CN115829981A - 一种退役轴承端面损伤的视觉检测方法 - Google Patents
一种退役轴承端面损伤的视觉检测方法 Download PDFInfo
- Publication number
- CN115829981A CN115829981A CN202211598155.0A CN202211598155A CN115829981A CN 115829981 A CN115829981 A CN 115829981A CN 202211598155 A CN202211598155 A CN 202211598155A CN 115829981 A CN115829981 A CN 115829981A
- Authority
- CN
- China
- Prior art keywords
- image
- acquiring
- polar coordinate
- coordinate transformation
- retired
- 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
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种退役轴承端面损伤的视觉检测方法,包括:获取退役轴承,采集退役轴承的端面第一灰度图像;对第一灰度图像进行图像预处理,获取滤波图像;对所述滤波图像进行目标区域获取,获取检测区域以及所述检测区域的目标轮廓;获取所述目标轮廓的圆心坐标以及半径信息,基于所述圆心坐标以及所述半径信息获取所述检测区域的极坐标变换图像;获取所述极坐标变换图像中的缺陷位置;将所述极坐标变换图像进行反极坐标变换,获取所述退役轴承上的所有缺陷。本发明通过极坐标变换,将原本分布于环形区域并非常规意义上水平分布的缺陷投影到直角坐标系中处理,一定程度上减少了对于缺陷阈值分割的难度,能够实现对退役轴承端面缺陷的视觉检测。
Description
技术领域
本发明属于缺陷检测领域,特别是涉及一种退役轴承端面损伤的视觉检测方法。
背景技术
在整个机械工程领域,轴承是一种在各个设备中非常重要且应用十分广泛的零部件,主要起支撑传动部件、传递扭矩和承受载荷的作用。轴承经过一次或多次服役周期,表面易形成凹坑、划痕、锈蚀等不同类型的损伤,这些损伤在轴承再次服役使用过程中容易产生应力集中,并且扩散速度快,易造成设备故障。因此必须通过检测来排除这些存在缺陷的轴承。
现有技术对轴承缺陷的检测主要包括人工和基于机器视觉的两种方式:
(1)传统基于人工的轴承检测方式依靠工人手动操作完成,工人的劳动强度大,检测经验也不同,而且长时间的检测非常影响其精神状态,导致检测效率不高、结果一致性差,且不可避免存在错检、漏检,而且接触式的检测可能对轴承产,生二次损伤、轴承质量得不到保障。
(2)机器视觉检测随着计算机技术的迅速发展,作为一种无损检测技术在工业在线检测、测量等领域有着十分广泛的应用。机器视觉视觉检测相对于传统的检测方法具有实施简单、效率高等优点。基于机器视觉的方法,对表面带有缺陷的退役轴承进行端面图像采集,通过算法进行轮廓提取,找到缺陷所在的位置。这种方法的关键在于匹配精度足够高,特别是针对一些细微的损伤,需要采用超高分辨率工业相机成像。但问题在于对于这种高分辨率图像,由于设备的局限性和系统连接过程中的各种问题会使机器视觉系统采集到的图像产生各种畸变,在缺陷检测之前即使对图像进行畸变矫正,但仍然不能完美的去除图像畸变,图像不同局部区域仍然存在不同程度的畸变,导致缺陷信息存在一定的失真,从而影响检测效果。同时针对检测零件为退役轴承端面,表面缺陷多分布于环形区域,并不是一般意义上的水平分布,对于缺陷的边缘阈值分割来说具有一定的难度。
因此,如何基于机器视觉对退役轴承端面缺陷进行精准检测,并适应于退役轴承上的多尺度缺陷,已经成为技术人员普遍关注的技术问题。
发明内容
本发明的目的是提供一种退役轴承端面损伤的视觉检测方法,以解决上述现有技术存在的问题。
为实现上述目的,本发明提供了一种退役轴承端面损伤的视觉检测方法,包括以下步骤:
获取退役轴承,采集所述退役轴承的端面第一灰度图像;
对所述第一灰度图像进行图像预处理,获取滤波图像;
对所述滤波图像进行目标区域获取,获取检测区域以及所述检测区域的目标轮廓;
获取所述目标轮廓的圆心坐标以及半径信息,基于所述圆心坐标以及所述半径信息获取所述检测区域的极坐标变换图像;
获取所述极坐标变换图像中的缺陷位置;
将所述极坐标变换图像进行反极坐标变换,获取所述退役轴承上的所有缺陷。
可选地,采集所述退役轴承的端面第一灰度图像的过程中包括:
对工业相机进行摄像机标定,记录所述工业相机的外参和内参;
获取所述第一灰度图像,基于所述外参和内参对所述第一灰度图像进行去畸变。
可选地,所述图像预处理包括缩放、灰度处理和中值滤波处理。
可选地,对所述滤波图像进行边缘检测的过程包括:提取所述滤波图像中的所有边缘,基于霍夫梯度法对潜在的环形边缘进行筛选,根据潜在圆心上各点梯度向量的相交个数,获取所述检测区域的目标轮廓。
可选地,基于所述圆心坐标以及所述半径信息获取所述检测区域的极坐标变换图像的过程包括:
基于所述圆心坐标以及所述半径信息确定所述目标轮廓的ROI区域,并获取所述ROI区域的圆心坐标,基于所述ROI区域的圆心坐标以及半径信息,将图像信息从二维空间映射到极坐标空间,获取所述检测区域的极坐标变换图像。
可选地,获取所述极坐标变换图像中的缺陷位置的过程包括:基于所述极坐标变换图像获取目标区域极坐标变换后的第二灰度图像以及中值滤波图像;基于所述第二灰度图像以及所述中值滤波图像获取所述极坐标变换图像中的缺陷位置。
可选地,基于所述极坐标变换图像获取目标区域极坐标变换后的第二灰度图像以及中值滤波图像的过程包括:
将所述极坐标变换图像的每个像素点转化为对应的灰度值获取所述第二灰度图像,同时对所述极坐标变换图像进行中值滤波处理获取对应的所述中值滤波图像。
可选地,基于所述第二灰度图像以及所述中值滤波图像获取所述极坐标变换图像中的缺陷位置的过程包括:
将所述第二灰度图像与所述中值滤波图像相减取绝对值,获取差值图像,基于动态阈值二值化算法对所述差值图像进行二值分割;
基于形态学闭环运算合并微小区域,获取合并图像;
忽略所述合并图像中小于阈值的缺陷,并对像素值大于阈值的缺陷提取轮廓,获取所述极坐标变换图像中的缺陷位置。
本发明的技术效果为:
(1)本发明通过极坐标变换,将原本分布于环形区域并非常规意义上水平分布的缺陷投影到直角坐标系中处理,一定程度上减少了对于缺陷阈值分割的难度,能够实现对退役轴承端面缺陷的视觉检测。
(2)本发明自动检测出目标边缘的参数,自动选取目标边缘对应的子区域进行缺陷检测,从而能最大程度缓解采用全局配准方式带来的配准精度不高的问题,同时对局部进行检测还能提高运算速度,提高检测效率。
(3)本发明适应性强,可以自动进行缺陷轮廓提取,通过设定阈值,排除低于阈值的缺陷,实现对不同尺度缺陷的检测。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例中的一种退役轴承端面缺陷的视觉检测方法流程图。
图2为本发明实施例的步骤二中获得S的示意图;
图3为本发明实施例的步骤二中获得B的示意图;
图4为本发明实施例在步骤三中获得检测图像I中检测区域的目标轮廓图像;
图5为本发明实施例在步骤四从图像I中截取得到一个目标边缘ROI区域子图示意图;
图6为本发明实施例在步骤四获得目标区域极坐标变换图像P示意图;
图7为本发明实施例在步骤五中获得的差值图像示意图;
图8为本发明实施例在步骤五中获得的二值分割图像示意图;
图9为本发明实施例在步骤五中获得的极坐标变换图像P中的缺陷位置示意图;
图10为本发明实施例在步骤六投影到原图中的缺陷位置示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
虽然“第一”、“第二”、“第三”等术语可用于描述各种步骤、要素、组合、组件、区域、层和/或节,但这些步骤、要素、组合、组件、区域、层和/或节不应受这些术语的限制,除非另有说明。这些术语用于区分一个步骤、元素、组成、组件、区域、层和/或节与另一个步骤、元素、组成、组件、区域、层和/或节。如“第一”、“第二”和其他在本文中使用的数字术语并不意味着序列或顺序,除非上下文明确指出。
实施例一
如图1-10所示,本实施例中提供一种基于机器视觉的退役轴承端面缺陷检测方法,适合各种分辨率的图像,尤其能够在高分辨率图像中检测出一定程度的缺陷。如图1所示,包括以下步骤:
步骤一、采集待检测退役轴承的端面灰度图像I;
步骤二、将采集的图像I进行图像预处理,包括按照缩放系数进行缩放、灰度处理和中值滤波处理;
步骤三、对滤波图像进行边缘检测,提取B中的所有边缘,然后利用霍夫梯度法对图像中潜在的环形边缘进行筛选,根据潜在圆心上各点梯度向量相交个数的多少,获得检测图像I中检测区域的目标轮廓;
步骤四、提取目标边缘的圆心坐标以及半径信息,依据所得信息确定目标边缘的ROI区域,并精确的获取其圆心坐标,然后再根据ROI区域的中心坐标以及半径等信息,将图像信息从二维空间映射到极坐标空间,获得目标区域极坐标变换图像P;
步骤五、对目标区域极坐标变换图像P中的每个像素点转化为相应的灰度值获得目标区域极坐标变换后的灰度图像,同时对图像P进行中值滤波处理得到相应的中值滤波图像,然后将灰度图像与中值滤波图像相减取绝对值,然后得到一个差值图像,利用动态阈值二值化算法对差值图像进行二值分割,再利用形态学闭环运算将微小区域合并,最后在合并后的图像忽略小于阈值的缺陷,并对像素值大于阈值的缺陷提取轮廓,获取在图像P中的缺陷位置;
步骤六、将图像进行反极坐标变换,将获取缺陷的图像投影到原图上,即从退役轴承上检测到的所有缺陷。
步骤一进一步包括有:
步骤11、对工业相机进行摄像机标定,记录工业相机的外参和内参;
步骤12、采集待测件的灰度图像I,利用步骤11的相机标定参数去除图像畸变;
步骤二进一步包括有:
将采集的图像I缩放到宽为1024的图像尺寸,缩放后的结果图是S,并计算缩放系数s=w/1024,其中,w是图像I的宽度,再对图像S进行灰度处理使原图像灰度直方图中的灰度分布范围至少压缩至原图的1/2,然后再进行中值滤波处理得到结果图:B。
为了更清晰的解释本发明各步骤的处理效果,图2-10分别示出了应用本发明方法的一个实施例,其中,图2是实施步骤二中获得的S,图3是实施步骤二中获得的B,图4是实施步骤三中获得检测图像I中检测区域的目标轮廓图像,图5是实施步骤四中从图像I中截取得到一个目标边缘ROI区域子图,图6是实施步骤四中获得的P,图7是实施步骤五中获得的差值图像,图8是实施步骤五中获得的二值分割图像,图9是实施步骤五中获得的极坐标变换图像P中的缺陷位置,图10是实施步骤六投影到原图中的缺陷位置。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种退役轴承端面损伤的视觉检测方法,其特征在于,包括以下步骤:
获取退役轴承,采集所述退役轴承的端面第一灰度图像;
对所述第一灰度图像进行图像预处理,获取滤波图像;
对所述滤波图像进行目标区域获取,获取检测区域以及所述检测区域的目标轮廓;
获取所述目标轮廓的圆心坐标以及半径信息,基于所述圆心坐标以及所述半径信息获取所述检测区域的极坐标变换图像;
获取所述极坐标变换图像中的缺陷位置;
将所述极坐标变换图像进行反极坐标变换,获取所述退役轴承上的所有缺陷。
2.根据权利要求1所述的退役轴承端面损伤的视觉检测方法,其特征在于,采集所述退役轴承的端面第一灰度图像的过程中包括:
对工业相机进行摄像机标定,记录所述工业相机的外参和内参;
获取所述第一灰度图像,基于所述外参和内参对所述第一灰度图像进行去畸变。
3.根据权利要求1所述的退役轴承端面损伤的视觉检测方法,其特征在于,所述图像预处理包括缩放、灰度处理和中值滤波处理。
4.根据权利要求1所述的退役轴承端面损伤的视觉检测方法,其特征在于,对所述滤波图像进行目标区域获取的过程包括:
提取所述滤波图像中的所有边缘,基于霍夫梯度法对潜在的环形边缘进行筛选,根据潜在圆心上各点梯度向量的相交个数,获取所述检测区域的目标轮廓。
5.根据权利要求1所述的退役轴承端面损伤的视觉检测方法,其特征在于,基于所述圆心坐标以及所述半径信息获取所述检测区域的极坐标变换图像的过程包括:
基于所述圆心坐标以及所述半径信息确定所述目标轮廓的ROI区域,并获取所述ROI区域的圆心坐标,基于所述ROI区域的圆心坐标以及半径信息,将图像信息从二维空间映射到极坐标空间,获取所述检测区域的极坐标变换图像。
6.根据权利要求1所述的退役轴承端面损伤的视觉检测方法,其特征在于,获取所述极坐标变换图像中的缺陷位置的过程包括:
基于所述极坐标变换图像获取目标区域极坐标变换后的第二灰度图像以及中值滤波图像;
基于所述第二灰度图像以及所述中值滤波图像获取所述极坐标变换图像中的缺陷位置。
7.根据权利要求6所述的退役轴承端面损伤的视觉检测方法,其特征在于,基于所述极坐标变换图像获取目标区域极坐标变换后的第二灰度图像以及中值滤波图像的过程包括:
将所述极坐标变换图像的每个像素点转化为对应的灰度值获取所述第二灰度图像,同时对所述极坐标变换图像进行中值滤波处理获取对应的所述中值滤波图像。
8.根据权利要求6所述的退役轴承端面损伤的视觉检测方法,其特征在于,基于所述第二灰度图像以及所述中值滤波图像获取所述极坐标变换图像中的缺陷位置的过程包括:
将所述第二灰度图像与所述中值滤波图像相减取绝对值,获取差值图像,基于动态阈值二值化算法对所述差值图像进行二值分割;
基于形态学闭环运算合并微小区域,获取合并图像;
忽略所述合并图像中小于阈值的缺陷,并对像素值大于阈值的缺陷提取轮廓,获取所述极坐标变换图像中的缺陷位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211598155.0A CN115829981A (zh) | 2022-12-12 | 2022-12-12 | 一种退役轴承端面损伤的视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211598155.0A CN115829981A (zh) | 2022-12-12 | 2022-12-12 | 一种退役轴承端面损伤的视觉检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115829981A true CN115829981A (zh) | 2023-03-21 |
Family
ID=85546893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211598155.0A Pending CN115829981A (zh) | 2022-12-12 | 2022-12-12 | 一种退役轴承端面损伤的视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115829981A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117269179A (zh) * | 2023-11-23 | 2023-12-22 | 平方和(北京)科技有限公司 | 基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法和系统 |
-
2022
- 2022-12-12 CN CN202211598155.0A patent/CN115829981A/zh active Pending
Non-Patent Citations (4)
Title |
---|
杨宗芳: "基于机器视觉的西林瓶缺陷检测算法及系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 138 - 346 * |
苑玮琦等: "铝合金无缝气瓶内表面缺陷视觉检测研究", 《电脑知识与技术》, pages 227 - 230 * |
贺潇等: "基于Halcon的圆形陶瓷片表面缺陷检测方法", 《佛山科学技术学院学报(自然科学版)》, pages 28 - 32 * |
问寻: "实验用玻璃器皿缺陷检测研究", 《化学生物与环保》, pages 54 - 57 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117269179A (zh) * | 2023-11-23 | 2023-12-22 | 平方和(北京)科技有限公司 | 基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法和系统 |
CN117269179B (zh) * | 2023-11-23 | 2024-02-02 | 平方和(北京)科技有限公司 | 基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
GB2569751A (en) | Static infrared thermal image processing-based underground pipe leakage detection method | |
CN109752392B (zh) | 一种pcb板缺陷类型检测系统和方法 | |
US20140307941A1 (en) | Analysis of the digital image of the external surface of a tyre and processing of false measurement points | |
CN109816645B (zh) | 一种钢卷松卷的自动检测方法 | |
Deng et al. | Defect detection of bearing surfaces based on machine vision technique | |
CN115205223B (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
CN109378279B (zh) | 晶圆检测方法及晶圆检测系统 | |
JP2009259036A (ja) | 画像処理装置、画像処理方法、画像処理プログラム、記録媒体、及び画像処理システム | |
CN115829981A (zh) | 一种退役轴承端面损伤的视觉检测方法 | |
Hongxun et al. | Pavement crack detection by ridge detection on fractional calculus and dual-thresholds | |
CN109767426B (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
KR20180115645A (ko) | 2d 영상 기반의 용접 비드 인식 장치 및 그것을 이용한 그을음 제거 방법 | |
Lee et al. | Machine vision system for automatic inspection of bridges | |
CN111210419B (zh) | 基于人类视觉特性的微型磁瓦表面缺陷检测方法 | |
CN111353974A (zh) | 一种检测影像边界缺陷的方法及装置 | |
CN116563298A (zh) | 基于高斯拟合的十字线中心亚像素检测方法 | |
JP4093426B2 (ja) | 検査装置、検査方法 | |
JP2000321038A (ja) | パターン欠陥検出方法 | |
CN113469988A (zh) | 一种缺陷识别方法 | |
Qian et al. | Sub-Pixel defect detection for super large LCD images using quadrant gradient operator | |
JP2003247954A (ja) | 円形体周縁部の欠陥検出方法 | |
JP2004170374A (ja) | 表面欠陥検出装置、及び表面欠陥検出方法 | |
JP2010243209A (ja) | 欠陥検査方法および欠陥検出装置 | |
CN109215068B (zh) | 图像放大率测量方法及装置 | |
ChaoJie et al. | Intelligent bearing quality checking system based on visual inspection |
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 |