CN113916894A - 基于量子鸽群峰谷区间分割的铜冲压件表面裂缝检测方法 - Google Patents
基于量子鸽群峰谷区间分割的铜冲压件表面裂缝检测方法 Download PDFInfo
- Publication number
- CN113916894A CN113916894A CN202111173508.8A CN202111173508A CN113916894A CN 113916894 A CN113916894 A CN 113916894A CN 202111173508 A CN202111173508 A CN 202111173508A CN 113916894 A CN113916894 A CN 113916894A
- Authority
- CN
- China
- Prior art keywords
- peak
- valley
- value
- pigeon
- 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.)
- Granted
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 110
- 241000272201 Columbiformes Species 0.000 title claims abstract description 90
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 51
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 42
- 239000010949 copper Substances 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 65
- 230000008859 change Effects 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000012937 correction Methods 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 239000002184 metal Substances 0.000 claims abstract description 13
- 229910052751 metal Inorganic materials 0.000 claims abstract description 13
- 230000000877 morphologic effect Effects 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims abstract description 5
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 239000002096 quantum dot Substances 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 210000000349 chromosome Anatomy 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 10
- 235000002566 Capsicum Nutrition 0.000 abstract description 3
- 239000006002 Pepper Substances 0.000 abstract description 3
- 235000016761 Piper aduncum Nutrition 0.000 abstract description 3
- 235000017804 Piper guineense Nutrition 0.000 abstract description 3
- 235000008184 Piper nigrum Nutrition 0.000 abstract description 3
- 150000003839 salts Chemical class 0.000 abstract description 3
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 244000203593 Piper nigrum Species 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000005286 illumination Methods 0.000 description 6
- 244000144992 flock Species 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 241000722363 Piper Species 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01N21/8851—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
- 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
- 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
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于量子鸽群峰谷区间分割的铜冲压件表面裂缝检测方法，首先，对带裂缝的铜件表面图像进行预处理，采用了中值滤波与同态滤波处理，去除了椒盐噪声，增强了图像裂缝信息的细节；其次，对带裂缝的铜件表面图像进行全局多方向灰度变化扫描，遍历灰度变化曲线然后选出标准差最大的变化曲线；然后，通过峰谷判断阈值对灰度变化曲线进行峰谷点的搜索，在各个峰谷区间进行局部阈值分割，并引入改进量子鸽群算法对峰谷判断阈值以及修正参数进行最优化处理；最后，采用形态学方法消除裂缝图像噪声、填补裂纹中的细小空洞，再通过分析金属裂缝连通域的几何特性，去除残余噪声，提高了方法的有效性和通用性。
Description
技术领域
本发明属于冲压件制造和质量检测、机器视觉技术领域，涉及一种基于量子鸽群峰谷区间分割的铜冲压件表面裂缝检测方法。
背景技术
铜冲压件是采用铜金属材料,通过冲压设备加工制作的，而制作的各种金属铜零件表面可能会产生明显的划痕、刮擦等裂缝缺陷。为了避免对后续加工造成影响，需对生产出的铜件进行表面裂缝检测。裂缝检测是指通过一定的技术手段将物品表面图像所含有的裂缝信息识别出来，对物件表面的裂缝信息进行标识。实际应用中，经常通过铜冲压件表面裂缝的深浅和长度来判定铜件能否进行后续的加工与使用。
目前，传统的金属表面裂缝检测一般是基于图像分割技术，比较常用的图像分割方法是基于图像灰度阈值大小的分割。其中，阈值分割又可细分为全局阈值分割与局部阈值分割技术，在全局阈值分割中，Otsu算法原理简单，计算快速，不会受到图像亮度与对比度的干扰，但是在处理图像存在噪声干扰、光照不均问题的时候全局阈值的分割效果较差。在局部阈值分割中，Niblack算法能够自适应地对不同灰度值地区进行计算得出不同的灰度阈值对图像进行分割，降低了噪声和光照的影响，但是容易造成局部子块之间的灰度连贯性不高，使得分割后的图像会产生比较明显的断层现象。Sauvola分割算法也是一种局部分割算法，该算法分割效果好，时效性高，同样存在分割后的图像会产生比较明显的断层现象。
发明内容
考虑到现有技术存在的空白和不足，本发明的目的在于提供一种基于量子鸽群峰谷区间分割的铜冲压件表面裂缝检测方法，将全局灰度扫描与局部阈值分割相结合，提出一种灰度峰谷区间阈值分割的裂缝检测方法，先通过全局多方向灰度扫描获取灰度变化幅度最大的曲线，从曲线上的极值点抽取最佳的峰谷点，然后在灰度峰谷区间进行局部阈值分割，并将改进的量子鸽群算法引入到分割方法中，去求取分割目标函数的最优参数，完成自适应局部阈值分割，分割效果显著提升。相比于传统的局部分割，降低了噪声和光照的影响，不存在局部子块之间的灰度连贯性问题，而且能够大大减少对每一条灰度曲线都进行阈值计算或者不停计算邻域灰度分布特性带来的大量时间消耗，间接提高了分割的效率。
本发明是一种基于量子鸽群峰谷区间分割的铜冲压件表面裂缝检测方法。首先，对带裂缝的铜件表面图像进行预处理，采用了中值滤波与同态滤波处理，去除了椒盐噪声，增强了图像裂缝信息的细节；其次，对带裂缝的铜件表面图像进行全局多方向灰度变化扫描，遍历灰度变化曲线然后选出标准差最大的变化曲线；然后，通过峰谷判断阈值对灰度变化曲线进行峰谷点的搜索，在各个峰谷区间进行局部阈值分割，并引入改进量子鸽群算法对峰谷判断阈值以及修正参数进行最优化处理；最后，采用形态学方法消除裂缝图像噪声、填补裂纹中的细小空洞，再通过分析金属裂缝连通域的几何特性，去除残余噪声，提高了方法的有效性和通用性。
本发明具体采用以下技术方案：
一种基于量子鸽群峰谷区间分割的铜冲压件表面裂缝检测方法，其特征在于，包括以下步骤：
步骤S1：铜冲压件表面图像采集，并对铜件表面图像进行预处理，以增强信息和抑制噪声；
步骤S2：对铜冲压件表面图像进行全局多方向灰度变化扫描，对所有方向下的灰度变化曲线进行标准差K的计算，遍历所有灰度变化曲线然后选出标准差最大的一条作为主要灰度曲线；
步骤S3：初始化量子鸽群优化算法参数，将峰谷判断阈值H和修正参数η作为种群中的个体，根据各个峰谷判断阈值H搜索峰谷点，然后在各个峰谷区间根据修正参数η进行局部阈值分割，然后对各分割结果进行适应度值评估；
步骤S4：执行地图罗盘算子，更新鸽群的位置和速度，以更新后的位置值作为输入，进行峰谷区间阈值分割，重新评估适应度值，并反复迭代；
步骤S5：执行地标算子，将地图罗盘算子最后一代得到的适应度值按大小排序，保留适应度优的一半，将鸽群的数量减半，更新鸽群的位置，然后进行峰谷区间阈值分割，重新评估适应度值，并反复迭代；输出最终峰谷区间阈值分割结果。
步骤S6：采用形态学去噪的方法消除裂缝图像噪声，先对图像进行不同大小结构元素的膨胀腐蚀处理，然后通过分析金属裂缝连通域的几何特性，去除残余噪声。
进一步地，在步骤S1中，采用中值滤波与同态滤波对铜件表面图像进行预处理。
进一步地，在步骤S2中，所述全局多方向灰度变化扫描将铜冲压件表面图像对应的灰度图像用二维数组的形式表示，其中每个像素点的坐标对应为数组中具体的某行列数下标，该点的灰度值则是对应下标数组元素所存储的数值，形成三维坐标系的形式；对图像进行多个方向灰度变化扫描，获得该方向上的灰度变化曲线；对图像进行全局多方向灰度变化扫描后，每个方向具有多组灰度变化曲线，对多个方向下的每条灰度曲线进行变化幅度分析，选取变化幅度最大的曲线；
灰度变化标准差K的计算方法如下，其中f(n)为所选定灰度曲线的灰度均值，m为当前曲线上的总像素：
在灰度图像对应的二维数组中,设数组中具体行为y＝y0，以列数x为自变量，其中x＝1,2,3,...,m，因变量f0＝(x,y0)为对应像素点的灰度值；
对所有方向下的灰度变化曲线进行标准差K的计算，选取标准差K值最大的曲线，代表图像灰度变化幅度最大的曲线。
进一步地，在步骤S3中，搜索峰谷点具体包括以下步骤：
在一条具体的灰度曲线中，像素因为灰度值的变化存在若干的峰点与谷点；设曲线上的极大值点有fmax0(x0,y0),fmax1(x1,y1),fmax2(x2,y2),...,极小值点有fmin0(x0,y0),fmin1(x1,y1),fmin2(x2,y2),...，取第一个极值点，若为极大值点则为第一个峰值点，极小值则为谷值点；
若前一个点为峰值点Tk＝fmax(i)(xi,yi)，则下一个谷值点Bk＝fmin(j)(xj,yj)应该满足的条件是：
其中：H为峰谷判断阈值，mi为当前曲线的极小值个数，fmax(k+1)和fmax(k-1)分别为谷值点后一个极大值点的灰度值和前一个极大值点的灰度值，fmin(j+1)为当前极小值的后一个极小值点；
若前一个点为谷值点Bk＝fmin(j)(xj,yj)，则下一个峰值点Tk＝fmax(i)(xi,yi)应该满足的条件是：
其中：ma为当前曲线的极大值个数，fmin(k+1)和fmin(k-1)为峰值点后一个极小值点的灰度值和前一个极小值点的灰度值,fmax(i+1)为当前极大值的后一个极大值；
不断重复上述搜索过程，将灰度变化曲线上的所有峰值点和谷值点定位完成后进行分割阈值的计算。
进一步地，在步骤S3中，局部阈值分割具体包括以下步骤：
对于相邻的峰值点Tk与谷值点Bk，其区间的阈值应为：
h＝η×[fmax(k)-fmin(k)]+fmin(k)×(1-η)
其中fmax(k)为区间中峰值点的灰度值，fmin(k)为区间中谷值点的灰度值，η为修正参数；在计算出区间的分割阈值后，即可照如下公式对图像进行二值分割：
其中，p为当前像素点的灰度值大小；遍历曲线所有搜寻到的波峰与波谷点区间，并进行以上操作，即完成对图像的局部阈值分割。
进一步地，在步骤S3-步骤S5中，采用基于改进量子鸽群算法的峰谷区间进行自适应阈值分割：
其在鸽群优化算法的基础上，根据当前鸽子与最优目标的距离动态地调整旋转角，自适应旋转角的调整策略如下式所示：
其中：
-sgn(Ai)表示旋转角的方向，α0、β0和αi、βi代表当前最优值和当前值的概率幅，θbest和θi代表当前最优值和当前值的角度，Δθ代表最大角度和最小角度之差，t为当前代数，T为最大迭代次数，θ0为基本旋转角。
进一步地，采用自适应旋转角量子鸽群算法求取目标函数的最优参数具体步骤如下：
步骤A1：初始化量子鸽群优化算法参数包括：种群数量或鸽群总数Np、搜索空间维度D、地图罗盘算子和地标算子的迭代次数NC1max和NC2max、地图罗盘因子R、鸽群的最大速度Vmax、量子染色体样本的二进制长度L、量子位的初始角度范围，自适应转角步长范围；
步骤A2：将峰谷判断阈值H和修正参数η作为种群中的个体，初始化量子种群和鸽群速度，随机生成Np个以量子比特为编码的样本作为鸽群的初始位置X(t0)；
步骤A3：对初始种群中每个个体进行测量，根据各个峰谷判断阈值H搜索峰谷点，然后在各个峰谷区间根据修正参数η进行局部阈值分割，然后对各分割结果进行适应度值评估；计算对应个体的适应度，取适应度最大对应的个体为最优个体，并记录最优个体Xp和对应的适应度值Yp，其中适应度是利用能够反映灰度空间分布特征的图像二维熵Ha来定义的：
其中,f(i,j)为特征二元组(i,j)出现的频数，s为图像的灰度尺度，特征二元组(i,j)中i表示像素的灰度值，j表示邻域灰度均值；
步骤A4：执行地图罗盘算子；首先利用自适应量子旋转门对个体实施调整，计算更新后每个个体的解，更新鸽群的位置和速度；以更新后的位置值作为输入，进行峰谷区间阈值分割，重新评估适应度值，记录最优个体Xp和对应的适应度值Yp；
步骤A5：将迭代次数加1，判断是否达到最大迭代次数NC1max，若不是，返回步骤A4，否则顺序执行；
步骤A6：执行地标算子，将地图罗盘算子最后一代得到的适应度值按大小排序，保留适应度优的一半，将鸽群的数量减半，并更新鸽群的位置，然后进行峰谷区间阈值分割；
步骤A7：计算更新后的位置所对应的适应度值，记录最优个体Xp和对应的适应度值Yp；
步骤A8：若迭代次数大于地标算子的最大迭代次数NC2max，则停止，否则返回步骤A7；
步骤A9：输出最优个体H和η对应的峰谷区间阈值分割结果。
进一步地，在步骤S6中，通过分析金属裂缝连通域的几何特性，去除残余噪声具体包括以下过程：
连通域的主要几何特征参数包括连通域的总面积S以及最小外接矩形的边长之比R，即：
S＝∑pi
其中pi为当前连通域内的像素点，L为当前连通域的最小外接矩形的长，W为当前连通域的最小外接矩形的宽；
对S满足一定阈值的连通域进行保留，否则进行删除；对R满足一定阈值的连通域进行保留，否则进行删除。
与现有技术相比，本发明及其优选方案以检测出铜冲压件表面裂缝为目的，充分利用图像的多方向灰度曲线信息与裂缝的几何特性，将全局灰度扫描与局部阈值分割相结合，先通过全局多方向灰度扫描获取灰度变化幅度最大的曲线，从曲线上的极值点抽取最佳的峰谷点，然后在灰度峰谷区间进行局部阈值分割，并将改进的量子鸽群算法引入到分割方法中，去求取分割目标函数的最优参数，完成自适应局部阈值分割，并对分割的裂缝图像进行形态学处理，进一步提升裂缝提取效果。本发明采用的自适应旋转角的量子鸽群算法，算法根据当前鸽子与最优目标的距离动态地调整旋转角，可有效地加快算法的收敛速度，减少“早熟”的发生。相比于现有的裂缝检测方法，降低了噪声和光照的影响，不存在局部子块之间分割结果的连贯性问题，提取裂缝的连续性好，裂缝的检测精度高，而且能够大大减少对每一条灰度曲线都进行阈值计算或者不停计算邻域灰度分布特性带来的大量时间消耗，间接提高了分割的效率。通过此方法去检测铜冲压件表面的裂缝瑕疵，相比人工检测的方法，大大提高检测效率和精确度，有效防止瑕疵品流入下一道生产环节，提高了铜冲压件的成品质量。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
图1为本发明实施例铜冲压件表面图像某一行灰度变化曲线示意图。
图2为本发明实施例峰谷区间自适应阈值分割流程示意图。
图3为本发明实施例Rastrigin函数50次平均优化曲线示意图。
图4为本发明实施例Griewank函数50次平均优化曲线示意图。
图5为本发明实施例峰谷区间自适应阈值分割过程示意图。
图6为本发明实施例铜冲压件1图像表面裂缝分割结果与对比示意图。
图7为本发明实施例铜冲压件2图像表面裂缝分割结果与对比示意图。
图8为本发明实施例铜冲压件裂缝形态学去噪结果示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：
首先对本实施例所采用的主要技术分别进行介绍。
1.图像预处理
使用中值滤波除去图像中的噪点信息来减少椒盐噪声对图像像素灰度信息分布的干扰，并使用同态滤波消除金属表面光照不均所带来的干扰。通过同时使用中值滤波和同态滤波，可以有效增强图像中包含的裂缝信息，抑制噪声干扰。
2.全局多方向灰度变化扫描
对于一幅灰度图像，可以将其用二维数组的形式表示，其中每个像素点的坐标对应为数组中具体的某行列数下标，该点的灰度值则是对应下标数组元素所存储的数值。因此，每幅图像都可以以三维坐标系的方式表示，灰度值较低的地方属于图像中的低谷地区，而灰度值较高的地方则属于图像中的高峰地区。一般来说，金属图像中存在的裂缝区域的灰度值与背景灰度对比度较高，易形成鲜明的灰度极值区域，基于这种特性对极值区域进行局部分割，便能较好的将图像中的裂缝信息提取出来。
可以对图像进行多个方向进行灰度变化扫描，以水平方向为例，在灰度图像对应的二维数组中,若设数组中具体行为y＝y0，以列数x为自变量，其中x＝1,2,3,...,m，其中m为该行的总像素点个数。因变量f0＝(x,y0)为对应像素点的灰度值，则可以得到图像在该行上的灰度变化曲线，如图1所示。
对图像进行全局多方向灰度变化扫描后，每个方向具有多组灰度变化曲线，需要各个方向下的灰度变化曲线信息进行分析，对多个方向下的每条灰度曲线进行变化幅度分析，选取变化幅度最大的曲线。本发明引入灰度变化标准差来衡量曲线的变化幅度，灰度变化标准差K的计算方法如下，其中f(n)为所选定灰度曲线的灰度均值，而m为当前曲线上的总像素：
对所有方向下的灰度变化曲线进行标准差K的计算，选取标准差K值最大的曲线，代表图像灰度变化幅度最大的曲线，使得后续使用局部阈值分割的局部分块与阈值计算更为准确。
3.灰度峰谷区间阈值分割方法
3.1峰谷点搜索
在一条具体的灰度曲线中，像素因为灰度值的变化存在若干的峰点与谷点。设曲线上的极大值点有fmax0(x0,y0),fmax1(x1,y1),fmax2(x2,y2),...,极小值点有fmin0(x0,y0),fmin1(x1,y1),fmin2(x2,y2),...，取第一个极值点，若为极大值点则为第一个峰值点，极小值则为谷值点。
若前一个点为峰值点Tk＝fmax(i)(xi,yi)，则下一个谷值点Bk＝fmin(j)(xj,yj)应该满足的条件是：
其中：H为峰谷判断阈值，mi为当前曲线的极小值个数，fmax(k+1)和fmax(k-1)分别为谷值点后一个极大值点的灰度值和前一个极大值点的灰度值，fmin(j+1)为当前极小值的后一个极小值点。
若前一个点为谷值点Bk＝fmin(j)(xj,yj)，则下一个峰值点Tk＝fmax(i)(xi,yi)应该满足的条件是：
其中：ma为当前曲线的极大值个数，fmin(k+1)和fmin(k-1)为峰值点后一个极小值点的灰度值和前一个极小值点的灰度值,fmax(i+1)为当前极大值的后一个极大值。
不断重复上述搜索过程，将灰度变化曲线上的所有峰值点和谷值点定位完成后进行下一步分割阈值的计算。
3.2阈值计算与分割
对于相邻的峰值点Tk与谷值点Bk，其区间的阈值应为：
h＝η×[fmax(k)-fmin(k)]+fmin(k)×(1-η) (4)
其中fmax(k)为区间中峰值点的灰度值，fmin(k)为区间中谷值点的灰度值，η为修正参数。在计算出区间的分割阈值后，即可照如下公式对图像进行二值分割：
其中，p为当前像素点的灰度值大小。遍历曲线所有搜寻到的波峰与波谷点区间，并进行以上操作，即完成对图像的局部阈值分割。
4.基于改进量子鸽群算法的峰谷区间自适应阈值分割
4.1自适应旋转角量子鸽群算法
鸽群优化算法，研究了鸽子自主回巢的行为，通过模仿鸽子寻找目标的不同阶段，建立了两个不同的算子模型——地图和指南针算子和地标算子，将这两个算子结合起来解决目标寻优问题。
在这个算法中，先初始化鸽群的位置和速度，在多维空间中，每代鸽群的位置和速度都得到更新，表示如下：
Xi＝[xi1,xi2,…xiD]，Vi＝[vi1,vi2,…viD] (6)
式中，i＝1,2,…N,N为迭代的次数，D为空间的维数。
每代鸽群的速度和位置的更新公式如下：
Vi(t)＝Vi(t-1)·e-Rt+rand·(Xg-Xi(t-1)) (7)
Xi(t)＝Xi(t-1)+Vi(t) (8)
其中，R为地图罗盘因子，rand为随机数，Xg为当前最优位置。
当迭代超过地图罗盘算子的最大次数NC1max时，算法进入到地标算子阶段。在该阶段，每代鸽群的数量都会减少一半，根据所有鸽子的中心位置更新位置信息，公式如下：
Xi(t)＝Xi(t-1)+rand·(Xc(t)-Xi(t-1)) (11)
其中Np(t)为本代鸽群的数量，Xc代表本代的中心位置，fitness()为鸽子个体的评价函数，满足：
当迭代超过地标算子的最大次数NC2max时，算法结束，得到最优值。
在此基础上，引入量子来定义鸽子的行为，即认为每只鸽子的行进速度和位置具有量子行为，以此获得多样性的可行解空间，以便更好的避免陷入局部最优解，提高算法的全局的收敛性。本发明采用一种自适应旋转角的量子鸽群算法，算法根据当前鸽子与最优目标的距离动态地调整旋转角，可有效地加快算法的收敛速度，减少“早熟”的发生。自适应旋转角的调整策略如下式所示：
其中：
-sgn(Ai)表示旋转角的方向，α0、β0和αi、βi代表当前最优值和当前值的概率幅，θbest和θi代表当前最优值和当前值的角度，Δθ代表最大角度和最小角度之差，t为当前代数，T为最大迭代次数，θ0为基本旋转角，一般取较小值0.05π。
4.2峰谷区间自适应阈值分割方法及步骤
在峰谷区间阈值分割过程中，峰谷判断阈值H和修正参数η的随机选取无法达到最佳的分割效果，本发明采用自适应旋转角量子鸽群算法求取目标函数的最优参数。实现流程如图2所示，具体步骤如下：
Step1：铜冲压件表面图像采集，对图像预处理、全局多方向灰度变化扫描，对所有方向下的灰度变化曲线进行标准差K的计算，选取标准差K值最大的曲线。
Step2：初始化量子鸽群优化算法参数：种群数量或鸽群总数Np、搜索空间维度D、地图罗盘算子和地标算子的迭代次数NC1max和NC2max、地图罗盘因子R、鸽群的最大速度Vmax、量子染色体样本的二进制长度L、量子位的初始角度范围，自适应转角步长范围等。
Step3：将峰谷判断阈值H和修正参数η作为种群中的个体，初始化量子种群和鸽群速度，随机生成Np个以量子比特为编码的样本作为鸽群的初始位置X(t0)。
Step4：对初始种群中每个个体进行测量，根据各个峰谷判断阈值H搜索峰谷点，然后在各个峰谷区间根据修正参数η进行局部阈值分割，然后对各分割结果进行适应度值评估。计算对应个体的适应度，取适应度最大对应的个体为最优个体，并记录最优个体Xp和对应的适应度值Yp，其中适应度是利用能够反映灰度空间分布特征的图像二维熵Ha来定义的：
其中,f(i,j)为特征二元组(i,j)出现的频数，s为图像的灰度尺度，特征二元组(i,j)中i表示像素的灰度值，j表示邻域灰度均值。
Step5：执行地图罗盘算子。首先利用式(13)的自适应量子旋转门对个体实施调整，计算更新后每个个体的解，根据公式(7)(8)更新鸽群的位置和速度。以更新后的位置值作为输入，进行峰谷区间阈值分割，重新评估适应度值，记录最优个体Xp和对应的适应度值Yp。
Step6：将迭代次数加1，判断是否达到最大迭代次数NC1max，若不是，返回Step5，否则顺序执行。
Step7：执行地标算子。将地图罗盘算子最后一代得到的适应度值按大小排序，保留适应度优的一半，将鸽群的数量减半，并根据公式(9)(10)(11)更新鸽群的位置，然后进行峰谷区间阈值分割。
Step8：计算更新后的位置所对应的适应度值，记录最优个体Xp和对应的适应度值Yp。
Step9：若迭代次数大于地标算子的最大迭代次数NC2max，则停止，否则返回Step8。
Step10：输出最优个体H和η对应的峰谷区间阈值分割结果。
5.裂缝图像形态学处理
对经过分割提取出来的某一金属裂缝进行膨胀腐蚀运算去噪处理，为了进一步去除噪声干扰，需要对分割后存在的连通域的几何参数进行分析。连通域的主要几何特征参数有连通域的总面积S以及最小外接矩形的边长之比R，即：
S＝∑pi (15)
其中pi为当前连通域内的像素点，L为当前连通域的最小外接矩形的长，W为当前连通域的最小外接矩形的宽。
由于裂纹目标区域一般具有连通性，像素分布广，面积S的值比较大，而噪声干扰残留下的连通域面积S一般比较小，故对S满足一定阈值的连通域进行保留，否则进行删除；而金属的裂缝目标，其一般满足面积适中，但外形细长，分割后的连通域也相应较细长，外接矩形长宽比较大，而噪声产生的连通域一般像素分布较为均匀，不会出现明显的线形状分布特征，其连通域的外接矩形长宽通常比较小，故对R满足一定阈值的连通域进行保留，否则进行删除。
6.整体实现流程与步骤
综上所述，本实施例提出的基于量子鸽群峰谷区间阈值分割的铜冲压件表面裂缝检测方法，其具体实现步骤如下：
步骤1、铜冲压件表面图像采集，采用中值滤波与同态滤波对铜件表面图像进行预处理；
步骤2、对铜冲压件表面图像进行全局多方向灰度变化扫描，对所有方向下的灰度变化曲线进行标准差K的计算，遍历所有灰度变化曲线然后选出标准差最大的一条作为主要灰度曲线；
步骤3、初始化量子鸽群优化算法参数，将峰谷判断阈值H和修正参数η作为种群中的个体，根据各个峰谷判断阈值H搜索峰谷点，然后在各个峰谷区间根据修正参数η进行局部阈值分割，然后对各分割结果进行适应度值评估；
步骤4、执行地图罗盘算子，更新鸽群的位置和速度，以更新后的位置值作为输入，进行峰谷区间阈值分割，重新评估适应度值，并反复迭代；
步骤5、执行地标算子，将地图罗盘算子最后一代得到的适应度值按大小排序，保留适应度优的一半，将鸽群的数量减半，更新鸽群的位置，然后进行峰谷区间阈值分割，重新评估适应度值，并反复迭代；
步骤6、输出最终峰谷区间阈值分割结果，并采用形态学去噪的方法消除裂缝图像噪声，先对图像进行不同大小结构元素的膨胀腐蚀处理，然后通过分析金属裂缝连通域的几何特性，去除残余噪声。
7.具体的实施例子及说明
7.1改进的量子鸽群算法验证
对自适应旋转角量子鸽群算法进行参数设置如表1所示。
表1参数设置
为了验证所提出的AQOPIO算法的特性，选取两个标准的基准测试函数(Rastrigin函数和Griewank函数)，将该算法与量子遗传算法(QGA)、鸽群算法(OPIO)、量子鸽群算法(QOPIO)做仿真对比。并选取Rastrigin函数和Griewank函数的50次平均优化曲线图，如图3、4所示。从图中可以看出AQOPIO的最早收敛且收敛精度最高，QGA最早收敛，但收敛精度最低，OPIO算法在两个算子的迭代期间内都有较明显的收敛，QOPIO算法相较于OPIO，虽然运行时间更长，但收敛的速度更快，精度也更高，AQOPIO由于采用了自适应旋转角的量子调整策略，收敛速度和精度是几个算法中最好的。
7.2峰谷区间自适应阈值分割效果
以图5的带裂缝的铜件表面图像(a)为例，先进行图像预处理，进行全局多方向灰度变化扫描，对所有方向下的灰度变化曲线进行标准差K的计算,选出标准差最大的曲线如图(b)所示，根据峰谷区间阈值分割的目标函数，采用自适应旋转角量子鸽群算法求取目标函数的最优参数，得到H＝0.028、η＝0.62，峰谷点搜索结果如图(b)上圆点所示，在该H值下，波峰波谷点在6～12个之间，能够较好地体现图像不同部分的灰度变化情况，最终分割结果如图(c)所示，有效去除了噪声和光照的影响，提取的裂缝无断层现象，分割效果好。
为了检测本实施例算法的高度泛化性，将本发明算法与经典的全局阈值分割代表Otsu算法以及局部分割法Niblack分割算法和在其基础上改进的Sauvola分割算法进行对比。所有例图均通过了同样参数的预处理，中值滤波使用了3×3的模板，同态滤波中取h＝2.2；l＝0.2。其中(a)，(b)，(c)，(d)，(e)分别为原图，Otsu法，Niblack法，Sauvolo法和本发明算法处理结果。
图6中铜件主裂缝周围存在大量细小表面划痕干扰，Otsu算法与Niblack算法计算的阈值都错误地将这些细小划痕分割为目标的一部分。而局部分割的Sauvola算法虽然分割出了裂缝，但保留了大量噪声，本发明算法避免了划痕干扰，有效地将裂缝区域分割出来。
图7中受到大量噪声的影响，Otsu算法与Niblack算法无法成功分割出裂纹目标。Sauvola算法受到边缘影响较为严重，将铜件的边缘信息均划分为目标区域。本发明算法能够抵消边缘影响，受噪声干扰的影响小，分割效果最好。
对图像分割结果进行性能评估，这里采用的是假阳性率，公式为：
其中TP为标准割予分割算法相交的部分，FN为标准割减去TP部分，FP为算法分割结果减去TP部分。
对两幅图像分别进行式17的计算后除以二得到的平均假阳性率如表2。可以看出本实施例算法的平均假阳性率最低，也就是错检率最低。
表2平均假阳性率
| 分割算法 | Error |
| 本实施例算法 | 0.538 |
| Sauvola法 | 0.735 |
| Otsu法 | 5.880 |
| Niblack法 | 14.96 |
7.3形态学去噪结果及分析
在经过基于量子鸽群算法优化的峰谷区间阈值分割后，本实施例首先采用直径为5个像素的圆形结构元素对图像进行膨胀处理，然后再使用直径为4个像素的圆形结构元素对图像进行腐蚀处理，之后对连通域的面积S小于150的进行像素删除处理，对外接矩形边长比R小于1.5的进行像素删除处理，得到最终处理结果如图8所示。其中(a)为峰谷区间分割结果，(b)为形态学去噪结果，(c)为最终检测结果。在经过形态学去噪后，图像中分割残留下来的大量噪声像素点都被删除，使得整个最终检测的结果可靠有效。
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的基于量子鸽群峰谷区间分割的铜冲压件表面裂缝检测方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。
Claims (8)
1.一种基于量子鸽群峰谷区间分割的铜冲压件表面裂缝检测方法，其特征在于，包括以下步骤：
步骤S1：铜冲压件表面图像采集，并对铜件表面图像进行预处理，以增强信息和抑制噪声；
步骤S2：对铜冲压件表面图像进行全局多方向灰度变化扫描，对所有方向下的灰度变化曲线进行标准差K的计算，遍历所有灰度变化曲线然后选出标准差最大的一条作为主要灰度曲线；
步骤S3：初始化量子鸽群优化算法参数，将峰谷判断阈值H和修正参数η作为种群中的个体，根据各个峰谷判断阈值H搜索峰谷点，然后在各个峰谷区间根据修正参数η进行局部阈值分割，然后对各分割结果进行适应度值评估；
步骤S4：执行地图罗盘算子，更新鸽群的位置和速度，以更新后的位置值作为输入，进行峰谷区间阈值分割，重新评估适应度值，并反复迭代；
步骤S5：执行地标算子，将地图罗盘算子最后一代得到的适应度值按大小排序，保留适应度优的一半，将鸽群的数量减半，更新鸽群的位置，然后进行峰谷区间阈值分割，重新评估适应度值，并反复迭代；输出最终峰谷区间阈值分割结果。
步骤S6：采用形态学去噪的方法消除裂缝图像噪声，先对图像进行不同大小结构元素的膨胀腐蚀处理，然后通过分析金属裂缝连通域的几何特性，去除残余噪声。
2.根据权利要求1所述的基于量子鸽群峰谷区间分割的铜冲压件表面裂缝检测方法，其特征在于：在步骤S1中，采用中值滤波与同态滤波对铜件表面图像进行预处理。
3.根据权利要求1所述的基于量子鸽群峰谷区间分割的铜冲压件表面裂缝检测方法，其特征在于：在步骤S2中，所述全局多方向灰度变化扫描将铜冲压件表面图像对应的灰度图像用二维数组的形式表示，其中每个像素点的坐标对应为数组中具体的某行列数下标，该点的灰度值则是对应下标数组元素所存储的数值，形成三维坐标系的形式；对图像进行多个方向灰度变化扫描，获得该方向上的灰度变化曲线；对图像进行全局多方向灰度变化扫描后，每个方向具有多组灰度变化曲线，对多个方向下的每条灰度曲线进行变化幅度分析，选取变化幅度最大的曲线；
灰度变化标准差K的计算方法如下，其中f(n)为所选定灰度曲线的灰度均值，m为当前曲线上的总像素：
在灰度图像对应的二维数组中,设数组中具体行为y＝y0，以列数x为自变量，其中x＝1,2,3,...,m，因变量f0＝(x,y0)为对应像素点的灰度值；
对所有方向下的灰度变化曲线进行标准差K的计算，选取标准差K值最大的曲线，代表图像灰度变化幅度最大的曲线。
4.根据权利要求3所述的基于量子鸽群峰谷区间分割的铜冲压件表面裂缝检测方法，其特征在于：在步骤S3中，搜索峰谷点具体包括以下步骤：
在一条具体的灰度曲线中，像素因为灰度值的变化存在若干的峰点与谷点；设曲线上的极大值点有fmax0(x0,y0),fmax1(x1,y1),fmax2(x2,y2),...,极小值点有fmin0(x0,y0),fmin1(x1,y1),fmin2(x2,y2),...，取第一个极值点，若为极大值点则为第一个峰值点，极小值则为谷值点；
若前一个点为峰值点Tk＝fmax(i)(xi,yi)，则下一个谷值点Bk＝fmin(j)(xj,yj)应该满足的条件是：
其中：H为峰谷判断阈值，mi为当前曲线的极小值个数，fmax(k+1)和fmax(k-1)分别为谷值点后一个极大值点的灰度值和前一个极大值点的灰度值，fmin(j+1)为当前极小值的后一个极小值点；
若前一个点为谷值点Bk＝fmin(j)(xj,yj)，则下一个峰值点Tk＝fmax(i)(xi,yi)应该满足的条件是：
其中：ma为当前曲线的极大值个数，fmin(k+1)和fmin(k-1)为峰值点后一个极小值点的灰度值和前一个极小值点的灰度值,fmax(i+1)为当前极大值的后一个极大值；
不断重复上述搜索过程，将灰度变化曲线上的所有峰值点和谷值点定位完成后进行分割阈值的计算。
5.根据权利要求4所述的基于量子鸽群峰谷区间分割的铜冲压件表面裂缝检测方法，其特征在于：在步骤S3中，局部阈值分割具体包括以下步骤：
对于相邻的峰值点Tk与谷值点Bk，其区间的阈值应为：
h＝η×[fmax(k)-fmin(k)]+fmin(k)×(1-η)
其中fmax(k)为区间中峰值点的灰度值，fmin(k)为区间中谷值点的灰度值，η为修正参数；在计算出区间的分割阈值后，即可照如下公式对图像进行二值分割：
其中，p为当前像素点的灰度值大小；遍历曲线所有搜寻到的波峰与波谷点区间，并进行以上操作，即完成对图像的局部阈值分割。
6.根据权利要求5所述的基于量子鸽群峰谷区间分割的铜冲压件表面裂缝检测方法，其特征在于：在步骤S3-步骤S5中，采用基于改进量子鸽群算法的峰谷区间进行自适应阈值分割：
其在鸽群优化算法的基础上，根据当前鸽子与最优目标的距离动态地调整旋转角，自适应旋转角的调整策略如下式所示：
其中：
-sgn(Ai)表示旋转角的方向，α0、β0和αi、βi代表当前最优值和当前值的概率幅，θbest和θi代表当前最优值和当前值的角度，Δθ代表最大角度和最小角度之差，t为当前代数，T为最大迭代次数，θ0为基本旋转角。
7.根据权利要求6所述的基于量子鸽群峰谷区间分割的铜冲压件表面裂缝检测方法，其特征在于：采用自适应旋转角量子鸽群算法求取目标函数的最优参数具体步骤如下：
步骤A1：初始化量子鸽群优化算法参数包括：种群数量或鸽群总数Np、搜索空间维度D、地图罗盘算子和地标算子的迭代次数NC1max和NC2max、地图罗盘因子R、鸽群的最大速度Vmax、量子染色体样本的二进制长度L、量子位的初始角度范围，自适应转角步长范围；
步骤A2：将峰谷判断阈值H和修正参数η作为种群中的个体，初始化量子种群和鸽群速度，随机生成Np个以量子比特为编码的样本作为鸽群的初始位置X(t0)；
步骤A3：对初始种群中每个个体进行测量，根据各个峰谷判断阈值H搜索峰谷点，然后在各个峰谷区间根据修正参数η进行局部阈值分割，然后对各分割结果进行适应度值评估；计算对应个体的适应度，取适应度最大对应的个体为最优个体，并记录最优个体Xp和对应的适应度值Yp，其中适应度是利用能够反映灰度空间分布特征的图像二维熵Ha来定义的：
其中,f(i,j)为特征二元组(i,j)出现的频数，s为图像的灰度尺度，特征二元组(i,j)中i表示像素的灰度值，j表示邻域灰度均值；
步骤A4：执行地图罗盘算子；首先利用自适应量子旋转门对个体实施调整，计算更新后每个个体的解，更新鸽群的位置和速度；以更新后的位置值作为输入，进行峰谷区间阈值分割，重新评估适应度值，记录最优个体Xp和对应的适应度值Yp；
步骤A5：将迭代次数加1，判断是否达到最大迭代次数NC1max，若不是，返回步骤A4，否则顺序执行；
步骤A6：执行地标算子，将地图罗盘算子最后一代得到的适应度值按大小排序，保留适应度优的一半，将鸽群的数量减半，并更新鸽群的位置，然后进行峰谷区间阈值分割；
步骤A7：计算更新后的位置所对应的适应度值，记录最优个体Xp和对应的适应度值Yp；
步骤A8：若迭代次数大于地标算子的最大迭代次数NC2max，则停止，否则返回步骤A7；
步骤A9：输出最优个体H和η对应的峰谷区间阈值分割结果。
8.根据权利要求7所述的基于量子鸽群峰谷区间分割的铜冲压件表面裂缝检测方法，其特征在于：在步骤S6中，通过分析金属裂缝连通域的几何特性，去除残余噪声具体包括以下过程：
连通域的主要几何特征参数包括连通域的总面积S以及最小外接矩形的边长之比R，即：
S＝∑pi
其中pi为当前连通域内的像素点，L为当前连通域的最小外接矩形的长，W为当前连通域的最小外接矩形的宽；
对S满足一定阈值的连通域进行保留，否则进行删除；对R满足一定阈值的连通域进行保留，否则进行删除。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111173508.8A CN113916894B (zh) | 2021-10-08 | 2021-10-08 | 基于量子鸽群峰谷区间分割的铜冲压件表面裂缝检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111173508.8A CN113916894B (zh) | 2021-10-08 | 2021-10-08 | 基于量子鸽群峰谷区间分割的铜冲压件表面裂缝检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113916894A true CN113916894A (zh) | 2022-01-11 |
| CN113916894B CN113916894B (zh) | 2024-05-03 |
Family
ID=79238344
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111173508.8A Active CN113916894B (zh) | 2021-10-08 | 2021-10-08 | 基于量子鸽群峰谷区间分割的铜冲压件表面裂缝检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113916894B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114067122A (zh) * | 2022-01-18 | 2022-02-18 | 深圳市绿洲光生物技术有限公司 | 一种两级式二值化图像处理方法 |
| CN114998329A (zh) * | 2022-07-28 | 2022-09-02 | 启东市嘉信精密机械有限公司 | 一种电子通讯设备射频屏蔽罩的精密冲压质量分析系统 |
| CN117132602A (zh) * | 2023-10-27 | 2023-11-28 | 湖南三昌泵业有限公司 | 一种离心泵叶轮缺陷视觉检测方法 |
| CN117710399A (zh) * | 2024-02-06 | 2024-03-15 | 山东省地质测绘院 | 一种基于视觉的地质调查中裂缝轮廓提取方法 |
| CN117830312A (zh) * | 2024-03-05 | 2024-04-05 | 陕西长空齿轮有限责任公司 | 基于机器视觉的合金裂纹无损检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006162583A (ja) * | 2004-11-10 | 2006-06-22 | Taisei Corp | ひび割れ検出方法 |
| JP2017072517A (ja) * | 2015-10-08 | 2017-04-13 | 西日本高速道路エンジニアリング四国株式会社 | コンクリートの表面ひび割れの検出方法 |
| US20180137612A1 (en) * | 2015-04-27 | 2018-05-17 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
| CN112419250A (zh) * | 2020-11-13 | 2021-02-26 | 湖北工业大学 | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 |
| CN113327251A (zh) * | 2020-12-17 | 2021-08-31 | 哈尔滨理工大学 | 一种基于改进混合蛙跳算法的高速公路沥青路面裂缝分割的优化算法 |
-
2021
- 2021-10-08 CN CN202111173508.8A patent/CN113916894B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006162583A (ja) * | 2004-11-10 | 2006-06-22 | Taisei Corp | ひび割れ検出方法 |
| US20180137612A1 (en) * | 2015-04-27 | 2018-05-17 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
| JP2017072517A (ja) * | 2015-10-08 | 2017-04-13 | 西日本高速道路エンジニアリング四国株式会社 | コンクリートの表面ひび割れの検出方法 |
| CN112419250A (zh) * | 2020-11-13 | 2021-02-26 | 湖北工业大学 | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 |
| CN113327251A (zh) * | 2020-12-17 | 2021-08-31 | 哈尔滨理工大学 | 一种基于改进混合蛙跳算法的高速公路沥青路面裂缝分割的优化算法 |
Non-Patent Citations (2)
| Title |
|---|
| 姜吉荣;陈小惠;: "基于多特征的路面裂缝目标提取方法", 计算机技术与发展, no. 05, 31 May 2016 (2016-05-31) * |
| 田伟;沈浩;李晓;师磊磊;: "基于图像处理的廊道表面裂缝检测技术研究", 电子设计工程, no. 05, 5 March 2020 (2020-03-05) * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114067122A (zh) * | 2022-01-18 | 2022-02-18 | 深圳市绿洲光生物技术有限公司 | 一种两级式二值化图像处理方法 |
| CN114067122B (zh) * | 2022-01-18 | 2022-04-08 | 深圳市绿洲光生物技术有限公司 | 一种两级式二值化图像处理方法 |
| CN114998329A (zh) * | 2022-07-28 | 2022-09-02 | 启东市嘉信精密机械有限公司 | 一种电子通讯设备射频屏蔽罩的精密冲压质量分析系统 |
| CN117132602A (zh) * | 2023-10-27 | 2023-11-28 | 湖南三昌泵业有限公司 | 一种离心泵叶轮缺陷视觉检测方法 |
| CN117132602B (zh) * | 2023-10-27 | 2024-01-02 | 湖南三昌泵业有限公司 | 一种离心泵叶轮缺陷视觉检测方法 |
| CN117710399A (zh) * | 2024-02-06 | 2024-03-15 | 山东省地质测绘院 | 一种基于视觉的地质调查中裂缝轮廓提取方法 |
| CN117710399B (zh) * | 2024-02-06 | 2024-04-30 | 山东省地质测绘院 | 一种基于视觉的地质调查中裂缝轮廓提取方法 |
| CN117830312A (zh) * | 2024-03-05 | 2024-04-05 | 陕西长空齿轮有限责任公司 | 基于机器视觉的合金裂纹无损检测方法 |
| CN117830312B (zh) * | 2024-03-05 | 2024-05-28 | 陕西长空齿轮有限责任公司 | 基于机器视觉的合金裂纹无损检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113916894B (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113916894A (zh) | 基于量子鸽群峰谷区间分割的铜冲压件表面裂缝检测方法 | |
| CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
| CN106251361B (zh) | 一种钢轨表面缺陷图像自适应分割方法 | |
| CN116310360B (zh) | 一种电抗器表面缺陷检测方法 | |
| CN108596930B (zh) | 基于天牛须算法和数学形态学的射线图像焊缝提取方法 | |
| CN113870235B (zh) | 基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法 | |
| CN108804731B (zh) | 基于重要点双重评价因子时间序列趋势特征提取方法 | |
| CN110827235B (zh) | 钢板表面缺陷检测方法 | |
| CN108667684B (zh) | 一种基于局部向量点积密度的数据流异常检测方法 | |
| CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
| CN111598780B (zh) | 一种适用于机载LiDAR点云的地形自适应插值滤波方法 | |
| CN115294159B (zh) | 金属紧固件腐蚀区域分割方法 | |
| CN116091455A (zh) | 基于机器视觉的钢网表面缺陷判定方法 | |
| CN110288571B (zh) | 一种基于图像处理的高铁接触网绝缘子异常检测方法 | |
| CN117689655B (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
| CN104751474A (zh) | 一种级联式快速图像缺陷分割方法 | |
| CN117095009A (zh) | 一种基于图像处理的pvc装饰板缺陷检测方法 | |
| CN116630813A (zh) | 一种公路路面施工质量智能检测系统 | |
| CN117745724B (zh) | 基于视觉分析的石材打磨加工缺陷区域分割方法 | |
| CN115082719A (zh) | 一种木材质量分级方法 | |
| CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
| CN118225803B (zh) | 一种推土机刀片表面外观视觉检测方法 | |
| CN115239617A (zh) | 一种基于分形理论和二次分割的混凝土结构裂缝提取方法 | |
| Mi et al. | Research on steel rail surface defects detection based on improved YOLOv4 network | |
| CN117522864B (zh) | 基于机器视觉的欧松板表面瑕疵检测方法 |
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 |