CN111141753A - 基于机器视觉的陶瓷瓦表面裂纹检测方法 - Google Patents

基于机器视觉的陶瓷瓦表面裂纹检测方法 Download PDF

Info

Publication number
CN111141753A
CN111141753A CN201911327643.6A CN201911327643A CN111141753A CN 111141753 A CN111141753 A CN 111141753A CN 201911327643 A CN201911327643 A CN 201911327643A CN 111141753 A CN111141753 A CN 111141753A
Authority
CN
China
Prior art keywords
image
crack
ceramic tile
matrix
principal component
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.)
Pending
Application number
CN201911327643.6A
Other languages
English (en)
Inventor
曾曙光
左肖雄
郑胜
李强
罗志会
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 Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
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 Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN201911327643.6A priority Critical patent/CN111141753A/zh
Publication of CN111141753A publication Critical patent/CN111141753A/zh
Pending legal-status Critical Current

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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

基于机器视觉的陶瓷瓦表面裂纹检测方法，采用主成分分析PCA检测陶瓷瓦表面裂纹缺陷。不含裂纹信息的图像通过使用主成分分析技术重构得到，将预处理的图像与重构不含裂纹信息的图像进行差分，得到差分的图像，再运用二值化与形态学处理相结合的方法来检测出裂纹。本发明基于机器视觉的陶瓷瓦表面裂纹检测方法，可以大大提高陶瓷瓦表面裂纹检测的效率，为后续陶瓷瓦表面缺陷自动化检测与等级分类研究提供了指导。

Description

基于机器视觉的陶瓷瓦表面裂纹检测方法
技术领域
本发明属于机器视觉的技术领域，具体涉及一种基于机器视觉的陶瓷瓦表面裂纹检测方法。
背景技术
陶瓷瓦表面缺陷检测是陶瓷质量检测中至关重要的环节。由于陶瓷瓦工艺、环境、设备等因素的影响，生产出的陶瓷瓦产品可能会产生裂纹、缺釉、鼓包、色差、缺角等缺陷。目前，仍然采用传统的人工检测的方法对陶瓷瓦表面缺陷进行检测。这种人工检测方法存在劳动强度大、检测速度慢、主观性强的问题。因此，在陶瓷瓦产业上的自动化检测对于该行业显得尤为重要。
近年来，在工业产品表面缺陷的检测中，基于机器视觉的自动检测技术得到广泛地应用。在陶瓷瓦的缺陷中，裂纹是陶瓷瓦最常见也是最难检测的表面缺陷。常见的裂纹检测算法有边缘检测、小波变换、自动区域生长等。目前，基于机器视觉的表面裂纹的自动检测技术已广泛用于油管、磁瓦、瓷砖等行业。以上算法对于背景平滑、色彩单一的裂纹检测效果良好，然而对有纹理干扰、且表面高低起伏的陶瓷瓦表面裂纹检测较为困难。陶瓷瓦表面为立体的形态结构，且存在大量的花纹干扰。目前对具有立体结构和纹理丰富的陶瓷瓦表面裂纹检测的研究报道较少。
发明内容
针对在陶瓷瓦的自动化检测中，对有纹理干扰、且表面高低起伏的陶瓷瓦表面裂纹检测较为困难的技术问题。本发明提供一种基于机器视觉的陶瓷瓦表面裂纹检测方法，采用主成分分析(Principal Component Analysis，PCA)检测陶瓷瓦表面裂纹缺陷。不含裂纹信息的图像通过使用主成分分析技术重构得到，将预处理的图像与重构不含裂纹信息的图像进行差分，得到差分的图像，再运用二值化与形态学处理相结合的方法来检测出裂纹。可以大大提高陶瓷瓦表面裂纹检测的效率，为后续陶瓷瓦表面缺陷自动化检测与等级分类研究提供了指导。
本发明采取的技术方案为：
基于机器视觉的陶瓷瓦表面裂纹检测方法，采用主成分分析PCA检测陶瓷瓦表面裂纹缺陷，不含裂纹信息的图像通过使用主成分分析PCA方法重构得到；将预处理的图像与重构不含裂纹信息的图像进行差分，得到差分的图像；再运用二值化与形态学处理相结合的方法来检测出裂纹。
在裂纹检测前需要对原图像进行预处理：采用原图像中的红色通道图像，其红色通道图像保留裂纹完整性并且光照不均的干扰较小，将预处理的图像数据矩阵A作为样本进行中心化，以确保全部维度上的偏移都是以0为基点。
基于机器视觉的陶瓷瓦表面裂纹检测方法，包括基于主成分分析PCA的陶瓷瓦表面裂纹检测步骤：
Step1：将样本数据矩阵A进行中心化,按照公式A-mA,其中mA为矩阵A的平均值；
Step2：获得样本中心化矩阵A-mA的协方差矩阵；
Step3：对协方差矩阵进行奇异特征值分解，第一大特征值对应的特征向量被称为第一主成分，第二大特征值对应的特征向量被称为第二主成分，按照如上的计算方式进行推算；
Step4：选择前k阶主成分，构造主成分矩阵X＝[X1,X2,...,Xk]作为投影矩阵；
Step5：对原始样本矩阵按照Y＝(A-mA)X进行投影，得到通过PCA降维的新样本矩阵Y；
Step6：得到的样本矩阵Y按照
Figure BDA0002328791860000021
进行重构，得到重构图像
Figure BDA0002328791860000022
Step7：获取将原图像数据矩阵A与重构图像
Figure BDA0002328791860000023
差分的结果图像
Figure BDA0002328791860000024
再使用二值化和形态学处理方法对差分的图像进行处理，最终检测出裂纹。
本发明一种基于机器视觉的陶瓷瓦表面裂纹检测方法，具有以下有益效果：
1)：在光照不均和立体结构纹理干扰下实现了裂纹与背景的完全分离，可以完整的提取复杂背景中的裂纹，保证了原始裂纹的真实性和完整性；
2)：采用主成分分析的方法重构出不含缺陷的图像，采用差分法可以检测出具有条纹和立体结构的物体缺陷；
3)：可以大大提高陶瓷瓦表面裂纹检测的效率，为后续陶瓷瓦表面缺陷自动化检测与等级分类研究提供了指导。
附图说明
图1(a)为典型陶瓦裂纹图；
图1(b)为典型陶瓦裂纹图像表面灰度分布图。
图2(a)为陶瓷瓦红色通道图像；
图2(b)为w样本中心化的结果图；
图2(c)为中心化矩阵的协方差矩阵图；
图2(d)为投影矩阵图；
图2(e)为降维后的样本矩阵图；
图2(f)为h＝20的重构图；
图2(g)为图2(f)与图2(a)的差分结果图；
图2(h)为裂纹检测结果图。
图3(a)为陶瓷瓦裂纹表面图像；
图3(b)为主成分阶数h＝10的值下陶瓦表面图像重构图；
图3(c)为主成分阶数h＝15的值下陶瓦表面图像重构图；
图3(d)为主成分阶数h＝20的值下陶瓦表面图像重构图；
图3(e)为主成分阶数h＝25的值下陶瓦表面图像重构图；
图3(f)为主成分阶数h＝30的值下陶瓦表面图像重构图。
具体实施方式
基于机器视觉的陶瓷瓦表面裂纹检测方法，具体实施如下：
典型的陶瓷瓦图像如图1(a)所示，图1(b)为典型陶瓦裂纹图像1表面灰度分布图。由图1(a)，陶瓷瓦有瓦棱和瓦槽，表面高低起伏，导致其表面整体光照不均匀。另外，陶瓷瓦裂纹较暗、对比度低，易与纹理混淆。陶瓷瓦表面的纹理为三角爪型，呈120分布，每行纹理交错分布。
由于图像在采集及传输过程中受到噪声干扰和光照不均影响，因此在裂纹检测前需要对原图像进行预处理，如图2(a)所示。采用原图像中的红色通道图像，其红色通道图像保留裂纹完整性并且光照不均的干扰较小。将预处理的图像数据矩阵A作为样本进行中心化，以确保全部维度上的偏移都是以0为基点。基于主成分分析PCA的陶瓷瓦表面裂纹检测算法流程如下：
Step1：将样本数据矩阵A进行中心化,按照公式A-mA,其中mA为矩阵A的平均值，见图2(b)所示。
Step2：获得样本中心化矩阵A-mA的协方差矩阵，见图2(c)所示。
Step3：对协方差矩阵进行奇异特征值分解，第一大特征值对应的特征向量被称为第一主成分，第二大特征值对应的特征向量被称为第二主成分，按照如上的计算方式进行推算。
Step4：选择前k阶主成分，构造主成分矩阵X＝[X1,X2,...,Xk]作为投影矩阵，见图2(d)所示。
Step5：对原始样本矩阵按照Y＝(A-mA)X进行投影，得到通过PCA降维的新样本矩阵Y，见图2(e)所示。
Step6：得到的样本矩阵Y按照
Figure BDA0002328791860000041
进行重构，得到重构图像
Figure BDA0002328791860000042
见图2(f)所示。
Step7：获取将原图像数据矩阵A与重构图像差分的结果图像
Figure BDA0002328791860000043
见图2(g)所示；再使用二值化和形态学处理方法对差分的图像进行处理，最终检测出裂纹，见图2(h)所示。
采用二值化方法可确定检测裂纹缺陷的阈值范围，二值化按如下公式进行：
Figure BDA0002328791860000044
在以上表达式中，c被视为检测阈值的控制因子，裂纹图像灰度值的均值和U方差分别用μ和σ表示。将图像中灰度值在两个阈值μ-c·σ，μ+c·σ之间视为背景纹理信息，并且将该位置的灰度值变为0，相反，则被认为裂纹缺陷并将该位置的灰度值变为1。为了达到检测出裂纹缺陷的目标，当采用二值化后，再通过形态学中的开运算处理，去除尺寸较小的干扰点。
由于不同的主成分的阶数h重构出的图像不同，因而对裂纹的检测结果有重要的影响，接下来将对h值的确定方法和主成分的阶数h的取值对缺陷检测结果进行分析。
如图3(b)-图3(f)所示，展示了不同的主成分阶数h的值下陶瓦表面图像重构图结果。图3(a)是陶瓷瓦裂纹表面图像，图3(b)-图3(f)是当h分别取10、15、20、25、30时对应的重构图像。根据图3(b)-图3(f)分析得到，当h＝10、15时，重构图像中只包含了少部分背景纹理图像信息，并没有重构出裂纹缺陷的信息；当h＝20时，重构图像中重构出了明显的纹理信息，同时也显示出了一少部分的噪声和裂纹信息；当h＝25、30以及更大的值时，重构图像中得到了明显的裂纹缺陷信息与背景纹理图像，当随着主成分的阶数的h值变逐渐变大时，裂纹缺陷信息在重构图像中就会越明显。
由以上综合分析可知，过大或者过小的h值都不利于检测出裂纹。为了能够准确的检测出裂纹，本发明利用裂纹属于小信号和细节信号的特点，结合图形来确定合适的h值。由图3(b)-图3(f)可得出当h取20时最佳。

Claims (5)

1.基于机器视觉的陶瓷瓦表面裂纹检测方法，其特征在于：采用主成分分析PCA检测陶瓷瓦表面裂纹缺陷，不含裂纹信息的图像通过使用主成分分析PCA方法重构得到；将预处理的图像与重构不含裂纹信息的图像进行差分，得到差分的图像；再运用二值化与形态学处理相结合的方法来检测出裂纹。
2.根据权利要求1所述基于机器视觉的陶瓷瓦表面裂纹检测方法，其特征在于，在裂纹检测前需要对原图像进行预处理：采用原图像中的红色通道图像，其红色通道图像保留裂纹完整性并且光照不均的干扰较小，将预处理的图像数据矩阵A作为样本进行中心化，以确保全部维度上的偏移都是以0为基点。
3.根据权利要求1所述基于机器视觉的陶瓷瓦表面裂纹检测方法，其特征在于，包括基于主成分分析PCA的陶瓷瓦表面裂纹检测步骤：
Step1：将样本数据矩阵A进行中心化,按照公式A-mA,其中mA为矩阵A的平均值；
Step2：获得样本中心化矩阵A-mA的协方差矩阵；
Step3：对协方差矩阵进行奇异特征值分解，第一大特征值对应的特征向量被称为第一主成分，第二大特征值对应的特征向量被称为第二主成分，按照如上的计算方式进行推算；
Step4：选择前k阶主成分，构造主成分矩阵X＝[X1,X2,...,Xk]作为投影矩阵；
Step5：对原始样本矩阵按照Y＝(A-mA)X进行投影，得到通过PCA降维的新样本矩阵Y；
Step6：得到的样本矩阵Y按照
Figure FDA0002328791850000011
进行重构，得到重构图像
Figure FDA0002328791850000012
Step7：获取将原图像数据矩阵A与重构图像
Figure FDA0002328791850000013
差分的结果图像
Figure FDA0002328791850000014
再使用二值化和形态学处理方法对差分的图像进行处理，最终检测出裂纹。
4.根据权利要求3所述基于机器视觉的陶瓷瓦表面裂纹检测方法，其特征在于，采用二值化方法能够确定检测裂纹缺陷的阈值范围，二值化按如下公式进行：
Figure FDA0002328791850000015
在以上表达式中，c被视为检测阈值的控制因子，裂纹图像灰度值的均值和U方差分别用μ和σ表示，将图像中灰度值在两个阈值μ-c·σ，μ+c·σ之间视为背景纹理信息，并且将该位置的灰度值变为0，相反，则被认为裂纹缺陷并将该位置的灰度值变为1；为了达到检测出裂纹缺陷的目标，当采用二值化后，再通过形态学处理，去除干扰点。
5.根据权利要求1所述基于机器视觉的陶瓷瓦表面裂纹检测方法，其特征在于：不同的主成分的阶数h重构出的图像不同，对h值的确定方法和主成分的阶数h的取值，对缺陷检测结果进行分析。
CN201911327643.6A 2019-12-20 2019-12-20 基于机器视觉的陶瓷瓦表面裂纹检测方法 Pending CN111141753A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911327643.6A CN111141753A (zh) 2019-12-20 2019-12-20 基于机器视觉的陶瓷瓦表面裂纹检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911327643.6A CN111141753A (zh) 2019-12-20 2019-12-20 基于机器视觉的陶瓷瓦表面裂纹检测方法

Publications (1)

Publication Number Publication Date
CN111141753A true CN111141753A (zh) 2020-05-12

Family

ID=70519182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911327643.6A Pending CN111141753A (zh) 2019-12-20 2019-12-20 基于机器视觉的陶瓷瓦表面裂纹检测方法

Country Status (1)

Country Link
CN (1) CN111141753A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114414660A (zh) * 2022-03-18 2022-04-29 盐城工学院 一种铁路车辆轮对的轴号和裂纹识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130113916A1 (en) * 2011-11-03 2013-05-09 Pratt & Whitney System and Method for Multiple Simultaneous Automated Defect Detection
CN103198322A (zh) * 2013-01-18 2013-07-10 江南大学 基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法
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
WO2018173660A1 (ja) * 2017-03-21 2018-09-27 Ｊｆｅスチール株式会社 表面欠陥検査方法及び表面欠陥検査装置
CN109063738A (zh) * 2018-07-03 2018-12-21 浙江理工大学 一种压缩感知的陶瓷水阀片自动在线检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130113916A1 (en) * 2011-11-03 2013-05-09 Pratt & Whitney System and Method for Multiple Simultaneous Automated Defect Detection
CN103198322A (zh) * 2013-01-18 2013-07-10 江南大学 基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法
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
WO2018173660A1 (ja) * 2017-03-21 2018-09-27 Ｊｆｅスチール株式会社 表面欠陥検査方法及び表面欠陥検査装置
CN109063738A (zh) * 2018-07-03 2018-12-21 浙江理工大学 一种压缩感知的陶瓷水阀片自动在线检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李小磊，曾曙光，郑胜，肖焱山，张绍伟，李强: "基于滑动滤波和自动区域生长的陶瓷瓦表面裂纹检测", 《激光与光电子学进展》 *
郭永彩等: "基于主成分分析的表面缺陷自动检测算法", 《计算机工程》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114414660A (zh) * 2022-03-18 2022-04-29 盐城工学院 一种铁路车辆轮对的轴号和裂纹识别方法
CN114414660B (zh) * 2022-03-18 2024-01-12 盐城工学院 一种铁路车辆轮对的轴号和裂纹识别方法

Similar Documents

Publication Publication Date Title
CN109490316B (zh) 一种基于机器视觉的表面缺陷检测算法
CN110286124B (zh) 基于机器视觉的耐火砖测量系统
CN107490582B (zh) 一种流水线工件检测系统
CN115829883A (zh) 一种异性金属结构件表面图像去噪方法
CN108181316B (zh) 一种基于机器视觉的竹条缺陷检测方法
JP2013543121A (ja) タイヤのトレッドデザインを形成する基本的パターンを識別すると共に規定する方法
CN109540925B (zh) 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法
CN110687121B (zh) 一种陶瓦智能在线检测与自动分级方法和系统
CN113793337B (zh) 基于人工智能的机车配件表面异常程度评估方法
CN110827235A (zh) 钢板表面缺陷检测方法
CN109727244A (zh) 一种磁瓦表面裂纹检测方法
CN113610850B (zh) 一种基于图像处理的装饰纸纹理异常检测方法
CN115331119B (zh) 一种固体废弃物识别方法
CN109781737A (zh) 一种软管表面缺陷的检测方法及其检测系统
CN114486732B (zh) 一种基于线扫描三维的瓷砖缺陷在线检测方法
CN115345876B (zh) 一种基于超声图像的螺栓螺纹缺陷检测方法
CN108020554A (zh) 一种带钢表面缺陷识别检测方法
CN110749598A (zh) 一种融合颜色、形状和纹理特征的蚕茧表面缺陷检测方法
CN110687122A (zh) 一种陶瓦表面裂纹检测方法及系统
CN107516315B (zh) 一种基于机器视觉的掘进机出渣监测方法
CN115861313A (zh) 一种用于磨头的磨损检测方法
CN111141753A (zh) 基于机器视觉的陶瓷瓦表面裂纹检测方法
CN111815575A (zh) 一种基于机器视觉的轴承钢珠零件检测方法
CN109584212B (zh) 一种基于matlab的slm粉床铺粉图像划痕缺陷识别方法
Georgieva et al. Identification of surface leather defects.

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200512