[發(fā)明專利]一種基于機器視覺的汽車?yán)h(huán)鎖扣鉚合的檢測方法

有效

• 申請?zhí)枺?/td>: 201410184659.7
• 申請日: 2014-04-30
• 公開（公告）號: CN103955933B
• 公開（公告）日: 2017-10-13
• 發(fā)明（設(shè)計）人: 周迪斌;徐平;朱佳寧;吳連明;胡斌;胡保坤;吳英飛;虞璐;賈檑萍
• 申請（專利權(quán)）人: 杭州師范大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/13
• 代理公司: 杭州求是專利事務(wù)所有限公司33200
• 代理人: 杜軍

技術(shù)領(lǐng)域

本發(fā)明屬于機器視覺的技術(shù)領(lǐng)域，主要采用模糊策略和約束判斷,涉及一種汽車?yán)h(huán)鎖扣鉚合的檢測方法，尤其是一種基于機器視覺的汽車?yán)h(huán)鎖扣鉚合的檢測方法。

背景技術(shù)

近年來，汽車配件行業(yè)大量采用自動化單機或生產(chǎn)線實現(xiàn)技術(shù)改造向現(xiàn)代化生產(chǎn)邁進(jìn)，然而在質(zhì)量檢測與不達(dá)標(biāo)產(chǎn)品的分揀上仍以人工檢測為主的，但是方法存在很多缺點，例如：勞動強度大，工作效率低，主觀依懶性強，易受檢測人員技術(shù)素質(zhì)、經(jīng)驗及疲勞等因素影響，無法充分保證汽車零部件的質(zhì)量。而汽車行業(yè)對零部件的要求是極高的，要是一旦由于安全隱患引起汽車召回，將對企業(yè)利益產(chǎn)生不可估量的損害，甚至導(dǎo)致數(shù)以億計的損失，更是成為人生命安全的一顆定時炸彈。

鑒于人工檢測存在的一系列問題，汽車生產(chǎn)企業(yè)曾廣泛使用過接觸式的儀器檢測，但這種傳統(tǒng)的檢測技術(shù)難以滿足需要，因為汽車制造廠制造的產(chǎn)品種類越來越多，對質(zhì)量和精度的要求也越來越高，并且大量的生產(chǎn)實踐證明，例如金屬表面上的缺陷如壓坑、裂紋、劃傷等其大小、深度與分布位置不確定，用接觸式檢測不僅難度較大，同時效率也是較低的。

目前汽車零件檢測技術(shù)逐步向非接觸檢測、數(shù)字化檢測、在線檢測等方向發(fā)展，通過引入先進(jìn)計算機視覺和檢測技術(shù)，提高生產(chǎn)效率，降低生產(chǎn)成本，由于減少了人工參與，能更加有效的控制產(chǎn)品的加工質(zhì)量，實現(xiàn)“零廢品制造”，這是傳統(tǒng)行業(yè)檢測發(fā)展顯著趨勢。

考慮到現(xiàn)有的缺陷檢測技術(shù)很難充分滿足工業(yè)檢測需求，而基于圖像的機器視覺檢測方法具有非接觸、實時可靠，成本低、自動化程度高的優(yōu)勢，能為該問題的解決提供了良好的替代方案和解決思路。

本發(fā)明主要面向傳統(tǒng)汽車行業(yè)的檢測需求，以汽車?yán)T鎖扣的質(zhì)量檢測為切入點，研究提高該零件的自動化檢測水平，并逐步擴大機器視覺技術(shù)在汽車行業(yè)的應(yīng)用，降低人工成本，更加有效的控制產(chǎn)品質(zhì)量。

發(fā)明內(nèi)容

本發(fā)明的目的是克服現(xiàn)存技術(shù)的不足之處，提供一種基于機器視覺的汽車?yán)h(huán)鎖扣鉚合的檢測方法，其能實現(xiàn)汽車?yán)h(huán)鎖扣是否鉚合的自動檢測，降低人工檢測目測的工作量，提高檢測的效率，安全而且可靠。

步驟1.采集一張汽車?yán)h(huán)鎖扣圖像，具體通過CCD相機拍攝汽車?yán)h(huán)鎖扣圖像和將圖像轉(zhuǎn)換成灰度圖像G；

步驟2.汽車?yán)h(huán)鎖扣圖像預(yù)處理，對轉(zhuǎn)換后的灰度圖像G進(jìn)行去噪和增強其對比度，生成預(yù)處理后的灰度圖像G1；

步驟3.通過灰度圖像G1進(jìn)行鉚合檢測，包括鉚合參數(shù)(大圓半徑取值范圍)和未鉚合參數(shù)(小圓半徑取值范圍)的檢測，提取Hough累積值；

步驟4.綜合參數(shù)比較階段：綜合參數(shù)包括檢測到的Hough累積值、圓的半徑；

步驟5.幾何約束條件判斷，利用檢測到的兩圓的圓心之間的間距和圓心之間的最大角度范圍進(jìn)行最終判斷是否鉚合。

步驟1所述的汽車?yán)h(huán)鎖扣圖像采集，具體如下：

1-1、相機垂直于汽車?yán)h(huán)鎖扣正上方，且相機正上方固定有光源；汽車?yán)h(huán)鎖扣固定在水平導(dǎo)軌上；然后對待檢測的汽車?yán)h(huán)鎖扣進(jìn)行圖像采集；

1-2、通過加權(quán)平均法將采集到的汽車?yán)h(huán)鎖扣圖像轉(zhuǎn)換成灰度圖像G；灰度圖像G的轉(zhuǎn)換具體如下：

Gray＝R×0.3+G×0.59+B×0.11

所述的對汽車?yán)h(huán)鎖扣圖像中的每一個像素點處理，就能將其轉(zhuǎn)換成灰度圖像G；其中R、G、B為一個像素點的值的基色分量；

步驟2所述的汽車?yán)h(huán)鎖扣圖像預(yù)處理，具體如下：

2-1、對獲取到的灰度圖像G進(jìn)行圖像預(yù)處理，通過中值濾波方法除去灰度圖像G的噪聲點；

2-1-1、選定5×5的鄰域，將鄰域內(nèi)的像素按灰度等級進(jìn)行排序，確定其中值；

2-1-2、將確定的中值賦予濾波后圖像中的相應(yīng)像素點，所述的相應(yīng)像素點即進(jìn)行中值濾波的那個像素點；

2-2、對去噪之后的灰度圖像進(jìn)行直方圖均衡化，以增強圖像對比度，得到預(yù)處理后的灰度圖像G1；

2-2-1、對灰度圖像G1統(tǒng)計其直方圖，求解其灰度圖像G1的概率；

P_r(r_k)＝n_k/N

其中，P_r(r_k)表示灰度圖像G1中該灰度級r_k出現(xiàn)的概率，N為灰度圖像G1中像素的總數(shù)；n_k為第k級灰度的像素；r為灰度級；r_k為第k個灰度級，k＝0、1、2、……255；

2-2-2、根據(jù)統(tǒng)計出的直方圖，采用累積分布函數(shù)作變換，