CN116188472B - 一种数控机床零件的在线视觉检测方法 - Google Patents

一种数控机床零件的在线视觉检测方法 Download PDF

Info

Publication number
CN116188472B
CN116188472B CN202310488517.9A CN202310488517A CN116188472B CN 116188472 B CN116188472 B CN 116188472B CN 202310488517 A CN202310488517 A CN 202310488517A CN 116188472 B CN116188472 B CN 116188472B
Authority
CN
China
Prior art keywords
edge
point
corner
partition
points
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
Application number
CN202310488517.9A
Other languages
English (en)
Other versions
CN116188472A (zh
Inventor
李艳春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi Huixing Intelligent Equipment Co ltd
WUXI KANGBEI ELECTRONIC EQUIPMENT CO Ltd
Original Assignee
Wuxi Huixing Intelligent Equipment Co ltd
WUXI KANGBEI ELECTRONIC EQUIPMENT CO Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuxi Huixing Intelligent Equipment Co ltd, WUXI KANGBEI ELECTRONIC EQUIPMENT CO Ltd filed Critical Wuxi Huixing Intelligent Equipment Co ltd
Priority to CN202310488517.9A priority Critical patent/CN116188472B/zh
Publication of CN116188472A publication Critical patent/CN116188472A/zh
Application granted granted Critical
Publication of CN116188472B publication Critical patent/CN116188472B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Numerical Control (AREA)

Abstract

本发明涉及图像数据处理技术领域，提出了一种数控机床零件的在线视觉检测方法，包括：采集零件表面图像，获取零件边缘图像；根据零件边缘图像获取若干原始角点，对零件边缘图像进行分区，根据分区及原始角点获取每个分区的角点密度；根据每个分区每条边缘上每个像素点的曲率及位置，获取同一边缘上任意两个像素点的相似程度，根据相似程度截取每条边缘得到若干近似边缘及其终止点，根据终止点分布获取每个终止点的角点选取程度；根据角点选取程度及角点密度对每个分区的角点数量进行扩充，获取零件角点图像，根据零件角点图像完成零件的质量检测。本发明旨在解决曲率变化平缓时角点检测不准确而影响零件质量检测的问题。

Description

一种数控机床零件的在线视觉检测方法
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种数控机床零件的在线视觉检测方法。
背景技术
数控机床进行零件加工过程中，加工完成的零件需要检测出刀痕位置，通过刀痕的完整性以及平整性来判断加工过程中刀具移动是否正常，进而通过刀痕位置来对零件质量进行评价，现有方法中通常通过计算机视觉来实现刀痕位置的检测。
现有计算机视觉方法中通常采用CSS角点检测方法进行刀痕位置检测，通过边缘曲率变化筛选特征位置作为角点；然而机加工零件经常存在平滑的走刀边缘，导致曲率变化较缓，进而导致角点获取数量不足而难以保证匹配精度；因此需要综合刀痕走势对边缘中关键位置进行定位分析，在平滑边缘的情况下筛选出刀痕走势关键位置，在曲率变化平缓时扩充足够的角点数量，确保CSS角点检测的数量而满足匹配精度。
发明内容
本发明提供一种数控机床零件的在线视觉检测方法，以解决现有的曲率变化平缓时角点检测不准确而影响零件质量检测的问题，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数控机床零件的在线视觉检测方法，该方法包括以下步骤：
采集零件表面图像，根据零件表面图像获取零件边缘图像；
根据零件边缘图像检测获取若干原始角点，对零件边缘图像进行均等分区，根据原始角点及分区获取每个分区的角点密度；
获取每个分区每条边缘上每个像素点的曲率，将每个像素点与边缘上相邻下一个像素点在曲率上的差值绝对值记为每个像素点的曲率差异，根据曲率差异与像素点的位置获取每条边缘上任意两个像素点的相似程度，根据每条边缘上任意两个像素点的相似程度对边缘进行截取，获取每条边缘上的若干近似边缘，根据每个分区中每条近似边缘的终止点，获取每个分区中每个终止点的角点选取程度；
根据角点选取程度及角点密度对每个分区的角点数量进行扩充，将扩充得到的角点及原始角点记为检测角点，标记检测角点的零件边缘图像记为零件角点图像，根据零件角点图像完成零件的质量检测。
可选的，所述根据原始角点及分区获取每个分区的角点密度，包括的具体方法为：
获取零件边缘图像的像素点总数量，获取分区数量，将像素点总数量与分区数量的比值记为每个分区的面积；
获取每个分区的原始角点数量，将原始角点数量与像素点数量的比值记为每个分区的角点密度，获取每个分区的角点密度。
可选的，所述根据曲率差异与像素点的位置获取每条边缘上任意两个像素点的相似程度，包括的具体方法为：
将任意一条边缘记为目标边缘，获取目标边缘上第
Figure SMS_1
个像素点与第
Figure SMS_2
个像素点的相 似程度
Figure SMS_3
的计算方法为：
Figure SMS_4
其中，
Figure SMS_7
表示目标边缘上第
Figure SMS_10
个像素点的曲率差异，
Figure SMS_13
表示目标边缘上第
Figure SMS_6
个像素 点的曲率差异，
Figure SMS_8
表示目标边缘上第
Figure SMS_11
个像素点与第
Figure SMS_14
个像素点的欧式距离，将
Figure SMS_5
记为目标边缘上第
Figure SMS_9
个像素点与第
Figure SMS_12
个像素点的相近程度，
Figure SMS_15
表示归一 化处理，归一化对象为目标边缘上任意两个像素点的相近程度。
可选的，所述获取每条边缘上的若干近似边缘，包括的具体方法为：
以边缘
Figure SMS_17
为例，从边缘
Figure SMS_19
上第二个像素点依次遍历边缘
Figure SMS_22
上的每个像素点，获取每个 像素点与边缘
Figure SMS_18
上第一个像素点的相似程度，当遍历到的像素点大于等于预设第一阈值时， 停止遍历操作，将第一个像素点到当前遍历到的像素点之间的边缘片段作为一段近似边缘
Figure SMS_20
，将近似边缘
Figure SMS_23
从边缘
Figure SMS_24
上截取下来，剩下的边缘片段记为一个新的边缘
Figure SMS_16
；对新的边缘继续 进行近似边缘截取操作，直至得到的新的边缘的像素个数小于等于2，停止截取操作，得到 边缘
Figure SMS_21
上的若干近似边缘；获取每条边缘上的若干近似边缘。
可选的，所述获取每个分区中每个终止点的角点选取程度，包括的具体方法为：
以任意一个分区为目标分区，获取目标分区中每条近似边缘的终止点，以目标分区中任意一个终止点为目标终止点，将目标终止点与目标分区中其他每个终止点的欧式距离的均值记为目标终止点的备选可能性，获取目标终止点与目标分区中其他每个终止点的欧式距离最小值，将欧式距离最小值与备选可能性的乘积作为目标终止点的角点选取程度；获取每个分区中每个终止点的角点选取程度。
可选的，所述根据角点选取程度及角点密度对每个分区的角点数量进行扩充，包括的具体方法为：
获取零件边缘图像中角点密度最大的分区，将角点密度最大的分区的原始角点数量记为最大角点数量；将任意一个角点密度非最大的分区作为目标分区，将目标分区中每个终止点根据角点选取程度从大到小降序排列，记为目标分区的待选角点序列，对目标分区的角点数量进行扩充，扩充的角点从待选角点序列中从前到后逐个选取，直到扩充后的角点数量与最大角点数量相等，完成目标分区的角点数量扩充；对每个角点密度非最大的分区的角点数量进行扩充。
本发明的有益效果是：本发明根据刀痕加工中走势朝向进行关键变化位置判断，并从中筛选具有旋转不变性的用于匹配的角点，对走势近似部分具有一定包容性的同时，对影响边缘的相似位置准确判断，从而改进了CSS角点检测在大阈值有时无法获取足够数量角点的缺陷、小阈值会引入大量非边缘异常变化位置干扰判断的缺陷；利用获取的检测角点进行SIFT匹配，避免了传统SIFT匹配过程中，零件受表面金属及光洁影响而造成的一些光照影响，进而导致匹配结果不准确的问题；使得匹配结果可以较为准确地反映零件的质量检测结果。
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，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种数控机床零件的在线视觉检测方法流程示意图；
图2为近似边缘截取示意图。
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。
请参阅图1，其示出了本发明一个实施例提供的一种数控机床零件的在线视觉检测方法流程图，该方法包括以下步骤：
步骤S001、采集零件表面图像，获取零件边缘图像。
本实施例的目的是对数控机床加工零件进行质量检测，因此首先需要获取零件的表面图像；本实施例通过工业相机在数控机床出料口对零件表面图像进行采集，采集到的图像通过语义分割网络获取其中的零件部分，记为零件表面图像；其中语义分割网络进行语义分割为现有技术，本实施例不再赘述；零件表面图像大小本实施例采用1024×1024为例进行叙述，获取到零件表面图像后，通过加权灰度化获取零件表面图像的灰度图，记为零件灰度图像，对零件灰度图像通过canny算子进行边缘检测，边缘检测结果记为零件边缘图像；需要说明的是，加权灰度化及canny算子均为公知技术，本实施例不再赘述。
至此，获取到了零件边缘图像。
步骤S002、根据零件边缘图像获取若干原始角点，对零件边缘图像进行分区，根据分区及原始角点获取每个分区的角点密度。
需要说明的是，对于工件走刀，刀具在切削时向外挤压材料形成边缘，而工件部分部位刀痕平缓，并未形成较明显的走势变化，无法产生足够的曲率变化产生角点供给CSS筛选；然而工件刀痕随工件形态变化，具有描述形态的特点，通过刀痕边缘的前进方向判断的延展性与实际刀痕的偏离形状差异对平缓变化的刀痕进行角点判断；同时零件边缘图像中存在断点以及本身曲率较大的位置，这些位置可以通过CSS角点检测得到，首先获取这些位置的角点，记为原始角点，并对零件边缘图像进行分区，通过原始角点的分布获取每个角点的角点密度，后续以角点密度为基准对分区内的角点数量进行扩充。
具体的，首先对零件边缘图像进行CSS角点检测，得到若干角点，记为原始角点；需要说明的是，角点在曲率变化大的位置出现频率较密集，在曲率变化较平缓处角点数量较少，需要获取不同位置的角点密度；因此对零件边缘图像进行分区，均等分为N×N个分区，本实施例采用N=8进行计算；获取零件边缘图像的像素点总数量，获取分区数量，将像素点总数量与分区数量的比值记为每个分区的面积，分区面积单位为像素点数量。
进一步的，获取每个分区的原始角点数量，将原始角点数量与像素点数量的比值记为每个分区的角点密度，获取每个分区的角点密度；分区的角点密度越大，分区中曲率变化较大的部位越多，针对该分区进行后续角点匹配得到的匹配结果更加准确，因此需要后续对每个分区的角点数量进行扩充，从而保证足够的角点进行匹配，进而获取准确的匹配结果。
至此，获取到了若干原始角点以及分区，得到了每个分区的角点密度。
步骤S003、根据每个分区每条边缘上每个像素点的曲率及位置，获取同一边缘上任意两个像素点的相似程度，根据相似程度截取每条边缘得到若干近似边缘及其终止点，根据终止点分布获取每个终止点的角点选取程度。
需要说明的是，在工件整体刀痕走势偏缓时，角点密度较高的分区与达到足够检测精度的角点密度存在差距，不能通过简单降低曲率阈值进行扩充，会使得角点密度较高的分区产生噪声位置被过多引入形成角点，进而影响角点检测结果的准确性；因此需要通过刀痕走势的关键位置获取近似边缘，根据近似边缘及其终止点来获取每个终止点的角点选取程度，为后续进行角点扩充提供参考依据。
具体的，对于任意一个分区的任意一条边缘，获取该边缘上每个像素点在边缘上的曲率，其中边缘上像素点的曲率计算为现有技术，本实施例不再赘述，边缘即为零件边缘图像中获取到的各条边缘；将每个像素点与边缘上相邻下一个像素点在曲率上的差值绝对值记为每个像素点的曲率差异，其中该边缘上最后一个像素点的曲率差异设置为该边缘上倒数第二个像素点的曲率差异；按照上述方法获取每个分区每条边缘上每个像素点的曲率差异；需要说明的是，本实施例以距离零件边缘图像左上角欧式距离最近的一个边缘端点作为边缘的第一个像素点，距离边缘图像左上角欧式距离最远的一个边缘端点作为边缘的最后一个像素点，如果边缘的两个端点与边缘图像左上角欧式距离相同则规定以左侧的端点为边缘的第一个像素点，从边缘的第一个像素点到最后一个像素点逐个遍历获取每个像素点的曲率差异。
进一步的，对于任意一条边缘，获取边缘上第
Figure SMS_25
个像素点与第
Figure SMS_26
个像素点（
Figure SMS_27
）的相 似程度
Figure SMS_28
的计算方法为：
Figure SMS_29
其中，
Figure SMS_32
表示边缘上第
Figure SMS_35
个像素点的曲率差异，
Figure SMS_38
表示边缘上第
Figure SMS_31
个像素点的曲率 差异，
Figure SMS_33
表示边缘上第
Figure SMS_37
个像素点与第
Figure SMS_40
个像素点的欧式距离，将
Figure SMS_30
记为边缘 上第
Figure SMS_34
个像素点与第
Figure SMS_36
个像素点的相近程度，
Figure SMS_39
表示归一化处理，归一化对象为该条边缘 上任意两个像素点的相近程度，归一化方法为线性归一化；曲率差异之间的差异越小，两个 像素点越相近；同时引入两个像素点之间的欧式距离来反映相似程度，由于刀痕平缓而导 致曲率变化平滑，则距离越大的像素点发生的曲率差异变化越能反映刀痕走势的变化，欧 式距离越大对于相近程度的影响就越大；按照上述方法获取每个分区每条边缘上任意两个 像素点的相似程度。
进一步的，以边缘
Figure SMS_43
为例，从边缘
Figure SMS_45
上第二个像素点依次遍历边缘
Figure SMS_48
上的每个像素 点，获取每个像素点与边缘
Figure SMS_42
上第一个像素点的相似程度，给出预设第一阈值用于进行边缘 截断，本实施例预设第一阈值采用0.8进行计算，当遍历到的像素点大于等于预设第一阈值 时，停止遍历操作，将第一个像素点到当前遍历到的像素点之间的边缘片段作为一段近似 边缘
Figure SMS_44
，将近似边缘
Figure SMS_47
从边缘
Figure SMS_49
上截取下来，剩下的边缘片段记为一个新的边缘
Figure SMS_41
；对新的边缘 按照上述方法继续进行近似边缘截取操作，直至得到的新的边缘的像素个数小于等于2，则 停止截取操作，此时即完成了对于边缘
Figure SMS_46
上的近似边缘截取；需要说明的是，最终获取的新 的边缘不属于近似边缘；按照上述方法对每条边缘进行截取，得到每条边缘上的若干近似 边缘；请参阅图2，其示出了一条边缘上的近似边缘截取示意图。
进一步需要说明的是，角点需要具有旋转不变性，在图像产生旋转变化时仍旧携带变化的识别特征；而近似边缘表示走势较相似的边缘点，每一个近似边缘的终止点都代表与一段边缘差异较明显的位置；在每个分区中，近似边缘终止点的分布互相靠近时，近似边缘长度也相近，则这些终止点形成一片明显特征区域，明显特征聚集形成特征密集区域；由于加工工件的表面需要多次走刀，走刀过程中出现的部分差异，形成单个或少量终止点，相比于走刀痕迹本身移动形成的特征密集处，特征的非密集区域出现的终止点，更能说明走刀异常在边缘上产生误差的特征位置。
具体的，以任意一个分区为例，获取该分区中每条近似边缘内的终止点；需要说明的是，每条边缘的第一个像素点及最后一个像素点在CSS角点检测中已经检测为原始角点，因此不参与终止点的角点选取程度计算；获取该分区中每个终止点与其他终止点的欧式距离均值，将欧式距离均值记为每个终止点的备选可能性；备选可能性越大，即欧式距离均值越大，终止点与其他终止点分布距离越远，能够反映角点特征的可能性越大；按照上述方法获取每个分区中每个终止点的备选可能性。
进一步的，获取该分区中任意一个终止点与其他终止点的欧式距离最小值，将欧式距离最小值与该终止点的备选可能性的乘积记为该终止点的角点选取程度；欧式距离最小值越大，同时欧式距离均值越大，则该终止点相比其他终止点更加孤立，更能体现刀痕的角点特征；按照上述方法获取每个分区中每个终止点的角点选取程度。
至此，对每个分区每条变化截取得到若干近似边缘，并获取了每条近似边缘上终止点的角点选取程度。
步骤S004、根据角点选取程度及角点密度对每个分区的角点数量进行扩充，获取零件角点图像，根据零件角点图像完成零件的质量检测。
需要说明的是，由于各分区的角点密度存在差异，因此为了确保整体的匹配结果的准确性，需要确保各分区之间角点密度较为均匀，则需要对各分区的角点数量进行扩充，通过角点选取程度进行扩充，进而得到零件角点图像；通过零件角点图像与标准样本的角点图像进行匹配，完成零件的质量检测。
具体的，首先获取零件边缘图像中角点密度最大的分区，将角点密度最大的分区的原始角点数量记为最大角点数量；对于任意一个角点密度非最大的分区，将该分区中每个终止点根据角点选取程度从大到小降序排列，记为该分区的待选角点序列，对该分区的角点数量进行扩充，扩充的角点从待选角点序列中从前到后逐个选取，直到扩充后的角点数量与最大角点数量相等，则完成了该分区的角点数量扩充；按照上述方法对每个角点密度非最大的分区的角点数量进行扩充，将最终扩充得到的所有角点以及原始角点记为检测角点，标记检测角点的零件边缘图像记为零件角点图像。
进一步的，由于标准样本数量较少，为了使得匹配结果更加准确，本实施例通过经验丰富的技术人员挑选预设数量的高质量零件，其中预设数量本实施例采用10进行叙述，对每个高质量零件及标准样本按照上述方法获取其检测角点，则得到了每个高质量零件的零件角点图像以及标准样本的零件角点图像，其中标准样本为用于进行零件质量检测的预设零件模型；对待检测零件的零件角点图像与标准样本的零件角点图像进行匹配，匹配对象为检测角点，匹配方法采用SIFT特征匹配，获取到待检测零件与标准样本的匹配结果，将匹配结果记为待检测零件的匹配值，其中对检测角点进行SIFT特征匹配为现有技术，本实施例不再赘述，匹配结果为匹配成功的检测角点数量与标准样本的检测角点数量的比值；按照上述方法获取每个高质量零件与标准样本的匹配值，将所有高质量零件的匹配值中的最小值作为质量评价标准。
进一步的，若待检测零件的匹配值大于等于质量评价标准，则该零件的质量合格；若待检测零件的匹配值小于质量评价标准，则该零件的质量不合格。
至此，通过角点选取程度获取了零件角点图像，并根据零件角点图像以及标准样本完成了零件的质量检测。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，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 (4)

1.一种数控机床零件的在线视觉检测方法，其特征在于，该方法包括以下步骤：
采集零件表面图像，根据零件表面图像获取零件边缘图像；
根据零件边缘图像检测获取若干原始角点，对零件边缘图像进行均等分区，根据原始角点及分区获取每个分区的角点密度；
获取每个分区每条边缘上每个像素点的曲率，将每个像素点与边缘上相邻下一个像素点在曲率上的差值绝对值记为每个像素点的曲率差异，根据曲率差异与像素点的位置获取每条边缘上任意两个像素点的相似程度，根据每条边缘上任意两个像素点的相似程度对边缘进行截取，获取每条边缘上的若干近似边缘，根据每个分区中每条近似边缘的终止点，获取每个分区中每个终止点的角点选取程度；
根据角点选取程度及角点密度对每个分区的角点数量进行扩充，将扩充得到的角点及原始角点记为检测角点，标记检测角点的零件边缘图像记为零件角点图像，根据零件角点图像完成零件的质量检测；
所述根据曲率差异与像素点的位置获取每条边缘上任意两个像素点的相似程度，包括的具体方法为：
将任意一条边缘记为目标边缘，获取目标边缘上第
Figure QLYQS_1
个像素点与第/>
Figure QLYQS_2
个像素点的相似程度/>
Figure QLYQS_3
的计算方法为：
Figure QLYQS_4
其中，
Figure QLYQS_6
表示目标边缘上第/>
Figure QLYQS_8
个像素点的曲率差异，/>
Figure QLYQS_12
表示目标边缘上第/>
Figure QLYQS_5
个像素点的曲率差异，/>
Figure QLYQS_9
表示目标边缘上第/>
Figure QLYQS_11
个像素点与第/>
Figure QLYQS_14
个像素点的欧式距离，将
Figure QLYQS_7
记为目标边缘上第/>
Figure QLYQS_10
个像素点与第/>
Figure QLYQS_13
个像素点的相近程度，/>
Figure QLYQS_15
表示归一化处理，归一化对象为目标边缘上任意两个像素点的相近程度；
所述获取每个分区中每个终止点的角点选取程度，包括的具体方法为：
以任意一个分区为目标分区，获取目标分区中每条近似边缘的终止点，以目标分区中任意一个终止点为目标终止点，将目标终止点与目标分区中其他每个终止点的欧式距离的均值记为目标终止点的备选可能性，获取目标终止点与目标分区中其他每个终止点的欧式距离最小值，将欧式距离最小值与备选可能性的乘积作为目标终止点的角点选取程度；获取每个分区中每个终止点的角点选取程度。
2.根据权利要求1所述的一种数控机床零件的在线视觉检测方法，其特征在于，所述根据原始角点及分区获取每个分区的角点密度，包括的具体方法为：
获取零件边缘图像的像素点总数量，获取分区数量，将像素点总数量与分区数量的比值记为每个分区的面积；
获取每个分区的原始角点数量，将原始角点数量与像素点数量的比值记为每个分区的角点密度，获取每个分区的角点密度。
3.根据权利要求1所述的一种数控机床零件的在线视觉检测方法，其特征在于，所述获取每条边缘上的若干近似边缘，包括的具体方法为：
以边缘
Figure QLYQS_16
为例，从边缘/>
Figure QLYQS_19
上第二个像素点依次遍历边缘/>
Figure QLYQS_22
上的每个像素点，获取每个像素点与边缘/>
Figure QLYQS_17
上第一个像素点的相似程度，当遍历到的像素点大于等于预设第一阈值时，停止遍历操作，将第一个像素点到当前遍历到的像素点之间的边缘片段作为一段近似边缘/>
Figure QLYQS_20
，将近似边缘/>
Figure QLYQS_23
从边缘/>
Figure QLYQS_24
上截取下来，剩下的边缘片段记为一个新的边缘/>
Figure QLYQS_18
；对新的边缘继续进行近似边缘截取操作，直至得到的新的边缘的像素个数小于等于2，停止截取操作，得到边缘/>
Figure QLYQS_21
上的若干近似边缘；获取每条边缘上的若干近似边缘。
4.根据权利要求1所述的一种数控机床零件的在线视觉检测方法，其特征在于，所述根据角点选取程度及角点密度对每个分区的角点数量进行扩充，包括的具体方法为：
获取零件边缘图像中角点密度最大的分区，将角点密度最大的分区的原始角点数量记为最大角点数量；将任意一个角点密度非最大的分区作为目标分区，将目标分区中每个终止点根据角点选取程度从大到小降序排列，记为目标分区的待选角点序列，对目标分区的角点数量进行扩充，扩充的角点从待选角点序列中从前到后逐个选取，直到扩充后的角点数量与最大角点数量相等，完成目标分区的角点数量扩充；对每个角点密度非最大的分区的角点数量进行扩充。
CN202310488517.9A 2023-05-04 2023-05-04 一种数控机床零件的在线视觉检测方法 Active CN116188472B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310488517.9A CN116188472B (zh) 2023-05-04 2023-05-04 一种数控机床零件的在线视觉检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310488517.9A CN116188472B (zh) 2023-05-04 2023-05-04 一种数控机床零件的在线视觉检测方法

Publications (2)

Publication Number Publication Date
CN116188472A CN116188472A (zh) 2023-05-30
CN116188472B true CN116188472B (zh) 2023-07-07

Family

ID=86438750

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310488517.9A Active CN116188472B (zh) 2023-05-04 2023-05-04 一种数控机床零件的在线视觉检测方法

Country Status (1)

Country Link
CN (1) CN116188472B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563295B (zh) * 2023-07-12 2023-09-01 无锡康贝电子设备有限公司 一种切削屑缠绕状态视觉检测方法
CN116824516B (zh) * 2023-08-30 2023-11-21 中冶路桥建设有限公司 一种涉路施工安全监测及管理系统
CN118180994B (zh) * 2024-05-15 2024-07-23 黑龙江交通职业技术学院 一种机床定位方法及定位装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106296578B (zh) * 2015-05-29 2020-04-28 阿里巴巴集团控股有限公司 一种图像处理方法及装置
CN109785348A (zh) * 2018-12-14 2019-05-21 中国科学院长春光学精密机械与物理研究所 基于图像边界近似曲率变化的新型角点检测方法及系统
CN109541634B (zh) * 2018-12-28 2023-01-17 歌尔股份有限公司 一种路径规划方法、装置和移动设备
CN109974608B (zh) * 2019-03-18 2020-11-03 吉林大学 基于机器视觉技术的零件孔径尺寸测量方法
CN115601365B (zh) * 2022-12-15 2023-03-14 无锡康贝电子设备有限公司 用于数控机床的轴承检测方法

Also Published As

Publication number Publication date
CN116188472A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN116188472B (zh) 一种数控机床零件的在线视觉检测方法
US7580560B2 (en) System and method for fast template matching by adaptive template decomposition
CN116823826B (zh) 一种数控机床刀具崩刃异常检测方法
CN115063409B (zh) 一种机械刀具表面材质检测方法及系统
CN114581742A (zh) 基于线性度的连通域聚类融合方法、装置、系统及介质
CN114782475B (zh) 基于人工智能系统的瓦楞纸箱压线缺陷检测优化方法
JP7508556B2 (ja) 文字分割方法、装置、および、コンピュータ可読記憶媒体
CN113340909B (zh) 一种基于机器视觉的胶线缺陷检测方法
Bagga et al. A novel approach of combined edge detection and segmentation for tool wear measurement in machining
CN115060725A (zh) 一种双圆盘外观检测方法及装置
EP0159880B1 (en) Apparatus for evaluating density and evenness of printed patterns
EP3807731B1 (en) Workpiece surface quality issues detection
CN114651276A (zh) 制造方法
CN114187286A (zh) 一种基于机器视觉的木板材表面加工质量控制方法
CN117670881B (zh) 基于目标分割的橡胶手套生产质量检测方法及系统
CN117036358B (zh) 一种数控机床刀具磨损检测方法及系统
CN116258838B (zh) 一种用于管片模具合模系统的智能视觉引导方法
CN115578390B (zh) 一种用于除氧器的焊接控制方法
CN114850967B (zh) 一种基于人在回路的刀具磨损状态检测方法和系统
CN118247338B (zh) 一种数控机床加工的精准定位方法
CN111681229A (zh) 深度学习模型训练方法、可穿戴衣服瑕疵识别方法及装置
CN112683902A (zh) 一种基于模板的模切产品表面缺陷在线检测方法
CN118169144B (zh) 一种基于多级匹配和ai复检的缺陷检测方法、系统及介质
CN117152447B (zh) 一种冲切模具智能管理方法及系统
KR102600923B1 (ko) 마스크 생산 라인에서 마스크 필터의 정형 및 비정형 이물질 자동 판별을 위한 교차상관관계 기반 영상 처리 방법

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