CN103955933B - 一种基于机器视觉的汽车拉环锁扣铆合的检测方法 - Google Patents
一种基于机器视觉的汽车拉环锁扣铆合的检测方法 Download PDFInfo
- Publication number
- CN103955933B CN103955933B CN201410184659.7A CN201410184659A CN103955933B CN 103955933 B CN103955933 B CN 103955933B CN 201410184659 A CN201410184659 A CN 201410184659A CN 103955933 B CN103955933 B CN 103955933B
- Authority
- CN
- China
- Prior art keywords
- riveted
- draw ring
- circle
- gray level
- 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 78
- 238000006243 chemical reaction Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 239000000284 extract Substances 0.000 claims abstract 3
- 238000000034 method Methods 0.000 claims description 9
- 238000009825 accumulation Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000035508 accumulation Effects 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012372 quality testing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于机器视觉的汽车拉环锁扣铆合的检测方法。本发明包括如下步骤:步骤1.采集一张汽车拉环锁扣图像,具体通过CCD相机拍摄汽车拉环锁扣图像和将图像转换成灰度图像G;步骤2.汽车拉环锁扣图像预处理,对转换后的灰度图像G进行去噪和增强其对比度,生成预处理后的灰度图像G1;步骤3.通过灰度图像G1进行铆合检测,包括铆合参数和未铆合参数的检测,提取Hough累积值;步骤4.综合参数比较阶段:综合参数包括检测到的Hough累积值、圆的半径;步骤5.几何约束条件判断,利用检测到的两圆的圆心之间的间距和圆心之间的最大角度范围进行最终判断是否铆合。本发明能缩短检测时间,提高效率。
Description
技术领域
本发明属于机器视觉的技术领域,主要采用模糊策略和约束判断,涉及一种汽车拉环锁扣铆合的检测方法,尤其是一种基于机器视觉的汽车拉环锁扣铆合的检测方法。
背景技术
近年来,汽车配件行业大量采用自动化单机或生产线实现技术改造向现代化生产迈进,然而在质量检测与不达标产品的分拣上仍以人工检测为主的,但是方法存在很多缺点,例如:劳动强度大,工作效率低,主观依懒性强,易受检测人员技术素质、经验及疲劳等因素影响,无法充分保证汽车零部件的质量。而汽车行业对零部件的要求是极高的,要是一旦由于安全隐患引起汽车召回,将对企业利益产生不可估量的损害,甚至导致数以亿计的损失,更是成为人生命安全的一颗定时炸弹。
鉴于人工检测存在的一系列问题,汽车生产企业曾广泛使用过接触式的仪器检测,但这种传统的检测技术难以满足需要,因为汽车制造厂制造的产品种类越来越多,对质量和精度的要求也越来越高,并且大量的生产实践证明,例如金属表面上的缺陷如压坑、裂纹、划伤等其大小、深度与分布位置不确定,用接触式检测不仅难度较大,同时效率也是较低的。
目前汽车零件检测技术逐步向非接触检测、数字化检测、在线检测等方向发展,通过引入先进计算机视觉和检测技术,提高生产效率,降低生产成本,由于减少了人工参与,能更加有效的控制产品的加工质量,实现“零废品制造”,这是传统行业检测发展显著趋势。
考虑到现有的缺陷检测技术很难充分满足工业检测需求,而基于图像的机器视觉检测方法具有非接触、实时可靠,成本低、自动化程度高的优势,能为该问题的解决提供了良好的替代方案和解决思路。
本发明主要面向传统汽车行业的检测需求,以汽车拉门锁扣的质量检测为切入点,研究提高该零件的自动化检测水平,并逐步扩大机器视觉技术在汽车行业的应用,降低人工成本,更加有效的控制产品质量。
发明内容
本发明的目的是克服现存技术的不足之处,提供一种基于机器视觉的汽车拉环锁扣铆合的检测方法,其能实现汽车拉环锁扣是否铆合的自动检测,降低人工检测目测的工作量,提高检测的效率,安全而且可靠。
步骤1.采集一张汽车拉环锁扣图像,具体通过CCD相机拍摄汽车拉环锁扣图像和将图像转换成灰度图像G;
步骤2.汽车拉环锁扣图像预处理,对转换后的灰度图像G进行去噪和增强其对比度,生成预处理后的灰度图像G1;
步骤3.通过灰度图像G1进行铆合检测,包括铆合参数(大圆半径取值范围)和未铆合参数(小圆半径取值范围)的检测,提取Hough累积值;
步骤4.综合参数比较阶段:综合参数包括检测到的Hough累积值、圆的半径;
步骤5.几何约束条件判断,利用检测到的两圆的圆心之间的间距和圆心之间的最大角度范围进行最终判断是否铆合。
步骤1所述的汽车拉环锁扣图像采集,具体如下:
1-1、相机垂直于汽车拉环锁扣正上方,且相机正上方固定有光源;汽车拉环锁扣固定在水平导轨上;然后对待检测的汽车拉环锁扣进行图像采集;
1-2、通过加权平均法将采集到的汽车拉环锁扣图像转换成灰度图像G;灰度图像G的转换具体如下:
Gray=R×0.3+G×0.59+B×0.11
所述的对汽车拉环锁扣图像中的每一个像素点处理,就能将其转换成灰度图像G;其中R、G、B为一个像素点的值的基色分量;
步骤2所述的汽车拉环锁扣图像预处理,具体如下:
2-1、对获取到的灰度图像G进行图像预处理,通过中值滤波方法除去灰度图像G的噪声点;
2-1-1、选定5×5的邻域,将邻域内的像素按灰度等级进行排序,确定其中值;
2-1-2、将确定的中值赋予滤波后图像中的相应像素点,所述的相应像素点即进行中值滤波的那个像素点;
2-2、对去噪之后的灰度图像进行直方图均衡化,以增强图像对比度,得到预处理后的灰度图像G1;
2-2-1、对灰度图像G1统计其直方图,求解其灰度图像G1的概率;
Pr(rk)=nk/N
其中,Pr(rk)表示灰度图像G1中该灰度级rk出现的概率,N为灰度图像G1中像素的总数;nk为第k级灰度的像素;r为灰度级;rk为第k个灰度级,k=0、1、2、……255;
2-2-2、根据统计出的直方图,采用累积分布函数作变换,
其中,Sj为变换后得到的新图像G2的新灰度,j=0、1、2、……255,T()为一个单调递增的变换函数;
2-2-3、用新灰度Sj代替旧灰度rk,即对灰度图像G1的直方图进行修正,得到了新图像G2;
所述的新图像G2的灰度间距拉开或使灰度分布均匀,从而增大反差,使图像细节清晰,达到增强的目的。
步骤3所述的通过灰度图像G1进行铆合检测,通过设定的铆合参数和未铆合参数,分别获取铆合和未铆合识别参数,具体如下:
3-1、预先设定好铆合参数(大圆半径)和未铆合参数(小圆半径)的取值范围;
3-2、根据同一规格的汽车拉环锁扣的两个锁孔位置是一致的,同时由于外部的检测器材的位置是固定的,因此在新图像G2上根据锁孔位置划分出两个检测区域,使得这两个检测区域分别包含一个汽车拉环锁扣的锁扣位置。
3-3、计算两个检测区域内图像的梯度值;
3-3-1、设检测区域内图像上的某一点坐标为I(x,y),则检测区域内图像在该点I(x,y)的梯度值DI计算如下:
DI=Sqrt(Dx×Dx+Dy×Dy);
Dx=(I(x+1,y)-I(x-1,y))/2;
Dy=(I(x,y+1)-I(x,y-1))/2
考虑到图像的铆合部位比较亮,即灰度值比较高,因此梯度值DI进行优化,优化后的梯度值D如下:
D=a×DI+b×(I1-th)
其中a、b为比列系数,a=0.9,b=0.1,DI为之前计算的图像梯度值,I1为点I(x,y)的灰度,th为设定的灰度阈值;
对于I1-th小于等于0的,则点I(x,y)为边缘的可能性降低;
对于I1-th大于0的,则点I(x,y)为边缘的可能性增加;
当D值大于设定的某个阈值时,即选取此点作为Hough变换的对象,进行Hough累积值的提取统计;
所述的阈值经过检验证明,其取值在5-8范围之内为最佳的取值,阈值小于5则图像梯度不明显,会得到很多候选点,影响计算时间且降低精确度;阈值大于8则图像梯度虽然明显,但是得到的候选点数会少,同样精确性得不到保证。因此,取8作为梯度阈值,当D值大于8时,即选取此点作为Hough变换的对象,进行Hough累积值统计。
3-4、进行Hough变换,分别提取为铆合参数时的Hough累积值Accum1和Accum2,以及为未铆合参数时的Hough累积值accum1和accum2;若未能提取Hough累积值,则认为该霍夫累积值为0,表明该区域的图像未能有效检测;
3-5、同时考虑到图像的复杂性,金属存在反光和高光现象,且考虑到Hough变换之后,目标圆心点是一个Hough值较高的区域(即潜在的圆心点很多),所以采用低通滤波确定圆心的位置,并取得Hough累积值。
由于圆心点位置只存在于一个较小区域,因此可将该较小区域作为待滤波区域,以缩短检测时间,提高效率。该较小区域一般可选择最初确定的待检区域(矩形框)的中心,长宽分别为原始的目标区域的1/2和1/3即可;
(x-a)2+(y-b)2=r2
式中,(a,b)为圆形的圆心,r为圆形的半径,垂直于圆边界点的垂线最终会通过圆心。因此,如果沿圆的边缘画出每个边界点的垂线,就会在圆心上得到一个“亮点”(也就是众多垂线重叠的最厉害的地方)。
定义一个参数空间(a,b)空间,圆的边缘点对应的垂线就变成了(a,b)空间中的线段,参看图2,
边缘垂线段的表达式为A(i±a,j±b)←A(i±a,j±b)+E(i,j),式中,a=r sinθ,b=r cosθ;其中r∈(rmin,rmax)。(rmin,rmax)定义了圆半径的范围,(a,b)空间矩阵用A表示,E(i,j)表达了边缘的强度,该变换会在圆心处形成“亮点”,这就得到了圆心的可能值;
3-6、得到铆合参数的圆心坐标以及圆半径,和未铆合参数时的圆心坐标以及圆半径。
步骤4所述的综合参数比较,具体如下:
4-1、对基于步骤3所求的Hough累积值,按照一定的规则进行比较判断,所述的一定的规则具体如下:设置比列安全系数k(k一般大于1),根据如下公式作比较:
Accum>k×accum
其中,Accum为铆合参数检测值(大圆);accum为未铆合参数检测值(小圆),参看表格1
条件 | Accum1>k×accum1 | Accum1<k×accum1 |
Accum2>k×accum2 | 检测成功 | 检测失败 |
Accum2<k×accum2 | 检测失败 | 检测失败 |
如果得到的铆合参数(大圆)的Hough累积值和未铆合参数(小圆)的Hough累积值符合上述公式以及表1,则判定为铆合(两个区域均符合),反之,要是有一个不符合,则判断为未铆合,退出检测环节,即汽车拉环锁扣铆合检测失败,显示检测结果。
步骤5所述的的几何约束条件判断,具体如下:
5-1、将检测到的两锁孔的圆心坐标,分别记作(x1,y1)和(x2,y2),求取两锁孔的圆心距离d,根据公式:
5-2、判断是否符合约束条件,此约束条件是由用户根据自己对检测的准确率的要求程度来确定的,如果此几何约束条件符合,则进行下一项判断,否则判断汽车拉环锁扣铆合检测失败;
5-3、根据检测到的两锁孔的圆心坐标、两锁孔的圆心距离d以及三角函数公式,可求得圆心的角度θ:
若θ在3°以内,则符合几何约束条件,否则汽车拉环锁扣检测失败;
5-4、如果两个几何约束条件均满足,则判定汽车拉环锁铆合检测成功。
本发明的有益效果是:
1、由于产品本身凸凹不平,金属表面存在高光效应,影响检测,而本发明采用多种策略比较验证,基于HOUGH的多次检测。
2、考虑到图像的铆合部位比较亮,即灰度值比较高,本算针对此对最终的梯度值D的选取做了优化,即综合考虑了图像的灰度和自身的灰度。
3、由于圆心点位置只存在于一个较小区域,因此可将该较小区域作为待滤波区域,以缩短检测时间,提高效率。该较小区域一般可选择最初确定的待检区域(矩形框)的中心,长宽分别为原始的目标区域的1/2和1/3即可。
附图说明
图1为本发明检测装置示意图;
图2为(a,b)空间中的边缘垂线段示意图;
图3为本发明流程图。
具体实施方式
下面结合附图对本发明做进一步说明。
如图1、图2和图3所示,一种基于机器视觉的汽车拉环锁扣铆合的检测方法,具体包括如下步骤,参看图3:
步骤1.采集一张汽车拉环锁扣图像,具体通过CCD相机拍摄汽车拉环锁扣图像和将图像转换成灰度图像G;
步骤2.汽车拉环锁扣图像预处理,对转换后的灰度图像G进行去噪和增强其对比度,生成预处理后的灰度图像G1;
步骤3.通过灰度图像G1进行铆合检测,包括铆合参数(大圆半径取值范围)和未铆合参数(小圆半径取值范围)的检测,提取Hough累积值;
步骤4.综合参数比较阶段:综合参数包括检测到的Hough累积值、圆的半径;
步骤5.几何约束条件判断,利用检测到的两圆的圆心之间的间距和圆心之间的最大角度范围进行最终判断是否铆合。
步骤1所述的汽车拉环锁扣图像采集,具体如下,参看图1:
1-1、相机垂直于汽车拉环锁扣正上方,且相机正上方固定有光源;汽车拉环锁扣固定在水平导轨上;然后对待检测的汽车拉环锁扣进行图像采集;
1-2、通过加权平均法将采集到的汽车拉环锁扣图像转换成灰度图像G;灰度图像G的转换具体如下:
Gray=R×0.3+G×0.59+B×0.11
所述的对汽车拉环锁扣图像中的每一个像素点处理,就能将其转换成灰度图像G;其中R、G、B为一个像素点的值的基色分量;
步骤2所述的汽车拉环锁扣图像预处理,具体如下:
2-1、对获取到的灰度图像G进行图像预处理,通过中值滤波方法除去灰度图像G的噪声点;
2-1-1、选定5×5的邻域,将邻域内的像素按灰度等级进行排序,确定其中值;
2-1-2、将确定的中值赋予滤波后图像中的相应像素点,所述的相应像素点即进行中值滤波的那个像素点;
2-2、对去噪之后的灰度图像进行直方图均衡化,以增强图像对比度,得到预处理后的灰度图像G1;
2-2-1、对灰度图像G1统计其直方图,求解其灰度图像G1的概率;
Pr(rk)=nk/N
其中,Pr(rk)表示灰度图像G1中该灰度级rk出现的概率,N为灰度图像G1中像素的总数;nk为第k级灰度的像素;r为灰度级;rk为第k个灰度级,k=0、1、2、……255;
2-2-2、根据统计出的直方图,采用累积分布函数作变换,
其中,Sj为变换后得到的新图像G2的新灰度,j=0、1、2、……255,T()为一个单调递增的变换函数;
2-2-3、用新灰度Sj代替旧灰度rk,即对灰度图像G1的直方图进行修正,得到了新图像G2;
所述的新图像G2的灰度间距拉开或使灰度分布均匀,从而增大反差,使图像细节清晰,达到增强的目的。
步骤3所述的通过灰度图像G1进行铆合检测,通过设定的铆合参数和未铆合参数,分别获取铆合和未铆合识别参数,具体如下:
3-1、预先设定好铆合参数(大圆半径)和未铆合参数(小圆半径)的取值范围;
3-2、根据同一规格的汽车拉环锁扣的两个锁孔位置是一致的,同时由于外部的检测器材的位置是固定的,因此在新图像G2上根据锁孔位置划分出两个检测区域,使得这两个检测区域分别包含一个汽车拉环锁扣的锁扣位置。
3-3、计算两个检测区域内图像的梯度值;
3-3-1、设检测区域内图像上的某一点坐标为I(x,y),则检测区域内图像在该点I(x,y)的梯度值DI计算如下:
DI=Sqrt(Dx×Dx+Dy×Dy);
Dx=(I(x+1,y)-I(x-1,y))/2;
Dy=(I(x,y+1)-I(x,y-1))/2
考虑到图像的铆合部位比较亮,即灰度值比较高,因此梯度值DI进行优化,优化后的梯度值D如下:
D=a×DI+b×(I1-th)
其中a、b为比列系数,a=0.9,b=0.1,DI为之前计算的图像梯度值,I1为点I(x,y)的灰度,th为设定的灰度阈值;
对于I1-th小于等于0的,则点I(x,y)为边缘的可能性降低;
对于I1-th大于0的,则点I(x,y)为边缘的可能性增加;
当D值大于设定的某个阈值时,即选取此点作为Hough变换的对象,进行Hough累积值的提取统计;
所述的阈值经过检验证明,其取值在5-8范围之内为最佳的取值,阈值小于5则图像梯度不明显,会得到很多候选点,影响计算时间且降低精确度;阈值大于8则图像梯度虽然明显,但是得到的候选点数会少,同样精确性得不到保证。因此,取8作为梯度阈值,当D值大于8时,即选取此点作为Hough变换的对象,进行Hough累积值统计。
3-4、进行Hough变换,分别提取为铆合参数时的Hough累积值Accum1和Accum2,以及为未铆合参数时的Hough累积值accum1和accum2;若未能提取Hough累积值,则认为该霍夫累积值为0,表明该区域的图像未能有效检测;
3-5、同时考虑到图像的复杂性,金属存在反光和高光现象,且考虑到Hough变换之后,目标圆心点是一个Hough值较高的区域(即潜在的圆心点很多),所以采用低通滤波确定圆心的位置,并取得Hough累积值。
由于圆心点位置只存在于一个较小区域,因此可将该较小区域作为待滤波区域,以缩短检测时间,提高效率。该较小区域一般可选择最初确定的待检区域(矩形框)的中心,长宽分别为原始的目标区域的1/2和1/3即可;
(x-a)2+(y-b)2=r2
式中,(a,b)为圆形的圆心,r为圆形的半径,垂直于圆边界点的垂线最终会通过圆心。因此,如果沿圆的边缘画出每个边界点的垂线,就会在圆心上得到一个“亮点”(也就是众多垂线重叠的最厉害的地方)。
参看图2,定义一个参数空间(a,b)空间,圆的边缘点对应的垂线就变成了(a,b)空间中的线段,参看图2,
边缘垂线段的表达式为A(i±a,j±b)←A(i±a,j±b)+E(i,j),式中,a=r sinθ,b=r cosθ;其中r∈(rmin,rmax)。(rmin,rmax)定义了圆半径的范围,(a,b)空间矩阵用A表示,E(i,j)表达了边缘的强度,该变换会在圆心处形成“亮点”,这就得到了圆心的可能值;
3-6、得到铆合参数的圆心坐标以及圆半径,和未铆合参数时的圆心坐标以及圆半径。
步骤4所述的综合参数比较,具体如下:
4-1、对基于步骤3所求的Hough累积值,按照一定的规则进行比较判断,所述的一定的规则具体如下:设置比列安全系数k(k一般大于1),根据如下公式作比较:
Accum>k×accum
其中,Accum为铆合参数检测值(大圆);accum为未铆合参数检测值(小圆),参看表格2
条件 | Accum1>k×accum1 | Accum1<k×accum1 |
Accum2>k×accum2 | 检测成功 | 检测失败 |
Accum2<k×accum2 | 检测失败 | 检测失败 |
如果得到的铆合参数(大圆)的Hough累积值和未铆合参数(小圆)的Hough累积值符合上述公式以及表2,则判定为铆合(两个区域均符合),反之,要是有一个不符合,则判断为未铆合,退出检测环节,即汽车拉环锁扣铆合检测失败,显示检测结果。
步骤5所述的的几何约束条件判断,具体如下:
5-1、将检测到的两锁孔的圆心坐标,分别记作(x1,y1)和(x2,y2),求取两锁孔的圆心距离d,根据公式:
5-2、判断是否符合约束条件,此约束条件是由用户根据自己对检测的准确率的要求程度来确定的,如果此几何约束条件符合,则进行下一项判断,否则判断汽车拉环锁扣铆合检测失败;
5-3、根据检测到的两锁孔的圆心坐标、两锁孔的圆心距离d以及三角函数公式,可求得圆心的角度θ:
若θ在3°以内,则符合几何约束条件,否则汽车拉环锁扣检测失败;
5-4、如果两个几何约束条件均满足,则判定汽车拉环锁铆合检测成功。
Claims (4)
1.一种基于机器视觉的汽车拉环锁扣铆合的检测方法,其特征在于包括如下步骤:
步骤1.采集一张汽车拉环锁扣图像,具体通过CCD相机拍摄汽车拉环锁扣图像和将图像转换成灰度图像G;
步骤2.汽车拉环锁扣图像预处理,对转换后的灰度图像G进行去噪和增强其对比度,生成预处理后的灰度图像G1;
步骤3.通过灰度图像G1进行铆合检测,包括铆合参数和未铆合参数的检测,提取Hough累积值;
步骤4.综合参数比较阶段:综合参数包括检测到的Hough累积值、圆的半径;
步骤5.几何约束条件判断,利用检测到的两圆的圆心之间的间距和圆心之间的最大角度范围进行最终判断是否铆合;
步骤1所述的汽车拉环锁扣图像采集,具体如下:
1-1、相机垂直于汽车拉环锁扣正上方,且相机正上方固定有光源;汽车拉环锁扣固定在水平导轨上;然后对待检测的汽车拉环锁扣进行图像采集;
1-2、通过加权平均法将采集到的汽车拉环锁扣图像转换成灰度图像G;灰度图像G的转换具体如下:
Gray=R×0.3+G×0.59+B×0.11
对汽车拉环锁扣图像中的每一个像素点处理,就能将其转换成灰度图像G;其中R、G、B为一个像素点的值的基色分量;
步骤2所述的汽车拉环锁扣图像预处理,具体如下:
2-1、对获取到的灰度图像G进行图像预处理,通过中值滤波方法除去灰度图像G的噪声点;
2-1-1、选定5×5的邻域,将邻域内的像素按灰度等级进行排序,确定其中值;
2-1-2、将确定的中值赋予滤波后图像中的相应像素点,所述的相应像素点即进行中值滤波的那个像素点;
2-2、对去噪之后的灰度图像进行直方图均衡化,以增强图像对比度,得到预处理后的灰度图像G1;
2-2-1、对灰度图像G1统计直方图,求解灰度图像G1的概率;
Pr(rk)=nk/N
其中,Pr(rk)表示灰度图像G1中灰度级rk出现的概率,N为灰度图像G1中像素的总数;nk为第k级灰度的像素;r为灰度级;rk为第k个灰度级,k=0、1、2、……255;
2-2-2、根据统计出的直方图,采用累积分布函数作变换,
<mrow>
<msub>
<mi>S</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mi>T</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>255</mn>
</munderover>
<msub>
<mi>P</mi>
<mi>r</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中,Sj为变换后得到的新图像G2的新灰度,j=0、1、2、……255,T()为一个单调递增的变换函数;
2-2-3、用新灰度Sj代替旧灰度rk,即对灰度图像G1的直方图进行修正,得到了新图像G2;
步骤3所述的通过灰度图像G1进行铆合检测,通过设定的铆合参数和未铆合参数,分别获取铆合和未铆合识别参数,具体如下:
3-1、预先设定好铆合参数和未铆合参数的取值范围;
3-2、根据同一规格的汽车拉环锁扣的两个锁孔位置是一致的,同时由于外部的检测器材的位置是固定的,因此在新图像G2上根据锁孔位置划分出两个检测区域,使得这两个检测区域分别包含一个汽车拉环锁扣的锁扣位置;
3-3、计算两个检测区域内图像的梯度值;
3-3-1、设检测区域内图像上的某一点坐标为I(x,y),则检测区域内图像在该点I(x,y)的梯度值DI计算如下:
DI=Sqrt(Dx×Dx+Dy×Dy);
Dx=(I(x+1,y)-I(x-1,y))/2;
Dy=(I(x,y+1)-I(x,y-1))/2;
其中,Dx和Dy分别为点I(x,y)在X方向和Y方向的灰度梯度;
对梯度值DI进行优化,优化后的梯度值D如下:
D=a*DI+b*(I1-th),
D=a×DI+b×(I1-th)
其中a、b为比列系数,a=0.9,b=0.1,DI为之前计算的图像梯度值,I1为点I(x,y)的灰度,th为设定的灰度阈值;
对于I1-th小于等于0的,则点I(x,y)为边缘的可能性降低;
对于I1-th大于0的,则点I(x,y)为边缘的可能性增加;
当D值大于设定的边缘阈值时,即选取此点作为Hough变换的对象,进行Hough累积值的提取统计;
3-4、进行Hough变换,分别提取为铆合参数时的Hough累积值Accum1和Accum2,以及为未铆合参数时的Hough累积值accum1和accum2;若未能提取Hough累积值,则认为该Hough累积值为0,表明该区域的图像未能有效检测;
3-5、采用低通滤波确定圆心的位置,并取得Hough累积值;
由于圆心点位置只存在于一个较小区域,因此将该较小区域作为待滤波区域,该较小区域为最初确定的待检区域的中心,长宽分别为原始的目标区域的1/2和1/3即可;
(x-a)2+(y-b)2=r2
式中,(a,b)为圆形的圆心,r为圆形的半径,垂直于圆边界点的垂线最终会通过圆心;
定义一个参数空间(a,b)空间,圆的边缘点对应的垂线就变成了参数空间(a,b)中的线段;
边缘垂线段的表达式为A(i±a,j±b)←A(i±a,j±b)+E(i,j),式中,a=rsinθ,b=rcosθ,其中r∈(rmin,rmax);(rmin,rmax)定义了圆半径的范围,参数空间(a,b)用A表示,E(i,j)表达了边缘的强度,该变换会在圆心处形成“亮点”,从而得到了圆心的可能值;
3-6、得到铆合参数的圆心坐标以及圆半径,和未铆合参数时的圆心坐标以及圆半径。
2.如权利要求1所述的一种基于机器视觉的汽车拉环锁扣铆合的检测方法,其特征在于步骤4所述的综合参数比较,具体如下:
4-1、对基于步骤3所求的Hough累积值,按照一定的规则进行比较判断,所述的一定的规则具体如下:设置比列安全系数k,根据如下公式作比较:
Accum>k×accum
其中,Accum为铆合参数检测值;accum为未铆合参数检测值,条件1:Accum1/accum1>k;条件2:Accum2/accum2>k
当两个条件同时满足,可确认为合格品,否则为次品,如下表1所示:
如果得到的铆合参数的Hough累积值和未铆合参数的Hough累积值符合上述公式以及表1,则判定为铆合,反之,要是有一个不符合,则判断为未铆合,退出检测环节,即汽车拉环锁扣铆合检测失败,显示检测结果。
3.如权利要求1所述的一种基于机器视觉的汽车拉环锁扣铆合的检测方法,其特征在于步骤5所述的几何约束条件判断,具体如下:
5-1、将检测到的两锁孔的圆心坐标,分别记作(x1,y1)和(x2,y2),求取两锁孔的圆心距离d,根据公式:
<mrow>
<mi>d</mi>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
5-2、判断是否符合几何约束条件,此几何约束条件是由用户根据自己对检测的准确率的要求程度来确定的,如果此几何约束条件符合,则进行下一项判断,否则判断汽车拉环锁扣铆合检测失败;
5-3、根据检测到的两锁孔的圆心坐标、两锁孔的圆心距离d以及三角函数公式,可求得圆心的角度θ:
<mrow>
<mi>&theta;</mi>
<mo>=</mo>
<mi>arcsin</mi>
<mfrac>
<mrow>
<msub>
<mi>y</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mn>1</mn>
</msub>
</mrow>
<mi>d</mi>
</mfrac>
</mrow>
若θ在3°以内,则符合几何约束条件,否则汽车拉环锁扣检测失败;
5-4、如果两个几何约束条件均满足,则判定汽车拉环锁铆合检测成功。
4.根据权利要求1所述的一种基于机器视觉的汽车拉环锁扣铆合的检测方法,其特征在于当所述的边缘阈值为8,即当D值大于8时,选取此点作为Hough变换的对象,进行Hough累积值统计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410184659.7A CN103955933B (zh) | 2014-04-30 | 2014-04-30 | 一种基于机器视觉的汽车拉环锁扣铆合的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410184659.7A CN103955933B (zh) | 2014-04-30 | 2014-04-30 | 一种基于机器视觉的汽车拉环锁扣铆合的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103955933A CN103955933A (zh) | 2014-07-30 |
CN103955933B true CN103955933B (zh) | 2017-10-13 |
Family
ID=51333202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410184659.7A Active CN103955933B (zh) | 2014-04-30 | 2014-04-30 | 一种基于机器视觉的汽车拉环锁扣铆合的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103955933B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106767425B (zh) * | 2016-11-07 | 2019-07-26 | 无锡市莱科自动化科技有限公司 | 一种轴承卡簧豁口的视觉测量方法 |
CN106680287B (zh) * | 2016-12-28 | 2020-07-03 | 无锡浩远视觉科技有限公司 | 一种轴承铆钉台阶缺陷的视觉检测方法 |
CN108492293B (zh) * | 2018-03-22 | 2021-11-26 | 东南大学 | 一种基于图像的汽车轮毂钢套检测方法 |
CN109931892B (zh) * | 2019-03-30 | 2021-03-05 | 廊坊华安汽车装备有限公司 | 一种碳罐卡扣结构检测方法 |
CN111476624B (zh) * | 2020-03-02 | 2021-04-13 | 拉扎斯网络科技(上海)有限公司 | 信息推送方法、装置及设备、带有标识的卡扣 |
CN118050374B (zh) * | 2024-04-16 | 2024-07-12 | 昆山精诚得精密五金模具有限公司 | 基于机器视觉的新能源汽车配件检测方法及检测*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5556159A (en) * | 1992-07-03 | 1996-09-17 | Bertrand Faure Automobile "Bfa" | Devices for locking the adjustable components of vehicle seats in position in the event of a shock |
CN101150077A (zh) * | 2007-10-31 | 2008-03-26 | 无锡凯尔科技有限公司 | 影像传感器的免smt封装方法 |
-
2014
- 2014-04-30 CN CN201410184659.7A patent/CN103955933B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5556159A (en) * | 1992-07-03 | 1996-09-17 | Bertrand Faure Automobile "Bfa" | Devices for locking the adjustable components of vehicle seats in position in the event of a shock |
CN101150077A (zh) * | 2007-10-31 | 2008-03-26 | 无锡凯尔科技有限公司 | 影像传感器的免smt封装方法 |
Non-Patent Citations (1)
Title |
---|
塑料铆接缝隙图像检测***的研究;任子真等;《微型机与应用》;20130210;第32卷(第3期);第32-34页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103955933A (zh) | 2014-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103955933B (zh) | 一种基于机器视觉的汽车拉环锁扣铆合的检测方法 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
US10803573B2 (en) | Method for automated detection of defects in cast wheel products | |
CN102854191B (zh) | 高速铁轨表面缺陷的实时视觉检测与识别方法 | |
CN111079747B (zh) | 铁路货车转向架侧架断裂故障图像识别方法 | |
CN109682839B (zh) | 一种金属弧形工件表面缺陷在线检测方法 | |
CN109872300B (zh) | 一种摩擦片外观缺陷的视觉显著性检测方法 | |
CN101799434B (zh) | 一种印刷图像缺陷检测方法 | |
CN105046700B (zh) | 基于亮度校正与颜色分类的水果表面缺陷检测方法及*** | |
CN109490316A (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
CN107618533A (zh) | 一种钢轨表面离散缺陷的机器视觉检测装置及方法 | |
WO2021168733A1 (zh) | 缺陷图像的缺陷检测方法、装置及计算机可读存储介质 | |
CN107610104A (zh) | 一种基于机器视觉的电梯补偿链r处裂纹检测方法 | |
CN106680287A (zh) | 一种轴承铆钉台阶缺陷的视觉检测方法 | |
CN109239073B (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
CN104574418A (zh) | 基于神经网络的压力容器焊缝缺陷识别方法及其装置 | |
CN107292879B (zh) | 一种基于图像分析的金属板材表面异常检测方法 | |
CN107016394B (zh) | 一种交叉纤维特征点匹配方法 | |
CN102129685B (zh) | 一种基于高斯金字塔分解的不规则圆检测方法 | |
Chen et al. | Evaluating fabric pilling with light-projected image analysis | |
CN106546185A (zh) | 一种基于机器视觉检测的轮廓质量检测方法 | |
Chen et al. | Fourier-transform-based method for automated steel bridge coating defect recognition | |
CN105445222A (zh) | 一种利用近红外高光谱图像识别涂料的方法 | |
CN115880280A (zh) | 一种钢结构焊缝质量的检测方法 | |
Ping et al. | Whole surface defect detection method for bearing rings based on machine vision |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |