CN112950541B - 一种基于机器视觉的合成革涂胶在线监测方法 - Google Patents
一种基于机器视觉的合成革涂胶在线监测方法 Download PDFInfo
- Publication number
- CN112950541B CN112950541B CN202110139661.2A CN202110139661A CN112950541B CN 112950541 B CN112950541 B CN 112950541B CN 202110139661 A CN202110139661 A CN 202110139661A CN 112950541 B CN112950541 B CN 112950541B
- Authority
- CN
- China
- Prior art keywords
- image
- synthetic leather
- pixels
- contour
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000002649 leather substitute Substances 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004026 adhesive bonding Methods 0.000 title claims abstract description 25
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000011049 filling Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000007689 inspection Methods 0.000 claims description 13
- 230000007547 defect Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 10
- 238000009957 hemming Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 239000010985 leather Substances 0.000 abstract description 11
- 230000008569 process Effects 0.000 abstract description 8
- 239000003292 glue Substances 0.000 abstract description 5
- 229920002635 polyurethane Polymers 0.000 abstract description 3
- 239000004814 polyurethane Substances 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 239000004745 nonwoven fabric Substances 0.000 abstract description 2
- 230000035699 permeability Effects 0.000 abstract description 2
- 239000004033 plastic Substances 0.000 abstract description 2
- 229920003023 plastic Polymers 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 abstract 2
- 239000000463 material Substances 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 5
- 239000011248 coating agent Substances 0.000 description 3
- 238000000576 coating method Methods 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000011247 coating layer Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- G06T5/77—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
-
- 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
Abstract
一种基于机器视觉的合成革涂胶在线监测方法,包括以下步骤:1.利用线扫相机采集合成革图像;2.计算合成革图像Image的高度h;3.通过设定的阈值t筛选Image,并得到阈值大于t的区域R;4.填充区域R,成为新的区域R1,则R1则为合成革图像区域;合成革为模拟天然革的组成和结构并可作为其代用材料的塑料制品,通常以经浸渍的无纺布为网状层,微孔聚氨酯层作为粒面层制得。其正、反面都与皮革十分相似,并具有一定的透气性,比普通人造革更接近天然革。广泛用于制作鞋、靴、箱包和球类等,在合成革加工过程中,包含一个涂胶工序,通过涂胶设备在合成革正面均匀涂覆一层胶液,涂胶工序会发生一些异常,导致涂胶异常或者产生相应的瑕疵。
Description
技术领域
本发明涉及质量监测技术领域,具体为一种基于机器视觉的合成革涂胶在线监测方法。
背景技术
合成革为模拟天然革的组成和结构并可作为其代用材料的塑料制品。通常以经浸渍的无纺布为网状层,微孔聚氨脂层作为粒面层制得。其正、反面都与皮革十分相似,并具有一定的透气性,比普通人造革更接近天然革。广泛用于制作鞋、靴、箱包和球类等。
在合成革加工过程中,包含一个涂胶工序,通过涂胶设备在合成革正面均匀涂覆一层胶液。涂胶工序会发生下列一些异常,导致涂胶异常或者产生相应的瑕疵:
1.合成革卷边,导致边缘没有涂胶;
2.辊轴上有固体颗粒,导致涂胶后合成革有长长的划痕;
3.硬件导致的涂胶不均匀或者部分区域漏涂等;
这些异常都需要及时处理,否则有可能影响整卷合成革的质量,因此涂胶工序需要实时监测。
发明内容
本发明的目的在于提供一种基于机器视觉的合成革涂胶在线监测方法,以解决上述背景技术中提出的问题。
为实现上述目的,一种基于机器视觉的合成革涂胶在线监测方法,包括以下步骤:
1)采集:利用线扫相机采集合成革图像Image;
2)初检:对合成革图像Image进行初检处理;
3)检测卷边:将得出数据与图像参数进行第一次比对,检测合成革是否发生卷边;
4)如检测到卷边,则系统退出本图算法检测;
5)补检:如未检测到卷边,则计算机通过边缘角度算法继续对合成革区域进行补检;
6)确认瑕疵:将补检得到的参数与设定的缺陷筛选参数进行第二次比对,检测合成革瑕疵。
作为优选,2)初检处理包括以下步骤:
2.1)将图像Image转换为灰度图GrayImage;
2.2)计算合成革图像GrayImage的高度h;
2.3)通过设定的阈值t,对GrayImage进行二值化,得到二值化图像BinImage1;
2.4)用连通区域标记算法对BinImage1进行标记,让每个单独的连通区域形成一个被标识的块,得到图像中所有的连通区域RS;
2.5)遍历所有连通区域RS,统计各个块的像素个数,筛选像素个数最多的区域,记为R,用漫水填充法填充R,得到合成革图像区域R1;
2.6)提取区域R1的外轮廓C;
2.7)按照轮廓算法分割C并提取左边轮廓CL和右边轮廓CR。
作为优选,步骤2.4)具体包括以下步骤:
2.4.1)遍历图像BinImage1每个像素,直到像素点灰度值为255,新建一个标识号标注该区域;
2.4.2)遍历该像素的8个相邻像素,将其中灰度值为255的像素放入该标识区域;
2.4.3)遍历标识号里面像素,并执行步骤2.4.2),直到8个相邻像素灰度值都为0;
2.4.4)继续遍历图像BinImage1每个像素,直到找到像素点灰度值为255且不在已标识的区域内,新建一个标识号标注该区域。
2.4.5)执行步骤2.4.2)、2.4.3);
2.4.6)重复步骤2.4.4)、2.4.5)直到完成遍历,并得到所有的标识块,就可以得到图像中所有的连通区域Rs;
作为优选,提取区域R1的外轮廓C的具体操作为:遍历图像每个像素,判断像素的八个相邻像素位置,如有如其八个相邻的像素中,至少有一个相邻在R1内,同时至少由1个像素在R1外,则将该像素放入堆栈,堆栈内的像素的组合即为外轮廓C。
作为优选,轮廓算法为:本领域的技术人员需要注意的是,外轮廓C由上、下、左、右四个子轮廓组成,由于图像为连续状态,因此上轮廓即为一条平行x坐标、y坐标为0的直线,下轮廓为一条平行x坐标、y坐标为h(图像高度)的直线,遍历外轮廓C上的像素,得到所有像素中x坐标的最小值x1、最大值x2,遍历外轮廓C上的像素,如y坐标大于0且小于h,则判断其x坐标:大于x1-1,且小于x1+(x2-x1)/2的像素放入堆栈L,大于x1+(x2-x1)/2,且小于x2+1的像素放入堆栈R,堆栈L内的像素的集合即为左轮廓CL,堆栈R内的像素的集合即为右轮廓CR。
作为优选,第一次比对包括:分别统计CL和CR的像素个数lL和lR,并与图像的高度h进行比较,如lL和lR分别大于1.5*h,则合成革边缘正常,否则合成革发生卷边(正常布匹边缘为锯齿状,因此其轮廓长度应该大于1.5倍拟合长度,但是发生卷边后,其边缘几乎为直线,其轮廓长度应该小于1.5倍拟合长度)。
作为优选,边缘角度算法具体如下:将CL和CR分别拟合成直线LL和LR,并计算它们的角度angleL和angleR,如angleL-90°的绝对值大于15°,或者angleR-90°的绝对值大于15°,则发生卷边(卷边后边缘往往不垂直于布匹前进方向)。
作为优选,补检包括以下步骤:
5.1)将GrayImage进行傅里叶变换得到其频域图像ImageF;
5.2)设定第一个高斯滤波器Filter1的高斯分布参数,并对频域图像ImageF进行滤波,得到滤波后的图像ImageF1;
5.3)设定第二个高斯滤波器Filter2的高斯分布参数,并对频域图像ImageF进行滤波,得到滤波后的图像ImageF2;
5.4)将图像ImageF1、ImageF2通过反傅里叶变换转换为空域图像Image1、Image2;
5.5)将Image1、Image2相减得到Image3;
5.6)通过设定的阈值t1对Image3处理,得到二值化图像BinImage2;
5.7)用连通区域标记算法对BinImage2进行标记,得到各个连通区域RS1;
5.8)遍历RS1并分别计算其最小外接矩形的高度ht和宽度wt。
作为优选,第二次比对包括:将高度ht和宽度wt与设定的缺陷筛选高度阈值h’和宽度阈值w’进行比较,如ht大于h’或者wt大于w’,则将该区域放入堆栈,这些堆栈中的区域块即为瑕疵区域,如果堆栈内区域个数大于0,则判断系统检测到瑕疵。
作为优选,合成革下方位置处设置有辊轴,辊轴上装配有编码器,合成革上方位置处固定安装有线扫相机,线扫相机上安装有焦距适合的线扫镜头,合成革上方位置设置有线扫描DOME光源和线扫描同轴光源线,安装时线扫描同轴光源顶端的细缝的中心、线扫描DOME光源的细缝中心、线扫相机中心共面,确保相机能够采集合成革图像。
综上所述,本发明的有益效果是:
1.本方法采用机器视觉系统替换人工完成现场监控,降低现场一些有毒胶液对监测工人的身心健康的影响。
2.本方法相对于人工检测,有着准确率高、效率高、稳定性好的特点。
3.本方法通过线扫描DOME与线扫描同轴光的组成,既能突出合成革的瑕疵又能避免合成革涂胶后反光对图像质量的影响。
4.本方法采用新型卷边算法,使得卷边检测更加简便。
5.本方法采用高斯带通滤波器与傅里叶变换的结合,能够将图像转换成频域上进行处理,使缺陷检测更加精准。
附图说明
为了更清楚地说明发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还能够根据这些附图获得其他的附图。
图1为本发明一种基于机器视觉的合成革涂胶在线监测方法的电路框图;
图2为本发明的装置安装方位示意图;
图3为图2的右视图;
图4为线扫描同轴光源的放大示意图;
图5为线扫描DOME光源放大示意图。
具体实施方式
以下结合附图对本发明的实施方式做进一步详细描述,应当指出的是,实施例只是对本发明的详细阐述,不应视为对本发明的限定,本发明的实施例中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均能够以任何方式组合。
本发明提供的一种实施例:一种基于机器视觉的合成革涂胶在线监测方法,包括以下步骤:
1.利用线扫相机采集合成革图像Image,
2.将图像Image转换为灰度图GrayImage,
3.计算合成革图像GrayImage的高度h,
4.通过设定的阈值t=10,对GrayImage进行二值化,灰度大于t的像素灰度值置为255,否者灰度置为0,得到二值化图像BinImage,
5.用连通区域标记算法对BinImage1灰度值为255的像素进行标记,让每个单独的连通区域形成一个被标识的块,具体操作如下:
5.1)遍历图像BinImage1每个像素,直到像素点灰度值为255,新建一个标识号标注该区域;
5.2)遍历该像素的8个相邻像素,将其中灰度值为255的像素放入该标识区域;
5.3)遍历标识号里面像素,并执行步骤5.2),直到8个相邻像素灰度值都为0;
5.4)继续遍历图像BinImage1每个像素,直到像素点灰度值为255且不在已标识的区域内,新建一个标识号标注该区域;
5.5)执行步骤5.2)、5.3);
5.6)重复步骤5.4)、5.5)直到完成遍历,并得到所有的标识块,就可以得到图像中所有的连通区域Rs;
6.遍历所有连通区域Rs,统计各个块的像素个数,筛选像素个数最多的区域,记为R,用漫水填充法填充R,得到R1,R1即为合成革图像区域,
7.提取区域R1的外轮廓C,具体操作如下:遍历图像每个像素,判断像素的八个相邻像素位置。如有如其八个相邻的像素中,至少由一个相邻在R1内,同时至少由1个像素在R1外,则将该像素放入堆栈,堆栈内的像素的组合即为外轮廓C,
8.外轮廓C由上、下、左、右四个子轮廓组成,由于图像为连续状态,因此上轮廓即为一条平行x坐标、y坐标为0的直线,下轮廓为一条平行x坐标、y坐标为h(图像高度)的直线,
9.遍历外轮廓C上的像素,得到所有像素中x坐标的最小值x1、最大值x2,
10.遍历外轮廓C上的像素,如y坐标大于0且小于h,则判断其x坐标:大于x1-1,且小于x1+(x2-x1)/2的像素放入堆栈L,大于x1+(x2-x1)/2,且小于x2+1的像素放入堆栈R,堆栈L内的像素的集合即为左轮廓CL,堆栈R内的像素的集合即为右轮廓CR,分别统计CL和CR的像素个数,分别记为lL和lR。将lL和lR与图像的高度h进行比较,如lL和lR分别大于1.5*h,则合成革边缘正常,否则合成革发生卷边,(正常布匹边缘为锯齿状,因此其轮廓长度应该大于1.5倍拟合长度,但是发生卷边后,其边缘几乎为直线,其轮廓长度应该小于1.5倍拟合长度)
11.经过上述可以判断大部分卷边缺陷,但是仍然会存在部分漏检,需要补检,这里通过边缘的角度判断,具体算法如下:将CL和CR分别拟合成直线LL和LR,并计算它们的角度angleL和angleR,如angleL-90°的绝对值大于15°,或者angleR-90°的绝对值大于15°,则发生卷边,(卷边后边缘往往不垂直于布匹前进方向)
12.如检测到卷边,则系统退出本图算法检测,
13.如未检测到卷边,则系统继续做合成革区域内的瑕疵检测,在图像中,变换剧烈的边缘区域在图像中是一片灰度变化剧烈的区域,对应的频率值较高。在合成革图像中,瑕疵点边缘常为高频信号,可以通过像素频率值来判断是否为瑕疵点边缘,
14.首先将GrayImage进行傅里叶变换得到其频域图像ImageF,(说明:傅里叶变换:设f是一个能量有限的模拟信号,则其傅里叶变换就表示f的频谱,傅里叶变化将图像的灰度分布函数变换为图像的频率分布函数)
15.其次,设定第1个高斯滤波器Filter1的高斯分布参数,核大小为3*3,σ值为10,对图像进行滤波,得到滤波后的图像ImageF1,具体算法如下:
15.1)二维的高斯函数为其(x,y)为点坐标,σ是标准差
15.2)高斯函数进行离散化,得到的高斯函数值作为模板的系数,3×3的高斯滤波器模板即高斯模板为/>
15.3)频域图像ImageF滤波器Filter1的高斯模板进行卷积得到ImageF1
16.设定第2个高斯滤波器Filter2的高斯分布参数核大小为3*3,σ为3,对图像进行滤波,得到滤波后的图像ImageF2,具体操作参数上述步骤15,
17.再次,将频域图像ImageF1、ImageF2通过反傅里叶变换转换为空域图像Image1,Image2,
18.将Image1,Image2相减得到Image3,Image3滤去了大部分低频信号,将高频信号凸显出来,便于瑕疵检测,
19.通过设定的阈值t1对Image3,灰度大于t1的像素灰度值置为255,否者灰度置为0,得到二值化图像BinImage2,
20.用连通区域标记算法(参照步骤5)对BinImage2灰度值为255的像素进行标记,得到各个连通区域Rs1,
21.遍历Rs1,并分别计算其最小外接矩形的高度ht和宽度wt,并与设定的缺陷筛选高度阈值h’和宽度阈值w’进行比较,如ht大于h’或者wt大于w’,则将该区域放入堆栈,
22.这些堆栈中的区域块即为瑕疵区域,如果堆栈内区域个数大于0,则判断系统检测到瑕疵。
有益地,合成革6下方位置处设置有为其提供动力进行在线监测的辊轴5。
有益地,辊轴5上装配有编码器,辊轴5随着电机转动时编码器也工作,用于控制相机采集图像。
有益地,合成革6上方位置处固定安装有线扫相机1,线扫相机1上安装有焦距适合的线扫镜头2。
有益地,合成革上方位置设置有线扫描DOME光源4,线扫描DOME光源4采用球积分设计,能够为强反光物体和曲面物体提供全角度的照明;其内部特殊涂层,保证光线柔和均匀,凸显被测物体表面的细微特征,适用于高反光的合成革涂胶层的瑕疵检测。
有益地,合成革上方位置处固定设置有线扫描同轴光源线3,由于扫描DOME光源4顶端存在一条细缝,导致其缺少垂直向下的光,影响图像的均匀性,用线扫描同轴光3能够提供垂直向下的光源,与线扫描DOME光源4结合,能够保证光源均匀性。
有益地,线扫描同轴光源3顶端的细缝的中心、线扫描DOME光源4的细缝中心、线扫相机1中心共面,确保相机能够采集合成革图像。
本发明的具体操作方法是:
1.开启线扫描DOME光源和线扫描同轴光源线并调整两个光源亮度,使合成革图像在相机采集点上均匀且瑕疵明显;
2.启动电机带动辊轴旋转,辊轴带动其上的合成革缓慢运动,同事辊轴上的编码器也同时工作,控制相机采集图像;
3.通过图像处理算法,检测合成革卷边即其他瑕疵;
4.如检测到卷边则系统报警;
5.如检测到其他缺陷,则记录位置并将结果反馈给监控室电脑。
以上所述,仅为发明的具体实施方式,但发明的保护范围并不局限于此,任何不经过创造性劳动想到的变化或替换,都应涵盖在发明的保护范围之内。因此,发明的保护范围应该以权利要求书所限定的保护范围为准。
Claims (8)
1.一种基于机器视觉的合成革涂胶在线监测方法,其特征在于:包括以下步骤:
1)采集:利用线扫相机采集合成革图像Image;
2)初检:对合成革图像Image进行初检处理;
2.1)将图像Image转换为灰度图GrayImage;
2.2)计算合成革图像GrayImage的高度h;
2.3)通过设定的阈值t,对GrayImage进行二值化,得到二值化图像BinImage1;
2.4)用连通区域标记算法对BinImage1进行标记,让每个单独的连通区域形成一个被标识的块,得到图像中所有的连通区域RS;
2.5)遍历所有连通区域RS,统计各个块的像素个数,筛选像素个数最多的区域,记为R,用漫水填充法填充R,得到合成革图像区域R1;
2.6)提取区域R1的外轮廓C;
2.7)按照轮廓算法分割C并提取左边轮廓CL和右边轮廓CR;
3)检测卷边:将得出数据与图像参数进行第一次比对,检测合成革是否发生卷边;所述第一次比对包括:分别统计CL和CR的像素个数lL和lR,并与图像的高度h进行比较;
4)如检测到卷边,则系统退出本图算法检测;
5)补检:如未检测到卷边,则计算机通过边缘角度算法继续对合成革区域进行补检;边缘角度算法具体如下:将CL和CR分别拟合成直线LL和LR,并计算它们的角度angleL和angleR,根据角度angleL和/或angleR判断是否发生卷边;
补检包括以下步骤:
5.1)将GrayImage进行傅里叶变换得到其频域图像ImageF;
5.2)设定第一个高斯滤波器Filter1的高斯分布参数,并对频域图像ImageF进行滤波,得到滤波后的图像ImageF1;
5.3)设定第二个高斯滤波器Filter2的高斯分布参数,并对频域图像ImageF进行滤波,得到滤波后的图像ImageF2;
5.4)将图像ImageF1、ImageF2通过反傅里叶变换转换为空域图像Image1、Image2;
5.5)将Image1、Image2相减得到Image3;
5.6)通过设定的阈值t1对Image3处理,得到二值化图像BinImage2;
5.7)用连通区域标记算法对BinImage2进行标记,得到各个连通区域RS1;
5.8)遍历RS1并分别计算其最小外接矩形的高度ht和宽度wt;
6)确认瑕疵:将补检得到的参数与设定的缺陷筛选参数进行第二次比对,检测合成革瑕疵。
2.根据权利要求1所述的一种基于机器视觉的合成革涂胶在线监测方法,其特征在于:步骤2.4)具体包括以下步骤:
2.4.1)遍历图像BinImage1每个像素,直到像素点灰度值为255,新建一个标识号标注该区域;
2.4.2)遍历该像素的8个相邻像素,将其中灰度值为255的像素放入该标识区域;
2.4.3)遍历标识号里面像素,并执行步骤2.4.2),直到8个相邻像素灰度值都为0;
2.4.4)继续遍历图像BinImage1每个像素,直到找到像素点灰度值为255且不在已标识的区域内,新建一个标识号标注该区域;
2.4.5)执行步骤2.4.2)、2.4.3);
2.4.6)重复步骤2.4.4)、2.4.5)直到完成遍历,并得到所有的标识块,就可以得到图像中所有的连通区域Rs。
3.根据权利要求2所述的一种基于机器视觉的合成革涂胶在线监测方法,其特征在于:提取区域R1的外轮廓C的具体操作为:遍历图像每个像素,判断像素的八个相邻像素位置,如八个相邻的像素中,至少有一个相邻在R1内,同时至少有1个像素在R1外,则将该像素放入堆栈,堆栈内的像素的组合即为外轮廓C。
4.根据权利要求2所述的一种基于机器视觉的合成革涂胶在线监测方法,其特征在于:轮廓算法为:外轮廓C由上、下、左、右四个子轮廓组成,由于图像为连续状态,因此上轮廓即为一条平行x坐标、y坐标为0的直线,下轮廓为一条平行x坐标、y坐标为h的直线,h为图像高度,遍历外轮廓C上的像素,得到所有像素中x坐标的最小值x1、最大值x2,遍历外轮廓C上的像素,如y坐标大于0且小于h,则判断其x坐标:大于x1-1,且小于x1+(x2-x1)/2的像素放入堆栈L,大于x1+(x2-x1)/2,且小于x2+1的像素放入堆栈R,堆栈L内的像素的集合即为左轮廓CL,堆栈R内的像素的集合即为右轮廓CR。
5.根据权利要求1所述的一种基于机器视觉的合成革涂胶在线监测方法,其特征在于:第一次比对包括:分别统计CL和CR的像素个数lL和lR,并与图像的高度h进行比较,如lL和lR分别大于1.5*h,则合成革边缘正常,否则合成革发生卷边。
6.根据权利要求1所述的一种基于机器视觉的合成革涂胶在线监测方法,其特征在于:边缘角度算法具体如下:将CL和CR分别拟合成直线LL和LR,并计算它们的角度angleL和angleR,如angleL-90°的绝对值大于15°,或者angleR-90°的绝对值大于15°,则发生卷边。
7.根据权利要求1所述的一种基于机器视觉的合成革涂胶在线监测方法,其特征在于:第二次比对包括:将高度ht和宽度wt与设定的缺陷筛选高度阈值h’和宽度阈值w’进行比较,如ht大于h’或者wt大于w’,则将该区域放入堆栈,这些堆栈中的区域块即为瑕疵区域,如果堆栈内区域个数大于0,则判断系统检测到瑕疵。
8.根据权利要求1所述的一种基于机器视觉的合成革涂胶在线监测方法,其特征在于:合成革下方位置处设置有辊轴,辊轴上装配有编码器,合成革上方位置处固定安装有线扫相机,线扫相机上安装有焦距适合的线扫镜头,合成革上方位置设置有线扫描DOME光源和线扫描同轴光源线,安装时线扫描同轴光源顶端的细缝的中心、线扫描DOME光源的细缝中心、线扫相机中心共面,确保相机能够采集合成革图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110139661.2A CN112950541B (zh) | 2019-04-12 | 2019-04-12 | 一种基于机器视觉的合成革涂胶在线监测方法 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910295581.9A CN110084787B (zh) | 2019-04-12 | 2019-04-12 | 一种基于机器视觉的合成革涂胶在线监测方法 |
CN202110139661.2A CN112950541B (zh) | 2019-04-12 | 2019-04-12 | 一种基于机器视觉的合成革涂胶在线监测方法 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910295581.9A Division CN110084787B (zh) | 2019-04-12 | 2019-04-12 | 一种基于机器视觉的合成革涂胶在线监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112950541A CN112950541A (zh) | 2021-06-11 |
CN112950541B true CN112950541B (zh) | 2023-10-13 |
Family
ID=67415008
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110139661.2A Active CN112950541B (zh) | 2019-04-12 | 2019-04-12 | 一种基于机器视觉的合成革涂胶在线监测方法 |
CN201910295581.9A Active CN110084787B (zh) | 2019-04-12 | 2019-04-12 | 一种基于机器视觉的合成革涂胶在线监测方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910295581.9A Active CN110084787B (zh) | 2019-04-12 | 2019-04-12 | 一种基于机器视觉的合成革涂胶在线监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN112950541B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113552134A (zh) * | 2019-08-07 | 2021-10-26 | 浙江大学台州研究院 | 一种湿法涂胶的合成革卷边检测方法 |
CN110927172B (zh) * | 2019-12-10 | 2020-08-25 | 南京航空航天大学 | 一种飞机整体油箱密封胶漏涂在线检测装置及方法 |
CN116046791B (zh) * | 2023-03-30 | 2023-06-09 | 深圳市元硕自动化科技有限公司 | 点胶缺陷检测方法及检测装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0742431A1 (en) * | 1995-05-10 | 1996-11-13 | Mahlo GmbH & Co. KG | Method and apparatus for detecting flaws in moving fabrics or the like |
CA2554031A1 (en) * | 2003-12-23 | 2005-07-21 | Quiss Gmbh | Method for automatically applying and controlling a structure applicable on a substrate and device for carrying out said method |
KR20060104590A (ko) * | 2005-03-31 | 2006-10-09 | 고등기술연구원연구조합 | 원단 검사로링기에서 롤링 원단의 에지 정렬 제어장치 |
CN201897572U (zh) * | 2010-03-02 | 2011-07-13 | 新奥光伏能源有限公司 | 一种玻璃破边检测系统 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102818809A (zh) * | 2012-09-05 | 2012-12-12 | 杭州瑞利测控技术有限公司 | 一种基于机器视觉的坯布疵点在线检测系统及实现方法 |
CN103234976B (zh) * | 2013-04-03 | 2015-08-05 | 江南大学 | 基于Gabor变换的经编机布匹瑕疵在线视觉检测方法 |
CN104268505B (zh) * | 2014-09-12 | 2017-08-11 | 河海大学常州校区 | 基于机器视觉的布匹疵点自动检测识别装置及方法 |
CN204174460U (zh) * | 2014-10-21 | 2015-02-25 | 宿州学院 | 高速自动验布机 |
CN106033534B (zh) * | 2015-03-18 | 2020-01-31 | 成都理想境界科技有限公司 | 基于直线检测的电子阅卷方法 |
CN106898563B (zh) * | 2015-12-18 | 2019-12-27 | 中芯国际集成电路制造(上海)有限公司 | 产品验收系统及产品验收方法 |
CN205484106U (zh) * | 2016-01-11 | 2016-08-17 | 深圳市麦克斯泰有限公司 | 布匹的瑕疵离线检测装置 |
FR3053792B1 (fr) * | 2016-07-06 | 2023-07-14 | Tiama | Procede, dispositif et ligne d'inspection pour la determination d'une bavure a l'endroit d'un bord interne d'une surface de bague |
CN107220649A (zh) * | 2017-05-27 | 2017-09-29 | 江苏理工学院 | 一种素色布匹缺陷检测和分类方法 |
CN107643295B (zh) * | 2017-08-24 | 2019-08-20 | 中国地质大学(武汉) | 一种基于机器视觉的布匹缺陷在线检测的方法和系统 |
CN109366830B (zh) * | 2018-11-23 | 2024-04-09 | 安徽宏实紫晶光电研究所有限公司 | 一种用于淋膜机的自动对位检测装置及检测方法 |
-
2019
- 2019-04-12 CN CN202110139661.2A patent/CN112950541B/zh active Active
- 2019-04-12 CN CN201910295581.9A patent/CN110084787B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0742431A1 (en) * | 1995-05-10 | 1996-11-13 | Mahlo GmbH & Co. KG | Method and apparatus for detecting flaws in moving fabrics or the like |
CA2554031A1 (en) * | 2003-12-23 | 2005-07-21 | Quiss Gmbh | Method for automatically applying and controlling a structure applicable on a substrate and device for carrying out said method |
KR20060104590A (ko) * | 2005-03-31 | 2006-10-09 | 고등기술연구원연구조합 | 원단 검사로링기에서 롤링 원단의 에지 정렬 제어장치 |
CN201897572U (zh) * | 2010-03-02 | 2011-07-13 | 新奥光伏能源有限公司 | 一种玻璃破边检测系统 |
Non-Patent Citations (3)
Title |
---|
"皮料边缘识别及拾取卷边技术的研究";张庆宇;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;全文 * |
"铁路隧道防水层施工工艺和质量检测关键技术";邹;卓越;叶守杰;;《铁道标准设计》(09);全文 * |
黄爱宾,刘彩凤,陈浙泊."RFID智能识别产品的设计与制造技术".《绿色包装》.2017,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112950541A (zh) | 2021-06-11 |
CN110084787B (zh) | 2021-03-23 |
CN110084787A (zh) | 2019-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112950541B (zh) | 一种基于机器视觉的合成革涂胶在线监测方法 | |
CN108230324B (zh) | 磁瓦表面微缺陷视觉检测方法 | |
Li et al. | Detection of surface crack defects on ferrite magnetic tile | |
CN106846313B (zh) | 工件表面缺陷检测方法和装置 | |
Boukouvalas et al. | Ceramic tile inspection for colour and structural defects | |
CN108827181B (zh) | 一种基于视觉的板材表面检测方法 | |
CN110044910B (zh) | 一种汽车置杯盒零部件检测系统及检测方法 | |
CN107203990A (zh) | 一种基于模板匹配与图像质量评估的标贴破损检测方法 | |
CN106872476A (zh) | 一种基于线结构光的铸造类工件表面质量检测方法与系统 | |
CN111145163B (zh) | 一种纸张褶皱缺陷检测方法及装置 | |
WO2016201947A1 (zh) | 一种轮形铸造产品缺陷自动检测方法 | |
US20080055591A1 (en) | Apparatus and methods for two-dimensional and three-dimensional inspection of a workpiece | |
CN105388162A (zh) | 基于机器视觉的原料硅片表面划痕检测方法 | |
CN104792794A (zh) | 基于机器视觉的光学薄膜表面缺陷检测方法 | |
CN109584215A (zh) | 一种电路板在线视觉检测系统 | |
CN116630314B (zh) | 基于图像处理的保鲜纸箱覆膜检测方法 | |
CN104976959B (zh) | 一种基于机器视觉的弹簧尺寸在线测量系统及其方法 | |
CN102074031A (zh) | 一种印刷电路板外观检查机的建标方法 | |
CN111656168A (zh) | 用于对制成的幅材进行检测的虚拟相机阵列 | |
CN115201212A (zh) | 一种基于机器视觉的塑料制品缺陷检测装置 | |
CN107316287A (zh) | 一种矩形铁氧体磁片表面的缺陷识别方法 | |
CN108109154A (zh) | 一种工件的新型定位及数据获取方法 | |
CN112669265B (zh) | 基于傅里叶变换和图像梯度特征实现表面缺陷检测的方法 | |
CN112649446B (zh) | 一种fpc的检测方法、贴合方法及装置 | |
Hung et al. | A novel algorithm for defect inspection of touch panels |
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 |