CN109859160A - 基于机器视觉的铝镁合金铸件内部缺陷图像识别方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的铝镁合金铸件内部缺陷图像识别方法，通过X射线实时成像设备采集铝镁合金铸件内部缺陷原始图像；对采集回来的原始图像进行预处理，即对原始图像进行双边滤波去噪，有效的平滑图像，并保留图像中缺陷轮廓边缘特征；采用局部自适应阈值，选好阈值，准确将缺陷目标与背景分割出来；对处理得到的图像进行形态学滤波处理；针对形态学滤波处理后得到的图像进行blob算法分析，得到图像中缺陷块个数以及各个缺陷目标的面积、周长、最小外接矩阵周长、长宽比，对这些特征进行统计分析，建立缺陷判定标准；利用所述缺陷判定标准识别铸件图像。本发明实现了这几类缺陷的智能化识别。

Description

基于机器视觉的铝镁合金铸件内部缺陷图像识别方法

技术领域

本发明涉及图像处理和智能识别技术领域，特别是一种基于机器视觉的铝镁合金铸件内部缺陷图像识别方法。

背景技术

铝镁合金铸件主要应用于航空航天领域，其内部质量的好坏直接影响到了产品的性能和可靠性。铝镁合金铸件内部缺陷主要采用X射线实时成像技术检测，X射线穿透被测件，在数字式平板上投影生成数字信号，并在显示器上实时显示透射图像。X射线检测系统采集的铸件图像，图像清晰度不高并且有许多噪声，为了快速而有效的检测出缺陷的形状、位置和大小等，需要运用数字图像处理技术,使得铸件图像的轮廓和清晰度得到改善，并通过相关算法进行智能化评定或人工评定。现有技术主要是对X射线实时成像检测图像进行预处理，再根据相关标准进行人工评定，缺少有效的缺陷智能化评定技术。

针对铝镁合金内部缺陷的X射线实时检测方法，国内缺少铸件数字图像缺陷评定标准体系，同时对铝镁合金铸件缺陷数字图像识别方法研究很少，一般只做到了缺陷图像的预处理和边缘提取。针对焊缝缺陷检测，国内外的学者做了许多的研究工作，并提出了基于字典查询的概率统计、基于深度神经网络学习的缺陷分割、基于Beamlet分析的裂纹类分割的多种检测方法。但铝镁合金铸件内部缺陷与焊缝缺陷种类和特征不同，其算法的适用性不能满足要求。

(1)缺陷形状识别比较困难

图像组成的基本单元是像素，如果一幅图像中包含的像素越多,图像就越清晰,像质就越高。从目前射线实时成像技术和计算机图像处理技术来看，像质的提高，特别是清晰度的提高已经不是很困难的事。但是，图像清晰度的提高，只是有利于图形边界的分辨,即缺陷的定位和定量，不能代替图像形状的识别，即缺陷的定性。由于缺陷形状较复杂,给图像的自动识别带来很大的困难。

(2)图像识别需要建立数学模型

铝镁合金铸件内部缺陷具有一定的立体形状,投影到成像平面上后则成为二维图像。识别缺陷的几何形状(即识别缺陷的图像特征)应首先建立多个能够描述不同边界形状或图像特征的数学模型,否则很难用计算机程序来自动识别。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种基于机器视觉的铝镁合金铸件内部缺陷图像识别方法，提高缺陷的辨识度；实现缺陷的智能化识别，代替人工识别。

为解决上述技术问题，本发明所采用的技术方案是：一种基于机器视觉的铝镁合金铸件内部缺陷图像识别方法，包括以下步骤：

1)通过X射线实时成像设备采集铝镁合金铸件内部缺陷原始图像；

2)对采集回来的原始图像进行预处理，即对原始图像进行双边滤波去噪，有效的平滑图像，并保留图像中缺陷轮廓边缘特征；

3)采用局部自适应阈值，选好阈值，准确将缺陷目标与背景分割出来；

4)对经步骤3)处理得到的图像进行形态学滤波处理；

5)针对形态学滤波处理后得到的图像进行blob算法分析，得到图像中缺陷块个数以及各个缺陷目标的面积、周长、最小外接矩阵周长、长宽比，对这些特征进行统计分析，建立缺陷判定标准；

6)利用所述缺陷判定标准识别铸件图像。

所述缺陷判定标准包括：疏松图像中可以分为两种情况，一种包含面积超过800个像素点的缺陷块，或者包含面积为10-80个像素点的缺陷块个数不少于20个，并且这大批量缺陷质心聚集在一起，裂纹的缺陷面积一般在80像素点以上，且裂纹边缘轮廓周长在140个像素以上、长宽比特征值在2以上；气孔则表现缺陷面积一般在50-200范围以内，并且缺陷外接矩阵长宽比大约为1。

与现有技术相比，本发明所具有的有益效果为：本发明通过双边滤波的图像预处理技术提高铝镁合金铸件内部缺陷图像的质量，提高缺陷的辨识度；通过对铝镁合金铸件内部典型缺陷疏松、气孔、裂纹形态的研究，建立其特征的数学模型，再通过Blob算法分析，提取特征，实现了这几类缺陷的智能化识别，代替人工识别。

附图说明

图1为本发明缺陷图像识别方法流程图；

具体实施方式

本发明的目的是提供一种铝镁合金铸件内部缺陷数字图像预处理和缺陷识别的算法，主要针对铝镁合金常见缺陷：疏松、气孔、裂纹的智能化识别。

为了实现以上目的，本发明采用以下技术方案(本发明实现步骤)：

第一步：图像采集，通过X射线实时成像技术(设备)采集铝镁合金铸件内部缺陷原始图像

第二步：图像预处理，对采集回来的原始图像进行预处理，即对原始图像进行双边滤波去噪，有效的平滑图像，并保留图像中缺陷轮廓边缘特征，有助于后续分割缺陷目标与背景；

第三步：目标分割，采用局部自适应阈值，能够自动选好阈值，准确将缺陷目标与背景分割出来；

第四步：形态学滤波，在第三步将缺陷分割提取出来得到的图像中，可能将一些细小孤立点也提取出来，从而误识别为缺陷，为了避免这种现象，在第三步之后采用形态学滤波，利用膨胀与腐蚀组合运算；

第五步：缺陷特征提取与分析计算，针对形态学后得到的图像进行blob算法分析，得到图像中缺陷块个数以及各个缺陷目标的面积、周长、最小外接矩阵周长、长宽比等特征，对这些特征进行统计分析，建立缺陷判定标准(比如疏松图像包含一个面积很大的缺陷块或者图像中得到的缺陷块个数多且面积小，并且这大批量缺陷聚集在一起，裂纹的缺陷面积、长宽比等特征值都比较大；气孔则表现缺陷面积小、缺陷外接矩阵长宽比接近1等特征现象，这些现象都是经过大批图像分析验证得到的)；

第六步：缺陷识别，根据第五步制定的各类缺陷制定标准对图像识别判断。

Claims (2)

1.一种基于机器视觉的铝镁合金铸件内部缺陷图像识别方法，其特征在于，包括以下步骤：

1)通过X射线实时成像设备采集铝镁合金铸件内部缺陷原始图像；

2)对采集回来的原始图像进行预处理，即对原始图像进行双边滤波去噪，有效的平滑图像，并保留图像中缺陷轮廓边缘特征；

3)采用局部自适应阈值，选好阈值，准确将缺陷目标与背景分割出来；

4)对经步骤3)处理得到的图像进行形态学滤波处理；

5)针对形态学滤波处理后得到的图像进行blob算法分析，得到图像中缺陷块个数以及各个缺陷目标的面积、周长、最小外接矩阵周长、长宽比，对这些特征进行统计分析，建立缺陷判定标准；

6)利用所述缺陷判定标准识别铸件图像。

2.根据权利要求1所述的基于机器视觉的铝镁合金铸件内部缺陷图像识别方法，其特征在于，所述缺陷判定标准包括：疏松图像分为两种情况，包含面积超过800个像素点的缺陷块，或者包含面积为10-80个像素点的缺陷块个数不少于20个，并且这大批量缺陷质心聚集在一起，裂纹的缺陷面积在80像素点以上，且裂纹边缘轮廓周长在140个像素以上、长宽比特征值在2以上；气孔则表现缺陷面积在50-200范围以内，并且缺陷外接矩阵长宽比大约为1。