CN108802042B - 一种陶瓷催化剂载体缺陷检测方法、装置及电子设备 - Google Patents

一种陶瓷催化剂载体缺陷检测方法、装置及电子设备 Download PDF

Info

Publication number
CN108802042B
CN108802042B CN201810319691.XA CN201810319691A CN108802042B CN 108802042 B CN108802042 B CN 108802042B CN 201810319691 A CN201810319691 A CN 201810319691A CN 108802042 B CN108802042 B CN 108802042B
Authority
CN
China
Prior art keywords
carrier
image
mesh
face image
side length
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.)
Active
Application number
CN201810319691.XA
Other languages
English (en)
Other versions
CN108802042A (zh
Inventor
杨浩
李红兵
秦可勇
高晖
张�浩
徐旺祥
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.)
Jiangsu Ares Intelligent Equipment Co ltd
Original Assignee
Jiangsu Ares Intelligent Equipment Co ltd
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 Jiangsu Ares Intelligent Equipment Co ltd filed Critical Jiangsu Ares Intelligent Equipment Co ltd
Priority to CN201810319691.XA priority Critical patent/CN108802042B/zh
Publication of CN108802042A publication Critical patent/CN108802042A/zh
Application granted granted Critical
Publication of CN108802042B publication Critical patent/CN108802042B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8874—Taking dimensions of defect into account
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/20036—Morphological image processing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Catalysts (AREA)

Abstract

本发明实施例公开了一种陶瓷催化剂载体缺陷检测方法、装置及电子设备，所述方法包括：获取载体端面图像；基于所述载体端面图像确定载体网孔的倾斜角度；根据所述倾斜角度对所述载体端面图像进行修正；通过修正后的载体端面图像计算载体网孔的边长；基于载体网孔的边长判定载体网孔的缺陷类型。通过采用上述技术方案，实现了陶瓷催化剂载体缺陷的自动化检测，成本低、检测效率高、稳定性强，有利于提高陶瓷催化剂载体的生产效率以及产品质量。

Description

一种陶瓷催化剂载体缺陷检测方法、装置及电子设备
技术领域
本发明实施例涉及陶瓷催化剂载体技术领域，尤其涉及一种陶瓷催化剂载体缺陷检测方法、装置及电子设备。
背景技术
随着汽车尾气污染的日益严重，我国近年来也开始重视汽车尾气的排放问题。陶瓷催化剂载体是汽车尾气净化装置中的核心部件，用于吸附尾气净化催化剂以净化汽车尾气。催化剂载体能使制成的净化催化剂具有合适的形状、尺寸和机械强度，以符合工业反应器的操作要求。陶瓷催化剂载体可使活性组分分散在其表面上，获得较高的比表面积，提高单位质量活性组分的催化效率。
但是，目前的陶瓷催化剂载体生产商主要通过人工目视检测的方式来识别载体的缺陷。该缺陷检测方法成本高、效率低、稳定性差，容易受到检测人员主观性的影响。
发明内容
为解决相关技术问题，本发明提供一种陶瓷催化剂载体缺陷检测方法、装置及电子设备，通过所述方法可实现陶瓷催化剂载体缺陷的自动化检测，且成本低、检测效率高、稳定性强，有利于提高陶瓷催化剂载体的生产效率以及产品质量。
为实现上述目的，本发明实施例采用如下技术方案：
第一方面，本发明实施例提供了一种陶瓷催化剂载体缺陷检测方法，所述方法包括：
获取载体端面图像；
基于所述载体端面图像确定载体网孔的倾斜角度；
根据所述倾斜角度对所述载体端面图像进行修正；
通过修正后的载体端面图像计算载体网孔的边长；
基于载体网孔的边长判定载体网孔的缺陷类型。
可选的，所述基于所述载体端面图像确定载体网孔的倾斜角度，包括：
从所述载体端面图像中截取目标子图像；
对所述目标子图像进行离散Radon变换，得到矩阵R；
计算所述矩阵R每一列元素的方差；
确定所述方差中最大方差对应的列号；
根据所述列号以及离散Radon变换的角度步长计算载体网孔的倾斜角度。
可选的，所述根据所述倾斜角度对所述载体端面图像进行修正，包括：
将所述载体端面图像按照预设方向旋转所述倾斜角度。
可选的，所述通过修正后的载体端面图像计算载体网孔的边长，包括：
从修正后的载体端面图像中截取目标子图像，得到目标子图像矩阵S；
计算所述矩阵S每一行元素的均值，所述每一行元素的均值构成离散的均值函数；
对所述离散的均值函数进行傅里叶变换，得到复数域的复函数；
计算所述复函数的绝对值最大时对应的自变量的值；
根据所述自变量的值确定载体网孔的边长。
可选的，所述基于载体网孔的边长判定载体网孔的缺陷类型，包括：
从修正后的载体端面图像中截取边长为所述载体网孔边长的整数倍的正方形子图像；
计算所述正方形子图像中元素灰度值的上16分位数和下16分位数；
若所述上16分位数小于下限阈值，则判定载体网孔为堵塞孔；
若所述下16分位数大于上限阈值，则判定载体网孔为断裂孔。
可选的，所述基于载体网孔的边长判定载体网孔的缺陷类型，还包括：
若所述上16分位数不小于下限阈值且所述下16分位数不大于上限阈值，则对所述正方形子图像进行自适应二值化，得到二值化图像；
以所述二值化图像的中心为圆心，确定一块预设大小的圆形区域；
判定所述圆形区域内是否存在白色像素点，若否，则判定载体网孔为堵塞空；
若所述圆形区域内存在白色像素点，则以距离所述圆心最近的白色像素点为起点，基于所述圆形区域内存在的所有白色像素点标记出连通区域；
若所述连通区域与所述二值化图像的边界有接触，则判定载体网孔为断裂孔，否则为正常孔；
若所述连通区域的面积小于设定阈值，则判定载体网孔为堵塞孔，否则为正常孔。
可选的，所述方法还包括：
将一幅与所述载体端面图像大小相同的备份图像的所有像素点初始化为0；
在所述备份图像对应断裂孔的坐标处填充一个预设边长的正方形；
以预设半径对所述备份图像进行腐蚀运算，得到腐蚀运算后的图像；
对所述腐蚀运算后的图像进行连通域分析，以确定面积大于设定阈值的连通区域；
将所述面积大于设定阈值的连通区域以及对应的面积值作为载体端面裂纹的判定依据。
可选的，所述方法还包括：
将一幅与所述载体端面图像大小相同的备份图像的所有像素点初始化为0；
在所述备份图像对应正常孔的坐标处填充一个预设边长的正方形；
以预设半径对所述备份图像进行腐蚀运算，得到腐蚀运算后的图像；
计算所述腐蚀运算后的图像中填充区域的面积；
基于所述腐蚀运算后的图像中填充区域的面积以及正常孔的数量确定目数。
第二方面，本发明实施例提供了一种陶瓷催化剂载体缺陷检测装置，所述装置包括：
获取模块，用于获取载体端面图像；
倾斜角确定模块，用于基于所述载体端面图像确定载体网孔的倾斜角度；
修正模块，用于根据所述倾斜角度对所述载体端面图像进行修正；
网孔边长计算模块，用于通过修正后的载体端面图像计算载体网孔的边长；
缺陷类型判定模块，用于基于载体网孔的边长判定载体网孔的缺陷类型。
第三方面，本发明实施例提供了一种电子设备，包括第一存储器、第一处理器及存储在存储器上并可在第一处理器上运行的计算机程序，所述第一处理器执行所述计算机程序时实现如上述第一方面所述的陶瓷催化剂载体缺陷检测方法。
本发明实施例提供的陶瓷催化剂载体缺陷检测方法，通过利用机器视觉获取载体端面图像，并基于所述载体端面图像确定载体网孔的倾斜角度，然后根据所述倾斜角度对所述载体端面图像进行修正，最后通过修正后的载体端面图像计算载体网孔的边长，并基于载体网孔的边长判定载体网孔的缺陷类型的技术手段，实现了陶瓷催化剂载体缺陷的自动化检测，成本低、检测效率高、稳定性强，有利于提高陶瓷催化剂载体的生产效率以及产品质量。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据本发明实施例的内容和这些附图获得其他的附图。
图1为本发明实施例一提供的一种陶瓷催化剂载体缺陷检测方法流程示意图；
图2为本发明实施例一提供的一种基于所述载体端面图像确定载体网孔的倾斜角度的方法流程示意图；
图3为本发明实施例一提供的一种载体端面图像修正前的结构示意图；
图4为本发明实施例一提供的一种通过修正后的载体端面图像计算载体网孔的边长的方法流程示意图；
图5为本发明实施例一提供的一种各缺陷类型对应的网孔结构示意图；
图6为本发明实施例一提供的一种基于载体网孔的边长判定载体网孔的缺陷类型的方法流程示意图；
图7为本发明实施例二提供的一种陶瓷催化剂载体缺陷检测方法流程示意图；
图8为本发明实施例二提供的一种载体模型图中各种缺陷类型的孔结构示意图；
图9为本发明实施例二提供的一种目数的测量方法流程示意图；
图10为本发明实施例三提供的一种陶瓷催化剂载体缺陷检测装置结构示意图；
图11为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面将结合附图对本发明实施例的技术方案作进一步的详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
图1为本发明实施例一提供的一种陶瓷催化剂载体缺陷检测方法流程示意图。本实施例的陶瓷催化剂载体缺陷检测方法可以由陶瓷催化剂载体缺陷检测装置来执行，其中该装置可由软件和/或硬件实现。具体参见图1所示，该方法可以包括如下步骤：
110、获取载体端面图像。
具体的，可通过工业照相机，例如CCD(Charge Coupled Device，电荷耦合器件)相机对催化剂载体进行拍照获取载体端面图像。
120、基于所述载体端面图像确定载体网孔的倾斜角度。
可选的，参见图2所示的基于所述载体端面图像确定载体网孔的倾斜角度的流程示意图，具体包括如下步骤：
121、从所述载体端面图像中截取目标子图像。
具体的，以所述载体端面图像的中心为圆心，截取一块圆形子图像，该圆形子图像的半径可以为r＝4*w，其中，r表示圆形子图像的半径，w表示相邻两个载体网孔之间的间距，可根据经验大致设定。
122、对所述目标子图像进行离散Radon变换，得到矩阵R。
123、计算所述矩阵R每一列元素的方差。
具体地，矩阵R中的元素可以用R(i，j)表示，表示第i行第j列的元素，则矩阵R第j列元素的均值mean(j)为(假设每列包括n个元素,即矩阵R共有n行元素)：
Figure BDA0001624914990000071
则，方差var(j)为：
Figure BDA0001624914990000072
124、确定所述方差中最大方差对应的列号。
找出使方差var(j)取得最大值时对应的列号j，则载体网孔的倾斜角度ang＝j*step，其中，step表示离散Radon变换的角度步长。
125、根据所述列号以及离散Radon变换的角度步长计算载体网孔的倾斜角度。
为了提高算法的可靠性以及计算精度，可以从所述载体端面图像的不同位置处分别截取目标子图像，并按照上述方法求出倾斜角，最后通过投票的方式确定最终的倾斜角度，即哪个数值的倾斜角度出现的次数最多，则确定所述倾斜角度为对应的出现次数最多的数值。例如，对所述倾斜角度一共进行了四次计算，第一次计算的倾斜角度为15°，第二次为16°，第三次为15°，第四次为15°，则可确定载体网孔的倾斜角度为15°。
130、根据所述倾斜角度对所述载体端面图像进行修正。
具体的，根据所述倾斜角度对所述载体端面图像进行修正，包括：
将所述载体端面图像按照预设方向旋转所述倾斜角度。
通常，所述角度是以设定的坐标系为参照的，若确定载体网孔的倾斜角度为ang，则对载体端面图像以角度-ang进行逆向的旋转，得到修正后的载体端面图像。可参见图3所示的载体端面图像修正前的结构示意图，其中的正方形网孔300倾斜一定角度。
140、通过修正后的载体端面图像计算载体网孔的边长。
可选的，参见图4所示的一种通过修正后的载体端面图像计算载体网孔的边长的流程示意图，具体包括如下步骤：
141、从修正后的载体端面图像中截取目标子图像，得到目标子图像矩阵S。
具体地，从修正后的载体端面图像中以边长n＝8*w(其中w表示相邻两个载体网孔之间的间距，可根据经验大致设定)的正方形窗口截取目标子图像，得到目标子图像矩阵S。
142、计算所述矩阵S每一行元素的均值，所述每一行元素的均值构成离散的均值函数。
具体地，矩阵S中的元素可以用S(i，j)表示，表示第i行第j列的元素，则矩阵S第i行元素的均值mean(i)为(假设每行包括n个元素,即矩阵S共有n列元素)：
Figure BDA0001624914990000091
143、对所述离散的均值函数进行傅里叶变换，得到复数域的复函数。
Figure BDA0001624914990000092
上述傅里叶变换公式中的函数f(t)即为均值函数mean(i)。
得到复数域的复函数F(ω),求出使得|F(ω)|取得最大值时的自变量ω，则载体网孔的边长T＝2*π/ω。
144、计算所述复函数的绝对值最大时对应的自变量的值。
145、根据所述自变量的值确定载体网孔的边长。
为了提高算法的可靠性以及计算精度，可以从修正后的载体端面图像的不同位置处分别截取目标子图像，并按照上述方法计算出网孔边长，最后通过投票的方式确定最终的边长值，即哪个数值出现的次数最多，则确定网孔边长为对应的出现次数最多的数值。
150、基于载体网孔的边长判定载体网孔的缺陷类型。
具体地，载体网孔的缺陷类型可划分为3类，分别为：正常孔、断裂孔和堵塞孔。可参见图5所示的各缺陷类型对应的网孔结构示意图。
可选的，参见图6所示的一种基于载体网孔的边长判定载体网孔的缺陷类型的方法流程示意图，具体包括如下步骤：
151、从修正后的载体端面图像中截取边长为所述载体网孔边长的整数倍的正方形子图像。
例如，假设通过上述方法计算得出所述载体网孔边长为a，则可以一个边长为2*a的正方形窗口从修正后的载体端面图像中截取正方形子图像A。然后计算正方形子图像A中元素灰度值的上16分位数和下16分位数。
152、计算所述正方形子图像中元素灰度值的上16分位数和下16分位数。
具体过程为：对子图像A中所有像素点的灰度值按照从小到大的顺序排列，得到一个长为4a2的序列，记为list[4a2],取p＝a2/4，选取list[4a2]中第p个元素的值，记为下16分位数L，取q＝15a2/4，选取list[4a2]中第q个元素的值，记为上16分位数U。
153、若所述上16分位数小于下限阈值，则判定载体网孔为堵塞孔。
若所述上16分位数小于下限阈值，则表示图像整体过暗，则可判定载体网孔为堵塞孔；若所述下16分位数大于上限阈值，则表示图像整体过亮，则可判定载体网孔为断裂孔。
154、若所述下16分位数大于上限阈值，则判定载体网孔为断裂孔。
155、若所述上16分位数不小于下限阈值且所述下16分位数不大于上限阈值，则对所述正方形子图像进行自适应二值化，得到二值化图像。
156、以所述二值化图像的中心为圆心，确定一块预设大小的圆形区域。
将所述二值化图像记为B，图像B为边长为2a的正方形，因此图像B的中心坐标为C＝(a，a)，以C为圆心，半径r＝a/4的圆形区域确定为所述预设大小的圆形区域。
157、判定所述圆形区域内是否存在白色像素点，若否，则判定载体网孔为堵塞空；
若所述圆形区域内存在白色像素点，则以距离所述圆心最近的白色像素点为起点，基于所述圆形区域内存在的所有白色像素点标记出连通区域；
若所述连通区域与所述二值化图像的边界有接触，则判定载体网孔为断裂孔，若所述连通区域与所述二值化图像的边界没接触，则判定载体网孔为正常孔；
若所述连通区域的面积小于设定阈值，则判定载体网孔为堵塞孔，否则为正常孔。其中，所述设定阈值根据生产经验确定。
进一步地，可以将整个陶瓷催化剂载体抽象为一个由许多网孔元素构成的连通图，其中的每个网孔元素都记录有该网孔的缺陷类型标签(“正常孔”或者“堵塞孔”或者“断裂孔”)、中心坐标、以及指向其相邻的4个孔(上、下、左、右相邻孔)的数据结构的指针。
在上述技术方案的基础上，对于陶瓷催化剂载体的整幅图像，可遍历搜索该整幅图像，利用上述的网孔缺陷类型判定方法判定出每个网孔的缺陷类型，再根据网孔之间的相对位置关系来确定其邻接性，最终构造出整个载体的连通图模型。
具体的，从陶瓷催化剂载体图像中找出第一个正常孔，作为后续扫描算法的起点，方法如下：不断地对陶瓷催化剂载体图像中任何位置采用之前所述的网孔缺陷类型判定方法判定该位置处的网孔缺陷类型，直到判定结果为正常孔为止(如果超过1000次尝试后仍未找到正常孔，则放弃处理，并输出错误)。
确定网孔之间的邻接性遍历方法如下：
从找到的第一个正常孔的中心坐标开始，假设其坐标为(x,y),分别对其向上、向下、向左、向右偏移a个像素的距离(a为之前已经求出的网孔的边长)，得到4个新坐标(x-a,y),(x+a,y),(x,y-a),(x,y+a)，作为对其上、下、左、右4个邻接孔的中心坐标的预估值。分别对这4个预估的新坐标调用上述的网孔缺陷类型判定方法，并将判断结果(包括网孔的缺陷类型、中心坐标、邻接关系)保存到模型数据结构中。
如果判断结果为正常孔，则以其预估坐标((x-a,y),(x+a,y),(x,y-a),(x,y+a)四者之一)为起点，从图像中标记出连通域，并计算出连通域的重心坐标(nx,ny)作为该正常孔修正后的中心坐标，这样就避免了坐标估测误差的累积。对修正后的正常孔中心坐标(nx,ny)递归地调用上述的确定网孔之间的邻接性遍历方法，递归执行完成后，模型中便记录了图像中所有孔的信息。
为了防止图像中同一个孔被反复遍历，导致程序陷入无穷递归中，还应当在每次递归调用前先判断图像中该位置是否之前已经被扫描过，如果已经扫描过，则直接跳过。
本实施例提供的陶瓷催化剂载体缺陷检测方法，实现了陶瓷催化剂载体缺陷的自动化检测，成本低、检测效率高、稳定性强，有利于提高陶瓷催化剂载体的生产效率以及产品质量。
实施例二
图7为本发明实施例二提供的一种陶瓷催化剂载体缺陷检测方法流程示意图。在上述实施例的基础上，本实施例对所述陶瓷催化剂载体缺陷检测方法进行了进一步优化，优化的好处是可以实现对载体裂纹的检测以及载体目数的检测。参见图7所示，所述方法具体包括如下步骤：
710、获取载体端面图像。
720、基于所述载体端面图像确定载体网孔的倾斜角度。
730、根据所述倾斜角度对所述载体端面图像进行修正。
740、通过修正后的载体端面图像计算载体网孔的边长。
750、基于载体网孔的边长判定载体网孔的缺陷类型。
760、将一幅与所述载体端面图像大小相同的备份图像的所有像素点初始化为0。
770、在所述备份图像对应断裂孔的坐标处填充一个预设边长的正方形。
载体端面上的裂纹表现为一串相邻的断裂孔，具体可参见图8所示的载体模型图中各种缺陷类型的孔结构示意图。假设网格的边长为a(由前面的方法步骤已经计算得出)，则在所述备份图像对应所有断裂孔(已经由前述方法检测出是否为断裂孔)的坐标处填充一个边长为1.5a的正方形，然后以0.5a为半径对备份图像进行腐蚀运算，再对最终得到的腐蚀后的图像进行连通域分析，找出所有面积大于用户设定阈值的连通区域及其面积，作为裂纹判定的依据。若连通域的面积大于用户设定阈值，则判定该连通域为裂纹。
具体的，例如所述载体端面图像中的D(0.5a，0.5a)点为一个断裂孔的中心坐标，在所述备份图像上与所述D点对应的点为D’点，则在D’点处填充一个边长为1.5a的正方形。
780、以预设半径对所述备份图像进行腐蚀运算，得到腐蚀运算后的图像。
790、对所述腐蚀运算后的图像进行连通域分析，以确定面积大于设定阈值的连通区域。
7100、将所述面积大于设定阈值的连通区域以及对应的面积值作为载体端面裂纹的判定依据。
目数的测量方法流程可以参见图9所示，具体包括：
910、获取载体端面图像。
920、基于所述载体端面图像确定载体网孔的倾斜角度。
930、根据所述倾斜角度对所述载体端面图像进行修正。
940、通过修正后的载体端面图像计算载体网孔的边长。
950、基于载体网孔的边长判定载体网孔的缺陷类型。
960、将一幅与所述载体端面图像大小相同的备份图像的所有像素点初始化为0。
970、在所述备份图像对应正常孔的坐标处填充一个预设边长的正方形。
980、以预设半径对所述备份图像进行腐蚀运算，得到腐蚀运算后的图像。
990、计算所述腐蚀运算后的图像中填充区域的面积。
9100、基于所述腐蚀运算后的图像中填充区域的面积以及正常孔的数量确定目数。
具体的，假设网孔的平均边长为a(由前面的方法步骤已经计算得出)，首先将一副大小和原载体端面图像相同的备份图像N的所有像素点初始化为0,对于载体模型中的所有正常孔，在图像N上对应位置填充一个边长为1.5a的正方形，然后以0.5a为半径对图像N进行腐蚀运算，再计算出图像N中填充区域的面积S，将其除以正常孔的数量即可得到所有正常孔的平均面积，最终换算成目数。其中，所述对应位置是指载体模型中正常孔的坐标，载体模型中记录有每个孔的坐标。
目数＝k*k*n/S，其中k为图像采集设备的像素密度(单位：dpi)，n为正常孔的数量，S为腐蚀后的图像N中填充区域的面积。
本实施例提供的陶瓷催化剂载体缺陷检测方法，实现了对载体裂纹以及载体目数的自动检测，有利于提高陶瓷催化剂载体的生产效率以及产品质量。
实施例三
图10为本发明实施例三提供的一种陶瓷催化剂载体缺陷检测装置结构示意图；参见图10所示，所述装置包括：获取模块1010、倾斜角确定模块1020、修正模块1030、网孔边长计算模块1040和缺陷类型判定模块1050；
其中，获取模块1010，用于获取载体端面图像；倾斜角确定模块1020，用于基于所述载体端面图像确定载体网孔的倾斜角度；修正模块1030，用于根据所述倾斜角度对所述载体端面图像进行修正；网孔边长计算模块1040，用于通过修正后的载体端面图像计算载体网孔的边长；缺陷类型判定模块1050，用于基于载体网孔的边长判定载体网孔的缺陷类型。
本实施例提供的陶瓷催化剂载体缺陷检测装置，实现了陶瓷催化剂载体缺陷的自动化检测，成本低、检测效率高、稳定性强，有利于提高陶瓷催化剂载体的生产效率以及产品质量。
上述装置可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的方法。
实施例四
图11为本发明实施例四提供的一种电子设备的结构示意图。如图11所示，该电子设备包括：第一处理器670、第一存储器671及存储在第一存储器671上并可在第一处理器670上运行的计算机程序；其中，第一处理器670的数量可以是一个或多个，图11中以一个第一处理器670为例；第一处理器670执行所述计算机程序时实现如上述实施例一至实施例二中所述的陶瓷催化剂载体缺陷检测方法。如图11所示，所述电子设备还可以包括第一输入装置672和第一输出装置673。第一处理器670、第一存储器671、第一输入装置672和第一输出装置673可以通过总线或其他方式连接，图11中以通过总线连接为例。
第一存储器671作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中陶瓷催化剂载体缺陷检测方法对应的程序指令/模块(例如，陶瓷催化剂载体缺陷检测装置中的获取模块1010、倾斜角确定模块1020、修正模块1030等)。第一处理器670通过运行存储在第一存储器671中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的陶瓷催化剂载体缺陷检测方法。
第一存储器671可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，第一存储器671可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，第一存储器671可进一步包括相对于第一处理器670远程设置的存储器，这些远程存储器可以通过网络连接至电子设备/存储介质。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
第一输入装置672可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。第一输出装置673可包括显示屏等显示设备。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，存储介质，或者网络设备等)执行本发明各个实施例所述的方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (9)

1.一种陶瓷催化剂载体缺陷检测方法，其特征在于，所述方法包括：
获取载体端面图像；
基于所述载体端面图像确定载体网孔的倾斜角度；
根据所述倾斜角度对所述载体端面图像进行修正；
通过修正后的载体端面图像计算载体网孔的边长；
基于载体网孔的边长判定载体网孔的缺陷类型；
所述基于载体网孔的边长判定载体网孔的缺陷类型，包括：
从修正后的载体端面图像中截取边长为所述载体网孔边长的整数倍的正方形子图像；
计算所述正方形子图像中元素灰度值的上16分位数和下16分位数；
若所述上16分位数小于下限阈值，则判定载体网孔为堵塞孔；
若所述下16分位数大于上限阈值，则判定载体网孔为断裂孔。
2.根据权利要求1所述的方法，其特征在于，所述基于所述载体端面图像确定载体网孔的倾斜角度，包括：
从所述载体端面图像中截取目标子图像；
对所述目标子图像进行离散Radon变换，得到矩阵R；
计算所述矩阵R每一列元素的方差；
确定所述方差中最大方差对应的列号；
根据所述列号以及离散Radon变换的角度步长计算载体网孔的倾斜角度。
3.根据权利要求1所述的方法，其特征在于，所述根据所述倾斜角度对所述载体端面图像进行修正，包括：
将所述载体端面图像按照预设方向旋转所述倾斜角度。
4.根据权利要求1所述的方法，其特征在于，所述通过修正后的载体端面图像计算载体网孔的边长，包括：
从修正后的载体端面图像中截取目标子图像，得到目标子图像矩阵S；
计算所述矩阵S每一行元素的均值，所述每一行元素的均值构成离散的均值函数；
对所述离散的均值函数进行傅里叶变换，得到复数域的复函数；
计算所述复函数的绝对值最大时对应的自变量的值；
根据所述自变量的值确定载体网孔的边长。
5.根据权利要求1所述的方法，其特征在于，所述基于载体网孔的边长判定载体网孔的缺陷类型，还包括：
若所述上16分位数不小于下限阈值且所述下16分位数不大于上限阈值，则对所述正方形子图像进行自适应二值化，得到二值化图像；
以所述二值化图像的中心为圆心，确定一块预设大小的圆形区域；
判定所述圆形区域内是否存在白色像素点，若否，则判定载体网孔为堵塞空；
若所述圆形区域内存在白色像素点，则以距离所述圆心最近的白色像素点为起点，基于所述圆形区域内存在的所有白色像素点标记出连通区域；
若所述连通区域与所述二值化图像的边界有接触，则判定载体网孔为断裂孔，否则为正常孔；
若所述连通区域的面积小于设定阈值，则判定载体网孔为堵塞孔，否则为正常孔。
6.根据权利要求1-5任一项所述的方法，其特征在于，还包括：
将一幅与所述载体端面图像大小相同的备份图像的所有像素点初始化为0；
在所述备份图像对应断裂孔的坐标处填充一个预设边长的正方形；
以预设半径对所述备份图像进行腐蚀运算，得到腐蚀运算后的图像；
对所述腐蚀运算后的图像进行连通域分析，以确定面积大于设定阈值的连通区域；
将所述面积大于设定阈值的连通区域以及对应的面积值作为载体端面裂纹的判定依据。
7.根据权利要求1-5任一项所述的方法，其特征在于，还包括：
将一幅与所述载体端面图像大小相同的备份图像的所有像素点初始化为0；
在所述备份图像对应正常孔的坐标处填充一个预设边长的正方形；
以预设半径对所述备份图像进行腐蚀运算，得到腐蚀运算后的图像；
计算所述腐蚀运算后的图像中填充区域的面积；
基于所述腐蚀运算后的图像中填充区域的面积以及正常孔的数量确定目数。
8.一种陶瓷催化剂载体缺陷检测装置，其特征在于，所述装置包括：
获取模块，用于获取载体端面图像；
倾斜角确定模块，用于基于所述载体端面图像确定载体网孔的倾斜角度；
修正模块，用于根据所述倾斜角度对所述载体端面图像进行修正；
网孔边长计算模块，用于通过修正后的载体端面图像计算载体网孔的边长；
缺陷类型判定模块，用于基于载体网孔的边长判定载体网孔的缺陷类型，具体为：从修正后的载体端面图像中截取边长为所述载体网孔边长的整数倍的正方形子图像；
计算所述正方形子图像中元素灰度值的上16分位数和下16分位数；
若所述上16分位数小于下限阈值，则判定载体网孔为堵塞孔；
若所述下16分位数大于上限阈值，则判定载体网孔为断裂孔。
9.一种电子设备，包括第一存储器、第一处理器及存储在存储器上并可在第一处理器上运行的计算机程序，其特征在于，所述第一处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的陶瓷催化剂载体缺陷检测方法。
CN201810319691.XA 2018-04-11 2018-04-11 一种陶瓷催化剂载体缺陷检测方法、装置及电子设备 Active CN108802042B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810319691.XA CN108802042B (zh) 2018-04-11 2018-04-11 一种陶瓷催化剂载体缺陷检测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810319691.XA CN108802042B (zh) 2018-04-11 2018-04-11 一种陶瓷催化剂载体缺陷检测方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN108802042A CN108802042A (zh) 2018-11-13
CN108802042B true CN108802042B (zh) 2020-09-01

Family

ID=64094910

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810319691.XA Active CN108802042B (zh) 2018-04-11 2018-04-11 一种陶瓷催化剂载体缺陷检测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN108802042B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109684948B (zh) * 2018-12-11 2021-07-27 歌尔股份有限公司 检测物体网孔异常的方法、装置及系统
CN110738250B (zh) * 2019-10-09 2024-02-27 陈浩能 果蔬新鲜度识别方法及相关产品
CN111610071B (zh) * 2020-04-28 2022-10-25 重庆大学 脱硝催化剂载体二氧化钛粉体强度的表征方法
CN113008897B (zh) * 2021-02-24 2023-05-30 江苏阿瑞斯智能设备有限公司 一种陶瓷催化剂载体缺陷检测方法、装置及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002014051A (ja) * 2000-06-27 2002-01-18 Ibiden Co Ltd 多孔質セラミック部材の欠陥検査方法及び検査装置
CN101400990A (zh) * 2006-03-16 2009-04-01 日本碍子株式会社 蜂窝结构体的外壁检测方法
CN104749179A (zh) * 2015-02-02 2015-07-01 宁波卡速视自动化科技有限公司 一种三元催化器蜂窝陶瓷通透检测及激光打标方法
CN204613125U (zh) * 2015-05-18 2015-09-02 无锡惠科电工高新技术有限公司 一种线扫描式蜂窝陶瓷检测装置
CN107209129A (zh) * 2014-11-25 2017-09-26 康宁股份有限公司 检查陶瓷蜂窝体的装置和方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10346962B2 (en) * 2012-02-10 2019-07-09 Corning Incorporated Nondestructive method to predict isostatic strength in ceramic substrates

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002014051A (ja) * 2000-06-27 2002-01-18 Ibiden Co Ltd 多孔質セラミック部材の欠陥検査方法及び検査装置
CN101400990A (zh) * 2006-03-16 2009-04-01 日本碍子株式会社 蜂窝结构体的外壁检测方法
CN107209129A (zh) * 2014-11-25 2017-09-26 康宁股份有限公司 检查陶瓷蜂窝体的装置和方法
CN104749179A (zh) * 2015-02-02 2015-07-01 宁波卡速视自动化科技有限公司 一种三元催化器蜂窝陶瓷通透检测及激光打标方法
CN204613125U (zh) * 2015-05-18 2015-09-02 无锡惠科电工高新技术有限公司 一种线扫描式蜂窝陶瓷检测装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于机器视觉的蜂窝陶瓷侧面缺陷检测算法研究;戴卫军;《陶瓷学报》;20140630(第3期);第291-295页 *
基于计算机视觉的蜂窝陶瓷在线检测系统研究;李颖 等;《自动化测试技术》;20141231;第22卷(第8期);第2419-2421页 *

Also Published As

Publication number Publication date
CN108802042A (zh) 2018-11-13

Similar Documents

Publication Publication Date Title
CN108802042B (zh) 一种陶瓷催化剂载体缺陷检测方法、装置及电子设备
CN110264466B (zh) 一种基于深度卷积神经网络的钢筋检测方法
CN101676930A (zh) 一种识别扫描图像中表格单元的方法及装置
JP2009211626A (ja) 画像処理装置及び方法
CN113538603A (zh) 一种基于阵列产品的光学检测方法、系统和可读存储介质
CN116152261B (zh) 一种印刷制品质量的视觉检测系统
CN105049706A (zh) 一种图像处理方法及终端
CN114693529A (zh) 一种图像拼接方法、装置、设备及存储介质
CN115829929A (zh) 产品表面图像的缺陷检测方法、装置、设备及存储介质
CN112581374A (zh) 散斑亚像素中心提取方法、系统、设备及介质
CN111046693A (zh) 一种二维码扫描方法、装置、终端设备及存储介质
CN113008897B (zh) 一种陶瓷催化剂载体缺陷检测方法、装置及设备
CN117611619A (zh) 一种直线拟合方法、系统、电子设备及存储介质
WO2022021687A1 (zh) 快速响应码区域定位方法、电子设备及存储介质
CN112800731A (zh) 一种图像表格提取中应对畸变图形的表格修复方法
CN112669302A (zh) 吊弦缺陷检测方法、装置、电子设备及存储介质
CN114140336B (zh) 一种基于红外图像的坏点处理方法及装置
CN114820376A (zh) 条带噪声的融合校正方法、装置、电子设备及存储介质
CN110222549B (zh) 一种变步长的快速二维码定位方法
CN113012137A (zh) 一种面板缺陷检查方法、系统、终端设备及存储介质
CN113538449A (zh) 一种图像矫正方法、装置、服务器及存储介质
CN111047550A (zh) 一种基于机器视觉的产品异常检测方法、装置及设备
CN112364876B (zh) 一种高效的条码二值化方法及系统
CN111931651B (zh) 一种视觉检测图像处理系统及其处理方法
CN114820672A (zh) 图像处理方法、装置、计算机设备和存储介质

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