[go: up one dir, main page]

CN111369502A - 一种基于阈值分割的电子烟零件表面缺陷检测方法 - Google Patents

一种基于阈值分割的电子烟零件表面缺陷检测方法 Download PDF

Info

Publication number
CN111369502A
CN111369502A CN202010113034.7A CN202010113034A CN111369502A CN 111369502 A CN111369502 A CN 111369502A CN 202010113034 A CN202010113034 A CN 202010113034A CN 111369502 A CN111369502 A CN 111369502A
Authority
CN
China
Prior art keywords
electronic cigarette
roi
proportion
calculating
threshold segmentation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010113034.7A
Other languages
English (en)
Inventor
陈豪杰
冯兴隆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen Ums Information Technology Co Ltd
Original Assignee
Xiamen Ums Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiamen Ums Information Technology Co Ltd filed Critical Xiamen Ums Information Technology Co Ltd
Priority to CN202010113034.7A priority Critical patent/CN111369502A/zh
Publication of CN111369502A publication Critical patent/CN111369502A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提供一种基于阈值分割的电子烟零件表面缺陷检测方法，该方法包括以下步骤：通过工业相机采集电子烟零件图片数据；圈定需要处理的电子烟零件的ROI区域；对电子烟零件的ROI区域进行阈值分割，得出相应阈值区间的所占比例；根据相应阈值区间的所占比例计算出电子烟零件表面贴胶水部分所占比例；根据贴胶水部分所占比例对零件是否合格进行判定。本发明可以提升电子烟零件表面缺陷检测的快速性、准确性、稳定性，并且能够减少大量人力资源，降低成本。

Description

一种基于阈值分割的电子烟零件表面缺陷检测方法
技术领域
本发明属于机器视觉领域，具体涉及一种基于阈值分割的电子烟零件表面缺陷检测方法。
背景技术
机器视觉是人工智能正在快速发展的一个分支，在工业自动化生产中，发挥着越来越重要的作用。用机器视觉来对零件进行缺陷检测，是企业智能制造的趋势所在。
电子烟零件点胶后会存在胶量不足的情况，从而使得产品存在缺陷，传统均采用人工方式对电子烟表面进行缺陷检测，虽然可以基本满足生产要求，但这种检测工作十分枯燥，工人在长时间的枯燥工作中，难以保持注意力的集中，因此会出现失误。另外，对于传统的方式，工人只能通过肉眼看到的零件表面贴胶水的面积来估算其占比，这种估算本身就存在一定误差。据统计，产线的工人采用传统方式进行零件缺陷检测的正确率不超过95％，准确率相对较低且浪费大量人力资源。
发明内容
本发明的目的是提供一种基于阈值分割的电子烟零件表面缺陷检测方法。
本发明要解决的是现有人工电子烟零件表面检测准确率低、浪费人力成本的问题。
为实现本发明的目的，本发明采用的技术方案是：
一种基于阈值分割的电子烟零件表面缺陷检测方法，包括以下步骤：
步骤1：通过工业相机采集电子烟零件图片数据；
步骤2：圈定需要处理的电子烟零件的ROI区域；
步骤3：对电子烟零件的ROI区域进行阈值分割，得出相应阈值区间的所占比例；
步骤4：根据相应阈值区间的所占比例计算出电子烟零件表面贴胶水部分所占比例；
步骤5：根据贴胶水部分所占比例对零件是否合格进行判定；若贴胶水部分占比50％以上为合格，否则不合格。
进一步的，所述步骤1的通过工业相机采集电子烟零件图片数据包括：
步骤1.1：采集没有贴胶水的电子烟零件图片；
步骤1.2：采集已经贴过胶水的电子烟零件图片。
优选的，所述ROI区域为矩形区域，所述步骤2主要通过图像滤波、图像二值化处理、边缘检测、轮廓提取、添加轮廓外接矩形进而圈定需要处理的电子烟零件的ROI区域。
进一步的，所述步骤3包括：
步骤3.1：对没有贴胶水的电子烟零件的ROI区域进行阈值分割，计算得出没有贴胶水的电子烟零件的阈值区间所占的比例k；
步骤3.2：对已经贴过胶水的电子烟零件的ROI区域进行阈值分割，计算得出已经贴过胶水的电子烟零件的阈值区间所占的比例U。
进一步的，所述步骤3.1的具体步骤如下：
步骤3.1.1：提取并计算ROI区域中像素值在35以下的像素总数量，记为a；
步骤3.1.2：提取并计算ROI区域中像素值在180以上的像素总数量，记为b；
步骤3.1.3：提取并计算ROI区域中所有像素值的数量，记为c；
步骤3.1.4：计算得出没有贴胶水的电子烟零件的阈值区间所占的比例k；其计算公式为：k＝(a+b)/c。
进一步的，所述步骤3.2的具体步骤如下：
步骤3.2.1:提取并计算ROI区域中像素值在35以下的像素总数量，记为A；
步骤3.2.2：提取并计算ROI区域中像素值在180以上的像素总数量，记为B；
步骤3.2.3：提取并计算ROI区域中所有像素值的数量，记为C；
步骤3.2.4：计算得出已经贴过胶水的电子烟零件的阈值区间所占的比例U，其计算公式为：U＝(A+B)/C。
进一步的，所述电子烟零件表面贴胶水部分所占比例的计算公式为：x＝(U-k)/(1-k)。
与现有技术相比，本发明方法的有益效果如下：
本发明通过结合机器视觉和阈值分割的技术，计算出零件表面贴胶水部分的所占比例，从而实现了对零件表面缺陷的自动检测，不仅能够大大降低人力成本，还能够提高检测的速率、准确率和稳定性。
附图说明
图1：本发明所述检测方法的步骤示意图。
具体实施方式
为了解决现有人工电子烟零件表面检测准确率低、浪费人力成本的问题。本发明提出新的方案，为更加清楚的表示，下面结合附图对本发明做详细的说明。
参见图1，一种基于阈值分割的电子烟零件表面缺陷检测方法，包括以下步骤：
步骤1：通过工业相机采集电子烟零件图片数据；
步骤2：圈定需要处理的电子烟零件的ROI区域；
步骤3：对电子烟零件的ROI区域进行阈值分割，得出相应阈值区间的所占比例；
步骤4：根据相应阈值区间的所占比例计算出电子烟零件表面贴胶水部分所占比例；
步骤5：根据贴胶水部分所占比例对零件是否合格进行判定；若贴胶水部分占比50％以上为合格，否则不合格。
其中，所述工业相机采用大恒MER-500-7UM-L(RR0852005019)型号相机对电子烟零件图片数据进行采集。
在本实施例中，所述步骤1的通过工业相机采集电子烟零件图片数据包括：
步骤1.1：采集没有贴胶水的电子烟零件图片；
步骤1.2：采集已经贴过胶水的电子烟零件图片。
所述ROI区域即感兴趣区域，也就是在机器视觉、图像处理中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，通过圈定ROI区域后对图像进行下一步处理，能够减少处理时间，缩小处理范围、增加精度。
本实施例所述ROI区域为矩形区域，所述步骤2主要通过图像滤波、图像二值化处理、边缘检测、轮廓提取、添加轮廓外接矩形进而圈定需要处理的电子烟零件的ROI区域。
本实施例所述步骤3包括：
步骤3.1：对没有贴胶水的电子烟零件的ROI区域进行阈值分割，计算得出没有贴胶水的电子烟零件的阈值区间所占的比例k；
步骤3.2：对已经贴过胶水的电子烟零件的ROI区域进行阈值分割，计算得出已经贴过胶水的电子烟零件的阈值区间所占的比例U。
其中，所述步骤3.1的具体步骤如下：
步骤3.1.1：提取并计算ROI区域中像素值在35以下的像素总数量，记为a；
步骤3.1.2：提取并计算ROI区域中像素值在180以上的像素总数量，记为b；
步骤3.1.3：提取并计算ROI区域中所有像素值的数量，记为c；
步骤3.1.4：计算得出没有贴胶水的电子烟零件的阈值区间所占的比例k；其计算公式为：k＝(a+b)/c。
其中，所述步骤3.2的具体步骤如下：
步骤3.2.1:提取并计算ROI区域中像素值在35以下的像素总数量，记为A；
步骤3.2.2：提取并计算ROI区域中像素值在180以上的像素总数量，记为B；
步骤3.2.3：提取并计算ROI区域中所有像素值的数量，记为C；
步骤3.2.4：计算得出已经贴过胶水的电子烟零件的阈值区间所占的比例U，其计算公式为：U＝(A+B)/C。
本实施例所述电子烟零件表面贴胶水部分所占比例的计算公式为：x＝(U-k)/(1-k)。
通过计算公式求得电子烟零件的贴胶水部分所占比例对零件是否合格进行判定；若贴胶水部分占比50％以上为合格，否则不合格。
本发明主要通过阈值分割设定不同特征阈值，把图像像素点分为若干类，进而根据灰度值的不同，通过灰度阀值区间去计算找到点胶点，进而累计计算其面积。本方法能够极大的压缩数据量，而且也大大简化了分析和处理步骤。
本发明通过结合机器视觉和阈值分割的技术，计算出零件表面贴胶水部分的所占比例，从而实现了对零件表面缺陷的自动检测，不仅能够大大降低人力成本，还能有效提高检测的速率、准确率和稳定性，进而提升生产效率，为企业带来效益。
以上实施例仅用以解释说明本发明的技术方案而非对其限制，尽管上述实施例对本发明进行了具体的说明，相关技术人员应当理解，依然可对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改和等同替换，其均应涵盖在本发明的权利要求范围之中。

Claims (7)

1.一种基于阈值分割的电子烟零件表面缺陷检测方法，其特征在于，包括以下步骤：
步骤1：通过工业相机采集电子烟零件图片数据；
步骤2：圈定需要处理的电子烟零件的ROI区域；
步骤3：对电子烟零件的ROI区域进行阈值分割，得出相应阈值区间的所占比例；
步骤4：根据相应阈值区间的所占比例计算出电子烟零件表面贴胶水部分所占比例；
步骤5：根据贴胶水部分所占比例对零件是否合格进行判定；若贴胶水部分占比50％以上为合格，否则不合格。
2.根据权利要求1所述的一种基于阈值分割的电子烟零件表面缺陷检测方法，其特征在于，所述步骤1的通过工业相机采集电子烟零件图片数据包括：
步骤1.1：采集没有贴胶水的电子烟零件图片；
步骤1.2：采集已经贴过胶水的电子烟零件图片。
3.根据权利要求1所述的一种基于阈值分割的电子烟零件表面缺陷检测方法，其特征在于，所述ROI区域为矩形区域，所述步骤2主要通过图像滤波、图像二值化处理、边缘检测、轮廓提取、添加轮廓外接矩形进而圈定需要处理的电子烟零件的ROI区域。
4.根据权利要求1所述的一种基于阈值分割的电子烟零件表面缺陷检测方法，其特征在于，所述步骤3包括：
步骤3.1：对没有贴胶水的电子烟零件的ROI区域进行阈值分割，计算得出没有贴胶水的电子烟零件的阈值区间所占的比例k；
步骤3.2：对已经贴过胶水的电子烟零件的ROI区域进行阈值分割，计算得出已经贴过胶水的电子烟零件的阈值区间所占的比例U。
5.根据权利要求4所述的一种基于阈值分割的电子烟零件表面缺陷检测方法，其特征在于，所述步骤3.1的具体步骤如下：
步骤3.1.1：提取并计算ROI区域中像素值在35以下的像素总数量，记为a；
步骤3.1.2：提取并计算ROI区域中像素值在180以上的像素总数量，记为b；
步骤3.1.3：提取并计算ROI区域中所有像素值的数量，记为c；
步骤3.1.4：计算得出没有贴胶水的电子烟零件的阈值区间所占的比例k；其计算公式为：k＝(a+b)/c。
6.根据权利要求4所述的一种基于阈值分割的电子烟零件表面缺陷检测方法，其特征在于，所述步骤3.2的具体步骤如下：
步骤3.2.1:提取并计算ROI区域中像素值在35以下的像素总数量，记为A；
步骤3.2.2：提取并计算ROI区域中像素值在180以上的像素总数量，记为B；
步骤3.2.3：提取并计算ROI区域中所有像素值的数量，记为C；
步骤3.2.4：计算得出已经贴过胶水的电子烟零件的阈值区间所占的比例U，其计算公式为：U＝(A+B)/C。
7.根据权利要求4所述的一种基于阈值分割的电子烟零件表面缺陷检测方法，其特征在于，所述电子烟零件表面贴胶水部分所占比例的计算公式为：x＝(U-k)/(1-k)。
CN202010113034.7A 2020-02-24 2020-02-24 一种基于阈值分割的电子烟零件表面缺陷检测方法 Pending CN111369502A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010113034.7A CN111369502A (zh) 2020-02-24 2020-02-24 一种基于阈值分割的电子烟零件表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010113034.7A CN111369502A (zh) 2020-02-24 2020-02-24 一种基于阈值分割的电子烟零件表面缺陷检测方法

Publications (1)

Publication Number Publication Date
CN111369502A true CN111369502A (zh) 2020-07-03

Family

ID=71212209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010113034.7A Pending CN111369502A (zh) 2020-02-24 2020-02-24 一种基于阈值分割的电子烟零件表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN111369502A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113781392A (zh) * 2021-08-04 2021-12-10 深圳市鑫信腾科技股份有限公司 胶路的检测方法、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102353680A (zh) * 2011-07-08 2012-02-15 中国科学院宁波材料技术与工程研究所 小型工件表面缺陷的评估方法以及检测不合格工件的流程
US20160381354A1 (en) * 2015-06-26 2016-12-29 Kodak Alaris Inc. Camera subassembly dust and defect detection system and method
CN106770321A (zh) * 2016-12-08 2017-05-31 广东工业大学 一种基于多阈值区间的塑料零件缺陷检测方法
CN109461141A (zh) * 2018-10-10 2019-03-12 重庆大学 一种工件缺胶检测方法
CN110827235A (zh) * 2019-09-24 2020-02-21 苏州苏相机器人智能装备有限公司 钢板表面缺陷检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102353680A (zh) * 2011-07-08 2012-02-15 中国科学院宁波材料技术与工程研究所 小型工件表面缺陷的评估方法以及检测不合格工件的流程
US20160381354A1 (en) * 2015-06-26 2016-12-29 Kodak Alaris Inc. Camera subassembly dust and defect detection system and method
CN106770321A (zh) * 2016-12-08 2017-05-31 广东工业大学 一种基于多阈值区间的塑料零件缺陷检测方法
CN109461141A (zh) * 2018-10-10 2019-03-12 重庆大学 一种工件缺胶检测方法
CN110827235A (zh) * 2019-09-24 2020-02-21 苏州苏相机器人智能装备有限公司 钢板表面缺陷检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
朱东来: "《电子烟》", pages: 181 - 185 *
韩雪: ""基于树莓派的塑料纽扣次品检测系统设计"", 《自动化仪表》, 31 January 2020 (2020-01-31), pages 42 - 45 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113781392A (zh) * 2021-08-04 2021-12-10 深圳市鑫信腾科技股份有限公司 胶路的检测方法、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN109284758B (zh) 一种发票印章消除方法、装置和计算机存储介质
CN105424709A (zh) 一种基于图像标记的水果表面缺陷检测方法
CN108596880A (zh) 基于图像处理的焊接缺陷特征提取与焊接质量分析方法
CN114758125B (zh) 基于深度学习的齿轮表面缺陷检测方法与系统
CN109544583B (zh) 一种提取皮革图像感兴趣区域的方法、装置及设备
CN112037161A (zh) 一种基于区域自动阈值分析的涂胶分析方法
WO2021135675A1 (zh) 一种棒材自动计数方法及装置
CN106682665A (zh) 一种基于计算机视觉的七段式数显仪表数字识别方法
CN109378279A (zh) 晶圆检测方法及晶圆检测系统
CN116542968A (zh) 一种基于模板匹配的钢筋智能计数方法
CN106203336A (zh) 一种基于灰度图像标记的矿井巷道灯识别方法
CN106447673A (zh) 一种非均匀光照条件下的芯片引脚提取方法
CN114037652A (zh) 一种球团矿球团粒度检测系统
CN114627109A (zh) 基于图像增强和深度学习的煤矸分类识别方法与流程
CN103245666B (zh) 一种蓄电池极板外观缺陷自动检测方法
CN111369502A (zh) 一种基于阈值分割的电子烟零件表面缺陷检测方法
CN115330713A (zh) 基于机器视觉的阴极板检测方法、服务器及可读存储介质
CN116524196B (zh) 一种基于图像识别技术的输电线智能检测系统
CN107563990B (zh) 一种光伏电池片崩边及钝型和v型缺口的检测方法
CN116777872A (zh) 一种基于语义分割的涂胶尺寸测量方法
CN1815489A (zh) 一种智能图像计数方法
CN110516725B (zh) 基于机器视觉的木板条纹间距和颜色的检测方法
CN107563340A (zh) 一种图像中所含云的机器识别方法
CN113808089A (zh) 一种水面油污检测方法
CN117274404B (zh) 一种基于图像识别技术的香菇菌袋转色分析方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200703

RJ01 Rejection of invention patent application after publication