CN106546185B - 一种基于机器视觉检测的轮廓质量检测方法 - Google Patents
一种基于机器视觉检测的轮廓质量检测方法 Download PDFInfo
- Publication number
- CN106546185B CN106546185B CN201610905837.XA CN201610905837A CN106546185B CN 106546185 B CN106546185 B CN 106546185B CN 201610905837 A CN201610905837 A CN 201610905837A CN 106546185 B CN106546185 B CN 106546185B
- Authority
- CN
- China
- Prior art keywords
- profile
- point
- machine vision
- method based
- quality determining
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于机器视觉检测的轮廓质量检测方法;从采集的标准件图片中提取标准轮廓;从测试图中提取检测轮廓;将检测轮廓与标准轮廓对齐,之后对比,得到检测结果;具有非接触式测量检测,识别速度快、设备占用率低、需配置的操作人员较少、生产耗时较少。
Description
技术领域
本发明涉及一种基于机器视觉检测的轮廓质量检测方法。
背景技术
随着自动化行业的发展,对产品的质量要求越来越高,所以使得产品的轮廓质量检测也越来越重要;目前自动化行业轮廓质量检测主要是人工检测和接触式检测为主,这两种检测方式都各有缺点;其中,人工检测对于人眼长时间工作在高光源下工作,极易疲劳,容易误判和漏判;并且由于每个人对标准的认识程度和理解程度不同,主观判断的标准不一;其检测的工作量大、重复性高,对人眼的伤害严重;而接触式检测主要是测量仪关节臂和三坐标等仪器测量,首先这类仪器对一些异性不规则的产品无法精确测量,其次接触式测量方式是逐点测量,其测量速度慢;而且由于仪器的规格限制,无法测量小于探头直径的空的轮廓;最后仪器的精度直接影响到检测精度,所以仪器必须经常校准和更换测头,导致费时又耗成本。
发明内容
本发明要解决的技术问题,在于提供一种基于机器视觉检测的轮廓质量检测方法,具有非接触式测量检测,识别速度快、设备占用率低、需配置的操作人员较少、生产耗时较少。
本发明是这样实现的:一种基于机器视觉检测的轮廓质量检测方法,包括如下步骤:
步骤1、从采集的标准件图片中提取标准轮廓;
步骤2、从测试图中提取检测轮廓;
步骤3、将检测轮廓与标准轮廓对齐,之后对比,得到检测结果。
进一步地,所述步骤1中标准件图片需要预处理操作使轮廓特征更加明显。
进一步地,所述步骤1中提取标准轮廓的方法具体如下:
步骤11、将标准图片中每个像素点经过梯度计算得到每个像素点的X和Y方向上的梯度,根据梯度通过非最大值抑制算法得到边缘点图;
步骤12、从边缘点图中任意选取一点作为起始点,搜索所述起始点周围的八个像素点,
若这八个像素点中仅一个像素点内设有边缘点,
则将其与起始点连接,并搜索该边缘点的周围七个像素点,若七个像素点内仅有一个设有边缘点,则进行连接;否,则停止,完成边缘点连接,并重新选取一点作为起始点;
否,则停止,完成边缘点连接,重新选取一点作为起始点;
步骤13、完成所有点的连接,形成至少一个轮廓;将轮廓之间进行连接,形成完整闭合的标准轮廓,并将其他轮廓删除。
进一步地,所述步骤13中,轮廓进行连接需要同时满足以下三个条件:
条件1、判断两个轮廓端点之间的距离,若在限定范围内,则将两个轮廓端点连接;否,则不连接;
条件2、判断两个轮廓端点的梯度值的差值,若在限定范围内,则将两个轮廓端点连接;否,则不连接;
条件3、判断两个轮廓在端点处切线的角度值,若角度值大于零且小于限定值,则将两个轮廓连接;
若角度值等于零,则计算两条切线距离,若小于限定值,则将两个轮廓连接;否,则不连接;
若角度值大于限定值,则不连接。
进一步地,所述步骤2中提取检测轮廓的方法与所述步骤1中提取标准轮廓的方法相同。
进一步地,所述步骤3进一步具体为:将检测轮廓与标准轮廓进行金字塔图像缩放后进行对齐,之后将检测轮廓与标准轮廓恢复原来大小并再进行对齐,之后将检测轮廓中的边缘点与标准轮廓中的边缘点之间的距离进行计算,最终得到检测结果。
本发明具有如下优点:本发明一种基于机器视觉检测的轮廓质量检测方法,可以快速准确地检测产品轮廓质量,并且适用于大型零件和异型产品的轮廓质量检测额,具有非接触式测量检测,识别速度快、设备占用率低、需配置的操作人员较少、生产耗时较少;促进了行业朝着自动化程度和生产效率更高的方向发展。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明方法执行流程图。
图2为本发明一种具体实施方式的流程图。
具体实施方式
如图1所示,本发明基于机器视觉检测的轮廓质量检测方法,包括如下步骤:
步骤1、从采集的标准件图片中提取标准轮廓,所述提取标准轮廓的方法具体如下:
步骤11、将标准图片中每个像素点经过梯度计算得到每个像素点的X和Y方向上的梯度,根据梯度通过非最大值抑制算法得到边缘点图;
步骤12、从边缘点图中任意选取一点作为起始点,搜索所述起始点周围的八个像素点,
若这八个像素点中仅一个像素点内设有边缘点,
则将其与起始点连接,并搜索该边缘点的周围七个像素点,若七个像素点内仅有一个设有边缘点,则进行连接;否,则停止,完成边缘点连接,并重新选取一点作为起始点;
否,则停止,完成边缘点连接,重新选取一点作为起始点;
步骤13、完成所有点的连接,形成至少一个轮廓;将轮廓之间进行连接,形成完整闭合的标准轮廓,并将其他轮廓删除,所述轮廓进行连接需要同时满足以下三个条件:
条件1、判断两个轮廓端点之间的距离,若在限定范围内,则将两个轮廓端点连接;否,则不连接;
条件2、判断两个轮廓端点的梯度值的差值,若在限定范围内,则将两个轮廓端点连接;否,则不连接;
条件3、判断两个轮廓在端点处切线的角度值,若角度值大于零且小于限定值,则将两个轮廓连接;
若角度值等于零,则计算两条切线距离,若小于限定值,则将两个轮廓连接;否,则不连接;
若角度值大于限定值,则不连接;
步骤2、从测试图中提取检测轮廓,所述提取检测轮廓的方法与步骤1中提取标准轮廓的方法相同;
步骤3、将检测轮廓与标准轮廓进行金字塔图像缩放后进行对齐,之后将检测轮廓与标准轮廓恢复原来大小并再进行对齐,之后将检测轮廓中的边缘点与标准轮廓中的边缘点之间的距离进行计算,最终得到检测结果。
如图2所示,本发明一种具体实施方式:
本发明提供一种基于机器视觉检测的轮廓质量检测方法,首先检测机先接收一张或数张同一状态下的标准件产品的图像,可以预先通过一些图像处理,例如灰度滤波器等来减小环境干扰,经过边缘检测器后得到图像上的所有边缘,追踪得到其中所有轮廓,并过滤掉其中无关的边缘,只保留所需要的标准产品的轮廓,作为产品检测的标准模板;然后实际产品的检测过程,检测机接受被检测产品的图像,同样算法提取被检测产品的轮廓,将被检测产品的轮廓和标准产品的轮廓进行比较,计算本检测产品边缘到标准产品边缘的距离,作为采集图的玻璃与标准件玻璃的误差;这样既可实现被检测产品的轮廓质量检测。
本发明的重点轮廓提取算法是通过忽略背景和目标内部的纹理以及噪声干扰的影响,获取图像的***轮廓特征的方法。具体表现根据被检测物体边界的连通性,按照边界像素的分布顺序,首先找到被提取图像轮廓上任意一点作为起始点,并且从这个起始点出发,沿着一个方向,对该点领域进行搜索,不断地找到被检测图像下一个轮廓边界点,最终得到完整的轮廓区域。
本发明轮廓在线质量检测的工作机制流程可分成两部分,一是标准件模板建立流程,二是将被检测产品与标准件比对检测,实现产品轮廓的自动检测:
标准件模板建立流程:
预先采集一张标准件的图片,首先进行预处理的操作(如高斯滤波器来去除噪声,高亮卷积来加强边缘部分的信息,形态学去除小物体等);然后经过梯度计算后,可以分别得到在X和Y方向上的梯度,通过非最大值抑制的方式,可以保证能够得到单像素的边缘点图。
选取图像上任意一个边缘点作为起始点,依照顺序搜索起始点周围的八个点,如果这其中还有边缘点的话,就将这一个点作为下一次搜索的起始点,继续搜索。重复这个过程,直到没有点可以加入或者轮廓闭合为止。至此完成了轮廓跟踪的整个过程。
在轮廓跟踪的过程中,很可能会遇到某一个点是两条轮廓线的交点,此时如果不注意搜索的顺序就很容易得到错误的轮廓。在搜索的过程中,当碰到某个点是两条轮廓线的交点的时候,将会停止这条轮廓搜索的过程。
当通过上面的过程之后,可能会得到的是许多条的轮廓,这些轮廓中包含了几种类型,一条完整的轮廓,一条完整的轮廓被分成了几段。所以需要进行轮廓的连接,在进行每一段轮廓的连接过程中,有几个重要的参数作为基本的连接准则。其一是轮廓端点的距离,如果两条轮廓的端点距离过远的话,可以认为这两条轮廓线是不可能连接在一起。其二是轮廓端点的梯度方向,梯度方向包含了轮廓边缘点的切线方向信息,所以一般情况下不会产生较大的突变,也不会出现反转,比如由从亮到暗突变为从暗到亮等。其三是轮廓的端点部分的角度信息,通过选取轮廓端点附近几个点的进行拟合直线来估计轮廓端点的方向信息,如果两条轮廓可以相连的话,在端点附近的角度差值应该相差180度左右,这样可以有效的避免了平行直线之间的互连。最后是轮廓端点到另一条轮廓线的距离,理论上的两点轮廓线属于同一个轮廓,意味着这条轮廓的端点应该位于另一条轮廓线的延长线上,在实际中由于各种影响,并不会严格的位于反向延长线上,但是也应处于一定的容差范围内。
根据上面的四个准则,可以进行将绝大多数的轮廓进行连接,在实际应用中,由于环境复杂,所以很难保证有一组参数能适合所有的情况。利用上面的四个准则后可以连接绝大多数轮廓,对于剩下的轮廓中,如果有一条轮廓可以与其他多条轮廓相连,我们依据两个原则来进行连接,其一保证轮廓的闭合性,因为绝大多数情况下的轮廓都是闭合的,所以我们会优先选择将轮廓连结成闭合轮廓。其二尽可能的延长轮廓,保证轮廓尽可能的长能够充分有效的保留所需要的轮廓的信息。
进行完轮廓跟踪与轮廓连接后,将会进行轮廓的过滤,通过一定的过滤准则,包括但不限于轮廓的长度(去除过多的杂边),轮廓的梯度强度(去除较弱的轮廓)等。从而留下所需要的轮廓。
提取完所需要的轮廓之后,通过亚像素精度的边缘提取,可以得到物体的精确的边缘位置。
被检测产品与标准件比对检测流程:
采集得到所要比对的图片,经过与标准件类似的过程,可以得到所需的要比较的轮廓。
几何匹配,基于梯度的方向和边缘信息,可以不受旋转缩放平移的干扰,受光照的影响极小,而且因为所采用比较的边缘是属于亚像素精度,所以能够保证几何匹配的精度在极小的范围内,充分保证了结果的精确性和稳定性。通过几何匹配之后,可以得到标准件与所需比较的物体的位姿变化(旋转,平移,缩放)。
几何匹配的算法主要比较通过比较标准点的梯度方向和所采集的点的梯度方向的差异作为评判的标准。通过量化遍历图像中的所有位姿,得到所有位姿的匹配分数。如在一张300*500的图像中,以每一次步进1度为例,则需遍历300*500*360次。在实际应用中,为了保证运行的速度,往往需要对图像进行金字塔缩放,每一层金字塔缩放后图像大小减小1/4,并且旋转步进可以增大1倍。上例进行一次缩放后则只需进行150*250*180次遍历。根据模板轮廓的特性确定合理的金字塔层数,可以大大加快算法的运行速度。在每一层的金字塔的位姿确立后,需要映射到下一层。如在某一层的平移为20*20,角度为50度,则到下一层后的平移为40*40,角度仍为50度。通过搜索该位姿的邻域范围确定更精确的位置,如此重复,直到映射到最底层。
最后通过计算从标准件的轮廓到要比较的轮廓之间的距离,可以得到两条轮廓之间的差异,由于实际采集图的关系,可能会造成轮廓点之间距离的突变。所以在计算完轮廓点之间的距离后,要经过一定的处理。主要包括以下两步,首先抑制轮廓距离突变的点,由于轮廓本身的连续性,轮廓距离的变化都是渐变的过程,不可能造成轮廓距离的突变,所以对于轮廓距离的突变,可以认为是受到了噪点等干扰因素的影响,应当进行抑制,其二对于轮廓距离进行与上下几个点距离点进行平滑,可以防止出现的受各种因素干扰而造成的某一段轮廓距离的上下波动,使其结果呈现出较为平滑的特性。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (5)
1.一种基于机器视觉检测的轮廓质量检测方法,其特征在于:包括如下步骤:
步骤1、从采集的标准件图片中提取标准轮廓,所述提取标准轮廓的方法具体如下:
步骤11、将标准图片中每个像素点经过梯度计算得到每个像素点的X和Y方向上的梯度,根据梯度通过非最大值抑制算法得到边缘点图;
步骤12、从边缘点图中任意选取一点作为起始点,搜索所述起始点周围的八个像素点,
若这八个像素点中仅一个像素点内设有边缘点,
则将其与起始点连接,并搜索该边缘点的周围七个像素点,若七个像素点内仅有一个设有边缘点,则进行连接;否,则停止,完成边缘点连接,并重新选取一点作为起始点;
否,则停止,完成边缘点连接,重新选取一点作为起始点;
步骤13、完成所有点的连接,形成至少一个轮廓;将轮廓之间进行连接,形成完整闭合的标准轮廓,并将其他轮廓删除;
步骤2、从测试图中提取检测轮廓;
步骤3、将检测轮廓与标准轮廓对齐,之后对比,得到检测结果。
2.根据权利要求1所述的一种基于机器视觉检测的轮廓质量检测方法,其特征在于:所述步骤1中标准件图片需要预处理操作使轮廓特征更加明显。
3.如权利要求1所述的一种基于机器视觉检测的轮廓质量检测方法,其特征在于:所述步骤13中,轮廓进行连接需要同时满足以下三个条件:
条件1、判断两个轮廓端点之间的距离,若在限定范围内,则将两个轮廓端点连接;否,则不连接;
条件2、判断两个轮廓端点的梯度值的差值,若在限定范围内,则将两个轮廓端点连接;否,则不连接;
条件3、判断两个轮廓在端点处切线的角度值,若角度值大于零且小于限定值,则将两个轮廓连接;
若角度值等于零,则计算两条切线距离,若小于限定值,则将两个轮廓连接;否,则不连接;
若角度值大于限定值,则不连接。
4.如权利要求3所述的一种基于机器视觉检测的轮廓质量检测方法,其特征在于:所述步骤2中提取检测轮廓的方法与所述步骤1中提取标准轮廓的方法相同。
5.如权利要求1所述的一种基于机器视觉检测的轮廓质量检测方法,其特征在于:所述步骤3进一步具体为:将检测轮廓与标准轮廓进行金字塔图像缩放后进行对齐,之后将检测轮廓与标准轮廓恢复原来大小并再进行对齐,之后将检测轮廓中的边缘点与标准轮廓中的边缘点之间的距离进行计算,最终得到检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610905837.XA CN106546185B (zh) | 2016-10-18 | 2016-10-18 | 一种基于机器视觉检测的轮廓质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610905837.XA CN106546185B (zh) | 2016-10-18 | 2016-10-18 | 一种基于机器视觉检测的轮廓质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106546185A CN106546185A (zh) | 2017-03-29 |
CN106546185B true CN106546185B (zh) | 2019-09-20 |
Family
ID=58369018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610905837.XA Active CN106546185B (zh) | 2016-10-18 | 2016-10-18 | 一种基于机器视觉检测的轮廓质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106546185B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107462204B (zh) * | 2017-09-21 | 2019-05-31 | 武汉武大卓越科技有限责任公司 | 一种三维路面标准轮廓提取方法及*** |
CN107748897B (zh) * | 2017-10-30 | 2021-06-29 | 南京工业大学 | 基于模式识别的大尺寸弯曲零件轮廓度质量检测方法 |
CN111230862B (zh) * | 2020-01-10 | 2021-05-04 | 上海发那科机器人有限公司 | 一种基于视觉识别功能的手持工件去毛刺方法和*** |
CN113175879B (zh) * | 2021-03-25 | 2023-06-16 | 苏州三环科技有限公司 | 一种尖嘴陶瓷柱t面检测方法、装置、设备及介质 |
CN114485399B (zh) * | 2022-01-20 | 2024-05-31 | 蓝思***集成有限公司 | 一种尺寸检测***及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714538A (zh) * | 2013-12-20 | 2014-04-09 | 中联重科股份有限公司 | 道路边缘检测方法、装置及车辆 |
CN105509653A (zh) * | 2015-11-30 | 2016-04-20 | 广州超音速自动化科技股份有限公司 | 机械零件轮廓度视觉测量方法及*** |
CN106030775A (zh) * | 2014-02-25 | 2016-10-12 | 科磊股份有限公司 | 使用轮廓剪影图像的自动化在线检验和计量 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012036725A1 (en) * | 2010-09-13 | 2012-03-22 | Sinclair Systems International, Llc | Vision recognition system for produce labeling |
CN102999886B (zh) * | 2012-10-31 | 2016-01-13 | 长春光机数显技术有限责任公司 | 图像边缘检测器及标尺光栅栅线精度检测*** |
ES2573629T3 (es) * | 2013-01-21 | 2016-06-09 | Kapsch Trafficcom Ag | Procedimiento para medir un perfil de altura de un vehículo que pasa por una carretera |
CN103697815B (zh) * | 2014-01-15 | 2017-03-01 | 西安电子科技大学 | 基于相位编码的混频结构光三维信息获取方法 |
CN104376319B (zh) * | 2014-10-22 | 2018-03-23 | 西安工程大学 | 一种基于各向异性高斯核提取封闭边缘图像轮廓的方法 |
-
2016
- 2016-10-18 CN CN201610905837.XA patent/CN106546185B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714538A (zh) * | 2013-12-20 | 2014-04-09 | 中联重科股份有限公司 | 道路边缘检测方法、装置及车辆 |
CN106030775A (zh) * | 2014-02-25 | 2016-10-12 | 科磊股份有限公司 | 使用轮廓剪影图像的自动化在线检验和计量 |
CN105509653A (zh) * | 2015-11-30 | 2016-04-20 | 广州超音速自动化科技股份有限公司 | 机械零件轮廓度视觉测量方法及*** |
Non-Patent Citations (1)
Title |
---|
一种基于链码的线特征提取方法;赵丽科等;《测绘科学》;20140930;第39卷(第9期);第2小节 基于链码的线特征提取方法 * |
Also Published As
Publication number | Publication date |
---|---|
CN106546185A (zh) | 2017-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106546185B (zh) | 一种基于机器视觉检测的轮廓质量检测方法 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
JP5155886B2 (ja) | デジタル画像において目を検出する方法および装置 | |
CN110930357B (zh) | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与*** | |
CN101583971B (zh) | 眼部检测装置和眼部检测方法 | |
CN103425988B (zh) | 一种具有圆弧几何基元的实时定位与匹配方法 | |
CN103279765B (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
CN106643549B (zh) | 一种基于机器视觉的瓷砖尺寸检测方法 | |
EP1980843A1 (en) | Method and apparatus for detecting defects in optical components. | |
BR102016026302A2 (pt) | Automated measurement system | |
WO2023045299A1 (zh) | 基于三维轮廓的路面技术状况检测方法及设备 | |
CN111583114B (zh) | 一种管道螺纹自动测量装置及测量方法 | |
CN106600593B (zh) | 一种中铝瓷球表面缺陷检测方法 | |
EP1999686A2 (en) | Automatically determining machine vision tool parameters | |
CN111539927B (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测方法 | |
CN107388991B (zh) | 一种端面多圆角轴类零件圆角半径测量方法 | |
CN107945155A (zh) | 一种基于Gabor滤波器的牙膏管肩缺陷检测方法 | |
CN109141286B (zh) | 一种基于机器视觉和旋合模型的螺纹通止检测方法及*** | |
US6987875B1 (en) | Probe mark inspection method and apparatus | |
CN109034170A (zh) | 一种开关柜检测装置的圆形指针式仪表读数方法 | |
Xu et al. | A defect inspection for explosive cartridge using an improved visual attention and image-weighted eigenvalue | |
CN103337067B (zh) | 单针扫描式螺纹测量仪探针x轴旋转偏差的视觉检测方法 | |
CN111795970B (zh) | 一种不规则轮廓缺陷检测方法 | |
KR20190119801A (ko) | 차량 헤드라이트 얼라인먼트 보정 및 분류 방법 및 이를 이용한 차량 헤드라이트 불량검사 방법 | |
CN107341830A (zh) | 一种确定弹孔环值的方法及装置 |
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 |