CN116993722B - 一种拖挂式房车车身缺陷视觉检测方法 - Google Patents
一种拖挂式房车车身缺陷视觉检测方法 Download PDFInfo
- Publication number
- CN116993722B CN116993722B CN202311243497.5A CN202311243497A CN116993722B CN 116993722 B CN116993722 B CN 116993722B CN 202311243497 A CN202311243497 A CN 202311243497A CN 116993722 B CN116993722 B CN 116993722B
- Authority
- CN
- China
- Prior art keywords
- illumination
- highlighting
- vehicle body
- coefficient
- defect
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 117
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 230000000007 visual effect Effects 0.000 title claims abstract description 11
- 238000005286 illumination Methods 0.000 claims abstract description 118
- 238000000034 method Methods 0.000 claims description 49
- 230000008569 process Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000002950 deficient Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 238000011179 visual inspection Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000009413 insulation Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 239000011152 fibreglass Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000006261 foam material Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000007787 solid 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
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/50—Lighting effects
- G06T15/506—Illumination models
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及图像处理技术领域,提出了一种拖挂式房车车身缺陷视觉检测方法,包括:获取拖挂式房车车身表面的图像数据;估计各像素点的光照强度值;获取车身光照突显系数;根据车身光照突显度划分区域;获取区域像素点的灰度校正值;构建车身光强校正灰度结构差异系数获取潜在缺陷区域;对图像数据进行深度分析获取车身曲面缺陷系数;获取拖挂式房车车身缺陷危机置信度;从而完成对车身缺陷的视觉检测。本发明旨在解决传统图像处理中光照对车身图像数据的影响,提高检测算法的鲁棒性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种拖挂式房车车身缺陷视觉检测方法。
背景技术
拖挂式房车是一种便携式的居住单位,由挂车以及车厢组成,通常用于野外露营和长途旅行,可提供一种移动型的住宿方式。拖挂式房车在生产过程中,车身表面可能由于运输、搬运、机械外力等外界环境因素造成车身质量缺陷。当车身质量存在缺陷时,可能引起房车的保温、隔热、隔音和防水这些方面出现问题,降低产品口碑,影响品牌质量,因此需要对生产的房车车身进行缺陷检测。
针对拖挂式房车进行车身缺陷检测的方式有很多,其中三维激光扫描、超声波检测、智能传感器检测等方式的精度较高,但是检测设备成本太高。数字图像的检测方式具有成本低,精度高的优点。在传统的数字图像检测车身表面缺陷时,通过数字相机和图像软件对车身表面进行拍摄获取车身数据,通过图像处理算法进行缺陷检测。其主要问题是忽略拍摄时车身表面反光区域的影响,并且仅通过图像RGB信息缺陷检测稳定性不高,本发明针对数字图像检测方法的主要问题进行改进,提高检测的精度和鲁棒性。
发明内容
为解决上述技术问题,本发明的目的在于提供一种拖挂式房车车身缺陷视觉检测方法,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拖挂式房车车身缺陷视觉检测方法,该方法包括以下步骤:
获取拖挂式房车车身表面的图像数据;
采用光照估计模型得到所述图像数据中各像素点的光照强度值;获取光照估计图;对光照估计图进行扁平化操作获取光照序列;根据光照序列中各点的光照强度值获取各点的车身光照突显系数;获取光照突显序列;将光照突显序列划分亮度突显区域、暗度突显区域及正常区域;根据亮度突显区域及暗度突显区域像素点的灰度值结合光照突显序列获取亮度突显区域及暗度突显区域像素点的灰度校正值;根据亮度突显区域、暗度突显区域像素点的灰度校正值以及正常区域像素点的灰度值获取灰度校正图;根据灰度校正图像素点的灰度分布获取车身光强校正灰度结构差异系数;根据车身光强校正灰度结构差异系数获取潜在缺陷区域;根据拖挂式房车车身表面的图像数据获取车身表面的曲面方程;根据车身表面的曲面方程获取潜在缺陷区域各像素点的车身曲面缺陷系数;
根据潜在缺陷区域各像素点的车身曲面缺陷系数及车身光强校正灰度结构差异系数获取拖挂式房车车身缺陷危机置信度;结合拖挂式房车车身缺陷危机置信度完成对车身缺陷的视觉检测。
优选的,所述根据光照序列中各点的光照强度值获取各点的车身光照突显系数,包括的具体方法为:
对于光照序列中的各点,将任一点作为待测点,计算剔除待测点后光照序列的光照强度的均值和标准差;计算待测点的光照强度与所述均值的差值;计算所述差值与所述标准差的比值;将所述比值与整个光照序列的光照强度均值的乘积作为待测点的车身光照突显系数。
优选的,所述将光照突显序列划分亮度突显区域、暗度突显区域及正常区域,包括的具体方法为:
将光照突显序列中车身光照突显系数从大到小进行排序;选取前车身光照突显系数对应的像素点划分到亮度突显区域;选取后/>车身光照突显系数对应的像素点划分到暗度突显区域;其余车身光照突显系数对应的像素点划分到正常区域;其中,/>为预设值。
优选的,所述根据亮度突显区域及暗度突显区域像素点的灰度值结合光照突显序列获取亮度突显区域及暗度突显区域像素点的灰度校正值,包括的具体方法为:
对于亮度突显区域和暗度突显区域的各像素点,计算光照突显序列的极值与255的比值,计算所述比值与各像素点的车身光照突显系数的乘积;将各像素点的灰度值与所述乘积的差值作为各像素点的灰度校正值。
优选的,所述根据灰度校正图像素点的灰度分布获取车身光强校正灰度结构差异系数,表达式为:
式中,表示灰度校正图像中第/>个像素点对应的车身光强校正灰度结构差异系数,/>表示对比窗口在搜索框内滑动的次数,/>表示灰度校正图像中第/>个像素对应的中心矩阵,/>表示灰度校正图像中第/>个像素点对应的对比窗口在搜索框内第/>次滑动时的对比矩阵,/>表示矩阵的/>范数,/>为灰度校正图像。
优选的,所述根据车身光强校正灰度结构差异系数获取潜在缺陷区域,包括的具体方法为:
设定光强校正灰度结构差异系数阈值,将车身光强校正灰度结构差异系数大于光强校正灰度结构差异系数阈值的像素点划分到潜在缺陷区域中。
优选的,所述根据拖挂式房车车身表面的图像数据获取车身表面的曲面方程,具体方法为:
采用弹幕深度估计模型根据拖挂式房车车身表面的图像数据获取车身表面深度图;将获取的深度图进行泊松曲面重建,获取车身表面的曲面方程。
优选的,所述根据车身表面的曲面方程获取潜在缺陷区域各像素点的车身曲面缺陷系数,表达式为:
式中,表示潜在缺陷区域/>中第/>个像素点的车身曲面缺陷系数,/>表示根据第/>个像素点划分曲面区域中像素点的个数,/>、/>分别表示第/>个像素点曲面区域对应像素点的最小横、纵坐标,/>、/>表示第/>个像素点曲面区域对应像素点的最大横、纵坐标,/>表示偏导函数,/>、/>分别表示/>、/>的偏导数。
优选的,所述根据潜在缺陷区域各像素点的车身曲面缺陷系数及车身光强校正灰度结构差异系数获取拖挂式房车车身缺陷危机置信度,具体方法为:
将潜在缺陷区域所有像素点车身曲面缺陷系数和车身光强校正灰度结构差异系数的乘积的均值作为拖挂式房车车身缺陷危机置信度。
优选的,所述结合拖挂式房车车身缺陷危机置信度完成对车身缺陷的视觉检测,具体方法为:
设定车身缺陷危机置信度阈值、/>,当车身缺陷危机置信度指数/>时,判定拖挂式房车车身状况良好;当车身缺陷危机置信度指数/>时,判定拖挂式房车车身存在轻微缺陷;当/>时,判定拖挂式房车车身缺陷严重。
本发明至少具有如下有益效果:
本实施例通过工业相机获取拖挂式房车车身图像数据,通过对车身图像进行光照强度估计,得到图像中的亮度和暗度区域,并对其进行光照补偿,构建车身光强校正灰度结构差异系数;与传统图像处理方式相比,考虑了环境中光照强度对车身图像数据的影响,提高了检测方法的鲁棒性。
同时,通过车身光强校正灰度结构差异系数设定阈值构建潜在缺陷序列,并结合车身图像深度信息得到潜在缺陷序列中对应像素点的车身曲面缺陷凹陷系数,最终得到拖挂式房车车身缺陷危机置信度指数。结合车身图像数据的深度信息,进一步提高检测算法的准确率。
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拖挂式房车车身缺陷视觉检测方法流程示意图。
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所提供的一种拖挂式房车车身缺陷视觉检测方法流程图,该方法包括以下步骤:
步骤S001:通过相机获取拖挂式房车车身表面数据,并进行数据预处理。
拖挂式房车车身结构呈现类似三明治结构,两侧墙板为玻璃钢皮料,内部填充保温泡沫材料。在拖挂式房车车身生产过程中,车身是通过外部复合材料墙皮和内部增加保温隔热材料负压复合出来的,通过备料、排版、复合、CNC仿形切割等步骤最终组装为房车车身。在一系列过程中,可能由于搬运、运输、外界机械力等环境不可控因素,对车身表面造成划痕、凹陷、涂层不均匀等车身缺陷,这些缺陷较轻时影响产品外观,严重时影响房车车身的隔热、保温、防水、隔音的功能,因此需要对房车车身进行缺陷检测。由于拖挂式房车主要应用在野外区域,因此其外观最主要是纯色,没有复杂颜色。
在生产房车车身的流水线上安装工业CCD相机,获取拖挂式房车车身的图像数据。在流水线上获取房车车身的图像时不可避免会出现噪声的干扰,为了降低噪声对后续操作的影响,首先需要对图像进行数据预处理。本实施例采用高斯滤波的方法对车身图像进行降噪,主要利用高斯核函数对车身图像进行卷积操作,达到消除图像中随机噪声的目的。需要说明的是高斯滤波为图像降噪处理的现有公知技术,实施者可根据实际情况自行选取图像降噪的方法。
至此获得降噪后的拖挂式房车车身表面图像数据,记作。
步骤S002:根据车身图像数据进行光照分析和深度分析,构建光强校正灰度结构差异系数和车身曲面缺陷系数。
由于在生产车间获取图像数据的过程中,不可避免受到环境中光照强度的影响,在车身图像数据中会存在光照不均匀或者反光的情况,这些情况会影响最终的检测结果,因此本实施例将环境光照强度考虑到车身的缺陷检测中。
本实施例采用DeepLight光照估计模型,该模型可以根据输入的图像数据,估计该图像数据中各个像素点位置的光照强度值。因此将拖挂式房车车身表面图像数据输入到DeepLight光照估计模型中,能够得到与车身图像数据同大小的光照估计图/>,在光照估计图/>中,每个像素点的值对应该位置的光照强度值。需要说明的是,DeepLight光照估计模型为现有公知技术,本实施例中不再详细阐述,实施者可根据实际情况选取其他光照估计模型,本实施例不做限制。
为了更好的分析车身光照强度的特征,对光照估计图进行扁平化操作,即转换成光照序列/>,将二维的光照估计图转换为一维的光照序列进行分析,针对光照序列中的每一个光照估计值,计算其对应的车身光照突显系数:
式中,表示根据光照序列中第/>个位置得到的车身光照突显系数,/>表示整个光照序列的估计光照强度均值,/>表示光照序列中第/>个位置的光照强度估计值。/>和/>表示剔除光照序列中第/>个位置光照估计值后,整个光照序列的均值和标准差。
车身光照突显系数表示当前位置光照强度突显情况。当第个位置对应的像素点光照越强,其光照强度估计值越大,将第/>个位置对应的像素点的光照强度剔除后,对整个序列会的影响就越大,剔除第/>个位置对应的像素点后整个序列的均值和标准差均减小,最终当前位置的车身光照突显系数较大。当第/>个位置对应的像素点正常光照均匀时,其光照强度剔除后序列变化不大,因此对应的车身光照突显系数较小。
当遍历完整个光照序列后,所有的车身光照突显系数共同组成了光照突显序列,对光照突显序列/>中的车身光照突显系数按照从大到小排序,划分出亮度突显区域和暗度突显区域。需要说明的是,亮度突显区域和暗度突显区域的划分实施者可根据实际情况自行划分,本实施例中选取序列中前5%对应的像素点划分到亮度突显区域,选取序列中后5%的对应的像素点划分到暗度突显区域。
将拖挂式房车车身表面图像数据转化为灰度图/>,通过光照突显序列/>,划分出亮度突显区域和暗度突显区域之后,对其进行光照补偿。因此统计亮度和暗度突显区域像素点的灰度值,通过光照突显系数进行光照补偿,计算方式如下:
式中,表示针对亮度和暗度突显区域中第/>个像素点灰度校正值,/>表示在灰度图中亮度和暗度突显区域中第/>个像素点的灰度值,/>表示第/>个像素点的车身光照突显系数,/>和/>分别表示光照突显序列/>中的最大值和最小值。
通过可以得到亮度和暗度突显区域的灰度校正值,选取光照突显序列的最大值和最小值之差,再与255比值是为了将车身光照突显系数/>量化到灰度值范围内。针对亮度突显区域时,其对应的/>为正值,对应的灰度图的灰度值较大,减去/>将灰度值进行缩小。针对暗度突显区域时,其对应的/>为负值,对应的灰度图的灰度值较小,减去负值/>将灰度值进行放大。
通过上述方式可将车身图像数据中光照不均匀或者反光区域进行一定的光照补偿,弥补光照不均匀或者反光对检测结果影响。将亮度和暗度突显区域的异常灰度值采用上述方式进行灰度值校正,其余区域的灰度值正常保留,最终得到与拖挂式房车车身表面图像数据对应的灰度校正图/>。
由于拖挂式房车主要应用在野外区域,因此其车身表面并没有复杂的涂装。当车身表面在生产过程中因外界环境因素导致的划痕和凹陷区域像素点与周围像素点对应的灰度值存在一定差异。
在车身的灰度校正图中,计算每个像素点的车身光强校正灰度结构差异系数。以第/>个像素点为例,将该像素点作为中心像素,选取/>的窗口作为搜索框,限定对比的范围,以该像素点为中心/>的窗口作为中心窗口,该窗口内的各像素点的灰度值作为中心矩阵/>的对应元素。需要说明的是,搜索框与中心窗口的大小实施者可根据实际情况自行设定,本实施例中/>、/>。在搜索窗口内选取与中心窗口同样大小,将对比窗口内的灰度值作为对比矩阵/>的对应元素,对比窗口在搜索框内逐像素滑动,得到中心像素车身光强校正灰度结构差异系数:
式中,表示灰度校正图像中第/>个像素点对应的车身光强校正灰度结构差异系数,/>表示对比窗口在搜索框内滑动的次数,/>表示灰度校正图像中第/>个像素对应的中心矩阵,/>表示灰度校正图像中第/>个像素点对应的对比窗口在搜索框内第/>次滑动时的对比矩阵,/>表示矩阵的/>范数,/>为灰度校正图像。
通过光强校正灰度结构差异系数可以得到在灰度校正图/>中每个像素点的差异情况,当第/>个像素点对应的是正常区域时,其与邻域区域内的灰度值差异就越小,因此其对应的/>越小。当第/>个像素点对应的是划痕区域时,其与邻域区域内的灰度值差异变大,因此其对应的/>值较大。
设定光强校正灰度结构差异系数阈值,将其中与邻域区别度较大的像素点选取出来,需要说明的是,光强校正灰度结构差异系数阈值实施者可根据实际情况自行设定,本实施例设定阈值。将大于光强校正灰度结构差异系数阈值的像素点选取出来,划分到潜在缺陷区域/>中。
通过像素灰度值与邻域的灰度值的差异判断拖挂式房车车身缺陷时并不准确,因为这些灰度差异有可能是车身表面的商标和车窗等原因造成。但当拖挂式房车由于环境的机械外力出现划痕时不可避免会对车身平面进行挤压,就会造成一定的变形或者凹陷等现象。因此针对拖挂式房车车身表面图像数据,本实施例采用Zero-shot单目深度估计模型获取与车身表面数据对应的车身表面深度图/>,在深度图中的每个像素位置的值对应的是当前像素点的深度值,将获取的深度图/>进行泊松曲面重建,获得车身表面曲面方程。需要说明的是,Zero-shot单目深度估计模型为现有公知技术,本实施例中不再详细阐述。
将潜在缺陷区域的像素点对应到深度图重建的车身表面曲面方程中,根据当前像素点位置划分一个曲面区域,需要说明的是,曲面区域的划分实施者可根据实际情况自行设定,本实施例中选取以缺陷区域像素点为中心的/>窗口作为曲面区域,以第/>个像素点为例,划分的曲面区域对应的坐标的范围为/>到/>,由此构建车身曲面缺陷系数:
式中,表示潜在缺陷区域/>中第/>个像素点的车身曲面缺陷系数,/>表示根据第/>个像素点划分曲面区域中像素点的个数,/>、/>分别表示第/>个像素点曲面区域对应像素点的最小横、纵坐标,/>、/>表示第/>个像素点曲面区域对应像素点的最大横、纵坐标,/>表示偏导函数,/>、/>分别表示/>、/>的偏导数。
车身曲面缺陷系数衡量潜在缺陷区域/>像素点/>在车身表面的凹陷程度。当像素点/>是因为在商标等因素被误划到潜在缺陷区域中时,其对应的区域应该是平坦的,像素点对应区域越平坦,该像素点对应的车身曲面缺陷系数/>值越小;当像素点/>处于真实划痕区域时,由于环境中的机械外力在一定程度上会造成车身凹陷或者不平坦,导致曲面方程的偏导值变大,所以对应的车身曲面缺陷系数/>值变大。
最终潜在缺陷区域中的每一个潜在缺陷的像素点都对应一个车身曲面缺陷系数/>,结合车身光强校正灰度结构差异系数,最终得到拖挂式房车车身缺陷危机置信度指数:
式中,表示根据车身图像数据最终得到的拖挂式房车车身缺陷危机置信度指数,/>表示潜在缺陷区域/>中像素点的个数,/>表示潜在缺陷区域中第/>个像素点对应的车身光强校正灰度结构差异系数,/>表示潜在缺陷区域中第/>个像素点对应的车身曲面缺陷系数。
步骤S003:根据拖挂式房车车身缺陷危机置信度指数,判断车身缺陷情况。
拖挂式房车车身缺陷危机置信度指数的大小表现了拖挂式房车车身的缺陷情况,/>越大表面缺陷越严重。设定车身缺陷危机置信度阈值/>、/>,当车身缺陷危机置信度指数/>时,判定拖挂式房车车身状况良好,不存在缺陷情况;当车身缺陷危机置信度指数/>时,判定拖挂式房车车身存在轻微缺陷,不会对后期使用造成影响,需要定期检查;当/>时,判定拖挂式房车车身缺陷严重,需要对车身缺陷处进行修补,避免生产出不合格产品,降低产品质量,影响品牌口碑。需要说明的是,车身缺陷危机置信度阈值的设定实施者可根据实际情况自行设定,本实施例中/>、/>。
综上所述,本实施例通过工业相机获取拖挂式房车车身图像数据,通过对车身图像进行光照强度估计,得到图像中的亮度和暗度区域,并对其进行光照补偿,构建车身光强校正灰度结构差异系数;与传统图像处理方式相比,考虑到环境中光照强度对车身图像数据的影响,进行光照补偿,提高了检测方法的鲁棒性。
同时,通过车身光强校正灰度结构差异系数设定阈值构建潜在缺陷序列,并结合车身图像深度信息得到潜在缺陷序列中对应像素点的车身曲面缺陷凹陷系数,最终得到拖挂式房车车身缺陷危机置信度指数。结合车身图像数据的深度信息,进一步提高检测算法的准确率。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,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 (7)
1.一种拖挂式房车车身缺陷视觉检测方法,其特征在于,该方法包括以下步骤:
获取拖挂式房车车身表面的图像数据;
采用光照估计模型得到所述图像数据中各像素点的光照强度值;获取光照估计图;对光照估计图进行扁平化操作获取光照序列;根据光照序列中各点的光照强度值获取各点的车身光照突显系数;获取光照突显序列;将光照突显序列划分亮度突显区域、暗度突显区域及正常区域;根据亮度突显区域及暗度突显区域像素点的灰度值结合光照突显序列获取亮度突显区域及暗度突显区域像素点的灰度校正值;根据亮度突显区域、暗度突显区域像素点的灰度校正值以及正常区域像素点的灰度值获取灰度校正图;根据灰度校正图像素点的灰度分布获取车身光强校正灰度结构差异系数;根据车身光强校正灰度结构差异系数获取潜在缺陷区域;根据拖挂式房车车身表面的图像数据获取车身表面的曲面方程;根据车身表面的曲面方程获取潜在缺陷区域各像素点的车身曲面缺陷系数;
根据潜在缺陷区域各像素点的车身曲面缺陷系数及车身光强校正灰度结构差异系数获取拖挂式房车车身缺陷危机置信度;结合拖挂式房车车身缺陷危机置信度完成对车身缺陷的视觉检测;
所述根据灰度校正图像素点的灰度分布获取车身光强校正灰度结构差异系数,表达式为:
式中,表示灰度校正图像中第/>个像素点对应的车身光强校正灰度结构差异系数,/>表示对比窗口在搜索框内滑动的次数,/>表示灰度校正图像中第/>个像素对应的中心矩阵,/>表示灰度校正图像中第/>个像素点对应的对比窗口在搜索框内第/>次滑动时的对比矩阵,/>表示矩阵的/>范数,/>为灰度校正图像;
所述根据拖挂式房车车身表面的图像数据获取车身表面的曲面方程,具体方法为:
采用单目深度估计模型根据拖挂式房车车身表面的图像数据获取车身表面深度图;将获取的深度图进行泊松曲面重建,获取车身表面的曲面方程;
所述根据车身表面的曲面方程获取潜在缺陷区域各像素点的车身曲面缺陷系数,表达式为:
式中,表示潜在缺陷区域/>中第/>个像素点的车身曲面缺陷系数,/>表示根据第/>个像素点划分曲面区域中像素点的个数,/>、/>分别表示第/>个像素点曲面区域对应像素点的最小横、纵坐标,/>、/>表示第/>个像素点曲面区域对应像素点的最大横、纵坐标,表示偏导函数,/>、/>分别表示/>、/>的偏导数。
2.根据权利要求1所述的一种拖挂式房车车身缺陷视觉检测方法,其特征在于,所述根据光照序列中各点的光照强度值获取各点的车身光照突显系数,包括的具体方法为:
对于光照序列中的各点,将任一点作为待测点,计算剔除待测点后光照序列的光照强度的均值和标准差;计算待测点的光照强度与所述均值的差值;计算所述差值与所述标准差的比值;将所述比值与整个光照序列的光照强度均值的乘积作为待测点的车身光照突显系数。
3.根据权利要求1所述的一种拖挂式房车车身缺陷视觉检测方法,其特征在于,所述将光照突显序列划分亮度突显区域、暗度突显区域及正常区域,包括的具体方法为:
将光照突显序列中车身光照突显系数从大到小进行排序;选取前车身光照突显系数对应的像素点划分到亮度突显区域;选取后/>车身光照突显系数对应的像素点划分到暗度突显区域;其余车身光照突显系数对应的像素点划分到正常区域;其中,/>为预设值。
4.根据权利要求1所述的一种拖挂式房车车身缺陷视觉检测方法,其特征在于,所述根据亮度突显区域及暗度突显区域像素点的灰度值结合光照突显序列获取亮度突显区域及暗度突显区域像素点的灰度校正值,包括的具体方法为:
对于亮度突显区域和暗度突显区域的各像素点,计算光照突显序列的极值与255的比值,计算所述比值与各像素点的车身光照突显系数的乘积;将各像素点的灰度值与所述乘积的差值作为各像素点的灰度校正值。
5.根据权利要求1所述的一种拖挂式房车车身缺陷视觉检测方法,其特征在于,所述根据车身光强校正灰度结构差异系数获取潜在缺陷区域,包括的具体方法为:
设定光强校正灰度结构差异系数阈值,将车身光强校正灰度结构差异系数大于光强校正灰度结构差异系数阈值的像素点划分到潜在缺陷区域中。
6.根据权利要求1所述的一种拖挂式房车车身缺陷视觉检测方法,其特征在于,所述根据潜在缺陷区域各像素点的车身曲面缺陷系数及车身光强校正灰度结构差异系数获取拖挂式房车车身缺陷危机置信度,具体方法为:
将潜在缺陷区域所有像素点车身曲面缺陷系数和车身光强校正灰度结构差异系数的乘积的均值作为拖挂式房车车身缺陷危机置信度。
7.根据权利要求1所述的一种拖挂式房车车身缺陷视觉检测方法,其特征在于,所述结合拖挂式房车车身缺陷危机置信度完成对车身缺陷的视觉检测,具体方法为:
设定车身缺陷危机置信度阈值、/>,当车身缺陷危机置信度指数/>时,判定拖挂式房车车身状况良好;当车身缺陷危机置信度指数/>时,判定拖挂式房车车身存在轻微缺陷;当/>时,判定拖挂式房车车身缺陷严重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311243497.5A CN116993722B (zh) | 2023-09-26 | 2023-09-26 | 一种拖挂式房车车身缺陷视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311243497.5A CN116993722B (zh) | 2023-09-26 | 2023-09-26 | 一种拖挂式房车车身缺陷视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116993722A CN116993722A (zh) | 2023-11-03 |
CN116993722B true CN116993722B (zh) | 2023-12-08 |
Family
ID=88532428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311243497.5A Active CN116993722B (zh) | 2023-09-26 | 2023-09-26 | 一种拖挂式房车车身缺陷视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993722B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005038445A1 (ja) * | 2003-10-21 | 2005-04-28 | Daihatsu Motor Co., Ltd. | 表面欠陥検査方法及び装置 |
WO2018040118A1 (zh) * | 2016-08-29 | 2018-03-08 | 武汉精测电子集团股份有限公司 | 一种基于GPU的TFT-LCD Mura缺陷检测的方法 |
CN109060842A (zh) * | 2018-08-14 | 2018-12-21 | 西南大学 | 基于曲面拟合校正的柑橘表面缺陷检测方法、计算机程序 |
CN111539935A (zh) * | 2020-04-24 | 2020-08-14 | 江苏大学 | 一种基于机器视觉的电缆表面缺陷在线检测方法 |
CN115082418A (zh) * | 2022-07-14 | 2022-09-20 | 山东聊城富锋汽车部件有限公司 | 一种汽车零部件精密识别方法 |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
CN116721106A (zh) * | 2023-08-11 | 2023-09-08 | 山东明达圣昌铝业集团有限公司 | 一种基于图像处理的型材瑕疵视觉检测方法 |
CN116777907A (zh) * | 2023-08-18 | 2023-09-19 | 深圳市福山自动化科技有限公司 | 一种钣金件质量检测方法 |
-
2023
- 2023-09-26 CN CN202311243497.5A patent/CN116993722B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005038445A1 (ja) * | 2003-10-21 | 2005-04-28 | Daihatsu Motor Co., Ltd. | 表面欠陥検査方法及び装置 |
WO2018040118A1 (zh) * | 2016-08-29 | 2018-03-08 | 武汉精测电子集团股份有限公司 | 一种基于GPU的TFT-LCD Mura缺陷检测的方法 |
CN109060842A (zh) * | 2018-08-14 | 2018-12-21 | 西南大学 | 基于曲面拟合校正的柑橘表面缺陷检测方法、计算机程序 |
CN111539935A (zh) * | 2020-04-24 | 2020-08-14 | 江苏大学 | 一种基于机器视觉的电缆表面缺陷在线检测方法 |
CN115082418A (zh) * | 2022-07-14 | 2022-09-20 | 山东聊城富锋汽车部件有限公司 | 一种汽车零部件精密识别方法 |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
CN116721106A (zh) * | 2023-08-11 | 2023-09-08 | 山东明达圣昌铝业集团有限公司 | 一种基于图像处理的型材瑕疵视觉检测方法 |
CN116777907A (zh) * | 2023-08-18 | 2023-09-19 | 深圳市福山自动化科技有限公司 | 一种钣金件质量检测方法 |
Non-Patent Citations (3)
Title |
---|
基于区域亮度自适应校正算法的脐橙表面缺陷检测;张明;王腾;李鹏;邓烈;郑永强;易时来;吕强;孙荣荣;;中国农业科学(第12期);全文 * |
基于改进K-means算法的钢管表面缺陷视觉检测方法;董家顺;王兴东;李殿杰;汤勃;李震;;武汉科技大学学报(第06期);全文 * |
基于机器视觉的线缆表面缺陷检测系统设计与算法研究;乔湘洋;王海芳;祁超飞;李新庆;;机床与液压(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116993722A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113450307B (zh) | 一种产品边缘缺陷检测方法 | |
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN110853015A (zh) | 基于改进Faster-RCNN的铝型材缺陷检测方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
KR20140020837A (ko) | 표면 검사에 이용하기 위한 타이어 표면의 삼차원 이미지 전처리 방법 | |
CN116309559B (zh) | 一种中硼硅玻璃生产瑕疵智能识别方法 | |
CN112819772A (zh) | 一种高精度快速图形检测识别方法 | |
CN111986170A (zh) | 一种基于深度神经网络Mask R-CNN的缺陷检测算法 | |
CN114309895A (zh) | 一种焊接熔池图像预测焊缝形貌的深度学习方法 | |
CN116993722B (zh) | 一种拖挂式房车车身缺陷视觉检测方法 | |
CN117314912A (zh) | 一种焊管表面焊接缺陷视觉检测方法及系统 | |
CN116678826A (zh) | 一种基于快速立体重建的外观缺陷检测系统及方法 | |
CN107133937B (zh) | 一种红外图像的自适应增强方法 | |
CN114841992A (zh) | 基于循环生成对抗网络和结构相似性的缺陷检测方法 | |
CN113610083B (zh) | 车辆vin码的字符识别和字符打刻深度检测系统及检测方法 | |
CN108805854B (zh) | 一种复杂环境下药片快速计数与完整性检测方法 | |
CN116468729B (zh) | 一种汽车底盘异物检测方法、系统及计算机 | |
CN112465851A (zh) | 一种基于压力容器表面焊缝表面轮廓曲线的参数检测方法 | |
CN116630343A (zh) | 一种基于深度学习的无铆钉铆接接头剖面图像分割方法 | |
CN115222730A (zh) | 一种基于线扫光谱共聚焦相机的缺陷检测算法 | |
CN110751687A (zh) | 一种基于计算机视觉最小最大圆的苹果大小分级方法 | |
CN116071692A (zh) | 一种基于形态学图像处理的水尺水位识别方法及系统 | |
CN115330705A (zh) | 一种基于自适应加权模板ncc的蒙皮漆面缺陷检测方法 | |
CN112750113B (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 | |
CN113947569A (zh) | 一种基于计算机视觉的梁型结构多尺度微弱损伤定位方法 |
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 |