CN115358983A - 刀具缺陷检测方法、检测设备和计算机可读存储介质 - Google Patents
刀具缺陷检测方法、检测设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN115358983A CN115358983A CN202210983379.7A CN202210983379A CN115358983A CN 115358983 A CN115358983 A CN 115358983A CN 202210983379 A CN202210983379 A CN 202210983379A CN 115358983 A CN115358983 A CN 115358983A
- Authority
- CN
- China
- Prior art keywords
- line
- contour
- edge
- image
- contour line
- 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.)
- Pending
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种刀具缺陷检测方法、检测设备和计算机可读存储介质,步骤S1、采用工业相机通过对待测产品进行拍照并得到待检测图像;步骤S2、将所述待检测图像通过亚像素边缘检测方法提取轮廓边缘;步骤S3、将所述轮廓边缘进行边缘平滑去燥计算,再将计算后的所述轮廓边缘中小于预设长度的边缘线段进行过滤并得出轮廓线;步骤S4、将所述轮廓线划分为圆弧段和直线段;步骤S5、将所述圆弧段进行缺陷检测,以检测出所述圆弧段缺陷;步骤S6、将所述直线段进行缺陷检测,以检测出所述直线段缺陷。与相关技术相比,采用本发明的技术方案的检测速度快、检测精度高且可靠性高。
Description
技术领域
本发明涉及检测技术领域,尤其涉及一种刀具缺陷检测方法刀具缺陷检测方法、检测设备和计算机可读存储介质。
背景技术
随着生产过程自动化、系统化要求的日益增长,柔性制造系统的生产的传感技术的可靠性和有效性作为重要部分。尤其刀具缺陷检测在柔性制造系统的生产中更需要可靠性和有效性。
相关技术的刀具缺陷检测一般采用检测刀具磨耗的传感器。传感器包括直接式传感器和间接式传感器两大类。直接式传感器是指直接利用刀刃磨耗效应的传感器,间接式传感器是指检测刀刃磨耗程度变化参数的传感器。
刀具磨损是逐步发生的,而刀具断损的发生是突然的,带有随机性。要在加工过程中检测刀具的断损是很困难的,需要具有如下性能的理想传感器:(1)能发出清晰可靠的信号;(2)灵敏地指示刀具逐渐磨损的情况;(3)刚性好,能灵活地用于不同的加工工序;(4)不干涉切削过程;成本低、安全可靠;(5)可以在车间环境下使用。然而,相关技术的直接式传感器容易磨损传感器,甚至使刀具与传感器碰撞的几率大大增加。间接式传感器的检测速度不高,检测精度也不高。
因此,实有必要提供一种新的方法解决上述问题。
发明内容
针对以上现有技术的不足,本发明提出一种检测速度快、检测精度高且可靠性高的刀具缺陷检测方法、检测设备和计算机可读存储介质。
为了解决上述技术问题,第一方面,本发明实施例提供了一种刀具缺陷检测方法,该方法包括如下步骤:
步骤S1、采用工业相机通过对待测产品进行拍照并得到待检测图像;
步骤S2、将所述待检测图像通过亚像素边缘检测方法提取轮廓边缘;
步骤S3、将所述轮廓边缘进行边缘平滑去燥计算,再将计算后的所述轮廓边缘中小于预设长度的边缘线段进行过滤并得出轮廓线;
步骤S4、将所述轮廓线划分为圆弧段和直线段;
步骤S5、将所述圆弧段进行缺陷检测,以检测出所述圆弧段缺陷;
步骤S6、将所述直线段进行缺陷检测,以检测出所述直线段缺陷。
优选的,所述步骤S2包括:
步骤S21、确定模板的大小为N2,并通过Zernike矩的公式进行模板系数计算并得到N个Zernike矩模板;其中,N为大于2的正整数;
步骤S22、对所述待检测图像进行预处理并得到预处理图像,所述预处理为滤波二值化或Canny边缘检测;
步骤S23、将所述预处理图像分别与所述N个Zernike矩模板进行卷积计算并得到N个卷积计算Zernike矩;
步骤S24、将N个所述卷积计算Zernike矩与预设的角度校正系数并得到N个度校正Zernike矩;
步骤S25、将所述N个度校正Zernike矩分别进行距离参数l计算和灰度差参数k计算,再根据计算后得到的距离参数l和灰度差参数k得到多个边缘点,并将多个所述边缘点提取出所述轮廓边缘。
优选的,所述步骤S2中,所述预处理为Canny边缘检测,所述步骤S22包括:
步骤S221、通过高斯滤波器对所述待检测图像进行平滑处理;
步骤S222、将平滑处理后的所述待检测图像通过一阶偏导算子找到图像灰度沿着水平方向的偏导数Gx和垂直方向的偏导数Gy,再算出梯度幅值G和梯度方位角θ,满足如下公式为:
步骤S223、将所述梯度幅值G进行非极大值抑制计算并得到局部梯度最大值;
步骤S224、采用双阈值算法检测出所述待检测图像的边缘并得出所述预处理图像。
优选的,所述步骤S4中,通过折线逼近方法将所述轮廓线划分为圆弧段和直线段。
优选的,所述步骤S4包括:
步骤S41、将所述轮廓线进行平滑处理;
步骤S42、根据Ramer算法中轮廓与近似线之间的最大距离进行折线逼近所述轮廓线,再将所述轮廓线中圆形或椭圆形的弧被匹配到相邻的线段中,若匹配所产生的弧线到所述轮廓线的最大距离小于两条线段的最大距离,则将该两条线段替换为圆弧;
步骤S43、根据Ramer算法中轮廓与近似线之间的最大距离进行多边形逼近所述轮廓线,再将所述轮廓线中圆形或椭圆形的弧被匹配到相邻的线段中,若匹配所产生的弧线到所述轮廓线的最大距离小于两条线段的最大距离,则将该两条线段替换为圆弧;
步骤S44、计算出的所得轮廓线的长度至少为3像素且其包含至少6个连续点,其中,计算出的所得轮廓线的长度小于3像素或少于6个连续点的线段直接复制到所得轮廓线中。
优选的,所述步骤S5包括:
步骤51、对所述圆弧段进行拟合得出所述圆弧段的圆心和半径,将所述圆心和所述半径画出一个拟合圆形;
步骤52、将所述圆弧段与所述拟合圆形进行封闭差运算并得出做差结果;
步骤53、将所述做差结果根据所述圆弧段的圆度特性和长度特性进行过虑出圆弧,过滤出的圆弧为所述圆弧段缺陷。
优选的,所述步骤S6包括如下步骤:
步骤S61、对所述直线段进行分割处理并分割出直线和圆弧;
步骤S62、所述直线段的圆度特性和长度特性进行过虑出圆弧,过滤出的圆弧为所述直线段缺陷。
第二方面,本发明实施例还提供了一种检测设备,包括处理器和存储器,所述处理器用于读取所述存储器中的程序,执行如本发明实施例提供上述的刀具缺陷检测方法中的步骤。
第三方面,本发明实施例还提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时实现如本发明实施例提供上述的刀具缺陷检测方法中的步骤。
与相关技术相比,本发明的刀具缺陷检测方法、检测设备和计算机可读存储介质,刀具缺陷检测方法通过步骤S1、采用工业相机通过对待测产品进行拍照并得到待检测图像;步骤S2、将所述待检测图像通过亚像素边缘检测方法提取轮廓边缘;步骤S3、将所述轮廓边缘进行边缘平滑去燥计算,再将计算后的所述轮廓边缘中小于预设长度的边缘线段进行过滤并得出轮廓线;步骤S4、将所述轮廓线划分为圆弧段和直线段;步骤S5、将所述圆弧段进行缺陷检测,以检测出所述圆弧段缺陷;步骤S6、将所述直线段进行缺陷检测,以检测出所述直线段缺陷。根据上述步骤S1至步骤S6的操作,本发明是采用一种图像处理的方法,避免传感器方法的缺陷,从而提高了可靠性,通过图像处理的速度较快,运算量小,从而与相关技术的传感器方式的检测方法相比,本发明的刀具缺陷检测方法的检测速度快、检测精度高且可靠性高。
附图说明
下面结合附图详细说明本发明。通过结合以下附图所作的详细描述,本发明的上述或其他方面的内容将变得更清楚和更容易理解。附图中:
图1为本发明刀具缺陷检测方法的流程框图。
图2为本发明刀具缺陷检测方法实施例中的部分待检测图像。
图3为本发明刀具缺陷检测方法中的步骤S2流程框图。
图4为本发明刀具缺陷检测方法中的步骤S22流程框图。
图5为本发明刀具缺陷检测方法中的步骤S4流程框图。
图6为本发明刀具缺陷检测方法中的步骤S5流程框图。
图7为图2中的圆弧段缺陷部分图像。
图8为本发明刀具缺陷检测方法中的步骤S6流程框图。
图9为图2中的直线段缺陷部分图像。
图10为本发明检测设备1000的结构示意图。
具体实施方式
下面结合附图详细说明本发明的具体实施方式。
在此记载的具体实施方式/实施例为本发明的特定的具体实施方式,用于说明本发明的构思,均是解释性和示例性的,不应解释为对本发明实施方式及本发明范围的限制。除在此记载的实施例外,本领域技术人员还能够基于本申请权利要求书和说明书所公开的内容采用显而易见的其它技术方案,这些技术方案包括采用对在此记载的实施例的做出任何显而易见的替换和修改的技术方案,都在本发明的保护范围之内。
本发明提供了一种刀具缺陷检测方法。所述刀具缺陷检测方法应用于卷积神经网络。
请参考图1所示,图1为本发明刀具缺陷检测方法的流程框图。
所述刀具缺陷检测方法包括如下步骤:
步骤S1、采用工业相机通过对待测产品进行拍照并得到待检测图像。
请参考图2所示,图2为本发明刀具缺陷检测方法实施例中的部分待检测图像。其中,图中黑色实体为刀具的部分轮廓。W1为刀具轮廓的直线部分,W2为刀具轮廓的圆弧部分。
步骤S2、将所述待检测图像通过亚像素边缘检测方法提取轮廓边缘。
请参考图3所示,图3为本发明刀具缺陷检测方法中的步骤S2流程框图。
所述步骤S2包括:
步骤S21、确定模板的大小为N2,并通过Zernike矩的公式进行模板系数计算并得到N个Zernike矩模板。其中,N为大于2的正整数。
本实施例中,N为7。其中,模板的大小N越大精度越高,但是运算时间越长。7个Zernike矩模板分别为M00、M11R、M11I、M20、M31R、M31I以及M40。
步骤S22、对所述待检测图像进行预处理并得到预处理图像,所述预处理为滤波二值化或Canny边缘检测。
步骤S23、将所述预处理图像分别与所述N个Zernike矩模板进行卷积计算并得到N个卷积计算Zernike矩。
本实施例中,将所述预处理图像分别与所述7个Zernike矩模板进行卷积计算并得到7个卷积计算Zernike矩。
步骤S24、将N个所述卷积计算Zernike矩与预设的角度校正系数并得到N个度校正Zernike矩。
步骤S24中,因为利用Zernike的旋转不变性,Zernike模型把边缘都简化成了x=n的直线,x和n为整数,需要调整回来。
步骤S25、将所述N个度校正Zernike矩分别进行距离参数l计算和灰度差参数k计算,再根据计算后得到的距离参数l和灰度差参数k得到多个边缘点,并将多个所述边缘点提取出所述轮廓边缘。步骤S25根据k和l判断该点是否为边缘点。
本实施例中,所述预处理为Canny边缘检测。
请参考图4所示,图4为本发明刀具缺陷检测方法中的步骤S22流程框图。
所述步骤S22包括:
步骤S221、通过高斯滤波器对所述待检测图像进行平滑处理。
步骤S222、将平滑处理后的所述待检测图像通过一阶偏导算子找到图像灰度沿着水平方向的偏导数Gx和垂直方向的偏导数Gy,再算出梯度幅值G和梯度方位角θ,满足如下公式为:
步骤S223、将所述梯度幅值G进行非极大值抑制计算并得到局部梯度最大值。
具体的,采用的具体方法是在3X3的领域窗内,给定像素P与沿着梯度线方向的两个像素相比,若像素P的梯度幅值不比这两个像素的梯度幅值G大,则令P=0;若像素P的梯度幅值比这两个像素的梯度幅值G大,则保留原幅值。
本实施例中,采用梯度方向具体分为水平方向、垂直方向、和正、-45°等4个方向,这4种方向用于比较梯度幅值G的强度。
步骤S224、采用双阈值算法检测出所述待检测图像的边缘并得出所述预处理图像。
本实施例中,双阈值算法具体为:
步骤S224包括:所述待检测图像的边缘像素大于高阈值T1定义为边缘,所述待检测图像的边缘像素小于低阈值T2定义为非边缘;
当检测结果大于低阈值T2且小于高阈值T1,判断这个像素的邻接像素中是否有大于高阈值的边缘像素:若是,则判断像素为边缘;若否,则判断像素为非边缘。
步骤S3、将所述轮廓边缘进行边缘平滑去燥计算,再将计算后的所述轮廓边缘中小于预设长度的边缘线段进行过滤并得出轮廓线。
步骤S4、将所述轮廓线划分为圆弧段和直线段。
本实施例中,通过折线逼近方法将所述轮廓线划分为圆弧段和直线段。
请参考图5所示,图5为本发明刀具缺陷检测方法中的步骤S4流程框图。
将所述圆弧段和所述直线段分割开来的具体操作,具体为:所述步骤S4包括:
步骤S41、将所述轮廓线进行平滑处理。首先通过折线来逼近输入的所述轮廓线,这样,在弯曲的地方的所述轮廓线就会被过度的分割,如果用圆弧可以更好地逼近所述轮廓线,则用圆弧或椭圆弧分别代替相邻的线段。如果SmoothCont(用于平滑轮廓的点数)设置为>0,则首先对输入的所述轮廓线进行平滑,因为平滑抑制了所述轮廓线上的异常值,所以一方面可以防止在分割特别短的线的时后带来的异常,另一方面,在使用圆或椭圆分割时,可以实现更稳健的分割。
步骤S42、根据Ramer算法中轮廓与近似线之间的最大距离进行折线逼近所述轮廓线,再将所述轮廓线中圆形或椭圆形的弧被匹配到相邻的线段中,若匹配所产生的弧线到所述轮廓线的最大距离小于两条线段的最大距离,则将该两条线段替换为圆弧。
也就是说,最初的折线逼近是使用Ramer算法通过MaxLineDist1(轮廓线与近似线之间的最大距离)的最大距离来完成的,即第一次迭代,在此之后,圆形或椭圆形的弧被匹配到相邻的线段中,如果所产生的弧线到轮廓线的最大距离小于两条线段的最大距离,两个线段被替换为圆弧,迭代此过程,直到不再发生更改。
步骤S43、根据Ramer算法中轮廓与近似线之间的最大距离进行多边形逼近所述轮廓线,再将所述轮廓线中圆形或椭圆形的弧被匹配到相邻的线段中,若匹配所产生的弧线到所述轮廓线的最大距离小于两条线段的最大距离,则将该两条线段替换为圆弧。
步骤S44、计算出的所得轮廓线的长度至少为3像素且其包含至少6个连续点,其中,计算出的所得轮廓线的长度小于3像素或少于6个连续点的线段直接复制到所得轮廓线中。
也就是说,由线段逼近的轮廓线部分再次用最大距离MaxLineDist2(轮廓线与近似线之间的最大距离)的多边形逼近进行分割,即第二次迭代,并且新创建的线段在可能的情况下合并为圆形或椭圆弧。显然,这只会在MaxLineDist2<MaxLineDist1时更改输出,这种两步方法比使用MaxLineDist2的一步方法更有效,由于在第一步中生成的线段较少,因此必须较少地进行圆或椭圆拟合。因此,使用长圆弧逼近部分输入轮廓线会更高效;之后,再用短圆弧去逼近输入的轮廓,最后再细化使用过长圆弧逼近的轮廓线的末端。
步骤S5、将所述圆弧段进行缺陷检测,以检测出所述圆弧段缺陷。
请参考图6所示,图6为本发明刀具缺陷检测方法中的步骤S5流程框图。
所述步骤S5包括:
步骤51、对所述圆弧段进行拟合得出所述圆弧段的圆心和半径,将所述圆心和所述半径画出一个拟合圆形。
步骤52、将所述圆弧段与所述拟合圆形进行封闭差运算并得出做差结果。
步骤53、将所述做差结果根据所述圆弧段的圆度特性和长度特性进行过虑出圆弧,过滤出的圆弧为所述圆弧段缺陷。所述圆弧段缺陷为有缺陷的部分。
请参考图7所示,图7为图2中的圆弧段缺陷部分图像。其中,W3为所述圆弧段缺陷,W4为所述拟合圆形的部分圆弧。
步骤S6、将所述直线段进行缺陷检测,以检测出所述直线段缺陷。
请参考图8所示,图8为本发明刀具缺陷检测方法中的步骤S6流程框图。
所述步骤S6包括如下步骤:
步骤S61、对所述直线段进行分割处理并分割出直线和圆弧。
步骤S62、所述直线段的圆度特性和长度特性进行过虑出圆弧,过滤出的圆弧为所述直线段缺陷。所述直线段缺陷为有缺陷的部分。
请参考图9所示,图9为图2中的直线段缺陷部分图像。图中,W5为所述直线段缺陷。
本实施例中,通过所述步骤S1至所述步骤S6的实施,采用一种图像处理的方法,避免传感器方法的缺陷,从而提高了可靠性,通过图像处理的速度较快,运算量小。综上所述,本发明的刀具缺陷检测方法检测速度快、检测精度高且可靠性高。
本发明还提供一种检测设备1000。请参照图10所示,图10为本发明检测设备1000的结构示意图。
所述检测设备1000包括处理器1001、存储器1002、网络接口1003及存储在存储器1002上并可在处理器1001上运行的计算机程序,所述处理器1001用于读取所述存储器中1002的程序,处理器1001执行计算机程序时实现实施例提供的刀具缺陷检测方法中的步骤。即处理器1001执行所述刀具缺陷检测方法中的步骤。
具体的,处理器1001用于执行以下步骤:
步骤S1、采用工业相机通过对待测产品进行拍照并得到待检测图像。
步骤S2、将所述待检测图像通过亚像素边缘检测方法提取轮廓边缘。
步骤S3、将所述轮廓边缘进行边缘平滑去燥计算,再将计算后的所述轮廓边缘中小于预设长度的边缘线段进行过滤并得出轮廓线。
步骤S4、将所述轮廓线划分为圆弧段和直线段。
步骤S5、将所述圆弧段进行缺陷检测,以检测出所述圆弧段缺陷。
步骤S6、将所述直线段进行缺陷检测,以检测出所述直线段缺陷。
本发明实施例提供的所述检测设备1000能够实现刀具缺陷检测方法实施例中的各个实施方式,以及相应有益效果,为避免重复,这里不再赘述。
需要指出的是,图10中仅示出了具有组件的1001-1003,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的所述检测设备1000是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述存储器1002至少包括一种类型的可读存储介质,可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器1002可以是所述检测设备1000的内部存储单元,例如所述检测设备1000的硬盘或内存。在另一些实施例中,所述存储器1002也可以是所述检测设备1000的外部存储设备,例如该检测设备1000上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器1002还可以既包括所述检测设备1000的内部存储单元也包括其外部存储设备。本实施例中,所述存储器1002通常用于存储安装于所述检测设备1000的操作系统和各类应用软件,例如检测设备1000的刀具缺陷检测方法的程序代码等。此外,所述存储器1002还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器1001在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该所述处理器1001通常用于控制所述检测设备1000的总体操作。本实施例中,所述处理器1001用于运行所述存储器1002中存储的程序代码或者处理数据,例如运行检测设备1000的刀具缺陷检测方法的程序代码。
网络接口1003可包括无线网络接口或有线网络接口,该网络接口1003通常用于在检测设备1000与其他电子设备之间建立通信连接。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器1001执行时实现如所述刀具缺陷检测方法中的步骤。
本领域普通技术人员可以理解实现实施例所述检测设备1000的刀具缺陷检测方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如各方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存取存储器(Random Access Memory,简称RAM)等。
在本发明实施例中提到的本实施方式为了便于表述。以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
与相关技术相比,本发明的刀具缺陷检测方法、检测设备和计算机可读存储介质,刀具缺陷检测方法通过步骤S1、采用工业相机通过对待测产品进行拍照并得到待检测图像;步骤S2、将所述待检测图像通过亚像素边缘检测方法提取轮廓边缘;步骤S3、将所述轮廓边缘进行边缘平滑去燥计算,再将计算后的所述轮廓边缘中小于预设长度的边缘线段进行过滤并得出轮廓线;步骤S4、将所述轮廓线划分为圆弧段和直线段;步骤S5、将所述圆弧段进行缺陷检测,以检测出所述圆弧段缺陷;步骤S6、将所述直线段进行缺陷检测,以检测出所述直线段缺陷。根据上述步骤S1至步骤S6的操作,本发明是采用一种图像处理的方法,避免传感器方法的缺陷,从而提高了可靠性,通过图像处理的速度较快,运算量小,从而与相关技术的传感器方式的检测方法相比,本发明的刀具缺陷检测方法的检测速度快、检测精度高且可靠性高。
以上所述的仅是本发明的实施方式,在此应当指出,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出改进,但这些均属于本发明的保护范围。
Claims (9)
1.一种刀具缺陷检测方法,其特征在于,该方法包括如下步骤:
步骤S1、采用工业相机通过对待测产品进行拍照并得到待检测图像;
步骤S2、将所述待检测图像通过亚像素边缘检测方法提取轮廓边缘;
步骤S3、将所述轮廓边缘进行边缘平滑去燥计算,再将计算后的所述轮廓边缘中小于预设长度的边缘线段进行过滤并得出轮廓线;
步骤S4、将所述轮廓线划分为圆弧段和直线段;
步骤S5、将所述圆弧段进行缺陷检测,以检测出所述圆弧段缺陷;
步骤S6、将所述直线段进行缺陷检测,以检测出所述直线段缺陷。
2.根据权利要求1所述的刀具缺陷检测方法,其特征在于,所述步骤S2包括:
步骤S21、确定模板的大小为N2,并通过Zernike矩的公式进行模板系数计算并得到N个Zernike矩模板;其中,N为大于2的正整数;
步骤S22、对所述待检测图像进行预处理并得到预处理图像,所述预处理为滤波二值化或Canny边缘检测;
步骤S23、将所述预处理图像分别与所述N个Zernike矩模板进行卷积计算并得到N个卷积计算Zernike矩;
步骤S24、将N个所述卷积计算Zernike矩与预设的角度校正系数并得到N个度校正Zernike矩;
步骤S25、将所述N个度校正Zernike矩分别进行距离参数l计算和灰度差参数k计算,再根据计算后得到的距离参数l和灰度差参数k得到多个边缘点,并将多个所述边缘点提取出所述轮廓边缘。
4.根据权利要求1所述的刀具缺陷检测方法,其特征在于,所述步骤S4中,通过折线逼近方法将所述轮廓线划分为圆弧段和直线段。
5.根据权利要求4所述的刀具缺陷检测方法,其特征在于,所述步骤S4包括:
步骤S41、将所述轮廓线进行平滑处理;
步骤S42、根据Ramer算法中轮廓与近似线之间的最大距离进行折线逼近所述轮廓线,再将所述轮廓线中圆形或椭圆形的弧被匹配到相邻的线段中,若匹配所产生的弧线到所述轮廓线的最大距离小于两条线段的最大距离,则将该两条线段替换为圆弧;
步骤S43、根据Ramer算法中轮廓与近似线之间的最大距离进行多边形逼近所述轮廓线,再将所述轮廓线中圆形或椭圆形的弧被匹配到相邻的线段中,若匹配所产生的弧线到所述轮廓线的最大距离小于两条线段的最大距离,则将该两条线段替换为圆弧;
步骤S44、计算出的所得轮廓线的长度至少为3像素且其包含至少6个连续点,其中,计算出的所得轮廓线的长度小于3像素或少于6个连续点的线段直接复制到所得轮廓线中。
6.根据权利要求1所述的刀具缺陷检测方法,其特征在于,所述步骤S5包括:
步骤51、对所述圆弧段进行拟合得出所述圆弧段的圆心和半径,将所述圆心和所述半径画出一个拟合圆形;
步骤52、将所述圆弧段与所述拟合圆形进行封闭差运算并得出做差结果;
步骤53、将所述做差结果根据所述圆弧段的圆度特性和长度特性进行过虑出圆弧,过滤出的圆弧为所述圆弧段缺陷。
7.根据权利要求1所述的刀具缺陷检测方法,其特征在于,所述步骤S6包括如下步骤:
步骤S61、对所述直线段进行分割处理并分割出直线和圆弧;
步骤S62、所述直线段的圆度特性和长度特性进行过虑出圆弧,过滤出的圆弧为所述直线段缺陷。
8.一种检测设备,其特征在于,包括处理器和存储器,所述处理器用于读取所述存储器中的程序,执行如权利要求1至7中任一项所述的刀具缺陷检测方法中的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时实现如权利要求1-7中任意一项所述的刀具缺陷检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210983379.7A CN115358983A (zh) | 2022-08-16 | 2022-08-16 | 刀具缺陷检测方法、检测设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210983379.7A CN115358983A (zh) | 2022-08-16 | 2022-08-16 | 刀具缺陷检测方法、检测设备和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115358983A true CN115358983A (zh) | 2022-11-18 |
Family
ID=84033476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210983379.7A Pending CN115358983A (zh) | 2022-08-16 | 2022-08-16 | 刀具缺陷检测方法、检测设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115358983A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117036358A (zh) * | 2023-10-10 | 2023-11-10 | 济南章力机械有限公司 | 一种数控机床刀具磨损检测方法及系统 |
CN117197036A (zh) * | 2023-07-25 | 2023-12-08 | 钛玛科(北京)工业科技有限公司 | 图像检测方法及装置 |
CN117808811A (zh) * | 2024-03-01 | 2024-04-02 | 陕西中盛天泽复合材料科技有限公司 | 一种数控机床刀具崩刃异常检测方法 |
-
2022
- 2022-08-16 CN CN202210983379.7A patent/CN115358983A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197036A (zh) * | 2023-07-25 | 2023-12-08 | 钛玛科(北京)工业科技有限公司 | 图像检测方法及装置 |
CN117197036B (zh) * | 2023-07-25 | 2024-02-13 | 钛玛科(北京)工业科技有限公司 | 图像检测方法及装置 |
CN117036358A (zh) * | 2023-10-10 | 2023-11-10 | 济南章力机械有限公司 | 一种数控机床刀具磨损检测方法及系统 |
CN117036358B (zh) * | 2023-10-10 | 2024-01-30 | 济南章力机械有限公司 | 一种数控机床刀具磨损检测方法及系统 |
CN117808811A (zh) * | 2024-03-01 | 2024-04-02 | 陕西中盛天泽复合材料科技有限公司 | 一种数控机床刀具崩刃异常检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115358983A (zh) | 刀具缺陷检测方法、检测设备和计算机可读存储介质 | |
EP3176751B1 (en) | Information processing device, information processing method, computer-readable recording medium, and inspection system | |
CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN112767326B (zh) | 钢轨表面缺陷检测方法、装置、设备及存储介质 | |
CN116168026A (zh) | 基于计算机视觉的水质检测方法及系统 | |
CN111047615B (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
CN115082462A (zh) | 一种流体输送管外观质量检测方法及系统 | |
CN109447117B (zh) | 双层车牌识别方法、装置、计算机设备及存储介质 | |
CN110660072B (zh) | 一种直线边缘的识别方法、装置、存储介质及电子设备 | |
CN114494017B (zh) | 根据比例尺进行图像dpi调整的方法和装置、设备及介质 | |
CN114757950B (zh) | 超声图像处理方法、装置以及计算机可读存储介质 | |
CN109509166B (zh) | 印刷电路板图像检测方法和装置 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN102509265B (zh) | 基于灰度值差和局部能量的数字图像去噪方法 | |
CN109978903A (zh) | 一种标识点识别方法、装置、电子设备及存储介质 | |
CN113610041A (zh) | 一种用于指针式仪表的读数识别方法及设备 | |
Dunn et al. | Optimal Gabor-filter design for texture segmentation | |
CN112950594A (zh) | 产品表面缺陷的检测方法、设备及存储介质 | |
CN115861315B (zh) | 缺陷检测方法和装置 | |
CN115880481A (zh) | 一种基于边缘轮廓的曲线定位算法及系统 | |
CN117788470B (zh) | 一种基于人工智能的轮胎缺陷检测方法 | |
CN116629291B (zh) | 基于计算机视觉的快递条码图像智能增强方法及系统 | |
CN117788470A (zh) | 一种基于人工智能的轮胎缺陷检测方法 | |
CN113516608B (zh) | 轮胎的缺陷检测方法和检测装置、轮胎检测设备 | |
CN117635608B (zh) | 一种孔偏缺陷检测方法、装置、设备及存储介质 |
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 |