高斯滤波器的比例尺，k和l是窗口的参数；
步骤S322：基于步骤S312中的公式来计算f(x,y)的阈值T1(x,y)；
步骤S323：为f1(x,y)的窗口s＝(2w+1)×(2w+1)创建高斯滤波器
步骤S324：计算f1(x,y)的阈值T2(x,y)为
步骤S325：通过下式获得二值图像
其中α是用于调整具有高斯滤波器的Bernsen算法和传统的Bernsen算法(α∈[0，1])之间的平衡的参数；当α等于0时，所提出的算法是Bernsen算法；当α等于1时，所提出的算法是具有高斯滤波器的Bernsen算法。
8.根据权利要求3所述的适用于复杂环境下的打磨工件缺陷检测方法，其特征在于，所述步骤S35包括：将中值滤波定义为g(x,y)＝med{f(xi,yj)}(i,j)∈M，其中g(x,y)为中值滤波输出，f(xi,yj)为图像的像素(xi,yj)的灰度值，M为模板窗口。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810672216.0A CN109118471A (zh) | 2018-06-26 | 2018-06-26 | 一种适用于复杂环境下的打磨工件缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810672216.0A CN109118471A (zh) | 2018-06-26 | 2018-06-26 | 一种适用于复杂环境下的打磨工件缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109118471A true CN109118471A (zh) | 2019-01-01 |
Family
ID=64822477
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810672216.0A Pending CN109118471A (zh) | 2018-06-26 | 2018-06-26 | 一种适用于复杂环境下的打磨工件缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109118471A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110223296A (zh) * | 2019-07-08 | 2019-09-10 | 山东建筑大学 | 一种基于机器视觉的螺纹钢表面缺陷检测方法及系统 |
| CN110322395A (zh) * | 2019-06-18 | 2019-10-11 | 电子科技大学中山学院 | 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 |
| CN110336931A (zh) * | 2019-06-14 | 2019-10-15 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种低压电流互感器霉菌试验结果的评价方法 |
| CN110674332A (zh) * | 2019-08-01 | 2020-01-10 | 南昌市微轲联信息技术有限公司 | 基于ocr与文本挖掘的机动车数字电子档案分类方法 |
| CN111823221A (zh) * | 2019-03-27 | 2020-10-27 | 天津工业大学 | 一种基于多传感器的机器人打磨方法 |
| CN111951234A (zh) * | 2020-07-27 | 2020-11-17 | 上海微亿智造科技有限公司 | 模型检测方法 |
| CN112862770A (zh) * | 2021-01-29 | 2021-05-28 | 珠海迪沃航空工程有限公司 | 一种基于人工智能的缺陷分析诊断系统、方法、装置 |
| CN114926453A (zh) * | 2022-06-13 | 2022-08-19 | 四川大学 | 基于改进局部阈值的低对比度接插件针脚区域分离方法 |
| CN116703906A (zh) * | 2023-08-04 | 2023-09-05 | 山东鑫科来信息技术有限公司 | 基于图像处理的金属件打磨质量检测方法 |
| CN117325012A (zh) * | 2023-10-25 | 2024-01-02 | 江阴市精奇数控有限公司 | 磨削加工轴承裂纹缺陷管理装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101852768A (zh) * | 2010-05-05 | 2010-10-06 | 电子科技大学 | 磁粉探伤环境下基于复合特征的工件伤痕识别方法 |
| CN103149222A (zh) * | 2013-02-28 | 2013-06-12 | 重庆大学 | 射线实时成像中缺陷检测方法 |
| CN103759648A (zh) * | 2014-01-28 | 2014-04-30 | 华南理工大学 | 一种基于激光双目视觉的复杂角焊缝位置检测方法 |
| CN203766824U (zh) * | 2014-02-13 | 2014-08-13 | 广州市奥特创通测控技术有限公司 | 一种电力机车受电靴的在线轨道检测装置 |
| CN104574418A (zh) * | 2015-01-27 | 2015-04-29 | 西安工业大学 | 基于神经网络的压力容器焊缝缺陷识别方法及其装置 |
| CN106192634A (zh) * | 2016-08-31 | 2016-12-07 | 武汉汉宁轨道交通技术有限公司 | 一种铁路轨道弹条扣件状态自动检测装置以及方法 |
| CN206034212U (zh) * | 2016-08-31 | 2017-03-22 | 武汉汉宁轨道交通技术有限公司 | 一种铁路轨道弹条扣件状态自动检测装置 |
| CN107945155A (zh) * | 2017-11-13 | 2018-04-20 | 佛山缔乐视觉科技有限公司 | 一种基于Gabor滤波器的牙膏管肩缺陷检测方法 |
-
2018
- 2018-06-26 CN CN201810672216.0A patent/CN109118471A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101852768A (zh) * | 2010-05-05 | 2010-10-06 | 电子科技大学 | 磁粉探伤环境下基于复合特征的工件伤痕识别方法 |
| CN103149222A (zh) * | 2013-02-28 | 2013-06-12 | 重庆大学 | 射线实时成像中缺陷检测方法 |
| CN103759648A (zh) * | 2014-01-28 | 2014-04-30 | 华南理工大学 | 一种基于激光双目视觉的复杂角焊缝位置检测方法 |
| CN203766824U (zh) * | 2014-02-13 | 2014-08-13 | 广州市奥特创通测控技术有限公司 | 一种电力机车受电靴的在线轨道检测装置 |
| CN104574418A (zh) * | 2015-01-27 | 2015-04-29 | 西安工业大学 | 基于神经网络的压力容器焊缝缺陷识别方法及其装置 |
| CN106192634A (zh) * | 2016-08-31 | 2016-12-07 | 武汉汉宁轨道交通技术有限公司 | 一种铁路轨道弹条扣件状态自动检测装置以及方法 |
| CN206034212U (zh) * | 2016-08-31 | 2017-03-22 | 武汉汉宁轨道交通技术有限公司 | 一种铁路轨道弹条扣件状态自动检测装置 |
| CN107945155A (zh) * | 2017-11-13 | 2018-04-20 | 佛山缔乐视觉科技有限公司 | 一种基于Gabor滤波器的牙膏管肩缺陷检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 曾文锋等: "基于仿射变换模型的图像配准中的平移、旋转和缩放", 《红外与激光工程》 * |
| 董婉君等: "非均匀光照下马氏瓶刻度图像的自动识别研究", 《计算机应用与软件》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111823221A (zh) * | 2019-03-27 | 2020-10-27 | 天津工业大学 | 一种基于多传感器的机器人打磨方法 |
| CN110336931A (zh) * | 2019-06-14 | 2019-10-15 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种低压电流互感器霉菌试验结果的评价方法 |
| CN110322395A (zh) * | 2019-06-18 | 2019-10-11 | 电子科技大学中山学院 | 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 |
| CN110223296A (zh) * | 2019-07-08 | 2019-09-10 | 山东建筑大学 | 一种基于机器视觉的螺纹钢表面缺陷检测方法及系统 |
| CN110674332B (zh) * | 2019-08-01 | 2022-11-15 | 南昌市微轲联信息技术有限公司 | 基于ocr与文本挖掘的机动车数字电子档案分类方法 |
| CN110674332A (zh) * | 2019-08-01 | 2020-01-10 | 南昌市微轲联信息技术有限公司 | 基于ocr与文本挖掘的机动车数字电子档案分类方法 |
| CN111951234A (zh) * | 2020-07-27 | 2020-11-17 | 上海微亿智造科技有限公司 | 模型检测方法 |
| CN112862770A (zh) * | 2021-01-29 | 2021-05-28 | 珠海迪沃航空工程有限公司 | 一种基于人工智能的缺陷分析诊断系统、方法、装置 |
| CN112862770B (zh) * | 2021-01-29 | 2023-02-14 | 珠海迪沃航空工程有限公司 | 一种基于人工智能的缺陷分析诊断系统、方法、装置 |
| CN114926453A (zh) * | 2022-06-13 | 2022-08-19 | 四川大学 | 基于改进局部阈值的低对比度接插件针脚区域分离方法 |
| CN114926453B (zh) * | 2022-06-13 | 2023-03-10 | 四川大学 | 基于改进局部阈值的低对比度接插件针脚区域分离方法 |
| CN116703906A (zh) * | 2023-08-04 | 2023-09-05 | 山东鑫科来信息技术有限公司 | 基于图像处理的金属件打磨质量检测方法 |
| CN116703906B (zh) * | 2023-08-04 | 2023-10-20 | 山东鑫科来信息技术有限公司 | 基于图像处理的金属件打磨质量检测方法 |
| CN117325012A (zh) * | 2023-10-25 | 2024-01-02 | 江阴市精奇数控有限公司 | 磨削加工轴承裂纹缺陷管理装置 |
| CN117325012B (zh) * | 2023-10-25 | 2024-04-12 | 江阴市精奇数控有限公司 | 磨削加工轴承裂纹缺陷管理装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109118471A (zh) | 一种适用于复杂环境下的打磨工件缺陷检测方法 | |
| CN108520274B (zh) | 基于图像处理及神经网络分类的高反光表面缺陷检测方法 | |
| CN107808161B (zh) | 一种基于光视觉的水下目标识别方法 | |
| Yang et al. | Defect detection in magnetic tile images based on stationary wavelet transform | |
| CN107230203B (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
| CN105447512B (zh) | 一种精粗结合的光学表面缺陷的检测方法及装置 | |
| CN108846397B (zh) | 一种基于图像处理的电缆半导电层自动检测方法 | |
| CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
| CN111972700B (zh) | 烟支外观检测方法及其装置、设备、系统和介质 | |
| CN108564092A (zh) | 基于sift特征提取算法的向日葵病害识别方法 | |
| CN109584215A (zh) | 一种电路板在线视觉检测系统 | |
| Kiruthika et al. | Matching of different rice grains using digital image processing | |
| CN114719749B (zh) | 基于机器视觉的金属表面裂纹检测及真实尺寸测量方法及系统 | |
| CN113252568A (zh) | 基于机器视觉的镜片表面缺陷检测方法、系统、产品、终端 | |
| CN109781737A (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
| Dominguez-Nicolas et al. | Indentation image analysis for Vickers hardness testing | |
| CN111638218A (zh) | 一种涂层表面缺陷的检测方法 | |
| CN111462056A (zh) | 工件表面缺陷检测方法、装置、设备及存储介质 | |
| CN109785290B (zh) | 基于局部光照归一化的钢板缺陷检测方法 | |
| CN112288726B (zh) | 一种井下带式输送机带面异物检测方法 | |
| Reddy et al. | Canny scale edge detection | |
| CN110186929A (zh) | 一种实时的产品瑕疵定位方法 | |
| Luo et al. | Fluorescent magnetic particle inspection device based on digital image processing | |
| CN115661110B (zh) | 一种透明工件识别与定位的方法 | |
| CN116883987A (zh) | 一种用于变电站无人巡检的指针仪表读数识别方法 |
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: 20190101 |