CN111080582A - 工件内外表面缺陷检测方法 - Google Patents

工件内外表面缺陷检测方法 Download PDF

Info

Publication number
CN111080582A
CN111080582A CN201911211878.9A CN201911211878A CN111080582A CN 111080582 A CN111080582 A CN 111080582A CN 201911211878 A CN201911211878 A CN 201911211878A CN 111080582 A CN111080582 A CN 111080582A
Authority
CN
China
Prior art keywords
image
coordinates
defect
point
center
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
Application number
CN201911211878.9A
Other languages
English (en)
Other versions
CN111080582B (zh
Inventor
邝丽娜
崔鹏飞
尹仕斌
郭寅
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.)
Yi Si Si Hangzhou Technology Co ltd
Original Assignee
Isvision Hangzhou Technology 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 Isvision Hangzhou Technology Co Ltd filed Critical Isvision Hangzhou Technology Co Ltd
Priority to CN201911211878.9A priority Critical patent/CN111080582B/zh
Publication of CN111080582A publication Critical patent/CN111080582A/zh
Application granted granted Critical
Publication of CN111080582B publication Critical patent/CN111080582B/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
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种工件内外表面缺陷检测方法，包括：设置在工件内、外两侧的图像采集系统同步采集待测区域的图像，得到内侧图像和外侧图像；提取内侧图像组中的缺陷区域中心点坐标，将其记为内缺陷中心坐标；提取外侧图像组中的缺陷区域中心点坐标，将其记为外缺陷中心坐标；将内缺陷中心坐标与外缺陷中心坐标转换到同一坐标系下，计算转换后坐标的位置偏差，若偏差值小于既定阈值，则判断为工件待测区域内外两侧同时存在缺陷；否则判断为工件待测区域内、外两侧并非同时存在缺陷；该方法能够有效识别两侧缺陷是否位于内外表面的同一位置上，具有实时性好、准确率高，不易发生误判、误检的优势；适用于工业现场对产品质量的检测。

Description

工件内外表面缺陷检测方法
技术领域
本发明涉及视觉检测领域，具体涉及一种工件内外表面缺陷检测方法。
背景技术
把控产品质量一直是加工制造领域经久不衰的话题，如在工业现场，往往需要对工件表面质量进行实时检测，以确保工件质量，规避工件报废及生产成本增加等影响，随着计算机技术的发展，基于视觉技术的产品表面检测方法越来越多的替代了传统检测方法，但是现有的表面缺陷视觉检测方法只针对单侧产品表面进行检测，对于工件内外表面缺陷的检测需求，尚无有效的视觉检测方案，事实上，对工件的内外表面缺陷进行同步检测是十分必要的，如当工件同一位置的内外表面同时存在缺陷(如对穿气泡)时，该工件的使用寿命相比于单一表面存在缺陷，将大打折扣，是一种严重的质量问题，因此，急需一种能够同时有效检测工件内外表面的视觉检测系统。
发明内容
针对上述问题，本发明提出一种工件内外表面缺陷检测方法，该方法能够有效识别两侧缺陷是否位于内外表面的同一位置上，具有实时性好、准确率高，不易发生误判、误检的优势；适用于工业现场对产品质量的检测。
一种工件内外表面缺陷检测方法，包括以下步骤：
1)设置在工件内、外两侧的图像采集系统同步采集待测区域的图像，得到内侧图像和外侧图像；
2)提取内侧图像组中的缺陷区域中心点坐标，将其记为内缺陷中心坐标；提取外侧图像组中的缺陷区域中心点坐标，将其记为外缺陷中心坐标；
3)将内缺陷中心坐标与外缺陷中心坐标转换到同一坐标系下，计算转换后坐标的位置偏差，若偏差值小于既定阈值，则判断为：工件待测区域内、外两侧同时存在缺陷；否则判断为：工件待测区域内、外两侧并非同时存在缺陷。
其中，图像采集系统可采用双目立体视觉系统或结构光测量系统，二者也可组合使用，如内侧采用双目立体视觉系统外侧采用结构光测量系统；
结构光测量系统包括相机、线/面结构光发射器；
进一步，任一侧的图像采集系统至少包含一组结构光测量系统；
步骤2)中，获取单侧图像的点云数据，得到点云图像；将整幅点云图像记为待测区域，设置窗口A；进行以下步骤：
(1)将窗口A置于待测区域中；
对窗口A内的所有点云数据进行拟合，得到标准偏差，若标准偏差大于预设偏差A1，则将点云图像中该窗口所在的区域标记为待定缺陷区域，否则将其标记为背景区域；
移动窗口A的位置，再次判断点云图像中某一区域的类型，连续移动窗口位置，直到判断出点云图像中所有区域的类型；
(2)将窗口A的尺寸缩小，更新为新的窗口A，将所有待定缺陷区域更新为新的待测区域，重复步骤(1)的操作；
(3)重复步骤(2)2～5次；将最后得到的待定缺陷区域，记为缺陷区域；采用重心法提取缺陷区域的中心点坐标；
将从内侧图像组中提取的中心点坐标记为内缺陷中心坐标、外侧图像组中提取的中心点坐标记为外缺陷中心坐标。
单侧的图像采集系统中设置多组结构光测量系统能够扩大检测范围，能够同时对内/外侧的多个待检测区域进行图像采集；
进一步，窗口A尺寸为a×a；a＝5～10；A1＝0.1～0.3；步骤(3)中还包括：利用直通滤波器对缺陷区域的点云进行滤波。
进一步，任一侧的图像采集系统至少包含一组双目立体视觉系统；
步骤2)中，分别对内侧图像组和外侧图像组中的单张图像进行图像预处理、边缘提取，得到每张图像中的缺陷区域的像素点；
对同侧图像中的缺陷区域像素点进行立体匹配得到视差图，根据视差图计算出缺陷区域的三维坐标；提取缺陷区域的中心点坐标；
将从内侧图像组中提取的中心点坐标记为内缺陷中心坐标、外侧图像组中提取的中心点坐标记为外缺陷中心坐标；单侧的图像采集系统中设置多组双目立体视觉系统能够扩大检测范围，同时对内/外侧的多个待检测区域进行图像采集；
进一步，所述图像预处理方法为：
将灰度图像中的所有像素按照灰度值从小到大排序，将该排序中第P个像素对应的灰度值记为Llow、第Q个像素对应的灰度值记为Lhigh；
对灰度图像进行灰度归一化处理，将图像的灰度级从[Llow,Lhigh]扩展到[0,255]；
其中，P＝roundup(p’×m)，Q＝roundup(q’×m)，roundup表示向上取整函数，p’、q’表示比例系数；
对灰度归一化处理得到的图像进行图像滤波，完成对图像的预处理。
进一步，p’＝0.03～0.1；优选p’＝0.05；q’＝0.9～0.98；优选q’＝0.95。
进一步，步骤2)中边缘提取方法为：
①计算灰度图中各像素点的梯度信息，得出梯度图像，利用OTSU算法获取梯度图像的全局梯度阈值TOTSU；从初始像素点开始，以该像素点作为中心点，建立选区；
②利用最大熵阈值分割方法对选区进行处理，将得出的梯度阈值记为Tksw；
根据Tksw计算当前选区的高阈值TH、低阈值TL：
TH＝max(2*TOTSU/3，(Tksw-TOTSU)/3)
TL＝min(TOTSU/3,(Tksw+TOTSU)/6)
若当前中心点的梯度值T≥TH，则将该中心点标记为缺陷区域的像素点；
若TL＜T＜TH，则将该中心点标记为待定点；
否则，将该中心点标记为背景区域像素点；
③将当前中心点的下一个像素点作为新的中心点，建立新的选区，重复步骤②；直到将整个图像中所有像素点标记完成；
④判断以单个待定点为中心的八邻域内是否存在缺陷区域的像素点，若是，则将该待定点也标记为边缘区域的像素点；若否，则将其标记为背景区域的像素点；
以相同方法判断所有待定点，得出图像中的所有缺陷区域的像素点。
为了提高边缘检测的准确性，优选，步骤①中，先利用非极大值抑制方法过滤梯度图像中的噪点，再计算TOTSU；
步骤②之前还包括步骤
I、获取选区内梯度的最小值Gmin、最大值Gmax；
按照梯度值的大小对选区内的像素点进行排序，得到选区的梯度序列，将该梯度序列中第S个像素对应的梯度值记为Gk，其中S＝roundup(s’×n)，roundup表示向上取整函数，s’表示比例系数，s’＝0.3～0.6，优选s’＝0.5；n表示选区中像素点的总数；
II、若|Gmin-Gk|＜0.1*|Gmax-Gmin|或|Gmax-Gk|＜0.1*|Gmax-Gmin|，则增大当前选区的尺寸，再次进行步骤I；
否则，进行步骤②。
为了便于解算，优选，图像采集系统对称设置在工件内、外两侧。
当内外侧系统对称时，步骤3)将内缺陷中心坐标与外缺陷中心坐标转换到同一坐标系下的方法为：
将外侧设置的图像采集系统中任一部相机记为外侧基准相机，并将该相机的相机坐标系作为外侧基准坐标系，将外缺陷中心坐标转换到所述外侧基准坐标系中，转换后的坐标记为(xA,yA,zA)；
在内侧的图像采集系统中进行相同设置，得出内侧基准坐标系，将内缺陷中心坐标转换到所述内侧基准坐标系中，转换后的坐标记为(xB,yB,zB)；
将内侧基准坐标系作为全局坐标系，将(xA,yA,zA)转换为全局坐标系中的点(x′A,y′A,z′A)：
(x′A,y′A,z′A)＝(xA,yA,zA)+(Δxo,Δyo,Δzo)
其中，(Δxo,Δyo,Δzo)为标定得出的外侧基准坐标系原点与内侧基准坐标系原点之间在各方向的位置偏差；
或者：
将外侧基准坐标系作为全局坐标系，将(xB,yB,zB)转换为全局坐标系中的点(x′B,y′B,z′B)：
(x′B，y′B，z′B)＝(xB，yB，zB)+(Δxo，Δyo，Δzo)
其中，(Δxo,Δyo,Δzo)为标定得出的外侧基准坐标系原点与内侧基准坐标系原点之间在各方向的位置偏差。
本方法利用图像采集系统同步检测工件内、外表面是否存在缺陷；该方法能够将内外缺陷坐标信息转换到同一坐标系，并有效识别两侧缺陷是否位于内外表面的同一位置上，具有实时性好、准确率高，不易发生误判、误检的优势；
此外，设计了改进的灰度归一化方法，一方面有效增强了特征与背景之间的差异性，另一方面Llow、Lhigh均为使用统计信息获取，规避了噪点的干扰，对图像对比度的提升效果更佳；
改进的边缘检测方法，既能兼顾整体边缘特征分布，又能针对局部差异性对全局阈值进行适当调整，可有效避免过检和漏检，更有利于工件表面特征提取。
基于上述改进，对于低对比度的图像(如工业现场采集的铝制板材表面图像，图像的像素灰度差＜30)和细小缺陷的检测，本方法依然能够保持良好的准确性，而现有阈值分割方法容易出现漏检、错检；
本方法降低了对采集图像质量的要求，实时性好，适用于工业现场对产品质量的检测。
附图说明
图1为实施例2中设置在工件内、外两侧的图像采集系统示意图；
图2为实施例2中采用双目立体视觉系统处理方法流程示意图；
图3(a)为实施例2中工件单侧表面气泡缺陷图像；(b)为实施例2中现有canny边缘提取方法处理结果图；(c)为实施例2中发明边缘提取方法处理结果图。
具体实施方式
以下结合附图和具体实施方式对本发明的技术方案进行详细描述。
实施例1
一种工件内外表面缺陷检测方法，包括以下步骤：
1)设置在工件内、外两侧的图像采集系统同步采集待测区域的图像，得到内侧图像和外侧图像；
2)提取内侧图像组中的缺陷区域中心点坐标，将其记为内缺陷中心坐标；提取外侧图像组中的缺陷区域中心点坐标，将其记为外缺陷中心坐标；
3)将内缺陷中心坐标与外缺陷中心坐标转换到同一坐标系下，计算转换后坐标的位置偏差，若偏差值小于既定阈值，则判断为：工件待测区域内、外两侧同时存在缺陷；否则判断为：工件待测区域内、外两侧并非同时存在缺陷。
其中，图像采集系统可采用双目立体视觉系统或结构光测量系统，二者也可组合使用，如内侧采用双目立体视觉系统外侧采用结构光测量系统；
具体的，作为本实施例的一种实施方式，采用结构光测量系统时，其处理过程如下：
任一侧的图像采集系统一组结构光测量系统；
步骤2)中，获取单侧图像的点云数据，得到点云图像；将整幅点云图像记为待测区域，设置窗口A(a×a)；进行以下步骤：
(1)将窗口A置于待测区域中；
对窗口A内的所有点云数据进行拟合，得到标准偏差，若标准偏差大于预设偏差A1，则将点云图像中该窗口所在的区域标记为待定缺陷区域，否则将其标记为背景区域；
移动窗口A的位置，再次判断点云图像中某一区域的类型，连续移动窗口位置，直到判断出点云图像中所有区域的类型；
(2)将窗口A的尺寸缩小(a＝a-1)，更新为新的窗口A，将所有待定缺陷区域更新为新的待测区域，重复步骤(1)的操作；
(3)重复步骤(2)2～5次；将最后得到的待定缺陷区域，记为缺陷区域；采用重心法提取缺陷区域的中心点坐标；
将从内侧图像组中提取的中心点坐标记为内缺陷中心坐标、外侧图像组中提取的中心点坐标记为外缺陷中心坐标。
其中，窗口A尺寸为a×a；a＝5～10；A1＝0.1～0.3；步骤(3)中还包括：利用直通滤波器对缺陷区域的点云进行滤波。
单侧的图像采集系统中设置多组结构光测量系统能够扩大检测范围，能够同时对内/外侧的多个待检测区域进行图像采集；
实施例2
一种工件内外表面缺陷检测方法，包括以下步骤：
1)设置在工件内、外两侧的图像采集系统同步采集待测区域的图像，得到内侧图像和外侧图像；
2)提取内侧图像组中的缺陷区域中心点坐标，将其记为内缺陷中心坐标；提取外侧图像组中的缺陷区域中心点坐标，将其记为外缺陷中心坐标；
3)将内缺陷中心坐标与外缺陷中心坐标转换到同一坐标系下，计算转换后坐标的位置偏差，若偏差值小于既定阈值，则判断为：工件待测区域内、外两侧同时存在缺陷；否则判断为：工件待测区域内、外两侧并非同时存在缺陷。
为了便于解算，本实施例中，图像采集系统对称设置在工件内、外两侧；具体过程如下：
如图1所示，单侧的图像采集系统包含一组双目立体视觉系统2，工件1的待测位置处于双目立体视觉系统的公共视场之内；
如图2所示，步骤2)中，分别对内侧图像组和外侧图像组中的单张图像进行图像预处理、边缘提取，得到每张图像中的缺陷区域的像素点；
对同侧图像中的缺陷区域像素点进行立体匹配得到视差图，根据视差图计算出缺陷区域的三维坐标；提取缺陷区域的中心点坐标；
将从内侧图像组中提取的中心点坐标记为内缺陷中心坐标、外侧图像组中提取的中心点坐标记为外缺陷中心坐标；单侧的图像采集系统中设置多组双目立体视觉系统能够扩大检测范围，同时对内/外侧的多个待检测区域进行图像采集；
具体的，图像预处理方法为：
将灰度图像中的所有像素按照灰度值从小到大排序，将该排序中第P个像素对应的灰度值记为Llow、第Q个像素对应的灰度值记为Lhigh；
对灰度图像进行灰度归一化处理，将图像的灰度级从[Llow,Lhigh]扩展到[0,255]；
其中，P＝roundup(p’×m)，Q＝roundup(q’×m)，roundup表示向上取整函数，p’、q’表示比例系数；
对灰度归一化处理得到的图像进行图像滤波，完成对图像的预处理。
其中，p’＝0.03～0.1；q’＝0.9～0.98；本实施例设置为p’＝0.05、q’＝0.95。
边缘提取方法为：
①计算灰度图中各像素点的梯度信息，得出梯度图像，利用非极大值抑制方法过滤梯度图像中的噪点，利用OTSU算法获取梯度图像的全局梯度阈值TOTSU；从初始像素点开始，以该像素点作为中心点，建立选区；
对选区进行以下调节步骤：
I、获取选区内梯度的最小值Gmin、最大值Gmax；
按照梯度值的大小对选区内的像素点进行排序，得到选区的梯度序列，将该梯度序列中第S个像素对应的梯度值记为Gk，其中S＝roundup(s’×n)，roundup表示向上取整函数，s’表示比例系数，s’＝0.3～0.6，本实施例值s’＝0.5；n表示选区中像素点的总数；
II、若|Gmin-Gk|＜0.1*|Gmax-Gmin|或|Gmax-Gk|＜0.1*|Gmax-Gmin|，则增大当前选区的尺寸，再次进行步骤I；
否则，进行步骤②；
②利用最大熵阈值分割方法对选区进行处理，将得出的梯度阈值记为Tksw；
根据Tksw计算当前选区的高阈值TH、低阈值TL：
TH＝max(2*TOTSU/3，(Tksw+TOTSU)/3)
TL＝min(TOTSU/3,(Tksw+TOTSU)/6)
若当前中心点的梯度值T≥TH，则将该中心点标记为缺陷区域的像素点；
若TL＜T＜TH，则将该中心点标记为待定点；
否则，将该中心点标记为背景区域像素点；
③将当前中心点的下一个像素点作为新的中心点，建立新的选区，重复步骤②；直到将整个图像中所有像素点标记完成；
④判断以单个待定点为中心的八邻域内是否存在缺陷区域的像素点，若是，则将该待定点也标记为边缘区域的像素点；若否，则将其标记为背景区域的像素点；
以相同方法判断所有待定点，得出图像中的所有缺陷区域的像素点。
步骤3)将内缺陷中心坐标与外缺陷中心坐标转换到同一坐标系下的方法为：
将外侧设置的图像采集系统中任一部相机记为外侧基准相机，并将该相机的相机坐标系作为外侧基准坐标系，将外缺陷中心坐标转换到外侧基准坐标系中，转换后的坐标记为(xA，yA，zA)；
在内侧的图像采集系统中进行相同设置，得出内侧基准坐标系，将内缺陷中心坐标转换到内侧基准坐标系中，转换后的坐标记为(xB，yB，zB)；
将内侧基准坐标系作为全局坐标系，将(xA，yA，zA)转换为全局坐标系中的点(x′A，y′A，z′A)：
(x′A，y′A，z′A)＝(xA，yA，zA)+(Δxo，Δyo，Δzo)
其中，(Δxo，Δyo，Δzo)为标定得出的外侧基准坐标系原点与内侧基准坐标系原点之间在各方向的位置偏差；
应当知晓的是，全局坐标系也可以设为外侧基准坐标系，将(xB，yB，zB)转换为全局坐标系中的点(x′B，y′B，z′B)：
(x′B，y′B，z′B)＝(xB，yB，zB)+(Δxo，Δyo，Δzo)
其中，(Δxo,Δyo,Δzo)为标定得出的外侧基准坐标系原点与内侧基准坐标系原点之间在各方向的位置偏差。
将本实施例应用于冲压件的对穿气泡缺陷检测，单张图像处理效果如图3所示，(a)为工件单侧表面气泡缺陷图像；(b)为现有canny边缘提取方法处理结果图；(c)本发明边缘提取方法处理结果图；
可见，现有canny边缘提取方法会出现错检现象，不利于准确提取缺陷区域的像素点；造成后续计算过程的解算错误，而本发明方法能够有效提取缺陷区域、具有更好的普适性。
前面对本发明具体示例性实施方案所呈现的描述是出于说明和描述的目的。前面的描述并不想要成为毫无遗漏的，也不是想要把本发明限制为所公开的精确形式，显然，根据上述教导很多改变和变化都是可能的。选择示例性实施方案并进行描述是为了解释本发明的特定原理及其实际应用，从而使得本领域的其它技术人员能够实现并利用本发明的各种示例性实施方案及其不同选择形式和修改形式。本发明的范围旨在由所附权利要求书及其等价形式所限定。

Claims (10)

1.工件内外表面缺陷检测方法，其特征在于，包括以下步骤：
1)设置在工件内、外两侧的图像采集系统同步采集待测区域的图像，得到内侧图像和外侧图像；
2)提取内侧图像组中的缺陷区域中心点坐标，将其记为内缺陷中心坐标；提取外侧图像组中的缺陷区域中心点坐标，将其记为外缺陷中心坐标；
3)将内缺陷中心坐标与外缺陷中心坐标转换到同一坐标系下，计算转换后坐标的位置偏差，若偏差值小于既定阈值，则判断为：工件待测区域内、外两侧同时存在缺陷；否则判断为：工件待测区域内、外两侧并非同时存在缺陷。
2.如权利要求1所述工件内外表面缺陷检测方法，其特征在于：任一侧的图像采集系统至少包含一组结构光测量系统；
步骤2)中，获取单侧图像的点云数据，得到点云图像；将整幅点云图像记为待测区域，设置窗口A；进行以下步骤：
(1)将窗口A置于待测区域中；
对窗口A内的所有点云数据进行拟合，得到标准偏差，若标准偏差大于预设偏差A1，则将点云图像中该窗口所在的区域标记为待定缺陷区域，否则将其标记为背景区域；
移动窗口A的位置，再次判断点云图像中某一区域的类型，连续移动窗口位置，直到判断出点云图像中所有区域的类型；
(2)将窗口A的尺寸缩小，更新为新的窗口A，将所有待定缺陷区域更新为新的待测区域，重复步骤(1)的操作；
(3)重复步骤(2)2～5次；将最后得到的待定缺陷区域，记为缺陷区域；采用重心法提取缺陷区域的中心点坐标；
将从内侧图像组中提取的中心点坐标记为内缺陷中心坐标、外侧图像组中提取的中心点坐标记为外缺陷中心坐标。
3.如权利要求2所述工件内外表面缺陷检测方法，其特征在于：窗口A尺寸为a×a；a＝5～10；A1＝0.1～0.3；步骤(3)中还包括：利用直通滤波器对缺陷区域的点云进行滤波。
4.如权利要求1所述工件内外表面缺陷检测方法，其特征在于：任一侧的图像采集系统至少包含一组双目立体视觉系统；
步骤2)中，分别对内侧图像组和外侧图像组中的单张图像进行图像预处理、边缘提取，得到每张图像中的缺陷区域的像素点；
对同侧图像中的缺陷区域像素点进行立体匹配得到视差图，根据视差图计算出缺陷区域的三维坐标；提取缺陷区域的中心点坐标；
将从内侧图像组中提取的中心点坐标记为内缺陷中心坐标、外侧图像组中提取的中心点坐标记为外缺陷中心坐标。
5.如权利要求4所述工件内外表面缺陷检测方法，其特征在于：所述图像预处理方法为：
将灰度图像中的所有像素按照灰度值从小到大排序，将该排序中第P个像素对应的灰度值记为Llow、第Q个像素对应的灰度值记为Lhigh；
对灰度图像进行灰度归一化处理，将图像的灰度级从[Llow,Lhigh]扩展到[0,255]；
其中，P＝roundup(p’×m)，Q＝roundup(q’×m)，roundup表示向上取整函数，p’、q’表示比例系数；
对灰度归一化处理得到的图像进行图像滤波，完成对图像的预处理。
6.如权利要求5所述工件内外表面缺陷检测方法，其特征在于：p’＝0.03～0.1；优选p’＝0.05；q’＝0.9～0.98；优选q’＝0.95。
7.如权利要求4所述工件内外表面缺陷检测方法，其特征在于：所述边缘提取的方法为：
①计算灰度图中各像素点的梯度信息，得出梯度图像，利用OTSU算法获取梯度图像的全局梯度阈值TOTSU；从初始像素点开始，以该像素点作为中心点，建立选区；
②利用最大熵阈值分割方法对选区进行处理，将得出的梯度阈值记为Tksw；
根据Tksw计算当前选区的高阈值TH、低阈值TL：
TH＝max(2*TOTSU/3,(Tksw+TOTSU)/3)
TL＝min(TOTSU/3,(Tksw+TOTSU)/6)
若当前中心点的梯度值T≥TH，则将该中心点标记为缺陷区域的像素点；
若TL＜T＜TH，则将该中心点标记为待定点；
否则，将该中心点标记为背景区域像素点；
③将当前中心点的下一个像素点作为新的中心点，建立新的选区，重复步骤②；直到将整个图像中所有像素点标记完成；
④判断以单个待定点为中心的八邻域内是否存在缺陷区域的像素点，若是，则将该待定点也标记为边缘区域的像素点；若否，则将其标记为背景区域的像素点；
以相同方法判断所有待定点，得出图像中的所有缺陷区域的像素点。
8.如权利要求7所述工件内外表面缺陷检测方法，其特征在于：步骤①中，先利用非极大值抑制方法过滤梯度图像中的噪点，再计算TOTSU；
步骤②之前还包括步骤
I、获取选区内梯度的最小值Gmin、最大值Gmax；
按照梯度值的大小对选区内的像素点进行排序，得到选区的梯度序列，将该梯度序列中第S个像素对应的梯度值记为Gk，其中S＝roundup(s’×n)，roundup表示向上取整函数，s’表示比例系数，s’＝0.3～0.6，优选s’＝0.5；n表示选区中像素点的总数；
II、若|Gmin-Gk|＜0.1*|Gmax-Gmin|或|Gmax-Gk|＜0.1*|Gmax-Gmin|，则增大当前选区的尺寸，再次进行步骤I；
否则，进行步骤②。
9.如权利要求2或4所述工件内外表面缺陷检测方法，其特征在于：图像采集系统对称设置在工件内、外两侧。
10.如权利要求9所述工件内外表面缺陷检测方法，其特征在于：步骤3)将内缺陷中心坐标与外缺陷中心坐标转换到同一坐标系下的方法为：
将外侧设置的图像采集系统中任一部相机记为外侧基准相机，并将该相机的相机坐标系作为外侧基准坐标系，将外缺陷中心坐标转换到所述外侧基准坐标系中，转换后的坐标记为(xA,yA,zA)；
在内侧的图像采集系统中进行相同设置，得出内侧基准坐标系，将内缺陷中心坐标转换到所述内侧基准坐标系中，转换后的坐标记为(xB,yB,zB)；
将内侧基准坐标系作为全局坐标系，将(xA,yA,zA)转换为全局坐标系中的点(x′A,y′A,z′A)：
(x′A,y′A,z′A)＝(xA,yA,zA)+(Δxo,Δyo,Δzo)
其中，(Δxo,Δyo,Δzo)为标定得出的外侧基准坐标系原点与内侧基准坐标系原点之间在各方向的位置偏差；
或者：
将外侧基准坐标系作为全局坐标系，将(xB,yB,zB)转换为全局坐标系中的点(x′B,y′B,z′B)：
(x′B,y′B,z′B)＝(xB,yB,zB)+(Δxo,Δyo,Δzo)
其中，(Δxo,Δyo,Δzo)为标定得出的外侧基准坐标系原点与内侧基准坐标系原点之间在各方向的位置偏差。
CN201911211878.9A 2019-12-02 2019-12-02 工件内外表面缺陷检测方法 Active CN111080582B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911211878.9A CN111080582B (zh) 2019-12-02 2019-12-02 工件内外表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911211878.9A CN111080582B (zh) 2019-12-02 2019-12-02 工件内外表面缺陷检测方法

Publications (2)

Publication Number Publication Date
CN111080582A true CN111080582A (zh) 2020-04-28
CN111080582B CN111080582B (zh) 2023-06-02

Family

ID=70312330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911211878.9A Active CN111080582B (zh) 2019-12-02 2019-12-02 工件内外表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN111080582B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932509A (zh) * 2020-08-03 2020-11-13 南京航空航天大学 一种基于正电子湮灭检测技术的管道内表面缺陷定位方法
CN112288717A (zh) * 2020-10-29 2021-01-29 哈尔滨市科佳通用机电股份有限公司 一种动车组列车侧部异物检测方法
CN112461846A (zh) * 2020-11-26 2021-03-09 常州微亿智造科技有限公司 工件缺陷检测方法及装置
CN112712502A (zh) * 2020-12-29 2021-04-27 凌云光技术股份有限公司 一种将正反面同步检测结果进行关联的方法
CN113592960A (zh) * 2021-08-18 2021-11-02 易思维（杭州）科技有限公司 一种从多张图像中筛选含特定特征图像的方法
CN113706468A (zh) * 2021-07-27 2021-11-26 河北光兴半导体技术有限公司 基于bp神经网络的玻璃缺陷检测方法
CN114332066A (zh) * 2022-01-05 2022-04-12 合肥工业大学 一种基于图像差分的针孔对准检测方法及装置
CN115641337A (zh) * 2022-12-23 2023-01-24 中科慧远视觉技术(北京)有限公司 一种线状缺陷检测方法、装置、介质、设备及系统
CN117314924A (zh) * 2023-11-30 2023-12-29 湖南西欧新材料有限公司 基于图像特征的电镀产品表面瑕疵检测方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4974261A (en) * 1988-11-15 1990-11-27 Matsushita Electric Works, Ltd. Optical surface inspection method
JPH10197455A (ja) * 1997-01-09 1998-07-31 Ricoh Co Ltd 表面欠陥検査装置
JP2002267619A (ja) * 2001-03-09 2002-09-18 Dainippon Printing Co Ltd 欠陥検査方法及び装置
JP2008245236A (ja) * 2007-02-27 2008-10-09 Sony Corp 撮像装置および欠陥画素補正方法
JP2013088247A (ja) * 2011-10-17 2013-05-13 Toppan Printing Co Ltd 品質監視システム及び品質監視方法
JP2016024104A (ja) * 2014-07-23 2016-02-08 アイシン精機株式会社 欠陥抽出装置及び欠陥抽出方法
CN105842885A (zh) * 2016-03-21 2016-08-10 凌云光技术集团有限责任公司 一种液晶屏缺陷分层定位方法及装置
US20170148102A1 (en) * 2015-11-23 2017-05-25 CSI Holdings I LLC Damage assessment and repair based on objective surface data
WO2018000731A1 (zh) * 2016-06-28 2018-01-04 华南理工大学 一种曲面表面缺陷自动检测方法及其装置
CN109523501A (zh) * 2018-04-28 2019-03-26 江苏理工学院 一种基于降维和点云数据匹配的电池外观缺陷检测方法
US20190096054A1 (en) * 2017-05-15 2019-03-28 HKC Corporation Limited Image acquiring device and method of correcting coordinates thereof
US20190197678A1 (en) * 2016-08-29 2019-06-27 Wuhan Jingce Electronic Group Co., Ltd. Gpu-based tft-lcd mura defect detection method
CN110378900A (zh) * 2019-08-01 2019-10-25 北京迈格威科技有限公司 产品缺陷的检测方法、装置及系统
US20200041284A1 (en) * 2017-02-22 2020-02-06 Wuhan Jimu Intelligent Technology Co., Ltd. Map road marking and road quality collecting apparatus and method based on adas system

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4974261A (en) * 1988-11-15 1990-11-27 Matsushita Electric Works, Ltd. Optical surface inspection method
JPH10197455A (ja) * 1997-01-09 1998-07-31 Ricoh Co Ltd 表面欠陥検査装置
JP2002267619A (ja) * 2001-03-09 2002-09-18 Dainippon Printing Co Ltd 欠陥検査方法及び装置
JP2008245236A (ja) * 2007-02-27 2008-10-09 Sony Corp 撮像装置および欠陥画素補正方法
JP2013088247A (ja) * 2011-10-17 2013-05-13 Toppan Printing Co Ltd 品質監視システム及び品質監視方法
JP2016024104A (ja) * 2014-07-23 2016-02-08 アイシン精機株式会社 欠陥抽出装置及び欠陥抽出方法
US20170148102A1 (en) * 2015-11-23 2017-05-25 CSI Holdings I LLC Damage assessment and repair based on objective surface data
CN105842885A (zh) * 2016-03-21 2016-08-10 凌云光技术集团有限责任公司 一种液晶屏缺陷分层定位方法及装置
WO2018000731A1 (zh) * 2016-06-28 2018-01-04 华南理工大学 一种曲面表面缺陷自动检测方法及其装置
US20190197678A1 (en) * 2016-08-29 2019-06-27 Wuhan Jingce Electronic Group Co., Ltd. Gpu-based tft-lcd mura defect detection method
US20200041284A1 (en) * 2017-02-22 2020-02-06 Wuhan Jimu Intelligent Technology Co., Ltd. Map road marking and road quality collecting apparatus and method based on adas system
US20190096054A1 (en) * 2017-05-15 2019-03-28 HKC Corporation Limited Image acquiring device and method of correcting coordinates thereof
CN109523501A (zh) * 2018-04-28 2019-03-26 江苏理工学院 一种基于降维和点云数据匹配的电池外观缺陷检测方法
CN110378900A (zh) * 2019-08-01 2019-10-25 北京迈格威科技有限公司 产品缺陷的检测方法、装置及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘洁;贺振东;吴彰良;巩晓;: "基于机器视觉的油封缺陷在线检测系统研究" *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932509A (zh) * 2020-08-03 2020-11-13 南京航空航天大学 一种基于正电子湮灭检测技术的管道内表面缺陷定位方法
CN111932509B (zh) * 2020-08-03 2024-04-12 南京航空航天大学 一种基于正电子湮灭检测技术的管道内表面缺陷定位方法
CN112288717A (zh) * 2020-10-29 2021-01-29 哈尔滨市科佳通用机电股份有限公司 一种动车组列车侧部异物检测方法
CN112461846B (zh) * 2020-11-26 2024-02-23 常州微亿智造科技有限公司 工件缺陷检测方法及装置
CN112461846A (zh) * 2020-11-26 2021-03-09 常州微亿智造科技有限公司 工件缺陷检测方法及装置
CN112712502A (zh) * 2020-12-29 2021-04-27 凌云光技术股份有限公司 一种将正反面同步检测结果进行关联的方法
CN112712502B (zh) * 2020-12-29 2024-04-19 凌云光技术股份有限公司 一种将正反面同步检测结果进行关联的方法
CN113706468A (zh) * 2021-07-27 2021-11-26 河北光兴半导体技术有限公司 基于bp神经网络的玻璃缺陷检测方法
CN113592960A (zh) * 2021-08-18 2021-11-02 易思维（杭州）科技有限公司 一种从多张图像中筛选含特定特征图像的方法
CN113592960B (zh) * 2021-08-18 2024-03-01 易思维(杭州)科技股份有限公司 一种从多张图像中筛选含特定特征图像的方法
CN114332066B (zh) * 2022-01-05 2024-02-13 合肥工业大学 一种基于图像差分的针孔对准检测方法及装置
CN114332066A (zh) * 2022-01-05 2022-04-12 合肥工业大学 一种基于图像差分的针孔对准检测方法及装置
CN115641337B (zh) * 2022-12-23 2023-04-07 中科慧远视觉技术(北京)有限公司 一种线状缺陷检测方法、装置、介质、设备及系统
CN115641337A (zh) * 2022-12-23 2023-01-24 中科慧远视觉技术(北京)有限公司 一种线状缺陷检测方法、装置、介质、设备及系统
CN117314924A (zh) * 2023-11-30 2023-12-29 湖南西欧新材料有限公司 基于图像特征的电镀产品表面瑕疵检测方法
CN117314924B (zh) * 2023-11-30 2024-02-09 湖南西欧新材料有限公司 基于图像特征的电镀产品表面瑕疵检测方法

Also Published As

Publication number Publication date
CN111080582B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
CN111080582B (zh) 工件内外表面缺陷检测方法
CN109141232B (zh) 一种基于机器视觉的盘类铸件在线检测方法
CN109900711A (zh) 基于机器视觉的工件缺陷检测方法
CN106651828B (zh) 一种工业小尺度运动模糊成像条件下的产品尺寸亚像素测量方法
CN102175700B (zh) 数字x射线图像焊缝分割和缺陷检测方法
CN102393397B (zh) 一种磁瓦表面缺陷检测系统及其检测方法
CN104101600B (zh) 连铸坯断面微小裂纹检测方法
CN109615654B (zh) 基于双目视觉的排水管道内表面腐蚀深度及面积测量方法
CN106780526A (zh) 一种铁氧体圆片表面裂痕识别方法
CN114820773B (zh) 基于计算机视觉的筒仓运输车辆车厢位置检测方法
CN105574533B (zh) 一种图像特征提取方法和装置
CN103345755A (zh) 一种基于Harris算子的棋盘格角点亚像素提取方法
CN115063430B (zh) 基于图像处理的电气管道裂纹检测方法
CN109540925B (zh) 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法
CN111192326B (zh) 一种用于视觉识别电动汽车直流充电插口的方法及系统
CN110189375A (zh) 一种基于单目视觉测量的图像目标识别方法
CN114627080B (zh) 基于计算机视觉的车辆冲压配件缺陷检测方法
CN109359604B (zh) 面向巡检机器人的阴影干扰下仪表识别方法
CN116993742B (zh) 基于机器视觉的镍合金轧制缺陷检测方法
CN115861274A (zh) 一种融合三维点云与二维图像的裂缝检测方法
CN116485764A (zh) 一种结构表面缺陷识别方法、系统、终端及介质
CN117455917B (zh) 一种蚀刻引线框架误报库建立及误报在线判定筛选方法
CN114155226A (zh) 一种微小缺陷边缘计算方法
CN108460348B (zh) 基于三维模型的道路目标检测方法
CN112561875A (zh) 一种基于人工智能的光伏电池板粗栅检测方法

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: Room 495, building 3, 1197 Bin'an Road, Binjiang District, Hangzhou City, Zhejiang Province 310051

Patentee after: Yi Si Si (Hangzhou) Technology Co.,Ltd.

Address before: Room 495, building 3, 1197 Bin'an Road, Binjiang District, Hangzhou City, Zhejiang Province 310051

Patentee before: ISVISION (HANGZHOU) TECHNOLOGY Co.,Ltd.