CN115311287A - 一种共轨喷油器生产异常检测方法 - Google Patents

一种共轨喷油器生产异常检测方法 Download PDF

Info

Publication number
CN115311287A
CN115311287A CN202211244606.0A CN202211244606A CN115311287A CN 115311287 A CN115311287 A CN 115311287A CN 202211244606 A CN202211244606 A CN 202211244606A CN 115311287 A CN115311287 A CN 115311287A
Authority
CN
China
Prior art keywords
lbp
pixel point
obtaining
threshold
image
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
CN202211244606.0A
Other languages
English (en)
Other versions
CN115311287B (zh
Inventor
汪军
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.)
Nantong Outong Petroleum Equipment Co ltd
Original Assignee
Nantong Outong Petroleum Equipment 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 Nantong Outong Petroleum Equipment Co ltd filed Critical Nantong Outong Petroleum Equipment Co ltd
Priority to CN202211244606.0A priority Critical patent/CN115311287B/zh
Publication of CN115311287A publication Critical patent/CN115311287A/zh
Application granted granted Critical
Publication of CN115311287B publication Critical patent/CN115311287B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种共轨喷油器生产异常检测方法。该方法包括：设定初始的特征阈值，获得初始的特征阈值对应的LBP图；得到初始的特征阈值的第一评价和第二评价；利用初始的特征阈值的第一评价和第二评价得到初始的特征阈值的综合评价；按照设定规则对初始的特征阈值进行更新，综合评价大于设定阈值的特征阈值为最优阈值；利用最优阈值得到灰度图中的螺纹区域中每个像素点LBP值和无毛刺的灰度图的标准LBP图；基于所述螺纹区域中每个像素点LBP值和标准LBP图中螺纹区域的像素点LBP值获得喷油器体的毛刺程度，并判断喷油器体是否出现毛刺缺陷。本发明能够准确的检测出喷油器体的毛刺缺陷。

Description

一种共轨喷油器生产异常检测方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种共轨喷油器生产异常检测方法。
背景技术
喷油器体电磁阀安装内外螺纹、喷油嘴安装螺纹在生产过程中由于工艺或者复杂的环境等原因容易产生毛刺。产生的毛刺对喷油器装配后的性能会产生致命影响。因此需要对喷油器体的毛刺的情况进行检测，以避免生产出来的喷油器体不符合要求进而对整个喷油器功能造成重大影响。
传统的对于喷油器体的毛刺的情况的判断主要依赖于人工，但是这种方法费时费力且准确性不高；随着图像处理技术的发展，可以利用喷油器体的表面图像进行分析来得到喷油器体的毛刺的情况，但是由于喷油器体本身具有一定的金属纹理信息，这对于利用喷油器体的表面图像进行分析有一定的影响，导致检测喷油器体的毛刺情况时误差较大。
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共轨喷油器生产异常检测方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种共轨喷油器生产异常检测方法：获取喷油器体的表面图像并进行预处理得到灰度图；基于灰度图得到边缘图像，并获取边缘图像中的多条直线；基于每条直线的中心点的位置和直线的长度对直线进行分类获得多个类别的直线；基于直线数量大于阈值的类别中的所有直线获得螺纹区域；
设定初始的特征阈值，利用初始的特征阈值和灰度图中每个像素点邻域内像素点与每个像素点的灰度差值得到每个像素点的特征码序列；基于像素点的特征码序列得到像素点的LBP值；利用每个像素点的LBP值将灰度图转换为LBP图；
基于LBP图的熵和LBP图中每个像素点的能量、熵得到初始的特征阈值的第一评价；基于LBP图与灰度图中的直线数量的差值、对应直线上像素点数量的差值得到初始的特征阈值的第二评价；利用初始的特征阈值的第一评价和第二评价得到初始的特征阈值的综合评价；按照设定规则对初始的特征阈值进行更新，并得到不同的特征阈值的综合评价，直至综合评价大于设定阈值停止更新，综合评价大于设定阈值的特征阈值为最优阈值；
利用最优阈值得到灰度图中的螺纹区域中每个像素点LBP值和无毛刺的灰度图的标准LBP图；基于所述螺纹区域中每个像素点LBP值和标准LBP图中螺纹区域的像素点LBP值获得喷油器体的毛刺程度，并判断喷油器体是否出现毛刺缺陷。
优选地，获得多个类别的直线包括：对多个直线进行聚类，获得聚类中心，聚类中心为一个聚类簇内所有直线的中心点的中心；基于每条直线和一个聚类簇的聚类中心的中心点的位置的差异、每条直线的长度和一个聚类簇所有直线的长度的平均值的差异得到每条直线的聚类距离；基于所述聚类距离对直线进行聚类得到多个类别的直线。
优选地，得到每个像素点的特征码序列包括：若一个像素点邻域内的任一像素点与该像素点的灰度差值的绝对值大于等于初始的特征阈值，则该像素点邻域内的一个像素点对应的一个特征码为第一预设值，若小于初始的特征阈值则该像素点邻域内的一个像素点对应的一个特征码为第二预设值，获得该像素点邻域内的所有像素点对应的所有特征码组成该像素点的特征码序列。
优选地，初始的特征阈值的第一评价为：
Figure DEST_PATH_IMAGE001
其中，
Figure 940425DEST_PATH_IMAGE002
表示初始的特征阈值的第一评价；
Figure 687801DEST_PATH_IMAGE003
表示初始的特征阈值对应的LBP图的熵；
Figure 101465DEST_PATH_IMAGE004
和
Figure 719528DEST_PATH_IMAGE005
分别表示初始的特征阈值对应的LBP图中的第i个和第j个像素点的能量；p表示初始的特征阈值对应的LBP图中像素点的数量；
Figure 943967DEST_PATH_IMAGE006
和
Figure 913060DEST_PATH_IMAGE007
分别表示初始的特征阈值对应的LBP图中第i个像素点和第j个像素点的熵；
Figure 864836DEST_PATH_IMAGE008
表示以自然常数为底的指数函数。
优选地，初始的特征阈值的第二评价为：
Figure 868564DEST_PATH_IMAGE009
其中，
Figure 1254DEST_PATH_IMAGE010
表示初始的特征阈值的第二评价；
Figure 254381DEST_PATH_IMAGE011
和
Figure 9848DEST_PATH_IMAGE012
分别表示灰度图中直线的数量和初始的特征阈值对应的LBP图中的直线的数量；
Figure 618815DEST_PATH_IMAGE013
和
Figure 434324DEST_PATH_IMAGE014
分别表示灰度图中和初始的特征阈值对应的LBP图中第i个对应的直线上像素点的数量。
优选地，得到初始的特征阈值的综合评价包括：初始的特征阈值的第一评价与初始的特征阈值的综合评价成正相关关系；初始的特征阈值的第二评价与初始的特征阈值的综合评价成负相关关系。
优选地，获得喷油器体的毛刺程度包括：获得标准LBP图中的螺纹区域，将灰度图中的螺纹区域中每个像素点LBP值与标准LBP图中的螺纹区域中对应位置像素点的LBP值进行比较获得LBP值不相同的像素点的数量，记为第一数量；设定第一误差阈值，若第一数量大于误差检测阈值，获得LBP图中的螺纹区域中各像素点的运动矢量，获得运动矢量为0的像素点的数量与螺纹区域中像素点的数量比值，记为第一比值；设定第二误差阈值，若第一比值大于等于第二误差阈值，则基于第一数量和容忍阈值的比值得到喷油器体的毛刺程度；
若第一比值小于第二误差阈值，使用三步搜索法获得LBP图像和标准LBP图像中螺纹区域的中每个像素点运动矢量，利用匈牙利算法基于LBP图像和标准LBP图像中螺纹区域的中每个像素点运动矢量对灰度图和标准LBP图中的螺纹区域中的像素点进行匹配获得匹配像素对，比较每个匹配像素对中像素点的LBP值，获得所有匹配像素对中LBP值不相等像素点匹配对的数量，记为第二数量，根据第二数量和容忍阈值的比值得到喷油器体的毛刺程度。
优选地，判断喷油器体是否出现毛刺缺陷包括：设定判断阈值，若喷油器体的毛刺程度大于等于判断阈值，则喷油器体出现毛刺缺陷，若喷油器体的毛刺程度小于判断阈值，则喷油器体无毛刺缺陷。
本发明实施例至少具有如下有益效果：本发明采集了喷油器体的表面的灰度图，并基于灰度图得到了边缘图像，分析边缘图像中直线的特点准确定位到了灰度图中的螺纹区域，为后续分析喷油器体的毛刺情况提供了便利；进一步的，在利用特征阈值获得每个像素点的特征码序列，再得到每个像素点的LBP值时，基于不同的特征阈值对应的LPB图和原始的灰度图计算了每个特征阈值的综合评价，对每个特征阈值做出了评价，得到了最优阈值，保证最优阈值对应的LBP图像的信息的完整性；利用最优阈值对应的LBP图和标准LBP图进行分析得到毛刺程度，削弱了喷油器体的表面图像中自身的金属纹理对于毛刺检测的影响，同时选取最优阈值对应LBP图进行分析，保证了削弱金属纹理的效果，增加了进行毛刺检测时的准确度。
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为本发明实施例提供的一种共轨喷油器生产异常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一种共轨喷油器生产异常检测方法，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。
下面结合附图具体的说明本发明所提供的一种共轨喷油器生产异常检测方法的具体方案。
实施例：
本发明的主要应用场景为：在生产喷油器体的过程中，由于生产工艺、生产环境等原因可能造成生产出的喷油器体的出现毛刺缺陷，而毛刺缺陷又会对后续喷油器体的使用造成影响，因此需要对喷油器体的毛刺进行检测。需要说明的是本发明实施例主要针对于共轨喷油器的喷油器体。
请参阅图1，其示出了本发明实施例提供的一种共轨喷油器生产异常检测方法的方法流程图，该方法包括以下步骤：
步骤S1，获取喷油器体的表面图像并进行预处理得到灰度图；基于灰度图得到边缘图像，并获取边缘图像中的多条直线；基于每条直线的中心点的位置和直线的长度对直线进行分类获得多个类别的直线；基于直线数量大于阈值的类别中的所有直线获得螺纹区域。
首先，将生产好的喷油器体放置在传送带上，使用工业相机在其正上方进行拍摄，获得其表面图像。将获取的表面图像进行灰度化和除噪处理得到灰度图。其中灰度化使用加权平均灰度化方法，除噪使用均值滤波进行除噪。以上技术均为现有公知技术，本发明不再赘述。
为了检测共轨喷油器体的螺纹区域毛刺情况，需要先获取灰度图中共轨喷油器体的螺纹区域。其中为了获取灰度图中螺纹区域，对灰度图进行边缘检测，根据获取边缘图像进行分析可获取图像中螺纹区域。
由于螺纹在边缘图像中显现出来是一条条直线，故可以使用霍夫直线检测将边缘图像中的螺纹识别出来。但是由于在边缘中不仅可以检测到螺纹形成的直线，还能识别出喷油器体上其他区域上形成的干扰直线；故需要在获取的直线中，根据直线位置的分布情况，进一步将边缘图像中为螺纹区域的直线识别出来。根据螺纹区域形成直线为同一长度、分布较为密集的特征，使用DBSCAN聚类算法，对获取的直线进行聚类分析。对多个直线进行聚类，获得聚类中心，其中聚类距离为D：
Figure 112430DEST_PATH_IMAGE015
其中，
Figure 406008DEST_PATH_IMAGE016
和
Figure DEST_PATH_IMAGE017
分别为一个直线的中心点的位置坐标的横坐标和纵坐标；
Figure 400640DEST_PATH_IMAGE018
和
Figure 183788DEST_PATH_IMAGE019
分别为聚类中心的中心点的横坐标和纵坐标，聚类中心为一个聚类簇内所有直线的中心点的中心；
Figure 365502DEST_PATH_IMAGE020
表示一个直线的长度；
Figure 462771DEST_PATH_IMAGE021
表示一个聚类簇所有直线的长度的平均值。
基于聚类距离对直线进行聚类得到多个类别的直线，统计每个类别中的直线的数量，设定阈值，优选地，阈值的取值为10，获得直线的数量大于阈值的类别，记为第一类别；需要说明的是，阈值的取值可由实施者根据具体情况进行设定，另外，由于检测出的其他直线都是较为零散的，不会较为集中，而且数量也是比较少的，因此数量多的类别中的直线是属于螺纹区域的直线。将第一类别中的直线映射到灰度图中，因为螺纹区域大多成矩形，因此对映射到灰度图中的第一类别的直线进行最小拟合矩形，获得的矩形区域记为螺纹区域。
步骤S2，设定初始的特征阈值，利用初始的特征阈值和灰度图中每个像素点邻域内像素点与每个像素点的灰度差值得到每个像素点的特征码序列；基于像素点的特征码序列得到像素点的LBP值；利用每个像素点的LBP值将灰度图转换为LBP图。
为了检测喷油器体的螺纹区域的毛刺缺陷，需要通过采集的喷油器体的灰度图中的螺纹区域与无毛刺缺陷的喷油器体的灰度图中的螺纹区域进行模板匹配来达到检测毛刺缺陷的目的。但是由于光照以及喷油器体自身的金属纹理的影响不能直接用灰度图中的螺纹区域进行模板匹配，需要将灰度图像转化为LBP图，提取LBP特征。
进一步的，设定的初始的特征阈值
Figure 30019DEST_PATH_IMAGE022
，其中初始的特征阈值的取值为0，实施者可以基于具体的实际情况进行调整，获得灰度图中像素点的LBP值，其中LBP值的计算方法如下：
Figure 187330DEST_PATH_IMAGE023
其中，LBP表示一个像素点的LBP值，
Figure 587831DEST_PATH_IMAGE024
表示该像素点对应的特征码序列中的第i个元素的值，一个像素点的特征码序列的长度为8。
需要说明的是，像素点对应的特征码序列的获取方法具体为：若一个像素点邻域内的任一像素点与该像素点的灰度差值的绝对值大于等于初始的特征阈值
Figure 223212DEST_PATH_IMAGE022
，则该像素点邻域内的一个像素点对应的一个特征码为第一预设值，若小于初始的特征阈值
Figure 910545DEST_PATH_IMAGE022
则该像素点邻域内的一个像素点对应的一个特征码为第二预设值，另外，一个像素点的邻域内指的是8邻域内，优选地，第一预设值的取值为1，第二预设值的取值为0，特征码的获取用公式表示为：
Figure 238758DEST_PATH_IMAGE025
其中，
Figure 926223DEST_PATH_IMAGE024
表示一个像素点8邻域内第i个像素点对应的特征码；
Figure 630874DEST_PATH_IMAGE026
表示一个像素点8邻域内第i个像素点的灰度值；
Figure 907134DEST_PATH_IMAGE027
表示这个像素点的灰度值。
由此可以获得灰度图上每个像素点的邻域内的所有像素点对应的所有特征码，分别组成每个像素点的特征码序列。至此可以获得灰度图中每个像素点的LBP值，将灰度图中每个像素点的灰度值转化为LBP值就得到了灰度图的LBP图。
步骤S3，基于LBP图的熵和LBP图中每个像素点的能量、熵得到初始的特征阈值的第一评价；基于LBP图与灰度图中的直线数量的差值、对应直线上像素点数量的差值得到初始的特征阈值的第二评价；利用初始的特征阈值的第一评价和第二评价得到初始的特征阈值的综合评价；按照设定规则对初始的特征阈值进行更新，并得到不同的特征阈值的综合评价，直至综合评价大于设定阈值停止更新，综合评价大于设定阈值的特征阈值为最优阈值。
随着特征阈值的不同，会导致获得的LBP图不同，为了避免由于周围像素点灰度值的较小变化而导致获取像素点的LBP值出现较大差异，另外特征阈值的取值还需要注意对灰度图中喷油器体自身的金属纹理的削弱效果，因此需要在初始的特征阈值的基础上按照设定规则对初始的特征阈值进行更新，设定规则为：
Figure 156981DEST_PATH_IMAGE028
，也即是在每次更新的特征阈值基础上加一得到下一个更新的特征阈值。
以初始的特征阈值得到的LBP图为例进行分析得到初始的特征阈值的评价，具体为：基于LBP图的熵和LBP图中每个像素点的能量、熵得到初始的特征阈值的第一评价，第一评价为：
Figure DEST_PATH_IMAGE029
其中，
Figure 112168DEST_PATH_IMAGE002
表示初始的特征阈值的第一评价；
Figure 840083DEST_PATH_IMAGE003
表示初始的特征阈值对应的LBP图的熵；
Figure 502009DEST_PATH_IMAGE004
和
Figure 906445DEST_PATH_IMAGE005
分别表示初始的特征阈值对应的LBP图中的第i个和第j个像素点的能量；p表示初始的特征阈值对应的LBP图中像素点的数量；
Figure 21032DEST_PATH_IMAGE006
和
Figure 567287DEST_PATH_IMAGE007
分别表示初始的特征阈值对应的LBP图中第i个像素点和第j个像素点的熵；
Figure 83719DEST_PATH_IMAGE008
表示以自然常数为底的指数函数。
关于初始的特征阈值的第一评价，是基于LBP图纹理信息进行分析的，第i个和第j个像素点的能量
Figure 721374DEST_PATH_IMAGE004
和
Figure 73989DEST_PATH_IMAGE005
、第i个像素点和第j个像素点的熵
Figure 658554DEST_PATH_IMAGE006
和
Figure 29492DEST_PATH_IMAGE007
都是基于LBP图中的第i个像素点和第j个像素点对应的LBP共生矩阵获得，都用来表示LBP图像的纹理信息；其中，
Figure 41311DEST_PATH_IMAGE030
表示LBP图中各个像素点获取的用来描述纹理能量和熵的差异越小，则说明LBP图中金属表面纹理对整体纹理的影响越小，其中能量ASM是用来描述图像的纹理的细致程度的，熵ENT是用来描述图像中纹理的复杂程度的。
Figure 615643DEST_PATH_IMAGE003
表示初始的特征阈值的LBP图像的熵，若图像中金属表面纹理影响程度越小，那么其整体熵值越小，也即是
Figure 3899DEST_PATH_IMAGE003
越小；第一评价越大，说明初始的特征阈值对应的LBP图中受喷油器体自身的金属纹理的影响越小，即第一评价越大说明初始的特征阈值的效果越好。
进一步的，在削弱喷油器体自身的金属纹理的影响的同时还需要保证不能丢失信息，对初始的特征阈值对应的LBP图进行霍夫直线检测获得LBP图中的直线，基于LBP图与灰度图中的直线数量的差值、对应直线上像素点数量的差值得到初始的特征阈值的第二评价，第二评价为：
Figure 229344DEST_PATH_IMAGE009
其中，
Figure 146484DEST_PATH_IMAGE010
表示初始的特征阈值的第二评价；
Figure 473691DEST_PATH_IMAGE011
和
Figure 400059DEST_PATH_IMAGE012
分别表示灰度图中直线的数量和初始的特征阈值对应的LBP图中的直线的数量；
Figure 480010DEST_PATH_IMAGE013
和
Figure 643751DEST_PATH_IMAGE014
分别表示灰度图中和初始的特征阈值对应的LBP图中第i个对应的直线上像素点的数量，这里对应的直线指的是两个图像中位置对应的直线，理想情况下，
Figure 441943DEST_PATH_IMAGE011
和
Figure 640843DEST_PATH_IMAGE012
的值应该是相等的，
Figure 840880DEST_PATH_IMAGE013
和
Figure 381714DEST_PATH_IMAGE014
的值应该也是相等的，这里第二评价的值越小说明经由初始的特征阈值获取的LBP图丢失的信息越少，初始的特征阈值的效果越好，也即是两个图像中直线的数量和对应直线上像素点的数量越接近，说明初始的特征阈值的效果越好。
对于初始的特征阈值的评价需要综合的考虑第一评价和第二评价，由此得到综合评价：
Figure 198360DEST_PATH_IMAGE031
其中，
Figure 732110DEST_PATH_IMAGE032
表示初始的特征阈值对应的综合评价；
Figure 989916DEST_PATH_IMAGE002
表示初始的特征阈值对应的第一评价，
Figure 232809DEST_PATH_IMAGE010
表示初始的特征阈值对应的第二评价；
Figure 5593DEST_PATH_IMAGE008
表示以自然常数为底的指数函数。当W的值越大说明初始的特征阈值的效果越好。
对初始的特征阈值进行不断的更新，然后计算每次更新的特征阈值对应的综合评价，设置设定阈值ψ，其中，设定阈值的取值为0.8，实施者可以根据具体情况对其取值进行调整，将每次更新的特征阈值的综合评价与设定阈值进行比较，直至出现更新的特征阈值的综合评价大于设定阈值，停止更新，获得最后一次更新的特征阈值，为最优阈值。
步骤S4，利用最优阈值得到灰度图中的螺纹区域中每个像素点LBP值和无毛刺的灰度图的标准LBP图；基于所述螺纹区域中每个像素点LBP值和标准LBP图中螺纹区域的像素点LBP值获得喷油器体的毛刺程度，并判断喷油器体是否出现毛刺缺陷。
首先，获取经人工检测可证实无毛刺的喷油器体，利用相机采集其表面图像，获得无毛刺的灰度图；利用最优阈值得到灰度图中的螺纹区域中每个像素点LBP值和无毛刺的灰度图的标准LBP图。
进一步的，由于共轨喷油器体的摆放、最小拟合矩形拟合过程中的误差或者其它原因可能会导致LBP图中的螺纹区域与标准LBP图中螺纹区域的位姿，此时在进行模板匹配时就会出现一定的误差，使得成功匹配的像素点变的很少，引起误判。
将灰度图中的螺纹区域中每个像素点LBP值与标准LBP图中的螺纹区域中对应位置的像素点的LBP值进行比较获得LBP值不相同的像素点的数量，记为第一数量，设定第一误差阈值λ=50，其中λ的取值可以由具体的实际情况进行调整，若第一数量大于误差检测阈值，此时第一数量过大可能并不是完全由于毛刺导致的像素点不匹配，有可能是两个区域的位姿不一样导致的，由于位姿的变化可以认为是图像中的像素点发生位移，因此使用块匹配算法获得LBP图中螺纹区域中每个像素点的运动矢量，获得运动矢量为0的像素点的数量与螺纹区域中像素点的数量比值，记为第一比值，设定第二误差阈值，第二误差阈值的取值为0.9，若第一比值大于等于第二误差阈值，则基于第一数量和容忍阈值的比值得到喷油器体的毛刺程度，此时认为两个图像中螺纹区域的位姿应该是相同的，不会导致不匹配的像素点增多。
若第一比值小于第二误差阈值，使用三步搜索法获得LBP图像和标准LBP图像中螺纹区域的中每个像素点运动矢量，利用匈牙利算法基于LBP图像和标准LBP图像中螺纹区域的中每个像素点运动矢量对灰度图和标准LBP图中的螺纹区域中的像素点进行匹配获得匹配像素对，比较每个匹配像素对中像素点的LBP值，获得所有匹配像素对中LBP值不相等像素点匹配对的数量，记为第二数量，根据第二数量和容忍阈值的比值得到喷油器体的毛刺程度。
其中，第一数量和第二数量都表示不匹配的像素点的数量，设定容忍阈值
Figure 77455DEST_PATH_IMAGE033
，容忍阈值的取值为20，实施者可以基于具体情况进行调节；由此获得喷油器体的毛刺程度：
Figure 737237DEST_PATH_IMAGE034
其中，R表示喷油器体的毛刺程度；
Figure 869141DEST_PATH_IMAGE035
表示不匹配的像素点的数量；
Figure 863642DEST_PATH_IMAGE033
表示容忍阈值；
Figure 739194DEST_PATH_IMAGE008
表示以自然常数为底的指数函数；不匹配的像素点的数量越多说明喷油器体的毛刺程度越大，毛刺缺陷越严重。
设定判断阈值，若喷油器体的毛刺程度大于等于判断阈值，则喷油器体出现毛刺缺陷，若喷油器体的毛刺程度小于判断阈值，则喷油器体无毛刺缺陷。
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。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 (7)

1.一种共轨喷油器生产异常检测方法，其特征在于，该方法包括：
获取喷油器体的表面图像并进行预处理得到灰度图；基于灰度图得到边缘图像，并获取边缘图像中的多条直线；基于每条直线的中心点的位置和直线的长度对直线进行分类获得多个类别的直线；基于直线数量大于阈值的类别中的所有直线获得螺纹区域；
设定初始的特征阈值，利用初始的特征阈值和灰度图中每个像素点邻域内像素点与每个像素点的灰度差值得到每个像素点的特征码序列，具体包括：若一个像素点邻域内的任一像素点与该像素点的灰度差值的绝对值大于等于初始的特征阈值，则该像素点邻域内的一个像素点对应的一个特征码为第一预设值，若小于初始的特征阈值则该像素点邻域内的一个像素点对应的一个特征码为第二预设值，获得该像素点邻域内的所有像素点对应的所有特征码组成该像素点的特征码序列；
基于像素点的特征码序列得到像素点的LBP值；利用每个像素点的LBP值将灰度图转换为LBP图；
基于LBP图的熵和LBP图中每个像素点的能量、熵得到初始的特征阈值的第一评价；基于LBP图与灰度图中的直线数量的差值、对应直线上像素点数量的差值得到初始的特征阈值的第二评价；利用初始的特征阈值的第一评价和第二评价得到初始的特征阈值的综合评价；按照设定规则对初始的特征阈值进行更新，并得到不同的特征阈值的综合评价，直至综合评价大于设定阈值停止更新，综合评价大于设定阈值的特征阈值为最优阈值；
利用最优阈值得到灰度图中的螺纹区域中每个像素点LBP值和无毛刺的灰度图的标准LBP图；基于所述螺纹区域中每个像素点LBP值和标准LBP图中螺纹区域的像素点LBP值获得喷油器体的毛刺程度，并判断喷油器体是否出现毛刺缺陷。
2.根据权利要求1所述的一种共轨喷油器生产异常检测方法，其特征在于，所述获得多个类别的直线包括：对多个直线进行聚类，获得聚类中心，聚类中心为一个聚类簇内所有直线的中心点的中心；基于每条直线和一个聚类簇的聚类中心的中心点的位置的差异、每条直线的长度和一个聚类簇所有直线的长度的平均值的差异得到每条直线的聚类距离；基于所述聚类距离对直线进行聚类得到多个类别的直线。
3.根据权利要求1所述的一种共轨喷油器生产异常检测方法，其特征在于，所述初始的特征阈值的第一评价为：
Figure 892468DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示初始的特征阈值的第一评价；
Figure 219062DEST_PATH_IMAGE004
表示初始的特征阈值对应的LBP图的熵；
Figure DEST_PATH_IMAGE005
和
Figure 952794DEST_PATH_IMAGE006
分别表示初始的特征阈值对应的LBP图中的第i个和第j个像素点的能量；p表示初始的特征阈值对应的LBP图中像素点的数量；
Figure DEST_PATH_IMAGE007
和
Figure 20108DEST_PATH_IMAGE008
分别表示初始的特征阈值对应的LBP图中第i个像素点和第j个像素点的熵；
Figure DEST_PATH_IMAGE009
表示以自然常数为底的指数函数。
4.根据权利要求1所述的一种共轨喷油器生产异常检测方法，其特征在于，所述初始的特征阈值的第二评价为：
Figure DEST_PATH_IMAGE011
其中，
Figure 316703DEST_PATH_IMAGE012
表示初始的特征阈值的第二评价；
Figure DEST_PATH_IMAGE013
和
Figure 811270DEST_PATH_IMAGE014
分别表示灰度图中直线的数量和初始的特征阈值对应的LBP图中的直线的数量；
Figure DEST_PATH_IMAGE015
和
Figure 156931DEST_PATH_IMAGE016
分别表示灰度图中和初始的特征阈值对应的LBP图中第i个对应的直线上像素点的数量。
5.根据权利要求1所述的一种共轨喷油器生产异常检测方法，其特征在于，所述得到初始的特征阈值的综合评价包括：初始的特征阈值的第一评价与初始的特征阈值的综合评价成正相关关系；初始的特征阈值的第二评价与初始的特征阈值的综合评价成负相关关系。
6.根据权利要求1所述的一种共轨喷油器生产异常检测方法，其特征在于，所述获得喷油器体的毛刺程度包括：获得标准LBP图中的螺纹区域，将灰度图中的螺纹区域中每个像素点LBP值与标准LBP图中的螺纹区域中对应位置像素点的LBP值进行比较获得LBP值不相同的像素点的数量，记为第一数量；设定第一误差阈值，若第一数量大于误差检测阈值，获得LBP图中的螺纹区域中各像素点的运动矢量，获得运动矢量为0的像素点的数量与螺纹区域中像素点的数量比值，记为第一比值；设定第二误差阈值，若第一比值大于等于第二误差阈值，则基于第一数量和容忍阈值的比值得到喷油器体的毛刺程度；
若第一比值小于第二误差阈值，使用三步搜索法获得LBP图像和标准LBP图像中螺纹区域的中每个像素点运动矢量，利用匈牙利算法基于LBP图像和标准LBP图像中螺纹区域的中每个像素点运动矢量对灰度图和标准LBP图中的螺纹区域中的像素点进行匹配获得匹配像素对，比较每个匹配像素对中像素点的LBP值，获得所有匹配像素对中LBP值不相等像素点匹配对的数量，记为第二数量，根据第二数量和容忍阈值的比值得到喷油器体的毛刺程度。
7.根据权利要求1所述的一种共轨喷油器生产异常检测方法，其特征在于，所述判断喷油器体是否出现毛刺缺陷包括：设定判断阈值，若喷油器体的毛刺程度大于等于判断阈值，则喷油器体出现毛刺缺陷，若喷油器体的毛刺程度小于判断阈值，则喷油器体无毛刺缺陷。
CN202211244606.0A 2022-10-12 2022-10-12 一种共轨喷油器生产异常检测方法 Active CN115311287B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211244606.0A CN115311287B (zh) 2022-10-12 2022-10-12 一种共轨喷油器生产异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211244606.0A CN115311287B (zh) 2022-10-12 2022-10-12 一种共轨喷油器生产异常检测方法

Publications (2)

Publication Number Publication Date
CN115311287A true CN115311287A (zh) 2022-11-08
CN115311287B CN115311287B (zh) 2023-04-07

Family

ID=83868302

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211244606.0A Active CN115311287B (zh) 2022-10-12 2022-10-12 一种共轨喷油器生产异常检测方法

Country Status (1)

Country Link
CN (1) CN115311287B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116597392A (zh) * 2023-07-19 2023-08-15 山东天力润滑油有限公司 基于机器视觉的液压油杂质识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108038488A (zh) * 2017-12-06 2018-05-15 河海大学常州校区 基于sift和lbp混合的鲁棒性图像哈希方法
CN109166098A (zh) * 2018-07-18 2019-01-08 上海理工大学 基于图像处理的工件毛刺检测方法
CN114862849A (zh) * 2022-07-06 2022-08-05 山东智领新材料有限公司 一种基于图像处理的铝合板覆膜效果评估方法
CN114998313A (zh) * 2022-07-18 2022-09-02 山东海鑫达石油机械有限公司 基于视觉定位的流体输送管管口毛刺识别定位方法
CN115018850A (zh) * 2022-08-09 2022-09-06 深圳市领拓实业有限公司 基于图像处理的精密电子零部件冲压孔毛刺检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108038488A (zh) * 2017-12-06 2018-05-15 河海大学常州校区 基于sift和lbp混合的鲁棒性图像哈希方法
CN109166098A (zh) * 2018-07-18 2019-01-08 上海理工大学 基于图像处理的工件毛刺检测方法
CN114862849A (zh) * 2022-07-06 2022-08-05 山东智领新材料有限公司 一种基于图像处理的铝合板覆膜效果评估方法
CN114998313A (zh) * 2022-07-18 2022-09-02 山东海鑫达石油机械有限公司 基于视觉定位的流体输送管管口毛刺识别定位方法
CN115018850A (zh) * 2022-08-09 2022-09-06 深圳市领拓实业有限公司 基于图像处理的精密电子零部件冲压孔毛刺检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116597392A (zh) * 2023-07-19 2023-08-15 山东天力润滑油有限公司 基于机器视觉的液压油杂质识别方法
CN116597392B (zh) * 2023-07-19 2023-10-03 山东天力润滑油有限公司 基于机器视觉的液压油杂质识别方法

Also Published As

Publication number Publication date
CN115311287B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN108961217B (zh) 一种基于正例训练的表面缺陷检测方法
CN114820625B (zh) 一种汽车顶块缺陷检测方法
CN115841488B (zh) 一种基于计算机视觉的pcb板的检孔方法
CN113516619B (zh) 一种基于图像处理技术的产品表面瑕疵识别方法
CN115311287B (zh) 一种共轨喷油器生产异常检测方法
CN112861870A (zh) 指针式仪表图像矫正方法、系统及存储介质
CN112649793A (zh) 海面目标雷达点迹凝聚方法、装置、电子设备及存储介质
Zhang et al. Multi-scale defect detection of printed circuit board based on feature pyramid network
CN116128873A (zh) 一种基于图像识别的轴承保持器检测方法、设备及介质
Ghosh et al. Counterfeit IC detection by image texture analysis
CN117808796B (zh) 一种基于计算机视觉的齿轮表面损伤检测方法
CN114155226A (zh) 一种微小缺陷边缘计算方法
CN114219753A (zh) 一种基于深度学习的电力设备表面缺陷检测方法及终端
CN117237683A (zh) 基于改进神经网络的芯片缺陷智慧检测系统
CN115511884B (zh) 基于计算机视觉的冲孔复合模表面质量检测方法
CN111709910A (zh) 一种基于卷积神经网络的pcb板缺陷检测算法
JP6504682B2 (ja) 部品種類自動判別方法及び部品種類自動判別システム並びに画像処理用部品データ作成方法及び画像処理用部品データ作成システム
CN115631197A (zh) 一种图像处理方法、装置、介质、设备及系统
CN113487589B (zh) 一种亚像素圆心检测方法及系统
CN115423765A (zh) 一种基于模板图像的晶粒缺陷量化分割方法
CN114677428A (zh) 基于无人机图像处理的输电线覆冰厚度检测方法
CN114529803A (zh) 一种指针仪表识别增强检测方法
Li et al. Defect detection in fabrics using local binary patterns
Pan et al. The Crime Scene Tools Identification Algorithm Based on GVF-Harris-SIFT and KNN.
CN114708265B (zh) 一种高铁动车组关键部件图像识别检测方法及系统

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