基于機器視覺的軸質量檢測方法
【技術領域】
[0001] 本發明主要涉及到產品質量的檢測領域，特指一種適用于軸的機器視覺質量檢測 方法。
【背景技術】
[0002] 目前，對于"軸"的質量檢測主要是依靠人眼觀察的方法進行，而人眼檢測的方法 具有效率低、誤檢率高、沒有統一的質量檢測評判標準、人工費用高等缺點；其中，僅僅憑 借人的經驗進行選擇，往往導致誤檢率高，且產品質量得不到保障，直接影響在市場上的銷 售。
[0003] 電機軸的主要材料有碳鋼、不銹鋼、銅、鋁等。以微型電機軸(又稱精密軸）為例， 其直徑相對較小，加工工藝精度高微型軸相對較小，精度高，一般是由客戶提供圖紙，根據 客戶要求定制加工，主要通過檢測軸截面的各種情況進行質量判定，如軸存在的問題有：平 花、粗糙、倒角、平頭、尖頭擦傷、螺紋等，電機軸檢測最小直徑范圍可為0. 2_。由此可見，如 果僅憑人眼來進行檢測效率將會十分低下，且無法保證檢測精度。
【發明內容】
[0004] 本發明要解決的技術問題就在于：針對現有技術存在的技術問題，本發明提供一 種原理簡單、效率高、檢測精確度高的基于機器視覺的軸質量檢測方法。
[0005] 為解決上述技術問題，本發明采用以下技術方案： 一種基于機器視覺的軸質量檢測方法，其特征在于，步驟為： 51 :圖像預處理；包括尋找軸截面矩形區域和進行圖像增強處理； 52 :將經過步驟S1處理后的圖像進行分割處理，即將軸截面圖像分割為若干個小區 域，對每個區域內的每小塊求解灰度值均值，用柱狀圖分析單個區域內的灰度值均值變化 情況； 53 :進行分類判斷依據步驟S2得到的柱狀圖，從而判定軸的質量問題。
[0006] 作為本發明的進一步改進：所述尋找軸截面矩形區域的具體流程為： 5101 :獲取圖像；利用圖像采集設備獲取到軸的橫截面圖像； 5102 :灰度轉化；將步驟S1得到的彩色圖像進行灰度轉化； 5103 :Canny邊緣檢測；對步驟S2得到的整幅圖像進行Canny邊緣檢測算法； 5104 :找到每段連續邊緣矩形區域坐標；從圖像信息中的每一段具有相對的坐標數 據，將各段的坐標數據轉換成矩形區域； 5105 :使用聚類算法對矩形區域進行分類、合并；根據矩形區域中心距離的遠近利用 聚類算法進行分類、合并； 5106 :得到軸截面矩形區域，將軸截面矩形區域圖像像素的大小進行歸一化處理。
[0007] 作為本發明的進一步改進：所述圖像增強處理的具體流程為： S1001 :對軸檢測的截面圖像的像素灰度值進行直方圖統計分析，根據統計分析結果獲 取圖像中的亮斑閾值A; 51002 :將超過該閾值A的所有像素點舍棄后，對軸截面圖像中每一像素點的值用該 點的一個鄰域中各點值的中值代替，讓周圍的像素值接近真實值，即中值濾波；在中值濾波 時，只對小于、等于或小于等于閾值A的所有像素點進行濾波處理； 51003 :獲得軸截面圖像。
[0008] 作為本發明的進一步改進：，在所述步驟S2中，所述區域的形狀為扇形、圓環形或 矩形。
[0009] 作為本發明的進一步改進：所述軸截面圖像以45度角分割成八塊，再以每個扇形 進行細分為十塊，全圖共分為八十塊小區域。
[0010] 作為本發明的進一步改進：在所述步驟S3中，對軸的質量問題情況對應分為五類 進行判斷： A. 若柱狀圖中出現多個波峰，且波峰數量越多，則為質量問題軸的可能性越大； B. 若柱狀圖中出現多個波谷，且波谷數量越多，則為質量問題軸可能性越大； C. 若柱狀圖中連續出現等高的柱狀塊，等高柱狀圖越多則為質量問題軸的可能性越 大； D. 若柱狀圖中連續兩相鄰柱狀塊的高度值，變化率越大則為質量問題軸的可能性越 大； E. 若柱狀圖中連續相隔柱狀塊的高度值，其變化率越大則為質量問題軸的可能性越 大。
[0011] 作為本發明的進一步改進：在所述判別過程中，對于質量問題的軸檢測情況，根據 五類問題劃分等級化為〇至5,其中/7為1至5,所對應的加權權值分別是波峰質量問題錯 誤權值本為〇. 32,波谷質量問題錯誤權值馬為0. 42,連續等高柱狀塊的質量問題錯誤權值 馬為〇. 45,相鄰柱狀塊變化率的質量問題錯誤權值&為0. 46,間隔柱狀塊變化率的質量問 題錯誤權值馬為0.35 ;將上述電機軸截面檢測中的質量問題錯誤等級與質量問題的錯誤 權值相乘，并對所有的質量問題錯誤的值進行求和，以此來判斷待測電機軸的質量情況。
[0012] 與現有技術相比，本發明的優點在于：本發明的基于機器視覺的軸質量檢測方法， 可以適用于各種尺寸直徑，方法原理簡單、快速且穩定，其效率遠遠高于人眼。針對不同錯 誤從圖中會有對應圖形分析結果，效率高，可以通過設定不同的參數標準來判斷不同的錯 誤類型。
【附圖說明】
[0013] 圖1是本發明方法的流程示意圖。
[0014] 圖2是本發明中尋找軸截面矩形區域的流程示意圖。
[0015] 圖3是本發明在具體應用中進行邊緣提取圖像的示意圖。
[0016] 圖4是本發明在具體應用中聚類后的圖像示意圖。
[0017] 圖5是本發明在具體應用中軸截面原圖示意圖。
[0018] 圖6是本發明在具體應用中進行圖像增強處理的流程示意圖。
[0019] 圖7是本發明在具體應用中軸截面中值后濾波圖。
[0020] 圖8是本發明在具體應用中軸截面分割均值濾波圖。
[0021] 圖9是本發明在具體應用中良品電機軸一個扇形區域柱狀圖。
[0022] 圖10是本發明在具體應用中質量問題的軸一個扇形區域柱狀圖。
[0023] 圖11是本發明在具體應用中質量問題的軸軸一個扇形區域柱狀圖。
[0024] 圖12是本發明在具體應用中進行軸質量問題判定的流程示意圖。
【具體實施方式】
[0025] 以下將結合說明書附圖和具體實施例對本發明做進一步詳細說明。
[0026] 如圖1所示，本發明的基于機器視覺的軸質量檢測方法，步驟為： 51 :圖像預處理；包括尋找軸截面矩形區域和進行圖像增強處理； 52 :將經過步驟S1處理后的圖像進行分割處理，即將軸截面圖像分割為若干個小區 域，對每個區域內的每小塊求解灰度值均值，用柱狀圖分析單個區域內的灰度值均值變化 情況； 53 :進行分類判斷依據步驟S2得到的柱狀圖，從而判定軸的質量問題。
[0027] 由于邊緣檢測結果復雜且不連續，傳統方式中使用hough變換進行檢測邊緣的方 法，導致在尋找軸截面區域的過程中，其準確度低、可靠性差，需要進行優化。具體應用實例 中，于步驟S1，本發明進一步對尋找軸截面矩形區域的過程進行優化，如圖2所示，其具體 流程為： 5101 :獲取圖像；利用圖像采集設備(如：相機）獲取到軸(如：電機軸）的橫截面圖像； 5102 :灰度轉化；將步驟S1得到的彩色圖像進行灰度轉化； 5103 :Canny邊緣檢測；對步驟S2得到的整幅圖像進行Canny邊緣檢測算法(參見圖 3)； 5104 :找到每段連續邊緣矩形區域坐標；從圖像信息中的每一段具有相對的坐標數 據，將各段的坐標數據轉換成矩形區域； 5105 :使用聚類算法對矩形區域進行分類、合并；根據矩形區域中心距離的遠近利用 聚類算法進行分類、合并(參見圖4); 5106 :得到軸截面矩形區域，將軸截面矩形區域圖像像素的大小進行歸一化處理。
[0028] 由于軸截面加工情況不同，導致軸的表面光滑程度不同，軸截面通過光照后，在光 反射區域可能出現陰影，光照不均等情況，也就是光強大小不同，如圖5所示，那么在軸截 面的檢測圖像中所呈現的灰度值大小也會不不同，此時的像素點會在反光較強的區域產生 亮斑，在針對軸截面圖像預處理的過程中，傳統方式中直接使用高斯濾波、均值濾波、Gabor 濾波、中值濾波等方法進行圖像增強處理，其效果不佳。具體應用實例中，于步驟S1，本發明 進一步進行圖像增強處理進行優化，如圖6所示，其具體流程為： 51001 :對軸檢測的截面圖像的像素灰度值進行直方圖統計分析，根據統計分析結果獲 取圖像中的亮斑閾值A; 51002 :其次將超過該閾值A的所有像素點舍棄后，對軸截面圖像中每一像素點的值用 該點的一個鄰域中各點值的中值代替，讓周圍的像素值接近真實值，即中值濾波；在中值濾 波時，只對小于、等于或小于等于閾值A的所有像素點進行濾波處理，此方法除中值濾波以 外，同樣也可使用均值濾波的方法進行替換處理，消除孤立的噪聲點，從而增強軸截面圖像 局部信息； S1003 :獲得改進濾波算法后的軸截面圖像，如圖7所示。
[0029] 如圖8所示，具體應用實例中，本發明步驟S2的具體為：將濾波后的軸截面圖像 分割為若干個小區域；依據不同需求可按照扇形、圓環形、矩形或其結合等不同形狀，不同 比例大小的圖像進行分割，分割區域越小，所獲取到的圖像局部信息就越詳細。比如圖8所 示，以45度角分割成八塊，再以每個扇形進行細分為十塊，全圖共分為八十塊小區域，其中 對每個扇形區域內的每小塊求解灰度值均值，用柱狀圖來分析單個扇形區域內的灰度值均 值變化情況，如圖9、圖10、圖11所示。
[0030] 本發明將圖像分為八塊扇形區域，每個扇形區域，每個扇形可畫出對應十份的直 方圖，如圖8所示。每個扇形區域半徑方向上灰度柱狀方圖如圖9、圖10及圖11所示。此 次實驗中軸截面是凸起的球面，良好的軸截面灰度值是漸變的，如果截面出現擦傷、削平、 螺紋等損壞。柱狀方圖對應相鄰或相隔灰度值變化很大、連續相鄰灰度值變化很小、出現多 個波峰和波谷等錯誤情況。在圖11中如標示區域