CN113379744B - 基于图像处理的喷嘴装置表面缺陷检测方法与系统 - Google Patents
基于图像处理的喷嘴装置表面缺陷检测方法与系统 Download PDFInfo
- Publication number
- CN113379744B CN113379744B CN202110921789.4A CN202110921789A CN113379744B CN 113379744 B CN113379744 B CN 113379744B CN 202110921789 A CN202110921789 A CN 202110921789A CN 113379744 B CN113379744 B CN 113379744B
- Authority
- CN
- China
- Prior art keywords
- center
- candidate
- hole
- jet hole
- spray
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
Abstract
本发明提供了一种基于图像处理的喷嘴装置表面缺陷检测方法与系统。方法包括:对采集的喷嘴图像进行分析得到喷孔轮廓;通过喷孔轮廓确定粗糙喷孔中心及其投票值;若粗糙喷孔中心的数量满足预设条件,则根据各粗糙喷孔中心的投票值确定候选喷孔中心,根据每个候选喷孔中心与其他候选喷孔中心的投票值差异以及距离确定准确喷孔中心;根据喷孔轮廓像素点与准确喷孔中心的距离确定喷嘴表面喷孔的缺陷类型以及缺陷程度。本发明提高了喷嘴装置表面缺陷检测精度。
Description
技术领域
本发明涉及图像处理、人工智能技术领域,具体涉及一种基于图像处理的喷嘴装置表面缺陷检测方法与系统。
背景技术
工业喷嘴广泛应用于多个方面,随着社会的发展,对工业喷嘴的需求和质量要求均大幅度提高。在整个喷嘴装置中,当喷孔处有缺损或毛刺时,会使喷孔流量减小,且引起喷孔的喷雾形状发生变化,从而导致喷孔分布不均匀,降低其作用效果。因此,需要对工业喷嘴进行表面缺陷检测。
由于喷嘴点的喷孔尺寸微小,人工目视检测极难达到企业质检要求。目前对其进行表面缺陷检测的方法主要有两类:一类是在大量样本数据的基础上,通过深度学习获取缺陷特征,但该方法同时需要高性能硬件支持,成本开支较大,效率较低;一类是对缺陷图像进行特征分析,但易受环境光的影响,降低检测的准确率。
发明内容
本发明提供了一种基于图像处理的喷嘴装置表面缺陷检测方法,该方法包括:
对采集的喷嘴图像进行分析得到喷孔轮廓;
通过喷孔轮廓确定粗糙喷孔中心及其投票值;
若粗糙喷孔中心的数量满足预设条件,则根据各粗糙喷孔中心的投票值确定候选喷孔中心,根据每个候选喷孔中心与其他候选喷孔中心的投票值差异以及距离确定准确喷孔中心;
根据喷孔轮廓像素点与准确喷孔中心的距离确定喷嘴表面喷孔的缺陷类型以及缺陷程度。
进一步地,所述投票值为位于备选标准轮廓上的喷孔轮廓像素点个数,所述备选标准轮廓是根据粗糙喷孔中心确定的轮廓。
进一步地,所述通过喷孔轮廓确定粗糙喷孔中心及其投票值包括:
在喷孔轮廓上随机选取三个像素点两两相连得到一个三角形,若所述三角形为直角三角形,则直角三角形斜边的中心为粗糙喷孔中心并初始化投票值;
遍历喷孔轮廓上其他像素点,若其他像素点与直角三角形斜边端点两两相连构成直角三角形,则粗糙喷孔中心的投票值加一。
进一步地,所述根据每个候选喷孔中心与其他候选喷孔中心的投票值差异以及距离确定准确喷孔中心包括:
利用投票值差异以及距离构建置信度模型,根据置信度模型计算每个候选喷孔中心的置信度,置信度最大的候选喷孔中心为准确喷孔中心。
进一步地,所述置信度模型为:
分别对投票值差异、距离归一化,依次将每个候选喷孔中心作为待分析候选喷孔中心,将待分析候选喷孔中心与其他候选喷孔中心的归一化投票值差异、归一化距离相加,利用相加结果对待分析候选喷孔中心的投票值进行调整得到置信度模型。
进一步地,所述根据喷孔轮廓像素点与准确喷孔中心的距离确定喷嘴表面喷孔的缺陷类型以及缺陷程度包括:
喷嘴表面喷孔的缺陷类型包括喷孔堵塞、毛刺;根据喷孔堵塞面积与毛刺面积确定流量受损程度,根据毛刺面积确定液流分布均匀受损程度,根据流量受损程度、液流分布均匀受损程度确定喷嘴表面喷孔的缺陷程度。
进一步地,所述方法还包括:根据每个候选喷孔中心与其他候选喷孔中心的投票值差异、距离、以及方向差异确定准确喷孔中心。
本发明还提供一种基于图像处理的喷嘴装置表面缺陷检测系统,该系统包括:
喷孔轮廓分析模块,用于对采集的喷嘴图像进行分析得到喷孔轮廓;
粗糙喷孔中心获取模块,用于通过喷孔轮廓确定粗糙喷孔中心及其投票值;
准确喷孔中心获取模块,用于若粗糙喷孔中心的数量满足预设条件,则根据各粗糙喷孔中心的投票值确定候选喷孔中心,根据每个候选喷孔中心与其他候选喷孔中心的投票值差异以及距离确定准确喷孔中心;
喷嘴装置表面缺陷检测模块,用于根据喷孔轮廓像素点与准确喷孔中心的距离确定喷嘴表面喷孔的缺陷类型以及缺陷程度。
进一步地,所述根据每个候选喷孔中心与其他候选喷孔中心的投票值差异以及距离确定准确喷孔中心包括:
利用投票值差异以及距离构建置信度模型,根据置信度模型计算每个候选喷孔中心的置信度,置信度最大的候选喷孔中心为准确喷孔中心。
进一步地,所述准确喷孔中心获取模块还用于根据每个候选喷孔中心与其他候选喷孔中心的投票值差异、距离、以及方向差异确定准确喷孔中心。
本发明的有益效果在于:
本发明根据喷嘴装置的喷孔的特性,对喷孔轮廓进行处理获取粗糙喷孔中心,无需进行空间变换,降低了空间复杂度,提高了粗糙喷孔中心检测效率;本发明根据每个候选喷孔中心与其他候选喷孔中心的距离、投票值差异、方向差异等建立置信度模型,提高了准确喷孔中心的精度,进而提高了喷嘴装置表面缺陷的检测精度;本发明结合不同缺陷类型对喷嘴性能的影响,提出了更优的缺陷程度模型,提高了缺陷程度的量化精度。
附图说明
图1为本发明方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图以及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明的主要目的是实现喷嘴装置表面缺陷检测。为了实现该目的,本发明设计了一种基于图像处理的喷嘴装置表面缺陷检测方法和系统。
实施例1:
本实施例提供一种基于图像处理的喷嘴装置表面缺陷检测方法。方法流程图如图1所示。
步骤1:对采集的喷嘴图像进行分析得到喷孔轮廓。
步骤1.1:对采集的喷嘴图像进行图像处理,得到喷孔部分的灰度图像。
要对液柱流喷嘴的圆形喷孔进行表面缺陷检测,首先采集喷嘴中喷孔所在表面的俯视图像,并使用Encoder-Decoder结构的DNN网络对其进行语义分割,得到喷孔部分的语义分割图像。具体做法为:数据集为大量的喷嘴喷孔所在表面的俯视图像;对图像进行像素级分类,标注喷嘴喷孔的像素点值为1,其他部分的像素点值为0。Loss函数采用交叉熵损失函数。根据喷孔部分的语义分割图像生成遮罩,将遮罩与原图像相乘后获得喷孔部分的原始图像,再将其灰度化得到喷孔部分的灰度图像M。
步骤1.2:对喷孔部分的灰度图像进行分析,获取喷孔轮廓。
为了检测喷孔边缘是否存在毛刺或堵塞缺陷,对图像M进行边缘检测,本实施例采用Sobel算子进行边缘检测,得到喷孔轮廓。
步骤2:通过喷孔轮廓确定粗糙喷孔中心及其投票值。其中,投票值为位于根据粗糙喷孔中心确定的圆上的喷孔轮廓像素点个数。
若喷孔表面无缺陷,则喷孔轮廓为平滑的圆形;若喷孔表面存在毛刺或堵塞缺陷,则喷孔轮廓不是平滑的圆形,若对其进行喷孔中心检测,则会存在多个差距较大的喷孔中心。本步骤基于喷孔的特性和改进的投票机制进行喷孔中心的检测,并构造候选喷孔中心的差异表,以确定最终喷孔中心;后续处理在此基础上进一步确定缺陷的类型和具体位置,并最终确定喷嘴的缺陷程度。
步骤2.1:在喷孔轮廓上随机选取三个像素点两两相连得到一个三角形,若所述三角形为直角三角形,则直角三角形斜边的中心为粗糙喷孔中心并初始化投票值。
对喷孔轮廓,随机提取三个像素点,两两相连可得到一个三角形,计算三角形的内角大小,若存在直角,则为直角三角形;那么直角三角形的斜边即为以斜边中点(xa,ya)为圆心,以斜边长度da为直径长度的备选标准轮廓(该轮廓为圆)的一条直径,该三角形的三个点均在同一个圆上。如此可得粗糙喷孔中心(xa,ya),初始化投票值为3。
步骤2.2:遍历喷孔轮廓上其他像素点,若其他像素点与斜边端点两两相连构成直角三角形,则粗糙喷孔中心的投票值加一。
以步骤2.1所得直径的两个端点为基础,判断与喷孔轮廓上另一点的夹角大小,若夹角为直角,则该点同样在以(xa,ya)为中心,以da为直径的备选标准轮廓上,则粗糙喷孔中心(xa,ya)的投票值加1。遍历喷孔轮廓上的所有点,判断其是否在同一个圆上,得到粗糙喷孔中心(xa,ya)的最终投票值Za。同理,找到喷孔轮廓对应的所有可能的粗糙喷孔中心(xi,yi)及其直径di,并得到(xi,yi,di)的最终投票值Zi。
步骤3:若粗糙喷孔中心的数量满足预设条件,则根据各粗糙喷孔中心的投票值确定候选喷孔中心,根据每个候选喷孔中心与其他候选喷孔中心的投票值差异、距离、方向差异确定准确喷孔中心。
本实施例中预设条件为粗糙喷孔中心数量大于等于第一阈值。若粗糙喷孔中心数量小于第一阈值,则说明该喷孔的轮廓平滑,不存在毛刺或堵塞缺陷;否则说明喷孔的轮廓不平滑,存在毛刺或堵塞缺陷。其中,第一阈值可根据图像质量和精度要求自行设定,由于受到噪声干扰,本发明将其设置为5。
现有技术仅以投票值作为判断依据,选取投票值最大的中心,而实际中,噪声等随机因素往往会影响图片的质量,从而导致出现这样的情况:投票值高的中心不一定是真值中心,若仅以投票值作为判断依据,势必会影响缺陷检测。因此,本发明在投票机制的基础上,首先找到候选喷孔中心,以候选喷孔中心的坐标和投票值为基础构造差异表,以此确定准确喷孔中心。
具体地,首先筛选候选喷孔中心,本发明提供三种实施方式。第一种实施方式,根据固定范围筛选候选喷孔中心。实施者根据实施场景的图像采集尺寸以及环境噪声设置步长,根据步长以及最大投票值确定固定范围,固定范围为以最大投票值上限,以最大投票值减去步长为下限的区间。位于固定范围内的投票值对应的粗糙喷孔中心均为候选喷孔中心。第二种实施方式,根据动态阈值筛选候选喷孔中心。已知每个粗糙喷孔中心的坐标(xi,yi)以及对应的投票值Zi,则可根据Zi由大到小的顺序对所有粗糙喷孔中心进行排序并标号,即可找到投票值最大的喷孔中心1,将其记为候选喷孔中心1。设置与第i个候选喷孔中心进行比较时的阈值Pi:
其中,size为喷孔轮廓尺寸,s、γ为调节系数,实施者可根据实施场景调整,优选地,当喷孔轮廓尺寸数量级为千时,s取3,γ取1,数量级为万时,s取5,γ取3。首先,计算候选喷孔中心1和粗糙喷孔中心2之间的投票值差异△12=Z1-Z2,P1为对应的动态阈值,若差异△12<P1,则将粗糙喷孔中心2同样记为候选喷孔中心2;以此类推,得到n个候选喷孔中心。若n=1,则候选喷孔中心1即为准确喷孔中心;若n>1,则基于候选喷孔中心坐标和对应投票值构造差异表,以确定准确喷孔中心。第三种实施方式,根据喷孔轮廓尺寸与投票值差异之间的关系设置自适应步长,进而确定筛选范围。筛选范围与喷孔轮廓尺寸正相关,且随喷孔轮廓尺寸的增长,筛选范围的增长趋势逐渐趋缓,且趋于收敛,根据该关系设置自适应步长,优选地,自适应步长stride:
其中,len(size)为喷孔轮廓尺寸的位数,size为喷孔轮廓的尺寸,fist(size)为喷孔轮廓尺寸的第一位数值,β为调节系数,优选地,β为50。与第一种实施方式类似,根据自适应步长以及最大投票值确定固定范围,固定范围为以最大投票值上限,以最大投票值减去自适应步长为下限的区间。位于固定范围内的投票值对应的粗糙喷孔中心均为候选喷孔中心。
获取候选喷孔中心后,需要对每个候选喷孔中心与其他候选喷孔中心的距离、投票值差异进行分析。在二维坐标系中首先以候选喷孔中心1为目标喷孔中心,分别得到其与另外n-1个候选喷孔中心的矢量(θ1k,d1k),其中θ1k、d1k分别为候选喷孔中心1到候选喷孔中心k的矢量角度(向量在二维坐标系中的角度,即向量与坐标轴的夹角)和矢量长度(距离);并得到目标喷孔中心与另外n-1个候选喷孔中心的最终投票值差异△1k;同理,分别以候选喷孔中心2,…,n为目标喷孔中心,可得到与另外n-1个候选喷孔中心的矢量信息和投票值差异信息。
以矢量长度和投票值差异为基础获得候选喷孔中心之间的差异表时,首先进行矢量长度和投票值差异的尺度统一。
具体地,以矢量长度中的最大值dmax为基础,将候选喷孔中心1与其他候选喷孔中心k矢量长度归一化表征为:
d1k '的取值范围为(0,1]。归一化矢量长度即归一化距离,归一化距离越小,说明两候选喷孔中心在平面位置上越近邻。同理,分别以候选喷孔中心2,…,n为待处理候选喷孔中心,进行归一化,得到待处理候选喷孔中心的归一化距离,从而获得每个候选喷孔中心与其他候选喷孔中心的归一化距离。
以投票值差异中的最大值△max为基础,将候选喷孔中心1与其他候选喷孔中心k投票值之间的差异归一化表征为:
△1k '的取值范围为(0,1]。同理,分别以候选喷孔中心2,…,n为待处理候选喷孔中心,进行归一化,得到待处理候选喷孔中心的归一化投票值差异,从而获得每个候选喷孔中心与其他候选喷孔中心的归一化投票值差异。完成尺度的统一,得到候选喷孔中心之间的差异表,如表1所示。
表1
标号 | 1 | 2 | … | n |
1 | (0,0) | (d<sub>12</sub><sup>'</sup>,△<sub>12</sub><sup>'</sup>) | … | (d<sub>1n</sub><sup>'</sup>,△<sub>1n</sub><sup>'</sup>) |
2 | (d<sub>21</sub><sup>'</sup>,△<sub>21</sub><sup>'</sup>) | (0,0) | … | (d<sub>2n</sub><sup>'</sup>,△<sub>2n</sub><sup>'</sup>) |
… | … | … | (0,0) | … |
n | (d<sub>n1</sub><sup>'</sup>,△<sub>n1</sub><sup>'</sup>) | (d<sub>n2</sub><sup>'</sup>,△<sub>n2</sub><sup>'</sup>) | … | (0,0) |
利用投票值差异以及距离构建置信度模型,根据置信度模型计算每个候选喷孔中心的置信度,置信度最大的候选喷孔中心为准确喷孔中心。
具体地,每行元素相加即可得到以该行对应的候选喷孔中心为目标喷孔中心时,与其他n-1个候选喷孔中心之间的差异值,则差异表中第f行元素之和Cf即为候选喷孔中心f的差异值Cf:
以候选喷孔中心f的差异值Cf和对应的投票值Zf为基础可得到候选喷孔中心判断为准确喷孔中心的置信度:差异值与置信度呈负相关,差异值越小,置信度越高;投票值与置信度呈正相关,投票值越大,判断为准确喷孔中心的置信度越高。置信度模型为:分别对投票值差异、距离归一化,依次将每个候选喷孔中心作为待分析候选喷孔中心,将待分析候选喷孔中心与其他候选喷孔中心的归一化投票值差异、归一化距离相加,利用相加结果对待分析候选喷孔中心的投票值进行调整得到置信度模型。其中,相加结果即为差异值。为了提高置信度的表征能力,在利用相加结果(差异值)对待分析候选喷孔中心的投票值进行调整时,首先将差异值、投票值进行归一化,得到归一化后的差异值Cf '和投票值Zf ',且差异值Cf '和投票值Zf '的取值范围为[0,1],则候选喷孔中心f判断为准确喷孔中心的置信度模型为:
其中,Mf为置信度值。比较n个候选喷孔中心判断为准确喷孔中心的置信度,置信度最大的候选喷孔中心即为准确喷孔中心。
进一步地,本实施例还提供一种优选的置信度实施方式。具体地,根据每个候选喷孔中心与其他候选喷孔中心的投票值差异、距离、以及方向差异确定准确喷孔中心。本实施例中的方向差异为每个候选喷孔中心与其他候选喷孔中心在图像坐标系中矢量角度的差异。考虑候选喷孔中心的矢量角度的分布均匀情况:矢量角度分布均匀、位于多个候选喷孔中心中间的候选喷孔中心,判断为准确喷孔中心的置信度更高。具体地,分别得到任一候选喷孔中心f与其他候选喷孔中心的矢量角度并进行归一化,得到归一化后的矢量角度θf1 ',...,θfk ',...,θfn ',对矢量角度θf1 ',...,θfk ',...,θfn '计算其方差值θf ',方差值越大,对应的差异值Cf越大。然后结合矢量角度的方差,构建置信度模型:
其中,Cf '为Cf的归一化值,Zf '为Zf的归一化值,Mf为置信度值。
步骤4:根据喷孔轮廓像素点与准确喷孔中心的距离确定喷嘴表面喷孔的缺陷类型以及缺陷程度。
步骤4.1:基于准确喷孔中心找到喷孔轮廓上缺陷的类型和具体位置。
将准确喷孔中心记为O0(x0,y0),其直径对应为d0,得到标准轮廓,为圆形。对(x0,y0,d0)进行投票的Z0个点即为喷孔轮廓上属于标准轮廓的像素点,则喷孔轮廓上不属于标准轮廓的点即为可能的缺陷部分。
对于可能的缺陷部分,根据其像素点与准确喷孔中心O0的距离大小确定缺陷位置:
(1)对喷嘴作用效果影响较大的喷孔缺陷分为两类:毛刺和堵塞。其中,毛刺为喷孔上附着的多余部分,轮廓缺损为喷孔上堵塞的部分。属于毛刺或堵塞的像素点距离喷孔中心较近,小于半径。
(2)对于可能的缺陷部分,计算其中每个像素点与喷孔中心(x0,y0)的距离r,与标准轮廓的半径d0/2进行对比:若r<d0/2,则对应像素点属于缺陷部分;若r>d0/2,则对应像素点为干扰像素点,不需再对其进行检测。至此,即可判断出喷孔轮廓中的缺陷位置,找到缺陷像素点。
对于缺陷像素点,根据其分布情况以及距离的变化判断每个像素点所属的缺陷类型,找到每个缺陷的具体位置:对于堵塞缺陷,单个堵塞部分由一组相邻像素点组成,堵塞两端像素点与轮廓相接,且从堵塞一侧出发到另一侧为止,像素点与喷孔中心的距离具有先减小后增大的趋势。而对于毛刺缺陷,单个毛刺部分由一组相邻像素点组成,且毛刺最外侧像素点与喷孔轮廓部分相接,按照由外到内的顺序,其像素点与喷孔中心的距离逐渐减小,且梯度较大。
首先进行缺陷类型的检测,并找到每个缺陷的具体位置:
(1)已知缺陷像素点的位置及坐标,则可知像素点之间的相邻性;
(2)对于一组相邻的缺陷像素点,已知每个像素点与喷孔中心的距离r;
(3)判断缺陷像素点m的相邻像素点的r值,若其中一侧相邻像素点q的对应r值与半径大小一致,则像素点m即为缺陷的起始像素点。以像素点m起始,按照与像素点q相反的方向,像素点的对应距离r先减小后增大且梯度较为平缓,则该组像素点属于堵塞缺陷;像素点的对应距离r逐渐减小且梯度较大,则该组像素点属于毛刺缺陷。对于一组堵塞像素点,除了像素点m,还存在另一个像素点m',其一侧的相邻像素点的对应r值与半径大小一致,则像素点m'即为对应的终止像素点;则像素点m和m'以及之间的所有相邻缺陷像素点共同构成堵塞缺陷。对于一组毛刺像素点,其终止像素点m'为r值最小的像素点,且其相邻像素点只存在一侧。则像素点m和m'以及之间的所有相邻缺陷像素点共同构成毛刺缺陷。至此,即可完成每组缺陷像素点的缺陷类型判断,并确定每个缺陷的具体位置。
步骤4.2:根据喷孔液流的受损类型和受损程度确定喷孔的缺陷程度。喷嘴表面喷孔的缺陷类型包括喷孔堵塞、毛刺;根据喷孔堵塞面积与毛刺面积确定流量受损程度,根据毛刺面积确定液流分布均匀受损程度,根据流量受损程度、液流分布均匀受损程度确定喷嘴表面喷孔的缺陷程度。
当喷孔处有堵塞或毛刺时,喷孔液流的流量和均匀性会受到较大影响:堵塞和毛刺会使喷孔流量减小,且毛刺会使得喷孔液流分布不均匀。
已知堵塞缺陷和毛刺缺陷的具体位置和对应像素点,则以此为基础分别判断喷嘴喷孔在流量和均匀性两个方面的受损程度,以确定喷孔的缺陷程度。
基于堵塞面积占比判断喷孔在流量方面的受损程度。堵塞面积占比为堵塞面积占比和毛刺堵塞面积占比之和;堵塞面积占比的计算方法为:
①已知属于每个堵塞部分的一组像素点及其坐标(x,y),该组像素点组成堵塞部分的边缘曲线y=F(x),而喷孔轮廓对应标准轮廓的曲线方程为y=G(x)。
②堵塞部分的起始m和终止像素点m'的坐标分别为(xm,ym)、(xm',ym'),是堵塞边缘曲线和喷孔轮廓的交点。
③堵塞面积S1:
其中,F(x)为堵塞边缘曲线方程,G(x)为标准轮廓的曲线方程(圆),xm和xm'为两曲线交点。
④根据在前三个步骤可得到每个堵塞部分的堵塞面积Si,所有堵塞部分的堵塞面积之和与标准轮廓的面积的比值即为堵塞面积之比,即:
其中,I为堵塞缺陷的个数,Si为第i个堵塞缺陷的面积,d0为标准轮廓的直径。
毛刺堵塞面积占比的计算方法为:已知每个毛刺缺陷的对应像素点,则可用像素点个数表征其面积占比大小;则毛刺堵塞面积之比为:
其中,J为毛刺缺陷的个数,Vj为第j个毛刺缺陷的像素点个数,N为标准轮廓包含像素点个数。堵塞比为W1=D1+D2,且W1的取值范围在(0,1)之间。用W1来表征喷孔在流量方面的受损程度,且W1值越大,受损程度越高。基于毛刺缺陷的面积占比判断喷孔在液流分布均匀方面的受损程度:毛刺数量越多,长度越长,喷孔中液流均匀分布的受损程度越高。用毛刺缺陷的面积占比D2来表征喷孔在液流分布均匀方面的受损程度W2,即W2=D2。则W2的取值范围在(0,1)之间,且W2值越大,喷孔在液流分布均匀方面的受损程度越高。则基于喷嘴喷孔在流量和均匀性两个方面的受损程度W1和W2来表征喷嘴的缺陷程度Q,即Q=W1+W2,且Q值越大,喷嘴的缺陷程度越高。
步骤4.3:根据喷嘴的缺陷类型和缺陷程度判断后续处理流程。
若喷嘴喷孔不存在毛刺或堵塞缺陷,则不需要对其进行相应的再加工。若喷嘴喷孔存在毛刺或堵塞缺陷,则通过上述方法可知喷嘴喷孔对应的缺陷程度,则可根据缺陷程度Q与阈值Q0的大小关系确定该喷嘴后续操作:若Q<Q0,则需要对其进行再加工以消除缺陷;若Q≥Q0,则将其作报废处理。其中,阈值Q0根据实际情况确定,对喷嘴的精度要求越高,对应的Q0值越小。且可知缺陷类型和缺陷具体位置,则可对喷嘴喷孔进行精准再加工,消除喷嘴缺陷,提高喷嘴的合格率。
实施例2:
本实施例提供一种基于图像处理的喷嘴装置表面缺陷检测系统,该系统包括:
喷孔轮廓分析模块,用于对采集的喷嘴图像进行分析得到喷孔轮廓;
粗糙喷孔中心获取模块,用于通过喷孔轮廓确定粗糙喷孔中心及其投票值;
准确喷孔中心获取模块,用于若粗糙喷孔中心的数量满足预设条件,则根据各粗糙喷孔中心的投票值确定候选喷孔中心,根据每个候选喷孔中心与其他候选喷孔中心的投票值差异以及距离确定准确喷孔中心;
喷嘴装置表面缺陷检测模块,用于根据喷孔轮廓像素点与准确喷孔中心的距离确定喷嘴表面喷孔的缺陷类型以及缺陷程度。
以上实施例仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于图像处理的喷嘴装置表面缺陷检测方法,其特征在于,该方法包括:
对采集的喷嘴图像进行分析得到喷孔轮廓;
通过喷孔轮廓确定粗糙喷孔中心及其投票值;
若粗糙喷孔中心的数量满足预设条件,则根据各粗糙喷孔中心的投票值确定候选喷孔中心,利用每个候选喷孔中心与其他候选喷孔中心的投票值差异以及距离构建置信度模型,根据置信度模型计算每个候选喷孔中心的置信度,置信度最大的候选喷孔中心为准确喷孔中心,其中,所述置信度模型为:分别对投票值差异、距离归一化,依次将每个候选喷孔中心作为待分析候选喷孔中心,将待分析候选喷孔中心与其他候选喷孔中心的归一化投票值差异、归一化距离相加,利用相加结果对待分析候选喷孔中心的投票值进行调整得到置信度模型;
根据喷孔轮廓像素点与准确喷孔中心的距离确定喷嘴表面喷孔的缺陷类型以及缺陷程度。
2.如权利要求1所述的方法,其特征在于,所述投票值为位于备选标准轮廓上的喷孔轮廓像素点个数,所述备选标准轮廓是根据粗糙喷孔中心确定的轮廓。
3.如权利要求1所述的方法,其特征在于,所述通过喷孔轮廓确定粗糙喷孔中心及其投票值包括:
在喷孔轮廓上随机选取三个像素点两两相连得到一个三角形,若所述三角形为直角三角形,则直角三角形斜边的中心为粗糙喷孔中心并初始化投票值;
遍历喷孔轮廓上其他像素点,若其他像素点与直角三角形斜边端点两两相连构成直角三角形,则粗糙喷孔中心的投票值加一。
4.如权利要求1所述的方法,其特征在于,所述根据喷孔轮廓像素点与准确喷孔中心的距离确定喷嘴表面喷孔的缺陷类型以及缺陷程度包括:
喷嘴表面喷孔的缺陷类型包括喷孔堵塞、毛刺;根据喷孔堵塞面积与毛刺面积确定流量受损程度,根据毛刺面积确定液流分布均匀受损程度,根据流量受损程度、液流分布均匀受损程度确定喷嘴表面喷孔的缺陷程度。
5.如权利要求1所述的方法,其特征在于,所述方法还包括:根据每个候选喷孔中心与其他候选喷孔中心的投票值差异、距离、以及方向差异确定准确喷孔中心。
6.一种基于图像处理的喷嘴装置表面缺陷检测系统,其特征在于,该系统包括:
喷孔轮廓分析模块,用于对采集的喷嘴图像进行分析得到喷孔轮廓;
粗糙喷孔中心获取模块,用于通过喷孔轮廓确定粗糙喷孔中心及其投票值;
准确喷孔中心获取模块,用于若粗糙喷孔中心的数量满足预设条件,则根据各粗糙喷孔中心的投票值确定候选喷孔中心,利用每个候选喷孔中心与其他候选喷孔中心的投票值差异以及距离构建置信度模型,根据置信度模型计算每个候选喷孔中心的置信度,置信度最大的候选喷孔中心为准确喷孔中心,其中,所述置信度模型为:分别对投票值差异、距离归一化,依次将每个候选喷孔中心作为待分析候选喷孔中心,将待分析候选喷孔中心与其他候选喷孔中心的归一化投票值差异、归一化距离相加,利用相加结果对待分析候选喷孔中心的投票值进行调整得到置信度模型;
喷嘴装置表面缺陷检测模块,用于根据喷孔轮廓像素点与准确喷孔中心的距离确定喷嘴表面喷孔的缺陷类型以及缺陷程度。
7.如权利要求6所述的系统,其特征在于,所述准确喷孔中心获取模块还用于根据每个候选喷孔中心与其他候选喷孔中心的投票值差异、距离、以及方向差异确定准确喷孔中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110921789.4A CN113379744B (zh) | 2021-08-12 | 2021-08-12 | 基于图像处理的喷嘴装置表面缺陷检测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110921789.4A CN113379744B (zh) | 2021-08-12 | 2021-08-12 | 基于图像处理的喷嘴装置表面缺陷检测方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113379744A CN113379744A (zh) | 2021-09-10 |
CN113379744B true CN113379744B (zh) | 2021-11-19 |
Family
ID=77576770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110921789.4A Active CN113379744B (zh) | 2021-08-12 | 2021-08-12 | 基于图像处理的喷嘴装置表面缺陷检测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379744B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103604808A (zh) * | 2013-12-04 | 2014-02-26 | 天津普达软件技术有限公司 | 一种瓶盖缺陷视觉检测方法 |
CN105405142A (zh) * | 2015-11-12 | 2016-03-16 | 冯平 | 一种玻璃面板的边缺陷检测方法及系统 |
CN108537778A (zh) * | 2018-03-27 | 2018-09-14 | 华南理工大学 | 一种用于柔性基板的改进随机圆孔检测方法 |
CN109086734A (zh) * | 2018-08-16 | 2018-12-25 | 新智数字科技有限公司 | 一种对人眼图像中瞳孔图像进行定位的方法及装置 |
CN109141232A (zh) * | 2018-08-07 | 2019-01-04 | 常州好迪机械有限公司 | 一种基于机器视觉的盘类铸件在线检测方法 |
CN109829876A (zh) * | 2018-05-30 | 2019-05-31 | 东南大学 | 基于机器视觉的链板缺陷在线检测装置及方法 |
CN111982921A (zh) * | 2020-05-21 | 2020-11-24 | 北京安视中电科技有限公司 | 孔缺陷的检测方法、装置、传送平台及存储介质 |
CN112164050A (zh) * | 2020-09-28 | 2021-01-01 | 华南理工大学 | 用于流水线上产品表面缺陷的检测方法、设备及存储介质 |
CN112435210A (zh) * | 2019-08-26 | 2021-03-02 | 银河水滴科技(北京)有限公司 | 一种环形器件的质量检测方法及装置 |
CN112529876A (zh) * | 2020-12-15 | 2021-03-19 | 天津大学 | 一种隐形眼镜边缘缺陷的检测方法 |
CN112700440A (zh) * | 2021-01-18 | 2021-04-23 | 上海闻泰信息技术有限公司 | 物体缺陷检测方法、装置、计算机设备及存储介质 |
CN112991279A (zh) * | 2021-03-03 | 2021-06-18 | 华南理工大学 | 柔性电路板缺陷圆检测方法、装置、介质和设备 |
CN113012098A (zh) * | 2021-01-25 | 2021-06-22 | 郑州轻工业大学 | 一种基于bp神经网络的铁塔角钢冲孔缺陷检测方法 |
CN113008897A (zh) * | 2021-02-24 | 2021-06-22 | 江苏阿瑞斯智能设备有限公司 | 一种陶瓷催化剂载体缺陷检测方法、装置及设备 |
-
2021
- 2021-08-12 CN CN202110921789.4A patent/CN113379744B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103604808A (zh) * | 2013-12-04 | 2014-02-26 | 天津普达软件技术有限公司 | 一种瓶盖缺陷视觉检测方法 |
CN105405142A (zh) * | 2015-11-12 | 2016-03-16 | 冯平 | 一种玻璃面板的边缺陷检测方法及系统 |
CN108537778A (zh) * | 2018-03-27 | 2018-09-14 | 华南理工大学 | 一种用于柔性基板的改进随机圆孔检测方法 |
CN109829876A (zh) * | 2018-05-30 | 2019-05-31 | 东南大学 | 基于机器视觉的链板缺陷在线检测装置及方法 |
CN109141232A (zh) * | 2018-08-07 | 2019-01-04 | 常州好迪机械有限公司 | 一种基于机器视觉的盘类铸件在线检测方法 |
CN109086734A (zh) * | 2018-08-16 | 2018-12-25 | 新智数字科技有限公司 | 一种对人眼图像中瞳孔图像进行定位的方法及装置 |
CN112435210A (zh) * | 2019-08-26 | 2021-03-02 | 银河水滴科技(北京)有限公司 | 一种环形器件的质量检测方法及装置 |
CN111982921A (zh) * | 2020-05-21 | 2020-11-24 | 北京安视中电科技有限公司 | 孔缺陷的检测方法、装置、传送平台及存储介质 |
CN112164050A (zh) * | 2020-09-28 | 2021-01-01 | 华南理工大学 | 用于流水线上产品表面缺陷的检测方法、设备及存储介质 |
CN112529876A (zh) * | 2020-12-15 | 2021-03-19 | 天津大学 | 一种隐形眼镜边缘缺陷的检测方法 |
CN112700440A (zh) * | 2021-01-18 | 2021-04-23 | 上海闻泰信息技术有限公司 | 物体缺陷检测方法、装置、计算机设备及存储介质 |
CN113012098A (zh) * | 2021-01-25 | 2021-06-22 | 郑州轻工业大学 | 一种基于bp神经网络的铁塔角钢冲孔缺陷检测方法 |
CN113008897A (zh) * | 2021-02-24 | 2021-06-22 | 江苏阿瑞斯智能设备有限公司 | 一种陶瓷催化剂载体缺陷检测方法、装置及设备 |
CN112991279A (zh) * | 2021-03-03 | 2021-06-18 | 华南理工大学 | 柔性电路板缺陷圆检测方法、装置、介质和设备 |
Non-Patent Citations (3)
Title |
---|
Development on surface defect holes inspection based on image recognition;Houkun Guo等;《2010 IEEE/ASME International Conference on Advanced Intelligent Mechatronics》;20110120;623-626 * |
基于机器视觉的孔边缺陷检测算法研究与应用;刘新辉;《中国优秀硕士学位论文全文数据库 信息科技辑》;20151215;第2015年卷(第12期);I138-723 * |
钮扣特征检测与分类识别算法研究;熊显阔;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20180115;第2018年卷(第1期);B024-896 * |
Also Published As
Publication number | Publication date |
---|---|
CN113379744A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107437245B (zh) | 基于深度卷积神经网络的高速铁路接触网故障诊断方法 | |
CN115063409B (zh) | 一种机械刀具表面材质检测方法及系统 | |
CN111209892A (zh) | 一种基于卷积神经网络的人群密度及数量估计方法 | |
CN115115613B (zh) | 基于机器视觉的喷漆缺陷检测方法及系统 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN116205919A (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
CN115294140A (zh) | 一种五金零件缺陷检测方法及系统 | |
CN116735612B (zh) | 一种精密电子元器件焊接缺陷检测方法 | |
CN114998198A (zh) | 一种注塑件表面缺陷识别方法 | |
CN115082477B (zh) | 一种基于去反光效果的半导体晶圆加工质量检测方法 | |
CN115953409B (zh) | 基于图像处理的注塑件表面缺陷检测方法 | |
WO2018006631A1 (zh) | 一种用户等级自动划分方法及系统 | |
CN115049651B (zh) | 一种钣金冲压异常检测方法 | |
CN110992314A (zh) | 一种路面缺陷检测方法、装置及存储介质 | |
CN103268492B (zh) | 一种玉米籽粒类型识别方法 | |
CN113989275A (zh) | 基于初始权重优化的神经网络的木板类型识别方法及装置 | |
CN113962994B (zh) | 基于图像处理的三连杆上锁销清洁度检测方法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN117314901B (zh) | 一种尺度自适应的芯片检测神经网络系统 | |
CN113379744B (zh) | 基于图像处理的喷嘴装置表面缺陷检测方法与系统 | |
CN116385440B (zh) | 一种弧形刀片视觉检测方法 | |
CN115797361B (zh) | 一种铝模板表面缺陷检测方法 | |
CN110378270B (zh) | 一种基于质量维度评估参量的人脸识别设备筛选方法 | |
CN113808129A (zh) | 易混淆缺陷的有效检测方法 | |
CN109272540B (zh) | 一种图卡图像的sfr自动提取与分析方法 |
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 |