CN114170200A - 基于人工智能的金属点蚀缺陷程度评估方法及系统 - Google Patents

基于人工智能的金属点蚀缺陷程度评估方法及系统 Download PDF

Info

Publication number
CN114170200A
CN114170200A CN202111515515.1A CN202111515515A CN114170200A CN 114170200 A CN114170200 A CN 114170200A CN 202111515515 A CN202111515515 A CN 202111515515A CN 114170200 A CN114170200 A CN 114170200A
Authority
CN
China
Prior art keywords
wavelength
complexity
texture
effective
convolution result
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
CN202111515515.1A
Other languages
English (en)
Other versions
CN114170200B (zh
Inventor
王玲
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.)
Shuyang Xinhongrui Metal Products Co ltd
Original Assignee
Shuyang Xinhongrui Metal Products 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 Shuyang Xinhongrui Metal Products Co ltd filed Critical Shuyang Xinhongrui Metal Products Co ltd
Priority to CN202111515515.1A priority Critical patent/CN114170200B/zh
Publication of CN114170200A publication Critical patent/CN114170200A/zh
Application granted granted Critical
Publication of CN114170200B publication Critical patent/CN114170200B/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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • 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
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30136—Metal

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及基于人工智能的金属点蚀缺陷程度评估方法及系统。该方法包括：采集金属材料的表面图像，利用参数不同的Gabor滤波器获得表面图像的多张卷积结果图像；筛选出滤波器的最优方向；在最优方向下获取目标波长与其相邻波长对应的卷积结果图像之间的第一差异图像，根据第一差异图像的第一复杂度获取目标波长的纹理表征有效性，得到有效截止波长；以预设初始波长和有效截止波长组成有效波长范围，计算有效波长范围内相邻的有效波长对应的有效卷积结果图像之间的第二差异图像的第二复杂度，根据第二复杂度和有效波长计算表面图像的点蚀缺陷程度。本发明实施例能够提高点蚀缺陷程度的评估准确性和合理性。

Description

基于人工智能的金属点蚀缺陷程度评估方法及系统
技术领域
本发明涉及人工智能技术领域，具体涉及基于人工智能的金属点蚀缺陷程度评估方法及系统。
背景技术
点蚀又称为孔蚀，是一种集中于金属表面很小的范围并深入到金属内部的腐蚀形态。由于孔径较小，且洞口表面常有腐蚀产物遮盖，检查点蚀时必须去除腐蚀产物否则很难发现。由于它的特殊的动力学过程，反应是在自催化作用下加速进行的，经常发生在具有自钝化性能的金属或合金上，影响金属的使用性能和使用寿命，点蚀一旦发生，孔内溶解速度相当大，经常在突然之间导致事故发生，是破坏性和隐患较大的局部腐蚀形态之一，危害性很大。
现阶段可基于漏磁、脉冲涡流和超声波等对点蚀缺陷进行无损检测，进而基于点蚀的颜色、数量、面积等特征进行程度判定，但上述方法的设备较复杂，且对设备的灵敏度要求较高，不适用于大量金属材料的缺陷程度评估。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的金属点蚀缺陷程度评估方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种基于人工智能的金属点蚀缺陷程度评估方法，该方法包括以下步骤：
采集金属材料的表面图像，利用参数不同的Gabor滤波器获得所述表面图像的多张卷积结果图像；所述参数包括滤波器方向和波长；
通过计算每个所述滤波器方向对应的所述卷积结果图像的纹理复杂度，筛选出所述滤波器方向的最优值作为最优方向；
在所述最优方向下，获取目标波长与其相邻波长对应的卷积结果图像之间的第一差异图像，根据所述第一差异图像的第一复杂度获取所述目标波长的纹理表征有效性，选取最大的所述纹理表征有效性对应的目标波长作为有效截止波长；
以预设初始波长和所述有效截止波长组成有效波长范围，计算所述有效波长范围内相邻的有效波长对应的有效卷积结果图像之间的第二差异图像的第二复杂度，根据所述第二复杂度和所述有效波长计算所述表面图像的点蚀缺陷程度。
优选的，所述获得所述表面图像的多张卷积结果图像的步骤之前，还包括：
对所述表面图像进行预处理，所述预处理包括灰度化、锐化处理、去噪处理以及将所有所述表面图像调整为相同尺寸。
优选的，所述最优方向的筛选过程包括：
将所述滤波器方向和所述波长组成可变二元组，对于同一所述滤波器方向对应的所述可变二元组得到的所述卷积结果图像，分别计算纹理复杂度并求和，以和的最大值对应的滤波器方向作为所述最优方向。
优选的，所述纹理表征有效性的获取过程包括：
根据所述第一复杂度和平均复杂度得到纹理差异度，依据所述纹理差异度得到对应的调节因子，以所述目标波长对应的卷积结果图像的纹理复杂度和所述调节因子的乘积作为所述纹理表征有效性。
优选的，所述点蚀缺陷程度的获取过程包括：
根据所述有效截止波长获取优化系数，依据所述相邻的有效波长的均值和所述优化系数获取所述第二复杂度的权重，对所有所述第二复杂度以及所述预设初始波长对应的卷积结果图像的纹理复杂度进行加权求和，得到所述点蚀缺陷程度。
优选的，该方法还包括以下步骤：
通过多个预设缺陷阈值将所述点蚀缺陷程度分段，得到多个缺陷程度区间，对应多个缺陷等级。
优选的，所述纹理复杂度的获取过程包括：
获取所述卷积结果图像的灰度直方图，根据所述灰度直方图对应的二阶矩阵描述所述纹理复杂度。
第二方面，本发明另一个实施例提供了一种基于人工智能的金属点蚀缺陷程度评估系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于人工智能的金属点蚀缺陷程度评估方法的步骤。
本发明实施例至少具有如下有益效果：
基于Gabor滤波器中不同参数提取到的不同的纹理信息，获得滤波器方向参数的最优值以及波长参数的有效取值范围，从而得到有效卷积结果图像，并根据其本身纹理信息以及相邻有效波长对应的有效卷积结果图像之间的纹理差异信息进行点蚀缺陷程度的评估，本发明实施例能够充分考虑不同缺陷程度的点蚀在不同参数Gabor滤波器中的表征情况，提高评估结果的准确性和合理性。
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为本发明一个实施例提供的基于人工智能的金属点蚀缺陷程度评估方法的步骤流程图。
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基于人工智能的金属点蚀缺陷程度评估方法及系统，其具体实施方式、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基于人工智能的金属点蚀缺陷程度评估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基于人工智能的金属点蚀缺陷程度评估方法的步骤流程图，该方法包括以下步骤：
步骤S001，采集金属材料的表面图像，利用参数不同的Gabor滤波器获得表面图像的多张卷积结果图像；参数包括滤波器方向和波长。
具体的步骤包括：
1.对表面图像进行预处理，预处理包括灰度化、锐化处理、去噪处理以及将所有表面图像调整为相同尺寸。
首先对采集的表面图像进行灰度化处理，将每个像素点的RGB值统一成灰度值，提高运算速度；然后对灰度图像使用Laplacian算子进行锐化处理，在保留图像背景信息的前提下突出细节信息，提高后续检测的准确性；进而使用中值滤波算法进行图像去噪处理，以降低异常点对后续图像分析的影响；最后对上述表面图像进行尺寸统一处理，使得图像大小为M*M，M即为图像尺寸，作为一个示例，本发明实施例基于经验值设定M＝128。
需要说明的是，采集的表面图像优选为正方形的图像。
2.利用参数不同的Gabor滤波器获得预处理后的表面图像的多张卷积结果图像。
Gabor滤波是一个用于边缘提取的线性滤波器，且对光照变化不敏感，十分适用于纹理分析。本发明基于二维Gabor滤波器对预处理后的表面图像进行纹理分析，作为其点蚀缺陷程度的评估基础。
在空域中，二维的Gabor滤波器是一个正弦平面波和高斯核函数的乘积。前者是调谐函数，后者是窗口函数，具体函数式为：
Figure BDA0003406718610000031
其中，(x,y)为空间域像素的位置，且x′＝xcosθ+ysinθ，y′＝xcosθ+ysinθ；λ为其中正弦函数的波长，直接影响滤波器的滤波尺度，其值以像素为单位，通常大于等于2但小于图像尺寸的1/5；θ为滤波器方向，指定了Gabor函数并行条纹的方向，取值为0-360°；ψ为调谐函数的相位偏移，取值为-180°-180°；σ为Gabor滤波器的半响应空间频率带宽，通常取2；γ为空间纵横比，决定了Gabor函数形状的椭圆率，当γ＝1时，为圆形，当γ<1时，其形状随着平行条纹方向而拉长，通常取γ＝0.5。
当Gabor滤波函数中的参数不同时，其核函数不同，且不同的Gabor核与同一图像信号进行卷积后获得的图像纹理信息不同。
将Gabor滤波函数的参数序列记为(λ，θ，ψ，σ，γ)，在进行滤波操作时，其波长λ和滤波器方向θ的取值通常不确定，而另外3个参数一般取固定值：相位偏移ψ＝0，带宽σ＝2π，空间纵横比γ＝0.5。
通过改变λ和θ的值，获得多个不同的Gabor滤波器，分别与待检测的表面图像作卷积，获得多个包含不同纹理信息的卷积结果图像。
步骤S002，通过计算每个滤波器方向对应的卷积结果图像的纹理复杂度，筛选出滤波器方向的最优值作为最优方向。
具体的步骤包括：
将滤波器方向和波长组成可变二元组，对于同一滤波器方向对应的可变二元组得到的卷积结果图像，分别计算纹理复杂度并求和，以和的最大值对应的滤波器方向作为最优方向。
基于波长λ和滤波器方向θ获得参数二元组(λ，θ)，每个可变二元组对应一个Gabor滤波器，获得一张卷积结果图像。
滤波器方向θ的取值范围为[0°，360°]，获取最优方向时，均匀选择多个滤波器方向进行计算，作为一个示例，本发明实施例取
Figure BDA0003406718610000041
其中j＝0，1，2，3，4，5，6，7共8个值。
波长λ的取值范围为
Figure BDA0003406718610000042
M为图像尺寸，本发明实施例中预设初始波长λ0＝3，步长D＝3，得到N个波长，λi＝λ0+iD，其中i＝0，1，...，N-1，且
Figure BDA0003406718610000043
[*]为取整函数。
根据上述可变二元组，获得8N个不同的可变参数二元组(λi，θj)，进而获得8N个不同Gabor滤波函数的参数序列(λi，θj，0，2π，0.5)，分别将对应的滤波核与待检测的表面图像作卷积获得8N个卷积结果图像。8N个卷积结果图像分别表征8N个不同的纹理信息，对于同一波长λi下的8个卷积结果图像，随着滤波器方向θj的改变，通过Gabor滤波器提取到的纹理信息量随之改变。
为了提高检测的准确性，本发明希望获取更多的纹理信息用于后续计算和分析，因此，对于不同θj的卷积结果图像，获取卷积结果图像的灰度直方图，根据灰度直方图对应的二阶矩阵描述纹理复杂度，通过其纹理复杂度的大小来确定参数θ的最优值。
首先获得可变参数二元组(λ1，θ1)对应的卷积结果图像的灰度直方图，基于该灰度直方图的二阶矩描述纹理复杂度：
Figure BDA0003406718610000044
其中，w11表示(λ1，θ1)对应的卷积结果图像的纹理复杂度，w11值越大，纹理复杂度越高；zi表示第i个像素点的灰度级，p(zi)表示灰度zi对应的出现频率，
Figure BDA0003406718610000051
表示灰度均值，L11表示(λ1，θ1)对应的卷积结果图像中不同灰度级的数量。
同理，分别计算(λi，θj)对应的卷积结果图像的纹理复杂度wij，其中i＝0，1，...，N-1；j＝0，1，...，7。
获得滤波器方向为θ0时对应的N个卷积结果图像的纹理复杂度之和
Figure BDA0003406718610000054
越大，滤波器方向θ0为最优值的可能性越大。分别计算8个滤波器方向对应的纹理复杂度之和q0，...，q7，则最大值对应的滤波器方向即为滤波器方向的最优值，将其记为θ′。
步骤S003，在最优方向下，获取目标波长与其相邻波长对应的卷积结果图像之间的第一差异图像，根据第一差异图像的第一复杂度获取目标波长的纹理表征有效性，选取最大的纹理表征有效性对应的目标波长作为有效截止波长。
点蚀缺陷在金属表面形成蚀孔，从点蚀的形成来看，点蚀半径越小，就越容易被钝化而“死亡”，较大半径的点蚀深度较大，表面更加毛糙，即随着蚀孔深度和面积的增大，蚀孔边缘更明显，其缺陷程度也随之增大，经过纹理提取后对应的纹理信息更多。因此，在确定滤波器方向参数的最优方向θ′的基础上，对N个可变参数二元组(λi，θ′)对应的卷积结果图像进行分析。
具体的步骤包括：
对于可变参数波长λ，随着其数值的增大，对应卷积结果图像中提取到的纹理信息的表征对象和表征完成度不同：当波长λ的数值较小时，提取到的纹理信息较少，且更偏向于对图像的局部特征进行分析，则提取到的纹理信息的主要表征对象为缺陷程度较大的蚀孔；而随着波长λ的增大，提取到的纹理信息逐渐增多，滤波器对图像的特征提取能力增强，表征对象不仅为缺陷程度较大的蚀孔，还逐渐包括缺陷程度较小的蚀孔，且对各个蚀孔的表征完成度均逐渐增大。而当缺陷程度小的蚀孔的表征完成度也较大时，随着波长λ的增大，滤波器对干扰的敏感度增强，进一步增大滤波器波长λ时会影响缺陷程度的表征准确性。
因此，本发明实施例以滤波器方向为最优方向θ′而波长λ逐渐增大的N张卷积结果图像为基础，获得波长λ的有效取值范围。
根据第一复杂度和平均复杂度得到纹理差异度，依据纹理差异度得到对应的调节因子，以目标波长对应的卷积结果图像的纹理复杂度和调节因子的乘积作为纹理表征有效性。
对于第i张卷积结果图像，其对应的可变参数二元组为(λi，θ′)，基于对应灰度直方图的二阶矩获得其纹理复杂度wi′；以第i张以及相邻的第i-1张卷积结果图像之间的差异图像C(i-1)i的纹理复杂度作为第一复杂度w(i-1)i′，根据第一复杂度和平均复杂度得到纹理差异度yi：
Figure BDA0003406718610000053
依据纹理差异度得到对应的调节因子ti：
Figure BDA0003406718610000061
以目标波长对应的卷积结果图像的纹理复杂度和调节因子的乘积作为纹理表征有效性Yi：
Yi＝tiwi′
首先用平均复杂度
Figure BDA0003406718610000062
对第一复杂度进行归一化，使yi的值域为(0，1)，表征相邻卷积结果图像之间的差异图像的纹理复杂程度；进而将其作为调节因子
Figure BDA0003406718610000063
的自变量，使调节因子的值域为(1，2)，且yi与调节因子成反比；再将目标波长对应的卷积结果图像本身纹理复杂度wi′与调节因子相结合，用(1，2)范围的调节因子进行wi′对应有效性Yi的调节。
纹理表征有效性Yi越大，波长λi继续增大后提取到噪声的纹理信息的可能性越大，对蚀孔的表征效果越差，该波长为有效截止波长的可能性越大。分别计算波长λ1，...，λN-1的纹理表征有效性Y1，...，YN-1，最大值对应的波长即为有效截止波长，记为λz。
步骤S004，以预设初始波长和有效截止波长组成有效波长范围，计算有效波长范围内相邻的有效波长对应的有效卷积结果图像之间的第二差异图像的第二复杂度，根据第二复杂度和有效波长计算表面图像的点蚀缺陷程度。
根据预设初始波长λ0和有效截止波长λz获得波长的有效取值范围λ0，...，λ2，进而获得z+1组有效可变参数二元组(λ0，θ′)，...，(λz，θ′)及其对应的有效卷积结果图像。对于z+1张有效卷积结果图像，随着波长λi的增大，提取的纹理信息逐渐增多，不仅使已表征过的点蚀对象的纹理信息更加丰富，又获得未表征过的部分点蚀对象的部分纹理信息。即随着波长λi的增大和提取到的纹理信息的增多，蚀孔的表征完成度逐渐增大，且新表征蚀孔对象的缺陷程度逐渐减小。
具体的步骤包括：
根据有效截止波长获取优化系数，利用相邻的有效波长的均值和优化系数获取第二复杂度的权重，对所有第二复杂度以及预设初始波长对应的卷积结果图像的纹理复杂度进行加权求和，得到点蚀缺陷程度。
对第ε张、第ε-1张有效卷积结果图像作差获得差异图像C(ε-1)ε，同理得到每两张相邻有效卷积结果图像之间的差异图像C01，C12，...，C(ε-1)ε，...，C(z-1)z，对应的第二复杂度为w01′，w12′，...，w(ε-1)ε′，...，w(z-1)z′。
第一张有效卷积结果图像的表征对象为缺陷程度最大的蚀孔，在进行点蚀缺陷程度评估时，其纹理复杂度对缺陷程度的贡献较大。而随着波长λi的增大，有效卷积结果图像新提取到的纹理的复杂度对缺陷程度的贡献逐渐减少，对应的，第二差异图像的第二复杂度对缺陷程度的贡献逐渐减少。因此，金属的点蚀缺陷程度与第二差异图像的第二复杂度呈正相关，与第二差异图像对应的两个卷积结果图像的对应波长均值呈负相关。
点蚀缺陷程度G为：
Figure BDA0003406718610000071
其中，相邻有效波长的均值
Figure BDA0003406718610000072
为指数函数的自变量，由于λε＞0，指数函数的值域为(0，1)，且λε越大，指数函数的数值越小；u为优化系数，
Figure BDA0003406718610000073
用于优化指数函数中自变量的有效取值范围，u越小，对应的有效取值范围越大。
优选的，本发明实施例中X取3。
以
Figure BDA0003406718610000074
作为第二复杂度的权重，随着波长的增加，权重逐渐减小；由于越小的波长对应的卷积结果图像能够表征出来的缺陷是越严重的，对应的缺陷程度越大，赋予其更大的权重能够使更严重的缺陷在点蚀缺陷程度的计算过程中的贡献越大，使评估结果更加准确。
进一步的，本发明实施例还包括以下步骤：
通过多个预设缺陷阈值将点蚀缺陷程度分段，得到多个缺陷程度区间，对应多个缺陷等级。
对金属表面的点蚀缺陷程度进行归一化处理，使得归一化后的缺陷程度值G′的取值范围为[0，1]。
作为一个示例，本发明实施例设置两个预设缺陷阈值：第一缺陷阈值G1′和第二缺陷阈值G2′。当0≤G′≤G1′时，该金属材料的点蚀缺陷程度较轻，需要进行适当的维修和保养，以减轻缺陷程度，提高金属质量；当G1′＜G′＜G2′时，该金属材料的点蚀缺陷程度中等，需要对其进行深层次的修护，以提高金属材料的寿命，并对金属所在环境进行处理和改变，以防止点蚀的进一步出现和扩展；当G2′≤G′≤1时，该金属材料的点蚀缺陷程度较为严重，需要对其进行替换，预防安全事故的发生，提高生产效率和安全性。
其中，G1′和G2′的具体数值基于实际情况进行设定，作为一个示例，本发明实施例取G1′＝0.3和G2′＝0.6。
综上所述，本发明实施例采集金属材料的表面图像，利用参数不同的Gabor滤波器获得表面图像的多张卷积结果图像；参数包括滤波器方向和波长；通过计算每个滤波器方向对应的卷积结果图像的纹理复杂度，筛选出滤波器方向的最优值作为最优方向；在最优方向下，获取目标波长与其相邻波长对应的卷积结果图像之间的第一差异图像，根据第一差异图像的第一复杂度获取目标波长的纹理表征有效性，选取最大的纹理表征有效性对应的目标波长作为有效截止波长；以预设初始波长和有效截止波长组成有效波长范围，计算有效波长范围内相邻的有效波长对应的有效卷积结果图像之间的第二差异图像的第二复杂度，根据第二复杂度和有效波长计算表面图像的点蚀缺陷程度。本发明实施例能够充分考虑不同缺陷程度的点蚀在不同参数Gabor滤波器中的表征情况，提高点蚀缺陷程度的评估准确性和合理性。
本发明实施例还提出了一种基于人工智能的金属点蚀缺陷程度评估系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。由于基于人工智能的金属点蚀缺陷程度评估方法在上述给出了详细描述，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 (8)

1.基于人工智能的金属点蚀缺陷程度评估方法，其特征在于，该方法包括以下步骤：
采集金属材料的表面图像，利用参数不同的Gabor滤波器获得所述表面图像的多张卷积结果图像；所述参数包括滤波器方向和波长；
通过计算每个所述滤波器方向对应的所述卷积结果图像的纹理复杂度，筛选出所述滤波器方向的最优值作为最优方向；
在所述最优方向下，获取目标波长与其相邻波长对应的卷积结果图像之间的第一差异图像，根据所述第一差异图像的第一复杂度获取所述目标波长的纹理表征有效性，选取最大的所述纹理表征有效性对应的目标波长作为有效截止波长；；
以预设初始波长和所述有效截止波长组成有效波长范围，计算所述有效波长范围内相邻的有效波长对应的有效卷积结果图像之间的第二差异图像的第二复杂度，根据所述第二复杂度和所述有效波长计算所述表面图像的点蚀缺陷程度。
2.根据权利要求1所述的方法，其特征在于，所述获得所述表面图像的多张卷积结果图像的步骤之前，还包括：
对所述表面图像进行预处理，所述预处理包括灰度化、锐化处理、去噪处理以及将所有所述表面图像调整为相同尺寸。
3.根据权利要求1所述的方法，其特征在于，所述最优方向的筛选过程包括：
将所述滤波器方向和所述波长组成可变二元组，对于同一所述滤波器方向对应的所述可变二元组得到的所述卷积结果图像，分别计算纹理复杂度并求和，以和的最大值对应的滤波器方向作为所述最优方向。
4.根据权利要求1所述的方法，其特征在于，所述纹理表征有效性的获取过程包括：
根据所述第一复杂度和平均复杂度得到纹理差异度，依据所述纹理差异度得到对应的调节因子，以所述目标波长对应的卷积结果图像的纹理复杂度和所述调节因子的乘积作为所述纹理表征有效性。
5.根据权利要求1所述的方法，其特征在于，所述点蚀缺陷程度的获取过程包括：
根据所述有效截止波长获取优化系数，依据所述相邻的有效波长的均值和所述优化系数获取所述第二复杂度的权重，对所有所述第二复杂度以及所述预设初始波长对应的卷积结果图像的纹理复杂度进行加权求和，得到所述点蚀缺陷程度。
6.根据权利要求1所述的方法，其特征在于，该方法还包括以下步骤：
通过多个预设缺陷阈值将所述点蚀缺陷程度分段，得到多个缺陷程度区间，对应多个缺陷等级。
7.根据权利要求1所述的方法，其特征在于，所述纹理复杂度的获取过程包括：
获取所述卷积结果图像的灰度直方图，根据所述灰度直方图对应的二阶矩阵描述所述纹理复杂度。
8.基于人工智能的金属点蚀缺陷程度评估系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～7任意一项所述方法的步骤。
CN202111515515.1A 2021-12-13 2021-12-13 基于人工智能的金属点蚀缺陷程度评估方法及系统 Active CN114170200B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111515515.1A CN114170200B (zh) 2021-12-13 2021-12-13 基于人工智能的金属点蚀缺陷程度评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111515515.1A CN114170200B (zh) 2021-12-13 2021-12-13 基于人工智能的金属点蚀缺陷程度评估方法及系统

Publications (2)

Publication Number Publication Date
CN114170200A true CN114170200A (zh) 2022-03-11
CN114170200B CN114170200B (zh) 2023-01-20

Family

ID=80485890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111515515.1A Active CN114170200B (zh) 2021-12-13 2021-12-13 基于人工智能的金属点蚀缺陷程度评估方法及系统

Country Status (1)

Country Link
CN (1) CN114170200B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102508110A (zh) * 2011-10-10 2012-06-20 上海大学 基于纹理的绝缘子缺陷诊断方法
TWI456190B (zh) * 2013-09-16 2014-10-11 Univ Nat Chunghsing 偵測晶片影像瑕疵方法及其系統與電腦程式產品
CN108171688A (zh) * 2017-12-19 2018-06-15 浙江大学 一种基于Gabor特征与随机降维的晶圆表面缺陷检测方法
CN110348461A (zh) * 2019-07-05 2019-10-18 江苏海事职业技术学院 一种工件表面缺陷特征提取方法
CN110530883A (zh) * 2019-09-30 2019-12-03 凌云光技术集团有限责任公司 一种缺陷检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102508110A (zh) * 2011-10-10 2012-06-20 上海大学 基于纹理的绝缘子缺陷诊断方法
TWI456190B (zh) * 2013-09-16 2014-10-11 Univ Nat Chunghsing 偵測晶片影像瑕疵方法及其系統與電腦程式產品
CN108171688A (zh) * 2017-12-19 2018-06-15 浙江大学 一种基于Gabor特征与随机降维的晶圆表面缺陷检测方法
CN110348461A (zh) * 2019-07-05 2019-10-18 江苏海事职业技术学院 一种工件表面缺陷特征提取方法
CN110530883A (zh) * 2019-09-30 2019-12-03 凌云光技术集团有限责任公司 一种缺陷检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
撒雨昕: "基于最优Gabor滤波器的无纺布缺陷检测", 《信息通信》 *
贡玉南: "基于匹配Gabor滤波器的规则纹理缺陷检测方法", 《中国图象图形学报》 *

Also Published As

Publication number Publication date
CN114170200B (zh) 2023-01-20

Similar Documents

Publication Publication Date Title
CN113538433B (zh) 基于人工智能的机械铸件缺陷检测方法及系统
CN102156996B (zh) 一种图像边缘检测的方法
CN109767439B (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
CN113436168B (zh) 一种用于工业焊缝x光图中的裂纹缺陷检测方法
CN108629343B (zh) 一种基于边缘检测和改进Harris角点检测的车牌定位方法和系统
CN107220988B (zh) 基于改进canny算子的零部件图像边缘提取方法
CN113963042B (zh) 基于图像处理的金属零件缺陷程度评估方法
CN103942803A (zh) 基于sar图像的水域自动检测方法
CN109472788B (zh) 一种飞机铆钉表面的伤痕检测方法
CN116110053B (zh) 基于图像识别的集装箱表面信息检测方法
CN101833753A (zh) 基于改进贝叶斯非局部均值滤波器的sar图像去斑方法
CN115330767A (zh) 一种腐蚀箔生产异常识别方法
CN115131359B (zh) 一种金属加工件表面麻点缺陷检测方法
CN110717934B (zh) 一种基于strcf的抗遮挡目标跟踪方法
CN116416252B (zh) 一种勃姆石生产工艺废水沉降图像检测方法
CN116993726B (zh) 一种矿物铸件检测方法及系统
CN114764801A (zh) 基于多视觉显著特征的弱小舰船目标融合检测方法及装置
CN116152115B (zh) 基于计算机视觉的垃圾图像去噪处理方法
CN116908853B (zh) 高相干点选取方法、装置和设备
CN115060754B (zh) 一种不锈钢制品表面质量检测方法
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN115049651B (zh) 一种钣金冲压异常检测方法
CN110348442B (zh) 一种基于支持向量机的船载雷达图像海上油膜识别方法
CN117291985B (zh) 一种零件冲孔的图像定位方法
CN110765887A (zh) 隧道衬砌裂纹自动识别技术及检测方法

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