本发明涉及机器视觉，具体涉及一种基于机器视觉的缺陷识别方法。
背景技术：
1、如中国专利公开号cn113984775a公开了一种基于机器视觉的螺母缺陷检测装置及方法,通过设置的第一滑杆、液压杆、第一连接板、第一高清摄像机、第二高清摄像机、led灯、第一电机、第一电动伸缩杆与夹持板，使得螺母检测不需要由人工完成，同时能够确保螺母检测的精度和质量到达一 致性的要。
2、现有技术中，对于单个螺母的质量检测不能匹配螺母生产线的加工速度，在螺母生产线的加工过程中，通常是对螺母组进行抽检，即单次进行多个螺母的抽样形成抽样组，对抽样组内的螺母状态识别完成对螺母生产线加工状态的识别。
3、基于此，本发明提出了一种基于机器视觉的缺陷识别方法，从单个螺母缺陷的识别完成对抽样组质量的识别，基于抽样组质量完成对螺母加工状态的识别。
技术实现思路
1、本发明的目的在于提供一种基于机器视觉的缺陷识别方法，获取螺母抽样组内的每个螺母图像，基于螺母图像得到每个螺母特征数据，即通过对螺母图像中的图像子单元的非标比、非标子单元的异点比和非标面积比得到螺母图像的异点非标率，再通过对螺母图像中的单元螺距值得到螺母图像的螺距偏差值，基于螺母图像的异点非标率和螺距偏差值完成对螺母状态识别，实现从螺母的表面状态和形体尺寸等多个方面完成对螺母表面值的识别，基于螺母表面值得到螺母表面值组，再通过对螺母表面值组进行处理得到抽样组的表面异常基数，基于抽样组的表面异常基数完成对抽样组状态的识别。
2、本发明所解决的技术问题为：
3、本发明的目的可以通过以下技术方案实现：
4、一种基于机器视觉的缺陷识别方法，包括以下步骤：
5、步骤一：对螺母生产线进行抽样，得到螺母抽样组，采集螺母抽样组内每个螺母图像，并对采集的螺母图像预处理，对预处理后螺母图像的进行螺母特征提取得到螺母特征数据；
6、步骤二：通过对螺母特征数据进行处理，得到螺母表面值；
7、步骤三：基于螺母表面值得到抽样组的螺母表面值组，通过对螺母表面值组处理得到抽样组状态数据，基于抽样组状态数据得到抽样组的表面异常基数；
8、其中，抽样组状态数据包括抽样组的方幅变值、抽样组的非定比和抽样组的偏差积数比；
9、步骤四：将抽样组的表面异常基数与预设抽样组的表面异常基数阈值进行比较得到，得到抽样组的状态信号；
10、其中，抽样组的状态信号包括抽样组抽样正常信号和抽样组抽样异常信号；
11、步骤五：基于抽样组抽样异常信号，获取抽样组的非定比，基于抽样组的非定比完成对螺母加工设备及螺母形体进行识别，实现对螺母加工设备状态的评估。
12、作为本发明进一步的方案：步骤二中，螺母特征数据包括螺母图像的异点非标总率和螺母图像的螺距偏差值；
13、将螺母图像的异点非标总率记为fi；
14、将螺母图像的螺距偏差值记为ji；
15、即通过公式计算得到每个螺母的螺母表面值fj，其中，为预设比例系数。
16、作为本发明进一步的方案：螺母图像包括螺母正面图像、螺母背面图像、螺母左侧面图像和螺母右侧面图像；
17、获取螺母正面图像、螺母背面图像、螺母左侧面图像和螺母右侧面图像的螺母图像的异点非标率；
18、将四个面螺母图像的异点非标率进行求和得到螺母图像的异点非标总率。
19、作为本发明进一步的方案：将螺母正面图像沿轴向分割成若干个图像子单元，对每个图像子单元中的异点进行识别；
20、将图像子单元中存在异点的图像子单元记为非标子单元，将图像子单元中未存在异点的图像子单元记为核标子单元；
21、将非标子单元的个数与图像子单元的总个数进行比值计算，得到图像子单元的非标比；
22、将非标子单元中异点的数量与非标子单元的面积值进行比值计算，得到非标子单元的异点比；
23、将最大值所对应的非标子单元的异点比记为第一非标子单元；
24、将最小值所对应的非标子单元的异点比记为第二非标子单元；
25、将第一非标子单元与第二非标子单元进行连线，得到非标子单元的非标线；
26、以非标线中点为圆心，非标线的长度为半径，作一个非标圆；
27、获取非标圆与图像子单元的重叠区域，记为非标重叠区域；
28、获取非标重叠区域的面积，将非标重叠区域的面积与图像子单元的总面积进行比值计算，得到非标面积比；
29、将图像子单元的非标比、非标子单元的异点比及非标面积比进行加权处理，即得到螺母图像的异点非标率；
30、其中，螺母正面图像、螺母背面图像、螺母左侧面图像和螺母右侧面图像获得螺母图像的异点非标率的方式完全一致。
31、作为本发明进一步的方案：将螺母正面图像沿轴向分割成若干个图像子单元；
32、获得图像子单元中间位置的螺距值，记为正面螺距值；
33、按螺母正面图像的处理方式分别对螺母背面图像、螺母左侧面图像和螺母右侧面图像进行处理，得到背面螺距值、左侧面螺距值和右侧面螺距值；
34、将同属于一个图像子单元内的正面螺距值、背面螺距值、左侧面螺距值和右侧面螺距值进行求和取均值，得到图像子单元的单元螺距值；
35、将图像子单元的单元螺距值与图像子单元的单元螺距标准值进行差值计算，得到图像子单元的螺距偏差值；
36、其中，图像子单元的单元螺距标准值为预先设定；
37、再将所有图像子单元的螺距偏差值中最大值与最小值进行差值计算，得到螺母图像的螺距偏差值。
38、作为本发明进一步的方案：步骤三中，抽样组的表面异常基数的获取过程为：
39、将抽样组的方幅变值记为bi；
40、将抽样组的非定比记为ci；
41、将抽样组的偏差积数比记为gi；
42、通过公式计算得到抽样组的表面异常基数bgc，其中，d1、d2、d3均为预设比例系数。
43、作为本发明进一步的方案：抽样组的方幅变值的获取过程为：
44、按照方差计算公式对抽样组的螺母表面值组进行计算，得到螺母表面值组的表面方差值ba；
45、获取螺母表面值组内的最大值与螺母表面值组内的最小值的差值，记为螺母表面差值，将螺母表面差值与螺母表面值阈值进行比值计算，得到螺母表面差值比bc；
46、即通过公式计算得到抽样组的方幅变值bi，其中，d1、d2均为预设比例系数，且d1＞0，d2＞0；
47、抽样组的非定比的获取过程为：
48、将螺母的螺母表面值≥螺母表面值阈值，则将螺母记为非定螺母；
49、将螺母的螺母表面值＜螺母表面值阈值，则将螺母记为核定螺母；
50、将非定螺母的数量与抽样组内螺母总数量进行比值计算，得到抽样组的非定比ci；
51、抽样组的偏差积数比的获取过程为：
52、将抽样组的非定偏差积数与抽样组的核定偏差积数进行比值计算，得到抽样组的偏差积数比gi。
53、作为本发明进一步的方案：预设抽样组的表面异常基数阈值bgc，将抽样组的表面异常基数bgc与抽样组的表面异常基数阈值bgc进行比较；
54、当抽样组的表面异常基数bgc＜抽样组的表面异常基数阈值bgc时，表示抽样组内螺母整体抽查结果好，生成抽样组抽样正常信号；
55、当抽样组的表面异常基数bgc≥抽样组的表面异常基数阈值bgc时，表示抽样组内螺母整体抽查结果差，生成抽样组抽样异常信号。
56、作为本发明进一步的方案：基于抽样组抽样异常信号；
57、获取抽样组的非定比；
58、若抽样组的非定比位于抽样组的非定比预设范围内，则表示螺母加工设备加工正常，生成螺母加工设备运行正常信号；
59、若抽样组的非定比超出预设抽样组的非定比预设范围内，则对抽样组内的非定螺母进行获取，得到非定螺母组；
60、对非定螺母组内的每个非定螺母的形体进行检查；
61、获取非定螺母组内形体有缺陷的螺母，记为残次螺母，获取残次螺母的数量；
62、将残次螺母的数量与非定螺母组内螺母的数量进行比值计算，得到非定螺母组的残非比；
63、若非定螺母组的残非比位于预设的非定螺母组的残非比范围内，则表示螺母加工设备加工异常，生成螺母加工设备运行异常信号；
64、若非定螺母组的残非比超出预设的非定螺母组的残非比范围内，则表示残次螺母在非定螺母组内的占比多，生成螺母加工设备运行效验信号。
65、作为本发明进一步的方案：基于螺母加工设备运行效验信号；
66、获取抽样组内所有核定螺母的螺母表面值；
67、建立平面坐标系，以x轴为时间，y轴为螺母表面值；
68、将核定螺母的螺母表面值在平面坐标系内按加工时间顺序进行描点，再将坐标系内所有核定螺母所对应的螺母表面值点用平滑曲线从左到右依次连接，得到核定螺母表面值标准曲线；
69、若核定螺母表面值标准曲线在平面坐标系内线性且逐渐增大时，则表示螺母加工设备加工异常，生成螺母加工设备运行异常信号；
70、若核定螺母表面值标准曲线在平面坐标系内线性且逐渐减小时，则表示螺母加工设备加工正常，生成螺母加工设备运行正常信号；
71、若核定螺母表面值标准曲线在平面坐标系内非线性且在预设区间内呈波动时，则表示螺母加工设备加工正常，生成螺母加工设备运行正常信号。
72、本发明的有益效果：
73、（1）本发明通过获取螺母抽样组内的每个螺母图像，基于螺母图像得到每个螺母特征数据，即通过对螺母图像中的图像子单元的非标比、非标子单元的异点比和非标面积比得到螺母图像的异点非标率，再通过对螺母图像中的单元螺距值得到螺母图像的螺距偏差值，基于螺母图像的异点非标率和螺距偏差值完成对螺母状态识别，实现从螺母的表面状态和形体尺寸等多个方面完成对螺母表面值的识别，精准度高；
74、（2）本发明对抽样组内所有螺母的螺母表面值进行获取，得到抽样组的螺母表面值组，通过对螺母表面值组进行处理得到抽样组的方幅变值、抽样组的非定比和抽样组的偏差积数比，基于抽样组的方幅变值、抽样组的非定比和抽样组的偏差积数比完成对抽样组的表面异常基数的获取，通过抽样组的表面异常基数完成对抽样组状态的识别；
75、（3）本发明基于抽样异常信号的抽样组，获取抽样组的非定比，通过对抽样组非定比的识别，结合对螺母的形体的判断，完成对螺母加工设备的状态的识别，从而实现异常信号的抽样组完成对螺母加工设备加工状态的判断，进而判断抽样组内的螺母异常是由加工设备加工异常引起还是螺母本体缺陷引起，在对螺母加工设备的判断过程中，能够基于当前螺母加工设备的加工结果，对螺母加工设备后期对螺母的加工状态进行评估，基于螺母加工设备运行异常信号，对螺母加工设备在运行过程中需监测的效验部件的运行状态进行检测，从而完成对螺母加工设备异常等级的识别，完成对螺母加工设备的可视化管理。
1.一种基于机器视觉的缺陷识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于机器视觉的缺陷识别方法,其特征在于，步骤二中，螺母特征数据包括螺母图像的异点非标总率和螺母图像的螺距偏差值；
3.根据权利要求2所述的一种基于机器视觉的缺陷识别方法,其特征在于，螺母图像包括螺母正面图像、螺母背面图像、螺母左侧面图像和螺母右侧面图像；
4.根据权利要求3所述的一种基于机器视觉的缺陷识别方法,其特征在于，将螺母正面图像沿轴向分割成若干个图像子单元，对每个图像子单元中的异点进行识别；
5.根据权利要求3所述的一种基于机器视觉的缺陷识别方法,其特征在于，将螺母正面图像沿轴向分割成若干个图像子单元；
6.根据权利要求1所述的一种基于机器视觉的缺陷识别方法,其特征在于，步骤三中，抽样组的表面异常基数的获取过程为：
7.根据权利要求6所述的一种基于机器视觉的缺陷识别方法,其特征在于，抽样组的方幅变值的获取过程为：
8.根据权利要求6所述的一种基于机器视觉的缺陷识别方法,其特征在于，预设抽样组的表面异常基数阈值bgc，将抽样组的表面异常基数bgc与抽样组的表面异常基数阈值bgc进行比较；
9.根据权利要求8所述的一种基于机器视觉的缺陷识别方法,其特征在于，基于抽样组抽样异常信号；
10.根据权利要求9所述的一种基于机器视觉的缺陷识别方法,其特征在于，基于螺母加工设备运行效验信号；
