CN111008964B - 一种部件表面缺陷检测方法 - Google Patents

一种部件表面缺陷检测方法 Download PDF

Info

Publication number
CN111008964B
CN111008964B CN201911184638.4A CN201911184638A CN111008964B CN 111008964 B CN111008964 B CN 111008964B CN 201911184638 A CN201911184638 A CN 201911184638A CN 111008964 B CN111008964 B CN 111008964B
Authority
CN
China
Prior art keywords
feature
surflet
sub
point
substructure
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
CN201911184638.4A
Other languages
English (en)
Other versions
CN111008964A (zh
Inventor
王云峰
李勇男
常曦龙
曲志刚
刘磊
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.)
Yiqi Technology Jilin Co ltd
Original Assignee
Yiqi Technology Jilin Co ltd
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 Yiqi Technology Jilin Co ltd filed Critical Yiqi Technology Jilin Co ltd
Priority to CN201911184638.4A priority Critical patent/CN111008964B/zh
Publication of CN111008964A publication Critical patent/CN111008964A/zh
Application granted granted Critical
Publication of CN111008964B publication Critical patent/CN111008964B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • 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
    • 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
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Geometry (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

一种部件表面缺陷检测方法，包括以下步骤：步骤100，子结构分解；步骤200，法向量计算；步骤300，Surflet特征构建；步骤400，子结构权值计算；步骤500，加权特征子表达；步骤600，缺陷区域提取。本发明对从获取待测表面的三维点云分解为分片平坦的子结构集合，解算子结构的几何子特征，建立特征的权重，构建加权特征描述子，进而提取缺陷区域。采用子结构解算局部子特征，能够更好地抵抗表面自身结构变化的干扰，同时采用多子结构的加权特征描述子具有更好的鲁棒性和可区分性。

Description

一种部件表面缺陷检测方法
技术领域
本发明涉及表面检测技术，尤其是一种基于激光点云子结构加权特征描述子的部件表面缺陷检测方法。
背景技术
在工业检测领域，表面缺陷检测一直是一个热点问题。随着工业生产过程中对部件精度控制的要求越来越高，对部件的精细尺度的形变缺陷的自动检测需要求也随之提高。
现有常用缺陷方法的主要基于光学图像检测，一般通过设计光照系统促进缺陷在图像中产生有效对比度，但该类方法对精细尺度下的几何形变和尺度变化等问题存在困难。激光测量技术因其非接触、可靠性高和采集方式简易等优良特点，在产品质量检测、生产过程自动控制等有着广泛的应用前景。如中国专利公开号为CN109975314A的一种基于三维激光点云数据的木材表面检测系统及检测方法，步骤一、通过上方三维激光轮廓传感器和下方三维激光轮廓传感器对木板双面进行扫描，获取三维激光点云数据；步骤2：检测系统对三维激光点云数据进行预处理，去除噪声、降低点云密度；步骤3：检测系统对缺陷点进行区域分割，将相同缺陷标记为相同序号；步骤4：计算缺陷处的体积和表面积，将同一缺陷类型的缺陷处的体积累加、表面积累加；步骤5：根据缺陷体积、表面积与阈值相比较的结果，发送不同信号到控制模块；步骤6：控制模块根据检测模块发送的信号，控制第三传送装置转向，以此对不同质量等级的木材进行分类。
对于精细尺度表面缺陷自动检测，激光点云数据存在噪声和野值干扰、点云分布密度不一、部件自身几何形状变化等干扰，都会不同程度地影响是部件表面缺陷检测的精确性和可靠性。
发明内容
本发明所要解决的技术问题是提供一种部件表面缺陷检测方法，提高部件表面缺陷检测的精确性和可靠性。
为解决上述技术问题，本发明的技术方案是：一种部件表面缺陷检测方法，包括以下步骤：
步骤100，子结构分解；
步骤200，法向量计算；
步骤300，Surflet特征构建；
步骤400，子结构权值计算；
步骤500，加权特征子表达；
步骤600，缺陷区域提取。
本发明对从获取待测表面的三维点云分解为分片平坦的子结构集合，解算子结构的几何子特征，建立特征的权重，构建加权特征描述子，进而提取缺陷区域。采用子结构解算局部子特征，能够更好地抵抗表面自身结构变化的干扰，同时采用多子结构的加权特征描述子具有更好的鲁棒性和可区分性。
作为改进，所述步骤100的具体步骤为：
步骤101，k近邻提取：对于包含了C个激光测量点的三维点云集合S＝{Pi}i＝1，2，...，C中的任意一点Pi∈S，采用快速近似搜索算法，搜索Pi的k个最近邻点，记为Rk；
步骤102，RANSAC子结构拟合：对邻域Rk进行子结构分割，采用RANSAC鲁棒平面拟合方法逐次拟合平面，属于平面的内点构成子结构Mj＝{pi}i＝1，2，...τ,其中τ≤k，最后构建三维点云的子结构集，即
Figure SMS_1
其中n表示子结构的总数。
作为改进，所述步骤200的具体步骤为：
步骤201，子结构协方差矩阵构建：对子结构Mj＝{pi}i＝1，2，...，τ构建其协方差矩阵
Figure SMS_2
其中“·”表示向量内积运算符，/>
Figure SMS_3
步骤202奇异值分解法向量估计：对协方差矩阵C做奇异值分解，最小特征值对应的特征向量作为法向量N的估计。
作为改进，所述步骤300的具体步骤为：
步骤301，Surflet定义：对于任意一点Pi∈S，定义向量对(P，N)为Surflet，其中P为的Pi点的位置向量，N为该点的法向量；
步骤302，Darboux坐标原点判别：搜索k2近邻点，对于邻域内的(P1，N1)和(P2，N2)Surflet对，如果|N1·(P2-P1)|≤|N2·(P2-P1)|，则P1点为坐标原点，否则P2点为坐标原点；
步骤303，Darboux坐标系构建：对于确定的坐标系原点P1，按照如下方式构建Darboux坐标系{u，v，w}；
u＝N1
Figure SMS_4
w＝u×v；
步骤304，Surflet特征计算：基于Darboux坐标系，按照如下方法计算四维Surflet特征：
θ＝arctan2(w·N1，u·N2)
α＝v·N2
Figure SMS_5
d＝||P2-P1||。
作为改进，所述步骤400的具体步骤为：在k2领域内的所有子结构Mj∈Rk，根据该子结构的重合度设计对Surflet特征的权值，权值计算公式如下：
Figure SMS_6
权值的范围为(0，1]。
作为改进，所述步骤500的具体步骤为：
步骤501，加权特征子描述：定义Surflet特征的量化宽度Δθ，Δα，Δφ，Δd，每个单项特征的量化级数记为Hθ，Hα，Hφ，Hd，加权特征子定义为HθHαHφHd级一维直方图；
步骤502，加权特征子构建：
步骤521，特征子直方图初始化：建立长度为HθHαHφHd的数组用作特征子直方图H，并将其全部初始化为零；
步骤522，Surflet特征量化：对于任一Surflet特征(θt，αt，φt，dτ)，其中
Figure SMS_7
以θ为例，对应的的量化级计算方法为/>
Figure SMS_8
其中/>
Figure SMS_9
表示向上取整操作，其他特征均采取类似方法的处理；
步骤523，加权直方图迭代更新：对于每个Surflet特征(θt，αt，φt，dt)，以θ为例，对应H(c(θt))更新为H(c(θt))+ρt，其中ρt为该特征对应的权值，其他特征均采取类似方法的处理；
步骤524，加权特征子归一化：完成对
Figure SMS_10
个Surflet特征的加权直方图更新后，对直方图做归一化/>
Figure SMS_11
其中S＝4∑tρt。
作为改进，所述步骤600的具体步骤为：
步骤601，加权特征子相似性度量：待测部件三维点云的加权特征子H和标准模板的加权特征子HT，对应的相似性度量为：
Figure SMS_12
步骤602，缺陷点连通区域提取：设定相似度阈值ST，如果对于S＜T的点，标记为缺陷点，设定距离阈值dT，缺陷点的距离小于dT，则划分到同一个连通区域Ci中；
步骤603，缺陷区域标识：设定区域点数阈值PT对于每个缺陷点连通区域Ci，如果Ci内的三维点数超过个PT的标示为最终的缺陷区域。
本发明与现有技术相比所带来的有益效果是：
1、本发明采用了子结构分解的方法，有效克服了表面自身形状和结构变化带来的干扰，具有良好的鲁棒性；
2、本发明以子结构局部几何特征为基础，采用特征加权，建立了加权特征描述子，对表面形状内容具有更好适应性，因而更具有代表性和区分性。
附图说明
图1是三维点云部件表面缺陷检测算法流程图。
图2是子结构集构建流程图。
图3是基于子结构的法向量解算流程图。
图4是Surflet局部几何特征计算流程图。
图5是加权特征子解算流程图。
图6是加权直方图构建方法图。
图7是缺陷区域提取流程图。
图8是Surflet特征总体框架图。
图9是Darboux坐标系图。
图10是加权特征子相似性度量方法图。
具体实施方式
下面结合说明书附图对本发明作进一步说明。
如图1所示，一种基于激光点云子结构加权特征描述子的部件表面缺陷检测方法，包括以下步骤：
S100，如图2所示，子结构分解
S101，k近邻提取：对于包含了C个激光测量点的三维点云集合S＝{Pi}i＝1，2，...，C中的任意一点Pi∈S，采用较为成熟的Muja,M.提出的快速近似搜索算法(Muja,M.and DavidG.Lowe."Fast Approximate Nearest Neighbors with Automatic AlgorithmConfiguration".In VISAPP International Conference on Computer Vision Theoryand Applications.2009.pp.331–340.)，搜索Pi的k个最近邻点，记为Rk；该快速算法在Matlab和PCL(Point Cloud Library)中均有实现；
S102，RANSAC子结构拟合：为了区分缺陷的形变和部件自身存在形状和拓扑变化，对邻域Rk进行子结构分割；采用RANSAC(Random Sample Consensus)鲁棒平面拟合方法逐次拟合平面，属于平面的内点构成子结构Mj＝{pi}i＝1，2，...，τ,其中τ≤k；最后构建三维点云的子结构集，即
Figure SMS_13
其中n表示子结构的总数。
S200，如图3所示，法向量计算
S201，子结构协方差矩阵构建：对子结构Mj＝{pi}i＝1，2，...，τ构建其协方差矩阵
Figure SMS_14
其中“·”表示向量内积运算符，/>
Figure SMS_15
S202奇异值分解法向量估计：对协方差矩阵C做奇异值分解(singularity valuedecomposition)，最小特征值对应的特征向量作为法向量N的估计。
S300，如图4所示，Surflet特征构建
S301，Surflet定义：对于任意一点Pi∈S，定义向量对(P，N)为Surflet，其中P为的Pi点的位置向量，N为该点的法向量；
S302，Darboux坐标原点判别：如图8所示，搜索k2近邻点，对于邻域内的(P1，N1)和(P2，N2)Surflet对，如果|N1·(P2-P1)|≤|N2·(P2-P1)|，则P1点为坐标原点，否则P2点为坐标原点。以下假设P1点为坐标原点；
S303，如图9所示，Darboux坐标系构建：对于确定的坐标系原点P1，按照如下方式构建Darboux坐标系{u，v，w}；
u＝N1
Figure SMS_16
w＝u×v；
S304，Surflet特征计算：基于Darboux坐标系，按照如下方法计算四维Surflet特征，
θ＝arctan2(w·N1，u·N2)
α＝v·N2
Figure SMS_17
d＝||P2-P1||。
S400，如图5所示，子结构权值计算
在k2领域内的所有子结构Mj∈Rk，根据该子结构的重合度设计对Surflet特征的权值；权值计算公式如下：
Figure SMS_18
显然，权值的范围为(0，1]。由于权值描述了子结构的参与度，对三维点云的自身的结构几何形状具有更好的表达性，同时对自身结构结合形状的变化具有更好的适应性。
S500，如图5所示，加权特征子表达
基于上述方法计算可得Rk2邻域的Surflet特征(θ，α，φ，d)共
Figure SMS_19
个，以及对应的权值ρ；
S501，加权特征子描述：定义Surflet特征的量化宽度Hθ，Hα，Hφ，Hd，每个单项特征的量化级数记为Hθ，Hα，Hφ，Hd。加权特征子定义为HθHαHφHd级一维直方图；
S502，如图6所示，加权特征子构建：
S521，特征子直方图初始化：建立长度为HθHαHφHd的数组用作特征子直方图H，并将其全部初始化为零；
S522，Surflet特征量化：对于任一Surflet特征(θt，αt，φt，dt)，其中
Figure SMS_20
以θ为例，对应的的量化级计算方法为/>
Figure SMS_21
其中/>
Figure SMS_22
表示向上取整操作，其他特征均采取类似方法的处理；
S523，加权直方图迭代更新：对于每个Surflet特征(θt，αt，φt，dt)，以θ为例，对应H(c(θt))更新为H(c(0t))+ρt，其中ρt为该特征对应的权值，其他特征均采取类似方法的处理；
S524，加权特征子归一化：完成对
Figure SMS_23
个Surflet特征的加权直方图更新后，对直方图做归一化/>
Figure SMS_24
其中S＝4∑tρt。
S600，如图7所示，缺陷区域提取
S601，加权特征子相似性度量：如图10所示，待测部件三维点云的加权特征子H和标准模板的加权特征子HT，对应的相似性度量为：
Figure SMS_25
S602，缺陷点连通区域提取：设定相似度阈值ST，如果对于S＜T的点，标记为缺陷点。设定距离阈值dT，缺陷点的距离小于dT，则划分到同一个连通区域Ci中；
S603，缺陷区域标识：设定区域点数阈值PT对于每个缺陷点连通区域Ci，如果Ci内的三维点数超过个PT的标示为最终的缺陷区域。
本实施例所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (7)

1.一种部件表面缺陷检测方法，其特征在于，包括以下步骤：
步骤100，子结构分解，所述步骤100的具体步骤为：
步骤101，
Figure QLYQS_1
近邻提取：对于包含了/>
Figure QLYQS_2
个激光测量点的三维点云集合/>
Figure QLYQS_3
中的任意一点/>
Figure QLYQS_4
，采用快速近似搜索算法，搜索/>
Figure QLYQS_5
的/>
Figure QLYQS_6
个最近邻点，记为/>
Figure QLYQS_7
；
步骤102，RANSAC子结构拟合：对邻域
Figure QLYQS_8
进行子结构分割，采用RANSAC鲁棒平面拟合方法逐次拟合平面，属于平面的内点构成子结构/>
Figure QLYQS_9
,其中/>
Figure QLYQS_10
，最后构建三维点云的子结构集，即/>
Figure QLYQS_11
，其中/>
Figure QLYQS_12
表示子结构的总数；
步骤200，法向量计算；
步骤300，Surflet特征构建；
步骤400，子结构权值计算；
步骤500，加权特征子表达；
步骤600，缺陷区域提取。
2.根据权利要求1所述的一种部件表面缺陷检测方法，其特征在于：所述步骤200的具体步骤为：
步骤201，子结构协方差矩阵构建：对子结构
Figure QLYQS_13
构建其协方差矩阵
Figure QLYQS_14
，其中“/>
Figure QLYQS_15
”表示向量内积运算符，/>
Figure QLYQS_16
；
步骤202奇异值分解法向量估计：对协方差矩阵
Figure QLYQS_17
做奇异值分解，最小特征值对应的特征向量作为法向量/>
Figure QLYQS_18
的估计。
3.根据权利要求2所述的一种部件表面缺陷检测方法，其特征在于：所述步骤300的具体步骤为：
步骤301，Surflet定义：对于任意一点
Figure QLYQS_19
，定义向量对/>
Figure QLYQS_20
为Surflet，其中/>
Figure QLYQS_21
为的
Figure QLYQS_22
点的位置向量，/>
Figure QLYQS_23
为该点的法向量；
步骤302，Darboux坐标原点判别：搜索
Figure QLYQS_24
近邻点，对于邻域内的/>
Figure QLYQS_25
和/>
Figure QLYQS_26
Surflet对，如果/>
Figure QLYQS_27
，则/>
Figure QLYQS_28
点为坐标原点，否则/>
Figure QLYQS_29
点为坐标原点；
步骤303，Darboux坐标系构建：对于确定的坐标系原点
Figure QLYQS_30
，按照如下方式构建Darboux坐标系/>
Figure QLYQS_31
；
Figure QLYQS_32
Figure QLYQS_33
Figure QLYQS_34
；
步骤304，Surflet特征计算：基于Darboux坐标系，按照如下方法计算四维Surflet特征：
Figure QLYQS_35
Figure QLYQS_36
Figure QLYQS_37
Figure QLYQS_38
。
4.根据权利要求3所述的一种部件表面缺陷检测方法，其特征在于：所述步骤400的具体步骤为：
在
Figure QLYQS_39
领域内的所有子结构/>
Figure QLYQS_40
，根据该子结构的重合度设计对Surflet特征的权值，权值计算公式如下：
Figure QLYQS_41
权值的范围为
Figure QLYQS_42
。
5.根据权利要求4所述的一种部件表面缺陷检测方法，其特征在于：所述步骤500的具体步骤为：
步骤501，加权特征子描述：定义Surflet特征的量化宽度
Figure QLYQS_43
，每个单项特征的量化级数记为/>
Figure QLYQS_44
，加权特征子定义为/>
Figure QLYQS_45
级一维直方图；
步骤502，加权特征子构建。
6.根据权利要求5所述的一种部件表面缺陷检测方法，其特征在于：所述步骤502的具体步骤为：
步骤521，特征子直方图初始化：建立长度为
Figure QLYQS_46
的数组用作特征子直方图/>
Figure QLYQS_47
，并将其全部初始化为零；
步骤522，Surflet特征量化：对于任一Surflet特征
Figure QLYQS_48
，其中t=1,2,…,
Figure QLYQS_49
；以/>
Figure QLYQS_50
为例，对应的的量化级计算方法为/>
Figure QLYQS_51
，其中/>
Figure QLYQS_52
表示向上取整操作，其他特征均采取类似方法的处理；
步骤523，加权直方图迭代更新：对于每个Surflet特征
Figure QLYQS_53
，以/>
Figure QLYQS_54
为例，对应
Figure QLYQS_55
更新为/>
Figure QLYQS_56
，其中/>
Figure QLYQS_57
为该特征对应的权值，其他特征均采取类似方法的处理；
步骤524，加权特征子归一化：完成对
Figure QLYQS_58
个Surflet特征的加权直方图更新后，对直方图做归一化/>
Figure QLYQS_59
，其中/>
Figure QLYQS_60
。
7.根据权利要求6所述的一种部件表面缺陷检测方法，其特征在于：所述步骤600的具体步骤为：
步骤601，加权特征子相似性度量：待测部件三维点云的加权特征子
Figure QLYQS_61
和标准模板的加权特征子/>
Figure QLYQS_62
，对应的相似性度量为：
Figure QLYQS_63
；
步骤602，缺陷点连通区域提取：设定相似度阈值
Figure QLYQS_64
，如果对于/>
Figure QLYQS_65
的点，标记为缺陷点，设定距离阈值/>
Figure QLYQS_66
，缺陷点的距离小于/>
Figure QLYQS_67
，则划分到同一个连通区域/>
Figure QLYQS_68
中；
步骤603，缺陷区域标识：设定区域点数阈值
Figure QLYQS_69
对于每个缺陷点连通区域/>
Figure QLYQS_70
，如果/>
Figure QLYQS_71
内的三维点数超过个/>
Figure QLYQS_72
的标示为最终的缺陷区域。
CN201911184638.4A 2019-11-27 2019-11-27 一种部件表面缺陷检测方法 Active CN111008964B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911184638.4A CN111008964B (zh) 2019-11-27 2019-11-27 一种部件表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911184638.4A CN111008964B (zh) 2019-11-27 2019-11-27 一种部件表面缺陷检测方法

Publications (2)

Publication Number Publication Date
CN111008964A CN111008964A (zh) 2020-04-14
CN111008964B true CN111008964B (zh) 2023-06-23

Family

ID=70112219

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911184638.4A Active CN111008964B (zh) 2019-11-27 2019-11-27 一种部件表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN111008964B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783798B (zh) * 2020-07-01 2023-09-15 北京大学深圳研究生院 基于显著性特征的模拟残缺点云的遮罩生成方法
CN116952826B (zh) * 2023-09-19 2023-12-05 江苏乔科科技有限公司 一种pcb板抗腐蚀性检测系统
CN116958150B (zh) * 2023-09-21 2024-04-02 深圳市中农易讯信息技术有限公司 农产品的缺陷检测和缺陷等级划分方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1139285A1 (de) * 2000-03-31 2001-10-04 Österreichisches Forschungszentrum Seibersdorf Ges.m.b.H. Verfahren und Vorrichtung zur Prüfung bzw. Untersuchung von Gegenständen
CN101710081A (zh) * 2009-12-07 2010-05-19 杭州电子科技大学 基于图像纹理与分形维数的机械零件表面缺陷检测方法
CN101893580A (zh) * 2010-06-10 2010-11-24 北京交通大学 基于数字图像的钢轨表面缺陷检测方法
CN102236794A (zh) * 2010-05-07 2011-11-09 Mv科技软件有限责任公司 3d场景中3d对象的识别和姿态确定
CN104006740A (zh) * 2013-02-20 2014-08-27 国立大学法人九州工业大学 物体检测方法和物体检测装置
CN105354831A (zh) * 2015-09-30 2016-02-24 广东工业大学 一种基于图像分块方差-加权特征值的多缺陷检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004007830B4 (de) * 2004-02-18 2007-05-10 Isra Vision Systems Ag Verfahren zur Lokalisierung von Fehlstellen und Markiersystem
JP7015001B2 (ja) * 2018-03-14 2022-02-02 オムロン株式会社 欠陥検査装置、欠陥検査方法、及びそのプログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1139285A1 (de) * 2000-03-31 2001-10-04 Österreichisches Forschungszentrum Seibersdorf Ges.m.b.H. Verfahren und Vorrichtung zur Prüfung bzw. Untersuchung von Gegenständen
CN101710081A (zh) * 2009-12-07 2010-05-19 杭州电子科技大学 基于图像纹理与分形维数的机械零件表面缺陷检测方法
CN102236794A (zh) * 2010-05-07 2011-11-09 Mv科技软件有限责任公司 3d场景中3d对象的识别和姿态确定
CN101893580A (zh) * 2010-06-10 2010-11-24 北京交通大学 基于数字图像的钢轨表面缺陷检测方法
CN104006740A (zh) * 2013-02-20 2014-08-27 国立大学法人九州工业大学 物体检测方法和物体检测装置
CN105354831A (zh) * 2015-09-30 2016-02-24 广东工业大学 一种基于图像分块方差-加权特征值的多缺陷检测方法

Also Published As

Publication number Publication date
CN111008964A (zh) 2020-04-14

Similar Documents

Publication Publication Date Title
CN111008964B (zh) 一种部件表面缺陷检测方法
Wang et al. A simple guidance template-based defect detection method for strip steel surfaces
CN108107444B (zh) 基于激光数据的变电站异物识别方法
CN111640158B (zh) 基于对应掩模的端到端的摄像头与激光雷达外参标定方法
CN107358617B (zh) 一种探地雷达记录剖面中目标顶点的检测方法
CN111781608B (zh) 一种基于fmcw激光雷达的运动目标检测方法及系统
WO2018190570A1 (ko) 프리캐스트 콘크리트의 보강용 철근 위치 검출 방법 및 이의 검출 장치
CN108444413B (zh) 陶瓷墙地砖平整度检测装置及方法
CN111524129A (zh) 一种基于端面提取的飞机蒙皮对缝间隙计算方法
CN103727930A (zh) 一种基于边缘匹配的激光测距仪与相机相对位姿标定方法
CN114037706A (zh) 一种基于三维点云模型的预制梁段表面平整度检测方法
CN112966542A (zh) 一种基于激光雷达的slam系统和方法
WO2006082773A1 (ja) 対象物測定方法及びコンピュータシステムを用いて対象物の三次元形状を計測するためのコンピュータソフトウエアプログラム
CN116740072B (zh) 基于机器视觉的道路表面缺陷检测方法及系统
CN113781585B (zh) 一种增材制造零件表面缺陷在线检测方法及系统
CN108182705A (zh) 一种基于机器视觉的三维坐标定位方法
CN110221312A (zh) 一种基于激光雷达快速检测地面点云的方法
CN112669333A (zh) 一种单木信息提取方法
CN115308222A (zh) 一种基于机器视觉的芯片外观不良识别系统及方法
CN113689394A (zh) 一种基于三维点云的隧道初支平整度检测方法
CN113554667A (zh) 一种基于图像识别的三维位移检测方法及装置
Dai et al. Aircraft seam feature extraction from 3D raw point cloud via hierarchical multi-structure fitting
CN108931206A (zh) 用于钢轨轮廓离群点检测及有效廓形识别的方法
CN116703895B (zh) 基于生成对抗网络的小样本3d视觉检测方法及其系统
CN115816834B (zh) 用于打印机打印质量实时监测的方法及系统

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
GR01 Patent grant
GR01 Patent grant