CN115115629A - 基于计算机视觉的汽车密封条质量检测方法 - Google Patents

Abstract

本发明涉及数据识别技术领域，具体涉及基于计算机视觉的汽车密封条质量检测方法。该方法是一种应用电子设备进行识别的方法，利用生产领域人工智能系数完成汽车密封条质量检测。首先，利用工业相机获取密封条横截面图像；对密封条横截面图像进行数据识别得到质量差异指标，由质量差异指标进一步对密封条进行质量检测。本发明通过对采集到的密封条横截面图像的骨架特征、密封条横截面图像与标准二值图像的像素重合度、曲率特征和边缘毛刺对密封条进行质量检测，实现了结合密封条的外形形变和边缘毛刺两方面对汽车密封条进行质量检测的目的，提高了对汽车密封条质量检测的精度。

Description

基于计算机视觉的汽车密封条质量检测方法

技术领域

本发明涉及数据识别技术领域，具体涉及基于计算机视觉的汽车密封条质量检测方法。

背景技术

汽车密封条是汽车的重要零部件之一，广泛应用于车门、车窗、天窗、发动机箱和行李后备箱等部位。汽车密封条的生产过程包括原料加热、硫化、混合配料、切割、冷却等技术，其汽车密封条原材料的质量、密封条生产设计工艺、配料的混合比例等环节都对产品的质量有很大影响，生产出来的密封条往往形变较大，密封条的几何参数达不到要求，导致废品率较高。随着汽车工业的发展，对汽车密封条的检测技术在精密、高效、通用和智能化等方面提出了更高要求。

目前，常见的对汽车密封条进行质量检测的方法为采集密封条图像，将密封条图像中的密封条截面的最小包围面积矩形的各项数值和设置好的阈值进行比较，进而判断密封条的质量是否合格，该方法仅通过密封条截面的最小包围面积矩形的各项数值来判断汽车密封条质量，而未考虑汽车密封条的形变和边缘毛刺等质量问题，对汽车密封条质量检测精度较低。

发明内容

为了解决上述技术问题，本发明的目的在于提供基于计算机视觉的汽车密封条质量检测方法，所采用的技术方案具体如下：

采集密封条横截面图像；预处理所述密封条横截面图像得到对应的初始二值图像；

利用开运算对所述初始二值图像进行处理，得到密封条二值图像，提取所述密封条二值图像的骨架得到检测骨架图像，计算所述检测骨架图像和标准二值图像的骨架图像的差异作为骨架差异度；计算所述密封条二值图像和所述标准二值图像中边缘曲线的曲率差异作为曲率差异程度；

对所述密封条二值图像进行姿态矫正，计算姿态矫正后的密封条二值图像和所述标准二值图像的像素重合度；根据所述曲率差异程度和所述像素重合度计算所述密封条二值图像的外形差异程度；

获取所述初始二值图像的边缘毛刺和对应的毛刺面积，根据所述毛刺面积、所述骨架差异度和所述外形差异程度得到所述密封条二值图像对应的密封条横截面图像的质量差异指标；根据所述质量差异指标对密封条横截面图像进行质量检测。

优选的，所述预处理所述密封条横截面图像得到对应的初始二值图像，包括：

对所述密封条横截面图像进行高斯滤波，对高斯滤波后的密封条横截面图像进行二值化得到对应的初始二值图像。

优选的，所述计算所述检测骨架图像和标准二值图像的骨架图像的差异作为骨架差异度，包括：

利用哈希算法将所述检测骨架图像进行图像序列化，得到第一哈希序列；

利用哈希算法将所述标准二值图像的骨架图像进行图像序列化，得到第二哈希序列；

获取所述第一哈希序列和所述第二哈希序列中相同位置处的元素的多个差值；多个差值的均值作为骨架差异度。

优选的，所述计算所述密封条二值图像和所述标准二值图像中边缘曲线的曲率差异作为曲率差异程度，包括：

提取所述密封二值图像中的第一边缘曲线，计算所述第一边缘曲线上各像素点对应的曲率；将每个像素点处的像素值更新为对应的曲率，得到第一曲率特征图；量化所述第一曲率特征图，得到第一量化图像和所述第一量化图像中各像素点对应的第一灰度共生矩阵，多个所述第一灰度共生矩阵的熵的均值作为第一曲率变化熵；

提取所述标准二值图像中的第二边缘曲线，计算所述第二边缘曲线上各像素点对应的曲率；将每个像素点处的像素值更新为对应的曲率，得到第二曲率特征图；量化所述第二曲率特征图，得到第二量化图像和所述第二量化图像中各像素点对应的第二灰度共生矩阵，多个所述第二灰度共生矩阵的熵的均值作为第二曲率变化熵；

所述第一曲率变化熵和所述第二曲率变化熵的差值的绝对值为曲率差异程度。

优选的，所述对所述密封条二值图像进行姿态矫正，包括：

提取所述密封条二值图像中的特征点作为第一特征点，提取所述标准二值图像中的特征点作为第二特征点；

对多个第一特征点和第二特征点进行两两匹配，得到多对匹配点对；

重叠所述密封条二值图像和所述标准二值图像，得到重叠二值图；以所述重叠二值图的中心点为顶点，计算每对匹配点对中所述第一特征点和所述第二特征点之间的夹角；多对匹配点对的夹角均值作为矫正角度；基于所述矫正角度，对所述密封条二值图像进行姿态矫正。

优选的，所述计算姿态矫正后的密封条二值图像和所述标准二值图像的像素重合度，包括：

将所述密封二值图像和所述标准二值图像中相同位置处的像素点构成像素匹配对，其中，每个所述像素匹配对中包含两个像素点；

获取两个像素点的像素值乘积为1的像素匹配对的数量，作为交集数量；

获取两个像素点的像素值乘积为0的像素匹配对的数量，作为并集数量；

所述交集数量和所述并集数量的比值为所述像素重合度。

优选的，所述根据所述曲率差异程度和所述像素重合度计算所述密封条二值图像的外形差异程度，包括：

一减去所述像素重合度作为初始差异系数；以自然常数为底，以所述初始差异系数为指数的指数函数，乘上所述曲率差异程度得到所述密封条二值图像的外形差异程度。

优选的，所述根据所述毛刺面积、所述骨架差异度和所述外形差异程度得到所述密封条二值图像对应的密封条横截面图像的质量差异指标，包括：

所述质量差异指标的计算公式为：

其中，

为所述质量差异指标；

为自然对数；

为所述毛刺面积；

为调节系数；

为所述外形差异程度；

为所述骨架差异度；

为自然常数。

优选的，所述根据所述质量差异指标对密封条横截面图像进行质量检测，包括：

大于预设差异指标阈值的所述质量差异指标对应的密封条横截面为不合格密封条横截面；小于等于预设差异指标阈值的所述质量差异指标对应的密封条横截面为合格密封条横截面。

本发明实施例至少具有如下有益效果：

本发明实施例利用数据识别技术，该方法首先采集密封条横截面图像、对应的初始二值图像和密封条二值图像，提取密封条二值图像的骨架得到检测骨架图像，计算检测骨架图像和标准二值图像的骨架图像的差异作为骨架差异度；计算密封条二值图像和标准二值图像中边缘曲线的曲率差异作为曲率差异程度；对密封条二值图像进行姿态矫正，计算姿态矫正后的密封条二值图像和标准二值图像的像素重合度；根据曲率差异程度和像素重合度计算密封条二值图像的外形差异程度，结合曲率差异程度和像素重合度对密封条二值图像的外形形变程度进行评价，实现了对密封条二值图像的外形形变检测；获取初始二值图像的边缘毛刺和对应的毛刺面积，根据毛刺面积、骨架差异度和外形差异程度得到密封条二值图像对应的密封条横截面图像的质量差异指标；根据质量差异指标对密封条横截面图像进行质量检测。本发明通过对采集到的密封条横截面图像的骨架特征、密封条横截面图像与标准二值图像的像素重合度、曲率特征和边缘毛刺对密封条横截面图像对应的密封条进行质量检测，实现了结合密封条的外形形变和边缘毛刺两方面对汽车密封条进行质量检测的目的，提高了对汽车密封条质量检测的精度。

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为本发明一个实施例所提供的基于计算机视觉的汽车密封条质量检测方法的方法流程图。

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计算机视觉的汽车密封条质量检测方法，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。

本发明实施例提供了基于计算机视觉的汽车密封条质量检测方法的具体实施方法，该方法适用于汽车密封条质量检测场景。该场景的颜色选择与密封条具有较大对比度的色彩，将汽车密封条置于固定区域内，将工业相机置于正对密封条横截面的位置，用于拍摄密封条横截面图像；该场景下得到的密封条横截面图像的分辨率为800px*800px。为了解决仅通过密封条截面的最小包围面积矩形的各项数值来判断汽车密封条质量，而未考虑汽车密封条的形变和边缘毛刺的问题，本发明通过对采集到的密封条横截面图像的骨架特征、密封条横截面图像与标准二值图像的像素重合度、曲率特征和边缘毛刺对密封条横截面图像对应的密封条进行质量检测，实现了结合密封条的外形形变和边缘毛刺两方面对汽车密封条进行质量检测的目的，提高了对汽车密封条质量检测的精度。

下面结合附图具体的说明本发明所提供的基于计算机视觉的汽车密封条质量检测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于计算机视觉的汽车密封条质量检测方法的步骤流程图，该方法包括以下步骤：

步骤S100，采集密封条横截面图像；预处理密封条横截面图像得到对应的初始二值图像。

在布置好的用于检测汽车密封条质量的场景下，通过工业相机获取汽车密封条的截面切片图，也即获取汽车密封条的密封条横截面图像。

在光线环境较为复杂的工业现场，采集器材往往会受到各种噪声如温度、电磁波等外界干扰，工业相机在获取图像的过程中无法避免噪声产生。这些因素降低了采集到的密封条横截面图像的纯净度。

故进一步的，对采集到的密封条横截面图像进行预处理，得到对应的密封条二值图像。具体的：对密封条横截面图像进行高斯滤波，对高斯滤波后的密封条横截面图像进行二值化得到对应的初始二值图像。

利用高斯滤波方法对采集到的密封条横截面图像进行处理，是为了减少噪声的影响，进一步改善图像质量。其中，高斯滤波方法是使用二维高斯函数对图像卷积，进而实现去除部分噪声的目的。在密封条横截面图像进行高斯滤波后，对其进行二值化处理。由于相机在拍摄的时候，背景为设置好的与密封条对比度较大的色彩，故使用最大类间方差法对高斯滤波后的密封条横截面图像进行二值化，得到对应的初始二值图像。需要说明的是，最大类间方差法能够自动选择阈值对图像进行二值化处理。

步骤S200，利用开运算对初始二值图像进行处理，得到密封条二值图像，提取密封条二值图像的骨架得到检测骨架图像，计算检测骨架图像和标准二值图像的骨架图像的差异作为骨架差异度；计算密封条二值图像和标准二值图像中边缘曲线的曲率差异作为曲率差异程度。

由于密封条常为发泡材质，带有植绒边，因此得到的初始二值图像中不可避免的有毛刺存在。由于本发明先进行密封条二值图像的外形差异评价，故先把初始二值图像中的毛刺去除掉。去除毛刺的方法，具体的：利用开运算对初始二值图像进行处理，得到密封条二值图像。开运算首先通过腐蚀操作，将初始二值图像中边缘的毛刺部分及一部分边缘图像去除，再通过膨胀操作将图像中的边缘部分补充完整，实现毛刺的去除，进而得到了不含有毛刺的密封条二值图像。

检测一个密封条是否合格，可以看其对应的密封条二值图像与标准二值图像的相似度。其中，标准二值图像是事先拍摄好的标准模板图像所对应的二值图像，标准模板图像中的密封条横截面位于图像的中央。当待检测密封条合格时，密封条二值图像与标准二值图像具有较高的相似度。

由于待检测密封条对应的密封条二值图像与标准模板图像对应的标准二值图像中密封条的摆放可能不同；如密封条二值图像中密封条横截面的位置偏左上角，而标准二值图像中密封条横截面的位置在图像的正中央，则两个图像中的密封条的摆放位置不同。故先对拍摄到的密封条二值图像中的物体进行定位。利用等间隔旋转搜索法获得密封条二值图像中密封条横截面的最小外接矩形，将密封条横截面从图像中提取出来。将提取出来的密封条横截面置于图像中央。

若待检测密封条合格，其骨架与标准件相差应较小，骨架的差别程度能够作为衡量待检测密封条是否合格的标准之一。

首先，提取密封条二值图像中的骨架得到检测骨架图像。在本发明实施例中，利用K3M骨架提取算法提取密封条二值图像和标准二值图像中的骨架，K3M骨架提取算法是通过不断腐蚀得到的骨架图像。

由于待检测密封条在摆放时存在旋转问题，故在获得检测骨架图像后和标准二值图像对应的骨架图像后，利用旋转不变的LBP算法提取骨架特征，旋转不变LBP特征提取通过选取像素点LBP特征的最小值，从而使LBP特征具有旋转不变形，使用图像哈希算法如局部敏感哈希、谱哈希算法等算法。进一步的，计算检测骨架图像和标准二值图像的骨架图像的差异作为骨架差异度。具体的：利用哈希算法将检测骨架图像进行图像序列化，得到第一哈希序列；利用哈希算法将标准二值图像的骨架图像进行图像序列化，得到第二哈希序列；获取第一哈希序列和第二哈希序列中相同位置处的元素的多个差值；多个差值的均值作为骨架差异度。例如第一哈希序列为{7,8,9}，第二哈希序列为{1,2,3}，则第一哈希序列中的7和第二哈希序列中的1则属于相同位置处的元素。

该骨架差异度

的计算公式为：

其中，

为第一哈希序列和第二哈希序列中元素数量较少的序列内的元素数量；

为第一哈希序列的第

个元素的值；

为第二哈希序列的第

个元素的值。

该骨架差异度越小，对应的密封条二值图像与标准二值图像的骨架越接近，密封条二值图像对应的密封条的质量越好。

除了密封件的骨架外，待检测密封条的外形也会影响密封条的质量。密封条可能存在骨架差异度小，但其外表粗细不均匀，待检测密封条的外形越接近于标准模板图像，密封条的质量越好。其密封条的外形检测可以通过曲率进行测量。

计算密封条二值图像和标准二值图像中边缘曲线的曲率差异作为曲率差异程度。具体的：

提取密封二值图像中的第一边缘曲线，计算第一边缘曲线上各像素点对应的曲率；将每个像素点处的像素值更新为对应的曲率，得到第一曲率特征图；量化第一曲率特征图，得到第一量化图像和第一量化图像中各像素点对应的第一灰度共生矩阵，多个第一灰度共生矩阵的熵的均值作为第一曲率变化熵。其中，第一量化图像中每个像素点均有各自对应的第一灰度共生矩阵。

需要说明的是，对第一曲率特征图进行量化是因为若不进行量化，其计算量太大，通过量化把数值与数值之间的微小的数值差消除，压缩一下曲率的数值，把它们压缩至一定的范围内，这样才能用灰度共生矩阵，其对应的灰度共生矩阵的处理速度随之提高；进行量化后可以不再对第一曲率特征图进行灰度化，因为第一曲率特征图中像素点的像素值为对应的曲率，故第一曲率特征图为类似于灰度图的图像，每个像素点只有一个值，所以对第一曲率特征图不需要再进行灰度化，直接量化第一曲率特征图，得到第一量化图像和对应的第一灰度共生矩阵即可。

提取标准二值图像中的第二边缘曲线，计算第二边缘曲线上各像素点对应的曲率；将每个像素点处的像素值更新为对应的曲率，得到第二曲率特征图；量化第二曲率特征图，得到第二量化图像和第二量化图像中各像素点对应的第二灰度共生矩阵，多个第二灰度共生矩阵的熵的均值作为第二曲率变化熵。其中，第二量化图像中每个像素点均有各自对应的第二灰度共生矩阵。

第一曲率变化熵能够反映第一曲率特征图中纹理变化量的大小。由于标准二值图像中的外形较为标准均匀，曲率变化量小，故对应的第二曲率变化熵较小；若密封条二值图像与标准二值图像相近，则密封条二值图像的曲率变化量同样较小，对应的第一曲率变化熵也较小；反之，若密封条二值图像与标准二值图像相差较大，则密封条二值图像的曲率变化量较大，对应的第一曲率变化熵也较大。其中，曲率变化值随着曲率变化熵呈正比变化。

第一曲率变化熵和第二曲率变化熵的差值的绝对值为曲率差异程度。该曲率差异程度即可反映密封条横截面图像和标准模板图像的差异度，该曲率变化程度越大，则密封条横截面图像与标准模板图像之间的差异越大。

步骤S300，对密封条二值图像进行姿态矫正，计算姿态矫正后的密封条二值图像和标准二值图像的像素重合度；根据曲率差异程度和像素重合度计算密封条二值图像的外形差异程度。

外形的形变可以通过密封条横截面图像与标准模板图像的拟合程度进行度量。但由于待检测密封条在摆放后得到的密封条横截面图像与标准模板图像中的密封条可能会存在轻微的角度偏差，导致图像不匹配。

故进一步的，对密封条二值图像进行姿态矫正的步骤，具体的：

步骤一，利用Harris角点检测算法，提取密封条二值图像中的特征点作为第一特征点；提取标准二值图像中的特征点作为第二特征点。

步骤二，对多个第一特征点和第二特征点进行两两匹配，得到多对匹配点对。具体的：在得到多个第一特征点和第二特征点之后，使用特征匹配算法，如暴力匹配方法、交叉匹配法等算法，对两幅图中的特征点进行匹配，得到多对匹配点对。

步骤三，重叠密封条二值图像和标准二值图像，得到重叠二值图；以重叠二值图的中心点为顶点，计算每对匹配点对中第一特征点和第二特征点之间的夹角。该夹角的获取步骤，具体的：对于任意对匹配点对，连接匹配点对中的第一特征点和顶点得到第一线段，连接该匹配点对中的第二特征点和顶点得到第二线段，该第一线段和第二线段构成的夹角记为该匹配点对中第一特征点和第二特征点之间的夹角。多对匹配点对的夹角均值作为矫正角度；基于矫正角度构建旋转矩阵，对密封条二值图像进行姿态矫正。即实现将检测样件的密封条二值图像的姿态矫正至与标准二值图像一致，其中，检测样件即为密封条样件。需要说明的是，根据矫正角度构建旋转矩阵是本领域技术人员的公知技术。

进一步的，计算姿态矫正后的密封条二值图像和标准二值图像的像素重合度，具体的：将密封二值图像和标准二值图像中相同位置处的像素点构成像素匹配对，其中，每个像素匹配对中包含两个像素点；获取两个像素点的像素值乘积为1的像素匹配对的数量，作为交集数量；获取两个像素点的像素值乘积为0的像素匹配对的数量，作为并集数量；交集数量和并集数量的比值为像素重合度。需要说明的是，密封条二值图像和标准二值图像的图像大小相同。

曲率差异程度和像素重合度共同描述了检测样件的密封条二值图像和标准模板的标准二值图像在外形方面的外形差异。根据曲率差异程度和像素重合度计算密封条二值图像的外形差异程度。具体的：

一减去像素重合度作为初始差异系数。以自然常数为底，以初始差异系数为指数的指数函数，乘上曲率差异程度得到密封条二值图像的外形差异程度。

该外形差异程度

的计算公式为：

其中，

为曲率差异程度；

为自然常数；

为像素重合度；

为初始差异系数。

其中，曲率差异程度和像素重合度都会随着检测样件的密封条二值图像和标准模板的标准二值图像在外形方面的差距而随之变大。当检测样件的密封条二值图像和标准模板的标准二值图像的外形的差距大，反映检测样件的外形有巨大的形变，故对应的当前检测样件的质量较差。

步骤S400，获取初始二值图像的边缘毛刺和对应的毛刺面积，根据毛刺面积、骨架差异度和外形差异程度得到密封条二值图像对应的密封条横截面图像的质量差异指标；根据质量差异指标对密封条横截面图像进行质量检测。

判断制作出的密封条质量是否合格时，密封条的毛刺量也包含在判断条件内；当制作出的密封条质量合格时，其毛刺量会保持在一个合格范围内；当制作出的密封条质量有问题时，其毛刺量可能会有异常。故毛刺量也作为影响密封条质量的因素之一。

故进一步的，对未经过开运算的初始二值图像和标准二值图像进行礼帽运算，得到初始二值图像中的边缘毛刺。其中，礼帽运算是原始图像减去其开运算图像的操作，在本发明实施例中也即将初始二值图像作为原始图像，将标准二值图像作为开运算后的图像，初始二值图像减去标准二值图像，得到初始二值图像的边缘毛刺。

获取初始二值图像的边缘毛刺的毛刺面积，该毛刺面积越大，则对应的待检测样件的质量越差，也即待检测密封条的质量越差。

进一步的，根据毛刺面积、骨架差异度和外形差异程度得到密封条二值图像对应的密封条横截面图像的质量差异指标，根据这三个指标得到一个能够综合评价密封条质量的质量差异指标。

该质量差异指标的计算公式为：

其中，

为质量差异指标；

为自然对数；

为毛刺面积；

为调节系数；

为外形差异程度；

为骨架差异度；

为自然常数。在本发明实施例中调节系数的取值为10，在其他实施例中实施者可根据实际情况调整该取值。

根据得到的质量差异指标对密封条横截面图像进行质量检测，也即根据质量差异指标对密封条进行质量评价。具体的：大于预设差异指标阈值的质量差异指标对应的密封条横截面为不合格密封条横截面，对应的密封条外形形变较大，且质量较差；小于等于预设差异指标阈值的质量差异指标对应的密封条横截面为合格密封条横截面，对应的密封条外形形变较小，质量较好。在本发明实施例中预设差异指标阈值为25，在其他实施例中实施者可根据实际情况调整该取值。

综上所述，本发明实施例利用数据识别技术，该方法首先采集密封条横截面图像、对应的初始二值图像和密封条二值图像，提取密封条二值图像的骨架得到检测骨架图像，计算检测骨架图像和标准二值图像的骨架图像的差异作为骨架差异度；计算密封条二值图像和标准二值图像中边缘曲线的曲率差异作为曲率差异程度；对密封条二值图像进行姿态矫正，计算姿态矫正后的密封条二值图像和标准二值图像的像素重合度；根据曲率差异程度和像素重合度计算密封条二值图像的外形差异程度；获取初始二值图像的边缘毛刺和对应的毛刺面积，根据毛刺面积、骨架差异度和外形差异程度得到密封条二值图像对应的密封条横截面图像的质量差异指标；根据质量差异指标对密封条横截面图像进行质量检测。本发明通过对采集到的密封条横截面图像的骨架特征、密封条横截面图像与标准二值图像的像素重合度、曲率特征和边缘毛刺对密封条横截面图像对应的密封条进行质量检测，实现了结合密封条的外形形变和边缘毛刺两方面对汽车密封条进行质量检测的目的，提高了对汽车密封条质量检测的精度。

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.基于计算机视觉的汽车密封条质量检测方法，其特征在于，该方法包括以下步骤：

采集密封条横截面图像；预处理所述密封条横截面图像得到对应的初始二值图像；

利用开运算对所述初始二值图像进行处理，得到密封条二值图像，提取所述密封条二值图像的骨架得到检测骨架图像，计算所述检测骨架图像和标准二值图像的骨架图像的差异作为骨架差异度；计算所述密封条二值图像和所述标准二值图像中边缘曲线的曲率差异作为曲率差异程度；

对所述密封条二值图像进行姿态矫正，计算姿态矫正后的密封条二值图像和所述标准二值图像的像素重合度；根据所述曲率差异程度和所述像素重合度计算所述密封条二值图像的外形差异程度；

获取所述初始二值图像的边缘毛刺和对应的毛刺面积，根据所述毛刺面积、所述骨架差异度和所述外形差异程度得到所述密封条二值图像对应的密封条横截面图像的质量差异指标；根据所述质量差异指标对密封条横截面图像进行质量检测。

2.根据权利要求1所述的基于计算机视觉的汽车密封条质量检测方法，其特征在于，所述预处理所述密封条横截面图像得到对应的初始二值图像，包括：

对所述密封条横截面图像进行高斯滤波，对高斯滤波后的密封条横截面图像进行二值化得到对应的初始二值图像。

3.根据权利要求1所述的基于计算机视觉的汽车密封条质量检测方法，其特征在于，所述计算所述检测骨架图像和标准二值图像的骨架图像的差异作为骨架差异度，包括：

利用哈希算法将所述检测骨架图像进行图像序列化，得到第一哈希序列；

利用哈希算法将所述标准二值图像的骨架图像进行图像序列化，得到第二哈希序列；

获取所述第一哈希序列和所述第二哈希序列中相同位置处的元素的多个差值；多个差值的均值作为骨架差异度。

4.根据权利要求1所述的基于计算机视觉的汽车密封条质量检测方法，其特征在于，所述计算所述密封条二值图像和所述标准二值图像中边缘曲线的曲率差异作为曲率差异程度，包括：

提取所述密封二值图像中的第一边缘曲线，计算所述第一边缘曲线上各像素点对应的曲率；将每个像素点处的像素值更新为对应的曲率，得到第一曲率特征图；量化所述第一曲率特征图，得到第一量化图像和所述第一量化图像中各像素点对应的第一灰度共生矩阵，多个所述第一灰度共生矩阵的熵的均值作为第一曲率变化熵；

提取所述标准二值图像中的第二边缘曲线，计算所述第二边缘曲线上各像素点对应的曲率；将每个像素点处的像素值更新为对应的曲率，得到第二曲率特征图；量化所述第二曲率特征图，得到第二量化图像和所述第二量化图像中各像素点对应的第二灰度共生矩阵，多个所述第二灰度共生矩阵的熵的均值作为第二曲率变化熵；

所述第一曲率变化熵和所述第二曲率变化熵的差值的绝对值为曲率差异程度。

5.根据权利要求1所述的基于计算机视觉的汽车密封条质量检测方法，其特征在于，所述对所述密封条二值图像进行姿态矫正，包括：

提取所述密封条二值图像中的特征点作为第一特征点，提取所述标准二值图像中的特征点作为第二特征点；

对多个第一特征点和第二特征点进行两两匹配，得到多对匹配点对；

重叠所述密封条二值图像和所述标准二值图像，得到重叠二值图；以所述重叠二值图的中心点为顶点，计算每对匹配点对中所述第一特征点和所述第二特征点之间的夹角；多对匹配点对的夹角均值作为矫正角度；基于所述矫正角度，对所述密封条二值图像进行姿态矫正。

6.根据权利要求1所述的基于计算机视觉的汽车密封条质量检测方法，其特征在于，所述计算姿态矫正后的密封条二值图像和所述标准二值图像的像素重合度，包括：

将所述密封二值图像和所述标准二值图像中相同位置处的像素点构成像素匹配对，其中，每个所述像素匹配对中包含两个像素点；

获取两个像素点的像素值乘积为1的像素匹配对的数量，作为交集数量；

获取两个像素点的像素值乘积为0的像素匹配对的数量，作为并集数量；

所述交集数量和所述并集数量的比值为所述像素重合度。

7.根据权利要求1所述的基于计算机视觉的汽车密封条质量检测方法，其特征在于，所述根据所述曲率差异程度和所述像素重合度计算所述密封条二值图像的外形差异程度，包括：

一减去所述像素重合度作为初始差异系数；以自然常数为底，以所述初始差异系数为指数的指数函数，乘上所述曲率差异程度得到所述密封条二值图像的外形差异程度。

8.根据权利要求1所述的基于计算机视觉的汽车密封条质量检测方法，其特征在于，所述根据所述毛刺面积、所述骨架差异度和所述外形差异程度得到所述密封条二值图像对应的密封条横截面图像的质量差异指标，包括：

所述质量差异指标的计算公式为：

其中，

为所述质量差异指标；

为自然对数；

为所述毛刺面积；

为调节系数；

为所述外形差异程度；

为所述骨架差异度；

为自然常数。

9.根据权利要求1所述的基于计算机视觉的汽车密封条质量检测方法，其特征在于，所述根据所述质量差异指标对密封条横截面图像进行质量检测，包括：

大于预设差异指标阈值的所述质量差异指标对应的密封条横截面为不合格密封条横截面；小于等于预设差异指标阈值的所述质量差异指标对应的密封条横截面为合格密封条横截面。

Images