基于计算机视觉的管壳表面划痕检测技术研究
基于机器视觉的手机壳表面划痕缺陷检测
基于机器视觉的手机壳表面划痕缺陷检测王武;叶明;陆永华【摘要】为解决手机壳表面缺陷检测采用人工目测法,检测效率低且漏检率高的问题,采用基于机器视觉的手机壳表面缺陷检测方法,实现产品缺陷的自动化检测.该检测算法采用八方向的各向异性高斯方向导数滤波器对图像进行卷积滤波,并做归一化处理;利用滤波结果图的直方图确定自适应阈值,并进行阈值分割;对图像进行细化后通过划痕缺陷长度特征进行缺陷的提取.实验结果表明,该划痕缺陷检测算法能够实现长度0.5 mm以上的划痕缺陷的准确检测,检测效率高,满足企业的实际需求.【期刊名称】《机械制造与自动化》【年(卷),期】2019(000)001【总页数】5页(P160-163,189)【关键词】手机壳;划痕缺陷;各向异性高斯方向导数滤波器;自适应阈值【作者】王武;叶明;陆永华【作者单位】南京航空航天大学机电学院,江苏南京210016;南京航空航天大学机电学院,江苏南京210016;南京航空航天大学机电学院,江苏南京210016【正文语种】中文【中图分类】TP391.410 引言近年来,智能手机行业迅猛发展,消费者对于手机产品的外观也越来越注重。
目前国内对于手机壳表面缺陷的检测大多是人工目测法,但人工成本高,检测效率低,检测准确率受人的主观因素干扰比较大[1]。
为了提高检测效率,降低成本,提高检测准确率,基于机器视觉的手机壳表面缺陷检测将是未来发展的一种趋势。
表面缺陷检测研究一直是机器视觉中一个重要的研究方向。
国内外专家学者们对不同情况下的表面缺陷检测进行研究,提出了很多缺陷检测方法。
文献[2] 利用Gabor滤波的条形模式检测原理,同时结合各向异性纹理抑制和滞后多阈值处理技术,提出一种用于手机配件金属表面划痕的检测方法;文献[3] 利用Prewitt算子和基于直方图的阈值选择算法,实现对陶瓷表面划痕的检测;文献[4] 采用基于频域图平滑带通滤波的处理方法实现汽车车身零部件表面划痕的检测;文献[5] 采用领域加权分割对表面缺陷进行提取,实现凸轮轴表面缺陷的检测;文献[6] 在分析细浅划痕形状特征的基础上,设计一组多尺度多方向的形态学结构元素,并通过多尺度多方向的Top-hat变化构建形态学划痕指数,以突显划痕,且抑制背景,进而实现细浅划痕的检测;文献[7] 提出利用梯度图像方差分布搜寻表面缺陷区域的算法,在有表面缺陷的局部区域应用大津法分割图像。
机器视觉检测之一
机器视觉检测之一——划痕检测
划痕检测是工业生产中经常遇到的问题,在工业中许多设备的零部件都是在高温、高温高压环境中工作的,所受载物极其严苛复杂,使用环境极其恶劣,故障频繁。
造成的后果也非常严重,因此,对相关部件的残缺,使用疲劳而出现的裂纹的产生,扩展进行视觉检测就显得非常重要。
机器视觉划痕检测的基本分析过程分为两步:第一步,确认检测产品表面是不是有划痕,第二部,在确定被分析图像上存在划痕以后,对话很进行提取记录。
划痕在通常情况下被分为三大类:
第一类,从外观上比较容易辨认,同时灰度变化跟周围区域对比比较明显。
可以进行去缺陷部分直接标记的。
如图第一类abcd
第二类,部分灰度值变化并不明显,整幅图像灰度值比较平均,划痕的面积也比较小,只有极少数像素点,灰度也之比周围的图像略低一些,很难用肉眼辨识。
处理方法为:可以对原图进行均值过滤,得到较平滑的图像,并与源图像相减比较。
并对所有的目标进行标记,计算其面积大小,将面积过小的目标去掉,剩下的就是标记划很,并且记录划痕的面积位置等信息。
如图第二类abcd
第三类,各部分灰度值差异较大,形状通常呈长条形,根据这类图像的特点选择双阔值和缺陷形状特征相结合的方法。
第三类图像缺陷标记(如图ab)
结语,由于在机器视觉检测中图像的多样性,对于每一种图像,都要经过分析综合考虑各种手段来进行处理达到效果。
因此,划痕的检测一般使用基于统计灰度特征等方法将划痕部分标出。
基于机器视觉的工件表面缺陷检测算法研究与应用
基于机器视觉的工件表面缺陷检测算法研究与应用随着工业发展的不断推进,工件表面缺陷的检测变得越来越重要。
其中,机器视觉技术的应用为工件缺陷检测提供了一种有效的手段。
本文将针对基于机器视觉的工件表面缺陷检测算法进行研究与应用,探讨其原理和优势。
一、机器视觉技术在工件表面缺陷检测中的应用机器视觉技术是一种利用计算机视觉系统对图像进行感知、分析和处理的技术。
在工件表面缺陷检测中,机器视觉技术可以通过图像采集、处理和分析,实现对工件表面缺陷的自动检测和分类。
二、工件表面缺陷检测的算法原理1. 图像采集与预处理在工件表面缺陷检测中,首先需要采集工件表面的图像数据。
通过合适的光源和相机等设备,获取高质量的图像。
然后,进行图像预处理,包括图像去噪、图像增强等处理,以提高后续算法的准确性和稳定性。
2. 特征提取与选择提取工件表面缺陷图像中的特征是缺陷检测的关键一步。
常用的特征包括纹理特征、形状特征、颜色特征等。
根据具体情况,选择适合的特征进行提取,并进行适当的降维处理,以减少特征的维度和冗余信息。
3. 缺陷检测与分类在特征提取后,利用机器学习算法对工件图像进行缺陷检测和分类。
常用的算法包括支持向量机(SVM)、卷积神经网络(CNN)等。
通过训练模型和测试样本,实现对工件缺陷的有效检测和分类。
三、基于机器视觉的工件表面缺陷检测算法的优势1. 高效性机器视觉技术可以实现对工件表面缺陷的自动检测和分类,大大提高了检测的效率。
相比于传统的人工检测方法,机器视觉算法可以在短时间内处理大量图像数据,提高了生产力和效益。
2. 准确性基于机器学习算法的工件缺陷检测可以通过大量的样本训练和测试,从而提高检测的准确性。
机器视觉算法可以自动识别和分析工件缺陷,避免了人眼视觉疲劳和主观判断的影响,减少了误检和漏检的问题。
3. 稳定性机器视觉算法可以稳定地运行在工业生产线上,实时地对工件进行检测。
相比于人工检测的系统,机器视觉算法可以克服环境变化对检测结果的影响,并且不受人为因素的干扰。
基于深搜算法的手机外壳刮擦痕迹检测
㊀鲁东大学学报(自然科学版)㊀JournalofLudongUniversity(NaturalScienceEdition)2018ꎬ34(4):309 313㊀㊀㊀收稿日期:2018 ̄08 ̄11ꎻ修回日期:2018 ̄08 ̄30㊀㊀基金项目:烟台市科技计划项目(2017ZH061)㊀㊀第一作者简介:栾松宇(1994 )ꎬ男ꎬ山东烟台人ꎬ硕士研究生ꎬ研究方向为机器视觉㊁人工智能.E-mail:zylsy611@163.com㊀㊀通信作者简介:周文举(1968 )ꎬ男ꎬ山东济宁人ꎬ副教授ꎬ硕士研究生导师ꎬ博士ꎬ研究方向为机器视觉㊁人工智能㊁机器人控制等.E-126.com基于深搜算法的手机外壳刮擦痕迹检测栾松宇ꎬ周文举ꎬ孔清清ꎬ郭鹏ꎬ徐宗鑫(鲁东大学㊀信息与电气工程学院ꎬ山东烟台264039)摘要:运用形态学滤波算法和自适应二值化算法对手机外壳图像进行预处理ꎬ同时提出了一种深搜算法ꎬ沿着手机外壳刮痕的方向进行搜索ꎬ增加了检测的鲁棒性和敏感性ꎬ在具有复杂表面纹理干扰的情况下仍然能够有效地对手机外壳微小刮痕进行检测.经过实验验证ꎬ刮痕检测精度可以达到0 05mmꎬ漏检率和轮廓检测缺失概率分别为4 0%和5 3%.关键词:机器视觉ꎻ刮痕检测ꎻ系统设计和研究ꎻ图像处理中图分类号:TP391.4㊀㊀文献标志码:A㊀㊀文章编号:1673 ̄8020(2018)04 ̄0309 ̄05㊀㊀随着近几年智能技术的发展ꎬ智能手机尤其是中高端智能手机的市场需求越来越大.为了满足市场竞争需求ꎬ各种智能手机品牌在提高手机性能的基础上也更加注重手机外观的质量和美观ꎬ因此对手机外壳的检测成为手机生产中必不可少的一环.在手机外壳的瑕疵检测中ꎬ表面划痕是最常出现的瑕疵之一.为了精确的检测划痕ꎬ弥补人工检测效率低㊁检测标准不一㊁消耗大量劳动力等缺陷ꎬ机器视觉检测逐渐发展为检测手机外壳划痕的重要方法和判断依据[1 2]ꎬ其在弥补了人工检测缺陷的同时ꎬ大大提高了检测速度和精度.㊀㊀然而ꎬ在视觉检测中对于手机外壳刮擦的检测仍然存在挑战ꎬ特别是针对于纹理外壳表面的微小瑕疵ꎬ经工业相机拍照㊁二值化处理后ꎬ纹理会作为划痕显示出来ꎬ增加了划痕的提取检测难度.近年来对于划痕检测一直有相关研究ꎬArcha等[3]于2015年提出了一种逐帧划痕检测算法和时域滤波算法ꎬ应用于电影胶片中的直线划痕检测和修复.张东波等[4]提出了一种旋转线性扫描算子ꎬ实现了残留砂粒的特征分析和检测.宋迪等[5]利用Gabor滤波ꎬ提取出划痕的骨架结构ꎬ利用各向异性纹理抑制方法抑制金属表面的纹理ꎬ但不能完全排除金属纹理对划痕图像提取的干扰ꎬ需要通过处理从而进一步去除干扰点.㊀㊀据此本文提出了应用于手机外壳划痕检测的深搜算法ꎬ在滤除手机表面细小纹理的情况下ꎬ将手机划痕精准快速的检测出来.1㊀硬件系统设计1.1㊀检测系统硬件组成和检测流程㊀㊀本文视觉检测系统的硬件主要包括:手机外壳的夹持传输控制部分ꎬ相机快门的控制部分ꎬ光源控制部分ꎬ图像处理单元和手机外壳分级控制机构部分.手机外壳被夹持机构固定于传送机构上ꎬ工业相机通过对手机外壳的不同部位采集图像ꎬ同时照明光源在相机快门开启时打开光源照明ꎬ相机的图像被传送到图像处理单元ꎬ经过图像处理算法对图像处理后ꎬ有瑕疵的外壳被检测出来.检测流程如图1所示.图1㊀检测流程图310㊀鲁东大学学报(自然科学版)第34卷㊀1.2㊀图像采集硬件技术1.2.1㊀照明光源类型选择㊀㊀良好的照明是图像采集的重要条件ꎬ光源的照明方式㊁光源的色温和光照的强度等情况对图像采集的质量有着重要的影响.因此ꎬ在整个检测系统中需要对光源进行合理地设计ꎬ通过对传统的几种光源的对比和介绍来选择合适的光源.㊀㊀各种常用光源特性如表1所示ꎬ通过比较列出的光源在寿命㊁灯光颜色㊁亮度和特点的综合对比分析可得ꎬLED灯使用寿命相对较长ꎬ颜色和亮度都适用于图像采集ꎬ且光源发热少ꎬ最终我们选用LED灯作为光源.表1㊀各类光源特性光源寿命/h特点颜色亮度白炽灯1000~2000发热多偏黄㊁白亮卤素灯4500~7000发热多偏黄㊁白很亮氙灯1000~2000发热少白亮高频荧光灯60000~100000发热多偏绿㊁白亮LED灯2000~3000发热少红㊁绿㊁蓝较亮1.2.2㊀相机与镜头的选择㊀㊀本次检测设计采用德国BASLER工业相机acA3800-10gcꎬ该相机的分辨率为3856ˑ2764像素ꎬ满足对图像采集所需的像素要求ꎬ相机体积较小ꎬ能够灵活安装ꎬ便于应用ꎬ且接口扩展性较好.为了达到检测宽度为0 05mm的细小刮擦ꎬ选择光学放大倍率为0 8X的远心镜头ꎬ以使其每个像素的最小分辨率达到0 005mmꎬ根据香浓定律ꎬ其可区分的检测最小分辨率为0 01mm.2㊀检测算法及实现㊀㊀对手机外壳图像做处理时所运用的算法主要分为两部分:图像预处理算法和刮擦检测算法[6].图像预处理算法是对采集的手机外壳初始图像进行滤波和二值化ꎬ滤波主要是对噪声进行处理和滤除ꎬ二值化为进一步的刮擦检测算法提供前提.刮擦检测算法在不同方向上进行深度搜索ꎬ提取刮擦特征信息ꎬ并滤除二值化后背景纹理产生的斑点特征干扰.2.1㊀图像滤波算法㊀㊀滤波的作用有两个:一是滤除图像中混入的噪声ꎬ二是提高图像的信噪比.同时提出两个要求:一是不可损坏图像轮廓及边缘的重要信息ꎻ二是尽可能使图像清晰完整ꎬ对比鲜明.目前ꎬ滤波处理的研究领域较为常用的方法有四种:中值滤波ꎬ均值滤波ꎬ形态学滤波ꎬ高斯滤波.根据此次检测对象特点ꎬ为了选择最合适的滤波方式ꎬ我们分别随机选择银色㊁深空灰色各十帧照片ꎬ用这四种滤波算法进行处理ꎬ得到滤波效果图ꎬ随机取一组图片ꎬ如图2所示.(a)原图(b)均值滤波(c)中值滤波㊀㊀㊀(d)形态学滤波㊀㊀㊀(e)高斯滤波图2㊀滤波后的图像㊀㊀通过对十组图片进行比较ꎬ如图2所示ꎬ选择一组滤波后的图片作为参照.均值滤波(b)ꎬ中值滤波(c)ꎬ高斯滤波[7](e)的处理效果和原图(a)相比差别不大ꎬ而形态学滤波[8](d)后图像背景纹理更加细腻平滑ꎬ去噪效果好ꎬ且不会损坏划痕图像轮廓ꎬ方便后续的划痕检测.因此本文采用形态学滤波对图片进行检测.2.2㊀图像自适应二值化算法㊀㊀二值化处理[9]就是将图像上所有像素点的RGB值设置为0或255(即灰度值设置为0或255)ꎬ使其仅展示出黑色和白色的视觉效果ꎬ经二值化处理后的图像不会出现灰度的多级值ꎬ方便提取图像中的特征信息ꎬ增加图像识别率.对于手机划痕检测而言ꎬ由于背景纹理及手机外壳颜色的影响ꎬ二值化阈值选择不合理会使得在二值化的过程中损失部分划痕信息ꎬ造成检测误差.为了选择最合适阈值ꎬ增加所选择阈值在光照和各种外壳颜色下的鲁棒性ꎬ本文采用自适应二值化算法[10]ꎬ自动的选择分割阈值.㊀㊀用灰度值t作为阈值分割出的目标与背景[11]㊀第4期栾松宇ꎬ等:基于深搜算法的手机外壳刮擦痕迹检测311㊀分别设为{f(iꎬj)ɤt}和{f(iꎬj)>t}ꎬ其中f(iꎬj)为MˑN图像(iꎬj)点处的灰度值ꎬ灰度级m为256ꎬ不妨设f(iꎬj)的取值范围为[0ꎬm-1].记p(k)为灰度值为k的频率ꎬ则p(k)=QMNꎬ(1)其中ꎬQ为f(iꎬj)=k的像素点个数.目标部分比例ω0(t)=ð0ɤiɤtp(i)ꎬ(2)目标部分点数N0(t)=MNð0ɤiɤtp(i)ꎬ(3)背景部分比例ω1(t)=ðtɤiɤm-1p(i)ꎬ(4)背景部分点数N1(t)=MNðtɤiɤm-1p(i)ꎬ(5)目标均值μ0(t)=ð0ɤiɤtip(i)/ω0(t)ꎬ(6)背景均值μ1(t)=ðtɤiɤm-1ip(i)/ω1(t)ꎬ(7)总均值μ=ω0(t)μ0(t)+ω1(t)μ1(t).(8)最大类间方差法(OTSU)指出最佳阈值g=argmax0ɤiɤm-1[ω0(t)(μ0(t)-μ)2+ω1(t)(μ1(t)-μ)2].(9)㊀㊀式(9)中阈值g分割出的目标和背景共同构成了整幅图像ꎬ其中ꎬ目标取值为μ0(t)ꎬ概率为ω0(t)ꎻ背景取值为μ1(t)ꎬ概率为ω1(t)ꎬ总均值为μꎬ根据方差的定义可得式(9)[12].由于方差是灰度分布均匀性的一种度量ꎬ方差越大ꎬ说明构成图像的目标和背景差别就越大ꎬ当部分目标错分为背景或部分背景错分为目标时ꎬ都会导致两部分方差变小ꎬ因此使类间方差最大的分割意味着错分概率最小[13]ꎬ所求的阈值g即为最佳阈值ꎬ二值化效果如图3ꎬ4所示.图3㊀原图图4㊀二值化后图像2.3㊀深搜算法㊀㊀为了有效的对二值化后的手机划痕进行检测ꎬ本文提出了深搜算法ꎬ其基本原理是尽可能多地对树进行搜索.在搜索时先选择一种要找的可能结点ꎬ在搜索过程中ꎬ如果发现先前选择的结点不符合要求ꎬ就回到开始的树结点重新进行选择ꎬ继续进行搜索ꎬ如此反复进行直到找到最优结点为止.㊀㊀在本文研究中ꎬ为了找到划痕ꎬ我们对二值化后的图像进行检测.首先将检测方向角度D初始化为0ʎꎬ角度增量为20ʎꎬ检测步长为1个像素点ꎬ设定像素点亮度的临界阈值为Gthꎬ各个像素点的亮度为Giꎬ划痕的设定值为m.为了兼顾速度和精度ꎬ我们需要确定搜索的步长s.随机取50张手机后壳划痕图片进行深搜检测ꎬ根据检测结果可知ꎬ步长为5满足检测的精度要求ꎬ同时速度最快.如图5所示ꎬ可以发现ꎬ当检测步长小于5时ꎬ会有手机花纹经过二值化后被当做划痕检测出来ꎬ达不到预期的检测目的.随着步长增加ꎬ直到大于5后ꎬ在满足精度为0 05mm的基础上ꎬ划痕能够被有效的检测出来.(a)二值化(b)步长=1(c)步长=2(d)步长=3(e)步长=4(f)步长=5图5㊀不同步长下划痕检测效果㊀㊀首先ꎬ对变量初始化ꎬ进而从第1个像素点开始检测ꎬ直到检测到某一点的亮度小于设定阈值Gthꎬ说明该像素点有可能为划痕的起始像素点.下面用深搜算法进行检测ꎬ以该点为原点ꎬ检测方向0ʎ到180ʎꎬ每隔20ʎ的方向搜索一次ꎬ搜索步长为5ꎬ记像素点(xiꎬyi)之后下一点坐标为(xi+1ꎬyi+1)ꎬ其值为:312㊀鲁东大学学报(自然科学版)第34卷㊀xi+1=xi+cosπ180ʎDsꎬyi+1=yi+sinπ180ʎDs.(10)㊀㊀在搜索过程中ꎬ检测沿着该方向大于Gth的像素点连线的长度是否大于mꎬ若大于m则判断为一条划痕ꎬ进而对下一个方向进行检测ꎬ直到检测到180ʎꎻ如果小于mꎬ则在检测精度之内ꎬ不算做划痕.然后检测下一个像素点ꎬ继续用深搜算法检测0ʎ到180ʎꎬ直到所有像素点都检测完毕.详细算法流程图如图6所示.图6㊀深搜算法流程图3㊀检测结果分析㊀㊀刮擦检测系统软件功能主要包括三个部分:图像采集㊁图像处理和控制剔除.因为本文只是设计硬件检测流程图ꎬ并不实现硬件操作ꎬ所以我们着重实现图像处理.因此ꎬ首先搭建手机外壳检测的试验平台ꎬ图7为试验平台模型.该实验平台模型由工业相机ꎬLED灯ꎬ手机外壳三部分组成ꎬ分别位于支架的上中下三个位置.手机外壳作为被测物体ꎬ位于模型的最下方ꎬ其上方放置LED灯ꎬ满足手机外壳对光源的需求.工业相机位于模型最上方ꎬ从顶端连接数据线与电源线ꎬ由数据线连通模型与计算机ꎬ采集到图像后即可进入图像处理阶段ꎬ处理器采用intel处理器ꎬCPU主频2 4GHzꎬ8GRAMꎬ采用C#编程语言.㊀㊀取深空灰色㊁银色㊁金色的手机壳共30块ꎬ每种十块ꎬ用本文算法对划痕进行检测ꎬ得到不同的检测结果ꎬ图8是我们随机选择的一组检测图片.图7㊀LED光源与工业相机图(a)原图:银色(b)原图:金色(c)原图:深空灰色图8㊀划痕检测结果㊀㊀检测结果显示ꎬ刮痕检测精度可以达到0 05mmꎬ如表2所示ꎬ漏检率和轮廓检测缺失概率分㊀第4期栾松宇ꎬ等:基于深搜算法的手机外壳刮擦痕迹检测313㊀别为4 0%和5 3%ꎬ部分手机壳出现划痕漏检或者检测出部分划痕.通过后期分析得知ꎬ漏检的划痕是由于本身太细微ꎬ肉眼都难以发现ꎬ经过二值化后和背景纹理区分度不大ꎬ造成了划痕漏检.另外ꎬ由于部分划痕断裂或者整条划痕粗细不一ꎬ使得检测结果出现部分轮廓丢失ꎬ但是不影响检测准确率.同时ꎬ根据表3可知ꎬ检测时间平均为0 52sꎬ最慢不超过0 60sꎬ满足实际检测的快速性要求.表2㊀划痕检测结果颜色划痕漏检条数检测不完整划痕条数金色12深空灰色32银色24漏检率和轮廓缺失率4.0%5.3%表3㊀划痕检测用时s金色银色深空灰色第一块0.560.490.50第二块0.580.510.55第三块0.490.480.53第四块0.410.520.51第五块0.480.580.49第六块0.520.530.49第七块0.540.550.54第八块0.410.550.58第九块0.570.510.48第十块0.580.500.50平均值0.510.520.524㊀结语㊀㊀本文以手机外壳刮擦痕迹为研究对象ꎬ开发软件检测系统ꎬ编写应用程序ꎬ利用图片数据库进行软件编程的调试和实现ꎬ设计出适合进行手机外壳检测的硬件平台和软件平台.在检测过程中ꎬ运用滤波算法㊁自适应的二值化算法㊁深搜算法ꎬ实现了对划痕的检测ꎬ且检测过程高效㊁快速.㊀㊀在此次设计的手机外壳的刮擦检测系统调试中ꎬ仍有需要改进的地方ꎬ在对噪声进行滤波方面ꎬ滤波效果没有达到最佳ꎬ噪声对图像检测仍有一定的影响.另外ꎬ在二值化过程中ꎬ部分划痕过于细微ꎬ颜色上和背景很难区分ꎬ会造成后期深搜算法的检测误差ꎬ仍需要后期进一步完善.参考文献:[1]㊀GHOSHSꎬSAHAR.Asimpleandrobustalgorithmforthedetectionofmultidirectionalscratchfromdigitalim ̄ages[C]ʊIEEE.2015EighthInternationalConferenceonAdvancesinPatternRecognitionꎬ2015:1-6. [2]㊀NEWSONAꎬALMANSAAꎬGOUSSEAUYꎬetal.Robustautomaticlinescratchdetectioninfilms[J].IEEETransactionsonImageProcessingꎬ2014ꎬ23(3):1240-1254.[3]㊀ARCHAABꎬKUMARGS.Automaticlinescratchde ̄tectionandrestorationinfilms[J].InternationalJournalofEngineeringandAdvancedTechnologyꎬ2015ꎬ4-5:153-156.[4]㊀张东波ꎬ刘霞ꎬ宋迪ꎬ等.基于线扫描局部峰值分析的手机隔板砂粒检测[J].仪器仪表学报ꎬ2014ꎬ35(3):642-649.[5]㊀宋迪ꎬ张东波ꎬ刘霞.基于Gabor和纹理抑制的手机配件划痕检测[J].计算机工程ꎬ2014ꎬ40(9):1-5. [6]㊀TAOXianꎬXUDeꎬZHANGZhengtaoꎬetal.Weakscratchdetectionanddefectclassificationmethodsforalarge-apertureopticalelement[J].OpticsCommunica ̄tionsꎬ2017ꎬ387:390-400.[7]㊀黄玉龙ꎬ张勇刚ꎬ李宁ꎬ等.一种改进的高斯近似滤波方法[J].自动化学报ꎬ2016ꎬ42(3):385-401. [8]㊀郭海涛ꎬ徐雷ꎬ赵红叶ꎬ等.一种抑制声呐图像散斑噪声的形态学滤波器[J].仪器仪表学报ꎬ2015ꎬ36(3):654-660.[9]㊀张洁玉.基于图像分块的局部阈值二值化方法[J].计算机应用ꎬ2017ꎬ37(3):827-831.[10]陈鑫元ꎬ李筠ꎬ杨海马ꎬ等.自适应阈值图像二值化及形态学处理的FPGA实现[J].电子测量技术ꎬ2016ꎬ39(7):67-71.[11]BATAINEHBꎬABDULLAHSNHSꎬOMARK.Adap ̄tivebinarizationmethodfordegradeddocumentimagesbasedonsurfacecontrastvariation[J].PatternAnalysisandApplicationsꎬ2017ꎬ20(3):639-652. [12]SINGHBMꎬSHARMARꎬGHOSHDꎬetal.Adaptivebinarizationofseverelydegradedandnon-uniformlyil ̄luminateddocuments[J].InternationalJournalonDoc ̄umentAnalysisandRecognitionꎬ2014ꎬ17(4):393-412.[13]周文举ꎬ费敏锐ꎬ王海宽ꎬ等.基于迭代学习和卡尔曼滤波的相机精确抓拍控制方法[J].仪器仪表学报ꎬ2014ꎬ35(5):1044-1051.(下转第326页)326㊀鲁东大学学报(自然科学版)第34卷㊀PCRAmplicationandSequencingAnalysisofGlehniaLittoraliswithITSFragmentsLIBinꎬWANGAilan(SchoolofLifeSciencesꎬLudongUniversityꎬYantai264039ꎬChina)Abstract:InordertostrengthentheresearchofgeneticdiversityandtheprotectionofgermplasmresoursesfortherareandendangeredGlehnialittoralisꎬweexploredtheoptimizedconditionsforPCRamplificationoftheITSgeneandcarriedoutsequencinganalysis.TheresultsshowedthattheoptimizedPCRamplificationcondi ̄tionofPCRsystemwasasfollows:PCRBuffer2.50μLꎬdNTPmixture0.50μLꎬITS11.00μLꎬITS41.00μLꎬTaqDNApolymerase0.15μLꎬDNA2.00μLꎬddH2O17.85μLꎬthetotalvolumewas25.00μL.Theop ̄timizedPCRamplificationprogramwasasfollows:initialtemplatedenaturatedat94ħfor5minꎬ94ħfor50sꎬ50ħfor45sꎬand72ħfor1min45sꎬfollowedby37cyclesꎬwithafinalextensionof72ħfor8minandsaveat4ħ.Aclearanddefinitetargetbandwasobtainedundertheoptimalamplificationcondition.Aftersor ̄tingbyhandꎬthetotalalignmentofITSsequenceswas628bpinlength.TheITSgenewasdeterminedbytheBLASTofGenBankꎬincludingthecompletesequenceofITS1ꎬthetotalsequenceof5.8SrDNAandthepartialsequenceofITS2.Keywords:GlehnialittoralisꎻITSgenefragmentsꎻPCRamplificationꎻoptimizedPCRsystem(责任编辑㊀王际科)(上接第313页)AbstractID:1673 ̄8020(2018)04 ̄0309 ̄EAScratchesDetectionofMobilePhoneShellBasedonDeepSearchingAlgorithmLUANSongyuꎬZHOUWenjuꎬKONGQingqingꎬGUOPengꎬXUZongxin(SchoolofInformationandElectricalEngineeringꎬLudongUniversityꎬYantai264039ꎬChina)Abstract:Morphologicalfilteringalgorithmandadaptivebinarizationalgorithmwereusedtopreprocessthemo ̄bilephoneshellimage.Atthesametimeꎬadeepsearchingalgorithmwasproposedꎬwhichcansearchinthedi ̄rectionofscratchingthemobilephoneshell.Itfurtherincreasestherobustnessandsensitivityofdetectionandeffectivelydetectthetinyscratchesofthemobilephoneshellevenwiththeinterferenceofthecomplexsurfacetexture.Theexperimentalresultsshowthattheprecisionofscratchdetectioncanreach0.05mmꎬthemisseddetectionrateandthemissingprobabilityofcontourdetectionare4%and5.3%.Keywords:machinevisionꎻscratchdetectionꎻsystemdesignandresearchꎻimageprocessing(责任编辑㊀王际科)。
计算机视觉技术在工业检测中的应用案例解析
计算机视觉技术在工业检测中的应用案例解析近年来,随着计算机视觉技术(Computer Vision)的快速发展,其在工业检测领域的应用逐渐得到广泛关注。
计算机视觉技术利用摄像机及相关设备捕捉、处理和分析图像数据,实现对物体的自动检测、识别和测量,为工业检测提供了一种高效、精确、无人干预的解决方案。
本文将通过几个应用案例展示计算机视觉技术在工业检测中的优势和实际应用。
首先,计算机视觉技术在产品外观质量检测中的应用案例可谓成功的典范。
传统的外观检测需要大量的人力和时间,容易出现主观误判和漏检的情况。
而引入计算机视觉技术后,通过对产品外观图像进行实时分析和比对,可以快速准确地检测出外观缺陷,如划痕、漆面缺陷、气泡等。
一个典型的应用案例是汽车生产线上的车漆检测。
使用计算机视觉技术,可以通过图像识别技术对车辆的车漆进行在线检测,有效地避免了人工检测中可能出现的主观判断和疏漏,提高了产品质量和生产效率。
其次,计算机视觉技术在工业制造中的缺陷检测方面也有广泛的应用。
无论是电子产品、服装、食品还是机械零件,都需要经过缺陷检测环节来确保质量。
传统的缺陷检测方法需要人工操作,费时费力,并且容易出现漏检和误判的情况。
而计算机视觉技术通过分析图像数据,可以实现对产品的缺陷自动检测,如电路板焊接缺陷、针织品的疵点、食品的异物等。
这种自动化的缺陷检测方法,不仅提高了生产效率,还大大减少了人力成本和产品质量问题。
此外,计算机视觉技术在工业检测中的应用还包括尺寸测量和位置定位等领域。
在工业生产中,产品的尺寸和位置的准确性直接影响产品的质量和性能。
传统的尺寸测量和位置定位需要人工进行,费时且容易出现误差。
利用计算机视觉技术,可以通过图像处理和模式识别算法实现对产品尺寸和位置的自动测量和定位。
例如,通过对零件图像进行处理和分析,计算机视觉技术可以实现对零件的尺寸测量,比如直径、长度、角度等。
此外,计算机视觉技术还可以精确地定位产品的位置,如机器人的物体抓取和放置。
基于机器视觉的表面缺陷检测系统的算法研究及软件设计
基于机器视觉的表面缺陷检测系统的算法研究及软件设计一、本文概述随着工业制造技术的飞速发展,产品质量与生产效率日益成为企业竞争力的核心要素。
表面缺陷检测作为产品质量控制的重要环节,其准确性和效率直接影响到产品的整体质量和企业的生产效益。
传统的表面缺陷检测方法往往依赖于人工目视检测,这种方法不仅效率低下,而且容易受到人为因素的影响,导致漏检和误检的情况时有发生。
因此,开发一种基于机器视觉的表面缺陷检测系统,实现对产品表面缺陷的快速、准确检测,已成为当前研究的热点和难点。
本文旨在研究基于机器视觉的表面缺陷检测系统的算法,并设计相应的软件系统。
通过对图像采集、预处理、特征提取、缺陷识别与分类等关键算法进行深入研究,构建一套高效、稳定的表面缺陷检测系统。
本文还将探讨如何结合机器学习、深度学习等先进算法,提高系统的自适应能力和检测精度。
本文还将关注软件系统的架构设计、界面设计、用户交互等方面的内容,确保系统的易用性和可维护性。
通过本文的研究,旨在为表面缺陷检测领域的实际应用提供理论支持和技术指导,推动机器视觉技术在工业制造领域的广泛应用,为企业提高产品质量和生产效率提供有力保障。
二、机器视觉技术基础机器视觉是一门涉及、图像处理、模式识别、计算机视觉等多个领域的交叉学科。
它利用计算机和相关设备模拟人类的视觉功能,实现对目标对象的识别、跟踪和测量,进而完成相应的自动化处理任务。
在表面缺陷检测领域,机器视觉技术发挥着至关重要的作用。
机器视觉系统主要由图像采集、图像处理、特征提取和缺陷识别等模块组成。
图像采集模块负责获取待检测物体表面的图像信息,其性能直接影响到后续处理的准确性和效率。
图像处理模块则是对采集到的图像进行预处理,如去噪、增强、滤波等操作,以提高图像质量,为后续的特征提取和缺陷识别提供有利条件。
特征提取是机器视觉系统中的关键环节,它通过对处理后的图像进行特征分析和提取,将关键信息从海量数据中筛选出来。
在表面缺陷检测中,特征提取的主要任务是提取出缺陷区域的形状、大小、颜色、纹理等关键特征,为后续的缺陷识别提供有效依据。
数字图像处理技术在划痕测量中的应用
1.引言
目前还有很多仪器采用用人眼瞄准读数的方法,这种方法会存在人眼分辨力较低,不 同人员测量之间有随机误差,长时间测量人眼容易疲劳等不足。目前基于数字图像处理的 CCD 成像测量技术已具有较成熟的理论和技术,已广泛应用于航空航天,国防等工业各个 领域。 人眼在中等对比度的情况下能分辨的最小尺寸为 0.1mm, 在而现在市场上常见的 CCD 像素均在微米量级,因此使用 CCD 瞄准代替人眼读数能够在一定程度上改善测量准确度, 同时采用数字图像理算法代替人眼读数, 保证了不同人员测量的一致性, 消除了因不同人员 测量而引入的随机误差,同时提搞了测量效率,使测量更人性化。
Application of Digital Graphic Processing Technique in Surface Scratch Measurement
Zhang Wen-jun, Ma Xiao-su, Sun Peng, Qu Jian-su Changcheng Institute of Metrology and Measurement, AVIC, Beijing, 100095 Abstract: At present Digital Graphic Processing Technique has been used wildly in the field of aviation, space flights, national defense, etc. The way of surface scratch measurement based on digital graphic processing technique is that firstly the scratch is imaged on the CCD and then the depth of the scratch is gotten by means of image segmentation, transfer and fitting. This way take place the measurement method which aimed at the object by eyes and make the precision and efficient. The result got by repeated measuring the standard scratch shows that the system owns good repeatability in the same condition. The uncertainty of measurement is less than 0.5μm(k=3), and this can satisfy the needs in project. Keyword: Digital Graphic Processing; Surface Scratch; Precision; Fitting
基于机器视觉的印刷品表面划痕缺陷检测
基于机器视觉的印刷品表面划痕缺陷检测近年来,随着科技的不断进步,机器视觉技术在工业制造领域得到了广泛的应用。
其中,基于机器视觉的印刷品表面划痕缺陷检测是一个备受关注的研究领域。
本文将探讨这一技术的原理、方法和应用。
一、印刷品表面划痕缺陷的检测意义及挑战印刷品的质量直接影响着产品的外观和市场竞争力。
其中,表面划痕是一种常见的缺陷,会对印刷品的质量和使用效果产生重要影响。
因此,利用机器视觉技术进行印刷品表面划痕缺陷的检测具有重要的意义。
然而,印刷品的表面划痕检测是一项具有挑战性的任务。
首先,印刷品的表面特征复杂多样,划痕的形状和大小各异,因此检测算法需要具备一定的适应性和灵活性。
其次,印刷品在制造过程中可能存在各种噪声和干扰,如颜色变化、背景杂乱等,这些都会对检测算法的准确性提出要求。
因此,研究人员需要针对这些挑战提出有效的解决方案,以实现准确、快速的印刷品表面划痕缺陷检测。
二、基于机器视觉的印刷品表面划痕缺陷检测方法在基于机器视觉的印刷品表面划痕缺陷检测中,通常会采用以下步骤和方法:1. 图像采集:利用高分辨率的摄像头或其他图像采集设备对印刷品进行拍摄,获取高质量的图像。
2. 图像预处理:对采集的图像进行预处理,包括去噪、颜色平衡、对比度增强等操作,以提高后续处理的效果。
3. 特征提取:利用计算机视觉算法,提取印刷品图像中的特征,如边缘、纹理等。
这些特征对于表面划痕的检测和分类具有重要意义。
4. 缺陷检测和分类:利用机器学习算法或深度学习算法,对提取的特征进行训练和分类。
这样可以实现对印刷品表面的划痕缺陷进行准确、自动的检测和分类。
5. 结果分析与评估:对检测结果进行分析和评估,判断印刷品是否存在表面划痕缺陷,并给出相应的缺陷等级和处理建议。
三、基于机器视觉的印刷品表面划痕缺陷检测的应用基于机器视觉的印刷品表面划痕缺陷检测技术在实际应用中具有广泛的前景。
以下是一些应用示例:1. 印刷品质量控制:利用机器视觉技术对印刷品表面进行快速、准确的质量检测,实现批量生产中的即时反馈和及时调整。
基于机器视觉的航空零件表面刮痕检测系统研究
觉 和模式 识别 技术 的飞速发 展 , 于机 器视 觉 的检测 基
技术 已成 为航 空零 件检 i研究 的热点 之一 , 贝 0 世界 发达
国家都 纷 纷进 行 了 深入 研 究 。德 国 的 P r t a ye 司 s c公
之一 。航空 零件 往往 外形 和结 构复 杂 , 件 的表 面质 零
的 Pry ci ast 5 系统 , 国的 C ge 司 的 S ati e 美 onx公 mr e V w、 日本 N K 的 D l —y 统 在 机 器 视 觉 表 面缺 陷检 K eaee系 t 测 方 面都 已经成 功 应 用 J 。我 国 在 这一 方 面 和 它们
Ab t a t sr c :Toi r v e p o u t n q ai i i o tn e eo g rc s n a d srn n u e a i t vai n p rs mp o e t rd ci u l y, t si h o t mp ra tt d v l p a h h p e ii to g ma e v r b l y a it a o i o n i o t S r c n p cin s s m.T i a e r s ns a n v lp ns s r c c ac e e e t n s se b s d o c i e v s n,wh c u f ei s e t y t a o e h s p p rp e e t o e a u f e s rt h s d t ci y tm a e n ma h n ii a o o ih ic u e a d r n o t a e c mp n n s h l o t m rc s f h ot A o o e ti f c s d o n ic s e ,a d a n l d s h r wae a d s f r o o e t.T ea g r h p e so e s f o c mp n n s o u e n a d ds u s d n w i o t ws e
基于机器视觉的智能金属表面瑕疵检测
基于机器视觉的智能金属表面瑕疵检测人类的视觉系统是一种强大的工具,能够通过观察和识别各种表面瑕疵来判断物体的品质。
然而,人类视觉存在主观性和疲劳等局限性,因此在瑕疵检测领域,基于机器视觉的智能技术成为一种备受关注的方法。
基于机器视觉的智能金属表面瑕疵检测系统能够通过高分辨率图像采集和分析,自动准确地检测金属表面的瑕疵,并根据事先设定的标准对其进行分类和评估。
该系统的核心是计算机视觉算法和图像处理技术,它们能够实现对金属表面瑕疵的精确检测和定位。
在金属制造行业中,金属表面的缺陷通常包括划痕、凹坑、裂纹、气泡等,这些缺陷可能对制品的质量和功能产生负面影响。
传统的瑕疵检测方法主要依赖于人工视觉,但其存在人为主观性高、效率低和可靠性差的问题。
而基于机器视觉的智能瑕疵检测系统则能够有效地解决这些问题。
首先,基于机器视觉的瑕疵检测系统能够通过图像采集装置获取高清晰度的金属表面图像,保证了图像的质量,为后续的瑕疵识别提供了可靠的数据基础。
其次,通过先进的图像处理和计算机视觉算法,系统能够对金属表面的瑕疵进行自动分割、定位和提取,并进行量化评估。
这些算法包括边缘检测、颜色分析、纹理特征提取等,通过将这些特征与事先建立的模型进行比对,系统能够快速准确地判断金属表面的瑕疵类型和严重程度。
最后,基于机器学习的智能算法使得系统能够逐步提升自身的检测能力,通过不断学习和训练,提高对不同类型瑕疵的识别率和准确性。
基于机器视觉的智能金属表面瑕疵检测系统具有许多优势。
首先,由于采用了自动化的瑕疵检测技术,大大减少了人力资源的消耗和成本,并且能够实现24小时不间断的检测。
其次,相比于人工视觉,该系统能够准确无误地进行大规模的瑕疵检测,大大提升了检测的效率和可靠性。
此外,基于机器学习的算法还能够根据不同金属材料和瑕疵类型进行调整和优化,提高了系统的适应性和泛化能力。
然而,基于机器视觉的智能瑕疵检测系统也存在一些挑战和限制。
首先,系统的准确性很大程度上依赖于图像采集设备和算法的质量,在实际应用中可能受到光线、背景噪声等因素的干扰。
基于计算机视觉的管壳表面划痕检测技术研究
Ab t a t Si e h ta to l sr c : nc t e r dii na ma a me ho t d t c t e c a c e o s l sz pi e s nu l t d o e e t h s r t h s f ma l ie p i c m p ia e nd ma r uc g hu a r or o lc t d a y p od e bi m n e r s,a c m p e ii n t c no o s a op e o he o ut r v so e h l gy i d t d f rt a l s sa e o ii n o he s r t he n t ma lsz i e s r a e,whih us s t e c nt r na y i nd r c gn to f t c a c s o he s l ie p p u f c c e h o ou e r c i fbi r ma e t e hef a ur a a e e soft e s r t he n na y e he b s d xt a ton o na y i g o g tt e t e p r m t r h c a c sa d a l z st m a e o o ph l y.Thi t d e b e h e t e a a t r n m r o og s me ho na l s t e f a ur s p r me e s,s c s t r a a d t ho t u h a he a e n he s r — l ng d a t r r to,t e e t a t d f ri ntf i he s r t he .I a fe tvey o e c me t o i me e a i o b x r c e o de iy ng t c a c s tc n e f c i l v r o he s rc ho t omi gs o h r dii na t od,i r v h t b lt nd a c r c f t t c i n. n ft e t a to lme h mp o e t e s a iiy a c u a y o he de e to Ke r y wo ds:c mpu e ii n;de e to o t r v so t c i n;s r a e s r t he u f c c a c s;i a e pr c s i g m g o e sn
基于机器视觉的产品表面瑕疵检测算法
基于机器视觉的产品表面瑕疵检测算法随着工业生产的发展,产品质量的要求也越来越高。
而产品表面的瑕疵是一个常见的问题,对产品的外观质量和功能性都有很大的影响。
传统的人工检测方式费时费力,并且容易出现误判或漏检的情况。
因此,基于机器视觉的产品表面瑕疵检测算法应运而生,成为一种高效、准确的检测方法。
一、机器视觉技术在产品表面瑕疵检测中的应用机器视觉技术是一种模拟人眼的感知能力,并通过图像采集、处理和分析来实现对产品表面的检测。
在产品表面瑕疵检测中,机器视觉技术可以检测各种瑕疵,如划痕、凹陷、裂纹等,并根据瑕疵的程度和位置给出相应的判断结果。
二、机器视觉检测算法的基本原理机器视觉检测算法的基本原理是将产品表面的图像信息采集下来,并通过图像处理和分析来提取特征,进而判断是否存在瑕疵。
常见的机器视觉检测算法包括图像预处理、特征提取和分类器设计。
1. 图像预处理图像预处理是机器视觉检测算法的第一步,其目的是对采集到的图像进行增强和去噪。
常见的预处理技术包括灰度化、滤波、边缘检测等。
通过图像预处理,可以提高图像的质量,从而更好地提取特征和进行后续的分析。
2. 特征提取特征提取是机器视觉检测算法的核心步骤,其目的是从图像中提取出有用的信息,用于判断产品表面是否存在瑕疵。
常见的特征提取方法包括形态学运算、图像滤波、边缘检测以及纹理分析等。
通过合适的特征提取方法,可以有效地区分产品表面的瑕疵和正常部分。
3. 分类器设计分类器设计是机器视觉检测算法的最后一步,其目的是根据提取到的特征,对图像进行分类,判断产品表面是否存在瑕疵。
常见的分类器设计方法有支持向量机(SVM)、人工神经网络(ANN)和决策树等。
通过设计合适的分类器,可以实现对产品表面瑕疵的准确检测和分类。
三、机器视觉检测算法的优势基于机器视觉的产品表面瑕疵检测算法相比传统的人工检测方式具有许多优势。
1. 高效性机器视觉技术可以快速采集大量的图像信息,并通过算法进行处理和分析,从而实现对产品表面瑕疵的快速检测。
计算机视觉技术在工业质检中的应用方法探究
计算机视觉技术在工业质检中的应用方法探究随着科技的不断发展,计算机视觉技术在工业质检中的应用变得越来越重要。
传统的质检方法往往需要大量的人力和时间,并且容易出现疏漏。
然而,通过计算机视觉技术,可以实现对产品的自动检测和分析,提高质检的效率和准确性。
本文将探索计算机视觉技术在工业质检中的应用方法,探讨其优势和挑战。
首先,计算机视觉技术可以用于产品外观缺陷的检测。
在传统的质检过程中,人工目测容易出现主观判断的偏差。
而计算机视觉技术通过图像分析和模式识别,可以准确捕捉产品外观的缺陷,例如划痕、凹陷等。
利用图像处理和算法,计算机可以快速、准确地检测出缺陷,并将其记录下来,以便后续的处理和分析。
这种自动化的缺陷检测方法不仅提高了质检的效率,也减少了人为因素的干扰。
其次,计算机视觉技术可以用于产品尺寸和形状的测量。
在传统质检中,测量产品的尺寸和形状往往需要使用量具和人工测量,耗时且容易出现误差。
而计算机视觉技术通过拍摄产品的图像,利用算法和模型,可以实时测量产品的尺寸和形状。
这种非接触式的测量方法不仅准确性高,还可以省去传统测量方法中的人工成本,并且能够实现对测量结果的自动记录和分析。
此外,计算机视觉技术可以用于产品组装和装配过程的监控。
在工业生产中,产品的组装和装配过程往往是一个重要的环节,质检也需要对其进行监控。
通过在装配线上安装摄像头和利用计算机视觉技术,可以实时对产品的组装过程进行检测和分析。
例如,通过图像处理和算法,可以检测产品组装的正确性和紧固件的松动情况。
这种实时监控和检测可以帮助企业及时发现问题并进行调整,提高产品的质量和稳定性。
然而,尽管计算机视觉技术在工业质检中有着广泛的应用前景,但也存在一些挑战和限制。
首先,计算机视觉技术对图像质量要求较高。
如果产品的图像质量不佳,可能会导致检测结果的准确性下降。
因此,在实际应用中,需要优化图像采集设备和算法,以提高图像质量。
其次,计算机视觉技术的算法和模型需要不断地更新和改进,以适应不同产品和场景的质检需求。
基于机器视觉的金属表面划痕检测装置[实用新型专利]
(19)中华人民共和国国家知识产权局(12)实用新型专利(10)授权公告号 (45)授权公告日 (21)申请号 201820880689.5(22)申请日 2018.06.07(73)专利权人 四川拉姆达科技有限公司地址 610000 四川省成都市中国(四川)自由贸易试验区成都高新区剑南大道中段1537号3栋4层16号(72)发明人 景洪伟 (74)专利代理机构 成都路航知识产权代理有限公司 51256代理人 李凌(51)Int.Cl.G01N 21/95(2006.01)(54)实用新型名称基于机器视觉的金属表面划痕检测装置(57)摘要本实用新型公开了基于机器视觉的金属表面划痕检测装置,包括箱体、CCD相机和LED光源,所述箱体顶部设有半球形圆顶,半球形圆顶和箱体接合,其内部形成密闭空间,在半球形圆顶的内壁上设有第一弧形轨道,第一弧形轨道的弧顶与半球形圆顶的内顶点重合,在第一弧形轨道内设有移动装置,移动装置底部中间位置设置CCD 相机,在移动装置底部还设有LED光源,在箱体的底部两侧设有通口,通口顶部设有升降板,通口底部设有传送带,两侧传送带均延伸至箱体内部,在箱体的底部设有升降机,升降机顶端设有升降杆,升降杆顶端连接有载物台,载物台嵌于两侧传送带之间。
其应用时,可以对金属的表面进行多角度、多方位的划痕检测,有效提高检测的准确度。
权利要求书1页 说明书3页 附图3页CN 208206825 U 2018.12.07C N 208206825U1.基于机器视觉的金属表面划痕检测装置,包括箱体(1)、CCD相机(5)和LED光源(6),其特征在于,所述箱体(1)顶部设有半球形圆顶(2),半球形圆顶(2)和箱体(1)接合,其内部形成密闭空间,在半球形圆顶(2)的内壁上设有第一弧形轨道(3),第一弧形轨道(3)的弧顶与半球形圆顶(2)的内顶点重合,在第一弧形轨道(3)内设有移动装置(4),移动装置(4)底部中间位置设置CCD相机(5),在移动装置(4)底部还设有LED光源(6),在箱体(1)的底部两侧设有通口(7),通口(7)顶部设有升降板(8),通口(7)底部设有传送带(9),两侧传送带(9)均延伸至箱体(1)内部,在箱体(1)的底部设有升降机(10),升降机(10)顶端设有升降杆(11),升降杆(11)顶端连接有载物台(12),载物台(12)可活动式地嵌于两侧传送带(9)之间。
机器视觉技术的应用机械表面损伤检测
边缘可以理解为沿某一特定方向上,局部灰 度的显著变化,这一变化越强烈,越说明这 一位置存在边缘。 从图形剖面图的灰度一维函数f(x)可以看出, 边缘的灰度值会有明显的局部变化。 它的一阶导数则会在边缘处达到一个极大值。
12
13
为了在图像中找到边缘的强度和方向,选择
梯度作为工具。
f
f
grad
(f)
g g
x y
x f
y
大小为
M (x, y) mag( f)
g
2 x
g
2 y
14
方向(对于x轴的角度)为
(x,
y)
arctan
g
x
gy
利用边缘算子可以计算图像中某一像素的灰 度值的梯度,由于梯度向量的方向与边缘的 方向垂直,即可描述图像的边缘。
15
16
文章采用Sobel算子,其模板如下:
8
边缘提取 物体的边缘是由灰度不连续所反映的,常见 的边缘是阶跃性边缘,两边的灰度值有显著 不同。 采用阈值处理方法无法将色彩不同的坏损与 非坏损区域分开。
9
灰度阈值选取与(1)波峰间的间隔、(2)噪声内 容、(3)光源的均匀性等有关。 而本例中Y值变化平缓,不适用与阈值处理的 方法。
10
1.什么是传统机械按键设计?
处理后的数字信号需转变成视频,由显示 器显示。
光照系统为图像采集提供合适的照明,便 于对图像的处理。
图像处理软件完成对图像的分析、处理,
是增强图像质量的操作,目的在于抑制或消除 图像中在图像生成、传输和变换过程中器材、 随机噪点等不利影响。
3
原因:恶劣的作业环境、较差的机械系统密 封性、纯度不够高的液压油、未及时添加润 滑油 危害:形成大量点蚀、细微裂纹、凹陷,导 致机械效率降低、寿命缩短、危险系数增高。
数字图像处理技术在表面划痕测量中的应用
数字图像处理技术在表面划痕测量中的应用数字图像处理技术在表面划痕测量中的应用计测技术新技术新仪器?11?数字图像处理技术在表面划痕测量中的应用张文军,马小苏,孙芄,瞿剑苏(中航工业北京长城计量测试技术研究所,北京100095)摘要:为解决飞机座舱,机翼蒙皮表面划痕的准确测量问题,设计了一种基于数字图像处理技术的表面划痕测量系统.测量系统将物体表面划痕成像在CCD上,通过对划痕图像进行分割,变换,拟合等处理,最后得到划痕深度.这种方法较人眼瞄准方法减少了人员测量误差,提高了测量准确度和测量效率;通过对标准划痕的重复测量,实验标准差可达0.5i.~rn,能够满足工程测量的需要.关键词:数字图像处理;表面划痕;准确度;拟合中图分类号:TG84;TN911.73文献标识码:B文章编号:1674—5795(2011)O1—0011—03ApplicationofDigitalGraphicProcessingTechniqueinSurfaceScratchMeasur ement ZHANGWenjun,MAXiaosu,SUNPeng,QUJiansu(ChangchengInstituteofMetrology&Measurement,Beijing100095,China) Abstract:Asurfacescratchmeasurementsystembasedupondigitalgraphicprocessi ngtechniquewasdevelopedtomeasurethesurfacescratchonaircraftcabinandwingcoverwithhighprecision.Thescratchwasima gedontheCCDandthenthedepthofthescratchwasgottenbyimagesegmentation,paredwiththemeasurementmet hodwhichaimedbyeyes,thismethodreducesthemeasurementen_0rbroughtbydifferentpersonsandimprovestheprecisionande fficiency.Thestandarddeviationgotbyrepeatedlymeasuringthestandardscratchcanachieve0.5m,anditcansatisfythemeasurementrequir ementinproject.Keywords:digitalgraphicprocessing;surfacescratch;precision;fitting 0引言目前很多仪器采用用人眼瞄准读数的方法,这种方法存在人眼分辨力较低,人员测量误差大以及长时间测量人眼容易疲劳等不足.基于数字图像处理的 CCD成像测量技术和理论已日趋成熟,已广泛应用于航空航天等国防科技工业的各个领域.人眼在中等对比度的情况下能分辨的最小尺寸为0.1mtn【3j, 在而现在市场上常见的CCD像素均在微米量级,因此使用CCD瞄准代替人眼读数能够在一定程度上改善测量准确度,同时采用数字图像处理算法代替人眼读数,保证了不同人员测量的一致性,减小了人员测量误差,提高了测量效率.1划痕测量系统划痕测量系统基于光切式原理设计,获取划痕相对于表面的45.斜截面的轮廓外形图像,并通过图像收稿Ft期:2010—09—10;收修改稿日期:2010—12一l6 作者简介:张文军(1982一),男,助理工程师,硕士,研究方向为测试计量技术及仪器(图像处理). 处理得到实际的划痕深度.该系统主要包括划痕光学成像,图像采集,图像处理三大部分,主要用于测量表面划痕,凹凸等,如飞机机翼蒙皮表面划痕,座舱划痕等,图1为系统工作原理示意图.图1系统工作原理示意图在图1中,光源s.置于聚光镜0.的焦点上,由 ?12?新技术新仪器2011年第3l卷第1期s.发出的光,经O.后得到一束平行光,平行光经过狭缝光阑s,形成一狭窄的平行光束.光束经透射物镜O的汇聚,以45.方向投射到零件被测表面上形成光切面,划痕上的点S:(最深点)和平面上的点 S:分别产生反射,反射光通过观察物镜0后(其中 s:点正好是0,和O的共同焦点),S:的影像是s, s的影像是s2,于是划痕截面在CCD上形成图1中所示的视场图像,h即为所反应的划痕深度信息. 设CCD的像素尺寸为(P×P)m,通过数字图像处理得划痕深度在/7,倍光学放大倍数下所占的像素为?个,则该划痕深度可通过(1)式得出,即 L=Np/n(1)2划痕图像处理2.1图像特征分析戈?痕测量系统主要针对物体表面深度小于0.5 mm,宽度小于2mm的微小划痕进行准确测量.通过对划痕图像的特征分析和大量的实验数据证明这些划痕大多呈V字型,划痕图像的直方图具有很好的双峰性,采用阈值分割就能很好地将划痕边缘轮廓信息分割开出来J.划痕主要分为三类,一类是表面粗糙度较大,漫反射较强的表面划痕,如机翼蒙皮表面划痕等;一类是表面粗糙度较小,镜面反射较强的表面划痕,如飞机座舱上的划痕等;另一类就是用于校准的标准划痕.粗糙度较大的表面通过显微系统成像后表面呈很强的颗粒性,其边缘也起伏较大,如图 2(a)所示;粗糙度较小的表面通过显微放大后边缘轮廓较锐利清晰,如图2(b)所示;标准划痕成像效果最好,划痕为一个规则矩形的凹槽,底部比较平坦,常作为标准器使用,可实现对系统的校准和溯源,如图2(c)所示.由于不同的划痕具有的特征不太一样,因此针对以上三类图像设计了三种方案.对金属类漫反射较突出边缘较模糊的划痕,可以采用单点测量的方式,得出单点的划痕深度;对玻璃类反射较好,轮廓较清晰的划痕,可采用多点拟合的方法,描绘出划痕轮廓曲线,根据曲线趋势得到划痕的最大深度;对比较规则的标准划痕,可以采用直线拟合的方式,得出标准划痕凹槽的深度.2.2基线的选取划痕基线是评价划痕深度的基准线,由光切截面与划痕所在平面的交线构成.在划痕图像中,平面位置上表现为直线(在机翼蒙皮,飞机座舱等表面为曲面,但是在划痕所在的小区域内可以按平面处 (a)铝板表面划痕(b)玻璃板划痕(c)标准划很图2不同表面的划痕理),而在有划痕的位置会产生一个凹凸.图3(a) 为标准样板的基线选取示意图,方框所显示轮廓即为部分基线轮廓,通过对方框所示的区域图像进行分割得出一条边缘轮廓,然后将这条边缘轮廓拟合便可以得出基线,如图3(b)所示.其它类型的划痕基线选取过程跟对标准样板的基线选取一样,在划痕图像中显示为非常清晰的直线边缘,能很好地分割出来. 在划痕的测量中,同时还需要考虑毛刺,凹凸等噪声对边缘的影响.因此在基线的处理方面主要采取了以下措施:1)首先对其进行预处理,减小基线样本点中的随机噪声;2)尽量增加基线样本点进行拟合,以减小随机噪声对测量结果的影响;3)在拟合过程中,首先采用最d',---乘法进行拟合,然后按照粗大误差剔除原则剔除粗差再次拟合, 使最后的基线能很好地跟划痕轮廓基线吻合,抑制凹凸等噪声对基线轮廓的影响.计测技术新技术新仪器?13?(a)基线选取?拟合后的基线图3标准样板基线选取示意图2.3划痕深度确定由于实际划痕底部多不规则,存在较多的毛刺, 因此采用了使用对划痕边缘点进行多项式拟合的方法,通过拟合曲线来确定划痕到基线的最大深度,更好地勾画出划痕的外形.设拟合后的划痕方程为Y= i=?6ti,基线的方程为Y=kx+b,于是划痕所占的像素?就可以由式(2)得到.=nf一0,N=maxfl?(m,n)(2),/1/『式中:m,n为划痕边界值;0为划痕拟合的多项式系数;n为多项式最高项次数;k 为基线斜率.得出 ?就可由(1)式计算出划痕深度,图4为一铝板划痕的计算结果,图5为该戈?痕图像的直方图. 图4划痕图像3像素的校准在一般的测量中,可以直接采用CCD厂商提供的P值来计算.但是由于CCD系统存在机械,电学以及光学方面的误差,因此在微小尺寸的高精度测量中不能直接使用厂家所提供的P值来计算,还需要对其校准.在用式(1)进行计算时涉及到了系统的放大倍数,放大倍数也是存在一定的误差的,于是对式 (1)作一个变换:图5划痕图像直方图=凡=s'n(3)使用标准划痕可以通过式(3)求得在某一放大倍数下实际的比例系数s,从而避免了因放大倍数而带来的干扰.4测量结果为了适应在不同光强环境下的测量,在图像采集过程中,图像的光强,增益,曝光时间均可根据实际需要调节.在光线较暗的环境中,可以通过增加增益和曝光时间来使图像的亮度合适.校准后对2Om 标准划痕进行重复测量,其实验标准差可达0.5m, 满足实际的工作中应用要求(工程实验标准差小于2 m).划痕测量系统已用于某飞机座舱划痕的定损检测,图6为对实际的玻璃表面划痕的测量结果,图7 图6标准划痕深度(下转第60页)?60?经验与体会2011年第3l卷第1期差.图2为实际的管道安装简图,两条并联的管道, 当主管网用气时,分管网手动阀关闭.流量计计量正常,当分管网也用气时,手动阀打开,由于主管道的气体由分管道分流一部分,会使主管道内的气压下降,使得1号流量计表前的压力小于表后的压力,流量计反转,流量计也累积流量,造成了双倍计量.为图2管道安装简图避免这种情况必须在1号流量计前面安装—个单向阀. 3)安装方式正确有助于提高流量计的计量准确性和延长使用寿命.流量计安装到管道上时,应保证流量计表体上的螺纹孑L和管道法兰的螺孔对准,保证法兰的平行度,避免流量计承受其他外力,防止表体受力变形,使流量计卡死.开启流量计时,应先打开前阀门,然后缓慢打开后阀门,使流量计有压启动, 避免由于气锤效应,气体把流量计转子冲击变形,造成流量计卡死.参考文献[1]机械设计手册编委会.机械设计手册:第三卷[M].北京:化学工业出版社,2004.蔡武昌.流量测量技术及仪表[M].北京:机 [2]梁国伟,械工,I出版社,2001.(上接第13页)为划痕计算流程图.图7划痕计算流程图5总结表面划痕测量系统解决了现场微小划痕的准确测量问题,可以随时便携到现场进行检测,实现了对飞机蒙皮,座舱等表面等的划痕检测,为零部件的失效,定损等工作奠定了基础.但是数字图像处理在测量中也存在一定的不足,光强对测量结果有一定的影响,系统在不同的环境,不同的曝光时间,不同的采集增益情况下得到测得的结果之间存在一定的差异, 但是这个差异可以通过采用标准划痕校准来减小.参考文献[1]徐培凤.基于图像处理的自动对焦和自动曝光算法研究 [D].江苏大学,苏州:2005.[2]赵辉,浦昭邦,刘国栋.图像式自动瞄准系统的研究 [J].光电工程,2000,27(5):58. [3]张鹏.基于FPGA的数字图像处理系统的硬件设计与实现[D].北京理工大学,北京:2008.'[4]梁华为.直接从双峰直方图确定二值化阈值[J].模式识别与人工只能,2002,2(15):25—26.[5]张文军,陈晓梅.标准分划尺在CCD压痕直径测量系统校准中的应用[J].计测技术,2008,28(5):37—41. (上接第53页)[8]张大林,杨曦,昂海松.过冷水滴撞击结冰表面的数值模拟[J].航空动力,2003,18(1):87,91.[9]张大林,陈维建.飞机机翼表面霜状冰结冰过程的数值模拟[J].航空动力,2004,19(1):137—141.[10]陈维建,张大林.飞机机翼结冰过程的数值模拟[J]. 航空动力,2005,20(6):1010—1017.[11]易贤,桂业伟,肖春华,等.结冰风洞液态水含量测量方法研究[J].科技导报,2009,27(21):86—9o. [12]毛京明,战培国.结冰风洞结冰云参数测量方法综述[C]//第二届近代实验空气动力学会议论文集.哈尔滨:中国空气动力学会,2009:188—192.[13]AndersonDavidN.ManualofScalingMethods,NASA/CR一2004—212875[R].OhioAerospaceInstitute,2004.[14]战培国.结冰风洞研究综述[J].实验流体力学,2007, 21(3):92—96.。
划痕检测 算法
划痕检测算法划痕检测算法一、引言随着车辆保有量的不断增加,划痕成为了车主们的一大困扰。
而划痕检测算法的研究和应用成为了解决这一问题的重要途径。
本文将介绍划痕检测算法的原理、方法以及应用,并对未来的发展方向进行展望。
二、划痕检测算法原理划痕检测算法是通过分析图像数据中的像素信息,识别出图像中的划痕并进行定位和分析的一种算法。
其基本原理如下:1. 图像预处理:对原始图像进行去噪、平滑和增强等预处理操作,以提高后续处理的准确性。
2. 特征提取:通过对图像进行边缘检测、纹理分析等操作,提取出图像中的特征信息,如划痕的形状、颜色和纹理等。
3. 划痕定位:通过对图像中的特征信息进行匹配和比对,确定划痕的位置和范围。
4. 划痕分析:对划痕进行形态学分析、颜色分析等操作,以获取更详细的划痕特征信息,并提供给后续处理进行修复或处理。
三、划痕检测算法方法划痕检测算法的方法多种多样,下面介绍几种常用的方法:1. 基于边缘检测的方法:通过对图像进行边缘检测,识别出划痕的边缘特征,进而定位和分析划痕。
2. 基于纹理分析的方法:通过对图像进行纹理分析,提取出划痕的纹理特征,进而定位和分析划痕。
3. 基于机器学习的方法:通过使用机器学习算法,训练模型来识别和分析划痕。
常用的机器学习算法包括支持向量机、随机森林等。
4. 基于深度学习的方法:通过使用深度学习算法,如卷积神经网络,来进行划痕的检测和分析。
深度学习算法在划痕检测中取得了很好的效果。
四、划痕检测算法的应用划痕检测算法在车辆维修和保险理赔等领域有着广泛的应用。
1. 车辆维修:划痕检测算法可以帮助维修人员快速准确地定位和分析划痕,提高维修效率和质量。
2. 保险理赔:划痕检测算法可以帮助保险公司对车辆划痕进行定损评估,减少人工评估的主观性和误差。
3. 车辆销售:划痕检测算法可以帮助车辆销售人员对二手车进行快速准确的划痕检测,提高销售效率和客户满意度。
五、划痕检测算法的发展趋势随着人工智能和计算机视觉技术的不断发展,划痕检测算法也呈现出以下几个发展趋势:1. 算法精度提升:随着算法的不断优化和改进,划痕检测的精度将不断提高,能够更准确地定位和分析划痕。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
RKBL"MC KBL"MCOP
KBL"MCN Q或 >SS KBL"MCTP
B&C
B&C式 为 半 阈 值 转 化 的 数 学 表 达 式"其 中
KBL"MC为 点 BU"VC处 的 灰 度 值"P 为 选 定 的 阈 值#
二值图像如图 D所示#
图 D 二值图像 *+,-D W+:I7;+<I,0
对 于 输 入 计 算 机 的 被 测 件 数 字 图 像 "由 于 成 像 条 件!光照 条 件 及 采 集 设 备 等 的 影 响"往 往 使 所 采 集 图 像 中 的 有 用 信 号 淹 没 在 噪 声 中 # 因 此 "图 像 预 处 理 通常 包 括 噪 声 去 除!二 值 化!图 像 边 缘 检 测 几
相 同 1就 认 为 该 点 是 图 像 的 内 部 点 1可 以 删 除 5否 则 该 点 在 图 像 的 边 缘 1需 要 保 留 " 该 方 法 不 需 要 构 造 检 测时的 卷 积 模 板1也 不 需 要 卷 积 运 算1故 可 大 大 提 高边缘 检 测 的 速 度1同 时 又 可 以 避 免 漏 检1保 证 缺陷识别的完整性"
收稿日期!$##(%#*%#-0 修回日期!$##(%#(%"* 基 金 项 目 !陕 西 省 教 育 厅 基 金 资 助 项 目 ’#*uv$(3) 作 者 简 介 !李 哲 毓 ’"3&"w ),女 ,湖 南 省 郴 州 人 ,西 安 工 业 大 学 硕 士 研 究 生 ,主 要 从 事 光 电 测 试 和 图 像 处 理 方 面 的 研 究 /
引言
管 壳 是 火 工 品 装 填 火 工 药 剂 的 壳 体 ,在 生 产 过 程 中 由 于 受 各 种 因 素 影 响 ,在 管 壳 的 表 面 会 产 生 各 种 划 痕 .锈 蚀 .夹 杂 .裂 纹 和 毛 刺 等 缺 陷 / 这 些 缺 陷 对 管 壳 的 使 用 性 能 会 产 生 一 定 的 影 响 /目 前 对 于 微 小尺寸管壳零件的表面缺陷检测主要还是利用人
图 > 管壳划痕图像及其直方图
*+,-> G+H0+<I,0J+13I627I123I:93+614,7I< 45627I123
通 过 对 整 幅 图 像 的 观 察 "需 要 将 实 物 与 背 景 区
分 开 来 "同 时 又 不 能 损 失 图 像 中 实 物 内 部 的 有 用 信
息#首先对所获得的灰度图像进行半阈值选择分 割"将管壳 图 像 从 背 景 中 分 离 出 来"然 后 对 整 幅 图 像 设 定 合 适 的 阈 值 "转 化 为 二 值 图 像 "即
析 / 实 验 结 果 表 明 ,通 过 将 划 痕 显 微 图 像 中 面 积 .短 长 径 比 等 参 数 提 取 出 来 作 为 检 测 的 依 据 ,不 但
可 以 有 效 地 克 服 现 有 的 人 工 视 觉 检 测 方 法 的 缺 陷 ,而 且 稳 定 性 和 准 确 度 也 得 到 了 提 高 /
关键词! 计算机视觉0检测0表面划痕0图像处理
中 图 分 类 号 ! 12-3"4+"
文献标志码!5
678798:;<879=;>?><@>AB9CD89=7B>;E:E7 BFCAD97GDB7H>;9>IEF87CJ:B:>;
KLMNO%PQ,R5S TUVW,T5 XOU%NYVW
’Z[NYY\Y]S^_Y%O\O[_‘YVU[a\bVWUVOO‘UVW,cUdaV1O[NVY\YWU[a\eVUfO‘gU_P,cUdaV("##-$,hNUVa)
个方面# 为 了 分 析 管 壳 图 像 中 的 划 痕 特 征 "必 须 从 原 图
中 提 取 划 痕 区 域 "进 行 二 值 化 处 理 "以 便 后 续 分 析 # 图 像 直 方 图 通 常 提 供 了 有 效 的 图 像 分 割 依 据 #具 有 较 明 显 双 峰 特 性 的 直 方 图 "可 以 通 过 在 谷 底 处 合 理 设置阈值"从而实现图像分割#图 >BEC为典型的管 壳 划痕图像"其直方 图如图 >BFC所示"不具 有明 显 的 双 峰 特 性 "故 不 能 简 单 的 设 定 阈 值 #
摘 要! 针对火工品管壳表面划痕人工检测工作量大.较为繁琐且人为误差较大的状况,将计算
机视觉技术用于微小管壳表面划痕的检测分 析中,在数 字图像 处理 技术的 基础上,应用 二值图 像
轮 廓提 取 的 方 法 得 到 划 痕 的 特 征 参 数,根 据 形 态 学 知 识 对 零 件 表 面 划 痕 的 形 态 特 征 进 行 比 较 分
视觉 的 有 效 检 测 方 法,综 合 运 用 hhr成 像 系 统 和 图 像 处 理 等 相 关 技 术 ,实 现 微 小 管 壳 表 面 划 痕 的 自 动检测/
" 表面划痕检测系统
视觉检测技术是建立在计算机视觉基础上的 新 型 检 测 技 术 s"t,其 原 理 是 利 用 光 学 传 感 器 模 拟 人 的视 觉功 能,从 检 测 对 象 的 图 像 中 提 取 信 息,同 时 由计算机对图像进行实时处理和判断/通常采用 hhr 摄 取 图 像 ,并 将 其 传 送 到 处 理 单 元 ,根 据 图 像
检测系统结构如图 &所示#系统由光源!载物 台 !光 学 放 大 镜 头 !’’(相 机 !图 像 采 集 卡 和 计 算 机 组 成 # 光 源 发 出 的 均 匀 光 照 在 被 测 件 上 "图 像 经 过光学放大镜头放大"通过 ’’(相机采集"图像采 集 卡 将 图 像 数 字 化 "最 终 输 入 计 算 机 # 数 据 传 输 到 计 算 机 后 "再 由 应 用 软 件 直 接 计 算 出 零 件 划 痕 的 特 征 参 数 "对 其 进 行 分 析 "通 过 显 示 屏 显 示 "并 可 记 录 存 档 或 打 印 输 出 )若 发 现 不 合 格 品 "则 报 警 器 告 警 " 并将其作为废品剔除#
iGB8CD98! ZUV[O_NO_‘ajU_UYVa\kaVQa\kO_NYj _YjO_O[__NOg[‘a_[NOgY]gka\\gUlO^U^OUg [Yk^\U[a_OjaVjkaP^‘YjQ[OmUWNQkaVO‘‘Y‘g,a[Yk^Q_O‘fUgUYV_O[NVY\YWPUgajY^_Oj]Y‘_NO aVa\PgUgaVj‘O[YWVU_UYVY]_NOg[‘a_[NOgYV_NOgka\\gUlO^U^OgQ‘]a[O,nNU[NQgOg_NO[YV_YQ‘ Oo_‘a[_UYVY]mUVa‘PUkaWO_YWO__NO]Oa_Q‘O^a‘akO_O‘gY]_NOg[‘a_[NOgaVjaVa\PlOg_NOk magOj YVkY‘^NY\YWP41NUgkO_NYjOVam\Og_NO]Oa_Q‘Og^a‘akO_O‘g,gQ[Nag_NOa‘OaaVj_NOgNY‘_% \YVWjUakO_O‘‘a_UY,_YmOOo_‘a[_Oj]Y‘UjOV_U]PUVW_NOg[‘a_[NOg4L_[aVO]]O[_UfO\PYfO‘[YkO_NO gNY‘_[YkUVWgY]_NO_‘ajU_UYVa\kO_NYj,Uk^‘YfO_NOg_amU\U_PaVja[[Q‘a[PY]_NOjO_O[_UYV4 p7@q>CHB![Yk^Q_O‘fUgUYV0jO_O[_UYV0gQ‘]a[Og[‘a_[NOg0UkaWO^‘Y[OggUVW
b%kaU\!PxQlNQlNQy "$*4[Yk
应用光学 >QQZ">YB[C 李哲毓"等\基于计算机视觉的管壳表面划痕检测技术研究 XYQDX
的灰 度 直方图!像素亮 度 和 分 布 情 况 等 信 息 "得 到 处 理 对 象 的 待 检 特 征 值 #根 据 特 征 值 的 各 种 参 数 进 行 判断"得 到检测 结果"并 输 出 $合 格%或 $不 合 格 % 信息#
标 PJQ1RL的大小为 S T U1对二值 图像1目标 物
PJQ1RLV O1背景为 W1则目标物的面积 M为
SY OUY O
MV XXPJQ1RL QV W RV W
G:G:G 缺陷的伸长度
JGL
NV
Z
T M
[
J\L
式中]M是缺陷的面积5Z 和 [分别是包围缺陷
目 标 的 最 小 矩 形 的 宽 度 和 长 度 1可 用 这 一 参 数 把 细
长目标和近似圆形和方形目标区分开来"
G:G:\ 缺陷短径与长径之比
缺陷长 定 义 为 边 界 上 垂 直 与 长 径 的 一 组 直 线 中距离最大的直线长度"
由 此 构 造 出 的 缺 陷 短 !长 径 之 比 特 征 参 数 是 对 缺 陷 形 状 做 出 的 另 一 种 简 便 度 量 " 短 !长 径 之 比 较 小 1则 表 明 缺 陷 为 细 长 条 型 5反 之 1接 近 于 圆 形 "