CN114092682A - 基于机器学习的小金具类缺陷检测算法 - Google Patents

基于机器学习的小金具类缺陷检测算法 Download PDF

Info

Publication number
CN114092682A
CN114092682A CN202111319488.0A CN202111319488A CN114092682A CN 114092682 A CN114092682 A CN 114092682A CN 202111319488 A CN202111319488 A CN 202111319488A CN 114092682 A CN114092682 A CN 114092682A
Authority
CN
China
Prior art keywords
image
carrying
hardware fitting
defect detection
machine learning
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.)
Pending
Application number
CN202111319488.0A
Other languages
English (en)
Inventor
张永谦
高嵩
王敏珍
倪虹霞
李成
赵立英
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.)
Tieling Power Supply Co Of State Grid Liaoning Electric Power Co ltd
Changchun Institute of Applied Chemistry of CAS
State Grid Corp of China SGCC
Original Assignee
Tieling Power Supply Co Of State Grid Liaoning Electric Power Co ltd
Changchun Institute of Applied Chemistry of CAS
State Grid Corp of China SGCC
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 Tieling Power Supply Co Of State Grid Liaoning Electric Power Co ltd, Changchun Institute of Applied Chemistry of CAS, State Grid Corp of China SGCC filed Critical Tieling Power Supply Co Of State Grid Liaoning Electric Power Co ltd
Priority to CN202111319488.0A priority Critical patent/CN114092682A/zh
Publication of CN114092682A publication Critical patent/CN114092682A/zh
Pending legal-status Critical Current

Links

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提供基于机器学习的小金具类缺陷检测算法，涉及金具类缺陷技术领域，包括取合适的光源，调整被测金具与光源的距离，对被测金具进行图像采集，对采集的图像进行光照的矫正使采集的图像增强，对增强后的图像进行去燥处理，并结合三维块匹配算法再次进行优化去噪，处理后的图像进行二值化处理，处理后的图像分为光斑图和背景图，将检测的图像与原有的图像对比，并进行标记保存，实现了提高了缺陷检测的精度，过程简单，可直观的将缺陷的部分进行标注，便于检测者通过显示器进行查看，提高了检测结果的效率。

Description

基于机器学习的小金具类缺陷检测算法
技术领域
本发明涉及金具类缺陷检测技术领域，具体为基于机器学习的小金具类缺陷检测算法。
背景技术
专利号为CN202010393940.7，基于级联目标检测的输电线路金具缺陷检测方法及系统，包括：使用训练好的第一目标检测模型，对输电线路图像进行连接区域检测，将检测到的连接区域切割出来；将面积大小满足预设条件的n个连接区域作为待识别图像；使用训练好的第二目标检测模型，对待识别图像进行细小金具缺陷检测，获取到待识别图像上细小金具缺陷的坐标；根据待识别图像的坐标与原图坐标的映射关系，将细小金具缺陷在原图进行显示，本发明对于输电线路细小金具的小目标的识别检测，采用了级联目标检测算法深度卷积神经网络，先对输电线路图像中连接区域进行识别，再对连接区域识别细小金具的缺陷情况，显著提升细小金具缺陷检测精度。
专利号为CN202011224823.4，一种基于机器视觉的金属板材表面缺陷检测方法，涉及数字图像处理技术领域。将红色条纹光投射到板材表面，使凹坑、凸起、划痕等缺陷被突显出来，使用CCD摄像机采集条纹投影图像；将彩色图像分解，突显光源的色彩信息，突显光源的色彩信息；提取条纹中心，通过算法判断线条的畸变情况，反映缺陷的大小。采用条纹的打光方式，消除镜面反射效应影响的同时，能够增强对板材表面缺陷的显现力，得到具有高质量的缺陷图像。针对不同类型、不同形态、不同位置的板材缺陷，检出效果100％适应，说明此方式适应于金属板材表面缺陷检测。
上述专利中都介绍了通过图像识别的方法对被测物件的缺陷检测方法，但是检测过程较为复杂，在检测缺陷时图像中的噪音和亮度等问题会直接影响物件缺陷的分析和判断，导致缺陷检测不精准。
发明内容
解决的技术问题
针对现有技术的不足，本发明提供了基于机器学习的小金具类缺陷检测算法，解决了有效的对采集的图像进行预处理，提高了小金具缺陷检测的精确度，可直观的将图像显示便于查看。
技术方案
为实现以上目的，本发明通过以下技术方案予以实现：基于机器学习的小金具类缺陷检测算法，包括如下步骤：
Sp1：图像采集：选取合适的光源，调整被测金具与光源的距离，对被测金具进行图像采集；
Sp2：图像增强：对采集的图像进行光照的矫正使采集的图像增强；
Sp3：图像优化：对增强后的图像进行去燥处理，并结合三维块匹配算法再次进行优化去噪；
Sp4：二值化处理：处理后的图像进行二值化处理，处理后的图像分为光斑图和背景图；
Sp5：标记保存：将检测的图像与原有的图像对比，并进行标记保存。
优选的，所述二级灯管为选取光源，二级灯管为80-120颗发光二级管均分排列组成，每个二级管的发光方向为120°，调整被测金具与光源到合适的位置，所述工业数字相机为被测金具图像采集设备，采集被测金具图像。
优选的，所述对采集的图像进行光照分量估值，得出光照分量的表达式，应用二维伽马函数根据光照的分布特征进行自适应的调整，并且通过图像灰度化对图像进行图像增加处理，估值采集后图像光照分量的计值。
优选的，所述I为采集的图像、(x,y)为图像像素的坐标、G(x,y,σ)为高斯函数，L(x,y,σ)为图像的尺度空间，
Figure BDA0003345036860000021
为卷积运算；
Figure BDA0003345036860000031
Figure BDA0003345036860000032
最终得到光照分量公式为：
Figure BDA0003345036860000033
光照分布自适应调整公式中M(x,y)为矫正后图像的亮度值，γ为亮度增强的参数，m为光照分量的均值；
Figure BDA0003345036860000034
调节处不同的加权参数对图像进行灰度化处理；
I(x,y)＝0.3*IR(x,y)+0.59*IG(x,y)+0.11*IB(x,y)。
优选的，所述图像增强处理后的图像块进行分组，空间域内搜索图像的相似块，而在频域内对相似块应用三维变换同时进行滤波综合去噪处理；
去噪处理公式为：
Figure BDA0003345036860000035
Figure BDA0003345036860000036
Figure BDA0003345036860000037
优选的，所述二值化处理后的图像分为两部份区域，一部分为光斑图，除光斑图以外的部分为背景图，对光斑图的每个部分进行质量分析，包括区域面积和形状，将分析后的光斑图与原始采集的图像进行对比，并将两组图像不同的地方进行标注保存。
有益效果
本发明提供了基于机器学习的小金具类缺陷检测算法。具备以下有益效果：
1、本发明通过使用视觉处理方法计算被测金具的缺陷，对原始采集的被测金具图像进行增强处理，使图像的亮度以及彩色度得到大大的提升，便于后期的检测，并将图像进行去噪处理，去噪处理时与三维块匹配算法进行融合，实现了空间区域去噪，使图像总噪声去除比较彻底，降噪速度快，实现了降低了最终对被测金具缺陷判断的误差，提高了缺陷检测的精度，有效的对采集的图像进行预处理，过程简单。
2、本发明通对增加二值化处理，二值化处理对处理后的图片待检测区域进行质量的分析，并将处理后的图片与原有的图片进行对比，将两组不同的部分进行标注并保存，便于检测者通过显示器进行查看，可直观的将缺陷的部分进行标注，便于检测者通过显示器进行查看，提高了检测结果的效率。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
如图1所示，本发明实施例提供基于机器学习的小金具类缺陷检测算法，包括如下步骤：
Sp1：图像采集：选取合适的光源，调整被测金具与光源的距离，对被测金具进行图像采集；
Sp2：图像增强：对采集的图像进行光照的矫正使采集的图像增强；
Sp3：图像优化：对增强后的图像进行去燥处理，并结合三维块匹配算法再次进行优化去噪；
Sp4：二值化处理：处理后的图像进行二值化处理，处理后的图像分为光斑图和背景图；
Sp5：标记保存：将检测的图像与原有的图像对比，并进行标记保存。
实施例二：
如图1所示，二级灯管为选取光源，二级灯管为80-120颗发光二级管均分排列组成，每个二级管的发光方向为120°，调整被测金具与光源到合适的位置，工业数字相机为被测金具图像采集设备，采集被测金具图像，对采集的图像进行光照分量估值，得出光照分量的表达式，应用二维伽马函数根据光照的分布特征进行自适应的调整，并且通过图像灰度化对图像进行图像增加处理估值采集后图像光照分量的计值，I为采集的图像、(x,y)为图像像素的坐标、G(x,y,σ)为高斯函数，L(x,y,σ)为图像的尺度空间，
Figure BDA0003345036860000051
为卷积运算；
Figure BDA0003345036860000052
Figure BDA0003345036860000053
最终得到光照分量公式为：
Figure BDA0003345036860000054
光照分布自适应调整公式中M(x,y)为矫正后图像的亮度值，γ为亮度增强的参数，m为光照分量的均值；
Figure BDA0003345036860000055
调节处不同的加权参数对图像进行灰度化处理；
I(x,y)＝0.3*IR(x,y)+0.59*IG(x,y)+0.11*IB(x,y)。
图像增强处理后的图像块进行分组，空间域内搜索图像的相似块，而在频域内对相似块应用三维变换同时进行滤波综合去噪处理，三维块匹配时将图像分割成诸多相等尺寸的小像素片，从中选择出参考片，并在分割的像素片中寻找与其相似的小片，将其组成三维数组，对数组进行三维变换并进行滤波，首先第一步要将噪声图像拆分，进行分组，第二步利用原噪声图像及基础估值图像形成两组三维数组，并进行计算再进行滤波去噪处理后将数组处理得到最终像素值，采用双边滤波的方法对图像进行综合去噪处理，去噪平滑效果较好，双边滤波的基本原理是在高斯滤波中将各个像素点到中心点的空间距离进行计算，并对各个点的空间距离的权重和像素值相似度的权重进行加权平均优化，优化后的权值再与图像作卷积运算，使图像在保留边缘下进行较好的去噪；
双边滤波的计算公式：
Figure BDA0003345036860000061
权重系数相当于是定义域核和值域核的乘积因此去噪处理公式为：
Figure BDA0003345036860000062
Figure BDA0003345036860000063
Figure BDA0003345036860000064
为提取出只含缺陷区域的二值化图像，要把图像的金属工件的缺陷区域和背景区域做二值化分割处理，图像二值化的关键是求取分割阈值，在取得分割阈值后对缺陷灰度图像进行二值化处理，二值化处理后的图像分为两部份区域，一部分为光斑图，除光斑图以外的部分为背景图，对光斑图的每个部分进行质量分析，包括区域面积和形状，将分析后的光斑图与原始采集的图像进行对比，并将两组图像不同的地方进行标注保存，背景图为黑色，工件的光斑图为白色。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个引用结构”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.基于机器学习的小金具类缺陷检测算法，其特征在于：包括如下步骤：
Sp1：图像采集：选取光源，调整被测金具与光源的距离，对被测金具进行图像采集；
Sp2：图像增强：对采集的图像进行光照的矫正使采集的图像增强；
Sp3：图像优化：对增强后的图像进行去燥处理，并结合三维块匹配算法再次进行优化去噪；
Sp4：二值化处理：处理后的图像进行二值化处理，处理后的图像分为光斑图和背景图；
Sp5：标记保存：将检测的图像与原有的图像对比，并进行标记保存。
2.根据权利要求1所述的基于机器学习的小金具类缺陷检测算法，其特征在于：所述二级灯管为选取光源，二级灯管为80-120颗发光二级管均分排列组成，每个二级管的发光方向为120°，调整被测金具与光源到设定的位置，所述工业数字相机为被测金具图像采集设备，对被测金具图像采集，保存。
3.根据权利要求1所述的基于机器学习的小金具类缺陷检测算法，其特征在于：所述对采集的图像进行光照分量估值，得出光照分量的表达式，应用二维伽马函数根据光照的分布特征进行自适应的调整，并且通过图像灰度化对图像进行图像增加处理，所述估值采集后图像光照分量的计值。
4.根据权利要求3所述的基于机器学习的小金具类缺陷检测算法，其特征在于：所述I为采集的图像、(x,y)为图像像素的坐标、G(x,y,σ)为高斯函数，L(x,y,σ)为图像的尺度空间，
Figure FDA0003345036850000011
为卷积运算；
Figure FDA0003345036850000012
Figure FDA0003345036850000013
最终得到光照分量公式为：
Figure FDA0003345036850000021
光照分布自适应调整公式中M(x,y)为矫正后图像的亮度值，γ为亮度增强的参数，m为光照分量的均值；
Figure FDA0003345036850000022
调节处不同的加权参数对图像进行灰度化处理；
I(x,y)＝0.3*IR(x,y)+0.59*IG(x,y)+0.11*IB(x,y)。
5.根据权利要求1所述的基于机器学习的小金具类缺陷检测算法，其特征在于：所述图像增强处理后的图像块进行分组，空间域内搜索图像的相似块，而在频域内对相似块应用三维变换同时进行滤波综合去噪处理；
去噪处理公式为：
Figure FDA0003345036850000023
Figure FDA0003345036850000024
Figure FDA0003345036850000025
6.根据权利要求1所述的基于机器学习的小金具类缺陷检测算法，其特征在于：所述二值化处理后的图像分为两部份区域，一部分为光斑图，除光斑图以外的部分为背景图，对光斑图的每个部分进行质量分析，包括区域面积和形状，将分析后的光斑图与原始采集的图像进行对比，并将两组图像不同的地方进行标注保存。
CN202111319488.0A 2021-11-09 2021-11-09 基于机器学习的小金具类缺陷检测算法 Pending CN114092682A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111319488.0A CN114092682A (zh) 2021-11-09 2021-11-09 基于机器学习的小金具类缺陷检测算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111319488.0A CN114092682A (zh) 2021-11-09 2021-11-09 基于机器学习的小金具类缺陷检测算法

Publications (1)

Publication Number Publication Date
CN114092682A true CN114092682A (zh) 2022-02-25

Family

ID=80299657

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111319488.0A Pending CN114092682A (zh) 2021-11-09 2021-11-09 基于机器学习的小金具类缺陷检测算法

Country Status (1)

Country Link
CN (1) CN114092682A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114693686A (zh) * 2022-06-02 2022-07-01 启东市鸿盛纺织有限公司 一种用于床单布匹污渍检测的方法
CN115294118A (zh) * 2022-10-08 2022-11-04 南通先端精密机械有限公司 一种船用钣金焊接缺陷识别方法
WO2024182912A1 (zh) * 2023-03-03 2024-09-12 京东方科技集团股份有限公司 图像采集方法、图像采集装置和缺陷检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114693686A (zh) * 2022-06-02 2022-07-01 启东市鸿盛纺织有限公司 一种用于床单布匹污渍检测的方法
CN115294118A (zh) * 2022-10-08 2022-11-04 南通先端精密机械有限公司 一种船用钣金焊接缺陷识别方法
WO2024182912A1 (zh) * 2023-03-03 2024-09-12 京东方科技集团股份有限公司 图像采集方法、图像采集装置和缺陷检测方法

Similar Documents

Publication Publication Date Title
CN114937055B (zh) 基于人工智能的图像自适应分割方法与系统
CN116721106B (zh) 一种基于图像处理的型材瑕疵视觉检测方法
CN111310558B (zh) 一种基于深度学习和图像处理法的路面病害智能提取方法
CN111179225B (zh) 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法
CN102426649B (zh) 一种简单的高准确率的钢印数字自动识别方法
CN114092682A (zh) 基于机器学习的小金具类缺陷检测算法
CN105067638B (zh) 基于机器视觉的轮胎胎膜表面字符缺陷检测方法
CN113570605B (zh) 一种基于液晶显示面板的缺陷检测方法和系统
CN111915704A (zh) 一种基于深度学习的苹果分级识别方法
CN107490582B (zh) 一种流水线工件检测系统
CN112330628A (zh) 一种金属工件表面缺陷图像检测方法
CN112053376B (zh) 一种基于深度信息的工件焊缝识别方法
CN112614062A (zh) 菌落计数方法、装置及计算机存储介质
CN111739012A (zh) 基于转盘的摄像头模组白斑检测系统
CN114549441A (zh) 基于图像处理的吸管缺陷检测方法
CN117764986A (zh) 基于图像处理的钛板表面缺陷检测方法
CN115619775B (zh) 基于图像识别的物料计数方法及装置
CN113221881B (zh) 一种多层级的智能手机屏幕缺陷检测方法
CN112288726B (zh) 一种井下带式输送机带面异物检测方法
CN117333467B (zh) 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及系统
CN115661110B (zh) 一种透明工件识别与定位的方法
CN108154496B (zh) 一种适用于电力作业机器人的电力设备外观变化识别方法
CN115953550A (zh) 针对线结构光扫描的点云离群点剔除系统及方法
CN112712058A (zh) 一种字符识别提取方法
CN117764983A (zh) 一种用于智能制造产线的双目识别的视觉检测的方法

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