CN115100210B - 一种基于汽车零部件防伪识别方法 - Google Patents
一种基于汽车零部件防伪识别方法 Download PDFInfo
- Publication number
- CN115100210B CN115100210B CN202211036426.3A CN202211036426A CN115100210B CN 115100210 B CN115100210 B CN 115100210B CN 202211036426 A CN202211036426 A CN 202211036426A CN 115100210 B CN115100210 B CN 115100210B
- Authority
- CN
- China
- Prior art keywords
- honing
- mesh
- pixel points
- cylinder
- straight lines
- 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
- G06T7/10—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
- G06T7/10—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
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
本发明涉及图像处理技术领域,具体涉及一种基于汽车零部件防伪识别方法。方法包括:将气缸内壁的灰度图像中各网状通路区中的像素点进行直线拟合,将拟合直线分为两类;根据各类内各拟合直线与其两侧相邻的拟合直线的距离得到网纹距离差异度,根据各网状通路区直线边缘的斜率、拟合直线的斜率和拟合优度计算网纹方向杂乱度,进而获得网纹方向离散度;根据各网状通路区像素点的灰度值得到总体沟槽损伤度;根据各珩磨背景区中像素点的灰度值计算珩磨背景损伤度;基于网纹方向离散度、总体沟槽损伤度和珩磨背景损伤度得到珩磨误差指标,进而判断气缸的真伪。本发明能够基于气缸的自身特征对其进行真伪识别,摆脱了气缸防伪码被仿制的潜在威胁。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于汽车零部件防伪识别方法。
背景技术
气缸是汽车内燃机重要零件之一,燃料在气缸内部燃烧,膨胀的气体推动活塞往复移动,通过连杆驱动曲轴转动,将热能转化为机械能,为汽车提供动力。气缸质量不过关会使内燃机的动力性能显著下降、燃润料的消耗急剧增加,使内燃机的经济性变差。因此,内燃机气缸的质量将直接影响发动机的技术性能和使用寿命。
而气缸等汽车零部件经常出现假冒品,这不仅影响用户使用和体验,也可能会威胁到消费者的生命财产安全,同时会破坏正常的市场秩序,严重影响到汽车零部件生产商的市场形象和销量。因此,做好气缸的防伪工作具有保障消费者生命财产安全、助力企业树立品牌形象、提升产品销量的重要意义。现有的防伪技术主要将身份码(数字码)、二维码、激光标签等防伪标签粘贴到气缸或包装上,对防伪标签进行识别,进而判断气缸是否为假冒品。随着科技的进步,逐步更迭,若直接将标签粘贴在气缸上可能会影响气缸的使用或造成气缸的损伤,且仿冒者同样会利用技术手段对防伪码进行仿制,严重损害到汽车生产厂商的利益。因此,利用气缸的自身特征对其进行真伪识别是非常有必要的。
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汽车零部件防伪识别方法,所采用的技术方案具体如下:
本发明提供了一种基于汽车零部件防伪识别方法,该方法包括以下步骤:
获取待检测的气缸内壁的灰度图像,所述气缸为珩磨处理后的气缸;获取所述灰度图像中的直线边缘,根据所述直线边缘的交点获得所述灰度图像中的各网状通路区和各珩磨背景区;所述各网状通路区为各网纹所在的区域;
将各网状通路区中的所有像素点进行直线拟合,得到拟合直线的斜率和拟合优度;基于所述拟合直线的斜率将各网状通路区对应的拟合直线分为两类,计算各类内各拟合直线与其两侧相邻的拟合直线的距离,根据所述距离,得到网纹距离差异度;根据各网状通路区的两条直线边缘的斜率、所述拟合直线的斜率和拟合优度,计算网纹方向杂乱度;根据所述网纹距离差异度和网纹方向杂乱度获得网纹方向离散度;
利用大津阈值法将各网状通路区中的像素点划分为两组,根据各组中像素点的数量和像素点的灰度值,得到总体沟槽损伤度;根据所述网纹方向离散度和总体沟槽损伤度,得到珩磨处理精度;根据各珩磨背景区中像素点的灰度值,计算珩磨背景损伤度;
将所述珩磨背景损伤度与珩磨处理精度的比值作为待检测的气缸内壁的珩磨误差指标,基于所述珩磨误差指标判断待检测气缸的真伪。
优选的,所述根据所述距离,得到网纹距离差异度,包括:
根据各类中所有拟合直线对应的距离,获得距离的最大值、最小值和标准差;
根据所述距离的最大值、最小值和标准差,采用如下公式计算网纹距离差异度:
其中,为网纹距离差异度,为最大值函数,为第一类拟合直线中所有拟合直线对应的距离的最大值,为第一类拟合直线中所有拟合直线对应的距离的最小值,为第一类拟合直线中所有拟合直线对应的距离的标准差;为第二类拟合直线中所有拟合直线对应的距离的最大值,为第二类拟合直线中所有拟合直线对应的距离的最小值,为第二类拟合直线中所有拟合直线对应的距离的标准差。
优选的,采用如下公式计算网纹方向杂乱度:
其中,为网纹方向杂乱度,为第m个网状通路区的第1条直线边缘的斜率,为第m个网状通路区的第2条直线边缘的斜率,为第m个网状通路区对应的拟合直线的斜率,为第m个网状通路区对应的拟合优度,为网状通路区的数量。
优选的,所述根据所述网纹距离差异度和网纹方向杂乱度获得网纹方向离散度,包括:
计算网纹距离差异度和网纹方向杂乱度的乘积,作为网纹方向离散度。
优选的,所述根据各组中像素点的数量和像素点的灰度值,得到总体沟槽损伤度,包括:
对于任一网状通路区,统计该网状通路区像素点的总个数以及该网状通路区对应的两组中像素点的个数,根据像素点数量较多的一组中各像素点的灰度值和所述该网状通路区像素点的总个数,采用如下公式计算该网状通路区的沟槽损伤度:
计算所述灰度图像中各网状通路区的沟槽损伤度之和,作为总体沟槽损伤度。
优选的,所述根据所述网纹方向离散度和总体沟槽损伤度,得到珩磨处理精度,包括:
计算所述网纹方向离散度和总体沟槽损伤度的乘积作为第一乘积,以自然常数为底数,以负的所述第一乘积为指数的指数函数的值作为珩磨处理精度。
优选的,所述根据各珩磨背景区中像素点的灰度值,计算珩磨背景损伤度,包括:
对于任一珩磨背景区,采用如下公式计算该珩磨背景区的损伤度:
计算所有珩磨背景区的损伤度之和,作为珩磨背景损伤度。
优选的,所述基于所述珩磨误差指标判断待检测气缸的真伪,包括:
判断所述珩磨误差指标是否大于珩磨误差指标阈值,若大于,则进行预警提示,若小于等于,则判定待检测气缸属于正品气缸。
优选的,获取所述灰度图像中的直线边缘,包括:
使用canny检测算子对待检测的气缸内壁的灰度图像进行检测,获得边缘图像,所述边缘图像为二值图像;
对所述边缘图像进行霍夫直线检测,得到多条直线边缘。
本发明具有如下有益效果:
1、本发明提出了一种基于气缸本身经技术处理后呈现的特征进行防伪识别的方法,从珩磨处理后网纹的分布情况以及气缸内壁珩磨背景区像素点的灰度分布情况两个方面,对待检测气缸的珩磨处理效果进行了分析,根据珩磨背景损伤度与珩磨处理精度得到了珩磨误差指标,将珩磨误差指标是否达到正品厂商的要求作为气缸是否为正品的依据,相比于传统的使用激光等技术对防伪码进行检测,摆脱了防伪码被仿制的潜在威胁,本实施例提供的方法能够快速、准确地对待检测的气缸的真伪进行识别,且不会对气缸本身造成损伤,不会影响气缸的正常使用。
2、本发明在对珩磨处理后网纹的分布情况进行分析时,又从宏观和微观两个角度对待检测的气缸内壁的灰度图像中的网纹进行了分析,根据网纹距离差异度和网纹方向杂乱度得到了网纹方向离散度,根据各网状通路区中对应的各组中像素点的数量和像素点的灰度值得到了总体沟槽损伤度,基于网纹方向离散度和总体沟槽损伤度,对珩磨处理精度进行了评价,提高了后续气缸真伪的识别精度。
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为本发明提供的一种基于汽车零部件防伪识别方法的流程图;
图2为网状连结区、网状通路区和珩磨背景区的示意图。
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一种基于汽车零部件防伪识别方法进行详细说明如下。
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一种基于汽车零部件防伪识别方法的具体方案。
一种基于汽车零部件防伪识别方法实施例:
本实施例提出了一种基于汽车零部件防伪识别方法,如图1所示,本实施例的一种基于汽车零部件防伪识别方法包括以下步骤:
步骤S1,获取待检测的气缸内壁的灰度图像,所述气缸为珩磨处理后的气缸;获取所述灰度图像中的直线边缘,根据所述直线边缘的交点获得所述灰度图像中的各网状通路区和各珩磨背景区;所述各网状通路区为各网纹所在的区域。
为了提高汽车发动机的性能、使气缸壁在拥有较高的承载率的同时还具有良好的储油能力,需要对汽车气缸的内壁会进行珩磨。珩磨会使缸孔表面形成统一有规律的细小的沟槽,沟槽形成肉眼可见的网纹。正规的气缸生产厂家会对气缸进行精密珩磨,并在珩磨后检查珩磨质量,如检测珩磨网纹的表面轮廓曲线;而仿冒品的生产厂家为了追求更好的利润,对品质把控不严,不对气缸进行珩磨处理或珩磨过于粗糙达不到精密珩磨的要求,珩磨过程中会破坏气缸内壁。因此可以通过分析精密珩磨产生的特有网纹特征达到对气缸的防伪识别的目的。
本实施例首先利用相机采集待检测的气缸内壁图像,该图像为RGB图像,然后对采集的气缸内壁图像进行灰度化处理,使用中值滤波对灰度图像去噪,消除因环境产生的噪声对图像的影响,使后续分析更准确,将去噪后的图像记为待检测的气缸内壁的灰度图像。灰度化处理和中值滤波均为现有技术,此处不再赘述。
气缸内壁经过珩磨处理后会出现网纹,若珩磨工艺较精密,则珩磨处理后的气缸内壁的网纹主要有两种方向,且网纹分布的较均匀。基于此,本实施例接下来根据待检测的气缸内壁的灰度图像中网纹边缘平整均匀的特征确定网纹区域对应的位置。
具体的,首先使用canny检测算子对待检测的气缸内壁的灰度图像进行检测,获得边缘图像,边缘图像为二值图像。对边缘图像进行霍夫直线检测,得到多条直线边缘,这些直线边缘为网纹的边缘,获取这些直线边缘对应的直线方程。然后获取这些直线的交点,标记这些交点。当两个网纹相交时边缘线上会出现四个交点,且这些交点位置较近。本实施例使用DBSCAN聚类算法对交点进行聚类,以4为聚类簇中交点的数目,以1为邻域半径对直线间的交点进行聚类,得到多个簇,每个簇内均为4个交点。将同一个簇内的交点依次连接形成一个四边形,该四边形的边缘和内部作为一个整体,记为网状连结区,如图2中的1所示,即网状连结区为网纹相交的区域,得到多个网状连结区。canny检测算子、霍夫直线检测和DBSCAN聚类算法均为现有技术,此处不再赘述。
在上述步骤中已经得到了待检测的气缸内壁的灰度图像中的直线边缘,若两个直线边缘间含有多个网状连结区且各网状连结区内包含这两个直线边缘上的像素点,则将这两个直线边缘及它们之间的所有像素点作为一个整体,称为网状通路区,如图2所示,图中的3和4分别为两条直线边缘,这两条直线上的像素点以及这两条直线之间的像素点构成一个网状通路区。待检测的气缸内壁的灰度图像中除去所有网状通路区后,剩余的部分呈多个区域分布,将每个区域记为一个珩磨背景区,如图2所示,图中的2即为一个珩磨背景区。
至此,采用上述方法得到了待检测的气缸内壁的灰度图像中的各网状通路区和各珩磨背景区。
步骤S2,将各网状通路区中的所有像素点进行直线拟合,得到拟合直线的斜率和拟合优度;基于所述拟合直线的斜率将各网状通路区对应的拟合直线分为两类,计算各类内各拟合直线与其两侧相邻的拟合直线的距离,根据所述距离,得到网纹距离差异度;根据各网状通路区的两条直线边缘的斜率、所述拟合直线的斜率和拟合优度,计算网纹方向杂乱度;根据所述网纹距离差异度和网纹方向杂乱度获得网纹方向离散度。
对于任一网状通路区:将该网状通路区的两条直线边缘作为一组边缘线对,获取该组边缘线对中两条直线边缘的斜率,分别记为和,将该网状通路区中的所有像素点进行直线拟合,得到拟合直线的斜率和拟合优度,一个网状通路区对应一条拟合直线。采用上述方法,能够得到所有网状通路区对应的拟合直线的斜率和拟合优度。
珩磨处理后气缸内壁的网纹分布较为均匀,网纹主要为两个方向,因此本实施例根据这些拟合直线的斜率将这些拟合直线分为两类,具体的,计算任意两条拟合直线的斜率的差值的绝对值,判断差值的绝对值是否小于预设斜率阈值,若小于,则将这两条拟合直线分为一类,若大于等于,则这两条直线不属于一类,因此将所有拟合直线分成了两类,即相当于将所有网状通路区分成了两类。预设斜率阈值实施者可自行设置。对于其中一类拟合直线,计算该类中所有拟合直线斜率的均值并作为该类的调整斜率,替换原先的斜率,以保证该类中所有拟合直线平行,两拟合直线之间存在距离,计算该类内每条拟合直线与其两侧相邻的拟合直线之间的距离,每条拟合直线均可得到两个距离,根据该类中所有拟合直线对应的距离得到这些距离的最大值、最小值、标准差,分别记为、、。同理,采用上述方法得到另一类拟合直线中所有拟合直线对应的距离的最大值、最小值、标准差,分别记为、、。
若气缸内壁珩磨的效果较好,则网纹分布应当较均匀,同一类的所有拟合直线对应的距离应当相差不大;因此拟合直线之间的距离能够反映网纹的分布情况;网状通路区对应的拟合直线的斜率以及网状通路区的两条边缘直线的斜率能够反映网状通路区的方向是否一致,若网状通路区的两条边缘直线的斜率以及网状通路区对应的拟合直线的斜率均相同,则说明珩磨效果较好,网纹分布较整齐。因此本实施例从网纹之间的距离和网纹的斜率两个方面衡量网纹的方向,具体的,根据每类拟合直线中所有拟合直线对应的距离的最大值、最小值和标准差计算网纹距离差异度,根据每个网状通路区的两条边缘直线的斜率、每个网状通路区对应的拟合直线的斜率以及拟合优度计算网纹方向杂乱度,即:
其中,为网纹距离差异度,为最大值函数,为第一类拟合直线中所有拟合直线对应的距离的最大值,为第一类拟合直线中所有拟合直线对应的距离的最小值,为第一类拟合直线中所有拟合直线对应的距离的标准差;为第二类拟合直线中所有拟合直线对应的距离的最大值,为第二类拟合直线中所有拟合直线对应的距离的最小值,为第二类拟合直线中所有拟合直线对应的距离的标准差;为网纹方向杂乱度,为第m个网状通路区的第1条直线边缘的斜率,为第m个网状通路区的第2条直线边缘的斜率,为第m个网状通路区对应的拟合直线的斜率,为第m个网状通路区对应的拟合优度,为网状通路区的数量。
和反映的是对应类内所有拟合直线对应的距离的最大值和最小值的差异,和反映的是对应类内所有拟合直线对应的距离的差异程度;当每个网状通路区对应的拟合直线与两侧网状通路区对应的拟合直线距离越接近时,网纹距离差异度越小,即网纹分布的越均匀;由于网纹主要有两个方向,本实施例根据网纹的方向将网状通路区划分为了两类,对于每类分别衡量网纹距离差异度,取这两类中网纹距离差异度的较大值作为整个网纹的网纹距离差异度。反映的是网状通路区内部像素点的分布情况,网状通路区内部像素点越是呈直线型分布,在进行直线拟合时对应的拟合优度越大;反映的是网状通路区两条直线边缘倾斜角度的差异,反映的是网状通路区对应的拟合直线的倾斜角度与两条直线边缘倾斜角度的差异;直线边缘和网状通路区对应的拟合直线的斜率越接近,说明网纹方向越整齐,即网纹方向杂乱度越小。
本实施例从网纹距离差异度和网纹方向杂乱度两个方面衡量网纹方向离散度,计算网纹距离差异度和网纹方向杂乱度的乘积,并将乘积作为网纹方向离散度。当网纹距离差异度越小、网纹方向杂乱度越小时,网纹方向离散度越小,即待检测的气缸内壁的灰度图像中网纹的方向一致性越高,网纹的距离间隔越均匀。
步骤S3,利用大津阈值法将各网状通路区中的像素点划分为两组,根据各组中像素点的数量和像素点的灰度值,得到总体沟槽损伤度;根据所述网纹方向离散度和总体沟槽损伤度,得到珩磨处理精度;根据各珩磨背景区中像素点的灰度值,计算珩磨背景损伤度。
每个网状通路区都对应珩磨网纹的一条条纹,实际为一条平滑的凹槽,若珩磨精度效果较好,凹槽底部较为光滑,基本呈水平状,且凹槽的边壁接近垂直,俯视拍照的图像中凹槽的边壁在图像中呈现出的像素点较少,凹槽边壁的像素点分布在网状通路区的边缘附近,采集的图像中网状通路区内的大部分像素点为凹槽底部的像素点,这两部分由于深度不同使得在图像中呈现出的亮度有所区别,以此为依据建立评价指标对珩磨效果进行衡量。
本实施例接下来对待检测的气缸灰度图像中的每个网状通路区单独进行分析。
对于任一网状通路区:统计该网状通路区内像素点的总个数记为,使用大津阈值法(OTSU)将该网状通路区内的像素点划分为两组,这两组中像素点的数量会相差较大,像素点数量较少的一组为凹槽边壁的像素点,像素点数量较少的一组像素点的个数记为;像素点数量较多的一组为凹槽底部的像素点,获取像素点数量较多的一组中每个像素点的灰度值,根据该组中每个像素点的灰度值,计算该组像素点的灰度均值,记为。基于上述分析可知,网状通路区凹槽边壁的像素点在图像中的占比和凹槽底部像素点的灰度分布情况能够在微观上衡量待检测气缸内壁的珩磨处理精度,因此本实施例根据像素点数量较多的一组中每个像素点的灰度值、像素点数量较少的一组像素点数量的占比,计算该网状通路区的沟槽损伤度,即:
其中,为该网状通路区的沟槽损伤度,为像素点数量较多的一组中像素点的数量,为像素点数量较多的一组中像素点的灰度均值,为像素点数量较多的一组中第i个像素点的灰度值,为像素点数量较少的一组中像素点数量与该网状通路区像素点数量的比值。当该网状通路区像素点数量较少的组中像素点数量占比越少、像素点数量较多的组中像素点的灰度值越接近时,该网状通路区的沟槽损伤度越小,即该网状通路区对应的沟槽处理精度越高。大津阈值法为现有技术,此处不再赘述。
采用上述方法能够得到各网状通路区的沟槽损伤度,计算待检测的气缸灰度图像中的所有网状通路区的沟槽损伤度之和,并将作为总体沟槽损伤度。当待检测的气缸灰度图像中每个网状通路区对应的沟槽损伤度越小时,总体沟槽损伤度越小,即待检测气缸的内壁珩磨精度越高。
网纹方向离散度从网纹的条纹间距均匀度和条纹角度一致性两个方面衡量了网纹的均匀程度,总体沟槽损伤度从每个网纹的条纹处理精度衡量了网纹微观的特征,两个参数从不同角度对珩磨处理的精度进行衡量,因此本实施例以两者为基础建立珩磨处理精度,即:
考虑到精度较高、效果较好的珩磨不会损伤气缸内壁,网纹背景部分较为均匀,没有多余划痕。因此本实施例接下来对珩磨背景区进行分析。
对于任一珩磨背景区:统计该珩磨背景区像素点的个数记为,获取该珩磨背景区每个像素点的灰度值,根据该珩磨背景区每个像素点的灰度值计算该珩磨背景区像素点的灰度均值记为,若该珩磨背景区中每个像素点的灰度值都较接近灰度均值,说明该珩磨背景区中像素点的灰度分布较均匀,该珩磨背景区的损伤程度较低。因此,本实施例根据该珩磨背景区中各像素点的灰度值及该珩磨背景区中像素点的灰度均值,计算该珩磨背景区的损伤度,即:
其中,为该珩磨背景区的损伤度,为该珩磨背景区第个像素点的灰度值,为该珩磨背景区像素点的灰度均值,为该珩磨背景区像素点的个数。该珩磨背景区中每个像素点的灰度值与灰度均值越接近,说明该珩磨背景区像素点的灰度分布的越均匀,该珩磨背景区受到绗磨的影响越低,即该珩磨背景区的损伤度越小。
采用上述方法得到了每个珩磨背景区的损伤度,计算所有珩磨背景区的损伤度之和,并将作为珩磨背景损伤度;当每个珩磨背景区的损伤度越小时,珩磨背景损伤度越小,即待检测气缸内壁没有珩磨网纹的位置越光滑,像素点灰度值越均匀,珩磨的精度越高。
步骤S4,将所述珩磨背景损伤度与珩磨处理精度的比值作为待检测的气缸内壁的珩磨误差指标,基于所述珩磨误差指标判断待检测气缸的真伪。
在上述步骤中得到了珩磨背景损伤度和珩磨处理精度,本实施例计算珩磨背景损伤度与珩磨处理精度的比值,并将比值作为待检测的气缸内壁的珩磨误差指标;当珩磨处理精度越大、珩磨背景损伤度越小时,待检测的气缸内壁珩磨误差指标越小,即珩磨处理越精确。
为了判断待检测气缸的质量,本实施例从正品气缸中任选20个气缸,采用本实施例提供的方法获得了这20个气缸对应的珩磨误差指标,计算这20个气缸对应的珩磨误差指标的均值,并将该均值作为珩磨误差指标阈值,判断待检测的气缸内壁的珩磨误差指标是否大于珩磨误差指标阈值,若大于,则判定待检测的气缸可能为仿冒品,及时进行预警提示,需要再次确认气缸来源,辨认气缸制造工艺是否满足要求;若小于等于,则判定待检测气缸符合要求,属于正品气缸。
本实施例提出了一种基于气缸本身经技术处理后呈现的特征进行防伪识别的方法,从珩磨处理后网纹的分布情况以及气缸内壁珩磨背景区像素点的灰度分布情况两个方面,对待检测气缸的珩磨处理效果进行了分析,根据珩磨背景损伤度与珩磨处理精度得到了珩磨误差指标,将珩磨误差指标是否达到正品厂商的要求作为气缸是否为正品的依据,相比于传统的使用激光等技术对防伪码进行检测,摆脱了防伪码被仿制的潜在威胁,本实施例提供的方法能够快速、准确地对待检测的气缸的真伪进行识别,且不会对气缸本身造成损伤,不会影响气缸的正常使用。本实施例在对珩磨处理后网纹的分布情况进行分析时,又从宏观和微观两个角度对待检测的气缸内壁的灰度图像中的网纹进行了分析,根据网纹距离差异度和网纹方向杂乱度得到了网纹方向离散度,根据各网状通路区中对应的各组中像素点的数量和像素点的灰度值得到了总体沟槽损伤度,基于网纹方向离散度和总体沟槽损伤度,对珩磨处理精度进行了评价,提高了后续气缸真伪的识别精度。
需要说明的是: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 (4)
1.一种基于汽车零部件防伪识别方法,其特征在于,该方法包括以下步骤:
获取待检测的气缸内壁的灰度图像,所述气缸为珩磨处理后的气缸;获取所述灰度图像中的直线边缘,根据所述直线边缘的交点获得所述灰度图像中的各网状通路区和各珩磨背景区;所述各网状通路区为各网纹所在的区域;
将各网状通路区中的所有像素点进行直线拟合,得到拟合直线的斜率和拟合优度;基于所述拟合直线的斜率将各网状通路区对应的拟合直线分为两类,计算各类内各拟合直线与其两侧相邻的拟合直线的距离,根据所述距离,得到网纹距离差异度;根据各网状通路区的两条直线边缘的斜率、所述拟合直线的斜率和拟合优度,计算网纹方向杂乱度;根据所述网纹距离差异度和网纹方向杂乱度获得网纹方向离散度;
利用大津阈值法将各网状通路区中的像素点划分为两组,根据各组中像素点的数量和像素点的灰度值,得到总体沟槽损伤度;根据所述网纹方向离散度和总体沟槽损伤度,得到珩磨处理精度;根据各珩磨背景区中像素点的灰度值,计算珩磨背景损伤度;
将所述珩磨背景损伤度与珩磨处理精度的比值作为待检测的气缸内壁的珩磨误差指标,基于所述珩磨误差指标判断待检测气缸的真伪;
所述根据所述距离,得到网纹距离差异度,包括:
根据各类中所有拟合直线对应的距离,获得距离的最大值、最小值和标准差;
根据所述距离的最大值、最小值和标准差,采用如下公式计算网纹距离差异度:
其中,为网纹距离差异度,为最大值函数,为第一类拟合直线中所有拟合直线对应的距离的最大值,为第一类拟合直线中所有拟合直线对应的距离的最小值,为第一类拟合直线中所有拟合直线对应的距离的标准差;为第二类拟合直线中所有拟合直线对应的距离的最大值,为第二类拟合直线中所有拟合直线对应的距离的最小值,为第二类拟合直线中所有拟合直线对应的距离的标准差;
采用如下公式计算网纹方向杂乱度:
其中,为网纹方向杂乱度,为第m个网状通路区的第1条直线边缘的斜率,为第m个网状通路区的第2条直线边缘的斜率,为第m个网状通路区对应的拟合直线的斜率,为第m个网状通路区对应的拟合优度,为网状通路区的数量;
所述根据各组中像素点的数量和像素点的灰度值,得到总体沟槽损伤度,包括:
对于任一网状通路区,统计该网状通路区像素点的总个数以及该网状通路区对应的两组中像素点的个数,根据像素点数量较多的一组中各像素点的灰度值和该网状通路区像素点的总个数,采用如下公式计算该网状通路区的沟槽损伤度:
计算所述灰度图像中各网状通路区的沟槽损伤度之和,作为总体沟槽损伤度;
所述根据各珩磨背景区中像素点的灰度值,计算珩磨背景损伤度,包括:
对于任一珩磨背景区,采用如下公式计算该珩磨背景区的损伤度:
计算所有珩磨背景区的损伤度之和,作为珩磨背景损伤度;
所述基于所述珩磨误差指标判断待检测气缸的真伪,包括:
判断所述珩磨误差指标是否大于珩磨误差指标阈值,若大于,则进行预警提示,若小于等于,则判定待检测气缸属于正品气缸。
2.根据权利要求1所述的一种基于汽车零部件防伪识别方法,其特征在于,所述根据所述网纹距离差异度和网纹方向杂乱度获得网纹方向离散度,包括:
计算网纹距离差异度和网纹方向杂乱度的乘积,作为网纹方向离散度。
3.根据权利要求1所述的一种基于汽车零部件防伪识别方法,其特征在于,所述根据所述网纹方向离散度和总体沟槽损伤度,得到珩磨处理精度,包括:
计算所述网纹方向离散度和总体沟槽损伤度的乘积作为第一乘积,以自然常数为底数,以负的所述第一乘积为指数的指数函数的值作为珩磨处理精度。
4.根据权利要求1所述的一种基于汽车零部件防伪识别方法,其特征在于,获取所述灰度图像中的直线边缘,包括:
使用canny检测算子对待检测的气缸内壁的灰度图像进行检测,获得边缘图像,所述边缘图像为二值图像;
对所述边缘图像进行霍夫直线检测,得到多条直线边缘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211036426.3A CN115100210B (zh) | 2022-08-29 | 2022-08-29 | 一种基于汽车零部件防伪识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211036426.3A CN115100210B (zh) | 2022-08-29 | 2022-08-29 | 一种基于汽车零部件防伪识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115100210A CN115100210A (zh) | 2022-09-23 |
CN115100210B true CN115100210B (zh) | 2022-11-18 |
Family
ID=83299892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211036426.3A Active CN115100210B (zh) | 2022-08-29 | 2022-08-29 | 一种基于汽车零部件防伪识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100210B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664254B (zh) * | 2023-07-31 | 2023-10-13 | 山东远盾网络技术股份有限公司 | 基于汽车零配件防伪的安全交易管理系统 |
CN116958144B (zh) * | 2023-09-20 | 2024-01-12 | 东莞市南谷第电子有限公司 | 一种新能源连接线表面瑕疵区域快速定位方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111145144A (zh) * | 2019-12-06 | 2020-05-12 | 西安理工大学 | 一种珩磨缸套表面粗糙度的评估方法 |
CN114092403A (zh) * | 2021-10-25 | 2022-02-25 | 杭州电子科技大学 | 基于机器视觉的砂轮磨损检测方法及系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170032285A1 (en) * | 2014-04-09 | 2017-02-02 | Entrupy Inc. | Authenticating physical objects using machine learning from microscopic variations |
KR102186709B1 (ko) * | 2019-09-18 | 2020-12-04 | 주식회사 뷰노 | 치아 병변 정보 제공 방법 및 이를 이용한 장치 |
CN110717770B (zh) * | 2019-10-23 | 2022-06-14 | 北京牛电信息技术有限责任公司 | 车辆零部件的防伪检测方法、装置、设备和存储介质 |
CN111325719A (zh) * | 2020-02-02 | 2020-06-23 | 南京工业大学 | 基于零部件表面图像匹配的工件防伪方法 |
CN111720233A (zh) * | 2020-07-28 | 2020-09-29 | 中原内配集团股份有限公司 | 一种锥度珩磨的气缸套及其制备方法 |
CN114792104A (zh) * | 2021-01-26 | 2022-07-26 | 中国科学院沈阳自动化研究所 | 一种环型编码点的识别解码方法 |
CN216763327U (zh) * | 2022-01-10 | 2022-06-17 | 合肥市旺华彩印包装有限公司 | 一种适用于包装印刷的产品防伪识别机构 |
CN114842017B (zh) * | 2022-07-06 | 2022-09-27 | 济宁市海富电子科技有限公司 | 一种hdmi线缆表面质量检测方法及系统 |
CN114862852B (zh) * | 2022-07-07 | 2022-09-20 | 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 |
CN114862862B (zh) * | 2022-07-11 | 2022-09-16 | 江苏大田阀门制造有限公司 | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 |
-
2022
- 2022-08-29 CN CN202211036426.3A patent/CN115100210B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111145144A (zh) * | 2019-12-06 | 2020-05-12 | 西安理工大学 | 一种珩磨缸套表面粗糙度的评估方法 |
CN114092403A (zh) * | 2021-10-25 | 2022-02-25 | 杭州电子科技大学 | 基于机器视觉的砂轮磨损检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115100210A (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115100210B (zh) | 一种基于汽车零部件防伪识别方法 | |
CN114723701B (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
CN104794491B (zh) | 基于预分类的模糊聚类钢板表面缺陷检测方法 | |
CN116758061B (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
CN109682839B (zh) | 一种金属弧形工件表面缺陷在线检测方法 | |
Cheng et al. | Novel approach to pavement cracking detection based on fuzzy set theory | |
Shanmugamani et al. | Detection and classification of surface defects of gun barrels using computer vision and machine learning | |
Tang et al. | Review of surface defect detection of steel products based on machine vision | |
US20060029257A1 (en) | Apparatus for determining a surface condition of an object | |
CN116777916B (zh) | 基于泵机金属外壳的缺陷检测方法 | |
CN103593670A (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
CN109444169A (zh) | 一种轴承缺陷检测方法及系统 | |
CN115115621A (zh) | 一种基于图像处理的润滑油污染程度检测方法 | |
CN102930268A (zh) | 一种用于污染及多视角情况下DataMatrix码的精确定位方法 | |
CN115272305B (zh) | 一种纽扣孔洞缺陷检测方法 | |
CN113514467A (zh) | 利用可变扩散板的光学系统 | |
CN115359053A (zh) | 一种金属板材缺陷智能检测方法及系统 | |
CN115861325A (zh) | 基于图像数据的悬架弹簧缺陷检测方法及系统 | |
CN117011292B (zh) | 一种复合板表面质量快速检测方法 | |
Saeedi et al. | Measurement and inspection of electrical discharge machined steel surfaces using deep neural networks | |
CN114862855A (zh) | 基于模板匹配的纺织品缺陷检测方法及系统 | |
Wang et al. | Texture extraction of wear particles based on improved random Hough transform and visual saliency | |
Liao et al. | Defect detection and classification of machined surfaces under multiple illuminant directions | |
CN115063431A (zh) | 一种基于图像处理的汽车零部件质量溯源方法 | |
Caulier et al. | New structured illumination technique for the inspection of high-reflective surfaces: application for the detection of structural defects without any calibration procedures |
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 |