一种齿环模具编号检测方法与流程

本发明涉及视觉检测技术领域，具体涉及一种齿环模具编号检测方法。

背景技术：

在工业生产中，许多产品上都记录着大量与产品相关的信息，如产品的质量精度、批次号、生产地、生产商等，这些信息有的用铸造或印刷喷码直接刻印到产品表面上去，不同的产品、不同的工艺流程及制造会造成刻印的文字形状及显现状态不同，因此采取的识别方式也不同，如二维码扫描、条码扫描、字符识别等。

目前针对呈现比较规整的文字信息或文字信息所处的环境简单等都比较容易读取，如白底黑字、附着材质良好、文字信息排列水平或竖直、文字信息间距规整等，这些文字信息易于分割进行读取。对于环形排列的字符图像，由于字符所呈现的环境是环形形状，因此难以对其进行准确有效的字符分割，再加上本环形分布模具编号由于其制造因素铸刻在铜质材料，这样易造成成像反光干扰，使得采集到的图像不是很清晰。并且模具编号呈现在齿环上是环形分布，与传统字符呈现方式不一样，因此加大了环形分布模具编号字符的检测识别难度。

目前齿环生产商的环形分布模具编号字符信息检测都是靠人工观察和自主判断实现，人工成本高、检测效率低，再加上模具编号是由铸造形成的，整个模具编号字符凸出或凹陷约为2mm，字符宽度为约2mm，因此容易呈现不规则和扭曲变形字符等因素造成误检漏检率高，从而导致齿环产品生产效率低。另外，由于齿环尺寸差异较大，给整个模具编号字符识别带来新的难度。因此开发出一种准确快速的环形分布模具编号检测识别方法具有非常重要的工程应用价值。

技术实现要素：

针对现有技术的不足，本发明提供了一种齿环模具编号检测方法，基于图像极坐标变换、图像均值滤波、图像膨胀、神经网络的算法，实现了流水线上的齿环环形分布模具编号字符信息的连续自动采集及判别。

为实现上述技术方案，本发明提供了一种齿环模具编号检测方法，具体包括如下步骤：

步骤1、图像采集：通过可以上下移动且自动聚焦的工业相机在光源的照射下采集放置在传送带上的齿环图像；

步骤2、图像识别：针对步骤1中获取的齿环图像，首先选取模具编号字符附着的环形目标区域，然后对这个环形目标区域进行极坐标变换，经过极坐标变换后的目标区域变成矩形区域，确保模具编号字符附着在该矩形区域内；

步骤3、字符截取：对步骤2获得的矩形区域进行ocr字符区域roi_0截取；

步骤4、字符处理：对步骤3中截图的ocr字符进行ocr字符滤波、ocr字符分割和ocr

字符排序；

步骤5、字符识别：利用bp三层神经网络进行分类匹配，自行判断检测识别，最后输出检

测识别内容；

步骤6、自动筛选：根据检测识别工序的结果进行下一步分选，如果待检齿环产品上面的模具编号字符能全部检测识别出来，则该待检齿环产品为合格产品，传送带将合格的待检齿环产品移送到合格产品接料盒中；若待检齿环产品上面的模具编号字符检测识别不全或完全检测识别不了，则该待检齿环产品不合格，传送带将该不合格齿环产品移送到剔除机构处，剔除机构将该不合格齿环产品移送到不合格产品接料盒中。

优选的，所述步骤2中，使用极坐标变换将模具编号环形区域变成矩形区域，具体方法如下：

选取由abcd四点组成的环形区域，以点o(mr,mc)为环形区域的圆心，点p(r,c)为环形区

域abcd上一点，则点p的极坐标p'(d,ф)可由下列公式推算出：

式中是相对于变换中心点o(mr,mc)的距离d和向量角度ф来表示极坐标的，然后用仿射变

换和投影变换同样的方式进行极坐标的变换，具体公式如下所示：

r'＝mr+d*cosψ(3)

c'＝mc+d*sinψ(4)

公式(3)和公式(4)中(r',c')为变换后点p'的极坐标，ψ为点p在环形区域内极坐标下的角度值，通过将abcd圆环形区域像素点的坐标转换成极坐标，可以将环形区域转换成由a'b'c'd'四点极坐标表示的矩形，模具编号环形区域经过极坐标变换后得到矩形区域，此时模具编号字符由环形分布变成水平排列。

优选的，模具编号字符由环形分布变成水平排列后，再对矩形区域进行均值滤波降噪处理，

之后对前后两幅图像做减法处理，

均值滤波降噪算法如下：

经过公式(5)多次降噪后，图像噪声降低到原来的式中代表第i幅图像位置(r,c)处的灰度值。

优选的，所述步骤4中，截取ocr字符区域roi_0，对ocr字符区域roi_0进行字符分割，字符分割方式是先进行形态学膨胀处理,之后计算区域连通域，最后再对分割的字符进行阈值分割。

优选的，所述步骤4中具体采用如下方法进行形态学膨胀处理：

d、用结构元素b，扫描图像a的每一个像素；

e、用结构元素与其覆盖的二值图像做“与”操作；

f、如果都为0，结果图像的该像素为0，否则为1；

膨胀是以得到b的相对与它自身原点的映像并且由z对映像进行移位为基础的，a被b膨胀是所有位移z的集合，这样，和a至少有一个元素是重叠的。

优选的，所述步骤4中，所述阈值分割的计算公式如下：

s＝{(r,c)∈r|gmin≤fr,c≤gmax}(6)

式中r表示输入图像fr,c灰度值在(gmin，gmax)的集合，阈值分割时将图像roi_0内灰度值处于某一指定灰度值范围(0，2b-1)内的全部点选到输出区域s中，其中b为位深，起阈值调节作用。

优选的，所述步骤5中，利用bp三层神经网络进行分类匹配，自行判断检测识别的具体方法如下：

当实际输出与期望输出不符时，进入误差的反向传播阶段，误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传，周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止，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)

对于一个三层的前馈神经网络n，式中x表示网络的输入向量，w1～w3表示网络各层的连接权向量，f1～f3表示神经网络三层的激活函数，o1、o2、o3分别表示第一层、第二层、第三层的输出。

优选的，所述步骤1中采用的光源为正面明场多角度led环形白光光源。

本发明提供的一种齿环模具编号检测方法及装置的有益效果在于：

1)本发明提供的齿环模具编号检测方法，采用先进的图像采集技术和数据通讯技术，实现数字图像的实时采集与传输，可以在较短的时间内创建标准的检测环境，采用闭环控制原理使系统检测过程自动控制和调节，然后进行准确而快速的图像识别及处理，满足流水线生产节拍的需要，并利用系统的分析报告等能力辅助相关负责人员决策判断，及时掌握每一个齿轮零件的质量信息，从而有效对企业的生产质量和技术进行总体上的把握和控制；

2)本发明提供的齿环模具编号检测方法，提出了一种基于图像极坐标变换、图像均值滤波、图像膨胀、神经网络的算法，实现了流水线上的齿环环形分布模具编号字符信息的连续自动采集及判别，提高了模具编号字符信息识别的精度及速度，解决了单依靠传统人工检测判断效率低、成本高等技术难题。

附图说明

图1是本发明中检测方法的步骤示意图；

图2是本发明正面明场多角度led环形白光照射示意图；

图3是本发明图像原始采集图；

图4是本发明模具编号环形区域截取图；

图5是本发明极坐标变换图像处理；

图6是本发明均值滤波处理；

图7是本发明获取ocr字符roi_0图；

图8是本发明ocr字符分割图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，均属于本发明的保护范围。

实施例1：一种齿环模具编号检测方法。

参照图1至图8所示，一种齿环模具编号检测方法，具体包括如下步骤：

步骤1、图像采集：通过可以上下移动且自动聚焦的工业相机在光源的照射下采集放置在传送带上的齿环图像；具体而言，传送带将待检齿环移送到齿环定位机构旁的光电对射传感器后，传感器触发齿环定位机构上的气缸将待检齿环定位在传送带上的中心线位置上，之后传送带将待检齿环移动至光电对射传感器处，传感器触发工业相机及光源进行图像采集，从而获取齿环图像，在采集图像之前，传动模组上的伺服电机移动工业相机，使得工业相机根据先前待检齿环的型号实现相应的自动对焦；

步骤2、图像识别：针对步骤1中获取的齿环图像，首先选取模具编号字符附着的环形目标区域，然后对这个环形目标区域进行极坐标变换，经过极坐标变换后的目标区域变成矩形区域，确保模具编号字符附着在该矩形区域内；

图像极坐标变换通常被采用来矫正图像中的圆形物体或被包含在圆环中的物体，即是将圆环形区域像素点的坐标转换成极坐标，将环形转换成矩形，使用极坐标变换将模具编号环形区域变成矩形区域，具体方法如下：

选取由abcd四点组成的环形区域，以点o(mr,mc)为环形区域的圆心，点p(r,c)为环形区

域abcd上一点，则点p的极坐标p'(d,ф)可由下列公式推算出：

式中是相对于变换中心点o(mr,mc)的距离d和向量角度ф来表示极坐标的，然后用仿射变

换和投影变换同样的方式进行极坐标的变换，具体公式如下所示：

r'＝mr+d*cosψ(3)

c'＝mc+d*sinψ(4)

公式(3)和公式(4)中(r',c')为变换后点p'的极坐标，ψ为点p在环形区域内极坐标下的角度值，通过将abcd圆环形区域像素点的坐标转换成极坐标，可以将环形区域转换成由a'b'c'd'四点极坐标表示的矩形，模具编号环形区域经过极坐标变换后得到矩形区域，此时模具编号字符由环形分布变成水平排列，从而方便后续字符的识别和截取；

模具编号字符由环形分布变成水平排列后，再对矩形区域进行均值滤波降噪处理，之后对

前后两幅图像做减法处理，

均值滤波降噪算法如下：

经过公式(5)多次降噪后，图像噪声降低到原来的式中代表第i幅图像位置(r,c)处的灰度值，图像经过均值滤波降噪后，变得十分清晰；

步骤3、字符截取：对步骤2获得的矩形区域进行ocr字符区域roi_0截取；为了获得清晰

的ocr字符截取图像，首先对ocr字符区域roi_0进行膨胀处理，具体采用如下方法进行

形态学膨胀处理：

a、用结构元素b，扫描图像a的每一个像素；

b、用结构元素与其覆盖的二值图像做“与”操作；

c、如果都为0，结果图像的该像素为0，否则为1；

膨胀是以得到b的相对与它自身原点的映像并且由z对映像进行移位为基础的，a被b膨胀是所有位移z的集合，这样和a至少有一个元素是重叠的，从而使得ocr字符区域内的字符显示的更加清晰，方便后续字符的识别；

步骤4、字符处理：对步骤3中截图的ocr字符进行ocr字符滤波、ocr字符分割和ocr字符排序；所述步骤4中，截取ocr字符区域roi_0，对ocr字符区域roi_0进行字符分割，字符分割方式是先进行形态学膨胀处理,之后计算区域连通域，最后再对分割的字符进行阈值分割；

所述阈值分割的计算公式如下：

s＝{(r,c)∈r|gmin≤fr,c≤gmax}(6)

式中r表示输入图像fr,c灰度值在(gmin，gmax)的集合，阈值分割时将图像roi_0内灰度值处于某一指定灰度值范围(0，2b-1)内的全部点选到输出区域s中，其中b为位深，起阈值调节作用，通过阈值分割可以提高字符的识别率；

步骤5、字符识别：利用bp三层神经网络进行分类匹配，自行判断检测识别，最后输出检测识别内容；

bp(backpropagation)三层神经网络结构和思路：

⑴输入层(inputlayer)：输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元。

⑵隐藏层(hiddenlayer)：中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程。

⑶输出层(outputlayer)：顾名思义，输出层向外界输出信息处理结果。

当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止，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)

对于一个三层的前馈神经网络n，式中x表示网络的输入向量，w1～w3表示网络各层的连接权向量，f1～f3表示神经网络三层的激活函数，o1、o2、o3分别表示第一层、第二层、第三层的输出；通过bp三层神经网络可以对分隔出来的模具编号字符信息进行快速识别，不仅提高了模具编号字符信息的识别速度，而且大幅提高了模具编号字符信息的识别精度；

步骤6、自动筛选：根据检测识别工序的结果进行下一步分选，如果待检齿环产品上面的模具编号字符能全部检测识别出来，则该待检齿环产品为合格产品，传送带将合格的待检齿环产品移送到合格产品接料盒中；若待检齿环产品上面的模具编号字符检测识别不全或完全检测识别不了，则该待检齿环产品不合格，传送带将该不合格齿环产品移送到剔除机构处，剔除机构将该不合格齿环产品移送到不合格产品接料盒中。

参照图2所示，本检测方法中的光源采用正面明场多角度led环形白光光源。由于喷码字符是印在铜环柱面上，设计了正面明场同轴漫反射led环形白光光源照明方式能够防止产生阴影，减少或防止镜面反射，使齿环内外径轮廓图像对比度增强。

本齿环模具编号检测方法，采用先进的图像采集技术和数据通讯技术，实现数字图像的实时采集与传输，可以在较短的时间内创建标准的检测环境，同时提出了一种基于图像极坐标变换、图像均值滤波、图像膨胀、神经网络的算法，实现了流水线上的齿环环形分布模具编号字符信息的连续自动采集及判别，提高了模具编号字符信息识别的精度和速度，解决了单依靠传统人工检测判断效率低、成本高等技术难题，而且采用闭环控制原理使系统检测过程自动控制和调节，然后进行准确而快速的图像识别及处理，满足流水线生产节拍的需要，并利用系统的分析报告等能力辅助相关负责人员决策判断，及时掌握每一个齿轮零件的质量信息，从而有效对企业的生产质量和技术进行总体上的把握和控制，如此一来，避免了人工检测效率低、容易疲劳导致误检的风险。

以上所述为本发明的较佳实施例而已，但本发明不应局限于该实施例和附图所公开的内容，所以凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。