一种基于机器视觉的卡箍类零件尺寸检测方法技术

本发明专利技术公开了一种基于机器视觉的卡箍类零件尺寸检测方法，首先采集零件图像，之后对采集的图像进行处理，包括灰度化、高斯滤波、二值化处理以及Canny边缘粗提取和亚像素边缘精提取，得到零件的尺寸数据，随后对被测零件进行尺寸标定，将零件的尺寸数据与标准尺寸数据进行对比，判断零件是否合格。本发明专利技术的技术方案采用了多种图像处理方式，包括Canny算法和亚像素边缘精提取方法，获得了更精确的边缘位置；解决了工业生产中尺寸测量精度低，容错率过大的问题，对零件的尺寸检测方面提供了新的思路。思路。思路。

【技术实现步骤摘要】
一种基于机器视觉的卡箍类零件尺寸检测方法


[0001]本专利技术属于机器视觉检测
，具体涉及一种基于机器视觉的卡箍类零件尺寸检测方法。

技术介绍

[0002]随着科学技术的不断发展，传统的机械零部件加工工艺除了向高精度、高效率和高等材料方向发展外，机械加工自动化也是重要发展方向之一，伴随着整个机械加工行业的技术升级的是对机械制成品的检验检测更高的要求。传统的机械加工中需要工人凭借肉眼和简单工具判定零部件是否合格，这一检测方式严重依赖工人的技术经验和主观性。即使技术熟练的工人，随着检测工作的重复进行，也极易产生疲劳和疏忽，造成漏检或错检，这一问题大大制约了机械加工精度和生产效率的提高，机械加工行业需要引入更先进的检验技术。
[0003]机器视觉是利用工业相机CCD来取代人眼做检测的一种现代化检测技术，通过工业相机CCD对被测物体进行图像处理，将图像信息转化为数字信号，再从其中提取所需的特征，从而实现对被检测物体状态的检测。数字处理技术及人工智能的发展，使人们对产品质量和效益的要求越来越高，找到一种能提高产品质量、加快检测速度的方法也是非常重要。

技术实现思路

[0004]基于以上问题，本专利技术的目的在于提供一种基于机器视觉的卡箍类零件尺寸检测方法，解决了传统技术中存在的零件测量效率低、准确度差和目前市场上的检测系统价格昂贵、操作难度高的问题。
[0005]实现本专利技术目的的技术解决方案为：
[0006]一种基于机器视觉的卡箍类零件尺寸检测方法，包括以下步骤：
[0007]步骤1、采集零件图像；
[0008]步骤2、对采集的图像进行处理，得到零件的尺寸数据；
[0009]步骤3、对被测零件进行尺寸标定，将零件的尺寸数据与标准尺寸数据进行对比，判断零件的尺寸是否符合标准，若是，则判断零件合格，否则判断零件不合格。
[0010]本专利技术与现有技术相比，其显著优点为：
[0011]本专利技术的基于机器视觉的卡箍零件尺寸检测方法，采用了多种图像处理方式，包括Canny算法和亚像素边缘精提取方法，获得了更精确的边缘位置；解决了工业生产中尺寸测量精度低，容错率过大的问题，本方法在尺寸测量中具有广泛的应用，对零件尺寸检测方面提供了新的思路。
[0012]下面结合附图和具体实施方式对本专利技术作进一步详细描述。
附图说明
[0013]图1为本专利技术的基于机器视觉的卡箍类零件尺寸检测方法的步骤流程图。
[0014]图2为本专利技术的实施例中的卡箍零件尺寸检测装置结构示意图。
[0015]图3为本专利技术的实施例中求和面积表，其中图(a)为原始灰度值图，图(b)为求和后灰度值图。
具体实施方式
[0016]一种基于机器视觉的卡箍类零件尺寸检测方法，包括以下步骤：
[0017]步骤1、采集零件图像；
[0018]步骤2、对采集的图像进行处理，得到零件的尺寸数据，具体为：
[0019]步骤2
‑
1、对零件图像进行灰度化处理，具体为：
[0020]F(x,y)＝ω1F
R
(x,y)+ω2F
G
(x,y)+ω3F
B
(x,y)
[0021]其中，ω1、ω2和ω3分别表示像素点的R、G、B分量系数，且三个权值的和为1，可根据每个分量指标的重要性从而给予它们不同的取值；F(x,y)表示点(x,y)包含所有分量的图像信息，F
R
(x,y)是点(x,y)包含R分量的信息，F
G
(x,y)是点(x,y)包含G分量的信息，F
B
(x,y)是点(x,y)包含B分量的信息。
[0022]步骤2
‑
2、对灰度处理后的图像通过高斯滤波进行降噪，得到降噪后的图像；
[0023]即用一个模板扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
[0024]步骤2
‑
3、对滤波降噪后的图像通过改进的自适应阈值分割算法进行二值化处理，具体为：
[0025]步骤2
‑3‑
1、设置一个m
×
n像素的求和面积表，确定求和面积表中的像素点上方、左侧、和左上位置有的所有像素灰度值的和：
[0026][0027]其中，t
ij
表示像素坐标上的值，s
xy
表示所有像素灰度值的和，m、n为奇数。
[0028]步骤2
‑3‑
2、遍历求和面积表中所有的像素点，求得每个求和面积表中心区域像素的灰度值F：
[0029]F＝D/(m
×
n)
[0030]其中，D表示求和面积表右下角的像素点的灰度值的和；
[0031]步骤2
‑3‑
3、将求和面积表中心区域像素的灰度值F与该求和面积表的中心点像素的原灰度值进行比较，若该点的原灰度值大于该区域中心像素的灰度值F，则将该点的像素值设置为255；反之，则将该点的像素值设置为0；
[0032]步骤2
‑3‑
4、遍历图像中的所有像素，完成图像的二值化处理。
[0033]步骤2
‑
4、对二值化后的图像进行边缘粗提取和边缘精提取，具体为：
[0034]步骤2
‑4‑
1、采用Canny边缘检测进行边缘粗提取，具体为：
[0035]步骤2
‑4‑1‑
1、采用3
×
3的模板扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值g(x,y)替代模板中心像素点的灰度值：
[0036][0037]式中，f
′
(x,y)为二值化处理后的图像；w
xy
为第x行y列像素点的灰度值；M为滤波模
板；
[0038]步骤2
‑4‑1‑
2、确定图像中每个像素点的梯度强度和方向：
[0039]采用一阶有限差分来进行近似，得到图像在x和y方向上偏导数的两个矩阵：
[0040][0041][0042]P[i,j]＝(f[i,j+1]‑
f[i,j]+f[i+1,j+1]‑
f[i+1,j])/2
[0043]Q[i,j]＝(f[i,j]‑
f[i+1,j]+f[i,j+1]‑
f[i+1,j+1])/2
[0044][0045]θ[i,j]＝arctan(Q[i,j]/P[i,j])
[0046]式中，P[i,j]为像素点在水平方向的差分；Q[i,j]为像素点在垂直方向的差分；M[i,j]为梯度强度；θ[i,j]为梯度方向，f[i,j]像素点灰度；
[0047]步骤2
‑4‑1‑
3、将每个像素的梯度强度与沿正负梯度方向上的两个像素进行比较；如果当前像素的梯度强度与另外两个像素相比最大，则该像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉的卡箍类零件尺寸检测方法，其特征在于，包括以下步骤：步骤1、采集零件图像；步骤2、对采集的图像进行处理，得到零件的尺寸数据；步骤3、对被测零件进行尺寸标定，将零件的尺寸数据与标准尺寸数据进行对比，判断零件的尺寸是否符合标准，若是，则判断零件合格，否则判断零件不合格。2.根据权利要求1所述的基于机器视觉的卡箍类零件尺寸检测方法，其特征在于，所述步骤2中的对采集的图像进行处理，得到零件的尺寸数据，具体为：步骤2
‑
1、对零件图像进行灰度化处理；步骤2
‑
2、对灰度处理后的图像通过高斯滤波进行降噪，得到降噪后的图像；步骤2
‑
3、对滤波降噪后的图像通过改进的自适应阈值分割算法进行二值化处理；步骤2
‑
4、对二值化后的图像进行边缘粗提取和边缘精提取。3.根据权利要求2所述的基于机器视觉的卡箍类零件尺寸检测方法，其特征在于，所述步骤2
‑
1中的对零件图像进行灰度化处理：F(x,y)＝ω1F
R
(x,y)+ω2F
G
(x,y)+ω3F
B
(x,y)其中，ω1、ω2和ω3分别表示像素点的R、G、B分量系数，F(x,y)表示点(x,y)包含所有分量的图像信息，F
R
(x,y)是点(x,y)包含R分量的信息，F
G
(x,y)是点(x,y)包含G分量的信息，F
B
(x,y)是点(x,y)包含B分量的信息。4.根据权利要求2所述的基于机器视觉的卡箍类零件尺寸检测方法，其特征在于，所述步骤2
‑
3的对图像进行二值化处理，具体为：步骤2
‑3‑
1、设置一个m
×
n像素的求和面积表，确定求和面积表中的像素点上方、左侧、和左上位置有的所有像素灰度值的和：其中，t
ij
表示像素坐标上的值，s
xy
表示所有像素灰度值的和，m、n为奇数。步骤2
‑3‑
2、遍历求和面积表中所有的像素点，求得每个求和面积表中心区域像素的灰度值F：F＝D/(m
×
n)其中，D表示求和面积表右下角的像素点的灰度值的和；步骤2
‑3‑
3、将求和面积表中心区域像素的灰度值F与该求和面积表的中心点像素的原灰度值进行比较，若该点的原灰度值大于该区域中心像素的灰度值F，则将该点的像素值设置为255；反之，则将该点的像素值设置为0；步骤2
‑3‑
4、遍历图像中的所有像素，完成图像的二值化处理。5.根据权利要求2所述的基于机器视觉的卡箍类零件尺寸检测方法，其特征在于，所述步骤2
‑
4中的对图像进行边缘粗提取和精提取，具体为：步骤2
‑4‑
1、采用Canny边缘检测进行边缘粗提取；步骤2
‑4‑
2、利用亚像素边缘检测算法进行边缘精提取。6.根据权利要求5所述的基于机器视觉的卡箍类零件尺寸检测方法，其特征在于，所述步骤2
‑4‑
1中的...

【专利技术属性】
技术研发人员：孙瑜，朱环，樊致远，张容，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：