基于AI视觉工业机器人工件缺陷快速检测方法与流程

本发明属于人工智能领域，涉及图像识别技术，具体是基于ai视觉工业机器人工件缺陷快速检测方法。

背景技术：

1、现有的ai视觉工业机器人在进行工件缺陷快速检测时存在以下缺陷：

2、1、直接使用机器人采集的原始图像开展缺陷识别，无法区分不同拍摄机位图像的畸变程度，不能自动筛选畸变率最低的优质图像用于缺陷检测，畸变像素会造成工件轮廓拉伸、缺陷尺寸计量失真，大幅提升漏检、误检概率，同时无图像择优逻辑会增加无效图像推理算力消耗，拖慢产线检测节拍；

3、2、单独标记零散异常像素，缺少像素点聚类与分区遍历流程，无法将空间相邻的缺陷像素整合为完整缺陷区域，区分粉尘噪点形成的孤立伪异常像素与真实缺陷连片像素困难，难以量化各缺陷区域的面积、长宽、位置等几何参数，依靠单点像素判定缺陷易产生大量误判，微小连续划痕、气孔类缺陷的识别完整性不足。

4、为此，我们提出基于ai视觉工业机器人工件缺陷快速检测方法。

技术实现思路

1、针对现有技术存在的不足，本发明目的是提供基于ai视觉工业机器人工件缺陷快速检测方法，本发明旨在提高工件缺陷检测效率，为工件的高质量生产提供保障。

2、为了实现上述目的，本发明采用了如下技术方案：

3、步骤s1：采集预选成品工件，对预选成品工件进行视觉图像采集，得到多个预选工件视觉图像，并对预选工件视觉图像进行像素畸变识别，根据识别结果得到成品工件视觉采集数据；

4、步骤s2：根据成品工件视觉采集数据获取视觉检测筛选图像，对视觉筛选检测图像进行异常像素点标记，得到视觉缺陷标记图像；

5、步骤s3：根据视觉缺陷标记图像对预选成品工件进行缺陷检测，并根据检测结果发布缺陷预警。

6、进一步地，所述步骤s1中，具体步骤如下：

7、对需要进行工件缺陷快速检测的成品工件进行采集，得到预选成品工件；

8、步骤s11：针对成品工件创建若干个图像采集位置，控制ai视觉工业机器人依次在各图像采集位置对成品工件同一工件位置进行图像采集，得到多个预选工件视觉图像；

9、步骤s12：在所获取的多个预选工件视觉图像中任意选取一张样本工件图像，并对样本工件图像进行像素畸变分析，根据分析结果得到样本工件图像所对应的像素畸变率；

10、步骤s13：获取每一个预选工件视觉图像所对应的像素畸变率，得到成品工件视觉采集数据。

11、进一步地，所述步骤s12中，具体步骤如下：

12、将样本工件图像左下角顶点作为坐标原点进行平面直角坐标系创建，得到预选像素坐标系；

13、对ai视觉工业机器人内置图像采集装置进行棋盘格标定图像采集，将预选像素坐标系映射于棋盘格标定图像；

14、对棋盘格标定图像进行几何中心点采集，得到标定图像中心点，对标定图像中心点在预选像素坐标系中的x轴坐标进行采集，得到主点横向像素坐标，对标定图像中心点在预选像素坐标系中的y轴坐标进行采集，得到主点纵向像素坐标；

15、对ai视觉工业机器人内置图像采集装置进行图像横轴像素等效焦距采集，得到x轴图像等效焦距数值，对ai视觉工业机器人内置图像采集装置进行图像纵轴像素等效焦距采集，得到y轴图像等效焦距数值。

16、进一步地，所述步骤s12中，具体步骤如下：

17、对ai视觉工业机器人内置图像采集装置所对应的一阶径向畸变进行数值采集，得到k1径向畸变值，对ai视觉工业机器人内置图像采集装置所对应的二阶径向畸变进行数值采集，得到k2径向畸变值，对ai视觉工业机器人内置图像采集装置所对应的三阶径向畸变进行数值采集，得到k3径向畸变值；

18、对预选工件在样本工件图像中所覆盖的图像区域进行采集，得到工件图像覆盖区域，并在工件图像覆盖区域内任意选取一个样本覆盖像素点；

19、对样本覆盖像素点在预选像素坐标系中的横坐标进行数值采集，得到样本像素横坐标数值，对样本覆盖像素点在预选像素坐标系中的纵坐标进行数值采集，得到样本像素纵坐标数值。

20、进一步地，所述步骤s12中，具体步骤如下：

21、计算样本像素横坐标数值与主点横向像素坐标的差值，并获取所得差值与x轴图像等效焦距数值之比，得到样本像素横坐标归一值，计算样本像素纵坐标数值与主点纵向像素坐标的差值，并获取所得差值与y轴图像等效焦距数值之比，得到样本像素纵坐标归一值；

22、计算样本像素横坐标归一值与样本像素纵坐标归一值的平方和，得到像素中心极径长度值；

23、将像素中心极径长度值、k1径向畸变值、k2径向畸变值以及k3径向畸变值代入径向总畸变缩放系数公式，通过计算得到样本覆盖像素点所对应的畸变量缩放系数。

24、进一步地，所述步骤s12中，具体步骤如下：

25、获取工件图像覆盖区域每一个区域像素点所对应的畸变量缩放系数，创建畸变量缩放系数基准区间，若畸变量缩放系数处于畸变量缩放系数基准区间，则将对应的区域像素点划分为常规图像像素点，若畸变量缩放系数不处于畸变量缩放系数基准区间，则将对应的区域像素点划分为畸变图像像素点；

26、对工件图像覆盖区域内的区域像素点进行数量统计，得到第一区域像素数量值，对工件图像覆盖区域内的畸变图像像素点进行数量统计，得到第二区域像素数量值，计算第二图像像素值与第一图像像素值之比，得到样本工件图像所对应的像素畸变率。

27、进一步地，所述步骤s2中，具体如下：

28、获取成品工件视觉采集数据，根据成品工件视觉采集数据获取每一个预选工件视觉图像所对应的像素畸变率，并对像素畸变率进行数值比对，将最小像素畸变率所对应的预选工件视觉图像标记为视觉检测筛选图像；

29、对视觉检测筛选图像进行灰度化处理，并对工件图像覆盖区域内的每一个区域像素点进行像素深度采集，得到多个实采像素深度数值。

30、进一步地，所述步骤s2中，具体如下：

31、创建像素深度基准区间，若实采像素深度数值处于像素深度基准区间，则将对应的区域像素点标记为正常像素点，若实采像素深度数值不处于像素深度基准区间，则将对应的区域像素点标记为异常像素点；

32、对视觉检测筛选图像进行异常像素点标记，得到视觉缺陷标记图像。

33、进一步地，所述步骤s3中，具体步骤如下：

34、获取视觉缺陷标记图像，在视觉缺陷标记图像所包含的异常像素点中任意选取一个样本异常像素点；

35、在视觉缺陷标记图像创建异常像素遍历矩形，控制异常像素遍历矩形几何中心点与样本异常像素点重合，将异常像素遍历矩形所覆盖的异常像素点与样本异常像素点进行连通，得到样本异常像素点所对应的异常像素连通区域，使用异常像素遍历矩形对异常像素连通区域内的异常像素点遍历，根据遍历结果对异常像素连通区域进行扩充，直至异常像素连通区域内不存在异常像素点，并将最终所得的异常像素连通区域设置为样本异常像素点所对应的遍历异常区域。

36、进一步地，所述步骤s3中，具体步骤如下：

37、重复执行样本异常像素点对应的遍历异常区域获取流程，依次得到除该样本异常像素点对应遍历异常区域以外，其余各异常像素点分别对应的遍历异常区域；

38、对所获取的遍历异常区域进行面积数值获取，得到多个缺陷区域面积数值，将最小缺陷区域面积数值标记为缺陷检测面积值；

39、设置缺陷检测面积基准值，若缺陷检测面积值大于缺陷检测面积基准值，则针对预选成品工件发布视觉缺陷预警，若缺陷检测面积值小于或等于缺陷检测面积基准值，则无需针对预选成品工件发布视觉缺陷预警。

40、综上所述，由于采用了上述技术方案，本发明的有益效果：

41、1、本发明通过几何分析方法完成图像像素畸变率量化识别，能够从机器人多机位采集的多张工件图像中自动筛选畸变率最小的图像开展缺陷检测，规避畸变像素引发的工件轮廓形变、缺陷尺寸测算偏差问题，有效降低缺陷漏检、误检概率；同时摒弃高畸变无效图像推理，减少边缘设备算力占用，提升工件整体检测速度，适配流水线高速检测节拍需求。

42、2、本发明对异常像素点开展连通域聚类遍历分析，将空间相邻的异常像素整合划分成独立完整的缺陷区域，可区分粉尘、相机噪点形成的孤立伪异常像素与真实缺陷连片像素，精准剔除伪缺陷干扰；还能基于聚类后的缺陷区域量化计算缺陷面积、长度、位置等几何参数，完整勾勒微小划痕、气孔等连续缺陷轮廓，大幅提升微小缺陷识别完整性与检测判定精度。