CN115115613A - 基于机器视觉的喷漆缺陷检测方法及*** - Google Patents
基于机器视觉的喷漆缺陷检测方法及*** Download PDFInfo
- Publication number
- CN115115613A CN115115613A CN202210880884.9A CN202210880884A CN115115613A CN 115115613 A CN115115613 A CN 115115613A CN 202210880884 A CN202210880884 A CN 202210880884A CN 115115613 A CN115115613 A CN 115115613A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- defect
- image
- value
- gray
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 158
- 239000003973 paint Substances 0.000 title claims abstract description 64
- 238000005507 spraying Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000001035 drying Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005498 polishing Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 239000007921 spray Substances 0.000 claims 1
- 230000002950 deficient Effects 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 7
- 230000008439 repair process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000010422 painting Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000003599 detergent Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000007665 sagging Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012549 training Methods 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于机器视觉的喷漆缺陷检测方法及***,涉及缺陷检测领域。包括:获取喷漆物表面图像的灰度图像;分别以各像素点为中心建立滑窗以获得各像素点的第一特征值;根据各像素点邻域内其他像素点的第一特征值分别获得各像素点的第二特征值;对第二特征值大于预设第一阈值的像素点进行聚类获得多个类别,分别对各类别进行圆拟合,并分别获得圆上各像素点的海森矩阵的最大特征值对应的特征向量;根据各圆上各像素点的特征向量以及梯度方向,分别获得各圆的缺陷概率以将灰度图像中圆分为多个种类,并根据灰度图像中各种类中包含的圆的面积和缺陷概率获得缺陷值,当缺陷值为0时,喷漆物表面无缺陷,否则喷漆物表面存在缺陷。
Description
技术领域
本申请涉及缺陷检测领域,具体涉及一种基于机器视觉的喷漆缺陷检测方法及***。
背景技术
油漆是机械设备表面重要的保护伞,喷漆的质量决定了产品的价值与使用寿命。喷漆质量差会影响产品的美观,使其观赏性大打折扣,且容易使产金属结构与空气接触发生腐蚀,影响产品的使用寿命。
由于环境与工艺的影响,使得喷漆产品表面可能会出现各种喷漆缺陷,常见的喷漆缺陷主要包括流挂、波浪纹、针孔等较为明显的缺陷,对于喷漆物中所存在的表面缺陷,目前主要通过机器学习的方式,实现对所存在的缺陷的检测。
然而,除上述较为明显的缺陷类型以外,喷漆物表面还可能出现火山口状的缩孔缺陷,此类缺陷大小各异,且空域特征不明显,如果继续采用机器学习的方式对此类缺陷进行检测,需要采集并人为标注大量的包含缩孔缺陷的喷漆物表面图像,造成所需要的工作量较大。
发明内容
针对上述技术问题,本发明提供了一种基于机器视觉的喷漆缺陷检测方法及***,对喷漆物表面图像进行处理,可以获得图像中的多个拟合圆区域,根据各圆上像素点的灰度特性及梯度特征分别获得各圆的缺陷概率,最终得到图像的缺陷值,判断喷漆物表面是否存在缺陷。相较于现有技术,能够避免人为检验及筛选的不准确性,且无需提前对大量的喷漆物表面进行人为分类标注,减少了喷漆缺陷检测过程的工作量。
第一方面,本文提出了一种基于机器视觉的喷漆缺陷检测方法,包括:
获取喷漆物表面图像并进行灰度变换获得灰度图像,利用Sobel算子分别计算灰度图像中各像素点的梯度幅值及梯度方向。
分别以灰度图像中各像素点为中心建立预设尺寸的滑窗,并根据滑窗中所包含的像素点的灰度值,分别获得各滑窗的中心像素点的第一特征值。
根据灰度图像中各像素点邻域内其他像素点的所述第一特征值,分别获得灰度图像中各像素点的第二特征值。
对第二特征值大于预设第一阈值的像素点进行DBSCAN聚类获得多个类别,分别对各类别中像素点进行圆拟合获得对应的圆,并分别获得圆上各像素点的海森矩阵的最大特征值对应的特征向量。
根据每一圆上各像素点的特征向量以及圆上各像素点的梯度方向,分别获得每一圆的缺陷概率。
利用各圆的缺陷概率,将灰度图像中圆分为多个种类,并根据灰度图像中各种类中包含的圆的面积和缺陷概率,获得喷漆物表面的缺陷值,当缺陷值为0时,判定喷漆物表面无缺陷,否则判定喷漆物表面存在缺陷。
进一步的,基于机器视觉的喷漆缺陷检测方法中,根据滑窗中所包含的像素点的灰度值,分别获得各滑窗的中心像素点的第一特征值,包括:
进一步的,基于机器视觉的喷漆缺陷检测方法中,所述灰度图像中各像素点的第二特征值,是通过各像素点与其领域内其他像素点的第一特征值差值的平方的均值的双曲线正切获得的。
进一步的,基于机器视觉的喷漆缺陷检测方法中,所述方法还包括:对各像素点的所述第二特征值进行归一化处理。
进一步的,基于机器视觉的喷漆缺陷检测方法中,对喷漆物表面图像进行灰度变换前,还包括:
利用DNN对喷漆物表面图像进行分割,将分割后的喷漆物表面图像中喷漆区域以外的像素点的像素值设置为0。
进一步的,基于机器视觉的喷漆缺陷检测方法中,根据每一圆上各像素点的特征向量以及圆上各像素点的梯度方向,分别获得每一圆的缺陷概率,包括:
将每一圆上各像素点的特征向量与梯度方向之间的余弦相似度的均值,分别作为每一圆的缺陷概率。
进一步的,基于机器视觉的喷漆缺陷检测方法中,当所述缺陷值大于0时,所述方法还包括:
当所述缺陷值小于预设第二阈值时,采用防走珠水对喷漆物表面的缺陷进行修复。
当所述缺陷值大于预设第二阈值时,先对喷漆物表面进行干燥处理,将喷漆物表面的漆膜打磨掉并进行彻底清洗,然后重新喷涂。
进一步的,基于机器视觉的喷漆缺陷检测方法中,分别以所述灰度图像中各像素点为中心建立预设尺寸的滑窗前,还包括对所述灰度图像进行增维操作,所述增维操作包括:
进一步的,基于机器视觉的喷漆缺陷检测方法中,计算灰度图像中各像素点的梯度幅值及梯度方向,包括:
第二方面,本发明提出了一种基于机器视觉的喷漆缺陷检测***,包括:存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现本发明实施例中基于机器视觉的喷漆缺陷检测方法。
本发明提供了一种基于机器视觉的喷漆缺陷检测方法及***,相比于现有技术,本发明的有益效果在于:对喷漆物表面图像进行处理,可以获得图像中的多个拟合圆区域,根据各圆上像素点的灰度特性及梯度特征分别获得各圆的缺陷概率,最终得到图像的缺陷值,判断喷漆物表面是否存在缺陷;能够避免人为检验及筛选的不准确性,且无需提前对大量的喷漆物表面进行人为分类标注,减少了喷漆缺陷检测过程的工作量。
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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于机器视觉的喷漆缺陷检测方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。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。
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征;在本实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
本发明实施例所针对的场景为:对喷漆物表面的缺陷进行检测。
本发明实施例提供了一种基于机器视觉的喷漆缺陷检测方法,如图1所示,包括:
步骤S101、获取喷漆物表面图像并进行灰度变换获得灰度图像,利用Sobel算子分别计算灰度图像中各像素点的梯度幅值及梯度方向。
获取喷漆物表面图像,本发明实施例需要检测喷漆物表面的喷漆质量,并对存在缺陷的产品进行针对性修复措施,因此需要先采集喷漆物表面图像。
所采集到的喷漆物表面图像为RGB图像,RGB是一种颜色标准,通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色,RGB即是代表红、绿、蓝三个通道的颜色。
可选的,还可以采用DNN(Deep Neural Networks,深度神经网络)进行语义分割来对喷漆物表面图像进行图像分割,将其中喷漆物体以外的部分的像素点的像素值置0,同时,该DNN网络的相关内容如下:使用的数据集为俯视采集的喷漆物表面图像集,其中所涉及到的喷漆物的样式为多种多样的;需要分割的像素共分为两类,即训练集对应标签标注过程为:单通道的语义标签,对应位置像素属于背景类的标注为0;由于网络的任务是分类,所以可以使用交叉熵损失函数作为DNN的损失函数,如此,可以去除背景的干扰。
对喷漆无表面图像的灰度化处理获得灰度图像,可以包括:将喷漆物表面图像中像素点在RGB三个通道中像素值的最大值,作为灰度图像中的像素点的灰度值。
Sobel算子是典型的基于一阶导数的边缘检测算子,是离散型的差分算子。该算子对噪声具有平滑作用,能很好的消除噪声的影响,Sobel算子包含两组3x3的矩阵,分别为横向及纵向模板,将之与图像作平面卷积,即可分别得出图像中像素点的水平梯度及竖直梯度。
需要说明的是,本发明实施例中喷漆物表面的缺陷为缩孔缺陷,造成缩孔缺陷的原因有很多,如涂装环境或产品基底上存在污染源如油脂、锈迹、洗涤剂、蜡或其他油污,喷漆室内蒸汽饱和,压缩空气中混入水分和油污都会导致喷漆完成后产品表面产生缩孔缺陷。缩孔缺陷通常为针孔或火山口状的圆孔,缩孔缺陷对产品质量影响较大,不同大小不同程度的缩孔缺陷修复方法不同,缺陷附近的像素点灰度值会与背景灰度值存在一定的差异。
步骤S102、分别以灰度图像中各像素点为中心建立预设尺寸的滑窗,并根据滑窗中所包含的像素点的灰度值,分别获得各滑窗的中心像素点的第一特征值。
可选的,考虑到滑窗操作会导致图像边缘像素点无法被计算,进而导致判断存在偏差,故可对灰度图进行增维操作,具体方法包括:
由于图像中的灰度分布大部分信息集中在它的低阶矩中,故采用灰度矩的一阶矩和二阶矩即可代表各滑窗内像素点的灰度分布,得到各滑窗的中心像素点的第一特征值,计算方法包括:
式中,表示滑窗的中心像素点的第一特征值,m表示滑窗内像素点个数,表示滑窗中第个像素点的灰度值,表示双曲线正切函数,表示超参数,为位于范围内的整数,表示滑窗中像素点的灰度均值,实施者可根据实际情况自行选取的具体取值。需要说明的是,本实施例中的值越小,表明该像素点与滑窗内像素点的灰度越一致;反之,的值越大,表明该像素点与滑窗内像素点的灰度差异越大。
步骤S103、根据灰度图像中各像素点邻域内其他像素点的所述第一特征值,分别获得灰度图像中各像素点的第二特征值。
由于噪声点为孤立的点,而属于缺陷的像素点多成簇出现,故各像素点的第二特征值的计算公式为:
式中B表示像素点的邻域内像素点数量,表示像素点的邻域内第b个像素点的第一特征值,为像素点的第一特征值,表示双曲线正切函数,其中表示超参数,起归一化作用,实施者可根据实际情况自行选取具体取值,作为一个示例本发明实施例中=0.2。
步骤S104、对第二特征值大于预设第一阈值的像素点进行DBSCAN聚类获得多个类别,分别对各类别中像素点进行圆拟合获得对应的圆,并分别获得圆上各像素点的海森矩阵的最大特征值对应的特征向量。
采用DBSCAN聚类算法对标记的点进行聚类,得到多个类别,需要说明的是,DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同,它将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类。
对每个类别的标记点采用RANSAC(Random Sample Consensus,随机采样一致)算法对选取的像素点进行圆拟合,对于拟合得到的圆上的像素点,获取圆上各像素点对应的海森矩阵,该矩阵为2×2的对称矩阵,用于分别表示各像素点灰度值在图像上的二阶导数,同时,获取各圆上像素点对应的海森矩阵的特征向量和特征值。
本实施例选择各圆上像素点对应的海森矩阵的最大特征值对应的特征向量,其是一个二维单位向量,可用于表示该像素点在图像上灰度值变化曲率最大的方向。
步骤S105、根据每一圆上各像素点的特征向量以及圆上各像素点的梯度方向,分别获得每一圆的缺陷概率。
圆上像素点的海森矩阵特征向量方向与该像素点的梯度变化方向约一致,则该拟合圆为缩孔缺陷的概率越大,即灰度图像中拟合得到的圆的缺陷概率的计算方法包括:
式中表示该拟合得到的圆的缺陷概率,M表示拟合得到的圆的圆环上包含的像素点的数量,表示第个像素点的海森矩阵的特征向量,表示第个像素点灰度梯度方向向量,第个像素点的海森矩阵的特征向量与第个像素点的灰度梯度方向向量的余弦相似度的值越趋近于1,则该点为缺陷的概率越大,同理,该拟合圆的缺陷概率越趋近于1,则该拟合得到的圆越为缺陷区域。
步骤S106、利用各圆的缺陷概率,将灰度图像中圆分为多个种类,并根据灰度图像中各种类中包含的圆的面积和缺陷概率,获得喷漆物表面的缺陷值,当缺陷值为0时,判定喷漆物表面无缺陷,否则判定喷漆物表面存在缺陷。
需要说明的是,计算得到的缺陷概率的值越大,说明该区域的缩孔缺陷为大的缩孔缺陷;计算得到的缺陷概率的值趋近于中间值,则说明拟合的圆存在误差,可能原因为该聚类类别中的像素点不为同一缩孔缺陷,为多个小针孔缩孔缺陷的集合,故该拟合圆区域的影响程度较低;计算得到的缺陷概率的值较小时,说明该聚类类别中的像素点为干扰像素点或几个小针孔沙孔缺陷,故该拟合圆区域的影响程度低。
首先,根据各圆对应的缺陷概率,将所有圆划分种类,其中圆的种类划分可以通过设定缺陷概率对应的阈值来实现,本实施例中将灰度图像中包含的圆划分为3类,实施者也可以根据自己的实际需求改变划分后的种类数。
具体的,按照灰度图像中各圆的缺陷概率由大到小,本实施例将灰度图像中圆依次划分为:火山状的缩孔缺陷、较为密集的针孔状缩孔缺陷以及离散的针孔状缩孔缺陷共三类。当灰度图像中圆即缺陷区域为火山状的缩孔缺陷时,此类缺陷较为严重,出现个数越多影响程度越大,修复难度与修复成本越大;当灰度图像中圆即缺陷区域为较为密集的针孔状缩孔缺陷时,此类缺陷较为轻微,但此类缺陷出现次数越多,也会带来较为严重的影响;当灰度图像中圆即缺陷区域为离散的针孔状缩孔缺陷时,此类缺陷影响轻微,容易对其进行修复。
缩孔缺陷破坏了喷漆物表面的完整性,大大影响其商业价值与使用寿命,针对不同类型的缺陷采取的应对措施也不同。
然后,根据灰度图像中各种类的缺陷中包含的圆的面积和缺陷概率,可以获得喷漆物表面的缺陷值,具体计算过程包括:
其中T表示缺陷值,x1表示火山口状缩孔缺陷的数量,表示喷漆物表面的总面积,表示第i个火山口状缩孔缺陷的面积;表示第j个较为密集的针孔状缩孔缺陷区域的面积,表示第j个较为密集的针孔状缩孔缺陷区域的缺陷概率,其值越大,表示该区域针孔状缩孔缺陷越密集,影响程度越大;表示第k个离散的针孔状缩孔缺陷区域的面积,表示第k个离散的针孔状缩孔缺陷区域的缺陷概率;T=0则代表喷漆物表面无缩孔缺陷,T越大代表喷漆物表面受火山口状缩孔影响越大,即代表对应喷漆物表面的质量越差,修复难度越大。
当缺陷值为0时,说明喷漆物表面无缺陷,否则喷漆物表面存在缺陷。
可选的,当缺陷值大于0时,实施者可根据自身需求设定对应的质量等级,根据T的大小对板材质量进行不同等级的划分及处理,当所述缺陷值小于预设第二阈值时,采用防走珠水对喷漆物表面的缺陷进行修复;当所述缺陷值大于预设第二阈值时,先对喷漆物表面进行干燥处理,将喷漆物表面的漆膜打磨掉并进行彻底清洗,然后重新喷涂。
基于与上述方法相同的发明构思,本实施例还提供了一种基于机器视觉的喷漆缺陷检测***,本实施例中基于机器视觉的喷漆缺陷检测***包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现如基于机器视觉的喷漆缺陷检测方法实施例所描述的对喷漆物表面的缺陷进行检测。
由于基于机器视觉的喷漆缺陷检测方法实施例已经对喷漆物表面的缺陷的检测方法进行了说明,此处不再赘述。
综上所述,本发明实施例对喷漆物表面图像进行处理,可以获得图像中的多个拟合圆区域,根据各圆上像素点的灰度特性及梯度特征分别获得各圆的缺陷概率,最终得到图像的缺陷值,判断喷漆物表面是否存在缺陷;能够避免人为检验及筛选的不准确性,且无需提前对大量的喷漆物表面进行人为分类标注,减少了喷漆缺陷检测过程的工作量。
本发明中涉及诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本发明的方法和***中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
上述实施例仅仅是为清楚地说明所做的举例,并不构成对本发明的保护范围的限制。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无需也无法对所有的实施方式予以穷举。凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (10)
1.一种基于机器视觉的喷漆缺陷检测方法,其特征在于,包括:
获取喷漆物表面图像并进行灰度变换获得灰度图像,利用Sobel算子分别计算灰度图像中各像素点的梯度幅值及梯度方向;
分别以灰度图像中各像素点为中心建立预设尺寸的滑窗,并根据滑窗中所包含的像素点的灰度值,分别获得各滑窗的中心像素点的第一特征值;
根据灰度图像中各像素点邻域内其他像素点的所述第一特征值,分别获得灰度图像中各像素点的第二特征值;
对第二特征值大于预设第一阈值的像素点进行DBSCAN聚类获得多个类别,分别对各类别中像素点进行圆拟合获得对应的圆,并分别获得圆上各像素点的海森矩阵的最大特征值对应的特征向量;
根据每一圆上各像素点的特征向量以及圆上各像素点的梯度方向,分别获得每一圆的缺陷概率;
利用各圆的缺陷概率,将灰度图像中圆分为多个种类,并根据灰度图像中各种类中包含的圆的面积和缺陷概率,获得喷漆物表面的缺陷值,当缺陷值为0时,判定喷漆物表面无缺陷,否则判定喷漆物表面存在缺陷。
3.根据权利要求1所述的基于机器视觉的喷漆缺陷检测方法,其特征在于,所述灰度图像中各像素点的第二特征值,是通过各像素点与其领域内其他像素点的第一特征值差值的平方的均值的双曲线正切获得的。
4.根据权利要求2所述的基于机器视觉的喷漆缺陷检测方法,其特征在于,所述方法还包括:对各像素点的所述第二特征值进行归一化处理。
5.根据权利要求1所述的基于机器视觉的喷漆缺陷检测方法,其特征在于,对喷漆物表面图像进行灰度变换前,还包括:
利用DNN对喷漆物表面图像进行分割,将分割后的喷漆物表面图像中喷漆区域以外的像素点的像素值设置为0。
6.根据权利要求1所述的基于机器视觉的喷漆缺陷检测方法,其特征在于,根据每一圆上各像素点的特征向量以及圆上各像素点的梯度方向,分别获得每一圆的缺陷概率,包括:
将每一圆上各像素点的特征向量与梯度方向之间的余弦相似度的均值,分别作为每一圆的缺陷概率。
7.根据权利要求1所述的基于机器视觉的喷漆缺陷检测方法,其特征在于,当所述缺陷值大于0时,所述方法还包括:
当所述缺陷值小于预设第二阈值时,采用防走珠水对喷漆物表面的缺陷进行修复;
当所述缺陷值大于预设第二阈值时,先对喷漆物表面进行干燥处理,将喷漆物表面的漆膜打磨掉并进行彻底清洗,然后重新喷涂。
10.一种基于机器视觉的喷漆缺陷检测***,其特征在于,包括:存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现如权利要求1-9任一项所述的基于机器视觉的喷漆缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210880884.9A CN115115613B (zh) | 2022-07-26 | 2022-07-26 | 基于机器视觉的喷漆缺陷检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210880884.9A CN115115613B (zh) | 2022-07-26 | 2022-07-26 | 基于机器视觉的喷漆缺陷检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115115613A true CN115115613A (zh) | 2022-09-27 |
CN115115613B CN115115613B (zh) | 2023-04-07 |
Family
ID=83333376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210880884.9A Active CN115115613B (zh) | 2022-07-26 | 2022-07-26 | 基于机器视觉的喷漆缺陷检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115115613B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115690108A (zh) * | 2023-01-04 | 2023-02-03 | 山东元旺电工科技有限公司 | 一种基于图像处理的铝合金杆生产质量评估方法 |
CN115984283A (zh) * | 2023-03-21 | 2023-04-18 | 山东中济鲁源机械有限公司 | 一种钢筋笼焊接质量智能检测方法 |
CN116563279A (zh) * | 2023-07-07 | 2023-08-08 | 山东德源电力科技股份有限公司 | 基于计算机视觉的量测开关检测方法 |
CN116740070A (zh) * | 2023-08-15 | 2023-09-12 | 青岛宇通管业有限公司 | 基于机器视觉的塑料管道外观缺陷检测方法 |
CN117011303A (zh) * | 2023-10-08 | 2023-11-07 | 泰安金冠宏油脂工业有限公司 | 基于机器视觉的油料生产质量检测方法 |
CN117078667A (zh) * | 2023-10-13 | 2023-11-17 | 山东克莱蒙特新材料科技有限公司 | 基于机器视觉的矿物铸件检测方法 |
CN117474910A (zh) * | 2023-12-27 | 2024-01-30 | 陕西立拓科源科技有限公司 | 一种用于电机质量的视觉检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881261A (zh) * | 2020-08-04 | 2020-11-03 | 胡瑞艇 | 一种物联网多点应答互动智能机器人*** |
CN112991305A (zh) * | 2021-03-24 | 2021-06-18 | 苏州亚朴智能科技有限公司 | 一种喷漆面板表面缺陷的视觉检测方法 |
CN113554629A (zh) * | 2021-07-28 | 2021-10-26 | 江苏苏桥焊材有限公司 | 基于人工智能的带钢红锈缺陷检测方法 |
CN114119603A (zh) * | 2021-12-21 | 2022-03-01 | 武汉华塑亿美工贸有限公司 | 基于图像处理的快餐盒短射缺陷检测方法 |
CN114419025A (zh) * | 2022-01-27 | 2022-04-29 | 江苏泰和木业有限公司 | 一种基于图像处理的纤维板质量评估方法 |
CN114757949A (zh) * | 2022-06-15 | 2022-07-15 | 济宁市海富电子科技有限公司 | 基于计算机视觉的电线电缆缺陷检测方法及*** |
-
2022
- 2022-07-26 CN CN202210880884.9A patent/CN115115613B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881261A (zh) * | 2020-08-04 | 2020-11-03 | 胡瑞艇 | 一种物联网多点应答互动智能机器人*** |
CN112991305A (zh) * | 2021-03-24 | 2021-06-18 | 苏州亚朴智能科技有限公司 | 一种喷漆面板表面缺陷的视觉检测方法 |
CN113554629A (zh) * | 2021-07-28 | 2021-10-26 | 江苏苏桥焊材有限公司 | 基于人工智能的带钢红锈缺陷检测方法 |
CN114119603A (zh) * | 2021-12-21 | 2022-03-01 | 武汉华塑亿美工贸有限公司 | 基于图像处理的快餐盒短射缺陷检测方法 |
CN114419025A (zh) * | 2022-01-27 | 2022-04-29 | 江苏泰和木业有限公司 | 一种基于图像处理的纤维板质量评估方法 |
CN114757949A (zh) * | 2022-06-15 | 2022-07-15 | 济宁市海富电子科技有限公司 | 基于计算机视觉的电线电缆缺陷检测方法及*** |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115690108A (zh) * | 2023-01-04 | 2023-02-03 | 山东元旺电工科技有限公司 | 一种基于图像处理的铝合金杆生产质量评估方法 |
CN115984283A (zh) * | 2023-03-21 | 2023-04-18 | 山东中济鲁源机械有限公司 | 一种钢筋笼焊接质量智能检测方法 |
CN116563279A (zh) * | 2023-07-07 | 2023-08-08 | 山东德源电力科技股份有限公司 | 基于计算机视觉的量测开关检测方法 |
CN116563279B (zh) * | 2023-07-07 | 2023-09-19 | 山东德源电力科技股份有限公司 | 基于计算机视觉的量测开关检测方法 |
CN116740070A (zh) * | 2023-08-15 | 2023-09-12 | 青岛宇通管业有限公司 | 基于机器视觉的塑料管道外观缺陷检测方法 |
CN116740070B (zh) * | 2023-08-15 | 2023-10-24 | 青岛宇通管业有限公司 | 基于机器视觉的塑料管道外观缺陷检测方法 |
CN117011303A (zh) * | 2023-10-08 | 2023-11-07 | 泰安金冠宏油脂工业有限公司 | 基于机器视觉的油料生产质量检测方法 |
CN117011303B (zh) * | 2023-10-08 | 2024-01-09 | 泰安金冠宏油脂工业有限公司 | 基于机器视觉的油料生产质量检测方法 |
CN117078667A (zh) * | 2023-10-13 | 2023-11-17 | 山东克莱蒙特新材料科技有限公司 | 基于机器视觉的矿物铸件检测方法 |
CN117078667B (zh) * | 2023-10-13 | 2024-01-09 | 山东克莱蒙特新材料科技有限公司 | 基于机器视觉的矿物铸件检测方法 |
CN117474910A (zh) * | 2023-12-27 | 2024-01-30 | 陕西立拓科源科技有限公司 | 一种用于电机质量的视觉检测方法 |
CN117474910B (zh) * | 2023-12-27 | 2024-03-12 | 陕西立拓科源科技有限公司 | 一种用于电机质量的视觉检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115115613B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115115613B (zh) | 基于机器视觉的喷漆缺陷检测方法及*** | |
CN113450307B (zh) | 一种产品边缘缺陷检测方法 | |
CN114372983B (zh) | 一种基于图像处理的屏蔽盒涂装质量检测方法及*** | |
Martins et al. | Automatic detection of surface defects on rolled steel using computer vision and artificial neural networks | |
CN111862194B (zh) | 基于计算机视觉的深度学习植物生长模型分析方法及*** | |
CN111640157A (zh) | 一种基于神经网络的棋盘格角点检测方法及其应用 | |
WO2003021533A1 (en) | Color image segmentation in an object recognition system | |
CN106778814B (zh) | 一种基于投影谱聚类算法的去除sar图像斑点的方法 | |
CN109444169A (zh) | 一种轴承缺陷检测方法及*** | |
CN114240888A (zh) | 一种基于图像处理的家具组件喷漆缺陷修复方法及*** | |
CN101140216A (zh) | 基于数字图像处理技术的气液两相流流型识别方法 | |
CN114749342B (zh) | 一种锂电池极片涂布缺陷识别方法、装置及介质 | |
CN109635789B (zh) | 基于强度比和空间结构特征提取的高分辨sar图像分类方法 | |
CN116630314B (zh) | 基于图像处理的保鲜纸箱覆膜检测方法 | |
Aijazi et al. | Detecting and analyzing corrosion spots on the hull of large marine vessels using colored 3D lidar point clouds | |
CN107590512A (zh) | 一种模板匹配中参数的自适应方法和*** | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测*** | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
Peng et al. | Automated product boundary defect detection based on image moment feature anomaly | |
CN117522864B (zh) | 基于机器视觉的欧松板表面瑕疵检测方法 | |
CN117690030B (zh) | 基于图像处理的多面发花识别方法及*** | |
Shahid et al. | A hybrid vision-based surface coverage measurement method for robotic inspection | |
CN114581428A (zh) | 一种基于光学手段的粉末涂料粘合度检测方法 | |
CN109359653A (zh) | 一种棉花叶部粘连病斑图像分割方法和*** | |
US20230025165A1 (en) | Method to locate defects in e-coat |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231227 Address after: 226100 No. 888, Fengcheng Road, Yudong Town, Haimen City, Nantong City, Jiangsu Province Patentee after: Nantongshan Tongdao Bridge Machinery Equipment Co.,Ltd. Address before: No. 12, Chuangye Road, Yudong Town, Haimen District, Nantong City, Jiangsu Province, 226000 Patentee before: Nantong Boying Machinery Casting Co.,Ltd. |