CN112326671A - 一种基于机器视觉的金属板材表面缺陷检测方法 - Google Patents
一种基于机器视觉的金属板材表面缺陷检测方法 Download PDFInfo
- Publication number
- CN112326671A CN112326671A CN202011224823.4A CN202011224823A CN112326671A CN 112326671 A CN112326671 A CN 112326671A CN 202011224823 A CN202011224823 A CN 202011224823A CN 112326671 A CN112326671 A CN 112326671A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- stripe
- defects
- machine vision
- 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 69
- 239000002184 metal Substances 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 title abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 11
- 239000000463 material Substances 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000005484 gravity Effects 0.000 claims description 8
- 238000012847 principal component analysis method Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000000977 initiatory effect Effects 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 238000005498 polishing Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009749 continuous casting Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000004941 influx Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 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
- G01N21/8806—Specially adapted optical and illumination features
-
- 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
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/8914—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the material examined
-
- 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
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
-
- 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
- G01N21/8806—Specially adapted optical and illumination features
- G01N2021/8809—Adjustment for highlighting 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
- G01N21/8806—Specially adapted optical and illumination features
- G01N2021/8829—Shadow projection or structured background, e.g. for deflectometry
-
- 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
- G01N2021/8874—Taking dimensions of defect into account
-
- 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
- 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
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/8901—Optical details; Scanning details
- G01N2021/8908—Strip illuminator, e.g. light tube
-
- 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
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/8914—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the material examined
- G01N2021/8918—Metal
-
- 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
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
- G01N2021/8924—Dents; Relief 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
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
- G01N2021/8925—Inclusions
Landscapes
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Textile Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开是关于一种基于机器视觉的金属板材表面缺陷检测方法，涉及数字图像处理技术领域。将红色条纹光投射到板材表面，使凹坑、凸起、划痕等缺陷被突显出来，使用CCD摄像机采集条纹投影图像；将彩色图像分解，突显光源的色彩信息，突显光源的色彩信息；提取条纹中心，通过算法判断线条的畸变情况，反映缺陷的大小。采用条纹的打光方式，消除镜面反射效应影响的同时，能够增强对板材表面缺陷的显现力，得到具有高质量的缺陷图像。针对不同类型、不同形态、不同位置的板材缺陷，检出效果100％适应，说明此方式适应于金属板材表面缺陷检测。
Description
技术领域
本发明公开涉及数字图像处理技术领域，尤其涉及一种基于机器视觉的金属板材表面缺陷检测方法。
背景技术
金属板材在汽车车身的生产中有着重要的应用，汽车行业的快速发展带动了金属板材的大批量生产，在板材需求量显著提高的同时，其质量也越来越受到人们的重视。轧制过程中由于连铸钢坯、轧制设备和轧制工艺等原因，轧制后板材表面会形成缺陷，这样既不美观也影响板材寿命和性能。因此，国内外众多科研机构和学者展开了对板材表面缺陷检测的研究。
从20世纪开始，至今大致经历3个检测阶段，分别是人工目视与离线抽检相结合、单纯机电技术或光学技术(涡流检测等)、光机电一体化的机器视觉。在长期的单一重复性工作中，工人容易产生疲劳，导致不合格的产品流入到应用市场中。且不同的工人操作的手法力度宽严也不尽相同，对于极限件合格性的判断会产生相对应的差异。
随着计算机视觉技术的发展，逐步出现了一些基于计算机视觉的缺陷检测方法，起初主要是利用CCD对钢板生产过程中的图像进行采集，利用相关的信号处理程序实现对表面缺陷的定位。接着出现了一些基于图像处理的表面缺陷阈值分割，静态检测与识别的研究。随后有学者将数据挖掘技术与表面缺陷检测结合起来，并建立了相应的表面缺陷数据挖掘关联规则系统。近些年来出现了一些新的检测方法，例如蒋芸等通过分析灰度图像在三维空间中的特点，提出了一种基于三维灰度矩阵的表面缺陷图像分割算法，胡联亭利用模式识别技术对缺陷进行了有效的分割与分类，崔洁将随机森林算法与传统的超声检测法相结合，通过提取特征的方式，对表面缺陷进行了检测及分类。虽然这些现有的方法都可以检测钢板表面的缺陷，但由于检测结果很大程度上依赖于图像处理结果的好坏，并且步骤繁琐，因此只能应用于静态的金属表面缺陷检测，无法实时地对生产过程进行监控。但金属板材表面反光强烈，缺陷成因复杂，使得缺陷检测系统性能的进一步提升遇到了瓶颈。
鉴于上述分析，现有技术中存在的问题是：
(1)在长期的单一重复性工作中，工人容易产生疲劳，导致不合格的产品流入到应用市场中
(2)不同的工人操作的手法力度宽严也不尽相同，对于极限件合格性的判断会产生相对应的差异。
(3)金属板材表面反光强烈，缺陷成因复杂，在机器视觉检测中也存在诸多问题。
解决上述技术问题的难度在于：
板材表面缺陷类别众多，有凹坑、凸起、划痕等缺陷，位置存在板材表面任意地方、缺陷的状态、大小均不同。本文提出一种基于机器视觉的金属板材表面缺陷检测方法，适应不同类型、不同形态、不同位置的缺陷。通过条纹畸变情况，间接反映缺陷的大小，为现场员工提供了一个参考的依据。
解决上述技术问题的意义在于：
考虑到传统人工检测方式以及传统视觉的检测方式，采用本文提出的检测方法可以适应不同类型、不同形态、不同位置的缺陷，降低了传统方式的检出要求，提高了检测的效率，并且根据缺陷处图像中曲率变化程度，计算出缺陷的大小。
发明内容
为克服相关技术中存在的问题，本发明公开实施例提供了一种基于机器视觉的金属板材表面缺陷检测方法。所述技术方案如下：
该基于机器视觉的金属板材表面缺陷检测方法包括以下步骤：
步骤一、将红色条纹光投射到板材表面，使凹坑、凸起、划痕等缺陷被突显出来，使用CCD摄像机采集条纹投影图像；
步骤二、将彩色图像分解，突显光源的色彩信息，突显光源的色彩信息；
步骤三、提取条纹中心，通过算法判断线条的畸变情况，反映缺陷的大小。
在一个实施例中，在步骤一中，将相机和镜头模组垂直于板材表面架设，激光发射器倾斜于板材表面架设，激光器向板材表面投射粗细均匀、间隔均匀的激光线；
然后使用CCD摄像机采集条纹投影图像。
在一个实施例中，激光发射器与板材表面倾斜夹角为45度到60度。
在一个实施例中，在步骤二中，根据彩色图像进行通道的分解。
在一个实施例中，通道分解为R通道、G通道、B通道、H通道、S通道、V通道。
在一个实施例中，在步骤三中，以幅值等于零的点为初始点，确定初始点的法线方向，沿法线方向遍历出初始点两侧的有效边界点，利用灰度重心法提取出条纹中心；采用阈值分割法处理图像，粗略的分割出条纹信息，将图像中的最大灰度值与最小灰度值的平均值作为阈值。
在一个实施例中，图像处理过程中，将图像f(x,y)与高斯函数g(x,y)进行卷积，即G(x,y)＝f(x,y)*g(x,y),以降低图像中噪声点的影响。
在一个实施例中，计算图像的灰度梯度(Gx,Gy)和幅值|G(x,y)|,计算过程为
在图像中遍历出幅值为零的点P0(i0，j0),将该点作为初始点。
在一个实施例中，由初始点邻域内像素的梯度向量构造出协方差矩阵，依据主成分分析法，通过求解协方差矩阵的特征向量，获得条纹的法线方向和切线方向；选取的领域大小为W，建立协方差矩阵C
求解矩阵的特征值u1、u2和对应的特征向量v1、v2
其中，绝对值大的特征值所对应的特征向量即为初始点的法线方向；由式(4)、(5)可知u1＞u2，故u1对应的特征向量v1为初始点的法线方向，u2对应的特征向量v2为初始点的切线方向。
在一个实施例中，已经确定初始点P0(i0，j0)即其法线方向v1,沿着法线方向在初始点两侧分别找出幅值最大的点P1(i1，j1)、P2(i2，j2)，将此两点作为边界点，利用灰度重心法求出中心点Pc(ic，jc)；中心点的计算过程为
在中心点的切线方向附近找出与中心点相连接且幅值最小的点作为下一次求解的初始点，重复公式(3)、(4)、(5)、(6)。
本发明公开的实施例提供的技术方案可以包括以下有益效果：
第一、采用条纹的打光方式，消除镜面反射效应影响的同时，能够增强对板材表面缺陷的显现力，得到具有高质量的缺陷图像。针对不同类型、不同形态、不同位置的板材缺陷，检出效果100％适应，说明此方式适应于金属板材表面缺陷检测。
第二、通过彩色图像进行通道的分解，利用色彩信息提取板材表面条纹的纹理信息，并对提取到的纹理进行分析，判断。相比较于传统的算力以及运算时间节约50％。
第三、无缺陷处图像中曲线连续且曲率均匀，缺陷处图像中曲线会出现断裂和扭曲，其曲率变化较大。根据曲率的变化程度，可以计算处缺陷的大小。现场产线可以根据计算的结果进行有条件的筛选，提升检出效率，降低企业的运行成本。
当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1为本发明实施例中的基于机器视觉的金属板材缺陷检测方法的流程图。
图2为本发明实施例中提供的发明中涉及到板材表面的常见缺陷；
其中：a、凹坑图；b、划痕图；c、鼓包图；d、异物图；e、生锈图；
图3为本发明实施例中提供的发明中涉及到打光环境示意图。
图4为本发明实施例中提供的发明中涉及到条纹投影图。
图5为本发明实施例中提供的发明中涉及到通道分解图；
其中：a、R通道图；b、G通道图；c、B通道图；d、H通道图；e、S通道图。
图6为本发明实施例中提供的发明中涉及到阈值分割结果图。
图7为本发明实施例中提供的发明中涉及到条纹两次边界点图。
图8为本发明实施例中提供的发明中涉及到条纹中心提取结果图。
图9为本发明实施例中提供的发明中涉及到缺陷检测结果图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本发明所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
除非另有定义，本发明所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本发明中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本发明所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
该基于机器视觉的金属板材表面缺陷检测方法充分利用工业光源与工业相机，采用机器视觉的检测方法，实现了对金属板材表面缺陷进行快速并准确地检测，并把数据进行实时处理。本发明的技术方案如下：
通过在板材表面投射红色条纹光，使凹坑、凸起、划痕等缺陷被突显出来，使用CCD摄像机采集图像；将彩色图像分解，突显光源的色彩信息，突显光源的色彩信息；提取条纹中心，通过算法判断线条的畸变情况，反映缺陷的大小。
上述方法中，只有缺陷的大小大于条纹光的粗细时，缺陷才能被突显出来。条纹光能凸显缺陷的原理是激光三角测量法。要判断条纹的畸变情况，需先将条纹中心提取出来。传统的条纹中心提取方法有高斯近似法、重心法、线性插值法、抛物线估计法等，这些方法的提取精度不高且运算复杂，对条纹图像的处理往往需要大量的时间。为缩短光条纹中心的提取时间，本发明采用这样一种方法。计算图像中像素点的灰度梯度和幅值，以幅值等于零的点为初始点，通过主成分分析法确定初始点的法线方向，沿法线方向遍历出初始点两侧的有效边界点，最后利用灰度重心法提取出条纹中心。
本实施例提供了一种基于机器视觉的金属板材缺陷检测方法，请参见图1，所述方法包括：
步骤S101：将红色条纹光投射到板材表面，使凹坑、凸起、划痕等缺陷被突显出来，使用CCD摄像机采集条纹投影图像。
步骤S102：将彩色图像分解，突显光源的色彩信息，突显光源的色彩信息。
步骤S103：提取条纹中心，通过算法判断线条的畸变情况，反映缺陷的大小。
下面结合图1对本申请提供的基于机器视觉的金属板材缺陷检测方法进行详细介绍：
首先执行步骤S101，将红色条纹光投射到板材表面，使凹坑、凸起、划痕等缺陷被突显出来，使用CCD摄像机采集条纹投影图像。
具体地，上述对将红色条纹光投射到板材表面，使凹坑、凸起、划痕等缺陷被突显出来，使用CCD摄像机采集条纹投影图像，具体包括：
将相机和镜头模组垂直于板材表面架设，激光发射器倾斜于板材表面(夹角为45度到60度之间)架设，激光器向板材表面投射粗细均匀、间隔均匀的激光线。如图3所示。
然后使用CCD摄像机采集条纹投影图像。如图4所示。
然后执行步骤S102：将彩色图像分解，突显光源的色彩信息，突显光源的色彩信息。
在具体的实施过程中，根据彩色图像进行通道的分解，其中分解为R通道、G通道、B通道、H通道、S通道、V通道，如图5所示；
由分解后的图像可看出，条纹的信息主要保存在R通道或V通道，本发明以R通道图像作为下一步骤的输入图像；
最后执行步骤S103：提取条纹中心，通过算法判断线条的畸变情况，反映缺陷的大小。
在具体实施中，为缩短光条纹中心的提取时间，计算图像中像素点的灰度梯度和幅值，以幅值等于零的点为初始点，通过主成分分析法确定初始点的法线方向，沿法线方向遍历出初始点两侧的有效边界点，最后利用灰度重心法提取出条纹中心。
条纹图像中包含有背景信息和目标条纹信息，背景像素在对测量结果产生影响的同时会增加图像处理的计算量，因此采用阈值分割法处理图像，粗略的分割出条纹信息。将图像中的最大灰度值与最小灰度值的平均值作为阈值，分割结果如图6所示。
将图像f(x，y)与高斯函数g(x，y)进行卷积，即G(x，y)＝f(x，y)*g(x，y),以降低图像中噪声点的影响。计算图像的灰度梯度(Gx，Gy)和幅值|G(x，y)|,计算过程为
在图像中遍历出幅值为零的点P0(i0，j0),将该点作为初始点。
由初始点邻域内像素的梯度向量构造出协方差矩阵，依据主成分分析法，通过求解协方差矩阵的特征向量，获得条纹的法线方向和切线方向。选取的领域大小为W，建立协方差矩阵C
求解矩阵的特征值u1、u2和对应的特征向量v1、v2
其中，绝对值大的特征值所对应的特征向量即为初始点的法线方向。由式(4)、(5)可知u1＞u2，故u1对应的特征向量v1为初始点的法线方向，u2对应的特征向量v2为初始点的切线方向。
已经确定初始点P0(i0，j0)即其法线方向v1,沿着法线方向在初始点两侧分别找出幅值最大的点P1(i1，j1)、P2(i2，j2)，将此两点作为边界点，利用灰度重心法求出中心点Pc(ic，jc)。中心点的计算过程为
在中心点的切线方向附近找出与中心点相连接且幅值最小的点作为下一次求解的初始点，重复公式(3)、(4)、(5)、(6)。
本发明所提方法对大小为1120pixelX740pixel的图像进行处理，处理过程与结果如图(7)、(8)、(9)所示。其中图(7)表示条纹两侧边界点图像，图(8)表示条纹中心提取结果，图(9)表示缺陷检测结果图。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围应由所附的权利要求来限制。
Claims (10)
1.一种基于机器视觉的金属板材表面缺陷检测方法，其特征在于，该基于机器视觉的金属板材表面缺陷检测方法包括以下步骤：
步骤一、将红色条纹光投射到板材表面，使凹坑、凸起、划痕等缺陷被突显出来，使用CCD摄像机采集条纹投影图像；
步骤二、将彩色图像分解，突显光源的色彩信息，突显光源的色彩信息；
步骤三、提取条纹中心，通过算法判断线条的畸变情况，反映缺陷的大小。
2.根据权利要求1所述的基于机器视觉的金属板材表面缺陷检测方法，其特征在于，在步骤一中，将相机和镜头模组垂直于板材表面架设，激光发射器倾斜于板材表面架设，激光器向板材表面投射粗细均匀、间隔均匀的激光线；
然后使用CCD摄像机采集条纹投影图像。
3.根据权利要求2所述的基于机器视觉的金属板材表面缺陷检测方法，其特征在于，激光发射器与板材表面倾斜夹角为45度到60度。
4.根据权利要求1所述的基于机器视觉的金属板材表面缺陷检测方法，其特征在于，在步骤二中，根据彩色图像进行通道的分解。
5.根据权利要求4所述的基于机器视觉的金属板材表面缺陷检测方法，其特征在于，通道分解为R通道、G通道、B通道、H通道、S通道、V通道。
6.根据权利要求1所述的基于机器视觉的金属板材表面缺陷检测方法，其特征在于，在步骤三中，以幅值等于零的点为初始点，确定初始点的法线方向，沿法线方向遍历出初始点两侧的有效边界点，利用灰度重心法提取出条纹中心；采用阈值分割法处理图像，粗略的分割出条纹信息，将图像中的最大灰度值与最小灰度值的平均值作为阈值。
7.根据权利要求6所述的基于机器视觉的金属板材表面缺陷检测方法，其特征在于，图像处理过程中，将图像f(x，y)与高斯函数g(x，y)进行卷积，即G(x，y)＝f(x，y)*g(x，y),以降低图像中噪声点的影响。
8.根据权利要求7所述的基于机器视觉的金属板材表面缺陷检测方法，其特征在于，计算图像的灰度梯度(Gx，Gy)和幅值|G(x，y)|,计算过程为
在图像中遍历出幅值为零的点P0(i0，j0),将该点作为初始点。
9.根据权利要求8所述的基于机器视觉的金属板材表面缺陷检测方法，其特征在于，由初始点邻域内像素的梯度向量构造出协方差矩阵，依据主成分分析法，通过求解协方差矩阵的特征向量，获得条纹的法线方向和切线方向；选取的领域大小为W，建立协方差矩阵C
求解矩阵的特征值u1、u2和对应的特征向量v1、v2
其中，绝对值大的特征值所对应的特征向量即为初始点的法线方向；由式(4)、(5)可知u1＞u2，故u1对应的特征向量v1为初始点的法线方向，u2对应的特征向量v2为初始点的切线方向。
10.根据权利要求9所述的基于机器视觉的金属板材表面缺陷检测方法，其特征在于，已经确定初始点P0(i0，j0)即其法线方向v1,沿着法线方向在初始点两侧分别找出幅值最大的点P1(i1，j1)、P2(i2，j2)，将此两点作为边界点，利用灰度重心法求出中心点Pc(ic，jc)；中心点的计算过程为
在中心点的切线方向附近找出与中心点相连接且幅值最小的点作为下一次求解的初始点，重复公式(3)、(4)、(5)、(6)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011224823.4A CN112326671A (zh) | 2020-11-05 | 2020-11-05 | 一种基于机器视觉的金属板材表面缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011224823.4A CN112326671A (zh) | 2020-11-05 | 2020-11-05 | 一种基于机器视觉的金属板材表面缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112326671A true CN112326671A (zh) | 2021-02-05 |
Family
ID=74316323
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011224823.4A Pending CN112326671A (zh) | 2020-11-05 | 2020-11-05 | 一种基于机器视觉的金属板材表面缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112326671A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113000413A (zh) * | 2021-05-06 | 2021-06-22 | 菲特（天津）检测技术有限公司 | 基于机器视觉的同步器齿套表面缺陷检测系统、方法、终端 |
| CN113109346A (zh) * | 2021-03-08 | 2021-07-13 | 中国第一汽车股份有限公司 | 一种汽车覆盖件板料的表面质量自动检测系统及方法 |
| CN113324996A (zh) * | 2021-05-28 | 2021-08-31 | 东莞康视达自动化科技有限公司 | 一种适用于表面具有反光特性的物体的瑕疵检测方法 |
| CN114113145A (zh) * | 2021-11-15 | 2022-03-01 | 天津大学 | 一种小口径内壁微米级别缺陷检测方法、检测装置、应用 |
| CN114683504A (zh) * | 2022-03-07 | 2022-07-01 | 深圳市友联精诚塑胶制品有限公司 | 一种注塑产品成型控制方法及控制设备 |
| WO2023087354A1 (zh) * | 2021-11-17 | 2023-05-25 | 武汉华星光电半导体显示技术有限公司 | 屏幕折痕程度的检测方法和视觉检测设备 |
| CN116416178A (zh) * | 2021-12-27 | 2023-07-11 | 广州镭晨智能装备科技有限公司 | 视觉检测设备、系统及产品表面缺陷的视觉检测方法 |
| CN116630329A (zh) * | 2023-07-26 | 2023-08-22 | 山东山森数控技术有限公司 | 用于多轴多通道数控系统的在线视觉检测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010071694A (ja) * | 2008-09-16 | 2010-04-02 | Ricoh Co Ltd | 表面検査装置、それを用いた欠陥検出方法、プログラム及び記録媒体 |
| CN104280406A (zh) * | 2014-09-16 | 2015-01-14 | 中国科学院广州能源研究所 | 一种铜件表面缺陷检测的机器视觉系统 |
| CN105445277A (zh) * | 2015-11-12 | 2016-03-30 | 湖北工业大学 | 一种fpc表面质量视觉智能检测方法 |
| CN105627942A (zh) * | 2015-12-25 | 2016-06-01 | 华南理工大学 | 一种机器视觉检测物体表面微变形的成像装置及其方法 |
| CN105866129A (zh) * | 2016-05-16 | 2016-08-17 | 天津工业大学 | 一种基于数字投影的产品表面质量在线检测方法 |
| CN106872473A (zh) * | 2017-02-21 | 2017-06-20 | 中国矿业大学 | 一种基于机器视觉的马铃薯缺陷检测识别系统设计 |
| CN110286124A (zh) * | 2018-03-14 | 2019-09-27 | 浙江大学山东工业技术研究院 | 基于机器视觉的耐火砖测量系统 |
| CN110296997A (zh) * | 2019-07-03 | 2019-10-01 | 三峡大学 | 基于机器视觉的陶瓷瓦的缺陷检测方法及装置 |
| CN111260617A (zh) * | 2020-01-11 | 2020-06-09 | 上海应用技术大学 | 一种基于深度学习的太阳能电池板缺陷检测方法 |
-
2020
- 2020-11-05 CN CN202011224823.4A patent/CN112326671A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010071694A (ja) * | 2008-09-16 | 2010-04-02 | Ricoh Co Ltd | 表面検査装置、それを用いた欠陥検出方法、プログラム及び記録媒体 |
| CN104280406A (zh) * | 2014-09-16 | 2015-01-14 | 中国科学院广州能源研究所 | 一种铜件表面缺陷检测的机器视觉系统 |
| CN105445277A (zh) * | 2015-11-12 | 2016-03-30 | 湖北工业大学 | 一种fpc表面质量视觉智能检测方法 |
| CN105627942A (zh) * | 2015-12-25 | 2016-06-01 | 华南理工大学 | 一种机器视觉检测物体表面微变形的成像装置及其方法 |
| CN105866129A (zh) * | 2016-05-16 | 2016-08-17 | 天津工业大学 | 一种基于数字投影的产品表面质量在线检测方法 |
| CN106872473A (zh) * | 2017-02-21 | 2017-06-20 | 中国矿业大学 | 一种基于机器视觉的马铃薯缺陷检测识别系统设计 |
| CN110286124A (zh) * | 2018-03-14 | 2019-09-27 | 浙江大学山东工业技术研究院 | 基于机器视觉的耐火砖测量系统 |
| CN110296997A (zh) * | 2019-07-03 | 2019-10-01 | 三峡大学 | 基于机器视觉的陶瓷瓦的缺陷检测方法及装置 |
| CN111260617A (zh) * | 2020-01-11 | 2020-06-09 | 上海应用技术大学 | 一种基于深度学习的太阳能电池板缺陷检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李九岭著: "《带钢连续热镀锌 第4版》", 冶金工业出版社 * |
| 段晓杰 等: "基于数字条纹投影的钢板表面三维缺陷检测", 《钢铁研究学报》 * |
| 胡杨 等: "线结构光条纹中心提取方法", 《激光与光电子学进展》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113109346A (zh) * | 2021-03-08 | 2021-07-13 | 中国第一汽车股份有限公司 | 一种汽车覆盖件板料的表面质量自动检测系统及方法 |
| CN113000413A (zh) * | 2021-05-06 | 2021-06-22 | 菲特（天津）检测技术有限公司 | 基于机器视觉的同步器齿套表面缺陷检测系统、方法、终端 |
| CN113000413B (zh) * | 2021-05-06 | 2022-07-05 | 菲特（天津）检测技术有限公司 | 基于机器视觉的同步器齿套表面缺陷检测系统、方法、终端 |
| CN113324996A (zh) * | 2021-05-28 | 2021-08-31 | 东莞康视达自动化科技有限公司 | 一种适用于表面具有反光特性的物体的瑕疵检测方法 |
| CN113324996B (zh) * | 2021-05-28 | 2023-01-17 | 东莞康视达自动化科技有限公司 | 一种适用于表面具有反光特性的物体的瑕疵检测方法 |
| CN114113145A (zh) * | 2021-11-15 | 2022-03-01 | 天津大学 | 一种小口径内壁微米级别缺陷检测方法、检测装置、应用 |
| WO2023087354A1 (zh) * | 2021-11-17 | 2023-05-25 | 武汉华星光电半导体显示技术有限公司 | 屏幕折痕程度的检测方法和视觉检测设备 |
| CN116416178A (zh) * | 2021-12-27 | 2023-07-11 | 广州镭晨智能装备科技有限公司 | 视觉检测设备、系统及产品表面缺陷的视觉检测方法 |
| CN114683504A (zh) * | 2022-03-07 | 2022-07-01 | 深圳市友联精诚塑胶制品有限公司 | 一种注塑产品成型控制方法及控制设备 |
| CN114683504B (zh) * | 2022-03-07 | 2023-10-31 | 佳睦拉索（上海）有限公司 | 一种注塑产品成型控制方法及控制设备 |
| CN116630329A (zh) * | 2023-07-26 | 2023-08-22 | 山东山森数控技术有限公司 | 用于多轴多通道数控系统的在线视觉检测方法 |
| CN116630329B (zh) * | 2023-07-26 | 2023-09-29 | 山东山森数控技术有限公司 | 用于多轴多通道数控系统的在线视觉检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112326671A (zh) | 一种基于机器视觉的金属板材表面缺陷检测方法 | |
| CN117173189B (zh) | 一种铝合金表面抛光效果视觉检测系统 | |
| CN109682839B (zh) | 一种金属弧形工件表面缺陷在线检测方法 | |
| CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
| CN105913415B (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
| CN107678192B (zh) | 一种基于机器视觉的Mura缺陷检测方法 | |
| Wang et al. | Research on crack detection algorithm of the concrete bridge based on image processing | |
| CN112150441A (zh) | 一种基于机器视觉的光滑漆面表面缺陷检测方法 | |
| CN115063423B (zh) | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 | |
| CN109632808A (zh) | 棱边缺陷检测方法、装置、电子设备及存储介质 | |
| Yun et al. | Real-time vision-based defect inspection for high-speed steel products | |
| CN113538503B (zh) | 一种基于红外图像的太阳能板缺陷检测方法 | |
| CN110473201A (zh) | 一种刹车片表面缺陷的自动检测方法及装置 | |
| CN115063407B (zh) | 一种用于环形铜垫片的划痕及裂纹识别方法 | |
| CN105571511A (zh) | 一种船舶外板成型精度在线检测方法 | |
| CN116030055B (zh) | 一种电梯相关配件质量检测方法 | |
| Chen et al. | The defect detection of 3D-printed ceramic curved surface parts with low contrast based on deep learning | |
| CN115656182A (zh) | 基于张量投票主成分分析的板材点云缺陷检测方法 | |
| Dominguez-Nicolas et al. | Indentation image analysis for Vickers hardness testing | |
| CN113344924B (zh) | 一种基于图像处理的结构件生产管控方法及系统 | |
| Stent et al. | Precise deterministic change detection for smooth surfaces | |
| CN114548250A (zh) | 一种基于数据分析的手机外观检测方法及装置 | |
| Wu et al. | Detection algorithm of aluminum surface defects using machine vision | |
| CN116703906B (zh) | 基于图像处理的金属件打磨质量检测方法 | |
| CN111210419A (zh) | 基于人类视觉特性的微型磁瓦表面缺陷检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210205 |