CN110009618A - 一种轴类零件表面质量检测方法及装置 - Google Patents

一种轴类零件表面质量检测方法及装置 Download PDF

Info

Publication number
CN110009618A
CN110009618A CN201910261832.1A CN201910261832A CN110009618A CN 110009618 A CN110009618 A CN 110009618A CN 201910261832 A CN201910261832 A CN 201910261832A CN 110009618 A CN110009618 A CN 110009618A
Authority
CN
China
Prior art keywords
image
defect
connected domain
axial workpiece
axle surface
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
Application number
CN201910261832.1A
Other languages
English (en)
Other versions
CN110009618B (zh
Inventor
高一聪
李康杰
冯毅雄
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201910261832.1A priority Critical patent/CN110009618B/zh
Publication of CN110009618A publication Critical patent/CN110009618A/zh
Application granted granted Critical
Publication of CN110009618B publication Critical patent/CN110009618B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种轴类零件表面质量检测方法及装置。通过工业高速线扫描相机对轴类零件表面拍照，对获得的轴类零件工业高速线扫描图像进行预处理，用改进的阀值迭代算法完成图像分割，通过去除背景、噪点和干扰提取缺陷图像；再结合分割图像各连通域的面积、面积占比、粗短度，并结合图像三维重构的深度信息提取缺陷特征，训练分类器对缺陷类型进行识别。本发明能检测轴类零件表面质量，并且能自动识别轴类零件的表面缺陷类别，具有较高的缺陷识别率，对水渍等伪缺陷具有较好的鲁棒性。

Description

一种轴类零件表面质量检测方法及装置
技术领域
本发明属于自动化检测技术领域，具体是一种轴类零件表面质量检测方法及装置。
背景技术
金属轴类零件是各类设备的基础零件，主要起传递扭矩和承受载荷的作用。其质量的好坏直接影响着设备的正常运转和和安全生产。传统的荧光磁粉检测依靠工人手动操作完成，不仅工人劳动强度大，而且检验效率低，不可避免存在误捡、漏检的情况。
近年来，随着机器视觉和光电技术的发展，直接利用图像进行表面缺陷检测的理论研究得到了长足的发展。基于图像的缺陷检测技术引起了学术界和工业界的广泛关注。Saridis等针对工业钢板，通过固定模式扫描图像，对前后差分运算过后的图像进行判断是否存在缺陷。Sayed等提出了一种新的纺织行业织物疵点检测算法，通过使用熵滤波和最小误差阈值分割，使得在织物疵点检测中具有良好性能。Li等针对卷烟标签，改进了现有的缺陷检测算法，提出了将最小外接矩形应用于缺陷形状分析，得到了较好的实用性和较高的检测精度。Zhang等针对多纹理图像中轮胎缺陷的检测，提出了一种基于小波多尺度分析的轮胎缺陷检测方法，利用缺陷边缘测量模型对边缘进行检测以区分缺陷和背景纹理。何再兴等提出了一种基于缺陷特征与种子填充的轮毂缺陷检测方法,通过山峰定位获得缺陷像素小块，利用种子填充算法快速获得缺陷图像。王宣银等提出了一种基于多元图像分析的表面缺陷检测算法，受照明不均匀影响小，提高了图像检测***的准确性和鲁棒性。李漫丽等针对木板表面节子缺陷被染料染色后难以识别的问题，利用图像融合技术提出一种新的木板表面缺陷检测方法，并验证了基于Laplacian金字塔算法的融合效果最好。在轴类零件的缺陷检测领域，Lu等提出了一种快速检测轴类表面缺陷的方法，通过中值滤波，OTSU阈值分割，数学形态学检验缺陷目标，提取轮廓特征，利用SVM对缺陷分类。孙雪晨等设计了缺陷分割算法和缺陷区域标记算法，完成了对凸轮轴表面的外伤、砂眼、研磨不良等典型缺陷的判定。
综上所述，基于图像的缺陷检测技术特别在轴类工件表面检测上的应用还处于起步阶段，现有检测方法存在图像特征误判率高、检测效率不高等问题。
发明内容
为了提高轴类零件缺陷检测的准确性和鲁棒性，本发明提出了一种轴类零件表面质量检测方法及装置。
本发明采用以下技术方案：
一、一种轴类零件表面质量检测方法，方法包含以下步骤：
步骤1)采用工业高速线扫描相机对轴类零件的表面拍照，获得轴类零件工业高速线扫描图像，轴类零件上设有孔和键，且图像中轴类零件的轴向沿图像水平方向；
具体实施中，工业高速线扫描相机用平行于轴向的高速线对轴类零件进行扫描，扫描后拼接构成完整图像。
步骤2)轴类零件工业高速线扫描图像阈值分割：
采用改进的高灵敏度图像阈值迭代分割方法按照灰度等级对获取轴类零件图像的像素进行分割，分成前景和背景并进行二值化；
步骤3)轴类零件缺陷图像提取：
首先，对分割后的图像进行背景去除；
然后，通过二值图像求取连通域算法获得图像连通域，满足下式L<τ∩W<τ的图像连通域则判断为噪点，并对噪点进行去除，式中，τ为噪点判定阈值，L、W为图像连通域的最小外接矩形长和宽；
最后，去除图像上轴类零件孔和键的干扰部分；如果缺陷图像不存在表面此轴为合格品，对不合格品的缺陷图像类型进行分类。
步骤4)轴类零件表面缺陷分类：综合利用缺陷图像的二维信息与灰度图三维重建得到的三维信息提取四种特征进行轴类零件表面缺陷分类。
所述步骤2)中，改进的高灵敏度图像阈值迭代分割方法步骤如下：
2.1)设图像灰度值为g(x,y)，x,y为图像像素点的横纵坐标，找出最大和最小像素灰度值Lmax和Lmin，取其中值T1作为图像的初始分割值，式中i初始为0；
2.2)利用第i次迭代的分割值Ti将图像分割成g(x,y)<Ti和g(x,y)>Ti的前景和背景两个区域，分别计算出两个区域各自的像素数N1和N2以及各自的平均灰度值Ao和Ab：
2.3)再计算新的分割值Ti+1＝αAo+βAb，α和β为第一、第二权值系数，α≠β；
若|Ti-Ti+1|<ε则迭代停止，ε表示迭代停止阈值，Ti+1为最后阈值，否则Ti＝Ti+1，返回步骤2.1)；
具体实施中，第一、第二权值系数α和β用以调节划分的阈值中前景和背景的权值。当对前景更加敏感时，β值大一些，当对背景更加敏感时，α值大一些。
2.4)重复上述步骤不断迭代处理，以迭代停止获得的最终分割值Ti将图像分割成前景和背景的两个区域，将前景设置为0，将背景设置为1，进行二值化处理。
所述步骤3)，对分割后的图像进行背景去除，具体为：
根据步骤2)分割后的结果作出有每一列的纵坐标累加值绘制构成曲线的二值图纵坐标累加图，具体是将图像同一列所有像素二值化后的像素值相加作为该列的纵坐标累加值，每一列具有一个纵坐标累加值，所有纵坐标累加值绘制曲线构成二值图纵坐标累加图。累加之后出现背景部分的累加值显著高于孔、键与缺陷部位累加值，并存在明显界限，此处曲线发生陡然变化。将曲线上发生陡然变化处的两条竖向界线作为分界线，图像中从左到右的两条分界线的横坐标记为tl和t2，对图像横坐标位于t1+Δt和t2-Δt之间部分进行保留，Δt为安全裕值，其余部分作为背景舍去。
所述步骤3)，去除图像上轴类零件孔和键的干扰部分，具体为：
3.1)去除噪点后的图像记为原始图像img，原始图像img复制得到参照图像img_m，对参照图像img_m进行闭操作除内部斑点，之后再进行开操作去除缺陷，最后对参照图像img_m进行膨胀处理；
3.2)对步骤3.1)处理得到的参照图像img_m中的每一个连通域计算最小外接矩形的长L、宽W；将满足|Ls_k-L|<λ·Ls_k∩|Ws_k-W|<λ·Ws_k条件的图像连通域作为孔连通域，将满足|Ls_j-L|<λ·Ls_j∩|Ws_j-W|<λ·Ws_j条件的图像连通域作为键连通域，其中Ls_k和Ws_k分别表示图像中合格轴的孔连通域的外接矩形长和宽，Ls_j和Ws_j分别表示图像中合格键的孔连通域的外接矩形长和宽，λ表示形状判定接受度；
根据沿图像同一列上孔和健连通域的中心位置的纵坐标差作为干扰竖直方向上周期Δy，参照图像img_m的上方和下方进行扩展，扩展出高度为Δy且填充为0的像素行，参照图像img_m的左右两侧不扩展，将参照图像img_m中的最上方完整干扰与最下方完整干扰分别向上和向下移动距离Δy，最上方完整干扰是指纵坐标最大的多个连通域，最下方完整干扰是指纵坐标最小的多个连通域；最后原始图像img减去参照图像img_m中的所有连通域部分得到缺陷图像。
所述步骤4)，具体为：
结合轴类零件表面缺陷特点，针对提取缺陷后的轴类零件图像通过二值图像连通域求取算法得到缺陷连通域，构造以下三个二维特征：连通域面积S、连通域面积与其最小外接矩形的面积比S/(LW)和粗短度W/L，W、L为最小外接矩形的短边与长边；
由于图像二维特征已不能准确识别此水渍伪缺陷，因而通过找出二值图中缺陷连通域对应的原灰度图像，通过三维重构算法得到缺陷连通域中各像素点的深度Z(x,y)，式中x,y为缺陷连通域中图像的横纵坐标，利用其深度判别水渍等伪缺陷，根据水渍三维重建图特点，提出采用以下公式获得缺陷连通域的深度反射特征：
式中，γ为阶跃函数，T为深度阈值，r为连通域的最小外接矩形细长度，即长边比短边的比值，S为连通域面积，D表示深度反射特征；
用已知表面质量合格的轴类零件对应的所有连通域面积S、连通域面积与其最小外接矩形的面积比S/(LW)、粗短度W/L、深度反射特征D输入到分类器进行训练，用训练好的分类器对表面质量待检测的轴类零件进行缺陷分类检测。
二、一种轴类零件表面质量检测装置：
包括成像模块、驱动模块、控制模块、计算模块和显示模块；
所述成像模块，用于获取高质量的轴类零件表面图像，包括使用光源和相机，光源和相机放置在轴类零件一侧；
所述驱动模块，用于驱动待检测轴类零件旋转绕自身中轴线旋转，并负责轴类零件的上装与下装；
所述控制模块，用于控制驱动模块和成像模块，对相机采集拍摄获取轴类零件的图像进行拼接，获得高保真图像；
所述计算模块，用于对高保真图像进行阈值分割、缺陷图像提取、轴类零件表面缺陷分类；
所述显示模块，用于接收和显示计算模块的结果，显示轴类零件表面质量检测结果。
所述光源为线性光源。
所述相机为工业线扫描CCD相机。
本发明的有益效果为：
1、本发明通过改进阈值迭代法完成阈值分割，获得高灵敏度图像，最大程度的提取了缺陷。通过背景、噪点和干扰排除完成图像分割，提取缺陷图像。
2、本发明通过提取缺陷图像二维特征：面积、面积占比、粗短度，并结合三维重构得到的深度反射特征进行缺陷分类，使得缺陷类型识别具有强鲁棒性。
3、本发明与传统人工方法比，本发明采用方法自动化程度高，可以实现非接触检测，工作状态稳定，检测速度快。
附图说明
为了进一步阐述本发明所描述的内容，下面结合附图对本发明的具体实施方式作进一步详细的说明。应当理解，这些附图仅作为典型示例，而不应看作是对本发明的范围的限定。
图1为本发明方法的整体流程图。
图2为本发明的检测装置的原理示意图。
图3为本发明检测装置的获得图像的示意图。
图4为本发明阈值分割与取反后示意图。
图5为本发明二值图纵坐标累加值坐标图。
图6为本发明背景去除后示意图。
图7为本发明完成缺陷提取后示意图。
图8为凹坑缺陷示意图与三维重建图。
图8(a)为凹坑缺陷灰度图。
图8(b)为凹坑三维重建图。
图9为裂纹缺陷示意图与三维重建图。
图9(a)为裂纹缺陷灰度图。
图9(b)为裂纹三维重建图。
图10为麻点缺陷示意图与三维重建图。
图10(a)为麻点缺陷灰度图。
图10(b)为麻点三维重建图。
图11为伪缺陷水渍示意图与三维重建图。
图11(a)为伪缺陷水渍灰度图。
图11(b)为水渍三维重建图。
图12为最小外接矩形示意图。
图13为缺陷轴检测结果图。
图14为正常轴检测结果图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭晓的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰和改变。
如图1所示，本发明专利的实施例包括以下步骤：
如图2所示，具体实施的装置包括成像模块，用于获取高质量的轴类零件表面图像、使用合适的光源，以及相机，光源放置在轴类零件一侧，相机放置在另一侧。驱动模块，用于驱动待检测轴类零件旋转指定角度，使其沿轴线旋转，并负责轴类零件的上装与下装。控制模块，用于控制驱动模块和成像模块，对相机获取图像进行拼接，获得高保真图像。搭建检测装置实验平台，获取图像如图3所示。
实施过程主要分为三个框架步骤：阈值分割、缺陷图像提取、缺陷分类。
步骤1、工业高速线扫描相机CA-HL02MX及其配套部件对轴类零件表面拍照，获得轴类零件工业高速线扫描图像。
步骤2、阈值分割
2.1)设图像灰度值为g(x,y)，x,y为图像像素点的横纵坐标，找出最大和最小像素灰度值Lmax和Lmin，取其中值T1作为图像的初始分割值，式中i初始为0；
2.2)利用第i次迭代的分割值Ti将图像分割成g(x,y)<Ti和g(x,y)>Ti的前景和背景两个区域，分别计算出两个区域各自的像素数N1和N2以及各自的平均灰度值Ao和Ab：
2.3)再计算新的分割值Ti+1＝αAo+βAb，α和β为第一、第二权值系数，α≠β；
若|Ti-Ti+1|<ε则迭代停止，ε表示迭代停止阈值，Ti+1为最后阈值，否则Ti＝Ti+1，返回步骤2.1)；
2.4)重复上述步骤不断迭代处理，以迭代停止获得的最终分割值Ti将图像分割成前景和背景的两个区域，将前景设置为0，将背景设置为1，进行二值化处理。
本例中，β具体为0.995，α为0.005。迭代停止阈值取ε为0.001。
步骤3、缺陷图像提取
3.1)对分割后的二值图进行取反，如图4所示。
两边白色条状为采集***两端夹持部位，为待去除的背景。二值图纵坐标累加值如图5所示，背景部分累加值显著高于孔、键与缺陷部位累加值，并存在明显界限，此处曲线发生陡然变化。将曲线上发生陡然变化处的两条竖向界线作为分界线，图像中从左到右的两条分界线的横坐标记为tl和t2，对图像横坐标位于t1+Δt和t2-Δt之间部分进行保留，Δt为安全裕值，其余部分作为背景舍去。本例中Δt＝20，背景去除后得图6。
3.2)通过二值图像求取连通域算法，灰度值低和面积很小的缺陷区域为噪点，将满足下式L<τ∩W<τ的图像连通域则判断为噪点，并对噪点进行去除，式中，τ为噪点判定阈值，L、W为图像连通域的最小外接矩形长和宽；本例τ＝15。
3.3)接下来进行表面规则干扰排除：
3.3.1)去除噪点后的图像记为原始图像img，原始图像img复制得到参照图像img_m，对参照图像img_m进行闭操作除内部斑点，闭操作选取disk结构元素，大小为8。之后再进行开操作去除缺陷，选取disk结构元素，大小为30。最后对参照图像img_m进行膨胀处理，选取disk结构元素，大小为5；
3.3.2)对步骤3.1)处理得到的参照图像img_m中的每一个连通域计算最小外接矩形的长L、宽W；将满足|Ls_k-L|<λ·Ls_k∩|Ws_k-W|<λ·Ws_k条件的图像连通域作为孔连通域，将满足|Ls_j-L|<λ·Ls_j∩|Ws_j-W|<λ·Ws_j条件的图像连通域作为键连通域，其中Ls_k和Ws_k分别表示图像中合格轴的孔连通域的外接矩形长和宽，Ls_j和Ws_j分别表示图像中合格键的孔连通域的外接矩形长和宽，λ表示形状判定接受度；本例Ls_k＝118，Ws_k＝118，Ls_j＝674，Ws_j＝214，λ＝0.2。
根据沿图像同一列上孔和健连通域的中心位置的纵坐标差作为干扰竖直方向上周期Δy，本例Δy＝833，参照图像img_m的上方和下方进行扩展，扩展出高度为Δy且填充为0的像素行，参照图像img_m的左右两侧不扩展，将参照图像img_m中的最上方完整干扰与最下方完整干扰分别向上和向下移动距离Δy，最上方完整干扰是指纵坐标最大的多个连通域，最下方完整干扰是指纵坐标最小的多个连通域；最后原始图像img减去参照图像img_m中的所有连通域部分得到缺陷图像。如图7所示。如果缺陷图像不存在表面此轴为合格品，对不合格品的缺陷图像类型进行分类。
步骤4、缺陷图像分类
常见缺陷类型及其三维重建图如凹坑图8，裂纹图9，麻点图10，此外还有伪缺陷水渍图11,图中(a)为缺陷图像，(b)为重建结果。
为实现缺陷正确分类需要提取缺陷特征。结合轴类零件表面缺陷特点，针对提取缺陷后的轴类零件图像通过二值图像连通域求取算法得到缺陷连通域，进一步构造如下二维特征：连通域面积：S、连通域与其最小外接矩形的面积比(面积占比)：S/(LW)、粗短度：W/L。W、L为最小外接矩形的短边与长边。
找出二值图中各缺陷连通域对应的原灰度图像，其最小外接矩形如图12所示，短边W，长边L。通过三维重构算法得到缺陷连通域中各像素点的深度Z(x,y)。式中x,y为缺陷连通域中图像横纵坐标。具体可利用文献(Tsai P S,Shah M.Shape From Shading UsingLinear Approximation[J].Image Vision Comp,1995,12(8):487-498)所述方法进行重构。根据水渍三维重建图特点，提出以下计算缺陷连通域深度反射特征：
式中，γ为阶跃函数，T为深度阈值，本例取2，r为连通域的最小外接矩形细长度，即长边比短边的比值，S为连通域面积，D表示深度反射特征。
用缺陷图像的各连通域面积S、连通域面积与其最小外接矩形的面积比S/(LW)、粗短度W/L、深度反射特征D输入到逻辑回归分类器进行训练，用训练好的逻辑回归分类器对表面质量待检测的轴类零件进行缺陷分类检测。
为验证所提方法的准确性，取1000个轴类零件生产图像，将具有凹坑、裂纹、麻点缺陷问题的轴定义为不合格品。图13和14为不合格品和合格品的轴件分类结果。加权识别率为：
式中，P为查准率，R为查全率。
式中，TP为合格品识别为合格品的个数，FN为合格品识别为不合格品的个数，FP为不合格品识别为合格品的个数，TN为不合格品识别为不合格品的个数。
如表1所示，轴类零件合格品识别为合格品955个，合格品识别为不合格品22个，不合格品识别为合格品1个，不合格品识别为不合格品的21个，加权识别率F1为98.86％，平均耗时3.69秒，较人工检测平均10秒减少了63.1％，极大地提高了轴类零件的检测效率。
表1缺陷轴识别结果
缺陷分类，取100个图像组成训练集进行回归分类器的训练。对训练好的网络，利用20个图像组成测试集进行测试。如表2所示。训练集正确率82％，测试集正确率75％。
表2分类器实验结果
由此上述实施可见，本发明能检测轴类零件表面质量，并且能自动识别轴类零件的表面缺陷类别，具有较高的缺陷识别率，对水渍等伪缺陷具有较好的鲁棒性。
上述具体实施例仅例式性说明本发明的原理与其功效，并非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，凡在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (6)

1.一种轴类零件表面质量检测方法，其特征在于，包含以下步骤：
步骤1)采用工业高速线扫描相机对轴类零件的表面拍照，获得轴类零件工业高速线扫描图像，轴类零件上设有孔和键，且图像中轴类零件的轴向沿图像水平方向；
步骤2)轴类零件工业高速线扫描图像阈值分割：采用改进的高灵敏度图像阈值迭代分割方法对获取轴类零件图像的像素进行分割，分成前景和背景并进行二值化，具体为：
2.1)设图像灰度值为g(x,y)，x,y为图像像素点的横纵坐标，找出最大和最小像素灰度值Lmax和Lmin，取其中值T1作为图像的初始分割值，
2.2)利用第i次迭代的分割值Ti将图像分割成g(x,y)<Ti和g(x,y)>Ti的前景和背景两个区域，分别计算出两个区域各自的像素数N1和N2以及各自的平均灰度值Ao和Ab：
2.3)再计算新的分割值Ti+1＝αAo+βAb，α和β为第一、第二权值系数，α≠β；
若|Ti-Ti+1|<ε则迭代停止，ε表示迭代停止阈值，Ti+1为最后阈值，否则Ti＝Ti+1，返回步骤2.1)；
2.4)重复上述步骤不断迭代处理，以迭代停止获得的最终分割值Ti将图像分割成前景和背景的两个区域，将前景设置为0，将背景设置为1，进行二值化处理；
步骤3)轴类零件缺陷图像提取：
首先，对分割后的图像进行背景去除；
然后，通过二值图像求取连通域算法获得图像连通域，满足下式L<τ∩W<τ的图像连通域则判断为噪点，并对噪点进行去除，式中，τ为噪点判定阈值，L、W为图像连通域的最小外接矩形长和宽；
最后，去除图像上轴类零件孔和键的干扰部分；
步骤4)轴类零件表面缺陷分类：综合利用缺陷图像的二维信息与灰度图三维重建得到的三维信息提取四种特征进行轴类零件表面缺陷分类，具体为：
针对提取缺陷后的轴类零件图像通过二值图像连通域求取算法得到缺陷连通域，构造以下三个二维特征：连通域面积S、连通域面积与其最小外接矩形的面积比S/(LW)和粗短度W/L，W、L为最小外接矩形的短边与长边；
通过找出二值图中缺陷连通域对应的原灰度图像，通过三维重构算法得到缺陷连通域中各像素点的深度Z(x,y)，式中x,y为缺陷连通域中图像的横纵坐标，提出采用以下公式获得缺陷连通域的深度反射特征：
式中，γ为阶跃函数，T为深度阈值，r为连通域的最小外接矩形细长度，即长边比短边的比值，S为连通域面积，D表示深度反射特征；
用已知表面质量合格的轴类零件对应的所有连通域面积S、连通域面积与其最小外接矩形的面积比S/(LW)、粗短度W/L、深度反射特征D输入到分类器进行训练，用训练好的分类器对表面质量待检测的轴类零件进行缺陷分类检测。
2.根据权利要求1所述的一种轴类零件表面质量检测方法，其特征在于：
所述步骤3)，对分割后的图像进行背景去除，具体为：根据步骤2)分割后的结果作出有每一列的纵坐标累加值绘制构成曲线的二值图纵坐标累加图，将曲线上发生陡然变化处的两条竖向界线作为分界线，图像中从左到右的两条分界线的横坐标记为tl和t2，对图像横坐标位于t1+Δt和t2-Δt之间部分进行保留，Δt为安全裕值，其余部分作为背景舍去。
3.根据权利要求1所述的一种轴类零件表面质量检测方法，其特征在于：
所述步骤3)，去除图像上轴类零件孔和键的干扰部分，具体为：
3.1)去除噪点后的图像记为原始图像img，原始图像img复制得到参照图像img_m，对参照图像img_m进行闭操作除内部斑点，之后再进行开操作去除缺陷，最后对参照图像img_m进行膨胀处理；
3.2)对步骤3.1)处理得到的参照图像img_m中的每一个连通域计算最小外接矩形的长L、宽W；将满足|Ls_k-L|<λ·Ls_k∩|Ws_k-W|<λ·Ws_k条件的图像连通域作为孔连通域，将满足|Ls_j-L|<λ·Ls_j∩|Ws_j-W|<λ·Ws_j条件的图像连通域作为键连通域，其中Ls_k和Ws_k分别表示图像中合格轴的孔连通域的外接矩形长和宽，Ls_j和Ws_j分别表示图像中合格键的孔连通域的外接矩形长和宽，λ表示形状判定接受度；
根据沿图像同一列上孔和健连通域的中心位置的纵坐标差作为干扰竖直方向上周期Δy，参照图像img_m的上方和下方进行扩展，扩展出高度为Δy且填充为0的像素行，将参照图像img_m中的最上方完整干扰与最下方完整干扰分别向上和向下移动距离Δy，最上方完整干扰是指纵坐标最大的多个连通域，最下方完整干扰是指纵坐标最小的多个连通域；最后原始图像img减去参照图像img_m得到缺陷图像。
4.一种轴类零件表面质量检测装置，其特征在于：
包括成像模块、驱动模块、控制模块、计算模块和显示模块；
所述成像模块，用于获取高质量的轴类零件表面图像，包括使用光源和相机，光源和相机放置在轴类零件一侧；
所述驱动模块，用于驱动待检测轴类零件旋转绕自身中轴线旋转，并负责轴类零件的上装与下装；
所述控制模块，用于控制驱动模块和成像模块，对相机采集拍摄获取轴类零件的图像进行拼接，获得高保真图像；
所述计算模块，用于对高保真图像进行阈值分割、缺陷图像提取、轴类零件表面缺陷分类；
所述显示模块，用于接收和显示计算模块的结果，显示轴类零件表面质量检测结果。
5.根据权利要求4所述的一种轴类零件表面质量检测装置，其特征在于：所述光源为线性光源。
6.根据权利要求4所述的一种轴类零件表面质量检测装置，其特征在于：
所述相机为工业线扫描CCD相机。
CN201910261832.1A 2019-04-02 2019-04-02 一种轴类零件表面质量检测方法及装置 Active CN110009618B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910261832.1A CN110009618B (zh) 2019-04-02 2019-04-02 一种轴类零件表面质量检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910261832.1A CN110009618B (zh) 2019-04-02 2019-04-02 一种轴类零件表面质量检测方法及装置

Publications (2)

Publication Number Publication Date
CN110009618A true CN110009618A (zh) 2019-07-12
CN110009618B CN110009618B (zh) 2021-04-20

Family

ID=67169488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910261832.1A Active CN110009618B (zh) 2019-04-02 2019-04-02 一种轴类零件表面质量检测方法及装置

Country Status (1)

Country Link
CN (1) CN110009618B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110426180A (zh) * 2019-08-05 2019-11-08 浙江大学 一种基于高速线扫描的三维场景绘制延时测量***及方法
CN110658213A (zh) * 2019-09-30 2020-01-07 合肥公共安全技术研究院 一种用于无缝钢管表面三维缺陷检测的无损检测装置
CN111487192A (zh) * 2020-04-26 2020-08-04 天津海融科技有限公司 一种基于人工智能的机器视觉表面缺陷检测装置及方法
CN111882537A (zh) * 2020-07-28 2020-11-03 研祥智能科技股份有限公司 视觉检测方法及***
CN111915581A (zh) * 2020-07-27 2020-11-10 青岛大学 一种金属光滑弧面缺陷检测方法
CN112122175A (zh) * 2020-08-12 2020-12-25 浙江大学 一种色选机的物料增强特征识别剔选方法
CN112200805A (zh) * 2020-11-11 2021-01-08 北京平恒智能科技有限公司 一种工业品图像目标提取及缺陷判断方法
CN112308832A (zh) * 2020-10-29 2021-02-02 常熟理工学院 一种基于机器视觉的轴承质量检测方法
CN113096123A (zh) * 2021-05-07 2021-07-09 湘潭大学 一种多模糊推理级联的底火侧面缺陷分类和受损程度分析方法
CN114419038A (zh) * 2022-03-28 2022-04-29 深圳市信润富联数字科技有限公司 轮毂表面缺陷的识别方法及装置、存储介质、电子设备

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201331508Y (zh) * 2009-01-14 2009-10-21 张颖 一种金属轴类零件表面磁粉探伤自动检测装置
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
CN102854191A (zh) * 2012-07-18 2013-01-02 湖南大学 高速铁轨表面缺陷的实时视觉检测与识别方法
CN103729842A (zh) * 2013-12-20 2014-04-16 中原工学院 基于局部统计特征与整体显著性分析的织物疵点检测方法
CN104063873A (zh) * 2014-07-08 2014-09-24 华东交通大学 一种基于压缩感知的轴套类零件表面缺陷在线检测方法
US20140319340A1 (en) * 2012-03-27 2014-10-30 Kla-Tencor Corporation Method and apparatus for detecting buried defects
CN105092598A (zh) * 2015-09-28 2015-11-25 深圳大学 一种基于连通域的大幅面pcb板缺陷快速识别方法及***
CN107884413A (zh) * 2017-10-24 2018-04-06 华东交通大学 一种自动检测轴承滚动体缺失的装置及检测方法
CN107876425A (zh) * 2017-11-10 2018-04-06 华东交通大学 一种基于视觉的轴承缺陷检测***装置
CN108021938A (zh) * 2017-11-29 2018-05-11 中冶南方工程技术有限公司 一种冷轧带钢表面缺陷在线检测方法以及检测***
CN108714701A (zh) * 2018-06-15 2018-10-30 广州大学 一种轴类零件加工装置
US20180322623A1 (en) * 2017-05-08 2018-11-08 Aquifi, Inc. Systems and methods for inspection and defect detection using 3-d scanning
CN108898585A (zh) * 2018-06-15 2018-11-27 广州大学 一种轴类零件检测方法及其装置
CN108921846A (zh) * 2018-07-17 2018-11-30 北京航空航天大学 一种基于灰度图像和深度图像结合的钢轨踏面缺陷识别方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201331508Y (zh) * 2009-01-14 2009-10-21 张颖 一种金属轴类零件表面磁粉探伤自动检测装置
US20140319340A1 (en) * 2012-03-27 2014-10-30 Kla-Tencor Corporation Method and apparatus for detecting buried defects
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
CN102854191A (zh) * 2012-07-18 2013-01-02 湖南大学 高速铁轨表面缺陷的实时视觉检测与识别方法
CN103729842A (zh) * 2013-12-20 2014-04-16 中原工学院 基于局部统计特征与整体显著性分析的织物疵点检测方法
CN104063873A (zh) * 2014-07-08 2014-09-24 华东交通大学 一种基于压缩感知的轴套类零件表面缺陷在线检测方法
CN105092598A (zh) * 2015-09-28 2015-11-25 深圳大学 一种基于连通域的大幅面pcb板缺陷快速识别方法及***
US20180322623A1 (en) * 2017-05-08 2018-11-08 Aquifi, Inc. Systems and methods for inspection and defect detection using 3-d scanning
CN107884413A (zh) * 2017-10-24 2018-04-06 华东交通大学 一种自动检测轴承滚动体缺失的装置及检测方法
CN107876425A (zh) * 2017-11-10 2018-04-06 华东交通大学 一种基于视觉的轴承缺陷检测***装置
CN108021938A (zh) * 2017-11-29 2018-05-11 中冶南方工程技术有限公司 一种冷轧带钢表面缺陷在线检测方法以及检测***
CN108714701A (zh) * 2018-06-15 2018-10-30 广州大学 一种轴类零件加工装置
CN108898585A (zh) * 2018-06-15 2018-11-27 广州大学 一种轴类零件检测方法及其装置
CN108921846A (zh) * 2018-07-17 2018-11-30 北京航空航天大学 一种基于灰度图像和深度图像结合的钢轨踏面缺陷识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
TONG TONG 等: "Defects Detection Of Weld Image Based On Mathematical Morphology and Thresholding Segmentation", 《2012 8TH INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS,NETWORKING AND MOBILE COMPUTING》 *
何再兴 等: "基于缺陷特征与种子填充的轮毂缺陷检测方法", 《浙江大学学报（工学版）》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110426180A (zh) * 2019-08-05 2019-11-08 浙江大学 一种基于高速线扫描的三维场景绘制延时测量***及方法
CN110658213A (zh) * 2019-09-30 2020-01-07 合肥公共安全技术研究院 一种用于无缝钢管表面三维缺陷检测的无损检测装置
CN110658213B (zh) * 2019-09-30 2021-11-26 合肥公共安全技术研究院 一种用于无缝钢管表面三维缺陷检测的无损检测装置
CN111487192A (zh) * 2020-04-26 2020-08-04 天津海融科技有限公司 一种基于人工智能的机器视觉表面缺陷检测装置及方法
CN111915581A (zh) * 2020-07-27 2020-11-10 青岛大学 一种金属光滑弧面缺陷检测方法
CN111882537A (zh) * 2020-07-28 2020-11-03 研祥智能科技股份有限公司 视觉检测方法及***
CN111882537B (zh) * 2020-07-28 2023-12-15 研祥智能科技股份有限公司 视觉检测方法及***
CN112122175A (zh) * 2020-08-12 2020-12-25 浙江大学 一种色选机的物料增强特征识别剔选方法
CN112308832A (zh) * 2020-10-29 2021-02-02 常熟理工学院 一种基于机器视觉的轴承质量检测方法
CN112200805A (zh) * 2020-11-11 2021-01-08 北京平恒智能科技有限公司 一种工业品图像目标提取及缺陷判断方法
CN113096123A (zh) * 2021-05-07 2021-07-09 湘潭大学 一种多模糊推理级联的底火侧面缺陷分类和受损程度分析方法
CN114419038A (zh) * 2022-03-28 2022-04-29 深圳市信润富联数字科技有限公司 轮毂表面缺陷的识别方法及装置、存储介质、电子设备

Also Published As

Publication number Publication date
CN110009618B (zh) 2021-04-20

Similar Documents

Publication Publication Date Title
CN110009618A (zh) 一种轴类零件表面质量检测方法及装置
CN111862064B (zh) 一种基于深度学习的银质丝材表面瑕疵识别方法
CN110349126B (zh) 一种基于卷积神经网络带标记的钢板表面缺陷检测方法
CN109377485B (zh) 一种方便面包装缺陷机器视觉检测方法
CN108090894B (zh) 基于距离匹配函数和感知哈希算法的织物疵点检测方法
CN103048329B (zh) 一种基于主动轮廓模型的路面裂缝检测方法
CN111310558A (zh) 一种基于深度学习和图像处理法的路面病害智能提取方法
CN101706445B (zh) 用于牛肉大理石花纹等级评分的图像处理方法
CN108765402B (zh) 无纺布缺陷检测与分类方法
CN111047655B (zh) 基于卷积神经网络的高清摄像机布料疵点检测方法
CN106093066A (zh) 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法
CN103778627B (zh) 一种基于sar图像的海域溢油检测方法
CN101852768A (zh) 磁粉探伤环境下基于复合特征的工件伤痕识别方法
CN103593670A (zh) 一种基于在线序列极限学习机的铜板带表面缺陷检测方法
CN109840483B (zh) 一种滑坡裂缝检测与识别的方法及装置
CN109087286A (zh) 一种基于计算机图像处理和模式识别的检测方法及应用
CN103729856B (zh) 一种利用s变换信号提取的布匹疵点检测方法
CN105447512A (zh) 一种精粗结合的光学表面缺陷的检测方法及装置
CN112734761B (zh) 工业品图像边界轮廓提取方法
CN110473201A (zh) 一种刹车片表面缺陷的自动检测方法及装置
CN114926407A (zh) 一种基于深度学习的钢材表面缺陷检测***
Yun et al. Crack recognition and segmentation using morphological image-processing techniques for flexible pavements
Shi et al. A faster-rcnn based chemical fiber paper tube defect detection method
CN105701805A (zh) 一种基于计算机视觉的猪肉肌内脂肪含量无损检测方法
CN114549446A (zh) 一种基于深度学习的气缸套缺陷标检测方法

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
GR01 Patent grant
GR01 Patent grant