CN111504192B - 一种基于机器视觉的压缩机外观检测方法 - Google Patents

一种基于机器视觉的压缩机外观检测方法 Download PDF

Info

Publication number
CN111504192B
CN111504192B CN202010376669.6A CN202010376669A CN111504192B CN 111504192 B CN111504192 B CN 111504192B CN 202010376669 A CN202010376669 A CN 202010376669A CN 111504192 B CN111504192 B CN 111504192B
Authority
CN
China
Prior art keywords
compressor
matching
image
value
nameplate
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
CN202010376669.6A
Other languages
English (en)
Other versions
CN111504192A (zh
Inventor
张洁
寇恩溥
汪俊亮
徐楚桥
张晓阳
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.)
Donghua University
Original Assignee
Donghua University
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 Donghua University filed Critical Donghua University
Priority to CN202010376669.6A priority Critical patent/CN111504192B/zh
Publication of CN111504192A publication Critical patent/CN111504192A/zh
Application granted granted Critical
Publication of CN111504192B publication Critical patent/CN111504192B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/26—Measuring arrangements characterised by the use of optical techniques for measuring angles or tapers; for testing the alignment of axes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明利用采用机器视觉技术设计了一种压缩机外观检测方法，该方法首先采用基于机器视觉的方法对压缩机铭牌进行缺陷检测及记录二维码号，随后进行图像预处理，在图像预处理后对螺杆，吸气管，排气管，底脚橡胶塞，定位销，储液器，压缩机缸体等7个项目进行缺陷检测。本发明提供了一种基于机器视觉的压缩机外观检测方法代替传统的人工检测方法，能够较好地满足检测任务，提高了压缩机产品外观检测的精准度与效率，降低了误检率与漏检率，同时还能降低人工费用而为企业降低生产成本，具有很高的应用价值且经济效益高，通过实际验证证明了此方法能够较好地应用到实际压缩机产品外观检测任务中。

Description

一种基于机器视觉的压缩机外观检测方法
技术领域
本发明涉及产品外观检测技术领域，特别是涉及一种基于机器视觉的压缩机产品外观检测。
背景技术
压缩机产品外观质量影响着产品召回率以及压缩机制造企业的声誉，直接决定企业的生存。随着压缩机制造企业的自动化水平提高，产品产量提高，对压缩机的产品外观检测的精准度及效率要求也在提升。压缩机产品外观检测项目较多，主要包括吸气排气管及螺杆的垂直度检测、储液器与压缩机本体的平行度检测、TP螺栓的配合检测、地脚接地橡胶塞配合检测、铭牌完整度检测。
传统压缩机外观检测采用人工检测方法，人工检测无统一标准漏检与误检率高，且效率低无法满足工厂大量生产的效率要求。另一方面，工人工资高，这提高了压缩机生产的成本。因此，急需突破当前基于人工检测的压缩机外观质量检测方法，提高压缩机制造企业的自动化智能化水平，为压缩机制造企业提供一种智能化的方法来提高压缩机产品外观检测的效率与准确度。
发明内容
本发明要解决的技术问题是：如何准确、高效地在线检测出外观不合格的压缩机产品。
为了解决上述技术问题，本发明的技术方案是提供了一种基于机器视觉的压缩机外观检测方法，其特征在于，包括以下步骤：
步骤1：根据事先指定的螺杆、吸气管、排气管、底脚橡胶塞、储液器、定位销、压缩机缸体、铭牌建立标准模板；
步骤2：由工业相机采集位于检测工位的压缩机的压缩机图像；
步骤3：对压缩机图像上的铭牌进行缺陷检测，通过检测后识别铭牌二维码进行产品数据记录用于产品全生命周期，最后对压缩机图像进行图像预处理，得到特征明显的压缩机特征图像；
步骤4：通过基于机器视觉的外观检测算法对待检测项目进行排查，利用压缩机特征图像对螺杆、吸气管、排气管、底脚橡胶塞、定位销、储液器、压缩机缸体这7个检测项目进行检测并定位目标，并分析其有无缺陷，若有缺陷，根据企业标准分类，进行检测时，用基于梯度的几何匹配方式，分析每个像素点的梯度值定义边缘，通过分析边缘的几何特征与步骤1所建立的标准模板匹配程度来判断是否检测到目标；
步骤5：得到并记录结果，对于不合格产品进行报警处理。
优选地，步骤2中，压缩机经传送带逐个输送至检测工位，到达检测工位后，停顿约2秒钟，压缩机经过检测工位的光电传感器后，光电传感器发出一个上升沿信号，上升沿信号触发两个相机在延迟0.8秒后拍摄一张照片从而获得所述压缩机图像，并将压缩机图像保存在PC机中。
优选地，步骤3中，对压缩机图像上的铭牌进行缺陷检测包括以下步骤：
步骤301：利用阈值分割定位压缩机图像上的铭牌图像区域，使用基于canny的亚像素边界提取方法获得铭牌图像区域的铭牌轮廓，建立基于铭牌轮廓的最小外接矩；
步骤302：计算铭牌轮廓与最小外接矩的距离，若距离大于阈值，视为铭牌缺损，若检测不到距离值，视为铭牌缺失；
步骤303：计算识别得到的铭牌轮廓与步骤1获得的铭牌标准模板的角度差作为铭牌匹配角度返回值，若铭牌匹配角度返回值大于阈值，则视为铭牌倾斜；
步骤304：对铭牌进行油污缺陷识别并记录铭牌上的二维码。
优选地，步骤3中，对压缩机图像进行图像预处理包括采用图像滤波去噪，随后进行图像二值化处理，得到特征明显的所述压缩机特征图像。
优选地，步骤4中：
利用步骤1得到的螺杆标准模板匹配定位压缩机特征图像中的螺杆，若检测不到螺杆目标，视为螺杆变形类缺陷或缺失，检测到螺杆目标后返回模板匹配角度返回值，模板匹配角度返回值为图像中匹配到的目标与目标标准模板的角度差，同时采用步骤1得到的压缩机缸体标准模板匹配压缩机特征图像中的压缩机缸体，将压缩机缸体模板匹配角度返回值与螺杆模板匹配返回角度值做差得到差值，若差值大于阈值，则视为螺杆弯曲缺陷；
利用步骤1得到的吸气管标准模板及排气管标准模板匹配定位压缩机特征图像中的吸气管及排气管，若检测不到目标，视为吸气管及排气管变形类缺陷或缺失，检测到目标后返回模板匹配角度返回值，同时采用步骤1得到的压缩机缸体标准模板匹配压缩机特征图像中的压缩机缸体，将压缩机缸体模板匹配角度返回值与吸气管及排气管模板匹配返回角度值做差得到差值，若差值大于阈值，则视为吸气管及排气管弯曲缺陷；
利用步骤1得到的底脚橡胶塞标准模板匹配定位压缩机特征图像中的底脚橡胶塞，若检测不到目标，视为底脚橡胶塞缺失，检测到目标后返回模板匹配距离返回值，同时采用步骤1得到的压缩机缸体标准模板匹配压缩机特征图像中的压缩机缸体，将压缩机缸体模板匹配距离返回值与底脚橡胶塞模板匹配距离返回值做差得到差值，若差值大于阈值，则视为底脚橡胶塞未塞到位；
利用步骤1得到的定位销标准模板匹配定位压缩机特征图像中的压缩机定位销，若检测不到目标，视为定位销变形类缺陷或缺失，检测到目标后返回模板匹配角度返回值，同时采用步骤1得到的压缩机缸体标准模板匹配压缩机特征图像中的压缩机缸体，将压缩机缸体模板匹配角度返回值与定位销模板匹配返回角度值做差得到差值，若差值大于阈值，则视为定位销弯曲缺陷；
利用步骤1得到的储液器标准模板匹配定位压缩机特征图像中的压缩机储液器，若检测不到目标，视为压缩机储液器变形类缺陷或缺失，检测到目标后返回模板匹配角度返回值，同时采用步骤1得到的压缩机缸体标准模板匹配压缩机特征图像中的压缩机缸体，将压缩机缸体模板匹配角度返回值与定位销模板匹配返回角度值做差得到差值，若差值大于阈值，则视为压缩机储液器不平行缺陷；
利用步骤1得到的压缩机缸体标准模板匹配压缩机特征图像中的定位压缩机缸体，若检测不到目标或不匹配点多于阀值，视为压缩机缸体变形类缺陷。
由于采用了上述的技术方案，本发明与现有方案相比，具有以下的优点和积极效果：本发明供了一种基于机器视觉的压缩机外观检测方法代替传统的人工检测方法，能够较好地满足检测任务，且高效准确，提高了压缩机产品外观检测的精准度与效率，降低了误检率与漏检率，同时还能降低人工费用而为企业降低生产成本，具有很高的应用价值且经济效益高。
附图说明
图1是本发明的检测装置现场布置图；
图2是本发明基于机器视觉的压缩机外观检测算法流程图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明提供了一种基于机器视觉的压缩机外观检测方法代替传统的人工检测方法，能够较好地满足检测任务，且高效准确。同时还能降低人工费用而为企业降低生产成本，具有很高的应用价值且经济效益高。结合图1及图2，本发明具体包括以下步骤：
步骤1、根据事先指定的螺杆、吸气管、排气管、底脚橡胶塞、储液器、定位销、压缩机缸体、铭牌建立模板；
通过对流水线的标准压缩机产品进行关键部位采样，对螺杆、吸气管、排气管、底脚橡胶塞、储液器、定位销、压缩机缸体、铭牌分别建立标准模板，得到螺杆标准模板、吸气管标准模板、排气管标准模板、底脚橡胶塞标准模板、储液器标准模板、定位销标准模板、压缩机缸体标准模板、铭牌标准模板，将标准模板保存在文件中，作为后续算法中模板匹配的标准。
步骤2、使用光电传感器上升沿信号作为触发，工业相机采集压缩机图像，将图像保存至指定文件夹中；
如图1所示，工件经传送带逐个输送至检测工位，到达检测工位后，停顿约2秒钟。工件经过光电传感器后，光电传感器发出一个上升沿信号，上升沿信号触发两个相机在延迟0.8秒后拍摄一张照片，并保存在PC机中（在此处采用两个工业相机的原因在于单个相机存在漏检螺杆及排气管角度不合格产品的可能性，延迟拍摄是等待压缩机停稳）。
步骤3、文件监控系统检测到输入图像，首先对图像上的铭牌进行缺陷检测，随后识别铭牌二维码进行产品数据记录用于产品全生命周期，最后进行图像预处理，得到特征明显的特征图像；
程序检测到新的图像数据产生，首先进行压缩机铭牌的特征匹配，首先利用阈值分割定位铭牌，使用基于canny的亚像素边界提取方法获得铭牌轮廓。建立基于轮廓的最小外接矩，并计算轮廓与外接矩的距离，若距离大于阈值，视为铭牌缺损，若检测不到目标，视为铭牌变形类缺陷或缺失，若模板的角度返回值（即检测到的铭牌与铭牌标准模板的角度差）大于阈值，则视为铭牌倾斜，随后对铭牌进行油污缺陷识别并记录铭牌上的二维码，记录二维码后对图像数据进行预处理，采用图像滤波去噪，随后进行图像二值化处理，得到特征明显的图像。
步骤4、通过基于机器视觉的外观检测算法对待检测项目进行排查，对剩余检测项目进行检测并定位目标，并分析其有无缺陷。若有缺陷，根据企业标准分类；
在此步骤检测7个零件：螺杆、吸气管、排气管、底脚橡胶塞、定位销、储液器、压缩机缸体。采用了基于梯度的几何匹配方式，分析每个像素点的梯度值定义边缘。通过分析边缘的几何特征与模板匹配程度来判断是否检测到目标。使用降采样、并行化、预建立reponse map、调用avx2指令集等方法加速。
利用步骤1得到的螺杆标准模板匹配定位特征图像中的螺杆，若检测不到目标，视为螺杆变形类缺陷或缺失，检测到目标后返回模板匹配角度返回值（图像中匹配到的螺杆与螺杆标准模板的角度差），同时采用步骤1得到的压缩机缸体标准模板匹配特征图像中的压缩机缸体，将压缩机缸体模板匹配角度返回值（图像中匹配到的压缩机缸体与压缩机缸体标准模板的角度差）与螺杆模板匹配返回角度值做差得到差值，若差值大于阈值（设置为正负5度），则视为螺杆弯曲缺陷；
利用步骤1得到的吸、排气管标准模板匹配定位特征图像中的吸、排气管，若检测不到目标，视为吸、排气管变形类缺陷或缺失，检测到目标后返回模板匹配角度返回值（图像中匹配到的吸、排气管与吸、排气管标准模板的角度差），同时采用步骤1得到的压缩机缸体标准模板匹配特征图像中的压缩机缸体，将压缩机缸体模板匹配角度返回值与吸、排气管模板匹配返回角度值做差得到差值，若差值大于阈值（设置为正负5度），则视为吸、排气管弯曲缺陷；
利用步骤1得到的底脚橡胶塞标准模板匹配定位特征图像中的底脚橡胶塞，若检测不到目标，视为底脚橡胶塞缺失，检测到目标后返回模板匹配距离返回值，同时采用步骤1得到的压缩机缸体标准模板匹配特征图像中的压缩机缸体，将压缩机缸体模板匹配距离返回值与底脚橡胶塞模板匹配距离返回值做差得到差值，若差值大于阈值，则视为底脚橡胶塞未塞到位；
利用步骤1获得的定位销标准模板匹配定位特征图像中的压缩机定位销，若检测不到目标，视为定位销变形类缺陷或缺失，检测到目标后返回模板匹配角度返回值（图像中匹配到的定位销与定位销标准模板的角度差），同时采用步骤1得到的压缩机缸体标准模板匹配特征图像中的压缩机缸体，将压缩机缸体模板匹配角度返回值与定位销模板匹配返回角度值做差得到差值，若差值大于阈值（设置为正负5度），则视为定位销弯曲缺陷；
利用步骤1获得的储液器标准模板匹配定位特征图像中的压缩机储液器，若检测不到目标，视为压缩机储液器变形类缺陷或缺失，检测到目标后返回模板匹配角度返回值（图像中匹配到的压缩机储液器与储液器标准模板的角度差），同时采用步骤1得到的压缩机缸体标准模板匹配特征图像中的压缩机缸体，将压缩机缸体模板匹配角度返回值与定位销模板匹配返回角度值做差得到差值，若差值大于阈值（设置为正负5度），则视为压缩机储液器不平行缺陷；
利用步骤1获得的压缩机缸体标准模板匹配定位特征图像中的压缩机缸体，若检测不到目标或不匹配点多于阀值，视为压缩机缸体变形类缺陷。
处理完成后将检测结果显示在屏幕上。
步骤5、得到并记录结果，对于不合格产品进行报警处理。
将产品二维码号与检测结果记录在一起，对于不合格的产品，通过现场的报警器进行报警。

Claims (4)

1.一种基于机器视觉的压缩机外观检测方法，其特征在于，包括以下步骤：
步骤1：根据事先指定的螺杆、吸气管、排气管、底脚橡胶塞、储液器、定位销、压缩机缸体、铭牌建立标准模板；
步骤2：由工业相机采集位于检测工位的压缩机的压缩机图像；
步骤3：对压缩机图像上的铭牌进行缺陷检测，通过检测后识别铭牌二维码进行产品数据记录用于产品全生命周期，最后对压缩机图像进行图像预处理，得到特征明显的压缩机特征图像；
步骤4：通过基于机器视觉的外观检测算法对待检测项目进行排查，利用压缩机特征图像对螺杆、吸气管、排气管、底脚橡胶塞、定位销、储液器、压缩机缸体这7个检测项目进行检测并定位目标，并分析其有无缺陷，若有缺陷，根据企业标准分类，进行检测时，用基于梯度的几何匹配方式，分析每个像素点的梯度值定义边缘，通过分析边缘的几何特征与步骤1所建立的标准模板匹配程度来判断是否检测到目标；
具体采用以下步骤判断有无缺陷：
利用步骤1得到的螺杆标准模板匹配定位压缩机特征图像中的螺杆，若检测不到螺杆目标，视为螺杆变形类缺陷或缺失，检测到螺杆目标后返回模板匹配角度返回值，模板匹配角度返回值为图像中匹配到的目标与目标标准模板的角度差，同时采用步骤1得到的压缩机缸体标准模板匹配压缩机特征图像中的压缩机缸体，将压缩机缸体模板匹配角度返回值与螺杆模板匹配返回角度值做差得到差值，若差值大于阈值，则视为螺杆弯曲缺陷；
利用步骤1得到的吸气管标准模板及排气管标准模板匹配定位压缩机特征图像中的吸气管及排气管，若检测不到目标，视为吸气管及排气管变形类缺陷或缺失，检测到目标后返回模板匹配角度返回值，同时采用步骤1得到的压缩机缸体标准模板匹配压缩机特征图像中的压缩机缸体，将压缩机缸体模板匹配角度返回值与吸气管及排气管模板匹配返回角度值做差得到差值，若差值大于阈值，则视为吸气管及排气管弯曲缺陷；
利用步骤1得到的底脚橡胶塞标准模板匹配定位压缩机特征图像中的底脚橡胶塞，若检测不到目标，视为底脚橡胶塞缺失，检测到目标后返回模板匹配距离返回值，同时采用步骤1得到的压缩机缸体标准模板匹配压缩机特征图像中的压缩机缸体，将压缩机缸体模板匹配距离返回值与底脚橡胶塞模板匹配距离返回值做差得到差值，若差值大于阈值，则视为底脚橡胶塞未塞到位；
利用步骤1得到的定位销标准模板匹配定位压缩机特征图像中的压缩机定位销，若检测不到目标，视为定位销变形类缺陷或缺失，检测到目标后返回模板匹配角度返回值，同时采用步骤1得到的压缩机缸体标准模板匹配压缩机特征图像中的压缩机缸体，将压缩机缸体模板匹配角度返回值与定位销模板匹配返回角度值做差得到差值，若差值大于阈值，则视为定位销弯曲缺陷；
利用步骤1得到的储液器标准模板匹配定位压缩机特征图像中的压缩机储液器，若检测不到目标，视为压缩机储液器变形类缺陷或缺失，检测到目标后返回模板匹配角度返回值，同时采用步骤1得到的压缩机缸体标准模板匹配压缩机特征图像中的压缩机缸体，将压缩机缸体模板匹配角度返回值与定位销模板匹配返回角度值做差得到差值，若差值大于阈值，则视为压缩机储液器不平行缺陷；
利用步骤1得到的压缩机缸体标准模板匹配压缩机特征图像中的定位压缩机缸体，若检测不到目标或不匹配点多于阀值，视为压缩机缸体变形类缺陷；
步骤5：得到并记录结果，对于不合格产品进行报警处理。
2.如权利要求1所述的一种基于机器视觉的压缩机外观检测方法，其特征在于，步骤2中，压缩机经传送带逐个输送至检测工位，到达检测工位后，停顿约2秒钟，压缩机经过检测工位的光电传感器后，光电传感器发出一个上升沿信号，上升沿信号触发两个相机在延迟0.8秒后拍摄一张照片从而获得所述压缩机图像，并将压缩机图像保存在PC机中。
3.如权利要求1所述的一种基于机器视觉的压缩机外观检测方法，其特征在于，步骤3中，对压缩机图像上的铭牌进行缺陷检测包括以下步骤：
步骤301：利用阈值分割定位压缩机图像上的铭牌图像区域，使用基于canny的亚像素边界提取方法获得铭牌图像区域的铭牌轮廓，建立基于铭牌轮廓的最小外接矩；
步骤302：计算铭牌轮廓与最小外接矩的距离，若距离大于阈值，视为铭牌缺损，若检测不到距离值，视为铭牌缺失；
步骤303：计算识别得到的铭牌轮廓与步骤1获得的铭牌标准模板的角度差作为铭牌匹配角度返回值，若铭牌匹配角度返回值大于阈值，则视为铭牌倾斜；
步骤304：对铭牌进行油污缺陷识别并记录铭牌上的二维码。
4.如权利要求1所述的一种基于机器视觉的压缩机外观检测方法，其特征在于，步骤3中，对压缩机图像进行图像预处理包括采用图像滤波去噪，随后进行图像二值化处理，得到特征明显的所述压缩机特征图像。
CN202010376669.6A 2020-05-07 2020-05-07 一种基于机器视觉的压缩机外观检测方法 Active CN111504192B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010376669.6A CN111504192B (zh) 2020-05-07 2020-05-07 一种基于机器视觉的压缩机外观检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010376669.6A CN111504192B (zh) 2020-05-07 2020-05-07 一种基于机器视觉的压缩机外观检测方法

Publications (2)

Publication Number Publication Date
CN111504192A CN111504192A (zh) 2020-08-07
CN111504192B true CN111504192B (zh) 2021-08-27

Family

ID=71877211

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010376669.6A Active CN111504192B (zh) 2020-05-07 2020-05-07 一种基于机器视觉的压缩机外观检测方法

Country Status (1)

Country Link
CN (1) CN111504192B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950549B (zh) * 2021-02-04 2021-12-24 科大智能物联技术股份有限公司 一种基于机器视觉的货架形变检测系统及检测方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS58169010A (ja) * 1982-03-31 1983-10-05 Rikagaku Kenkyusho 物体表面の勾配および歪の測定方法
JP3524853B2 (ja) * 1999-08-26 2004-05-10 株式会社ナノジオメトリ研究所 パターン検査装置、パターン検査方法および記録媒体
US9123112B2 (en) * 2010-10-27 2015-09-01 Compagnie Generale Des Establissements Michelin Method for the pre-processing of a three-dimensional image of the surface of a tyre for use in the inspection of said surface
CN202710486U (zh) * 2012-07-20 2013-01-30 朱飞虎 一种金属自粘标牌的自动检测装置
CN104574367B (zh) * 2014-12-21 2017-04-12 浙江大学 一种基于机器视觉的集成芯片管脚几何尺寸检测计算方法
DE102015111442A1 (de) * 2015-07-15 2017-01-19 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren und Vorrichtung zum Klimatisieren des Innenraumes eines mit Insassen besetzten Fahrzeuges
CN107154033B (zh) * 2016-03-03 2020-02-14 成都交大光芒科技股份有限公司 一种高铁接触网旋转双耳竖向开口销缺失检测方法及系统
CN107290344A (zh) * 2016-03-31 2017-10-24 成都交大光芒科技股份有限公司 一种斜撑端部的顶紧螺栓的缺陷检测方法
CN106247969B (zh) * 2016-09-21 2018-11-02 哈尔滨工业大学 一种基于机器视觉的工业磁芯元件的形变检测方法
JP6822929B2 (ja) * 2017-09-19 2021-01-27 株式会社東芝 情報処理装置、画像認識方法および画像認識プログラム
CN108548820B (zh) * 2018-03-28 2023-08-15 浙江理工大学 化妆品纸质标签缺陷检测方法
CN109060799A (zh) * 2018-05-23 2018-12-21 嘉兴微芒科技有限公司 一种装配流水线成品检测判定方法
CN108982508B (zh) * 2018-05-23 2020-11-24 江苏农林职业技术学院 一种基于特征模板匹配和深度学习的塑封体ic芯片缺陷检测方法
CN109839385B (zh) * 2019-03-04 2021-11-16 佛山市南海区广工大数控装备协同创新研究院 一种自适应的pcb板缺陷视觉定位检测及分类系统

Also Published As

Publication number Publication date
CN111504192A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
KR102579783B1 (ko) 제품 결함 이미지 원격 학습을 통한 비전 검사 시스템
CN104063873B (zh) 一种基于压缩感知的轴套类零件表面缺陷在线检测方法
CN110246122A (zh) 基于机器视觉的小型轴承质量检测方法、装置及系统
CN112037203A (zh) 基于复杂工件外轮廓配准的侧表面缺陷检测方法及系统
CN108257171A (zh) 基于光视觉的汽车雷达装配孔径检测方法
WO2021046726A1 (zh) 用于检测机械设备零部件的方法和装置
CN113723325A (zh) 一种装配式预制构件的工装缺陷检测系统
CN113112501A (zh) 一种基于深度学习的车载轨道巡检装置及方法
CN111504192B (zh) 一种基于机器视觉的压缩机外观检测方法
CN105023018A (zh) 一种喷码检测方法及系统
Fu et al. Research on image-based detection and recognition technologies for cracks on rail surface
CN113723841A (zh) 一种装配式预制构件中工装缺失的在线检测方法
CN114332622A (zh) 一种基于机器视觉的标签检测方法
Li et al. The method for glass bottle defects detecting based on machine vision
CN110807354A (zh) 一种工业流水线产品计数方法
CN113160163B (zh) 一种基于机器视觉的发动机缸体外观缺陷检测算法
CN117173107A (zh) 产品缺陷检测方法、装置、设备、系统和可读存储介质
CN115753791B (zh) 基于机器视觉的缺陷检测方法、装置以及系统
Zhou et al. Automated detection of surface defects on sphere parts using laser and CDD measurements
CN114187269B (zh) 小零器件表面缺陷边缘快速检测方法
CN115203815A (zh) 生产速度部件检查系统和方法
KR20190119801A (ko) 차량 헤드라이트 얼라인먼트 보정 및 분류 방법 및 이를 이용한 차량 헤드라이트 불량검사 방법
CN107755293A (zh) 一种不合格配件自动剔除装置
Zhang et al. Image processing-based surface defect detection method
Charles et al. Survey Paper on Visual Inspection of a Mechanical Part using Machine Learning

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