CN113658133B - 一种基于图像处理的齿轮表面缺陷检测方法及系统 - Google Patents
一种基于图像处理的齿轮表面缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN113658133B CN113658133B CN202110938398.3A CN202110938398A CN113658133B CN 113658133 B CN113658133 B CN 113658133B CN 202110938398 A CN202110938398 A CN 202110938398A CN 113658133 B CN113658133 B CN 113658133B
- Authority
- CN
- China
- Prior art keywords
- gear
- boundary
- boundary line
- area
- pixel 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.)
- Active
Links
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
Abstract
本发明涉及图像处理和机械部件检测技术领域,具体涉及一种基于图像处理的齿轮表面缺陷检测方法及系统。该方法包括:提取初始齿轮图像中的单齿图像。根据像素值和对应的像素点数量对单齿图像中的像素点进行分类,获得边界像素点和表面像素点。通过拟合边界像素点,获得边界线曲线。根据边界线曲线上的边界线像素点获得边界线参考直线。通过边界线参考直线和边界线曲线的相似性判断齿轮是否存在缺陷。若存在缺陷,则以边界线曲线为中心进行上下搜索,获得边界线区域边缘点。通过边界线区域边缘点确定缺陷评价区域。根据缺陷评价区域获取齿轮磨损程度。本发明通过获得边界信息对齿轮磨损程度进行评价,保证了缺陷检测的准确度。
Description
技术领域
本发明涉及图像处理和机械部件检测技术领域,具体涉及一种基于图像处理的齿轮表面缺陷检测方法及系统。
背景技术
机械齿轮在工作过程中会受到工作内容的影响导致规律性的磨损。因为齿轮的齿数较多,因此针对齿轮的磨损缺陷需要全面的分析齿轮的每个部位。
在现有技术中,可以通过光学器件检测齿轮的缺陷,但是该方法成本高,在实际场景中的光源可能无法满足要求,影响了检测效率。利用图像处理和机器学习的方法可以通过神经网络将缺陷像素点提取出来,但是神经网络需要大量数据的标注,针对一些与标注数据差异过大的缺陷,缺陷像素点的准确率不高,并不能准确的获得齿轮磨损程度。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于图像处理的齿轮表面缺陷检测方法及系统,所采用的技术方案具体如下:
本发明提出了一种基于图像处理的齿轮表面缺陷检测方法,所述方法包括:
获取初始齿轮图像;分割所述初始齿轮图像,获得齿轮区域,根据所述齿轮区域获得第一齿轮图像;分割所述第一齿轮图像,获得单齿区域,根据所述单齿区域获得单齿图像;
根据像素值和对应的像素点数量对所述单齿图像中的像素点进行分类,获得边界像素点和表面像素点;将所述边界像素点进行拟合,获得拟合曲线;当所述拟合曲线与所述边界像素点的离散度小于预设离散度阈值时,将所述拟合曲线作为边界线曲线;反之,则保留所述拟合曲线像素点数量多的一侧的像素点并重新拟合生成所述拟合曲线,直至所述离散度小于所述离散度阈值;
将所述边界线曲线上的所述边界像素点拟合,获得边界线参考直线;根据所述边界线曲线和所述边界线参考直线的相似性判断齿轮是否存在缺陷;
若存在缺陷,以所述边界线曲线为中心向上下两侧搜索像素点,当搜索到所述表面像素点时停止搜索,以搜索到的所述表面像素点之前的所述边界像素点作为边界线区域边缘点;所述边界线区域边缘点包括向上搜索的的内边缘点和向下搜索的外边缘点;将所述内边缘点以所述边界线参考直线为对称轴进行映射获得上表面边界线;所述外边缘点构成前表面边界线;以所述上表面边界线和所述前表面边界线构成的区域作为缺陷评价区域;
根据所述缺陷评价区域获取齿轮磨损程度。
进一步地,所述分割所述初始齿轮图像,获得齿轮区域包括:
通过多个不同尺寸的边缘检测算子处理所述初始齿轮图像,获得多个齿轮边缘像素点集合;根据所有所述齿轮边缘像素点集合交集内的像素点获得所述齿轮区域。
进一步地,所述分割所述第一齿轮图像,获得单齿区域包括:
以所述交集的元素数量与所述齿轮边缘像素点集合的元素数量的比值作为标准程度;以最大的所述标准程度对应的所述齿轮边缘像素点集合作为标准齿轮边缘像素点集合;提取所述标准齿轮边缘像素点集合的直线;选择距离图像坐标系x轴最近的两条直线作为区域边界;根据所述区域边界获得所述单齿区域。
进一步地,所述根据像素值和对应的像素点数量对所述单齿图像中的像素点进行分类,获得边界像素点和表面像素点包括:
获取所述单齿图像的灰度直方图;根据所述灰度直方图内各个灰度的像素点数量划分灰度等级;所述像素点数量越大所述灰度等级越大;以在预设等级范围内的所述灰度等级对应的灰度值作为参考灰度值;以所述参考灰度值和所述参考灰度值预设灰度邻域范围内的灰度值作为所述表面像素点,所述单齿图像内其他像素点为所述边界像素点。
进一步地,所述将所述边界像素点进行拟合,获得拟合曲线包括:所述拟合曲线为三次曲线。
进一步地,所述当所述拟合曲线与所述边界像素点的离散度小于预设离散度阈值时,将所述拟合曲线作为边界线曲线包括:以所述边界像素点到所述拟合曲线的距离和作为所述离散度。
进一步地,所述根据所述边界线曲线和所述边界线参考直线的相似性判断齿轮是否存在缺陷包括:
获得所述边界线曲线和所述边界线参考直线的欧氏距离;当所述欧氏距离小于预设距离阈值时,判断齿轮不存在缺陷;反之判断齿轮存在缺陷。
进一步地,所述根据所述缺陷评价区域获取齿轮磨损程度包括:
根据所述边界线参考直线和所述单齿图像获得单齿上表面和单齿正面;根据所述单齿上表面的对角线、所述单齿正表面的对角线和所述单齿区域的边缘围成的区域面积作为最大参考磨损面积;
以所述缺陷评价区域的面积、所述欧氏距离和所述最大参考磨损面积获得所述齿轮磨损程度。
进一步地,所述根据所述缺陷评价区域获取齿轮磨损程度包括:通过齿轮磨损程度公式获得所述齿轮磨损程度;所述齿轮磨损程度公式为:
其中,β为所述齿轮磨损程度,S为所述缺陷评价区域的面积,max()为所述最大参考磨损面积,d为所述欧氏距离。
本发明还提出了一种基于图像处理的齿轮表面缺陷检测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任意一项所述一种基于图像处理的齿轮表面缺陷检测方法的步骤。
本发明具有如下有益效果:
1.本发明实施例通过对边界像素点的多次拟合,获得边界曲线和边界参考直线,进一步通过边界曲线确定缺陷评价区域。因为齿轮的磨损会导致单齿上的边缘出现变化,通过缺陷评价区域表示当前齿轮单齿上磨损缺陷的程度,避免了因为光照和视角等原因造成的缺陷像素点的检测误差。通过检测单齿的边缘确定缺陷评价区域,对齿轮的缺陷检测具有有效的参考意义,提高了磨损缺陷的检测精度。
2.本发明实施例通过像素值和对应的像素点数量对单齿图像中的像素点分类,避免了光照等因素对边界像素点和表面像素点的像素值的影响。进一步通过多次拟合的方法去除噪声点,保证了边界线曲线的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,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的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于图像处理的齿轮表面缺陷检测方法流程图;
图2为本发明一个实施例所提供的一个初始齿轮图像示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于图像处理的齿轮表面缺陷检测方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于图像处理的齿轮表面缺陷检测方法及系统的具体方案。
本发明实施例的应用场景为:机械零部件制造场景下,齿轮单齿表面磨损缺陷检测任务。由于磨损缺陷和磕碰缺陷类似,因此本发明实施例也可利用与磕碰缺陷检测,在下述描述中仅以磨损缺陷进行说明。
请参阅图1,其示出了本发明一个实施例提供的一种基于图像处理的齿轮表面缺陷检测方法流程图,该方法包括:
步骤S1:获取初始齿轮图像;分割初始齿轮图像,获得齿轮区域,根据齿轮区域获得第一齿轮图像;分割第一齿轮图像,获得单齿区域,根据单齿区域获得单齿图像。
将齿轮放置在检测台上,相机以斜俯视视角采集齿轮的初始齿轮图像,在图像视野中包含完整的单齿信息,相机位姿固定,通过转动齿轮或者改变齿轮的姿态实现对齿轮的每个单齿进行缺陷检测。请参阅图2,其示出了本发明一个实施例提供的一个初始齿轮图像。初始齿轮图像中包含完整的单齿信息、其他单齿信息和无关背景信息。为了对中间完整的单齿信息进行检测需要将其他单齿信息和无关背景信息去除。
首先分割初始齿轮图像,将背景信息去除,获得齿轮区域,具体包括:
通过多个不同尺寸的边缘检测算子处理所述初始齿轮图像,例如3*3,5*5,7*7等多个不同尺寸,初始齿轮图像经过每个算子的处理都可以获得初始齿轮图像中的边缘像素点,获得多个齿轮边缘像素点集合。根据所有齿轮边缘像素点集合交集内的像素点获得齿轮区域。因为图像存在噪声的影响,因此采用多个齿轮边缘像素点集合的交集内的像素点作为参考获得齿轮区域,交集表示多个边缘检测算子获得的同一个边缘像素点,即特征明显的齿轮外轮廓。根据齿轮区域获得没有背景像素点的第一齿轮图像。
在本发明实施例中,采用Canny算子实现边缘检测。获得齿轮区域后,根据齿轮区域构建齿轮区域遮罩图像。在齿轮区域遮罩图像中,齿轮区域的像素点为1,其他背景像素点为0.将齿轮区域遮罩图像与初始齿轮图像逐点相乘,获得第一齿轮图像。
进一步提取完整的单齿信息,分割第一齿轮图像,获得单齿区域,具体包括:
以交集的元素数量与齿轮边缘像素点集合的元素数量的比值作为标准程度。因为在初始齿轮图像中,中间单齿的边缘特征最丰富,因此交集内的边缘像素点更多的是中间单齿的边缘特征,标准程度越大表示齿轮表演像素点内中间单齿的边缘特征占比越丰富,边缘信息特征越集中在中间单齿区域。以最大的标准程度对应的齿轮边缘像素点集合作为标准齿轮边缘像素点集合。标准齿轮边缘像素点集合内中间单齿的边缘信息最为丰富,且分布集中在中间单齿区域。提取标准齿轮边缘像素点集合的直线。选择距离图像坐标系x轴最近的两条直线作为区域边界。根据区域边界获得单齿区域。根据单齿区域获得单齿图像。
在本发明实施例中,利用霍夫变换提取标准齿轮边缘像素点集合的直线,以像素点个数400作为直线的提取阈值,去除像素点个数小于400的直线。采用较大的提取阈值可以减少无关直线的影响,使得提取的直线为中间单齿的边界直线。与第一齿轮图像相似的,根据单齿区域构建单齿遮罩图像,将单齿遮罩图像与第一齿轮图像逐点相乘,获得单齿图像。
步骤S2:根据像素值和对应的像素点数量对单齿图像中的像素点进行分类,获得边界像素点和表面像素点;将边界像素点进行拟合,获得拟合曲线;当拟合曲线与边界像素点的离散度小于预设离散度阈值时,将拟合曲线作为边界线曲线;反之,则保留拟合曲线像素点数量多的一侧的像素点并重新拟合生成拟合曲线,直至离散度小于离散度阈值。
齿轮的磨损会导致齿轮的单齿上出现磨损边界,使得上表面与正表面的边界线信息分布情况发生变化,因此可利用边界线信息对齿轮的磨损进行评估。
因为在单齿图像中,齿轮表面像素点比边界像素点颜色更深,数量更多,因此可根据像素值和对应的像素点数量对单齿图像中的像素点进行分类,获得边界像素点和表面像素点,具体包括:
获取单齿图像的灰度直方图。根据灰度直方图内各个灰度的像素点数量划分灰度等级。像素点数量越大灰度等级越大。以在预设等级范围内的灰度等级对应的灰度值作为参考灰度值。以参考灰度值和参考灰度值预设灰度邻域范围内的灰度值作为表面像素点,单齿图像内其他像素点为边界像素点。
在本发明实施例中,等级范围设置为灰度等级最大的两个灰度等级。灰度邻域范围的半径设置为5。将边界像素点的像素值设置为1,表面像素点的像素值设置为0。
根据像素值和对应的像素点数量对单齿图像中的像素点进行分类可以避免因为光照对图像灰度的影响,准确的对像素点进行分类。
在图像处理过程中,噪声的影响是不可避免的,边界像素点集中分布在上表面和正表面的边界处,但仍会有离散的噪声分布在图像上,为了进一步去除噪声,获得完整的边界线信息,将边界像素点进行拟合,获得拟合曲线;当拟合曲线与边界像素点的离散度小于预设离散度阈值时,将拟合曲线作为边界线曲线;反之,则保留拟合曲线像素点数量多的一侧的像素点并重新拟合生成拟合曲线,直至离散度小于离散度阈值。通过对拟合曲线两侧像素点数量的对比,不断选择拟合位置,最终在分布集中的上表面和正表面的交界处拟合获得拟合曲线。拟合曲线表示了当前齿轮单齿的实际边界,为后续检测提供了有效的参考。
优选的,因为齿轮在工作的过程中磨损缺陷较为规则,所以拟合曲线采用三次曲线进行拟合。以边界像素点到拟合曲线的距离和作为离散度。在本发明实施例中,离散度阈值设置为1000。
步骤S3:将边界线曲线上的边界像素点拟合,获得边界线参考直线;根据边界线曲线和边界线参考直线的距离判断齿轮是否存在缺陷。
因为完整的齿轮单齿在上表面和正表面的交界处的边缘线为直线,因此将边界线曲线上的边界像素点拟合,获得边界线参考直线。以边界线参考直线表示完整齿轮单齿的上表面和正表面的边界线。通过边界线曲线和边界线参考直线的相似性判断齿轮是否存在缺陷,具体包括:
获得边界线曲线和边界线参考直线的欧氏距离;当欧氏距离小于预设距离阈值时,判断齿轮不存在缺陷;反之判断齿轮存在缺陷。在本发明实施例中,距离阈值设置为50.
步骤S4:若存在缺陷,以边界线曲线为中心向上下两侧搜索像素点,当搜索到表面像素点时停止搜索,以搜索到的表面像素点之前的边界像素点作为边界线区域边缘点;边界线区域边缘点包括向上搜索的的内边缘点和向下搜索的外边缘点;将内边缘点以边界线参考直线为对称轴进行映射获得上表面边界线;外边缘点构成前表面边界线;以上表面边界线和前表面边界线构成的区域作为缺陷评价区域。
因为边界线曲线由一个个像素点构成,因此边界线曲线宽度为1。当判断齿轮单齿存在缺陷时,为了进一步表示磨损缺陷的区域,需要以边界线曲线为基础,扩大区域宽度,具体包括:
以边界线曲线为中心向上下两侧搜索像素点,当搜索到表面像素点时停止搜索,即搜索到像素值为0的像素点时停止搜索。以搜索到的表面像素点之前的边界像素点作为边界线区域边缘点,在图像上边界线曲线所在的每个像素列上,都存在两个边界线区域边缘点,即向上搜索的的内边缘点和向下搜索的外边缘点。因为向上搜索的内边缘点分布在上表面,经过视角的影响会出现误差,在图像中并不明显,因此以边界线参考直线为对称轴进行映射,获得上表面边界线。需要说明的是,在本发明实施例中,考虑到上表面与正表面的视差差异,设置映射修正系数α进行映射,若内边缘点与边界线参考直线的距离为d1,则映射点到边界线参考直线的距离为αd1。在本发明实施例中,映射修正系数通过多组数据拟合获得,具体取值范围为(0,1)。
外边缘点构成前表面边界线,以上表面边界线和前表面边界线构成的区域作为缺陷评价区域。
步骤S5:根据缺陷评价区域获取齿轮磨损程度。
经过边界线信息的提取,单齿图像上包括齿轮单齿的边缘和单齿表面边界线的信息,因此可根据边界线参考直线和单齿图像获得单齿上表面和单齿正面。在齿轮单齿上,磨损缺陷的区域在图像上一般都分布在上表面和正表面之间,为了更好平均齿轮单齿的磨损程度,根据单齿上表面的对角线、单齿正表面的对角线与单齿边缘围成的面积作为最大参考磨损面积。最大参考磨损面积为磨损缺陷在齿轮单齿上出现的最大的磨损面积。
以缺陷评价区域的面积、欧氏距离和最大参考磨损面积获得齿轮磨损程度。具体包括:以最大参考磨损面积进行参考,缺陷评价区域越大,则齿轮磨损程度越大;边界线曲线和边界线参考直线欧氏距离越大,则齿轮磨损程度越大,因此可通过数学建模方法对参数进行拟合,获得齿轮磨损程度公式,通过齿轮磨损程度公式获得齿轮磨损程度;齿轮磨损程度公式为:
其中,β为齿轮磨损程度,S为缺陷评价区域的面积,max()为最大参考磨损面积,d为欧氏距离。
在本发明实施例中,将齿轮磨损程度归一化至0到1的区间内,使得工作人员可以根据齿轮磨损程度判断当前齿轮是否可以执行工作任务。
综上所述,本发明实施例提取初始齿轮图像中的单齿图像。根据像素值和对应的像素点数量对单齿图像中的像素点进行分类,获得边界像素点和表面像素点。通过拟合边界像素点,获得边界线曲线。根据边界线曲线上的边界线像素点获得边界线参考直线。通过边界线参考直线和边界线曲线的相似性判断齿轮是否存在缺陷。若存在缺陷,则以边界线曲线为中心进行上下搜索,获得边界线区域边缘点。通过边界线区域边缘点确定缺陷评价区域。根据缺陷评价区域获取齿轮磨损程度。本发明实施例通过获得边界信息对齿轮磨损程度进行评价,保证了缺陷检测的准确度。
本发明还提出了一种基于图像处理的齿轮表面缺陷检测系统,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现任意一项一种基于图像处理的齿轮表面缺陷检测方法的步骤。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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 (8)
1.一种基于图像处理的齿轮表面缺陷检测方法,其特征在于,所述方法包括:
获取初始齿轮图像;分割所述初始齿轮图像,获得齿轮区域,根据所述齿轮区域获得第一齿轮图像;分割所述第一齿轮图像,获得单齿区域,根据所述单齿区域获得单齿图像;
根据像素值和对应的像素点数量对所述单齿图像中的像素点进行分类,获得边界像素点和表面像素点;将所述边界像素点进行拟合,获得拟合曲线;当所述拟合曲线与所述边界像素点的离散度小于预设离散度阈值时,将所述拟合曲线作为边界线曲线;反之,则保留所述拟合曲线像素点数量多的一侧的像素点并重新拟合生成所述拟合曲线,直至所述离散度小于所述离散度阈值;
将所述边界线曲线上的所述边界像素点拟合,获得边界线参考直线;根据所述边界线曲线和所述边界线参考直线的相似性判断齿轮是否存在缺陷;
若存在缺陷,以所述边界线曲线为中心向上下两侧搜索像素点,当搜索到所述表面像素点时停止搜索,以搜索到的所述表面像素点之前的所述边界像素点作为边界线区域边缘点;所述边界线区域边缘点包括向上搜索的内边缘点和向下搜索的外边缘点;将所述内边缘点以所述边界线参考直线为对称轴进行映射获得上表面边界线;所述外边缘点构成前表面边界线;以所述上表面边界线和所述前表面边界线构成的区域作为缺陷评价区域;
根据所述缺陷评价区域获取齿轮磨损程度,获取齿轮磨损程度的方法包括:
根据所述边界线参考直线和所述单齿图像获得单齿上表面和单齿正面;根据所述单齿上表面的对角线、所述单齿正表面的对角线和所述单齿区域的边缘围成的区域面积作为最大参考磨损面积;
以所述缺陷评价区域的面积、所述边界线参考直线和所述边界线曲线的欧氏距离和所述最大参考磨损面积通过齿轮磨损程度公式获得所述齿轮磨损程度;所述齿轮磨损程度公式为:
其中,β为所述齿轮磨损程度,S为所述缺陷评价区域的面积,max()为所述最大参考磨损面积,d为所述欧氏距离。
2.根据权利要求1所述的一种基于图像处理的齿轮表面缺陷检测方法,其特征在于,所述分割所述初始齿轮图像,获得齿轮区域包括:
通过多个不同尺寸的边缘检测算子处理所述初始齿轮图像,获得多个齿轮边缘像素点集合;根据所有所述齿轮边缘像素点集合交集内的像素点获得所述齿轮区域。
3.根据权利要求2所述的一种基于图像处理的齿轮表面缺陷检测方法,其特征在于,所述分割所述第一齿轮图像,获得单齿区域包括:
以所述交集的元素数量与所述齿轮边缘像素点集合的元素数量的比值作为标准程度;以最大的所述标准程度对应的所述齿轮边缘像素点集合作为标准齿轮边缘像素点集合;提取所述标准齿轮边缘像素点集合的直线;选择距离图像坐标系x轴最近的两条直线作为区域边界;根据所述区域边界获得所述单齿区域。
4.根据权利要求1所述的一种基于图像处理的齿轮表面缺陷检测方法,其特征在于,所述根据像素值和对应的像素点数量对所述单齿图像中的像素点进行分类,获得边界像素点和表面像素点包括:
获取所述单齿图像的灰度直方图;根据所述灰度直方图内各个灰度的像素点数量划分灰度等级;所述像素点数量越大所述灰度等级越大;以在预设等级范围内的所述灰度等级对应的灰度值作为参考灰度值;以所述参考灰度值和所述参考灰度值预设灰度邻域范围内的灰度值作为所述表面像素点,所述单齿图像内其他像素点为所述边界像素点。
5.根据权利要求1所述的一种基于图像处理的齿轮表面缺陷检测方法,其特征在于,所述将所述边界像素点进行拟合,获得拟合曲线包括:所述拟合曲线为三次曲线。
6.根据权利要求1所述的一种基于图像处理的齿轮表面缺陷检测方法,其特征在于,所述当所述拟合曲线与所述边界像素点的离散度小于预设离散度阈值时,将所述拟合曲线作为边界线曲线包括:以所述边界像素点到所述拟合曲线的距离和作为所述离散度。
7.根据权利要求1所述的一种基于图像处理的齿轮表面缺陷检测方法,其特征在于,所述根据所述边界线曲线和所述边界线参考直线的相似性判断齿轮是否存在缺陷包括:
获得所述边界线曲线和所述边界线参考直线的所述欧氏距离;当所述欧氏距离小于预设距离阈值时,判断齿轮不存在缺陷;反之判断齿轮存在缺陷。
8.一种基于图像处理的齿轮表面缺陷检测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~7任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110938398.3A CN113658133B (zh) | 2021-08-16 | 2021-08-16 | 一种基于图像处理的齿轮表面缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110938398.3A CN113658133B (zh) | 2021-08-16 | 2021-08-16 | 一种基于图像处理的齿轮表面缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113658133A CN113658133A (zh) | 2021-11-16 |
CN113658133B true CN113658133B (zh) | 2022-06-21 |
Family
ID=78479293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110938398.3A Active CN113658133B (zh) | 2021-08-16 | 2021-08-16 | 一种基于图像处理的齿轮表面缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113658133B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187266B (zh) * | 2021-12-13 | 2022-10-04 | 江苏鑫丰源机电有限公司 | 基于人工智能的齿面胶合程度评估方法 |
CN114764790B (zh) * | 2022-03-31 | 2023-05-12 | 河北鹰眼智能科技有限公司 | 一种基于霍夫圆检测的齿轮断齿检测方法 |
CN114742786B (zh) * | 2022-03-31 | 2023-08-29 | 山东西岳智能科技有限公司 | 基于人工智能的齿面磨粒磨损程度评估方法 |
CN114764804B (zh) * | 2022-06-16 | 2022-09-20 | 深圳新视智科技术有限公司 | 锂电池极片缺陷检测方法、装置、设备及存储介质 |
CN115082429B (zh) * | 2022-07-20 | 2022-11-04 | 山东马勒铝业科技有限公司 | 一种基于图像处理的铝棒缺陷检测方法 |
CN115115612B (zh) * | 2022-07-26 | 2022-11-04 | 山东安德机械科技有限公司 | 一种用于机械配件的表面缺陷检测方法及系统 |
CN114998341B (zh) * | 2022-08-04 | 2024-01-05 | 启东万惠机械制造有限公司 | 一种基于模板匹配的齿轮缺陷检测方法及系统 |
CN115035107B (zh) * | 2022-08-10 | 2022-11-08 | 山东正阳机械股份有限公司 | 基于图像处理的车桥齿轮做工误差检测方法 |
CN115049667B (zh) * | 2022-08-16 | 2022-12-06 | 启东市群鹤机械设备有限公司 | 一种齿轮缺陷检测方法 |
CN116152749B (zh) * | 2023-04-20 | 2023-06-23 | 青岛义龙包装机械有限公司 | 基于数字孪生的齿轮磨损智能监测方法 |
CN116503481B (zh) * | 2023-06-25 | 2023-08-29 | 天津中德应用技术大学 | 基于图像视觉引导的自动泊车位姿检测系统 |
CN116703922B (zh) * | 2023-08-08 | 2023-10-13 | 青岛华宝伟数控科技有限公司 | 一种锯木缺陷位置智能定位方法及系统 |
CN117437233B (zh) * | 2023-12-21 | 2024-03-26 | 山东润通齿轮集团有限公司 | 一种基于图像处理的齿轮缺陷检测方法及系统 |
CN117576089B (zh) * | 2024-01-15 | 2024-03-22 | 山东恒力源精密机械制造有限公司 | 一种活塞环缺陷检测方法及系统 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060029257A1 (en) * | 2004-08-03 | 2006-02-09 | Honda Motor Co., Ltd. | Apparatus for determining a surface condition of an object |
CN103748382B (zh) * | 2012-08-17 | 2016-12-07 | 谐波传动系统有限公司 | 具有三维接触齿形的波动齿轮装置 |
CN105069790B (zh) * | 2015-08-06 | 2018-09-14 | 潍坊学院 | 一种齿轮外观缺陷快速影像检测方法 |
EP3492912A4 (en) * | 2016-07-29 | 2020-11-04 | Nikon Corporation | SETTING PROCEDURES, INSPECTION PROCEDURES, DEFECT EVALUATION DEVICE AND STRUCTURAL MANUFACTURING PROCEDURES |
CN107117511B (zh) * | 2017-05-22 | 2022-12-20 | 长沙海川自动化设备有限公司 | 齿轮检测装置、施工升降机及检测方法 |
CN107796826B (zh) * | 2017-09-27 | 2019-12-31 | 浙江大学 | 基于齿心距离曲线分析的微型双联齿轮断齿缺陷检测方法 |
CN108763668B (zh) * | 2018-05-15 | 2022-03-01 | 杭州电子科技大学 | 基于细分技术与边界替换的齿轮模型区域参数化方法 |
CN109325930B (zh) * | 2018-09-12 | 2021-09-28 | 苏州优纳科技有限公司 | 边界缺陷的检测方法、装置及检测设备 |
WO2020133046A1 (zh) * | 2018-12-27 | 2020-07-02 | 深圳配天智能技术研究院有限公司 | 一种缺陷检测方法及装置 |
CN112147147B (zh) * | 2019-06-26 | 2023-12-22 | 杭州海康机器人股份有限公司 | 边缘缺陷检测方法和边缘缺陷检测装置以及质量检测设备 |
CN110363756A (zh) * | 2019-07-18 | 2019-10-22 | 佛山市高明金石建材有限公司 | 一种用于磨头的磨损检测系统及检测方法 |
CN110542557B (zh) * | 2019-08-21 | 2021-02-09 | 中国一拖集团有限公司 | 图像积分驱动的机床大数据周期性故障特征分析方法 |
CN111948976B (zh) * | 2020-07-31 | 2022-03-15 | 深圳吉兰丁智能科技有限公司 | 刀具状态监控方法、非易失性可读存储介质及电子设备 |
CN112525534A (zh) * | 2020-11-10 | 2021-03-19 | 北京物声科技有限公司 | 一种基于声发射技术的轴承和齿轮损伤定量化评估方法 |
CN112529875A (zh) * | 2020-12-14 | 2021-03-19 | 孙占民 | 一种基于人工智能的光伏组件玻璃爆裂预警方法及系统 |
CN112712512A (zh) * | 2021-01-05 | 2021-04-27 | 余波 | 一种基于人工智能的热轧带钢结疤缺陷检测方法及系统 |
CN113077467B (zh) * | 2021-06-08 | 2021-08-31 | 深圳市华汉伟业科技有限公司 | 一种目标物体的边缘缺陷检测方法及装置、存储介质 |
-
2021
- 2021-08-16 CN CN202110938398.3A patent/CN113658133B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113658133A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113658133B (zh) | 一种基于图像处理的齿轮表面缺陷检测方法及系统 | |
CN114723701A (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
CN105865329B (zh) | 基于视觉的成捆圆钢端面中心坐标的获取系统和方法 | |
US9224198B2 (en) | Analysis of the digital image of the surface of a tyre and processing of non-measurement points | |
CN113298769B (zh) | Fpc软排线外观缺陷检测方法、系统和介质 | |
CN112330598B (zh) | 一种化纤表面僵丝缺陷检测的方法、装置及存储介质 | |
CN110047063B (zh) | 一种物料掉落的检测方法、装置、设备及存储介质 | |
CN113469921B (zh) | 图像缺陷修复方法、系统、计算机设备及存储介质 | |
CN116503388B (zh) | 缺陷检测方法、装置及存储介质 | |
CN112419207A (zh) | 一种图像矫正方法及装置、系统 | |
CN111695373A (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN117152165B (zh) | 感光芯片缺陷的检测方法、装置、存储介质及电子设备 | |
CN109034058B (zh) | 一种针对图像中区域划分和自修正方法和系统 | |
CN113537037A (zh) | 路面病害识别方法、系统、电子设备及存储介质 | |
CN109741302B (zh) | 基于机器视觉的sd卡形态识别系统和方法 | |
CN115564727A (zh) | 一种爆光显影异常缺陷检测方法及系统 | |
CN114882116A (zh) | 一种丝杠弯曲定位及校直方法及系统 | |
JP6114559B2 (ja) | フラットパネルディスプレイの自動ムラ検出装置 | |
CN112991284A (zh) | 一种温控器导向架缺陷检测方法及系统 | |
CN111598943A (zh) | 基于书本辅助阅读设备的书本就位检测方法、装置及设备 | |
CN117635608B (zh) | 一种孔偏缺陷检测方法、装置、设备及存储介质 | |
CN117420152B (zh) | 视觉检测方法、装置、计算机设备及计算机可读存储介质 | |
CN114897827B (zh) | 基于机器视觉的烟叶包装箱状态检测方法 | |
CN114627114B (zh) | 产品缺陷严重程度测量方法及系统及装置及介质 | |
CN109685070B (zh) | 一种图像预处理方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |