CN111999305B - 机器视觉硬件系统和轮毂花键结合缝隙视觉检测方法 - Google Patents
机器视觉硬件系统和轮毂花键结合缝隙视觉检测方法 Download PDFInfo
- Publication number
- CN111999305B CN111999305B CN202010827513.5A CN202010827513A CN111999305B CN 111999305 B CN111999305 B CN 111999305B CN 202010827513 A CN202010827513 A CN 202010827513A CN 111999305 B CN111999305 B CN 111999305B
- Authority
- CN
- China
- Prior art keywords
- image
- region
- spline
- difference
- joint
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000005266 casting Methods 0.000 claims abstract description 16
- 230000000007 visual effect Effects 0.000 claims abstract description 14
- 230000007547 defect Effects 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 14
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 10
- 238000000576 coating method Methods 0.000 claims description 10
- 230000007797 corrosion Effects 0.000 claims description 10
- 238000005260 corrosion Methods 0.000 claims description 10
- 230000002950 deficient Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 239000011248 coating agent Substances 0.000 claims description 7
- 229910052751 metal Inorganic materials 0.000 claims description 5
- 239000002184 metal Substances 0.000 claims description 5
- 238000011179 visual inspection Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003702 image correction Methods 0.000 claims description 3
- 230000000149 penetrating effect Effects 0.000 claims description 3
- 230000036316 preload Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 239000007769 metal material Substances 0.000 abstract description 3
- 229910052782 aluminium Inorganic materials 0.000 description 4
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 229910000838 Al alloy Inorganic materials 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005253 cladding Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
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
- 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
- G01N21/91—Investigating the presence of flaws or contamination using penetration of dyes, e.g. fluorescent ink
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30116—Casting
-
- 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
-
- 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
- G06T2207/30168—Image quality inspection
Abstract
本发明涉及自动检测技术领域,公开了一种机器视觉硬件系统和轮毂花键结合缝隙视觉检测方法。其中,所述轮毂花键结合缝隙视觉检测方法包括利用所述的机器视觉硬件系统对测试对象进行加载,并通过所述图像获取模块获取加载过程中图像,基于图像处理软件对加载过程中的图像进行分析。其能够准确识别花键结合处的缝隙。本发明的技术方案为两金属材料铸造结合质量检测提供了一种新的视觉检测解决方案。相比于传统人工目视检测,本视觉检测方法更加智能、效率更高、检测结果更准确、更稳定。此外,本发明的技术方案成本较低,能实现在线质量检测,满足企业要求。
Description
技术领域
本发明涉及自动检测技术领域,具体地涉及一种机器视觉硬件系统和轮毂花键结合缝隙视觉检测方法。
背景技术
铝合金花键轮毂中心花键为钢制,外层包铝为重力浇铸而成,由于铝合金轮毂基体与花键套材料不同,并伴有机械生产、铸造工艺等因素的影响,易导致铸造成型时两种材料间产生较大的缝隙,进而影响接合强度。因此需对该类轮毂检测花键部位和外层包铝是否结合紧密进行检测。检测方法为通过带花键的专用摇杆向轮毂花键施加固定的周期性载荷并观察花键和包铝结合部位是否出现间隙。
目前该种检测方法主要依靠人工检测,由三个工人相互配合,在两种金属结合处涂上油墨,然后两个人按住被检测轮毂,另一人使用带花键专用手摇测杆,施加摇摆力矩或扭转力矩,并观察花键和包铝结合部位的油墨变化情况,以判断花键结合处的缝隙情况。这种方法存在很多问题,诸如:测量精确度低;实时性差,受个体因素影响大,质量难以把控等。
发明内容
针对现有技术中的上述不足或缺陷,本发明提供一种机器视觉硬件系统和轮毂花键结合缝隙视觉检测方法,其能够准确识别花键结合处的缝隙。
为了实现上述目的,本发明第一方面提供一种机器视觉硬件系统,包括:
测试平台,所述测试平台上设置有沿其轴线贯穿所述测试平台的中心通孔;
夹紧气缸,用于将位于所述测试平台上的测试对象夹紧在所述测试平台上;
图像获取模块,设置在所述测试平台的上方,用于获取测试对象的图像信息;
花键轴,设置在所述测试平台的下方并与所述测试平台同轴设置,其一端穿过并伸出所述中心通孔;
定心气缸,设置在所述测试平台的下方,以用于能够使得所述花键轴的轴线与所述中心通孔轴线重合;
摇臂气缸,能够作用于所述花键轴,用于在水平方向上对所述花键轴施加摇摆力矩;
双扭转气缸,能够作用于所述花键轴,用于对花键轴施加扭转力矩。
通过上述技术方案,可以实现对花键结合缝隙的准确识别,克服现有技术中存在的技术问题。
本发明第二方面提供一种轮毂花键结合缝隙视觉检测方法,包括利用所述的机器视觉硬件系统对测试对象进行加载;加载时,松开所述定心气缸,并通过所述摇臂气缸或所述双扭转气缸对测试对象进行加载,加载时长为2秒,通过所述图像获取模块获取加载过程中图像,基于图像处理软件对加载过程中的图像进行分析,所述轮毂花键结合缝隙视觉检测方法包括以下步骤:
步骤1)接缝圆尺寸测量:对于不同尺寸轮毂分别存储一张标准图像S1,并获取标准图像S1中花键铸造接缝圆的半径尺寸;
步骤2)创建花键模板:根据花键的二维CAD图创建花键的可缩放轮廓模板,并以花键模板匹配中心坐标作为实时捕获图像接缝圆的圆心坐标;
步骤3)涂油墨:在轮毂基体与花键轴套铸造接缝处涂上一层油墨;
步骤4)模板匹配定位:在加载前,获取涂抹油墨状态下的背景图像S2;并在背景图像S2内寻找花键轴形状模板,以花键模板匹配中心坐标的圆心坐标,以步骤1)接缝圆尺寸作为半径,得到其花键结合缝隙圆的位置;
步骤5)提取感兴趣区域:创建背景图像S2中油墨边界区域的形状模板,并提取感兴趣区域R1,获得区域R1在背景图像S2饱和度通道对应的感兴趣区域图像S3;
步骤6)剔除易误判区域:提取背景图像S2的轮廓区域R2,即对加载时的微小振动很敏感的信息,主要包括油墨边界,涂油墨过程中产生的气泡,以及油墨内部涂抹不均处;
步骤7)创建差异模型:创建一张与背景图像S2同尺寸的全黑图像,将R2区域内像素值置为255,记为第一图像S4,并获得第一图像S4感兴趣区域R1对应的图像信息记为第二图像S5,将感兴趣区域图像S3作为均值图,第二图像S5作为差异图创建差异模型;
步骤8)加载及图像校正:松开定心气缸,采用摇臂气缸或双扭转气缸对花键轴施加摇摆力矩或扭转力矩,实时采集图像S6,并匹配图像S6的油墨边界区域,基于仿射变换对加载过程中的图像进行修正,以去除加载过程中微小位置移动造成的影响;
步骤9)提取差异区域:基于差异模型与Blob分析得到加载前背景图像S2与加载时图像S6的差异区域R3;
步骤10)特征提取与分类:获取图像S6饱和度通道中差异区域R3对应的图像,并判断此区域是否存在裂纹,若存在裂纹且裂纹长度大于30像素,则判断产品为不合格品。
进一步地,所述步骤1)对不同尺寸轮毂图像进行图像处理中,包括以下子步骤:
1.1)基于自动阈值分割以及圆度特征选择的方法粗略提取花键铸造接缝圆尺寸;
1.2)提取接缝圆区域的最小外接圆;
1.3)对最小外接圆分别进行腐蚀与膨胀操作,进而求膨胀区域与腐蚀区域的差集,提取差集区域内的原图信息;
1.4)对差集区域图像进行导向滤波操作,去除其中的纹理与噪声,并且保留边缘信息;
1.5)基于canny边缘检测算法以及代数距离圆拟合算法精确定位接缝圆的尺寸,代数距离圆拟合算法表示如下:
表示canny算法提取的边缘点,表示拟合圆的圆心坐标与半径,为在保证取最小值时的,,参数;
进一步地,所述步骤4)定位背景图像中的接缝圆位置包括以下子步骤:
4.1)在背景图像S2中查找模板,并获取模板中心位置;
4.2)基于仿射变换将从标准图像S1中提取的接缝圆平移到以花键轴模板匹配中心所在处;
进一步地,所述步骤5)提取感兴趣区域,包括以下子步骤:
5.1)本发明将油墨颜色限定为三基色,即红、绿、蓝,将加载前图像转换到HSV空间,基于大津阈值分割在饱和度通道中提取油墨区域;
5.2)创建油墨边界区域的可缩放形状模板;
5.3)根据所述步骤4)中接缝圆分别进行35像素宽度的膨胀与腐蚀操作,进而求两者的差集,得到一个70像素宽度的圆环;
5.4)将油墨区域与圆环区域进行交集操作得到感兴趣区域,由于油墨出现裂缝,轮毂表面金属色泽就暴露出来,其相应饱和度通道会显现明显差异,因而提取饱和度通道中感兴趣区域对应的图像;
根据权利要求1所述的一种轮毂花键结合缝隙视觉检测方法,其特征在于,所述步骤6)提取边缘轮廓所采用的方法为Sobel算法;
进一步地,所述步骤7)创建差异模型包括以下子步骤:
7.1)创建一张与背景图像尺寸相同的全黑图像;
7.2)将全黑图像中所述6)步骤中轮廓边缘区域像素值置为255,记为第二图像S5;
7.3)以HSV中饱和度通道中的感兴趣区域图像S3为均值图,以第二图像S5为差异图创建差异模型;
进一步地,所述步骤8)平移旋转加载过程中实时采集图像包括以下子步骤:
8.1)将加载过程中图像S6转换到HSV空间;
8.2)在饱和度通道中匹配定位油墨边界轮廓,并获得匹配后模板中心坐标;
8.3)基于仿射变换将图像S6平移旋转至加载前位置,以去除加载过程中轮毂位置移动造成的影响;
进一步地,所述步骤9)得到差异区域包括以下子步骤:
9.1)提取图像S6饱和度通道中感兴趣区域R1所对应的图像信息;
9.2)基于差异模型获取差异区域,其表示如下:
其中,表示均值图像,表示差异图像,即每个像素点容许的可变化范围图,表示检测亮缺陷的绝对阈值,表示检测亮缺陷的相对阈值,表示检测暗缺陷的绝对阈值,表示检测暗缺陷的相对阈值,表示决定亮缺陷的阈值图,即待检测图中比该图更亮的区域视为缺陷区域,表示决定暗缺陷的阈值图,即待检测图中比该图更暗的区域视为缺陷区域,本方案选择绝对阈值为20,相对阈值为1;
9.3)对差异区域进行特征选择,保留差异区域大于50像素值的区域,记为R3;
进一步地,所述步骤10)检测裂纹包括以下子步骤:
10.1)将步骤9)得到的差异区域R3进行尺寸为3像素的膨胀操作;
10.2)从图像S6的饱和度通道中提取膨胀区域对应的图像信息;
10.3)基于steger算法判定该区域的图像信息是否存在裂缝;
10.4)求裂缝最小外接矩形所对应的长边长度,若长度大于30个像素点,则判定产品为缺陷产品。
本发明的技术方案为两金属材料铸造结合质量检测提供了一种新的视觉检测解决方案。相比于传统人工目视检测,本视觉检测方法更加智能、效率更高、检测结果更准确、更稳定。此外,本发明的技术方案成本较低,能实现在线质量检测,满足企业要求。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
图1为机器视觉硬件系统的结构示意图;
图2为提取结合接缝圆的流程图;
图3为创建并保存花键模板文件流程图;
图4为本发明整体算法流程图;
图5和图6为在饱和度通道中轮毂检测表面油墨裂缝示意图。
附图标记说明
具体实施方式
本发明中提供一种机器视觉硬件系统和轮毂花键结合缝隙视觉检测方法,以能够准确识别花键结合处的缝隙。
为了实现上述目的,本发明第一方面提供一种机器视觉硬件系统,如图1所示,所述机器视觉硬件系统包括:
测试平台9,所述测试平台9上设置有沿其轴线贯穿所述测试平台9的中心通孔;
夹紧气缸5,用于将位于所述测试平台9上的测试对象夹紧在所述测试平台9上;
图像获取模块1,设置在所述测试平台9的上方,用于获取测试对象的图像信息;
花键轴6,设置在所述测试平台9的下方并与所述测试平台9同轴设置,其一端穿过并伸出所述中心通孔。该端设置有花键,用于与测试平台9上测试对象花键配合。
定心气缸4,设置在所述测试平台9的下方,以用于能够使得所述花键轴6的轴线与所述中心通孔轴线重合;
摇臂气缸7,能够作用于所述花键轴6,用于在水平方向上对所述花键轴6施加摇摆力矩;
双扭转气缸8,能够作用于所述花键轴6,用于对花键轴6施加扭转力矩。
其中,所述夹紧气缸5可以独立于所述测试平台9,也设置在所述测试平台9上(即部分连接于所述测试平台9)。
在一种可选的具体实施方式中,所述定心气缸4和所述摇臂气缸7作用于所述花键轴6的另一端。
需要说明的是,所述“水平方向”是指附图1状态下的左右水平方向。
所述机器视觉硬件系统还包括光源2,所述光源2设置在所述测试平台9的上方。
在一种可选的具体实施方式中,所述光源2选用条形光源,数量设置为四个;所述图像获取模块1选用相机,优选地,所述图像获取模块1选用五百万像素彩色的相机。光源2的作用在于:为相机提供足够的光照,获取的图像更加清晰。进一步优选地,四个所述条形光源在水平方向上等间隔排列。
所述测试平台9可以是板状的矩形体、圆柱体或其他形状,在一种优选的具体实施方式中,所述测试平台9选用板状的圆柱体。所述夹紧气缸5的数量设置为三个,三个所述夹紧气缸5以所述测试平台9的轴线为中心旋转对称。
在一种可选的具体实施方式中,所述机器视觉硬件系统还包括支撑架10,所述支撑架10部分悬空在所述测试平台9的上方,所述光源2和所述图像获取模块1安装在所述支撑架10上。
此外,所述机器视觉硬件系统还包括用于对所述图像获取模块1获取的图像进行分析的图像处理软件。
以测试对象为轮毂3为例,简要说明本发明视觉硬件系统的工作原理:
驱动所述定心气缸4使得所述花键轴6的轴线与所述中心通孔轴线重合(花键轴6与所述中心通孔对齐)。将所述轮毂3放置于所述测试平台9上,并使得轮毂3上的花键与所述花键轴6配合。随后松开所述定心气缸4。通过所述夹紧气缸5将位于所述测试平台9上的轮毂3夹紧在所述测试平台9上。利用所述摇臂气缸7在水平方向上对所述花键轴6施加摇摆力矩或者利用所述双扭转气缸8对花键轴6施加扭转力矩。通过所述图像获取模块1获取轮毂3在加载过程中的图像信息,利用图像处理软件对加载过程中的图像进行分析,以准确识别花键结合处的缝隙。
通过上述技术方案,可以实现对花键结合缝隙的准确识别,克服了人工检测的测量精确度低、实时性差、受个体因素影响大以及质量难以把控等缺点。
本发明第二方面提供一种轮毂花键结合缝隙视觉检测方法,如图1-图6所示,包括利用所述的机器视觉硬件系统对测试对象进行加载;加载时,松开所述定心气缸4,并通过所述摇臂气缸7或所述双扭转气缸8对测试对象进行加载,加载时长为2秒,通过所述图像获取模块1获取加载过程中图像,基于图像处理软件对加载过程中的图像进行分析,所述轮毂花键结合缝隙视觉检测方法包括以下步骤:
步骤1)接缝圆尺寸测量:对于不同尺寸轮毂分别存储一张标准图像S1,并获取标准图像S1中花键铸造接缝圆的半径尺寸;
步骤2)创建花键模板:根据花键的二维CAD图创建花键的可缩放轮廓模板,并以花键模板匹配中心坐标作为实时捕获图像接缝圆的圆心坐标;
步骤3)涂油墨:为增强加载过程中的裂缝缺陷特征以及排除接缝处两种材料金属色泽差异带来的误判,本发明仿照人工检测手段,在轮毂基体与花键轴套铸造接缝处涂上一层油墨,在轮毂基体与花键轴套铸造接缝处涂上一层油墨;
步骤4)模板匹配定位:在加载前,获取涂抹油墨状态下的背景图像S2;并在背景图像S2内寻找花键轴形状模板,以花键模板匹配中心坐标的圆心坐标,以步骤1)接缝圆尺寸作为半径,得到其花键结合缝隙圆的位置;
步骤5)提取感兴趣区域:创建背景图像S2中油墨边界区域的形状模板,并提取感兴趣区域R1,获得区域R1在背景图像S2饱和度通道对应的感兴趣区域图像S3;
步骤6)剔除易误判区域:提取背景图像S2的轮廓区域R2,即对加载时的微小振动很敏感的信息,主要包括油墨边界,涂油墨过程中产生的气泡,以及油墨内部涂抹不均处;
步骤7)创建差异模型:创建一张与背景图像S2同尺寸的全黑图像,将R2区域内像素值置为255,记为第一图像S4,并获得第一图像S4感兴趣区域R1对应的图像信息记为第二图像S5,将感兴趣区域图像S3作为均值图,第二图像S5作为差异图创建差异模型;其中所述“全黑图像”即灰度值全为0的图像。
步骤8)加载及图像校正:松开定心气缸4,采用摇臂气缸7或双扭转气缸8对花键轴6施加摇摆力矩或扭转力矩,实时采集图像S6,并匹配图像S6的油墨边界区域,基于仿射变换对加载过程中的图像进行修正,以去除加载过程中微小位置移动造成的影响;
步骤9)提取差异区域:基于差异模型与Blob分析得到加载前背景图像S2与加载时图像S6的差异区域R3;
步骤10)特征提取与分类:获取图像S6饱和度通道中差异区域R3对应的图像,并判断此区域是否存在裂纹,若存在裂纹且裂纹长度大于30像素(约1mm),则判断该产品为不合格品。
进一步地,所述步骤1)对不同尺寸轮毂图像进行图像处理中,包括以下子步骤:
1.1)基于自动阈值分割以及圆度特征选择的方法粗略提取花键铸造接缝圆尺寸;
1.2)提取接缝圆区域的最小外接圆;
1.3)对最小外接圆分别进行腐蚀与膨胀操作,进而求膨胀区域与腐蚀区域的差集,提取差集区域内的原图信息;
1.4)对差集区域图像进行导向滤波操作,去除其中的纹理与噪声,并且保留边缘信息;
1.5)基于canny边缘检测算法以及代数距离圆拟合算法精确定位接缝圆的尺寸,代数距离圆拟合算法表示如下:
表示canny算法提取的边缘点,表示拟合圆的圆心坐标与半径,为在保证取最小值时的,,参数;
进一步地,所述步骤4)定位背景图像中的接缝圆位置包括以下子步骤:
4.1)在背景图像S2中查找模板,并获取模板中心位置;
4.2)基于仿射变换将从标准图像S1中提取的接缝圆平移到以花键轴模板匹配中心所在处;
进一步地,所述步骤5)提取感兴趣区域,包括以下子步骤:
5.1)本发明将油墨颜色限定为三基色,即红、绿、蓝,将加载前图像转换到HSV空间,基于大津阈值分割在饱和度通道中提取油墨区域;
5.2)创建油墨边界区域的可缩放形状模板;
5.3)根据所述4)步骤中接缝圆分别进行35像素宽度的膨胀与腐蚀操作,进而求两者的差集,得到一个70像素宽度(约2mm)的圆环;
5.4)将油墨区域与圆环区域进行交集操作得到感兴趣区域,由于油墨出现裂缝,轮毂表面金属色泽就暴露出来,其相应饱和度通道会显现明显差异,因而提取饱和度通道中感兴趣区域对应的图像;
进一步地,所述步骤6)提取边缘轮廓所采用的方法为Sobel算法;
进一步地,所述步骤7)创建差异模型包括以下子步骤:
7.1)创建一张与背景图像尺寸相同的全黑图像;
7.2)将全黑图像中所述6)步骤中轮廓边缘区域像素值置为255,记为第二图像S5;
7.3)以HSV中饱和度通道中的感兴趣区域图像S3为均值图,以第二图像S5为差异图创建差异模型;
上述中,所述全黑图像是指像素值全为0的图像。
进一步地,所述步骤8)平移旋转加载过程中实时采集图像包括以下子步骤:
8.1)将加载过程中图像S6转换到HSV空间;
8.2)在饱和度通道中匹配定位油墨边界轮廓,并获得匹配后模板中心坐标;
8.3)基于仿射变换将图像S6平移旋转至加载前位置,以去除加载过程中轮毂位置移动造成的影响;
进一步地,所述步骤9)得到差异区域包括以下子步骤:
9.1)提取图像S6饱和度通道中感兴趣区域R1所对应的图像信息;
9.2)基于差异模型获取差异区域,其表示如下:
其中,表示均值图像,表示差异图像,即每个像素点容许的可变化范围图,表示检测亮缺陷的绝对阈值,表示检测亮缺陷的相对阈值,表示检测暗缺陷的绝对阈值,表示检测暗缺陷的相对阈值,表示决定亮缺陷的阈值图,即待检测图中比该图更亮的区域视为缺陷区域,表示决定暗缺陷的阈值图,即待检测图中比该图更暗的区域视为缺陷区域,本方案选择绝对阈值为20,相对阈值为1;
9.3)对差异区域进行特征选择,保留差异区域大于50像素值的区域,记为R3;
进一步地,所述步骤10)检测裂纹包括以下子步骤:
10.1)将步骤9)得到的差异区域R3进行尺寸为3像素的膨胀操作;
10.2)从图像S6的饱和度通道中提取膨胀区域对应的图像信息;
10.3)基于steger算法判定该区域的图像信息是否存在裂缝;
10.4)求裂缝最小外接矩形所对应的长边长度,若长度大于30个像素点(约1mm),则判定该产品为缺陷产品。
本发明的技术方案为两金属材料铸造结合质量检测提供了一种新的视觉检测解决方案。相比于传统人工目视检测,本视觉检测方法更加智能、效率更高、检测结果更准确、更稳定。此外,本发明的技术方案成本较低,能实现在线质量检测,满足企业要求。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (6)
1.一种轮毂花键结合缝隙视觉检测方法,其特征在于,利用机器视觉硬件系统对测试对象进行加载;其中,机器视觉硬件系统包括:
测试平台(9),所述测试平台(9)上设置有沿其轴线贯穿所述测试平台(9)的中心通孔;
夹紧气缸(5),用于将位于所述测试平台(9)上的测试对象夹紧在所述测试平台(9)上;
图像获取模块(1),设置在所述测试平台(9)的上方,用于获取测试对象的图像信息;
花键轴(6),设置在所述测试平台(9)的下方并与所述测试平台(9)同轴设置,其一端穿过并伸出所述中心通孔;
定心气缸(4),设置在所述测试平台(9)的下方,以用于能够使得所述花键轴(6)的轴线与所述中心通孔轴线重合;
摇臂气缸(7),能够作用于所述花键轴(6),用于在水平方向上对所述花键轴(6)施加摇摆力矩;
双扭转气缸(8),能够作用于所述花键轴(6),用于对花键轴(6)施加扭转力矩;
加载时,松开所述定心气缸(4),并通过所述摇臂气缸(7)或所述双扭转气缸(8)对测试对象进行加载,加载时长为2秒,通过所述图像获取模块(1)获取加载过程中图像,基于图像处理软件对加载过程中的图像进行分析,所述轮毂花键结合缝隙视觉检测方法包括以下步骤:
步骤1)接缝圆尺寸测量:对于不同尺寸轮毂分别存储一张标准图像S1,并获取标准图像S1中花键铸造接缝圆的半径尺寸;
步骤2)创建花键模板:根据花键的二维CAD图创建花键的可缩放轮廓模板,并以花键模板匹配中心坐标作为实时捕获图像接缝圆的圆心坐标;
步骤3)涂油墨:在轮毂基体与花键轴套铸造接缝处涂上一层油墨;
步骤4)模板匹配定位:在加载前,获取涂抹油墨状态下的背景图像S2;并在背景图像S2内寻找花键轴形状模板,以花键模板匹配中心坐标的圆心坐标,以步骤1)接缝圆尺寸作为半径,得到其花键结合缝隙圆的位置;
步骤5)提取感兴趣区域:创建背景图像S2中油墨边界区域的形状模板,并提取感兴趣区域R1,获得感兴趣区域R1在背景图像S2饱和度通道对应的感兴趣区域图像S3;
步骤6)剔除易误判区域:提取背景图像S2的轮廓区域R2,即对加载时的微小振动很敏感的信息,主要包括油墨边界,涂油墨过程中产生的气泡,以及油墨内部涂抹不均处;
步骤7)创建差异模型:创建一张与背景图像S2同尺寸的全黑图像,将轮廓区域R2区域内像素值置为255,记为第一图像S4,并获得第一图像S4的感兴趣区域R1对应的图像信息记为第二图像S5,将感兴趣区域图像S3作为均值图,第二图像S5作为差异图创建差异模型;步骤8)加载及图像校正:松开定心气缸(4),采用摇臂气缸(7)或双扭转气缸(8)对花键轴6施加摇摆力矩或扭转力矩,实时采集图像S6,并匹配图像S6的油墨边界区域,基于仿射变换对加载过程中的图像进行修正,以去除加载过程中微小位置移动造成的影响;
步骤9)提取差异区域:基于差异模型与Blob分析得到加载前背景图像S2与加载时图像S6的差异区域R3;
步骤10)特征提取与分类:获取图像S6饱和度通道中差异区域R3对应的图像,并判断此区域是否存在裂纹,若存在裂纹且裂纹长度大于30像素,则判断产品为不合格品;
所述步骤1)对不同尺寸轮毂图像进行图像处理中,包括以下子步骤:
1.1)基于自动阈值分割以及圆度特征选择的方法粗略提取花键铸造接缝圆尺寸;
1.2)提取接缝圆区域的最小外接圆;
1.3)对最小外接圆分别进行腐蚀与膨胀操作,进而求膨胀区域与腐蚀区域的差集,提取差集区域内的原图信息;
1.4)对差集区域图像进行导向滤波操作,去除其中的纹理与噪声,并且保留边缘信息;
1.5)基于canny边缘检测算法以及代数距离圆拟合算法精确定位接缝圆的尺寸,代数距离圆拟合算法表示如下:
表示canny算法提取的边缘点,表示拟合圆的圆心坐标与半径,为在保证取最小值时的,,参数;
进一步地,所述步骤4)定位背景图像中的接缝圆位置包括以下子步骤:
4.1)在背景图像S2中查找模板,并获取模板中心位置;
4.2)基于仿射变换将从标准图像S1中提取的接缝圆平移到以花键轴模板匹配中心所在处;
所述步骤7)创建差异模型包括以下子步骤:
7.1)创建一张与背景图像尺寸相同的全黑图像;
7.2)将全黑图像中所述步骤6)中轮廓边缘区域像素值置为255,记为第二图像S5;
7.3)以HSV中饱和度通道中的感兴趣区域图像S3为均值图,以第二图像S5为差异图创建差异模型;
所述步骤9)得到差异区域包括以下子步骤:
9.1)提取图像S6饱和度通道中感兴趣区域R1所对应的图像信息;
9.2)基于差异模型获取差异区域,其表示如下:
其中,表示均值图像,表示差异图像,即每个像素点容许的可变化范围图,表示检测亮缺陷的绝对阈值,表示检测亮缺陷的相对阈值,表示检测暗缺陷的绝对阈值,表示检测暗缺陷的相对阈值,表示决定亮缺陷的阈值图,即待检测图中比该图更亮的区域视为缺陷区域,表示决定暗缺陷的阈值图,即待检测图中比该图更暗的区域视为缺陷区域,本方案选择绝对阈值为20,相对阈值为1;
9.3)对差异区域进行特征选择,保留差异区域大于50像素值的区域,记为R3。
2.根据权利要求1所述的轮毂花键结合缝隙视觉检测方法,其特征在于,所述步骤4)定位背景图像中的接缝圆位置包括以下子步骤:
4.1)在背景图像S2中查找模板,并获取模板中心位置;
4.2)基于仿射变换将从标准图像S1中提取的接缝圆平移到以花键轴模板匹配中心所在处。
3.根据权利要求1所述的轮毂花键结合缝隙视觉检测方法,其特征在于,所述步骤5)提取感兴趣区域,包括以下子步骤:
5.1)将油墨颜色限定为三基色,即红、绿、蓝,将加载前图像转换到HSV空间,基于大津阈值分割在饱和度通道中提取油墨区域;
5.2)创建油墨边界区域的可缩放形状模板;
5.3)根据所述步骤4)中接缝圆分别进行35像素宽度的膨胀与腐蚀操作,进而求两者的差集,得到一个70像素宽度的圆环;
5.4)将油墨区域与圆环区域进行交集操作得到感兴趣区域,由于油墨出现裂缝,轮毂表面金属色泽就暴露出来,其相应饱和度通道会显现明显差异,因而提取饱和度通道中感兴趣区域对应的图像。
4.根据权利要求1所述的一种轮毂花键结合缝隙视觉检测方法,其特征在于,所述步骤6)提取边缘轮廓所采用的方法为Sobel算法。
5.根据权利要求1所述的一种轮毂花键结合缝隙视觉检测方法,其特征在于,所述步骤8)平移旋转加载过程中实时采集图像包括以下子步骤:
8.1)将加载过程中图像S6转换到HSV空间;
8.2)在饱和度通道中匹配定位油墨边界轮廓,并获得匹配后模板中心坐标;
8.3)基于仿射变换将图像S6平移旋转至加载前位置,以去除加载过程中轮毂位置移动造成的影响。
6.根据权利要求1所述的轮毂花键结合缝隙视觉检测方法,其特征在于,所述步骤10)检测裂纹包括以下子步骤:
10.1)将步骤9)得到的差异区域R3进行尺寸为3像素的膨胀操作;
10.2)从图像S6的饱和度通道中提取膨胀区域对应的图像信息;
10.3)基于steger算法判定该区域的图像信息是否存在裂缝;
10.4)求裂缝最小外接矩形所对应的长边长度,若长度大于30个像素点,则判定产品为缺陷产品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010827513.5A CN111999305B (zh) | 2020-08-17 | 2020-08-17 | 机器视觉硬件系统和轮毂花键结合缝隙视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010827513.5A CN111999305B (zh) | 2020-08-17 | 2020-08-17 | 机器视觉硬件系统和轮毂花键结合缝隙视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111999305A CN111999305A (zh) | 2020-11-27 |
CN111999305B true CN111999305B (zh) | 2023-04-25 |
Family
ID=73473824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010827513.5A Active CN111999305B (zh) | 2020-08-17 | 2020-08-17 | 机器视觉硬件系统和轮毂花键结合缝隙视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111999305B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113267502B (zh) * | 2021-05-11 | 2022-07-22 | 江苏大学 | 一种基于机器视觉的微电机摩擦片残缺检测系统及检测方法 |
CN113570654A (zh) * | 2021-06-16 | 2021-10-29 | 上海工程技术大学 | 基于最小外接矩形的汽车表面缝隙尺寸检测方法及其应用 |
CN113674255B (zh) * | 2021-08-25 | 2023-11-03 | 东华大学 | 一种面向缺陷检测的卷积神经网络正则化方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB1301837A (zh) * | 1969-02-25 | 1973-01-04 | ||
CN102632096A (zh) * | 2012-03-27 | 2012-08-15 | 西安交通大学 | 一种花键挤压成形设备 |
CN107407615A (zh) * | 2014-12-29 | 2017-11-28 | 浩亭信息技术软件开发有限及两合公司 | 接合组件之间的偏移检测 |
WO2019114362A1 (zh) * | 2017-12-11 | 2019-06-20 | 株洲硬质合金集团有限公司 | 一种螺母锁固装置及带有该装置的组合轧辊 |
CN110230988A (zh) * | 2019-07-15 | 2019-09-13 | 河北科技大学 | 轮毂检测装置 |
CN209446482U (zh) * | 2019-01-24 | 2019-09-27 | 江苏天宏机械工业有限公司 | 一种基于机器视觉的轮毂缺陷检测装置 |
CN111121875A (zh) * | 2019-11-21 | 2020-05-08 | 南京宇强特种焊接有限公司 | 一种智能工装设备及其应用 |
CN111811961A (zh) * | 2020-07-30 | 2020-10-23 | 浙江今飞汽摩配技术研究院有限公司 | 一种基于机器视觉的轮毂中心花键套浇铸品质检测设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8549928B2 (en) * | 2011-09-07 | 2013-10-08 | Schlumberger Technology Corporation | Weld strength test |
-
2020
- 2020-08-17 CN CN202010827513.5A patent/CN111999305B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB1301837A (zh) * | 1969-02-25 | 1973-01-04 | ||
CN102632096A (zh) * | 2012-03-27 | 2012-08-15 | 西安交通大学 | 一种花键挤压成形设备 |
CN107407615A (zh) * | 2014-12-29 | 2017-11-28 | 浩亭信息技术软件开发有限及两合公司 | 接合组件之间的偏移检测 |
WO2019114362A1 (zh) * | 2017-12-11 | 2019-06-20 | 株洲硬质合金集团有限公司 | 一种螺母锁固装置及带有该装置的组合轧辊 |
CN209446482U (zh) * | 2019-01-24 | 2019-09-27 | 江苏天宏机械工业有限公司 | 一种基于机器视觉的轮毂缺陷检测装置 |
CN110230988A (zh) * | 2019-07-15 | 2019-09-13 | 河北科技大学 | 轮毂检测装置 |
CN111121875A (zh) * | 2019-11-21 | 2020-05-08 | 南京宇强特种焊接有限公司 | 一种智能工装设备及其应用 |
CN111811961A (zh) * | 2020-07-30 | 2020-10-23 | 浙江今飞汽摩配技术研究院有限公司 | 一种基于机器视觉的轮毂中心花键套浇铸品质检测设备 |
Non-Patent Citations (1)
Title |
---|
赵海文 等.基于深度学习的汽车轮毂表面缺陷检测算法研究.《组合机床与自动化加工技术 》.2019,(第11期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111999305A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111999305B (zh) | 机器视觉硬件系统和轮毂花键结合缝隙视觉检测方法 | |
CN108776140B (zh) | 一种基于机器视觉的印刷品瑕疵检测方法及系统 | |
CN109489591B (zh) | 基于机器视觉的平面划痕长度非接触测量方法 | |
CN111982916A (zh) | 一种基于机器视觉的焊缝表面缺陷检测方法及系统 | |
CN109142383B (zh) | 一种基于形态学的字符缺陷检测方法 | |
CN110838149B (zh) | 一种相机光源自动配置方法及系统 | |
CN108257171A (zh) | 基于光视觉的汽车雷达装配孔径检测方法 | |
CN109461156B (zh) | 基于视觉的螺纹密封塞装配检测方法 | |
CN112858351A (zh) | 一种基于机器视觉的x射线无损探伤方法 | |
JPH11108759A (ja) | 欠陥検査方法及びその装置 | |
CN114719749B (zh) | 基于机器视觉的金属表面裂纹检测及真实尺寸测量方法及系统 | |
KR20180115645A (ko) | 2d 영상 기반의 용접 비드 인식 장치 및 그것을 이용한 그을음 제거 방법 | |
CN111426693A (zh) | 一种质量缺陷检测系统及其检测方法 | |
CN111833350A (zh) | 机器视觉检测方法与系统 | |
CN116381053A (zh) | 一种用于金属材料焊接的超声波检测方法及系统 | |
CN115829981A (zh) | 一种退役轴承端面损伤的视觉检测方法 | |
JP2984151B2 (ja) | 表面欠陥検出方法 | |
CN115014142A (zh) | 一种基于机器视觉的钢卷尺刻度误差测量方法 | |
CN112581424B (zh) | 一种光学元件表面与亚表面缺陷的分类提取方法 | |
CN213516828U (zh) | 机器视觉硬件系统 | |
CN114881984A (zh) | 一种大米加工精度的检测方法、装置、电子设备及介质 | |
CN116087196A (zh) | 一种构件表面损伤面积的测量方法 | |
CN108460763A (zh) | 一种磁粉探伤图像自动检测识别方法 | |
CN112808782A (zh) | 一种热轧板除锈等级自动检测方法 | |
CN106568782A (zh) | 一种基于机器视觉对彩色瓶盖图像颜色量化的方法 |
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 |