CN109741314A - 一种零件的视觉检测方法及*** - Google Patents
一种零件的视觉检测方法及*** Download PDFInfo
- Publication number
- CN109741314A CN109741314A CN201811639460.3A CN201811639460A CN109741314A CN 109741314 A CN109741314 A CN 109741314A CN 201811639460 A CN201811639460 A CN 201811639460A CN 109741314 A CN109741314 A CN 109741314A
- Authority
- CN
- China
- Prior art keywords
- image
- circular hole
- detection zone
- radius
- detection
- 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
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出了一种零件的视觉检测方法及***,所述***包括以下步骤:获取零件的图像,并对所获取的零件图像进行预处理及二值化处理;获取零件图像中零件的边缘形状特征;获取零件图像的检测区域,所述检测区域为零件中包含所有圆孔的区域;通过霍夫圆变换识别检测区域中是否存在有圆孔,若存在,则获取所存在的每一个圆孔的半径大小及位置信息;根据所获取零件的边缘形状特征信息和零件图像中所有圆孔的半径大小、位置信息识别零件种类或判断零件是否合格。本发明可以较高效、精准的完成零件种类检测,避免了人工检验过程中由于视觉疲劳导致出错的问题,且可以根据检测区域提取的视觉特征信息较准确了解圆形特征的位置,精度高且效率高。
Description
技术领域
本发明涉及零件检测技术领域,具体涉及一种零件的视觉检测方法及***。
背景技术
在工业上的生产到装配的过程中,会有各种零件的分批次运输,由于各种零件的种类及数量众多,同时一些零件结构的不规则,在人工操作的过程中难以避免的会出现零件种类出错的情况。为了避免这种情况的发生,工厂在生产成品前,通过人工检验的方法观察零件是否出错;然而人工检验过程中,容易产生疲劳现象,当一个时间段内观察过多零件时,容易出现视觉疲劳,导致检验时容易发生错误,从而导致残品流入市场,造成企业不可弥补的损失。另外,在零件已装配的情况下,人工检验也很难检测出来。
发明内容
针对现有技术的不足,本发明提出一种零件的视觉检测方法及***,避免了人工检验过程中由于视觉疲劳导致出错的问题。
本发明的技术方案是这样实现的:一种零件的视觉检测方法,包括以下步骤:
步骤1,获取零件的图像,并对所获取的零件图像进行预处理及二值化处理;
步骤2,获取零件图像中零件的边缘形状特征;
步骤3,获取所述零件图像的检测区域,所述检测区域为零件中包含所有圆孔的区域;
步骤4,通过霍夫圆变换识别检测区域中是否存在有圆孔,若存在,则获取所存在的每一个圆孔的半径大小及位置信息;若不存在,则获取预设时间间隔后的一帧零件图像后,返回步骤1;
步骤5,根据所获取零件的边缘形状特征信息和零件图像中所有圆孔的半径大小、位置信息识别所述零件种类或判断所述零件是否合格。
进一步的,步骤1包括:
步骤101,获取零件的图像,对所获取的零件图像通过灰度转换、增强转换为灰度图像;
步骤102,对所述灰度图像进行高斯模糊处理,所述高斯模糊处理所用函数为
步骤103,对预处理后的零件图像进行二值化处理。
进一步的,步骤103包括:
将二值图像中的各像素点的灰度值与预设阈值进行对比,若大于所述预设阈值,则赋予该像素点灰度值255;否则,则赋予该像素点灰度值0。
进一步的,步骤3包括:
步骤301,通过图像形态学变换对零件图像中的圆孔的轮廓进行粗提取;
步骤302,根据粗提取后的圆孔利用最小外接矩形获取所述零件图像的检测区域,所述检测区域为零件中包含所有圆孔的区域。
进一步的,步骤4中,获取所存在的每一个圆孔的半径大小及位置信息包括:
首先用Canny算法进行边缘检测,得到检测区域中所有圆孔边界的二值图;
用Sobel算子计算检查区域中某一圆孔的梯度,遍历边缘二值图中的非0点,沿着梯度方向和反方向画线段,线段的起点和长度由设定的参数决定,将线段经过的点在累加器中计数,计数越多的点越有可能成为圆心,获取此时圆心的坐标为该圆孔的位置信息;
对所有非0点距圆心的距离从小到大排序,从小半径开始依次统计,相差在某个量的点都近似认为是同一个圆,计数所有属于该圆的点;逐渐放大半径继续计数,比较两个半径点的线密度=点数/半径,线密度越高,半径的可信度越大,在参数允许范围内反复以上步骤直至得到最优半径,此时的最优半径为该圆孔的半径。
一种零件的视觉检测方法,包括图像获取模块、图像预处理模块、二值化模块、零件边缘获取模块、检测区域获取模块、圆孔特征获取模块和判断模块,其中
图像获取模块,用于获取零件的图像;
图像预处理模块,用于对所获取的零件图像进行预处理;
二值化模块,用于对预处理后的零件图像进行二值化;
零件边缘获取模块,用于获取零件图像中零件的边缘形状特征;
检测区域获取模块,用于获取所述零件图像的检测区域,所述检测区域为零件中包含所有圆孔的区域;
圆孔特征获取模块,用于通过霍夫圆变换识别检测区域中是否存在有圆孔,若存在,则获取所存在的每一个圆孔的半径大小及位置信息;若不存在,则预设时间间隔后在图像获取模块中获取一帧零件图像后;
判断模块,根据所获取零件的边缘形状特征信息和零件图像中所有圆孔的半径大小、位置信息识别所述零件种类或判断所述零件是否合格。
进一步的,所述图像预处理模块包括灰度图像转换单元和高斯模糊处理单元,其中
灰度图像转换单元,用于对所获取的零件图像通过灰度转换、增强转换为灰度图像;
高斯模糊处理单元,用于对所述灰度图像进行高斯模糊处理,所述高斯模糊处理所用函数为
进一步的,所述二值化处理模块包括阈值设定单元和赋值单元,其中
阈值设定单元,用于设定预设阈值;
赋值单元,用于将二值图像中的各像素点的灰度值与预设阈值进行对比,若大于所述预设阈值,则赋予该像素点灰度值255;否则,则赋予该像素点灰度值0。
进一步的,所述检测区域获取模块包括圆孔轮轮廓提取单元和检测区域获取单元,其中
圆孔轮轮廓提取单元,用于通过图像形态学变换对零件图像中的圆孔的轮廓进行粗提取;
检测区域获取单元,用于根据粗提取后的圆孔利用最小外接矩形获取所述零件图像的检测区域,所述检测区域为零件中包含所有圆孔的区域。
进一步的,所述圆孔特征获取模块包括圆孔边缘检测单元、位置信息获取单元和半径大小获取单元,其中
圆孔边缘检测单元,用Canny算法进行边缘检测,得到检测区域中圆孔的边界的二值图;
位置信息获取单元,用于获取圆孔的位置信息;
半径大小获取单元,用于获取圆孔的半径大小。
与现有技术相比,本发明具有以下优点:本发明根据所获取的待测零件图像,进行边缘检测获取零件的边缘形状;然后再通过零件图像中的圆孔进行边缘检测,并提取包含所有圆孔的检测区域图像,从而将检测区域与背景干扰区域进行分割提取;再通过霍夫梯度法获取所有检测区域中所有圆孔的半径大小和位置信息;最终根据所获取零件的边缘形状特征信息和零件图像中所有圆孔的半径大小、位置信息识别所述零件种类或判断所述零件是否合格。本发明可以较高效、精准的完成零件种类检测,且可以根据检测区域提取的视觉特征信息较准确了解圆形特征的位置,具有精度高、非接触、效率高、成本低等优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明零件的视觉检测方法一实施例的流程图;
图2为本发明零件的视觉检测***一实施例的结构框图。
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作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。
参阅图1,本发明实施方式公开的一种零件的视觉检测方法,包括以下步骤:
步骤1,获取零件的图像,并对所获取的零件图像进行预处理及二值化处理;
本发明实施方式中,可通过摄像头对零件进行拍摄或者录制视频,所获取的零件图像为摄像头所拍摄的照片或者视频流数据的其中一帧视频图片。
步骤2,获取零件图像中零件的边缘形状特征;
本发明实施方式中,可通过多通道分离和边缘梯度特征提取方法获取零件图像中零件的边缘形状特征。
步骤3,获取所述零件图像的检测区域,所述检测区域为零件中包含所有圆孔的区域;
本发明实施方式中,将零件图像中包含所有圆孔的最小区域用最小外接矩形提取出来,从而避免背景干扰对圆孔的检测结果造成影响。
步骤4,通过霍夫圆变换识别检测区域中是否存在有圆孔,若存在,则获取所存在的每一个圆孔的半径大小及位置信息;若不存在,则获取预设时间间隔后的一帧零件图像后,返回步骤1;
本发明实施方式中,霍夫圆变换可对检测区域中的圆孔进行识别,并且可识别出检测区域中各个圆孔的半径大小及位置信息。
步骤5,根据所获取零件的边缘形状特征信息和零件图像中所有圆孔的半径大小、位置信息识别所述零件种类或判断所述零件是否合格。
如图2所示,本发明还提出一种零件的视觉检测方法,包括图像获取模块、图像预处理模块、二值化模块、零件边缘获取模块、检测区域获取模块、圆孔特征获取模块和判断模块。
其中,各个模块的介绍如下:
图像获取模块,用于获取零件的图像;
图像预处理模块,用于对所获取的零件图像进行预处理;
二值化模块,用于对预处理后的零件图像进行二值化;
零件边缘获取模块,用于获取零件图像中零件的边缘形状特征;
检测区域获取模块,用于获取所述零件图像的检测区域,所述检测区域为零件中包含所有圆孔的区域;
圆孔特征获取模块,用于通过霍夫圆变换识别检测区域中是否存在有圆孔,若存在,则获取所存在的每一个圆孔的半径大小及位置信息;若不存在,则预设时间间隔后在图像获取模块中获取一帧零件图像后;
判断模块,根据所获取零件的边缘形状特征信息和零件图像中所有圆孔的半径大小、位置信息识别所述零件种类或判断所述零件是否合格。
在该实施方式中,零件的视觉检测方法是以零件的视觉检测***作为步骤的的执行对象,也可以以***内的模块作为步骤的执行对象。具体地,步骤1由图像获取模块、图像预处理模块、二值化模块作为步骤的执行对象,步骤2由零件边缘获取模块作为步骤的执行对象,步骤3由检测区域获取模块作为步骤的执行对象,步骤4由圆孔特征获取模块作为步骤的执行对象,步骤5由判断模块作为步骤的执行对象。
当对零件进行分类时:通过将所检测的零件的边缘形状特征信息、圆孔的半径大小、圆孔的位置信息与存储在计算机中的各种类的零件的边缘形状特征信息、圆孔的半径大小、圆孔的位置信息分别进行一一对比,若各检测指标(零件的边缘形状特征信息、圆孔的半径大小、圆孔的位置)在A类零件的误差允许范围内,则待检测零件归属于A类零件,并将检测结果通过显示屏显示出来或者通过报警装置提示。
当对零件是否合格进行检测时,同样的:通过将所检测的零件的边缘形状特征信息、圆孔的半径大小、圆孔的位置信息与存储在计算机中的待检测零件的标准零件的边缘形状特征信息、圆孔的半径大小、圆孔的位置信息分别进行一一对比,若各检测指标(零件的边缘形状特征信息、圆孔的半径大小、圆孔的位置)在标准零件的误差允许范围内,则待检测零件为合格,否则为不合格,并将检测结果通过显示屏显示出来或者通过报警装置提示。
本发明主要是对刻有圆孔的零件进行检测,根据零件的轮廓及零件上圆孔的半径大小、圆心位置对零件的种类进行区分,或者判断待检测零件是否合格。本发明在实时检测零件过程中可以保留历史零件种类数据,可以较高效、精准的完成零件种类检测,且可以根据检测区域提取的视觉特征信息较准确了解圆形特征的位置,具有精度高、非接触、效率高、成本低等优点。
本发明实施方式中,具体的,步骤1包括:
步骤101,获取零件的图像,对所获取的零件图像转换为灰度图像;具体的,通过灰度转换、增强转换为灰度图像;
具体的,灰度转换过程是将获取到的零件图像(RGB三通道的彩色图像)进行图像的RGB三个分量进行加权平均得到灰度值为Gray的灰度图像,所述使用的灰度化函数为:
Gray=(B+G+R)/3;
或
Gray=0.072169B+0.715160G+0.212671R。
步骤102,对所述灰度图像进行高斯模糊处理,所述高斯模糊处理所用函数为
本发明实施方式中,利用高斯函数作为滤波函数,设置一个卷积扫描零件图像中的每一个像素,用模板确定的领域内像素的加权平均灰度值去替代模板中心像素点的值。本发明实施方式通过高斯模糊处理以降低图像噪音。
步骤103,对预处理后的零件图像进行二值化处理。
具体的,首先设定预设阈值,然后将二值图像中的各像素点的灰度值与预设阈值进行对比,若大于所述预设阈值,则赋予该像素点灰度值255;否则,则赋予该像素点灰度值0。
相应的,零件的视觉检测***中图像预处理模块包括灰度图像转换单元和高斯模糊处理单元,其中:
灰度图像转换单元,用于对所获取的零件图像通过灰度转换、增强转换为灰度图像;
高斯模糊处理单元,用于对所述灰度图像进行高斯模糊处理,所述高斯模糊处理所用函数为
具体的,零件的视觉检测***中二值化处理模块包括阈值设定单元和赋值单元,其中
阈值设定单元,用于设定预设阈值;
赋值单元,用于将二值图像中的各像素点的灰度值与预设阈值进行对比,若大于所述预设阈值,则赋予该像素点灰度值255;否则,则赋予该像素点灰度值0。
其中,步骤101可由灰度图像转换单元作为步骤的执行对象,步骤102可由高度模糊处理单元作为步骤的执行对象,步骤103可由二值化处理模块作为步骤的执行单元。
具体的,步骤2中,通过多通道分离和边缘梯度特征提取方法获取零件图像中零件的边缘形状特征,具体可包括以下子步骤:
步骤201,
具体的,通过多通道分离和边缘梯度特征提取方法获取零件图像中零件的边缘形状特征:
边缘梯度特征提取是通过四个滤波器分别检测零件图像中的水平、垂直和对角线边缘。根据检测的结果,边缘检测器的值返回一个水平方向分量Gx和竖直方向分量Gy,由此边缘梯度和方向即可通过下方公式确定:
因此,所有边缘的角度都在上述选定的四个方向(0°,45°,90°,135°)周围。
根据上述方法在上述四个方向的周围找出零件的类似边缘梯度后,使用两个门限分别定义高低边界,即设定阈值。假设所有的边缘应该不受噪声影响而且是连续的曲线,因此设置一个高门限用于判定确定是边缘的曲线,再由此出发,利用方向信息跟踪那些可追踪的图像边缘;当追踪该边缘时,应用低门限可以让追踪那些含有边缘的区域直到找到下一个曲线的起点;寻找过程结束后可最终获得零件图像中零件的边缘形状。
具体的,步骤3包括:
步骤301,通过图像形态学变换对零件图像中的圆孔的轮廓进行粗提取;
步骤302,根据粗提取后的圆孔利用最小外接矩形获取所述零件图像的检测区域,所述检测区域为零件中包含所有圆孔的区域。
相应的,零件的视觉检测***中检测区域获取模块包括圆孔轮轮廓提取单元和检测区域获取单元,其中
圆孔轮轮廓提取单元,用于通过图像形态学变换对零件图像中的圆孔的轮廓进行粗提取;
检测区域获取单元,用于根据粗提取后的圆孔利用最小外接矩形获取所述零件图像的检测区域,所述检测区域为零件中包含所有圆孔的区域。
其中,步骤301可由圆孔轮轮廓提取单元作为步骤的执行对象,步骤302可由检测区域获取单元作为步骤的执行对象。
本发明实施方式中,通过图像形态学变换获取零件图像中的圆孔的轮廓进行粗提取,然后采用最小外接矩形得到包含所有圆孔的最小检测区域,最大程度地避免了不相关区域(即不包含圆孔的区域)的干扰;最后通过霍夫梯度法获取对最小检测区域中各个圆孔的半径大小和圆心位置。
霍夫梯度法具体为:用三个参数表示一个圆C=(Xc,Yc,r),圆的表达式为(Xc-a)2+(Yc-b)2=r2,因此可把问题转换成在求解经过像素点最多的(a,b,r)参数对。因此,通过获取圆的圆心坐标(a,b)即可得到圆孔的坐标,即圆孔的位置信息;通过获取圆的半径r即可得到圆孔的半径大小。
因此,具体的,步骤4中,获取所存在的每一个圆孔的半径大小及位置信息包括:
步骤401,首先用Canny算法进行边缘检测,得到检测区域中所有圆孔边界的二值图;
步骤402,用Sobel算子计算检查区域中某一圆孔的梯度,遍历边缘二值图中的非0点,沿着梯度方向和反方向画线段,线段的起点和长度由设定的参数决定,将线段经过的点在累加器中计数,计数越多的点越有可能成为圆心,获取此时圆心的坐标为该圆孔的位置信息;
步骤403,对所有非0点距圆心的距离从小到大排序,从小半径开始依次统计,相差在某个量的点都近似认为是同一个圆,计数所有属于该圆的点;逐渐放大半径继续计数,比较两个半径点的线密度=点数/半径,线密度越高,半径的可信度越大,在参数允许范围内反复以上步骤直至得到最优半径,此时的最优半径为该圆孔的半径。
其他圆孔的半径大小和位置信息同样通过上述步骤401~步骤403获得。
相应的,零件的视觉检测方法中圆孔特征获取模块包括圆孔边缘检测单元、位置信息获取单元和半径大小获取单元,其中
圆孔边缘检测单元,用Canny算法进行边缘检测,得到检测区域中圆孔的边界的二值图;
位置信息获取单元,用Sobel算子计算检查区域中某一圆孔的梯度,遍历边缘二值图中的非0点,沿着梯度方向和反方向画线段,线段的起点和长度由设定的参数决定,将线段经过的点在累加器中计数,计数越多的点越有可能成为圆心,获取此时圆心的坐标为该圆孔的位置信息;
半径大小获取单元,用于对所有非0点距圆心的距离从小到大排序,从小半径开始依次统计,相差在某个量的点都近似认为是同一个圆,计数所有属于该圆的点;逐渐放大半径继续计数,比较两个半径点的线密度=点数/半径,线密度越高,半径的可信度越大,在参数允许范围内反复以上步骤直至得到最优半径,此时的最优半径为该圆孔的半径;
其中,步骤401可由圆孔边缘检测单元作为步骤的执行对象,步骤402可由位置信息获取单元作为步骤的执行对象,步骤403可由半径大小获取单元作为步骤的执行对象。
本发明对待测零件成像得到一帧目标检索图像,先通过多通道特征分解,并结合边缘梯度特征、局部特征提取零件图像中零件的边缘形状;然后通过边缘检测、提取目标区域形状特征对检测区域与背景干扰区域进行分割提取,得到分离出的检测区域的图像;再根据检测区域的图像获取所有圆孔的位置信息和半径大小;最终根据所获取零件的边缘形状特征信息和零件图像中所有圆孔的半径大小、位置信息识别所述零件种类或判断所述零件是否合格。本发明在实时检测零件种类时并保留历史零件种类数据,可以较高效、精准的完成零件种类检测,且可以根据检测区域提取的视觉特征信息较准确了解圆形特征的位置,具有精度高、非接触、效率高、成本低等优点。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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 (10)
1.一种零件的视觉检测方法,其特征在于,包括以下步骤:
步骤1,获取零件的图像,并对所获取的零件图像进行预处理及二值化处理;
步骤2,获取零件图像中零件的边缘形状特征;
步骤3,获取所述零件图像的检测区域,所述检测区域为零件中包含所有圆孔的区域;
步骤4,通过霍夫圆变换识别检测区域中是否存在有圆孔,若存在,则获取所存在的每一个圆孔的半径大小及位置信息;若不存在,则获取预设时间间隔后的一帧零件图像后,返回步骤1;
步骤5,根据所获取零件的边缘形状特征信息和零件图像中所有圆孔的半径大小、位置信息识别所述零件种类或判断所述零件是否合格。
2.如权利要求1所述零件的视觉检测方法,其特征在于,步骤1包括:
步骤101,获取零件的图像,对所获取的零件图像通过灰度转换、增强转换为灰度图像;
步骤102,对所述灰度图像进行高斯模糊处理,所述高斯模糊处理所用函数为
步骤103,对预处理后的零件图像进行二值化处理。
3.如权利要求2所述零件的视觉检测方法,其特征在于,步骤103包括:
将二值图像中的各像素点的灰度值与预设阈值进行对比,若大于所述预设阈值,则赋予该像素点灰度值255;否则,则赋予该像素点灰度值0。
4.如权利要求3所述零件的视觉检测方法,其特征在于,步骤3包括:
步骤301,通过图像形态学变换对零件图像中的圆孔的轮廓进行粗提取;
步骤302,根据粗提取后的圆孔利用最小外接矩形获取所述零件图像的检测区域,所述检测区域为零件中包含所有圆孔的区域。
5.如权利要求4所述零件的视觉检测方法,其特征在于,步骤4中,获取所存在的每一个圆孔的半径大小及位置信息包括:
首先用Canny算法进行边缘检测,得到检测区域中所有圆孔边界的二值图;
用Sobel算子计算检查区域中某一圆孔的梯度,遍历边缘二值图中的非0点,沿着梯度方向和反方向画线段,线段的起点和长度由设定的参数决定,将线段经过的点在累加器中计数,计数越多的点越有可能成为圆心,获取此时圆心的坐标为该圆孔的位置信息;
对所有非0点距圆心的距离从小到大排序,从小半径开始依次统计,相差在某个量的点都近似认为是同一个圆,计数所有属于该圆的点;逐渐放大半径继续计数,比较两个半径点的线密度=点数/半径,线密度越高,半径的可信度越大,在参数允许范围内反复以上步骤直至得到最优半径,此时的最优半径为该圆孔的半径。
6.一种零件的视觉检测方法,其特征在于,包括图像获取模块、图像预处理模块、二值化模块、零件边缘获取模块、检测区域获取模块、圆孔特征获取模块和判断模块,其中
图像获取模块,用于获取零件的图像;
图像预处理模块,用于对所获取的零件图像进行预处理;
二值化模块,用于对预处理后的零件图像进行二值化;
零件边缘获取模块,用于获取零件图像中零件的边缘形状特征;
检测区域获取模块,用于获取所述零件图像的检测区域,所述检测区域为零件中包含所有圆孔的区域;
圆孔特征获取模块,用于通过霍夫圆变换识别检测区域中是否存在有圆孔,若存在,则获取所存在的每一个圆孔的半径大小及位置信息;若不存在,则预设时间间隔后在图像获取模块中获取一帧零件图像后;
判断模块,根据所获取零件的边缘形状特征信息和零件图像中所有圆孔的半径大小、位置信息识别所述零件种类或判断所述零件是否合格。
7.如权利要求6所述零件的视觉检测方法,其特征在于,所述图像预处理模块包括灰度图像转换单元和高斯模糊处理单元,其中
灰度图像转换单元,用于对所获取的零件图像通过灰度转换、增强转换为灰度图像;
高斯模糊处理单元,用于对所述灰度图像进行高斯模糊处理,所述高斯模糊处理所用函数为
8.如权利要求7所述零件的视觉检测方法,其特征在于,所述二值化处理模块包括阈值设定单元和赋值单元,其中
阈值设定单元,用于设定预设阈值;
赋值单元,用于将二值图像中的各像素点的灰度值与预设阈值进行对比,若大于所述预设阈值,则赋予该像素点灰度值255;否则,则赋予该像素点灰度值0。
9.如权利要求8所述零件的视觉检测方法,其特征在于,所述检测区域获取模块包括圆孔轮轮廓提取单元和检测区域获取单元,其中
圆孔轮轮廓提取单元,用于通过图像形态学变换对零件图像中的圆孔的轮廓进行粗提取;
检测区域获取单元,用于根据粗提取后的圆孔利用最小外接矩形获取所述零件图像的检测区域,所述检测区域为零件中包含所有圆孔的区域。
10.如权利要求9所述零件的视觉检测方法,其特征在于,所述圆孔特征获取模块包括圆孔边缘检测单元、位置信息获取单元和半径大小获取单元,其中
圆孔边缘检测单元,用Canny算法进行边缘检测,得到检测区域中圆孔的边界的二值图;
位置信息获取单元,用于获取圆孔的位置信息;
半径大小获取单元,用于获取圆孔的半径大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811639460.3A CN109741314A (zh) | 2018-12-29 | 2018-12-29 | 一种零件的视觉检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811639460.3A CN109741314A (zh) | 2018-12-29 | 2018-12-29 | 一种零件的视觉检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109741314A true CN109741314A (zh) | 2019-05-10 |
Family
ID=66362436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811639460.3A Pending CN109741314A (zh) | 2018-12-29 | 2018-12-29 | 一种零件的视觉检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109741314A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969357A (zh) * | 2019-12-03 | 2020-04-07 | 西安交通大学 | 一种铝合金机加工零件孔洞视觉检测方法 |
CN111531203A (zh) * | 2020-05-12 | 2020-08-14 | 西北工业大学 | 一种飞机壁板锪窝孔深度在线视觉检测方法及*** |
CN112084964A (zh) * | 2020-09-11 | 2020-12-15 | 浙江水晶光电科技股份有限公司 | 产品识别设备、方法及存储介质 |
CN112232222A (zh) * | 2020-10-19 | 2021-01-15 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像处理的动车轴箱端盖螺栓丢失故障检测方法 |
CN112734689A (zh) * | 2020-12-16 | 2021-04-30 | 广州大学 | 垫片质量检测方法、***、装置和存储介质 |
CN113049600A (zh) * | 2021-03-31 | 2021-06-29 | 上汽通用五菱汽车股份有限公司 | 一种基于视觉检测的发动机零件错漏装检测方法及*** |
CN113269767A (zh) * | 2021-06-07 | 2021-08-17 | 中电科机器人有限公司 | 基于机器视觉的批量零件特征检测方法、***、介质和设备 |
CN113920146A (zh) * | 2021-12-10 | 2022-01-11 | 杭州安脉盛智能技术有限公司 | 一种基于灰度及边缘信息融合复杂圆定位方法 |
CN114663427A (zh) * | 2022-04-25 | 2022-06-24 | 北京与子成科技有限公司 | 基于图像处理的锅炉零件尺寸检测方法 |
CN114764790A (zh) * | 2022-03-31 | 2022-07-19 | 南通市立新机械制造有限公司 | 一种基于霍夫圆检测的齿轮断齿检测方法 |
CN114998311A (zh) * | 2022-07-11 | 2022-09-02 | 江苏名欧精密机械有限公司 | 一种基于同态滤波的零件精密度检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060210116A1 (en) * | 2005-03-18 | 2006-09-21 | Honda Elesys Co., Ltd. | Lane recognition apparatus |
WO2013151266A1 (en) * | 2012-04-04 | 2013-10-10 | Movon Corporation | Method and system for lane departure warning based on image recognition |
CN103793712A (zh) * | 2014-02-19 | 2014-05-14 | 华中科技大学 | 一种基于边缘几何特征的图像识别方法及*** |
CN104613869A (zh) * | 2015-01-28 | 2015-05-13 | 南京信息工程大学 | 一种基于最大内切圆的椭圆孔组检测方法和*** |
CN105139386A (zh) * | 2015-08-12 | 2015-12-09 | 南京航空航天大学 | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 |
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 |
CN107818583A (zh) * | 2017-11-07 | 2018-03-20 | 歌尔股份有限公司 | 十字中心检测方法及装置 |
CN109003258A (zh) * | 2018-06-15 | 2018-12-14 | 广东工业大学 | 一种高精度亚像素圆形零件测量方法 |
CN109063634A (zh) * | 2018-07-29 | 2018-12-21 | 国网上海市电力公司 | 在电力监控中采用霍夫圆变换识别目标物体区域电气符号的方法 |
-
2018
- 2018-12-29 CN CN201811639460.3A patent/CN109741314A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060210116A1 (en) * | 2005-03-18 | 2006-09-21 | Honda Elesys Co., Ltd. | Lane recognition apparatus |
WO2013151266A1 (en) * | 2012-04-04 | 2013-10-10 | Movon Corporation | Method and system for lane departure warning based on image recognition |
CN103793712A (zh) * | 2014-02-19 | 2014-05-14 | 华中科技大学 | 一种基于边缘几何特征的图像识别方法及*** |
CN104613869A (zh) * | 2015-01-28 | 2015-05-13 | 南京信息工程大学 | 一种基于最大内切圆的椭圆孔组检测方法和*** |
CN105139386A (zh) * | 2015-08-12 | 2015-12-09 | 南京航空航天大学 | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 |
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 |
CN107818583A (zh) * | 2017-11-07 | 2018-03-20 | 歌尔股份有限公司 | 十字中心检测方法及装置 |
CN109003258A (zh) * | 2018-06-15 | 2018-12-14 | 广东工业大学 | 一种高精度亚像素圆形零件测量方法 |
CN109063634A (zh) * | 2018-07-29 | 2018-12-21 | 国网上海市电力公司 | 在电力监控中采用霍夫圆变换识别目标物体区域电气符号的方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969357A (zh) * | 2019-12-03 | 2020-04-07 | 西安交通大学 | 一种铝合金机加工零件孔洞视觉检测方法 |
CN111531203A (zh) * | 2020-05-12 | 2020-08-14 | 西北工业大学 | 一种飞机壁板锪窝孔深度在线视觉检测方法及*** |
CN112084964A (zh) * | 2020-09-11 | 2020-12-15 | 浙江水晶光电科技股份有限公司 | 产品识别设备、方法及存储介质 |
CN112232222A (zh) * | 2020-10-19 | 2021-01-15 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像处理的动车轴箱端盖螺栓丢失故障检测方法 |
CN112232222B (zh) * | 2020-10-19 | 2021-05-07 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像处理的动车轴箱端盖螺栓丢失故障检测方法 |
CN112734689A (zh) * | 2020-12-16 | 2021-04-30 | 广州大学 | 垫片质量检测方法、***、装置和存储介质 |
CN113049600A (zh) * | 2021-03-31 | 2021-06-29 | 上汽通用五菱汽车股份有限公司 | 一种基于视觉检测的发动机零件错漏装检测方法及*** |
CN113269767A (zh) * | 2021-06-07 | 2021-08-17 | 中电科机器人有限公司 | 基于机器视觉的批量零件特征检测方法、***、介质和设备 |
CN113920146A (zh) * | 2021-12-10 | 2022-01-11 | 杭州安脉盛智能技术有限公司 | 一种基于灰度及边缘信息融合复杂圆定位方法 |
CN114764790A (zh) * | 2022-03-31 | 2022-07-19 | 南通市立新机械制造有限公司 | 一种基于霍夫圆检测的齿轮断齿检测方法 |
CN114663427A (zh) * | 2022-04-25 | 2022-06-24 | 北京与子成科技有限公司 | 基于图像处理的锅炉零件尺寸检测方法 |
CN114663427B (zh) * | 2022-04-25 | 2023-06-16 | 北京与子成科技有限公司 | 基于图像处理的锅炉零件尺寸检测方法 |
CN114998311A (zh) * | 2022-07-11 | 2022-09-02 | 江苏名欧精密机械有限公司 | 一种基于同态滤波的零件精密度检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741314A (zh) | 一种零件的视觉检测方法及*** | |
CN105139386B (zh) | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 | |
CN109816644B (zh) | 一种基于多角度光源影像的轴承缺陷自动检测*** | |
US8340420B2 (en) | Method for recognizing objects in images | |
CN109978822B (zh) | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 | |
CN109870461B (zh) | 一种电子元器件质量检测*** | |
CN106920219B (zh) | 物品缺陷检测方法、图像处理***与计算机可读记录介质 | |
CN110220917A (zh) | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 | |
CN101995223B (zh) | 一种芯片外观检测方法及*** | |
CN104990925B (zh) | 一种基于梯度多阈值优化缺陷检测方法 | |
CN107389701A (zh) | 一种基于图像的pcb表观缺陷自动检测***及方法 | |
CN108109137A (zh) | 车辆部件的机器视觉检测***及方法 | |
CN106529559A (zh) | 一种指针式圆形多仪表盘实时读数识别方法 | |
CN104537651B (zh) | 一种路面图像中裂缝比例检测方法及*** | |
CN104809433B (zh) | 一种基于最大稳定区域和随机采样的斑马线检测方法 | |
CN104008550A (zh) | 晶圆表面缺陷特征分析方法、***、分类方法和*** | |
CN103034838A (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
CN111382704A (zh) | 基于深度学习的车辆压线违章判断方法、装置及存储介质 | |
CN106407924A (zh) | 基于路面特征的双目道路识别检测方法 | |
CN110047063B (zh) | 一种物料掉落的检测方法、装置、设备及存储介质 | |
CN106530281A (zh) | 基于边缘特征的无人机图像模糊判断方法及*** | |
CN109190623A (zh) | 一种识别投影仪品牌和型号的方法 | |
CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN108765456B (zh) | 基于直线边缘特征的目标跟踪方法、*** | |
CN111695373A (zh) | 斑马线的定位方法、***、介质及设备 |
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: 20190510 |