本發(fā)明涉及視覺檢測技術(shù)領(lǐng)域，具體涉及一種齒環(huán)模具編號檢測方法。

背景技術(shù)：

在工業(yè)生產(chǎn)中，許多產(chǎn)品上都記錄著大量與產(chǎn)品相關(guān)的信息，如產(chǎn)品的質(zhì)量精度、批次號、生產(chǎn)地、生產(chǎn)商等，這些信息有的用鑄造或印刷噴碼直接刻印到產(chǎn)品表面上去，不同的產(chǎn)品、不同的工藝流程及制造會造成刻印的文字形狀及顯現(xiàn)狀態(tài)不同，因此采取的識別方式也不同，如二維碼掃描、條碼掃描、字符識別等。

目前針對呈現(xiàn)比較規(guī)整的文字信息或文字信息所處的環(huán)境簡單等都比較容易讀取，如白底黑字、附著材質(zhì)良好、文字信息排列水平或豎直、文字信息間距規(guī)整等，這些文字信息易于分割進行讀取。對于環(huán)形排列的字符圖像，由于字符所呈現(xiàn)的環(huán)境是環(huán)形形狀，因此難以對其進行準(zhǔn)確有效的字符分割，再加上本環(huán)形分布模具編號由于其制造因素鑄刻在銅質(zhì)材料，這樣易造成成像反光干擾，使得采集到的圖像不是很清晰。并且模具編號呈現(xiàn)在齒環(huán)上是環(huán)形分布，與傳統(tǒng)字符呈現(xiàn)方式不一樣，因此加大了環(huán)形分布模具編號字符的檢測識別難度。

目前齒環(huán)生產(chǎn)商的環(huán)形分布模具編號字符信息檢測都是靠人工觀察和自主判斷實現(xiàn)，人工成本高、檢測效率低，再加上模具編號是由鑄造形成的，整個模具編號字符凸出或凹陷約為2mm，字符寬度為約2mm，因此容易呈現(xiàn)不規(guī)則和扭曲變形字符等因素造成誤檢漏檢率高，從而導(dǎo)致齒環(huán)產(chǎn)品生產(chǎn)效率低。另外，由于齒環(huán)尺寸差異較大，給整個模具編號字符識別帶來新的難度。因此開發(fā)出一種準(zhǔn)確快速的環(huán)形分布模具編號檢測識別方法具有非常重要的工程應(yīng)用價值。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種齒環(huán)模具編號檢測方法，基于圖像極坐標(biāo)變換、圖像均值濾波、圖像膨脹、神經(jīng)網(wǎng)絡(luò)的算法，實現(xiàn)了流水線上的齒環(huán)環(huán)形分布模具編號字符信息的連續(xù)自動采集及判別。

為實現(xiàn)上述技術(shù)方案，本發(fā)明提供了一種齒環(huán)模具編號檢測方法，具體包括如下步驟：

步驟1、圖像采集：通過可以上下移動且自動聚焦的工業(yè)相機在光源的照射下采集放置在傳送帶上的齒環(huán)圖像；

步驟2、圖像識別：針對步驟1中獲取的齒環(huán)圖像，首先選取模具編號字符附著的環(huán)形目標(biāo)區(qū)域，然后對這個環(huán)形目標(biāo)區(qū)域進行極坐標(biāo)變換，經(jīng)過極坐標(biāo)變換后的目標(biāo)區(qū)域變成矩形區(qū)域，確保模具編號字符附著在該矩形區(qū)域內(nèi)；

步驟3、字符截?。簩Σ襟E2獲得的矩形區(qū)域進行ocr字符區(qū)域roi_0截?。?/p>

步驟4、字符處理：對步驟3中截圖的ocr字符進行ocr字符濾波、ocr字符分割和ocr

字符排序；

步驟5、字符識別：利用bp三層神經(jīng)網(wǎng)絡(luò)進行分類匹配，自行判斷檢測識別，最后輸出檢

測識別內(nèi)容；

步驟6、自動篩選：根據(jù)檢測識別工序的結(jié)果進行下一步分選，如果待檢齒環(huán)產(chǎn)品上面的模具編號字符能全部檢測識別出來，則該待檢齒環(huán)產(chǎn)品為合格產(chǎn)品，傳送帶將合格的待檢齒環(huán)產(chǎn)品移送到合格產(chǎn)品接料盒中；若待檢齒環(huán)產(chǎn)品上面的模具編號字符檢測識別不全或完全檢測識別不了，則該待檢齒環(huán)產(chǎn)品不合格，傳送帶將該不合格齒環(huán)產(chǎn)品移送到剔除機構(gòu)處，剔除機構(gòu)將該不合格齒環(huán)產(chǎn)品移送到不合格產(chǎn)品接料盒中。

優(yōu)選的，所述步驟2中，使用極坐標(biāo)變換將模具編號環(huán)形區(qū)域變成矩形區(qū)域，具體方法如下：

選取由abcd四點組成的環(huán)形區(qū)域，以點o(mr,mc)為環(huán)形區(qū)域的圓心，點p(r,c)為環(huán)形區(qū)

域abcd上一點，則點p的極坐標(biāo)p'(d,ф)可由下列公式推算出：

式中是相對于變換中心點o(mr,mc)的距離d和向量角度ф來表示極坐標(biāo)的，然后用仿射變

換和投影變換同樣的方式進行極坐標(biāo)的變換，具體公式如下所示：

r'＝mr+d*cosψ(3)

c'＝mc+d*sinψ(4)

公式(3)和公式(4)中(r',c')為變換后點p'的極坐標(biāo)，ψ為點p在環(huán)形區(qū)域內(nèi)極坐標(biāo)下的角度值，通過將abcd圓環(huán)形區(qū)域像素點的坐標(biāo)轉(zhuǎn)換成極坐標(biāo)，可以將環(huán)形區(qū)域轉(zhuǎn)換成由a'b'c'd'四點極坐標(biāo)表示的矩形，模具編號環(huán)形區(qū)域經(jīng)過極坐標(biāo)變換后得到矩形區(qū)域，此時模具編號字符由環(huán)形分布變成水平排列。

優(yōu)選的，模具編號字符由環(huán)形分布變成水平排列后，再對矩形區(qū)域進行均值濾波降噪處理，

之后對前后兩幅圖像做減法處理，

均值濾波降噪算法如下：

經(jīng)過公式(5)多次降噪后，圖像噪聲降低到原來的式中代表第i幅圖像位置(r,c)處的灰度值。

優(yōu)選的，所述步驟4中，截取ocr字符區(qū)域roi_0，對ocr字符區(qū)域roi_0進行字符分割，字符分割方式是先進行形態(tài)學(xué)膨脹處理,之后計算區(qū)域連通域，最后再對分割的字符進行閾值分割。

優(yōu)選的，所述步驟4中具體采用如下方法進行形態(tài)學(xué)膨脹處理：

d、用結(jié)構(gòu)元素b，掃描圖像a的每一個像素；

e、用結(jié)構(gòu)元素與其覆蓋的二值圖像做“與”操作；

f、如果都為0，結(jié)果圖像的該像素為0，否則為1；

膨脹是以得到b的相對與它自身原點的映像并且由z對映像進行移位為基礎(chǔ)的，a被b膨脹是所有位移z的集合，這樣，和a至少有一個元素是重疊的。

優(yōu)選的，所述步驟4中，所述閾值分割的計算公式如下：

s＝{(r,c)∈r|gmin≤fr,c≤gmax}(6)

式中r表示輸入圖像fr,c灰度值在(gmin，gmax)的集合，閾值分割時將圖像roi_0內(nèi)灰度值處于某一指定灰度值范圍(0，2b-1)內(nèi)的全部點選到輸出區(qū)域s中，其中b為位深，起閾值調(diào)節(jié)作用。

優(yōu)選的，所述步驟5中，利用bp三層神經(jīng)網(wǎng)絡(luò)進行分類匹配，自行判斷檢測識別的具體方法如下：

當(dāng)實際輸出與期望輸出不符時，進入誤差的反向傳播階段，誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳，周而復(fù)始的信息正向傳播和誤差反向傳播過程，是各層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，此過程一直進行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止，可以用以下式子表示：

o1＝f1(xw1)(7)

o2＝f2(f1(xw1)w2)(8)

o3＝f3(f2(f1(xw1)w2)w3)(9)

對于一個三層的前饋神經(jīng)網(wǎng)絡(luò)n，式中x表示網(wǎng)絡(luò)的輸入向量，w1～w3表示網(wǎng)絡(luò)各層的連接權(quán)向量，f1～f3表示神經(jīng)網(wǎng)絡(luò)三層的激活函數(shù)，o1、o2、o3分別表示第一層、第二層、第三層的輸出。

優(yōu)選的，所述步驟1中采用的光源為正面明場多角度led環(huán)形白光光源。

本發(fā)明提供的一種齒環(huán)模具編號檢測方法及裝置的有益效果在于：

1)本發(fā)明提供的齒環(huán)模具編號檢測方法，采用先進的圖像采集技術(shù)和數(shù)據(jù)通訊技術(shù)，實現(xiàn)數(shù)字圖像的實時采集與傳輸，可以在較短的時間內(nèi)創(chuàng)建標(biāo)準(zhǔn)的檢測環(huán)境，采用閉環(huán)控制原理使系統(tǒng)檢測過程自動控制和調(diào)節(jié)，然后進行準(zhǔn)確而快速的圖像識別及處理，滿足流水線生產(chǎn)節(jié)拍的需要，并利用系統(tǒng)的分析報告等能力輔助相關(guān)負(fù)責(zé)人員決策判斷，及時掌握每一個齒輪零件的質(zhì)量信息，從而有效對企業(yè)的生產(chǎn)質(zhì)量和技術(shù)進行總體上的把握和控制；

2)本發(fā)明提供的齒環(huán)模具編號檢測方法，提出了一種基于圖像極坐標(biāo)變換、圖像均值濾波、圖像膨脹、神經(jīng)網(wǎng)絡(luò)的算法，實現(xiàn)了流水線上的齒環(huán)環(huán)形分布模具編號字符信息的連續(xù)自動采集及判別，提高了模具編號字符信息識別的精度及速度，解決了單依靠傳統(tǒng)人工檢測判斷效率低、成本高等技術(shù)難題。

附圖說明

圖1是本發(fā)明中檢測方法的步驟示意圖；

圖2是本發(fā)明正面明場多角度led環(huán)形白光照射示意圖；

圖3是本發(fā)明圖像原始采集圖；

圖4是本發(fā)明模具編號環(huán)形區(qū)域截取圖；

圖5是本發(fā)明極坐標(biāo)變換圖像處理；

圖6是本發(fā)明均值濾波處理；

圖7是本發(fā)明獲取ocr字符roi_0圖；

圖8是本發(fā)明ocr字符分割圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整的描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。本領(lǐng)域普通人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，均屬于本發(fā)明的保護范圍。

實施例1：一種齒環(huán)模具編號檢測方法。

參照圖1至圖8所示，一種齒環(huán)模具編號檢測方法，具體包括如下步驟：

步驟1、圖像采集：通過可以上下移動且自動聚焦的工業(yè)相機在光源的照射下采集放置在傳送帶上的齒環(huán)圖像；具體而言，傳送帶將待檢齒環(huán)移送到齒環(huán)定位機構(gòu)旁的光電對射傳感器后，傳感器觸發(fā)齒環(huán)定位機構(gòu)上的氣缸將待檢齒環(huán)定位在傳送帶上的中心線位置上，之后傳送帶將待檢齒環(huán)移動至光電對射傳感器處，傳感器觸發(fā)工業(yè)相機及光源進行圖像采集，從而獲取齒環(huán)圖像，在采集圖像之前，傳動模組上的伺服電機移動工業(yè)相機，使得工業(yè)相機根據(jù)先前待檢齒環(huán)的型號實現(xiàn)相應(yīng)的自動對焦；

步驟2、圖像識別：針對步驟1中獲取的齒環(huán)圖像，首先選取模具編號字符附著的環(huán)形目標(biāo)區(qū)域，然后對這個環(huán)形目標(biāo)區(qū)域進行極坐標(biāo)變換，經(jīng)過極坐標(biāo)變換后的目標(biāo)區(qū)域變成矩形區(qū)域，確保模具編號字符附著在該矩形區(qū)域內(nèi)；

圖像極坐標(biāo)變換通常被采用來矯正圖像中的圓形物體或被包含在圓環(huán)中的物體，即是將圓環(huán)形區(qū)域像素點的坐標(biāo)轉(zhuǎn)換成極坐標(biāo)，將環(huán)形轉(zhuǎn)換成矩形，使用極坐標(biāo)變換將模具編號環(huán)形區(qū)域變成矩形區(qū)域，具體方法如下：

選取由abcd四點組成的環(huán)形區(qū)域，以點o(mr,mc)為環(huán)形區(qū)域的圓心，點p(r,c)為環(huán)形區(qū)

域abcd上一點，則點p的極坐標(biāo)p'(d,ф)可由下列公式推算出：

式中是相對于變換中心點o(mr,mc)的距離d和向量角度ф來表示極坐標(biāo)的，然后用仿射變

換和投影變換同樣的方式進行極坐標(biāo)的變換，具體公式如下所示：

r'＝mr+d*cosψ(3)

c'＝mc+d*sinψ(4)

公式(3)和公式(4)中(r',c')為變換后點p'的極坐標(biāo)，ψ為點p在環(huán)形區(qū)域內(nèi)極坐標(biāo)下的角度值，通過將abcd圓環(huán)形區(qū)域像素點的坐標(biāo)轉(zhuǎn)換成極坐標(biāo)，可以將環(huán)形區(qū)域轉(zhuǎn)換成由a'b'c'd'四點極坐標(biāo)表示的矩形，模具編號環(huán)形區(qū)域經(jīng)過極坐標(biāo)變換后得到矩形區(qū)域，此時模具編號字符由環(huán)形分布變成水平排列，從而方便后續(xù)字符的識別和截??；

模具編號字符由環(huán)形分布變成水平排列后，再對矩形區(qū)域進行均值濾波降噪處理，之后對

前后兩幅圖像做減法處理，

均值濾波降噪算法如下：

經(jīng)過公式(5)多次降噪后，圖像噪聲降低到原來的式中代表第i幅圖像位置(r,c)處的灰度值，圖像經(jīng)過均值濾波降噪后，變得十分清晰；

步驟3、字符截?。簩Σ襟E2獲得的矩形區(qū)域進行ocr字符區(qū)域roi_0截??；為了獲得清晰

的ocr字符截取圖像，首先對ocr字符區(qū)域roi_0進行膨脹處理，具體采用如下方法進行

形態(tài)學(xué)膨脹處理：

a、用結(jié)構(gòu)元素b，掃描圖像a的每一個像素；

b、用結(jié)構(gòu)元素與其覆蓋的二值圖像做“與”操作；

c、如果都為0，結(jié)果圖像的該像素為0，否則為1；

膨脹是以得到b的相對與它自身原點的映像并且由z對映像進行移位為基礎(chǔ)的，a被b膨脹是所有位移z的集合，這樣和a至少有一個元素是重疊的，從而使得ocr字符區(qū)域內(nèi)的字符顯示的更加清晰，方便后續(xù)字符的識別；

步驟4、字符處理：對步驟3中截圖的ocr字符進行ocr字符濾波、ocr字符分割和ocr字符排序；所述步驟4中，截取ocr字符區(qū)域roi_0，對ocr字符區(qū)域roi_0進行字符分割，字符分割方式是先進行形態(tài)學(xué)膨脹處理,之后計算區(qū)域連通域，最后再對分割的字符進行閾值分割；

所述閾值分割的計算公式如下：

s＝{(r,c)∈r|gmin≤fr,c≤gmax}(6)

式中r表示輸入圖像fr,c灰度值在(gmin，gmax)的集合，閾值分割時將圖像roi_0內(nèi)灰度值處于某一指定灰度值范圍(0，2b-1)內(nèi)的全部點選到輸出區(qū)域s中，其中b為位深，起閾值調(diào)節(jié)作用，通過閾值分割可以提高字符的識別率；

步驟5、字符識別：利用bp三層神經(jīng)網(wǎng)絡(luò)進行分類匹配，自行判斷檢測識別，最后輸出檢測識別內(nèi)容；

bp(backpropagation)三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和思路：

⑴輸入層(inputlayer)：輸入層各神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元。

⑵隱藏層(hiddenlayer)：中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力的需求，中間層可以設(shè)計為單隱層或者多隱層結(jié)構(gòu)；最后一個隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進一步處理后，完成一次學(xué)習(xí)的正向傳播處理過程。

⑶輸出層(outputlayer)：顧名思義，輸出層向外界輸出信息處理結(jié)果。

當(dāng)實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過程，是各層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，此過程一直進行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止，可以用以下式子表示：

o1＝f1(xw1)(7)

o2＝f2(f1(xw1)w2)(8)

o3＝f3(f2(f1(xw1)w2)w3)(9)

對于一個三層的前饋神經(jīng)網(wǎng)絡(luò)n，式中x表示網(wǎng)絡(luò)的輸入向量，w1～w3表示網(wǎng)絡(luò)各層的連接權(quán)向量，f1～f3表示神經(jīng)網(wǎng)絡(luò)三層的激活函數(shù)，o1、o2、o3分別表示第一層、第二層、第三層的輸出；通過bp三層神經(jīng)網(wǎng)絡(luò)可以對分隔出來的模具編號字符信息進行快速識別，不僅提高了模具編號字符信息的識別速度，而且大幅提高了模具編號字符信息的識別精度；

步驟6、自動篩選：根據(jù)檢測識別工序的結(jié)果進行下一步分選，如果待檢齒環(huán)產(chǎn)品上面的模具編號字符能全部檢測識別出來，則該待檢齒環(huán)產(chǎn)品為合格產(chǎn)品，傳送帶將合格的待檢齒環(huán)產(chǎn)品移送到合格產(chǎn)品接料盒中；若待檢齒環(huán)產(chǎn)品上面的模具編號字符檢測識別不全或完全檢測識別不了，則該待檢齒環(huán)產(chǎn)品不合格，傳送帶將該不合格齒環(huán)產(chǎn)品移送到剔除機構(gòu)處，剔除機構(gòu)將該不合格齒環(huán)產(chǎn)品移送到不合格產(chǎn)品接料盒中。

參照圖2所示，本檢測方法中的光源采用正面明場多角度led環(huán)形白光光源。由于噴碼字符是印在銅環(huán)柱面上，設(shè)計了正面明場同軸漫反射led環(huán)形白光光源照明方式能夠防止產(chǎn)生陰影，減少或防止鏡面反射，使齒環(huán)內(nèi)外徑輪廓圖像對比度增強。

本齒環(huán)模具編號檢測方法，采用先進的圖像采集技術(shù)和數(shù)據(jù)通訊技術(shù)，實現(xiàn)數(shù)字圖像的實時采集與傳輸，可以在較短的時間內(nèi)創(chuàng)建標(biāo)準(zhǔn)的檢測環(huán)境，同時提出了一種基于圖像極坐標(biāo)變換、圖像均值濾波、圖像膨脹、神經(jīng)網(wǎng)絡(luò)的算法，實現(xiàn)了流水線上的齒環(huán)環(huán)形分布模具編號字符信息的連續(xù)自動采集及判別，提高了模具編號字符信息識別的精度和速度，解決了單依靠傳統(tǒng)人工檢測判斷效率低、成本高等技術(shù)難題，而且采用閉環(huán)控制原理使系統(tǒng)檢測過程自動控制和調(diào)節(jié)，然后進行準(zhǔn)確而快速的圖像識別及處理，滿足流水線生產(chǎn)節(jié)拍的需要，并利用系統(tǒng)的分析報告等能力輔助相關(guān)負(fù)責(zé)人員決策判斷，及時掌握每一個齒輪零件的質(zhì)量信息，從而有效對企業(yè)的生產(chǎn)質(zhì)量和技術(shù)進行總體上的把握和控制，如此一來，避免了人工檢測效率低、容易疲勞導(dǎo)致誤檢的風(fēng)險。

以上所述為本發(fā)明的較佳實施例而已，但本發(fā)明不應(yīng)局限于該實施例和附圖所公開的內(nèi)容，所以凡是不脫離本發(fā)明所公開的精神下完成的等效或修改，都落入本發(fā)明保護的范圍。