CN110296997B - 基于机器视觉的陶瓷瓦的缺陷检测方法及装置 - Google Patents

基于机器视觉的陶瓷瓦的缺陷检测方法及装置 Download PDF

Info

Publication number
CN110296997B
CN110296997B CN201910595802.4A CN201910595802A CN110296997B CN 110296997 B CN110296997 B CN 110296997B CN 201910595802 A CN201910595802 A CN 201910595802A CN 110296997 B CN110296997 B CN 110296997B
Authority
CN
China
Prior art keywords
ceramic tile
image
area
pure
threshold value
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.)
Active
Application number
CN201910595802.4A
Other languages
English (en)
Other versions
CN110296997A (zh
Inventor
曾曙光
肖焱山
郑胜
李强
张邵伟
李小磊
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.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
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 China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN201910595802.4A priority Critical patent/CN110296997B/zh
Publication of CN110296997A publication Critical patent/CN110296997A/zh
Application granted granted Critical
Publication of CN110296997B publication Critical patent/CN110296997B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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
    • G01N2021/845—Objects on a conveyor
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P40/00—Technologies relating to the processing of minerals
    • Y02P40/60—Production of ceramic materials or ceramic elements, e.g. substitution of clay or shale by alternative raw materials, e.g. ashes

Landscapes

  • 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)
  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

基于机器视觉的陶瓷瓦缺陷检测方法及装置，涉及陶瓷瓦缺陷检测领域，旨在提高陶瓷瓦缺陷检测的效率。本发明首先获取陶瓷瓦的正面俯视图像；接着对该图像进行图像分割，将陶瓷瓦从传送带背景中提取出来；然后在分割后的图像上提取待检测陶瓷瓦的特征参数，与事先预设的特征参数进行比较，从而确定待检陶瓷瓦是否存在缺角、裂纹、鼓包、色差、缺釉等缺陷，进而对待检测陶瓷瓦进行分类，以便区分出废品、合格品。比起传统的人工检测，本发明可以高效地对所有陶瓷瓦进行逐一检测，极大地提高了生产效率，并显著提高了出厂陶瓷瓦的合格率。

Description

基于机器视觉的陶瓷瓦的缺陷检测方法及装置
技术领域
本发明涉及陶瓷缺陷检测领域，具体涉及一种基于机器视觉的陶瓷瓦的缺陷检测方法及装置。
背景技术
陶瓷瓦，属于一种屋顶建筑材料。它有呈长方形的瓦体。所述的瓦体的正面有纵向的凹槽，在凹槽上端的瓦体上有挂瓦挡头，瓦体的左、右两侧分别为左搭合边和右搭合边。在瓦体背面下端有后爪凸台，瓦体背面的凸起部位有突出的后肋。这种陶瓷瓦结构合理，排水流畅，不会出现漏水现象。安装时，将各片陶瓷瓦互相搭合在一起即可，方便性高，搭合严密，连接牢固。瓦体可用陶瓷材料制成，抗折抗压强度高，密度均匀，重量轻，不吸水，不会像缸瓦、水泥瓦那样因吸水增重而增大屋顶负荷。瓦体表面光滑平整，可有各种颜色，是现代化建筑的理想屋顶材料。生产陶瓷瓦和其他陶瓷产品一样，要经过原料准备、模具成型、干燥、施釉、烧结等多道生产工序。每道工序都可能出现质量缺陷，从而导致产品的不合格。
典型的缺陷有：
1)裂纹，是指陶瓷瓦表面的细小缝隙。若待检测陶瓷瓦表面裂纹长度或宽度大于预设的陶瓷瓦的裂纹长度或宽度，为废品；
2)鼓包，是指陶瓷瓦表面有局部的异常凸起。若待检测陶瓷瓦表面鼓包面积大于预设的陶瓷瓦的鼓包面积，为废品；
3)缺釉，是指陶瓷瓦表面局部无釉。若待检测陶瓷瓦表面缺釉面积大于预设的陶瓷瓦的缺釉面积，为废品；
4)色差，是指陶瓷瓦单件制品或同批制品之间感受面色调不一致。若待检测陶瓷瓦表面色差面积大于预设的陶瓷瓦的色差面积，为废品；
5)缺角，是指陶瓷瓦四个角有缺失的情况。若待检测陶瓷瓦缺角面积大于预设的陶瓷瓦的缺角面积，为废品。
陶瓷瓦与其它陶瓷一样,经过烧成后总是会或多或少地出现一些带有缺陷的产品。为了防止不合格产品流入市场，对陶瓷瓦出厂前进行质量检测是必不可少的环节。
传统的陶瓷瓦质检主要由人工完成，工人通过肉眼观察、专业量尺测量等方式，确定陶瓷瓦是否存在缺陷。然而，人工检测劳动强度大、漏检率高、检测速度慢、检测结果易受主观因素影响。另外，陶瓷行业普遍存在招工难、招工贵的问题。因此，陶瓷瓦行业急需可以对陶瓷瓦进行智能、快速、准确外观质量检测的方法及装置。
发明内容
为解决上述技术问题，本发明提供一种基于机器视觉的陶瓷瓦的缺陷检测方法及装置，极大的提高了检测陶瓷瓦缺陷的效率，同时保证了检测的准确度。
本发明采取的技术方案为：
基于机器视觉的陶瓷瓦的缺陷检测方法，包括以下步骤：
步骤1：获取待检测陶瓷瓦的正面俯视图像；
步骤2：对所述俯视图像进行图像分割，将陶瓷瓦所在区域从俯视图像中提取出来，从而得到纯陶瓷瓦图像；
步骤3：对所述纯陶瓷瓦图像，采用并行计算算法，同时检测陶瓷瓦的缺角、色差、裂纹、缺釉、鼓包这五种常见缺陷，并输出相应的缺陷特征参数；
步骤4：用步骤3的各缺陷特征参数，与预设的陶瓷瓦特征参数相比较，从而可将陶瓷瓦分为合格品或者废品。
所述俯视图像，为陶瓷瓦水平放置时，从陶瓷瓦正上方拍摄的图像；
所述预设的陶瓷瓦特征参数，包括预设的陶瓷瓦的裂纹长度或宽度、预设的陶瓷瓦的鼓包面积、预设的陶瓷瓦的缺釉面积、预设的陶瓷瓦的色差面积、预设的陶瓷瓦的缺角面积。
所述步骤2中，图像分割包括以下步骤：
步骤2.1，对所述俯视图像的每一行求和，得到行投影向量；
步骤2.2，对所述俯视图像的每一列求和，得到列投影向量；
步骤2.3，分别查找行投影向量中的跃变位置、列投影向量中的跃变位置，进而确定陶瓷瓦在图像中的位置；
步骤2.4，将陶瓷瓦所在区域从所述俯视图像中提取出来，得到纯陶瓷瓦图像。
所述步骤3中，并行计算算法，指的是利用工控机的多核配置，每个核负责检测一种缺陷，并将检测结果发送给主程序。
所述步骤3中，缺角检测算法包括以下步骤：
步骤3.1.1：将纯陶瓷瓦图像灰度化，得到纯陶瓷瓦灰度图像；
步骤3.1.2：在纯陶瓷瓦灰度图像四个角上分别截取一个小的矩形，并分别统计出这四个小矩形中各像素的平均灰度值Mi(i＝1,2,3,4)；
步骤3.1.3：在纯陶瓷瓦灰度图像正中间截取一个小的矩形，并统计出这个小矩形中各像素的平均灰度值M0；
步骤3.1.4：设定一个阈值Tq，如果|Mi-M0|>Tq，则第i个角上存在缺角，反之则不存在缺角。
所述步骤3中，色差检测算法包括以下步骤：
步骤3.2.1：将纯陶瓷瓦图像灰度化，得到纯陶瓷瓦灰度图像；
步骤3.2.2：在纯陶瓷瓦灰度图像左右两个边界处分别截取一个狭长的矩形，并分别统计出这两个矩形中各像素的平均灰度值Si(i＝1,2)；
步骤3.2.3：在纯陶瓷瓦灰度图像正中间截取一个小的矩形，并统计出这个小矩形中各像素的平均灰度值S0；
步骤3.2.4：设定一个阈值Ts，如果|Si-S0|>Ts，则第i个边上存在色差，反之则不存在色差。
所述步骤3中，裂纹检测算法包括以下步骤：
步骤3.3.1：将纯陶瓷瓦图像灰度化，得到纯陶瓷瓦灰度图像；
步骤3.3.2：根据裂纹的狭长特征，自定义一个M×N的高通滤波模板h1；
步骤3.3.3：将纯陶瓷瓦灰度图像与高通滤波模板h1做卷积，得到滤波后图像；
步骤3.3.4：将滤波后图像进行阈值分割，得到二值化图像；
步骤3.3.5：对二值化图像进行连通域提取，并计算每个连通域的长度、长宽比等特征参数；
步骤3.3.6：设定连通域的长度阈值，将小于该阈值的连通域被认定为噪声并排除掉；
步骤3.3.7：设定连通域的长宽比阈值，将小于该阈值的连通域被认定为噪声并排除掉；
步骤3.3.8：设定距离阈值，将距离小于该阈值的两个连通域连接起来形成一个新的连通域；
步骤3.3.9：统计剩余连通域的数目，记为NL；
步骤3.3.10：若NL大于0，则认为存在NL条裂纹，并将各裂纹的长度和最大宽度等信息输出，反之则认为不存在裂纹。
所述步骤3中，缺釉检测算法包括以下步骤：
步骤3.4.1：将纯陶瓷瓦图像通过颜色空间转换至HSV空间；
步骤3.4.2：提取出H色调分量所在通道并进行自适应阈值分割，得到二值化图像；
步骤3.4.3：对二值化图像进行连通域提取，并计算每个连通域的面积等特征参数；
步骤3.4.4：设定连通域的面积阈值，将小于该阈值的连通域被认定为噪声并排除掉，将大于该阈值认定为缺釉并输出缺釉面积。
所述步骤3中，鼓包检测算法包括以下步骤：
步骤3.5.1：将纯陶瓷瓦图像灰度化，得到纯陶瓷瓦灰度图像；
步骤3.5.2：根据鼓包的几何特征，自定义一个M×N的矩形的高通滤波模板h2；
步骤3.5.3：将纯陶瓷瓦灰度图像与高通滤波模板h2做卷积，得到滤波后图像；
步骤3.5.4：将滤波后图像进行阈值分割，得到二值化图像；
步骤3.5.5：对二值化图像进行连通域提取，并计算每个连通域的面积等特征参数；
步骤3.5.6：设定连通域的面积阈值，将小于该阈值的连通域被认定为噪声并排除掉，将大于该阈值认定为鼓包并输出鼓包面积。
基于机器视觉的陶瓷瓦的缺陷检测装置，包括：
传送设备、图像采集单元、图像检测单元、陶瓷瓦分类单元；
所述传送设备，用于放置并输送待检测陶瓷瓦；每个待检测陶瓷瓦独立且水平放置在传送设备上；
所述图像采集单元包括暗箱、光源、光电开关、以及设置于传送设备正上方的相机；
暗箱，用于为图像采集提供一个暗室环境；
光源，用于为图像采集提供充足及均匀的照明；
光电开关，用于在检测到待检测陶瓷瓦进入目标区域时，触发相机进行拍照；
相机，用于拍摄待检测陶瓷瓦的俯视图像；
相机和光源位于暗箱的正上方，暗箱下方两侧均开了一个矩形的口子以方便陶瓷瓦通过；所述图像检测单元包括工控机、陶瓷瓦缺陷检测及分类软件、显示器；
工控机，用于接收相机所拍摄的陶瓷瓦俯视图像，并通过其I/O口送出陶瓷瓦分类的结果；陶瓷瓦缺陷检测及分类软件，利用基于机器视觉的陶瓷瓦缺陷检测方法，对待检测陶瓷瓦图像进行缺陷检测和分类；
显示器，用于显示陶瓷瓦缺陷检测及分类软件的检测结果。
所述陶瓷瓦分类单元，用于根据图像检测单元的分类结果，将不同类型的陶瓷瓦分送至不同位置。
陶瓷瓦缺陷检测分类结果分别为：废品、合格品；
所述废品，包括：裂纹，若待检测陶瓷瓦表面裂纹长度或宽度大于预设的陶瓷瓦的裂纹长度或宽度，为废品；
鼓包，若待检测陶瓷瓦表面鼓包面积大于预设的陶瓷瓦的鼓包面积，为废品；
缺釉，若待检测陶瓷瓦表面缺釉面积大于预设的陶瓷瓦的缺釉面积，为废品；
色差，若待检测陶瓷瓦表面色差面积大于预设的陶瓷瓦的色差面积，为废品；
缺角，若待检测陶瓷瓦缺角面积大于预设的陶瓷瓦的缺角面积，为废品。
所述合格品为检测结果符合要求的陶瓷瓦。
本发明一种基于机器视觉的陶瓷瓦的缺陷检测方法及装置，有益效果在于：
通过拍摄待检测陶瓷瓦的俯视图像，并进行图像分割和二值化处理，从二值化处理后的图像中提取待检测陶瓷瓦的特征参数，与预设的特征参数进行比较，从而筛选出各种缺陷的陶瓷瓦。比起传统的人工检测，本发明可以快速高效地对所有陶瓷瓦进行逐一检测，而且分类效果良好，可以极大地提高生产效率，同时显著提高出厂陶瓷瓦的合格率。
附图说明
图1(a)为本发明实施例中正常陶瓷瓦的俯视图像以及各典型缺陷废品的示例图一；
图1(b)为本发明实施例中正常陶瓷瓦的俯视图像以及各典型缺陷废品的示例图二；
图1(c)为本发明实施例中正常陶瓷瓦的俯视图像以及各典型缺陷废品的示例图三；
图1(d)为本发明实施例中正常陶瓷瓦的俯视图像以及各典型缺陷废品的示例图四；
图1(e)为本发明实施例中正常陶瓷瓦的俯视图像以及各典型缺陷废品的示例图五；
图1(f)为本发明实施例中正常陶瓷瓦的俯视图像以及各典型缺陷废品的示例图六。
图2是本发明的基于机器视觉的陶瓷瓦缺陷检测方法实施例的流程图。
图3是本发明的基于机器视觉的陶瓷瓦缺陷检测装置实施例的构成示意图。
图4是本发明实施例中陶瓷瓦缺陷检测装置的图像采集单元与传送设备相对位置示意图。
图5是本发明实施例中陶瓷瓦缺陷检测装置的图像采集单元构造示意图。
其中：
10-陶瓷瓦缺陷检测装置，20-待检测陶瓷瓦；
110-传送设备，120-图像采集单元，130-图像检测单元，140-陶瓷瓦分类单元。
121-光电开关，122-工业相机，123-LED白光源，124-暗箱，125-亚克力磨砂透光板。
131-显示器，132-工控机。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
图1(a)-图1(f)是本发明实施例中陶瓷瓦的俯视图像，以及典型缺陷和废品的示例图像；其中，图1(a)为正常陶瓷瓦；图1(b)为含裂纹废品；图1(c)为含鼓包废品；图1(d)为含缺釉废品；图1(e)为含色差废品；图1(f)为含缺角废品。
值得指出的是，虽然不同颜色的陶瓷瓦都有各自的缺陷种类和判定标准，但它们在图像采集上遵循的大都是类似于本发明的原则：尽可能完整地采集陶瓷瓦表面的信息。此外，即使是不同的缺陷类型，检测算法上也或多或少有一定共性。因此本发明即使对其它陶瓷瓦而言也有较强借鉴意义。
图2是本发明的基于机器视觉的陶瓷瓦缺陷检测方法实施例的流程图。如图2所示，我们通过分析陶瓷瓦的俯视图像，来检测陶瓷瓦的五种常见缺陷：裂纹、鼓包、缺釉、缺角、色差。
本实施例的陶瓷瓦缺陷检测方法包括以下步骤：
步骤1，使用工业相机采集待检测陶瓷瓦的正面俯视图像；
步骤2，对所述俯视图像进行图像分割，将陶瓷瓦所在区域从俯视图像中提取出来，从而得到纯陶瓷瓦图像；
步骤3，对所述纯陶瓷瓦图像，采用并行计算算法，同时检测陶瓷瓦的缺角、色差、裂纹、缺釉、鼓包这五种常见缺陷，并输出相应的特征参数；
步骤4，利用步骤3的各缺陷特征参数与预设的陶瓷瓦特征参数相比较，从而可将陶瓷瓦分为合格品或废品。
本施例中工业相机可优选为全局式高速工业相机，分辨率可优选为2048×2448，曝光时间可优选为1ms。
所述的俯视图像，为陶瓷瓦水平放置时，从陶瓷瓦正上方拍摄的图像。
所述的预设的陶瓷瓦特征参数，包括预设的陶瓷瓦的裂纹长度或宽度、预设的陶瓷瓦的鼓包面积、预设的陶瓷瓦的缺釉面积、预设的陶瓷瓦的色差面积、预设的陶瓷瓦的缺角面积。相应地，步骤2中，图像分割具体包括：
步骤2.1，对所述俯视图像的每一行求和，得到行投影向量；
步骤2.2，对所述俯视图像的每一列求和，得到列投影向量；
步骤2.3，分别查找行投影向量中的跃变位置、列投影向量中的跃变位置，进而可确定陶瓷瓦在图像中的位置；
步骤2.4，将陶瓷瓦所在区域从所述俯视图像中提取出来，得到所述纯陶瓷瓦图像。
相应地，步骤3中，并行计算算法的思路是：
利用工控机的多核配置，每个核负责检测一种缺陷，并将检测结果发送给主程序。本施例中工控机的CPU优选为8核的，其中5个核分别用于检测陶瓷瓦的缺角、色差、裂纹、缺釉、鼓包这五种常见缺陷。
相应地，步骤3中，缺角检测算法的过程为：
步骤3.1.1：将所述纯陶瓷瓦图像灰度化，得到纯陶瓷瓦灰度图像；
步骤3.1.2：在纯陶瓷瓦灰度图像四个角上分别截取一个小的矩形，本实施例中矩形大小为100像素×100像素，并分别统计出这四个小矩形中各像素的平均灰度值Mi(i＝1,2,3,4)；步骤3.1.3：在纯陶瓷瓦灰度图像正中间截取一个小的矩形，本实施例中矩形大小为100像素×100像素，并统计出这个小矩形中各像素的平均灰度值M0；
步骤3.1.4：设定一个阈值Tq，本实施例中Tq等于30，如果|Mi-M0|>Tq，则第i个角上存在缺角，反之则不存在缺角。
相应地，步骤3中，色差检测算法的过程为：
步骤3.2.1：将所述纯陶瓷瓦图像灰度化，得到纯陶瓷瓦灰度图像；
步骤3.2.2：在纯陶瓷瓦灰度图像左右两个边界处分别截取一个狭长的矩形，本实施例中矩形大小为400像素×100像素，并分别统计出这两个矩形中各像素的平均灰度值Si(i＝1,2)；步骤3.2.3：在纯陶瓷瓦灰度图像正中间截取一个小的矩形，本实施例中矩形大小为100像素×100像素，并统计出这个小矩形中各像素的平均灰度值S0；
步骤3.2.4：设定一个阈值Ts，本实施例中Ts等于50，如果|Si-S0|>Ts，则第i个边上存在色差，反之则不存在色差。
相应地，步骤3中，裂纹检测算法的过程为：
步骤3.3.1：将所述纯陶瓷瓦图像灰度化，得到纯陶瓷瓦灰度图像；
步骤3.3.2：根据裂纹的狭长特征，自定义一个M×N的高通滤波模板h1，本实施例中，自定义了一个15×15的高通滤波模板h1，其中间7行的各矩阵元值均为1/105，其它各矩阵元值均为-1/120；
步骤3.3.3：将纯陶瓷瓦灰度图像与高通滤波模板h1做卷积，得到滤波后图像；
步骤3.3.4：将滤波后图像进行阈值分割，得到二值化图像；
步骤3.3.5：对二值化图像进行连通域提取，并计算每个连通域的长度、长宽比等特征参数；步骤3.3.6：设定连通域的长度阈值，本实施例中长度阈值为150像素，将小于该阈值的连通域被认定为噪声并排除掉；
步骤3.3.7：设定连通域的长宽比阈值，本实施例中长宽比阈值为3，将小于该阈值的连通域被认定为噪声并排除掉；
步骤3.3.8：设定距离阈值，本实施例中距离阈值为30像素，将距离小于该阈值的两个连通域连接起来形成一个新的连通域；
步骤3.3.9：统计剩余连通域的数目，记为NL；
步骤3.3.10：若NL大于0，则认为存在NL条裂纹，并将各裂纹的长度和最大宽度等信息输出，反之则认为不存在裂纹。
相应地，步骤3中，缺釉检测算法的过程为：
步骤3.4.1：将所述纯陶瓷瓦图像通过颜色空间转换至HSV空间；
步骤3.4.2：提取出H(色调)分量所在通道并进行自适应阈值分割，得到二值化图像；步骤3.4.3：对二值化图像进行连通域提取，并计算每个连通域的面积等特征参数；
步骤3.4.4：设定连通域的面积阈值，本实施例中该面积阈值为2000像素，将小于该阈值的连通域被认定为噪声并排除掉，将大于该阈值认定为缺釉并输出缺釉面积。
相应地，步骤3中，鼓包检测算法的过程为：
步骤3.5.1：将所述纯陶瓷瓦图像灰度化，得到纯陶瓷瓦灰度图像；
步骤3.5.2：根据鼓包的几何特征，自定义一个M×N的矩形的高通滤波模板h2，本实施例中，自定义了一个25×25的高通滤波模板h2，其正中间12×12个矩阵元值均为1/144，其它各矩阵元值均为-1/481；
步骤3.5.3：将纯陶瓷瓦灰度图像与高通滤波模板h2做卷积，得到滤波后图像；
步骤3.5.4：将滤波后图像进行阈值分割，得到二值化图像；
步骤3.5.5：对二值化图像进行连通域提取，并计算每个连通域的面积等特征参数；
步骤3.5.6：设定连通域的面积阈值，本实施例中该面积阈值为2500像素，将小于该阈值的连通域被认定为噪声并排除掉，将大于该阈值认定为鼓包并输出鼓包面积。
图3是本发明的基于机器视觉的陶瓷瓦缺陷检测装置实施例的构成示意图；图4是本发明实施例中陶瓷瓦缺陷检测装置的图像采集单元与传送设备相对位置示意图；图5是本发明实施例中陶瓷瓦缺陷检测装置的图像采集单元构造示意图。
本实施例的缺陷检测装置将待检测陶瓷瓦分为：废品、合格品。其中，废品包括：裂纹，若待检测陶瓷瓦表面裂纹长度或宽度大于预设的陶瓷瓦的裂纹长度或宽度，本实施例中预设的裂纹长度为150像素、宽度为10像素，则为废品；鼓包，若待检测陶瓷瓦表面鼓包面积大于预设的陶瓷瓦的鼓包面积，本实施例中为2500像素，则为废品；缺釉，若待检测陶瓷瓦表面缺釉面积大于预设的陶瓷瓦的缺釉面积，本实施例中为2000像素，则为废品；色差，若待检测陶瓷瓦表面色差面积大于预设的陶瓷瓦的色差面积，本实施例中为5000像素，则为废品；缺角，若待检测陶瓷瓦缺角面积大于预设的陶瓷瓦的缺角面积，本实施例中为5000像素，则为废品。
如图3所示，实施例的陶瓷瓦缺陷检测装置10，包括：传送设备110、图像采集单元120，包括光电开关121、工业相机122和LED白光源123、暗箱124、亚克力磨砂透光板125；图像检测单元130包括显示器131和工控机132、陶瓷瓦分类单元140。
如图4所示，图像采集单元120架设在传送设备110正上方。
如图5所示，工业相机122和LED白光源123位于暗箱124的正上方，暗箱124下方两侧均开了一个矩形的口子以方便陶瓷瓦通过。
其中，传送设备110用于放置并输送待检测陶瓷瓦20；每个待检测陶瓷瓦20独立且水平放置在所述传送设备上；光电开关121，用于在检测到待检测陶瓷瓦20进入到暗箱124中的目标区域时，触发工业相机122进行拍照；图像检测单元130，其中工控机132用于接收工业相机122所拍摄的陶瓷瓦俯视图像，并利用所述的基于机器视觉的陶瓷瓦缺陷检测方法，对待检测陶瓷瓦20进行缺陷检测，并将检测及分类结果通过显示器131显示出来；陶瓷瓦分类单元140根据图像检测单元130的分类结果将废品送入对应的容纳装置，正常陶瓷瓦则继续留在传送设备上输送到下一个环节。
本实施例中的陶瓷瓦缺陷检测装置10还包括：LED白光源123和亚克力磨砂透光板125；LED白光源123透过亚克力磨砂透光板125，对待检测陶瓷瓦进行均匀照明，以便可以拍摄到清晰的陶瓷瓦图像。

Claims (7)

1.基于机器视觉的陶瓷瓦的缺陷检测方法，其特征在于包括以下步骤：
步骤1：获取待检测陶瓷瓦的正面俯视图像；
步骤2：对所述俯视图像进行图像分割，将陶瓷瓦所在区域从俯视图像中提取出来，从而得到纯陶瓷瓦图像；
步骤3：对所述纯陶瓷瓦图像，采用并行计算算法，同时检测陶瓷瓦的缺角、色差、裂纹、缺釉、鼓包这五种常见缺陷，并输出相应的缺陷特征参数；
缺角检测算法包括以下步骤：
步骤3.1.1：将纯陶瓷瓦图像灰度化，得到纯陶瓷瓦灰度图像；
步骤3.1.2：在纯陶瓷瓦灰度图像四个角上分别截取一个小的矩形，并分别统计出这四个小矩形中各像素的平均灰度值Mi(i＝1,2,3,4)；
步骤3.1.3：在纯陶瓷瓦灰度图像正中间截取一个小的矩形，并统计出这个小矩形中各像素的平均灰度值M0；
步骤3.1.4：设定一个阈值Tq，如果|Mi-M0|>Tq，则第i个角上存在缺角，反之则不存在缺角；
缺釉检测算法包括以下步骤：
步骤3.4.1：将纯陶瓷瓦图像通过颜色空间转换至HSV空间；
步骤3.4.2：提取出H色调分量所在通道并进行自适应阈值分割，得到二值化图像；
步骤3.4.3：对二值化图像进行连通域提取，并计算每个连通域的面积等特征参数；
步骤3.4.4：设定连通域的面积阈值，将小于该阈值的连通域被认定为噪声并排除掉，将大于该阈值认定为缺釉并输出缺釉面积；
步骤4：用步骤3的各缺陷特征参数，与预设的陶瓷瓦特征参数相比较，从而可将陶瓷瓦分为合格品或者废品。
2.根据权利要求1所述基于机器视觉的陶瓷瓦的缺陷检测方法，其特征在于：
所述俯视图像，为陶瓷瓦水平放置时，从陶瓷瓦正上方拍摄的图像；
所述预设的陶瓷瓦特征参数，包括预设的陶瓷瓦的裂纹长度或宽度、预设的陶瓷瓦的鼓包面积、预设的陶瓷瓦的缺釉面积、预设的陶瓷瓦的色差面积、预设的陶瓷瓦的缺角面积。
3.根据权利要求1所述基于机器视觉的陶瓷瓦的缺陷检测方法，其特征在于：
所述步骤2中，图像分割包括以下步骤：
步骤2.1，对所述俯视图像的每一行求和，得到行投影向量；
步骤2.2，对所述俯视图像的每一列求和，得到列投影向量；
步骤2.3，分别查找行投影向量中的跃变位置、列投影向量中的跃变位置，进而确定陶瓷瓦在图像中的位置；
步骤2.4，将陶瓷瓦所在区域从所述俯视图像中提取出来，得到纯陶瓷瓦图像。
4.根据权利要求1所述基于机器视觉的陶瓷瓦的缺陷检测方法，其特征在于：
所述步骤3中，并行计算算法，指的是利用工控机的多核配置，每个核负责检测一种缺陷，并将检测结果发送给主程序。
5.根据权利要求1所述基于机器视觉的陶瓷瓦的缺陷检测方法，其特征在于：
所述步骤3中，色差检测算法包括以下步骤：
步骤3.2.1：将纯陶瓷瓦图像灰度化，得到纯陶瓷瓦灰度图像；
步骤3.2.2：在纯陶瓷瓦灰度图像左右两个边界处分别截取一个狭长的矩形，并分别统计出这两个矩形中各像素的平均灰度值Si(i＝1,2)；
步骤3.2.3：在纯陶瓷瓦灰度图像正中间截取一个小的矩形，并统计出这个小矩形中各像素的平均灰度值S0；
步骤3.2.4：设定一个阈值Ts，如果|Si-S0|>Ts，则第i个边上存在色差，反之则不存在色差。
6.根据权利要求1所述基于机器视觉的陶瓷瓦的缺陷检测方法，其特征在于：
所述步骤3中，裂纹检测算法包括以下步骤：
步骤3.3.1：将纯陶瓷瓦图像灰度化，得到纯陶瓷瓦灰度图像；
步骤3.3.2：根据裂纹的狭长特征，自定义一个M×N的高通滤波模板h1；
步骤3.3.3：将纯陶瓷瓦灰度图像与高通滤波模板h1做卷积，得到滤波后图像；
步骤3.3.4：将滤波后图像进行阈值分割，得到二值化图像；
步骤3.3.5：对二值化图像进行连通域提取，并计算每个连通域的长度、长宽比等特征参数；
步骤3.3.6：设定连通域的长度阈值，将小于该阈值的连通域被认定为噪声并排除掉；
步骤3.3.7：设定连通域的长宽比阈值，将小于该阈值的连通域被认定为噪声并排除掉；
步骤3.3.8：设定距离阈值，将距离小于该阈值的两个连通域连接起来形成一个新的连通域；
步骤3.3.9：统计剩余连通域的数目，记为NL；
步骤3.3.10：若NL大于0，则认为存在NL条裂纹，并将各裂纹的长度和最大宽度等信息输出，反之则认为不存在裂纹。
7.根据权利要求1所述基于机器视觉的陶瓷瓦的缺陷检测方法，其特征在于：
所述步骤3中，鼓包检测算法包括以下步骤：
步骤3.5.1：将纯陶瓷瓦图像灰度化，得到纯陶瓷瓦灰度图像；
步骤3.5.2：根据鼓包的几何特征，自定义一个M×N的矩形的高通滤波模板h2；
步骤3.5.3：将纯陶瓷瓦灰度图像与高通滤波模板h2做卷积，得到滤波后图像；
步骤3.5.4：将滤波后图像进行阈值分割，得到二值化图像；
步骤3.5.5：对二值化图像进行连通域提取，并计算每个连通域的面积等特征参数；
步骤3.5.6：设定连通域的面积阈值，将小于该阈值的连通域被认定为噪声并排除掉，将大于该阈值认定为鼓包并输出鼓包面积。
CN201910595802.4A 2019-07-03 2019-07-03 基于机器视觉的陶瓷瓦的缺陷检测方法及装置 Active CN110296997B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910595802.4A CN110296997B (zh) 2019-07-03 2019-07-03 基于机器视觉的陶瓷瓦的缺陷检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910595802.4A CN110296997B (zh) 2019-07-03 2019-07-03 基于机器视觉的陶瓷瓦的缺陷检测方法及装置

Publications (2)

Publication Number Publication Date
CN110296997A CN110296997A (zh) 2019-10-01
CN110296997B true CN110296997B (zh) 2022-06-03

Family

ID=68030194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910595802.4A Active CN110296997B (zh) 2019-07-03 2019-07-03 基于机器视觉的陶瓷瓦的缺陷检测方法及装置

Country Status (1)

Country Link
CN (1) CN110296997B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110736825B (zh) * 2019-11-15 2022-05-31 九牧厨卫股份有限公司 一种卫生陶瓷产品釉面缩釉缺陷探测方法
CN111272768B (zh) * 2020-02-28 2022-12-27 苏州杰锐思智能科技股份有限公司 一种陶瓷管检测方法
CN111814550B (zh) * 2020-06-05 2023-11-21 陕西科技大学 一种基于卷积神经网络和图像处理的陶瓷纹饰提取方法
CN111558542A (zh) * 2020-06-24 2020-08-21 重庆视智迪科技有限公司 一种陶瓷瓦表面质量在线检测分拣系统及方法
CN114359127A (zh) * 2020-09-30 2022-04-15 北京小米移动软件有限公司 面板强度检测方法、面板强度检测装置及存储介质
CN112326671A (zh) * 2020-11-05 2021-02-05 菲特（天津）检测技术有限公司 一种基于机器视觉的金属板材表面缺陷检测方法
CN114445323A (zh) * 2020-11-06 2022-05-06 顺丰科技有限公司 破损包裹检测方法、装置、计算机设备及存储介质
CN112903703A (zh) * 2021-01-27 2021-06-04 广东职业技术学院 一种基于图像处理的陶瓷表面缺陷检测方法及系统
CN113340909B (zh) * 2021-08-05 2021-11-16 常州铭赛机器人科技股份有限公司 一种基于机器视觉的胶线缺陷检测方法
CN113686876B (zh) * 2021-08-24 2022-10-04 华南农业大学 一种禽蛋裂纹检测方法、装置
CN113640310A (zh) * 2021-10-18 2021-11-12 南京光衡科技有限公司 瓷砖表面缺陷检测视觉系统及检测方法
CN114354491A (zh) * 2021-12-30 2022-04-15 苏州精创光学仪器有限公司 一种基于机器视觉的dcb陶瓷基板缺陷检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4891530A (en) * 1986-02-22 1990-01-02 Helmut K. Pinsch Gmbh & Co. Testing or inspecting apparatus and method for detecting differently shaped surfaces of objects
JP2000321217A (ja) * 1999-05-07 2000-11-24 Sekisui Chem Co Ltd 瓦表面欠陥検出装置
DE102010060375A1 (de) * 2010-11-05 2012-05-10 Hseb Dresden Gmbh Inspektionsverfahren

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101393138B (zh) * 2008-10-22 2011-07-20 中国印钞造币总公司 硬币成品表面质量在线检测系统
CN203061453U (zh) * 2012-10-31 2013-07-17 张伟群 瓷砖色差视觉分选系统
CN104807834B (zh) * 2015-03-02 2018-04-10 三峡大学 一种基于机器视觉的瓷砖图案缺陷检测装置
CN106053479B (zh) * 2016-07-21 2018-09-11 湘潭大学 一种基于图像处理的工件外观缺陷的视觉检测系统
CN106323989B (zh) * 2016-10-21 2019-05-17 泉州装备制造研究所 一种瓷砖的色差在线检测系统及方法
CN108596903B (zh) * 2017-09-27 2022-06-03 广东产品质量监督检验研究院（国家质量技术监督局广州电气安全检验所、广东省试验认证研究院、华安实验室） 一种太阳能电池片的黑边和碎片的缺陷检测方法
CN108896547A (zh) * 2018-03-14 2018-11-27 浙江大学山东工业技术研究院 基于机器视觉的耐火砖测量系统
CN109727244B (zh) * 2019-01-18 2020-12-08 深圳至汉装备科技有限公司 一种磁瓦表面裂纹检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4891530A (en) * 1986-02-22 1990-01-02 Helmut K. Pinsch Gmbh & Co. Testing or inspecting apparatus and method for detecting differently shaped surfaces of objects
JP2000321217A (ja) * 1999-05-07 2000-11-24 Sekisui Chem Co Ltd 瓦表面欠陥検出装置
DE102010060375A1 (de) * 2010-11-05 2012-05-10 Hseb Dresden Gmbh Inspektionsverfahren

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Linjie Yang等.An Intelligent Defect Detection Method of Small Sized Ceramic Tile Using Machine Vision.《3rd International Conference on Electromechanical Control Technology and Transportation》.2018,第427-433页. *

Also Published As

Publication number Publication date
CN110296997A (zh) 2019-10-01

Similar Documents

Publication Publication Date Title
CN110296997B (zh) 基于机器视觉的陶瓷瓦的缺陷检测方法及装置
CN109115785B (zh) 一种铸件打磨质量检测方法、装置及其使用方法
KR930000543B1 (ko) 공작물의 표면균열을 검출 및 평가하기 위한 방법 및 장치
KR100301976B1 (ko) 비접촉표면결함검출방법및장치
JP3041090B2 (ja) 外観検査装置
EP0595261A1 (en) Method of inspecting solid body for foreign matter
KR101926641B1 (ko) 건설폐기물 중의 유기 이물질과 무기 이물질의 선별을 위한 분석시스템과 이를 이용한 순환골재 생산방법
JPS59218084A (ja) 可視像処理方法
JP5085860B2 (ja) 木材の検査方法及び装置及びプログラム
KR20100015628A (ko) 목재의 검사 방법, 장치 및 프로그램
CN112394064B (zh) 一种屏幕缺陷检测的点线测量方法
JPH04166751A (ja) びんの欠陥検査方法
CN111672773B (zh) 基于机器视觉的产品表面缺陷检测系统及检测方法
CN111558542A (zh) 一种陶瓷瓦表面质量在线检测分拣系统及方法
JPS61107139A (ja) 米粒品位測定装置
KR102000907B1 (ko) 페라이트 외관 비전 검사방법
CN113640310A (zh) 瓷砖表面缺陷检测视觉系统及检测方法
CN116698860B (zh) 基于图像处理实现批量实心根类中药切片质量分析的方法
CN111522157A (zh) 一种用于检测lcd液晶屏缺陷的分区检验方法
KR102710889B1 (ko) 패턴 주사 조명을 이용한 투명 재질의 공산품 결함 검출 시스템
JP2003216928A (ja) 菓子用良否判定システム
CN116997927A (zh) 曲面基板气泡检测方法及检测系统
JPH08261737A (ja) 網形状物検査装置及び網形状物検査方法
JPH06118026A (ja) 容器内面検査方法
JP4135367B2 (ja) 欠陥部分検出方法

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
GR01 Patent grant
GR01 Patent grant