CN116542910A - 基于亚像素边缘提取的冲压件圆孔定位及形变检测方法 - Google Patents
基于亚像素边缘提取的冲压件圆孔定位及形变检测方法 Download PDFInfo
- Publication number
- CN116542910A CN116542910A CN202310386163.7A CN202310386163A CN116542910A CN 116542910 A CN116542910 A CN 116542910A CN 202310386163 A CN202310386163 A CN 202310386163A CN 116542910 A CN116542910 A CN 116542910A
- Authority
- CN
- China
- Prior art keywords
- edge
- pixel
- sub
- stamping part
- fitting
- 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 38
- 238000000605 extraction Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000003708 edge detection Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 19
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于亚像素边缘提取的冲压件圆孔定位及形变检测方法,包括:1、采集冲压件的图像并进行预处理;2、运用OSTU阈值分割算法提取冲压件整体目标,再将图像转化为二值化图像;3、通过亚像素边缘检测提取冲压件所有边缘像素,然后进行亚像素直线边缘拟合和亚像素曲线边缘拟合,获取所有的直线、椭圆、圆三个类型的轮廓边缘,筛选出两侧边缘轮廓直线以及所有圆形轮廓边缘,并计算圆心坐标;4、分别计算每个圆心到两侧边缘直线距离,判断圆孔位置是否发生偏移;5、计算各个圆心到圆边缘轮廓各点距离,选择最大值和最小值进行比较,两者之差超过设定的范围则判定为发生形变。该方法有利于提高冲压件圆孔定位及形变检测的准确度和效率。
Description
技术领域
本发明涉及冲压件检测技术领域,具体涉及一种基于亚像素边缘提取的冲压件圆孔定位及形变检测方法。
背景技术
冲压件是当代金属零件制作的重要工艺部分,冲孔更是冲压件制作的一大要素,在现实生产中,由于生产仪器的误差、人为误差等因素,造成圆孔形状改变或者位置偏移等问题。当前,工厂大多采用抽检方式进行检测,此方法精准度低且耗时较长,效率较低。而随着近些年机器视觉在此方面上的不断应用,大大便捷和完善了冲压件圆孔形变检测的环节。
国内的机器视觉检测研究起步比较晚,从20世纪末正式得到重视。经过近几十年的发展,已经取得不错的成果。为能准确检测金属工件的边缘,研究人员运用金属工件表面在不同光照强度下的灰度图像得到表面法向的方法,结合膨胀腐蚀和最小二乘法提取并拟合特征边缘,从而得到被测物体的边缘。针对图像目标形变提取方面的问题,提出了基于图像差分,结合正负差值的缺陷分割方案,能够快速且准确的排除背景干扰实现缺陷提取和检测。轮廓提取是形变检测最重要的步骤,其受到的主要瓶颈有:光照影响导致没有合适的算子可以快速且有效的筛选出边缘、边缘过于复杂以及搜索匹配速率较低,比如基于滑动窗口式的搜索,随机获取点像素的检测算法。
发明内容
本发明的目的在于提供一种基于亚像素边缘提取的冲压件圆孔定位及形变检测方法,该方法有利于提高冲压件圆孔定位及形变检测的准确度和效率。
为实现上述目的,本发明采用的技术方案是:一种基于亚像素边缘提取的冲压件圆孔定位及形变检测方法,包括以下步骤:
步骤1、采集冲压件的图像,并对图像进行预处理;
步骤2、运用OSTU阈值分割算法提取冲压件整体目标,再将图像转化为二值化图像;
步骤3、通过亚像素边缘检测提取冲压件所有边缘像素,然后进行亚像素直线边缘拟合和亚像素曲线边缘拟合,获取所有的直线、椭圆、圆三个类型的轮廓边缘,筛选出两侧边缘轮廓直线,并且筛选出所有圆形轮廓边缘,并计算圆心坐标;
步骤4、分别计算每个圆心到两侧边缘直线距离,判断圆孔位置是否发生偏移;
步骤5、计算各个圆心到圆边缘轮廓各点距离,选择最大值和最小值进行比较,两者之差超过设定的范围则判定为发生形变。
进一步地,步骤1中,对冲压件的图像进行预处理,第一步是对图像进行灰度转换,第二步是对图像中值滤波进行降噪处理。
进一步地,步骤3中,通过基于矩的亚像素边缘检测方法来进行亚像素边缘检测,所述基于矩的亚像素边缘检测方法通过假设图像中实际边缘分布与理想阶跃边缘模型的灰度保持一致,相当于它的矩不变,来确定实际边缘的位置;
一维理想阶跃边缘由多个具有灰度h1和h2的像素连接的,h1和h2为两个呈阶跃分布的像素灰度值,其阶跃点设为k,实际点像素点为分布于h1和h2值上下的像素值,理想边缘为由h1和h2两个灰度值构成的像素集合;并且边缘位置k和边缘两侧灰度值h1、h2共同决定理想边缘;一维理想边缘函数表示为:
E1(x)=(h1-h2)μ(x-k)+h1 (1)
其中,E1(x)表示理想边缘,μ表示阶跃函数;
通过一维前三阶实际和理想的灰度矩加上h1、h2灰度值像素的占比和等于1得出边缘的位置:
其中,n表示总像素点数,p1表示灰度值为h1的像素点占总像素点n的百分比;
假设实际像素的灰度值由单调序列gj,j=1,2,…,n构成,且序列从像素位置开始;
所述基于矩的亚像素边缘检测方法通过拟合灰度值来得到高精度的边缘位置,其前提是在检测前明确被测物体的特性,才能运用相应的拟合算法进行边缘拟合。
进一步地,在亚像素边缘检测的基础上,通过最小二乘法进行亚像素直线边缘拟合:
在像素边缘的基础上,直线轮廓是一组向量,将这组向量进行最小二乘线性回归,设回归方程为:
y′=k0+klx (3)
其中,y’表示回归方程函数值,k0和k1表示回归方程的两个待求系数;设yi为测量点的值,i为像素点序号,当yi和y′i的距离达到最小时,便是实际测量值的位置;再结合极值理论有:
得到k0和k1,即拟合直线。
进一步地,在亚像素边缘检测的基础上,通过二次曲线拟合的方法进行亚像素曲线边缘拟合:
设二次曲线函数为f(x)=ax2+bx+c,用最小二乘法算出二次曲线函数的系数,从而拟合得到f(x),这便是使函数的均方误差最小的系数;得到矩阵的方程组为BC=Y;
对上式求解即得到二次曲线函数f(x)中的系数;将f(x)求一阶导数,并且令f′(x)=0,找到曲线的极大值即为边缘点的坐标;同样运用二次曲线拟合的方法得到边缘点的Y方向上的坐标。
进一步地,步骤3中,筛选轮廓边缘中最长的两条直线,即为冲压件两侧边缘;找出冲压件两侧边缘之后,通过坐标算子分别提取出两直线两端的坐标,用直线的两端坐标与圆心坐标进行计算获得圆心到一条边缘的距离,同理计算出圆心到另一条边缘的距离;设定一个偏移阈值,如果圆心到两边的距离之差超过偏移阈值,则判定圆孔位置发生偏移。
进一步地,所述偏移阈值为两边之间距离的1/150。
进一步地,步骤3中,依次计算圆心到各边缘点的距离并形成数组,计算公式如下:
其中,Row和Colum分别表示圆心的横、纵坐标,Row1和Colum1分别表示边缘各点的横、纵坐标;
在数组中选择最大值和最小值进行比较,如果两者之差超过设定的形变阈值,则判定发生形变。
与现有技术相比,本发明具有以下有益效果:提供了一种基于亚像素边缘提取的冲压件圆孔定位及形变检测方法,该方法通过提取冲压件图像的亚像素边缘来进行圆孔位置偏移及形变的判定,提高了冲压件形变检测的准确度和效率,减少了人工干预,降低了生产成本,具有很强的实用性和广阔的应用前景。
附图说明
图1是本发明实施例的方法实现流程图;
图2是本发明实施例中冲压件分割效果图;
图3是本发明实施例中圆孔位置偏移检测流程图;
图4是本发明实施例中圆孔形变检测流程图;
图5是本发明实施例中通过四种方法对冲压件进行边缘提取的结果图;
图6是本发明实施例中对直线边缘和圆孔边缘进行提取的结果图;
图7是本发明实施例中对各种冲压件形变检测的结果图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了一种基于亚像素边缘提取的冲压件圆孔定位及形变检测方法,包括以下步骤:
步骤1、采集冲压件的图像,并对图像进行预处理。
步骤2、运用OSTU阈值分割算法提取冲压件整体目标,再将图像转化为二值化图像。
步骤3、通过亚像素边缘检测提取冲压件所有边缘像素,然后进行亚像素直线边缘拟合和亚像素曲线边缘拟合,获取所有的直线、椭圆、圆三个类型的轮廓边缘,筛选出两侧边缘轮廓直线,并且筛选出所有圆形轮廓边缘,并计算圆心坐标。
步骤4、分别计算每个圆心到两侧边缘直线距离,判断圆孔位置是否发生偏移。
步骤5、计算各个圆心到圆边缘轮廓各点距离,选择最大值和最小值进行比较,两者之差超过设定的范围则判定为发生形变。
下面对上述方法步骤中涉及的相关内容作进一步说明。
1.亚像素边缘检测方法
像素代表了图像的分辨率,是图像的基本单位,而亚像素是在图像的基础上在进行分化,比像素还要精确,能够提高图像的分辨率。亚像素这个技术有几个前提条件:被测目标不能是单个像素,必须是一个区域或者多个像素组成;被测目标一般具有一定的特征,包括灰度、几何或者二者结合等,亚像素通过对被测物体进行分析,得出的数据是浮点型,一般可以精确到0.1到0.5个像素,在好的环境下的图像处理效果好可以精确到0.001。
本实施例中,通过基于矩的亚像素边缘检测方法来进行亚像素边缘检测,该方法通过矩的积分算子来定位亚像素边缘,以有效地防止噪声干扰。该方法的原理是:通过假设图像中实际边缘分布与理想阶跃边缘模型的灰度保持一致,相当于它的矩不变,来确定实际边缘的位置。
一维理想阶跃边缘由多个具有灰度h1和h2的像素连接的,h1和h2为两个呈阶跃分布的像素灰度值,其阶跃点设为k,实际点像素点为分布于h1和h2值上下的像素值,理想边缘为由h1和h2两个灰度值构成的像素集合。并且边缘位置k和边缘两侧灰度值h1、h2共同决定理想边缘。一维理想边缘函数表示为:
E1(x)=(h1-h2)μ(x-k)+h1 (1)
其中,E1(x)表示理想边缘,μ表示阶跃函数。
通过一维前三阶实际和理想的灰度矩加上h1、h2灰度值像素的占比和等于1得出边缘的位置:
其中,n表示总像素点数,p1表示灰度值为h1的像素点占总像素点n的百分比。
假设实际像素的灰度值由单调序列gj,j=1,2,…,n构成,且序列从像素位置开始。灰度矩边缘检测能够平衡灰度值,加性噪声能够使实际边缘位置更加趋近序列中心,所以当边缘位置越靠近序列中心时,其误差越小。
所述基于矩的亚像素边缘检测方法通过拟合灰度值来得到高精度的边缘位置,其前提是在检测前明确被测物体的特性,比如噪声分布、像素灰度值、几何特征等等。如果目标满足已有算子的模型,才能运用相应的拟合算法进行边缘拟合。
(1)亚像素直线边缘拟合
本实施例中,在亚像素边缘检测的基础上,通过最小二乘法进行亚像素直线边缘拟合。
最小二乘法是一种有效的检测直线的算法,在像素边缘的基础上,直线轮廓是一组向量,将这组向量进行最小二乘线性回归,设回归方程为:
y′=k0+k1x (3)
其中,y’表示回归方程函数值,k0和k1表示回归方程的两个待求系数;设yi为测量点的值,i为像素点序号,当yi和yi′的距离达到最小时,便是实际测量值的位置。再结合极值理论有:
得到k0和k1,即拟合直线。并且当参与拟合的像素点越多,亚像素得到的位置越精确,但是会消耗更多时间。
(2)亚像素曲线边缘拟合
本实施例中,在亚像素边缘检测的基础上,通过二次曲线拟合的方法进行亚像素曲线边缘拟合。
图像中灰度值的差别是由于光照强度引起的,灰度值是个渐变的过程,到达边缘点处灰度值变化最大,这样不难想到用灰度值差分来代替灰度值。当灰度值差分最大的时候即为边缘点,差分图像外包络符合二次曲线形式。
设二次曲线函数为f(x)=ax2+bx+c,用最小二乘法算出二次曲线函数的系数,从而拟合得到f(x),这便是使函数的均方误差最小的系数。并且未知系数个数为3,已知坐标的点的个数为4(或者更多),即可得到矩阵的方程组为BC=Y;
对上式求解即得到二次曲线函数f(x)中的系数。将f(x)求一阶导数,并且令f′(x)=0,找到曲线的极大值即为边缘点的坐标。同样运用二次曲线拟合的方法得到边缘点的Y方向上的坐标。
2.冲压件圆孔定位及形变检测方法
冲压件定位及形变检测包括两个部分,一是判断各个圆孔的位置是否发生偏移,二是判断各个圆孔是否发生形变。
2.1冲压件图像预处理和分割
在对冲压件圆孔进行定位时,首先我们对冲压件图像进行预处理,预处理的第一步是对图像进行灰度转换,第二步是对图像中值滤波进行降噪处理。然后对图像利用OSTU算法进行冲压件目标分割,得到的冲压件分割图如图2所示。
2.2圆心位置偏移判断
由于圆孔判断位置偏移基本无法通过肉眼判断,所以本方法选择通过算出圆心到模具两边的距离进行判断。首先进行亚像素边缘检测提取冲压件所有边缘像素,然后进行亚像素直线边缘拟合和亚像素曲线边缘拟合,获取所有的直线、椭圆、圆三个类型的轮廓边缘,之后筛选轮廓“周长”最长的两条直线,即为冲压件两侧边缘。
找出冲压件两侧边缘之后,通过坐标算子分别提取出两直线两端的坐标,用直线的两端坐标与圆心坐标进行计算获得圆心到一条边缘的距离,同理计算出圆心到另一条边缘的距离。因为运用的是亚像素进行提取和计算,所以得到的两个距离几乎不可能相等。本方法中,对圆心到两边的距离之差设定一个偏移阈值,用于判断位置是否偏移。如果圆心到两边的距离之差超过偏移阈值,则判定圆孔位置发生偏移。通过多次检测调试,结合采集图像的高度和轮廓显示占总图像的比例,确定偏移阈值为两轮廓线距离的1/150。本实施例中圆孔位置偏移检测流程如图3所示。
2.3圆形边缘形变检测
本发明实现的第二个功能就是检测各个圆孔是否形变,根据冲压件的圆孔可以看出,圆孔的形变可以归类为毛刺、凹陷还是类圆度不够几种,但这几种形变都可以总结为圆心到边缘轮廓各点距离不相等。前面步骤已经将所有的圆形边缘检测出来,然后依次计算圆心到各边缘点的距离并形成数组,计算公式如下:
其中,Row和Colum分别表示圆心的横、纵坐标,Row1和Colum1分别表示边缘各点的横、纵坐标。
在数组中选择最大值和最小值进行比较,同样因为图像采集过程的差异等一些无法避免的因素,会对其值产生偏差,也需要设定一定的误差范围,即形变阈值。如果最大值与最小值之差超过设定的形变阈值,则判定发生形变。本实施例中圆孔形变检测流程如图4所示。
本实施例中,分别采用Roberts算子、Sobel算子、Canny算子和本发明方法,对冲压件进行边缘提取,其结果如图5所示。
很明显可以发现,Canny算子的检测效果较好地保留的边缘,而由于Sobel和Roberts算子所采用的模板虽然抑制了噪声,但是也在这个过程中去除了很多边缘,定位不够准确。虽然Canny算子能够大概提取出轮廓,仍然出现断线和模糊的情况,对比亚像素边缘提取存在着不小的差异。亚像素提取不仅将边缘很好地提取出来,还对边缘不同层次进行划分,提取完边缘轮廓之后,使用亚像素拟合的方法对直线和圆孔边缘进行提取,其结果如图6所示。
通过本发明方法对6种冲压件进行检查的结果如图7所示,冲压件2有4个圆孔,冲压件3有3个圆孔,其余冲压件都是2个圆孔,各个圆孔定位及形变检测结果标注在相应位置上。
对检测结果进行数据统计,得到每个冲压件的各个圆心到两边缘线上的距离以及各圆心到边缘轮廓的最大、最小值,计算测量值与实际值的误差,如表1、2、3、4所示,可以看出圆孔即使有微小的形变,也能准确识别出来。
表1各个冲压件圆孔1测试数据
表2各个冲压件圆孔2测试数据
表3各个冲压件圆孔3测试数据
表4各个冲压件圆孔4测试数据
采用人工的方法对冲压件形变进行检测容易由于工人视觉疲劳和个人判断差异而导致误判,选择机器来判断形变虽能进行系统化的检测,但是购买器械耗费资源高且操作难度大,从而加大生产升本。本发明所提出的基于亚像素边缘提取的冲压件圆孔定位及形变检测方法不仅能够提升冲压件形变检测准确度和检测效率,减少了人工干预,还能降低生产成本。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (8)
1.一种基于亚像素边缘提取的冲压件圆孔定位及形变检测方法,其特征在于,包括以下步骤:
步骤1、采集冲压件的图像,并对图像进行预处理;
步骤2、运用OSTU阈值分割算法提取冲压件整体目标,再将图像转化为二值化图像;
步骤3、通过亚像素边缘检测提取冲压件所有边缘像素,然后进行亚像素直线边缘拟合和亚像素曲线边缘拟合,获取所有的直线、椭圆、圆三个类型的轮廓边缘,筛选出两侧边缘轮廓直线,并且筛选出所有圆形轮廓边缘,并计算圆心坐标;
步骤4、分别计算每个圆心到两侧边缘直线距离,判断圆孔位置是否发生偏移;
步骤5、计算各个圆心到圆边缘轮廓各点距离,选择最大值和最小值进行比较,两者之差超过设定的范围则判定为发生形变。
2.根据权利要求1所述的基于亚像素边缘提取的冲压件圆孔定位及形变检测方法,其特征在于,步骤1中,对冲压件的图像进行预处理,第一步是对图像进行灰度转换,第二步是对图像中值滤波进行降噪处理。
3.根据权利要求1所述的基于亚像素边缘提取的冲压件圆孔定位及形变检测方法,其特征在于,步骤3中,通过基于矩的亚像素边缘检测方法来进行亚像素边缘检测,所述基于矩的亚像素边缘检测方法通过假设图像中实际边缘分布与理想阶跃边缘模型的灰度保持一致,相当于它的矩不变,来确定实际边缘的位置;
一维理想阶跃边缘由多个具有灰度h1和h2的像素连接的,h1和h2为两个呈阶跃分布的像素灰度值,其阶跃点设为k,实际点像素点为分布于h1和h2值上下的像素值,理想边缘为由h1和h2两个灰度值构成的像素集合;并且边缘位置k和边缘两侧灰度值h1、h2共同决定理想边缘;一维理想边缘函数表示为:
E1(x)=(h1-h2)μ(x-k)+h1 (1)
其中,E1(x)表示理想边缘,μ表示阶跃函数;
通过一维前三阶实际和理想的灰度矩加上h1、h2灰度值像素的占比和等于1得出边缘的位置:
其中,n表示总像素点数,p1表示灰度值为h1的像素点占总像素点n的百分比;
假设实际像素的灰度值由单调序列gj,j=1,2,…,n构成,且序列从像素位置开始;
所述基于矩的亚像素边缘检测方法通过拟合灰度值来得到高精度的边缘位置,其前提是在检测前明确被测物体的特性,才能运用相应的拟合算法进行边缘拟合。
4.根据权利要求3所述的基于亚像素边缘提取的冲压件圆孔定位及形变检测方法,其特征在于,在亚像素边缘检测的基础上,通过最小二乘法进行亚像素直线边缘拟合:
在像素边缘的基础上,直线轮廓是一组向量,将这组向量进行最小二乘线性回归,设回归方程为:
y′=k0+k1x (3)
其中,y’表示回归方程函数值,k0和k1表示回归方程的两个待求系数;设yi为测量点的值,i为像素点序号,当yi和yi′的距离达到最小时,便是实际测量值的位置;再结合极值理论有:
得到k0和k1,即拟合直线。
5.根据权利要求3所述的基于亚像素边缘提取的冲压件圆孔定位及形变检测方法,其特征在于,在亚像素边缘检测的基础上,通过二次曲线拟合的方法进行亚像素曲线边缘拟合:
设二次曲线函数为f(x)=ax2+bx+c,用最小二乘法算出二次曲线函数的系数,从而拟合得到f(x),这便是使函数的均方误差最小的系数;得到矩阵的方程组为BC=Y;
其中
对上式求解即得到二次曲线函数f(x)中的系数;将f(x)求一阶导数,并且令f′(x)=0,找到曲线的极大值即为边缘点的坐标;同样运用二次曲线拟合的方法得到边缘点的Y方向上的坐标。
6.根据权利要求1所述的基于亚像素边缘提取的冲压件圆孔定位及形变检测方法,其特征在于,步骤3中,筛选轮廓边缘中最长的两条直线,即为冲压件两侧边缘;找出冲压件两侧边缘之后,通过坐标算子分别提取出两直线两端的坐标,用直线的两端坐标与圆心坐标进行计算获得圆心到一条边缘的距离,同理计算出圆心到另一条边缘的距离;设定一个偏移阈值,如果圆心到两边的距离之差超过偏移阈值,则判定圆孔位置发生偏移。
7.根据权利要求6所述的基于亚像素边缘提取的冲压件圆孔定位及形变检测方法,其特征在于,所述偏移阈值为两边之间距离的1/150。
8.根据权利要求1所述的基于亚像素边缘提取的冲压件圆孔定位及形变检测方法,其特征在于,步骤3中,依次计算圆心到各边缘点的距离并形成数组,计算公式如下:
其中,Row和Colum分别表示圆心的横、纵坐标,Row1和Colum1分别表示边缘各点的横、纵坐标;
在数组中选择最大值和最小值进行比较,如果两者之差超过设定的形变阈值,则判定发生形变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310386163.7A CN116542910A (zh) | 2023-04-12 | 2023-04-12 | 基于亚像素边缘提取的冲压件圆孔定位及形变检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310386163.7A CN116542910A (zh) | 2023-04-12 | 2023-04-12 | 基于亚像素边缘提取的冲压件圆孔定位及形变检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116542910A true CN116542910A (zh) | 2023-08-04 |
Family
ID=87453281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310386163.7A Pending CN116542910A (zh) | 2023-04-12 | 2023-04-12 | 基于亚像素边缘提取的冲压件圆孔定位及形变检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116542910A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117824546A (zh) * | 2024-03-04 | 2024-04-05 | 泉州湖南大学工业设计与机器智能创新研究院 | 一种洗手盆平面度检测方法 |
-
2023
- 2023-04-12 CN CN202310386163.7A patent/CN116542910A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117824546A (zh) * | 2024-03-04 | 2024-04-05 | 泉州湖南大学工业设计与机器智能创新研究院 | 一种洗手盆平面度检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109060836B (zh) | 基于机器视觉的高压油管接头外螺纹检测方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN109682839B (zh) | 一种金属弧形工件表面缺陷在线检测方法 | |
CN114943739B (zh) | 一种铝管质量检测方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN114219794B (zh) | 基于机器视觉的刨花板表面质量评估方法及系统 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN116542910A (zh) | 基于亚像素边缘提取的冲压件圆孔定位及形变检测方法 | |
CN115018835B (zh) | 一种汽车起动机齿轮检测方法 | |
CN115240146A (zh) | 基于计算机视觉的机床装配智能验收方法 | |
CN115239666A (zh) | 一种滚动接触疲劳缺陷的缺陷目标区域图像定位分割方法 | |
CN114494165A (zh) | 一种基于聚类的光条提取方法及装置 | |
CN108805854B (zh) | 一种复杂环境下药片快速计数与完整性检测方法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN111815575B (zh) | 一种基于机器视觉的轴承钢珠零件检测方法 | |
CN116664554B (zh) | 一种基于图像处理的螺栓螺纹缺陷检测方法 | |
CN111539951B (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
CN111476792B (zh) | 一种板带钢图像轮廓的提取方法 | |
CN112784922A (zh) | 智能云端医疗影像的提取和分类方法 | |
CN115753791B (zh) | 基于机器视觉的缺陷检测方法、装置以及系统 | |
CN115511884B (zh) | 基于计算机视觉的冲孔复合模表面质量检测方法 | |
CN114882116B (zh) | 一种丝杠弯曲定位及校直方法及系统 | |
CN114004812B (zh) | 采用引导滤波与神经网络模型的螺纹孔检测方法及系统 | |
CN112037158B (zh) | 一种基于页岩气田生产设备图像增强标注方法 | |
CN114677428A (zh) | 基于无人机图像处理的输电线覆冰厚度检测方法 |
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 |