CN115880248B - 一种表面划痕缺陷识别方法及视觉检测设备 - Google Patents
一种表面划痕缺陷识别方法及视觉检测设备 Download PDFInfo
- Publication number
- CN115880248B CN115880248B CN202211593903.6A CN202211593903A CN115880248B CN 115880248 B CN115880248 B CN 115880248B CN 202211593903 A CN202211593903 A CN 202211593903A CN 115880248 B CN115880248 B CN 115880248B
- Authority
- CN
- China
- Prior art keywords
- binary image
- pixel
- region
- image
- gray
- 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 55
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 title abstract description 11
- 230000000007 visual effect Effects 0.000 title abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims abstract description 68
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000005728 strengthening Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000011179 visual inspection Methods 0.000 claims description 4
- 230000002950 deficient Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 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
Abstract
本发明提供了一种表面划痕缺陷识别方法及视觉检测设备,涉及视觉识别领域,将获取的待测零件的表面图像转换成表面灰度图像;在表面灰度图像中使用提取模板提取感兴趣区域;采用两个阈值范围分别对感兴趣区域进行噪声过滤,对得到的第一二值图像和第二二值图像进行生长,并且第一二值图像和第二二值图像的生长过程相互映射,当某一张图像中出现特殊像素点的时候,可以直接将该特殊像素点映射到另一张图像中,两张图像相互补充补全,最终能够得到较为全面且缺陷区域得到补强的特征强化图像,使得缺陷区域变得更加凸出和明显,有利于后续对灰度异常区域的识别和提取,增加识别的准确度。
Description
技术领域
本发明涉及视觉识别技术领域,具体而言,涉及一种表面划痕缺陷识别方法及视觉检测设备。
背景技术
汽车零部件生产的质量安全不仅是厂家生产过程的重要指标,也是消费者选购汽车时最看重的方面。在生产过程中,能有效的筛选出不符合质量标准的缺损零件,提高工厂生产中的零件检测效率,是零件工厂乃至整个汽车行业的共同要求;减少缺陷汽车零配件的投入使用,对解决行车安全问题至关重要。气缸作为汽车发动机组成中的一个重要组成部分,是确保汽车发动机正常运行的关键部件。
在气缸生产过程中,因为工厂的生产环境、模具的损坏、零件毛坯缺陷等原因导致产生缺陷,如果在加工生产线上没有将废品检测识别并剔除,将对产品性能产生不同程度的影响,使产品质量下降,如导致缸体抗腐蚀性降低,缩短使用寿命等。
目前,对于气缸表面划痕的检测,通过拍摄装置对气缸表面进行图像采集,然后对气缸零件灰度图像进行直方图分析,部分缺陷区域的灰度值与表面其他区域的灰度值差异较大时,缺陷区域可以直接通过采用基于灰度值的阈值分割得到;而对于部分缺陷区域的灰度值与表面其他区域灰度值差异不大时,仅通过传统灰度值阈值分割会产生以下缺点:阈值分割的差阈值较小时,得到的灰度异常区域存在较多的噪声点;当传统灰度阈值分割的差阈值较大时,得到的灰度异常区域不完整,有时还会出现检测结果边缘断续的情况。
发明内容
本发明所要解决的问题是如何检测出准确的缺陷区域。
为解决上述问题,一方面,本发明提供了一种表面划痕缺陷识别方法,包括:
将获取的待测零件的表面图像转换成表面灰度图像;
在所述表面灰度图像中使用提取模板提取感兴趣区域;
使用第一阈值范围和第二阈值范围分别对所述感兴趣区域进行滤波,输出第一二值图像和第二二值图像;
结合所述第一二值图像和所述第二二值图像进行区域生长,输出特征强化图像;
在所述特征强化图像中识别灰度异常区域,并输出识别结果。
可选地,所述使用第一阈值范围和第二阈值范围分别对所述感兴趣区域进行滤波,输出第一二值图像和第二二值图像包括:
分析所述感兴趣区域内的每个像素点的灰度值与平均灰度值之间的差值,并根据得到的所有差值计算第一平均差值;
将所述第一平均差值设为所述第一阈值范围的上限;
将处于所述第一阈值范围内的所述差值对应的所述像素点作为前景,并转换成二值图像,输出为所述第一二值图像。
可选地,所述在所述表面灰度图像中使用提取模板提取感兴趣区域之后,还包括:
统计每个灰度值对应的像素点出现的频率;
根据所述频率计算所述感兴趣区域不同位置的信息熵;
根据不同位置的所述信息熵辅助定位所述感兴趣区域,以使所述感兴趣区域范围缩小。
可选地,所述使用第一阈值范围和第二阈值范围分别对所述感兴趣区域进行滤波,输出第一二值图像和第二二值图像包括:
分析缩小后的所述感兴趣区域内的每个所述像素点的所述灰度值与平均灰度值之间的差值,并根据得到的所有差值计算第二平均差值;
将所述第二平均差值设为所述第二阈值范围的上限;
将处于所述第二阈值范围内的所述差值对应的所述像素点作为前景,并转换成二值图像,输出所述第二二值图像。
可选地,所述结合所述第一二值图像和所述第二二值图像进行区域生长,输出特征强化图像包括:
结合所述第一二值图像和所述第二二值图像,按照生长像素点集生成规则,筛选出所述第一二值图像对应的第一生长像素点集和所述第二二值图像对应的第二生长像素点集;
以所述第一生长像素点集为初始坐标点,对所述第一二值图像进行一次生长,将所述初始坐标点对应的所述像素点的灰度值设置为零,并记录生长后新增的所述像素点的坐标,形成第一新增坐标集。
若生长后的所述第一二值图像中的所述像素点的所述灰度值为零,则将所述第二二值图像中对应的所述像素点的所述灰度值也设置为零;
以所述第二生长像素点集为所述初始坐标点,对所述第二二值图像进行一次生长,将所述初始坐标点对应的所述像素点的所述灰度值设置为零,并记录生长后新增的所述像素点的坐标,形成第二新增坐标集;
若生长后的所述第二二值图像中的所述像素点的所述灰度值为零,则将所述第一二值图像中对应的所述像素点的所述灰度值也设置为零。
可选地,所述生长像素点集生成规则包括:
在一个二值图像中逐行检索所述灰度值为零的所述像素点,并记录所述像素点的坐标,形成检索像素点集;
根据所述检索像素点集中所述像素点的坐标对另一个所述二值图像相应位置处的所述像素点进行标记;其中,一个所述二值图像与另一个所述二值图像对应位置处的所述像素点坐标相同;
访问与另一个所述二值图像中标记的所述像素点相邻的8领域像素点,分析所述8领域像素点中每个所述像素点与标记的所述像素点之间的灰度值差值;
判断所述灰度值差值是否小于预设筛选值;
当所述灰度值差值小于所述预设筛选值时,记录所述8领域像素点中对应的所述像素点的坐标,形成另一个所述二值图像对应的生长像素点集。
可选地,所述结合所述第一二值图像和所述第二二值图像进行区域生长,输出特征强化图像包括:
结合生长后的所述第一二值图像和生长后的所述第二二值图像,按照所述生长像素点集生成规则,筛选出新的所述第一生长像素点集和新的所述第二生长像素点;
使用新的所述第一生长像素点集和新的所述第二生长像素点分别与上一生长过程中使用的所述第一生长像素点集和所述第二生长像素点求差集,分别得到第一差集和第二差集;
将所述第一差集和所述第二差集分别与所述第一新增坐标集和所述第二新增坐标集求并集,将得到的坐标并集作为下一次生长的所述初始坐标点;
不断迭代生长过程,直到达到预设的生长终止条件,输出所述特征强化图像,其中,所述生长终止条件包括预设生长迭代的次数或所述初始坐标点的个数小于预期数量。
可选地,所述在所述特征强化图像中识别灰度异常区域,并输出识别结果包括:
分析所述特征强化图像的灰度值梯度强度;
当所述像素点的所述灰度值梯度强度大于或等于预设梯度强度时,则该像素点保留作为边缘点,保留的边缘点构成临时边缘区域;
调用预设的所述待测零件的边缘特征,对所述临时边缘区域进行区分筛选,得到所述待测零件的零件边缘区域;
判断所述临时边缘区域围合范围内的所述像素点的所述灰度值为零的概率是否大于预设概率;
当所述临时边缘区域围合范围内的所述像素点的所述灰度值为零的概率大于预设概率时,则所述临时边缘区域围合范围内的区域为所述灰度异常区域;
对所述零件边缘区域进行膨胀处理,并分析膨胀后的所述零件边缘区域与所述灰度异常区域是否存在重合的部分;
若膨胀后的所述零件边缘区域与所述灰度异常区域存在重合的部分,则确定重合部分对应的所述灰度异常区域为缺陷区域;
若膨胀后的所述零件边缘区域与所述灰度异常区域不存在重合的部分,则将该所述灰度异常区域去除。
可选地,所述表面划痕缺陷识别方法还包括:
分析所述灰度异常区域的外接圆长轴方向和所述零件边缘区域的方向之间的顺时针夹角;所述零件边缘区域的方向为基于高斯滤波的边缘检测算法检测出的方向;
判断所述顺时针夹角是否大于预设角度;
当所述顺时针夹角大于所述预设角度时,判定所述灰度异常区域由刀纹造成,为非缺陷区域;
当所述顺时针夹角小于或等于所述预设角度时,判定所述灰度异常区域为所述缺陷区域。
另外一方面,本发明还提供了一种视觉检测设备,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,当所述处理器执行所述计算机程序时,实现上述表面划痕缺陷识别方法。
与现有技术相比,本发明具有如下有益效果:
本发明提供的一种表面划痕缺陷识别方法及视觉检测设备,采用两个阈值范围分别对感兴趣区域进行噪声过滤,对得到的第一二值图像和第二二值图像进行生长,并且第一二值图像和第二二值图像的生长过程相互映射,当某一张图像中出现特殊像素点的时候,可以直接将该特殊像素点映射到另一张图像中,两张图像相互补充补全,最终能够得到较为全面且缺陷区域得到补强的特征强化图像,使得缺陷区域变得更加凸出和明显,有利于后续对灰度异常区域的识别和提取,增加识别的准确度。
附图说明
图1示出了本发明实施例中表面划痕缺陷识别方法的流程图;
图2示出了本发明实施例中利用表面划痕缺陷识别方法检测出的气缸表面的灰度图;
图3示出了本发明实施例中利用表面划痕缺陷识别方法检测出的另一气缸表面的灰度图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整地说明,显然,所描述的实施例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。
图1示出了本发明实施例中表面划痕缺陷识别方法的流程图,所述表面划痕缺陷识别方法包括:
S100:将获取的待测零件的表面图像转换成表面灰度图像。此时为该表面灰度图像建立坐标系,灰度图像中的各个像素点的坐标可以一一获得,在后续处理的过程中,各个像素点的坐标值不会随着处理改变,均继承此时的坐标值。
待测零件可以选用发动机气缸,采用角度光源获取待测零件的表面图像,能够更加凸显划痕特征,在通过对平面光源图像初步检测识别之后,实验发现污渍和缺损缺陷等缺陷能够检测到,但是对划痕缺陷不易检测。角度光源可增强工件表面划痕、擦伤等缺陷的对比度,所以需要进一步通过角度光源图像进行缺陷检测识别,在检测过程中调整和寻找采集角度,以使采集到的划痕缺陷更加明显。
S200:在所述表面灰度图像中使用提取模板提取感兴趣区域。在检测过程中,可以对待测零件放置位置进行限制,再加上待测零件的大小是已知的,因此在采集图像时,可以先对采集到的图像进行提取,识别待测零件所在区域位置,将该区域内的图像采用预先设置的提取模板进行提取,提取模板具有一定的大小和轮廓,也可以被设置在指定的位置区域。
S300:使用第一阈值范围和第二阈值范围分别对感兴趣区域进行滤波,输出第一二值图像和第二二值图像。采用两个阈值对感兴趣区域进行滤波,能够得到两个不同大小的图像,但是两个图像均能够包含缺陷区域。采用两个阈值,一个阈值能够精准的筛选出缺陷区域明显的区域,减少噪声干扰;另一个阈值可以尽可能保留可能是缺陷区域的地方,避免筛选力度过大,错误将不明显的缺陷区域剔除。
S400:结合所述第一二值图像和所述第二二值图像进行区域生长,输出特征强化图像。由于两个图像中均包含有缺陷区域,只是一个图像中包含的缺陷区域明显,另一个图像中除包含这些明显的区域之外,可能还包含一些不明显的缺陷区域,因此两张图像在生长的过程中,可以相互映射,当某一张图像中出现特殊像素点的时候,可以直接将该特殊像素点映射到另一张图像中,使得两张图像相互补充补全,最终能够得到较为全面且缺陷区域得到补强的特征强化图像,使得缺陷区域变得更加凸出和明显,有利于后续对灰度异常区域(即可以是缺陷区域的位置)的识别和提取,增加识别的准确度。
S500:在所述特征强化图像中识别灰度异常区域,并输出识别结果。通过生长之后,灰度异常区域变得更加明显,此时对其进行识别,能够输出更加准确的结果。
在本实施例中,采用两个阈值范围分别对感兴趣区域进行噪声过滤,对得到的第一二值图像和第二二值图像进行生长,并且第一二值图像和第二二值图像的生长过程相互映射,当某一张图像中出现特殊像素点的时候,可以直接将该特殊像素点映射到另一张图像中,两张图像相互补充补全,最终能够得到较为全面且缺陷区域得到补强的特征强化图像,使得缺陷区域变得更加凸出和明显,有利于后续对灰度异常区域的识别和提取,增加识别的准确度。
在本发明的一种实施例中,所述使用第一阈值范围和第二阈值范围分别对感兴趣区域进行滤波,输出第一二值图像和第二二值图像包括:
S310:分析所述感兴趣区域内的每个像素点的灰度值与平均灰度值之间的差值,并根据得到的所有差值计算第一平均差值。首先对第一二值图像进行生长,其中,平均灰度值的求解方法:通过将该区域所有像素点的灰度值进行累加再除以像素点个数获得;同样的,将所有像素点的灰度值与平均灰度值之间的差值进行累加再除以像素点的个数就可以得到第一平均差值。将像素点的灰度值与平均灰度值进行相减,是为了凸显不明显的异常区域。
S311:将所述第一平均差值设为所述第一阈值范围的上限,即当差值小于第一平均差值时,对应的像素点被保留,第一阈值范围可以不设下限或者设置的下限低于所要筛选的异常区域可能具有的灰度差值范围。对于气缸表面划痕而言,由于像素点灰度值为0的点代表灰度异常区域,因此要保留灰度值较小的点,而将灰度值较大的点剔除。
S312:将处于所述第一阈值范围内的所述差值对应的所述像素点作为前景,并转换成二值图像,输出为第一二值图像。
对于前景,可以简单理解为前景是你感兴趣的对象,背景却不是。举个例子:传送带上有个螺丝钉,你想检测它有没有缺陷。那这个螺丝钉就是图像中的前景,传送带就是图像中的背景。机器视觉检测时,你要把螺丝钉作为前景分割出来,然后再仔细看它有没有缺陷。在本实施例中,对感兴趣区域进行了进一步的过滤筛选,使得目标范围缩小,过滤更多的噪声点。
在本发明的一种实施例中,所述在表面灰度图像中使用提取模板提取感兴趣区域之后,还包括:
S320:统计每个灰度值对应的像素点出现的频率。
S321:根据所述频率计算所述感兴趣区域不同位置的信息熵。
S322:根据不同位置的所述信息熵辅助定位所述感兴趣区域,以使所述感兴趣区域范围缩小。根据不同位置的计算结果来辅助定位感兴趣区域,
当气缸表面没有划痕时,气缸表面较为光滑。当气缸表面有划痕时,图像灰度的分布则变得复杂。可以通过信息熵来反映图像灰度分布的复杂程度,具体做法是首先通过统计感兴趣区域内像素点(i,j)的灰度值出现的频率,然后计算发动机气缸表面不同区域的信息熵H:
其中Pi,j表示某一像素点的灰度值出现的频率。预先经验和历史数据或者实验数据的统计分析,可以预先得知划痕所在区域的信息熵范围,然后利用统计计算出的信息熵和预先设定的信息熵范围,能够辅助定位出可能出现划痕的位置,使得用提取模板的感兴趣区域缩小,减少噪声点和后期运算量。
所述使用第一阈值范围和第二阈值范围分别对感兴趣区域进行滤波,输出第一二值图像和第二二值图像包括:
S323:分析缩小后的所述感兴趣区域内的每个像素点的灰度值与平均灰度值之间的差值,并根据得到的所有差值计算第二平均差值;
S324:将所述第二平均差值设为所述第二阈值范围的上限;
S325:将处于所述第二阈值范围内的所述差值对应的所述像素点作为前景,并转换成二值图像,输出第二二值图像。
在本实施例中,与输出第一二值图像的方法相同,对缩小后的感兴趣区域进一步过滤,采用多种方式对获取的表面图像进行层层过滤,尽可能多的去除不必要的噪声点,但是这些方法又同时保证可能包含划痕的区域不被过滤,在保证准确性的基础上缩小感兴趣区域的大小,能够减少后续的计算量,提高检测的速率。
在本发明的一种实施例中,所述结合所述第一二值图像和所述第二二值图像进行区域生长,输出特征强化图像包括:
S410:结合所述第一二值图像和所述第二二值图像,按照生长像素点集生成规则,筛选出所述第一二值图像对应的第一生长像素点集和所述第二二值图像对应的第二生长像素点集。
S411:以所述第一生长像素点集为初始坐标点,对所述第一二值图像进行一次生长,将所述初始坐标点对应的所述像素点的灰度值设置为零,并记录生长后新增的所述像素点的坐标,形成第一新增坐标集。此时形成的第一新增坐标集为特殊点周围的一些点,为了使得灰度异常区域得到持续不断的生长,以围绕着特殊点的新增点为新的初始坐标点进行再次生长,形成以特殊点为中心向外辐射增长的模式,这样的增长能够将灰度异常区域适当的扩展,使得灰度异常区域变得明显。区域生长是将有相似性质的像素点合并到一起。对每一个区域要先指定一个种子点作为生长的起点,然后将种子点周围领域的像素点和种子点进行对比,将具有相似性质的点合并起来继续向外生长,直到没有满足条件的像素被包括进来为止。
S412:若生长后的所述第一二值图像中的所述像素点的灰度值为零,则将第二二值图像中对应的所述像素点的灰度值也设置为零。基于第一二值图像的特殊点,对第二二值图像中相应位置的像素点进行设置,使得第二二值图像的灰度异常区域得到补充扩展。
S413:以所述第二生长像素点集为初始坐标点,对所述第二二值图像进行一次生长,将所述初始坐标点对应的所述像素点的灰度值设置为零,并记录生长后新增的所述像素点的坐标,形成第二新增坐标集;
S414:若生长后的所述第二二值图像中的所述像素点的灰度值为零,则将第一二值图像中对应的所述像素点的灰度值也设置为零。
在本实施例中,由于第一二值图像和第二二值图像均是对同一个待测零件进行检测采集的图像,两个图像具有重叠的区域,甚至第一二值图像就包含第二二值图像的区域,只是两者通过不同的过滤手段所得,因此两个图像包含的像素点的灰度值会有所区别。此时对两个图像进行生长,是为了以特殊点为中心采用不断向外辐射的方式,将不明显的灰度异常区域适当的向外扩展,使得灰度异常区域变得明显。在生长的过程中不断识别灰度值为零的特殊像素点,一旦识别到这种特殊点,两个二值图像相互补全,以此增加两个二值图像中的特殊点,使得生长点不断增加,生长的速度更快,单次生长的区域更多。
在本发明的一种实施例中,所述生长像素点集生成规则包括:
S420:在一个二值图像中逐行检索灰度值为零的所述像素点,并记录所述像素点的坐标,形成检索像素点集;
S421:根据所述检索像素点集中所述像素点的坐标对另一个所述二值图像相应位置处的所述像素点进行标记,其坐标为p(i,j);其中,一个所述二值图像与另一个所述二值图像对应位置处的所述像素点坐标相同;
S422:访问与另一个所述二值图像中标记的所述像素点相邻的8领域像素点,其中8领域像素点的坐标为pA(m,n),i-1≤m≤i+1,j-1≤n≤j+1,分析所述8领域像素点中每个所述像素点与标记的所述像素点之间的灰度值差值;
S423:判断所述灰度值差值是否小于预设筛选值;
S424:当所述灰度值差值小于所述预设筛选值时,记录所述8领域像素点中对应的所述像素点的坐标并将所述像素点的灰度值设置为零,形成另一个所述二值图像对应的生长像素点集。
在本实施例中,1)在第二二值图像I2中,逐行检索灰度值为0的像素点并记录其坐标;
2)根据步骤1)在第二二值图像I2中获得并记录的坐标点,对第一二值图像I1中的对应坐标的像素点进行标记,并以该像素点p(i,j)为中心访问与其相邻的8邻域像素点,在第一二值图像I1中,记录8邻域像素点中满足生长条件(如满足8邻域像素点与中心的像素点之间的灰度值相似)的像素点坐标;
3)对由步骤2)获得的像素点集合对第二二值图像I2进行相应位置的映射并更改其像素值大小并进行记录。
在本发明的一种实施例中,所述结合所述第一二值图像和所述第二二值图像进行区域生长,输出特征强化图像包括:
S430:结合生长后的所述第一二值图像和生长后的所述第二二值图像,按照所述生长像素点集生成规则,筛选出新的所述第一生长像素点集和新的所述第二生长像素点;由于生长后的第一二值图像和第二二值图像中在生长后可能会出现新的像素点灰度值为零的点,需要对这些新出现的灰度值为零的像素点进行重新检索。
S431:使用新的所述第一生长像素点集和新的所述第二生长像素点分别与上一生长过程中使用的所述第一生长像素点集和所述第二生长像素点求差集,分别得到第一差集和第二差集。把新的第一生长像素点集中已经生长过的像素点坐标剔除,对新出现的一些像素点进行生长。
S432:将所述第一差集和第二差集分别与所述第一新增坐标集和所述第二新增坐标集求并集,将得到的坐标并集作为下一次生长的初始坐标点。除了新出现的灰度值为零的像素点周边的8领域像素点作为新一轮生长的初始坐标点之外,在上一生长步骤中出现的新的像素点也作为新一轮生长的初始坐标点。
S433:不断迭代生长过程,直到达到预设的生长终止条件,输出特征强化图像,其中,所述生长终止条件包括预设生长迭代的次数或初始坐标点的个数小于预期数量。迭代指定次数之后,停止迭代,完成生长,此时生长之后,灰度异常区域会凸显,不明显或者区域过小的灰度异常区域变得较为明显,易于识别。
在本发明的一种实施例中,所述在所述特征强化图像中识别灰度异常区域,并输出识别结果包括:
S510:分析所述特征强化图像的灰度值梯度强度和灰度梯度方向;
S511:当所述像素点的所述灰度值梯度强度大于或等于预设梯度强度时,则该像素点保留作为边缘点,保留的边缘点构成临时边缘区域;当所述像素点的所述灰度值梯度强度小于预设梯度强度时,则该像素点不作为边缘点。从图2可以明显看到,不管是灰度异常区域还是待测零件之外的区域,在交界处灰度值均会出现突变,梯度强度变化明显,将梯度强度变化明显的像素点保留下来。
S512:调用预设的所述待测零件的边缘特征,对所述临时边缘区域进行区分筛选,得到所述待测零件的零件边缘区域。例如待测零件的边缘为圆形,则根据圆形的直径和形状,对临时边缘区域进行比对筛选,与待测零件圆形边缘最接近的临时边缘区域可以认定为待测零件的零件边缘区域,类比该示例,当待测零件的边缘为方形或者其它形状的时候,可以预先获取待测零件的边缘特征,然后利用边缘特征的参数进行卷积筛选,从临时边缘区域中识别出零件边缘区域。
S513:判断所述临时边缘区域围合范围内的所述像素点灰度值为零的概率是否大于预设概率。
S514:当所述临时边缘区域围合范围内的所述像素点灰度值为零的概率大于预设概率,则所述临时边缘区域围合范围内的区域为灰度异常区域。由于灰度异常区域的像素点灰度值为零,因此需要对临时边缘区域内围合的像素点的灰度值进行统计分析,分析其中灰度值为零的点是不是占大多数,防止将一些临时边缘区域围合的区域误认为灰度异常区域,例如图3中,最外围有一圈形状不规则的临时边缘区域,以及内部一个黑点周围的临时边缘区域,可以看出,外围的临时边缘区域围合的范围包括光滑区域和灰度异常区域,但是灰度异常区域占比较小,因此通过统计发现,在该区域内,灰度值为零的像素点占比较小,因此外围的临时边缘区域围合的范围不是灰度异常区域,同理可以判断内部的临时边缘区域围合的范围中,灰度值为零的像素点占比较较大,可以判定该区域为灰度异常区域。
S515:对所述零件边缘区域进行膨胀处理,并分析膨胀后的所述零件边缘区域与所述灰度异常区域是否存在重合的部分。
S516:若膨胀后的所述零件边缘区域与所述灰度异常区域存在重合的部分,则确定重合部分对应的所述灰度异常区域为缺陷区域。
S517:若膨胀后的所述零件边缘区域与所述灰度异常区域不存在重合的部分,则将该所述灰度异常区域去除。由于对二值图像进行了生长,生长之后的二值图像可能会出现一些异常的空间点,这些点继续生长会构成一些线或者区域,例如在图2或者图3的垂直空间中生长延伸出一条线,这些线或者区域可能会被误认为灰度异常区域,但其实这些线或者区域不属于气缸表面的划痕,而零件边缘区域必然是属于气缸表面的,因此将零件边缘区域进行膨胀,膨胀后的零件边缘区域向周围延伸,当其与灰度异常区域有重合并且重合位置不是一个点或者一条线的时候,可以认为该灰度异常区域为缺陷区域;当膨胀后的零件边缘区域与灰度异常区域没有重合或者重合的地方仅为一条线或者一个点的时候,这部分灰度异常区域可能是由于生长产生的突变区域,不属于气缸表面,则将该所述灰度异常区域去除,进一步增强输出结果的准确性。
在本发明的一种实施例中,所述表面划痕缺陷识别方法还包括:
S600:分析所述灰度异常区域的外接圆长轴方向和所述零件边缘区域的方向之间的顺时针夹角;所述零件边缘区域的方向为基于高斯滤波的边缘检测算法检测出的方向。如图2中,利用基于高斯滤波的边缘检测算法检测出的图中的向图中左上方和右下方倾斜的模糊的线即为零件边缘区域的方向,而中间被判定为灰度异常区域的外接圆的长轴方向(即图中的黑色实线)为灰度异常区域的方向;同样的在图3中,向图中左上方和右下方倾斜的模糊的线即为零件边缘区域的方向(在图中用黑色实线描出),灰度异常区域的外接圆的长轴方向没有画出。
S610:判断所述顺时针夹角是否大于预设角度。
S620:当所述顺时针夹角大于所述预设角度时,判定所述灰度异常区域由刀纹造成,为非缺陷区域。合格零件由刀纹引起的灰度异常区域与零件表面其他区域之间的灰度值变化不明显,一般不存在边缘。但是对于存在边缘区域的合格零件,其边缘区域的方向和灰度异常区域最小外接椭圆的长轴方向的顺时针夹角在90°左右,如图2所示。
S630:当所述顺时针夹角小于或等于所述预设角度时,判定所述灰度异常区域为所述缺陷区域。如图3,对于不合格的零件,边缘区域方向和灰度异常区域外接椭圆长轴方向存在夹角较小的情况,可通过此条件辅助筛查和过滤合格和不合格的零件,进一步检验筛查出的缺陷区域是否真的为划痕,还是由刀纹引起的划痕,增强输出结果的正确性,避免将合格零件误判为不合格零件。
在本发明的一种实施例中,将上述方法设计成算法程序,将程序进行封装并在嵌入式设备上进行部署,作为视觉检测设备使用,所述视觉检测设备包括存储器、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,当所述处理器执行所述计算机程序时,实现上述表面划痕缺陷识别方法,对待测零件的表面缺陷进行检测识别,尤其是对划痕进行识别,采用fpga(属于专用集成电路中的一种半定制电路)技术进行算法加速,同时设备具有轻量化和密封性,能够在特殊的工业环境中运行。
尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种表面划痕缺陷识别方法,其特征在于,包括:
将获取的待测零件的表面图像转换成表面灰度图像;
在所述表面灰度图像中使用提取模板提取感兴趣区域,所述感兴趣区域为待测零件所在区域;
使用第一阈值范围和第二阈值范围分别对所述感兴趣区域进行滤波,输出第一二值图像和第二二值图像;
结合所述第一二值图像和所述第二二值图像进行区域生长,输出特征强化图像;
在所述特征强化图像中识别灰度异常区域,并输出识别结果;
所述结合所述第一二值图像和所述第二二值图像进行区域生长,输出特征强化图像包括:
结合所述第一二值图像和所述第二二值图像,按照生长像素点集生成规则,筛选出所述第一二值图像对应的第一生长像素点集和所述第二二值图像对应的第二生长像素点集;
以所述第一生长像素点集为初始坐标点,对所述第一二值图像进行一次生长,将所述初始坐标点对应的所述像素点的灰度值设置为零,并记录生长后新增的所述像素点的坐标,形成第一新增坐标集;
若生长后的所述第一二值图像中的所述像素点的所述灰度值为零,则将所述第二二值图像中对应的所述像素点的所述灰度值也设置为零;
以所述第二生长像素点集为所述初始坐标点,对所述第二二值图像进行一次生长,将所述初始坐标点对应的所述像素点的所述灰度值设置为零,并记录生长后新增的所述像素点的坐标,形成第二新增坐标集;
若生长后的所述第二二值图像中的所述像素点的所述灰度值为零,则将所述第一二值图像中对应的所述像素点的所述灰度值也设置为零;
结合生长后的所述第一二值图像和生长后的所述第二二值图像,按照所述生长像素点集生成规则,筛选出新的所述第一生长像素点集和新的所述第二生长像素点;
使用新的所述第一生长像素点集和新的所述第二生长像素点分别与上一生长过程中使用的所述第一生长像素点集和所述第二生长像素点求差集,分别得到第一差集和第二差集;
将所述第一差集和所述第二差集分别与所述第一新增坐标集和所述第二新增坐标集求并集,将得到的坐标并集作为下一次生长的所述初始坐标点;
不断迭代生长过程,直到达到预设的生长终止条件,输出所述特征强化图像,其中,所述生长终止条件包括预设生长迭代的次数或所述初始坐标点的个数小于预期数量;
其中,所述生长像素点集生成规则包括:
在一个二值图像中逐行检索所述灰度值为零的所述像素点,并记录所述像素点的坐标,形成检索像素点集;
根据所述检索像素点集中所述像素点的坐标对另一个所述二值图像相应位置处的所述像素点进行标记;其中,一个所述二值图像与另一个所述二值图像对应位置处的所述像素点坐标相同;
访问与另一个所述二值图像中标记的所述像素点相邻的8领域像素点,分析所述8领域像素点中每个所述像素点与标记的所述像素点之间的灰度值差值;
判断所述灰度值差值是否小于预设筛选值;
当所述灰度值差值小于所述预设筛选值时,记录所述8领域像素点中对应的所述像素点的坐标,形成另一个所述二值图像对应的生长像素点集。
2.根据权利要求1所述的表面划痕缺陷识别方法,其特征在于,所述使用第一阈值范围和第二阈值范围分别对所述感兴趣区域进行滤波,输出第一二值图像和第二二值图像包括:
分析所述感兴趣区域内的每个像素点的灰度值与平均灰度值之间的差值,并根据得到的所有差值计算第一平均差值;
将所述第一平均差值设为所述第一阈值范围的上限;
将处于所述第一阈值范围内的所述差值对应的所述像素点作为前景,并转换成二值图像,输出为所述第一二值图像。
3.根据权利要求1所述的表面划痕缺陷识别方法,其特征在于,所述在所述表面灰度图像中使用提取模板提取感兴趣区域之后,还包括:
统计每个灰度值对应的像素点出现的频率;
根据所述频率计算所述感兴趣区域不同位置的信息熵;
根据不同位置的所述信息熵辅助定位所述感兴趣区域,以使所述感兴趣区域范围缩小。
4.根据权利要求3所述的表面划痕缺陷识别方法,其特征在于,所述使用第一阈值范围和第二阈值范围分别对所述感兴趣区域进行滤波,输出第一二值图像和第二二值图像包括:
分析缩小后的所述感兴趣区域内的每个所述像素点的所述灰度值与平均灰度值之间的差值,并根据得到的所有差值计算第二平均差值;
将所述第二平均差值设为所述第二阈值范围的上限;
将处于所述第二阈值范围内的所述差值对应的所述像素点作为前景,并转换成二值图像,输出所述第二二值图像。
5.根据权利要求1-4任一项所述的表面划痕缺陷识别方法,其特征在于,所述在所述特征强化图像中识别灰度异常区域,并输出识别结果包括:
分析所述特征强化图像的灰度值梯度强度;
当像素点的所述灰度值梯度强度大于或等于预设梯度强度时,则该像素点保留作为边缘点,保留的边缘点构成临时边缘区域;
调用预设的所述待测零件的边缘特征,对所述临时边缘区域进行区分筛选,得到所述待测零件的零件边缘区域;
判断所述临时边缘区域围合范围内的所述像素点的所述灰度值为零的概率是否大于预设概率;
当所述临时边缘区域围合范围内的所述像素点的所述灰度值为零的概率大于预设概率时,则所述临时边缘区域围合范围内的区域为所述灰度异常区域;
对所述零件边缘区域进行膨胀处理,并分析膨胀后的所述零件边缘区域与所述灰度异常区域是否存在重合的部分;
若膨胀后的所述零件边缘区域与所述灰度异常区域存在重合的部分,则确定重合部分对应的所述灰度异常区域为缺陷区域;
若膨胀后的所述零件边缘区域与所述灰度异常区域不存在重合的部分,则将该所述灰度异常区域去除。
6.根据权利要求5所述的表面划痕缺陷识别方法,其特征在于,还包括:
分析所述灰度异常区域的外接圆长轴方向和所述零件边缘区域的方向之间的顺时针夹角;所述零件边缘区域的方向为基于高斯滤波的边缘检测算法检测出的方向;
判断所述顺时针夹角是否大于预设角度;
当所述顺时针夹角大于所述预设角度时,判定所述灰度异常区域由刀纹造成,为非缺陷区域;
当所述顺时针夹角小于或等于所述预设角度时,判定所述灰度异常区域为所述缺陷区域。
7.一种视觉检测设备,其特征在于,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,当所述处理器执行所述计算机程序时,实现如权利要求1-6中任一项所述的表面划痕缺陷识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211593903.6A CN115880248B (zh) | 2022-12-13 | 2022-12-13 | 一种表面划痕缺陷识别方法及视觉检测设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211593903.6A CN115880248B (zh) | 2022-12-13 | 2022-12-13 | 一种表面划痕缺陷识别方法及视觉检测设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115880248A CN115880248A (zh) | 2023-03-31 |
CN115880248B true CN115880248B (zh) | 2024-02-09 |
Family
ID=85767162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211593903.6A Active CN115880248B (zh) | 2022-12-13 | 2022-12-13 | 一种表面划痕缺陷识别方法及视觉检测设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115880248B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188475B (zh) * | 2023-05-05 | 2023-07-25 | 德中(深圳)激光智能科技有限公司 | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 |
CN117197141B (zh) * | 2023-11-07 | 2024-01-26 | 山东远盾网络技术股份有限公司 | 一种汽车零部件表面缺陷检测方法 |
CN117252877B (zh) * | 2023-11-17 | 2024-02-02 | 济南界龙科技有限公司 | 基于图像特征的二极体导线架质量检测方法 |
CN117346843B (zh) * | 2023-12-04 | 2024-02-20 | 江苏南晶红外光学仪器有限公司 | 一种镀膜玻璃检测设备及其检测方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673395A (zh) * | 2008-09-10 | 2010-03-17 | 深圳华为通信技术有限公司 | 图像拼接方法及装置 |
CN101957995A (zh) * | 2010-10-14 | 2011-01-26 | 华中科技大学 | 一种图像中关联像素点的检测提取方法及其应用 |
CN103310422A (zh) * | 2013-06-28 | 2013-09-18 | 新晨易捷(北京)科技有限公司 | 获取图像的方法及装置 |
CN105405142A (zh) * | 2015-11-12 | 2016-03-16 | 冯平 | 一种玻璃面板的边缺陷检测方法及系统 |
CN106529495A (zh) * | 2016-11-24 | 2017-03-22 | 腾讯科技(深圳)有限公司 | 一种飞行器的障碍物检测方法和装置 |
CN107527354A (zh) * | 2017-07-06 | 2017-12-29 | 长安大学 | 一种基于合成图的区域生长方法 |
CN109325930A (zh) * | 2018-09-12 | 2019-02-12 | 苏州优纳科技有限公司 | 边界缺陷的检测方法、装置及检测设备 |
CN111968144A (zh) * | 2020-09-07 | 2020-11-20 | 北京凌云光技术集团有限责任公司 | 一种图像边缘点获取方法及装置 |
CN113469921A (zh) * | 2021-09-06 | 2021-10-01 | 深圳市创世易明科技有限公司 | 图像缺陷修复方法、系统、计算机设备及存储介质 |
WO2022012240A1 (zh) * | 2020-07-16 | 2022-01-20 | 京东方科技集团股份有限公司 | 检测显示面板不良的方法及装置 |
CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
WO2022151658A1 (zh) * | 2021-01-15 | 2022-07-21 | 北京市商汤科技开发有限公司 | 一种缺陷检测方法、装置、计算机设备及计算机可读存储介质 |
CN114897847A (zh) * | 2022-05-19 | 2022-08-12 | 京东方科技集团股份有限公司 | 图像处理方法及装置、计算机可读存储介质、电子设备 |
CN115018853A (zh) * | 2022-08-10 | 2022-09-06 | 南通市立新机械制造有限公司 | 基于图像处理的机械组件缺陷检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020289853B2 (en) * | 2020-04-09 | 2022-02-03 | Sensetime International Pte. Ltd. | Matching method and apparatus, electronic device, computer-readable storage medium, and computer program |
-
2022
- 2022-12-13 CN CN202211593903.6A patent/CN115880248B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673395A (zh) * | 2008-09-10 | 2010-03-17 | 深圳华为通信技术有限公司 | 图像拼接方法及装置 |
CN101957995A (zh) * | 2010-10-14 | 2011-01-26 | 华中科技大学 | 一种图像中关联像素点的检测提取方法及其应用 |
CN103310422A (zh) * | 2013-06-28 | 2013-09-18 | 新晨易捷(北京)科技有限公司 | 获取图像的方法及装置 |
CN105405142A (zh) * | 2015-11-12 | 2016-03-16 | 冯平 | 一种玻璃面板的边缺陷检测方法及系统 |
CN106529495A (zh) * | 2016-11-24 | 2017-03-22 | 腾讯科技(深圳)有限公司 | 一种飞行器的障碍物检测方法和装置 |
CN107527354A (zh) * | 2017-07-06 | 2017-12-29 | 长安大学 | 一种基于合成图的区域生长方法 |
CN109325930A (zh) * | 2018-09-12 | 2019-02-12 | 苏州优纳科技有限公司 | 边界缺陷的检测方法、装置及检测设备 |
WO2022012240A1 (zh) * | 2020-07-16 | 2022-01-20 | 京东方科技集团股份有限公司 | 检测显示面板不良的方法及装置 |
CN111968144A (zh) * | 2020-09-07 | 2020-11-20 | 北京凌云光技术集团有限责任公司 | 一种图像边缘点获取方法及装置 |
WO2022151658A1 (zh) * | 2021-01-15 | 2022-07-21 | 北京市商汤科技开发有限公司 | 一种缺陷检测方法、装置、计算机设备及计算机可读存储介质 |
CN113469921A (zh) * | 2021-09-06 | 2021-10-01 | 深圳市创世易明科技有限公司 | 图像缺陷修复方法、系统、计算机设备及存储介质 |
CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
CN114897847A (zh) * | 2022-05-19 | 2022-08-12 | 京东方科技集团股份有限公司 | 图像处理方法及装置、计算机可读存储介质、电子设备 |
CN115018853A (zh) * | 2022-08-10 | 2022-09-06 | 南通市立新机械制造有限公司 | 基于图像处理的机械组件缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
基于SOFM神经网络的图像融合二值化方法;潘梅森;荣秋生;;光学精密工程(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115880248A (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115880248B (zh) | 一种表面划痕缺陷识别方法及视觉检测设备 | |
CN111292305B (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
CN113538433B (zh) | 基于人工智能的机械铸件缺陷检测方法及系统 | |
CN105334219B (zh) | 一种残差分析动态阈值分割的瓶口缺陷检测方法 | |
CN115345885B (zh) | 一种金属健身器材外观质量检测方法 | |
CN109239073B (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
KR20090066212A (ko) | 결함 검출 방법 및 결함 검출 장치 | |
US11747284B2 (en) | Apparatus for optimizing inspection of exterior of target object and method thereof | |
CN110717872A (zh) | 一种激光辅助定位下的v型焊缝图像特征点提取方法及提取系统 | |
CN110706224B (zh) | 基于暗场图像的光学元件弱划痕检测方法、系统和装置 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
US20230030689A1 (en) | Systems and methods for quantifying light flares in images | |
CN116993744A (zh) | 一种基于阈值分割的焊缝缺陷检测方法 | |
CN113516619A (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN110060239B (zh) | 一种用于瓶子瓶口的缺陷检测方法 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN113295698B (zh) | 一种缺陷检测方法、存储介质和检测系统 | |
CN116883446B (zh) | 一种车载摄像头镜片碾磨程度实时监测系统 | |
CN112926695A (zh) | 基于模板匹配的图像识别方法和系统 | |
CN109934817B (zh) | 一种果体外部轮廓畸形检测方法 | |
CN115619799B (zh) | 一种基于迁移学习的晶粒图像分割方法及系统 | |
CN115797314B (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
CN114202544B (zh) | 一种基于自编码器的复杂工件缺陷检测方法 | |
CN112991251B (zh) | 一种表面缺陷检测的方法、装置及设备 | |
CN115049641A (zh) | 一种用于机械零件异常检测的电数据处理方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |