CN117388263B - 用于充电枪的五金端子质量检测方法 - Google Patents

用于充电枪的五金端子质量检测方法 Download PDF

Info

Publication number
CN117388263B
CN117388263B CN202311592880.1A CN202311592880A CN117388263B CN 117388263 B CN117388263 B CN 117388263B CN 202311592880 A CN202311592880 A CN 202311592880A CN 117388263 B CN117388263 B CN 117388263B
Authority
CN
China
Prior art keywords
point
points
main
hardware terminal
reflection
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
CN202311592880.1A
Other languages
English (en)
Other versions
CN117388263A (zh
Inventor
李海平
李良
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.)
Dongguan Eastom Industrial Co ltd
Original Assignee
Dongguan Eastom Industrial 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 Dongguan Eastom Industrial Co ltd filed Critical Dongguan Eastom Industrial Co ltd
Priority to CN202311592880.1A priority Critical patent/CN117388263B/zh
Publication of CN117388263A publication Critical patent/CN117388263A/zh
Application granted granted Critical
Publication of CN117388263B publication Critical patent/CN117388263B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像数据处理技术领域，具体涉及用于充电枪的五金端子质量检测方法，包括：获取五金端子表面连通域和每个像素点的局部阈值，将不在五金端子表面连通域边界上的像素点，记为内部点，获取每个内部点的亮度表现破坏程度，从而筛选出反光点，获取反光点对应的疑似缺陷点，计算每个疑似缺陷点的更新局部阈值，根据所有反光点对应的所有疑似缺陷点的更新局部阈值，判断五金端子表面图像中的五金端子表面质量是否合格。本发明通过识别图像中的反光点和其对应的疑似缺陷点，并自适应局部阈值，提高缺陷检测的准确性，从而提高了充电枪的五金端子质量检测的准确性。

Description

用于充电枪的五金端子质量检测方法
技术领域
本发明涉及图像数据处理技术领域，具体涉及用于充电枪的五金端子质量检测方法。
背景技术
充电基础设施的完善对电动汽车的普及至关重要，充电基础设施中的充电枪是电动汽车与充电桩之间的关键连接部分，其性能和质量直接关系到充电效率和用户体验。因此，确保充电枪的五金端子质量至关重要。当前常使用图像处理技术中的自适应阈值算法来检测充电枪的五金端子上的缺陷。
现有的问题：由于充电枪的五金端子上的压痕类缺陷往往伴随着局部的反光，这导致自适应阈值分割算法计算出的局部阈值会受到反光区域的影响，从而降低了局部阈值的准确性，提高了压痕缺陷检测时存在误检和漏检的可能性，由此减小了充电枪的五金端子质量检测的准确性。
发明内容
本发明提供用于充电枪的五金端子质量检测方法，以解决现有的问题。
本发明的用于充电枪的五金端子质量检测方法采用如下技术方案：
本发明一个实施例提供了用于充电枪的五金端子质量检测方法，该方法包括以下步骤：
采集一张充电枪的五金端子表面图像，进行灰度化处理，得到五金端子表面灰度图像；使用深度神经网络，得到五金端子表面灰度图像中的五金端子表面连通域；使用自适应阈值分割算法，得到五金端子表面连通域内每个像素点的局部阈值；
在五金端子表面连通域中，将不在五金端子表面连通域边界上的像素点，记为内部点；对五金端子表面连通域边界进行分段，根据分段的长度，得到两个拟合直线；根据经过每个内部点在水平方向上的直线与两个拟合直线交点的距离、与五金端子表面连通域边界交点的距离、每个内部点在竖直方向上的周围像素点灰度值，得到每个内部点的亮度表现破坏程度；
在所有内部点中，根据每个内部点的亮度表现破坏程度、灰度值和其邻域像素点灰度值，筛选出若干个反光点；将任意一个反光点，记为主反光点；根据主反光点和其周围内部点的亮度表现破坏程度之间的差异，得到主反光点的反光直线和反光带可能性；
根据主反光点与周围内部点之间的距离，得到主反光点对应的若干个疑似缺陷点；根据每个疑似缺陷点与其周围内部点的灰度值差异、主反光点的反光直线和反光带可能性、每个疑似缺陷点的局部阈值，得到每个疑似缺陷点的更新局部阈值；
根据所有反光点对应的所有疑似缺陷点的更新局部阈值，判断五金端子表面图像中的五金端子表面质量是否合格。
进一步地，所述对五金端子表面连通域边界进行分段，根据分段的长度，得到两个拟合直线，包括的具体步骤如下：
使用微分几何方法，得到五金端子表面连通域边界上每个像素点的切线；
在五金端子表面连通域边界上，从任意一个像素点开始，沿顺时针方向，作经过每个像素点与其后一个像素点的直线，将所述后一个像素点的直线与每个像素点的切线的夹角值中的最小值，记为每个像素点的角度值；
将五金端子表面连通域边界上角度值大于预设的角度阈值的像素点，记为分割点；
使用所有分割点，将五金端子表面连通域边界划分为若干个边界线段；
根据每个边界线段上的像素点数量，由大到小对所有边界线段进行排序，得到边界线段序列；
将边界线段序列中的前两个边界线段，记为长边线段；
使用最小二乘法，分别对两个长边线段进行直线拟合，得到两个拟合直线。
进一步地，所述根据经过每个内部点在水平方向上的直线与两个拟合直线交点的距离、与五金端子表面连通域边界交点的距离、每个内部点在竖直方向上的周围像素点灰度值，得到每个内部点的亮度表现破坏程度，包括的具体步骤如下：
将任意一个内部点，记为目标点；
将经过目标点的水平方向上的直线，记为目标直线；
将目标直线与两个拟合直线的两个交点之间的距离，记为目标点的最短距离；
将目标直线与五金端子表面连通域边界的两个交点之间的距离，记为目标点的实际距离；
在五金端子表面连通域中，从目标点开始，沿竖直方向上分别向两侧逐个像素点遍历，将遍历到的所有像素点数量，记为目标点的最长距离；
根据目标点在竖直方向上的周围像素点灰度值、目标点的最长距离、最短距离、实际距离，目标点的亮度表现破坏程度。
进一步地，所述根据目标点在竖直方向上的周围像素点灰度值、目标点的最长距离、最短距离、实际距离，目标点的亮度表现破坏程度对应的具体计算公式为：
其中B为目标点的亮度表现破坏程度，M为目标点在竖直方向上有参考价值的长度，M′为目标点的最长距离，c为预设的常数，d2为目标点的实际距离，d1为目标点的最短距离，m为参考点的数量，G为目标点的灰度值，gi为第i个参考点的灰度值，exp()为以自然常数为底的指数函数，Norm()为线性归一化函数，为向上取整函数；
所述参考点的获取过程为：统计五金端子表面连通域中从目标点开始，沿竖直方向上分别向两侧的前M个像素点，将所述两侧的前M个像素点，记为参考点。
进一步地，所述在所有内部点中，根据每个内部点的亮度表现破坏程度、灰度值和其邻域像素点灰度值，筛选出若干个反光点，包括的具体步骤如下：
将亮度表现破坏程度大于预设的判断阈值的内部点，记为疑似反光点；
将每个疑似反光点的八邻域内的所有像素点灰度值的均值，记为每个疑似反光点的灰度阈值；
将灰度值大于灰度阈值的疑似反光点，记为反光点。
进一步地，所述根据主反光点和其周围内部点的亮度表现破坏程度之间的差异，得到主反光点的反光直线和反光带可能性，包括的具体步骤如下：
在所有内部点中，以内部点的亮度表现破坏程度之间的差异为相似度准则，以主反光点为种子点，使用区域生长算法进行区域生长，当生长区域内的内部点数量等于N时，停止生长，得到主反光点的最终生长区域；所述N为预设的数量阈值；
在主反光点的最终生长区域内，计算任意两个内部点之间的距离，统计所有内部点之间的距离中的最大值，记为主反光点的反光带长度；将经过所述最大值对应的两个内部点的直线，记为主反光点的反光直线；
根据主反光点的反光带长度、主反光点的最终生长区域内所有像素点的亮度表现破坏程度，得到主反光点的反光带可能性对应的具体计算公式为：
其中R为主反光点的反光带可能性，L为主反光点的反光带长度，B′为主反光点的亮度表现破坏程度，Ba ′ vg为主反光点的最终生长区域内所有内部点的亮度表现破坏程度的均值。
进一步地，所述根据主反光点与周围内部点之间的距离，得到主反光点对应的若干个疑似缺陷点，包括的具体步骤如下：
将与主反光点之间的距离为S的内部点，记为主反光点对应的疑似缺陷点；所述S为预设的距离阈值。
进一步地，所述根据每个疑似缺陷点与其周围内部点的灰度值差异、主反光点的反光直线和反光带可能性、每个疑似缺陷点的局部阈值，得到每个疑似缺陷点的更新局部阈值，包括的具体步骤如下：
在主反光点对应的所有疑似缺陷点中，将任意一个疑似缺陷点，记为主疑似缺陷点；
在所有内部点中，以内部点灰度值之间的差异为相似度准则，以主疑似缺陷点为种子点，使用区域生长算法进行区域生长，当生长区域内的内部点数量等于N时，停止生长，得到主疑似缺陷点的最终生长区域；所述N为预设的数量阈值；
在主疑似缺陷点的最终生长区域内，计算任意两个内部点之间的距离，将所有内部点之间的距离中的最大值，记为主疑似缺陷点的生长长度；将经过所述最大值对应的两个内部点的直线，记为主疑似缺陷点的生长直线；
根据主疑似缺陷点的生长直线与主反光点的反光直线的夹角值、主疑似缺陷点的生长长度、主反光点的反光带可能性、主疑似缺陷点的局部阈值，得到主疑似缺陷点的更新局部阈值。
进一步地，所述根据主疑似缺陷点的生长直线与主反光点的反光直线的夹角值、主疑似缺陷点的生长长度、主反光点的反光带可能性、主疑似缺陷点的局部阈值，得到主疑似缺陷点的更新局部阈值对应的具体计算公式为：
其中Y为主疑似缺陷点的更新局部阈值，Y′为主疑似缺陷点的局部阈值，R为主反光点的反光带可能性，L′为主疑似缺陷点的生长长度，θ为主疑似缺陷点的生长直线与主反光点的反光直线的夹角值中的最小值，Norm()为线性归一化函数。
进一步地，所述根据所有反光点对应的所有疑似缺陷点的更新局部阈值，判断五金端子表面图像中的五金端子表面质量是否合格，包括的具体步骤如下：
将更新局部阈值大于灰度值的疑似缺陷点，记为缺陷点；
当所有反光点对应的所有疑似缺陷点中存在缺陷点时，判定五金端子表面图像中的五金端子表面质量不合格；
当所有反光点对应的所有疑似缺陷点中不存在缺陷点时，判定五金端子表面图像中的五金端子表面质量合格。
本发明的技术方案的有益效果是：
本发明实施例中，获取五金端子表面连通域和每个像素点的局部阈值，将不在五金端子表面连通域边界上的像素点，记为内部点，获取每个内部点的亮度表现破坏程度，从而筛选出反光点，其通过压痕对五金端子表面的亮度破坏情况，识别压痕周围的反光带，由此确定缺陷的大概位置，从而提高缺陷检测的准确性。获取反光点对应的疑似缺陷点，计算每个疑似缺陷点的更新局部阈值，其通过分析压痕的形状特征、压痕和其周围反光带的相似特征，对疑似缺陷点的局部阈值进行更新，从而得到准确的缺陷点。最后根据所有反光点对应的所有疑似缺陷点的更新局部阈值，判断五金端子表面图像中的五金端子表面质量是否合格。至此本发明通过识别图像中的反光点和其对应的疑似缺陷点，并自适应局部阈值，提高缺陷检测的准确性，从而提高了充电枪的五金端子质量检测的准确性。
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为本发明用于充电枪的五金端子质量检测方法的步骤流程图；
图2为本实施例所提供的一个待检测五金端子表面灰度图像示意图；
图3为本实施例所提供的一个五金端子表面连通域的边界分段示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的用于充电枪的五金端子质量检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的用于充电枪的五金端子质量检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的用于充电枪的五金端子质量检测方法的步骤流程图，该方法包括以下步骤：
步骤S001：采集一张充电枪的五金端子表面图像，进行灰度化处理，得到五金端子表面灰度图像；使用深度神经网络，得到五金端子表面灰度图像中的五金端子表面连通域；使用自适应阈值分割算法，得到五金端子表面连通域内每个像素点的局部阈值。
采集一张充电枪的五金端子表面图像，对图像进行灰度化处理，得到五金端子表面灰度图像。图2为本实施例所提供的一个待检测五金端子表面灰度图像示意图。
所需说明的是：图像灰度化处理法为公知技术，具体方法在此不做介绍。充电枪的五金端子表面图像的采集过程为：将一个五金端子竖直摆放在检测台上，使用工业相机进行正俯视拍摄，然后转动五金端子，重新拍摄，得到多张五金端子表面图像，直至采集到五金端子的完整表面。由此根据这多张五金端子表面图像的缺陷检测结果，判断五金端子的质量是否合格。本实施例以一个五金端子的一张表面图像为例进行叙述。需要注意，由于五金端子表面较为光滑，因此检测台上不能放置其他物品，避免这些物品倒映在端子表面，影响检测结果。
由于五金端子表面图像中存在为背景的检测台区域，而每张图像中只存在一个五金端子，即图像中的五金端子表面区域为一个连通域。
因此本发明实施例采用深度神经网络来识别分割五金端子表面灰度图像中的五金端子表面连通域。
深度神经网络的相关内容如下：
本实施例使用的深度神经网络为DeepLabV3神经网络；使用的数据集为五金端子表面灰度图像数据集。
需要分割的像素点，共分为2类，即训练集对应标签标注过程为：单通道的语义标签，对应位置像素点属于背景类的标注为0，属于五金端子表面连通域的标注为1。
网络的任务是分类，所以使用的loss函数为交叉熵损失函数。
通过深度神经网络得到五金端子表面灰度图像中的五金端子表面连通域。
由于本实施例将通过调整自适应阈值分割算法中的局部阈值，来提高缺陷检测的准确性。因此先使用自适应阈值分割算法，得到五金端子表面连通域内每个像素点的局部阈值。
所需说明的是：自适应阈值分割算法为公知技术，该算法会将原始图像划分为多个均匀大小的子区域，对于每个子区域，一般计算该子区域内像素的平均灰度值，并将其作为该子区域的局部阈值，即为该子区域内每个像素点的局部阈值。本实施例预设的子区域大小为5×5，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。
步骤S002：在五金端子表面连通域中，将不在五金端子表面连通域边界上的像素点，记为内部点；对五金端子表面连通域边界进行分段，根据分段的长度，得到两个拟合直线；根据经过每个内部点在水平方向上的直线与两个拟合直线交点的距离、与五金端子表面连通域边界交点的距离、每个内部点在竖直方向上的周围像素点灰度值，得到每个内部点的亮度表现破坏程度。
已知当五金端子的表面出现压痕时，压痕会破坏五金端子原本的表面分布，压痕越深，那么压痕部位和周围的灰度差距越大，越好识别。但是对于较弱的压痕，它的灰度表现和周围的灰度差距较小，因此需要结合他周围的具体灰度分布来进行判断，从而识别出较弱的压痕。
由于充电枪的五金端子整体是光滑的圆柱形物体，其表面有反光，且不同位置的反光程度不同，因此亮度表现不同，但是对于五金端子的竖直方向上处于同一条线的像素点，他们的亮度表现是相同的。在端子上存在压痕时，由于压痕改变了端子表面的弧度，导致其表面的亮度表现出现差异，由本来的竖直方向上的灰度值相似，变成了压痕方向上的灰度值相似。同时由于光照的原因，压痕处往往存在一条较亮的反光带和较暗的压痕带。
对于五金端子上的压痕缺陷，无论是压痕带还是压痕带周围的反光带，都会对图像中原有的亮度分布进行破坏，因此首先计算图像中的各像素点对于原本的亮度分布的破坏程度。由上述分析可知，对于五金端子的竖直方向上处于同一条线的像素点，他们的亮度表现是相同，因此在这个方向上的灰度分布差异越大，像素点对于亮度的破坏程度越大。
使用微分几何方法，得到五金端子表面连通域边界上每个像素点的切线。其中，微分几何方法为公知技术，具体方法在此不做介绍。
在五金端子表面连通域边界上，从任意一个像素点开始，沿顺时针方向，作经过每个像素点与其后一个像素点的直线，将所述后一个像素点的直线与每个像素点的切线的夹角值中的最小值，记为每个像素点的角度值。
所需说明的是：五金端子表面连通域边界为一个封闭的曲线，因此边界上最后一个像素点的后一个像素点为起始的像素点。
本实施例预设的角度阈值为30度，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。
在五金端子表面连通域边界上，将角度值大于预设的角度阈值的像素点，记为分割点。
所需说明的是：分割点就是五金端子表面连通域的边界上的拐点。
使用所有分割点，将五金端子表面连通域的边界划分为若干个边界线段。
所需说明的是：五金端子表面连通域边界为一个封闭的曲线，因此边界上相邻两个分割点之间为一个边界线段。
根据每个边界线段上的像素点数量，由大到小对所有边界线段进行排序，得到边界线段序列。
将边界线段序列中的前两个边界线段，记为长边线段l。
使用最小二乘法，分别对两个长边线段进行直线拟合，得到两个拟合直线。
图3为本实施例所提供的一个五金端子表面连通域的边界分段示意图。
所需说明的是：图3中左侧图像表示五金端子表面连通域的边界，右侧图像表示五金端子表面连通域的边界划分的边界线段，右侧图像的左上和右上边界线段为长边线段l。
在五金端子表面连通域中，将不在五金端子表面连通域边界上的像素点，记为内部点。
将任意一个内部点，记为目标点。
在五金端子表面连通域中，将过目标点的水平方向上的直线，记为目标直线。
将目标直线与两个拟合直线的两个交点之间的距离，记为目标点的最短距离。
将目标直线与五金端子表面连通域边界两个交点之间的距离，记为目标点的实际距离。
所需说明的是：已知五金端子竖直摆放，根据五金端子形状可知，拟合直线应为竖直直线，因此目标直线分别于每个拟合直线存在一个交点。而五金端子表面连通域边界为一个封闭的曲线，故目标直线与五金端子表面连通域边界至少存在两个交点，当目标点在五金端子左右凸起处的横向边界所处的直线上时，目标直线与五金端子表面连通域的边界存在多个交点，本实施例取目标直线上从目标点开始分别向两侧的遍历到的第一个交点之间的距离，为目标点的实际距离。
在五金端子表面连通域中，从目标点开始，沿竖直方向上分别向两侧逐个像素点遍历，将遍历到的像素点数量，记为目标点的最长距离。
由于图像中五金端子靠近下方一侧的位置有一个凸台用于安装固定，因此计算当目标点的最短距离和实际距离相差越大，目标点越可能是五金端子上的凸台处，亮度表现和周围的整体的亮度表现越不符，它的破坏程度越应该考虑局部的表现。
由此可知目标点的亮度表现破坏程度B的计算公式为：
其中B为目标点的亮度表现破坏程度，M为目标点在竖直方向上有参考价值的长度，M′为目标点的最长距离，c为预设的常数，d2为目标点的实际距离，d1为目标点的最短距离，m为参考点的数量，参考点的获取过程为：在五金端子表面连通域中，从目标点开始、沿竖直方向上分别取两侧的前M个像素点，将所述两侧的前M个像素点，记为参考点。G为目标点的灰度值，gi为第i个参考点的灰度值。exp()为以自然常数为底的指数函数，本实施例以exp(-)来呈现反比例关系及归一化处理，实施者可根据实际情况设置反比例函数及归一化函数。Norm()为线性归一化函数，将数据值归一化至[0,1]区间内。本实施例设定c为4，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。为向上取整函数。
所需说明的是：在五金端子表面连通域中，从目标点开始、沿竖直方向上分别取两侧的前M个像素点，故参考点的数量一般为M的2倍，但若任意一侧不满足M个像素点，则只取存在的像素点为参考点。表示一个基准参考长度，当/>较大时，说明目标点越可能是五金端子上的凸台处，凸台处形态复杂，因此需要考虑较小的局部范围内的像素点灰度变化，故用/>和/>的乘积的向上取整，表示目标点在竖直方向上有参考价值的长度，由于不会等于0，因此M最小为1。由此计算目标点与所有参考点的灰度差异，(G-gi)2越大，目标点与参考点的灰度差异越大，说明目标点对图像的亮度破坏程度越大，因此用表示目标点的亮度表现破坏程度，故B值越大，目标点越可能为异常的像素点，即缺陷像素点和反光造成的高亮度像素点。
按照上述方式，得到每个内部点的亮度表现破坏程度。
所需说明的是：一个五金端子会采集多张图像，当前图像中的五金端子连通域边界会处于其它图像中的五金端子连通域内部，因此本实施例中不分析连通域边界上像素点是否为缺陷。
步骤S003：在所有内部点中，根据每个内部点的亮度表现破坏程度、灰度值和其邻域像素点灰度值，筛选出若干个反光点；将任意一个反光点，记为主反光点；根据主反光点和其周围内部点的亮度表现破坏程度之间的差异，得到主反光点的反光直线和反光带可能性。
由上述分析可知，由于五金端子上压痕缺陷往往会在压痕方向上造成一条较亮的反光带和较暗的压痕带，而较浅的压痕缺陷中压痕带的表现往往较弱，反光带的表现会更强一点，因此可以将反光带作为基准，在其周围判断是否存在压痕缺陷，如果不存在，那么说明此处的亮度异常是噪声表现。
因此需要先获取可能是反光带的像素点，本实施例预设的判断阈值为0.7，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。
将亮度表现破坏程度大于预设的判断阈值的内部点，记为疑似反光点。
将每个疑似反光点的八邻域内的像素点灰度值的均值，记为每个疑似反光点的灰度阈值。
将灰度值大于灰度阈值的疑似反光点，记为反光点。
所需说明的是：当亮度表现破坏程度较大时，像素点可能为缺陷像素点或者反光造成的高亮度像素点，因此需要进一步取亮度较大的像素点为反光点。
将任意一个反光点，记为主反光点。
本实施例预设的数量阈值N为5，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。
在所有内部点中，以内部点的亮度表现破坏程度之间的差异为相似度准则，以主反光点为种子点，使用区域生长算法进行区域生长，当生长区域内的内部点数量等于N时，停止生长，得到主反光点的最终生长区域。
所需说明的是：区域生长算法为公知技术，具体方法在此不做介绍。已知选择种子点、建立相似度准则、终止条件为区域生长的主要过程。主反光点的最终生长区域内的内部点的亮度表现破坏程度相似。
在主反光点的最终生长区域内，计算任意两个内部点之间的距离，将所有内部点之间的距离中的最大值，记为主反光点的反光带长度。将经过所述最大值对应的两个内部点的直线，记为主反光点的反光直线。
所需说明的是：主反光点的反光带长度越大，说明主反光点周围亮度破坏程度较大的内部点越接近一条线，即越可能是处于反光带中。
由此可知主反光点的反光带可能性R的计算公式为：
其中R为主反光点的反光带可能性，L为主反光点的反光带长度，N为预设的数量阈值，B′为主反光点的亮度表现破坏程度，Ba ′ vg为主反光点的最终生长区域内所有内部点的亮度表现破坏程度的均值。
所需说明的是：N为预设的数量阈值，N也为主反光点的最终生长区域内的内部点数量，因此越接近于1，说明主反光点的最终生长区域越接近于一条直线，即主反光点越可能处于反光带中，而B′×Ba ′ vg越大，说明主反光点周围的亮度破坏程度越大，最终生长区域越有可能是反光带。因此用/>表示主反光点的反光带可能性，即R越大，为反光带的可能性越大。
步骤S004：根据主反光点与周围内部点之间的距离，得到主反光点对应的若干个疑似缺陷点；根据每个疑似缺陷点与其周围内部点的灰度值差异、主反光点的反光直线和反光带可能性、每个疑似缺陷点的局部阈值，得到每个疑似缺陷点的更新局部阈值。
已知压痕缺陷应处于反光带周围，因此再根据反光点的反光带可能性，分析反光带点的周围像素点是否为缺陷。
本实施例预设的距离阈值为S为10，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。
将与主反光点之间的距离为S的内部点，记为主反光点对应的疑似缺陷点。
按照上述方式，得到每个反光点对应的若干个疑似缺陷点。
在主反光点对应的所有疑似缺陷点中，将任意一个疑似缺陷点，记为主疑似缺陷点。
在所有内部点中，以内部点灰度值之间的差异为相似度准则，以主疑似缺陷点为种子点，使用区域生长算法进行区域生长，当生长区域内的内部点数量等于N时，停止生长，得到主疑似缺陷点的最终生长区域。
在主疑似缺陷点的最终生长区域内，计算任意两个内部点之间的距离，将所有内部点之间的距离中的最大值，记为主疑似缺陷点的生长长度。将经过所述最大值对应的两个内部点的直线，记为主疑似缺陷点的生长直线。
当主反光点的反光直线、主反光点的疑似缺陷点的生长直线的方向越相似，说明周围像素点的灰度分布情况越接近一条线，越符合压痕缺陷的特征，此处应赋予一个较大的局部阈值，保障其被检测为缺陷点。
由此可知主疑似缺陷点的更新局部阈值Y的计算公式为：
其中Y为主疑似缺陷点的更新局部阈值，Y′为主疑似缺陷点的局部阈值，R为主反光点的反光带可能性，L′为主疑似缺陷点的生长长度，θ为主疑似缺陷点的生长直线与主反光点的反光直线的夹角值中的最小值，Norm()为线性归一化函数，将数据值归一化至[0,1]区间内。
所需说明的是：R越大，主反光点周围存在反光带的可能性，即主反光点周围的主疑似缺陷点为压痕的可能性越大，L′越大，说明与主疑似缺陷点灰度值相似的像素点分布越接近一条线，越有可能是压痕缺陷，θ越小，说明主疑似缺陷点的生长直线与主反光点的反光直线方向越相似，即主疑似缺陷点的生长直线越可能为压痕，由于两直线夹角值中的最小值，其最大为90度，因此用表示θ的归一化值。故/>越大，主疑似缺陷点越可能为缺陷点，故用/>为Y′的调整值，即令主疑似缺陷点的更新局部阈值Y较大，保障主疑似缺陷点分割准确。
步骤S005：根据所有反光点对应的所有疑似缺陷点的更新局部阈值，判断五金端子表面图像中的五金端子表面质量是否合格。
已知压痕缺陷为五金端子表面的暗区域。因此当主疑似缺陷点的更新局部阈值大于主疑似缺陷点的灰度值时，将主疑似缺陷点，记为缺陷点，否则不是缺陷点。
按照上述方式，判断主反光点对应的每个疑似缺陷点是否为缺陷点，以及每个反光点对应的每个疑似缺陷点是否为缺陷点。
当所有反光点对应的所有疑似缺陷点中存在缺陷点时，判定五金端子表面图像中的五金端子表面质量不合格。
当所有反光点对应的所有疑似缺陷点中不存在缺陷点时，判定五金端子表面图像中的五金端子表面质量合格。
所需说明的是：此时只能得到当前图像中的五金端子表面质量是否合格。由于获取完整的五金端子表面需要采集多张表面图像，因此需要按照上述方式，分析每个五金端子对应的所有表面图像中五金端子表面质量是否合格，当每个五金端子对应的所有表面图像中五金端子表面质量都合格时，该五金端子表面质量合格。
至此，本发明完成。
综上所述，在本发明实施例中，获取五金端子表面连通域和每个像素点的局部阈值，将不在五金端子表面连通域边界上的像素点，记为内部点，获取每个内部点的亮度表现破坏程度，从而筛选出反光点，获取反光点对应的疑似缺陷点，计算每个疑似缺陷点的更新局部阈值。根据所有反光点对应的所有疑似缺陷点的更新局部阈值，判断五金端子表面图像中的五金端子表面质量是否合格。本发明通过识别图像中的反光点和其对应的疑似缺陷点，并自适应局部阈值，提高缺陷检测的准确性，从而提高了充电枪的五金端子质量检测的准确性。
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.用于充电枪的五金端子质量检测方法，其特征在于，该方法包括以下步骤：
采集一张充电枪的五金端子表面图像，进行灰度化处理，得到五金端子表面灰度图像；使用深度神经网络，得到五金端子表面灰度图像中的五金端子表面连通域；使用自适应阈值分割算法，得到五金端子表面连通域内每个像素点的局部阈值；
在五金端子表面连通域中，将不在五金端子表面连通域边界上的像素点，记为内部点；对五金端子表面连通域边界进行分段，根据分段的长度，得到两个拟合直线；根据经过每个内部点在水平方向上的直线与两个拟合直线交点的距离、与五金端子表面连通域边界交点的距离、每个内部点在竖直方向上的周围像素点灰度值，得到每个内部点的亮度表现破坏程度；
在所有内部点中，根据每个内部点的亮度表现破坏程度、灰度值和其邻域像素点灰度值，筛选出若干个反光点；将任意一个反光点，记为主反光点；根据主反光点和其周围内部点的亮度表现破坏程度之间的差异，得到主反光点的反光直线和反光带可能性；所述根据主反光点和其周围内部点的亮度表现破坏程度之间的差异，得到主反光点的反光直线和反光带可能性，包括的具体步骤如下：
在所有内部点中，以内部点的亮度表现破坏程度之间的差异为相似度准则，以主反光点为种子点，使用区域生长算法进行区域生长，当生长区域内的内部点数量等于N时，停止生长，得到主反光点的最终生长区域；所述N为预设的数量阈值；
在主反光点的最终生长区域内，计算任意两个内部点之间的距离，统计所有内部点之间的距离中的最大值，记为主反光点的反光带长度；将经过所述最大值对应的两个内部点的直线，记为主反光点的反光直线；
根据主反光点的反光带长度、主反光点的最终生长区域内所有像素点的亮度表现破坏程度，得到主反光点的反光带可能性对应的具体计算公式为：
其中R为主反光点的反光带可能性，L为主反光点的反光带长度，B′为主反光点的亮度表现破坏程度，B′avg为主反光点的最终生长区域内所有内部点的亮度表现破坏程度的均值；
根据主反光点与周围内部点之间的距离，得到主反光点对应的若干个疑似缺陷点；根据每个疑似缺陷点与其周围内部点的灰度值差异、主反光点的反光直线和反光带可能性、每个疑似缺陷点的局部阈值，得到每个疑似缺陷点的更新局部阈值；所述根据每个疑似缺陷点与其周围内部点的灰度值差异、主反光点的反光直线和反光带可能性、每个疑似缺陷点的局部阈值，得到每个疑似缺陷点的更新局部阈值，包括的具体步骤如下：
在主反光点对应的所有疑似缺陷点中，将任意一个疑似缺陷点，记为主疑似缺陷点；
在所有内部点中，以内部点灰度值之间的差异为相似度准则，以主疑似缺陷点为种子点，使用区域生长算法进行区域生长，当生长区域内的内部点数量等于N时，停止生长，得到主疑似缺陷点的最终生长区域；所述N为预设的数量阈值；
在主疑似缺陷点的最终生长区域内，计算任意两个内部点之间的距离，将所有内部点之间的距离中的最大值，记为主疑似缺陷点的生长长度；将经过所述最大值对应的两个内部点的直线，记为主疑似缺陷点的生长直线；
根据主疑似缺陷点的生长直线与主反光点的反光直线的夹角值、主疑似缺陷点的生长长度、主反光点的反光带可能性、主疑似缺陷点的局部阈值，得到主疑似缺陷点的更新局部阈值对应的具体计算公式为：
其中Y为主疑似缺陷点的更新局部阈值，Y′为主疑似缺陷点的局部阈值，R为主反光点的反光带可能性，L′为主疑似缺陷点的生长长度，θ为主疑似缺陷点的生长直线与主反光点的反光直线的夹角值中的最小值，Norm()为线性归一化函数；
根据所有反光点对应的所有疑似缺陷点的更新局部阈值，判断五金端子表面图像中的五金端子表面质量是否合格。
2.根据权利要求1所述用于充电枪的五金端子质量检测方法，其特征在于，所述对五金端子表面连通域边界进行分段，根据分段的长度，得到两个拟合直线，包括的具体步骤如下：
使用微分几何方法，得到五金端子表面连通域边界上每个像素点的切线；
在五金端子表面连通域边界上，从任意一个像素点开始，沿顺时针方向，作经过每个像素点与其后一个像素点的直线，将所述后一个像素点的直线与每个像素点的切线的夹角值中的最小值，记为每个像素点的角度值；
将五金端子表面连通域边界上角度值大于预设的角度阈值的像素点，记为分割点；
使用所有分割点，将五金端子表面连通域边界划分为若干个边界线段；
根据每个边界线段上的像素点数量，由大到小对所有边界线段进行排序，得到边界线段序列；
将边界线段序列中的前两个边界线段，记为长边线段；
使用最小二乘法，分别对两个长边线段进行直线拟合，得到两个拟合直线。
3.根据权利要求1所述用于充电枪的五金端子质量检测方法，其特征在于，所述根据经过每个内部点在水平方向上的直线与两个拟合直线交点的距离、与五金端子表面连通域边界交点的距离、每个内部点在竖直方向上的周围像素点灰度值，得到每个内部点的亮度表现破坏程度，包括的具体步骤如下：
将任意一个内部点，记为目标点；
将经过目标点的水平方向上的直线，记为目标直线；
将目标直线与两个拟合直线的两个交点之间的距离，记为目标点的最短距离；
将目标直线与五金端子表面连通域边界的两个交点之间的距离，记为目标点的实际距离；
在五金端子表面连通域中，从目标点开始，沿竖直方向上分别向两侧逐个像素点遍历，将遍历到的所有像素点数量，记为目标点的最长距离；
根据目标点在竖直方向上的周围像素点灰度值、目标点的最长距离、最短距离以及实际距离，得到目标点的亮度表现破坏程度。
4.根据权利要求3所述用于充电枪的五金端子质量检测方法，其特征在于，所述根据目标点在竖直方向上的周围像素点灰度值、目标点的最长距离、最短距离以及实际距离，得到目标点的亮度表现破坏程度对应的具体计算公式为：
其中B为目标点的亮度表现破坏程度，M为目标点在竖直方向上有参考价值的长度，M′为目标点的最长距离，c为预设的常数，d2为目标点的实际距离，d1为目标点的最短距离，m为参考点的数量，G为目标点的灰度值，gi为第i个参考点的灰度值，exp()为以自然常数为底的指数函数，Norm()为线性归一化函数，为向上取整函数；
所述参考点的获取过程为：统计五金端子表面连通域中从目标点开始，沿竖直方向上分别向两侧的前M个像素点，将所述两侧的前M个像素点，记为参考点。
5.根据权利要求1所述用于充电枪的五金端子质量检测方法，其特征在于，所述在所有内部点中，根据每个内部点的亮度表现破坏程度、灰度值和其邻域像素点灰度值，筛选出若干个反光点，包括的具体步骤如下：
将亮度表现破坏程度大于预设的判断阈值的内部点，记为疑似反光点；
将每个疑似反光点的八邻域内的所有像素点灰度值的均值，记为每个疑似反光点的灰度阈值；
将灰度值大于灰度阈值的疑似反光点，记为反光点。
6.根据权利要求1所述用于充电枪的五金端子质量检测方法，其特征在于，所述根据主反光点与周围内部点之间的距离，得到主反光点对应的若干个疑似缺陷点，包括的具体步骤如下：
将与主反光点之间的距离为S的内部点，记为主反光点对应的疑似缺陷点；所述S为预设的距离阈值。
7.根据权利要求1所述用于充电枪的五金端子质量检测方法，其特征在于，所述根据所有反光点对应的所有疑似缺陷点的更新局部阈值，判断五金端子表面图像中的五金端子表面质量是否合格，包括的具体步骤如下：
将更新局部阈值大于灰度值的疑似缺陷点，记为缺陷点；
当所有反光点对应的所有疑似缺陷点中存在缺陷点时，判定五金端子表面图像中的五金端子表面质量不合格；
当所有反光点对应的所有疑似缺陷点中不存在缺陷点时，判定五金端子表面图像中的五金端子表面质量合格。
CN202311592880.1A 2023-11-27 2023-11-27 用于充电枪的五金端子质量检测方法 Active CN117388263B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311592880.1A CN117388263B (zh) 2023-11-27 2023-11-27 用于充电枪的五金端子质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311592880.1A CN117388263B (zh) 2023-11-27 2023-11-27 用于充电枪的五金端子质量检测方法

Publications (2)

Publication Number Publication Date
CN117388263A CN117388263A (zh) 2024-01-12
CN117388263B true CN117388263B (zh) 2024-04-02

Family

ID=89472092

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311592880.1A Active CN117388263B (zh) 2023-11-27 2023-11-27 用于充电枪的五金端子质量检测方法

Country Status (1)

Country Link
CN (1) CN117388263B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117764992B (zh) * 2024-02-22 2024-04-30 山东乔泰管业科技有限公司 基于图像处理的塑料管材质量检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114445627A (zh) * 2021-12-29 2022-05-06 国创移动能源创新中心(江苏)有限公司 运营充电桩的充电枪检测方法和装置
CN116758061A (zh) * 2023-08-11 2023-09-15 山东优奭趸泵业科技有限公司 基于计算机视觉的铸件表面缺陷检测方法
CN116977358A (zh) * 2023-09-22 2023-10-31 玖龙智能包装(天津)有限公司 一种瓦楞纸生产品质视觉辅助检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10489903B2 (en) * 2015-04-27 2019-11-26 Wuhan Wuda Zoyon Science And Technology Co., Ltd. Stepwise refinement detection method for pavement cracks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114445627A (zh) * 2021-12-29 2022-05-06 国创移动能源创新中心(江苏)有限公司 运营充电桩的充电枪检测方法和装置
CN116758061A (zh) * 2023-08-11 2023-09-15 山东优奭趸泵业科技有限公司 基于计算机视觉的铸件表面缺陷检测方法
CN116977358A (zh) * 2023-09-22 2023-10-31 玖龙智能包装(天津)有限公司 一种瓦楞纸生产品质视觉辅助检测方法

Also Published As

Publication number Publication date
CN117388263A (zh) 2024-01-12

Similar Documents

Publication Publication Date Title
CN116758061B (zh) 基于计算机视觉的铸件表面缺陷检测方法
CN115311292B (zh) 基于图像处理的带钢表面缺陷检测方法及系统
CN114419025A (zh) 一种基于图像处理的纤维板质量评估方法
CN115170576A (zh) 基于机器视觉的铝管表面缺陷检测方法
CN117388263B (zh) 用于充电枪的五金端子质量检测方法
CN115829883A (zh) 一种异性金属结构件表面图像去噪方法
CN115351598A (zh) 一种数控机床轴承检测方法
CN116758083B (zh) 基于计算机视觉的金属洗脸盆缺陷快速检测方法
CN115018850B (zh) 基于图像处理的精密电子零部件冲压孔毛刺检测方法
CN116912261B (zh) 一种塑料模具注塑表面缺陷检测方法
CN115330760B (zh) 一种二极管引脚缺陷识别方法
CN115689948B (zh) 用于检测建筑供水管道裂痕的图像增强方法
CN116188468B (zh) 一种hdmi线缆传输分拣智能控制系统
CN114897773A (zh) 一种基于图像处理的扭曲木材检测方法及系统
CN116758057A (zh) 基于人工智能的通信设备缺陷检测方法
CN116523923B (zh) 一种电池外壳缺陷识别方法
CN116152242B (zh) 一种篮球用天然皮革缺陷可视化检测系统
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN115294159A (zh) 金属紧固件腐蚀区域分割方法
CN115861307A (zh) 基于人工智能的筋膜枪供电驱动板焊接故障检测方法
CN115953409A (zh) 基于图像处理的注塑件表面缺陷检测方法
CN115294114A (zh) 一种基于ecu电路焊接的质量检测方法
CN117745715A (zh) 基于人工智能的大口径望远镜镜片缺陷检测方法
CN115330757A (zh) 一种电路板焊点缺陷检测方法及系统
CN115254674B (zh) 一种轴承缺陷分选方法

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