CN113781482B - 一种复杂环境下机械零件裂纹缺陷检测方法及系统 - Google Patents

一种复杂环境下机械零件裂纹缺陷检测方法及系统 Download PDF

Info

Publication number
CN113781482B
CN113781482B CN202111335564.7A CN202111335564A CN113781482B CN 113781482 B CN113781482 B CN 113781482B CN 202111335564 A CN202111335564 A CN 202111335564A CN 113781482 B CN113781482 B CN 113781482B
Authority
CN
China
Prior art keywords
edge point
edge
initial
weak
point
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
Application number
CN202111335564.7A
Other languages
English (en)
Other versions
CN113781482A (zh
Inventor
冯玉豹
张金刚
王帅福
司文强
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.)
Shandong Jingliang Highway Mach Co ltd
Original Assignee
Shandong Jingliang Highway Mach Co ltd
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 Shandong Jingliang Highway Mach Co ltd filed Critical Shandong Jingliang Highway Mach Co ltd
Priority to CN202111335564.7A priority Critical patent/CN113781482B/zh
Publication of CN113781482A publication Critical patent/CN113781482A/zh
Application granted granted Critical
Publication of CN113781482B publication Critical patent/CN113781482B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种复杂环境下机械零件裂纹缺陷检测方法及系统，包括：获取待检测机械零件的表面图像，根据待检测机械零件的表面图像各个待确定边缘点对应的梯度幅值，得到m个弱边缘扩展类簇，根据m个弱边缘扩展类簇内各边缘点的计数概率和梯度幅值，确定m个弱边缘扩展类簇的双阈值，根据m个弱边缘扩展类簇的双阈值和m个弱边缘扩展类簇外的初始强边缘点，确定待检测机械零件的裂纹区域。本发明通过自适应双阈值，准确筛选出实际的强边缘点，提高了对机械零件裂纹缺陷检测的准确性。

Description

一种复杂环境下机械零件裂纹缺陷检测方法及系统
技术领域
本发明涉及图像处理技术领域，具体涉及一种复杂环境下机械零件裂纹缺陷检测方法及系统。
背景技术
在制造机械零件的过程中，机械零件的表面裂纹缺陷的产生往往是不可避免的，机械零件的裂纹缺陷不仅影响了机械零件的美观和舒适度，而且一般也会对其使用性能带来不良影响，所以生产企业对机械零件裂纹的缺陷检测非常重视，以便及时发现，从而有效控制机械零件的质量。
Canny边缘检测技术在环境良好的场景下对机械零件裂纹缺陷检测被广泛应用，但在光照条件或拍摄环境复杂多变时，对于同一张图像来说，其检测出的机械零件裂纹缺陷并不相同，原因为对全局图像的裂纹边缘设定的阈值无法适应局部图像的裂纹边缘，存在将伪裂纹边缘标记为真实裂纹边缘，并将真实裂纹边缘当作伪裂纹边缘过滤掉的问题，导致对机械零件裂纹缺陷检测结果不准确。
发明内容
本发明的目的在于提供一种复杂环境下机械零件裂纹缺陷检测方法及系统，用于解决对机械零件裂纹缺陷检测结果不准确的问题。
为了解决上述技术问题，本发明所采用的技术方案具体如下：
本发明提供了一种复杂环境下机械零件裂纹缺陷检测方法，该方法包括以下步骤：
获取待检测机械零件的表面图像，进而得到表面图像中的各个待确定边缘点和各个待确定边缘点对应的梯度幅值；
根据各个待确定边缘点和各个待确定边缘点对应的梯度幅值，确定各个初始抑制边缘点、各个初始弱边缘点和各个初始强边缘点；
根据各个初始抑制边缘点、各个初始弱边缘点、各个初始强边缘点的梯度幅值和位置，确定各个初始抑制边缘点和各个初始强边缘点中的各个待并入弱边缘点，并根据各个初始弱边缘点和待并入弱边缘点，得到
Figure 174832DEST_PATH_IMAGE001
个弱边缘扩展类簇；
分别计算
Figure 357551DEST_PATH_IMAGE001
个弱边缘扩展类簇内各边缘点的计数概率，并根据
Figure 668447DEST_PATH_IMAGE001
个弱边缘扩展类簇内各边缘点的计数概率以及
Figure 860394DEST_PATH_IMAGE001
个弱边缘扩展类簇内每个边缘点的梯度幅值，分别确定
Figure 205924DEST_PATH_IMAGE001
个弱边缘扩展类簇的双阈值；
根据
Figure 559545DEST_PATH_IMAGE001
个弱边缘扩展类簇的双阈值和
Figure 357737DEST_PATH_IMAGE001
个弱边缘扩展类簇内每个边缘点的梯度幅值，确定
Figure 87796DEST_PATH_IMAGE001
个弱边缘扩展类簇内的弱边缘点和强边缘点；
根据
Figure 287833DEST_PATH_IMAGE001
个弱边缘扩展类簇内的弱边缘点和强边缘点以及
Figure 812355DEST_PATH_IMAGE001
个弱边缘扩展类簇外的初始强边缘点，确定待检测机械零件的图像的裂纹边缘点；
根据待检测机械零件的图像的裂纹边缘点，确定待检测机械零件的裂纹区域。
进一步地，确定各个初始抑制边缘点、各个初始弱边缘点和各个初始强边缘点的步骤包括：
根据各个待确定边缘点对应的梯度幅值，建立梯度幅值直方图，并对梯度幅值直方图进行混合高斯模型拟合，得到各子高斯模型、各子高斯模型的均值以及各个待确定边缘点分别属于各子高斯模型的概率值；
根据各子高斯模型的均值以及各个待确定边缘点分别属于各子高斯模型的概率值，从各个待确定边缘点中确定各个初始抑制边缘点、各个初始弱边缘点和各个初始强边缘点。
进一步地，确定各个初始抑制边缘点和各个初始强边缘点中的待并入弱边缘点的步骤包括：
根据各个初始弱边缘点的位置，对各个初始弱边缘点进行均值漂移聚类，得到
Figure 97843DEST_PATH_IMAGE001
个弱边缘类簇以及
Figure 366013DEST_PATH_IMAGE001
个弱边缘类簇的中心位置；
根据各个初始抑制边缘点和各个初始强边缘点的梯度幅值，确定各个初始抑制边缘点和各个初始强边缘点的并入阻力系数，进而从各个初始抑制边缘点和各个初始强边缘点中筛选出各个待并入弱边缘点。
进一步地，确定各个初始抑制边缘点和各个初始强边缘点的并入阻力系数，进而从各个初始抑制边缘点和各个初始强边缘点中筛选出各个待并入弱边缘点的步骤包括：
根据各个初始抑制边缘点和各个初始强边缘点的梯度幅值，得到各个初始抑制边缘点和各个初始强边缘点的幅值并入阻力系数；
根据各个初始抑制边缘点和各个初始强边缘点距离
Figure 420557DEST_PATH_IMAGE001
个弱边缘类簇的中心位置的距离值，得到各个初始抑制边缘点和各个初始强边缘点的空域并入阻力系数；
根据各个初始抑制边缘点的幅值并入阻力系数和空域并入阻力系数以及各个初始强边缘点的幅值并入阻力系数和空域并入阻力系数，得到各个初始抑制边缘点和各个初始强边缘点的并入阻力系数；
判断各个初始抑制边缘点和各个初始强边缘点的并入阻力系数是否小于预设阈值，若小于预设阈值，则将对应的初始抑制边缘点或初始强边缘点作为待并入弱边缘点。
进一步地，各个初始抑制边缘点和各个初始强边缘点的并入阻力系数的计算公式为：
Figure 115981DEST_PATH_IMAGE002
其中，
Figure 685502DEST_PATH_IMAGE003
为初始抑制边缘点或初始强边缘点的并入阻力系数，
Figure 491784DEST_PATH_IMAGE004
为初始抑制边缘点或初始强边缘点的幅值并入阻力系数，
Figure 869676DEST_PATH_IMAGE005
为初始抑制边缘点或初始强边缘点的空域并入阻力系数。
进一步地，得到
Figure 736001DEST_PATH_IMAGE001
个弱边缘扩展类簇的步骤包括：
分别计算各个待并入弱边缘点与
Figure 996081DEST_PATH_IMAGE001
个弱边缘类簇的中心位置的距离，得到各个待并入弱边缘点的距离最小值所对应的弱边缘类簇；
将各个待并入弱边缘点归类到其对应的距离最小值所对应的弱边缘类簇中，从而得到
Figure 606054DEST_PATH_IMAGE001
个弱边缘扩展类簇。
进一步地，分别计算
Figure 635189DEST_PATH_IMAGE001
个弱边缘扩展类簇内各边缘点的计数概率的步骤包括：
根据
Figure 937995DEST_PATH_IMAGE001
个弱边缘扩展类簇内各边缘点的梯度幅值，得到
Figure 419792DEST_PATH_IMAGE001
个弱边缘扩展类簇内各边缘点的并入阻力系数；
根据
Figure 833456DEST_PATH_IMAGE001
个弱边缘扩展类簇内各边缘点的并入阻力系数，计算
Figure 717098DEST_PATH_IMAGE001
个弱边缘扩展类簇内各边缘点的计数概率，对应的计算公式如下：
Figure 190805DEST_PATH_IMAGE006
其中，
Figure 425477DEST_PATH_IMAGE007
为弱边缘扩展类簇内的边缘点的计数概率，
Figure 377252DEST_PATH_IMAGE003
为弱边缘扩展类簇内的边缘点的并入阻力系数。
进一步地，分别确定
Figure 380980DEST_PATH_IMAGE001
个弱边缘扩展类簇的双阈值的步骤包括：
根据弱边缘扩展类簇内各边缘点对应的梯度幅值和对应梯度幅值的计数概率，分别建立直方图，并对直方图进行混合高斯模型拟合，得到各子高斯模型、各子高斯模型的均值以及弱边缘扩展类簇内各边缘点分别属于各子高斯模型的概率值；
根据各子高斯模型的均值，确定各子高斯模型中的第一子高斯模型、第二子高斯模型和第三子高斯模型，第一子高斯模型、第二子高斯模型和第三子高斯模型对应的均值依次增大；
根据弱边缘扩展类簇内各边缘点分别属于各子高斯模型的概率值，在弱边缘扩展类簇内筛选出各个第一目标边缘点和各个第二目标边缘点，所述第一目标边缘点为弱边缘扩展类簇内属于第一子高斯模型和第二子高斯模型的概率值相同的边缘点，所述第二目标边缘点为弱边缘扩展类簇内属于第二子高斯模型和第三子高斯模型的概率值相同的边缘点；
将各个第一目标边缘点属于第一子高斯模型和第二子高斯模型的概率值中的最大值所对应的第一目标边缘点的梯度幅值作为低阈值，并将各个第二目标边缘点属于第二子高斯模型和第三子高斯模型的概率值中的最大值所对应的第二目标边缘点的梯度幅值作为高阈值，所述高阈值和低阈值即为弱边缘扩展类簇的双阈值。
进一步地，确定待检测机械零件的图像的裂纹边缘点的步骤包括：
根据
Figure 25588DEST_PATH_IMAGE001
个弱边缘扩展类簇内的弱边缘点和强边缘点以及
Figure 481978DEST_PATH_IMAGE001
个弱边缘扩展类簇外的初始强边缘点，确定各个待确定弱边缘点和待确定强边缘点；
分别判断各个待确定强边缘点是否为孤立点，若不为孤立点，则将该待确定强边缘点作为实际的强边缘点；
分别判断各个待确定弱边缘点的周围八邻域是否存在实际的强边缘点，若存在实际的强边缘点，则判定该待确定弱边缘点为实际的强边缘点；
根据最终得到的实际的强边缘点，确定待检测机械零件的表面图像的裂纹边缘点。
本发明还提供了一种复杂环境下机械零件裂纹缺陷检测系统，包括处理器和存储器，处理器用于处理存储在存储器中的指令以实现上述的一种复杂环境下机械零件裂纹缺陷检测方法。
本发明实施例具有如下有益效果：
本发明通过获取待检测机械零件的表面图像，进而得到表面图像中的各个待确定边缘点和各个待确定边缘点对应的梯度幅值，通过对各个待确定边缘点的强弱特征进行划分，将各个待确定边缘点区分为初始抑制边缘点、初始弱边缘点和初始强边缘点，为了防止将伪裂纹边缘标记为真实裂纹边缘，将真实裂纹边缘当作伪裂纹边缘过滤掉，从初始抑制边缘点和初始强边缘点中选取待并入弱边缘点，根据各个待并入弱边缘点和各个初始弱边缘点，得到
Figure 237444DEST_PATH_IMAGE001
个弱边缘扩展类簇，并在
Figure 33362DEST_PATH_IMAGE001
个弱边缘扩展类簇内自适应计算双阈值，从而得到更加准确的抑制边缘点、弱边缘点和强边缘点，根据
Figure 848871DEST_PATH_IMAGE001
个弱边缘扩展类簇内的弱边缘点和强边缘点，
Figure 792556DEST_PATH_IMAGE001
个弱边缘扩展类簇外的初始强边缘点，最终确定待检测机械零件的裂纹区域，提高了在复杂环境下对机械零件裂纹缺陷检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一种复杂环境下机械零件裂纹缺陷检测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种复杂环境下机械零件裂纹缺陷检测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种复杂环境下机械零件裂纹缺陷检测方法的步骤流程图，该方法包括以下步骤：
步骤1：获取待检测机械零件的表面图像，进而得到表面图像中的各个待确定边缘点和各个待确定边缘点对应的梯度幅值。
在生产机械零件的工厂中，设置用于拍摄机械零件的表面图像的摄像头，得到待检测机械零件的表面图像，即获取待检测机械零件的表面图像。
根据待检测机械零件的表面图像，将待检测机械零件的表面图像转换为灰度图像，从而得到待检测机械零件的灰度图像。由于对图像的灰度化过程为公知技术，在此不再赘述。
为了防止待检测机械零件的灰度图像中的噪声被识别成伪边缘，使待检测机械零件的灰度图像的边缘轮廓更加清晰，需要对待检测机械零件的灰度图像进行高斯降噪，高斯降噪所选用的高斯函数为：
Figure 351713DEST_PATH_IMAGE008
其中，
Figure 64454DEST_PATH_IMAGE009
为待检测机械零件的灰度图像中的像素点，
Figure 785286DEST_PATH_IMAGE010
为待检测机械零件的灰度图像中高斯降噪之后的像素点的值，
Figure 481846DEST_PATH_IMAGE011
为高斯曲线的标准差。
在得到待检测机械零件的降噪之后的灰度图像之后，利用索贝尔算子（sobel）计算待检测机械零件的降噪之后的灰度图像中的每个像素点在
Figure 579115DEST_PATH_IMAGE009
、
Figure 411942DEST_PATH_IMAGE012
方向上的梯度
Figure 303675DEST_PATH_IMAGE013
。由于索贝尔算子（sobel）为公知技术，在此不再详述。根据待检测机械零件的降噪之后的灰度图像中的每个像素点在
Figure 221952DEST_PATH_IMAGE009
、
Figure 122912DEST_PATH_IMAGE012
方向上的梯度
Figure 747929DEST_PATH_IMAGE013
，得到待检测机械零件的降噪之后的灰度图像的像素点的梯度幅值
Figure 872879DEST_PATH_IMAGE014
，其对应的梯度方向为
Figure 216136DEST_PATH_IMAGE015
。
在获得待检测机械零件的高斯降噪之后的灰度图像的各个像素点的梯度幅值后，对待检测机械零件的高斯降噪之后的灰度图像进行非极大值抑制，通常图像上灰度变化的地方都比较集中，在局部范围内的梯度方向上，将灰度变化最大的像素点保留下来，其它的像素点不保留，非极大值抑制为公知技术，不再赘述，通过非极大值抑制之后得到各个像素点即为待确定边缘点。至此，可以得到待检测机械零件的图像的各个待确定边缘点和各个待确定边缘点对应的梯度幅值。
步骤2：根据各个待确定边缘点和各个待确定边缘点对应的梯度幅值，确定各个初始抑制边缘点、各个初始弱边缘点和各个初始强边缘点。
根据非极大值抑制筛选出来的边缘点，这些边缘点均为初始的边缘点，并对这些初始的边缘点进行分类，得到各个初始抑制边缘点、各个初始弱边缘点和各个初始强边缘点，具体分类步骤如下：
（2-1）根据各个待确定边缘点对应的梯度幅值，建立梯度幅值直方图，并对梯度幅值直方图进行混合高斯模型拟合，得到各子高斯模型、各子高斯模型的均值以及各个待确定边缘点分别属于各子高斯模型的概率值。
根据各个待确定边缘点对应的梯度幅值，建立各个待确定边缘点的梯度幅值直方图，并用混合高斯模型对其进行拟合，混合高斯模型对应的公式如下：
Figure 920787DEST_PATH_IMAGE016
Figure 462627DEST_PATH_IMAGE017
其中，
Figure 961741DEST_PATH_IMAGE018
为子高斯模型的个数，
Figure 589032DEST_PATH_IMAGE018
为3，
Figure 855232DEST_PATH_IMAGE019
为梯度幅值，
Figure 251578DEST_PATH_IMAGE020
为混合高斯模型的函数值，
Figure 187173DEST_PATH_IMAGE021
为第
Figure 301759DEST_PATH_IMAGE022
个子高斯模型的函数值，
Figure 82633DEST_PATH_IMAGE023
为第
Figure 599065DEST_PATH_IMAGE022
个子高斯模型对应的权重，
Figure 174403DEST_PATH_IMAGE024
为第
Figure 776286DEST_PATH_IMAGE022
个子高斯模型的均值，
Figure 626430DEST_PATH_IMAGE025
为第
Figure 997369DEST_PATH_IMAGE022
个子高斯模型的标准差。
在各个待确定边缘点中任选一待确定边缘点，其对应的梯度幅值为
Figure 9187DEST_PATH_IMAGE019
，将该待确定边缘点输入混合高斯模型中，由于混合高斯模型是由三个子高斯模型组成，得到的结果由三部分组成，即
Figure 832787DEST_PATH_IMAGE026
，进而待确定边缘点属于各子高斯模型的概率值，对应的计算公式为：
Figure 221043DEST_PATH_IMAGE027
其中，
Figure 446488DEST_PATH_IMAGE028
为第
Figure 629207DEST_PATH_IMAGE029
个待确定边缘点属于第
Figure 205682DEST_PATH_IMAGE022
个子高斯模型的概率，
Figure 132050DEST_PATH_IMAGE023
为第
Figure 212001DEST_PATH_IMAGE022
个子高斯模型对应的权重，
Figure 831201DEST_PATH_IMAGE030
为将第
Figure 832655DEST_PATH_IMAGE029
个待确定边缘点的梯度幅值代入到第
Figure 562714DEST_PATH_IMAGE022
个子高斯模型所得到的函数值，
Figure 497172DEST_PATH_IMAGE031
为将第
Figure 287274DEST_PATH_IMAGE029
个待确定边缘点的梯度幅值代入到混合高斯模型所得到的函数值。
记第
Figure 838341DEST_PATH_IMAGE029
个待确定边缘点的梯度幅值
Figure 106511DEST_PATH_IMAGE032
属于三个子高斯模型的概率分别为
Figure 161055DEST_PATH_IMAGE033
，且
Figure 122057DEST_PATH_IMAGE034
。至此，可以得到各子高斯模型、各子高斯模型的均值以及各个待确定边缘点分别属于各子高斯模型的概率值。
（2-2）根据各子高斯模型的均值以及各个待确定边缘点分别属于各子高斯模型的概率值，从各个待确定边缘点中确定各个初始抑制边缘点、各个初始弱边缘点和各个初始强边缘点。
由于各个待确定边缘点对应的梯度幅值均会有属于三个子高斯模型的概率值，根据各子高斯模型的均值，将各子高斯模型基于各子高斯模型的均值进行从小到大排序，得到初始第一子高斯模型，初始第二子高斯模型和初始第三子高斯模型。
通过对比各个待确定边缘点分别属于各子高斯模型的概率值，可以将待确定边缘点分为三个点集合，即
Figure 629262DEST_PATH_IMAGE035
，
Figure 701123DEST_PATH_IMAGE036
为初始抑制边缘点的集合，
Figure 79015DEST_PATH_IMAGE037
为初始弱边缘点的集合，
Figure 945340DEST_PATH_IMAGE038
为初始强边缘点的集合，具体分为三个点集合的方式为：若待确定边缘点中的其中一边缘点属于初始第一子高斯模型的概率值最大，则该边缘点属于
Figure 205420DEST_PATH_IMAGE036
中的初始抑制边缘点，若待确定边缘点中的其中一边缘点属于初始第二子高斯模型的概率值最大，则该边缘点属于
Figure 80972DEST_PATH_IMAGE037
中的初始弱边缘点，若待确定边缘点中的其中一边缘点属于初始第三子高斯模型的概率值最大，则该边缘点属于
Figure 110108DEST_PATH_IMAGE038
中的初始强边缘点。从而确定各个初始抑制边缘点、各个初始弱边缘点和各个初始强边缘点。
步骤3：根据各个初始抑制边缘点、各个初始弱边缘点、各个初始强边缘点的梯度幅值和位置，确定各个初始抑制边缘点和各个初始强边缘点中的各个待并入弱边缘点，并根据各个初始弱边缘点和待并入弱边缘点，得到
Figure 147334DEST_PATH_IMAGE001
个弱边缘扩展类簇。
（3-1）根据各个初始弱边缘点的位置，对各个初始弱边缘点进行均值漂移聚类，得到
Figure 894710DEST_PATH_IMAGE001
个弱边缘类簇以及
Figure 511636DEST_PATH_IMAGE001
个弱边缘类簇的中心位置。
根据各个初始弱边缘点的位置，对各个初始弱边缘点进行均值漂移聚类，得到
Figure 395279DEST_PATH_IMAGE001
个弱边缘类簇以及对应
Figure 868985DEST_PATH_IMAGE001
个弱边缘类簇的中心位置。需要说明的是，均值漂移为公知技术，在此不再进一步详述。
（3-2）根据各个初始抑制边缘点和各个初始强边缘点的梯度幅值，确定各个初始抑制边缘点和各个初始强边缘点的并入阻力系数，进而从各个初始抑制边缘点和各个初始强边缘点中筛选出各个待并入弱边缘点。
其中，确定各个初始抑制边缘点和各个初始强边缘点的并入阻力系数的步骤为：
（3-2-1）根据各个初始抑制边缘点和各个初始强边缘点的梯度幅值，得到各个初始抑制边缘点和各个初始强边缘点的幅值并入阻力系数。
根据各个初始弱边缘点属于三个子高斯模型的概率，选取出各个初始弱边缘点中属于初始第一子高斯模型的概率值最大的边缘点，其对应的梯度幅值为
Figure 838078DEST_PATH_IMAGE039
，各个初始弱边缘点中属于初始第三子高斯模型的概率值最大的边缘点，其对应的梯度幅值为
Figure 789854DEST_PATH_IMAGE040
。
根据各个初始弱边缘点属于三个子高斯模型的概率，选取出初始抑制边缘点中属于初始第一子高斯模型的概率值最大的边缘点，其对应的梯度幅值为
Figure 793582DEST_PATH_IMAGE041
，计算各个初始抑制边缘点的幅值并入阻力系数，计算公式为：
Figure 438190DEST_PATH_IMAGE042
其中，
Figure 894579DEST_PATH_IMAGE043
为初始抑制边缘点的幅值并入阻力系数，
Figure 650045DEST_PATH_IMAGE041
为初始抑制边缘点中属于初始第一子高斯模型的概率值最大的边缘点对应的梯度幅值，
Figure 711542DEST_PATH_IMAGE039
为各个初始弱边缘点中属于初始第一子高斯模型的概率值最大的边缘点对应的梯度幅值，
Figure 527052DEST_PATH_IMAGE044
为初始抑制边缘点中的梯度幅值在
Figure 470737DEST_PATH_IMAGE041
到
Figure 764315DEST_PATH_IMAGE039
两个梯度幅值之间的边缘点的个数，
Figure 742635DEST_PATH_IMAGE045
为初始抑制边缘点的总个数。
根据各个初始弱边缘点属于三个子高斯模型的概率，选取出初始强边缘点中属于初始第三子高斯模型的概率值最大的边缘点，其对应的梯度幅值为
Figure 729046DEST_PATH_IMAGE046
，计算各个初始强边缘点的幅值并入阻力系数，计算公式为：
Figure 160027DEST_PATH_IMAGE047
其中，
Figure 257296DEST_PATH_IMAGE048
为初始强边缘点的幅值并入阻力系数，
Figure 824544DEST_PATH_IMAGE046
为初始强边缘点中属于初始第三子高斯模型的概率值最大的边缘点对应的梯度幅值，
Figure 185118DEST_PATH_IMAGE040
为各个初始弱边缘点中属于初始第三子高斯模型的概率值最大的边缘点对应的梯度幅值，
Figure 103395DEST_PATH_IMAGE049
为初始强边缘点中的梯度幅值在
Figure 738776DEST_PATH_IMAGE040
到
Figure 691688DEST_PATH_IMAGE046
两个梯度幅值之间的边缘点的个数，
Figure 19902DEST_PATH_IMAGE050
为初始强边缘点的总个数。
（3-2-2）根据各个初始抑制边缘点和各个初始强边缘点距离
Figure 159896DEST_PATH_IMAGE001
个弱边缘类簇的中心位置的距离值，得到各个初始抑制边缘点和各个初始强边缘点的空域并入阻力系数。
根据各个初始抑制边缘点和各个初始强边缘点距离
Figure 864547DEST_PATH_IMAGE001
个弱边缘类簇的中心位置的距离值，得到每一个初始抑制边缘点和
Figure 406387DEST_PATH_IMAGE001
个弱边缘类簇的中心位置的距离值，每一个初始强边缘点和
Figure 108763DEST_PATH_IMAGE001
个弱边缘类簇的中心位置的距离值，选取其距离最小值为
Figure 736054DEST_PATH_IMAGE051
，其距离最大值为
Figure 713237DEST_PATH_IMAGE052
，计算各个初始抑制边缘点和各个初始强边缘点的空域并入阻力系数，计算公式为：
Figure 375163DEST_PATH_IMAGE053
其中，
Figure 310758DEST_PATH_IMAGE005
为初始抑制边缘点或初始强边缘点的空域并入阻力系数，
Figure 425344DEST_PATH_IMAGE051
为初始抑制边缘点或初始强边缘点距离
Figure 206218DEST_PATH_IMAGE001
个弱边缘类簇的中心位置的距离最小值，
Figure 722650DEST_PATH_IMAGE052
为初始抑制边缘点或初始强边缘点距离
Figure 766830DEST_PATH_IMAGE001
个弱边缘类簇的中心位置的距离最大值。
（3-2-3）根据各个初始抑制边缘点的幅值并入阻力系数和空域并入阻力系数以及各个初始强边缘点的幅值并入阻力系数和空域并入阻力系数，得到各个初始抑制边缘点和各个初始强边缘点的并入阻力系数。
根据步骤（3）中的步骤（3-2-1）和步骤（3-2-2），可获取各个初始抑制边缘点和各个初始强边缘点的幅值并入阻力系数，各个初始抑制边缘点和各个初始强边缘点的空域并入阻力系数，根据各个初始抑制边缘点的幅值并入阻力系数和空域并入阻力系数以及各个初始强边缘点的幅值并入阻力系数和空域并入阻力系数，计算各个初始抑制边缘点和各个初始强边缘点的并入阻力系数，计算公式为：
Figure 368712DEST_PATH_IMAGE054
其中，
Figure 953277DEST_PATH_IMAGE003
为初始抑制边缘点或初始强边缘点的并入阻力系数，
Figure 324216DEST_PATH_IMAGE004
为初始抑制边缘点或初始强边缘点的幅值并入阻力系数，
Figure 601613DEST_PATH_IMAGE005
为初始抑制边缘点或初始强边缘点的空域并入阻力系数。
（3-2-4）判断各个初始抑制边缘点和各个初始强边缘点的并入阻力系数是否小于预设阈值，若小于预设阈值，则将对应的初始抑制边缘点或初始强边缘点作为待并入弱边缘点。
根据步骤（3）中的步骤（3-2-3），获取初始抑制边缘点或初始强边缘点的并入阻力系数，分别判断各个初始抑制边缘点和各个初始强边缘点的并入阻力系数
Figure 425213DEST_PATH_IMAGE003
是否小于预设阈值
Figure 813469DEST_PATH_IMAGE055
，在本实施例中，预设阈值
Figure 773335DEST_PATH_IMAGE055
为0.5，若初始抑制边缘点和初始强边缘点中的某一边缘点的并入阻力系数
Figure 221634DEST_PATH_IMAGE003
小于预设阈值
Figure 798108DEST_PATH_IMAGE055
时，将该边缘点确定为待并入弱边缘点。
其中，根据各个初始弱边缘点和待并入弱边缘点，得到
Figure 724476DEST_PATH_IMAGE001
个弱边缘扩展类簇，具体的步骤为：
（3-3）分别计算各个待并入弱边缘点与
Figure 804428DEST_PATH_IMAGE001
个弱边缘类簇的中心位置的距离，得到各个待并入弱边缘点的距离最小值所对应的弱边缘类簇。
根据步骤（3）中的步骤（3-1）和步骤（3-2-4），获取
Figure 423628DEST_PATH_IMAGE001
个弱边缘类簇的中心位置和待并入弱边缘点，分别计算各个待并入弱边缘点和
Figure 425082DEST_PATH_IMAGE001
个弱边缘类簇的中心位置的距离，选取各个待并入弱边缘点和
Figure 889561DEST_PATH_IMAGE001
个弱边缘类簇的中心位置的距离最小值所对应的弱边缘类簇。
（3-4）将各个待并入弱边缘点归类到其对应的距离最小值所对应的弱边缘类簇中，从而得到
Figure 89598DEST_PATH_IMAGE001
个弱边缘扩展类簇。
根据各个待并入弱边缘点和
Figure 145279DEST_PATH_IMAGE001
个弱边缘类簇的中心位置的距离最小值所对应的弱边缘类簇，将各个待并入弱边缘点归类到取对应距离最小值所对应的弱边缘类簇中，得到
Figure 899608DEST_PATH_IMAGE001
个弱边缘扩展类簇，该
Figure 433358DEST_PATH_IMAGE001
个弱边缘扩展类簇是由待并入弱边缘点和初始弱边缘点构成。
步骤4：分别计算
Figure 753481DEST_PATH_IMAGE001
个弱边缘扩展类簇内各边缘点的计数概率，并根据
Figure 448904DEST_PATH_IMAGE001
个弱边缘扩展类簇内各边缘点的计数概率以及
Figure 221688DEST_PATH_IMAGE001
个弱边缘扩展类簇内每个边缘点的梯度幅值，分别确定
Figure 496812DEST_PATH_IMAGE001
个弱边缘扩展类簇的双阈值。
（4-1）根据
Figure 405862DEST_PATH_IMAGE001
个弱边缘扩展类簇内各边缘点的梯度幅值，得到
Figure 537766DEST_PATH_IMAGE001
个弱边缘扩展类簇内各边缘点的并入阻力系数。
根据
Figure 532267DEST_PATH_IMAGE001
个弱边缘扩展类簇内各边缘点的梯度幅值，得到
Figure 407819DEST_PATH_IMAGE001
个弱边缘扩展类簇内的待并入弱边缘点和初始弱边缘点的并入阻力系数，根据步骤（3）中的步骤（3-2-3），获取
Figure 702534DEST_PATH_IMAGE001
个弱边缘扩展类簇内的待并入弱边缘点的并入阻力系数，
Figure 739760DEST_PATH_IMAGE001
个弱边缘扩展类簇内的初始弱边缘点的并入阻力系数为0，得到
Figure 487136DEST_PATH_IMAGE001
个弱边缘扩展类簇内各边缘点的并入阻力系数。
（4-2）根据
Figure 900800DEST_PATH_IMAGE001
个弱边缘扩展类簇内各边缘点的并入阻力系数，计算
Figure 784443DEST_PATH_IMAGE001
个弱边缘扩展类簇内各边缘点的计数概率，对应的计算公式如下：
Figure 195832DEST_PATH_IMAGE006
其中，
Figure 164925DEST_PATH_IMAGE007
为弱边缘扩展类簇内的边缘点的计数概率，
Figure 382280DEST_PATH_IMAGE003
为弱边缘扩展类簇内的边缘点的并入阻力系数。
由于
Figure 386008DEST_PATH_IMAGE001
个弱边缘扩展类簇内的初始弱边缘点的并入阻力系数为0，
Figure 30616DEST_PATH_IMAGE001
个弱边缘扩展类簇内的初始弱边缘点的计数概率为1。
（4-3）根据弱边缘扩展类簇内各边缘点对应的梯度幅值和对应梯度幅值的计数概率，分别建立直方图，并对直方图进行混合高斯模型拟合，得到各子高斯模型、各子高斯模型的均值以及弱边缘扩展类簇内各边缘点分别属于各子高斯模型的概率值。
根据弱边缘扩展类簇内各边缘点对应的梯度幅值和对应梯度幅值的计数概率，建立弱边缘扩展类簇内各个边缘点的梯度幅值直方图。在建立直方图时，将弱边缘扩展类簇内各点对应的计数概率作为其对应的梯度幅值的统计个数，也就是说，若弱边缘扩展类簇内一点为点
Figure 487005DEST_PATH_IMAGE056
，点
Figure 242472DEST_PATH_IMAGE056
对应的梯度幅值为
Figure 303969DEST_PATH_IMAGE057
，点
Figure 119478DEST_PATH_IMAGE056
对应的计数概率为
Figure 797584DEST_PATH_IMAGE058
，将点
Figure 356741DEST_PATH_IMAGE056
的计数概率
Figure 69482DEST_PATH_IMAGE058
作为点
Figure 321472DEST_PATH_IMAGE056
的梯度幅值
Figure 752453DEST_PATH_IMAGE057
的统计个数。
在获取直方图后，用混合高斯模型对其拟合，该混合高斯模型是由三个子高斯模型组成，其具体拟合过程与步骤2中的步骤（2-1）的过程一致，在此不再详述。得到各子高斯模型、各子高斯模型的均值以及弱边缘扩展类簇内各边缘点分别属于各子高斯模型的概率值。
（4-4）根据各子高斯模型的均值，确定各子高斯模型中的第一子高斯模型、第二子高斯模型和第三子高斯模型，第一子高斯模型、第二子高斯模型和第三子高斯模型对应的均值依次增大。
根据各子高斯模型的均值，将各子高斯模型按照均值大小进行从小到大的排序，确定第一子高斯模型、第二子高斯模型和第三子高斯模型。
（4-5）根据弱边缘扩展类簇内各边缘点分别属于各子高斯模型的概率值，在弱边缘扩展类簇内筛选出各个第一目标边缘点和各个第二目标边缘点，所述第一目标边缘点为弱边缘扩展类簇内属于第一子高斯模型和第二子高斯模型的概率值相同的边缘点，所述第二目标边缘点为弱边缘扩展类簇内属于第二子高斯模型和第三子高斯模型的概率值相同的边缘点。
根据混合高斯模型的拟合结果，
Figure 849722DEST_PATH_IMAGE001
个弱边缘扩展类簇内各边缘点均有属于各子高斯模型的概率值，在弱边缘扩展类簇内筛选出各个第一目标边缘点和各个第二目标边缘点，弱边缘扩展类簇内属于第一子高斯模型和第二子高斯模型的概率值相同的边缘点为各个第一目标边缘点，弱边缘扩展类簇内属于第二子高斯模型和第三子高斯模型的概率值相同的边缘点为各个第二目标边缘点。
（4-6）将各个第一目标边缘点属于第一子高斯模型和第二子高斯模型的概率值中的最大值所对应的第一目标边缘点的梯度幅值作为低阈值，并将各个第二目标边缘点属于第二子高斯模型和第三子高斯模型的概率值中的最大值所对应的第二目标边缘点的梯度幅值作为高阈值，所述高阈值和低阈值即为弱边缘扩展类簇的双阈值。
根据各个第一目标边缘点和各个第二目标边缘点，将各个第一目标边缘点中的最大值所对应的梯度幅值作为低阈值，各个第二目标边缘点中的最大值所对应的梯度幅值作为高阈值，也就是说，将各个第一目标边缘点属于第一子高斯模型和第二子高斯模型的概率值中的最大值所对应的第一目标边缘点的梯度幅值作为低阈值，各个第二目标边缘点属于第二子高斯模型和第三子高斯模型的概率值中的最大值所对应的第二目标边缘点的梯度幅值作为高阈值，即得到各个弱边缘扩展类簇的双阈值。
步骤5：根据
Figure 416970DEST_PATH_IMAGE001
个弱边缘扩展类簇的双阈值和
Figure 574282DEST_PATH_IMAGE001
个弱边缘扩展类簇内每个边缘点的梯度幅值，确定
Figure 430242DEST_PATH_IMAGE001
个弱边缘扩展类簇内的弱边缘点和强边缘点。
根据
Figure 331202DEST_PATH_IMAGE001
个弱边缘扩展类簇的双阈值，将
Figure 18536DEST_PATH_IMAGE001
个弱边缘扩展类簇内的边缘点的梯度幅值与双阈值的大小进行比较，若
Figure 612328DEST_PATH_IMAGE001
个弱边缘扩展类簇内的边缘点的梯度幅值小于或等于低阈值，则该边缘点为抑制边缘点，若
Figure 752322DEST_PATH_IMAGE001
个弱边缘扩展类簇内的边缘点的梯度幅值大于低阈值，并小于或等于高阈值时，该边缘点为弱边缘点，若
Figure 191394DEST_PATH_IMAGE001
个弱边缘扩展类簇内的边缘点的梯度幅值大于高阈值时，则该边缘点为强边缘点。通过上述步骤，可以确定
Figure 733234DEST_PATH_IMAGE001
个弱边缘扩展类簇内的各个抑制边缘点、弱边缘点和强边缘点。由于抑制边缘点不是待检测机械零件的图像中所要提取的裂纹边缘，因此后续无需再考虑。
步骤6：根据
Figure 435610DEST_PATH_IMAGE001
个弱边缘扩展类簇内的弱边缘点和强边缘点以及
Figure 62901DEST_PATH_IMAGE001
个弱边缘扩展类簇外的初始强边缘点，确定待检测机械零件的图像的裂纹边缘点。
（6-1）根据
Figure 305663DEST_PATH_IMAGE001
个弱边缘扩展类簇内的弱边缘点和强边缘点以及
Figure 967589DEST_PATH_IMAGE001
个弱边缘扩展类簇外的初始强边缘点，确定各个待确定弱边缘点和待确定强边缘点。
根据
Figure 903184DEST_PATH_IMAGE001
个弱边缘扩展类簇内的弱边缘点和强边缘点以及
Figure 752191DEST_PATH_IMAGE001
个弱边缘扩展类簇外的初始强边缘点，将
Figure 798645DEST_PATH_IMAGE001
个弱边缘扩展类簇内的弱边缘点确定为各个待确定弱边缘点，将
Figure 315077DEST_PATH_IMAGE001
个弱边缘扩展类簇内的强边缘点和
Figure 155994DEST_PATH_IMAGE001
个弱边缘扩展类簇外的初始强边缘点确定为各个待确定的强边缘点。
（6-2）分别判断各个待确定强边缘点是否为孤立点，若不为孤立点，则将该待确定强边缘点作为实际的强边缘点。
为了使待检测机械零件的表面图像的边缘点尽可能的闭合，根据各个待确定的强边缘点，对各个待确定的强边缘点进行孤立抑制，也就是说，分别判断各个待确定强边缘点是否为孤立点，若待确定强边缘点为孤立点，则该待确定强边缘点不为裂纹边缘点，并将其重新判定为抑制边缘点。若待确定强边缘点不为孤立点，则将待确定强边缘点作为实际的强边缘点，也就是裂纹边缘点。
（6-3）分别判断各个待确定弱边缘点的周围八邻域是否存在实际的强边缘点，若存在实际的强边缘点，则判定该待确定弱边缘点为实际的强边缘点。
通常情况下，由真实边缘引起的弱边缘点一般会与强边缘点相连接，分别判断各个待确定弱边缘点的周围八邻域是否存在最终的强边缘点，若不存在最终的强边缘点，则将待确定弱边缘点重新判定为抑制边缘点，若存在最终的强边缘点，则将该待确定弱边缘点判定为实际的强边缘点。
（6-4）根据最终得到的实际的强边缘点，确定待检测机械零件的表面图像的裂纹边缘点。
根据最终得到的实际的强边缘点，在待检测机械零件的表面图像中选取出实际的强边缘点，该实际的强边缘点即为待检测机械零件的表面图像的裂纹边缘点。
步骤7：根据待检测机械零件的图像的裂纹边缘点，确定待检测机械零件的裂纹区域。
在确定待检测机械零件的表面图像的裂纹边缘点之后，根据待检测机械零件的图像的裂纹边缘点，即可确定待检测机械零件的裂纹区域，由于根据裂纹边缘点具体确定裂纹区域的过程属于现有技术，此处不再赘述。
本实施例还提供了一种复杂环境下机械零件裂纹缺陷检测系统，包括处理器和存储器，处理器用于处理存储在存储器中的指令以实现一种复杂环境下机械零件裂纹缺陷检测方法，由于一种复杂环境下机械零件裂纹缺陷检测方法在上文已做出详细说明，此处不再赘述。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种复杂环境下机械零件裂纹缺陷检测方法，其特征在于，包括以下步骤：
获取待检测机械零件的表面图像，进而得到表面图像中的各个待确定边缘点和各个待确定边缘点对应的梯度幅值；
根据各个待确定边缘点和各个待确定边缘点对应的梯度幅值，确定各个初始抑制边缘点、各个初始弱边缘点和各个初始强边缘点；
根据各个初始抑制边缘点、各个初始弱边缘点、各个初始强边缘点的梯度幅值和位置，确定各个初始抑制边缘点和各个初始强边缘点中的各个待并入弱边缘点，确定各个初始抑制边缘点和各个初始强边缘点中的待并入弱边缘点的步骤包括：
根据各个初始弱边缘点的位置，对各个初始弱边缘点进行均值漂移聚类，得到m个弱边缘类簇以及m个弱边缘类簇的中心位置；
根据各个初始抑制边缘点和各个初始强边缘点的梯度幅值，确定各个初始抑制边缘点和各个初始强边缘点的并入阻力系数，进而从各个初始抑制边缘点和各个初始强边缘点中筛选出各个待并入弱边缘点；
确定各个初始抑制边缘点和各个初始强边缘点的并入阻力系数，进而从各个初始抑制边缘点和各个初始强边缘点中筛选出各个待并入弱边缘点的步骤包括：
根据各个初始抑制边缘点和各个初始强边缘点的梯度幅值，得到各个初始抑制边缘点和各个初始强边缘点的幅值并入阻力系数，计算各个初始抑制边缘点的幅值并入阻力系数，计算公式为：
Figure DEST_PATH_IMAGE001
其中，
Figure 937576DEST_PATH_IMAGE002
为初始抑制边缘点的幅值并入阻力系数，
Figure DEST_PATH_IMAGE003
为初始抑制边缘点中属于初始第一子高斯模型的概率值最大的边缘点对应的梯度幅值，
Figure 49757DEST_PATH_IMAGE004
为各个初始弱边缘点中属于初始第一子高斯模型的概率值最大的边缘点对应的梯度幅值，
Figure DEST_PATH_IMAGE005
为初始抑制边缘点中的梯度幅值在
Figure 477327DEST_PATH_IMAGE003
到
Figure 696081DEST_PATH_IMAGE004
两个梯度幅值之间的边缘点的个数，N 1为初始抑制边缘点的总个数；
计算各个初始强边缘点的幅值并入阻力系数，计算公式为：
Figure 511591DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE007
为初始强边缘点的幅值并入阻力系数，
Figure 861800DEST_PATH_IMAGE008
为初始强边缘点中属于初始第三子高斯模型的概率值最大的边缘点对应的梯度幅值，
Figure DEST_PATH_IMAGE009
为各个初始弱边缘点中属于初始第三子高斯模型的概率值最大的边缘点对应的梯度幅值，
Figure 76750DEST_PATH_IMAGE010
为初始强边缘点中的梯度幅值在
Figure 664857DEST_PATH_IMAGE009
到
Figure 385689DEST_PATH_IMAGE008
两个梯度幅值之间的边缘点的个数，N 3为初始强边缘点的总个数；
根据各个初始抑制边缘点和各个初始强边缘点距离m个弱边缘类簇的中心位置的距离值，得到各个初始抑制边缘点和各个初始强边缘点的空域并入阻力系数，计算公式为：
Figure 708348DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE013
为初始抑制边缘点或初始强边缘点的空域并入阻力系数，
Figure 212142DEST_PATH_IMAGE014
为初始抑制边缘点或初始强边缘点距离
Figure DEST_PATH_IMAGE015
个弱边缘类簇的中心位置的距离最小值，
Figure 700761DEST_PATH_IMAGE016
为初始抑制边缘点或初始强边缘点距离
Figure 592493DEST_PATH_IMAGE015
个弱边缘类簇的中心位置的距离最大值；
根据各个初始抑制边缘点的幅值并入阻力系数和空域并入阻力系数以及各个初始强边缘点的幅值并入阻力系数和空域并入阻力系数，得到各个初始抑制边缘点和各个初始强边缘点的并入阻力系数，计算公式为：
Figure DEST_PATH_IMAGE017
其中，
Figure 917295DEST_PATH_IMAGE018
为初始抑制边缘点或初始强边缘点的并入阻力系数，
Figure DEST_PATH_IMAGE019
为初始抑制边缘点或初始强边缘点的幅值并入阻力系数，
Figure 975512DEST_PATH_IMAGE020
为初始抑制边缘点或初始强边缘点的空域并入阻力系数；
判断各个初始抑制边缘点和各个初始强边缘点的并入阻力系数是否小于预设阈值，若小于预设阈值，则将对应的初始抑制边缘点或初始强边缘点作为待并入弱边缘点；
并根据各个初始弱边缘点和待并入弱边缘点，得到
Figure DEST_PATH_IMAGE021
个弱边缘扩展类簇；
分别计算m个弱边缘扩展类簇内各边缘点的计数概率，分别计算
Figure 803791DEST_PATH_IMAGE015
个弱边缘扩展类簇内各边缘点的计数概率的步骤包括：
根据
Figure 256638DEST_PATH_IMAGE015
个弱边缘扩展类簇内各边缘点的梯度幅值，得到
Figure 396632DEST_PATH_IMAGE015
个弱边缘扩展类簇内各边缘点的并入阻力系数，根据m个弱边缘扩展类簇内各边缘点的梯度幅值，得到m个弱边缘扩展类簇内的待并入弱边缘点和初始弱边缘点的并入阻力系数，m个弱边缘扩展类簇内的初始弱边缘点的并入阻力系数为0，得到m个弱边缘扩展类簇内各边缘点的并入阻力系数；
根据
Figure 976649DEST_PATH_IMAGE015
个弱边缘扩展类簇内各边缘点的并入阻力系数，计算
Figure 518489DEST_PATH_IMAGE015
个弱边缘扩展类簇内各边缘点的计数概率，对应的计算公式如下：
Figure 733500DEST_PATH_IMAGE022
其中，J为弱边缘扩展类簇内的边缘点的计数概率，
Figure DEST_PATH_IMAGE023
为弱边缘扩展类簇内的边缘点的并入阻力系数；
并根据
Figure 767315DEST_PATH_IMAGE021
个弱边缘扩展类簇内各边缘点的计数概率以及
Figure 744498DEST_PATH_IMAGE021
个弱边缘扩展类簇内每个边缘点的梯度幅值，分别确定
Figure 531058DEST_PATH_IMAGE021
个弱边缘扩展类簇的双阈值，分别确定
Figure 76440DEST_PATH_IMAGE015
个弱边缘扩展类簇的双阈值的步骤包括：
根据弱边缘扩展类簇内各边缘点对应的梯度幅值和对应梯度幅值的计数概率，分别建立直方图，并对直方图进行混合高斯模型拟合，得到各子高斯模型、各子高斯模型的均值以及弱边缘扩展类簇内各边缘点分别属于各子高斯模型的概率值；
根据各子高斯模型的均值，确定各子高斯模型中的第一子高斯模型、第二子高斯模型和第三子高斯模型，第一子高斯模型、第二子高斯模型和第三子高斯模型对应的均值依次增大；
根据弱边缘扩展类簇内各边缘点分别属于各子高斯模型的概率值，在弱边缘扩展类簇内筛选出各个第一目标边缘点和各个第二目标边缘点，所述第一目标边缘点为弱边缘扩展类簇内属于第一子高斯模型和第二子高斯模型的概率值相同的边缘点，所述第二目标边缘点为弱边缘扩展类簇内属于第二子高斯模型和第三子高斯模型的概率值相同的边缘点；
将各个第一目标边缘点属于第一子高斯模型和第二子高斯模型的概率值中的最大值所对应的第一目标边缘点的梯度幅值作为低阈值，并将各个第二目标边缘点属于第二子高斯模型和第三子高斯模型的概率值中的最大值所对应的第二目标边缘点的梯度幅值作为高阈值，所述高阈值和低阈值即为弱边缘扩展类簇的双阈值；
根据
Figure 925447DEST_PATH_IMAGE021
个弱边缘扩展类簇的双阈值和
Figure 706321DEST_PATH_IMAGE021
个弱边缘扩展类簇内每个边缘点的梯度幅值，确定
Figure 848852DEST_PATH_IMAGE021
个弱边缘扩展类簇内的弱边缘点和强边缘点，若
Figure 689769DEST_PATH_IMAGE021
个弱边缘扩展类簇内的边缘点的梯度幅值大于低阈值，并小于或等于高阈值时，该边缘点为弱边缘点，若
Figure 432597DEST_PATH_IMAGE021
个弱边缘扩展类簇内的边缘点的梯度幅值大于高阈值时，则该边缘点为强边缘点，高阈值和低阈值即为弱边缘扩展类簇的双阈值；
根据
Figure 141796DEST_PATH_IMAGE021
个弱边缘扩展类簇内的弱边缘点和强边缘点以及
Figure 512734DEST_PATH_IMAGE021
个弱边缘扩展类簇外的初始强边缘点，确定待检测机械零件的图像的裂纹边缘点，确定待检测机械零件的图像的裂纹边缘点的步骤包括：
根据
Figure 399919DEST_PATH_IMAGE015
个弱边缘扩展类簇内的弱边缘点和强边缘点以及
Figure 223518DEST_PATH_IMAGE015
个弱边缘扩展类簇外的初始强边缘点，确定各个待确定弱边缘点和待确定强边缘点；
分别判断各个待确定强边缘点是否为孤立点，若不为孤立点，则将该待确定强边缘点作为实际的强边缘点；
分别判断各个待确定弱边缘点的周围八邻域是否存在实际的强边缘点，若存在实际的强边缘点，则判定该待确定弱边缘点为实际的强边缘点；
根据最终得到的实际的强边缘点，确定待检测机械零件的表面图像的裂纹边缘点；
根据待检测机械零件的图像的裂纹边缘点，确定待检测机械零件的裂纹区域。
2.根据权利要求1所述的一种复杂环境下机械零件裂纹缺陷检测方法，其特征在于，确定各个初始抑制边缘点、各个初始弱边缘点和各个初始强边缘点的步骤包括：
根据各个待确定边缘点对应的梯度幅值，建立梯度幅值直方图，并对梯度幅值直方图进行混合高斯模型拟合，得到各子高斯模型、各子高斯模型的均值以及各个待确定边缘点分别属于各子高斯模型的概率值；
根据各子高斯模型的均值以及各个待确定边缘点分别属于各子高斯模型的概率值，从各个待确定边缘点中确定各个初始抑制边缘点、各个初始弱边缘点和各个初始强边缘点；
各个待确定边缘点对应的梯度幅值均会有属于三个子高斯模型的概率值，根据各子高斯模型的均值，将各子高斯模型基于各子高斯模型的均值进行从小到大排序，得到初始第一子高斯模型，初始第二子高斯模型和初始第三子高斯模型，通过对比各个待确定边缘点分别属于各子高斯模型的概率值，将待确定边缘点分为三个点集合，即
Figure 237873DEST_PATH_IMAGE024
，
Figure DEST_PATH_IMAGE025
为初始抑制边缘点的集合，
Figure 135422DEST_PATH_IMAGE026
为初始弱边缘点的集合，
Figure DEST_PATH_IMAGE027
为初始强边缘点的集合，若待确定边缘点中的其中一边缘点属于初始第一子高斯模型的概率值最大，则该边缘点属于
Figure 973934DEST_PATH_IMAGE025
中的初始抑制边缘点，若待确定边缘点中的其中一边缘点属于初始第二子高斯模型的概率值最大，则该边缘点属于
Figure 550409DEST_PATH_IMAGE026
中的初始弱边缘点，若待确定边缘点中的其中一边缘点属于初始第三子高斯模型的概率值最大，则该边缘点属于
Figure 352143DEST_PATH_IMAGE027
中的初始强边缘点。
3.根据权利要求1所述的一种复杂环境下机械零件裂纹缺陷检测方法，其特征在于，得到
Figure 432094DEST_PATH_IMAGE021
个弱边缘扩展类簇的步骤包括：
分别计算各个待并入弱边缘点与
Figure 942972DEST_PATH_IMAGE021
个弱边缘类簇的中心位置的距离，得到各个待并入弱边缘点的距离最小值所对应的弱边缘类簇；
将各个待并入弱边缘点归类到其对应的距离最小值所对应的弱边缘类簇中，从而得到
Figure 616530DEST_PATH_IMAGE021
个弱边缘扩展类簇。
4.一种复杂环境下机械零件裂纹缺陷检测系统，其特征在于，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现如权利要求1-3中任一项所述的一种复杂环境下机械零件裂纹缺陷检测方法。
CN202111335564.7A 2021-11-11 2021-11-11 一种复杂环境下机械零件裂纹缺陷检测方法及系统 Active CN113781482B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111335564.7A CN113781482B (zh) 2021-11-11 2021-11-11 一种复杂环境下机械零件裂纹缺陷检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111335564.7A CN113781482B (zh) 2021-11-11 2021-11-11 一种复杂环境下机械零件裂纹缺陷检测方法及系统

Publications (2)

Publication Number Publication Date
CN113781482A CN113781482A (zh) 2021-12-10
CN113781482B true CN113781482B (zh) 2022-02-15

Family

ID=78956904

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111335564.7A Active CN113781482B (zh) 2021-11-11 2021-11-11 一种复杂环境下机械零件裂纹缺陷检测方法及系统

Country Status (1)

Country Link
CN (1) CN113781482B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114581407B (zh) * 2022-03-06 2023-04-14 扬州晶华新能源科技有限公司 一种光伏模块的自适应缺陷检测方法
CN114414599B (zh) * 2022-03-29 2022-06-03 武汉丰丽德智能设备有限公司 基于机器视觉的空调消音室焊接缺陷无损检测方法及系统
CN114998187A (zh) * 2022-03-31 2022-09-02 江苏仙岳材料科技有限公司 一种玻璃纤维隔板缺陷检测方法及系统
CN115170507B (zh) * 2022-07-06 2022-11-08 鄄城鑫磊交通工程材料有限公司 基于图像数据的注浆管表面缺陷检测方法及系统
CN115330645B (zh) * 2022-10-17 2023-03-31 南通惠尔风机有限公司 一种焊接图像增强方法
CN116883415B (zh) * 2023-09-08 2024-01-05 东莞市旺佳五金制品有限公司 基于图像数据的薄壁锌合金压铸件质量检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007148284A2 (en) * 2006-06-23 2007-12-27 Koninklijke Philips Electronics N.V. A method, a system and a computer program for determining a threshold in an image comprising image values
CN103310429A (zh) * 2013-03-06 2013-09-18 西安电子科技大学 基于方向波域的隐马尔可夫树模型的图像增强方法
CN105931227A (zh) * 2016-04-14 2016-09-07 北京工业大学 一种基于图像灰度b扫曲线的焊缝表面缺陷特征提取方法
KR20180037667A (ko) * 2016-10-05 2018-04-13 경희대학교 산학협력단 지역 하이브리드 패턴의 부호화 방법과 이를 이용한 하이브리드 배경 모델링 방법 및 장치
CN108052880A (zh) * 2017-11-29 2018-05-18 南京大学 交通监控场景虚实车道线检测方法
CN110245600A (zh) * 2019-06-11 2019-09-17 长安大学 自适应起始快速笔画宽度无人机道路检测方法
CN111985329A (zh) * 2020-07-16 2020-11-24 浙江工业大学 基于FCN-8s和改进Canny边缘检测的遥感图像信息提取方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7773787B2 (en) * 2005-04-19 2010-08-10 Siemens Medical Solutions Usa, Inc. Method and apparatus for detecting blood vessel boundaries using multi-scale mean-shift ray propagation
CN101639935B (zh) * 2009-09-07 2012-07-04 南京理工大学 基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法
CN103971361B (zh) * 2013-02-06 2017-05-10 富士通株式会社 图像处理装置和方法
CN105389810B (zh) * 2015-10-28 2019-06-14 清华大学 血管内斑块的识别系统及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007148284A2 (en) * 2006-06-23 2007-12-27 Koninklijke Philips Electronics N.V. A method, a system and a computer program for determining a threshold in an image comprising image values
CN103310429A (zh) * 2013-03-06 2013-09-18 西安电子科技大学 基于方向波域的隐马尔可夫树模型的图像增强方法
CN105931227A (zh) * 2016-04-14 2016-09-07 北京工业大学 一种基于图像灰度b扫曲线的焊缝表面缺陷特征提取方法
KR20180037667A (ko) * 2016-10-05 2018-04-13 경희대학교 산학협력단 지역 하이브리드 패턴의 부호화 방법과 이를 이용한 하이브리드 배경 모델링 방법 및 장치
CN108052880A (zh) * 2017-11-29 2018-05-18 南京大学 交通监控场景虚实车道线检测方法
CN110245600A (zh) * 2019-06-11 2019-09-17 长安大学 自适应起始快速笔画宽度无人机道路检测方法
CN111985329A (zh) * 2020-07-16 2020-11-24 浙江工业大学 基于FCN-8s和改进Canny边缘检测的遥感图像信息提取方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A new edge detection method based on global evaluation using fuzzy detection;pablo.A flores-vidal et al.;《soft computing》;20180926;第1809-0821页 *
Combined convolutional neural networks and fuzzy spectral clustering for real time crack detection in tunnels;anastasios doulamis et al.;《2018 25th IEEE international conference on image processing（ICIP）》;20180906;第4153-4157页 *
Crack detection based on Gaussian mixture model using image filtering;shujiaro ogawa et al.;《2019 international symposium on electrical and electronics engineering》;20191205;第79-84页 *
图像分割技术在钻孔图像中的应用;陈林翠;《中国优秀博硕士学位论文全文数据库（硕士） 信息科技辑》;20200115(第01期);第I138-1196页 *
基于深度学习的图像边缘检测算法综述;李翠锦等;《计算机应用》;20201110;第40卷(第11期);第3280-3288页 *

Also Published As

Publication number Publication date
CN113781482A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
CN113781482B (zh) 一种复杂环境下机械零件裂纹缺陷检测方法及系统
CN109272489B (zh) 基于背景抑制与多尺度局部熵的红外弱小目标检测方法
CN115330767B (zh) 一种腐蚀箔生产异常识别方法
CN109741356B (zh) 一种亚像素边缘检测方法及系统
CN114372983B (zh) 一种基于图像处理的屏蔽盒涂装质量检测方法及系统
CN116091504B (zh) 基于图像处理的连接管连接头质量检测方法
KR101901961B1 (ko) 부품을 인식하기 위한 장치 및 그 방법
CN109767439A (zh) 一种自适应窗口的多尺度差异与双边滤波的目标检测方法
CN115601365B (zh) 用于数控机床的轴承检测方法
CN110414308B (zh) 一种针对输电线路上动态异物的目标识别方法
CN107392095A (zh) 一种基于掩码图像的红外弱小目标检测算法
CN117058137B (zh) 一种夹胶玻璃生产质量视觉检测方法
CN112907460B (zh) 一种遥感图像增强方法
CN116703251B (zh) 基于人工智能的胶圈生产质量检测方法
CN109359604B (zh) 面向巡检机器人的阴影干扰下仪表识别方法
CN105069778A (zh) 基于目标特征显著图构建的工业产品表面缺陷检测方法
CN116542972A (zh) 基于人工智能的墙板表面缺陷快速检测方法
CN115601368A (zh) 一种建材装备钣金件缺陷检测方法
CN111429372A (zh) 一种增强低对比度图像边缘检测效果的方法
CN115272336A (zh) 基于梯度向量的金属零件缺陷精准检测方法
CN115082444A (zh) 一种基于图像处理的铜管焊缝缺陷检测方法及系统
CN107330881B (zh) 一种用于识别轮毂气门孔的方法
CN111126371B (zh) 一种基于图像处理的粗指针表盘示数读取方法
CN106326901B (zh) 基于边缘点自相似性的水渍图像识别方法及teds系统
CN102592125A (zh) 基于标准差特征的运动目标检测方法

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