当前位置: 首页> 交通专利数据库 >详情
原文传递 基于机器视觉的工件缺陷检测方法
专利名称: 基于机器视觉的工件缺陷检测方法
摘要: 本发明提供了一种基于机器视觉的工件缺陷检测方法。该方法首先采集法兰盘式工件的图像,对相机进行标定,获取标定误差,然后对工件轮廓进行亚像素边缘信息的提取,计算出拟合边缘到工件轮廓的距离,并通过比较该距离是否大于所给阈值判别工件外轮廓的破损情况,最后针对工件表面纹理复杂影响工件表面划痕与锈蚀分割的问题,采用基于像素分层采样的PixelNet卷积神经网络对表面缺陷进行分割。结果表明,本发明可以准确地检测出工件的外形缺陷和表面缺陷,并提高了算法鲁棒性。
专利类型: 发明专利
国家地区组织代码: 天津;12
申请人: 天津工业大学
发明人: 耿磊;魏全生;肖志涛;吴骏;张芳;李文科;刘彦北;王雯
专利状态: 有效
申请日期: 2019-04-02T00:00:00+0800
发布日期: 2019-06-18T00:00:00+0800
申请号: CN201910264717.X
公开号: CN109900711A
分类号: G01N21/88(2006.01);G;G01;G01N;G01N21
申请人地址: 300387 天津市西青区宾水西道399号天津工业大学电子信息与工程学院
主权项: 1.一种基于机器视觉的的工件缺陷检测方法,包括下列步骤: 步骤1:采集现实中法兰盘式工件的图像; 步骤2:对相机进行标定,获取测量系统的标定误差; 步骤3:对图像进行预处理提取出感兴趣区域; 步骤4:采用亚像素边缘检测算法得到图像的亚像素边缘; 步骤5:通过拟合圆的方式得到法兰盘式工件的理论外边缘; 步骤6:采用基于边缘距离的方法检测出工件的外形缺陷; 步骤7:采用基于像素分层采样的PixelNet卷积神经网络对表面缺陷进行分割。 2.根据权利要求1所述的基于机器视觉的工件缺陷检测方法,其特征在于,步骤6中,工件在完整无破损位置处,其实际轮廓上亚像素点Ai与拟合圆的半径方向距离di远小于工件破损位置的距离,设置距离阈值τ,当di>τ时记录此时工件实际轮廓上的亚像素点Ai即工件破损位置,从而根据符合阈值τ的坐标点Ai的个数{0,n}即可判定当前工件是否为破损工件,实际应用中,考虑到工件轮廓上亚像素点个数较多(N>2000)影响算法的运算速度,本发明对亚像素点集合Ai在相对于工件质心的360°内进行采样,即将Ai进行360份等分,在每一度的亚像素点空间ξ内随机取出一坐标点构成新的工件轮廓像素点集合A′j,则j∈(1,2,3…360),然后通过采样后的像素点集合A′j进行di的计算,相比直接由原集合空间Ai进行计算,运算次数大幅减少,同时亚像素点集合A′j极大程度上保留了原集合Ai的特征即工件的轮廓信息,并对工件破损情况的判别不会造成影响。 3.根据权利要求1所述的基于机器视觉的工件缺陷检测方法,其特征在于,步骤7中,由于工件表面纹理较多,同时缺陷深浅程度不一且形状各异,传统分割算法无法对缺陷进行有效的分割,本发明首次采用PixelNet卷积神经网络完成对工件表面缺陷的分割,采用传统的图像分割方法对工件进行感兴趣区域提取,将工件与背景分离,借助PS软件以手工标注的方式完成对工件上划痕与锈蚀的标注,同时,为了监督学习训练的方便将工件上的划痕与锈蚀用不同的特征值进行表示,从而将标注图转换为索引图,其中背景的颜色标记为(0,0,0),特征值为0,划痕的颜色标记为(255,0,0),特征值为1,锈蚀的颜色标记为(0,0,255),特征值为2,通过判断工件分割结果的像素信息即可确定工件类别,即输出结果含有红色像素的可确定为具有划痕缺陷的工件、含有蓝色像素的则为存在锈蚀的工件,理论上合格工件的输出结果只有黑色像素值,但在实际分割过程中会出现错误分割的情况,以至于合格工件也会存在较少红色或蓝色像素值,设置面积阈值α,当分割缺陷大于α时则判定为缺陷工件,否则为合格工件,本发明α取值为10个像素。
所属类别: 发明专利
检索历史
应用推荐