CN115254674B - 一种轴承缺陷分选方法 - Google Patents
一种轴承缺陷分选方法 Download PDFInfo
- Publication number
- CN115254674B CN115254674B CN202211186040.0A CN202211186040A CN115254674B CN 115254674 B CN115254674 B CN 115254674B CN 202211186040 A CN202211186040 A CN 202211186040A CN 115254674 B CN115254674 B CN 115254674B
- Authority
- CN
- China
- Prior art keywords
- bearing
- image
- dark
- detected
- chamfer
- 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 106
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000004891 communication Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000005286 illumination Methods 0.000 claims description 60
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000003909 pattern recognition Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 15
- 238000003708 edge detection Methods 0.000 description 6
- 230000000739 chaotic effect Effects 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种轴承缺陷分选方法,该方法通过应用电子设备采集轴承倒角处的表面图像,并对其进行相关的计算和数据处理,以达到对轴承缺陷进行分选的目的,具体包括:通过可见光应用电子设备采集待检测轴承倒角处的可见光表面图像,根据所采集到的待检测轴承倒角处的表面图像进行相关计算和数据处理,得到待检测轴承倒角处的暗区连通域灰度图中的各个暗区连通域的缺陷程度,根据各个暗区连通域的缺陷程度,判断待检测轴承倒角处是否存在缺陷,并对待检测轴承进行缺陷分选。本发明利用图形识别以及相关的数据处理技术,解决了轴承缺陷分选准确性低的技术问题,提高了轴承缺陷分选的准确性、鲁棒性和效率性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种轴承缺陷分选方法。
背景技术
轴承是当代机械设备中一种重要的零部件,在工业领域和生活领域使用广泛。它的主要功能是支撑机械旋转体,降低其运转过程中的摩擦系数,并保证回转精度,所以轴承具有较高的质量要求。轴承中的轴承倒角可以去除轴承边缘毛刺,并且能够增加与轴肩贴合程度,但由于是对轴承边缘进行倒角,在倒角处理的过程中轴承可能会被碰伤或是划伤,而当轴承出现质量问题时,会导致整个机械无法正常转动。因此,在轴承的生产过程中需对轴承倒角处进行缺陷检测,以实现对轴承缺陷的分选。
传统的轴承缺陷分选方法是人工分选,该分选方法不仅工作过程繁琐、对于分选人员的经验要求高,而且容易受环境、检测人员疲劳状态的影响,并且不能将轴承缺陷分选信息实时送入到计算机进行质量管理和统计。因而,该分选方法的缺陷检测效率和可靠性较差,容易发生缺陷漏检和误检。随着图形识别和数据处理技术的发展,对轴承表面图像进行边缘检测可以实现轴承缺陷分选,但是该分选方法无法适应复杂的光照条件,导致轴承内倒角处的缺陷比较容易检测到,而难以识别出受光照环境的影响不具有特别明显的缺陷特征的轴承外倒角处的缺陷,因此该分选方法的准确性依旧比较差。
发明内容
为了解决上述现有的轴承缺陷分选准确性差的技术问题,本发明的目的在于提供一种轴承缺陷分选方法。
本发明提供了一种轴承缺陷分选方法,包括以下步骤:
获取待检测轴承倒角处的表面图像,并对其进行灰度化数据处理,进而得到待检测轴承倒角处的灰度图像;
对待检测轴承倒角处的灰度图像进行数据处理,确定n个不同模糊半径对应的高斯模糊图像;
根据n个高斯模糊图像和待检测轴承倒角处的灰度图像,确定n个高斯模糊图像对应的差值二值图像,并确定每个差值二值图像中的各个暗区连通域;
根据每个差值二值图像中的各个暗区连通域,确定每个差值二值图像对应的光照质量指标值,进而从n个差值二值图像中确定最佳差值二值图像;
根据待检测轴承倒角处的灰度图像和最佳差值二值图像,确定待检测轴承倒角处的暗区连通域灰度图;
根据待检测轴承倒角处的暗区连通域灰度图和最佳差值二值图像对应的光照质量指标值,确定待检测轴承倒角处的暗区连通域灰度图中的各个暗区连通域的缺陷程度,进而判断待检测轴承倒角处是否存在缺陷,从而对待检测轴承进行缺陷分选。
进一步的,确定每个差值二值图像对应的光照质量指标值的步骤包括:
根据每个差值二值图像中的各个暗区连通域,确定每个差值二值图像中的各个暗区连通域内的中心点,进而确定每个差值二值图像中的任意两个暗区连通域中心点的距离;
获取每个差值二值图像中所有暗区连通域内亮点的个数,根据每个差值二值图像中的所有暗区连通域内的亮点个数和任意两个暗区连通域中心点的距离,确定每个差值二值图像对应的区域完整程度;
根据每个差值二值图像对应的高斯模糊图像,确定每个差值二值图像对应的高斯方差值;
根据每个差值二值图像对应的区域完整程度和高斯方差值,确定每个差值二值图像对应的光照质量指标值。
进一步的,确定每个差值二值图像的区域完整程度的步骤包括:
根据每个差值二值图像中的任意两个暗区连通域中心点的距离,确定每个差值二值图像中的暗区连通域中心点距离的平均值;
根据每个差值二值图像中的暗区连通域中心点距离的平均值和所有暗区连通域内亮点的个数,确定每个差值二值图像的区域完整程度,其计算公式为:
进一步的,确定待检测轴承倒角处的连通域灰度图中的各个暗区连通域的缺陷程度的步骤包括:
根据待检测轴承倒角处的暗区连通域灰度图,确定待检测轴承倒角处的暗区连通域灰度图中的各个暗区连通域的熵值;
获取各个暗区连通域内的灰度值占比绝对均匀时所对应的熵值,使各个暗区连通域的熵值与对应暗区连通域内的灰度值占比绝对均匀时所对应的熵值做差并取绝对值,进而得到待检测轴承倒角处的暗区连通域灰度图中的各个暗区连通域的灰度占比混乱程度;
根据各个暗区连通域的灰度占比混乱程度、最佳差值二值图像对应的光照质量指标值,确定待检测轴承倒角处的暗区连通域灰度图中的各个暗区连通域的缺陷程度。
进一步的,进而判断待检测轴承倒角处是否存在缺陷的步骤包括:
若待检测轴承倒角处的暗区连通域灰度图中的任意一个暗区连通域的缺陷程度大于设定缺陷程度阈值,则判定待检测轴承倒角处存在缺陷,相反,则判定待检测轴承倒角处不存在缺陷。
进一步的,确定n个高斯模糊图像对应的差值二值图像的步骤包括:
使n个高斯模糊图像的像素灰度减去待检测轴承倒角处的灰度图像的像素灰度,得到n个高斯模糊图像对应的差值图像;
根据n个高斯模糊图像对应的差值图像,确定n个高斯模糊图像对应的差值二值图像。
进一步的,进而从n个差值二值图像中确定最佳差值二值图像的步骤包括:
根据每个差值二值图像对应的光照质量指标值,将最大的光照质量指标值对应的差值二值图像作为最佳差值二值图像。
进一步的,确定待检测轴承倒角处的暗区连通域灰度图的步骤包括:
根据待检测轴承倒角处的灰度图像和最佳差值二值图像,将最佳差值二值图像和待检测轴承倒角处的灰度图像进行点乘运算,进而得到待检测轴承倒角处的暗区连通域灰度图。
本发明具有如下有益效果:
本发明通过应用电子设备识别得到待检测轴承倒角处的表面图像,然后对其图像进行数据处理以实现轴承缺陷分选,具体是将待检测轴承倒角处的可见光表面图像进行相关的计算和数据处理,得到待检测轴承倒角处的灰度图像的每个差值二值图像对应的光照质量指标值,并从n个差值二值图像中确定最佳差值二值图像,进而确定暗区连通域灰度图中的各个暗区连通域的缺陷程度。根据各个暗区连通域的缺陷程度,判断待检测轴承倒角处是否存在缺陷,并对待检测轴承进行缺陷分选。
本发明通过提供一种应用电子设备识别并进行有关的数据处理的方法,得到了待检测轴承的最佳差值二值图像对应的光照质量指标值,通过该光照质量指标值可检测到由于光照混乱所导致的不具有明显特征的轴承倒角处缺陷,提高了轴承缺陷分选的准确性、效率性和鲁棒性,有效解决了现有轴承缺陷分选准确性差的技术问题。
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和优点,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的介绍,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它附图。
图1为本发明一种轴承缺陷分选方法的流程图;
图2为本发明实施例中的确定每个差值二值图像对应的光照质量指标值的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外,一个或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本实施例的具体应用场景为:针对完成倒角处理的轴承在进行最终质检的时候,对轴承倒角处进行缺陷检测,进而完成轴承缺陷的分选,本实施例适用于滚珠轴承和滚子轴承。本实施例提供了一种轴承缺陷分选方法,如图1所示,该方法包括以下步骤:
(1)获取待检测轴承倒角处的表面图像,并对其进行灰度化数据处理,进而得到待检测轴承倒角处的灰度图像。
需要说明的是,由于轴承倒角处位于轴承的边缘,而相机一般位于轴承的正上方,为了便于获取轴承倒角处的表面图像,在拍摄轴承的表面图像时实施者需提前调整可见光相机的拍摄角度和物距。
在本实施例中,在特定光源的条件下,通过可见光相机采集待检测轴承的表面图像,待检测轴承的表面图像为可见光RGB图像。根据待检测轴承的表面图像,利用canny边缘检测算子对待检测轴承的表面图像进行边缘检测,得到待检测轴承的轴承边缘线。然后,对待检测轴承的轴承边缘线进行霍夫圆检测,将已知的待检测轴承的外圈半径和内圈半径作为霍夫圆检测的半径,进而得到轴承倒角处与轴承表面的分界线,根据轴承倒角处与轴承表面的分界线和待检测轴承的表面图像,可得到仅含待检测轴承倒角处的表面图像。canny边缘检测算子和霍夫圆检测为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
为了便于后续对待检测轴承倒角处的表面图像进行数据处理,本实施例根据待检测轴承倒角处的表面图像,对待检测轴承倒角处的表面图像进行灰度化处理,从而得到灰度化处理后的待检测轴承倒角处的表面图像,也就是待检测轴承倒角处的灰度图像。
(2)对待检测轴承倒角处的灰度图像进行数据处理,确定n个不同模糊半径对应的高斯模糊图像。
通过调节高斯模糊滤波器中的参数模糊半径,可以得到不同模糊程度的高斯模糊图像。本实施例预设n个不同的模糊半径,n为100,任意两个相邻的模糊半径间隔是固定的,模糊半径间隔为0.1,模糊半径和模糊半径间隔可由实施者根据具体场景进行调整。
根据n个不同模糊半径对待检测轴承倒角处的灰度图像进行高斯模糊处理,也就是对待检测轴承倒角处的灰度图像进行n次高斯模糊处理,从而得到n个不同模糊半径对应的高斯模糊图像。对图像进行高斯模糊处理的过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
需要说明的是,根据原灰度图像与高斯模糊处理后的灰度图像的对比结果可知,高斯模糊会导致原灰度图像中像素点的灰度值较高的像素灰度下降,灰度值较低的像素灰度上升。
(3)根据n个高斯模糊图像和待检测轴承倒角处的灰度图像,确定n个高斯模糊图像对应的差值二值图像,并确定每个差值二值图像中的各个暗区连通域。
需要说明的是,通常情况下得到高斯模糊图像是为了抑制噪声,便于对高斯模糊图像进行边缘检测,以得到较好的边缘检测结果。而本发明获取高斯模糊图像是用来估算光照质量指标值,以便于确定最好的光照状态,找出不符合光照状态的区域,也就是本发明中差值二值图像中的各个暗区连通域,该暗区连通域可能是由轴承倒角缺陷造成的,也可能是由光影造成的,确定n个高斯模糊图像对应的差值二值图像及其各个暗区连通域的步骤包括:
(3-1)使n个高斯模糊图像的像素灰度减去待检测轴承倒角处的灰度图像的像素灰度,得到n个高斯模糊图像对应的差值图像。
在本实施例中,获取待检测轴承倒角处的灰度图像中每个像素点的灰度值,并将待检测轴承倒角处的灰度图像中每个像素点的灰度值记为M’,然后获取n个不同模糊半径对应的高斯模糊图像中每个像素点的灰度值,并将第i个模糊半径对应的高斯模糊图像记为,,n。
对于轴承倒角处的图像,由于仅存在缺陷和环境光照,可通过预估最佳的环境光照,来突出待检测轴承倒角处中不符合环境光照规律的区域以寻找缺陷区域,本实施例是通过不同模糊程度的高斯模糊图像来估算待检测轴承倒角处的表面图像的光照质量指标值,具体是通过采用的方式,也就是n个高斯模糊图像中每个像素点的灰度值与待检测轴承倒角处的灰度图像中每个像素点的灰度值对应相减,得到n个高斯模糊图像对应的差值图像。
(3-2)根据n个高斯模糊图像对应的差值图像,确定n个高斯模糊图像对应的差值二值图像。
在本实施例中,将n个高斯模糊图像对应的差值图像中的像素值小于0的像素点标记为0,将像素值大于等于0的像素点标记为1,也就是将n个高斯模糊图像对应的差值图像进行二值化处理,得到n个高斯模糊图像对应的差值二值图像,差值二值图像包括:像素点标记为1的暗区连通域和像素点标记为0的其他连通域。
需要说明的是,差值二值图像中的暗区连通域可能是由轴承倒角处缺陷造成的,也可能是由于光源之间的重叠出现的暗部光影所造成的。另外,因为倒角后的轴承表面是光滑的,不受其他外界因素的影响,差值二值图像中应当包含各个暗区连通域。
(3-3)根据n个高斯模糊图像对应的差值二值图像中的各个像素点,并按照八连通域的数字图像处理方法进行暗区连通域提取,可确定每个差值二值图像中的各个像素点标记为1的暗区连通域。八连通域的数字图像处理方法为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
需要说明的是,所述八连通域是指图像中像素点对应位置的上、下、左、右、左上、右上、左下、右下,即紧邻的位置和斜向相邻的位置。
(4)根据每个差值二值图像中的各个暗区连通域,确定每个差值二值图像对应的光照质量指标值,进而从n个差值二值图像中确定最佳差值二值图像。
(4-1)根据每个差值二值图像中的各个暗区连通域,确定每个差值二值图像对应的光照质量指标值,确定每个差值二值图像对应的光照质量指标值的流程图如图2所示,其步骤包括:
(4-1-1)根据每个差值二值图像中的各个暗区连通域,确定每个差值二值图像中的各个暗区连通域内的中心点,进而确定每个差值二值图像中的任意两个暗区连通域中心点的距离。
通过构建差值二值图像的坐标系,确定每个差值二值图像中的各个暗区连通域内的每个像素点的坐标位置,进而确定每个差值二值图像中的各个暗区连通域内的中心像素点的坐标位置。基于每个差值二值图像中的各个暗区连通域内的中心像素点的坐标位置,计算每个差值二值图像中的任意两个暗区连通域中心点的距离,从而得到每个差值二值图像中的任意两个暗区连通域中心点的距离,并将其记为,。
(4-1-2)获取每个差值二值图像中所有暗区连通域内亮点的个数,根据每个差值二值图像中的所有暗区连通域内的亮点个数和任意两个暗区连通域中心点的距离,确定每个差值二值图像对应的区域完整程度。
需要说明的是,当高斯模糊程度过低的时候,差值二值图像中的各个暗区连通域中会出现很多个距离相近的亮点,统计暗区连通域中亮点个数是为了便于后续确定差值二值图像中的各个暗区连通域的规整程度,也就是差值二值图像的光照质量指标值,这里的亮点是指暗区连通域内灰度值为0的像素点,确定每个差值二值图像对应的区域完整程度的步骤包括:
(4-1-2-1)根据每个差值二值图像中的任意两个暗区连通域中心点的距离,确定每个差值二值图像中的暗区连通域中心点距离的平均值。
(4-1-2-2)根据每个差值二值图像中的暗区连通域中心点距离的平均值和所有暗区连通域内亮点的个数,确定每个差值二值图像的区域完整程度,其计算公式为:
至此,得到了每个差值二值图像的区域完整程度,区域完整程度是指差值二值图像中各个暗区连通域的分布规整程度。当差值二值图像的区域完整程度越大时,所确定的差值二值图像中的各个暗区连通域越准确,有助于对待检测轴承倒角处进行缺陷检测。当差值二值图像中的暗区连通域中心点距离的平均值越大、所有暗区连通域内亮点的个数越少时,说明各个暗区连通域的分布越规整,也就是当前的待检测轴承倒角处的表面图像的光照状态越佳。
需要说明的是,由于差值二值图像中的所有暗区连通域内亮点的个数存在为0的可能性,所以本实施例通过使用指数函数exp( )来表示亮点的个数与区域完整程度之间的关系。
(4-1-3)根据每个差值二值图像对应的高斯模糊图像,确定每个差值二值图像对应的高斯方差值。
首先,需要说明的是,当某个高斯模糊图像的模糊程度的增大时,也就是该高斯模糊图像的高斯方差值越大,该高斯模糊图像对应的差值二值图像中的暗区连通域的边缘会扩张,那么该差值二值图像对应的高斯方差值可以表征暗区连通域的边缘的偏移量。
在本实施例中,根据每个差值二值图像对应的高斯模糊图像,直接获取每个差值二值图像对应的高斯方差值,记为P。
(4-1-4)根据每个差值二值图像对应的区域完整程度和高斯方差值,确定每个差值二值图像对应的光照质量指标值,其计算公式为:
其中,Z为每个差值二值图像对应的光照质量指标值,W为每个差值二值图像对应的区域完整程度,P为每个差值二值图像对应的高斯方差值。
需要说明的是,某个差值二值图像对应的区域完整程度越大,说明该差值二值图像对应的光照范围越广,该差值二值图像对应的高斯方差值越小,说明该差值二值图像对应的光照质量越好。那么当该差值二值图像对应的区域完整程度越大、高斯方差值越小时,该差值二值图像对应的光照质量指标值越大,就越有助于后续对待检测的轴承倒角处进行缺陷检测。
(4-2)根据每个差值二值图像对应的光照质量指标值,从n个差值二值图像中确定最佳差值二值图像,即将最大的光照质量指标值对应的差值二值图像作为最佳差值二值图像,最大的光照质量指标值也可以称为最佳光照质量指标值。
需要说明的是,本实施例确定最佳差值二值图像的目的为:当高斯模糊图像的模糊程度过于小的时候,高斯模糊图像与原灰度图像的区别不大,可能无法形成来连续的暗区连通域,并在各个暗区连通域内形成众多亮点;当高斯模糊图像的模糊程度过于大的时候,光照质量指标值大于实际光照,过强的光照会使暗区连通域消失,甚至导致轴承倒角处的表面图像中的缺陷区域消失,无法完成轴承倒角处缺陷检测,而最佳差值二值图像对应的光照质量指标值顾虑到各方面因素,所以最佳差值二值图像对应的高斯模糊图像的模糊程度是最合适的。
(5)根据待检测轴承倒角处的灰度图像和最佳差值二值图像,确定待检测轴承倒角处的暗区连通域灰度图。
在本实施例中,根据待检测轴承倒角处的灰度图像和最佳差值二值图像,将最佳差值二值图像和待检测轴承倒角处的灰度图像进行点乘运算,进而得到最佳差值二值图像中的各个暗区连通域在待检测轴承倒角处的灰度图像中所对应的灰度图,也就是待检测轴承倒角处的暗区连通域灰度图,该暗区连通域灰度图中的各个暗区连通域,可能是缺陷连通域,也可能是光影连通域。
(6)根据待检测轴承倒角处的暗区连通域灰度图和最佳差值二值图像对应的光照质量指标值,确定待检测轴承倒角处的暗区连通域灰度图中的各个暗区连通域的缺陷程度,进而判断待检测轴承倒角处是否存在缺陷,从而对待检测轴承进行缺陷分选,其步骤包括:
(6-1)根据待检测轴承倒角处的暗区连通域灰度图和最佳差值二值图像对应的光照质量指标值,确定待检测轴承倒角处的暗区连通域灰度图中的各个暗区连通域的缺陷程度,其步骤包括:
(6-1-1)根据待检测轴承倒角处的暗区连通域灰度图,确定待检测轴承倒角处的暗区连通域灰度图中的各个暗区连通域的熵值。
需要说明的是,由轴承倒角处的缺陷所形成的暗区连通域内像素灰度占比相对均匀,而由光影形成的暗区连通域内像素灰度是处于不断变化的状态,光影形成的暗区连通域内像素灰度占比相对混乱。因此,通过计算待检测轴承倒角处的暗区连通域灰度图中的各个暗区连通域的熵值,可以确定轴承倒角处的缺陷所形成的暗区连通域内像素灰度占比的均匀程度。
本实施例通过待检测轴承倒角处的暗区连通域灰度图中的各个暗区连通域内的像素灰度,计算各个暗区连通域的熵值,进而得到待检测轴承倒角处的暗区连通域灰度图中的各个暗区连通域的熵值。计算连通域的熵值的过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
(6-1-2)获取各个暗区连通域内的灰度值占比绝对均匀时所对应的熵值,使各个暗区连通域的熵值与对应暗区连通域内的灰度值占比绝对均匀时所对应的熵值做差并取绝对值,进而得到待检测轴承倒角处的暗区连通域灰度图中的各个暗区连通域的灰度占比混乱程度。
需要说明的是,因为各个暗区连通域内的像素灰度的范围不一致,各个暗区连通域的熵值不能通过互相之间比大小来判断自身连通域的均匀性,所以本实施例通过将暗区连通域内的灰度值占比绝对均匀时所对应的熵值作为媒介,来计算待检测轴承倒角处的暗区连通域灰度图中的各个暗区连通域的灰度占比混乱程度。
在本实施例中,已知待检测轴承倒角处的暗区连通域灰度图中的各个暗区连通域内的灰度值占比绝对均匀时所对应的熵值,通过计算各个暗区连通域的熵值与对应暗区连通域内的灰度值占比绝对均匀时所对应的熵值的差值,并对该差值进行绝对值运算,将该绝对值作为对应暗区连通域的灰度占比混乱程度,并将其记为G,待检测轴承倒角处的暗区连通域灰度图中的每个暗区连通域均有其对应的灰度占比混乱程度G。
(6-1-3)根据各个暗区连通域的灰度占比混乱程度、最佳差值二值图像对应的光照质量指标值,确定待检测轴承倒角处的暗区连通域灰度图中的各个暗区连通域的缺陷程度,其计算公式为:
需要说明的是,待检测轴承倒角处的暗区连通域灰度图中的第x个暗区连通域的灰度占比混乱程度越大,说明该暗区连通域的灰度占比越混乱,那么该暗区连通域为缺陷的可能性越小,也就是该暗区连通域为光影的可能性越大;最佳差值二值图像对应的光照质量指标值Z越大,说明待检测轴承倒角处的光照条件越好,对待检测轴承倒角处进行缺陷检测的准确度越高,可信度越高。所以待检测轴承倒角处的暗区连通域灰度图中的任意一个暗区连通域的缺陷程度越大,该暗区连通域为缺陷区域的可能性越大。
(6-2)根据待检测轴承倒角处的暗区连通域灰度图中的各个暗区连通域的缺陷程度,判断待检测轴承倒角处是否存在缺陷,进而对待检测轴承进行缺陷分选,从而对待检测轴承进行缺陷分选,其步骤包括:
在本实施例中,将缺陷程度阈值标记为r,并且r=5,缺陷程度阈值r为超参数可根据具体实施场景进行调整。若待检测轴承倒角处的暗区连通域灰度图中的任意一个暗区连通域的缺陷程度大于设定缺陷程度阈值,则判定待检测轴承倒角处存在缺陷,通过控制机械臂将待检测轴承放置在残次品类别中,相反,则判定待检测轴承倒角处不存在缺陷。至此,本实施例完成了对轴承缺陷的分选。
需要说明的是,由于轴承缺陷分选的环境是固定的,所以对不同轴承的倒角处进行缺陷检测时均会对应一个最佳光照质量指标值,而每个最佳光照质量指标值均会对应一个高斯模糊图像,通过统计每个最佳光照质量指标值对应的高斯模糊图像的模糊程度出现的最大次数,并将该最大次数的模糊程度的高斯模糊图像对应的高斯方差值作为计算最佳光照质量指标值的固定值,便于减少下个轴承进行轴承倒角处缺陷检测的计算量,提高了轴承缺陷分选的效率。
本发明因考虑到轴承缺陷分选时光照环境对轴承倒角处缺陷的影响,所以在确定待检测轴承倒角处的暗区连通域灰度图中的各个暗区连通域的缺陷程度时,将待检测轴承倒角处的表面图像对应的最佳光照质量指标值加入到缺陷程度计算公式中,进而判断待检测轴承倒角处是否存在缺陷,实现轴承缺陷分选,其有效提高了轴承缺陷分选的准确性。另外,本发明克服了复杂的光照条件对轴承缺陷分选的影响,不仅可以识别出轴承内倒角处的缺陷,而且能够识别出轴承外倒角处的缺陷,提高了轴承缺陷分选的鲁棒性。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (5)
1.一种轴承缺陷分选方法,其特征在于,包括以下步骤:
获取待检测轴承倒角处的表面图像,并对其进行灰度化数据处理,进而得到待检测轴承倒角处的灰度图像;
对待检测轴承倒角处的灰度图像进行数据处理,确定n个不同模糊半径对应的高斯模糊图像;
根据n个高斯模糊图像和待检测轴承倒角处的灰度图像,确定n个高斯模糊图像对应的差值二值图像,并确定每个差值二值图像中的各个暗区连通域;
根据每个差值二值图像中的各个暗区连通域,确定每个差值二值图像中的各个暗区连通域内的中心点,进而确定每个差值二值图像中的任意两个暗区连通域中心点的距离;
获取每个差值二值图像中所有暗区连通域内亮点的个数,根据每个差值二值图像中的所有暗区连通域内的亮点个数和任意两个暗区连通域中心点的距离,确定每个差值二值图像对应的区域完整程度;
根据每个差值二值图像对应的高斯模糊图像,确定每个差值二值图像对应的高斯方差值;
根据每个差值二值图像对应的区域完整程度和高斯方差值,确定每个差值二值图像对应的光照质量指标值,进而从n个差值二值图像中确定最佳差值二值图像;
根据待检测轴承倒角处的灰度图像和最佳差值二值图像,确定待检测轴承倒角处的暗区连通域灰度图;
根据待检测轴承倒角处的暗区连通域灰度图和最佳差值二值图像对应的光照质量指标值,确定待检测轴承倒角处的暗区连通域灰度图中的各个暗区连通域的缺陷程度,进而判断待检测轴承倒角处是否存在缺陷,从而对待检测轴承进行缺陷分选;
确定每个差值二值图像的区域完整程度的步骤包括:
根据每个差值二值图像中的任意两个暗区连通域中心点的距离,确定每个差值二值图像中的暗区连通域中心点距离的平均值;
根据每个差值二值图像中的暗区连通域中心点距离的平均值和所有暗区连通域内亮点的个数,确定每个差值二值图像的区域完整程度,其计算公式为:
确定待检测轴承倒角处的连通域灰度图中的各个暗区连通域的缺陷程度的步骤包括:
根据待检测轴承倒角处的暗区连通域灰度图,确定待检测轴承倒角处的暗区连通域灰度图中的各个暗区连通域的熵值;
获取各个暗区连通域内的灰度值占比绝对均匀时所对应的熵值,使各个暗区连通域的熵值与对应暗区连通域内的灰度值占比绝对均匀时所对应的熵值做差并取绝对值,进而得到待检测轴承倒角处的暗区连通域灰度图中的各个暗区连通域的灰度占比混乱程度;
根据各个暗区连通域的灰度占比混乱程度、最佳差值二值图像对应的光照质量指标值,确定待检测轴承倒角处的暗区连通域灰度图中的各个暗区连通域的缺陷程度。
2.根据权利要求1所述的一种轴承缺陷分选方法,其特征在于,进而判断待检测轴承倒角处是否存在缺陷的步骤包括:
若待检测轴承倒角处的暗区连通域灰度图中的任意一个暗区连通域的缺陷程度大于设定缺陷程度阈值,则判定待检测轴承倒角处存在缺陷,相反,则判定待检测轴承倒角处不存在缺陷。
3.根据权利要求1所述的一种轴承缺陷分选方法,其特征在于,确定n个高斯模糊图像对应的差值二值图像的步骤包括:
使n个高斯模糊图像的像素灰度减去待检测轴承倒角处的灰度图像的像素灰度,得到n个高斯模糊图像对应的差值图像;
根据n个高斯模糊图像对应的差值图像,确定n个高斯模糊图像对应的差值二值图像。
4.根据权利要求1所述的一种轴承缺陷分选方法,其特征在于,进而从n个差值二值图像中确定最佳差值二值图像的步骤包括:
根据每个差值二值图像对应的光照质量指标值,将最大的光照质量指标值对应的差值二值图像作为最佳差值二值图像。
5.根据权利要求1所述的一种轴承缺陷分选方法,其特征在于,确定待检测轴承倒角处的暗区连通域灰度图的步骤包括:
根据待检测轴承倒角处的灰度图像和最佳差值二值图像,将最佳差值二值图像和待检测轴承倒角处的灰度图像进行点乘运算,进而得到待检测轴承倒角处的暗区连通域灰度图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211186040.0A CN115254674B (zh) | 2022-09-28 | 2022-09-28 | 一种轴承缺陷分选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211186040.0A CN115254674B (zh) | 2022-09-28 | 2022-09-28 | 一种轴承缺陷分选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115254674A CN115254674A (zh) | 2022-11-01 |
CN115254674B true CN115254674B (zh) | 2023-01-17 |
Family
ID=83756095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211186040.0A Active CN115254674B (zh) | 2022-09-28 | 2022-09-28 | 一种轴承缺陷分选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115254674B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116580032B (zh) * | 2023-07-14 | 2023-09-26 | 青岛西海岸城市建设集团有限公司 | 一种用于道路施工的质量监控方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08235543A (ja) * | 1995-03-01 | 1996-09-13 | Hitachi Ltd | 汚れ等の欠陥検出方法及び装置 |
JPH11248646A (ja) * | 1998-03-04 | 1999-09-17 | Fuji Electric Co Ltd | 容器内面検査装置 |
CN109064439B (zh) * | 2018-06-15 | 2020-11-24 | 杭州舜浩科技有限公司 | 基于分区的单侧入光式导光板暗影缺陷提取方法 |
CN109727244B (zh) * | 2019-01-18 | 2020-12-08 | 深圳至汉装备科技有限公司 | 一种磁瓦表面裂纹检测方法 |
CN109816652B (zh) * | 2019-01-25 | 2022-08-12 | 湖州云通科技有限公司 | 一种基于灰度显著性的复杂铸件缺陷识别方法 |
CN110610496B (zh) * | 2019-04-24 | 2023-09-26 | 广东工业大学 | 一种对光照变化鲁棒的荧光胶缺陷分割方法 |
CN110458823A (zh) * | 2019-08-07 | 2019-11-15 | 江苏汇博机器人技术股份有限公司 | 实训用视觉检测缺陷库的制作方法 |
CN111754475A (zh) * | 2020-06-18 | 2020-10-09 | 常州信息职业技术学院 | 一种水下涵洞内壁图像缺陷的视觉检测方法 |
CN112508883A (zh) * | 2020-11-24 | 2021-03-16 | 南京航空航天大学 | 一种列车车轮踏面锥形孔检测的自适应缺陷识别方法 |
CN114022464B (zh) * | 2021-11-10 | 2024-06-14 | 广东工业大学 | 一种贴片电阻焊点内部空洞自适应检测方法 |
CN114627118B (zh) * | 2022-05-13 | 2022-07-19 | 江苏裕荣光电科技有限公司 | 一种光纤电缆绝缘缺陷识别方法和*** |
CN114972357B (zh) * | 2022-08-03 | 2022-10-21 | 南通恒立机械设备有限公司 | 一种基于图像处理的轧辊表面缺陷检测方法及*** |
CN115100191B (zh) * | 2022-08-22 | 2023-08-01 | 佛山市南海祥汛金属制品有限公司 | 基于工业检测的金属铸件缺陷识别方法 |
-
2022
- 2022-09-28 CN CN202211186040.0A patent/CN115254674B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115254674A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114723701B (zh) | 基于计算机视觉的齿轮缺陷检测方法和*** | |
CN116758061B (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
CN115272346A (zh) | 一种基于边缘检测的pcb板生产过程在线检测方法 | |
CN115115612B (zh) | 一种用于机械配件的表面缺陷检测方法及*** | |
CN115147409B (zh) | 基于机器视觉的手机壳生产品质检测方法 | |
CN116030060B (zh) | 一种塑料颗粒质量检测方法 | |
CN115131359B (zh) | 一种金属加工件表面麻点缺陷检测方法 | |
CN110288618B (zh) | 一种光照不均图像的多目标分割方法 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测*** | |
CN117011292B (zh) | 一种复合板表面质量快速检测方法 | |
CN115937216A (zh) | 一种新能源汽车用磁转子外观质量检测方法 | |
CN113034474A (zh) | 一种oled显示器晶圆图的测试方法 | |
CN115254674B (zh) | 一种轴承缺陷分选方法 | |
CN116664569B (zh) | 一种焊瘤缺陷检测方法 | |
CN115330758A (zh) | 基于去噪处理的焊接质量检测方法 | |
CN116862910B (zh) | 基于自动化裁切生产的视觉检测方法 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN117152165B (zh) | 感光芯片缺陷的检测方法、装置、存储介质及电子设备 | |
CN117745715B (zh) | 基于人工智能的大口径望远镜镜片缺陷检测方法 | |
CN114998356A (zh) | 一种基于图像处理的车桥缺陷检测方法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN117388263B (zh) | 用于充电枪的五金端子质量检测方法 | |
CN112184619A (zh) | 一种基于深度学习的金属部件表面缺陷检测方法 | |
CN115423765A (zh) | 一种基于模板图像的晶粒缺陷量化分割方法 | |
CN115272173A (zh) | 锡球缺陷检测方法及其装置、计算机设备、存储介质 |
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 |