CN107886495A - 一种基于相似度匹配的汽车零配件缺陷识别方法 - Google Patents
一种基于相似度匹配的汽车零配件缺陷识别方法 Download PDFInfo
- Publication number
- CN107886495A CN107886495A CN201710917015.8A CN201710917015A CN107886495A CN 107886495 A CN107886495 A CN 107886495A CN 201710917015 A CN201710917015 A CN 201710917015A CN 107886495 A CN107886495 A CN 107886495A
- Authority
- CN
- China
- Prior art keywords
- msup
- mrow
- detection object
- prime
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000007547 defect Effects 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 152
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000004080 punching Methods 0.000 claims abstract description 10
- 229910000679 solder Inorganic materials 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000002950 deficient Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 241000894007 species Species 0.000 description 10
- 238000007689 inspection Methods 0.000 description 5
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于相似度匹配的汽车零配件缺陷识别方法,具有检测汽车零配件上漏焊点、漏小零件、漏螺母、漏冲孔的功能,检测对象为焊点、小零件、螺母、冲孔。实现步骤为:首先,采集汽车零配件图像,判断是否需要创建模板库;其次,对采集到的图像截取检测区域,针对此区域做图像预处理;再次,遍历检测对象模板库中模板图像与预处理后的图像进行扫描比对相似度,将比对结果保存在线索图中,则线索图中包含检测对象的所有信息;最终,对线索图做轮廓检测处理,利用轮廓周长、圆度和面积信息筛选出检测对象,获得轮廓数量和位置信息,从而检测被采集图像的汽车零配件上是否存在漏焊点、漏小零件、漏螺母或漏冲孔的缺陷。
Description
技术领域
本发明涉及图像处理技术,特别是涉及一种基于相似度匹配的汽车零配件缺陷识别方法。
背景技术
一辆汽车由上万个零件组成,其中包含了白车身总成零件和塑料件,这两种在汽车中占比很大。其主机厂对其产品质量要求是很高的,对配送厂家的零件要求关键部分合格率达到100%,其他零件基本上也都要达到99.99%,对于一级供应商,其要求为100ppm以内,其他二级三级供应商为200~400ppm。因此零件的合格与否直接影响到主机厂产品的质量,其配送厂家必须花费大量的人力进行检测和排查有缺陷的零配件。
从汽车市场来看,目前国内的中小企业主要是依靠人工检查,工作效率低,漏检概率高、且人工成本高,针对上述国内汽车行业的情况,研发零件视觉检测***就是为解决工厂的检测效率低、人员多、检测质量低等问题。本发明涉及图像处理技术,特别是涉及一种基于相似度匹配的汽车零配件缺陷识别方法,为工厂带来节省人员、降低管理要求、提高检测质量、提高检测效率等好处。
发明内容
有鉴于此,本发明的主要目的在于提供一种识别准确率高、计算复杂度也比较低的基于相似度匹配的汽车零配件缺陷识别方法,打破中小型汽车制造业人工检测汽车零配件缺陷的局面,为机器视觉检测漏焊点、漏小零件、漏螺母和漏冲孔的不良情况提供理论支撑,为汽车零配件的质量提供有力的保障。
为了达到上述目的,本发明提出的技术方案为:一种基于相似度匹配的汽车零配件缺陷识别方法,实现步骤如下:
步骤1、采集汽车零配件图像,判断是否需要创建模板库,若是则进行步骤2,若已经有模板库则转到步骤3;
步骤2、创建检测对象模板库,程序中设定汽车零配件图像中检测对象的左上角和右下角坐标值,截取相应检测对象图像,对检测对象图像进行图像预处理后,将其封装为检测对象的模板库;
步骤3、截取汽车零配件图像中需要检测的区域,标记为R图像,设置标准汽车零配件的检测对象数量;
步骤4、针对步骤3中R图像做图像预处理,记作R'图像,并新建与R图像大小一致的线索图,线索图每个像素点的灰度值均置为0;
步骤5、循环遍历检测对象模板图像,分别与步骤4中经过图像预处理后的R'图像进行相似度匹配,获取与模板图像匹配相似度高的区域图像的位置信息,并在线索图上与R'图像中相似度高的区域的相应位置存为255,相反,匹配所得相似度低的点,不做任何标记;
步骤6、依据相似度匹配原理知,检测对象模板不仅与检测对象的相似度高,还与检测对象附近的点的相似度高,经过步骤5的处理后,线索图中包括不规则斑点的图像,找到斑点轮廓的最小包围圆,并获得最小包围圆的半径和圆心,筛去半径过大、过小以及圆心相距较近的轮廓,则汽车零配件的检测对象的位置出现相应的轮廓;
步骤7、保存留下的轮廓的圆心点位置,查询留下的轮廓数量,则保存下来的圆心位置被认为汽车零配件检测对象位置,轮廓数量为汽车零配件检测对象数量;
步骤8、将步骤7的汽车零配件检测对象数量与步骤3的标准汽车零配件的检测对象数量相比较,当检测的汽车零配件检测对象数量大于等于标准汽车零配件的检测对象数量,则判断为合格品,当检测的汽车零配件检测对象数量小于标准汽车零配件的检测对象数量,则判断为不合格品,即漏焊点、漏小零件、漏螺母或漏冲孔。
所述步骤2和步骤4中图像预处理的具体过程为:
步骤i)对相机采集到的图像进行Gamma校正,用于改善图片的光照条件;
步骤ii)直方图均衡化使图像的直方图尽可能平坦,获取可以平均使用所有像素值的高质量的图像;
步骤iii)对直方图均衡化后的图像进行同态滤波,去除部分背景干扰;
步骤iv)经过步骤iii)处理后,图像信息均匀,再用矩阵模板法,将有检测对象的区域显露出来,将没有检测对象的区域覆盖掉,以便去掉检测汽车零配件检测对象时出现不必要的误匹配;
步骤v)经过Gamma校正、直方图均衡法、同态滤波和矩阵模板相乘法的处理后,对图像进行自适应二值化,方便后续检测。
所述步骤5中相似度匹配方法种类如下:
种类1、平方差匹配法
其中:x,y分别表示R'图像上任意一点的横纵坐标,x',y'分别表示模板图像中任意一点的横纵坐标,N(x,y)表示R'图像上以(x,y)为左上角顶点的与检测对象模板大小一致的区域和检测对象模板图像的相似度,T(x′,y′)表示检测对象模板图像上坐标为(x′,y′)的位置的灰度值,I(x+x′,y+y′)表示R'图像上与检测对象模板图像相对位置处的灰度值。
种类2、归一化平方差匹配法
其中:x,y分别表示R'图像上任意一点的横纵坐标,x',y'分别表示模板图像中任意一点的横纵坐标,N(x,y)表示R'图像上以(x,y)为左上角顶点的与检测对象模板大小一致的区域和检测对象模板图像的相似度,T(x′,y′)表示检测对象模板图像上坐标为(x′,y′)的位置的灰度值,I(x+x′,y+y′)表示R'图像上与检测对象模板图像相对位置处的灰度值。
种类3、相关匹配法
其中:x,y分别表示R'图像上任意一点的横纵坐标,x',y'分别表示模板图像中任意一点的横纵坐标,N(x,y)表示R'图像上以(x,y)为左上角顶点的与检测对象模板大小一致的区域和检测对象模板图像的相似度,T(x′,y′)表示检测对象模板图像上坐标为(x′,y′)的位置的灰度值,I(x+x′,y+y′)表示R'图像上与检测对象模板图像相对位置处的灰度值。
种类4、归一化相关匹配法
其中:x,y分别表示R'图像上任意一点的横纵坐标,x',y'分别表示模板图像中任意一点的横纵坐标,N(x,y)表示R'图像上以(x,y)为左上角顶点的与检测对象模板大小一致的区域和检测对象模板图像的相似度,T(x′,y′)表示检测对象模板图像上坐标为(x′,y′)的位置的灰度值,I(x+x′,y+y′)表示R'图像上与检测对象模板图像相对位置处的灰度值。
上述步骤6中轮廓检测步骤为:
步骤i)逐像素地扫描线索图,直到遇到连通区域的一个点,以该点为起始点,跟踪连通区域的轮廓,标记边界上的灰度值;
步骤ii)提取线索图上连通区域轮廓的周长、圆度和面积信息,依据这些参数筛选出符合要求的轮廓;
步骤iii)提取筛选后的线索图中的轮廓数目,即为检测到的检测对象数量。
综上所述,本发明所述的一种基于相似度匹配的汽车零配件缺陷识别方法,首先,采集汽车零配件图像,判断是否创建模板库,若需要则创建模板库,否则直接进行下一步;其次,对采集到的图像截取检测区域R,将R做图像预处理,然后遍历模板库中模板图像与处理后的图像进行扫描比对相似度,将比对结果保存在线索图中,则线索图中包含了检测对象的所有信息,然后对线索图做轮廓检测处理,利用轮廓的周长、圆度和面积信息筛选掉不是检测对象的杂物和划痕,剩下轮廓数量和轮廓位置信息代表采集到的图像中检测对象数量和位置。
本发明与现有技术相比的优点在于:本发明具有检测对象识别准确率高、计算复杂度低等特点,可广泛应用于汽车零配件缺陷检测、轮毂检测和工业视觉检测等领域。通过使用相似度原理,将检测对象模板与预处理后的图像进行循环遍历并检测,相似度高的被标记在线索图中,确保检测对象信息的完整性,然后用轮廓检测的方法,对线索图上保存的信息做最小包围圆处理,获取圆心和位置信息,去掉圆的半径和圆度过大、过小的包围圆,减少了汽车零配件表面杂物和划痕的干扰,准确识别到检测对象。
附图说明
图1为本发明实现流程图,其中实线表示顺序执行关系,虚线仅表示两者相互有关联,非顺序执行的关系。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图及具体实施例对本发明作进一步地详细描述。
本发明所述的基于相似度匹配的汽车零配件缺陷识别方法,首先,采集汽车零配件图像,判断是否创建模板库,若需要则创建模板库,否则直接进行下一步;其次,对采集到的图像截取检测区域R,将R做图像预处理,然后遍历模板库中模板图像与处理后的图像进行扫描比对相似度,将比对结果保存在线索图中,则线索图中包含了检测对象的所有信息,然后对线索图做轮廓检测处理,利用轮廓周长、圆度和面积信息筛选掉不是检测对象的杂物和划痕,剩下轮廓数量和轮廓位置信息代表采集到的图像中检测对象数量和位置。
如图1所示,本发明具体实现如下步骤:
步骤1、采集汽车零配件图像,判断是否需要创建模板库,若是则进行步骤2,若已经有模板库则转到步骤3;
步骤2、创建检测对象模板库,程序中设定汽车零配件图像中检测对象的左上角和右下角坐标值,截取相应检测对象图像,对检测对象图像进行图像预处理后,将其封装为检测对象的模板库;
步骤3、截取汽车零配件图像中需要检测的区域,标记为R图像,设置标准汽车零配件的检测对象数量;
步骤4、针对步骤3中R图像做图像预处理,记作R'图像,并新建与R图像大小一致的线索图,线索图每个像素点的灰度值均置为0;
步骤5、循环遍历检测对象模板图像,分别与步骤4中经过图像预处理后的R'图像进行相似度匹配,获取与模板图像匹配相似度高的区域图像的位置信息,并在线索图上与R'图像中相似度高的区域的相应位置存为255,相反,匹配所得相似度低的点,不做任何标记;
步骤6、依据相似度匹配原理知,检测对象模板不仅与检测对象的相似度高,还与检测对象附近的点的相似度高,经过步骤5的处理后,线索图中包括不规则斑点的图像,找到斑点轮廓的最小包围圆,并获得最小包围圆的半径和圆心,筛去半径过大、过小以及圆心相距较近的轮廓,则汽车零配件的检测对象的位置出现相应的轮廓;
步骤7、保存留下的轮廓的圆心点位置,查询留下的轮廓数量,则保存下来的圆心位置被认为汽车零配件检测对象位置,轮廓数量为汽车零配件检测对象数量;
步骤8、将步骤7的汽车零配件检测对象数量与步骤3的标准汽车零配件的检测对象数量相比较,当检测的汽车零配件检测对象数量大于等于标准汽车零配件的检测对象数量,则判断为合格品,当检测的汽车零配件检测对象数量小于标准汽车零配件的检测对象数量,则判断为不合格品,即漏焊点、漏小零件、漏螺母或漏冲孔。
所述步骤2和步骤4中图像预处理的具体过程为:
步骤i)对相机采集到的图像进行Gamma校正,用于改善图片的光照条件;
步骤ii)直方图均衡化使图像的直方图尽可能平坦,获取可以平均使用所有像素值的高质量的图像;
步骤iii)对直方图均衡化后的图像进行同态滤波,去除部分背景干扰;
步骤iv)经过步骤iii)处理后,图像信息均匀,再用矩阵模板法,将有检测对象的区域显露出来,将没有检测对象的区域覆盖掉,以便去掉检测汽车零配件检测对象时出现不必要的误匹配;
步骤v)经过Gamma校正、直方图均衡法、同态滤波和矩阵模板相乘法的处理后,对图像进行自适应二值化,方便后续检测。
所述步骤5中相似度匹配方法种类如下:
种类1、平方差匹配法
其中:x,y分别表示R'图像上任意一点的横纵坐标,x',y'分别表示模板图像中任意一点的横纵坐标,N(x,y)表示R'图像上以(x,y)为左上角顶点的与检测对象模板大小一致的区域和检测对象模板图像的相似度,T(x′,y′)表示检测对象模板图像上坐标为(x′,y′)的位置的灰度值,I(x+x′,y+y′)表示R'图像上与检测对象模板图像相对位置处的灰度值。
种类2、归一化平方差匹配法
其中:x,y分别表示R'图像上任意一点的横纵坐标,x',y'分别表示模板图像中任意一点的横纵坐标,N(x,y)表示R'图像上以(x,y)为左上角顶点的与检测对象模板大小一致的区域和检测对象模板图像的相似度,T(x′,y′)表示检测对象模板图像上坐标为(x′,y′)的位置的灰度值,I(x+x′,y+y′)表示R'图像上与检测对象模板图像相对位置处的灰度值。
种类3、相关匹配法
其中:x,y分别表示R'图像上任意一点的横纵坐标,x',y'分别表示模板图像中任意一点的横纵坐标,N(x,y)表示R'图像上以(x,y)为左上角顶点的与检测对象模板大小一致的区域和检测对象模板图像的相似度,T(x′,y′)表示检测对象模板图像上坐标为(x′,y′)的位置的灰度值,I(x+x′,y+y′)表示R'图像上与检测对象模板图像相对位置处的灰度值。
种类4、归一化相关匹配法
其中:x,y分别表示R'图像上任意一点的横纵坐标,x',y'分别表示模板图像中任意一点的横纵坐标,N(x,y)表示R'图像上以(x,y)为左上角顶点的与检测对象模板大小一致的区域和检测对象模板图像的相似度,T(x′,y′)表示检测对象模板图像上坐标为(x′,y′)的位置的灰度值,I(x+x′,y+y′)表示R'图像上与检测对象模板图像相对位置处的灰度值。
所述步骤6中轮廓检测步骤为:
步骤i)逐像素地扫描线索图,直到遇到连通区域的一个点,以该点为起始点,跟踪连通区域的轮廓,标记边界上的灰度值;
步骤ii)提取线索图上连通区域轮廓的周长、圆度和面积信息,依据这些参数筛选出符合要求的轮廓;
步骤iii)提取筛选后的线索图中的轮廓数目,即为检测到的检测对象数量。
综上所述,本发明用于检测汽车零配件是否有漏焊点、漏小零件、漏螺母或漏冲孔的缺陷。
以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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 (4)
1.一种基于相似度匹配的汽车零配件缺陷识别方法,其特征在于:能够实现检测汽车零配件上漏焊点、漏小零件、漏螺母或漏冲孔的缺陷,检测对象为焊点、小零件、螺母、冲孔,实现步骤如下:
步骤1、采集汽车零配件图像,判断是否需要创建模板库,若是则进行步骤2,若已经有模板库则转到步骤3;
步骤2、创建检测对象模板库,截取检测对象图像,并对检测对象图像进行图像预处理,将预处理后的检测对象图像封装为检测对象的模板库;
步骤3、截取汽车零配件图像中需要检测的区域,标记为R图像,设置标准汽车零配件的检测对象数量;
步骤4、针对步骤3中R图像做图像预处理,记作R'图像,并新建与R图像大小一致的线索图,线索图每个像素点的灰度值均置为0;
步骤5、循环遍历检测对象模板库,分别与步骤4中经过图像预处理后的R'图像进行相似度匹配,获取与模板图像匹配相似度高的区域图像的位置信息,并在线索图上与R'图像中相似度高的区域的相应位置存为255,相反,匹配所得相似度低的点,不做任何标记;
步骤6、经过步骤5,线索图中包括不规则斑点的图像,找到斑点轮廓的最小包围圆,并获得最小包围圆的半径和圆心,筛去半径过大、过小以及圆心相距较近的轮廓,则汽车零配件的检测对象的位置出现相应的轮廓;
步骤7、保存留下的轮廓的圆心点位置,查询留下的轮廓数量,则保存下来的圆心位置被认为汽车零配件检测对象位置,轮廓数量为汽车零配件检测对象数量;
步骤8、将步骤7的汽车零配件检测对象数量与步骤3的标准汽车零配件的检测对象数量相比较,当检测的汽车零配件检测对象数量大于等于标准汽车零配件的检测对象数量,则判断为合格品,当检测的汽车零配件检测对象数量小于标准汽车零配件的检测对象数量,则判断为不合格品,即漏焊点、漏小零件、漏螺母或漏冲孔。
2.根据权利要求1所述的一种基于相似度匹配的汽车零配件缺陷识别方法,其特征在于:所述步骤2和步骤4中,R图像做预处理的具体过程为:
(1)对相机采集到的图像进行Gamma校正,用于改善图片的光照条件;
(2)直方图均衡化使图像的直方图尽可能平坦,获取可以平均使用所有像素值的高质量的图像;
(3)对直方图均衡化后的图像进行同态滤波,去除部分背景干扰;
(4)经过步骤(3)处理后,图像信息均匀,再用矩阵模板法,将有检测对象的区域显露出来,将没有检测对象的区域覆盖掉,以便去掉检测汽车零配件检测对象时出现不必要的误匹配;
(5)经过Gamma校正、直方图均衡法、同态滤波和矩阵模板相乘法的处理后,对图像进行自适应二值化,方便后续检测。
3.根据权利要求1所述的一种基于相似度匹配的汽车零配件缺陷识别方法,其特征在于:所述步骤5中,进行相似度匹配的方法采用以下种类之一:
种类1、平方差匹配法
<mrow>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</munder>
<msup>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>(</mo>
<mrow>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mi>I</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>+</mo>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
其中:x,y分别表示R'图像上任意一点的横纵坐标,x',y'分别表示模板图像中任意一点的横纵坐标,N(x,y)表示R'图像上以(x,y)为左上角顶点的与检测对象模板大小一致的区域和检测对象模板图像的相似度,T(x′,y′)表示检测对象模板图像上坐标为(x′,y′)的位置的灰度值,I(x+x′,y+y′)表示R'图像上与检测对象模板图像相对位置处的灰度值;
种类2、归一化平方差匹配法
<mrow>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mo>&Sigma;</mo>
<mrow>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>(</mo>
<mrow>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mi>I</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>+</mo>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<msqrt>
<mrow>
<msub>
<mo>&Sigma;</mo>
<mrow>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</msub>
<mi>T</mi>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&CenterDot;</mo>
<msub>
<mo>&Sigma;</mo>
<mrow>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</msub>
<mi>I</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
</mrow>
其中:x,y分别表示R'图像上任意一点的横纵坐标,x',y'分别表示模板图像中任意一点的横纵坐标,N(x,y)表示R'图像上以(x,y)为左上角顶点的与检测对象模板大小一致的区域和检测对象模板图像的相似度,T(x′,y′)表示检测对象模板图像上坐标为(x′,y′)的位置的灰度值,I(x+x′,y+y′)表示R'图像上与检测对象模板图像相对位置处的灰度值;
种类3、相关匹配法
<mrow>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>(</mo>
<mrow>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
</mrow>
<mo>)</mo>
<mo>&CenterDot;</mo>
<mi>I</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>+</mo>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
其中:x,y分别表示R'图像上任意一点的横纵坐标,x',y'分别表示模板图像中任意一点的横纵坐标,N(x,y)表示R'图像上以(x,y)为左上角顶点的与检测对象模板大小一致的区域和检测对象模板图像的相似度,T(x′,y′)表示检测对象模板图像上坐标为(x′,y′)的位置的灰度值,I(x+x′,y+y′)表示R'图像上与检测对象模板图像相对位置处的灰度值;
种类4、归一化相关匹配法
<mrow>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>(</mo>
<mrow>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
</mrow>
<mo>)</mo>
<mo>&CenterDot;</mo>
<mi>I</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>+</mo>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<msub>
<mo>&Sigma;</mo>
<mrow>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</msub>
<mi>T</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&CenterDot;</mo>
<msub>
<mo>&Sigma;</mo>
<mrow>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</msub>
<mi>I</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
</mrow>
其中:x,y分别表示R'图像上任意一点的横纵坐标,x',y'分别表示模板图像中任意一点的横纵坐标,N(x,y)表示R'图像上以(x,y)为左上角顶点的与检测对象模板大小一致的区域和检测对象模板图像的相似度,T(x′,y′)表示检测对象模板图像上坐标为(x′,y′)的位置的灰度值,I(x+x′,y+y′)表示R'图像上与检测对象模板图像相对位置处的灰度值。
4.根据权利要求1所述的一种基于相似度匹配的汽车零配件缺陷识别方法,其特征在于:所述步骤6中,轮廓检测步骤为:
步骤(1)逐像素地扫描线索图,直到遇到连通区域的一个点,以该点为起始点,跟踪连通区域的轮廓,标记边界上的灰度值;
步骤(2)提取线索图上连通区域轮廓的周长、圆度和面积信息,依据这些参数筛选出符合要求的轮廓;
步骤(3)提取筛选后的线索图中的轮廓数目,即为检测到的检测对象数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710917015.8A CN107886495B (zh) | 2017-09-30 | 2017-09-30 | 一种基于相似度匹配的汽车零配件缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710917015.8A CN107886495B (zh) | 2017-09-30 | 2017-09-30 | 一种基于相似度匹配的汽车零配件缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107886495A true CN107886495A (zh) | 2018-04-06 |
CN107886495B CN107886495B (zh) | 2020-04-14 |
Family
ID=61781225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710917015.8A Expired - Fee Related CN107886495B (zh) | 2017-09-30 | 2017-09-30 | 一种基于相似度匹配的汽车零配件缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107886495B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816648A (zh) * | 2019-01-23 | 2019-05-28 | 浙江大学 | 基于多模板低秩分解的复杂注塑制品飞边缺陷识别方法 |
CN110968718A (zh) * | 2019-11-19 | 2020-04-07 | 北京百度网讯科技有限公司 | 目标检测模型负样本挖掘方法、装置及电子设备 |
CN111127410A (zh) * | 2019-12-13 | 2020-05-08 | 南京工程学院 | 一种汽车仪表盘印刷瑕疵的自动检测方法 |
CN111259886A (zh) * | 2020-01-08 | 2020-06-09 | 上海眼控科技股份有限公司 | 车牌螺丝检测方法、电子装置、计算机设备和存储介质 |
CN111931959A (zh) * | 2020-08-28 | 2020-11-13 | 歌尔光学科技有限公司 | 工件的返修控制方法、装置及可读存储介质 |
CN112014409A (zh) * | 2020-10-25 | 2020-12-01 | 西安邮电大学 | 一种半导体蚀刻引线框架模具缺陷的检测方法及*** |
CN112183618A (zh) * | 2020-09-25 | 2021-01-05 | 杭州三坛医疗科技有限公司 | 相似度确定方法和相似度确定装置 |
CN112507910A (zh) * | 2020-12-15 | 2021-03-16 | 平安银行股份有限公司 | 基于像素变形的图形识别方法、***、电子装置及存储介质 |
CN112529928A (zh) * | 2020-12-28 | 2021-03-19 | 晟通科技集团有限公司 | 零件组装检测方法、计算机设备及存储介质 |
CN112818467A (zh) * | 2021-01-28 | 2021-05-18 | 江铃汽车股份有限公司 | 汽车白车身的点焊连接建模方法及*** |
CN113344964A (zh) * | 2021-06-23 | 2021-09-03 | 江苏三恒科技股份有限公司 | 一种基于图像处理的矿井机器人落石监测预警方法 |
CN113532604A (zh) * | 2020-04-17 | 2021-10-22 | 苏州科奈尔自动化科技有限公司 | 一种汽车工业零配件在线监控*** |
CN114547356A (zh) * | 2022-04-27 | 2022-05-27 | 深圳百里科技有限公司 | 模板图像存储方法、装置、设备及存储介质 |
CN116310424A (zh) * | 2023-05-17 | 2023-06-23 | 青岛创新奇智科技集团股份有限公司 | 基于图像识别的设备质量评估方法、装置、终端和介质 |
CN117078580A (zh) * | 2022-05-10 | 2023-11-17 | 广州镭晨智能装备科技有限公司 | 焊点检测方法、装置及计算机可读存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060133660A1 (en) * | 2004-12-16 | 2006-06-22 | Dainippon Screen Mfg. Co., Ltd. | Apparatus and method for detecting defect existing in pattern on object |
CN102142355A (zh) * | 2010-02-02 | 2011-08-03 | 吕一云 | 物体制造缺陷的应用方法 |
CN102982155A (zh) * | 2012-11-29 | 2013-03-20 | 上海华力微电子有限公司 | 基于图形识别的缺陷检索***及方法 |
US20130170733A1 (en) * | 2011-12-28 | 2013-07-04 | Elitetech Technology Co.,Ltd. | Method for building rule of thumb of defect classification, and methods for classifying defect and judging killer defect based on rule of thumb and critical area analysis |
CN103366176A (zh) * | 2012-03-31 | 2013-10-23 | 湖北山鹰光学有限公司 | 光学元件缺陷批量自动识别装置和方法 |
CN103500459A (zh) * | 2013-09-24 | 2014-01-08 | 华南理工大学 | 一种基于规则化参数的印刷电路板缺陷检测方法 |
CN103914827A (zh) * | 2013-09-06 | 2014-07-09 | 贵州大学 | 汽车密封条轮廓缺陷的视觉检测方法 |
CN105548185A (zh) * | 2016-01-08 | 2016-05-04 | 浙江科技学院 | 基于机器视觉的汽车轮毂螺孔识别方法、遮盖方法及*** |
CN106053479A (zh) * | 2016-07-21 | 2016-10-26 | 湘潭大学 | 一种基于图像处理的工件外观缺陷的视觉检测*** |
CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
CN106504231A (zh) * | 2016-10-11 | 2017-03-15 | 广州视源电子科技股份有限公司 | 元件缺陷检测方法和*** |
CN106680287A (zh) * | 2016-12-28 | 2017-05-17 | 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 |
-
2017
- 2017-09-30 CN CN201710917015.8A patent/CN107886495B/zh not_active Expired - Fee Related
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060133660A1 (en) * | 2004-12-16 | 2006-06-22 | Dainippon Screen Mfg. Co., Ltd. | Apparatus and method for detecting defect existing in pattern on object |
CN102142355A (zh) * | 2010-02-02 | 2011-08-03 | 吕一云 | 物体制造缺陷的应用方法 |
US20130170733A1 (en) * | 2011-12-28 | 2013-07-04 | Elitetech Technology Co.,Ltd. | Method for building rule of thumb of defect classification, and methods for classifying defect and judging killer defect based on rule of thumb and critical area analysis |
CN103366176A (zh) * | 2012-03-31 | 2013-10-23 | 湖北山鹰光学有限公司 | 光学元件缺陷批量自动识别装置和方法 |
CN102982155A (zh) * | 2012-11-29 | 2013-03-20 | 上海华力微电子有限公司 | 基于图形识别的缺陷检索***及方法 |
CN103914827A (zh) * | 2013-09-06 | 2014-07-09 | 贵州大学 | 汽车密封条轮廓缺陷的视觉检测方法 |
CN103500459A (zh) * | 2013-09-24 | 2014-01-08 | 华南理工大学 | 一种基于规则化参数的印刷电路板缺陷检测方法 |
CN105548185A (zh) * | 2016-01-08 | 2016-05-04 | 浙江科技学院 | 基于机器视觉的汽车轮毂螺孔识别方法、遮盖方法及*** |
CN106053479A (zh) * | 2016-07-21 | 2016-10-26 | 湘潭大学 | 一种基于图像处理的工件外观缺陷的视觉检测*** |
CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
CN106504231A (zh) * | 2016-10-11 | 2017-03-15 | 广州视源电子科技股份有限公司 | 元件缺陷检测方法和*** |
CN106680287A (zh) * | 2016-12-28 | 2017-05-17 | 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 |
Non-Patent Citations (2)
Title |
---|
J. LUO等: "《Automatic colour printing inspection by image processing》", 《JOURNAL OF MATERIALS PROCESSING TECHNOLOGY》 * |
陈勇: "《基于机器视觉的表面缺陷检测***的算法研究及软件设计》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816648A (zh) * | 2019-01-23 | 2019-05-28 | 浙江大学 | 基于多模板低秩分解的复杂注塑制品飞边缺陷识别方法 |
CN110968718A (zh) * | 2019-11-19 | 2020-04-07 | 北京百度网讯科技有限公司 | 目标检测模型负样本挖掘方法、装置及电子设备 |
CN111127410A (zh) * | 2019-12-13 | 2020-05-08 | 南京工程学院 | 一种汽车仪表盘印刷瑕疵的自动检测方法 |
CN111259886A (zh) * | 2020-01-08 | 2020-06-09 | 上海眼控科技股份有限公司 | 车牌螺丝检测方法、电子装置、计算机设备和存储介质 |
CN113532604A (zh) * | 2020-04-17 | 2021-10-22 | 苏州科奈尔自动化科技有限公司 | 一种汽车工业零配件在线监控*** |
CN111931959A (zh) * | 2020-08-28 | 2020-11-13 | 歌尔光学科技有限公司 | 工件的返修控制方法、装置及可读存储介质 |
CN112183618A (zh) * | 2020-09-25 | 2021-01-05 | 杭州三坛医疗科技有限公司 | 相似度确定方法和相似度确定装置 |
CN112183618B (zh) * | 2020-09-25 | 2024-03-26 | 杭州三坛医疗科技有限公司 | 相似度确定方法和相似度确定装置 |
CN112014409A (zh) * | 2020-10-25 | 2020-12-01 | 西安邮电大学 | 一种半导体蚀刻引线框架模具缺陷的检测方法及*** |
CN112507910B (zh) * | 2020-12-15 | 2023-01-17 | 平安银行股份有限公司 | 基于像素变形的图形识别方法、***、电子装置及存储介质 |
CN112507910A (zh) * | 2020-12-15 | 2021-03-16 | 平安银行股份有限公司 | 基于像素变形的图形识别方法、***、电子装置及存储介质 |
CN112529928A (zh) * | 2020-12-28 | 2021-03-19 | 晟通科技集团有限公司 | 零件组装检测方法、计算机设备及存储介质 |
CN112818467A (zh) * | 2021-01-28 | 2021-05-18 | 江铃汽车股份有限公司 | 汽车白车身的点焊连接建模方法及*** |
CN112818467B (zh) * | 2021-01-28 | 2022-08-26 | 江铃汽车股份有限公司 | 汽车白车身的点焊连接建模方法及*** |
CN113344964A (zh) * | 2021-06-23 | 2021-09-03 | 江苏三恒科技股份有限公司 | 一种基于图像处理的矿井机器人落石监测预警方法 |
CN113344964B (zh) * | 2021-06-23 | 2024-02-23 | 江苏三恒科技股份有限公司 | 一种基于图像处理的矿井机器人落石监测预警方法 |
CN114547356A (zh) * | 2022-04-27 | 2022-05-27 | 深圳百里科技有限公司 | 模板图像存储方法、装置、设备及存储介质 |
CN114547356B (zh) * | 2022-04-27 | 2022-07-12 | 深圳百里科技有限公司 | 模板图像存储方法、装置、设备及存储介质 |
CN117078580A (zh) * | 2022-05-10 | 2023-11-17 | 广州镭晨智能装备科技有限公司 | 焊点检测方法、装置及计算机可读存储介质 |
CN116310424A (zh) * | 2023-05-17 | 2023-06-23 | 青岛创新奇智科技集团股份有限公司 | 基于图像识别的设备质量评估方法、装置、终端和介质 |
CN116310424B (zh) * | 2023-05-17 | 2023-08-18 | 青岛创新奇智科技集团股份有限公司 | 基于图像识别的设备质量评估方法、装置、终端和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107886495B (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107886495A (zh) | 一种基于相似度匹配的汽车零配件缺陷识别方法 | |
CN107886496A (zh) | 一种基于形状匹配的汽车零配件的质量检测方法 | |
WO2020248439A1 (zh) | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 | |
US9508209B2 (en) | Ultraviolet anti-counterfeiting check verification method | |
CN103425988B (zh) | 一种具有圆弧几何基元的实时定位与匹配方法 | |
CN105913415A (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
CN105588845A (zh) | 一种焊接缺陷特征参数提取方法 | |
CN107798326A (zh) | 一种轮廓视觉检测算法 | |
CN104923593B (zh) | 一种基于视觉的顶层折弯板材定位方法 | |
US20010012395A1 (en) | Automated inspection of objects undergoing general affine transformation | |
CN102974551A (zh) | 一种基于机器视觉的多晶硅太阳能检测分选的方法 | |
CN109872300A (zh) | 一种摩擦片外观缺陷的视觉显著性检测方法 | |
CN109190623B (zh) | 一种识别投影仪品牌和型号的方法 | |
CN114821114A (zh) | 一种基于视觉***的坡口切割机器人图像处理方法 | |
CN104990926A (zh) | 一种基于视觉的tr元件定位和缺陷检测方法 | |
CN111127402A (zh) | 一种机器人焊接质量的视觉检测方法 | |
CN112419299A (zh) | 一种螺栓缺失检测方法、装置、设备及存储介质 | |
CN109815856A (zh) | 目标车辆的状态标记方法、***和计算机可读存储介质 | |
CN110443791B (zh) | 一种基于深度学习网络的工件检测方法及其检测装置 | |
CN107084992A (zh) | 一种基于机器视觉的胶囊检测方法及*** | |
CN104680550A (zh) | 一种通过图像特征点的轴承表面瑕疵检测的方法 | |
CN104240204A (zh) | 一种基于图像处理的太阳能硅片和电池片的计数方法 | |
CN107490582A (zh) | 一种流水线工件检测*** | |
CN107016394A (zh) | 一种交叉纤维特征点匹配方法 | |
CN116228651A (zh) | 一种布匹缺陷检测方法、***、设备及介质 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200414 |
|
CF01 | Termination of patent right due to non-payment of annual fee |