CN114384080A - 一种橡胶圈缺陷批量检测方法及检测系统 - Google Patents

一种橡胶圈缺陷批量检测方法及检测系统 Download PDF

Info

Publication number
CN114384080A
CN114384080A CN202210285904.8A CN202210285904A CN114384080A CN 114384080 A CN114384080 A CN 114384080A CN 202210285904 A CN202210285904 A CN 202210285904A CN 114384080 A CN114384080 A CN 114384080A
Authority
CN
China
Prior art keywords
slope
batch
defects
ellipse
detection
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.)
Granted
Application number
CN202210285904.8A
Other languages
English (en)
Other versions
CN114384080B (zh
Inventor
朱大虎
吴浩
钟振宇
贺敏琦
魏文婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202210285904.8A priority Critical patent/CN114384080B/zh
Publication of CN114384080A publication Critical patent/CN114384080A/zh
Application granted granted Critical
Publication of CN114384080B publication Critical patent/CN114384080B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T7/11—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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种橡胶圈缺陷批量检测方法及检测系统，检测系统包括上料机构、传送带输送机、PLC控制柜、图像采集装置和计算机，计算机内置基于所述橡胶圈缺陷批量检测方法的算法；首先通过上料机构进行上料，然后通过图像采集装置进行批量图像采集，之后图像进行处理，通过圆提取算法提取多个零件的外圆，然后按顺序创建掩膜，对每个零件进行椭圆拟合，拟合出微变形的圆环边界，得到每个零件图像的感兴趣区域，通过识别算法对感兴趣区域的缺陷进行识别。之后随机抽取M个，再次上料进行识别。本发明能准确拟合零件的边界曲线，能准确识别出橡胶圈表面麻点、粘膜、缺胶等缺陷，能简化检测流程，检测效率高，适合零件的批量检测。

Description

一种橡胶圈缺陷批量检测方法及检测系统
技术领域
本发明属于智能检测领域，涉及一种零件缺陷检测技术，特别涉及一种橡胶圈缺陷批量检测方法及检测系统。
背景技术
工业生产中往往会有很多小型的橡胶环形零件，这类小型零件一般用做密封圈和垫圈较多，然而这些小零件在生产过程中往往会出现很多缺陷，例如麻点、缺胶、粘膜、飞边等。尤其对密封圈，上述缺陷会严重影响其密封性能，因此需要对成品进行严格地表面缺陷检测。目前许多厂家多采用人工的方式进行表面缺陷检测。人眼检验不仅容易漏检，且成本高效率低，无法跟上生产节奏。为提高企业生产效率，降低生产成本，需采用机器视觉检测技术。申请号为CN201911401291.4的中国专利公开了一项名称为 “一种基于机器视觉的橡胶密封圈表面缺陷检测方法”的检测方法，该方法主要通过提取零件纹理特征，结合支持向量机，训练出识别缺陷的分类器，从而实现橡胶密封圈的缺陷识别。申请号为CN202110426876.2的中国专利公开了一项名称“一种基于深度学习的橡胶密封圈缺陷检测方法”的检测方法，该方法通过自定义数据集建立模型框架，对数据库进行训练、验证和测试，并设定阈值和反馈剔除机构，最终得到预测模型并投入使用。但以上方法只能对单个零件进行检测，并且没有进行椭圆拟合，创造符合橡胶圈实际形状的掩膜，效率低下，也无法对零件进行反面，实现双面检测。
本发明从检测效率出发进行多零件并行检测，采用混采检测技术，以数个零件为最小检测单位，同时通过椭圆定位拟合算法实现零件的精准定位，然后进行单次的多目标检测，能够极大的提高检测速度，实现该零件缺陷的批量检测。其中零件的精确定位是必要的，因为工业相机采集的图片会有很多噪点，很多情况下图像预处理并不能很完美的实现去噪，又由于橡胶密封圈会微变形呈椭圆状，因此需要椭圆拟合来精确定位ROI区域，从而排除干扰项，加快图像处理速度。因此，本发明提出一种基于混合检测和椭圆拟合的橡胶圈缺陷批量检测方法及检测系统，能够实现橡胶密封圈表面缺陷的批量快速检测，可以同时准确识别出橡胶密封圈表面常见的麻点、粘膜、缺胶等导致图像像素灰度值变化的缺陷。
发明内容
本发明的目的在于提供一种橡胶圈缺陷批量检测方法及检测系统，利用对微变形橡胶圈进行椭圆拟合来精准的获取ROI区域，有效提高了检测精度，然后基于混合检测来批量检测正反面的问题，规避了无法准确针对每个橡胶圈零件反面的问题，大大提高了检测速度，解决上述人工检测存在的各种弊端。
为实现上述目的，本发明的技术方案如下：
本发明保护一种橡胶圈缺陷批量检测方法，其特征在于，包括如下步骤：
步骤1、上料若干个橡胶环形零件作为一个最小检测单位，通过相机拍摄若干橡胶环形零件得到样本图像，其中单张样本图像包含一个最小检测单位的多个橡胶环形零件；
步骤2、图像预处理，将拍得的橡胶环形零件图片进行灰度二值化、中值滤波去噪、直方图均衡化消除光照不均匀处理，得到预处理后的该批次零件图片；
步骤3、多零件的粗定位和同批次处理，通过圆提取算法提取多个零件的外圆，将该批次的圆放在一个列表中，按顺序创建掩膜，每次仅露出列表中的一个零件并对该零件做步骤4-步骤6的椭圆拟合处理，最终遍历整个列表，实现多个零件的粗定位和同批次处理；
步骤4、边缘检测，利用边缘检测算法对粗定位的零件图片进行检测，得到边缘图；
步骤5、边界曲线和边缘点位置坐标提取，利用边缘提取算法对上述边缘图进行边界提取，得到边界曲线，对边界曲线按照长度排序并选取长度最长的边界曲线及构成该曲线的点位置信息；
步骤6、椭圆拟合，按照步长K取构成步骤5边界曲线中的点坐标，组成一个点集N，利用点集N定位拟合出微变形的外圆环边界，并根据橡胶环形零件内外椭圆边界轴的经验比例缩小外圆边界来得到内圆边界，同时获取到该内、外椭圆的参数；
步骤7、零件精确定位，利用上述步骤得到的所有椭圆的信息创建掩膜，实现该批次零件图像的精确定位，得到每个零件图像的感兴趣区域；
步骤8、图像阈值分割，利用OpenCV中的cv2.threshold函数在步骤7中定位的感兴趣区域内寻找阈值范围内的缺陷；
步骤9、缺陷标记，利用OpenCV中的cv2.findContours函数寻找步骤8分割图像中的缺陷边界，并按经验设定阈值Th，若缺陷边界数量大于阈值Th，则此零件批次中有残次品，若缺陷边界数量小于阈值Th，则此零件批次中全为合格品；
步骤10、双面检测，基于统计学参数估计方法，在步骤9中获得的合格品中随机抽取M个零件重新上料后重复步骤1-9进行二次检测。
进一步地，步骤3中，采取OpenCV中的cv2.HoughCircles函数提取多个零件的外圆。
进一步地，步骤4中，采用Canny边缘检测算法对粗定位的零件图片进行检测，得到边缘图。
进一步地，步骤5中，采用基于OpenCV中的cv2.findContours函数对边缘图进行边界提取，得到边界曲线。
进一步地，步骤6中，椭圆拟合的具体方法如下：
步骤6.1、根据平行弦中点线必过椭圆中心的定理，选取三组平行弦，分别连接每组的两个弦中点得到中点线，三个中点线会有三个交点，取三个交点坐标的平均值作为椭圆中心坐标（x 0，y 0）；
步骤6.2、边缘点集合N中每两点连线确定一个弦长，弦长所在直线的斜率记为k i ，i为表达顺序的角标，将k i 和对应的点对坐标储存在列表list1中；
步骤6.3、剔除列表list1中过椭圆中心的直线斜率，将剩余直线斜率k n 和对应的点对坐标储存在列表list2中；
步骤6.4、计算与步骤6.3列表list2中与两点确定的弦垂直的直线斜率k j ，k i k j =-1，如果两点确定的弦的中垂线过椭圆中心，则保留该点对及对应的直线斜率k j ，并储存在列表list3中；
步骤6.5、列表list3中包括长轴所在直线和短轴所在直线的两种斜率，从列表list3中依次选取直线斜率k 1 、k 2 、k 3 ... k j ，分别与列表list1中的每个斜率k i 进行匹配比较，当列表list1中直线斜率k i 所在直线和列表list3中直线斜率k j 所在直线平行时，取出列表list1中直线斜率k i 及对应的点对，将直线斜率记为k m ，并将其和对应点对储存在列表list4中；计算列表list4中点对之间距离，将距离值按照列表list4中的斜率索引顺序储存在列表list5中，取出列表list5最大值a及列表list4中与a对应的k m ，长轴长即为a，对应的长轴所在斜率即为k m 记为k a ；通过k a 可以确定短轴斜率k b ，k a k b =-1；然后遍历列表list4中的斜率与k b 进行匹配，取出列表list4中与斜率k b 匹配成功的斜率，并计算列表list4中匹配成功的斜率对应的点对距离，并将距离值储存在列表list6中，从列表list6中取出最大值b，b即为短轴长；
步骤6.6、通过点对坐标信息得到椭圆的倾斜角θ；从而确定椭圆参数(x 0，y 0，a，b，θ)，最后通过OpenCV中的cv2.ellipse函数确定一个椭圆。
进一步地，步骤6.3中，剔除具体方式如下：
对于点对A（x 1，y 1），B（x 2，y 2），两点确定一条直线，其直线方程为：
Figure 371487DEST_PATH_IMAGE001
令剔除判断指标
Figure 960731DEST_PATH_IMAGE002
得到以x，y为变量的判断方程，将已经确 定的椭圆中心坐标（x 0，y 0）代入到判断方程中得到Z的值，设定阈值为Thz，若Z小于Thz时，剔 除对应的点对及斜率k i ，若Z大于Thz时，将对应的点对及斜率存入储存在列表list2中，斜 率记为k n 。
进一步地，步骤6.4中，两点确定的弦的中垂线过椭圆中心判断方式如下：
任意一点对坐标，点对的中点可确定为（x i，y i），中点横坐标即为点对横坐标和的 一半，中点纵坐标即为点对纵坐标和的一半，故与弦垂直的直线方程为y-y i =k j （x-x i ），其中k j 与点对是相对应的储存在列表list3中，于是椭圆中心到弦的中垂线的距离为
Figure 412572DEST_PATH_IMAGE003
；设定阈值Thd，若d小于阈值Thd，则表示与两点确定的弦垂直的 直线过椭圆中心。
步骤6.4中，对于斜率匹配，定义判断指标L=|arctan（k j ）-arctan（k i ）|，设定阈值Th L =2°，若L小于Th L ，则匹配成功，若L大于Th L ，则匹配失败。
步骤6.5中，短轴斜率k b 匹配list4中的斜率方法相同， 定义判断指标L=|arctan（k m ）-arctan（k b ）|，设定阈值Th L =2°，若L小于Th L ，则匹配成功，若L大于Th L ，则匹配失败。
进一步地，步骤10中，统计学参数估计过程中，M计算方法如下：
Figure 479885DEST_PATH_IMAGE004
其中，p表示单面合格率，Δ表示允许误差，
Figure 90995DEST_PATH_IMAGE005
表示给定置信度的总体参数区间 估计上限。
本发明还提供一种橡胶圈缺陷批量检测系统，其特征在于：包括上料机构、传送带输送机、PLC控制柜、图像采集装置和计算机，所述计算机内置基于权利要求1-8任意所述的基于所述橡胶圈缺陷批量检测方法的算法；
所述上料机构将待检测的橡胶环形零件有序地输送到传送带输送机的传送带上；
所述传送带输送机将待检测的橡胶环形零件运输经过图像采集工位、分拣工位，最后送到出料区；
所述图像采集装置包括工业相机、平面光源和相机光源安装支架；平面光源中部设有拍摄孔，工业相机穿过平面光源中部的拍摄孔拍摄；工业相机设于图像采集工位正上方；
所述PLC控制柜和所述上料机构、传送带输送机以及图像采集装置以及所述计算机相连接，对上料机构、传送带输送机以及图像采集装置进行控制，并接收计算机的控制指令；
所述计算机接收图像采集装置采集图像采集工位上的零件图像，并根据内置基于基于所述橡胶圈缺陷批量检测方法的算法判断零件是否存在缺陷；如果存在缺陷，则人工剔除缺陷零件。
进一步地，所述传送带输送机的传送带上设有若干将待检测零件划分为不同批次的挡板，用于分批检测，避免相邻两批零件之间的检测干扰。
进一步地，在传送带的每批次区域，也就是两个挡板之间区域设置与计算机相连的报警提示灯，如果计算机判断存在缺陷，则控制报警提示灯发出警报，提示缺陷零件所在批次，由工作人员取下该批次零件并进行最终残次品的剔除，以提高人工剔除效率，防止漏剔除。
本发明的有益效果：
本发明充分考虑到此类零件的批量检测效果，采用混采检测技术，提供了一种零件批量检测的新思路。充分结合机器视觉，并基于OpenCV，提出了一种橡胶圈缺陷批量检测方法及检测系统，能够对零件图像进行准确定位，有效提取ROI区域，检测精度高，能自动识别出零件表面的麻点、粘膜和缺胶等缺陷。能够有效解决人工检测的各种弊端，提高了生产效率。
附图说明
图1为申请实施例中橡胶圈缺陷批量检测方法流程图。
图2为申请实施例中椭圆拟合的整体流程图。
图3为申请实施例中橡胶圈缺陷批量检测系统运行流程图。
图4为申请实施例中橡胶圈缺陷批量检测系统示意图。
1-上料机构，2-传送带输送机，3-PLC控制柜，4-图像采集装置，5-平面光源，6-相机光源安装支架，7-报警提示灯，8-工业相机，9-上料通道，10-计算机。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。
本发明提供了一种橡胶圈缺陷批量检测方法及检测系统，橡胶圈缺陷批量检测方法的整体流程如图1所示。由于橡胶密封圈零件会产生微变形而变成椭圆，为实现准确定位，如图2所示，本发明还提供了一种椭圆定位拟合方法。本发明主要利用OpenCV中的库函数对图像进行预处理和缺陷提取。目前，对于橡胶零件表面缺陷的检测，主要还是靠人工肉眼检测，劳动强度大，检测效率、一致性和准确率低，如图3所示，本发明提供了橡胶圈缺陷批量检测系统，内置上述批量检测算法，可以自动识别橡胶密封圈的缺陷并通过警示灯提醒工作人员，最终实现合格品和残次品的分拣工作。
如图1至图3所示本发明提供一种橡胶圈缺陷批量检测方法，具体方法如下：
步骤1、上料若干个橡胶环形零件（一般2-6个）作为一个最小检测单位，通过相机拍摄得到样本图像，其中单张样本图像包含多个橡胶环形零件；
步骤2、对图像进行预处理，将拍得的橡胶环形零件图片进行灰度二值化、中值滤波去噪、直方图均衡化消除光照不均匀等处理，得到预处理后的零件图片；
步骤3、多零件的粗定位和同批次处理，通过OpenCV中的cv2.HoughCircles函数提取多个零件的外圆，实现多个圆检测，将该批次识别出的圆放在一个列表中，按顺序逐一创建掩膜，每次仅露出列表中的一个零件并对该零件做步骤4-步骤6的椭圆拟合处理，最终遍历整个列表，实现多个零件的同批次处理；
步骤4、利用Canny边缘检测算法对粗定位的零件图片进行边缘检测，得到边缘图；
步骤5、对边缘图进行边界曲线和边缘点位置坐标提取，利用OpenCV中的cv2.findContours函数对所述边缘图进行边界提取，得到边界曲线，对边界曲线按照长度排序并选取长度最长的边界曲线及构成该曲线的点位置信息；
步骤6、由于橡胶环形零件存在微变形为实现零件的准确定位，现进行椭圆定位和拟合，如图2所示，将步骤5得到的最长边界曲线按照一定的步长取点，将构成此边界曲线的点坐标组成一个点集N，利用点集N拟合出微变形的外圆环边界，即外椭圆边界，同时获取到该外椭圆的参数，并根据橡胶环形零件内外椭圆边界轴的经验比例缩小外圆边界来得到内圆边界，同时获取到该内、外椭圆的参数；椭圆拟合的具体方法如下：
步骤6.1、根据平行弦中点线必过椭圆中心的定理，选取三组平行弦，分别连接每组的两个弦中点得到中点线，三个中点线会有三个交点，取交点坐标的平均值作为椭圆中心坐标（x 0，y 0）；
步骤6.2、边缘点集合N中每两点连线确定一个弦长，弦长所在直线的斜率记为k i （通过点对的两个点坐标计算），i为表达顺序的角标，将k i 和对应的点对坐标储存在列表list1中；
步骤6.3、剔除列表list1中过椭圆中心的直线斜率，将剩余直线斜率k n 和对应的点对坐标储存在列表list2中；
步骤6.4、计算与步骤6.3列表list2中与两点确定的弦垂直的直线斜率k j ，k n k j =-1，如果两点确定的弦的中垂线过椭圆中心，则保留该点对及对应的直线斜率k j ，并储存在列表list3中；
步骤6.5、列表list3中包括长轴所在直线和短轴所在直线的两种斜率，从列表list3中依次选取直线斜率k 1 、k 2 、k 3 ... k j ，分别与列表list1中的每个斜率k i 进行匹配比较，当列表list1中直线斜率k i 所在直线和列表list3中直线斜率k j 所在直线平行时，取出列表list1中直线斜率k i 及对应的点对，将直线斜率记为k m ，并将其和对应点对储存在列表list4中；计算列表list4中点对之间距离，将距离值按照列表list4中的斜率索引顺序储存在列表list5中，取出列表list5最大值a及列表list4中与a对应的k m ，长轴长即为a，对应的长轴所在斜率即为k m 记为k a ；通过k a 可以确定短轴斜率k b ，k a k b =-1；然后遍历列表list4中的斜率与k b 进行匹配，取出列表list4中与斜率k b 匹配成功的斜率，并计算列表list4中匹配成功的斜率对应的点对距离，并将距离值储存在列表list6中，从列表list6中取出最大值b，b即为短轴长；
步骤6.5、通过点对坐标信息得到椭圆的倾斜角θ；从而确定椭圆参数(x 0，y 0，a，b，θ)，最后通过OpenCV中的cv2.ellipse函数即可确定椭圆；
比如，工业相机与零件的距离为20cm时采集到的零件图像，对于该零件的外椭圆长轴a=196，短轴b=194，根据比例0.85，即可得到内椭圆的长轴a’=167，短轴b’=165，其中长短轴长度没有特定单位，这里指的是像素点的个数。
步骤7、为了实现零件精确定位，利用上述步骤得到的椭圆信息，并根据橡胶圈内外椭圆边界的长短轴的经验比例创建掩膜，实现零件图像的精确定位，得到每个零件图像的感兴趣区域（ROI区域）；
步骤8、通过图像的阈值分割，利用OpenCV中的cv2.threshold函数在步骤7中定位的ROI区域内寻找阈值范围内的缺陷，具体识别方法可以参考专利CN114018946A中所记载识别方式；
步骤9、利用OpenCV中的cv2.findContours函数寻找在步骤8实现的分割图像中的缺陷边界，并按经验设定阈值Th=2（轮廓个数单位个，可以根据计算结果反过来调整校正），若缺陷边界数量大于阈值Th，则此零件批次中有残次品，若缺陷边界数量小于阈值Th，则此零件批次中全为合格品；
步骤10、双面检测，基于统计学参数估计方法，在步骤9中获得的合格品中随机抽取M个零件重复步骤1-9进行二次检测。
需要说明的是，步骤3中，提取多个零件外圆不限于采用采取OpenCV中的cv2.HoughCircles函数。
需要说明的是，步骤4中，采用的边缘检测算法不限于Canny边缘检测算法。
需要说明的是，步骤5中，对边缘图的边界提取不限于基于OpenCV的cv2.findContours函数。
需要说明的是，步骤6.3中，剔除具体方式如下：
对于点对A（x 1，y 1），B（x 2，y 2），两点可确定一条直线，其直线方程为：
Figure 319982DEST_PATH_IMAGE006
令剔除判断指标
Figure 259120DEST_PATH_IMAGE007
得到以x，y为变量的判断方程，将已 经确定的椭圆中心坐标（x 0，y 0）代入到判断方程中得到Z的值，设定阈值为Thz=5（可以根据 计算结果反过来调整优化），若Z小于Thz时，剔除斜率k i ，若Z大于Thz时，将对应的点对及斜 率存入储存在列表list2中，斜率记为k n 。
需要说明的是，步骤6.4中，两点确定的弦的中垂线过椭圆中心判断方式如下：
由任意一点对坐标，点对的中点可确定为（x i，y i），中点横坐标即为点对横坐标和 的一半，中点纵坐标即为点对纵坐标和的一半，故与弦垂直的直线方程为y-y i =k j （x-x i ），其 中k j 与点对是相对应的储存在列表list3中，于是椭圆中心到弦的中垂线的距离为
Figure 989178DEST_PATH_IMAGE003
，设定阈值Thd，若d小于阈值Thd（为像素点的个数，可取2-5），则 表示与两点确定的弦垂直的直线过椭圆中心。
推导过程如下：
假设若直线方程为Ax+By+C=0，P点坐标为（m，n），则点P到直线l的距离d为：
Figure 327231DEST_PATH_IMAGE008
，于是椭圆中心到弦垂直的直线的距离如上式。
需要说明的是，步骤6.4中，当弦不过椭圆中心时，若该弦的中垂线过椭圆中心，则该中垂线必然是长轴或者短轴所在的直线。
证明如下：关于长轴或者短轴对称的椭圆上的点所形成的弦，其中垂线显然就是 长轴或短轴所在的直线；对于关于长轴或短轴都不对称的点中，任取两点A（x 1，y 1），B（x 2，y 2），AB中点为C（（x 1+x 1）/2，（y 1+y 2）/2），椭圆中心坐标为（0，0），椭圆倾斜角为0，AB所在直线 的斜率为
Figure 992699DEST_PATH_IMAGE009
，则中垂线的斜率为
Figure 278187DEST_PATH_IMAGE010
，中垂线的方程为
Figure 421723DEST_PATH_IMAGE011
，即
Figure 476267DEST_PATH_IMAGE012
已知A，B两点关于长轴、短轴和椭圆中心均不对称，显然
Figure 578215DEST_PATH_IMAGE013
不等于 0，故中垂线不过椭圆中心，得证。
需要说明的是，步骤6.5中，对于斜率匹配，定义判断指标L=|arctan（k j ）-arctan（k i ）|，设定阈值Th L =2°（阈值可以在1-5度之间变化，具体可以根据计算结果反过来调整），若L小于Th L ，则匹配成功，若L大于Th L ，则匹配失败。
步骤6.5中，短轴斜率k b 匹配list4中的斜率同理， 定义判断指标L=|arctan（k m ）-arctan（k b ）|，设定阈值Th L =2°，若L小于Th L ，则匹配成功，若L大于Th L ，则匹配失败。
需要说明的是，步骤10中，统计学参数估计过程中，M计算方法如下：
Figure 491944DEST_PATH_IMAGE004
其中，p表示单面合格率，为上次检测得到的结果；Δ表示允许误差，为根据实际情 况设定值；
Figure 563806DEST_PATH_IMAGE005
表示给定置信度的总体参数区间估计上限。
如果M大于所有的样本零件数，那么M就等于所有的零件数（也就是直接拿全部的零件去进行二次检测），二次检测后，M计算公式中的p会变化，因此三次检测前的M会变小，这样当算到M小于所有的零件数时，那么该次检测就为最后一次检测，一般二至三次检测即可达到要求。
比如本实施例中，当置信度为95%，允许误检率（允许误差Δ）小于5%条件下，Δ= 0.05，根据据置信度95%查表得到的总体参数区间估计上限
Figure 613801DEST_PATH_IMAGE014
；为允许误差即误 检率；此处取
Figure 480126DEST_PATH_IMAGE015
，从而估计M=384.16，约等于384。
如图3所示，本发明实施例还提供一种橡胶圈缺陷批量检测系统，包括上料机构1、传送带输送机2、PLC控制柜3、图像采集装置4和计算机10，所述计算机10内置基于所述橡胶圈缺陷批量检测方法的算法；
所述上料机构1将待检测的橡胶环形零件有序地输送到传送带输送机2的传送带上；
所述传送带输送机2将待检测的橡胶环形零件运输经过图像采集工位、分拣工位，最后送到出料区；
所述图像采集装置4包括工业相机8、平面光源5和相机光源安装支架6；平面光源5中部设有拍摄孔，工业相机8穿过平面光源5中部的拍摄孔拍摄；工业相机8设于图像采集工位正上方；
所述PLC控制柜3和所述上料机构1、传送带输送机2以及图像采集装置以及所述计算机10相连接，对所述上料机构1、传送带输送机2以及图像采集装置进行控制，并接收计算机10的控制指令；
所述计算机10接收图像采集装置4采集在图像采集工位上的零件图像，并根据内置基于基于所述橡胶圈缺陷批量检测方法的算法判断零件是否存在缺陷；如果存在缺陷，则报警提示灯7发出警报，提示缺陷零件所在批次，由工作人员取下该批次零件并进行最终残次品的剔除。
本发明中所述上料机构1采用现有技术中上料机构即可，比如振动上料机构，将待检测零件排序，并按每秒4次的频率将待检测橡圆环橡胶密封圈输送到传送带上，每次上料2个密封圈。
本实施例中，所述传送带输送机2使用白色传送带，传送带上每隔120mm安装一挡板，挡板宽20mm高20mm，传送带输送机2的传送带沿着输送方向依次分为上料工位、图像采集装置4工位、分拣工位和出料区，将待检测圆环橡胶密封圈按下料批次分成不同批次，依次运输经过图像采集装置4工位、分拣工位最后送到出料区。
所述图像采集装置4包括工业相机8、平面光源5和相机光源安装支架6，平面光源5通过相机光源安装支架6支撑，平面光源5中部设有拍摄孔，工业相机8穿过平面光源5中部的拍摄孔拍摄，镜头距离待检测工件的距离要大于150mm，因此安装于距离传送带160mm处，工业相机8与所述计算机10相连接，实时将采集到的图片传送给计算机10；
所述计算机10安装有基于上述橡胶圈缺陷批量检测方法的检测程序，所述程序执行时能够实现所述橡胶圈缺陷批量检测方法，并且和图像采集装置4、PLC控制柜3相连接；
所述PLC控制柜3与所述上料机构1、所述传送带输送机2、所述图像采集装置4及所述计算机10连接，控制所述上料机构1和所述传送带输送机2启动，控制所述图像采集装置4采集图像，与所述计算机10保持通信，并检测到缺陷控制所述传送带输送机2上的报警提示灯7亮。
需要说明的是，在实施过程中，待检测零件随机堆放在上料机构1中，上料机构1为安装两条上料通道9的振动盘上料机，两条上料通道9平行，间隔5mm，出料口在一条直线上，其将待检测零件依次排序，按照每秒4次的频率将待检测零件转移到传送带输送机2上；传送带输送机2安装带有隔板的白色传送带，能够被动地将待检测零件分批次，并和待检测零件形成鲜明的灰度值差，传送带转动同时将待检测零件送到图像采集装置4下方；图像采集装置4采集好当前批次的待检测零件的图像，立即将图像发送到计算机10上，经计算机10中的程序通过所述的橡胶圈缺陷批量检测方法检测当前批次的零件中是否有缺陷零件，若存在缺陷零件，计算机10给予PLC控制柜3中的PLC一个信号；传送带运输机接着把检测完的零件运输到分拣工位，所述的分拣工位是传送带运输机上侧边安装有报警提示灯7的区域，所述的报警提示灯7安装间隔与传送带挡板间隔距离一致；当PLC接收到计算机10传送到的存在缺陷的信号时，PLC控制柜3控制报警提示灯7亮，提示缺陷零件所在批次，并随着传送带前进，提示灯依次点亮，此时由工作人员收走带有缺陷的一批零件，直到传送带转动到末尾报警提示等熄灭；若不存在缺陷零件，则零件由传送带运输机直接运输末端，下落到出料区。当然本发明也可以设置分拣装置，比如多自由度机械臂，自动剔除缺陷零件。
以上实施方式仅用于说明本发明，而非对本发明的限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行各种组合、修改或者等同替换，都不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种橡胶圈缺陷批量检测方法，其特征在于，包括如下步骤：
步骤1、上料若干个橡胶环形零件作为一个最小检测单位，通过相机拍摄若干橡胶环形零件得到样本图像，其中单张样本图像包含一个最小检测单位的多个橡胶环形零件；
步骤2、图像预处理，将拍得的橡胶环形零件图片进行灰度二值化、中值滤波去噪、直方图均衡化消除光照不均匀处理，得到预处理后的该批次零件图片；
步骤3、多零件的粗定位和同批次处理，通过圆提取算法提取多个零件的外圆，将该批次的圆放在一个列表中，按顺序创建掩膜，每次仅露出列表中的一个零件并对该零件做步骤4-步骤6的椭圆拟合处理，最终遍历整个列表，实现多个零件的粗定位和同批次处理；
步骤4、边缘检测，利用边缘检测算法对粗定位的零件图片进行检测，得到边缘图；
步骤5、边界曲线和边缘点位置坐标提取，利用边缘提取算法对上述边缘图进行边界提取，得到边界曲线，对边界曲线按照长度排序并选取长度最长的边界曲线及构成该曲线的点位置信息；
步骤6、椭圆拟合，按照步长K取构成步骤5中最长边界曲线中的点坐标，组成一个点集N，利用点集N定位拟合出微变形的外圆环边界，并根据橡胶环形零件内外椭圆边界轴的经验比例缩小外圆边界来得到内圆边界，同时获取到该内、外椭圆的参数；
步骤7、零件精确定位，利用上述步骤得到的所有椭圆的信息创建掩膜，实现该批次零件图像的精确定位，得到每个零件图像的感兴趣区域；
步骤8、图像阈值分割，利用缺陷识别算法步骤7中定位的感兴趣区域内寻找阈值范围内的缺陷；
步骤9、缺陷标记，利用OpenCV中的cv2.findContours函数寻找步骤8分割图像中的缺陷边界，并按经验设定阈值Th，若缺陷边界数量大于阈值Th，则此零件批次中有残次品，若缺陷边界数量小于阈值Th，则此零件批次中全为合格品；
步骤10、双面检测，基于统计学参数估计方法，在步骤9中获得的合格品中随机抽取M个零件重新上料后重复步骤1-9进行二次检测。
2.根据权利要求1所述橡胶圈缺陷批量检测方法，其特征在于：步骤3中，采取OpenCV中的cv2.HoughCircles函数提取多个零件的外圆。
3.根据权利要求1所述橡胶圈缺陷批量检测方法，其特征在于：步骤4中，采用Canny边缘检测算法对粗定位的零件图片进行检测，得到边缘图；步骤5中，采用基于OpenCV的cv2.findContours函数对边缘图进行边界提取，得到边界曲线。
4.根据权利要求1所述橡胶圈缺陷批量检测方法，其特征在于，步骤6中，椭圆拟合的具体方法如下：
步骤6.1、根据平行弦中点线必过椭圆中心的定理，选取三组平行弦，分别连接每组的两个弦中点得到中点线，三个中点线会有三个交点，取三个交点坐标的平均值作为椭圆中心坐标（x 0，y 0）；
步骤6.2、边缘点集合N中每两点连线确定一个弦长，弦长所在直线的斜率记为k i ，i为表达顺序的角标，将k i 和对应的点对坐标储存在列表list1中；
步骤6.3、剔除列表list1中过椭圆中心的直线斜率，将剩余直线斜率k n 和对应的点对坐标储存在列表list2中；
步骤6.4、计算与步骤6.3列表list2中与两点确定的弦垂直的直线斜率k j ，k n k j =-1，如果两点确定的弦的中垂线过椭圆中心，则保留该点对及对应的直线斜率k j ，并储存在列表list3中；
步骤6.5、列表list3中包括长轴所在直线和短轴所在直线的两种斜率，从列表list3中依次选取直线斜率k 1 、k 2 、k 3 ... k j ，分别与列表list1中的每个斜率k i 进行匹配比较，当列表list1中直线斜率k i 所在直线和列表list3中直线斜率k j 所在直线平行时，取出列表list1中直线斜率k i 及对应的点对，将直线斜率记为k m ，并将其和对应点对储存在列表list4中；计算列表list4中点对之间距离，将距离值按照列表list4中的斜率索引顺序储存在列表list5中，取出列表list5最大值a及列表list4中与a对应的k m ，长轴长即为a，对应的长轴所在斜率即为k m 记为k a ；通过k a 确定短轴斜率k b ，k a k b =-1；然后遍历列表list4中的斜率与k b 进行匹配，取出列表list4中与斜率k b 匹配成功的斜率，并计算列表lis4中匹配成功的斜率对应的点对距离，并将距离值储存在列表list6中，从列表list6中取出最大值b，b即为短轴长；
步骤6.6、通过点对坐标信息得到椭圆的倾斜角θ，从而确定椭圆参数(x 0，y 0，a，b，θ)，最后通过OpenCV中的cv2.ellipse函数确定一个椭圆。
5.根据权利要求4所述的橡胶圈缺陷批量检测方法，其特征在于：步骤6.3中，剔除具体方式如下：
对于点对A（x 1，y 1），B（x 2，y 2），两点确定一条直线，其直线方程为：
Figure 426485DEST_PATH_IMAGE001
令剔除判断指标
Figure 177404DEST_PATH_IMAGE002
得到以x，y为变量的判断方程，将已经确 定的椭圆中心坐标（x 0，y 0）代入到判断方程中得到Z的值，设定阈值为Thz，若Z小于Thz时，剔 除对应的点对及斜率k i ，若Z大于Thz时，将对应的点对及斜率存入储存在列表list2中，斜 率记为k n 。
6.根据权利要求4所述的橡胶圈缺陷批量检测方法，其特征在于：步骤6.4中，两点确定的弦的中垂线过椭圆中心判断方式如下：
任意一点对坐标，点对的中点确定为（x i，y i），中点横坐标即为点对横坐标和的一半，中 点纵坐标即为点对纵坐标和的一半，故弦的中垂线直线方程为y-y i =k j （x-x i ），其中k j 即为 与其对应点对直线垂直的直线斜率，于是椭圆中心到弦的中垂线的距离为
Figure 206540DEST_PATH_IMAGE003
；设定阈值Thd，若d小于阈值Thd，则表示与两点确定的弦垂直的 直线过椭圆中心。
7.根据权利要求4所述的橡胶圈缺陷批量检测方法，其特征在于：步骤6.5中，对于斜率匹配，定义判断指标L=|arctan（k j ）-arctan（k i ）|，设定阈值Th L ，若L小于Th L ，则匹配成功，若L大于Th L ，则匹配失败；步骤6.5中短轴斜率k b 匹配list4中的斜率的方法相同。
8.根据权利要求1所述的橡胶圈缺陷批量检测方法，其特征在于：步骤10中，统计学参数估计过程中，M计算方法如下：
Figure 650290DEST_PATH_IMAGE004
其中，p表示单面合格率，Δ表示允许误差，
Figure 273033DEST_PATH_IMAGE005
表示给定置信度的总体参数区间估计 上限。
9.一种橡胶圈缺陷批量检测系统，其特征在于：包括上料机构、传送带输送机、PLC控制柜、图像采集装置和计算机，所述计算机内置基于权利要求1-8任意所述的基于所述橡胶圈缺陷批量检测方法的算法；
所述上料机构将待检测的橡胶环形零件有序地输送到传送带输送机的传送带上；
所述传送带输送机将待检测的橡胶环形零件运输经过图像采集工位、分拣工位，最后送到出料区；
所述图像采集装置包括工业相机、平面光源和相机光源安装支架；平面光源中部设有拍摄孔，工业相机穿过平面光源中部的拍摄孔拍摄；工业相机设于图像采集工位正上方；
所述PLC控制柜和所述上料机构、传送带输送机以及图像采集装置以及所述计算机相连接，对上料机构、传送带输送机以及图像采集装置进行控制，并接收计算机的控制指令；
所述计算机接收图像采集装置采集的零件图像，并根据内置基于基于所述橡胶圈缺陷批量检测方法的算法判断零件是否存在缺陷；如果存在缺陷，则人工剔除缺陷零件。
10.根据权利要求9所述橡胶圈缺陷批量检测系统，其特征在于：所述传送带输送机的传送带上设有若干将待检测零件划分为不同批次的挡板。
CN202210285904.8A 2022-03-23 2022-03-23 一种橡胶圈缺陷批量检测方法及检测系统 Active CN114384080B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210285904.8A CN114384080B (zh) 2022-03-23 2022-03-23 一种橡胶圈缺陷批量检测方法及检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210285904.8A CN114384080B (zh) 2022-03-23 2022-03-23 一种橡胶圈缺陷批量检测方法及检测系统

Publications (2)

Publication Number Publication Date
CN114384080A true CN114384080A (zh) 2022-04-22
CN114384080B CN114384080B (zh) 2022-07-05

Family

ID=81205350

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210285904.8A Active CN114384080B (zh) 2022-03-23 2022-03-23 一种橡胶圈缺陷批量检测方法及检测系统

Country Status (1)

Country Link
CN (1) CN114384080B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116740062A (zh) * 2023-08-14 2023-09-12 菲特（天津）检测技术有限公司 基于不规则胶圈的缺陷检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108645867A (zh) * 2018-05-25 2018-10-12 哈尔滨工业大学 大口径光学晶体表面微缺陷的快速寻位与批量检测方法
US20210025865A1 (en) * 2016-05-11 2021-01-28 Bonraybio Co., Ltd. Multi-view analysis in automated testing apparatus
CN114018946A (zh) * 2021-10-20 2022-02-08 武汉理工大学 一种基于OpenCV的高反光瓶盖缺陷检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210025865A1 (en) * 2016-05-11 2021-01-28 Bonraybio Co., Ltd. Multi-view analysis in automated testing apparatus
CN108645867A (zh) * 2018-05-25 2018-10-12 哈尔滨工业大学 大口径光学晶体表面微缺陷的快速寻位与批量检测方法
CN114018946A (zh) * 2021-10-20 2022-02-08 武汉理工大学 一种基于OpenCV的高反光瓶盖缺陷检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
石敏 等: "基于语义分割的密封圈缺陷检测方法研究", 《高技术通讯》, 31 December 2021 (2021-12-31), pages 1239 - 1247 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116740062A (zh) * 2023-08-14 2023-09-12 菲特（天津）检测技术有限公司 基于不规则胶圈的缺陷检测方法及系统
CN116740062B (zh) * 2023-08-14 2023-10-27 菲特（天津）检测技术有限公司 基于不规则胶圈的缺陷检测方法及系统

Also Published As

Publication number Publication date
CN114384080B (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN109365318B (zh) 一种多机器人协作分拣方法及系统
CN106670127A (zh) 一种屏幕缺陷全自动视觉检测系统
CN107944504B (zh) 木板识别及木板识别的机器学习方法、装置及电子设备
CN109767445B (zh) 一种高精度的pcb缺陷智能检测方法
CN206854141U (zh) 一种屏幕缺陷全自动视觉检测系统
CN110976338B (zh) 一种基于机器视觉的试纸分拣系统及分拣方法
CN112318485B (zh) 物体分选系统及其图像处理方法、装置
CN114384080B (zh) 一种橡胶圈缺陷批量检测方法及检测系统
CN105388162A (zh) 基于机器视觉的原料硅片表面划痕检测方法
CN105728339B (zh) 一种陶瓷阀芯视觉自动检测系统
CN109848073A (zh) 一种分拣煤与煤矸石的设备与方法
CN101315338A (zh) 玻璃制品的缺陷检测系统及方法
CN110179154B (zh) 一种控制烟包均匀分片的方法
CN103759644A (zh) 一种滤光片表面缺陷的分离细化智能检测方法
US20200219265A1 (en) Similar Wheel Hub Model Identification System
US20220414861A1 (en) Product inspection system and method
WO2023134286A1 (zh) 一种阴极铜在线质量自动检测分类方法
CN111693535A (zh) 基于机器视觉分析的触摸屏缺陷检测设备及方法
CN115384052A (zh) 一种智能化的覆膜机自动控制系统
CN112950602B (zh) 基于深度相机与机器学习的糖果缺陷检测装置及分类方法
CN115760782A (zh) 一种基于机器视觉的模内贴标偏移缺陷识别方法
CN114359155A (zh) 一种覆膜方法及系统
CN110569753A (zh) 一种基于机器视觉的条烟在线识别方法及系统
CN111563871A (zh) 图像处理方法、装置、设备和视觉引导拆垛方法、系统
CN112837287B (zh) 一种板面缺陷区域的提取方法及装置

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