CN114037701A - 一种基于图像处理的机械零件氢损伤检测方法 - Google Patents
一种基于图像处理的机械零件氢损伤检测方法 Download PDFInfo
- Publication number
- CN114037701A CN114037701A CN202210016823.8A CN202210016823A CN114037701A CN 114037701 A CN114037701 A CN 114037701A CN 202210016823 A CN202210016823 A CN 202210016823A CN 114037701 A CN114037701 A CN 114037701A
- Authority
- CN
- China
- Prior art keywords
- connected domain
- pixel points
- dark
- dark pixel
- uncertain
- 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
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10116—X-ray 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
Description
技术领域
本发明涉及人工智能领域,具体涉及一种基于图像处理的机械零件氢损伤检测方法。
背景技术
氢损伤是指金属中由于含有氢或金属中的某些成分与氢反应,导致金属材料的韧性和塑性性能下降,易使材料开裂或脆断。
白点是氢致开裂的一种,是钢材内部所含有的“内氢”在并无外力作用的情况下氢原子聚集富集形成高伍氢气而引起的,会使钢材的强度、塑性与韧性下降。白点又有两种类型:一种是在钢件中观察到纵向发裂,在其断口上则呈现白点,多呈圆形或椭圆形,且轮廓分明,表面光亮呈银白色,所以又叫做“雪斑”或发裂白点,为不可逆氢脆;另一种白点往往是某些以材料内部的宏观缺陷如气孔、夹渣等为核心的银白色斑点,其形状多数为圆形或椭圆形,又叫做鱼眼白点,为可逆氢脆。
由于两种白点缺陷对零件的损伤差异较大,因此,进行白点缺陷的损伤检测时,需要根据白点缺陷的具体类别进行针对性的分析,获得更可靠的损伤结果。
现阶段对于氢损伤中白点缺陷的检测通常为超声波检测探伤法,即利用超声波探测装置获得回波信号,以确定机械零件的不足之处及存在的具体大小与位置。该方法具有较高的灵敏度,有助于提高缺陷位置的定位精度;但易受到超声波反射和折射等因素的影响,从而发生漏检等问题。
基于白点缺陷和正常部位的灰度差异,本发明采用X射线采集零件缺陷图像,并结合鱼眼白点的数量特征和分布特征进行白点类型的判断,消除图像采集和阈值分割等操作对像素点类别划分以及缺陷类型判断存在的干扰,提高缺陷类别判断的合理性和准确率。
发明内容
为了克服上述现有技术的缺点,本发明的目的是提供一种基于图像处理的机械零件氢损伤检测方法,判断机械零件上白点缺陷的具体类别,据此对其白点缺陷类别进行针对性的修复。
为达到上述目的,本发明采用以下技术方案,一种基于图像处理的机械零件氢损伤检测方法,包括:
S1.对采集到的X射线零件缺陷图像进行处理,获取该图像的二值图,对获取的二值图进行阈值分割和连通域检测,获得白点缺陷的连通域;
S2.对连通域内是否有暗色像素点进行检测,当连通域内无暗色像素点时,该连通域为发裂白点;当连通域内有暗色像素点时,进入S3;
S301.获取每个具有暗色像素点的连通域内暗色像素点的数量和该连通域尺寸;
S302.以具有暗色像素点的连通域尺寸为横坐标,以该连通域内暗色像素点数量为纵坐标,建立坐标系,得到每个具有暗色像素点的连通域的对应坐标;
S303.基于坐标系中的坐标进行曲线拟合,得到一条具有暗色像素点的连通域内暗像素点的数量与该连通域尺寸的曲线;
进一步地,所述根据各个坐标与拟合曲线的关系判断具有暗色像素点的连通域为鱼眼白点是按照如下方法获取:
进一步地,所述不确定连通域内的最终聚集区域是按照如下方法获取:
S401.获得不确定连通域内每个暗色像素点在对应的不确定连通域内的位置信息,根据每个暗色像素点与其他暗色像素点的平均距离,得到中心像素点;
S402.以每个中心像素点为基础进行聚集区域的扩展,获得初始聚集区域;
S403.根据初始聚集区域内非暗色像素点的邻域情况,对初始聚集区域内的非暗色像素点进行修正,获得修正后的聚集区域;
S404.比较不确定连通域中每个修正后的聚集区域内的暗色像素点数量,数量最多的聚集区域为该连通域的最终聚集区域。
进一步地,还包括:
S6,根据S1-S5中判断出的机械零件上白点缺陷类别进行有针对性的修复。
本发明的有益效果是:基于X射线采集图像呈现的白点缺陷和正常部位的灰度差异以及鱼眼白点的数量特征和分布特征提供了一种基于图像处理的机械零件氢损伤检测方法,该方法可以有效的改善现阶段采用超声波检测探伤法检测白点缺陷时由超声波反射和折射等因素造成的漏检等问题,消除了图像采集和阈值分割等操作对像素点类别划分以及缺陷类型判断存在的干扰,极大的提高了机械零件氢损伤白点缺陷类别判断的合理性和准确率。
附图说明
图1是本发明机械零件氢损伤检测方法流程示意图;
图2是本发明符合鱼眼白点数量特征概率判断的流程示意图;
图3是本发明不确定连通域内的最终聚集区域获取示意图。
具体实施方式
为了让本领域技术人员更好地理解本发明,下面结合实施例和附图对本发明进行详细的描述。
实施例一:
如图1本实施例提供了一种基于图像处理的机械零件氢损伤检测方法,所述机械零件氢损伤检测方法包括:
S1.在机械零件进入设备前,采用X射线采集图像并对采集到的零件缺陷图像进行处理,由于缺陷部位和完好部位的透射射线强度不同,底片上相应部位会出现灰度差异,据此获取该图像的二值图。对获取的二值图进行阈值分割和连通域检测,获得白点缺陷的连通域。对于待检测的白点缺陷,一般呈现为边缘清晰、具有银白色光泽的圆形或椭圆形斑点。具体检测方法如下所示:
S101.首先基于X射线对机械零件进行检测,获得表示零件内部结构的射线图像。
S102.对X射线图像进行灰度化处理,并设置灰度阈值T,将低于阈值T的像素点的灰度值设置为0,高于阈值的像素点的灰度值设置为255,即可获得二值图像。其中,阈值T可根据采集图像的实际情况设定,本发明中根据经验值将其设定为T=200。
二值图像中灰度值等于255的像素点即为缺陷像素点。
S103.对于上述二值图像,可通过Two-Pass算法将图像中存在的所有连通域找出并进行标记,并对该连通域进行后续的处理和分析。
与发裂白点相比,鱼眼白点的中心有一暗色核心,该核心为材料内部的宏观缺陷,如气孔、夹渣等。因此,可首先根据连通域中心有无暗色核心来区分发裂白点和鱼眼白点。本实施例首先对连通域中是否存在暗色像素点进行确定,具体如S2所述。
S2.对连通域内是否有暗色像素点进行检测,根据该连通域内是否存在暗色像素点来判断该连通域的缺陷类别,当连通域内无暗色像素点时,该连通域为发裂白点;当连通域内有暗色像素点时,进入S3继续判断连通域的缺陷类别。通过对连通域内的暗色像素点判断之后,能够对连通域中的发裂白点进行初次筛选。
但是,由于图像采集和阈值分割对像素点的类别划分均存在一定的干扰,从而造成判断误差。故基于连通域进行白点类别的检测时,连通域内暗色像素点的分布状态包括多种可能,分别对应不同的判断结果,进行连通域缺陷类别判断时,还需要根据连通域内暗色像素点及其分布状态进行具体分析。
由于鱼眼白点大小同暗色核心的大小相关,核心越大,白点越大。则对于鱼眼白点,其数量特征为连通域内暗色像素点的数量与连通域尺寸大小成正相关;分布特征为暗色像素点集中分布在连通域中心位置处。本实施例中将进一步采用暗色像素点数量得到符合鱼眼白点数量特征的概率来判断白点缺陷类别,具体判断方法如S3所述。
S301.首先将内部有暗色像素点的连通域的数量记为N,用每个连通域的像素点数量表征该连通域的尺寸,并将N个连通域按照尺寸由小到大的顺序分别标号为1,…,N。其中,第个连通域的尺寸记为,第个连通域的暗色像素点数量记为。
S303.基于N个坐标进行曲线拟合,得到一条暗像素点数量与连通域尺寸成正相关的曲线;
对于每个连通域坐标,根据其差值与对应差值阈值之间的关系,确定该连通域符合鱼眼白点数量特征的概率。其中,每个差值阈值与对应连通域的尺寸成正相关,其具体关系可根据实际情况设定,本发明中根据经验值将其设定为。
因此,对所有的连通域,均可进一步获得其对应差值与对应差值阈值的差值,且对所有差值进行归一化可得到对应的归一化值,即越大,对应越大,又的取值范围为(0,1)。故可用表征连通域符合鱼眼白点数量特征的概率值,则,即当1时,该具有暗色像素点的连通域为不确定连通域。
S401.获取不确定连通域内的最终聚集区域,具体方法为:
(1)获得不确定连通域内每个暗色像素点在对应的不确定连通域内的位置信息。
(2)根据每个暗色像素点与其他暗色像素点的平均距离,得到中心像素点:
b)进一步通过其他像素点与第1个中心像素点的距离,判断是否有其他中心像素点,即:
(3)以每个中心像素点为基础进行聚集区域的扩展,获得初始聚集区域:
对于其中第t个中心像素点,将其8邻域像素点中的暗色像素点看作该中心像素点对应的聚集区域的聚集像素点,并以新的聚集像素点为中心,继续将其8邻域内的暗色像素点看作聚集像素点,以此类推不断进行聚集区域的扩展。
即可获得以第t个中心像素点为基础的第t个初始聚集区域;同理,可分别获得以k个中心像素点为基础的初始聚集区域。
(4)若不同中心像素点对应的初始聚集区域有重合像素点,则将有重合部分的初始聚集区域合并为一个初始聚集区域。
(5)根据初始聚集区域内非暗色像素点的邻域情况,对初始聚集区域内的非暗色像素点进行修正,获得修正后的聚集区域:
获得初始聚集区域的边缘像素点,对边缘像素点所围成的闭合区域内部的非暗色像素点,若其8邻域内有6个及以上像素点为暗色像素点,则将该非暗色像素点修正为暗色像素点。
对一个非暗色像素点进行修正后,重新获取其他非暗色像素点8邻域内像素点的类别信息,并进行修正判定。以此类推,完成初始聚集区域的修正,得到修正后的聚集区域。最大限度的提高连通域内像素点类别判断的可靠性和准确性。
(6)比较不确定连通域中每个修正后的聚集区域内的暗色像素点数量,数量最多的聚集区域为该连通域的最终聚集区域。
S6.依据上述S1-S5中获得的机械零件上白点缺陷类别,进一步确定该白点缺陷对零件的损伤程度,并针对性地决定对该零件的修复操作,具体方法为:
其中,鱼眼白点为可逆损伤,发裂白点为不可逆损伤,因此鱼眼白点可直接进行修复操作,发裂白点则需根据其损伤程度的大小判断是否对其进行修复操作。
以上实施例仅仅是对本发明的举例说明,并不构成对本发明的保护范围的限制,凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (9)
1.一种基于图像处理的机械零件氢损伤检测方法,其特征在于,包括如下方法:
S1.对采集到的X射线零件缺陷图像进行处理,获取该图像的二值图,对获取的二值图进行阈值分割和连通域检测,获得白点缺陷的连通域;
S2.对连通域内是否有暗色像素点进行检测,当连通域内无暗色像素点时,该连通域为发裂白点;当连通域内有暗色像素点时,进入S3;
5.根据权利要求1所述的一种基于图像处理的机械零件氢损伤检测方法,其特征在于,所述不确定连通域内的最终聚集区域是按照如下方法获取:
S401.获得不确定连通域内每个暗色像素点在对应的不确定连通域内的位置信息,根据每个暗色像素点与其他暗色像素点的平均距离,得到中心像素点;
S402.以每个中心像素点为基础进行聚集区域的扩展,获得初始聚集区域;
S403.根据初始聚集区域内非暗色像素点的邻域情况,对初始聚集区域内的非暗色像素点进行修正,获得修正后的聚集区域;
S404.比较不确定连通域中每个修正后的聚集区域内的暗色像素点数量,数量最多的聚集区域为该连通域的最终聚集区域。
9.根据权利要求1所述的一种基于图像处理的机械零件氢损伤检测方法,其特征在于,还包括:
S6,根据S1-S5中判断出的机械零件上白点缺陷类别进行有针对性的修复。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210016823.8A CN114037701B (zh) | 2022-01-08 | 2022-01-08 | 一种基于图像处理的机械零件氢损伤检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210016823.8A CN114037701B (zh) | 2022-01-08 | 2022-01-08 | 一种基于图像处理的机械零件氢损伤检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114037701A true CN114037701A (zh) | 2022-02-11 |
CN114037701B CN114037701B (zh) | 2022-04-05 |
Family
ID=80141393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210016823.8A Active CN114037701B (zh) | 2022-01-08 | 2022-01-08 | 一种基于图像处理的机械零件氢损伤检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114037701B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114833648A (zh) * | 2022-04-24 | 2022-08-02 | 启东市申力高压油泵厂 | 液压泵轴承磨削工艺中的表面损伤识别及磨削控制方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030099330A1 (en) * | 2000-02-05 | 2003-05-29 | Domingo Mery | Method for automatically detecting casting defects in a test piece |
CN102175700A (zh) * | 2011-01-20 | 2011-09-07 | 山东大学 | 数字x射线图像焊缝分割和缺陷检测方法 |
CN106956108A (zh) * | 2017-03-13 | 2017-07-18 | 南京浩康有色金属设备有限公司 | 一种焊管生产工艺方法 |
US20180301071A1 (en) * | 2017-04-18 | 2018-10-18 | Samsung Display Co., Ltd. | System and method for white spot mura detection |
CN109934808A (zh) * | 2019-03-04 | 2019-06-25 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于图像多形状法向梯度差值pcb板缺陷分类方法 |
CN110544243A (zh) * | 2019-08-28 | 2019-12-06 | 中国兵器科学研究院宁波分院 | 一种ct图像小缺陷自动检出、定量及可靠性评价方法 |
CN112381826A (zh) * | 2021-01-15 | 2021-02-19 | 中科慧远视觉技术(北京)有限公司 | 边缘缺陷图像的二值化方法 |
CN113436102A (zh) * | 2021-06-28 | 2021-09-24 | 南京艾提瑞精密机械有限公司 | 一种加工零件表面缺陷检测方法 |
CN113689428A (zh) * | 2021-10-25 | 2021-11-23 | 江苏南通元辰钢结构制造有限公司 | 基于图像处理的机械零件应力腐蚀检测方法及系统 |
-
2022
- 2022-01-08 CN CN202210016823.8A patent/CN114037701B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030099330A1 (en) * | 2000-02-05 | 2003-05-29 | Domingo Mery | Method for automatically detecting casting defects in a test piece |
CN102175700A (zh) * | 2011-01-20 | 2011-09-07 | 山东大学 | 数字x射线图像焊缝分割和缺陷检测方法 |
CN106956108A (zh) * | 2017-03-13 | 2017-07-18 | 南京浩康有色金属设备有限公司 | 一种焊管生产工艺方法 |
US20180301071A1 (en) * | 2017-04-18 | 2018-10-18 | Samsung Display Co., Ltd. | System and method for white spot mura detection |
CN109934808A (zh) * | 2019-03-04 | 2019-06-25 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于图像多形状法向梯度差值pcb板缺陷分类方法 |
CN110544243A (zh) * | 2019-08-28 | 2019-12-06 | 中国兵器科学研究院宁波分院 | 一种ct图像小缺陷自动检出、定量及可靠性评价方法 |
CN112381826A (zh) * | 2021-01-15 | 2021-02-19 | 中科慧远视觉技术(北京)有限公司 | 边缘缺陷图像的二值化方法 |
CN113436102A (zh) * | 2021-06-28 | 2021-09-24 | 南京艾提瑞精密机械有限公司 | 一种加工零件表面缺陷检测方法 |
CN113689428A (zh) * | 2021-10-25 | 2021-11-23 | 江苏南通元辰钢结构制造有限公司 | 基于图像处理的机械零件应力腐蚀检测方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114833648A (zh) * | 2022-04-24 | 2022-08-02 | 启东市申力高压油泵厂 | 液压泵轴承磨削工艺中的表面损伤识别及磨削控制方法 |
CN114833648B (zh) * | 2022-04-24 | 2023-11-28 | 启东市申力高压油泵厂 | 液压泵轴承磨削工艺中的表面损伤识别及磨削控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114037701B (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113362326B (zh) | 一种电池焊点缺陷的检测方法及装置 | |
CN115423813B (zh) | 焊管表面焊接缺陷检测方法 | |
CN115511889B (zh) | 一种太阳能电池板支架表面焊接缺陷检测方法 | |
CN110163853A (zh) | 一种边缘缺陷的检测方法 | |
CN115690108B (zh) | 一种基于图像处理的铝合金杆生产质量评估方法 | |
KR102613277B1 (ko) | 표면 결함 검출 방법, 표면 결함 검출 장치, 강재의 제조 방법, 강재의 품질 관리 방법, 강재의 제조 설비, 표면 결함 판정 모델의 생성 방법 및, 표면 결함 판정 모델 | |
CN110443278B (zh) | 一种太阳能电池片栅线粗细异常的检测方法、装置及设备 | |
CN103778624A (zh) | 一种基于最优阈值分割的织物疵点检测方法 | |
CN115330645B (zh) | 一种焊接图像增强方法 | |
CN116993744B (zh) | 一种基于阈值分割的焊缝缺陷检测方法 | |
CN114037701B (zh) | 一种基于图像处理的机械零件氢损伤检测方法 | |
CN115984272B (zh) | 基于计算机视觉的半挂车车桥缺陷识别方法 | |
CN111667470B (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
CN115861307B (zh) | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 | |
CN109239073A (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
CN115049736A (zh) | 用于电缆表面缺陷精准定位的方法 | |
CN117095004A (zh) | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 | |
CN114972397A (zh) | 一种用于风电叶片复合材料的红外图像缺陷轮廓检测方法 | |
CN116777911A (zh) | 一种基于图像识别的双基板散热器表面缺陷检测系统 | |
CN115880280A (zh) | 一种钢结构焊缝质量的检测方法 | |
CN103177426B (zh) | 一种基于形态学的强干扰激光边缘图像修复方法 | |
CN114937004A (zh) | 一种基于计算机视觉的机械零件表面气孔缺陷检测方法 | |
CN114677348A (zh) | 一种基于视觉的ic芯片缺陷的检测方法、系统和存储介质 | |
CN117152129B (zh) | 一种电池盖板的表面缺陷视觉检测方法及系统 | |
US11913912B2 (en) | Hole expansion ratio testing device, hole expansion ratio testing method, and operating program |
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 |