基于机器视觉的工件缺陷检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109900711A(43)申请公布日2019.06.18(21)申请号201910264717.X(22)申请日2019.04.02(71)申请人天津工业大学地址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(72)发明人耿磊魏全生肖志涛吴骏张芳李文科刘彦北王雯(51)Int.Cl.G01N21/88(2006.01)权利要求书1页说明书5页附图4页(54)发明名称基于机器视觉的工件缺陷检测方法(57)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。CN109900711ACN109900711A权利要求书1/1页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。2CN109900711A说明书1/5页基于机器视觉的工件缺陷检测方法技术领域[0001]本发明涉及一种基于机器视觉的工件缺陷检测方法，在对法兰盘式工件运用图像处理技术进行检测时，提高了检测准确性和检测效率。背景技术[0002]20世纪60年代起计算机运行速度得到显著提高，同时伴随着CCD技术的问世，基于机器视觉的缺陷检测技术开始在工业生产线上得到广泛应用，如机械、电子、印刷、纺织行业借助先进的检测技术提高了产品质量和生产效率。机器视觉检测作为一种无损检测的方法，它通过线阵或面阵相机获得清晰的待测物体图像，由计算机进行图像处理完成目标缺陷的实时检测。[0003]随着我国制造业的快速发展，对于产品质量的要求也越来越高，近年来基于机器视觉的缺陷检测理论研究不断成熟。周善旻等人采用不同角度照明的方式获得金属表面的多元图像，在不同照明角度下缺陷特征具有明显差别，多幅图像之间的