CN116140225A - 一种缺陷检测系统及缺陷检测方法 - Google Patents
一种缺陷检测系统及缺陷检测方法 Download PDFInfo
- Publication number
- CN116140225A CN116140225A CN202310230176.5A CN202310230176A CN116140225A CN 116140225 A CN116140225 A CN 116140225A CN 202310230176 A CN202310230176 A CN 202310230176A CN 116140225 A CN116140225 A CN 116140225A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- light source
- image
- camera
- defect detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 130
- 230000007547 defect Effects 0.000 title claims abstract description 77
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 35
- 238000004458 analytical method Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 20
- 239000000463 material Substances 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000001678 irradiating effect Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 abstract description 5
- 230000006378 damage Effects 0.000 abstract description 4
- 208000027418 Wounds and injury Diseases 0.000 abstract description 2
- 208000014674 injury Diseases 0.000 abstract description 2
- 230000007774 longterm Effects 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000012937 correction Methods 0.000 description 8
- 238000007514 turning Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- UDHXJZHVNHGCEC-UHFFFAOYSA-N Chlorophacinone Chemical compound C1=CC(Cl)=CC=C1C(C=1C=CC=CC=1)C(=O)C1C(=O)C2=CC=CC=C2C1=O UDHXJZHVNHGCEC-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000005245 sintering Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000000748 compression moulding Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000004381 surface treatment Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种缺陷检测系统，包括检测装置和图像处理模块，其中，所述检测装置，包括载物台、远心光源、水平光源、同轴光源、相机，所述载物台用于装载工件，所述工件包括通孔工件和非通孔工件；所述远心光源开启时所述相机获得所述工件的投影图像。本发明通过机器换人，即通过自动化非接触式光学检测系统对法兰进行外观检测与尺寸测量全检，剔除不合格品，光学图像检测代替人眼，无视力要求，清晰度有保障，也避免了人工的长期劳动带来的人身损伤以及效率降低的问题；并且通过机器判定，一致性强，避免随机性，对法兰整体品质有保证。
Description
技术领域
本发明属于光学检测系统领域，涉及一种缺陷检测系统及缺陷检测方法。
背景技术
关于一种汽车配件中的法兰，其通过毛胚烧结、压制成型、车削等加工工艺制成的，在加工过程中可能存在凹坑、缺料、阴阳面、震刀、划痕等情况，这几种情况均会导致法兰达不到密封效果，安装后出现漏油后果，甚至可能存在后续用车安全隐患，因此需要进行外观缺陷检测。
目前汽车法兰生产厂家普遍采用在终检时通过人工目检方式进行此类法兰外观缺陷检测，这种人工的检测方式存在以下不足：(1)视力要求较高；(2)劳动强度大，对眼睛损害大；(3)人工判定，随机性大，法兰品质得不到保障；(4)效率低下，连续工作时间不可过长，影响生产效率；(5)越来越高的人力成本也给企业带来了很大的压力。
同时法兰产品由于其加工工艺特性，往往会存在正反两面区分、以及通孔内特征区分等，这些区分首先对于人工检测工作中会带来更多的工作量，影响效率，也会带来更大的检测误差和随机性。
发明内容
本发明为了克服现有技术的不足，提供一种缺陷检测系统及缺陷检测方法。
为了实现上述目的，本发明采用以下技术方案：一种缺陷检测系统，包括检测装置和分析处理单元，其中，
所述检测装置，包括载物台、远心光源、水平光源、同轴光源、相机，所述载物台用于装载工件，所述工件包括通孔工件和非通孔工件；所述远心光源开启时所述相机获得所述工件的投影图像，所述同轴光源开启时所述相机获得所述工件的第一表面图像，所述水平光源开启时所述相机获得所述工件的第二表面图像；
所述分析处理单元，用于根据所述投影图像检测所述工件为通孔工件或非通孔工件，用于根据所述第一表面图像检测所述工件的正面或反面以及第一类型缺陷，还用于根据所述第二表面图像检测所述工件的第二类型缺陷。
进一步的，所述同轴光源和所述远心光源分别位于所述载物台的上方和下方，且均朝向所述载物台照射，用于对工件提供垂直光照；所述水平光源位于所述载物台的上方、所述同轴光源的下方，包括组成口字形四个条形光源，用于对工件提供侧面的倾斜光照；所述相机位于所述同轴光源的上方，且朝下拍摄。
进一步的，还包括振动筛盘、传送带、光电传感器、行架机械手，所述振动筛盘设于所述传送带的其中一侧传输端，所述检测装置设于所述传送带的另一侧传输端，所述传送带的传输方向为由所述振动筛盘相所述检测装置；所述光电传感器设于所述传送带上，并与所述传送带和所述行架机械手通信连接；所述行架机械手设于所述传送带的另一侧传输端。
进一步的，所述检测装置还包括壳体，所述相机、所述同轴光源、所述水平光源、所述载物台以及所述远心光源自上而下地设置于所述壳体内；所述壳体为开口设置，还包括用于驱动所述载物台穿过所述开口伸出所述壳体外的伸缩机构，所述载物台连接于所述伸缩机构的伸缩端。
一种缺陷检测方法，应用于上述的缺陷检测系统，包括以下步骤：
S1、采用所述远心光源在所述载物台的下方朝向工件的背面照射，采用所述相机在所述载物台的上方获取工件的投影图像，所述分析处理单元调用相应的模板与工件进行匹配，根据匹配的模板判断工件为通孔工件或非通孔工件；
S2、采用所述同轴光源在所述载物台的上方朝向工件的顶面照射，采用所述相机在所述同轴光源的上方获取工件的灰度图像，所述分析处理单元判断当前面为正面或反面；
S3、采用所述同轴光源或所述水平光源在所述载物台的上方朝向工件的顶面照射，采用所述相机在所述同轴光源的上方获取工件的正面和反面的表面图像，所述分析处理单元分别对正面和反面的表面图像进行缺陷检测流程；
S3.1、工件为通孔工件时，分别对工件的正面和反面进行缺陷检测流程；
S3.2、工件为非通孔工件时，分别对工件的正面和反面进行缺陷检测流程，检测过程中，检测的当前面为工件的反面时，增加进行工件的非通孔外圆直径的测量；
S4、采用所述远心光源在所述载物台的下方朝向工件的背面照射，采用所述相机在所述载物台的上方获取工件的投影图像，所述分析处理单元根据投影图像进行尺寸测量流程。
进一步的，步骤S3中，所述表面图像包括第一表面图像和第二表面图像，第一表面图像的获取包括使用同轴光源于工件上方垂直照射时采用相机于同轴光源上方进行采集，第二表面图像的获取包括使用水平光源于工件的侧面倾斜照射时采用相机于工件上方进行采集；第一表面图像用于凹坑、缺料、震刀、阴阳面缺陷检测，第二表面图像用于划痕缺陷检测。
进一步的，凹坑、缺料缺陷采用灰度图二值化后提取像素点灰度值为0的连通域的面积进行判定；震刀、阴阳面缺陷采用将表面图像均值滤波处理后求取最佳阈值并与设定值进行比较判定；划痕缺陷采用深度学习方法进行判定。
进一步的，步骤S3.2中，根据第一表面图像测量工件的非通孔外圆直径。
综上所述，本发明的有益之处在于：
1)本发明通过机器换人，即通过自动化非接触式光学检测系统对法兰进行外观检测与尺寸测量全检，剔除不合格品，光学图像检测代替人眼，无视力要求，清晰度有保障，也避免了人工的长期劳动带来的人身损伤以及效率降低的问题；并且通过机器判定，一致性强，避免随机性，对法兰整体品质有保证。
2)本发明通过机器换人实现对法兰的正反面区分、通孔特征区分，区分工作基于检测系统的正常流程内，无需像人工检测中的增加一个检测项目而增加了检测时间，能够有效保障检测效率。
3)相机、同轴光源、远心光源、水平光源相对于载物台的合理布局，无需再进行位置的移动，只需控制各光源的通断，即可使相机获得各种光源下的图像，足够涵盖所需要进行的包括尺寸、外观等检测，结构简单合理，检测效果好。
4)振动筛盘实现对多个工件的逐个振落，传送带实现对工件的自动输送，光电传感器配合行架机械手实现对工件的识别和抓取输送，全程采用机器换人，大幅减少人工成本。
5)采用壳体容置相机和各光源，起到一定的防止外界光干扰的效果，并且伸缩结构配合行架机械手使用，使工件能在壳体外进行取放的操作，无需机械手伸入壳体内，简化机械结构，使操作更为合理。
6)检测流程中通过模板匹配对工件进行分类，再采用正反面区分工件当前状态，以根据工件的类别和状态设置最优的检测顺序方式，保证项目全检的同时合理化检测过程，相较于人工极大地提高了检测效率。
7)凹坑缺料、震刀阴阳面、划痕三种类型缺陷采用不同的光源照射方式、不同的表面处理识别方式进行区分检测，针对性强，检测精度高，检测后的出品质量高。
附图说明
图1为本发明的缺陷检测系统的示意图。
图2为缺陷检测系统中的检测装置的示意图。
图3为本发明的缺陷检测方法的流程示意图。
图4为本发明的模板匹配流程的示意图。
图5为本发明的尺寸测量流程的示意图。
图6为本发明的法兰的尺寸组成示意图。
图中标识：1、检测装置；11、远心光源；12、同轴光源；13、水平光源；14、相机；15、载物台；16、壳体；17、远心镜头；2、行架机械手；3、传送带；4、振动筛盘；5、光电传感器。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明实施例中所有方向性指示(诸如上、下、左、右、前、后、横向、纵向……)仅用于解释在某一特定姿态下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
如图1所示，一种检测系统，包括振动筛盘4、传送带3、行架机械手2、光电传感器5、检测装置1等组成，用于对被测工件(具体为法兰)进行表面缺陷的检测、合格品与不合格品的分析、统计和分拣。
本实施例中的检测系统，采用机器换人，所述振动筛盘4设置于所述传送带3的其中一个传输端，所述检测装置1设置在所述传送带3的另一个传输端，所述检测装置1内设有分析处理单元，所述分析处理单元与所述传送带3、行架机械手2、光电传感器5通信连接；在进行多个法兰的检测筛选时，通过将法兰平铺在所述振动筛盘4内，所述振动筛盘4振动将法兰依次抖落在所述传送带3上，所述传送带3将法兰朝向所述检测装置1输送；所述光电传感器5设置于所述传送带3上靠近所述检测装置1的位置，同时也是在所述行架机械手2的工作范围内，其光电检测范围覆盖该位置的传送带3上方，当法兰移动至该检测范围内时，所述光电传感器5触发所述传送带3暂停，同时触发所述行架机械手2抓取法兰放置于所述检测装置1内；当所述检测装置1完成检测后，所述分析处理单元向所述行架机械手2发送检测结果分类信号和抓取信号，所述行架机械手2根据分类信号将和合格品与不合格品分别抓取至传送带3和废料盒内。
其中，所述行架机械手2配套有控制器，该控制器用于控制所述行架机械手2的自身运动，也用于与所述分析处理单元、光电传感器5等的通信功能。
其中，所述检测装置1，包括壳体16，所述壳体16内自上而下依次固定设置有相机14、同轴光源12、水平光源13、远心光源11，所述相机14朝向正下方拍摄，具体的，所述相机14是与所述同轴光源12和所述远心光源11同轴设置；在竖直方向上的所述同轴光源12和所述远心光源11之间设置有一个载物台15，所述同轴光源12由上往下照射所述载物台15，所述远心光源11由下往上照射所述载物台15，所述水平光源13由侧面倾斜照射所述载物台15，所述载物台15上用于放置所述法兰，所述同轴光源12、所述远心光源11、所述水平光源13分别为所述法兰提供正面、背面、侧面的光线照射。
进一步的，所述载物台15应采用透光材料，或设置为透明，以至少供所述远心光源11的光线能够照射到所述相机14处。
所述水平光源13由四个条形光源组合而成，形成口字形，所述法兰放置于所述载物台15上时，所述法兰应位于口字形的内部，进而使所述水平光源13能够为所述法兰提供侧向倾斜的照射。
在本实施例的整个检测系统中，所述相机14、所述远心光源11、所述同轴光源12、所述水平光源13均与所述分析处理单元通信连接，受所述分析处理单元控制；为了保证各种光源下的工件图像清晰度，所述远心光源11、所述同轴光源12、所述水平光源13采用择一开启的方式，具体如下：
有且仅有所述远心光源11开启时(第一照射情况)，所述相机14在工件的上方采集远心光源11照射下的工件的图像(投影图像)，在投影图像中只有法兰的区域为黑色，其他区域为白色，进而能够清晰地凸显出法兰的边缘；
有且仅有所述同轴光源12开启时(第二照射情况)，所述相机14在所述同轴光源12的上方向下采集所述法兰的上表面的一种图像，即位于工件上方的同轴光源12产生的垂直光打在法兰的上表面上后相机14所能拍摄到的图像(第一表面图像)，可以凸显凹坑、缺料、震刀、阴阳面等缺陷；
有且仅有所述水平光源13开启时(第三照射情况)，所述相机14在所述水平光源13的上方向下采集所述法兰的上表面的另一种图像，即位于工件侧面的水平光源13产生的侧面光倾斜打在法兰的上表面上后相机14所能拍到的图像(第二表面图像)，可以凸显出划痕等缺陷。
针对这三种可以采集的图像中，能够实现对所述法兰进行缺陷检测，所述检测装置1内的所述分析处理单元根据所述相机14采集的图像进行检测分析；所述检测具体包括通孔检测、正反面检测、尺寸测量、凹坑检测、缺料检测、震刀检测、阴阳面检测、划痕检测等。
本实施例中的所述法兰具体为一种用于紧固油盖的法兰，是通过毛胚烧结、压制成型、车削等加工工艺制成的，而在加工过程中可能存在以下情况：毛培生产过程中出现凹坑、缺料情况；各工序流转造成平面的划伤情况；对于可返工的不合格加工平面，再经加工后由于加工余量偏少造成阴阳面情况；加工过程中刀具损坏导致出现震刀情况；加工过程中出现尺寸超差情况，因此需要通过上述的所述缺陷检测进行合格品和不合格品的区分。
另外，本实施例中的所述法兰由于本身工艺下具有正反面，因此需要进行区分；并且所述法兰还包括通孔法兰和非通孔法兰两种，即通孔法兰具有一个内壁光滑的圆孔，非通孔法兰具有一个内壁上设有螺纹或凸缘等特征的圆孔(即圆孔的尺寸上包括内圆和外圆)，因此也需要进行区分。
对于通孔和非通孔的区分，是在第一照射情况下，在所述投影图像中进行一个模板匹配流程，进而根据匹配到的模板来判断所述法兰是为通孔法兰还是非通孔法兰；并且，在对法兰进行模板匹配后，所述分析处理单元会根据法兰类型生成分类信号，以在后续检测流程后控制所述行架机械手2将其分拣并统计。
采用上述缺陷检测系统所执行的一种缺陷检测方法，包括以下步骤：
S1、开启远心光源11，相机14采集工件的投影图像，根据投影图像进行模板匹配流程，判断工件为通孔或非通孔；
S2、开启同轴光源12，相机14采集工件的第一表面图像，根据第一表面图像进行灰度值统计分析，判断工件为正面或反面；
S3、开启同轴光源12，相机14采集工件的第一表面图像，根据第一表面图像进行缺陷检测流程，判断工件是否存在凹坑、缺料、震刀、阴阳面四种缺陷；开启水平光源13，相机14采集工件的第二表面图像，根据第二表面图像进行缺陷检测流程，判断工件是否存在划痕缺陷；
S4、将工件翻面；
S5、开启同轴光源12，相机14采集工件的第一表面图像，根据第一表面图像进行缺陷检测流程，判断工件是否存在凹坑、缺料、震刀、阴阳面四种缺陷；开启水平光源13，相机14采集工件的第二表面图像，根据第二表面图像进行缺陷检测流程，判断工件是否存在划痕缺陷；
S6、开启远心光源11，相机14采集工件的投影图像，根据投影图像进行尺寸检测流程，判断工件的尺寸是否合规；
S7、开启同轴光源12，相机14采集工件的第一表面图像，根据第一表面图像进行非通孔外圆直径的测量。
其中，步骤S6可以在步骤S2、S3、S4、S5中的任何一个的之前或之后进行。
其中，当工件连续进行了步骤S1和步骤S2之后，若此时工件被判断为非通孔工件且当前面为正面，则步骤S7放在步骤S4之后进行；若此时工件被判断为非通孔工件且当前面为反面，则步骤S7放在步骤S2和步骤S4之间进行。
其中，步骤S1中的所述模板匹配流程包括以下步骤：
S1.1、对待检灰度图像中的每个像素点进行灰度二值化，即大于灰度值100的像素点灰度值至1，反之至0；
S1.2、采用Sobe l边缘检测算法，得到灰度梯度图像；
S1.3、对灰度梯度图像进行找轮廓处理，获得工件的外轮廓点集和内轮廓点集信息；
S1.4、求得工件外轮廓的最小外接矩形，包括最小外接矩形的中心点，旋转角度，长度和宽度，以及求得最大内轮廓的最小外接圆面积；
S1.5、遍历已制作好的各个模板模型，将模板的最小外接矩形面积和长宽比信息均与工件的比较，若面积比值或长宽比比值有其一不在98％至102％范围内，则判定为匹配失败，继续遍历下一个模板，若它们比值均满足98％至102％范围，则进一步将此模板的最大内轮廓的最小外接圆面积与工件的比较，若比值满足98％至102％范围，则判定匹配成功，否则判定为匹配失败，继续遍历下一个模板；
S1.6、若遍历到某一模板时，匹配成功，则结束遍历并输出模板匹配的信息；若遍历完全部模板，都没有匹配成功，则界面提示模板匹配失败。
其一，轮廓查找算法是调用开源算法库Opencv中的找轮廓函数实现的，其查找轮廓原理是对于一幅背景为黑色、目标为白色的二值图像，如果在图中找到一个白色点，且它的8邻域(或4邻域)也均为白色，则说明该点是目标的内部点，将其置为黑色，视觉上就像内部被掏空一样；否则保持白色不变，该点是目标的边界点(或称轮廓点)，按上述方法遍历全图，会得到每一个轮廓(或称轮廓点集)，并以点向量方式存储，除此也得到一个图像的拓扑信息，即一个轮廓的后一个轮廓、前一个轮廓、父轮廓和内嵌轮廓的索引编号。
其二，步骤S1.1中具体是指将所述灰度二值化后的检测区域图像变为黑白两色图像，灰度值为0表示黑色，灰度值为255表示白色；再对二值化后的检测区域图像做Sober边缘检测处理。
所述Sober边缘检测处理过程如下：
S1.2.1、假设矩阵A表示检测区域图像的像素值矩阵；
S1.2.2、分别求水平方向(x)和垂直方向(y)的导数；
水平方向：将A与一个大小为3的内核进行卷积，如式(1)：
式(1)中，Gx代表水平方向的灰度梯度值。
垂直方向：将A与一个大小为3的内核进行卷积，如式(2)：
式(2)中，Gy代表垂直方向的灰度梯度值。
图像的每一个像素的水平方向和垂直方向的灰度梯度值通过以下公式(3)结合，来计算该点灰度梯度值。
式(3)中，G代表当前像素点的灰度梯度值。
步骤S2中，对于正反面检测，是由于在非通孔工件的情况下，对于非通孔的外圆直径的测量，需要从反面的方向进行，进而需要区分法兰的正反面，具体的，是在第二照射情况下，在所述第一表面图像中对所述法兰的表面进行灰度值的统计，根据灰度值的平均值进行比对以判断当前面为正面还是反面。
步骤S6中，参照图5和图6，所述尺寸检测流程包括以下步骤：
S6.1、获取工件的ROI区域信息；
S6.1.1、工件RO I区域信息为工件外轮廓点集的最小外接矩形信息；
S6.2、根据模板的位置信息对于当前工件图像进行位置修正；
S6.2.1、位置修正是一个辅助定位、修正目标运动偏移、辅助精准定位的工具；可以根据模板匹配结果中的匹配模板的中心点和匹配模板的角度建立位置偏移的基准，然后实现ROI区域的坐标旋转偏移，也就是让RO I区域能够跟上图像角度和像素的变化；
S6.3、位置修正后，左中右三个圆的检测框区域也相应进行了位置修正，根据位置修正后的各检测框区域，从工件所有内轮廓点集中，筛选出左中右三个圆的边缘轮廓点集；
S6.4、利用获得的左侧圆轮廓点集，对于左侧圆进行圆拟合获得圆1；利用获得的中间圆轮廓点集，对于中间圆进行圆拟合获得圆2；利用获得的右侧圆轮廓点集，对于右侧圆进行圆拟合获得圆3；
S6.5、根据圆心信息获得圆1到圆2的圆心距；根据圆心信息获得圆2到圆3的圆心距；
S6.6、位置修正后，工件的四条长边的检测框区域也相应进行了位置修正，根据位置修正后的各检测框区域，从工件外轮廓点集中筛选提取工件的四条长边的各自轮廓点集；
S6.7、利用获得的工件四条长边各自轮廓点集，对于工件的四条长边进行拟合,获得直线1,2,3,4；
S6.8、通过直线1,2,3,4拟合四边形；
S6.9、获取四边形的长对角线1与短对角线2；
S6.10、根据对角线1的角度与位置信息对于工件进行边缘查找；
S6.10.1、边缘查找是根据对角线1的直线方程求出与工件外轮廓点集相交的点,得到左侧的交点为左边缘,右侧的为右边缘；
S6.11、根据左边缘点与右边缘点的距离得到工件长度；
S6.12、根据对角线2的角度与位置信息对于工件进行边缘查找；
S6.12.1、边缘查找是根据对角线2的直线方程求出与工件边缘点集相交的点,得到上方的交点为上边缘,下方的交点为下边缘；
S6.13、根据上边缘与下边缘的距离得到工件宽度；
S6.14、输出所有测量的尺寸信息。
其中，步骤S6.4中运用的圆拟合方法和步骤S6.7中运用的直线拟合方法，是通过Ransac算法原理结合最小二乘法原理实现。
具体的，步骤S6.4中，圆拟合方法如下：
S6.4.1、设对应检测区域中提取的轮廓点集
有n个像素点，其中点(xj,yj)表示轮廓点集中第j个像素点，假设所求圆方程为：(x-A)2+(y-B)2＝R2，其中A表示圆心横坐标点，B表示圆心纵坐标点，R表示圆半径；
S6.4.2、在n个像素点中随机抽取三个点，代入圆方程(x-A)2+(y-B)2＝R2，求得A、B和R；
S6.4.3、计算其它点到该圆的距离，小于一定阈值(本实施例阈值设为2个像素)，当做内点，统计内点个数；
S6.4.4、重复上述步骤S6.4.2至步骤S6.4.3M次，获得点数最多的内点集；
S6.4.5、将点数最多的内点集
运行最小二乘法可得
其中，C、D、E、G、H、a、b、c均为A、B以及R的推导过程中的中间计算参量，即将A、B以及R的计算公式合理拆分后用于指代每个拆分公式的参量。
即得所求圆方程(x-A)2+(y-B)2＝R2，
其中点(xi,yi)表示内点集中第i个像素点,N表示内点集中的像素点个数；
M的取值可以由下式估计
其中，p表示内点的概率，p2表示3个点都是内点的概率，1-p3表示3个至少有一个外点(采样失败)的概率，z＝1-(1-p3)M表示M次采样至少有一次成功的概率；
本实施例中假设p＝0.8,z＝0.99,则M取值可为7。
具体的，步骤S6.7中，直线拟合方法如下：
S6.7.1、设对应检测区域中提取的轮廓点集
有n个像素点，其中点(xj,yj)表示轮廓点集中第j个像素点，假设所求直线方程为：y＝a*x+b，其中a表示所求直线斜率，b表示常量；
S6.7.2、在n个像素点中随机抽取两个点，代入直线方程y＝a*x+b，求得a和b；
S6.7.3、计算其它点到该直线的距离，小于一定阈值(本实施例阈值设为2个像素)，当做内点，统计内点个数；
S6.7.4、重复上述步骤S6.7.2至步骤S6.7.3M次，获得点数最多的内点集；
S6.7.5、将点数最多的内点集
运行最小二乘法可得
即得所求直线方程y＝a*x+b；
其中点(xi,yi)表示内点集中第i个像素点,N表示内点集中的像素点个数；
M的取值可以由下式估计
其中，p表示内点的概率，p2表示2个点都是内点的概率，1-p2表示2个至少有一个外点(采样失败)的概率，
z＝1-(1-p2)M表示M次采样至少有一次成功的概率；
本实施例中假设p＝0.8,z＝0.99,则M取值可为5。
综上，对于上述的圆拟合直线拟合过程，若只是运用最小二乘法对圆或直线进行拟合，当工件边缘局部存在小毛刺、小凸点或小凹点时，会使得提取的轮廓用于拟合时存在离群点，这种情况会导致拟合不准确；而本文的方法是先通过Ransac算法思想，根据设定从检测对象(轮廓点集)随机提取一个轮廓点是内点(非离群点)的概率p和M次采样至少有一次成功的概率z,获知抽样次数M，再统计出点数最多的内点集，然后进行最小二乘法拟合，这样能够有效剔除离群点，提高拟合精度，即提高了测量精度。
在步骤S3/S5中，对于凹坑检测和缺料检测，在第二照射情况下，凹坑、缺料处的光反射回相机14感光面较少，故它们所占区域比其他正常区域亮度偏暗较多，即其所包含的像素点灰度值相较于其他正常区域偏小较大值，所以采用按设定值(本实施例中优选为80)进行灰度图二值化，即大于该设定值的像素点灰度值置为1，不大于该设定值的像素点灰度值置为0,再提取像素点灰度值为0的连通域，若所提取的连通域面积大于设定值(本实施例中优选为1.5mm2)，即判定为凹坑或缺料。
在步骤S3/S5中，对于震刀检测和阴阳面检测，在第二照射情况下，震刀、阴阳面区域，由于加工过度，失去了表面固有的圏晕型浅纹路，使得它们呈现的亮度相对其他正常区域偏亮，即其所包含的像素点灰度值相较于其他正常区域偏大，所以先对灰度图像进行均值滤波处理，再采用最大类间方差求取灰度阈值化的最佳阈值k*，接着判断k*是否在设定范围内(本实施例中优选的设定范围为100至180)，若否，则判定不存在震刀、阴阳面区域，若是，则存在所述缺陷，利用所求取的k*统计震刀、阴阳面所占区域大小，若大于设定值(本实施例中优选为4mm2)，则判定为震刀或阴阳面缺陷区域，否者，所占区域过小，判定为不存在所述缺陷。
其中，所述均值滤波为遍历灰度图像中的每个像素点，对每个像素点均做如下处理：把该像素点称为目标像素点，以目标像素点为中心，结合目标像素点周围八个像素点构成滤波模板，再用该模板中的全体像素点的灰度平均值代替目标像素点灰度值。
所述最大类间方差法求取灰度阈值化的最佳阈值k*的实现思路如下：
对于所述灰度图像有256个灰度级[1,2,...,256]。灰度级为i的像素点的个数为ni，那么总的像素点个数即为
使用归一化的灰度级直方图并且视为这幅图像的概率分布：
其中，式(4)中pi代表这幅图像中灰度级为i的概率。
现在假设通过一个灰度级为k的阈值将这些像素点划分为两类：C0和C1；C0表示灰度级为[1,2,...,k]的像素点，C1表示灰度级为[k+1,...,256]的像素点。那么，每一类出现的概率以及各类的平均灰度级分别由下式给出：
其中，式(5)中ω0代表C0出现的概率，ω(k)代表灰度级从1到k的累积出现的概率。
其中，式(6)中ω1代表C1出现的概率。
其中，式(7)中μ0代表C0的平均灰度级，μ(k)代表灰度级从1到k的平均灰度级。
其中，式(8)中μ1代表C1的平均灰度级，μT代表整幅图像的平均灰度级。
分别为灰度级从1到k的累积出现概率和平均灰度级(一阶累积矩)，而
是整副图像的平均灰度级。
对于任意选定的k，都有：
ω0μ0+ω1μ1＝μT，ω0+ω1＝1. (12)
选取以下(13)式中的η作为评价选择k作为阈值的“好坏”(分离性)的测量标准
其中，
代表类间方差，
代表灰度级总方差：
又根据式(12)，可以得出：
这两个式子分别是类间方差和灰度级总方差。
使用下面的公式选择不同的k值顺序搜索，根据式(9)和(10)，寻找最佳阈值k*使得η取得最大值，或者等价于使得
达到最大。
并且，最佳阈值k*就是
其中，震刀和阴阳面缺陷会在工件加工中产生，而工件的正面为加工面，因此进一步的，本实施例的震刀和阴阳面缺陷检测只于工件的正面进行，并且，在缺陷检测流程中，先一步进行凹坑和缺料的缺陷检测，剔除具有凹坑、缺料的工件后，再进行震刀和阴阳面的缺陷检测，以保证震刀和阴阳面缺陷检测的精确性。
在步骤S3/S5中，对于划痕检测，在第三照射情况下，划痕处的光反射回相机14感光面较多，其他正常区域光反射回相机14感光面较少，但考虑到有可能同时存在形状不一、深浅不一的划痕缺陷，其和正常区域的区分度并不大，故采用深度学习的方法进行检测，在对灰度图像的缺陷目标做标注流程中，先对灰度图像做形态学闭运算，使得一些断续划痕可以连接起来，呈现完整；模型训练好后，进行检测时，对要检测的灰度图像也先做形态学闭运算再调用模型进行检测；具体来说，根据训练好的模型大小(比如模型大小是5个像素乘以5个像素的矩阵规模)，去遍历形态学闭运算处理后的灰度图像，若灰度图像中某一区域与模型的置信度达到90％，则判定为划痕，反之不是。
其中，上述提到的深度学习模型的训练流程包括以下步骤：
S3/5.1采集大量划痕样本图像；
S3/5.2标注所有样本图像中划痕所在区域；
S3/5.3标注后的数据和图像输入至骨干网络；
S3/5.4在网络中对训练集中的样本图像进行归一化并缩放至32的整数倍大小；
S3/5.5设置边界回归模块中初始候选框的宽高；
S3/5.6开始迭代训练预测模型；
S3/5.7完成训练后生成预测模型并导出；
S3/5.8使用预测模型对实际检测图像进行推理；
S3/5.9判断检测准确度是否超过95％；
S3/5.10若准确度低于95％时进入步骤S3/5.11,高于95时进入步骤S3/5.14；
S3/5.11对于漏检的划痕重新标注；
S3/5.12正常区域误检为划痕的去除标注；
S3/5.13将重新标注的图像进入步骤S3/5.3；
S3/5.14训练完成。
另外，本实施例中的所述检测装置1中，将三种光源和相机14设置在壳体16内，是为了获得良好的照射效果，避免外界环境光等的干扰，避免影响到检测的精确度，而在设置了所述壳体16后，对于所述行架机械手2将法兰移送至壳体16内的所述载物台15上的动作具有一定的局限性，受限于所述行架机械手2的灵活度，因此本实施例中还包括伸缩机构，其安装于所述载物台15上，与所述分析处理单元通信连接，用于驱动所述载物台15向所述壳体16外伸出，以方便所述行架机械臂将法兰在所述载物台15上的移送和翻面工作；本实施例中所述伸缩机构具体可优选为电动直线滑轨。
需要补充的是，为了所述相机14能够获得更好的图像信息，所述相机14的拍摄端还设有远心镜头17，当工件放置在所述载物台15上时，碍于机器精度等影响，其放置位置无法达到统一的与相机14拍摄方向同轴的效果，即放歪的情况，这种情况下，会对上述的各种检测结果产生一定影响，特别是尺寸测量中，当工件放歪后，工件的侧面也会一并被拍摄，并容易被合并入工件的上表面范围内，进而造成尺寸测量误差；因此本实施例采用远心镜头17加装于相机14的拍摄端，利用远心镜头17的高分辨率、超宽景深、超低畸变以及独有的平行光设计等特点，降低工件放歪后对相机14获取图像造成的影响。
显然，所描述的实施例仅仅是本发明的一部分实施例，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，都应当属于本发明保护的范围。
Claims (8)
1.一种缺陷检测系统，其特征在于，包括检测装置和分析处理单元，其中，所述检测装置，包括载物台、远心光源、水平光源、同轴光源、相机，所述载物台用于装载工件，所述工件包括通孔工件和非通孔工件；所述远心光源开启时所述相机获得所述工件的投影图像，所述同轴光源开启时所述相机获得所述工件的第一表面图像，所述水平光源开启时所述相机获得所述工件的第二表面图像；
所述分析处理单元，用于根据所述投影图像检测所述工件为通孔工件或非通孔工件，用于根据所述第一表面图像检测所述工件的正面或反面以及第一类型缺陷，还用于根据所述第二表面图像检测所述工件的第二类型缺陷。
2.根据权利要求1所述的一种缺陷检测系统，其特征在于，所述同轴光源和所述远心光源分别位于所述载物台的上方和下方，且均朝向所述载物台照射，用于对工件提供垂直光照；所述水平光源位于所述载物台的上方、所述同轴光源的下方，包括组成口字形四个条形光源，用于对工件提供侧面的倾斜光照；所述相机位于所述同轴光源的上方，且朝下拍摄。
3.根据权利要求1所述的一种缺陷检测系统，其特征在于，还包括振动筛盘、传送带、光电传感器、行架机械手，所述振动筛盘设于所述传送带的其中一侧传输端，所述检测装置设于所述传送带的另一侧传输端，所述传送带的传输方向为由所述振动筛盘相所述检测装置；所述光电传感器设于所述传送带上，并与所述传送带和所述行架机械手通信连接；所述行架机械手设于所述传送带的另一侧传输端。
4.根据权利要求3所述的一种缺陷检测系统，其特征在于，所述检测装置还包括壳体，所述相机、所述同轴光源、所述水平光源、所述载物台以及所述远心光源自上而下地设置于所述壳体内；所述壳体为开口设置，还包括用于驱动所述载物台穿过所述开口伸出所述壳体外的伸缩机构，所述载物台连接于所述伸缩机构的伸缩端。
5.一种缺陷检测方法，应用于权利要求1-4中任一所述的缺陷检测系统，其特征在于，包括以下步骤：
S1、采用所述远心光源在所述载物台的下方朝向工件的背面照射，采用所述相机在所述载物台的上方获取工件的投影图像，所述分析处理单元调用相应的模板与工件进行匹配，根据匹配的模板判断工件为通孔工件或非通孔工件；
S2、采用所述同轴光源在所述载物台的上方朝向工件的顶面照射，采用所述相机在所述同轴光源的上方获取工件的灰度图像，所述分析处理单元判断当前面为正面或反面；
S3、采用所述同轴光源或所述水平光源在所述载物台的上方朝向工件的顶面照射，采用所述相机在所述同轴光源的上方获取工件的正面和反面的表面图像，所述分析处理单元分别对正面和反面的表面图像进行缺陷检测流程；
S3.1、工件为通孔工件时，分别对工件的正面和反面进行缺陷检测流程；
S3.2、工件为非通孔工件时，分别对工件的正面和反面进行缺陷检测流程，检测过程中，检测的当前面为工件的反面时，增加进行工件的非通孔外圆直径的测量；
S4、采用所述远心光源在所述载物台的下方朝向工件的背面照射，采用所述相机在所述载物台的上方获取工件的投影图像，所述分析处理单元根据投影图像进行尺寸测量流程。
6.根据权利要求5所述的一种缺陷检测方法，其特征在于，步骤S3中，所述表面图像包括第一表面图像和第二表面图像，第一表面图像的获取包括使用同轴光源于工件上方垂直照射时采用相机于同轴光源上方进行采集，第二表面图像的获取包括使用水平光源于工件的侧面倾斜照射时采用相机于工件上方进行采集；第一表面图像用于凹坑、缺料、震刀、阴阳面缺陷检测，第二表面图像用于划痕缺陷检测。
7.根据权利要求6所述的一种缺陷检测方法，其特征在于，凹坑、缺料缺陷采用灰度图二值化后提取像素点灰度值为0的连通域的面积进行判定；震刀、阴阳面缺陷采用将表面图像均值滤波处理后求取最佳阈值并与设定值进行比较判定；划痕缺陷采用深度学习方法进行判定。
8.根据权利要求6所述的一种缺陷检测方法，其特征在于，步骤S3.2中，根据第一表面图像测量工件的非通孔外圆直径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310230176.5A CN116140225A (zh) | 2023-03-10 | 2023-03-10 | 一种缺陷检测系统及缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310230176.5A CN116140225A (zh) | 2023-03-10 | 2023-03-10 | 一种缺陷检测系统及缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116140225A true CN116140225A (zh) | 2023-05-23 |
Family
ID=86350644
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310230176.5A Pending CN116140225A (zh) | 2023-03-10 | 2023-03-10 | 一种缺陷检测系统及缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116140225A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117473345A (zh) * | 2023-12-27 | 2024-01-30 | 山东顺发重工有限公司 | 基于数据分析的法兰锻造缺陷检测方法 |
| CN118190959A (zh) * | 2024-03-29 | 2024-06-14 | 广东九通智能装备有限公司 | 一种基于视觉检测的发动机零件错漏装检测方法 |
-
2023
- 2023-03-10 CN CN202310230176.5A patent/CN116140225A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117473345A (zh) * | 2023-12-27 | 2024-01-30 | 山东顺发重工有限公司 | 基于数据分析的法兰锻造缺陷检测方法 |
| CN117473345B (zh) * | 2023-12-27 | 2024-03-22 | 山东顺发重工有限公司 | 基于数据分析的法兰锻造缺陷检测方法 |
| CN118190959A (zh) * | 2024-03-29 | 2024-06-14 | 广东九通智能装备有限公司 | 一种基于视觉检测的发动机零件错漏装检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110935644B (zh) | 一种基于机器视觉的轴承滚针尺寸检测系统及方法 | |
| CN116140225A (zh) | 一种缺陷检测系统及缺陷检测方法 | |
| CN109357630B (zh) | 一种多类型工件批量视觉测量系统及方法 | |
| CN102539443B (zh) | 基于机器视觉的瓶身缺陷自动检测方法 | |
| CN110389127B (zh) | 一种金属陶瓷零件识别及表面缺陷检测系统和方法 | |
| CA2151344C (en) | Lens inspection system and method | |
| US5926556A (en) | Systems and methods for identifying a molded container | |
| Liu et al. | Automatic detection technology of surface defects on plastic products based on machine vision | |
| CN108896574B (zh) | 一种基于机器视觉的瓶装白酒杂质检测方法及系统 | |
| CN102529019B (zh) | 一种模具检测、保护及零件检测、摘取的方法 | |
| CN110146516B (zh) | 基于正交双目机器视觉的水果分级装置 | |
| CN111340798A (zh) | 深度学习在产品外观瑕疵检测中的应用 | |
| CN111612737B (zh) | 一种人造板表面瑕疵检测装置及检测方法 | |
| CN114705686B (zh) | 圆柱锅表面缺陷检测方法、系统、控制器及工控机 | |
| KR20010024617A (ko) | 자동 렌즈 검사 시스템 | |
| JPS62184908A (ja) | タイヤの自動判別方法 | |
| CN102305798A (zh) | 基于机器视觉的玻璃缺陷的检测与分类方法 | |
| CN210071686U (zh) | 基于正交双目机器视觉的水果分级装置 | |
| CN109693140A (zh) | 一种智能化柔性生产线及其工作方法 | |
| Stavropoulos et al. | A vision-based system for real-time defect detection: a rubber compound part case study | |
| CN116237266A (zh) | 一种法兰尺寸测量方法及其设备 | |
| CN111239142A (zh) | 膏体外观缺陷检测设备及方法 | |
| CN110096980A (zh) | 字符检测识别系统 | |
| EP0686841A2 (en) | System and method for inspecting lenses | |
| JP2009258069A (ja) | 紡糸口金の孔内異物の検査装置および検査方法 |
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 |