一种机箱划痕视觉检测方法与流程

1.本发明具体涉及一种机箱划痕视觉检测方法，属于机箱划痕检测技术领域。


背景技术：

2.在计算机机箱检测方面，需要根据机箱上的划痕数量、大小，判断机箱是否合格，由于传统的人工检验机箱划痕的方法速度较慢、易错检漏检的不足，且传统人工检测机箱划痕方法的检测精度及效率，极其依赖于员工的工作效果，容易错检漏检，员工工作状态、员工与机箱的距离和工作环境的光线都会对检测效果产生影响，导致检测效果不够理想，因此，本发明提出了针对计算机制造业中机箱划痕检测问题的改进方法。


技术实现要素：

3.本发明的目的在于针对人工检测机箱划痕的方法速度较慢、易错检漏检的问题，提出了一种机箱划痕视觉检测方法。
4.为了实现上述目的，本发明的技术解决方案如下。
5.所述机箱划痕视觉检测方法，包括如下步骤：
6.步骤1、用工业相机对机箱划痕进行拍照，获取待检测图像；
7.步骤2、通过混沌灰狼算法优化相机内参值，得到优化后的相机内参值，具体为：
8.步骤2.1、通过张氏算法计算相机内参的初始值，在相机内参初始值的基础上，初始化狼群的搜索种群数量n、协同系数向量a、协同系数向量c及迭代次数maxiter；
9.步骤2.2、初始化狼群搜索个体的位置xi(i＝1,2,
…
,np)，所述狼群个体的位置为相机内参值；
10.步骤2.3、根据每个个体的适应度值迭代计算出α狼、β狼、δ狼的位置，并更新搜索位置；具体包括：
11.步骤2.3.1、基于适应度函数计算出每个个体的适应度值，该适应度值为迭代计算出的几组相机内参的最优解，并根据适应度值的大小，把最优内参赋给α狼，把第二优内参赋给β狼，把第三优的内参赋给δ狼；
12.步骤2.3.2、计算相机内参值的系数向量以及相机内参值的系数向量；
13.步骤2.3.3、计算α狼、β狼、δ狼到目标猎物的距离计算狼群搜索个体的位置；
14.步骤2.3.4、更新狼群搜索位置；
15.步骤2.4、判断是否达到最大迭代次数，如果达到则执行步骤2.5；否则，执行步骤2.3；
16.步骤2.5、把获得最优搜索位置作为目标函数的最优解，即为相机内参的最优值；
17.步骤3、将优化后的相机内参值代入opencv函数，对待检测图像进行畸变矫正，得到矫正后的图像；具体包括：
18.将相机的输入矩阵、变换矩阵和畸变参数输入opencv中的
initundistortrectifymap()函数，求解出新的矩阵、未畸变的尺寸和两个输出映射，将两个输出映射输入remap()函数，得到矫正后的图像；所述畸变参数包括优化后的相机内参值；
19.对于矫正后的图像有三种处理方式：
20.1)不做处理，直接执行步骤4；
21.2)对矫正后图像通过双边滤波算法进行图片降噪处理，再执行步骤4；
22.3)对矫正后图像通过双边滤波算法进行图片降噪处理，并通过亚像素边缘提取算法分析矫正后图像，再执行步骤4；
23.步骤4、判断矫正后图像的划痕直径和长度是否符合生产标准要求，如是，则该机箱为合格机箱；否则，为不合格机箱；
24.至此，从步骤1到步骤4，完成了一种机箱划痕视觉检测方法。
25.有益效果
26.本发明提出的一种机箱划痕视觉检测方法，与现有技术相比，具有如下有益效果：
27.1.所述方法基于机器视觉，使检验过程更加标准，错检漏检情况减少，检验过程受环境因素影响减少，检验质量较为稳定；
28.2.所述方法通过混沌灰狼算法优化相机内参值，将灰狼算法和混沌算法相结合求解相机内参值，能避免局部最优解的风险，使检验更准确；
29.3.所述方法通过机器视觉及利用混沌灰狼算法对图片进行处理，实现使用机器进行高精度机箱划痕检测的同时，提高了检测机箱划痕的检验速度，节省了检验时间，提高了检验效率；节约了人力资源，节省了检验成本。
附图说明
30.图1为本发明实施例1提供的一种机箱划痕视觉检测方法的流程示意图；
31.图2为本发明一种机箱划痕视觉检测方法中优化相机内参值的流程示意图；
32.图3为本发明实施例2提供的一种机箱划痕视觉检测方法的流程示意图；
33.图4为本发明实施例3提供的一种机箱划痕视觉检测方法的流程示意图。
具体实施方式
34.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
35.下面结合附图和具体实施例对本发明一种机箱划痕视觉检测方法做进一步的详细说明。
36.实施例1
37.所述一种机箱划痕视觉检测方法，具体实施时，结合图1包括如下步骤：
38.s101、工业相机对机箱划痕进行拍照，获取待检测图像；
39.s102、通过混沌灰狼算法优化相机内参值，具体包括如下子步骤：
40.s102.1、通过张氏算法计算相机内参的初始值，在相机内参初始值的基础上，初始化狼群的搜索种群数量n、协同系数向量a、协同系数向量c及迭代次数maxiter；
41.s102.2、初始化狼群搜索个体的位置xi(i＝1,2,
…
,np)，所述狼群个体的位置为
相机内参值；
42.s102.3、根据每个个体的适应度值迭代计算出α狼、β狼、δ狼的位置，并更新搜索位置；具体包括：
43.s102.3.1、以式(1)作为适应度函数，计算出每个个体的适应度值，该适应度值为迭代计算出的几组相机内参的最优解；
[0044][0045]
其中，k1、k2为径向畸变系数；p1、p2为切向畸变系数；m为迭代次数；根据适应度值的大小，把最优内参赋给α狼，把第二优内参赋给β狼，把第三优的内参赋给δ狼；
[0046]
s102.3.2、根据式(2)计算相机内参值的系数向量根据式(3)计算相机内参值的系数向量
[0047][0048][0049]
其中，为收敛因子，随着迭代次数从2线性减小到0；r为像点到图像中心的欧式距离；的取[0、1]之间的随机数；
[0050]
s102.3.3、根据式(4)计算α狼、β狼、δ狼到目标猎物的距离根据式(5)计算狼群搜索个体的位置；
[0051][0052][0053]
其中，x
α
、x
β
、x
δ
为三个种群的位置；
[0054]
s102.3.4、根据式(6)更新狼群搜索位置；
[0055]
x(l 1)＝(x1 x2 x3)/3
ꢀꢀꢀꢀ
(6)
[0056]
其中，x为矫正后的位置，l为迭代次数；
[0057]
s102.4、判断是否达到最大迭代次数，具体为：
[0058]
每计算一次计数器q自动加1，当q≥maxiter时，则完成迭代计算过程，其中，q的初始值为0，每计算一次自动加1；
[0059]
如果达到则执行s102.5；否则，执行s102.3；
[0060]
s102.5、把获得最优搜索位置作为目标函数的最优解，即为相机内参的最优值；
[0061]
s103、将优化后的相机内参值代入opencv函数，对待检测图像进行畸变矫正，得到矫正后的图像；
[0062]
s104、判断矫正后图像的划痕直径和长度是否符合生产标准要求，如是，则该机箱为合格机箱；否则，为不合格机箱。
[0063]
具体地，灰狼算法(gwo)模拟灰狼狼群在捕猎过程中的特征和等级制度，将狼群按等级分为α狼、β狼、δ狼和剩余狼群个体ω，猎物的位置对应全局最优解，狼群通过不断的搜寻更新猎物位置，最终找到猎物并对猎物发起围攻行为；本实施例中的混沌灰狼算法是在灰狼算法的基础上进行改进，利用混沌序列logic映射对灰狼种群初始化，丰富灰狼种群的多样性，加快灰狼算法寻优速度；logic模型表达式为：xn＝(m
n-ln)yn ln，式中ln与mn分别为自变量xn，定义域最小和最大值；yn为混沌变量。
[0064]
检测时，使用合适的光源、工业相机的情况下，通过混沌灰狼算法优化相机内参值，将优化后的相机内参值代入opencv函数，对待检测图像进行畸变矫正，得到矫正后的图像，提取矫正后图像的划痕直径和长度，将机箱上的划痕情况包括划痕直径和划痕长度输入到计算机，通过对比生产统一标准要求以及检测的划痕直径和长度来判断机箱是否符合要求。
[0065]
本发明利用机器视觉技术，代替传统人工检测通过目测机箱上的划痕来判断生产出的机箱是否符合现行标准，本发明针对人工检测的弊端，在机箱组装完成后的划痕检测由人工检测转化为机器检测，通过机器视觉技术，以及在计算机上利用混沌灰狼算法等方法对图片进行处理，实现使用机器进行高精度机箱划痕检测，通过机器检验提高了检测机箱划痕的检验速度，节省了检验时间，提高了检验效率；节约了人力资源，节省了检验成本；使用机器视觉方法，使检验过程更加标准，错检漏检情况减少，检验过程受环境因素影响减少，检验质量较为稳定；而混沌灰狼算法与其他算法相比精度更高，进一步提高检验更准确。
[0066]
如图2所示，所述通过混沌灰狼算法优化相机内参，具体包括：
[0067]
s1021、通过张氏算法计算相机内参的初始值，在相机内参初始值的基础上，初始化狼群的搜索种群数量n、协同系数向量a、协同系数向量c及迭代次数maxiter；
[0068]
s1022、初始化狼群搜索个体的位置xi(i＝1,2,
…
,np)，所述狼群个体的位置为相机内参值；所述相机内参值包括r、u0、v0、f；
[0069]
s1023、根据每个个体的适应度值迭代计算出α狼、β狼、δ狼的位置，并更新搜索位置；
[0070]
s1024、判断是否达到最大迭代次数，如是执行步骤s1025；否则，执行步骤s1023；
[0071]
s1025、把获得最优搜索位置作为目标函数的最优解，即为相机内参的最优值。
[0072]
进一步地，步骤s1023中，所述根据每个个体的适应度值迭代计算出α狼、β狼、δ狼的位置，并更新搜索位置，具体包括：
[0073]
以式(1)作为适应度函数，计算出每个个体的适应度值，该适应度值为迭代计算出的几组相机内参的最优解；
[0074]
根据适应度值的大小，把最优内参赋给α狼，把第二优内参赋给β狼，把第三优的内参赋给δ狼。
[0075]
根据式(2)计算相机内参值的系数向量根据式(3)计算相机内参值的系
数向量
[0076]
根据式(4)计算α狼、β狼、δ狼到目标猎物的距离根据式(5)计算狼群搜索个体的位置；
[0077]
根据式(6)更新狼群搜索位置；
[0078]
x(l 1)＝(x1 x2 x3)/3
ꢀꢀꢀꢀꢀꢀ
(6)
[0079]
进一步地，步骤s1024中，所述判断是否达到最大迭代次数，具体包括：
[0080]
每计算一次计数器q自动加1，当q≥maxiter时，则完成迭代计算过程，其中，q的初始值为0，每计算一次自动加1。
[0081]
由于灰狼算法是一种最新的求解最优解的算法，但是有只能求解出局部最优解的风险，因此本实施例中，将灰狼算法和混沌算法相结合求解相机内参，通过采用混沌灰狼算法能避免局部最优解的风险，进一步提高检验更准确。
[0082]
进一步地，步骤s103中，所述将优化后的相机内参值代入opencv函数，对待检测图像进行畸变矫正，得到矫正后的图像，具体包括：
[0083]
将相机的输入矩阵、变换矩阵和畸变参数输入opencv中的initundistortrectifymap()函数，求解出新的矩阵、未畸变的尺寸和两个输出映射，将两个输出映射输入remap()函数，得到矫正后的图像；所述畸变参数包括优化后的相机内参值。
[0084]
具体地，图片的畸变矫正采用c# opencv混合编程实现，initundistortrectifymap()函数修正图像的无畸变和转换映射，该函数包含八个参数，分别为cameramatrix、distcoeffs、r、newcameramatrix、size、m1type、map1、map2，其中cameramatrix、distcoeffs、r为输入参数，newcameramatrix、size、m1type、map1、map2为输出参数；将相机的输入矩阵、畸变参数、变换矩阵(输入矩阵和变换矩阵为常量、畸变参数为求解出来的相机内参和外参)求解出新的矩阵、未畸变的尺寸和两个输出映射；将两个输出映射输入remap()函数，remap()函数共有7个参数，分别为src、dst、map1、map2、interpolation、intbordermode、scalar&bordervalue，其中，参数dst为通过remap()函数矫正后的图像。
[0085]
实施例2
[0086]
此实施例，结合图3，具体步骤与实施例1相同，只是在判断矫正后图像的划痕直径和长度是否符合生产标准要求之前，对矫正后的待检测图像通过双边滤波算法进行图片降噪处理，再进行判断机箱是否合格。
[0087]
实施例3
[0088]
此实施例，结合图4，具体步骤与实施例1相同，只是在判断矫正后图像的划痕直径和长度是否符合生产标准要求之前，先对矫正后的待检测图像通过双边滤波算法进行图片降噪处理，然后通过亚像素边缘提取算法分析矫正后图像，再进行判断机箱是否合格；
[0089]
以上各实施例仅用以说明本发明的技术方案，而非对其限制；所描述的实施例是本发明的一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依
然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。