CN109584231B - 一种复杂内结构的活塞毛坯缺陷检测方法 - Google Patents

一种复杂内结构的活塞毛坯缺陷检测方法 Download PDF

Info

Publication number
CN109584231B
CN109584231B CN201811432370.7A CN201811432370A CN109584231B CN 109584231 B CN109584231 B CN 109584231B CN 201811432370 A CN201811432370 A CN 201811432370A CN 109584231 B CN109584231 B CN 109584231B
Authority
CN
China
Prior art keywords
image
piston blank
defect
value
gray value
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
CN201811432370.7A
Other languages
English (en)
Other versions
CN109584231A (zh
Inventor
齐子诚
倪培君
付康
张维国
郑颖
左欣
郭智敏
唐盛明
李红伟
乔日东
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.)
China Weapon Science Academy Ningbo Branch
Original Assignee
China Weapon Science Academy Ningbo Branch
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 China Weapon Science Academy Ningbo Branch filed Critical China Weapon Science Academy Ningbo Branch
Priority to CN201811432370.7A priority Critical patent/CN109584231B/zh
Publication of CN109584231A publication Critical patent/CN109584231A/zh
Application granted granted Critical
Publication of CN109584231B publication Critical patent/CN109584231B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • 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
    • G06T7/187—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

一种复杂内结构的活塞毛坯缺陷检测方法，包括与被测试活塞毛坯材质一致的阶梯形打孔标定试块；获得标定试件的DR图像；建立不同穿透厚度分别与灰度值均值、气孔类缺陷分割阈值和夹杂类缺陷分割阈值的关系曲线；建立不同穿透厚度分别与不同当量圆柱形缺陷灰度值极值的关系曲线；根据从0°和90°对无缺陷的被测试活塞毛坯标准样件进行检测获得第一检测盲区图像和第二检测盲区图像；根据无缺陷活塞毛坯计算夹杂类和气孔类缺陷分割阈值图；通过缺陷分割阈值图计算实际生产活塞毛坯的夹杂类和气孔类缺陷图像；计算出缺陷当量和定量。根据缺陷分割统计分布原理，能准确、可靠的自动检测出缺陷当量和定量。

Description

一种复杂内结构的活塞毛坯缺陷检测方法
技术领域
本发明涉及缺陷检测领域，特别涉及一种复杂内结构的活塞毛坯缺陷检测方法。
背景技术
高功率密度柴油机具有高转速、高燃烧压力等优点，是车辆动力发展的必然趋势。目前，采用挤压铸造技术实现第一环槽铝基复合材料增强和内冷油道成形，满足高功率密度柴油机的高转速、高燃烧压力对活塞强度、耐磨性、耐热性、抗疲劳性等方面的要求。由于生产工序繁多、内部结构复杂、体积大等因素，其内部容易产生疏松、气孔和夹杂等缺陷，长期在高机械负荷、热负荷和剧烈磨损的情况下，容易造成应力集中，缺陷扩展，活塞开裂，最终导致车辆在运行过程中拉缸，造成不可预测的损失。因此，实现对高功率密度铝活塞内部缺陷检测对重型车辆的行驶安全稳定运行具有至关重要的作用。
复杂的内部结构特性必然在很大程度上限制无损检测方法的适用性。活塞强度、耐热性、疲劳等性能不断提升，对内部制造缺陷的检测提出了更好的要求，也对无损检测技术提出了新挑战。虽然超声、射线检测、工业CT等无损检测方法在复杂构件无损检测中已有较多成熟的应用，但若用于高功率密度铝活塞的内部缺陷检测，上述方法的适用性、效率和检测成本还需要进行深入的理论和实验验证研究。
近年来，在计算机和辐射探测器发展的基础上，建立起来的直接数字化射线检测技术已逐步应用到各个工业领域。这种方法动态范围大、受结构约束小，能够进行批量快速检测，因此适用于活塞毛坯内部缺陷快速检测。
发明内容
本发明所要解决的技术问题是针对现有技术的现状，提供一种能自动检测、准确率高的复杂内结构的活塞毛坯缺陷检测方法。
本发明解决上述技术问题所采用的技术方案为：一种复杂内结构的活塞毛坯缺陷检测方法，其特征在于：包括以下步骤：
步骤1、制造出与被测试活塞毛坯材质一致的阶梯形打孔标定试块，其中，该标定试块阶梯的最大高度大于被测试活塞毛坯的最大直径；
步骤2、采用X射线实时成像工艺对标定试块进行扫描，获得标定试件的DR图像；
步骤3、选取标定试块的DR图像的不同穿透厚度阶梯中不包含人工孔型缺陷所在区域的图像，并统计不同穿透厚度阶梯中选取的区域内的灰度直方图，计算不同穿透厚度下灰度直方图的最佳灰度值均值，建立不同穿透厚度与灰度值均值的关系曲线；通过实验设定最佳置信度，提取出气孔类缺陷分割阈值和夹杂类缺陷分割阈值，分别建立不同穿透厚度与气孔类缺陷分割阈值和夹杂类缺陷分割阈值的关系曲线；
步骤4、选取标定试块的DR图像中不同穿透厚度阶梯中包含人工孔型缺陷所在区域的图像，利用步骤3中不同穿透厚度与气孔类缺陷分割阈值和夹杂类缺陷分割阈值的关系曲线提取出人工孔型缺陷；在缺陷内部搜索灰度值极值，建立不同穿透厚度与不同当量圆柱形缺陷灰度值极值的关系曲线；
步骤5、选取无缺陷的被测试活塞毛坯标准样件，以活塞毛坯销孔正对平面为第一扫描平面，假设角度为0°，采用与步骤2中标定试块相同的X射线实时成像工艺进行扫描，通过多次积分得到第一活塞毛坯投影DR模板图像，计算该模板图像的第一局部标准差图像，将第一局部标准差图像中大于给定阈值的区域提取出来，得到第一检测盲区图像；
步骤6、将步骤5中的无缺陷的活塞毛坯标准样件，旋转90度使得活塞毛坯销孔平行于第一扫描平面，假设角度为90°，采用与步骤5中相同的方法，采用X射线实时成像工艺进行扫描，通过多次积分得到第二活塞毛坯投影DR模板图像，计算该模板图像的第二局部标准差图像，将第二局部标准差图像中大于给定阈值的区域提取出来，得到第二检测盲区图像；
步骤7、将步骤5中的第一检测盲区图像和步骤6中的第二检测盲区图像进行正交投影，将两者重叠处作为检测盲区；
步骤8、将步骤5中的第一活塞毛坯投影DR模板图像与第一检测盲区图像进行相乘，得到第一有效区域模板图像；以活塞毛坯已知厚度的位置作为基准点，取其在第一有效区域模板图像对应位置的灰度值，使用步骤3中不同穿透厚度与灰度值均值的关系曲线提取出活塞毛坯已知厚度对应的灰度值平均值，并计算出第一校正系数；使用第一校正系数对第一有效区域模板图像进行校正，得到校正后的第一有效区域模板图像；使用步骤3中的不同穿透厚度与灰度值均值的关系曲线计算出校正后的第一有效区域模板图像上各个位置对应的第一X射线穿透厚度，将第一X射线穿透厚度代入步骤3中不同穿透厚度与气孔类缺陷分割阈值和夹杂类缺陷分割阈值的关系曲线中，分别得到第一活塞毛坯投影DR模板图像上各个位置的第一夹杂类缺陷分割阈值图和第一气孔类缺陷分割阈值图；
步骤9、将步骤6中的第二活塞毛坯投影DR模板图像与第二检测盲区图像进行相乘，得到第二有效区域模板图像；以活塞毛坯已知厚度的位置作为基准点，取其在第二有效区域模板图像对应位置的灰度值，使用步骤3中不同穿透厚度与灰度值均值的关系曲线提取出活塞毛坯已知厚度对应的灰度值平均值，并计算出第二校正系数；使用第二校正系数对第二有效区域模板图像进行校正，得到校正后的第二有效区域模板图像；使用步骤3中的不同穿透厚度与灰度值均值的关系曲线计算出校正后的第二有效区域模板图像上各个位置对应的第二X射线穿透厚度，将第二X射线穿透厚度代入步骤3中不同穿透厚度与气孔类缺陷分割阈值和夹杂类缺陷分割阈值的关系曲线中，分别得到第二活塞毛坯投影DR模板图像上各个位置的第二夹杂类缺陷分割阈值图和第二气孔类缺陷分割阈值图；
步骤10、选取实际生产的活塞毛坯，采用步骤5中相同的方法，从0°检测实际活塞毛坯，得到第一DR图像；以实际生产的活塞毛坯已知厚度的位置作为基准点，取其在第一DR图像中对应位置的灰度值，使用步骤3中不同穿透厚度与灰度值均值的关系曲线提取出活塞毛坯已知厚度对应的灰度值平均值，并计算出第三校正系数；使用第三校正系数对第一DR图像进行校正，得到校正后的第一DR图像；将校正后的第一DR图像分别与第一夹杂类缺陷分割阈值图和第一气孔类缺陷分割阈值图相减，分别得到第一夹杂类缺陷图像和第一气孔类缺陷图像；
步骤11、采用步骤6中相同的方法，从90°检测步骤10中实际生产的活塞毛坯，得到第二DR图像；以实际生产的活塞毛坯已知厚度的位置作为基准点，取其在第二DR图像中对应位置的灰度值，使用步骤3中不同穿透厚度与灰度值均值的关系曲线提取出活塞毛坯已知厚度对应的灰度值平均值，并计算出第四校正系数；使用第四校正系数对第二DR图像进行校正，得到校正后的第二DR图像；将校正后的第二DR图像分别与第二夹杂类缺陷分割阈值图和第二气孔类缺陷分割阈值图相减，分别得到第二夹杂类缺陷图像和第二气孔类缺陷图像；
步骤12、使用步骤7中的检测盲区，计算步骤10中第一夹杂类缺陷图像除步骤7中检测盲区之外的区域和步骤11中第二夹杂类缺陷图像除步骤7中检测盲区的之外区域中像素值大于0的像素组成的连通区域面积，将其连通区域面积作为夹杂类缺陷的定量；统计步骤10中第一气孔类缺陷图像除步骤7中检测盲区之外的区域和步骤11中第二气孔类缺陷图像除步骤7中检测盲区之外的区域中像素值小于0的像素组成的连通区域内的像素最小值，根据第一DR图像或第二DR图像中的灰度值分布，使用步骤3中的不同穿透厚度与灰度值均值的关系曲线计算出活塞毛坯每个位置的穿透厚度，并根据像素最小值的像素在第一DR图像或第二DR图像中的位置得到穿透厚度，再根据步骤4中不同穿透厚度与不同当量圆柱形缺陷灰度值极值的关系曲线确认每个连通区域中的像素最小值对应的缺陷当量。
具体的，所述步骤1中的具体步骤为：加工阶梯数为n的标定试块，在标定试块的每个阶梯上设置(直径/Ф、深度/h)＝(1mm、1mm)、(2mm、2mm)、(3mm、3mm)…的平底孔。
进一步的，所述步骤3中的具体步骤为：
步骤3-1、设标定试块的DR图像中的灰度级为[0.,L-1]，在标定试块的每个阶梯处选取M×N大小且不包含平底孔的区域进行图像灰度直方图统计，设任一阶梯Δn选取的区域图像的灰度直方图为：hΔn(i)＝mi，其中，1≤Δn≤n，hΔn表示阶梯Δn选取的区域图像输出的序列直方图，i表示阶梯Δn选取的图像中灰度级对应的像素值，即灰度值，i∈[0,L-1]，mi表示阶梯Δn选取的图像中灰度值为i的像素数量；
步骤3-2、采用最小残差法对输出序列直方图hΔn进行高斯拟合，设拟合后的高斯曲线函数为
Figure BDA0001882921640000041
其中，a是拟合后高斯曲线的幅值，
Figure BDA0001882921640000042
是拟合后高斯曲线的灰度值均值，σ是拟合后高斯曲线的灰度值标准差；
其中，高斯拟合曲线迭代的初始灰度值均值为：
Figure BDA0001882921640000043
初始灰度值标准差为：
Figure BDA0001882921640000044
将
Figure BDA0001882921640000045
和σinit代入公式
Figure BDA0001882921640000046
中，得到
Figure BDA0001882921640000047
其中幅值ainit的初始值为
Figure BDA0001882921640000048
则得到幅值ainit的初始值
Figure BDA0001882921640000049
其中，拟合后高斯曲线的灰度值均值
Figure BDA00018829216400000410
拟合后高斯曲线的幅值a和拟合后高斯曲线的灰度值标准差σ的取值范围为：
Figure BDA0001882921640000051
选取不同的拟合后高斯曲线的灰度值均值
Figure BDA0001882921640000052
拟合后高斯曲线的幅值a和拟合后高斯曲线的灰度值标准差σ，建立函数类Ψ＝{f0(i),f1(i),...,fm(i)}(m<L)
求出使
Figure BDA0001882921640000053
时，获得最佳拟合高斯曲线灰度值均值
Figure BDA0001882921640000054
以及最佳灰度值标准差σopt；
根据各个阶梯Δn对应的穿透厚度h建立不同穿透厚度h与灰度值均值的关系曲线为：
Figure BDA0001882921640000055
步骤3-3、通过实验确定最佳置信下限范围fplow和最佳置信上限范围fpup，通过最佳置信下限范围fplow提取出对应的气孔类缺陷分割阈值，通过最佳置信上限范围fpup提取出对应的夹杂类缺陷分割阈值，根据各个阶梯Δn对应的穿透厚度h建立不同穿透厚度h与夹杂类缺陷分割阈值和气孔类缺陷分割阈值的关系曲线T(h)up/T(h)low，其中，计算公式为：
Figure BDA0001882921640000056
其中，PΔn(i)＝mi/MN,i＝0,1,...,L-1，φ表示标准正态分布的积分。
进一步的，所述步骤5的具体步骤为：
步骤5-1、选取无缺陷的被测量活塞毛坯标准样件，以活塞毛坯销孔正对平面为第一扫描平面，假设角度为0°，采用与步骤2中标定试块相同的X射线实时成像工艺进行扫描，通过多次积分得到第一活塞毛坯投影DR模板图像p0(x,y)，其中，x为第一活塞毛坯投影DR模板图像中像素点的横坐标，y为第一活塞毛坯投影DR模板图像中像素点的纵坐标；
步骤5-2、计算第一活塞毛坯投影DR模板图像p0(x,y)的第一局部标准差图像s0(x,y)：对第一活塞毛坯投影DR模板图像p0(x,y)中的每个像素点进行处理，以当前像素点(x,y)的位置为中心，选取周边nl×nl范围
Figure BDA0001882921640000057
内的像素计算，其中，第一局部标准差图像s0(x,y)的计算公式为：
Figure BDA0001882921640000061
其中，局部均值：
Figure BDA0001882921640000062
步骤5-3、通过实验确定给定阈值sT，将第一局部标准差图像s0(x,y)中大于给定阈值sT的区域进行提取，得到第一检测盲区图像p′0(x,y)，其中计算公式为：
Figure BDA0001882921640000063
更进一步的，所述步骤6中的具体步骤为：
步骤6-1、将步骤5中的无缺陷的活塞毛坯标准样件，旋转90度使得活塞毛坯销孔平行于第一扫描平面，假设角度为90°，采用与步骤5中相同的方法，采用X射线实时成像工艺进行扫描，通过多次积分得到第二活塞毛坯投影DR模板图像p90(x,y)，其中，x为第二活塞毛坯投影DR模板图像中像素点的横坐标，y为第二活塞毛坯投影DR模板图像中像素点的纵坐标；
步骤6-2、计算第二活塞毛坯投影DR模板图像p90(x,y)的第二局部标准差图像s90(x,y)：对第二活塞毛坯投影DR模板图像p90(x,y)每个像素点进行处理，以当前像素点位置(x,y)为中心，选取周边nl×nl范围
Figure BDA0001882921640000064
内的像素计算，其中，第二局部标准差图像s90(x,y)的计算公式为：
Figure BDA0001882921640000065
其中，局部均值：
Figure BDA0001882921640000066
步骤6-3、实验确定给定阈值sT，将第二局部标准差图像s90(x,y)中大于给定阈值sT的区域进行提取，得到第二检测盲区图像p′90(x,y)，其中计算公式为：
Figure BDA0001882921640000071
具体的，所述步骤8的具体步骤为：
步骤8-1、将步骤5中的第一活塞毛坯投影DR模板图像p0(x,y)与第一检测盲区图像p′0(x,y)进行相乘，得到第一有效区域模板图像P0(x,y)，其中计算公式为：
P0(x,y)＝p0(x,y)×p′0(x,y)；
步骤8-2、以活塞毛坯已知厚度h1的位置作为基准点，取其在第一有效区域模板图像P0(x,y)中对应位置的第一灰度值Gstd 0，其中第一灰度值Gstd 0的计算公式为：
Figure BDA0001882921640000072
其中，
Figure BDA0001882921640000073
分别为活塞毛坯已知厚度h1的位置在第一有效区域模板图像P0(x,y)中对应的位置；
步骤8-3、使用步骤3中不同穿透厚度h与灰度值均值的关系曲线提取出活塞毛坯已知厚度h1对应的灰度值平均值M(h1)，并计算出第一校正系数j0，其中第一校正系数j0的计算公式为：
Figure BDA0001882921640000074
步骤8-4、使用第一校正系数j0对第一有效区域模板图像P0(x,y)进行校正，得到校正后的第一有效区域模板图像P′0(x,y)，其中校正的计算公式为：
Figure BDA0001882921640000075
步骤8-5、使用步骤3中的不同穿透厚度与灰度值均值的关系曲线计算出校正后的第一有效区域模板图像P′0(x,y)上各个位置对应的第一X射线穿透厚度H0(x,y)，其中，第一X射线穿透厚度H0(x,y)的计算公式为：H0(x,y)＝M-1(P′0(x,y))；
步骤8-6、将第一X射线穿透厚度图H0(x,y)代入步骤3中不同穿透厚度与夹杂类缺陷分割阈值的关系曲线T(h)up中，得到第一活塞毛坯投影DR模板图像上各个位置的第一夹杂缺陷分割阈值图thd0 up(x,y)，其中，thd0 up(x,y)＝T(H0(x,y))up；将第一X射线穿透厚度图H0(x,y)代入步骤3中不同穿透厚度与气孔类缺陷分割阈值的关系曲线T(h)low中，得到第一活塞毛坯投影DR模板图像上各个位置的第一气孔类缺陷分割阈值图thd0 low(x,y)，其中，thd0 low(x,y)＝T(H0(x,y))low。
所述步骤9的具体步骤为：
步骤9-1、将步骤6中的第二活塞毛坯投影DR模板图像p90(x,y)与第二检测盲区图像p′90(x,y)进行相乘，得到第二有效区域模板图像P90(x,y)，其中计算公式为：
P90(x,y)＝p90(x,y)×p′90(x,y)；
步骤9-2、以活塞毛坯已知厚度h1的位置作为基准点，取其在第二有效区域模板图像P90(x,y)中对应位置的第二灰度值Gstd 90，其中第二灰度值Gstd 90的计算公式为：
Figure BDA0001882921640000081
其中，
Figure BDA0001882921640000082
分别为活塞毛坯已知厚度h1的位置在第二有效区域模板图像P90(x,y)中对应的位置；
步骤9-3、使用步骤3中不同穿透厚度h与灰度值均值的关系曲线提取出活塞毛坯已知厚度h1对应的灰度值平均值M(h1)，并计算出第二校正系数j90，其中第二校正系数j90的计算公式为：
Figure BDA0001882921640000083
步骤9-4、使用第二校正系数j90对第二有效区域模板图像P90(x,y)进行校正，得到校正后的第二有效区域模板图像P′90(x,y)，其中校正的计算公式为：
Figure BDA0001882921640000084
步骤9-5、使用步骤3中的不同穿透厚度与灰度值均值的关系曲线计算出校正后的第二有效区域模板图像P′90(x,y)上各个位置对应的第二X射线穿透厚度H90(x,y)，其中，第二X射线穿透厚度H90(x,y)的计算公式为：H90(x,y)＝M-1(P′90(x,y))；
步骤9-6、将第二X射线穿透厚度图H90(x,y)代入步骤3中不同穿透厚度与夹杂类缺陷分割阈值的关系曲线T(h)up中，得到第二活塞毛坯投影DR模板图像上各个位置的第二夹杂缺陷分割阈值图thd90 up(x,y)，其中，thd90 up(x,y)＝T(H90(x,y))up；将第二X射线穿透厚度图H90(x,y)代入步骤3中不同穿透厚度与气孔类缺陷分割阈值的关系曲线T(h)low中，得到第二活塞毛坯投影DR模板图像上各个位置的第二气孔类缺陷分割阈值图thd90 low(x,y)，其中，thd90 low(x,y)＝T(H90(x,y))low。
所述步骤10的具体步骤为：
步骤10-1、选取实际生产的活塞毛坯，采用步骤5中相同的方法，从0°检测实际活塞毛坯，得到第一DR图像I0(x,y)；
步骤10-2、以实际生产的活塞毛坯已知厚度h1的位置作为基准点，取其在第一DR图像I0(x,y)中对应位置的第三灰度值G′std 0，其中第三灰度值G′std 0的计算公式为：
Figure BDA0001882921640000091
其中，
Figure BDA0001882921640000092
分别为活塞毛坯已知厚度h1的位置在第一DR图像I0(x,y)中对应的位置；
步骤10-3、使用步骤3中不同穿透厚度h与灰度值均值的关系曲线提取出活塞毛坯已知厚度h1对应的灰度值平均值M(h1)，并计算出第三校正系数j′0，其中第三校正系数j′0的计算公式为：
Figure BDA0001882921640000093
步骤10-4、使用第三校正系数j′0对第一DR图像I0(x,y)进行校正，得到校正后的第一DR图像I′0(x,y)，其中校正的计算公式为：
Figure BDA0001882921640000094
步骤10-5、将校正后的第一DR图像I′0(x,y)分别与第一夹杂类缺陷分割阈值图thd0 up(x,y)和第一气孔类缺陷分割阈值图thd0 low(x,y)相减，分别得到第一夹杂类缺陷图像Im0(x,y)和第一气孔类缺陷图像Ip0(x,y)，其中计算公式为：
Figure BDA0001882921640000101
Ip0(x，y)＝I′0(x，y)-thd0 low(x，y)。
所述步骤11的具体步骤为：
步骤11-1、采用步骤6中相同的方法，从90°检测步骤10中实际生产的活塞毛坯，得到第二DR图像I90(x,y)；
步骤11-2、以实际生产的活塞毛坯已知厚度h1的位置作为基准点，取其在第二DR图像I90(x,y)中对应位置的第四灰度值G′std 90，其中第四灰度值G′std 90的计算公式为：
Figure BDA0001882921640000102
其中，
Figure BDA0001882921640000103
分别为活塞毛坯已知厚度h1的位置在第二DR图像I90(x,y)中对应的位置；
步骤11-3、使用步骤3中不同穿透厚度h与灰度值均值的关系曲线提取出活塞毛坯已知厚度h1对应的灰度值平均值M(h1)，并计算出第四校正系数j′90，其中第四校正系数j′90的计算公式为：
Figure BDA0001882921640000104
步骤11-4、使用第四校正系数j′90对第二DR图像I90(x,y)进行校正，得到校正后的第二DR图像I′90(x,y)，其中校正的计算公式为：
Figure BDA0001882921640000105
步骤11-5、将校正后的第二DR图像I′90(x,y)分别与第二夹杂类缺陷分割阈值图thd90 up(x,y)和第二气孔类缺陷分割阈值图thd90 low(x,y)相减，分别得到第二夹杂类缺陷图像Im90(x,y)和第二气孔类缺陷图像Ip90(x,y)，其中计算公式为：
Figure BDA0001882921640000106
Ip90(x,y)＝I′90(x,y)-thd90 low(x,y)。
所述步骤12的具体步骤为：
步骤12-1、使用步骤7中的检测盲区，计算步骤10中第一夹杂类缺陷图像除步骤7中检测盲区之外的区域和步骤11中第二夹杂类缺陷图像除步骤7中检测盲区的之外区域中像素值大于0的像素组成的连通区域面积Smf(w),w＝1,2,3...k，其中，w为连通区域的序号，一个连通区域表示一个缺陷，通过Im0(x,y)>0，Im90(x,y)>0选择出满足条件的像素点，满足条件的像素点中不包括检测盲区内的像素点，将其连通区域面积Smf(w)作为夹杂类缺陷的定量；
步骤12-2、统计步骤10中第一气孔类缺陷图像除步骤7中检测盲区之外的区域和步骤11中第二气孔类缺陷图像除步骤7中检测盲区之外的区域中像素值小于0的像素组成的连通区域内的像素最小值
Figure BDA0001882921640000111
其中，w为连通区域的序号，一个连通区域表示一个缺陷，通过Ip0(x,y)<0，Ip90(x,y)<0选择出满足条件的像素点，其中，满足条件的像素点中不包括检测盲区内的像素点；
步骤12-3、根据第一DR图像或第二DR图像中的灰度值分布，使用步骤3中的不同穿透厚度与灰度值均值的关系曲线计算出活塞毛坯每个位置的穿透厚度，并根据像素最小值的像素在第一DR图像或第二DR图像中的位置得到穿透厚度，再根据步骤4中不同穿透厚度与不同当量圆柱形缺陷灰度值极值的关系曲线确认每个连通区域中的像素最小值对应的缺陷当量。
与现有技术相比，本发明的优点在于：通过利用阶梯状打孔标定试块建立不同穿透厚度的缺陷分割阈值和气孔类缺陷定量，并根据无缺陷的活塞毛坯从0°和90°检测出检测盲区图像，分别得到杂质类缺陷分割图和气孔类缺陷分割图，根据缺陷分割统计分布原理，对实际生产的活塞毛坯进行检测，能准确、可靠的自动检测出缺陷当量和定量。
附图说明
图1为本发明实施例中活塞毛坯缺陷检测方法的流程图。
图2为本发明实施例中阶梯形打孔标定试块的结构示意图；
图3为本发明实施例中不同穿透厚度(mm)与图像灰度值均值的关系曲线图；
图4为本发明实施例中不同穿透厚度(mm)与气孔类缺陷分割阈值和夹杂类缺陷分割阈值的关系曲线图；
图5为本发明实施例中无缺陷活塞毛坯销孔正对平面扫描得到的第一活塞毛坯投影DR模板图像；
图6为图5中第一的活塞毛坯投影DR模板图像的第一检测盲区图像；
图7为图5中无缺陷活塞毛坯旋转90度(活塞毛坯销孔平行平面)扫描得到的第二活塞毛坯投影DR模板图像；
图8为图7中第二的活塞毛坯投影DR模板图像的第二检测盲区图像；
图9为本发明实施例中从0°检测实际生产的活塞毛坯得到的第一DR图像；
图10为本发明实施例中从90°检测实际生产的活塞毛坯得到的第二DR图像；
图11为本发明实施例中实际生产的活塞毛坯含夹杂类缺陷图像。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
如图1所示，一种复杂内结构的活塞毛坯缺陷检测方法，包括以下步骤：
步骤1、制造出与被测试活塞毛坯材质一致的阶梯形打孔标定试块，其中，该标定试块阶梯的最大高度大于被测试活塞毛坯的最大直径；
具体步骤为：通过机械加工手段制造出加工阶梯数为n的标定试块，如图2所示，在每个阶梯上设置(直径/Ф、深度/h)＝(1mm、1mm)、(2mm、2mm)、(3mm、3mm)…的平底孔，n≥5；本实施例中，活塞毛坯最大直径为180mm，该标定试块阶梯最大高度为200mm，将阶梯分为5阶，高度分别为40mm、80mm、120mm、160mm、200mm；
通过阶梯形打孔标定试块的阶梯形成不同穿透厚度，平底孔的直径和深度是根据被检测对象需要发现的缺陷精度来定，假设使用的活塞毛坯需要发现直径1mm以上的缺陷，就需要设计成直径、深度分别为1mm、2mm、3mm，也可增加或不增加直径为4mm及以上的平底孔；如果某一种活塞毛坯需要发现直径2mm以上的缺陷，就需要设计成直径、深度分别为2mm、3mm、4mm，也可增加或不增加直径为5mm及以上的平底孔；
步骤2、采用X射线实时成像工艺对标定试块进行扫描，获得标定试件的DR图像；
步骤3、选取标定试块的DR图像的不同穿透厚度阶梯中不包含人工孔型缺陷所在区域的图像，并统计不同穿透厚度阶梯中选取的区域内的灰度直方图，计算不同穿透厚度下灰度直方图的最佳灰度值均值，建立不同穿透厚度与灰度值均值的关系曲线；通过实验设定最佳置信度，提取出气孔类缺陷分割阈值和夹杂类缺陷分割阈值，分别建立不同穿透厚度与气孔类缺陷分割阈值和夹杂类缺陷分割阈值的关系曲线；
其中，步骤3的具体的步骤为：
步骤3-1、设标定试块的DR图像中的灰度级为[0.,L-1]，在标定试块的每个阶梯处选取M×N大小且不包含平底孔的区域进行图像灰度直方图统计，设任一阶梯Δn选取的区域图像的灰度直方图为：hΔn(i)＝mi，其中，1≤Δn≤n，hΔn表示阶梯Δn选取的区域图像输出的序列直方图，i表示阶梯Δn选取的图像中灰度级对应的像素值，即灰度值，i∈[0,L-1]，mi表示阶梯Δn选取的图像中灰度值为i的像素数量；
步骤3-2、采用最小残差法对输出序列直方图hΔn进行高斯拟合，设拟合后的高斯曲线函数为
Figure BDA0001882921640000131
其中，a是拟合后高斯曲线的幅值，
Figure BDA0001882921640000132
是拟合后高斯曲线的灰度值均值，σ是拟合后高斯曲线的灰度值标准差；
其中，高斯拟合曲线迭代的初始灰度值均值为：
Figure BDA0001882921640000133
初始灰度值标准差为：
Figure BDA0001882921640000134
将
Figure BDA0001882921640000135
和σinit代入公式
Figure BDA0001882921640000136
中，得到
Figure BDA0001882921640000137
其中幅值ainit的初始值为
Figure BDA0001882921640000138
则得到幅值ainit的初始值
Figure BDA0001882921640000139
其中，拟合后高斯曲线的灰度值均值
Figure BDA00018829216400001310
拟合后高斯曲线的幅值a和拟合后高斯曲线的灰度值标准差σ的取值范围为：
Figure BDA00018829216400001311
选取不同的拟合后高斯曲线的灰度值均值
Figure BDA00018829216400001312
拟合后高斯曲线的幅值a和拟合后高斯曲线的灰度值标准差σ，建立函数类Ψ＝{f0(i),f1(i),...,fm(i)}(m<L)
求出使
Figure BDA00018829216400001313
时，获得最佳拟合高斯曲线灰度值均值
Figure BDA00018829216400001314
以及最佳灰度值标准差σopt；
如图3所示，根据各个阶梯Δn对应的穿透厚度h建立不同穿透厚度h与灰度值均值的关系曲线为：
Figure BDA00018829216400001315
步骤3-3、通过实验确定最佳置信下限范围fplow和最佳置信上限范围fpup，通过最佳置信下限范围fplow提取出对应的气孔类缺陷分割阈值，通过最佳置信上限范围fpup提取出对应的夹杂类缺陷分割阈值，根据各个阶梯Δn对应的穿透厚度h建立不同穿透厚度h与夹杂类缺陷分割阈值和气孔类缺陷分割阈值的关系曲线T(h)up/T(h)low，如图4所示，其中，计算公式为：
Figure BDA0001882921640000141
其中，PΔn(i)＝mi/MN,i＝0,1,...,L-1，φ表示标准正态分布的积分。
本实施例中，最佳置信下限范围fplow∈(1％,5％)，最佳置信上限范围fpup∈(95％,99％)；
步骤4、选取标定试块的DR图像中不同穿透厚度阶梯中包含人工孔型缺陷所在区域的图像，利用步骤3中不同穿透厚度与气孔类缺陷分割阈值和夹杂类缺陷分割阈值的关系曲线提取出人工孔型缺陷；在缺陷内部搜索灰度值极值，建立不同穿透厚度与不同当量圆柱形缺陷灰度值极值的关系曲线；
步骤5、选取无缺陷的被测试活塞毛坯标准样件，以活塞毛坯销孔正对平面为第一扫描平面，假设角度为0°，采用与步骤2中标定试块相同的X射线实时成像工艺进行扫描，通过多次积分得到第一活塞毛坯投影DR模板图像，计算该模板图像的第一局部标准差图像，将第一局部标准差图像中大于给定阈值的区域提取出来，得到第一检测盲区图像；
其中，步骤5中的具体步骤为：
步骤5-1、选取无缺陷的被测量活塞毛坯标准样件，以活塞毛坯销孔正对平面为第一扫描平面，假设角度为0°，采用与步骤2中标定试块相同的X射线实时成像工艺进行扫描，通过多次积分得到第一活塞毛坯投影DR模板图像p0(x,y)，如图5所示，其中，x为第一活塞毛坯投影DR模板图像中像素点的横坐标，y为第一活塞毛坯投影DR模板图像中像素点的纵坐标；本实施例中，积分次数大于30次；
步骤5-2、计算第一活塞毛坯投影DR模板图像p0(x,y)的第一局部标准差图像s0(x,y)：对第一活塞毛坯投影DR模板图像p0(x,y)中的每个像素点进行处理，以当前像素点(x,y)的位置为中心，选取周边nl×nl范围
Figure BDA0001882921640000142
内的像素计算，其中，第一局部标准差图像s0(x,y)的计算公式为：
Figure BDA0001882921640000151
其中，局部均值：
Figure BDA0001882921640000152
步骤5-3、通过实验确定给定阈值sT，将第一局部标准差图像s0(x,y)中大于给定阈值sT的区域进行提取，得到第一检测盲区图像p′0(x,y)，如图6所示，其中计算公式为：
Figure BDA0001882921640000153
步骤6、将步骤5中的无缺陷的活塞毛坯标准样件，旋转90度使得活塞毛坯销孔平行于第一扫描平面，假设角度为90°，采用与步骤5中相同的方法，采用X射线实时成像工艺进行扫描，通过多次积分得到第二活塞毛坯投影DR模板图像，计算该模板图像的第二局部标准差图像，将第二局部标准差图像中大于给定阈值的区域提取出来，得到第二检测盲区图像；
其中，步骤6中的具体步骤为：
步骤6-1、将步骤5中的无缺陷的活塞毛坯标准样件，旋转90度使得活塞毛坯销孔平行于第一扫描平面，假设角度为90°，采用与步骤5中相同的方法，采用X射线实时成像工艺进行扫描，通过多次积分得到第二活塞毛坯投影DR模板图像p90(x,y)，如图7所示，其中，x为第二活塞毛坯投影DR模板图像中像素点的横坐标，y为第二活塞毛坯投影DR模板图像中像素点的纵坐标；本实施例中，积分次数大于30次；
步骤6-2、计算第二活塞毛坯投影DR模板图像p90(x,y)的第二局部标准差图像s90(x,y)：对第二活塞毛坯投影DR模板图像p90(x,y)每个像素点进行处理，以当前像素点位置(x,y)为中心，选取周边nl×nl范围
Figure BDA0001882921640000154
内的像素计算，其中，第二局部标准差图像s90(x,y)的计算公式为：
Figure BDA0001882921640000155
其中，局部均值：
Figure BDA0001882921640000156
步骤6-3、实验确定给定阈值sT，将第二局部标准差图像s90(x,y)中大于给定阈值sT的区域进行提取，得到第二检测盲区图像p′90(x,y)，如图8所示，其中计算公式为：
Figure BDA0001882921640000161
步骤7、将步骤5中的第一检测盲区图像和步骤6中的第二检测盲区图像进行正交投影，将两者重叠处作为检测盲区；
步骤8、将步骤5中的第一活塞毛坯投影DR模板图像与第一检测盲区图像进行相乘，得到第一有效区域模板图像；以活塞毛坯已知厚度的位置作为基准点，取其在第一有效区域模板图像对应位置的灰度值，使用步骤3中不同穿透厚度与灰度值均值的关系曲线提取出活塞毛坯已知厚度对应的灰度值平均值，并计算出第一校正系数；使用第一校正系数对第一有效区域模板图像进行校正，得到校正后的第一有效区域模板图像；使用步骤3中的不同穿透厚度与灰度值均值的关系曲线计算出校正后的第一有效区域模板图像上各个位置对应的第一X射线穿透厚度，将第一X射线穿透厚度代入步骤3中不同穿透厚度与气孔类缺陷分割阈值和夹杂类缺陷分割阈值的关系曲线中，分别得到第一活塞毛坯投影DR模板图像上各个位置的第一夹杂类缺陷分割阈值图和第一气孔类缺陷分割阈值图；
其中，步骤8的具体步骤为：
步骤8-1、将步骤5中的第一活塞毛坯投影DR模板图像p0(x,y)与第一检测盲区图像p′0(x,y)进行相乘，得到第一有效区域模板图像P0(x,y)，其中计算公式为：
P0(x,y)＝p0(x,y)×p′0(x,y)；
步骤8-2、以活塞毛坯已知厚度h1的位置作为基准点，取其在第一有效区域模板图像P0(x,y)中对应位置的第一灰度值Gstd 0，其中第一灰度值Gstd 0的计算公式为：
Figure BDA0001882921640000162
其中，
Figure BDA0001882921640000163
分别为活塞毛坯已知厚度h1的位置在第一有效区域模板图像P0(x,y)中对应的位置；
步骤8-3、使用步骤3中不同穿透厚度h与灰度值均值的关系曲线提取出活塞毛坯已知厚度h1对应的灰度值平均值M(h1)，并计算出第一校正系数j0，其中第一校正系数j0的计算公式为：
Figure BDA0001882921640000171
步骤8-4、使用第一校正系数j0对第一有效区域模板图像P0(x,y)进行校正，得到校正后的第一有效区域模板图像P′0(x,y)，其中校正的计算公式为：
Figure BDA0001882921640000172
步骤8-5、使用步骤3中的不同穿透厚度与灰度值均值的关系曲线计算出校正后的第一有效区域模板图像P′0(x,y)上各个位置对应的第一X射线穿透厚度H0(x,y)，其中，第一X射线穿透厚度H0(x,y)的计算公式为：H0(x,y)＝M-1(P′0(x,y))；
步骤8-6、将第一X射线穿透厚度图H0(x,y)代入步骤3中不同穿透厚度与夹杂类缺陷分割阈值的关系曲线T(h)up中，得到第一活塞毛坯投影DR模板图像上各个位置的第一夹杂缺陷分割阈值图thd0 up(x,y)，其中，thd0 up(x,y)＝T(H0(x,y))up；将第一X射线穿透厚度图H0(x,y)代入步骤3中不同穿透厚度与气孔类缺陷分割阈值的关系曲线T(h)low中，得到第一活塞毛坯投影DR模板图像上各个位置的第一气孔类缺陷分割阈值图thd0 low(x,y)，其中，thd0 low(x,y)＝T(H0(x,y))low。
步骤9、将步骤6中的第二活塞毛坯投影DR模板图像与第二检测盲区图像进行相乘，得到第二有效区域模板图像；以活塞毛坯已知厚度的位置作为基准点，取其在第二有效区域模板图像对应位置的灰度值，使用步骤3中不同穿透厚度与灰度值均值的关系曲线提取出活塞毛坯已知厚度对应的灰度值平均值，并计算出第二校正系数；使用第二校正系数对第二有效区域模板图像进行校正，得到校正后的第二有效区域模板图像；使用步骤3中的不同穿透厚度与灰度值均值的关系曲线计算出校正后的第二有效区域模板图像上各个位置对应的第二X射线穿透厚度，将第二X射线穿透厚度代入步骤3中不同穿透厚度与气孔类缺陷分割阈值和夹杂类缺陷分割阈值的关系曲线中，分别得到第二活塞毛坯投影DR模板图像上各个位置的第二夹杂类缺陷分割阈值图和第二气孔类缺陷分割阈值图；
其中，步骤9中的具体步骤为：
步骤9-1、将步骤6中的第二活塞毛坯投影DR模板图像p90(x,y)与第二检测盲区图像p′90(x,y)进行相乘，得到第二有效区域模板图像P90(x,y)，其中计算公式为：
P90(x,y)＝p90(x,y)×p′90(x,y)；
步骤9-2、以活塞毛坯已知厚度h1的位置作为基准点，取其在第二有效区域模板图像P90(x,y)中对应位置的第二灰度值Gstd 90，其中第二灰度值Gstd 90的计算公式为：
Figure BDA0001882921640000181
其中，
Figure BDA0001882921640000182
分别为活塞毛坯已知厚度h1的位置在第二有效区域模板图像P90(x,y)中对应的位置；
步骤9-3、使用步骤3中不同穿透厚度h与灰度值均值的关系曲线提取出活塞毛坯已知厚度h1对应的灰度值平均值M(h1)，并计算出第二校正系数j90，其中第二校正系数j90的计算公式为：
Figure BDA0001882921640000183
步骤9-4、使用第二校正系数j90对第二有效区域模板图像P90(x,y)进行校正，得到校正后的第二有效区域模板图像P′90(x,y)，其中校正的计算公式为：
Figure BDA0001882921640000184
步骤9-5、使用步骤3中的不同穿透厚度与灰度值均值的关系曲线计算出校正后的第二有效区域模板图像P′90(x,y)上各个位置对应的第二X射线穿透厚度H90(x,y)，其中，第二X射线穿透厚度H90(x,y)的计算公式为：H90(x,y)＝M-1(P′90(x,y))；
步骤9-6、将第二X射线穿透厚度图H90(x,y)代入步骤3中不同穿透厚度与夹杂类缺陷分割阈值的关系曲线T(h)up中，得到第二活塞毛坯投影DR模板图像上各个位置的第二夹杂缺陷分割阈值图thd90 up(x,y)，其中，thd90 up(x,y)＝T(H90(x,y))up；将第二X射线穿透厚度图H90(x,y)代入步骤3中不同穿透厚度与气孔类缺陷分割阈值的关系曲线T(h)low中，得到第二活塞毛坯投影DR模板图像上各个位置的第二气孔类缺陷分割阈值图thd90 low(x,y)，其中，thd90 low(x,y)＝T(H90(x,y))low。
步骤10、选取实际生产的活塞毛坯，采用步骤5中相同的方法，从0°检测实际活塞毛坯，得到第一DR图像；以实际生产的活塞毛坯已知厚度的位置作为基准点，取其在第一DR图像中对应位置的灰度值，使用步骤3中不同穿透厚度与灰度值均值的关系曲线提取出活塞毛坯已知厚度对应的灰度值平均值，并计算出第三校正系数；使用第三校正系数对第一DR图像进行校正，得到校正后的第一DR图像；将校正后的第一DR图像分别与第一夹杂类缺陷分割阈值图和第一气孔类缺陷分割阈值图相减，分别得到第一夹杂类缺陷图像和第一气孔类缺陷图像；
其中，步骤10中的具体步骤为：
步骤10-1、选取实际生产的活塞毛坯，采用步骤5中相同的方法，从0°检测实际活塞毛坯，得到第一DR图像I0(x,y)，如图9所示；
步骤10-2、以实际生产的活塞毛坯已知厚度h1的位置作为基准点，取其在第一DR图像I0(x,y)中对应位置的第三灰度值G′std 0，其中第三灰度值G′std 0的计算公式为：
Figure BDA0001882921640000191
其中，
Figure BDA0001882921640000192
分别为活塞毛坯已知厚度h1的位置在第一DR图像I0(x,y)中对应的位置；
步骤10-3、使用步骤3中不同穿透厚度h与灰度值均值的关系曲线提取出活塞毛坯已知厚度h1对应的灰度值平均值M(h1)，并计算出第三校正系数j′0，其中第三校正系数j′0的计算公式为：
Figure BDA0001882921640000193
步骤10-4、使用第三校正系数j′0对第一DR图像I0(x,y)进行校正，得到校正后的第一DR图像I′0(x,y)，其中校正的计算公式为：
Figure BDA0001882921640000194
步骤10-5、将校正后的第一DR图像I′0(x,y)分别与第一夹杂类缺陷分割阈值图thd0 up(x,y)和第一气孔类缺陷分割阈值图thd0 low(x,y)相减，分别得到第一夹杂类缺陷图像Im0(x,y)和第一气孔类缺陷图像Ip0(x,y)，其中计算公式为：
Figure BDA0001882921640000201
Ip0(x，y)＝I′0(x，y)-thd0 low(x，y)。
步骤11、采用步骤6中相同的方法，从90°检测步骤10中实际生产的活塞毛坯，得到第二DR图像；以实际生产的活塞毛坯已知厚度的位置作为基准点，取其在第二DR图像中对应位置的灰度值，使用步骤3中不同穿透厚度与灰度值均值的关系曲线提取出活塞毛坯已知厚度对应的灰度值平均值，并计算出第四校正系数；使用第四校正系数对第二DR图像进行校正，得到校正后的第二DR图像；将校正后的第二DR图像分别与第二夹杂类缺陷分割阈值图和第二气孔类缺陷分割阈值图相减，分别得到第二夹杂类缺陷图像和第二气孔类缺陷图像；
其中，步骤11中的具体步骤为：
步骤11-1、采用步骤6中相同的方法，从90°检测步骤10中实际生产的活塞毛坯，得到第二DR图像I90(x,y)，如图10所示；
步骤11-2、以实际生产的活塞毛坯已知厚度h1的位置作为基准点，取其在第二DR图像I90(x,y)中对应位置的第四灰度值G′std 90，其中第四灰度值G′std 90的计算公式为：
Figure BDA0001882921640000202
其中，
Figure BDA0001882921640000203
分别为活塞毛坯已知厚度h1的位置在第二DR图像I90(x,y)中对应的位置；
步骤11-3、使用步骤3中不同穿透厚度h与灰度值均值的关系曲线提取出活塞毛坯已知厚度h1对应的灰度值平均值M(h1)，并计算出第四校正系数j′90，其中第四校正系数j′90的计算公式为：
Figure BDA0001882921640000204
步骤11-4、使用第四校正系数j′90对第二DR图像I90(x,y)进行校正，得到校正后的第二DR图像I′90(x,y)，其中校正的计算公式为：
Figure BDA0001882921640000205
步骤11-5、将校正后的第二DR图像I′90(x,y)分别与第二夹杂类缺陷分割阈值图thd90 up(x,y)和第二气孔类缺陷分割阈值图thd90 low(x,y)相减，分别得到第二夹杂类缺陷图像Im90(x,y)和第二气孔类缺陷图像Ip90(x,y)，其中计算公式为：
Figure BDA0001882921640000211
Ip90(x，y)＝I′90(x，y)-thd90 low(x，y)。
步骤12、使用步骤7中的检测盲区，计算步骤10中第一夹杂类缺陷图像除步骤7中检测盲区之外的区域和步骤11中第二夹杂类缺陷图像除步骤7中检测盲区的之外区域中像素值大于0的像素组成的连通区域面积，将其连通区域面积作为夹杂类缺陷的定量；统计步骤10中第一气孔类缺陷图像除步骤7中检测盲区之外的区域和步骤11中第二气孔类缺陷图像除步骤7中检测盲区之外的区域中像素值小于0的像素组成的连通区域内的像素最小值，根据第一DR图像或第二DR图像中的灰度值分布，使用步骤3中的不同穿透厚度与灰度值均值的关系曲线计算出活塞毛坯每个位置的穿透厚度，并根据像素最小值的像素在第一DR图像或第二DR图像中的位置得到穿透厚度，再根据步骤4中不同穿透厚度与不同当量圆柱形缺陷灰度值极值的关系曲线确认每个连通区域中的像素最小值对应的缺陷当量。
具体步骤为：
步骤12-1、使用步骤7中的检测盲区，计算步骤10中第一夹杂类缺陷图像除步骤7中检测盲区之外的区域和步骤11中第二夹杂类缺陷图像除步骤7中检测盲区的之外区域中像素值大于0的像素组成的连通区域面积Smf(w),w＝1,2,3...k，，如图11所示，其中，w为连通区域的序号，一个连通区域表示一个缺陷，通过Im0(x,y)>0，Im90(x,y)>0选择出满足条件的像素点，满足条件的像素点中不包括检测盲区内的像素点，将其连通区域面积Smf(w)作为夹杂类缺陷的定量；
步骤12-2、统计步骤10中第一气孔类缺陷图像除步骤7中检测盲区之外的区域和步骤11中第二气孔类缺陷图像除步骤7中检测盲区之外的区域中像素值小于0的像素组成的连通区域内的像素最小值
Figure BDA0001882921640000212
其中，w为连通区域的序号，一个连通区域表示一个缺陷，通过Ip0(x,y)<0，Ip90(x,y)<0选择出满足条件的像素点，其中，满足条件的像素点中不包括检测盲区内的像素点；
步骤12-3、根据第一DR图像或第二DR图像中的灰度值分布，使用步骤3中的不同穿透厚度与灰度值均值的关系曲线计算出活塞毛坯每个位置的穿透厚度，并根据像素最小值的像素在第一DR图像或第二DR图像中的位置得到穿透厚度，再根据步骤4中不同穿透厚度与不同当量圆柱形缺陷灰度值极值的关系曲线确认每个连通区域中的像素最小值对应的缺陷当量。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种复杂内结构的活塞毛坯缺陷检测方法，其特征在于：包括以下步骤：
步骤1、制造出与被测试活塞毛坯材质一致的阶梯形打孔标定试块，其中，该标定试块阶梯的最大高度大于被测试活塞毛坯的最大直径；
步骤2、采用X射线实时成像工艺对标定试块进行扫描，获得标定试件的DR图像；
步骤3、选取标定试块的DR图像的不同穿透厚度阶梯中不包含人工孔型缺陷所在区域的图像，并统计不同穿透厚度阶梯中选取的区域内的灰度直方图，计算不同穿透厚度下灰度直方图的最佳灰度值均值，建立不同穿透厚度与灰度值均值的关系曲线；通过实验设定最佳置信度，提取出气孔类缺陷分割阈值和夹杂类缺陷分割阈值，分别建立不同穿透厚度与气孔类缺陷分割阈值和夹杂类缺陷分割阈值的关系曲线；
步骤4、选取标定试块的DR图像中不同穿透厚度阶梯中包含人工孔型缺陷所在区域的图像，利用步骤3中不同穿透厚度与气孔类缺陷分割阈值和夹杂类缺陷分割阈值的关系曲线提取出人工孔型缺陷；在缺陷内部搜索灰度值极值，建立不同穿透厚度与不同当量圆柱形缺陷灰度值极值的关系曲线；
步骤5、选取无缺陷的被测试活塞毛坯标准样件，以活塞毛坯销孔正对平面为第一扫描平面，假设角度为0°，采用与步骤2中标定试块相同的X射线实时成像工艺进行扫描，通过多次积分得到第一活塞毛坯投影DR模板图像，计算该模板图像的第一局部标准差图像，将第一局部标准差图像中大于给定阈值的区域提取出来，得到第一检测盲区图像；
步骤6、将步骤5中的无缺陷的活塞毛坯标准样件，旋转90度使得活塞毛坯销孔平行于第一扫描平面，假设角度为90°，采用与步骤5中相同的方法，采用X射线实时成像工艺进行扫描，通过多次积分得到第二活塞毛坯投影DR模板图像，计算该模板图像的第二局部标准差图像，将第二局部标准差图像中大于给定阈值的区域提取出来，得到第二检测盲区图像；
步骤7、将步骤5中的第一检测盲区图像和步骤6中的第二检测盲区图像进行正交投影，将两者重叠处作为检测盲区；
步骤8、将步骤5中的第一活塞毛坯投影DR模板图像与第一检测盲区图像进行相乘，得到第一有效区域模板图像；以活塞毛坯已知厚度的位置作为基准点，取其在第一有效区域模板图像对应位置的灰度值，使用步骤3中不同穿透厚度与灰度值均值的关系曲线提取出活塞毛坯已知厚度对应的灰度值平均值，并计算出第一校正系数；使用第一校正系数对第一有效区域模板图像进行校正，得到校正后的第一有效区域模板图像；使用步骤3中的不同穿透厚度与灰度值均值的关系曲线计算出校正后的第一有效区域模板图像上各个位置对应的第一X射线穿透厚度，将第一X射线穿透厚度代入步骤3中不同穿透厚度与气孔类缺陷分割阈值和夹杂类缺陷分割阈值的关系曲线中，分别得到第一活塞毛坯投影DR模板图像上各个位置的第一夹杂类缺陷分割阈值图和第一气孔类缺陷分割阈值图；
步骤9、将步骤6中的第二活塞毛坯投影DR模板图像与第二检测盲区图像进行相乘，得到第二有效区域模板图像；以活塞毛坯已知厚度的位置作为基准点，取其在第二有效区域模板图像对应位置的灰度值，使用步骤3中不同穿透厚度与灰度值均值的关系曲线提取出活塞毛坯已知厚度对应的灰度值平均值，并计算出第二校正系数；使用第二校正系数对第二有效区域模板图像进行校正，得到校正后的第二有效区域模板图像；使用步骤3中的不同穿透厚度与灰度值均值的关系曲线计算出校正后的第二有效区域模板图像上各个位置对应的第二X射线穿透厚度，将第二X射线穿透厚度代入步骤3中不同穿透厚度与气孔类缺陷分割阈值和夹杂类缺陷分割阈值的关系曲线中，分别得到第二活塞毛坯投影DR模板图像上各个位置的第二夹杂类缺陷分割阈值图和第二气孔类缺陷分割阈值图；
步骤10、选取实际生产的活塞毛坯，采用步骤5中相同的方法，从0°检测实际活塞毛坯，得到第一DR图像；以实际生产的活塞毛坯已知厚度的位置作为基准点，取其在第一DR图像中对应位置的灰度值，使用步骤3中不同穿透厚度与灰度值均值的关系曲线提取出活塞毛坯已知厚度对应的灰度值平均值，并计算出第三校正系数；使用第三校正系数对第一DR图像进行校正，得到校正后的第一DR图像；将校正后的第一DR图像分别与第一夹杂类缺陷分割阈值图和第一气孔类缺陷分割阈值图相减，分别得到第一夹杂类缺陷图像和第一气孔类缺陷图像；
步骤11、采用步骤6中相同的方法，从90°检测步骤10中实际生产的活塞毛坯，得到第二DR图像；以实际生产的活塞毛坯已知厚度的位置作为基准点，取其在第二DR图像中对应位置的灰度值，使用步骤3中不同穿透厚度与灰度值均值的关系曲线提取出活塞毛坯已知厚度对应的灰度值平均值，并计算出第四校正系数；使用第四校正系数对第二DR图像进行校正，得到校正后的第二DR图像；将校正后的第二DR图像分别与第二夹杂类缺陷分割阈值图和第二气孔类缺陷分割阈值图相减，分别得到第二夹杂类缺陷图像和第二气孔类缺陷图像；
步骤12、使用步骤7中的检测盲区，计算步骤10中第一夹杂类缺陷图像除步骤7中检测盲区之外的区域和步骤11中第二夹杂类缺陷图像除步骤7中检测盲区的之外区域中像素值大于0的像素组成的连通区域面积，将其连通区域面积作为夹杂类缺陷的定量；统计步骤10中第一气孔类缺陷图像除步骤7中检测盲区之外的区域和步骤11中第二气孔类缺陷图像除步骤7中检测盲区之外的区域中像素值小于0的像素组成的连通区域内的像素最小值，根据第一DR图像或第二DR图像中的灰度值分布，使用步骤3中的不同穿透厚度与灰度值均值的关系曲线计算出活塞毛坯每个位置的穿透厚度，并根据像素最小值的像素在第一DR图像或第二DR图像中的位置得到穿透厚度，再根据步骤4中不同穿透厚度与不同当量圆柱形缺陷灰度值极值的关系曲线确认每个连通区域中的像素最小值对应的缺陷当量。
2.根据权利要求1所述的复杂内结构的活塞毛坯缺陷检测方法，其特征在于：所述步骤1中的具体步骤为：加工阶梯数为n的标定试块，在标定试块的每个阶梯上设置(直径/Ф、深度/h)＝(1mm、1mm)、(2mm、2mm)、(3mm、3mm)…的平底孔。
3.根据权利要求2所述的复杂内结构的活塞毛坯缺陷检测方法，其特征在于：所述步骤3中的具体步骤为：
步骤3-1、设标定试块的DR图像中的灰度级为[0.,L-1]，在标定试块的每个阶梯处选取M×N大小且不包含平底孔的区域进行图像灰度直方图统计，设任一阶梯Δn选取的区域图像的灰度直方图为：hΔn(i)＝mi，其中，1≤Δn≤n，hΔn表示阶梯Δn选取的区域图像输出的序列直方图，i表示阶梯Δn选取的图像中灰度级对应的像素值，即灰度值，i∈[0,L-1]，mi表示阶梯Δn选取的图像中灰度值为i的像素数量；
步骤3-2、采用最小残差法对输出序列直方图hΔn进行高斯拟合，设拟合后的高斯曲线函数为
Figure FDA0001882921630000031
其中，a是拟合后高斯曲线的幅值，
Figure FDA0001882921630000032
是拟合后高斯曲线的灰度值均值，σ是拟合后高斯曲线的灰度值标准差；
其中，高斯拟合曲线迭代的初始灰度值均值为：
Figure FDA0001882921630000033
初始灰度值标准差为：
Figure FDA0001882921630000041
将
Figure FDA0001882921630000042
和σinit代入公式
Figure FDA0001882921630000043
中，得到
Figure FDA0001882921630000044
其中幅值ainit的初始值为
Figure FDA0001882921630000045
则得到幅值ainit的初始值
Figure FDA0001882921630000046
其中，拟合后高斯曲线的灰度值均值
Figure FDA0001882921630000047
拟合后高斯曲线的幅值a和拟合后高斯曲线的灰度值标准差σ的取值范围为：
Figure FDA0001882921630000048
选取不同的拟合后高斯曲线的灰度值均值
Figure FDA0001882921630000049
拟合后高斯曲线的幅值a和拟合后高斯曲线的灰度值标准差σ，建立函数类Ψ＝{f0(i),f1(i),...,fm(i)}(m<L)
求出使
Figure FDA00018829216300000410
时，获得最佳拟合高斯曲线灰度值均值
Figure FDA00018829216300000411
以及最佳灰度值标准差σopt；
根据各个阶梯Δn对应的穿透厚度h建立不同穿透厚度h与灰度值均值的关系曲线为：
Figure FDA00018829216300000412
步骤3-3、通过实验确定最佳置信下限范围fplow和最佳置信上限范围fpup，通过最佳置信下限范围fplow提取出对应的气孔类缺陷分割阈值，通过最佳置信上限范围fpup提取出对应的夹杂类缺陷分割阈值，根据各个阶梯Δn对应的穿透厚度h建立不同穿透厚度h与夹杂类缺陷分割阈值和气孔类缺陷分割阈值的关系曲线T(h)up/T(h)low，其中，计算公式为：
Figure FDA00018829216300000413
其中，PΔn(i)＝mi/MN,i＝0,1,...,L-1，φ表示标准正态分布的积分。
4.根据权利要求1所述的复杂内结构的活塞毛坯缺陷检测方法，其特征在于：所述步骤5的具体步骤为：
步骤5-1、选取无缺陷的被测量活塞毛坯标准样件，以活塞毛坯销孔正对平面为第一扫描平面，假设角度为0°，采用与步骤2中标定试块相同的X射线实时成像工艺进行扫描，通过多次积分得到第一活塞毛坯投影DR模板图像p0(x,y)，其中，x为第一活塞毛坯投影DR模板图像中像素点的横坐标，y为第一活塞毛坯投影DR模板图像中像素点的纵坐标；
步骤5-2、计算第一活塞毛坯投影DR模板图像p0(x,y)的第一局部标准差图像s0(x,y)：对第一活塞毛坯投影DR模板图像p0(x,y)中的每个像素点进行处理，以当前像素点(x,y)的位置为中心，选取周边nl×nl范围
Figure FDA0001882921630000051
内的像素计算，其中，第一局部标准差图像s0(x,y)的计算公式为：
Figure FDA0001882921630000052
其中，局部均值：
Figure FDA0001882921630000053
步骤5-3、通过实验确定给定阈值sT，将第一局部标准差图像s0(x,y)中大于给定阈值sT的区域进行提取，得到第一检测盲区图像p′0(x,y)，其中计算公式为：
Figure FDA0001882921630000054
5.根据权利要求1所述的复杂内结构的活塞毛坯缺陷检测方法，其特征在于：所述步骤6中的具体步骤为：
步骤6-1、将步骤5中的无缺陷的活塞毛坯标准样件，旋转90度使得活塞毛坯销孔平行于第一扫描平面，假设角度为90°，采用与步骤5中相同的方法，采用X射线实时成像工艺进行扫描，通过多次积分得到第二活塞毛坯投影DR模板图像p90(x,y)，其中，x为第二活塞毛坯投影DR模板图像中像素点的横坐标，y为第二活塞毛坯投影DR模板图像中像素点的纵坐标；
步骤6-2、计算第二活塞毛坯投影DR模板图像p90(x,y)的第二局部标准差图像s90(x,y)：对第二活塞毛坯投影DR模板图像p90(x,y)每个像素点进行处理，以当前像素点位置(x,y)为中心，选取周边nl×nl范围
Figure FDA0001882921630000061
内的像素计算，其中，第二局部标准差图像s90(x,y)的计算公式为：
Figure FDA0001882921630000062
其中，局部均值：
Figure FDA0001882921630000063
步骤6-3、实验确定给定阈值sT，将第二局部标准差图像s90(x,y)中大于给定阈值sT的区域进行提取，得到第二检测盲区图像p′90(x,y)，其中计算公式为：
Figure FDA0001882921630000064
6.根据权利要求1所述的复杂内结构的活塞毛坯缺陷检测方法，其特征在于：所述步骤8的具体步骤为：
步骤8-1、将步骤5中的第一活塞毛坯投影DR模板图像p0(x,y)与第一检测盲区图像p′0(x,y)进行相乘，得到第一有效区域模板图像P0(x,y)，其中计算公式为：
P0(x,y)＝p0(x,y)×p′0(x,y)；
步骤8-2、以活塞毛坯已知厚度h1的位置作为基准点，取其在第一有效区域模板图像P0(x,y)中对应位置的第一灰度值Gstd0，其中第一灰度值Gstd0的计算公式为：
Figure FDA0001882921630000065
其中，
Figure FDA0001882921630000066
分别为活塞毛坯已知厚度h1的位置在第一有效区域模板图像P0(x,y)中对应的位置；
步骤8-3、使用步骤3中不同穿透厚度h与灰度值均值的关系曲线提取出活塞毛坯已知厚度h1对应的灰度值平均值M(h1)，并计算出第一校正系数j0，其中第一校正系数j0的计算公式为：
Figure FDA0001882921630000071
步骤8-4、使用第一校正系数j0对第一有效区域模板图像P0(x,y)进行校正，得到校正后的第一有效区域模板图像P′0(x,y)，其中校正的计算公式为：
Figure FDA0001882921630000072
步骤8-5、使用步骤3中的不同穿透厚度与灰度值均值的关系曲线计算出校正后的第一有效区域模板图像P′0(x,y)上各个位置对应的第一X射线穿透厚度H0(x,y)，其中，第一X射线穿透厚度H0(x,y)的计算公式为：H0(x,y)＝M-1(P′0(x,y))；
步骤8-6、将第一X射线穿透厚度图H0(x,y)代入步骤3中不同穿透厚度与夹杂类缺陷分割阈值的关系曲线T(h)up中，得到第一活塞毛坯投影DR模板图像上各个位置的第一夹杂缺陷分割阈值图thd0 up(x,y)，其中，thd0 up(x,y)＝T(H0(x,y))up；将第一X射线穿透厚度图H0(x,y)代入步骤3中不同穿透厚度与气孔类缺陷分割阈值的关系曲线T(h)low中，得到第一活塞毛坯投影DR模板图像上各个位置的第一气孔类缺陷分割阈值图thd0 low(x,y)，其中，thd0 low(x,y)＝T(H0(x,y))low。
7.根据权利要求1所述的复杂内结构的活塞毛坯缺陷检测方法，其特征在于：所述步骤9的具体步骤为：
步骤9-1、将步骤6中的第二活塞毛坯投影DR模板图像p90(x,y)与第二检测盲区图像p′90(x,y)进行相乘，得到第二有效区域模板图像P90(x,y)，其中计算公式为：P90(x,y)＝p90(x,y)×p′90(x,y)；
步骤9-2、以活塞毛坯已知厚度h1的位置作为基准点，取其在第二有效区域模板图像P90(x,y)中对应位置的第二灰度值Gstd90，其中第二灰度值Gstd90的计算公式为：
Figure FDA0001882921630000073
其中，
Figure FDA0001882921630000081
分别为活塞毛坯已知厚度h1的位置在第二有效区域模板图像P90(x,y)中对应的位置；
步骤9-3、使用步骤3中不同穿透厚度h与灰度值均值的关系曲线提取出活塞毛坯已知厚度h1对应的灰度值平均值M(h1)，并计算出第二校正系数j90，其中第二校正系数j90的计算公式为：
Figure FDA0001882921630000082
步骤9-4、使用第二校正系数j90对第二有效区域模板图像P90(x,y)进行校正，得到校正后的第二有效区域模板图像P′90(x,y)，其中校正的计算公式为：
Figure FDA0001882921630000083
步骤9-5、使用步骤3中的不同穿透厚度与灰度值均值的关系曲线计算出校正后的第二有效区域模板图像P′90(x,y)上各个位置对应的第二X射线穿透厚度H90(x,y)，其中，第二X射线穿透厚度H90(x,y)的计算公式为：H90(x,y)＝M-1(P′90(x,y))；
步骤9-6、将第二X射线穿透厚度图H90(x,y)代入步骤3中不同穿透厚度与夹杂类缺陷分割阈值的关系曲线T(h)up中，得到第二活塞毛坯投影DR模板图像上各个位置的第二夹杂缺陷分割阈值图thd90 up(x,y)，其中，thd90 up(x,y)＝T(H90(x,y))up；将第二X射线穿透厚度图H90(x,y)代入步骤3中不同穿透厚度与气孔类缺陷分割阈值的关系曲线T(h)low中，得到第二活塞毛坯投影DR模板图像上各个位置的第二气孔类缺陷分割阈值图thd90 low(x,y)，其中，thd90 low(x,y)＝T(H90(x,y))low。
8.根据权利要求1所述的复杂内结构的活塞毛坯缺陷检测方法，其特征在于：所述步骤10的具体步骤为：
步骤10-1、选取实际生产的活塞毛坯，采用步骤5中相同的方法，从0°检测实际活塞毛坯，得到第一DR图像I0(x,y)；
步骤10-2、以实际生产的活塞毛坯已知厚度h1的位置作为基准点，取其在第一DR图像I0(x,y)中对应位置的第三灰度值G′std0，其中第三灰度值G′std0的计算公式为：
Figure FDA0001882921630000091
其中，
Figure FDA0001882921630000092
分别为活塞毛坯已知厚度h1的位置在第一DR图像I0(x,y)中对应的位置；
步骤10-3、使用步骤3中不同穿透厚度h与灰度值均值的关系曲线提取出活塞毛坯已知厚度h1对应的灰度值平均值M(h1)，并计算出第三校正系数j′0，其中第三校正系数j′0的计算公式为：
Figure FDA0001882921630000093
步骤10-4、使用第三校正系数j′0对第一DR图像I0(x,y)进行校正，得到校正后的第一DR图像I′0(x,y)，其中校正的计算公式为：
Figure FDA0001882921630000094
步骤10-5、将校正后的第一DR图像I′0(x,y)分别与第一夹杂类缺陷分割阈值图thd0 up(x,y)和第一气孔类缺陷分割阈值图thd0 low(x,y)相减，分别得到第一夹杂类缺陷图像Im0(x,y)和第一气孔类缺陷图像Ip0(x,y)，其中计算公式为：
Figure FDA0001882921630000097
Ip0(x,y)＝I′0(x,y)-thd0 low(x,y)。
9.根据权利要求1所述的复杂内结构的活塞毛坯缺陷检测方法，其特征在于：所述步骤11的具体步骤为：
步骤11-1、采用步骤6中相同的方法，从90°检测步骤10中实际生产的活塞毛坯，得到第二DR图像I90(x,y)；
步骤11-2、以实际生产的活塞毛坯已知厚度h1的位置作为基准点，取其在第二DR图像I90(x,y)中对应位置的第四灰度值G′std90，其中第四灰度值G′std90的计算公式为：
Figure FDA0001882921630000095
其中，
Figure FDA0001882921630000096
分别为活塞毛坯已知厚度h1的位置在第二DR图像I90(x,y)中对应的位置；
步骤11-3、使用步骤3中不同穿透厚度h与灰度值均值的关系曲线提取出活塞毛坯已知厚度h1对应的灰度值平均值M(h1)，并计算出第四校正系数j′90，其中第四校正系数j′90的计算公式为：
Figure FDA0001882921630000101
步骤11-4、使用第四校正系数j′90对第二DR图像I90(x,y)进行校正，得到校正后的第二DR图像I′90(x,y)，其中校正的计算公式为：
Figure FDA0001882921630000102
步骤11-5、将校正后的第二DR图像I′90(x,y)分别与第二夹杂类缺陷分割阈值图thd90 up(x,y)和第二气孔类缺陷分割阈值图thd90 low(x,y)相减，分别得到第二夹杂类缺陷图像Im90(x,y)和第二气孔类缺陷图像Ip90(x,y)，其中计算公式为：
Figure FDA0001882921630000104
Ip90(x,y)＝I′90(x,y)-thd90 low(x,y)。
10.根据权利要求1所述的复杂内结构的活塞毛坯缺陷检测方法，其特征在于：所述步骤12的具体步骤为：
步骤12-1、使用步骤7中的检测盲区，计算步骤10中第一夹杂类缺陷图像除步骤7中检测盲区之外的区域和步骤11中第二夹杂类缺陷图像除步骤7中检测盲区的之外区域中像素值大于0的像素组成的连通区域面积Smf(w),w＝1,2,3...k，其中，w为连通区域的序号，一个连通区域表示一个缺陷，通过Im0(x,y)>0，Im90(x,y)>0选择出满足条件的像素点，满足条件的像素点中不包括检测盲区内的像素点，将其连通区域面积Smf(w)作为夹杂类缺陷的定量；
步骤12-2、统计步骤10中第一气孔类缺陷图像除步骤7中检测盲区之外的区域和步骤11中第二气孔类缺陷图像除步骤7中检测盲区之外的区域中像素值小于0的像素组成的连通区域内的像素最小值
Figure FDA0001882921630000103
其中，w为连通区域的序号，一个连通区域表示一个缺陷，通过Ip0(x,y)<0，Ip90(x,y)<0选择出满足条件的像素点，其中，满足条件的像素点中不包括检测盲区内的像素点；
步骤12-3、根据第一DR图像或第二DR图像中的灰度值分布，使用步骤3中的不同穿透厚度与灰度值均值的关系曲线计算出活塞毛坯每个位置的穿透厚度，并根据像素最小值的像素在第一DR图像或第二DR图像中的位置得到穿透厚度，再根据步骤4中不同穿透厚度与不同当量圆柱形缺陷灰度值极值的关系曲线确认每个连通区域中的像素最小值对应的缺陷当量。
CN201811432370.7A 2018-11-28 2018-11-28 一种复杂内结构的活塞毛坯缺陷检测方法 Active CN109584231B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811432370.7A CN109584231B (zh) 2018-11-28 2018-11-28 一种复杂内结构的活塞毛坯缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811432370.7A CN109584231B (zh) 2018-11-28 2018-11-28 一种复杂内结构的活塞毛坯缺陷检测方法

Publications (2)

Publication Number Publication Date
CN109584231A CN109584231A (zh) 2019-04-05
CN109584231B true CN109584231B (zh) 2022-11-29

Family

ID=65925160

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811432370.7A Active CN109584231B (zh) 2018-11-28 2018-11-28 一种复杂内结构的活塞毛坯缺陷检测方法

Country Status (1)

Country Link
CN (1) CN109584231B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110335233B (zh) * 2019-04-24 2023-06-30 武汉理工大学 基于图像处理技术的高速公路护栏板缺陷检测系统和方法
CN112697823B (zh) * 2020-12-07 2024-04-09 中国第一汽车股份有限公司 一种基于实时成像等级评价的铝铸件气孔尺寸评估方法
CN112950588B (zh) * 2021-03-02 2024-07-16 江苏阿瑞斯智能设备有限公司 一种图像处理方法、装置、电子设备及介质
CN113160163B (zh) * 2021-04-14 2023-10-31 大连亚明汽车部件股份有限公司 一种基于机器视觉的发动机缸体外观缺陷检测算法
CN113484343A (zh) * 2021-06-25 2021-10-08 成都飞机工业（集团）有限责任公司 一种3d打印制件孔型缺陷的可检测性能的检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001063236A2 (de) * 2000-02-05 2001-08-30 Yxlon International X-Ray Gmbh Verfahren zur automatischen gussfehlererkennung in einem prüfling
CN107316287A (zh) * 2017-05-26 2017-11-03 浙江工业大学 一种矩形铁氧体磁片表面的缺陷识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001063236A2 (de) * 2000-02-05 2001-08-30 Yxlon International X-Ray Gmbh Verfahren zur automatischen gussfehlererkennung in einem prüfling
CN1401075A (zh) * 2000-02-05 2003-03-05 伊克斯龙国际X射线有限公司 自动检测试样中铸造缺陷的方法
CN107316287A (zh) * 2017-05-26 2017-11-03 浙江工业大学 一种矩形铁氧体磁片表面的缺陷识别方法

Also Published As

Publication number Publication date
CN109584231A (zh) 2019-04-05

Similar Documents

Publication Publication Date Title
CN109584231B (zh) 一种复杂内结构的活塞毛坯缺陷检测方法
CN108764345B (zh) 一种基于局部与全局聚类的水下大坝裂缝检测方法
CN117351019B (zh) 一种焊接缺陷检测方法
Marani et al. Automatic detection of subsurface defects in composite materials using thermography and unsupervised machine learning
CN110441305B (zh) 一种二次喷丸的表面覆盖率检验方法
CN108444934B (zh) 一种复合材料脱粘缺陷的自动分割及量化方法
CN110084786B (zh) 一种渐变背景的数字x射线图像缺陷自动识别方法
CN112525879A (zh) 一种煤岩显微组分原位识别与快速定量的方法
CN113884464A (zh) 一种基于红外热像仪的涂层波段发射率外场测量方法
CN113884538B (zh) 大型风力机叶片内部微小缺陷的红外热像检测方法
CN111272624A (zh) 一种孔隙率检测方法
CN109556542B (zh) 复杂点阵镂空结构ct尺寸测量方法
CN108830849B (zh) 一种基于图像处理技术的过/亚共晶Al-Si合金变质分级方法
CN108827197B (zh) 一种减少边缘退化影响的线阵工业ct均质材料尺寸测量方法
Lin et al. Alloy Cast Product Defect Detection Based on Object Detection
CN116223224B (zh) 基于图像处理实现固化剂对产品力学性能影响的检测方法
Wang et al. A new computer vision based multi-indentation inspection system for ceramics
CN108305285A (zh) 一种蜂窝夹心结构脱开面积占比测量方法
CN107330869B (zh) 重叠细胞分割后的异常像素点重构方法
CN111640117B (zh) 一种寻找建筑物渗漏源位置的方法
CN112129676B (zh) 孔隙率试块的制作方法及孔隙率快速检测方法
Hassan et al. Compressed air leakage detection and quantification through infrared thermography
CN113670958B (zh) 一种基于x射线线衰减系数差异的燃气轮机叶片缺陷辨别方法
CN116310354B (zh) 基于红外图像处理的漂浮危化品识别方法
CN117351007B (zh) 基于红外设备的熔炉内部缺陷识别系统

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