一种基于机器视觉和特征参数统计的铝合金板材表面罗平线检测评估方法技术

一种基于机器视觉和特征参数统计的铝合金板材表面罗平线检测评估方法，对获取的板材表面图像建立基于形态学运算的罗平线检测，并根据检测结果中的各最小外包矩形的尺寸大小和分布进行罗平线特征的统计与输出，根据得出的罗平线特征对罗平线进行量化评估

【技术实现步骤摘要】
一种基于机器视觉和特征参数统计的铝合金板材表面罗平线检测评估方法


[0001]本专利技术属于机器视觉在金属板材表面质量检测的应用领域，具体涉及一种基于机器视觉和特征参数统计的铝合金板材表面罗平线检测评估方法
。

技术介绍

[0002]车身轻量化设计是汽车产业的发展方向之一，铝合金由于密度小
、
耐腐蚀
、
成形性好和屈强比高等优点，在国内外高端车型和新能源汽车上获得了广泛的应用
。
[0003]与传统钢制冲压零件相比，铝合金板材成形制造具有一系列显著不同的特性
。
铝合金板材冲压成形汽车覆盖件时，零件表面极易出现一系列沿轧制方向紧密间隔的线，称为罗平线
(Roping line)。
罗平线的深度可达几十微米，其波纹宽度约1毫米，长度可达约
50
毫米
。
罗平线将导致汽车覆盖件出现显著的表面质量缺陷，零件涂装烤漆无法掩盖此类缺陷甚至会发生放大的现象，从而严重影响汽车外板零件外观质量
。
因此，铝合金板材罗平线检测是评估板材是否合格的重要方面
。
目前生产应用中，铝合金板材罗平线的检测和评估仍缺乏高效准确的流程及方法
。
现有方法主要是通过将铝合金板材拉伸并且轻微打磨变形后表面，技术人员利用肉眼结合经验对于铝合金板材表面的罗平线条数进行评估，不仅费时费力，同时存在极大的主观因素并需要较高的经验水平
。
[0004]机器视觉，是用机器代替人的视觉，获取和处理计算机数字图像，并结合实际需求做出进一步评价的技术
。
机器视觉一方面能够胜任一些危险或者极限的工作环境；另外一方面在大规模重复的劳动中，将人从重复的工作里解放出来，提高自动化和生产作业的效率
。
同时机器视觉可以设定固定的判断标准，降低判断过程中的人为主观因素
。
伴随近年来机器视觉技术发展，在产品质量的检测评估中发挥着越来越重要的作用
。
[0005]目前国内对于罗平线的研究文献较少，尚无罗平线评估检测的专利提出
。
并且当前工艺下，罗平线具有破碎和不连续的特点，容易被打磨造成的划痕所干扰，传统的机器视觉技术不能解决问题
。
[0006]申请号为：
CN 202011224823.4
的专利技术申请，公开了“一种基于机器视觉的金属板材表面缺陷检测方法”，具体为：将红色条纹光投射到板材表面，使凹坑
、
凸起
、
划痕等缺陷被突显出来，使用
CCD
摄像机采集条纹投影图像；将彩色图像分解，突显光源的色彩信息，突显光源的色彩信息；提取条纹中心，通过算法判断线条的畸变情况，反映缺陷的大小
。
其采用条纹的打光方式，消除镜面反射效应影响的同时，能够增强对板材表面缺陷的显现力，得到具有高质量的缺陷图像
。
[0007]申请号为：
CN 202110548337.6
的专利技术申请，公开了“一种表面缺陷检测模型训练方法
、
表面缺陷检测方法及系统”，，其中表面缺陷检测模型训练方法包括：获取产品的正常图片和与产品无关的外部图片；将所述正常图片和所述外部图片输入到基于深度神经网络的表面缺陷检测模型中，对基于深度神经网络的表面缺陷检测模型进行训练，得到表面缺陷检测模型
。

技术实现思路

[0008]为解决以上问题，本专利技术提供了一种基于机器视觉和特征参数统计的铝合金板材表面罗平线检测评估方法，其技术方案具体如下：
[0009]一种基于机器视觉和特征参数统计的铝合金板材表面罗平线检测评估方法，其特征在于：
[0010]对获取的板材表面图像建立基于形态学运算的罗平线检测，并根据检测结果中的各最小外包矩形的尺寸和分布进行罗平线特征的统计与输出，根据得出的罗平线特征对罗平线进行量化评估
。
[0011]根据本专利技术的一种基于机器视觉和特征参数统计的铝合金板材表面罗平线检测评估方法，其特征在于：
[0012]在获取了板材表面图像之后
、
建立基于形态学运算的罗平线检测之前，还对获取到的板材表面图像依次进行了灰度转换
、
高斯模糊及图像裁剪的预处理
。
[0013]根据本专利技术的一种基于机器视觉和特征参数统计的铝合金板材表面罗平线检测评估方法，其特征在于：
[0014]在高斯模糊之后图像裁剪之前，还对图像进行了基于亮度
、
对比度自适应调节的图像增强处理
。
[0015]根据本专利技术的一种基于机器视觉和特征参数统计的铝合金板材表面罗平线检测评估方法，其特征在于：
[0016]通过设置的线性变换建立明度和对比度的自适应调整；
[0017]所述的线性变换表示如下：
[0018]O(r,c)
＝
α
×
I(r,c)+
β
,0≤r
＜
H,0≤c
＜
W
[0019]所述的明度和对比度的自适应调整通过下述两个参数的调整进行，
[0020][0021]β
＝
I0‑
α
I
[0022]其中，
[0023]α
：与对比度有关的参数；
[0024]β
：与明度和对比度有关的参数；
[0025]O
：输出图像；
[0026]I
：输入图像；
[0027]I0：目标明度；
[0028]C0：目标对比度；
[0029]W
：图像列数；
[0030]H
：图像行数
。
[0031]根据本专利技术的一种基于机器视觉和特征参数统计的铝合金板材表面罗平线检测评估方法，其特征在于：
[0032]建立基于形态学运算的罗平线检测，具体包括如下步骤：
[0033]S1
：对图像进行二值化处理，得到二值图像；
[0034]S2
：对二值图像进行形态学运算与阈值处理，得到基于最小外包矩形表征的初步
罗平线检测；
[0035]S3
：对初步罗平线检测分别建立纵向和横向的优化处理，形成最终的罗平线检测
。
[0036]根据本专利技术的一种基于机器视觉和特征参数统计的铝合金板材表面罗平线检测评估方法，其特征在于：
[0037]罗平线特征包括有：数量
、
面内分布密度
、
平均长度
、
罗平线密度
。
[0038]根据本专利技术的一种基于机器视觉和特征参数统计的铝合金板材表面罗平线检测评估方法，其特征在于：
[0039]步骤
S1
中的二值化基于最大类间方差法进行
。
[0040本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于机器视觉和特征参数统计的铝合金板材表面罗平线检测评估方法，其特征在于：对获取的板材表面图像建立基于形态学运算的罗平线检测，并根据检测结果中的各最小外包矩形的尺寸和分布进行罗平线特征的统计与输出，根据得出的罗平线特征对罗平线进行量化评估
。2.
根据权利要求1所述的一种基于机器视觉和特征参数统计的铝合金板材表面罗平线检测评估方法，其特征在于：在获取了板材表面图像之后
、
建立基于形态学运算的罗平线检测之前，还对获取到的板材表面图像依次进行了灰度转换
、
高斯模糊及图像裁剪的预处理
。3.
根据权利要求2所述的一种基于机器视觉和特征参数统计的铝合金板材表面罗平线检测评估方法，其特征在于：在高斯模糊之后图像裁剪之前，还对图像进行了基于亮度
、
对比度自适应调节的图像增强处理
。4.
根据权利要求3所述的一种基于机器视觉和特征参数统计的铝合金板材表面罗平线检测评估方法，其特征在于：通过设置的线性变换建立明度和对比度的自适应调整；所述的线性变换表示如下：
O(r,c)
＝
α
×
I(r,c)+
β
,0≤r
＜
H,0≤c
＜
W
所述的明度和对比度的自适应调整通过下述两个参数的调整进行，
β
＝
I0‑
α
I
其中，
α
：与对比度有关的参数；
β
：与明度和对比度有关的参数；
O
：输出图像；
I
：输入图像；
I0：目标明度；
C0：目标对比度；
W
：图像列数；
H
：图像行数
。5.
根据权利1所述的一种基于机器视觉和特征参数统计的铝合金板材表面罗平线检测评估方法，其特征在于：建立基于形态学运算的罗平线检测，具体包括如下步骤：
S1
：对图像进行二值化处理，得到二值图像；
S2
：对二值图像进行形态学运算与阈值处理，得到基于最小外包矩形表征的初步罗平线检测；
S3
：对初步罗平线检测分别建立纵向和横向的优化处理，形成最终的罗平线检测
。6.
根据权利要求1所述的一种基于机器视觉和特征参数统计的铝合金板材表面罗平线
检测评估方法，其特征在于：罗平线特征包括有：数量
、
面内分布密度
、
平均长度
、
罗平线密度
。7.
根据权利要求5所述的一种基于机器视觉和特征参数统计的铝合金板材表面罗平线检测评估方法，其特征在于：步骤
S1
中的二值化基于最大类间方差法进行
。8.
根据权利要求5所述的一种基于机器视觉和特征参数统计的铝合金板材表面罗平线检测评估方法，其特征在于：步骤
S2
中的形态学运算，具体为：先进行闭运算
、
再进行开运算
、
然后进行连通域计算，最后对每个连通域进行最小外包矩形的计算
。9.
根据权利要求5所述的一种基于机器视觉和特征参数统计的铝合金板材表面罗平线检测评估方法，其特征在于：步骤
S2
中的阈值处理，具体为：对于达不到纵向尺寸设定阈值的外包矩形进行过滤处理
...

【专利技术属性】
技术研发人员：苑锡妮，曹零勇，曹高辉，杨兵，
申请(专利权)人：宝山钢铁股份有限公司，
类型：发明
国别省市：