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 PDF

Info

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
Application number
CN202210016823.8A
Other languages
English (en)
Other versions
CN114037701B (zh
Inventor
金杰
谢辉
李斯伟
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.)
Jiangsu Nantong Yuanchen Steel Structure Manufacturing Co ltd
Original Assignee
Jiangsu Nantong Yuanchen Steel Structure Manufacturing 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 Jiangsu Nantong Yuanchen Steel Structure Manufacturing Co ltd filed Critical Jiangsu Nantong Yuanchen Steel Structure Manufacturing Co ltd
Priority to CN202210016823.8A priority Critical patent/CN114037701B/zh
Publication of CN114037701A publication Critical patent/CN114037701A/zh
Application granted granted Critical
Publication of CN114037701B publication Critical patent/CN114037701B/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
    • 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

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，包括：对采集到的X射线零件缺陷图像进行处理，通过获取二值图得到白点缺陷的连通域；对连通域内有无暗色像素点进行检测，若无暗色像素点，该连通域为发裂白点；若有暗色像素点，则获取有暗色像素点连通域中的暗色像素点数量，据此得到符合鱼眼白点数量特征的概率
Figure 100004_DEST_PATH_IMAGE002
，结合
Figure 764760DEST_PATH_IMAGE002
对其对应连通域的白点缺陷类别进行再次判断；结合最终聚集区域内暗色像素点的数量特征和分布特征概率获得该连通域为鱼眼白点的概率
Figure 100004_DEST_PATH_IMAGE004
；根据
Figure 300915DEST_PATH_IMAGE004
对不确定连通域的白点缺陷类别进行判断。通过上述方法能够有效判断机械零件氢损伤白点缺陷类别，极大提高缺陷类别判断的合理性和准确率。

Description

一种基于图像处理的机械零件氢损伤检测方法
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；
S3.获取具有暗色像素点的连通域中的暗色像素点数量，根据获取的暗色像素点数量得到符合鱼眼白点数量特征的概率
Figure 100002_DEST_PATH_IMAGE002
，根据
Figure 347497DEST_PATH_IMAGE002
对其对应的具有暗色像素点连通域的白点缺陷类别进行再次判断；
S4. 根据S3判断出的不确定连通域，得到该不确定连通域内暗色像素点的最终聚集区域，根据最终聚集区域内暗色像素点的数量特征和分布特征概率获得不确定连通域为鱼眼白点的概率
Figure 100002_DEST_PATH_IMAGE004
；
S5.根据
Figure 14101DEST_PATH_IMAGE004
对不确定连通域的白点缺陷类别进行判断。
进一步地，所述S3中概率
Figure 561757DEST_PATH_IMAGE002
是按照如下方式获取：
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；
S304.根据各个坐标点与拟合曲线的关系，判断具有暗色像素点的连通域符合鱼眼白点数量特征的概率
Figure 100002_DEST_PATH_IMAGE006
。
进一步地，当S3中的
Figure 495953DEST_PATH_IMAGE006
=0，该具有暗色像素点的连通域为发裂白点；当S3中的
Figure 736441DEST_PATH_IMAGE006
=1，该具有暗色像素点的连通域为鱼眼白点；当
Figure 100002_DEST_PATH_IMAGE008
1时，该具有暗色像素点的连通域为不确定连通域。
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：
当具有暗色像素点的连通域的对应坐标位于拟合曲线上，则
Figure 624763DEST_PATH_IMAGE006
=1，该具有暗色像素点的连通域的白点缺陷为鱼眼白点；
当具有暗色像素点的连通域的对应坐标未在拟合曲线上，按照未在拟合曲线上的坐标点与该坐标点对应在拟合曲线上的纵坐标差值
Figure 100002_DEST_PATH_IMAGE010
与对应差值阈值
Figure 100002_DEST_PATH_IMAGE012
之间的关系得到
Figure 913793DEST_PATH_IMAGE006
；
若
Figure 100002_DEST_PATH_IMAGE014
，则
Figure 705425DEST_PATH_IMAGE006
=0，该具有暗色像素点的连通域为发裂白点；
若
Figure 100002_DEST_PATH_IMAGE016
，获得其对应差值
Figure 100002_DEST_PATH_IMAGE018
与对应差值阈值
Figure 100002_DEST_PATH_IMAGE020
的差值
Figure 100002_DEST_PATH_IMAGE022
，且对所有差值
Figure 100002_DEST_PATH_IMAGE024
进行归一化处理得到
Figure 461022DEST_PATH_IMAGE024
的归一化值
Figure 100002_DEST_PATH_IMAGE026
，即
Figure 100002_DEST_PATH_IMAGE028
。
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，所述不确连通域
Figure 100002_DEST_PATH_IMAGE030
的计算方法：
Figure 100002_DEST_PATH_IMAGE032
式中：
Figure 100002_DEST_PATH_IMAGE034
为不确定连通域的最终聚集区域符合鱼眼白点数量特征的概率；
Figure 100002_DEST_PATH_IMAGE036
不确定连通域的最终聚集区域符合鱼眼白点分布特征的概率。
进一步地，所述
Figure 882645DEST_PATH_IMAGE034
的表达式为：
Figure 100002_DEST_PATH_IMAGE038
式中：
Figure 211252DEST_PATH_IMAGE006
为根据获取的暗色像素点数量得到符合鱼眼白点数量特征的概率；
Figure 100002_DEST_PATH_IMAGE040
为不确定连通域对应的最终聚集区域的暗色像素点数量；
Figure 100002_DEST_PATH_IMAGE042
为不确定连通域内暗色像素点的数量；
Figure 90346DEST_PATH_IMAGE036
的表达式为：
Figure 100002_DEST_PATH_IMAGE044
式中：
Figure 100002_DEST_PATH_IMAGE046
为以不确定连通域中心点为圆心，以
Figure 100002_DEST_PATH_IMAGE048
为半径作圆，与该连通域对应的最终聚集区域的相交像素点数量；
Figure 46539DEST_PATH_IMAGE040
为不确定连通域对应的最终聚集区域的暗色像素点数量。
进一步地，当
Figure 100002_DEST_PATH_IMAGE050
，则该不确定连通域对应的白点缺陷类别为鱼眼白点，当
Figure 100002_DEST_PATH_IMAGE052
，则该不确定连通域对应的白点缺陷类别为发裂白点 。
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
Figure 378294DEST_PATH_IMAGE002
来判断白点缺陷类别，具体判断方法如S3所述。
S3.获取具有暗色像素点的连通域中的暗色像素点数量，根据获取的暗色像素点数量得到符合鱼眼白点数量特征的概率
Figure 71444DEST_PATH_IMAGE002
，根据
Figure 601782DEST_PATH_IMAGE002
对其对应的具有暗色像素点连通域的白点缺陷类别进行再次判断。具体方法为：
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
Figure DEST_PATH_IMAGE054
个连通域的尺寸记为
Figure DEST_PATH_IMAGE056
，第
Figure 794122DEST_PATH_IMAGE054
个连通域的暗色像素点数量记为
Figure DEST_PATH_IMAGE058
。
S302.对于每个连通域，以连通域尺寸
Figure 144332DEST_PATH_IMAGE056
为横坐标，暗色像素点数量
Figure 641173DEST_PATH_IMAGE058
为纵坐标，获得每个连通域的对应坐标
Figure DEST_PATH_IMAGE060
。
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；
S304.根据各个坐标点与拟合曲线的关系，判断其对应连通域符合鱼眼白点数量特征的概率
Figure 760438DEST_PATH_IMAGE006
：
当具有暗色像素点的连通域的对应坐标位于拟合曲线上，即
Figure 917488DEST_PATH_IMAGE006
=1，该具有暗色像素点的连通域的白点缺陷为鱼眼白点。
当具有暗色像素点的连通域的对应坐标未在拟合曲线上，按照未在拟合曲线上的坐标点与该坐标点对应在拟合曲线上的纵坐标差值
Figure 286152DEST_PATH_IMAGE010
与对应差值阈值
Figure 321105DEST_PATH_IMAGE012
之间的关系得到
Figure 91614DEST_PATH_IMAGE006
。
可知获得该类坐标点与拟合曲线上对应点的纵坐标差值
Figure 921030DEST_PATH_IMAGE010
，差值越大，对应的概率
Figure 776991DEST_PATH_IMAGE006
值越小。其中，对应点为拟合曲线上与待判断坐标点具有相同横坐标即相同连通域尺寸的坐标点。
对于每个连通域坐标，根据其差值
Figure 615634DEST_PATH_IMAGE010
与对应差值阈值
Figure 975071DEST_PATH_IMAGE012
之间的关系，确定该连通域符合鱼眼白点数量特征的概率
Figure 832230DEST_PATH_IMAGE006
。其中，每个差值阈值
Figure 909907DEST_PATH_IMAGE012
与对应连通域的尺寸
Figure 552241DEST_PATH_IMAGE056
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
Figure DEST_PATH_IMAGE062
。
若
Figure 500606DEST_PATH_IMAGE014
，则该连通域不符合鱼眼白点的数量特征，即
Figure DEST_PATH_IMAGE064
，该具有暗色像素点的连通域的白点缺陷为发裂白点。
若
Figure DEST_PATH_IMAGE066
，则差值
Figure 875086DEST_PATH_IMAGE010
与差值阈值
Figure 938595DEST_PATH_IMAGE012
的差距越大，即其符合鱼眼白点数量特征的概率越大。
因此，对所有
Figure 119041DEST_PATH_IMAGE066
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
Figure DEST_PATH_IMAGE068
，且对所有差值
Figure DEST_PATH_IMAGE070
进行归一化可得到对应的归一化值
Figure 390753DEST_PATH_IMAGE026
，即
Figure DEST_PATH_IMAGE072
越大，对应
Figure 467294DEST_PATH_IMAGE006
越大，又
Figure 519563DEST_PATH_IMAGE072
的取值范围为（0,1）。故可用
Figure 739585DEST_PATH_IMAGE072
表征连通域
Figure 193700DEST_PATH_IMAGE054
符合鱼眼白点数量特征的概率值
Figure 972301DEST_PATH_IMAGE006
，则
Figure DEST_PATH_IMAGE074
，即当
Figure 980708DEST_PATH_IMAGE008
1时，该具有暗色像素点的连通域为不确定连通域。
综合S304可知：若
Figure 502956DEST_PATH_IMAGE064
，该具有暗色像素点的连通域为发裂白点；若
Figure DEST_PATH_IMAGE076
，该具有暗色像素点的连通域为鱼眼白点；若
Figure 280419DEST_PATH_IMAGE008
1时，该具有暗色像素点的连通域为不确定连通域。
S4.根据S3判断出的不确定连通域，得到该不确定连通域内暗色像素点的最终聚集区域，根据最终聚集区域内暗色像素点的数量特征和分布特征概率获得不确定连通域鱼眼白点的概率
Figure 728456DEST_PATH_IMAGE004
。
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：
a）按照平均距离由小到大的顺序对暗色像素点进行排序，则第1个平均距离
Figure DEST_PATH_IMAGE078
为平均距离中的最小值，其对应的暗色像素点即为中心像素点。
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：
将第2个到第K个平均距离对应的K-1个暗色像素点作为中心像素点的候选像素点。其中，K与该连通域中的暗色像素点数量
Figure 958580DEST_PATH_IMAGE058
成正相关，其具体关系可根据实际情况进行设定，本发明中根据经验值将其设定为
Figure DEST_PATH_IMAGE080
。
分别获得K-1个候选像素点与第1个中心像素点的距离，其中第j个候选像素点对应距离为
Figure DEST_PATH_IMAGE082
：
若
Figure DEST_PATH_IMAGE084
，则该候选像素点j与第1个中心像素点的距离较远，可将候选像素点j同样作为中心像素点，即可获得k个中心像素点，作为后续聚集区域的扩展基础。
（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。
S402.根据最终聚集区域的暗色像素点数量以及与连通域中心区域的位置关系，获得不确定连通域最终聚集区域符合鱼眼白点概率
Figure 691044DEST_PATH_IMAGE004
的计算方法如下：
Figure DEST_PATH_IMAGE032A
式中：
Figure 293320DEST_PATH_IMAGE034
为不确定连通域的最终聚集区域符合鱼眼白点数量特征的概率；
Figure 413723DEST_PATH_IMAGE036
不确定连通域的最终聚集区域符合鱼眼白点分布特征的概率。
其中，结合不确定连通域符合鱼眼白点数量特征的概率
Figure 927881DEST_PATH_IMAGE006
，获得该连通域的最终聚集区域符合鱼眼白点数量特征的概率
Figure 995194DEST_PATH_IMAGE034
的表达式为：
Figure DEST_PATH_IMAGE038A
式中：
Figure 449047DEST_PATH_IMAGE006
为根据获取的暗色像素点数量得到符合鱼眼白点数量特征的概率；
Figure 5930DEST_PATH_IMAGE040
为不确定连通域对应的最终聚集区域的暗色像素点数量；
Figure 741805DEST_PATH_IMAGE042
为不确定连通域内暗色像素点的数量；
根据该不确定连通域的横坐标
Figure DEST_PATH_IMAGE086
获得其在拟合曲线上的对应纵坐标
Figure DEST_PATH_IMAGE088
，结合最终聚集区域与连通域中心的位置关系，获得其符合鱼眼白点分布特征概率
Figure 612809DEST_PATH_IMAGE036
的表达式为：
Figure DEST_PATH_IMAGE044A
式中：
Figure 924098DEST_PATH_IMAGE046
为以不确定连通域中心点为圆心，以
Figure 651882DEST_PATH_IMAGE048
为半径作圆，与该连通域对应的最终聚集区域的相交像素点数量；
Figure 875053DEST_PATH_IMAGE040
为不确定连通域对应的最终聚集区域的暗色像素点数量。
S5.根据
Figure 80907DEST_PATH_IMAGE004
对每个不确定连通域的白点缺陷类别进行判断：
当
Figure 73133DEST_PATH_IMAGE050
，则该不确定连通域对应的白点缺陷类别为鱼眼白点，
当
Figure 971819DEST_PATH_IMAGE052
，则该不确定连通域对应的白点缺陷类别为发裂白点 。
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：
根据鱼眼白点对应的连通域尺寸之和与图像中的零件表面尺寸来表征鱼眼白点对该零件的损伤程度
Figure DEST_PATH_IMAGE090
，根据发裂白点对应的连通域尺寸之和与图像中的零件表面尺寸来表征发裂白点对该零件的损伤程度
Figure DEST_PATH_IMAGE092
。
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。
设置损伤程度阈值
Figure DEST_PATH_IMAGE094
，阈值可根据实际情况进行设定，本发明中根据经验值将其设定为
Figure DEST_PATH_IMAGE096
。
根据发裂白点的损伤程度
Figure 525029DEST_PATH_IMAGE092
，判断对该零件的后续操作：
若
Figure DEST_PATH_IMAGE098
，则该零件的不可逆损伤程度过大，针对可逆白点缺陷进行修复的性价比不高，因此，不对其采取修复措施；
若
Figure DEST_PATH_IMAGE100
，则该零件的不可逆损伤程度较小，可对其针对可逆白点缺陷进行修复，且修复力度与可逆白点缺陷即鱼眼白点的损伤程度
Figure 737836DEST_PATH_IMAGE090
成正相关。
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；
S3.获取具有暗色像素点的连通域中的暗色像素点数量，根据获取的暗色像素点数量得到符合鱼眼白点数量特征的概率
Figure DEST_PATH_IMAGE002
，根据
Figure 923011DEST_PATH_IMAGE002
对其对应的具有暗色像素点连通域的白点缺陷类别进行再次判断；
S4.根据S3判断出的不确定连通域，得到该不确定连通域内暗色像素点的最终聚集区域，根据最终聚集区域内暗色像素点的数量特征和分布特征概率获得不确定连通域为鱼眼白点的概率
Figure DEST_PATH_IMAGE004
；
S5.根据
Figure 122305DEST_PATH_IMAGE004
对不确定连通域的白点缺陷类别进行判断。
2.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S3中概率
Figure 592600DEST_PATH_IMAGE002
是按照如下方式获取：
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；
S304.根据各个坐标点与拟合曲线的关系，判断具有暗色像素点的连通域符合鱼眼白点数量特征的概率
Figure DEST_PATH_IMAGE006
。
3.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，当S3中的
Figure 666867DEST_PATH_IMAGE006
=0，该具有暗色像素点的连通域为发裂白点；当S3中的
Figure 975226DEST_PATH_IMAGE006
=1，该具有暗色像素点的连通域为鱼眼白点；当
Figure DEST_PATH_IMAGE008
1时，该具有暗色像素点的连通域为不确定连通域。
4.根据权利要求2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：
当具有暗色像素点的连通域的对应坐标位于拟合曲线上，则
Figure 109535DEST_PATH_IMAGE006
=1，该具有暗色像素点的连通域的白点缺陷为鱼眼白点；
当具有暗色像素点的连通域的对应坐标未在拟合曲线上，按照未在拟合曲线上的坐标点与该坐标点对应在拟合曲线上的纵坐标差值
Figure DEST_PATH_IMAGE010
与对应差值阈值
Figure DEST_PATH_IMAGE012
之间的关系得到
Figure 178379DEST_PATH_IMAGE006
；
若
Figure DEST_PATH_IMAGE014
，则
Figure 790757DEST_PATH_IMAGE006
=0，该具有暗色像素点的连通域为发裂白点；
若
Figure DEST_PATH_IMAGE016
，获得其对应差值
Figure DEST_PATH_IMAGE018
与对应差值阈值
Figure DEST_PATH_IMAGE020
的差值
Figure DEST_PATH_IMAGE022
，且对所有差值
Figure DEST_PATH_IMAGE024
进行归一化处理得到
Figure 268137DEST_PATH_IMAGE024
的归一化值
Figure DEST_PATH_IMAGE026
，即
Figure DEST_PATH_IMAGE028
。
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。
6.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，所述不确连通域
Figure DEST_PATH_IMAGE030
的计算方法：
Figure DEST_PATH_IMAGE032
式中：
Figure DEST_PATH_IMAGE034
为不确定连通域的最终聚集区域符合鱼眼白点数量特征的概率；
Figure DEST_PATH_IMAGE036
不确定连通域的最终聚集区域符合鱼眼白点分布特征的概率。
7.根据权利要求6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
Figure 760298DEST_PATH_IMAGE034
的表达式为：
Figure DEST_PATH_IMAGE038
式中：
Figure 39140DEST_PATH_IMAGE006
为根据获取的暗色像素点数量得到符合鱼眼白点数量特征的概率；
Figure DEST_PATH_IMAGE040
为不确定连通域对应的最终聚集区域的暗色像素点数量；
Figure DEST_PATH_IMAGE042
为不确定连通域内暗色像素点的数量；
Figure 953744DEST_PATH_IMAGE036
的表达式为：
Figure DEST_PATH_IMAGE044
式中：
Figure DEST_PATH_IMAGE046
为以不确定连通域中心点为圆心，以
Figure DEST_PATH_IMAGE048
为半径作圆，与该连通域对应的最终聚集区域的相交像素点数量；
Figure 849412DEST_PATH_IMAGE040
为不确定连通域对应的最终聚集区域的暗色像素点数量。
8.根据权利要求1或6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，当
Figure DEST_PATH_IMAGE050
，则该不确定连通域对应的白点缺陷类别为鱼眼白点，当
Figure DEST_PATH_IMAGE052
，则该不确定连通域对应的白点缺陷类别为发裂白点 。
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。
CN202210016823.8A 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 Active CN114037701B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (9)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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