CN115753791B - 基于机器视觉的缺陷检测方法、装置以及系统 - Google Patents
基于机器视觉的缺陷检测方法、装置以及系统 Download PDFInfo
- Publication number
- CN115753791B CN115753791B CN202211417136.3A CN202211417136A CN115753791B CN 115753791 B CN115753791 B CN 115753791B CN 202211417136 A CN202211417136 A CN 202211417136A CN 115753791 B CN115753791 B CN 115753791B
- Authority
- CN
- China
- Prior art keywords
- standard
- workpiece
- boundary contour
- image
- test
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 107
- 238000001514 detection method Methods 0.000 title claims abstract description 61
- 238000012360 testing method Methods 0.000 claims abstract description 105
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000003754 machining Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
基于机器视觉的缺陷检测方法、装置以及系统，属于视觉检测技术领域。解决了现有传统的人工方式存在的缺陷。所述缺陷检测方法包括：采集标准工件和测试工件的原始彩色图像，并进行图像处理，获得检测参数；将边界轮廓长度与阈值比较，筛选出有表面边缘缺陷的工件；将有表面边缘缺陷的工件的边界轮廓与标准边界轮廓图形对照，确定缺陷位置，完成检测。本发明适用于对具有粗糙边缘的工件进行表面边缘缺陷检测。
Description
技术领域
本发明属于视觉检测技术领域，尤其涉及工件表面边缘缺陷检测技术领域。
背景技术
缸盖作为现代工业制造领域的重要零部件之一，被广泛运用于石油、国防、航空航天和汽车工业领域中。缸盖是汽车发动机的基础零件，它构成发动机的主体框架。而发动机是汽车的最核心部件之一，是汽车的运行的动力来源。因此，国内外众多科研机构和学者展开了对发动机缸盖表面边缘缺陷检测的研究。
传统的缺陷检测方法是采用人工的方式，即利用人眼进行缺陷的识别和检测。传统人工方式的检测效率及精度均难以满足现代工业需求，其存在的主要问题是：
1.传统的人工方式，工人利用人眼来识别和检测被测物体，在长期的单一重复性工作中，工人容易产生疲劳，进而检测的效率和精度下降，导致不合格的产品流入到应用市场中，即具有检测效率低、检测持续性差、精度低等问题。
2.传统的人工方式，不同的工人操作的手法力度宽严也不尽相同，对于极限件合格性的判断会产生相对应的差异，即具有不同人进行检测的结果一致性差的问题。
随着计算机视觉技术的发展，逐步出现了一些基于计算机视觉的发动机缸盖的缺陷检测方法，例如法肯公司的光学检测设备等。虽然这些现有的方法都可以检测缸盖表面的缺陷，但缸盖毛坯件由于自身加工粗糙会与加工缺陷混淆，因此无法依据一个绝对的标准去定义缺陷，使得缺陷检测系统性能的进一步提升遇到了瓶颈，即现有基于机器视觉的检测方法存在的问题是：
发动机缸盖检测面较多，加工面边缘自身参差不齐，缺陷成因复杂，使用机器视觉进行检测时，存在毛坯件自身正常的粗糙边缘与加工缺陷相混淆，导致加工缺陷要么识别不出来、要么识别错误的问题。
发明内容
本发明的目的在于提出一种基于机器视觉的工件表面边缘缺陷检测方法，以解决现有技术所存在的下述技术问题：
(1)传统的人工方式，人工缺陷检测效率低、持续性差、精度低等问题；
(2)传统的人工方式，不同工人缺陷检测结果一致性差的问题；
(3)由于工件自身正常的粗糙边缘与加工缺陷相混淆，导致现有基于机器视觉的缺陷检测技术要么识别不出来加工缺陷、要么将粗糙边缘错误识别为加工缺陷的问题。
本发明的上述技术问题主要是通过下述技术方案得以解决的：
一种基于机器视觉的工件表面边缘缺陷检测方法，所述工件表面边缘缺陷检测方法，具体包括∶
S1、参照标准模板文件中的标准图像，对测试工件的原始彩色图像进行预处理，绘制所述测试工件的边界轮廓，获得测试图像，并计算得到所述边界轮廓的长度；
S2、将所述测试工件的所述边界轮廓长度与标准模板文件中的边界轮廓长度阈值进行对比，筛选出有表面边缘缺陷的测试工件；
S3、将所述有表面边缘缺陷的测试工件的边界轮廓与标准模板文件中的标准边界轮廓图形比对，确定缺陷位置，完成检测。
进一步的实施方式中，所述标准模板文件是通过下述构建方法获得的，具体包括：
ST1、从测试工件中挑选出一个没有表面边缘缺陷的工件，作为标准工件；
ST2、采集所述标准工件的原始彩色图像；
ST3、对采集的所述标准工件的原始彩色图像进行图像处理，绘制标准边界轮廓，获得标准图像，指定边界轮廓长度阈值，并保存为标准模板文件。
进一步的实施方式中，所述ST2，具体包括：
将标准工件、彩色相机、光源分别固定于相应位置，调整好光源角度使标准工件表面光照强度分布均匀，然后调整彩色相机的拍摄角度使其对准标准工件的表面进行拍摄，获得标准工件的原始彩色图像。
进一步的实施方式中，所述ST3，具体包括：
ST3.1、对获得的所述标准工件的原始彩色图像进行特征提取，提取出所有特征点，获得标准工件的特征图像；
ST3.2、通过软件界面在所述特征图像上绘制标准边界轮廓，得到标准工件的标准图像，并计算得出所述标准边界轮廓的长度；
ST3.3、根据所述标准边界轮廓的长度，指定边界轮廓长度阈值；
ST3.4、将所述标准图像、所述标准边界轮廓、所述边界轮廓长度阈值保存为标准模板文件。
进一步的实施方式中，所述S1，具体包括：
S1.1、对测试工件的原始彩色图像进行特征提取，提取出所有特征点，得到所述测试工件的特征图像；
S1.2、以标准模板文件中的标准图像为参照，利用特征定位，矫正所述测试工件的特征图像的位置；
S1.3、将矫正位置后的所述测试工件的特征图像转换为灰度图像；
S1.4、对所述灰度图像进行二值化处理；
S1.5、利用Canny算子即多级边缘检测算法，提取所述二值化处理后图像的边界轮廓，得到所述测试工件的测试图像，并利用图像分析模块计算得到所述边界轮廓的长度。
进一步的实施方式中，所述S1.2，具体包括：
将测试工件的特征图像中的所有特征点和标准图像中的所有特征点进行匹配计算，获取特征点对；
利用RANSAC方法，获取所述特征点对之间的透视变换矩阵；
利用所述透视变换矩阵对所述测试工件的特征图像进行变换，得到矫正位置后的特征图像。
进一步的实施方式中，所述S2，具体包括：
将所述测试工件的边界轮廓长度的与标准模板文件中的边界轮廓长度阈值进行比较：
当所述测试工件的边界轮廓长度大于所述边界轮廓长度阈值时，判定该测试工件存在表面边缘缺陷；
否则，判定该测试工件没有表面边缘缺陷。
进一步的实施方式中，所述S3，具体包括：
将所述表面边缘有缺陷的测试工件的边界轮廓与标准模板文件中的标准图像的标准边界轮廓进行图形比对，对测试工件边界轮廓超出所述标准边界轮廓指定偏差的部分求取最小外接矩形并进行绘制，确定测试工件的表面边缘缺陷位置，完成检测。
本发明还提供一种基于机器视觉的工件表面边缘缺陷检测装置，所述工件表面边缘缺陷检测装置，具体包括：
参照标准模板文件中的标准图像，对测试工件的原始彩色图像进行预处理，绘制所述测试工件的边界轮廓，获得测试图像，并计算得到所述边界轮廓的长度的装置；
将所述测试工件的所述边界轮廓长度与标准模板文件中的边界轮廓长度阈值进行对比，筛选出有表面边缘缺陷的测试工件的装置；
将所述有表面边缘缺陷的测试工件的边界轮廓与标准模板文件中的标准边界轮廓比对，确定缺陷位置，完成检测的装置。
本发明还提供一种基于机器视觉的工件表面边缘缺陷检测系统，包括：处理器和存储器，所述存储器用于存储所述处理器的可执行指令，所述处理器配置为经由执行所述可执行指令权利要求书来执行上述一种基于机器视觉的工件表面边缘缺陷检测方法。
本发明具有的有益效果：
(1)本发明通过将采集的测试工件的图像信息与标准样本图形信息进行对比的方式来识别表面边缘缺陷，利用自动分析系统进行比对，自动分析系统不会疲劳，缺陷检测效率高、精度高、持续性强。
(2)本发明对通过将采集的同一类别的工件的标准图像、标准边界轮廓作为比对的标准，利用自动分析系统进行比对，比对过程不需要人为判断，由于同一类别的工件采用相同的比对标准，因此不同工作经验的人利用本发明进行缺陷检测的结果一致性高。
(3)本发明将工件自身正常的粗糙边缘建模为标准边界轮廓，这样工件自身正常的粗糙边缘与加工缺陷就不会混淆，能准确将加工缺陷与工件自身正常的粗糙边缘区别出来以正确识别加工缺陷。
本发明应用于对具有粗糙边缘的工件进行表面边缘缺陷检测技术领域。
附图说明
图1是本发明较佳的实施方式中，一种基于机器视觉的工件表面边缘缺陷检测方法的流程图；
图2是本发明较佳的实施方式中，所获得的标准工件的特征图；
图3是本发明较佳的实施方式中，所获得的标准工件的所有特征点的示意图；
图4是本发明较佳的实施方式中，所绘制的标准边界轮廓图；
图5是本发明较佳的实施方式中，所获得的测试工件的特征定位前的特征图；
图6是本发明较佳的实施方式中，所获得的测试工件的所有特征点的示意图；
图7是本发明较佳的实施方式中，所述特征定位中的示意图；
图8是本发明较佳的实施方式中，所获得的测试工件特征定位后的特征图；
图9是本发明较佳的实施方式中，所绘制的测试工件的边界轮廓图；
图10是本发明较佳的实施方式中，将所述有表面边缘缺陷的测试工件的边界轮廓与所述标准边界轮廓图形比对的示意图；
图11是本发明较佳的实施方式中，所检测到的缺陷位置得示意图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施方式一：参见图1-图11说明本实施方式，本实施方式提供一种基于机器视觉的工件表面边缘缺陷检测方法，具体实施方式如下∶
所述工件表面边缘缺陷检测方法，具体包括∶
S1、参照标准模板文件中的标准图像，对测试工件的原始彩色图像进行预处理，绘制所述测试工件的边界轮廓，获得测试图像，并计算得到所述边界轮廓的长度；
S2、将所述测试工件的所述边界轮廓长度与标准模板文件中的边界轮廓长度阈值进行对比，筛选出有表面边缘缺陷的测试工件；
S3、将所述有表面边缘缺陷的测试工件的边界轮廓与标准模板文件中的标准边界轮廓图形比对，确定缺陷位置，完成检测。
本实施方式所述的一种基于机器视觉的工件表面边缘缺陷检测方法可以采用计算计算机软件实现。
本实施方式中，所述测试工件是指需要检测表面边缘是否有缺陷的工件，即待检测的工件。所述测试工件的原始彩色图像可以通过拍照采集获得。
在进一步的实施方式中，所述测试工件的原始彩色图像的采集方法，具体包括：将测试工件、彩色相机、光源分别固定于相应位置，调整好光源角度使测试工件表面光照强度分布均匀，然后调整彩色相机的拍摄角度使其对准测试工件的表面进行拍摄，获得测试工件的原始彩色图像。
实施方式二，参照图2至图4说明本实施方式，本实施方式是对实施方式一所述一种基于机器视觉的工件表面边缘缺陷检测方法中的所述标准模板文件的进一步限定，具体实施方式如下：
所述标准模板文件是通过下述构建方法获得的，具体包括：
ST1、从测试工件中挑选出一个没有表面边缘缺陷的工件，作为标准工件；
ST2、采集所述标准工件的原始彩色图像；
ST3、对采集的所述标准工件的原始彩色图像进行图像处理，绘制标准边界轮廓，获得标准图像，指定边界轮廓长度阈值，并保存为标准模板文件。
本实施方式中，从测试工件中挑选出一个没有表面边缘缺陷的工件，作为标准工件，可以采取人工的方式，或者其他方式，挑选一个没有表面边缘缺陷的工件作为标准工件。
实施方式三，本实施方式是对实施方式二所述的一种基于机器视觉的工件表面边缘缺陷检测方法中的所述ST2的进一步限定，具体实施方式如下：
所述标准工件的原始彩色图像的采集方法，具体包括：
将标准工件、彩色相机、光源分别固定于相应位置，调整好光源角度使标准工件表面光照强度分布均匀，然后调整彩色相机的拍摄角度使其对准标准工件的表面进行拍摄，获得标准工件的原始彩色图像。。
本实施方式中，所述标准工件是指与测试工件属于相同品类规格的、表面边缘没有缺陷的工件。
实施方式四，参照图2至图4说明本实施方式，本实施方式是对实施方式二所述的工件表面边缘缺陷检测方法中的所述ST3的进一步限定，具体实施方式如下：
ST3.1、对获得的所述标准工件的原始彩色图像进行特征提取，提取出所有特征点，获得标准工件的特征图像；
ST3.2、通过软件界面在所述特征图像上绘制标准边界轮廓，得到标准工件的标准图像，并计算得出所述标准边界轮廓的长度；
ST3.3、根据所述标准边界轮廓的长度，指定边界轮廓长度阈值；
ST3.4、将所述标准图像、所述标准边界轮廓、所述边界轮廓长度阈值保存为标准模板文件。
本实施方式中，利用SURF特征提取算法，对标准工件的原始彩色图像进行特征提取，获取标准工件的原始彩色图像的所有特征点；边界轮廓长度阈值是用户通过软件自主设置的。
实施方式五，参照图1、图5-图9说明本实施方式，本实施方式是对实施方式一所述的一种基于机器视觉的工件表面边缘缺陷检测方法中的所述S1的进一步限定，具体实施方式如下：
S1.1、对测试工件的原始彩色图像进行特征提取，提取出所有特征点，得到所述测试工件的特征图像；
S1.2、以标准模板文件中的标准图像为参照，利用特征定位，矫正所述测试工件的特征图像的位置；
S1.3、将矫正位置后的所述测试工件的特征图像转换为灰度图像；
S1.4、对所述灰度图像进行二值化处理；
S1.5、利用Canny算子即多级边缘检测算法，提取所述二值化处理后图像的边界轮廓，得到所述测试工件的测试图像，并利用图像分析模块计算得到所述边界轮廓的长度。
本实施方式中，利用SURF特征提取算法，对测试工件的原始彩色图像进行特征提取，获取测试工件的原始彩色图像的所有特征点。
本实施方式中，将矫正位置后的所述测试工件的特征图像转换为灰度图像的技术效果：一方面，对于缺陷而言，只利用灰度信息即可，彩色信息对于缺陷的描述作用不大，可以忽略；另一方面由RGB三个维度数据降成灰度一维度数据，降低了数据维度，增加了计算效率。
本实施方式中，对所述灰度图像进行二值化处理的技术效果：灰度图像像素值区间为0到255，二值图像像素值为0或1，对二值图像处理不再涉及像素的多级值，使处理变得简单，而且数据的处理和压缩量变小。
实施方式六，参照图1和图8说明本实施方式，本实施方式是对实施方式五所述的一种基于机器视觉的工件表面边缘缺陷检测方法中的所述S1.2的进一步限定，具体实施方式如下：
将测试工件的特征图像中的所有特征点和标准图像中的所有特征点进行匹配计算，获取特征点对；
利用RANSAC方法，获取所述特征点对之间的透视变换矩阵；
利用所述透视变换矩阵对所述测试工件的特征图像进行变换，得到矫正位置后的特征图像。
本实施方式中，由于工件定位精度有限，无法保证每次拍摄时工件姿态完全一致，因此需要对拍摄得到的工件图像进行重新定位，重新定位后的图像提取的测试工件边缘可直接与标准工件边缘进行比对；RANSAC方法是一种用于估计模型参数的迭代方法。
实施方式七，参照图1说明本实施方式，本实施方式是对实施方式一所述的一种基于机器视觉的工件表面边缘缺陷检测方法中的所述S2的进一步限定，具体实施方式如下：
将所述测试工件的边界轮廓长度的与标准模板文件中的边界轮廓长度阈值进行比较：
当所述测试工件的边界轮廓长度大于所述边界轮廓长度阈值时，判定该测试工件存在表面边缘缺陷；
否则，判定该测试工件没有表面边缘缺陷。
实施方式八，参照图1、图10和图11说明本实施方式，本实施方式是对实施方式一所述的一种基于机器视觉的工件表面边缘缺陷检测方法中的所述S3的进一步限定，具体实施方式如下：
将所述表面边缘有缺陷的测试工件的边界轮廓与所述标准图像的所述标准边界轮廓进行图形比对，对测试工件边界轮廓超出标准边界轮廓指定偏差的部分求取最小外接矩形并进行绘制，确定测试工件的表面边缘缺陷位置，完成检测。
本实施方式中，最小外接矩形为现有技术，绘制是通过矩形的对角点坐标直接绘制。
实施方式九：本实施方式提供一种基于机器视觉的工件表面边缘缺陷检测装置，具体实施方式如下∶
所述工件表面边缘缺陷检测装置，具体包括：
参照标准模板文件中的标准图像，对测试工件的原始彩色图像进行预处理，绘制所述测试工件的边界轮廓，获得测试图像，并计算得到所述边界轮廓的长度的装置；
将所述测试工件的所述边界轮廓长度与标准模板文件中的边界轮廓长度阈值进行对比，筛选出有表面边缘缺陷的测试工件的装置；
将所述有表面边缘缺陷的测试工件的边界轮廓与标准模板文件中的标准边界轮廓比对，确定缺陷位置，完成检测的装置。
本实施方式所述工件表面边缘缺陷检测装置是与实施方式一所述的工件表面边缘缺陷检测装置相对应的。
实施方式十：本实施方式提供一种基于机器视觉的工件表面边缘缺陷检测系统，具体实施方式如下∶
一种基于机器视觉的工件表面边缘缺陷检测系统，包括：处理器和存储器，所述存储器用于存储所述处理器的可执行指令，所述处理器配置为经由执行所述可执行指令权利要求书来执行实施方式一所述的一种基于机器视觉的工件表面边缘缺陷检测方法。
最后，应当指出，以上实施例仅是本发明较有代表性的例子。显然，本发明不限于上述实施例，还可以有许多变形。凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均应认为属于本发明的保护范围。
Claims (8)
1.一种基于机器视觉的工件表面边缘缺陷检测方法，其特征在于，所述工件表面边缘缺陷检测方法，具体包括∶
S1、参照标准模板文件中的标准图像，对测试工件的原始彩色图像进行预处理，绘制所述测试工件的边界轮廓，获得测试图像，并计算得到所述边界轮廓的长度；
S2、将所述测试工件的所述边界轮廓长度与标准模板文件中的边界轮廓长度阈值进行对比，筛选出有表面边缘缺陷的测试工件；
S3、将所述有表面边缘缺陷的测试工件的边界轮廓与标准模板文件中的标准边界轮廓图形比对，确定缺陷位置，完成检测；
所述标准模板文件是通过下述构建方法获得的，具体包括：
ST1、从测试工件中挑选出一个没有表面边缘缺陷的工件，作为标准工件；
ST2、采集所述标准工件的原始彩色图像；
ST3、对采集的所述标准工件的原始彩色图像进行图像处理，绘制标准边界轮廓，获得标准图像，指定边界轮廓长度阈值，并保存为标准模板文件；
所述ST3，具体包括：
ST3.1、对获得的所述标准工件的原始彩色图像进行特征提取，提取出所有特征点，获得标准工件的特征图像；
ST3.2、通过软件界面在所述特征图像上绘制标准边界轮廓，得到标准工件的标准图像，并计算得出所述标准边界轮廓的长度；
ST3.3、根据所述标准边界轮廓的长度，指定边界轮廓长度阈值；
ST3.4、将所述标准图像、所述标准边界轮廓、所述边界轮廓长度阈值保存为标准模板文件。
2.根据权利要求1所述的一种基于机器视觉的工件表面边缘缺陷检测方法，其特征在于，所述ST2，具体包括：
将标准工件、彩色相机、光源分别固定于相应位置，调整好光源角度使标准工件表面光照强度分布均匀，然后调整彩色相机的拍摄角度使其对准标准工件的表面进行拍摄，获得标准工件的原始彩色图像。
3.根据权利要求1所述的一种基于机器视觉的工件表面边缘缺陷检测方法，其特征在于，所述S1，具体包括：
S1.1、对测试工件的原始彩色图像进行特征提取，提取出所有特征点，得到所述测试工件的特征图像；
S1.2、以标准模板文件中的标准图像为参照，利用特征定位，矫正所述测试工件的特征图像的位置；
S1.3、将矫正位置后的所述测试工件的特征图像转换为灰度图像；
S1.4、对所述灰度图像进行二值化处理；
S1.5、利用Canny算子即多级边缘检测算法，提取所述二值化处理后图像的边界轮廓，得到所述测试工件的测试图像，并利用图像分析模块计算得到所述边界轮廓的长度。
4.根据权利要求3所述的一种基于机器视觉的工件表面边缘缺陷检测方法，其特征在于，所述S1.2，具体包括：
将测试工件的特征图像中的所有特征点和标准图像中的所有特征点进行匹配计算，获取特征点对；
利用RANSAC方法，获取所述特征点对之间的透视变换矩阵；
利用所述透视变换矩阵对所述测试工件的特征图像进行变换，得到矫正位置后的特征图像。
5.根据权利要求1所述的一种基于机器视觉的工件表面边缘缺陷检测方法，其特征在于，所述S2，具体包括：
将所述测试工件的边界轮廓长度的与标准模板文件中的边界轮廓长度阈值进行比较：
当所述测试工件的边界轮廓长度大于所述边界轮廓长度阈值时，判定该测试工件存在表面边缘缺陷；
否则，判定该测试工件没有表面边缘缺陷。
6.根据权利要求1所述的一种基于机器视觉的工件表面边缘缺陷检测方法，其特征在于，所述S3，具体包括：
将所述表面边缘有缺陷的测试工件的边界轮廓与标准模板文件中的标准图像的标准边界轮廓进行图形比对，对测试工件边界轮廓超出所述标准边界轮廓指定偏差的部分求取最小外接矩形并进行绘制，确定测试工件的表面边缘缺陷位置，完成检测。
7.一种基于机器视觉的工件表面边缘缺陷检测装置，其特征在于，所述工件表面边缘缺陷检测装置，具体包括：
参照标准模板文件中的标准图像，对测试工件的原始彩色图像进行预处理，绘制所述测试工件的边界轮廓，获得测试图像，并计算得到所述边界轮廓的长度的装置；
将所述测试工件的所述边界轮廓长度与标准模板文件中的边界轮廓长度阈值进行对比，筛选出有表面边缘缺陷的测试工件的装置；
将所述有表面边缘缺陷的测试工件的边界轮廓与标准模板文件中的标准边界轮廓比对，确定缺陷位置，完成检测的装置；
所述标准模板文件是通过下述构建方法获得的，具体包括：
ST1、从测试工件中挑选出一个没有表面边缘缺陷的工件，作为标准工件；
ST2、采集所述标准工件的原始彩色图像；
ST3、对采集的所述标准工件的原始彩色图像进行图像处理，绘制标准边界轮廓，获得标准图像，指定边界轮廓长度阈值，并保存为标准模板文件；
所述ST3，具体包括：
ST3.1、对获得的所述标准工件的原始彩色图像进行特征提取，提取出所有特征点，获得标准工件的特征图像；
ST3.2、通过软件界面在所述特征图像上绘制标准边界轮廓，得到标准工件的标准图像，并计算得出所述标准边界轮廓的长度；
ST3.3、根据所述标准边界轮廓的长度，指定边界轮廓长度阈值；
ST3.4、将所述标准图像、所述标准边界轮廓、所述边界轮廓长度阈值保存为标准模板文件。
8.一种基于机器视觉的工件表面边缘缺陷检测系统，包括：处理器和存储器，其特征在于，所述存储器用于存储所述处理器的可执行指令，所述处理器配置为经由执行所述可执行指令来执行权利要求1所述的一种基于机器视觉的工件表面边缘缺陷检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211417136.3A CN115753791B (zh) | 2022-11-10 | 2022-11-10 | 基于机器视觉的缺陷检测方法、装置以及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211417136.3A CN115753791B (zh) | 2022-11-10 | 2022-11-10 | 基于机器视觉的缺陷检测方法、装置以及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115753791A CN115753791A (zh) | 2023-03-07 |
| CN115753791B true CN115753791B (zh) | 2024-03-01 |
Family
ID=85370019
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211417136.3A Active CN115753791B (zh) | 2022-11-10 | 2022-11-10 | 基于机器视觉的缺陷检测方法、装置以及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115753791B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116245877B (zh) * | 2023-05-08 | 2023-11-03 | 济南达宝文汽车设备工程有限公司 | 一种基于机器视觉的料框检测方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04114162A (ja) * | 1990-09-04 | 1992-04-15 | Hitachi Ltd | パターン検査方法および装置 |
| JP2004219597A (ja) * | 2003-01-14 | 2004-08-05 | Sony Corp | マスク欠陥検査装置及びマスク欠陥検査方法 |
| JP2009236550A (ja) * | 2008-03-26 | 2009-10-15 | Aisin Seiki Co Ltd | 欠陥検出方法 |
| CN107301637A (zh) * | 2017-05-22 | 2017-10-27 | 南京理工大学 | 近矩形平面状工业产品表面瑕疵检测方法 |
| CN108765378A (zh) * | 2018-05-07 | 2018-11-06 | 上海理工大学 | 基于g代码引导下工件轮廓飞边凸起的机器视觉检测方法 |
| CN110108712A (zh) * | 2019-04-20 | 2019-08-09 | 东莞中科蓝海智能视觉科技有限公司 | 多功能视觉缺陷检测系统 |
| CN112326673A (zh) * | 2020-11-13 | 2021-02-05 | 南京航空航天大学 | 基于机器视觉的注塑件表面缺陷检测方法和装置 |
| CN113077437A (zh) * | 2021-03-31 | 2021-07-06 | 上海晨兴希姆通电子科技有限公司 | 工件质量检测方法及其系统 |
| CN114782451A (zh) * | 2022-06-23 | 2022-07-22 | 季华实验室 | 工件缺陷检测方法、装置、电子设备及可读存储介质 |
-
2022
- 2022-11-10 CN CN202211417136.3A patent/CN115753791B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04114162A (ja) * | 1990-09-04 | 1992-04-15 | Hitachi Ltd | パターン検査方法および装置 |
| JP2004219597A (ja) * | 2003-01-14 | 2004-08-05 | Sony Corp | マスク欠陥検査装置及びマスク欠陥検査方法 |
| JP2009236550A (ja) * | 2008-03-26 | 2009-10-15 | Aisin Seiki Co Ltd | 欠陥検出方法 |
| CN107301637A (zh) * | 2017-05-22 | 2017-10-27 | 南京理工大学 | 近矩形平面状工业产品表面瑕疵检测方法 |
| CN108765378A (zh) * | 2018-05-07 | 2018-11-06 | 上海理工大学 | 基于g代码引导下工件轮廓飞边凸起的机器视觉检测方法 |
| CN110108712A (zh) * | 2019-04-20 | 2019-08-09 | 东莞中科蓝海智能视觉科技有限公司 | 多功能视觉缺陷检测系统 |
| CN112326673A (zh) * | 2020-11-13 | 2021-02-05 | 南京航空航天大学 | 基于机器视觉的注塑件表面缺陷检测方法和装置 |
| CN113077437A (zh) * | 2021-03-31 | 2021-07-06 | 上海晨兴希姆通电子科技有限公司 | 工件质量检测方法及其系统 |
| CN114782451A (zh) * | 2022-06-23 | 2022-07-22 | 季华实验室 | 工件缺陷检测方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 一种基于Canny 边缘检测算法的 零件缺陷图像处理方法;石冬阳 等;重庆科技学院学报( 自然科学版);第24卷(第3期);52-56 * |
| 不规则冲压件轮廓缺陷视觉检测研究;仇瑞娜;中国优秀硕士学位论文全文数据库 信息科技辑;第2020卷(第7期);I138-984 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115753791A (zh) | 2023-03-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107341802B (zh) | 一种基于曲率与灰度复合的角点亚像素定位方法 | |
| CN111982916A (zh) | 一种基于机器视觉的焊缝表面缺陷检测方法及系统 | |
| CN113221889B (zh) | 一种芯片字符抗干扰识别方法及装置 | |
| CN111862037A (zh) | 基于机器视觉的精密孔类零件几何特征检测方法及系统 | |
| CN112037203A (zh) | 基于复杂工件外轮廓配准的侧表面缺陷检测方法及系统 | |
| CN109685760B (zh) | 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法 | |
| CN102496161B (zh) | 一种印刷电路板图像的轮廓提取方法 | |
| WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
| CN114279357A (zh) | 一种基于机器视觉的压铸件毛刺尺寸测量方法及系统 | |
| CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
| CN108257171A (zh) | 基于光视觉的汽车雷达装配孔径检测方法 | |
| CN106501272B (zh) | 机器视觉焊锡定位检测系统 | |
| CN113237889A (zh) | 一种多尺度的陶瓷检测方法及系统 | |
| CN115753791B (zh) | 基于机器视觉的缺陷检测方法、装置以及系统 | |
| CN112200776A (zh) | 芯片封装缺陷检测方法和检测装置 | |
| CN112304957A (zh) | 一种基于机器视觉的外观缺陷智能检测方法及系统 | |
| CN110728657A (zh) | 一种基于深度学习的环状轴承外表面缺陷检测方法 | |
| CN112037161A (zh) | 一种基于区域自动阈值分析的涂胶分析方法 | |
| CN108389184A (zh) | 一种基于机器视觉的工件制孔数检测方法 | |
| CN110322395A (zh) | 基于图像处理与仿射变换的零件轮廓形状检测方法及装置 | |
| CN111539951B (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
| CN113808104A (zh) | 一种基于分块的金属表面缺陷检测方法及系统 | |
| CN113139943A (zh) | 开口圆环工件外观缺陷检测方法、系统及计算机存储介质 | |
| CN112763496A (zh) | 一种手机电池表面缺陷检测装置及其检测方法 | |
| CN111833350A (zh) | 机器视觉检测方法与系统 |
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 |