CN114913177B - 一种基于霍夫圆的汽车零部件缺陷检测方法 - Google Patents
一种基于霍夫圆的汽车零部件缺陷检测方法 Download PDFInfo
- Publication number
- CN114913177B CN114913177B CN202210844317.8A CN202210844317A CN114913177B CN 114913177 B CN114913177 B CN 114913177B CN 202210844317 A CN202210844317 A CN 202210844317A CN 114913177 B CN114913177 B CN 114913177B
- Authority
- CN
- China
- Prior art keywords
- polishing
- area
- binary image
- suspected
- end 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 176
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000005498 polishing Methods 0.000 claims abstract description 145
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000004891 communication Methods 0.000 claims abstract description 23
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 239000000110 cooling liquid Substances 0.000 claims description 4
- 230000000873 masking effect Effects 0.000 claims description 2
- 239000002826 coolant Substances 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 6
- 239000007788 liquid Substances 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000013011 mating Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000010205 computational analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method 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
- G06T7/13—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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及机器视觉技术领域,具体涉及一种基于霍夫圆的汽车零部件缺陷检测方法,包括:获取涡轮壳端面高打光和低打光二值图;对两种二值图进行霍夫圆变换,得到两种二值图的端面区域;获取高打光二值图端面区域的疑似凹坑连通域;利用疑似凹坑连通域获取高打光二值图的凹坑区域;对低打光二值图端面区域的其他区域进行滑窗遍历,获取存在疑似缺陷像素点的扇形区域;将疑似缺陷像素点属于同一疑似缺陷的扇形区域标记为同一标签,得到标签区域;获取标签区域中的疑似缺陷像素点拟合的分段直线倾斜角与总直线倾斜角的差值的平均值,根据该平均值获取低打光二值图的划痕区域。上述方法用于汽车零部件的缺陷检测,可提高检测效率。
Description
技术领域
本发明涉及机器视觉技术领域,具体涉及一种基于霍夫圆的汽车零部件缺陷检测方法。
背景技术
我国经济的快速发展刺激着汽车工业的迅猛成长。发动机作为汽车的心脏,其性能直接影响汽车的安全性、环保性和使用寿命。增压器涡轮壳是汽车发动机的关键零件,涡轮壳的端面质量影响着发动机的自身强度、装配特性和密封性。因此对涡轮壳端面进行缺陷检测是很有必要的。
目前涡轮壳制造企业花费大量的人力去进行人工质检,此方法由于检测人员的视觉疲劳和主观性不一致会引起较多虚检、漏检。因此,亟需一种方法用于提高涡轮壳端面缺陷检测的效率和精度。
发明内容
本发明提供一种基于霍夫圆的汽车零部件缺陷检测方法,以解决现有的汽车零部件缺陷检测方法效率低、准确度低的问题。
本发明提供一种基于霍夫圆的汽车零部件缺陷检测方法,包括:获取涡轮壳端面高打光和低打光二值图;对两种二值图进行霍夫圆变换,得到两种二值图的端面区域;获取高打光二值图端面区域的疑似凹坑连通域;利用疑似凹坑连通域获取高打光二值图的凹坑区域;对低打光二值图端面区域的其他区域进行滑窗遍历,获取存在疑似缺陷像素点的扇形区域;将疑似缺陷像素点属于同一疑似缺陷的扇形区域标记为同一标签,得到标签区域;获取标签区域中的疑似缺陷像素点拟合的分段直线倾斜角与总直线倾斜角的差值的平均值,根据该平均值获取低打光二值图的划痕区域,相比于现有技术,本发明利用机器视觉技术提取涡轮壳端面区域,利用端面区域中像素的特征获取端面区域的凹坑区域、划痕区域,本发明具有智能化、高效率和非接触的优点,有效提高了涡轮壳端面缺陷检测的效率和精度。
为达到上述目的,本发明采用如下技术方案,一种基于霍夫圆的汽车零部件缺陷检测方法,包括:
获取待检测的涡轮壳端面高打光二值图和低打光二值图;
分别对高打光二值图和低打光二值图进行霍夫圆变换,分别利用获得的同心圆得到高打光二值图和低打光二值图中的端面区域;
对高打光二值图中的端面区域进行连通域分析,利用各连通域的像素点数量获取疑似凹坑缺陷连通域;
利用疑似凹坑缺陷连通域和质量良好的涡轮壳端面高打光二值图中的配合口连通域在面积上和形状上的差别度,获取高打光二值图端面区域中的凹坑区域和配合口区域;
利用高打光二值图端面区域中的凹坑区域和配合口区域对低打光二值图中与该凹坑区域和配合口区域相对应的端面区域进行填充,获得低打光二值图端面区域中的填充区域和其他区域;
设置扇形滑窗,对低打光二值图端面区域中的其他区域进行滑窗遍历,获取存在疑似缺陷像素点的扇形区域;
将存在的疑似缺陷像素点属于同一疑似缺陷的扇形区域标记为同一标签,得到标签区域;
利用标签区域中的疑似缺陷像素点拟合的总直线斜率和分段直线斜率,计算得到标签区域中的疑似缺陷像素点拟合的所有分段直线倾斜角与总直线倾斜角的差值的平均值;
利用标签区域中的疑似缺陷像素点拟合的所有分段直线倾斜角与总直线倾斜角的差值的平均值,获取低打光二值图端面区域中的划痕区域,完成对涡轮壳端面中凹坑缺陷和划痕缺陷的检测。
进一步的,所述一种基于霍夫圆的汽车零部件缺陷检测方法,所述疑似凹坑缺陷连通域是按照如下方式获取:
对涡轮壳端面高打光二值图进行反色,得到反色后的高打光二值图;
对反色后的高打光二值图中的端面区域进行连通域分析,得到所有连通域;
统计各连通域的像素点数量,将像素点数量最多的连通域作为正常区域;
设置像素点数量阈值,对其余连通域进行判断:当其余连通域的像素点数量大于阈值时,则将该连通域作为疑似凹坑缺陷连通域。
进一步的,所述一种基于霍夫圆的汽车零部件缺陷检测方法,所述高打光二值图端面区域中的凹坑区域和配合口区域是按照如下方式获取:
获取质量良好的涡轮壳端面高打光二值图中的配合口连通域的像素点数量;
利用疑似凹坑缺陷连通域的像素点数量和质量良好的涡轮壳端面高打光二值图中的配合口连通域的像素点数量,计算得到疑似凹坑缺陷连通域和质量良好的涡轮壳端面高打光二值图中的配合口连通域在面积上的差别度;
计算疑似凹坑缺陷连通域和质量良好的涡轮壳端面高打光二值图中的配合口连通域的最小外接矩形的长宽比;
利用疑似凹坑缺陷连通域和质量良好的涡轮壳端面高打光二值图中的配合口连通域的最小外接矩形的长宽比,计算得到疑似凹坑缺陷连通域和质量良好的涡轮壳端面高打光二值图中的配合口连通域在形状上的差别度;
设置面积差别度阈值和形状差别度阈值,对疑似凹坑缺陷连通域进行判断;
当疑似凹坑缺陷连通域和质量良好的涡轮壳端面高打光二值图中的配合口连通域在面积上的差别度小于等于面积差别度阈值,且该疑似凹坑缺陷连通域和质量良好的涡轮壳端面高打光二值图中的配合口连通域在形状上的差别度小于等于形状差别度阈值时,则该疑似凹坑缺陷连通域为配合口区域;
当疑似凹坑缺陷连通域和质量良好的涡轮壳端面高打光二值图中的配合口连通域在面积上的差别度大于面积差别度阈值,或该疑似凹坑缺陷连通域和质量良好的涡轮壳端面高打光二值图中的配合口连通域在形状上的差别度大于形状差别度阈值时,则该疑似凹坑缺陷连通域为凹坑区域。
进一步的,所述一种基于霍夫圆的汽车零部件缺陷检测方法,所述标签区域是按照如下方式得到:
以填充后的低打光二值图端面区域的圆心为扇形的圆心,以填充后的低打光二值图端面区域的最大半径为扇形的半径,设置扇形滑窗;
将扇形滑窗以扇形的圆心所在的水平直线为起始直线,沿着扇形的半径进行逆时针滑动,对低打光二值图端面区域中的其他区域进行滑窗遍历,获取所有存在疑似缺陷像素点的扇形区域;
基于种子填充法对存在疑似缺陷像素点的扇形区域进行合并,将存在的疑似缺陷像素点属于同一缺陷的扇形区域标记为同一标签,得到标签区域。
进一步的,所述一种基于霍夫圆的汽车零部件缺陷检测方法,所述低打光二值图端面区域中的划痕区域是按照如下方式获取:
获取标签区域中的疑似缺陷像素点的坐标;
利用最小二乘法对标签区域中的疑似缺陷像素点的坐标进行直线拟合,获得标签区域中的疑似缺陷像素点拟合的总直线;
设置分段扇形滑窗,对标签区域进行滑窗遍历,获取每个滑窗内的疑似缺陷像素点的坐标;
利用最小二乘法对每个滑窗内的疑似缺陷像素点的坐标进行直线拟合,获得标签区域中的疑似缺陷像素点拟合的分段直线;
利用标签区域中的疑似缺陷像素点拟合的总直线斜率和分段直线斜率,计算得到标签区域中的疑似缺陷像素点拟合的所有分段直线倾斜角与总直线倾斜角的差值的平均值;
设置倾斜角差值的平均值阈值,对标签区域进行判断;
当标签区域中的疑似缺陷像素点拟合的所有分段直线倾斜角与总直线倾斜角的差值的平均值大于倾斜角差值的平均值阈值时,则该标签区域为冷却液斑纹区域;
当标签区域中的疑似缺陷像素点拟合的所有分段直线倾斜角与总直线倾斜角的差值的平均值小于等于倾斜角差值的平均值阈值时,则该标签区域为划痕区域。
进一步的,所述一种基于霍夫圆的汽车零部件缺陷检测方法,所述待检测的涡轮壳端面高打光二值图和低打光二值图是按照如下方式获取:
通过控制打光光源获取待检测的涡轮壳端面高打光图像;
对涡轮壳端面高打光图像进行灰度化处理,得到涡轮壳端面高打光灰度图;
采用中值滤波对涡轮壳端面高打光灰度图进行去噪处理,得到去噪后的涡轮壳端面高打光灰度图;
采用指数变换对去噪后的涡轮壳端面高打光灰度图进行图像增强,得到预处理后的涡轮壳端面高打光灰度图;
采用最大类间差方法对预处理后的涡轮壳端面高打光灰度图进行二值化处理,获取涡轮壳端面高打光二值图;
按照获取涡轮壳端面高打光二值图的方法获取涡轮壳端面低打光二值图。
进一步的,所述一种基于霍夫圆的汽车零部件缺陷检测方法,所述高打光二值图和低打光二值图中的端面区域是按照如下方式得到:
对涡轮壳端面高打光二值图进行边缘检测,得到涡轮壳端面高打光二值图中的边缘像素点;
对涡轮壳端面高打光二值图中的边缘像素点进行霍夫圆变换,获得涡轮壳端面高打光二值图中的6个同心圆;
将涡轮壳端面高打光二值图中的6个同心圆的半径按照从大到小的方式进行排序,得到半径最大和半径第二大的同心圆;
对半径最大和半径第二大的同心圆组成的圆环区域进行掩膜操作,得到涡轮壳端面高打光二值图中的端面区域;
按照得到涡轮壳端面高打光二值图中的端面区域的方式得到涡轮壳端面低打光二值图中的端面区域。
本发明的有益效果是:本发明利用机器视觉技术提取涡轮壳端面区域,利用端面区域中像素的特征获取端面区域的凹坑区域、划痕区域,本发明具有智能化、高效率和非接触的优点,有效提高了涡轮壳端面缺陷检测的效率和精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的一种汽车零部件缺陷检测方法流程示意图;
图2为本发明实施例2提供的一种汽车零部件缺陷检测方法流程示意图;
图3为本发明实施例2提供的一种涡轮壳端面高打光二值图示意图;
图4为本发明实施例2提供的一种涡轮壳端面低打光二值图示意图;
图5为本发明实施例2提供的一种划痕缺陷示意图;
图6为本发明实施例2提供的一种冷却液斑纹示意图;
图7为本发明实施例2提供的一种扇形滑窗示意图;
图8为本发明实施例2提供的一种分段扇形滑窗示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本发明实施例提供一种基于霍夫圆的汽车零部件缺陷检测方法,如图1所示,包括:
S101、获取待检测的涡轮壳端面高打光二值图和低打光二值图。
其中,对涡轮壳端面图像进行预处理后得到涡轮壳端面二值图。
S102、分别对高打光二值图和低打光二值图进行霍夫圆变换,分别利用获得的同心圆得到高打光二值图和低打光二值图中的端面区域。
其中,霍夫圆变换是将检测图像映射到参数空间,图像中边缘曲线的边界点需满足某种参数,应用设置累加器和投票的方法将图像问题转化为简单的局部峰值检测问题。
S103、对高打光二值图中的端面区域进行连通域分析,利用各连通域的像素点数量获取疑似凹坑缺陷连通域。
其中,连通域是指相同像素值的像素点组成的集合。
S104、利用疑似凹坑缺陷连通域和质量良好的涡轮壳端面高打光二值图中的配合口连通域在面积上和形状上的差别度,获取高打光二值图端面区域中的凹坑区域和配合口区域。
其中,配合口并不是缺陷,而是涡轮壳零部件制造标准下的必要部分。
S105、利用高打光二值图端面区域中的凹坑区域和配合口区域对低打光二值图中与该凹坑区域和配合口区域相对应的端面区域进行填充,获得低打光二值图端面区域中的填充区域和其他区域。
其中,对低打光二值图端面区域中的其他区域进行缺陷检测。
S106、设置扇形滑窗,对低打光二值图端面区域中的其他区域进行滑窗遍历,获取存在疑似缺陷像素点的扇形区域。
其中,以填充后的端面区域的圆心为扇形的圆心,以填充后的端面区域的最大半径为扇形的半径,设置扇形滑窗。
S107、将存在的疑似缺陷像素点属于同一疑似缺陷的扇形区域标记为同一标签,得到标签区域。
其中,基于种子填充法设置标签的规则。
S108、利用标签区域中的疑似缺陷像素点拟合的总直线斜率和分段直线斜率,计算得到标签区域中的疑似缺陷像素点拟合的所有分段直线倾斜角与总直线倾斜角的差值的平均值。
其中,采取普通最小二乘法得到标签区域中的疑似缺陷像素点拟合的总直线。
S109、利用标签区域中的疑似缺陷像素点拟合的所有分段直线倾斜角与总直线倾斜角的差值的平均值,获取低打光二值图端面区域中的划痕区域,完成对涡轮壳端面中凹坑缺陷和划痕缺陷的检测。
其中,设置阈值获取低打光二值图端面区域中的划痕区域。
本实施例的有益效果是:本实施例利用机器视觉技术提取涡轮壳端面区域,利用端面区域中像素的特征获取端面区域的凹坑区域、划痕区域,本实施例具有智能化、高效率和非接触的优点,有效提高了涡轮壳端面缺陷检测的效率和精度。
实施例2
在增压器涡轮壳的生产过程中,涡轮壳配件之间易产生磕碰造成划痕、凹坑等缺陷,直接影响涡轮增压器的装配精度和密封性。由于分析缺陷特征需要有效分割区域,而且辨别划痕缺陷时易受到表面冷却液斑纹的干扰,所以需要通过霍夫圆检测提取端面区域,并结合缺陷特征实现对涡轮壳端面上凹坑、划痕缺陷和冷却液斑纹的智能化识别。
本发明实施例提供一种基于霍夫圆的汽车零部件缺陷检测方法,如图2所示,包括:
S201、获取涡轮壳端面图像。
低角度光照补偿方式可增强被测对象的表面特征,提高缺陷对比度,减小反光或耀斑,主要应用于划痕、裂痕等细微缺陷的光照补偿;高角度光照补偿方式依赖被测对象的平坦表面和表面纹理,光线遇到平坦反光的表面将光线反射回到相机,主要应用于凹坑、磕碰、塌边等缺陷的检测。
涡轮壳端面上的缺陷基本可分为凹坑和划痕。凹坑是由于零件在生产过程中与其他零件或设备间的相互挤压或磕碰等造成的。低角度打光时,光线近似平行于物体表面,所以低角度打光方式采集的凹坑缺陷不够明显,因此凹坑缺陷更适合高角度的打光方式。划痕产生原因与凹坑类似,也有可能是铁屑的刮擦导致。高角度打光时,光线垂直于物体表面,所以高角度打光方式很难采集到细微的划痕缺陷,因此划痕缺陷更适合低角度的打光方式。故设计图像采集装置平台,包含了零件样品、传送带、电子相机、高角度光源、低角度光源以及图像处理***。
检测流程为:控制相机拍摄由传送带传送来的涡轮壳端面图像,控制高打光光源进行凹坑检测对应图像为P1,再控制低打光光源进行划痕检测对应图像为P2,由我们设计的图像处理***进行缺陷的识别检测,若有缺陷则打上相应标签。
S202、获取涡轮壳端面二值图。
对涡轮壳端面图像进行预处理。首先根据心理学公式对采集到的两种端面图像进行灰度化,最低灰度值0为黑色,最高灰度值255为白色,得到涡轮壳端面灰度图。
然后进行图像增强和二值化处理。采集图像时由于光照和信号干扰,涡轮壳端面图像通常存在噪声问题,这增加了端面缺陷的检测难度和准确性,因此在进行端面缺陷检测前,要对端面图像进行滤波、增强等预处理,以提高图像的信噪比。本实施例采用中值滤波进行去噪处理,一方面可很好地滤除椒盐噪声,另一方面也对高斯噪声有一定的抑制作用。随后进行图像增强处理,提高缺陷特征的对比度,本实施例采用指数变换进行缺陷特征增强。随后采用OSTU大津法二值化,它又名最大类间差方法,通过统计整个端面图像的直方图特性来实现全局阈值的自动选取,大于阈值的全设置为白前景,小于阈值的全设置为黑背景,此为通用方法,不予赘述。
S203、获取端面区域。
涡轮壳端面缺陷的待检测区域是与其他零件相配合的机加工表面,只占端面图像的一小部分,大量的背景区域不仅会增加图像处理计算量,而且还会对缺陷检测造成干扰。因此,首先应从端面图像中提取端面区域,即为端面图像三个环形检测区域。为了提高检测效率和准确度,只应用边缘像素点来提取端面区域是不行的,因为缺陷边缘会对轮廓边缘产生较大干扰。由于端面区域有十分明显的环形轮廓,所以可先用Canny边缘检测进行轮廓边缘像素点的提取,随后再采用霍夫圆检测提取圆形边界。
基于Canny算子的边缘检测共5个步骤,高斯滤波、像素点梯度计算、非极大值抑制、后阈值处理和孤立弱边缘抑制。通过Canny算子的边缘检测,我们可以得到灰度图像中明显边界的轮廓像素点,且只有一层,大大减少了霍夫圆检测的运算量。我们以端面图像左下角为坐标原点,水平向右为横轴X的正方向,竖直向上为纵轴Y的正方向,记边缘像素点坐标为。
对所得到的进行霍夫圆变换,其基本思路是将检测图像映射到参数空间,图像中边缘曲线的边界点需满足某种参数,应用设置累加器和投票的方法将图像问题转化为简单的局部峰值检测问题。在X-Y平面内,任意一圆可以用以下表达式来表示:
此时、便是常数,可将其视为三元函数。此时X-Y平面中圆上一点便对应a-b-r空间内的一条三维曲线;X-Y平面的圆上所有点对应的a-b-r空间内的所有曲线都相较于一点,此点便是X-Y平面上圆的圆心,此种检测圆位置的方法便是霍夫圆检测。累加容器就是通过统计a-b-r空间内相交曲线的累积数量,当其数量大于一定的阈值时,就认为这些曲线对应的X-Y平面内的点构成一个圆。
由于端面图像中会得到6个同心圆,即为三个环形区域,但是这三个环形区域是处于不同高度的环形区域,其中处于最外侧的环形区域为出气口端面。我们所针对的是出气口端面上的缺陷检测,对应的是-这个圆环区域,检测其中是否存在缺陷。接下来进行掩膜制作,图像掩膜一般都是用选定的图像、图形或物体,对处理的图像进行遮挡,来控制图像处理的区域或处理过程。将-这个圆环区域内的所有像素点定为白色像素点1,其他的都为黑色像素点0,从而制作出的对应掩膜,设定与原二值图像进行乘积运算,从而提取出气口端面区域,如图3所示。
S204、对端面区域进行凹坑的缺陷检测。
首先将端面区域进行反色,这样缺陷区域就成为白色表征,随后在二值图上进行连通域分析,连通域是指相同像素值的相邻像素点组成的集合,将每个连通域设置一个标签值,主要采用种子填充法,其为通用方法在此不予赘述。我们记第个连通域的像素点数量为,将所有连通域中像素点数量最多的连通域作为正常区域。对于其余连通域,如果,那么认为该连通域为疑似凹坑缺陷区域。
S205、对端面区域进行划痕的缺陷检测。
由于低打光的划痕特征呈现较高的灰度值,而检测区域与背景都是较低灰度值,我们可以通过上述圆环掩膜得到端面区域,对低打光端面图像进行OSTU二值化的话,若存在划痕则为白色像素点,得到端面区域如图4所示。
把无像素点的位置坐标全部填充为黑色像素点,并且将凹坑分析下的配合口连通域的位置坐标在端面区域上进行黑色像素点填充,若存在凹坑也填充,排除干扰因素提高划痕分析的准确性。
统计分析涡轮壳端面划痕主要为线状划痕,由于较浅划痕本身灰度特征不够明显,且在涡轮壳端面存在与划痕灰度信息近似的冷却液斑纹,给涡轮壳端面划痕检测工作造成很大干扰,图5为划痕缺陷,图6为冷却液斑纹。
而且,冷却液斑纹是零件加工过程中,端面残留的少量冷却液随时间蒸发后在端面留下的噪点信息,是不破坏零件功能性的。需要将其进行有效分辨,主要根据的就是噪点之间的集中程度。
划痕和冷却液斑纹虽都是离散的,但是线性程度有明显不同。用噪点的坐标信息直接进行线性拟合分析看似是有效的,但是若总体区域上同时存在划痕和冷却液斑纹或多个不同位置的划痕,区域划定是需要解决的难点,本实施例设计出一种滑窗规则,不需要连接划痕连通域,可直接进行计算分析。
设计滑窗:如图7所示为本实施例设计的一种扇形滑窗,以环形圆心为扇形的圆心,为扇形的半径,扇形的角度为0.5°,是扇形滑窗的起始直线,每次滑动0.5°,逆时针滑动720次,。若扇形区域内存在白色像素点,则记该扇形为。
合并规则:类似于种子填充法设置标签的规则,我们在图像中从序数最小的扇形开始设置第一个标签,记相邻两个扇形的序数分别为、,如果,则将、…、对应的扇形区域设置为同一个标签,依次类推;否则,就重新设置第二个标签。记最后一个标签为,标签中的最大序数为,最小序数为,且要求。其中,将中的最大序数记为,中的最小序数为,如果,则将标签、统一为,总标签个数为,否则总标签的个数为。
式中,为标签区域中白色像素点拟合的所有分段直线倾斜角与标签区域中白色像素点拟合的总直线倾斜角的差值的平均值,为标签区域中白色像素点拟合的分段直线的数量,为标签区域中白色像素点拟合的总直线斜率,为标签区域中白色像素点拟合的第h个分段直线的斜率。
根据上述分析结果,我们对于可疑缺陷和缺陷种类进行决策。
本实施例的有益效果是:本实施例利用机器视觉技术提取涡轮壳端面区域,利用端面区域中像素的特征获取端面区域的凹坑区域、划痕区域,本实施例具有智能化、高效率和非接触的优点,有效提高了涡轮壳端面缺陷检测的效率和精度。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于霍夫圆的汽车零部件缺陷检测方法,其特征在于,包括:
获取待检测的涡轮壳端面高打光二值图和低打光二值图;
分别对高打光二值图和低打光二值图进行霍夫圆变换,分别利用获得的同心圆得到高打光二值图和低打光二值图中的端面区域;
对高打光二值图中的端面区域进行连通域分析,利用各连通域的像素点数量获取疑似凹坑缺陷连通域;
利用疑似凹坑缺陷连通域和质量良好的涡轮壳端面高打光二值图中的配合口连通域在面积上和形状上的差别度,获取高打光二值图端面区域中的凹坑区域和配合口区域;
利用高打光二值图端面区域中的凹坑区域和配合口区域对低打光二值图中与该凹坑区域和配合口区域相对应的端面区域进行填充,获得低打光二值图端面区域中的填充区域和其他区域;
设置扇形滑窗,对低打光二值图端面区域中的其他区域进行滑窗遍历,获取存在疑似缺陷像素点的扇形区域;
将存在的疑似缺陷像素点属于同一疑似缺陷的扇形区域标记为同一标签,得到标签区域;
利用标签区域中的疑似缺陷像素点拟合的总直线斜率和分段直线斜率,计算得到标签区域中的疑似缺陷像素点拟合的所有分段直线倾斜角与总直线倾斜角的差值的平均值;
利用标签区域中的疑似缺陷像素点拟合的所有分段直线倾斜角与总直线倾斜角的差值的平均值,获取低打光二值图端面区域中的划痕区域,完成对涡轮壳端面中凹坑缺陷和划痕缺陷的检测;
所述利用标签区域中的疑似缺陷像素点拟合的总直线斜率和分段直线斜率,计算得到标签区域中的疑似缺陷像素点拟合的所有分段直线倾斜角与总直线倾斜角的差值的平均值,具体包括:
获取标签区域中的疑似缺陷像素点的坐标;
利用最小二乘法对标签区域中的疑似缺陷像素点的坐标进行直线拟合,获得标签区域中的疑似缺陷像素点拟合的总直线;
设置分段扇形滑窗,对标签区域进行滑窗遍历,获取每个滑窗内的疑似缺陷像素点的坐标;
利用最小二乘法对每个滑窗内的疑似缺陷像素点的坐标进行直线拟合,获得标签区域中的疑似缺陷像素点拟合的分段直线;
利用标签区域中的疑似缺陷像素点拟合的总直线斜率和分段直线斜率,计算得到标签区域中的疑似缺陷像素点拟合的所有分段直线倾斜角与总直线倾斜角的差值的平均值;
所述利用标签区域中的疑似缺陷像素点拟合的所有分段直线倾斜角与总直线倾斜角的差值的平均值,获取低打光二值图端面区域中的划痕区域,具体包括:
设置倾斜角差值的平均值阈值,对标签区域进行判断;
当标签区域中的疑似缺陷像素点拟合的所有分段直线倾斜角与总直线倾斜角的差值的平均值大于倾斜角差值的平均值阈值时,则该标签区域为冷却液斑纹区域;
当标签区域中的疑似缺陷像素点拟合的所有分段直线倾斜角与总直线倾斜角的差值的平均值小于等于倾斜角差值的平均值阈值时,则该标签区域为划痕区域。
2.根据权利要求1所述的一种基于霍夫圆的汽车零部件缺陷检测方法,其特征在于,所述对高打光二值图中的端面区域进行连通域分析,利用各连通域的像素点数量获取疑似凹坑缺陷连通域,具体包括:
对涡轮壳端面高打光二值图进行反色,得到反色后的高打光二值图;
对反色后的高打光二值图中的端面区域进行连通域分析,得到所有连通域;
统计各连通域的像素点数量,将像素点数量最多的连通域作为正常区域;
设置像素点数量阈值,对其余连通域进行判断:当其余连通域的像素点数量大于阈值时,则将该连通域作为疑似凹坑缺陷连通域。
3.根据权利要求1所述的一种基于霍夫圆的汽车零部件缺陷检测方法,其特征在于,所述利用疑似凹坑缺陷连通域和质量良好的涡轮壳端面高打光二值图中的配合口连通域在面积上和形状上的差别度,获取高打光二值图端面区域中的凹坑区域和配合口区域,具体包括:
获取质量良好的涡轮壳端面高打光二值图中的配合口连通域的像素点数量;
利用疑似凹坑缺陷连通域的像素点数量和质量良好的涡轮壳端面高打光二值图中的配合口连通域的像素点数量,计算得到疑似凹坑缺陷连通域和质量良好的涡轮壳端面高打光二值图中的配合口连通域在面积上的差别度;
计算疑似凹坑缺陷连通域和质量良好的涡轮壳端面高打光二值图中的配合口连通域的最小外接矩形的长宽比;
利用疑似凹坑缺陷连通域和质量良好的涡轮壳端面高打光二值图中的配合口连通域的最小外接矩形的长宽比,计算得到疑似凹坑缺陷连通域和质量良好的涡轮壳端面高打光二值图中的配合口连通域在形状上的差别度;
设置面积差别度阈值和形状差别度阈值,对疑似凹坑缺陷连通域进行判断;
当疑似凹坑缺陷连通域和质量良好的涡轮壳端面高打光二值图中的配合口连通域在面积上的差别度小于等于面积差别度阈值,且该疑似凹坑缺陷连通域和质量良好的涡轮壳端面高打光二值图中的配合口连通域在形状上的差别度小于等于形状差别度阈值时,则该疑似凹坑缺陷连通域为配合口区域;
当疑似凹坑缺陷连通域和质量良好的涡轮壳端面高打光二值图中的配合口连通域在面积上的差别度大于面积差别度阈值,或该疑似凹坑缺陷连通域和质量良好的涡轮壳端面高打光二值图中的配合口连通域在形状上的差别度大于形状差别度阈值时,则该疑似凹坑缺陷连通域为凹坑区域。
4.根据权利要求1所述的一种基于霍夫圆的汽车零部件缺陷检测方法,其特征在于,所述设置扇形滑窗,对低打光二值图端面区域中的其他区域进行滑窗遍历,获取存在疑似缺陷像素点的扇形区域,具体包括:
以填充后的低打光二值图端面区域的圆心为扇形的圆心,以填充后的低打光二值图端面区域的最大半径为扇形的半径,设置扇形滑窗;
将扇形滑窗以扇形的圆心所在的水平直线为起始直线,沿着扇形的半径进行逆时针滑动,对低打光二值图端面区域中的其他区域进行滑窗遍历,获取所有存在疑似缺陷像素点的扇形区域;
所述将存在的疑似缺陷像素点属于同一疑似缺陷的扇形区域标记为同一标签,得到标签区域,具体包括:
基于种子填充法对存在疑似缺陷像素点的扇形区域进行合并,将存在的疑似缺陷像素点属于同一缺陷的扇形区域标记为同一标签,得到标签区域。
5.根据权利要求1所述的一种基于霍夫圆的汽车零部件缺陷检测方法,其特征在于,所述获取待检测的涡轮壳端面高打光二值图和低打光二值图,具体包括:
通过控制打光光源获取待检测的涡轮壳端面高打光图像;
对涡轮壳端面高打光图像进行灰度化处理,得到涡轮壳端面高打光灰度图;
采用中值滤波对涡轮壳端面高打光灰度图进行去噪处理,得到去噪后的涡轮壳端面高打光灰度图;
采用指数变换对去噪后的涡轮壳端面高打光灰度图进行图像增强,得到预处理后的涡轮壳端面高打光灰度图;
采用最大类间差方法对预处理后的涡轮壳端面高打光灰度图进行二值化处理,获取涡轮壳端面高打光二值图;
按照获取涡轮壳端面高打光二值图的方法获取涡轮壳端面低打光二值图。
6.根据权利要求1所述的一种基于霍夫圆的汽车零部件缺陷检测方法,其特征在于,所述分别对高打光二值图和低打光二值图进行霍夫圆变换,分别利用获得的同心圆得到高打光二值图和低打光二值图中的端面区域,具体包括:
对涡轮壳端面高打光二值图进行边缘检测,得到涡轮壳端面高打光二值图中的边缘像素点;
对涡轮壳端面高打光二值图中的边缘像素点进行霍夫圆变换,获得涡轮壳端面高打光二值图中的6个同心圆;
将涡轮壳端面高打光二值图中的6个同心圆的半径按照从大到小的方式进行排序,得到半径最大和半径第二大的同心圆;
对半径最大和半径第二大的同心圆组成的圆环区域进行掩膜操作,得到涡轮壳端面高打光二值图中的端面区域;
按照得到涡轮壳端面高打光二值图中的端面区域的方式得到涡轮壳端面低打光二值图中的端面区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210844317.8A CN114913177B (zh) | 2022-07-19 | 2022-07-19 | 一种基于霍夫圆的汽车零部件缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210844317.8A CN114913177B (zh) | 2022-07-19 | 2022-07-19 | 一种基于霍夫圆的汽车零部件缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114913177A CN114913177A (zh) | 2022-08-16 |
CN114913177B true CN114913177B (zh) | 2022-09-23 |
Family
ID=82772825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210844317.8A Active CN114913177B (zh) | 2022-07-19 | 2022-07-19 | 一种基于霍夫圆的汽车零部件缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114913177B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115170576B (zh) * | 2022-09-09 | 2022-12-06 | 山东中发新材料科技有限公司 | 基于机器视觉的铝管表面缺陷检测方法 |
CN116205923B (zh) * | 2023-05-06 | 2023-07-14 | 威海锐鑫丰金属科技有限公司 | 基于x-ray的汽车轮毂内部缺陷无损检测方法 |
CN116630329B (zh) * | 2023-07-26 | 2023-09-29 | 山东山森数控技术有限公司 | 用于多轴多通道数控***的在线视觉检测方法 |
CN116823815B (zh) * | 2023-08-28 | 2023-11-21 | 青岛胶州电缆有限公司 | 一种电缆表面异常智能检测方法 |
CN117437233B (zh) * | 2023-12-21 | 2024-03-26 | 山东润通齿轮集团有限公司 | 一种基于图像处理的齿轮缺陷检测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107741427A (zh) * | 2017-11-30 | 2018-02-27 | 南京航空航天大学 | 汽车发动机涡轮壳表面缺陷的机器视觉检测装置及方法 |
CN108280822A (zh) * | 2017-12-20 | 2018-07-13 | 歌尔科技有限公司 | 屏幕划痕的检测方法及装置 |
CN111444921A (zh) * | 2020-03-25 | 2020-07-24 | 浙江华睿科技有限公司 | 划痕缺陷检测方法、装置、计算设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1980843A1 (en) * | 2007-04-13 | 2008-10-15 | Essilor International (Compagnie Generale D'optique) | Method and apparatus for detecting defects in optical components. |
-
2022
- 2022-07-19 CN CN202210844317.8A patent/CN114913177B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107741427A (zh) * | 2017-11-30 | 2018-02-27 | 南京航空航天大学 | 汽车发动机涡轮壳表面缺陷的机器视觉检测装置及方法 |
CN108280822A (zh) * | 2017-12-20 | 2018-07-13 | 歌尔科技有限公司 | 屏幕划痕的检测方法及装置 |
CN111444921A (zh) * | 2020-03-25 | 2020-07-24 | 浙江华睿科技有限公司 | 划痕缺陷检测方法、装置、计算设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
基于双打光模板匹配的冲压件表面缺陷检测;李松等;《锻压技术》;20181125(第11期);全文 * |
基于机械臂的涡轮壳零件表面质量视觉检测;张辉等;《计算机与现代化》;20200731(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114913177A (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114913177B (zh) | 一种基于霍夫圆的汽车零部件缺陷检测方法 | |
CN115375676B (zh) | 一种基于图像识别的不锈钢制品质量检测方法 | |
CN114723701B (zh) | 基于计算机视觉的齿轮缺陷检测方法和*** | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN108389179B (zh) | 一种基于机器视觉的罐盖表面缺陷检测方法 | |
CN115115612B (zh) | 一种用于机械配件的表面缺陷检测方法及*** | |
CN109682839B (zh) | 一种金属弧形工件表面缺陷在线检测方法 | |
CN115020267B (zh) | 一种半导体表面缺陷检测方法 | |
CN110210477B (zh) | 一种数字式仪表读数识别方法 | |
CN113781486B (zh) | Ic卡图像缺陷检测方法 | |
CN115311294B (zh) | 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法 | |
CN115908411B (zh) | 基于视觉检测的混凝土养护质量分析方法 | |
CN113298776B (zh) | 一种金属闭式水泵叶轮外观缺陷检测方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN110070523B (zh) | 一种用于瓶底的异物检测方法 | |
CN117011292B (zh) | 一种复合板表面质量快速检测方法 | |
CN106529551B (zh) | 面向包装行业的类圆对象智能识别计数检测方法 | |
CN115880280B (zh) | 一种钢结构焊缝质量的检测方法 | |
CN115661110B (zh) | 一种透明工件识别与定位的方法 | |
CN115330760A (zh) | 一种二极管引脚缺陷识别方法 | |
CN114018946B (zh) | 一种基于OpenCV的高反光瓶盖缺陷检测方法 | |
CN115330796A (zh) | 一种铜线镀锡缺陷识别方法 | |
CN114937004A (zh) | 一种基于计算机视觉的机械零件表面气孔缺陷检测方法 | |
CN116977335B (zh) | 一种用于机械零件表面点蚀缺陷的智能检测方法 |
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 |