CN116862908B - 一种基于图像处理的金属齿轮啮合缺陷检测方法 - Google Patents
一种基于图像处理的金属齿轮啮合缺陷检测方法 Download PDFInfo
- Publication number
- CN116862908B CN116862908B CN202311117351.6A CN202311117351A CN116862908B CN 116862908 B CN116862908 B CN 116862908B CN 202311117351 A CN202311117351 A CN 202311117351A CN 116862908 B CN116862908 B CN 116862908B
- Authority
- CN
- China
- Prior art keywords
- corner
- suspected
- points
- fitting curve
- point
- 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
- 239000002184 metal Substances 0.000 title claims abstract description 57
- 230000007547 defect Effects 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000005316 response function Methods 0.000 claims abstract description 103
- 230000005764 inhibitory process Effects 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims description 29
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003112 inhibitor Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000002994 raw material Substances 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
- 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
- G06T2207/30136—Metal
-
- 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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像角点检测技术领域,公开了一种基于图像处理的金属齿轮啮合缺陷检测方法,该方法包括:利用像素点的V通道值得到像素点的反光抑制因子;利用反光抑制因子和角点响应函数得到像素点的目标角点响应函数;利用像素点的目标角点响应函数的行拟合曲线和列拟合曲线得到疑似角点;根据每个疑似角点在行拟合曲线和列拟合曲线中的凸出程度,以及目标角点响应函数得到每个疑似角点的疑似程度;利用疑似角点的疑似程度确定出角点;根据每个角点与齿轮中心的距离判断金属齿轮是否存在啮合缺陷。本发明提高了金属齿轮啮合缺陷识别的准确性。
Description
技术领域
本发明涉及图像角点检测技术领域,具体涉及一种基于图像处理的金属齿轮啮合缺陷检测方法。
背景技术
金属齿轮在加工生产时由于设备参数出现偏差、使用原料选取不当等原因会产生断齿、齿短、齿崩、缺齿、齿歪的缺陷,这些缺陷均会影响金属齿轮的精确性,进而导致齿轮啮合出现问题,影响设备整体运行。
检测金属齿轮啮合缺陷,需要先获取金属齿轮的每个齿顶位置,根据齿顶位置分析金属齿轮的啮合是否存在缺陷,现有技术通常利用哈里斯角点检测获取金属齿轮的每个齿顶。哈里斯角点检测是根据图像中像素点与邻域内像素点的灰度变化差异获取得到角点响应函数,设置角点响应函数的阈值获取齿顶的角点。
在设置角点响应函数的阈值时,未考虑角点响应函数的整体分布,只考虑角点响应函数的大小,会导致设定的阈值不够准确,阈值过大,会出现角点提取不完全的问题,阈值过小会出现伪角点,得到的角点不够准确;尤其在采集金属齿轮表面的图像时,由于金属自身特征会使得图像中存在反光区域,反光区域中像素点的灰度值会发生变化,导致通过每个像素点与邻域内像素点的灰度变化差异获取的角点响应函数不准确,进而根据角点响应函数的大小设置阈值时,得到的阈值更加不准确,从而使得到的齿顶的角点不准确,导致对金属齿轮的啮合缺陷识别不够准确。
发明内容
本发明提供一种基于图像处理的金属齿轮啮合缺陷检测方法,以解决现有的只考虑角点响应函数大小导致得到的阈值不准确,尤其是反光导致像素点的角点响应函数不准确导致设置的阈值更加不准确,进而导致得到的角点不准确使得对齿轮的啮合缺陷识别不准确的问题。
本发明的一种基于图像处理的金属齿轮啮合缺陷检测方法,采用如下技术方案:
获取待检测金属齿轮表面的HSV图像和灰度图像;
利用每个像素点的V通道值得到每个像素点的反光抑制因子,对灰度图像进行角点检测得到每个像素点的角点响应函数;利用每个像素点的反光抑制因子和角点响应函数得到每个像素点的目标角点响应函数;
分别获取灰度图像中每行像素点和每列像素点的目标角点响应函数的行拟合曲线和列拟合曲线,利用行拟合曲线和列拟合曲线得到灰度图像中的疑似角点;
利用每个疑似角点的相邻像素点的目标角点响应函数得到每个疑似角点在行拟合曲线和列拟合曲线中的凸出程度;
根据每个疑似角点在行拟合曲线和列拟合曲线中的凸出程度,以及目标角点响应函数得到每个疑似角点的疑似程度;
利用灰度图像中所有疑似角点的疑似程度从疑似角点中确定出角点;
根据灰度图像中每个角点与齿轮中心的距离判断金属齿轮是否存在啮合缺陷。
进一步,获取每个像素点的反光抑制因子的方法为:
获取HSV图像中的最大V通道值和最小V通道值;
将最大V通道值减去每个像素点的V通道值的差值,与最大V通道值减去最小V通道值的差值的比值,作为每个像素点的反光抑制因子。
进一步,获取灰度图像中的疑似角点的方法为:
获取每个行拟合曲线和列拟合曲线中的极大值点;
将每个行拟合曲线中极大值点对应的像素点确定为对应行的初始疑似角点;
将每个列拟合曲线中极大值点对应的像素点确定为对应列的初始疑似角点;
将灰度图像中在行和列中都被确定为初始疑似角点的像素点作为疑似角点。
进一步,得到每个像素点的目标角点响应函数的方法为:
将每个像素点的反光抑制因子与角点响应函数相乘得到的乘积作为每个像素点的目标角点响应函数。
进一步,获取每个疑似角点在行拟合曲线和列拟合曲线中的凸出程度方法为:
根据下式计算每个疑似角点在行拟合曲线中的凸出程度:
其中,表示第/>个疑似角点在行拟合曲线中的凸出程度;/>表示第/>个疑似角点的目标角点响应函数;/>表示第/>个疑似角点在所属行相邻的第/>个像素点的目标角点响应函数;/>表示第/>个疑似角点在所属行相邻的第/>个像素点的目标角点响应函数;/>表示/>的权重值;/>表示/>的权重值;
利用得到每个疑似角点在行拟合曲线中的凸出程度的方法计算每个疑似角点在列拟合曲线中的凸出程度。
进一步,获取每个疑似角点的疑似程度的公式为:
其中,表示第/>个疑似角点的疑似程度;/>表示第/>个疑似角点在行拟合曲线中的凸出程度;/>表示第/>个疑似角点在列拟合曲线中的凸出程度;/>表示第/>个疑似角点的目标角点响应函数;函数/>为归一化函数;/>表示/>的权重值,/>表示的权重值。
进一步,从疑似角点中确定出角点的方法为:
获取灰度图像中所有疑似角点的疑似程度的均值,将得到的均值作为疑似程度阈值;
将灰度图像中疑似程度大于疑似程度阈值的疑似角点确定为角点。
进一步,判断金属齿轮是否存在啮合缺陷的方法为:
若灰度图像中所有角点与齿轮中心的距离符合周期性,则金属齿轮不存在啮合缺陷;
若灰度图像中存在角点与齿轮中心的距离不符合周期性,则金属齿轮存在啮合缺陷。
进一步地,获取待检测金属齿轮表面的HSV图像的方法为:获取待检测金属齿轮表面的RGB图像,将RGB图像转换为HSV图像。
进一步地,获取待检测金属齿轮表面的灰度图像的方法为:获取待检测金属齿轮表面的RGB图像,将RGB图像转换为灰度图像。
本发明的有益效果是:本发明的一种基于图像处理的金属齿轮啮合缺陷检测方法,通过每个像素点的V通道值得到的反光抑制因子对像素点的角点响应函数进行调整,得到像素点的目标角点响应函数,V通道值越大,认为反光程度越严重,角点检测时得到的角点响应函数越不准确,通过抑制因子对角点响应函数进行调节,降低了由于反光导致的像素点与邻域像素点灰度值差异较大进而导致的角点响应函数较大的影响,使得到的目标角点响应函数更加准确;通过行拟合曲线和列拟合曲线得到灰度图像中的疑似角点,结合像素点在行和列中得到的目标角点响应函数进行分析,排除了只在行或列其中一种的目标角点响应函数较大的边缘点的影响,使得到的疑似角点更准确;通过疑似角点在行拟合曲线和列拟合曲线中的凸出程度得到每个疑似角点的疑似程度,即通过角点与邻域像素点的目标角点响应函数的差异较大的特征,对更接近角点的疑似角点赋予更大的疑似程度,使得后续通过疑似程度得到的角点更加准确;由于金属齿轮的齿顶的角点与齿轮中心的距离是符合规律性的,因此根据角点与齿轮中心的距离分析齿轮是否存在啮合缺陷。
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为本发明的一种基于图像处理的金属齿轮啮合缺陷检测方法的实施例总体步骤的流程图;
图2为待检测金属齿轮表面的灰度图像。
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。
本发明的一种基于图像处理的金属齿轮啮合缺陷检测方法的实施例,如图1所示,该方法包括:
S1、获取待检测金属齿轮表面的HSV图像和灰度图像。
具体的,在金属齿轮生产线上方布置相机,采集生产完成的金属齿轮表面的RGB图像。由于金属具有反光特性,采集到的RGB图像中存在反光区域,反光区域的像素点的灰度值会发生变化,在后续根据灰度值进行角点分析时会存在角点检测不准确的问题,所以需要对反光区域进行调节,而是否为反光区域需要根据像素点在HSV空间中的V通道值进行分析,V通道值即亮度值。
所以将采集的RGB图像转换为HSV图像,获取每个像素点的V通道值,每个像素点的V通道值即像素点的亮度信息。
将采集的RGB图像转化为灰度图像,如图2所示,用于后续进一步分析。
S2、利用每个像素点的V通道值得到每个像素点的反光抑制因子,对灰度图像进行角点检测得到每个像素点的角点响应函数;利用每个像素点的反光抑制因子和角点响应函数得到每个像素点的目标角点响应函数。
当金属齿轮的齿顶区域出现反光时,齿顶像素点与邻域像素点的灰度差值相对未发生反光的正常区域中齿顶像素点与邻域像素点的灰度差值偏大,此时若直接设定阈值进行角点提取,会使得到的齿顶的角点不准确,进而影响后续啮合缺陷检测。所以首先需要根据像素点的亮度信息获取每一点的反光抑制因子,降低由于反光导致的像素值差异。
具体的,获取HSV图像中的最大V通道值和最小V通道值;将最大V通道值减去每个像素点的V通道值的差值,与最大V通道值减去最小V通道值的差值的比值,作为每个像素点的反光抑制因子。根据下式计算每个像素点的反光抑制因子:
其中,表示像素点的反光抑制因子;/>表示HSV图像中的最大V通道值;表示HSV图像中的最小V通道值;/>表示HSV图像中第/>个像素点的V通道值;当像素点V通道值越大时,认为该像素点属于反光区域的可能性越大,利用最大V通道值/>与该像素点的V通道值做差值,利用差值与HSV图像中V通道值的最大差异值/>求比值得到反光抑制因子,是为了将反光抑制因子调节到[0-1]的区间,便于后续对检测到的角点响应函数赋予权值进行调节。像素点的亮度值越大,得到的反光抑制因子越小。
利用哈里斯Harris角点检测算法对灰度图像进行角点检测得到灰度图像中每个像素点的角点响应函数,哈里斯Harris角点检测算法为现有技术,在此不作赘述。此时得到的角点响应函数是在存在反光区域的情况下得到的,所以得到的角点响应函数不够准确,需要通过V通道值得到的反光抑制因子进行调节,即将每个像素点的反光抑制因子与角点响应函数相乘得到的乘积作为每个像素点的目标角点响应函数。
具体的,根据下式计算每个像素点的目标角点响应函数:
其中,表示像素点的目标角点响应函数;/>表示像素点的反光抑制因子;/>表示像素点的角点响应函数;像素点的反光抑制因子越小,表示受到的反光影响越大,使得该像素点与邻域像素点的灰度差异越大,进而在角点检测时得到的角点响应函数越大,所以需要通过较小的反光抑制因子与角点响应函数相乘,将得到的较大的角点响应函数调小,使得更加接近该像素点不受反光影响时的角点响应函数。
S3、分别获取灰度图像中每行像素点和每列像素点的目标角点响应函数的行拟合曲线和列拟合曲线,利用行拟合曲线和列拟合曲线得到灰度图像中的疑似角点,利用每个疑似角点的相邻像素点的目标角点响应函数得到每个疑似角点在行拟合曲线和列拟合曲线中的凸出程度。
具体的,对灰度图像中每行像素点的目标角点响应函数进行曲线拟合,得到每行像素点的目标角点响应函数的行拟合曲线,对灰度图像中每列像素点的目标角点响应函数进行曲线拟合,得到每列像素点的目标角点响应函数的列拟合曲线;获取每个行拟合曲线和列拟合曲线中的极大值点;将每个行拟合曲线中极大值点对应的像素点确定为对应行的初始疑似角点;将每个列拟合曲线中极大值点对应的像素点确定为对应列的初始疑似角点,将灰度图像中在行和列中都被确定为初始疑似角点的像素点作为疑似角点。
若某个像素点在行中被确定为初始疑似角点,但是在列中不是初始疑似角点;或者在列中被确定为初始疑似角点,但是在行中不是初始疑似角点,则该像素点只在一个方向上的灰度差异较大,另一个垂直方向上的灰度差异不大,所以该像素点可能为边缘点,而不是角点,所以排除这部分可能为边缘点的初始疑似角点,将在两个方向上灰度差异都比较明显的像素点,即在行和列中都被确定为初始疑似角点的像素点,确定为疑似角点。
根据下式计算每个疑似角点在行拟合曲线中的凸出程度:
其中,表示第/>个疑似角点在行拟合曲线中的凸出程度;/>表示第/>个疑似角点的目标角点响应函数;/>表示第/>个疑似角点在所属行相邻的第/>个像素点的目标角点响应函数;/>表示第/>个疑似角点在所属行相邻的第/>个像素点的目标角点响应函数;/>表示第/>个疑似角点与两个邻域像素点的目标角点响应函数的差值中的较大值,/>表示第/>个疑似角点与两个邻域像素点的目标角点响应函数的差值中的较小值;
表示/>的权重值;/>表示/>的权重值。
从与两个邻域像素点的目标角点响应函数的差值中选出较大值,差值中的较大值越大,说明该像素点与邻域像素点的目标角点响应函数越大,在行拟合曲线中的凸出程度越大;设定/>是为了排除该疑似角点与两个邻域像素点的其中一个目标角点响应函数差值较大,一个差值较小的情况,因为此时该疑似角点只在单侧凸出程度大,比较接近边缘点,所以取差值中的较小值与较大值作比值,较小值越小,得到的比值越小,得到的凸出程度越小,结合较大值共同得到该疑似角点在行拟合曲线中的凸出程度。由于差值较大的数值对凸出程度的影响较大,所以对/>赋予较大的权重值,设定/>为0.6,对差值中的较小值与较大值的比值赋予较小的权重,/>为0.4,具体权重的数值可根据具体情况自行调整。
利用得到每个疑似角点在行拟合曲线中的凸出程度的方法计算每个疑似角点在列拟合曲线中的凸出程度,在计算疑似角点在列拟合曲线中凸出程度时,公式中的则表示第/>个疑似角点在所属列相邻的第/>个像素点的目标角点响应函数,/>表示第/>个疑似角点在所属列相邻的第/>个像素点的目标角点响应函数。
至此,得到了灰度图像中每个像素点在行拟合曲线和列拟合曲线中的凸出程度。
S4、根据每个疑似角点在行拟合曲线和列拟合曲线中的凸出程度,以及目标角点响应函数得到每个疑似角点的疑似程度。
具体的,根据下式计算每个疑似角点的疑似程度:
其中,表示第/>个疑似角点的疑似程度;/>表示第/>个疑似角点在行拟合曲线中的凸出程度;/>表示第/>个疑似角点在列拟合曲线中的凸出程度;/>表示第/>个疑似角点的目标角点响应函数;函数/>为归一化函数;/>表示/>的权重值,/>表示的权重值。
对每个疑似角点,在所属行拟合曲线和列拟合曲线上都存在凸出程度,疑似角点的疑似程度受到在行拟合曲线和列拟合曲线得到的凸出程度的共同影响,所以结合在行拟合曲线和列拟合曲线上的凸出程度共同计算疑似角点的疑似程度,利用疑似角点在行拟合曲线和列拟合曲线的凸出程度得到疑似角点的综合凸出程度, 疑似角点与邻域像素点的目标角点响应函数的差异越大,即疑似角点在对应的行拟合曲线和列拟合曲线上的凸出程度/>和/>越大,综合凸出程度越大,说明该疑似角点越可能是角点,即疑似角点的疑似程度越大;疑似角点的疑似程度还需要考虑疑似角点自身的目标角点响应函数的影响,目标角点响应函数越大,该疑似角点的疑似程度越大;结合疑似角点自身的目标角点响应函数以及与邻域像素点的目标角点响应函数的差异即凸出程度,共同确定疑似角点的疑似程度,得到的疑似程度更加准确。利用函数/>对两项特征进行归一化,方便后续选取阈值,并且由于凸出程度对疑似程度的影响相对于自身的目标角点响应函数的影响较大,所以对综合凸出程度/>的归一化值赋予权重值/>,对自身的目标角点响应函数的归一化值赋予权重值/>。权重值可根据具体情况进行调整。
S5、利用灰度图像中所有疑似角点的疑似程度从疑似角点中确定出角点。
具体的,获取灰度图像中所有疑似角点的疑似程度的均值,将得到的均值作为疑似程度阈值,将灰度图像中疑似程度大于疑似程度阈值的疑似角点确定为角点,得到的角点为齿顶的角点。
利用疑似程度的均值自适应得到疑似程度阈值排除了疑似程度较小的疑似角点,即伪角点对最终的齿顶的角点的影响,相对于仅根据角点检测得到的角点响应函数的大小设置阈值导致的角点提取不完全或提取得到伪角点的情况,本方案通过计算疑似程度考虑到了疑似角点与邻域像素点的目标角点响应函数的差异,再结合疑似角点的目标角点响应函数,使得到用于确定角点的疑似程度阈值更加准确,得到的角点更加准确,增大了后续对金属齿轮进行啮合缺陷检测的准确性。
S6、根据灰度图像中每个角点与齿轮中心的距离判断金属齿轮是否存在啮合缺陷。
获取每个齿顶的角点到金属齿轮中心的距离,由于对于正常齿轮而言,齿顶与齿轮中心的距离呈周期性,在本方案的灰度图像中,每四个角点到齿轮中心的距离为一个周期,所以通过判断距离的周期性,分析齿轮是否出现啮合缺陷,若出现违背周期性的突变点,此时判定出现啮合缺陷。
即若灰度图像中所有角点与齿轮中心的距离符合周期性,则金属齿轮不存在啮合缺陷;若灰度图像中存在角点与齿轮中心的距离不符合周期性,则金属齿轮存在啮合缺陷。
综上所述,本发明提供一种基于图像处理的金属齿轮啮合缺陷检测方法,通过每个像素点的V通道值得到的反光抑制因子对像素点的角点响应函数进行调整,得到像素点的目标角点响应函数,V通道值越大,认为反光程度越严重,角点检测时得到的角点响应函数越不准确,通过抑制因子对角点响应函数进行调节,降低了由于反光导致的像素点与邻域像素点灰度值差异较大进而导致的角点响应函数较大的影响,使得到的目标角点响应函数更加准确;通过行拟合曲线和列拟合曲线得到灰度图像中的疑似角点,结合像素点在行和列中得到的目标角点响应函数进行分析,排除了只在行或列其中一种的目标角点响应函数较大的边缘点的影响,使得到的疑似角点更准确;通过疑似角点在行拟合曲线和列拟合曲线中的凸出程度得到每个疑似角点的疑似程度,即通过角点与邻域像素点的目标角点响应函数的差异较大的特征,对更接近角点的疑似角点赋予更大的疑似程度,使得后续通过疑似程度得到的角点更加准确;由于金属齿轮的齿顶的角点与齿轮中心的距离是符合规律性的,因此根据角点与齿轮中心的距离分析齿轮是否存在啮合缺陷。
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 (5)
1.一种基于图像处理的金属齿轮啮合缺陷检测方法,其特征在于,包括:
获取待检测金属齿轮表面的HSV图像和灰度图像;
利用每个像素点的V通道值得到每个像素点的反光抑制因子,对灰度图像进行角点检测得到每个像素点的角点响应函数;利用每个像素点的反光抑制因子和角点响应函数得到每个像素点的目标角点响应函数;
分别获取灰度图像中每行像素点和每列像素点的目标角点响应函数的行拟合曲线和列拟合曲线,利用行拟合曲线和列拟合曲线得到灰度图像中的疑似角点;
利用每个疑似角点的相邻像素点的目标角点响应函数得到每个疑似角点在行拟合曲线和列拟合曲线中的凸出程度;
根据每个疑似角点在行拟合曲线和列拟合曲线中的凸出程度,以及目标角点响应函数得到每个疑似角点的疑似程度;
利用灰度图像中所有疑似角点的疑似程度从疑似角点中确定出角点;
根据灰度图像中每个角点与齿轮中心的距离判断金属齿轮是否存在啮合缺陷;
获取每个像素点的反光抑制因子的方法为:
获取HSV图像中的最大V通道值和最小V通道值;
将最大V通道值减去每个像素点的V通道值的差值,与最大V通道值减去最小V通道值的差值的比值,作为每个像素点的反光抑制因子;
获取灰度图像中的疑似角点的方法为:
获取每个行拟合曲线和列拟合曲线中的极大值点;
将每个行拟合曲线中极大值点对应的像素点确定为对应行的初始疑似角点;
将每个列拟合曲线中极大值点对应的像素点确定为对应列的初始疑似角点;
将灰度图像中在行和列中都被确定为初始疑似角点的像素点作为疑似角点;
得到每个像素点的目标角点响应函数的方法为:
将每个像素点的反光抑制因子与角点响应函数相乘得到的乘积作为每个像素点的目标角点响应函数;
获取每个疑似角点在行拟合曲线和列拟合曲线中的凸出程度方法为:
根据下式计算每个疑似角点在行拟合曲线中的凸出程度:
其中,表示第/>个疑似角点在行拟合曲线中的凸出程度;/>表示第/>个疑似角点的目标角点响应函数;/>表示第/>个疑似角点在所属行相邻的第/>个像素点的目标角点响应函数;/>表示第/>个疑似角点在所属行相邻的第/>个像素点的目标角点响应函数;/>表示/>的权重值;/>表示/>的权重值;
利用得到每个疑似角点在行拟合曲线中的凸出程度的方法计算每个疑似角点在列拟合曲线中的凸出程度;
获取每个疑似角点的疑似程度的公式为:
其中,表示第/>个疑似角点的疑似程度;/>表示第/>个疑似角点在行拟合曲线中的凸出程度;/>表示第/>个疑似角点在列拟合曲线中的凸出程度;/>表示第/>个疑似角点的目标角点响应函数;函数/>为归一化函数;/>表示/>的权重值,/>表示的权重值。
2.根据权利要求1所述的一种基于图像处理的金属齿轮啮合缺陷检测方法,其特征在于,从疑似角点中确定出角点的方法为:
获取灰度图像中所有疑似角点的疑似程度的均值,将得到的均值作为疑似程度阈值;
将灰度图像中疑似程度大于疑似程度阈值的疑似角点确定为角点。
3.根据权利要求1所述的一种基于图像处理的金属齿轮啮合缺陷检测方法,其特征在于,判断金属齿轮是否存在啮合缺陷的方法为:
若灰度图像中所有角点与齿轮中心的距离符合周期性,则金属齿轮不存在啮合缺陷;
若灰度图像中存在角点与齿轮中心的距离不符合周期性,则金属齿轮存在啮合缺陷。
4.根据权利要求1所述的一种基于图像处理的金属齿轮啮合缺陷检测方法,其特征在于,获取待检测金属齿轮表面的HSV图像的方法为:获取待检测金属齿轮表面的RGB图像,将RGB图像转换为HSV图像。
5.根据权利要求1所述的一种基于图像处理的金属齿轮啮合缺陷检测方法,其特征在于,获取待检测金属齿轮表面的灰度图像的方法为:获取待检测金属齿轮表面的RGB图像,将RGB图像转换为灰度图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311117351.6A CN116862908B (zh) | 2023-09-01 | 2023-09-01 | 一种基于图像处理的金属齿轮啮合缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311117351.6A CN116862908B (zh) | 2023-09-01 | 2023-09-01 | 一种基于图像处理的金属齿轮啮合缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116862908A CN116862908A (zh) | 2023-10-10 |
CN116862908B true CN116862908B (zh) | 2023-11-24 |
Family
ID=88230753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311117351.6A Active CN116862908B (zh) | 2023-09-01 | 2023-09-01 | 一种基于图像处理的金属齿轮啮合缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116862908B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649412B (zh) * | 2024-01-30 | 2024-04-09 | 山东海天七彩建材有限公司 | 一种铝材表面质量的检测方法 |
CN118470016A (zh) * | 2024-07-11 | 2024-08-09 | 苏州诺达佳自动化技术有限公司 | 一种基于图像处理的工件外观缺陷的视觉检测系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3620983A1 (en) * | 2018-09-05 | 2020-03-11 | Sartorius Stedim Data Analytics AB | Computer-implemented method, computer program product and system for data analysis |
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 |
WO2022161172A1 (zh) * | 2021-01-29 | 2022-08-04 | 深圳光峰科技股份有限公司 | 图像中图形角点的识别方法、装置、介质及电子设备 |
CN115049667A (zh) * | 2022-08-16 | 2022-09-13 | 启东市群鹤机械设备有限公司 | 一种齿轮缺陷检测方法 |
CN115082482A (zh) * | 2022-08-23 | 2022-09-20 | 山东优奭趸泵业科技有限公司 | 一种金属表面缺陷检测方法 |
CN115205835A (zh) * | 2022-09-08 | 2022-10-18 | 山东特联信息科技有限公司 | 液化石油气标签图形识别系统 |
CN115457035A (zh) * | 2022-11-10 | 2022-12-09 | 山东鲁旺机械设备有限公司 | 基于机器视觉的建筑吊篮焊接质量检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10726540B2 (en) * | 2017-10-17 | 2020-07-28 | International Business Machines Corporation | Self-similarity analysis for defect detection on patterned industrial objects |
CN108387587B (zh) * | 2018-01-22 | 2020-07-31 | 京东方科技集团股份有限公司 | 缺陷检测方法及缺陷检测设备 |
US11587250B2 (en) * | 2021-06-21 | 2023-02-21 | University Of Electronic Science And Technology Of China | Method for quantitatively identifying the defects of large-size composite material based on infrared image sequence |
-
2023
- 2023-09-01 CN CN202311117351.6A patent/CN116862908B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3620983A1 (en) * | 2018-09-05 | 2020-03-11 | Sartorius Stedim Data Analytics AB | Computer-implemented method, computer program product and system for data analysis |
WO2022161172A1 (zh) * | 2021-01-29 | 2022-08-04 | 深圳光峰科技股份有限公司 | 图像中图形角点的识别方法、装置、介质及电子设备 |
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 |
CN115049667A (zh) * | 2022-08-16 | 2022-09-13 | 启东市群鹤机械设备有限公司 | 一种齿轮缺陷检测方法 |
CN115082482A (zh) * | 2022-08-23 | 2022-09-20 | 山东优奭趸泵业科技有限公司 | 一种金属表面缺陷检测方法 |
CN115205835A (zh) * | 2022-09-08 | 2022-10-18 | 山东特联信息科技有限公司 | 液化石油气标签图形识别系统 |
CN115457035A (zh) * | 2022-11-10 | 2022-12-09 | 山东鲁旺机械设备有限公司 | 基于机器视觉的建筑吊篮焊接质量检测方法 |
Non-Patent Citations (5)
Title |
---|
High-Speed and Accurate Method for the Gear Surface Integrity Detection Based on Visual Imaging;Wei Shao;2021 International Conference of Optical Imaging and Measurement (ICOIM);全文 * |
基于LabVIEW的塑料齿轮缺齿检测系统设计;任楷飞;孟令军;顾泽凌;;现代电子技术(第04期);全文 * |
基于机器视觉的卡簧装配缺失检测;张萍;孔令成;申红银;周平;;新技术新工艺(第04期);全文 * |
基于机器视觉的金属边缘细微缺陷检测方法的研究;刘建春;林海森;黄勇杰;江骏杰;;制造技术与机床(第11期);全文 * |
基于灰度差预处理的改进Harris角点检测算法;汪海洋;陈德林;帅一师;郭宏宇;吴成;岳林帮;;电子技术与软件工程(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116862908A (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116862908B (zh) | 一种基于图像处理的金属齿轮啮合缺陷检测方法 | |
WO2022110804A1 (zh) | 一种基于局部统计信息的图像噪声检测方法、装置 | |
CN116245880B (zh) | 基于红外识别的电动车充电桩火灾风险检测方法 | |
US20190003987A1 (en) | Surface defect inspecting device and method for steel sheets | |
US20040051798A1 (en) | Method for detecting and correcting defective pixels in a digital image sensor | |
CN102724405A (zh) | 视频成像系统中背光式场景的自动曝光补偿方法及装置 | |
CN105791709A (zh) | 带有逆光补偿的自动曝光处理方法及装置 | |
CN109671046B (zh) | 利用皮肤图像分析皮肤水分的方法及装置 | |
US20180017503A1 (en) | Surface defect inspecting device and method for hot-dip coated steel sheets | |
JP2006195651A (ja) | 階調補正装置 | |
CN117115153B (zh) | 基于视觉辅助的印制线路板质量智能检测方法 | |
CN118037722B (zh) | 一种铜管生产缺陷检测方法及系统 | |
CN116721107B (zh) | 一种电缆生产质量智能监控系统 | |
CN117095004B (zh) | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 | |
CN107274364B (zh) | 一种图像增强方法及装置 | |
CN111612773B (zh) | 一种红外热像仪及实时自动盲元检测处理方法 | |
CN115049668B (zh) | 基于特征抽取的钢带辊印识别方法 | |
JP4865328B2 (ja) | 画像センサ | |
CN117058147A (zh) | 基于计算机视觉的环保塑料制品缺陷检测方法 | |
CN116630322A (zh) | 基于机器视觉的pcba板的质量检测方法 | |
CN115018785A (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
CN117237350B (zh) | 一种铸钢件质量实时检测方法 | |
WO2019007164A1 (zh) | 纸币涂鸦的检测方法及装置 | |
CN117314905A (zh) | 一种基于图像处理的预制楼梯智能检测方法及系统 | |
CN115861318B (zh) | 一种棉花加工生产质量检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |