CN113240667A - 一种基于图像处理的汽车模具平面裂纹检测方法 - Google Patents
一种基于图像处理的汽车模具平面裂纹检测方法 Download PDFInfo
- Publication number
- CN113240667A CN113240667A CN202110635126.6A CN202110635126A CN113240667A CN 113240667 A CN113240667 A CN 113240667A CN 202110635126 A CN202110635126 A CN 202110635126A CN 113240667 A CN113240667 A CN 113240667A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- crack
- obtaining
- edge
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000003708 edge detection Methods 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 230000000007 visual effect Effects 0.000 claims abstract description 6
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000001629 suppression Effects 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 13
- 238000003702 image correction Methods 0.000 abstract description 3
- 238000000513 principal component analysis Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000013519 translation Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像处理的汽车模具平面裂纹检测方法,具体包括:利用视觉检测的方式,获得汽车模具的图像;对获得图像进行处理,获得没有投影畸变的平面裂纹图像;利用边缘检测法获得图像中裂纹的区域,再用阈值分割法获得裂纹的准确位置;通过主成分分析法获得裂纹的亚像素轮廓图像;对图像中裂纹的亚像素轮廓进行亚像素数量统计,并通过归一化缩放比例Scale获得裂纹的实际长度。本发明中,提出基于图像矫正的裂纹长度测量算法,通过图像矫正、阈值分割及基于主成分分析的亚像素轮廓获取,最终获得裂纹的长度,避免了人工测量拉动量大,测量不准确的问题。
Description
技术领域
本发明涉及汽车模具裂纹检测技术领域,特别涉及一种基于图像处理的汽车模具平面裂纹检测方法。
背景技术
汽车模具作为汽车生产中最重要的工艺装备,对保证汽车零件的加工和装配精度起到了重要的作用,汽车制造具有产量大,生产节奏快的特点,因此在加工过程中模具损坏量很大,模具在工作一段时间后表面就会出现严重的点蚀或裂纹,而模具的制造成本极高,如果直接将破损的冲压模具报废,浪费极大。
再制造是指以装备全寿命周期理论为指导,以实现废旧装备性能提升为目标,以优质、高效、节能、节材、环保为准则,以先进技术和产业化生产为手段,进行的修复、改造废旧装备的一系列技术措施或工程活动的总称,再制造工程中,缺损零件的修复是最重要的研究内容,因而多会对汽车模具进行再制造,以降低成本。
裂纹是汽车冲压模具常见的破损形式,对裂纹的检测,关乎后续修复的质量,目前,对裂纹检测,一般是人工通过工具进行测量,确定裂纹的长度,但是,采用人工测量的方式,人力劳动量大,且测量的误差较大,影响后续的修复。
发明内容
(一)要解决的技术问题
本发明可以解决现有的汽车模具裂纹是人工测量,人力劳动量大,且测量误差较大的难题。
(二)技术方案
为了实现上述目的,本发明采用以下技术方案,一种基于图像处理的汽车模具平面裂纹检测方法,具体包括以下步骤:
S1、获取初始图像:利用视觉检测的方式,获得汽车模具的图像;
S2、图像矫正:对获得图像进行处理,获得没有投影畸变的平面裂纹图像;
S3、获取裂纹区域:利用边缘检测法获得图像中裂纹的区域,再用阈值分割法获得裂纹的准确位置;
S4、获取裂纹轮廓:通过主成分分析法获得裂纹的亚像素轮廓图像;
S5、获得裂纹长度:对图像中裂纹的亚像素轮廓进行亚像素数量统计,并通过归一化缩放比例Scale获得裂纹的实际长度。
作为本发明的一种优选技术方案,所述S2中,图像矫正的具体方式为:将待矫正图像中的像素单元大小直接和世界坐标系的单位长度对应,即将单位像素单元对应单位空间长度,并按照此对应关系计算归一化缩放比例Scale。
作为本发明的一种优选技术方案,计算归一化缩放比例Scale的具体步骤为:
在像素坐标系中,设置A、B、C、D、E为5个等间距的像素点,其坐标分别设置为:A(100,100),B(99,100),C(101,100),D(100,101),E(100,99),A与B之间的间距计做d2、A与C之间的间距计做d3、A与D之间的间距计做d1、A与E之间的间距计做d4;
通过成像逆运算,其反投影点在世界坐标系(Z=0)中的对应点分别为A’,B’,C’,D’,E’,A’与B’之间的间距计做D2、A’与C’之间的间距计做D3、A’与D’之间的间距计做D1、A’与E’之间的间距计做D4;
则单位像素矫正后的实际物理长度,即归一化缩放比例Scale的表达式为:
若矫正后图片中的像素点不在整像素点位置,通过最佳插值函数H(x)=sin(x)/x,对图像进行高阶插值处理。
作为本发明的一种优选技术方案,所述S3中,获取裂纹区域的具体步骤为:
S301、使用高斯滤波器与图像进行卷积处理,减少边缘检测器上明显的噪声影响,获得平滑图像;
S302、计算平滑图像中每个像素点的梯度强度和方向,获得像素梯度图像;
S303、应用非极大值抑制方法,对像素梯度图像处理,消除边缘检测带来的杂散响应,获得边缘点图像;
S304、应用双阈值检测来确定图像中边缘像素的强弱;
S305、通过抑制孤立的弱边缘像素最终完成边缘检测;
S306、用阈值分割法获得裂纹的准确位置。
作为本发明的一种优选技术方案,所述步骤S303中,非极大值抑制方法为:将当前像素梯度图像中像素的梯度强度与沿正负梯度方向上的两个像素进行比较,如果当前像素的梯度强度与另外两个像素相比最大,则该像素点保留为边缘点,否则该像素点被抑制。
作为本发明的一种优选技术方案,所述S304中,图像中边缘像素强弱的评判方式为:根据给定输入图像的内容,并预设两个数值不同阈值,数值大的阈值定义为高阈值,数值小的阈值定义为低阈值,如果边缘像素的梯度值高于预设的高阈值,则将其标记为强边缘像素;如果边缘像素的梯度值小于预设的高阈值并且大于预设的低阈值,则将其标记为弱边缘像素;如果边缘像素的梯度值小于预设的低阈值,则该边缘像素被抑制。
作为本发明的一种优选技术方案,所述S305中,抑制孤立的弱边缘像素的方法为:查看弱边缘像素及其8个邻域像素,若8个邻域像素中的一个为强边缘像素,则该弱边缘像素就保留为真实的边缘,否则,该弱边缘像素被抑制。
作为本发明的一种优选技术方案,所述S4中,获取裂纹轮廓的具体步骤为:
S401、确定划痕截面中心点的初始点,逐行确定裂纹像素坐标点;
S402、判断每个坐标点的8个邻域像素是否大于规定的阈值,如果小于规定阈值,此坐标点灰度值记为0;
S403、利用灰度值重心法得到每行的初始中心点坐标;
S404、在每个初始中心点位置建立局部小窗口;
S405、在窗口内部构造图像的梯度向量;
S406、利用梯度向量计算协方差矩阵。
作为本发明的一种优选技术方案,所述S402中,若邻域像素在非整数位置,采用双线性插值计算其对应灰度值。
作为本发明的一种优选技术方案,所述S5中,获得裂纹长度的具体计算表达式为:
Length=scale×len ②;
②式中,len为统计后的轮廓像素数量;Length为待测对象的实际物理长度,单位为mm。
(三)有益效果
1.本发明提供的基于图像处理的汽车模具平面裂纹检测方法,利用视觉检测的方式获得汽车模具图像,简便的实现汽车模具图像的获取,且利用视觉检测的方式,获取的图片清晰度高,便于后续对裂纹的检测;
2.本发明提供的基于图像处理的汽车模具平面裂纹检测方法,当被测量汽车模具与视觉检测摄像机的成像平面不平行时,被测模具在成像平面的所成的像就会生产畸变,通过图像矫正,获得没有投影畸变的平面裂纹图像,使得该图像上裂纹的长度可以反映裂纹真实的长度;
3.本发明提供的基于图像处理的汽车模具平面裂纹检测方法,通过边缘检测的方式,获得裂纹的大致位置,然后通过阈值分割,剔除图像中的噪点,对裂纹位置进行准确捕捉,获得裂纹的准确位置,便于后续进一步的处理;
4.本发明提供的基于图像处理的汽车模具平面裂纹检测方法,通过获得亚像素轮廓图像,并对亚像素轮廓图像中的亚像素数量统计,通过归一化缩放比例Scale获得裂纹的实际长度,最终完成裂纹长度的测量,进而方便后续对裂纹进行评估,判断是否有修复的价值,整体避免了人工直接采用工具测量,降低工人的劳动量,且测量的准确性高。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图。
图1是本发明的流程示意框图;
图2是本发明的获取裂纹区域的流程示意框图;
图3是本发明的图像中边缘像素强弱的流程示意框图;
图4是本发明的抑制孤立的弱边缘像素的流程示意框图;
图5是本发明的获取裂纹轮廓的流程示意框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要理解的是,术语“纵向”、“上”、“下”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
如图1至图5所示,一种基于图像处理的汽车模具平面裂纹检测方法,具体包括以下步骤:
S1、获取初始图像:利用视觉检测的方式,获得汽车模具的图像;
S2、图像矫正:对获得图像进行处理,获得没有投影畸变的平面裂纹图像;
S3、获取裂纹区域:利用边缘检测法获得图像中裂纹的区域,
再用阈值分割法获得裂纹的准确位置;
S4、获取裂纹轮廓:通过主成分分析法获得裂纹的亚像素轮廓图像;
S5、获得裂纹长度:对图像中裂纹的亚像素轮廓进行亚像素数量统计,并通过归一化缩放比例Scale获得裂纹的实际长度。
具体地,所述S2中,图像矫正的具体方式为:将待矫正图像中的像素单元大小直接和世界坐标系的单位长度对应,即将单位像素单元对应单位空间长度,并按照此对应关系计算归一化缩放比例Scale。
具体地,计算归一化缩放比例Scale的具体步骤为:
在像素坐标系中,设置A、B、C、D、E为5个等间距的像素点,其坐标分别设置为:A(100,100),B(99,100),C(101,100),D(100,101),E(100,99),A与B之间的间距计做d2、A与C之间的间距计做d3、A与D之间的间距计做d1、A与E之间的间距计做d4;
通过成像逆运算,其反投影点在世界坐标系(Z=0)中的对应点分别为A’,B’,C’,D’,E’,A’与B’之间的间距计做D2、A’与C’之间的间距计做D3、A’与D’之间的间距计做D1、A’与E’之间的间距计做D4;
则单位像素矫正后的实际物理长度,即归一化缩放比例Scale的表达式为:
若矫正后图片中的像素点不在整像素点位置,通过最佳插值函数H(x)=sin(x)/x,对图像进行高阶插值处理。
需要说明的是,为了简化计算过程,使用三次多项式I(x)逼近H(x),其表达式如③式:
待求像素点(x,y)的灰度值由实际周围灰度值加权得到,表达式如④式:
f(x,y)=f(i+u,j+v)=I1 TAI2 ④
④式中,
I1=[I(1+v),I(v),I(1-v),I(2-v)],I2=[I(1+u),I(u),I(1-u),I(2-u)]
因为标定中,世界坐标原点被定图像的中心位置Ow(Width/2,Hight/2),而像素坐标系原点为图像Op(0,0),所以两者对应原点位置不统一,且在OX轴方向上也不一致,故对平移外参矩阵进行重新调整。另一方面,在OZ轴方向需要考虑标定板的实际厚度,以此消除对测量对象平面的影响,故调整后平移外参为
其中,OffsetX=-Width/2×Scale;OffsetY=-Hight/2×Scale。绕Z轴旋转角度发生变化,则R'(α,β,γ)=R(α,β,γ+π)。
具体地,所述S3中,获取裂纹区域的具体步骤为:
S301、使用高斯滤波器与图像进行卷积处理,减少边缘检测器上明显的噪声影响,获得平滑图像;
需要说明的是,为了尽可能减少噪声对边缘检测结果的影响,必须滤除噪声以防止由噪声引起的错误检测。为了平滑图像,使用高斯滤波器与图像进行卷积,该步骤将平滑图像,以减少边缘检测器上明显的噪声影响。大小为(2k+1)×(2k+1)的高斯滤波器核的生成方程式由下式给出:
若图像中一个3x3的窗口为A,要滤波的像素点为e,则经过高斯滤波之后,像素点e的灰度值为:
⑦式中其中,*为卷积符号;sum表示矩阵中所有元素相加求和。
S302、计算平滑图像中每个像素点的梯度强度和方向,获得像素梯度图像;
需要说明的是,使用四个算子来检测图像中的水平、垂直和对角边缘,边缘检测的算子返回水平Gx和垂直Gy方向的一阶导数值,由此便可以确定像素点的梯度G和方向θ,表达式为:
S303、应用非极大值抑制方法,对像素梯度图像处理,消除边缘检测带来的杂散响应,获得边缘点图像;
S304、应用双阈值检测来确定图像中边缘像素的强弱;
S305、通过抑制孤立的弱边缘像素最终完成边缘检测;
S306、用阈值分割法获得裂纹的准确位置。
需要说明的是,非极大值抑制是一种边缘稀疏技术,非极大值抑制的作用在于“瘦”边。对图像进行梯度计算后,仅仅基于梯度值提取的边缘仍然很模糊。而非极大值抑制则可以帮助将局部最大值之外的所有梯度值抑制为0。
具体地,所述步骤S303中,非极大值抑制方法为:将当前像素梯度图像中像素的梯度强度与沿正负梯度方向上的两个像素进行比较,如果当前像素的梯度强度与另外两个像素相比最大,则该像素点保留为边缘点,否则该像素点被抑制。
需要说明的是:在施加非极大值抑制之后,剩余的像素可以更准确地表示图像中的实际边缘。然而,仍然存在由于噪声和颜色变化引起的一些边缘像素,为了解决这些杂散响应,必须用弱梯度值过滤边缘像素,并保留具有高梯度值的边缘像素,可以通过选择高低阈值来实现。
具体地,所述S304中,图像中边缘像素强弱的评判方式为:根据给定输入图像的内容,并预设两个数值不同阈值,数值大的阈值定义为高阈值,数值小的阈值定义为低阈值,如果边缘像素的梯度值高于预设的高阈值,则将其标记为强边缘像素;如果边缘像素的梯度值小于预设的高阈值并且大于预设的低阈值,则将其标记为弱边缘像素;如果边缘像素的梯度值小于预设的低阈值,则该边缘像素被抑制。
需要说明的是,到目前为止,被划分为强边缘的像素点已经被确定为边缘,因为它们是从图像中的真实边缘中提取出来的。然而,对于弱边缘像素,将会有一些争论,因为这些像素可以从真实边缘提取也可以是因噪声或颜色变化引起的。为了获得准确的结果,应该抑制由后者引起的弱边缘。通常,由真实边缘引起的弱边缘像素将连接到强边缘像素,而噪声响应未连接。
具体地,所述S305中,抑制孤立的弱边缘像素的方法为:查看弱边缘像素及其8个邻域像素,若8个邻域像素中的一个为强边缘像素,则该弱边缘像素就保留为真实的边缘,否则,该弱边缘像素被抑制。
需要说明的是,当图像中存在多条裂纹时,则无法对不同的裂纹区域进行区分。汽车模具的材质都为模具钢,在该材料上产生的裂纹具有一致性,很少出现裂纹在延伸过程中出现分叉的情况,并且为了防止出现批量不良,当模具出现裂纹时,模具就会被马上替换下来。因此,模具表面一般多为单条裂纹的情况较多。
具体地,所述S4中,获取裂纹轮廓的具体步骤为:
S401、确定划痕截面中心点的初始点,逐行确定裂纹像素坐标点;
S402、判断每个坐标点的8个邻域像素是否大于规定的阈值,如果小于规定阈值,此坐标点灰度值记为0;
S403、利用灰度值重心法得到每行的初始中心点坐标;
S404、在每个初始中心点位置建立局部小窗口;
S405、在窗口内部构造图像的梯度向量;
S406、利用梯度向量计算协方差矩阵。
需要说明的是,协方差矩阵如公式:
考虑到局部窗口内部关于初始点近似对称,所以有如下关系:
进一步简化后,
计算矩阵H最大特征值对应的特征向量,即为其对应点的法线向量N(nx,ny)。假设X0=[Row_0,Column_0],然后在得到的法向方向上分别计算两边邻域像素坐标值,即:
考虑到计算得到的像素坐标在非整数位置,这里采用双线性插值计算其对应灰度值,最后,利用初始点(X0,f(X0))以及(X1,f(X1)),(X2,f(X2))进行抛物线拟合,则方程的一阶导数为0的位置即为亚像素光带中心坐标。
具体地,所述S402中,若邻域像素在非整数位置,采用双线性插值计算其对应灰度值。
具体地,所述S5中,获得裂纹长度的具体计算表达式为:
Length=scale×len ②;
②式中,len为统计后的轮廓像素数量;Length为待测对象的实际物理长度,单位为mm。
需要说明的是,对上述方式进行验证,在本试验中,对几何曲线如直线、圆弧、椭圆、样条曲线进行测量;
将本文算法获得曲线长度与曲线的实际周长进行对比,最大相对测量误差为4.03%,该误差可以应用于汽车模具的裂纹长度检测中;
线型 | 实际长度(mm) | 测量长度(mm) | 相对误差 |
直线 | 47.6000 | 47.5407 | 0.1200% |
圆 | 138.2301 | 137.5720 | 0.4761% |
椭圆 | 102.8319 | 106.9810 | 4.0300% |
样条曲线 | 71.7496 | 70.6143 | 1.5800% |
综上所述:本发明可以有效的实现对裂纹进行测量,避免了人工测量,且测量的误差小,精度高。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图像处理的汽车模具平面裂纹检测方法,具体包括以下步骤:
S1、获取初始图像:利用视觉检测的方式,获得汽车模具的图像;
S2、图像矫正:对获得图像进行处理,获得没有投影畸变的平面裂纹图像;
S3、获取裂纹区域:利用边缘检测法获得图像中裂纹的区域,再用阈值分割法获得裂纹的准确位置;
S4、获取裂纹轮廓:通过主成分分析法获得裂纹的亚像素轮廓图像;
S5、获得裂纹长度:对图像中裂纹的亚像素轮廓进行亚像素数量统计,并通过归一化缩放比例Scale获得裂纹的实际长度。
2.根据权利要求1所述的一种基于图像处理的汽车模具平面裂纹检测方法,其特征在于:所述S2中,图像矫正的具体方式为:将待矫正图像中的像素单元大小直接和世界坐标系的单位长度对应,即将单位像素单元对应单位空间长度,并按照此对应关系计算归一化缩放比例Scale。
3.根据权利要求2所述的一种基于图像处理的汽车模具平面裂纹检测方法,其特征在于:计算归一化缩放比例Scale的具体步骤为:
在像素坐标系中,设置A、B、C、D、E为5个等间距的像素点,其坐标分别设置为:A(100,100),B(99,100),C(101,100),D(100,101),E(100,99),A与B之间的间距计做d2、A与C之间的间距计做d3、A与D之间的间距计做d1、A与E之间的间距计做d4;
通过成像逆运算,其反投影点在世界坐标系(Z=0)中的对应点分别为A’,B’,C’,D’,E’,A’与B’之间的间距计做D2、A’与C’之间的间距计做D3、A’与D’之间的间距计做D1、A’与E’之间的间距计做D4;
则单位像素矫正后的实际物理长度,即归一化缩放比例Scale的表达式为:
若矫正后图片中的像素点不在整像素点位置,通过最佳插值函数H(x)=sin(x)/x,对图像进行高阶插值处理。
4.根据权利要求1所述的一种基于图像处理的汽车模具平面裂纹检测方法,其特征在于:所述S3中,获取裂纹区域的具体步骤为:
S301、使用高斯滤波器与图像进行卷积处理,减少边缘检测器上明显的噪声影响,获得平滑图像;
S302、计算平滑图像中每个像素点的梯度强度和方向,获得像素梯度图像;
S303、应用非极大值抑制方法,对像素梯度图像处理,消除边缘检测带来的杂散响应,获得边缘点图像;
S304、应用双阈值检测来确定图像中边缘像素的强弱;
S305、通过抑制孤立的弱边缘像素最终完成边缘检测;
S306、用阈值分割法获得裂纹的准确位置。
5.根据权利要求4所述的一种基于图像处理的汽车模具平面裂纹检测方法,其特征在于:所述步骤S303中,非极大值抑制方法为:将当前像素梯度图像中像素的梯度强度与沿正负梯度方向上的两个像素进行比较,如果当前像素的梯度强度与另外两个像素相比最大,则该像素点保留为边缘点,否则该像素点被抑制。
6.根据权利要求5所述的一种基于图像处理的汽车模具平面裂纹检测方法,其特征在于:所述S304中,图像中边缘像素强弱的评判方式为:根据给定输入图像的内容,并预设两个数值不同阈值,数值大的阈值定义为高阈值,数值小的阈值定义为低阈值,如果边缘像素的梯度值高于预设的高阈值,则将其标记为强边缘像素;如果边缘像素的梯度值小于预设的高阈值并且大于预设的低阈值,则将其标记为弱边缘像素;如果边缘像素的梯度值小于预设的低阈值,则该边缘像素被抑制。
7.根据权利要求6所述的一种基于图像处理的汽车模具平面裂纹检测方法,其特征在于:所述S305中,抑制孤立的弱边缘像素的方法为:查看弱边缘像素及其8个邻域像素,若8个邻域像素中的一个为强边缘像素,则该弱边缘像素就保留为真实的边缘,否则,该弱边缘像素被抑制。
8.根据权利要求1所述的一种基于图像处理的汽车模具平面裂纹检测方法,其特征在于:所述S4中,获取裂纹轮廓的具体步骤为:
S401、确定划痕截面中心点的初始点,逐行确定裂纹像素坐标点;
S402、判断每个坐标点的8个邻域像素是否大于规定的阈值,如果小于规定阈值,此坐标点灰度值记为0;
S403、利用灰度值重心法得到每行的初始中心点坐标;
S404、在每个初始中心点位置建立局部小窗口;
S405、在窗口内部构造图像的梯度向量;
S406、利用梯度向量计算协方差矩阵。
9.根据权利要求8所述的一种基于图像处理的汽车模具平面裂纹检测方法,其特征在于:所述S402中,若邻域像素在非整数位置,采用双线性插值计算其对应灰度值。
10.根据权利要求3所述的一种基于图像处理的汽车模具平面裂纹检测方法,其特征在于:所述S5中,获得裂纹长度的具体计算表达式为:
Length=scale×len ②;
②式中,len为统计后的轮廓像素数量;Length为待测对象的实际物理长度,单位为mm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110635126.6A CN113240667A (zh) | 2021-06-08 | 2021-06-08 | 一种基于图像处理的汽车模具平面裂纹检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110635126.6A CN113240667A (zh) | 2021-06-08 | 2021-06-08 | 一种基于图像处理的汽车模具平面裂纹检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113240667A true CN113240667A (zh) | 2021-08-10 |
Family
ID=77137353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110635126.6A Pending CN113240667A (zh) | 2021-06-08 | 2021-06-08 | 一种基于图像处理的汽车模具平面裂纹检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240667A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470056A (zh) * | 2021-09-06 | 2021-10-01 | 成都新西旺自动化科技有限公司 | 一种基于高斯模型卷积的亚像素边缘点检测方法 |
CN115937212A (zh) * | 2023-02-08 | 2023-04-07 | 成都数之联科技股份有限公司 | 一种玻璃板裂纹检测方法、装置、设备及介质 |
CN117094604A (zh) * | 2023-10-18 | 2023-11-21 | 南通双耀冲压有限公司 | 一种电机定转子冲压模具表面质量管理方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090262247A1 (en) * | 2008-03-20 | 2009-10-22 | Stmicroelectronics Asia Pacific Pte., Ltd. | System and process for image rescaling with edge adaptive phase control in interpolation process |
CN109489591A (zh) * | 2018-12-17 | 2019-03-19 | 吉林大学 | 基于机器视觉的平面划痕长度非接触测量方法 |
CN111415376A (zh) * | 2020-02-27 | 2020-07-14 | 湖南大学 | 汽车玻璃亚像素轮廓提取方法及汽车玻璃检测方法 |
-
2021
- 2021-06-08 CN CN202110635126.6A patent/CN113240667A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090262247A1 (en) * | 2008-03-20 | 2009-10-22 | Stmicroelectronics Asia Pacific Pte., Ltd. | System and process for image rescaling with edge adaptive phase control in interpolation process |
CN109489591A (zh) * | 2018-12-17 | 2019-03-19 | 吉林大学 | 基于机器视觉的平面划痕长度非接触测量方法 |
CN111415376A (zh) * | 2020-02-27 | 2020-07-14 | 湖南大学 | 汽车玻璃亚像素轮廓提取方法及汽车玻璃检测方法 |
Non-Patent Citations (1)
Title |
---|
曹宇;应保胜;: "基于CCD图像的表面裂纹检测", 现代制造工程, no. 12, pages 166 - 168 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470056A (zh) * | 2021-09-06 | 2021-10-01 | 成都新西旺自动化科技有限公司 | 一种基于高斯模型卷积的亚像素边缘点检测方法 |
CN113470056B (zh) * | 2021-09-06 | 2021-11-16 | 成都新西旺自动化科技有限公司 | 一种基于高斯模型卷积的亚像素边缘点检测方法 |
CN115937212A (zh) * | 2023-02-08 | 2023-04-07 | 成都数之联科技股份有限公司 | 一种玻璃板裂纹检测方法、装置、设备及介质 |
CN117094604A (zh) * | 2023-10-18 | 2023-11-21 | 南通双耀冲压有限公司 | 一种电机定转子冲压模具表面质量管理方法及系统 |
CN117094604B (zh) * | 2023-10-18 | 2023-12-26 | 南通双耀冲压有限公司 | 一种电机定转子冲压模具表面质量管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113240667A (zh) | 一种基于图像处理的汽车模具平面裂纹检测方法 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN108918526B (zh) | 一种柔性ic封装基板线路的缺口缺陷检测方法 | |
CN109489591B (zh) | 基于机器视觉的平面划痕长度非接触测量方法 | |
CN108846397B (zh) | 一种基于图像处理的电缆半导电层自动检测方法 | |
CN114943739B (zh) | 一种铝管质量检测方法 | |
CN106934800B (zh) | 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置 | |
CN108844471B (zh) | 一种对圆形工件边缘凹陷区域向圆心延伸长度的测量方法及装置 | |
CN111062940B (zh) | 一种基于机器视觉的螺钉定位与识别方法 | |
CN111047588A (zh) | 一种轴型小零件尺寸的图像化测量方法 | |
CN108871185B (zh) | 零件检测的方法、装置、设备以及计算机可读存储介质 | |
CN109990711B (zh) | 一种冲孔镀镍钢带的外观质量检测方法 | |
CN111539927B (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测方法 | |
CN112767359B (zh) | 复杂背景下的钢板角点检测方法及系统 | |
CN116468687A (zh) | 划伤缺陷检测方法、装置及存储介质、电子设备 | |
CN115861307B (zh) | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 | |
CN114897881B (zh) | 一种基于边缘特征的晶粒缺陷检测方法 | |
CN117152129B (zh) | 一种电池盖板的表面缺陷视觉检测方法及系统 | |
CN114199127A (zh) | 基于机器视觉的汽车零件尺寸检测系统及方法 | |
CN111815580B (zh) | 一种图像边缘识别方法及小模数齿轮模数检测方法 | |
CN116542910A (zh) | 基于亚像素边缘提取的冲压件圆孔定位及形变检测方法 | |
CN113902894B (zh) | 一种基于图像处理的条式水平仪自动读数识别方法 | |
CN113780263B (zh) | 一种压力报警器仪表定位和识别读数方法及装置 | |
CN115980063A (zh) | 工件表面瑕疵检测方法及装置 | |
CN112837285B (zh) | 一种板面图像的边缘检测方法及装置 |
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 |