CN112037175B - 基于机器视觉的陶瓷产品表面斑点检测方法及设备 - Google Patents

基于机器视觉的陶瓷产品表面斑点检测方法及设备 Download PDF

Info

Publication number
CN112037175B
CN112037175B CN202010779902.5A CN202010779902A CN112037175B CN 112037175 B CN112037175 B CN 112037175B CN 202010779902 A CN202010779902 A CN 202010779902A CN 112037175 B CN112037175 B CN 112037175B
Authority
CN
China
Prior art keywords
edge
point
red
spot
yellow
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
CN202010779902.5A
Other languages
English (en)
Other versions
CN112037175A (zh
Inventor
张立国
马子荐
金梅
李义辉
杨曼
李媛媛
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.)
Yanshan University
Original Assignee
Yanshan 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 Yanshan University filed Critical Yanshan University
Priority to CN202010779902.5A priority Critical patent/CN112037175B/zh
Publication of CN112037175A publication Critical patent/CN112037175A/zh
Application granted granted Critical
Publication of CN112037175B publication Critical patent/CN112037175B/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
    • 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
    • G06T7/10—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
    • G06T7/10—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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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

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 Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于机器视觉的陶瓷产品表面斑点检测方法，步骤S1、获得不同光源下图像信息并对图像进行预处理；步骤S2、识别斑点边缘的候选初始点；步骤S3、通过边缘检测模型确定粗边缘点及边缘颜色；步骤S4、基于反正切函数的亚像素表面斑点边缘检测，S5、对步骤S4得到的黑色斑点直径、红色斑点直径以及黄色斑点直径进行判断。本方法针对陶瓷产品三色斑点在三种光照环境下的亮度差异识别三色斑点粗边缘，又应用反正切函数亚像素拟合方法识别斑点边缘并确定斑点直径，具有检测时间短、结果准确的优越性，满足实际检测需要。

Description

基于机器视觉的陶瓷产品表面斑点检测方法及设备
技术领域
本发明涉及图像处理技术，特别涉及一种基于机器视觉的陶瓷产品表面斑点检测方法及设备。
背景技术
随着现在制造业自动化生产工业的日益提高，以及现代制造对产品表面外观、尺寸、性能要求的日益严格，传统人工肉眼检测来实现对产品生产时的质量过程控制已经无法满足当今企业对高速、高精度、实时的自动化生产要求，因此，如何实现快速高效、高精度、实时在线的表面斑点监测方法逐渐成为现代化生产企业的难题。尤其是在陶瓷生产领域的陶瓷产品表面斑点检测上。
不同的生产过程以及生产过程中的杂质会使陶瓷产品产生不同颜色及大小的斑点，有些斑点微小，肉眼难以判断，而且由于CCD的规格化敏感面的像元有固定的尺寸，拍摄完成后，物体成像的边缘不一定正好落在像元的边缘处，就会造成物体真实边缘信息在成像过程中丢失。而人工检测不仅准确率低下，检测结果反馈慢，而且成本极大。
发明内容
本发明的目的在于提供一种基于机器视觉的陶瓷产品表面斑点检测方法，以解决现有的陶瓷产品表面斑点检测成本高难度大的特点。尤其在以往的拟合类边缘检测算法中，针对二维边缘检测时，大都通过拟合边缘模型曲面获得边缘位置，而且由于拟合空间曲面的运算复杂，上述检测时间往往很长。本方法从检测粗边缘到亚像素边缘检测的过程均在检测精度和检测速度方面取得了较好的平衡性。
具体地，本发明提供一种基于机器视觉的陶瓷产品表面斑点检测方法，其包括以下步骤：
步骤S1、利用检测设备在不同光源下对所述陶瓷产品进行拍照，获得白色、红色和黄色光源下的图像信息并对图像进行预处理，得到白色光源下图片、红色光源下图片以及黄色光源下图片；
步骤S2、识别斑点边缘的候选初始点，候选初始点具有一个或多个，具体包括以下子步骤：
S21、确定黑色斑点边缘条纹相关联的候选初始点：
从起始点开始遍历所有像素点，在遍历所有像素点过程中，将每一个当前像素点的像素值P1与设定定位值PH做比较，若P1值与设定定位值PH之间差值处于差值阈值内，并且P1值位于PHH和PHL之间，则将该像素点记为黑色斑点边缘高点QH，进一步将每一个黑色斑点边缘高点QH的像素位置按八个方向分别移动，第一次移动距离为
Figure BDA0002619827930000023
像素距离，接着每次移动距离为1像素距离，直到移动到距黑色斑点边缘高点QH距离为WW的终点为止，如果检测到当前像素点的像素值P1小于设定的黑色斑点边缘定位值PL，则将该多个像素点的终点位置记为黑色斑点边缘低点QL，计算每一个像素点QL到QH的黑色边缘斜率k：
Figure BDA0002619827930000021
Figure BDA0002619827930000022
其中，k为QL到QH的黑色边缘斜率，s为QL到QH的距离，(xH,yH)为QH点坐标，(xL,yL)为QL点坐标，WW的大小为QH到QL距离的1.5倍，PHH和PHL的值由理想边缘曲线确定，八个方向分别为0°、45°、90°、135°、180°、225°、270°、305°；
当某个像素点的黑色边缘斜率k值处于系统设定的黑色边缘斜率区间[KBH,KBL]内时，则将该像素点定义为黑色边缘初始点P2，理想黑色边缘斜率KBI介于[KBH,KBL]之间，KBL介于KBI和KYI之间，其中，KBH为黑色边缘斜率区间的高点，KBL为黑色边缘斜率区间的低点，KBI为理想黑色边缘斜率，KYI为理想黄色边缘斜率；
S22、当像素点不为黑色斑点边缘相关联的候选初始点时，确定该点是否为红色斑点边缘或黄色斑点边缘相关联的候选初始点；
S221、在遍历所有像素点过程中，当识别到黑色斑点边缘高点QH但是未识别到黑色斑点边缘低点QL时，记录黑色斑点边缘高点QH位置，并且分别对红色光源和黄色光源下图像以同样位置为中心进行一定范围内的标准差计算，识别红色或黄色斑点的边缘初始点；
S222、确定红色斑点边缘相关联的候选初始点：以黑色边缘高点QH为起始点，将该像素点的像素位置按八个方向分别移动，第一次移动距离为
Figure BDA0002619827930000032
接着每次移动距离为1，直到移动到距起始点距离为WW的终点为止，当检测到当前像素点像素值P1小于设定的红色斑点边缘定位值PRL,则将该点记为红色斑点边缘低点QRL,计算QRL到QH的红色边缘斜率kR，当红色边缘斜率kR值处于红色边缘斜率区间[KRH,KRL]内时，则将当前像素点定义为红色边缘初始点P2R，理想红色边缘斜率KRI介于[KRH,KRL]之间，KRL介于KYH和KRI之间，其中，KRH为红色边缘斜率区间的高点，KRL为红色边缘斜率区间的低点，KRI为理想红色边缘斜率，KYH为黄色边缘斜率区间的高点；
S223、确定黄色斑点边缘相关联的候选初始点：
以黑色边缘高点QH为起始点，将像素位置按八个方向分别移动，第一次移动距离为
Figure BDA0002619827930000031
接着每次移动距离为1，直到移动到距起始点距离为WW的终点为止，当检测到当前像素点像素值P1小于设定黄色斑点边缘定位值PYL,则将该点记为黄色斑点边缘低点QYL,计算QYL到QH的黄色边缘斜率kY，当黄色边缘斜率kY值处于黄色边缘斜率区间[KYH,KYL]内时，则将当前像素点定义为红色边缘初始点P2Y，理想黄色边缘斜率KYI介于[KYH,KYL]之间，KYL介于KYI和KRH之间，KYH介于KYI和KBL之间，其中KYL为黄色边缘斜率区间的高点、KYL为黄色边缘斜率区间的低点、KYI为理想黄色边缘斜率；
步骤S3、通过边缘检测模型确定粗边缘点及边缘颜色，具体包括以下子步骤：
S31、确定黑色边缘粗边缘点及边缘颜色：
识别步骤S2中所有黑色边缘初始点P2，对每一个黑色边缘初始点P2，以P2到QL为范围，对范围内所有像素点在大小为WW*WW矩形范围内与粗边缘点确定矩阵进行内积运算，得到多个像素点的边缘中点判断值CP，若范围内某个像素点的边缘中点判断值CP小于边缘判断阈值差值T，则当前像素点为边缘中点且P2点为黑色粗边缘点；
S32、确定红色边缘的粗边缘点及边缘颜色：
识别步骤S2中红色边缘初始点P2R，对每一个红色边缘初始点P2R，以P2R到QRL为范围，对范围内所有像素点在大小为WW*WW矩形范围内与粗边缘点确定矩阵进行内积运算，得到多个像素点的边缘中点判断值CPR，若范围内某个像素点的边缘中点判断值CPR小于边缘判断阈值差值TR，则当前像素点为红色边缘中点且P2R点为红色斑点粗边缘点；
S33、确定黄色边缘的粗边缘点及边缘颜色：
识别步骤S2中黄色边缘初始点P2Y，对每一个黄色边缘初始点P2Y，以P2Y到QYL为范围，对范围内所有像素点在大小为WW*WW矩形范围内与粗边缘点确定矩阵进行内积运算，得到多个像素点的边缘中点判断值CPY，若范围内某个像素点的边缘中点判断值CP小于边缘判断阈值差值TY，则当前像素点为黄色边缘中点且P2Y点为黄色斑点粗边缘点；
步骤S4、基于反正切函数的亚像素表面斑点边缘检测，分别确定黑色斑点直径、红色斑点直径以及黄色斑点直径，具体步骤如下：
S41、获取黑色斑点直径：
S411、根据步骤S3中确定的黑色粗边缘点P2、边缘中点和某方向的粗边缘点确定矩阵，以边缘中点为中点取一列该方向的边缘区域向量的灰度值将该方向内WW个像素进行反正切函数拟合，拟合函数形式为：
y＝a1arctan(a2x+a3)+a4
拟合得到模型中参数为(a1,a2,a3,a4)，根据实际陶瓷表面斑点边缘可见位置确定黑色斑点边缘的亚像素边缘点位置R；
Figure BDA0002619827930000051
S412、计算各边缘点之间距离，其中边缘点间的最大距离为斑点直径，
Figure BDA0002619827930000052
D为黑色斑点直径，(xi,yi)、(xj,yj)为R位置；
S42、获取红色斑点直径和黄色斑点直径：利用上述方法分别确定红色和黄色斑点边缘的亚像素边缘，分别以红色边缘中点和黄色边缘中点为中点取一列该方向的边缘区域向量的灰度值将该方向内WW个像素进行反正切函数拟合，根据上述方法确定红色斑点直径DR以及黄色斑点直径DY；
S5、对步骤S4得到的黑色斑点直径、红色斑点直径以及黄色斑点直径进行判断，当黑色斑点直径、红色斑点直径或黄色斑点直径大于设定的斑点阈值时，则判断该陶瓷产品为不合格。
优选地，粗边缘点确定矩阵的选择以步骤S1中八个方向为参考，对该方向和附近两个方向的矩阵进行内积运算，步骤S31中，以15度为间隔在0到360度之间提供24个粗边缘点确定矩阵，分别为0°、15°、30°、45°、60°、75°直到345°，若步骤S1中方向为0度，则分别对0度、15度和345度粗边缘点确定矩阵进行点乘运算；
由理想边缘灰度图确定不同角度的粗边缘点矩阵，PIZ为理想黑色斑点边缘灰度值中点,0度方向的理想边缘灰度值如下：
Figure BDA0002619827930000061
则0度方向的粗边缘点确定矩阵MC为：
Figure BDA0002619827930000062
则边缘中点判断值CP为：
Figure BDA0002619827930000063
其中，Cp为边缘中点判断值，Pxy为(x，y)处灰度值。
优选地，步骤S22中，标准差计算具体步骤如下：
以黑色斑点边缘高点QH点坐标(xH,yH)为中心，在范围大小为WW*WW的矩形内计算平均差如下：
Figure BDA0002619827930000064
Figure BDA0002619827930000065
其中，C1为矩形内灰度平均值，C为范围内标准差，Pxy为(x，y)处灰度值，Cb的值的确定由白色光源下理想黑色斑点边缘在WW*WW的范围内计算得到，Cy的值的确定由黄色光源下理想黄色斑点边缘在WW*WW的范围内计算得到，Cr的值的确定由红色光源下理想红色斑点边缘在WW*WW的范围内计算得到。当黑色图像下标准差Cb大于黄色图像下标准差Cy大于红色图像下标准差Cr，且红色图像下标准差明显变小时，可进一步通过红色斑点边缘低点QRL和红色边缘斜率区间[KRH,KRL]确定红色斑点边缘初始点PR2。
优选地，理想黑色边缘斜率KBI为7.8，理想黄色边缘斜率KYI为6.2，理想红色边缘斜率KRI为4.4，其中WW取17，则可取黑色边缘斜率区间[7,8.6]，红色边缘斜率区间[3.5,5.3]，黄色边缘斜率区间[5.3,7]。
优选地，T、TR、TY的值由不同颜色斑点边缘识别的灰度可接受范围w确定，
Figure BDA0002619827930000071
其中，黑色斑点范围w为10，红色和黄色斑点范围w为15。
优选地，步骤S1具体为：
将陶瓷产品放置于检测板的初始位置上，激光传感器检测到陶瓷之后，工业CCD相机在固定白色光源下拍摄第一张照片；在固定红色光源下拍摄第二张照片；在固定黄色光源下拍摄第三张照片，对图像进行预处理后将图像保存为灰度图像。
优选地，所述检测设备包括基座、支撑柱以及监测终端，
所述基座包括导轨、传动机构、检测板以及激光传感器，所述检测板借助于导轮放置在导轨上，所述传动机构能够驱动所述导轨移动从而带动所述检测板移动，所述激光传感器设置在导轨上；
所述支撑柱的下端固定在所述基座上，所述支撑柱的上端固定所述监测终端；
所述监测终端包括固定板、白色光源、红色光源、黄色光源、工业CCD相机以及控制终端，所述固定板固定在所述支撑柱上，所述白色光源、红色光源、黄色光源以及工业CCD相机均固定在所述固定板的下方，所述控制终端固定在所述固定板的上方。
本发明的效果如下：
(1)本方法从检测粗边缘到亚像素边缘检测的过程均在检测精度和检测速度方面取得了较好的平衡性。本发明的检测方法较为简单，只需获取黑色图像、红色图像及黄色图像即可，结合本专利提出的方法，能够非常直观的计算出黑色斑点、红色斑点及黄色斑点的直径大小，并且得到的结构非常准确，运算方法简单便捷，非常适合陶瓷产品表面斑点检测。
(2)本方法针对陶瓷产品三色斑点在三种光照环境下的亮度差异识别三色斑点粗边缘，又应用反正切函数亚像素拟合方法识别斑点边缘并确定斑点直径，具有检测时间短、结果准确的优越性，满足实际检测需要。
附图说明
图1是本发明的工作流程示意图；
图2是本发明的结构示意图；
图3是本发明的实施例中的反正切函数图像；
图4是本发明的实施例中理想的边缘示意图；
图5是亚像素边缘检测点示意图；以及
图6亚像素边缘检测A,B两点拟合曲线；
具体实施方式
以下，参照附图对本发明的实施方式进行说明。
本发明提供一种陶瓷产品表面斑点检测方法，检测方法的整个流程如图1所示，检测设备的结构示意图如图2所示。
陶瓷产品表面斑点检测方法具体包括以下步骤：
S1、利用检测设备在不同光源下对陶瓷产品进行拍照，获得白色、红色和黄色光源下的图像信息并对图像进行预处理，得到白色光源下图片、红色光源下图片以及黄色光源下图片；
S2、识别斑点边缘的候选初始点，具体包括以下子步骤：
S21、确定黑色斑点边缘条纹相关联的候选初始点：
从起始点开始遍历所有像素点，在遍历所有像素点数据过程中，将每一个当前像素点的像素值P1与设定定位值PH做比较，若P1值接近设定定位值PH，并且P1位于PHH和PHL之间，则将该点记为斑点边缘高点QH，进一步将像素位置按八个方向分别移动，第一次移动距离为
Figure BDA0002619827930000093
像素距离，接着每次移动距离为1像素距离，直到移动到距起始点距离为WW的终点为止，当检测到当前点像素值P1小于设定的黑色斑点边缘定位值PL，则将该点记为黑色斑点边缘低点QL，计算所有符合条件的像素点的QL到QH的边缘变化率即边缘斜率k：
Figure BDA0002619827930000091
Figure BDA0002619827930000092
其中，k为QL到QH的边缘斜率，s为QL到QH的距离，(xH,yH)为QH点坐标，(xL,yL)为QL点坐标，WW的大小为QH到QL距离的1.5倍，PHH和PHL的值由理想边缘曲线确定，八个方向分别为0°、45°、90°、135°、180°、225°、270°、305°；
当某个像素点的边缘斜率k值处于系统设定的黑色边缘斜率区间[KBH,KBL]内时，则将前点像素值P1定义为黑色边缘初始点P2，理想黑色边缘斜率KBI介于[KBH,KBL]之间，KBL介于KBI和KYI之间，其中，KBH为黑色边缘斜率区间的高点，KBL为黑色边缘斜率区间的低点，KBI为理想黑色边缘斜率，KYI为理想黄色边缘斜率；
S22、确定红色斑点边缘和黄色斑点边缘相关联的候选初始点：
从起始点开始遍历所有像素，在遍历所有像素数据过程中，当识别到QH但是未识别到QL时，记录QH的位置，分别对红色光源和黄色光源下图像以同样位置为中心进行一定范围内的标准差计算，识别红色或黄色斑点的边缘初始点，
具体地，以QH点坐标(xH,yH)为中心，在范围大小为WW*WW的矩形内计算平均差如下：
Figure BDA0002619827930000101
Figure BDA0002619827930000102
其中，C1为矩形内灰度平均值，C为范围内标准差，Pxy为(x，y)处灰度值，Cb的值的确定由白色光源下理想黑色斑点边缘在WW*WW的范围内计算得到，Cy的值的确定由黄色光源下理想黄色斑点边缘在WW*WW的范围内计算得到，Cr的值的确定由红色光源下理想红色斑点边缘在WW*WW的范围内计算得到。当黑色图像下标准差Cb大于黄色图像下标准差Cy大于红色图像下标准差Cr，且红色图像下标准差明显变小时，可进一步通过红色斑点边缘低点QRL和红色边缘斜率区间[KRH,KRL]确定红色斑点边缘初始点PR2。
具体地，以边缘高点QH为起始点，将像素位置按八个方向分别移动，第一次移动距离为
Figure BDA0002619827930000103
接着每次移动距离为1，直到移动到距起始点距离为WW的终点为止，当检测到当前点像素值P1小于设定的红色斑点边缘定位值PRL,该点记为红色斑点边缘低点QRL,计算QRL到QH的边缘斜率k。当斜率k值处于红色边缘斜率区间时，该点为红色边缘初始点P2。红色边缘斜率区间[KRH,KRL]，理想红色边缘斜率KRI介于[KRH,KRL]之间，KRL介于KYH和KRI之间，其中KRH为红色边缘斜率区间的高点、KRL为红色边缘斜率区间的低点、KRI为理想红色边缘斜率、KYH为黄色边缘斜率区间的高点。
同理可确定黄色边缘初始点P2，黄色边缘斜率区间[KYH,KYL]，理想黄色边缘斜率KYI介于[KYH,KYL]之间，KYL介于KYI和KRH之间，KYH介于KYI和KBL之间，其中KYL为黄色边缘斜率区间的高点、KYL为黄色边缘斜率区间的低点、KYI为理想黄色边缘斜率。
可选地，由理想边缘曲线计算理想边缘斜率，理想黑色边缘斜率KBI为7.8，理想黄色边缘斜率KYI为6.2，理想红色边缘斜率KRI为4.4，其中WW取17，则可取黑色边缘斜率区间[7,8.6]，红色边缘斜率区间[3.5,5.3]，黄色边缘斜率区间[5.3,7]。
步骤S3、通过边缘检测模型确定粗边缘点及边缘颜色，具体包括以下子步骤：
S31、确定黑色边缘粗边缘点及边缘颜色：
识别步骤S2中黑色边缘初始点P2，以P2到QL为范围，从P2为中心开始在大小为WW*WW矩形范围内与粗边缘点确定矩阵进行内积运算。粗边缘点确定矩阵的选择以步骤S2中方向为参考，对该方向和附近两个方向的矩阵进行内积运算，若边缘中点判断值CP小于边缘判断阈值差值T则当前点为边缘中点且P2点为粗边缘点，且该点为黑色斑点边缘点。
可选的，以15度为间隔在0到360度之间提供24个粗边缘点确定矩阵，分别为0°、15°、30°、45°、60°、75°直到345°。若步骤S2中方向为0度，则分别对0度、15度和345度粗边缘点确定矩阵进行点乘运算。
不同角度的粗边缘点确定矩阵由理想边缘灰度图确定，PIZ为理想黑色斑点边缘灰度值中点,0度方向的理想边缘灰度值如下：
Figure BDA0002619827930000121
则0度方向的粗边缘点确定矩阵MC为：
Figure BDA0002619827930000122
则边缘中点判断值CP为：
Figure BDA0002619827930000123
其中，Cp为边缘中点判断值，Pxy为(x，y)处灰度值。
S32、确定黄色边缘和红色边缘的粗边缘点及边缘颜色：
进一步地，检测红色斑点粗边缘。与检测黑色斑点粗边缘相同，识别步骤S102中红色边缘初始点P2，以P2到QRL为范围，从P2为中心开始在大小为WW*WW矩形范围内与粗边缘点确定矩阵进行内积运算。粗边缘点确定矩阵的选择以步骤S2中方向为参考，对该方向和附近两个方向的矩阵进行内积运算，若边缘中点判断值CP小于边缘判断阈值差值TR则当前点为红色边缘中点且P2点为红色斑点粗边缘点。不同角度的粗边缘点确定矩阵的确定原理同MC的确定。
进一步地，检测黄色斑点粗边缘。检测原理同红色斑点粗边缘检测。需要说明的是，识别步骤S2中红色边缘初始点P2，以P2到QYL为范围，从P2为中心开始在大小为WW*WW矩形范围内与粗边缘点确定矩阵进行内积运算。若边缘中点判断值CP小于边缘判断阈值差值TY则当前点为黄色边缘中点且P2点为黄色斑点粗边缘点。不同角度的粗边缘点确定矩阵的确定原理同MC的确定。
需要说明的是，T、TR、TY的值由不同颜色斑点边缘识别的灰度可接受范围w确定。
Figure BDA0002619827930000131
可选地，由图4可取黑色斑点范围w为10，红色和黄色斑点范围w为15。
步骤S4、基于反正切函数的亚像素表面斑点边缘检测，具体步骤如下：
具体地，步骤S3中确定了黑色粗边缘点P2边缘中点PZ和某方向的粗边缘点确定矩阵。以PZ点为中点取一列该方向的边缘区域向量的灰度值将该方向内WW个像素进行反正切函数拟合。拟合函数形式为：
y＝a1arctan(a2x+a3)+a4
拟合得到模型中参数为(a1,a2,a3,a4)，根据实际陶瓷表面斑点边缘可见位置确定亚像素边缘点位置R。
Figure BDA0002619827930000132
接着，计算各边缘点之间距离，其中最大距离为斑点直径。
Figure BDA0002619827930000133
D为斑点直径，(xi,yi)、(xj,yj)为R位置。
红色和黄色斑点边缘的亚像素边缘检测同理，分别以PRZ和PYZ为中点取一列该方向的边缘区域向量的灰度值将该方向内WW个像素进行反正切函数拟合，并根据上述步骤分别计算黑色斑点直径、红色斑点直径和黄色斑点直径。
S5、对步骤S4得到的黑色斑点直径、红色斑点直径以及黄色斑点直径进行判断，当黑色斑点直径、红色斑点直径或黄色斑点直径大于设定的斑点阈值半径时，则判断该陶瓷产品为不合格，否则为合格。
优选地，步骤S31中，以15度为间隔在0到360度之间提供24个粗边缘点确定矩阵，分别为0°、15°、30°、45°、60°、75°直到345°，若步骤S1中方向为0度，则分别对0度、15度和345度粗边缘点确定矩阵进行点乘运算，
由理想边缘灰度图确定不同角度的粗边缘点矩阵，PIZ为理想黑色斑点边缘灰度值中点,0度方向的理想边缘灰度值如下：
Figure BDA0002619827930000141
则0度方向的粗边缘点确定矩阵MC为：
Figure BDA0002619827930000142
则边缘中点判断值CP为：
Figure BDA0002619827930000143
上述矩阵中。P11-PWW均为理想黑色斑点边缘灰度值。
优选地，步骤S22中，标准差计算具体步骤如下：
以黑色斑点边缘高点QH点坐标(xH,yH)为中心，在范围大小为WW*WW的矩形内计算平均差如下：
Figure BDA0002619827930000144
Figure BDA0002619827930000151
其中，C1为矩形内灰度平均值，C为范围内标准差，Pxy为(x，y)处灰度值，Cb的值的确定由白色光源下理想黑色斑点边缘在WW*WW的范围内计算得到，Cy的值的确定由黄色光源下理想黄色斑点边缘在WW*WW的范围内计算得到，Cr的值的确定由红色光源下理想红色斑点边缘在WW*WW的范围内计算得到。当黑色图像下标准差Cb大于黄色图像下标准差Cy大于红色图像下标准差Cr，且红色图像下标准差明显变小时，可进一步通过红色斑点边缘低点QRL和红色边缘斜率区间[KRH,KRL]确定红色斑点边缘初始点PR2。
优选地，理想黑色边缘斜率KBI为7.8，理想黄色边缘斜率KYI为6.2，理想红色边缘斜率KRI为4.4，其中WW取17，则可取黑色边缘斜率区间[7,8.6]，红色边缘斜率区间[3.5,5.3]，黄色边缘斜率区间[5.3,7]。
优选地，T、TR、TY的值由不同颜色斑点边缘识别的灰度可接受范围w确定，
Figure BDA0002619827930000152
其中，黑色斑点范围w为10，红色和黄色斑点范围w为15。
优选地，步骤S1具体为：
将陶瓷产品放置于检测板的初始位置上，激光传感器检测到陶瓷之后，工业CCD相机在固定白色光源下拍摄第一张照片；在固定红色光源下拍摄第二张照片；在固定黄色光源下拍摄第三张照片，对图像进行预处理后将图像保存为灰度图像。
如图2所示，检测设备包括导轮11、导轨12、驱动电机13、传动齿轮14、传动轴15、支撑柱16、连接柱17、检测板20、工业CCD相机21、固定白色光源22、固定红色光源32、固定黄色光源42、激光传感器23、控制计算终端24、电源模块27以及平台26等。
控制计算终端24和电源模块27连接驱动电机13、工业CCD相机21、固定白色光源22、固定红色光源32、固定黄色光源42和激光传感器23。导轮11连接检测板20和导轨12，传动齿轮14连接驱动电机13和传动轴15，导轨12连接激光传感器23，平台26连接支撑柱16和连接柱17，连接柱17连接支撑柱16、工业CCD相机21、固定白色光源22、固定红色光源32和固定黄色光源42。
控制计算终端24控制工业CCD相机21拍照，控制固定白色光源22、固定红色光源32和固定黄色光源42提供三色光源以及通过激光传感器23获得是否有检测陶瓷信息和计算分析图像。电源模块25提供电源，导轨12设置有两条，检测板20借助于导轮11放置在导轨12上，驱动电机13能够驱动导轨移动从而带动检测板移动，激光传感器23设置在远离支撑柱16的一条导轨12上。
下面结合具体实施例对本发明的工作原理做进一步叙述：
步骤S101：获得不同光源下图像信息并对图像进行预处理。
在陶瓷产品表面斑点检测方法中，将陶瓷产品10放置于检测板20的初始位置上，激光传感器23检测到产品10之后工业CCD相机21在固定白色光源22下拍摄第一张照片。进一步地，工业CCD相机21在固定红色光源32下拍摄第二张照片。进一步地，工业CCD相机41在固定黄色光源42下拍摄第三张照片。进一步地，将图像保存为灰度图像，并将灰度值高于设定阈值TS的值转换为TS。其中TS大小根据陶瓷产品在白色光源下成像最大灰度值确定。
步骤S102：识别斑点边缘的候选初始点。
具体地，步骤S102中，首先确定黑色斑点的候选边缘初始点。在遍历所有像素数据过程中，将每一个当前点像素值P1与设定定位值PH做比较，若P1值接近设定定位值PH，并且P1位于PHH和PHL之间，则将该点记为斑点边缘高点QH,且进一步的将该点的像素位置按八个方向分别移动，第一次移动距离为
Figure BDA0002619827930000173
像素距离，接着每次移动距离为1像素距离，直到移动到距起始点距离为WW的终点为止，当检测到当前点像素值P1小于设定的黑色斑点边缘定位值PL,该点记为黑色斑点边缘低点QL,计算QL到QH的边缘变化率即斜率：
Figure BDA0002619827930000171
Figure BDA0002619827930000172
其中，k为QL到QH的边缘斜率，s为QL到QH的距离，(xH,yH)为QH点坐标，(xL,yL)为QL点坐标。其中QH、QL取值如图4所示，WW大小为图4中QH到QL距离的1.5倍,PHH和PHL的值由理想边缘曲线确定，八个方向分别为0°、45°、90°、135°、180°、225°、270°、305°。
进一步地，当斜率k值处于黑色边缘斜率区间时，该点为黑色边缘初始点P2。边缘初始点P2可以有一个或多个。黑色边缘斜率区间[KBH,KBL]，理想黑色边缘斜率KBI介于[KBH,KBL]之间，KBL介于KBI和KYI之间，其中KBH为黑色边缘斜率区间的高点、KBL为黑色边缘斜率区间的低点、KBI为理想黑色边缘斜率、KYI为理想黄色边缘斜率。
进一步地，当该点不为黑色边缘初始点时，判断该点是否为红色或黄色斑点的边缘初始点。由图4可知，黄色斑点边缘及红色斑点边缘的灰度值偏高，但红色斑点在红光下灰度与周围灰度差异变小，同样的黄色斑点在黄光下灰度与周围灰度差异变小，因此，可用一定范围内灰度差值变化辅助判断红色或黄色斑点边缘。即当该点为红色边缘初始点时，包含红斑点边缘的一定范围内三种图像的灰度值标准差大小为：黑色图像下标准差Cb大于黄色图像下标准差Cy大于红色图像下标准差Cr。当该点为黄色边缘初始点时，包含黄色斑点边缘的一定范围内三种图像的灰度值标准差大小为黑色图像下标准差Cb大于红色图像下标准差Cr大于黄色图像下标准差Cy。因此可通过标准差大小及所处区间确定该点是否为疑似的红色或黄色斑点边缘初始点。
具体地，在遍历所有像素数据过程中，当识别到QH未识别到QL时，记录QH位置，分别对红色光源和黄色光源下图像以同样位置为中心进行一定范围内的标准差计算，进而识别红色或黄色斑点的边缘初始点。
具体地，以QH点坐标(xH,yH)为中心，在范围大小为WW*WW的矩形内计算平均差。
Figure BDA0002619827930000181
Figure BDA0002619827930000182
其中，C1为矩形内灰度平均值，C为范围内标准差，Pxy为(x，y)处灰度值，Cb的值的确定由白色光源下理想黑色斑点边缘在WW*WW的范围内计算得到，Cy的值的确定由黄色光源下理想黄色斑点边缘在WW*WW的范围内计算得到，Cr的值的确定由红色光源下理想红色斑点边缘在WW*WW的范围内计算得到。当黑色图像下标准差Cb大于黄色图像下标准差Cy大于红色图像下标准差Cr，且红色图像下标准差明显变小时，可进一步通过红色斑点边缘低点QRL和红色边缘斜率区间[KRH,KRL]确定红色斑点边缘初始点PR2。
具体地，以边缘高点QH为起始点，将像素位置按八个方向分别移动，第一次移动距离为
Figure BDA0002619827930000183
像素距离，接着每次移动距离为1像素距离，直到移动到距起始点距离为WW的终点为止，当检测到当前点像素值P1小于设定的红色斑点边缘定位值PRL,该点记为红色斑点边缘低点QRL,计算QRL到QH的边缘斜率k。当斜率k值处于红色边缘斜率区间时，该点为红色边缘初始点P2R。红色边缘斜率区间[KRH,KRL]，理想红色边缘斜率KRI介于[KRH,KRL]之间，KRL介于KYH和KRI之间，其中KRH为红色边缘斜率区间的高点、KRL为红色边缘斜率区间的低点、KRI为理想红色边缘斜率、KYH为黄色边缘斜率区间的高点。
同理可确定，黄色边缘初始点P2Y。黄色边缘斜率区间[KYH,KYL]，理想黄色边缘斜率KYI介于[KYH,KYL]之间，KYL介于KYI和KRH之间，KYH介于KYI和KBL之间，其中KYL为黄色边缘斜率区间的高点、KYL为黄色边缘斜率区间的低点、KYI为理想黄色边缘斜率。
可选地，由理想边缘曲线计算理想边缘斜率，理想黑色边缘斜率KBI为7.8，理想黄色边缘斜率KYI为6.2，理想红色边缘斜率KRI为4.4，其中WW取17，则可取黑色边缘斜率区间[7,8.6]，红色边缘斜率区间[3.5,5.3]，黄色边缘斜率区间[5.3,7]。
步骤S103：通过边缘检测模型确定粗边缘点及边缘颜色。
具体地，步骤S103确定黑色粗边缘的过程中，识别步骤S102中黑色边缘初始点P2，以P2到QL为范围，从P2为中心开始在大小为WW*WW矩形范围内与粗边缘点确定矩阵进行内积运算。粗边缘点确定矩阵的选择以步骤S102中方向为参考，对该方向和附近两个方向的矩阵进行内积运算，若边缘中点判断值CP小于边缘判断阈值差值T则当前点为边缘中点且P2点为粗边缘点，且该点为黑色斑点边缘点。
可选的，以15度为间隔在0到360度之间提供24个粗边缘点确定矩阵，分别为0°、15°、30°、45°、60°、75°直到345°。若步骤S102中方向为0度，则分别对0度、15度和345度粗边缘点确定矩阵进行点乘运算。
不同角度的粗边缘点确定矩阵由理想边缘灰度图确定，PIZ为理想黑色斑点边缘灰度值中点,0度方向的理想边缘灰度值如下：
Figure BDA0002619827930000191
则0度方向的粗边缘点确定矩阵MC为：
Figure BDA0002619827930000201
则边缘中点判断值CP为：
Figure BDA0002619827930000202
其中，Cp为边缘中点判断值，Pxy为(x，y)处灰度值。
进一步地，检测红色斑点粗边缘。与检测黑色斑点粗边缘相同，识别步骤S102中红色边缘初始点P2R，以P2R到QRL为范围，从P2R为中心开始在大小为WW*WW矩形范围内与粗边缘点确定矩阵进行内积运算。粗边缘点确定矩阵的选择以步骤S102中方向为参考，对该方向和附近两个方向的矩阵进行内积运算，若边缘中点判断值CP小于边缘判断阈值差值TR则当前点为红色边缘中点且P2点为红色斑点粗边缘点。不同角度的粗边缘点确定矩阵的确定原理同MC的确定。
进一步地，检测黄色斑点粗边缘。检测原理同红色斑点粗边缘检测。需要说明的是，识别步骤S102中黄色边缘初始点P2Y，以P2Y到QYL为范围，从P2Y为中心开始在大小为WW*WW矩形范围内与粗边缘点确定矩阵进行内积运算。若边缘中点判断值CP小于边缘判断阈值差值TY则当前点为黄色边缘中点且P2点为黄色斑点粗边缘点。不同角度的粗边缘点确定矩阵的确定原理同MC的确定。
需要说明的是，T、TR、TY的值由不同颜色斑点边缘识别的灰度可接受范围w确定。
Figure BDA0002619827930000211
可选地，由图4可取黑色斑点范围w为10，红色和黄色斑点范围w为15。
步骤S104：基于反正切函数的亚像素表面斑点边缘检测。
反正切函数在数学上是一类与常见三角函数类似的函数，其函数图像如图3，通过对比图3和图4，可以发现反正切函数图像与边缘区域灰度分布非常相似，因此利用反正切函数能够近似的描述物体实际边缘的灰度分布情况。
具体地，步骤S103中确定了黑色粗边缘点P2边缘中点PZ和某方向的粗边缘点确定矩阵。以PZ点为中点取一列该方向的边缘区域向量的灰度值将该方向内WW个像素进行反正切函数拟合。拟合函数形式为：
y＝a1arctan(a2x+a3)+a4
拟合得到模型中参数为(a1,a2,a3,a4)，根据实际陶瓷表面斑点边缘可见位置确定亚像素边缘点位置R。
Figure BDA0002619827930000212
接着，计算各边缘点之间距离，其中最大距离为斑点直径。
Figure BDA0002619827930000213
其中，D为斑点直径，(xi,yi)、(xj,yj)为R位置
红色和黄色斑点边缘的亚像素边缘检测同理，分别以PRZ和PYZ为中点取一列该方向的边缘区域向量的灰度值将该方向内WW个像素进行反正切函数拟合。
请参阅图6，图6上方为A点边缘拟合曲线，图6下方为B点边缘拟合曲线。以A、B两点为例进行反正切拟合确定边缘点，拟合函数如下：
f(x)1＝50.98arctan(0.3248x-6.376)+76.86
f(x)2＝48.42arctan(0.3665x-7.149)+76.77
则R1为24.96，R2为24.23。A、B两点初始坐标为(92,100)、(116,146)，亚像素检测后边缘坐标为(86.04,100)、(121.23,146)，距离为57.917，可根据此直径距离得到真实直径。
对得到的黑色斑点直径、红色斑点直径以及黄色斑点直径进行判断，当黑色斑点直径、红色斑点直径或黄色斑点直径大于设定的斑点阈值时，则判断该陶瓷产品为不合格。如果所有斑点的直径均在阈值内，则判断该陶瓷产品合格。
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (6)

1.一种基于机器视觉的陶瓷产品表面斑点检测方法，其特征在于：其包括以下步骤：
步骤S1、利用检测设备在不同光源下对所述陶瓷产品进行拍照，获得白色、红色和黄色光源下的图像信息并对图像进行预处理，得到白色光源下图片、红色光源下图片以及黄色光源下图片；
步骤S2、识别斑点边缘的候选初始点，候选初始点具有一个或多个，具体包括以下子步骤：
S21、确定黑色斑点边缘条纹相关联的候选初始点：
从起始点开始遍历所有像素点，在遍历所有像素点过程中，将每一个当前像素点的像素值P1与设定定位值PH做比较，若P1值与设定定位值PH之间差值处于差值阈值内，并且P1值位于PHH和PHL之间，则将该像素点记为黑色斑点边缘高点QH，进一步将每一个黑色斑点边缘高点QH的像素位置按八个方向分别移动，第一次移动距离为
Figure FDA0003536725090000011
像素距离，接着每次移动距离为1像素距离，直到移动到距黑色斑点边缘高点QH距离为WW的终点为止，如果检测到当前像素点的像素值P1小于设定的黑色斑点边缘定位值PL，则将该多个像素点的终点位置记为黑色斑点边缘低点QL，计算每一个像素点QL到QH的黑色边缘斜率k：
Figure FDA0003536725090000012
Figure FDA0003536725090000013
其中，k为QL到QH的黑色边缘斜率，s为QL到QH的距离，(xH,yH)为QH点坐标，(xL,yL)为QL点坐标，WW的大小为QH到QL距离的1.5倍，PHH和PHL的值由理想边缘曲线确定，八个方向分别为0°、45°、90°、135°、180°、225°、270°、305°；
当某个像素点的黑色边缘斜率k值处于系统设定的黑色边缘斜率区间[KBH,KBL]内时，则将该像素点定义为黑色边缘初始点P2，理想黑色边缘斜率KBI介于[KBH,KBL]之间，KBL介于KBI和KYI之间，其中，KBH为黑色边缘斜率区间的高点，KBL为黑色边缘斜率区间的低点，KBI为理想黑色边缘斜率，KYI为理想黄色边缘斜率；
S22、当像素点不为黑色斑点边缘相关联的候选初始点时，确定该点是否为红色斑点边缘或黄色斑点边缘相关联的候选初始点；
S221、在遍历所有像素点过程中，当识别到黑色斑点边缘高点QH但是未识别到黑色斑点边缘低点QL时，记录黑色斑点边缘高点QH位置，并且分别对红色光源和黄色光源下图像以同样位置为中心进行一定范围内的标准差计算，识别红色或黄色斑点的边缘初始点；
S222、确定红色斑点边缘相关联的候选初始点：以黑色边缘高点QH为起始点，将该像素点的像素位置按八个方向分别移动，第一次移动距离为
Figure FDA0003536725090000021
接着每次移动距离为1，直到移动到距起始点距离为WW的终点为止，当检测到当前像素点像素值P1小于设定的红色斑点边缘定位值PRL,则将该点记为红色斑点边缘低点QRL,计算QRL到QH的红色边缘斜率kR，当红色边缘斜率kR值处于红色边缘斜率区间[KRH,KRL]内时，则将当前像素点定义为红色边缘初始点P2R，理想红色边缘斜率KRI介于[KRH,KRL]之间，KRL介于KYH和KRI之间，其中，KRH为红色边缘斜率区间的高点，KRL为红色边缘斜率区间的低点，KRI为理想红色边缘斜率，KYH为黄色边缘斜率区间的高点；
S223、确定黄色斑点边缘相关联的候选初始点：
以黑色边缘高点QH为起始点，将像素位置按八个方向分别移动，第一次移动距离为
Figure FDA0003536725090000022
接着每次移动距离为1，直到移动到距起始点距离为WW的终点为止，当检测到当前像素点像素值P1小于设定黄色斑点边缘定位值PYL,则将该点记为黄色斑点边缘低点QYL,计算QYL到QH的黄色边缘斜率kY，当黄色边缘斜率kY值处于黄色边缘斜率区间[KYH,KYL]内时，则将当前像素点定义为红色边缘初始点P2Y，理想黄色边缘斜率KYI介于[KYH,KYL]之间，KYL介于KYI和KRH之间，KYH介于KYI和KBL之间，其中KYL为黄色边缘斜率区间的高点、KYL为黄色边缘斜率区间的低点、KYI为理想黄色边缘斜率；
步骤S221中一定范围为以黑色斑点边缘高点QH点坐标(xH,yH)为中心，在范围大小为WW*WW的矩形内计算平均差如下：
Figure FDA0003536725090000031
Figure FDA0003536725090000032
其中，C1为矩形内灰度平均值，C为范围内标准差，Pxy为(x，y)处灰度值，Cb的值的确定由白色光源下理想黑色斑点边缘在WW*WW的范围内计算得到，Cy的值的确定由黄色光源下理想黄色斑点边缘在WW*WW的范围内计算得到，Cr的值的确定由红色光源下理想红色斑点边缘在WW*WW的范围内计算得到，当黑色图像下标准差Cb大于黄色图像下标准差Cy大于红色图像下标准差Cr，且红色图像下标准差明显变小时，进一步通过红色斑点边缘低点QRL和红色边缘斜率区间[KRH,KRL]确定红色斑点边缘初始点PR2；
步骤S3、通过边缘检测模型确定粗边缘点及边缘颜色，具体包括以下子步骤：
S31、确定黑色边缘粗边缘点及边缘颜色：
识别步骤S2中所有黑色边缘初始点P2，对每一个黑色边缘初始点P2，以P2到QL为范围，对范围内所有像素点在大小为WW*WW矩形范围内与粗边缘点确定矩阵进行内积运算，得到多个像素点的边缘中点判断值CP，若范围内某个像素点的边缘中点判断值CP小于边缘判断阈值差值T，则当前像素点为边缘中点且P2点为黑色粗边缘点；
S32、确定红色边缘的粗边缘点及边缘颜色：
识别步骤S2中红色边缘初始点P2R，对每一个红色边缘初始点P2R，以P2R到QRL为范围，对范围内所有像素点在大小为WW*WW矩形范围内与粗边缘点确定矩阵进行内积运算，得到多个像素点的边缘中点判断值CPR，若范围内某个像素点的边缘中点判断值CPR小于边缘判断阈值差值TR，则当前像素点为红色边缘中点且P2R点为红色斑点粗边缘点；
S33、确定黄色边缘的粗边缘点及边缘颜色：
识别步骤S2中黄色边缘初始点P2Y，对每一个黄色边缘初始点P2Y，以P2Y到QYL为范围，对范围内所有像素点在大小为WW*WW矩形范围内与粗边缘点确定矩阵进行内积运算，得到多个像素点的边缘中点判断值CPY，若范围内某个像素点的边缘中点判断值CP小于边缘判断阈值差值TY，则当前像素点为黄色边缘中点且P2Y点为黄色斑点粗边缘点；
步骤S4、基于反正切函数的亚像素表面斑点边缘检测，分别确定黑色斑点直径、红色斑点直径以及黄色斑点直径，具体步骤如下：
S41、获取黑色斑点直径：
S411、根据步骤S3中确定的黑色粗边缘点P2、边缘中点和某方向的粗边缘点确定矩阵，以边缘中点为中点取一列该方向的边缘区域向量的灰度值将该方向内WW个像素进行反正切函数拟合，拟合函数形式为：
y＝a1arctan(a2x+a3)+a4
拟合得到模型中参数为a1,a2,a3,a4，根据实际陶瓷表面斑点边缘可见位置确定黑色斑点边缘的亚像素边缘点位置R；
Figure FDA0003536725090000051
S412、计算各边缘点之间距离，其中边缘点间的最大距离为斑点直径，
Figure FDA0003536725090000052
D为黑色斑点直径，(xi,yi)、(xj,yj)为R位置；
S42、获取红色斑点直径和黄色斑点直径：利用上述方法分别确定红色和黄色斑点边缘的亚像素边缘，分别以红色边缘中点和黄色边缘中点为中点取一列该方向的边缘区域向量的灰度值将该方向内WW个像素进行反正切函数拟合，根据上述方法确定红色斑点直径DR以及黄色斑点直径DY；
S5、对步骤S4得到的黑色斑点直径、红色斑点直径以及黄色斑点直径进行判断，当黑色斑点直径、红色斑点直径或黄色斑点直径大于设定的斑点阈值时，则判断该陶瓷产品为不合格。
2.根据权利要求1所述的基于机器视觉的陶瓷产品表面斑点检测方法，其特征在于：粗边缘点确定矩阵的选择以步骤S1中八个方向为参考，对该方向和附近两个方向的矩阵进行内积运算，步骤S31中，以15度为间隔在0到360度之间提供24个粗边缘点确定矩阵，分别为0°、15°、30°、45°、60°、75°直到345°，若步骤S1中方向为0度，则分别对0度、15度和345度粗边缘点确定矩阵进行点乘运算；
由理想边缘灰度图确定不同角度的粗边缘点矩阵，PIZ为理想黑色斑点边缘灰度值中点,0度方向的理想边缘灰度值如下：
Figure FDA0003536725090000053
则0度方向的粗边缘点确定矩阵MC为：
Figure FDA0003536725090000061
则边缘中点判断值CP为：
Figure FDA0003536725090000062
其中，Cp为边缘中点判断值，Pxy为(x，y)处灰度值。
3.根据权利要求1所述的基于机器视觉的陶瓷产品表面斑点检测方法，其特征在于：理想黑色边缘斜率KBI为7.8，理想黄色边缘斜率KYI为6.2，理想红色边缘斜率KRI为4.4，其中WW取17，则可取黑色边缘斜率区间[7,8.6]，红色边缘斜率区间[3.5,5.3]，黄色边缘斜率区间[5.3,7]。
4.根据权利要求1所述的基于机器视觉的陶瓷产品表面斑点检测方法，其特征在于：T、TR、TY的值由不同颜色斑点边缘识别的灰度可接受范围w确定，
Figure FDA0003536725090000063
其中，黑色斑点范围w为10，红色和黄色斑点范围w为15。
5.根据权利要求1所述的基于机器视觉的陶瓷产品表面斑点检测方法，其特征在于：步骤S1具体为：
将陶瓷产品放置于检测板的初始位置上，激光传感器检测到陶瓷之后，工业CCD相机在固定白色光源下拍摄第一张照片；在固定红色光源下拍摄第二张照片；在固定黄色光源下拍摄第三张照片，对图像进行预处理后将图像保存为灰度图像。
6.一种用于权利要求1所述的基于机器视觉的陶瓷产品表面斑点检测方法的检测设备，其特征在于：所述检测设备包括基座、支撑柱以及监测终端，
所述基座包括导轨、传动机构、检测板以及激光传感器，所述检测板借助于导轮放置在导轨上，所述传动机构能够驱动所述导轨移动从而带动所述检测板移动，所述激光传感器设置在导轨上；
所述支撑柱的下端固定在所述基座上，所述支撑柱的上端固定所述监测终端；
所述监测终端包括固定板、白色光源、红色光源、黄色光源、工业CCD相机以及控制终端，所述固定板固定在所述支撑柱上，所述白色光源、红色光源、黄色光源以及工业CCD相机均固定在所述固定板的下方，所述控制终端固定在所述固定板的上方。
CN202010779902.5A 2020-08-05 2020-08-05 基于机器视觉的陶瓷产品表面斑点检测方法及设备 Active CN112037175B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010779902.5A CN112037175B (zh) 2020-08-05 2020-08-05 基于机器视觉的陶瓷产品表面斑点检测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010779902.5A CN112037175B (zh) 2020-08-05 2020-08-05 基于机器视觉的陶瓷产品表面斑点检测方法及设备

Publications (2)

Publication Number Publication Date
CN112037175A CN112037175A (zh) 2020-12-04
CN112037175B true CN112037175B (zh) 2022-04-19

Family

ID=73582406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010779902.5A Active CN112037175B (zh) 2020-08-05 2020-08-05 基于机器视觉的陶瓷产品表面斑点检测方法及设备

Country Status (1)

Country Link
CN (1) CN112037175B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107481253A (zh) * 2017-08-03 2017-12-15 上海音乐学院 一种基于边缘的斑点检测方法
CN107516325A (zh) * 2017-08-22 2017-12-26 上海理工大学 基于亚像素边缘的圆心检测方法
CN108007364A (zh) * 2018-01-22 2018-05-08 广东理工学院 一种基于rgb-d相机的瓷砖检测装置及检测方法
CN108694711A (zh) * 2018-02-19 2018-10-23 江苏新时高温材料股份有限公司 基于机器视觉技术实现陶瓷膜表面缺陷二维检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107481253A (zh) * 2017-08-03 2017-12-15 上海音乐学院 一种基于边缘的斑点检测方法
CN107516325A (zh) * 2017-08-22 2017-12-26 上海理工大学 基于亚像素边缘的圆心检测方法
CN108007364A (zh) * 2018-01-22 2018-05-08 广东理工学院 一种基于rgb-d相机的瓷砖检测装置及检测方法
CN108694711A (zh) * 2018-02-19 2018-10-23 江苏新时高温材料股份有限公司 基于机器视觉技术实现陶瓷膜表面缺陷二维检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
depth-resol ved subsurf ace defect detection in ceramics using optical gating techniques;M.Bashkansky等;《review of progress in quantitative nondestructive evaluation》;20181231;第1961-1967页 *
基于机器视觉的圆环电阻片缺陷检测算法研究;朱铮涛等;《组合机床与自动化加工技术》;20150531;第76-79页 *

Also Published As

Publication number Publication date
CN112037175A (zh) 2020-12-04

Similar Documents

Publication Publication Date Title
CN103954213B (zh) 一种分析零件的实测图的方法
CN100367293C (zh) 用于显示器的光学检测的方法和装置
CN106931881A (zh) 一种多相机视觉检测方法
CN108562250B (zh) 基于结构光成像的键盘键帽平整度快速测量方法与装置
CN113724193B (zh) Pcba零部件尺寸及间隙高精度视觉测量方法
CN107664644B (zh) 一种基于机器视觉的物件表观自动检测装置及方法
CN106017350A (zh) 基于机器视觉的中小模数齿轮快速检测装置及检测方法
CN108007388A (zh) 一种基于机器视觉的转盘角度高精度在线测量方法
CN109345597B (zh) 一种基于增强现实的相机标定图像采集方法及装置
CN110567976A (zh) 基于机器视觉的手机盖板丝印缺陷检测装置及检测方法
CN106767423A (zh) 自动视觉检测仪
CN110108712A (zh) 多功能视觉缺陷检测系统
JP2007163450A (ja) ディスプレーの多角度計測システム及び方法
CN113269762A (zh) 屏幕不良检测方法、系统及计算机存储介质
CN108489394A (zh) 一种大尺寸薄板金属工件几何质量自动检测装置及方法
US20190080468A1 (en) Positioning and measuring system based on image scale
CN109406527A (zh) 一种微型摄像模组镜头精细外观缺陷检测系统及方法
CN113538583A (zh) 一种工件在机床上位置的精准定位方法及视觉系统
CN115384052A (zh) 一种智能化的覆膜机自动控制系统
CN108520260A (zh) 瓶装口服液中可见异物的识别方法
CN112378797A (zh) 一种全自动压痕测量装置及方法
CN112037175B (zh) 基于机器视觉的陶瓷产品表面斑点检测方法及设备
CN113808104A (zh) 一种基于分块的金属表面缺陷检测方法及系统
CN113538399A (zh) 一种用于获取工件精准轮廓的方法、机床及存储介质
CN101685000B (zh) 影像边界扫描的计算机系统及方法

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