[发明专利]一种基于机器视觉的压铸件表面缺陷检测方法及系统

说明书

本发明提供一种基于机器视觉的压铸件表面缺陷检测方法和系统，该系统包括图像采集单元、图像处理单元、HOG+LBP特征提取单元、SVM分类器训练检测单元；图像采集单元用于采集压铸件表面的图像；图像处理单元用于将采集到的图像进行处理以得到可以提取缺陷特征向量的图像；HOG+LBP特征提取单元用于将处理后的图像进行HOG+LBP特征提取；SVM分类器训练检测单元用于对SVM分类器进行训练，并利用训练好的SVM分类器进行缺陷识别。采用HOG+LBP的特征计算，有效避免了复杂的多维特征计算降低识别的效率，利用SVM分类器进行识别分类，所需样本数量较少且避免了样本种类较繁杂时神经网络算法陷入局部极小值的问题。

技术领域

本发明涉及机器视觉缺陷自动检测技术领域，尤其涉及一种基于机器视觉的压铸件表面缺陷检测方法及系统。

背景技术

压力铸造是一种将液态金属在高压下高速填充入压铸型腔内在压力下凝固形成铸件的铸造方法。压铸生产过程较为复杂，铸件表面不可避免的会产生许多缺陷，目前，客户对产品的质量要求愈发提高，对压铸产品的质量检测和质量信息的收集整理提出了更高的要求。

国内主要压铸厂对铝合金压铸件表面缺陷的检测大多是靠人工检测为主，人工检测效率较为低下，工作量较大耗费大量劳动力，检测结果容易受到人为因素影响，同时无法有效收集整理质量缺陷信息；压铸工业中X射线检测应用较多，X射线检测则主要用于内部缺陷的检测，且X射线检测设备成本较高，自动化程度较低，无法自动识别缺陷类别，同时X射线具有放射性，考虑安全性无法集成到生产线中，导致无法做到全面覆盖检测且不能实时收集缺陷信息。

基于机器视觉的检测技术近来来迅猛发展，在铸造领域也逐步投入应用，机器视觉系统具有成本低、便携性和可编程修改等特点。现有的视觉检测大多是检测零件尺寸，对于表面缺陷的检测方案较少，已有的几种缺陷检测方案中，主要分为两种分类识别技术。一种是通过神经网络技术进行学习训练，神经网络技术作为训练学习的方法需要大量的样本和较为统一的特征，在样本特征较为复杂多样的情况下容易陷入局部极小值，得不到最优解。另一种则是通过分类器进行学习训练，但在特征提取的过程中需要广泛全面提取缺陷的几何特征、形状特征、颜色特征、纹理特征等不同特征，再降维处理才能得到分类规则，计算量大，检测效率低，检测结果在情况较为复杂的实际生产过程中容易受到影响。同时这些缺点导致目前的视觉检测技术很难应用到压铸件的表面检测中。

综上，目前的检测方案自动化程度较低，检测效率不高，检测覆盖程度较低。

发明内容

为解决人工检测和X射线检测效率低，以及现有技术中视觉检测方法检测无法有效应用到压铸件表面检测的问题，本发明提出一种基于机器视觉的压铸件表面缺陷检测方法及系统。

本发明提供一种基于机器视觉的压铸件表面缺陷检测方法，包括SVM分类器训练过程和SVM分类器检测过程。所述SVM分类器训练过程包括：S11.采集压铸件表面的原始样本图像；S12.将原始样本图像进行处理以得到可以提取缺陷特征向量的样本图像；S13.将步骤S12中处理后的样本图像进行HOG+LBP特征提取；S14.通过输入步骤S13中提取的HOG+LBP特征，对SVM分类器进行训练得到训练好的SVM分类器。所述SVM分类器检测过程包括：S21.采集待检测压铸件表面的原始图像；S22.将原始图像进行处理以得到可以提取缺陷特征向量的图像；S23.将步骤S22中处理后的图像进行HOG+LBP特征提取；S24.加载步骤S14中训练好的SVM分类器，并输入步骤S23中提取的HOG+LBP特征进行缺陷识别。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于机器视觉的压铸件表面缺陷检测方法。