CN118115467A - 一种基于机器视觉的工件检测系统及方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的工件检测系统及方法，涉及工件检测技术领域，为了解决工件异常检测不准确的问题。基于机器视觉的工件检测系统及方法，将工件图像中的参数数据进行局部检测、临近检测、融合检测和混合异常检测四种检测方式对图像参数进行检测，有效的提高了工件异常检测的效率，不会出现工件异常检测不出的情况，将截取的图像进行平滑降噪、灰度拉伸、二值化以及边缘检测处理，有效的提高了图像截取后画面的质量，更加便于后期的工件检测，将文档式数据与所对应的非合格参数数据进行统计，更加便于后期工作人员对工件进行审核与查看，提高了工作效率。

Description

一种基于机器视觉的工件检测系统及方法

技术领域

本发明涉及工件检测技术领域，具体为一种基于机器视觉的工件检测系统及方法。

背景技术

工件在生产与输送过程中会出现工件损坏的问题，因此当工件在出厂时，需要对工件进行有效的检测。

公开号为CN112985294A的中国专利公开了一种基于视觉装置的圆型工件检测的新型测量方法，主要通过视觉系统扫描识别图像信息，得到正确位置信息P1、P2、P3，并将其存储到位置寄存器，通过三点共面和三点到空间圆心坐标相等的约束条件，建立方程，通过求圆心、构建坐标系两者相结合能够很好的解决工件旋转导致修正不准的问题，上述专利虽然解决了视觉检测的问题，但是在实际操作中还存在以下问题：

1.对工件进行工件成像采集时，当成像图片获取后没有对图像进行优化处理，从而使图像精度欠佳导致无法对工件进行精准检测。

2.对工件图像参数数据都获取完成后，只是采用一种单一的检测方式对参数数据进行检测，从而导致无法有效的检测出异常工件。

3.由于工件流水线的移动，无法精准的对异常工件获取以及后期工作人员查看不便。

发明内容

本发明的目的在于提供一种基于机器视觉的工件检测系统及方法，将工件图像中的参数数据进行局部检测、临近检测、融合检测和混合异常检测四种检测方式对图像参数进行检测，有效的提高了工件异常检测的效率，不会出现工件异常检测不出的情况，将截取的图像进行平滑降噪、灰度拉伸、二值化以及边缘检测处理，有效的提高了图像截取后画面的质量，更加便于后期的工件检测，将文档式数据与所对应的非合格参数数据进行统计，更加便于后期工作人员对工件进行审核与查看，提高了工作效率，可以解决现有技术中的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于机器视觉的工件检测系统，包括：

工件视频成像采集单元，用于：

根据工件机床上的摄像装置将机床上的工件进行视频采集，当摄像装置将工件视频采集完成后，将工件视频进行划分为多个不同视角的工件图像；

成像图片处理单元，用于：

基于工件视频成像采集单元中获取的工件图像，将工件图像获取后，将工件图像进行图像优化处理，并将优化后的图像参数进行获取；

图片识别单元，用于：

基于成像图片处理单元中获取的图像参数数据，将参数数据中不同属性的参数分别进行参数阈值统计；

其中，不同属性的参数包括度量参数、形态参数和遮挡物参数；

工件图片检测单元，用于：

基于图片识别单元中获取的图像数据，将图像数据转换为多个参数数据，并将每个参数数据进行属性标注，属性标注完成后通过不同的检测方式将参数数据进行检测；

同时，根据检测结果将参数数据进行存储，其中，检测结果分为合格参数和非合格参数；

工件数据存储单元，用于：

将检测结果中的参数属性与该属性的工件视频中的工件成品进行对应，并根据工件成品确认该成品的型号以及编码。

优选的，所述工件视频成像采集单元，还用于：

将视频中的工件从不同的角度进行图片截取，图片截取后将图片进行成像图片集合；

其中，每一个工件视频中的工件成品只能为一个工件；

成像图片集合完成后将集合完成的图片进行唯一编码标号，唯一编码标号的同时将该工件的型号进行标注。

优选的，所述成像图片处理单元，包括：

平滑降噪处理模块，用于：

将多个工件图像数据统一进行工件图像数据集合获取，获取后将每张工件图像面积进行均匀的划分；

划分完成后将工件图像的中心点以及中心点周围的八个点进行选取，其中，八个点为以中心点为中心，在四个方向上等距离分布的点位确认完成后将八个点中频域中峰值最高的点通过滤波进行去噪；

再将去噪完成后的频域通过逆变换转至原始图像中，最终得出去噪图像；

灰度拉伸处理模块，用于：

基于平滑降噪处理模块中获取的去噪图像，将去噪图像进行灰度线性转换，根据转换完成的去噪图像将转换完成的去噪图像进行区域分段；

将分段完成的去噪图像的原本灰度等级进行获取，判断原本灰度等级是否属于标准等级范围，其中，标准等级范围由终端根据工件的型号进行设定；

若属于标准等级范围，则不需要进行灰度拉伸；若不属于标准等级范围，则将原本去噪图像的灰度值拉伸至标准等级范围阈值内，最终得出灰度图像。

优选的，所述成像图片处理单元，还包括：

二值化处理模块，用于：

基于灰度拉伸处理模块中获取的灰度图像，将灰度图像的灰度值进行确认，确认完成后将灰度值映射至二进制值；

将二进制值中图像的每个像素的灰度值进行确认，确认完成后将二进制值中的灰度值与标准阈值进行比较；

若比较结果大于等于阈值，则将该像素的值设为255，若比较结果小于等于阈值，则将该像素的值设为0，设定完成后得出二值化图像；

边缘检测处理模块，用于：

基于二值化处理模块中获取的二值化图像，将二值化图像中的灰度图像进行等面积划分，划分完成后通过高频分量和低频分量将二值化图像进行强度划分；

其中，高频分量为将二值化图像中强度变化剧烈的区域进行获取，低频分量为将二值化图像中强度变化平缓的区域进行获取，最终将强度变化剧烈以及强度变化平缓的区域分别进行存储，并标注为检测图像。

优选的，所述成像图片处理单元，包括：

特征数据提取模块，用于：

针对每个视角的工件图像，提取工件图像各像素点的特征数据，特征数据包括亮度值、色度值和饱和度值；

特征对比模块，用于：

采用以下公式计算每个工件图像的特征对比指标：

上式中，D_R表示R视角的工件图像的特征对比指标；n和m分别表示工件图像的横向像素宽度值和纵向像素高度值；(i,j)表示工件图像的像素点的像素坐标值；μ_(i,j)表示工件图像上像素点(i,j)的亮度值；μ₀表示预设的工件材质对应的亮度参照值；γ_(i,j)表示工件图像上像素点(i,j)的色度值；γ₀表示预设的工件材质对应的色度参照值；τ_(i,j)表示工件图像上像素点(i,j)的饱和度值；τ₀表示预设的工件材质对应的饱和度参照值；

特征补偿模块，用于：

将特征对比模块计算得到的各视角的工件图像的特征对比指标分别与指标阈值进行比较，若存在特征对比指标超过指标阈值的视角工件图像，则计算工件图像的各单项特征数据平均值与对应单项参照值的单项特征偏差，根据单项特征偏差对该工件图像进行补偿处理；

摄像调整指令生成模块，用于：

当存在特征对比指标超过指标阈值的视角工件图像时，则生成对应视角的摄像调整指令，定向发送给对应视角的摄像装置进行调整；

光照度警示模块，用于：

若经过设定次数的摄像调整后，仍然不能使得该视角的工件图像的特征对比指标在指标阈值范围内，则发出光照度警示信息。

优选的，所述工件图片检测单元，包括：

局部检测模块，用于：

将参数数据中每个属性的数据作为图中的一个节点,将工件图像的节点之间进行节点相连，其中，节点相连为将每个节点局部区域的节点进行连接，局部区域为每个节点上、下、左、右方向中最近的节点，在待检测参数数据对应的工件图像上构造一个非对称的带权有向图；

其中，将一个合格工件参数数据的工件图像样本应用在带权有向图上,使得合格工件参数数据的工件图像样本的节点跳转到带权有向图对应的节点；

根据节点是否在合格工件参数数据的工件图像样本上判断该带权有向图是否为异常形态，若为异常形态，则标注为该带权有向图为异常数据，并将带权有向图与对应的参数数据进行异常响应；

临近检测模块，用于：

根据合格工件参数数据的工件图像样本分配至待检测的参数数据中；

其中，对不同属性参数的工件图像样之间的关系进行刻画时，待检测的参数数据对临近度度量数据进行获取；

若临近度度量与合格工件参数数据的工件图像样本的度量值不一致时，则该检测数据为异常数据。

优选的，所述工件图片检测单元，还包括：

融合检测模块，用于：

将参数数据对应的图像集合进行融合检测，融合为一块扩展的图像特征合集；

其中，根据模糊聚类计算法对图像特征合集中隐含的多个聚类结构的隶属度数据进行获取，隶属度数据获取完成后将合格工件参数数据的工件图像样本的隶属度数据进行确认；

将获取的隶属度数据与确认的隶属度数据进行行为标记；

根据模糊聚类计算将获取的隶属度数据中行为与确认的隶属度数据不一致的隶属度数据标记为异常数据；

其中，在该空间中使用模糊聚类计算样本对于数据集中隐含的多个聚类结构的隶属度,刻画样本在不同视图中对于各个聚类结构的隶属行为；

根据模糊聚类计算将不同视图中行为不一致的样本标记为异常对象。

优选的，所述工件图片检测单元，还包括：

混合异常检测模块，用于：

根据合格工件参数数据的工件图像样本作为学习样本，将学习样本与待检测参数数据之间进行相似度矩阵构造；

其中，合格工件参数数据的工件图像样本和待检测参数数据对应的相似度矩阵应用亲和传播聚类获得每个参数数据对应的聚类代表点；

根据对应的聚类代表点，将聚类代表点与学习样本中矩阵不匹配的聚类代表点进行获取，获取后与待检测参数数据进行对应，对应完成后标注为异常数据。

优选的，所述工件数据存储单元，还用于：

根据检测结果中合格参数数据和非合格参数数据进行文档整合；

整合完成后将非合格参数数据中所对应的工件唯一编码以及编码所对应的工件型号进行整合对应；

工件编码以及工件型号对应完成后转换为文档式数据，并将文档式数据与所对应的非合格参数数据进行统计；

统计完成后形成检测异常工件文件。

本发明提供另一种技术方案，一种基于机器视觉的工件检测系统的实施方法，包括以下步骤：

第一步：先通过工件视频成像采集单元将待检测的工件进行视频采集，视频采集完成后将视频中的成像图片划分为不同视角的工件图像；

第二步：再通过成像图片处理单元将不用视角的工件图像进行平滑降噪、灰度拉伸、二值化以及边缘检测处理，处理完成后得到工件的检测图像；

第三步：再通过图片识别单元将检测图像的参数数据进行获取，获取完成后根据工件图片检测单元将获取的参数数据通过局部检测、临近检测、融合检测和混合异常检测，检测完成后获取检测结果中存有异常的参数数据和无异常的参数数据；

第四步：最后通过工件数据存储单元将有异常的参数数据和无异常的参数数据与工件图像进行对应，对应完成后获取异常图像中的工件型号，并以文档的形式进行呈现。

与现有技术相比，本发明的有益效果如下：

1.本发明提供的一种基于机器视觉的工件检测系统及方法，将截取的图像进行平滑降噪、灰度拉伸、二值化以及边缘检测处理，有效的提高了图像截取后画面的质量，更加便于后期的工件检测。

2.本发明提供的一种基于机器视觉的工件检测系统及方法，将工件图像中的参数数据进行局部检测、临近检测、融合检测和混合异常检测四种检测方式对图像参数进行检测，有效的提高了工件异常检测的效率，不会出现工件异常检测不出的情况。

3.本发明提供的一种基于机器视觉的工件检测系统及方法，将文档式数据与所对应的非合格参数数据进行统计，更加便于后期工作人员对工件进行审核与查看，提高了工作效率。

附图说明

图1为本发明的整体检测流程示意图；

图2为本发明的成像图片处理单元模块示意图；

图3为本发明的工件图片检测单元模块示意图。

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。

为了解决现有技术中，在对工件进行工件成像采集时，当成像图片获取后没有对图像进行优化处理，从而使图像精度欠佳导致无法对工件进行精准检测的问题，请参阅图1和图2，本实施例提供以下技术方案：

一种基于机器视觉的工件检测系统，包括：工件视频成像采集单元，用于：根据工件机床上的摄像装置将机床上的工件进行视频采集，当摄像装置将工件视频采集完成后，将工件视频进行划分为多个不同视角的工件图像；成像图片处理单元，用于：基于工件视频成像采集单元中获取的工件图像，将工件图像获取后，将工件图像进行图像优化处理，并将优化后的图像参数进行获取；图片识别单元，用于：基于成像图片处理单元中获取的图像参数数据，将参数数据中不同属性的参数分别进行参数阈值统计；其中，不同属性的参数包括度量参数、形态参数和遮挡物参数；工件图片检测单元，用于：基于图片识别单元中获取的图像数据，将图像数据转换为多个参数数据，并将每个参数数据进行属性标注，属性标注完成后通过不同的检测方式将参数数据进行检测；同时，根据检测结果将参数数据进行存储，其中，检测结果分为合格参数和非合格参数；工件数据存储单元，用于：将检测结果中的参数属性与该属性的工件视频中的工件成品进行对应，并根据工件成品确认该成品的型号以及编码。

具体的，通过工件视频成像采集单元将同一件工件的不用角度视角的图片都进行检测，有效的提高了后期对同一个工件不用角度检测的精准性，通过成像图片处理单元将截取的图像进行平滑降噪、灰度拉伸、二值化以及边缘检测处理，有效的提高了图像截取后画面的质量，更加便于后期的工件检测，通过图片识别单元将工件图像中的参数数据进行局部检测、临近检测、融合检测和混合异常检测四种检测方式对图像参数进行检测，有效的提高了工件异常检测的效率，不会出现工件异常检测不出的情况，通过工件数据存储单元可以对异常工件数据及时的获取，进一步的提高了对异常工件获取的效率，不会出现异常工件丢失的问题，并且将文档式数据与所对应的非合格参数数据进行统计，更加便于后期工作人员对工件进行审核与查看，提高了工作效率。

工件视频成像采集单元，还用于：将视频中的工件从不同的角度进行图片截取，图片截取后将图片进行成像图片集合；其中，每一个工件视频中的工件成品只能为一个工件；成像图片集合完成后将集合完成的图片进行唯一编码标号，唯一编码标号的同时将该工件的型号进行标注。

具体的，根据工件机床上的摄像装置将待检测的工件先进行视频采集，在将采集视频中的图片从不同的角度视角进行截取，并将同一件工件的不用角度视角的图片都进行检测，有效的提高了后期对同一个工件不用角度检测的精准性，并且将同一个视频中截取的多张图像进行集合，并将集合完成的图片进行唯一编码标号，唯一编码标号后当后期检测出工件异常时，可以根据唯一编码标号更精准的获取异常工件的型号，获取异常工件的型号后可以进行二次检测或者直接将异常工件进行剔除，进一步的提高了工件生产的效率以及合格率。

成像图片处理单元，包括：平滑降噪处理模块，用于：将多个工件图像数据统一进行工件图像数据集合获取，获取后将每张工件图像面积进行均匀的划分；划分完成后将工件图像的中心点以及中心点周围的八个点进行选取，其中，八个点为以中心点为中心，在四个方向上等距离分布的点位确认完成后将八个点中频域中峰值最高的点通过滤波进行去噪；再将去噪完成后的频域通过逆变换转至原始图像中，最终的得出去噪图像。

具体的，通过平滑降噪处理模块将截取的多张工件图像进行降噪处理，将工件图像划分完成后根据一个主点与八个副点的进行确认，根据划分的不同区域的分散性的检测进一步的提高了降噪处理的稳定性，将八个点中频域中峰值较高的点通过滤波进行去噪，再将去噪完成后的频域通过逆变换转至原始图像中，通过对八个副点的滤波检测，当检测出异常滤波时可以更快的对副点进行确认，进一步的改善图像质量，并且可以有效的降低干扰，消除图像中的随机噪声，起到平滑作用。

灰度拉伸处理模块，用于：基于平滑降噪处理模块中获取的去噪图像，将去噪图像进行灰度线性转换，根据转换完成的去噪图像将转换完成的去噪图像进行区域分段；将分段完成的去噪图像的原本灰度等级进行获取，判断原本灰度等级是否属于标准等级范围，其中，标准等级范围由终端根据工件的型号进行设定；若属于标准等级范围，则不需要进行灰度拉伸；若不属于标准等级范围，则将原本去噪图像的灰度值拉伸至标准等级范围阈值内，最终得出灰度图像。

具体的，通过灰度拉伸处理模块将降噪后的工件图像进一步的进行优化，其中，根据将去噪图像进行区域分段，再将该工件的标准灰度等级数据进行获取，将去噪图像的灰度等级数据与标准灰度等级数据进行数据阈值对比，有效的了解去噪图像中灰度区间的差异，为后期的灰度拉伸提供的便捷性，并且将异常灰度的去噪图像进行灰度值拉伸，直至拉伸至标准灰度等级阈值，进一步的提高了去噪图像中工件的辨识度，使该工件进行参数获取时，参数值更加的精准。

成像图片处理单元，还包括：二值化处理模块，用于：基于灰度拉伸处理模块中获取的灰度图像，将灰度图像的灰度值进行确认，确认完成后将灰度值映射至二进制值；将二进制值中图像的每个像素的灰度值进行确认，确认完成后将二进制值中的灰度值与标准阈值进行比较；若比较结果大于等于阈值，则将该像素的值设为255，若比较结果小于等于阈值，则将该像素的值设为0，设定完成后得出二值化图像。

具体的，通过二值化处理模块将灰度图像进行二值化处理，将灰度值映射至二进制值，再将二进制值中图像的每个像素的灰度值进行确认，可以有效的增强灰度图像的对比度，使灰度图像变得更加清晰，同时根据二进制值中的灰度值与标准阈值进行比较，可以更好的确定灰度图像中是否存有异常遮挡或缺少区域，若存有异常遮挡区域，则表示该工件的表面出现缺陷或者异物，进一步的提高的工件缺陷或异物的检测。

边缘检测处理模块，用于：基于二值化处理模块中获取的二值化图像，将二值化图像中的灰度图像进行等面积划分，划分完成后通过高频分量和低频分量将二值化图像进行强度划分；其中，高频分量为将二值化图像中强度变化剧烈的区域进行获取，低频分量为将二值化图像中强度变化平缓的区域进行获取，最终将强度变化剧烈以及强度变化平缓的区域分别进行存储，并标注为检测图像。

具体的，通过边缘检测处理模块将二值化图片进行进一步的图片检测，将二值化图像中的灰度图像进行等面积划分，其中，等面积划分也叫做区域划分，通过将图像划分为不同的区域或对象，可以极大地提高处理效率和应用灵活性，根据高频分量和低频分量将二值化图像进行强度划分，主要划分为强度变化剧烈的区域和强度变化平缓的区域，其中，高频分量代表图像中变化剧烈的区域，主要对应于图像中的边缘、轮廓或者噪声以及细节部分。因为图像噪声在大部分情况下都是高频的，所以高频分量可以用于检测图像中的噪声和边缘。通过使用高频分量，我们可以提取出二值化图像中强度变化剧烈的区域，即边缘和轮廓部分，有效的提高了对工件具体面积度量的获取，根据对工件的面具度量可以进一步的提高对该工件是否符合标准工件度量的检测，有效的提高了对工件度量检测的精准性。

在前述实施例的基础上，所述成像图片处理单元，还可以包括：

特征数据提取模块，用于：

针对每个视角的工件图像，提取工件图像各像素点的特征数据，特征数据包括亮度值、色度值和饱和度值；

特征对比模块，用于：

采用以下公式计算每个工件图像的特征对比指标：

上式中，D_R表示R视角的工件图像的特征对比指标；n和m分别表示工件图像的横向像素宽度值和纵向像素高度值；(i,j)表示工件图像的像素点的像素坐标值；μ_(i,j)表示工件图像上像素点(i,j)的亮度值；μ₀表示预设的工件材质对应的亮度参照值；γ_(i,j)表示工件图像上像素点(i,j)的色度值；γ₀表示预设的工件材质对应的色度参照值；τ_(i,j)表示工件图像上像素点(i,j)的饱和度值；τ₀表示预设的工件材质对应的饱和度参照值；

特征补偿模块，用于：

将特征对比模块计算得到的各视角的工件图像的特征对比指标分别与指标阈值进行比较，若存在特征对比指标超过指标阈值的视角工件图像，则计算工件图像的各单项特征数据平均值与对应单项参照值的单项特征偏差，根据单项特征偏差对该工件图像进行补偿处理；例如：若计算得到工件图像的亮度值特征数据的单项特征数据平均值为95，亮度值特征数据对应单项参照值为100，则偏差为5，在此情况下，对该工件图像进行补偿处理，即将工件图像每个像素点的亮度值都提高5，通过使得其亮度值特征数据的单项特征数据平均值达到100，得到亮度值特征数据的单项特征数据平均值为100的工件图像。

摄像调整指令生成模块，用于：

当存在特征对比指标超过指标阈值的视角工件图像时，则生成对应视角的摄像调整指令，定向发送给对应视角的摄像装置进行调整；

光照度警示模块，用于：

若经过设定次数的摄像调整后，仍然不能使得该视角的工件图像的特征对比指标在指标阈值范围内，则发出光照度警示信息。

通过设置特征数据提取模块提取工件图像各像素点的特征数据，使用特征对比模块采用上述算法计算工件图像的特征对比指标，基于特征对比指标与指标阈值的比较评价情况，确定是否需要对工件图像进行特征补偿；若需要补偿，由特征补偿模块计算工件图像的单项特征偏差，根据单项特征偏差对该工件图像进行补偿处理，从而提高工件图像品质，避免后续的图像处理分析由于图像品质不佳而影响处理结果；此外，还由摄像调整指令生成模块生成对应视角的摄像调整指令，定向发送给对应视角的摄像装置进行调整，使得摄像装置采集的工件图像符合指标阈值范围要求，降低需要进行特征补偿的工件图像数量；如果发生经多次(设定次数)摄像调整后，仍然不能使得该视角的工件图像的特征对比指标在指标阈值范围内的情况，则发出光照度警示信息，提醒设备维护人员及时检查并处理光照情况，保障工件检测的顺利。

为了解决现有技术中，在对工件图像参数数据都获取完成后，只是采用一种单一的检测方式对参数数据进行检测，从而导致无法有效的检测出异常工件的问题，请参阅图3，本实施例提供以下技术方案：

工件图片检测单元，包括：局部检测模块，用于：将参数数据中每个属性的数据作为图中的一个节点,将工件图像的节点之间进行节点相连，其中，节点相连为将每个节点局部区域的节点进行连接，局部区域为每个节点上、下、左、右方向中最近的节点，在待检测参数数据对应的工件图像上构造一个非对称的带权有向图；其中，将一个合格工件参数数据的工件图像样本应用在带权有向图上,使得合格工件参数数据的工件图像样本的节点跳转到带权有向图对应的节点；根据节点是否在合格工件参数数据的工件图像样本上判断该带权有向图是否为异常形态，若为异常形态，则标注为该带权有向图为异常数据，并将带权有向图与对应的参数数据进行异常响应。

具体的，将获取的图像参数数据通过局部检测模块进行检测可以进一步的提高工件中纹理特征和形状特征的稳定性，其中，将一个合格工件参数数据的工件图像样本应用在带权有向图上,使得合格工件参数数据的工件图像样本的节点跳转到带权有向图对应的节点，有效的对获取的图像参数数据的具体节点进行获取，提高了与标准工件参数对比的准确性，根据节点是否在合格工件参数数据的工件图像样本上判断该带权有向图是否为异常形态，进一步的提高了判断工件纹理以及形状是否符合标准工件的准确性。

临近检测模块，用于：根据合格工件参数数据的工件图像样本分配至待检测的参数数据中；其中，对不同属性参数的工件图像样之间的关系进行刻画时，待检测的参数数据对临近度度量数据进行获取；若临近度度量与合格工件参数数据的工件图像样本的度量值不一致时，则该检测数据为异常数据。

具体的，将标准的工件参数数据之间的关系进行刻画，可以有效获取标准工件上零件与零件时间的具体度量，再将待检测的参数数据的度量与标准度量进行对比，可以更稳定的获取待检测工件上零件与零件之间的度量是否符与标准工件上零件与零件之间的度量一致，若不是一致的，则该待检测的工件则为异常的工件。

工件图片检测单元，还包括：融合检测模块，用于：将参数数据对应的图像集合进行融合检测，融合为一块扩展的图像特征合集；其中，根据模糊聚类计算法对图像特征合集中隐含的多个聚类结构的隶属度数据进行获取，隶属度数据获取完成后将合格工件参数数据的工件图像样本的隶属度数据进行确认；将获取的隶属度数据与确认的隶属度数据进行行为标记；根据模糊聚类计算将获取的隶属度数据中行为与确认的隶属度数据不一致的隶属度数据标记为异常数据；其中，在该空间中使用模糊聚类计算样本对于数据集中隐含的多个聚类结构的隶属度,刻画样本在不同视图中对于各个聚类结构的隶属行为；根据模糊聚类计算将不同视图中行为不一致的样本标记为异常对象。

具体的，将标准的工件参数的隶属度与标准工件的隶属度进行行为标记，并根据模糊聚类计算将获取的隶属度数据中行为与确认的隶属度数据不一致的隶属度数据标记为异常数据，可以对工件的具体特征向量进行精准的对比，有效的提高了工件进行缺陷检测的精准性。

工件图片检测单元，还包括：混合异常检测模块，用于：根据合格工件参数数据的工件图像样本作为学习样本，将学习样本与待检测参数数据之间进行相似度矩阵构造；其中，合格工件参数数据的工件图像样本和待检测参数数据对应的相似度矩阵应用亲和传播聚类获得每个参数数据对应的聚类代表点；根据对应的聚类代表点，将聚类代表点与学习样本中矩阵不匹配的聚类代表点进行获取，获取后与待检测参数数据进行对应，对应完成后标注为异常数据。

具体的，将学习样本与待检测参数数据之间进行相似度矩阵构造，可以提高标准工件与待检测工件之间的矩阵对比度，将相似度矩阵上应用亲和传播聚类获得每个参数数据对应的聚类代表点，进一步的提高了标准工件与待检测工件聚类代表点的对比，将聚类代表点与学习样本中矩阵不匹配的聚类代表点进行获取，有效的提高了根据标准工件上聚类代表点与待检测工件上聚类代表点之间对比的重叠度，根据重叠度可以有效的提高待检测工件是否符合标准的精准性。

为了解决现有技术中，当检测出异常工件后，由于工件流水线的移动，无法精准的对异常工件获取以及后期工作人员查看不便的问题，本实施例提供以下技术方案：

工件数据存储单元，还用于：根据检测结果中合格参数数据和非合格参数数据进行文档整合；整合完成后将非合格参数数据中所对应的工件唯一编码以及编码所对应的工件型号进行整合对应，工件编码以及工件型号对应完成后转换为文档式数据，并将文档式数据与所对应的非合格参数数据进行统计；统计完成后形成检测异常工件文件。

具体的，将非合格参数数据中所对应的工件唯一编码以及编码所对应的工件型号进行整合对应，可以有效的提高当检测出异常工件时，对异常工件数据及时的获取，进一步的提高了对异常工件获取的效率，不会出现异常工件丢失的问题，并且将文档式数据与所对应的非合格参数数据进行统计，更加便于后期工作人员对工件进行审核与查看，提高了工作效率。

本发明提供另一种技术方案，一种基于机器视觉的工件检测系统的实施方法，包括以下步骤：

第一步：先通过工件视频成像采集单元将待检测的工件进行视频采集，视频采集完成后将视频中的成像图片划分为不同视角的工件图像；

其中，将同一件工件的不用角度视角的图片都进行检测，有效的提高了后期对同一个工件不用角度检测的精准性；

第二步：再通过成像图片处理单元将不用视角的工件图像进行平滑降噪、灰度拉伸、二值化以及边缘检测处理，处理完成后得到工件的检测图像；

其中，通过平滑降噪、灰度拉伸、二值化以及边缘检测处理，有效的提高了图像截取后画面的质量，更加便于后期的工件检测；

第三步：再通过图片识别单元将检测图像的参数数据进行获取，获取完成后根据工件图片检测单元将获取的参数数据通过局部检测、临近检测、融合检测和混合异常检测，检测完成后获取检测结果中存有异常的参数数据和无异常的参数数据；

其中，通过局部检测、临近检测、融合检测和混合异常检测四种检测方式对图像参数进行检测，有效的提高了工件异常检测的效率，不会出现工件异常检测不出的情况；

第四步：最后通过工件数据存储单元将有异常的参数数据和无异常的参数数据与工件图像进行对应，对应完成后获取异常图像中的工件型号，并以文档的形式进行呈现；

其中，将文档式数据与所对应的非合格参数数据进行统计，更加便于后期工作人员对工件进行审核与查看，提高了工作效率。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种基于机器视觉的工件检测系统，其特征在于，包括：

工件视频成像采集单元，用于：

根据工件机床上的摄像装置将机床上的工件进行视频采集，当摄像装置将工件视频采集完成后，将工件视频进行划分为多个不同视角的工件图像；

成像图片处理单元，用于：

基于工件视频成像采集单元中获取的工件图像，将工件图像获取后，将工件图像进行图像优化处理，并将优化后的图像参数进行获取；

工件图片检测单元，用于：

基于图片识别单元中获取的图像数据，将图像数据转换为多个参数数据，并将每个参数数据进行属性标注，属性标注完成后通过不同的检测方式将参数数据进行检测；

同时，根据检测结果将参数数据进行存储，其中，检测结果分为合格参数和非合格参数；

工件数据存储单元，用于：

将检测结果中的参数属性与该属性的工件视频中的工件成品进行对应，并根据工件成品确认该成品的型号以及编码。

2.根据权利要求1所述的一种基于机器视觉的工件检测系统，其特征在于：所述工件视频成像采集单元，还用于：

将视频中的工件从不同的角度进行图片截取，图片截取后将图片进行成像图片集合；

其中，每一个工件视频中的工件成品只能为一个工件；

成像图片集合完成后将集合完成的图片进行唯一编码标号，唯一编码标号的同时将该工件的型号进行标注。

3.根据权利要求1所述的一种基于机器视觉的工件检测系统，其特征在于：所述成像图片处理单元，包括：

平滑降噪处理模块，用于：

将多个工件图像数据统一进行工件图像数据集合获取，获取后将每张工件图像面积进行均匀的划分；

划分完成后将工件图像的中心点以及中心点周围的八个点进行选取，其中，八个点为以中心点为中心，在四个方向上等距离分布的点位确认完成后将八个点中频域中峰值最高的点通过滤波进行去噪；

再将去噪完成后的频域通过逆变换转至原始图像中，最终得出去噪图像；

灰度拉伸处理模块，用于：

基于平滑降噪处理模块中获取的去噪图像，将去噪图像进行灰度线性转换，根据转换完成的去噪图像将转换完成的去噪图像进行区域分段；

将分段完成的去噪图像的原本灰度等级进行获取，判断原本灰度等级是否属于标准等级范围，其中，标准等级范围由终端根据工件的型号进行设定；

若属于标准等级范围，则不需要进行灰度拉伸；若不属于标准等级范围，则将原本去噪图像的灰度值拉伸至标准等级范围阈值内，最终得出灰度图像。

4.根据权利要求3所述的一种基于机器视觉的工件检测系统，其特征在于：所述成像图片处理单元，还包括：

二值化处理模块，用于：

基于灰度拉伸处理模块中获取的灰度图像，将灰度图像的灰度值进行确认，确认完成后将灰度值映射至二进制值；

将二进制值中图像的每个像素的灰度值进行确认，确认完成后将二进制值中的灰度值与标准阈值进行比较；

若比较结果大于等于阈值，则将该像素的值设为255，若比较结果小于等于阈值，则将该像素的值设为0，设定完成后得出二值化图像；

边缘检测处理模块，用于：

基于二值化处理模块中获取的二值化图像，将二值化图像中的灰度图像进行等面积划分，划分完成后通过高频分量和低频分量将二值化图像进行强度划分；

其中，高频分量为将二值化图像中强度变化剧烈的区域进行获取，低频分量为将二值化图像中强度变化平缓的区域进行获取，最终将强度变化剧烈以及强度变化平缓的区域分别进行存储，并标注为检测图像。

5.根据权利要求1所述的一种基于机器视觉的工件检测系统，其特征在于：所述成像图片处理单元，包括：

特征数据提取模块，用于：

针对每个视角的工件图像，提取工件图像各像素点的特征数据，特征数据包括亮度值、色度值和饱和度值；

特征对比模块，用于：

采用以下公式计算每个工件图像的特征对比指标：

上式中，D_R表示R视角的工件图像的特征对比指标；n和m分别表示工件图像的横向像素宽度值和纵向像素高度值；(i,j)表示工件图像的像素点的像素坐标值；μ_(i,j)表示工件图像上像素点(i,j)的亮度值；μ₀表示预设的工件材质对应的亮度参照值；γ_(i,j)表示工件图像上像素点(i,j)的色度值；γ₀表示预设的工件材质对应的色度参照值；τ_(i,j)表示工件图像上像素点(i,j)的饱和度值；τ₀表示预设的工件材质对应的饱和度参照值；

特征补偿模块，用于：

将特征对比模块计算得到的各视角的工件图像的特征对比指标分别与指标阈值进行比较，若存在特征对比指标超过指标阈值的视角工件图像，则计算工件图像的各单项特征数据平均值与对应单项参照值的单项特征偏差，根据单项特征偏差对该工件图像进行补偿处理；

摄像调整指令生成模块，用于：

当存在特征对比指标超过指标阈值的视角工件图像时，则生成对应视角的摄像调整指令，定向发送给对应视角的摄像装置进行调整；

光照度警示模块，用于：

若经过设定次数的摄像调整后，仍然不能使得该视角的工件图像的特征对比指标在指标阈值范围内，则发出光照度警示信息。

6.根据权利要求1所述的一种基于机器视觉的工件检测系统，其特征在于：所述工件图片检测单元，包括：

局部检测模块，用于：

将参数数据中每个属性的数据作为图中的一个节点,将工件图像的节点之间进行节点相连，其中，节点相连为将每个节点局部区域的节点进行连接，局部区域为每个节点上、下、左、右方向中最近的节点，在待检测参数数据对应的工件图像上构造一个非对称的带权有向图；

其中，将一个合格工件参数数据的工件图像样本应用在带权有向图上,使得合格工件参数数据的工件图像样本的节点跳转到带权有向图对应的节点；

根据节点是否在合格工件参数数据的工件图像样本上判断该带权有向图是否为异常形态，若为异常形态，则标注为该带权有向图为异常数据，并将带权有向图与对应的参数数据进行异常响应；

临近检测模块，用于：

根据合格工件参数数据的工件图像样本分配至待检测的参数数据中；

其中，对不同属性参数的工件图像样本之间的关系进行刻画，待检测的参数数据对临近度度量数据进行获取；

若临近度度量与合格工件参数数据的工件图像样本的度量值不一致时，则该检测数据为异常数据。

7.根据权利要求6所述的一种基于机器视觉的工件检测系统，其特征在于：所述工件图片检测单元，还包括：

融合检测模块，用于：

将参数数据对应的图像集合进行融合检测，融合为一块扩展的图像特征合集；

其中，根据模糊聚类计算法对图像特征合集中隐含的多个聚类结构的隶属度数据进行获取，隶属度数据获取完成后将合格工件参数数据的工件图像样本的隶属度数据进行确认；

将获取的隶属度数据与确认的隶属度数据进行行为标记；

根据模糊聚类计算将获取的隶属度数据中行为与确认的隶属度数据不一致的隶属度数据标记为异常数据；

其中，在该空间中使用模糊聚类计算样本对于数据集中隐含的多个聚类结构的隶属度,刻画样本在不同视图中对于各个聚类结构的隶属行为；

根据模糊聚类计算将不同视图中行为不一致的样本标记为异常对象。

8.根据权利要求7所述的一种基于机器视觉的工件检测系统，其特征在于：所述工件图片检测单元，还包括：

混合异常检测模块，用于：

根据合格工件参数数据的工件图像样本作为学习样本，将学习样本与待检测参数数据之间进行相似度矩阵构造；

其中，合格工件参数数据的工件图像样本和待检测参数数据对应的相似度矩阵应用亲和传播聚类获得每个参数数据对应的聚类代表点；

根据对应的聚类代表点，将聚类代表点与学习样本中矩阵不匹配的聚类代表点进行获取，获取后与待检测参数数据进行对应，对应完成后标注为异常数据。

9.根据权利要求8所述的一种基于机器视觉的工件检测系统，其特征在于：所述工件数据存储单元，还用于：

根据检测结果中合格参数数据和非合格参数数据进行文档整合；

整合完成后将非合格参数数据中所对应的工件唯一编码以及编码所对应的工件型号进行整合对应；

工件编码以及工件型号对应完成后转换为文档式数据，并将文档式数据与所对应的非合格参数数据进行统计；

统计完成后形成检测异常工件文件。

10.一种如权利要求1-9任一项所述的基于机器视觉的工件检测系统的实施方法，其特征在于，包括以下步骤：

第一步：先通过工件视频成像采集单元将待检测的工件进行视频采集，视频采集完成后将视频中的成像图片划分为不同视角的工件图像；

第二步：再通过成像图片处理单元将不用视角的工件图像进行平滑降噪、灰度拉伸、二值化以及边缘检测处理，处理完成后得到工件的检测图像；

第三步：再通过图片识别单元将检测图像的参数数据进行获取，获取完成后根据工件图片检测单元将获取的参数数据通过局部检测、临近检测、融合检测和混合异常检测，检测完成后获取检测结果中存有异常的参数数据和无异常的参数数据；

第四步：最后通过工件数据存储单元将有异常的参数数据和无异常的参数数据与工件图像进行对应，对应完成后获取异常图像中的工件型号，并以文档的形式进行呈现。