CN114187267B - 基于机器视觉的冲压件缺陷检测方法 - Google Patents
基于机器视觉的冲压件缺陷检测方法 Download PDFInfo
- Publication number
- CN114187267B CN114187267B CN202111515635.1A CN202111515635A CN114187267B CN 114187267 B CN114187267 B CN 114187267B CN 202111515635 A CN202111515635 A CN 202111515635A CN 114187267 B CN114187267 B CN 114187267B
- Authority
- CN
- China
- Prior art keywords
- edge
- point
- stamping part
- scale
- adaptive
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
本发明涉及人工智能技术领域,具体涉及一种基于机器视觉的冲压件缺陷检测方法。该方法采集冲压件图像,利用不同尺度的LOG算子对冲压件图像进行边缘检测,得到不同尺度的多张冲压件边缘图像;提取每张冲压件边缘图像中非背景像素点作为可能边缘点,计算每个可能边缘点在对应尺度下的所属冲压件边缘图像中的尺度偏离度;根据每个可能边缘点所在冲压件边缘图像中的坐标位置和尺度偏离度获取冲压件边缘对应每个边缘像素点的实际坐标位置;将边缘像素点的实际坐标位置和模板图像中各标准边缘像素点的标准位置进行匹配以检测冲压件的缺陷。将实际坐标位置与模板图像中的标准位置进行匹配能够保证匹配的准确性,使得冲压件的缺陷检测结果更加准确。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于机器视觉的冲压件缺陷检测方法。
背景技术
冲压件缺陷的种类很多,冲压件成形过程中常见的质量问题主要有起皱、开裂、回弹、表面质量(塌陷、滑移、冲击)等缺陷。这些缺陷都伴随着冲压件的形状外观变化,使用相机获取冲压件的图像,基于相机获取的图像使用机器视觉的方法就可以自动检测出冲压件的缺陷,检测效率远大于人工。
目前现有技术中,对于冲压件缺陷检测的方法通常是通过模板匹配实现的,即:先通过LOG算子获得冲压件图像的边缘,再根据边缘将冲压件图像与预设图像对齐,然后比较两者之间的差异,与预设图像不匹配的区域就是缺陷区域。然而,由于相机近大远小的原理,使得相机采集的冲压件图像往往与真实的冲压件不完全相同,即冲压件的相同边缘与相机距离的不同导致在冲压件图像中的成像不相同,在这种情况下,使用单一尺度(高斯标准差)的LOG算子对冲压件图像进行边缘检测,会出现边缘特征强度不一样的现象,从而导致冲压件图像与预设图像不能完全对准,使得缺陷检测的结果出现误差。
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机器视觉的冲压件缺陷检测方法,所采用的技术方案具体如下:
本发明实施例提供了一种基于机器视觉的冲压件缺陷检测方法,该方法包括以下具体步骤:
采集冲压件图像,分别利用不同尺度的LOG算子对所述冲压件图像进行边缘检测,对应得到不同尺度的多张冲压件边缘图像;
提取每张所述冲压件边缘图像中非背景像素点作为可能边缘点,结合所述可能边缘点及其八邻域内像素点的像素值计算每个所述可能边缘点在对应尺度下的所属所述冲压件边缘图像中的尺度偏离度;根据每个所述可能边缘点所在所述冲压件边缘图像中的坐标位置和所述尺度偏离度获取冲压件边缘对应每个边缘像素点的实际坐标位置;
通过将冲压件的边缘像素点的实际坐标位置和模板图像中各标准边缘像素点的标准位置进行匹配以检测冲压件的缺陷。
进一步地,所述根据每个所述可能边缘点所在所述冲压件边缘图像中的坐标位置和所述尺度偏离度获取冲压件边缘对应每个边缘像素点的实际坐标位置的方法,包括:
在不同的所述冲压件边缘图像上,提取每个所述可能边缘点的坐标位置,将相同坐标位置下对应的所述可能边缘点的所述尺度偏离度放在一个集合中,且对于每一个集合,以LOG算子的尺度为横轴、所述尺度偏离度为纵轴构建每一个集合对应坐标位置下所述可能边缘点的尺度偏离度变化曲线;
根据所述尺度偏离度变化曲线获取冲压件的每条边缘的基准边缘像素点;基于所述基准边缘像素点,获取对应边缘上其他边缘像素点的所述实际坐标位置。
进一步地,所述根据所述尺度偏离度变化曲线获取冲压件的每条边缘的基准边缘像素点的方法,包括:
获取每张所述冲压件边缘图像中每条边缘的单连通域,计算相邻尺度所对应的所述冲压件边缘图像中各个单连通域的交并比,由所述交并比区分所有所述冲压件边缘图像中的同一条边缘;
对于所有所述冲压件边缘图像中的同一条边缘,获取该边缘上各个所述可能边缘点所对应的所述尺度偏离度变化曲线,获取所述尺度偏离度变化曲线中所述尺度偏离度最小值所对应的尺度,将该尺度作为对应所述可能边缘点的基准尺度,然后比较该边缘上各个所述可能边缘点的基准尺度,将基准尺度的最小值所对应的所述可能边缘点作为该边缘的所述基准边缘像素点。
进一步地,所述基于所述基准边缘像素点,获取边缘上其他边缘像素点的实际坐标位置的方法,包括:
将所述基准边缘像素点作为每条边缘的第一个自适应边缘点,以该自适应边缘点为起点寻找相邻下一个自适应边缘点,直至找到每条边缘对应的所有自适应边缘点。
进一步地,所述相邻下一个自适应边缘点的获取方法,包括:
获取当前自适应边缘点的梯度方向,基于梯度方向将当前自适应边缘点的八邻域内的八个像素点分为两个部分;每一个部分表示与当前自适应边缘点单方向相连接的相邻下一个自适应边缘点所在的位置方向;
根据每个部分中所述可能边缘点的数量确认与当前自适应边缘点相连接的相邻下一个自适应边缘点。
进一步地,所述基于梯度方向将当前自适应边缘点的八邻域内的八个像素点分为两个部分的方法,包括:
生成垂直于梯度方向的分割矢量,对于当前自适应边缘点的八邻域内的各个像素点,以当前自适应边缘点为起点、邻域内的像素点为终点生成八个方向矢量,分别计算各个方向矢量与分割矢量的内积,根据内积的正负将邻域内的八个像素点分为两个部分。
进一步地,所述根据每个部分中所述可能边缘点的数量确认与当前自适应边缘点相连接的相邻下一个自适应边缘点的方法,包括:
当这两个部分的任何一个部分中的所述可能边缘点的数量为1时,将该部分中的这个所述可能边缘点作为当前自适应边缘点所相邻的下一个自适应边缘点。
进一步地,所述根据每个部分中所述可能边缘点的数量确认与当前自适应边缘点相连接的相邻下一个自适应边缘点的方法,包括:
当这两个部分的任何一个部分中的所述可能边缘点的数量大于1时,获取每个所述可能边缘点对应的所述尺度偏离度变化曲线,以得到每条所述尺度偏离度变化曲线对应的基准尺度,分别计算每个基准尺度与当前自适应边缘点的基准尺度之间的差值,将最小差值所对应的所述可能边缘点作为当前自适应边缘点所相邻的下一个自适应边缘点。
进一步地,所述通过将冲压件的边缘像素点的实际坐标位置和模板图像中各标准边缘像素点的标准位置进行匹配以检测冲压件的缺陷的方法,包括:
根据所述实际坐标位置对应的边缘像素点的像素值和所述尺度偏离度计算对应边缘像素点的可信度;
不断变换所述实际坐标位置与所述标准位置之间的对应位置关系,获取每次对应位置变换后由所述实际坐标位置对应边缘像素点的所述可信度和所述实际坐标位置与所述标准位置之间的欧式距离得到的模板匹配程度;根据所述模板匹配程度确定冲压件的缺陷。
进一步地,所述根据所述模板匹配程度确定冲压件的缺陷的方法,包括:
根据多个所述模板匹配程度获取最高模板匹配程度,在所述最高模板匹配程度所对应的位置匹配,分别计算各个所述实际坐标位置与对应所述标准位置之间的距离,由距离和距离阈值判断该实际坐标位置对应的边缘像素点是否为缺陷点。
本发明实施例至少具有如下有益效果:利用不同尺度的LOG算子对冲压件边缘进行检测,通过不同位置的冲压件边缘对同一尺度的LOG算子的不同响应,能够获取冲压件所有边缘像素点的实际坐标位置,将实际坐标位置与模板图像中的标准位置进行匹配能够保证匹配的准确性,进而使得冲压件的缺陷检测结果更加准确。
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提供的一种基于机器视觉的冲压件缺陷检测方法的步骤流程图;
图2为本发明实施例所提供的一种利用同一尺度的LOG算子所检测的冲压件边缘的局部边缘图像的示意图;
图3为本发明实施例所提供的一种自适应边缘点的八邻域内对应像素点的划分示意图。
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机器视觉的冲压件缺陷检测方法,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机器视觉的冲压件缺陷检测方法的具体方案。
本方案所针对的具体场景为:冲压完成后,将冲压件由传动带运输检测相机下方,使用检测相机获得冲压件图像,根据冲压件图像对冲压件进行质量检测。
请参阅图1,其示出了本发明一个实施例提供的一种基于机器视觉的冲压件缺陷检测方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集冲压件图像,分别利用不同尺度的LOG算子对冲压件图像进行边缘检测,对应得到不同尺度的多张冲压件边缘图像。
具体的,在传送带正上方设置相机,使相机光轴垂直于传送带平面,控制相机获取一张冲压件图像。为了保证检测效果,传送带的颜色最好是黑色,并且调整相机的位置使得冲压件的成像区域正好在相机获取的冲压件图像中的正中心,也即是冲压件的成像区域的边界离冲压件图像的边界较远。
进一步地,对冲压件图像使用不同尺度的LOG算子进行边缘检测,以得到对应多张不同尺度的冲压件边缘图像,即一个尺度的LOG算子对应一张冲压件边缘图像,其中LOG算子的尺度是指LOG算子的高斯标准差σ。
优选的,本发明实施例中高斯标准差σ的取值范围为[0,K],且K的取值不超过冲压件图像的宽度的二十分之一。
作为一个示例,参照附图2,其示出了利用同一尺度的LOG算子所检测的冲压件边缘的局部边缘图像,由图可知,该尺度对于右边边缘线1所检测到的边缘特征强度是准确的,而对于左边边缘线2所检测到的边缘特征强度是不准确的,也即是不同位置的冲压件边缘对同一尺度的LOG算子会有不同的响应,进而导致冲压件边缘图像中的边缘特征强度不同。
步骤S002,提取每张冲压件边缘图像中非背景像素点作为可能边缘点,结合可能边缘点及其八邻域内像素点的像素值计算每个可能边缘点在对应尺度下的所属冲压件边缘图像中的尺度偏离度;根据每个可能边缘点所在冲压件边缘图像中的坐标位置和尺度偏离度获取冲压件边缘对应每个边缘像素点的实际坐标位置。
具体的,对于不同尺度下的冲压件边缘图像,提取当前冲压件边缘图像中所有的非背景像素点,将其作为可能边缘点。对于每个可能边缘点,计算其尺度偏离度,其中尺度偏离度是指在利用当前尺度的LOG算子所检测的冲压件边缘与理想边缘的差别情况,则尺度偏离度的计算公式为:
其中,αij为第i行第j列的可能边缘点的尺度偏离度;gij为第i行第j列的可能边缘点的像素值;Δgij为第i行第j列的可能边缘点与周围(其八邻域内)像素点的像素值差值;min(Δgij)为最小的像素值差值;为第i行第j列的可能像素点的梯度的绝对值。
需要说明的是,如果第i行第j列的可能边缘点是理想边缘上的边缘点,则在冲压件边缘图像中:min(Δgij)=0,从而αij=0。
进一步地,在不同的冲压件边缘图像上,提取每个可能边缘点的坐标位置,将相同坐标位置下对应的可能边缘点的尺度偏离度放在一个集合中,且对于每一个集合,以LOG算子的尺度为横轴、尺度偏离度为纵轴构建每一个集合对应坐标位置下可能边缘点的尺度偏离度变化曲线。
需要说明的是,由于不同尺度下的LOG算子所检测的边缘特征强度不同,会导致每张冲压件边缘图像中可能边缘点的坐标位置存在差异,也即是可能边缘点的数量不一样,因此构建的尺度偏离度变化曲线的长度会不一样。
由于冲压件的结构复杂,不同的冲压件边缘图像中都会有很多条边缘,且同一条边缘在不同尺度下的冲压件边缘图像中有不同的位置,因此需要在不同的冲压件边缘图像中区分出同一条边缘:在每张冲压件边缘图像中,将所有可能边缘点的像素值置为1,其他像素点的像素值置为0,得到可能边缘位置图像,一个尺度下的冲压件边缘图像对应一个可能边缘位置图像。对于每张可能边缘位置图像,提取其中每条边缘的单连通域,分别计算两个相邻尺度对应的可能边缘位置图像中各个单连通域的交并比,交并比最大的一对单连通域所对应的边缘即为同一条边缘。
作为一个示例,设尺度1对应的可能边缘位置图像中有单连通域A和单连通域B,尺度2对应的可能边缘位置图像中有单连通域C和单连通域D,尺度3对应的可能边缘位置图像中有单连通域E和单连通域F,先计算尺度1和尺度2对应各个单连通域之间的交并比,即分别计算单连通域A和单连通域C之间的第一交并比、单连通域A和单连通域D之间的第二交并比,如果第一交并比大于第二交并比,则单连通域A和单连通域C是同一条边缘、同理,可知单连通域B和单连通域D是同一条边缘;然后利用同样的方法计算尺度2和尺度3对应各个连通域之间的交并比,得到单连通域C和单连通域E是同一条边缘、单连通域D和单连通域F是同一条边缘,则认为单连通域A、单连通域C和单连通域E是同一条边缘,单连通域B、单连通域D和单连通域F也是同一条边缘。
由于边缘是高频信息,其对应的LOG算子的尺度不大,因此,在越小尺度下且尺度偏离度越小的可能边缘点,越可能是准确的边缘像素点,故获取冲压件的每条边缘的基准边缘像素点的方法为:对于所有冲压件边缘图像中的同一条边缘,获取该边缘上各个可能边缘点所对应的尺度偏离度变化曲线,获取尺度偏离度变化曲线中尺度偏离度最小值所对应的尺度,将该尺度作为对应可能边缘点的基准尺度,然后比较该边缘上各个可能边缘点的基准尺度,将基准尺度的最小值所对应的可能边缘点作为该边缘的基准边缘像素点,重复上述步骤,能够得到冲压件的每条边缘的基准边缘像素点。
基于冲压件的每条边缘的基准边缘像素点,获取边缘上其他边缘像素点的实际坐标位置,则将基准边缘像素点作为每条边缘的第一个自适应边缘点,以该自适应边缘点为起点寻找相邻下一个自适应边缘点,直至找到每条边缘对应的所有自适应边缘点,具体过程为:
(1)获取当前自适应边缘点的梯度方向,基于梯度方向将当前自适应边缘点的八邻域内的八个像素点分为两个部分;每一个部分表示与当前自适应边缘点单方向相连接的相邻下一个自适应边缘点所在的位置方向。
参加附图3,在冲压件图像中,计算每条边缘的当前自适应边缘点的梯度,生成垂直于梯度方向1的单位向量,得到分割矢量2;而对于自适应边缘点的八邻域内的各个像素点,以当前自适应边缘点为起点、邻域内的像素点为终点生成八个方向矢量3,然后计算各个方向矢量3与分割矢量2的内积,根据内积的正负将邻域内的八个像素点分为两个部分,即内内积为正时所对应像素点为一个部分,内积为负时所对应的像素点为另一个部分,然后如图3所示,利用虚线4将其分为两个部分。
(2)通过对八邻域划分的两个部分,根据每个部分中可能边缘点的数量确认与当前自适应边缘点相连接的相邻下一个自适应边缘点。
具体的,分别统计当前自适应边缘点对应两个部分(位置方向)中可能边缘点的数量,设一部分中的可能边缘点的数量为n1,另一部分中的可能边缘点的数量为n2:
当n1=0或n2=0时,说明当前的自适应边缘点为端点;
当这两个部分的任何一个部分中的可能边缘点的数量为1时,即nx=1(x=1、2),将该部分中的这个可能边缘点作为当前自适应边缘点所相邻的下一个自适应边缘点;
当这两个部分中的可能边缘点的数量都为1时,则将各个部分中的这个可能边缘点分别作为当前自适应边缘点两侧所相邻的下一个自适应边缘点;
当这两个部分的任何一个部分中的可能边缘点的数量大于1时,即nx>1(x=1、2),获取每个可能边缘点对应的尺度偏离度变化曲线,以得到每条尺度偏离度变化曲线对应的基准尺度,分别计算每个基准尺度与当前自适应边缘点的基准尺度之间的差值,将最小差值所对应的可能边缘点作为当前自适应边缘点所相邻的下一个自适应边缘点;
当这两个部分中的可能边缘点的数量都大于1时,分别每个部分将对应基准尺度之间的最小差值所对应的可能边缘点作为当前自适应边缘点两侧所相邻的下一个自适应边缘点。
(3)利用步骤(1)和步骤(2)的方法,依次得到冲压件每个边缘的各个自适应边缘点,直到冲压件的所有边缘的边缘像素点都是自适应边缘点。
步骤S003,通过将冲压件的边缘像素点的实际坐标位置和模板图像中各标准边缘像素点的标准位置进行匹配以检测冲压件的缺陷。
具体的,通过步骤S002得到冲压件图像中冲压件边缘的所有自适应边缘点,也即是冲压件边缘的边缘像素点的实际坐标位置,根据实际坐标位置对应的边缘像素点的像素值和尺度偏离度计算对应边缘像素点的可信度,也即是计算每个自适应边缘点的可信度,则计算公式如下:
其中,βs为自适应边缘点s的可信度;gs为自适应边缘点s在对应基准尺度下的冲压件边缘图像中的像素值;αs为自适应边缘点s在对应基准尺度下的冲压件边缘图像中的尺度偏离度;D(σs)为自适应边缘点s对应的基准尺度与其八邻域内的自适应边缘点所对应基准尺度之间的方差。
进一步地,通过不断变换实际坐标位置与标准位置之间的对应位置关系,计算每次对应位置变换后由边缘像素点的可信度得到的模板匹配程度;根据模板匹配程度确定冲压件的缺陷,具体过程为:
(1)根据自适应边缘点的可信度和其对应实际坐标位置与标准位置之间的欧式距离,计算冲压件图像与模板图像进行匹配的模板匹配程度。
具体的,模板匹配程度的计算公式为:
其中,βij为第i行第j列自适应边缘点的可信度;dij为第i行第j列自适应边缘点与模板图像上标准边缘像素点之间的欧式距离;n为冲压件图像的像素点行数;m为冲压件图像的像素点列数。
需要说明的是,模板匹配程度是指冲压件的所有边缘像素点的实际坐标位置与模板图像中对应标准位置之间的整体匹配效果。
(2)通过不断变化自适应边缘点与标准边缘像素点之间的对应位置关系,利用步骤(1)能够得到多次匹配的模板匹配程度。
作为一个示例,设冲压件有a、b、c三个自适应边缘点,模板图像中也有e、f、g三个标准边缘像素点,当a和e为对应位置关系时,可知由两种对应位置关系,即当对应关系为a-e、b-f和c-g时,计算每种对应位置关系下的模板匹配程度,当对应位置关系为a-e、b-g和c-f时,计算每种对应位置关系下的模板匹配程度;同时也可以让a与b为对应位置关系、a和c为对应位置关系,进而自适应边缘点a、b、c和标准边缘像素点e、f、g总共有6种对应位置关系,则对应有6个模板匹配程度。
(3)根据多个模板匹配程度获取最高模板匹配程度,在最高模板匹配程度所对应的位置匹配,分别计算各个实际坐标位置与对应标准位置之间的距离,由距离和距离阈值判断该实际坐标位置对应的边缘像素点是否为缺陷点。
具体的,分别计算固定匹配位置后各个自适应边缘点与对应标准边缘像素点之间的距离D,设置距离阈值DT,当距离D<距离阈值DT,说明该自适应边缘点不是缺陷点;当距离D≥距离阈值DT,说明该自适应边缘点是缺陷点,进而遍历下一个自适应边缘点以判断其是否为缺陷点,直至所有的自适应边缘点检测完毕。
综上,本发明实施例提供了一种基于机器视觉的冲压件缺陷检测方法,该方法采集冲压件图像,分别利用不同尺度的LOG算子对冲压件图像进行边缘检测,对应得到不同尺度的多张冲压件边缘图像;提取每张冲压件边缘图像中非背景像素点作为可能边缘点,结合可能边缘点及其八邻域内像素点的像素值计算每个可能边缘点在对应尺度下的所属冲压件边缘图像中的尺度偏离度;根据每个可能边缘点所在冲压件边缘图像中的坐标位置和尺度偏离度获取冲压件边缘对应每个边缘像素点的实际坐标位置;通过将冲压件的边缘像素点的实际坐标位置和模板图像中各标准边缘像素点的标准位置进行匹配以检测冲压件的缺陷。利用不同尺度的LOG算子对冲压件边缘进行检测,通过不同位置的冲压件边缘对同一尺度的LOG算子的不同响应,能够获取冲压件所有边缘像素点的实际坐标位置,将实际坐标位置与模板图像中的标准位置进行匹配能够保证匹配的准确性,进而使得冲压件的缺陷检测结果更加准确。
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 (9)
1.一种基于机器视觉的冲压件缺陷检测方法,其特征在于,该方法包括:
采集冲压件图像,分别利用不同尺度的LOG算子对所述冲压件图像进行边缘检测,对应得到不同尺度的多张冲压件边缘图像;
提取每张所述冲压件边缘图像中非背景像素点作为可能边缘点,结合所述可能边缘点及其八邻域内像素点的像素值计算每个所述可能边缘点在对应尺度下的所属所述冲压件边缘图像中的尺度偏离度;根据每个所述可能边缘点所在所述冲压件边缘图像中的坐标位置和所述尺度偏离度获取冲压件边缘对应每个边缘像素点的实际坐标位置;
通过将冲压件的边缘像素点的实际坐标位置和模板图像中各标准边缘像素点的标准位置进行匹配以检测冲压件的缺陷;
所述根据每个所述可能边缘点所在所述冲压件边缘图像中的坐标位置和所述尺度偏离度获取冲压件边缘对应每个边缘像素点的实际坐标位置的方法,包括:
在不同的所述冲压件边缘图像上,提取每个所述可能边缘点的坐标位置,将相同坐标位置下对应的所述可能边缘点的所述尺度偏离度放在一个集合中,且对于每一个集合,以LOG算子的尺度为横轴、所述尺度偏离度为纵轴构建每一个集合对应坐标位置下所述可能边缘点的尺度偏离度变化曲线;
根据所述尺度偏离度变化曲线获取冲压件的每条边缘的基准边缘像素点;基于所述基准边缘像素点,获取对应边缘上其他边缘像素点的所述实际坐标位置。
2.如权利要求1所述的方法,其特征在于,所述根据所述尺度偏离度变化曲线获取冲压件的每条边缘的基准边缘像素点的方法,包括:
获取每张所述冲压件边缘图像中每条边缘的单连通域,计算相邻尺度所对应的所述冲压件边缘图像中各个单连通域的交并比,由所述交并比区分所有所述冲压件边缘图像中的同一条边缘;
对于所有所述冲压件边缘图像中的同一条边缘,获取该边缘上各个所述可能边缘点所对应的所述尺度偏离度变化曲线,获取所述尺度偏离度变化曲线中所述尺度偏离度最小值所对应的尺度,将该尺度作为对应所述可能边缘点的基准尺度,然后比较该边缘上各个所述可能边缘点的基准尺度,将基准尺度的最小值所对应的所述可能边缘点作为该边缘的所述基准边缘像素点。
3.如权利要求1所述的方法,其特征在于,所述基于所述基准边缘像素点,获取边缘上其他边缘像素点的实际坐标位置的方法,包括:
将所述基准边缘像素点作为每条边缘的第一个自适应边缘点,以该自适应边缘点为起点寻找相邻下一个自适应边缘点,直至找到每条边缘对应的所有自适应边缘点。
4.如权利要求3所述的方法,其特征在于,所述相邻下一个自适应边缘点的获取方法,包括:
获取当前自适应边缘点的梯度方向,基于梯度方向将当前自适应边缘点的八邻域内的八个像素点分为两个部分;每一个部分表示与当前自适应边缘点单方向相连接的相邻下一个自适应边缘点所在的位置方向;
根据每个部分中所述可能边缘点的数量确认与当前自适应边缘点相连接的相邻下一个自适应边缘点。
5.如权利要求4所述的方法,其特征在于,所述基于梯度方向将当前自适应边缘点的八邻域内的八个像素点分为两个部分的方法,包括:
生成垂直于梯度方向的分割矢量,对于当前自适应边缘点的八邻域内的各个像素点,以当前自适应边缘点为起点、邻域内的像素点为终点生成八个方向矢量,分别计算各个方向矢量与分割矢量的内积,根据内积的正负将邻域内的八个像素点分为两个部分。
6.如权利要求4所述的方法,其特征在于,所述根据每个部分中所述可能边缘点的数量确认与当前自适应边缘点相连接的相邻下一个自适应边缘点的方法,包括:
当这两个部分的任何一个部分中的所述可能边缘点的数量为1时,将该部分中的这个所述可能边缘点作为当前自适应边缘点所相邻的下一个自适应边缘点。
7.如权利要求4所述的方法,其特征在于,所述根据每个部分中所述可能边缘点的数量确认与当前自适应边缘点相连接的相邻下一个自适应边缘点的方法,包括:
当这两个部分的任何一个部分中的所述可能边缘点的数量大于1时,获取每个所述可能边缘点对应的所述尺度偏离度变化曲线,以得到每条所述尺度偏离度变化曲线对应的基准尺度,分别计算每个基准尺度与当前自适应边缘点的基准尺度之间的差值,将最小差值所对应的所述可能边缘点作为当前自适应边缘点所相邻的下一个自适应边缘点。
8.如权利要求1所述的方法,其特征在于,所述通过将冲压件的边缘像素点的实际坐标位置和模板图像中各标准边缘像素点的标准位置进行匹配以检测冲压件的缺陷的方法,包括:
根据所述实际坐标位置对应的边缘像素点的像素值和所述尺度偏离度计算对应边缘像素点的可信度;
不断变换所述实际坐标位置与所述标准位置之间的对应位置关系,获取每次对应位置变换后由所述实际坐标位置对应边缘像素点的所述可信度和所述实际坐标位置与所述标准位置之间的欧式距离得到的模板匹配程度;根据所述模板匹配程度确定冲压件的缺陷。
9.如权利要求8所述的方法,其特征在于,所述根据所述模板匹配程度确定冲压件的缺陷的方法,包括:
根据多个所述模板匹配程度获取最高模板匹配程度,在所述最高模板匹配程度所对应的位置匹配,分别计算各个所述实际坐标位置与对应所述标准位置之间的距离,由距离和距离阈值判断该实际坐标位置对应的边缘像素点是否为缺陷点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111515635.1A CN114187267B (zh) | 2021-12-13 | 2021-12-13 | 基于机器视觉的冲压件缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111515635.1A CN114187267B (zh) | 2021-12-13 | 2021-12-13 | 基于机器视觉的冲压件缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114187267A CN114187267A (zh) | 2022-03-15 |
CN114187267B true CN114187267B (zh) | 2023-07-21 |
Family
ID=80543407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111515635.1A Active CN114187267B (zh) | 2021-12-13 | 2021-12-13 | 基于机器视觉的冲压件缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114187267B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115184380B (zh) * | 2022-08-01 | 2024-04-26 | 国网上海市电力公司 | 基于机器视觉的印刷电路板焊点异常检测方法 |
CN115018835B (zh) * | 2022-08-08 | 2022-11-04 | 聊城市宁泰电机有限公司 | 一种汽车起动机齿轮检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521802A (zh) * | 2011-11-28 | 2012-06-27 | 广东省科学院自动化工程研制中心 | 一种数学形态学和LoG算子结合的边缘检测算法 |
CN102955943A (zh) * | 2011-08-18 | 2013-03-06 | 株式会社Pfu | 图像处理装置和图像处理方法 |
CN104915949A (zh) * | 2015-04-08 | 2015-09-16 | 华中科技大学 | 一种结合点特征和线特征的图像匹配算法 |
CN105913415A (zh) * | 2016-04-06 | 2016-08-31 | 吴晓军 | 一种具有广泛适应性的图像亚像素边缘提取方法 |
CN107590512A (zh) * | 2017-08-30 | 2018-01-16 | 深圳市华汉伟业科技有限公司 | 一种模板匹配中参数的自适应方法和系统 |
WO2018072333A1 (zh) * | 2016-10-18 | 2018-04-26 | 广州视源电子科技股份有限公司 | 一种元件错件检测方法和装置 |
CN108520514A (zh) * | 2018-04-04 | 2018-09-11 | 国网上海市电力公司 | 基于计算机视觉的印刷电路板电子元器一致性检测方法 |
CN108830832A (zh) * | 2018-05-15 | 2018-11-16 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于机器视觉的塑料筒表面缺陷检测算法 |
WO2019041590A1 (zh) * | 2017-08-31 | 2019-03-07 | 中国科学院微电子研究所 | 任意角度的边缘检测方法 |
CN113688807A (zh) * | 2021-10-26 | 2021-11-23 | 中科慧远视觉技术(北京)有限公司 | 一种自适应缺陷检测方法、装置、识别系统及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7133572B2 (en) * | 2002-10-02 | 2006-11-07 | Siemens Corporate Research, Inc. | Fast two dimensional object localization based on oriented edges |
US9349189B2 (en) * | 2013-07-01 | 2016-05-24 | Here Global B.V. | Occlusion resistant image template matching using distance transform |
CN106462775A (zh) * | 2014-05-09 | 2017-02-22 | Fio公司 | 离散边缘分组模板匹配系统、方法和计算机可读媒体 |
CN108830873B (zh) * | 2018-06-29 | 2022-02-01 | 京东方科技集团股份有限公司 | 深度图像物体边缘提取方法、装置、介质及计算机设备 |
-
2021
- 2021-12-13 CN CN202111515635.1A patent/CN114187267B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102955943A (zh) * | 2011-08-18 | 2013-03-06 | 株式会社Pfu | 图像处理装置和图像处理方法 |
CN102521802A (zh) * | 2011-11-28 | 2012-06-27 | 广东省科学院自动化工程研制中心 | 一种数学形态学和LoG算子结合的边缘检测算法 |
CN104915949A (zh) * | 2015-04-08 | 2015-09-16 | 华中科技大学 | 一种结合点特征和线特征的图像匹配算法 |
CN105913415A (zh) * | 2016-04-06 | 2016-08-31 | 吴晓军 | 一种具有广泛适应性的图像亚像素边缘提取方法 |
WO2018072333A1 (zh) * | 2016-10-18 | 2018-04-26 | 广州视源电子科技股份有限公司 | 一种元件错件检测方法和装置 |
CN107590512A (zh) * | 2017-08-30 | 2018-01-16 | 深圳市华汉伟业科技有限公司 | 一种模板匹配中参数的自适应方法和系统 |
WO2019041590A1 (zh) * | 2017-08-31 | 2019-03-07 | 中国科学院微电子研究所 | 任意角度的边缘检测方法 |
CN108520514A (zh) * | 2018-04-04 | 2018-09-11 | 国网上海市电力公司 | 基于计算机视觉的印刷电路板电子元器一致性检测方法 |
CN108830832A (zh) * | 2018-05-15 | 2018-11-16 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于机器视觉的塑料筒表面缺陷检测算法 |
CN113688807A (zh) * | 2021-10-26 | 2021-11-23 | 中科慧远视觉技术(北京)有限公司 | 一种自适应缺陷检测方法、装置、识别系统及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于MATLAB的图像分割算法分析;王慧琴;《中国新技术新产品》;第1-3页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114187267A (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898610B (zh) | 一种基于mask-RCNN的物体轮廓提取方法 | |
CN108388896B (zh) | 一种基于动态时序卷积神经网络的车牌识别方法 | |
CN114187267B (zh) | 基于机器视觉的冲压件缺陷检测方法 | |
CN109767445B (zh) | 一种高精度的pcb缺陷智能检测方法 | |
CN108597009B (zh) | 一种基于方向角信息进行三维目标检测的方法 | |
CN105975941A (zh) | 一种基于深度学习的多方向车型检测识别系统 | |
CN104156693B (zh) | 一种基于多模态序列融合的动作识别方法 | |
CN104568986A (zh) | 基于surf算法的遥控器面板印刷缺陷自动检测方法 | |
CN105913093A (zh) | 一种用于文字识别处理的模板匹配方法 | |
CN104268602A (zh) | 一种基于二进制特征匹配的遮挡工件识别方法及装置 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN111223133A (zh) | 一种异源图像的配准方法 | |
CN111640157A (zh) | 一种基于神经网络的棋盘格角点检测方法及其应用 | |
CN110084830B (zh) | 一种视频运动目标检测与跟踪方法 | |
CN114627080B (zh) | 基于计算机视觉的车辆冲压配件缺陷检测方法 | |
CN116740072B (zh) | 基于机器视觉的道路表面缺陷检测方法及系统 | |
CN112378350B (zh) | 一种网络变压器pin脚平整度检测方法 | |
CN110807763A (zh) | 一种陶瓦表面鼓包检测方法及系统 | |
CN111401449A (zh) | 一种基于机器视觉的图像匹配方法 | |
CN114881965A (zh) | 一种基于人工智能和图像处理的木板节子检测方法 | |
CN103150725B (zh) | 基于非局部均值的susan边缘检测方法及系统 | |
CN114022483B (zh) | 一种基于边缘特性的注塑飞边区域识别方法 | |
CN116012579A (zh) | 一种基于列车车辆智能巡检机器人拍摄图像检测零部件异常状态的方法 | |
CN108182700B (zh) | 一种基于两次特征检测的图像配准方法 | |
CN117314901B (zh) | 一种尺度自适应的芯片检测神经网络系统 |
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 |