本發(fā)明涉及機(jī)器視覺，具體是基于機(jī)器視覺的部件缺陷高精度檢測(cè)方法和系統(tǒng)。

背景技術(shù)：

1、血液灌流器是一種關(guān)鍵的醫(yī)療設(shè)備，其作用是將血液從人體的循環(huán)系統(tǒng)中引出，通過濾器或其他處理手段凈化后再輸回體內(nèi)。在灌流器的生產(chǎn)過程中，密封平墊與瓶體之間可能混入微小雜質(zhì)，這些雜質(zhì)若進(jìn)入人體，可能引發(fā)嚴(yán)重的健康問題。此外，密封平墊的安裝偏差可能導(dǎo)致密封性不足，進(jìn)而存在潛在的安全風(fēng)險(xiǎn)。鑒于此，及時(shí)且準(zhǔn)確地檢測(cè)灌流器在生產(chǎn)過程中的缺陷至關(guān)重要，以確保產(chǎn)品的質(zhì)量與安全。

2、現(xiàn)有技術(shù)中，灌流器平墊內(nèi)層雜質(zhì)的檢測(cè)主要依賴于人工視覺，但此方法存在局限性：長(zhǎng)時(shí)間的視覺檢測(cè)會(huì)導(dǎo)致工作人員眼睛疲勞，影響檢測(cè)準(zhǔn)確性；不同個(gè)體的檢測(cè)標(biāo)準(zhǔn)難以統(tǒng)一，導(dǎo)致檢測(cè)質(zhì)量參差不齊；以及微小雜質(zhì)的人工檢測(cè)成本高、效率低。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明的目的是提供基于機(jī)器視覺的部件缺陷高精度檢測(cè)方法和系統(tǒng)，以解決現(xiàn)有的灌流器平墊內(nèi)層的檢測(cè)成本高、效率低的問題。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案：

3、本發(fā)明的基于機(jī)器視覺的部件缺陷高精度檢測(cè)方法，包括：

4、獲取灌流器端蓋平墊的原始圖像；

5、對(duì)所述原始圖像進(jìn)行預(yù)處理，得到預(yù)處理圖像；

6、從所述預(yù)處理圖像中確定灌流器端蓋平墊所在的待檢測(cè)區(qū)域，得到待檢測(cè)區(qū)域圖像；

7、對(duì)所述待檢測(cè)區(qū)域圖像進(jìn)行深度缺陷特征提取，得到第一缺陷候選區(qū)域和干擾候選區(qū)域；

8、對(duì)所述待檢測(cè)區(qū)域圖像進(jìn)行傳統(tǒng)缺陷特征提取，得到第二缺陷候選區(qū)域；

9、基于預(yù)先配置的特征參數(shù)閾值對(duì)所述第一缺陷候選區(qū)域、所述干擾候選區(qū)域和所述第二缺陷候選區(qū)域進(jìn)行缺陷判定，得到檢測(cè)結(jié)果。

10、在本技術(shù)一實(shí)施例中，所述原始圖像基于圖像采集設(shè)備獲取，其中，對(duì)所述原始圖像進(jìn)行預(yù)處理，得到預(yù)處理圖像，包括：

11、對(duì)所述原始圖像進(jìn)行解碼，得到數(shù)字圖像；

12、基于n×n的濾波算子對(duì)所述數(shù)字圖像進(jìn)行低通濾波，得到預(yù)處理圖像。

13、在本技術(shù)一實(shí)施例中，從所述預(yù)處理圖像中確定灌流器端蓋平墊所在的待檢測(cè)區(qū)域，得到待檢測(cè)區(qū)域圖像，包括：

14、對(duì)所述預(yù)處理圖像進(jìn)行二值化處理，得到二值化圖像；

15、基于形態(tài)學(xué)處理對(duì)所述二值化圖像中的干擾特征進(jìn)行去除，得到過程圖像，其中，所述干擾特征包括水紋和反光形成的空洞特征、裂紋特征、毛刺特征和污點(diǎn)特征，所述形態(tài)學(xué)處理包括腐蝕、膨脹、開運(yùn)算和閉運(yùn)算其中之一或者多個(gè)組合；

16、基于預(yù)先建立的第一篩選條件對(duì)所述過程圖像中的輪廓進(jìn)行篩選，得到目標(biāo)輪廓，所述第一篩選條件包括輪廓符合預(yù)設(shè)的面積、位置、長(zhǎng)和寬；

17、對(duì)所述目標(biāo)輪廓進(jìn)行圓弧擬合，得到粗定位的待檢測(cè)區(qū)域；

18、基于所述粗定位的待檢測(cè)區(qū)域以及預(yù)先構(gòu)建的第一環(huán)形遮罩、第二環(huán)形遮罩和第三環(huán)形遮罩對(duì)所述預(yù)處理圖像的待檢測(cè)區(qū)域進(jìn)行精確定位，得到待檢測(cè)區(qū)域圖像，其中，所述第一環(huán)形遮罩、所述第二環(huán)形遮罩和所述第三環(huán)形遮罩基于產(chǎn)品的標(biāo)準(zhǔn)尺寸生成，所述第二環(huán)形遮罩恰好覆蓋待檢測(cè)區(qū)域，所述第一環(huán)形遮罩被覆蓋在所述第二環(huán)形遮罩內(nèi)，所述第二環(huán)形遮罩被覆蓋在所述第三環(huán)形遮罩內(nèi)。

19、在本技術(shù)一實(shí)施例中，基于所述粗定位的待檢測(cè)區(qū)域以及預(yù)先構(gòu)建的第一環(huán)形遮罩、第二環(huán)形遮罩和第三環(huán)形遮罩對(duì)所述預(yù)處理圖像的待檢測(cè)區(qū)域進(jìn)行精確定位，得到待檢測(cè)區(qū)域圖像，包括：

20、對(duì)所述預(yù)處理圖像的粗定位的待檢測(cè)區(qū)域進(jìn)行輪廓提取，得到邊緣檢測(cè)圖像；并將所述邊緣檢測(cè)圖像轉(zhuǎn)換為黑白二值圖像，得到平墊輪廓區(qū)域；

21、將所述平墊輪廓區(qū)域與所述第一環(huán)形遮罩重合并求差，得到有效輪廓線區(qū)域；

22、對(duì)所述有效輪廓線區(qū)域中的分散的輪廓線進(jìn)行閉運(yùn)算，得到完整輪廓線區(qū)域；

23、對(duì)所述完整輪廓線區(qū)域進(jìn)行二值化取反，得到取反圖像；并將所述取反圖像與所述第二環(huán)形遮罩進(jìn)行與運(yùn)算，得到限制檢測(cè)區(qū)域；

24、基于預(yù)先構(gòu)建的第二篩選條件對(duì)所述限制檢測(cè)區(qū)域的輪廓進(jìn)行篩選，得到檢測(cè)區(qū)域輪廓，其中，所述第二篩選條件為輪廓符合預(yù)設(shè)面積和形狀；

25、對(duì)所述檢測(cè)區(qū)域輪廓進(jìn)行平滑濾波處理，得到平滑輪廓；

26、將所述預(yù)處理圖像中對(duì)應(yīng)位置的陰影與高光區(qū)域合并至所述平滑輪廓內(nèi)，得到檢測(cè)輪廓；

27、將所述檢測(cè)輪廓擬合為圓環(huán)，得到標(biāo)準(zhǔn)圓環(huán)輪廓；

28、將所述檢測(cè)輪廓內(nèi)的區(qū)域與所述標(biāo)準(zhǔn)圓環(huán)輪廓內(nèi)的區(qū)域進(jìn)行合并，得到待檢測(cè)區(qū)域以及待檢測(cè)區(qū)域圖像。

29、在本技術(shù)一實(shí)施例中，對(duì)所述待檢測(cè)區(qū)域圖像進(jìn)行深度缺陷特征提取，得到第一缺陷候選區(qū)域和干擾候選區(qū)域，包括：

30、對(duì)所述待檢測(cè)區(qū)域圖像進(jìn)行尺寸調(diào)整和歸一化，得到輸入圖像；

31、將所述輸入圖像輸入至預(yù)先構(gòu)建的缺陷識(shí)別模型中，得到輸出結(jié)果；所述缺陷識(shí)別模型的構(gòu)建流程包括：獲取多個(gè)圖像樣本；對(duì)所述多個(gè)圖像樣本的缺陷區(qū)域和干擾區(qū)域進(jìn)行標(biāo)注，得到訓(xùn)練數(shù)據(jù)集；基于所述訓(xùn)練數(shù)據(jù)集對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到缺陷識(shí)別模型；

32、對(duì)所述輸出結(jié)果執(zhí)行非極大值抑制算法，得到第一缺陷候選區(qū)域、干擾候選區(qū)域、第一缺陷候選區(qū)域的置信度以及干擾候選區(qū)域的置信度。

33、在本技術(shù)一實(shí)施例中，對(duì)所述待檢測(cè)區(qū)域圖像進(jìn)行傳統(tǒng)缺陷特征提取，得到第二缺陷候選區(qū)域，包括：

34、基于高斯濾波器對(duì)所述待檢測(cè)區(qū)域圖像進(jìn)行平滑處理，得到第一中間圖像；

35、對(duì)所述第一中間圖像進(jìn)行高通濾波，得到第二中間圖像；

36、對(duì)所述第二中間圖像進(jìn)行二值化處理，得到黑白圖像；

37、從所述黑白圖像中提取陰影區(qū)域、高光區(qū)域以及突變區(qū)域；

38、基于預(yù)先配置的特征參數(shù)對(duì)所述陰影區(qū)域、所述高光區(qū)域以及所述突變區(qū)域進(jìn)行篩選，得到第二缺陷候選區(qū)域，其中，所述第二缺陷候選區(qū)域包括深色缺陷區(qū)域、淺色缺陷區(qū)域以及突變?nèi)毕輩^(qū)域。

39、在本技術(shù)一實(shí)施例中，對(duì)所述第一中間圖像進(jìn)行高通濾波，得到第二中間圖像，包括：

40、對(duì)所述第一中間圖像執(zhí)行基于空域的高通濾波算法，得到第二中間圖像imagehighpass1，或者，對(duì)所述第一中間圖像執(zhí)行基于頻域的高通濾波算法，得到第二中間圖像imagehighpass2；

41、其中，所述第二中間圖像imagehighpass1的數(shù)學(xué)表達(dá)式為：

42、imagehighpass1＝add(128,subtract(image,blur(image,kernelsize

43、式中，kernelsize為通過頻率，biur()為模擬處理函數(shù)，subtract()為求差函數(shù)，add()為求和函數(shù)，image為第一中間圖像；

44、所述第二中間圖像imagehighpass2的數(shù)學(xué)表達(dá)式為：

45、imagehighpass2＝ifft(fft(image)*filterhighpass)

46、式中，filterhighpass為高通濾波器，fft()為快速傅里葉變換函數(shù)，ifft()為快速傅里葉逆變換函數(shù)；所述高通濾波器為理想高通濾波器、高斯高通濾波器或者巴特沃斯高通濾波器。

47、在本技術(shù)一實(shí)施例中，基于預(yù)先配置的特征參數(shù)閾值對(duì)所述第一缺陷候選區(qū)域、所述干擾候選區(qū)域和所述第二缺陷候選區(qū)域進(jìn)行缺陷判定，得到檢測(cè)結(jié)果，包括：

48、獲取第一缺陷候選區(qū)域、第二缺陷候選區(qū)域以及干擾候選區(qū)域的特征參數(shù)，其中，特征參數(shù)包括形狀參數(shù)和置信度；

49、將符合所述特征參數(shù)閾值的第一缺陷候選區(qū)域或者第二缺陷候選區(qū)域作為缺陷區(qū)域，并將符合所述特征參數(shù)閾值的干擾候選區(qū)域作為干擾區(qū)域，其中，所述特征參數(shù)閾值至少包括形狀特征閾值以及置信度閾值；

50、將所述缺陷區(qū)域合并，并排除所述干擾區(qū)域，得到檢測(cè)結(jié)果。

51、在本技術(shù)一實(shí)施例中，還包括：

52、基于預(yù)先定義的缺陷標(biāo)準(zhǔn)對(duì)合并后的缺陷區(qū)域進(jìn)行分級(jí)；

53、基于所述合并后的缺陷區(qū)域的等級(jí)進(jìn)行提示并輸出至目標(biāo)對(duì)象，其中，不同等級(jí)的缺陷區(qū)域采用不同顏色進(jìn)行提示。

54、本技術(shù)還提供基于機(jī)器視覺的部件缺陷高精度檢測(cè)系統(tǒng)，包括：

55、獲取模塊，用于獲取灌流器端蓋平墊的原始圖像；

56、預(yù)處理模塊，用于對(duì)所述原始圖像進(jìn)行預(yù)處理，得到預(yù)處理圖像；

57、區(qū)域提取模塊，用于從所述預(yù)處理圖像中提取灌流器端蓋平墊所在的待檢測(cè)區(qū)域，得到待檢測(cè)區(qū)域圖像；

58、第一特征提取模塊，用于對(duì)所述待檢測(cè)區(qū)域圖像進(jìn)行深度缺陷特征提取，得到第一缺陷候選區(qū)域和干擾候選區(qū)域；

59、第二特征提取模塊，用于對(duì)所述待檢測(cè)區(qū)域圖像進(jìn)行傳統(tǒng)缺陷特征提取，得到第二缺陷候選區(qū)域；

60、缺陷分析模塊，用于基于預(yù)先配置的特征參數(shù)閾值對(duì)所述第一缺陷候選區(qū)域、所述干擾候選區(qū)域和所述第二缺陷候選區(qū)域進(jìn)行缺陷判定，得到檢測(cè)結(jié)果。

61、本發(fā)明的有益效果是：本發(fā)明的基于機(jī)器視覺的部件缺陷高精度檢測(cè)方法和系統(tǒng)，通過獲取灌流器端蓋平墊的原始圖像，然后對(duì)原始圖像進(jìn)行預(yù)處理，并提取待檢測(cè)區(qū)域。在待檢測(cè)區(qū)域圖像中，本技術(shù)先利用深度學(xué)習(xí)技術(shù)來對(duì)待檢測(cè)區(qū)域圖像中的深度缺陷進(jìn)行提取，再通過二維圖像處理技術(shù)對(duì)待檢測(cè)區(qū)域圖像中傳統(tǒng)缺陷進(jìn)行提取，最后，基于預(yù)先配置的特征參數(shù)閾值對(duì)缺陷候選區(qū)域和干擾候選區(qū)域進(jìn)行確定，得到檢測(cè)結(jié)果。本技術(shù)可以廣泛應(yīng)用于各種需要檢測(cè)灌流器端蓋平墊缺陷的設(shè)備和系統(tǒng)中，自動(dòng)化檢測(cè)產(chǎn)品缺陷，替代人工檢測(cè)，提高生產(chǎn)效率和產(chǎn)品質(zhì)量。