CN111815600B - 一种基于视觉的环形磁钢外观缺陷检测方法 - Google Patents
一种基于视觉的环形磁钢外观缺陷检测方法 Download PDFInfo
- Publication number
- CN111815600B CN111815600B CN202010634629.7A CN202010634629A CN111815600B CN 111815600 B CN111815600 B CN 111815600B CN 202010634629 A CN202010634629 A CN 202010634629A CN 111815600 B CN111815600 B CN 111815600B
- Authority
- CN
- China
- Prior art keywords
- image
- magnetic steel
- ssr
- annular magnetic
- contour
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 74
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 61
- 239000010959 steel Substances 0.000 title claims abstract description 61
- 230000000007 visual effect Effects 0.000 title claims abstract description 20
- 230000009467 reduction Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 12
- 230000000877 morphologic effect Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000007667 floating Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 19
- 230000000694 effects Effects 0.000 description 16
- 239000012535 impurity Substances 0.000 description 10
- 238000005336 cracking Methods 0.000 description 7
- 239000000696 magnetic material Substances 0.000 description 7
- 230000004927 fusion Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005282 brightening Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007517 polishing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001629 suppression Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T7/155—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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开了一种基于视觉的环形磁钢外观缺陷检测方法,包括步骤:采用降维SSR定位算法,提取环形磁钢图像的内外边缘图像;判定模板是否存在,是则继续下一步,否则生成模板;去掉周边的多余区域,生成产品区域图像;提取步骤S3中生成的产品区域图像的SSR特征、背景差特征、局部差异值图像增强特征,生成相应的特征图;生成所有特征图的二值化图像;对所有二值化图像进行前景面积、前景灰度统计值、前景长宽、位置的统计特征的提取和判定,保留下来的前景即为缺陷;将所有保留下来的缺陷按照位置绘制到原始的环形磁钢图像中,输出最终的检测结果图,并输出缺陷检测结果。本发明可精确定位各类细微缺陷,归因准确,检测效率高。
Description
技术领域
本发明涉及计算机视觉识别技术领域,具体涉及一种基于视觉的环形磁钢外观缺陷检测方法。
背景技术
随着电子信息产业的蓬勃发展,对高频电感元件的需求越来越大,磁性材料作为高频电感元件的重要组成部分,广泛应用于3C电子、机械、家用电器、汽车、医疗器械以及各种涉及电机、电磁应用的领域等,是当今社会消费设备和工业制造领域必不可少的原材料配件。在磁性材料生产过程中,容易产生开裂、掉角、杂质等缺陷,给电感元件的可靠性带来负面影响,如存在一个缺陷品流出,应用到最终用户的设备上,轻则会产生设备故障,重则导致产线停产或者伤人事件。因此,要求磁性材料的生产商在出厂之前做好质检,主要包括开裂、杂质、划痕、倒角缺陷等的检测。
对于环形磁钢本身而言,因其具有型号多样,尺寸不一,表面纹理复杂等特点。故市面上针对磁钢的外观缺陷检测设备较少。现有的一些视觉检测设备,其通过多次多角度打光,拍摄磁钢表面和倒角区域,使缺陷区域变亮的方法来检测包括开裂、杂质、划痕、掉块等缺陷。此种方式对于面积比较大的缺陷能明显检出,但由于磁钢表面纹理特征,对于轻微开裂、小面积杂质检出效果不好,对倒角区域缺陷基本检测不出来。浙江理工大学李俊峰、张之祥等提出基于纹理抑制的磁环表面缺陷检测方法,采用自适应阈值的Canny边缘检测方法定位磁环边缘,利用构造的掩模图像屏蔽背景干扰,最后通过填充定位环内的连通域来找到缺陷。这种方法对于比较大面积的缺陷有比较明显的效果,但是磁材有很多不规则的条状磨痕,深浅不一,故此算法对于细小的开裂和杂质,漏检较多。
另外,在在磁性材料的检测中,磁瓦的检测也存在类似的检测需求,浙江理工大学的周江、任鲲等提出基于机器视觉的磁钢片缺陷检测研究,通过二值化和形态学滤波对图像进行预处理,将目标区域与模板区域进行比较,来检测掉角和粘连缺陷。由于磁瓦和磁钢的工艺有所不同,缺陷的形态和定义也不一样,判定的标准也不相同,因此,这种方法无法在环形磁钢的表面缺陷检测上应用。
发明内容
鉴于现有技术的不足,本发明旨在于提供一种基于视觉的环形磁钢外观缺陷检测方法。
为了实现上述目的,本发明采用的技术方案如下:
一种基于视觉的环形磁钢外观缺陷检测方法,包括步骤:
S1、获取环形磁钢图像,采用降维SSR定位算法,提取磁钢的内外边缘图像;
S2、判定模板是否存在,是则继续下一步,否则生成模板;
S3、根据定位结果,去掉周边的多余区域,生成产品区域图像;
S4、分别采用降维SSR特征提取算法、背景差算法、局部差异值图像增强算法提取步骤S3中生成的产品区域图像的SSR特征、背景差特征、局部差异值图像增强特征,生成相应的特征图;
S5、对步骤S4中生成的特征图进行二值化处理,生成所有特征图的二值化图像;
S6、对所有二值化图像进行前景面积、前景灰度统计值、前景长宽、位置的统计特征的提取和判定,保留下来的前景即为缺陷;
S7、将步骤S6所有保留下来的缺陷按照位置绘制到原始的环形磁钢图像中,输出最终的检测结果图,并输出缺陷检测结果。
优选地,在上述的基于视觉的环形磁钢外观缺陷检测方法中,所述的降维SSR定位算法包括步骤:
S11、将获取的环形磁钢图像抽样成其原始图的0.2倍;
S12、在0.2倍图中,使用SSR算法生成SSR图像;
S13、对生成的SSR图像进行二值化,并进行形态学处理;
S14、轮廓处理,选择最佳的内外轮廓;
S15、按倍率放大到正常图像大小,对内外轮廓进行拟合。
优选地,在上述的基于视觉的环形磁钢外观缺陷检测方法中,所述S13的具体步骤包括:
S131、对生成的SSR图像进行直方图均衡化;
S132、对直方图均衡化后的SSR图像进行形态学闭操作。
优选地,在上述的基于视觉的环形磁钢外观缺陷检测方法中,在所述S14中的具体步骤包括:
S140、对所述步骤S13中经过形态学处理后的SSR图像进行连通域分析,提取宽度大于500的轮廓;
S141、判断轮廓个数是否大于0,是则找出轮廓中的闭合圆形,否则输出找不到目标的提示;
S142、在找出轮廓中的闭合圆形后,选择一个轮廓,然后判断该闭合轮廓的位置是否位于图像的中心区域;是则将闭合曲线坐标放进同一个vector容器中,否则返回继续选择一个轮廓;
S143、判断所有轮廓是否处理完成,是则进行下一步,否则返回上一步,继续选择一个轮廓;
S144、填充相邻轮廓之间的像素点,形成完整的轮廓;
S145、对完整轮廓采用间隔5个像素点进行多组抽样,对所有抽样组的像素点进行圆拟合;
S146、对拟合的圆按照半径进行排序,选取中值作为环形磁钢的外轮廓圆形,根据外轮廓圆形乘以固定系数,确定内轮廓圆形的候选区;
S147、对内轮廓的候选区域进行二值化处理,对二值化结果进行连通域分析;
S148、找出最大的轮廓;
S149、拟合出内轮廓圆形,得到最佳的内外轮廓。
优选地,在上述的基于视觉的环形磁钢外观缺陷检测方法中,在所述步骤S12中,在使用SSR算法生成SSR图像时,具体包括情形:
若原图为灰度图,则将图像各像素的灰度值由整数型(int)转换为浮点数(float),并转换到对数域;
若原图为彩色图:将颜色分通道处理,每个分量像素值由整数型(int)转换为浮点数(float),并转换到对数域。
优选地,在上述的基于视觉的环形磁钢外观缺陷检测方法中,在所述步骤S4中,所述的背景差算法具体包括步骤:
S41a、采集5幅环形磁钢的图像,根据降维SSR定位算法获得环形磁钢的位置,对5幅图像分别取出同一位置的像素值,并取其中值作为新图像的像素值,生成新的图像作为模板;
S42a、每次检测时,判断是否有模板,如果没有模板,则先生成模板,如果有模板,则无需生成;
S43a、用待测图与模板做差,生成背景差特征图。
优选地,在上述的基于视觉的环形磁钢外观缺陷检测方法中,在所述步骤S4中,所述的局部差异值图像增强算法具体包括步骤:
S41b、依据一维高斯分布函数对环形磁钢的原始图I(x)进行高斯滤波,生成高斯图G(x);其中,σ>0;
S42b、设定亮阈值FH、暗阈值FL、差异阈值FD,将原始图I(x)与高斯图G(x)依据公式D(x)=I(x)-G(x)做差,生成差异图D(x);
S43b、依据公式DH(x)=D(x)>FD&I(x)>FH?255:0,生成亮差异图DH(x);
S44b、依据公式DL(x)=D(x)>FD&I(x)<FL?255:0,生成暗差异图DL(x)。
优选地,在上述的基于视觉的环形磁钢外观缺陷检测方法中,在所述步骤S2中,所述模板的生成与所述步骤S41a中的模板生成方法一致。
本发明有益效果:本发明的优化方法采用降维的SSR特征提取环形磁钢的内外边缘图像,并采用局部差异值图像增强、多特征融合和多特征判定的网络融合技术,可以准确地定位各类细微表面缺陷,实现了磁钢表面诸如开裂,杂质,倒角缺陷等细微缺陷的检测,对于细小缺陷的检测取得比较好的效果。
附图说明
图1为本发明的算法整体流程图;
图2为基于降维SSR的磁钢定位算法流程图;
图3为待处理原始图;
图4为区域定位结果图;
图5为区域定位后分割的原始图;
图6为背景模板图;
图7为SSR特征图;
图8为背景差特征图;
图9为局部差异值特征亮图;
图10为局部差异值特征暗图;
图11为无缺陷的检测结果图;
图12为杂质缺陷检测效果图;
图13为开裂缺陷检测效果图;
图14为倒角缺陷检测效果图。
具体实施方式
以下将结合说明书附图和具体实施例对本发明作进一步的描述,需要说明的是,在详细解释本发明的任何实施例之前,本发明在其应用中不限于以下描述中阐述的或下面的附图中示出的部件构造和布置细节。本发明能够具有其他实施例并且能够以各种方式实践或执行。而且,应该理解的是,这里使用的措辞和术语是为了描述的目的,而不应该认为是限制性的。本文中的“包括”、“包含”或“具有”及其变体的使用意味着涵盖其后列出的项目及其等同物以及额外的项目。术语“安装”、“连接”和“耦合”广泛地使用并且包括直接和间接的安装、连接和耦合。此外,“连接”和“耦合”不限于物理或机械连接或耦合,而可以包括直接或间接的电连接或电耦合。
应该注意的是,可以利用多个基于硬件和软件的设备以及多个不同的结构部件来实现本发明。此外,并且如在随后的段落中所描述的,附图中示出的具体配置旨在示例本发明的实施例,并且其他可选配置是可能的。除非另有说明,否则术语“处理器”、“中央处理单元”和“CPU”是可互换的。在使用术语“处理器”或“中央处理单元”或“CPU”来标识执行特定功能的单元的情况下,应该理解,除非另有说朗,否则这些功能可以由单个处理器或由多个处理器(以任何形式排列,包括并行处理器、串行处理器、串联处理器或云处理/云计算配置)执行。
如图1所示,本发明的实施例提出的一种基于视觉的环形磁钢外观缺陷检测方法,其包括步骤:
S1、获取环形磁钢图像,该获取的环形磁钢图像如图3所示。采用降维SSR定位算法,绘制内外轮廓,和倒角区域,提取该环形磁钢图像上的磁钢的内外边缘图像。
S2、判定模板是否存在,如果存在,则继续下一步,如果不存在,则生成模板,生成的模板图如图5所示。
S3、根据定位结果,去掉周边的多余区域,生成产品区域图像,生成的产品区域图像如图6所示。
S4、分别采用降维SSR特征提取算法、背景差算法、局部差异值图像增强算法提取步骤S3中生成的产品区域图像的SSR特征、背景差特征、局部差异值图像增强特征,生成相应的特征图。生成的SSR特征图如图7所示,生成的背景差特征图如图8所示,生成的局部差异值图像增强特征图如图9和图10所示,其中,图9为局部差异值特征亮图,图10为局部差异值特征暗图。局部差异值特征暗图对对比度比较低的缺陷检测效果比较好,SSR特征对外倒角缺陷和对比度高的缺陷检测效果比较好,局部差异值特征亮图对比度高的缺陷检测效果比较好,背景差特征对亮暗缺陷的检测的有补充检测的作用。从各个特征图中可看出,细微的灰度跳变处仍可检测出来,因此,本算法对开裂等轻微缺陷检测效果较好。
S5、对步骤S4中生成的特征图进行二值化处理,生成所有特征图的二值化图像,已经是二值图的不用做二值化,直接使用即可。
S6、对所有二值化图像进行前景面积、前景灰度统计值、前景长宽、位置的统计特征的提取和判定,保留下来的前景即为缺陷。
S7、将步骤S6所有保留下来的缺陷按照位置绘制到原始的环形磁钢图像中,输出最终的检测结果图,并输出缺陷检测结果,如图11所示,判定无缺陷,则输出检测合格。在本发明的实施例提供的图11中,该输出的缺陷检测结果图为无缺陷。在本发明的实施例中,图12为杂质缺陷检测效果图,图13为开裂缺陷检测效果图,图14为倒角缺陷检测效果图。
具体地,在本发明的优选实施例中,如图2所示,降维SSR定位算法包括步骤:
S11、将获取的环形磁钢图像抽样成其原始图的0.2倍;
S12、在0.2倍图中,使用SSR算法生成SSR图像;
S13、对生成的SSR图像进行二值化,并进行形态学处理;
S14、轮廓处理,选择最佳的内外轮廓;
S15、按倍率放大到正常图像大小,对内外轮廓进行拟合。
具体地,S13的具体步骤包括:
S131、对生成的SSR图像进行直方图均衡化;
S132、对直方图均衡化后的SSR图像进行形态学闭操作。
具体地,进一步地参见图2所示,S14中的具体步骤包括:
S140、对步骤S13中经过形态学处理后的SSR图像进行连通域分析,提取宽度大于500的轮廓;
S141、判断轮廓个数是否大于0,是则找出轮廓中的闭合圆形,否则输出找不到目标的提示;
S142、在找出轮廓中的闭合圆形后,选择一个轮廓,然后判断该闭合轮廓的位置是否位于图像的中心区域;是则将闭合曲线坐标放进同一个vector容器中,否则返回继续选择一个轮廓;
S143、判断所有轮廓是否处理完成,是则进行下一步,否则返回上一步,继续选择一个轮廓;
S144、填充相邻轮廓之间的像素点,形成完整的轮廓;
S145、对完整轮廓采用间隔5个像素点进行多组抽样,对所有抽样组的像素点进行圆拟合;
S146、对拟合的圆按照半径进行排序,选取中值作为环形磁钢的外轮廓圆形,根据外轮廓圆形乘以固定系数,确定内轮廓圆形的候选区;
S147、对内轮廓的候选区域进行二值化处理,对二值化结果进行连通域分析;
S148、找出最大的轮廓;
S149、拟合出内轮廓圆形,得到最佳的内外轮廓。
进一步地,在步骤S12中,在使用SSR算法生成SSR图像时,具体包括情形:
若原图为灰度图,则将图像各像素的灰度值由整数型(int)转换为浮点数(float),并转换到对数域;
若原图为彩色图:将颜色分通道处理,每个分量像素值由整数型(int)转换为浮点数(float),并转换到对数域。
在本发明的优选实施方式中,降维SSR特征提取算法的工作原理与上述降维SSR定位算法的工作原理相同。具体地,在步骤S4中,背景差算法具体包括步骤:
S41a、采集5幅环形磁钢的图像,根据降维SSR定位算法获得环形磁钢的位置,对5幅图像分别取出同一位置的像素值,并取其中值作为新图像的像素值,生成新的图像作为模板;
S42a、每次检测时,判断是否有模板,如果没有模板,则先生成模板,如果有模板,则无需生成;
S43a、用待测图与模板做差,生成背景差特征图。
在步骤S4中,局部差异值图像增强算法具体包括步骤:
S41b、依据一维高斯分布函数对环形磁钢的原始图I(x)进行高斯滤波,生成高斯图G(x);其中,σ>0;
S42b、设定亮阈值FH、暗阈值FL、差异阈值FD,将原始图I(x)与高斯图G(x)依据公式D(x)=I(x)-G(x)做差,生成差异图D(x);
S43b、依据公式DH(x)=D(x)>FD&I(x)>FH?255:0,生成亮差异图DH(x);
S44b、依据公式DL(x)=D(x)>FD&I(x)<FL?255:0,生成暗差异图DL(x)。
进一步地,在本发明的优选实施方式中,步骤S2中的模板生成方法与步骤S41a中的模板生成方法一致。
本发明的实施例提出的一种基于视觉的环形磁钢外观缺陷检测方法,特别对于轻微杂质和开裂等缺陷有较好检测效果。环形磁钢的检测结果汇总如表1所示,本方法在实际的外观缺陷检测应用中,取得了良好的检测效果,整体通过率在大于80%,漏检率小于0.5‰。
表1
综上所述,本发明的优化方法采用降维的SSR特征提取环形磁钢的内外边缘图像,并采用局部差异值图像增强、多特征融合和多特征判定的网络融合技术,可以准确地定位各类细微表面缺陷,实现了磁钢表面诸如开裂,杂质,倒角缺陷等细微缺陷的检测,对于细小缺陷的检测取得比较好的效果。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内,本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (4)
1.一种基于视觉的环形磁钢外观缺陷检测方法,其特征在于,包括步骤:
S1、获取环形磁钢图像,采用降维SSR定位算法,提取磁钢的内外边缘图像;
S2、判定模板是否存在,是则继续下一步,否则生成模板;
S3、根据定位结果,去掉周边的多余区域,生成产品区域图像;
S4、分别采用降维SSR特征提取算法、背景差算法、局部差异值图像增强算法提取步骤S3中生成的产品区域图像的SSR特征、背景差特征、局部差异值图像增强特征,生成相应的特征图;
S5、对步骤S4中生成的特征图进行二值化处理,生成所有特征图的二值化图像;
S6、对所有二值化图像进行前景面积、前景灰度统计值、前景长宽、位置的统计特征的提取和判定,保留下来的前景即为缺陷;
S7、将步骤S6所有保留下来的缺陷按照位置绘制到原始的环形磁钢图像中,输出最终的检测结果图,并输出缺陷检测结果;
其中,所述的降维SSR定位算法包括步骤:
S11、将获取的环形磁钢图像抽样成其原始图的0.2倍;
S12、在0.2倍图中,使用SSR算法生成SSR图像;
S13、对生成的SSR图像进行二值化,并进行形态学处理;
S14、轮廓处理,选择最佳的内外轮廓;
S15、按倍率放大到正常图像大小,对内外轮廓进行拟合;
在使用SSR算法生成SSR图像时,具体包括情形:
若原图为灰度图,则将图像各像素的灰度值由整数型(int)转换为浮点数(float),并转换到对数域;
若原图为彩色图:将颜色分通道处理,每个分量像素值由整数型(int)转换为浮点数(float),并转换到对数域
所述的背景差算法具体包括步骤:
S41a、采集5幅环形磁钢的图像,根据降维SSR定位算法获得环形磁钢的位置,对5幅图像分别取出同一位置的像素值,并取其中值作为新图像的像素值,生成新的图像作为模板;
S42a、每次检测时,判断是否有模板,如果没有模板,则先生成模板,如果有模板,则无需生成;
S43a、用待测图与模板做差,生成背景差特征图;
所述的局部差异值图像增强算法具体包括步骤:
S41b、依据一维高斯分布函数对环形磁钢的原始图I(x)进行高斯滤波,生成高斯图G(x);其中,σ>0;
S42b、设定亮阈值FH、暗阈值FL、差异阈值FD,将原始图I(x)与高斯图G(x)依据公式D(x)=I(x)-G(x)做差,生成差异图D(x);
S43b、依据公式DH(x)=D(x)>FD&I(x)>FH?255:0,生成亮差异图DH(x);
S44b、依据公式DL(x)=D(x)>FD&I(x)<FL?255:0,生成暗差异图DL(x)。
2.根据权利要求1所述的基于视觉的环形磁钢外观缺陷检测方法,其特征在于,所述S13的具体步骤包括:
S131、对生成的SSR图像进行直方图均衡化;
S132、对直方图均衡化后的SSR图像进行形态学闭操作。
3.根据权利要求1所述的基于视觉的环形磁钢外观缺陷检测方法,其特征在于,在所述S14中的具体步骤包括:
S140、对所述步骤S13中经过形态学处理后的SSR图像进行连通域分析,提取宽度大于500的轮廓;
S141、判断轮廓个数是否大于0,是则找出轮廓中的闭合圆形,否则输出找不到目标的提示;
S142、在找出轮廓中的闭合圆形后,选择一个轮廓,然后判断该闭合轮廓的位置是否位于图像的中心区域;是则将闭合曲线坐标放进同一个vector容器中,否则返回继续选择一个轮廓;
S143、判断所有轮廓是否处理完成,是则进行下一步,否则返回上一步,继续选择一个轮廓;
S144、填充相邻轮廓之间的像素点,形成完整的轮廓;
S145、对完整轮廓采用间隔5个像素点进行多组抽样,对所有抽样组的像素点进行圆拟合;
S146、对拟合的圆按照半径进行排序,选取中值作为环形磁钢的外轮廓圆形,根据外轮廓圆形乘以固定系数,确定内轮廓圆形的候选区;
S147、对内轮廓的候选区域进行二值化处理,对二值化结果进行连通域分析;
S148、找出最大的轮廓;
S149、拟合出内轮廓圆形,得到最佳的内外轮廓。
4.根据权利要求1所述的基于视觉的环形磁钢外观缺陷检测方法,其特征在于,在所述步骤S2中,所述模板的生成与所述步骤S41a中的模板生成方法一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010634629.7A CN111815600B (zh) | 2020-07-04 | 2020-07-04 | 一种基于视觉的环形磁钢外观缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010634629.7A CN111815600B (zh) | 2020-07-04 | 2020-07-04 | 一种基于视觉的环形磁钢外观缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815600A CN111815600A (zh) | 2020-10-23 |
CN111815600B true CN111815600B (zh) | 2024-04-02 |
Family
ID=72855318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010634629.7A Active CN111815600B (zh) | 2020-07-04 | 2020-07-04 | 一种基于视觉的环形磁钢外观缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815600B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118050374B (zh) * | 2024-04-16 | 2024-07-12 | 昆山精诚得精密五金模具有限公司 | 基于机器视觉的新能源汽车配件检测方法及检测*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106683076A (zh) * | 2016-11-24 | 2017-05-17 | 南京航空航天大学 | 基于纹理特征聚类的机车轮对踏面损伤检测的方法 |
WO2018086299A1 (zh) * | 2016-11-11 | 2018-05-17 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及*** |
CN109447989A (zh) * | 2019-01-08 | 2019-03-08 | 哈尔滨理工大学 | 基于电机铜排毛刺生长区域的缺陷检测装置和方法 |
CN109767427A (zh) * | 2018-12-25 | 2019-05-17 | 北京交通大学 | 列车轨道扣件缺陷的检测方法 |
CN110766736A (zh) * | 2019-10-29 | 2020-02-07 | 京东方科技集团股份有限公司 | 缺陷检测方法、装置、电子设备以及存储介质 |
-
2020
- 2020-07-04 CN CN202010634629.7A patent/CN111815600B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018086299A1 (zh) * | 2016-11-11 | 2018-05-17 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及*** |
CN106683076A (zh) * | 2016-11-24 | 2017-05-17 | 南京航空航天大学 | 基于纹理特征聚类的机车轮对踏面损伤检测的方法 |
CN109767427A (zh) * | 2018-12-25 | 2019-05-17 | 北京交通大学 | 列车轨道扣件缺陷的检测方法 |
CN109447989A (zh) * | 2019-01-08 | 2019-03-08 | 哈尔滨理工大学 | 基于电机铜排毛刺生长区域的缺陷检测装置和方法 |
CN110766736A (zh) * | 2019-10-29 | 2020-02-07 | 京东方科技集团股份有限公司 | 缺陷检测方法、装置、电子设备以及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于机器视觉的磁钢片缺陷检测研究;周江;任锟;帅英琦;陈英豪;;机电工程;20141220(12);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111815600A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Wavelet-based defect detection in solar wafer images with inhomogeneous texture | |
CN109872300B (zh) | 一种摩擦片外观缺陷的视觉显著性检测方法 | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN107749057B (zh) | 一种太阳能电池片外观漏浆缺陷检测的方法 | |
CN116777916B (zh) | 基于泵机金属外壳的缺陷检测方法 | |
Jahedsaravani et al. | Development of a new algorithm for segmentation of flotation froth images | |
CN109584215A (zh) | 一种电路板在线视觉检测*** | |
CN110070523B (zh) | 一种用于瓶底的异物检测方法 | |
Ma | Defect detection and recognition of bare PCB based on computer vision | |
CN112308872B (zh) | 基于多尺度Gabor一阶导数的图像边缘检测方法 | |
CN106353324B (zh) | 磁环表面缺陷提取方法 | |
CN112669265A (zh) | 基于傅里叶变换和图像梯度特征实现表面缺陷检测的方法 | |
CN111815600B (zh) | 一种基于视觉的环形磁钢外观缺陷检测方法 | |
Lin et al. | Surface defect detection of machined parts based on machining texture direction | |
CN115359047A (zh) | 用于pcb板智能焊接的异常缺陷检测方法 | |
CN116128849A (zh) | 一种混凝土坝水下裂缝检测方法、装置、设备及存储介质 | |
CN102313740B (zh) | 太阳能电池板裂痕检测方法 | |
Yu et al. | MSER based shadow detection in high resolution remote sensing image | |
Zhang et al. | Segmentation algorithm of complex ore images based on templates transformation and reconstruction | |
CN114354631A (zh) | 一种基于视觉的阀门毛坯表面缺陷检测方法 | |
CN112129700B (zh) | 一种柔性电路板的图像检测方法及检测装置 | |
CN114529515A (zh) | 一种自动识别太阳能电池内部缺陷的方法 | |
CN114022418A (zh) | 一种锂电池极片缺陷检测方法及*** | |
CN113870299A (zh) | 一种基于边缘检测和形态学图像处理的3d打印故障检测方法 | |
KR20130087985A (ko) | 핑거패턴 제거에 의한 비등방성 확산 모델 기반의 마이크로 크랙의 검사 방법 |
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 |