CN112037203A - 基于复杂工件外轮廓配准的侧表面缺陷检测方法及系统 - Google Patents
基于复杂工件外轮廓配准的侧表面缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN112037203A CN112037203A CN202010900736.XA CN202010900736A CN112037203A CN 112037203 A CN112037203 A CN 112037203A CN 202010900736 A CN202010900736 A CN 202010900736A CN 112037203 A CN112037203 A CN 112037203A
- Authority
- CN
- China
- Prior art keywords
- image
- window
- detected
- complex workpiece
- gray
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 73
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 230000005477 standard model Effects 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims description 10
- 238000005286 illumination Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于复杂工件外轮廓配准的侧表面缺陷检测方法及系统,方法包括以下步骤:步骤1,采集标准型号复杂工件图像和待检测复杂工件图像;步骤2,运用二维函数相关性算法对待检测复杂工件的外轮廓与标准型号复杂工件图像进行配准;步骤3,使用相同大小的窗口遍历待检测复杂工件图像和配准后的标准型号复杂工件图像,并提取窗口内的特征;步骤4,比较待检测复杂工件图像和标准型号复杂工件图像窗口特征的相似性,判断窗口内是否有缺陷。本发明充分考虑到了相同复杂工件在相同角度上拍摄的图像极其相似以及缺陷区域与相对应模板区域之间的差异,对于准确地确定缺陷位置有很好的效果。
Description
技术领域
本发明涉及一种基于复杂工件外轮廓配准的侧表面缺陷检测方法及系统,属于图像处理技术领域。
背景技术
随着工业现代化的发展,复杂工件的表面缺陷检测日益呈现出检测过程自动化、检测环境复杂化和检测对象多样化的等特点。目前,传统的工件表面缺陷检测的主要方式包括人工检测、涡流检测和超声检测等。基于图像处理的复杂工件缺陷检测与传统的检测技术相比较,具有非接触、检测过程速度快、检测范围广、成本低、检测结果直观性强等优点。
现在,国内外学者及企业在使用图像分析技术在检测复杂工件侧表面缺陷方面有很多的相关工作。基于图像处理的工件缺陷检测的方法主要分为四类:基于缺陷特征分析的检测方法;基于缺陷分割的检测方法;基于模板匹配的检测方法;基于深度学习的检测方法。这些方法都仔细考虑了所要检测工件的特点和缺陷特征,然后根据所检测工件的独特特征设计相对应的算法。
复杂工件,例如活塞,其表面有一些独有特征,使得上述检测方法难以进行直接移植。通过观测,我们发现活塞自身成像发现以下的特点:相同型号的活塞在相同的光照、环境和角度下,拍摄得到的图像相似;缺陷区域以及附近区域在图像中呈现出灰度不均匀的特点,与正常模板图像相比较,灰度差别比较大。
发明内容
为了解决上述问题,本发明提出了一种基于复杂工件外轮廓配准的侧表面缺陷检测方法及系统,能够准确地确定复杂工件中缺陷的位置。
本发明解决其技术问题采取的技术方案是:
第一方面,本发明实施例提供的一种基于复杂工件外轮廓配准的侧表面缺陷检测方法,包括以下步骤:
步骤1,采集标准型号复杂工件图像和待检测复杂工件图像;
步骤2,运用二维函数相关性算法对待检测复杂工件的外轮廓与标准型号复杂工件图像进行配准;
步骤3,使用相同大小的窗口遍历待检测复杂工件图像和配准后的标准型号复杂工件图像,并提取窗口内的特征;
步骤4,比较待检测复杂工件图像和标准型号复杂工件图像窗口特征的相似性,判断窗口内是否有缺陷。
作为本实施例一种可能的实现方式,采集标准型号复杂工件图像和待检测复杂工件图像,包括:
在光照稳定和相机位置固定的环境下,旋转标准型号复杂工件到特征最明显的位置拍摄第一张图像,然后按照顺时针方向每间隔θ度拍摄一张图像,旋转一周共拍摄360/θ张模板图像,作为模板图像,并使用工件的型号和角度信息对模板图像进行命名;
在与采集模板图像相同环境下,旋转待检测复杂工件到特征最明显的位置拍摄第一张图像,然后按照顺时针方向每间隔θ度拍摄一张图像,并使用工件的型号和角度信息对待检测杂工件图像进行命名,得到待检测图像;
所述特征最明显的位置是指能够唯一明确定位的一个角度。
作为本实施例一种可能的实现方式,运用二维函数相关性算法对待检测复杂工件的外轮廓与标准型号复杂工件图像进行配准,具体为:
根据待检测图像名字中的角度信息调用模板图像,利用下面二维函数相关性算法公式进行图像配准:
作为本实施例一种可能的实现方式,使用相同大小的窗口遍历待检测复杂工件图像和配准后的标准型号复杂工件图像,并提取窗口内的特征,包括:
利用获得待检测图像所对应的模板图像后,采用d×d个像素的窗口对相同区域的待检测图像和模板图像同时依次逐行遍历,遍历时窗口每次移动c个像素;
提取待检测图像和对应模板图像窗口的灰度均值,其灰度均值的表达式如下:
其中,μ表示窗口的灰度均值,G(i,j)表示在坐标点(i,j)的灰度值,W为窗口的宽,H为窗口的高;
根据求得的灰度均值,提取待检测图像和对应模板图像窗口的灰度Laws能量,表达式如下:
其中,S2表示窗口的灰度Laws能量,μ表示窗口的灰度均值,G(i,j)表示在坐标点(i,j)的灰度值,W为窗口的宽,H为窗口的高;
求待检测图像窗口和对应模板图像窗口的灰度直方图Upθ={u1,u2,…,um}和Vf={v1,v2,…,vm},然后计算其归一化后的最小二乘距离:
作为本实施例一种可能的实现方式,比较待检测复杂工件图像和标准型号复杂工件图像窗口特征的相似性,判断窗口内是否有缺陷,包括:
比较待检测图像和对应模板图像窗口内的灰度相似性,当两个窗口内灰度均值之差大于设定的阈值T1并且灰度Laws能量之差大于设定阈值T2时,说明待检测窗口内的灰度特征与模板窗口之间灰度特征差别非常大,则待检测图像窗口内存在缺陷;
比较待检测图像和对应模板图像窗口内灰度直方图的相似性,当最小二乘距离D大于设定阈值T3时,表明待检测图像窗口内存在缺陷。
第二方面,本发明实施例提供的一种基于复杂工件外轮廓配准的侧表面缺陷检测系统,包括:
图像采集模块,用于采集标准型号复杂工件图像和待检测复杂工件图像;
图像配准模块,用于运用二维函数相关性算法对待检测复杂工件的外轮廓与标准型号复杂工件图像进行配准;
窗口特征提取模块,用于使用相同大小的窗口遍历待检测复杂工件图像和配准后的标准型号复杂工件图像,并提取窗口内的特征;
缺陷判断模块,用于比较待检测复杂工件图像和标准型号复杂工件图像窗口特征的相似性,判断窗口内是否有缺陷。
作为本实施例一种可能的实现方式,所述图像采集模块包括:
模板图像采集模块,用于在光照稳定和相机位置固定的环境下,旋转标准型号复杂工件到特征最明显的位置拍摄第一张图像,然后按照顺时针方向每间隔θ度拍摄一张图像,旋转一周共拍摄360/θ张模板图像,作为模板图像,并使用工件的型号和角度信息对模板图像进行命名;
待检测图像采集模块,用于在与采集模板图像相同环境下,旋转待检测复杂工件到特征最明显的位置拍摄第一张图像,然后按照顺时针方向每间隔θ度拍摄一张图像,并使用工件的型号和角度信息对待检测杂工件图像进行命名,得到待检测图像;
所述特征最明显的位置是指能够唯一明确定位的一个角度。
作为本实施例一种可能的实现方式,所述图像配准模块,具体用于:
根据待检测图像名字中的角度信息调用模板图像,利用下面二维函数相关性算法公式进行图像配准:
作为本实施例一种可能的实现方式,所述窗口特征提取模块包括:
图像遍历模块,用于利用获得待检测图像所对应的模板图像后,采用d×d个像素的窗口对相同区域的待检测图像和模板图像同时依次逐行遍历,遍历时窗口每次移动c个像素;
灰度均值提取模块,用于提取待检测图像和对应模板图像窗口的灰度均值,其灰度均值的表达式如下:
其中,μ表示窗口的灰度均值,G(i,j)表示在坐标点(i,j)的灰度值,W为窗口的宽,H为窗口的高;
灰度Laws能量提取模块,用于根据求得的灰度均值,提取待检测图像和对应模板图像窗口的灰度Laws能量,表达式如下:
其中,S2表示窗口的灰度Laws能量,μ表示窗口的灰度均值,G(i,j)表示在坐标点(i,j)的灰度值,W为窗口的宽,H为窗口的高;
最小二乘距离计算模块,用于求待检测图像窗口和对应模板图像窗口的灰度直方图Upθ={u1,u2,…,um}和Vf={v1,v2,…,vm},然后计算其归一化后的最小二乘距离:
作为本实施例一种可能的实现方式,所述缺陷判断模块包括:
灰度相似性比较模块,用于比较待检测图像和对应模板图像窗口内的灰度相似性,当两个窗口内灰度均值之差大于设定的阈值T1并且灰度Laws能量之差大于设定阈值T2时,说明待检测窗口内的灰度特征与模板窗口之间灰度特征差别非常大,则待检测图像窗口内存在缺陷;
灰度直方图相似性比较模块,用于比较待检测图像和对应模板图像窗口内灰度直方图的相似性,当最小二乘距离D大于设定阈值T3时,表明待检测图像窗口内存在缺陷。
本发明实施例的技术方案可以具有的有益效果如下:
本发明充分考虑到了相同复杂工件在相同角度上拍摄的图像极其相似以及缺陷区域与相对应模板区域之间的差异,对于准确地确定缺陷位置有很好的效果。
附图说明:
图1是根据一示例性实施例示出的一种基于复杂工件外轮廓配准的侧表面缺陷检测方法的流程图;
图2是不同角度下拍摄的复杂工件(活塞)的侧表面图像;
图3是模板图像与待识别图像的配准示意图;
图4是复杂工件(活塞)的缺陷类型,(a)是光滑表面,(b)是斑点缺陷,(c)是缺口缺陷和(d)是划痕缺陷;
图5是复杂工件(活塞)的表面的一个窗口图像,(a)是标准表面图像,(b)是含缺陷表面图像;
图6是复杂工件(活塞)的缺陷检测结果示意图;
图7是根据一示例性实施例示出的一种基于复杂工件外轮廓配准的侧表面缺陷检测系统的结构图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明:
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
图1是根据一示例性实施例示出的以活塞为例的基于复杂工件外轮廓配准的侧表面缺陷检测方法的流程图。如图1所示,本发明实施例提供的一种基于复杂工件外轮廓配准的侧表面缺陷检测方法,包括以下步骤:
步骤1,采集标准型号复杂工件图像和待检测复杂工件图像;
步骤2,运用二维函数相关性算法对待检测复杂工件的外轮廓与标准型号复杂工件图像进行配准;
步骤3,使用相同大小的窗口遍历待检测复杂工件图像和配准后的标准型号复杂工件图像,并提取窗口内的特征;
步骤4,比较待检测复杂工件图像和标准型号复杂工件图像窗口特征的相似性,判断窗口内是否有缺陷。
作为本实施例一种可能的实现方式,采集标准型号复杂工件图像和待检测复杂工件图像,包括:
在光照稳定和相机位置固定的环境下,旋转标准型号复杂工件到正对活塞销孔的位置拍摄第一张图像,如图2(a)所示,然后按照顺时针方向每间隔θ度拍摄一张图像,如图2(b)所示,旋转一周共拍摄360/θ张模板图像,作为模板图像,并使用工件的型号和角度信息对模板图像进行命名;度数θ通常取5度;活塞销孔为活塞特征最明显的位置,是唯一明确定位活塞的一个角度;
在与采集模板图像相同环境下,旋转待检测复杂工件到正对活塞销孔的位置拍摄第一张图像,然后按照顺时针方向每间隔θ度拍摄一张图像,并使用工件的型号和角度信息对待检测杂工件图像进行命名,得到待检测图像。
作为本实施例一种可能的实现方式,运用二维函数相关性算法对待检测复杂工件的外轮廓与标准型号复杂工件图像进行配准,具体为:
根据待检测图像名字中的角度信息调用模板图像,如图3所示,利用下面二维函数相关性算法公式进行图像配准:
作为本实施例一种可能的实现方式,使用相同大小的窗口遍历待检测复杂工件图像和配准后的标准型号复杂工件图像,并提取窗口内的特征,包括:
利用获得待检测图像所对应的模板图像后,采用d×d个像素的窗口对相同区域的待检测图像和模板图像同时依次逐行遍历,遍历时窗口每次移动c个像素;
提取待检测图像和对应模板图像窗口的灰度均值,其灰度均值的表达式如下:
其中,μ表示窗口的灰度均值,G(i,j)表示在坐标点(i,j)的灰度值,W为窗口的宽,H为窗口的高;
根据求得的灰度均值,提取待检测图像和对应模板图像窗口的灰度Laws能量,表达式如下:
其中,S2表示窗口的灰度Laws能量,μ表示窗口的灰度均值,G(i,j)表示在坐标点(i,j)的灰度值,W为窗口的宽,H为窗口的高;
求待检测图像窗口和对应模板图像窗口的灰度直方图Upθ={u1,u2,…,um}和Vf={v1,v2,…,vm},然后计算其归一化后的最小二乘距离:
作为本实施例一种可能的实现方式,比较待检测复杂工件图像和标准型号复杂工件图像窗口特征的相似性,判断窗口内是否有缺陷,包括:
比较待检测图像和对应模板图像窗口内的灰度相似性,当两个窗口内灰度均值之差大于设定的阈值T1并且灰度Laws能量之差大于设定阈值T2时,说明待检测窗口内的灰度特征与模板窗口之间灰度特征差别非常大,则待检测图像窗口内存在缺陷;
比较待检测图像和对应模板图像窗口内灰度直方图的相似性,当最小二乘距离D大于设定阈值T3时,表明待检测图像窗口内存在缺陷。
活塞自身成像具有以下特点:相同型号的活塞在相同的光照、环境和角度下,拍摄得到的图像相似;缺陷区域以及附近区域在图像中呈现出灰度不均匀的特点,与正常模板图像相比较,灰度差别比较大,如图4所示。
本发明根据活塞自身成像特点提出了一种基于复杂工件外轮廓配准的侧表面缺陷检测方法,对标准的活塞在相同光照环境下进行多角度多次图像采集,制作模板图像,对于待检测的活塞等复杂工件,在与对应标准件相同的光照环境下,获得当前角度的图像,然后利用二维函数相关性算法对当前待检测复杂工件的外轮廓与相应的对应角度的标准件进行图像配准,得到标准件图像和待检测工件图像的对应区域,如图5所示;对相对应区域进行窗口遍历,并计算窗口内的特征,通过比较两个窗口内的特征来判断窗口内是否有缺陷,如图6所示。
图7是根据一示例性实施例示出的一种基于复杂工件外轮廓配准的侧表面缺陷检测系统的结构图。如图7所示,本发明实施例提供的一种基于复杂工件外轮廓配准的侧表面缺陷检测系统,包括:
图像采集模块,用于采集标准型号复杂工件图像和待检测复杂工件图像;
图像配准模块,用于运用二维函数相关性算法对待检测复杂工件的外轮廓与标准型号复杂工件图像进行配准;
窗口特征提取模块,用于使用相同大小的窗口遍历待检测复杂工件图像和配准后的标准型号复杂工件图像,并提取窗口内的特征;
缺陷判断模块,用于比较待检测复杂工件图像和标准型号复杂工件图像窗口特征的相似性,判断窗口内是否有缺陷。
作为本实施例一种可能的实现方式,所述图像采集模块包括:
模板图像采集模块,用于在光照稳定和相机位置固定的环境下,旋转标准型号复杂工件到正对活塞销孔的位置拍摄第一张图像,然后按照顺时针方向每间隔θ度拍摄一张图像,旋转一周共拍摄360/θ张模板图像,作为模板图像,并使用工件的型号和角度信息对模板图像进行命名;
待检测图像采集模块,用于在与采集模板图像相同环境下,旋转待检测复杂工件到正对活塞销孔的位置拍摄第一张图像,然后按照顺时针方向每间隔θ度拍摄一张图像,并使用工件的型号和角度信息对待检测杂工件图像进行命名,得到待检测图像。
作为本实施例一种可能的实现方式,所述图像配准模块,具体用于:
根据待检测图像名字中的角度信息调用模板图像,利用下面二维函数相关性算法公式进行图像配准:
作为本实施例一种可能的实现方式,所述窗口特征提取模块包括:
图像遍历模块,用于利用获得待检测图像所对应的模板图像后,采用d×d个像素的窗口对相同区域的待检测图像和模板图像同时依次逐行遍历,遍历时窗口每次移动c个像素;
灰度均值提取模块,用于提取待检测图像和对应模板图像窗口的灰度均值,其灰度均值的表达式如下:
其中,μ表示窗口的灰度均值,G(i,j)表示在坐标点(i,j)的灰度值,W为窗口的宽,H为窗口的高;
灰度Laws能量提取模块,用于根据求得的灰度均值,提取待检测图像和对应模板图像窗口的灰度Laws能量,表达式如下:
其中,S2表示窗口的灰度Laws能量,μ表示窗口的灰度均值,G(i,j)表示在坐标点(i,j)的灰度值,W为窗口的宽,H为窗口的高;
最小二乘距离计算模块,用于求待检测图像窗口和对应模板图像窗口的灰度直方图Upθ={u1,u2,…,um}和Vf={v1,v2,…,vm},然后计算其归一化后的最小二乘距离:
作为本实施例一种可能的实现方式,所述缺陷判断模块包括:
灰度相似性比较模块,用于比较待检测图像和对应模板图像窗口内的灰度相似性,当两个窗口内灰度均值之差大于设定的阈值T1并且灰度Laws能量之差大于设定阈值T2时,说明待检测窗口内的灰度特征与模板窗口之间灰度特征差别非常大,则待检测图像窗口内存在缺陷;
灰度直方图相似性比较模块,用于比较待检测图像和对应模板图像窗口内灰度直方图的相似性,当最小二乘距离D大于设定阈值T3时,表明待检测图像窗口内存在缺陷。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于复杂工件外轮廓配准的侧表面缺陷检测方法,其特征是,包括以下步骤:
步骤1,采集标准型号复杂工件图像和待检测复杂工件图像;
步骤2,运用二维函数相关性算法对待检测复杂工件的外轮廓与标准型号复杂工件图像进行配准;
步骤3,使用相同大小的窗口遍历待检测复杂工件图像和配准后的标准型号复杂工件图像,并提取窗口内的特征;
步骤4,比较待检测复杂工件图像和标准型号复杂工件图像窗口特征的相似性,判断窗口内是否有缺陷。
2.根据权利要求1所述的基于复杂工件外轮廓配准的侧表面缺陷检测方法,其特征是,步骤1中采集标准型号复杂工件图像和待检测复杂工件图像,包括:
在光照稳定和相机位置固定的环境下,旋转标准型号复杂工件到特征最明显的位置拍摄第一张图像,然后按照顺时针方向每间隔θ度拍摄一张图像,旋转一周共拍摄360/θ张模板图像,作为模板图像,并使用工件的型号和角度信息对模板图像进行命名;
在与采集模板图像相同环境下,旋转待检测复杂工件到特征最明显的位置拍摄第一张图像,然后按照顺时针方向每间隔θ度拍摄一张图像,并使用工件的型号和角度信息对待检测杂工件图像进行命名,得到待检测图像。
4.根据权利要求3所述的基于复杂工件外轮廓配准的侧表面缺陷检测方法,其特征是,在步骤3中,使用相同大小的窗口遍历待检测复杂工件图像和配准后的标准型号复杂工件图像,并提取窗口内的特征,包括:
利用获得待检测图像所对应的模板图像后,采用d×d个像素的窗口对相同区域的待检测图像和模板图像同时依次逐行遍历,遍历时窗口每次移动c个像素;
提取待检测图像和对应模板图像窗口的灰度均值,其灰度均值的表达式如下:
其中,μ表示窗口的灰度均值,G(i,j)表示在坐标点(i,j)的灰度值,W为窗口的宽,H为窗口的高;
根据求得的灰度均值,提取待检测图像和对应模板图像窗口的灰度Laws能量,表达式如下:
其中,S2表示窗口的灰度Laws能量,μ表示窗口的灰度均值,G(i,j)表示在坐标点(i,j)的灰度值,W为窗口的宽,H为窗口的高;
求待检测图像窗口和对应模板图像窗口的灰度直方图Upθ={u1,u2,…,um}和Vf={v1,v2,…,vm},然后计算其归一化后的最小二乘距离:
5.根据权利要求4所述的基于复杂工件外轮廓配准的侧表面缺陷检测方法,其特征是,在步骤4中,比较待检测复杂工件图像和标准型号复杂工件图像窗口特征的相似性,判断窗口内是否有缺陷,包括:
比较待检测图像和对应模板图像窗口内的灰度相似性,当两个窗口内灰度均值之差大于设定的阈值T1并且灰度Laws能量之差大于设定阈值T2时,说明待检测窗口内的灰度特征与模板窗口之间灰度特征差别非常大,则待检测图像窗口内存在缺陷;
比较待检测图像和对应模板图像窗口内灰度直方图的相似性,当最小二乘距离D大于设定阈值T3时,表明待检测图像窗口内存在缺陷。
6.一种基于复杂工件外轮廓配准的侧表面缺陷检测系统,其特征是,包括:
图像采集模块,用于采集标准型号复杂工件图像和待检测复杂工件图像;
图像配准模块,用于运用二维函数相关性算法对待检测复杂工件的外轮廓与标准型号复杂工件图像进行配准;
窗口特征提取模块,用于使用相同大小的窗口遍历待检测复杂工件图像和配准后的标准型号复杂工件图像,并提取窗口内的特征;
缺陷判断模块,用于比较待检测复杂工件图像和标准型号复杂工件图像窗口特征的相似性,判断窗口内是否有缺陷。
7.根据权利要求6所述的基于复杂工件外轮廓配准的侧表面缺陷检测系统,其特征是,所述图像采集模块包括:
模板图像采集模块,用于在光照稳定和相机位置固定的环境下,旋转标准型号复杂工件到特征最明显的位置拍摄第一张图像,然后按照顺时针方向每间隔θ度拍摄一张图像,旋转一周共拍摄360/θ张模板图像,作为模板图像,并使用工件的型号和角度信息对模板图像进行命名;
待检测图像采集模块,用于在与采集模板图像相同环境下,旋转待检测复杂工件到特征最明显的位置拍摄第一张图像,然后按照顺时针方向每间隔θ度拍摄一张图像,并使用工件的型号和角度信息对待检测杂工件图像进行命名,得到待检测图像。
9.根据权利要求8所述的基于复杂工件外轮廓配准的侧表面缺陷检测系统,其特征是,所述窗口特征提取模块包括:
图像遍历模块,用于利用获得待检测图像所对应的模板图像后,采用d×d个像素的窗口对相同区域的待检测图像和模板图像同时依次逐行遍历,遍历时窗口每次移动c个像素;
灰度均值计算模块,用于获得待检测图像和对应模板图像窗口的灰度均值,其灰度均值的表达式如下:
其中,μ表示窗口的灰度均值,G(i,j)表示在坐标点(i,j)的灰度值,W为窗口的宽,H为窗口的高;
灰度Laws能量计算模块,用于根据求得的灰度均值,获得待检测图像和对应模板图像窗口的灰度Laws能量,表达式如下:
其中,S2表示窗口的灰度Laws能量,μ表示窗口的灰度均值,G(i,j)表示在坐标点(i,j)的灰度值,W为窗口的宽,H为窗口的高;
最小二乘距离计算模块,用于求待检测图像窗口和对应模板图像窗口的灰度直方图Upθ={u1,u2,…,um}和Vf={v1,v2,…,vm},然后计算其归一化后的最小二乘距离:
10.根据权利要求9所述的基于复杂工件外轮廓配准的侧表面缺陷检测系统,其特征是,所述缺陷判断模块包括:
灰度相似性比较模块,用于比较待检测图像和对应模板图像窗口内的灰度相似性,当两个窗口内灰度均值之差大于设定的阈值T1并且灰度Laws能量之差大于设定阈值T2时,说明待检测窗口内的灰度特征与模板窗口之间灰度特征差别非常大,则待检测图像窗口内存在缺陷;
灰度直方图相似性比较模块,用于比较待检测图像和对应模板图像窗口内灰度直方图的相似性,当最小二乘距离D大于设定阈值T3时,表明待检测图像窗口内存在缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010900736.XA CN112037203A (zh) | 2020-08-31 | 2020-08-31 | 基于复杂工件外轮廓配准的侧表面缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010900736.XA CN112037203A (zh) | 2020-08-31 | 2020-08-31 | 基于复杂工件外轮廓配准的侧表面缺陷检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112037203A true CN112037203A (zh) | 2020-12-04 |
Family
ID=73587223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010900736.XA Pending CN112037203A (zh) | 2020-08-31 | 2020-08-31 | 基于复杂工件外轮廓配准的侧表面缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112037203A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113012157A (zh) * | 2021-05-24 | 2021-06-22 | 深圳市菲凡数据科技有限公司 | 一种设备缺陷视觉检测方法及系统 |
CN113020428A (zh) * | 2021-03-24 | 2021-06-25 | 北京理工大学 | 级进模的加工监控方法、装置、设备及存储介质 |
CN113139943A (zh) * | 2021-04-22 | 2021-07-20 | 苏州华兴源创科技股份有限公司 | 开口圆环工件外观缺陷检测方法、系统及计算机存储介质 |
CN113305017A (zh) * | 2021-05-28 | 2021-08-27 | 柳州源创电喷技术有限公司 | 全自动阀芯综合智能检测分选方法 |
CN114879621A (zh) * | 2022-07-11 | 2022-08-09 | 佛山市木木生活家具有限公司 | 一种家具喷涂加工控制方法、系统及装置 |
CN115144399A (zh) * | 2022-08-30 | 2022-10-04 | 吉林省信息技术研究所 | 一种基于机器视觉的装配质量检测方法及装置 |
CN115578377A (zh) * | 2022-11-14 | 2023-01-06 | 成都数之联科技股份有限公司 | 一种面板缺陷的检测方法、训练方法、装置、设备及介质 |
CN115578329A (zh) * | 2022-09-28 | 2023-01-06 | 中科可控信息产业有限公司 | 屏幕检测方法、装置、计算机设备及可读存储介质 |
CN116337892A (zh) * | 2023-05-26 | 2023-06-27 | 保融盛维(沈阳)科技有限公司 | 工业电子雷管表面缺陷检测用灰度变化视觉检测方法 |
CN116823840A (zh) * | 2023-08-31 | 2023-09-29 | 星璟材料科技(南通)有限公司 | 一种基于图像处理的复合材料缺陷检测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109872309A (zh) * | 2019-01-31 | 2019-06-11 | 京东方科技集团股份有限公司 | 检测系统、方法、装置及计算机可读存储介质 |
CN110738236A (zh) * | 2019-09-16 | 2020-01-31 | 深圳市国信合成科技有限公司 | 图像匹配方法、装置、计算机设备及存储介质 |
-
2020
- 2020-08-31 CN CN202010900736.XA patent/CN112037203A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109872309A (zh) * | 2019-01-31 | 2019-06-11 | 京东方科技集团股份有限公司 | 检测系统、方法、装置及计算机可读存储介质 |
CN110738236A (zh) * | 2019-09-16 | 2020-01-31 | 深圳市国信合成科技有限公司 | 图像匹配方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
王红艳等: "一种利用外轮廓配准的活塞侧面缺陷检测方法", 《西安电子科技大学学报》, vol. 46, no. 005, 2 July 2019 (2019-07-02), pages 77 - 80 * |
罗丹: "基于图像匹配的PCB缺陷检测算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)》, no. 3, 15 March 2017 (2017-03-15), pages 32 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113020428A (zh) * | 2021-03-24 | 2021-06-25 | 北京理工大学 | 级进模的加工监控方法、装置、设备及存储介质 |
CN113020428B (zh) * | 2021-03-24 | 2022-06-28 | 北京理工大学 | 级进模的加工监控方法、装置、设备及存储介质 |
CN113139943A (zh) * | 2021-04-22 | 2021-07-20 | 苏州华兴源创科技股份有限公司 | 开口圆环工件外观缺陷检测方法、系统及计算机存储介质 |
CN113012157B (zh) * | 2021-05-24 | 2021-07-20 | 深圳市菲凡数据科技有限公司 | 一种设备缺陷视觉检测方法及系统 |
CN113012157A (zh) * | 2021-05-24 | 2021-06-22 | 深圳市菲凡数据科技有限公司 | 一种设备缺陷视觉检测方法及系统 |
CN113305017B (zh) * | 2021-05-28 | 2022-11-08 | 柳州源创电喷技术有限公司 | 全自动阀芯综合智能检测分选方法 |
CN113305017A (zh) * | 2021-05-28 | 2021-08-27 | 柳州源创电喷技术有限公司 | 全自动阀芯综合智能检测分选方法 |
CN114879621A (zh) * | 2022-07-11 | 2022-08-09 | 佛山市木木生活家具有限公司 | 一种家具喷涂加工控制方法、系统及装置 |
CN114879621B (zh) * | 2022-07-11 | 2022-09-27 | 佛山市木木生活家具有限公司 | 一种家具喷涂加工控制方法、系统及装置 |
CN115144399A (zh) * | 2022-08-30 | 2022-10-04 | 吉林省信息技术研究所 | 一种基于机器视觉的装配质量检测方法及装置 |
CN115144399B (zh) * | 2022-08-30 | 2023-01-13 | 吉林省信息技术研究所 | 一种基于机器视觉的装配质量检测方法及装置 |
CN115578329A (zh) * | 2022-09-28 | 2023-01-06 | 中科可控信息产业有限公司 | 屏幕检测方法、装置、计算机设备及可读存储介质 |
CN115578377A (zh) * | 2022-11-14 | 2023-01-06 | 成都数之联科技股份有限公司 | 一种面板缺陷的检测方法、训练方法、装置、设备及介质 |
CN116337892A (zh) * | 2023-05-26 | 2023-06-27 | 保融盛维(沈阳)科技有限公司 | 工业电子雷管表面缺陷检测用灰度变化视觉检测方法 |
CN116823840A (zh) * | 2023-08-31 | 2023-09-29 | 星璟材料科技(南通)有限公司 | 一种基于图像处理的复合材料缺陷检测方法及系统 |
CN116823840B (zh) * | 2023-08-31 | 2023-12-19 | 星璟材料科技(南通)有限公司 | 一种基于图像处理的复合材料缺陷检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN110163853B (zh) | 一种边缘缺陷的检测方法 | |
CN108389179B (zh) | 一种基于机器视觉的罐盖表面缺陷检测方法 | |
CN107341802B (zh) | 一种基于曲率与灰度复合的角点亚像素定位方法 | |
CN111862037A (zh) | 基于机器视觉的精密孔类零件几何特征检测方法及系统 | |
CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
CN112233116B (zh) | 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法 | |
CN109815822B (zh) | 基于广义Hough变换的巡检图零部件目标识别方法 | |
CN107388991B (zh) | 一种端面多圆角轴类零件圆角半径测量方法 | |
CN115482195B (zh) | 一种基于三维点云的列车部件变形检测方法 | |
CN110334727B (zh) | 一种隧道裂缝智能匹配检测方法 | |
Liang et al. | Angle aided circle detection based on randomized Hough transform and its application in welding spots detection | |
CN114627080B (zh) | 基于计算机视觉的车辆冲压配件缺陷检测方法 | |
CN111257329A (zh) | 一种智能手机摄像头缺陷检测方法以及检测系统 | |
CN107341793A (zh) | 一种靶面图像处理方法及装置 | |
CN108109154A (zh) | 一种工件的新型定位及数据获取方法 | |
CN108389184A (zh) | 一种基于机器视觉的工件制孔数检测方法 | |
CN113237889A (zh) | 一种多尺度的陶瓷检测方法及系统 | |
CN111539927A (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测过程及算法 | |
CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN115753791B (zh) | 基于机器视觉的缺陷检测方法、装置以及系统 | |
CN116740036A (zh) | 一种钢管管端引熄弧板切割点位检测方法和系统 | |
CN116823708A (zh) | 基于机器视觉的pc构件边模识别与定位研究 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201204 |
|
RJ01 | Rejection of invention patent application after publication |