CN106934801A - 一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法 - Google Patents
一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法 Download PDFInfo
- Publication number
- CN106934801A CN106934801A CN201710117533.1A CN201710117533A CN106934801A CN 106934801 A CN106934801 A CN 106934801A CN 201710117533 A CN201710117533 A CN 201710117533A CN 106934801 A CN106934801 A CN 106934801A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- powder
- inspection method
- filterings
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/91—Investigating the presence of flaws or contamination using penetration of dyes, e.g. fluorescent ink
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明使用了一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法,可用于铁磁性器件表面以及近表面的裂纹缺陷检测,同时解决了在实际图像采集过程中金属表面反光的问题。具体实现通过模板计算局部纹理能量信息可获得灰度变化的信息得到特征图像,对得到的7通道特征图像进行滤波后将其放入高斯混合模型中进行分类识别,分类后得到正常区域,对于待检测的磁痕图像使用区域相减得到缺陷区域这时可对其缺陷进行像素统计,若缺陷区域像素数高于某一阈值则认为该工件为不良品。与目前使用的人工识别磁痕缺陷相比,提高了检测效率。而且减少了荧光磁粉检测对人体尤其是对人眼带来的伤害。同时检测设备的自动化程度大大提高。
Description
技术领域
本发明涉及无损检测、数字图像处理技术、和机器视觉等相关技术,特指在荧光磁粉缺陷检测过程中对于缺陷识别的智能自动化技术方法。
背景技术
荧光磁粉缺陷检测只适用于检查铁磁性材料的表面和近表面缺陷,与超声检测和射线检测比较,具有检测表面裂纹灵敏度高、操作简单等优点。目前荧光磁粉检测技术绝大多数采用的是半自动化方式,即对工件处理可以实现自动化,但是对缺陷的识别依旧使用人工观察的方法,通过人眼进行观察进行判别的方式具有识别率高,不易出错的特点,但同时也有很大的缺点:
(1)观测环境是在暗室条件下,同时紫外光对人眼有很大的损伤;
(2)长时间重复性的工作容易产生视觉疲劳,同时缺陷的判断标准也主要是根据人的检验而定,在判断过程中容易造成无误判;
(3)使用人工进行判断会使工件的检测速度受到很大的限制;
(4)随着物价的上涨工人工资也随之上涨,从企业节约成本考虑的话,长期聘请专业的检测人员是一部分不小的开支。因此研究荧光磁粉智能无损检测技术很有必要,将数字图像处理和机器视觉技术应用到荧光磁粉检测中去实现缺陷识别的自动化可以克服以上缺陷。
目前将机器视觉和数字图像处理技术和荧光磁粉自动化检测是荧光磁粉检测的一个重要方向。随着社会的飞速发展,现代工业也开始进行新的科技革命,自动化,智能化荧光磁粉检测系统必然是一项技术发展的焦点其具有重要的研究意义。
目前已经出现的荧光磁粉缺陷智能检测方法都是对采集的到图片进行灰度化、分割、特征提取、分类训练、识别。这种方法有很大的缺点,而且实用性不强其缺点主要有:
(1)一个完整的机器视觉系统需要一个好的照明系统,在实际应用中相机采集工件图片金属表面会存在反光现象,若直接将其灰度化处理得到的图片严重影响后续的图像分割操作;
(2)在实际的荧光磁粉检测系统中工件表面会粘附有油污、杂物、和磁悬液堆积的现象,因此常规的分割方法不能将缺陷分割出来;
(3)在特征提取过程中目前大多数人使用对缺陷区域提取特征,且分类器的正确率不能达到在实际生产过程中的要求。且误判率较高。
发明内容
为了克服以上存在的不足,研究者提出了一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法,该方法使用Laws纹理滤波得到特征图像,使用GMM分类器得到正常区域,将待检测区域与正常区域相减得到缺陷区域,然后进行形态学滤波,对缺陷区域的区域统计像素和,若得到的缺陷区域的像素和高于某一阈值则认为其为存在缺陷的工件。本发明使用分类器对缺陷区域进行分割,克服了传统分割方法分割效果差的缺点,同时解决了工件表面部分反光对成像质量的影响,在识别时不依赖于分类器的结果进行判断,提高了识别的准确率具有很强的实用价值。同时能够满足实时性的要求。
本发明进行缺陷识别的步骤包括:1、图像预处理:对图像进行通道分离,对单通道进行去躁处理;2、对获得的去躁后图像进行Law纹理能量计算提取特征;3、使用分类器进行训练;4、对缺陷区域统计像素和并进行判断是否存在缺陷;系统流程如图1所示。
步骤1中,由于采集到的图像可能会存在反光区域所以在实际应用中对其进行通道分离,在实际应用中由于荧光磁粉的颜色会有所不同,根据实际使用的荧光磁粉的种类同时根据色彩叠加原理选择反光区域最小,同时磁痕轮廓比较清晰的图片进行处理,图片在采集的过程中受限于相机传感器的工艺和成像原理影响的原因图像在采集过程中会存在噪声,因此,在预处理阶段有必要对图像进行去噪处理。
步骤2中,对获得的单通道图像进行去噪处理后利用模板计算局部纹理能量获得灰度变化的信息,如果设图像为,一组模板分别为,一组模板分别为,则卷积给出各个像素邻域中表达纹理特征的纹理能量分布,如采用尺寸为的模板,则对应的第个模板的纹理元素为:
这样对应每个像素位置都有一个纹理特征矢量常用的模板尺寸为令L代表层,E代表边缘,S代表形状,W代表波,R代表纹,0代表震荡,则可得到各种的模板,其中本文使用的矢量分别为:以为例所得到的的模板分别为:
的模板可由模板得到,对原始图像中的每个像素点都用在其邻域中获得的上述卷积结果来代替其值,就得到对应其邻域纹理能量的图。通过进一步考虑卷积步骤得到能量图,每个像素都可用表达邻域中纹理能量的特征量所代替。以的模板为例使用,这4个矢量时可以得到16个的模板,将这个16个模板用于原始图像可以得到16个滤波图像,每幅图像都是尺寸完全的图像,代表第N个模板得到的结果,去除对称的图像本实验使用7幅纹理能量图,其中Laws纹理滤波中最强的四个模板如:、这四个模板的功能分别为检测垂直边缘、检测高频点、检测V形状、检测水平边缘。在的模板中前后两行数字大小对应,符号不同,关于中间行对称,正好是后两行对应像素减去前两行对应像素,表示水平边缘求法。在模板中,中心数字是最大的,向四周数字逐渐减小,符号由中心向四周交替更换,此模板可以求取中心点的高频点。在模板中的数字排列成V字形,此模板用于检测V形状。在模板中数字成垂直平排列,用于求取垂直边缘。将上述四幅纹理能量图合成一副四通道的图像,而在其中的每个像素位置有一个含4个纹理属性的矢量。本实验使用了7个卷积模板。部分实验结果图像如图2所示。
对训练集中所获得的特征图像使用GMM模型进行训练,分类后得到的是正常区域,如果存在非正常区域,GMM模型不会得到该区域。
在测试阶段对新样本重复之前的操作,通道分离,滤波,提取特征,放入分类器获得分类器返回的正常区域,将新样本的特征图减去分类器返回的正常区域得到缺陷区域;缺陷区域如图3所示。
对得到的缺陷区域进行形态学滤波使用开闭运算去除无关点,对获得的缺陷区域统计其像素个数并根据实际使用的情况设置阈值,当缺陷区域像素和超过某一阈值时则认为其为存在缺陷的工件。
本发明有益的结果是:
1、本发明提出了一种自动化识别荧光磁粉缺陷裂纹的方法,实时性好,识别率高,有异于其他的自动识别方法;
2、本发明解决了在图像采集过程中由于金属表面反光带来的图像成像质量不高的问题;
3、本发明可以取代人工对于缺陷的检测,同时减少了人为因素对判别结果的影响,节省成本。
附图说明
图1为本发明的系统流程;
图2为部分实验结果图像;
图3为缺陷图像。
Claims (5)
1.一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法,其特征在于:包含如下步骤:本发明包含如下步骤:(1)图像的预处理;(2)提取并合成特征图像;(3)特征图像放入分类器进行训练;(4)识别带有裂纹缺陷的图像。
2.根据权利要求1所述Laws纹理滤波的荧光磁粉缺陷自动识别方法,其特征在于:步骤(1)中图像的预处理过程包括:将工业相机采集到的磁痕图像进行通道分离,在RGB和HSI通道的图像进行对比,根据色彩叠加原理选取存在较少反光区域的图像进行处理;在本发明中使用I通道的图像进行处理;对I通道进行滤波操作以抑制图像中存在的噪声。
3.根据权利要求1所述Laws纹理滤波的荧光磁粉缺陷自动识别方法,其特征在于:步骤(2)中提取并合成特征图像的步骤包括:s1、选取Laws滤波模板,对预处理后的图像进行卷积处理,卷积后得到7个滤波图像;将得到的7个滤波图像进行合成得到一幅7通道的图像,而在其中的每个像素位置有一个含有7个纹理属性的矢量。
4.根据权利要求1所述Laws纹理滤波的荧光磁粉缺陷自动识别方法,其特征在于:步骤(3)中特征图像放入分类器训练的步骤包括:将图像放入分类器训练样本数据放入GMM分类器中进行训练分类器分类后得到正常区域,如果存在非正常区域GMM分类器不会得到该区域。
5.根据权利要求1所述Laws纹理滤波的荧光磁粉缺陷自动识别方法,其特征在于:步骤(4)中识别带有裂纹缺陷的图像的步骤包括:使用区域相减法得到缺陷图像,使用形态学滤波去除无关部分,对缺陷区域进行像素统计确定某一阈值,若高于某一阈值则认为其为其是有缺陷的工件,否则为好的工件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710117533.1A CN106934801A (zh) | 2017-03-01 | 2017-03-01 | 一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710117533.1A CN106934801A (zh) | 2017-03-01 | 2017-03-01 | 一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106934801A true CN106934801A (zh) | 2017-07-07 |
Family
ID=59423930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710117533.1A Pending CN106934801A (zh) | 2017-03-01 | 2017-03-01 | 一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106934801A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967681A (zh) * | 2017-11-24 | 2018-04-27 | 常熟理工学院 | 一种基于机器视觉的电梯补偿链冲伤缺陷检测方法 |
CN108509944A (zh) * | 2018-06-25 | 2018-09-07 | 北京小米移动软件有限公司 | 指纹识别方法及装置 |
CN108830851A (zh) * | 2018-06-29 | 2018-11-16 | 凌云光技术集团有限责任公司 | 一种lcd粗糙斑缺陷检测方法 |
CN108876802A (zh) * | 2018-04-20 | 2018-11-23 | 北京交通大学 | 对车轮的荧光磁粉缺陷进行自动定位的装置和方法 |
CN109191430A (zh) * | 2018-07-27 | 2019-01-11 | 江苏理工学院 | 一种基于Laws纹理与单分类SVM结合的素色布匹缺陷检测方法 |
CN109509171A (zh) * | 2018-09-20 | 2019-03-22 | 江苏理工学院 | 一种基于gmm和图像金字塔的布匹疵点检测方法 |
CN109934802A (zh) * | 2019-02-02 | 2019-06-25 | 浙江工业大学 | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 |
CN113554080A (zh) * | 2021-07-15 | 2021-10-26 | 长沙长泰机器人有限公司 | 一种基于机器视觉的无纺布瑕疵检测分类方法及系统 |
CN116934746A (zh) * | 2023-09-14 | 2023-10-24 | 常州微亿智造科技有限公司 | 划伤缺陷检测方法、系统、设备及其介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984951A (zh) * | 2014-04-25 | 2014-08-13 | 西南科技大学 | 一种磁粉检测缺陷自动识别方法及系统 |
-
2017
- 2017-03-01 CN CN201710117533.1A patent/CN106934801A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984951A (zh) * | 2014-04-25 | 2014-08-13 | 西南科技大学 | 一种磁粉检测缺陷自动识别方法及系统 |
Non-Patent Citations (3)
Title |
---|
杨晓波: "基于分形维数和能量的纹理图像分割", 《科技视界》 * |
林果: "基于主成分分析的荧光磁粉检测缺陷识别技术", 《微型机与应用》 * |
贾永红: "《数字图像处理》", 31 July 2015 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967681A (zh) * | 2017-11-24 | 2018-04-27 | 常熟理工学院 | 一种基于机器视觉的电梯补偿链冲伤缺陷检测方法 |
CN107967681B (zh) * | 2017-11-24 | 2020-04-21 | 常熟理工学院 | 一种基于机器视觉的电梯补偿链冲伤缺陷检测方法 |
CN108876802B (zh) * | 2018-04-20 | 2022-04-15 | 北京交通大学 | 对车轮的荧光磁粉缺陷进行自动定位的装置和方法 |
CN108876802A (zh) * | 2018-04-20 | 2018-11-23 | 北京交通大学 | 对车轮的荧光磁粉缺陷进行自动定位的装置和方法 |
CN108509944A (zh) * | 2018-06-25 | 2018-09-07 | 北京小米移动软件有限公司 | 指纹识别方法及装置 |
CN108830851A (zh) * | 2018-06-29 | 2018-11-16 | 凌云光技术集团有限责任公司 | 一种lcd粗糙斑缺陷检测方法 |
CN108830851B (zh) * | 2018-06-29 | 2020-08-28 | 凌云光技术集团有限责任公司 | 一种lcd粗糙斑缺陷检测方法 |
CN109191430A (zh) * | 2018-07-27 | 2019-01-11 | 江苏理工学院 | 一种基于Laws纹理与单分类SVM结合的素色布匹缺陷检测方法 |
CN109509171A (zh) * | 2018-09-20 | 2019-03-22 | 江苏理工学院 | 一种基于gmm和图像金字塔的布匹疵点检测方法 |
CN109934802A (zh) * | 2019-02-02 | 2019-06-25 | 浙江工业大学 | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 |
CN113554080A (zh) * | 2021-07-15 | 2021-10-26 | 长沙长泰机器人有限公司 | 一种基于机器视觉的无纺布瑕疵检测分类方法及系统 |
CN116934746A (zh) * | 2023-09-14 | 2023-10-24 | 常州微亿智造科技有限公司 | 划伤缺陷检测方法、系统、设备及其介质 |
CN116934746B (zh) * | 2023-09-14 | 2023-12-01 | 常州微亿智造科技有限公司 | 划伤缺陷检测方法、系统、设备及其介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106934801A (zh) | 一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法 | |
CN109934802B (zh) | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 | |
CN113989279B (zh) | 基于人工智能及图像处理的塑料薄膜质量检测方法 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
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 | |
CN105784713B (zh) | 基于机器视觉的密封圈表面缺陷检测方法 | |
CN107437243B (zh) | 基于x光图像的轮胎杂质检测方法及装置 | |
CN107220649A (zh) | 一种素色布匹缺陷检测和分类方法 | |
CN109087286A (zh) | 一种基于计算机图像处理和模式识别的检测方法及应用 | |
CN111060442B (zh) | 一种基于图像处理的油液颗粒检测方法 | |
CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
CN105069778B (zh) | 基于目标特征显著图构建的工业产品表面缺陷检测方法 | |
CN109035249B (zh) | 一种基于图像处理的管道故障并行全局阈值检测方法 | |
CN109239073A (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
CN108765402A (zh) | 无纺布缺陷检测与分类方法 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN111860143B (zh) | 一种面向巡检机器人的火焰实时检测方法 | |
CN110096980A (zh) | 字符检测识别系统 | |
CN114972342B (zh) | 一种变速箱齿轮表面缺陷检测方法 | |
CN113177605A (zh) | 一种基于视频监控的废钢车厢等级判定方法 | |
Shah et al. | Automatic detection and classification of tuberculosis bacilli from ZN-stained sputum smear images using watershed segmentation | |
Haoran et al. | Egg crack detection based on support vector machine | |
CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
CN115731228B (zh) | 一种镀金芯片缺陷检测系统和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170707 |