CN107808378A - 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 - Google Patents

基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 Download PDF

Info

Publication number
CN107808378A
CN107808378A CN201711158439.7A CN201711158439A CN107808378A CN 107808378 A CN107808378 A CN 107808378A CN 201711158439 A CN201711158439 A CN 201711158439A CN 107808378 A CN107808378 A CN 107808378A
Authority
CN
China
Prior art keywords
mrow
ordination
image
area
gray scale
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
Application number
CN201711158439.7A
Other languages
English (en)
Other versions
CN107808378B (zh
Inventor
赵昕玥
张树有
梁晶晶
何再兴
谭建荣
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 ZJU
Original Assignee
Zhejiang University ZJU
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 ZJU filed Critical Zhejiang University ZJU
Priority to CN201711158439.7A priority Critical patent/CN107808378B/zh
Publication of CN107808378A publication Critical patent/CN107808378A/zh
Application granted granted Critical
Publication of CN107808378B publication Critical patent/CN107808378B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G06T5/73—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20036—Morphological image processing

Abstract

本发明公开了一种基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法。采集复杂结构铸件的X射线图像，采用反锐化掩模算法对图像进行锐化，接着进行灰度级形态学顶帽运算；采用Canny边缘检测，标记连通域，再通过连通域像素面积初步筛选获得缺陷可能区域；提取感兴趣区域，求取八个方向上过感兴趣区域中心的纵横线灰度信息，筛选出两条相互垂直的纵横线；分析两条纵横线灰度图像轮廓变化特征并消除背景影响，根据轮廓变化特征判定是否为真实缺陷。本发明的突出了人眼难以分辨的模糊缺陷区域，改善了缺陷边缘检测效果，减小铸件角落区域结构的影响，有效提高最终缺陷检测率。

Description

基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法
技术领域
本发明涉及数字图像缺陷检测领域，具体涉及一种基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法。
背景技术
X射线检测是实现工业铸件无损检测的一种方式，通过X射线获得工业铸件的内部结构图像，再由人工检测确定不合格铸件。这种人工筛选的方式能够适应复杂结构的缺陷检测，但效率低并且对一些模糊的缺陷容易误判。实现工业零件缺陷的自动化检测，对于提高工业零件的生产效率、降低制造成本有着重要意义。
图像处理的方法用于检测铸件缺陷可以大大提高生产效率、降低生产成本，同时满足自动化生产的要求。目前利用图像处理检测铸件内部缺陷的方法可以分为两类：一类为借助无缺陷的模板图像与有缺陷的实际图像差异检测缺陷的方法，这类方法在能够获得优秀模板图像的前提下有精确的检测结果，但要获得优秀模板十分困难；另一类为无模板图像的检测方法，这类方法大多采用目标分割，特征提取与匹配的模式，如通过阈值分割及形状、位置、宽度、对比度等特征进行缺陷识别，但往往对于铸件结构复杂以及亮度不均匀的铸件图像检测效果较差；缺陷追踪匹配法，缺陷可能区域需要在系列每张图中一一匹配，能有效解决亮度不均匀等随机干扰的影响，但计算复杂，且不能很好地解决铸件结构复杂的影响。
发明内容
本发明的目的是克服现有技术的不足，提出一种基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法，通过灰度级形态学顶帽和Canny边缘检测，提取缺陷可能区域；分析两条相互垂直的纵横线灰度曲线轮廓性质，提取特征。该方法受图像亮度不均匀和铸件复杂结构影响小，可靠性高，可对特征不明显的潜在缺陷进行精确检测。
为实现上述目的，以下为该发明的技术方案：
本发明包括以下步骤：
1)采集复杂结构铸件的X射线图像，采用反锐化掩模算法对图像进行锐化，接着进行灰度级形态学顶帽运算突出局部高亮度区域，实现图像预处理；
2)采用Canny边缘检测，标记连通域，再通过连通域像素面积初步筛选获得缺陷可能区域；
3)提取感兴趣区域，求取八个方向上过感兴趣区域中心的纵横线灰度信息，筛选出两条相互垂直的纵横线；
4)分析两条纵横线灰度图像轮廓变化特征并消除背景影响，根据轮廓变化特征判定是否为真实缺陷，具体是将轮廓变化相似且幅度在一定范围内的区域判定为真实缺陷。
所述的复杂结构铸件是指汽车轮毂。
所述的步骤1)具体为：
1.1)提取图像高频成分，利用高斯算子对原图像高斯滤波，用原图像减去高斯滤波的结果得到图像高频成分，再在原图像上加上图像高频成分的倍数，实现图像锐化，得到锐化图像；
1.2)对锐化图像进行形态学顶帽处理：根据预设的潜在缺陷大小，设置与潜在缺陷大小相同的圆形结构体，用圆形结构体对锐化灰度图像进行开运算(先进行腐蚀，再膨胀)，再用锐化图像减去开运算之后的图像，获得顶帽运算结果图像。
所述的潜在缺陷的大小应大于最大缺陷，小于X射线图像的长宽尺寸。
所述的步骤2)具体为：
2.1)边缘检测采用Canny边缘检测方法，先用带有标准偏差的高斯滤波器平滑图像处理，然后提取梯度方向上梯度强度局部最大的点为边缘点，在边缘点形成的脊中，提取脊的顶部，对脊像素做阈值处理，获得图像边缘，结果为二值图，获得背景部分和边缘部分；
2.2)将背景部分分割连通域，以四连通区域为一个连通域，按顺序进行编号；
2.3)遍历每个连通域，求取每个连通域的面积，取面积在0.2A～1.2A范围内的连通域作为候选的缺陷可能区域，其中A为预设潜在缺陷大小。
所述的步骤3)具体为：
3.1)针对每个缺陷可能区域在原X射线图像上截取建立一个矩形的感兴趣区域，感兴趣区域的中心为缺陷可能区域的几何中心，感兴趣区域的长为感兴趣区域沿x轴方向最大尺寸的两倍，感兴趣区域的宽设为感兴趣区域沿y轴方向最大尺寸的两倍，并将感兴趣区域的尺寸调整为32×32像素；
3.2)经过感兴趣区域的中心建立八个方向，八个方向分别为与图像x轴或者y轴的正方向呈22.5°×k角度的八个直线所在方向，k取0,1,2,3,4,5,6,7；
3.3)提取感兴趣区域在各方向直线上各个像素点的灰度信息，从八个方向中选取两端点灰度相差最小的方向及与其垂直的方向，分别作为第一纵横线和第二纵横线，将沿第一纵横线和第二纵横线上感兴趣区域各个像素点的灰度信息构建获得第一灰度向量P1和第二灰度向量P2。
本发明筛选出两条相互垂直的纵横线，筛选条件为：其中一条纵横线在八个方向纵横线中两端点灰度相差最小，筛选的另一条纵横线为该纵横线的垂直方向纵横线。
八个方向分别为与图像x轴或者y轴的正方向呈22.5°×k角度的八个直线所在方向。
所述的步骤4)具体为：
4.1)采用以下方式针对第一灰度向量P1处理获得第一灰度值以消除背景影响，消除背景影响包括消除背景变化趋势和消除基础背景：
绘制第一纵横线的灰度-坐标图，即对第一灰度向量P1处理，获得第一纵横线所在方向灰度的变化斜率，表达式如下：
式中，P1(32)和P1(1)分别为第一纵横线的灰度-坐标图中坐标最大和最小点对应的灰度值，k0表示第一纵横线的灰度-坐标图中坐标最大和最小点连线的斜率；
然后采用以下公式针对感兴趣区域中第一纵横线上的像素点进行计算获得各点的第一灰度值：
Q1(i)＝P1(i)-P1(1)-k0*(i-1)
式中，Q1(i)为第一纵横线的灰度-坐标图中第i个点消除背景灰度影响后的灰度值，作为第一灰度值，P1(i)表示第一纵横线的灰度-坐标图中第i个点的灰度值，i表示灰度-坐标图中点的序号，i取1至32的整数；
4.2)采用以下方式针对第一灰度向量P1和第二灰度向量P2处理获得第二灰度值以消除背景影响，消除背景影响包括消除背景变化趋势和消除基础背景：
取第一灰度向量P1中的第5至28个元组成第一背景向量PP1，取第二灰度向量P2中的第5至28个元素组成第二背景向量PP2，绘制第一背景向量PP1和第二背景向量PP2的灰度-坐标图，对第一背景向量PP1和第二背景向量PP2采用以下公式计算处理，求得各自的斜率k1和k2，表达式如下：
式中，PP1(24)、PP1(1)和PP2(24)、PP2(1)分别为PP1和PP2灰度-坐标图中坐标最大和最小点对应的灰度值，斜率k1和k2分别表示第一背景向量PP1和第二背景向量PP2的两端点之间的斜率；
然后采用以下公式消除第一背景向量PP1和第二背景向量PP2背景影响，获得各点的第二灰度值和第三灰度值，表达式如下：
Q2(i)＝PP1(i)-PP1(1)-k1*(i-1)
Q3(i)＝PP2(i)-PP2(1)-k2*(i-1)
式中，PP1(i)表示第一背景向量PP1的灰度-坐标图中第i个坐标点的灰度值，Q2(i)为第一背景向量PP1的灰度-坐标图中第i个坐标点消除背景灰度影响后的灰度值，作为第二灰度值；PP2(i)表示第二背景向量PP2的灰度-坐标图中第i个坐标点的灰度值，Q3(i)为第二背景向量PP2的灰度-坐标图中第i个坐标点消除背景灰度影响后的灰度值，作为第三灰度值，i取1至24的整数；
4.3)提取轮廓特征
计算获得两条纵横线的轮廓特征，轮廓特征包括将所有第一灰度值Q0(i)经快速傅里叶变换(FFT)得到的一次谐波幅值F0、将所有第二灰度值Q2(i)经快速傅里叶变换(FFT)一次谐波幅值F1和将所有第三灰度值Q3(i)经快速傅里叶变换(FFT)一次谐波幅值F2；
然后利用一次谐波幅值F1和一次谐波幅值F2采用以下公式计算求得所有第二灰度值Q2(i)和所有第三灰度值Q3(i)的一次谐波幅值之间的相似度数S0，表达式如下：
式中，F1和F2分别为所有第二灰度值Q2(i)和所有第三灰度值Q3(i)的快速傅里叶变换一次谐波幅值；
4.3)然后根据幅值F0和相似度数S0各自的上下限预设阈值判断获得感兴趣区域是否为真实缺陷的结果：
若幅值F0和相似度数S0均在各自的上限预设阈值和下限预设阈值之间，则感兴趣区域为真实缺陷；否则感兴趣区域不为真实缺陷。
本发明的快速傅里叶变换一次谐波幅值F0主要表征了一定频率范围的信号幅值，相似度数S0主要表征以一定频率范围内的两个信号FFT一次谐波幅值评判的相似程度，能反映出图像在两个方向上的灰度变化相似性。
本发明的有益效果主要表现在：
1)采用灰度级形态学顶帽运算，突出人眼难以分辨的模糊缺陷区域，同时去除大部分复杂铸件结构，可改善缺陷边缘检测效果
2)采用垂直纵横线灰度变化轮廓的相似度作为特征值，可筛去顶帽无法筛除的复杂结构的角落区域，减小铸件角落区域结构的影响，有效提高最终缺陷检测率。
附图说明
图1是本发明方法的流程图。
图2是实施例采集到典型潜在缺陷的复杂结构铸件图像。
图3是实施例反锐化掩模算法得到的锐化图像。
图4是实施例灰度级开运算结果图。
图5是实施例灰度级顶帽运算结果图。
图6是实施例Canny边缘检测图像。
图7是实施例缺陷可能区域图像。
图8是实施例的8个方向所在直线示意图。
图9是实施例8个方向所在直线灰度信息图。
图10是实施例复杂结构铸件潜在缺陷检测结果图像。
具体实施方式
下面利用附图和实施例对本发明基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法作进一步说明。
如图1所示，本发明的实施例如下：
步骤1：采用反锐化掩模算法对原始图像进行锐化，并采用灰度级形态学顶帽运算突出局部高亮度区域，实现图像预处理。过程如下：
1.1)先提取图像高频成分，创建大小为的高斯算子，其中A为预设潜在缺陷大小，设置标准偏差为4，对原图像高斯滤波，用原图减去高斯滤波的结果得到图像高频成分；再在原图像上加上图像高频成分的3～6倍，得到锐化图像，如图3所示；
1.2)对锐化图像进行形态学顶帽处理：统计模糊缺陷的大小，设置一定大小的圆形结构体，圆形结构体的大小设定为预设潜在缺陷大小，对锐化灰度图像先进行腐蚀，再膨胀，即进行开运算，效果如图4所示；接着，用锐化图像减去膨胀之后的图像，获得顶帽运算结果图像。实现的效果是：令尺寸大的大部分铸件结构被消除，仅留下尺寸小的缺陷和噪声等部分，减小铸件结构对边缘检测的干扰，顶帽运算结果图像如图5所示；
步骤2：采用Canny边缘检测，对边缘二值图像取反，标记连通域，并通过连通域像素数目初步筛选缺陷可能区域。具体过程如下：
2.1)边缘检测采用Canny边缘检测方法，先用标准偏差为2.5的高斯滤波器平滑图像，减小噪声干扰的影响，然后提取梯度方向上梯度强度局部最大的点为边缘点，在边缘点形成的脊中，提取脊的顶部，对脊像素做阈值处理，获得图像边缘，结果为二值图，背景部分灰度为0，边缘灰度为1，如图6所示；
2.2)对边缘二值图像取反，使背景部分灰度为1，边缘灰度为0；标记连通域，连通域标记为灰度为1的区域编号，设定四连通区域为一个连通域，编号相同；
2.3)遍历每个连通域，求取每个连通域的面积，即编号相同的像素数量，设定阈值，仅取连通域面积在一定范围内的连通域作为候选的缺陷可能区域，并重新为缺陷可能区域编号，缺陷可能区域如图7所示；
步骤3：提取感兴趣区域，求取8个方向上过感兴趣区域中心的纵横线灰度信息，筛选出两条相互垂直的纵横线，分析两条纵横线灰度图像轮廓变化特征，表征轮廓变化相似程度的特征值在0-0.57范围内且表征轮廓变化幅度的特征值在15-300范围内的区域判定为真实缺陷。详细过程如下：
3.1)遍历缺陷可能区域，提取感兴趣区域，原始图像中截取矩形区域中的图像形成一新图像，矩形区域的中心设为连通域的中心坐标，矩形区域长设为连通域沿x方向尺寸的两倍，矩形区域宽设为连通域沿y轴方向尺寸的两倍，截取出新矩形区域图像后，将感兴趣区域尺寸调整为32×32；
3.2)提取图像感兴趣区域各方向中心线上的灰度信息，经过32×32矩形区域的中心，绘制与x轴正方向呈22.5°×k角度的8个方向的直线，其中k取0,1,2,3,4,5,6,7，8条直线如图8所示；
提取8条直线经过像素的灰度信息，由这些灰度信息绘制灰度-坐标图，如图9所示，从k个方向中选取两端点灰度相差最小的方向和其垂直的方向，分别为第一纵横线和第二纵横线，本实施例中分别对应图9中的k＝7方向和k＝0方向，其对应的保存灰度信息的向量分别为第一灰度向量P1和第二灰度向量P2；
3.3)首先，针对第一灰度向量P1处理获得第一灰度值：从第一纵横线的灰度-坐标图，获得第一灰度向量P1灰度的变化斜率，然后消除第一灰度向量P1的背景影响，获得各点的第一灰度值。
例如，求图9中第一灰度向量P1灰度的变化斜率：
例如，求图9中第一灰度向量P1的第i＝2点的第一灰度值：
Q1(2)＝P1(2)-P1(1)-k0*(2-1)＝100.32-97.41-0.497*1＝2.413
接着，针对第一灰度向量P1和第二灰度向量P2处理获得第二灰度值：取第一灰度向量P1中的第5至28个元组成第一背景向量PP1，取第二灰度向量P2中的第5至28个元素组成第二背景向量PP2，绘制第一背景向量PP1和第二背景向量PP2的灰度-坐标图，对第一背景向量PP1和第二背景向量PP2计算处理，求得各自的斜率k1和k2；然后消除第一背景向量PP1和第二背景向量PP2背景影响，获得各点的第二灰度值和第三灰度值。
例如，求图9中第一背景向量PP1和第二背景向量PP2的变化斜率：
例如，分别求图9中第i＝2点的第二灰度值和第三灰度值：
Q2(2)＝PP1(2)-PP1(1)-k1*(2-1)＝104.97-104.71＝0.26
Q3(2)＝PP2(2)-PP2(1)-k2*(2-1)＝142.92-144.59＝-1.67
最后，计算获得两条纵横线的轮廓特征，轮廓特征包括所有第一灰度值Q1(i)的快速傅里叶变换(FFT)得到的一次谐波幅值F0、所有第二灰度值Q2(i)的快速傅里叶变换(FFT)得到的一次谐波幅值F1和所有第三灰度值Q3(i)的快速傅里叶变换(FFT)得到的一次谐波幅值F2；然后利用F1和F2采用以下公式计算求得所有第二灰度值Q2(i)和所有第三灰度值Q3(i)的FFT一次谐波幅值之间的相似度数S0。
图9所示实施例最终得到的相似度数S0是：
图9所示最终实施例最终得到的F0为129.17
5)设置上下限预设阈值15<F0<300且S0<0.57时，判定缺陷可能区域为真实缺陷，比较情况是：图8、图9中表示的缺陷可能区域被判定为真实缺陷。
本发明共统计70个典型样本的两个特征值情况，设置较合适的阈值，两个特征值各自在一定阈值以内的可能缺陷判断为真实缺陷并标记，对每个缺陷可能区域进行计算和判定，获得最终结果，如图10所示。
通过上述的实例分析总结出，本发明方法提供了一种基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法，能有效实现真实缺陷的检测。上述对典型实例的说明并不用以限制本发明，在不背离本发明的情况下可以进行修改和改进，其范围在权利要求书以及等同物中进行了限定。

Claims (5)

1.一种基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法，其特征在于包括以下步骤：
1)采集复杂结构铸件的X射线图像，采用反锐化掩模算法对图像进行锐化，接着进行灰度级形态学顶帽运算，实现图像预处理；
2)采用Canny边缘检测，标记连通域，再通过连通域像素面积初步筛选获得缺陷可能区域；
3)提取感兴趣区域，求取八个方向上过感兴趣区域中心的纵横线灰度信息，筛选出两条相互垂直的纵横线；
4)分析两条纵横线灰度图像轮廓变化特征并消除背景影响，根据轮廓变化特征判定是否为真实缺陷。
2.根据权利要求1所述的基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法，其特征在于：所述的步骤1)具体为：
1.1)提取图像高频成分，利用高斯算子对原图像高斯滤波，用原图像减去高斯滤波的结果得到图像高频成分，再在原图像上加上图像高频成分的倍数，实现图像锐化，得到锐化图像；
1.2)对锐化图像进行形态学顶帽处理：根据预设的潜在缺陷大小，设置与潜在缺陷大小相同的圆形结构体，用圆形结构体对锐化灰度图像进行开运算，再用锐化图像减去开运算之后的图像，获得顶帽运算结果图像。
3.根据权利要求1所述的基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法，其特征在于：所述的步骤2)具体为：
2.1)边缘检测采用Canny边缘检测方法，先用带有标准偏差的高斯滤波器平滑图像处理，然后提取梯度方向上梯度强度局部最大的点为边缘点，在边缘点形成的脊中，提取脊的顶部，对脊像素做阈值处理，获得图像边缘，结果为二值图，获得背景部分和边缘部分；
2.2)将背景部分分割连通域，以四连通区域为一个连通域，按顺序进行编号；
2.3)遍历每个连通域，求取每个连通域的面积，取面积在0.2A～1.2A范围内的连通域作为候选的缺陷可能区域，其中A为预设潜在缺陷大小。
4.根据权利要求1所述的基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法，其特征在于：所述的步骤3)具体为：
3.1)针对每个缺陷可能区域在原X射线图像上截取建立一个矩形的感兴趣区域，感兴趣区域的中心为缺陷可能区域的几何中心，感兴趣区域的长为感兴趣区域沿x轴方向最大尺寸的两倍，感兴趣区域的宽设为感兴趣区域沿y轴方向最大尺寸的两倍，并将感兴趣区域的尺寸调整为32×32像素；
3.2)经过感兴趣区域的中心建立八个方向，八个方向分别为与图像x轴或者y轴的正方向呈22.5°×k角度的八个直线所在方向，k取0,1,2,3,4,5,6,7；
3.3)提取感兴趣区域在各方向直线上各个像素点的灰度信息，从八个方向中选取两端点灰度相差最小的方向及与其垂直的方向，分别作为第一纵横线和第二纵横线，将沿第一纵横线和第二纵横线上感兴趣区域各个像素点的灰度信息构建获得第一灰度向量P1和第二灰度向量P2。
5.根据权利要求1所述的基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法，其特征在于：所述的步骤4)具体为：
4.1)采用以下方式针对第一灰度向量P1处理获得第一灰度值：
绘制第一纵横线的灰度-坐标图，获得第一纵横线所在方向灰度的变化斜率，表达式如下：
<mrow> <msub> <mi>k</mi> <mn>0</mn> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>P</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mn>32</mn> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>P</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> <mrow> <mn>32</mn> <mo>-</mo> <mn>1</mn> </mrow> </mfrac> </mrow>
式中，P1(32)和P1(1)分别为第一纵横线的灰度-坐标图中坐标最大和最小点对应的灰度值，k0表示第一纵横线的灰度-坐标图中坐标最大和最小点连线的斜率；
然后采用以下公式针对感兴趣区域中第一纵横线上的像素点进行计算获得各点的第一灰度值：
Q1(i)＝P1(i)-P1(1)-k0*(i-1)
式中，Q1(i)为第一纵横线的灰度-坐标图中第i个点消除背景灰度影响后的灰度值，作为第一灰度值，P1(i)表示第一纵横线的灰度-坐标图中第i个点的灰度值，i表示灰度-坐标图中点的序号，i取1至32的整数；
4.2)采用以下方式针对第一灰度向量P1和第二灰度向量P2处理获得第二灰度值：
取第一灰度向量P1中的第5至28个元组成第一背景向量PP1，取第二灰度向量P2中的第5至28个元素组成第二背景向量PP2，绘制第一背景向量PP1和第二背景向量PP2的灰度-坐标图，对第一背景向量PP1和第二背景向量PP2采用以下公式计算处理，求得各自的斜率k1和k2，表达式如下：
<mrow> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>PP</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mn>24</mn> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>PP</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> <mrow> <mn>24</mn> <mo>-</mo> <mn>1</mn> </mrow> </mfrac> </mrow>
<mrow> <msub> <mi>k</mi> <mn>2</mn> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>PP</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mn>24</mn> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>PP</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> <mrow> <mn>24</mn> <mo>-</mo> <mn>1</mn> </mrow> </mfrac> </mrow>
式中，PP1(24)、PP1(1)和PP2(24)、PP2(1)分别为PP1和PP2灰度-坐标图中坐标最大和最小点对应的灰度值，斜率k1和k2分别表示第一背景向量PP1和第二背景向量PP2的两端点之间的斜率；
然后采用以下公式消除第一背景向量PP1和第二背景向量PP2背景影响，获得各点的第二灰度值和第三灰度值，表达式如下：
Q2(i)＝PP1(i)-PP1(1)-k1*(i-1)
Q3(i)＝PP2(i)-PP2(1)-k2*(i-1)
式中，PP1(i)表示第一背景向量PP1的灰度-坐标图中第i个坐标点的灰度值，Q2(i)为第一背景向量PP1的灰度-坐标图中第i个坐标点消除背景灰度影响后的灰度值，作为第二灰度值；PP2(i)表示第二背景向量PP2的灰度-坐标图中第i个坐标点的灰度值，Q3(i)为第二背景向量PP2的灰度-坐标图中第i个坐标点消除背景灰度影响后的灰度值，作为第三灰度值，i取1至24的整数；
4.3)提取轮廓特征
计算获得两条纵横线的轮廓特征，轮廓特征包括将所有第一灰度值Q0(i)经快速傅里叶变换(FFT)得到的一次谐波幅值F0、将所有第二灰度值Q2(i)经快速傅里叶变换(FFT)一次谐波幅值F1和将所有第三灰度值Q3(i)经快速傅里叶变换(FFT)一次谐波幅值F2；
然后利用一次谐波幅值F1和一次谐波幅值F2采用以下公式计算求得所有第二灰度值Q2(i)和所有第三灰度值Q3(i)的一次谐波幅值之间的相似度数S0，表达式如下：
<mrow> <mi>S</mi> <mn>0</mn> <mo>=</mo> <mfrac> <mrow> <mo>|</mo> <mi>F</mi> <mn>2</mn> <mo>-</mo> <mi>F</mi> <mn>1</mn> <mo>|</mo> </mrow> <mrow> <mi>F</mi> <mn>1</mn> </mrow> </mfrac> </mrow>
式中，F1和F2分别为所有第二灰度值Q2(i)和所有第三灰度值Q3(i)的快速傅里叶变换一次谐波幅值；
4.3)然后根据幅值F0和相似度数S0各自的上下限预设阈值判断获得感兴趣区域是否为真实缺陷的结果：
若幅值F0和相似度数S0均在各自的上限预设阈值和下限预设阈值之间，则感兴趣区域为真实缺陷；否则感兴趣区域不为真实缺陷。
CN201711158439.7A 2017-11-20 2017-11-20 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 Active CN107808378B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711158439.7A CN107808378B (zh) 2017-11-20 2017-11-20 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711158439.7A CN107808378B (zh) 2017-11-20 2017-11-20 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法

Publications (2)

Publication Number Publication Date
CN107808378A true CN107808378A (zh) 2018-03-16
CN107808378B CN107808378B (zh) 2020-08-25

Family

ID=61589689

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711158439.7A Active CN107808378B (zh) 2017-11-20 2017-11-20 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法

Country Status (1)

Country Link
CN (1) CN107808378B (zh)

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108520274A (zh) * 2018-03-27 2018-09-11 天津大学 基于图像处理及神经网络分类的高反光表面缺陷检测方法
CN109035236A (zh) * 2018-07-27 2018-12-18 深圳市闿思科技有限公司 铸件毛边检测方法及装置
CN109816652A (zh) * 2019-01-25 2019-05-28 湖州云通科技有限公司 一种基于灰度显著性的复杂铸件缺陷识别方法
CN109949291A (zh) * 2019-03-19 2019-06-28 苏州润智和智能科技有限公司 一种汽车铸铝件x射线图像的缺陷检测方法
CN110148149A (zh) * 2019-05-20 2019-08-20 哈尔滨工业大学（威海） 基于局部对比度累积的水中航行器热尾迹分割方法
CN110211112A (zh) * 2019-05-31 2019-09-06 华中科技大学 一种基于过滤选择性搜索的铸缺陷检测方法
CN110264414A (zh) * 2019-05-23 2019-09-20 南京巨鲨显示科技有限公司 一种用于医用显示器的局部图像锐化装置
CN110687130A (zh) * 2019-09-27 2020-01-14 天津大学 微细孔内壁缺陷自动检测方法
CN110751604A (zh) * 2019-09-30 2020-02-04 佛山科学技术学院 一种基于机器视觉的钢管焊缝缺陷在线检测方法
CN110942437A (zh) * 2019-11-29 2020-03-31 石家庄铁道大学 基于Otsu-SSIM的自适应顶帽变换方法
CN111758024A (zh) * 2018-12-27 2020-10-09 深圳配天智能技术研究院有限公司 一种缺陷检测方法及装置
CN111882537A (zh) * 2020-07-28 2020-11-03 研祥智能科技股份有限公司 视觉检测方法及系统
CN112381759A (zh) * 2020-10-10 2021-02-19 华南理工大学 基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法
CN112381772A (zh) * 2020-11-05 2021-02-19 南方医科大学 一种基于深度卷积神经网络的侧位胸片骨抑制方法
CN112819745A (zh) * 2019-10-31 2021-05-18 合肥美亚光电技术股份有限公司 坚果籽仁中心虫蚀缺陷检测方法及装置
CN113096073A (zh) * 2021-03-19 2021-07-09 浙江华睿科技有限公司 化纤丝锭表面平整度检测方法及装置
CN113505811A (zh) * 2021-06-10 2021-10-15 常州理工科技股份有限公司 一种轮毂生产用机器视觉成像方法
CN113702408A (zh) * 2021-09-18 2021-11-26 中国航空制造技术研究院 变厚度碳化硅纤维复合材料x射线检测方法
CN113763266A (zh) * 2021-08-11 2021-12-07 浙江大学 一种基于图像处理的蜜柚纵剖与横剖皮厚测量方法
CN113920122A (zh) * 2021-12-15 2022-01-11 山东鹰联光电科技股份有限公司 一种基于人工智能的电缆缺陷检测方法及系统
CN115018833A (zh) * 2022-08-05 2022-09-06 山东鲁芯之光半导体制造有限公司 一种半导体器件的加工缺陷检测方法
CN115115624A (zh) * 2022-08-25 2022-09-27 江苏濠玥电子科技有限公司 一种电缆桥架的防腐涂层滚轧损伤检测方法
CN115797361A (zh) * 2023-02-13 2023-03-14 山东淼泰建筑科技有限公司 一种铝模板表面缺陷检测方法
CN115953459A (zh) * 2023-03-10 2023-04-11 齐鲁工业大学(山东省科学院) 一种复杂光照条件下的激光条纹中心线提取方法
CN116703903A (zh) * 2023-08-04 2023-09-05 山东济宁运河煤矿有限责任公司 一种基于机器视觉的锚杆修复质量检测方法
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 (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101246551A (zh) * 2008-03-07 2008-08-20 北京航空航天大学 一种快速的车牌定位方法
US20110261189A1 (en) * 2010-04-26 2011-10-27 Olympus Corporation Inspection apparatus and defect detection method using the same
CN103473761A (zh) * 2013-08-16 2013-12-25 西安理工大学 基于双目线阵ccd的汽车底盘三维高程确定方法
CN105510344A (zh) * 2015-11-24 2016-04-20 昆明理工大学 一种区域内输电铁塔新增裂纹检测方法
CN105869135A (zh) * 2015-01-19 2016-08-17 青岛软控机电工程有限公司 轮胎缺陷的检测方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101246551A (zh) * 2008-03-07 2008-08-20 北京航空航天大学 一种快速的车牌定位方法
US20110261189A1 (en) * 2010-04-26 2011-10-27 Olympus Corporation Inspection apparatus and defect detection method using the same
CN103473761A (zh) * 2013-08-16 2013-12-25 西安理工大学 基于双目线阵ccd的汽车底盘三维高程确定方法
CN105869135A (zh) * 2015-01-19 2016-08-17 青岛软控机电工程有限公司 轮胎缺陷的检测方法和装置
CN105510344A (zh) * 2015-11-24 2016-04-20 昆明理工大学 一种区域内输电铁塔新增裂纹检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘宏贵: "《轮胎X射线图像缺陷检测算法研究》", 《传感器世界》 *

Cited By (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108520274A (zh) * 2018-03-27 2018-09-11 天津大学 基于图像处理及神经网络分类的高反光表面缺陷检测方法
CN108520274B (zh) * 2018-03-27 2022-03-11 天津大学 基于图像处理及神经网络分类的高反光表面缺陷检测方法
CN109035236A (zh) * 2018-07-27 2018-12-18 深圳市闿思科技有限公司 铸件毛边检测方法及装置
CN109035236B (zh) * 2018-07-27 2024-02-23 深圳市闿思科技有限公司 铸件毛边检测方法及装置
CN111758024A (zh) * 2018-12-27 2020-10-09 深圳配天智能技术研究院有限公司 一种缺陷检测方法及装置
CN111758024B (zh) * 2018-12-27 2023-03-21 深圳配天智能技术研究院有限公司 一种缺陷检测方法及装置
CN109816652A (zh) * 2019-01-25 2019-05-28 湖州云通科技有限公司 一种基于灰度显著性的复杂铸件缺陷识别方法
CN109816652B (zh) * 2019-01-25 2022-08-12 湖州云通科技有限公司 一种基于灰度显著性的复杂铸件缺陷识别方法
CN109949291A (zh) * 2019-03-19 2019-06-28 苏州润智和智能科技有限公司 一种汽车铸铝件x射线图像的缺陷检测方法
CN110148149B (zh) * 2019-05-20 2024-01-30 哈尔滨工业大学（威海） 基于局部对比度累积的水中航行器热尾迹分割方法
CN110148149A (zh) * 2019-05-20 2019-08-20 哈尔滨工业大学（威海） 基于局部对比度累积的水中航行器热尾迹分割方法
CN110264414A (zh) * 2019-05-23 2019-09-20 南京巨鲨显示科技有限公司 一种用于医用显示器的局部图像锐化装置
CN110211112A (zh) * 2019-05-31 2019-09-06 华中科技大学 一种基于过滤选择性搜索的铸缺陷检测方法
CN110687130A (zh) * 2019-09-27 2020-01-14 天津大学 微细孔内壁缺陷自动检测方法
CN110751604A (zh) * 2019-09-30 2020-02-04 佛山科学技术学院 一种基于机器视觉的钢管焊缝缺陷在线检测方法
CN110751604B (zh) * 2019-09-30 2023-04-25 佛山科学技术学院 一种基于机器视觉的钢管焊缝缺陷在线检测方法
CN112819745A (zh) * 2019-10-31 2021-05-18 合肥美亚光电技术股份有限公司 坚果籽仁中心虫蚀缺陷检测方法及装置
CN110942437B (zh) * 2019-11-29 2022-11-08 石家庄铁道大学 基于Otsu-SSIM的自适应顶帽变换方法
CN110942437A (zh) * 2019-11-29 2020-03-31 石家庄铁道大学 基于Otsu-SSIM的自适应顶帽变换方法
CN111882537B (zh) * 2020-07-28 2023-12-15 研祥智能科技股份有限公司 视觉检测方法及系统
CN111882537A (zh) * 2020-07-28 2020-11-03 研祥智能科技股份有限公司 视觉检测方法及系统
CN112381759A (zh) * 2020-10-10 2021-02-19 华南理工大学 基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法
CN112381759B (zh) * 2020-10-10 2022-10-14 华南理工大学 基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法
CN112381772A (zh) * 2020-11-05 2021-02-19 南方医科大学 一种基于深度卷积神经网络的侧位胸片骨抑制方法
CN113096073B (zh) * 2021-03-19 2022-10-18 浙江华睿科技股份有限公司 化纤丝锭表面平整度检测方法及装置
CN113096073A (zh) * 2021-03-19 2021-07-09 浙江华睿科技有限公司 化纤丝锭表面平整度检测方法及装置
CN113505811A (zh) * 2021-06-10 2021-10-15 常州理工科技股份有限公司 一种轮毂生产用机器视觉成像方法
CN113763266A (zh) * 2021-08-11 2021-12-07 浙江大学 一种基于图像处理的蜜柚纵剖与横剖皮厚测量方法
CN113763266B (zh) * 2021-08-11 2023-11-17 浙江大学 一种基于图像处理的蜜柚纵剖与横剖皮厚测量方法
CN113702408A (zh) * 2021-09-18 2021-11-26 中国航空制造技术研究院 变厚度碳化硅纤维复合材料x射线检测方法
CN113702408B (zh) * 2021-09-18 2024-04-09 中国航空制造技术研究院 变厚度碳化硅纤维复合材料x射线检测方法
CN113920122A (zh) * 2021-12-15 2022-01-11 山东鹰联光电科技股份有限公司 一种基于人工智能的电缆缺陷检测方法及系统
CN115018833A (zh) * 2022-08-05 2022-09-06 山东鲁芯之光半导体制造有限公司 一种半导体器件的加工缺陷检测方法
CN115018833B (zh) * 2022-08-05 2022-11-04 山东鲁芯之光半导体制造有限公司 一种半导体器件的加工缺陷检测方法
CN115115624A (zh) * 2022-08-25 2022-09-27 江苏濠玥电子科技有限公司 一种电缆桥架的防腐涂层滚轧损伤检测方法
CN115797361A (zh) * 2023-02-13 2023-03-14 山东淼泰建筑科技有限公司 一种铝模板表面缺陷检测方法
CN115953459A (zh) * 2023-03-10 2023-04-11 齐鲁工业大学(山东省科学院) 一种复杂光照条件下的激光条纹中心线提取方法
CN116703903B (zh) * 2023-08-04 2023-10-20 山东济宁运河煤矿有限责任公司 一种基于机器视觉的锚杆修复质量检测方法
CN116703903A (zh) * 2023-08-04 2023-09-05 山东济宁运河煤矿有限责任公司 一种基于机器视觉的锚杆修复质量检测方法
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
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

Also Published As

Publication number Publication date
CN107808378B (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN107808378A (zh) 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法
CN103871053B (zh) 一种基于视觉显著性的布匹瑕疵检测方法
CN102842136B (zh) 一种综合血管分布和视盘外观特性的视盘投影定位方法
CN108648168A (zh) Ic晶圆表面缺陷检测方法
CN107292310B (zh) 一种圆形指针式表盘视觉定位及自动读数方法
CN109800824A (zh) 一种基于计算机视觉与机器学习的管道缺陷识别方法
CN107240096A (zh) 一种红外与可见光图像融合质量评价方法
CN109816652A (zh) 一种基于灰度显著性的复杂铸件缺陷识别方法
CN103440644B (zh) 一种基于最小描述长度的多尺度图像弱边缘检测方法
CN105913415A (zh) 一种具有广泛适应性的图像亚像素边缘提取方法
CN107220649A (zh) 一种素色布匹缺陷检测和分类方法
CN105825169B (zh) 一种基于道路影像的路面裂缝识别方法
CN106530281A (zh) 基于边缘特征的无人机图像模糊判断方法及系统
CN106228161A (zh) 一种指针式表盘自动读数方法
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
CN109191387A (zh) 一种基于巴特沃斯滤波器的红外图像去噪方法
CN105741281B (zh) 基于邻域离散度的图像边缘检测方法
CN105225216A (zh) 基于空间距圆标记边缘检测的虹膜预处理算法
CN114119462A (zh) 一种基于深度学习的锂电池电芯铝壳蓝膜外观检测算法
CN104778684A (zh) 钢材表面异质型缺陷的自动测量、表征分类方法及其系统
CN104424641A (zh) 一种关于图像模糊篡改检测的方法
CN103226829A (zh) 基于边缘增强算子的图像边缘检测方法
CN107644417A (zh) 应变片外观缺损检测方法
CN116704516B (zh) 一种用于水溶肥料包装的视觉检测方法
CN105787912A (zh) 一种基于分类的阶跃型边缘亚像素定位方法

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
GR01 Patent grant
GR01 Patent grant