CN108416794A - 一种泡沫镍表面缺陷图像分割方法 - Google Patents
一种泡沫镍表面缺陷图像分割方法 Download PDFInfo
- Publication number
- CN108416794A CN108416794A CN201810232336.9A CN201810232336A CN108416794A CN 108416794 A CN108416794 A CN 108416794A CN 201810232336 A CN201810232336 A CN 201810232336A CN 108416794 A CN108416794 A CN 108416794A
- Authority
- CN
- China
- Prior art keywords
- image
- nickel foam
- surface defect
- foam surface
- 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
Links
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 title claims abstract description 110
- 229910052759 nickel Inorganic materials 0.000 title claims abstract description 55
- 230000007547 defect Effects 0.000 title claims abstract description 45
- 239000006260 foam Substances 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000003709 image segmentation Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000000717 retained effect Effects 0.000 claims 1
- 230000011218 segmentation Effects 0.000 abstract description 6
- 238000000638 solvent extraction Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 238000007747 plating Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000005240 physical vapour deposition Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20052—Discrete cosine transform [DCT]
-
- 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
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种泡沫镍表面缺陷图像分割方法。本发明步骤：首先获取泡沫镍图像，对所获图像进行定向滤波预处理得到一幅新图像；然后，在此新图像上利用PCNN分割算法进行图像分割，获得泡沫镍表面缺陷区域。本发明提出的方法分割效果好，可实现泡沫镍表面缺陷与背景的有效分离。
Description
技术领域
本发明的公开实施例涉及检测技术，更具体而言，涉及一种用于泡沫镍表面缺陷的检测方法。
背景技术
泡沫镍是通过对镍金属进行一系列物理化学加工后得到的一种新型功能材料，作为车用电池的基材，泡沫镍对电池性能的影响极大。泡沫镍表面呈银灰色，有金属光泽，形态类似于金属海绵，质量上要求表面平整、无划伤、无裂纹、无破损、无油污和无氧化。然而，在泡沫镍制备过程中，由于原料、加工工艺(PVD、电镀、烧结等)等方面因素，导致泡沫镍表面出现污染、压痕、折痕、镍皮、裂纹、划线和漏镀等多种不同类型的缺陷，这些缺陷严重影响最终成品的性能和质量。
目前对泡沫镍表面缺陷的检测和识别主要采用人工检测手段，即在制备过程中操作人员通过肉眼观察传送带上的泡沫镍，凭经验对泡沫镍的缺陷进行人工判决，进而进行相应的手动处理。该方式存在劳动强度大，效率低，主观性强和检错率高。由于质量检测分析滞后，也难以有效在线优化泡沫镍的生产过程。采用机器视觉技术对获取的图像进行图像处理与分析，将缺陷从背景中分割出来是实现泡沫镍缺陷自动检测的前提。
在液体医药、钢轨、玻璃、LCD面板等产品的缺陷图像分割中，它们的背景中灰度基本一致，只是[0,255]区间中的局部区域，因此对图像直接分割即可将缺陷与背景分离出来，且缺陷在背景中呈现一些孤立的封闭区域。而在泡沫镍图像中，泡沫镍缺陷图像对比度低、无固定形状和纹理特征、光源在表面照明不均匀，特别是泡沫镍表面结构为三围网状交织等原因，灰度的变化范围覆盖了[0,255]整个灰度区间。而缺陷中，边裂、缺口和孔洞缺陷表现为低灰度，镍皮和阳泥极缺陷表现为较高的灰度，也基本涵盖了[0,255]整个灰度区间。因此，直接对获取的泡沫镍图像应用传统的分割算法，很难将缺陷与背景分离。
发明内容
本发明主要解决的技术问题是泡沫镍表面缺陷检测的图像分割方法，以期解决现有生产过程中的问题，快速定位出泡沫镍上的缺陷，将缺陷与背景分离，为泡沫镍表面缺陷的自动检测奠定基础。
为了解决上述技术问题，本发明提出了一种泡沫镍表面缺陷图像分割方法。该方法包括：获取泡沫镍的表面图像I，并对该表面图像进行定向滤波预处理，即对所获图像做二维离散余弦变换(DCT)，将图像从空间域转换到频率域，将高频系数去掉，剩下低频部分；通过对只保留低频系数的DCT矩阵做反变换，恢复出包含低灰度值和低梯度值的图像I1；将图像I1与原始图像进行差分，得到包含镍纹、镍皮、阳泥极缺陷所在位置信息的图像I2；利用图像I2的位置信息，对图像I选择性均值滤波后得到图像I3；最后，利用PCNN算法对图像I3进行分割，将背景与缺陷分离。
本发明的有益效果是：在获取到泡沫镍的表面图像时，通过先对其进行预处理，即对镍纹所在区域定向滤波，形成一幅新的图像，克服了图像背景中固有的镍纹对缺陷分割的影响，有效地分离了背景与缺陷。
附图说明
图1为本发明的流程图；
图2为本发明的定向滤波预处理步骤图；
图3为本发明的实施例图，具体：图3(a)为表面有镍皮缺陷的泡沫镍原始图像、图3(b)为IDCT变换后图像、图3(c)为差分后图像、图3(d)为选择性均值滤波后图像、图3(e)为PCNN算法分割后图像。
具体实施方式
以表面有镍皮缺陷的泡沫镍为检测对象，获取泡沫镍表面图像，图像分辨率1080×720可满足检测要求，结合图1该方法具体步骤如下：
步骤一：获取泡沫镍的表面图像，并将该表面图像进行定向滤波预处理，结合图2，预处理过程如下：
1)所获取泡沫镍的表面图像I(i,j)，如图3(a)所示，可见图像表面缺陷与背景融合，难以直接提取缺陷，对图像做二维离散余弦变换(DCT):
式中，
将图像从空间域转换到频率域，图像被分为低频区域和高频区域；
2)去高频成分:
此处，T1为阈值，取400-500间的数；
3)二维逆离散余弦变换(IDCT)：对只保留低频系数的DCT矩阵F1(u,v)做反变换，恢复出包含低灰度值和低梯度值的图像I1(i,j)：
式中，
图像I1(i,j)如图3(b)所示；
4)原始图像I(i,j)与图像I1(i,j)相减，得到包含镍皮缺陷所在位置信息的图像I2(i,j)，图像中大部分区域的灰度值为0，镍皮缺陷所在位置对应高灰度值:
I2(i,j)＝|I(i,j)-I1(i,j)|，
差分处理结果如图3(c)所示；
5)对I2(i,j)逐行逐列遍历，当图像I2(i,j)中某坐标(x,y)处的值大于0时，即若I2(x,y)>0，则计算图像I(i,j)对坐标(x,y)的像素采用窗口大小为7×7的滤波器模板(DF)求均值，并以该均值取代原始图像I(i,j)坐标(x,y)处的灰度值，所定义的滤波器模板如下：
原始图像I(i,j)的经定向滤波器滤波后的图像为I3(i,j)，I3(x,y)由DF滤波后的结果为：
即，对坐标(x,y)像素为中心7×7邻域的均值：
I(x,y)＝(I(x-3,y-3)+I(x-2,y-3)+I(x-1,y-3)+I(x,y-3)+I(x+1,y-3)+I(x+2,y-3)+I(x+3,y-3)+I(x-3,y-2)+I(x+3,y-2)+I(x-3,y-1)+I(x+3,y-1)+I(x-3,y)+I(x+3,y)+I(x-3,y+1)+I(x+3,y+1)+I(x-3,y+2)+I(x+3,y+2)+I(x-3,y+3)+I(x-2,y+3)+I(x-1,y+3)+I(x,y+3)+I(x+1,y+3)+I(x+2,y+3)+I(x+3,y+3))/24，
并将该均值作为I(i,j)中坐标(x,y)处的值，否则，I(i,j)中坐标(x,y)处的值保持不变，
选择性均值滤波后得到图像结果如图3(d)所示。
步骤二：进行图像分割，识别出泡沫镍表面缺陷：利用PCNN算法对图像I3(i,j)进行分割，其中，连接系数β和权值矩阵Wijkl是影响图像分割效果的关键因素，本发明中连接系数β确定方法如下：
式中，I3(i,j)为待处理整幅图像，M为当前像素所选择的邻域大小，N为邻域内所有像素的数量；本发明采用邻域神经元与当前神经元的欧几里得距离平方和的平方根倒数计算权值矩阵Wijkl：
分割结果如图3(e)所示，缺陷清晰地展现出来，本次检测过程得到泡沫镍表面镍皮缺陷数值大小为23169像素。
通过上述实施例的实施，在获取到泡沫镍的表面图像时，通过先对其进行定向滤波预处理，再对预处理之后的图像进行分割，快速定位泡沫镍表面上的缺陷位置，准确获取泡沫镍上缺陷的特征，为后续处理提供有利依据。所属领域的技术人员易知，可在保持本发明的教示内容的同时对装置及方法做出诸多修改及变动。因此，以上公开内容应被视为仅受随附权利要求书的范围的限制。
Claims (3)
1.一种泡沫镍表面缺陷图像分割方法，其特征在于，该方法包括以下步骤：
步骤一：获取泡沫镍的表面图像I(i,j)，并对该表面图像进行定向滤波预处理：
1)对原始图像I(i,j)做二维离散余弦变换(DCT)，将图像从空间域转换到频率域:
式中，
2)去高频成分，保留图像低灰度值和低梯度值部分的信息:
式中，T1为阈值；
3)对F1(u,v)做二维离散余弦反变换(IDCT)，恢复出只包含低灰度值和低梯度值的图像I1(i,j)：
式中，
4)将原始图像I(i,j)与处理后图像I1(i,j)相减:
I2(i,j)＝|I(i,j)-I1(i,j)|；
5)对图像I2(i,j)从上到下从左到右逐点扫描，当坐标(x,y)处的灰度值大于0时，原始图像I(i,j)中以坐标(x,y)为中心，采用窗口大小为l×l的滤波器模板(DF)求均值，并以该均值取代原始图像I(i,j)坐标(x,y)处的灰度值，记原始图像I(i,j)经定向滤波器滤波后的图像为I3(i,j)：
步骤二：进行图像分割，得到泡沫镍表面缺陷所在区域。
2.根据权利要求1所述的用于泡沫镍表面缺陷图像分割方法，其特征在于，进行定向滤波预处理时，窗口大小l的取值为5或7；当l＝5时，其滤波器模板(DF)定义为：
当l＝7时，其滤波器模板(DF)定义为：
3.根据权利要求1所述的用于泡沫镍表面缺陷图像分割方法，其特征在于，进行图像分割，得到泡沫镍表面缺陷区域的过程为：利用PCNN算法对预处理后所得图像进行分割，得到背景区域与缺陷区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810232336.9A CN108416794A (zh) | 2018-03-21 | 2018-03-21 | 一种泡沫镍表面缺陷图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810232336.9A CN108416794A (zh) | 2018-03-21 | 2018-03-21 | 一种泡沫镍表面缺陷图像分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108416794A true CN108416794A (zh) | 2018-08-17 |
Family
ID=63132960
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810232336.9A Pending CN108416794A (zh) | 2018-03-21 | 2018-03-21 | 一种泡沫镍表面缺陷图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108416794A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472783A (zh) * | 2018-10-31 | 2019-03-15 | 湘潭大学 | 一种泡沫镍表面缺陷提取及分类方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1757237A (zh) * | 2003-03-03 | 2006-04-05 | 皇家飞利浦电子股份有限公司 | 视频编码 |
| CN102507592A (zh) * | 2011-11-01 | 2012-06-20 | 河海大学常州校区 | 表面缺陷仿蝇视觉在线检测装置及检测方法 |
| CN105954750A (zh) * | 2016-04-29 | 2016-09-21 | 清华大学 | 基于压缩感知的条带式合成孔径雷达非稀疏场景成像方法 |
| CN106488083A (zh) * | 2015-08-25 | 2017-03-08 | 卡普索影像股份有限公司 | 用于补偿显示装置中的制造差异和设计缺陷的方法 |
| CN106651856A (zh) * | 2016-12-31 | 2017-05-10 | 湖南文理学院 | 一种泡沫镍表面缺陷的检测方法 |
| CN107592519A (zh) * | 2017-09-30 | 2018-01-16 | 南阳师范学院 | 一种维度变换空间下基于定向滤波的深度图预处理方法 |
-
2018
- 2018-03-21 CN CN201810232336.9A patent/CN108416794A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1757237A (zh) * | 2003-03-03 | 2006-04-05 | 皇家飞利浦电子股份有限公司 | 视频编码 |
| CN102507592A (zh) * | 2011-11-01 | 2012-06-20 | 河海大学常州校区 | 表面缺陷仿蝇视觉在线检测装置及检测方法 |
| CN106488083A (zh) * | 2015-08-25 | 2017-03-08 | 卡普索影像股份有限公司 | 用于补偿显示装置中的制造差异和设计缺陷的方法 |
| CN105954750A (zh) * | 2016-04-29 | 2016-09-21 | 清华大学 | 基于压缩感知的条带式合成孔径雷达非稀疏场景成像方法 |
| CN106651856A (zh) * | 2016-12-31 | 2017-05-10 | 湖南文理学院 | 一种泡沫镍表面缺陷的检测方法 |
| CN107592519A (zh) * | 2017-09-30 | 2018-01-16 | 南阳师范学院 | 一种维度变换空间下基于定向滤波的深度图预处理方法 |
Non-Patent Citations (4)
| Title |
|---|
| LI, JIANQI等: ""Research on Selective filtering and PCNN for Nickel Foam Surface Defect Segmentation"", 《IFAC-PAPERSONLINE》 * |
| 王兰 等: ""基于数字图像的光学元件表面缺陷检测"", 《激光杂志》 * |
| 葛恒赫: ""基于机器视觉的外螺纹表面缺陷检测技术研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 陈铁健: ""智能制造装备机器视觉检测识别关键技术及应用研究"", 《万方学术论文在线平台WWW.WANFANGDATA.COM.CN/》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472783A (zh) * | 2018-10-31 | 2019-03-15 | 湘潭大学 | 一种泡沫镍表面缺陷提取及分类方法 |
| CN109472783B (zh) * | 2018-10-31 | 2021-10-01 | 湘潭大学 | 一种泡沫镍表面缺陷提取及分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106056118B (zh) | 一种用于细胞的识别计数方法 | |
| CN106023134B (zh) | 一种钢材晶粒的自动晶界提取方法 | |
| CN108765412A (zh) | 一种带钢表面缺陷分类方法 | |
| CN109187581A (zh) | 基于视觉的成品轴承端面缺陷检测方法 | |
| CN108648168A (zh) | Ic晶圆表面缺陷检测方法 | |
| CN108460757A (zh) | 一种手机TFT-LCD屏Mura缺陷在线自动检测方法 | |
| CN104050446B (zh) | 一种基于指针宽度特征的仪表指针图像识别方法 | |
| CN109001212A (zh) | 一种基于机器视觉的不锈钢汤勺缺陷检测方法 | |
| CN106446905B (zh) | 渗透算法和自适应Canny算法相融合的表面裂纹纹理的提取方法 | |
| CN108596880A (zh) | 基于图像处理的焊接缺陷特征提取与焊接质量分析方法 | |
| CN105894513B (zh) | 顾及影像对象时空变化的遥感影像变化检测方法及系统 | |
| CN110348461A (zh) | 一种工件表面缺陷特征提取方法 | |
| CN112184648A (zh) | 一种基于深度学习的活塞表面缺陷检测方法及系统 | |
| CN112288734A (zh) | 一种基于图像处理的印花织物表面缺陷检测方法 | |
| CN103729856B (zh) | 一种利用s变换信号提取的布匹疵点检测方法 | |
| CN108181316A (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
| CN105973904A (zh) | 一种基于图像背景概率图的食用油杂质检测方法 | |
| CN108171742A (zh) | 一种基于灰度梯度特征实现碳纤维复合材料表面形貌三维评定的方法 | |
| CN108288279A (zh) | 一种基于x光图像前景目标提取的物品甄别方法 | |
| CN109658391A (zh) | 一种基于轮廓归并和凸包拟合的圆半径测量方法 | |
| CN105225216A (zh) | 基于空间距圆标记边缘检测的虹膜预处理算法 | |
| CN112734761A (zh) | 工业品图像边界轮廓提取方法 | |
| CN110348459A (zh) | 基于多尺度快速地毯覆盖法声呐图像分形特征提取方法 | |
| CN112489042A (zh) | 基于超分辨重建的金属品印刷缺陷与表面损伤的检测方法 | |
| Yang et al. | Vial bottle mouth defect detection based on machine vision |
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: 20180817 |