CN115546155A - 一种基于机器视觉的铆钉尺寸检测方法 - Google Patents

一种基于机器视觉的铆钉尺寸检测方法 Download PDF

Info

Publication number
CN115546155A
CN115546155A CN202211242624.5A CN202211242624A CN115546155A CN 115546155 A CN115546155 A CN 115546155A CN 202211242624 A CN202211242624 A CN 202211242624A CN 115546155 A CN115546155 A CN 115546155A
Authority
CN
China
Prior art keywords
rivet
image
defect
module
value
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
Application number
CN202211242624.5A
Other languages
English (en)
Inventor
缪建国
李立军
陆海斌
徐磊
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.)
Wuxi Anxinda Science & Technology Co ltd
Original Assignee
Wuxi Anxinda Science & 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 Wuxi Anxinda Science & Technology Co ltd filed Critical Wuxi Anxinda Science & Technology Co ltd
Priority to CN202211242624.5A priority Critical patent/CN115546155A/zh
Publication of CN115546155A publication Critical patent/CN115546155A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • 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 using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/64—Analysis of geometric attributes of convexity or concavity
    • 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
    • G06V10/513—Sparse representations
    • 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
    • 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
    • G06T2207/20024—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于机器视觉的铆钉尺寸检测方法。本发明中，尺寸检测模块和缺陷检测模块配合使用，根据轮廓图像中所具有的的直线型特征，使用Hough变换的方法实现铆钉尺寸参数的测量；使用图像的几何特征对铆钉缺陷图像进行特征描述，并根据不同缺陷图像特征描述的不同对铆钉缺陷进行准确判断。对铆钉尺寸测量和缺陷检测的数据通过统计分析，实现铆钉生产线的自诊断功能，从而提高了该系统的准确性和高效性，同时配合统计分析模块可以对缺陷进行统计，进而使得后续的使用过程中，可以提供了参考价值，增加了使用时的便利性，同时也提高了该检测方法的检测效率，提高了产品的良品率。

Description

一种基于机器视觉的铆钉尺寸检测方法
技术领域
本发明属于铆钉检测技术领域，具体为一种基于机器视觉的铆钉尺寸检测方法。
背景技术
铆钉是用于连接两个带通孔，一端有帽的零件(或构件)的钉形物件。在铆接中，利用自身形变或过盈连接被铆接的零件。铆钉种类很多，而且不拘形式。铆钉在生产过程中，需要对尺寸进行检测。
但是常见的检测方法使得使用时，不能对铆钉的缺陷进行检测，从而影响了产品的良品率。
发明内容
本发明的目的在于：为了解决上述提出的问题，提供一种基于机器视觉的铆钉尺寸检测方法。
本发明采用的技术方案如下：一种基于机器视觉的铆钉尺寸检测方法，所述基于机器视觉的铆钉尺寸检测方法包括以下步骤：
S1:启动模块控制整个系统启动后，整个系统开始工作，铆钉图像采集模块选择型号MV-EM200M的面阵CCD相机进行铆钉图像的采集，
S2:图像预处理模块先对铆钉图像采集模块拍摄到的图像进行离散傅里叶变换，将操作转换到频率域上进行，然后对图像低通滤波，去除瑕疵等高频信息，转换回原空间中与原图进行差分，从而得到增强后的图像
S3:图像预处理模块对图像进行增强处理之后，采用双边滤波的方法进行图像图像滤波，在检测时，如果窗口中存在噪声点，那么它必然为3×3滤波窗口中某一行或者某一列的最大值或最小值；
S4:图像预处理模块进行滤波处理之后，通过选择适当的阈值将原本具有多个灰度等级的图像转换成仍然能够反映图像整体与局部特征的黑白二值图像，即只要像素的灰度值大于给定阈值的就置为255，小于给定阈值的就置为0，经过这样处理后的图像就会呈现出黑白对比明显的效果；
S5:尺寸检测模块进行边缘检测，利用相邻点像素的灰度差，在边缘处取得极值，从而检测到图像边缘信息，删除非边缘部分，从而对噪声起到平滑作用；
S6:尺寸标定模块进行尺寸标定，选取几个尺寸标准的铆钉样件作为标定工件，通过影像测量仪测量获得它的钉杆直径尺寸，并计算标定系数k；
S7:尺寸检测模块通过阈值分割后变换为二值图像进行轮廓提取，阈值分割法的步骤为：1.确定图像分割的阈值；2.将所确定的分割阈值和图像像素值进行比较以划分像素；
S8:尺寸检测模块根据其轮廓图像的特征信息可以测量出铆钉的埋头面夹角、内径、长度、埋头面厚度等物理量；由于埋头面的夹角能够通过拟合所测角度的两条直线方程进而计算直线夹角得到，铆钉的长度、内径以及埋头面厚度能够通过其对应平行线间的距离获得，因此铆钉尺寸参数的测量转变为对目标直线的检测
S9:缺陷检测模块用CCD相机拍摄多幅合格的铆钉图像，采用具有尺度特性原子库的稀疏分解技术，并利用均值聚类技术对多幅铆钉图像的稀疏结果进行聚类处理，获得铆钉背景图像B；对于不同类型的表面缺陷，具有不同的特征，因此对不同的缺陷信息进行特征描述，能够有效的实现对铆钉表面缺陷的准确判断；
S10:缺陷检测模块对缺陷进行判断，缺陷检测模块对拍摄到铆钉的圆头面图像进行轮廓提取，由于合格的铆钉圆头面轮廓图像为圆形，因此通过计算铆钉圆头面轮廓图像的圆形度，并设置合适的圆形度阈值，当圆头面轮廓图像的圆形度大于此阈值时，判断为铆钉圆头面无掉角缺陷，否则判断为铆钉圆头面存在掉角缺陷；
S11:统计分析模块对尺寸参数的统计分析可以准确地判断出铆钉生产机械设备的工作状态，实现生产线的自诊断功能，统计分析模块通过测量数据均值与设定值的比较可以判断生产工艺过程的偏差大小；铆钉图像采集模块根据测量数据方差的大小可以判断铆钉生产过程的精密程度；图像预处理模块通过判断测量值的偏差的分布规律，可以判断出生产过程中工艺参数的一致性；统计分析方法中，一般使用均值、方差、偏度和峰度对统计数据进行分析。
在一优选的实施方式中，所述步骤S1中，所检测的铆钉的最大尺寸不超过10mm×10mm，根据铆钉的几何参数和相机的镜头接口，所述铆钉图像采集模块选择型号为AFT-ZML1024的光学镜头。
在一优选的实施方式中，所述步骤S1中，所检测的铆钉的最大尺寸不超过10mm×10mm，根据铆钉的几何参数和相机的镜头接口，所述铆钉图像采集模块选择型号为AFT-ZML1024的光学镜头。
在一优选的实施方式中，所述步骤S3中，算法是求出每一行和每一列的最大值和最小值，求出每一行和每一列的最大值和最小值考虑到窗口中的像素点，然后将最大值的均值作为最大阈值，最小值的均值作为最小阈值。
在一优选的实施方式中，所述步骤S4中，把灰度值为0的像素点组成的区域判定为属于特定目标物体；灰度值为255表示的像素点组成区域判定为特定目标物体背景或者其他的物体区域。
在一优选的实施方式中，所述步骤S5中，尺寸检测模块先对图像进行高斯滤波，然后再进行Laplacian边缘检测，边缘检测结果为零的即为边缘点的位置。
在一优选的实施方式中，所述步骤S7中，为了对铆钉的待测参数进行计算，需要对铆钉图像进行轮廓提取，以获取铆钉图像的边缘轮廓信息。
在一优选的实施方式中，所述步骤S8中，还需要对不同特征的阈值分割部分，在每种特征的圆点内部和圆点外部都需要进行不同的开闭操作、填充操作。
在一优选的实施方式中，所述步骤S9中，在待测铆钉图像经过图像背景补偿后，能够获得铆钉的缺陷图像。
在一优选的实施方式中，所述步骤S9中，通过计算铆钉缺陷图像的位置、区域面积、轮廓周长几何特征和矩形度、长宽比、圆形度形状特征。
在一优选的实施方式中，所述步骤S10中，对于麻坑缺陷通过计算缺陷图像的长宽比和矩形度，并设置合适的长宽比阈值和矩形度阈值，当缺陷图像的矩形度和长宽比满足相应的条件时，判断缺陷图像为麻坑缺陷。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明中，尺寸检测模块和缺陷检测模块配合使用，根据轮廓图像中所具有的的直线型特征，使用Hough变换的方法实现铆钉尺寸参数的测量；使用图像的几何特征对铆钉缺陷图像进行特征描述，并根据不同缺陷图像特征描述的不同对铆钉缺陷进行准确判断。对铆钉尺寸测量和缺陷检测的数据通过统计分析，实现铆钉生产线的自诊断功能，从而提高了该系统的准确性和高效性，同时配合统计分析模块可以对缺陷进行统计，进而使得后续的使用过程中，可以提供了参考价值，增加了使用时的便利性，同时也提高了该检测方法的检测效率，提高了产品的良品率。
附图说明
图1为本发明的流程图。
图中标记：1-启动模块、2-铆钉图像采集模块、3-图像预处理模块、4-尺寸标定模块、5-尺寸检测模块、6-缺陷检测模块、7-统计分析模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，
一种基于机器视觉的铆钉尺寸检测方法，基于机器视觉的铆钉尺寸检测方法包括以下步骤：
S1:启动模块1控制整个系统启动后，整个系统开始工作，铆钉图像采集模块2选择型号MV-EM200M的面阵CCD相机进行铆钉图像的采集，
S2:图像预处理模块3先对铆钉图像采集模块2拍摄到的图像进行离散傅里叶变换，将操作转换到频率域上进行，然后对图像低通滤波，去除瑕疵等高频信息，转换回原空间中与原图进行差分，从而得到增强后的图像
S3:图像预处理模块3对图像进行增强处理之后，采用双边滤波的方法进行图像图像滤波，在检测时，如果窗口中存在噪声点，那么它必然为3×3滤波窗口中某一行或者某一列的最大值或最小值；
S4:图像预处理模块3进行滤波处理之后，通过选择适当的阈值将原本具有多个灰度等级的图像转换成仍然能够反映图像整体与局部特征的黑白二值图像，即只要像素的灰度值大于给定阈值的就置为255，小于给定阈值的就置为0，经过这样处理后的图像就会呈现出黑白对比明显的效果；
S5:9进行边缘检测，利用相邻点像素的灰度差，在边缘处取得极值，从而检测到图像边缘信息，删除非边缘部分，从而对噪声起到平滑作用；
S6:尺寸标定模块4进行尺寸标定，选取几个尺寸标准的铆钉样件作为标定工件，通过影像测量仪测量获得它的钉杆直径尺寸，并计算标定系数k；
S7:尺寸检测模块5通过阈值分割后变换为二值图像进行轮廓提取，阈值分割法的步骤为：1.确定图像分割的阈值；2.将所确定的分割阈值和图像像素值进行比较以划分像素；
S8:尺寸检测模块5根据其轮廓图像的特征信息可以测量出铆钉的埋头面夹角、内径、长度、埋头面厚度等物理量；由于埋头面的夹角能够通过拟合所测角度的两条直线方程进而计算直线夹角得到，铆钉的长度、内径以及埋头面厚度能够通过其对应平行线间的距离获得，因此铆钉尺寸参数的测量转变为对目标直线的检测
S9:缺陷检测模块6用CCD相机拍摄多幅合格的铆钉图像，采用具有尺度特性原子库的稀疏分解技术，并利用均值聚类技术对多幅铆钉图像的稀疏结果进行聚类处理，获得铆钉背景图像B；对于不同类型的表面缺陷，具有不同的特征，因此对不同的缺陷信息进行特征描述，能够有效的实现对铆钉表面缺陷的准确判断；
S10:缺陷检测模块6对缺陷进行判断，缺陷检测模块6对拍摄到铆钉的圆头面图像进行轮廓提取，由于合格的铆钉圆头面轮廓图像为圆形，因此通过计算铆钉圆头面轮廓图像的圆形度，并设置合适的圆形度阈值，当圆头面轮廓图像的圆形度大于此阈值时，判断为铆钉圆头面无掉角缺陷，否则判断为铆钉圆头面存在掉角缺陷；
S11:统计分析模块7对尺寸参数的统计分析可以准确地判断出铆钉生产机械设备的工作状态，实现生产线的自诊断功能，统计分析模块7通过测量数据均值与设定值的比较可以判断生产工艺过程的偏差大小；铆钉图像采集模块2根据测量数据方差的大小可以判断铆钉生产过程的精密程度；图像预处理模块3通过判断测量值的偏差的分布规律，可以判断出生产过程中工艺参数的一致性；统计分析方法中，一般使用均值、方差、偏度和峰度对统计数据进行分析。
步骤S1中，所检测的铆钉的最大尺寸不超过10mm×10mm，根据铆钉的几何参数和相机的镜头接口，铆钉图像采集模块2选择型号为AFT-ZML1024的光学镜头。
步骤S3中，算法是求出每一行和每一列的最大值和最小值，求出每一行和每一列的最大值和最小值是能尽可能多得考虑到窗口中的像素点，避免将极值点作为阈值，因而起不到检测作用。然后将最大值的均值作为最大阈值，最小值的均值作为最小阈值。
步骤S4中，把灰度值为0的像素点组成的区域判定为属于特定目标物体；灰度值为255表示的像素点组成区域判定为特定目标物体背景或者其他的物体区域。当然，也可以将灰度为255的像素点区域判定为特定目标物体，灰度为0的像素点区域判定为背景或者其他的物体区域。如果某个物体内部的像素灰度值差距不大，并且处于一个与其不同大小灰度值的相同背景下，我们就可以通过阈值法得到比较理想的分割效果。
步骤S5中，9先对图像进行高斯滤波，然后再进行Laplacian边缘检测，边缘检测结果为零的即为边缘点的位置。
步骤S7中，为了对铆钉的待测参数进行计算，需要对铆钉图像进行轮廓提取，以获取铆钉图像的边缘轮廓信息。通过对铆钉图像进行轮廓提取，能够极大程度上剔除不相关的图像信息，大大减少图像处理的数据量。
步骤S8中，还需要对不同特征的阈值分割部分，在每种特征的圆点内部和圆点外部都需要进行不同的开闭操作、填充操作。
步骤S9中，在待测铆钉图像经过图像背景补偿后，能够获得铆钉的缺陷图像，为了将不同类型的缺陷进行分类，需要对不同类型的缺陷进行识别处理。
步骤S9中，通过计算铆钉缺陷图像的位置、区域面积、轮廓周长等几何特征和矩形度、长宽比、圆形度等形状特征，全面准确的描述铆钉的每一种缺陷类型，并根据描述结果的差异采用二叉树分类的方法实现铆钉表面缺陷的分类，
步骤S10中，对于麻坑缺陷通过计算缺陷图像的长宽比和矩形度，并设置合适的长宽比阈值和矩形度阈值，当缺陷图像的矩形度和长宽比满足相应的条件时，判断缺陷图像为麻坑缺陷，因此能够将麻坑缺陷和划痕、刀纹等细长型缺陷区分开来。
尺寸检测模块5和缺陷检测模块6配合使用，根据轮廓图像中所具有的的直线型特征，使用Hough变换的方法实现铆钉尺寸参数的测量；使用图像的几何特征对铆钉缺陷图像进行特征描述，并根据不同缺陷图像特征描述的不同对铆钉缺陷进行准确判断。对铆钉尺寸测量和缺陷检测的数据通过统计分析，实现铆钉生产线的自诊断功能，从而提高了该系统的准确性和高效性，同时配合统计分析模块7可以对缺陷进行统计，进而使得后续的使用过程中，可以提供了参考价值，增加了使用时的便利性，同时也提高了该检测方法的检测效率。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于机器视觉的铆钉尺寸检测方法，其特征在于：所述基于机器视觉的铆钉尺寸检测方法包括以下步骤：
S1:启动模块(1)控制整个系统启动后，整个系统开始工作，铆钉图像采集模块(2)选择型号MV-EM200M的面阵CCD相机进行铆钉图像的采集，
S2:图像预处理模块(3)先对铆钉图像采集模块(2)拍摄到的图像进行离散傅里叶变换，将操作转换到频率域上进行，然后对图像低通滤波，去除瑕疵高频信息，转换回原空间中与原图进行差分，从而得到增强后的图像
S3:图像预处理模块(3)对图像进行增强处理之后，采用双边滤波的方法进行图像图像滤波，在检测时，如果窗口中存在噪声点，那么它必然为3×3滤波窗口中某一行或者某一列的最大值或最小值；
S4:图像预处理模块(3)进行滤波处理之后，通过选择适当的阈值将原本具有多个灰度级的图像转换成仍然能够反映图像整体与局部特征的黑白二值图像，即只要像素的灰度值大于给定阈值的就置为255，小于给定阈值的就置为0，经过这样处理后的图像就会呈现出黑白对比明显的效果；
S5:尺寸检测模块(5)进行边缘检测，利用相邻点像素的灰度差，在边缘处取得极值，从而检测到图像边缘信息，删除非边缘部分，从而对噪声起到平滑作用；
S6:尺寸标定模块(4)进行尺寸标定，选取几个尺寸标准的铆钉样件作为标定工件，通过影像测量仪测量获得它的钉杆直径尺寸，并计算标定系数k；
S7:尺寸检测模块(5)通过阈值分割后变换为二值图像进行轮廓提取，阈值分割法的步骤为：1.确定图像分割的阈值；2.将所确定的分割阈值和图像像素值进行比较以划分像素；
S8:尺寸检测模块(5)根据其轮廓图像的特征信息测量出铆钉的埋头面夹角、内径、长度、埋头面厚度物理量；由于埋头面的夹角能够通过拟合所测角度的两条直线方程进而计算直线夹角得到，铆钉的长度、内径以及埋头面厚度能够通过其对应平行线间的距离获得，因此铆钉尺寸参数的测量转变为对目标直线的检测
S9:缺陷检测模块(6)用CCD相机拍摄多幅合格的铆钉图像，采用具有尺度特性原子库的稀疏分解技术，并利用均值聚类技术对多幅铆钉图像的稀疏结果进行聚类处理，获得铆钉背景图像B；对于不同类型的表面缺陷，具有不同的特征，因此对不同的缺陷信息进行特征描述，能够有效的实现对铆钉表面缺陷的准确判断；
S10:缺陷检测模块(6)对缺陷进行判断，缺陷检测模块(6)对拍摄到铆钉的圆头面图像进行轮廓提取，由于合格的铆钉圆头面轮廓图像为圆形，因此通过计算铆钉圆头面轮廓图像的圆形度，并设置合适的圆形度阈值，当圆头面轮廓图像的圆形度大于此阈值时，判断为铆钉圆头面无掉角缺陷，否则判断为铆钉圆头面存在掉角缺陷；
S11:统计分析模块(7)对尺寸参数的统计分析准确地判断出铆钉生产机械设备的工作状态，实现生产线的自诊断功能，统计分析模块(7)通过测量数据均值与设定值的比较判断生产工艺过程的偏差大小；铆钉图像采集模块(2)根据测量数据方差的大小判断铆钉生产过程的精密程度；图像预处理模块(3)通过判断测量值的偏差的分布规律，判断出生产过程中工艺参数的一致性；统计分析方法中，一般使用均值、方差、偏度和峰度对统计数据进行分析。
2.如权利要求1所述的一种基于机器视觉的铆钉尺寸检测方法，其特征在于：所述步骤S1中，所检测的铆钉的最大尺寸不超过10mm×10mm，根据铆钉的几何参数和相机的镜头接口，所述铆钉图像采集模块(2)选择型号为AFT-ZML1024的光学镜头。
3.如权利要求1所述的一种基于机器视觉的铆钉尺寸检测方法，其特征在于：所述步骤S3中，算法是求出每一行和每一列的最大值和最小值，求出每一行和每一列的最大值和最小值考虑到窗口中的像素点，然后将最大值的均值作为最大阈值，最小值的均值作为最小阈值。
4.如权利要求1所述的一种基于机器视觉的铆钉尺寸检测方法，其特征在于：所述步骤S4中，把灰度值为0的像素点组成的区域判定为属于特定目标物体；灰度值为255表示的像素点组成区域判定为特定目标物体背景或者其他的物体区域。
5.如权利要求1所述的一种基于机器视觉的铆钉尺寸检测方法，其特征在于：所述步骤S5中，尺寸检测模块(5)先对图像进行高斯滤波，然后再进行Laplacian边缘检测，边缘检测结果为零的即为边缘点的位置。
6.如权利要求1所述的一种基于机器视觉的铆钉尺寸检测方法，其特征在于：所述步骤S7中，为了对铆钉的待测参数进行计算，需要对铆钉图像进行轮廓提取，以获取铆钉图像的边缘轮廓信息。
7.如权利要求1所述的一种基于机器视觉的铆钉尺寸检测方法，其特征在于：所述步骤S8中，还需要对不同特征的阈值分割部分，在每种特征的圆点内部和圆点外部都需要进行不同的开闭操作、填充操作。
8.如权利要求1所述的一种基于机器视觉的铆钉尺寸检测方法，其特征在于：所述步骤S9中，在待测铆钉图像经过图像背景补偿后，能够获得铆钉的缺陷图像。
9.如权利要求1所述的一种基于机器视觉的铆钉尺寸检测方法，其特征在于：所述步骤S9中，通过计算铆钉缺陷图像的位置、区域面积、轮廓周长几何特征和矩形度、长宽比、圆形度形状特征。
10.如权利要求1所述的一种基于机器视觉的铆钉尺寸检测方法，其特征在于：所述步骤S10中，对于麻坑缺陷通过计算缺陷图像的长宽比和矩形度，并设置合适的长宽比阈值和矩形度阈值，当缺陷图像的矩形度和长宽比满足相应的条件时，判断缺陷图像为麻坑缺陷。
CN202211242624.5A 2022-10-11 2022-10-11 一种基于机器视觉的铆钉尺寸检测方法 Pending CN115546155A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211242624.5A CN115546155A (zh) 2022-10-11 2022-10-11 一种基于机器视觉的铆钉尺寸检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211242624.5A CN115546155A (zh) 2022-10-11 2022-10-11 一种基于机器视觉的铆钉尺寸检测方法

Publications (1)

Publication Number Publication Date
CN115546155A true CN115546155A (zh) 2022-12-30

Family

ID=84733276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211242624.5A Pending CN115546155A (zh) 2022-10-11 2022-10-11 一种基于机器视觉的铆钉尺寸检测方法

Country Status (1)

Country Link
CN (1) CN115546155A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116359250A (zh) * 2023-06-01 2023-06-30 苏州精控能源科技有限公司 Ccs焊接、热压铆接同步检测方法及系统
CN116429565A (zh) * 2023-06-13 2023-07-14 天津正道机械制造有限公司 一种金属材料无铆钉连接的接头质量检测方法
CN116524004A (zh) * 2023-07-03 2023-08-01 中国铁路设计集团有限公司 基于HoughLines算法的钢筋尺寸检测方法及系统
CN117788472A (zh) * 2024-02-27 2024-03-29 南京航空航天大学 一种基于dbscan算法的飞机蒙皮表面铆钉腐蚀程度判断的方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116359250A (zh) * 2023-06-01 2023-06-30 苏州精控能源科技有限公司 Ccs焊接、热压铆接同步检测方法及系统
CN116359250B (zh) * 2023-06-01 2023-08-08 苏州精控能源科技有限公司 Ccs焊接、热压铆接同步检测方法及系统
CN116429565A (zh) * 2023-06-13 2023-07-14 天津正道机械制造有限公司 一种金属材料无铆钉连接的接头质量检测方法
CN116429565B (zh) * 2023-06-13 2023-08-29 天津正道机械制造有限公司 一种金属材料无铆钉连接的接头质量检测方法
CN116524004A (zh) * 2023-07-03 2023-08-01 中国铁路设计集团有限公司 基于HoughLines算法的钢筋尺寸检测方法及系统
CN116524004B (zh) * 2023-07-03 2023-09-08 中国铁路设计集团有限公司 基于HoughLines算法的钢筋尺寸检测方法及系统
CN117788472A (zh) * 2024-02-27 2024-03-29 南京航空航天大学 一种基于dbscan算法的飞机蒙皮表面铆钉腐蚀程度判断的方法
CN117788472B (zh) * 2024-02-27 2024-05-14 南京航空航天大学 一种基于dbscan算法的飞机蒙皮表面铆钉腐蚀程度判断的方法

Similar Documents

Publication Publication Date Title
CN115546155A (zh) 一种基于机器视觉的铆钉尺寸检测方法
CN116721106B (zh) 一种基于图像处理的型材瑕疵视觉检测方法
CN111292305B (zh) 一种改进型yolo-v3的金属加工表面缺陷检测方法
CN107622277B (zh) 一种基于贝叶斯分类器的复杂曲面缺陷分类方法
CN116843678B (zh) 一种硬碳电极生产质量检测方法
Deng et al. A carrot sorting system using machine vision technique
CN116740072B (zh) 基于机器视觉的道路表面缺陷检测方法及系统
CN111369516A (zh) 基于红外图像识别的变压器套管发热缺陷检测方法
CN117237368A (zh) 一种桥梁裂缝检测方法及系统
CN113689415A (zh) 一种基于机器视觉的钢管壁厚在线检测方法
CN115830015A (zh) 基于计算机视觉的五金冲压配件质量检测方法
CN111161237A (zh) 一种果蔬表面质检方法及其储存介质、分拣装置
CN115082472B (zh) 一种轮毂模具浇注成型产品的质量检测方法及系统
CN115115603A (zh) 基于人工智能的汽车配件飞轮表面检测方法
CN115880280A (zh) 一种钢结构焊缝质量的检测方法
CN116952155A (zh) 一种电子五金件加工用视觉检测方法
CN115294527A (zh) 一种基于计算机视觉的地铁隧道破损检测方法
CN117237747B (zh) 基于人工智能的五金件缺陷分类识别方法
CN111815575B (zh) 一种基于机器视觉的轴承钢珠零件检测方法
CN110751687B (zh) 一种基于计算机视觉最小最大圆的苹果大小分级方法
CN115471684A (zh) 注塑工件模板匹配方法、电子设备及存储介质
CN114998329A (zh) 一种电子通讯设备射频屏蔽罩的精密冲压质量分析系统
Sun et al. A novel method for multi-feature grading of mango using machine vision
CN114549403A (zh) 一种机械零部件侧剖面多单体智能精密几何圆心检测方法
Riyadi et al. Papaya fruit grading based on size using image analysis

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