CN117455870B - 一种连接线和连接器质量视觉检测方法 - Google Patents
一种连接线和连接器质量视觉检测方法 Download PDFInfo
- Publication number
- CN117455870B CN117455870B CN202311420278.XA CN202311420278A CN117455870B CN 117455870 B CN117455870 B CN 117455870B CN 202311420278 A CN202311420278 A CN 202311420278A CN 117455870 B CN117455870 B CN 117455870B
- Authority
- CN
- China
- Prior art keywords
- scratch
- line
- line segment
- connecting line
- image
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 230000000007 visual effect Effects 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000003708 edge detection Methods 0.000 claims description 25
- 238000011179 visual inspection Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 2
- 230000007547 defect Effects 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009422 external insulation Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种连接线和连接器质量视觉检测方法,包括:通过自适应获取连接线图像的高阈值和低阈值,并利用高阈值和低阈值进一步获得连接线图像中的第一线段,根据第一线段中由像素点的方向变化所形成的链码序列以及像素点之间的灰度差异获得第一线段的第一划痕程度和第二划痕程度,根据第一划痕程度和第二划痕程度获得第一线段的划痕概率,利用划痕概率的大小获得连接线图像中的划痕线段,完成对连接线图像中划痕缺陷的检测。本发明通过对第一线段的形态和灰度进行分析,避免了连接线上纹理和脏污对划痕检测的干扰,大大提高了对连接线表面上划痕缺陷检测的检出率。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种连接线和连接器质量视觉检测方法。
背景技术
连接器与连接线广泛的应用在日常的生产生活中,而在生产这些器件时,由于生产设备以及外界影响因素导致连接线与连接器外绝缘塑胶存在多种划痕,而部分细微的划痕由于区域纹理或脏污的影响导致检测错误,进一步影响连接线质量缺陷的检出率。
现有方法中直接使用边缘检测算法,将获取的边缘线作为划痕检测结果的方法不能完全排除连接线塑胶表面的纹理以及脏污等因素的干扰,会造成漏检和误检的问题。
发明内容
本发明提供一种连接线和连接器质量视觉检测方法,以解决现有的问题:现有方法中直接使用边缘检测算法,将获取的边缘线作为划痕检测结果的方法不能完全排除连接线塑胶表面的纹理以及脏污等因素的干扰,会造成漏检和误检的问题。
本发明的一种连接线和连接器质量视觉检测方法采用如下技术方案:
本发明一个实施例提供了一种连接线和连接器质量视觉检测方法,该方法包括以下步骤:
采集连接线在多个视角下对应的连接线图像;
获取连接线图像中所有像素点的梯度,根据梯度的极差和平均梯度获得连接线图像的高阈值和低阈值;利用高阈值和低阈值进行边缘检测获得包含若干个边缘线的边缘图像,根据边缘线的长度获得若干个第一线段;
对任意第一线段进行链码编码获得对应的链码序列,根据链码序列获得第一线段的第一划痕程度;根据第一线段的边缘像素点在连接线图像中对应灰度值的差异,以及第一线段与连接线图像的平均灰度值之间的差异获得第一线段的第二划痕程度,将第一划痕程度和第二划痕程度的融合结果记为第一线段的划痕概率,根据划痕概率的大小获得划痕线段;
根据同一连接线在多个视角下对应的连接线图像中划痕线段之间的距离以及划痕线段的划痕概率的差异,将属于同一个划痕的划痕线段进行合并获得若干个划痕,根据划痕进行质量检测。
进一步的,所述获取连接线图像中所有像素点的梯度,根据梯度的极差和平均梯度获得连接线图像的高阈值和低阈值,包括的具体方法为:
首先,利用Sobel算子获取连接线图像中所有像素点的梯度,将连接线图像中的最大梯度和最小梯度分别记为Gmax和Gmin,将连接线图像中所有像素点的平均梯度记为Ga;
然后,连接线图像的高阈值的具体计算方法为:
其中,HT表示连接线图像的高阈值;Gmax表示连接线图像的最大梯度;Gmin表示连接线图像的最小梯度;Ga表示连接线图像的平均梯度;
最后,将作为低阈值LT,中a为预设的数值为正数的超参数。
进一步的,所述利用高阈值和低阈值进行边缘检测获得包含若干个边缘线的边缘图像,根据边缘线的长度获得若干个第一线段,包括的具体方法为:
首先,将高阈值HT和低阈值LT作为Canny边缘检测算法的双阈值,通过Canny边缘检测算法对连接线图像进行边缘检测,获得连接线图像对应的边缘图像,所述边缘图像包含若干个边缘线;
然后,根据边缘图像中边缘线所包含边缘像素点的数量获得长度序列和长度差分序列;
最后,将长度差分序列中数值最大的元素在长度序列中所对应的元素记为长度阈值,将大于长度阈值的边缘线记为第一线段。
进一步的,所述长度序列和长度差分序列,包括的具体方法为:
获取边缘图像中任意边缘线所包含边缘像素点的数量,记为边缘线的长度;将所有边缘线的长度按照从大到小的顺序进行排列,将排列后的序列记为长度序列,并获取长度序列的后向差分序列记为长度差分序列。
进一步的,所述根据链码序列获得第一线段的第一划痕程度,包括的具体方法为:
第一线段的第一划痕程度的具体计算方法为:
其中,Pi表示第i个第一线段的划痕程度;Si表示第i个第一线段对应链码序列中元素的数量;ni表示第i个第一线段的长度;θik表示第i个第一线段对应夹角序列中第k个元素对应的夹角;N表示所有第一线段平均长度;cos()表示余弦函数。
进一步的,所述夹角序列,包括的具体方法为:
首先,选取第一线段的两个端点中距离边缘图像的左下方最近的一个端点作为起始点,并利用8链码对第一线段进行链码编码获取第一线段对应的链码序列,链码序列中每一个元素都对应一个方向;
然后,获取链码序列中任意两个相邻的元素所对应方向在顺时针方向上的夹角,将所有相邻两个元素对应夹角所形成的序列记为夹角序列。
进一步的,所述根据第一线段的边缘像素点在连接线图像中对应灰度值的差异,以及第一线段与连接线图像的平均灰度值之间的差异获得第一线段的第二划痕程度,包括的具体方法为:
首先,获取第一线段中所有像素点的平均灰度值;获取连接线图像中所有像素点的平均灰度值;
然后,第一线段的第二划痕程度的具体计算方法为:
其中,Ti表示第i个第一线段的第二划痕程度;ni表示第i个第一线段的长度;Xir表示第i个第一线段的第r个边缘像素点的灰度值;Xirk表示第i个第一线段中除第r个边缘像素点以外的第k个边缘像素点的灰度值;Gr表示连接线图像的平均灰度值;Gli表示第i个第一线段的平均灰度值;||表示绝对值符号。
进一步的,所述将第一划痕程度和第二划痕程度的融合结果记为第一线段的划痕概率,根据划痕概率的大小获得划痕线段,包括的具体方法为:
首先,划痕概率,具体计算方法为其中,Yi表示第i个第一线段的划痕概率;Pi表示第i个第一线段的第一划痕程度;Ti表示第i个第一线段的第二划痕程度;e表示自然常数;
然后,将大于预设概率阈值的第一线段记为划痕线段。
进一步的,所述根据同一连接线在多个视角下对应的连接线图像中划痕线段之间的距离以及划痕线段的划痕概率的差异,将属于同一个划痕的划痕线段进行合并获得若干个划痕,根据划痕进行质量检测,包括的具体方法为:
首先,根据同一连接线在多个视角下对应的连接线图像中划痕线段之间的距离以及划痕线段的划痕概率的差异,获得两个划痕线段之间的相似性;
然后,获取所有划痕线段之间的相似性并利用线性归一化方法进行归一化处理,将小于预设相似性阈值的两个划痕线段视为属于同一个划痕,并进行可视化标注,获取同一个连接线对应的所有划痕的数量作为连接线质量检测指标,将连接线质量检测指标大于预设标准参数的连接线视为不合格连接线,将不合格连接线进行淘汰;将连接线质量检测指标小于预设标准参数的连接线视为合格连接线。
进一步的,所述相似性,包括的具体方法为:
首先,获取同一个连接线在多个视角下对应连接线图像的采集顺序,获取任意采集顺序相邻的两个连接线图像并将两个连接线图像左右邻接放置,在所述两个连接线图像之间获取任意两个划痕线段中两个边缘像素点最近时对应的欧氏距离,记为两个划痕线段的第一相似性,将两个划痕线段的划痕概率之间的差值绝对值记为两个划痕线段的第二相似性;
然后,将第一相似性和第二相似性的乘积记为两个划痕线段的相似性。
本发明的技术方案的有益效果是:通过分析连接线与连接器塑胶表皮的真实划痕与凹凸纹理以及喷印字体的灰度差异与形态特征,从而精确的筛选出连接线存在的划痕,帮助生产厂商及时发现产品缺陷,降低次品率的同时确保产品在制造过程中达到质量标准和要求;通过自适应获取连接线图像的高阈值和低阈值,避免因为不同连接线在图像中的灰度变化,导致检测的边缘线不准确,通过高阈值和低阈值进一步获得连接线图像中的第一线段,根据边缘像素点由于方向变化所形成的链码序列以及边缘像素点之间的灰度差异获得第一线段的划痕概率,利用划痕概率的大小准确判断出连接线图像中的划痕线段,避免了连接线上纹理和脏污对划痕检测的干扰,大大提高了对连接线表面上划痕缺陷检测的检出率。
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为本发明一种连接线和连接器质量视觉检测方法的步骤流程图;
图2为连接线图像采集示意图。
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一种连接线和连接器质量视觉检测方法,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一种连接线和连接器质量视觉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一种连接线和连接器质量视觉检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:使用高分辨率相机采集生产线上连接线对应的图像并进行预处理获得连接线图像。
需要说明的是,使用高分辨率相机对生产线上的连接线与连接器进行采样时,将相机安装在传送带的正上方,传送带的颜色应与连接线样本的颜色之间有强烈对比,以区分背景和目标所对应区域,便于后续分割处理。
由于相机视角有限,应该将连接线拉直后再通过相机区域,通过多段拍摄获取连接线不同角度下的外表面图像。
具体的,为了实现本实施例提出的一种连接线和连接器质量视觉检测方法,首先需要采集连接线图像,具体过程为:
首先,将连接线拉直并水平放置,利用相机获取连接线在任意角度下的图像,记为第一图像。
然后,将连接线按照预设旋转角度进行旋转,获取在另一角度下连接线对应外表面的第一图像。
需要说明的是,当连接线的外表面被划分为3部分时,则预设旋转角度为120°,可根据实际情况进行预设,本实施例不进行具体限定。
如图2所示为连接线图像采集示意图,根据相机所能获取的最大区域将连接线表面一周的区域划分为3部分,采集图像过程中每次旋转120°,获取连接线外表面的3部分所对应的第一图像。
最后,对第一图像进行灰度化处理获得连接线图像。
至此,通过上述方法得到连接线图像。
步骤S002:根据连接线图像中像素点的梯度差异获得高阈值和低阈值,通过边缘检测进一步获得第一线段。
需要说明的是,通过Canny边缘检测将连接线所有前景图像进行处理,结果线条包含了划痕区域以及凹凸纹理及高光等噪声区域然后对于部分离群噪声进行排除。其次进行特征筛选,通过划痕区域的灰度变化情况以及形态特征筛选出实际的划痕区域并进行标记。最后,由于图像分段拍摄以及旋转拍摄误差的原因,部分划痕可跨越多个图像且不连续。对有相似趋势的划痕进行拼接,从而得到清晰完整的划痕。
使用Canny边缘检测算法对连接线图像进行处理,由于存在部分划痕与噪声之间较为相似,另外Canny边缘检测算法利用双阈值进行边缘检测时,通过高阈值确定强边缘,低阈值过滤弱边缘。由于连接线的外绝缘塑胶颜色类型较多,其所对应的图像整体灰度值也不同,使用统一的高低阈值进行边缘检测可能无法得到准确的检测结果,因此本实施例根据连接线图像中的梯度差异获取Canny边缘检测算法的双阈值。
具体的,步骤(1),首先,利用Sobel算子获取连接线图像中所有像素点的梯度,将连接线图像中的最大梯度和最小梯度分别记为Gmax和Gmin,将连接线图像中所有像素点的平均梯度记为Ga;
然后,根据梯度极差和平均梯度获得连接线图像的高阈值,具体计算方法为:
其中,HT表示连接线图像的高阈值;Gmax表示连接线图像的最大梯度;Gmin表示连接线图像的最小梯度;Ga表示连接线图像的平均梯度。
需要说明的是,梯度极差Gmax-Gmin反映了连接线图像的梯度分布范围,反映了连接线图像的整体梯度,即通过在连接线图像的梯度分布范围内的整体梯度来确定连接线图像的高阈值,通过获取不同连接线图像的高阈值,减小因图像整体梯度存在差异而导致边缘检测出现的误差,充分检测出连接线图像中的强边缘;而对于低阈值的选取,一般情况下可以取高阈值的一半作为低阈值,确保连接到高阈值对应边缘线的像素也被认为是边缘像素点,另外通过对灰度程度进行平方操作,可以提高对高阈值选取的准确性。
最后,将作为低阈值LT,其中a为预设的数值为正数的超参数。
需要说明的是,根据经验预设超参数a为2,可根据实际情况进行调整,本实施例进行具体限定。
步骤(2),首先,将高阈值HT和低阈值LT作为Canny边缘检测算法的双阈值,通过Canny边缘检测算法对连接线图像进行边缘检测,获得连接线图像对应的边缘图像,所述边缘图像包含若干个边缘线。
需要说明的是,Canny边缘检测算法的中文名称为坎尼边缘检测算法,且由于Canny边缘检测算法为现有算法,因为本实施例不过多赘述。
然后,获取边缘图像中任意边缘线所包含边缘像素点的数量,记为边缘线的长度;将所有边缘线的长度按照从大到小的顺序进行排列,将排列后的序列记为长度序列,并获取长度序列的后向差分序列记为长度差分序列。
最后,将长度差分序列中数值最大的元素在长度序列中所对应的元素记为长度阈值,将大于长度阈值的边缘线记为第一线段。
至此,通过上述方法得到若干个第一线段。
步骤S003:根据第一线段的形态和灰度获得第一线段的第一划痕程度和第二划痕程度,根据第一划痕程度和第二划痕程度获得连接线图像中的划痕线段。
需要说明的是,对于边缘图像中的第一线段,需要筛选出实际属于划痕的边缘线,已知划痕的形态通常呈细长型且长度相对噪声点较长,由于划痕是由于其他坚硬物体在连接线表面上摩擦形成的,因此在摩擦过程中发生的深浅变化导致划痕区域的灰度变化不均匀;而其他噪声区域,分布较为随机且通常具有较小的尺寸,另外由于噪声区域是由于脏污形成的线型区域,因此噪声区域内的灰度值分布较为均匀且连续;因此本实施例通过形态特征以及灰度变化获得连接线图像中的划痕部分。
具体的,步骤(1),首先,选取第一线段的两个端点中距离边缘图像的左下方最近的一个端点作为起始点,并利用8链码对第一线段进行链码编码获取第一线段对应的链码序列,链码序列中每一个元素都对应一个方向。
然后,获取链码序列中任意两个相邻的元素所对应方向在顺时针方向上的夹角,将所有相邻两个元素对应夹角所形成的序列记为夹角序列。
最后,根据夹角序列以及链码序列获得对应第一线段的第一划痕程度,具体计算方法为:
其中,Pi表示第i个第一线段的划痕程度;Si表示第i个第一线段对应链码序列中元素的数量;ni表示第i个第一线段的长度;θik表示第i个第一线段对应夹角序列中第k个元素对应的夹角;N表示所有第一线段平均长度;cos()表示余弦函数。
需要说明的是,通过余弦函数将夹角序列中的夹角进行映射后求和,以反映第一线段的弯折程度,另外通过对余弦函数的数值加1保证结果不为负,避免因负值导致的映射突变从而方便计算。
需要说明的是,若第一线段较为平直,则对应夹角序列中夹角较小,第一线段属于划痕的可能性就越大;若第一线段的弯折程度较大,则夹角序列中部分夹角较大,属于划痕的可能性越小;另外,第一线段的长度越长,则第一线段属于划痕的可能性就越大,反之越小。
步骤(2),首先,获取第一线段中所有像素点的平均灰度值;获取连接线图像中所有像素点的平均灰度值。
然后,根据第一线段的边缘像素点在连接线图像中对应灰度值的差异获得第一线段的第二划痕程度,具体计算方法为:
其中,Ti表示第i个第一线段的第二划痕程度;ni表示第i个第一线段的长度;Xir表示第i个第一线段的第r个边缘像素点的灰度值;Xirk表示第i个第一线段中除第r个边缘像素点以外的第k个边缘像素点的灰度值;Gr表示连接线图像的平均灰度值;Gli表示第i个第一线段的平均灰度值;||表示绝对值符号。
需要说明的是,为灰度相似度,通过组成某一个线条的所有像素灰度差的均值计算,代表了线条灰度的均匀程度,其值越小则越不均匀,同时结合线条与图像的灰度差异程度/>其值越小代表线条与图像的灰度差异越大,则越有可能是划痕线条。
步骤(3),首先,根据第一线段的第一划痕程度和第二划痕程度获得第一线段的划痕概率,具体计算方法为:
其中,Yi表示第i个第一线段的划痕概率;Pi表示第i个第一线段的第一划痕程度;Ti表示第i个第一线段的第二划痕程度;e表示自然常数。
需要说明的是,划痕概率越大,则对应的第一线段为划痕的可能性就越大。
然后,将大于预设概率阈值的第一线段记为划痕线段。
需要说明的是,根据经验预设概率阈值为0.7,可根据实际情况进行调整,本实施例不进行具体限定。
至此,通过上述方法得到划痕线段。
步骤S004:将所有角度下的连接线图像中属于一个划痕的划痕线段进行合并,并进行可视化标注。
需要说明的是,由于图像采集时对连接线进行旋转多次拍摄的原因,当存在划痕线段分布在多个连接线图像中形成跨越式划痕时,为了防止一个跨越式划痕在不同图像段中被分成多个划痕线段,导致连接线质量检测结果不准确的问题,需要将同一连接线在旋转时多次采集的连接线图像进行拼接。
需要说明的是,由于旋转过程中导致相机视角变化所造成的误差,直接按照连接线在旋转过程中所采集连接线图像的顺序进行拼接,所获得的拼接结果准确性较低,因此通过分析划痕线段的位置以及划痕概率相似性对划痕线段进行合并,提高对连接线质量检测结果的准确性。
具体的,首先,获取同一个连接线在多个视角下对应连接线图像的采集顺序,获取任意采集顺序相邻的两个连接线图像并将两个连接线图像左右邻接放置,在所述两个连接线图像之间获取任意两个划痕线段中两个边缘像素点最近时对应的欧氏距离,记为两个划痕线段的第一相似性,将两个划痕线段的划痕概率之间的差值绝对值记为两个划痕线段的第二相似性。
然后,将第一相似性和第二相似性的乘积记为两个划痕线段的相似性,获取所有划痕线段之间的相似性并利用线性归一化方法进行归一化处理,将小于预设相似性阈值的两个划痕线段视为属于同一个划痕,并进行可视化标注,获取同一个连接线对应的所有划痕的数量作为连接线质量检测指标,将连接线质量检测指标大于预设标准参数的连接线视为不合格连接线,将不合格连接线进行淘汰;将连接线质量检测指标小于预设标准参数的连接线视为合格连接线,将合格连接线打包入库。
需要说明的是,根据经验预设相似性阈值和标准参数分别为0.3和2,可根据实际情况进行调整,本实施例不进行具体限定。
至此,本实施例完成。
需要说明的是,本实施例中所用的exp(-x)模型仅用于表示负相关关系和约束模型输出的结果处于(0,1)区间内,具体实施时,可替换成具有同样目的的其他模型,本实施例只是以exp(-x)模型为例进行叙述,不对其做具体限定,其中x是指该模型的输入。
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 (7)
1.一种连接线和连接器质量视觉检测方法,其特征在于,该方法包括以下步骤:
采集连接线在多个视角下对应的连接线图像;
获取连接线图像中所有像素点的梯度,根据梯度的极差和平均梯度获得连接线图像的高阈值和低阈值;利用高阈值和低阈值进行边缘检测获得包含若干个边缘线的边缘图像,根据边缘线的长度获得若干个第一线段;
对任意第一线段进行链码编码获得对应的链码序列,根据链码序列获得第一线段的第一划痕程度;根据第一线段的边缘像素点在连接线图像中对应灰度值的差异,以及第一线段与连接线图像的平均灰度值之间的差异获得第一线段的第二划痕程度,将第一划痕程度和第二划痕程度的融合结果记为第一线段的划痕概率,根据划痕概率的大小获得划痕线段;
根据同一连接线在多个视角下对应的连接线图像中划痕线段之间的距离以及划痕线段的划痕概率的差异,将属于同一个划痕的划痕线段进行合并获得若干个划痕,根据划痕进行质量检测;
所述根据链码序列获得第一线段的第一划痕程度,包括的具体方法为:
第一线段的第一划痕程度的具体计算方法为:
其中,Pi表示第i个第一线段的划痕程度;Si表示第i个第一线段对应链码序列中元素的数量;ni表示第i个第一线段的长度;θik表示第i个第一线段对应夹角序列中第k个元素对应的夹角;N表示所有第一线段平均长度;cos()表示余弦函数;
所述夹角序列,包括的具体方法为:
首先,选取第一线段的两个端点中距离边缘图像的左下方最近的一个端点作为起始点,并利用8链码对第一线段进行链码编码获取第一线段对应的链码序列,链码序列中每一个元素都对应一个方向;
然后,获取链码序列中任意两个相邻的元素所对应方向在顺时针方向上的夹角,将所有相邻两个元素对应夹角所形成的序列记为夹角序列;
所述根据第一线段的边缘像素点在连接线图像中对应灰度值的差异,以及第一线段与连接线图像的平均灰度值之间的差异获得第一线段的第二划痕程度,包括的具体方法为:
首先,获取第一线段中所有像素点的平均灰度值;获取连接线图像中所有像素点的平均灰度值;
然后,第一线段的第二划痕程度的具体计算方法为:
其中,Ti表示第i个第一线段的第二划痕程度;ni表示第i个第一线段的长度;Xir表示第i个第一线段的第r个边缘像素点的灰度值;Xirk表示第i个第一线段中除第r个边缘像素点以外的第k个边缘像素点的灰度值;Gr表示连接线图像的平均灰度值;Gli表示第i个第一线段的平均灰度值;||表示绝对值符号。
2.根据权利要求1所述一种连接线和连接器质量视觉检测方法,其特征在于,所述获取连接线图像中所有像素点的梯度,根据梯度的极差和平均梯度获得连接线图像的高阈值和低阈值,包括的具体方法为:
首先,利用Sobel算子获取连接线图像中所有像素点的梯度,将连接线图像中的最大梯度和最小梯度分别记为Gmax和Gmin,将连接线图像中所有像素点的平均梯度记为Ga;
然后,连接线图像的高阈值的具体计算方法为:
其中,HT表示连接线图像的高阈值;Gmax表示连接线图像的最大梯度;Gmin表示连接线图像的最小梯度;Ga表示连接线图像的平均梯度;
最后,将作为低阈值LT,其中a为预设的超参数。
3.根据权利要求1所述一种连接线和连接器质量视觉检测方法,其特征在于,所述利用高阈值和低阈值进行边缘检测获得包含若干个边缘线的边缘图像,根据边缘线的长度获得若干个第一线段,包括的具体方法为:
首先,将高阈值HT和低阈值LT作为Canny边缘检测算法的双阈值,通过Canny边缘检测算法对连接线图像进行边缘检测,获得连接线图像对应的边缘图像,所述边缘图像包含若干个边缘线;
然后,根据边缘图像中边缘线所包含边缘像素点的数量获得长度序列和长度差分序列;
最后,将长度差分序列中数值最大的元素在长度序列中所对应的元素记为长度阈值,将大于长度阈值的边缘线记为第一线段。
4.根据权利要求3所述一种连接线和连接器质量视觉检测方法,其特征在于,所述长度序列和长度差分序列,包括的具体方法为:
获取边缘图像中任意边缘线所包含边缘像素点的数量,记为边缘线的长度;将所有边缘线的长度按照从大到小的顺序进行排列,将排列后的序列记为长度序列,并获取长度序列的后向差分序列记为长度差分序列。
5.根据权利要求1所述一种连接线和连接器质量视觉检测方法,其特征在于,所述将第一划痕程度和第二划痕程度的融合结果记为第一线段的划痕概率,根据划痕概率的大小获得划痕线段,包括的具体方法为:
首先,划痕概率,具体计算方法为其中,Yi表示第i个第一线段的划痕概率;Pi表示第i个第一线段的第一划痕程度;Ti表示第i个第一线段的第二划痕程度;e表示自然常数;
然后,将大于预设概率阈值的第一线段记为划痕线段。
6.根据权利要求1所述一种连接线和连接器质量视觉检测方法,其特征在于,所述根据同一连接线在多个视角下对应的连接线图像中划痕线段之间的距离以及划痕线段的划痕概率的差异,将属于同一个划痕的划痕线段进行合并获得若干个划痕,根据划痕进行质量检测,包括的具体方法为:
首先,根据同一连接线在多个视角下对应的连接线图像中划痕线段之间的距离以及划痕线段的划痕概率的差异,获得两个划痕线段之间的相似性;
然后,获取所有划痕线段之间的相似性并利用线性归一化方法进行归一化处理,将小于预设相似性阈值的两个划痕线段视为属于同一个划痕,并进行可视化标注,获取同一个连接线对应的所有划痕的数量作为连接线质量检测指标,将连接线质量检测指标大于预设标准参数的连接线视为不合格连接线,将不合格连接线进行淘汰;将连接线质量检测指标小于预设标准参数的连接线视为合格连接线。
7.根据权利要求6所述一种连接线和连接器质量视觉检测方法,其特征在于,所述相似性,包括的具体方法为:
首先,获取同一个连接线在多个视角下对应连接线图像的采集顺序,获取任意采集顺序相邻的两个连接线图像并将两个连接线图像左右邻接放置,在所述两个连接线图像之间获取任意两个划痕线段中两个边缘像素点最近时对应的欧氏距离,记为两个划痕线段的第一相似性,将两个划痕线段的划痕概率之间的差值绝对值记为两个划痕线段的第二相似性;
然后,将第一相似性和第二相似性的乘积记为两个划痕线段的相似性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311420278.XA CN117455870B (zh) | 2023-10-30 | 2023-10-30 | 一种连接线和连接器质量视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311420278.XA CN117455870B (zh) | 2023-10-30 | 2023-10-30 | 一种连接线和连接器质量视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117455870A CN117455870A (zh) | 2024-01-26 |
CN117455870B true CN117455870B (zh) | 2024-04-16 |
Family
ID=89583099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311420278.XA Active CN117455870B (zh) | 2023-10-30 | 2023-10-30 | 一种连接线和连接器质量视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117455870B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120074581A (ko) * | 2010-12-28 | 2012-07-06 | 주식회사 포스코 | 선재의 스크래치 검출 방법 및 장치 |
CN103593670A (zh) * | 2013-10-14 | 2014-02-19 | 浙江工业大学 | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 |
CN107507208A (zh) * | 2017-07-12 | 2017-12-22 | 天津大学 | 一种基于轮廓上曲率估计的图像特征点提取方法 |
WO2021168733A1 (zh) * | 2020-02-27 | 2021-09-02 | 京东方科技集团股份有限公司 | 缺陷图像的缺陷检测方法、装置及计算机可读存储介质 |
CN113936000A (zh) * | 2021-12-16 | 2022-01-14 | 武汉欧易塑胶包装有限公司 | 基于图像处理的注塑件波流痕识别方法 |
CN114782475A (zh) * | 2022-06-16 | 2022-07-22 | 南通金石包装印刷有限公司 | 基于人工智能系统的瓦楞纸箱压线缺陷检测优化方法 |
CN114894804A (zh) * | 2022-04-22 | 2022-08-12 | 江苏名欧精密机械有限公司 | 一种精密标准件表面裂纹检测方法 |
CN115082419A (zh) * | 2022-07-14 | 2022-09-20 | 江苏诺阳家居科技有限公司 | 一种吹塑箱包生产缺陷检测方法 |
CN115082464A (zh) * | 2022-08-22 | 2022-09-20 | 南通翡利达液压科技有限公司 | 除尘机焊接过程中焊缝数据的识别方法及系统 |
CN115272346A (zh) * | 2022-09-30 | 2022-11-01 | 江苏炜盛光电科技有限公司 | 一种基于边缘检测的pcb板生产过程在线检测方法 |
CN115359044A (zh) * | 2022-10-18 | 2022-11-18 | 南通群富金属科技有限公司 | 一种基于图像增强的金属件表面划痕检测方法 |
CN115456956A (zh) * | 2022-08-19 | 2022-12-09 | 浙江华周智能装备有限公司 | 一种液晶屏划痕检测方法、设备及存储介质 |
CN115760696A (zh) * | 2022-10-18 | 2023-03-07 | 江苏理工学院 | 一种表面划痕检测方法 |
CN116309537A (zh) * | 2023-04-24 | 2023-06-23 | 东莞市京品精密模具有限公司 | 一种极耳模具表面油污的缺陷检测方法 |
CN116452598A (zh) * | 2023-06-20 | 2023-07-18 | 曼德惟尔(山东)智能制造有限公司 | 基于计算机视觉的车桥生产质量快速检测方法及系统 |
WO2023134793A2 (zh) * | 2022-12-13 | 2023-07-20 | 苏州迈创信息技术有限公司 | 基于机器视觉机床零件在线检测方法 |
CN116703898A (zh) * | 2023-08-03 | 2023-09-05 | 山东优奭趸泵业科技有限公司 | 一种精密机械轴承端面的质量检测方法 |
CN116777916A (zh) * | 2023-08-24 | 2023-09-19 | 济宁安泰矿山设备制造有限公司 | 基于泵机金属外壳的缺陷检测方法 |
CN116823814A (zh) * | 2023-08-28 | 2023-09-29 | 山东巨鑫伟业电气设备有限公司 | 一种配电设备焊接生产缺陷检测系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107111873A (zh) * | 2014-12-19 | 2017-08-29 | 米其林集团总公司 | 用于检测轮胎中的条纹的方法 |
US10255521B2 (en) * | 2016-12-12 | 2019-04-09 | Jack Cooper Logistics, LLC | System, method, and apparatus for detection of damages on surfaces |
-
2023
- 2023-10-30 CN CN202311420278.XA patent/CN117455870B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120074581A (ko) * | 2010-12-28 | 2012-07-06 | 주식회사 포스코 | 선재의 스크래치 검출 방법 및 장치 |
CN103593670A (zh) * | 2013-10-14 | 2014-02-19 | 浙江工业大学 | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 |
CN107507208A (zh) * | 2017-07-12 | 2017-12-22 | 天津大学 | 一种基于轮廓上曲率估计的图像特征点提取方法 |
WO2021168733A1 (zh) * | 2020-02-27 | 2021-09-02 | 京东方科技集团股份有限公司 | 缺陷图像的缺陷检测方法、装置及计算机可读存储介质 |
CN113936000A (zh) * | 2021-12-16 | 2022-01-14 | 武汉欧易塑胶包装有限公司 | 基于图像处理的注塑件波流痕识别方法 |
CN114894804A (zh) * | 2022-04-22 | 2022-08-12 | 江苏名欧精密机械有限公司 | 一种精密标准件表面裂纹检测方法 |
CN114782475A (zh) * | 2022-06-16 | 2022-07-22 | 南通金石包装印刷有限公司 | 基于人工智能系统的瓦楞纸箱压线缺陷检测优化方法 |
CN115082419A (zh) * | 2022-07-14 | 2022-09-20 | 江苏诺阳家居科技有限公司 | 一种吹塑箱包生产缺陷检测方法 |
CN115456956A (zh) * | 2022-08-19 | 2022-12-09 | 浙江华周智能装备有限公司 | 一种液晶屏划痕检测方法、设备及存储介质 |
CN115082464A (zh) * | 2022-08-22 | 2022-09-20 | 南通翡利达液压科技有限公司 | 除尘机焊接过程中焊缝数据的识别方法及系统 |
CN115272346A (zh) * | 2022-09-30 | 2022-11-01 | 江苏炜盛光电科技有限公司 | 一种基于边缘检测的pcb板生产过程在线检测方法 |
CN115359044A (zh) * | 2022-10-18 | 2022-11-18 | 南通群富金属科技有限公司 | 一种基于图像增强的金属件表面划痕检测方法 |
CN115760696A (zh) * | 2022-10-18 | 2023-03-07 | 江苏理工学院 | 一种表面划痕检测方法 |
WO2023134793A2 (zh) * | 2022-12-13 | 2023-07-20 | 苏州迈创信息技术有限公司 | 基于机器视觉机床零件在线检测方法 |
CN116309537A (zh) * | 2023-04-24 | 2023-06-23 | 东莞市京品精密模具有限公司 | 一种极耳模具表面油污的缺陷检测方法 |
CN116452598A (zh) * | 2023-06-20 | 2023-07-18 | 曼德惟尔(山东)智能制造有限公司 | 基于计算机视觉的车桥生产质量快速检测方法及系统 |
CN116703898A (zh) * | 2023-08-03 | 2023-09-05 | 山东优奭趸泵业科技有限公司 | 一种精密机械轴承端面的质量检测方法 |
CN116777916A (zh) * | 2023-08-24 | 2023-09-19 | 济宁安泰矿山设备制造有限公司 | 基于泵机金属外壳的缺陷检测方法 |
CN116823814A (zh) * | 2023-08-28 | 2023-09-29 | 山东巨鑫伟业电气设备有限公司 | 一种配电设备焊接生产缺陷检测系统 |
Non-Patent Citations (1)
Title |
---|
基于Canny改进算子的油管裂纹检测算法;杨先凤;吴媛媛;赵玲;;计算机工程与设计;20180316(第03期);正文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117455870A (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612763B (zh) | 手机屏幕缺陷检测方法、装置及系统、计算机设备及介质 | |
CN111383209A (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN109284718B (zh) | 面向巡检机器人的变视角多仪表同时识别方法 | |
CN107742307A (zh) | 基于改进帧差法的输电线路舞动特征提取及参数分析方法 | |
CN116721107B (zh) | 一种电缆生产质量智能监控系统 | |
CN116030060B (zh) | 一种塑料颗粒质量检测方法 | |
CN113610773B (zh) | 一种垫片孔洞质量检测方法、系统、装置及存储介质 | |
CN115239702B (zh) | 一种塑料薄膜缺陷分析处理方法 | |
CN110866915A (zh) | 基于度量学习的圆形砚台质量检测方法 | |
CN108734704B (zh) | 基于灰度方差归一化的输电导线断股检测方法 | |
CN109271868B (zh) | 基于密集连接卷积网络超球体嵌入的目标重识别方法 | |
CN115131348A (zh) | 一种纺织品表面缺陷的检测方法及系统 | |
CN115100200A (zh) | 基于光学手段的光纤缺陷检测方法及系统 | |
CN114881960A (zh) | 基于特征增强的布匹直线型缺陷检测方法和系统 | |
CN116721391A (zh) | 一种基于计算机视觉的原料油分离效果检测方法 | |
CN115953409A (zh) | 基于图像处理的注塑件表面缺陷检测方法 | |
CN116993725B (zh) | 一种柔性电路板智能贴片信息处理系统 | |
CN117455870B (zh) | 一种连接线和连接器质量视觉检测方法 | |
CN117218122A (zh) | 基于图像数据的手表外壳质量检测方法 | |
CN116597016A (zh) | 一种光纤内窥镜图像标定方法 | |
CN114998346A (zh) | 一种防水布质量数据处理、识别方法 | |
CN108765365A (zh) | 一种转子绕线图像合格性检测方法 | |
CN117876376B (zh) | 高速率多功能连接器质量视觉检测方法 | |
CN117455911B (zh) | 一种网线水晶头生产测试方法及系统 | |
CN115452845B (zh) | 一种基于机器视觉的led屏幕表面损伤检测方法 |
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 |