CN114994072A - 一种基于机器视觉的磁棒端面缺陷检测方法 - Google Patents
一种基于机器视觉的磁棒端面缺陷检测方法 Download PDFInfo
- Publication number
- CN114994072A CN114994072A CN202210401316.6A CN202210401316A CN114994072A CN 114994072 A CN114994072 A CN 114994072A CN 202210401316 A CN202210401316 A CN 202210401316A CN 114994072 A CN114994072 A CN 114994072A
- Authority
- CN
- China
- Prior art keywords
- magnetic rod
- image
- face
- gray
- end surface
- 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.)
- Pending
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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
- G01B11/2433—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures for measuring outlines by shadow casting
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (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)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开了一种基于机器视觉的磁棒端面缺陷检测方法,获取磁棒端面图像,并提取磁棒端面轮廓;基于磁棒端面轮廓的最大连通曲线拟合端面圆;轮询计算轮廓点与端面圆间的距离差,获得边缘缺陷信息图;基于边缘缺陷信息图判断磁棒端面是否存在缺陷。本发明可有效解决边缘缺陷在成像上有呈现,但是由于缺陷区域较小导致很难检测的问题。
Description
技术领域
本发明属于缺陷检测技术领域,具体来说涉及一种基于机器视觉的磁棒端面缺陷检测方法。
背景技术
随着工业科技的发展,磁性材料以其优良性能在信息化、电子化、一体化以及医学和国防等方面的应用越来越广泛;铝镍钴磁棒类(LNG磁棒)作为磁性材料的一种,其主要用于石油化工、采矿、汽轮机、冶金、制药、食品、陶瓷、纺织、橡胶、塑料和机械等行业;而这些行业对LNG磁棒尺寸和表面缺陷有较高的要求,品质检测要求极高。以深度学习作为工件的缺陷检测算法是目前的发展方向,但深度学习对样本类型和数量要求比较高,误检率高仍然是推广到产业应用时面临的一个主要问题。
根据企业对LNG磁棒端面外观的评价标准,端面外观检测内容包括表面缺角、崩角和污点等,其中缺角、崩角缺陷判定依据为单个缺陷尺寸大于0.1mm×0.1mm,污点判定缺陷依据为单个污点面积大于0.15mm×0.15mm,其中崩角和缺角主要在端面边缘出现,污点主要在端面内出现。在磁棒端面外观检测过程中最大的难点是边缘的缺角和崩角,人工和视觉检测都比较容易误判。
发明内容
本发明的目的之一在于提供一种基于机器视觉的磁棒端面缺陷检测方法,以解决背景技术中现有的缺陷检测对磁棒端面边缘的缺角和崩角容易误判的问题。
为实现上述目的,本发明提供技术方案如下:
一种基于机器视觉的磁棒端面缺陷检测方法,包括以下步骤:
获取磁棒端面图像,并提取磁棒端面轮廓;
基于磁棒端面轮廓的最大连通曲线拟合端面圆;
轮询计算轮廓点与端面圆间的距离差,获得边缘缺陷信息图;
基于边缘缺陷信息图判断磁棒端面是否存在缺陷。
优选地,所述提取磁棒轮廓为,对磁棒端面图像进行图像分割,对分割图像进行边缘检测,得到磁棒端面轮廓。
优选地,所述磁棒端面图像通过阈值分割算法进行图像分割。
优选地,所述阈值分割算法包括以下步骤:计算磁棒端面图像的灰度直方图,将灰度直方图中波峰位置和波谷位置的灰度值分别作为灰度值上限Graymax和灰度值下限Graymin;基于阈值分割表达式进行图像分割,所述阈值分割表达式为Q={(x,y)∈D|Graymin≤f(x,y)≤Graymax},Q指在磁棒端面图像中灰度值处于Graymin和Graymax之间的像素点,D表示为图像域范围,f(x,y)表示磁棒端面图像中横坐标x、纵坐标y上的灰度值,Graymin为灰度值下限,Graymax为灰度值上限。
优选地,所述分割图像通过Canny算法进行边缘检测,得到磁棒轮廓。
优选地,所述的对磁棒端面图像进行图像分割后,对分割图像去噪,对去噪后的分割图像进行边缘检测。
优选地,去噪方法为对分割图像进行开运算。
优选地,所述基于磁棒端面轮廓的最大连通曲线拟合端面圆为:对磁棒端面轮廓二次开运算,获取修正后的磁棒端面轮廓,并进行圆拟合,得到拟合的端面圆。
优选地,所述轮询计算轮廓点与端面圆间的距离差为:计算各轮廓点与端面圆间的最小距离,基于所有最小距离获取边缘缺陷信息图。
与现有技术相比,本发明的有益效果为:
本发明中,基于轮廓最大连通曲线拟合端面圆,轮询计算轮廓点与拟合的端面圆距离,由此精确获取边缘崩角和缺角信息,提高了磁棒的检测效率和准确性,降低了检测时间和成本。可有效解决边缘缺陷在成像上有呈现,但是由于缺陷区域较小导致很难检测的问题。
附图说明
图1为本发明的流程图。
图2为本发明的基于机器视觉的磁棒端面缺陷检测方法中生成的图像,
图2(a)为磁棒端面轮廓;
图2(b)为拟合的端面圆边界;
图2(c)为边缘缺陷信息图;
图2(d)为磁棒端面图像。
图3为磁棒端面图像的灰度直方图。
具体实施方式
下面将结合附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
图1为本发明提供的一种基于机器视觉的磁棒端面缺陷检测方法。该被测LNG磁棒长15.95mm,端面半径为4.75mm。参照图1,该检测方法包括以下4个步骤。
步骤1,获取磁棒端面图像,并提取磁棒端面轮廓。
本发明步骤1中,通过相机获取磁棒端面图像,获取的该磁棒端面图像为灰度图,该磁棒端面图像参照图2(d)所示。
具体来说,步骤1包括图像分割、图像去噪和边缘检测这3个子步骤。
步骤1.1,通过阈值分割算法对磁棒端面图像进行图像分割。
阈值分割是基于图像的灰度特征来计算一个或多个灰度阈值,并将图像中每个像素的灰度值与阈值作比较,最后将像素根据比较结果分到合适的类别中。
本发明步骤1.1中的阈值分割具体包括以下分步骤:
(1)获取该磁棒端面图像的灰度直方图,将灰度直方图中波峰位置和波谷位置的灰度值分别作为灰度值上限和灰度值下限;
(2)基于灰度值上限和灰度值下限和阈值分割表达式Q={(x,y)∈D|Graymin≤f(x,y)≤Graymax},将磁棒端面图像中任一像素分类,得到分割图像。
该阈值分割表达式中,Q指在磁棒端面图像中灰度值处于Graymin和Graymax之间的像素点,D表示为图像域范围,f(x,y)表示磁棒端面图像中横坐标x、纵坐标y上的灰度值,Graymin为灰度值下限,Graymax为灰度值上限。
图3为该磁棒端面图像的灰度直方图,参照图3所示,将灰度直方图中波峰位置和波谷位置的灰度值80,20分别作为灰度值上限和灰度值下限。
步骤1.2,通过数学形态学处理对分割图像进行去噪。
数学形态学处理主要用于从图像中提取对表达和描绘区域形状有意义的图像分量,使后续的识别工作能够抓住目标对象最为本质的形状特征。
本发明步骤1.2中,数学形态学处理具体为:
基于形态学结构S对分割图像进行开运算处理,开运算即先腐蚀再膨胀,
式中,R为目标图像,形态学结构S为半径为5个像素点的圆形,x,y分别为像素点的横坐标、纵坐标。
本发明步骤1.2中,用形态学结构S腐蚀目标图像R,这里的目标图像即为分割图像,得到腐蚀后的分割图像,然后再用形态学结构S膨胀目标图像R,这里的目标图像即为腐蚀后的分割图像,最后得到膨胀后分割图像,并将该膨胀后的分割图像作为去噪的分割图像。
本发明步骤1.2中,使用形态学结构腐蚀目标图像,使目标检测范围变小,再使用形态学结构膨胀目标图像,使目标检测范围变大,将因为缺角崩裂引起的单独区域提出,选取更清晰的端面外观特性图。
步骤1.3,对去噪的分割图像通过Canny算法进行边缘检测,得到磁棒端面轮廓。
本发明步骤1.3中,通过Canny算法对去噪的分割图像进行边缘检测,得到的磁棒端面轮廓L参照图2(a)所示,图2(a)中,该磁棒端轮廓也即边缘线呈白色。本发明中,通过Canny算法对去噪的分割图像进行边缘检测为本领域的公知常识,本领域技术人员可根据实际情况自行设置。
步骤2,基于磁棒端面轮廓的最大连通曲线拟合端面圆。
具体来说,该步骤2包括以下2个子步骤:
步骤2.1,对磁棒端面轮廓进行二次开运算,得到有效连续的边缘线,该有效连续的边缘线即为修正后的磁棒端面轮廓;
本发明步骤2.1中的″二次开运算″仅用于将步骤1.2中的″开运算″进行步骤的区分,而不是指对磁棒端面轮廓进行两次开运算处理。这里的″二次开运算″方法与步骤1.2中的开运算方法一致,且形态学结构S仍为半径为5个像素点的圆形,但腐蚀时的目标对象R为磁棒端面轮廓。
步骤2.2,基于修正后的磁棒端面轮廓进行圆拟合,得到拟合的端面圆。
本发明步骤2中,基于修正后的磁棒端面轮廓拟合的端面圆边界参照图2(b)所示。
步骤3,轮询计算轮廓点与端面圆间的距离差,获得边缘缺陷信息图。
该步骤3具体为:计算各轮廓点与端面圆间的最小距离D(x,y)=dist(Li,Circle),其中Li表示磁棒端面轮廓中的第i个像素点,Circle表示拟合的边界圆,dist表示距离,基于所有最小距离获取边缘缺陷信息图。
本发明步骤3中,通过距离差获取的边缘缺陷信息图如图2(c)所示。
步骤4,基于边缘缺陷信息图判断磁棒端面是否存在缺陷。
本发明中,由于磁棒端面本身有尺寸公差范围,加上投影成像的影响,简单采用阈值面积会漏检端面的崩角和缺角信息,因此采用基于轮廓与拟合圆距离公差的方式检测边缘崩角、缺角信息。
Claims (9)
1.一种基于机器视觉的磁棒端面缺陷检测方法,其特征在于,包括以下步骤:
获取磁棒端面图像,并提取磁棒端面轮廓;
基于磁棒端面轮廓的最大连通曲线拟合端面圆;
轮询计算轮廓点与端面圆间的距离差,获得边缘缺陷信息图;
基于边缘缺陷信息图判断磁棒端面是否存在缺陷。
2.如权利要求1所述的一种基于机器视觉的磁棒端面缺陷检测方法,其特征在于,所述提取磁棒轮廓为,对磁棒端面图像进行图像分割,对分割图像进行边缘检测,得到磁棒端面轮廓。
3.如权利要求2所述的一种基于机器视觉的磁棒端面缺陷检测方法,其特征在于,所述磁棒端面图像通过阈值分割算法进行图像分割。
4.如权利要求3所述的一种基于机器视觉的磁棒端面缺陷检测方法,其特征在于,所述阈值分割算法包括以下步骤:
计算磁棒端面图像的灰度直方图,将灰度直方图中波峰位置和波谷位置的灰度值分别作为灰度值上限Graymax和灰度值下限Graymin;
基于阈值分割表达式进行图像分割,所述阈值分割表达式为Q={(x,y)∈D|Graymin≤f(x,y)≤Graymax},Q旨在磁棒端面图像中灰度值处于Graymin和Graymax之间的像素点,D表示为图像域范围,f(x,y)表示磁棒端面图像中横坐标x、纵坐标y上的灰度值,Graymin为灰度值下限,Graymax为灰度值上限。
5.如权利要求2所述的一种基于机器视觉的磁棒端面缺陷检测方法,
其特征在于,所述分割图像通过Canny算法进行边缘检测,得到磁棒轮廓。
6.如权利要求2所述的一种基于机器视觉的磁棒端面缺陷检测方法,其特征在于,所述的对磁棒端面图像进行图像分割后,对分割图像去噪,对去噪后的分割图像进行边缘检测。
7.如权利要求6所述的一种基于机器视觉的磁棒端面缺陷检测方法,其特征在于,去噪方法为对分割图像进行开运算。
8.如权利要求1所述的一种基于机器视觉的磁棒端面缺陷检测方法,其特征在于,所述基于磁棒端面轮廓的最大连通曲线拟合端面圆为:
对磁棒端面轮廓二次开运算,获取修正后的磁棒端面轮廓,并进行圆拟合,得到拟合的端面圆。
9.如权利要求1所述的一种基于机器视觉的磁棒端面缺陷检测方法,其特征在于,所述轮询计算轮廓点与端面圆间的距离差为:
计算各轮廓点与端面圆间的最小距离,基于所有最小距离获取边缘缺陷信息图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210401316.6A CN114994072A (zh) | 2022-04-15 | 2022-04-15 | 一种基于机器视觉的磁棒端面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210401316.6A CN114994072A (zh) | 2022-04-15 | 2022-04-15 | 一种基于机器视觉的磁棒端面缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114994072A true CN114994072A (zh) | 2022-09-02 |
Family
ID=83023987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210401316.6A Pending CN114994072A (zh) | 2022-04-15 | 2022-04-15 | 一种基于机器视觉的磁棒端面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114994072A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576089A (zh) * | 2024-01-15 | 2024-02-20 | 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 |
-
2022
- 2022-04-15 CN CN202210401316.6A patent/CN114994072A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576089A (zh) * | 2024-01-15 | 2024-02-20 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115375676B (zh) | 一种基于图像识别的不锈钢制品质量检测方法 | |
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN109410230B (zh) | 一种可抗噪声的改进Canny图像边缘检测方法 | |
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
CN111179243A (zh) | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 | |
WO2022205525A1 (zh) | 基于双目视觉自主式水下机器人回收导引伪光源去除方法 | |
CN108830832B (zh) | 一种基于机器视觉的塑料筒表面缺陷检测方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN117173189A (zh) | 一种铝合金表面抛光效果视觉检测系统 | |
CN112233116B (zh) | 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法 | |
CN112053376B (zh) | 一种基于深度信息的工件焊缝识别方法 | |
CN113077437B (zh) | 工件质量检测方法及其系统 | |
CN112037203A (zh) | 基于复杂工件外轮廓配准的侧表面缺陷检测方法及系统 | |
CN116597392B (zh) | 基于机器视觉的液压油杂质识别方法 | |
CN105447489B (zh) | 一种图片ocr识别系统的字符与背景粘连噪声消除方法 | |
CN115131359B (zh) | 一种金属加工件表面麻点缺陷检测方法 | |
CN110070523B (zh) | 一种用于瓶底的异物检测方法 | |
CN115115642A (zh) | 基于图像处理的带钢结疤缺陷检测方法 | |
CN117689655B (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
CN115060754B (zh) | 一种不锈钢制品表面质量检测方法 | |
CN112884746A (zh) | 一种基于边缘形状匹配的字符缺陷智能检测算法 | |
CN114994072A (zh) | 一种基于机器视觉的磁棒端面缺陷检测方法 | |
CN115619845A (zh) | 一种自适应扫描文档图像倾斜角检测方法 | |
CN115131356A (zh) | 一种基于丰富度的钢板缺陷分类方法 | |
CN110060239B (zh) | 一种用于瓶子瓶口的缺陷检测方法 |
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 |