CN107133952A - 一种融合时频特征的表面裂痕识别方法 - Google Patents

一种融合时频特征的表面裂痕识别方法 Download PDF

Info

Publication number
CN107133952A
CN107133952A CN201710382602.1A CN201710382602A CN107133952A CN 107133952 A CN107133952 A CN 107133952A CN 201710382602 A CN201710382602 A CN 201710382602A CN 107133952 A CN107133952 A CN 107133952A
Authority
CN
China
Prior art keywords
image
frequency
carried out
target
defect
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
Application number
CN201710382602.1A
Other languages
English (en)
Inventor
姚明海
袁慧
顾勤龙
王宪保
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201710382602.1A priority Critical patent/CN107133952A/zh
Publication of CN107133952A publication Critical patent/CN107133952A/zh
Pending legal-status Critical Current

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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

一种融合时频特征的表面裂痕识别方法，通过视觉设备获取流水线上钕铁硼圆片的实时影像；对图像消除噪点、分离背景和目标；计算目标区域面积；提取目标图像的边缘区域、计算边界的周长；计算紧凑型参数；提取外轮廓内区域为感兴趣区域，剔除外轮廓，将图像进行小波分解；对图像进行局部性分析；将得到的低频和高频缺陷边缘图像进行二值化处理；得到最终的裂纹图像进行裂痕识别。本发明的优点：能有效抑制噪声，鲁棒性好。

Description

一种融合时频特征的表面裂痕识别方法
技术领域
本发明涉及计算机视觉检测领域，尤其涉及一种钕铁硼圆片表面磕边、裂纹识别方法。
背景技术
磁性材料的器件被广泛的应用于仪表、电机等各个领域，钕铁硼永磁材料是低碳行业发展中一种非常重要的材料。钕铁硼具有极高的磁能积和矫力，同时高能量密度的优点使钕铁硼永磁材料在现代工业和电子技术中获得了广泛应用。磁片在加工过程中造成的各种缺陷严重影响其质量，在磁片成为产品之前需要通过严格的质量测试。传统上一般依靠人眼去判断即人工目测法，用各种量具去量测，检测效果受操作人员的影响较大，且效率低下，不能满足现代工业上的需求。因此利用图像处理技术实现磁片的表面缺陷检测，具有重要的实际意义和经济效益。
这个钕铁硼圆片表面的缺陷主要表现为“磕边”、“裂痕”两种缺陷。“磕边”缺陷指材料边缘缺失，不能组成一个完整的圆，“裂纹”是指圆片内部出现的划痕。
发明内容
为解决人工检测存在的各种局限性，因而需用先进的表面缺陷检测方法来检测产品的表面缺陷。这种识别方法是基于计算机视觉，利用图像处理技术可以自动、快速、高效的识别出磁片表面的缺陷,极大地提高生产效率。
为实现上述目的，本发明采用以下技术方案：
一种融合时频特征的表面裂痕识别方法，包括如下步骤：
步骤一，通过视觉设备获取流水线上钕铁硼圆片的实时影像；
步骤二，对图像进行中值滤波预处理，消除噪点；
步骤三，使用单阈值分割法分离背景和目标；
步骤四，计算目标区域面积；
步骤五，用最大熵法提取目标图像的边缘区域D，图像大小为M×N，灰度级为L；
步骤六,计算边界的周长；
步骤七，计算紧凑型参数Compactnes，设定阈值范围[[T2,T3]]当Compactnes满足此范围时，表明外轮廓为圆，否则，判断有缺陷；
步骤八，提取外轮廓内区域为感兴趣区域ROI，剔除外轮廓，将图像进行小波分解。采用可变的时-频窗口可以对图像进行局部性分析，对低频近似分量，用数学形态学边缘检测法提取裂纹缺陷的边缘；对高频垂直分量用小波模极大值法提取裂纹缺陷的边缘。
步骤九，将得到的低频和高频缺陷边缘图像进行二值化处理；
步骤十，将经过上述处理后的低频和高频缺陷边缘图像按照融合规则进行融合，得到最终的裂纹图像。
步骤十一，计算白色像素点的个数，当白色像素点的个数均小于阈值时，则判断为“正品”缺陷，结束；否则，判断为“缺陷”。
本发明把数学形态学与小波变换结合起来，不但具有形态学的形态滤波特性，还具有小波分解的多分辨率等特性。通过形态小波对裂纹缺陷图像进行分解，取其高低频分量作进一步的处理，得到很好的裂纹检测效果。
本发明的原理是：在计算时，在获取汝铁硼圆片实时影像的基础上，然后经过中值滤波，消除噪声；使用单阈值法分离背景与目标，接着用最大熵法获取轮廓信息，通过计算紧凑型参数，判断是否属于“磕边”缺陷；提取感兴趣区域ROI，即先用小波变换对汝铁硼圆片图像进行分解，在高频垂直分量上用小波模极大值检测裂纹缺陷，在低频分量上用形态学梯度算子检测裂纹缺陷，最后将高、低频提取的裂纹边缘图像按照一定规则予以融合，以得到最终的裂纹图像。
本发明具有以下技术效果：该发明方法对裂纹定位准确，对各种噪声较为不敏感，且干扰小。
本发明的优点：能有效抑制噪声，鲁棒性十分好。
附图说明
图1为本发明的工作流程框图。
图2为小波分解处理后融合的图片。
具体实施方式
一种融合时频特征的钕铁硼圆片表面裂痕识别方法，包括如下步骤：
步骤一，通过视觉设备获取流水线上钕铁硼圆片的实时影像；
步骤二，对图像进行中值滤波预处理，消除噪点。具体步骤如下：
2.1将3*3的滤波模板在图像当中移动，并使得滤波模板的中心和图像某个像素位置重合；
2.2读取模板中各对应像素的灰度值；
2.3把这些灰度值按由小到大的顺序排列；
2.4二维中值滤波输出为g(x,y)＝med{f(x-k,y-l),(k,l∈W)}，其中，f(x,y)，g(x,y)分别为原始图像像素点和处理后图像像素点。W为二维模板，为3*3区域。
步骤三，使用单阈值分割法分离背景和目标，m(x,y)表示分割后的图像，T1为阈值，设定T1＝145
步骤四，目标区域面积得到Area＝122958其中，Area即为目标区域面积，R为图像灰度值为大于或等于T1的像素点的总数。
步骤五，用最大熵法提取边缘区域D，图像大小为M×N，灰度级为L，
最佳阈值公式：T*＝argmax[Hf(T2)+Hb(T2)]
其中，Ni为灰度级为i的像素个数，Pi为灰度级为i的区域占图像大小的比例，Pt为灰度级小于或等于T2的区域占图像大小的比例，T2为阈值，Hf为图像边缘区域之熵，Hb为图像内部区域之熵，T*为提取边缘信息的最佳阈值,设定T*为175。
步骤六,计算边界的周长为图像灰度值小于或等于阈值T*像素点的个数,目前统计permiter＝1253。
步骤七，计算紧凑型参数：
满足阈值范围[0.9735,1.0248]，表明外轮廓为圆，无缺陷。
步骤八，提取外轮廓内区域为感兴趣区域ROI，剔除外轮廓，将图像进行小波分解，本例处理结果如图2所示，由于是放大图，所以图像以折线形式呈现。采用可变的时-频窗口可以对图像进行局部性分析，对低频近似分量，用数学形态学边缘检测法提取裂纹缺陷的边缘；本方法采用形态学梯度算子进行纵裂缺陷检测，形态学梯度算子定义为：膨胀时选择B1中的结构元素，腐蚀时选择B2中的结构元素。其中K(x,y)输入图像，B(i,j)为结构元素，
表1B1和B2的数值
上表左侧为B1的数值，上表右侧为B2的数值。
对高频垂直分量用小波模极大值法提取裂纹缺陷的边缘。
步骤九，将得到的低频和高频缺陷边缘图像进行二值化处理。
步骤十，判断二值化后的图像是否有交集，如果交集不为空，则将这两个区域进行或操作，为空则进行与操作。即
式中，fL和fH分别为二值化后的低频图像和高频图像对应的前景区域，fL(i,j)和fH(i,j)分别为fL和fH区域中的每个像素，N(i,j)为最终的融合图像的每个像素。
步骤十一，计算融合后的图像的白色像素点的个数，白色像素点的个数为159，大于阈值125时，判断为“缺陷”，结束。

Claims (1)

1.一种融合时频特征的表面裂痕识别方法，其特征在于包括如下步骤：
步骤一，通过视觉设备获取流水线上钕铁硼圆片的实时影像；
步骤二，对图像进行中值滤波预处理，消除噪点；
步骤三，使用单阈值分割法分离背景和目标；
步骤四，计算目标区域面积；
步骤五，用最大熵法提取目标图像的边缘区域D，图像大小为M×N，灰度级为L；
步骤六,计算边界的周长；
步骤七，计算紧凑型参数Compactnes，设定阈值范围[T2,T3]，当Compactnes满足此范围时，表明外轮廓为圆，否则，判断有缺陷；
步骤八，提取外轮廓内区域为感兴趣区域ROI，剔除外轮廓，将图像进行小波分解；采用可变的时-频窗口可以对图像进行局部性分析，对低频近似分量，用数学形态学边缘检测法提取裂纹缺陷的边缘；对高频垂直分量用小波模极大值法提取裂纹缺陷的边缘；
步骤九，将得到的低频和高频缺陷边缘图像进行二值化处理；
步骤十，将经过上述处理后的低频和高频缺陷边缘图像按照融合规则进行融合，得到最终的裂纹图像；
步骤十一，计算白色像素点的个数，当白色像素点的个数均小于阈值时，则判断为“正品”缺陷，结束；否则，判断为“缺陷”。
CN201710382602.1A 2017-05-26 2017-05-26 一种融合时频特征的表面裂痕识别方法 Pending CN107133952A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710382602.1A CN107133952A (zh) 2017-05-26 2017-05-26 一种融合时频特征的表面裂痕识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710382602.1A CN107133952A (zh) 2017-05-26 2017-05-26 一种融合时频特征的表面裂痕识别方法

Publications (1)

Publication Number Publication Date
CN107133952A true CN107133952A (zh) 2017-09-05

Family

ID=59733389

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710382602.1A Pending CN107133952A (zh) 2017-05-26 2017-05-26 一种融合时频特征的表面裂痕识别方法

Country Status (1)

Country Link
CN (1) CN107133952A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919929A (zh) * 2019-03-06 2019-06-21 电子科技大学 一种基于小波变换的舌裂纹特征提取方法
CN113177558A (zh) * 2021-04-13 2021-07-27 电子科技大学 一种基于小样本的特征融合的辐射源个体识别方法
CN113850803A (zh) * 2021-11-29 2021-12-28 武汉飞恩微电子有限公司 基于集成学习的mems传感器缺陷的检测方法、装置及设备
CN114612384A (zh) * 2022-01-30 2022-06-10 扬州长青树体育用品有限公司 一种运动护具外观材料缺陷检测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105139027A (zh) * 2015-08-05 2015-12-09 北京天诚盛业科技有限公司 胶囊头缺陷检测方法和装置
CN105806228A (zh) * 2016-04-25 2016-07-27 电子科技大学中山学院 轴承外圈检测方法及设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105139027A (zh) * 2015-08-05 2015-12-09 北京天诚盛业科技有限公司 胶囊头缺陷检测方法和装置
CN105806228A (zh) * 2016-04-25 2016-07-27 电子科技大学中山学院 轴承外圈检测方法及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郑嵘: "铸坯表面缺陷图像检测方法研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919929A (zh) * 2019-03-06 2019-06-21 电子科技大学 一种基于小波变换的舌裂纹特征提取方法
CN109919929B (zh) * 2019-03-06 2023-03-24 电子科技大学 一种基于小波变换的舌裂纹特征提取方法
CN113177558A (zh) * 2021-04-13 2021-07-27 电子科技大学 一种基于小样本的特征融合的辐射源个体识别方法
CN113850803A (zh) * 2021-11-29 2021-12-28 武汉飞恩微电子有限公司 基于集成学习的mems传感器缺陷的检测方法、装置及设备
CN114612384A (zh) * 2022-01-30 2022-06-10 扬州长青树体育用品有限公司 一种运动护具外观材料缺陷检测方法及系统

Similar Documents

Publication Publication Date Title
CN109872300B (zh) 一种摩擦片外观缺陷的视觉显著性检测方法
CN109816652B (zh) 一种基于灰度显著性的复杂铸件缺陷识别方法
CN107133952A (zh) 一种融合时频特征的表面裂痕识别方法
CN102353680B (zh) 小型工件表面缺陷的评估方法以及检测不合格工件的流程
CN102496161B (zh) 一种印刷电路板图像的轮廓提取方法
Yang et al. Defect detection in magnetic tile images based on stationary wavelet transform
KR101635461B1 (ko) 웨이블릿 변환에서 마스크 필터링을 이용한 얼룩 결함 자동 검출 시스템 및 방법
CN110288584B (zh) 基于机器视觉的陶瓷热浸镀铝表面缺陷检测方法及装置
CN103175844A (zh) 一种金属零部件表面划痕缺陷检测方法
CN107610104A (zh) 一种基于机器视觉的电梯补偿链r处裂纹检测方法
CN105447489B (zh) 一种图片ocr识别系统的字符与背景粘连噪声消除方法
CN108020554A (zh) 一种带钢表面缺陷识别检测方法
CN109781737A (zh) 一种软管表面缺陷的检测方法及其检测系统
CN108280838A (zh) 一种基于边缘检测的夹片牙型缺陷检测方法
CN113588656A (zh) 一种新型螺栓外观尺寸检测方法
CN110807763A (zh) 一种陶瓦表面鼓包检测方法及系统
CN109816627A (zh) 平面玻璃元件油墨区弱小缺陷目标检测方法
Hongxun et al. Pavement crack detection by ridge detection on fractional calculus and dual-thresholds
CN115345876A (zh) 一种基于超声图像的螺栓螺纹缺陷检测方法
Fu et al. Research on image-based detection and recognition technologies for cracks on rail surface
CN112669265B (zh) 基于傅里叶变换和图像梯度特征实现表面缺陷检测的方法
Tang et al. Surface inspection system of steel strip based on machine vision
CN114155226A (zh) 一种微小缺陷边缘计算方法
Hu et al. Heavy rail surface defects detection based on the morphology of multi-scale and dual-structure elements
CN109584212A (zh) 一种基于matlab的slm粉床铺粉图像划痕缺陷识别方法

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: 20170905