本發(fā)明涉及精密測(cè)量領(lǐng)域，具體是一種基于機(jī)器視覺(jué)的鋼球表面缺陷差分檢測(cè)的新型算法。本發(fā)明主要是解決鋼球表面缺陷檢測(cè)現(xiàn)有技術(shù)的受人為因素影響大、檢測(cè)精度低和效率低等問(wèn)題，從而有效的提高了產(chǎn)品檢測(cè)效率。

背景技術(shù)：

現(xiàn)有鋼球表面缺陷檢測(cè)裝置，具有檢測(cè)精度低、檢測(cè)效率低以及抗干擾性差的問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

發(fā)明目的：針對(duì)傳統(tǒng)的鋼球表面缺陷檢測(cè)方法存在的問(wèn)題，克服已有技術(shù)的不足，根據(jù)有缺陷鋼球表面有缺陷區(qū)域與無(wú)缺陷鋼球表面同區(qū)域在圖像上表現(xiàn)的灰度一場(chǎng)，利用機(jī)器視覺(jué)庫(kù)，將計(jì)算機(jī)的高效性以及可重復(fù)性與數(shù)字圖像處理技術(shù)相結(jié)合，融合差分檢測(cè)算法對(duì)鋼球進(jìn)行視覺(jué)檢測(cè)，對(duì)采集到的鋼球表面圖像進(jìn)行高速處理，具有高精度、高可靠性和高效率的特點(diǎn)，能準(zhǔn)確判斷鋼球表面質(zhì)量。為驗(yàn)證本算法的準(zhǔn)確性及可靠性，對(duì)其進(jìn)行實(shí)驗(yàn)分析，缺陷識(shí)別率可以達(dá)到98%，誤檢率小于2%，出于國(guó)內(nèi)鋼球表面缺陷檢測(cè)的先進(jìn)水平。

技術(shù)方案：

為了解決現(xiàn)有技術(shù)的不足，本發(fā)明所述的一種基于機(jī)器視覺(jué)的鋼球表面缺陷差分檢測(cè)的新型算法，其具體步驟如下：

步驟一：在vc++6.0中，通過(guò)opencv對(duì)黑白ccd相機(jī)采集到的鋼球表面圖像進(jìn)行用自適應(yīng)中值濾波消除噪聲；

步驟二：用伽馬變換對(duì)圖像進(jìn)行對(duì)比度增強(qiáng)；

步驟三：用最小外接矩形重繪算法，精確確定檢測(cè)范圍，將鋼球圖像與背景圖像分離；

步驟四：將正常無(wú)缺陷鋼球圖像作為樣本，對(duì)其進(jìn)行多次累加求平均獲得標(biāo)準(zhǔn)圖像；

步驟五：將標(biāo)準(zhǔn)圖像與鋼球圖像做差，得到差值圖像；

步驟六：將有缺陷的鋼球標(biāo)記位置，存入動(dòng)態(tài)數(shù)組；

步驟七：在分選系統(tǒng)處對(duì)有缺陷的鋼球進(jìn)行分選處理。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

1.能夠準(zhǔn)確檢測(cè)鋼球表面缺陷，缺陷識(shí)別率可以達(dá)到98%，誤檢率低于2%，同行業(yè)中出于領(lǐng)先水平。

2.本方法可以推廣到對(duì)其他工業(yè)產(chǎn)品的表面質(zhì)量檢測(cè)中，對(duì)于靈活運(yùn)用數(shù)字圖像處理技術(shù)有很好的借鑒意義。

3.本發(fā)明的檢測(cè)效率可達(dá)10000個(gè)/h，同行業(yè)中出于領(lǐng)先水平。

附圖說(shuō)明

圖1為本發(fā)明的差分檢測(cè)算法流程圖；

圖2為本發(fā)明的算法預(yù)處理流程圖；

圖3為本發(fā)明的檢測(cè)裝置示意圖；

圖4為本發(fā)明的相機(jī)位置示意圖；

圖5為本發(fā)明的相機(jī)一的采集圖像；

圖6為本發(fā)明的相機(jī)二的采集圖像；

圖7為本發(fā)明的相機(jī)一采集圖片生成的標(biāo)準(zhǔn)圖像；

圖8為本發(fā)明的相機(jī)二采集圖片生成的標(biāo)準(zhǔn)圖像；

圖9為本發(fā)明的檢測(cè)算法環(huán)帶區(qū)域示意圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明并不用于限定本發(fā)明。

如圖1所示，將采集到的圖像進(jìn)行預(yù)處理，即先通過(guò)自適應(yīng)中值濾波對(duì)圖像進(jìn)行去噪，然后進(jìn)項(xiàng)伽馬變換增強(qiáng)圖像對(duì)比度，然后通過(guò)圓形區(qū)域最小外接矩形逼近將鋼球部分區(qū)域與背景區(qū)域相分離，之后提取鋼球部分圖像生成標(biāo)準(zhǔn)圖像，把待檢測(cè)圖像與標(biāo)準(zhǔn)圖像進(jìn)行差分檢測(cè)，標(biāo)記有缺陷鋼球，最后在分選系統(tǒng)對(duì)有缺陷鋼球進(jìn)行分選。

實(shí)施例

本發(fā)明所述的一種基于機(jī)器視覺(jué)的鋼球表面缺陷差分檢測(cè)的新型算法的處理步驟如下：

步驟一：在vc++6.0中，通過(guò)opencv對(duì)黑白ccd相機(jī)采集到的鋼球表面圖像進(jìn)行用自適應(yīng)中值濾波消除噪聲；

步驟二：用伽馬變換對(duì)圖像進(jìn)行對(duì)比度增強(qiáng)；

步驟三：用最小外接矩形重繪算法，精確確定檢測(cè)范圍，將鋼球圖像與背景圖像分離；

步驟四：將正常無(wú)缺陷鋼球圖像作為樣本，對(duì)其進(jìn)行多次累加求平均獲得標(biāo)準(zhǔn)圖像；

步驟五：將標(biāo)準(zhǔn)圖像與鋼球圖像做差，得到差值圖像；

步驟六：將有缺陷的鋼球標(biāo)記位置，存入動(dòng)態(tài)數(shù)組；

步驟七：展開(kāi)盤向前轉(zhuǎn)動(dòng)一個(gè)鋼球的位置，判斷缺陷球是否轉(zhuǎn)動(dòng)到分選裝置處，如果缺陷球轉(zhuǎn)動(dòng)到分選裝置處則分選裝置分選缺陷鋼球；

步驟八：七個(gè)鋼球?yàn)橐唤M，判斷是否完成一組鋼球的分選，如果完成一組鋼球的分選，判斷是否所有鋼球均檢測(cè)完畢，如果所有鋼球都檢測(cè)完畢則結(jié)束，如果不是所有鋼球均檢測(cè)完成，則繼續(xù)步驟一的檢測(cè)命令。

本發(fā)明檢測(cè)精度與檢測(cè)效率均處于鋼球表面缺陷檢測(cè)領(lǐng)域領(lǐng)先地位。

以上是本發(fā)明的較佳實(shí)施方式，但本發(fā)明的保護(hù)范圍不限于此。任何熟悉本領(lǐng)域的技術(shù)人員在本發(fā)明所揭露的技術(shù)范圍內(nèi)，未經(jīng)創(chuàng)造性勞動(dòng)想到的變換或修飾，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。

技術(shù)特征：

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種基于機(jī)器視覺(jué)的鋼球表面缺陷差分檢測(cè)的新型算法，相比于傳統(tǒng)的人工檢測(cè)、機(jī)械檢測(cè)及射線檢測(cè)，本檢測(cè)算法具有更高的檢測(cè)精度及可靠性。本差分檢測(cè)算法主要包括鋼球圖像預(yù)處理與鋼球圖像差分循環(huán)檢測(cè)兩部分，首先采用自適應(yīng)中值濾波對(duì)采集到的鋼球表面缺陷圖像去噪，然后用外接矩形快速精確定位鋼球區(qū)域圖像，在第一次圖像采集時(shí)利用采集到的無(wú)缺陷鋼球圖像合成標(biāo)準(zhǔn)圖像，在差分檢測(cè)過(guò)程中，利用標(biāo)準(zhǔn)圖像對(duì)采集到的鋼球圖像進(jìn)行差分檢測(cè)，準(zhǔn)確的提取多種鋼球表面缺陷。配合鋼球展開(kāi)機(jī)構(gòu)對(duì)鋼球進(jìn)行循環(huán)檢測(cè)。本算法基于VC++6.0開(kāi)發(fā)平臺(tái)、opencv計(jì)算機(jī)視覺(jué)庫(kù)實(shí)驗(yàn)驗(yàn)證并評(píng)價(jià)算法性能。經(jīng)試驗(yàn)驗(yàn)證，本算法可極大提高檢測(cè)效率及檢測(cè)精度。

技術(shù)研發(fā)人員：王義文;董百川;付鵬強(qiáng);周麗杰;楊超
受保護(hù)的技術(shù)使用者：哈爾濱理工大學(xué)
技術(shù)研發(fā)日：2017.01.16
技術(shù)公布日：2017.07.04