CN117392129A - 一种基于2d机器视觉的柴油发动机涂胶检测方法及装置 - Google Patents
一种基于2d机器视觉的柴油发动机涂胶检测方法及装置 Download PDFInfo
- Publication number
- CN117392129A CN117392129A CN202311694889.3A CN202311694889A CN117392129A CN 117392129 A CN117392129 A CN 117392129A CN 202311694889 A CN202311694889 A CN 202311694889A CN 117392129 A CN117392129 A CN 117392129A
- Authority
- CN
- China
- Prior art keywords
- path
- glue
- actual
- image
- gum
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 109
- 238000004026 adhesive bonding Methods 0.000 title claims abstract description 64
- 239000003292 glue Substances 0.000 claims abstract description 347
- 238000012797 qualification Methods 0.000 claims abstract description 30
- 230000001502 supplementing effect Effects 0.000 claims abstract description 13
- 238000005520 cutting process Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 63
- 230000008569 process Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 239000012636 effector Substances 0.000 claims description 10
- 239000011248 coating agent Substances 0.000 claims description 8
- 238000000576 coating method Methods 0.000 claims description 8
- 230000007480 spreading Effects 0.000 claims description 7
- 238000003892 spreading Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010073 coating (rubber) Methods 0.000 claims 6
- 238000004519 manufacturing process Methods 0.000 abstract description 17
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 229920000297 Rayon Polymers 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011179 visual inspection Methods 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及柴油发动机生产制造产线技术领域，具体公开了一种基于2D机器视觉的柴油发动机涂胶检测方法及装置，该检测方法包括：获取发动机缸体表面的理论胶路图像；计算出发动机缸体表面的实际胶路图像；通过多个截取框将发动机缸体表面的实际胶路图像截取为多段实际胶路图像；对每个截取框内的实际胶路图像进行胶路特征提取；将每段实际胶路图像的胶路特征信息与理论胶路图像的胶路特征信息进行对比，得到每段实际胶路图像的胶路合格检测结果，并判断发动机缸体表面的整个实际胶路是否合格。本发明能够实现柴油发动机自动涂胶和涂胶效果检测功能，可以根据检测出的断胶位置驱动机器人实现补胶功能，形成生产闭环，减轻产线工人劳动量。
Description
技术领域
本发明涉及柴油发动机生产制造产线技术领域，尤其涉及一种基于2D机器视觉的柴油发动机涂胶检测方法及一种基于2D机器视觉的柴油发动机涂胶检测装置。
背景技术
在柴油发动机生产制造产线中，在缸体表面和齿轮室、飞轮壳等连接件接触的部分涂工业粘黏胶是一个非常重要的加工工艺，涂胶工艺的合格与否直接影响缸体关键部件的稳定性进而决定整个柴油发动机的质量是否达标。随着工业自动化技术的迅速发展，大多数的发动机生产厂家都引入机器人技术实现自动涂胶的功能，机器人涂胶工作站在很大程度上可以减轻产线工人的劳动强度，提高整线工作效率。但是目前大多数机器人涂胶工作站都倾向于针对机器人自动涂胶工艺进行研究，对涂胶后胶路检测算法的研究涉及较少，这就导致机器人涂胶工艺无法形成闭环，在机器人涂胶工作站后还需再配备一名员工专门做涂胶效果目检和补胶工作。
针对上述产线痛点，我们提出一种基于2D机器视觉的柴油发动机涂胶检测方法，检测机器人涂胶后的胶路是否存在断胶、胶路过细、过宽以及漏胶等现象，根据检测到的断胶位置驱动机器人定点完成补胶工艺，闭合机器人涂胶工作站生产工艺。
发明内容
针对现有技术中的缺陷和不足，本发明提供了一种基于2D机器视觉的柴油发动机涂胶检测方法，能够实现柴油发动机自动涂胶和涂胶效果检测功能，可以根据检测出的断胶位置驱动机器人实现补胶功能，形成生产闭环，减轻产线工人劳动量。
作为本发明的第一个方面，提供一种基于2D机器视觉的柴油发动机涂胶检测方法，所述基于2D机器视觉的柴油发动机涂胶检测方法包括：
步骤S1：在通过机器人上的涂胶枪头对发动机缸体表面进行涂胶之前，通过机器人上的相机获取未涂胶的发动机缸体表面图像；
步骤S2：在通过机器人上的涂胶枪头对发动机缸体表面进行涂胶之后，通过机器人上的相机获取已涂胶的发动机缸体表面图像，同时获取发动机缸体表面的理论胶路图像；
步骤S3：依据所述未涂胶的发动机缸体表面图像和所述已涂胶的发动机缸体表面图像计算出发动机缸体表面的实际胶路图像；
步骤S4：获取所述发动机缸体表面的理论胶路图像的多个目标截取框，并通过多个目标截取框将所述发动机缸体表面的实际胶路图像截取为多段实际胶路图像；
步骤S5：对每个目标截取框内的实际胶路图像进行胶路特征提取，以得到每段实际胶路图像的胶路特征信息；
步骤S6：将所述每段实际胶路图像的胶路特征信息与所述发动机缸体表面的理论胶路图像的胶路特征信息进行对比，以得到每段实际胶路图像的胶路合格检测结果；
步骤S7：依据多段实际胶路图像的胶路合格检测结果判断所述发动机缸体表面的整个实际胶路是否合格。
进一步地，所述在通过机器人上的涂胶枪头对发动机缸体表面进行涂胶之后，获取发动机缸体表面的理论胶路图像，还包括：
利用机器人的ABB控制器标定出发动机工件坐标系O W 、涂胶枪头中心点TOOL 枪头和相机中心点TOOL 相机，以计算得到机器人基坐标系O B 与发动机工件坐标系O W 标定后的转换矩阵；
在发动机缸体表面固定安装标定板，相机以发动机工件坐标系O W 为基准，以相机中心点TOOL 相机为工具中心点TCP，变换位置拍摄标定板，计算出标定板在不同位置相机坐标系下的坐标，同时记录每个拍照位置相机在发动机工件坐标系O W 下的坐标/>，通过九点标定的方法计算得到相机坐标系O C 与发动机工件坐标系O W 标定后的转换矩阵/>；则机器人基坐标系O B 、发动机工件坐标系O W 以及相机坐标系O C 之间的转换关系如下式：
，
式中，P r 表示机器人末端执行器TCP在机器人基坐标系O B 下的坐标；P c 表示该机器人末端执行器TCP在相机坐标系O C 下的坐标；则机器人涂胶轨迹点在相机坐标系O C 下的坐标P c 的计算公式如下：
，
其中，P R 表示机器人涂胶轨迹点在机器人基坐标系O B 下的坐标；P RC 表示相机在机器人基坐标系O B 下的坐标；
根据多个涂胶轨迹点在相机坐标系O C 下的坐标得到所述发动机缸体表面的理论胶路图像，并在所述发动机缸体表面的理论胶路图像上生成多个目标截取框。
进一步地，所述依据所述未涂胶的发动机缸体表面图像和所述已涂胶的发动机缸体表面图像计算出发动机缸体表面的实际胶路图像，还包括：
所述发动机缸体表面的实际胶路图像的计算公式如下：
，
式中，g(x,y)表示相减后图像中对应像素点的灰度值，即发动机缸体表面的实际胶路图像中对应像素点的灰度值；f(x,y)表示未涂胶的发动机缸体表面图像中对应像素点的灰度值；h(x,y)表示已涂胶的发动机缸体表面图像中对应像素点的灰度值。
进一步地，所述对每个目标截取框内的实际胶路图像进行胶路特征提取，以得到每段实际胶路图像的胶路特征信息，还包括：
对每个目标截取框内的实际胶路图像进行胶路边缘信息提取，以得到每段实际胶路图像中左右两个胶路边缘点的位置信息；
根据每段实际胶路图像中左右两个胶路边缘点的位置信息，分别计算出每段实际胶路图像的胶路宽度和胶路中心点；
其中，每段实际胶路图像的胶路宽度W的计算公式如下：
,
其中，每段实际胶路图像的胶路中心点坐标(x中，y中)的计算公式如下：
,
式中，x1为每段实际胶路图像中左边缘点的横坐标，y1为每段实际胶路图像中左边缘点的纵坐标，x2为每段实际胶路图像中右边缘点的横坐标，y2为每段实际胶路图像中右边缘点的纵坐标，K为相机标定后的像素当量。
进一步地，所述对每个目标截取框内的实际胶路图像进行胶路边缘信息提取，以得到每段实际胶路图像中左右两个胶路边缘点的位置信息，还包括：
利用LOG算子对每个目标截取框内实际胶路图像的线性灰度值函数求二阶导数：
,
式中，d(x,y)表示目标截取框内实际胶路图像中对应像素点的灰度值；
▽²G(x,y)为该目标截取框内实际胶路图像中对应像素点的拉普拉斯高斯算子；
即：,
式中，σ为卷积核的高斯标准差；
寻找线性灰度值函数中的两个过零点，则该两个过零点为目标截取框内实际胶路图像的左右两个胶路边缘点，即获取该左右两个胶路边缘点的位置信息。
进一步地，所述将所述每段实际胶路图像的胶路特征信息与所述发动机缸体表面的理论胶路图像的胶路特征信息进行对比，以得到每段实际胶路图像的胶路合格检测结果，还包括：
将每个目标截取框内实际胶路图像的胶路宽度W带入胶路宽度检测函数f(i)，以获取每个目标截取框内实际胶路图像的胶路宽度检测结果；其中，胶路宽度检测函数f(i)的公式如下：
,
式中，W 标准代表胶路宽度理论值；D代表胶路宽度最大偏差值；W代表对应目标截取框内实际胶路图像的胶路宽度；当胶路宽度检测函数f(i)结果为1时，记为该目标截取框内实际胶路图像的胶路宽度合格；反之，当胶路宽度检测函数f(i)结果为0时，记为该目标截取框内实际胶路图像的胶路宽度不合格；
将每个目标截取框内实际胶路图像的胶路中心点坐标(x中，y中)带入胶路中心位置检测函数f(j)，以获取每个目标截取框内实际胶路图像的胶路中心位置检测结果，其中，胶路中心位置检测函数f(j)的公式如下：
,
式中，SH代表胶路中心点最大偏差值；(x标，y标)代表对应胶路的理论中心点坐标；当胶路中心位置检测函数f(j)结果为1时，记为该目标截取框内实际胶路图像的胶路中心位置合格；反之，当胶路中心位置检测函数f(j)结果为0时，记为该目标截取框内实际胶路图像的胶路中心位置不合格。
进一步地，所述依据多段实际胶路图像的胶路合格检测结果判断所述发动机缸体表面的整个实际胶路是否合格，还包括：
依据多个目标截取框内实际胶路图像的胶路宽度检测结果判断所述发动机缸体表面整个实际胶路的宽度是否合格，其中，整个实际胶路的宽度判断结果Result_Width的公式如下：
,
其中，L 胶路代表发动机缸体表面整个实际胶路的总长度；S代表相邻目标截取框的间距；T代表整个胶路合格性的检测阈值；当时，代表发动机缸体表面整个实际胶路宽度合格；/>时，代表发动机缸体表面整个实际胶路宽度不合格。
进一步地，所述依据多段实际胶路图像的胶路合格检测结果判断所述发动机缸体表面的整个实际胶路是否合格，还包括：
依据多个目标截取框内实际胶路图像的胶路中心位置检测结果判断所述发动机缸体表面整个实际胶路的中心位置是否合格，其中，整个实际胶路的中心位置判断结果Result_Center的公式如下：
，
其中，L 胶路代表发动机缸体表面整个实际胶路的总长度；S代表相邻目标截取框的间距；T代表整个胶路合格性的检测阈值；当时，代表发动机缸体表面整个实际胶路中心位置合格；/>时，代表发动机缸体表面整个实际胶路中心位置不合格。
进一步地，所述对每个目标截取框内的实际胶路图像进行胶路特征提取，以得到每段实际胶路图像的胶路特征信息，还包括：
若目标截取框内的实际胶路图像中未能提取出胶路特征信息，且该目标截取框内的实际胶路图像的亮斑面积小于设定值时，判断出该目标截取框内的实际胶路图像存在断胶现象；
获取存在断胶现象的目标截取框的中心点在相机坐标系O C 下的坐标，并将所述存在断胶现象的目标截取框的中心点在相机坐标系O C 下的坐标转化为在发动机工件坐标系O W 下的坐标；其中，所述存在断胶现象的目标截取框的中心点在发动机工件坐标系O W 下的坐标P d 的计算公式如下：
，
式中，P d 为存在断胶现象的目标截取框的中心点在发动机工件坐标系O W 下的坐标；P e 为存在断胶现象的目标截取框的中心点在相机坐标系O C 下的坐标；P de 为相机中心点TOOL 相机在发动机工件坐标系O W 下的坐标；
根据所述存在断胶现象的目标截取框的中心点在发动机工件坐标系O W 下的坐标P d 控制所述机器人上的涂胶枪头对发动机缸体表面进行补胶；
通过多个目标截取框将补胶后的整个实际胶路图像截取为多段实际胶路图像，并执行步骤S5-步骤S7，以判断补胶后的整个实际胶路是否合格。
作为本发明的第二个方面，提供一种基于2D机器视觉的柴油发动机涂胶检测装置，用于实现前文所述的基于2D机器视觉的柴油发动机涂胶检测方法，所述基于2D机器视觉的柴油发动机涂胶检测装置包括工控机以及与所述工控机连接的机器人，所述机器人上安装有相机和涂胶枪头，所述涂胶枪头用于对发动机缸体表面进行涂胶以在所述发动机缸体表面形成胶路，所述相机用于采集未涂胶的发动机缸体表面图像和已涂胶的发动机缸体表面图像，所述工控机包括：
获取模块，用于分别获取所述未涂胶的发动机缸体表面图像、所述已涂胶的发动机缸体表面图像以及发动机缸体表面的理论胶路图像；
计算模块，用于依据所述未涂胶的发动机缸体表面图像和所述已涂胶的发动机缸体表面图像计算出发动机缸体表面的实际胶路图像；
截取模块，用于获取所述发动机缸体表面的理论胶路图像的多个目标截取框，并通过多个目标截取框将所述发动机缸体表面的实际胶路图像截取为多段实际胶路图像；
提取模块，用于对每个目标截取框内的实际胶路图像进行胶路特征提取，以得到每段实际胶路图像的胶路特征信息；
对比模块，用于将所述每段实际胶路图像的胶路特征信息与所述发动机缸体表面的理论胶路图像的胶路特征信息进行对比，以得到每段实际胶路图像的胶路合格检测结果；
判断模块，用于依据多段实际胶路图像的胶路合格检测结果判断所述发动机缸体表面的整个实际胶路是否合格。
本发明提供的基于2D机器视觉的柴油发动机涂胶检测方法具有以下优点：
（1）搭建机器人自动涂胶工作站和视觉检测系统，实现单站柴油发动机自动涂胶和涂胶效果检测功能，可以根据检测出的断胶位置驱动机器人实现补胶功能，形成生产闭环，减轻产线工人劳动量；
（2）通过发动机工件坐标系下的机器人涂胶轨迹自动获取相机坐标系下的机器人涂胶轨迹，无需再手动预设胶路轨迹，实现了预设胶路轨迹自动提取的功能，减少新增机型的重复工作量；
（3）可以在仅使用2D机器视觉处理算法的前提下，通过合适的光源打光方案精确提取出胶路信息，可推广应用在大多数类似的增材检测场景，替代高成本的线激光示廓仪检测方案；
（4）根据实际检测需求，提出了胶路检测框的概念，将待检胶路按照预设的参数平均划分区域，提高了涂胶检测程序的运行效率和检测精度；
（5）基于图像处理技术，根据实时采集的胶路特征信息和预设的胶路信息进行实时比对，判断胶路是否存在断胶、胶路过细、过宽以及漏胶等现象，进而实现胶路检测的目的。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。
图1为本发明提供的基于2D机器视觉的柴油发动机涂胶检测方法的流程图。
图2为本发明提供的基于2D机器视觉的柴油发动机涂胶检测方法的具体实施方式流程图。
图3为本发明提供的目标截取框示意图。
图4为本发明提供的基于2D机器视觉的柴油发动机涂胶检测方法的应用环境示意图。
图5为本发明提供的机器人末端执行器的结构示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本发明。
为了使本领域技术人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
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。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包括，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本实施例中提供了一种基于2D机器视觉的柴油发动机涂胶检测方法，图1为本发明提供的基于2D机器视觉的柴油发动机涂胶检测方法的流程图，如图1所示，所述基于2D机器视觉的柴油发动机涂胶检测方法，包括：
步骤S1：在通过机器人上的涂胶枪头对发动机缸体表面进行涂胶之前，通过机器人上的相机获取未涂胶的发动机缸体表面图像；
步骤S2：在通过机器人上的涂胶枪头对发动机缸体表面进行涂胶之后，通过机器人上的相机获取已涂胶的发动机缸体表面图像，同时获取发动机缸体表面的理论胶路图像；
为了满足生产现场“多品种，小批量”的生产模式，尽可能减少新增机型的重复工作量，本发明提出了一种胶路自动提取的方法，可通过机器人在发动机工件坐标系下的胶路轨迹自动获取在相机坐标系下的胶路轨迹，无需再手动预设胶路轨迹。
优选的，所述在通过机器人上的涂胶枪头对发动机缸体表面进行涂胶之后，获取发动机缸体表面的理论胶路图像，还包括：
需要将相机坐标系、机器人基坐标系以及发动机工件坐标系进行对应，因此机器人涂胶工作站系统需要标定出三个坐标系的转换关系。因为机器人涂胶以及胶路视觉检测都需要作用在发动机缸体表面，本发明选择以发动机工件坐标系O W 为基准，其他坐标系下数据都转化至发动机工件坐标系后统一处理。
利用机器人的ABB控制器自带的坐标系标定模块以及TCP标定模块标定出发动机工件坐标系O W 、涂胶枪头中心点TOOL 枪头和相机中心点TOOL 相机，以计算得到机器人基坐标系O B 与发动机工件坐标系O W 标定后的转换矩阵；
利用张正友的标定方法，在发动机缸体表面固定安装标定板，相机以发动机工件坐标系O W 为基准，以相机中心点TOOL 相机为工具中心点TCP，变换位置拍摄标定板，计算出标定板在不同位置相机坐标系下的坐标，同时记录每个拍照位置相机在发动机工件坐标系O W 下的坐标，通过九点标定的方法计算得到相机坐标系O C 与发动机工件坐标系O W 标定后的转换矩阵/>；
获取坐标系之间的标定结果后，即可实现机器人基坐标系、发动机工件坐标系以及相机坐标系的转换，则机器人基坐标系O B 、发动机工件坐标系O W 以及相机坐标系O C 之间的转换关系如下式：
，
式中，P r 表示机器人末端执行器TCP在机器人基坐标系O B 下的坐标；P c 表示该机器人末端执行器TCP在相机坐标系O C 下的坐标；
考虑到涂胶检测精度问题，相机拍照视野不会定的很大，因此单次相机采图无法覆盖所有涂胶平面，所以胶路检测轨迹还需要涉及到转站的思路，在胶路路径提取时还需将机器人拍照位姿考虑到实际坐标系转换中，则机器人涂胶轨迹点在相机坐标系O C 下的坐标P c 的计算公式如下：
，
其中，P R 表示机器人涂胶轨迹点在机器人基坐标系O B 下的坐标；P RC 表示相机在机器人基坐标系O B 下的坐标；
重复上式得到多个涂胶轨迹点在相机坐标系O C 下的坐标，根据多个涂胶轨迹点在相机坐标系O C 下的坐标得到所述发动机缸体表面的理论胶路图像，并在所述发动机缸体表面的理论胶路图像上生成多个目标截取框。
步骤S3：依据所述未涂胶的发动机缸体表面图像和所述已涂胶的发动机缸体表面图像计算出发动机缸体表面的实际胶路图像；
优选地，所述依据所述未涂胶的发动机缸体表面图像和所述已涂胶的发动机缸体表面图像计算出发动机缸体表面的实际胶路图像，还包括：
由于机器人自动涂胶后的胶路是一个形似拱桥的圆柱，外观颜色是黑亮的，即使视觉系统采用区分度较好的蓝色同轴光，实际成像效果中，胶路中心最高处还是会反射出较强烈的亮斑，这对提取胶路边缘影响较大，白色亮斑极易和缸体加工面混淆，因此本方法在做涂胶检测时先对未涂胶的缸体表面进行采图，将未涂胶缸体表面图像与实际检测时采集的已涂胶缸体表面图像先做图像减法运算，保证胶路轨迹在实际胶路图像中呈现白色，其他部分在实际胶路图像中全是黑色。所述发动机缸体表面的实际胶路图像的计算公式如下：
，
式中，g(x,y)表示相减后图像中对应像素点的灰度值，即发动机缸体表面的实际胶路图像中对应像素点的灰度值；f(x,y)表示未涂胶的发动机缸体表面图像中对应像素点的灰度值；h(x,y)表示已涂胶的发动机缸体表面图像中对应像素点的灰度值。
步骤S4：获取所述发动机缸体表面的理论胶路图像的多个目标截取框，并通过多个目标截取框将所述发动机缸体表面的实际胶路图像截取为多段实际胶路图像；
需要说明的是，如图3所示，本发明引入了一种胶路截取框的概念，因为每一种机型在发动机缸体表面1的理论涂胶路径都是根据机器人涂胶轨迹点提取的，是检测前可预提取的信息，为了方便提取出胶路信息，每一次边缘提取的截取框2都需要垂直于胶路3，将理论胶路图像的截取框作为实际胶路图像的截取框，只需在实际胶路图像的截取框内提取白色区域边缘，即可提取出实际胶路图像的胶路特征信息。此方法可以在仅使用2D机器视觉处理算法的前提下，通过合适的光源打光方案精确提取出胶路特征信息，可推广应用在大多数类似的增材检测场景，替代高成本的线激光示廓仪检测方案。
步骤S5：对每个目标截取框内的实际胶路图像进行胶路特征提取，以得到每段实际胶路图像的胶路特征信息；
优选地，所述对每个目标截取框内的实际胶路图像进行胶路特征提取，以得到每段实际胶路图像的胶路特征信息，还包括：
实时涂胶检测的图像经过图像相减的运算后，缸体表面在实际胶路图像中的特征是黑色的，相反胶路在实际胶路图像中呈现出的特征是白色的，因此想要提取出胶路，只需在黑色的背景中提取出白色前景就可以。
对每个目标截取框内的实际胶路图像进行胶路边缘信息提取，以得到每段实际胶路图像中左右两个胶路边缘点的位置信息；
具体地，所述对每个目标截取框内的实际胶路图像进行胶路边缘信息提取，以得到每段实际胶路图像中左右两个胶路边缘点的位置信息，还包括：
在图像处理过程中，区域边界只会出现在灰度值变化较为剧烈的地方，运用数学的思想即可总结出边缘处灰度值需要满足一阶导数为极值且二阶导数为零两个条件，因此在提取白色区域边缘信息时，本发明利用LOG算子对每个目标截取框内实际胶路图像的线性灰度值函数求二阶导数：
,
式中，d(x,y)表示目标截取框内实际胶路图像中对应像素点的灰度值；
▽²G(x,y)为该目标截取框内实际胶路图像中对应像素点的拉普拉斯高斯算子；
即：,
式中，σ为卷积核的高斯标准差；
寻找线性灰度值函数中的两个过零点，则该两个过零点为目标截取框内实际胶路图像的左右两个胶路边缘点，即获取该左右两个胶路边缘点的位置信息。
根据每段实际胶路图像中左右两个胶路边缘点的位置信息，分别计算出每段实际胶路图像的胶路宽度和胶路中心点；
其中，每个目标截取框中单次都会找到两个胶路边缘点，通过两点距离公式即可求出胶路宽度，则每段实际胶路图像的胶路宽度W的计算公式如下：
,
其中，每个目标截取框中单次都会找到两个胶路边缘点，通过中点公式即可求出胶路中心点坐标，每段实际胶路图像的胶路中心点坐标的计算公式如下：
,
式中，x1为每段实际胶路图像中左边缘点的横坐标，y1为每段实际胶路图像中左边缘点的纵坐标，x2为每段实际胶路图像中右边缘点的横坐标，y2为每段实际胶路图像中右边缘点的纵坐标，K为相机标定后的像素当量。
步骤S6：将所述每段实际胶路图像的胶路特征信息与所述发动机缸体表面的理论胶路图像的胶路特征信息进行对比，以得到每段实际胶路图像的胶路合格检测结果；
需要说明的是，每个目标截取框中的胶路特征信息提取后即可对整个柴油发动机胶路进行合格性判断，需要预先设定以下几个参数：
（1）相邻目标截取框的间距S：此参数代表两个相邻截取框之间的距离，单位为mm，此参数直接反应了截取框在胶路全路径上的稀疏程度，参数数值越大，两截取框之间距离越大，截取框在整个胶路上越稀疏；参数越小，两截取框之间距离越小，截取框在整个胶路上越密集；此外，此参数直接决定了全胶路路径上截取框的数量，数量为；
（2）胶路中心点最大偏差值SH：此参数代表胶路最大允许的偏移误差，单位为mm，此参数直接反应了胶路中心点检测的公差带宽度，参数值越大，允许实际中心点距离理论中心点的偏移误差越大；参数越小，允许实际中心点距离理论中心点的偏移误差越小；因此，此参数直接决定了胶路中心点检测的严苛程度；
（3）胶路宽度最大偏差值D：此参数代表胶路最大允许的宽度误差，直接反应了胶路宽度检测的公差带宽度，参数值越大，允许实际胶路宽度和理论胶路宽度的误差越大；参数越小，允许实际胶路宽度和理论胶路宽度的误差越小；因此，此参数直接决定了胶路宽度检测的严苛程度；
（4）整个胶路合格性的检测阈值T：此参数数值介于1%-100%之间，当检测框合格的比例不小于阈值T时，判定整个胶路合格，反之判定胶路不合格。
优选地，所述将所述每段实际胶路图像的胶路特征信息与所述发动机缸体表面的理论胶路图像的胶路特征信息进行对比，以得到每段实际胶路图像的胶路合格检测结果，还包括：
实际胶路检测时，先根据Spacing变量确定每个截取框宽度，实时截取每一段胶路边缘，提取特征信息后带入胶路宽度检测函数，即可获取胶路宽度检测结果；具体地，将每个目标截取框内实际胶路图像的胶路宽度W带入胶路宽度检测函数f(i)，以获取每个目标截取框内实际胶路图像的胶路宽度检测结果；其中，胶路宽度检测函数f(i)的公式如下：
,
式中，W 标准代表胶路宽度理论值；D代表胶路宽度最大偏差值；W代表对应目标截取框内实际胶路图像的胶路宽度；当胶路宽度检测函数f(i)结果为1时，记为该目标截取框内实际胶路图像的胶路宽度合格；反之，当胶路宽度检测函数f(i)结果为0时，记为该目标截取框内实际胶路图像的胶路宽度不合格；
将每个目标截取框内实际胶路图像的胶路中心点坐标(x中，y中)带入胶路中心位置检测函数f(j)，以获取每个目标截取框内实际胶路图像的胶路中心位置检测结果，其中，胶路中心位置检测函数f(j)的公式如下：
,
式中，SH代表胶路中心点最大偏差值；(x标，y标)代表对应胶路的理论中心点坐标；当胶路中心位置检测函数f(j)结果为1时，记为该目标截取框内实际胶路图像的胶路中心位置合格；反之，当胶路中心位置检测函数f(j)结果为0时，记为该目标截取框内实际胶路图像的胶路中心位置不合格。
步骤S7：依据多段实际胶路图像的胶路合格检测结果判断所述发动机缸体表面的整个实际胶路是否合格。
优选地，所述依据多段实际胶路图像的胶路合格检测结果判断所述发动机缸体表面的整个实际胶路是否合格，还包括：
依据多个目标截取框内实际胶路图像的胶路宽度检测结果判断所述发动机缸体表面整个实际胶路的宽度是否合格，其中，整个实际胶路的宽度判断结果Result_Width的公式如下：
,
其中，L 胶路代表发动机缸体表面整个实际胶路的总长度；S代表相邻目标截取框的间距；T代表整个胶路合格性的检测阈值；当时，代表发动机缸体表面整个实际胶路宽度合格；/>时，代表发动机缸体表面整个实际胶路宽度不合格。
优选地，所述依据多段实际胶路图像的胶路合格检测结果判断所述发动机缸体表面的整个实际胶路是否合格，还包括：
依据多个目标截取框内实际胶路图像的胶路中心位置检测结果判断所述发动机缸体表面整个实际胶路的中心位置是否合格，其中，整个实际胶路的中心位置判断结果Result_Center的公式如下：
，
其中，L 胶路代表发动机缸体表面整个实际胶路的总长度；S代表相邻目标截取框的间距；T代表整个胶路合格性的检测阈值；当时，代表发动机缸体表面整个实际胶路中心位置合格；/>时，代表发动机缸体表面整个实际胶路中心位置不合格。
具体地，所述对每个目标截取框内的实际胶路图像进行胶路特征提取，以得到每段实际胶路图像的胶路特征信息，还包括：
若目标截取框内的实际胶路图像中未能提取出胶路特征信息，且该目标截取框内BLOB分析后的实际胶路图像的亮斑面积小于设定值时，判断出该目标截取框内的实际胶路图像存在断胶现象；
当检测出实际胶路图像存在断胶时，需要计算出断胶位置在发动机工件坐标系O W 下的坐标，并转化为机器人涂胶轨迹点发送给机器人，机器人去完成补胶的动作；具体地，获取存在断胶现象的目标截取框的中心点在相机坐标系O C 下的坐标，并将所述存在断胶现象的目标截取框的中心点在相机坐标系O C 下的坐标转化为在发动机工件坐标系O W 下的坐标；其中，所述存在断胶现象的目标截取框的中心点在发动机工件坐标系O W 下的坐标P d 的计算公式如下：
，
式中，P d 为存在断胶现象的目标截取框的中心点在发动机工件坐标系O W 下的坐标；P e 为存在断胶现象的目标截取框的中心点在相机坐标系O C 下的坐标；P de 为相机中心点TOOL 相机在发动机工件坐标系O W 下的坐标；
根据所述存在断胶现象的目标截取框的中心点在发动机工件坐标系O W 下的坐标P d 控制所述机器人上的涂胶枪头对发动机缸体表面的断胶位置进行补胶；
通过多个目标截取框将补胶后的整个实际胶路图像截取为多段实际胶路图像，并执行步骤S5-步骤S7，以判断补胶后的整个实际胶路是否合格。
如图2所示，本发明提供的基于2D机器视觉的柴油发动机涂胶检测方法的具体实施过程如下：
初始化，等待涂胶完成；
i=1，驱动机器人到达拍照位i，当机器人在拍照位i到位后，驱动相机对已涂胶的发动机缸体表面进行拍照，以得到已涂胶的发动机缸体表面图像；
判断已涂胶的发动机缸体表面图像是否OK；若否，则反馈异常状态给PLC控制器，检查相机状态，复位后驱动相机在拍照位i再次拍照；若是，则调取在拍照位i所采集的未涂胶的发动机缸体表面图像，并进行下一步；
将拍照位i对应的未涂胶的发动机缸体表面图像与已涂胶的发动机缸体表面图像进行相减，得到拍照位i对应的发动机缸体表面的实际胶路图像；并提取发动机缸体表面的理论胶路图像；
将实际胶路轨迹划分为n段，j=1，对第j段的胶路轨迹进行边缘信息提取、胶路宽度计算、胶路中心点计算、胶路合格检测，j++，直至j>n；
当j>n时，i++，判断i是否为最后一个拍照位；若否，则驱动机器人到达拍照位i；若是，则综合每个拍照点位的n段胶路轨迹的胶路合格检测结果判断发动机缸体表面的整个实际胶路是否涂胶合格，并将判断结果发送至PLC控制器，结束。
本发明提供的基于2D机器视觉的柴油发动机涂胶检测方法，用于柴油发动机生产产线，对机器人涂胶完成后的缸体表面胶路进行合格性检测，结合机器人、工业视觉以及图像处理等技术，检测机器人涂胶后的胶路是否存在断胶、胶路过细、过宽、断胶以及漏胶等现象并根据检测到的断胶位置驱动机器人定点完成补胶工艺，闭合机器人涂胶工作站生产工艺。
作为本发明的另一实施例，如图4-5所示，提供一种基于2D机器视觉的柴油发动机涂胶检测装置，其中，所述基于2D机器视觉的柴油发动机涂胶检测装置包括工控机4以及与所述工控机连接的机器人5，所述机器人5的末端执行器6上安装有相机61和涂胶枪头62，所述涂胶枪头62用于对发动机缸体7表面进行涂胶以在所述发动机缸体表面形成胶路，所述相机61用于采集未涂胶的发动机缸体表面图像和已涂胶的发动机缸体表面图像，所述工控机4包括：
获取模块，用于分别获取所述未涂胶的发动机缸体表面图像、所述已涂胶的发动机缸体表面图像以及发动机缸体表面的理论胶路图像；
计算模块，用于依据所述未涂胶的发动机缸体表面图像和所述已涂胶的发动机缸体表面图像计算出发动机缸体表面的实际胶路图像；
截取模块，用于获取所述发动机缸体表面的理论胶路图像的多个目标截取框，并通过多个目标截取框将所述发动机缸体表面的实际胶路图像截取为多段实际胶路图像；
提取模块，用于对每个目标截取框内的实际胶路图像进行胶路特征提取，以得到每段实际胶路图像的胶路特征信息；
对比模块，用于将所述每段实际胶路图像的胶路特征信息与所述发动机缸体表面的理论胶路图像的胶路特征信息进行对比，以得到每段实际胶路图像的胶路合格检测结果；
判断模块，用于依据多段实际胶路图像的胶路合格检测结果判断所述发动机缸体表面的整个实际胶路是否合格。
具体地，本发明提供的基于2D机器视觉的柴油发动机涂胶检测装置，主要由工控机、一台ABB6轴工业机器人、机器人末端执行器、视觉检测系统、电气控制系统以及涂胶工艺控制系统组成。视觉检测系统硬件包括2D工业相机61、工业镜头以及蓝色同轴光源64，视觉检测系统硬件通过连接支架63集成到机器人末端执行器6上。由于相机中心TCP和涂胶枪头中心TCP不在同一点，涂圆形胶路时，相机相对于枪头中心TCP会产生偏心的位移运动，因此本发明采用先涂后测的检测方法，机器人先基于涂胶枪头中心TCP完成涂胶运动轨迹，再基于相机中心TCP完成涂胶检测轨迹。
在本发明实施例中，所述基于2D机器视觉的柴油发动机涂胶检测装置还包括电柜8，所述电柜8包括PLC控制器，所述PLC控制器用于发出触发指令使得所述工控机4执行所述基于2D机器视觉的柴油发动机涂胶检测方法，所述PLC控制器还用于接收所述工控机4反馈的柴油发动机涂胶检测结果。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种基于2D机器视觉的柴油发动机涂胶检测方法，其特征在于，所述基于2D机器视觉的柴油发动机涂胶检测方法包括：
步骤S1：在通过机器人上的涂胶枪头对发动机缸体表面进行涂胶之前，通过机器人上的相机获取未涂胶的发动机缸体表面图像；
步骤S2：在通过机器人上的涂胶枪头对发动机缸体表面进行涂胶之后，通过机器人上的相机获取已涂胶的发动机缸体表面图像，同时获取发动机缸体表面的理论胶路图像；
步骤S3：依据所述未涂胶的发动机缸体表面图像和所述已涂胶的发动机缸体表面图像计算出发动机缸体表面的实际胶路图像；
步骤S4：获取所述发动机缸体表面的理论胶路图像的多个目标截取框，并通过多个目标截取框将所述发动机缸体表面的实际胶路图像截取为多段实际胶路图像；
步骤S5：对每个目标截取框内的实际胶路图像进行胶路特征提取，以得到每段实际胶路图像的胶路特征信息；
步骤S6：将所述每段实际胶路图像的胶路特征信息与所述发动机缸体表面的理论胶路图像的胶路特征信息进行对比，以得到每段实际胶路图像的胶路合格检测结果；
步骤S7：依据多段实际胶路图像的胶路合格检测结果判断所述发动机缸体表面的整个实际胶路是否合格。
2.根据权利要求1所述的基于2D机器视觉的柴油发动机涂胶检测方法，其特征在于，所述在通过机器人上的涂胶枪头对发动机缸体表面进行涂胶之后，获取发动机缸体表面的理论胶路图像，还包括：
利用机器人的ABB控制器标定出发动机工件坐标系O W 、涂胶枪头中心点TOOL 枪头和相机中心点TOOL 相机，以计算得到机器人基坐标系O B 与发动机工件坐标系O W 标定后的转换矩阵；
在发动机缸体表面固定安装标定板，相机以发动机工件坐标系O W 为基准，以相机中心点TOOL 相机为工具中心点TCP，变换位置拍摄标定板，计算出标定板在不同位置相机坐标系下的坐标，同时记录每个拍照位置相机在发动机工件坐标系O W 下的坐标/>，通过九点标定的方法计算得到相机坐标系O C 与发动机工件坐标系O W 标定后的转换矩阵/>；
则机器人基坐标系O B 、发动机工件坐标系O W 以及相机坐标系O C 之间的转换关系如下式：
，
式中，P r 表示机器人末端执行器TCP在机器人基坐标系O B 下的坐标；P c 表示该机器人末端执行器TCP在相机坐标系O C 下的坐标；
则机器人涂胶轨迹点在相机坐标系O C 下的坐标P c 的计算公式如下：
，
其中，P R 表示机器人涂胶轨迹点在机器人基坐标系O B 下的坐标；P RC 表示相机在机器人基坐标系O B 下的坐标；
根据多个涂胶轨迹点在相机坐标系O C 下的坐标得到所述发动机缸体表面的理论胶路图像，并在所述发动机缸体表面的理论胶路图像上生成多个目标截取框。
3.根据权利要求1所述的基于2D机器视觉的柴油发动机涂胶检测方法，其特征在于，所述依据所述未涂胶的发动机缸体表面图像和所述已涂胶的发动机缸体表面图像计算出发动机缸体表面的实际胶路图像，还包括：
所述发动机缸体表面的实际胶路图像的计算公式如下：
，
式中， g(x,y)表示相减后图像中对应像素点的灰度值，即发动机缸体表面的实际胶路图像中对应像素点的灰度值；f(x,y)表示未涂胶的发动机缸体表面图像中对应像素点的灰度值；h(x,y)表示已涂胶的发动机缸体表面图像中对应像素点的灰度值。
4.根据权利要求3所述的基于2D机器视觉的柴油发动机涂胶检测方法，其特征在于，所述对每个目标截取框内的实际胶路图像进行胶路特征提取，以得到每段实际胶路图像的胶路特征信息，还包括：
对每个目标截取框内的实际胶路图像进行胶路边缘信息提取，以得到每段实际胶路图像中左右两个胶路边缘点的位置信息；
根据每段实际胶路图像中左右两个胶路边缘点的位置信息，分别计算出每段实际胶路图像的胶路宽度和胶路中心点；
其中，每段实际胶路图像的胶路宽度W的计算公式如下：
，
其中，每段实际胶路图像的胶路中心点坐标(x中，y中)的计算公式如下：
，
式中，x1为每段实际胶路图像中左边缘点的横坐标，y1为每段实际胶路图像中左边缘点的纵坐标，x2为每段实际胶路图像中右边缘点的横坐标，y2为每段实际胶路图像中右边缘点的纵坐标，K为相机标定后的像素当量。
5.根据权利要求4所述的基于2D机器视觉的柴油发动机涂胶检测方法，其特征在于，所述对每个目标截取框内的实际胶路图像进行胶路边缘信息提取，以得到每段实际胶路图像中左右两个胶路边缘点的位置信息，还包括：
利用LOG算子对每个目标截取框内实际胶路图像的线性灰度值函数求二阶导数：
，
式中，d(x,y)表示目标截取框内实际胶路图像中对应像素点的灰度值；
▽²G(x,y)为该目标截取框内实际胶路图像中对应像素点的拉普拉斯高斯算子；
即：，
式中，σ为卷积核的高斯标准差；
寻找线性灰度值函数中的两个过零点，则该两个过零点为目标截取框内实际胶路图像的左右两个胶路边缘点，即获取该左右两个胶路边缘点的位置信息。
6.根据权利要求4所述的基于2D机器视觉的柴油发动机涂胶检测方法，其特征在于，所述将所述每段实际胶路图像的胶路特征信息与所述发动机缸体表面的理论胶路图像的胶路特征信息进行对比，以得到每段实际胶路图像的胶路合格检测结果，还包括：
将每个目标截取框内实际胶路图像的胶路宽度W带入胶路宽度检测函数f(i)，以获取每个目标截取框内实际胶路图像的胶路宽度检测结果；其中，胶路宽度检测函数f(i)的公式如下：
，
式中，W 标准代表胶路宽度理论值；D代表胶路宽度最大偏差值；W代表对应目标截取框内实际胶路图像的胶路宽度；当胶路宽度检测函数f(i)结果为1时，记为该目标截取框内实际胶路图像的胶路宽度合格；反之，当胶路宽度检测函数f(i)结果为0时，记为该目标截取框内实际胶路图像的胶路宽度不合格；
将每个目标截取框内实际胶路图像的胶路中心点坐标(x中，y中)带入胶路中心位置检测函数f(j)，以获取每个目标截取框内实际胶路图像的胶路中心位置检测结果，其中，胶路中心位置检测函数f(j)的公式如下：
，
式中，SH代表胶路中心点最大偏差值；(x标，y标)代表对应胶路的理论中心点坐标；当胶路中心位置检测函数f(j)结果为1时，记为该目标截取框内实际胶路图像的胶路中心位置合格；反之，当胶路中心位置检测函数f(j)结果为0时，记为该目标截取框内实际胶路图像的胶路中心位置不合格。
7.根据权利要求6所述的基于2D机器视觉的柴油发动机涂胶检测方法，其特征在于，所述依据多段实际胶路图像的胶路合格检测结果判断所述发动机缸体表面的整个实际胶路是否合格，还包括：
依据多个目标截取框内实际胶路图像的胶路宽度检测结果判断所述发动机缸体表面整个实际胶路的宽度是否合格，其中，整个实际胶路的宽度判断结果Result_Width的公式如下：
，
其中，L 胶路代表发动机缸体表面整个实际胶路的总长度；S代表相邻目标截取框的间距；T代表整个胶路合格性的检测阈值；当时，代表发动机缸体表面整个实际胶路宽度合格；/>时，代表发动机缸体表面整个实际胶路宽度不合格。
8.根据权利要求6所述的基于2D机器视觉的柴油发动机涂胶检测方法，其特征在于，所述依据多段实际胶路图像的胶路合格检测结果判断所述发动机缸体表面的整个实际胶路是否合格，还包括：
依据多个目标截取框内实际胶路图像的胶路中心位置检测结果判断所述发动机缸体表面整个实际胶路的中心位置是否合格，其中，整个实际胶路的中心位置判断结果Result_Center的公式如下：
，
其中，L 胶路代表发动机缸体表面整个实际胶路的总长度；S代表相邻目标截取框的间距；T代表整个胶路合格性的检测阈值；当时，代表发动机缸体表面整个实际胶路中心位置合格；/>时，代表发动机缸体表面整个实际胶路中心位置不合格。
9.根据权利要求2所述的基于2D机器视觉的柴油发动机涂胶检测方法，其特征在于，所述对每个目标截取框内的实际胶路图像进行胶路特征提取，以得到每段实际胶路图像的胶路特征信息，还包括：
若目标截取框内的实际胶路图像中未能提取出胶路特征信息，且该目标截取框内的实际胶路图像的亮斑面积小于设定值时，判断出该目标截取框内的实际胶路图像存在断胶现象；
获取存在断胶现象的目标截取框的中心点在相机坐标系O C 下的坐标，并将所述存在断胶现象的目标截取框的中心点在相机坐标系O C 下的坐标转化为在发动机工件坐标系O W 下的坐标；其中，所述存在断胶现象的目标截取框的中心点在发动机工件坐标系O W
下的坐标P d 的计算公式如下：
，
式中，P d 为存在断胶现象的目标截取框的中心点在发动机工件坐标系O W 下的坐标；P e 为存在断胶现象的目标截取框的中心点在相机坐标系O C 下的坐标；P de 为相机中心点TOOL 相机在发动机工件坐标系O W 下的坐标；
根据所述存在断胶现象的目标截取框的中心点在发动机工件坐标系O W 下的坐标P d 控制所述机器人上的涂胶枪头对发动机缸体表面进行补胶；
通过多个目标截取框将补胶后的整个实际胶路图像截取为多段实际胶路图像，并执行步骤S5-步骤S7，以判断补胶后的整个实际胶路是否合格。
10.一种基于2D机器视觉的柴油发动机涂胶检测装置，用于实现权利要求1-9中任意一项所述的基于2D机器视觉的柴油发动机涂胶检测方法，其特征在于，所述基于2D机器视觉的柴油发动机涂胶检测装置包括工控机以及与所述工控机连接的机器人，所述机器人上安装有相机和涂胶枪头，所述涂胶枪头用于对发动机缸体表面进行涂胶以在所述发动机缸体表面形成胶路，所述相机用于采集未涂胶的发动机缸体表面图像和已涂胶的发动机缸体表面图像，所述工控机包括：
获取模块，用于分别获取所述未涂胶的发动机缸体表面图像、所述已涂胶的发动机缸体表面图像以及发动机缸体表面的理论胶路图像；
计算模块，用于依据所述未涂胶的发动机缸体表面图像和所述已涂胶的发动机缸体表面图像计算出发动机缸体表面的实际胶路图像；
截取模块，用于获取所述发动机缸体表面的理论胶路图像的多个目标截取框，并通过多个目标截取框将所述发动机缸体表面的实际胶路图像截取为多段实际胶路图像；
提取模块，用于对每个目标截取框内的实际胶路图像进行胶路特征提取，以得到每段实际胶路图像的胶路特征信息；
对比模块，用于将所述每段实际胶路图像的胶路特征信息与所述发动机缸体表面的理论胶路图像的胶路特征信息进行对比，以得到每段实际胶路图像的胶路合格检测结果；
判断模块，用于依据多段实际胶路图像的胶路合格检测结果判断所述发动机缸体表面的整个实际胶路是否合格。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311694889.3A CN117392129B (zh) | 2023-12-12 | 2023-12-12 | 一种基于2d机器视觉的柴油发动机涂胶检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311694889.3A CN117392129B (zh) | 2023-12-12 | 2023-12-12 | 一种基于2d机器视觉的柴油发动机涂胶检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117392129A true CN117392129A (zh) | 2024-01-12 |
| CN117392129B CN117392129B (zh) | 2024-02-23 |
Family
ID=89441385
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311694889.3A Active CN117392129B (zh) | 2023-12-12 | 2023-12-12 | 一种基于2d机器视觉的柴油发动机涂胶检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117392129B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023092690A1 (zh) * | 2021-11-29 | 2023-06-01 | 歌尔股份有限公司 | 检验胶路状态的装置及其检验方法 |
| CN116532328A (zh) * | 2023-04-21 | 2023-08-04 | 浙江金麦特自动化系统有限公司 | 一种pcb板涂胶方法 |
| CN116883405A (zh) * | 2023-09-07 | 2023-10-13 | 苏州聚视兴华智能装备有限公司 | 胶路视觉检测时路径自动识别方法、装置及电子设备 |
-
2023
- 2023-12-12 CN CN202311694889.3A patent/CN117392129B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023092690A1 (zh) * | 2021-11-29 | 2023-06-01 | 歌尔股份有限公司 | 检验胶路状态的装置及其检验方法 |
| CN116532328A (zh) * | 2023-04-21 | 2023-08-04 | 浙江金麦特自动化系统有限公司 | 一种pcb板涂胶方法 |
| CN116883405A (zh) * | 2023-09-07 | 2023-10-13 | 苏州聚视兴华智能装备有限公司 | 胶路视觉检测时路径自动识别方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117392129B (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN210046133U (zh) | 基于激光结构光的焊缝视觉跟踪系统 | |
| CN110539109A (zh) | 一种基于单双目视觉的机器人自动焊接系统及方法 | |
| CN107262926B (zh) | 具有ccd检测的自动化激光焊接装置及焊接方法 | |
| CN108717715A (zh) | 一种用于弧焊机器人的线结构光视觉系统自动标定方法 | |
| CN103480991B (zh) | 一种薄钢板窄焊缝在线视觉检测与控制装置 | |
| CN105157603B (zh) | 一种线激光传感器 | |
| CN113146172B (zh) | 一种基于多视觉的检测与装配系统及方法 | |
| CN108161931A (zh) | 基于视觉的工件自动识别及智能抓取系统 | |
| CN108257171A (zh) | 基于光视觉的汽车雷达装配孔径检测方法 | |
| CN111311487B (zh) | 一种光伏组件图像的快速拼接方法及系统 | |
| US20230191557A1 (en) | Sanding automation system and method | |
| CN203791808U (zh) | 一种基于机器视觉的智能焊接机器人 | |
| KR101640425B1 (ko) | 실러 도포 상태 검사 시스템 및 방법 | |
| CN117086519B (zh) | 基于工业互联网的联网设备数据分析及评估系统、方法 | |
| CN113689509A (zh) | 基于双目视觉的无序抓取方法、系统及存储介质 | |
| CN116542914A (zh) | 基于3d点云的焊缝提取与拟合方法 | |
| CN111993420A (zh) | 一种固定式双目视觉3d引导上件系统 | |
| CN109968237B (zh) | 空调器的安装定位方法及装置 | |
| CN109732601B (zh) | 一种自动标定机器人位姿与相机光轴垂直的方法和装置 | |
| CN117392129B (zh) | 一种基于2d机器视觉的柴油发动机涂胶检测方法及装置 | |
| CN117522830A (zh) | 用于检测锅炉腐蚀的点云扫描系统 | |
| Ye et al. | Weld seam tracking based on laser imaging binary image preprocessing | |
| CN117006972A (zh) | 物体检测方法、装置、设备、三维扫描系统及存储介质 | |
| CN116297501A (zh) | 采用单目视觉与振镜协同作用的移动零件检测系统及方法 | |
| CN112509138B (zh) | 一种基于lcos的室内抹灰机器人高精度三维重建系统 |
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 |