CN114693681B - 基于光学手段的拉链生产缺陷智能检测方法及系统 - Google Patents
基于光学手段的拉链生产缺陷智能检测方法及系统 Download PDFInfo
- Publication number
- CN114693681B CN114693681B CN202210610905.5A CN202210610905A CN114693681B CN 114693681 B CN114693681 B CN 114693681B CN 202210610905 A CN202210610905 A CN 202210610905A CN 114693681 B CN114693681 B CN 114693681B
- Authority
- CN
- China
- Prior art keywords
- sprocket
- uneven
- tooth
- zipper
- sprockets
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 26
- 230000003287 optical effect Effects 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims abstract description 22
- 230000007613 environmental effect Effects 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 239000011295 pitch Substances 0.000 description 32
- 239000000126 substance Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration by non-spatial domain filtering
-
- 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 by the use of histogram techniques
-
- G06T5/90—
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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
本发明涉及人工智能技术领域,具体涉及基于光学手段的拉链生产缺陷智能检测方法及系统,该系统为拉链生产领域的人工智能系统,可以实现人工智能系统的信息系统集成服务。该方法包括:获取每个像素点的不平整差异;根据每个不平整链齿的异常程度、齿宽以及标准齿宽获取每个不平整链齿的权重;对不平整区域进行空间中的正弦曲线拟合,利用不平整区域中多个链齿的起始点和终止点的拟合误差以及对应像素点的权重求解出曲线参数,得到拟合曲线,根据拟合曲线计算相邻链齿之间的实际齿距;根据齿长、齿宽以及实际齿距对拉链进行缺陷检测。本发明实施例利用光学手段,具体是可见光图像来测试或分析拉链的缺陷,提高缺陷检测的准确率。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及基于光学手段的拉链生产缺陷智能检测方法及系统。
背景技术
在金属拉链的生产过程中,往往会出现链齿大小不一、齿距不均的缺陷。由于每个链齿对于光源的位置不一,拍摄得到的图像中链齿的光泽度亮度不一,同时拉链可能不平整,由于相机成像导致图像中链齿或齿距与实际存在差异。
目前对拉链进行缺陷检测的方法为对拍摄图像直接分析,与标准拉链图像进行对比,进而检测出缺陷位置,但是拍摄的图像可能会受光照的影响,使链齿成像与实际有出入,导致链齿缺陷检测存在误差。
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光学手段的拉链生产缺陷智能检测方法及系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于光学手段的拉链生产缺陷智能检测方法,该方法包括以下步骤:
分别获取目标拉链在平面光源下的第一灰度图像和平面无影光源下的第二灰度图像,根据两者之间的差值图像获取每个像素点的不平整差异;
在第二灰度图像中筛选出不平整链齿,并根据其不平整差异获取其异常程度;获取每个链齿的中心点、齿长、齿宽以及相邻链齿之间的齿距;根据每个不平整链齿的异常程度、齿宽以及标准齿宽获取每个不平整链齿的权重;
由连续的不平整链齿组成不平整区域,对不平整区域进行空间中的正弦曲线拟合,利用不平整区域中多个链齿的起始点和终止点的拟合误差以及对应像素点的权重求解出曲线参数,得到拟合曲线,根据拟合曲线计算相邻链齿之间的实际齿距;
根据每个链齿的齿长、齿宽以及相邻链齿之间的实际齿距对拉链进行缺陷检测。
优选的,所述不平整差异的获取方法为:
根据所述差值图像获取第一灰度图像和第二灰度图像之间的环境灰度差异,计算差值图像中每个像素点与环境灰度差异之间的差值,作为对应像素点的所述不平整差异。
优选的,所述环境灰度差异的获取方法为:
获取差值图像的灰度直方图,以灰度直方图中左侧首个波峰对应的灰度值作为所述环境灰度差异。
优选的,所述不平整链齿的筛选过程包括:
获取所述波峰右侧的首个波谷,以所述波峰对应的灰度值和所述波谷对应的灰度值之间的差异作为环境误差范围;
计算第二灰度图像中每个链齿上所有像素点的灰度均值作为该链齿的不平整程度,将其与环境误差范围进行对比,超过环境误差范围的链齿即为所述不平整链齿。
优选的,所述异常程度的获取方法为:
以每个不平整链齿的不平整程度与所有不平整链齿的不平整程度之和的比值作为该不平整链齿的所述异常程度。
优选的,所述齿宽的获取方法为:
对每个链齿进行连通域分析,获取其中心点,将所有中心点进行直线检测,选取存在中心点最多的直线作为基准直线,以基准直线在每个链齿连通域中的线段长度作为该链齿的齿宽。
优选的,所述权重的获取方法为:
筛选出平整链齿,记录所有平整链齿的齿宽,选取所有平整链齿的齿宽中上下四分位数之间的所有齿宽,计算其平均值作为所述标准齿宽;
根据每个不平整链齿的齿宽与标准齿宽的差异及其对应的异常程度获取该不平整链齿的分布差异性,进而依据每个不平整链齿的分布差异性获取其权重。
优选的,所述拟合曲线的获取过程包括:
以每个不平整区域中异常程度最大的链齿的齿长和齿宽的交点作为原点,以每个链齿的起始点到原点的距离作为该起始点的横坐标,以终止点到原点的距离作为该终止点的横坐标,同时以起始点和终止点对应的纵坐标为未知数构建方程,将该不平整区域中相邻的多个链齿作为一组,得到每组的拟合方程;
获取不平整区域中每个链齿的起始点和终止点的拟合误差,根据拟合误差和对应的权重计算该不平整区域内的拟合总误差,进而利用最小二乘法求解曲线参数,得到所述拟合曲线。
优选的,所述实际齿距的获取方法为:
获取每个链齿的中心点到所述原点的距离作为其横坐标,利用所述拟合曲线得到中心点的纵坐标,根据中心点坐标计算两个相邻链齿的中心点之间的距离,即为所述实际齿距。
第二方面,本发明另一个实施例提供了一种基于光学手段的拉链生产缺陷智能检测系统,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上述基于光学手段的拉链生产缺陷智能检测方法的步骤。
本发明实施例至少具有如下有益效果:
本发明实施例获取拉链在不同光源下的灰度图像,根据其差异得到每个像素点的不平整程度,再根据每个不平整链齿的异常程度、齿宽以及标准齿宽获取每个不平整链齿的权重,然后对不平整区域进行空间中的正弦曲线拟合,利用不平整区域中多个链齿的起始点和终止点的拟合误差以及对应像素点的权重求解出曲线参数,得到拟合曲线,根据拟合曲线计算相邻链齿之间的实际齿距,进而实现拉链的缺陷检测。本发明实施例涉及的系统为拉链生产领域的人工智能系统,可以实现人工智能系统的信息系统集成服务。利用光学手段采集不同光源下的可见光拉链图像,结合不同光源下的灰度图像检测出不平整链齿,进而计算出链齿的实际齿宽和实际齿距,能够对不平整区域的拉链进行准确的缺陷检测。
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基于光学手段的拉链生产缺陷智能检测方法的步骤流程图;
图2为本发明一个实施例提供的相机与光源的位置示意图
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基于光学手段的拉链生产缺陷智能检测方法及系统,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基于光学手段的拉链生产缺陷智能检测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于光学手段的拉链生产缺陷智能检测方法的步骤流程图,该方法包括以下步骤:
步骤S001,分别获取目标拉链在平面光源下的第一灰度图像和平面无影光源下的第二灰度图像,根据两者之间的差值图像获取每个像素点的不平整差异。
具体的步骤包括:
1、分别获取目标拉链在平面光源下的第一灰度图像和平面无影光源下的第二灰度图像。
通过金属拉链的排牙工序得到单边拉链,在单边拉链正上方布置相机,参见图2。在平面光源照射下对拉链进行拍摄,得到平面光源拉链图像,为便于分析,将平面光源拉链图像转为灰度图像,记做第一灰度图像A;在平面无影光源照射下对拉链进行拍摄,得到平面无影光源拉链图像,为便于分析,将平面无影光源拉链图像转为灰度图像,记做第二灰度图像B。
在平面光源照射下得到的图像,若拉链在高度上不平整,比如拉链翘起,在光的反射作用下,不平整的区域亮度差异较大,可能会存在链齿的部分区域与拉链布带部分亮度一致的情况,因此直接在第一灰度图像A中识别链齿得到的结果不准确。
在平面无影光源照射下拍摄的图像,消除了拉链不平整导致的灰度差异,但由于拉链不平整,不平整部分的拉链与相机镜头不平行,导致在拍摄的图像中拉链大小与齿距都发生了一定程度的形变,直接根据第二灰度图像B获得的拉链大小不准确。
因此本发明实施例结合第一灰度图像A与第二灰度图像B,计算每个拉链的不平整程度,获取拉链不平整的位置,以便后续对不平整位置的链齿大小进行修正。
2、根据差值图像获取第一灰度图像和第二灰度图像之间的环境灰度差异,计算差值图像中每个像素点与环境灰度差异之间的差值,作为对应像素点的不平整差异。
将第二灰度图像B与第一灰度图像A对应像素点做差,得到差值图像,其中灰度差异较大的部分为链齿在平面光源下由于不平整造成的灰度差异,灰度差值较小的部分可能为拍摄环境造成的环境灰度差异。
获取差值图像的灰度直方图,以灰度直方图中左侧首个波峰对应的灰度值作为环境灰度差异。
步骤S002,在第二灰度图像中筛选出不平整链齿,并根据其不平整差异获取其异常程度;获取每个链齿的中心点、齿长、齿宽以及相邻链齿之间的齿距;根据每个不平整链齿的异常程度、齿宽以及标准齿宽获取每个不平整链齿的权重。
具体的步骤包括:
1、在第二灰度图像中筛选出不平整链齿。
获取波峰右侧的首个波谷,以波峰对应的灰度值和波谷对应的灰度值之间的差异作为环境误差范围;计算第二灰度图像中每个链齿上所有像素点的灰度均值作为该链齿的不平整程度,将其与环境误差范围进行对比,超过环境误差范围的链齿即为不平整链齿。
利用Canny算子对第二灰度图像B进行边缘检测,获得每个链齿的区域。计算第二灰度图像中每个链齿上所有像素点的灰度均值作为该链齿的不平整程度,若链齿的不平整程度小于图像环境误差范围,则将该链齿标记为平整链齿;反之若链齿的不平整程度大于环境误差范围,则将该链齿标记为不平整链齿。
2、以每个不平整链齿的不平整程度与所有不平整链齿的不平整程度之和的比值作为该不平整链齿的异常程度。
当不平整程度越大时,该链齿倾斜角度越大,越不平整,则该链齿的异常程度越大。
3、对每个链齿进行连通域分析,获取其中心点,将所有中心点进行直线检测,选取存在中心点最多的直线作为基准直线,以基准直线在每个链齿连通域中的线段长度作为该链齿的齿宽。
第二灰度图像中链齿为白色,每个链齿相互独立。对每个链齿进行连通域分析,获取链齿的中心点。链齿排布在同一列,若链齿大小一致,则不考虑误差的情况下,所有链齿的中心点在一条直线上。因此对所有链齿的中心点进行霍夫变换直线检测,获取霍夫空间中最亮的点,该点表示的直线上的中心点最多,作为基准直线。
4、根据每个不平整链齿的异常程度、齿宽以及标准齿宽获取每个不平整链齿的权重。
第二灰度图像中不平整区域的链齿发生了一定程度的形变,上一步骤得到的链齿在图像中的齿宽、相邻链齿在图像中的齿距与实际不一致。若所有链齿实际齿宽均相等,则不平整区域的链齿倾斜角度越大,链齿在图像中的齿宽越小;不平整区域的链齿倾斜角度越小,链齿的图像中的齿宽越大。
4.1、获取标准齿宽。
平整部分的拉链与相机镜头平行,该部分实际的链齿大小及齿距未发生形变,可以根据图像直接获得平整部分的链齿的齿宽作为标准齿宽。
筛选出平整链齿,记录所有平整链齿的齿宽,选取所有平整链齿的齿宽中上下四分位数之间的所有齿宽,计算其平均值作为标准齿宽。
平整区域链齿未倾斜,其在图像中的齿宽即为实际齿宽。在实际生产中,大部分链齿的大小一致,个别链齿存在大小不一的缺陷,因此对平整区域链齿的齿宽进行分析,获取平整区域所有链齿的齿宽的分位数与分位数之间所有的齿宽,计算这些齿宽的均值,该均值作为链齿的标准齿宽。
4.2、获取每个不平整链齿的权重。
根据每个不平整链齿的齿宽与标准齿宽的差异及其对应的异常程度获取该不平整链齿的分布差异性,进而依据每个不平整链齿的分布差异性获取其权重。
不平整链齿的齿宽与标准齿宽之间的差异可能为不平整造成,也可能为该不平整链齿的实际齿宽本身便与标准齿宽不一致造成。若不平整链齿的实际齿宽与标准齿宽一致,则不平整链齿的齿宽与标准齿宽之间的差异仅为不平整造成,此时该不平整链齿所在的不平整区域的齿宽差异分布应该与异常程度分布一致。
其中,表示第个不平整区域中第个链齿的异常程度,表示第个不平整区域中第个链齿的齿宽;表示链齿的标准齿宽;表示第个不平整区域中第个链齿的齿宽与标准齿宽之间的差异;表示第个不平整区域内链齿数量;表示不平整区域的数量;表示所有不平整链齿的齿宽与标准齿宽之间差异之和;除以用以归一化。
当分布差异性越大时,该链齿的异常程度分布与齿宽差异分布越不一致,该链齿的实际齿宽越可能与标准齿宽不一致,对应的权重越小;反之,当分布差异性越小时,该链齿的异常程度分布与齿宽差异分布越一致,该链齿的实际齿宽越可能与标准齿宽一致,对应的权重越大。
同理获取每个不平整区域的每个链齿的权重。
步骤S003,由连续的不平整链齿组成不平整区域,对不平整区域进行空间中的正弦曲线拟合,利用不平整区域中多个链齿的起始点和终止点的拟合误差以及对应像素点的权重求解出曲线参数,得到拟合曲线,根据拟合曲线计算相邻链齿之间的实际齿距。
具体的步骤包括:
1、获取不平整区域的拟合曲线。
以每个不平整区域中异常程度最大的链齿的齿长和齿宽的交点作为原点,以每个链齿的起始点到原点的距离作为该起始点的横坐标,以终止点到原点的距离作为该终止点的横坐标,同时以起始点和终止点对应的纵坐标为未知数构建方程,将该不平整区域中相邻的多个链齿作为一组,得到每组的拟合方程;获取不平整区域中每个链齿的起始点和终止点的拟合误差,根据拟合误差和对应的权重计算该不平整区域内的拟合总误差,进而利用最小二乘法求解曲线参数,得到拟合曲线。
将每个不平整链齿的代表齿宽的线段的左端点记为该链齿的起始点,右端点记为该链齿的结束点。
选择第个不平整区域异常程度最大的链齿,将其在图像中齿长和齿宽的交点作为正弦曲线坐标空间中的原点,则在正弦曲线坐标空间中,第个不平整区域第个链齿的起始点的横坐标的值为该起始点到,即原点之间的距离,若图像中第个链齿的起始点在的左侧,则第个不平整区域第个链齿的起始点在正弦曲线坐标空间中的横坐标为负,反之为正,起始点的横坐标记为。
假设第个不平整区域的所有链齿的齿宽一致,均为标准齿宽,那么在正弦曲线坐标空间中每个链齿的起始点到结束点之间的距离为标准齿宽,同时,第个不平整区域的所有链齿的起始点、结束点均在曲线上,则第个不平整区域第个链齿的起始点与结束点满足以下关系:
但由于所有链齿的起始点、结束点纵坐标均是基于第个不平整区域的所有链齿的齿宽一致,均为标准齿宽的假设获取的,因此纵坐标本身有一定的误差,且当实际齿宽与标准齿宽越不一致时,纵坐标误差越大,反之实际齿宽与标准齿宽越一致时,纵坐标误差较小。
2、获取每个链齿的中心点到原点的距离作为其横坐标,利用拟合曲线得到中心点的纵坐标,根据中心点坐标计算两个相邻链齿的中心点之间的距离,即为实际齿距。
不平整区域每个链齿的起始点、结束点均在曲线上,将起始点横坐标、结束点横坐标带入到分布曲线中,得到每个链齿的起始点纵坐标以及结束点纵坐标,计算每个链齿起始点与结束点之间的距离,则该距离即为该链齿的实际齿宽,记作。
步骤S002中获取了每个链齿的齿长和齿宽的交点,计算每个链齿长宽交点与正弦曲线坐标系中原点在图像中的距离,将该距离作为每个链齿在正弦曲线上的中心点横坐标的值,若图像中在左侧,则正弦曲线上的中心点横坐标为负,反之为正。将横坐标代入到分布曲线中,获得中心点纵坐标。计算相邻两个链齿在正弦曲线坐标系中的中心点之间的距离,该距离即为相邻链齿之间的齿距,记作。
步骤S004,根据每个链齿的齿长、齿宽以及相邻链齿之间的实际齿距对拉链进行缺陷检测。
具体的步骤包括:
综上所述,本发明实施例分别获取目标拉链在平面光源下的第一灰度图像和平面无影光源下的第二灰度图像,根据两者之间的差值图像获取每个像素点的不平整差异;在第二灰度图像中筛选出不平整链齿,并根据其不平整差异获取其异常程度;获取每个链齿的中心点、齿长、齿宽以及相邻链齿之间的齿距;根据每个不平整链齿的异常程度、齿宽以及标准齿宽获取每个不平整链齿的权重;由连续的不平整链齿组成不平整区域,对不平整区域进行空间中的正弦曲线拟合,利用不平整区域中多个链齿的起始点和终止点的拟合误差以及对应像素点的权重求解出曲线参数,得到拟合曲线,根据拟合曲线计算相邻链齿之间的实际齿距;根据每个链齿的齿长、齿宽以及相邻链齿之间的实际齿距对拉链进行缺陷检测。本发明实施例能够利用光学手段检测拉链的缺陷,提高拉链缺陷检测的准确率。
本发明实施例还提出了一种基于光学手段的拉链生产缺陷智能检测系统,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上述方法的步骤。由于基于光学手段的拉链生产缺陷智能检测方法在上述给出了详细描述,不再赘述。
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 (9)
1.基于光学手段的拉链生产缺陷智能检测方法,其特征在于,该方法包括以下步骤:
分别获取目标拉链在平面光源下的第一灰度图像和平面无影光源下的第二灰度图像,根据两者之间的差值图像获取每个像素点的不平整差异;
在第二灰度图像中筛选出不平整链齿,并根据其不平整差异获取其异常程度;获取每个链齿的中心点、齿长、齿宽以及相邻链齿之间的齿距;根据每个不平整链齿的异常程度、齿宽以及标准齿宽获取每个不平整链齿的权重;
由连续的不平整链齿组成不平整区域,对不平整区域进行空间中的正弦曲线拟合,利用不平整区域中多个链齿的起始点和终止点的拟合误差以及对应像素点的权重求解出曲线参数,得到拟合曲线,根据拟合曲线计算相邻链齿之间的实际齿距;
根据每个链齿的齿长、齿宽以及相邻链齿之间的实际齿距对拉链进行缺陷检测;
所述权重的获取方法为:
筛选出平整链齿,记录所有平整链齿的齿宽,选取所有平整链齿的齿宽中上下四分位数之间的所有齿宽,计算其平均值作为所述标准齿宽;
根据每个不平整链齿的齿宽与标准齿宽的差异及其对应的异常程度获取该不平整链齿的分布差异性,进而依据每个不平整链齿的分布差异性获取其权重。
2.根据权利要求1所述的基于光学手段的拉链生产缺陷智能检测方法,其特征在于,所述不平整差异的获取方法为:
根据所述差值图像获取第一灰度图像和第二灰度图像之间的环境灰度差异,计算差值图像中每个像素点与环境灰度差异之间的差值,作为对应像素点的所述不平整差异。
3.根据权利要求2所述的基于光学手段的拉链生产缺陷智能检测方法,其特征在于,所述环境灰度差异的获取方法为:
获取差值图像的灰度直方图,以灰度直方图中左侧首个波峰对应的灰度值作为所述环境灰度差异。
4.根据权利要求3所述的基于光学手段的拉链生产缺陷智能检测方法,其特征在于,所述不平整链齿的筛选过程包括:
获取所述波峰右侧的首个波谷,以所述波峰对应的灰度值和所述波谷对应的灰度值之间的差异作为环境误差范围;
计算第二灰度图像中每个链齿上所有像素点的灰度均值作为该链齿的不平整程度,将其与环境误差范围进行对比,超过环境误差范围的链齿即为所述不平整链齿。
5.根据权利要求1所述的基于光学手段的拉链生产缺陷智能检测方法,其特征在于,所述异常程度的获取方法为:
以每个不平整链齿的不平整程度与所有不平整链齿的不平整程度之和的比值作为该不平整链齿的所述异常程度。
6.根据权利要求1所述的基于光学手段的拉链生产缺陷智能检测方法,其特征在于,所述齿宽的获取方法为:
对每个链齿进行连通域分析,获取其中心点,将所有中心点进行直线检测,选取存在中心点最多的直线作为基准直线,以基准直线在每个链齿连通域中的线段长度作为该链齿的齿宽。
7.根据权利要求1所述的基于光学手段的拉链生产缺陷智能检测方法,其特征在于,所述拟合曲线的获取过程包括:
以每个不平整区域中异常程度最大的链齿的齿长和齿宽的交点作为原点,以每个链齿的起始点到原点的距离作为该起始点的横坐标,以终止点到原点的距离作为该终止点的横坐标,同时以起始点和终止点对应的纵坐标为未知数构建方程,将该不平整区域中相邻的多个链齿作为一组,得到每组的拟合方程;
获取不平整区域中每个链齿的起始点和终止点的拟合误差,根据拟合误差和对应的权重计算该不平整区域内的拟合总误差,进而利用最小二乘法求解曲线参数,得到所述拟合曲线。
8.根据权利要求7所述的基于光学手段的拉链生产缺陷智能检测方法,其特征在于,所述实际齿距的获取方法为:
获取每个链齿的中心点到所述原点的距离作为其横坐标,利用所述拟合曲线得到中心点的纵坐标,根据中心点坐标计算两个相邻链齿的中心点之间的距离,即为所述实际齿距。
9.基于光学手段的拉链生产缺陷智能检测系统,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1~8任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210610905.5A CN114693681B (zh) | 2022-06-01 | 2022-06-01 | 基于光学手段的拉链生产缺陷智能检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210610905.5A CN114693681B (zh) | 2022-06-01 | 2022-06-01 | 基于光学手段的拉链生产缺陷智能检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114693681A CN114693681A (zh) | 2022-07-01 |
CN114693681B true CN114693681B (zh) | 2022-09-23 |
Family
ID=82131114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210610905.5A Active CN114693681B (zh) | 2022-06-01 | 2022-06-01 | 基于光学手段的拉链生产缺陷智能检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114693681B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114972344B (zh) * | 2022-07-29 | 2022-10-04 | 山东聊城中泰表业有限公司 | 一种用于手表零配件的生产质量缺陷检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5422129B2 (ja) * | 2008-02-07 | 2014-02-19 | 株式会社キーエンス | 欠陥検出装置、欠陥検出方法及びコンピュータプログラム |
CN103592695A (zh) * | 2013-11-29 | 2014-02-19 | 上海东龙服饰有限公司 | 一种拉链牙缺陷检测装置 |
CN111299166A (zh) * | 2020-01-21 | 2020-06-19 | 山东浪潮通软信息科技有限公司 | 一种基于认知视觉的拉链质量检测系统及方法 |
-
2022
- 2022-06-01 CN CN202210610905.5A patent/CN114693681B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114693681A (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103003663B (zh) | 使用非线性光度立体视觉方法获取工具印痕的三维表面形态图像 | |
CN100367293C (zh) | 用于显示器的光学检测的方法和装置 | |
CN110675376A (zh) | 一种基于模板匹配的pcb缺陷检测方法 | |
CN114693681B (zh) | 基于光学手段的拉链生产缺陷智能检测方法及系统 | |
CN108520514A (zh) | 基于计算机视觉的印刷电路板电子元器一致性检测方法 | |
CN111179362B (zh) | 一种基于动态光照校正算法的试纸颜色均匀性检测方法 | |
CN115861307B (zh) | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 | |
CN112001917A (zh) | 一种基于机器视觉的圆形有孔零件形位公差检测方法 | |
CN116523923B (zh) | 一种电池外壳缺陷识别方法 | |
CN113177935A (zh) | 一种近红外光强均匀性检测方法、装置及计算机设备 | |
JP2013238449A (ja) | ひび割れ検出方法 | |
CN117314912B (zh) | 一种焊管表面焊接缺陷视觉检测方法及系统 | |
CN114881965A (zh) | 一种基于人工智能和图像处理的木板节子检测方法 | |
JP2011191252A (ja) | 金属の表面品質評価方法および金属の表面品質評価装置 | |
JP2021056182A (ja) | ワークの表面欠陥検出装置及び検出方法、ワークの表面検査システム並びにプログラム | |
CN114187363A (zh) | 一种获取径向畸变参数值的方法、装置以及移动终端 | |
CN111189840B (zh) | 近场均匀照明的纸病检测方法 | |
CN117173176A (zh) | 基于图像处理的多晶层光刻工艺热点检测方法 | |
TWI703509B (zh) | 光學檢測裝置以及校正方法 | |
CN107256540A (zh) | 图像修复方法、装置及三维重建系统 | |
JP2006208187A (ja) | 形状良否判定装置および形状良否判定方法 | |
CN113724173B (zh) | 一种碳板脱模布到边距离检测方法、装置、设备和存储介质 | |
CN115272345A (zh) | 基于图像处理的防火面料质量分析方法 | |
CN110211113B (zh) | 一种坡口异常的检测算法及计算设备 | |
CN110672631B (zh) | 面板缺陷拍照方法和面板缺陷拍照装置 |
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 |