CN109697712A - 发动机气门密封带的检测方法及设备 - Google Patents
发动机气门密封带的检测方法及设备 Download PDFInfo
- Publication number
- CN109697712A CN109697712A CN201710989966.6A CN201710989966A CN109697712A CN 109697712 A CN109697712 A CN 109697712A CN 201710989966 A CN201710989966 A CN 201710989966A CN 109697712 A CN109697712 A CN 109697712A
- Authority
- CN
- China
- Prior art keywords
- valve
- sealing band
- image
- valve sealing
- image information
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 238000007789 sealing Methods 0.000 claims abstract description 143
- 238000000034 method Methods 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000003708 edge detection Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 239000004576 sand Substances 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 17
- 238000010191 image analysis Methods 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 15
- 238000011946 reduction process Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000011496 digital image analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000011358 absorbing material Substances 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000527 sonication Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000013598 vector 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
-
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
本发明提供了一种发动机气门密封带的检测方法,包括如下步骤:(1)采集气门图像信息;(2)识别气门图像信息中的气门密封带,判断气门密封带是否合格。本发明的方法及设备能够基于图像识别技术,自动检测发动机气门的密封带是否合格,检测精度高、效率高,不受人为检测因素的干扰。
Description
技术领域
本发明涉及一种发动机部件的检测方法,尤其涉及一种发动机气门密封带的检测方法及设备。
背景技术
随着汽车技术的不断提高,人们对于发动机动力性的要求日益增加,气门密封性是影响发动机动力性的重要因素之一。为保证气门密封性,在装配发动机气门时,应提前研磨气门,使气门密封带满足要求。气门密封带是气门与气门座的接触面,位于气门45度或30度锥面的边缘位置。若研磨后的气门密封带不达标,会造成气门与气门座密封不良,严重影响发动机的动力性,缩短发动机的使用寿命。目前,检测研磨后气门密封带的方法主要是目视检查方法,即人工检测气门密封带是否明亮完整且无斑点。该方法由于受到人为检测的影响,效率低,精度低。
发明内容
本发明提供了一种发动机气门密封带的检测方法及设备。
本发明的发动机气门密封带的检测方法,包括如下步骤:(1)采集气门图像信息;(2)识别气门图像信息中的气门密封带,判断气门密封带是否合格。
在步骤(1)中,可以采集气门的二维图像信息或三维图像信息,优选采集气门的二维图像信息,更优选采集气门的二维俯视图像信息;所述采集的气门图像信息包括外侧的背景图像信息和里侧的气门锥面信息。优选利用照相机对发动机气门拍照,得到所述的气门图像信息。
在步骤(1)中,优选对所述采集的气门图像信息进行降噪处理,可以使用BLS-GSM算法、TV算法、NLM算法、BM3D算法中的一种或多种,优选使用BLS-GSM算法进行降噪处理,以获得高质量的图像信息。
在步骤(2)中,优选地,通过以下操作识别气门图像信息中的气门密封带:确定气门图像信息中的气门锥面,然后确定气门锥面上气门密封带的外轮廓线和内轮廓线(即确定气门密封带的位置);所述内轮廓线可以是连续的,也可以是不连续的。
优选将气门图像信息转换为灰度图像信息,根据所述灰度图像信息中灰度值的差别去除背景图像信息,确定气门图像信息中的气门锥面;根据两个相邻区域灰度值的突变确定气门锥面的气门密封带;
更优选地,采集气门的二维俯视图像信息,将其转换为灰度图像信息,得到反映每个像素点灰度大小的数字图像矩阵,去除其中反映外侧背景图像信息的像素点;
例如可以采用以下方式进行:
第一方式:在所述数字图像矩阵中,将像素点的灰度值全部等于背景图像像素点灰度值的行和列去除,然后以得到的数字图像矩阵的中心点O为圆心,以圆心O到矩阵边缘的最大距离为半径R,画圆,得到表示圆形区域Q的数字图像矩阵,即为气门锥面的图像信息;区域Q外的像素点全部删除;
第二方式:在采集气门图像信息时,将背景图像的颜色设置为能够与气门锥面灰度区分开来的颜色,将像素点的灰度值全部等于阈值(背景图像颜色的灰度值)的行和列去除;例如优选设置为黑色或白色,更优选黑色;当背景图像为黑色时,在采集得到的所述数字图像矩阵中,将像素点的灰度值全部小于或等于阈值db(背景图像颜色的灰度值)的行和列去除;当背景图像为白色时,在采集得到的所述数字图像矩阵中,将像素点的灰度值全部大于或等于阈值dw(背景图像颜色的灰度值)的行和列去除。然后以得到的数字图像矩阵的中心点O为圆心,以圆心O到矩阵边缘的最大距离为半径R,画圆,得到表示圆形区域Q的数字图像矩阵,即为气门锥面的图像信息;区域Q外的像素点全部删除;
第三方式:在采集气门图像信息时,将背景图像的颜色设置为能够与气门锥面灰度区分开来的颜色,例如优选设置为黑色;当背景图像为黑色时,在采集得到的所述数字图像矩阵中,将像素点的灰度值全部小于或等于阈值db(背景图像颜色的灰度值)的行和列去除,然后以得到的数字图像矩阵的中心点O为圆心,灰度值大于阈值db的像素点到圆心O的最大距离为半径R,画圆,得到表示圆形区域Q的数字图像矩阵,即为气门锥面的图像信息;当背景图像为白色时,在采集得到的所述数字图像矩阵中,将像素点的灰度值全部大于或等于阈值dw(背景图像颜色的灰度值)的行和列去除,然后以得到的数字图像矩阵的中心点O为圆心,灰度值小于阈值dw的像素点到圆心O的最大距离为半径R,画圆,得到表示圆形区域Q的数字图像矩阵,即为气门锥面的图像信息;区域Q外的像素点全部删除。
气门密封带的外轮廓线和内轮廓线可以通过边缘检测以及hough变换的方法确定。
所述边缘检测的方法,通过计算两个相邻区域灰度值的突变来确定两个相邻区域之间的边缘线,所述边缘线可以是连续的,也可以是不连续的;所述边缘检测方法可以采用canny算子、log算子、Roberts算子等,优选canny算子。
在步骤(2)中,优选地,按照以下任选的一个或多个标准来判断气门密封带是否合格:
判定气门密封带的内轮廓线是否闭合;
判定气门密封带的内轮廓线与外轮廓线是否为同心圆;
判定气门密封带的宽度是否满足要求;
判定气门密封带内有无砂眼和/或裂缝。
较佳的,所述判定气门密封带A的内轮廓线是否闭合通过以下操作进行:确定内轮廓线的圆心为O1,半径为r1,判断内轮廓线的长度是否接近于以O1为圆心、r1为半径的圆的周长,若该周长的长度>d1×(2×π×r1),则认为气门密封带的内轮廓线是闭合的,其中d1为误差系数,d1的取值优选0.9~1。
较佳的,所述判定气门密封带的内轮廓线与外轮廓线是否为同心圆通过以下操作进行:确定气门密封带内外轮廓线的圆心分别为O1和O2,半径分别为r1和r2,判断O1与O2的距离是否小于d2×(r2-r1),若O1与O2的距离小于d2×(r2-r1),则认为内轮廓线与外轮廓线是同心圆,即真实的气门密封带为圆环形状,其中d2为误差系数,优选0.005~0.02。
较佳的,判定气门密封带的宽度是否满足要求通过以下操作进行:在数字图像矩阵中,确定气门密封带外轮廓线的半径为r2,气门密封带内轮廓线的半径为r1,气门密封带的外轮廓线的真实半径为R2,气门密封带的宽度要求为L1~L2,判断L1×r2/R2≤(r2-r1)≤L2×r2/R2,若L1×r2/R2≤(r1-r2)≤L2×r2/R2,则认为气门密封带的宽度满足要求。
较佳的,判定气门密封带内有无砂眼和/或裂缝按照以下操作进行:基于canny算法对气门密封带的灰度图像信息进行边缘检测,若气门密封带内未检测出边缘线,则认为气门密封带内无砂眼和/或裂缝。
本发明还提供了一种发动机气门密封带的检测设备。
本发明的检测设备,包括:
图像采集单元,用于采集气门图像信息;
可选的图像降噪单元,用于将图像信息进行降噪处理;
目标识别单元,用于识别气门图像信息中的气门锥面;
图像解析单元,优选采用边缘检测和图像分析的方式,判断气门密封带是否符合要求;
可选的显示输出单元,用于输出气门密封带的检测结果。
较佳的,所述图像采集单元包括:
照相子单元,用于采集高分辨率的气门图像信息,优选采集高分辨率的气门灰度图像信息;
拍照环境子单元,用于提供采集气门图像信息所需的密闭环境。
较佳的,所述照相子单元,采集的气门图像为气门的二维俯视图;照相时可以开启闪光灯,也可以关闭闪光灯,优选关闭闪光灯。
较佳的,所述拍照环境子单元,背景色为黑色或白色,优选黑色,背景材质表面光滑,提供自然补光。
较佳的,所述图像降噪单元,优选使用BLS-GSM算法进行处理,获得高的图像质量。
较佳的,所述目标识别单元,可根据气门图像信息,获得气门锥面的图像信息。
较佳的,所述图像解析单元包括边缘检测子单元和图像分析子单元,所述边缘检测子单元用于获得气门密封带的内、外轮廓线;所述图像分析子单元用于判定气门密封带是否合格。
较佳的,所述边缘检测子单元,可以使用canny算子对二维气门锥面的图像信息进行二维检测,基于hough变换识别出气门密封带的内、外轮廓线。
较佳的,所述图像分析子单元可以用于判定气门密封带的内轮廓线是否闭合,判定气门密封带的内轮廓线与外轮廓线是否为同心圆,判定气门密封带的宽度是否满足要求,判定气门密封带内有无砂眼和/或裂缝。
较佳的,所述图像分析子单元,可基于canny算法对砂眼进行边缘检测,判定气门密封带内有无砂眼和/或裂缝。
较佳的,所述显示输出单元包括:
数据显示子单元,用于实时显示气门密封带的检测结果及不合格的原因;
可选的数据库子单元,用于储存检测完毕的所有气门密封带的测试数据。
与现有技术相比,本发明提供的用于检测气门密封带的方法及设备能够基于图像识别技术,自动检测发动机气门的密封带是否合格,检测精度高、效率高,不受人为检测因素的干扰。
附图说明
图1为本发明中用于检测气门密封带的方法的流程图;
图2为本发明中优选的判定气门锥面密封带的流程图;
图3为本发明所述方法中气门密封带检测合格的气门锥面图像信息的示意图;
图4为本发明所述方法中气门密封带内轮廓线未闭合的气门锥面图像信息的示意图;
图5为本发明所述方法中气门密封带内轮廓线与外轮廓线不是同心圆的气门锥面图像信息的示意图;
图6为本发明所述方法中气门密封带内存在砂眼或裂缝的气门锥面图像信息的示意图;
图7为本发明中用于检测气门密封带设备的示意图。
图8为本发明的图像采集单元的结构示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同的其他方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施的限制。
在本发明中,分别提供了一种发动机气门密封带的检测方法及设备,在下面的实施例中进行详细说明。
参考图1,其为本申请的一种用于检测研磨后气门密封带的方法实施例的流程图,所述方法包括如下步骤:
步骤1:采集气门图像信息。
将研磨后的气门放入拍照环境子单元中,气门需放在标定位置,在计算机上操作软件控制照相机对气门表面进行拍照,得到气门图像信息图,优选气门灰度图像信息,并保存到电脑硬盘中,用于后续图像处理。
步骤2:对气门图像信息进行降噪声处理,优选使用BLS-GSM算法,为后续气门密封带的精确检测提供可能。
基于BLS-GSM算法实现数字图像降噪处理,在降噪的基础上再对降噪后的图像进行补偿复原,使降噪效果大大增强,可较好保持图像细节。
BLS-GSM是贝叶斯最小二乘-高斯尺度混合模型(Bayesian Least Squares-Gaussian Scale Mixture),局部自适应滤波器使用混合高斯尺度(GSM)作为先验概率分布。该方法基于小波系数统计模型,通过对每个系数的邻域建模(相邻位置、方向或尺度),获得高斯向量和独立的标量乘法。基于BLS-GSM算法实现数字图像降噪处理,可在MATLAB中完成。
步骤3:识别待检测的气门锥面图像信息。
基于灰度值识别待检测的气门锥面图像信息,即区分气门锥面信息与背景图像信息。依据灰度值实现图像识别,计算方法简单有效,可高效区分气门锥面信息与背景图像信息。灰度值,是指灰度数字图像中每个像素的颜色深度,范围一般从0到255,白色为255,黑色为0。选择背景图像为黑色时,其灰度值为0,可基于灰度值是否为0以区分气门锥面信息与背景图像信息。识别出的气门锥面图像是下一步数字图像分析的范围。
在MATLAB中,通过imread()函数读取降噪后数字图像的灰度值,构成二维图像矩阵,并将矩阵中满足“全部像素点灰度值小于或等于阈值d”条件的行或列去除,得到新的数字图像矩阵M。经过此种方式处理的数字图像仍包含一部分背景图像,需进一步处理:以数字图像矩阵M的中心点O为圆心,灰度值大于阈值d的像素点到圆心O的最大距离为半径R,对于所有像素点x,满足“x到圆心O的距离≤R”所构成的区域Q,即为气门锥面图像,即为下一步数字图像处理的目标区域,目标区域外像素点全部删除。通过消除背景图像的干扰,可为后续图像处理奠定基础。因拍照时的背景材料存在反光现象,数字图像中背景图像的灰度值可能大于0,因此去除非目标区域时需设定灰度值阈值,在该实施例中,设定灰度值阈值为10。
步骤4:判断气门密封带是否符合要求。包括:
(1)获得研磨后的气门密封带的内、外轮廓线。
基于canny算子获得目标区域轮廓线的二值图像,再基于hough算法检测图像中的圆,识别气门密封带的内、外轮廓线。。
边缘检测,可标识灰度值不连续的两个相邻区域的边缘。边缘是图像上灰度变化最剧烈的地方,边缘检测即是利用该特点完成识别。Canny边缘检测算法共分为以下几步:第一步,用高斯滤波器平滑图像;第二步,用一阶偏导的有限差分来计算梯度的幅值和方向;第三步,对梯度幅值进行非极大值抑制;第四步,用双阈值算法检测和连接边缘。在MATLAB中,使用“BW=edge(I,’canny’)”,可实现canny算法,得到气门锥面区域,I表示灰度图像矩阵,BW为处理后的二值图像矩阵。
Hough变换是一种使用表决原理的参数估计技术,其实质是将图像空间内具有一定关系的像元进行聚类,寻找能把这些像元用某一解析形式联系起来的参数空间累积对应点,适用于参数空间不超过二维的情况。Hough变换通过提取分布于目标圆周上的参数及点的特征值来检测圆或圆弧。Hough变换通过在参数空间找寻特征(峰值或最大值点)得到位于图像空间中的特征(目标形状)来转换问题。基于hough变换检测二值图像中的圆形,可获得圆心坐标及半径。最大半径的圆即为气门密封带的外轮廓线,半径长度排列第二的圆为气门密封带的内轮廓线。
(2)判定气门密封带是否符合要求,参见图2。
判断可分为任选的四步:第一步,检测气门密封带的内轮廓线是否闭合;第二步,检测气门密封带的内轮廓线与外轮廓线是否为同心圆;第三步,检测气门密封带的宽度是否符合要求;第四步,判断气门密封带内有无砂眼和/或裂缝。依次完成四步判断,若有一步判断的结果为“否”,则终止判断程序,并将“气门密封带不符合要求”的结果输入至显示输出单元。如果四步判断结果均是“是”,则将“气门密封带符合要求”的结果输入至显示输出单元。满足四步判定要求的气门密封带示意图参见图3。
第一步判断,需判断气门密封带的内轮廓线是否闭合。边缘检测子单元可得到气门密封带内轮廓线对应的像素点,及内轮廓线的圆心O1及半径r1。判断内轮廓线是否闭合,可考察内轮廓线对应的像素取值为1的像素集合B的长度是否接近于圆O1的周长,若像素集合B的长度>d1×(2×π×r1),则认为气门密封带的内轮廓线是闭合的。d1为误差系数,排除图像识别误差对判断结果的影响,在本实施例中,d1的取值优选0.9~1。气门密封带内轮廓线未闭合的气门锥面图像信息示意图参见图4。
第二步判断,需判断气门密封带的内轮廓线与外轮廓线是否为同心圆。基于Hough变换可获得气门密封带的内、外轮廓线,形状为圆形,若内、外轮廓线的圆心分别为O1和O2,半径分别为r1和r2,且O1与O2的距离<d2×(r2-r1),则认为气门密封带的内轮廓线与外轮廓线为同心圆。d2为误差系数,排除图像识别误差对判断结果的影响,在本实施例中,d2的取值优选0.005~0.02。气门密封带内轮廓线与外轮廓线不是同心圆的气门锥面图像信息的示意图参见图5。
第三步判断,需判断气门密封带的宽度是否符合要求。在数字图像矩阵中,气门密封带外轮廓线的半径为r2,气门密封带内轮廓线的半径为r1,气门锥面实际半径为R2,气门密封带的宽度要求为L1~L2,判断L1×r2/R2≤(r2-r1)≤L2×r2/R2。若L1×r2/R2≤(r1-r2)≤L2×r2/R2,则认为气门密封带的宽度满足要求。
第四步判断,需判断气门密封带内有无砂眼和/或裂缝。基于边缘检测子单元中的canny算子,获得二值图像。如果气门密封带内未检测出边缘线,则认为气门密封带内无砂眼和/或裂缝。气门密封带内存在砂眼或裂缝的气门锥面密封线示意图参见图6。
步骤5:输出气门密封带的检测结果。包括:
(1)实时显示气门密封带检测结果及不合格原因。
基于GUI实现检测结果的实时显示,可显示的数据包括检测时间、气门锥面二维灰度图、降噪处理后的气门锥面图像、气门锥面二值图像、气门密封带是否符合要求的检测结果及不合格的原因。可基于MATLAB GUI开发相关界面。
(2)储存检测完毕的所有气门密封带测试数据。
数据库子单元,储存检测完毕的所有气门密封带测试数据,为用户调用相关数据带来便利。基于MySQL开发数据库,并与MATLAB计算软件相连接。MySQL是一个关系型数据库管理系统,提供了用于管理、检查、优化数据库操作的管理工具,可移植性高,安装简单小巧,运行效率高。相对于其他大型数据库,MySQL调试、管理、优化简单。
在上述实施例中,提供了一种用于检测研磨后气门密封带的方法,与之对应的,本申请还提供一种用于检测研磨后气门密封带的设备。由于设备实施例基本相似于方法实施例,所以对设备实施例仅作简要描述,相关部分可参见方法实施例的对应说明。
参看图7,其为本发明提供的一种用于检测气门密封带的设备实施例的示意图。本实施例包括:图像采集单元101,用于采集气门图像信息,包括照相子单元、拍照环境子单元;图像降噪单元102,用于将图像信息降噪处理;目标识别单元103,用于识别气门图像信息中的气门锥面;图像解析单元104,优选采用边缘检测和图像分析的方式,检测气门密封带是否符合要求,包括边缘检测子单元、图像分析子单元;显示输出单元105,用于显示气门密封带的检测结果,包括数据显示子单元、数据库子单元。
图像采集单元101
图像采集单元包括照相子单元和拍照环境子单元,参看图8。照相子单元包括照相机1、数据传输系统2,拍照环境子单元3包括侧边门4、气门放置区5、补光灯6。
照相子单元主要由高分辨率照相机1及数据传输系统2组成。照相机1优选关闭闪光灯,要求像素数为80万及以上。照相机采集灰度图像,从气门杆顶部垂直向下拍摄气门锥面,获得气门二维俯视图。数据传输系统2,用于将图像数据传输至计算机7。
拍照环境子单元3,用于提供气门锥面图像信息采集的密闭环境。该子单元的结构为薄壁的立方体,非金属材料,立方体的一个侧面设有一扇门4,用于放置及移走气门,采集图像数据时需关闭侧门4。子单元内部涂有黑色吸光材料,表面涂抹均匀且平滑,尽量保证不反光。气门放置在固定位置5,用标记线标识,会使照相机1采集到气门锥面的完整图像信息。拍照环境子单元顶部用以放置照相机及四个补光灯6,补光灯亮度应相同,且保证照射气门无阴影。
图像降噪单元102
图像降噪单元用于为气门图像信息进行降噪处理,为后续气门密封带的精确检测提供可能。基于BLS-GSM算法实现数字图像降噪处理,在降噪的基础上再对降噪后的图像进行补偿复原,使降噪效果大大增强,可较好保持图像细节。
目标识别单元103
基于灰度值识别待检测的气门图像信息,即区分气门锥面图像信息与背景图像信息。依据灰度值实现图像识别,计算方法简单有效,可高效区分气门锥面图像与背景图像信息。因为背景图像为黑色,其灰度值为0,可基于灰度值是否为0以区分气门锥面图像与背景图像信息。识别出的气门锥面图像是下一步数字图像分析的范围。
图像解析单元104
图像解析单元用于获得气门密封带的检测结果,主要包括边缘检测子单元和图像处理子单元。边缘检测子单元,用于获得气门密封带的内、外轮廓线;图像分析子单元,用于气门密封带是否符合相关要求。
边缘检测子单元,基于canny算子获得目标区域轮廓的二值图像,再基于hough算法检测图像中的圆,识别气门密封带的内、外轮廓线。
基于hough变换检测二值图像中的圆形,可获得圆心坐标及半径。最大半径的圆即为气门密封带的外轮廓线,半径长度排列第二的圆为气门密封带的内轮廓线。
图像分析子单元,判断气门密封带是否符合气门研磨后的要求。判断可分为四步:第一步,检测气门密封带的内轮廓线是否闭合;第二步,检测气门密封带的内轮廓线与外轮廓线是否为同心圆;第三步,检测气门密封带的宽度是否符合要求;第四步,判断气门密封带内有无砂眼和/或裂缝。依次完成四步判断,若有一步判断的结果为“否”,则终止判断程序,并将“气门密封带不符合要求”的结果输入至显示输出单元。如果四步判断结果均是“是”,则将“气门密封带符合要求”的结果输入至显示输出单元。
显示输出单元105
显示输出单元,用于显示气门密封带的检测结果。包括数据显示子单元和数据库子单元。
数据显示子单元,基于GUI实现检测结果的实时显示,可显示的数据包括检测时间、气门锥面二维灰度图、降噪处理后的气门锥面图像、气门锥面二值图像、气门密封带是否符合要求的检测结果及不合格的原因。可基于MATLAB GUI开发相关界面。
数据库子单元,储存检测完毕的所有气门密封带测试数据,为用户调用相关数据带来便利。基于MySQL开发数据库,并与MATLAB计算软件相连接。
本发明虽然以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以做出可能的变动和修改,因此本发明的保护范围应当以本发明权利要求所界定的范围为准。
在一个典型的配置中,计算设备包括一个或多个处理器、输入/输出结构、网络接口和内存。
本领域技术人员应明白,本申请的实施例可提供为方法、设备或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
Claims (22)
1.发动机气门密封带的检测方法,包括如下步骤:(1)采集气门图像信息;(2)识别气门图像信息中的气门密封带,判断气门密封带是否合格。
2.按照权利要求1所述的检测方法,其特征在于,在步骤(1)中,采集气门的二维图像信息或三维图像信息,优选采集气门的二维图像信息,更优选采集气门的二维俯视图像信息。
3.按照权利要求1所述的检测方法,其特征在于,在步骤(1)中,对所述采集的气门图像信息进行降噪处理(优选可以使用BLS-GSM算法、TV算法、NLM算法、BM3D算法中的一种或多种)。
4.按照权利要求1所述的检测方法,其特征在于,在步骤(2)中,通过以下操作识别气门图像信息中的气门密封带:确定气门图像信息中的气门锥面,然后确定气门锥面上气门密封带的外轮廓线和内轮廓线。
5.按照权利要求1所述的检测方法,其特征在于,将气门图像信息转换为灰度图像信息,根据所述灰度图像信息中灰度值的差别去除背景图像信息,确定气门图像信息中的气门锥面;根据两个相邻区域灰度值的突变确定气门锥面的气门密封带。
6.按照权利要求1所述的检测方法,其特征在于,采集气门的二维俯视图像信息,将其转换为灰度图像信息,得到反映每个像素点灰度大小的数字图像矩阵,去除其中反映外侧背景图像信息的像素点;优选采用以下方式进行:
第一方式:在所述数字图像矩阵中,将像素点的灰度值全部等于背景图像像素点灰度值的行和列去除,然后以得到的数字图像矩阵的中心点O为圆心,以圆心O到矩阵边缘的最大距离为半径R,画圆,得到表示圆形区域Q的数字图像矩阵,即为气门锥面的图像信息;区域Q外的像素点全部删除;
第二方式:在采集气门图像信息时,将背景图像的颜色设置为能够与气门锥面灰度区分开来的颜色,将像素点的灰度值全部等于阈值(背景图像颜色的灰度值)的行和列去除,优选设置为黑色或白色;然后以得到的数字图像矩阵的中心点O为圆心,以圆心O到矩阵边缘的最大距离为半径R,画圆,得到表示圆形区域Q的数字图像矩阵,即为气门锥面的图像信息;区域Q外的像素点全部删除;
第三方式:在采集气门图像信息时,将背景图像的颜色设置为能够与气门锥面灰度区分开来的颜色,设置为黑色或白色;当背景图像为黑色时,在采集得到的所述数字图像矩阵中,将像素点的灰度值全部小于或等于阈值db(背景图像颜色的灰度值)的行和列去除,然后以得到的数字图像矩阵的中心点O为圆心,灰度值大于阈值db的像素点到圆心O的最大距离为半径R,画圆,得到表示圆形区域Q的数字图像矩阵,即为气门锥面的图像信息;当背景图像为白色时,在采集得到的所述数字图像矩阵中,将像素点的灰度值全部大于或等于阈值dw(背景图像颜色的灰度值)的行和列去除,然后以得到的数字图像矩阵的中心点O为圆心,灰度值小于阈值dw的像素点到圆心O的最大距离为半径R,画圆,得到表示圆形区域Q的数字图像矩阵,即为气门锥面的图像信息;区域Q外的像素点全部删除。
7.按照权利要求1所述的检测方法,其特征在于,通过边缘检测以及hough变换的方法确定所述气门密封带的外轮廓线和内轮廓线。
8.按照权利要求1所述的检测方法,其特征在于,所述边缘检测方法采用canny算子、log算子或Roberts算子。
9.按照权利要求1所述的检测方法,其特征在于,在步骤(2)中,按照以下任选的一个或多个标准来判断气门密封带是否合格:判定气门密封带的内轮廓线是否闭合;判定气门密封带的内轮廓线与外轮廓线是否为同心圆;判定气门密封带的宽度是否满足要求;判定气门密封带内有无砂眼和/或裂缝。
10.按照权利要求9所述的检测方法,其特征在于,所述判定气门密封带的内轮廓线是否闭合通过以下操作进行:确定内轮廓线的圆心为O1,半径为r1,判断内轮廓线的长度是否接近于以O1为圆心、r1为半径的圆的周长,若该周长的长度>d1×(2×π×r1),则认为气门密封带的内轮廓线是闭合的,其中d1为误差系数,d1的取值优选0.9~1。
11.按照权利要求9所述的检测方法,其特征在于,所述判定气门密封带的内轮廓线与外轮廓线是否为同心圆通过以下操作进行:确定气门密封带内外轮廓线的圆心分别为O1和O2,半径分别为r1和r2,判断O1与O2的距离是否小于d2×(r2-r1),若O1与O2的距离小于d2×(r2-r1),则认为内轮廓线与外轮廓线是同心圆,即真实的气门密封带为圆环形状,其中d2为误差系数,优选0.005~0.02。
12.按照权利要求9所述的检测方法,其特征在于,判定气门密封带的宽度是否满足要求通过以下操作进行:在数字图像矩阵中,确定气门密封带外轮廓线的半径为r2,气门密封带内轮廓线的半径为r1,气门密封带的外轮廓线的真实半径为R2,气门密封带的宽度要求为L1~L2,判断L1×r2/R2≤(r2-r1)≤L2×r2/R2,若L1×r2/R2≤(r1-r2)≤L2×r2/R2,则认为气门密封带的宽度满足要求。
13.按照权利要求1所述的检测方法,其特征在于,判定气门密封带内有无砂眼和/或裂缝按照以下操作进行:基于canny算法对气门密封带的灰度图像信息进行边缘检测,若气门密封带内未检测出边缘线,则认为气门密封带内无砂眼和/或裂缝。
14.一种发动机气门密封带的检测设备,包括:
图像采集单元,用于采集气门图像信息;
可选的图像降噪单元,用于将图像信息进行降噪处理;
目标识别单元,用于识别气门图像信息中的气门锥面;
图像解析单元,优选采用边缘检测和图像分析的方式,判断气门密封带是否符合要求;
可选的显示输出单元,用于输出气门密封带的检测结果。
15.按照权利要求14所述的检测设备,其特征在于,所述图像采集单元包括:
照相子单元,用于采集高分辨率的气门图像信息,优选采集高分辨率的气门灰度图像信息;拍照环境子单元,用于提供采集气门图像信息所需的密闭环境。
16.按照权利要求15所述的检测设备,其特征在于,所述照相子单元中采集的气门图像为气门的二维俯视图。
17.按照权利要求16所述的检测设备,其特征在于,照相时关闭闪光灯;所述拍照环境子单元的背景色为黑色或白色。
18.按照权利要求14所述的检测设备,其特征在于,所述图像降噪单元使用BLS-GSM算法进行处理。
19.按照权利要求14所述的检测设备,其特征在于,所述图像解析单元包括边缘检测子单元和图像分析子单元,所述边缘检测子单元用于获得气门密封带的内、外轮廓线;所述图像分析子单元用于判定气门密封带是否合格。
20.按照权利要求19所述的检测设备,其特征在于,所述边缘检测子单元使用canny算子对二维气门锥面的图像信息进行二维检测,基于hough变换识别出气门密封带的内、外轮廓线;所述图像分析子单元用于判定气门密封带的内轮廓线是否闭合,判定气门密封带的内轮廓线与外轮廓线是否为同心圆,判定气门密封带的宽度是否满足要求,判定气门密封带内有无砂眼和/或裂缝。
21.按照权利要求14所述的检测设备,其特征在于,所述图像分析子单元基于canny算法对砂眼进行边缘检测。
22.按照权利要求14所述的检测设备,其特征在于,所述显示输出单元包括数据显示子单元和数据库子单元,所述数据显示子单元用于实时显示气门密封带的检测结果及不合格的原因;所述数据库子单元用于储存检测完毕的所有气门密封带的测试数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710989966.6A CN109697712A (zh) | 2017-10-23 | 2017-10-23 | 发动机气门密封带的检测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710989966.6A CN109697712A (zh) | 2017-10-23 | 2017-10-23 | 发动机气门密封带的检测方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109697712A true CN109697712A (zh) | 2019-04-30 |
Family
ID=66225699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710989966.6A Pending CN109697712A (zh) | 2017-10-23 | 2017-10-23 | 发动机气门密封带的检测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109697712A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699217A (zh) * | 2009-11-03 | 2010-04-28 | 武汉大学 | 一种用于工业零件的同心圆检测方法 |
CN102589435A (zh) * | 2012-03-02 | 2012-07-18 | 中南大学 | 噪声环境下激光束中心高效精确检测方法 |
CN107025653A (zh) * | 2017-06-17 | 2017-08-08 | 丹凤县荣毅电子有限公司 | 一种基于机器视觉的磁环检测方法 |
-
2017
- 2017-10-23 CN CN201710989966.6A patent/CN109697712A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699217A (zh) * | 2009-11-03 | 2010-04-28 | 武汉大学 | 一种用于工业零件的同心圆检测方法 |
CN102589435A (zh) * | 2012-03-02 | 2012-07-18 | 中南大学 | 噪声环境下激光束中心高效精确检测方法 |
CN107025653A (zh) * | 2017-06-17 | 2017-08-08 | 丹凤县荣毅电子有限公司 | 一种基于机器视觉的磁环检测方法 |
Non-Patent Citations (2)
Title |
---|
侯超文: "气门组件装配质量检测机器视觉系统的研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(月刊)》 * |
杨莉等: "机器视觉在气门盘检测中的应用", 《仪器仪表》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11221107B2 (en) | Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing | |
CN105809655B (zh) | 车辆检查方法和系统 | |
CN109190473A (zh) | 一种“机器视觉理解”在电力远程监控中的应用 | |
US8508588B2 (en) | Methods and systems for identifying well wall boundaries of microplates | |
US9171364B2 (en) | Wafer inspection using free-form care areas | |
JP2018525746A (ja) | コロニーコントラスト収集 | |
CN110910341B (zh) | 一种输电线路锈蚀区缺陷检测方法及装置 | |
JP2017049974A (ja) | 識別器生成装置、良否判定方法、およびプログラム | |
CN106530271A (zh) | 一种红外图像显著性检测方法 | |
CN103985110A (zh) | 数字图像中伪影或非均匀亮度的定位及显示方法 | |
CN110298410A (zh) | 基于深度学习的低对比度图像中弱目标检测方法及装置 | |
Haralick et al. | Glossary of computer vision terms | |
CN106127738B (zh) | 凝集试验判读方法 | |
WO2018078582A1 (en) | Method for distinguishing fresh meat from meat subjected to freezing by means of analysis of images of muscle tissue and corresponding system arranged to execute said method | |
CN109697712A (zh) | 发动机气门密封带的检测方法及设备 | |
CN109598755A (zh) | 基于双目视觉的危化品泄漏检测方法 | |
CN114782822A (zh) | 电力设备的状态检测方法、装置、电子设备及存储介质 | |
CN109697711A (zh) | 发动机气门密封带的检测方法 | |
CN114926675A (zh) | 外壳污损缺陷检测方法、装置、计算机设备及存储介质 | |
Yan et al. | A boosted decision tree approach to shadow detection in scanning electron microscope (SEM) images for machine vision applications | |
CN116930192B (zh) | 一种高精度铜管缺陷检测方法及系统 | |
Le Meur et al. | Practical use of receiver operating characteristic analysis to assess the performances of defect detection algorithms | |
Zhu et al. | A Fast Potential Fault Regions Locating Method Used in Inspecting Freight Cars. | |
Zhu et al. | Automatic indication recognition of dual pointer meter in thermo-hygrometer calibrator | |
Khatyreva et al. | Unsupervised anomaly detection for industrial manufacturing using multiple perspectives of free falling parts |
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 |