基于机器视觉的轴质量检测方法
【技术领域】
[0001] 本发明主要涉及到产品质量的检测领域，特指一种适用于轴的机器视觉质量检测 方法。
【背景技术】
[0002] 目前，对于"轴"的质量检测主要是依靠人眼观察的方法进行，而人眼检测的方法 具有效率低、误检率高、没有统一的质量检测评判标准、人工费用高等缺点；其中，仅仅凭 借人的经验进行选择，往往导致误检率高，且产品质量得不到保障，直接影响在市场上的销 售。
[0003] 电机轴的主要材料有碳钢、不锈钢、铜、铝等。以微型电机轴(又称精密轴）为例， 其直径相对较小，加工工艺精度高微型轴相对较小，精度高，一般是由客户提供图纸，根据 客户要求定制加工，主要通过检测轴截面的各种情况进行质量判定，如轴存在的问题有：平 花、粗糙、倒角、平头、尖头擦伤、螺纹等，电机轴检测最小直径范围可为0. 2_。由此可见，如 果仅凭人眼来进行检测效率将会十分低下，且无法保证检测精度。
【发明内容】
[0004] 本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一 种原理简单、效率高、检测精确度高的基于机器视觉的轴质量检测方法。
[0005] 为解决上述技术问题，本发明采用以下技术方案： 一种基于机器视觉的轴质量检测方法，其特征在于，步骤为： 51 :图像预处理；包括寻找轴截面矩形区域和进行图像增强处理； 52 :将经过步骤S1处理后的图像进行分割处理，即将轴截面图像分割为若干个小区 域，对每个区域内的每小块求解灰度值均值，用柱状图分析单个区域内的灰度值均值变化 情况； 53 :进行分类判断依据步骤S2得到的柱状图，从而判定轴的质量问题。
[0006] 作为本发明的进一步改进：所述寻找轴截面矩形区域的具体流程为： 5101 :获取图像；利用图像采集设备获取到轴的横截面图像； 5102 :灰度转化；将步骤S1得到的彩色图像进行灰度转化； 5103 :Canny边缘检测；对步骤S2得到的整幅图像进行Canny边缘检测算法； 5104 :找到每段连续边缘矩形区域坐标；从图像信息中的每一段具有相对的坐标数 据，将各段的坐标数据转换成矩形区域； 5105 :使用聚类算法对矩形区域进行分类、合并；根据矩形区域中心距离的远近利用 聚类算法进行分类、合并； 5106 :得到轴截面矩形区域，将轴截面矩形区域图像像素的大小进行归一化处理。
[0007] 作为本发明的进一步改进：所述图像增强处理的具体流程为： S1001 :对轴检测的截面图像的像素灰度值进行直方图统计分析，根据统计分析结果获 取图像中的亮斑阈值A; 51002 :将超过该阈值A的所有像素点舍弃后，对轴截面图像中每一像素点的值用该 点的一个邻域中各点值的中值代替，让周围的像素值接近真实值，即中值滤波；在中值滤波 时，只对小于、等于或小于等于阈值A的所有像素点进行滤波处理； 51003 :获得轴截面图像。
[0008] 作为本发明的进一步改进：，在所述步骤S2中，所述区域的形状为扇形、圆环形或 矩形。
[0009] 作为本发明的进一步改进：所述轴截面图像以45度角分割成八块，再以每个扇形 进行细分为十块，全图共分为八十块小区域。
[0010] 作为本发明的进一步改进：在所述步骤S3中，对轴的质量问题情况对应分为五类 进行判断： A. 若柱状图中出现多个波峰，且波峰数量越多，则为质量问题轴的可能性越大； B. 若柱状图中出现多个波谷，且波谷数量越多，则为质量问题轴可能性越大； C. 若柱状图中连续出现等高的柱状块，等高柱状图越多则为质量问题轴的可能性越 大； D. 若柱状图中连续两相邻柱状块的高度值，变化率越大则为质量问题轴的可能性越 大； E. 若柱状图中连续相隔柱状块的高度值，其变化率越大则为质量问题轴的可能性越 大。
[0011] 作为本发明的进一步改进：在所述判别过程中，对于质量问题的轴检测情况，根据 五类问题划分等级化为〇至5,其中/7为1至5,所对应的加权权值分别是波峰质量问题错 误权值本为〇. 32,波谷质量问题错误权值馬为0. 42,连续等高柱状块的质量问题错误权值 馬为〇. 45,相邻柱状块变化率的质量问题错误权值&为0. 46,间隔柱状块变化率的质量问 题错误权值馬为0.35 ;将上述电机轴截面检测中的质量问题错误等级与质量问题的错误 权值相乘，并对所有的质量问题错误的值进行求和，以此来判断待测电机轴的质量情况。
[0012] 与现有技术相比，本发明的优点在于：本发明的基于机器视觉的轴质量检测方法， 可以适用于各种尺寸直径，方法原理简单、快速且稳定，其效率远远高于人眼。针对不同错 误从图中会有对应图形分析结果，效率高，可以通过设定不同的参数标准来判断不同的错 误类型。
【附图说明】
[0013] 图1是本发明方法的流程示意图。
[0014] 图2是本发明中寻找轴截面矩形区域的流程示意图。
[0015] 图3是本发明在具体应用中进行边缘提取图像的示意图。
[0016] 图4是本发明在具体应用中聚类后的图像示意图。
[0017] 图5是本发明在具体应用中轴截面原图示意图。
[0018] 图6是本发明在具体应用中进行图像增强处理的流程示意图。
[0019] 图7是本发明在具体应用中轴截面中值后滤波图。
[0020] 图8是本发明在具体应用中轴截面分割均值滤波图。
[0021] 图9是本发明在具体应用中良品电机轴一个扇形区域柱状图。
[0022] 图10是本发明在具体应用中质量问题的轴一个扇形区域柱状图。
[0023] 图11是本发明在具体应用中质量问题的轴轴一个扇形区域柱状图。
[0024] 图12是本发明在具体应用中进行轴质量问题判定的流程示意图。
【具体实施方式】
[0025] 以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
[0026] 如图1所示，本发明的基于机器视觉的轴质量检测方法，步骤为： 51 :图像预处理；包括寻找轴截面矩形区域和进行图像增强处理； 52 :将经过步骤S1处理后的图像进行分割处理，即将轴截面图像分割为若干个小区 域，对每个区域内的每小块求解灰度值均值，用柱状图分析单个区域内的灰度值均值变化 情况； 53 :进行分类判断依据步骤S2得到的柱状图，从而判定轴的质量问题。
[0027] 由于边缘检测结果复杂且不连续，传统方式中使用hough变换进行检测边缘的方 法，导致在寻找轴截面区域的过程中，其准确度低、可靠性差，需要进行优化。具体应用实例 中，于步骤S1，本发明进一步对寻找轴截面矩形区域的过程进行优化，如图2所示，其具体 流程为： 5101 :获取图像；利用图像采集设备(如：相机）获取到轴(如：电机轴）的横截面图像； 5102 :灰度转化；将步骤S1得到的彩色图像进行灰度转化； 5103 :Canny边缘检测；对步骤S2得到的整幅图像进行Canny边缘检测算法(参见图 3)； 5104 :找到每段连续边缘矩形区域坐标；从图像信息中的每一段具有相对的坐标数 据，将各段的坐标数据转换成矩形区域； 5105 :使用聚类算法对矩形区域进行分类、合并；根据矩形区域中心距离的远近利用 聚类算法进行分类、合并(参见图4); 5106 :得到轴截面矩形区域，将轴截面矩形区域图像像素的大小进行归一化处理。
[0028] 由于轴截面加工情况不同，导致轴的表面光滑程度不同，轴截面通过光照后，在光 反射区域可能出现阴影，光照不均等情况，也就是光强大小不同，如图5所示，那么在轴截 面的检测图像中所呈现的灰度值大小也会不不同，此时的像素点会在反光较强的区域产生 亮斑，在针对轴截面图像预处理的过程中，传统方式中直接使用高斯滤波、均值滤波、Gabor 滤波、中值滤波等方法进行图像增强处理，其效果不佳。具体应用实例中，于步骤S1，本发明 进一步进行图像增强处理进行优化，如图6所示，其具体流程为： 51001 :对轴检测的截面图像的像素灰度值进行直方图统计分析，根据统计分析结果获 取图像中的亮斑阈值A; 51002 :其次将超过该阈值A的所有像素点舍弃后，对轴截面图像中每一像素点的值用 该点的一个邻域中各点值的中值代替，让周围的像素值接近真实值，即中值滤波；在中值滤 波时，只对小于、等于或小于等于阈值A的所有像素点进行滤波处理，此方法除中值滤波以 外，同样也可使用均值滤波的方法进行替换处理，消除孤立的噪声点，从而增强轴截面图像 局部信息； S1003 :获得改进滤波算法后的轴截面图像，如图7所示。
[0029] 如图8所示，具体应用实例中，本发明步骤S2的具体为：将滤波后的轴截面图像 分割为若干个小区域；依据不同需求可按照扇形、圆环形、矩形或其结合等不同形状，不同 比例大小的图像进行分割，分割区域越小，所获取到的图像局部信息就越详细。比如图8所 示，以45度角分割成八块，再以每个扇形进行细分为十块，全图共分为八十块小区域，其中 对每个扇形区域内的每小块求解灰度值均值，用柱状图来分析单个扇形区域内的灰度值均 值变化情况，如图9、图10、图11所示。
[0030] 本发明将图像分为八块扇形区域，每个扇形区域，每个扇形可画出对应十份的直 方图，如图8所示。每个扇形区域半径方向上灰度柱状方图如图9、图10及图11所示。此 次实验中轴截面是凸起的球面，良好的轴截面灰度值是渐变的，如果截面出现擦伤、削平、 螺纹等损坏。柱状方图对应相邻或相隔灰度值变化很大、连续相邻灰度值变化很小、出现多 个波峰和波谷等错误情况。在图11中如标示区域