CN110766684B - 一种基于机器视觉的定子表面缺陷检测系统及检测方法 - Google Patents
一种基于机器视觉的定子表面缺陷检测系统及检测方法 Download PDFInfo
- Publication number
- CN110766684B CN110766684B CN201911047866.7A CN201911047866A CN110766684B CN 110766684 B CN110766684 B CN 110766684B CN 201911047866 A CN201911047866 A CN 201911047866A CN 110766684 B CN110766684 B CN 110766684B
- Authority
- CN
- China
- Prior art keywords
- contour
- image
- face
- stator
- mask
- 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
Links
Images
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
-
- 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
- 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
- G06T7/187—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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于机器视觉的定子表面缺陷检测系统和检测方法,属于视觉检测技术领域。所述方法包括利用最小二乘法提取圆形ROI将背景与感兴趣区域分离,采用基于连通域特征组合的干扰抑制算法快速抑制固有字符和槽孔干扰,并利用基于轮廓拓扑结构分析的掩模生成算法将掩模与待检图像差分提取工件表面缺陷特征,从而实现对定子的端面的缺陷检测。采用基于最小二乘拟合法的圆形ROI提取算法,能够更精确提取定子端面目标检测区域;在检测实时性和精度方面,传统的基于形态学的缺陷检测算法运行时间长,检测精度较低,而文中提出的检测算法不仅运行时间短,并且抗干扰能力强,缺陷检出率达到了99.09%。
Description
技术领域
本发明涉及一种基于机器视觉的定子表面缺陷检测系统和检测方法,属于视觉检测技术领域。
背景技术
汽车发动机是汽车上的一个重要部分,通常由定子、转子以及前后盖组成。定子作为汽车发动机的主要构成零件,由粉末冶金材料制造而成。如图1所示,为定子工件示意图,在定子的加工过程中,定子的端面可能留下磕伤、划伤、缺料等缺陷。
目前市场上普遍以人工目检的方式来对定子端面进行缺陷检测,这种方式存在效率低,准确率易受主观因素影响,易造成视觉疲劳等缺点。基于机器视觉的检测技术可以克服这一缺点,将其运用到定子外观缺陷检测的研究中,能够很好的代替人工,提高检测效率和稳定性。但现有的基于机器视觉的检测技术在对定子端面进行检测时,存在着检测效率低、缺陷检出率也较低的问题,比如“李丹,白国君,金媛媛,童艳.基于机器视觉的包装袋缺陷检测算法研究与应用[J/OL].激光与光电子学进展:1-12[2019-04-15].”可以对产品整体外形和内部印刷缺陷实时检测,但是该算法的运用对象是柔性包装袋,并非金属工件,并不能直接应用该方法来实现对定子端面缺陷进行检测。“王义文,屈冠彤,刘献礼,付鹏强,李博.钢球表面缺陷的图像差分检测算法[J].计算机辅助设计与图形学学报,2016,28(10):1699-1704.”给出了一种对于钢球表面的检测方法,但是定子端面部位包含有固有字符、槽孔,齿面部位包含有固有凹坑,相对于表面单一光滑的钢球表面,检测过程更为复杂,所以也无法直接应用其来对定子端面进行缺陷检测,如果直接采用上述方法检测,则因为定子端面的复杂情况,势必存在检测效率低、缺陷检出率也较低的问题。
再比如,采用现有的基于形态学的缺陷检测算法(比如,张伟,曾碧.针对复杂纹理的手机外壳缺陷检测方法[J].计算机应用与软件,2017,34(11):217-222)对定子端面进行缺陷检测时,由于图像分辨率较大,尺寸过大的内核严重影响算法处理时间,并且无法检测出工件轮廓边缘上的缺陷,该方法检测效率低且缺陷检出率有待提高。
发明内容
为了实现采用机器视觉的检测技术对定子端面进行缺陷检测的目的,本发明提供了一种基于机器视觉的定子端面缺陷检测系统和检测方法。
本发明的第一个目的在于提供一种定子端面缺陷检测系统,所述系统包括硬件系统和软件系统;其中,所述硬件系统包括光源、相机、检测装置和旋转机械装置;
所述软件系统利用最小二乘法提取圆形ROI将背景与感兴趣区域分离,采用基于连通域特征组合的干扰抑制算法快速抑制固有字符和槽孔干扰,并利用基于轮廓拓扑结构分析的掩模生成算法将掩模与待检图像差分提取工件表面缺陷特征,从而实现对定子的端面的缺陷检测。
可选的,所述硬件系统用于获取定子的端面不同方位下的图像,其中,所述光源为环形光源,所述相机为面阵相机,通过所述旋转机械装置和面阵相机的配合获取定子的端面不同方位下的图像。
可选的,所述相机的镜头为变倍镜头。
可选的,所述相机的中心轴线在距离工件中心1/4半径处。
可选的,所述硬件系统还包括到位检测装置,所述到位检测装置用于检测定子是否处于所述旋转机械装置上。
本发明的另一个目的在于提供一种定子表面缺陷检测方法,所述方法应用上述定子表面缺陷检测系统进行检测,所述方法包括:
通过相机、光源和旋转机械装置获取不同方位下定子的端面图像;
对端面图像进行去噪和二值化处理;
采用最小二乘法提取二值化处理后的端面图像中的圆形感兴趣区域、基于连通域特征组合的干扰抑制算法和基于轮廓拓扑结构分析的掩模生成算法对定子端面图像进行缺陷检测。
可选的,所述采用最小二乘法提取端面图像中的圆形感兴趣区域,包括:
首先利用先验知识,初步选定工件旋转中心坐标(A0,B0)和端面外圆半径R0,在距离假定中心(R0-△R0,R0+△R0)范围内提取端面外圆轮廓上的点坐标(xi,yi),△R0为补偿常数,并代入下式:
当F(a,b,c)取最小值时,求得定子工件旋转中心坐标(A,B),工件外圆环半径R,其中,
同理获取端面内圆环半径r,并利用拟合结果画圆制作掩模图像;最后对原图像和掩模图像进行“与”操作,以获取端面感兴趣区域图像。
可选的,所述基于连通域特征组合的干扰抑制算法,包括:
Step1.对获取的端面感兴趣区域图像进行连通域搜索,首先根据面积特征对感兴趣区域进行填充,然后搜索ROI内部连通域,并计算连通域的最小外接矩形;
Step2.连通域最小外接矩形的特征如下:
a、形状特征:最小外接矩形的宽W0、高H0、宽高比K0,即:
b、位置特征:最小外接矩形中心(X0,Y0)相对定子工件旋转中心(A,B)的距离R0,即:
Step3.记录满足以下条件的连通域:
C1.Wmin+ΔW<W0<Wmax+ΔW (5)
C2.Kmin+ΔK<K0<Kmax+ΔK (6)
C3.Rmin+ΔR<R0<Rmax+ΔR (7)
上式中:
Wmax为最小外接矩形的宽度上限,Wmin为宽度下限,△W为最小外接矩形的宽度的补偿常数;
Kmax为最小外接矩形的宽高比上限,Kmin为宽高比下限,△K为最小外接矩形的宽高比的补偿常数;
Rmax为连通域外接矩形中心到旋转中心距离上限,Rmin为距离下限,△R为连通域外接矩形中心到旋转中心距离的补偿常数;
通过上述Step1至Step3,得到字符与槽孔区域,填充该连通域,即完成干扰抑制,得到完成干扰抑制后的图像M0(x,y)。
可选的,所述基于轮廓拓扑结构分析的掩模生成算法,包括:
S1.读取完成干扰抑制后的图像M0(x,y),提取目标轮廓C0(x,y);
S2.第一次拓扑转换:先对C0(x,y)进行轮廓膨胀,对轮廓各点沿其法线向外膨胀n1个像素,以填充尺度较大的非凸性轮廓;然后提取轮廓C1(x,y),对其进行轮廓内缩,对轮廓各点沿其法线向内收缩n1个像素,以逼近理想轮廓;
S3.第二次拓扑转换:提取第一次拓扑转换后的轮廓C2(x,y),再对该轮廓进行膨胀操作,对轮廓各点沿其法线向外膨胀n2个像素,再次填充可能存在的非凸性轮廓;然后提取轮廓 C3(x,y),对其进行轮廓内缩,对轮廓各点沿其法线向内收缩n2个像素,以得到近似理想轮廓;
S4.掩模图像生成:提取第二次拓扑转换后的轮廓,即近似理想轮廓C(x,y),并基于此轮廓填充目标区域生成掩模图像M1(x,y)。
可选的,所述基于连通域特征组合的干扰抑制算法和基于轮廓拓扑结构分析的掩模生成算法对定子端面图像进行缺陷检测,包括:
得到的掩模图像M1(x,y)的轮廓与理想轮廓近似,即可对M1(x,y)进行缩放还原得到理想掩模图像M(x,y);再将掩模图像M(x,y)与原图进行“与”操作获取待检图像I(x,y);最后利用图像差分法,将待检图像I(x,y)与掩模图像M(x,y)作差,得到差异图像R0(x,y):
R0(x,y)=|I(x,y)-M(x,y)| (8)
定义阈值T0,对差异图像R0(x,y)进行灰度阈值分割,得到端面二值图像R(x,y),再对端面二值图像R(x,y)进行连通域搜索及分析即可判断定子端面有无缺陷。
本发明有益效果是:
相比于人工检测,本发明提供的定子表面缺陷检测方法拥有更高的检测速度,并且拥有良好的重复性,避免了人工检测带来的人为误差;同时,本发明提供的定子表面缺陷检测系统的软件接口能够很好地与计算机进行连接,发展和改良空间巨大,可以有效地代替人工检测;本申请在提取感兴趣区域时,采用基于最小二乘拟合法的圆形ROI提取算法,与基于面积特征的ROI提取算法、基于霍夫变换的ROI提取算法相比,能够更精确提取定子端面目标检测区域;在检测实时性和精度方面,传统的基于形态学的缺陷检测算法运行时间长,检测精度较低,而文中提出的检测算法不仅运行时间短,并且抗干扰能力强,准确度高。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是定子工件示意图。
图2是定子端面缺陷检测系统结构示意图。
图3是相机与定子工件位置关系放大图。
图4是定子端面缺陷检测流程示意图。
图5是掩模生成算法流程图。
图6是不同ROI提取法的提取结果对比图。
图7是采用本申请提供的定子表面缺陷检测方法进行检测的部分检测结果样本图像。
图8是不同缺陷检测算法运行时间对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。对于定子端面缺陷的检测,本申请在对于定子的端面图像进行采集时,采用面阵相机和获取,同时采用环形光源提供照明。
实施例一:
本实施例提供一种基于机器视觉的定子端面缺陷检测系统,所述系统包括硬件系统和软件系统,所述系统包括硬件系统和软件系统;其中,所述硬件系统包括光源、相机、检测装置和旋转机械装置;
所述软件系统利用最小二乘法提取圆形ROI将背景与感兴趣区域分离,采用基于连通域特征组合的干扰抑制算法快速抑制固有字符和槽孔干扰,并利用基于轮廓拓扑结构分析的掩模生成算法将掩模与待检图像差分提取工件表面缺陷特征,从而实现对定子的端面的缺陷检测。
如图2所示,具体的,硬件系统中包含光源、工业CCD相机(charge coupleddevice,电荷耦合元件)、检测装置和旋转机械装置;其中,CCD相机为面阵相机,其镜头采用变倍镜头,旋转机械装置包括电机和托盘,检测装置由工业计算机实现。
工业计算机分别与PLC控制器、以及CCD相机连接,而PLC控制器与旋转机械装置的电机相连以控制其带动其上的托盘旋转,放置于托盘上的定子工件处于可旋转状态,从而面阵相机可以采集到定子端面多个方位的图像,同时,图像采集过程中采用环形光进行照明。
如图3所示,本申请相机中心轴线与工件的旋转中心轴线并不在一条直线上,相机中心轴线约在距离工件中心1/4半径处。
本申请实施例中,相机选择Basler面阵相机acA2440-20gm,面阵相机配套选用Computer MACRO 10X工业镜头,光源为蓝色环形光源。
为了整个检测过程的自动化实现,本申请PLC还连接有到位检测装置,所述到位检测装置用于检测定子是否处于所述旋转机械装置上,当检测到定子工件处于旋转机械装置的托盘上时,启动定子端面图像的采集以及检测过程。本实施例中,到位检测装置由光电传感器实现。
实际检测过程中,还包括有移载装置(移载装置可由机械手实现,本申请附图中未示出),用于将待检测的定子工件放置于旋转机械装置的托盘上,并把检测完成的定子工件从旋转机械装置的托盘上移走。
具体的,整个过程包括:
步骤1:由PLC控制电机带动No.1工件转动,多次拍摄完成上端面图像采集,工业计算机实时处理图像,并反馈结果给PLC;
步骤2:No.1工件端面检测完成后,机械手移走No.1工件,并将No.2工件移至旋转机械装置的托盘上,光电传感器检测到No.2工件到位向PLC控制器发送到位信号,开始No.2工件端面检测。
如此反复即可实现批量定子工件的端面检测。
其中的软件检测过程中,软件系统中主要包含最小二乘法提取圆形ROI算法、基于连通域特征组合的干扰抑制算法和基于轮廓拓扑结构分析的掩模生成算法。
所述最小二乘法提取圆形ROI算法为:针对端面工位图像中的托盘以及齿面部位等背景区域,需要将这些背景区域进行抑制,保留目标端面区域。
本发明利用端面区域为圆形的特点,通过最小二乘法获取端面内、外圆的圆心和半径,并基于此提出一种圆形ROI提取算法,准确提取端面感兴趣区域,在准确提取端面感兴趣区域后,采用基于连通域特征组合的干扰抑制算法得到定子端面固有的字符与槽孔区域,填充该连通域,完成干扰抑制,得到完成干扰抑制后的图像M0(x,y);再采用基于轮廓拓扑结构分析的掩模生成算法对完成干扰抑制后的图像M0(x,y)进行处理,得到似理想轮廓C(x,y),并基于此轮廓填充目标区域生成掩模图像M1(x,y)。
得到的掩模图像M1(x,y)的轮廓与理想轮廓近似,即可对M1(x,y)进行缩放还原得到理想掩模图像M(x,y);再将掩模图像M(x,y)与原图进行“与”操作获取待检图像I(x,y);最后利用图像差分法,将待检图像I(x,y)与掩模图像M(x,y)作差,得到差异图像R0(x,y):
R0(x,y)=|I(x,y)-M(x,y)| (8)
定义阈值T0,对差异图像R0(x,y)进行灰度阈值分割,得到端面二值图像R(x,y),再对端面二值图像R(x,y)进行连通域搜索及分析即可判断定子端面有无缺陷。
实施例二:
本实施例提供一种基于机器视觉的定子端面缺陷检测方法,请参考图4:
当光电传感器感应到定子工件到位(即已经被放置在旋转机械装置的托盘上),会发送到位信号给PLC控制器,PLC控制器通过TCP/IP通讯告知工业计算机工件到位,并控制打开光源,工业计算机发送相机采集信号给CCD,CCD接收采集信号后进行图像采集,并将采集到的图像数据传输回工业计算机,工业计算机接收到图像数据后发送采集完成信号给PLC,
CCD进行图像采集时,采集一个方位上的定子端面图像并将采集到的图像数据传输回工业计算机后,工业计算机后向PLC发出信号以便PLC控制电机旋转,电机旋转固定角度后停下,由PLC发送信号给工业计算机工件到位信号,工业计算机发送相机采集信号给CCD,CCD接收采集信号后进行图像采集,并将采集到的图像数据传输回工业计算机;若需要采集多个方位的定子端面图像,则重复上述过程。实际实现过程中,也可以设定信号一次发送,即工业计算机只向相机发送一次采集信号,后续相机和旋转机械装置相互配合完成所有方位的定子端面图像采集。
定子端面图像采集完成后,对于定子端面图像进行端面缺陷检测;检测过程中,首先利用先验知识,初步选定工件旋转中心坐标(A0,B0)和端面外圆半径R0,在距离假定中心(R0- △R0,R0+△R0)范围内提取端面外圆轮廓上的点坐标(xi,yi),△R0为补偿常数,并代入下式:
当F(a,b,c)取最小值时,可得定子工件旋转中心坐标(A,B),工件外圆环半径R,其中
所述基于连通域特征组合的干扰抑制算法为:针对感兴趣区域内部工件自身的干扰,如端面部位的固有字符、槽孔,齿面部位的固有凹坑,利用这些内部干扰的形状固定,且相对旋转中心的距离也固定,本发明提出一种基于连通域特征组合的算法,用来抑制感兴趣区域内部的干扰,步骤如下:
Step1.搜索ROI内部连通域,并计算连通域的最小外接矩形;
Step2.提取连通域最小外接矩形的特征如下:
a)形状特征:最小外接矩形的宽W0、高H0、宽高比K0,即:
b)位置特征:最小外接矩形中心(X0,Y0)相对旋转中心(A,B)的距离R0,即:
Step3.记录满足以下条件的连通域:
C1.Wmin+ΔW<W0<Wmax+ΔW (5)
C2.Kmin+ΔK<K0<Kmax+ΔK (6)
C3.Rmin+ΔR<R0<Rmax+ΔR (7)
式中:
Wmax为宽度上限,Wmin为宽度下限,△W为最小外接矩形的宽度的补偿常数;
Kmax为宽高比上限,Kmin为宽高比下限,△K为最小外接矩形的宽高比的补偿常数;
Rmax为连通域外接矩形中心到旋转中心距离上限,Rmin为距离下限,△R为连通域外接矩形中心到旋转中心距离的补偿常数。
经过上述步骤将筛选出字符与槽孔区域填充,即完成干扰抑制,得到完成干扰抑制后的图像M0(x,y)。
所述基于轮廓拓扑结构分析的掩模生成算法为:针对边缘磕碰和缺料这两种缺陷,由于它们会导致目标轮廓存在非凸性区域,本发明提出一种基于轮廓拓扑结构分析的掩模生成算法,请参考图5,包括以下步骤:
S1.对完成干扰抑制后的图像M0(x,y),提取目标轮廓C0(x,y)。
S2.第一次拓扑转换:
先对C0(x,y)进行轮廓膨胀,对轮廓各点沿其法线向外膨胀n1个像素,以填充尺度较大的非凸性轮廓;然后提取轮廓C1(x,y),对其进行轮廓内缩,对轮廓各点沿其法线向内收缩 n1个像素,以逼近理想轮廓。
S3.第二次拓扑转换:
提取第一次拓扑转换后的轮廓C2(x,y),再对该轮廓进行膨胀操作,对轮廓各点沿其法线向外膨胀n2个像素,再次填充可能存在的非凸性轮廓;然后提取轮廓C3(x,y),对其进行轮廓内缩,对轮廓各点沿其法线向内收缩n2个像素,以得到近似理想轮廓;
S4.掩模图像生成:
提取第二次拓扑转换后的轮廓,即近似理想轮廓C(x,y),并基于此轮廓填充目标区域生成掩模图像M1(x,y)。
经上述操作得到的掩模图像M1(x,y)的轮廓与理想轮廓近似,即可对M1(x,y)进行缩放还原得到理想掩模图像M(x,y);再将掩模图像M(x,y)与原图进行“与”操作获取待检图像 I(x,y);最后利用图像差分法,将待检图像I(x,y)与掩模图像M(x,y)作差,得到差异图像 R0(x,y):
R0(x,y)=|I(x,y)-M(x,y)| (8)
定义阈值T0,对差异图像进行灰度阈值分割,得到端面二值图像R(x,y),再对R(x,y)进行连通域搜索及分析即可判断工件表面有无缺陷。
实验结果分析:
按照本发明软件流程,对设备实际运行采集到的80幅端面图像进行实验。每幅端面图像大小为2448*2048。
实验环境为:Intel(R)Core(TM)i7-4790CPU,8G内存PC机,Win10操作系统,开发环境为Visual Studio 2010,OpenCV库函数。
实验过程中,阈值T0取值为229。
在本发明的实验中,分别将基于面积特征的ROI提取算法(图6(a))、基于霍夫变换的ROI提取算法(图6(b))、基于最小二乘拟合的ROI提取算法(图6(c))进行对比,得到的效果如图6(d)所示,图6(d)中,①为基于霍夫变换绘制的端面外圆轮廓线,②为基于最小二乘拟合法绘制的端面外圆轮廓线。
由图6(a)可以看出,对于端面和齿面过渡区域灰度值较高的情况,基于面积特征提取 ROI的方法很难将两者分割开;
由图6(b)可以看出,基于霍夫变换提取到的ROI图像中除了端面区域,还有部分的齿面区域;
由图6(c)、6(d)可以看出,基于最小二乘拟合法的圆形ROI提取算法更精确,提取到的ROI图像中没有齿面区域干扰。
各类缺陷的检测效果样本如图7所示,分别使用基于形态学的缺陷检测算法,本申请提出的缺陷检测算法(图7左侧图为使用基于形态学的缺陷检测算法得出的各类缺陷的检测效果,图7右侧图为使用本申请提出的缺陷检测算法得出的各类缺陷的检测效果),对采集到的80幅端面图像进行比对试验。得到两类算法的运行时间对比折线图和缺陷检出率,如图8 和下表1所示。
表1:本申请方法和现有形态学方法的缺陷检出率
根据图8可知,在端面检测工位中,本发明提出的缺陷检测方法平均运行时间为924ms,是在齿面检测工位中,本发明提出的缺陷检测方法平均运行时间为1479ms,均优于形态学检测方法;根据表1可知,运用本发明提出的算法进行检测的缺陷检出率达到了99.09%。
本发明定子表面缺陷检测算法具有以下特点:
1)在提取感兴趣区域时,基于最小二乘拟合法的圆形ROI提取算法与基于面积特征的 ROI提取算法、基于霍夫变换的ROI提取算法相比更精确。
2)在检测实时性和精度方面,传统的基于形态学的缺陷检测算法运行时间长,检测精度较低,而文中提出的检测算法不仅运行时间短,并且抗干扰能力强,准确度高。
相比于人工检测,本发明提供的定子表面缺陷检测方法拥有更高的检测速度,并且拥有良好的重复性,避免了人工检测带来的人为误差;同时,本发明提供的定子表面缺陷检测系统的软件接口能够很好地与计算机进行连接,发展和改良空间巨大,可以有效地代替人工检测。
本发明实施例中的部分步骤,可以利用软件实现,相应的软件程序可以存储在可读取的存储介质中,如光盘或硬盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种定子端面缺陷检测系统,其特征在于,所述系统包括硬件系统和软件系统;其中,所述硬件系统包括光源、相机、检测装置和旋转机械装置;
所述软件系统利用最小二乘法提取圆形ROI将背景与感兴趣区域分离,采用基于连通域特征组合的干扰抑制算法快速抑制固有字符和槽孔干扰,并利用基于轮廓拓扑结构分析的掩模生成算法将掩模与待检图像差分提取工件表面缺陷特征,从而实现对定子的端面的缺陷检测:
所述基于连通域特征组合的干扰抑制算法和基于轮廓拓扑结构分析的掩模生成算法对定子端面图像进行缺陷检测,包括:
Step1.对获取的端面感兴趣区域图像进行连通域搜索,首先根据面积特征对感兴趣区域进行填充,然后搜索ROI内部连通域,并计算连通域的最小外接矩形;
Step2.连通域最小外接矩形的特征如下:
a、形状特征:最小外接矩形的宽W0、高H0、宽高比K0,即:
b、位置特征:最小外接矩形中心(X0,Y0)相对定子工件旋转中心(A,B)的距离R0,即:
Step3.记录满足以下条件的连通域:
C1.Wmin+ΔW<W0<Wmax+ΔW (5)
C2.Kmin+ΔK<K0<Kmax+ΔK (6)
C3.Rmin+ΔR<R0<Rmax+ΔR (7)
上式中:
Wmax为最小外接矩形的宽度上限,Wmin为宽度下限,△W为最小外接矩形的宽度的补偿常数;
Kmax为最小外接矩形的宽高比上限,Kmin为宽高比下限,△K为最小外接矩形的宽高比补偿常数;
Rmax为连通域外接矩形中心到旋转中心距离上限,Rmin为距离下限,△R为连通域外接矩形中心到旋转中心距离的补偿常数;
通过上述Step1至Step3,得到字符与槽孔区域,填充该连通域,即完成干扰抑制,得到完成干扰抑制后的图像M0(x,y);
S1.读取完成干扰抑制后的图像M0(x,y),提取目标轮廓C0(x,y);
S2.第一次拓扑转换:先对C0(x,y)进行轮廓膨胀,对轮廓各点沿其法线向外膨胀n1个像素,以填充尺度较大的非凸性轮廓;然后提取轮廓C1(x,y),对其进行轮廓内缩,对轮廓各点沿其法线向内收缩n1个像素,以逼近理想轮廓;
S3.第二次拓扑转换:提取第一次拓扑转换后的轮廓C2(x,y),再对该轮廓进行膨胀操作,对轮廓各点沿其法线向外膨胀n2个像素,再次填充可能存在的非凸性轮廓;然后提取轮廓C3(x,y),对其进行轮廓内缩,对轮廓各点沿其法线向内收缩n2个像素,以得到近似理想轮廓;
S4.掩模图像生成:提取第二次拓扑转换后的轮廓,即近似理想轮廓C(x,y),并基于此轮廓填充目标区域生成掩模图像M1(x,y);
得到的掩模图像M1(x,y)的轮廓与理想轮廓近似,即可对M1(x,y)进行缩放还原得到理想掩模图像M(x,y);再将掩模图像M(x,y)与原图进行“与”操作获取待检图像I(x,y);最后利用图像差分法,将待检图像I(x,y)与掩模图像M(x,y)作差,得到差异图像R0(x,y):
R0(x,y)=|I(x,y)-M(x,y)| (8)
定义阈值T0,对差异图像R0(x,y)进行灰度阈值分割,得到端面二值图像R(x,y),再对端面二值图像R(x,y)进行连通域搜索及分析即可判断定子端面有无缺陷。
2.根据权利要求1所述的系统,其特征在于,所述硬件系统用于获取定子的端面不同方位下的图像,其中,所述光源为环形光源,所述相机为面阵相机,通过所述旋转机械装置和面阵相机的配合获取定子的端面不同方位下的图像。
3.根据权利要求2所述的系统,其特征在于,所述相机的镜头为变倍镜头。
4.根据权利要求3所述的系统,其特征在于,所述相机的中心轴线在距离工件中心1/4半径处。
5.根据权利要求4所述的系统,其特征在于,所述硬件系统还包括到位检测装置,所述到位检测装置用于检测定子是否处于所述旋转机械装置上。
6.一种定子表面缺陷检测方法,其特征在于,所述方法应用权利要求1-5任一所述的定子表面缺陷检测系统进行检测,所述方法包括:
通过相机、光源和旋转机械装置获取不同方位下定子的端面图像;
对端面图像进行去噪和二值化处理;
采用最小二乘法提取二值化处理后的端面图像中的圆形感兴趣区域、基于连通域特征组合的干扰抑制算法和基于轮廓拓扑结构分析的掩模生成算法对定子端面图像进行缺陷检测;
所述基于连通域特征组合的干扰抑制算法和基于轮廓拓扑结构分析的掩模生成算法对定子端面图像进行缺陷检测,包括:
Step1.对获取的端面感兴趣区域图像进行连通域搜索,首先根据面积特征对感兴趣区域进行填充,然后搜索ROI内部连通域,并计算连通域的最小外接矩形;
Step2.连通域最小外接矩形的特征如下:
a、形状特征:最小外接矩形的宽W0、高H0、宽高比K0,即:
b、位置特征:最小外接矩形中心(X0,Y0)相对定子工件旋转中心(A,B)的距离R0,即:
Step3.记录满足以下条件的连通域:
C1.Wmin+ΔW<W0<Wmax+ΔW (5)
C2.Kmin+ΔK<K0<Kmax+ΔK (6)
C3.Rmin+ΔR<R0<Rmax+ΔR (7)
上式中:
Wmax为最小外接矩形的宽度上限,Wmin为宽度下限,△W为最小外接矩形的宽度的补偿常数;
Kmax为最小外接矩形的宽高比上限,Kmin为宽高比下限,△K为最小外接矩形的宽高比补偿常数;
Rmax为连通域外接矩形中心到旋转中心距离上限,Rmin为距离下限,△R为连通域外接矩形中心到旋转中心距离的补偿常数;
通过上述Step1至Step3,得到字符与槽孔区域,填充该连通域,即完成干扰抑制,得到完成干扰抑制后的图像M0(x,y);
S1.读取完成干扰抑制后的图像M0(x,y),提取目标轮廓C0(x,y);
S2.第一次拓扑转换:先对C0(x,y)进行轮廓膨胀,对轮廓各点沿其法线向外膨胀n1个像素,以填充尺度较大的非凸性轮廓;然后提取轮廓C1(x,y),对其进行轮廓内缩,对轮廓各点沿其法线向内收缩n1个像素,以逼近理想轮廓;
S3.第二次拓扑转换:提取第一次拓扑转换后的轮廓C2(x,y),再对该轮廓进行膨胀操作,对轮廓各点沿其法线向外膨胀n2个像素,再次填充可能存在的非凸性轮廓;然后提取轮廓C3(x,y),对其进行轮廓内缩,对轮廓各点沿其法线向内收缩n2个像素,以得到近似理想轮廓;
S4.掩模图像生成:提取第二次拓扑转换后的轮廓,即近似理想轮廓C(x,y),并基于此轮廓填充目标区域生成掩模图像M1(x,y);
得到的掩模图像M1(x,y)的轮廓与理想轮廓近似,即可对M1(x,y)进行缩放还原得到理想掩模图像M(x,y);再将掩模图像M(x,y)与原图进行“与”操作获取待检图像I(x,y);最后利用图像差分法,将待检图像I(x,y)与掩模图像M(x,y)作差,得到差异图像R0(x,y):
R0(x,y)=|I(x,y)-M(x,y)| (8)
定义阈值T0,对差异图像R0(x,y)进行灰度阈值分割,得到端面二值图像R(x,y),再对端面二值图像R(x,y)进行连通域搜索及分析即可判断定子端面有无缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911047866.7A CN110766684B (zh) | 2019-10-30 | 2019-10-30 | 一种基于机器视觉的定子表面缺陷检测系统及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911047866.7A CN110766684B (zh) | 2019-10-30 | 2019-10-30 | 一种基于机器视觉的定子表面缺陷检测系统及检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110766684A CN110766684A (zh) | 2020-02-07 |
CN110766684B true CN110766684B (zh) | 2022-03-18 |
Family
ID=69333195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911047866.7A Active CN110766684B (zh) | 2019-10-30 | 2019-10-30 | 一种基于机器视觉的定子表面缺陷检测系统及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766684B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111627009B (zh) * | 2020-05-27 | 2023-10-20 | 歌尔光学科技有限公司 | 一种屏幕检测方法、装置及头戴显示设备 |
CN112893172A (zh) * | 2021-01-18 | 2021-06-04 | 菲特(天津)检测技术有限公司 | 基于机器视觉的垫片尺寸检测系统、方法、处理终端及介质 |
CN113406094B (zh) * | 2021-05-20 | 2022-11-29 | 电子科技大学 | 一种基于图像处理的金属表面缺陷在线检测装置和方法 |
CN113643233B (zh) * | 2021-07-01 | 2024-05-24 | 深圳市格灵精睿视觉有限公司 | 油性涂层检测方法、系统及设备、计算机可读存储介质 |
CN113468770B (zh) * | 2021-09-02 | 2021-11-12 | 成都新西旺自动化科技有限公司 | 一种机器视觉配方的生成方法及系统 |
CN113838039A (zh) * | 2021-09-29 | 2021-12-24 | 逸美德科技股份有限公司 | 一种能实现多种几何度量特征的检测方法 |
CN113720857A (zh) * | 2021-09-30 | 2021-11-30 | 格兰德电气有限公司 | 对定子缺陷进行自动比对的方法 |
CN114235719A (zh) * | 2021-12-14 | 2022-03-25 | 西门子能源有限公司 | 端面齿接触着色的测量装置和测量方法 |
CN114972344B (zh) * | 2022-07-29 | 2022-10-04 | 山东聊城中泰表业有限公司 | 一种用于手表零配件的生产质量缺陷检测方法 |
CN115375676B (zh) * | 2022-10-24 | 2023-01-24 | 微山三利特不锈钢有限公司 | 一种基于图像识别的不锈钢制品质量检测方法 |
CN116558553B (zh) * | 2023-07-07 | 2023-09-22 | 深圳市华众自动化工程有限公司 | 一种小型背景抑制光电传感器 |
CN118089556B (zh) * | 2024-04-25 | 2024-06-28 | 江南大学 | 一种基于物联网的工业检测装置及检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105067638A (zh) * | 2015-07-22 | 2015-11-18 | 广东工业大学 | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 |
CN105787911A (zh) * | 2016-03-21 | 2016-07-20 | 中国林业科学研究院资源信息研究所 | 一种基于拓扑分形算法的图像腐蚀与膨胀处理方法 |
CN106914428A (zh) * | 2017-01-16 | 2017-07-04 | 哈尔滨理工大学 | 一种基于机器视觉的钢球表面缺陷差分检测的新型算法 |
CN107633253A (zh) * | 2017-10-23 | 2018-01-26 | 江苏鸿信系统集成有限公司 | 基于含噪图像中矩形包围框的精确提取和定位方法 |
CN108844471A (zh) * | 2018-08-02 | 2018-11-20 | 成都天衡智造科技有限公司 | 一种对圆形工件边缘凹陷区域向圆心延伸长度的测量方法及装置 |
CN109187581A (zh) * | 2018-07-12 | 2019-01-11 | 中国科学院自动化研究所 | 基于视觉的成品轴承端面缺陷检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7570794B2 (en) * | 2005-09-02 | 2009-08-04 | Gm Global Technology Operations, Inc. | System and method for evaluating a machined surface of a cast metal component |
JP5726045B2 (ja) * | 2011-11-07 | 2015-05-27 | 株式会社神戸製鋼所 | タイヤ形状検査方法、及びタイヤ形状検査装置 |
-
2019
- 2019-10-30 CN CN201911047866.7A patent/CN110766684B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105067638A (zh) * | 2015-07-22 | 2015-11-18 | 广东工业大学 | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 |
CN105787911A (zh) * | 2016-03-21 | 2016-07-20 | 中国林业科学研究院资源信息研究所 | 一种基于拓扑分形算法的图像腐蚀与膨胀处理方法 |
CN106914428A (zh) * | 2017-01-16 | 2017-07-04 | 哈尔滨理工大学 | 一种基于机器视觉的钢球表面缺陷差分检测的新型算法 |
CN107633253A (zh) * | 2017-10-23 | 2018-01-26 | 江苏鸿信系统集成有限公司 | 基于含噪图像中矩形包围框的精确提取和定位方法 |
CN109187581A (zh) * | 2018-07-12 | 2019-01-11 | 中国科学院自动化研究所 | 基于视觉的成品轴承端面缺陷检测方法 |
CN108844471A (zh) * | 2018-08-02 | 2018-11-20 | 成都天衡智造科技有限公司 | 一种对圆形工件边缘凹陷区域向圆心延伸长度的测量方法及装置 |
Non-Patent Citations (5)
Title |
---|
基于圆心约束最小二乘圆拟合的短圆弧测量;朱嘉 等;《光学精密工程》;20091031;第17卷(第10期);第2486-2492页 * |
基于机器视觉的小微零件缺陷检测技术及装置研究;赵海峰 等;《工具技术》;20181130;第52卷(第11期);第147-149页 * |
最小二乘法拟合圆公式推导及其实现;Jacky_Ponder;《CSDN博客-https://blog.csdn.net/Jacky_Ponder/article/details/70314919》;20170421;第1-4页 * |
王义文 等.钢球表面缺陷的图像差分检测算法.《计算机辅助设计与图形学学报》.2016,第28卷(第10期), * |
钢球表面缺陷的图像差分检测算法;王义文 等;《计算机辅助设计与图形学学报》;20161031;第28卷(第10期);第1699-1704页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110766684A (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766684B (zh) | 一种基于机器视觉的定子表面缺陷检测系统及检测方法 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN114279357B (zh) | 一种基于机器视觉的压铸件毛刺尺寸测量方法及系统 | |
CN115115612B (zh) | 一种用于机械配件的表面缺陷检测方法及系统 | |
CN111415376B (zh) | 汽车玻璃亚像素轮廓提取方法及汽车玻璃检测方法 | |
CN105894036A (zh) | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 | |
CN103868924A (zh) | 一种基于视觉的轴承外观缺陷检测算法 | |
CN107891012B (zh) | 基于等效算法的珍珠大小及圆形度分拣装置 | |
CN113970560B (zh) | 一种基于多传感融合的缺陷三维检测方法 | |
CN115100168A (zh) | 一种晶圆背封膜下亚表面缺陷检测系统及其方法 | |
CN114580559A (zh) | 一种基于单目视觉系统的测速方法 | |
CN115931912A (zh) | 一种菲涅尔透镜的外观缺陷检测方法、装置、设备和介质 | |
CN114018946B (zh) | 一种基于OpenCV的高反光瓶盖缺陷检测方法 | |
CN114485433A (zh) | 基于伪随机散斑的三维测量系统、方法及装置 | |
CN106989672A (zh) | 一种基于机器视觉的工件测量方法 | |
CN106643537A (zh) | 基于结构光的轴承油沟自动测量系统及方法 | |
CN111815575B (zh) | 一种基于机器视觉的轴承钢珠零件检测方法 | |
CN113705564A (zh) | 一种指针式仪表识别读数方法 | |
CN115294119B (zh) | 基于机器视觉的梅花螺纹头部内槽污渍检测方法 | |
CN112075876A (zh) | 基于机器视觉的产线智能吸尘机器人 | |
CN117173107A (zh) | 产品缺陷检测方法、装置、设备、系统和可读存储介质 | |
CN114187269A (zh) | 小零器件表面缺陷边缘快速检测方法 | |
Liu et al. | Research on noise processing and particle recognition algorithm of PTV image | |
He et al. | Research on Weld Recognition Method Based on Mask R-CNN | |
CN110853065A (zh) | 一种应用于光电跟踪系统的边缘提取方法 |
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 |