CN115018835B - 一种汽车起动机齿轮检测方法 - Google Patents
一种汽车起动机齿轮检测方法 Download PDFInfo
- Publication number
- CN115018835B CN115018835B CN202210941041.5A CN202210941041A CN115018835B CN 115018835 B CN115018835 B CN 115018835B CN 202210941041 A CN202210941041 A CN 202210941041A CN 115018835 B CN115018835 B CN 115018835B
- Authority
- CN
- China
- Prior art keywords
- detected
- outer edge
- standard
- image
- gear
- 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
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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种汽车起动机齿轮检测方法,该方法包括:获取待检测汽车起动机齿轮的待检测图像和标准汽车起动机齿轮的标准图像,对待检测图像和标准图像进行图像预处理;对目标待检测图像和目标标准图像分别进行齿轮外边缘检测;确定待检测齿轮图像和标准齿轮图像之间的第一差异矩阵、第二差异矩阵和轮廓差异矩阵;对待检测齿轮图像和标准齿轮图像进行像素点匹配,确定轮廓偏移度和偏离数量;确定齿轮检测值;生成待检测汽车起动机齿轮对应的齿轮信息。本发明通过对待检测图像和标准图像进行图像处理,解决了对汽车起动机齿轮进行检测的效率低下的技术问题,主要应用于检测齿轮是否存在异常。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种汽车起动机齿轮检测方法。
背景技术
在汽车起动机的生产过程中,生产汽车起动机的原料往往需要经过测量、下料、冲压、打磨、喷漆或电镀、矫正等工序。齿轮是汽车起动机中主要的基础传动元件,齿轮质量的好坏往往直接影响着汽车运行时的噪声和平稳性,并且影响着汽车的使用寿命。然而,进行生产打磨后的汽车起动机齿轮,往往仍可能存在边缘毛刺、轮廓和尺寸不准等问题。因此,为了保证生产出厂的齿轮能满足汽车齿轮质量要求,对汽车起动机齿轮进行检测至关重要。目前,在对汽车起动机齿轮进行检测时,通常采用的方式为:采用齿轮检测仪,对汽车起动机齿轮进行检测。
然而,当采用上述方式时,经常会存在如下技术问题:
当采用齿轮检测仪,对汽车起动机齿轮进行检测时,往往通过齿轮检测仪对汽车起动机齿轮上的齿进行逐个检测分析,该检测过程的工作量大,因此,往往导致对汽车起动机齿轮进行检测的时间长,从而导致对汽车起动机齿轮进行检测的效率低下。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
为了解决对汽车起动机齿轮进行检测的效率低下的技术问题,本发明提出了一种汽车起动机齿轮检测方法。
本发明提供了一种汽车起动机齿轮检测的方法,该方法包括:
获取待检测汽车起动机齿轮的待检测图像和标准汽车起动机齿轮的标准图像,对所述待检测图像和所述标准图像进行图像预处理,得到所述待检测图像对应的目标待检测图像和所述标准图像对应的目标标准图像;
对所述目标待检测图像和所述目标标准图像分别进行齿轮外边缘检测,得到所述目标待检测图像对应的待检测齿轮图像和所述目标标准图像对应的标准齿轮图像;
根据所述待检测齿轮图像和所述标准齿轮图像,确定所述待检测齿轮图像和所述标准齿轮图像之间的第一差异矩阵和第二差异矩阵;
根据所述第一差异矩阵和所述第二差异矩阵,确定所述待检测齿轮图像和所述标准齿轮图像之间的轮廓差异矩阵;
根据所述轮廓差异矩阵,对所述待检测齿轮图像和所述标准齿轮图像进行像素点匹配,确定轮廓偏移度和偏离数量;
根据所述轮廓偏移度和所述偏离数量,确定所述待检测汽车起动机齿轮对应的齿轮检测值;
根据所述齿轮检测值,生成所述待检测汽车起动机齿轮对应的齿轮信息。
进一步的,所述根据所述待检测齿轮图像和所述标准齿轮图像,确定所述待检测齿轮图像和所述标准齿轮图像之间的第一差异矩阵和第二差异矩阵,包括:
从所述待检测齿轮图像中筛选出满足待检测边缘筛选条件的像素点,作为待检测外边缘点,得到待检测外边缘点集合;
对于所述待检测外边缘点集合中的每个待检测外边缘点,确定所述待检测外边缘点对应的区域组集合;
根据所述待检测外边缘点集合中的每个待检测外边缘点对应的区域组集合,确定所述待检测外边缘点对应的局部分析矩阵;
从所述标准齿轮图像中筛选出满足标准边缘筛选条件的像素点,作为标准外边缘点,得到标准外边缘点集合;
确定所述标准外边缘点集合中的每个标准外边缘点对应的区域组集合;
根据所述标准外边缘点集合中的每个标准外边缘点对应的区域组集合,确定所述标准外边缘点对应的局部分析矩阵;
根据所述待检测外边缘点集合中的各个待检测外边缘点对应的局部分析矩阵和所述标准外边缘点集合中的各个标准外边缘点对应的局部分析矩阵,确定所述第一差异矩阵;
确定所述待检测外边缘点集合中的每个待检测外边缘点对应的纹理特征向量和所述标准外边缘点集合中的每个标准外边缘点对应的纹理特征向量;
根据所述待检测外边缘点集合中的各个待检测外边缘点对应的纹理特征向量和所述标准外边缘点集合中的各个标准外边缘点对应的纹理特征向量,确定所述第二差异矩阵。
进一步的,所述对于所述待检测外边缘点集合中的每个待检测外边缘点,确定所述待检测外边缘点对应的区域组集合,包括:
以所述待检测外边缘点为圆心,以预先设置的预设长度为半径画圆,得到所述待检测外边缘点对应的圆形区域;
将所述待检测外边缘点对应的圆形区域的半径进行预设数目等分,得到所述待检测外边缘点对应的目标区域集合,其中,所述预设数目是预先设置的数目,所述待检测外边缘点对应的目标区域集合中目标区域的数量是预设数目,所述待检测外边缘点对应的目标区域集合包括:一个中心圆区域和目标数目个圆环区域,所述目标数目等于所述预设数目减一;
对于所述待检测外边缘点对应的目标区域集合中的每个目标区域,按照角度,将所述目标区域进行预设数量等分,确定所述目标区域对应的区域组,得到所述待检测外边缘点对应的区域组集合。
进一步的,所述待检测外边缘点对应的局部分析矩阵为:
其中,H是所述待检测外边缘点对应的局部分析矩阵,、、和分别是组成所述待检测外边缘点对应的局部分析矩阵中的向量,x是所述预设数目,y是所述预设数量,是所述待检测外边缘点对应的区域组集合中的第1个区域组中的第1个区域内的待检测外边缘点的数量,是所述待检测外边缘点对应的区域组集合中的第1个区域组中的第1个区域内的待检测外边缘点的曲率的均值,是所述待检测外边缘点对应的区域组集合中的第1个区域组中的第y个区域内的待检测外边缘点的数量,是所述待检测外边缘点对应的区域组集合中的第1个区域组中的第y个区域内的待检测外边缘点的曲率的均值,是所述待检测外边缘点对应的区域组集合中的第x个区域组中的第1个区域内的待检测外边缘点的数量,是所述待检测外边缘点对应的区域组集合中的第x个区域组中的第1个区域内的待检测外边缘点的曲率的均值,是所述待检测外边缘点对应的区域组集合中的第x个区域组中的第y个区域内的待检测外边缘点的数量,是所述待检测外边缘点对应的区域组集合中的第x个区域组中的第y个区域内的待检测外边缘点的曲率的均值。
进一步的,所述第一差异矩阵为:
其中,D是所述第一差异矩阵,A是所述待检测外边缘点集合中的待检测外边缘点的数量,B是所述标准外边缘点集合中的标准外边缘点的数量,是所述待检测外边缘点集合中的第1个待检测外边缘点对应的局部分析矩阵与所述标准外边缘点集合中的第1个标准外边缘点对应的局部分析矩阵之间的欧几里得范数,是所述待检测外边缘点集合中的第1个待检测外边缘点对应的局部分析矩阵与所述标准外边缘点集合中的第B个标准外边缘点对应的局部分析矩阵之间的欧几里得范数,是所述待检测外边缘点集合中的第A个待检测外边缘点对应的局部分析矩阵与所述标准外边缘点集合中的第1个标准外边缘点对应的局部分析矩阵之间的欧几里得范数,是所述待检测外边缘点集合中的第A个待检测外边缘点对应的局部分析矩阵与所述标准外边缘点集合中的第B个标准外边缘点对应的局部分析矩阵之间的欧几里得范数。
进一步的,所述确定所述待检测外边缘点集合中的每个待检测外边缘点对应的纹理特征向量和所述标准外边缘点集合中的每个标准外边缘点对应的纹理特征向量,包括:
分别确定所述待检测外边缘点和所述标准外边缘点对应的梯度幅值和梯度方向;
将所述待检测外边缘点对应的梯度幅值,确定为所述待检测外边缘点对应的纹理特征向量中的第一个元素;
将所述待检测外边缘点对应的梯度方向,确定为所述待检测外边缘点对应的纹理特征向量中的第二个元素;
将所述标准外边缘点对应的梯度幅值,确定为所述标准外边缘点对应的纹理特征向量中的第一个元素;
将所述标准外边缘点对应的梯度方向,确定为所述标准外边缘点对应的纹理特征向量中的第二个元素。
进一步的,所述第二差异矩阵为:
其中,L是所述第二差异矩阵,A是所述待检测外边缘点集合中的待检测外边缘点的数量,B是所述标准外边缘点集合中的标准外边缘点的数量,是所述待检测外边缘点集合中的第1个待检测外边缘点对应的纹理特征向量与所述标准外边缘点集合中的第1个标准外边缘点对应的纹理特征向量之间的欧式距离,是所述待检测外边缘点集合中的第1个待检测外边缘点对应的纹理特征向量与所述标准外边缘点集合中的第B个标准外边缘点对应的纹理特征向量之间的欧式距离,是所述待检测外边缘点集合中的第A个待检测外边缘点对应的纹理特征向量与所述标准外边缘点集合中的第1个标准外边缘点对应的纹理特征向量之间的欧式距离,是所述待检测外边缘点集合中的第A个待检测外边缘点对应的纹理特征向量与所述标准外边缘点集合中的第B个标准外边缘点对应的纹理特征向量之间的欧式距离。
进一步的,所述确定所述待检测齿轮图像和所述标准齿轮图像之间的轮廓差异矩阵对应的公式为:
进一步的,所述根据所述轮廓差异矩阵,对所述待检测齿轮图像和所述标准齿轮图像进行像素点匹配,确定轮廓偏移度和偏离数量,包括:
根据所述轮廓差异矩阵,通过匈牙利匹配算法,对所述待检测齿轮图像中的待检测外边缘点和所述标准齿轮图像中的标准外边缘点进行匹配,得到匹配点对集合,其中,所述匹配点对集合中的匹配点对由匹配成功的待检测外边缘点和标准外边缘点组成;
将所述匹配点对集合中的匹配点对之间的差异值的和,确定为所述轮廓偏移度,其中,差异值是所述轮廓差异矩阵中的元素;
将所述待检测齿轮图像和所述标准齿轮图像中没有匹配成功的待检测外边缘点或标准外边缘点,确定为偏离像素点,得到偏离像素点集合;
将所述偏离像素点集合中偏离像素点的数量,确定为所述偏离数量。
进一步的,所述确定所述待检测汽车起动机齿轮对应的齿轮检测值对应的公式为:
本发明具有如下有益效果:
本发明的一种汽车起动机齿轮检测方法,通过对待检测图像和标准图像进行图像处理,可以生成表征待检测汽车起动机齿轮是否异常的齿轮信息,有效提高了对汽车起动机齿轮进行检测的效率。首先,获取待检测汽车起动机齿轮的待检测图像和标准汽车起动机齿轮的标准图像,对上述待检测图像和上述标准图像进行图像预处理,得到上述待检测图像对应的目标待检测图像和上述标准图像对应的目标标准图像。实际情况中,如果待检测汽车起动机齿轮是符合生产要求的正常齿轮,待检测图像应该与标准图像相同。因此,获取待检测图像与标准图像,可以便于后续分析检测待检测汽车起动机齿轮是否异常。其次,对上述待检测图像和上述标准图像进行图像预处理,可以排除上述待检测图像和上述标准图像进行图像处理中的一些无关的干扰,使进行图像预处理后的待检测图像和标准图像更加便于分析检测,可以提高后续分析检测待检测汽车起动机齿轮是否异常的效率。接着,对上述目标待检测图像和上述目标标准图像分别进行齿轮外边缘检测,得到上述目标待检测图像对应的待检测齿轮图像和上述目标标准图像对应的标准齿轮图像。待检测汽车起动机齿轮的异常,往往是由于待检测汽车起动机齿轮的边缘存在毛刺或待检测汽车起动机齿轮的边缘轮廓的尺寸不准确引起的。所以往往可以通过检测待检测汽车起动机齿轮的边缘,确定待检测汽车起动机齿轮是否异常。因此,对目标待检测图像和目标标准图像分别进行齿轮外边缘检测,提取出目标待检测图像和目标标准图像中齿轮外边缘,使后续可以通过分析比较目标待检测图像和目标标准图像中齿轮外边缘,确定待检测汽车起动机齿轮是否异常。相较于对目标待检测图像和目标标准图像中所有的像素点进行分析比较,减少了计算量,减少了对计算资源的占用,提高了对汽车起动机齿轮进行检测的效率。然后,根据上述待检测齿轮图像和上述标准齿轮图像,确定上述待检测齿轮图像和上述标准齿轮图像之间的第一差异矩阵和第二差异矩阵。继续,根据上述第一差异矩阵和上述第二差异矩阵,确定上述待检测齿轮图像和上述标准齿轮图像之间的轮廓差异矩阵。之后,根据上述轮廓差异矩阵,对上述待检测齿轮图像和上述标准齿轮图像进行像素点匹配,确定轮廓偏移度和偏离数量。而后,根据上述轮廓偏移度和上述偏离数量,确定上述待检测汽车起动机齿轮对应的齿轮检测值。综合考虑多个方面,确定上述待检测齿轮图像和上述标准齿轮图像之间的差异,提高了齿轮检测值确定的准确度。最后,根据上述齿轮检测值,生成上述待检测汽车起动机齿轮对应的齿轮信息。因此,本发明通过对待检测图像和标准图像进行图像处理,可以生成表征待检测汽车起动机齿轮是否异常的齿轮信息,有效提高了对汽车起动机齿轮进行检测的效率。
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为根据本发明的一种汽车起动机齿轮检测方法的一些实施例的流程图;
图2为根据本发明的待检测外边缘点对应的目标区域集合的示意图;
图3为根据本发明的目标区域对应的区域组的示意图。
其中,图2中的附图标记包括:待检测外边缘点204、待检测外边缘点204对应的圆形区域201、中心圆区域203、中心圆区域203与圆形区域202之间的圆环区域、圆形区域202与圆形区域201之间的圆环区域。
图3中的附图标记包括:目标区域301。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外,一个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。
本发明提供了一种汽车起动机齿轮检测方法,该方法包括以下步骤:
获取待检测汽车起动机齿轮的待检测图像和标准汽车起动机齿轮的标准图像,对待检测图像和标准图像进行图像预处理,得到待检测图像对应的目标待检测图像和标准图像对应的目标标准图像;
对目标待检测图像和目标标准图像分别进行齿轮外边缘检测,得到目标待检测图像对应的待检测齿轮图像和目标标准图像对应的标准齿轮图像;
根据待检测齿轮图像和标准齿轮图像,确定待检测齿轮图像和标准齿轮图像之间的第一差异矩阵和第二差异矩阵;
根据第一差异矩阵和第二差异矩阵,确定待检测齿轮图像和标准齿轮图像之间的轮廓差异矩阵;
根据轮廓差异矩阵,对待检测齿轮图像和标准齿轮图像进行像素点匹配,确定轮廓偏移度和偏离数量;
根据轮廓偏移度和偏离数量,确定待检测汽车起动机齿轮对应的齿轮检测值;
根据齿轮检测值,生成待检测汽车起动机齿轮对应的齿轮信息。
下面对上述各个步骤进行详细展开:
参考图1,示出了根据本发明的一种汽车起动机齿轮检测方法的一些实施例的流程。该汽车起动机齿轮检测方法,包括以下步骤:
步骤S1,获取待检测汽车起动机齿轮的待检测图像和标准汽车起动机齿轮的标准图像,对待检测图像和标准图像进行图像预处理,得到待检测图像对应的目标待检测图像和标准图像对应的目标标准图像。
在一些实施例中,可以获取待检测汽车起动机齿轮的待检测图像和标准汽车起动机齿轮的标准图像,对上述待检测图像和上述标准图像进行图像预处理,得到上述待检测图像对应的目标待检测图像和上述标准图像对应的目标标准图像。
其中,上述待检测汽车起动机齿轮可以是待检测的汽车起动机的齿轮。上述待检测图像可以是拍摄有上述待检测汽车起动机齿轮的图像。上述标准汽车起动机齿轮可以是符合生产标准的齿轮。上述标准汽车起动机齿轮的规格型号可以与上述待检测汽车起动机齿轮的规格型号相同。上述标准图像可以是拍摄有上述标准汽车起动机齿轮的图像。上述目标待检测图像可以是进行图像预处理后的待检测图像。上述目标标准图像可以是进行图像预处理后的标准图像。
作为示例,首先,可以通过图像采集设备,分别采集待检测图像和标准图像。其中,图像采集设备可以包括摄像机、光源和固定台。上述固定台可以是被固定的有一定高度的平放的矩形板。上述摄像机可以放置在上述固定台的正上方。上述光源可以用于调节图像采集设备采集图像时的光线。在采集待检测图像和标准图像时,上述摄像机、上述固定台和上述光源均保持相同条件。通过图像采集设备,采集待检测图像时,可以将待检测汽车起动机齿轮平放在上述固定台的中心点。通过图像采集设备,采集标准图像时,可以将标准汽车起动机齿轮平放在上述固定台的中心点。
接着,可以对待检测图像和标准图像进行图像预处理,得到上述待检测图像对应的目标待检测图像和上述标准图像对应的目标标准图像。其中,上述图像预处理可以包括但不限于:图像灰度化、图像去噪和图像增强。
步骤S2,对目标待检测图像和目标标准图像分别进行齿轮外边缘检测,得到目标待检测图像对应的待检测齿轮图像和目标标准图像对应的标准齿轮图像。
在一些实施例中,可以对上述目标待检测图像和上述目标标准图像分别进行齿轮外边缘检测,得到上述目标待检测图像对应的待检测齿轮图像和上述目标标准图像对应的标准齿轮图像。
其中,上述待检测齿轮图像可以是突出显示待检测汽车起动机齿轮的外边缘的图像。上述标准齿轮图像可以是突出显示标准汽车起动机齿轮的外边缘的图像。
作为示例,首先,可以通过边缘检测算法,分别对目标待检测图像和目标标准图像进行边缘检测,得到目标待检测图像对应的待检测边缘图像和目标标准图像对应的标准边缘图像。其中,上述待检测边缘图像可以是进行边缘检测后的目标待检测图像。上述标准边缘图像可以是进行边缘检测后的目标标准图像。
接着,可以将待检测边缘图像中的外边缘像素点的像素值更新为1。将待检测边缘图像中除了外边缘像素点之外的像素点的像素值更新为0。其中,待检测边缘图像中的外边缘像素点可以是待检测汽车起动机齿轮的外边缘对应的像素点。将更新后的待检测边缘图像,确定为待检测齿轮图像。
最后,可以将标准边缘图像中的外边缘像素点的像素值更新为1。将标准边缘图像中除了外边缘像素点之外的像素点的像素值更新为0。其中,标准边缘图像中的外边缘像素点可以是标准汽车起动机齿轮的外边缘对应的像素点。将更新后的标准边缘图像,确定为标准齿轮图像。
步骤S3,根据待检测齿轮图像和标准齿轮图像,确定待检测齿轮图像和标准齿轮图像之间的第一差异矩阵和第二差异矩阵。
在一些实施例中,可以根据上述待检测齿轮图像和上述标准齿轮图像,确定上述待检测齿轮图像和上述标准齿轮图像之间的第一差异矩阵和第二差异矩阵。
其中,上述第一差异矩阵和上述第二差异矩阵可以是表征待检测齿轮图像和标准齿轮图像之间差异的矩阵。
作为示例,本步骤可以包括以下步骤:
第一步,从上述待检测齿轮图像中筛选出满足待检测边缘筛选条件的像素点,作为待检测外边缘点,得到待检测外边缘点集合。
其中,上述待检测外边缘点集合中的待检测外边缘点可以是待检测齿轮图像中的外边缘像素点。上述待检测边缘筛选条件可以是像素点为外边缘像素点。
第二步,对于上述待检测外边缘点集合中的每个待检测外边缘点,确定上述待检测外边缘点对应的区域组集合。
例如,本步骤可以包括以下子步骤:
第一子步骤,以上述待检测外边缘点为圆心,以预先设置的预设长度为半径画圆,得到上述待检测外边缘点对应的圆形区域。
比如,预设长度可以是5。以待检测外边缘点为圆心,以5为半径围成的圆所在的区域,可以是该待检测外边缘点对应的圆形区域。
第二子步骤,将上述待检测外边缘点对应的圆形区域的半径进行预设数目等分,得到上述待检测外边缘点对应的目标区域集合。
其中,上述预设数目可以是预先设置的数目。如,上述预设数目可以是5。上述待检测外边缘点对应的目标区域集合中目标区域的数量可以是预设数目。上述待检测外边缘点对应的目标区域集合可以包括:一个中心圆区域和目标数目个圆环区域。上述目标数目可以等于上述预设数目减一。
比如,如图2所示,上述预设数目可以是3。可以将待检测外边缘点204对应的圆形区域201的半径进行3等分,得到待检测外边缘点204对应的目标区域集合。其中,待检测外边缘点204对应的目标区域集合可以包括:中心圆区域203、中心圆区域203与圆形区域202之间的圆环区域、圆形区域202与圆形区域201之间的圆环区域。中心圆区域203的半径、中心圆区域203与圆形区域202之间的距离、圆形区域202与圆形区域201之间的距离可以相同。
第三子步骤,对于上述待检测外边缘点对应的目标区域集合中的每个目标区域,按照角度,将上述目标区域进行预设数量等分,确定上述目标区域对应的区域组,得到上述待检测外边缘点对应的区域组集合。
其中,上述预设数量可以是预先设置的数量。待检测外边缘点对应的区域组集合中的区域组可以与该待检测外边缘点对应的目标区域集合中的目标区域一一对应。
比如,如图3所示,预设数量可以是8。待检测外边缘点对应的目标区域集合中的目标区域301,可以按照角度,将上述目标区域进行8等分,确定目标区域301对应的区域组。其中,目标区域301对应的区域组可以包括8个角度为45°的扇形区域。
确定待检测外边缘点对应的区域组集合,可以便于后续分析以该待检测外边缘点为中心,该区域组集合内待检测汽车起动机齿轮边缘的轮廓分布情况。
第三步,根据上述待检测外边缘点集合中的每个待检测外边缘点对应的区域组集合,确定上述待检测外边缘点对应的局部分析矩阵。
例如,上述待检测外边缘点对应的局部分析矩阵可以为:
其中,H是上述待检测外边缘点对应的局部分析矩阵。、、和分别是组成上述待检测外边缘点对应的局部分析矩阵中的向量。x是上述预设数目。y是上述预设数量。是上述待检测外边缘点对应的区域组集合中的第1个区域组中的第1个区域内的待检测外边缘点的数量。是上述待检测外边缘点对应的区域组集合中的第1个区域组中的第1个区域内的待检测外边缘点的曲率的均值。是上述待检测外边缘点对应的区域组集合中的第1个区域组中的第y个区域内的待检测外边缘点的数量。是上述待检测外边缘点对应的区域组集合中的第1个区域组中的第y个区域内的待检测外边缘点的曲率的均值。是上述待检测外边缘点对应的区域组集合中的第x个区域组中的第1个区域内的待检测外边缘点的数量。是上述待检测外边缘点对应的区域组集合中的第x个区域组中的第1个区域内的待检测外边缘点的曲率的均值。是上述待检测外边缘点对应的区域组集合中的第x个区域组中的第y个区域内的待检测外边缘点的数量。是上述待检测外边缘点对应的区域组集合中的第x个区域组中的第y个区域内的待检测外边缘点的曲率的均值。
待检测外边缘点对应的局部分析矩阵包括了该待检测外边缘点对应的区域组集合中的各个区域内待检测外边缘点的数量和曲率的均值,并且区域内待检测外边缘点的数量和曲率的均值可以表征区域内待检测汽车起动机齿轮边缘的轮廓分布情况。因此,待检测外边缘点对应的局部分析矩阵可以表征以该待检测外边缘点为中心,该待检测外边缘点对应的区域组集合内待检测汽车起动机齿轮边缘的轮廓分布情况。
第四步,从上述标准齿轮图像中筛选出满足标准边缘筛选条件的像素点,作为标准外边缘点,得到标准外边缘点集合。
其中,上述标准外边缘点集合中的标准外边缘点可以是标准齿轮图像中的外边缘像素点。标准边缘筛选条件可以是像素点为外边缘像素点。
第五步,确定上述标准外边缘点集合中的每个标准外边缘点对应的区域组集合。
例如,可以将标准外边缘点集合,确定为待检测外边缘点集合,执行步骤S3包括的第二步,可以得到标准外边缘点集合中的每个标准外边缘点对应的区域组集合。
第六步,根据上述标准外边缘点集合中的每个标准外边缘点对应的区域组集合,确定上述标准外边缘点对应的局部分析矩阵。
例如,可以将标准外边缘点集合,确定为待检测外边缘点集合,执行步骤S3包括的第三步,可以得到标准外边缘点集合中的每个标准外边缘点对应的局部分析矩阵。
标准外边缘点对应的局部分析矩阵可以表征以该标准外边缘点为中心,该标准外边缘点对应的区域组集合内待检测汽车起动机齿轮边缘的轮廓分布情况。
第七步,根据上述待检测外边缘点集合中的各个待检测外边缘点对应的局部分析矩阵和上述标准外边缘点集合中的各个标准外边缘点对应的局部分析矩阵,确定上述第一差异矩阵。
例如,上述第一差异矩阵可以为:
其中,D是上述第一差异矩阵。A是上述待检测外边缘点集合中的待检测外边缘点的数量。B是上述标准外边缘点集合中的标准外边缘点的数量。是上述待检测外边缘点集合中的第1个待检测外边缘点对应的局部分析矩阵与上述标准外边缘点集合中的第1个标准外边缘点对应的局部分析矩阵之间的欧几里得范数。是上述待检测外边缘点集合中的第1个待检测外边缘点对应的局部分析矩阵与上述标准外边缘点集合中的第B个标准外边缘点对应的局部分析矩阵之间的欧几里得范数。是上述待检测外边缘点集合中的第A个待检测外边缘点对应的局部分析矩阵与上述标准外边缘点集合中的第1个标准外边缘点对应的局部分析矩阵之间的欧几里得范数。是上述待检测外边缘点集合中的第A个待检测外边缘点对应的局部分析矩阵与上述标准外边缘点集合中的第B个标准外边缘点对应的局部分析矩阵之间的欧几里得范数。
第一差异矩阵包括了待检测外边缘点集合中的各个待检测外边缘点对应的局部分析矩阵与标准外边缘点集合中的各个标准外边缘点对应的局部分析矩阵之间的欧几里得范数。并且一个待检测外边缘点对应的局部分析矩阵与一个标准外边缘点对应的局部分析矩阵之间的欧几里得范数,可以表征这两个局部分析矩阵之间的差异,并且这两个局部分析矩阵之间的欧几里得范数越大,这两个局部分析矩阵之间的差异往往越大。因此,第一差异矩阵可以表征待检测外边缘点集合中的各个待检测外边缘点对应的局部分析矩阵与标准外边缘点集合中的各个标准外边缘点对应的局部分析矩阵之间的差异,从而可以表征待检测汽车起动机齿轮边缘与标准汽车起动机齿轮边缘之间的轮廓差异。
第八步,确定上述待检测外边缘点集合中的每个待检测外边缘点对应的纹理特征向量和上述标准外边缘点集合中的每个标准外边缘点对应的纹理特征向量。
例如,本步骤可以包括以下子步骤:
第一子步骤,分别确定上述待检测外边缘点和上述标准外边缘点对应的梯度幅值和梯度方向。
第二子步骤,将上述待检测外边缘点对应的梯度幅值,确定为上述待检测外边缘点对应的纹理特征向量中的第一个元素。
第三子步骤,将上述待检测外边缘点对应的梯度方向,确定为上述待检测外边缘点对应的纹理特征向量中的第二个元素。
第四子步骤,将上述标准外边缘点对应的梯度幅值,确定为上述标准外边缘点对应的纹理特征向量中的第一个元素。
第五子步骤,将上述标准外边缘点对应的梯度方向,确定为上述标准外边缘点对应的纹理特征向量中的第二个元素。
第九步,根据上述待检测外边缘点集合中的各个待检测外边缘点对应的纹理特征向量和上述标准外边缘点集合中的各个标准外边缘点对应的纹理特征向量,确定上述第二差异矩阵。
例如,上述第二差异矩阵可以为:
其中,L是上述第二差异矩阵。A是上述待检测外边缘点集合中的待检测外边缘点的数量。B是上述标准外边缘点集合中的标准外边缘点的数量。是上述待检测外边缘点集合中的第1个待检测外边缘点对应的纹理特征向量与上述标准外边缘点集合中的第1个标准外边缘点对应的纹理特征向量之间的欧式距离。是上述待检测外边缘点集合中的第1个待检测外边缘点对应的纹理特征向量与上述标准外边缘点集合中的第B个标准外边缘点对应的纹理特征向量之间的欧式距离。是上述待检测外边缘点集合中的第A个待检测外边缘点对应的纹理特征向量与上述标准外边缘点集合中的第1个标准外边缘点对应的纹理特征向量之间的欧式距离。是上述待检测外边缘点集合中的第A个待检测外边缘点对应的纹理特征向量与上述标准外边缘点集合中的第B个标准外边缘点对应的纹理特征向量之间的欧式距离。
由于待检测外边缘点对应的纹理特征向量可以包括该待检测外边缘点对应的梯度幅值和梯度方向。标准外边缘点对应的纹理特征向量可以包括该标准外边缘点对应的梯度幅值和梯度方向。并且梯度幅值和梯度方向可以表征图像的纹理走向,所以纹理特征向量可以表征图像的纹理走向。第二差异矩阵包括了待检测外边缘点集合中的各个待检测外边缘点对应的纹理特征向量与标准外边缘点集合中的各个标准外边缘点对应的纹理特征向量之间的欧式距离。并且一个待检测外边缘点对应的纹理特征向量与一个标准外边缘点对应的纹理特征向量之间的欧式距离,可以表征这两个纹理特征向量之间的差异,并且这两个纹理特征向量之间的欧式距离越大,这两个纹理特征向量之间的差异往往越大。因此,第二差异矩阵可以表征待检测外边缘点集合中的各个待检测外边缘点对应的局部分析矩阵与标准外边缘点集合中的各个标准外边缘点对应的纹理特征向量之间的差异,从而可以表征待检测汽车起动机齿轮边缘与标准汽车起动机齿轮边缘之间的纹理差异。
步骤S4,根据第一差异矩阵和第二差异矩阵,确定待检测齿轮图像和标准齿轮图像之间的轮廓差异矩阵。
在一些实施例中,可以根据上述第一差异矩阵和上述第二差异矩阵,确定上述待检测齿轮图像和上述标准齿轮图像之间的轮廓差异矩阵。
其中,轮廓差异矩阵可以表征待检测齿轮图像和标准齿轮图像之间的轮廓差异。轮廓差异矩阵中的元素可以表征待检测外边缘点与标准外边缘点之间的差异值。
作为示例,上述确定上述待检测齿轮图像和上述标准齿轮图像之间的轮廓差异矩阵对应的公式可以为:
其中,F是上述轮廓差异矩阵。和分别是上述第一差异矩阵和上述第二差异矩阵对应的权重。D是上述第一差异矩阵。L是上述第二差异矩阵。可以是第一差异矩阵的重要程度。可以是第二差异矩阵的重要程度。的取值可以是[0,1]。例如,。
由于,第一差异矩阵D可以表征待检测汽车起动机齿轮边缘与标准汽车起动机齿轮边缘之间的轮廓差异。第二差异矩阵L可以表征待检测汽车起动机齿轮边缘与标准汽车起动机齿轮边缘之间的纹理差异。因此,综合考虑了第一差异矩阵D和第二差异矩阵L,确定的轮廓差异矩阵F,可以更加精确的表征待检测汽车起动机齿轮边缘与标准汽车起动机齿轮边缘之间的整体差异。所以,轮廓差异矩阵F中的元素可以表征待检测外边缘点与标准外边缘点之间的差异值。待检测外边缘点与标准外边缘点之间的差异值越大,往往可以表征待检测外边缘点与标准外边缘点之间的差异越大。待检测汽车起动机齿轮边缘与标准汽车起动机齿轮边缘之间的轮廓差异或纹理差异越大,待检测汽车起动机齿轮边缘与标准汽车起动机齿轮边缘之间的整体差异往往越大。将和分别作为上述第一差异矩阵D和上述第二差异矩阵L对应的权重,可以分别表征上述第一差异矩阵D和上述第二差异矩阵L对确定轮廓差异矩阵F的贡献程度。可以根据经验确定上述第一差异矩阵D和上述第二差异矩阵L对确定轮廓差异矩阵F的贡献程度的大小,进而确定的取值,使确定的轮廓差异矩阵F更加符合实际情况。
步骤S5,根据轮廓差异矩阵,对待检测齿轮图像和标准齿轮图像进行像素点匹配,确定轮廓偏移度和偏离数量。
在一些实施例中,可以根据上述轮廓差异矩阵,对上述待检测齿轮图像和上述标准齿轮图像进行像素点匹配,确定轮廓偏移度和偏离数量。
作为示例,本步骤可以包括以下步骤:
第一步,根据上述轮廓差异矩阵,通过匈牙利匹配算法,对上述待检测齿轮图像中的待检测外边缘点和上述标准齿轮图像中的标准外边缘点进行匹配,得到匹配点对集合。
其中,上述匹配点对集合中的匹配点对可以由匹配成功的待检测外边缘点和标准外边缘点组成。上述匹配点对集合中的匹配点对之间的差异值的和,是各个待检测外边缘点与各个标准外边缘点之间的差异值的和中最小的和。
第二步,将上述匹配点对集合中的匹配点对之间的差异值的和,确定为上述轮廓偏移度。
其中,差异值可以是上述轮廓差异矩阵中的元素。
第三步,将上述待检测齿轮图像和上述标准齿轮图像中没有匹配成功的待检测外边缘点和标准外边缘点,确定为偏离像素点,得到偏离像素点集合。
实际情况中,当待检测汽车起动机齿轮异常时,可能会出现待检测齿轮图像中的待检测外边缘点的数量大于或小于标准齿轮图像中的标准外边缘点的数量;也可能会出现待检测齿轮图像中的待检测外边缘点的数量与标准齿轮图像中的标准外边缘点的数量相同,但是由于待检测汽车起动机齿轮异常,使待检测齿轮图像中的待检测外边缘点发生了偏离,所以综合考虑这些因素,需要统计待检测齿轮图像和标准齿轮图像中的偏离像素点。可以便于后续分析待检测汽车起动机齿轮异常是否发生了异常,提高了对待检测汽车起动机齿轮进行检测的准确度。
第四步,将上述偏离像素点集合中偏离像素点的数量,确定为上述偏离数量。
步骤S6,根据轮廓偏移度和偏离数量,确定待检测汽车起动机齿轮对应的齿轮检测值。
在一些实施例中,可以根据上述轮廓偏移度和上述偏离数量,确定上述待检测汽车起动机齿轮对应的齿轮检测值。
作为示例,上述确定上述待检测汽车起动机齿轮对应的齿轮检测值对应的公式可以为:
由于轮廓偏移度可以是匹配点对集合中的匹配点对之间的差异值的和。偏离数量S可以是偏离像素点集合中偏离像素点的数量。实际情况中,匹配点对集合中的匹配点对之间的差异值的和越大或偏离像素点集合中偏离像素点的数量越多,待检测汽车起动机齿轮往往越异常。所以,当轮廓偏移度或偏离数量S越大时,待检测汽车起动机齿轮对应的齿轮检测值往往越大,待检测汽车起动机齿轮往往越异常。其次,权重因子可以表征轮廓偏移度对齿轮检测值的贡献程度。权重因子可以表征偏离数量S对齿轮检测值的贡献程度。可以根据经验确定轮廓偏移度和偏离数量S对齿轮检测值的贡献程度,进而确定权重因子和权重因子的取值,可以使确定的齿轮检测值更加符合实际情况。通过指数函数的设计,可以使齿轮检测值与待检测汽车起动机齿轮的异常程度呈正相关,并且实现了对齿轮检测值的归一化,可以使齿轮检测值的取值范围为(0,1)。如此可以避免可能出现齿轮检测值的取值范围过大,不便于判断待检测汽车起动机齿轮的异常程度的问题。从而可以便于后续判断待检测汽车起动机齿轮的异常程度。
步骤S7,根据齿轮检测值,生成待检测汽车起动机齿轮对应的齿轮信息。
在一些实施例中,可以根据上述齿轮检测值,生成上述待检测汽车起动机齿轮对应的齿轮信息。
其中,上述齿轮信息可以表征待检测汽车起动机齿轮是否异常。
作为示例,当齿轮检测值小于目标阈值时,生成的齿轮信息可以是“待检测汽车起动机齿轮异常,其形态规格不能满足后续使用需求,需要再次进行加工处理”。当齿轮检测值大于或等于目标阈值时,生成的齿轮信息可以是“待检测汽车起动机齿轮正常,其形态规格可以满足后续使用需求”。其中,上述目标阈值可以是预先设置的待检测汽车起动机齿轮正常时的最小的齿轮检测值。
例如,上述目标阈值还可以是通过以下步骤确定的:
第一步,获取样本齿轮图像集合。
其中,样本齿轮图像集合中的样本齿轮图像可以是拍摄有样本齿轮的图像。样本齿轮的规格型号可以与上述待检测汽车起动机齿轮的规格型号相同。样本齿轮图像集合中的样本齿轮图像可以与样本齿轮一一对应。
第二步,确定样本齿轮图像集合中的各个样本齿轮图像对应的齿轮检测值。
比如,对于样本齿轮图像集合中的每个样本齿轮图像,可以将上述样本齿轮图像,确定为获取的待检测图像,执行步骤S1至步骤S6,确定样本齿轮图像集合中的各个样本齿轮图像对应的齿轮检测值。
第三步,根据样本齿轮图像集合中的各个样本齿轮图像对应的齿轮检测值,通过大津阈值分割算法,确定目标阈值。
比如,根据样本齿轮图像集合中的各个样本齿轮图像对应的齿轮检测值,通过大津阈值分割算法(Otus大津阈值分割算法),确定最佳的阈值,将最佳的阈值,确定为上述目标阈值。
其中,通过Otus大津阈值分割算法,确定最佳阈值为公知技术,在此不再赘述。
本发明的一种汽车起动机齿轮检测方法,通过对待检测图像和标准图像进行图像处理,可以生成表征待检测汽车起动机齿轮是否异常的齿轮信息,有效提高了对汽车起动机齿轮进行检测的效率。首先,获取待检测汽车起动机齿轮的待检测图像和标准汽车起动机齿轮的标准图像,对上述待检测图像和上述标准图像进行图像预处理,得到上述待检测图像对应的目标待检测图像和上述标准图像对应的目标标准图像。实际情况中,如果待检测汽车起动机齿轮是符合生产要求的正常齿轮,待检测图像应该与标准图像相同。因此,获取待检测图像与标准图像,可以便于后续分析检测待检测汽车起动机齿轮是否异常。其次,对上述待检测图像和上述标准图像进行图像预处理,可以排除上述待检测图像和上述标准图像进行图像处理中的一些无关的干扰,使进行图像预处理后的待检测图像和标准图像更加便于分析检测,可以提高后续分析检测待检测汽车起动机齿轮是否异常的效率。接着,对上述目标待检测图像和上述目标标准图像分别进行齿轮外边缘检测,得到上述目标待检测图像对应的待检测齿轮图像和上述目标标准图像对应的标准齿轮图像。待检测汽车起动机齿轮的异常,往往是由于待检测汽车起动机齿轮的边缘存在毛刺或待检测汽车起动机齿轮的边缘轮廓的尺寸不准确引起的。所以往往可以通过检测待检测汽车起动机齿轮的边缘,确定待检测汽车起动机齿轮是否异常。因此,对目标待检测图像和目标标准图像分别进行齿轮外边缘检测,提取出目标待检测图像和目标标准图像中齿轮外边缘,使后续可以通过分析比较目标待检测图像和目标标准图像中齿轮外边缘,确定待检测汽车起动机齿轮是否异常。相较于对目标待检测图像和目标标准图像中所有的像素点进行分析比较,减少了计算量,减少了对计算资源的占用,提高了对汽车起动机齿轮进行检测的效率。然后,根据上述待检测齿轮图像和上述标准齿轮图像,确定上述待检测齿轮图像和上述标准齿轮图像之间的第一差异矩阵和第二差异矩阵。继续,根据上述第一差异矩阵和上述第二差异矩阵,确定上述待检测齿轮图像和上述标准齿轮图像之间的轮廓差异矩阵。之后,根据上述轮廓差异矩阵,对上述待检测齿轮图像和上述标准齿轮图像进行像素点匹配,确定轮廓偏移度和偏离数量。而后,根据上述轮廓偏移度和上述偏离数量,确定上述待检测汽车起动机齿轮对应的齿轮检测值。综合考虑多个方面,确定上述待检测齿轮图像和上述标准齿轮图像之间的差异,提高了齿轮检测值确定的准确度。最后,根据上述齿轮检测值,生成上述待检测汽车起动机齿轮对应的齿轮信息。因此,本发明通过对待检测图像和标准图像进行图像处理,可以生成表征待检测汽车起动机齿轮是否异常的齿轮信息,有效提高了对汽车起动机齿轮进行检测的效率。
以上上述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (6)
1.一种汽车起动机齿轮检测方法,其特征在于,包括以下步骤:
获取待检测汽车起动机齿轮的待检测图像和标准汽车起动机齿轮的标准图像,对所述待检测图像和所述标准图像进行图像预处理,得到所述待检测图像对应的目标待检测图像和所述标准图像对应的目标标准图像;
对所述目标待检测图像和所述目标标准图像分别进行齿轮外边缘检测,得到所述目标待检测图像对应的待检测齿轮图像和所述目标标准图像对应的标准齿轮图像;
根据所述待检测齿轮图像和所述标准齿轮图像,确定所述待检测齿轮图像和所述标准齿轮图像之间的第一差异矩阵和第二差异矩阵;
根据所述第一差异矩阵和所述第二差异矩阵,确定所述待检测齿轮图像和所述标准齿轮图像之间的轮廓差异矩阵;
根据所述轮廓差异矩阵,对所述待检测齿轮图像和所述标准齿轮图像进行像素点匹配,确定轮廓偏移度和偏离数量;
根据所述轮廓偏移度和所述偏离数量,确定所述待检测汽车起动机齿轮对应的齿轮检测值;
根据所述齿轮检测值,生成所述待检测汽车起动机齿轮对应的齿轮信息;
所述根据所述待检测齿轮图像和所述标准齿轮图像,确定所述待检测齿轮图像和所述标准齿轮图像之间的第一差异矩阵和第二差异矩阵,包括:
从所述待检测齿轮图像中筛选出满足待检测边缘筛选条件的像素点,作为待检测外边缘点,得到待检测外边缘点集合;
对于所述待检测外边缘点集合中的每个待检测外边缘点,确定所述待检测外边缘点对应的区域组集合;
根据所述待检测外边缘点集合中的每个待检测外边缘点对应的区域组集合,确定所述待检测外边缘点对应的局部分析矩阵;
从所述标准齿轮图像中筛选出满足标准边缘筛选条件的像素点,作为标准外边缘点,得到标准外边缘点集合;
确定所述标准外边缘点集合中的每个标准外边缘点对应的区域组集合;
根据所述标准外边缘点集合中的每个标准外边缘点对应的区域组集合,确定所述标准外边缘点对应的局部分析矩阵;
根据所述待检测外边缘点集合中的各个待检测外边缘点对应的局部分析矩阵和所述标准外边缘点集合中的各个标准外边缘点对应的局部分析矩阵,确定所述第一差异矩阵;
确定所述待检测外边缘点集合中的每个待检测外边缘点对应的纹理特征向量和所述标准外边缘点集合中的每个标准外边缘点对应的纹理特征向量;
根据所述待检测外边缘点集合中的各个待检测外边缘点对应的纹理特征向量和所述标准外边缘点集合中的各个标准外边缘点对应的纹理特征向量,确定所述第二差异矩阵;
所述根据所述轮廓差异矩阵,对所述待检测齿轮图像和所述标准齿轮图像进行像素点匹配,确定轮廓偏移度和偏离数量,包括:
根据所述轮廓差异矩阵,通过匈牙利匹配算法,对所述待检测齿轮图像中的待检测外边缘点和所述标准齿轮图像中的标准外边缘点进行匹配,得到匹配点对集合,其中,所述匹配点对集合中的匹配点对由匹配成功的待检测外边缘点和标准外边缘点组成;
将所述匹配点对集合中的匹配点对之间的差异值的和,确定为所述轮廓偏移度,其中,差异值是所述轮廓差异矩阵中的元素;
将所述待检测齿轮图像和所述标准齿轮图像中没有匹配成功的待检测外边缘点和标准外边缘点,确定为偏离像素点,得到偏离像素点集合;
将所述偏离像素点集合中偏离像素点的数量,确定为所述偏离数量;
所述对于所述待检测外边缘点集合中的每个待检测外边缘点,确定所述待检测外边缘点对应的区域组集合,包括:
以所述待检测外边缘点为圆心,以预先设置的预设长度为半径画圆,得到所述待检测外边缘点对应的圆形区域;
将所述待检测外边缘点对应的圆形区域的半径进行预设数目等分,得到所述待检测外边缘点对应的目标区域集合,其中,所述预设数目是预先设置的数目,所述待检测外边缘点对应的目标区域集合中目标区域的数量是预设数目,所述待检测外边缘点对应的目标区域集合包括:一个中心圆区域和目标数目个圆环区域,所述目标数目等于所述预设数目减一;
对于所述待检测外边缘点对应的目标区域集合中的每个目标区域,按照角度,将所述目标区域进行预设数量等分,确定所述目标区域对应的区域组,得到所述待检测外边缘点对应的区域组集合;
所述待检测外边缘点对应的局部分析矩阵为:
其中,H是所述待检测外边缘点对应的局部分析矩阵,、、和分别是组成所述待检测外边缘点对应的局部分析矩阵中的向量,x是所述预设数目,y是所述预设数量,是所述待检测外边缘点对应的区域组集合中的第1个区域组中的第1个区域内的待检测外边缘点的数量,是所述待检测外边缘点对应的区域组集合中的第1个区域组中的第1个区域内的待检测外边缘点的曲率的均值,是所述待检测外边缘点对应的区域组集合中的第1个区域组中的第y个区域内的待检测外边缘点的数量,是所述待检测外边缘点对应的区域组集合中的第1个区域组中的第y个区域内的待检测外边缘点的曲率的均值,是所述待检测外边缘点对应的区域组集合中的第x个区域组中的第1个区域内的待检测外边缘点的数量,是所述待检测外边缘点对应的区域组集合中的第x个区域组中的第1个区域内的待检测外边缘点的曲率的均值,是所述待检测外边缘点对应的区域组集合中的第x个区域组中的第y个区域内的待检测外边缘点的数量,是所述待检测外边缘点对应的区域组集合中的第x个区域组中的第y个区域内的待检测外边缘点的曲率的均值。
2.根据权利要求1所述的一种汽车起动机齿轮检测方法,其特征在于,所述第一差异矩阵为:
其中,D是所述第一差异矩阵,A是所述待检测外边缘点集合中的待检测外边缘点的数量,B是所述标准外边缘点集合中的标准外边缘点的数量,是所述待检测外边缘点集合中的第1个待检测外边缘点对应的局部分析矩阵与所述标准外边缘点集合中的第1个标准外边缘点对应的局部分析矩阵之间的欧几里得范数,是所述待检测外边缘点集合中的第1个待检测外边缘点对应的局部分析矩阵与所述标准外边缘点集合中的第B个标准外边缘点对应的局部分析矩阵之间的欧几里得范数,是所述待检测外边缘点集合中的第A个待检测外边缘点对应的局部分析矩阵与所述标准外边缘点集合中的第1个标准外边缘点对应的局部分析矩阵之间的欧几里得范数,是所述待检测外边缘点集合中的第A个待检测外边缘点对应的局部分析矩阵与所述标准外边缘点集合中的第B个标准外边缘点对应的局部分析矩阵之间的欧几里得范数。
3.根据权利要求1所述的一种汽车起动机齿轮检测方法,其特征在于,所述确定所述待检测外边缘点集合中的每个待检测外边缘点对应的纹理特征向量和所述标准外边缘点集合中的每个标准外边缘点对应的纹理特征向量,包括:
分别确定所述待检测外边缘点和所述标准外边缘点对应的梯度幅值和梯度方向;
将所述待检测外边缘点对应的梯度幅值,确定为所述待检测外边缘点对应的纹理特征向量中的第一个元素;
将所述待检测外边缘点对应的梯度方向,确定为所述待检测外边缘点对应的纹理特征向量中的第二个元素;
将所述标准外边缘点对应的梯度幅值,确定为所述标准外边缘点对应的纹理特征向量中的第一个元素;
将所述标准外边缘点对应的梯度方向,确定为所述标准外边缘点对应的纹理特征向量中的第二个元素。
4.根据权利要求3所述的一种汽车起动机齿轮检测方法,其特征在于,所述第二差异矩阵为:
其中,L是所述第二差异矩阵,A是所述待检测外边缘点集合中的待检测外边缘点的数量,B是所述标准外边缘点集合中的标准外边缘点的数量,是所述待检测外边缘点集合中的第1个待检测外边缘点对应的纹理特征向量与所述标准外边缘点集合中的第1个标准外边缘点对应的纹理特征向量之间的欧式距离,是所述待检测外边缘点集合中的第1个待检测外边缘点对应的纹理特征向量与所述标准外边缘点集合中的第B个标准外边缘点对应的纹理特征向量之间的欧式距离,是所述待检测外边缘点集合中的第A个待检测外边缘点对应的纹理特征向量与所述标准外边缘点集合中的第1个标准外边缘点对应的纹理特征向量之间的欧式距离,是所述待检测外边缘点集合中的第A个待检测外边缘点对应的纹理特征向量与所述标准外边缘点集合中的第B个标准外边缘点对应的纹理特征向量之间的欧式距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210941041.5A CN115018835B (zh) | 2022-08-08 | 2022-08-08 | 一种汽车起动机齿轮检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210941041.5A CN115018835B (zh) | 2022-08-08 | 2022-08-08 | 一种汽车起动机齿轮检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115018835A CN115018835A (zh) | 2022-09-06 |
CN115018835B true CN115018835B (zh) | 2022-11-04 |
Family
ID=83066191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210941041.5A Active CN115018835B (zh) | 2022-08-08 | 2022-08-08 | 一种汽车起动机齿轮检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115018835B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091790B (zh) * | 2023-03-21 | 2023-10-13 | 苏州奥沃汽车配件有限公司 | 电控硅油离合器从动盘质量在线检测系统 |
CN117474924B (zh) * | 2023-12-28 | 2024-03-15 | 山东鲁抗医药集团赛特有限责任公司 | 基于机器视觉的标签缺陷检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004045850A1 (de) * | 2004-09-20 | 2006-03-23 | Gutehoffnungshütte Radsatz Gmbh | System und Verfahren zur Weiterleitung eines, vorzugsweise dynamisch, insbesondere zum Zweck einer Bestimmung von aufgetretenem Verschleiß, erfaßten Profils eines Festkörpers |
CN109993800A (zh) * | 2019-03-18 | 2019-07-09 | 五邑大学 | 一种工件尺寸的检测方法、装置及存储介质 |
CN114187267A (zh) * | 2021-12-13 | 2022-03-15 | 沭阳县苏鑫冲压件有限公司 | 基于机器视觉的冲压件缺陷检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7352901B2 (en) * | 2000-10-23 | 2008-04-01 | Omron Corporation | Contour inspection method and apparatus |
CN107192716A (zh) * | 2017-04-26 | 2017-09-22 | 广东工业大学 | 一种基于轮廓特征的工件缺陷快速检测方法 |
US10664966B2 (en) * | 2018-01-25 | 2020-05-26 | International Business Machines Corporation | Anomaly detection using image-based physical characterization |
FR3118176B1 (fr) * | 2020-12-22 | 2022-12-23 | Tiama | Procédé pour détecter des défauts du joint horizontal de moule pour des récipients en verre |
-
2022
- 2022-08-08 CN CN202210941041.5A patent/CN115018835B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004045850A1 (de) * | 2004-09-20 | 2006-03-23 | Gutehoffnungshütte Radsatz Gmbh | System und Verfahren zur Weiterleitung eines, vorzugsweise dynamisch, insbesondere zum Zweck einer Bestimmung von aufgetretenem Verschleiß, erfaßten Profils eines Festkörpers |
CN109993800A (zh) * | 2019-03-18 | 2019-07-09 | 五邑大学 | 一种工件尺寸的检测方法、装置及存储介质 |
CN114187267A (zh) * | 2021-12-13 | 2022-03-15 | 沭阳县苏鑫冲压件有限公司 | 基于机器视觉的冲压件缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
"Enhance quality control management for sensitive industrial products using 2D/3D image processing algorithms";M. Al-Yoonus等;《2014 Electrical Power, Electronics, Communicatons, Control and Informatics Seminar (EECCIS)》;20150108;全文 * |
"齿轮参数图像的软件识别";伍哲等;《机械工程师》;20180831;第2018年卷(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115018835A (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115018835B (zh) | 一种汽车起动机齿轮检测方法 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和系统 | |
CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
CN115601368B (zh) | 一种建材装备钣金件缺陷检测方法 | |
CN116542972B (zh) | 基于人工智能的墙板表面缺陷快速检测方法 | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理系统 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN116758083A (zh) | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN115049651B (zh) | 一种钣金冲压异常检测方法 | |
CN115797473B (zh) | 一种土建工程用混凝土成型评估方法 | |
CN114332081B (zh) | 基于图像处理的纺织品表面异常判定方法 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN113421223A (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
CN117437219A (zh) | 基于计算机视觉的磁胶电感不规则外观缺陷检测方法 | |
CN116309561A (zh) | 一种基于防漏电绝缘材料的表面缺陷识别方法 | |
CN109087278B (zh) | 基于改进Canny算子的安全套正反面识别法 | |
CN113920121A (zh) | 基于图像处理的工艺品印刷条痕检测方法和系统 | |
CN113436120A (zh) | 一种图像模糊值识别方法及装置 | |
CN116754467B (zh) | 一种天然橡胶老化性能的测评方法 | |
CN117372435B (zh) | 基于图像特征的连接器针脚检测方法 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN117152447B (zh) | 一种冲切模具智能管理方法及系统 |
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 |