基于机器视觉的精密机加工零件在线激光检测系统及方法与流程

本发明涉及图像数据处理。更具体地，本发明涉及基于机器视觉的精密机加工零件在线激光检测系统及方法。

背景技术：

1、随着高端装备制造、航空航天、汽车零部件、精密模具以及电子器件等行业的快速发展，精密机加工零件的加工精度和表面质量要求不断提高。精密机加工零件在车削、铣削、磨削、钻削以及激光加工等制造过程中，容易产生划痕、裂纹、毛刺、崩边、凹坑、加工残留以及表面烧蚀等缺陷。这些缺陷不仅会影响零件的外观质量，而且可能降低零件的尺寸精度、装配精度、疲劳强度以及使用寿命，严重时甚至会导致整机设备运行失效。因此，在零件生产过程中对其表面质量进行快速、准确和稳定的在线检测，已经成为保障产品质量和提升生产效率的重要技术手段。

2、随着机器视觉技术的发展，越来越多的生产企业开始采用基于工业相机的视觉检测技术对精密机加工零件进行在线检测，通过获取零件图像并提取边缘、纹理以及轮廓等特征实现缺陷识别，从而提高检测效率和自动化水平。为了进一步增强缺陷特征的可辨识性，现有技术中通常采用激光照明方式对待检测零件进行照射，通过激光光源提高零件表面的亮度对比度，使细微缺陷能够在图像中更加明显地呈现出来。

3、申请公布号为cn120672669a的专利申请文件公开了一种基于机器视觉的风机缺陷检测方法及系统。该专利申请文件包括：获取风机叶片历史拍摄的图像，生成训练数据集，基于卷积神经网络建立深度学习网络架构，建立风机叶片运动识别模型，使用暗通道先验算法进行计算处理，获取动态调整权重，基于动态调整权重对aodnet模型进行训练，建立风机叶片模糊校正模型，对风机叶片进行实时拍摄，使用风机叶片运动识别模型进行运动识别校正，使用风机叶片模糊校正模型进行尘雾去除，建立缺陷检测模型，使用缺陷检测模型进行缺陷检测，能使高速运动的风机叶片也能被准确识别，使风机叶片轮廓细节清晰，进行缺陷检测时，能够及时准确分析风机叶片状态，提高风机叶片的工作性能。然而，上述方案缺少针对高亮区域空间覆盖范围和区域代表性的有效评价机制，难以准确识别真正能够反映整体光照特征的目标区域，进而影响大气光成分估计的准确性。当大气光估计结果不准确时，图像增强过程容易出现过增强、欠增强或者细节恢复不足的问题，使缺陷特征无法充分显现，最终导致边缘检测结果不稳定，出现误检和漏检的问题。

技术实现思路

1、为解决上述背景技术中提出的边缘检测结果不稳定，出现误检和漏检的问题，本发明在如下的多个方面中提供方案。

2、在第一方面中，本发明提供了基于机器视觉的精密机加工零件在线激光检测方法，包括：获取待检测精密机加工零件的图像；

3、计算所述图像中目标区域内各像素点的灰度值加权求和后的归一化值，且加权求和过程中的权重为目标区域内各像素点高亮程度的归一化值；所述目标区域为分布广度最大的区域，其中，目标像素点对应区域的分布广度具体为：将目标像素点对应区域内各像素点横坐标的极差、纵坐标的极差和目标像素点对应区域内像素点数量在所述图像中像素点数量占比的乘积作为目标像素点对应区域的分布广度，所述目标像素点为目标灰度级段内的任一像素点；利用改进的暗通道先验去雾算法对所述图像进行处理后并进行边缘检测，若检测到的边缘轮廓数大于设定阈值，则判定所述精密机加工零件存在瑕疵；其中，改进的暗通道先验去雾算法包括大气光成分，所述大气光成分为目标区域内各像素点的灰度值加权求和后的归一化值。

4、上述技术方案通过提高光照信息估计的准确性和稳定性，使图像增强结果更加符合实际成像情况，避免因局部异常高亮区域干扰而导致的图像失真问题，从而增强缺陷区域与正常区域之间的差异性，提高缺陷边缘轮廓的完整性和连续性。经增强后的图像能够使划痕、裂纹、毛刺、缺口以及凹坑等微小瑕疵更加清晰地显现出来，提高边缘检测对缺陷特征的提取能力，降低漏检和误检现象的发生概率。

5、进一步地，所述目标灰度级段为高亮程度最大的灰度级段，所述高亮程度为各灰度级段中最大灰度级与最小灰度级之间差值的归一化值、各灰度级段中所有灰度级对应像素点灰度值均值的归一化值和各灰度级段中所有灰度级对应像素点数量在所述图像中像素点数量占比的乘积。

6、上述技术方案通过综合考虑灰度区间的亮度变化范围、整体亮度水平以及像素分布规模，能够更加准确地识别出具有代表性的高亮区域，避免仅依据单一亮度特征进行判断而产生偏差。该方式有利于降低局部强反光、孤立亮点以及随机噪声对高亮区域筛选结果的影响，提高高亮区域识别的准确性和稳定性，使所选区域更能够反映图像的真实光照特征。

7、进一步地，所述目标像素点对应区域，具体为：将以所述目标像素点为中心的设定邻域范围内的所有目标像素点合并为一个区域，以得到目标像素点对应区域。

8、上述技术方案通过将空间位置相邻且具有相似亮度特征的目标像素点进行合并，能够形成连续完整的区域结构，减少孤立像素和零散亮点对后续处理结果造成的影响，提高区域提取结果的完整性和稳定性。该方式有利于增强目标区域的连续性和代表性，降低随机噪声以及局部异常亮度变化带来的干扰，使所获得的区域更加符合图像中的实际分布情况。

9、进一步地，所述灰度级段，具体为：获取所述图像的暗通道图像中各灰度级对应的像素点数量，计算0灰度级之外的所有灰度级对应像素点数量的平均值，将大于所述平均值的灰度级作为预选灰度级，将任一预选灰度级左右两侧灰度级对应像素点数量不为0的灰度级合并为一个灰度级段，直至覆盖所有预设灰度级，以得到多个灰度级段。

10、上述技术方案通过依据暗通道图像中各灰度级的实际分布情况构建多个灰度区间，能够使灰度划分结果更加贴合图像真实亮度分布特征，避免固定划分方式导致的亮度信息割裂或混杂问题。该方式有利于突出图像中具有较强代表性的亮度区域，降低稀疏灰度分布和随机噪声对区域划分结果的影响，提高亮度信息组织的合理性和稳定性。

11、进一步地，还包括，对所述高亮程度进行修正以得到修正高亮程度，具体为：获取以各像素点为中心的设定邻域范围内所有像素点灰度值的极差，将所述高亮程度与极差的比值作为修正高亮程度。

12、上述技术方案通过结合像素点邻域范围内的灰度变化情况对高亮程度进行修正，能够有效反映高亮区域的亮度稳定性和连续性，减少仅依据亮度大小进行评价所带来的误判问题。该方式有利于降低局部强反光、随机噪声以及孤立亮点对高亮区域识别结果的影响，提高高亮区域筛选的准确性和可靠性，使最终获得的高亮区域更加符合图像实际光照分布情况。

13、进一步地，还包括，对所述图像进行灰度化处理。

14、进一步地，所述边缘检测为sobel边缘检测或canny边缘检测。

15、在第二方面中，本发明提供了基于机器视觉的精密机加工零件在线激光检测系统，包括存储器和处理器，所述存储器内存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现以上任意一项所述的基于机器视觉的精密机加工零件在线激光检测方法。

16、本发明的有益效果在于：

17、本发明能够有效提升精密机加工零件在线检测过程中图像质量和缺陷识别能力，降低激光照射产生的强反光、局部过曝以及复杂工业环境中散射光干扰对检测结果造成的不利影响，提高图像增强处理的准确性和稳定性。通过对亮度信息、空间分布特征以及区域连续特征进行综合分析，能够更加准确地识别具有代表性的关键区域，提高光照信息提取的可靠性，使图像对比度、边缘清晰度以及细节表现能力得到显著增强。与此同时，能够有效抑制局部异常亮点、随机噪声以及非目标高亮区域对处理结果的影响，提高关键区域筛选的准确性和稳定性，使图像增强结果更加符合实际成像情况。经增强处理后的图像能够更加完整地保留零件表面的纹理信息、轮廓信息以及微小缺陷特征，使划痕、裂纹、毛刺、缺口、凹坑等瑕疵更加清晰地呈现出来，提高边缘检测对缺陷特征的提取能力和识别能力，降低误检率和漏检率。