CN112326673A - 基于机器视觉的注塑件表面缺陷检测方法和装置 - Google Patents
基于机器视觉的注塑件表面缺陷检测方法和装置 Download PDFInfo
- Publication number
- CN112326673A CN112326673A CN202011270053.7A CN202011270053A CN112326673A CN 112326673 A CN112326673 A CN 112326673A CN 202011270053 A CN202011270053 A CN 202011270053A CN 112326673 A CN112326673 A CN 112326673A
- Authority
- CN
- China
- Prior art keywords
- defect
- dimensional
- workpiece
- image
- template
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 136
- 238000001746 injection moulding Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 title claims description 36
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000002347 injection Methods 0.000 claims abstract description 5
- 239000007924 injection Substances 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 239000004033 plastic Substances 0.000 claims description 8
- 229920003023 plastic Polymers 0.000 claims description 8
- 238000013519 translation Methods 0.000 claims description 8
- 239000003292 glue Substances 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000000155 melt Substances 0.000 claims 1
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000008439 repair process Effects 0.000 abstract description 2
- 239000002245 particle Substances 0.000 description 7
- 238000011049 filling Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- -1 polyethylene Polymers 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 239000004698 Polyethylene Substances 0.000 description 1
- 239000004743 Polypropylene Substances 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 239000003960 organic solvent Substances 0.000 description 1
- 229920000573 polyethylene Polymers 0.000 description 1
- 229920001155 polypropylene Polymers 0.000 description 1
- 238000011160 research 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
- G01N21/8851—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
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
- G01B11/0608—Height gauges
-
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8858—Flaw counting
-
- 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
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于机器视觉的注塑件表面缺陷检测方法和装置,该方法使用三维扫描仪分别扫描模板工件与待测工件表面,将扫描得到的三维点云数据按高度分层转化为若干个二维深度图像,通过机器视觉处理二维图像来判断缺陷并统计。本发明的方法所获得的数据具有精度高,缺陷显示直观的优点;获得数据后,可以得到缺陷的具体形状与大小,方便于总结缺陷特点,改进注塑工艺与修缮注塑模具。
Description
技术领域
本发明涉及生产线产品实时检测设备领域,尤其涉及一种基于机器视觉的注塑件表面缺陷检测装置,特别是一种基于三维扫描与深度图匹配的注塑件表面缺陷检测装置。
背景技术
注塑件主要是由聚乙烯或聚丙烯等材料混合多种有机溶剂制成的工件。塑胶粒经过高温熔化后被注入模板,经挤压冷却后成型。其成型过程受温度、压力及模板等因素影响,产出的注塑件表面可能会出现缺胶或者多胶的情况。因此通常产出后的注塑件需要进行人工检测。
人工检测会出现工人视觉疲劳,主观误判,耗时长及成本高等缺点。而利用二维图像检测表面缺陷难以获得表面高度信息,精度过低;单纯利用三维扫描获得的点云数据量大,处理时间长且对硬件要求较高,难以实现实时检测,且成本高不利于市场推广。
目前使用三维与二维图像相结合的缺陷检测技术很少,如《基于机器视觉的注塑件Disc与电池外观检测研究》一文,只是简单将整体的灰度图进行匹配而未进行分层处理,精度低,同时检测出来的缺陷不能量化展示。综上,目前市场上检测精度高,速度快的注塑件表面检测设备较少。因此,有必要设计出一种结合二维图像与三维扫描检测的共同优点的注塑件表面缺陷检测装置。
发明内容
鉴于现有技术在现状,本发明开发了一种基于三维扫描与二维图像处理来检测注塑件表面缺陷的方法和相应装置。
具体来说,本发明采用了以下技术方案:
一种基于机器视觉的注塑件表面缺陷检测方法,包括以下步骤:
(a)使用三维扫描仪分别扫描模板工件与待测工件表面;
(b)将扫描得到的三维点云数据按高度分层转化为若干个二维深度图像;
(c)提取模板与待测工件的二维深度图的外轮廓,匹配的时候将外轮廓图像旋转平移及缩放,直至二者外轮廓图像精准匹配上,之后根据获得转换矩阵对分层后的二维深度图像旋转平移及缩放,完成图像配准;
(d)对比精确匹配后得到的模板工件与待测工件,找出二者有差异的地方即是表面存在高度差的位置,高度差超出允许阈值则视为表面缺陷;
(e)将判定为缺陷的位置标记在模板的二维深度图片上,统计所有缺陷的数量及缺陷高度并提示。
优选地,在所述步骤(b)将三维点云数据按高度分层转换成若干个二维深度图的过程中,装置选用的三维扫描仪扫描的轮廓点的间隔为L um,在后续将三维点云转为具有深度信息的灰度图时灰度值为0-255的情况下,对于不同三维扫描仪选取分层高度为:H=(L×256)um。
进一步,所述步骤(b)中的分层提取深度图具体包括以下步骤:
(b1)前一步骤扫描得到的点云图由一系列包含xyz坐标信息的空间点构成,首先对这些点的高度信息进行筛选,由检测台基座开始向上每隔H um提取出一组z坐标在此范围内的点;
(b2)将三维空间的点分组之后,将其转换成二维深度图,其中将扫描得到的点按照其X与Y坐标放置在二维图像上,由于三维扫描出来的相邻点距离相同,因此在绘制深度图的时候选择将以该扫描点为中心边长为相邻点距离的正方形区域以z坐标为比例赋予灰度值,进而将三维的点云数据转换为二维深度图像;
(b3)在赋予灰度值时,若扫描点的z方向坐标为Za,所属分组z坐标下限为Zm,则赋予其附近区域灰度平均值为N=[(Za-Zm)/H]×256。
另外,所述步骤(d)中的缺陷提取包括以下步骤:
(d1)将(c)步骤配准后的两幅深度图像求差,获得差异图像;
(d2)对差异图像二值化处理,阈值选取与表面缺陷判定有关,由于灰度信息由高度信息按比例转换而来,因此选取合适的阈值可以将误差允许范围内的高度差滤除,留下超过允许范围外的高度差,即为表面缺陷;
(d3)注塑件表面缺陷多为塑胶粒融化后在模版内填充不完全或者溢胶,因此缺陷多为长条形。受工作环境影响,设备在扫描的时候可能会出现小面积噪点,因此需要对二值化后的差异图像进行连通域滤波,留下的部分即为表面缺陷。
再优选,所述步骤(e)中的缺陷信息提取包括以下步骤:
(e1)在(d)步骤中二值化获得缺陷区域后,返回到差异图像中的缺陷区域,提取该位置的灰度平均值,其中该区域中灰度平均值为N,则高度差Havr=(N/256)×H,之后将缺陷位置标记在模板工件的二维深度图上,并将该图与缺陷高度共同显示在反馈系统中;
(e2)在(d)步骤中获得缺陷区域后,收集得到的缺陷形状、缺陷高度并进行统计,用于后续缺陷分类,并改进模板构造避免类似的缺陷出现。
本发明还公开了一种基于机器视觉的注塑件表面缺陷检测装置,包括:
数据获取单元,用于读取模板工件和待测工件表面的三维点云数据;
数据转换单元,用于将三维点云数据分层提取并转换为二维深度图像;
图像匹配单元,用于将待测工件与模板工件的边缘图片进行匹配,匹配时对待测图片进行旋转和平移校正,使其与模板图片重合度最高,获得旋转矩阵,将该矩阵应用到分层深度图中对其进行旋转平移完成匹配;
缺陷检测单元,用于对匹配后的待测工件图片与模板工件图片进行对比分析找出缺陷,获得缺陷检测结果;
缺陷展示单元,将缺陷检测结果在模板工件图片上进行标记,并提示最后总的缺陷数量及表面缺陷高度差。
有益效果:本装置是基于三维扫描与深度图匹配的注塑件表面缺陷自动检测装置,相比较于人工检测,本装置具有速度快、精度高、统计数据更全面、可长时间连续工作、无人力成本等优点。相较于之前传统单一的二维或三维检测,本装置将二维图像匹配与三维表面扫描的优点相结合,同时分层提取深度图像,精度更高,对于缺陷的描述也更加精确直观。首先利用三维结构光扫描注塑件表面,可以获得二维图像所不具备的深度信息,其三维点云的深度信息精度可达到0.02mm;在获得点云数据后经过处理按高度分层将其转变为二维深度图像,提高深度信息精度。将深度信息转为灰度信息,降低了数据处理难度及对硬件配置的要求,提高了数据处理速度;之后对二维深度图像匹配并求差异,通过边缘匹配而非全局匹配得出转换矩阵,速度更快;通过灰度差异体现高度差异,进而得到表面缺陷在工件上的位置及缺陷高度。所获得的数据具有精度高,缺陷显示直观的优点;获得数据后,可以得到缺陷的具体形状与大小,方便于总结缺陷特点,改进注塑工艺与修缮注塑模具。
附图说明
图1是本发明提出的注塑件表面检测装置的工作流程图;
图2是三维扫描后得到的点云图;
图3是将高度信息转为灰度信息后,模板工件与待测工件的深度图求差后得到的差异图像;
图4是差异图像处理后获得的缺陷图像。
具体实施方式
本发明的目的是提供一种结合三维扫描与深度图匹配的注塑件表面缺陷实时检测系统,获得缺陷的大小,并进行定位。
本发明为解决其技术问题所采用的技术方案是:
一种基于三维扫描和二维图像处理的注塑件表面缺陷检测方法,包括以下步骤:
(a)使用三维扫描仪分别扫描模板工件与待测工件表面;
(b)将扫描得到的三维点云数据按高度分层转化为若干个二维深度图像;
(c)提取模板与待测工件的二维深度图的外轮廓,匹配的时候将外轮廓图像旋转平移及缩放,直至二者外轮廓图像精准匹配上,之后根据获得转换矩阵对分层后的二维深度图像旋转平移及缩放,完成图像配准;
(d)对比精确匹配后得到的模板工件与待测工件,找出二者有差异的地方即是表面存在高度差的位置,高度差超出允许阈值则视为表面缺陷;
(e)将判定为缺陷的位置标记在模板的二维深度图片上,统计所有缺陷的数量及缺陷高度并提示。
作为优选,所述步骤(b)可以通过将点云数据按高度分层转换成深度图来提高深度信息的精度。以下面为例,当装置选用的三维扫描仪扫描的轮廓点的间隔为L um,由于后续需要将三维点云转为具有深度信息的灰度图,灰度值为0-255,因此对于不同三维扫描仪选取分层高度为:H=(L×256)um。以此高度分层提取深度图是合理的,每一个三维空间的点至少可以对应一个灰度,可以提高检测精度。同时将以整张深度图按高度分为若干深度图能降低图片的复杂程度,提高待测工件与模板工件的匹配速度。
作为优选,所述步骤(b)中的分层提取深度图具体包括以下步骤:
(b1)前一步骤扫描得到的点云图由一系列包含xyz坐标信息的空间点构成,首先对这些点的高度信息进行筛选,由检测台基座开始向上每隔H um提取出一组z坐标在此范围内的点;
(b2)将三维空间的点分组之后,将其转换成二维深度图,以分组后的点A为例,将A点按照其Xa与Ya坐标放置在二维图像上,由于三维扫描出来的相邻点距离相同均为d,因此在绘制深度图的时候选择将以A点为中心边长为d的正方形区域以z坐标为比例赋予灰度值,进而将三维的点云数据转换为二维深度图像;
(b3)在赋予灰度值时,以A点为例,其z方向坐标为Za,所属分组z坐标下限为Zm,则赋予其附近区域灰度值为N=[(Za-Zm)/H]×256;
作为优选,所述步骤(d)中的缺陷提取包括以下步骤:
(d1)将(c)步骤配准后的两幅深度图像求差,获得差异图像;
(d2)对差异图像二值化处理,阈值选取与表面缺陷判定有关,由于灰度信息由高度信息按比例转换而来,因此选取合适的阈值可以将误差允许范围内的高度差滤除,留下超过允许范围外的高度差,即为表面缺陷;
(d3)注塑件表面缺陷多为塑胶粒融化后在模版内填充不完全或者溢胶,因此缺陷多为长条形,受工作环境影响,设备在扫描的时候可能会出现小面积噪点,因此需要对二值化后的差异图像进行连通域滤波,留下的部分即为表面缺陷;
作为优选,所述步骤(e)中的缺陷信息提取包括以下步骤:
(e1)在(d)步骤中二值化获得缺陷区域后,返回到差异图像中的缺陷区域,提取该位置的灰度平均值,例如该区域中灰度平均值为N,则高度差Havr=(N/256)×H。之后将缺陷位置标记在模板工件的二维深度图上,并将该图与缺陷高度共同显示在反馈系统中;
(e2)在(d)步骤中获得缺陷区域后,收集得到的缺陷形状,缺陷高度并进行统计,用于后续缺陷分类,并改进模板构造避免类似的缺陷出现。
下面结合附图和具体实施方式对本发明作进一步描述:
本发明使用的机器视觉检测系统包括三维扫描仪与工业服务器。本发明中使用的三维扫描仪为非接触式激光扫描仪,机台下端附带可移动的载物装置,用于放置待检测工件。本发明所选三维扫描仪理论精度可达0.02mm,其中轮廓点间距为50um,X轴轮廓点数为3200个,可检测区域为20×20cm。整体硬件设备满足注塑件表面缺陷检测精度要求。
本发明的注塑件表面缺陷检测方法的流程如图1所示,具体包括以下步骤:
(a)首先使用三维扫描仪分别扫描模板工件与待测工件表面;
(b)然后将扫描得到的三维点云数据按高度转化为二维深度图像;
(c)将待测工件与模板工件的外轮廓图片进行匹配,匹配时对待测图片进行旋转平移和缩放,使其与模板图片重合度最高,获得转换矩阵,将该矩阵应用到分层深度图中对其进行旋转平移完成配准;
(d)对比精确匹配后得到的模板工件与待测工件,找出二者有差异的地方即是表面存在高度差的位置,高度差超出允许阈值则视为表面缺陷;
(e)获得缺陷区域后,将判定为缺陷的位置标记在模板图片上,提取该区域的灰度平均值,例如该区域的灰度平均值为N,则高度差H=(N/256)×1.28,之后将高度差与缺陷位置及缺陷数量共同显示在反馈系统中。收集缺陷形状,对缺陷高度并进行统计,用于后续缺陷分类,并改进模板构造避免类似的缺陷出现。
其中在步骤(2)中,为提高二维深度图像的精度,我们采用分层提取深度图的方式,分层提取方法如下:
1)扫描得到的点云图由一系列包含xyz坐标信息的空间点构成,对这些点的高度信息筛选,由上面的分层高度选取公式H=(L×256)um,本装置由检测台基座开始向上每隔1.28cm提取出一组z坐标在此范围内的点;
2)将三维空间的点分组之后,将其转换成二维深度图,以点A为例,将A点按照其Xa与Ya坐标放置在二维图像上,由于三维扫描出来的相邻点距离相同均为d,因此在绘制深度图的时候选择将以A点为中心边长为d的正方形区域以z坐标为比例赋予灰度值,进而将三维的点云数据转换为二维深度图像;
3)在赋予灰度值时,以A点为例,该点附近区域灰度值为:
N=[(Za-Zm)/1.28]×256,
其中z方向坐标为Za,所属分组z坐标下限为Zm,N为该点附近灰度平均值。
在步骤(4)中,提取缺陷的方法如下:
1)将(c)步骤配准后的两幅深度图像求差,获得差异图像;
2)对差异图像二值化处理,阈值选取与表面缺陷判定有关,选取合适的阈值可以将误差允许范围内的高度差滤除,留下超过允许范围外的高度差即为表面缺陷;
3)注塑件表面缺陷多为塑胶粒融化后在模版内填充不完全或者溢胶,因此缺陷多为长条形。受工作环境影响,设备在扫描的时候可能会出现小面积噪点,因此需要对二值化后的差异图像进行面积滤波,留下的部分就是表面缺陷。
本发明还公开了与上述方法相对应的基于机器视觉的工件缺陷检测装置,包括:
数据获取单元,用于读取模板工件和待测工件表面的三维点云数据;
数据转换单元,用于将三维点云数据分层提取并转换为二维深度图像,分层提取可提高检测精度,转换为二维图像可提高检测速度,降低对硬件设备的要求;
图像匹配单元,用于将待测工件与模板工件的边缘图片进行匹配,匹配时对待测图片进行旋转和平移校正,使其与模板图片重合度最高,获得旋转矩阵,将该矩阵应用到分层深度图中对其进行旋转平移完成匹配;
缺陷检测单元,用于对匹配后的待测工件图片与模板工件图片进行对比分析找出缺陷,获得缺陷检测结果;
缺陷展示单元,将缺陷检测结果在模板工件图片上进行标记,并提示最后总的缺陷数量及表面缺陷高度差。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
上面结合附图对本发明的实施方式作了详细的说明,但是本发明不限于上述实施方式,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (6)
1.一种基于机器视觉的注塑件表面缺陷检测方法,包括以下步骤:
(a)使用三维扫描仪分别扫描模板工件与待测工件表面;
(b)将扫描得到的三维点云数据按高度分层转化为若干个二维深度图像;
(c)提取模板与待测工件的二维深度图的外轮廓,匹配的时候将外轮廓图像旋转平移及缩放,直至二者外轮廓图像精准匹配上,之后根据获得转换矩阵对分层后的二维深度图像旋转平移及缩放,完成图像配准;
(d)对比精确匹配后得到的模板工件与待测工件,找出二者有差异的地方即是表面存在高度差的位置,高度差超出允许阈值则视为表面缺陷;
(e)将判定为缺陷的位置标记在模板的二维深度图片上,统计所有缺陷的数量及缺陷高度并提示。
2. 如权利要求1所述的基于机器视觉的注塑件表面缺陷检测方法,其特征在于,在所述步骤(b)将三维点云数据按高度分层转换成若干个二维深度图的过程中,装置选用的三维扫描仪扫描的轮廓点的间隔为L um,在后续将三维点云转为具有深度信息的灰度图时灰度值为0-255的情况下,对于不同三维扫描仪选取分层高度为:H=(L×256)um。
3.如权利要求1所述的基于机器视觉的注塑件表面缺陷检测方法,其特征在于,所述步骤(b)中的分层提取深度图具体包括以下步骤:
(b1)前一步骤扫描得到的点云图由一系列包含xyz坐标信息的空间点构成,首先对这些点的高度信息进行筛选,由检测台基座开始向上每隔H um提取出一组z坐标在此范围内的点;
(b2)将三维空间的点分组之后,将其转换成二维深度图,其中将扫描得到的点按照其X与Y坐标放置在二维图像上,由于三维扫描出来的相邻点距离相同,因此在绘制深度图的时候选择将以该扫描点为中心边长为相邻点距离的正方形区域以z坐标为比例赋予灰度值,进而将三维的点云数据转换为二维深度图像;
(b3)在赋予灰度值时,若扫描点的z方向坐标为Za,所属分组z坐标下限为Zm,则赋予其附近区域灰度平均值为N=[(Za-Zm)/H]×256。
4.如权利要求1所述的基于机器视觉的注塑件表面缺陷检测方法,其特征在于,所述步骤(d)中的缺陷提取包括以下步骤:
(d1)将(c)步骤配准后的两幅深度图像求差,获得差异图像;
(d2)对差异图像二值化处理,阈值选取与表面缺陷判定有关,由于灰度信息由高度信息按比例转换而来,因此选取合适的阈值可以将误差允许范围内的高度差滤除,留下超过允许范围外的高度差,即为表面缺陷;
(d3)注塑件表面缺陷多为塑胶粒融化后在模版内填充不完全或者溢胶,因此缺陷多为长条形,受工作环境影响,设备在扫描的时候可能会出现小面积噪点,因此需要对二值化后的差异图像进行连通域滤波,留下的部分即为表面缺陷。
5.如权利要求1所述的基于机器视觉的注塑件表面缺陷检测方法,其特征在于,所述步骤(e)中的缺陷信息提取包括以下步骤:
(e1)在(d)步骤中二值化获得缺陷区域后,返回到差异图像中的缺陷区域,提取该位置的灰度平均值,其中该区域中灰度平均值为N,则高度差Havr=(N/256)×H,之后将缺陷位置标记在模板工件的二维深度图上,并将该图与缺陷高度共同显示在反馈系统中;
(e2)在(d)步骤中获得缺陷区域后,收集得到的缺陷形状、缺陷高度并进行统计,用于后续缺陷分类,并改进模板构造避免类似的缺陷出现。
6.一种基于机器视觉的注塑件表面缺陷检测装置,包括:
数据获取单元,用于读取模板工件和待测工件表面的三维点云数据;
数据转换单元,用于将三维点云数据分层提取并转换为二维深度图像;
图像匹配单元,用于将待测工件与模板工件的边缘图片进行匹配,匹配时对待测图片进行旋转和平移校正,使其与模板图片重合度最高,获得旋转矩阵,将该矩阵应用到分层深度图中对其进行旋转平移完成匹配;
缺陷检测单元,用于对匹配后的待测工件图片与模板工件图片进行对比分析找出缺陷,获得缺陷检测结果;
缺陷展示单元,将缺陷检测结果在模板工件图片上进行标记,并提示最后总的缺陷数量及表面缺陷高度差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011270053.7A CN112326673B (zh) | 2020-11-13 | 2020-11-13 | 基于机器视觉的注塑件表面缺陷检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011270053.7A CN112326673B (zh) | 2020-11-13 | 2020-11-13 | 基于机器视觉的注塑件表面缺陷检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112326673A true CN112326673A (zh) | 2021-02-05 |
CN112326673B CN112326673B (zh) | 2022-06-07 |
Family
ID=74318620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011270053.7A Expired - Fee Related CN112326673B (zh) | 2020-11-13 | 2020-11-13 | 基于机器视觉的注塑件表面缺陷检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112326673B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113654470A (zh) * | 2021-07-29 | 2021-11-16 | 佛山市科莱机器人有限公司 | 浴缸表面积水检测方法、系统、设备及介质 |
CN114022692A (zh) * | 2022-01-06 | 2022-02-08 | 杭州灵西机器人智能科技有限公司 | 一种高效精确的误差数据表示方法及终端 |
CN114324168A (zh) * | 2022-01-04 | 2022-04-12 | 广东奥普特科技股份有限公司 | 一种表面缺陷检测方法及系统 |
CN114594102A (zh) * | 2022-03-29 | 2022-06-07 | 吉安易巴克电子科技有限公司 | 一种基于机器视觉的数据线接口自动检测方法 |
CN114820599A (zh) * | 2022-06-27 | 2022-07-29 | 南通奥尔嘉橡塑有限公司 | 一种基于计算机视觉的注塑件卡扣缺陷检测方法及装置 |
CN115753791A (zh) * | 2022-11-10 | 2023-03-07 | 哈尔滨耐是智能科技有限公司 | 基于机器视觉的缺陷检测方法、装置以及系统 |
CN115953409A (zh) * | 2023-03-15 | 2023-04-11 | 深圳市深奇浩实业有限公司 | 基于图像处理的注塑件表面缺陷检测方法 |
CN116148277A (zh) * | 2023-04-19 | 2023-05-23 | 武汉精一微仪器有限公司 | 一种透明体缺陷三维检测方法、装置、设备及存储介质 |
WO2023097491A1 (zh) * | 2021-11-30 | 2023-06-08 | 宁德时代新能源科技股份有限公司 | 机器视觉检测方法、其检测装置及其检测系统 |
CN116595214A (zh) * | 2023-07-14 | 2023-08-15 | 中国航发北京航空材料研究院 | 一种基于图像处理的零部件无接触自动校形系统 |
CN116645370A (zh) * | 2023-07-27 | 2023-08-25 | 山东顺发重工有限公司 | 基于三维点云数据的高温锻件表面缺陷实时检测方法 |
CN117288770A (zh) * | 2023-11-24 | 2023-12-26 | 张家港市鸿海精密模具有限公司 | 用于吹塑模具表面缺陷的多维检测方法及系统 |
CN117576100A (zh) * | 2024-01-16 | 2024-02-20 | 浙江合丰科技有限公司 | 一种fpc连接器表面缺陷分级检测评价方法 |
CN118090744A (zh) * | 2024-04-22 | 2024-05-28 | 苏州萱辰自动化科技有限公司 | 基于激光3d分层检测的工件缺陷识别方法及检测系统 |
CN118090744B (zh) * | 2024-04-22 | 2024-07-05 | 苏州萱辰自动化科技有限公司 | 基于激光3d分层检测的工件缺陷识别方法及检测系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001084126A2 (en) * | 2000-04-28 | 2001-11-08 | Electro Scientific Industries, Inc. | Directional lighting and method to distinguish three dimensional information |
CN105678683A (zh) * | 2016-01-29 | 2016-06-15 | 杭州电子科技大学 | 一种三维模型的二维存储方法 |
CN107655971A (zh) * | 2017-08-30 | 2018-02-02 | 天津大学 | 一种混凝土结构表面及内部损伤精细建模方法 |
CN109000582A (zh) * | 2018-03-15 | 2018-12-14 | 杭州思看科技有限公司 | 跟踪式三维扫描装置的扫描方法及系统、存储介质、设备 |
CN109523501A (zh) * | 2018-04-28 | 2019-03-26 | 江苏理工学院 | 一种基于降维和点云数据匹配的电池外观缺陷检测方法 |
CN110672007A (zh) * | 2019-09-24 | 2020-01-10 | 佛山科学技术学院 | 一种基于机器视觉的工件表面质量检测方法及系统 |
-
2020
- 2020-11-13 CN CN202011270053.7A patent/CN112326673B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001084126A2 (en) * | 2000-04-28 | 2001-11-08 | Electro Scientific Industries, Inc. | Directional lighting and method to distinguish three dimensional information |
CN105678683A (zh) * | 2016-01-29 | 2016-06-15 | 杭州电子科技大学 | 一种三维模型的二维存储方法 |
CN107655971A (zh) * | 2017-08-30 | 2018-02-02 | 天津大学 | 一种混凝土结构表面及内部损伤精细建模方法 |
CN109000582A (zh) * | 2018-03-15 | 2018-12-14 | 杭州思看科技有限公司 | 跟踪式三维扫描装置的扫描方法及系统、存储介质、设备 |
CN109523501A (zh) * | 2018-04-28 | 2019-03-26 | 江苏理工学院 | 一种基于降维和点云数据匹配的电池外观缺陷检测方法 |
CN110672007A (zh) * | 2019-09-24 | 2020-01-10 | 佛山科学技术学院 | 一种基于机器视觉的工件表面质量检测方法及系统 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113654470A (zh) * | 2021-07-29 | 2021-11-16 | 佛山市科莱机器人有限公司 | 浴缸表面积水检测方法、系统、设备及介质 |
WO2023097491A1 (zh) * | 2021-11-30 | 2023-06-08 | 宁德时代新能源科技股份有限公司 | 机器视觉检测方法、其检测装置及其检测系统 |
CN114324168A (zh) * | 2022-01-04 | 2022-04-12 | 广东奥普特科技股份有限公司 | 一种表面缺陷检测方法及系统 |
CN114324168B (zh) * | 2022-01-04 | 2024-05-17 | 广东奥普特科技股份有限公司 | 一种表面缺陷检测方法及系统 |
CN114022692A (zh) * | 2022-01-06 | 2022-02-08 | 杭州灵西机器人智能科技有限公司 | 一种高效精确的误差数据表示方法及终端 |
CN114594102A (zh) * | 2022-03-29 | 2022-06-07 | 吉安易巴克电子科技有限公司 | 一种基于机器视觉的数据线接口自动检测方法 |
CN114820599A (zh) * | 2022-06-27 | 2022-07-29 | 南通奥尔嘉橡塑有限公司 | 一种基于计算机视觉的注塑件卡扣缺陷检测方法及装置 |
CN115753791B (zh) * | 2022-11-10 | 2024-03-01 | 哈尔滨耐是智能科技有限公司 | 基于机器视觉的缺陷检测方法、装置以及系统 |
CN115753791A (zh) * | 2022-11-10 | 2023-03-07 | 哈尔滨耐是智能科技有限公司 | 基于机器视觉的缺陷检测方法、装置以及系统 |
CN115953409A (zh) * | 2023-03-15 | 2023-04-11 | 深圳市深奇浩实业有限公司 | 基于图像处理的注塑件表面缺陷检测方法 |
CN116148277A (zh) * | 2023-04-19 | 2023-05-23 | 武汉精一微仪器有限公司 | 一种透明体缺陷三维检测方法、装置、设备及存储介质 |
CN116595214A (zh) * | 2023-07-14 | 2023-08-15 | 中国航发北京航空材料研究院 | 一种基于图像处理的零部件无接触自动校形系统 |
CN116645370A (zh) * | 2023-07-27 | 2023-08-25 | 山东顺发重工有限公司 | 基于三维点云数据的高温锻件表面缺陷实时检测方法 |
CN116645370B (zh) * | 2023-07-27 | 2023-10-10 | 山东顺发重工有限公司 | 基于三维点云数据的高温锻件表面缺陷实时检测方法 |
CN117288770A (zh) * | 2023-11-24 | 2023-12-26 | 张家港市鸿海精密模具有限公司 | 用于吹塑模具表面缺陷的多维检测方法及系统 |
CN117288770B (zh) * | 2023-11-24 | 2024-02-06 | 张家港市鸿海精密模具有限公司 | 用于吹塑模具表面缺陷的多维检测方法及系统 |
CN117576100A (zh) * | 2024-01-16 | 2024-02-20 | 浙江合丰科技有限公司 | 一种fpc连接器表面缺陷分级检测评价方法 |
CN117576100B (zh) * | 2024-01-16 | 2024-03-22 | 浙江合丰科技有限公司 | 一种fpc连接器表面缺陷分级检测评价方法 |
CN118090744A (zh) * | 2024-04-22 | 2024-05-28 | 苏州萱辰自动化科技有限公司 | 基于激光3d分层检测的工件缺陷识别方法及检测系统 |
CN118090744B (zh) * | 2024-04-22 | 2024-07-05 | 苏州萱辰自动化科技有限公司 | 基于激光3d分层检测的工件缺陷识别方法及检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112326673B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112326673B (zh) | 基于机器视觉的注塑件表面缺陷检测方法和装置 | |
US12001191B2 (en) | Automated 360-degree dense point object inspection | |
CN107064170B (zh) | 一种检测手机外壳轮廓度缺陷方法 | |
CN108132017B (zh) | 一种基于激光视觉系统的平面焊缝特征点提取方法 | |
CN111537517B (zh) | 一种无人智能化冲压缺陷识别方法 | |
CN107696499B (zh) | 三维模型与机器视觉相结合的3d打印产品质量检测与修复方法 | |
CN114041168A (zh) | 自动化360度密集点对象检验 | |
CN102135417B (zh) | 一种全自动三维特征提取方法 | |
CN102095733B (zh) | 一种基于机器视觉对瓶盖表面瑕疵的智能检测方法 | |
CN106969706A (zh) | 基于双目立体视觉的工件检测与三维测量系统及检测方法 | |
CN108918526A (zh) | 一种柔性ic封装基板线路的缺口缺陷检测方法 | |
WO2023045299A1 (zh) | 基于三维轮廓的路面技术状况检测方法及设备 | |
CN102529019B (zh) | 一种模具检测、保护及零件检测、摘取的方法 | |
CN102496161B (zh) | 一种印刷电路板图像的轮廓提取方法 | |
CN110286124A (zh) | 基于机器视觉的耐火砖测量系统 | |
CN109520436B (zh) | 一种基于机器视觉的蝶形弹簧三维尺寸自动测量系统及其测量方法 | |
CN104034638B (zh) | 基于机器视觉的金刚线颗粒在线质检方法 | |
CN110728667A (zh) | 一种基于灰度图像概率的刀具磨损量自动精确测量方法 | |
CN110443791B (zh) | 一种基于深度学习网络的工件检测方法及其检测装置 | |
CN106643549A (zh) | 一种基于机器视觉的瓷砖尺寸检测方法 | |
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 | |
CN111487192A (zh) | 一种基于人工智能的机器视觉表面缺陷检测装置及方法 | |
CN110544235A (zh) | 一种基于微分几何的柔性电路板图像区域识别方法 | |
CN110260818A (zh) | 一种基于双目视觉的电子连接器鲁棒检测方法 | |
CN105478364B (zh) | 一种不良品检测分类方法及系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220607 |