CN110458823A - 实训用视觉检测缺陷库的制作方法 - Google Patents
实训用视觉检测缺陷库的制作方法 Download PDFInfo
- Publication number
- CN110458823A CN110458823A CN201910726508.2A CN201910726508A CN110458823A CN 110458823 A CN110458823 A CN 110458823A CN 201910726508 A CN201910726508 A CN 201910726508A CN 110458823 A CN110458823 A CN 110458823A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- region
- carried out
- vision
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 title claims abstract description 17
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 230000002950 deficient Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000000034 method Methods 0.000 abstract description 6
- 241001292396 Cirrhitidae Species 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 208000033985 Device component issue Diseases 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种视觉检测,尤其是实训用视觉检测缺陷库的制作方法,包括以下步骤:S1、拍照并得到缺陷图像;S2、进行fft速度最优化;S3、通过高斯滤波器对缺陷图像处理得到高斯图像;S4、取灰度值;S5、对差值图像进行迭代运算;S6、对迭代运算后的图像进行快速傅里叶变换;S7、对傅里叶变换后的图片进行反变换;S8、对变换后的图像进行阈值分割,取最值,得到分割后的区域;S9、连通区域,根据指定形态特征选择区域;S10、在该区域的缺陷部位画圈,并计算其面积几中心位置。本发明提供的实训用视觉检测缺陷库的制作方法能够方便的对工件的缺陷进行缺陷库的建立,通用性强,并能使实训人员了解具体的过程。
Description
技术领域
本发明涉及一种视觉检测,尤其是实训用视觉检测缺陷库的制作方法。
背景技术
缺陷检测技术一直是机器视觉行业的典型代表。它可以代替人眼对合格与不合格的产品进行分类从而大大降低人工成本。当前人工智能行业蓄势待发,机器视觉行业的爆发也是水到渠成趋势。
目前面向教育行业培训也是如火如荼,建立一套面向教育培训考核的***可以使得更多学员去掌握人工智能,掌握机器视觉技术。
但是目前的视觉检测软件均是配置好的,学员不了解拍摄图像及进行处理得到结果的过程。
发明内容
为解决上述问题,本发明提供一种对工件的缺陷进行拍照,并制成缺陷库的实训用视觉检测缺陷库的制作方法,具体技术方案为:
实训用视觉检测缺陷库的制作方法,包括以下步骤:
S1、对有缺陷的工件进行拍照,得到缺陷图像;
S2、根据指定图像的大小进行fft速度最优化;
S3、构造一个高斯滤波器,通过高斯滤波器对缺陷图像处理得到高斯图像;
S4、取灰度值,并将缺陷图像和高斯图像的灰度值相减得到差值图像;
S5、对差值图像进行迭代运算,for循环从1到N-1,步长为1;
S6、对迭代运算后的图像进行快速傅里叶变换,傅里叶变化参数包括变换后输出的图像、变换的方向、生成图像的宽度;
S7、对傅里叶变换后的图片进行反变换;
S8、对变换后的图像进行阈值分割,取最值,得到分割后的区域;
S9、连通区域,根据指定形态特征选择区域,参数包含将要计算的形态特征、特征的最大以及最小限制;
S10、在该区域的缺陷部位画圈,并计算其面积几中心位置。
优选的,所述步骤S8中阈值分割的分割范围0-255,且根据灰度值选取。
优选的,所述步骤S3中所述高斯滤波器的参数包括高斯在主方向的标准差、高斯在正交于主方向的标准差、滤波器主方向的角度、直流项在频域的位置;
制作缺陷库主要是高斯滤波器构造一个合适的滤波器,然后将原图和构造的滤波器进行快速傅里叶变换,利用形态学算子将缺陷部分显示在图像上,得到缺陷图像。
将上述制作缺陷库的程序导出,结合Visual Studio2012编写成软件。该软件可以选择不同方案,针对不同背景选择不同方案。该软件编程大致步骤如下:
步骤一:在窗体中添加按钮和Halcon连接控件用来显示缺陷检测结果;
步骤二:结合basler相机SDK编程相机取像、曝光时间和实时按钮程序,完善功能;
步骤三:编写相机和机器人标定程序,生成标定文件;
步骤四:将相机和机器人通讯,能够实时发送数据。
机器人和相机通讯完成后,通过PC端运行程序,相机拍照识别出有缺陷的螺丝或者是塑料品,并将此数据发送给机器人,机器人做出对应的分类操作。
本发明的软件目的是让培训者从底层真正了解相机和机器人的运行原理,包括利用相机SDK取像并结合Halcon算子对图像进行处理,得到结果通过通讯传输给机器人,通过机器人编程使得机器人将有缺陷的产品进行分类,不仅能够易懂更让培训者产生浓厚的兴趣。
与现有技术相比本发明具有以下有益效果:
本发明提供的实训用视觉检测缺陷库的制作方法能够方便的对工件的缺陷进行缺陷库的建立,通用性强,并能使实训人员了解具体的过程。
具体实施方式
现对本发明作进一步说明。
实训用视觉检测缺陷库的制作方法,包括以下步骤:
S1、对有缺陷的工件进行拍照,得到缺陷图像,拍照时调节相机曝光时间使得相机拍摄清晰的图像并保存;
S2、根据指定图像的大小进行fft速度最优化;
S3、构造一个高斯滤波器GaussFilter,通过高斯滤波器对缺陷图像处理得到高斯图像,所述高斯滤波器的参数包括高斯在主方向的标准差、高斯在正交于主方向的标准差、滤波器主方向的角度、直流项在频域的位置;
S4、取灰度值,并将缺陷图像和高斯图像的灰度值相减得到差值图像;
S5、对差值图像进行迭代运算,for循环从1到N-1,步长为1;
S6、对迭代运算后的图像进行快速傅里叶变换,傅里叶变化参数包括变换后输出的图像、变换的方向、生成图像的宽度;
S7、对傅里叶变换后的图片进行反变换;
S8、对变换后的图像进行阈值分割,取最值,得到分割后的区域,阈值分割的分割范围0-255,且根据灰度值选取;
S9、连通区域,根据指定形态特征选择区域,参数包含将要计算的形态特征、特征的最大以及最小限制;
S10、在该区域的缺陷部位画圈,并计算其面积几中心位置。
连通区域即是将二值化后的图像与原图像进行分割,得到阈值分割后的图像。
通过高斯滤波器优化质量,取值更佳,图像处理更好,检测误差更小。
缺陷部位即检测出有缺陷的工件部位。
fft计算公式如下
其中
该公式是快速傅里叶算法的公式原理,本发明采用的是快速傅里叶变换,其函数功能已由halcon自带算子实现。
制作缺陷库主要是高斯滤波器构造一个合适的滤波器,然后将原图和构造的滤波器进行快速傅里叶变换,利用形态学算子将缺陷部分显示在图像上,得到缺陷图像。
缺陷检测主要是缺陷库的建成,根据缺陷库对比检测工件部位匹配。
将上述制作缺陷库的程序导出,结合Visual Studio2012编写成软件。该软件可以选择不同方案,针对不同背景选择不同方案。该软件编程大致步骤如下:
步骤一:在窗体中添加按钮和Halcon连接控件用来显示缺陷检测结果;
步骤二:结合basler相机SDK编程相机取像、曝光时间和实时按钮程序,完善功能;
步骤三:编写相机和机器人标定程序,生成标定文件;
步骤四:将相机和机器人通讯,能够实时发送数据。
机器人和相机通讯完成后,通过PC端运行程序,相机拍照识别出有缺陷的螺丝或者是塑料品,并将此数据发送给机器人,机器人做出对应的分类操作。
本发明的软件目的是让培训者从底层真正了解相机和机器人的运行原理,包括利用相机SDK取像并结合Halcon算子对图像进行处理,得到结果通过通讯传输给机器人,通过机器人编程使得机器人将有缺陷的产品进行分类,不仅能够易懂更让培训者产生浓厚的兴趣。
当然不同的方案是根据不同的缺陷模板库进行变更,若没有该产品方案可以直接添加缺陷模板库即可,从而能够对实训人员达到标准通用型目的。
Claims (3)
1.实训用视觉检测缺陷库的制作方法,其特征在于,包括以下步骤:
S1、对有缺陷的工件进行拍照,得到缺陷图像;
S2、根据指定图像的大小进行fft速度最优化;
S3、构造一个高斯滤波器,通过高斯滤波器对缺陷图像处理得到高斯图像;
S4、取灰度值,并将缺陷图像和高斯图像的灰度值相减得到差值图像;
S5、对差值图像进行迭代运算,for循环从1到N-1,步长为1;
S6、对迭代运算后的图像进行快速傅里叶变换,傅里叶变化参数包括变换后输出的图像、变换的方向、生成图像的宽度;
S7、对傅里叶变换后的图片进行反变换;
S8、对变换后的图像进行阈值分割,取最值,得到分割后的区域;
S9、连通区域,根据指定形态特征选择区域,参数包含将要计算的形态特征、特征的最大以及最小限制;
S10、在该区域的缺陷部位画圈,并计算其面积几中心位置。
2.根据权利要求1所述的实训用视觉检测缺陷库的制作方法,其特征在于,
所述步骤S8中阈值分割的分割范围0-255,且根据灰度值选取。
3.根据权利要求1所述的实训用视觉检测缺陷库的制作方法,其特征在于,
所述步骤S3中所述高斯滤波器的参数包括高斯在主方向的标准差、高斯在正交于主方向的标准差、滤波器主方向的角度、直流项在频域的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910726508.2A CN110458823A (zh) | 2019-08-07 | 2019-08-07 | 实训用视觉检测缺陷库的制作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910726508.2A CN110458823A (zh) | 2019-08-07 | 2019-08-07 | 实训用视觉检测缺陷库的制作方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110458823A true CN110458823A (zh) | 2019-11-15 |
Family
ID=68485356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910726508.2A Pending CN110458823A (zh) | 2019-08-07 | 2019-08-07 | 实训用视觉检测缺陷库的制作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458823A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111145156A (zh) * | 2019-12-27 | 2020-05-12 | 创新奇智(南京)科技有限公司 | 一种快速螺丝表面缺陷检测方法 |
CN115254674A (zh) * | 2022-09-28 | 2022-11-01 | 南通思诺船舶科技有限公司 | 一种轴承缺陷分选方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109993745A (zh) * | 2019-04-15 | 2019-07-09 | 苏州研路智能科技有限公司 | 一种用于检测oled显示模组不良特性的检测方法 |
-
2019
- 2019-08-07 CN CN201910726508.2A patent/CN110458823A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109993745A (zh) * | 2019-04-15 | 2019-07-09 | 苏州研路智能科技有限公司 | 一种用于检测oled显示模组不良特性的检测方法 |
Non-Patent Citations (1)
Title |
---|
飞鹰再现: "Halcon学习笔记之缺陷检测(二)", 《HTTPS://BLOG.CSDN.NET/FEIYING008/ARTICLE/DETAILS/44616681》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111145156A (zh) * | 2019-12-27 | 2020-05-12 | 创新奇智(南京)科技有限公司 | 一种快速螺丝表面缺陷检测方法 |
CN115254674A (zh) * | 2022-09-28 | 2022-11-01 | 南通思诺船舶科技有限公司 | 一种轴承缺陷分选方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11741367B2 (en) | Apparatus and method for image processing to calculate likelihood of image of target object detected from input image | |
CN107657603B (zh) | 一种基于智能视觉的工业外观检测方法 | |
CN110232675B (zh) | 一种工业环境下的纹理表面缺陷检测与分割装置及方法 | |
CN104156726B (zh) | 一种基于几何形状特征的工件识别方法及装置 | |
DE102015101710B4 (de) | Verfahren zum Kalibrieren eines beweglichen Greiforgans unter Verwendung einer entfernten Digitalkamera | |
CN104992449B (zh) | 基于机器视觉的信息识别及表面缺陷在线检测方法 | |
CN106204618A (zh) | 基于机器视觉的产品包装表面缺陷检测与分类方法 | |
CN111062915A (zh) | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 | |
CN106934813A (zh) | 一种基于视觉定位的工业机器人工件抓取实现方法 | |
WO2019243897A3 (en) | System and method for detection and classification of objects of interest in microscope images by supervised machine learning | |
CN115816460B (zh) | 一种基于深度学习目标检测与图像分割的机械手抓取方法 | |
CN110458823A (zh) | 实训用视觉检测缺陷库的制作方法 | |
CN109060838B (zh) | 一种基于机器视觉的产品表面划痕检测方法 | |
CN109934221A (zh) | 基于注意力机制的电力设备自动分析识别监控方法及*** | |
CN116673962B (zh) | 一种基于Faster R-CNN和GRCNN的机械臂智能抓取方法及*** | |
EP3913532A3 (en) | Object area measurement method, apparatus, storage medium and computer product | |
CN111539927A (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测过程及算法 | |
Sanders et al. | Improving automatic robotic welding in shipbuilding through the introduction of a corner-finding algorithm to help recognise shipbuilding parts | |
CN113592813B (zh) | 基于深度学习语义分割的新能源电池焊接缺陷检测方法 | |
CN110956656A (zh) | 一种基于深度目标检测的纺锤定位方法 | |
CN113145473A (zh) | 一种水果智能分拣***及方法 | |
CN117022971A (zh) | 一种智能物流码垛机器人控制*** | |
CN115861780B (zh) | 一种基于yolo-ggcnn的机械臂检测抓取方法 | |
Liu et al. | Defect detection of grinded and polished workpieces using faster R-CNN | |
CN113808206B (zh) | 一种基于视觉追踪机器人的排版***及方法 |
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: 20191115 |