一種齒環模具編號檢測方法與流程
2023-10-10 04:26:04 1
本發明涉及視覺檢測技術領域，具體涉及一種齒環模具編號檢測方法。
背景技術：
在工業生產中，許多產品上都記錄著大量與產品相關的信息，如產品的質量精度、批次號、生產地、生產商等，這些信息有的用鑄造或印刷噴碼直接刻印到產品表面上去，不同的產品、不同的工藝流程及製造會造成刻印的文字形狀及顯現狀態不同，因此採取的識別方式也不同，如二維碼掃描、條碼掃描、字符識別等。
目前針對呈現比較規整的文字信息或文字信息所處的環境簡單等都比較容易讀取，如白底黑字、附著材質良好、文字信息排列水平或豎直、文字信息間距規整等，這些文字信息易於分割進行讀取。對於環形排列的字符圖像，由於字符所呈現的環境是環形形狀，因此難以對其進行準確有效的字符分割，再加上本環形分布模具編號由於其製造因素鑄刻在銅質材料，這樣易造成成像反光幹擾，使得採集到的圖像不是很清晰。並且模具編號呈現在齒環上是環形分布，與傳統字符呈現方式不一樣，因此加大了環形分布模具編號字符的檢測識別難度。
目前齒環生產商的環形分布模具編號字符信息檢測都是靠人工觀察和自主判斷實現，人工成本高、檢測效率低，再加上模具編號是由鑄造形成的，整個模具編號字符凸出或凹陷約為2mm，字符寬度為約2mm，因此容易呈現不規則和扭曲變形字符等因素造成誤檢漏檢率高，從而導致齒環產品生產效率低。另外，由於齒環尺寸差異較大，給整個模具編號字符識別帶來新的難度。因此開發出一種準確快速的環形分布模具編號檢測識別方法具有非常重要的工程應用價值。
技術實現要素：
針對現有技術的不足，本發明提供了一種齒環模具編號檢測方法，基於圖像極坐標變換、圖像均值濾波、圖像膨脹、神經網絡的算法，實現了流水線上的齒環環形分布模具編號字符信息的連續自動採集及判別。
為實現上述技術方案，本發明提供了一種齒環模具編號檢測方法，具體包括如下步驟：
步驟1、圖像採集：通過可以上下移動且自動聚焦的工業相機在光源的照射下採集放置在傳送帶上的齒環圖像；
步驟2、圖像識別：針對步驟1中獲取的齒環圖像，首先選取模具編號字符附著的環形目標區域，然後對這個環形目標區域進行極坐標變換，經過極坐標變換後的目標區域變成矩形區域，確保模具編號字符附著在該矩形區域內；
步驟3、字符截取：對步驟2獲得的矩形區域進行ocr字符區域roi_0截取；
步驟4、字符處理：對步驟3中截圖的ocr字符進行ocr字符濾波、ocr字符分割和ocr
字符排序；
步驟5、字符識別：利用bp三層神經網絡進行分類匹配，自行判斷檢測識別，最後輸出檢
測識別內容；
步驟6、自動篩選：根據檢測識別工序的結果進行下一步分選，如果待檢齒環產品上面的模具編號字符能全部檢測識別出來，則該待檢齒環產品為合格產品，傳送帶將合格的待檢齒環產品移送到合格產品接料盒中；若待檢齒環產品上面的模具編號字符檢測識別不全或完全檢測識別不了，則該待檢齒環產品不合格，傳送帶將該不合格齒環產品移送到剔除機構處，剔除機構將該不合格齒環產品移送到不合格產品接料盒中。
優選的，所述步驟2中，使用極坐標變換將模具編號環形區域變成矩形區域，具體方法如下：
選取由abcd四點組成的環形區域，以點o(mr,mc)為環形區域的圓心，點p(r,c)為環形區
域abcd上一點，則點p的極坐標p'(d,ф)可由下列公式推算出：
式中是相對於變換中心點o(mr,mc)的距離d和向量角度ф來表示極坐標的，然後用仿射變
換和投影變換同樣的方式進行極坐標的變換，具體公式如下所示：
r'＝mr+d*cosψ(3)
c'＝mc+d*sinψ(4)
公式(3)和公式(4)中(r',c')為變換後點p'的極坐標，ψ為點p在環形區域內極坐標下的角度值，通過將abcd圓環形區域像素點的坐標轉換成極坐標，可以將環形區域轉換成由a'b'c'd'四點極坐標表示的矩形，模具編號環形區域經過極坐標變換後得到矩形區域，此時模具編號字符由環形分布變成水平排列。
優選的，模具編號字符由環形分布變成水平排列後，再對矩形區域進行均值濾波降噪處理，
之後對前後兩幅圖像做減法處理，
均值濾波降噪算法如下：
經過公式(5)多次降噪後，圖像噪聲降低到原來的式中代表第i幅圖像位置(r,c)處的灰度值。
優選的，所述步驟4中，截取ocr字符區域roi_0，對ocr字符區域roi_0進行字符分割，字符分割方式是先進行形態學膨脹處理,之後計算區域連通域，最後再對分割的字符進行閾值分割。
優選的，所述步驟4中具體採用如下方法進行形態學膨脹處理：
d、用結構元素b，掃描圖像a的每一個像素；
e、用結構元素與其覆蓋的二值圖像做「與」操作；
f、如果都為0，結果圖像的該像素為0，否則為1；
膨脹是以得到b的相對與它自身原點的映像並且由z對映像進行移位為基礎的，a被b膨脹是所有位移z的集合，這樣，和a至少有一個元素是重疊的。
優選的，所述步驟4中，所述閾值分割的計算公式如下：
s＝{(r,c)∈r|gmin≤fr,c≤gmax}(6)
式中r表示輸入圖像fr,c灰度值在(gmin，gmax)的集合，閾值分割時將圖像roi_0內灰度值處於某一指定灰度值範圍(0，2b-1)內的全部點選到輸出區域s中，其中b為位深，起閾值調節作用。
優選的，所述步驟5中，利用bp三層神經網絡進行分類匹配，自行判斷檢測識別的具體方法如下：
當實際輸出與期望輸出不符時，進入誤差的反向傳播階段，誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳，周而復始的信息正向傳播和誤差反向傳播過程，是各層權值不斷調整的過程，也是神經網絡學習訓練的過程，此過程一直進行到網絡輸出的誤差減少到可以接受的程度，或者預先設定的學習次數為止，可以用以下式子表示：
o1＝f1(xw1)(7)
o2＝f2(f1(xw1)w2)(8)
o3＝f3(f2(f1(xw1)w2)w3)(9)
對於一個三層的前饋神經網絡n，式中x表示網絡的輸入向量，w1～w3表示網絡各層的連接權向量，f1～f3表示神經網絡三層的激活函數，o1、o2、o3分別表示第一層、第二層、第三層的輸出。
優選的，所述步驟1中採用的光源為正面明場多角度led環形白光光源。
本發明提供的一種齒環模具編號檢測方法及裝置的有益效果在於：
1)本發明提供的齒環模具編號檢測方法，採用先進的圖像採集技術和數據通訊技術，實現數字圖像的實時採集與傳輸，可以在較短的時間內創建標準的檢測環境，採用閉環控制原理使系統檢測過程自動控制和調節，然後進行準確而快速的圖像識別及處理，滿足流水線生產節拍的需要，並利用系統的分析報告等能力輔助相關負責人員決策判斷，及時掌握每一個齒輪零件的質量信息，從而有效對企業的生產質量和技術進行總體上的把握和控制；
2)本發明提供的齒環模具編號檢測方法，提出了一種基於圖像極坐標變換、圖像均值濾波、圖像膨脹、神經網絡的算法，實現了流水線上的齒環環形分布模具編號字符信息的連續自動採集及判別，提高了模具編號字符信息識別的精度及速度，解決了單依靠傳統人工檢測判斷效率低、成本高等技術難題。
附圖說明
圖1是本發明中檢測方法的步驟示意圖；
圖2是本發明正面明場多角度led環形白光照射示意圖；
圖3是本發明圖像原始採集圖；
圖4是本發明模具編號環形區域截取圖；
圖5是本發明極坐標變換圖像處理；
圖6是本發明均值濾波處理；
圖7是本發明獲取ocr字符roi_0圖；
圖8是本發明ocr字符分割圖。
具體實施方式
下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整的描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。本領域普通人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，均屬於本發明的保護範圍。
實施例1：一種齒環模具編號檢測方法。
參照圖1至圖8所示，一種齒環模具編號檢測方法，具體包括如下步驟：
步驟1、圖像採集：通過可以上下移動且自動聚焦的工業相機在光源的照射下採集放置在傳送帶上的齒環圖像；具體而言，傳送帶將待檢齒環移送到齒環定位機構旁的光電對射傳感器後，傳感器觸發齒環定位機構上的氣缸將待檢齒環定位在傳送帶上的中心線位置上，之後傳送帶將待檢齒環移動至光電對射傳感器處，傳感器觸發工業相機及光源進行圖像採集，從而獲取齒環圖像，在採集圖像之前，傳動模組上的伺服電機移動工業相機，使得工業相機根據先前待檢齒環的型號實現相應的自動對焦；
步驟2、圖像識別：針對步驟1中獲取的齒環圖像，首先選取模具編號字符附著的環形目標區域，然後對這個環形目標區域進行極坐標變換，經過極坐標變換後的目標區域變成矩形區域，確保模具編號字符附著在該矩形區域內；
圖像極坐標變換通常被採用來矯正圖像中的圓形物體或被包含在圓環中的物體，即是將圓環形區域像素點的坐標轉換成極坐標，將環形轉換成矩形，使用極坐標變換將模具編號環形區域變成矩形區域，具體方法如下：
選取由abcd四點組成的環形區域，以點o(mr,mc)為環形區域的圓心，點p(r,c)為環形區
域abcd上一點，則點p的極坐標p'(d,ф)可由下列公式推算出：
式中是相對於變換中心點o(mr,mc)的距離d和向量角度ф來表示極坐標的，然後用仿射變
換和投影變換同樣的方式進行極坐標的變換，具體公式如下所示：
r'＝mr+d*cosψ(3)
c'＝mc+d*sinψ(4)
公式(3)和公式(4)中(r',c')為變換後點p'的極坐標，ψ為點p在環形區域內極坐標下的角度值，通過將abcd圓環形區域像素點的坐標轉換成極坐標，可以將環形區域轉換成由a'b'c'd'四點極坐標表示的矩形，模具編號環形區域經過極坐標變換後得到矩形區域，此時模具編號字符由環形分布變成水平排列，從而方便後續字符的識別和截取；
模具編號字符由環形分布變成水平排列後，再對矩形區域進行均值濾波降噪處理，之後對
前後兩幅圖像做減法處理，
均值濾波降噪算法如下：
經過公式(5)多次降噪後，圖像噪聲降低到原來的式中代表第i幅圖像位置(r,c)處的灰度值，圖像經過均值濾波降噪後，變得十分清晰；
步驟3、字符截取：對步驟2獲得的矩形區域進行ocr字符區域roi_0截取；為了獲得清晰
的ocr字符截取圖像，首先對ocr字符區域roi_0進行膨脹處理，具體採用如下方法進行
形態學膨脹處理：
a、用結構元素b，掃描圖像a的每一個像素；
b、用結構元素與其覆蓋的二值圖像做「與」操作；
c、如果都為0，結果圖像的該像素為0，否則為1；
膨脹是以得到b的相對與它自身原點的映像並且由z對映像進行移位為基礎的，a被b膨脹是所有位移z的集合，這樣和a至少有一個元素是重疊的，從而使得ocr字符區域內的字符顯示的更加清晰，方便後續字符的識別；
步驟4、字符處理：對步驟3中截圖的ocr字符進行ocr字符濾波、ocr字符分割和ocr字符排序；所述步驟4中，截取ocr字符區域roi_0，對ocr字符區域roi_0進行字符分割，字符分割方式是先進行形態學膨脹處理,之後計算區域連通域，最後再對分割的字符進行閾值分割；
所述閾值分割的計算公式如下：
s＝{(r,c)∈r|gmin≤fr,c≤gmax}(6)
式中r表示輸入圖像fr,c灰度值在(gmin，gmax)的集合，閾值分割時將圖像roi_0內灰度值處於某一指定灰度值範圍(0，2b-1)內的全部點選到輸出區域s中，其中b為位深，起閾值調節作用，通過閾值分割可以提高字符的識別率；
步驟5、字符識別：利用bp三層神經網絡進行分類匹配，自行判斷檢測識別，最後輸出檢測識別內容；
bp(backpropagation)三層神經網絡結構和思路：
⑴輸入層(inputlayer)：輸入層各神經元負責接收來自外界的輸入信息，並傳遞給中間層各神經元。
⑵隱藏層(hiddenlayer)：中間層是內部信息處理層，負責信息變換，根據信息變化能力的需求，中間層可以設計為單隱層或者多隱層結構；最後一個隱層傳遞到輸出層各神經元的信息，經進一步處理後，完成一次學習的正向傳播處理過程。
⑶輸出層(outputlayer)：顧名思義，輸出層向外界輸出信息處理結果。
當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程，是各層權值不斷調整的過程，也是神經網絡學習訓練的過程，此過程一直進行到網絡輸出的誤差減少到可以接受的程度，或者預先設定的學習次數為止，可以用以下式子表示：
o1＝f1(xw1)(7)
o2＝f2(f1(xw1)w2)(8)
o3＝f3(f2(f1(xw1)w2)w3)(9)
對於一個三層的前饋神經網絡n，式中x表示網絡的輸入向量，w1～w3表示網絡各層的連接權向量，f1～f3表示神經網絡三層的激活函數，o1、o2、o3分別表示第一層、第二層、第三層的輸出；通過bp三層神經網絡可以對分隔出來的模具編號字符信息進行快速識別，不僅提高了模具編號字符信息的識別速度，而且大幅提高了模具編號字符信息的識別精度；
步驟6、自動篩選：根據檢測識別工序的結果進行下一步分選，如果待檢齒環產品上面的模具編號字符能全部檢測識別出來，則該待檢齒環產品為合格產品，傳送帶將合格的待檢齒環產品移送到合格產品接料盒中；若待檢齒環產品上面的模具編號字符檢測識別不全或完全檢測識別不了，則該待檢齒環產品不合格，傳送帶將該不合格齒環產品移送到剔除機構處，剔除機構將該不合格齒環產品移送到不合格產品接料盒中。
參照圖2所示，本檢測方法中的光源採用正面明場多角度led環形白光光源。由於噴碼字符是印在銅環柱面上，設計了正面明場同軸漫反射led環形白光光源照明方式能夠防止產生陰影，減少或防止鏡面反射，使齒環內外徑輪廓圖像對比度增強。
本齒環模具編號檢測方法，採用先進的圖像採集技術和數據通訊技術，實現數字圖像的實時採集與傳輸，可以在較短的時間內創建標準的檢測環境，同時提出了一種基於圖像極坐標變換、圖像均值濾波、圖像膨脹、神經網絡的算法，實現了流水線上的齒環環形分布模具編號字符信息的連續自動採集及判別，提高了模具編號字符信息識別的精度和速度，解決了單依靠傳統人工檢測判斷效率低、成本高等技術難題，而且採用閉環控制原理使系統檢測過程自動控制和調節，然後進行準確而快速的圖像識別及處理，滿足流水線生產節拍的需要，並利用系統的分析報告等能力輔助相關負責人員決策判斷，及時掌握每一個齒輪零件的質量信息，從而有效對企業的生產質量和技術進行總體上的把握和控制，如此一來，避免了人工檢測效率低、容易疲勞導致誤檢的風險。
以上所述為本發明的較佳實施例而已，但本發明不應局限於該實施例和附圖所公開的內容，所以凡是不脫離本發明所公開的精神下完成的等效或修改，都落入本發明保護的範圍。