CN109872300A - 一种摩擦片外观缺陷的视觉显著性检测方法 - Google Patents
一种摩擦片外观缺陷的视觉显著性检测方法 Download PDFInfo
- Publication number
- CN109872300A CN109872300A CN201811539894.6A CN201811539894A CN109872300A CN 109872300 A CN109872300 A CN 109872300A CN 201811539894 A CN201811539894 A CN 201811539894A CN 109872300 A CN109872300 A CN 109872300A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- friction plate
- friction
- conspicuousness
- 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.)
- Granted
Links
Abstract
本发明公开了一种摩擦片外观缺陷的视觉显著性检测方法,属于数字图像处理领域。首先利用Hough圆检测捕捉到多个摩擦片图像,然后绘制圆的最小外接矩形进行图像分割,将摩擦片从背景中分离,然后使用高斯平滑弱化表面纹理,并使用多尺度细节增强算法补偿高斯平滑中丢失的缺陷边缘信息,最后根据图像中目标的显著性强弱进行分化,并使用连通域法和OTSU提取出缺陷区域的二值图像。本发明可针对摩擦片表面的多种缺陷进行检测,该方法达到识别率高,检测速度快的要求。
Description
技术领域
本发明属于数字图像处理领域,具体涉及一种摩擦片外观缺陷的检测方法。
背景技术
摩擦片是一种用于执行制动和传递扭矩的工业零件,它的表面质量好坏对于制动效果 和扭矩传递精度有很大的影响。尤其是在大型工程机械中,各机构间传递的扭矩很大,对 于摩擦片的质量要求就更为严格。为此我国制定了工农业机械用摩擦片标准 GB/T11834-2011对于摩擦片的质量进行了规范要求。目前,国内的摩擦材料生产厂家和 质检部门大多采用人工目测的方法对于摩擦片的表面质量进行检测,此法对于人的主观性 依赖较大,并且速度较慢,容易造成误检和漏检,故而在大批量检测中结果并不可靠。
摩擦片是由石棉、铜丝和塑性纤维等材料烧结而成的复合材料,它的工作面凹凸不平, 并且有许多的铜点.这些表面纹理对于缺陷的检测属于干扰信息,而这些裸露的铜点在光 源下会形成离散的感光点。由于这些因素的存在,使得在缺陷检测时,容易将缺陷区域误 认为表面纹理,造成漏检,或者将表面纹理误检为缺陷,造成误检。一般的缺陷检测方法 不适用于检测这种复杂的表面缺陷,所以需要提出一种新的检测方法。并且,使用计算机 自动处理代替人工检测有助提高生产效率和质量,降低成本。
发明内容
本发明的目的是针对国内目前对于摩擦片外观缺陷检测的空白,提出一种基于视觉显 著性的摩擦片表面缺陷检测方法,达到效率高,速度快,识别率高,精确度高的目的。
本发明针对摩擦片表面缺陷高精度高效率的检测要求,以及摩擦片自身复杂的表面状 况,提出一种基于视觉显著性的检测算法。首先利用图像分割,将摩擦片从背景中分离, 然后使用高斯平滑弱化表面纹理,并使用多尺度细节增强算法补偿高斯平滑中丢失的缺陷 边缘信息,最后计算图像中目标的显著性进行强弱分化,并使用连通域法和OTSU提取出缺陷区域的二值图像。经由实验验证,该算法针对摩擦片的缺陷检测具有较强针对性,缺陷识别率超过98%,双面检测100个摩擦片用时27秒。从客观和主观两个方面对检测 结果进行评价验证,本算法具有较高的识别率和精确度,满足工业检测的需求,具有良好 的应用前景。
本发明提供的技术方案为一种基于视觉显著性的摩擦片表面缺陷检测方法,该方法包 括以下步骤:
步骤1:采集到包含多个摩擦片的图像;
步骤2:对步骤1中的图像进行灰度化处理;
步骤3:对步骤2中的图像使用HOUGH圆检测捕捉图像中的摩擦片外形;
步骤4:对步骤3中的圆绘制最小外接矩形从背景中分割出摩擦片图像;
步骤5:对步骤4中分割出的摩擦片图像使用高斯平滑弱化表面纹理;
步骤6:对步骤5中摩擦片图像使用多尺度细节强化补偿缺陷的边缘和细节信息;
步骤7:将步骤6处理后的图像从RGB模型转化为Lab模型;
步骤8:计算步骤7中摩擦片图像中各部分的显著性值;
步骤9:根据步骤10中计算出的显著性的值生成显著图如图5所示;
步骤10:根据设定的阈值T,步骤8的显著图中显著性值大于T的部分判定为缺陷区域,标记为1,否则为0;
步骤11:根据步骤10的判别结果,生成缺陷二值图如图6所示;
进一步详述步骤6和8,其实现形式分别为:
在步骤6中使用标准差为σ1=1,σ2=2,σ3=4的三个高斯滤波器G1,G2,G3,对步骤5中经过高斯平滑的图像I进行高斯滤波,得到三幅滤波图像B1,B2,B3;
然后根据下式得到三个精细级的图像,精细级细节图D1,次精细级细节图D2,粗略细节图D3;
D1=I-B1,D2=B1-B2,D3=B2-B3
然后根据下式,将这三张图像的像素按照下式进行运算即可得到细节强化图中相应位 置的像素值,其中ω1=0.5,ω2=0.5,ω3=0.25;
D*=(1-ω1×sgn(D1))×D1+ω2×D2+ω3×D3
在步骤8中使用多个窄带通滤波器组合成一个频带较宽的带通滤波器,根据下列公式 计算图像中像素的显著性;
S(x,y)=||Iμ-Iωhc(x,y)||
其中Iμ是图像像素的平均值,Iωhc是截至频率为ωhc的低通滤波器下的高斯模糊图像, 根据上式计算图像中每一个像素在Lab颜色模型下的三个空间中的显著性S(x,y),并将这三个值进行累加后做归一化处理,最终得到的值就是该像素点的显著性值;
本发明公开了一种摩擦片外观缺陷的视觉显著性检测方法,属于数字图像处理领域。 首先利用Hough圆检测捕捉到多个摩擦片图像,然后绘制圆的最小外接矩形进行图像分 割,将摩擦片从背景中分离,然后使用高斯平滑弱化表面纹理,并使用多尺度细节增强算 法补偿高斯平滑中丢失的缺陷边缘信息,最后根据图像中目标的显著性强弱进行分化,并 使用连通域法和OTSU提取出缺陷区域的二值图像。本发明可针对摩擦片表面的多种缺陷进行检测,该方法达到识别率高,检测速度快的要求。
本发明选择采用缺陷区域提取的思路,针对上述算法中存在的不足,结合摩擦片特殊 的表面状况展开研究。首先在视场内绘制圆形轮廓外接矩形,分割出所有待检测的摩擦片 图像;然后利用高斯平滑弱化摩擦片自带的表面纹理信息,为了弥补因高斯平滑被一同弱 化的缺陷特征,使用了一种细节强化算法;最后提出一种基于显著性的强弱目标分化算法, 将图像二值化后利用连通域法提取缺陷区域,并由实验加以对比验证。
本发明从目标图像分割,缺陷细节强化,缺陷显著性计算三个方面着手,结合摩擦片 的特性,从仿生学的角度出发,将显著性算法首次应用到了摩擦片的缺陷检测中,提出了 相应的检测算法。其优势在于:排除了无关区域和摩擦片自身纹理的干扰,利用视觉显著 性实现了缺陷的准确提取和定位,识别率高,计算量偏小,执行效率高。从客观和主观两个方面对算法进行对比评估,该算法具有很高的检测准确性。经过实验验证,本发明算法具有较高的实用性。
附图说明
图1为摩擦片缺陷检测流程图。
图2为工业CCD相机采集到的原始图像。
图3为摩擦片图像分割图。
图4为高斯平滑和细节强化对比图。
图5为显著性分布图,从左往右依次为划痕缺陷、龟裂缺陷和油污缺陷。
图6为检测结果缺陷二值图。
图7为本发明的缺陷检测系统结构示意图。
图8a为本发明的摩擦片目标提取图。
图8b为本发明的摩擦片区域划分图。
图9为本发明的摩擦片图。
图10a为本发明的图像信息熵变化图。
图10b为本发明的边缘品质变化图。
图11为显著图灰度直方图。
图12a是带有表面缺陷的摩擦片原图。
图12b是本发明中算法检测的结果图。
图12c是人工标注的结果图。
图7中:1、进料系统;2、工业CCD相机;3、翻转机械手;4、分拣机械手;5、传送带; 6、分拣分类箱。
具体实施方式
下面结合附图对本发明做进一步描述。
如图1至图6,一种基于视觉显著性的摩擦片表面缺陷检测方法,其特征是该方法包 括步骤:
步骤1:采集到包含多个摩擦片的图像,如图2所示;
步骤2:对步骤1中的图像进行灰度化处理;
步骤3:对步骤2中的图像使用HOUGH圆检测捕捉图像中的摩擦片外形;
步骤4:对步骤3中的圆绘制最小外接矩形从背景中分割出摩擦片图像,如图3所示;
步骤5:对步骤4中分割出的摩擦片图像使用高斯平滑弱化表面纹理;
具体方法为:
步骤6:对步骤5中摩擦片图像使用多尺度细节强化补偿缺陷的边缘和细节信息,如图4 所示;
具体方法为:
使用标准差为σ1=1,σ2=2,σ3=4的三个高斯滤波器G1,G2,G3,对步骤5中经过高斯平滑的图像I进行高斯滤波,得到三幅滤波图像B1,B2,B3;
然后根据下式得到三个精细级的图像,精细级细节图D1,次精细级细节图D2,粗略细节图D3;
D1=I-B1,D2=B1-B2,D3=B2-B3;
然后根据下式,将这三张图像的像素按照下式进行运算即可得到细节强化图中相应位 置的像素值,其中ω1=0.5,ω2=0.5,ω3=0.25;
D*=(1-ω1×sgn(D1))×D1+ω2×D2+ω3×D3
步骤7:将步骤6处理后的图像从RGB模型转化为Lab模型;
先通过下式把图像有RGB模型转化为XYZ模型;
再通过下式将XYZ模型转化为RGB模型;
其中Xc=X/(255×Xn),Yc=Y/(255×Yn),Zc=Z/(255×Zn);
上式中Xn=0.950456,Yn=1,Zn=1.088754
步骤8:计算步骤7中摩擦片图像中各部分的显著性值;
使用多个窄带通滤波器组合成一个频带较宽的带通滤波器,根据下列公式计算图像 中像素的显著性;
S(x,y)=||Iμ-Iωhc(x,y)||
其中Iμ是图像像素的平均值,Iωhc是截止频率为ωhc的低通滤波器下的高斯模糊图像, 根据上式计算图像中每一个像素在Lab颜色模型下的三个空间中的显著性S(x,y),并将这三个值进行累加后做归一化处理,最终得到的值就是该像素点的显著性值;
步骤9:根据步骤10中计算出的显著性的值生成显著图如图5所示;
步骤10:根据设定的阈值T,步骤8的显著图中显著性值大于T的部分判定为缺陷区域,标记为1,否则为0;
步骤11:根据步骤10的判别结果,生成缺陷二值图如图6所示。
本发明的检测系统采用较为成熟的传送带检测系统,系统构成可分为进料系统,传输 系统,翻转系统,光学成像系统,识别系统和分拣系统。检测系统示意图如图7所示。
单个摩擦片的检测流程如下:
步骤1、摩擦片经由进料系统输送到传送带带上。
步骤2、摩擦片被光学成像系统所捕捉,图片传输至识别系统中进行判别。
步骤3、根据判别结果由分拣系统中的吸盘机械手剔除含缺陷的摩擦片。
步骤4、由翻转系统将摩擦片进行翻面,重复一次步骤2~步骤3。
摩擦片的表面缺陷一般指在生产和运输的过程中由于外力挤压或保管不当等原因,造 成的表面龟裂、表面划伤以及表面污浊等缺陷。这些缺陷没有固定的形状,没有固定的大 小,也没有固定的颜色深浅,并且摩擦片的工作面本身具有较为复杂的纹理,对缺陷检测 存在干扰。针对上述特点,本发明从图像分割、缺陷细节增强和缺陷的显著性计算与提取 三个方面着手研究。
摩擦片图像分割:图像分割是图像分析、模式识别和计算机视觉等领域的关键步骤。 相机的视场范围较大,当前视场中由多个待检摩擦片存在,如果在当前视场内对所有摩擦 片做缺陷检测,由于图像背景环境复杂,不仅增加了许多无谓的工作量而且容易造成误检 和漏检。因此需要将待测摩擦片图像从背景中分割出来。摩擦片的形状规则且简单,使用 Hough圆检测即可准确定位摩擦片的位置并根据半径大小将它分割出来,如图8(a)所示。摩擦片呈圆环状,它的中间区域和周围区域并不在检测范围内,因此将摩擦片的图像分割成三个部分,如图8(b)所示。其中A和C区域为不检测区域,利用如下算法消除 其对待测图像的干扰。
Step1.将图像进行灰度化。
Step2.计算图像中的像素点到圆心的距离d。
Step3.R1和R2分别为摩擦片内圈半径和外圈半径。若d<R1,则将该点灰度值置为0。若R1<d<R2,则保持原灰度值不改变。若d>R2,则将该点灰度值置为0。
Step4.重复Step1~Step3,直至将分割出的所有摩擦片图像处理完毕。
至此,将除摩擦片本身的信息外,其余干扰信息全部祛除。
摩擦片缺陷细节增强:摩擦片是由石棉、铜丝和塑性纤维等材料烧结而成的复合材料, 它的工作面凹凸不平,并且有许多的铜点,如图9所示。这些表面纹理对于缺陷的检测属 于干扰信息,而这些裸露的铜点在光源下会形成离散的感光点。因此本发明使用高斯滤波 对待测摩擦片图像做平滑处理,对于滤波器窗口大小为(2k+1)×(2k+1)的高斯滤波,其计算公式如下:
本发明公开了一种摩擦片外观缺陷的视觉显著性检测方法,属于数字图像处理领域。 首先利用Hough圆检测捕捉到多个摩擦片图像,然后绘制圆的最小外接矩形进行图像分 割,将摩擦片从背景中分离,然后使用高斯平滑弱化表面纹理,并使用多尺度细节增强算 法补偿高斯平滑中丢失的缺陷边缘信息,最后根据图像中目标的显著性强弱进行分化,并 使用连通域法和OTSU提取出缺陷区域的二值图像。本发明可针对摩擦片表面的多种缺陷进行检测,该方法达到识别率高,检测速度快的要求。
式中Hi,j是以窗口中心为坐标原点的坐标系下,窗口中各元素的值,σ是标准差,根据经验选择σ约为滤波器窗口大小的1/3。
缺陷和摩擦片的表面纹理都属于图像的细节,在高斯滤波的同时,也削弱了缺陷部分 的信息强度,不同之处在缺陷区域一般连续且具有明显的边缘,而表面纹理一般呈离散状, 因此本发明引入一种多尺度细节增强算法,来增强缺陷部分的边缘细节信息。
Step1.利用标准差分别为σ1=1,σ2=2,σ3=4的三个高斯滤波器G1,G2,G3对高斯平滑 后的图像I进行处理,得到三幅滤波图像B1,B2,B3。
B1=G1*I,B2=G2*I,B3=G3*I. (2)
Step2.根据式(3)将对应图像做差分处理,获得精细级细节图D1,次精细级细节图D2,粗略细节图D3。
D1=I-B1,D2=B1-B2,D3=B2-B3. (3)
Step3.根据式(4)将三个精细级的图像进行整合从而获得整个细节图像D*,其中ω1=0.5,ω2=0.5,ω3=0.25。
在式(4)中,由于精细级图像D1过度扩大了边缘附近的灰度差,容易造成灰度饱和, 所以必须对D1中的灰度值大于原图的部分进行抑制,低于原图的部分进行放大,以实现 边缘处像素值正负分量的均衡,在有效提升边缘细节强度的同时,避免灰度饱和。
为保证最终细节增强图像的清晰度和边缘品质,引入图像熵计算公式(6)和边缘品 质因数P,P的计算公式如式(7)所示。
式(6)中p(xi)为图像中每个像素级出现的概率。
式(7)中II是理想边缘像素数量,IA是实际检测出的边缘像素数量,d是理想边缘与实际边缘之间的距离,α取1,P的值越大表示边缘效果越好。
在高斯平滑阶段选取不同的滤波器窗口和标准差,对于上述两个参数的影响如图10a、 图10b所示。
综合考虑滤波器窗口尺寸和标准差大小对细节增强图像信息熵和边缘品质的影响,取 滤波器窗口大小为11×11,标准差约为滤波器窗口尺寸的1/3,取3,高斯平滑的结果如图 4所示。
由图4可以看出,经过多尺度细节提升后,被高斯平滑削弱的缺陷边缘信息得以找回, 并且原本颜色较淡的缺陷区域特征被强化。经过细节增强处理后,缺陷定位会更加准确, 得到的缺陷区域的形状和大小与实际更加接近。
缺陷显著性计算与提取:基于显著性强弱的缺陷提取是本发明算法的核心环节,所谓 显著性是指物体、人或像素区别于它的相邻对象,吸引观察者的注意力的能力。
颜色空间转化由工业CCD相机采集到的图片的颜色模型一般为RGB模型,也就是由红、绿和蓝三个颜色通道的变化与叠加来发生颜色的改变。RGB模型是机器设备记录 图像信息的一种模型,本发明的研究对象是摩擦片,目的是利用显著性算法检测摩擦片表 面的缺陷,针对该研究目标,RGB模型并不适用。因此,引入基于生理特征且与设备无 关的Lab颜色模型,它可以以数字化的信息来描述生物视觉的感观。RGB模型无法直接 转化为Lab模型,需要先转化为XYZ模型,再由XYZ转化成Lab模型,具体步骤如下:
Step1.以Gamma校正函数对RGB三通道的值进行校正,然后根据式(8)将R,G, B三个通道的值转化为X,Y,Z。
Step2.令Xn=0.950456,Yn=1,Zn=1.088754,分别计算Xc=X/(255×Xn),Yc=Y/(255×Yn), Zc=Z/(255×Zn)的值。
Step3.按式(9)将图像由XYZ模型转化为Lab模型,其中f是一个类似于Gamma 函数的校正函数,如式(10)所示。
显著性计算摩擦片的表面缺陷一般是连续的,具有一定面积的缺陷,属于低频的信 号,但是同时它也具有明显的边缘信息,属于高频信号,所以在提取缺陷特征时不能使用 单纯的高通或是低通滤波器,故而需要使用带通滤波器。本发明选择使用DoG滤波器(高斯差分滤波器)。
其中σ1,σ2为标准差,满足σ1>σ2。DoG滤波器的频带上限为ωhc,下限为ωlc,ωhc用于保留缺陷的边缘信息,过滤噪声,由σ2决定,ωlc用于保留缺陷的区域信息,由σ1决定。 摩擦片表面存在的缺陷无论是形状大小还是颜色深浅都具有很大的随机性,因此它的频带分布范围较广,故而本发明采用多个窄带通滤波器进行组合。这样组合还可以将多个窄带通滤波器的输出进行累加,有效避免在标记缺陷区域时使得显著性集中在缺陷的边缘或者区域的中心。设σ1/σ2=ρ,滤波器的个数为N。
由上式可以得出频带的范围由K=ρn+1决定,K是标准差调节因子,当K取较大值时,就可以涵盖缺陷分布频带。
当σ1和σ2取实际值时,会造成滤波器实际带宽与式(11)的计算值存在较大偏差,故取σ1趋近于无穷,当标准差趋近于无穷时,相当于对整幅图片的像素取平均值。不考虑σ2对ωhc影响,令ωhc=π/2.75。
Iμ为图像像素平均值,Iωhc是在截止频率为ωhc的低通滤波器下的高斯滤波图像,根据 式(13)计算图像中每一个像素在颜色模型下的三个空间中的显著性S(x,y),并将其进行 累加后做归一化处理,最终得到的值就是该像素点的显著性值。
S(x,y)=||Iμ-Iωhc||. (13)
经由上述显著性计算算法处理LAB颜色模型下的图像后,摩擦片的缺陷显著性分布 如图5所示。相对于摩擦片的原有表面,摩擦片缺陷区域显著性明显更强。
缺陷提取将原图的灰度直方图与根据上述算法处理得出的显著图灰度直方图进行对 比,可以看出该算法扩展了图像灰度级动态范围,如图11所示。这种处理方法对显著性 强的区域进行了增强,对较弱的部分进行了抑制。为了避免出现离散的显著性较强的干扰 点,使用基于四连通域的两边扫描法检测连续的缺陷区域,最后使用OTSU算法计算出用于分割图像前景与背景的最佳阈值即可获得出摩擦片表面缺陷的二值图像,如图6所示。
由于目前尚无共享测试图像库,本发明建立测试图像库,选择100个摩擦片样本作为 实验测试数据,其中带有划痕缺陷的样本30个,带有龟裂缺陷的样本30个,带有油污缺陷的样本20个,以及不具有缺陷的样本20个,传送带运动速度设为0.5m/s,每次触发采 样视场内平均摩擦片个数为8个。为了检验算法的有效性、精确性以及效率,本发明对于 摩擦片表面的实际缺陷进行人工标注,以标注结果作为标准,将检测结果与之进行对比, 计算重合度。系统运行平台为Windows10系统,CPU为i5-7300HQ,内存为8G。
本发明采用主观评价和客观评价两种方式对算法的检测结果进行评价,主观评价是指 将算法检测出的缺陷和人工标注的缺陷做主观对比,这种方法比较直观,从人眼观察角度 就可以得出结论。客观评价,在本领域内,常用的方法可以分为两种,一种是偏重定性评 估,另一种是偏重定量评估。为了验证本发明算法的有效性,对检测结果同时从定性和定 量两个方面进行评估。此外,为了验证本发明算法效率和实用性,使用本发明算法与同类 算法在相同工况下各处理一百个摩擦片样本,比较其用时。
主观评价本发明从测试样本库中选取三个三种缺陷的代表性样本,将人工标注的结果 与算法的检测结果做对比,进行评价,如图12所示,从左往右依次为划痕、油污和裂纹。 其中图12(a)是带有表面缺陷的摩擦片原图,图12(b)是本发明中算法检测的结果, 图12(c)是人工标注的结果。
通过对比可以发现在检测划痕和裂纹时,算法稳定性较好,不仅能准确检测出缺陷,而 且很好的描述了缺陷的形状和走势。在检测油污缺陷时,由于油污分布不均匀,且显著性 不如前两种缺陷强,如图6所示,检测出的缺陷形状与人工标注的结果略有出入,但是总 体上来看并未出现误检现象,且识别率较高。
客观评价1)定性评估,目前本领域内的多用的一种评估方法,是一种以有和无作为 标准的评估方法。即判断当前输入图像是否具有缺陷,若判断正确,则认为评估结果为好, 反之为坏。利用纹理检测法和差分法分别对摩擦片的缺陷进行检测,并与本发明算法进行 比较,其结果如表1所示。
表1定性评估结果
由上表实验结果可知,在针对摩擦片这种自身纹理信息较为复杂的对象时,本发明的 方法适用性最强,纹理检测法次之,差分法存在较大误差,不适用于该种情况。
2)定量评估,该方法采用精确率(Precision)、召回率(Recall)和F-Measure三个指标确定算法检测出的缺陷区域与人工标注区域之间的接近程度,其计算公式如下:
其中,RT代表人工标注的真值,RD代表算法检测出的缺陷区域,RTD代表两者的交集。 Precision用于评价算法的精确程度,Recall用于评价算法寻找缺陷的能力,F-Measure则 是与二者相关的综合评价指标。
根据上式对于本发明样本库中具有缺陷的80幅样本图像进行分类计算,并利用纹理 检测算法处理结果与之进行比较,计算结果如表2所示。
表2定量分析评估结果
由上表实验分析可知,同样属于缺陷区域提取算法,本发明的算法更加适用于摩擦片 的缺陷检测。
本发明选用纹理检测算法和频域处理算法与本发明算法在同样工况下各处理100个 摩擦片样本,检测用时和准确率如表3所示。通过对比可以看出频域处理算法检测时间和 本发明算法相近,但是准确率存在较大差距,纹理检测算法检测时间过长,实时性较差,且准确率不高。
表3检测效率对比结果
通过上述的主观评价和客观评价,本发明提出的算法不仅识别率高,而且具有很好的 定位性和缺陷形状描述性。经实验验证,当每幅摩擦片图像摩擦片个数为8个,图像分辨 率为2448×2050时,处理单幅图像需要用时约1200ms,双面处理100个目标共用时约27s, 效率和准确率普遍高于同类算法。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行 业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明 书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精 神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入 要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等 效物界定。
Claims (3)
1.一种基于视觉显著性的摩擦片表面缺陷检测方法,其特征是该方法包括步骤:
步骤1:采集到包含多个摩擦片的图像;
步骤2:对步骤1中的图像进行灰度化处理;
步骤3:对步骤2中的图像使用HOUGH圆检测捕捉图像中的摩擦片外形;
步骤4:对步骤3中的圆绘制最小外接矩形从背景中分割出摩擦片图像;
步骤5:对步骤4中分割出的摩擦片图像使用高斯平滑弱化表面纹理;
步骤6:对步骤5中摩擦片图像使用多尺度细节强化补偿缺陷的边缘和细节信息;
步骤7:将步骤6处理后的图像从RGB模型转化为Lab模型;
步骤8:计算步骤7中摩擦片图像中各部分的显著性值;
步骤9:根据步骤10中计算出的显著性的值生成显著图;
步骤10:根据设定的阈值T,步骤8的显著图中显著性值大于T的部分判定为缺陷区域,标记为1,否则为0;
步骤11:根据步骤10的判别结果,生成缺陷二值图。
2.如权利要求1中所述一种基于视觉显著性的摩擦片表面缺陷检测方法,其特征在于所述步骤6中,具体的实现方法如下:
步骤6中,使用标准差为σ1=1,σ2=2,σ3=4的三个高斯滤波器G1,G2,G3,对步骤5中经过高斯平滑的图像I进行高斯滤波,得到三幅滤波图像B1,B2,B3,将这三幅图像按照下列公式计算:
D1=I-B1,D2=B1-B2,D3=B2-B3
将滤波图像和原始图像差分后即可获得精细级细节图D1,次精细级细节图D2,粗略细节图D3。将这三张图像的像素按照下式进行运算即可得到细节强化图中相应位置的像素值,其中ω1=0.5,ω2=0.5,ω3=0.25:
D*=(1-ω1×sgn(D1))×D1+ω2×D2+ω3×D3。
3.如权利要求1中所述一种基于视觉显著性的摩擦片表面缺陷检测方法,其特征在于其特征在于所述步骤8中,具体的实现方法如下:
步骤8中,使用多个窄带通滤波器组合成一个频带较宽的带通滤波器,根据下列公式计算图像中像素的显著性:
S(x,y)=||Iμ-Iωhc(x,y)||
其中Iμ是图像像素的平均值,Iωhc是截至频率为ωhc的低通滤波器下的高斯模糊图像,根据上式计算图像中每一个像素在Lab颜色模型下的三个空间中的显著性S(x,y),并将这三个值进行累加后做归一化处理,最终得到的值就是该像素点的显著性值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811539894.6A CN109872300B (zh) | 2018-12-17 | 2018-12-17 | 一种摩擦片外观缺陷的视觉显著性检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811539894.6A CN109872300B (zh) | 2018-12-17 | 2018-12-17 | 一种摩擦片外观缺陷的视觉显著性检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109872300A true CN109872300A (zh) | 2019-06-11 |
CN109872300B CN109872300B (zh) | 2021-02-19 |
Family
ID=66917064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811539894.6A Active CN109872300B (zh) | 2018-12-17 | 2018-12-17 | 一种摩擦片外观缺陷的视觉显著性检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109872300B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110567707A (zh) * | 2019-08-14 | 2019-12-13 | 中国北方车辆研究所 | 一种摩擦片冲击塑变试验装置 |
CN110567708A (zh) * | 2019-08-14 | 2019-12-13 | 中国北方车辆研究所 | 一种摩擦片振动疲劳试验装置 |
CN110567709A (zh) * | 2019-08-14 | 2019-12-13 | 中国北方车辆研究所 | 一种摩擦片齿部等效恒载模拟加载试验系统 |
CN111487192A (zh) * | 2020-04-26 | 2020-08-04 | 天津海融科技有限公司 | 一种基于人工智能的机器视觉表面缺陷检测装置及方法 |
CN112215827A (zh) * | 2020-10-20 | 2021-01-12 | 中广核核电运营有限公司 | 电迁移区域检测方法、装置、计算机设备和存储介质 |
CN112465790A (zh) * | 2020-12-03 | 2021-03-09 | 天津大学 | 基于多尺度卷积和三线性全局注意力的表面缺陷检测方法 |
CN113267502A (zh) * | 2021-05-11 | 2021-08-17 | 江苏大学 | 一种基于机器视觉的微电机摩擦片残缺检测系统及检测方法 |
CN114937039A (zh) * | 2022-07-21 | 2022-08-23 | 阿法龙(山东)科技有限公司 | 一种钢管缺陷智能检测方法 |
CN115631197A (zh) * | 2022-12-21 | 2023-01-20 | 中科慧远视觉技术(北京)有限公司 | 一种图像处理方法、装置、介质、设备及系统 |
CN116109637A (zh) * | 2023-04-13 | 2023-05-12 | 杭州深度视觉科技有限公司 | 基于视觉的涡轮增压器叶轮外观缺陷检测的系统及其方法 |
CN116843689A (zh) * | 2023-09-01 | 2023-10-03 | 山东众成菌业股份有限公司 | 一种菌盖表面破损检测方法 |
CN117309892A (zh) * | 2023-11-29 | 2023-12-29 | 深圳市什方智造科技有限公司 | 一种电池蓝膜的缺陷检测方法、装置及系统和光源控制器 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103293168A (zh) * | 2013-05-28 | 2013-09-11 | 陕西科技大学 | 基于视觉显著性的水果表面缺陷检测方法 |
CN103714537A (zh) * | 2013-12-19 | 2014-04-09 | 武汉理工大学 | 一种图像显著性的检测方法 |
CN104574353A (zh) * | 2014-09-12 | 2015-04-29 | 苏州大学 | 基于视觉显著性的表面缺陷判定方法 |
CN104966285A (zh) * | 2015-06-03 | 2015-10-07 | 北京工业大学 | 一种显著性区域的检测方法 |
CN105046681A (zh) * | 2015-05-14 | 2015-11-11 | 江南大学 | 一种基于SoC的图像显著性区域检测方法 |
CN105631898A (zh) * | 2015-12-28 | 2016-06-01 | 西北工业大学 | 基于空时显著性融合的红外运动目标检测方法 |
CN106650770A (zh) * | 2016-09-29 | 2017-05-10 | 南京大学 | 一种基于样本学习和人眼视觉特性的mura缺陷检测方法 |
-
2018
- 2018-12-17 CN CN201811539894.6A patent/CN109872300B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103293168A (zh) * | 2013-05-28 | 2013-09-11 | 陕西科技大学 | 基于视觉显著性的水果表面缺陷检测方法 |
CN103714537A (zh) * | 2013-12-19 | 2014-04-09 | 武汉理工大学 | 一种图像显著性的检测方法 |
CN104574353A (zh) * | 2014-09-12 | 2015-04-29 | 苏州大学 | 基于视觉显著性的表面缺陷判定方法 |
CN105046681A (zh) * | 2015-05-14 | 2015-11-11 | 江南大学 | 一种基于SoC的图像显著性区域检测方法 |
CN104966285A (zh) * | 2015-06-03 | 2015-10-07 | 北京工业大学 | 一种显著性区域的检测方法 |
CN105631898A (zh) * | 2015-12-28 | 2016-06-01 | 西北工业大学 | 基于空时显著性融合的红外运动目标检测方法 |
CN106650770A (zh) * | 2016-09-29 | 2017-05-10 | 南京大学 | 一种基于样本学习和人眼视觉特性的mura缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
YOUNGBAE KIM 等: ""DARK IMAGE ENHANCEMENT BASED ON PAIRWISE TARGET CONTRAST AND MULTI-SCALE DETAIL BOOSTING"", 《2015 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 * |
张鹤庆: ""基于视觉显著性的太阳能电池片表面缺陷检测方法研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110567707A (zh) * | 2019-08-14 | 2019-12-13 | 中国北方车辆研究所 | 一种摩擦片冲击塑变试验装置 |
CN110567708A (zh) * | 2019-08-14 | 2019-12-13 | 中国北方车辆研究所 | 一种摩擦片振动疲劳试验装置 |
CN110567709A (zh) * | 2019-08-14 | 2019-12-13 | 中国北方车辆研究所 | 一种摩擦片齿部等效恒载模拟加载试验系统 |
CN110567708B (zh) * | 2019-08-14 | 2021-05-14 | 中国北方车辆研究所 | 一种摩擦片振动疲劳试验装置 |
CN111487192A (zh) * | 2020-04-26 | 2020-08-04 | 天津海融科技有限公司 | 一种基于人工智能的机器视觉表面缺陷检测装置及方法 |
CN112215827A (zh) * | 2020-10-20 | 2021-01-12 | 中广核核电运营有限公司 | 电迁移区域检测方法、装置、计算机设备和存储介质 |
CN112465790A (zh) * | 2020-12-03 | 2021-03-09 | 天津大学 | 基于多尺度卷积和三线性全局注意力的表面缺陷检测方法 |
CN113267502B (zh) * | 2021-05-11 | 2022-07-22 | 江苏大学 | 一种基于机器视觉的微电机摩擦片残缺检测系统及检测方法 |
CN113267502A (zh) * | 2021-05-11 | 2021-08-17 | 江苏大学 | 一种基于机器视觉的微电机摩擦片残缺检测系统及检测方法 |
CN114937039A (zh) * | 2022-07-21 | 2022-08-23 | 阿法龙(山东)科技有限公司 | 一种钢管缺陷智能检测方法 |
CN115631197A (zh) * | 2022-12-21 | 2023-01-20 | 中科慧远视觉技术(北京)有限公司 | 一种图像处理方法、装置、介质、设备及系统 |
CN116109637A (zh) * | 2023-04-13 | 2023-05-12 | 杭州深度视觉科技有限公司 | 基于视觉的涡轮增压器叶轮外观缺陷检测的系统及其方法 |
CN116109637B (zh) * | 2023-04-13 | 2023-12-26 | 杭州深度视觉科技有限公司 | 基于视觉的涡轮增压器叶轮外观缺陷检测的系统及其方法 |
CN116843689A (zh) * | 2023-09-01 | 2023-10-03 | 山东众成菌业股份有限公司 | 一种菌盖表面破损检测方法 |
CN116843689B (zh) * | 2023-09-01 | 2023-11-21 | 山东众成菌业股份有限公司 | 一种菌盖表面破损检测方法 |
CN117309892A (zh) * | 2023-11-29 | 2023-12-29 | 深圳市什方智造科技有限公司 | 一种电池蓝膜的缺陷检测方法、装置及系统和光源控制器 |
CN117309892B (zh) * | 2023-11-29 | 2024-03-15 | 深圳市什方智造科技有限公司 | 一种电池蓝膜的缺陷检测方法、装置及系统和光源控制器 |
Also Published As
Publication number | Publication date |
---|---|
CN109872300B (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109872300A (zh) | 一种摩擦片外观缺陷的视觉显著性检测方法 | |
US20190331301A1 (en) | Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing | |
CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
Schmugge et al. | Crack segmentation by leveraging multiple frames of varying illumination | |
CN106296670B (zh) | 一种基于Retinex-分水岭-Canny算子的红外图像边缘检测方法 | |
CN107610104A (zh) | 一种基于机器视觉的电梯补偿链r处裂纹检测方法 | |
CN105139386A (zh) | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 | |
CN107016394B (zh) | 一种交叉纤维特征点匹配方法 | |
CN106296691B (zh) | 基于图像分析的路面病害识别方法 | |
CN102974551A (zh) | 一种基于机器视觉的多晶硅太阳能检测分选的方法 | |
Zakaria et al. | Object shape recognition in image for machine vision application | |
CN103226829A (zh) | 基于边缘增强算子的图像边缘检测方法 | |
CN110335233B (zh) | 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 | |
Laga et al. | Image-based plant stornata phenotyping | |
CN105678767A (zh) | 一种基于SoC软硬件协同设计的布匹表面瑕疵检测方法 | |
CN113793337A (zh) | 基于人工智能的机车配件表面异常程度评估方法 | |
Feng et al. | A separating method of adjacent apples based on machine vision and chain code information | |
CN109781737A (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN115345876A (zh) | 一种基于超声图像的螺栓螺纹缺陷检测方法 | |
CN115131359A (zh) | 一种金属加工件表面麻点缺陷检测方法 | |
Fu et al. | Research on image-based detection and recognition technologies for cracks on rail surface | |
CN116363122A (zh) | 基于人工智能的钢材焊缝裂纹检测方法及系统 | |
CN109146853A (zh) | 基于his不同光学特性的桥梁麻面缺陷检测方法 | |
CN115861304A (zh) | 一种基于图像处理的钢中带状组织检测方法及系统 | |
CN105354823A (zh) | 树木年轮图像边缘提取与分割的系统 |
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 |