CN115294119B - 基于机器视觉的梅花螺纹头部内槽污渍检测方法 - Google Patents

Abstract

本发明涉及数据处理领域，具体涉及基于机器视觉的梅花螺纹头部内槽污渍检测方法，提取待检测梅花螺纹头部图像的感兴趣区域的数据信息，对其进行数据处理，具体为：计算滤波前后的各疑似污渍区域的信息熵；将各滤波前后的各疑似污渍区域的信息熵的差值作为信息增益；确定对应疑似污渍区域的面积，将面积的倒数作为对应疑似污渍区域的权重；对各疑似污渍区域进行高通滤波处理，分别计算滤波前后的轮廓指标；根据轮廓指标计算两者的相似度；根据信息增益、权重以及相似度，计算疑似污渍区域的污渍判别指标，当所述污渍判别指标大于设定值，认为该疑似污渍区域为污渍，则需要进行清理。本发明能够准确地确定螺纹头部是噪声还是污渍，便于及时清理。

Description

基于机器视觉的梅花螺纹头部内槽污渍检测方法

技术领域

本发明涉及数据处理领域，具体涉及基于机器视觉的梅花螺纹头部内槽污渍检测方法。

背景技术

螺纹零件在工业生产中被广泛使用，是一种标准化及互换性要求非常高的机械零件，并且成为了机械制造业中最为重要的连接、紧固和传动件之一。在现代工业生产中，聚合物成型领域螺杆挤压被广泛应用；半导体制造设备也大量使用了精密球丝杆；尤其是在航空航天飞行器的研究设计中，螺纹零件连接被大量运用，有50%以上的机械零件的连接要依靠螺纹零件配合来完成。此外在外科医疗领域，椎弓足骨螺丝钉被应用于骨质疏松的治疗，臀部运用经关节螺钉固定退化和病变的关节。螺纹零件质量的好坏影响着人民生活的方方面面，因此对于螺纹零件的质量检测也变得愈发重要。

随着对于高精度设备需求的提高以及生产、装配自动化的不断发展，使得螺纹零件在机械产品生产过程中的质量要求被不断提高。但是由于在螺纹零件生产过程中不仅制造工序繁多，而且螺纹零件生产车间环境复杂，致使螺纹零件头部槽内可能在生产过程中被污染，从而导致槽内存在较为严重的污渍进而影响螺纹的正常使用，因此对于螺纹零件头部槽内是否含有污渍的检测变得十分重要。

发明内容

为了解决上述技术问题，本发明的目的在于提供了基于机器视觉的梅花螺纹头部内槽污渍检测方法，所采用的技术方案具体如下：

本发明提供的基于机器视觉的梅花螺纹头部内槽污渍检测方法的技术方案，包括以下步骤：

获取待检测梅花螺纹头部图像，提取所述待检测梅花螺纹头部图像的感兴趣区域，所述感兴趣区域为内槽图像；

对所述内槽图像进行二值化处理，并提取出内槽图像中的n个疑似污渍区域，并对每个疑似污渍区域进行低通滤波处理，并计算滤波前后的各疑似污渍区域的信息熵；将各滤波前后的各疑似污渍区域的信息熵的差值，作为各疑似污渍区域的信息增益，其中n大于等于1；

基于所述滤波后的疑似污渍区域的像素点个数，确定对应疑似污渍区域的面积，将面积的倒数作为对应疑似污渍区域的权重；

对各疑似污渍区域进行高通滤波处理，得到处理后的疑似污渍区域，分别计算高通滤波前后的轮廓指标；根据滤波前后的轮廓指标，计算两者的相似度；

根据各疑似污渍区域的信息增益、权重以及相似度，计算对应疑似污渍区域的污渍判别指标，当所述污渍判别指标大于设定值，则认为该疑似污渍区域为污渍，则需要进行清理。

进一步地，所述轮廓指标的获取过程为：

获取各疑似污渍区域的边缘轮廓信息；

计算各个疑似污渍区域中边缘轮廓信息中的各个像素点的曲率，根据曲率大小进行排序，选取曲率最大的M个像素点计算傅里叶描述子，其中M大于等于2；

每个疑似污渍区域中，以任意一个像素点作为起始点，沿逆时针方向对污渍或者噪声边界进行描点，确定每个像素点的描述子；进而计算边缘轮廓的傅里叶描述子；

对边缘轮廓的傅里叶描述子进行归一化处理，得到：

其中

为归一化之后的傅里叶描述子，以该值作为区分污渍以及噪声的轮廓指标，m为边缘轮廓信息中第m个像素点。

进一步地，采用皮尔逊显著性检验计算滤波前后的疑似污渍区域的相似度。

进一步地，还包括对所述梅花螺纹头部图像进行图像锐化以及图像灰度化处理。

进一步地，所述感兴趣区域的获取过程为：

获取梅花螺纹头部图像的中心点的坐标，并对梅花螺纹头部图像进行二值化处理，对二值化处理后的图像通过roberts算子进行边缘分割，将分割后的梅花螺纹头部图像以圆心坐标为基点，通过漫水填充法获取梅花螺纹头部的内槽区域，再对其进行形态学操作开运算，并提取出开运算后的梅花螺纹头部图像的内槽区域；

将提取出的内槽区域与各个正常梅花螺纹头部内槽区域进行一一匹配，计算各个匹配好的内槽图像的重合部分大小，重合部分大小通过重合部分的像素点个数进行度量；

选出使得与待测梅花螺纹头部图像重合部分最大的正常梅花螺纹头部内槽图像，该正常梅花螺纹头部内槽图像为完整的待测梅花螺纹头部内槽区域；根据正常梅花螺纹头部内槽图像的轮廓以及内槽各边缘点的像素位置，对待测梅花螺纹头部内槽图像进行提取。

进一步地，所述疑似污渍区域的获取过程为：

将提取的待测梅花螺纹头部内槽图像转换为HSV空间，通过二值化处理提取出梅花螺纹头部内槽区域中n个疑似污渍部分。

进一步地，所述污渍判别指标为：

其中，

为第i个疑似污渍区域的权重,

为第i个疑似污渍区域的滤波前后的相似度，

为第i个疑似污渍区域的信息增益。

本发明的有益效果：

本发明通过构建信息熵、相似度指标对待测梅花螺纹头部内槽进行污渍检测。首先将待测梅花螺纹头部内槽进行提取，并根据疑似污渍部分与其余部分的显著性差异，将疑似污渍部分划分为n个疑似污渍区域，并对提取出的内槽图像中各疑似污渍区域分别计算经过频域滤波处理之前与之后的信息熵与相似度指标，最后通过污渍判别指标

对各疑似污渍区域污渍进行检测。即通过前后图像滤波处理，获取图像相关的特征。

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是本发明的基于机器视觉的梅花螺纹头部内槽污渍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，对依据本发明的方案，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。

本发明的场景为：对梅花螺纹头部内槽进行污渍检测；即通过提取出梅花螺纹图像中的内槽区域(即感兴趣区域)，之后根据污渍与噪声的显著性差异，对待测梅花螺纹头部内槽图像是否存在污渍进行检测。

具体地，对本发明提供的基于机器视觉的梅花螺纹头部内槽污渍检测方法进行介绍，请参阅图1所示，包括以下步骤：

首先，获取待检测梅花螺纹头部图像，提取所述待检测梅花螺纹头部图像的感兴趣区域，所述感兴趣区域为内槽图像。

本实施例中通过CMOS相机以及LED环形白色光源采集待检测梅花螺纹头部图像。

本实施例中还对采集的待检测梅花螺纹头部图像进行预处理，其中预处理包括图象锐化以及图像灰度化。图像锐化是补偿图像的轮廓，增强图像的边缘及灰度跳变的部分，使图像变得清晰；图像灰度化是为了减小图像原始数据量，便于后续处理时计算量更少。本发明所用图像锐化以及图像灰度化处理方法分别为：微分尖锐化和加权平均法。

对于经过预处理后的梅花螺纹头部图像，首先获取梅花螺纹内槽中心点的坐标，并对梅花螺纹头部图像进行二值化处理，对二值化处理后的图像通过roberts算子进行边缘分割，将分割后的梅花螺纹头部图像以圆心坐标为基点，通过漫水填充法获取梅花螺纹头部的内槽区域，再对其进行形态学操作开运算（即先腐蚀后膨胀），即可针对开运算处理后的图像，提取出梅花螺纹头部内槽特征；其中开运算能够防止区域腐蚀过度，可以较好的保持区域的形状。

若直接对待测梅花螺纹头部图像进行内槽区域提取，由于污渍等因素的干扰，可能导致提取出的区域并不是完整的梅花螺纹头部内槽图像，由此区域进行内槽区域污渍检测效果较差，因此本发明通过提取待检测梅花螺纹头部内槽区域以及正常梅花螺纹头部内槽区域，将待测梅花螺纹头部内槽区域与各个正常梅花螺纹头部内槽区域进行匹配，即可得到完整的待测梅花螺纹头部内槽区域。

具体地，通过计算正常梅花螺纹头部内槽区域与待测梅花螺纹头部内槽区域的重合部分大小即可进行内槽匹配：将提取出的待测梅花螺纹头部内槽区域与各个正常梅花螺纹头部内槽区域进行一一匹配，其次计算各个匹配好的内槽图像的重合部分大小，重合部分大小通过重合部分的像素点个数进行度量；选出使得与待测梅花螺纹头部图像重合部分最大的正常梅花螺纹头部内槽图像，该正常梅花螺纹头部内槽图像即为完整的待测梅花螺纹头部内槽区域；根据正常梅花螺纹头部内槽图像的轮廓以及内槽各边缘点像素位置，即可对待测梅花螺纹头部内槽图像进行提取。

需要说明的是，上述中的各个正常梅花螺纹头部内槽图像是由已知的无污渍的梅花螺纹进行拍摄的正常图像，从对应的正常图像提取出的内槽图像。其中的各个正常梅花螺纹头部内槽区域是基于拍摄的正常图像进行旋转得到的图像；需要说明的是，由于获取的待测梅花螺纹头部内槽图像拍摄的图像位置可能有所不同，因此，需要获取不同旋转角度下的正常图像对其进行匹配，从而更准确地进行待测梅花螺纹头部的内槽图像的提取。

其次，对所述内槽图像进行二值化处理，并提取出内槽图像中的n个疑似污渍区域，并对每个疑似污渍区域进行低通滤波处理，并计算滤波前后的各疑似污渍区域的信息熵；将各滤波前后的各疑似污渍区域的信息熵的差值，作为各疑似污渍区域的信息增益，其中n大于等于1。

本实施例中，将上述经过预处理以及内槽匹配之后的图像转换为HSV空间，通过二值化处理（阈值取经验值为150）提取出梅花螺纹头部内槽区域中n个疑似污渍区域，其中n个疑似污渍区域中的某些区域中可能只存在污渍，也可能只存在噪声，也可能既存在污渍又存在噪声（噪声为在拍摄过程中由于光源以及设备等因素形成的干扰污渍判断的区域，如光子噪声、热噪声、高斯噪声等）。

为了区分噪声和污渍，本实施例中对采集到的内槽图像进行滤波处理，具体地：

本实施例中，先计算划分好的n个疑似污渍区域的信息熵，通过信息熵可以用来反映图像所包含的信息量，信息熵越大表明图像所蕴含信息越多，因此通过信息熵可以用来对疑似污渍部分进行检测；其中各疑似污渍区域的信息熵为：

其中，

表示在疑似污渍区域i中疑似污渍部分的信息熵，疑似污渍区域i为疑似污渍局部图像，

为在疑似污渍区域i中亮度值为x的像素所占比例。

之后，由于存在噪声的各个区域与不存在噪声的各个区域的亮度值不同，因此可通过梅花螺纹头部内槽图像各区域中亮度的变化对疑似污渍部分进行检测，通过傅里叶变换将待测梅花螺纹头部内槽图像从空间域转换为频域，将频域图与低通滤波器（由于频域中的低频部分为灰度变化缓慢的区域，而且疑似污渍部分除其边界灰度变化大外，其余部分灰度变化缓慢，因此通过低通滤波器进行处理保留低频波）做卷积运算实现频率域滤波，再通过傅里叶反变换即可将待测梅花螺纹头部内槽图像从频域转换为空间域得到低通滤波处理后的疑似污渍区域，并计算经过上述处理之后的各疑似污渍区域的信息熵，将各疑似污渍区域对应的未进行滤波处理的信息熵与进行滤波处理后的信息熵相减，将其记为信息增益，其公式为：

其中，

为疑似污渍区域i的信息增益，表示疑似污渍区域i经过频域低通滤波之后剔除掉的噪声部分的信息熵，

为疑似污渍区域i未进行滤波处理时计算得到的信息熵，

为经过滤波之后的疑似污渍区域i的信息熵。

然后，基于上述中经低通滤波后的各疑似污渍区域的像素点个数，确定对应疑似污渍区域的面积，将面积的倒数作为对应疑似污渍区域的权重。

对于提取出的n个疑似污渍区域，首先计算经过频域低通滤波之后的n个疑似污渍区域的面积，其中面积通过各个疑似污渍区域的像素点个数进行度量，最后通过计算得到的各个疑似污渍区域的面积大小，对各个疑似污渍区域赋予不同的权重，其中疑似污渍区域面积越大，越有可能为污渍部分，反之亦然，通过对不同疑似污渍区域赋予不同权重，从而构建污渍判别指标，权重以

进行表示，各区域权重为n个疑似污渍区域面积经归一化处理后以倒数的形式对应于各疑似污渍区域的值，即：

其中，

为疑似污渍区域i的面积。

需要说明的是，由于面积以及权重的计算是在经过频域低通滤波之后计算所得，此时可能会导致一些噪声区域消失，若出现此种情况，则跳过该区域面积以及权重的计算。

再者，对各疑似污渍区域进行高通滤波处理，得到处理后的疑似污渍区域，分别计算滤波前后的轮廓指标；根据滤波前后的轮廓指标，计算两者的相似度。

由于各个污渍以及噪声均为闭合区域，根据上述划分的n个疑似污渍区域，分别计算各疑似污渍区域的轮廓指标（傅里叶变换后经过高通滤波前与高通滤波后的两批指标，轮廓位置处灰度变化较大，因此通过高频滤波保留其轮廓特征），对污渍以及噪声进行区分，若区域中不存在噪声，则经过频域高通滤波前的轮廓指标与频域高通滤波后的轮廓指标之间具有较高的相似度，否则，则表明该区域中存在噪声。

具体地，先通过傅里叶描述子将n个疑似污渍区域中的污渍或者噪声部分以像素点的形式进行连接，在进行连接之前其中像素点的确定为首先计算各个区域中轮廓位置的各个像素点的曲率，根据曲率大小进行排序，确定像素点的个数。

本实施例中，像素点的个数过多，会造成特征冗余，像素点的个数过少则无法描述内槽图像中的污渍以及噪声的轮廓，因此需要确定合适的像素点个数，本实施例中每个区域的像素点的个数经验取值为30。

之后选取曲率最大的30个像素点计算其傅里叶描述子，并且在每个疑似污渍区域i中，以任意一个像素点作为起始点，沿逆时针方向对污渍或者噪声边界进行描点：

其中，

表示各个轮廓点在图像中的坐标，

表示将这些像素点的坐标当作复数来处理（将边界的表示从二维表达简化为一维表达），

为虚数单位。

其中

称为边界的傅里叶描述子，通过欧拉公式即可完成傅里叶描述子的计算，并将该值进行归一化处理使其具有平移、旋转和尺度不变性。

其中，

为归一化之后的傅里叶描述子，若干个像素点即可描绘一个完整的污渍或者噪声区域，据此可对该区域中存在的污渍或者噪声进行检测，因此以该值作为区分污渍以及噪声的轮廓指标。

通过上述分别计算频域高通滤波前和频域高通滤波后以及高斯滤波处理的步骤即可计算出各个区域中的傅里叶描述子，将各个疑似污渍区域的傅里叶描述子通过皮尔逊显著性检验计算两者的相似性，从而判断各疑似污渍区域中是否存在噪声，将相似度指标通过

进行表示，

表示疑似污渍区域i的相似度。

需要说明的是，由于傅里叶描述子主要用来反映轮廓特征，因此通过曲率大的点能够更好反映各个疑似污渍区域的轮廓。

最后，根据各疑似污渍区域的信息增益、权重以及相似度，计算对应疑似污渍区域的污渍判别指标，当所述污渍判别指标大于设定值，则认为该疑似污渍区域为污渍，则需要进行清理。

本实施例中，将在各个疑似污渍区域计算得到的信息熵、信息增益以及相似度指标进行归一化处理，进而构建区域污渍判别指标

对各区域进行污渍检测，如下：

其中，

为疑似污渍区域i的权重，通过构建指标

对待检测梅花螺纹头部内槽图像中是否存在污渍进行判断，其中权重

越小，相似度

越大，轮廓相似度

越小，

也越大，越可能是污渍。权重

越大，信息增益

越大，相似度

越小，

也越小，越可能是噪声。

本实施例中，当

大于G时，即认为该待测梅花螺纹头部内槽存在污渍。其中，本实施例中的G取经验值0.5，其还可以根据实际情况进行设置。

本发明是针对梅花螺纹头部内槽图像中存在的污渍以及噪声进行检测，即通过构建信息熵、相似度指标，对提取出的待测梅花螺纹头部内槽图像中各疑似污渍区域进行度量，并通过污渍判别指标

对各区域污渍进行检测。

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精神和范围，均应包含在本申请的保护范围之内。

Claims (4)

1.基于机器视觉的梅花螺纹头部内槽污渍检测方法，其特征在于，包括以下步骤：

获取待检测梅花螺纹头部图像，提取所述待检测梅花螺纹头部图像的感兴趣区域，所述感兴趣区域为内槽图像；

对所述内槽图像进行二值化处理，并提取出内槽图像中的n个疑似污渍区域，并对每个疑似污渍区域进行低通滤波处理，并计算滤波前后的各疑似污渍区域的信息熵；将各滤波前后的各疑似污渍区域的信息熵的差值，作为各疑似污渍区域的信息增益，其中n大于等于1；

基于所述滤波后的疑似污渍区域的像素点个数，确定对应疑似污渍区域的面积，将面积的倒数作为对应疑似污渍区域的权重；

对各疑似污渍区域进行高通滤波处理，得到处理后的疑似污渍区域，分别计算高通滤波前后的轮廓指标；根据滤波前后的轮廓指标，计算两者的相似度；

根据各疑似污渍区域的信息增益、权重以及相似度，计算对应疑似污渍区域的污渍判别指标，当所述污渍判别指标大于设定值，则认为该疑似污渍区域为污渍，则需要进行清理；

所述轮廓指标的获取过程为：

获取各疑似污渍区域的边缘轮廓信息；

计算各个疑似污渍区域中边缘轮廓信息中的各个像素点的曲率，根据曲率大小进行排序，选取曲率最大的M个像素点计算傅里叶描述子，其中M大于等于2；

每个疑似污渍区域中，以任意一个像素点作为起始点，沿逆时针方向对污渍或者噪声边界进行描点，确定每个像素点的描述子；进而计算边缘轮廓的傅里叶描述子；

对边缘轮廓的傅里叶描述子进行归一化处理，得到：

其中

为归一化之后的傅里叶描述子，以该值作为区分污渍以及噪声的轮廓指标，m为边缘轮廓信息中第m个像素点；

采用皮尔逊显著性检验计算滤波前后的疑似污渍区域的相似度；所述污渍判别指标为：

其中，

为第

个疑似污渍区域的权重,

为第

个疑似污渍区域的滤波前后的相似度，

为第

个疑似污渍区域的信息增益。

2.根据权利要求1所述的基于机器视觉的梅花螺纹头部内槽污渍检测方法，其特征在于，还包括对所述梅花螺纹头部图像进行图像锐化以及图像灰度化处理。

3.根据权利要求1所述的基于机器视觉的梅花螺纹头部内槽污渍检测方法，其特征在于，所述感兴趣区域的获取过程为：

获取梅花螺纹头部图像的中心点的坐标，并对梅花螺纹头部图像进行二值化处理，对二值化处理后的图像通过roberts算子进行边缘分割，将分割后的梅花螺纹头部图像以圆心坐标为基点，通过漫水填充法获取梅花螺纹头部的内槽区域，再对其进行形态学操作开运算，并提取出开运算后的梅花螺纹头部图像的内槽区域；

将提取出的内槽区域与各个正常梅花螺纹头部内槽区域进行一一匹配，计算各个匹配好的内槽图像的重合部分大小，重合部分大小通过重合部分的像素点个数进行度量；

选出使得与待测梅花螺纹头部图像重合部分最大的正常梅花螺纹头部内槽图像，该正常梅花螺纹头部内槽图像为完整的待测梅花螺纹头部内槽区域；根据正常梅花螺纹头部内槽图像的轮廓以及内槽各边缘点的像素位置，对待测梅花螺纹头部内槽图像进行提取。

4.根据权利要求3所述的基于机器视觉的梅花螺纹头部内槽污渍检测方法，其特征在于，所述疑似污渍区域的获取过程为：

将提取的待测梅花螺纹头部内槽图像转换为HSV空间，通过二值化处理提取出梅花螺纹头部内槽区域中n个疑似污渍部分。

Images