CN104834939A - 一种在线自动检测多孔金属材料空洞缺陷的方法 - Google Patents
一种在线自动检测多孔金属材料空洞缺陷的方法 Download PDFInfo
- Publication number
- CN104834939A CN104834939A CN201510236851.0A CN201510236851A CN104834939A CN 104834939 A CN104834939 A CN 104834939A CN 201510236851 A CN201510236851 A CN 201510236851A CN 104834939 A CN104834939 A CN 104834939A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- gray level
- gray
- group
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Abstract
本发明提供了一种在线自动检测多孔金属材料空洞缺陷的方法,包括训练分类器-测试-输出结果三步,将产品图像转化为灰度图像并均分成块区域,将块区域分为不包含空洞和包含空洞缺陷的两组样本,分别计算每组样本块区域的灰度均值、方差、平均梯度和共生矩阵特征值,以此作为分类的特征向量,完成分类器的训练后,实时采集待测产品的图像,转化为灰度图像并均分成块区域,在已经训练好的分类器上,计算每一个块区域的特征向量,并与样本特征向量比对,输出比对结果;本方法操作简单,准确率高,且可以在生产的同时实现自动检测,能提高出厂多孔金属材料的质量和合格率,降低生产成本,提高生产效率。
Description
技术领域
本发明涉及一种多孔金属材料的检测方法,特别涉及一种多孔金属材料空洞缺陷的检测方法。
背景技术
多孔金属材料是一种由金属基体和大量孔隙组成的结构功能一体化的新型金属基复合材料。它因其密度低、比表面积大而具有独特的优势,在高新技术领域得到了广泛的应用。但在连续化的工业生产过程中,由于基体在经过导电化处理时,某些微小部分因为没镀覆上金属,在经过后续的还原热处理阶段,这些没有镀覆金属的部分会出现空洞缺陷,严重影响产品质量。目前检测这种缺陷的方法一般方法是在在光线充足条件下,用人工目测法。这种方法效率低、准确度差、成本高,且严重依赖操作员工的经验,与连续化生产不相适应。
因此,开发出一种能在线自动检测多孔金属材料空洞缺陷的方法,是行业内急切需要解决的重大技术难题。
发明内容
本发明旨在提供一种可实现在线连续化自动检测多孔金属材料空洞缺陷的方法,本发明通过以下方案实现:
一种在线自动检测多孔金属材料空洞缺陷的方法,包括以下步骤:训练分类器-测试-输出结果,训练分类器按以下步骤操作:
(Ⅰ)采用可采集图像数据装置拍摄产品图像,选取N张在相同拍摄条件下得到的同种多孔金属材料产品的有空洞缺陷图像,或选取N张同种多孔金属材料的包含正常产品图像和有空洞缺陷的产品图像;所选取图像的大小和分辨率相同,选取的图像分辨率至少为1024×1024,数量在100张以上;
(Ⅱ)采用具有数据处理功能的机器,将选取的图像全部转化为灰度图像,对每一张灰度图像分成大小为n×n像素块的块区域,将包含有空洞缺陷的产品图像分成的块区域分为A、B两组,A组是不包含空洞的块区域,B组是包含空洞缺陷的块区域;正常产品的图像的块区域则全部为A组;A、B两组的区域块数分别至少为100,所述n值为64~128的整数;
(Ⅲ)在上述具有数据处理功能的机器内,对每一张灰度图像,分别计算其按步骤(Ⅱ)选定的A或/和B组样本像素块的灰度均值、灰度方差、灰度平均梯度和特定计算条件下的按公式(1)计算得到的灰度共生矩阵特征值,样本的上述四个值的组合即为样本的特征向量值,将A组样本得到的上述特征向量值定为正样本特征向量,将B组样本得到的特征向量值定为负样本特征向量,并分别给出不同的标识,完成分类器训练;A组和B组样本的灰度共生矩阵特征值的计算条件一致;
灰度共生矩阵是对图像上保持某距离的两像素分别具有某灰度的状况进行统计得到的。具体定义为:取像素块中任意一点(x,y)及偏离它的另一点(x+a,y+b),设该点对的灰度值为(v1,v2);令点(x,y)在整个图像上移动,则会得到各种(v1,v2)值;设灰度值的级数为L,则(v1,v2)的组合共有K(K=L×L)种;对于整个图像,统计出每一个(v1,v2)值出现的次数,然后排列成一个方阵,这样的方阵称为灰度共生矩阵。本发明的灰度共生矩阵特征值用如下方法得到:首先选取特定的a、b和L值得到样本的灰度共生矩阵,再由公式(1)得到样本的灰度共生矩阵特征值:
T=α∑I1(x,y)+β∑I2(x,y)+γ∑I3(x,y) 公式(1)
其中∑I1(x,y)是共生矩阵对角线(即坐标点(1,1)与坐标点(m,m)的连线)和像素点与顶点(坐标点为(1,1))连线夹角在0°~15°范围内的共生矩阵元素值的总和,∑I2(x,y)是对角线和像素点与顶点(坐标点为(1,1))连线夹角在16°~30°范围内的值的共生矩阵元素值的总和,∑I3(x,y)是对角线和像素点与顶点(坐标点为(1,1))连线夹角在31°~45°范围内的共生矩阵元素值的总和;α、β、γ为相应系数,且α<β<γ。
选取特定的a、b和L值即为灰度共生矩阵特征值的计算条件,本发明的计算条件为:a值(像素点偏离横坐标的值)为3~5的整数,优选4;b值(像素点偏离纵坐标的值)为0~2的整数,优选0;L值(灰度值的级数)为18~22的整数,优选20。
完成分类器的训练后,采用与训练分类器完全相同的数据图像采集条件实时采集待测产品的图像,转化为灰度图像后,再分成大小为n×n像素块的块区域,n值为64~128的整数,计算每一个像素块的灰度均值、灰度方差、灰度平均梯度和特定计算条件下的按公式(1)计算得到的灰度共生矩阵特征值,其灰度共生矩阵特征值的计算条件与样本的灰度共生矩阵特征值的计算条件一致,在已经训练好的分类器上,将待测产品每一个块区域的由上述四个特征组成的特征向量与所述正样本特征向量或/和负样本特征向量比对,并输出比对的结果。
与现有技术相比,本发明可针对多孔金属材料能在线自动检测其中的空洞缺陷的方法,操作简单、准确率高且可以在生产的同时实现自动检测,能提高多孔金属材料生产的质量和合格率,减轻生产成本,提高生产效率。经过实际检测统计,本方法检测多孔金属材料的空洞缺陷的准确率在99.95%以上。
具体实施方式
实施例1
一种在线自动检测多孔金属镍材料的空洞缺陷的方法,包括训练分类器—测试—输出结果三步,训练分类器按以下步骤操作:
(Ⅰ)采用分辨率为2448×2056的Vieworks VH-4M高清相机,在同一光照下垂直拍摄图像,拍摄距离为10cm。选取100张图像,这些图像既有正常的产品图像,也有空洞缺陷的产品图像;
(Ⅱ)采用具有数据处理功能的机器,将上述选取的100张图像全部转化为灰度图像,对每一张灰度图像分成大小为64×64像素块的块区域,将包含有空洞缺陷的产品图像分成的块区域分为A、B两组,A组是不包含空洞的块区域,B组是包含空洞缺陷的块区域;正常产品图像的块区域则全部为A组,其中A组区域块数为100,B组区域块数为100;
(Ⅲ)在上述具有数据处理功能的机器内,对每一张灰度图像,分别计算其按步骤(Ⅱ)选定的A组和B组样本的像素块的灰度均值、灰度方差、灰度平均梯度和特定计算条件下的按公式(1)计算得到的灰度共生矩阵特征值,将A组样本得到的由上述特征组成的特征向量定为正样本特征向量,将B组样本得到的由上述特征组成的特征向量定为负样本特征向量,并分别给出不同的标识,以完成分类器的训练;A组和B组样本的灰度共生矩阵特征值的计算条件一致,即计算条件为:a=4,b=0,L=20。公式(1)中,取α=1、β=20、γ=40,得到共生矩阵特征值。
完成分类器的训练后,采用与训练分类器完全相同的数据图像采集条件实时采集待测产品的图像,转化为灰度图像后,再分成大小为64×64像素块的块区域,计算每一个像素块的灰度均值、灰度方差、灰度平均梯度和特定计算条件下的按公式(1)计算得到的灰度共生矩阵特征值,其灰度共生矩阵特征值的计算条件与样本的灰度共生矩阵特征值的计算条件一致,在已经训练好的分类器上,将待测产品每一个块区域的由上述特征组成的特征向量与所述正样本特征向量或/和负样本特征向量进行比对,并输出比对的结果。
实验表明,采用上述方法的多孔镍材料的空洞缺陷检测准确率在99.95%以上。
实施例2
与实施例1基本相同的步骤,但采用以下取值:
图像张数为200张,像素块分辨率为1024×1024,灰度共生矩阵特征值的计算条件为:a=5,b=1,L=22,按公式(1),取α=1、β=20、γ=40得到共生矩阵特征值。
Claims (3)
1.一种在线自动检测多孔金属材料空洞缺陷的方法,包括训练分类器-测试-输出结果三步,其特征在于:所述训练分类器按以下步骤操作,
(Ⅰ)采用可采集图像数据装置拍摄产品图像,选取N张在相同拍摄条件下得到的同种多孔金属材料产品的有空洞缺陷图像和N张同种多孔金属材料正常产品图像,选取的图像的大小和分辨率相同,图像分辨率至少为256×256,N值为100以上的整数;
(Ⅱ)采用具有数据处理功能的机器,将选取的图像全部转化为灰度图像,对每一张灰度图像分成大小为n×n像素块的块区域,将(Ⅰ)中的产品图像分成的块区域分为A、B两组,A组是不包含空洞的块区域,B组是包含空洞缺陷的块区域,A、B两组的区域块数分别至少为100;所述n值为64~128的整数;
(Ⅲ)在上述具有数据处理功能的机器内,对每一张灰度图像,分别计算其按步骤(Ⅱ)选定的A或/和B组样本像素块的灰度均值、灰度方差、灰度平均梯度和特定计算条件下的按公式(1)计算得到的灰度共生矩阵特征值,将A组样本得到的上述特征值构为正样本特征向量,将B组样本得到的上述特征值构为负样本特征向量,并分别给出不同的标识,完成分类器训练;A组和B组样本的灰度共生矩阵特征值的计算条件一致;
T=α∑I1(x,y)+β∑I2(x,y)+γ∑I3(x,y) 公式(1)
公式(1)中∑I1(x,y)是共生矩阵对角线(即坐标点(1,1)与坐标点(m,m)的连线)和像素点与顶点(坐标点为(1,1))连线夹角在0°~15°范围内的共生矩阵元素值的总和,∑I2(x,y)是对角线和像素点与顶点(坐标点为(1,1))连线夹角在16°~30°范围内的值的共生矩阵元素值的总和,∑I3(x,y)是对角线和像素点与 顶点(坐标点为(1,1))连线夹角在31°~45°范围内的共生矩阵元素值的总和;α、β、γ为相应系数,且α<β<γ;
灰度共生矩阵值的计算条件:像素点偏离横坐标a值为3~5的整数,像素点偏离纵坐标b值为0~2的整数,灰度值的级数L值为18~22的整数;
完成分类器的训练后,采用与训练分类器完全相同的数据图像采集条件实时采集待测产品的图像,转化为灰度图像后,再分成大小为n×n像素块的块区域,所述n值为64~128的整数,计算每一个像素块的灰度均值、灰度方差、灰度平均梯度和特定计算条件下的按公式(1)计算得到的灰度共生矩阵特征值,其灰度共生矩阵特征值的计算条件与样本的灰度共生矩阵特征值的计算条件一致,在已经训练好的分类器上,将待测产品每一个块区域的由上述四个特征值组成的特征向量与所述正样本特征向量或/和负样本特征向量比对,并输出比对的结果。
2.如权利要求1所述的在线自动检测多孔金属材料空洞缺陷的方法,其特征在于:在训练分类器的第(Ⅰ)步骤中。
3.如权利要求1或2所述的在线自动检测多孔金属材料空洞缺陷的方法,其特征在于:所述灰度共生矩阵值的计算条件:像素点偏离横坐标a值优选4,像素点偏离纵坐标b值优选0,灰度值的级数L值优选20。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510236851.0A CN104834939B (zh) | 2015-05-12 | 2015-05-12 | 一种在线自动检测多孔金属材料空洞缺陷的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510236851.0A CN104834939B (zh) | 2015-05-12 | 2015-05-12 | 一种在线自动检测多孔金属材料空洞缺陷的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104834939A true CN104834939A (zh) | 2015-08-12 |
CN104834939B CN104834939B (zh) | 2018-04-17 |
Family
ID=53812816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510236851.0A Active CN104834939B (zh) | 2015-05-12 | 2015-05-12 | 一种在线自动检测多孔金属材料空洞缺陷的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104834939B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354598A (zh) * | 2015-11-25 | 2016-02-24 | 先进储能材料国家工程研究中心有限责任公司 | 一种在线检测连续带状泡沫金属材料漏镀缺陷的方法 |
CN105427335A (zh) * | 2015-12-31 | 2016-03-23 | 先进储能材料国家工程研究中心有限责任公司 | 一种连续带状多孔金属材料漏镀缺陷的检测并定位的方法 |
CN105551051A (zh) * | 2015-12-31 | 2016-05-04 | 先进储能材料国家工程研究中心有限责任公司 | 一种连续带状多孔金属材料漏镀缺陷区域的定位方法 |
CN105701797A (zh) * | 2015-12-31 | 2016-06-22 | 先进储能材料国家工程研究中心有限责任公司 | 连续带状多孔金属材料漏镀缺陷的判定方法 |
CN106097365A (zh) * | 2016-06-21 | 2016-11-09 | 齐齐哈尔华工机床股份有限公司 | 金属落锤撕裂dwtt断口图像自动评定方法 |
CN106886791A (zh) * | 2016-12-28 | 2017-06-23 | 四川木牛流马智能科技有限公司 | 一种基于条件随机场的二维ct图片中脂肪位置识别方法 |
CN112826483A (zh) * | 2021-01-08 | 2021-05-25 | 中国科学院自动化研究所 | 基于指尖视频的心率检测方法、系统及装置 |
CN115841491A (zh) * | 2023-02-24 | 2023-03-24 | 杭州电子科技大学 | 一种多孔金属材料的质量检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5699452A (en) * | 1991-09-27 | 1997-12-16 | E. I. Du Pont De Nemours And Company | Method and system of identifying a valid object in a background of an image using a gray level co-occurrence matrix of the image |
CN103593670A (zh) * | 2013-10-14 | 2014-02-19 | 浙江工业大学 | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 |
CN103886332A (zh) * | 2014-04-02 | 2014-06-25 | 哈尔滨工业大学 | 一种检测与识别金属网栅缺陷的方法 |
-
2015
- 2015-05-12 CN CN201510236851.0A patent/CN104834939B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5699452A (en) * | 1991-09-27 | 1997-12-16 | E. I. Du Pont De Nemours And Company | Method and system of identifying a valid object in a background of an image using a gray level co-occurrence matrix of the image |
CN103593670A (zh) * | 2013-10-14 | 2014-02-19 | 浙江工业大学 | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 |
CN103886332A (zh) * | 2014-04-02 | 2014-06-25 | 哈尔滨工业大学 | 一种检测与识别金属网栅缺陷的方法 |
Non-Patent Citations (4)
Title |
---|
冯辅周等: "超声红外热像技术中缺陷的自动识别", 《激光与红外》 * |
胡硕飞等: "基于灰度共生矩阵参数的柳杉材表面节疤缺陷识别", 《木材加工机械》 * |
苏静等: "基于灰度共生矩阵的金属断口图像的分类研究", 《计算机工程与应用》 * |
阮晓红等: "基于机器视觉的触点零件在线检测系统研究", 《电子测量技术》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354598A (zh) * | 2015-11-25 | 2016-02-24 | 先进储能材料国家工程研究中心有限责任公司 | 一种在线检测连续带状泡沫金属材料漏镀缺陷的方法 |
CN105354598B (zh) * | 2015-11-25 | 2019-01-01 | 先进储能材料国家工程研究中心有限责任公司 | 一种在线检测连续带状泡沫金属材料漏镀缺陷的方法 |
CN105427335A (zh) * | 2015-12-31 | 2016-03-23 | 先进储能材料国家工程研究中心有限责任公司 | 一种连续带状多孔金属材料漏镀缺陷的检测并定位的方法 |
CN105551051A (zh) * | 2015-12-31 | 2016-05-04 | 先进储能材料国家工程研究中心有限责任公司 | 一种连续带状多孔金属材料漏镀缺陷区域的定位方法 |
CN105701797A (zh) * | 2015-12-31 | 2016-06-22 | 先进储能材料国家工程研究中心有限责任公司 | 连续带状多孔金属材料漏镀缺陷的判定方法 |
CN105701797B (zh) * | 2015-12-31 | 2019-01-01 | 先进储能材料国家工程研究中心有限责任公司 | 连续带状多孔金属材料漏镀缺陷的判定方法 |
CN105427335B (zh) * | 2015-12-31 | 2019-01-01 | 先进储能材料国家工程研究中心有限责任公司 | 一种连续带状多孔金属材料漏镀缺陷的检测并定位的方法 |
CN105551051B (zh) * | 2015-12-31 | 2019-03-05 | 先进储能材料国家工程研究中心有限责任公司 | 一种连续带状多孔金属材料漏镀缺陷区域的定位方法 |
CN106097365A (zh) * | 2016-06-21 | 2016-11-09 | 齐齐哈尔华工机床股份有限公司 | 金属落锤撕裂dwtt断口图像自动评定方法 |
CN106886791A (zh) * | 2016-12-28 | 2017-06-23 | 四川木牛流马智能科技有限公司 | 一种基于条件随机场的二维ct图片中脂肪位置识别方法 |
CN112826483A (zh) * | 2021-01-08 | 2021-05-25 | 中国科学院自动化研究所 | 基于指尖视频的心率检测方法、系统及装置 |
CN115841491A (zh) * | 2023-02-24 | 2023-03-24 | 杭州电子科技大学 | 一种多孔金属材料的质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104834939B (zh) | 2018-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104834939A (zh) | 一种在线自动检测多孔金属材料空洞缺陷的方法 | |
CN107657603B (zh) | 一种基于智能视觉的工业外观检测方法 | |
CN102221559B (zh) | 基于机器视觉的织物疵点在线自动检测方法及其装置 | |
CN105956618B (zh) | 基于图像动静态特征的转炉炼钢吹炼状态识别系统及方法 | |
CN111383209A (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN107607554A (zh) | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 | |
CN104574389A (zh) | 基于彩色机器视觉的电池片色差分选控制方法 | |
CN104198498B (zh) | 基于自适应正交小波变换的布匹疵点检测方法及装置 | |
CN111127360B (zh) | 一种基于自动编码器的灰度图像迁移学习方法 | |
CN107389693A (zh) | 一种基于机器视觉的印刷品缺陷自动检测方法 | |
CN103245666B (zh) | 一种蓄电池极板外观缺陷自动检测方法 | |
CN105354598B (zh) | 一种在线检测连续带状泡沫金属材料漏镀缺陷的方法 | |
CN110554052A (zh) | 一种人造板表面缺陷检测方法及其系统 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN112686890A (zh) | 一种基于奇异值分解的人造板表面缺陷检测方法 | |
Xia et al. | Moving targets detection algorithm based on background subtraction and frames subtraction | |
CN105701797B (zh) | 连续带状多孔金属材料漏镀缺陷的判定方法 | |
CN105427335B (zh) | 一种连续带状多孔金属材料漏镀缺陷的检测并定位的方法 | |
CN104165696A (zh) | 一种材料表面颜色特征在线自动检测方法 | |
CN107413679A (zh) | 一种基于机器视觉技术的智能选矿设备及方法 | |
CN112989881A (zh) | 一种无监督可迁移的3d视觉物体抓取方法 | |
CN107705284B (zh) | 一种基于贝叶斯小样本学习的表面缺陷检测方法 | |
CN111028207A (zh) | 基于类脑即时-通用特征提取网络的纽扣瑕疵检测方法 | |
Paulic et al. | Intelligent system for prediction of mechanical properties of material based on metallographic images | |
CN105551051B (zh) | 一种连续带状多孔金属材料漏镀缺陷区域的定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 410100 No. 6 South Xingsha Road, Changsha economic and Technological Development Zone, Hunan, China Applicant after: National Engineering Research Center of Advance Energy Storage Materials Address before: Tongzi City, Hunan province 410205 Changsha Lugu national hi tech Industrial Development Zone, No. 348 West Slope Applicant before: National Engineering Research Center of Advance Energy Storage Materials |
|
COR | Change of bibliographic data | ||
GR01 | Patent grant | ||
GR01 | Patent grant |