[发明专利]基于机器视觉的密封圈表面缺陷检测方法

说明书

本发明公开了一种基于机器视觉的密封圈表面缺陷检测方法，步骤如下：首先采集密封圈表面图像，并对采集到的图像进行自适应中值滤波处理；接着，计算出上述图像的灰度水平梯度和竖直梯度，并据此提取出图像中存在的灰度折角结构；再对各折角特征点邻域进行分割并计算分割域的灰度均值；最后，采用描述分割域灰度差异程度的函数值作为缺陷判定准则，筛选出缺陷轮廓点，实现对密封圈表面缺陷的检测。本发明依据密封圈表面缺陷形成原因，分析得到缺陷轮廓与密封圈外形轮廓之间存在的固有差异，并在图像上得到验证，本发明能检出密封圈表面较多类型的缺陷，包括凹痕、流痕、杂质、飞边以及过切缺陷；具有缺陷检测的准确性高，算法鲁棒性强等优点。

技术领域

本发明属于机器视觉与数字图像处理领域，具体涉及一种基于机器视觉的密封圈表面缺陷检测方法。

背景技术

航天器密封系统对使用的密封圈有着严格的质量要求，其表面的完好性直接决定密封系统的性能和寿命，进而影响航天器在轨运行的可靠性。作为应用最广泛的密封元件，O形橡胶密封圈(简称O形圈)的表面质量检测主要包括流痕、缺胶、凹凸缺陷、过度修边、组合飞边等。O形圈表面质量的控制，目前多采用目视法检控，发现问题后利用工具显微镜或投影仪复查，该检测方法效率低、精度低、可靠性不高。

当前，利用机器视觉技术并结合图像处理算法实现缺陷检测已成为工业检测领域的一种革新手段。O形圈表面呈曲面外形，机器视觉系统获取的密封圈表面图像上存在高亮度区域，同时密封圈表面上的缺陷部分，其灰度值也会与其邻域灰度存在较大差别。基于聚类分析的密封圈缺陷检测算法是通过边缘检测器提取出密封圈轮廓边缘点并对边缘点进行拟合，对拟合圆聚类分析从而检测出缺陷，该方法能较好的检测出位于密封圈边缘轮廓上的缺陷(如飞边)，但无法检测密封圈表面上的缺陷(如凹痕等)。基于角点、边缘的检测方法用于图像中的纹理及孤立特征点的提取，该方法能提取出密封圈表面上的缺陷区域特征点，但同时也会对密封圈边缘以及表面上的高光区域响应灵敏。基于图像灰度统计特征分析的方法是从图像中提取出灰度直方图和灰度共生矩阵，并利用其描述的纹理特征信息来对缺陷进行检测及分类，对于密封圈这类廓径比较大的零件所成图像，由于缺陷部分所占像素面积少，缺陷灰度信息对图像整体灰度统计特征影响小，难以判定密封圈是否存在缺陷。基于形状几何特征提取(包括面积、长度等)的方法能有效地对图像进行分类，从而判定出被测对象是否存在缺陷以及缺陷类型，但在处理存在高光、纹理等成像不均匀的复杂密封圈表面图像时存在局限性。

发明内容

本发明的目的在于提供一种基于机器视觉的密封圈表面缺陷检测方法，用于准确检测出密封圈表面存在的凹痕、流痕、杂质、飞边以及过切缺陷。

实现本发明目的的技术解决方案为：一种基于机器视觉的密封圈表面缺陷检测方法，方法步骤如下：

步骤1、采集密封圈表面图像，并对采集到的图像进行自适应中值滤波处理。

步骤2、计算出上述图像的灰度水平梯度和竖直梯度，并据此提取出图像中存在的灰度折角结构：

采用一阶导数梯度算子计算图像灰度水平梯度和竖直梯度，然后根据折角结构顶点像素在灰度上应满足的条件对经自适应滤波处理后的图像中各像素点进行遍历筛选，从而提取出符合条件的灰度折角结构。

步骤3、对各折角特征点邻域进行分割并计算分割域的灰度均值：

各折角特征点邻域分割方法如下：依据步骤2所提取的灰度折角结构及其顶点，从该顶点出发搜寻出灰度折角结构的两条轮廓边，并反向延长，从而将该顶点邻域分割成4个子区域，分别为S₁、S₂、S₃和S₄，选择各子区域内与顶点最近的N个像素，N≥1，计算像素灰度均值。

步骤4、采用描述分割域灰度差异程度的函数值作为缺陷判定准则，筛选出缺陷轮廓点，实现对密封圈表面缺陷的检测：

描述分割域灰度差异程度的函数为：