CN115587966A - 一种在光照不均匀条件下零件有无缺漏的检测方法及系统 - Google Patents
一种在光照不均匀条件下零件有无缺漏的检测方法及系统 Download PDFInfo
- Publication number
- CN115587966A CN115587966A CN202211069617.XA CN202211069617A CN115587966A CN 115587966 A CN115587966 A CN 115587966A CN 202211069617 A CN202211069617 A CN 202211069617A CN 115587966 A CN115587966 A CN 115587966A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- contour
- template
- outline
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000005286 illumination Methods 0.000 title claims abstract description 34
- 238000001914 filtration Methods 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000003709 image segmentation Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 238000003707 image sharpening Methods 0.000 claims description 14
- 230000007547 defect Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 9
- 230000008859 change Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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]
-
- 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
- G06T2207/20112—Image segmentation details
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明属于机器视觉零件检测领域,提供一种在光照不均匀条件下零件有无缺漏的检测方法及系统,包括在光照均匀条件下,预先确定模板图像;对模板图像进行预处理,并检测图像中的零件轮廓,得到模板图像轮廓;采集待检测图像并进行预处理;检测待检测图像中的轮廓,并进行轮廓过滤,得到待检测图像轮廓;将待检测图像轮廓与模板图像轮廓进行匹配;如果匹配成功,则表示有零件,如果匹配不成功,则表示无零件。本发明对图像进行预处理,消除光照对检测效果影响;预处理步骤中二值化步骤采用全局阈值二值化与局部阈值二值化相结合的方法,处理速度快、鲁棒性好;采用基于Hu矩轮廓匹配方式,提高匹配准确率,同时避免零件角度变化等带来的检测误差。
Description
技术领域
本发明属于机器视觉零件检测技术领域,具体涉及一种在光照不均匀条件下零件有无缺漏的检测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
在工业生产过程中,往往需要检测传送带上某种零件是否正常传送,传统的人工检验方式已经难以满足工业生产需要,目前现有的替代人工方式通常需要传感设备以及其他机械设备,设备复杂、成本高,且不能保证准确率。
随着工业相机设备技术的发展,相机分辨率等性能得到极大改善,在工业生产中有很高应用价值。但是由于现场工业环境复杂、摄像头所在的视角等因素影响,导致得到的目标图像并不理想,采集到的图片光照不均匀且目标较背景差别较小,导致图像整体灰度像素值偏低,图像对比度低,从而使得图像有用信息识别难度增大、识别准确率低。因此需要对图像进行进一步处理,以得到更好的特征和视觉效果。
图像二值化操作是图像预处理中的重要步骤,二值化效果对于后面步骤有直接影响。根据阈值的求取方法不同,二值化算法有全局阈值二值化法和局部阈值二值化法。其中全局阈值二值化法一般是根据图像直方图或灰度空间分布来确定阈值,常用的算法包括Otsu算法、最优阈值法、简单统计法等,这类方法运算简单,但是准确性低。局部阈值二值化包括分块局部阈值法、自适应阈值法等。分块局部阈值法将原始图像划分成块,对每一块子图像使用类似求取全局阈值的方法求取子图像阈值,然后对该子图像进行二值化处理;自适应阈值法根据当前像素为中心的若干个邻域像素点的灰度特征,根据局部灰度特征求取阈值,对中心像素点进行二值化。常用的局部阈值二值化算法有Bernsen算法、Sauvola算法、White算法等,局部阈值二值化法更能适应复杂情况,但是运算复杂,比较耗时。
在对零件进行匹配时,常用的匹配方式包括轮廓匹配、特征点匹配、形状匹配以及模板匹配等。其中基于特征点匹配方式的阈值设置复杂且准确度低,形状匹配以及模板匹配受环境影响较大且在零件旋转后无法进行匹配。
发明内容
为了解决上述问题,本发明提出了一种在光照不均匀条件下零件有无缺漏的检测方法及系统,本发明首先对图像进行预处理,消除光照对检测效果的影响;预处理步骤中的二值化步骤采用全局阈值二值化与局部阈值二值化相结合的方法,处理速度快、鲁棒性好;采用基于Hu矩的轮廓匹配方式,提高匹配准确率,同时避免零件角度变化等带来的检测误差。
根据一些实施例,本发明的第一方案提供了一种在光照不均匀条件下零件有无缺漏的检测方法,采用如下技术方案:
一种在光照不均匀条件下零件有无缺漏的检测方法,包括:
在光照均匀条件下,预先确定模板图像;
对模板图像进行预处理,并检测图像中的零件轮廓,得到模板图像轮廓;
采集待检测图像并进行预处理;
检测待检测图像中的轮廓,并进行轮廓过滤,得到待检测图像轮廓;
将待检测图像轮廓与模板图像轮廓进行匹配;
如果匹配成功,则表示有零件,如果匹配不成功,则表示无零件。
进一步地,所述对模板图像进行预处理,具体为:
采用滤波去噪,减弱模板图像中的噪声;
对去噪后的模板图像进行图像锐化;
对图像锐化后的模板图像进行图像分割;
对图像分割后的模板图像进行图像色彩空间转换,得到模板图像的灰度图像;
基于模板图像的灰度图像采用全局自适应阈值二值化法进行二值分析;
对经过二值化处理后的模板图像进行再次滤波去噪;
将再次滤波去噪后的模板图像进行图像膨胀,得到预处理后的模板图像。
进一步地,所述对待检测图像进行预处理,具体为:
采用滤波去噪,减弱待测图像中的噪声;
对去噪后的待测图像进行图像锐化;
对图像锐化后的待测图像进行图像分割;
对图像分割后的图像进行图像色彩空间转换,得到待测图像的灰度图像;
基于待测图像的灰度图像进行二值分析;
对经过二值化处理后的待测图像进行再次滤波去噪;
将再次滤波去噪后的待测图像进行图像膨胀,得到预处理后的待测图像。
进一步地,所述基于待检测图像的灰度图像进行二值分析,具体为:
(1)将灰度化后的图像均分为N*N个子图像块,子图像块记为block[k](0≤k<N*N);
(2)遍历子图像块block[k],求出每个子图像块的均值、方差,记录每一个子图像块中LowPi所占比例LowPi_Scale[k]、HighPi所占比例HighPi_Scale[k],自适应的选取相应的二值化算法;
(3)如果LowPi_Scale[k]=0,且区域内像素均值μ<10,则认为对应子块block[k]内全是背景,则二值化时将该块内所有像素点全都设置为255;否则转步骤(4);
(4)如果0<LowPi_Scale[k]<Threshold1(Threshold1取2%~3%),且HighPi_Scale[k]>Threshold2(Threshold1取10%~20%),判定此子图像块为亮度差异较大区域,采用Bernsen算法进行二值化;否则转步骤(5);
(5)对该子图像块采用Otsu算法进行二值化,转步骤(6);
(6)输出二值化图像。
进一步地,LowPi_Scale[k]、HighPi_Scale[k]计算公式如下:
其中,f(x,y)为像素点(x,y)的灰度值。
进一步地,所述模板图像轮廓为模板图像的最外层轮廓,所述待检测图像轮廓为待检测图像的最外层轮廓。
进一步地,所述将待检测图像轮廓与模板图像轮廓采用基于Hu矩的轮廓匹配方法进行匹配。
根据一些实施例,本发明的第二方案提供了一种在光照不均匀条件下零件有无缺漏的检测系统,采用如下技术方案:
一种在光照不均匀条件下零件有无缺漏的检测系统,包括:
模板图像采集模块,被配置为在光照均匀条件下,预先确定模板图像;
模板图像轮廓确定模块,被配置为对模板图像进行预处理,并检测图像中的零件轮廓,得到模板图像轮廓;
待检测图像采集模块,被配置为采集待检测图像并进行预处理;
待检测图像轮廓确定模块,被配置为检测待检测图像中的轮廓,并进行轮廓过滤,得到待检测图像轮廓;
轮廓匹配模块,被配置为将待检测图像轮廓与模板图像轮廓进行匹配;
结果输出模块,被配置为如果匹配成功,则表示有零件,如果匹配不成功,则表示无零件。
根据一些实施例,本发明的第三方案提供了一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一个方面所述的一种在光照不均匀条件下零件有无缺漏的检测方法中的步骤。
根据一些实施例,本发明的第四方案提供了一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述第一个方面所述的一种在光照不均匀条件下零件有无缺漏的检测方法中的步骤。
与现有技术相比,本发明的有益效果为:
本发明实现光照不均匀条件下零件有无缺漏的检测。通过对采集图像进行一系列的预处理消除光照影响,然后检测图像中的零件轮廓,采用基于Hu矩的轮廓匹配,不论采集到的检测图像中零件的摆放角度是否与模板图像相同,都能够实现匹配,并输出匹配结果。图像预处理过程中的二值化步骤,采用全局阈值二值化与局部阈值二值化相结合的方法,克服了全局阈值二值化法对局部信息考虑不足以及局部阈值二值化法处理速度慢的缺点,对于光照不均匀图像,本专利提出的二值化方法速度快、鲁棒性好。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例所述的一种在光照不均匀条件下零件有无缺漏的检测方法的流程图;
图2是本发明实施例所述的图像预处理流程图;
图3是本发明实施例所述的二值化处理流程图;
图4为本发明实施例中的模板图像;
图5为本发明实施例中待检测图像。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
如图1所示,本实施例提供了一种在光照不均匀条件下零件有无缺漏的检测方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器和系统,并通过终端和服务器的交互实现。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本发明在此不做限制。本实施例中,该方法包括以下步骤:
在光照均匀条件下,预先确定模板图像;
对模板图像进行预处理,并检测图像中的零件轮廓,得到模板图像轮廓;
采集待检测图像并进行预处理;
检测待检测图像中的轮廓,并进行轮廓过滤,得到待检测图像轮廓;
将待检测图像轮廓与模板图像轮廓进行匹配;
如果匹配成功,则表示有零件,如果匹配不成功,则表示无零件。
具体地,所述对模板图像进行预处理,具体为:
采用滤波去噪,减弱模板图像中的噪声;
对去噪后的模板图像进行图像锐化;
对图像锐化后的模板图像进行图像分割;
对图像分割后的模板图像进行图像色彩空间转换,得到模板图像的灰度图像;
基于模板图像的灰度图像采用全局自适应阈值二值化法进行二值分析;
对经过二值化处理后的模板图像进行再次滤波去噪;
将再次滤波去噪后的模板图像进行图像膨胀,得到预处理后的模板图像。
具体地,所述对待检测图像进行预处理,具体为:
采用滤波去噪,减弱待测图像中的噪声;
对去噪后的待测图像进行图像锐化;
对图像锐化后的待测图像进行图像分割;
对图像分割后的图像进行图像色彩空间转换,得到待测图像的灰度图像;
基于待测图像的灰度图像进行二值分析;
对经过二值化处理后的待测图像进行再次滤波去噪;
将再次滤波去噪后的待测图像进行图像膨胀,得到预处理后的待测图像。
具体地,如图1所示,本实施例所述的方法,具体过程如下:
步骤1:在光照均匀条件下,将零件放在待检测位置并用工业相机进行拍照,作为模板图像;
步骤2:用工业相机对放置零件的目标位置进行拍照,作为待检测图像;
步骤3:对模板图像进行预处理,并检测图像中的零件轮廓;
步骤4:对待检测图像进行预处理,检测图像中的轮廓,并进行轮廓过滤;
步骤3、4中预处理操作流程如图2所示,目的是去除图像的冗余信息,保留有用信息用于后续检测轮廓。这里以光照不均匀的待测图像为例介绍预处理步骤。
1、滤波去噪
采用滤波去噪能减弱相机采集图像中的噪声等干扰因素。常见滤波方式有高斯滤波、双边滤波、中值滤波等。其中中值滤波不依赖于滤波器内那些与典型值差别很大的值,因此对斑点噪声和椒盐噪声的处理有较好效果,同时中值滤波对图像的边缘信息保护效果更好,能避免图像细节的模糊。这里要求得到清晰的零件轮廓,经过实际操作对比,采用中值滤波。
2、图像锐化
由于零件材质的特殊性,拍摄的照片中的零件与背景差距较小,因此采用图像锐化以及分割操作,能够提取图像中的重要信息,使图像边界更清晰。
具体的,图像锐化操作利用内核实现对图像的卷积运算。卷积核为CV_32FC1类型的矩阵:
3、图像分割
图像分割采用Mean-Shift法(均值漂移法),在Mean-Shift法中,每个像素点用一个五维向量(x,y,b,g,r)表示,前两个量是像素点在图像中的坐标,后3个量是每个像素点的颜色分量(蓝、绿、红)。从颜色分布的峰值处开始,通过滑动窗口不断寻找属于同一类的像素点并统一像素点的像素值。滑动窗口由半径和颜色幅度构成,半径决定了滑动窗口的范围,也就是像素点(x,y)的范围,颜色幅度决定了半径内像素点分类的标准。通过不断滑动窗口,实现基于像素点颜色的图像分割。经过图像分割后同一类像素点有相同的像素值。这里滑动窗口半径为20,滑动窗口的颜色幅度为20,分割金字塔缩放层数为2,即构建3层高斯金字塔。设定算法迭代停止条件:最大迭代次数为20,迭代算法停止时需要满足的精度或者参数变化设为0.01。
4、图像色彩空间转换
图像色彩空间变换即将彩色图像变换为灰度图像,利用公式(1)进行图像灰度化。图像灰度化的目的是为了简化矩阵,提高运算速度。
L=0.299×R+0.587×G+0.114×B (1)
5、二值分析
对于目标和背景比较清楚的图像,全局阈值化方法比如Otsu法等,能够有较好效果,且计算速度快,效率高。但是如果图像的背景不均匀,或者光照差异导致目标图像对比度低,图像有用信息识别难度大,一般就采用局部阈值法进行图像二值化,比如Bernsen法。
为减小光照不均匀产生的影响,这里采用Otsu全局阈值与Bernsen局部阈值法相结合的二值化方法。
Bernsen算法实现步骤为:
(1)在灰度图像中以像素点M(x,y)为中心,取大小为(2w+1)×(2w+1)的窗口;
(2)遍历窗口中的像素点,根据公式(2)计算其阈值T(x,y),其中-w≤m≤w,-w≤n≤w,f(x,y)为点(x,y)处的灰度值。
T(x,y)=0.5×[maxf(x+m,y+n)+minf(x+m,y+n)] (2)
(3)利用阈值T(x,y),根据公式(3)分别对图像的像素点进行二值化:
对于灰度图像,其像素值范围为[0,255],将其分为四个灰度区间:低灰度像素值区间[0,63),记为LowPi;中低灰度像素值区间[64,127);中高灰度像素值区间[128,191);高灰度像素值区间[192,255],记为HighPi。然后根据下面步骤将图像进行二值化:
(1)将灰度化后的图像均分为N*N个子图像块,N取的过小影响处理时间,N取的过大影响处理精度。对于1685*1771像素的图像,N取3或4时能使得在二值化效果和处理速度上同时取得最佳。
(2)遍历子图像块block[k],求出每个子图像块的均值、方差,记录每一个子图像块中LowPi所占比例LowPi_Scale[k]、HighPi所占比例HighPi_Scale[k],自适应的选取相应的二值化算法。其中LowPi_Scale[k]、HighPi_Scale[k]计算公式如式(4)、(5)所示,f(x,y)为像素点(x,y)的灰度值。
(3)如果LowPi_Scale[k]=0,且区域内像素均值μ<10,则认为对应子块block[k]内全是背景,则二值化时将该块内所有像素点全都设置为255。否则转步骤(4)。
(4)如果0<LowPi_Scale[k]<Threshold1(Threshold1取2%~3%),且HighPi_Scale[k]>Threshold2(Threshold1取10%~20%),判定此子图像块为亮度差异较大区域,采用Bernsen算法进行二值化。否则转步骤(5)。
(5)对该子图像块采用Otsu算法进行二值化。转步骤(6)。
(6)输出二值化图像。
6、滤波去噪
经过二值化处理后的图像还有比较小的噪声,再次采用中值滤波处理,消除噪声干扰。
7、图像膨胀
经过上一步的滤波操作,图像中部分有用信息会被过滤,此外图像中原本应该联通的区域经过滤波操作后断开了,采用膨胀操作能消除上述影响。用结构元素来控制图像膨胀的效果,结构元素为自定义结构元素,根据实际效果选用结构元素尺寸,这里采用(10×10)矩形结构元素,膨胀次数为1次。
步骤3、4中检测图像轮廓,这里检测的是图像最外层轮廓,同时不必输出轮廓的结构关系。
步骤4中的轮廓过滤用于过滤没有消除的噪声产生的轮廓以及其他干扰轮廓。其具体步骤为在求取轮廓步骤中设定满足条件,这里设定轮廓面积小于1000的轮廓为干扰轮廓,将其去掉,不进行后续轮廓匹配步骤。
步骤5中的轮廓匹配为基于Hu矩的轮廓匹配。
矩是描述图像特征的算子,由于Hu矩具有旋转、平移和缩放不变性,这里用Hu矩来实现轮廓匹配。Hu矩是由二阶和三阶中心矩计算得到的7个不变矩,其计算公式为:
其中,η02,η11和η20为二阶归一化中心矩,η03,η12,η21和η30为三阶归一化中心矩。
用基于Hu矩的轮廓匹配函数来实现在待检测图像或轮廓中寻找与模板图像或轮廓像素匹配的区域。提取图像轮廓的过程中计算轮廓的Hu矩,对于待检测图像中的每个轮廓利用公式(7)来计算模板轮廓的匹配系数。
步骤6中设定验证条件的具体步骤为:
在步骤5的轮廓匹配过程中,设定匹配系数阈值为0.01,当I(A,B)<0.01时,表示做比较的轮廓匹配成功,则输出“有零件”。如果每个轮廓进行匹配都无法满足阈值条件,则输出“无零件”。零件匹配成功后在待测图像上绘制出目标零件轮廓。
实施例二
本实施例提供了一种在光照不均匀条件下零件有无缺漏的检测系统,包括:
模板图像采集模块,被配置为在光照均匀条件下,预先确定模板图像;
模板图像轮廓确定模块,被配置为对模板图像进行预处理,并检测图像中的零件轮廓,得到模板图像轮廓;
待检测图像采集模块,被配置为采集待检测图像并进行预处理;
待检测图像轮廓确定模块,被配置为检测待检测图像中的轮廓,并进行轮廓过滤,得到待检测图像轮廓;
轮廓匹配模块,被配置为将待检测图像轮廓与模板图像轮廓进行匹配;
结果输出模块,被配置为如果匹配成功,则表示有零件,如果匹配不成功,则表示无零件。
上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重,某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统,可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的,例如上述模块的划分,仅仅为一种逻辑功能划分,实际实现时,可以有另外的划分方式,例如多个模块可以结合或者可以集成到另外一个系统,或一些特征可以忽略,或不执行。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的一种在光照不均匀条件下零件有无缺漏的检测方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述实施例一所述的一种在光照不均匀条件下零件有无缺漏的检测方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例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,所述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,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种在光照不均匀条件下零件有无缺漏的检测方法,其特征在于,包括:
在光照均匀条件下,预先确定模板图像;
对模板图像进行预处理,并检测图像中的零件轮廓,得到模板图像轮廓;
采集待检测图像并进行预处理;
检测待检测图像中的轮廓,并进行轮廓过滤,得到待检测图像轮廓;
将待检测图像轮廓与模板图像轮廓进行匹配;
如果匹配成功,则表示有零件,如果匹配不成功,则表示无零件。
2.如权利要求1所述的一种在光照不均匀条件下零件有无缺漏的检测方法,其特征在于,所述对模板图像进行预处理,具体为:
采用滤波去噪,减弱模板图像中的噪声;
对去噪后的模板图像进行图像锐化;
对图像锐化后的模板图像进行图像分割;
对图像分割后的模板图像进行图像色彩空间转换,得到模板图像的灰度图像;
基于模板图像的灰度图像采用全局自适应阈值二值化法进行二值分析;
对经过二值化处理后的模板图像进行再次滤波去噪;
将再次滤波去噪后的模板图像进行图像膨胀,得到预处理后的模板图像。
3.如权利要求1所述的一种在光照不均匀条件下零件有无缺漏的检测方法,其特征在于,所述对待检测图像进行预处理,具体为:
采用滤波去噪,减弱待测图像中的噪声;
对去噪后的待测图像进行图像锐化;
对图像锐化后的待测图像进行图像分割;
对图像分割后的图像进行图像色彩空间转换,得到待测图像的灰度图像;
基于待测图像的灰度图像进行二值分析;
对经过二值化处理后的待测图像进行再次滤波去噪;
将再次滤波去噪后的待测图像进行图像膨胀,得到预处理后的待测图像。
4.如权利要求3所述的一种在光照不均匀条件下零件有无缺漏的检测方法,其特征在于,所述基于待测图像的灰度图像进行二值分析,具体为:
(1)将灰度化后的图像均分为N*N个子图像块,子图像块记为block[k](0≤k<N*N);
(2)遍历子图像块block[k],求出每个子图像块的均值、方差,记录每一个子图像块中LowPi所占比例LowPi_Scale[k]、HighPi所占比例HighPi_Scale[k],自适应的选取相应的二值化算法;
(3)如果LowPi_Scale[k]=0,且区域内像素均值μ<10,则认为对应子块block[k]内全是背景,则二值化时将该块内所有像素点全都设置为255;否则转步骤(4);
(4)如果0<LowPi_Scale[k]<Threshold1(Threshold1取2%~3%),且HighPi_Scale[k]>Threshold2(Threshold1取10%~20%),判定此子图像块为亮度差异较大区域,采用Bernsen算法进行二值化;否则转步骤(5);
(5)对该子图像块采用Otsu算法进行二值化,转步骤(6);
(6)输出二值化图像。
6.如权利要求1所述的一种在光照不均匀条件下零件有无缺漏的检测方法,其特征在于,所述模板图像轮廓为模板图像的最外层轮廓,所述待检测图像轮廓为待检测图像的最外层轮廓。
7.如权利要求1所述的一种在光照不均匀条件下零件有无缺漏的检测方法,其特征在于,所述将待检测图像轮廓与模板图像轮廓采用基于Hu矩的轮廓匹配方法进行匹配。
8.一种在光照不均匀条件下零件有无缺漏的检测系统,其特征在于,包括:
模板图像采集模块,被配置为在光照均匀条件下,预先确定模板图像;
模板图像轮廓确定模块,被配置为对模板图像进行预处理,并检测图像中的零件轮廓,得到模板图像轮廓;
待检测图像采集模块,被配置为采集待检测图像并进行预处理;
待检测图像轮廓确定模块,被配置为检测待检测图像中的轮廓,并进行轮廓过滤,得到待检测图像轮廓;
轮廓匹配模块,被配置为将待检测图像轮廓与模板图像轮廓进行匹配;
结果输出模块,被配置为如果匹配成功,则表示有零件,如果匹配不成功,则表示无零件。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的一种在光照不均匀条件下零件有无缺漏的检测方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种在光照不均匀条件下零件有无缺漏的检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211069617.XA CN115587966A (zh) | 2022-08-31 | 2022-08-31 | 一种在光照不均匀条件下零件有无缺漏的检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211069617.XA CN115587966A (zh) | 2022-08-31 | 2022-08-31 | 一种在光照不均匀条件下零件有无缺漏的检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115587966A true CN115587966A (zh) | 2023-01-10 |
Family
ID=84772668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211069617.XA Pending CN115587966A (zh) | 2022-08-31 | 2022-08-31 | 一种在光照不均匀条件下零件有无缺漏的检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115587966A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309782A (zh) * | 2023-05-18 | 2023-06-23 | 天津伍嘉联创科技发展股份有限公司 | 一种基于逆向特征的图像角度检测方法 |
CN117893457A (zh) * | 2024-03-18 | 2024-04-16 | 深圳市塔联科技有限公司 | Pcb板智能检测方法、装置和计算机设备 |
-
2022
- 2022-08-31 CN CN202211069617.XA patent/CN115587966A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309782A (zh) * | 2023-05-18 | 2023-06-23 | 天津伍嘉联创科技发展股份有限公司 | 一种基于逆向特征的图像角度检测方法 |
CN116309782B (zh) * | 2023-05-18 | 2023-08-18 | 天津伍嘉联创科技发展股份有限公司 | 一种基于逆向特征的图像角度检测方法 |
CN117893457A (zh) * | 2024-03-18 | 2024-04-16 | 深圳市塔联科技有限公司 | Pcb板智能检测方法、装置和计算机设备 |
CN117893457B (zh) * | 2024-03-18 | 2024-05-14 | 深圳市塔联科技有限公司 | Pcb板智能检测方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107545239B (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
CN113963042B (zh) | 基于图像处理的金属零件缺陷程度评估方法 | |
CN115587966A (zh) | 一种在光照不均匀条件下零件有无缺漏的检测方法及系统 | |
CN111680690B (zh) | 一种文字识别方法及装置 | |
CN108932449B (zh) | 一种基于聚类的条码二值化方法及系统 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN116542982B (zh) | 一种基于机器视觉的出发判断器缺陷检测方法及装置 | |
CN109191430A (zh) | 一种基于Laws纹理与单分类SVM结合的素色布匹缺陷检测方法 | |
CN117392066B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN110009615B (zh) | 图像角点的检测方法及检测装置 | |
CN116109637B (zh) | 基于视觉的涡轮增压器叶轮外观缺陷检测的系统及其方法 | |
CN109255792B (zh) | 一种视频图像的分割方法、装置、终端设备及存储介质 | |
CN112541889A (zh) | 一种多层级模型的复杂纹理对象表面缺陷检测方法 | |
CN111754538A (zh) | Usb表面缺陷检测的阈值分割方法 | |
CN109166092A (zh) | 一种图像缺陷检测方法及系统 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN113971681A (zh) | 一种复杂环境下带式输送机边缘检测方法 | |
CN116524269A (zh) | 一种视觉识别检测系统 | |
CN113538500B (zh) | 图像分割方法、装置、电子设备和存储介质 | |
CN117993406A (zh) | 一种二维条码自动识别读取方法及系统 | |
CN112184723B (zh) | 图像处理方法及装置、电子设备、存储介质 | |
CN112950594A (zh) | 产品表面缺陷的检测方法、设备及存储介质 | |
CN112818983A (zh) | 一种利用图片相识度判断字符倒置的方法 | |
CN111178111A (zh) | 二维码检测方法、电子设备、存储介质及系统 |
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 |