CN109668897A - 环状精密零件表面微型缺陷的视觉检测系统及其检测方法 - Google Patents
环状精密零件表面微型缺陷的视觉检测系统及其检测方法 Download PDFInfo
- Publication number
- CN109668897A CN109668897A CN201910160191.0A CN201910160191A CN109668897A CN 109668897 A CN109668897 A CN 109668897A CN 201910160191 A CN201910160191 A CN 201910160191A CN 109668897 A CN109668897 A CN 109668897A
- Authority
- CN
- China
- Prior art keywords
- light source
- image
- precision component
- delivery platform
- denoted
- 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 64
- 238000001514 detection method Methods 0.000 title claims abstract description 61
- 125000004122 cyclic group Chemical group 0.000 title claims abstract description 35
- 230000002950 deficient Effects 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 229910052782 aluminium Inorganic materials 0.000 claims description 10
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 230000002093 peripheral effect Effects 0.000 claims description 6
- NIXOWILDQLNWCW-UHFFFAOYSA-N acrylic acid group Chemical group C(C=C)(=O)O NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000002411 adverse Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G01N21/8806—Specially adapted optical and illumination features
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G01N2021/8854—Grading and classifying of flaws
-
- 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
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8874—Taking dimensions of defect into account
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供了一种环状精密零件表面微型缺陷的视觉检测系统，包括遮光箱以及用于放置待测零件的传送平台，所述传送平台贯穿的穿过遮光箱，遮光箱内设有灯光模块、视觉检测模块以及控制模块；灯光模块包括一个以上的光源；视觉检测模块包括图像采集装置、偏光镜头、检测软件以及处理器；控制模块包括单片机、继电器以及电机，继电器连接光源，电机连接偏光镜头。本发明实现了环状精密零件表面微型缺陷的自动检测，分类与缺陷深度的估计，有效减少零件自身纹理和微小划痕对缺陷检测的不利影响；提高了检测效率，降低了精密零件的不良率，降低了工作强度。
Description
技术领域
本发明涉及零件检测技术领域，特别是环状精密零件表面微型缺陷的视觉检测系统及其检测方法。
背景技术
在工业生产中，精密金属零件的加工已经基本实现全面的自动化机械生产。但是，在零件加工过程中，受加工设备或者环境等因素的影响，会出现各种缺陷如裂纹、起皮、拉线、划痕、凹坑、凸起、斑点、腐蚀等。为了减少零件出厂时的不良率，需要对零件进行检测，传统方法是雇佣质检人员进行人工检测。此方法往往浪费大量人力、物力和财力，但易出现漏检等情况。
目前，表面缺陷视觉检测主要依靠图像模型对比和图像滤波器等方法。但是，受光源、相机和拍摄环境等因素影响，往往产生图像模型不精确和图像对比度差等问题，难以从图像中精确筛选出缺陷特征，从而在表面缺陷检测时存在漏检、误检等问题。针对图像低对比度的问题，可以在多光照的条件下，利用图像融合技术检测低对比度的表面缺陷。该技术利用的纹理和高度图像，进行缺陷特征筛选。然而，精密零件表面的微小缺陷如深度较浅的划痕等极易被视为零件自身纹理和微小划痕(深度小于0.5mm)的影响，且多种缺陷如斑点等高度很难凸显，难以保证检测精度和效率。现有的检测技术针对精密零件表面的多种微小缺陷，难以准确识别和分类，无法满足通用性和鲁棒性实际需求。
发明内容
发明目的：本发明所要解决的技术问题是如何检测环状精密零件的多种表面微型缺陷并进行缺陷深度估计。针对现有技术的不足，提供环状精密零件表面微型缺陷的视觉检测系统及其检测方法。
本发明提供了一种环状精密零件表面微型缺陷的视觉检测系统，包括遮光箱以及用于放置待测零件的传送平台，所述传送平台贯穿的穿过遮光箱，遮光箱内设有灯光模块、视觉检测模块以及控制模块；
灯光模块包括一个以上的光源；
视觉检测模块包括图像采集装置、偏光镜头、检测软件以及处理器；
控制模块包括单片机、继电器以及电机，继电器连接光源，电机连接偏光镜头。
本发明中，单片机连接控制继电器以及电机，单片机通过控制继电器从而控制光源。
本发明中，所述偏光镜头连接滑轮，滑轮连接到电机，单片机通过电机控制滑轮。
本发明中，一个以上的光源包括位于遮光箱内传送平台上方的顶部光源、位于遮光箱内传送平台下方的底部光源以及位于遮光箱内传送平台四周的中部光源。
本发明中，所述中部光源包括四条LED灯带，四条LED灯带分别设置在传送平台以上20cm处的遮光箱内壁。
本发明中，所述顶部光源设置在偏光镜头上部3cm处，底部光源设置在传送平台下部3cm处。
本发明中，所述遮光箱为铝制遮光箱，铝制遮光箱内壁覆盖黑绒布。
本发明中，所述传送平台为白色亚克力匀光板，顶面为磨砂面，底面为透明面。
本发明还公开了一种环状精密零件表面微型缺陷的视觉检测系统的检测方法，包括如下步骤：
步骤1：单片机通过继电器打开顶部光源，关闭中部光源和底部光源，图像采集装置先采集顶部光源下空置的传送平台的图像，记为I_TR0；
单片机通过继电器关闭顶部光源和底部光源，打开中部光源，图像采集装置再采集中部光源下空置的传送平台的四周方向的图像，分别记为I_ER0，I_WR0，I_SR0，I_NR0；单片机通过继电器关闭顶部光源和中部光源，打开底部光源，图像采集装置再采集底部光源下空置传送平台的图像，记为I_BR0；
将上述采集到的图像I_TR0、I_ER0，I_WR0，I_SR0，I_NR0和I_BR0分别转换成单通道浮点亮度图，对应记为I_T0，I_E0，I_W0，I_S0，I_N0和I_B0；
步骤2：将待检零件放置在传送平台上；
单片机通过继电器打开顶部光源，关闭中部光源和底部光源，图像采集装置先采集顶部光源下待检零件放置在传送平台上的图像，记为I_TR1；
单片机通过继电器关闭顶部光源和底部光源，打开中部光源，图像采集装置再采集中部光源下待检零件放置在传送平台上的四周方向的图像，分别记为I_ER1、I_WR1、I_SR1和I_NR1；
单片机通过继电器关闭顶部光源和中部光源，打开底部光源，图像采集装置再采集底部光源下待检零件放置在传送平台上的图像，记为I_BR1；
将上述采集到的图像I_TR1、I_ER1、I_WR1、I_SR1、I_NR1和I_BR1分别转换成单通道浮点亮度图，对应记为I_T1，I_E1，I_W1，I_S1，I_N1，和I_B1；
单片机通过继电器打开顶部光源、中部光源以及底部光源，图像采集装置采集原始环状精密零件图像，并转换成单通道浮点亮度图，记为I_A1；
步骤3：单片机通过电机控制滑轮，使得偏光镜头移动至图像采集装置下，重复步骤1的操作，分别采集顶部光源、中部光源以及底部光源下原始环状精密零件图像，分别记为I_TR2，I_ER2，I_WR2，I_SR2，I_NR2，和I_BR2，并转换成单通道浮点亮度图，分别记为I_T2，I_E2，I_W2，I_S2，I_N2，和I_B2；再采集顶部光源、中部光源以及底部光源全部打开下的原始环状精密零件图像，并转换成单通道浮点亮度图，记为I_A2；步骤4：分别计算滤光前的顶部图像I_T0与中部四幅图像I_E0，I_W0，I_S0，I_N0的差小于零的所有像素的平均值的绝对值，分别记为I_avgE，I_avgW，I_avgS，和I_avgN；再分别计算东南西北四个方向的补偿信息，即I_compE＝I_T0-I_E0+I_avgE，
I_compW＝I_T0-I_W0+I_avgW，
I_compS＝I_T0-I_S0+I_avgS，
I_compN＝I_T0-I_N0+I_avgN；
步骤5：使用夹角δ和步骤4中的补偿信息，利用软件分别对图像I_E1，I_W1，I_S1，
I_N1进行修正，得到修正后的图像，即
I_adjE1＝I_E1+δ×I_compE-I_T1，
I_adjW1＝I_W1+δ×I_compW-I_T1，
I_adjS1＝I_S1+δ×I_compS-I_T1，
I_adjN1＝I_N1+δ×I_compN-I_T1；
根据夹角δ和步骤4中的补偿信息，分别对图像I_E2，I_W2，I_S2，I_N2进行修正，得到修正后的图像I_adjE2，I_adjW2，I_adjS2，I_adjN2；
步骤6：创建两个新的三通道图像I_NW和I_SE，将I_adjW1作为I_NW的R通道，I_adjN1作为I_NW的G通道，并将NW的色阶调整为0至0.5；
将I_adjE1作为I_SE的R通道，I_adjS1作为I_SE的G通道，并将I_SE的色阶调整为0.5至1.0；
混合I_NW和I_SE获得法向图N_T1＝2×I_NW×I_SE；
对应计算滤波后图像的法向图N_T2；
法向信息是归一化向量，根据R和G通道的值进一步计算B通道的信息；
以R通道的值是r，G通道的值是g，B通道的值被定义为：
步骤7：对图像N_T1和N_T2去除边缘、亮度调整和对比度调整后，记为图像normal1和图像normal2；
最终的法向图由图像normal1和图像normal2混合，命名为图像Normal，其中Normal＝0.5×(normal1+normal2)；
根据原始环状精密零件图像与预设基准之间的定位关系，对法向图进行归一化，将环状精密零件图像需要检测的部分展开成矩形；
步骤8：环状精密零件图像的缺陷检测分成训练阶段和测试阶段；
步骤8-1：训练阶段，重复步骤1至步骤7，采集一组精密零件的样本图像并计算法向图，获取训练所需的正负样本，以正常无缺陷图像的法向图作为正样本，以有缺陷图像的法向图作为负样本，在负样本上对零件缺陷类别和深度进行人工标注；提取正样本以及负样本的联合特征，捕捉缺陷的显著特征，结合快速特征金字塔，加快特征提取速度，同时利用AdaBoost算法和线性支撑向量机SVM训练多个分类器并进行联接，构造用于环状精密零件表面微型缺陷的视觉检测的级联分类器；
步骤8-2：对输入的环状精密零件图像进行法向图重建和归一化，并将归一化后的零件法向图进行缺陷检测，初始阶段分类器用于消除非缺陷图像，经过四个阶段分类器的处理后，得到的候选缺陷区域数目减少，通过上述阶段的分类器处理，最终将候选的缺陷区域按相似性进行排列，相似性值超过人为设定阈值0.6的缺陷区域确定为目标缺陷，对应的零件确定为缺陷零件。
本发明中，步骤8中联合特征包括：颜色空间LUV中的颜色特征、旋转不变局部二进制描述子、归一化梯度幅值和梯度方向直方图。
有益效果：本发明实现了环状精密零件表面微型缺陷的自动检测和分类与缺陷深度的估计，有效减少零件自身纹理和微小划痕对缺陷检测的不利影响；提高了检测效率，降低了精密零件的不良率，降低了工作强度。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述或其他方面的优点将会变得更加清楚。
图1为具体实施方式中无控制模块的检测装置整体结构示意图；
图2为具体实施方式中检测装置；
图3为环形零件法向图归一化流程；
具体实施方式
下面将结合附图对本发明作详细说明。
图中：1-铝制遮光箱，2-传送平台，3-待测零件，4a-顶部光源，4b-中部四组光源，4c-底部光源，5-图像采集装置，6.偏光镜头，7.框架；
如图1和图2，本发明公开了一种环状精密零件表面微型缺陷的视觉检测系统，包括遮光箱以及用于放置待测零件的传送平台，所述传送平台贯穿的穿过遮光箱，遮光箱内设有灯光模块、视觉检测模块以及控制模块；
灯光模块包括一个以上的光源；
视觉检测模块包括图像采集装置、偏光镜头、检测软件以及处理器；
控制模块包括单片机、继电器以及电机，继电器连接光源，电机连接偏光镜头。
单片机连接控制继电器以及电机，单片机通过控制继电器从而控制光源。
偏光镜头连接滑轮，滑轮连接到电机，单片机通过电机控制滑轮。
一个以上的光源包括位于遮光箱内传送平台上方的顶部光源、位于遮光箱内传送平台下方的底部光源以及位于遮光箱内传送平台四周的中部光源。
中部光源包括四条LED灯带，四条LED灯带分别设置在传送平台2以上20cm处的遮光箱内壁。
顶部光源4a设置在偏光镜头6上部3cm处，底部光源4c设置在传送平台2下部3cm处。
遮光箱为铝制遮光箱，长和宽均为110cm，高75cm，铝制遮光箱内壁覆盖黑绒布。
传送平台为白色亚克力匀光板，顶面为磨砂面，底面为透明面。
优选地，铝制遮光箱1内部覆盖一种黑绒布材料以减少所述铝制遮光箱1本身材质对光源的反射。
优选地，所述传送平台2由白色亚克力匀光板构成，放置零件的一面为磨砂面，另一面为透明面。
优选地，所述中部四组光源4b包括四条LED灯带，设置在所述传送平台2以上20cm处的所述铝制遮光箱四周，由金属槽卡住LED灯带，以保证光源45度的入射角度。
优选地，所述顶部光源4a固定在偏光镜头6上部3cm处，底部光源4c固定在传送平台2下部3cm处。
优选地，所述图像采集装置5固定在框架7上，偏光镜头6与外接滑轮连接，通过程序控制滑轮转动带动偏光镜头6移动，从而和所述灯光模块的CPL滤光膜配合使用。
优选地，所述单片机与所述继电器以及所述步进电机连接，继电器与所述灯光模块连接，通过所述单片机控制所述继电器的通和断来控制所有光源的开和闭。
所述步进电机与控制偏光镜头6的外接滑轮连接，通过所述单片机的程序控制滑轮的转动。
一种环状精密零件表面微型缺陷的视觉检测系统的检测方法：
步骤1：单片机通过继电器打开顶部光源，关闭中部光源和底部光源，图像采集装置5先采集顶部光源下空置的传送平台2的图像，记为I_TR0；
单片机通过继电器关闭顶部光源和底部光源，打开中部光源，图像采集装置5再采集中部光源下空置的传送平台2的四周方向的图像，分别记为I_ER0，I_WR0，I_SR0，I_NR0；单片机通过继电器关闭顶部光源和中部光源，打开底部光源，图像采集装置5再采集底部光源下空置传送平台2的图像，记为I_BR0；
将上述采集到的图像I_TR0、I_ER0，I_WR0，I_SR0，I_NR0和I_BR0分别转换成单通道浮点亮度图，对应记为I_T0，I_E0，I_W0，I_S0，I_N0和I_B0；
步骤2：将待检零件放置在传送平台2上；
单片机通过继电器打开顶部光源，关闭中部光源和底部光源，图像采集装置5先采集顶部光源下待检零件放置在传送平台2上的图像，记为I_TR1；
单片机通过继电器关闭顶部光源和底部光源，打开中部光源，图像采集装置5再采集中部光源下待检零件放置在传送平台2上的四周方向的图像，分别记为I_ER1、I_WR1、I_SR1和I_NR1；
单片机通过继电器关闭顶部光源和中部光源，打开底部光源，图像采集装置5再采集底部光源下待检零件放置在传送平台2上的图像，记为I_BR1；
将上述采集到的图像I_TR1、I_ER1、I_WR1、I_SR1、I_NR1和I_BR1分别转换成单通道浮点亮度图，对应记为I_T1，I_E1，I_W1，I_S1，I_N1，和I_B1；
单片机通过继电器打开顶部光源、中部光源以及底部光源，图像采集装置5采集原始环状精密零件图像，并转换成单通道浮点亮度图，记为I_A1；
步骤3：单片机通过电机控制滑轮，使得偏光镜头6移动至图像采集装置5下，重复步骤1的操作，分别采集顶部光源、中部光源以及底部光源下原始环状精密零件图像，分别记为I_TR2，I_ER2，I_WR2，I_SR2，I_NR2，和I_BR2，并转换成单通道浮点亮度图，分别记为I_T2，I_E2，I_W2，I_S2，I_N2，和I_B2；采集顶部光源、中部光源以及底部光源全部打开下的原始环状精密零件图像，并转换成单通道浮点亮度图，记为I_A2；
步骤4：分别计算滤光前的顶部图像I_T0与中部四幅图像I_E0，I_W0，I_S0，和I_N0的差小于零的所有像素平均值的绝对值，分别记为I_avgE，I_avgW，I_avgS，和I_avgN；再分别计算东南西北四个方向的补偿信息，即I_compE＝I_T0-I_E0+I_avgE，I_compW＝I_T0-I_W0+I_avgW，I_compS＝I_T0-I_S0+I_avgS，I_compN＝I_T0-I_N0+I_avgN；
步骤5：使用夹角δ和步骤4中的补偿信息，利用软件分别对图像I_E1，I_W1，I_S1，I_N1进行修正，得到修正后的图像，即I_adjE1＝I_E1+δ×I_compE-I_T1，I_adjW1＝I_W1+δ×I_compW-I_T1，I_adjS1＝I_S1+δ×I_compS-I_T1，I_adjN1＝I_N1+δ×I_compN-I_T1；同理，使用夹角δ和步骤4中的补偿信息，分别对图像I_E2，I_W2，I_S2，I_N2进行修正，得到修正后的图像I_adjE2，I_adjW2，I_adjS2，I_adjN2；
步骤6：创建两个新的三通道图像I_NW和I_SE，将I_adjW1作为I_NW的R通道，I_adjN1作为I_NW的G通道，并将NW的色阶调整为0至0.5。将I_adjE1作为I_SE的R通道，I_adjS1作为I_SE的G通道，并将I_SE的色阶调整为0.5至1.0。最后，混合I_NW和I_SE来获得法向图N_T1＝2×I_NW×I_SE。同理，计算滤波后图像的法向图N_T2。由于法向信息是归一化向量，因此可以根据R(红)和G(绿)通道的值进一步计算B通道的信息。假设R通道的值是r，G通道的值是g，B通道的值被定义为：
步骤7：对图像N_T1和N_T2去除边缘，亮度调整和对比度调整后，图像N_T1和N_T2分别被变换为normal1和normal2。最终的法向图由normal1和normal2混合，命名为Normal，其中Normal＝0.5×(normal1+normal2)。然后，为了便于检测，可将环形零件进行归一化。见图3，由于环形零件的主表面形状为一个圆环，结合该零件本身含有的定位点，可以方便的定位到需要检测的主表面。首先利用形态学操作，确定所采集原始图像的形心位置和方向，然后根据基准方向和零件之间的位置关系，平移和旋转法向图。其中，基准方向为水平向右，位置关系包括形心以及形心和连接形心与锚点的直线与水平轴之间的角度。基于原始环状精密零件图像与预设基准之间的定位关系，对法向图进行归一化，将环状精密零件图像需要检测的部分展开成矩形；
步骤8：环状精密零件图像的缺陷检测本质上是一个机器学习的过程，可以分成训练和测试阶段。
步骤8-1：训练阶段，重复步骤1至步骤7，采集大量精密零件的样本图像并计算法向图，获取训练所需的正负样本，其中正样本为正常无缺陷图像的法向图，负样本为有缺陷图像的法向图，接着在这些法向图上对零件缺陷类别和深度进行人工标注。提取正负样本法向图的联合特征，有效地捕捉缺陷的显著特征，结合快速特征金字塔和AdaBoost算法和线性支撑向量机SVM训练多个分类器并进行联接，构造用于环状精密零件表面微型缺陷的视觉检测的级联分类器；该分类器允许快速丢弃非缺陷区域，同时在疑似有缺陷的区域上花费更多的计算。联合特征能有效地捕捉物体的显著特征，主要由四部分组成：LUV颜色特征，旋转不变局部二进制描述子，归一化梯度幅值和梯度方向直方图。快速特征金字塔可以在不丢失重要信息的情况下大大加快特征提取速度。与传统的逐级计算图像特征的方法相比，快速特征金字塔只计算每个区域的倍频程，然后利用这个特征来确定图像特征在倍频程中的其他维度。
步骤8-2：对输入的环状精密零件图像进行法向图重建和归一化，并将归一化后的零件法向图进行缺陷检测，初始阶段分类器用于消除非缺陷图像，经过四个阶段分类器的处理后，得到的候选缺陷区域数目减少，通过上述阶段的分类器处理，最终将候选的缺陷区域按相似性进行排列，相似性值超过人为设定阈值0.6的缺陷区域确定为目标缺陷，对应的零件确定为缺陷零件。
本发明提供了一种零件表面微型缺陷的视觉检测系统及其检测方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (10)
1.一种环状精密零件表面微型缺陷的视觉检测系统，其特征在于，包括遮光箱(1)以及用于放置待测零件的传送平台(2)，所述传送平台(2)贯穿的穿过遮光箱(1)，遮光箱(1)内设有灯光模块、视觉检测模块以及控制模块；
灯光模块包括一个以上的光源；
视觉检测模块包括图像采集装置、偏光镜头、检测软件以及处理器；
控制模块包括单片机、继电器以及电机，继电器连接光源，电机连接偏光镜头。
2.根据权利要求1所述的一种环状精密零件表面微型缺陷的视觉检测系统，其特征在于，单片机连接控制继电器以及电机，单片机通过控制继电器从而控制光源。
3.根据权利要求1所述的一种环状精密零件表面微型缺陷的视觉检测系统，其特征在于，所述偏光镜头连接滑轮，滑轮连接到电机，单片机通过电机控制滑轮。
4.根据权利要求1所述的一种环状精密零件表面微型缺陷的视觉检测系统，其特征在于，所述光源包括位于遮光箱内传送平台上方的顶部光源(4a)、位于遮光箱内传送平台下方的底部光源(4c)以及位于遮光箱内传送平台四周的中部光源(4b)。
5.根据权利要求4所述的一种环状精密零件表面微型缺陷的视觉检测系统，其特征在于，中部光源(4b)包括四条LED灯带，四条LED灯带分别设置在传送平台(2)以上20cm处的遮光箱四周的内壁。
6.根据权利要求5所述的一种环状精密零件表面微型缺陷的视觉检测系统，其特征在于，顶部光源(4a)设置在偏光镜头(6)上部3cm处，底部光源(4c)设置在传送平台(2)下部3cm处，使得光线与零件表面之间的夹角δ为45度。
7.根据权利要求1所述的一种环状精密零件表面微型缺陷的视觉检测系统，其特征在于，所述遮光箱(1)为铝制遮光箱，长和宽均为110cm，高75cm，铝制遮光箱内壁覆盖黑绒布。
8.根据权利要求1所述的一种环状精密零件表面微型缺陷的视觉检测系统，其特征在于，所述传送平台(2)为白色亚克力匀光板，顶面为磨砂面，底面为透明面。
9.一种环状精密零件表面微型缺陷的视觉检测系统的检测方法，包括如下步骤：
步骤1：单片机通过继电器打开顶部光源，关闭中部光源和底部光源，图像采集装置(5)先采集顶部光源下空置的传送平台(2)的图像，记为I_TR0；
单片机通过继电器关闭顶部光源和底部光源，打开中部光源，图像采集装置(5)再采集中部光源下空置的传送平台(2)的四周方向的图像，分别记为I_ER0，I_WR0，I_SR0，I_NR0；
单片机通过继电器关闭顶部光源和中部光源，打开底部光源，图像采集装置(5)再采集底部光源下空置传送平台(2)的图像，记为I_BR0；
将上述采集到的图像I_TR0、I_ER0，I_WR0，I_SR0，I_NR0和I_BR0分别转换成单通道浮点亮度图，对应记为I_T0，I_E0，I_W0，I_S0，I_N0和I_B0；
步骤2：将待检零件放置在传送平台(2)上；
单片机通过继电器打开顶部光源，关闭中部光源和底部光源，图像采集装置(5)先采集顶部光源下待检零件放置在传送平台(2)上的图像，记为I_TR1；
单片机通过继电器关闭顶部光源和底部光源，打开中部光源，图像采集装置(5)再采集中部光源下待检零件放置在传送平台(2)上的四周方向的图像，分别记为I_ER1、I_WR1、I_SR1和I_NR1；
单片机通过继电器关闭顶部光源和中部光源，打开底部光源，图像采集装置(5)再采集底部光源下待检零件放置在传送平台(2)上的图像，记为I_BR1；
将上述采集到的图像I_TR1、I_ER1、I_WR1、I_SR1、I_NR1和I_BR1分别转换成单通道浮点亮度图，对应记为I_T1，I_E1，I_W1，I_S1，I_N1，和I_B1；
单片机通过继电器打开顶部光源、中部光源以及底部光源，图像采集装置(5)采集原始环状精密零件图像，并转换成单通道浮点亮度图，记为I_A1；
步骤3：单片机通过电机控制滑轮，使得偏光镜头(6)移动至图像采集装置(5)下，重复步骤1的操作，分别采集顶部光源、中部光源以及底部光源下原始环状精密零件图像，分别记为I_TR2，I_ER2，I_WR2，I_SR2，I_NR2，和I_BR2，并转换成单通道浮点亮度图，分别记为I_T2，I_E2，I_W2，I_S2，I_N2，和I_B2；再采集顶部光源、中部光源以及底部光源全部打开下的原始环状精密零件图像，并转换成单通道浮点亮度图，记为I_A2；
步骤4：分别计算滤光前的顶部图像I_T0与中部四幅图像I_E0，I_W0，I_S0，I_N0的差小于零的所有像素的平均值的绝对值，分别记为I_avgE，I_avgW，I_avgS，和I_avgN；再分别计算东南西北四个方向的补偿信息，即I_compE＝I_T0-I_E0+I_avgE，I_compW＝I_T0-I_W0+I_avgW，
I_compS＝I_T0-I_S0+I_avgS，
I_compN＝I_T0-I_N0+I_avgN；
步骤5：使用夹角δ和步骤4中的补偿信息，利用软件分别对图像I_E1，I_W1，I_S1，I_N1进行修正，得到修正后的图像，即
I_adjE1＝I_E1+δ×I_compE-I_T1，
I_adjW1＝I_W1+δ×I_compW-I_T1，
I_adjS1＝I_S1+δ×I_compS-I_T1，
I_adjN1＝I_N1+δ×I_compN-I_T1；
根据夹角δ和步骤4中的补偿信息，分别对图像I_E2，I_W2，I_S2，I_N2进行修正，得到修正后的图像I_adjE2，I_adjW2，I_adjS2，I_adjN2；
步骤6：创建两个新的三通道图像I_NW和I_SE，将I_adjW1作为I_NW的R通道，I_adjN1作为I_NW的G通道，并将NW的色阶调整为0至0.5；
将I_adjE1作为I_SE的R通道，I_adjS1作为I_SE的G通道，并将I_SE的色阶调整为0.5至1.0；
混合I_NW和I_SE获得法向图N_T1＝2×I_NW×I_SE；
对应计算滤波后图像的法向图N_T2；
法向信息是归一化向量，根据R和G通道的值进一步计算B通道的信息；
以R通道的值是r，G通道的值是g，B通道的值被定义为：
步骤7：对图像N_T1和N_T2去除边缘、亮度调整和对比度调整后，记为图像normal1和图像normal2；
最终的法向图由图像normal1和图像normal2混合，命名为图像Normal，其中Normal＝0.5×(normal1+normal2)；
根据原始环状精密零件图像与预设基准之间的定位关系，对法向图进行归一化，将环状精密零件图像需要检测的部分展开成矩形；
步骤8：环状精密零件图像的缺陷检测分成训练阶段和测试阶段；
步骤8-1：训练阶段，重复步骤1至步骤7，采集一组精密零件的样本图像并计算法向图，获取训练所需的正负样本，以正常无缺陷图像的法向图作为正样本，以有缺陷图像的法向图作为负样本，在负样本上对零件缺陷类别和深度进行人工标注；提取正样本以及负样本的联合特征，捕捉缺陷的显著特征，结合快速特征金字塔，加快特征提取速度，同时利用AdaBoost算法和线性支撑向量机SVM训练多个分类器并进行联接，构造用于环状精密零件表面微型缺陷的视觉检测的级联分类器；
步骤8-2：对输入的环状精密零件图像进行法向图重建和归一化，并将归一化后的零件法向图进行缺陷检测，初始阶段分类器用于消除非缺陷图像，经过四个阶段分类器的处理后，得到的候选缺陷区域数目减少，通过上述阶段的分类器处理，最终将候选的缺陷区域按相似性进行排列，相似性值超过人为设定阈值0.6的缺陷区域确定为目标缺陷，对应的零件确定为缺陷零件。
10.根据权利要求9所述的一种环状精密零件表面微型缺陷的视觉检测系统的检测方法，其特征在于，步骤8中联合特征包括：颜色空间LUV中的颜色特征、旋转不变局部二进制描述子、归一化梯度幅值和梯度方向直方图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910160191.0A CN109668897A (zh) | 2019-03-04 | 2019-03-04 | 环状精密零件表面微型缺陷的视觉检测系统及其检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910160191.0A CN109668897A (zh) | 2019-03-04 | 2019-03-04 | 环状精密零件表面微型缺陷的视觉检测系统及其检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109668897A true CN109668897A (zh) | 2019-04-23 |
Family
ID=66152184
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910160191.0A Pending CN109668897A (zh) | 2019-03-04 | 2019-03-04 | 环状精密零件表面微型缺陷的视觉检测系统及其检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109668897A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110426396A (zh) * | 2019-07-24 | 2019-11-08 | 湖北三江航天万峰科技发展有限公司 | 一种用于瓷砖陶瓦表面缺陷在线检测的照明系统及方法 |
| CN110490862A (zh) * | 2019-08-22 | 2019-11-22 | 联峰钢铁（张家港）有限公司 | 一种提高连铸探伤合格率的方法及装置 |
| CN111612737A (zh) * | 2020-04-15 | 2020-09-01 | 枞阳立太智能装备有限公司 | 一种人造板表面瑕疵检测装置及检测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN206818154U (zh) * | 2017-05-19 | 2017-12-29 | 佛山市南海区广工大数控装备协同创新研究院 | 一种齿环内外径外观检测装置 |
-
2019
- 2019-03-04 CN CN201910160191.0A patent/CN109668897A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN206818154U (zh) * | 2017-05-19 | 2017-12-29 | 佛山市南海区广工大数控装备协同创新研究院 | 一种齿环内外径外观检测装置 |
Non-Patent Citations (1)
| Title |
|---|
| 未知: "《发动机活塞环内表面检测案例-机器视觉》", 《HTTP://WWW.WORDOP.CN/ARTICLE/FADONGJIHUOSAIHUANNE_1.HTML》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110426396A (zh) * | 2019-07-24 | 2019-11-08 | 湖北三江航天万峰科技发展有限公司 | 一种用于瓷砖陶瓦表面缺陷在线检测的照明系统及方法 |
| CN110426396B (zh) * | 2019-07-24 | 2022-02-18 | 湖北三江航天万峰科技发展有限公司 | 传输机上瓷砖陶瓦表面缺陷在线检测的照明系统及方法 |
| CN110490862A (zh) * | 2019-08-22 | 2019-11-22 | 联峰钢铁（张家港）有限公司 | 一种提高连铸探伤合格率的方法及装置 |
| CN110490862B (zh) * | 2019-08-22 | 2022-08-09 | 联峰钢铁（张家港）有限公司 | 一种提高连铸探伤合格率的方法及装置 |
| CN111612737A (zh) * | 2020-04-15 | 2020-09-01 | 枞阳立太智能装备有限公司 | 一种人造板表面瑕疵检测装置及检测方法 |
| CN111612737B (zh) * | 2020-04-15 | 2023-09-15 | 枞阳立太智能装备有限公司 | 一种人造板表面瑕疵检测装置及检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110807355B (zh) | 一种基于移动机器人的指针仪表检测与读数识别方法 | |
| CN109550712B (zh) | 一种化纤丝尾丝外观缺陷检测系统及方法 | |
| CN104749184B (zh) | 自动光学检测方法和系统 | |
| CN111047568B (zh) | 一种漏汽缺陷检测识别方法及系统 | |
| CN109668897A (zh) | 环状精密零件表面微型缺陷的视觉检测系统及其检测方法 | |
| CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
| CN110261410A (zh) | 一种玻璃透镜缺陷的检测装置及方法 | |
| CN107203990A (zh) | 一种基于模板匹配与图像质量评估的标贴破损检测方法 | |
| CN102135416A (zh) | 瓶盖在线影像检测系统和方法 | |
| CN102175692A (zh) | 织物坯布疵点快速检测系统及方法 | |
| US20210035305A1 (en) | Image-based classification system | |
| CN110021012B (zh) | 基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法 | |
| CN109406527B (zh) | 一种微型摄像模组镜头精细外观缺陷检测系统及方法 | |
| CN110567976A (zh) | 基于机器视觉的手机盖板丝印缺陷检测装置及检测方法 | |
| CN110096980A (zh) | 字符检测识别系统 | |
| CN114136975A (zh) | 一种微波裸芯片表面缺陷智能检测系统和方法 | |
| CN108844961A (zh) | 一种温控器壳体视觉检测系统及方法 | |
| CN110599404A (zh) | 一种电路板显微图像拼接方法、装置、信息数据处理终端 | |
| CN111161295A (zh) | 一种菜品图像背景剥离方法 | |
| CN110441321B (zh) | 基于分时曝光图像综合的透明材质内部缺陷检测方法 | |
| CN109003228B (zh) | 一种暗场显微大视场自动拼接成像方法 | |
| CN117269193B (zh) | 合成革表观质量智能化检测方法 | |
| CN113570587A (zh) | 一种基于计算机视觉的光伏电池断栅检测方法及系统 | |
| CN107643611A (zh) | 一种液晶屏与背光源装配精度的自动检测系统 | |
| CN109271985A (zh) | 一种数字仪表读数图像识别方法及系统 |
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: 20190423 |