CN108279241A - 一种基于机器视觉的工件外形检测方法 - Google Patents

一种基于机器视觉的工件外形检测方法 Download PDF

Info

Publication number
CN108279241A
CN108279241A CN201810072125.3A CN201810072125A CN108279241A CN 108279241 A CN108279241 A CN 108279241A CN 201810072125 A CN201810072125 A CN 201810072125A CN 108279241 A CN108279241 A CN 108279241A
Authority
CN
China
Prior art keywords
workpiece
image
detected
template
edge
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.)
Pending
Application number
CN201810072125.3A
Other languages
English (en)
Inventor
郝泳涛
李庚森
毛孝鑫
谢圆
万思哲
李洲楠
苏峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Publication of CN108279241A publication Critical patent/CN108279241A/zh
Pending legal-status Critical Current

Links

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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于机器视觉的工件外形检测方法，用于检测生产出的工件外形是否存在缺陷，所述方法包括：建立工件的边缘检测图像模板；采集待检测的工件图像，并对采集后的待检测工件图像进行初始化处理；将边缘检测图像模板和处理后的待检测工件图像进行二值图像形态学运算，根据运算结果判断工件外形是否存在缺陷。与现有技术相比，本发明具有可以自动检测、便于实现以及检测效率高等优点。

Description

一种基于机器视觉的工件外形检测方法
技术领域
本发明涉及工件检测领域，尤其是涉及一种基于机器视觉的工件外形检测方法。
背景技术
工件，作为制造业的基石贯穿于航空、汽车、船舶制造等等各领域，对其加工后的质量检测方法则成为衡量一个国家制造业水平高低的重要标志之一，惟有更加准确高效的工件检测方法，才能制造出质量更好的工件。
在工件的质量检测过程中，检测工件外形是否符合标准，往往是最基础也是最重要的。现有的工件外形检测方法，大多是通过制造与工件外形相匹配的匹配模板，然后将工件与匹配模板相结合，通过肉眼来判断匹配程度，从而确定工件外形是否符合标准。
这样的检测方法带来如下的问题：
(1)通过肉眼来判断匹配程度，导致检测标准的不统一，从而使得最终通过检测的工件外形质量参差不齐，导致需要二次检测来进一步淘汰残次品，费时费力且质量难以得到保证；
(2)通过人工来实现工件和匹配模板的相互配合，既消耗了人力资源，又难以保证检测速度。
发明内容
本发明的目的是针对上述问题提供一种基于机器视觉的工件外形检测方法。
本发明的目的可以通过以下技术方案来实现：
一种基于机器视觉的工件外形检测方法，用于检测生产出的工件外形是否存在缺陷，所述方法包括：
1)建立工件的边缘检测图像模板；
2)采集待检测的工件图像，并对采集后的待检测工件图像进行初始化处理；
3)将步骤1)中得到的边缘检测图像模板和步骤2)中处理后的待检测工件图像进行二值图像形态学运算，根据运算结果判断工件外形是否存在缺陷。
优选地，所述建立工件的边缘检测图像模板包括：构建工件的标准匹配模板，并对匹配模板进行图像采集，得到工件的边缘检测图像模板。
优选地，所述建立工件的边缘检测图像模板包括：根据工件的标准数据值，通过计算机图像绘制工具，直接绘制得到工件的边缘检测图像模板。
优选地，所述步骤2)包括：
21)采集待检测的工件图像；
22)对采集后的待检测工件图像进行坐标变换，实现采集后的待检测工件图像与边缘检测图像模板的坐标统一，得到处理后的待检测工件图像。
5.根据权利要求4所述的基于机器视觉的工件外形检测方法，其特征在于，所述步骤22)包括：
221)读取采集后的待检测工件图像中特征孔的第一坐标值，同时读取边缘检测图像模板中对应的特征孔的第二坐标值；
222)根据特征孔的第一坐标值和特征孔的第二坐标值确定图像变换参数；
223)根据步骤222)得到的图像变换参数，对采集后的待检测工件图像进行坐标变换，得到处理后的待检测工件图像。
优选地，所述图像变换参数包括缩放变换参数、旋转变换参数和平移变换参数。
优选地，所述坐标变换具体为：
其中，(xw,yw)为处理后的待检测工件图像坐标，(xi,yi)为采集后的待检测工件图像坐标，s为缩放变换参数，θ为旋转变换参数，x0和y0均为平移变换参数。
优选地，所述步骤3)包括：
31)将步骤1)中得到的边缘检测图像模板和步骤2)中处理后的待检测工件图进行二值图像形态学中的减法运算，得到差值输出图像；
32)判断差值输出图像中是否存在明显缺陷图像，若是则表明工件外形存在缺陷，若否则表明工件不存在明显缺陷。
优选地，所述明显缺陷图像具体为：绝对长度超过规定阈值的高亮度线条。
与现有技术相比，本发明具有以下有益效果：
(1)通过采集待检测的工件图像，并将其与边缘检测图像模板进行匹配，通过机器视觉来进行图像之间的比较，最终通过二值形态学图像运算得到一个准确具体的工件外形和模板之间的差异，与人工手动匹配并肉眼识别相比，将检测的标准进行量化，因而克服了现有技术中检测质量不高，需要二次检测的问题。
(2)通过图像匹配和二值图像形态学运算来进行工件的外形检测，这种检测方式可以完全经由机器操作，无需人工参与，一方面节省了人力资源，另一方面也提高了检测效率，从而提高工件的生产效率。
(3)工件的边缘检测模板包括对制造标准匹配模板后进行图像采集，也可以直接通过机器绘图，模板生成方式多样，可以根据实际情况进行选取，操作灵活。
(4)在进行工件图像和模板图像的匹配时，需要将二者统一到同一坐标系上，从而保证图像匹配的准确程度，提高检测质量。
(5)在进行坐标统一的过程中，分别考虑了缩放、旋转和平移变换参数，考虑全面，提高检测的准确程度。
附图说明
图1为基于机器视觉的工件外形检测方法的流程图；
图2为缩放变换示意图；
图3为旋转变换示意图；
图4为边缘检测图像模板的输出图像示意图；
图5为二值图像形态学运算后的输出图像示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本实施例提出了一种基于机器视觉的工件外形检测方法，用于检测生产出的工件外形是否存在缺陷，如图1所示，该方法包括：
1)建立工件的边缘检测图像模板，具体包括：构建工件的标准匹配模板，并对匹配模板进行图像采集，得到工件的边缘检测图像模板；或根据工件的标准数据值，通过计算机图像绘制工具，直接绘制得到工件的边缘检测图像模板；
2)采集待检测的工件图像，并对采集后的待检测工件图像进行初始化处理，包括：
21)采集待检测的工件图像；
22)对采集后的待检测工件图像进行坐标变换，实现采集后的待检测工件图像与边缘检测图像模板的坐标统一，得到处理后的待检测工件图像，包括：
221)读取采集后的待检测工件图像中特征孔的第一坐标值，同时读取边缘检测图像模板中对应的特征孔的第二坐标值；
222)根据特征孔的第一坐标值和特征孔的第二坐标值确定图像变换参数(缩放变换参数、旋转变换参数和平移变换参数)；
223)根据步骤222)得到的图像变换参数，对采集后的待检测工件图像进行坐标变换，得到处理后的待检测工件图像，具体为：
其中，(xw,yw)为处理后的待检测工件图像坐标，(xi,yi)为采集后的待检测工件图像坐标，s为缩放变换参数，θ为旋转变换参数，x0和y0均为平移变换参数；
3)将步骤1)中得到的边缘检测图像模板和步骤2)中处理后的待检测工件图像进行二值图像形态学运算，根据运算结果判断工件外形是否存在缺陷，包括：
31)将步骤1)中得到的边缘检测图像模板和步骤2)中处理后的待检测工件图进行二值图像形态学中的减法运算，得到差值输出图像；
32)判断差值输出图像中是否存在明显缺陷图像(具体为绝对长度超过规定阈值的高亮度线条)，若是则表明工件外形存在缺陷，若否则表明工件不存在明显缺陷。
关于上述方法中，对图像进行坐标变换，所依据的原理具体为2D匹配技术，在2D匹配技术中从一个2D坐标空间到另一个2D坐标空间的映射称为2D变换或几何变换等。其定义公式为：
上述表示模型M上的点和图像I上的点之间的可逆映射关系，且通过函数g和h在模型点[x,y]和图像点[r,c]之间建立起对应关系，这样模型中的特征点就可以在图像中找到它的对应位置。在工件检测***中还需要用到2D匹配中的图像配准技术，所谓图像配准，就是关于相同场景，近似视点，不同坐标系的两幅图像，对图像点进行几何变换，使得两幅图像中的对应特征点在变换后具有相同的坐标。而在图像配准过程中，最重要的需要应用的就是仿射变换技术。
在本实施例中，重点分析仿射变换中的缩放、旋转以及平移。首先讨论缩放，缩放是最为常见的一种图形变换技术。在本***中所应用的同比例缩放就是以相等的比例系数改变所有的坐标，其实就是对2D点的缩放通过一个表示该点的坐标乘以一个缩放系数来表示，如图2所示，其公式如下
仿射变换中的旋转运算则表示为2D空间中的旋转，其数学公式如下所示，通过乘上一个角度变换矩阵即可以方便的表示出2D点绕原点的旋转。其含义如图3所示，表示的是2D点P＝[x,y]绕原点逆时针旋转θ角后得到一个新的点P'＝[x',y']。
而平移运算与上述缩放以及旋转运算相比较最大的区别就是平移运算是非线性的，同时在本体件检测***开发中图像的平移是非常普遍存在的。平移运算很好理解，如下述公式所示，其作用是对点[x,y]进行平移。
机器视觉中的匹配技术由于其作为基准参照性在实际应用中是起非常重要作用的。通常来说，机器视觉中的匹配技术分为2D匹配与3D匹配。2D匹配中的仿射变换技术缩放、旋转以及平移是构成图像配准的基本运算。在上述中已经对这三种变换运算进行了分析，考虑到本***设计实际环境的应用性，本实施例为2D匹配，在这里给出2D匹配中将这三种变换集成后的公式，通过该公式可以完成点P在两个坐标系(世界坐标系与图像坐标系)之间的变换。
对于本实施例的匹配模板来说，设计开发它的目的就是利用机器视觉技术进行目标识别与定位。而根据2D匹配原理，匹配模板的作用就是充当目标模型，将匹配模板与目标图像即所拍摄的工件图像进行匹配，将匹配模板所抽取的特征通过缩放、旋转以及平移等转换成与大腹板图像相同的坐标系，也就是把模型特征变换成图像特征，通过匹配进行机器视觉中所应用的比对识别技术。将物体模型中的特征孔转换为检测到的特征孔，可以理解，只需要知道两个图像点之间的对应关系，就可以算出目标模型与目标图像之间仿射变换中的缩放、旋转、平移等三个参数。
表1与表2说明了只要通过特征识别知道两张表中任一一对点对就可以计算出仿射变换的缩放、旋转、平移等三个参数，通过这三个参数就可以实现由目标模型到目标图像之间的映射，从而实现工件外形检测所要求的比对识别。
表1 模型中孔的的位置和各孔间的距离
点 坐标 到A的距离 到B的距离 到C的距离
A (9，18) 0 12 21
B (17，27) 12 0 26
C (23，2) 21 26 0
表2 图像中孔的的位置和各孔间的距离
点 坐标 到H1的距离 到H2的距离 到H3的距离
H1 (32,10) 0 21 26
H2 (11,13) 21 0 12
H3 (11,25) 26 12 0
基于上述原理，本实施例以飞机部件中的水平尾翼大腹板为例进行具体的工件外形检测操作，过程如下：
对于工件外形检测设计技术而言，首先是要建立大腹板匹配模板的外形检测图像，然后在所建立匹配模板外形检测图像的固定位置对大腹板进行图像采集，将所采集大腹板图像也进行同样的外形检测，随后通过这两个图像的外形检测匹配来查看大腹板外形是否与匹配模板一致，以此来检测大腹板的外形是否与工艺规范相符合。
根据上述描述，工件外形检测软件首先是要对匹配模板进行图像采集并处理形成边缘检测图像模板，接着用同样方式对大腹板进行图像采集并处理形成边缘外形检测图像，然后对这两幅图像进行匹配识别以此来检验大腹板外形。首先给出本软件模块需要输入的匹配模板图像用例，这也是本设计开发的输入起始点。通过运行该软件，工件外形检测软件模块的匹配模板外形检测输出如图4。在同样位置以同样方式对大腹板进行图像采集并形成工件外形边缘检测图像，随后对这两幅图像进行二值形态学中的减法运算，根据形态学运算原理，产生的输出图像中若大腹板外形有缺陷则会在缺陷处产生高亮度线条。

Claims (9)

1.一种基于机器视觉的工件外形检测方法，用于检测生产出的工件外形是否存在缺陷，其特征在于，所述方法包括：
1)建立工件的边缘检测图像模板；
2)采集待检测的工件图像，并对采集后的待检测工件图像进行初始化处理；
3)将步骤1)中得到的边缘检测图像模板和步骤2)中处理后的待检测工件图像进行二值图像形态学运算，根据运算结果判断工件外形是否存在缺陷。
2.根据权利要求1所述的基于机器视觉的工件外形检测方法，其特征在于，所述建立工件的边缘检测图像模板包括：构建工件的标准匹配模板，并对匹配模板进行图像采集，得到工件的边缘检测图像模板。
3.根据权利要求1所述的基于机器视觉的工件外形检测方法，其特征在于，所述建立工件的边缘检测图像模板包括：根据工件的标准数据值，通过计算机图像绘制工具，直接绘制得到工件的边缘检测图像模板。
4.根据权利要求1所述的基于机器视觉的工件外形检测方法，其特征在于，所述步骤2)包括：
21)采集待检测的工件图像；
22)对采集后的待检测工件图像进行坐标变换，实现采集后的待检测工件图像与边缘检测图像模板的坐标统一，得到处理后的待检测工件图像。
5.根据权利要求4所述的基于机器视觉的工件外形检测方法，其特征在于，所述步骤22)包括：
221)读取采集后的待检测工件图像中特征孔的第一坐标值，同时读取边缘检测图像模板中对应的特征孔的第二坐标值；
222)根据特征孔的第一坐标值和特征孔的第二坐标值确定图像变换参数；
223)根据步骤222)得到的图像变换参数，对采集后的待检测工件图像进行坐标变换，得到处理后的待检测工件图像。
6.根据权利要求5所述的基于机器视觉的工件外形检测方法，其特征在于，所述图像变换参数包括缩放变换参数、旋转变换参数和平移变换参数。
7.根据权利要求6所述的基于机器视觉的工件外形检测方法，其特征在于，
所述坐标变换具体为：
其中，(xw,yw)为处理后的待检测工件图像坐标，(xi,yi)为采集后的待检测工件图像坐标，s为缩放变换参数，θ为旋转变换参数，x0和y0均为平移变换参数。
8.根据权利要求1所述的基于机器视觉的工件外形检测方法，其特征在于，所述步骤3)包括：
31)将步骤1)中得到的边缘检测图像模板和步骤2)中处理后的待检测工件图进行二值图像形态学中的减法运算，得到差值输出图像；
32)判断差值输出图像中是否存在明显缺陷图像，若是则表明工件外形存在缺陷，若否则表明工件不存在明显缺陷。
9.根据权利要求8所述的基于机器视觉的工件外形检测方法，其特征在于，所述明显缺陷图像具体为：绝对长度超过规定阈值的高亮度线条。
CN201810072125.3A 2017-10-20 2018-01-25 一种基于机器视觉的工件外形检测方法 Pending CN108279241A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710985110 2017-10-20
CN2017109851101 2017-10-20

Publications (1)

Publication Number Publication Date
CN108279241A true CN108279241A (zh) 2018-07-13

Family

ID=62805056

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810072125.3A Pending CN108279241A (zh) 2017-10-20 2018-01-25 一种基于机器视觉的工件外形检测方法

Country Status (1)

Country Link
CN (1) CN108279241A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112991338A (zh) * 2021-04-27 2021-06-18 湖南大捷智能装备有限公司 一种用于激光切割零件的缺陷检测方法、装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH01227910A (ja) * 1988-03-08 1989-09-12 Hitachi Constr Mach Co Ltd 光学検査装置
CN102509300A (zh) * 2011-11-18 2012-06-20 深圳市宝捷信科技有限公司 一种缺陷检测方法及***
CN102680478A (zh) * 2012-04-25 2012-09-19 华南农业大学 一种基于机器视觉的机械零部件表面缺陷检测方法及装置
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
CN106600600A (zh) * 2016-12-26 2017-04-26 华南理工大学 基于特征匹配的晶圆缺陷检测方法
CN106897994A (zh) * 2017-01-20 2017-06-27 北京京仪仪器仪表研究总院有限公司 一种基于分层图像的pcb板缺陷检测***和方法
CN107084666A (zh) * 2017-05-10 2017-08-22 中国计量大学 基于机器视觉的刹车片尺寸综合检测方法
CN107192716A (zh) * 2017-04-26 2017-09-22 广东工业大学 一种基于轮廓特征的工件缺陷快速检测方法
CN107248159A (zh) * 2017-08-04 2017-10-13 河海大学常州校区 一种基于双目视觉的金属工件缺陷检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH01227910A (ja) * 1988-03-08 1989-09-12 Hitachi Constr Mach Co Ltd 光学検査装置
CN102509300A (zh) * 2011-11-18 2012-06-20 深圳市宝捷信科技有限公司 一种缺陷检测方法及***
CN102680478A (zh) * 2012-04-25 2012-09-19 华南农业大学 一种基于机器视觉的机械零部件表面缺陷检测方法及装置
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
CN106600600A (zh) * 2016-12-26 2017-04-26 华南理工大学 基于特征匹配的晶圆缺陷检测方法
CN106897994A (zh) * 2017-01-20 2017-06-27 北京京仪仪器仪表研究总院有限公司 一种基于分层图像的pcb板缺陷检测***和方法
CN107192716A (zh) * 2017-04-26 2017-09-22 广东工业大学 一种基于轮廓特征的工件缺陷快速检测方法
CN107084666A (zh) * 2017-05-10 2017-08-22 中国计量大学 基于机器视觉的刹车片尺寸综合检测方法
CN107248159A (zh) * 2017-08-04 2017-10-13 河海大学常州校区 一种基于双目视觉的金属工件缺陷检测方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
HONG HANMEI等: "Visual quality detection of aquatic products using machine vision", 《AQUACULTURAL ENGINEERING》 *
宾鸿赞等: "《先进加工过程技术》", 30 September 2009, 华中科技大学出版社 *
年雷等: "基于机器视觉的自由曲面轮廓度检测***", 《电子科技》 *
张玉娟等: "《遥感数字图像处理》", 31 July 2016, 哈尔滨工程大学出版社 *
李继桢等: "《位置误差测量》", 30 November 1993, 中国计量出版社 *
王建等: "《汽车现代测试技术》", 31 May 2013, 国防工业出版社 *
王魁生等: "浅谈图像仿射变换的应用", 《信息技术与信息化》 *
赵相伟等: "《MATLAB与测量数据处理》", 31 March 2014, 中国矿业大学出版社 *
高宏伟等: "《电子制造装备技术》", 30 September 2015, 西安电子科技大学出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112991338A (zh) * 2021-04-27 2021-06-18 湖南大捷智能装备有限公司 一种用于激光切割零件的缺陷检测方法、装置
CN112991338B (zh) * 2021-04-27 2021-07-27 湖南大捷智能装备有限公司 一种用于激光切割零件的缺陷检测方法、装置

Similar Documents

Publication Publication Date Title
Da et al. Sub-pixel edge detection based on an improved moment
CN107341802B (zh) 一种基于曲率与灰度复合的角点亚像素定位方法
CN103292701B (zh) 基于机器视觉的精密器件在线尺寸测量方法
CN108335331B (zh) 一种钢卷双目视觉定位方法及设备
CN107862690B (zh) 一种基于特征点匹配的电路板元器件定位方法和定位装置
CN102999886B (zh) 图像边缘检测器及标尺光栅栅线精度检测***
CN111862037A (zh) 基于机器视觉的精密孔类零件几何特征检测方法及***
CN108389184A (zh) 一种基于机器视觉的工件制孔数检测方法
CN105894002B (zh) 一种基于机器视觉的仪表示数识别方法
CN101063660B (zh) 一种纺织品缺陷检测方法及其装置
CN112037203A (zh) 基于复杂工件外轮廓配准的侧表面缺陷检测方法及***
KR102073468B1 (ko) 비전 시스템에서 컬러 이미지에 대해 컬러 후보 포즈들의 점수화를 위한 시스템 및 방법
CN105975979B (zh) 一种基于机器视觉的仪表检测方法
CN106340010B (zh) 一种基于二阶轮廓差分的角点检测方法
CN106682278B (zh) 基于图像处理的超声速流场预测准确度判定装置及方法
CN112991374B (zh) 基于Canny算法的边缘增强方法、装置、设备及存储介质
CN115937203B (zh) 一种基于模板匹配的视觉检测方法、装置、设备及介质
CN107036530A (zh) 工件位置的校准***及方法
CN104819915A (zh) 一种压裂支撑剂圆度、球度测试方法
CN113705564B (zh) 一种指针式仪表识别读数方法
CN108279241A (zh) 一种基于机器视觉的工件外形检测方法
CN114936997A (zh) 检测方法、装置、电子设备及可读存储介质
CN113744252A (zh) 用于标记和检测缺陷的方法、设备、存储介质和程序产品
CN106169079B (zh) 一种基于计算机视觉的压力容器数量识别方法
CN109034151A (zh) 一种用于多个指针式仪表识别的定位方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180713