CN111795970B - 一种不规则轮廓缺陷检测方法 - Google Patents
一种不规则轮廓缺陷检测方法 Download PDFInfo
- Publication number
- CN111795970B CN111795970B CN202010676665.XA CN202010676665A CN111795970B CN 111795970 B CN111795970 B CN 111795970B CN 202010676665 A CN202010676665 A CN 202010676665A CN 111795970 B CN111795970 B CN 111795970B
- Authority
- CN
- China
- Prior art keywords
- contour
- distance
- matching
- phasor
- matched
- 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
- 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
- G06T7/0002—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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G01N2021/8861—Determining coordinates of flaws
-
- 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
- G01N2021/8877—Proximity analysis, local statistics
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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)
- 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)
Abstract
本发明涉及一种不规则轮廓缺陷检测方法,属于机器视觉领域。该方法使用Canny算子提取图像边缘轮廓,对标准图像和工业采集图像的轮廓进行形状匹配,采用由粗到精的匹配方式,粗匹配阶段使用形状上下文(SC),精匹配阶段使用迭代最近点算法(ICP),最后将匹配、对准后的两轮廓分成N个小段,计算对应分段点集的改进后Hausdorff距离并构成距离向量,最终根据设计的距离阈值函数以及终止迭代条件得到产品轮廓缺陷部位。本发明可提高工业产品缺陷检测的精度与速度,同时可提升机器视觉在缺陷检测中的应用范围以及工业检测的效率。
Description
技术领域
本发明属于机器视觉领域,涉及一种不规则轮廓缺陷检测方法。
背景技术
随着工业生产不断的发展,人们对产品质量要求越来越高,产品缺陷视觉检测在工业应用中越来越广泛。总体上误差检测方法可以划分为接触式测量和非接触测量。接触式测量方法通过测量装置与被测对象表面接触测量误差或缺陷,直观的反映被测表面的信息。非接触测量是以光电、电磁等技术为基础,在不接触被测物体表面的情况下,得到物体表面参数信息的测量方法。典型的非接触测量方法如激光三角法、电涡流法、超声测量法、机器视觉测量等等。
随着计算机技术的不断进步,机器视觉方法在工业中应用得越来越广泛,相较于其他检测技术,机器视觉检测技术主要有以下优点:(1)成本低,机器视觉检测系统大大降低了工厂的成本;(2)准确率高,通过机器视觉检测设备,可以每周7天,每天24小时不间断地生产高质量的产品,避免出现产品召回,产品责任索赔和图像损坏等;(3)安全生产,产品可靠,机器视觉保证了生产过程中以及最终产品的安全性。
视觉系统就是用机器代替人眼来做测量和判断。视觉系统是指通过机器视觉产品(即图像摄取装置,分CMOS和CCD两种)将被摄取目标转换成图像信号,传送给专用的图像处理系统,根据像素分布和亮度、颜色等信息,转变成数字化信号;图像系统对这些信号进行各种运算来抽取目标的特征,进而根据判别的结果来控制现场的设备动作。是用于生产、装配或包装的有价值的机制。它在检测缺陷和防止缺陷产品被配送到消费者的功能方面具有不可估量的价值。
机器视觉系统的特点是提高生产的柔性和自动化程度。在一些不适合于人工作业的危险工作环境或人工视觉难以满足要求的场合,常用机器视觉来替代人工视觉;同时在大批量工业生产过程中,用人工视觉检查产品质量效率低且精度不高,用机器视觉检测方法可以大大提高生产效率和生产的自动化程度。而且机器视觉易于实现信息集成,是实现计算机集成制造的基础技术。可以在最快的生产线上对产品进行测量、引导、检测、和识别,并能保质保量的完成生产任务。
现有的视觉轮廓检测算法主要针对基本的轮廓,将得到的轮廓数据拟合为几何基元,如直线,圆,椭圆等规则形状,而对于复杂的轮廓,则设计各种算法将得到的轮廓数据分割成多个部分,每部分都有对应的几何基元。虽然众多的研究使轮廓的分割与拟合过程的精度以及鲁棒性越来越高,但它们只可以对规则形状的工业产品的轮廓做检测。考虑到实际产品的形状多种多样,轮廓可能由不规则的曲线组合而成,而目前关于不规则轮廓缺陷机器视觉检测算法的研究很少,部分不规则轮廓的误差视觉测量研究工作只是提高了误差精度,没有针对产品缺陷问题指出缺陷部位。
发明内容
有鉴于此,本发明的目的在于提供一种不规则轮廓缺陷检测方法,以精确检测任何不规则工业产品的轮廓误差同时得到其缺陷部位。
为达到上述目的,本发明提供如下技术方案:
一种不规则轮廓缺陷检测方法,该方法包括以下步骤:
S1:使用Canny算子提取图像边缘;
S2:对标准图像与采集图像轮廓进行匹配,匹配阶段采用由粗到精的匹配方式:先采用形状上下文特征SC描述标准轮廓和待匹配轮廓的每一个点,并计算待匹配轮廓与标准轮廓的位置偏差,即粗匹配;粗匹配后采用奇异值SVD分解将待匹配轮廓旋转平移到标准轮廓附近,然后进行精匹配,精匹配阶段采用迭代最近点算法;
S3:对S2匹配后的轮廓分段,并计算对应分段点集改进后的Hausdorff距离,根据距离阈值函数和终止迭代条件得到工业轮廓的缺陷部分。
可选的,所述位置偏差包括旋转和平移。
可选的,所述S3中,基于Hausdorff距离的缺陷定位算法具体包括以下步骤:
S3-1:将两个轮廓分为N段,计算对应轮廓改进后的Hausdorff距离,公式为:
H(A,B)=max(h(A,B),h(B,A))
其中A和B为两轮廓的对应段点集,
h(A,B)=mean(topK_maxmin||a-b||)(其中a∈A,b∈B)
其中topK_max是指前k个最大值;
S3-2:根据S3-1得到的Hausdorff距离构成N维距离相量D=[d1,d2,…,dn],若max(D)-min(D)>P,P为常数,距离相量的阈值函数为T=u
式中u为距离相量D的均值;
若max(D)-min(D)<=P,距离相量的阈值函数为
T=u+λ*σ2
式中λ为常数,u、σ2分别为距离相量D的均值和方差;
S3-3:将N维距离向量中的每一位与阈值T相比,若都大于T,则为缺陷部分,否则,判断对应段点数量是否小于K*N;若是,则为缺陷部分,否则,进入S3-1。
本发明的有益效果在于:使用Canny算子提取轮廓,然后使用粗匹配和精匹配对两轮廓进行匹配,最后使用阈值函数找出产品缺陷部分。本发明提出了基于Hausdorff距离的分段检测算法,该算法能快速准确的得到轮廓缺陷的具体位置,满足工业检测的需要。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
请参阅图1,为一种不规则轮廓缺陷检测方法,具体实施步骤为:
S1:使用Canny算法提取图像边缘;
S2:匹配阶段采用由粗到精的匹配方式:基于S1提取的轮廓,先采用形状上下文特征(SC)描述标准轮廓和待匹配轮廓的每一个点,并计算待匹配轮廓与标准轮廓的位置偏差(旋转和平移),这是粗匹配,粗匹配后采用SVD分解将待匹配轮廓旋转平移到标准轮廓附近,然后进行精匹配,精匹配阶段采用迭代最近点算法,然后将待匹配轮廓旋转平移到标准轮廓附近;
S3:对S2匹配后的轮廓分段,并计算对应分段点集的改进Hausdorff距离,根据阈值函数及迭代终止条件找到缺陷位置。
本发明对于工业产品缺陷检测提出新的算法流程,主要提出了基于Hausdorff距离的分段检测算法,该算法能快速准确的得到轮廓缺陷的具体位置。其步骤包括:
步骤3-1、将两个轮廓分为N段,计算对应轮廓改进后的Hausdorff距离,公式为:
H(A,B)=max(h(A,B),h(B,A))
其中A,B为两轮廓的对应段点集,
h(A,B)=mean(topK_maxmin||a-b||)(其中a∈A,b∈B)
其中topK_max是指前k个最大值。
步骤3-2、根据步骤3-1得到的Hausdorff距离构成N维距离相量D=[d1,d2,…,dn],若max(D)-min(D)>P(P为常数),距离相量的阈值函数为T=u
式中u为距离相量D的均值,
若max(D)-min(D)<=P,距离相量的阈值函数为
T=u+λ*σ2
式中λ为常数,u、σ2分别为距离相量D的均值和方差。
步骤3-3、将N维距离向量中的每一位与阈值T相比,若都大于T,则为缺陷部分,否则,判断对应段点数量是否小于K*N,若是,则为缺陷部分,否则,进入步骤3-1。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.一种不规则轮廓缺陷检测方法,其特征在于:该方法包括以下步骤:
S1:使用Canny算子提取图像边缘;
S2:对标准图像与采集图像轮廓进行匹配,匹配阶段采用由粗到精的匹配方式:先采用形状上下文特征SC描述标准轮廓和待匹配轮廓的每一个点,并计算待匹配轮廓与标准轮廓的位置偏差,即粗匹配;粗匹配后采用奇异值SVD分解将待匹配轮廓旋转平移到标准轮廓附近,然后进行精匹配,精匹配阶段采用迭代最近点算法;
S3:对S2匹配后的轮廓分段,并计算对应分段点集改进后的Hausdorff距离,根据距离阈值函数和终止迭代条件得到工业轮廓的缺陷部分;
所述位置偏差包括旋转和平移;
所述S3中,基于Hausdorff距离的缺陷定位算法具体包括以下步骤:
S3-1:将两个轮廓分为N段,计算对应轮廓改进后的Hausdorff距离,公式为:
H(A,B)=max(h(A,B),h(B,A))
其中A和B为两轮廓的对应段点集,
h(A,B)=mean(topK_maxmin||a-b||),其中a∈A,b∈B
其中topK_max是指前K个最大值;
S3-2:根据S3-1得到的Hausdorff距离构成N维距离相量D=[d1,d2,…,dn],若max(D)-min(D)>P,P为常数,距离相量的阈值函数为
T=u
式中u为距离相量D的均值;
若max(D)-min(D)<=P,距离相量的阈值函数为
T=u+λ*σ2
式中λ为常数,u、σ2分别为距离相量D的均值和方差;
S3-3:将N维距离向量中的每一位与阈值T相比,若都大于T,则为缺陷部分,否则,判断对应段点数量是否小于K*N;若是,则为缺陷部分,否则,进入S3-1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010676665.XA CN111795970B (zh) | 2020-07-14 | 2020-07-14 | 一种不规则轮廓缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010676665.XA CN111795970B (zh) | 2020-07-14 | 2020-07-14 | 一种不规则轮廓缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111795970A CN111795970A (zh) | 2020-10-20 |
CN111795970B true CN111795970B (zh) | 2023-04-14 |
Family
ID=72806902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010676665.XA Active CN111795970B (zh) | 2020-07-14 | 2020-07-14 | 一种不规则轮廓缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111795970B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113607083B (zh) * | 2021-07-30 | 2022-06-28 | 山东大学 | 一种基于深度学习的不规则形状光学元件面形的旋转平移绝对检测方法、设备及存储介质 |
CN113554649B (zh) * | 2021-09-22 | 2021-12-17 | 中科慧远视觉技术(北京)有限公司 | 一种缺陷检测方法、装置、计算机设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102903098A (zh) * | 2012-08-28 | 2013-01-30 | 四川虹微技术有限公司 | 一种基于图像清晰度差异的深度估计方法 |
CN104809738A (zh) * | 2015-05-18 | 2015-07-29 | 长春工业大学 | 一种基于双目视觉的安全气囊轮廓尺寸检测方法 |
CN107798326A (zh) * | 2017-10-20 | 2018-03-13 | 华南理工大学 | 一种轮廓视觉检测算法 |
-
2020
- 2020-07-14 CN CN202010676665.XA patent/CN111795970B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102903098A (zh) * | 2012-08-28 | 2013-01-30 | 四川虹微技术有限公司 | 一种基于图像清晰度差异的深度估计方法 |
CN104809738A (zh) * | 2015-05-18 | 2015-07-29 | 长春工业大学 | 一种基于双目视觉的安全气囊轮廓尺寸检测方法 |
CN107798326A (zh) * | 2017-10-20 | 2018-03-13 | 华南理工大学 | 一种轮廓视觉检测算法 |
Non-Patent Citations (2)
Title |
---|
Image registration based on generalized and mean Hausdorff distances;JIAN-WEI ZHANG等;《Proceedings of the Fourth International Conference on Machine Learning and Cybernetics》;20050821;第5117-5121页 * |
基于图像配准的零件轮廓修正方法;吴孟桦等;《计算机应用》;20191204;第1-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111795970A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107341802B (zh) | 一种基于曲率与灰度复合的角点亚像素定位方法 | |
US6714679B1 (en) | Boundary analyzer | |
CN108918526B (zh) | 一种柔性ic封装基板线路的缺口缺陷检测方法 | |
CN111795970B (zh) | 一种不规则轮廓缺陷检测方法 | |
WO2023045299A1 (zh) | 基于三维轮廓的路面技术状况检测方法及设备 | |
CN103425988A (zh) | 一种具有圆弧几何基元的实时定位与匹配方法 | |
CN108960237B (zh) | 一种指针式油位计读数识别方法 | |
CN111062940B (zh) | 一种基于机器视觉的螺钉定位与识别方法 | |
CN112330678B (zh) | 产品边缘缺陷检测方法 | |
CN104359403A (zh) | 基于亚像素边缘算法的平面零件尺寸测量方法 | |
CN110260818B (zh) | 一种基于双目视觉的电子连接器鲁棒检测方法 | |
CN104809738A (zh) | 一种基于双目视觉的安全气囊轮廓尺寸检测方法 | |
Zhang et al. | Research on tool wear detection based on machine vision in end milling process | |
CN113077392B (zh) | 一种针对指针表模糊照片的高准确度自动读数方法 | |
CN111047588A (zh) | 一种轴型小零件尺寸的图像化测量方法 | |
CN111311618A (zh) | 一种基于高精度几何基元提取的圆弧工件匹配与定位方法 | |
CN106546185B (zh) | 一种基于机器视觉检测的轮廓质量检测方法 | |
CN111507186A (zh) | 一种变电站指针式仪表读数识别方法 | |
CN111932494B (zh) | 一种轮胎磨损程度评价方法及装置 | |
CN105184792B (zh) | 一种圆锯片磨损量在线测量方法 | |
CN111539951B (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
CN111815575B (zh) | 一种基于机器视觉的轴承钢珠零件检测方法 | |
CN109993741B (zh) | 一种基于k均值聚类的钢轨焊缝轮廓自动定位方法 | |
CN112529869B (zh) | 一种阀套节流方孔检测方法 | |
CN110021027B (zh) | 一种基于双目视觉的切边点计算方法 |
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 |