CN109816652B - 一种基于灰度显著性的复杂铸件缺陷识别方法 - Google Patents

Abstract

本发明公开了一种基于灰度显著性的复杂铸件缺陷识别方法。获取复杂铸件的射线图像，对图像进行尺寸归一化，图像变换后进行灰度形态学闭运算，对运算结果再进行中值滤波，得到预处理后的图像。对预处理后图像进行边缘检测，获得边缘部分的二值图像，然后二值图像中去除区域过小部分，最后对二值图像进行二值形态学膨胀运算，得到边缘二值图。利用预处理后的图像和边缘二值图，进行灰度显著性检测，得到初步缺陷区域。最后计算初步缺陷区域的大小，再结合先验知识，判定显著性区域为复杂铸件的缺陷。本发明有效提高了无模板缺陷检测中准确率，能在复杂结构中检测出缺陷区域，最终提高生产自动化效率。

Description

一种基于灰度显著性的复杂铸件缺陷识别方法

技术领域

本发明涉及数字图像铸件缺陷检测领域，具体涉及一种基于灰度显著性的复杂铸件缺陷识别方法。

背景技术

射线检测是工业铸件检测的一种无损检测方式，通过从不同角度射线照射，得到铸件的内部结构图像，然后专业人员根据得到的射线图像，人工分析铸件内部是否存在缺陷。人工分析的方式可以检测出复杂铸件内部的缺陷，但是随着工作人员的疲劳，检测效率和检测准确度大大降低。铸件缺陷检测自动化的实现，对于提高生产质量和生产效率、加快生产制造智能化有着重要意义。

数字图像处理的方法在很多工业生产场合有着成熟的应用，在缺陷检测方面也有现成的技术方案。目前，利用数字图像处理用来缺陷检测的场合分为两大类，一类为物体表面检测，例如铸件表面、轮胎表面、电路板表面等；另一类为物体内部检测，采用射线图片，得到铸件物体内部结构，来进行分析检测。数字图像处理用来检测物体内部检测，现有的方法可以分为两类：一类为采用无损良好的模板与需要被检测的图像进行差异检测，例如差值法、匹配法；另一类为直接对被检测图像进行处理，利用分割得到缺陷区域，再对区域进行形状、大小等特征，结合先验知识进行缺陷识别。采用模板方法虽然检测成功率高，但是对于模板要求和匹配要求十分严格。采用直接处理方法虽然避免了模板的采集和制作，但是对于复杂结构的铸件效果比较差。

发明内容

本发明的目的是改进现有技术的不足，提出一种基于灰度显著性的复杂铸件缺陷识别方法，通过高斯滤波图像和中值滤波图像的差值，再配合Canny边缘检测得到的边缘二值图，进行灰度显著性检测，得到初步缺陷区域，再根据先验知识，判断缺陷。该方法对光照的要求较低，对于小缺陷也能有很好的检测效果。

为实现上述的技术方案，以下为该方案的步骤：

1、获取复杂铸件的射线图像，对图像进行尺寸归一化，图像变换后进行灰度形态学闭运算，对运算结果再进行中值滤波，得到预处理后的图像。

2、对预处理后图像进行边缘检测，获得边缘部分的二值图像，然后二值图像中去除区域过小部分，最后对二值图像进行二值形态学膨胀运算，得到边缘二值图。

3、利用预处理后的图像和边缘二值图，进行灰度显著性检测，得到初步缺陷区域。

4、计算初步缺陷区域的大小，再结合先验知识，判定显著性区域为复杂铸件的缺陷。

所述的步骤1具体如下：

1.1、对图像调整至指定的尺寸，采用双线性插值对空缺偏移的像素进行填充。

1.2、对调整后的图像先进行灰度形态学膨胀运算，消除不均匀部分，再进行灰度形态学腐蚀运算，两个运算形成了灰度形态学闭运算。

1.3、对结果图像进行中值滤波，消除噪声，得到预处理后的图像。

所述的步骤2具体如下：

2.1、采用Canny边缘检测的方法，先采用高斯算子与图像卷积，平滑图像；然后提取图像水平垂直方向的梯度和梯度方向；接着计算梯度方向上梯度最大的点作为边缘点，形成脊轨迹，沿着轨迹利用阈值对像素值进行处理，获得初步边缘图像；最后边缘连接，得到初步边缘二值图。

2.2、对初步边缘二值图像进行二值形态学膨胀运算，为了加宽和补全边缘，得到边缘二值图。

所述的步骤3具体如下：

3.1、对预处理后的图像采用高斯算子进行卷积，平滑图像，得到高斯滤波后图像；再对高斯滤波后图像进行指定次数的中值滤波，为了过滤缺陷部分的高频特性，得到中值滤波后图像。

3.2、计算高斯滤波后图像和中值滤波后图像的差值，采用阈值对差值进行判断，差值符合阈值的区域为可能是缺陷的区域，再对此区域进行区域填充和二值形态学闭运算，得到差值二值图。

3.3、定义差值集合，集合中的每个元素为差值二值图中各自不相交的区域，定义边缘集合，集合中的每个元素为边缘二值图中各自不相交的区域。

3.4、做数学集合运算，得差值集和边缘集的交集，从差值二值图中去除交集中的区域，再根据阈值判断去除交集后的区域过小、过大、图像边界的区域，完成了整个灰度显著性检测，得到初步缺陷区域。

所述的步骤4具体如下：

4.1、计算先前缺陷图像中的缺陷区域大小，设定阈值。

4.2、计算初步缺陷区域中每个区域的大小，根据先验知识计算出的阈值，判断满足的区域为缺陷。

所述的灰度显著性检测就是步骤3.1，3.2，3.3，3.4。

本发明的有益效果主要表现在：

1、灰度显著性检测中，在高斯滤波后图像的基础上，进行中值滤波，再做两幅图像的差值，加大了差值结果的准确率。

2、灰度显著性检测中，结合了边缘二值图，消去了明显的误检测区域，提高了最终缺陷区域的检测率。

附图说明

图1为本发明的检测方法流程图；

图2是实例获取的铸件射线原图；

图3是铸件的预处理后图；

图4是铸件的边缘二值图；

图5是铸件的初步缺陷区域图；

图6是铸件的最终缺陷区域图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。

本发明流程如图1所示，实例如下：

步骤1：对获取到的射线图像，如图2所示，进行尺寸调整，进行灰度形态学闭运算，对结果再进行中值滤波，得到预处理后的图像。实现具体如下：

1.1、设定图像的目标尺寸为长宽均为512，进行缩放运算，对于空缺像素采用双线性插值。

1.2、对调整过后的图像进行灰度形态学闭运算，膨胀和腐蚀算子均为矩形，尺寸为长宽均为3。

1.3、对图像再进行中值滤波，中值滤波算子尺寸为长宽均为5，得到预处理后图像I_O，结果如图3所示。

步骤2：对图像进行边缘检测，获得边缘部分的二值图，然后再筛选区域过小部分，再进行二值形态学膨胀运算，得到边缘二值图。实现具体如下：

2.1、采用Canny边缘检测的方法，先采用高斯算子与图像卷积，高斯算子方差为

平滑图像；然后提取图像水平垂直方向的梯度和梯度方向；接着计算梯度方向上梯度最大的点作为边缘点，形成脊轨迹，沿着轨迹利用阈值对像素值进行处理，获得初步边缘图像；最后边缘连接，得到初步边缘二值图。

2.2、对初步边缘二值图进行二值形态学膨胀运算，膨胀算子为矩形，尺寸为长宽均为7，加宽和补全边缘，得到边缘二值图I_E，结果如图4所示。

步骤3：利用预处理后的图像I_O和边缘二值图I_E，进行灰度显著性检测，得到初步缺陷区域。实现具体如下：

3.1、对图像I_O进行高斯算子卷积，高斯算子尺寸为长宽均为5，方差为2，得到高斯滤波后图像I_G；再对高斯滤波后图像I_G进行制定次数的中值滤波，中值滤波算子尺寸为长宽均为11，滤波次数为5，为了过滤缺陷部分的高频特性，得到中值滤波后图像I_M。

3.2、计算高斯滤波后图像I_G和中值滤波后图像I_M的差值，即I_G-I_M；采用阈值对差值进行判断，根据先验知识上阈值为15，下阈值为5，即满足这个阈值内的差值为可能缺陷的区域；再对此区域进行区域填充和二值形态学闭运算，膨胀和腐蚀算子均为矩形，尺寸为长宽均为3，得到差值二值图I_Δ。

3.3、定义差值集合S_Δ，集合S_Δ中的每个元素为差值二值图中各自不相交的区域，即S_Δ＝{x│x∈I_Δ}，定义边缘集合S_E，集合中的每个元素为边缘二值图中各自不相交的区域，即S_E＝{x│x∈I_E}。

3.4、做数学集合运算，得差值集和边缘集的交集，即S_C＝{x│x∈(S_Δ∩S_E)}，从差值二值图中去除交集中的区域，即S_Δ-S_C，再根据阈值判断去除交集后的区域过小、过大、图像边界的区域，其中过小阈值为5，过大阈值为400，图像边界为10，完成了整个灰度显著性检测，得到初步缺陷区域I_Def，结果如图5所示。

步骤4：计算初步缺陷区域的大小，再结合先验知识，判断满足的区域为复杂铸件的缺陷。实现具体步骤如下：

4.1、计算先前缺陷图像中的缺陷区域大小，设定阈值。

4.2、计算初步缺陷区域中每个区域的大小，根据先验知识计算出的阈值，判断满足的区域为缺陷，根据经验阈值选择10，结果如图6所示。

通过上述实例，本发明提出了一种基于灰度显著性的复杂铸件缺陷识别方法，通过灰度检测显著性检测，其中结合了铸件的边缘二值图，能够准确有效的检测出复杂铸件的缺陷位置。对于从事本领域的技术和开发人员，在不违背本发明原理和精神的情况下,对这些实施方式进行各种变化、修改、替换和变型，仍落入在本发明的保护范围内。

Claims (2)

1.一种基于灰度显著性的复杂铸件缺陷识别方法，其特征在于，包括如下步骤：

(1)获取复杂铸件的射线图像，对图像进行尺寸归一化，图像变换后进行灰度形态学闭运算，对运算结果再进行中值滤波，得到预处理后的图像；

(2)对预处理后图像进行边缘检测，获得边缘部分的二值图像，然后二值图像中去除区域过小部分，最后对二值图像进行二值形态学膨胀运算，得到边缘二值图；

(3)利用预处理后的图像和边缘二值图，进行灰度显著性检测，得到初步缺陷区域；

(4)计算初步缺陷区域的大小，再结合先验知识，判断满足的区域为复杂铸件的缺陷；

步骤(1)具体为：

1.1、对图像调整至指定的尺寸，采用双线性插值对空缺偏移的像素进行填充；

1.2、对调整后的图像先进行灰度形态学膨胀运算，消除不均匀部分，再进行灰度形态学腐蚀运算，两个运算形成了灰度形态学闭运算；

1.3、对结果图像进行中值滤波，消除噪声，得到预处理后的图像；

步骤(2)具体为：

2.1、采用Canny边缘检测的方法，先采用高斯算子与图像卷积，平滑图像；然后提取图像水平垂直方向的梯度和梯度方向；接着计算梯度方向上梯度最大的点作为边缘点，形成脊轨迹，沿着轨迹利用阈值对像素值进行处理，获得初步边缘图像；最后边缘连接，得到初步边缘二值图；

2.2、对初步边缘二值图像进行二值形态学膨胀运算，为了加宽和补全边缘，得到边缘二值图；

步骤(3)具体为：

3.1、对预处理后的图像采用高斯算子进行卷积，平滑图像，得到高斯滤波后图像；再对高斯滤波后图像进行指定次数的中值滤波，为了过滤缺陷部分的高频特性，得到中值滤波后图像；

3.2、计算高斯滤波后图像和中值滤波后图像的差值，采用阈值对差值进行判断，差值符合阈值的区域为可能是缺陷的区域，再对此区域进行区域填充和二值形态学闭运算，得到差值二值图；

3.3、定义差值集合，集合中的每个元素为差值二值图中各自不相交的区域，定义边缘集合，集合中的每个元素为边缘二值图中各自不相交的区域；

3.4、做数学集合运算，得差值集和边缘集的交集，从差值二值图中去除交集中的区域，再根据阈值判断去除交集后的区域过小、过大、图像边界的区域，完成了整个灰度显著性检测，得到初步缺陷区域。

2.根据权利要求1所述的方法，其特征在于，步骤(4)具体为：

4.1、计算先前缺陷图像中的缺陷区域大小，设定阈值；

4.2、计算初步缺陷区域中每个区域的大小，根据先验知识计算出的阈值，判断满足的区域为缺陷。

Images