CN112001917A - 一种基于机器视觉的圆形有孔零件形位公差检测方法 - Google Patents
一种基于机器视觉的圆形有孔零件形位公差检测方法 Download PDFInfo
- Publication number
- CN112001917A CN112001917A CN202010920126.6A CN202010920126A CN112001917A CN 112001917 A CN112001917 A CN 112001917A CN 202010920126 A CN202010920126 A CN 202010920126A CN 112001917 A CN112001917 A CN 112001917A
- Authority
- CN
- China
- Prior art keywords
- image
- hole
- center
- calculating
- pixel
- 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 26
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000005286 illumination Methods 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000003491 array Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000001360 synchronised 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- 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
- G06T7/13—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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于机器视觉的圆形有孔零件形位公差检测方法,用于提高零件形位公差检测的效率和精度。包括:构建一个暗室无影照明***来为待测零件图像采集提供照明;对相机进行两次标定,消除镜头畸变并计算图像像素与实际物理尺寸的对应关系;采集零件图像信息并二值化和滤波,消除采集过程中的随机噪声;提取图像连通域,计算连通域中心作为圆心坐标,用来判断孔是否同轴和共圆;分别计算连通区域的外接矩形和最小外接矩形,得到两组长宽数据,计算得出5组半径信息进行孔的圆度分析;提取二值图像轮廓,得到零件边缘信息,再对边缘信息进行霍夫圆变换得到圆心与半径信息,与之前得到的数据比较,计算零件形位公差。
Description
技术领域
本发明属于工业测量、机器视觉领域,尤其涉及一种基于机器视觉的圆形有孔零件形位公差检测方法。
背景技术
任何零件在加工过程中,都不可避免地会产生磨损,从而造成误差。在机械制造等行业中,常常需要对加工后的零件进行误差测量,以确保其满足设计要求,达到质量标准。圆孔零件作为常见的环形零件,其结构固定,带有一圈圆形通孔,广泛运用于各种仪器和交通工具当中。由于零件的误差过大,会影响整体的工作性能。因此,对质量要求高的零件,除了要保证其尺寸精度外,还应控制其形位公差。形位公差,一般包含形状和位置公差,它是零件的实际情况相对于理想设计所允许的最大误差量。例如,零件加工后,圆孔的圆度无法达到指定要求,这种情况属于形状误差;如果圆孔的圆心定位产生偏移,就是位置误差。零件形位公差的检测技术在不断发展,目前来看,主要有两种不同的解决方案:三坐标测量和非接触式测量。三坐标测量是将待测零件放入测量仪中,探测器会在三个方向的导轨上进行移动。根据探头返回的数据,计算出零件的尺寸以及形位公差。该方法能对零件的各部分进行精确测量,但成本高、效率低。需要人工进行操作,测量灵活性不够。非接触式测量,就是在不触碰零件表面的情况下,采用光学扫描,获得零件具体参数的方法。借助数字图像处理技术的非接触式测量,结构简单,识别速度快,检测效率高,可以满足实时在线的质量检测要求。
发明内容
发明目的:针对传统零件形位公差检测复杂,耗时较长的问题,本发明提供一种利用机器视觉技术来完成对零件尺寸测量、形位公差分析计算的方法,重点解决了检测机构简单易布局,检测周期短可以在线部署,检测内容全面的问题。
为了解决上述问题,本发明公开了一种基于机器视觉的圆形有孔零件形位公差检测方法,包括如下步骤:
步骤1,构建一个暗室无影照明***,所述***的环境为一个封闭遮光环境,***内照明由自带的与相机同向环状光装和背光源构成,用于对零件的图像采集提供照明环境;
步骤2,固定相机位置,固定平台位置,安装定焦相机镜头,对焦后利用棋盘标定板对相机镜头进行标定,完成畸变矫正,消除镜头畸变对测量的影响;
步骤3,对步骤2标定完成的相机再次利用棋盘标定板进行标定,通过角点检测得到角点的像素坐标,计算相邻两个角点间的像素距离,与棋盘标定板上同角点的物理尺寸关联计算,得到图像像素与实际物理尺寸的对应关系;
步骤4,将零件放置到图像采集区域,采集零件图像信息;
步骤5,对采集到的零件图像进行二值化和滤波,消除采集过程中的随机噪声;
步骤6,提取零件区域,切割掉无用的图像信息,提取图像连通域,计算连通域中心作为零件中心坐标;
步骤7,计算步骤6得到的图像中所有连通区域的外接矩形,得出外接矩形两条边长,计算连通区域的最小外接矩形,得出最小外接矩形两条边长,根据得到的四个边长数据,计算出5个半径,对孔的圆度进行判断,如果都在公差带内,则判定孔满足形位公差要求;
步骤8,利用步骤7得到的图像中所有连通区域的外接矩形,计算零件中各孔的中心点,并与步骤6得到的零件中心做比较计算,判断零件中各孔的位置是否满足形位公差的要求;
步骤9,对步骤6得到的图像进行轮廓提取,得到零件的边缘信息,再对边缘信息进行霍夫圆变换,得到圆的圆心与半径信息,如果圆心与半径数据都在公差带内,则判定孔满足形位公差要求;
步骤10,将步骤9得到的圆心与步骤6得到的零件中心做比较计算,判断零件中各孔的位置是否满足形位公差的要求。
步骤1中,构建的暗室无影照明***为一个封闭遮光环境,可以阻挡外部不均匀的环境光对测量造成的影响;所述***内照明由自带的与相机同向环形光源和背光源构成,两组光源均为平行光源,两组光源均带漫反射板,用于对零件的图像采集提供照明环境;环状光源与相机同轴安装在***顶部,光源颜色能够根据需求进行更换;背光源嵌入式安装到底部置物台内,背光源上表面与底部置物台平面共面;当采用环状光源照明时,能够在底部置物台更换不同颜色的底衬,来获得更好的图像采集效果。
步骤3包括;采集棋盘标定板图像信息,通过角点检测得到角点的像素坐标,记两个相邻的角点像素坐标分别为(x1,y1),(x2,y2),如果是水平方向上相邻的两个角点,则y1≈y2,如果是垂直方向上相邻的两个角点,则x1≈x2,计算两点间的欧氏距离取n对水平方向上或垂直方向上相邻的两个角点,分别计算每对中的两角点间的欧式距离di,对所有的每对中的两角点间的欧式距离求和取平均,从而得出该图像下的角点间平均距离
步骤5包括:采集到的图像,如果是彩色图像,则通过gray=0.299*R+0.587*G+0.114*B其中R为转换前的彩色图像中该像素的红色分量,其中G为转换前的彩色图像中该像素的绿色分量,其中B为转换前的彩色图像中该像素的蓝色分量,gray是转换后的灰度图像像素值,转换成灰度图像,如果是灰度图像,则不用转换,对得到的灰度图像,用最大类间方差法确定灰度图像的阈值δ,对于大于阈值δ的像素置为1,反之置为0,遍历图像所有像素完成上述转换从而实现对零件图像的二值化,对二值化的图像遍历每个像素,选取像素周边的8个像素,如果在边缘,即周围不足8个像素时,通过补0达到8个像素值,加上遍历的像素本身共9个像素,进行降序排序,选取中间的值作为遍历点的像素值,替代掉原先遍历点的像素值,从而将图像中存在的噪声过滤掉,实现对二值图像的滤波。
步骤6中,对步骤5中得到的二值化图像进行轮廓检测得到零件的外部边缘,计算其外接矩形,得到外接矩形的顶点坐标(xlt,ylt)和外接矩形边长(mp,np),然后以(xlt+T,ylt+T)为左上角顶点,以(mp+2T,np+2T)为边长截取零件图像区域,其中参数T=10*Δ/dpix,Δ为零件的形位公差,切割掉无用的图像信息,根据计算出的外接矩形,以点(xlt+0.5mp,ylt+0.5np)作为零件的中心坐标。
步骤7中,通过连通域外接矩形得出外接矩形两条边长a,b,通过连通域最小外接矩形得出两条边长c,d,计算出5个半径分别为:r1=a*dpix/2,r2=b*dpix/2,r3=c*dpix/2,r4=d*dpix/2,r5=[(a+b+c+d)/4]*dpix/2,如果都在公差带内,即(r1,r2,r3,r4)∈[r5-Δ,r5+Δ],则判定零件和孔都满足形位公差要求。
步骤8中,得到所有连通域的外接矩形,对于每一个外接矩形的左上角顶点坐标(xilt,yilt),对应的外接矩形两条边长分别为ai,bi,则可以计算出连通域的中心坐标(xic,yic)为xic=xilt+0.5*ai,yic=yilt+0.5*bi,将得到的中心坐标与步骤6得到的零件中心坐标(xc,yc)进行计算比较,来判断各孔是否满足形位公差的需求:如果xci-xc<Δ则水平共线,如果yci-yc<Δ则垂直共线;如果xci-xc<Δ且yci-yc<Δ则孔与零件同轴;分别计算(xci-xc)*dpix的值和(yci-yc)*dpix的值,来判断孔的位置是否与图纸一致;将每个孔中心到零件的中心距离定义为rdi,对n个成圆周阵列的孔,如果其孔中心到零件中心的平均距离为当所有的rdi都在区间内,则判定圆周阵列的孔满足形位公差的要求。
步骤9中,通过连通域外接矩形的边长计算得到霍夫圆的半径r,对单一的孔来说,如果零件的形位公差带为±Δ,对于检测到的多个半径r进行排序得到最大半径rmax和最小半径rmin,当孔存在形变时,(rmax-rmin)>Δ,则判断孔的圆度不满足形位公差要求。
步骤10中,利用步骤9得到每个孔边缘霍夫变换得到的圆心坐标(xci,yci),与步骤6得到的零件中心(xc,yc)进行计算比较,来判断各孔是否满足形位公差的要求:如果xci-xc<Δ则水平共线,如果yci-yc<Δ则垂直共线;如果xci-xc<Δ且yci-yc<Δ则孔与零件同轴;分别计算(xci-xc)*dpix和(yci-yc)*dpix,来判断孔的位置是否与图纸一致;将每个孔中心到零件的中心距离定义为rdi,对n个成圆周阵列的孔,如果其孔中心到零件中心的平均距离为当所有的rdi都在区间内,则判定圆周阵列的孔满足形位公差的要求。
有益效果:与现有的质量检测方法相比,本发明利用工业相机获取零件的图像信息,经过预处理后得到二值化图像,对二值图像进行分析,得出零件的外尺寸、内部孔位置、孔尺寸等信息,对得到的信息进行计算,实现对零件的形位公差分析,***结构简单,检测效率高,可以部署到零件的生产线上,从而实现对零件形位公差的同步质量检测。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1是本发明实施时的结构示意图。
图2是工业相机第一次标定图。
图3是工业相机第二次标定图。
图4是采集的零件原始图像。
图5是零件二值化后的图像。
图6是零件图像信息切割后的图像。
图7是零件外接矩形和最小外接矩形图。
图8是对图7所计算的数据。
图9是零件边缘提取后的霍夫变换图。
图10是霍夫变换下的形位公差分析示意图。
具体实施方式
本发明公开了一种基于机器视觉的圆形有孔零件形位公差检测方法,包括如下步骤:
步骤1,构建一个暗室无影照明***,所述***的环境为一个封闭遮光环境,***内照明由自带的与相机同向环状光装和背光源构成,用于对零件的图像采集提供照明环境;
步骤2,固定相机位置,固定平台位置,安装定焦相机镜头,对焦后利用棋盘标定板对相机镜头进行标定,完成畸变矫正,消除镜头畸变对测量的影响;
步骤3,对步骤2标定完成的相机再次利用棋盘标定板进行标定,通过角点检测得到角点的像素坐标,计算相邻两个角点间的像素距离,与棋盘标定板上同角点的物理尺寸关联计算,得到图像像素与实际物理尺寸的对应关系;
步骤4,将零件放置到图像采集区域,采集零件图像信息;
步骤5,对采集到的零件图像进行二值化和滤波,消除采集过程中的随机噪声;
步骤6,提取零件区域,切割掉无用的图像信息,提取图像连通域,计算连通域中心作为零件中心坐标;
步骤7,计算步骤6得到的图像中所有连通区域的外接矩形,得出外接矩形两条边长,计算连通区域的最小外接矩形,得出最小外接矩形两条边长,根据得到的四个边长数据,计算出5个半径,对孔的圆度进行判断,如果都在公差带内,则判定孔满足形位公差要求;
步骤8,利用步骤7得到的图像中所有连通区域的外接矩形,计算零件中各孔的中心点,并与步骤6得到的零件中心做比较计算,判断零件中各孔的位置是否满足形位公差的要求;
步骤9,对步骤6得到的图像进行轮廓提取,得到零件的边缘信息,再对边缘信息进行霍夫圆变换,得到圆的圆心与半径信息,如果圆心与半径数据都在公差带内,则判定孔满足形位公差要求;
步骤10,将步骤9得到的圆心与步骤6得到的零件中心做比较计算,判断零件中各孔的位置是否满足形位公差的要求。
步骤1中,构建的暗室无影照明***为一个封闭遮光环境,可以阻挡外部不均匀的环境光对测量造成的影响;所述***内照明由自带的与相机同向环状光源和背光源构成,两组光源均为平行光源,两组光源均带漫反射板,用于对零件的图像采集提供照明环境;环状光源与相机同轴安装在***顶部,光源颜色能够根据需求进行更换;背光源嵌入式安装到底部置物台内,背光源上表面与底部置物台平面共面;当采用环状光源照明时,能够在底部置物台更换不同颜色的底衬,来获得更好的图像采集效果。
步骤3包括;采集棋盘标定板图像信息,通过角点检测得到角点的像素坐标,记两个相邻的角点像素坐标分别为(x1,y1),(x2,y2),如果是水平方向上相邻的两个角点,则y1≈y2,如果是垂直方向上相邻的两个角点,则x1≈x2,计算两点间的欧氏距离取n对水平方向上或垂直方向上相邻的两个角点,分别计算每对中的两角点间的欧式距离di,对所有的每对中的两角点间的欧式距离求和取平均,从而得出该图像下的角点间平均距离
步骤6中,对步骤5中得到的二值化图像进行轮廓检测得到零件的外部边缘,计算其外接矩形,得到外接矩形的顶点坐标(xlt,ylt)和外接矩形边长(mp,np),然后以(xlt+T,ylt+T)为左上角顶点,以(mp+2T,np+2T)为边长截取零件图像区域,其中参数T=10*Δ/dpix,Δ为零件的形位公差,切割掉无用的图像信息,根据计算出的外接矩形,以点(xlt+0.5mp,ylt+0.5np)作为零件的中心坐标。
步骤7中,通过连通域外接矩形得出外接矩形两条边长a,b,通过连通域最小外接矩形得出两条边长c,d,计算出5个半径分别为:r1=a*dpix/2,r2=b*dpix/2,r3=c*dpix/2,r4=d*dpix/2,r5=[(a+b+c+d)/4]*dpix/2,如果都在公差带内,即(r1,r2,r3,r4)∈[r5-Δ,r5+Δ],则判定零件和孔都满足形位公差要求。
步骤8中,得到所有连通域的外接矩形,对于每一个外接矩形的左上角顶点坐标(xilt,yilt),对应的外接矩形两条边长分别为ai,bi,则可以计算出连通域的中心坐标(xic,yic)为xic=xilt+0.5*ai,yic=yilt+0.5*bi,将得到的中心坐标与步骤6得到的零件中心坐标(xc,yc)进行计算比较,来判断各孔是否满足形位公差的需求:如果xci-xc<Δ则水平共线,如果yci-yc<Δ则垂直共线;如果xci-xc<Δ且yci-yc<Δ则孔与零件同轴;分别计算(xci-xc)*dpix的值和(yci-yc)*dpix的值,来判断孔的位置是否与图纸一致;将每个孔中心到零件的中心距离定义为rdi,对n个成圆周阵列的孔,如果其孔中心到零件中心的平均距离为当所有的rdi都在rd±Δ区间内,则判定圆周阵列的孔满足形位公差的要求。
步骤9中,通过连通域外接矩形的边长计算得到霍夫圆的半径r,对单一的孔,如果零件的形位公差带为±Δ,对于检测到的多个半径r进行排序得到最大半径rmax和最小半径rmin,当孔存在形变时,(rmax-rmin)>Δ,则判断孔的圆度不满足形位公差要求。
步骤10中,利用步骤9得到每个孔边缘霍夫变换得到的圆心坐标(xci,yci,与步骤6得到的零件中心(xc,yc)进行计算比较,来判断各孔是否满足形位公差的要求:如果xci-xc<Δ则水平共线,如果yci-yc<Δ则垂直共线;如果xci-xc<Δ且yci-yc<Δ则孔与零件同轴;分别计算(xci-xc)*dpix和(yci-yc)*dpix,来判断孔的位置是否与图纸一致;将每个孔中心到零件的中心距离定义为rdi,对n个成圆周阵列的孔,如果其孔中心到零件中心的平均距离为当所有的rdi都在区间内,则判定圆周阵列的孔满足形位公差的要求。
实施例
本发明提供了一种基于机器视觉的圆形有孔零件形位公差检测方法,包括:
步骤1,搭建一个如图1所示的暗室环境(如图1所示,1、暗室;2、环状光源;3、工业相机;4、待测零件;5、背光源;),首先利用顶部的环状光源进行照明,拍摄高精密12*9方格系列铝制棋盘格标定板,其中标定板棋盘格尺寸为10mm*10mm。
步骤2,利用张正友标定法对相机进行畸变矫正,矫正后的图像如图2所示。
步骤3,矫正后,再次拍摄标定板,检测出角点和角点坐标,计算出像素与物理尺寸的关系,在图像中标定的结果如图3所示。
步骤4,采用背光源照明,将待测零件放置在置物台上,进行拍照,拍照效果如图4所示。
步骤5,对图4进行二值化处理,得到如图5所示的二值图像。
步骤6,根据零件的形位公差带要求,对零件的图像进行裁剪,缩小尺寸得到如图6所示的图像。
步骤7,对步骤6得到的图像,计算外接矩形和最小外接矩形,并计算分析形位公差,分析圆孔的半径是否在公差带内,分析结果如图8所示。
步骤8,在步骤7的基础上,计算孔的中心坐标,分析孔是否共圆,分析结果如图8所示。
步骤9,对步骤6得到的二值图像进行轮廓提取,得到如图9所示的边缘图像信息,对边缘信息进行霍夫变换,提取出孔的半径,分析圆孔的半径是否在公差带内,分析结果如图10所示。
步骤10,在步骤9的基础上,计算孔的中心坐标,分析孔是否共圆,分析结果如图10所示。
本发明提供了一种基于机器视觉的圆形有孔零件形位公差检测方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (9)
1.一种基于机器视觉的圆形有孔零件形位公差检测方法,其特征在于,包括如下步骤:
步骤1,构建一个暗室无影照明***,所述***的环境为一个封闭遮光环境;
步骤2,固定相机位置,固定平台位置,安装定焦相机镜头,对焦后利用棋盘标定板对相机镜头进行标定,完成畸变矫正;
步骤3,对步骤2标定完成的相机再次利用棋盘标定板进行标定,通过角点检测得到角点的像素坐标,计算相邻两个角点间的像素距离,与棋盘标定板上同角点的物理尺寸关联计算,得到图像像素与实际物理尺寸的对应关系;
步骤4,将零件放置到图像采集区域,采集零件图像信息;
步骤5,对采集到的零件图像进行二值化和滤波;
步骤6,提取零件区域,切割掉无用的图像信息,提取图像连通域,计算连通域中心作为零件中心坐标;
步骤7,计算步骤6得到的图像中所有连通区域的外接矩形,得出外接矩形两条边长,计算连通区域的最小外接矩形,得出最小外接矩形两条边长,根据得到的四个边长数据,计算出5个半径,对孔的圆度进行判断,如果都在公差带内,则判定孔满足形位公差要求;
步骤8,利用步骤7得到的图像中所有连通区域的外接矩形,计算零件中各孔的中心点,并与步骤6得到的零件中心做比较计算,判断零件中各孔的位置是否满足形位公差的要求;
步骤9,对步骤6得到的图像进行轮廓提取,得到零件的边缘信息,再对边缘信息进行霍夫圆变换,得到圆的圆心与半径信息,如果圆心与半径数据都在公差带内,则判定孔满足形位公差要求;
步骤10,将步骤9得到的圆心与步骤6得到的零件中心做比较计算,判断零件中各孔的位置是否满足形位公差的要求。
2.根据权利要求1所述的方法,其特征在于,步骤1中,所述***内照明由自带的与相机同向环状光源和背光源构成,两组光源均为平行光源,两组光源均带漫反射板,用于对零件的图像采集提供照明环境;环状光源与相机同轴安装在***顶部,光源颜色能够根据需求进行更换;背光源嵌入式安装到底部置物台内,背光源上表面与底部置物台平面共面;当采用环状光源照明时,能够在底部置物台更换不同颜色的底衬。
4.根据权利要求3所述的方法,其特征在于,步骤5包括:采集到的图像,如果是彩色图像,则通过gray=0.299*R+0.587*G+0.114*B转换成灰度图像,其中R为转换前的彩色图像中该像素的红色分量,其中G为转换前的彩色图像中该像素的绿色分量,其中B为转换前的彩色图像中该像素的蓝色分量,gray是转换后的灰度图像像素值,如果是灰度图像,则不用转换,对得到的灰度图像,用最大类间方差法确定灰度图像的阈值δ,对于大于阈值δ的像素置为1,反之置为0,遍历图像所有像素完成上述转换从而实现对零件图像的二值化,对二值化的图像遍历每个像素,选取像素周边的8个像素,如果在边缘,即周围不足8个像素时,通过补0达到8个像素值,加上遍历的像素本身共9个像素,进行降序排序,选取中间的值作为遍历点的像素值,替代掉原先遍历点的像素值,从而将图像中存在的噪声过滤掉,实现对二值图像的滤波。
5.根据权利要求4所述的方法,其特征在于,步骤6中,对步骤5中得到的二值化图像进行轮廓检测得到零件的外部边缘,计算其外接矩形,得到外接矩形的顶点坐标(xlt,ylt)和外接矩形边长(mp,np),然后以(xlt+T,ylt+T)为左上角顶点,以(mp+2T,np+2T)为边长截取零件图像区域,其中参数T=10*Δ/dpix,Δ为零件的形位公差,切割掉无用的图像信息,根据计算出的外接矩形,以点(xlt+0.5mp,ylt+0.5np)作为零件的中心坐标。
6.根据权利要求5所述的方法,其特征在于,步骤7中,通过连通域外接矩形得出外接矩形两条边长a,b,通过连通域最小外接矩形得出两条边长c,d,计算出5个半径分别为:r1=a*dpix/2,r2=b*dpix/2,r3=c*dpix/2,r4=d*dpix/2,r5=[(a+b+c+d)/4]*dpix/2,如果都在公差带内,即(r1,r2,r3,r4)∈[r5-Δ,r5+Δ],则判定零件和孔都满足形位公差要求。
7.根据权利要求6所述的方法,其特征在于,步骤8中,得到所有连通域的外接矩形,对于每一个外接矩形的左上角顶点坐标(xilt,yilt),对应的外接矩形两条边长分别为ai,bi,则可以计算出连通域的中心坐标(xic,yic)为xic=xilt+0.5*ai,yic=yilt+0.5*bi,将得到的中心坐标与步骤6得到的零件中心坐标(xc,yc)进行计算比较,来判断各孔是否满足形位公差的需求:如果xci-xc<Δ则水平共线,如果yci-yc<Δ则垂直共线;如果xci-xc<Δ且yci-yc<Δ则孔与零件同轴;分别计算(xci-xc)*dpix的值和(yci-yc)*dpix的值,来判断孔的位置是否与图纸一致;将每个孔中心到零件的中心距离定义为rdi,对n个成圆周阵列的孔,如果其孔中心到零件中心的平均距离为当所有的rdi都在区间内,则判定圆周阵列的孔满足形位公差的要求。
8.根据权利要求7所述的方法,其特征在于,步骤9中,通过连通域外接矩形的边长计算得到霍夫圆的半径r,对单一的孔,如果零件的形位公差带为±Δ,对于检测到的多个半径r进行排序得到最大半径rmax和最小半径rmin,当孔存在形变时,(rmax-rmin)>Δ,则判断孔的圆度不满足形位公差要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010920126.6A CN112001917A (zh) | 2020-09-04 | 2020-09-04 | 一种基于机器视觉的圆形有孔零件形位公差检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010920126.6A CN112001917A (zh) | 2020-09-04 | 2020-09-04 | 一种基于机器视觉的圆形有孔零件形位公差检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112001917A true CN112001917A (zh) | 2020-11-27 |
Family
ID=73469861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010920126.6A Pending CN112001917A (zh) | 2020-09-04 | 2020-09-04 | 一种基于机器视觉的圆形有孔零件形位公差检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001917A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529869A (zh) * | 2020-12-11 | 2021-03-19 | 中国航空工业集团公司金城南京机电液压工程研究中心 | 一种阀套节流方孔检测方法 |
CN113379688A (zh) * | 2021-05-28 | 2021-09-10 | 慕贝尔汽车部件(太仓)有限公司 | 一种基于影像识别的稳定杆孔偏检测方法和*** |
CN113592955A (zh) * | 2021-07-27 | 2021-11-02 | 中国科学院西安光学精密机械研究所 | 一种基于机器视觉的圆形工件平面坐标高精度定位方法 |
CN113781481A (zh) * | 2021-11-11 | 2021-12-10 | 滨州学院 | 非接触测量物体形状和尺寸的方法、装置以及电子设备 |
CN113899318A (zh) * | 2021-09-09 | 2022-01-07 | 信利光电股份有限公司 | 一种检测边框胶离边间距的装置和方法 |
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 |
WO2023188553A1 (ja) * | 2022-03-29 | 2023-10-05 | 株式会社島津製作所 | 原子吸光光度計 |
-
2020
- 2020-09-04 CN CN202010920126.6A patent/CN112001917A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529869A (zh) * | 2020-12-11 | 2021-03-19 | 中国航空工业集团公司金城南京机电液压工程研究中心 | 一种阀套节流方孔检测方法 |
CN112529869B (zh) * | 2020-12-11 | 2023-07-21 | 中国航空工业集团公司金城南京机电液压工程研究中心 | 一种阀套节流方孔检测方法 |
CN113379688A (zh) * | 2021-05-28 | 2021-09-10 | 慕贝尔汽车部件(太仓)有限公司 | 一种基于影像识别的稳定杆孔偏检测方法和*** |
CN113379688B (zh) * | 2021-05-28 | 2023-12-08 | 慕贝尔汽车部件(太仓)有限公司 | 一种基于影像识别的稳定杆孔偏检测方法和*** |
CN113592955A (zh) * | 2021-07-27 | 2021-11-02 | 中国科学院西安光学精密机械研究所 | 一种基于机器视觉的圆形工件平面坐标高精度定位方法 |
CN113592955B (zh) * | 2021-07-27 | 2024-04-09 | 中国科学院西安光学精密机械研究所 | 一种基于机器视觉的圆形工件平面坐标高精度定位方法 |
CN113899318A (zh) * | 2021-09-09 | 2022-01-07 | 信利光电股份有限公司 | 一种检测边框胶离边间距的装置和方法 |
CN113781481A (zh) * | 2021-11-11 | 2021-12-10 | 滨州学院 | 非接触测量物体形状和尺寸的方法、装置以及电子设备 |
WO2023188553A1 (ja) * | 2022-03-29 | 2023-10-05 | 株式会社島津製作所 | 原子吸光光度計 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001917A (zh) | 一种基于机器视觉的圆形有孔零件形位公差检测方法 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN105160652A (zh) | 基于计算机视觉的手机外壳检验装置与方法 | |
CN103499297B (zh) | 一种基于ccd的高精度测量方法 | |
CN102288613B (zh) | 一种灰度和深度信息融合的表面缺陷检测方法 | |
US7257996B2 (en) | Device and method for a quality test of a body | |
CN102135236B (zh) | 双目视觉管道内壁自动无损检测方法 | |
CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和*** | |
CN102589435B (zh) | 噪声环境下激光束中心高效精确检测方法 | |
CN102032875B (zh) | 一种基于图像处理的电缆护套厚度测量方法 | |
CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN105335963A (zh) | 一种边缘缺陷检测方法及装置 | |
CN103345755A (zh) | 一种基于Harris算子的棋盘格角点亚像素提取方法 | |
CN107796826B (zh) | 基于齿心距离曲线分析的微型双联齿轮断齿缺陷检测方法 | |
CN112686920A (zh) | 一种圆形零件几何尺寸参数视觉测量方法及*** | |
CN113970560B (zh) | 一种基于多传感融合的缺陷三维检测方法 | |
CN111815575B (zh) | 一种基于机器视觉的轴承钢珠零件检测方法 | |
Du et al. | A method of dimension measurement for spur gear based on machine vision | |
CN114688969A (zh) | 一种光学镜片尺寸检测装置及方法 | |
CN111344553B (zh) | 曲面物体的缺陷检测方法及检测*** | |
CN115575407A (zh) | 一种应用于轨道与隧道的检测方法 | |
CN113554688B (zh) | 一种基于单目视觉的o型密封圈尺寸测量方法 | |
CN112798608B (zh) | 手机摄像头支架内腔侧壁的光学检测装置及光学检测方法 |
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 |