本發(fā)明屬于自動檢測領(lǐng)域，特別涉及一種基于機器視覺的工件外觀缺陷檢測方法。
背景技術(shù)：
：金屬工件的主要生產(chǎn)工藝流程為機械加工、沖壓、精密鑄造、粉末冶金、金屬注射成型、尺寸檢測、外觀缺陷檢測等。在整個生產(chǎn)過程中受到制造工藝的影響，工件尺寸和外觀在一定程度上會存在不合格。其中外觀缺陷主要包括：缺口、粘料、開裂、壓痕、針眼、劃痕和起泡等。存在外觀質(zhì)量缺陷的工件若流入下個生產(chǎn)工序，會導(dǎo)致組裝受阻、變形，影響組裝件的質(zhì)量，嚴(yán)重時可能導(dǎo)致組裝件報廢而停機，極大地影響了自動化生產(chǎn)線的生產(chǎn)效率，給生產(chǎn)企業(yè)帶來潛在的經(jīng)濟損失和信譽風(fēng)險。傳統(tǒng)外觀缺陷檢測方法有人工目測和頻閃光檢測。自動化生產(chǎn)線速度很快，人眼根本無法快速捕捉到準(zhǔn)確的缺陷信息，尤其一些很小的缺陷，人的肉眼完全無法分辨出合格與否，這就造成缺陷檢測精度低、誤檢率高的問題。頻閃光檢測主要是根據(jù)人的視網(wǎng)膜對一定脈沖閃光所產(chǎn)生的靜止反應(yīng)。該方法是將特定的攝像機和頻閃光源相結(jié)合，通過固定地觀察檢測器來確定工件表面情況。其缺點在于檢測結(jié)果的可信度低，自動化檢測程度也低。自動檢測技術(shù)有紅外、禍流和漏磁檢測技術(shù)，這三種檢測方法也是我國目前應(yīng)用比較廣泛的。渦流檢測技術(shù)主要是檢測工件表面下層阻流缺陷，但其耗電量大，造成生產(chǎn)企業(yè)能源的浪費。渦流檢測方法對工件本身質(zhì)量要求比較高，工件表面必須純凈無雜質(zhì)，溫度均勻，輸送帶速度要求較慢，這就造成生產(chǎn)和檢測受限，不能滿足高速率、高質(zhì)量的生產(chǎn)要求。近年來，機器視覺和圖像處理技術(shù)的不斷發(fā)展使得生產(chǎn)線上機器視覺檢測代替人工檢測成為可能。外觀缺陷采用視覺方法檢測識別是最有效、最有前景的方法。高分辨率工業(yè)相機可以提供豐富的工件外觀圖像信息，能夠準(zhǔn)確、高效、可靠地完成工件外觀缺陷額檢測和識別。目前工件外觀缺陷視覺檢測的主要方法：(1)通過遺傳算法和視覺圖像處理形態(tài)學(xué)實現(xiàn)金屬工件表面缺陷的自動檢測，系統(tǒng)對開裂和針眼等檢測效果良好，但細小劃痕、壓痕和起泡缺陷檢測效果較差；(2)通過利用圖像灰度特征，通過灰度值的異常變化來判斷產(chǎn)品缺陷的存在，但由于金屬表面的強反光性特性，使得系統(tǒng)誤檢較高。因此，有必要設(shè)計一種高效的檢測精度高的基于機器視覺的工件外觀缺陷檢測方法。技術(shù)實現(xiàn)要素：本發(fā)明所要解決的技術(shù)問題是提供一種基于機器視覺的工件外觀缺陷檢測方法，該基于機器視覺的工件外觀缺陷檢測方法檢測效率高，易于實施。發(fā)明的技術(shù)解決方案如下：一種基于機器視覺的工件外觀缺陷檢測方法，包括以下步驟：步驟1：工件圖像獲取及預(yù)處理；步驟2：圖像分割與工件位姿矯正；步驟3：檢測以下外觀缺陷：缺口、粘料、開裂、壓痕、針眼、劃痕和起泡。步驟1中，通過同軸光源照明，利用CCD工業(yè)相機和圖像采集卡采集工件圖像f(x,y)，工件圖像為灰度圖像，然后把工件圖像送入工控機進行預(yù)處理，預(yù)處理為對采集到的工件圖像進行中值濾波處理。步驟2中：(1)圖像分割：基于直方圖法對預(yù)處理后的圖像進行圖像分割，工件圖像的灰度直方圖會顯示兩個波峰：一個是作為前景的工件，一個是背景，取波谷灰度值為分割閾值以有效分割前景和背景：式中，F(xiàn)(x,y)為分割出的工件圖像，Thf為分割閾值(2)圖像矯正為通過仿射變換實現(xiàn)圖像中工件的平移和旋轉(zhuǎn)角度矯正。仿射變換為現(xiàn)有成熟技術(shù)。對矯正后的圖像進行數(shù)學(xué)形態(tài)學(xué)處理；處理過程為，通過結(jié)構(gòu)元素B對圖像施加形態(tài)學(xué)開運算去除工件邊緣毛刺，平滑工件邊緣，有：式中，ο為開運算運算符，為腐蝕運算符，為膨脹運算符，B為結(jié)構(gòu)元素，大小為3，元素全為1，為圓盤結(jié)構(gòu)。步驟3中：標(biāo)定工件邊緣為缺口檢測區(qū)域，記為Regqk；標(biāo)定整個工件表面區(qū)域為粘料、開裂、壓痕、針眼、劃痕和起泡缺陷檢測區(qū)域；其中粘料和針眼檢測區(qū)域記為Regnl和Regzy；劃痕和開裂檢測區(qū)域記為Reghh和Regkl；壓痕檢測區(qū)域記為Regyh；起泡檢測區(qū)域記為Regqp；缺陷的面積判斷閾值：式中，Th為缺陷的面積判斷閾值；φ為缺陷容忍度；W和H為圖像中工件的寬和高，以像素為單位；M和N為工件的實際長和寬，以毫米為單位；局部動態(tài)分割閾值確定方法：首先采用(2D+1)×(2D+1)的濾波掩碼進行平滑處理，式中D為被提取目標(biāo)的直徑；然后計算平滑后的圖像灰度值的均值Mean(x,y)和標(biāo)準(zhǔn)差σ(x,y)；當(dāng)被提取目標(biāo)顯示為亮像素時，選取T＝Mean(x,y)+γ·σ(x,y)為分割閾值；當(dāng)被提取目標(biāo)顯示為暗像素時，選取T＝Mean(x,y)-γ·σ(x,y)為分割閾值，式中γ為標(biāo)準(zhǔn)差強度。①缺口檢測：1)采用圖像分割閾值Tqk在區(qū)域Regqk中分割缺口的Blob候選塊，通過八連通區(qū)域標(biāo)識出Blob連通域，記為Blqk；分割閾值Tqk的確定：采用(2Dqk+1)×(2Dqk+1)的濾波掩碼進行平滑處理，式中Dqk為缺口缺陷的直徑；計算平滑后的圖像灰度值的均值Meanqk(x,y)和標(biāo)準(zhǔn)差σqk(x,y)；由于缺口缺陷顯示為暗像素，則選擇Tqk＝Meanqk(x,y)-γqk·σqk(x,y)為分割閾值,γqk為缺口缺陷的標(biāo)準(zhǔn)差權(quán)重。權(quán)重的取值范圍是[0,1]，需根據(jù)先驗知識確定具體值。2)利用像素計數(shù)法提取Blqk連通域的像素面積特征Areaqk；根據(jù)下式判斷Blqk是否為缺口缺陷：式中，缺陷面積判斷閾值Thqk由公式3確定，其中φ的取值范圍是[0.0120,0.0130]，YES和NO分別表示存在缺口缺陷和不存在缺口缺陷；②粘料和針眼檢測：1)采用分割閾值Tzz在區(qū)域Regnl和Regzy中分割粘料和針眼的Blob候選塊，通過八連通區(qū)域標(biāo)識出Blob連通域，記為Blnl和Blzy；分割閾值Tzz的確定：Tzz＝Mean′zz(x,y)-δzz·V′zz(x,y)式中Mean′zz(x,y)和V′zz(x,y)為檢測區(qū)域像素灰度值的均值和方差，δzz為粘料和針眼缺陷的方差權(quán)重；圖像中低于分割閾值的像素區(qū)域為缺陷候選塊；2)利用像素計數(shù)法提取Blnl連通域的像素面積特征Areanl和圓度特征Roundnessnl、Blzy連通域的像素面積特征Areazy和圓度特征Roundnesszy,根據(jù)下式5、6分別判斷Blnl是否為粘料缺陷以及Blzy是否為針眼缺陷：式中，缺陷面積判斷閾值Thnl1和Thzy1由式3確定，其中φ的取值范圍分別是[0.0020,0.0021]和[0.0024,0.0025]；缺陷圓度判斷閾值Thnl2和Thzy2的取值范圍分別是[0.5,1]和[0.85,1]；∩表示邏輯“與”運算；YES和NO分別表示是和否；像素面積特征即區(qū)域內(nèi)的像素個數(shù),圓度特征描述即目標(biāo)區(qū)域的面積與外接圓面積的比值，形狀越接近圓，比值越接近1，圓度特征的取值范圍是:0<Roundnessnl<1,計算公式為其中r為被提取目標(biāo)的外接圓半徑,此處的被提取目標(biāo)指粘料和針眼缺陷；③劃痕和開裂檢測：1)采用局部圖像方差強度算法求取分割閾值Thk，在區(qū)域Reghh和Regkl中分割劃痕和開裂的Blob塊候選，通過八連通區(qū)域標(biāo)識出Blob連通域，記為Blhh和Blkl；局部圖像方差強度是圖像局部閾值概念的拓展延伸，由于被檢測工件受生產(chǎn)工藝影響會有背景不均勻情況，因此很難找到固定閾值將目標(biāo)缺陷與背景完整分割。故提出局部閾值檢測方法，即局部灰度特征與整體相結(jié)合的方法；結(jié)合局部方差與方差的特性，先采用(2Dhk+1)×(2Dhk+1)的濾波掩碼進行平滑處理，式中Dhk為劃痕和開裂缺陷的長度；再計算平滑后圖像灰度值的標(biāo)準(zhǔn)差σhk(x,y)和方差Vhk(x,y)；分割閾值按下式的確定：Thk=σhk(x,y)+Vhk(x,y),σhk(x,y)>σ′hk(x,y)σhk(x,y)-Vhk(x,y),σhk(x,y)<σ′hk(x,y);]]>其中σ′hk(x,y)和V′hk(x,y)表示平滑前的整幅圖像的標(biāo)準(zhǔn)差和方差；2)利用像素計數(shù)法提取Blhh連通域的像素面積特征Areahh和內(nèi)部最長直徑特征Diameterhh以及Blkl連通域的像素面積特征Areakl和內(nèi)部最長直徑特征Diameterkl；根據(jù)式7、8分別判斷Blhh是否為劃痕缺陷，以及Blkl是否為開裂缺陷：式中，缺陷面積判斷閾值Thhh1和Thkl1由式3確定，其中φ的取值范圍分別是[0.0110,0.0120]和[0.0048,0.0049]；缺陷最長直徑判斷閾值Thhh2和Thkl2的取值范圍由經(jīng)驗值確定；∩表示邏輯“與”運算；內(nèi)部最長直徑即區(qū)域邊界上最遠的兩個像素點的距離，距離和面積都是以像素為單位，即該距離內(nèi)或該區(qū)域內(nèi)包含的像素個數(shù)；④壓痕檢測：1)通過拉普拉斯高斯變換算法和局部動態(tài)閾值Tyh分割壓痕的Blob候選塊；Tyh的確定：采用(2Dyh+1)×(2Dyh+1)的濾波掩碼進行平滑處理，式中Dyh為壓痕缺陷的直徑；計算平滑后圖像灰度值的均值Meanyh(x,y)和標(biāo)準(zhǔn)差σyh(x,y)；由于壓痕缺陷在拉普拉斯高斯變換后的圖像中顯示為亮像素，故選擇Tyh＝Meanyh(x,y)+γyh·σyh(x,y)為分割閾值,γyh為壓痕缺陷的標(biāo)準(zhǔn)差權(quán)重；通過八連通區(qū)域標(biāo)識出Blob連通域，記為Blyh；權(quán)重的取值范圍是[0,1]，需根據(jù)先驗知識確定具體值；2)利用像素計數(shù)法提取Blyh連通域的像素面積特征Areayh和矩形度特征Rectanyh，矩形度是描述被提取區(qū)域?qū)ζ渫饨泳匦蔚某錆M程度，計算公式為其中Sm為被提取區(qū)域外接矩形區(qū)域的面積；根據(jù)式9判斷Blyh是否為壓痕缺陷：式中，面積判斷閾值Thyh1由式3確定，其中φ的取值范圍是[0.0160,0.0170]；矩形度判斷閾值Thyh2的取值范圍是[0.7,1]；∩表示邏輯“與”運算；拉普拉斯高斯算法：該方法是將高斯濾波和拉普拉斯算子結(jié)合在一起。算法主要步驟如下：(1)濾波：首先對圖像F(x,y)進行平滑濾波，濾波函數(shù)為高斯函數(shù)，即G(x,y)=12πσ2exp[-12πσ2(x2+y2)]]]>將圖像F(x,y)與G(x,y)進行卷積，可以得到一個平滑的圖像，即g(x,y)＝F(x,y)*G(x,y)(2)圖像增強：對平滑圖像g(x,y)進行拉普拉斯運算，即h(x,y)=▿2[F(x,y)*G(x,y)]]]>由于對平滑圖像g(x,y)進行拉普拉斯運算可等效為g(x,y)的拉普拉斯運算與F(x,y)的卷積，故上式變?yōu)椋篽(x,y)=F(x,y)*▿2G(x,y)]]>式中成為LOG濾波器，其為：▿2G(x,y)=∂2G∂x2+∂2G∂y2=1πσ4(x2+y22σ2-1)exp(-x2+y22σ2)]]>作用：拉普拉斯高斯算子把高斯平滑濾波器和拉普拉斯銳化濾波器結(jié)合起來，先平化掉噪聲，再對圖像進行邊緣增強，所以能夠有效凸顯壓痕缺陷。⑤起泡檢測：1)通過快速傅立葉變換將圖像函數(shù)從空間域轉(zhuǎn)變到頻率域，采用低通濾波器平滑圖像，再通過傅立葉逆變換將圖像從頻率域變換到空間域；根據(jù)圖像灰度直方圖，選取波谷灰度值為分割閾值分割目標(biāo)分割起泡的Blob候選塊，通過八連通區(qū)域標(biāo)識出Blob連通域，記為Blqp；圖像的直方圖只有一個波谷，因為經(jīng)過傅立葉變換和平滑濾波處理后，起泡部位較整體工件背景偏亮，所以直方圖顯示有兩個波峰和一個波谷，而且兩個波峰中一個屬于工件背景，另一個屬于起泡缺陷，所以采用波谷灰度值可將背景和起泡缺陷分割；2)利用像素計數(shù)法提取Blqp連通域的像素面積特征Areaqp和圓度特征Roundnessqp；根據(jù)式10判斷Blqp是否為起泡缺陷：式中，面積判斷閾值Thqp1由式3確定，其中φ的取值范圍是[0.0123,0.0124]；圓度判斷閾值Thqp2的取值范圍是[0.5,1]；∩表示邏輯“與”運算。定位、引導(dǎo)圖像的采集過程中，采用環(huán)形漫反射光源照明；檢測圖像采集過程中，采用同軸光源照明。本發(fā)明方法涉及到工控機、同軸光源、CCD工業(yè)相機、圖像采集卡和剔除機構(gòu)；同軸光源和剔除機構(gòu)均與工控機相連；CCD工業(yè)相機通過圖像采集卡與工控機相連；其中：同軸光源用于為待檢測的工件提供漫反射光源；CCD工業(yè)相機用于拍攝處于檢測工位的工件的圖像；剔除機構(gòu)用于從生產(chǎn)線上剔除通過檢測存在缺陷的工件；工控機中具有基于圖像處理的缺陷檢測模塊。有益效果：本發(fā)明的基于機器視覺的工件外觀缺陷檢測方法，首先通過視覺系統(tǒng)引導(dǎo)機器人，根據(jù)基于灰度值的模板匹配算法精確定位目標(biāo)工件位姿，然后進行工件外觀缺陷檢測，其步驟為：(1)獲取工件圖像，采用中值濾波進行預(yù)處理；(2)利用全局閾值分割目標(biāo)工件，并進行工件位姿矯正；(3)通過數(shù)學(xué)形態(tài)學(xué)開運算去除工件邊緣毛刺干擾；(4)檢測缺口、粘料、開裂、壓痕、針眼、劃痕和起泡外觀缺陷。本發(fā)明的優(yōu)點在于：1.定位速度快、精度高?；诨叶戎档哪０迤ヅ洌捎脷w一化互相關(guān)算法，并利用圖像金字塔實現(xiàn)多級匹配，提高匹配精度和速度；2.缺陷檢測針對性強，速度快。運用簡單、有效的Blob算法，首先對獲取的原始圖像做預(yù)處理，抑制噪聲干擾增強圖像有用信息的表現(xiàn)張力。本發(fā)明針對不同的缺陷采用有針對性的檢測方法，易于實施，方法巧妙，具體包括標(biāo)定檢測區(qū)域并通過二值化分割ROI，基于ROI區(qū)域通過局部灰度閾值提取缺口缺陷特征；局部動態(tài)閾值算法提取粘料和針眼缺陷特征；局部圖像方差強度算法提取劃痕和開裂缺陷特征；拉普拉斯高斯算法提取表面壓痕缺陷特征；快速傅里葉變換算法提取表面起泡缺陷特征。最后將提取到的缺陷特征根據(jù)判定規(guī)則庫中的判定規(guī)則進行分析判斷并輸出檢測結(jié)果；3.適應(yīng)性廣、移植性強，可檢測缺陷類型較全面。該檢測算法能廣泛應(yīng)用于高速生產(chǎn)線上精密工件外觀質(zhì)量的視覺檢測，并且可移植到電子元器件、微小零部件等的視覺檢測生產(chǎn)線上，具有很強的適應(yīng)性。是一種具有高度通用型和準(zhǔn)確性的視覺檢測算法。該方法解決人工檢測速度慢、效率低、精度差的問題；克服目前視覺檢測缺陷類型單一、成像質(zhì)量差和誤檢率高的問題，提高精密工件生產(chǎn)自動化程度和產(chǎn)品質(zhì)量。附圖說明圖1為基于機器視覺的工件外觀缺陷檢測方法的流程圖。圖2為檢測到的正常圖像和缺陷圖像，其中圖a-h分別對應(yīng)正常、粘料、壓痕、缺口、開裂、劃痕、起泡和針眼圖像。具體實施方式為了便于理解本發(fā)明，下文將結(jié)合說明書附圖和較佳的實施例對本文發(fā)明做更全面、細致地描述，但本發(fā)明的保護范圍并不限于以下具體實施例。除非另有定義，下文中所使用的所有專業(yè)術(shù)語與本領(lǐng)域技術(shù)人員通常理解含義相同。本文中所使用的專業(yè)術(shù)語只是為了描述具體實施例的目的，并不是旨在限制本發(fā)明的保護范圍。實施例1：如圖1，一種基于機器視覺的工件外觀缺陷檢測方法，包括以下步驟：步驟1：工件圖像獲取及預(yù)處理；步驟2：圖像分割與工件位姿矯正；步驟3：檢測以下外觀缺陷：缺口、粘料、開裂、壓痕、針眼、劃痕和起泡。步驟1中，通過同軸光源照明，利用CCD工業(yè)相機和圖像采集卡采集工件圖像f(x,y)，工件圖像為灰度圖像，然后把工件圖像送入工控機進行預(yù)處理，預(yù)處理為對采集到的工件圖像進行中值濾波處理，去除圖像拍攝和傳輸過程中可能引起的噪聲，提高圖像信噪比。步驟2中：(1)圖像分割：基于直方圖法對預(yù)處理后的圖像進行圖像分割，工件圖像的灰度直方圖會顯示兩個波峰：一個是作為前景的工件，一個是背景，取波谷灰度值為分割閾值以有效分割前景和背景：式中，F(xiàn)(x,y)為分割出的工件圖像，Thf為分割閾值(2)圖像矯正為通過仿射變換實現(xiàn)圖像中工件的平移和旋轉(zhuǎn)角度矯正。仿射變換為現(xiàn)有成熟技術(shù)。對矯正后的圖像進行數(shù)學(xué)形態(tài)學(xué)處理；處理過程為，通過結(jié)構(gòu)元素B對圖像施加形態(tài)學(xué)開運算去除工件邊緣毛刺，平滑工件邊緣，有：式中，ο為開運算運算符，為腐蝕運算符，為膨脹運算符，B為結(jié)構(gòu)元素，大小為3，元素全為1，為圓盤結(jié)構(gòu)。步驟3中：標(biāo)定工件邊緣為缺口檢測區(qū)域，記為Regqk；標(biāo)定整個工件表面區(qū)域為粘料、開裂、壓痕、針眼、劃痕和起泡缺陷檢測區(qū)域；其中粘料和針眼檢測區(qū)域記為Regnl和Regzy；劃痕和開裂檢測區(qū)域記為Reghh和Regkl；壓痕檢測區(qū)域記為Regyh；起泡檢測區(qū)域記為Regqp；缺陷的面積判斷閾值：式中，Th為缺陷的面積判斷閾值；φ為缺陷容忍度；W和H為圖像中工件的寬和高，以像素為單位；M和N為工件的實際長和寬，以毫米為單位；局部動態(tài)分割閾值確定方法：首先采用(2D+1)×(2D+1)的濾波掩碼進行平滑處理，式中D為被提取目標(biāo)的直徑；然后計算平滑后的圖像灰度值的均值Mean(x,y)和標(biāo)準(zhǔn)差σ(x,y)；當(dāng)被提取目標(biāo)顯示為亮像素時，選取T＝Mean(x,y)+γ·σ(x,y)為分割閾值；當(dāng)被提取目標(biāo)顯示為暗像素時，選取T＝Mean(x,y)-γ·σ(x,y)為分割閾值，式中γ為標(biāo)準(zhǔn)差強度。①缺口檢測：1)采用圖像分割閾值Tqk在區(qū)域Regqk中分割缺口的Blob候選塊，通過八連通區(qū)域標(biāo)識出Blob連通域，記為Blqk；分割閾值Tqk的確定：采用(2Dqk+1)×(2Dqk+1)的濾波掩碼進行平滑處理，式中Dqk為缺口缺陷的直徑；計算平滑后的圖像灰度值的均值Meanqk(x,y)和標(biāo)準(zhǔn)差σqk(x,y)；由于缺口缺陷顯示為暗像素，則選擇Tqk＝Meanqk(x,y)-γqk·σqk(x,y)為分割閾值,γqk為缺口缺陷的標(biāo)準(zhǔn)差權(quán)重。權(quán)重的取值范圍是[0,1]，需根據(jù)先驗知識確定具體值。2)利用像素計數(shù)法提取Blqk連通域的像素面積特征Areaqk；根據(jù)下式判斷Blqk是否為缺口缺陷：式中，缺陷面積判斷閾值Thqk由公式3確定，其中φ的取值范圍是[0.0120,0.0130]，YES和NO分別表示存在缺口缺陷和不存在缺口缺陷；②粘料和針眼檢測：1)采用分割閾值Tzz在區(qū)域Regnl和Regzy中分割粘料和針眼的Blob候選塊，通過八連通區(qū)域標(biāo)識出Blob連通域，記為Blnl和Blzy；分割閾值Tzz的確定：Tzz＝Mean′zz(x,y)-δzz·V′zz(x,y)式中Mean′zz(x,y)和V′zz(x,y)為檢測區(qū)域像素灰度值的均值和方差，δzz為粘料和針眼缺陷的方差權(quán)重；圖像中低于分割閾值的像素區(qū)域為缺陷候選塊；2)利用像素計數(shù)法提取Blnl連通域的像素面積特征Areanl和圓度特征Roundnessnl、Blzy連通域的像素面積特征Areazy和圓度特征Roundnesszy,根據(jù)下式5、6分別判斷Blnl是否為粘料缺陷以及Blzy是否為針眼缺陷：式中，缺陷面積判斷閾值Thnl1和Thzy1由式3確定，其中φ的取值范圍分別是[0.0020,0.0021]和[0.0024,0.0025]；缺陷圓度判斷閾值Thnl2和Thzy2的取值范圍分別是[0.5,1]和[0.85,1]；∩表示邏輯“與”運算；YES和NO；像素面積特征即區(qū)域內(nèi)的像素個數(shù),圓度特征描述即目標(biāo)區(qū)域的面積與外接圓面積的比值，形狀越接近圓，比值越接近1，圓度特征的取值范圍是:0<Roundnessnl<1,計算公式為其中r為被提取目標(biāo)的外接圓半徑,此處的被提取目標(biāo)指粘料和針眼缺陷；③劃痕和開裂檢測：1)采用局部圖像方差強度算法求取分割閾值Thk，在區(qū)域Reghh和Regkl中分割劃痕和開裂的Blob塊候選，通過八連通區(qū)域標(biāo)識出Blob連通域，記為Blhh和Blkl；局部圖像方差強度是圖像局部閾值概念的拓展延伸，由于被檢測工件受生產(chǎn)工藝影響會有背景不均勻情況，因此很難找到固定閾值將目標(biāo)缺陷與背景完整分割。故提出局部閾值檢測方法，即局部灰度特征與整體相結(jié)合的方法；結(jié)合局部方差與方差的特性，先采用(2Dhk+1)×(2Dhk+1)的濾波掩碼進行平滑處理，式中Dhk為劃痕和開裂缺陷的長度；再計算平滑后圖像灰度值的標(biāo)準(zhǔn)差σhk(x,y)和方差Vhk(x,y)；分割閾值按下式的確定：Thk=σhk(x,y)+Vhk(x,y),σhk(x,y)>σ′hk(x,y)σhk(x,y)-Vhk(x,y),σhk(x,y)<σ′hk(x,y);]]>其中σ′hk(x,y)和V′hk(x,y)表示平滑前的整幅圖像的標(biāo)準(zhǔn)差和方差；2)利用像素計數(shù)法提取Blhh連通域的像素面積特征Areahh和內(nèi)部最長直徑特征Diameterhh以及Blkl連通域的像素面積特征Areakl和內(nèi)部最長直徑特征Diameterkl；根據(jù)式7、8分別判斷Blhh是否為劃痕缺陷，以及Blkl是否為開裂缺陷：式中，缺陷面積判斷閾值Thhh1和Thkl1由式3確定，其中φ的取值范圍分別是[0.0110,0.0120]和[0.0048,0.0049]；缺陷最長直徑判斷閾值Thhh2和Thkl2的取值范圍由經(jīng)驗值確定；∩表示邏輯“與”運算；內(nèi)部最長直徑即區(qū)域邊界上最遠的兩個像素點的距離，距離和面積都是以像素為單位，即該距離內(nèi)或該區(qū)域內(nèi)包含的像素個數(shù)；④壓痕檢測：1)通過拉普拉斯高斯變換算法和局部動態(tài)閾值Tyh分割壓痕的Blob候選塊；Tyh的確定：采用(2Dyh+1)×(2Dyh+1)的濾波掩碼進行平滑處理，式中Dyh為壓痕缺陷的直徑；計算平滑后圖像灰度值的均值Meanyh(x,y)和標(biāo)準(zhǔn)差σyh(x,y)；由于壓痕缺陷在拉普拉斯高斯變換后的圖像中顯示為亮像素，故選擇Tyh＝Meanyh(x,y)+γyh·σyh(x,y)為分割閾值,γyh為壓痕缺陷的標(biāo)準(zhǔn)差權(quán)重；通過八連通區(qū)域標(biāo)識出Blob連通域，記為Blyh；權(quán)重的取值范圍是[0,1]，需根據(jù)先驗知識確定具體值；2)利用像素計數(shù)法提取Blyh連通域的像素面積特征Areayh和矩形度特征Rectanyh，矩形度是描述被提取區(qū)域?qū)ζ渫饨泳匦蔚某錆M程度，計算公式為其中Sm為被提取區(qū)域外接矩形區(qū)域的面積；根據(jù)式9判斷Blyh是否為壓痕缺陷：式中，面積判斷閾值Thyh1由式3確定，其中φ的取值范圍是[0.0160,0.0170]；矩形度判斷閾值Thyh2的取值范圍是[0.7,1]；∩表示邏輯“與”運算；⑤起泡檢測：1)通過快速傅立葉變換將圖像函數(shù)從空間域轉(zhuǎn)變到頻率域，采用低通濾波器平滑圖像，再通過傅立葉逆變換將圖像從頻率域變換到空間域；根據(jù)圖像灰度直方圖，選取波谷灰度值為分割閾值分割目標(biāo)分割起泡的Blob候選塊，通過八連通區(qū)域標(biāo)識出Blob連通域，記為Blqp；圖像的直方圖只有一個波谷，因為經(jīng)過傅立葉變換和平滑濾波處理后，起泡部位較整體工件背景偏亮，所以直方圖顯示有兩個波峰和一個波谷，而且兩個波峰中一個屬于工件背景，另一個屬于起泡缺陷，所以采用波谷灰度值可將背景和起泡缺陷分割；2)利用像素計數(shù)法提取Blqp連通域的像素面積特征Areaqp和圓度特征Roundnessqp；根據(jù)式10判斷Blqp是否為起泡缺陷：式中，面積判斷閾值Thqp1由式3確定，其中φ的取值范圍是[0.0123,0.0124]；圓度判斷閾值Thqp2的取值范圍是[0.5,1]；∩表示邏輯“與”運算。圖像預(yù)處理還包括：A.工件定位：工件模板圖像為Temp(x,y)，方向以X軸正方向為0度基準(zhǔn)。通過環(huán)形漫反射光源照明，利用CCD工業(yè)相機和圖像采集卡采集輸送帶上工件圖像，然后根據(jù)基于灰度值的模板匹配技術(shù)搜索與已知模板Temp(x,y)相匹配的目標(biāo)區(qū)域，計算其重心坐標(biāo)(xc,yc)和偏轉(zhuǎn)角度θ。其中模板匹配采用歸一化互相關(guān)算法(NCC)，并利用圖像金字塔實現(xiàn)多級匹配，提高匹配精度和速度。NCC算法公式如下式所示：ncc(a,b)=1nΣx=1WTΣy=1HTTemp(x,y)-mTsT2·f(a+x,b+y)-mf(a,b)sf2(a,b)]]>式中，n是模板感興趣區(qū)域中像素點的數(shù)量；Temp(x,y)是模板圖像,模板大小為WT×HT。模板圖像即為分割出的，規(guī)定了方向以X軸正方向為0度基準(zhǔn)的目標(biāo)工件圖像；感興趣區(qū)域即目標(biāo)工件區(qū)域，因為工件區(qū)域與背景區(qū)域?qū)Ρ榷确浅Ｃ黠@，所以采用全局灰度閾值分割法即可提取目標(biāo)工件，即感興趣區(qū)域。mT是模板的平均灰度值，是模板所有像素灰度值的方差,mf(a,b)和是平移到圖像當(dāng)前位置的模板感興趣區(qū)域中圖像所有像素點的平均灰度值和方差，ncc(a,b)表示匹配相似度，取值范圍是-1≤ncc(a,b)≤1。x,y表示圖像中像素坐標(biāo)。a，b是圖像像素坐標(biāo)平移量。匹配是為了找到視野中的目標(biāo)工件并快速、準(zhǔn)確地計算出工件位姿信息。是后續(xù)機器人和視覺處理的前提。B.機器人視覺引導(dǎo)：視覺引導(dǎo)系統(tǒng)主要是對輸送帶上目標(biāo)工件的精確定位。對于同一種工件，機器人只需要一次示教并把此示教位置記為零位，生產(chǎn)中相機拍攝輸送帶上的目標(biāo)工件并通過計算圖像上工件中心特征點的坐標(biāo)，即位姿信息(xc,yc)和θ。視覺系統(tǒng)計算出當(dāng)前目標(biāo)工件的坐標(biāo)與零位在X,Y,RZ方向的偏差量，機器人根據(jù)偏差量規(guī)劃抓取路徑和動作、完成目標(biāo)工件抓取任務(wù)。其中RZ方向為工件在平面上的旋轉(zhuǎn)方向。總體流程說明：待檢工件首先進入上表面檢測工位，光電傳感器觸發(fā)相機拍照并采集一幀圖像，通過外觀檢測算法進行缺陷檢測，并將檢測結(jié)果通過視覺檢測系統(tǒng)傳送給下位機。不合格品由剔除裝置剔除，合格品將進入機器人檢測工位。利用視覺引導(dǎo)機器人準(zhǔn)確拾取輸送帶上目標(biāo)工件并放置檢測位置，由機器人順序觸發(fā)多相機拍照進行工件前后面、左右側(cè)面和底面外觀缺陷檢測。工業(yè)控制計算機綜合分析多相機處理結(jié)果并將其通過視覺檢測系統(tǒng)傳送給下位機，最終實現(xiàn)工件的智能分揀。當(dāng)前第1頁1 2 3