一种基于机器视觉的工件缺陷检测系统的制作方法

本发明涉及一种基于机器视觉的工件缺陷检测系统，主要用于工件的线上缺陷检测与自动分拣，属于工业生产与自动检测领域，涉及机器视觉的智能检测方法。

背景技术：

在科技高速发展的今天，随着生产规模的不断扩大，在保证汽车保险丝盒工件产出量的前提下，对工件质量的要求也越来越高，许多传统的检测技术已经无法满足当今生产发展的要求。同时随着不同种类产品的产出以及对产品检测需求的不同，导致许多的产品没有相应的检测方法。现代工业注重在线、实时、快速、非接触的检测方式，要求确保不影响产品质量的前提下，提高产品的生产效率。

汽车保险丝盒用于安装汽车保险丝，是汽车电器线路的保护装置，用于汽车线路出故障时判断问题所在。保险丝盒的生产已经拥有一条成熟的流水线，保证了高效的自动化生产。然而当前对保险丝盒的检测还停留在传统的人工检测，主要通过设立专门的检测车间，雇佣专门的员工对工件进行缺陷排查。正常情况下，人工检测时需要将工件正对光源，使光源的光穿过工件内部，再由工作人员在众多的透孔中找到缺陷的部分，工作强度大，并且需要高度集中注意力。同时，由于汽车保险丝盒内部结构复杂，工件的主要缺陷类型是多胶、少胶，缺陷小且不起眼，大大增加人工检测的难度，平均每个工件的检测时间在5分钟，导致工件每天实际的产出量并不高。

技术实现要素：

为了解决传统工件检测方法带来的弊端，本发明提出了一套基于机器视觉的汽车保险丝盒工件缺陷检测系统

为了解决上述技术问题，本发明采用如下技术方案：

一种基于机器视觉的工件缺陷检测系统，包括工件生产模块，机器视觉检测模块和工件分拣模块，所述机器视觉检测模块包括检测平台、图像采集装置和工件缺陷分析系统，所述图像采集装置用于拍摄待测工件图片并将拍摄好的待测工件图片传输到缺陷分析系统，所述缺陷分析系统用于对待测工件图片进行对比分析并将缺陷检测结果发送至工件分拣模块，分拣模块用于将合格工件与不合格工件分别放至不同位置。

作为优选，所述工件生产模块和机器视觉检测模块之间设有产品中转台和机械手，所述产品中转台用于放置工件生产模块生产的待测工件，所述机械手用于将待测工件从产品中转台抓取并输送至机器视觉检测模块。

作为优选，所述图像采集装置包括相机、镜头和光源，所述检测平台上设有遮光罩。

作为优选，所述检测平台上设有载具，所述载具用于放置待测工件并且所述载具可在所述检测平台上移动。

作为优选，所述分拣模块包括分拣搬运机械臂，所述分拣搬运机械臂上设有多点停止机构和上下机构，所述上下机构可以沿着所述分拣搬运机械臂移动，所述多点停止机构用于控制上下机构停在各个指定位置，所述上下机构下方还设有夹持机构和吸取机构，所述上下机构驱动夹持机构和吸取机构上下运动，所述夹持机构和吸取机构用于抓取工件。

作为优选，所述分拣模块还包括双道出料输送带，所述双道出料输送带位于所述分拣搬运机械臂前部的下方，所述双道出料输送带的两个输送道分别放置合格工件和不合格工件并输送出去。

作为优选，所述缺陷分析系统包括图片匹配单元、缺陷检测单元和结果输出单元，图片匹配单元用于将待测工件图片与模板工件图片进行高精度匹配，缺陷检测单元用于对匹配后的图片进行检测从而找出待测工件的缺陷，结果输出单元用于将缺陷检测单元的检测结果在模板工件图片上进行标记并提示缺陷数量。其中，所述图片匹配单元中采用基于对角区域选择的粗匹配与基于区域分割的精匹配，具有高的匹配精度，相对传统匹配方法提高了匹配效率。其具体方法已经单独申请专利。

作为优选，所述缺陷检测单元中针对传统缺陷检测算法存在局限性的问题，根据实际缺陷种类及特征来设计专门的检测算法。针对多胶、少胶的细小缺陷，采用了基于均值滤波(现有算法)与误差块区域大小的粗筛选，以及基于横向纵向滤波的精筛选相结合的缺陷检测算法；针对结构性差异的大缺陷，采用了基于形态学开运算(现有算法)的缺陷检测算法。最后将两种方法的缺陷检测结果进行整合输出。

作为优选，所述缺陷检测单元中先采用基于区域大小限制的滤波方法滤除小缺陷，再用开运算滤波算法找出大缺陷。

作为优选，采用基于区域大小限制的滤波方法滤除小缺陷的具体方法如下：

根据两个限制条件：

1)长条块最小外接矩形框的长height和宽width

2)长条块的面积SUM与最小外接矩形框的面积S的比值RATE。

RATE计算如下：

其中I(i,j)表示图像像素点的像素值。通过设定height，width以及RATE可以完成区域大小的限制，滤除不满足条件的干扰块。

作为优选，基于横向纵向滤波的精筛选的具体方法如下：

假设待处理图片f(x,y)与g(x,y)，分别用于横向滤波处理和纵向滤波的处理，记结果图片为F(x,y)与G(x,y),设横向与纵向滤波的长度阈值为T。对于横向滤波f(x,y)，得到结果F(x,y)的具体方法为：在图像的每一行中搜索该行所有的连续线条，记线条的长度为L，如果L<T,则将线条上所有的像素值置0；否则不置0；遍历所有的行后输出横向滤波结果F(x,y)；

纵向滤波的操作与横向滤波相同，同样输出纵向滤波结果G(x,y)；

之后对F(x,y)与G(x,y)作与运算，最后输出的图片就是满足横向滤波和纵向滤波留下来的点，具体计算公式如下：

out(x,y)＝f(x,y)∩g(x,y)

横向纵向滤波设置的长度阈值T和实际缺陷块的宽度和长度有关

作为优选，用形态学开运算的缺陷检测算法找出大缺陷时，需要设置大尺寸的形态学运算子。

本发明的有益效果是：

本发明设置了工件生产模块，机器视觉检测模块和工件分拣模块，工件生产模块生产出的工件直接被送至机器视觉检测模块进行缺陷检测，然后由工件分拣模块将合格工件与不合格工件分开输送，实现了工件缺陷的自动检测，检测精度高、速度快，减少了人工劳动强度，大大提高了生产效率。本发明采用模块化一体设计，便于应用到不同类型的工件，方便维护和更换。

附图说明

图1本发明整体的结构示意图；

图2是本发明的任务框图；

图3是本发明中分拣搬运机械臂的结构示意图；

图4是本发明的工作流程图。

其中，1-工件生产模块；2-机器视觉检测模块；3-工件分拣模块；4-产品中转台；5-机械手；6-检测平台；7-分拣搬运机械臂；8-多点停止机构；9-上下机构；10-夹持机构；11-吸取机构；12-双道出料输送带；13-1号工件生产机床；14-2号工件生产机床。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步描述：

如图1、图2所示，一种基于机器视觉的工件缺陷检测系统，包括工件生产模块1，工件生产模块1可以包含多个工件生产机床，本实施例中的工件生产模块1包括1号工件生产机床13和2号工件生产机床14，机器视觉检测模块2和工件分拣模块3，机器视觉检测模块2包括检测平台6、图像采集装置和工件缺陷分析系统，图像采集装置用于拍摄待测工件图片并将拍摄好的待测工件图片传输到缺陷分析系统，缺陷分析系统用于对待测工件图片进行对比分析并将缺陷检测结果发送至工件分拣模块3，分拣模块用于将合格工件与不合格工件分别放至不同位置。

工件生产模块1和机器视觉检测模块2之间设有产品中转台4和机械手5，产品中转台4用于放置工件生产模块1生产的待测工件，机械手5用于将待测工件从产品中转台4抓取并输送至机器视觉检测模块2。图像采集装置包括相机以及与相机相配合的光源，选用高分辨率的面阵相机，大视场远心镜头及其配套的光源，并在检测平台6上设有遮光罩，保证了视场范围内图像不失真，获得的工件结构信息更加全面。在检测平台6上还设置了专门的载具，用于放置待测工件，并且载具可在检测平台6上移动，检测时方便多个工位的移动，解决了视场无法覆盖工件的问题。

如图3所示，分拣模块包括分拣搬运机械臂7，分拣搬运机械臂7上设有多点停止机构8和上下机构9，多点停止机构8用于控制上下机构9停在各个指定位置，上下机构9下方还设有夹持机构10和吸取机构11，上下机构9驱动夹持机构10和吸取机构11上下运动，夹持机构10和吸取机构11用于抓取工件。分拣模块还包括双道出料输送带12，双道出料输送带12位于分拣搬运机械臂7前部的下方，双道出料输送带12的两个输送道分别放置合格工件和不合格工件并输送出去。

缺陷分析系统包括图片匹配单元、缺陷检测单元和结果输出单元，图片匹配单元用于将待测工件图片与模板工件图片进行高精度匹配，此处设计了基于对角区域选择的粗匹配与基于单位像素路径搜索精匹配相结合的图像匹配方法，实现了待测工件图像与模板工件图像的高精度匹配，高精度匹配的方法发明人已经另行提出专利申请，在此不再做详细的阐述；缺陷检测单元用于对匹配后的图片进行检测从而找出待测工件的缺陷，结果输出单元用于将缺陷检测单元的检测结果在模板工件图片上进行标记并提示缺陷数量。

在缺陷检测单元中，工件本身存在结构性差异的大缺陷，以及多胶、少胶的小缺陷，两种缺陷需要分开来检测。针对传统缺陷检测算法存在局限性的问题，根据实际缺陷种类及特征来设计专门的检测算法。针对多胶、少胶的细小缺陷，采用了基于均值滤波(现有算法)与误差块区域大小的粗筛选，以及基于横向纵向滤波的精筛选相结合的缺陷检测算法；针对结构性差异的大缺陷，采用了基于形态学开运算(现有算法)的缺陷检测算法。最后将两种方法的缺陷检测结果进行整合输出。

粗筛选中，在基于现有滤波算法的基础上，增加了基于区域大小限制的滤波方法，用于滤除图中干扰的缺陷块，具体方法如下：

根据两个限制条件：

1)长条块最小外接矩形框的长height和宽width

2)长条块的面积SUM与最小外接矩形框的面积S的比值RATE。

RATE计算如下：

其中I(i,j)表示图像像素点的像素值。通过设定height，width以及RATE可以完成区域大小的限制，滤除不满足条件的干扰块。

基于横向纵向滤波的精筛选的具体方法如下：

假设待处理图片f(x,y)与g(x,y)，分别用于横向滤波处理和纵向滤波的处理，记结果图片为F(x,y)与G(x,y),设横向与纵向滤波的长度阈值为T。以f(x,y)横向滤波为例，得到结果F(x,y)的具体步骤如下：

(1)以图像第0行为例，搜索该行所有的连续线条，记线条的长度为L，如果L<T,则将线条上所有的像素值置0；否则不置0。

(2)以操作(1)遍历图像中所有的行，输出横向滤波结果F(x,y)。

纵向滤波的操作与横向滤波相同，同样输出纵向滤波结果G(x,y)。

之后对F(x,y)与G(x,y)作与运算，最后输出的图片就是满足横向滤波和纵向滤波留下来的点，具体计算公式如下：

out(x,y)＝f(x,y)∩g(x,y)

横向纵向滤波设置的长度阈值T和实际缺陷块的宽度和长度有关

针对结构性差异的大缺陷块，采用了现有的开运算滤波算法，需要设置大尺寸的形态学运算子。

本发明的具体工作流程如下：

1.机床完成工件生产，机械手5将工件放置在产品中转台4上，等待检测；

2.机器视觉检测模块2发来检测信号，控制机械手5抓取工件并放置在位于检测平台6放料点的载具上，载具搭载工件移至图像采集装置；

3.机器视觉检测模块2拍摄待测工件图片，并与相应模板图片进行匹配以及缺陷检测；

4.完成缺陷检测的工件由载具移至分拣搬运机械臂7的下面，由其抓取工件至分到输送线上；

5.分拣搬运机械臂7会根据缺陷检测结果，将工件放置在对应的输送带道上，并有输送带运输出去；

6.硬件部分回到初始化位置，机器视觉检测模块2发出信号，系统开始下一个检测工件的检测。

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。