CN115063431A - 一种基于图像处理的汽车零部件质量溯源方法 - Google Patents

一种基于图像处理的汽车零部件质量溯源方法 Download PDF

Info

Publication number
CN115063431A
CN115063431A CN202210995678.2A CN202210995678A CN115063431A CN 115063431 A CN115063431 A CN 115063431A CN 202210995678 A CN202210995678 A CN 202210995678A CN 115063431 A CN115063431 A CN 115063431A
Authority
CN
China
Prior art keywords
scratch
brake pad
area
region
arc
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
CN202210995678.2A
Other languages
English (en)
Other versions
CN115063431B (zh
Inventor
曹虓
吕宏振
田阳
司佳
许涛
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.)
Shandong Yuandun Network Technology Co ltd
Original Assignee
Shandong Yuandun Network Technology Co ltd
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 Shandong Yuandun Network Technology Co ltd filed Critical Shandong Yuandun Network Technology Co ltd
Priority to CN202210995678.2A priority Critical patent/CN115063431B/zh
Publication of CN115063431A publication Critical patent/CN115063431A/zh
Application granted granted Critical
Publication of CN115063431B publication Critical patent/CN115063431B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/60Analysis of geometric attributes
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10004Still image; Photographic image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30248Vehicle exterior or interior

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Braking Arrangements (AREA)

Abstract

本发明涉及图像数据处理技术领域,具体涉及一种基于图像处理的汽车零部件质量溯源方法。该方法获取到刹车片灰度图像后,对其进行前景分割确定刹车片区域,然后对刹车片区域进行分割确定灰度值较高的多个待测区域,对每个待测区域进行圆拟合,以所得拟合圆是否与刹车片边缘相交判断待测区域是圆弧状划痕区域还是点状反光区域,基于所确定的圆弧状划痕区域的图像特征得到刹车片整体的划痕深度,基于所确定的点状反光区域的图像特征得到刹车片整体的粗糙程度,从而得到刹车片的磨损程度值,以图像数据处理的方法实现对刹车片磨损情况的便捷且准确的判断,并将磨损情况发送给厂家和用户实现刹车片质量的溯源反馈。

Description

一种基于图像处理的汽车零部件质量溯源方法
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种基于图像处理的汽车零部件质量溯源方法。
背景技术
刹车片是汽车制动系统中重要的安全部件,它的质量情况直接影响刹车系统的性能、决定刹车效果的好坏。刹车片是一种需要经常检查磨损情况的耗材,每行驶3000公里就需要对刹车片检查一次,行使超过30000公里的路程就必须对前刹车片进行更换,行使超过50000公里的路程就必须对后刹车片进行更换。
目前对刹车片使用后的磨损情况检测仅通过判断刹车片剩余厚度完成,该种简单的磨损情况判断方法仅可判断出刹车片磨料的大致剩余可使用时间,而无法准确判断出刹车片当前的刹车性能优劣以及是否还能达到合格的刹车性能要求,这便导致了用户以及厂商无法准确掌握刹车片使用过程中的准确磨损情况,有可能发生刹车片剩余厚度较厚但因刹车片与刹车碟接触面磨损严重已经无法达到良好刹车效果而形成安全隐患的情况,对用户造成危害,且厂商也无法及时获得刹车片磨损情况的准确反馈,不能及时发现刹车片所存在的问题而做出未来设计方向的改进。
所以,当前需给出一种刹车片磨损情况的便捷且准确的判断方法。
发明内容
本发明提供了一种基于图像处理的汽车零部件质量溯源方法,用以解决现有技术无法对刹车片磨损情况进行便捷且准确的判断从而无法很好地完成刹车片质量的溯源反馈的问题,所采用的技术方案具体如下:
本发明的一种基于图像处理的汽车零部件质量溯源方法,包括以下步骤:
将刹车片按照长度方向与水平方向平行的方式放置,获取刹车片表面图像并灰度化处理得到刹车片灰度图像;
对刹车片灰度图像进行前景分割,将刹车片区域作为前景划分出来,然后采用大津法确定刹车片区域中灰度值大于大津法阈值的区域,将所述灰度值大于大津法阈值的区域作为待测区域;
根据每个待测区域内所有像素点进行圆拟合,得到每个待测区域的拟合圆,将拟合圆与刹车片边缘存在交点的待测区域作为圆弧状划痕区域,将拟合圆与刹车片边缘不存在交点的待测区域作为点状反光区域;
计算圆弧状划痕区域的划痕指数:
Figure 100002_DEST_PATH_IMAGE002
其中,
Figure 100002_DEST_PATH_IMAGE004
为圆弧状划痕区域的划痕指数,
Figure 100002_DEST_PATH_IMAGE006
为圆弧状划痕区域的拟合圆的拟合优度,
Figure 100002_DEST_PATH_IMAGE008
为圆弧状划痕区域在水平方向上的长度,
Figure 100002_DEST_PATH_IMAGE010
为圆弧状划痕区域的拟合圆与刹车片边缘的两个交点在水平方向上的距离;
然后计算圆弧状划痕区域的整体划痕宽度:
Figure 100002_DEST_PATH_IMAGE012
其中,
Figure 100002_DEST_PATH_IMAGE014
为圆弧状划痕区域的整体划痕宽度,
Figure 100002_DEST_PATH_IMAGE016
为圆弧状划痕区域在水平方向上第i个像素点位置处所对应的纵向宽度;
以圆弧状划痕区域的拟合圆的圆心为圆心,以半径
Figure 100002_DEST_PATH_IMAGE018
和半径
Figure 100002_DEST_PATH_IMAGE020
分别为半径得到第一圆和第二圆,以第一圆和第二圆之间的圆环区域作为圆弧状划痕区域的归整区域,其中r为圆弧状划痕区域的拟合圆的半径;
计算圆弧状划痕区域的划痕深度:
Figure 100002_DEST_PATH_IMAGE022
其中,
Figure 100002_DEST_PATH_IMAGE024
为圆弧状划痕区域的划痕深度,a为圆弧状划痕区域内的像素点个数,b为同时属于圆弧状划痕区域以及圆弧状划痕区域的归整区域的像素点个数;
以所有圆弧状划痕区域的划痕深度的均值作为刹车片整体的划痕深度;
根据所确定的各个点状反光区域,确定刹车片整体的粗糙程度:
Figure 100002_DEST_PATH_IMAGE026
其中,
Figure 100002_DEST_PATH_IMAGE028
为刹车片整体的粗糙程度,e为点状反光区域的个数,
Figure 100002_DEST_PATH_IMAGE030
为每个点状反光区域中心点到其它点状反光区域中心点的最小值的均值,
Figure 100002_DEST_PATH_IMAGE032
为第e个点状反光区域内的像素点数量,
Figure 100002_DEST_PATH_IMAGE034
表示取e个点状反光区域内像素点数量的最小值,
Figure 100002_DEST_PATH_IMAGE036
表示取e个点状反光区域内像素点数量的中位值;
以刹车片整体的划痕深度和刹车片整体的粗糙程度确定刹车片的磨损程度值:
Figure 100002_DEST_PATH_IMAGE038
其中,
Figure 100002_DEST_PATH_IMAGE040
为刹车片的磨损程度值,
Figure 100002_DEST_PATH_IMAGE042
为刹车片出厂时的厚度,
Figure 100002_DEST_PATH_IMAGE044
为刹车片的最小允许厚度,
Figure 100002_DEST_PATH_IMAGE046
为刹车片的当前剩余厚度;
根据刹车片的磨损程度值确定刹车片的磨损情况,将刹车片的磨损情况发送给用户以及厂商,完成刹车片质量的溯源反馈。
本发明的有益效果为:
本发明该种基于图像处理的汽车零部件质量溯源方法,在前景分割确定刹车片区域后,采用大津法确定刹车片区域上的较亮区域作为待测区域,这些待测区域可能为圆弧状的划痕区域也可能是由摩擦材料上颗粒产生的点状反光区域,然后本发明通过判断各个待测区域的拟合圆是否与刹车片的边缘相交成功判断出了待测区域具体是圆弧状的划痕区域还是点状反光区域;对于圆弧状的划痕区域,本发明通过计算其划痕指数以及划痕深度后,最终计算得到了其划痕深度,从而以所有圆弧状的划痕区域的划痕深度的平均值,完成了对刹车片整体的划痕深度的表征,而对于点状反光区域,本发明则通过各个点状反光区域之间的聚集程度、大小的均匀程度以及点状反光区域的数量多少完成了对刹车片整体的粗糙程度的表征,由于刹车片整体的划痕深度越大、刹车片整体的粗糙程度越低则刹车片磨损程度越高,所以本发明根据所得的具体的刹车片整体的划痕深度以及刹车片整体的粗糙程度,便可便捷地完成刹车片磨损程度的准确确定,最终完成刹车片质量的溯源反馈。
进一步的,还包括从圆弧状划痕区域中确定是否包含点状反光区域的步骤:
确定由属于圆弧状划痕区域但不属于圆弧状划痕区域的归整区域的像素点所构成的聚集区域,对每个聚集区域进行角点检测确定所有角点,对所有角点进行聚类得到若干聚类簇;
确定每个聚类簇的凸包,并在任意两个凸包中各取一个像素点计算这两个像素点之间的距离L,若
Figure 100002_DEST_PATH_IMAGE048
,则将两个凸包对应的两个聚类簇归为同一个簇,其中k为设定倍数,设定倍数的取值不小于1;
将归为同一个簇的两个聚类簇中与圆弧状划痕区域的归整区域相邻的边缘像素点删除,得到两段聚类簇边缘线段,将两段聚类簇边缘线段的端点按照连接线不相交的方式进行跨越归整区域的直线连接,形成一个封闭区域,以封闭区域作为点状反光区域。
进一步的,还包括对圆弧状划痕区域进行筛选的步骤:
在计算得到圆弧状划痕区域的划痕指数
Figure 892208DEST_PATH_IMAGE004
后,判断划痕指数
Figure 441001DEST_PATH_IMAGE004
是否大于设定的划痕指数阈值,将划痕指数
Figure 201147DEST_PATH_IMAGE004
大于设定的划痕指数阈值的圆弧状划痕区域作为明显划痕区域,以所有明显划痕区域的划痕深度的均值作为刹车片整体的划痕深度。
附图说明
图1是本发明该种基于图像处理的汽车零部件质量溯源方法的流程图;
图2是本发明的未使用的刹车片的示意图;
图3是本发明的磨损后的刹车片的示意图;
图4是本发明的磨损后的刹车片上圆弧状划痕区域的示意图;
图5是本发明的磨损后的刹车片上点状反光区域的示意图;
图6是本发明的磨损后的刹车片上圆弧状划痕区域的归整区域的示意图。
具体实施方式
本发明的构思为:
本发明在获取使用后的刹车片图像后,对刹车片图像上因使用磨损而造成的划痕进行识别,并同时对刹车片上发挥刹车作用的磨料颗粒进行识别,以各个划痕占刹车片长度的比重确定较大划痕,并以所有较大划痕的划痕深度反应刹车片整体的划痕深度,同时,根据所识别出的磨料颗粒的数量、密度以及区域大小的均匀程度,来反应磨料颗粒的未使用程度,从而反应刹车片的粗糙程度;最终,以所得刹车片整体的划痕深度和刹车片的粗糙程度确定刹车片当前的磨损程度值,确定磨损程度,完成磨损情况的判断从而完成刹车片质量的溯源反馈。
下面结合附图及实施例,对本发明的一种基于图像处理的汽车零部件质量溯源方法进行详细说明。
方法实施例:
本发明的一种基于图像处理的汽车零部件质量溯源方法实施例,其整体流程如图1所示,具体过程如下:
步骤一,获取使用后的刹车片的图像并进行灰度化处理,得到刹车片灰度图像。
未使用的刹车片如图2所示,其上颗粒度丰富且没有因和刹车碟之间的使用磨损而产生的圆弧状划痕,而由于车辆制动过程是依靠刹车片和刹车碟摩擦将车辆动能转化为摩擦后所产生的热能,所以刹车片经一定时间的使用后会因刹车过程中的摩擦而在其表面产生一定的磨损,且由于刹车碟与刹车片摩擦的过程中是呈圆心确定的圆周运动,所以刹车碟与刹车片摩擦后,在刹车片上形成的磨损划痕为如图3所示的圆弧状。
为实现对使用后的刹车片的磨损情况的判断,本实施例选择将刹车片按照长度方向与水平方向平行的方式放置,然后以灯光垂直照射刹车片,并以工业相机垂直拍摄刹车片获取使用后的刹车片的图像,之后将所获取的图像进行灰度化处理,并在灰度化处理后使用维纳滤波对灰度图像去噪,消除因环境产生的噪音对图像的影响,最终得到刹车片灰度图像。
容易理解的是,本实施例优选了额外设置垂直于刹车片的灯光在获取刹车片图像时进行打光,而在自然光充足或者室内存在其它光源且光源的光照充足时,也可不额外设置该垂直于刹车片的灯光。
本实施例优选对灰度化处理后的图像进行去噪处理,在其它实施例中也可不进行去噪处理,或者采用现有的其它可行方法进行去噪处理。
步骤二,确定刹车片灰度图像中刹车片整体划痕深度以及刹车片整体粗糙程度,根据刹车片整体划痕深度以及刹车片整体粗糙程度判断刹车片的磨损程度。
经一定使用时间后的刹车片,其上所形成的圆弧状划痕相较于未磨损区域会呈现高亮的反光状态,所以在刹车片灰度图像中灰度值较高,且刹车片的磨损情况越严重,划痕越大且深度越深,划痕对应在刹车片灰度图像中的灰度值便会越高。
以及,由于刹车片的表面为粗糙的摩擦材料,所以刹车片表面会存在较多边缘形状不规则且离散的反光点,或者说反光区域,这些反光区域实际上代表了刹车片上的摩擦颗粒。当刹车片磨损程度越低,则刹车片表面的摩擦材料便越粗糙,相应的刹车片表面的反光区域数量越多且各个反光区域的平均面积越大;而当刹车片磨损程度越高,则刹车片表面的摩擦材料便越平滑,相应的刹车片表面的反光区域数量越少且各个反光区域的平均面积越小。
根据上述原理,本实施例选择对刹车片灰度图像中的划痕区域以及离散的反光区域进行识别,结合划痕区域中划痕严重程度以及反光区域所表征的刹车片表面粗糙程度来确定刹车片的磨损程度值,完成刹车片磨损程度的准确判断,以刹车片磨损程度的准确判断结果进行刹车片质量的溯源反馈。
1、识别划痕区域,确定刹车片整体的划痕深度。
由于刹车片灰度图像中不但包括刹车片,还包括周围环境,所以本实施例首先采用OTSU大津法对刹车片灰度图像进行前景分割,将刹车片灰度图像中的刹车片作为前景划分出来,并确定刹车片边缘。
然后,将刹车片作为一个整体,对刹车片再使用一次OTSU大津法,将其划分为灰度值大于大津法阈值的部分以及灰度值不大于大津法阈值的部分,其中灰度值较高部分即为划痕区域和反光区域,灰度值较低部分即为刹车片上无划痕且无反光的部分。
由于划痕区域为多个且反光区域也为多个,所以在对刹车片整体进行OTSU大津法划分后,所确定出的灰度值大于大津法阈值的部分实际上是由多个区域组成,通过连通域分析确定这些区域,并将这些区域作为待测区域。待测区域即由如图4所示的圆弧状划痕区域或如图5所示的点状反光区域所形成。
本实施例优选了以大津法在刹车片灰度图像中完成了前景分割得到了刹车片的完整区域,以及再次以大津法对刹车片整体进行分割确定了灰度值较大的待测区域,容易理解的是,在其它实施例中还可以采用现有其它前景分割方法完成对刹车片灰度图像以及对刹车片整体的分割以得到刹车片的完整区域以及灰度值较大的待测区域。
选取每个待测区域内所有像素点,根据这些像素点的位置进行散点圆拟合,获得每个待测区域对应的拟合优度、拟合圆心位置以及拟合圆半径。
由于点状反光区域为近似圆形,所以其对应的拟合圆的范围与自身范围大致相同,拟合圆半径很小且圆心位于刹车片内部,拟合圆与刹车片的边缘区域不会存在交点;而圆弧状划痕区域整体上呈圆弧状分布,所以其对应所得拟合圆的半径较大且会与刹车片的左右边缘分别存在一个交点。
那么,便可根据待测区域对应所得拟合圆是否与刹车片边缘存在交点,来判断待测区域是圆弧状的划痕区域,还是点状的反光区域。
在将待测区域细分为圆弧状的划痕区域以及点状的反光区域后,确定划痕区域对应的拟合圆与刹车片边缘的两个交点在水平方向上的距离
Figure 156596DEST_PATH_IMAGE010
,以及划痕区域在水平方向上的长度
Figure 27600DEST_PATH_IMAGE008
,计算该划痕区域的划痕指数:
Figure DEST_PATH_IMAGE002A
其中,
Figure 775107DEST_PATH_IMAGE004
为划痕区域的划痕指数,
Figure 706154DEST_PATH_IMAGE006
为划痕区域对应拟合圆的拟合优度,
Figure 647434DEST_PATH_IMAGE008
为划痕区域在水平方向上的长度,
Figure 56550DEST_PATH_IMAGE010
为划痕区域对应的拟合圆与刹车片边缘的两个交点在水平方向上的距离。
容易理解的是,划痕区域对应拟合圆的拟合优度越大,则拟合圆对划痕区域的表征越为准确,对应所得划痕区域的划痕指数便越准确,划痕指数越高,
Figure 268351DEST_PATH_IMAGE008
Figure 432616DEST_PATH_IMAGE010
的比值越大,则代表划痕区域的划痕长度越长,对应的划痕指数越高。
本实施例优选划痕指数大于设定划痕指数阈值的划痕区域作为明显划痕区域,以所选取的明显划痕区域判断刹车片整体划痕深度。当然,在其它实施例中还可以不对划痕区域进行区分选取,而是直接以所有划痕区域判断刹车片整体划痕深度;本实施例中优选划痕指数阈值为0.25,在其它实施例中还可以根据具体情况对划痕指数阈值进行取值。
按照从左到右的顺序,以一个像素点为步长依次统计明显划痕区域在纵向上的宽度值,并对所得宽度值按照从大到小的顺序排序,选取最大的前80%的宽度值并将这些选取出的宽度值记为
Figure DEST_PATH_IMAGE050
Figure DEST_PATH_IMAGE052
,…,
Figure 267716DEST_PATH_IMAGE016
,并计算明显划痕区域的整体划痕宽度:
Figure DEST_PATH_IMAGE012A
其中,
Figure 824731DEST_PATH_IMAGE014
为划痕区域的整体划痕宽度,
Figure 359880DEST_PATH_IMAGE016
为划痕区域在水平方向上第i个像素点位置处所对应的纵向宽度,
Figure 632729DEST_PATH_IMAGE008
为划痕区域在水平方向上的长度。
本实施例优选明显划痕区域在纵向上最大的前80%的宽度值来得到其整体划痕宽度的原因,是为了防止极小值对整体划痕宽度值的计算干扰以更为准确地表征明显划痕区域的划痕宽度,在其它实施例中也可以由明显划痕区域在纵向上所有的宽度值来得到其整体划痕宽度。
在得到明显划痕区域的整体划痕宽度
Figure 814181DEST_PATH_IMAGE014
后,如图6所示,基于明显划痕区域所对应拟合圆的半径r,确定半径
Figure 253515DEST_PATH_IMAGE018
和半径
Figure 487179DEST_PATH_IMAGE020
,并以明显划痕区域所对应拟合圆的圆心为圆心分别确定半径
Figure DEST_PATH_IMAGE054
与半径
Figure DEST_PATH_IMAGE056
所对应的两个圆,以两个圆之间所形成的圆环区域作为明显划痕区域的规整区域,也即图6所示两实线之间的区域。
容易理解的是,不但明显划痕区域对应可得到规整区域,所有划痕区域均可对应得到规整区域。
将明显划痕区域内的像素点个数记为a,将属于明显划痕区域又属于明显划痕区域的规整区域的像素点的个数记为b,然后计算明显划痕区域的划痕深度:
Figure DEST_PATH_IMAGE022A
其中,
Figure 930930DEST_PATH_IMAGE024
为明显划痕区域的划痕深度,
Figure 819252DEST_PATH_IMAGE004
为明显划痕区域的划痕指数,
Figure 378454DEST_PATH_IMAGE014
为明显划痕区域的整体划痕宽度,a为明显划痕区域内的像素点个数,b为属于明显划痕区域又属于明显划痕区域的规整区域的像素点的个数。
容易理解的是,当明显划痕区域的划痕指数
Figure 668621DEST_PATH_IMAGE004
越大,明显划痕区域的整体划痕宽度
Figure 798120DEST_PATH_IMAGE014
越大,以及明显划痕区域内像素点在规整区域内的数量越多时,表明划痕越规整且明显,所以明显划痕区域的划痕深度
Figure 173737DEST_PATH_IMAGE024
越大。
由各个明显划痕区域的划痕深度,计算得到刹车片整体的划痕深度:
Figure DEST_PATH_IMAGE058
其中,
Figure DEST_PATH_IMAGE060
为刹车片整体的划痕深度,
Figure DEST_PATH_IMAGE062
为第j个明显划痕区域的划痕深度,
Figure DEST_PATH_IMAGE064
为明显划痕区域的个数。
2、识别反光区域,确定刹车片整体的粗糙程度。
如第1部分所述,若待测区域对应所得拟合圆与刹车片边缘不存在交点,则可确定待测区域为反光区域。
额外的,本实施例考虑到如图4所示的圆弧状划痕区域和如图5所示的点状反光区域可能存在重叠情况,也即所确定的圆弧状的划痕区域中可能还包含了点状反光区域而导致按照待测区域对应所得拟合圆与刹车片边缘是否存在交点的方法判断出的反光区域数量相较于真实的反光区域数量偏小,所以本实施例还包括以下的从划痕区域中确定是否包含反光区域的步骤,当然,在其它实施例中也可以不考虑划痕区域中所包含的反光区域:
如图6所示,由于点状反光区域会超出圆弧状划痕区域的规整区域,且点状反光区域边缘较为粗糙并不平滑,所以可根据超出划痕区域的规整区域部分找到点状反光区域的大体位置,然后根据反光区域的粗糙边缘确定这些反光区域。
选取每个划痕区域中处于其对应规整区域之外的所有像素点,这些像素点会形成若干聚集区域,对每个聚集区域进行Harris角点检测确定所有角点,采用DBSCAN聚类算法以3为最少点个数,以4为半径对所有角点进行聚类,得到若干的聚类簇,每个聚类簇中包括多个角点。
容易理解的是,对于若干聚集区域来说,由于划痕区域不可能是理想的与划痕区域的归整区域完全相同的圆环区域,所以一定存在至少一个聚集区域,而对于若干的聚类簇来说,由于每个聚集区域中的角点距离足够近,所以对所有角点进行聚类后,会得到不少于聚集区域数量的聚类簇,也即存在至少一个聚类簇。
本实施例中选择以Harris角点检测方法对聚集区域进行角点检测,在其它实施例中还可使用其它任意的角点检测方法;本实施例采用DBSCAN聚类算法并以3为最少点个数以4为半径对角点进行聚类,在其它实施例中还可以根据实际情况设置DBSCAN聚类算法中的最少点个数以及半径,或者采用其他任意可行的聚类算法完成对角点的聚类。
确定各个聚类簇的凸包,若两个凸包位于该划痕区域对应的规整区域两侧,则在两个凸包中各取一个像素点并计算两个像素点之间的距离L,若
Figure 361398DEST_PATH_IMAGE048
,则将两个凸包对应的两个聚类簇归为同一个簇,其中C为该划痕区域的整体划痕宽度,k为设定倍数,其取值不小于1,本实施例优选k的取值为1.25。
将归为同一个簇的两个聚类簇中与划痕区域的规整区域相邻的边缘像素点删除,得到两段不规则的聚类簇边缘线段,将两段聚类簇边缘线段的端点按照连接线不相交的方式进行跨越规整区域的直线连接形成如图6所示的跨越规整区域的封闭区域,所形成的封闭区域即为与划痕区域重叠的反光区域。
统计与划痕区域重叠的反光区域以及由待测区域对应所得拟合圆与刹车片边缘不存在交点而确定的反光区域的总数,并计算所有反光区域中各个反光区域内像素点数量,以及每个反光区域中心点到其它反光区域中心点的最小值的均值,从而得到刹车片整体的粗糙程度:
Figure DEST_PATH_IMAGE026A
其中,
Figure 319121DEST_PATH_IMAGE028
为刹车片整体的粗糙程度,
Figure 120986DEST_PATH_IMAGE030
为每个反光区域中心点到其它反光区域中心点的最小值的均值,
Figure 983900DEST_PATH_IMAGE032
为第e个反光区域内的像素点数量,
Figure 598421DEST_PATH_IMAGE034
表示取e个反光区域内像素点数量的最小值,
Figure 348334DEST_PATH_IMAGE036
表示取e个反光区域内像素点数量的中位值。
当反光区域的数量越多,不同反光区域的中心点之间的距离越近,不同反光区域的面积约接近时,说明刹车片的整体的粗糙程度越大。
3、根据所确定的刹车片整体的划痕深度以及刹车片整体的粗糙程度,确定刹车片的磨损程度值。
刹车片整体的划痕深度越大,说明刹车片的磨损程度越高,刹车片整体的粗糙程度越小,同样说明刹车片的磨损程度越高,由此结合刹车片当前剩余厚度,计算刹车片的磨损程度值:
Figure DEST_PATH_IMAGE038A
其中,
Figure 163843DEST_PATH_IMAGE040
为刹车片的磨损程度值,
Figure 264785DEST_PATH_IMAGE060
为刹车片整体的划痕深度,
Figure 230467DEST_PATH_IMAGE028
为刹车片整体的粗糙程度,
Figure 599000DEST_PATH_IMAGE042
为刹车片出厂时的厚度,
Figure 726356DEST_PATH_IMAGE044
为刹车片的最小允许厚度,
Figure 314595DEST_PATH_IMAGE046
为刹车片的当前剩余厚度。
步骤三,根据刹车片的磨损程度完成刹车片磨损情况判断,并告知厂商和使用者刹车片的磨损情况,完成刹车片质量的溯源反馈。
本实施例将刹车片的磨损情况分为四种,分别为轻度磨损,中度磨损,重度磨损和彻底磨损,以
Figure DEST_PATH_IMAGE066
作为轻度磨损和中度磨损的划分阈值,以
Figure DEST_PATH_IMAGE068
作为中度磨损和重度磨损的划分阈值,以
Figure DEST_PATH_IMAGE070
作为重度磨损和彻底磨损的划分阈值,划分阈值
Figure 908736DEST_PATH_IMAGE066
Figure 148087DEST_PATH_IMAGE068
以及
Figure 695612DEST_PATH_IMAGE070
的具体取值可根据历史经验设定。
将刹车片的磨损程度值
Figure 754835DEST_PATH_IMAGE040
与划分阈值
Figure 813052DEST_PATH_IMAGE066
Figure 438068DEST_PATH_IMAGE068
以及
Figure 422074DEST_PATH_IMAGE070
分别进行比较,若
Figure DEST_PATH_IMAGE072
则为轻度磨损,若
Figure DEST_PATH_IMAGE074
则为中度磨损,若
Figure DEST_PATH_IMAGE076
则为重度磨损,若
Figure DEST_PATH_IMAGE078
则为彻底磨损。
本实施例中将刹车片磨损情况分为了四种,在其它实施例中还可以将刹车片磨损情况种类设为其它种类数,如设为三种。
以及,本实施例是直接根据历史经验设定了划分阈值
Figure 922587DEST_PATH_IMAGE066
Figure 784495DEST_PATH_IMAGE068
以及
Figure 529597DEST_PATH_IMAGE070
的具体取值并在后续每次刹车片磨损情况判定过程中一直沿用,在其它实施例中,还可以在进行了足够多次该型号不同使用时间的刹车片的磨损程度值计算之后,根据所得轻度磨损范围内的磨损程度值的最大值
Figure DEST_PATH_IMAGE080
,中度磨损范围内的磨损程度值的最小值
Figure DEST_PATH_IMAGE082
以及最大值
Figure DEST_PATH_IMAGE084
,重度磨损范围内的磨损程度值的最小值
Figure DEST_PATH_IMAGE086
以及最大值
Figure DEST_PATH_IMAGE088
,彻底磨损范围内的最小值
Figure DEST_PATH_IMAGE090
,对划分阈值进行更新,使
Figure DEST_PATH_IMAGE092
Figure DEST_PATH_IMAGE094
以及
Figure DEST_PATH_IMAGE096
在根据刹车片的磨损程度值
Figure 654811DEST_PATH_IMAGE040
确定出刹车片的磨损情况后,根据刹车片上的溯源码联系刹车片制造厂商以及刹车片使用用户,将刹车片磨损情况反馈给刹车片制造厂商以及刹车片使用用户,完成刹车片质量的溯源反馈。
以上所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范围,均应包含在本申请的保护范围之内。

Claims (3)

1.一种基于图像处理的汽车零部件质量溯源方法,其特征在于,包括以下步骤:
将刹车片按照长度方向与水平方向平行的方式放置,获取刹车片表面图像并灰度化处理得到刹车片灰度图像;
对刹车片灰度图像进行前景分割,将刹车片区域作为前景划分出来,然后采用大津法确定刹车片区域中灰度值大于大津法阈值的区域,将所述灰度值大于大津法阈值的区域作为待测区域;
根据每个待测区域内所有像素点进行圆拟合,得到每个待测区域的拟合圆,将拟合圆与刹车片边缘存在交点的待测区域作为圆弧状划痕区域,将拟合圆与刹车片边缘不存在交点的待测区域作为点状反光区域;
计算圆弧状划痕区域的划痕指数:
Figure DEST_PATH_IMAGE002
其中,
Figure DEST_PATH_IMAGE004
为圆弧状划痕区域的划痕指数,
Figure DEST_PATH_IMAGE006
为圆弧状划痕区域的拟合圆的拟合优度,
Figure DEST_PATH_IMAGE008
为圆弧状划痕区域在水平方向上的长度,
Figure DEST_PATH_IMAGE010
为圆弧状划痕区域的拟合圆与刹车片边缘的两个交点在水平方向上的距离;
然后计算圆弧状划痕区域的整体划痕宽度:
Figure DEST_PATH_IMAGE012
其中,
Figure DEST_PATH_IMAGE014
为圆弧状划痕区域的整体划痕宽度,
Figure DEST_PATH_IMAGE016
为圆弧状划痕区域在水平方向上第i个像素点位置处所对应的纵向宽度;
以圆弧状划痕区域的拟合圆的圆心为圆心,以半径
Figure DEST_PATH_IMAGE018
和半径
Figure DEST_PATH_IMAGE020
分别为半径得到第一圆和第二圆,以第一圆和第二圆之间的圆环区域作为圆弧状划痕区域的归整区域,其中r为圆弧状划痕区域的拟合圆的半径;
计算圆弧状划痕区域的划痕深度:
Figure DEST_PATH_IMAGE022
其中,
Figure DEST_PATH_IMAGE024
为圆弧状划痕区域的划痕深度,a为圆弧状划痕区域内的像素点个数,b为同时属于圆弧状划痕区域以及圆弧状划痕区域的归整区域的像素点个数;
以所有圆弧状划痕区域的划痕深度的均值作为刹车片整体的划痕深度;
根据所确定的各个点状反光区域,确定刹车片整体的粗糙程度:
Figure DEST_PATH_IMAGE026
其中,
Figure DEST_PATH_IMAGE028
为刹车片整体的粗糙程度,e为点状反光区域的个数,
Figure DEST_PATH_IMAGE030
为每个点状反光区域中心点到其它点状反光区域中心点的最小值的均值,
Figure DEST_PATH_IMAGE032
为第e个点状反光区域内的像素点数量,
Figure DEST_PATH_IMAGE034
表示取e个点状反光区域内像素点数量的最小值,
Figure DEST_PATH_IMAGE036
表示取e个点状反光区域内像素点数量的中位值;
以刹车片整体的划痕深度和刹车片整体的粗糙程度确定刹车片的磨损程度值:
Figure DEST_PATH_IMAGE038
其中,
Figure DEST_PATH_IMAGE040
为刹车片的磨损程度值,
Figure DEST_PATH_IMAGE042
为刹车片出厂时的厚度,
Figure DEST_PATH_IMAGE044
为刹车片的最小允许厚度,
Figure DEST_PATH_IMAGE046
为刹车片的当前剩余厚度;
根据刹车片的磨损程度值确定刹车片的磨损情况,将刹车片的磨损情况发送给用户以及厂商,完成刹车片质量的溯源反馈。
2.根据权利要求1所述的基于图像处理的汽车零部件质量溯源方法,其特征在于,还包括从圆弧状划痕区域中确定是否包含点状反光区域的步骤:
确定由属于圆弧状划痕区域但不属于圆弧状划痕区域的归整区域的像素点所构成的聚集区域,对每个聚集区域进行角点检测确定所有角点,对所有角点进行聚类得到若干聚类簇;
确定每个聚类簇的凸包,并在任意两个凸包中各取一个像素点计算这两个像素点之间的距离L,若
Figure DEST_PATH_IMAGE048
,则将两个凸包对应的两个聚类簇归为同一个簇,其中k为设定倍数,设定倍数的取值不小于1;
将归为同一个簇的两个聚类簇中与圆弧状划痕区域的归整区域相邻的边缘像素点删除,得到两段聚类簇边缘线段,将两段聚类簇边缘线段的端点按照连接线不相交的方式进行跨越归整区域的直线连接,形成一个封闭区域,以封闭区域作为点状反光区域。
3.根据权利要求1或2所述的基于图像处理的汽车零部件质量溯源方法,其特征在于,还包括对圆弧状划痕区域进行筛选的步骤:
在计算得到圆弧状划痕区域的划痕指数
Figure 266277DEST_PATH_IMAGE004
后,判断划痕指数
Figure 121101DEST_PATH_IMAGE004
是否大于设定的划痕指数阈值,将划痕指数
Figure 589254DEST_PATH_IMAGE004
大于设定的划痕指数阈值的圆弧状划痕区域作为明显划痕区域,以所有明显划痕区域的划痕深度的均值作为刹车片整体的划痕深度。
CN202210995678.2A 2022-08-19 2022-08-19 一种基于图像处理的汽车零部件质量溯源方法 Active CN115063431B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210995678.2A CN115063431B (zh) 2022-08-19 2022-08-19 一种基于图像处理的汽车零部件质量溯源方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210995678.2A CN115063431B (zh) 2022-08-19 2022-08-19 一种基于图像处理的汽车零部件质量溯源方法

Publications (2)

Publication Number Publication Date
CN115063431A true CN115063431A (zh) 2022-09-16
CN115063431B CN115063431B (zh) 2022-11-11

Family

ID=83207547

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210995678.2A Active CN115063431B (zh) 2022-08-19 2022-08-19 一种基于图像处理的汽车零部件质量溯源方法

Country Status (1)

Country Link
CN (1) CN115063431B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115431101A (zh) * 2022-10-18 2022-12-06 南通钜德智能科技有限公司 一种数控机床状态检测方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107021149A (zh) * 2017-03-13 2017-08-08 重庆耐世特转向系统有限公司 中间轴轴承溯源防错装配线及其控制方法
CN108280822A (zh) * 2017-12-20 2018-07-13 歌尔科技有限公司 屏幕划痕的检测方法及装置
CN108830868A (zh) * 2018-04-19 2018-11-16 江南大学 一种基于Snake模型和迭代极性转换回归结合的圆弧拟合方法
CN109187581A (zh) * 2018-07-12 2019-01-11 中国科学院自动化研究所 基于视觉的成品轴承端面缺陷检测方法
US20200294258A1 (en) * 2019-03-13 2020-09-17 Fujitsu Limited Image processing apparatus and image processing method
CN112099494A (zh) * 2020-09-02 2020-12-18 西安交通大学 一种面向全地形车及其自动检测楼梯与攀爬方法
CN112446513A (zh) * 2020-12-15 2021-03-05 恒大恒驰新能源汽车研究院(上海)有限公司 车辆零部件检测方法及装置、计算机可读存储介质
CN113096067A (zh) * 2021-03-04 2021-07-09 深圳市道通科技股份有限公司 一种确定工件表面磨损的方法及系统
CN113643225A (zh) * 2020-04-26 2021-11-12 北京配天技术有限公司 一种圆弧检测方法以及圆弧检测装置
CN113781402A (zh) * 2021-08-19 2021-12-10 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) 芯片表面划痕缺陷的检测方法、装置和计算机设备
CN114862852A (zh) * 2022-07-07 2022-08-05 山东意吉希精密制造有限公司 一种用于汽车零部件加工的智能控制方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107021149A (zh) * 2017-03-13 2017-08-08 重庆耐世特转向系统有限公司 中间轴轴承溯源防错装配线及其控制方法
CN108280822A (zh) * 2017-12-20 2018-07-13 歌尔科技有限公司 屏幕划痕的检测方法及装置
CN108830868A (zh) * 2018-04-19 2018-11-16 江南大学 一种基于Snake模型和迭代极性转换回归结合的圆弧拟合方法
CN109187581A (zh) * 2018-07-12 2019-01-11 中国科学院自动化研究所 基于视觉的成品轴承端面缺陷检测方法
US20200294258A1 (en) * 2019-03-13 2020-09-17 Fujitsu Limited Image processing apparatus and image processing method
CN113643225A (zh) * 2020-04-26 2021-11-12 北京配天技术有限公司 一种圆弧检测方法以及圆弧检测装置
CN112099494A (zh) * 2020-09-02 2020-12-18 西安交通大学 一种面向全地形车及其自动检测楼梯与攀爬方法
CN112446513A (zh) * 2020-12-15 2021-03-05 恒大恒驰新能源汽车研究院(上海)有限公司 车辆零部件检测方法及装置、计算机可读存储介质
CN113096067A (zh) * 2021-03-04 2021-07-09 深圳市道通科技股份有限公司 一种确定工件表面磨损的方法及系统
CN113781402A (zh) * 2021-08-19 2021-12-10 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) 芯片表面划痕缺陷的检测方法、装置和计算机设备
CN114862852A (zh) * 2022-07-07 2022-08-05 山东意吉希精密制造有限公司 一种用于汽车零部件加工的智能控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YANMEI DUAN 等: "Research and Development of Quality Traceability System for Electric Porcelain Production Process", 《2019 CHINESE AUTOMATION CONGRESS (CAC)》 *
祝鹏 等: "混合机械加工过程的偏差网络建模与误差溯源", 《计算机集成制造系统》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115431101A (zh) * 2022-10-18 2022-12-06 南通钜德智能科技有限公司 一种数控机床状态检测方法及系统

Also Published As

Publication number Publication date
CN115063431B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
Trucco et al. Experiments in curvature-based segmentation of range data
CN116758061B (zh) 基于计算机视觉的铸件表面缺陷检测方法
CN115063431B (zh) 一种基于图像处理的汽车零部件质量溯源方法
CN115018845B (zh) 一种润滑油磨粒质量检测方法
Thakre et al. Measurements of tool wear parameters using machine vision system
CN115330783A (zh) 一种钢丝绳缺陷检测方法
US20190238796A1 (en) Object Inspection System And Method For Inspecting An Object
CN109682839B (zh) 一种金属弧形工件表面缺陷在线检测方法
Antunes et al. Knee/elbow estimation based on first derivative threshold
CN108460776B (zh) 一种基于机器视觉的刹车片尺寸检测方法及装置
CN115100210B (zh) 一种基于汽车零部件防伪识别方法
CN101153838B (zh) 修整轮上的活性磨粒数目的测定方法
CN112116553B (zh) 一种基于k-d树的无源三维点云模型缺陷识别方法
CN117011292B (zh) 一种复合板表面质量快速检测方法
CN113514467A (zh) 利用可变扩散板的光学系统
CN115984272A (zh) 基于计算机视觉的半挂车车桥缺陷识别方法
CN116152749A (zh) 基于数字孪生的齿轮磨损智能监测方法
CN115187590A (zh) 一种基于机器视觉的汽车零部件缺陷检测方法
CN117036357B (zh) 基于视觉特征的型钢表面缺陷检测方法
Wei et al. Analysis of gear surface morphology based on gray level co-occurrence matrix and fractal dimension
US11169049B2 (en) Method for evaluating cosmetic defects of an optical device
CN206557123U (zh) 一种高光表面缺陷检测系统
Wan et al. A U-net-based intelligent approach for belt morphology quantification and wear monitoring
CN105405137A (zh) 基于机器视觉的轴质量检测方法
Myshkin et al. Morphology: Texture, shape, and color of friction surfaces and wear debris in tribodiagnostics problems

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Method for Quality Traceability of Automotive Parts Based on Image Processing

Effective date of registration: 20230421

Granted publication date: 20221111

Pledgee: Bank of Beijing Co.,Ltd. Jinan Branch

Pledgor: SHANDONG YUANDUN NETWORK TECHNOLOGY CO.,LTD.

Registration number: Y2023980038788

PC01 Cancellation of the registration of the contract for pledge of patent right

Granted publication date: 20221111

Pledgee: Bank of Beijing Co.,Ltd. Jinan Branch

Pledgor: SHANDONG YUANDUN NETWORK TECHNOLOGY CO.,LTD.

Registration number: Y2023980038788