CN114034706B - 一种碳纤维零件表面缺陷检测装置及方法 - Google Patents
一种碳纤维零件表面缺陷检测装置及方法 Download PDFInfo
- Publication number
- CN114034706B CN114034706B CN202111273532.9A CN202111273532A CN114034706B CN 114034706 B CN114034706 B CN 114034706B CN 202111273532 A CN202111273532 A CN 202111273532A CN 114034706 B CN114034706 B CN 114034706B
- Authority
- CN
- China
- Prior art keywords
- carbon fiber
- image
- processed image
- fiber part
- light source
- 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
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical group C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 93
- 230000007547 defect Effects 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000003708 edge detection Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims description 30
- 238000005498 polishing Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 13
- 229920000049 Carbon (fiber) Polymers 0.000 description 7
- 239000004917 carbon fiber Substances 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 239000002131 composite material Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000011347 resin Substances 0.000 description 2
- 229920005989 resin Polymers 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010096 film blowing Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
-
- 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 by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G06T5/70—
-
- G06T5/90—
-
- 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
-
- 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
- G01N2021/8887—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 based on image processing techniques
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种碳纤维零件表面缺陷检测装置及方法,方法包括获取碳纤维零件的原始图像;对所述原始图像进行灰度处理;进行开运算及膨胀操作;进行阈值处理;进行连通域筛选处理;进行边缘检测,以显现碳纤维零件表面的缺陷特征。本发明提供的碳纤维零件表面缺陷检测方法首先对碳纤维零件的图像进行灰度处理,再对灰度处理后的图像进行开运算及膨胀操作去除图像噪点及修补图像缺陷,接着通过阈值处理去除残余高反光影响及复杂底色干扰,然后通过连通域筛选处理去除干扰性连通域,最后对所述第四处理图像进行边缘检测,以显现碳纤维零件表面的缺陷特征,从而通过本方法可对碳纤维零件表面缺陷进行自动识别。
Description
技术领域
本发明涉及复合材料汽车零部件划痕缺陷自动化检测技术领域,尤其是涉及一种碳纤维零件表面缺陷检测装置及方法。
背景技术
在碳纤维预浸料的生产和成型零部件的吹膜过程中,由于工艺参数、工艺操作等因素的影响,导致成型的零部件极其容易出现划痕缺陷,降低了产品品质。针对成型的碳纤维汽车零部件划痕缺陷的检测,目前生产企业普遍通过流水线上人工目视的方法,但是由于检测工人的精神状态和质检现场环境等因素,人工检测成型碳纤维零件存在检测效率低、漏检等问题。现有检测成型碳纤维零部件表面缺陷的技术较为落后,尚未达到自动化、智能化的要求。
划痕是常见的碳纤维复材汽车零部件的制造缺陷,在使用基于机器视觉的检测方法过程中,由于零件表面高反光以及白色树脂底色干扰,导致检测精度较低,存在误检或漏检。申请号为CN201810258749.4的中国发明专利申请公开了一种基于图像处理及神经网络分类的高反光表面缺陷检测方法,该方法在背景减除方面通过利用多张固定工件标准件的图片作为标准图组制作背景减除的样本,并根据被测件形貌特征作掩膜,在后续过程中,通过以样本图像减除掩膜的方式去除大部分由光照和背景引起的图像干扰。但是由于碳纤维预浸料在生产过程中由于工艺要求的影响,加入有白色树脂,使得碳纤维汽车零部件表面呈现出细密且黑白相间的不规则分布花纹,从而导致在该种非单一底色情况下制作模板和掩膜的难度急剧增大,因此这种方法对于碳纤维复杂底色零部件的检测能力尚存在一定限制。
发明内容
有鉴于此,有必要提供一种碳纤维零件表面缺陷检测装置及方法,用以解决现有的基于机器视觉的检测方法对于碳纤维复杂底色零部件的检测能力较弱的技术问题。
为了实现上述目的,本发明提供了一种碳纤维零件表面缺陷检测装置,包括打光机构、摄像件及检测主机,所述打光机构包括罩光源及条形光源,所述罩光源设置于碳纤维零件的上方、并用于向所述碳纤维零件上打光,所述条形光源设置于所述碳纤维零件的侧方、并用于向所述碳纤维零件上打光,所述摄像件设置于所述罩光源的中心、并用于获取所述碳纤维零件的原始图像,所述检测主机与所述摄像件电连接、并用于根据所述碳纤维零件的原始图像,进行所述碳纤维零件表面上的缺陷的检测。
优选地,所述打光机构还包括第一升降件及第二升降件,所述第一升降件与所述罩光源连接、并用于驱动所述罩光源上下移动,所述第二升降件与所述条形光源连接、并用于驱动所述条形光源上下移动。
优选地,所述碳纤维零件表面缺陷检测装置还包括输送带,所述输送带设置于所述罩光源的下方,所述输送带上用于放置碳纤维零件,以使所述碳纤维零件到达所述罩光源的下方。
本发明还提供了一种碳纤维零件表面缺陷检测方法,适用于如所述的碳纤维零件表面缺陷检测装置,所述方法包括:
获取碳纤维零件的原始图像;
对所述原始图像进行灰度处理,以得到第一处理图像;
对所述第一处理图像进行开运算及膨胀操作,以得到去除图像噪点、并修补图像缺陷后的第二处理图像;
对所述第二处理图像进行阈值处理,以得到去除残余高反光影响及复杂底色干扰的第三处理图像;
对所述第三处理图像进行连通域筛选处理,以得到去除干扰性连通域的第四处理图像;
对所述第四处理图像进行边缘检测,以显现碳纤维零件表面的缺陷特征。
优选地,对所述原始图像进行灰度处理,以得到第一处理图像,具体为:通过灰度值计算公式对所述原始图像的各个像素点进行灰度处理,以得到所述第一处理图像;其中,所述灰度值计算公式具体为:Gray=0.299*R+0.587*G+0.114*B,其中,Gray为第一处理图像的某一像素点的灰度值,R为原始图像的R通道值,G为原始图像的G通道值,B为原始图像的B通道值。
优选地,对所述第一处理图像进行开运算及膨胀操作,以得到去除图像噪点、并修补图像缺陷后的第二处理图像,具体包括:通过预设的去噪函数,对所述第一处理图像进行开运算,以去除图像噪点;通过预设的膨胀操作函数,对经开运算处理后的第一处理图像进行膨胀操作,以修补图像缺陷,从而得到第二处理图像。
优选地,所述通过预设的去噪函数,对所述第一处理图像进行开运算,以去除图像噪点,具体包括:选取第一预设像素大小的锚点,以获取第一椭圆形内核;通过所述第一椭圆形内核对所述第一处理图像进行开运算,以去除图像噪点。
优选地,通过预设的膨胀操作函数,对经开运算处理后的第一处理图像进行膨胀操作,以修补图像缺陷,从而得到第二处理图像,具体包括:选取第二预设像素大小的锚点,以获取第二椭圆形内核;通过所述第二椭圆形内核对经开运算处理后的第一处理图像逐像素进行遍历;将第二椭圆形内核内的像素点和前景对象中重合的像素点都置为1,其余像素点处理为0,完成膨胀操作。
优选地,对所述第三处理图像进行连通域筛选处理,以得到去除干扰性连通域的第四处理图像,具体包括:将第三处理图像转换为布尔数组;对得到的布尔数组进行连通区域标记,获取布尔数组中相关连通域的信息;获取标记好连通域的布尔数组,根据预设的最小连通域尺寸大小,对图像采取去除最小连通域操作,以删除最小连通域后,得到所述第四处理图像。
优选地,对所述第四处理图像进行边缘检测,以显现碳纤维零件表面的缺陷特征,具体包括:对所述第四处理图像进行解码,转化为Numpy格式的数组;根据所述Numpy格式的数组获取所述第四处理图像中的缺陷的轮廓,并依据缺陷的轮廓信息在原图上完成表面缺陷绘制。
与现有技术相比,本发明提出的技术方案的有益效果是:
本发明提供的碳纤维零件表面缺陷检测装置通过罩光源作为主打光部件,代替现有的点光源打光,同时通过条形光源在侧方进行补光,可大大减少摄像件拍摄出的碳纤维零件的原始图像上的反光现象,从而为后续的通过检测主机进行表面缺陷检测提供了基础。
本发明提供的碳纤维零件表面缺陷检测方法首先对碳纤维零件的图像进行灰度处理,再对灰度处理后的图像进行开运算及膨胀操作去除图像噪点及修补图像缺陷,接着通过阈值处理去除残余高反光影响及复杂底色干扰,然后通过连通域筛选处理去除干扰性连通域,最后对所述第四处理图像进行边缘检测,以显现碳纤维零件表面的缺陷特征,从而通过本方法可对碳纤维零件表面缺陷进行自动识别。
附图说明
图1是本发明提供的碳纤维零件表面缺陷检测装置的一实施例的立体结构示意图;
图2是使用本发明提供的碳纤维零件表面缺陷检测装置拍摄出的碳纤维零件的图像与使用普通成像装置拍摄出的碳纤维零件的图像的对比图;
图3是本发明提供的碳纤维零件表面缺陷检测方法的一实施例的流程示意图;
图4是图3中的步骤S3的流程示意图;
图5是图4中的步骤S31的流程示意图;
图6是图4中的步骤S32的流程示意图;
图7是一图片经过本发明提供的开运算及膨胀操作处理前后的对比图;
图8是一图片分别以不同灰度阈值进行阈值处理后得到图片的对比图;
图9是图3中的步骤S5的流程示意图;
图10是一图片经过连通域筛选处理前后的对比图;
图11是图3中的步骤S6的流程示意图;
图中:1-打光机构、2-摄像件、3-碳纤维零件、4-输送带、11-罩光源、12-条形光源、13-第一升降件、14-第二升降件。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
请参照图1,本发明提供了一种碳纤维零件表面缺陷检测装置,包括打光机构1、摄像件2及检测主机,所述打光机构1包括罩光源11及条形光源12,所述罩光源11设置于碳纤维零件3的上方、并用于向所述碳纤维零件3上打光,所述条形光源12设置于所述碳纤维零件3的侧方、并用于向所述碳纤维零件3上打光,所述摄像件2设置于所述罩光源11的中心、并用于获取所述碳纤维零件3的原始图像,所述检测主机与所述摄像件2电连接、并用于根据所述碳纤维零件3的原始图像,进行所述碳纤维零件3表面上的缺陷的检测。
本发明提供的碳纤维零件表面缺陷检测装置通过罩光源11作为主打光部件,代替现有的点光源打光,同时通过条形光源12在侧方进行补光,可大大减少摄像件2拍摄出的碳纤维零件的原始图像上的反光现象,从而为后续的通过检测主机进行表面缺陷检测提供了基础。
为了便于调节罩光源11及条形光源12的高度,请参照图1,在一优选的实施例中,所述打光机构1还包括第一升降件13及第二升降件14,所述第一升降件13与所述罩光源11连接、并用于驱动所述罩光源11上下移动,所述第二升降件14与所述条形光源12连接、并用于驱动所述条形光源12上下移动,在使用时,可根据碳纤维零件3的尺寸大小调节罩光源11及条形光源12的高度,以提高成像效果,使用本装置拍摄出的碳纤维零件3的原始图像与使用普通成像装置拍摄出的碳纤维零件3的原始图像的对比图参见图2,图2中,位于上方的图像为通过普通成像装置拍摄出的碳纤维零件3的图像,位于下方的图像为通过本装置拍摄出的碳纤维零件3的图像,可以看出,通过使用本装置,可消除强反光影响。
为了便于提高检测效率,请参照图1,在一优选的实施例中,所述碳纤维零件表面缺陷检测装置还包括输送带4,所述输送带4设置于所述罩光源11的下方,所述输送带4上用于放置碳纤维零件3,以使所述碳纤维零件3到达所述罩光源11的下方。
请参照图3,本发明还提供了一种碳纤维零件表面缺陷检测方法,适用于所述的碳纤维零件表面缺陷检测装置,所述方法包括:
S1、获取碳纤维零件的原始图像。
S2、对所述原始图像进行灰度处理,以得到第一处理图像。具体为:
通过灰度值计算公式对所述原始图像的各个像素点进行灰度处理,以得到所述第一处理图像;
其中,所述灰度值计算公式具体为:
Gray=0.299*R+0.587*G+0.114*B
其中,Gray为第一处理图像的某一像素点的灰度值,R为原始图像的R通道值,G为原始图像的G通道值,B为原始图像的B通道值。
具体过程如下:假定原始图像(为BGR图像)内第m行第n列上的B通道、G通道、R通道像素点的值分别为img[m,n,0]、img[m,n,1]、img[m,n,2],计算得出Gray=0.299*img[m,n,2]+0.587*img[m,n,1]+0.114*img[m,n,0],将Gray的值进行四舍五入后,作为灰度像素值存入rst[m,n]即得到了第一处理图像。
S3、对所述第一处理图像进行开运算及膨胀操作,以得到去除图像噪点、并修补图像缺陷后的第二处理图像。
请参照图4,所述步骤S3具体包括:
S31、通过预设的去噪函数,对所述第一处理图像进行开运算,以去除图像噪点,本实施例中,预设的去噪函数为OpenCV计算机视觉库中的cv2.morphologyEx函数;
S32、通过预设的膨胀操作函数,对经开运算处理后的第一处理图像进行膨胀操作,以修补图像缺陷,从而得到第二处理图像,本实施例中,预设的膨胀操作函数为OpenCV计算机视觉库中的cv2.dilate函数。
其中,所述步骤S31具体包括(请参照图5):
S311、选取第一预设像素大小的锚点,以获取第一椭圆形内核,其中,第一预设像素大小为(3,3);
S312、通过所述第一椭圆形内核对所述第一处理图像进行迭代次数为1的开运算,以去除图像噪点。
所述步骤S32具体包括(请参照图6):
S321、选取第二预设像素大小的锚点,以获取第二椭圆形内核,其中,第二预设像素大小为(15,15);
S322、通过所述第二椭圆形内核对经开运算处理后的第一处理图像逐像素进行遍历;
S323、将第二椭圆形内核内的像素点和前景对象中重合的像素点都置为1,其余像素点处理为0,完成膨胀操作。
请参照图7,图7为一图片经过开运算及膨胀操作处理前后的对比图,其中,图7中上方的图片为原图片(与图2中的图像不存在关联),图7中下方的图片为经过开运算处理及膨胀操作处理后的效果图,从图7可以看出,经过开运算及膨胀操作处理,消除了图像噪点、并修补了图像缺陷。
S4、对所述第二处理图像进行阈值处理,以得到去除残余高反光影响及复杂底色干扰的第三处理图像。阈值处理的具体方法是设定一灰度阈值,图像中各像素点的灰度值依次与该灰度阈值进行比较,若像素点的灰度值大于该灰度阈值,则标记为1,否则,则标记为0,标记为1的像素点均显示为白色,标记为0的像素点均显示为黑色,即可将灰度图转化为黑白图。
阈值处理时,灰度阈值的选取对处理效果的影响很大,例如,请参照图8,图8为一图片(与图2及图7中的图像不存在关联)分别以不同灰度阈值进行阈值处理后得到图片的对比图,其中,图8中上方的图片为以灰度阈值80进行阈值处理后得到图片,图8中下方的图片为以灰度阈值95进行阈值处理后得到图片,显然,灰度阈值设置为95时,可去除残余高反光影响,而灰度阈值为80时则不能达到该效果,因此,在实际操作时,可经过多次试验获得最佳的灰度阈值。
S5、对所述第三处理图像进行连通域筛选处理,以得到去除干扰性连通域的第四处理图像。请参照图9,步骤S5具体包括:
S51、将第三处理图像转换为布尔数组;
S52、对得到的布尔数组进行连通区域标记,获取布尔数组中相关连通域的信息,具体地,在python平台的opencv中的skimage包中采用measure子模块下的label函数来实现连通区域标记,获取布尔数组中相关连通域的信息;
S53、获取标记好连通域的布尔数组,根据预设的最小连通域尺寸大小(可根据实际情况设定),对图像采取去除最小连通域操作,以删除最小连通域后,得到所述第四处理图像。具体地,采用python平台的opencv中的remove_small_objects函数获取前述步骤中标记好连通域的布尔数组,选用4邻接模式对图像采取去除最小连通域操作;
请参照图10,图10为一图片(与其他图不存在关联)经过连通域筛选处理前后的对比图,其中,图10上方为图片经过连通域筛选处理前的图像(含有大量小区块),图10下方的图片为经过连通域筛选处理后的图像(不含有小区块),表明连通域筛选处理效果良好。
S6、对所述第四处理图像进行边缘检测,以显现碳纤维零件表面的缺陷特征。请参照图11,步骤S6具体包括:
S61、对所述第四处理图像进行解码,转化为Numpy格式的数组;
S62、根据所述Numpy格式的数组获取所述第四处理图像中的缺陷的轮廓,并依据缺陷的轮廓信息在原图上完成表面缺陷绘制,具体地,通过python平台的opencv中的findCoutours函数返回以点向量的形式进行存储的,即使用point类型的vector表示的缺陷轮廓,并依据缺陷轮廓信息在原图上完成绘制。
本发明提供的碳纤维零件表面缺陷检测方法首先对碳纤维零件的图像进行灰度处理,再对灰度处理后的图像进行开运算及膨胀操作去除图像噪点及修补图像缺陷,接着通过阈值处理去除残余高反光影响及复杂底色干扰,然后通过连通域筛选处理去除干扰性连通域,最后对所述第四处理图像进行边缘检测,以显现碳纤维零件表面的缺陷特征,从而通过本方法可对碳纤维零件表面缺陷进行自动识别。
以上所述仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种碳纤维零件表面缺陷检测方法,其特征在于,该方法对应的碳纤维零件表面缺陷检测装置包括打光机构、摄像件及检测主机,所述打光机构包括罩光源及条形光源,所述罩光源设置于碳纤维零件的上方、并用于向所述碳纤维零件上打光,所述条形光源设置于所述碳纤维零件的侧方、并用于向所述碳纤维零件上打光,所述摄像件设置于所述罩光源的中心、并用于获取所述碳纤维零件的原始图像,所述检测主机与所述摄像件电连接、并用于根据所述碳纤维零件的原始图像,进行所述碳纤维零件表面上的缺陷的检测;
碳纤维零件表面缺陷检测方法包括:
获取碳纤维零件的原始图像;
对所述原始图像进行灰度处理,以得到第一处理图像;
对所述第一处理图像进行开运算及膨胀操作,以得到去除图像噪点、并修补图像缺陷后的第二处理图像;
对所述第二处理图像进行阈值处理,以得到去除残余高反光影响及复杂底色干扰的第三处理图像;
对所述第三处理图像进行连通域筛选处理,以得到去除干扰性连通域的第四处理图像;
对所述第四处理图像进行边缘检测,以显现碳纤维零件表面的缺陷特征;
其中,对所述第一处理图像进行开运算及膨胀操作,以得到去除图像噪点、并修补图像缺陷后的第二处理图像,具体包括:
通过预设的去噪函数,对所述第一处理图像进行开运算,以去除图像噪点;
通过预设的膨胀操作函数,对经开运算处理后的第一处理图像进行膨胀操作,以修补图像缺陷,从而得到第二处理图像;
其中,通过预设的膨胀操作函数,对经开运算处理后的第一处理图像进行膨胀操作,以修补图像缺陷,从而得到第二处理图像,具体包括:
选取第二预设像素大小的锚点,以获取第二椭圆形内核;
通过所述第二椭圆形内核对经开运算处理后的第一处理图像逐像素进行遍历;
将第二椭圆形内核内的像素点和前景对象中重合的像素点都置为1,其余像素点处理为0,完成膨胀操作。
2.根据权利要求1所述的碳纤维零件表面缺陷检测方法,其特征在于,所述打光机构还包括第一升降件及第二升降件,所述第一升降件与所述罩光源连接、并用于驱动所述罩光源上下移动,所述第二升降件与所述条形光源连接、并用于驱动所述条形光源上下移动。
3.根据权利要求1所述的碳纤维零件表面缺陷检测方法,其特征在于,所述碳纤维零件表面缺陷检测装置还包括输送带,所述输送带设置于所述罩光源的下方,所述输送带上用于放置碳纤维零件,以使所述碳纤维零件到达所述罩光源的下方。
4.根据权利要求1所述的碳纤维零件表面缺陷检测方法,其特征在于,对所述原始图像进行灰度处理,以得到第一处理图像,具体为:
通过灰度值计算公式对所述原始图像的各个像素点进行灰度处理,以得到所述第一处理图像;
其中,所述灰度值计算公式具体为:
Gray=0.299*R+0.587*G+0.114*B
其中,Gray为第一处理图像的某一像素点的灰度值,R为原始图像的R通道值,G为原始图像的G通道值,B为原始图像的B通道值。
5.根据权利要求1所述的碳纤维零件表面缺陷检测方法,其特征在于,所述通过预设的去噪函数,对所述第一处理图像进行开运算,以去除图像噪点,具体包括:
选取第一预设像素大小的锚点,以获取第一椭圆形内核;
通过所述第一椭圆形内核对所述第一处理图像进行开运算,以去除图像噪点。
6.根据权利要求1所述的碳纤维零件表面缺陷检测方法,其特征在于,对所述第三处理图像进行连通域筛选处理,以得到去除干扰性连通域的第四处理图像,具体包括:
将第三处理图像转换为布尔数组;
对得到的布尔数组进行连通区域标记,获取布尔数组中相关连通域的信息;
获取标记好连通域的布尔数组,根据预设的最小连通域尺寸大小,对图像采取去除最小连通域操作,以删除最小连通域后,得到所述第四处理图像。
7.根据权利要求1所述的碳纤维零件表面缺陷检测方法,其特征在于,对所述第四处理图像进行边缘检测,以显现碳纤维零件表面的缺陷特征,具体包括:
对所述第四处理图像进行解码,转化为Numpy格式的数组;
根据所述Numpy格式的数组获取所述第四处理图像中的缺陷的轮廓,并依据缺陷的轮廓信息在原图上完成表面缺陷绘制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111273532.9A CN114034706B (zh) | 2021-10-29 | 2021-10-29 | 一种碳纤维零件表面缺陷检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111273532.9A CN114034706B (zh) | 2021-10-29 | 2021-10-29 | 一种碳纤维零件表面缺陷检测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114034706A CN114034706A (zh) | 2022-02-11 |
CN114034706B true CN114034706B (zh) | 2023-06-16 |
Family
ID=80142406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111273532.9A Active CN114034706B (zh) | 2021-10-29 | 2021-10-29 | 一种碳纤维零件表面缺陷检测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114034706B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976352B (zh) * | 2016-04-14 | 2019-01-11 | 北京工业大学 | 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法 |
CN106780438B (zh) * | 2016-11-11 | 2020-09-25 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
CN107703156A (zh) * | 2017-11-23 | 2018-02-16 | 苏州艺力鼎丰智能技术有限公司 | 一种碳纤维汽车零部件表面缺陷智能检测设备 |
CN108154510A (zh) * | 2018-01-17 | 2018-06-12 | 深圳市亿图视觉自动化技术有限公司 | 产品表面缺陷检测方法、装置及计算机可读存储介质 |
CN110389127B (zh) * | 2019-07-03 | 2020-08-14 | 浙江大学 | 一种金属陶瓷零件识别及表面缺陷检测系统和方法 |
CN110473201A (zh) * | 2019-09-10 | 2019-11-19 | 江南大学 | 一种刹车片表面缺陷的自动检测方法及装置 |
CN211905129U (zh) * | 2019-10-10 | 2020-11-10 | 长园启华智能科技(珠海)有限公司 | 点胶检测装置 |
CN112102278A (zh) * | 2020-09-11 | 2020-12-18 | 天津科技大学 | 一种基于计算机视觉的金属工件加工面缺陷检测方法 |
-
2021
- 2021-10-29 CN CN202111273532.9A patent/CN114034706B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114034706A (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108346141B (zh) | 单边侧入光式导光板缺陷提取方法 | |
CN108876768B (zh) | 导光板暗影缺陷检测方法 | |
CN111982921B (zh) | 孔缺陷的检测方法、装置、传送平台及存储介质 | |
WO2017067342A1 (zh) | 板卡位置检测方法及装置 | |
CN111474177A (zh) | 基于计算机视觉的液晶屏幕背光异物缺陷检测方法 | |
KR20090066212A (ko) | 결함 검출 방법 및 결함 검출 장치 | |
CN104101611A (zh) | 一种类镜面物体表面光学成像装置及其成像方法 | |
CN114881915A (zh) | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 | |
CN111968100B (zh) | 机器视觉检测方法与系统 | |
CN114119591A (zh) | 一种显示屏画面质量检测方法 | |
CN111693535A (zh) | 基于机器视觉分析的触摸屏缺陷检测设备及方法 | |
CN114612418A (zh) | 一种鼠标外壳表面缺陷检测方法及装置、系统、电子设备 | |
CN111833350B (zh) | 机器视觉检测方法与系统 | |
CN113034464B (zh) | 一种多背景下的液晶显示器缺陷视觉实时检测方法 | |
Feng et al. | Image processing of the grinding wheel surface | |
CN114034706B (zh) | 一种碳纤维零件表面缺陷检测装置及方法 | |
CN113177925A (zh) | 一种无损检测水果表面缺陷的方法 | |
CN110530894B (zh) | 导光板亮点缺陷检测方法 | |
CN111563869B (zh) | 用于摄像模组质检的污点测试方法 | |
TW200842339A (en) | Mura detection method and system | |
CN114037682A (zh) | 一种光学元件表面疵病二维自动检测方法 | |
CN114120318A (zh) | 一种基于集成决策树的暗场图像目标点精确提取方法 | |
JP2003329428A (ja) | 表面検査装置及び表面検査方法 | |
CN112634351A (zh) | 一种定位密排货物的平台及其中心定位方法 | |
CN108961248A (zh) | 一种应用于包含复杂信息的机箱表面划痕检测方法 |
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 |