CN111598831A - 一种圆柱滚子轴承的检测方法及*** - Google Patents
一种圆柱滚子轴承的检测方法及*** Download PDFInfo
- Publication number
- CN111598831A CN111598831A CN202010222579.1A CN202010222579A CN111598831A CN 111598831 A CN111598831 A CN 111598831A CN 202010222579 A CN202010222579 A CN 202010222579A CN 111598831 A CN111598831 A CN 111598831A
- Authority
- CN
- China
- Prior art keywords
- image
- detection
- ring surface
- upper ring
- cylindrical roller
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000007547 defect Effects 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims description 16
- 238000003708 edge detection Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 230000007306 turnover Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000011895 specific detection Methods 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 241001292396 Cirrhitidae Species 0.000 abstract description 14
- 230000008569 process Effects 0.000 abstract description 12
- 238000007689 inspection Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 208000034656 Contusions Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/13—Edge detection
-
- 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
- G06T7/60—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
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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)
- Multimedia (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种圆柱滚子轴承的检测方法及***,其中涉及的一种圆柱滚子轴承的检测方法,包括步骤:S1.采集圆柱滚子轴承单元的图像,所述图像为上环面、侧面的一种;S2.对所述采集到的图像进行平滑滤波处理;S3.确定标定板,并对经过平滑滤波处理的图像进行标定;S4.对所述标定完成的上环面图像、侧面图像中的一种进行检测,得到检测结果。本发明针对轴承检测***中整个图像识别的任务都是借助Halcon图像识别软件完成,在图像识别的算法的过程中,对图像识别理论知识也进行了分析,针对***要检测的项目都能完全检测出来,同时在缺陷检测过程中,根据不同的缺陷特征设计出不同的缺陷检测算法,提高了图像识别的正确率。
Description
技术领域
本发明涉及圆柱滚子轴承检测技术领域,尤其涉及一种圆柱滚子轴承的检测方法及***。
背景技术
轴承是生产应用中非常广泛的工业零部件,是现代化建设和机械设备制造的重要基础性的配件。它的主要功能是支撑机械设备旋转体,降低在运动过程中的摩擦系数,并保证其回转精度。轴承对于机器来说非常重要,如果轴承圈表面存在一些瑕疵和缺陷,如磨损、裂纹、碰伤、麻点、划伤、变形等,将会导致机器产生不正常的振动和噪声,加快轴承面与空气接触后进一步的氧化与磨损,严重时甚至会引起机器的损坏和一些事故性的人员伤亡情况,因此需要对轴承进行轴承的表面检测,来防止带有缺陷的轴承产品流入市场,引起不必要的损失,降低商家的信誉。
而圆柱滚子轴承内部结构采用滚子呈平行排列,滚子之间装有间隔保持器或者隔离块,可以防止滚子的倾斜或滚子之间相互摩擦,有效防止了旋转扭矩的增加。对于圆柱滚子轴承的检测,目前国内滚子轴承单元的检测技术还有很大上升空间,我国的轴承零部件生产企业主要依靠人眼观察对轴承滚子表面缺陷进行检测,采用的方式是人工抽检或者全检,但是其检测效率较低,并且特别容易受到人的主观情感的限制,从而导致错检、漏检的情况频发,同时人工检测不能在检测的同时录入轴承数据,这将大大增加企业的成本,严重阻碍企业进一步的发展壮大;而且随着工业自动化生产的发展,目视法已经不能够适应企业现代化生产的需求。国内外轴承的装配大都已经实现完全的自动化,但装配前后对轴承圈的工作表面的检测一般还是基于人工裸眼。
因此,需要提出一种圆柱滚子轴承的检测方法及***,解决传统通过人工裸眼无法解决检测缺陷的问题。
发明内容
本发明的目的是针对现有技术的缺陷,提供了一种圆柱滚子轴承的检测方法及***,具有检测速度快、自动化程度高、无损检测等优点。
为了实现以上目的,本发明采用以下技术方案:
一种圆柱滚子轴承的检测方法,包括步骤:
S1.采集圆柱滚子轴承单元的图像,所述图像为上环面、侧面的一种;
S2.对所述采集到的图像进行平滑滤波处理;
S3.确定标定板,并对经过平滑滤波处理的图像进行标定;
S4.对所述标定完成的上环面图像、侧面图像中的一种进行检测,得到检测结果。
其中,对侧面图像进行检测具体为:
S411.采用阈值分割法得到侧面图像的区域,并将所述得到的侧面图像区域形成外接矩形;
S412.对所述形成的外接矩形进行中心平移,得到测量矩形;
S413.对得到的测量矩形的宽度进行一维测量,得到测量结果;
对上环面图像进行检测具体为:
S421.对上环面图像进行增强,并对进行增强后的图像阈值分割,得到锈斑的灰度值,完成对锈斑的检测;
S422.计算对上环图像的缺陷灰度值,完成对轴承单元的磕碰检测;
S423.对上环面图像进行边缘检测,完成对轴承单元的裂纹检测。
进一步的,所述步骤S4中对上环面图像进行检测还包括:
对上环面的字符进行检测:
S431.对上环面图像进行边缘检测,得到上环面图像的亚像素轮廓,并选取上环面图像的外轮廓边缘,确定环面图像外轮廓的圆心和半径;
S432.根据得到的圆心和半径,对上环面图像进行极坐标转换;
S433.对所述转换后的上环面图像进行blob分析定位到字符区域并完成抠图,得到字符图像;
S434.对所述得到的字符图像进行阈值分割,得到字符识别结果。
进一步的,所述步骤S4中对上环面图像进行检测还包括:
对上环面的内径进行检测:
S441.对上环面图像进行边缘检测,得到上环面的亚像素轮廓;
S442.根据所述得到的亚像素轮廓,选取上环面内径的亚像素边缘;
S443.对上环面内径的亚像素边缘进行圆拟合,生成圆,并计算得到圆的尺寸。
进一步的,所述步骤S433还包括将字符区域联合起来,并在字符区域上形成一个外接矩形区域。
进一步的,所述步骤S421之前还包括:
将上环面图像转换为灰度图像;
对所述灰度图像进行阈值分割形成区域;
对区域进行特征选择,选出上端面环形的ROI区域,得到圆环区域。
进一步的,所述对侧面图像进行检测还包括:
对接触圆半径进行检测:
S451.采用边缘检测算子识别出侧面图像的边缘,并对识别出的侧面图像边缘分割为直线段、圆弧;
S452.筛选接触圆直径,并计算出直线的距离。
进一步的,所述步骤S2中进行平滑滤波处理是通过gauss_filter高斯滤波算子进行处理的;所述步骤S411中采用阈值分割法得到侧面图像的区域是通过threshold处理的;所述步骤S411中形成外接矩形是通过smallest_rectangle2 算子处理的;所述步骤S413中进行一维测量是通过gen_measure_rectangle2算子和measure_pos算子处理的。
进一步的,所述步骤S431中选取上环面图像的外轮廓边缘是通过 select_contours_xld算子处理的;所述步骤S431中确定环面图像外轮廓的圆心和半径是通过fit_circle_contour_xld算子处理的;所述步骤S443中进行圆拟合是通过fit_circle_contour_xld处理的。
相应的,还提供一种圆柱滚子轴承方法的检测***,其特征在于,包括图像采集模块、翻转工位模块、分拣控制模块、相机标定模块。
进一步的,还包括Halcon软件,用于获取图像并对获取到的图像进行处理。
与现有技术相比,本发明的有益效果是:
(1)节约了人力,降低成本;
(2)计算机识别处理速度快,对圆柱滚子轴承的识别率高,对于背景、光线等的干扰能有效剔除;
(3)可以一次使用多个摄像头一起进行识别检测,提高检验圆柱滚子轴承的效率;
(4)相比于人工目测,机器测验的结果更加精准,有效的规避人工带来的个人误差。
附图说明
图1是实施例一提供的一种圆柱滚子轴承的检测***结构的工作过程示意图;
图2是实施例一提供的HALCON标定助手示意图;
图3是实施例一提供的标定过程示意图;
图4是实施例二提供的一种圆柱滚子轴承的检测方法流程图;
其中,1.第一传送带;2.第二传送带;3.翻转工位;4.第一分捡槽;5.第二分检槽;6.第一工位;7.第二工位;8.第三工位;9.第四工位。
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露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或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
本发明的目的是针对现有技术的缺陷,提供了一种圆柱滚子轴承的检测方法及***。
实施例一
本实施例提供一种圆柱滚子轴承的检测***,包括图像采集模块、翻转工位模块、分拣控制模块、相机标定模块。
图像采集模块是整个检测***的核心,能采集到一个稳定、清晰、有良好区分度的图片,不仅能为图像识别减轻工作难度,还能节约计算机运行时间。图像采集模块主要有相机、镜头、光源、信号传感器。
相机的选择:常见的相机按照成像芯片的不同,分为CCD和CMOS两类。CCD相机主要有不受强光干扰、畸变小、拍摄速度快的优点,CMOS相机主要有价格便宜,功率消耗低,体积小的优点。但是具体选择哪一款相机时,主要是考虑的相机的分辨率。
镜头的选型:镜头的主要作用是将成像目标成像在图像传感器的光敏面上。主要的参数有视场、工作距离、分辨率、景深、焦距和光圈等。工业相机镜头根据用途不同可分为变焦镜头、固焦镜头、远心镜头和鱼眼镜头等。在本实施例中,采用工业检测中常用的定焦镜头。
光源的选型:按照光的反射原理,根据检测的需求,选择合适形状的光源,是非常有必要的。本实施例有两个测量工位,一个字符识别工位,一个缺陷检测工位。
信号传感器:本实施例采E3F-DS30C4红外光电传感器,感应距离0cm~ 30cm可以调,工作电压24v,该传感器是扩散反射型传感器,它的检测头里装有一个发光器和一个收光器,当有检测物时,检测物会把发光器发射的光反射到收光器中,此时传感器会输出一个电压为24v高电平信号。本实施例利用红外传感器器的工作特性,分别给相机和下位机控制芯片提供检测信号。其中通过红外传感器控制相机外部触发采集信号接线比较简单,传感器正负极供24v 工作电压,传感器的信号输出端直接接到相机外部触发采集信号线上即可,当有轴承单元触发红外传感器,就会外部触发相机采集图像。由于红外传感器输出电压是24v,下位机主控芯片采用的是STM32单片机,工作电压是3.3v,所有不能直接将红外传感器的输出信号接到单片机中,要接一个转压模块。
翻转工位模块是为了能对轴承单元进行两面检测。当红外传感器检测到轴承单元时,将触发信号送给STM32单片机,单片机根据工位1和工位2识别的结果来控制气泵工作,如果识别结果合格,则气泵将轴承单元通过翻转槽实现翻转,如果识别结果不合格,则气泵不工作,轴承单元从该传送带末端的分捡槽滑出。
分检控制模块:上位机通过串口将分捡指令传递给下位机主控芯片STM32 单片机,下位机根据指令使对应的I/O口置1或置0,来控制继电器吸合,从而间接控制气泵的运动,实现分捡的功能。其中上位机与单片机通信用了USB 转串口模块。
相机标定模块是整个测量***的基石,是保证测量精度的基石。相机标定实际就是确定物体图像坐标系与相机坐标系,及世界坐标系的关系,从而将摄像机成像平面上的像点和实际世界中的实际点形成对应关系。
在本实施例中,通过Halcon软件实现相机的标定,具体为:
(1)确定标定板。常用的标定板有陶瓷或玻璃两种材质,由于在本实施例中都是用背光源打光,选用能通光的玻璃材质的标定板,同时标定板的大小要至少占图像面积的1/3,这里选择30mm×30mm的标定板进行标定,如果没有买标定板,可以调用Halcon里面的算子gen_caltab算子生成标定板。
(2)打开标定助手,并添加标定板的描述文件和相机的参数。其中描述文件是一个后缀名为descr文件,是对标定板参数的详细描述,标定助手如图2 所示。
(3)打开相机并采集图像,完成标定,标定过程图如3所示。注意标定板采集图像尽量在9幅以上,图片过少会引起标定参数不精确。
标定得到的参数矩阵为:
CameraParameters:=[0.0153049,0.318736,8.19989e-006,8.3e-006,-178.172,- 545.22,2456,2058]
CameraPose:=[0.151239,0.13871,0.185711,359.488,0.092882,229.698,0]。
如图1所示,一种圆柱滚子轴承的检测***的工作过程示意图:
(1)有字符一面的轴承单元被送入到第一传送带1之后,随着传送带到达第一工位6的检测工位,并触发光电传感器使第一工位6的相机采集图片,经过上位机对图像进行字符识别之后,将字符信息显示到上位机界面上并保存下来。
(2)在上位机进行字符识别的过程中,轴承单元随着传送带一直运行,当到达第二工位7的检测工位时,触发第二工位7的光电传感器使第二工位7 的相机采集图片,上位机对第二工位7采集的图片进行内径检测,将检测的内径结果显示到上位机界面,同时会将检测的内径结果和字符上显示的内径结果做比较,并根据比较的结果将离合器分离轴承单元放到第一分类槽4或者经过翻转工位送到第二传送带2上。
(3)若内径检测的结果和字符显示的结果在允许的偏差的范围内相等,轴承单元会经过翻转工位送到第二传送带2上,轴承单元随着第二传送带2到达第三工位8的检测工位,并触发第三工位8的光电传感器使第三工位8的相机采集图片,上位机对第三工位8采集的图片进行上端面环形区域缺陷检测,然后将缺陷检测的结果显示到上位机界面上,并将数据保存。
(4)在进行缺陷检测的过程中,轴承单元随着第二传送带2一直运行,当达到第四工位9的检测工位时,触发第四工位9的光电传感器使第四工位9 的相机采集图片,上位机对第四工位9采集的图像进行接触圆半径和单元配合宽度检测,并将检测结果和字符检测的结果做比较,上位机根据第三工位8和第四工位9检测的结果控制下位机,使轴承单元放到第二分捡槽5或者从第二传送带2末端滑出。
与现有技术相比,本实施例的有益效果是:
(1)节约了人力,降低成本;
(2)计算机识别处理速度快,对圆柱滚子轴承的识别率高,对于背景、光线等的干扰能有效剔除;
(3)可以一次使用多个摄像头一起进行识别检测,提高检验圆柱滚子轴承的效率;
(4)相比于人工目测,机器测验的结果更加精准,有效的规避人工带来的个人误差。
实施例二
本实施例本实施例基于实施例一的检测***还提供一种圆柱滚子轴承的检测方法,如图4所示,包括:
S1.采集圆柱滚子轴承单元的图像,所述图像为上环面、侧面的一种;
S2.对所述采集到的图像进行平滑滤波处理;
S3.确定标定板,并对经过平滑滤波处理的图像进行标定;
S4.对所述标定完成的上环面图像、侧面图像中的一种进行检测,得到检测结果。
在步骤S1中,采集圆柱滚子轴承单元的图像,所述图像为上环面、侧面的一种。
具体为,采用工业相机采集圆柱滚子轴承单元图像。
在步骤S2中,对所述采集到的图像进行平滑滤波处理。
具体为,调用Halcon软件中的gauss_filter高斯滤波算子进行平滑滤波处理。
在步骤S3中,确定标定板,并对经过平滑滤波处理的图像进行标定。
具体为,根据相机标定模块中对相机进行标定的方式完成标定。
S4.对所述标定完成的上环面图像、侧面图像中的一种进行检测,得到检测结果。
在本实施例中,上环面图像的检测包括字符、上环面缺陷、内径的检测;侧面图像的检测包括轴承单元接触圆半径、轴承单元实际配合宽度的检测。
本实施例的轴承单元检测***采用4个工位对轴承单元进行图像识别,依次识别的项目为:字符检测,内径检测,上端面并与离合器压盘接触的环形面 (简称上环面)缺陷检测,接触圆半径与单元实际配合宽度检测。图像识别的一般流程为:图像预处理,图像分割,图像识别与检测,本实施例的每个检测项目也是按照图像识别的一般流程来完成。
对字符进行检测,具体为:
轴承单元字符检测算法首先用Blob分析法定位到轴承单元,并得到轴承单元的圆心和半径,然后对图像极坐标转换,使图像中字符呈现水平排列状态,接着再次用Blob分析定位到字符区域,并调用Halcon中自带的字符库来对字符区域进行判断识别,最后输出识别的结果,注意有时候如何Halcon自带的字符库不能对字符区域进行很好的判别时,需要通过神经网络算子进行自行训练并建立字符库。
(1)边缘检测定位到轴承单元的外径,在Halcon中调用edges_sub_pix算子,采用canny边缘检测算法,得到轴承单元的亚像素轮廓,然后调用 select_contours_xld算子选择出轴承单元的外轮廓边缘,在调用圆拟合算子fit_circle_contour_xld,从而确定单元圆形外轮廓的圆心和半径。
(2)通过得到的圆心和半径,对轴承单元图像进行极坐标转换。在Halcon中调用算子polar_trans_image_ext。
(3)对转换后的图像进行blob分析定位到字符区域并完成抠图,在 Halcon中调用threshold、connection、select_shape算子选择出字符区域,再调用union1算子将字符区域联合起来,再调用smallest_rectangle2和gen_rectangle2算子在字符区域上形成一个外接矩形区域,最后调用 reduce_domain算子对图像完成抠图。
(4)针对字符图像,调用threshold和connection形成字符区域。
(5)识别字符,在Halcon中通过调用read_ocr_class_mlp算子,读取 Halcon中再带的已经训练好的字符识别库Industrial_0-9A-Z_NoRej.omc,最后通过调用do_ocr_multi_class_mlp算子,完成对字符的识别。
对轴承单元内径进行检测,具体为:
(1)对图像进行边缘检测,在Halcon中调用edges_sub_pix算子,采用 canny边缘检测算法,实现亚像素边缘检测。
(2)选择出轴承单元的内径边缘,在Halcon中调用select_contours_xld算子,分别选用closed和contour_length作为select_contours_xld算子中参数。
(3)对轴承单元内径的亚像素边缘进行圆拟合,在Halcon中调用 fit_circle_contour_xld对边缘进行圆拟合,然后调用gen_circle_contour_xld生成圆。
对上环面缺陷进行检测,具体为:
Halcon中针对轴承单元缺陷检测算法主要分为2步:ROI提取和缺陷检测。
1:ROI提取
(1)用算子rgb1_to_gray将原图像转为灰度图像。
(2)对灰度图像进行阈值分割形成区域,用算子threshold,然后断开连通域,用算子connection
(3)对区域进行特征选择,选出上端面环形的ROI区域,用算子 select_shape。
(4)为了让上环面所有的检测区域都包含在ROI内,对ROI区域进行形态算法,用算子dilation_circle算子,最后进行抠出环面区域。
2:缺陷检测
(1)将圆环区域转换为轮廓形式,并用圆拟合获取圆环的半径和圆心坐标,用算子gen_contour_region_xld和fit_circle_contour_xld。
(2)通过利用得到的圆环和圆心坐标,将圆环极坐标转换为矩形,用算子polar_trans_image_ext。
(3)考虑到缺陷的种类不一样,一种算子并不能把所有的缺陷都能检测处理,本实施例选择多种方法融合来共同完成对上环面的缺陷检测。
对锈斑的检测:锈斑缺陷属于表面缺陷的一种,锈斑一般会成一整块的分布,在经过球形光源打光后,锈斑的灰度值分布会不统一,有的地方灰度值比较大,有时候比较小,但是总体还是比背景颜色的灰度值要大,在阈值分割之前用图像增强算子对图像进行预处理效果会更好,用emphasize算子,对图像进行增强,用threshold算子进行阈值分割。
对磕碰的检测:对于磕碰,一般是缺陷会比较集中,在经过球形光源垂直打光后,缺陷的灰度值和背景的灰度值会明显的区别,所以选择用阈值分割来完成,更容易点位到缺陷,用算子threshold,connection,select_shape算子完成。
对裂纹检测:裂纹缺陷一般是连续的,对图像进行canny边缘算子检测之后,会出现连续的边缘,从而更容易点位到缺陷,用算子edges_sub_pix和 select_contours_xld完成。
对轴承单元接触圆半径进行检测,具体为:
分离轴承单元接触圆半径采用边缘检测算法来完成,单元实际配宽度检测用一维测量算法完成。
其中一维测量分2步:1.在已经摆正的图像上调用gen_measure_rectangle2 算子形成一个矩形的测量对象(ROI)。2.调用measure_pairs算子,得到一维测量的结果。
对于接触圆半径测量:
(1)用canny边缘检测算子识别出图像的边缘,然后调用 segment_contours_xld对图像边缘分割为直线段、圆弧。
(2)通过调用select_contours_xld算子筛选出接触圆直径,最后调用直线拟合算子fit_line_contour_xld计算出直线的距离。
轴承单元实际配合宽度进行检测,具体为:
(1)用阈值分割定位到工件区域,用算子threshold。
(2)调用smallest_rectangle2形成外接矩形。
(3)矩形中心平移,形成测量矩形。
(4)最后测得调用gen_measure_rectangle2和measure_pos算子对图像宽度进行一维测量,得到测量结果。
本实施例针对轴承检测***中整个图像识别的任务都是借助Halcon图像识别软件完成,在图像识别的算法的过程中,对图像识别理论知识也进行了分析,针对***要检测的项目都能完全检测出来,同时在缺陷检测过程中,根据不同的缺陷特征设计出不同的缺陷检测算法,提高了图像识别的正确率。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种圆柱滚子轴承的检测方法,其特征在于,包括步骤:
S1.采集圆柱滚子轴承单元的图像,所述图像为上环面、侧面的一种;
S2.对所述采集到的图像进行平滑滤波处理;
S3.确定标定板,并对经过平滑滤波处理的图像进行标定;
S4.对所述标定完成的上环面图像、侧面图像中的一种进行检测,得到检测结果。
其中,对侧面图像进行检测具体为:
S411.采用阈值分割法得到侧面图像的区域,并将所述得到的侧面图像区域形成外接矩形;
S412.对所述形成的外接矩形进行中心平移,得到测量矩形;
S413.对得到的测量矩形的宽度进行一维测量,得到测量结果;
对上环面图像进行检测具体为:
S421.对上环面图像进行增强,并对进行增强后的图像阈值分割,得到锈斑的灰度值,完成对锈斑的检测;
S422.计算对上环图像的缺陷灰度值,完成对轴承单元的磕碰检测;
S423.对上环面图像进行边缘检测,完成对轴承单元的裂纹检测。
2.根据权利要求1所述的一种圆柱滚子轴承的检测方法,其特征在于,所述步骤S4中对上环面图像进行检测还包括:
对上环面的字符进行检测:
S431.对上环面图像进行边缘检测,得到上环面图像的亚像素轮廓,并选取上环面图像的外轮廓边缘,确定环面图像外轮廓的圆心和半径;
S432.根据得到的圆心和半径,对上环面图像进行极坐标转换;
S433.对所述转换后的上环面图像进行blob分析定位到字符区域并完成抠图,得到字符图像;
S434.对所述得到的字符图像进行阈值分割,得到字符识别结果。
3.根据权利要求2所述的一种圆柱滚子轴承的检测方法,其特征在于,所述步骤S4中对上环面图像进行检测还包括:
对上环面的内径进行检测:
S441.对上环面图像进行边缘检测,得到上环面的亚像素轮廓;
S442.根据所述得到的亚像素轮廓,选取上环面内径的亚像素边缘;
S443.对上环面内径的亚像素边缘进行圆拟合,生成圆,并计算得到圆的尺寸。
4.根据权利要求2所述的一种圆柱滚子轴承的检测方法,其特征在于,所述步骤S433还包括将字符区域联合起来,并在字符区域上形成一个外接矩形区域。
5.根据权利要求1所述的一种圆柱滚子轴承的检测方法,其特征在于,所述步骤S421之前还包括:
将上环面图像转换为灰度图像;
对所述灰度图像进行阈值分割形成区域;
对区域进行特征选择,选出上端面环形的ROI区域,得到圆环区域。
6.根据权利要求1所述的一种圆柱滚子轴承的检测方法,其特征在于,所述对侧面图像进行检测还包括:
对接触圆半径进行检测:
S451.采用边缘检测算子识别出侧面图像的边缘,并对识别出的侧面图像边缘分割为直线段、圆弧;
S452.筛选接触圆直径,并计算出直线的距离。
7.根据权利要求1所述的一种圆柱滚子轴承的检测方法,其特征在于,所述步骤S2中进行平滑滤波处理是通过gauss_filter高斯滤波算子进行处理的;所述步骤S411中采用阈值分割法得到侧面图像的区域是通过threshold处理的;所述步骤S411中形成外接矩形是通过smallest_rectangle2算子处理的;所述步骤S413中进行一维测量是通过gen_measure_rectangle2算子和measure_pos算子处理的。
8.根据权利要求3所述的一种圆柱滚子轴承的检测方法,其特征在于,所述步骤S431中选取上环面图像的外轮廓边缘是通过select_contours_xld算子处理的;所述步骤S431中确定环面图像外轮廓的圆心和半径是通过fit_circle_contour_xld算子处理的;所述步骤S443中进行圆拟合是通过fit_circle_contour_xld处理的。
9.基于权利要求1-8任一项所述的一种圆柱滚子轴承的检测方法的检测***,其特征在于,包括图像采集模块、翻转工位模块、分拣控制模块、相机标定模块。
10.根据权利要求9所述的一种圆柱滚子轴承的检测***,其特征在于,还包括Halcon软件,用于获取图像并对获取到的图像进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010222579.1A CN111598831A (zh) | 2020-03-26 | 2020-03-26 | 一种圆柱滚子轴承的检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010222579.1A CN111598831A (zh) | 2020-03-26 | 2020-03-26 | 一种圆柱滚子轴承的检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111598831A true CN111598831A (zh) | 2020-08-28 |
Family
ID=72181772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010222579.1A Pending CN111598831A (zh) | 2020-03-26 | 2020-03-26 | 一种圆柱滚子轴承的检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598831A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200786A (zh) * | 2020-10-15 | 2021-01-08 | 福建工程学院 | 一种极柱焊接环形区域的提取方法 |
CN113486891A (zh) * | 2021-06-22 | 2021-10-08 | 深圳无境创新科技有限公司 | 螺钉图像处理方法、装置、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160377422A1 (en) * | 2015-03-02 | 2016-12-29 | Boe Technology Group Co., Ltd. | Device and method for detecting flatness of surface of display panel |
CN110223296A (zh) * | 2019-07-08 | 2019-09-10 | 山东建筑大学 | 一种基于机器视觉的螺纹钢表面缺陷检测方法及*** |
CN110596116A (zh) * | 2019-07-23 | 2019-12-20 | 浙江科技学院 | 一种车辆表面瑕疵检测方法及检测*** |
-
2020
- 2020-03-26 CN CN202010222579.1A patent/CN111598831A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160377422A1 (en) * | 2015-03-02 | 2016-12-29 | Boe Technology Group Co., Ltd. | Device and method for detecting flatness of surface of display panel |
CN110223296A (zh) * | 2019-07-08 | 2019-09-10 | 山东建筑大学 | 一种基于机器视觉的螺纹钢表面缺陷检测方法及*** |
CN110596116A (zh) * | 2019-07-23 | 2019-12-20 | 浙江科技学院 | 一种车辆表面瑕疵检测方法及检测*** |
Non-Patent Citations (1)
Title |
---|
肖金辉: "基于机器视觉的离合器分离轴承单元检测***研究" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200786A (zh) * | 2020-10-15 | 2021-01-08 | 福建工程学院 | 一种极柱焊接环形区域的提取方法 |
CN112200786B (zh) * | 2020-10-15 | 2023-09-22 | 福建工程学院 | 一种极柱焊接环形区域的提取方法 |
CN113486891A (zh) * | 2021-06-22 | 2021-10-08 | 深圳无境创新科技有限公司 | 螺钉图像处理方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103743761B (zh) | 一种镜片水印疵病图像检测装置 | |
CN106814083B (zh) | 滤波片缺陷检测***及其检测方法 | |
US20060147092A1 (en) | Intelligent digital graphics inspection system and method | |
CN109142509B (zh) | 圆钢磁粉探伤方法与装置 | |
CN111812103B (zh) | 一种图像采集装置、视觉检测***及检测点提取方法 | |
CN111598831A (zh) | 一种圆柱滚子轴承的检测方法及*** | |
CN105021628A (zh) | 一种用于光纤倒像器表面缺陷的检测方法 | |
CN103630544B (zh) | 一种视觉在线检测*** | |
CN110728657A (zh) | 一种基于深度学习的环状轴承外表面缺陷检测方法 | |
CN111220544A (zh) | 一种镜片质量检测装置及检测方法 | |
CN109461156B (zh) | 基于视觉的螺纹密封塞装配检测方法 | |
CN202133624U (zh) | 磁环不合格品自动检测装置 | |
CN111487192A (zh) | 一种基于人工智能的机器视觉表面缺陷检测装置及方法 | |
JP2018025439A (ja) | 外観検査方法および外観検査装置 | |
CN109557098A (zh) | 基于机器视觉的金属表面检测*** | |
CN110441321B (zh) | 基于分时曝光图像综合的透明材质内部缺陷检测方法 | |
CN111307812A (zh) | 基于机器视觉的焊点外观检测方法 | |
CN109622404B (zh) | 一种基于机器视觉的微工件自动分拣***及方法 | |
CN111060518A (zh) | 一种基于实例分割的冲压件缺陷识别方法 | |
CN117085969B (zh) | 人工智能工业视觉检测方法、装置、设备及存储介质 | |
CN113205499A (zh) | 基于机器视觉的轴承缺陷模块化检测装置与方法 | |
CN111563869B (zh) | 用于摄像模组质检的污点测试方法 | |
CN211651523U (zh) | 轴承内外径圆柱面的机器视觉检测*** | |
JP3445169B2 (ja) | 外観検査装置 | |
CN211905142U (zh) | 一种全自动眼镜镜片检测设备 |
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 |