CN115830027B - 基于机器视觉的汽车线束包覆缺陷检测方法 - Google Patents
基于机器视觉的汽车线束包覆缺陷检测方法 Download PDFInfo
- Publication number
- CN115830027B CN115830027B CN202310125855.6A CN202310125855A CN115830027B CN 115830027 B CN115830027 B CN 115830027B CN 202310125855 A CN202310125855 A CN 202310125855A CN 115830027 B CN115830027 B CN 115830027B
- Authority
- CN
- China
- Prior art keywords
- area
- defect
- region
- sequence
- wire harness
- 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
Images
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 Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于机器视觉的汽车线束包覆缺陷检测方法。该方法包括:对汽车线束的显著性图像进行阈值分割获得折叠缺陷可疑区域,同时获得折叠缺陷可疑区域中的底部区域和侧边区域;基于第一直线的数量、每个第一直线对应的拟合优度、倾斜角和方向倾斜角获得底部区域的条状显著度;根据直线边缘上像素点与对应的不规则边缘上的交点之间的距离,以及第一、第二拟合优度获得侧边区域的弓形显著度;底部区域的条状显著度和侧边区域的弓形显著度的乘积为折叠缺陷可疑区域的折叠缺陷指标;利用折叠缺陷指标判断折叠缺陷可疑区域是否为折叠缺陷区域。本发明能够准确的检测出汽车线束中的折叠缺陷区域。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于机器视觉的汽车线束包覆缺陷检测方法。
背景技术
汽车线束是汽车电路的网络主体,是指由铜材冲制而成的接触件端子(连接器)与电线电缆压接后,外面再塑压绝缘体或外加金属壳体等以线束捆扎形成连接电路的组件。而线束缺陷就是电气系统中常见的产品缺陷,所以需要及时对线束的缺陷进行检测,防止因线束缺陷影响汽车性能和正常工作,保障人民的生命财产安全。
现有的对于汽车线束包覆缺陷的检测一般基于图像进行分析,根据缺陷处与未出现缺陷处的汽车线束外包覆层之间的差异较大出现亮度断层直接对是否含有缺陷进行检测,可同时检测裂纹、划伤、麻面、折叠和结疤等多种缺陷,折叠缺陷的亮度断层特征没有那么明显,汽车线束外包覆无法保证完全光滑,因此在检测折叠缺陷时,易受到表面正常非完全光滑部分等干扰因素的影响而出现误判。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于机器视觉的汽车线束包覆缺陷检测方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种基于机器视觉的汽车线束包覆缺陷检测方法,方法包括:
获取汽车线束外表面的图像并进行预处理得到显著性图像;对显著性图像进行阈值分割获得折叠缺陷可疑区域,对折叠缺陷可疑区域进行阈值分割获得底部区域和侧边区域;
获取底部区域的主成分方向对应的倾斜角和汽车线束在显著性图像中的方向倾斜角;获取底部区域边缘,作为第一边缘;获得折叠缺陷可疑区域中的直线,与第一边缘相交的直线为第一直线;利用每个第一直线上属于第一边缘的像素点中距离最远的两个像素点之间的第一边缘上的像素点分别进行直线拟合,得到每个第一直线对应的拟合优度;基于第一直线的数量、每个第一直线对应的拟合优度、倾斜角和方向倾斜角获得底部区域的条状显著度;
沿着底部区域的主成分方向做直线,选取满足设定条件的两条直线将对侧边区域进行分割得到第一区域和第二区域;利用第一区域和第二区域的不规则边缘上的像素点分别与圆进行拟合获得第一拟合优度和第二拟合优度;获得过第一和第二区域的直线边缘上像素点的垂线与不规则边缘上的交点;根据直线边缘上像素点与对应的不规则边缘上的交点之间的距离,以及第一、第二拟合优度获得侧边区域的弓形显著度;
底部区域的条状显著度和侧边区域的弓形显著度的乘积为折叠缺陷可疑区域的折叠缺陷指标;利用折叠缺陷指标判断折叠缺陷可疑区域是否为折叠缺陷区域。
优选地,获取汽车线束外表面的图像并进行预处理得到显著性图像,包括:将汽车线束竖直放立,在设定方向分别获取汽车线束外表面的图像;对汽车线束外表面的图像进行降噪处理获得去噪后的汽车线束外表面的图像;利用CA显著性算法对去噪后的汽车线束外表面的图像进行处理得到显著性图像。
优选地,基于第一直线的数量、每个第一直线对应的拟合优度、倾斜角和方向倾斜角获得底部区域的条状显著度,包括:获得倾斜角和方向倾斜角差值的绝对值;获得第一直线的数量与各第一直线对应的拟合优度的和的乘积,并将所述乘积与常数系数相加得到相加的结果;所述差值的绝对值与所述相加的结果的乘积为底部区域的条状显著度。
优选地,选取满足设定条件的两条直线将对侧边区域进行分割得到第一区域和第二区域,包括:所述满足设定条件的两条直线为与底部区域的边缘相交且的距离最远的两条直线;满足设定条件的两条直线将侧边区域分为至少两个区域,获得每个区域的主成分方向与底部区域的主成分方向的相似度和每个区域的面积的乘积,乘积结果最大的两个区域分别为第一区域和第二区域。
优选地,根据直线边缘上像素点与对应的不规则边缘上的交点之间的距离,以及第一、第二拟合优度获得侧边区域的弓形显著度,包括:分别获得第一和第二区域的直线边缘的中点,记为第一中点和第二中点,以第一中点分别向第一区域的直线边缘两端选取像素点,按照选取像素点的顺序对像素点与对应的不规则边缘上的交点之间的距离进行排列分别获得第一区域对应的第一距离序列和第二距离序列,其中第一和第二距离序列的起始元素都为第一中点与对应的不规则边缘上的交点之间的距离;同理获得第二区域对应的第三距离序列和第四距离序列;分别获得第一、第二、第三和第四距离序列中每两个相邻元素的差值,分别组成第一差值序列、第二差值序列、第三差值序列和第四差值序列;其中每两个相邻元素的差值为两个相邻元素中前一项元素减去后一项元素;
侧边区域的弓形显著度为:
其中,表示侧边区域的弓形显著度;和分别表示第一拟合优度和第二拟合优度;和分别表示第一差值序列和第二差值序列中为正数的元素的数量;和分别表示第三差值序列和第四差值序列中为正数的元素的数量;表示第一差值序列和第二差值序列中元素的数量,第一差值序列和第二差值序列中元素的数量相等;表示第三差值序列和第四差值序列中元素的数量,第三差值序列和第四差值序列中元素的数量相等。
优选地,利用折叠缺陷指标判断折叠缺陷可疑区域是否为折叠缺陷区域,包括:设定判断阈值,并将各折叠缺陷可疑区域的折叠缺陷指标归一化;若归一化后的折叠缺陷可疑区域的折叠缺陷指标大于预设阈值,则该折叠缺陷可疑区域为折叠缺陷区域。
本发明实施例至少具有如下有益效果:本发明利用显著灰度图中像素点的灰度值进行阈值分割首先获得折叠缺陷可疑区域,得到了疑似折叠缺陷的区域,为后续的分析提供了方便;进一步的,将疑似折叠缺陷区域分为底部区域和侧边区域,对于侧边区域,获得侧边区域的边缘上的像素点进行直线拟合的拟合优度、底部区域中直线的数量以及主成分方向获得底部区域的条状显著度,这里是基于折叠缺陷区域中底部区域的边缘较为规则的特征和底部区域的分布特征进行分析的,避免了只利用亮度特征来识别折叠缺陷的问题,使得后续对于折叠缺陷的识别更加准确;同时根据侧边区域中第一、第二区域的不规则边缘进行圆拟合的拟合优度,以及直线边缘上像素点与对应的不规则边缘上的交点之间的距离得到侧边区域的弓形显著度,这里是基于侧边区域的第一和第二区域的不规则边缘的弓形程度对侧边区域进行分析的,弓形程度越高越符合折叠缺陷区域的特征,同样的避免了只利用亮度特征来识别折叠缺陷的问题,提高了识别的准确率;最后将底部区域的条状显著度和侧边区域的弓形显著度进行结合得到折叠缺陷可疑区域的折叠缺陷指标,综合分析,进一步的提高识别汽车线束的折叠缺陷的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明实施例提供的一种基于机器视觉的汽车线束包覆缺陷检测方法的方法流程图;
图2为本发明实施例提供的第一区域和第二区域示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于机器视觉的汽车线束包覆缺陷检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于机器视觉的汽车线束包覆缺陷检测方法的具体方案。
实施例:
本发明的主要应用场景为:在对汽车线束进行包覆过程中,由于工艺或者其他原因,汽车线束的包覆可能会出现折叠缺陷,但仅仅利用亮度断层特征对折叠缺陷进行检测并不准确,因此需要基于折叠缺陷区域的分布特征和形状特征对折叠缺陷进行检测。
请参阅图1,其示出了本发明实施例提供的一种基于机器视觉的汽车线束包覆缺陷检测方法的方法流程图,该方法包括以下步骤:
步骤S1,获取汽车线束外表面的图像并进行预处理得到显著性图像;对显著性图像进行阈值分割获得折叠缺陷可疑区域,对折叠缺陷可疑区域进行阈值分割获得底部区域和侧边区域。
在生产完成的汽车线束外包覆面的周围的设定方向架设多台CCD相机,优选地,本实施例中设定方向是每隔120度架设一台CCD相机,且汽车线束是竖直放立的,三个相机的夹角都为120度的相机可以保证线束外包覆面的每个部分均在取景框内,无盲区。使用CCD相机获取汽车线束外包覆面的图像,也即是汽车线束外表面的图像,汽车线束外表面的图像为RGB图像。
由于环境、相机内部元件轻微震动等因素,获取的图像上不可避免地会出现噪声。为避免这些噪声在图像中的存在影响后续分析的结果,使用高斯滤波对汽车线束外表面的图像中的每个通道分别进行卷积,对汽车线束外表面的图像进行去噪,提高图像的精度和质量,得到去噪后的汽车线束外表面的图像。其中,高斯滤波去噪为公知技术,具体过程不在详细赘述。
进一步的,对去噪后的汽车线束外表面的图像使用CA显著性算法,获取其对应的显著性图像,显著性图像为灰度图像。在显著性图像中,由于背景和汽车线束外包覆面上无瑕疵的部分均较为平整均匀,对应显著性图像中的像素点的灰度值较小;而汽车线束外包覆面上含有瑕疵或不太平整的位置均有对应的结构或纹理变化,对应显著性图像中的像素点的灰度值较大。对显著性图像使用OTSU最大类间方差法,将大于阈值的像素点划分出来,得到汽车线束外包覆面上含有瑕疵或不太平整的区域。显著性图像中这些位置可能对应多个区域,为避免这多个区域同时分析互相影响,所以对划分出的每个区域单独进行分析,将每个区域称为一个折叠缺陷可疑区域。至此,可得到显著性图像中对应的所有可能为折叠瑕疵的区域,也即是折叠缺陷可疑区域。
最后,汽车线束外包覆面上的折痕是指线材表面顺轧制方向呈直线形倾斜的近似裂纹的缺陷,一般呈直线状。折痕是由上一道次有耳子的轧件或局部有突出或者凹陷的轧件进入下一道次孔型轧制时,外敷面上部分材料被压平或凹陷部分的材料被压叠形成的。所以折痕缺陷的底部和侧边呈现出亮度差异,以此为基础将可能为折叠缺陷的区域的底部和侧边划分开,对底部和侧边分别进行分析,进而得到对折叠缺陷可疑区域的评价。
折痕缺陷的底部对应轧件的底部,折痕缺陷的侧边对应轧件压叠进入汽车线束外包覆面的路径,所以,折痕缺陷的底部正对相机角度,反射到取景框中的大气光较多,在显著图像中对应的像素点呈现较亮的颜色,折痕缺陷的侧边相对与相机有偏角,反射到取景框中的大气光较少,在显著图像中对应的像素点呈现较暗的颜色。以此为基础将各个折叠缺陷可疑区域内分别对应折痕缺陷的底部和侧边的区域划分开来。
对显著性图像中每个折叠缺陷可疑区域使用OTSU最大类间方差法,将该折叠缺陷可疑区划分为两个部分,灰度值大于和小于阈值的像素点分别组成两个区域,记为该折叠缺陷可疑区域的底部区域和侧边区域,分别对应折痕缺陷的底部和侧边位置。至此可以得到每个折叠缺陷可疑区域的底部区域和侧边区域。
步骤S2,获取底部区域的主成分方向对应的倾斜角和汽车线束在显著性图像中的方向倾斜角;获取底部区域边缘,作为第一边缘;获得折叠缺陷可疑区域中的直线,与第一边缘相交的直线为第一直线;利用每个第一直线上属于第一边缘的像素点中距离最远的两个像素点之间的第一边缘上的像素点分别进行直线拟合,得到每个第一直线对应的拟合优度;基于第一直线的数量、每个第一直线对应的拟合优度、倾斜角和方向倾斜角获得底部区域的条状显著度。
折痕的底部对应轧件的底部,较为平整,呈条状,该条状的各宽度较为均匀。同时,由于汽车线束外包覆面上的折痕是指线材表面顺轧制方向的近似裂纹的缺陷,所以折痕缺陷区域的条状方向与汽车线束的方向差异较大。以此为基础对每个折叠缺陷可疑区域的底部区域进行分析。
对每个折叠缺陷可疑区域的底部区域进行主成分分析,得到对应的主成分方向,将主成分方向对应的倾斜角记为,同时,根据汽车线束外表面的图像的获取方式,汽车线束在显著图像中应呈九十度垂直出现,所以倾斜角越接近0度或180度,则该折叠缺陷可疑区域越可能对应折叠缺陷区域;由此获得汽车线束在显著性图像中的方向倾斜角,需要说明的是,这里获得底部区域的主成分方向的倾斜角和方向倾斜角都是以显著性图像的下边缘为基准线的,显著性图像的下边缘为图像的底边。
进一步的,利用canny边缘检测算子和霍夫直线检测算法对每个折叠缺陷可疑区域进行处理,获得折叠缺陷可疑区域的边缘、底部区域的边缘、侧边区域的边缘和折叠缺陷可疑区域中的直线,其中底部区域的边缘为第一边缘。获得折叠缺陷可疑区域中与第一边缘相交的直线,记为第一直线,进一步的统计第一直线的数量记为;获得一个第一直线上属于第一边缘的像素点,选取这些像素点中距离最远的两个像素点之间的第一边缘上的像素点进行直线拟合,得到该第一直线对应的拟合优度,至此可以得到每个第一直线对应的拟合优度,拟合优度记为,表示第i个第一直线对应的拟合优度;当一个折痕缺陷可疑区域中与底部区域的边缘相交的直线越多,且相交的直线对应的拟合优度越大,说明该折痕缺陷可疑区域的底部区域成条状分布的特点越明显,越符合折痕缺陷区域中底部区域的特点,该折痕缺陷可疑区域越可能是折痕缺陷区域。
由此根据第一直线的数量、每个第一直线对应的拟合优度、倾斜角和方向倾斜角构建底部区域的条状显著度:
其中,表示底部区域的条状显著度;表示底部区域的主成分方向的倾斜角;表示方向倾斜角,也即是显著图像中汽车线束的倾斜角,取值为;表示折痕缺陷可疑区域中第一直线的像素点数量;表示常数系数,取值为最接近于0的正数,目的是为了防止取值为0。
表示底部区域的主成分方向的倾斜角和显著性图像中汽车线束的方向倾斜角的差异,该差异越大,底部区域的条状显著度越大,折痕缺陷可疑区域越可能为折痕缺陷区域;其中第一直线的数量和所有第一直线对应的拟合优度的和越大,底部区域的条状显著度越大,说明该底部区域越符合折痕缺陷区域中底部区域的特点,也即是底部区域的条状特征的显著程度越大时,则折痕缺陷可疑区域就越可能为折痕缺陷区域。
步骤S3,沿着底部区域的主成分方向做直线,选取满足设定条件的两条直线将对侧边区域进行分割得到第一区域和第二区域;利用第一区域和第二区域的不规则边缘上的像素点分别与圆进行拟合获得第一拟合优度和第二拟合优度;获得过第一和第二区域的直线边缘上像素点的垂线与不规则边缘上的交点;根据直线边缘上像素点与对应的不规则边缘上的交点之间的距离,以及第一、第二拟合优度获得侧边区域的弓形显著度。
折叠缺陷可疑区域对应的侧边区域各个位置的规律并不一致。侧边区域包围着底部区域,在条状的底部区域的两端,侧边区域较窄;而在底部区域的两侧,侧边区域较宽,且呈现出越靠近两侧的中间位置越宽,越靠近两端的位置越窄的特征。这是因为,折叠缺陷的出现是轧件沿轧制方向插入了汽车线束包覆,轧件两端本身较窄,插入形成的侧边俯视观察并不明显;但对于轧件两侧,由于汽车线束包覆为圆柱形,轧件插入汽车线束包覆后,要在插入轧件的缺陷位置底部保持水平,则在轧件两侧的位置(即折叠缺陷区域的两侧)每个位置的深浅是不一致的,呈现越向中间,侧边区域的弓形程度越大。以此为依据对每个折叠缺陷可疑区对应的侧边区域进行分析。
沿着底部区域的主成分方向做直线,所作的直线有多条且相互平行,直线的倾斜角与底部区域的主成分方向的倾斜角相同。进一步的,需要在这些直线中选取满足设定条件的两条直线,满足设定条件的两条直线为与底部区域的边缘相交且的距离最远的两条直线,设定条件也即是两条直线必须与底部区域的边缘相交且两条直线之间的距离最远。将满足设定条件的分别记为。直线将侧边区域分为至少两个区域,在这些区域中进行筛选,因为要分析侧边区域的弓形程度,因此需要筛选出这些区域中位于折痕两侧的区域,获得这些区域的主成分方向和面积,分别获得每个区域的主成分方向对应的倾斜角与底部区域的主成分方向的倾斜角的差值的绝对值的倒数,为每个区域的主成分方向与底部区域的主成分方向的相似度。获得每个区域的主成分方向与底部区域的主成分方向的相似度和每个区域的面积的乘积,乘积结果最大的两个区域分别为第一区域和第二区域,其中第一区域和第二区域是位于折叠缺陷可疑区域两侧的区域。第一区域和第二区域的位置如图2中阴影部分所示,也即是图2中的,图2为第一区域和第二区域示意图,图2中的两条直线分别为。又因为折叠缺陷可疑区域中侧边区域的边缘是不规则的形状,因此第一和第二区域分别都有两个边缘,一个是不规则边缘,一个是直线边缘。
进一步的,选取第一和第二区域直线边缘上的像素点,经过第一区域直线边缘上的像素点做与第一区域的直线边缘垂直的垂线,获得每个垂线与第一区域不规则边缘上的交点,则第一区域直线边缘上的每个像素点都有一个与之对应的交点,同理对第二区域的直线边缘上的像素点做同样的处理,由此第一区域直线边缘上的每个像素点都有一个与之对应的交点。
分别获得第一和第二区域的直线边缘的中点,记为第一中点和第二中点,以第一中点分别向第一区域的直线边缘两端选取像素点,按照选取像素点的顺序对第一区域直线边缘上的像素点与对应的不规则边缘上的交点之间的距离进行排列分别获得第一区域对应的第一距离序列和第二距离序列,其中第一和第二距离序列的起始元素都为第一中点与对应的不规则边缘上的交点之间的距离,最后一个元素为第一区域的直线边缘上位于两端的像素点与对应的不规则边缘上的交点之间的距离,同理获得第二区域对应的第三距离序列和第四距离序列。分别获得第一、第二、第三和第四距离序列中每两个相邻元素的差值,分别组成第一差值序列、第二差值序列、第三差值序列和第四差值序列,其中每两个相邻元素的差值为两个相邻元素中前一项元素减去后一项元素,这里获得每两个相邻元素的差值的意义在于,如果第一区域和第二区域的不规则边缘的弓形程度越高,则第一、第二、第三和第四距离序列中的元素值都是逐渐减小的,因此第一差值序列、第二差值序列、第三差值序列和第四差值序列中正数的值越多就说明侧边区域的弓形程度越高,则该侧边区域对应的折叠缺陷可疑区域越可能为折叠缺陷区域。
利用第一和第二区域的不规则边缘上的像素点分别与圆进行拟合,得到对应的拟合优度,分别记为第一拟合优度和第二拟合优度,由此构建侧边区域的弓形显著度:
其中,表示侧边区域的弓形显著度;和分别表示第一拟合优度和第二拟合优度;和分别表示第一差值序列和第二差值序列中为正数的元素的数量;和分别表示第三差值序列和第四差值序列中为正数的元素的数量;表示第一差值序列和第二差值序列中元素的数量,第一差值序列和第二差值序列中元素的数量相等;表示第三差值序列和第四差值序列中元素的数量,第三差值序列和第四差值序列中元素的数量相等。
式中,第一拟合优度和第二拟合优度越大,说明第一区域和第二区域的两个不规则边缘与圆的边缘约为相似,弓形程度越高,侧边区域的弓形显著度就越大,说明侧边区域对应的折叠缺陷可疑区域越可能是折叠缺陷区域;表示第一和第二差值序列中为正的元素的数量与第一和第二差值序列中元素的数量的比值的和,表示第三和第四差值序列中为正的元素的数量与第一和第二差值序列中元素的数量的比值的和,这两个值越大说明第一和第二区域的不规则边缘弓形程度越大,侧边区域的弓形显著度就越大,说明侧边区域对应的折叠缺陷可疑区域越可能是折叠缺陷区域。
至此,可以得到每个折叠缺陷可疑区域中侧边区域的弓形显著度。
步骤S4,底部区域的条状显著度和侧边区域的弓形显著度的乘积为折叠缺陷可疑区域的折叠缺陷指标;利用折叠缺陷指标判断折叠缺陷可疑区域是否为折叠缺陷区域。
结合一个折叠缺陷可疑区域中的底部区域的条状显著度和侧边区域的弓形显著度获得折叠缺陷可疑区域的折叠缺陷指标,将底部区域的条状显著度和侧边区域的弓形显著度进行相乘获得折叠缺陷可疑区域的折叠缺陷指标,用公式表示为:
其中,表示折叠缺陷可疑区域的折叠缺陷指标,一个折叠缺陷可疑区域中底部区域的条状显著度越大,侧边区域的弓形显著度越大,就说明该折叠缺陷可疑区域越可能是折叠缺陷区域。
进一步的,将获得的所有折叠缺陷可疑区域的折叠缺陷指标进行归一化,得到归一化后的折叠缺陷可疑区域的折叠缺陷指标,设定判断阈值,优选地,本实施例中判断阈值的取值为0.92,实施者可以根据实际情况对判断阈值的取值进行调整。若归一化后的折叠缺陷可疑区域的折叠缺陷指标大于预设阈值,则该折叠缺陷可疑区域为折叠缺陷区域。
由于相机只能拍摄汽车线束一个位置的外敷面的多个表面图像,因此统计一个位置上折叠缺陷区域的数量,设定第一阈值和第二阈值,优选地,第一阈值的取值为2,第二阈值的取值为10,若汽车线束外敷面一个位置上折叠缺陷区域的数量大于第一阈值,则该位置汽车线束外敷面的折叠缺陷较为严重,需要工作人员对该位置的折叠缺陷进行处理,统计一整条汽车线束外敷面上折叠缺陷区域的数量,若大于第二阈值,则说明该条汽车线束外敷面的折叠缺陷十分严重需要对整条汽车线束进行重新包覆或其他处理。需要说明的是,第一阈值和第二阈值的取值实施者可以根据具体情况进行调整。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于机器视觉的汽车线束包覆缺陷检测方法,其特征在于,该方法包括:
获取汽车线束外表面的图像并进行预处理得到显著性图像;对显著性图像进行阈值分割获得折叠缺陷可疑区域,对折叠缺陷可疑区域进行阈值分割获得底部区域和侧边区域;
获取底部区域的主成分方向对应的倾斜角和汽车线束在显著性图像中的方向倾斜角;获取底部区域边缘,作为第一边缘;获得折叠缺陷可疑区域中的直线,与第一边缘相交的直线为第一直线;利用每个第一直线上属于第一边缘的像素点中距离最远的两个像素点之间的第一边缘上的像素点分别进行直线拟合,得到每个第一直线对应的拟合优度;基于第一直线的数量、每个第一直线对应的拟合优度、倾斜角和方向倾斜角获得底部区域的条状显著度;
沿着底部区域的主成分方向做直线,选取满足设定条件的两条直线将对侧边区域进行分割得到第一区域和第二区域;利用第一区域和第二区域的不规则边缘上的像素点分别与圆进行拟合获得第一拟合优度和第二拟合优度;获得过第一和第二区域的直线边缘上像素点的垂线与不规则边缘上的交点;根据直线边缘上像素点与对应的不规则边缘上的交点之间的距离,以及第一、第二拟合优度获得侧边区域的弓形显著度;
底部区域的条状显著度和侧边区域的弓形显著度的乘积为折叠缺陷可疑区域的折叠缺陷指标;利用折叠缺陷指标判断折叠缺陷可疑区域是否为折叠缺陷区域。
2.根据权利要求1所述的一种基于机器视觉的汽车线束包覆缺陷检测方法,其特征在于,所述获取汽车线束外表面的图像并进行预处理得到显著性图像,包括:将汽车线束竖直放立,在设定方向分别获取汽车线束外表面的图像;对汽车线束外表面的图像进行降噪处理获得去噪后的汽车线束外表面的图像;利用CA显著性算法对去噪后的汽车线束外表面的图像进行处理得到显著性图像。
3.根据权利要求1所述的一种基于机器视觉的汽车线束包覆缺陷检测方法,其特征在于,所述基于第一直线的数量、每个第一直线对应的拟合优度、倾斜角和方向倾斜角获得底部区域的条状显著度,包括:获得倾斜角和方向倾斜角差值的绝对值;获得第一直线的数量与各第一直线对应的拟合优度的和的乘积,并将所述乘积与常数系数相加得到相加的结果;所述差值的绝对值与所述相加的结果的乘积为底部区域的条状显著度。
4.根据权利要求1所述的一种基于机器视觉的汽车线束包覆缺陷检测方法,其特征在于,所述选取满足设定条件的两条直线将对侧边区域进行分割得到第一区域和第二区域,包括:所述满足设定条件的两条直线为与底部区域的边缘相交且的距离最远的两条直线;满足设定条件的两条直线将侧边区域分为至少两个区域,获得每个区域的主成分方向与底部区域的主成分方向的相似度和每个区域的面积的乘积,乘积结果最大的两个区域分别为第一区域和第二区域。
5.根据权利要求1所述的一种基于机器视觉的汽车线束包覆缺陷检测方法,其特征在于,所述根据直线边缘上像素点与对应的不规则边缘上的交点之间的距离,以及第一、第二拟合优度获得侧边区域的弓形显著度,包括:分别获得第一和第二区域的直线边缘的中点,记为第一中点和第二中点,以第一中点分别向第一区域的直线边缘两端选取像素点,按照选取像素点的顺序对像素点与对应的不规则边缘上的交点之间的距离进行排列分别获得第一区域对应的第一距离序列和第二距离序列,其中第一和第二距离序列的起始元素都为第一中点与对应的不规则边缘上的交点之间的距离;同理获得第二区域对应的第三距离序列和第四距离序列;分别获得第一、第二、第三和第四距离序列中每两个相邻元素的差值,分别组成第一差值序列、第二差值序列、第三差值序列和第四差值序列;其中每两个相邻元素的差值为两个相邻元素中前一项元素减去后一项元素;
侧边区域的弓形显著度为:
其中,表示侧边区域的弓形显著度;和分别表示第一拟合优度和第二拟合优度;和分别表示第一差值序列和第二差值序列中为正数的元素的数量;和分别表示第三差值序列和第四差值序列中为正数的元素的数量;表示第一差值序列和第二差值序列中元素的数量,第一差值序列和第二差值序列中元素的数量相等;表示第三差值序列和第四差值序列中元素的数量,第三差值序列和第四差值序列中元素的数量相等。
6.根据权利要求1所述的一种基于机器视觉的汽车线束包覆缺陷检测方法,其特征在于,所述利用折叠缺陷指标判断折叠缺陷可疑区域是否为折叠缺陷区域,包括:设定判断阈值,并将各折叠缺陷可疑区域的折叠缺陷指标归一化;若归一化后的折叠缺陷可疑区域的折叠缺陷指标大于预设阈值,则该折叠缺陷可疑区域为折叠缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310125855.6A CN115830027B (zh) | 2023-02-17 | 2023-02-17 | 基于机器视觉的汽车线束包覆缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310125855.6A CN115830027B (zh) | 2023-02-17 | 2023-02-17 | 基于机器视觉的汽车线束包覆缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115830027A CN115830027A (zh) | 2023-03-21 |
CN115830027B true CN115830027B (zh) | 2023-04-18 |
Family
ID=85521691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310125855.6A Active CN115830027B (zh) | 2023-02-17 | 2023-02-17 | 基于机器视觉的汽车线束包覆缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115830027B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116402841B (zh) * | 2023-06-01 | 2023-08-11 | 天津市全福车业有限公司 | 基于机器视觉的跨动物流偏移检测方法及相关装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170042976A (ko) * | 2015-10-12 | 2017-04-20 | (주)가온테크 | 산업용 및 차량용 와이어 하네스 결선 시험장치 및 방법 |
JP2019060685A (ja) * | 2017-09-26 | 2019-04-18 | 矢崎総業株式会社 | ワイヤハーネス検査システム |
CN109974582A (zh) * | 2019-04-04 | 2019-07-05 | 江南大学 | 一种汽车线束的芯线尺寸非接触式视觉检测装置及方法 |
KR20200139948A (ko) * | 2019-06-05 | 2020-12-15 | (주) 미래테크원 | 머신비전기반 하네스 불량 검사방법 |
CN115564767A (zh) * | 2022-11-10 | 2023-01-03 | 深圳市岑科实业有限公司 | 基于机器视觉的电感绕线质量监测方法 |
-
2023
- 2023-02-17 CN CN202310125855.6A patent/CN115830027B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170042976A (ko) * | 2015-10-12 | 2017-04-20 | (주)가온테크 | 산업용 및 차량용 와이어 하네스 결선 시험장치 및 방법 |
JP2019060685A (ja) * | 2017-09-26 | 2019-04-18 | 矢崎総業株式会社 | ワイヤハーネス検査システム |
CN109974582A (zh) * | 2019-04-04 | 2019-07-05 | 江南大学 | 一种汽车线束的芯线尺寸非接触式视觉检测装置及方法 |
KR20200139948A (ko) * | 2019-06-05 | 2020-12-15 | (주) 미래테크원 | 머신비전기반 하네스 불량 검사방법 |
CN115564767A (zh) * | 2022-11-10 | 2023-01-03 | 深圳市岑科实业有限公司 | 基于机器视觉的电感绕线质量监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115830027A (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114842017B (zh) | 一种hdmi线缆表面质量检测方法及系统 | |
CN111179243A (zh) | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 | |
CN111353993B (zh) | 一种基于机器视觉的螺纹角度测量方法 | |
CN115830027B (zh) | 基于机器视觉的汽车线束包覆缺陷检测方法 | |
US20200237286A1 (en) | Method and device for analyzing water content of skin by means of skin image | |
CN110632092B (zh) | 基于高光谱技术的绝缘子表面污秽分布特性检测方法 | |
CN115965623B (zh) | 一种变压器生产中表面瑕疵检测方法及系统 | |
CN115239727B (zh) | 一种pcb板表面缺陷检测方法 | |
CN114332026A (zh) | 一种铭牌表面划痕缺陷的视觉检测方法及装置 | |
CN113298769B (zh) | Fpc软排线外观缺陷检测方法、系统和介质 | |
CN115205318B (zh) | 一种海缆表面缺陷识别的方法及系统 | |
CN114972575A (zh) | 一种基于轮廓边缘的直线拟合算法 | |
KR102242996B1 (ko) | 자동차 사출제품의 비정형 불량 검출 방법 | |
CN112669295A (zh) | 一种基于二次阈值分割理论的锂电池极片缺陷检测方法 | |
CN116721107A (zh) | 一种电缆生产质量智能监控系统 | |
JPH0515977B2 (zh) | ||
CN115330796A (zh) | 一种铜线镀锡缺陷识别方法 | |
CN106530273B (zh) | 高精度fpc直线线路检测与缺陷定位方法 | |
CN114620030A (zh) | 泊车性能测试方法、装置、服务器及产品 | |
CN112419228B (zh) | 盖板立体边缘缺陷的检测方法及装置 | |
CN111539951B (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
CN115330710B (zh) | 一种基于云计算的汽车线束质检系统 | |
CN107545560B (zh) | 用于轮胎胎侧气泡的检测方法和装置 | |
CN115830049A (zh) | 角点检测的方法和装置 | |
CN112183454B (zh) | 图像检测方法及装置、存储介质、终端 |
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 |