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 PDFInfo
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000005764 inhibitory process Effects 0.000 claims description 25
- 238000010348 incorporation Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 description 8
- 239000000203 mixture Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000001629 suppression Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
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,得到个弱边缘扩展类簇;
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:
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:
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,得到个弱边缘扩展类簇,并在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,根据个弱边缘扩展类簇内的弱边缘点和强边缘点,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:
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、方向上的梯度。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、方向上的梯度,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,其对应的梯度方向为。
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:
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,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,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:
其中,为第个待确定边缘点属于第个子高斯模型的概率,为第个子高斯模型对应的权重,为将第个待确定边缘点的梯度幅值代入到第个子高斯模型所得到的函数值,为将第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。
(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,为初始抑制边缘点的集合,为初始弱边缘点的集合,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,得到个弱边缘扩展类簇。
(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,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。
其中,为初始抑制边缘点的幅值并入阻力系数,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,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,为初始抑制边缘点中的梯度幅值在到两个梯度幅值之间的边缘点的个数,为初始抑制边缘点的总个数。
其中,为初始强边缘点的幅值并入阻力系数,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,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,为初始强边缘点中的梯度幅值在到两个梯度幅值之间的边缘点的个数,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个弱边缘类簇的中心位置的距离值,选取其距离最小值为,其距离最大值为,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:
(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:
(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是否小于预设阈值,在本实施例中,预设阈值为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小于预设阈值时,将该边缘点确定为待并入弱边缘点。
根据步骤(3)中的步骤(3-1)和步骤(3-2-4),获取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。
根据各个待并入弱边缘点和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,得到个弱边缘扩展类簇,该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。
根据个弱边缘扩展类簇内各边缘点的梯度幅值,得到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),获取个弱边缘扩展类簇内的待并入弱边缘点的并入阻力系数,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,得到个弱边缘扩展类簇内各边缘点的并入阻力系数。
(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,点对应的梯度幅值为,点对应的计数概率为,将点的计数概率作为点的梯度幅值的统计个数。
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,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。
根据个弱边缘扩展类簇的双阈值,将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。
根据个弱边缘扩展类簇内的弱边缘点和强边缘点以及个弱边缘扩展类簇外的初始强边缘点,将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,将个弱边缘扩展类簇内的强边缘点和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:
其中,为初始抑制边缘点的幅值并入阻力系数,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,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,为初始抑制边缘点中的梯度幅值在到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:
其中,为初始强边缘点的幅值并入阻力系数,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,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,为初始强边缘点中的梯度幅值在到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:
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:
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;
根据个弱边缘扩展类簇内各边缘点的梯度幅值,得到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;
根据个弱边缘扩展类簇的双阈值和个弱边缘扩展类簇内每个边缘点的梯度幅值,确定个弱边缘扩展类簇内的弱边缘点和强边缘点,若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;
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,为初始抑制边缘点的集合,为初始弱边缘点的集合,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,则该边缘点属于中的初始强边缘点。
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。
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)
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)
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)
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 |
-
2021
- 2021-11-11 CN CN202111335564.7A patent/CN113781482B/zh active Active
Patent Citations (7)
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)
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 |