CN113607739A - 一种用于喷射成形铝锭的基于机器视觉的检测系统 - Google Patents
一种用于喷射成形铝锭的基于机器视觉的检测系统 Download PDFInfo
- Publication number
- CN113607739A CN113607739A CN202110798224.1A CN202110798224A CN113607739A CN 113607739 A CN113607739 A CN 113607739A CN 202110798224 A CN202110798224 A CN 202110798224A CN 113607739 A CN113607739 A CN 113607739A
- Authority
- CN
- China
- Prior art keywords
- image
- ingot blank
- local
- defect
- defects
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 13
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 13
- 238000009718 spray deposition Methods 0.000 title claims abstract description 12
- 230000007547 defect Effects 0.000 claims abstract description 110
- 238000009826 distribution Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000003709 image segmentation Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 57
- 230000011218 segmentation Effects 0.000 claims description 20
- 230000009466 transformation Effects 0.000 claims description 16
- 230000002950 deficient Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 239000007921 spray Substances 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000011068 loading method Methods 0.000 claims description 2
- 239000011148 porous material Substances 0.000 abstract description 11
- 230000000007 visual effect Effects 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 13
- 229910000838 Al alloy Inorganic materials 0.000 description 9
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- BAWFJGJZGIEFAR-NNYOXOHSSA-O NAD(+) Chemical compound NC(=O)C1=CC=C[N+]([C@H]2[C@@H]([C@H](O)[C@@H](COP(O)(=O)OP(O)(=O)OC[C@@H]3[C@H]([C@@H](O)[C@@H](O3)N3C4=NC=NC(N)=C4N=C3)O)O2)O)=C1 BAWFJGJZGIEFAR-NNYOXOHSSA-O 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011049 filling Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 238000000889 atomisation Methods 0.000 description 1
- 239000012496 blank sample Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 229910001338 liquidmetal Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007712 rapid solidification Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000005507 spraying 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种用于喷射成形铝锭的基于机器视觉的检测系统。初始系统对采集锭坯局部位置进行图像采集,然后使用图像拼接算法将其拼接为完整的锭坯高清图像,再用图像分割算法从中分割出缺陷图像,最后运用相关算法对缺陷进行分析。本系统可根据检测要求判断锭坯孔隙缺陷是否合格,并统计缺陷分布特点。从而降低了劳动强度,提高了工作效率,检验结果不会因人员技术素质、经验及肉眼分辨率和疲劳等主观因素的影响,易造成漏判和误判。
Description
技术领域
本发明涉及一种用于喷射成形铝锭的基于机器视觉的检测系统。
背景技术
喷射成形是一种基于快速凝固的材料制备技术。该技术将金属雾化和熔滴沉积自然结合,以较少工序直接从液态金属制备成致密金属块体材料。喷射成形铝合金锭坯中存在弥散孔隙。对这些孔隙的大小和分布情况进行检测是喷射成形铝合金锭坯质量检验的重要内容。准确的质量检测不仅是锭坯是否合格判定依据,也可以指导工艺调整和改进,提高铝合金材料的产品质量。
喷射成形铝合金锭的孔隙/孔隙率检测方式一般有金相或扫描照片统计、密度测试、工业CT技术等。图片统计法是通过对锭坯试样进行打磨平整,利用金相显微镜对平面进行照片采集,对采集的图形中孔隙大小和占比进行统计计算。图片统计法获得的孔隙大小和孔隙率仅反映当前试样二维截面孔隙状态,且所测孔隙尺寸仅为孔隙的截面尺寸,该方法不能反映锭坯整体的真实孔隙状态。
因此,喷射成形铝合金锭坯工业生产中,常用低倍组织检测的方法进行锭坯孔隙缺陷检测。从锭坯头尾分别锯切得到两块截面,分别对截面进行低倍检测,从而判断整体锭坯的缺陷是否符合要求。显然,该方法并不是一种能够对锭坯整体缺陷进行检测的方法,头尾低倍缺陷超标的判定整个锭坯不合格,但头尾低倍缺陷符合要求的并不能代表整个锭坯缺陷状态。在目前生产和检测技术条件下,该方法仍是企业进行锭坯缺陷检测的主要方法。低倍组织检测为宏观组织检测方法,是指用肉眼或在不大于10倍的低倍放大镜下检查金属表面或截面,以确定宏观组织及缺陷的方法。低倍组织检测可以快速直观地发现材料在截面处存在的缺陷,检验方法简单。目前锭坯的低倍组织检测主要采用人工目测的方法,这种方法劳动强度大、工作效率低、且目测的结果易受检查人员技术素质、经验及肉眼分辨率和疲劳等主观因素的影响,易造成漏判和误判。
发明内容
一种用于喷射成形铝锭的基于机器视觉的检测系统,包括以下步骤:
第一步,锭坯局部图像采集采用锭坯固定,相机移动的采集方式采集锭坯;
第二步,使用x-y移动平台装载工业相机移动;
第三步,工业相机由左下角逐行按“Z”形移动,工业相机首先沿X轴方向,按步长dx移动;
第四步,回到和上一行初始位置Y轴上距离为dy的位置,移动相机进行下一行图像采集如此循环直到相机运动到右上角采集完毕;
第五步,将锭坯局部图像分割为锭坯区域和背景区域;
第六步,使用基于完整边缘判断的图像筛除方法筛除采集图像中的无用图像;
第七步,以分割图像为掩模,对锭坯局部图像进行处理,得到锭坯的顶面区域;
第八步,锭坯图像配准;
第九步,多行多列图像拼接方法;
第十步,锭坯图像矫正;
第十一步,锭坯图像预处理;
第十二步,缺陷区域与无缺陷区域分类;
第十三步,计算基准阈值;
第十四步,局部阈值确定;
第十五步,锭坯图像分割;
第十六步,对缺陷图像进行数学形态学处理使分离缺陷合并;
第十七步,统计缺陷的径向分布直方图及缺陷面积分布直方图;
第十八步,局部缺陷数量快速计算。
作为进一步改进,锭坯局部图像分割方法,使用一个固定的经验阈值对锭坯局部图像进行分割,然后使用轮廓提取算法对分割图像提取轮廓,并根据轮廓类型对轮廓进行反色填充,即得到锭坯区域与背景区域完全分割的图像。
为了能够快速剔除采集图像中的无用及冗余图像,采用,图像筛除方法,提出了基于完整边缘的图像筛选算法。
作为进一步改进,锭坯图像配准是对图像进行基于尺度不变特征变换的特征提取,使用优化的匹配方法对特征提取结果进行匹配,采集图像特点优化了最近邻匹配方法,能够在牺牲较小匹配数量的情况下提高正确匹配率。
为了解决锭坯图像在拼接过程中逐渐变形、难以进行图像匹配的问题,采用,多行多列图像拼接方法,该拼接方法只需要使用相邻锭坯局部图像的匹配特征点信息。
作为进一步改进,锭坯图像矫正,使用基于最小二乘法的椭圆检测算法对锭坯图像进行检测,根据椭圆检测结果对锭坯图像进行矫正,并根据实际的锭坯尺寸以及椭圆长轴所占像素个数计算出锭坯图像的像素精度。
作为进一步改进,锭坯图像预处理,首先中值滤波方法对图像进行去噪,再使用线性增强和γ变换进行对比度增强。
作为进一步改进,缺陷区域与无缺陷区域分类,使用滑窗遍历图像,每个滑窗内的灰度直方图使用最大类间方差法进行分割,再对轮廓数量直方图使用最大类间方差法进行分割,轮廓数量大的区域标记为疑似非缺陷区域,轮廓数量小的区域标记为疑似缺陷区域。
作为进一步改进,计算基准阈值,统计所有疑似非缺陷区域的局部阈值,取其最小值为TN,对疑似缺陷区域的分割阈值进行统计,限制统计范围为小于TN的阈值。对统计结果直方图使用最大类间方差法分割,高灰度阈值大多为背景区域暗区与亮区的分割阈值,低灰度阈值大多为缺陷与背景的分割阈值,取较低阈值部分的平均值作为基准阈值T0。
作为进一步改进,局部阈值确定是对锭坯缺陷稀疏分布的特点对局部阈值分割方法进行优化,设计了基于局部分类的局部阈值分割方法,能够得到精准的分割结。
作为进一步改进,锭坯图像分割,使用滑窗法遍历图像对局部阈值进行逐一微调,并进行图像分割,取滑窗分割结果的交集作为最终分割结果,即缺陷图像。
作为进一步改进,局部缺陷数量快速计算,基于积分图的局部缺陷数量快速计算可快速对所有位置的给定大小区域内缺陷数量进行统计,相比于遍历统计方法,该方法不存在冗余计算,速度快。
有益效果:
本发明的核心在于开发出一套自动对锭坯表面缺陷进行检测的机器视觉检测系统。初始系统对采集锭坯局部位置进行图像采集,然后使用图像拼接算法将其拼接为完整的锭坯高清图像,再用图像分割算法从中分割出缺陷图像,最后运用相关算法对缺陷进行分析。本系统可根据检测要求判断锭坯孔隙缺陷是否合格,并统计缺陷分布特点。从而降低了劳动强度,提高了工作效率,检验结果不会因人员技术素质、经验及肉眼分辨率和疲劳等主观因素的影响,易造成漏判和误判。
附图说明
图1相机移动示意图;
图2相机采集系统;
图3找到最右侧具有完整左边缘的图像流程;
图4图像坐标变换原理;
图5缺陷积分表建立;
图6缺陷积分表建立;
图7基于积分图的任意矩阵内缺陷数量计算原理图;
图8喷射成形铝合金锭坯局部图像;
图9铝合金锭坯完整的拼接图像;
图10图像矫正后;
图11缺陷区域轮廓提取;
图12缺陷面积分布;
图13缺陷径向分布;
图14单位面积内缺陷统计结果;
图中;1、工业相机,2、铝合金切片,3、直线模组,4、步进电机,5、步进电机控制器,6、步进电机驱动器,7、DC24V电源。
具体实施方式
为了加深对本发明的理解,下面将结合实施例和附图对本发明作进一步详述,该实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
1、锭坯局部图像采集。
采用锭坯固定,工业相机1移动的采集方式采集锭坯1的各个局部区域以达到较高的图像精度。工业相机1移动采集方案如图2所示。工业相机1由左下角逐行按“Z”形移动,工业相机1首先沿X轴方向,按步长dx移动,每步移动完毕时相机进行图像采集,从而进行第一行图像采集;然后回到和上一行初始位置Y轴上距离为dy的位置,移动相机进行下一行图像采集如此循环直到工业相机1运动到右上角采集完毕。dx和dy应该分别小于X方向、Y方向上的相机视野大小lx和ly,保证相邻相机视野存在重叠区域,从而能够对采集得到的局部图像进行图像拼接。
使用x-y移动平台装载工业相机1移动,通过步进电机驱动控制器9对x-y移动平台进行控制,使其搭载工业相机5移动。相机采集系统如图1所示。
2.图像拼接预处理。
a)将锭坯局部图像分割为锭坯区域和背景区域。首先使用一个固定的经验阈值对锭坯局部图像进行分割,然后使用轮廓提取算法对分割图像提取轮廓,并根据轮廓类型对轮廓进行反色填充,即得到锭坯区域与背景区域完全分割的图像。
b)使用基于完整边缘判断的图像筛除方法筛除采集图像中的无用图像。以完整的左边缘为例,若图像中含有边缘,且该边缘没有被左边界截断,且该图像存在锭坯区域,那么定义该图像具有完整的左边缘,找到最右侧具有完整左边缘的图像,其左侧的图像全部为无用图像,其流程如图3所示。
c)锭坯顶面区域提取。以分割图像为掩模,对锭坯局部图像进行处理,得到锭坯的顶面区域。
3.图像拼接。
a)图像配准。首先对图像进行基于SIFT的特征提取,然后对特征匹配方法中的最近邻匹配法进行优化,根据采集时的相机位移估计相邻图像间的位移关系,为最近邻匹配法增加相应的坐标约束。使用优化的匹配方法对特征提取结果进行匹配。
b)坐标变换及图像融合。以2×3的图像拼接为例,如图4所示。A、B、C、D、E、F为6张待拼接图像,每幅图的边界处有与相邻图像成功匹配的特征点集,例如图4(A)的PAr与图4(B)的PBl为一对匹配的特征点集。PMm代表图M中m侧的特征点集,m∈(l,r,u,d),l,r,u,d分别代表左、右、上、下侧。
对图4(B、C、D、E、F)到图4(A)变换矩阵的计算方法如下。
设I(Pm,Pn)为计算Pm点集映射Pn点集变换矩阵的函数,这里使用RANSAC算法计算变换矩阵,HMN为图M到图N的变换矩阵。即图4(B)到图4(A)的变换矩阵,图4(C)到图4(A)的变换矩阵,图4(D)到图4(A)的变换矩阵分别为:
HBA=I(PBl,PAr)#(3-1)
HCB=I(PCl,PBr)#(3-2)
HDA=I(PDd,PAu)#(3-3)
即有:
HCA=HCB×HBA=I(PCl,PBr)×I(PBl,PAr)#(3-4)
即得到了图4(B)、图4(C)、图4(D)到图4(A)的变换矩阵,可以将这三张图变换到图4(A)的坐标系内。
由于已经拼接了A、B、C、D四张图像,图E的拼接需要同时考虑与图4(B)、图4(D)的特征点匹配关系,因此需要计算图4(B)与图4(D)与图4(A)拼接后特征点的坐标。图4(E)与图4(B)的匹配特征点集为PEd与PEd,图4(E)与图4(D)的匹配特征点集为PEd与PDr。PBu与PDr变换后的坐标分别为:
P'Bu=PBu×HBA#(3-5)
P′Dr=PDr×HDA#(3-6)
即图4(E)到图4(A)的变换矩阵为:
HEA=I(PEd+PEl,P′Bu+P′Dr)=I(PEd+PBu,PBu×HBA+PDr×HDA)#(3-7)
同理,图4(F)到图4(A)的变换矩阵为:
HFA=I(PFd+PFl,P′Cu+P′Er)=I(PFd+PFl,PCu×HCA+PEr×HEA)
=I(PFd+PFl,PCu×HCA+PEr×I(PEd+PBu,PBu×HBA+PDr×HDA))#(3-8)
计算完所有图像到左下角图像的变换矩阵后,使用加权平均法进行图像融合。即得到完整锭坯图像。
c)使用基于最小二乘法的椭圆检测算法对锭坯图像进行检测,如图9,根据椭圆检测结果对锭坯图像进行矫正,如图10,并根据实际的锭坯尺寸以及椭圆长轴所占像素个数计算出锭坯图像的像素精度。
4.图像分割。
a)锭坯图像预处理。首先中值滤波方法对图像进行去噪。再使用线性增强和γ变换进行对比度增强。
b)缺陷区域与无缺陷区域分类。使用滑窗遍历图像,每个滑窗内的灰度直方图使用最大类间方差法进行分割,对分割结果的轮廓数量进行统计,再对轮廓数量直方图使用最大类间方差法进行分割,轮廓数量大的区域标记为疑似非缺陷区域,轮廓数量小的区域标记为疑似缺陷区域。
c)计算基准阈值。统计所有疑似非缺陷区域的局部阈值,取其最小值为TN,对疑似缺陷区域的分割阈值进行统计,限制统计范围为小于TN的阈值。对统计结果直方图使用最大类间方差法分割,高灰度阈值大多为背景区域暗区与亮区的分割阈值,低灰度阈值大多为缺陷与背景的分割阈值,取较低阈值部分的平均值作为基准阈值T0。
d)局部阈值确定。由于光照不均及拼接融合算法对灰度的调整,局部阈值在基准阈值的基础上进行微调。由于缺陷与背景的灰度差异较大,因此准确的分割阈值附近的灰度频率应较低。对局部区域统计灰度直方图,在基准阈值T0附近进行微调。对于T0±a的范围内的每个灰度Tx,计算其前后b范围内即[Tx-b,Tx+b]区间内灰度的频率和,取频率和最低的灰度作为该局部区域的分割阈值。a,b的值根据采集图像情况选取。
e)为了保证分割的准确性和连贯性,使用滑窗法遍历图像对局部阈值进行逐一微调,并进行图像分割,取滑窗分割结果的交集作为最终分割结果,即缺陷图像。
4.缺陷检测
a)数学形态学处理。由于光照、划痕、缺陷的特殊分布、分割阈值偏差等因素,导致有些缺陷被误分为非常临近的多个部分,对缺陷图像进行数学形态学处理可以使分离缺陷合并。
b)使用轮廓提取算法得到缺陷轮廓及轮廓内像素个数,根据轮廓坐标得到缺陷的外接矩形并将外接矩形中心作为缺陷坐标,根据轮廓内像素个数及像素精度得到缺陷的面积。再根据缺陷坐标及缺陷面积,统计缺陷的径向分布直方图及缺陷面积分布直方图。
c)基于积分图的局部缺陷数量快速计算。根据缺陷图像建立4个积分图SATN(x,y)、SATR(x,y)、SATD(x,y),SATY(x,y),其分别代表点(x,y)到原点O的区域不含边界缺陷、包含下边界上的缺陷、包含右边界上的缺陷、包含下边界及右边界缺陷及右下角点(即点(x,y))上缺陷的缺陷数量。以图5中点(x0,y0)为例,SATN(x0,y0)不统计边界上的缺陷,因此只统计缺陷A,所以有SATN(x0,y0)=1;SATR(x0,y0)统计包含右边界上的缺陷数量,因此统计缺陷A、缺陷B,所以有SATD(x0,y0)=2;同理SATD(x,y)统计包含下边界的缺陷即缺陷A、B,SATD(x0,y0)=2;SATY(x,y)统计下边界、右边界及点(x0,y0)上的缺陷,因此其对缺陷A、B、C、D均进行统计,SATY(x,y)=4。
积分图根据缺陷的外接矩阵建立,如图6所示。以SATN(x,y)即不统计边界缺陷的积分图为例,如图6(a),对于缺陷右下角D到图像右下角E间的矩阵区域(图中阴影区域)中的任意一点(x0,y0),SATN(x0,y0)都要统计该缺陷,而阴影部分以外的点则不需要。因此遍历所有缺陷得到其右下角点,在SATN(x,y)中,令每一个右下角到图像右下角之间矩阵区域值加一,即得到计算完成的SATN(x,y)。同理,SATR(x,y)、SATD(x,y)、SATY(x,y)分别对应外接矩形的左下角C、右上角点、左上角A到图像右下角E的区域,如图6(b)、(c)、(d)所示,即在遍历缺陷时分别令该区域的值加1。四个积分图可以同时在一次遍历中进行计算。
以上计算得到了四个积分图SATN(x,y)、SATR(x,y)、SATD(x,y),SATY(x,y),下面使用这四个积分图进行局部缺陷数量计算。以图7为例,其中NX代表其所在区域X的缺陷数量,如NOADC代表矩形OADC内部的缺陷数量,NAD代表线段AD上的缺陷数量(不包含A点、D点上的缺陷),ND代表D点上的缺陷数量。矩形区域DEHG代表图内的任意位置区域。现在对矩形区域DEHG上的缺陷(包含边界以及角点上的缺陷)数量进行统计,设右上角D点坐标为(x,y),矩形区域DEHG的边长DE、DG分别为w,h,即矩形区域DEHG上的缺陷数量为:
F(x,y,w,h)=ND+NE+NH+NG+NDE+NEH+NHG+NGD+NDEHG#(4-1)
又有:
SATY(H)=NOADC+NAD+NABED+NBE+NCD+ND+NDE+NE+NCDGF+NDG+NDEHG+NEH+NFG+NG+NGH+NH#(4-2)
SATR(E)=NOADC+NAD+NABED+NBE#(4-3)
SATD(G)=NOADC+NCD+NCDGF+NFG#(4-4)
SATN(D)=NOADC#(4-5)
可得:
F(x,y,w,h)=SATY(H)-SATR(E)-SATD(G)+SATN(D)
=SATY(x+w,y+h)-SATR(x+w,y)-SATD(x,y+h)+SATN(x,y)#(4-6)
假设图像分辨率为M×N,则SATN(x,y)、SATR(x,y)、SATD(x,y),SATY(x,y)的右下角坐标为(M,N),对积分图函数进行截取,令:
SAT′N(x,y)=SATN(x,y),x∈[0,M-w],y∈[0,N-h]#(4-7)
SAT'R(x,y)=SATR(x+w,y),x∈[0,M-w],y∈[0,N-h]#(4-8)
SAT'D(x,y)=SATD(x,y+h),x∈[0,M-w],y∈[0,N-h]#(4-9)
SAT′Y(x,y)=SATY(x+w,y+h),x∈[0,M-w],y∈[0,N-h]#(4-10)
由于积分图函数一般以矩阵方式表达,所以以上函数可以通过矩阵位移操作简单获得。
因此对于给定的w,h有:
F(x,y)=SAT′Y(x,y)-SATR(x,y)-SATD(x,y)+SATY(x,y)#(4-11)
式中,F(x,y)为矩阵,其每个点的值是通过位移后的积分图矩阵加减操作后同时获得。即本方法对于给定尺寸的矩形形状,可以同时计算出该形状在图中任意位置所包含的缺陷数量。另外,当w,h改变时,只需要对积分图矩阵进行重新裁剪即可快速统计改变后的区域内缺陷。
根据喷射成形铝合金锭坯的缺陷面积,对缺陷面积进行统计,统计结果如下图12所示。
根据缺陷坐标以及节中的锭坯椭圆检测结果,计算缺陷到圆心的距离,并对其进行统计,结果如图13所示,反映了锭坯径向的缺陷分布状态。
Claims (8)
1.一种用于喷射成形铝锭的基于机器视觉的检测系统,其特征在于,包括以下步骤:
第一步,采集锭坯局部图像,锭坯局部图像采集采用锭坯固定、相机移动的采集方式采集锭坯图像;
第二步,使用x-y移动平台装载工业相机移动;
第三步,工业相机由左下角逐行按“Z”形移动,工业相机首先沿X轴方向,按步长dx移动;
第四步,回到和上一行初始位置Y轴上距离为dy的位置,移动相机进行下一行图像采集如此循环直到相机运动到右上角采集完毕;
第五步,将锭坯局部图像分割为锭坯区域和背景区域;
第六步,使用基于完整边缘判断的图像筛除方法筛除采集图像中的无用图像部分;
第七步,以分割图像为掩模,对锭坯局部图像进行处理,得到锭坯的顶面区域;
第八步,锭坯图像配准;
第九步,多行多列图像拼接方法;
第十步,锭坯图像矫正;
第十一步,锭坯图像预处理;
第十二步,缺陷区域与无缺陷区域分类;
第十三步,计算基准阈值;
第十四步,局部阈值确定;
第十五步,锭坯图像分割;
第十六步,对缺陷图像进行数学形态学处理使分离缺陷合并;
第十七步,统计缺陷的径向分布直方图及缺陷面积分布直方图;
第十八步,局部缺陷数量快速计算。
2.根据权利要求1所述的一种用于喷射成形铝锭的基于机器视觉的检测系统,其特征在于,所述的锭坯局部图像分割方法,使用一个固定的经验阈值对锭坯局部图像进行分割,然后使用轮廓提取算法对分割图像提取轮廓,并根据轮廓类型对轮廓进行反色填充,即得到锭坯区域与背景区域完全分割的图像。
3.根据权利要求1所述的一种用于喷射成形铝锭的基于机器视觉的检测系统,其特征在于,所述的锭坯图像配准是对图像进行基于尺度不变特征变换的特征提取,使用优化的匹配方法对特征提取结果进行匹配。
4.根据权利要求1所述的一种用于喷射成形铝锭的基于机器视觉的检测系统,其特征在于,所述的多行多列图像拼接方法,该拼接方法只需要使用相邻锭坯局部图像的匹配特征点信息。
5.根据权利要求1所述的一种用于喷射成形铝锭的基于机器视觉的检测系统,其特征在于,所述的缺陷区域与无缺陷区域分类,使用滑窗遍历图像,每个滑窗内的灰度直方图使用最大类间方差法进行分割,再对轮廓数量直方图使用最大类间方差法进行分割,轮廓数量大的区域标记为疑似非缺陷区域,轮廓数量小的区域标记为疑似缺陷区域。
6.根据权利要求1所述的一种用于喷射成形铝锭的基于机器视觉的检测系统,其特征在于,所述的计算基准阈值,统计所有疑似非缺陷区域的局部阈值,取其最小值为TN,对疑似缺陷区域的分割阈值进行统计,限制统计范围为小于TN的阈值,对统计结果直方图使用最大类间方差法分割,高灰度阈值大多为背景区域暗区与亮区的分割阈值,低灰度阈值大多为缺陷与背景的分割阈值,取较低阈值部分的平均值作为基准阈值T0,局部阈值确定是对锭坯缺陷稀疏分布的特点对局部阈值分割方法进行优化,设计了基于局部分类的局部阈值分割方法,能够得到精准的分割结。
7.根据权利要求1所述的一种用于喷射成形铝锭的基于机器视觉的检测系统,其特征在于,所述的局部缺陷数量快速计算,基于积分图的局部缺陷数量快速计算可快速对所有位置的给定大小区域内缺陷数量进行统计。
8.根据权利要求1所述的一种用于喷射成形铝锭的基于机器视觉的检测系统,其特征在于,可以检测锭坯的缺陷面积大小、缺陷的径向分布、单位面积的缺陷数量分布等缺陷特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110798224.1A CN113607739A (zh) | 2021-07-14 | 2021-07-14 | 一种用于喷射成形铝锭的基于机器视觉的检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110798224.1A CN113607739A (zh) | 2021-07-14 | 2021-07-14 | 一种用于喷射成形铝锭的基于机器视觉的检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113607739A true CN113607739A (zh) | 2021-11-05 |
Family
ID=78337603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110798224.1A Pending CN113607739A (zh) | 2021-07-14 | 2021-07-14 | 一种用于喷射成形铝锭的基于机器视觉的检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113607739A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106918600A (zh) * | 2017-04-07 | 2017-07-04 | 江苏博虏智能科技有限公司 | 一种基于机器视觉的面料表面缺陷检测和标记方法 |
CN109406527A (zh) * | 2018-09-06 | 2019-03-01 | 华南理工大学 | 一种微型摄像模组镜头精细外观缺陷检测系统及方法 |
CN109461148A (zh) * | 2018-10-30 | 2019-03-12 | 兰州交通大学 | 基于二维Otsu的钢轨缺陷分割自适应快速算法 |
CN110517317A (zh) * | 2019-08-28 | 2019-11-29 | 武汉西尔塔信息技术有限公司 | 一种基于机器视觉相机图像处理的钢坯定位方法及应用 |
-
2021
- 2021-07-14 CN CN202110798224.1A patent/CN113607739A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106918600A (zh) * | 2017-04-07 | 2017-07-04 | 江苏博虏智能科技有限公司 | 一种基于机器视觉的面料表面缺陷检测和标记方法 |
CN109406527A (zh) * | 2018-09-06 | 2019-03-01 | 华南理工大学 | 一种微型摄像模组镜头精细外观缺陷检测系统及方法 |
CN109461148A (zh) * | 2018-10-30 | 2019-03-12 | 兰州交通大学 | 基于二维Otsu的钢轨缺陷分割自适应快速算法 |
CN110517317A (zh) * | 2019-08-28 | 2019-11-29 | 武汉西尔塔信息技术有限公司 | 一种基于机器视觉相机图像处理的钢坯定位方法及应用 |
Non-Patent Citations (4)
Title |
---|
刘桂芳: ""机织物提花图案分割与拼接方法的研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 01, pages 207 - 211 * |
孙阔原 等: ""轴类工件表面视觉自动检测系统"", 《仪器研制》, vol. 38, no. 6, pages 53 - 57 * |
郑倩: "《人脑磁共振图像的数据智能分析方法研究》", 30 November 2020, 中国铁道出版社, pages: 8 * |
雷博文 等: "一种用于螺纹桶内壁图像拼接的匹配方法", 《河南科技大学学报(自然科学版)》, vol. 38, no. 5, 31 October 2017 (2017-10-31), pages 37 - 42 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112419250B (zh) | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 | |
CN111310558B (zh) | 一种基于深度学习和图像处理法的路面病害智能提取方法 | |
CN111145161B (zh) | 一种路面裂缝数字图像处理和识别的方法 | |
CN111667462B (zh) | 一种焊接缺陷中弱小目标的自动检测方法与系统 | |
CN111982916A (zh) | 一种基于机器视觉的焊缝表面缺陷检测方法及系统 | |
CN109993099A (zh) | 一种基于机器视觉的车道线提取识别方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN110987886B (zh) | 一种全自动显微影像荧光扫描系统 | |
CN113240626B (zh) | 一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN116990323B (zh) | 一种高精密印刷版视觉检测系统 | |
CN107525768B (zh) | 一种dna倍体分析设备的质量控制方法 | |
CN104778684A (zh) | 钢材表面异质型缺陷的自动测量、表征分类方法及其系统 | |
CN115096206B (zh) | 一种基于机器视觉的零件尺寸高精度测量方法 | |
CN111986170A (zh) | 一种基于深度神经网络Mask R-CNN的缺陷检测算法 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 | |
CN113034474A (zh) | 一种oled显示器晶圆图的测试方法 | |
CN115527049A (zh) | 一种引线框架引脚间距的高精度测量方法 | |
CN112763466A (zh) | 一种聚合物改性沥青相态分布特性识别方法 | |
CN113607739A (zh) | 一种用于喷射成形铝锭的基于机器视觉的检测系统 | |
CN115861220A (zh) | 基于改进的ssd算法的冷轧带钢表面缺陷检测方法和系统 | |
CN115661110A (zh) | 一种透明工件识别与定位的方法 | |
CN112907510B (zh) | 一种表面缺陷检测方法 | |
CN114755236A (zh) | 一种回转曲面电镀件表面缺陷的检测系统及方法 |
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 |