CN110163853A - 一种边缘缺陷的检测方法 - Google Patents
一种边缘缺陷的检测方法 Download PDFInfo
- Publication number
- CN110163853A CN110163853A CN201910399025.6A CN201910399025A CN110163853A CN 110163853 A CN110163853 A CN 110163853A CN 201910399025 A CN201910399025 A CN 201910399025A CN 110163853 A CN110163853 A CN 110163853A
- Authority
- CN
- China
- Prior art keywords
- point
- value
- suspected defects
- edge
- detection
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 121
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 25
- 238000001914 filtration Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 102220123988 rs138203039 Human genes 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000002950 deficient Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 208000003464 asthenopia Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004512 die casting Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G06T5/70—
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于工业检测技术领域,具体涉及一种边缘缺陷的检测方法,包括对待测物的边缘区域进行图像信息采集,根据采集到的图像信息计算得到待测物的边缘轮廓点信息;在边缘轮廓点中检测和记录可疑缺陷点,组成可疑缺陷点集;对被记录的可疑缺陷点集进行聚类分组,将得到的分组进行线性判别并生成拟合线;计算每个可疑缺陷点到拟合线的距离,并判断距离是否大于预设的阈值,若距离大于阈值,则可疑缺陷点为边缘缺陷点,得出检测结果。本发明能对工件进行非接触式的自动检测,避免了人工检测造成的损坏,提高了检测的精度和效率,同时还能对非特定形状的边缘进行检测,提高了本发明的通用性。
Description
技术领域
本发明属于工业检测技术领域,具体涉及一种边缘缺陷的检测方法。
背景技术
在工业的生产制造中,由于生产设备的精度或人为操作的原因,导致生产出来的工件边缘上存在着凹陷或毛刺是无法避免的。而工件边缘是工件生产的一个重要特征,直接影响到工件的质量,为了保证工件的生产质量,往往需要对工件进行边缘缺陷的检测,以确保工件的品质。
目前,工业上对工件边缘缺陷的检测方法普遍通过人工检测,依靠人体肉眼寻找工件的边缘缺陷点,但是这种方法在检测时容易造成凹陷区域的损坏或毛刺被磨掉,另外,当面对形状不规则或者缺陷数量较多的工件,尤其是在一些压铸件上,边缘缺陷的大小、形状和位置都具有一定的随机性,因而导致了人工检测存在速度慢、劳动强度大、可靠性差、漏检率高等缺陷,而且人工检测也容易造成视觉疲劳,影响检测的判断,不能保证检测速度和精度,虽然近年来也出现一些利用机器进行边缘检测的方案,然而绝大部分均是仅能针对特定产品或特定形状的工件进行检测,如手机屏幕、手机壳体等,均是直线、圆形或圆弧状边缘的检测,存在着边缘检测的局限性。
因此,亟待一种改进的方案以克服上述缺陷。
发明内容
本发明的目的在于:针对现有技术的不足,而提供的一种工件边缘缺陷的检测方法,该方法能对工件进行非接触式的自动检测,避免了人工检测造成的损坏,有效地提高了检测的精度和效率。
为实现上述的目的,本发明采用以下技术方案:
一种边缘缺陷的检测方法,包括以下步骤:
对待测物的边缘区域进行图像信息采集,根据采集到的图像信息计算得到待测物的边缘轮廓点信息;
在所述边缘轮廓点中检测和记录可疑缺陷点,组成可疑缺陷点集;
对被记录的所述可疑缺陷点集进行聚类分组,计算所述分组中各数据点坐标(x,y)的相关系数:
其中:Var(x)为x的方差,Var(y)为y的方差,Cov(x,y)为x与y之间的协方差,若所述相关系数的绝对值大于设定的标准值,则将数据点拟合成直线,若所述相关系数的绝对值小于或等于设定的标准值,则将数据点拟合成二次曲线;
计算每个所述可疑缺陷点到所述拟合线的距离,并判断所述距离是否大于预设的阈值,若所述距离大于所述阈值,则所述可疑缺陷点为边缘缺陷点,得出检测结果。
在本发明中,通过采用折线近似的原理,通过将可疑缺陷点集两端的无缺陷点相连形成多段直线基元再进行线的拟合,因而,本发明在对于一些不规则的二次曲线边缘检测时也同样适用,有效地提高了通用性。
作为本发明所述的边缘缺陷的检测方法的一种改进,在对待测物的边缘区域进行图像信息采集的过程中,采用自适应的中值滤波法进行图像噪音处理。本发明采用自适应的中值滤波在不影响边缘信息的前提下,有效地去除了孤立的噪声点,改善了图像质量,使经过处理后的图像更接近待测物边缘的真实情况,提高了后续检测的精度和可靠性。
作为本发明所述的边缘缺陷的检测方法的一种改进,所述自适应的中值滤波法包括以下步骤:
从所述图像中选取一定范围作为滤波采样窗口;
通过从所述采样窗口中取出奇数个像素点的灰度值数据进行排序,计算得到该范围内的中值;
对该范围内像素点的灰度值依次进行判断,若该值是极值,则该像素处的灰度值使用所述中值代替;若不是极值,则保留原像素点的灰度值。
作为本发明所述的边缘缺陷的检测方法的一种改进,所述待测物的图像信息包括多条待测物的边缘。
作为本发明所述的边缘缺陷的检测方法的一种改进,检测和记录可疑缺陷点包括提取可疑缺陷点、对所述可疑缺陷点进行二次检测以及滤除非可疑缺陷点。
作为本发明所述的边缘缺陷的检测方法的一种改进,提取可疑缺陷点,包括以下步骤:
步骤1)以所述边缘轮廓点为中心点建立直角坐标系;
步骤2)计算落在第一象限内的各个点的横坐标绝对值之和以及纵坐标绝对值之和,分别记为|N1_X|和|N1_Y|,并将|N1_X|和|N1_Y|进行求和得到合值,记为N1;
步骤3)按照步骤2)中的方法分别计算落在第二象限、第三象限和第四象限的各个点的合值,分别记为N2、N3、N4;
步骤4)按照关系式N13=|N1-N3|,N24=|N2-N4|,N=|N13+N24|计算,求得N值;
步骤5)将求得的N值与预设的提取阈值进行判别,若N值大于所述提取阈值,则所述边缘轮廓点为可疑缺陷点。
作为本发明所述的边缘缺陷的检测方法的一种改进,对被记录的所述可疑缺陷点进行聚类分组,包括以下步骤:
S1)将检测到的每个所述可疑缺陷点归为一类并将其存放在一维点序列中,计算相邻两个所述可疑缺陷点之间的距离;
S2)将S1中计算所得的各个距离的值进行从大到小排序并设定分层阈值,把所述可疑缺陷点重新划分为多组,保存到二维点序列中;
S3)计算各个组中相邻两个所述可疑缺陷点之间的距离;
S4)重复S2和S3,直到S3中的所述距离小于所述分层阈值为止。
作为本发明所述的边缘缺陷的检测方法的一种改进,在得出检测结果后,还包括:更改参数,进行重新检测,对所述检测结果进行验证。
与现有技术相比,本发明至少具有以下有益效果:
1)通过机器替代人工检测,有效地缩减了检测的时间,避免了长期的人工检测造成的视觉疲劳,进而导致误判和漏检等现象,极大地提高了检测的效率与精度;
2)由于在检测的过程中并不需要与工件进行接触,因而本发明的检测方法可以防止人工的二次损坏,实现了工件的实时检测,使检测的结果更具可靠性;
3)现有的机器检测中只能针对特定产品、特定性状边缘进行检测,本发明在针对非特定区域检测时,可以利用线性判断将可疑缺陷点集聚类分组得到的数据点拟合成二次曲线,通过判断可疑缺陷点到二次曲线的距离,可以有效得到检测结果,极大地提高了本发明的通用性。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施方式及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的工作流程图示意图;
图2为本发明的边缘提取效果图;
图3为本发明中平滑无缺陷的边缘区域效果图;
图4为本发明中有缺陷的边缘区域效果图。
具体实施方式
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语,故应解释成“包含但不限定于”。“大致”是指在可接受的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、水平”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
以下结合附图对本发明作进一步详细说明,但不作为对本发明的限定。
如图1所示,本发明实施例提供了一种边缘缺陷的检测方法,包括以下步骤:
对待测物的边缘区域进行图像信息采集,根据采集到的图像信息计算得到待测物的边缘轮廓点信息;
在所述边缘轮廓点中检测和记录可疑缺陷点,组成可疑缺陷点集;
对被记录的所述可疑缺陷点集进行聚类分组,计算所述分组中各数据点坐标点坐标(x,y)的相关系数:
其中:Var(x)为x的方差,Var(y)为y的方差,Cov(x,y)为x与y之间的协方差,若所述相关系数的绝对值大于设定的标准值,则将数据点拟合成直线,若所述相关系数的绝对值小于或等于设定的标准值,则将数据点拟合成二次曲线;
计算每个所述可疑缺陷点到所述拟合线的距离,并判断所述距离是否大于预设的阈值,若所述距离大于所述阈值,则所述可疑缺陷点为边缘缺陷点,得出检测结果。
本算法中为了防止过度分组且保证拟合的无缺陷点集不会落在缺陷区域,依次计算前后可疑缺陷点组的首尾索引值的间隔。如果此间隔小于用于拟合的无缺陷点集数的最低标准值(首末都不低于十个像素点),即将该前后两组合并为一组新的可疑缺陷点组;否则,保留该前后两组;最后,将得到的各分组进行线性判别,求数据坐标点的(x,y)的相关系数Corr(x,y),如果|Corr(x,y)|>0.9,说明拟合的有效边缘点集趋近于直线,故该组缺陷区域的基准线应拟合成直线;否则,说明拟合的有效边缘点集趋近于曲线,该组缺陷区域的基准线应拟合成二次曲线;
在本发明的图像采集过程中,为保证拍摄待测物图像的清晰度,可以采用CCD、CMOS等工业相机对待测物进行拍摄,得到该待测物的图像,但是这些图像会附带各种各样的噪声,即指存在于图像数据中的不必要的或多余的干扰信息,是一种不可预测,只能用概率统计方法来认识的随机误差,常用的去除图像噪声做法为中值滤波法,然而由于中值滤波法在去除噪声时,对滤波窗口没有加以限制,太小则没有去噪能力,太大模糊边缘信息,且噪声点的灰度变化比较类似于边缘点的,故中值滤波去除噪声的同时也将使边缘像素的灰度值发生同等程度改变。考虑到邻域内变化剧烈的像素点一般都是噪声点,而边缘在邻域内往往不是,作为本发明的优选方案,本发明采用了自适应中值滤波,具体包括以下步骤:
从图像中选取一定范围作为滤波采样窗口;
通过从采样窗口中取出奇数个像素点的灰度值数据进行排序,计算得到该范围内的中值;
对该范围内像素点的灰度值依次进行判断,若该值是极值,则该像素处的灰度值使用中值代替;若不是极值,则保留原像素点的灰度值。
改进之后的自适应中值滤波在不影响边缘信息的前提下,有效地去除了孤立的噪声点,改善了图像质量,使经过处理后的图像信息更接近于待测物边缘的实际情况,提高了后续检测的精度和可靠性。
为了使后续检测可疑缺陷点更加方便,本发明采用了canny边缘提取算法,得到边缘点序列,记为edgePoints[n]。
分别应用上述自适应中值滤波法与canny边缘提取算法对待测物的原始图像进行处理,并得到待测物的边缘轮廓点,处理效果如图2所示。
在得到待测物的边缘轮廓点后,利用缺陷处的斜率突变来检测出可疑缺陷点,为了找到缺陷部位,本发明首先将可疑的缺陷点提取出来,然后进行二次检测,滤除非缺陷点,在本实施的实际操作中,具体包括以下步骤:
步骤1)以某个边缘轮廓点为中心点,单位为前后5个像素点,建立直角坐标系;
步骤2)计算落在直角坐标系第一象限内的各个点的横坐标绝对值之和以及纵坐标绝对值之和,分别记为|N1_X|和|N1_Y|,并将|N1_X|和|N1_Y|进行求和得到合值,记为N1;
步骤3)按照步骤2)中的方法分别计算落在第二象限、第三象限和第四象限的各个点的合值,分别记为N2、N3、N4;
步骤4)按照关系式N13=|N1-N3|,N24=|N2-N4|,N=|N13+N24|计算,求得N值;
步骤5)将求得的N值与预设的提取阈值进行判别,若N值大于所述提取阈值,则所述边缘轮廓点为可疑缺陷点,记录该点。
在对可疑的缺陷点检测完毕后,需要对检测的结果进行二次检测,以下是验证可疑缺陷点检测算法是否有效的一个实例分析,如图3和图4所示,均为待测物局部放大的边缘点图像,其中,图3为平滑无缺陷的边缘区域图像,图4为有缺陷的边缘区域图像。
利用上述可疑缺陷点提取方法分别对图3和图4进行二次检测,
在图3中:N1=|N1_X|+|N1_Y|=0+0=0;N2=|N2_X|+|N2_Y|=12+15=27;N3=|N3_X|+|N3_Y|=0+0=0;N4=|N4_X|+|N4_Y|=15+15=30;则可以得到,N13=|N1-N3|=|0-0|=0;N24=|N2–N4|=|27-30|=3;从而计算得到N值:N=|N13+N24|=|0+3|=3;
在图4中:N1=|N1_X|+|N1_Y|=15+19=34;N2=|N2_X|+|N2_Y|=19+25=44;N3=|N3_X|+|N3_Y|=0+0=0;N4=|N4_X|+|N4_Y|=0+0=0;则可以得到,N13=|N1-N3|=|34-0|=34;N24=|N2–N4|=|44-0|=44;从而计算得到N值:N=|N13+N24|=|44+34|=78。
由上述计算结果可得,有缺陷区域的N值远远大于平滑区域的N值,即N值的大小反应了缺陷区域处的斜率突变的程度,N值越大越有可能为边缘缺陷点,在实际操作中,本发明经过多次调试,将N值为20时设定为可疑点的提取阈值,即当N>20时,该点判别为可疑缺陷点,并将该点记录到一维点序列中,记为:AberrantPointIndex[n]。
在本发明中,利用边缘缺陷处的斜率突变记录了待测物所有的可疑缺陷点,但由于缺陷的大小、形状和位置具有一定的随机性,因此,本发明对缺陷点进行聚类分析。
聚类分析(Cluster analysis)是一门针对统计数据的分析技术,广泛应用在许多领域,包括机器学习,数据挖掘,模式识别以及图像分析。聚类是把相似的对象通过静态分类的方法分成不同的组别或者更多的子集(subset),这样让在同一个子集中的成员对象都有相似的一些属性。
优选的,本发明对被记录的可疑缺陷点进行聚类分组,包括以下步骤:
S1)将检测到的每个可疑缺陷点归为一类并将其存放在一维点序列AberrantPointIndex[n]中,计算相邻两个可疑缺陷点之间的距离,即样本与样本之间的相似度;
S2)将S1中计算所得的各个距离的值进行从大到小排序,由于同组中的距离值都比较集中且距离很小,所以排序后出现孤立的较大距离值即为分层阈值,把可疑缺陷点重新划分为多组,保存到二维点序列中,记为AberrantPindex[m][n],其中m代表每一类所在行;
S3)计算各个组中相邻两个可疑缺陷点之间的距离;
S4)重复S2和S3,直到S3中的距离均小于分层阈值为止。
本发明在整个聚类分组的过程实质上是建立了一棵树。在建立的过程中,通过设置分层阈值,本算法采用了最近邻法,即两个类中最近的两个可疑缺陷点的距离来判断两个类之间的相似度。当最近的两个缺陷可疑点的距离大于这个阈值,则进行分组,最后,将所有的缺陷可疑点完美的归类到复杂工件上每一个缺陷区域。
在实际的检测工作中,考虑到待测物的边缘是由多组直线段和多组曲率不同的弧线一并拟合而成的,特别是一些复杂的压铸工件,其边缘由各种各样的线段构成,非常复杂。常用的折线近似原理,即用直线段作为拟合的基元来近似地代替曲线,将产生大量的分段点;用圆弧和直线段作为基本单元拟合自由曲线不能反映工件在折角处的变化,均存在较大的测量误差,难以达到令人满意的效果。
本发明通过对可疑缺陷点进行聚类分组,可将复杂工件局部拟合成直线段和二次曲线段,解决了其它缺陷算法中只能拟合单一的直线段以及仅用直线段和椭圆或圆弧来拟合的问题,提高了算法的通用性。本发明主要用到了基于最小二乘法的直线拟合和二次曲线拟合,直线和二次曲线满足以下关系式:
P(x,y)=Ax+By+C=0;
Q(x,y)=Ax2+Bxy+Cy2+Dx+Ey+1=0;
其中,A、B、C、D、E均为常数,且A≠0。
根据最小二乘法原理可知,解决拟合问题的方法主要分为两类:目标函数基于垂直距离的方法和目标函数基于代数距离的方法。在本发明中采用了基于代数距离作为目标函数,对代数距离的平方和进行最小化处理,即可求得直线和二次曲线的最优参数解。
为了将分类后的缺陷区域的拟合线拟合成对应的直线和二次曲线,优选的,本发明选取了可疑缺陷点邻近两端的无缺陷点作为拟合的数据点,并对这些点进行线性相关性判断;经线性判断后,将该数据点代入到对应的拟合线或拟合二次曲线方程中,得到该组缺陷区域所对应的拟合线;最后,计算可疑缺陷点到拟合线的距离,并判断该距离是否大于预设的阈值,若该距离大于阈值,则该可疑缺陷点为边缘缺陷点,得出检测结果。
本发明中的检测计算结果均于计算器中进行运算所得,在实际操作中,计算器执行的运算过程如下:
S01遍历二维序列AberrantPindex[m][n]中每一组的首尾序列值,计算各组之间的序列间隔;
S02如果该序列间隔小于10个序列单位,将这两组缺陷区域合并成一个新的缺陷区域;如若不是,则将该序列间隔存放到容器中,记为AberrantPindexGap[n];
S03判断记录好的间隔距离,依次给出选取两组缺陷区域两端的无缺陷点的序列单位,记为FitThreshold,尽可能确保数据点可拟合该组缺陷区域的拟合线,保证了数据点的有效性;
S04依次对边缘点序列edgePoints[n]选取AberrantPindex[m][n]中每一组的首尾序列值两端的点,数据长度为FitThreshold;
S05将选取到的数据点进行线性相关性判别,求数据坐标点的(x,y)的相关系数Corr(x,y)
其中:Var(x)为x的方差,Var(y)为y的方差,Cov(x,y)为x与y之间的协方差,如果|Corr(x,y)|>0.9,拟合线应拟合成直线;否则,拟合线应拟合成二次曲线;
S06依次计算各缺陷区域的边缘点到拟合线的距离,并判断距离是否大于预设的阈值,若该距离大于阈值,则该可疑缺陷点为边缘缺陷点,得出检测结果。
最后,为验证本发明算法的有效性,通过改变参数,重复多次对复杂工件进行缺陷检测,经计算检测结果准确无误。
上述说明示出并描述了本发明的若干优选实施方式,但如前所述,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施方式的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (8)
1.一种边缘缺陷的检测方法,其特征在于,包括以下步骤:
对待测物的边缘区域进行图像信息采集,根据采集到的图像信息计算得到待测物的边缘轮廓点信息;
在所述边缘轮廓点中检测和记录可疑缺陷点,组成可疑缺陷点集;
对被记录的所述可疑缺陷点集进行聚类分组,计算所述分组中各数据点坐标(x,y)的相关系数:
其中:Var(x)为x的方差,Var(y)为y的方差,Cov(x,y)为x与y之间的协方差,若所述相关系数的绝对值大于设定的标准值,则将数据点拟合成直线,若所述相关系数的绝对值小于或等于设定的标准值,则将数据点拟合成二次曲线;
计算每个所述可疑缺陷点到所述拟合线的距离,并判断所述距离是否大于预设的阈值,若所述距离大于所述阈值,则所述可疑缺陷点为边缘缺陷点,得出检测结果。
2.根据权利要求1中所述的边缘缺陷的检测方法,其特征在于:在对待测物的边缘区域进行图像信息采集的过程中,采用自适应的中值滤波法进行图像噪音处理。
3.根据权利要求2中所述的边缘缺陷的检测方法,其特征在于,所述自适应的中值滤波法包括以下步骤:
从所述图像中选取一定范围作为滤波采样窗口;
通过从所述采样窗口中取出奇数个像素点的灰度值数据进行排序,计算得到该范围内的中值;
对该范围内像素点的灰度值依次进行判断,若该值是极值,则该像素处的灰度值使用所述中值代替;若不是极值,则保留原像素点的灰度值。
4.根据权利要求1中所述的边缘缺陷的检测方法,其特征在于:所述待测物的图像信息包括多条待测物的边缘。
5.根据权利要求1中所述的边缘缺陷的检测方法,其特征在于:检测和记录可疑缺陷点包括提取可疑缺陷点、对所述可疑缺陷点进行二次检测以及滤除非可疑缺陷点。
6.根据权利要求5中所述的边缘缺陷的检测方法,其特征在于:提取可疑缺陷点,包括以下步骤:
步骤1)以所述边缘轮廓点依次为中心点建立直角坐标系;
步骤2)计算落在第一象限内的各个点的横坐标绝对值之和以及纵坐标绝对值之和,分别记为|N1_X|和|N1_Y|,并将|N1_X|和|N1_Y|进行求和得到合值,记为N1;
步骤3)按照步骤2)中的方法分别计算落在第二象限、第三象限和第四象限的各个点的合值,分别记为N2、N3、N4;
步骤4)按照关系式N13=|N1-N3|,N24=|N2-N4|,N=|N13+N24|计算,求得N值;
步骤5)将求得的N值与预设的提取阈值进行判别,若N值大于所述提取阈值,则所述边缘轮廓点为可疑缺陷点。
7.根据权利要求1中所述的边缘缺陷的检测方法,其特征在于,对被记录的所述可疑缺陷点进行聚类分组,包括以下步骤:
S1)将检测到的每个所述可疑缺陷点归为一类并将其存放在一维点序列中,计算相邻两个所述可疑缺陷点之间的距离;
S2)将S1中计算所得的各个距离的值进行从大到小排序并设定分层阈值,把所述可疑缺陷点重新划分为多组,保存到二维点序列中;
S3)计算各个组中相邻两个所述可疑缺陷点之间的距离;
S4)重复S2和S3,直到S3中的所述距离小于所述分层阈值为止。
8.根据权利要求1中所述的边缘缺陷的检测方法,其特征在于,在得出检测结果后,还包括:更改参数,进行重新检测,对所述检测结果进行验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910399025.6A CN110163853B (zh) | 2019-05-14 | 2019-05-14 | 一种边缘缺陷的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910399025.6A CN110163853B (zh) | 2019-05-14 | 2019-05-14 | 一种边缘缺陷的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110163853A true CN110163853A (zh) | 2019-08-23 |
CN110163853B CN110163853B (zh) | 2021-05-25 |
Family
ID=67634699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910399025.6A Active CN110163853B (zh) | 2019-05-14 | 2019-05-14 | 一种边缘缺陷的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163853B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110986865A (zh) * | 2019-12-25 | 2020-04-10 | 苏州伟信奥图智能科技有限公司 | 一种环状物缺陷检测方法 |
CN111563883A (zh) * | 2020-04-22 | 2020-08-21 | 惠州旭鑫智能技术有限公司 | 屏幕视觉定位方法、定位设备及存储介质 |
CN112085708A (zh) * | 2020-08-19 | 2020-12-15 | 浙江华睿科技有限公司 | 产品外轮廓中的直线边缘的缺陷检测方法及设备 |
CN113096073A (zh) * | 2021-03-19 | 2021-07-09 | 浙江华睿科技有限公司 | 化纤丝锭表面平整度检测方法及装置 |
CN113554582A (zh) * | 2020-04-22 | 2021-10-26 | 中国科学院长春光学精密机械与物理研究所 | 电子设备盖板上功能孔的缺陷检测方法、装置以及系统 |
CN113724652A (zh) * | 2021-08-25 | 2021-11-30 | 深圳贝尔信息科技有限公司 | OLED显示面板Mura的补偿方法、装置及可读介质 |
CN113870266A (zh) * | 2021-12-03 | 2021-12-31 | 中导光电设备股份有限公司 | 一种基于tft-lcd线条缺陷真实性判定方法和系统 |
CN114111602A (zh) * | 2021-11-22 | 2022-03-01 | 招商局重庆交通科研设计院有限公司 | 一种基于图像技术的桥梁表面裂缝宽度计算方法 |
CN114140679A (zh) * | 2021-10-26 | 2022-03-04 | 中科慧远视觉技术(北京)有限公司 | 一种缺陷融合方法、装置、识别系统及存储介质 |
CN114387438A (zh) * | 2022-03-23 | 2022-04-22 | 武汉锦辉压铸有限公司 | 基于机器视觉的压铸机参数调控方法 |
CN114723755A (zh) * | 2022-06-08 | 2022-07-08 | 深圳新视智科技术有限公司 | 玻璃屏幕的圆角缺陷检测方法、装置、设备及存储介质 |
CN115082445A (zh) * | 2022-07-25 | 2022-09-20 | 山东鲁泰防水科技有限公司 | 一种建筑防水卷材表面缺陷检测方法 |
CN115115612A (zh) * | 2022-07-26 | 2022-09-27 | 山东安德机械科技有限公司 | 一种用于机械配件的表面缺陷检测方法及系统 |
CN115187586A (zh) * | 2022-09-06 | 2022-10-14 | 常州微亿智造科技有限公司 | 工件过切与磕伤缺陷的自适应检测方法 |
CN115345876A (zh) * | 2022-10-17 | 2022-11-15 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种基于超声图像的螺栓螺纹缺陷检测方法 |
CN115641332A (zh) * | 2022-12-01 | 2023-01-24 | 中科慧远视觉技术(北京)有限公司 | 产品边缘外观缺陷的检测方法及装置、介质、设备 |
CN115661147A (zh) * | 2022-12-26 | 2023-01-31 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 基于机器视觉的计量检测数据识别方法 |
CN116703922A (zh) * | 2023-08-08 | 2023-09-05 | 青岛华宝伟数控科技有限公司 | 一种锯木缺陷位置智能定位方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100007551A1 (en) * | 2004-06-30 | 2010-01-14 | David Pagliuco | Methods for GPS to Milepost Mapping |
CN101995412A (zh) * | 2010-08-30 | 2011-03-30 | 中国科学院计算技术研究所 | 一种鲁棒的玻璃划伤缺陷检测方法及其装置 |
CN104697467A (zh) * | 2015-02-12 | 2015-06-10 | 中北大学 | 基于线激光扫描的焊缝外观形状及表面缺陷检测方法 |
CN105320927A (zh) * | 2015-03-25 | 2016-02-10 | 中科院微电子研究所昆山分所 | 车道线检测方法及系统 |
CN105335963A (zh) * | 2015-09-24 | 2016-02-17 | 凌云光技术集团有限责任公司 | 一种边缘缺陷检测方法及装置 |
CN106408583A (zh) * | 2016-08-25 | 2017-02-15 | 凌云光技术集团有限责任公司 | 一种多边缘缺陷检测方法及装置 |
CN106934803A (zh) * | 2017-03-13 | 2017-07-07 | 珠海格力智能装备有限公司 | 电子器件表面缺陷的检测方法及装置 |
CN108765378A (zh) * | 2018-05-07 | 2018-11-06 | 上海理工大学 | 基于g代码引导下工件轮廓飞边凸起的机器视觉检测方法 |
CN108918526A (zh) * | 2018-04-10 | 2018-11-30 | 华南理工大学 | 一种柔性ic封装基板线路的缺口缺陷检测方法 |
CN109141232A (zh) * | 2018-08-07 | 2019-01-04 | 常州好迪机械有限公司 | 一种基于机器视觉的盘类铸件在线检测方法 |
CN109239076A (zh) * | 2018-08-29 | 2019-01-18 | 西安理工大学 | 一种基于机器视觉的缝纫线迹缺陷检测方法 |
-
2019
- 2019-05-14 CN CN201910399025.6A patent/CN110163853B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100007551A1 (en) * | 2004-06-30 | 2010-01-14 | David Pagliuco | Methods for GPS to Milepost Mapping |
CN101995412A (zh) * | 2010-08-30 | 2011-03-30 | 中国科学院计算技术研究所 | 一种鲁棒的玻璃划伤缺陷检测方法及其装置 |
CN104697467A (zh) * | 2015-02-12 | 2015-06-10 | 中北大学 | 基于线激光扫描的焊缝外观形状及表面缺陷检测方法 |
CN105320927A (zh) * | 2015-03-25 | 2016-02-10 | 中科院微电子研究所昆山分所 | 车道线检测方法及系统 |
CN105335963A (zh) * | 2015-09-24 | 2016-02-17 | 凌云光技术集团有限责任公司 | 一种边缘缺陷检测方法及装置 |
CN106408583A (zh) * | 2016-08-25 | 2017-02-15 | 凌云光技术集团有限责任公司 | 一种多边缘缺陷检测方法及装置 |
CN106934803A (zh) * | 2017-03-13 | 2017-07-07 | 珠海格力智能装备有限公司 | 电子器件表面缺陷的检测方法及装置 |
CN108918526A (zh) * | 2018-04-10 | 2018-11-30 | 华南理工大学 | 一种柔性ic封装基板线路的缺口缺陷检测方法 |
CN108765378A (zh) * | 2018-05-07 | 2018-11-06 | 上海理工大学 | 基于g代码引导下工件轮廓飞边凸起的机器视觉检测方法 |
CN109141232A (zh) * | 2018-08-07 | 2019-01-04 | 常州好迪机械有限公司 | 一种基于机器视觉的盘类铸件在线检测方法 |
CN109239076A (zh) * | 2018-08-29 | 2019-01-18 | 西安理工大学 | 一种基于机器视觉的缝纫线迹缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
贺一川: "刀具磨损曲线的分段线性拟合研究", 《机电工程技术》 * |
陈金辉,赵雷振: "密封橡胶圈毛刺缺陷检测方法的研究", 《电子设计工程》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110986865A (zh) * | 2019-12-25 | 2020-04-10 | 苏州伟信奥图智能科技有限公司 | 一种环状物缺陷检测方法 |
CN111563883A (zh) * | 2020-04-22 | 2020-08-21 | 惠州旭鑫智能技术有限公司 | 屏幕视觉定位方法、定位设备及存储介质 |
CN113554582A (zh) * | 2020-04-22 | 2021-10-26 | 中国科学院长春光学精密机械与物理研究所 | 电子设备盖板上功能孔的缺陷检测方法、装置以及系统 |
CN111563883B (zh) * | 2020-04-22 | 2023-05-05 | 惠州旭鑫智能技术有限公司 | 屏幕视觉定位方法、定位设备及存储介质 |
CN112085708A (zh) * | 2020-08-19 | 2020-12-15 | 浙江华睿科技有限公司 | 产品外轮廓中的直线边缘的缺陷检测方法及设备 |
CN112085708B (zh) * | 2020-08-19 | 2023-07-07 | 浙江华睿科技股份有限公司 | 产品外轮廓中的直线边缘的缺陷检测方法及设备 |
CN113096073A (zh) * | 2021-03-19 | 2021-07-09 | 浙江华睿科技有限公司 | 化纤丝锭表面平整度检测方法及装置 |
CN113096073B (zh) * | 2021-03-19 | 2022-10-18 | 浙江华睿科技股份有限公司 | 化纤丝锭表面平整度检测方法及装置 |
CN113724652A (zh) * | 2021-08-25 | 2021-11-30 | 深圳贝尔信息科技有限公司 | OLED显示面板Mura的补偿方法、装置及可读介质 |
CN114140679A (zh) * | 2021-10-26 | 2022-03-04 | 中科慧远视觉技术(北京)有限公司 | 一种缺陷融合方法、装置、识别系统及存储介质 |
CN114140679B (zh) * | 2021-10-26 | 2022-07-01 | 中科慧远视觉技术(北京)有限公司 | 一种缺陷融合方法、装置、识别系统及存储介质 |
CN114111602A (zh) * | 2021-11-22 | 2022-03-01 | 招商局重庆交通科研设计院有限公司 | 一种基于图像技术的桥梁表面裂缝宽度计算方法 |
CN113870266A (zh) * | 2021-12-03 | 2021-12-31 | 中导光电设备股份有限公司 | 一种基于tft-lcd线条缺陷真实性判定方法和系统 |
CN114387438A (zh) * | 2022-03-23 | 2022-04-22 | 武汉锦辉压铸有限公司 | 基于机器视觉的压铸机参数调控方法 |
CN114723755A (zh) * | 2022-06-08 | 2022-07-08 | 深圳新视智科技术有限公司 | 玻璃屏幕的圆角缺陷检测方法、装置、设备及存储介质 |
CN115082445A (zh) * | 2022-07-25 | 2022-09-20 | 山东鲁泰防水科技有限公司 | 一种建筑防水卷材表面缺陷检测方法 |
CN115115612B (zh) * | 2022-07-26 | 2022-11-04 | 山东安德机械科技有限公司 | 一种用于机械配件的表面缺陷检测方法及系统 |
CN115115612A (zh) * | 2022-07-26 | 2022-09-27 | 山东安德机械科技有限公司 | 一种用于机械配件的表面缺陷检测方法及系统 |
CN115187586A (zh) * | 2022-09-06 | 2022-10-14 | 常州微亿智造科技有限公司 | 工件过切与磕伤缺陷的自适应检测方法 |
CN115345876A (zh) * | 2022-10-17 | 2022-11-15 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种基于超声图像的螺栓螺纹缺陷检测方法 |
CN115641332A (zh) * | 2022-12-01 | 2023-01-24 | 中科慧远视觉技术(北京)有限公司 | 产品边缘外观缺陷的检测方法及装置、介质、设备 |
CN115661147A (zh) * | 2022-12-26 | 2023-01-31 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 基于机器视觉的计量检测数据识别方法 |
CN115661147B (zh) * | 2022-12-26 | 2023-03-28 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 基于机器视觉的计量检测数据识别方法 |
CN116703922A (zh) * | 2023-08-08 | 2023-09-05 | 青岛华宝伟数控科技有限公司 | 一种锯木缺陷位置智能定位方法及系统 |
CN116703922B (zh) * | 2023-08-08 | 2023-10-13 | 青岛华宝伟数控科技有限公司 | 一种锯木缺陷位置智能定位方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110163853B (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163853A (zh) | 一种边缘缺陷的检测方法 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN107808378B (zh) | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 | |
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
CN104268872B (zh) | 基于一致性的边缘检测方法 | |
US8520892B2 (en) | Method and apparatus for detecting objects | |
CN115222733A (zh) | 基于图像识别的金属构件表面缺陷检测方法 | |
CN107220649A (zh) | 一种素色布匹缺陷检测和分类方法 | |
CN106780473B (zh) | 一种磁环缺陷多目视觉检测方法及系统 | |
CN102628854A (zh) | 汽车仪表板检测系统及方法 | |
CN107292310A (zh) | 一种圆形指针式表盘视觉定位及自动读数方法 | |
CN115294159B (zh) | 金属紧固件腐蚀区域分割方法 | |
CN109239073A (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
CN107392849A (zh) | 基于图像细分的靶标识别与定位方法 | |
CN113838054A (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
CN116823822B (zh) | 基于视觉特征的船艇钣金件焊接缺陷检测方法 | |
CN108537787A (zh) | 一种人脸图像的质量判定方法 | |
CN109035227A (zh) | 对ct图像进行肺部肿瘤检测与诊断的系统 | |
CN107358628A (zh) | 基于靶标的线阵图像处理方法 | |
CN110427979A (zh) | 基于K-Means聚类算法的道路水坑识别方法 | |
CN114549446A (zh) | 一种基于深度学习的气缸套缺陷标检测方法 | |
CN113588656A (zh) | 一种新型螺栓外观尺寸检测方法 | |
Fu et al. | Medicine glass bottle defect detection based on machine vision | |
CN106339710A (zh) | 一种边缘宽度缺陷检测方法及装置 | |
Lin et al. | Surface defect detection of machined parts based on machining texture direction |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |