CN113362308A - 一种物体边缘的毛刺检测方法及装置、存储介质 - Google Patents
一种物体边缘的毛刺检测方法及装置、存储介质 Download PDFInfo
- Publication number
- CN113362308A CN113362308A CN202110634690.6A CN202110634690A CN113362308A CN 113362308 A CN113362308 A CN 113362308A CN 202110634690 A CN202110634690 A CN 202110634690A CN 113362308 A CN113362308 A CN 113362308A
- Authority
- CN
- China
- Prior art keywords
- edge point
- edge
- distance
- target object
- points
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 230000007547 defect Effects 0.000 claims abstract description 137
- 238000003708 edge detection Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims description 84
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 21
- 238000012216 screening Methods 0.000 claims description 16
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 52
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 5
- 229910052710 silicon Inorganic materials 0.000 description 5
- 239000010703 silicon Substances 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000002923 metal particle Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G06T7/10—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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种物体边缘的毛刺检测方法及装置、存储介质,其中毛刺检测方法包括:获取目标物体的待检测图像以及待检测图像上设置的感兴趣区域;对感兴趣区域进行边缘检测,得到目标物体的边缘点集合;根据感兴趣区域的形状配置待检测图像的基准线;计算目标物体的边缘点集合中各个边缘点分别到达基准线的距离,确定边缘点集合中候选的多个缺陷点;根据候选的多个缺陷点确定目标物体的毛刺缺陷。技术方案配置了待检测图像的基准线,以及利用基准线对边缘点集合中的数据进行筛选,如此可以快速地找到一些候选的缺陷点,从而准确的确定物体边缘上的毛刺缺陷。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种物体边缘的毛刺检测方法及装置、存储介质。
背景技术
工业产品中往往包含各种形状的边缘,例如圆形、长方形以及直线和圆弧的组合形状等。边缘是工业产品的一项重要特征,直接影响工业产品的质量,而边缘缺陷检测一直是困扰本领域技术人员的难题。工业产品边缘缺陷检测主要是检测产品边缘的一致性,即检测产品边缘是否存在凸痕、凹痕等缺陷。
例如,对于手机外屏和集成电路硅片的边缘,手机外屏和集成电路硅片一般具有规则的边缘(手机外屏具有长方形边缘,集成电路硅片具有圆弧和直线的组合边缘);手机外屏的边缘如果存在缺陷,则会影响到手机外屏的装配,甚至导致手机无法正常使用;集成电路硅片的边缘如果存在缺陷,则会影响集成电路的制造,甚至导致基于集成电路硅片的芯片质量下降。因此,对工业产品的边缘缺陷检测是工业生产的重要环节。
目前,边缘缺陷检测主要为人工检测,工作人员一般以肉眼观察的方式检查待测物体的图像,查看是否存在凹痕或凸痕缺陷,然而上述检测方式依赖于人眼的视觉检查,精度很难保证,而且长时间的检查容易导致视觉疲劳,从而降低检测效率甚至导致错检、漏检。当然,还有些方式是使用拍摄设备获取工业产品边缘的高分辨率图像,由于该高分辨率图像能够显示产品边缘的细节,技术人员沿着高分辨图像中的产品边缘进行观测,能够轻易发现产品的凹痕、凸痕等缺陷,这种方式虽然也能完成工业产品的缺陷检测,但存在效率低下、应用成本高的不足。
发明内容
本申请主要解决的技术问题是:如何克服现有工业产品边缘缺陷检测中存在的检测精度低、检测效率低的问题。为解决上述技术问题,本申请提出一种物体边缘的毛刺检测方法及装置、存储介质。
根据第一方面,一种实施例中提供一种物体边缘的毛刺检测方法,包括:获取目标物体的待检测图像以及所述待检测图像上设置的感兴趣区域;所述感兴趣区域具有矩形、圆形或圆环的形状;对所述感兴趣区域进行边缘检测,得到所述目标物体的边缘点集合;根据所述感兴趣区域的形状配置所述待检测图像的基准线;计算所述目标物体的边缘点集合中各个边缘点分别到达所述基准线的距离,确定所述边缘点集合中候选的多个缺陷点;根据候选的多个缺陷点确定所述目标物体的毛刺缺陷。
所述对所述感兴趣区域进行边缘检测,得到所述目标物体的边缘点集合,包括:根据预设的宽度w和步长s在所述感兴趣区域中生成多个待检测的子区域并形成区域序列;对于所述区域序列中的每个子区域,利用所述子区域内各像素点的灰度值构建灰度投影曲线f,对所述灰度投影曲线进行梯度计算以得到梯度投影曲线f′,根据所述梯度投影曲线f′在所述子区域内对所述目标物体进行边缘点的筛选,得到若干个边缘点;获取各个所述子区域内分别筛选得到的边缘点,构成所述目标物体的边缘点集合。
在得到所述目标物体的边缘点集合之后还包括亚像素插值步骤,所述亚像素插值步骤包括:对于所述边缘点集合中的每个边缘点,获取该边缘点和前后边缘点的梯度值且分别表示为f′i-1、fi′、f′i+1,下标i为边缘点的序号;利用获取的梯度值进行抛物曲线拟合,得到抛物曲线的系数a′、b′、c′,则抛物曲线表示为y=a′x2+b′x+c′;获得所述抛物曲线在局部坐标系中的最大值ymax对应的xmax,利用亚像素的坐标插值结果xmax更新所述边缘点集合中第i个边缘点的坐标;构成新边缘点集合,所述新边缘点集合中的各个边缘点用于进行基准线配置和计算到达基准线的距离。
在一个具体实施例中,所述根据所述感兴趣区域的形状配置所述待检测图像的基准线,包括:判断所述感兴趣区域的形状为矩形时,建立关于直线的第一损失函数并表示为其中,ε1为n个边缘点分别到直线的距离的累积误差,ωi为第i个权重系数,λ也为权重系数,(xi,yi)为第i个边缘点的坐标,a、b、c均为直线的系数;将所述待检测图像的基准线设定为直线,在所述第一损失函数收敛时计算得到系数a、b、c,并对所述待检测图像的基准线进行配置;对于所述目标物体的边缘点集合中的一个边缘点pi,边缘点pi到达所述基准线的距离表示为δi=|axi+byi+c|。
在另一个具体实施例中,所述根据所述感兴趣区域的形状配置所述待检测图像的基准线,包括:判断所述感兴趣区域的形状为圆形或圆环时,建立关于圆形曲线的第二损失函数,所述第二损失函数用基于代数距离的方式表示为
或者,所述第二损失函数用基于几何距离的方式表示为
其中,ε2、ε3均为n个边缘点分别到圆形曲线的距离的累积误差,ωi为第i个权重系数,R为圆形曲线的半径,(xc,yc)为圆形曲线的中点坐标,(xi,yi)为第i个边缘点的坐标;将所述待检测图像的基准线设定为圆形曲线,在所述第二损失函数收敛时计算得到参数R、xc、yc,并对所述待检测图像的基准线进行配置;对于所述目标物体的边缘点集合中的一个边缘点pi,边缘点pi到达所述基准线的距离表示为代数距离δi=|(xi-xc)2+(yi-yc)2-R2|,或者表示为几何距离
在一种情况下,所述的毛刺检测方法还包括:计算所述目标物体的边缘点集合中各个边缘点分别到达所述基准线的距离,得到距离序列{δi}(i=1...n),根据所述距离序列{δi}计算得到参考中值且表示为τ=1.4826×med{δi};利用Huber权重函数或者Tukey权重函数更新已建立的损失函数中的权重系数ωi,在已建立的损失函数收敛时重新配置所述待检测图像的基准线,以及重新计算所述目标物体的边缘点集合中各个边缘点分别到达重新配置的基准线的距离,直至距离的计算结果收敛或者达到预设的迭代次数;获得最后一次迭代处理时所述边缘点集合中各个边缘点分别到达重新配置的基准线的距离;其中,所述Huber权重函数表示为
其中,所述Tukey权重函数表示为
在另一种情况下,所述的毛刺检测方法还包括:计算所述目标物体的边缘点集合中各个边缘点分别到达对应的参考点的距离,得到边缘点和参考点的距离序列{li}(i=1...n);对边缘点和参考点的距离序列{li}进行高斯模糊处理并拟合形成平滑曲线,根据拟合的平滑曲线中各距离值分别相对于参考点的距离计算对应的基准点的坐标,以及根据参考点和基准点的坐标获得距离序列{δi};这里的距离序列{δi}用于作为所述边缘点集合中各边缘点分别到达基准线的距离。
所述计算所述目标物体的边缘点集合中各个边缘点分别到达所述基准线的距离,确定所述边缘点集合中候选的多个缺陷点,包括:获取所述目标物体的边缘点集合中各个边缘点分别到达所述基准线的距离;对于边缘点pi,若到达所述基准线的距离δi大于预设的距离阈值,则确定边缘点pi为候选的缺陷点;遍历所述目标物体的边缘点集合中的各个边缘点,确定候选的多个缺陷点。
所述根据候选的多个缺陷点确定所述目标物体的毛刺缺陷,包括:从候选的多个缺陷点中搜寻坐标连续的若干个缺陷点;判断所述若干个缺陷点满足预设的检测条件时,将所述若干个缺陷点确定为所述目标物体的一个毛刺缺陷;所述检测条件包括以下的一个或多个条件:所述若干个缺陷点的数目大于预设的第一阈值,所述若干个缺陷点中各缺陷点到达所述基准线的最大距离大于预设的第二阈值,所述若干个缺陷点构成的缺陷面积大于预设的第三阈值,所述若干个缺陷点构成的缺陷长度大于预设的第四阈值。
根据第二方面,一种实施例中提供一种毛刺检测装置,包括:相机,用于通过取像得到目标物体的待检测图像;处理器,与所述相机连接,用于通过上述第一方面中所述的毛刺检测方法对所述待检测图像进行检测,得到所述目标物体的毛刺缺陷;显示器,与所述处理器连接,用于对所述目标物体的待检测图像和/或毛刺缺陷进行显示。
所述处理器包括:获取模块,用于获取目标物体的待检测图像以及所述待检测图像上设置的感兴趣区域;所述感兴趣区域具有矩形、圆形或圆环的形状;第一检测模块,用于对所述感兴趣区域进行边缘检测,得到所述目标物体的边缘点集合;配置模块,用于根据所述感兴趣区域的形状并配置所述待检测图像的基准线;计算模块,用于计算所述目标物体的边缘点集合中各个边缘点分别到达所述基准线的距离,确定所述边缘点集合中候选的多个缺陷点;第二检测模块,用于根据候选的多个缺陷点确定所述目标物体的毛刺缺陷。
根据第三方面,一种实施例中提供一种计算机可读存储介质,所述介质上存储有程序,所述程序能够被处理器执行以实现上述第一方面中所述的毛刺检测方法。
本申请的有益效果是:
依据上述实施例的一种物体边缘的毛刺检测方法及装置、存储介质,其中毛刺检测方法包括:获取目标物体的待检测图像以及待检测图像上设置的感兴趣区域;对感兴趣区域进行边缘检测,得到目标物体的边缘点集合;根据感兴趣区域的形状配置待检测图像的基准线;计算目标物体的边缘点集合中各个边缘点分别到达基准线的距离,确定边缘点集合中候选的多个缺陷点;根据候选的多个缺陷点确定目标物体的毛刺缺陷。一方面,技术方案对目标物体的待检测图像进行处理,通过对边缘点集合进行筛选得到候选的缺陷点,并进一步确定目标物体的毛刺缺陷,如此能够以图像处理的方式实现物体边缘的毛刺检测功能,提高毛刺缺陷的检测效率;另一方面,技术方案配置了待检测图像的基准线,以及利用基准线对边缘点集合中的数据进行筛选,如此可以快速地找到一些候选的缺陷点,从而准确的确定物体边缘上的毛刺缺陷。
此外,技术方案通过亚像素插值方式更新边缘点集合,可排除一些无效边缘点的干扰,有效提高待检测图像上感兴趣区域内的边缘检测准确度。技术方案在配置待检测图像的基准线时考虑到了待检测图像上感兴趣区域的形状,从而将基准线设定为直线或者设定为圆形曲线,如此能够快速、准确地拟合出基准线,提高后续边缘点的筛选能力。技术方案为了准确计算边缘点集合中各个边缘点分别到达基准线的距离,既提供了利用权重函数重新配置基准线和迭代更新边缘点到达基准线的距离的方式,还提供了利用高斯模糊处理对边缘点到达基准线的距离进行补偿的方式,如此可借助不同技术手段提高距离计算的准确性。技术方案通过设置多种不同的检测条件对候选的多个缺陷点进行判断,不仅能够剔除一些异常数据,还能够考虑到多方因素对毛刺缺陷检测过程的影响作用,从而强化毛刺检测方法的实际应用性能,更好地满足产品边缘的毛刺检测要求。
附图说明
图1为本申请一种实施例中物体边缘的毛刺检测方法的流程图;
图2为边缘检测和亚像素插值的流程图;
图3为计算边缘点到达基准线距离的流程图;
图4为确定候选的缺陷点的流程图;
图5为确定毛刺缺陷的流程图;
图6为在产品的待检测图像上设置矩形的感兴趣区域的示意图;
图7为在矩形的感兴趣区域中生成多个待检测的子区域的示意图;
图8为待检测的子区域中边缘点与基准点的关系示意图;
图9为构建灰度投影曲线的原理示意图;
图10为在产品的待检测图像上设置圆形的感兴趣区域的示意图;
图11为在圆形的感兴趣区域中生成多个待检测的子区域的示意图;
图12为本申请一种实施例中毛刺检测装置的结构示意图;
图13为处理器的结构示意图;
图14为本申请另一种实施例中毛刺检测装置的结构示意图。
具体实施方式
下面通过具体实施方式结合附图对本申请作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。
为清楚地理解本申请技术方案,这里对一些技术术语进行说明。
毛刺(veining)是工件在切削力作用下产生晶粒剪切滑移、塑性变形,使材料被挤压、撕裂,导致零件表面或交接处出现的多余材料,通常为金属件表面出现余屑和表面极细小的显微金属颗粒;毛刺越多代表产品质量的标准越低,对产品的外形和使用都有很大影响,加工过程中应尽量避免出现毛刺,无法避免时要有后续去毛刺的工艺,保证产品的美观、实用。
在以往技术中,对目标物体的边缘定位方法可描述为:在图像中设置仿射矩形采样投影区域,在采样投影区域中进行边缘点的检测与定位;根据获得的边缘点进行曲线拟合,进而得到边缘的轮廓和位置信息,从而实现边缘定位。然而,以往的边缘定位方法还存在一些缺陷,缺少亚像素插值处理致使对于高精度测量情形下无法满足精度要求,拟合过程中缺少异常点的数据剔除步骤导致拟合基准与实际物体之间存在偏差,对于噪声图像则缺少平滑处理则容易造成误检,检测过程仅考虑当前点的距离阈值却缺少对曲线连续性特征信息的考虑和判断则容易造成误检测。
本申请技术方案主要是要解决产品轮廓边缘的毛刺检测问题,同时满足检测过程很好的稳定性和实时性的要求,因此技术方案主要从以下几个方面进行考虑:对于噪声情况,方案增加异常点剔除功能和平滑处理操作,使检测过程具有稳定性;方案简化曲线的参数表示形式,降低算法的复杂度,同时提升检测过程的处理速度;方案为满足高精度测量情形下的检测要求,增加亚像素插值的算法处理过程。
实施一、
请参考图1,本实施例中公开一种物体边缘的毛刺检测方法,其主要包括步骤110-150,下面分别说明。
步骤110,获取目标物体的待检测图像以及待检测图像上设置的感兴趣区域,这里的感兴趣区域具有矩形、圆形或圆环的形状。
需要说明的是,可以使用相机或摄像机来对目标物体进行取像,形成目标物体的待检测图像;这里的目标物体可为切削加工后的各类产品,比如手机外壳、电路板、机械工件、装配零件等,这些产品往往具有不规则的轮廓边缘且容易存在毛刺。在某些情况下,可通过人机交互方式在待检测图像上设置感兴趣区域(RoI),并且感兴趣区域应当具有矩形、圆形和圆环的可选形状,用户可选择其中任意一种形状的感兴趣区域,以及调整感兴趣区域的形状大小和分布位置;可以理解,由于待检测图像中展示有目标物体的表面形态,那么感兴趣区域可仅圈定目标物体的一部分表面形态,比如圈定目标物体的一侧边缘。
可以理解,设置感兴趣区域的目的是缩小待检测图像上目标物体的检测范围,提高检测效率,还为后续配置何种类型的基准线提供判断依据。
步骤120,对感兴趣区域进行边缘检测,得到目标物体的边缘点集合。由于感兴趣区域包含有目标物体的一部分表面形状,那么可通过一些边缘检测的图像处理技术对目标物体的外部边缘进行识别,将涉及外部边缘的像素点进行统计,从而得到目标物体的边缘点集合。
步骤130,根据感兴趣区域的形状配置待检测图像的基准线。配置基准线的目的是为了校验边缘点集合中的各个边缘点是否位置合理,方便找到位置异常的边缘点。
步骤140,计算目标物体的边缘点集合中各个边缘点分别到达基准线的距离,确定边缘点集合中候选的多个缺陷点。配置的基准线对目标物体的外部边缘具有形状拟合作用,判断每个边缘点到达基准线的距离就能够确定该边缘点是否位置异常,而位置异常的边缘点就是候选的缺陷点。
步骤150,根据候选的多个缺陷点确定目标物体的毛刺缺陷。由于单个缺陷点的所在区域非常小,还不足以构成目标物体在外部边缘处的一个毛刺,还需要对多个缺陷点进行数目、距离误差、面积、长度的判断,满足检测条件的多个缺陷点才认为构成了目标物体的毛刺缺陷。
在本实施例中,技术方案对目标物体的待检测图像进行处理,通过对边缘点集合进行筛选得到候选的缺陷点,并进一步确定目标物体的毛刺缺陷,如此能够以图像处理的方式实现物体边缘的毛刺检测功能,提高毛刺缺陷的检测效率。此外,技术方案配置了待检测图像的基准线,以及利用基准线对边缘点集合中的数据进行筛选,如此可以快速地找到一些候选的缺陷点,从而准确的确定物体边缘上的毛刺缺陷。
在本实施例中,上面的步骤120主要涉及目标物体边缘检测的过程,那么可参考图2,该步骤120可具体包括步骤121-123,分别说明如下。
步骤121,根据预设的宽度w和步长s在感兴趣区域中生成多个待检测的子区域并形成区域序列。具体地,对待检测区域进行子区域的离散划分,相邻两个子区域之间存在非检测区域,每个子区域的宽度为w,相邻两个子区域相同位置的间距(即步长)为s。宽度w和步长s可由用户进行自由设定,这里不做具体限制。
比如图6,在工件R的待检测图像上设置可旋转矩形的感兴趣区域A1,那么就可将感兴趣区域A1划分成多个待检测的子区域,具体参见图7,图7中的整个矩形区域即为图6中的感兴趣区域A1且与感兴趣区域A1之间存在一定的矩形旋转角度,图7中整个矩形区域中的各个子区域在矩形框内以竖排方式均匀分布,其中每个子区域的宽度为w、高度为h,相邻两个子区域起点位置的间距为s。
比如图10,在工件R的待检测图像上设置可圆环形的感兴趣区域A2,那么就可将感兴趣区域A2划分成多个待检测的子区域,具体参见图11,各个子区域在圆环框内以环形方式均匀分布,其中每个子区域的宽度为w,相邻两个子区域中轴位置的间距为s。
步骤122,对于区域序列中的每个子区域,利用子区域内各像素点的灰度值构建灰度投影曲线f,对灰度投影曲线进行梯度计算以得到梯度投影曲线f′,根据梯度投影曲线f′在子区域内对目标物体进行边缘点的筛选,得到若干个边缘点。
比如图9,示意了针对一个子区域构成对应的灰度投影曲线f的原理,图9所示内容为图7中的一个待检测的子区域,沿着宽度方向计算每个像素点的灰度值插值,具体可采用最近邻插值法或者双线性插值法,若设插值后的灰度值为gi,j,其中i表示投影方向上的第i列像素(投影方向即图7中的w所示方向,子区域内的每列像素与h所示方向垂直),j表示投影方向上像素列中的第j个数据点,因此可以得到子区域中第i个列像素的平均灰度值为
其中,r、c分别表示子区域中心像素点的行坐标和列坐标,m表示子区域的一半宽度且等于0.5w。
将si的集合{si}以数组形式表示,该数组即可视为灰度投影曲线,记为其中k是投影高度(可为图7中每个子区域内投影方向上的像素列数目)。获得灰度投影曲线f后,对灰度投影曲线f进行梯度计算。若梯度采用Gauss核函数进行计算,则每一个像素点对应的梯度值可表示为
其中,x为像素点坐标相对于原点的偏移量,σ为核函数的参数。计算过程中也可以加入滤波操作,将滤波和梯度插值和为一个处理过程,从而节省运算时间,那么根据设置的σ数值即可计算滤波核的宽度。那么,在得到梯度值之后即可构建梯度投影曲线f′,且表示为f′=f×h。
接下来,可以根据下列的判断条件筛选目标物体的边缘点,判断条件表示为
|f′(x)|>|f′(x-1)|,|f′(x)|>|f′(x+1)|,|f′(x)|>tabs。
其中,tabs为设预设的边缘阈值。筛选出符合条件的边缘点,具体可包含极性筛选方式,比如黑到白、白到黑、任意极性变化;还包含位置筛选方式,比如开始点、末尾点、最近中心、最大强度。其中对于位置筛选中开始点、末尾点、最近中心、最大强度中的任一种选择方式,就是沿着搜索方向进行查找,得到若干个符合条件的数据点,开始点是从搜索方向查找到的第一个特征点,末尾点是从搜索方向查找到的最后一个特征点,最近中心是最靠近矩形旋转中心的坐标点,最强梯度是选择梯度幅值最大的特征点。
参见图6和图7,针对矩形的感兴趣区域A1内的每一个子区域,构建对应的灰度投影曲线f,以及计算对应的梯度投影曲线f′,梯度投影曲线f′可具体参考图6中的曲线B1,示意了一个子区域内各个像素点的梯度值,曲线B1上的数值66.4为最大的梯度幅值。此时,依据判断条件即可对目标物体的边缘点进行筛选,从而在感兴趣区域A1中找到工件R上的边缘处的各个边缘点。参见图10和图11,针对圆环的感兴趣区域A2内的每一个子区域,构建对应的灰度投影曲线f,以及计算对应的梯度投影曲线f′,梯度投影曲线f′可具体参考图10中的曲线B2,图10示意了一个子区域内各个像素点的梯度值,曲线B2上的数值119.2为最大的梯度幅值。此时,依据判断条件即可对目标物体的边缘点进行筛选,从而在感兴趣区域A2中找到工件R上边缘处的边缘点。
需要说明的是,在步骤122中依据每个子区域可筛选出若干个边缘点,比如0、1,那么依据每个子区域筛选出0个或1个边缘点。
步骤123,获取各个子区域内分别筛选得到的边缘点,构成目标物体的边缘点集合。由于依据每个子区域可得到若干个(比如0个或1个)边缘点,那么统计各个子区域中的边缘点,将符合判断条件的边缘点构成边缘点集合,可表示为{(xi,yi)}。
在一个实施例中,在得到目标物体的边缘点集合之后还可包括亚像素插值步骤,通过亚像素插值步骤124-125来对边缘点集合中的各边缘进行数据优化。
步骤124,对于边缘点集合中的每个边缘点,获取该边缘点和前后边缘点的梯度值且分别表示为f′i-1、fi′、f′i+1,下标i为边缘点的序号;利用获取的梯度值进行抛物曲线拟合,得到抛物曲线的系数a′、b′、c′,则抛物曲线表示为y=a′x2+b′x+c′。
步骤125,获得抛物曲线在局部坐标系中的最大值ymax对应的xmax,利用亚像素的坐标插值结果xmax更新边缘点集合中第i个边缘点的坐标;此时便可构成新边缘点集合,新边缘点集合中的各个边缘点用于进行基准线配置和计算到达基准线的距离。
在一个具体实施例中,对于任意一个字区域中第i个边缘点,利用前后边缘点的灰度值进行抛物曲线的拟合,输入分别记为(i-1,f′i1)、(i,fi′)、(i+1,f′i+1),只要计算出抛物曲线y=a′x2+b′x+c′中的系数a′、b′、c′即可构建得到该抛物曲线。在抛物曲线y=a′x2+b′x+c′上,获取y的最大值对应的x值,即为x=-b′/(2a′)且用于表示亚像素偏差。在这里,可采用局部坐标系进行计算,因此x满足 如果计算结果不在这个范围内则将亚像素偏差设置为0;那么,亚像素的坐标插值结果xmax用公式表示为
根据获得的亚像素插值结果xmax更新对应的亚像素坐标,旋转前对应的亚像素坐标为(xi′,yi′),xi′=xi+xmax,yi′=yi,,旋转后的坐标可表示为
需要说明的是,步骤124和125通过亚像素插值方式更新边缘点集合,可排除一些无效边缘点的干扰,有效提高待检测图像上感兴趣区域内的边缘检测准确度。
在本实施例中,上面的步骤130主要涉及配置基准线的过程,那么可参考图3,该步骤130可具体包括步骤131-134,分别说明如下。
步骤131,判断感兴趣区域的形状。由于感兴趣区域存在矩形、圆形或环形的可能性,所以这里在判断形状为矩形时进入步骤132-134,判断形状为圆形或环形时进入步骤135-137。
步骤132,在判断感兴趣区域的形状为矩形的情况下,建立关于直线的第一损失函数并表示为
其中,ε1为n个边缘点分别到直线的距离的累积误差,ωi为第i个权重系数,λ也为权重系数,(xi,yi)为第i个边缘点的坐标,a、b、c均为直线的系数。需要说明的是,对于权重系数ωi,初始值可均设为1,迭代计算过程中ωi可以采用Drop、Gauss、Huber、Tukey等权重系数的表示方式进行计算。
步骤133,将待检测图像的基准线设定为直线,在第一损失函数收敛时计算得到系数a、b、c,并对待检测图像的基准线进行配置。需要说明的是,第一损失函数收敛的条件为:多次迭代计算之后,前后两次计算得到的累积误差ε1的差值小于预设的阈值,或者迭代达到预设的次数。
步骤134,对于目标物体的边缘点集合中的一个边缘点pi,边缘点pi到达基准线的距离表示为δi=|axi+byi+c|。需要说明的是,距离δi即为边缘点pi的坐标到直线ax+by+c=0的最短距离。
步骤135,在判断感兴趣区域的形状为圆形或圆环的情况下,由于圆形或环形都是以原点为中心的圆形曲线,所以可建立关于圆形曲线的第二损失函数,第二损失函数可用两种不同的形式进行表示。
其一,第二损失函数用基于代数距离的方式表示为
其二,第二损失函数用基于几何距离的方式表示为
在上式中,ε2、ε3均为n个边缘点分别到圆形曲线的距离的累积误差,ωi为第i个权重系数,R为圆形曲线的半径,(xc,yc)为圆形曲线的中点坐标,(xi,yi)为第i个边缘点的坐标。需要说明的是,对于权重系数ωi,初始值可均设为1,迭代计算过程中ωi可以采用Drop、Gauss、Huber、Tukey等权重系数的表示方式进行计算。
步骤136,将待检测图像的基准线设定为圆形曲线,在第二损失函数收敛时计算得到参数R、xc、yc,并对待检测图像的基准线进行配置。需要说明的是,无论是代数距离或几何距离对应的哪一种第二损失函数,函数收敛的条件为:多次迭代计算之后,前后两次计算得到的累积误差ε2或ε3的差值小于预设的阈值,或者迭代达到预设的次数。
步骤137,对于目标物体的边缘点集合中的一个边缘点pi,边缘点pi到达基准线的距离表示为代数距离δi=|(xi-xc)2+(yi-yc)2-R2|,或者表示为几何距离需要说明的是,无论对于代数距离还是几何距离,δi均为边缘点pi到达圆(x-xc)2+(y-yc)2=R2的圆心(xc,yc)的距离减去半径R的值。
需要说明的是,上面的步骤131-137中在配置待检测图像的基准线时考虑到了待检测图像上感兴趣区域的形状,从而将基准线设定为直线或者设定为圆形曲线,如此能够快速、准确地拟合出基准线,提高后续边缘点的筛选能力。
在一个实施例中,虽然在配置好待检测图像的基准线的情况下,能够得到目标物体的边缘点集合中每个边缘点到达基准线的距离,但是因噪声的干扰作用使距离的计算结果还存在一些误差,那么可以通过两种方式对距离的计算结果进行修正,从而提高每个边缘点到达基准线的距离的准确度。
方式一:
(1)计算目标物体的边缘点集合中各个边缘点分别到达基准线的距离,得到距离序列{δi}(i=1...n),根据距离序列{δi}计算得到参考中值且表示为τ=1.4826×med{δi}。
需要说明的是,在基准线设定为直线的情况下,每个边缘点到达基准线的距离即为边缘点与直线的最短距离。而在基准线设定为圆形曲线的情况下,每个边缘点达到基准线的距离即为边缘点与圆形曲线的最短距离,当然数值上等于边缘点与圆心的距离减去半径。
(2)利用Huber权重函数或者Tukey权重函数更新已建立的损失函数中的权重系数ωi,在已建立的损失函数收敛时重新配置待检测图像的基准线,以及重新计算目标物体的边缘点集合中各个边缘点分别到达重新配置的基准线的距离(即重复上述的步骤132-134,或者步骤135-137),直至距离的计算结果收敛或者达到预设的迭代次数。
(3)那么,获得最后一次迭代处理时边缘点集合中各个边缘点分别到达重新配置的基准线的距离,从而更新距离序列{δi}。
其中,Huber权重函数表示为
其中,Tukey权重函数表示为
方式二:
(1)计算目标物体的边缘点集合中各个边缘点分别到达参考点的距离,得到边缘点与参考点的距离序列{li}(i=1...n)。
(2)对边缘点与参考点的距离序列{li}进行高斯模糊处理并拟合形成平滑曲线,根据平滑曲线中各距离值分别相对于参考点的距离,获得基准点坐标,从而根据参考点坐标和基准点坐标获得距离序列{δi}。
在方式二中,实质上是对边缘点与参考点的距离序列{li}进行高斯平滑处理,得到平滑后的平滑距离,根据平滑后的距离计算出来基准线上的基准点坐标,进一步计算边缘点到基准点的距离。比如图8,设定每个子区域边缘上的圆点标记作为参考点,设定每个子区域内的十字标记作为边缘点,根据子区域内的像素坐标可得到每个边缘点到对应参考点的距离;若将参考点的坐标设为(xref,yref),基准点的坐标设为(xi,yi),则可由公式xi=xref+di×cosα、yi=yref-di×sinα进行坐标转换,其中di为对应平滑后的距离,α为基准点与参考点的夹角;在得到基准点坐标的情况下,能够得到参考点和基准点的距离序列{δi}。
当然,对于图11,可以设定圆环的圆心作为参考点,在每个子区域中确定0个或1个边缘点,从而得到每个边缘点到达对应参考点的距离;同样,根据公式xi=xref+di×cosα、yi=yref-di×sinα能够计算出对应的基准点的坐标,其中的(xref,yref)为参考点(即圆心)的坐标;那么在得到基准点坐标的情况下,即可根据参考点的坐标和基准点的坐标获得的距离序列{δi}。
需要说明的是,在上面的两种方式中,为了准确计算边缘点集合中各个边缘点分别到达基准线的距离,既提供了利用权重函数重新配置基准线和迭代更新边缘点到达基准线的距离的方式,还提供了利用高斯模糊处理对边缘点到达基准线的距离进行距离序列表征的方式,如此可借助不同技术手段提高距离计算的准确性。
在本实施例中,上面的步骤140主要涉及确定候选的缺陷点的过程,那么可参考图4,该步骤140可具体包括步骤141-143,分别说明如下。
步骤141,获取目标物体的边缘点集合中各个边缘点分别到基准线的距离。
对于待检测图像的基准线设定为直线的情况,可参考步骤132-134,边缘点pi到达基准线的距离可表示为δi=|axi+byi+c|,进而得到距离序列{δi}。
对于待检测图像的基准线设定为直线的情况,可参考步骤135-137,边缘点pi到达基准线的距离可表示为代数距离δi=|(x-xc)2+(y-yc)2-R2|,或者表示为几何距离进而得到距离序列{δi}。
步骤142,对于边缘点pi,若到达基准线的距离δi大于预设的距离阈值,则确定边缘点pi为候选的缺陷点。
步骤143,遍历目标物体的边缘点集合中的各个边缘点,确定候选的多个缺陷点。也就是说,将边缘点集合中的各个边缘点到达基准线的距离均与距离阈值进行比较,找出所有候选的缺陷点,从而得到候选的多个缺陷点。
在本实施例中,上面的步骤150主要涉及确定毛刺缺陷的过程,那么可参考图5,该步骤150可具体包括步骤151-152,分别说明如下。
步骤151,从候选的多个缺陷点中搜寻坐标连续的若干个缺陷点。比如,只要三个以上的缺陷点满足坐标连续的条件,那么就可将这三个以上的缺陷点作为坐标连续的若干个缺陷点。
步骤152,判断若干个缺陷点满足预设的检测条件时,将这若干个缺陷点确定为目标物体的一个毛刺缺陷。为了在待检测图像上准确表示出毛刺缺陷的位置或形态,则可以用轮廓线圈定这若干个缺陷点,可以输出这若干个缺陷点的坐标,还可以对这若干个缺陷点的所在区域进行特殊符号或特殊颜色的标记。
需要说明的是,检测条件包括以下的一个或多个条件:其一,若干个缺陷点的数目大于预设的第一阈值(比如3个);其二,若干个缺陷点中各缺陷点到达基准线的最大距离大于预设的第二阈值(比如15个像素);其三,若干个缺陷点构成的缺陷面积大于预设的第三阈值(比如50个像素面积);其四,若干个缺陷点构成的缺陷长度大于预设的第四阈值(比如20个像素长度)。判断使用的检测条件可以是以上四个条件中的一个或多个,具体采用哪几个条件则不作具体限制。
需要说明的是,在步骤152中通过设置多种不同的检测条件对候选的多个缺陷点进行判断,不仅能够剔除一些异常数据,还能够考虑到多方因素对毛刺缺陷检测过程的影响作用,从而强化毛刺检测方法的实际应用性能,更好地满足产品边缘的毛刺检测要求。
实施例二、
在实施例一中公开的物体边缘的毛刺检测方法的基础上,本实施例中公开一种毛刺检测装置。
请参考图12,本实施例中的毛刺检测装置主要包括相机21、处理器22和显示器23,下面分别说明。
相机21用于通过取像得到目标物体的待检测图像。这里的目标物体可为切削加工后的各类产品,比如手机外壳、电路板、机械工件、装配零件等,这些产品往往具有不规则的轮廓边缘且容易存在毛刺。
处理器22与相机21连接,用于通过实施例一中公开的毛刺检测方法对待检测图像进行检测,得到目标物体的毛刺缺陷。可以理解,处理器22可以是具有数据处理功能的CPU、GPU、FPGA、微控制器或数字集成电路,只要能够依据自身逻辑指令实现上文步骤110-150实现的毛刺检测方法即可。
显示器23与处理器22连接,用于对目标物体的待检测图像和/或毛刺缺陷进行显示。可以理解,显示器23可以是具有图像显示功能的屏幕,能够对待检测图像和毛刺缺陷进行单独显示或共同显示即可,具体的屏幕类型和显示布局方式不做限制。
在本实施例中,参见图13,处理器22包括获取模块22-1、第一检测模块22-2、配置模块22-3、计算模块22-4和第二检测模块22-5。
获取模块22-1可与相机21通信,从而从相机21获取待检测图像。并且,获取模块22-1在获取目标物体的待检测图像之后,还可以获取待检测图像上设置的感兴趣区域,这里的感兴趣区域具有矩形、圆形或圆环的形状。
在一个具体实施例中,用户可通过人机交互方式在待检测图像上设置感兴趣区域(RoI),并且感兴趣区域应当具有矩形、圆形和圆环的可选形状,用户可选择其中任意一种形状的感兴趣区域,以及调整感兴趣区域的形状大小和分布位置,如此方便获取模块22-1直接依据用户的设置参数来获取感兴趣区域。
需要说明的是,由于待检测图像中展示有目标物体的表面形态,那么感兴趣区域可仅圈定目标物体的一部分表面形态,比如图6中的矩形区域或图10中的环形区域。
第一检测模块22-2用于对感兴趣区域进行边缘检测,得到目标物体的边缘点集合。比如,第一检测模块22-2可根据预设的宽度w和步长s在感兴趣区域中生成多个待检测的子区域并形成区域序列;对于区域序列中的每个子区域,利用子区域内各像素点的灰度值构建灰度投影曲线f,对灰度投影曲线进行梯度计算以得到梯度投影曲线f′,根据梯度投影曲线f′在子区域内对目标物体进行边缘点的筛选,得到若干个边缘点;获取各个子区域内分别筛选得到的边缘点,构成目标物体的边缘点集合。此外,第一检测模块22-2还对于边缘点集合中的每个边缘点,获取该边缘点和前后边缘点的梯度值且分别表示为f′i-1、fi′、f′i+1;利用获取的梯度值进行抛物曲线拟合,得到抛物曲线的系数a′、b′、c′,则抛物曲线表示为y=a′x2+b′x+c′;获得抛物曲线在局部坐标系中的最大值ymax对应的xmax,利用亚像素的坐标插值结果xmax更新边缘点集合中第i个边缘点的坐标;构成新边缘点集合,新边缘点集合中的各个边缘点用于进行基准线配置和计算到达基准线的距离。关于第一检测模块22-2的功能可具体参考实施例一中的步骤121-125,这里不再赘述。
配置模块22-3用于根据感兴趣区域的形状并配置待检测图像的基准线。比如,配置模块22-3判断感兴趣区域的形状为矩形时,建立关于直线的第一损失函数并表示为将待检测图像的基准线设定为直线,在第一损失函数收敛时计算得到系数a、b、c,并对待检测图像的基准线进行配置。配置模块22-3判断感兴趣区域的形状为圆形或圆环时,建立关于圆形曲线的第二损失函数,第二损失函数用基于代数距离的方式表示为或者第二损失函数用基于几何距离的方式表示为将待检测图像的基准线设定为圆形曲线,在第二损失函数收敛时计算得到参数R、xc、yc,并对待检测图像的基准线进行配置。关于配置模块22-3的功能可具体参考实施例一中的步骤131-137,这里不再赘述。
计算模块22-4用于计算目标物体的边缘点集合中各个边缘点分别到达基准线的距离,确定边缘点集合中候选的多个缺陷点。在待检测图像的基准线设定为直线的情况下,计算模块22-4对于目标物体的边缘点集合中的一个边缘点pi,计算边缘点pi到达基准线的距离表示为δi=|axi+byi+c|;在待检测图像的基准线设定为圆形曲线的情况下,计算模块22-4对于目标物体的边缘点集合中的一个边缘点pi,计算边缘点pi到达基准线的距离表示为代数距离δi=|(xi-xc)2+(yi-yc)2-R2|,或者表示为几何距离此外,计算模块22-4对于边缘点集合中的每个边缘点pi,判断到达基准线的距离δi大于预设的距离阈值,则确定边缘点pi为候选的缺陷点;进一步地遍历目标物体的边缘点集合中的各个边缘点,确定候选的多个缺陷点。关于计算模块22-4的功能可具体参考实施例一中的步骤141-143,这里不再赘述。
第二检测模块22-5用于根据候选的多个缺陷点确定目标物体的毛刺缺陷。比如,第二检测模块22-5从候选的多个缺陷点中搜寻坐标连续的若干个缺陷点;判断若干个缺陷点满足预设的检测条件时,将若干个缺陷点确定为目标物体的一个毛刺缺陷;其中检测条件包括以下的一个或多个条件:若干个缺陷点的数目大于预设的第一阈值,若干个缺陷点中各缺陷点到达基准线的最大距离大于预设的第二阈值,若干个缺陷点构成的缺陷面积大于预设的第三阈值,若干个缺陷点构成的缺陷长度大于预设的第四阈值。关于第二检测模块22-5的功能可具体参考实施例一中的步骤151-152,这里不再赘述。
实施例三、
请参考图14,本实施例公开一种毛刺检测装置,该毛刺检测装置3主要包括存储器31和处理器32。
毛刺检测装置3的主要部件为存储器31和处理器32。其中,存储器31作为计算机可读存储介质,主要用于存储程序,该程序可以是实施例一中毛刺检测方法对应的程序代码。其中,处理器32与存储器31连接,用于执行存储器31中存储的程序以实现毛刺检测方法。处理器32实现的功能可以参考实施例二中的处理器22,这里不再进行详细说明。
本领域技术人员可以理解,上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现,也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器、随机存储器、磁盘、光盘、硬盘等,通过计算机执行该程序以实现上述功能。例如,将程序存储在设备的存储器中,当通过处理器执行存储器中程序,即可实现上述全部或部分功能。另外,当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中,通过下载或复制保存到本地设备的存储器中,或对本地设备的系统进行版本更新,当通过处理器执行存储器中的程序时,即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本申请进行阐述,只是用于帮助理解本申请技术方案,并不用以限制本申请。对于所属技术领域的技术人员,依据本申请的思想,还可以做出若干简单推演、变形或替换。
Claims (12)
1.一种物体边缘的毛刺检测方法,其特征在于,包括:
获取目标物体的待检测图像以及所述待检测图像上设置的感兴趣区域;所述感兴趣区域具有矩形、圆形或圆环的形状;
对所述感兴趣区域进行边缘检测,得到所述目标物体的边缘点集合;
根据所述感兴趣区域的形状配置所述待检测图像的基准线;
计算所述目标物体的边缘点集合中各个边缘点分别到达所述基准线的距离,确定所述边缘点集合中候选的多个缺陷点;
根据候选的多个缺陷点确定所述目标物体的毛刺缺陷。
2.如权利要求1所述的毛刺检测方法,其特征在于,所述对所述感兴趣区域进行边缘检测,得到所述目标物体的边缘点集合,包括:
根据预设的宽度w和步长s在所述感兴趣区域中生成多个待检测的子区域并形成区域序列;
对于所述区域序列中的每个子区域,利用所述子区域内各像素点的灰度值构建灰度投影曲线f,对所述灰度投影曲线进行梯度计算以得到梯度投影曲线f′,根据所述梯度投影曲线f′在所述子区域内对所述目标物体进行边缘点的筛选,得到若干个边缘点;
获取各个所述子区域内分别筛选得到的边缘点,构成所述目标物体的边缘点集合。
3.如权利要求2所述的毛刺检测方法,其特征在于,在得到所述目标物体的边缘点集合之后还包括亚像素插值步骤,所述亚像素插值步骤包括:
对于所述边缘点集合中的每个边缘点,获取该边缘点和前后边缘点的梯度值且分别表示为f′i-1、fi′、f′i+1,下标i为边缘点的序号;
利用获取的梯度值进行抛物曲线拟合,得到抛物曲线的系数a′、b′、c′,则抛物曲线表示为y=a′x2+b′x+c′;
获得所述抛物曲线在局部坐标系中的最大值ymax对应的xmax,利用亚像素的坐标插值结果xmax更新所述边缘点集合中第i个边缘点的坐标;
构成新边缘点集合,所述新边缘点集合中的各个边缘点用于进行基准线配置和计算到达基准线的距离。
5.如权利要求1所述的毛刺检测方法,其特征在于,所述根据所述感兴趣区域的形状配置所述待检测图像的基准线,包括:
判断所述感兴趣区域的形状为圆形或圆环时,建立关于圆形曲线的第二损失函数,所述第二损失函数用基于代数距离的方式表示为
或者,所述第二损失函数用基于几何距离的方式表示为
其中,ε2、ε3均为n个边缘点分别到圆形曲线的距离的累积误差,ωi为第i个权重系数,R为圆形曲线的半径,(xc,yc)为圆形曲线的中点坐标,(xi,yi)为第i个边缘点的坐标;
将所述待检测图像的基准线设定为圆形曲线,在所述第二损失函数收敛时计算得到参数R、xc、yc,并对所述待检测图像的基准线进行配置;
6.如权利要求4或5所述的毛刺检测方法,其特征在于,还包括:
计算所述目标物体的边缘点集合中各个边缘点分别到达所述基准线的距离,得到距离序列{δi}(i=1...n),根据所述距离序列{δi}计算得到参考中值且表示为τ=1.4826×med{δi};
利用Huber权重函数或者Tukey权重函数更新已建立的损失函数中的权重系数ωi,在已建立的损失函数收敛时重新配置所述待检测图像的基准线,以及重新计算所述目标物体的边缘点集合中各个边缘点分别到达重新配置的基准线的距离,直至距离的计算结果收敛或者达到预设的迭代次数;
获得最后一次迭代处理时所述边缘点集合中各个边缘点分别到达重新配置的基准线的距离;
其中,所述Huber权重函数表示为
其中,所述Tukey权重函数表示为
7.如权利要求4或5所述的毛刺检测方法,其特征在于,还包括:
计算所述目标物体的边缘点集合中各个边缘点分别到达对应的参考点的距离,得到边缘点和参考点的距离序列{li}(i=1...n);
对边缘点和参考点的距离序列{li}进行高斯模糊处理并拟合形成平滑曲线,根据拟合的平滑曲线中各距离值分别相对于参考点的距离计算对应的基准点的坐标,以及根据参考点和基准点的坐标获得距离序列{δi};所述距离序列{δi}用于作为所述边缘点集合中各边缘点分别到达基准线的距离。
8.如权利要求4或5所述的毛刺检测方法,其特征在于,所述计算所述目标物体的边缘点集合中各个边缘点分别到达所述基准线的距离,确定所述边缘点集合中候选的多个缺陷点,包括:
获取所述目标物体的边缘点集合中各个边缘点分别到达所述基准线的距离;
对于边缘点pi,若到达所述基准线的距离δi大于预设的距离阈值,则确定边缘点pi为候选的缺陷点;
遍历所述目标物体的边缘点集合中的各个边缘点,确定候选的多个缺陷点。
9.如权利要求1所述的毛刺检测方法,其特征在于,所述根据候选的多个缺陷点确定所述目标物体的毛刺缺陷,包括:
从候选的多个缺陷点中搜寻坐标连续的若干个缺陷点;
判断所述若干个缺陷点满足预设的检测条件时,将所述若干个缺陷点确定为所述目标物体的一个毛刺缺陷;
所述检测条件包括以下的一个或多个条件:所述若干个缺陷点的数目大于预设的第一阈值,所述若干个缺陷点中各缺陷点到达所述基准线的最大距离大于预设的第二阈值,所述若干个缺陷点构成的缺陷面积大于预设的第三阈值,所述若干个缺陷点构成的缺陷长度大于预设的第四阈值。
10.一种毛刺检测装置,其特征在于,包括:
相机,用于通过取像得到目标物体的待检测图像;
处理器,与所述相机连接,用于通过权利要求1-9中任一项所述的毛刺检测方法对所述待检测图像进行检测,得到所述目标物体的毛刺缺陷;
显示器,与所述处理器连接,用于对所述目标物体的待检测图像和/或毛刺缺陷进行显示。
11.如权利要求10所述的毛刺检测装置,其特征在于,所述处理器包括:
获取模块,用于获取目标物体的待检测图像以及所述待检测图像上设置的感兴趣区域;所述感兴趣区域具有矩形、圆形或圆环的形状;
第一检测模块,用于对所述感兴趣区域进行边缘检测,得到所述目标物体的边缘点集合;
配置模块,用于根据所述感兴趣区域的形状并配置所述待检测图像的基准线;
计算模块,用于计算所述目标物体的边缘点集合中各个边缘点分别到达所述基准线的距离,确定所述边缘点集合中候选的多个缺陷点;
第二检测模块,用于根据候选的多个缺陷点确定所述目标物体的毛刺缺陷。
12.一种计算机可读存储介质,其特征在于,所述介质上存储有程序,所述程序能够被处理器执行以实现如权利要求1-9中任一项所述的毛刺检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110634690.6A CN113362308A (zh) | 2021-06-08 | 2021-06-08 | 一种物体边缘的毛刺检测方法及装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110634690.6A CN113362308A (zh) | 2021-06-08 | 2021-06-08 | 一种物体边缘的毛刺检测方法及装置、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113362308A true CN113362308A (zh) | 2021-09-07 |
Family
ID=77532984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110634690.6A Pending CN113362308A (zh) | 2021-06-08 | 2021-06-08 | 一种物体边缘的毛刺检测方法及装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113362308A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114459383A (zh) * | 2022-02-28 | 2022-05-10 | 嘉兴市像景智能装备有限公司 | 一种基于正弦条纹相移轮廓术的标定方法及实施装置 |
CN114723755A (zh) * | 2022-06-08 | 2022-07-08 | 深圳新视智科技术有限公司 | 玻璃屏幕的圆角缺陷检测方法、装置、设备及存储介质 |
CN115082462A (zh) * | 2022-08-22 | 2022-09-20 | 山东海鑫达石油机械有限公司 | 一种流体输送管外观质量检测方法及系统 |
CN115201206A (zh) * | 2022-07-22 | 2022-10-18 | 西安理工大学 | 基于机器视觉的电动车车把缺陷检测方法 |
CN115456956A (zh) * | 2022-08-19 | 2022-12-09 | 浙江华周智能装备有限公司 | 一种液晶屏划痕检测方法、设备及存储介质 |
CN115631199A (zh) * | 2022-12-21 | 2023-01-20 | 深圳新视智科技术有限公司 | pin针缺陷检测方法、装置、设备及存储介质 |
CN115841489A (zh) * | 2023-02-21 | 2023-03-24 | 华至云链科技(苏州)有限公司 | 智能点检方法及平台 |
CN116503407A (zh) * | 2023-06-28 | 2023-07-28 | 无锡日联科技股份有限公司 | 图像中异物区域的检测方法、装置及电子设备 |
CN117115242A (zh) * | 2023-10-17 | 2023-11-24 | 湖南视比特机器人有限公司 | 标志点的识别方法、计算机存储介质和终端设备 |
CN117409065A (zh) * | 2022-07-08 | 2024-01-16 | 腾讯科技(深圳)有限公司 | 对象测量方法、装置、计算机设备、可读存储介质和产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335963A (zh) * | 2015-09-24 | 2016-02-17 | 凌云光技术集团有限责任公司 | 一种边缘缺陷检测方法及装置 |
CN106251352A (zh) * | 2016-07-29 | 2016-12-21 | 武汉大学 | 一种基于图像处理的罐盖缺陷检测方法 |
CN108830868A (zh) * | 2018-04-19 | 2018-11-16 | 江南大学 | 一种基于Snake模型和迭代极性转换回归结合的圆弧拟合方法 |
CN108921865A (zh) * | 2018-06-27 | 2018-11-30 | 南京大学 | 一种抗干扰的亚像素直线拟合方法 |
-
2021
- 2021-06-08 CN CN202110634690.6A patent/CN113362308A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335963A (zh) * | 2015-09-24 | 2016-02-17 | 凌云光技术集团有限责任公司 | 一种边缘缺陷检测方法及装置 |
CN106251352A (zh) * | 2016-07-29 | 2016-12-21 | 武汉大学 | 一种基于图像处理的罐盖缺陷检测方法 |
CN108830868A (zh) * | 2018-04-19 | 2018-11-16 | 江南大学 | 一种基于Snake模型和迭代极性转换回归结合的圆弧拟合方法 |
CN108921865A (zh) * | 2018-06-27 | 2018-11-30 | 南京大学 | 一种抗干扰的亚像素直线拟合方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114459383B (zh) * | 2022-02-28 | 2023-12-15 | 嘉兴市像景智能装备有限公司 | 一种基于正弦条纹相移轮廓术的标定方法 |
CN114459383A (zh) * | 2022-02-28 | 2022-05-10 | 嘉兴市像景智能装备有限公司 | 一种基于正弦条纹相移轮廓术的标定方法及实施装置 |
CN114723755A (zh) * | 2022-06-08 | 2022-07-08 | 深圳新视智科技术有限公司 | 玻璃屏幕的圆角缺陷检测方法、装置、设备及存储介质 |
CN117409065A (zh) * | 2022-07-08 | 2024-01-16 | 腾讯科技(深圳)有限公司 | 对象测量方法、装置、计算机设备、可读存储介质和产品 |
CN115201206A (zh) * | 2022-07-22 | 2022-10-18 | 西安理工大学 | 基于机器视觉的电动车车把缺陷检测方法 |
CN115201206B (zh) * | 2022-07-22 | 2024-04-26 | 西安理工大学 | 基于机器视觉的电动车车把缺陷检测方法 |
CN115456956A (zh) * | 2022-08-19 | 2022-12-09 | 浙江华周智能装备有限公司 | 一种液晶屏划痕检测方法、设备及存储介质 |
CN115456956B (zh) * | 2022-08-19 | 2024-05-28 | 浙江华周智能装备有限公司 | 一种液晶屏划痕检测方法、设备及存储介质 |
CN115082462A (zh) * | 2022-08-22 | 2022-09-20 | 山东海鑫达石油机械有限公司 | 一种流体输送管外观质量检测方法及系统 |
CN115631199A (zh) * | 2022-12-21 | 2023-01-20 | 深圳新视智科技术有限公司 | pin针缺陷检测方法、装置、设备及存储介质 |
CN115841489A (zh) * | 2023-02-21 | 2023-03-24 | 华至云链科技(苏州)有限公司 | 智能点检方法及平台 |
CN116503407B (zh) * | 2023-06-28 | 2023-10-20 | 无锡日联科技股份有限公司 | 图像中异物区域的检测方法、装置及电子设备 |
CN116503407A (zh) * | 2023-06-28 | 2023-07-28 | 无锡日联科技股份有限公司 | 图像中异物区域的检测方法、装置及电子设备 |
CN117115242A (zh) * | 2023-10-17 | 2023-11-24 | 湖南视比特机器人有限公司 | 标志点的识别方法、计算机存储介质和终端设备 |
CN117115242B (zh) * | 2023-10-17 | 2024-01-23 | 湖南视比特机器人有限公司 | 标志点的识别方法、计算机存储介质和终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113077467B (zh) | 一种目标物体的边缘缺陷检测方法及装置、存储介质 | |
CN113362308A (zh) | 一种物体边缘的毛刺检测方法及装置、存储介质 | |
CN107228860B (zh) | 一种基于图像旋转周期特性的齿轮缺陷检测方法 | |
CN109060836B (zh) | 基于机器视觉的高压油管接头外螺纹检测方法 | |
CN110866924B (zh) | 一种线结构光中心线提取方法及存储介质 | |
US9892504B2 (en) | Image inspection method and inspection region setting method | |
CN116309510B (zh) | 数控加工表面缺陷定位方法及装置 | |
CN108898147B (zh) | 一种基于角点检测的二维图像边缘平直化方法、装置 | |
CN107356213B (zh) | 滤光片同心度测量方法及终端设备 | |
CN111127498B (zh) | 一种基于边缘自生长的Canny边缘检测方法 | |
CN116543188B (zh) | 一种基于灰度匹配的机器视觉匹配方法及系统 | |
CN111524139B (zh) | 一种基于双边滤波器的角点检测方法和检测系统 | |
CN117576219A (zh) | 大广角鱼眼镜头单次拍摄图像的相机标定设备及标定方法 | |
CN116503462A (zh) | 一种圆形斑点圆心快速提取方法及系统 | |
CN113763279A (zh) | 一种具有矩形框图像的精确校正处理方法 | |
CN114066752A (zh) | 面向焊缝跟踪的线结构光骨架提取及毛刺去除方法 | |
CN115147433A (zh) | 点云配准方法 | |
CN114943761A (zh) | 一种fpga中线结构光条纹中心提取方法及装置 | |
CN111633337B (zh) | 用于激光焊缝测量的消除反光方法及装置 | |
JPH0339603A (ja) | パターンの輪郭検出方法及びこの方法を用いた測長装置 | |
CN114266781A (zh) | 缺陷检查装置、方法以及信息记录介质 | |
CN109949245B (zh) | 十字激光检测定位方法、装置、存储介质及计算机设备 | |
CN117876468B (zh) | 一种基于凸包的汽车灯光近光光型特征点检测方法和系统 | |
CN116894939B (zh) | 一种异形屏的区域定位方法、装置、电子设备和存储介质 | |
CN116912276B (zh) | 一种圆弧屏体aa区抓取方法、装置电子设备和存储介质 |
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 |