CN115127479A - 一种基于机器视觉的胶辊螺纹在线检测及修正方法 - Google Patents

一种基于机器视觉的胶辊螺纹在线检测及修正方法 Download PDF

Info

Publication number
CN115127479A
CN115127479A CN202211068326.9A CN202211068326A CN115127479A CN 115127479 A CN115127479 A CN 115127479A CN 202211068326 A CN202211068326 A CN 202211068326A CN 115127479 A CN115127479 A CN 115127479A
Authority
CN
China
Prior art keywords
rubber roller
image
tooth
thread
points
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.)
Withdrawn
Application number
CN202211068326.9A
Other languages
English (en)
Inventor
张敏
江涛
贺晨龙
李媛
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.)
Xi'an Xidong Intelligent Technology Co ltd
Original Assignee
Xi'an Xidong Intelligent 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 Xi'an Xidong Intelligent Technology Co ltd filed Critical Xi'an Xidong Intelligent Technology Co ltd
Priority to CN202211068326.9A priority Critical patent/CN115127479A/zh
Publication of CN115127479A publication Critical patent/CN115127479A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • 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
    • G01B11/14—Measuring arrangements characterised by the use of optical techniques for measuring distance or clearance between spaced objects or spaced apertures
    • 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
    • G01B11/22—Measuring arrangements characterised by the use of optical techniques for measuring depth
    • 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
    • G01B11/26—Measuring arrangements characterised by the use of optical techniques for measuring angles or tapers; for testing the alignment of axes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G06T5/70—
    • 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
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • 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
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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

本发明公开了一种基于机器视觉的胶辊螺纹在线检测及修正方法，采集胶辊螺纹图像；对采集到的图像进行预处理，去除噪声、去除胶辊图像毛刺；得到折线轮廓和螺纹牙顶像素坐标；得到胶辊螺纹轮廓和牙底的像素坐标；计算胶辊螺纹几何参数，将计算得到的像素尺寸转换为实际物理尺寸；对存在误差的胶辊进行修正；本发明采用非接触式的测量方法对胶辊螺纹进行检测，解决了现在无法直接且不接触的胶辊螺纹测量问题；测量结果通过总线通信协议发送至机床数控系统，数控系统根据胶辊尺寸测量值对需要再加工的位置进行修正，提高生产效率，保证了产品的出厂精度；采用改进的滤波方法对这些噪声进行去除，提高了测量结果的准确性，提高了测量精度。

Description

一种基于机器视觉的胶辊螺纹在线检测及修正方法
技术领域
本发明属于视觉测量技术领域，涉及一种基于机器视觉的胶辊螺纹在线检测及修正方法。
背景技术
胶辊广泛应用于造纸、印刷、冶金等众多行业，胶辊根据应用场景不同一般可分为造纸胶辊、印染胶辊、印刷胶辊、冶金胶辊及油印胶辊等；胶辊主要通过表面上的螺纹进行拓印等各项工作，所以胶辊螺纹是胶辊的一个重要组成部分，而胶辊螺纹的加工尺寸、精度在胶辊的加工及使用中具有重要的作用。所以通常在胶辊出场前需要对胶辊螺纹的外观以及几何参数进行严格测量。近年来，得益于传感器技术和数字图像处理技术的不断发展，众多国内研究机构和企业对基于机器视觉的螺纹测量方法进行了广泛研究，但大多为对金属螺纹工件的测量，而针对胶辊螺纹尺寸测量的研究较少。与金属螺纹不同，胶辊螺纹通常更小，材质相对较软，无法使用直接接触的方法进行测量，并且在测量过程中受到温度变化、用力大小等诸多因素会影响胶辊几何尺寸测量的准确性。目前，对胶辊螺纹的测量仍采用人工拓印的方式，测量效率低下、精度低。因此通过非接触式的视觉测量方法对胶辊的螺纹尺寸进行在线检测显得尤为重要，并将检测结果反馈至数控系统构成闭环，从而达到胶辊的闭环螺纹加工系统。
发明内容
本发明的目的是提供一种基于机器视觉的胶辊螺纹在线检测及修正方法，实现胶辊螺纹外观几何参数的实时在线测量，并根据测量结果反馈对胶辊加工参数进行修正，实现胶辊螺纹加工的闭环控制系统，提高胶辊的加工精度与胶辊的螺纹的检测效率。
为了实现上述目的，本发明采用的技术方案包括以下步骤：
一种基于机器视觉的胶辊螺纹在线检测及修正方法，包括以下步骤：
步骤1：采集胶辊螺纹图像
胶辊加工完毕后，向数控系统输入胶辊集合参数，通过多轴运动平台与机床协同运动携带工业相机移动至拍照位置并调整被测工件位置，通过工业相机能采集到大小合适、轮廓清晰的工件图像，并将采集到的工件图像通过传输至计算机胶辊测量软件系统进行处理；
步骤2：对采集到的图像进行预处理，采用双边滤波将图像空间邻近度和灰度相似度进行非线性组合，去除噪声的同时保留图像的边缘信息；采用选择迭代阈值法分割图像，将图像分割为前景和背景得到清洗胶辊螺纹图像，利用形态学方法去除胶辊图像上的毛刺；
步骤3：用形态学的方法提取区域边缘，对边缘进行细化根据胶辊螺纹的轮廓特征将其分解为直线段和圆弧段，并存储到对应的直线数据库和圆弧数据库中；
步骤4：通过轮廓长度去除掉不合格的直线段，并对筛选后的直线段进行最小二乘拟合，根据直线段的斜率延长直线，并求取直线间的交点，得到折线轮廓和螺纹牙顶像素坐标；
步骤5：用最小二乘拟合圆弧段得到圆心坐标和半径，然后根据圆心和半径对步骤4得到的折线轮廓进行圆角拟合，得到分段拟合后的胶辊螺纹轮廓和牙底的像素坐标；
步骤6：根据得到的轮廓及像素点坐标，计算胶辊螺纹几何参数；
步骤7：使用标定板进行相机标定，得到映射系数，将计算得到的像素尺寸转换为实际物理尺寸；
步骤8：通过通信处理接口将胶辊螺纹测量信息进行输出至数控系统，数控系统根据加工误差调整加工参数，对存在误差的胶辊进行修正，修正后继续执行测量步骤1-8，直至工件测量结果满足胶辊出厂标准。
进一步，所述步骤2中采用双边滤波将图像空间邻近度和灰度相似度进行非线性组合，去除噪声的同时保留图像的边缘信息，设
Figure 17669DEST_PATH_IMAGE001
为滤波后的图像在
Figure 248930DEST_PATH_IMAGE002
处的灰度值，
Figure 696092DEST_PATH_IMAGE003
为像素点
Figure 354607DEST_PATH_IMAGE002
邻域范围内的一个相邻像素点，
Figure 956227DEST_PATH_IMAGE004
为噪声图像在
Figure 787917DEST_PATH_IMAGE003
处的灰度值，双边滤波的模型如下：
Figure 558427DEST_PATH_IMAGE005
其中，
Figure 122263DEST_PATH_IMAGE006
Figure 774961DEST_PATH_IMAGE007
Figure 348025DEST_PATH_IMAGE008
为空间权重，
Figure 504200DEST_PATH_IMAGE009
为灰度相似度权重，
Figure 770096DEST_PATH_IMAGE010
、
Figure 582194DEST_PATH_IMAGE011
为空间标准差和灰度标准差。
进一步，所述步骤2中选择迭代阈值法分割图像，将图像的平均灰度值设置为初始阈值T，利用阈值T把给定图像分割为前景和背景，灰度值≤T的区域为前景R 1，灰度值>T的区域为背景R 2，
阈值T的计算如下式：
Figure 21266DEST_PATH_IMAGE012
式中，
Figure 235210DEST_PATH_IMAGE013
为图像中所有可能的灰度级，
Figure 672007DEST_PATH_IMAGE014
为灰度级
Figure 33718DEST_PATH_IMAGE015
在图像中出现的次数；
计算R 1和R 2的平均灰度值μ 1和μ 2；
Figure 447120DEST_PATH_IMAGE016
Figure 781149DEST_PATH_IMAGE017
其中，
Figure 185586DEST_PATH_IMAGE018
和
Figure 972276DEST_PATH_IMAGE019
分别为灰度级和其对应灰度级的像素个数；
根据μ 1、μ 2求出新的阈值T′
Figure 690834DEST_PATH_IMAGE020
重复上述过程直到T′小于预设值T，此时T′就是图像分割的最佳阈值。
进一步，所述步骤2中利用形态学方法去除胶辊图像上的毛刺，形态学中的闭运算对区域先膨胀后腐蚀，使用结构元素B对集合A的闭运算表示为
Figure 941686DEST_PATH_IMAGE021
：
Figure 454707DEST_PATH_IMAGE022
对迭代法分割后得到背景区域用圆形结构的闭运算进行处理，填充由毛刺造成的缝隙，然后对图像和填充后的区域求差集得到去毛刺后的胶辊区域。
进一步，所述步骤3中具体过程为：
3.1 设区域A的边界表示为
Figure 791011DEST_PATH_IMAGE023
，B为结构元素，边缘提取时先使用结构元素B对区域A进行腐蚀，然后使用区域A减去腐蚀后的区域得到边缘，即：
Figure 313259DEST_PATH_IMAGE024
采用HSCP算法细化边缘，首先遍历全部边缘点，判断是否为待剔除点；然后遍历全部待剔除点，判断这些点是否应该剔除；
3.2 使用D-P算法将轮廓分割为直线和圆弧，并存储到相应的数据库中；
将曲线L首尾两点A、B相连，计算曲线L上到直线段AB距离最大的点C，若这个最大距离d Max小于预设值d，则将直线段AB作为曲线的近似，否则，则用点C将曲线分为AC、BC两段，并继续递归使用上述方法，直至所有点均小于预设值d；
当所有的曲线递归逼近结束后，用近似圆去拟合相近的轮廓段，若圆到轮廓段的最大偏差小于两个轮廓段相对应的d Max值，则用近似圆替代相对应的逼近线段，多次迭代直到没有对象。
进一步，所述步骤6中计算得到的胶辊螺纹几何参数包括齿宽、齿距、齿深和齿形角，齿宽是相邻牙底像素点之间的直线距离，齿距是相邻牙型牙顶像素点之间的距离，齿深是牙底像素点到胶辊牙顶假想直线的距离；
设两相邻牙型的牙顶像素点从左到右为A1、B1、A2、B2，牙底像素点从左到右为C1、C2，则
齿宽：
Figure 356301DEST_PATH_IMAGE025
，
齿距：
Figure 305803DEST_PATH_IMAGE026
，
齿深就是牙底像素点C1、C2到假想直线AB：
Figure 863823DEST_PATH_IMAGE027
的距离；
Figure 688297DEST_PATH_IMAGE028
假想直线通过最小二乘拟合所有牙顶像素点得到；
齿形角是相邻牙型左右两侧边直线之间的夹角，直线的斜率通过步骤4得到，代入以下公式可求得齿形角α，k 1、k 2为直线l 1、l 2的斜率；
Figure 585846DEST_PATH_IMAGE029
。
进一步，所述步骤7中映射系数K如下：
Figure 706249DEST_PATH_IMAGE030
其中，
Figure 17145DEST_PATH_IMAGE031
为标定板的真实物理尺寸，
Figure 881195DEST_PATH_IMAGE032
为标定板的像素尺寸。
本发明的有益效果是：
1）胶辊通常材质行对较软，使用卡尺，三坐标等接触式测量容易发生形变，导致测量结果不准确；并且对于小间隙的螺纹无法使用现有工具进行测量，本发明采用机器视觉，通过光学投影原理，采用非接触式的测量方法对胶辊螺纹进行检测，解决了现在无法直接且不接触的胶辊螺纹测量问题。
2）本发明为在线式胶辊测量系统，传统胶辊测量需要将胶辊加工完成之后的胶辊从机床上拆卸，然后进行拓印，通过测量拓印的尺寸来得到胶辊螺纹的尺寸，这种方式耗时费力，且在二次上机床是与上一次的位置一致存在误差，再对其螺纹修正时也便存在一定误差。本发明在胶辊加工机床上安装两轴视觉测量平台，通过现场总线将两轴测量平台集成至机床，测量时无需拆卸胶辊，即可实现胶辊尺寸的在线测量。
3）本发明与胶辊机床构成在线闭系统，加床每加工完一次，通过视觉进行胶辊尺寸的测量，测量结果通过总线通信协议发送至机床数控系统，数控系统根据胶辊尺寸测量值对需要再加工的位置进行修正，从而达到胶辊的闭环加工，提高生产效率，保证了产品的出厂精度。
4）对于小尺寸的螺纹的胶辊，在加工过程中容易出现毛刺、加工杂物，本发明采用改进的滤波方法对这些噪声进行去除，提高了测量结果的准确性，并通过亚像素方法，在硬件条件不改变的基础上提升了图像分辨率，从而提高了测量精度，本发明对于胶辊螺纹尺寸的最终测量精度可达±5微米。
附图说明
图1是胶辊螺纹在线检测及修正系统原理图；
图2是胶辊螺纹在线检测及修正系统结构图；
图3是基于机器视觉螺纹胶辊测量方法的流程图；
图4是螺纹胶辊视觉测量系统硬件平台连接示意图；
图5（a）是胶辊螺纹去毛刺图像分割后的背景区域示意图；
图5（b）是胶辊螺纹去毛刺闭运算后的背景区域示意图；
图5（c）是胶辊螺纹去毛刺求差集后的区域示意图；
图6是8连通域示意图；
图7是D-P算法原理图；
图8（a）是直线段处理延长直线段示意图；
图8（b）是直线段处理折线轮廓示意图；
图9（a）是圆弧段处理求取圆弧段圆心和半径示意图；
图9（b）是圆弧段处理分段拟合后的轮廓示意图；
图10是胶辊螺纹参数示意图。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
如图1、图2和图4所示，本发明提供了一种基于机器视觉的胶辊螺纹在线检测及修正系统，由多轴运动平台1、工业相机2、工业远心镜头3、远心平行光源4、光源控制器5和计算机6组成，工业相机2和工业远心镜头3安装在多轴运动平台1上，测量时运动平台将工业相机2移动至被测工件7上方测量位置，工件的上方依次为镜头和相机，光源采用背光光源并安装在工件的正下方。
该系统的工业相机2选择面阵CMOS工业相机，镜头采用远心镜头，消除了传统镜头的视差问题，在物距一定时，远心镜头获得的工件尺寸不会随物体位移而发生变化，并且具有低畸变率，光源选择远心平行光源，可消除由于光源漫射造成的边缘模糊等现象，得到工件清晰的轮廓边缘。
如图3所示，本发明提供了一种基于机器视觉的胶辊螺纹在线检测及修正方法，具体实施步骤如下：
步骤1：采集胶辊螺纹图像
胶辊加工完毕，数控系统发送测量指令，并输入胶辊集合参数，多轴运动平台与机床协同运动携带相机移动至拍照位置，拍照位置根据工件大小输入对应参数，多轴运动平台可适应性的移动至拍照位置，接通平行光源对被测工件进行照明，通过光源控制器调整光源亮度，调整被测工件的位置，使工业相机能采集到大小合适、轮廓清晰的工件图像。工业相机通过GigE接口与计算机相连，采集到的工件图像通过网线传输至计算机胶辊测量软件系统进行处理。图像采集完毕后，将多轴运动平台运动至原点。
步骤2：对采集到的图像进行双边滤波、迭代阈值法分割、去毛刺等预处理
2.1 双边滤波将图像
空间邻近度和灰度相似度进行非线性组合，在去除噪声的同时，还能够较好的保留图像的边缘信息。设
Figure 633251DEST_PATH_IMAGE001
为滤波后的图像在
Figure 986872DEST_PATH_IMAGE002
处的灰度值，
Figure 457167DEST_PATH_IMAGE003
为像素点
Figure 124909DEST_PATH_IMAGE002
邻域范围内的一个相邻像素点，
Figure 793788DEST_PATH_IMAGE004
为噪声图像在
Figure 521572DEST_PATH_IMAGE003
处的灰度值，双边滤波的模型如下：
Figure 977699DEST_PATH_IMAGE005
其中，
Figure 980290DEST_PATH_IMAGE006
Figure 972517DEST_PATH_IMAGE007
Figure 605624DEST_PATH_IMAGE033
为空间权重，
Figure 847249DEST_PATH_IMAGE034
为灰度相似度权重，
Figure 856793DEST_PATH_IMAGE035
、
Figure 703527DEST_PATH_IMAGE036
为空间标准差和灰度标准差。
2.2 选择迭代阈值法分割图像。将图像的平均灰度值设置为初始阈值T，利用阈值T把给定图像分割为前景和背景，灰度值≤T的区域为前景R 1，灰度值>T的区域为背景R 2。阈值T的计算如下式：
Figure 304272DEST_PATH_IMAGE037
式中，
Figure 236456DEST_PATH_IMAGE038
为图像中所有可能的灰度级，
Figure 580850DEST_PATH_IMAGE039
为灰度级
Figure 547669DEST_PATH_IMAGE040
在图像中出现的次数。
计算R 1和R 2的平均灰度值μ 1和μ 2；
Figure 256999DEST_PATH_IMAGE041
Figure 738796DEST_PATH_IMAGE042
其中，
Figure 588678DEST_PATH_IMAGE043
和
Figure 144424DEST_PATH_IMAGE044
分别为灰度级和其对应灰度级的像素个数。
根据μ 1、μ 2求出新的阈值T′
Figure 352552DEST_PATH_IMAGE045
重复上述过程直到T′小于预设值T。此时T′就是图像分割的最佳阈值。
2.3 利用形态学方法去除胶辊图像上的毛刺。形态学中的闭运算对区域先膨胀后腐蚀，使用结构元素B对集合A的闭运算表示为
Figure 993748DEST_PATH_IMAGE046
：
Figure 679945DEST_PATH_IMAGE047
闭运算能在维持区域形状的同时使区域边缘变得光滑，并连通区域中狭窄的间断，填充小的孔洞。对迭代法分割后得到图5(a)所示的背景区域(像素值为1的区域)用圆形结构的闭运算进行处理，填充由毛刺造成缝隙的结果如图5(b)所示，然后对图像和填充后的区域求差集得到去毛刺后的胶辊区域。去毛刺后的效果如图5(c)所示。
步骤3：用形态学的方法提取区域边缘，对边缘进行细化
根据胶辊螺纹的轮廓特征将其分解为直线段和圆弧段，并存储到对应的直线数据库和圆弧数据库中。
3.1 设区域A的边界表示为
Figure 621356DEST_PATH_IMAGE048
，B为结构元素，边缘提取可以先使用结构元素B对区域A进行腐蚀，然后使用区域A减去腐蚀后的区域得到边缘，即：
Figure 672489DEST_PATH_IMAGE049
通过形态学处理得到的边缘较粗，为后续的图像处理带来了一定困难，因此需要对边缘进行细化，得到单像素边缘。边缘细化就是判断边缘上每一个像素点是否应被剔除，以此来去除伪边缘。这里采用HSCP算法细化边缘，首先遍历全部边缘点，判断是否为待剔除点；然后遍历全部待剔除点，判断这些点是否应该剔除。
具体算法如下：
Step1：针对所有边缘点P0，判断其是否满足以下条件，若满足则判断其为待剔除点。
1） 如图6所示的8连通区域中的边缘点数E(P0)在闭区间[2,6]之间；
2） P0的8连通区域包含且只包含一个4连通边缘点。
Step2：遍历所有待剔除点，若满足如下条件之一，则保留，否则删除。
1） P2、P6为边缘点，但P4为待剔除点；
2） P4、P8为边缘点，但P6为待剔除点；
3） P4、P5、P6均为待剔除点。
3.2 使用D-P (Douglas-Peucker)算法将轮廓分割为直线和圆弧，并存储到相应的数据库中。D-P算法是经典的曲线降采样算法。该算法采用递归思想，将如图7所示的曲线L首尾两点A、B相连，计算曲线上到这条直线段AB距离最大的点C，若这个最大距离d Max小于预设值d，则将直线段AB作为曲线的近似，否则，则用点C将曲线分为AC、BC两段，并继续递归使用上述方法，直至所有点均小于预设值d。
当所有的曲线递归逼近结束后，用近似圆去拟合相近的轮廓段，若圆到轮廓段的最大偏差小于两个轮廓段相对应的d Max值，则用近似圆替代相对应的逼近线段，多次迭代直到没有对象。
步骤4：通过轮廓长度去除掉不合格的直线段，设定两个阈值Min和 Max，选择长度在Min和Max之间的所有直线段，其他长度的直线段都不被返回。如图8（a），对筛选后的直线段进行最小二乘拟合，根据直线段的斜率延长直线，并求取直线间的交点，得到轮廓牙顶像素点的坐标和如图8（b）所示的折线轮廓。
步骤5：用最小二乘拟合圆弧段得到圆心坐标和半径，如图9（a）。然后根据圆心和半径对第4步得到的折线轮廓进行圆角拟合，得到牙底像素点坐标和如图9（b）所示的分段拟合后的轮廓。
步骤6：对胶辊螺纹进行尺寸测量，要测量的参数包括：齿宽、齿距、齿深、齿形角。齿宽是相邻牙底像素点之间的直线距离，齿距是相邻牙型牙顶像素点之间的距离，齿深是牙底像素点到胶辊牙顶假想直线的距离，如图10所示，设两相邻牙型的牙顶像素点从左到右为A1、B1、A2、B2，牙底像素点从左到右为C1、C2，则
齿宽：
Figure 863298DEST_PATH_IMAGE050
，
齿距：
Figure 556448DEST_PATH_IMAGE051
，
齿深就是牙底像素点C1、C2到假想直线AB：
Figure 86786DEST_PATH_IMAGE052
的距离。
Figure 636716DEST_PATH_IMAGE053
假想直线通过最小二乘拟合所有牙顶像素点得到。
齿形角是相邻牙型左右两侧边直线之间的夹角，直线的斜率通过第4步得到，代入以下公式可求得齿形角α，k 1、k 2为直线l 1、l 2的斜率。
Figure 518085DEST_PATH_IMAGE054
步骤7：在胶辊螺纹参数测量过程中，被测胶辊的几何尺寸是由图像中像素值来表示的，将像素尺寸转化为实际物理尺寸，需要对映射系数进行标定。映射系数K定义如下：
Figure 982302DEST_PATH_IMAGE055
其中，
Figure 429464DEST_PATH_IMAGE056
为标定板的真实物理尺寸，
Figure 353557DEST_PATH_IMAGE057
为标定板的像素尺寸。
本发明采集标定板时，与采集胶辊螺纹图像的条件完全一致，对采集到的标定板图像进行处理，得到每一个圆形的像素尺寸并求取平均值，然后与圆形的真实尺寸进行物理坐标与像素坐标的标定，得到映射系数，通过该系数便可将胶辊的像素尺寸转化为实际物理尺寸。
步骤8：对测量的实际结果值通过通信协议发送至数控系统，数控系统根据实际测量值与标准值进行对比，若还需再次加工，并对需要再次加工的地方根据误差值调整加工参数进行修正，修正后继续执行测量步骤1-8，直至工件测量结果满足胶辊出厂标准。

Claims (7)

1.一种基于机器视觉的胶辊螺纹在线检测及修正方法，其特征在于包括以下步骤：
步骤1：采集胶辊螺纹图像
胶辊加工完毕后，向数控系统输入胶辊集合参数，通过多轴运动平台与机床协同运动携带工业相机移动至拍照位置并调整被测工件位置，通过工业相机能采集到大小合适、轮廓清晰的工件图像，并将采集到的工件图像通过传输至计算机胶辊测量软件系统进行处理；
步骤2：对采集到的图像进行预处理，采用双边滤波将图像空间邻近度和灰度相似度进行非线性组合，去除噪声的同时保留图像的边缘信息；采用选择迭代阈值法分割图像，将图像分割为前景和背景得到清洗胶辊螺纹图像，利用形态学方法去除胶辊图像上的毛刺；
步骤3：用形态学的方法提取区域边缘，对边缘进行细化根据胶辊螺纹的轮廓特征将其分解为直线段和圆弧段，并存储到对应的直线数据库和圆弧数据库中；
步骤4：通过轮廓长度去除掉不合格的直线段，并对筛选后的直线段进行最小二乘拟合，根据直线段的斜率延长直线，并求取直线间的交点，得到折线轮廓和螺纹牙顶像素坐标；
步骤5：用最小二乘拟合圆弧段得到圆心坐标和半径，然后根据圆心和半径对步骤4得到的折线轮廓进行圆角拟合，得到分段拟合后的胶辊螺纹轮廓和牙底的像素坐标；
步骤6：根据得到的轮廓及像素点坐标，计算胶辊螺纹几何参数；
步骤7：使用标定板进行相机标定，得到映射系数，将计算得到的像素尺寸转换为实际物理尺寸；
步骤8：通过通信处理接口将胶辊螺纹测量信息进行输出至数控系统，数控系统根据加工误差调整加工参数，对存在误差的胶辊进行修正，修正后继续执行测量步骤1-8，直至工件测量结果满足胶辊出厂标准。
2.根据权利要求1所述的基于机器视觉的胶辊螺纹在线检测及修正方法，其特征在于：所述步骤2中采用双边滤波将图像空间邻近度和灰度相似度进行非线性组合，去除噪声的同时保留图像的边缘信息，设
Figure 618038DEST_PATH_IMAGE001
为滤波后的图像在
Figure 4020DEST_PATH_IMAGE002
处的灰度值，
Figure 987020DEST_PATH_IMAGE003
为像素点
Figure 647808DEST_PATH_IMAGE004
邻域范围内的一个相邻像素点，
Figure 931022DEST_PATH_IMAGE005
为噪声图像在
Figure 956747DEST_PATH_IMAGE006
处的灰度值，双边滤波的模型如下：
Figure 489359DEST_PATH_IMAGE007
其中，
Figure 891522DEST_PATH_IMAGE008
Figure 825980DEST_PATH_IMAGE009
Figure 288185DEST_PATH_IMAGE010
为空间权重，
Figure 744312DEST_PATH_IMAGE011
为灰度相似度权重，
Figure 746903DEST_PATH_IMAGE012
、
Figure 473551DEST_PATH_IMAGE013
为空间标准差和灰度标准差。
3.根据权利要求1所述的基于机器视觉的胶辊螺纹在线检测及修正方法，其特征在于：所述步骤2中选择迭代阈值法分割图像，将图像的平均灰度值设置为初始阈值T，利用阈值T把给定图像分割为前景和背景，灰度值≤T的区域为前景R 1，灰度值>T的区域为背景R 2；
阈值T的计算如下式：
Figure 168974DEST_PATH_IMAGE014
式中，
Figure 879441DEST_PATH_IMAGE015
为图像中所有可能的灰度级，
Figure 357827DEST_PATH_IMAGE016
为灰度级
Figure 266877DEST_PATH_IMAGE017
在图像中出现的次数；
计算R 1和R 2的平均灰度值μ 1和μ 2；
Figure 70885DEST_PATH_IMAGE018
Figure 3069DEST_PATH_IMAGE019
其中，
Figure 347463DEST_PATH_IMAGE020
和
Figure 48703DEST_PATH_IMAGE021
分别为灰度级和其对应灰度级的像素个数；
根据μ 1、μ 2求出新的阈值T′
Figure 85929DEST_PATH_IMAGE022
重复上述过程直到T′小于预设值T，此时T′就是图像分割的最佳阈值。
4.根据权利要求1所述的基于机器视觉的胶辊螺纹在线检测及修正方法，其特征在于：所述步骤2中利用形态学方法去除胶辊图像上的毛刺，形态学中的闭运算对区域先膨胀后腐蚀，使用结构元素B对集合A的闭运算表示为
Figure 239830DEST_PATH_IMAGE023
：
Figure 387914DEST_PATH_IMAGE024
对迭代法分割后得到背景区域用圆形结构的闭运算进行处理，填充由毛刺造成的缝隙，然后对图像和填充后的区域求差集得到去毛刺后的胶辊区域。
5.根据权利要求4所述的基于机器视觉的胶辊螺纹在线检测及修正方法，其特征在于所述步骤3中具体过程为：
3.1 设区域A的边界表示为
Figure 707775DEST_PATH_IMAGE025
，B为结构元素，边缘提取时先使用结构元素B对区域A进行腐蚀，然后使用区域A减去腐蚀后的区域得到边缘，即：
Figure 119165DEST_PATH_IMAGE026
采用HSCP算法细化边缘，首先遍历全部边缘点，判断是否为待剔除点；然后遍历全部待剔除点，判断这些点是否应该剔除；
3.2 使用D-P算法将轮廓分割为直线和圆弧，并存储到相应的数据库中；
将曲线L首尾两点A、B相连，计算曲线L上到直线段AB距离最大的点C，若这个最大距离d Max小于预设值d，则将直线段AB作为曲线的近似，否则，则用点C将曲线分为AC、BC两段，并继续递归使用上述方法，直至所有点均小于预设值d；
当所有的曲线递归逼近结束后，用近似圆去拟合相近的轮廓段，若圆到轮廓段的最大偏差小于两个轮廓段相对应的d Max值，则用近似圆替代相对应的逼近线段，多次迭代直到没有对象。
6.根据权利要求1所述的基于机器视觉的胶辊螺纹在线检测及修正方法，其特征在于所述步骤6中计算得到的胶辊螺纹几何参数包括齿宽、齿距、齿深和齿形角，齿宽是相邻牙底像素点之间的直线距离，齿距是相邻牙型牙顶像素点之间的距离，齿深是牙底像素点到胶辊牙顶假想直线的距离；
设两相邻牙型的牙顶像素点从左到右为A1、B1、A2、B2，牙底像素点从左到右为C1、C2，则
齿宽：
Figure 760361DEST_PATH_IMAGE027
，
齿距：
Figure 446558DEST_PATH_IMAGE028
，
齿深就是牙底像素点C1、C2到假想直线AB：
Figure 122390DEST_PATH_IMAGE029
的距离；
Figure 501418DEST_PATH_IMAGE030
假想直线通过最小二乘拟合所有牙顶像素点得到；
齿形角是相邻牙型左右两侧边直线之间的夹角，直线的斜率通过步骤4得到，代入以下公式可求得齿形角α，k 1、k 2为直线l 1、l 2的斜率；
Figure 629911DEST_PATH_IMAGE031
。
7.根据权利要求1所述的基于机器视觉的胶辊螺纹在线检测及修正方法，其特征在于所述步骤7中映射系数K如下：
Figure 119799DEST_PATH_IMAGE032
其中，
Figure 384558DEST_PATH_IMAGE033
为标定板的真实物理尺寸，
Figure 137750DEST_PATH_IMAGE034
为标定板的像素尺寸。
CN202211068326.9A 2022-09-02 2022-09-02 一种基于机器视觉的胶辊螺纹在线检测及修正方法 Withdrawn CN115127479A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211068326.9A CN115127479A (zh) 2022-09-02 2022-09-02 一种基于机器视觉的胶辊螺纹在线检测及修正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211068326.9A CN115127479A (zh) 2022-09-02 2022-09-02 一种基于机器视觉的胶辊螺纹在线检测及修正方法

Publications (1)

Publication Number Publication Date
CN115127479A true CN115127479A (zh) 2022-09-30

Family

ID=83387898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211068326.9A Withdrawn CN115127479A (zh) 2022-09-02 2022-09-02 一种基于机器视觉的胶辊螺纹在线检测及修正方法

Country Status (1)

Country Link
CN (1) CN115127479A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116129364A (zh) * 2023-04-17 2023-05-16 山东山矿机械有限公司 一种皮带集控系统
CN116907360A (zh) * 2023-08-03 2023-10-20 苏州苏瑞膜纳米科技有限公司 基于机器视觉的ro膜胶线宽度检测系统及检测方法
CN117611586A (zh) * 2024-01-23 2024-02-27 苏州墨象视觉科技有限公司 一种基于机器视觉的齿轮品质检测方法和系统
CN117788464A (zh) * 2024-02-26 2024-03-29 卡松科技股份有限公司 一种工业齿轮油杂质视觉检测方法
CN117808797A (zh) * 2024-02-28 2024-04-02 陕西长空齿轮有限责任公司 一种齿轮表面毛刺高精度视觉检测方法
CN117611586B (zh) * 2024-01-23 2024-04-26 苏州墨象视觉科技有限公司 一种基于机器视觉的齿轮品质检测方法和系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4825394A (en) * 1985-05-07 1989-04-25 General Dynamics Corporation Vision metrology system
US20050147290A1 (en) * 2003-12-30 2005-07-07 Ong Hock S. Quality inspection system for fasteners
JP2017150949A (ja) * 2016-02-24 2017-08-31 株式会社豊田中央研究所 検査装置および検査方法
WO2018086299A1 (zh) * 2016-11-11 2018-05-17 广东电网有限责任公司清远供电局 基于图像处理的绝缘子缺陷检测方法及系统
CN109102507A (zh) * 2018-08-28 2018-12-28 珠海格力智能装备有限公司 螺钉螺纹检测方法以及装置
CN111750789A (zh) * 2020-06-08 2020-10-09 北京工业大学 小模数齿轮视觉测量中齿距偏差和齿廓偏差评定方法
US20200364849A1 (en) * 2018-01-03 2020-11-19 Southeast University Method and device for automatically drawing structural cracks and precisely measuring widths thereof
CN112200823A (zh) * 2020-11-17 2021-01-08 东北大学 一种基于机器视觉的热轧板坯头部翘曲特征检测方法
CN113310426A (zh) * 2021-05-14 2021-08-27 昆山市益企智能装备有限公司 一种基于三维轮廓的螺纹参数测量方法及系统
CN216633694U (zh) * 2021-12-21 2022-05-31 陕西科技大学 一种基于视觉检测的胶辊在线测量装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4825394A (en) * 1985-05-07 1989-04-25 General Dynamics Corporation Vision metrology system
US20050147290A1 (en) * 2003-12-30 2005-07-07 Ong Hock S. Quality inspection system for fasteners
JP2017150949A (ja) * 2016-02-24 2017-08-31 株式会社豊田中央研究所 検査装置および検査方法
WO2018086299A1 (zh) * 2016-11-11 2018-05-17 广东电网有限责任公司清远供电局 基于图像处理的绝缘子缺陷检测方法及系统
US20200364849A1 (en) * 2018-01-03 2020-11-19 Southeast University Method and device for automatically drawing structural cracks and precisely measuring widths thereof
CN109102507A (zh) * 2018-08-28 2018-12-28 珠海格力智能装备有限公司 螺钉螺纹检测方法以及装置
CN111750789A (zh) * 2020-06-08 2020-10-09 北京工业大学 小模数齿轮视觉测量中齿距偏差和齿廓偏差评定方法
CN112200823A (zh) * 2020-11-17 2021-01-08 东北大学 一种基于机器视觉的热轧板坯头部翘曲特征检测方法
CN113310426A (zh) * 2021-05-14 2021-08-27 昆山市益企智能装备有限公司 一种基于三维轮廓的螺纹参数测量方法及系统
CN216633694U (zh) * 2021-12-21 2022-05-31 陕西科技大学 一种基于视觉检测的胶辊在线测量装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张兆凤: "基于图像处理的圆锥螺纹非接触检测技术研究", 《中国优秀硕士论文全文数据工程科技I辑》 *
江涛等: "基于轮廓角点检测的螺纹关键参数视觉测量方法", 《电子测量与仪器学报》 *
韩天雨: "基于机器视觉的丝杠螺距误差检测方法与装置研究", 《中国优秀硕士论文全文数据工程科技I辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116129364A (zh) * 2023-04-17 2023-05-16 山东山矿机械有限公司 一种皮带集控系统
CN116907360A (zh) * 2023-08-03 2023-10-20 苏州苏瑞膜纳米科技有限公司 基于机器视觉的ro膜胶线宽度检测系统及检测方法
CN116907360B (zh) * 2023-08-03 2024-03-12 苏州苏瑞膜纳米科技有限公司 基于机器视觉的ro膜胶线宽度检测系统及检测方法
CN117611586A (zh) * 2024-01-23 2024-02-27 苏州墨象视觉科技有限公司 一种基于机器视觉的齿轮品质检测方法和系统
CN117611586B (zh) * 2024-01-23 2024-04-26 苏州墨象视觉科技有限公司 一种基于机器视觉的齿轮品质检测方法和系统
CN117788464A (zh) * 2024-02-26 2024-03-29 卡松科技股份有限公司 一种工业齿轮油杂质视觉检测方法
CN117788464B (zh) * 2024-02-26 2024-04-30 卡松科技股份有限公司 一种工业齿轮油杂质视觉检测方法
CN117808797A (zh) * 2024-02-28 2024-04-02 陕西长空齿轮有限责任公司 一种齿轮表面毛刺高精度视觉检测方法
CN117808797B (zh) * 2024-02-28 2024-04-30 陕西长空齿轮有限责任公司 一种齿轮表面毛刺高精度视觉检测方法

Similar Documents

Publication Publication Date Title
CN115127479A (zh) 一种基于机器视觉的胶辊螺纹在线检测及修正方法
CN108637435B (zh) 一种基于视觉与弧压传感的三维焊缝跟踪系统及方法
CN109272544B (zh) 管道全位置焊缝的结构光三维测量模型和图像处理方法
CN112453751B (zh) 一种基于视觉传感的管道全位置焊背面在线监测方法
CN108725511B (zh) 钢轨波磨弦测点的实时位置修正方法
CN112651968A (zh) 一种基于深度信息的木板形变与凹坑检测方法
CN111311618A (zh) 一种基于高精度几何基元提取的圆弧工件匹配与定位方法
CN115359053A (zh) 一种金属板材缺陷智能检测方法及系统
CN110097548B (zh) 一种基于机器视觉的钻孔缺陷检测系统及其检测方法
CN112233116A (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
CN111539927A (zh) 汽车塑料组合件紧固卡扣缺装检测装置的检测过程及算法
CN115861217A (zh) 一种基于视觉的背光板电路板缺陷检测系统及方法
CN112102189B (zh) 一种线结构光光条中心线提取方法
CN109883396B (zh) 一种基于图像处理技术的水准泡刻线宽度测量方法
CN108805854B (zh) 一种复杂环境下药片快速计数与完整性检测方法
CN111539951B (zh) 一种陶瓷砂轮头轮廓尺寸视觉检测方法
CN111639556A (zh) 一种非均匀插值的手指轴旋转指静脉图像纠正方法
Pang et al. An algorithm for extracting the center of linear structured light fringe based on directional template
CN114212452A (zh) 基于激光辅助和图像处理的煤流检测方法及节能控制系统
CN113763279A (zh) 一种具有矩形框图像的精确校正处理方法
CN114494165A (zh) 一种基于聚类的光条提取方法及装置
CN113763491A (zh) 一种烟丝桶残余物的视觉检测方法
Kang et al. Measurement of electrochemical machining initial gap based on machine vision
CN110889415A (zh) 用于不同反光率表面的压印序列号字符分割方法
Jing et al. The research on the application to digital image technology in hypoid gear contact zone detection

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220930