CN105654495A - 汽车刹车盘内部缺陷的检测方法 - Google Patents
汽车刹车盘内部缺陷的检测方法 Download PDFInfo
- Publication number
- CN105654495A CN105654495A CN201610009616.4A CN201610009616A CN105654495A CN 105654495 A CN105654495 A CN 105654495A CN 201610009616 A CN201610009616 A CN 201610009616A CN 105654495 A CN105654495 A CN 105654495A
- Authority
- CN
- China
- Prior art keywords
- image
- brake disc
- computing
- defect
- detection method
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30268—Vehicle interior
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明的汽车刹车盘内部缺陷的检测方法,属X射线无损探伤技术领域,该检测方法对X射线图像进行数学形态学变换运算,得到模板图像和标记图像,以标记图像为标记,模板图像为模板,进行数学形态学重建运算,得到刹车盘的重建图像,再对重建图像进行二值化处理,得到刹车盘的缺陷分割图像,分析缺陷分割图像,最终得出检测结果;该检测方法优点有:采用提前编写好的算法及其软件程序来处理汽车刹车盘的X射线图像以及数学形态学系列运算图像,整个算法过程无需设置过多参数,仅需操作者设定结构元素B即可得到检测结果,检测过程不受人主观因素的影响,检测操作方便快捷、结果客观正确,检测方法对原始图像无特别要求,适用于各种刹车盘的X射线检测系统,代替人工检测,还提高检测效率和精度;本发明的检测方法值得采用和推广。
Description
技术领域
本发明公开的汽车刹车盘内部缺陷的检测方法属X射线无损探伤技术领域,具体涉及的是一种汽车刹车盘内部缺陷,如气孔、缩孔、缩松等缺陷的检测方法。
背景技术
汽车刹车盘主要通过铸造的方式生产,生产过程中容易出现气孔、缩孔、缩松等常见铸造缺陷,影响产品的质量,需要使用X射线无损探伤的方式来检测。
刹车盘的X射线检测方法当前主要为人工手动检测,检测人员操控X射线实时成像系统,在计算机上获取刹车盘的X射线图像后,凭经验来判断当前部位缺陷是否存在及其类型、大小。这种检测方法的优点是方便灵活,经验丰富的检测员工可以很快判定待检产品的质量合格与否,缺点是工作强度大,检测时稍不留神就有可能漏掉缺陷,同时检测结果受工作人员主观状态影响较大,检测数据无法直接量化,实际应用中仅能给出有无缺陷、缺陷大致是哪个等级等定性结论,无法适应现代工业检测发展的需求。
本发明以此为背景,提出一种基于数字图像处理技术中数学形态学重建运算的缺陷检测方法,在获取到刹车盘的X射线图像后,判别当前部位有无缺陷、缺陷的大小,用来代替现有的人工检测方法。本发明的汽车刹车盘内部缺陷检测方法在设定好检测参数后,可以自动识别当前检测部位是否存在缺陷,存在缺陷的个数,每个缺陷的面积、周长、等效直径等参数,直接给出量化的检测数据,整个过程稳定可靠,不受人主观状态的影响。
发明内容
本发明的目的是:向社会公开一种汽车刹车盘内部缺陷的检测方法,用来取代和代替目前的人工手动检测方法。
本发明的技术方案是这样的:这种汽车刹车盘内部缺陷的检测方法,是利用X射线无损伤探测汽车刹车盘内部缺陷的检测方法,以探测通过铸造生产的汽车刹车盘内部出现气孔、缩孔、缩松等常见铸造缺陷,技术特点在于:所述的检测方法具体包括以下步骤:步骤1:对汽车刹车盘的原始X射线图像进行数学形态学頂帽变换运算,得到所谓模板图像。步骤2:对汽车刹车盘的原始X射线图像进行数学形态学頂帽变换重建运算,得到所谓标记图像。步骤3:以步骤2得到的标记图像为标记,步骤1得到的模板图像为模板,进行数学形态学重建运算,得到刹车盘的所谓重建图像。步骤4:对步骤3得到的重建图像进行二值化处理,得到刹车盘的所谓缺陷分割图像。步骤5:分析步骤4得到的刹车盘缺陷分割图像,得出最终检测结果,完成本次检测。
根据以上所述的汽车刹车盘内部缺陷的检测方法,技术特点还有:a.所述的步骤中采用符号f(x,y)来表征原始X射线图像,字母f表示图像的亮度值,根据具体实际情况取值为0到255之间的任意整数。b.所述的步骤中不同的英文字母用来表征不同的数学形态学运算图像,涉及到的结构元素采用英文字母B来表征,涉及到的重建运算用英文字母R来表征,R的下标为重建运算中的模板图像,R后面的英文字母为重建运算中的标记图像。关于数学形态学基于集合理论、积分几何和网格代数等数学原理,通过结构元素去分析图像中的目标形状。结构元素一般以二值矩阵的形式出现,通过指定某个元素为其原点,不断移动原点来遍历图像中的每一个像素,每次遍历时在结构元素限定的范围内对与原点对应的图像像素进行处理,最终实现整个图像分析处理的目的。结构元素的大小和形状可以自定义,原点一般默认为矩阵的几何中心;自定义大小时一般取奇数,如3×3,7×7的矩阵,这样可以获得唯一的默认原点,自定义形状时通过控制二值矩阵的0、1取值来实现,取0表示遍历时该位置的像素不参与运算,取1表示该位置的像素参与运算,常见形状有方形、圆形、菱形、十字交叉等形状。本发明优先采用方形的结构元素,即取值全为1的矩阵。假设待处理图像为f(x,y),结构元素为B,技术方案中涉及到的数学形态学运算的情况如下:关于数学形态学的腐蚀运算定义如下:其中,符号表示腐蚀运算,ferode(x,y)为腐蚀运算后的结果。腐蚀运算的过程是结构元素B在图像中遍历时,每次选择取值为1的位置上所有像素的灰度最小值赋给原点对应的像素,去掉了比B小的亮细节,收缩了比B大的亮区域,使图像亮度整体变暗,相当于一个局部最小值算子。关于数学形态学的膨胀运算定义如下:其中,符号表示膨胀运算,fdilate(x,y)为膨胀运算后的结果。膨胀运算的过程是结构元素B在图像中遍历时,每次选择取值为1的位置上所有像素的灰度最大值赋给原点对应的像素,去掉了比B小的暗细节,扩展了比B大的亮区域,使图像亮度整体变亮,相当于一个局部最大值算子。关于数学形态学的开运算定义如下:
其中,符号○表示开运算,fopen(x,y)为开运算后的结果。开运算当结构元素B在图像中遍历时,先进行腐蚀运算收缩亮区域,后进行膨胀运算恢复亮区域,结果是比B小的亮细节被完全去除,比B大的亮区域得到恢复,仅丢掉了自身中不能容纳B的部分,图像中的其它灰度不受影响。关于数学形态学的頂帽变换运算定义为:fWTH(x,y)=f(x,y)-fopen(x,y),其中,fWTH(x,y)为頂帽变换运算后的结果。頂帽变换运算为原始图像减去其开运算,得到的差图像是被开运算去除掉的部分,也即不能容纳结构元素B的亮点部分。关于数学形态学的重建运算定义为:fR(x,y)=Rf(x,y)[m(x,y)],其中,符号R表示重建运算,m(x,y)为标记图像,f(x,y)为模板图像,fR(x,y)为重建运算的结果。标记图像m(x,y)与模板图像f(x,y)大小相同,每一点灰度值小于等于对应f(x,y)的灰度值,f(x,y)起着限制标记图像膨胀的作用。重建的最终结果是标记图像m(x,y)上完全消失的亮区域重建后在fR(x,y)中也完全消失,m(x,y)上存在的亮区域在fR(x,y)中得到全部恢复,f(x,y)中的暗区域和其它灰度不受重建影响。根据标记图像m(x,y)不同的得到方式,重建运算衍生出不同定义,比如开重建运算的定义如下:其中γR(x,y)为开重建运算结果,f(x,y)为模板图像,标记图像m(x,y)由f(x,y)经过结构元素B腐蚀运算后得到。开重建运算保持了没有被腐蚀去掉的亮区域,也即仅去除了完全被腐蚀掉的亮点细节,被腐蚀影响的其它亮区域在运算重建中得到恢复。开重建运算得到的结果总是大于等于开运算得到的结果。頂帽变换重建运算的定义为:fRWTH(x,y)=f(x,y)-γR(x,y),其中fRWTH(x,y)为頂帽变换重建运算的结果。关于頂帽变换重建由原图像减去其开重建图像得到,fRWTH(x,y)中是被开重建运算去除掉的图像区域,由以上分析可知頂帽变换重建的结果总是小于等于頂帽变换的结果。c.所述的步骤中采用符号(x,y)表示图像的像素点,x和y取值分别为大于等于0的整数,x和y的最大值取决于刹车盘X射线检测时的成像设备以及成像图幅面积和成像像素点大小,如成像像素点为4096x4096。
根据以上所述的汽车刹车盘内部缺陷的检测方法,技术特点还有:所述的步骤1中的原始X射线图像记为f(x,y),模板图像记为M(x,y);f(x,y)经过数学形态学頂帽变换得到M(x,y),用数学公式表示为:其中:表示数学形态学运算中的腐蚀运算,表示数学形态学运算中的膨胀运算,B为数学形态学运算中的结构元素。
根据以上所述的汽车刹车盘内部缺陷的检测方法,技术特点还有:所述的步骤2中的原始X射线图像记为f(x,y),标记图像记为m(x,y);f(x,y)经过数学形态学頂帽变换重建运算得到m(x,y),用数学公式表示为:其中R表示数学形态学运算中的重建运算,重建运算涉及模板图像和标记图像,R的下标f(x,y)为本次重建运算中的模板图像,得到的结果为本次重建运算中的标记图像,表示数学形态学运算中的腐蚀运算。
根据以上所述的汽车刹车盘内部缺陷的检测方法,技术特点还有:所述的步骤3中的标记图像为步骤2得到的m(x,y),模板图像为步骤1得到的M(x,y),刹车盘的重建图像记为F(x,y),F(x,y)由m(x,y)和M(x,y)经数学形态学重建运算得到,用数学公式表示为F(x,y)=RM(x,y)[m(x,y)]。
根据以上所述的汽车刹车盘内部缺陷的检测方法,技术特点还有:所述的步骤4中的缺陷分割图像记为B(x,y),B(x,y)由步骤3得到的重建图像F(x,y)二值化处理得到,二值化的处理后F(x,y)中灰度值大于处理设定值为1,取为白色区域;小于处理设定值为0,取为黑色区域。通常二值化处理方法有:设定固定阈值T法、最大类间方差法、基于直方图的自动阈值分割法、基于聚类算法的自动分割法等。如采用设定固定阈值T法进行重建图像F(x,y)二值化处理得到,F(x,y)中灰度值大于处理设定固定阈值T的灰度为1,取为白色区域;小于等于设定固定阈值T的为0,取为黑色区域。
根据以上所述的汽车刹车盘内部缺陷的检测方法,技术特点还有:所述的步骤5中分析步骤4得到的刹车盘缺陷分割图像B(x,y),分析对象为B(x,y)中取1的白色区域;如果B(x,y)中没有白色区域,则得出没有检测到缺陷的检测结果,如果B(x,y)中有白色区域,则统计白色区域的个数,计算并输出每个白色区域的面积、周长、等效直径,作为检测的最终结果。
本发明的汽车刹车盘内部缺陷的检测方法优点有:1.采用提前编写好的算法来处理汽车刹车盘的X射线图像,检测过程不受人主观状态的影响,检测结果客观正确;2.整个算法的执行过程中无需设置过多参数,仅需操作人员设定结构元素B即可得到检测结果,操作方便快捷;3.检测算法对处理的原始图像没有特别要求,可以适用于各种刹车盘的X射线检测系统,辅助和代替人工检测,降低检测人员的工作强度,同时提高检测效率和精度。本发明的汽车刹车盘内部缺陷的检测方法值得采用和推广。
附图说明
本发明的说明书附图共有8幅:
图1为检测方法的流程步骤示意图;
图2为汽车刹车盘的结构示意图;
图3为图2的X射线图像示意图;
图4为本发明实施案例采用的结构元素图;
图5为步骤1处理后的结果示意图;
图6为步骤2处理后的结果示意图;
图7为步骤3处理后的结果示意图;
图8为步骤4处理后的结果示意图。
在各图中采用了统一标号,即同一物件在各图中用同一标号。在各图中:1.检测方法中的步骤1;2.检测方法中的步骤2;3.检测方法中的步骤3;4.检测方法中的步骤4;5.检测方法中的步骤5;6.刹车盘的中心镂空区域;7.刹车盘的螺栓安装孔;8.刹车盘的安装区域;9.刹车盘的盘面区域;10.安装区域的大缺陷;11.盘面区域的小缺陷。
具体实施方式
本发明的汽车刹车盘内部缺陷的检测方法非限定实施例如下:
实施例一.汽车刹车盘内部缺陷的检测方法
该例的汽车刹车盘内部缺陷的检测方法共有五个步骤,如图1中所示之1~5,采用提前编写好的算法以及配套的系统软件程序来处理汽车刹车盘的X射线图像及其数学形态学系列运算图像,以进行汽车刹车盘内部缺陷的检测。该检测方法涉及的汽车刹车盘结构及其内部缺陷的检测图像,具体可由图2~图8联合示出以说明,图2为刹车盘的结构示意图,在图2中:6是刹车盘的中心镂空区域,7是刹车盘的螺栓安装孔,8是刹车盘的安装区域,9是刹车盘的盘面区域,刹车盘的几何结构如图2所示为圆形盘状,中心的镂空区域6用来安装在汽车轴承上,镂空区域6周围预留几个固定刹车盘用的螺栓安装孔7,整个安装区域8突起于刹车盘面9,并且安装区域8与刹车盘面9的厚度不一。这些特殊的几何结构在刹车盘X射线检测时,也会形成类似于缺陷的高亮区域,如中心镂空区域6和螺栓安装孔部位7,同时安装区域8和刹车盘面9厚度不一反映在X射线图像上灰度不一,二者交界处形成明显的边缘。图3为刹车盘的X射线图像示意图,在图3中:6是刹车盘的中心镂空区域,7是刹车盘的螺栓安装孔,8是刹车盘的安装区域,9是刹车盘的盘面区域,10是安装区域的大缺陷,11是盘面区域的小缺陷。中心镂空区域6和螺栓安装孔部位7的灰度最高,安装区域8和刹车盘面9的灰度不一,二者连接处有明显的边缘过渡。图3中的安装区域8上有一处较大的缺陷区域10,刹车盘面9上有一处较小的缺陷区域11,缺陷检测的目就是不受中心镂空区域6、螺栓安装孔部位7、安装区域8和刹车盘面9灰度的影响,准确找到缺陷区域10和11。汽车刹车盘的气孔、缩孔、缩松等内部缺陷在铸造生产过程中产生,人工检测刹车盘片时,具体表现为缺陷部位的密度小于周边区域,反应在X射线图像上的影像特征是缺陷部位的灰度值高于周边区域,缺陷检测的目的就是识别出这些高灰度区域。很容易找到缺陷区域10和11,使用算法来自动检测时,常规算法很难区分开缺陷区域和几何结构区域,导致大量的误判。本发明的汽车刹车盘内部缺陷的检测方法具有针对性,所提出的技术方案可准确找到缺陷区域10和11,避免误判。该例中采用符号f(x,y)来表征原始X射线图像,字母f表示图像的亮度值,根据具体实际情况取值为0到255之间的任意整数。汽车刹车盘原始X射线图像f(x,y)的灰度取值范围要根据原始X射线图像直接输出而定,如10位X射线图像输出的灰度范围是0到1023,12位X射线图像输出的灰度范围是0到4095等,不是步骤2中所述0到255。不同的灰度取值会直接影响步骤4中的二值化处理,本实施例通过线性映射的方法确保在任何X射线图像成像的条件下f(x,y)灰度范围都位于0到255,例如10位X射线图像的输出灰度相对于0到255的范围放大了4倍,线性映射时将X射线图像的实际灰度除以4并取整后再赋给f(x,y),这样f(x,y)灰度范围依然位于0到255的范围之内,同时线性映射不会改变图像原来的灰度对比关系。使用线性映射关系对不同的图像分辨率选择不同的结构元素:如1024×1024的分辨率,相对于768×576的分辨率,行放大约1024÷768≈1.33倍,列放大约1024÷576≈1.78倍,优选放大1.78倍的结构元素,即17×1.78=30.26,选用31×31的矩阵结构元素。其它不同分辨率的X射线刹车盘图像,也可按上述方式形成合适的结构元素。该例中f图像的亮度值取为0到255的范围。目前市场上的X射线成像器件的分辨率多种多样。X射线成像器件按成像过程来分类,可分为面阵成像器和线阵成像器两种,面阵成像器成像时图像的分辨率取决于成像器件上矩阵形式排列的感光单元,每个感光单元对应一个像素,如美国瓦里安公司生产的1313系列平板的分辨率为1024×1024,2520系列平板的分辨率为1536×1920,美国珀金埃尔默公司生产的0822系列平板的分辨率为1024×1024。线阵成像器只有一行感光单元,如德国NTB公司生产的SEZ80系列线阵成像器每行926个像素,SEZ320系列线阵成像器每行3710个像素,美国X-ScanImaging公司生产的XR8850线阵成像器在低分辨率的情况下每行1536个像素,高分辨率的情况下每行3072个像素,产品在进行X射线线阵检测时以扫描的方式成像,图像的最终分辨率取决于每行的感光单元数目和扫描时的扫描长度,也即总共扫描了多少行。市场上其它的X射线成像器件供应商,如法国的泰雷兹公司,日本的东芝公司等,每款产品的具体参数也不尽相同,这里不再一一列举。汽车刹车盘X射线图像f(x,y)的分辨率不同,权利要求书中步骤1和步骤2的结构元素选取也应不同。汽车刹车盘内部缺陷的检测方法的步骤中采用符号(x,y)表示图像的像素点,x和y取值分别为大于等于0的整数,x和y的最大值取决于刹车盘X射线检测时的成像设备以及成像图幅面积和成像像素点大小多少而定,例如成像像素点为4096x4096。步骤中不同的英文字母用来表征不同的数学形态学运算图像,涉及到的结构元素采用英文字母B来表征,涉及到的重建运算用英文字母R来表征,R的下标为重建运算中的模板图像,R后面的英文字母为重建运算中的标记图像。关于数学形态学基于集合理论、积分几何和网格代数等数学原理,通过结构元素去分析图像中的目标形状。结构元素一般以二值矩阵的形式出现,通过指定某个元素为其原点,不断移动原点来遍历图像中的每一个像素,每次遍历时在结构元素限定的范围内对与原点对应的图像像素进行处理,最终实现整个图像分析处理的目的。结构元素的大小和形状可以自定义,原点一般默认为矩阵的几何中心;自定义大小时一般取奇数,如3×3,7×7的矩阵,这样可以获得唯一的默认原点,自定义形状时通过控制二值矩阵的0、1取值来实现,取0表示遍历时该位置的像素不参与运算,取1表示该位置的像素参与运算,常见形状有方形、圆形、菱形、十字交叉等形状。该例中优先采用方形的结构元素,取值全为1的矩阵,可参见图4。该例的汽车刹车盘内部缺陷的检测方法的具体步骤有:步骤1:对汽车刹车盘的原始X射线图像f(x,y)进行大小尺寸结构元素的数学形态学頂帽变换运算,得到模板图像M(x,y)。其中结构元素尺寸的定义取决于刹车盘的X射线成像系统,如线阵或面阵的不同成像系统,总体原则是能覆盖所有可能的缺陷,同时要略小于刹车盘本身的几何结构。对于本实施案例,基于常见的40万像素(768×576)分辨率的X射线成像系统,根据40万像素分辨率的X射线成像系统,优选尺寸为17×17的方形结构元素B,矩阵元素全部选择1,具体结构详见附图4。图4是17×17的方形结构元素B的示意图,用此结构元素B对原始图像做开运算之后,不能容纳17×17大小的亮细节被全部去除,能容纳17×17大小的亮区域,如刹车盘本身的中心镂空区域6、螺栓孔7等几何结构,受开运算影响被去掉一部分,原始图像的其他灰度不受影响。原始图像f(x,y)经过结构元素B的頂帽变换后得到模板图像M(x,y),如图5所示,图5为用图4之结构元素B对原始图像经过步骤1处理后的结果示意图,在步骤1中的原始X射线图像记为f(x,y),模板图像记为M(x,y);f(x,y)经过数学形态学頂帽变换得到M(x,y),用数学公式表示为:其中:表示数学形态学运算中的腐蚀运算,表示数学形态学运算中的膨胀运算,B为数学形态学运算中的结构元素。该例的待处理图像为f(x,y),结构元素为B,技术方案中涉及到的数学形态学运算的情况如下:关于数学形态学的腐蚀运算定义如下:其中,符号表示腐蚀运算,ferode(x,y)为腐蚀运算后的结果。腐蚀运算的过程是结构元素B在图像中遍历时,每次选择取值为1的位置上所有像素的灰度最小值赋给原点对应的像素,去掉了比B小的亮细节,收缩了比B大的亮区域,使图像亮度整体变暗,相当于一个局部最小值算子。关于数学形态学的膨胀运算定义如下:其中,符号表示膨胀运算,fdilate(x,y)为膨胀运算后的结果。膨胀运算的过程是结构元素B在图像中遍历时,每次选择取值为1的位置上所有像素的灰度最大值赋给原点对应的像素,去掉了比B小的暗细节,扩展了比B大的亮区域,使图像亮度整体变亮,相当于一个局部最大值算子。在图5中:中心镂空区域6和螺栓安装孔部位7,以及缺陷区域10和11清晰可见。图5的图面主要由2种灰度构成:一种灰度受开运算影响取值较大,由缺陷区域10、11和中心镂空区域6、安装孔部位7不能容纳结构元素B的细小部分组成,另一种灰度取值较小由不受开运算影响的其它剩余区域组成。经过步骤1的运算后,原始图像f(x,y)的多种灰度变成了主要是2种灰度的模板图像M(x,y)。步骤2采用与步骤1相同的结构元素,对图像f(x,y)进行数学形态学頂帽变换重建运算,得到标记图像m(x,y)。开重建运算是頂帽变换重建运算的核心,使用17×17的方形结构元素B腐蚀后的结果做为模板对f(x,y)进行重建,去除了被腐蚀完全去掉的亮细节,恢复了受腐蚀影响的亮区域。f(x,y)进行頂帽变换重建运算得到标记图像m(x,y),也即f(x,y)减去其开重建运算结果后的差值图像,如图6所示,图6是用图4之结构元素B对原始图像经过步骤2处理后的结果示意图,在该例的步骤2中的原始X射线图像记为f(x,y),标记图像记为m(x,y);f(x,y)经过数学形态学頂帽变换重建运算得到m(x,y),用数学公式表示为:其中R表示数学形态学运算中的重建运算,重建运算涉及模板图像和标记图像,R的下标f(x,y)为本次重建运算中的模板图像,得到的结果为本次重建运算中的标记图像,表示数学形态学运算中的腐蚀运算,称为开重建运算,重建的结果是标记图像上完全消失的亮区域重建后完全消失,上存在的亮区域重建后全部恢复,上的暗区域和其它灰度不受重建影响。頂帽变换重建运算的结果图像m(x,y)由f(x,y)减去其开重建运算后得到,结果是开重建运算中去掉的亮点细节相减的过程中被保留,如图6中的较小的缺陷区域11和较大的缺陷区域10的一部分构成,开重建运算中恢复的其它亮区域在相减的过程中被去除,如图5中的中心镂空区域6、安装孔部位7不能容纳结构元素B的细小部分。在图6中也主要由两种灰度构成:较小的缺陷区域11和较大的缺陷区域10的一部分构成较大的灰度,其它区域构成较小的灰度。步骤3:以步骤2得到的标记图像为标记,步骤1得到的模板图像为模板,进行数学形态学重建运算,得到刹车盘的重建图像;步骤3以图像m(x,y)为标记图像,M(x,y)为模板图像,进行数学形态学重建运算,得到图像F(x,y),如图7所示。图7是根据标记图像m(x,y)和模板图像M(x,y)进行数学形态学重建运算,得到图像F(x,y)。该例的步骤3中的标记图像为步骤2得到的m(x,y),模板图像为步骤1得到的M(x,y),刹车盘的重建图像记为F(x,y),F(x,y)由m(x,y)和M(x,y)经数学形态学重建运算得到,用数学公式表示为F(x,y)=RM(x,y)[m(x,y)]。其中,符号R表示重建运算,m(x,y)为标记图像,M(x,y)为模板图像,F(x,y)为重建运算的结果,标记图像m(x,y)与模板图像M(x,y)大小相同,每一点灰度值小于等于对应M(x,y)的灰度值,M(x,y)起着限制标记图像膨胀的作用。重建的最终结果是标记图像m(x,y)上完全消失的亮区域重建后在F(x,y)中也完全消失,m(x,y)上存在的亮区域在F(x,y)中得到全部恢复,M(x,y)中的暗区域和其它灰度不受重建影响。根据步骤1和步骤2,m(x,y)中的高灰度部分为小缺陷11和大缺陷10的一部分;M(x,y)的高灰度部分为缺陷11、缺陷10的全部以及中心镂空区域6和螺栓孔7的部分。以m(x,y)为标记图像,M(x,y)为模板图像去做重建运算,m(x,y)中的亮区域会被恢复为模板图像M(x,y)中对应的形状,这些区域是刹车盘全部的真正缺陷,如图7中的缺陷10和缺陷11,M(x,y)中的其它区域不会得到恢复,这些区域包括刹车盘本身的几何结构和其它非缺陷区域。步骤4:对步骤3得到的重建图像进行二值化处理,得到刹车盘的缺陷分割图像;步骤4对图像F(x,y)进行二值化处理,得到结果图像B(x,y)。由于重建图像F(x,y)包含的亮区域灰度取值较大,其它区域灰度取值较小,因此设定固定阈值T=20,大于T的灰度为1,小于等于T的为0,得到结果图像B(x,y)。B(x,y)的示意图为图8,该例的步骤4中的缺陷分割图像记为B(x,y),B(x,y)由步骤3得到的重建图像F(x,y)二值化处理得到,该例二值化的处理方法是采用设定固定阈值T法,F(x,y)中灰度值大于T的取1,为白色区域;小于T的取0,为黑色区域。图8是图7经过二值化处理,得到结果图像B(x,y)的示意图,图中取值为1的白色区域即实际的刹车盘缺陷10和缺陷11。步骤5:分析步骤4得到的刹车盘缺陷分割图像,得出最终检测结果,完成本次检测。步骤5分析步骤4得到的刹车盘缺陷分割图像B(x,y),分析对象为B(x,y)中取1的白色区域;如果B(x,y)中没有白色区域,则得出没有检测到缺陷的检测结果。如果B(x,y)中有白色区域,则统计白色区域的个数,计算并输出每个白色区域的面积、周长、等效直径,作为检测的最终结果。对于本实施例,一共检测到2个缺陷,在40万像素(768×576)分辨率的X射线成像系统下,缺陷10的面积为435个像素,周长为146个像素,等效直径为32个像素。缺陷11的面积为123个像素,周长为69个像素,等效直径为15个像素。在上述实施例中通过步骤1大尺寸的頂帽变换提取了所有可能的缺陷区域,步骤2同样尺寸頂帽变换重建运算提取了不包含几何结构特征的缺陷区域和部分大缺陷区域的局部,步骤3以步骤2的结果为标记,重建恢复了步骤1中结果图像里实际的缺陷部分。步骤4通过二值化固定阈值算法提取了步骤3得到的缺陷区域,步骤5统计缺陷区域并给出检测结果。本发明借助于数学形态学的重建概念,通过3次运算逐步提取刹车盘上的实际缺陷,有效避免了传统图像分析方法中刹车盘本身几何结构的干扰,较好地解决了刹车盘内部缺陷自动检测的难题。
实施例二.汽车刹车盘内部缺陷的检测方法
该例的汽车刹车盘内部缺陷的检测方法有图1中所示的5个步骤,汽车刹车盘如图2所示的结构,以及类似于图3~图8等联合示出的数学形态学配套的系列运算结果说明,该例的汽车刹车盘内部缺陷的检测方法与实施例一的汽车刹车盘内部缺陷的检测方法不同点为:1.该例f图像的亮度值选取为0到1023。2.结构元素的大小和形状,选择控制二值矩阵的值取0和1,形状选择取1的矩阵元素形成圆形来实现,选取的结构元素B具有的大小和形状为23×23的矩形结构元素,使图像f(x,y)的分辨率为80万像素(1024×800)。3.步骤4中的二值化方法采用最大类间方差法,以图像中的每一个灰度值为阈值对图像进行二值化处理并计算二值化后两类像素的类间方差,取类间方差最大的那个阈值为最终阈值,实现图像的二值化。由于步骤3得到的重建结果图示7中仅为两种主要灰度,采用所述的最大类间方差法都可以得到分割出来的缺陷,不影响步骤5的缺陷分析。该例的汽车刹车盘内部缺陷的检测方法其余未述的,全同于实施例一中所述的,不再重述。
实施例三.汽车刹车盘内部缺陷的检测方法
该例的汽车刹车盘内部缺陷的检测方法有图1中所示的5个步骤,汽车刹车盘如图2所示的结构,以及类似于图3~图8等联合示出的数学形态学配套的系列运算结果说明,该例的汽车刹车盘内部缺陷的检测方法与实施例一、实施例二的汽车刹车盘内部缺陷的检测方法不同点为:1.该例中f图像的亮度值取为0到4095。2.结构元素的大小和形状,选择控制二值矩阵的值取0和1,形状选择取1的矩阵元素形成菱形来实现,步骤1和步骤2中选取的结构元素B具有的大小和形状为13×13的矩形结构元素,使图像f(x,y)的分辨率为20万像素(600×400);3.步骤4中的二值化方法采用基于直方图的自动阈值分割法,通过分析图像的直方图,自动确定直方图上两个波峰值之间的波谷对应的灰度值做为阈值实现图像的二值化。该例的汽车刹车盘内部缺陷的检测方法其余未述的,全同于实施例一、实施例二中所述的,不再重述。
实施例四.汽车刹车盘内部缺陷的检测方法
该例的汽车刹车盘内部缺陷的检测方法有图1中所示的5个步骤,汽车刹车盘如图2所示的结构,以及类似于图3~图8等联合示出的数学形态学配套的系列运算结果说明,该例的汽车刹车盘内部缺陷的检测方法与实施例一~实施例三的汽车刹车盘内部缺陷的检测方法不同点为:1.结构元素的大小和形状,选择控制二值矩阵的值取0和1,形状选择取1的矩阵元素形成十字交叉形状来实现,选取的结构元素B具有的大小和形状为121×121的矩形结构元素,使图像f(x,y)的分辨率为1600万像素(4096×4096);2.步骤4中的二值化方法采用基于聚类算法的自动分割法,选定图像直方图上的两个峰值对应的灰度为聚类中心,使用基于距离平方和误差做为聚类的度量,将图像分为前景和背景两类,实现图像的二值化。该例的汽车刹车盘内部缺陷的检测方法其余未述的,全同于实施例一~实施例三中所述的,不再重述。
实施例五.汽车刹车盘内部缺陷的检测方法
该例的汽车刹车盘内部缺陷的检测方法有图1中所示的5个步骤,以及类似于图3~图8等联合示出的数学形态学配套的系列运算结果说明,该例的汽车刹车盘内部缺陷的检测方法与实施例一~实施例四的汽车刹车盘内部缺陷的检测方法不同点为:检测对象汽车刹车盘可能具有不同的内部结构。刹车盘有单面实体盘和双面通风盘之分,图2所示为单面实体盘的X射线图像。双面通风盘的盘体中间留有风道,冷空气穿过时可以进行降温,对应的X射线图像上风道区域灰度比周边区域要高。由于双面通风盘的风道设计较长,其形成的灰度偏高区域远大于图3中螺栓孔7,这些灰度偏高区域会在步骤2和步骤3的重建运算中被去除,不影响最终的缺陷检测,所述的缺陷检测方法完全适用于双面通风盘的检测。还要说明的是:对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,如限定刹车盘的X射线成像方式和条件,改变实施方式中结构元素的大小和形状,改变二值化方法等,这些具体细节的改进和替换也是本发明的保护范围。特此说明。该例的汽车刹车盘内部缺陷的检测方法其余未述的,全同于实施例一~实施例四中所述的,不再重述。
Claims (7)
1.一种汽车刹车盘内部缺陷的检测方法,特征在于:所述的检测方法具体包括以下步骤:
步骤1:对汽车刹车盘的原始X射线图像进行数学形态学頂帽变换运算,得到模板图像;
步骤2:对汽车刹车盘的原始X射线图像进行数学形态学頂帽变换重建运算,得到标记图像;
步骤3:以步骤2得到的标记图像为标记,步骤1得到的模板图像为模板,进行数学形态学重建运算,得到刹车盘的重建图像;
步骤4:对步骤3得到的重建图像进行二值化处理,得到刹车盘的缺陷分割图像;
步骤5:分析步骤4得到的刹车盘缺陷分割图像,得出最终检测结果,完成本次检测。
2.根据权利要求1所述的汽车刹车盘内部缺陷的检测方法,特征在于:
a.所述的步骤中采用符号f(x,y)来表征原始X射线图像,字母f表示图像的亮度值,取值为0到255之间的任意整数;
b.所述的步骤中不同的英文字母用来表征不同的数学形态学运算图像,涉及到的结构元素采用英文字母B来表征,涉及到的重建运算用英文字母R来表征,R的下标为重建运算中的模板图像,R后面的英文字母为重建运算中的标记图像;
c.所述的步骤中采用符号(x,y)表示图像的像素点,x和y取值分别为大于等于0的整数,x和y的最大值取决于刹车盘X射线检测时的成像设备。
3.根据权利要求2所述的汽车刹车盘内部缺陷的检测方法,特征在于:所述的步骤1中的原始X射线图像记为f(x,y),模板图像记为M(x,y);f(x,y)经过数学形态学頂帽变换得到M(x,y),用数学公式表示为:其中:表示数学形态学运算中的腐蚀运算,表示数学形态学运算中的膨胀运算,B为数学形态学运算中的结构元素。
4.根据权利要求3所述的汽车刹车盘内部缺陷的检测方法,特征在于:所述的步骤2中的原始X射线图像记为f(x,y),标记图像记为m(x,y);f(x,y)经过数学形态学頂帽变换重建运算得到m(x,y),用数学公式表示为:其中R表示数学形态学运算中的重建运算,重建运算涉及模板图像和标记图像,R的下标f(x,y)为本次重建运算中的模板图像,得到的结果为本次重建运算中的标记图像,表示数学形态学运算中的腐蚀运算。
5.根据权利要求4所述的汽车刹车盘内部缺陷的检测方法,特征在于:所述的步骤3中的标记图像为步骤2得到的m(x,y),模板图像为步骤1得到的M(x,y),刹车盘的重建图像记为F(x,y),F(x,y)由m(x,y)和M(x,y)经数学形态学重建运算得到,用数学公式表示为F(x,y)=RM(x,y)[m(x,y)]。
6.根据权利要求5所述的汽车刹车盘内部缺陷的检测方法,特征在于:所述的步骤4中的缺陷分割图像记为B(x,y),B(x,y)由步骤3得到的重建图像F(x,y)二值化处理得到,二值化处理后F(x,y)中灰度值大于处理设定值为1,取为白色区域;小于处理设定值为0,取为黑色区域。
7.根据权利要求6所述的汽车刹车盘内部缺陷的检测方法,特征在于:所述的步骤5中分析步骤4得到的刹车盘缺陷分割图像B(x,y),分析对象为B(x,y)中取1的白色区域;如果B(x,y)中没有白色区域,则得出没有检测到缺陷的检测结果,如果B(x,y)中有白色区域,则统计白色区域的个数,计算并输出每个白色区域的面积、周长、等效直径,作为检测的最终结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610009616.4A CN105654495A (zh) | 2016-01-07 | 2016-01-07 | 汽车刹车盘内部缺陷的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610009616.4A CN105654495A (zh) | 2016-01-07 | 2016-01-07 | 汽车刹车盘内部缺陷的检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105654495A true CN105654495A (zh) | 2016-06-08 |
Family
ID=56491756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610009616.4A Pending CN105654495A (zh) | 2016-01-07 | 2016-01-07 | 汽车刹车盘内部缺陷的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105654495A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107052320A (zh) * | 2017-04-12 | 2017-08-18 | 沈阳理工大学 | 基于图像检测的自动浇注系统及浇口杯液位识别方法 |
CN107345916A (zh) * | 2017-07-25 | 2017-11-14 | 深圳市杰恩世智能科技有限公司 | 一种基于固定轮廓的平面外观检测方法 |
CN108414549A (zh) * | 2018-03-07 | 2018-08-17 | 中国科学院高能物理研究所 | 一种用于汽车定损的射线检测方法 |
CN109427049A (zh) * | 2017-08-22 | 2019-03-05 | 成都飞机工业(集团)有限责任公司 | 一种涂层缺陷的检测方法 |
CN112288679A (zh) * | 2019-11-06 | 2021-01-29 | 中北大学 | 汽车轮毂x射线图像的缺陷区域交互式提取方法及系统 |
CN112288680A (zh) * | 2019-11-06 | 2021-01-29 | 中北大学 | 汽车轮毂x射线图像的缺陷区域自动提取方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1422661A2 (en) * | 2002-11-22 | 2004-05-26 | STMicroelectronics S.r.l. | Method and device for the analysis of array images |
US20080058593A1 (en) * | 2006-08-21 | 2008-03-06 | Sti Medical Systems, Llc | Computer aided diagnosis using video from endoscopes |
CN103649995A (zh) * | 2011-05-19 | 2014-03-19 | 米其林企业总公司 | 用于确定轮胎表面上凸纹中的元素的方法 |
CN103984947A (zh) * | 2014-05-30 | 2014-08-13 | 武汉大学 | 基于形态学房屋指数的高分辨率遥感影像房屋提取方法 |
-
2016
- 2016-01-07 CN CN201610009616.4A patent/CN105654495A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1422661A2 (en) * | 2002-11-22 | 2004-05-26 | STMicroelectronics S.r.l. | Method and device for the analysis of array images |
US20080058593A1 (en) * | 2006-08-21 | 2008-03-06 | Sti Medical Systems, Llc | Computer aided diagnosis using video from endoscopes |
CN103649995A (zh) * | 2011-05-19 | 2014-03-19 | 米其林企业总公司 | 用于确定轮胎表面上凸纹中的元素的方法 |
CN103984947A (zh) * | 2014-05-30 | 2014-08-13 | 武汉大学 | 基于形态学房屋指数的高分辨率遥感影像房屋提取方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107052320A (zh) * | 2017-04-12 | 2017-08-18 | 沈阳理工大学 | 基于图像检测的自动浇注系统及浇口杯液位识别方法 |
CN107345916A (zh) * | 2017-07-25 | 2017-11-14 | 深圳市杰恩世智能科技有限公司 | 一种基于固定轮廓的平面外观检测方法 |
CN109427049A (zh) * | 2017-08-22 | 2019-03-05 | 成都飞机工业(集团)有限责任公司 | 一种涂层缺陷的检测方法 |
CN108414549A (zh) * | 2018-03-07 | 2018-08-17 | 中国科学院高能物理研究所 | 一种用于汽车定损的射线检测方法 |
CN112288679A (zh) * | 2019-11-06 | 2021-01-29 | 中北大学 | 汽车轮毂x射线图像的缺陷区域交互式提取方法及系统 |
CN112288680A (zh) * | 2019-11-06 | 2021-01-29 | 中北大学 | 汽车轮毂x射线图像的缺陷区域自动提取方法及系统 |
CN112288680B (zh) * | 2019-11-06 | 2024-03-29 | 中北大学 | 汽车轮毂x射线图像的缺陷区域自动提取方法及系统 |
CN112288679B (zh) * | 2019-11-06 | 2024-03-29 | 中北大学 | 汽车轮毂x射线图像的缺陷区域交互式提取方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105654495A (zh) | 汽车刹车盘内部缺陷的检测方法 | |
Hoang | Detection of surface crack in building structures using image processing technique with an improved Otsu method for image thresholding | |
Su et al. | Morphological segmentation based on edge detection for sewer pipe defects on CCTV images | |
Prill et al. | Morphological segmentation of FIB‐SEM data of highly porous media | |
CN103543394A (zh) | 一种高压电气设备放电紫外成像量化参数提取方法 | |
Qu et al. | Lining seam elimination algorithm and surface crack detection in concrete tunnel lining | |
KR102613277B1 (ko) | 표면 결함 검출 방법, 표면 결함 검출 장치, 강재의 제조 방법, 강재의 품질 관리 방법, 강재의 제조 설비, 표면 결함 판정 모델의 생성 방법 및, 표면 결함 판정 모델 | |
JP2012202858A (ja) | コンクリート表面の閉合ひび割れ検出方法 | |
CN111369516A (zh) | 基于红外图像识别的变压器套管发热缺陷检测方法 | |
CN110009633B (zh) | 一种基于反向高斯差分的钢轨表面缺陷检测方法 | |
CN104880389A (zh) | 一种钢材晶粒混晶度的自动测量、精细分类方法及其系统 | |
CN111507971A (zh) | 一种隧道表面缺陷检测方法 | |
CN110567680A (zh) | 一种基于角度比对的轨道扣件松动检测方法 | |
CN115294527B (zh) | 一种基于计算机视觉的地铁隧道破损检测方法 | |
JP2018096908A (ja) | 検査装置及び検査方法 | |
Zuo et al. | Classifying cracks at sub-class level in closed circuit television sewer inspection videos | |
CN112508913A (zh) | 基于图像检测的电缆截面边沿检测方法 | |
CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
CN115035081A (zh) | 一种基于工业ct的金属内部缺陷危险源定位方法及系统 | |
CN112085699A (zh) | 一种基于二维图像的路面裂缝提取方法 | |
Lang et al. | Pavement cracking detection and classification based on 3d image using multiscale clustering model | |
CN110246139B (zh) | 基于双阈值的浮游生物原位图像roi快速提取方法 | |
Tian et al. | Automatic defect detection in X-ray images using image data fusion | |
CN113724173B (zh) | 一种碳板脱模布到边距离检测方法、装置、设备和存储介质 | |
KR101360653B1 (ko) | 압연재의 심 크랙 결함 검출 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160608 |
|
RJ01 | Rejection of invention patent application after publication |