CN113505811A - 一种轮毂生产用机器视觉成像方法 - Google Patents
一种轮毂生产用机器视觉成像方法 Download PDFInfo
- Publication number
- CN113505811A CN113505811A CN202110648471.3A CN202110648471A CN113505811A CN 113505811 A CN113505811 A CN 113505811A CN 202110648471 A CN202110648471 A CN 202110648471A CN 113505811 A CN113505811 A CN 113505811A
- Authority
- CN
- China
- Prior art keywords
- image
- hub
- machine vision
- edge
- filtering
- 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
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种轮毂生产用机器视觉成像方法,包括以下步骤:S1、直方图均衡化,使用灰度变换自动调整图像对比度质量;S2、图像滤波去噪,采用中值滤波作为非线性滤波技术,在保护图像边缘的同时消除噪声;S3、图像边缘检测,识别并且标注缺陷图像中亮度变化比较明显的像素点。该方法将机器视觉应用到汽车轮毂的识别中,对汽车轮毂区域进行识别,基于canny算子识别轮毂“战斧”形区域,此方法在识别不同光照强度的轮毂图像区域适应性好,在轮毂不同位置识别时间短、识别准确率高。该方法对轮毂目标区域识别具有重要意义,既对光照条件具有很好的适应性,又保证了区域识别的时间和准确率。
Description
技术领域
本发明涉及机器视觉成像技术领域,具体为一种轮毂生产用机器视觉成像方法。
背景技术
轮毂是汽车的重要部件,其大都是铸件,铸件完成以后需要进行精加工,根据不同的类型选择不同的加工路线、加工机床刀具。然而由于轮毂的种类很多,不可能对一种类型的轮毂采用一条独立的生产线,所以导致多种类型的轮毂在一条生产线上生产和运输,继而在每一道工序都要人工参与,如人工分拣与搬运、人工测量轮毂尺寸等。人的精力有限,长时间工作会造成人眼疲劳,还会降低生产效率。目前机器视觉领域常用的识别方法主要有基于组件的模板匹配、基于相关性的模板匹配等。由于轮毂大都为铸件,本身就是一个整体,目标又比较大,缩放更难以处理,故基于组件的模板匹配不太适用。相关性的模板匹配的特点是对光照的影响较小,且匹配速度快,但其精度较低。轮毂大都是铝合金,表面光滑,对光照有一定的要求,且识别的精度要求高,所以基于相关性的模板匹配也不适合。为此,提出一种轮毂生产用机器视觉成像方法。
发明内容
本发明的目的在于提供一种轮毂生产用机器视觉成像方法,以解决上述背景技术中提出的由于轮毂大都为铸件,本身就是一个整体,目标又比较大,缩放更难以处理,故基于组件的模板匹配不太适用。相关性的模板匹配的特点是对光照的影响较小,且匹配速度快,但其精度较低。轮毂大都是铝合金,表面光滑,对光照有一定的要求,且识别的精度要求高,所以基于相关性的模板匹配也不适合的问题。
为实现上述目的,本发明提供如下技术方案:一种轮毂生产用机器视觉成像方法,包括以下步骤:
S1、直方图均衡化,使用灰度变换自动调整图像对比度质量;
S2、图像滤波去噪,采用中值滤波作为非线性滤波技术,在保护图像边缘的同时消除噪声;
S3、图像边缘检测,识别并且标注缺陷图像中亮度变化比较明显的像素点;经过Canny算法处理后获取检测后的图像。
作为本技术方案的进一步优选的:在S1中,通过统计图像内象元值并重新分配,使得象元值在各灰度范围内数量基本相同,从而增强图像直方图峰顶部分的对比度,同时降低两侧谷底部分对比度。
作为本技术方案的进一步优选的:在S1中,灰度变换时,变换函数与原始概率密度函数关系公式1如下:
其中0≤r≤1,T(r)满足0≤T(r)≤1;
灰度级为离散的数字图像用频率来代替,其离散形式为:
其中0≤rj≤1;k=0,1,2,…,L-1。
作为本技术方案的进一步优选的:在S2中,将数字图像或数字序列中的点值替换为该点附近的点的中值。
作为本技术方案的进一步优选的:在S2中,按二维序列进行中间值过滤,则过滤窗口也是二维的,二维数据的中间过滤表示为:
其中A为滤波窗口;
当实际使用一个窗口时,窗口的大小会增加3×3,然后增加5×5,直到过滤效果令人满意为止。
作为本技术方案的进一步优选的:在S3中,根据像素点的灰度变化程度,来进行边缘点的标识,像素点的灰度变化则用图像函数的导函数来进行反映。
作为本技术方案的进一步优选的:在S3中,对于缺陷图像的边缘检测,运用Canny算法,使用Matlab软件中的edge()函数可以实现边缘检测算法,该函数的作用是检测灰度图像中的边缘特征,并且得到一个带有边缘信息的二值图像,在该图像中,黑色代表背景,白色代表缺陷边缘特征。
作为本技术方案的进一步优选的:所述Canny算法的调用语法如下:
BW=edge(I,′canny′,thresh,sigma)
其中I是待处理的图像;参数'canny'表示采用Canny算法;参数thresh用于调节敏感度阈值,默认值是空矩阵[],Canny算法的敏感度阈值是一个列向量,需要指定阈值的上下限;第1个元素是阈值的下限,第2个元素则是阈值的上限;BW为返回的二值图像,数字0表示背景,1表示边缘部分。
与现有技术相比,本发明的有益效果是:该方法将机器视觉应用到汽车轮毂的识别中,通过直方图均衡化、图像滤波去噪和图像边缘检测进行图像处理,对汽车轮毂区域进行识别,基于canny算子识别轮毂“战斧”形区域,此方法在识别不同光照强度的轮毂图像区域适应性好,在轮毂不同位置识别时间短、识别准确率高。该方法对轮毂目标区域识别具有重要意义,既对光照条件具有很好的适应性,又保证了区域识别的时间和准确率。
附图说明
图1为本发明的直方图均衡化后的图像;
图2为本发明的不同滤波处理对比;
图3为本发明的Canny算法边缘检测后的图像。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
请参阅图1-3,本发明提供一种技术方案:一种轮毂生产用机器视觉成像方法,包括以下步骤:
S1、在轮毂表面图像中,划痕形状一般较为细小,在图像中显示不明显;为了加强图像的局部特征,提高图像中不同特征间的差异,需要对图像进行增强处理;直方图均衡化是一种使用灰度变换自动调整图像对比度质量的方法,通过统计图像内象元值并重新分配,使得象元值在各灰度范围内数量基本相同,从而增强图像直方图峰顶部分的对比度,同时降低两侧谷底部分对比度;变换函数与原始概率密度函数关系公式1如下:
其中0≤r≤1,T(r)满足0≤T(r)≤1;
灰度级为离散的数字图像用频率来代替,其离散形式为:
其中0≤rj≤1;k=0,1,2,…,L-1;
经处理后的图像如图1所示:
请参考图1,根据增强图像的对比度,可以看到直方图均衡化可以有效地增强具有高对比度的图像;
S2、图像滤波去噪,在实际的生产过程中,图像的获取在传输过程中会受到内部环境或外部环境的干扰,会给图像造成一些噪声;对此在图像处理中,需要尽可能的去消除图像的噪声,图像去噪的过程就是图像的平滑或者滤波;图像滤波一般有频域滤波和空域滤波两类;本方案主要通过空域滤波中的算法进行图像对比;中值滤波作为非线性滤波技术,它是一种常见的低通滤波器;可以在保护图像边缘的同时消除噪声;中值滤波的基本原理是将数字图像或数字序列中的点值替换为该点附近的点的中值;如果要按二维序列进行中间值过滤,则过滤窗口也是二维的,但是此窗口的外观可能会有所不同,并且二维数据的中间过滤可以表示为:
A为滤波窗口;
当实际使用一个窗口时,窗口的大小会增加3×3,然后增加5×5,直到过滤效果令人满意为止;
均值滤波是线性滤波将图像之间的图像移动f(x,y)中的奇数个点,然后将其与窗口中定义的像素进行平均;
假设图像f(x,y)具有n×n个像素点,g(x,y)是滤波后的图像,则有
其中x=0,1,2……n,y=0,1,2……n,M是邻域内所有像素点的集合,N是邻域内所有点的总数;
经不同算法处理后的图像对比如图2所示;由图2可见,经过对比可以发现,本方案中值滤波的去噪效果明显比均值滤波的算法效果明显;
S3、图像边缘检测,图像边缘是图像中最为基本的特征,边缘检测算法是图像处理和机器视觉中主要研究的问题,目的是识别并且标注缺陷图像中亮度变化比较明显的像素点其工作原理是根据像素点的灰度变化程度,来进行边缘点的标识,像素点的灰度变化则可以用图像函数的导函数来进行反映;
对于缺陷图像的边缘检测,Canny算法提出了三个准则:信噪比准则、定位精度准则、单边缘响应准则通过这三个准则,找到最佳滤波器的问题变成了泛函约束的优化问题,这个时候就可以用高斯的一阶导数去近似问题的答案;使用Matlab软件中的edge()函数可以实现边缘检测算法,该函数的作用是检测灰度图像中的边缘特征,并且得到一个带有边缘信息的二值图像,在该图像中,黑色代表背景,白色代表缺陷边缘特征;
Canny算法的调用语法如下:
BW=edge(I,′canny′,thresh,sigma)
I是待处理的图像;参数'canny'表示采用Canny算法;参数thresh用于调节敏感度阈值,默认值是空矩阵[],Canny算法的敏感度阈值是一个列向量,需要指定阈值的上下限;第1个元素是阈值的下限,第2个元素则是阈值的上限;BW为返回的二值图像,数字0表示背景,1表示边缘部分;
经过Canny算法处理后获取检测后的图像。
经过Canny算法处理后的结果如图3所示。
其中,1、图像处理,图像处理的目的是提取到准确的ROI区域。本方案感兴趣区域为战斧形孔洞,因此为了处理方便对轮毂中间部分进行填充,再进行灰度化、高斯滤波、膨胀处理,保证得到边缘清晰,连续的图像。边缘检测目的是提取图像的边缘区域,常用的边缘检测算子有Robert算子、Prewitt算子和Canny算子。
Robert算子通过局部差分算子寻找边缘点,利用两个固定模板的绝对值代替图像像素的梯度值。按照这个原理代替所有的像素,得到新的梯度图,实现边缘检测。这种算子工作量大,会得到许多无关边缘,且准确度不高。Prewitt算子是一种微分方程定义算子,其通过相邻点的灰度值在边缘处的极值来检测边缘,去除伪边缘,对噪声具有平滑作用。其原理在图像空间里面利用固定的水平模板和垂直模板,实现边缘的提取。
Canny算子是基于最优化的边缘检测算子,具有良好的信噪比和检测精度,在图像处理领域有着广泛的应用。
边缘检测算子具有三个优点:(1)信噪比高,边缘误判率低;(2)定位精度高,检测边缘线与实际图像的重合度高;(3)响应性好,只对目标边缘进行检测,对虚假边缘大程度抑制。其具体的计算步骤:首先利用高斯模板对图像进行滤波,去除噪声,取方差为1.4的高斯函数的近似函数,然后对滤波后的每个像素计算其梯度和方向。
2、创建匹配模板,创建匹配模板之前,还需要运用reduce_domain算子对5个战斧区域进行分割,然后通过edges_sub_pix算子,实现对5个战斧区域的边缘提取。将创建好的边缘通过create_scaled_shape_model_xld算子创建一个进行亚像素精度轮廓匹配且各向同性缩放的“战斧”型模板然后通过area_center算子求出模板在图像中的像素坐标,再用get_shape_model_contours算子将模板显示在图像左上方,像素坐标设为(0,0),以便轮毂图像“战斧”区域与模板匹配。
本方案将机器视觉应用到汽车轮毂的识别中,通过Halcon软件对汽车轮毂区域进行识别,证实基于canny算子识别轮毂“战斧”形区域的方法的可行性,实验验证了此方法在识别不同光照强度的轮毂图像区域适应性好,在轮毂不同位置识别时间短、识别准确率高。该方法对轮毂目标区域识别具有重要意义,既对光照条件具有很好的适应性,又保证了区域识别的时间和准确率。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种轮毂生产用机器视觉成像方法,其特征在于,包括以下步骤:
S1、直方图均衡化,使用灰度变换自动调整图像对比度质量;
S2、图像滤波去噪,采用中值滤波作为非线性滤波技术,在保护图像边缘的同时消除噪声;
S3、图像边缘检测,识别并且标注缺陷图像中亮度变化比较明显的像素点;经过Canny算法处理后获取检测后的图像。
2.根据权利要求1所述的一种轮毂生产用机器视觉成像方法,其特征在于:在S1中,通过统计图像内象元值并重新分配,使得象元值在各灰度范围内数量基本相同,从而增强图像直方图峰顶部分的对比度,同时降低两侧谷底部分对比度。
4.根据权利要求1所述的一种轮毂生产用机器视觉成像方法,其特征在于:在S2中,将数字图像或数字序列中的点值替换为该点附近的点的中值。
6.根据权利要求1所述的一种轮毂生产用机器视觉成像方法,其特征在于:在S3中,根据像素点的灰度变化程度,来进行边缘点的标识,像素点的灰度变化则用图像函数的导函数来进行反映。
7.根据权利要求6所述的一种轮毂生产用机器视觉成像方法,其特征在于:在S3中,对于缺陷图像的边缘检测,运用Canny算法,使用Matlab软件中的edge()函数可以实现边缘检测算法,该函数的作用是检测灰度图像中的边缘特征,并且得到一个带有边缘信息的二值图像,在该图像中,黑色代表背景,白色代表缺陷边缘特征。
8.根据权利要求7所述的一种轮毂生产用机器视觉成像方法,其特征在于:所述Canny算法的调用语法如下:
BW=edge(I,′canny′,thresh,sigma)
其中I是待处理的图像;参数'canny'表示采用Canny算法;参数thresh用于调节敏感度阈值,默认值是空矩阵[],Canny算法的敏感度阈值是一个列向量,需要指定阈值的上下限;第1个元素是阈值的下限,第2个元素则是阈值的上限;BW为返回的二值图像,数字0表示背景,1表示边缘部分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110648471.3A CN113505811A (zh) | 2021-06-10 | 2021-06-10 | 一种轮毂生产用机器视觉成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110648471.3A CN113505811A (zh) | 2021-06-10 | 2021-06-10 | 一种轮毂生产用机器视觉成像方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113505811A true CN113505811A (zh) | 2021-10-15 |
Family
ID=78009849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110648471.3A Pending CN113505811A (zh) | 2021-06-10 | 2021-06-10 | 一种轮毂生产用机器视觉成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113505811A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114972325A (zh) * | 2022-07-11 | 2022-08-30 | 爱普车辆股份有限公司 | 一种基于图像处理的汽车轮毂缺陷检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8004564B1 (en) * | 2006-07-19 | 2011-08-23 | Flir Systems, Inc. | Automated systems and methods for testing infrared cameras |
US20170343481A1 (en) * | 2016-05-27 | 2017-11-30 | Purdue Research Foundation | Methods and systems for crack detection |
CN107808378A (zh) * | 2017-11-20 | 2018-03-16 | 浙江大学 | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 |
CN108596931A (zh) * | 2018-05-11 | 2018-09-28 | 浙江大学 | 一种基于Canny算子的噪声鲁棒轮毂边缘检测算法 |
CN109658376A (zh) * | 2018-10-24 | 2019-04-19 | 哈尔滨工业大学 | 一种基于图像识别的表面缺陷识别方法 |
CN110223296A (zh) * | 2019-07-08 | 2019-09-10 | 山东建筑大学 | 一种基于机器视觉的螺纹钢表面缺陷检测方法及系统 |
-
2021
- 2021-06-10 CN CN202110648471.3A patent/CN113505811A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8004564B1 (en) * | 2006-07-19 | 2011-08-23 | Flir Systems, Inc. | Automated systems and methods for testing infrared cameras |
US20170343481A1 (en) * | 2016-05-27 | 2017-11-30 | Purdue Research Foundation | Methods and systems for crack detection |
CN107808378A (zh) * | 2017-11-20 | 2018-03-16 | 浙江大学 | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 |
CN108596931A (zh) * | 2018-05-11 | 2018-09-28 | 浙江大学 | 一种基于Canny算子的噪声鲁棒轮毂边缘检测算法 |
CN109658376A (zh) * | 2018-10-24 | 2019-04-19 | 哈尔滨工业大学 | 一种基于图像识别的表面缺陷识别方法 |
CN110223296A (zh) * | 2019-07-08 | 2019-09-10 | 山东建筑大学 | 一种基于机器视觉的螺纹钢表面缺陷检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
狄玉鹏等: "一种汽车轮毂识别方法研究", 《电子测试》, no. 3, pages 30 - 33 * |
郑启明: "基于机器视觉的刹车盘表面缺陷检测系统研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 1, pages 035 - 944 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114972325A (zh) * | 2022-07-11 | 2022-08-30 | 爱普车辆股份有限公司 | 一种基于图像处理的汽车轮毂缺陷检测方法 |
CN114972325B (zh) * | 2022-07-11 | 2022-11-04 | 爱普车辆股份有限公司 | 一种基于图像处理的汽车轮毂缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330376B (zh) | 一种车道线识别方法及系统 | |
CN110349207B (zh) | 一种复杂环境下的视觉定位方法 | |
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
CN102156996B (zh) | 一种图像边缘检测的方法 | |
CN104794721B (zh) | 一种基于多尺度斑点检测的快速视盘定位方法 | |
CN106600625A (zh) | 检测小型生物的图像处理方法及装置 | |
CN110414355A (zh) | 基于视觉的右方位空停车位与泊车过程中车位线检测方法 | |
CN105260693A (zh) | 一种激光二维码定位方法 | |
CN113034452B (zh) | 一种焊件轮廓检测方法 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN114399522A (zh) | 一种基于高低阈值的Canny算子的边缘检测方法 | |
CN110021029B (zh) | 一种适用于rgbd-slam的实时动态配准方法及存储介质 | |
CN105139391B (zh) | 一种雾霾天气交通图像边缘检测方法 | |
CN107832674B (zh) | 一种车道线检测方法 | |
CN105447489B (zh) | 一种图片ocr识别系统的字符与背景粘连噪声消除方法 | |
CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN108921813A (zh) | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 | |
CN112651259A (zh) | 二维码的定位方法、基于二维码的移动机器人定位方法 | |
CN111476804A (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
CN111127498A (zh) | 一种基于边缘自生长的Canny边缘检测方法 | |
CN115661110A (zh) | 一种透明工件识别与定位的方法 | |
CN115018785A (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
CN104732530A (zh) | 一种图像边缘的检测方法 | |
CN112330667B (zh) | 一种基于形态学的激光条纹中心线提取方法 | |
CN113505811A (zh) | 一种轮毂生产用机器视觉成像方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |