CN115620061A - 一种基于图像识别技术的五金零件缺陷检测方法及系统 - Google Patents
一种基于图像识别技术的五金零件缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN115620061A CN115620061A CN202211287953.1A CN202211287953A CN115620061A CN 115620061 A CN115620061 A CN 115620061A CN 202211287953 A CN202211287953 A CN 202211287953A CN 115620061 A CN115620061 A CN 115620061A
- Authority
- CN
- China
- Prior art keywords
- region
- area
- defect
- visual
- video
- 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
- 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
- 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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于图像识别技术的五金零件缺陷检测方法及系统,其方法包括:S1:基于预设拍摄角度获取待检测零件在预设变化光源下的零件视频;S2:基于零件视频分析出待检测零件表面的每个像素点的视觉变化特征;S3:对所有像素点的视觉变化特征进行聚类分析,获得对应预设拍摄角度对应的多个区域轮廓;S4:基于所有区域轮廓获得区域划分结果;S5:基于区域划分结果中的区域形状和划分区域的图像特征确定出缺陷检测结果;用以基于待检测零件在预设变化光源下的视觉变化特征对待检测零件表面进行区域划分,再基于区域划分后的区域形状和区域图像特征获得待检测零件的缺陷检测结果,无需准备大量缺陷零件模型即可识别出零件表面的缺陷。
Description
技术领域
本发明涉及缺陷检测技术领域,特别涉及一种基于图像识别技术的五金零件缺陷检测方法及系统。
背景技术
目前,在工业生产过程中,由于现有技术和工作条件等因素的不足和局限性,极易影响制成品的质量。其中,表面缺陷是产品质量受到影响的最直观表现。因此,为了保证合格率和可靠的质量,必须进行产品表面缺陷检测。“缺陷”一般可以理解为与正常样品相比的缺失、缺陷面积。表面缺陷检测是指检测样品表面的划痕、异物遮挡、颜色污染、孔洞等缺陷,从而获得被测样品表面缺陷的类别、轮廓、位置、大小等一系列相关信息。
但是,现有的缺陷检测技术多采用视觉算法或深度学习算法对零件整体的视觉特征进行缺陷识别检测,这种方法需要事先准备每个零件对应的缺陷样本去搭建不同零件对应的不同缺陷类型的缺陷识别模型或算法,且由于缺陷样本无法覆盖所有实际缺陷的情况,因此,导致该方法在实际的缺陷识别过程中也存在识别误差。
因此,本发明提出了一种基于图像识别技术的五金零件缺陷检测方法及系统。
发明内容
本发明提供一种基于图像识别技术的五金零件缺陷检测方法及系统,用以基于待检测零件在预设变化光源下的视觉变化特征对待检测零件表面进行区域划分,再基于区域划分后的区域形状和区域图像特征获得待检测零件的缺陷检测结果,相比于现存的缺陷识别方法无需准备大量缺陷样本和搭建不同零件的不同缺陷类型对应的缺陷识别模型,即可识别出零件表面的缺陷,不仅简化了缺陷识别过程,也提高了缺陷识别效率和精确度。
本发明提供一种基于图像识别技术的五金零件缺陷检测方法,包括:
S1:基于预设拍摄角度获取待检测零件在预设变化光源下的零件视频;
S2:基于零件视频分析出待检测零件表面的每个像素点的视觉变化特征;
S3:对所有像素点的视觉变化特征进行聚类分析,获得对应预设拍摄角度对应的多个区域轮廓;
S4:基于所有区域轮廓获得区域划分结果;
S5:基于区域划分结果中的区域形状和划分区域的图像特征确定出缺陷检测结果。
优选的,所述的一种基于图像识别技术的五金零件缺陷检测方法,S2:基于零件视频分析出待检测零件表面的每个像素点的视觉变化特征,包括:
基于零件视频中每个视频帧中的零件区域的完整度,在零件视频中筛选出最佳视频帧,确定出最佳视频帧中的零件区域中每个像素点的二维坐标;
确定出每个视频帧中所有二维坐标对应的视觉值,基于所有视频帧的顺序对对应二维坐标对应的所有视觉值进行排序,获得对应像素点的视觉值序列,将视觉值序列作为对应像素点的视觉变化特征。
优选的,所述的一种基于图像识别技术的五金零件缺陷检测方法,S3:对所有像素点的视觉变化特征进行聚类分析,获得对应预设拍摄角度对应的多个区域轮廓,包括:
S301:对待检测零件表面的所有像素点的视觉变化特征进行聚类分析,获得多个像素点簇;
S302:基于多个像素点簇在待检测零件表面中确定出对应预设拍摄角度对应的多个区域轮廓。
优选的,所述的一种基于图像识别技术的五金零件缺陷检测方法,S301:对待检测零件表面的所有像素点的视觉变化特征进行聚类分析,获得多个像素点簇,包括:
基于每个像素点的视觉变化特征中的视觉值序列拟合出对应像素点的视觉值变化曲线;
对所有像素点的视觉值变化曲线进行聚类分析,获得曲线聚类结果,基于曲线聚类结果获得多个像素点簇。
优选的,所述的一种基于图像识别技术的五金零件缺陷检测方法,S4:基于所有区域轮廓获得区域划分结果,包括:
判断出所有预设拍摄角度对应的区域轮廓中是否存在互相交叉的第一区域轮廓,若是,则基于第一区域轮廓获取待检测零件在预设变化光源下的补充视频,直至基于补充视频获得的多个第二区域轮廓与所有区域轮廓中除第一区域轮廓以外剩余的第三区域轮廓不互相交叉时,则基于最新获得的第二区域轮廓和第三区域轮廓确定出待检测零件表面的区域划分结果,否则,基于当前获得的所有区域轮廓确定出待检测零件表面的区域划分结果。
优选的,所述的一种基于图像识别技术的五金零件缺陷检测方法,判断出所有预设拍摄角度对应的区域轮廓中是否存在互相交叉的第一区域轮廓,包括:
将每个预设拍摄角度获得的零件视频中的最佳视频帧中的零件区域与待检测零件的标准三维模型进行区域匹配,获得匹配结果,基于匹配结果确定出每个区域轮廓在标准三维模型中的空间坐标;
基于每个区域轮廓在标准三维模型中的空间坐标,判断出所有预设拍摄角度对应的区域轮廓中是否存在互相交叉的第一区域轮廓。
优选的,所述的一种基于图像识别技术的五金零件缺陷检测方法,基于第一区域轮廓获取待检测零件在预设变化光源下的补充视频,包括:
基于第一区域轮廓确定出补充拍摄角度;
基于补充拍摄角度获取待检测零件在预设变化光源下的补充视频。
优选的,所述的一种基于图像识别技术的五金零件缺陷检测方法,S5:基于区域划分结果中的区域形状和划分区域的图像特征确定出缺陷检测结果,包括:
基于区域划分结果中的划分区域的形状判断出对应划分区域是否为缺陷区域,获得缺陷判断结果,当缺陷判断结果为对应划分区域为缺陷区域时,则基于对应缺陷区域的图像特征确定出缺陷类型;
基于所有划分区域的缺陷判断结果和所有缺陷区域的缺陷位置以及缺陷类型获得待检测零件的缺陷检测结果。
优选的,所述的一种基于图像识别技术的五金零件缺陷检测方法,基于对应缺陷区域的图像特征确定出缺陷类型,包括:
确定出对应缺陷区域的类型确定所需数据;
基于类型确定所需数据查询缺陷类型判定规则表,确定出对应缺陷区域的缺陷类型。
本发明提供一种基于图像识别技术的五金零件缺陷检测系统,包括:
分析端,用于基于预设拍摄角度获取待检测零件在预设变化光源下的零件视频,基于零件视频分析出待检测零件表面的每个像素点的视觉变化特征;
划分端,用于对所有像素点的视觉变化特征进行聚类分析,获得对应预设拍摄角度对应的多个区域轮廓,基于所有区域轮廓获得区域划分结果;
确定端,用于基于区域划分结果中的区域形状和划分区域的图像特征确定出缺陷检测结果。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于图像识别技术的五金零件缺陷检测方法流程图;
图2为本发明实施例中又一种基于图像识别技术的五金零件缺陷检测方法流程图;
图3为本发明实施例中再一种基于图像识别技术的五金零件缺陷检测系统示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
本发明提供了一种基于图像识别技术的五金零件缺陷检测方法,参考图1,包括:
S1:基于预设拍摄角度获取待检测零件在预设变化光源下的零件视频;
S2:基于零件视频分析出待检测零件表面的每个像素点的视觉变化特征;
S3:对所有像素点的视觉变化特征进行聚类分析,获得对应预设拍摄角度对应的多个区域轮廓;
S4:基于所有区域轮廓获得区域划分结果;
S5:基于区域划分结果中的区域形状和划分区域的图像特征确定出缺陷检测结果。
该实施例中,预设拍摄角度即为预设的拍摄待检测零件的零件视频的角度。
该实施例中,待检测零件即为需要被缺陷检测的零件。
该实施例中,预设变化光源即为预设的变化光源,该变化光源是照度发生变化的光源或者颜色发生变化的光源。
该实施例中,零件视频即为基于预设拍摄角度拍摄待检测零件在预设变化光源下的状态后获得的视频。
该实施例中,视觉变化特征即为对零件视频分析后确定出的零件视频中待检测零件表面所在图像区域中的每个像素点的视觉变化特征,视觉变化特征即为视觉值变化序列,当预设变化光源是照度发生变化的光源时,则视觉值是像素点的亮度值或者灰度值,当预设变化光源是颜色发生变化的光源时,则视觉值时像素点的色度值。
该实施例中,区域轮廓即为对所有像素点的视觉变化特征进行聚类分析后获得的像素点簇组成的区域的轮廓。
该实施例中,区域划分结果即为基于区域轮廓对待检测零件表面进行区域划分后获得的结果。
该实施例中,区域形状区域划分结果中包含的划分区域的形状。
该实施例中,划分区域的图像特征可以是基于划分区域中每个像素点的灰度值确定出的相对深度值,也可以是基于每个像素点的亮度值确定出的待检测零件表面上对应划分区域的平整度。
该实施例中,缺陷检测结果即为对待检测零件的表面进行缺陷检测后获得的结果,可以是待检测零件表面不存在表面缺陷、待检测零件表明存在缺陷(该结果中包括缺陷的位置和类型)。
以上技术的有益效果为:基于待检测零件在预设变化光源下的视觉变化特征对待检测零件表面进行区域划分,再基于区域划分后的区域形状和区域图像特征获得待检测零件的缺陷检测结果,相比于现存的缺陷识别方法无需准备大量缺陷样本和搭建不同零件的不同缺陷类型对应的缺陷识别模型,即可识别出零件表面的缺陷,不仅简化了缺陷识别过程,也提高了缺陷识别效率和精确度。
实施例2:
在实施例1的基础上,所述的一种基于图像识别技术的五金零件缺陷检测方法,S2:基于零件视频分析出待检测零件表面的每个像素点的视觉变化特征,包括:
基于零件视频中每个视频帧中的零件区域的完整度(表征对应零件区域的完整程度),在零件视频中筛选出最佳视频帧(零件视频中最大完整度对应的零件区域的所在视频帧),确定出最佳视频帧中的零件区域中每个像素点的二维坐标;
确定出每个视频帧中所有二维坐标对应的视觉值,基于所有视频帧的顺序对对应二维坐标对应的所有视觉值进行排序,获得对应像素点的视觉值序列,将视觉值序列作为对应像素点的视觉变化特征。
该实施例中,零件区域即为视频帧中待检测零件表面对应的区域。
该实施例中,基于零件视频中每个视频帧中的零件区域的完整度,在零件视频中筛选出最佳视频帧,包括:
在零件视频中每个视频帧中确定出零件轮廓(视频帧中零件区域的轮廓),将零件轮廓中像素点至零件轮廓的中心点(即零件轮廓所有像素点的坐标值的平均值)的距离作为向量的模、将零件轮廓中像素点的切线角(即零件轮廓在对应像素点的切线和参考方向之间的角度,参考方向可以是预设坐标系的横坐标轴的正方向)作为向量的角度,获得对应像素点的局部轮廓特征向量(即为表征零件轮廓在对应像素点的局部轮廓形状的特征),基于零件轮廓中每个像素点的局部轮廓特征向量获得特征向量序列(即为将零件轮廓中每个像素点的局部轮廓特征向量排序后获得的向量序列);
判断出特征向量序列中是否存在连续个数超过个数阈值(即为当需要判定连续多个方向相等的局部轮廓特征向量为直线线段上的像素点对应的局部轮廓特征向量时的方向相等的最小连续个数)的连续多个方向相等的局部轮廓特征向量,若是,则基于连续多个方向相等的局部轮廓特征向量获得第一子特征向量序列(即为将连续多个方向相等的局部轮廓特征向量排序后获得的向量序列),否则,确定出特征向量序列中相邻局部轮廓特征向量之间的角度增量(即为相邻局部轮廓特征向量中后一局部轮廓特征向量与前一局部轮廓特征向量之间的角度差值)和模增量(即为相邻局部轮廓特征向量中后一局部轮廓特征向量与前一局部轮廓特征向量之间的模差值);
基于角度增量和模增量分析出特征向量序列中局部轮廓特征向量的角度和/或模的渐变规律(即为角度和/或模的变化过程可否用一元函数表示,若是,则判定角度和/或模的变化过程存在渐变规律,否则,判定角度和/或模的变化过程不存在渐变规律),在特征向量序列中确定出角度和/或模存在渐变规律的第二子特征向量序列(即特征向量序列中角度和/或模存在同一渐变规律的连续的向量构成的序列);
将特征向量序列中所有第一子特征向量序列和所有第二子特征向量序列汇总,获得对应零件轮廓的子特征向量序列集合(即为特征向量序列中所有第一子特征向量序列和所有第二子特征向量序列汇总后获得的集合);
将子特征向量序列集合中包含的子特征向量序列的总个数的倒数与所有子特征向量序列中的数值总数的和的乘积,作为对应零件轮廓的零件区域的完整度(因为,子特征向量序列的总个数越多代表直线或者圆弧椭圆弧的个数越多,即代表对应零件区域的缺陷越多,子特征向量序列中的数值总数越大,则代表对应的直线或者圆弧或者椭圆弧越长,即代表对应零件区域的缺陷越少,所以用子特征向量序列集合中包含的子特征向量序列的总个数的倒数与所有子特征向量序列中的数值总数的和的乘积表示对应零件轮廓的零件区域的完整度):
将零件视频中最大完整度对应的零件区域所在视频帧作为最佳视频帧;
以上技术利用将零件轮廓中像素点的切线角作为向量的角度,获得对应像素点的局部轮廓特征向量作为表征零件轮廓在对应像素点处的局部形状特征的向量,利用连续多个方向相等的局部轮廓特征向量获得第一子特征向量序列表征零件轮廓中的直线线段,利用角度和/或模存在渐变规律的第二子特征向量序列表征零件轮廓中切线角存在渐变规律和/或零件轮廓中像素点至零件轮廓的中心点的距离存在渐变规律的圆弧或者椭圆弧,并利用特征向量序列集合中包含的子特征向量序列的总个数和子特征向量序列中的数值总数来作为零件区域的完整度的计算依据,准确确定出可以表征对应零件区域的完整程度的完整度,进而基于完整度在零件视频中确定出包含最完整零件区域的最佳视频帧。
该实施例中,二维坐标即为零件区域中每个像素点在最佳视频帧中的二维坐标值。
该实施例中,视觉值序列即为基于所有视频帧的顺序对对应二维坐标对应的所有视觉值进行排序后获得的对应像素点的视觉值在视频中变化的序列。
以上技术的有益效果为:基于零件视频中视频帧的完整度筛选出的最佳视频帧中的像素点在零件视频中的视觉值变化过程的追踪,最大程度地获得了表征待检测零件表面的像素点在预设变化光源下的视觉变化特征。
实施例3:
在实施例1的基础上,所述的一种基于图像识别技术的五金零件缺陷检测方法,S3:对所有像素点的视觉变化特征进行聚类分析,获得对应预设拍摄角度对应的多个区域轮廓,包括:
S301:对待检测零件表面的所有像素点的视觉变化特征进行聚类分析,获得多个像素点簇;
S302:基于多个像素点簇在待检测零件表面中确定出对应预设拍摄角度对应的多个区域轮廓。
该实施例中,像素点簇即为对待检测零件表面的所有像素点的视觉变化特征进行聚类分析后获得多个簇(簇中包含的多个被聚类分析后的视觉变化特征),簇中包含的所有视觉变化特征对应的像素点汇总后获得的簇。
该实施例中,基于多个像素点簇在待检测零件表面中确定出对应预设拍摄角度对应的多个区域轮廓,即为:
将像素点簇中的所有像素点组成的区域的轮廓作为对应的区域轮廓。
以上技术的有益效果为:通过对像素点的视觉变化特征进行聚类分析,可以在待检测零件在预设拍摄角度对应的零件视频中确定出视觉变化特征统一的区域的轮廓。
实施例4:
在实施例3的基础上,所述的一种基于图像识别技术的五金零件缺陷检测方法,S301:对待检测零件表面的所有像素点的视觉变化特征进行聚类分析,获得多个像素点簇,包括:
基于每个像素点的视觉变化特征中的视觉值序列拟合出对应像素点的视觉值变化曲线(即由视觉值序列中的视觉值依次拟合出的曲线);
对所有像素点的视觉值变化曲线进行聚类分析,获得曲线聚类结果(即为对所有像素点的视觉值变化曲线进行聚类分析后获得的多个曲线簇),基于曲线聚类结果获得多个像素点簇(像素点簇即为将曲线聚类结果中包含的曲线簇中的所有视觉值变化曲线对应的像素点汇总获得的像素点簇)。
该实施例中,对所有像素点的视觉值变化曲线进行聚类分析,获得曲线聚类结果,基于曲线聚类结果获得多个像素点簇,包括:
将所有像素点的视觉值变化曲线统一在同一坐标系下,获得统一结果;
基于预设簇个数列表(包含预先准备的多个第一簇个数)中的第一簇个数,将统一结果中所有视觉值变化曲线划分为第一簇个数(划分过程后获得的第一曲线簇的总数)个第一曲线簇,获得每个第一簇个数对应的初始划分结果(即包含第一簇个数个第一曲线簇的结果);
确定出每个视觉值变化曲线中每个第一坐标点(即视觉值变化曲线中的坐标点),并确定出初始划分结果中与第一坐标点所在的视觉值变化曲线属于同一第一曲线簇的所有第一视觉值变化曲线;
确定出第一坐标点和所有第一视觉值变化曲线中与对应第一坐标点横坐标值相等的第二坐标点之间的纵坐标差值的平均值,作为对应第一坐标点的第一偏差值;
将视觉值变化曲线中所有第一坐标点的第一偏差值的平均值作为对应视觉值变化曲线的第一综合偏差值;
确定出初始划分结果中与第一坐标点所在的视觉值变化曲线不属于同一第一曲线簇的所有第二视觉值变化曲线;
确定出第一坐标点与所有第二视觉值变化曲线中与对应第一坐标点的横坐标值相等的第三坐标点之间的纵坐标差值的平均值,作为对应第一坐标点的第二偏差值;
将视觉值变化曲线中所有第一坐标点的第二偏差值的平均值作为对应视觉值变化曲线的第二综合偏差值;
将第二综合偏差值和第一综合偏差值的差值与第一综合偏差值和第二综合偏差值中的较大值的比值作为对应视觉值变化曲线的轮廓系数,将所有轮廓系数的平均值作为对应初始划分结果的综合轮廓系数;
将最大综合轮廓系数对应的初始划分结果对应的第一簇个数作为K-Means聚类的簇总数,并基于确定出的簇总数对所有像素点的视觉值变化曲线进行聚类,获得多个第二曲线簇(基于确定出的簇总数对所有像素点的视觉值变化曲线进行聚类后获得的曲线簇);
计算出每次聚类后获得的第二曲线簇中所有视觉值变化曲线中同一横坐标值的纵坐标平均值(即第二曲线簇中所有视觉值变化曲线中同一横坐标值对应的所有纵坐标值的平均值),将基于所有横坐标值的纵坐标平均值拟合出的曲线作为对应第二曲线簇的聚类中心;
计算出每个横坐标值在第二曲线簇中的所有视觉值变化曲线中对应的第一纵坐标值和在对应聚类中心对应的曲线中对应的第二纵坐标值之间的差值绝对值的平均值,作为对应横坐标值的第三偏差值,将1与所有横坐标值的第三偏差值的平均值之间的差值作为对应第二曲线簇的紧密度;
将每次聚类后获得的所有第二曲线簇的紧密度的平均值作为综合判断值,判断综合判断值是否不小于预设阈值(即预设的判定停止聚类时需要满足的最小综合判断值),若是,则将最新获得的所有第二曲线簇中所有视觉值变化曲线对应的像素点汇总获得像素点簇,否则,继续进行聚类,直至最新获得的综合判断值不小于预设阈值时,则将最新获得的所有第二曲线簇中所有视觉值变化曲线对应的像素点汇总获得像素点簇。
以上技术的有益效果为:将像素点的视觉变化特征中的视觉值变化序列对应的视觉值变化曲线作为待聚类分析的样本,将不同样本的视觉值变化曲线中所有同一横坐标值对应的纵坐标差值的平均值作为不同样本之间的偏差,并结合基于轮廓系数确定出聚类中心总数的方法确定出聚类分析的簇总数,再结合基于不同样本的视觉值变化曲线中所有同一横坐标值对应的纵坐标差值的平均值作为不同样本之间的偏差,确定出用来判断聚类分析的结果是否满足要求的紧密度,进而实现对像素点的视觉变化特征进行聚类分析,实现基于视觉变化特征对像素点的聚类划分。
实施例5:
在实施例1的基础上,所述的一种基于图像识别技术的五金零件缺陷检测方法,S4:基于所有区域轮廓获得区域划分结果,包括:
判断出所有预设拍摄角度对应的区域轮廓中是否存在互相交叉的第一区域轮廓,若是,则基于第一区域轮廓获取待检测零件在预设变化光源下的补充视频,直至基于补充视频获得的多个第二区域轮廓与所有区域轮廓中除第一区域轮廓以外剩余的第三区域轮廓不互相交叉时,则基于最新获得的第二区域轮廓和第三区域轮廓确定出待检测零件表面的区域划分结果,否则,基于当前获得的所有区域轮廓确定出待检测零件表面的区域划分结果。
该实施例中,第一区域轮廓即为所有预设拍摄角度对应的区域轮廓中互相交叉的区域轮廓。
该实施例中,补充视频即为当判定所有预设拍摄角度对应的区域轮廓中是否存在互相交叉的第一区域轮廓时对待检测零件在预设变化光源下进行补充拍摄后获得的视频。
该实施例中,第二区域轮廓即为在补充视频中的零件区域中确定出的区域轮廓。
该实施例中,第三区域轮廓即为所有区域轮廓中除第一区域轮廓以外剩余的区域轮廓。
该实施例中,基于最新获得的第二区域轮廓和第三区域轮廓确定出待检测零件表面的区域划分结果,即为:
将最新获得的第二区域轮廓和第三区域轮廓分别围成的区域作为区域划分结果中的划分区域。
该实施例中,基于当前获得的所有区域轮廓确定出待检测零件表面的区域划分结果,即为:
将当前获得的所有区域轮廓围成的区域作为区域划分结果中的划分区域。
以上技术的有益效果为:通过判断所有区域轮廓是否存在交叉,判定是否需要对待检测零件进行补充拍摄并基于补充拍摄获得的补充视频重新确定区域轮廓,进而保证了获得的区域轮廓的准确度。
实施例6:
在实施例5的基础上,所述的一种基于图像识别技术的五金零件缺陷检测方法,判断出所有预设拍摄角度对应的区域轮廓中是否存在互相交叉的第一区域轮廓,包括:
将每个预设拍摄角度获得的零件视频中的最佳视频帧中的零件区域与待检测零件的标准三维模型进行区域匹配,获得匹配结果,基于匹配结果确定出每个区域轮廓在标准三维模型中的空间坐标;
基于每个区域轮廓在标准三维模型中的空间坐标,判断出所有预设拍摄角度对应的区域轮廓中是否存在互相交叉的第一区域轮廓。
该实施例中,标准三维模型即为待检测零件在无缺陷状态下的三维模型。
该实施例中,匹配结果即为将每个预设拍摄角度获得的零件视频中的最佳视频帧中的零件区域与待检测零件的标准三维模型进行区域匹配后获得的结果。
该实施例中,将每个预设拍摄角度获得的零件视频中的最佳视频帧中的零件区域与待检测零件的标准三维模型进行区域匹配,获得匹配结果,即为:
基于最佳视频帧中的零件区域的形状和轮廓,将零件区域与待检测零件的标准三维模型进行匹配,确定出零件区域在标准三维模型中的所在位置,将所在位置作为匹配结果。
该实施例中,基于匹配结果确定出每个区域轮廓在标准三维模型中的空间坐标,包括:
基于匹配位置中包含的零件区域在标准三维模型中的所在位置确定出对应零件区域在标准三维模型的空间坐标,基于对应零件区域在标准三维模型的空间坐标确定出对应零件区域中每个区域轮廓在标准三维模型中的空间坐标。
该实施例中,基于每个区域轮廓在标准三维模型中的空间坐标,判断出所有预设拍摄角度对应的区域轮廓中是否存在互相交叉的第一区域轮廓,即为:
基于区域轮廓在标准三维模型中的空间坐标,判断出所有预设拍摄角度对应的区域轮廓中是否存在至少两个区域轮廓中的像素点的空间坐标发生重合,若是,则判定所有预设拍摄角度对应的区域轮廓中存在互相交叉的第一区域轮廓,否则,判定所有预设拍摄角度对应的区域轮廓中不存在互相交叉的第一区域轮廓。
以上技术的有益效果为:通过将零件视频中中最佳视频帧中的零件区域与待检测零件的标准三维模型进行匹配,进而确定出零件区域的空间坐标,进而确定出区域轮廓的空间坐标,基于区域轮廓的空间坐标判断出区域轮廓是否互相交叉。
实施例7:
在实施例5的基础上,所述的一种基于图像识别技术的五金零件缺陷检测方法,基于第一区域轮廓获取待检测零件在预设变化光源下的补充视频,包括:
基于第一区域轮廓确定出补充拍摄角度;
基于补充拍摄角度获取待检测零件在预设变化光源下的补充视频。
该实施例中,基于第一区域轮廓确定出补充拍摄角度,即为:
将存在交叉的第一区域轮廓的所有像素点的平均值作为基准像素点,确定出标准三维模型中在基准像素点的切面,将过基准像素点且与切面垂直的直线的角度作为补充拍摄角度。
以上技术的有益效果为:将过第一区域轮廓的中心点且与中心点对应的切面垂直的直线角度作为拍摄角度,可以获得获取第一区域轮廓所在区域的最佳拍摄角度。
实施例8:
在实施例1的基础上,所述的一种基于图像识别技术的五金零件缺陷检测方法,S5:基于区域划分结果中的区域形状和划分区域的图像特征确定出缺陷检测结果,包括:
基于区域划分结果中的划分区域的形状判断出对应划分区域是否为缺陷区域,获得缺陷判断结果,当缺陷判断结果为对应划分区域为缺陷区域时,则基于对应缺陷区域的图像特征确定出缺陷类型;
基于所有划分区域的缺陷判断结果和所有缺陷区域的缺陷位置以及缺陷类型获得待检测零件的缺陷检测结果。
该实施例中,基于区域划分结果中的划分区域的形状判断出对应划分区域是否为缺陷区域,包括:
判断区域划分结果中的划分区域的形状是否为规则形状库中包含的规则形状,若是,则判定对应划分区域不是缺陷区域,否则,判定对应划分区域为缺陷区域;
其中,规则形状库(即为预设的包含规则形状的图形库)包含的规则形状有:三角形、圆形、矩形、平行四边形、正多边形等;一般认为不规则形状是那些不能被定义、命名的形状。
该实施例中,缺陷判断结果即为基于区域划分结果中的划分区域的形状判断出对应划分区域是否为缺陷区域后获得的结果。
该实施例中,缺陷类型包括:待检测零件表面的划痕、异物遮挡、颜色污染、孔洞等。
该实施例中,基于所有划分区域的缺陷判断结果和所有缺陷区域的缺陷位置以及缺陷类型获得待检测零件的缺陷检测结果,包括:
当所有划分区域的缺陷判断结果中存在划分区域被判定为缺陷区域时,则将所有缺陷区域的缺陷位置和缺陷类型作为待检测零件的缺陷检测结果;
当所有划分区域的缺陷判断结果中不存在划分区域被判定为缺陷区域时,则将待检测零件不存在表面缺陷作为待检测零件的缺陷检测结果。
以上技术的有益效果为:基于区域划分结果中划分区域的形状判断出待检测零件表面是否存在缺陷,并当判定存在缺陷时进一步基于缺陷区域的图像特征确定出对应的缺陷类型,实现对待检测零件表面的缺陷判断和缺陷位置和类型的识别。
实施例9:
在实施例8的基础上,所述的一种基于图像识别技术的五金零件缺陷检测方法,基于对应缺陷区域的图像特征确定出缺陷类型,包括:
确定出对应缺陷区域的类型确定所需数据;
基于类型确定所需数据查询缺陷类型判定规则表,确定出对应缺陷区域的缺陷类型。
该实施例中,类型确定所需数据包括:缺陷区域的平均色度值、平均亮度值、形状。
该实施例中,缺陷类型判定规则表即为包含每种缺陷类型对应的判定规则的列表,例如:
划痕缺陷的判定规则为:缺陷区域的形状为线状;
异物遮挡缺陷的判定规则为:对应缺陷区域的平均亮度值小于缺陷区域的邻域区域(即以缺陷区域的每个边缘像素点为中心、预设长度为半径确定出的多个邻域区域汇总后的区域)内的平均亮度值且对应缺陷区域的形状不是线状;
颜色污染缺陷的判定规则为:对应缺陷区域的平均色度值与缺陷区域的邻域区域内的平均色度值的差值大于差值阈值且对应缺陷区域的形状不是线状;
孔洞缺陷的判定规则为:对应缺陷区域的平均亮度值大于缺陷区域的邻域区域(即以缺陷区域的每个边缘像素点为中心、预设长度为半径确定出的多个邻域区域汇总后的区域)内的平均亮度值且对应缺陷区域的形状不是线状。
以上技术的有益效果为:基于对应缺陷区域的图像特征中的数据,查询缺陷类型判定规则表,实现对缺陷区域的缺陷类型的确定。
实施例10:
本发明提供了一种基于图像识别技术的五金零件缺陷检测系统,参考图3,包括:
分析端,用于基于预设拍摄角度获取待检测零件在预设变化光源下的零件视频,基于零件视频分析出待检测零件表面的每个像素点的视觉变化特征;
划分端,用于对所有像素点的视觉变化特征进行聚类分析,获得对应预设拍摄角度对应的多个区域轮廓,基于所有区域轮廓获得区域划分结果;
确定端,用于基于区域划分结果中的区域形状和划分区域的图像特征确定出缺陷检测结果。
以上技术的有益效果为:基于待检测零件在预设变化光源下的视觉变化特征对待检测零件表面进行区域划分,再基于区域划分后的区域形状和区域图像特征获得待检测零件的缺陷检测结果,相比于现存的缺陷识别方法无需准备大量缺陷样本和搭建不同零件的不同缺陷类型对应的缺陷识别模型,即可识别出零件表面的缺陷,不仅简化了缺陷识别过程,也提高了缺陷识别效率和精确度。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于图像识别技术的五金零件缺陷检测方法,其特征在于,包括:
S1:基于预设拍摄角度获取待检测零件在预设变化光源下的零件视频;
S2:基于零件视频分析出待检测零件表面的每个像素点的视觉变化特征;
S3:对所有像素点的视觉变化特征进行聚类分析,获得对应预设拍摄角度对应的多个区域轮廓;
S4:基于所有区域轮廓获得区域划分结果;
S5:基于区域划分结果中的区域形状和划分区域的图像特征确定出缺陷检测结果。
2.根据权利要求1所述的一种基于图像识别技术的五金零件缺陷检测方法,其特征在于,S2:基于零件视频分析出待检测零件表面的每个像素点的视觉变化特征,包括:
基于零件视频中每个视频帧中的零件区域的完整度,在零件视频中筛选出最佳视频帧,确定出最佳视频帧中的零件区域中每个像素点的二维坐标;
确定出每个视频帧中所有二维坐标对应的视觉值,基于所有视频帧的顺序对对应二维坐标对应的所有视觉值进行排序,获得对应像素点的视觉值序列,将视觉值序列作为对应像素点的视觉变化特征。
3.根据权利要求1所述的一种基于图像识别技术的五金零件缺陷检测方法,其特征在于,S3:对所有像素点的视觉变化特征进行聚类分析,获得对应预设拍摄角度对应的多个区域轮廓,包括:
S301:对待检测零件表面的所有像素点的视觉变化特征进行聚类分析,获得多个像素点簇;
S302:基于多个像素点簇在待检测零件表面中确定出对应预设拍摄角度对应的多个区域轮廓。
4.根据权利要求3所述的一种基于图像识别技术的五金零件缺陷检测方法,其特征在于,S301:对待检测零件表面的所有像素点的视觉变化特征进行聚类分析,获得多个像素点簇,包括:
基于每个像素点的视觉变化特征中的视觉值序列拟合出对应像素点的视觉值变化曲线;
对所有像素点的视觉值变化曲线进行聚类分析,获得曲线聚类结果,基于曲线聚类结果获得多个像素点簇。
5.根据权利要求1所述的一种基于图像识别技术的五金零件缺陷检测方法,其特征在于,S4:基于所有区域轮廓获得区域划分结果,包括:
判断出所有预设拍摄角度对应的区域轮廓中是否存在互相交叉的第一区域轮廓,若是,则基于第一区域轮廓获取待检测零件在预设变化光源下的补充视频,直至基于补充视频获得的多个第二区域轮廓与所有区域轮廓中除第一区域轮廓以外剩余的第三区域轮廓不互相交叉时,则基于最新获得的第二区域轮廓和第三区域轮廓确定出待检测零件表面的区域划分结果,否则,基于当前获得的所有区域轮廓确定出待检测零件表面的区域划分结果。
6.根据权利要求5所述的一种基于图像识别技术的五金零件缺陷检测方法,其特征在于,判断出所有预设拍摄角度对应的区域轮廓中是否存在互相交叉的第一区域轮廓,包括:
将每个预设拍摄角度获得的零件视频中的最佳视频帧中的零件区域与待检测零件的标准三维模型进行区域匹配,获得匹配结果,基于匹配结果确定出每个区域轮廓在标准三维模型中的空间坐标;
基于每个区域轮廓在标准三维模型中的空间坐标,判断出所有预设拍摄角度对应的区域轮廓中是否存在互相交叉的第一区域轮廓。
7.根据权利要求5所述的一种基于图像识别技术的五金零件缺陷检测方法,其特征在于,基于第一区域轮廓获取待检测零件在预设变化光源下的补充视频,包括:
基于第一区域轮廓确定出补充拍摄角度;
基于补充拍摄角度获取待检测零件在预设变化光源下的补充视频。
8.根据权利要求1所述的一种基于图像识别技术的五金零件缺陷检测方法,其特征在于,S5:基于区域划分结果中的区域形状和划分区域的图像特征确定出缺陷检测结果,包括:
基于区域划分结果中的划分区域的形状判断出对应划分区域是否为缺陷区域,获得缺陷判断结果,当缺陷判断结果为对应划分区域为缺陷区域时,则基于对应缺陷区域的图像特征确定出缺陷类型;
基于所有划分区域的缺陷判断结果和所有缺陷区域的缺陷位置以及缺陷类型获得待检测零件的缺陷检测结果。
9.根据权利要求8所述的一种基于图像识别技术的五金零件缺陷检测方法,其特征在于,基于对应缺陷区域的图像特征确定出缺陷类型,包括:
确定出对应缺陷区域的类型确定所需数据;
基于类型确定所需数据查询缺陷类型判定规则表,确定出对应缺陷区域的缺陷类型。
10.一种基于图像识别技术的五金零件缺陷检测系统,其特征在于,包括:
分析端,用于基于预设拍摄角度获取待检测零件在预设变化光源下的零件视频,基于零件视频分析出待检测零件表面的每个像素点的视觉变化特征;
划分端,用于对所有像素点的视觉变化特征进行聚类分析,获得对应预设拍摄角度对应的多个区域轮廓,基于所有区域轮廓获得区域划分结果;
确定端,用于基于区域划分结果中的区域形状和划分区域的图像特征确定出缺陷检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211287953.1A CN115620061A (zh) | 2022-10-20 | 2022-10-20 | 一种基于图像识别技术的五金零件缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211287953.1A CN115620061A (zh) | 2022-10-20 | 2022-10-20 | 一种基于图像识别技术的五金零件缺陷检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115620061A true CN115620061A (zh) | 2023-01-17 |
Family
ID=84865144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211287953.1A Pending CN115620061A (zh) | 2022-10-20 | 2022-10-20 | 一种基于图像识别技术的五金零件缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115620061A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116205919A (zh) * | 2023-05-05 | 2023-06-02 | 深圳市智宇精密五金塑胶有限公司 | 基于人工智能的五金零件生产质量检测方法及系统 |
CN116958136A (zh) * | 2023-09-19 | 2023-10-27 | 惠州市金箭精密部件有限公司 | 基于图像处理的丝杆螺纹生产缺陷检测方法 |
CN117291911A (zh) * | 2023-11-24 | 2023-12-26 | 山东通广电子股份有限公司 | 一种用于电力设备的缺陷检测方法及系统 |
CN117314913A (zh) * | 2023-11-29 | 2023-12-29 | 深圳市康准科技有限公司 | 一种基于视觉识别的水光针头残次品检测方法和系统 |
-
2022
- 2022-10-20 CN CN202211287953.1A patent/CN115620061A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116205919A (zh) * | 2023-05-05 | 2023-06-02 | 深圳市智宇精密五金塑胶有限公司 | 基于人工智能的五金零件生产质量检测方法及系统 |
CN116205919B (zh) * | 2023-05-05 | 2023-06-30 | 深圳市智宇精密五金塑胶有限公司 | 基于人工智能的五金零件生产质量检测方法及系统 |
CN116958136A (zh) * | 2023-09-19 | 2023-10-27 | 惠州市金箭精密部件有限公司 | 基于图像处理的丝杆螺纹生产缺陷检测方法 |
CN116958136B (zh) * | 2023-09-19 | 2024-01-30 | 惠州市金箭精密部件有限公司 | 基于图像处理的丝杆螺纹生产缺陷检测方法 |
CN117291911A (zh) * | 2023-11-24 | 2023-12-26 | 山东通广电子股份有限公司 | 一种用于电力设备的缺陷检测方法及系统 |
CN117291911B (zh) * | 2023-11-24 | 2024-02-09 | 山东通广电子股份有限公司 | 一种用于电力设备的缺陷检测方法及系统 |
CN117314913A (zh) * | 2023-11-29 | 2023-12-29 | 深圳市康准科技有限公司 | 一种基于视觉识别的水光针头残次品检测方法和系统 |
CN117314913B (zh) * | 2023-11-29 | 2024-03-29 | 深圳市康准科技有限公司 | 一种基于视觉识别的水光针头残次品检测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115620061A (zh) | 一种基于图像识别技术的五金零件缺陷检测方法及系统 | |
CN114862862B (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN105894036B (zh) | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 | |
CN111612737B (zh) | 一种人造板表面瑕疵检测装置及检测方法 | |
CN117351008A (zh) | 一种智能手机面板表面缺陷检测方法 | |
CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
CN113724231A (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN114022483B (zh) | 一种基于边缘特性的注塑飞边区域识别方法 | |
CN115239727B (zh) | 一种pcb板表面缺陷检测方法 | |
CN116188468B (zh) | 一种hdmi线缆传输分拣智能控制系统 | |
CN115311277A (zh) | 一种不锈钢制品的凹坑缺陷识别方法 | |
CN116071363B (zh) | 一种自动化型钢智能生产监测系统 | |
CN117576100B (zh) | 一种fpc连接器表面缺陷分级检测评价方法 | |
CN115100200A (zh) | 基于光学手段的光纤缺陷检测方法及系统 | |
CN116630304A (zh) | 一种基于人工智能的锂电池模具加工检测方法及系统 | |
CN117522864B (zh) | 基于机器视觉的欧松板表面瑕疵检测方法 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN114140416A (zh) | 一种基于机器视觉的玻璃边缘检测方法和系统 | |
CN112683166B (zh) | 一种模切产品尺寸检测方法 |
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 |