CN116862909B - 一种基于三维成像的金属封装外壳检测方法及系统 - Google Patents

一种基于三维成像的金属封装外壳检测方法及系统 Download PDF

Info

Publication number
CN116862909B
CN116862909B CN202311122674.4A CN202311122674A CN116862909B CN 116862909 B CN116862909 B CN 116862909B CN 202311122674 A CN202311122674 A CN 202311122674A CN 116862909 B CN116862909 B CN 116862909B
Authority
CN
China
Prior art keywords
packaging shell
metal packaging
characteristic
contour line
metal
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
CN202311122674.4A
Other languages
English (en)
Other versions
CN116862909A (zh
Inventor
韩伟
卞如民
叶留芳
王亮
刘俊
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.)
Taizhou Hangyu Electrical Device Co ltd
Original Assignee
Taizhou Hangyu Electrical Device 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 Taizhou Hangyu Electrical Device Co ltd filed Critical Taizhou Hangyu Electrical Device Co ltd
Priority to CN202311122674.4A priority Critical patent/CN116862909B/zh
Publication of CN116862909A publication Critical patent/CN116862909A/zh
Application granted granted Critical
Publication of CN116862909B publication Critical patent/CN116862909B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/64—Analysis of geometric attributes of convexity or concavity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/752—Contour matching
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Computer Graphics (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于三维成像的金属封装外壳检测方法及系统，涉及外壳检测技术领域，该检测方法包括以下步骤：获取金属封装外壳的三维坐标，并基于三维坐标生成三维图像；将三维图像划分为若干区域，从各区域中提取金属封装外壳的局部特征，并基于局部特征分别对金属封装外壳的尺寸、厚度及纹理进行检测；从三维图像中提取金属封装外壳的特征轮廓线，并对特征轮廓线进行匹配；基于特征轮廓线匹配结果对金属封装外壳进行类型划分；将金属封装外壳的各项检测结果及评估结果以图表的形式进行可视化展示。本发明通过对特征轮廓线的分析及匹配，能够更准确地判断金属封装外壳的形状特征，进而有助于将金属封装外壳划分为规则类型和不规则类型。

Description

一种基于三维成像的金属封装外壳检测方法及系统
技术领域
本发明涉及外壳检测技术领域，更具体地，涉及一种基于三维成像的金属封装外壳检测方法及系统。
背景技术
金属封装外壳是一种常见的工业产品，主要用于保护设备的内部组件，这种外壳通常由金属制成，以提供良好的机械强度和电磁屏蔽性能，金属封装外壳可以用于各种设备，包括电子设备、机械设备、汽车部件等，在检测和质量控制过程中，可能需要对这些外壳进行详细的检查，以确保它们的尺寸、形状、完整性和其他物理属性满足特定的要求。
金属封装外壳是电子产品中的重要组成部分之一，质量问题可能会导致产品性能下降、故障发生或安全隐患，通过对金属封装外壳进行检测，能够及早发现并排除潜在的质量问题，确保产品的质量和可靠性，对金属封装外壳进行检测是为了确保产品质量、故障分析、安全性评估和防伪识别等方面的需要。并通过有效的检测方法和技术，能够提高产品的质量和可靠性，满足市场和用户的需求。
金属封装外壳通常有较多形状类型，不规则形状的金属封装外壳具有更为复杂的几何形状，如曲线、角度变化、不规则边缘等，而传统的金属封装外壳检测方法通常更适用于规则形状的金属封装外壳，对于不规则形状的金属封装外壳的复杂性可能更加难以捕捉或分析，进而在检测过程中会降低对不规则形状或复杂结构的金属封装外壳的检测效率。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
本发明的主要目的在于提供一种基于三维成像的金属封装外壳检测方法及系统，以克服现有相关技术所存在的上述技术问题。
为此，本发明采用的具体技术方案如下：
根据本发明的一个方面，提供了一种基于三维成像的金属封装外壳检测方法，该检测方法包括以下步骤：
S1、利用三维成像设备对金属封装外壳进行全面扫描，获取金属封装外壳的三维坐标，并基于三维坐标生成三维图像；
S2、将三维图像划分为若干区域，从各区域中提取金属封装外壳的局部特征，并基于局部特征分别对金属封装外壳的尺寸、厚度及纹理进行检测；
S3、从三维图像中提取金属封装外壳的特征轮廓线，并对特征轮廓线进行匹配；
S4、基于特征轮廓线匹配结果对金属封装外壳进行类型划分，并基于划分结果对封装平整度进行评估；
S5、制定标准化评分体系，将金属封装外壳的各项检测结果及评估结果以图表的形式进行可视化展示。
可选地，所述将三维图像划分为若干区域，从各区域中提取金属封装外壳的局部特征，并基于局部特征分别对金属封装外壳的尺寸、厚度及纹理进行检测包括以下步骤：
S21、采用图像分割算法将三维图像划分为若干独立区域，并确保划分后的区域包含金属封装外壳的局部区域；
S22、计算局部区域的边界得到特征值，并根据特征值计算金属封装外壳的尺寸信息；
S23、计算局部区域的高度变化得到高度差异，并根据高度差异计算金属封装外壳的厚度信息；
S24、对三维图像进行局部特征提取，得到金属封装外壳的纹理特征；
S25、分别将尺寸信息、厚度信息及纹理特征与预设限值范围进行比对，并将不满足预设限值范围的金属封装外壳进行标记。
可选地，所述对三维图像进行局部特征提取，得到金属封装外壳的纹理特征包括以下步骤：
S241、将金属封装外壳的三维图像转换至HSV颜色空间，并获得亮度分量、色调分量及饱和度分量；
S242、对亮度分量图像进行高斯滤波，构建亮度分量的多尺度空间，并分别计算每个高斯滤波图像的SCLBC分量、MCLBC分量和CCLBC分量；
S243、获取SCLBC分量、MCLBC分量和CCLBC分量的联合直方图，并在每个尺度的联合直方图中按模式跨尺度取得最大值；
S244、将最大直方图特征进行级联，作为三维图像的灰度纹理特征；
S245、将色调分量和饱和度分量进行粗略量化，并计算粗略量化后色调分量和饱和度分量的联合直方图，作为三维图像的粗略颜色信息；
S246、将粗略颜色信息与灰度纹理特征进行融合，作为金属封装外壳的最终纹理特征。
可选地，所述SCLBC分量、MCLBC分量和CCLBC分量的计算公式为：式中，g p 表示P个邻域点的灰度值；
m p 表示邻域点与中心点的灰度差；
c m 表示邻域点与中心点的灰度差的均值；
g c 表示局部环形邻域中心点的灰度值；
c I 表示平均灰度值；
s表示阈值函数。
可选地，所述从三维图像中提取金属封装外壳的特征轮廓线，并对特征轮廓线进行匹配包括以下步骤：
S31、采用内外边性质算法提取三维图像中金属封装外壳的外轮廓线；
S32、获得外壳边缘与原表面之间的角度变化的先验值，并获取几何特征变化明显的候选特征点集；
S33、通过外轮廓线的长度及先验值确定金属封装外壳边缘面积的上限，筛选出包含内轮廓线的特征点集；
S34、对特征点集进行扫描获取内轮廓线，并将内轮廓线进行连接形成特征轮廓线；
S35、计算相邻两条特征轮廓线的最长匹配子段，并将最长匹配子段的起点和终点重合，实现特征轮廓线的匹配。
可选地，所述计算相邻两条特征轮廓线的最长匹配子段，并将最长匹配子段的起点和终点重合，实现特征轮廓线的匹配包括以下步骤：
S351、获取两条特征轮廓线的匹配对点，并利用虚拟工具测量特征轮廓线的周长和面积；
S352、在特征轮廓线上将预设顶点作为起始点，并计算特征轮廓线的曲率；
S353、构造曲率处理表，从曲率处理表中遍历特征轮廓线的最长匹配子串，并计算最长匹配子串对应的轮廓线端点；
S354、分别将特征轮廓线的周长、面积分别与最长匹配子串进行匹配；
S355、结合匹配对点对特征轮廓线进行匹配，并根据方差估计最小原则对其进行调整，得到最终的轮廓线匹配结果。
可选地，所述基于特征轮廓线匹配结果对金属封装外壳进行类型划分，并基于划分结果对封装平整度进行评估包括以下步骤：
S41、根据特征轮廓线匹配结果，将金属封装外壳划分为规则类型和不规则类型；
S42、对于规则类型的金属封装外壳，计算其表面的平行度特征，以评估其表面的平坦程度；
S43、对于不规则类型的金属封装外壳，计算其表面的凹凸度特征，以评估其表面的粗糙程度。
可选地，所述对于规则类型的金属封装外壳，计算其表面的平行度特征，以评估其表面的平坦程度包括以下步骤：
S421、在特征轮廓线上获取轮廓点集合，并基于轮廓点集合获取基于三维图像的有效像素集合；
S422、根据平行算子计算有效像素的平行点组，并统计平行点组的梯度方向，利用Hough变换得到平行直线；
S423、验证平行直线交点之间线段的存在性，将存在的线段组合作为封闭多边形；
S424、根据封闭多边形的线段长度和线段间距衡量平行度特征；
S425、根据平行度特征的统计结果对金属封装外壳的表面平坦度进行评估。
可选地，所述对于不规则类型的金属封装外壳，计算其表面的凹凸度特征，以评估其表面的粗糙程度包括以下步骤：
S431、在特征轮廓线上计算绝对值大于阈值的局部极大点及局部极小点，并将局部极大点及局部极小点作为实际轮廓上的角点；
S432、对相邻两角点之间的曲率进行累加，得到曲率累加和曲线；
S433、计算相邻两角点之间的曲率累加和曲线的角点，并将该角点作为实际轮廓上的切点；
S434、根据曲率累加和曲线的特征，确定隔断轮廓的凹凸特征；
S435、计算凹凸特征的分布情况，并基于分布结果评估金属封装外壳表面的粗糙度。
根据本发明的另一个方面，还提供了一种基于三维成像的金属封装外壳检测系统，该系统包括三维图像生成模块、局部特征提取模块、轮廓线提取模块、类型划分模块及评分体系制定模块；
所述图像生成模块，用于利用三维成像设备对金属封装外壳进行全面扫描，获取金属封装外壳的三维坐标，并基于三维坐标生成三维图像；
所述局部特征提取模块，用于将三维图像划分为若干区域，从各区域中提取金属封装外壳的局部特征，并基于局部特征分别对金属封装外壳的尺寸、厚度及纹理进行检测；
所述轮廓线提取模块，用于从三维图像中提取金属封装外壳的特征轮廓线，并对特征轮廓线进行匹配；
所述类型划分模块，用于基于特征轮廓线匹配结果对金属封装外壳进行类型划分，并基于划分结果对封装平整度进行评估；
所述评分体系制定模块，用于制定标准化评分体系，将金属封装外壳的各项检测结果及评估结果以图表的形式进行可视化展示。
本发明的有益效果为：
1、本发明通过对金属封装外壳的尺寸进行检测，能够确保其符合设计要求和制造标准，帮助制造商排除尺寸偏差、变形或制造缺陷等问题，确保产品的尺寸一致性和准确性，同时通过对金属封装外壳的厚度进行检测，能够提前发现厚度不均匀、过薄或过厚等问题，有助于确保金属封装外壳的均匀性和合适的厚度范围，从而提高产品的性能和可靠性，并且对金属封装外壳的纹理进行检测，能够发现表面的瑕疵、划痕、凹凸等问题，进而有助于确保金属封装外壳表面的光滑度、均匀性和质量，提高产品的外观质感。
2、本发明通过提取金属封装外壳的特征轮廓线，能够提供基于金属封装外壳的外形和边缘形状的信息，并通过对特征轮廓线的分析及匹配，能够更准确地判断金属封装外壳的形状特征，进而有助于将金属封装外壳划分为规则类型和不规则类型，进一步提高对金属封装外壳形状分析和分类的准确性。
3、本发明通过计算平行度特征，能够快速、准确地测量和分析出规则类型的金属封装外壳的几何特征，进而能够实现高效、自动化的检测过程，提高生产效率和质量控制水平，同时，不规则形状的金属封装外壳可能具有复杂的几何形状和曲线曲率，通过对不规则类型的金属封装外壳的曲率、凹凸度进行计算，能够对金属封装外壳的复杂几何特征进行高精度的测量和分析，以确保产品符合设计要求和制造标准，进而提高检测精确性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种基于三维成像的金属封装外壳检测方法的流程图；
图2是根据本发明实施例的一种基于三维成像的金属封装外壳检测系统的原理框图。
图中：
1、三维图像生成模块；2、局部特征提取模块；3、轮廓线提取模块；4、类型划分模块；5、评分体系制定模块；。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
正如背景技术所介绍的，现有的金属封装外壳检测方法通常更适用于规则形状的金属封装外壳，而对于不规则形状的金属封装外壳的复杂性可能更加难以捕捉或分析，为了解决如上问题，本发明提出了一种基于三维成像的金属封装外壳检测方法及系统。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的基于三维成像的金属封装外壳检测方法，该检测方法包括以下步骤：
S1、利用三维成像设备对金属封装外壳进行全面扫描，获取金属封装外壳的三维坐标，并基于三维坐标生成三维图像。
需要说明的是，三维成像设备包括激光扫描、结构光扫描等，这些设备能够获取金属封装外壳表面的大量点云数据，每个点都包含了其在三维空间中的坐标信息，基于这些三维坐标数据，能够生成金属封装外壳的三维图像。
S2、将三维图像划分为若干区域，从各区域中提取金属封装外壳的局部特征，并基于局部特征分别对金属封装外壳的尺寸、厚度及纹理进行检测。
其中，所述将三维图像划分为若干区域，从各区域中提取金属封装外壳的局部特征，并基于局部特征分别对金属封装外壳的尺寸、厚度及纹理进行检测包括以下步骤：
S21、采用图像分割算法将三维图像划分为若干独立区域，并确保划分后的区域包含金属封装外壳的局部区域。
需要说明的是，图像分割算法将图像划分为不同的区域或对象的技术，以下是部分图像分割算法。
基于阈值的分割：通过设置合适的阈值，将图像中的像素划分为不同的区域。
基于边缘的分割：通过检测图像中的边缘信息，将图像划分为不同的区域，边缘检测算法包括Sobel算子、Canny算子等。
S22、计算局部区域的边界得到特征值，并根据特征值计算金属封装外壳的尺寸信息。
需要说明的是，特征值包括面积、周长和形状描述符（如矩、离心率等），从而能够用来描述局部区域的形状和尺寸信息，例如，计算局部区域的最小外接矩形的长宽等，以评估金属封装外壳的形状和尺寸特征。
S23、计算局部区域的高度变化得到高度差异，并根据高度差异计算金属封装外壳的厚度信息。
需要说明的是，能够利用差分算法、梯度算法或滤波算法计算高度差异或梯度，并根据高度差异或差异推断金属封装外壳的厚度信息。
S24、对三维图像进行局部特征提取，得到金属封装外壳的纹理特征。
其中，所述对三维图像进行局部特征提取，得到金属封装外壳的纹理特征包括以下步骤：
S241、将金属封装外壳的三维图像转换至HSV颜色空间，并获得亮度分量、色调分量及饱和度分量。
需要说明的是，HSV（Hue，Saturation，Value）是一种颜色空间，HSV颜色空间将颜色描述为三个维度：色调（Hue）、饱和度（Saturation）和亮度（Value）。
S242、对亮度分量图像进行高斯滤波，构建亮度分量的多尺度空间，并分别计算每个高斯滤波图像的SCLBC分量、MCLBC分量和CCLBC分量。
其中，所述SCLBC分量、MCLBC分量和CCLBC分量的计算公式为：式中，g p 表示P个邻域点的灰度值；
m p 表示邻域点与中心点的灰度差；
c m 表示邻域点与中心点的灰度差的均值；
g c 表示局部环形邻域中心点的灰度值；
c I 表示平均灰度值；
s表示阈值函数。
需要说明的是，SCLBC是一种局部二值模式（Local Binary Patterns）的变体，它包括计算中心像素与周围像素之间的灰度差异，并根据这些差异生成二进制编码。
MCLBC分量是在中心像素和周围像素之间进行最大值操作后得到的结果，它通过选择周围像素中的最大灰度值来突出图像中的边缘和纹理特征。
CCLBC分量是将中心像素和周围像素的局部二值模式进行串联得到的结果，它结合了SCLBC和MCLBC的特性，既能保留细节和纹理信息，又能突出边缘特征。
S243、获取SCLBC分量、MCLBC分量和CCLBC分量的联合直方图，并在每个尺度的联合直方图中按模式跨尺度取得最大值；
S244、将最大直方图特征进行级联，作为三维图像的灰度纹理特征；
S245、将色调分量和饱和度分量进行粗略量化，并计算粗略量化后色调分量和饱和度分量的联合直方图，作为三维图像的粗略颜色信息；
S246、将粗略颜色信息与灰度纹理特征进行融合，作为金属封装外壳的最终纹理特征。
S25、分别将尺寸信息、厚度信息及纹理特征与预设限值范围进行比对，并将不满足预设限值范围的金属封装外壳进行标记。
需要说明的是，预设限值范围是根据具体应用需求和金属封装外壳的要求设置的阈值或范围，用于判断尺寸信息、厚度信息和纹理特征是否满足要求，具体的预设限值范围会根据不同的金属封装外壳和应用场景而有所不同。
S3、从三维图像中提取金属封装外壳的特征轮廓线，并对特征轮廓线进行匹配。
其中，所述从三维图像中提取金属封装外壳的特征轮廓线，并对特征轮廓线进行匹配包括以下步骤：
S31、采用内外边性质算法提取三维图像中金属封装外壳的外轮廓线；
S32、获得外壳边缘与原表面之间的角度变化的先验值，并获取几何特征变化明显的候选特征点集；
S33、通过外轮廓线的长度及先验值确定金属封装外壳边缘面积的上限，筛选出包含内轮廓线的特征点集；
S34、对特征点集进行扫描获取内轮廓线，并将内轮廓线进行连接形成特征轮廓线；
S35、计算相邻两条特征轮廓线的最长匹配子段，并将最长匹配子段的起点和终点重合，实现特征轮廓线的匹配。
其中，所述计算相邻两条特征轮廓线的最长匹配子段，并将最长匹配子段的起点和终点重合，实现特征轮廓线的匹配包括以下步骤：
S351、获取两条特征轮廓线的匹配对点，并利用虚拟工具测量特征轮廓线的周长和面积。
需要说明的是，计算特征轮廓线的周长能够根据轮廓线的像素坐标，计算轮廓线的周长。
需要说明的是，计算轮廓线所围成的区域的面积，能够利用填充算法或格点法来估计轮廓线所围成的区域的面积。
S352、在特征轮廓线上将预设顶点作为起始点，并计算特征轮廓线的曲率。
需要说明的是，预设定点为任意点。
需要说明的是，曲率的计算公式为：式中，O表示近似曲率；
表示随机误差；
R为圆弧半径；
N表示轮廓点数；
e表示曲线参数；
w表示非零自然数。
需要说明的是，直线轮廓段的曲率为零。
S353、构造曲率处理表，从曲率处理表中遍历特征轮廓线的最长匹配子串，并计算最长匹配子串对应的轮廓线端点；
S354、分别将特征轮廓线的周长、面积分别与最长匹配子串进行匹配；
S355、结合匹配对点对特征轮廓线进行匹配，并根据方差估计最小原则对其进行调整，得到最终的轮廓线匹配结果。
S4、基于特征轮廓线匹配结果对金属封装外壳进行类型划分，并基于划分结果对封装平整度进行评估。
其中，所述基于特征轮廓线匹配结果对金属封装外壳进行类型划分，并基于划分结果对封装平整度进行评估包括以下步骤：
S41、根据特征轮廓线匹配结果，将金属封装外壳划分为规则类型和不规则类型。
需要说明的是，规则类型的金属封装外壳指具有规则且平行对称的多边形状，例如方形、长方形等，不规则类型的金属封装外壳指的是外形或形状不规则、不对称的金属封装外壳。
S42、对于规则类型的金属封装外壳，计算其表面的平行度特征，以评估其表面的平坦程度。
其中，所述对于规则类型的金属封装外壳，计算其表面的平行度特征，以评估其表面的平坦程度包括以下步骤：
S421、在特征轮廓线上获取轮廓点集合，并基于轮廓点集合获取基于三维图像的有效像素集合；
S422、根据平行算子计算有效像素的平行点组，并统计平行点组的梯度方向，利用Hough变换得到平行直线。
需要说明的是，Hough变换是一种图像处理技术，用于在图像中检测直线、圆或其他参数化形状，它的原理是将图像中的数据点转换到参数空间，并在参数空间中寻找共线或共圆的点。
S423、验证平行直线交点之间线段的存在性，将存在的线段组合作为封闭多边形；
S424、根据封闭多边形的线段长度和线段间距衡量平行度特征；
S425、根据平行度特征的统计结果对金属封装外壳的表面平坦度进行评估。
S43、对于不规则类型的金属封装外壳，计算其表面的凹凸度特征，以评估其表面的粗糙程度。
其中，所述对于不规则类型的金属封装外壳，计算其表面的凹凸度特征，以评估其表面的粗糙程度包括以下步骤：
S431、在特征轮廓线上计算绝对值大于阈值的局部极大点及局部极小点，并将局部极大点及局部极小点作为实际轮廓上的角点；
S432、对相邻两角点之间的曲率进行累加，得到曲率累加和曲线；
S433、计算相邻两角点之间的曲率累加和曲线的角点，并将该角点作为实际轮廓上的切点；
S434、根据曲率累加和曲线的特征，确定隔断轮廓的凹凸特征；
S435、计算凹凸特征的分布情况，并基于分布结果评估金属封装外壳表面的粗糙度。
S5、制定标准化评分体系，将金属封装外壳的各项检测结果及评估结果以图表的形式进行可视化展示。
需要说明的是，为每个检测指标（检测指标包括尺寸、厚度、纹理、长度及平整度等）和子项制定评分标准，根据质量要求和技术规范，将不同质量级别对应于具体的评分范围或评分等级。
对每个检测项目进行测量或判断，并记录相应的结果，将每个指标和子项的评分结果进行记录。
根据每个指标和子项的评分结果，按照事先确定的权重，计算出总体评分，权重能够根据不同指标的重要性进行分配，以反映实际需求。
将评估结果以图表的形式进行可视化展示，能够利用条形图、雷达图、热力图等形式，将各项指标的得分进行直观展示，以便快速了解金属封装外壳质量的整体情况。
如图2所示，根据本发明的另一个实施例，还提供了一种基于三维成像的金属封装外壳检测系统，该系统包括三维图像生成模块1、局部特征提取模块2、轮廓线提取模块3、类型划分模块4及评分体系制定模块5；
所述三维图像生成模块1，用于利用三维成像设备对金属封装外壳进行全面扫描，获取金属封装外壳的三维坐标，并基于三维坐标生成三维图像；
所述局部特征提取模块2，用于将三维图像划分为若干区域，从各区域中提取金属封装外壳的局部特征，并基于局部特征分别对金属封装外壳的尺寸、厚度及纹理进行检测；
所述轮廓线提取模块3，用于从三维图像中提取金属封装外壳的特征轮廓线，并对特征轮廓线进行匹配；
所述类型划分模块4，用于基于特征轮廓线匹配结果对金属封装外壳进行类型划分，并基于划分结果对封装平整度进行评估；
所述评分体系制定模块5，用于制定标准化评分体系，将金属封装外壳的各项检测结果及评估结果以图表的形式进行可视化展示。
综上所述，借助于本发明的上述技术方案，本发明通过对金属封装外壳的尺寸进行检测，能够确保其符合设计要求和制造标准，帮助制造商排除尺寸偏差、变形或制造缺陷等问题，确保产品的尺寸一致性和准确性，同时通过对金属封装外壳的厚度进行检测，能够提前发现厚度不均匀、过薄或过厚等问题，有助于确保金属封装外壳的均匀性和合适的厚度范围，从而提高产品的性能和可靠性，并且对金属封装外壳的纹理进行检测，能够发现表面的瑕疵、划痕、凹凸等问题，进而有助于确保金属封装外壳表面的光滑度、均匀性和质量，提高产品的外观质感。
本发明通过提取金属封装外壳的特征轮廓线，能够提供基于金属封装外壳的外形和边缘形状的信息，并通过对特征轮廓线的分析及匹配，能够更准确地判断金属封装外壳的形状特征，进而有助于将金属封装外壳划分为规则类型和不规则类型，进一步提高对金属封装外壳形状分析和分类的准确性。
本发明通过计算平行度特征，能够快速、准确地测量和分析出规则类型的金属封装外壳的几何特征，进而能够实现高效、自动化的检测过程，提高生产效率和质量控制水平，同时，不规则形状的金属封装外壳可能具有复杂的几何形状和曲线曲率，通过对不规则类型的金属封装外壳的曲率、凹凸度进行计算，能够对金属封装外壳的复杂几何特征进行高精度的测量和分析，以确保产品符合设计要求和制造标准，进而提高检测精确性。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于三维成像的金属封装外壳检测方法，其特征在于，该检测方法包括以下步骤：
S1、利用三维成像设备对金属封装外壳进行全面扫描，获取金属封装外壳的三维坐标，并基于三维坐标生成三维图像；
S2、将三维图像划分为若干区域，从各区域中提取金属封装外壳的局部特征，并基于局部特征分别对金属封装外壳的尺寸、厚度及纹理进行检测；
S3、从三维图像中提取金属封装外壳的特征轮廓线，并对特征轮廓线进行匹配；
S4、基于特征轮廓线匹配结果对金属封装外壳进行类型划分，并基于划分结果对封装平整度进行评估；
S5、制定标准化评分体系，将金属封装外壳的各项检测结果及评估结果以图表的形式进行可视化展示；
所述从三维图像中提取金属封装外壳的特征轮廓线，并对特征轮廓线进行匹配包括以下步骤：
S31、采用内外边性质算法提取三维图像中金属封装外壳的外轮廓线；
S32、获得外壳边缘与原表面之间的角度变化的先验值，并获取几何特征变化明显的候选特征点集；
S33、通过外轮廓线的长度及先验值确定金属封装外壳边缘面积的上限，筛选出包含内轮廓线的特征点集；
S34、对特征点集进行扫描获取内轮廓线，并将内轮廓线进行连接形成特征轮廓线；
S35、计算相邻两条特征轮廓线的最长匹配子段，并将最长匹配子段的起点和终点重合，实现特征轮廓线的匹配；
所述计算相邻两条特征轮廓线的最长匹配子段，并将最长匹配子段的起点和终点重合，实现特征轮廓线的匹配包括以下步骤：
S351、获取两条特征轮廓线的匹配对点，并利用虚拟工具测量特征轮廓线的周长和面积；
S352、在特征轮廓线上将预设顶点作为起始点，并计算特征轮廓线的曲率；
S353、构造曲率处理表，从曲率处理表中遍历特征轮廓线的最长匹配子串，并计算最长匹配子串对应的轮廓线端点；
S354、分别将特征轮廓线的周长、面积分别与最长匹配子串进行匹配；
S355、结合匹配对点对特征轮廓线进行匹配，并根据方差估计最小原则对其进行调整，得到最终的轮廓线匹配结果。
2.根据权利要求1所述的一种基于三维成像的金属封装外壳检测方法，其特征在于，所述将三维图像划分为若干区域，从各区域中提取金属封装外壳的局部特征，并基于局部特征分别对金属封装外壳的尺寸、厚度及纹理进行检测包括以下步骤：
S21、采用图像分割算法将三维图像划分为若干独立区域，并确保划分后的区域包含金属封装外壳的局部区域；
S22、计算局部区域的边界得到特征值，并根据特征值计算金属封装外壳的尺寸信息；
S23、计算局部区域的高度变化得到高度差异，并根据高度差异计算金属封装外壳的厚度信息；
S24、对三维图像进行局部特征提取，得到金属封装外壳的纹理特征；
S25、分别将尺寸信息、厚度信息及纹理特征与预设限值范围进行比对，并将不满足预设限值范围的金属封装外壳进行标记。
3.根据权利要求2所述的一种基于三维成像的金属封装外壳检测方法，其特征在于，所述对三维图像进行局部特征提取，得到金属封装外壳的纹理特征包括以下步骤：
S241、将金属封装外壳的三维图像转换至HSV颜色空间，并获得亮度分量、色调分量及饱和度分量；
S242、对亮度分量图像进行高斯滤波，构建亮度分量的多尺度空间，并分别计算每个高斯滤波图像的SCLBC分量、MCLBC分量和CCLBC分量；
S243、获取SCLBC分量、MCLBC分量和CCLBC分量的联合直方图，并在每个尺度的联合直方图中按模式跨尺度取得最大值；
S244、将最大直方图特征进行级联，作为三维图像的灰度纹理特征；
S245、将色调分量和饱和度分量进行粗略量化，并计算粗略量化后色调分量和饱和度分量的联合直方图，作为三维图像的粗略颜色信息；
S246、将粗略颜色信息与灰度纹理特征进行融合，作为金属封装外壳的最终纹理特征。
4.根据权利要求3所述的一种基于三维成像的金属封装外壳检测方法，其特征在于，所述SCLBC分量、MCLBC分量和CCLBC分量的计算公式为：；
式中，g p 表示P个邻域点的灰度值；
m p 表示邻域点与中心点的灰度差；
c m 表示邻域点与中心点的灰度差的均值；
g c 表示局部环形邻域中心点的灰度值；
c I 表示平均灰度值；
s表示阈值函数。
5.根据权利要求4所述的一种基于三维成像的金属封装外壳检测方法，其特征在于，所述基于特征轮廓线匹配结果对金属封装外壳进行类型划分，并基于划分结果对封装平整度进行评估包括以下步骤：
S41、根据特征轮廓线匹配结果，将金属封装外壳划分为规则类型和不规则类型；
S42、对于规则类型的金属封装外壳，计算其表面的平行度特征，以评估其表面的平坦程度；
S43、对于不规则类型的金属封装外壳，计算其表面的凹凸度特征，以评估其表面的粗糙程度。
6.根据权利要求5所述的一种基于三维成像的金属封装外壳检测方法，其特征在于，所述对于规则类型的金属封装外壳，计算其表面的平行度特征，以评估其表面的平坦程度包括以下步骤：
S421、在特征轮廓线上获取轮廓点集合，并基于轮廓点集合获取基于三维图像的有效像素集合；
S422、根据平行算子计算有效像素的平行点组，并统计平行点组的梯度方向，利用Hough变换得到平行直线；
S423、验证平行直线交点之间线段的存在性，将存在的线段组合作为封闭多边形；
S424、根据封闭多边形的线段长度和线段间距衡量平行度特征；
S425、根据平行度特征的统计结果对金属封装外壳的表面平坦度进行评估。
7.根据权利要求6所述的一种基于三维成像的金属封装外壳检测方法，其特征在于，所述对于不规则类型的金属封装外壳，计算其表面的凹凸度特征，以评估其表面的粗糙程度包括以下步骤：
S431、在特征轮廓线上计算绝对值大于阈值的局部极大点及局部极小点，并将局部极大点及局部极小点作为实际轮廓上的角点；
S432、对相邻两角点之间的曲率进行累加，得到曲率累加和曲线；
S433、计算相邻两角点之间的曲率累加和曲线的角点，并将该角点作为实际轮廓上的切点；
S434、根据曲率累加和曲线的特征，确定隔断轮廓的凹凸特征；
S435、计算凹凸特征的分布情况，并基于分布结果评估金属封装外壳表面的粗糙度。
8.一种基于三维成像的金属封装外壳检测系统，用于实现权利要求1-7中任一项所述的基于三维成像的金属封装外壳检测方法，其特征在于，该系统包括三维图像生成模块、局部特征提取模块、轮廓线提取模块、类型划分模块及评分体系制定模块；
所述图像生成模块，用于利用三维成像设备对金属封装外壳进行全面扫描，获取金属封装外壳的三维坐标，并基于三维坐标生成三维图像；
所述局部特征提取模块，用于将三维图像划分为若干区域，从各区域中提取金属封装外壳的局部特征，并基于局部特征分别对金属封装外壳的尺寸、厚度及纹理进行检测；
所述轮廓线提取模块，用于从三维图像中提取金属封装外壳的特征轮廓线，并对特征轮廓线进行匹配；
所述类型划分模块，用于基于特征轮廓线匹配结果对金属封装外壳进行类型划分，并基于划分结果对封装平整度进行评估；
所述评分体系制定模块，用于制定标准化评分体系，将金属封装外壳的各项检测结果及评估结果以图表的形式进行可视化展示。
CN202311122674.4A 2023-09-01 2023-09-01 一种基于三维成像的金属封装外壳检测方法及系统 Active CN116862909B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311122674.4A CN116862909B (zh) 2023-09-01 2023-09-01 一种基于三维成像的金属封装外壳检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311122674.4A CN116862909B (zh) 2023-09-01 2023-09-01 一种基于三维成像的金属封装外壳检测方法及系统

Publications (2)

Publication Number Publication Date
CN116862909A CN116862909A (zh) 2023-10-10
CN116862909B true CN116862909B (zh) 2023-11-24

Family

ID=88225275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311122674.4A Active CN116862909B (zh) 2023-09-01 2023-09-01 一种基于三维成像的金属封装外壳检测方法及系统

Country Status (1)

Country Link
CN (1) CN116862909B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101271591A (zh) * 2008-04-28 2008-09-24 清华大学 一种交互式多视点三维模型重建方法
CN105160652A (zh) * 2015-07-10 2015-12-16 天津大学 基于计算机视觉的手机外壳检验装置与方法
CN113139948A (zh) * 2021-04-28 2021-07-20 福建自贸试验区厦门片区Manteia数据科技有限公司 器官轮廓线质量评估方法、装置及系统
WO2021248270A1 (zh) * 2020-06-08 2021-12-16 上海交通大学 一种异源图像配准方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101271591A (zh) * 2008-04-28 2008-09-24 清华大学 一种交互式多视点三维模型重建方法
CN105160652A (zh) * 2015-07-10 2015-12-16 天津大学 基于计算机视觉的手机外壳检验装置与方法
WO2021248270A1 (zh) * 2020-06-08 2021-12-16 上海交通大学 一种异源图像配准方法及系统
CN113139948A (zh) * 2021-04-28 2021-07-20 福建自贸试验区厦门片区Manteia数据科技有限公司 器官轮廓线质量评估方法、装置及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种非规则三维实体重建算法及其在医学骨图像分析中的应用;董育宁;中国生物医学工程学报(05);第3-9页 *

Also Published As

Publication number Publication date
CN116862909A (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
CN114140679B (zh) 一种缺陷融合方法、装置、识别系统及存储介质
CN110286124B (zh) 基于机器视觉的耐火砖测量系统
CN105894036B (zh) 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法
US6983065B1 (en) Method for extracting features from an image using oriented filters
CN113570605B (zh) 一种基于液晶显示面板的缺陷检测方法和系统
JP2011017705A (ja) パターン検査装置、パターン検査方法および記録媒体
KR101549314B1 (ko) 화상 처리 장치 및 기록 매체
CN110473201A (zh) 一种刹车片表面缺陷的自动检测方法及装置
CN112950540B (zh) 一种条码识别方法及设备
CN112489042A (zh) 基于超分辨重建的金属品印刷缺陷与表面损伤的检测方法
Tyge et al. Characterizing digital light processing (DLP) 3D printed primitives
CN115526885A (zh) 一种产品图像缺陷检测方法、系统、装置及介质
CN115100116A (zh) 一种基于三维点云的板材缺陷检测方法
CN115861351A (zh) 边缘检测方法、缺陷检测方法及检测装置
US6813377B1 (en) Methods and apparatuses for generating a model of an object from an image of the object
Lee et al. A new approach to detect surface defects from 3D point cloud data with surface normal Gabor filter (SNGF)
Wankhede et al. A low cost surface strain measurement system using image processing for sheet metal forming applications
CN116862909B (zh) 一种基于三维成像的金属封装外壳检测方法及系统
JP4597509B2 (ja) パターン検査装置およびパターン検査方法
CN115597494B (zh) 一种基于点云的预制构件预留孔的精度检测方法、系统
CN115546153A (zh) 一种基于三维点云与二维图像融合感知的产品表面缺陷检测方法
Zhao et al. Binocular vision measurement for large-scale weakly textured ship hull plates using feature points encoding method
Lee et al. A gabor filter approach to process 3D point cloud data for surface defect detection
CN116703912B (zh) 一种迷你主机网口完整性视觉检测方法
Fernandes et al. A fast and accurate approach for computing the dimensions of boxes from single perspective images

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