CN114240942A - 一种基于图像处理的金属零件表面质量控制方法及系统 - Google Patents

一种基于图像处理的金属零件表面质量控制方法及系统 Download PDF

Info

Publication number
CN114240942A
CN114240942A CN202210176557.5A CN202210176557A CN114240942A CN 114240942 A CN114240942 A CN 114240942A CN 202210176557 A CN202210176557 A CN 202210176557A CN 114240942 A CN114240942 A CN 114240942A
Authority
CN
China
Prior art keywords
gradient
defect
entropy
metal part
extension
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
CN202210176557.5A
Other languages
English (en)
Other versions
CN114240942B (zh
Inventor
雷星
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.)
Wuhan Leichenglong Hydraulic Machinery Co ltd
Original Assignee
Wuhan Leichenglong Hydraulic Machinery 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 Wuhan Leichenglong Hydraulic Machinery Co ltd filed Critical Wuhan Leichenglong Hydraulic Machinery Co ltd
Priority to CN202210176557.5A priority Critical patent/CN114240942B/zh
Publication of CN114240942A publication Critical patent/CN114240942A/zh
Application granted granted Critical
Publication of CN114240942B publication Critical patent/CN114240942B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • 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
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及金属零件质量控制技术领域，具体涉及一种基于图像处理的金属零件表面质量控制方法及系统，该方法包括以下步骤：获得金属零件表面的灰度图，根据灰度图进行边缘检测，将梯度幅值大于梯度阈值的梯度点标记为缺陷梯度点；根据缺陷梯度点的主成分方向的特征值之间的交并比得到位置分布偏离度；获取缺陷梯度点在缺陷延伸方向上由梯度方向构成的延伸序列，延伸序列中相邻梯度方向的方向差值为邻近方向波动；根据位置分布偏离度和邻近方向波动的均值得到分类指示系数，根据分类指示系数判断裂纹缺陷类型，以用于提示执行相应的质量控制操作，通过该方法能够得到准确的裂纹缺陷类型，消除了分类误差。

Description

一种基于图像处理的金属零件表面质量控制方法及系统
技术领域
本发明涉及金属零件质量控制技术领域，具体涉及一种基于图像处理的金属零件表面质量控制方法及系统。
背景技术
在金属零件加工制造行业中，由于其复杂的加工工艺，其在各种加工环节中可能产生多种缺陷，其中裂纹是零件加工过程中对零件质量影响最大的破坏性缺陷，其会使零件的机械强度大大下降，致使零件报废。而在金属零件的加工过程中，必然会经历热处理、机械加工等等一系列工艺过程，由于这两道工序为连续的工艺步骤，其产生的各类裂纹往往在加工完成后才得以发现，因此需要在加工后对零件表面进行裂纹缺陷的分析与鉴定，来寻找其产生原因，进一步根据裂纹的产生原因进行质量控制。起到提高产品质量的作用。
在热处理过程中产生的裂纹为淬火裂纹，其是由于零件在淬火过程中的加热或冷却速度过快导致零件各部分温度差异大造成的淬裂现象。而在热处理后的磨削加工中产生的磨削裂纹是由于磨削加工工艺控制不当导致零件的磨削过程由大量的磨削热残留和表面应力所致。对于零件表面的淬火裂纹，其宏观分布特征为断续成串，有时会出现龟裂网格状分布；而对于零件表面的磨削裂纹，其宏观分布则正为平行于磨削方向，当程度严重时也会出现龟裂网格状分布。淬火裂纹的微观形态为裂痕延伸曲折但有时也会呈现平直裂痕；磨削裂纹的微观形态为裂痕较为平滑有时也会趋近于平直裂痕，因此单单根据宏观分布或微观形态来分类会存在分类误差。
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图像处理的金属零件表面质量控制方法及系统，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图像处理的金属零件表面质量控制方法，该控制方法包括以下步骤：获得金属零件表面的灰度图，根据所述灰度图进行边缘检测，将梯度幅值大于梯度阈值的梯度点标记为缺陷梯度点；根据缺陷梯度点的梯度方向分别计算灰度图中梯度方向的熵；获取缺陷梯度点的坐标位置的主成分方向的特征值，根据主成分方向的特征值之间的交并比得到位置分布偏离度；获取缺陷梯度点在缺陷延伸方向上由梯度方向构成的延伸序列，计算延伸序列的排列熵，得到所有缺陷梯度点所对应的排列熵的均值；其中所述延伸序列中相邻梯度方向的方向差值为邻近方向波动；根据所述梯度方向的熵以及延伸方向的排列熵均值计算置信比；根据置信比分别为所述位置分布偏离度和邻近方向波动的均值分配权重，所述位置分布偏离度和邻近方向波动的均值加权求和得到分类指示系数，根据所述分类指示系数判断裂纹缺陷类型，以用于提示执行相应的质量控制操作。
进一步，所述根据缺陷梯度点的梯度方向分别计算灰度图中梯度方向的熵的步骤包括：获取灰度图上每个像素所对应的梯度方向，统计每个梯度方向所出现的概率，根据所述概率计算所述梯度方向的熵。
进一步，所述计算延伸序列的排列熵的步骤包括以下优化步骤：获取每个缺陷延伸方向上的延伸子序列，计算每个延伸子序列的排列熵；以每个延伸子序列的数据量的占比分配权重，对每个延伸子序列的排列熵进行加权求和得到所述延伸序列的排列熵。
进一步，所述根据所述梯度方向的熵以及延伸方向的排列熵均值计算置信比的步骤包括以下优化步骤：对所述梯度方向的熵进行归一化，用1减去梯度方向的熵得到有序性指标，所述有序性指标与延伸方向的排列熵均值之间的交并比得到所述置信度。
进一步，所述根据所述分类指示系数判断裂纹缺陷类型的步骤，包括：在所述分类指示系数小于等于预设的第一缺陷阈值时，所述裂纹缺陷类型为磨削缺陷。
进一步，所述根据所述分类指示系数判断裂纹缺陷类型的步骤，包括：在所述分类指示系数大于预设的第一缺陷阈值且小于等于第二缺陷阈值时，所述裂纹缺陷类型为淬火缺陷；其中所述第一缺陷阈值小于第二缺陷阈值。
第二方面，本发明另一个实施例提供了一种基于图像处理的金属零件表面质量控制系统，包括存储器、处理器以及存储在所述存储器中并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任意一项所述方法的步骤。
本发明实施例具有如下有益效果：
获得金属零件表面的灰度图，根据灰度图进行边缘检测，将梯度幅值大于梯度阈值的梯度点标记为缺陷梯度点；根据缺陷梯度点的主成分方向的特征值之间的交并比得到位置分布偏离度；获取缺陷梯度点在缺陷延伸方向上由梯度方向构成的延伸序列，延伸序列中相邻梯度方向的方向差值为邻近方向波动；根据位置分布偏离度和邻近方向波动的均值得到分类指示系数，根据分类指示系数判断裂纹缺陷类型，以用于提示执行相应的质量控制操作，通过该方法能够得到准确的裂纹缺陷类型，消除了分类误差。
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所提供的一种基于图像处理的金属零件表面质量控制方法流程图。
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一种基于图像处理的金属零件表面质量控制方法及系统，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一种基于图像处理的金属零件表面质量控制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一种基于图像处理的金属零件表面质量控制方法流程图，该方法包括以下步骤：
步骤S001，获得金属零件表面的灰度图，根据灰度图进行边缘检测，将梯度幅值大于梯度阈值的梯度点标记为缺陷梯度点。
具体的，利用相机获得金属零件表面图像，对该金属零件表面图像灰度化得到灰度图，利用sobel算子求该灰度图上各点的梯度幅值以及梯度方向。对各点的梯度幅值进行阈值分割，该阈值分割的过程为：基于幅值直方图的阈值分割，先统计该图像上所有位置的梯度幅值直方图，利用大津法进行阈值分割，将所有梯度幅值大于梯度阈值的梯度点标记为缺陷梯度点。若缺陷梯度点的数量占所有梯度点数量的1%或以上时即判定存在裂纹缺陷，并同时标记所有的缺陷梯度点。其中1%为预先设定的参数，可以根据实际情况进行调整。
步骤S002，根据缺陷梯度点的梯度方向分别计算灰度图中梯度方向的熵；获取缺陷梯度点的坐标位置的主成分方向的特征值，根据主成分方向的特征值之间的交并比得到位置分布偏离度。
梯度方向熵的获取步骤包括：获取灰度图上每个像素所对应的梯度方向，统计每个梯度方向所出现的概率，根据概率计算梯度方向的熵。具体的，获取灰度图上每个像素所对应的梯度方向，其中梯度方向记为
Figure DEST_PATH_IMAGE002
，将梯度方向的大小平均分为180个梯度方向等级，梯度方向等级分别为
Figure DEST_PATH_IMAGE004
。将任意一个梯度方向等级记为，统计所有缺陷梯度点的梯度方向，则整张表面图像对应的梯度方向的熵
Figure DEST_PATH_IMAGE006
的计算方式如下:
Figure DEST_PATH_IMAGE008
Figure DEST_PATH_IMAGE010
其中，
Figure DEST_PATH_IMAGE012
为所有缺陷梯度点的总个数，
Figure DEST_PATH_IMAGE014
表示梯度方向等级为
Figure DEST_PATH_IMAGE016
的缺陷梯度点的数量，
Figure DEST_PATH_IMAGE018
为梯度方向等级为
Figure 844952DEST_PATH_IMAGE016
的点出现的概率，
Figure 89988DEST_PATH_IMAGE006
为当前图像的梯度方向的熵。对
Figure 932042DEST_PATH_IMAGE006
进行归一化，得到一个取值范围在[0,1]之间的数，在后续的步骤中所采用的熵为归一化之后的梯度方向的熵。
位置分布偏离度的获取步骤包括：对于所有缺陷梯度点，对其分布位置进行PCA主成分分析，具体为：获取所有缺陷梯度点的坐标
Figure DEST_PATH_IMAGE020
。由于一个缺陷梯度点的坐标可以视为一个二维向量，因此可以获得2个主成分方向，每个主成分方向均为一个2维的单位向量且对应着一个特征值。获取特征值最大与特征值最小的主成分方向。特征值最大的主成分方向表示这些缺陷梯度点位置分布最离散的方向，特征值最小的主成分方向表示分布最集中的方向。则根据其特征值计算缺陷梯度点位置分布偏离度，则有：
Figure DEST_PATH_IMAGE022
其中
Figure DEST_PATH_IMAGE024
为最大特征值，
Figure DEST_PATH_IMAGE026
为最小特征值，
Figure DEST_PATH_IMAGE028
为位置分布偏离度。
步骤S003，获取缺陷梯度点在缺陷延伸方向上由梯度方向构成的延伸序列，计算延伸序列的排列熵，得到所有缺陷梯度点所对应的排列熵的均值；其中延伸序列中相邻梯度方向的方向差值为邻近方向波动；根据梯度方向的熵以及延伸方向的排列熵均值计算置信比。
排列熵能体现排列的复杂性，方差为统计特征，丢失了排列的信息，因此两者能够互补。
缺陷梯度点邻域延伸方向排列熵均值的获取方法包括：获取每个缺陷延伸方向上的延伸子序列，计算每个延伸子序列的排列熵；以每个延伸子序列的数据量的占比分配权重，对每个延伸子序列的排列熵进行加权求和得到延伸序列的排列熵。具体的，对于一个梯度缺陷点
Figure DEST_PATH_IMAGE030
，其会存在两个缺陷点与其相邻，根据相邻向两个方向进行延伸，设定延伸的缺陷点总数量为
Figure DEST_PATH_IMAGE032
，该总数量
Figure 481579DEST_PATH_IMAGE032
为自预设参数，优选值为20。即以当前缺陷点为起始点，其对应的延伸序列有两个，假设其中一个方向设定为A、另一个方向设定为B，则延伸子序列分别为：
Figure DEST_PATH_IMAGE034
，其中
Figure DEST_PATH_IMAGE036
；以及
Figure DEST_PATH_IMAGE038
其中
Figure DEST_PATH_IMAGE040
，并且
Figure DEST_PATH_IMAGE042
，以保证其延伸的点总数为
Figure 732170DEST_PATH_IMAGE032
，但两个序列的长短可能不同，因为不同的缺陷点位置不同，若其属于裂纹的端点附近，其两子序列的长短差异就会不同，若其为端点那两个序列就会退化为一个序列，子序列的元素值即为延伸点的梯度方向。即：
Figure DEST_PATH_IMAGE044
Figure DEST_PATH_IMAGE046
其中，
Figure DEST_PATH_IMAGE048
表示梯度缺陷点
Figure 459692DEST_PATH_IMAGE030
的梯度方向，
Figure DEST_PATH_IMAGE050
表示与梯度缺陷点
Figure 116938DEST_PATH_IMAGE030
相邻的第一个像素点在A延伸方向上的梯度，
Figure DEST_PATH_IMAGE052
表示与梯度缺陷点
Figure 971631DEST_PATH_IMAGE030
相邻的第2个像素点在A延伸方向上的梯度，以此类推，
Figure DEST_PATH_IMAGE054
表示与梯度缺陷点
Figure 296302DEST_PATH_IMAGE030
相邻的第K个像素点在A延伸方向上的梯度，
Figure DEST_PATH_IMAGE056
与梯度缺陷点
Figure 968895DEST_PATH_IMAGE030
相邻的第J个像素点在B延伸方向上的梯度。
计算延伸子序列
Figure 51121DEST_PATH_IMAGE034
和延伸子序列
Figure DEST_PATH_IMAGE058
的归一化排列熵，设定插入维数为3，延迟个数为1。计算出梯度缺陷点
Figure 709504DEST_PATH_IMAGE030
的两个延伸方向子序列的排列熵分别为
Figure DEST_PATH_IMAGE060
和
Figure DEST_PATH_IMAGE062
。则该梯度缺陷点
Figure 419840DEST_PATH_IMAGE030
对应的延伸方向排列熵计算方式如下：
Figure DEST_PATH_IMAGE064
其中，
Figure DEST_PATH_IMAGE066
对应的延伸方向排列熵，计算所有缺陷点对应的延伸方向排列熵的均值
Figure DEST_PATH_IMAGE068
：
Figure DEST_PATH_IMAGE070
进而得到图像上所有缺陷梯度点邻域延伸方向排列熵的均值
Figure 331908DEST_PATH_IMAGE068
。对
Figure 432588DEST_PATH_IMAGE068
进行归一化，得到一个取值范围在[0,1]之间的数，在后续的步骤中所采用的熵为归一化之后的熵的均值。
邻近方向波动的获取方法为：相邻方向波动，体现在方向之差大小，结合相邻程度权值。对于梯度缺陷点
Figure 35607DEST_PATH_IMAGE030
的两个邻域延伸序列
Figure DEST_PATH_IMAGE072
和
Figure DEST_PATH_IMAGE074
，计算序列中相邻两元素的差值
Figure DEST_PATH_IMAGE076
，获得两个方向差序列，以
Figure DEST_PATH_IMAGE078
为例，计算方式如下：
Figure DEST_PATH_IMAGE080
将
Figure DEST_PATH_IMAGE082
记为
Figure DEST_PATH_IMAGE084
，当
Figure 833406DEST_PATH_IMAGE084
小于90度时，其结果为
Figure 496468DEST_PATH_IMAGE084
本身；若其大于90度，则其结果为
Figure DEST_PATH_IMAGE086
，将方向差值
Figure 146761DEST_PATH_IMAGE084
进行归一化。
按照相同的方法对
Figure 819051DEST_PATH_IMAGE058
进行计算获得
Figure DEST_PATH_IMAGE088
，则每个缺陷点均对应着两个邻域方向差序列
Figure DEST_PATH_IMAGE090
和
Figure 566296DEST_PATH_IMAGE088
。
计算方向差序列内各元素的邻近权值，方式如下：
Figure DEST_PATH_IMAGE092
其中
Figure DEST_PATH_IMAGE094
为梯度缺陷点
Figure 383948DEST_PATH_IMAGE030
在任意一个方向上的序号，序号
Figure 662483DEST_PATH_IMAGE094
的大小为相邻的第
Figure 138463DEST_PATH_IMAGE094
和像素点与梯度缺陷点
Figure 818844DEST_PATH_IMAGE030
的邻近程度，即
Figure DEST_PATH_IMAGE096
越小，越邻近。
对于与梯度缺陷点
Figure 417184DEST_PATH_IMAGE030
相邻的第
Figure 183015DEST_PATH_IMAGE096
个像素点在A延伸方向或者B延伸方向来说，根据邻近权值计算梯度缺陷点
Figure 931528DEST_PATH_IMAGE030
在两个方向上的邻近方向波动
Figure DEST_PATH_IMAGE098
：
Figure DEST_PATH_IMAGE100
Figure DEST_PATH_IMAGE102
Figure DEST_PATH_IMAGE104
其中，
Figure DEST_PATH_IMAGE106
表示梯度缺陷点
Figure 581862DEST_PATH_IMAGE030
在A延伸方向上的邻近方向波动，
Figure DEST_PATH_IMAGE108
表示梯度缺陷点
Figure 616683DEST_PATH_IMAGE030
在B延伸方向上的邻近方向波动，
Figure 135389DEST_PATH_IMAGE098
代表梯度缺陷点
Figure 687593DEST_PATH_IMAGE030
的邻近方向波动。
计算所有梯度缺陷点对应的邻近方向波动的均值
Figure DEST_PATH_IMAGE110
：
Figure DEST_PATH_IMAGE112
根据相同的方法，获得图像上所有梯度缺陷点的邻近方向波动的均值
Figure 795096DEST_PATH_IMAGE110
，该均值为归一化的数。
置信比的计算方法包括：对梯度方向的熵进行归一化，用1减去梯度方向的熵得到有序性指标，有序性指标与延伸方向的排列熵均值之间的交并比得到置信度。根据上述获得的梯度方向的熵
Figure 672922DEST_PATH_IMAGE006
以及排列熵均值
Figure 413345DEST_PATH_IMAGE068
计算置信比，则有：
Figure DEST_PATH_IMAGE114
其中，置信比
Figure DEST_PATH_IMAGE116
的取值范围为[-1,1]，其越接近-1，越说明邻近方向波动均值
Figure 18507DEST_PATH_IMAGE110
的可信程度越高；越接近1，越说明位置分布偏离度
Figure 527986DEST_PATH_IMAGE028
的可信程度越高。
步骤S004，根据置信比分别为位置分布偏离度和邻近方向波动的均值分配权重，位置分布偏离度和邻近方向波动的均值加权求和得到分类指示系数，根据分类指示系数判断裂纹缺陷类型，以用于提示执行相应的质量控制操作。
根据置信比
Figure 311134DEST_PATH_IMAGE116
，结合邻近方向波动均值
Figure 538853DEST_PATH_IMAGE110
，以及位置分布偏离度
Figure 432860DEST_PATH_IMAGE028
，计算分类指示系数
Figure DEST_PATH_IMAGE118
，方式如下：
Figure DEST_PATH_IMAGE120
其中，
Figure 46113DEST_PATH_IMAGE118
为0到1之间的数，其值越大，越说明表面图像中的缺陷为淬火缺陷，越小越说明其为磨削缺陷。
优选的，在分类指示系数小于等于预设的第一缺陷阈值时，裂纹缺陷类型为磨削缺陷。在分类指示系数大于预设的第一缺陷阈值且小于等于第二缺陷阈值时，裂纹缺陷类型为淬火缺陷；其中第一缺陷阈值小于第二缺陷阈值。
具体的，判断阈值设定如下：当
Figure DEST_PATH_IMAGE122
时，说明表面图像中的缺陷为磨削缺陷，需要在磨削工序中进行降低砂轮粗糙度以及磨削速度等调控措施。当
Figure DEST_PATH_IMAGE124
时，说明表面图像中的缺陷为淬火缺陷，需要在淬火工序中进行降低淬火加热温度等调控操作。
综上所述，本发明实施例通过获得金属零件表面的灰度图，根据灰度图进行边缘检测，将梯度幅值大于梯度阈值的梯度点标记为缺陷梯度点；根据缺陷梯度点的主成分方向的特征值之间的交并比得到位置分布偏离度；获取缺陷梯度点在缺陷延伸方向上由梯度方向构成的延伸序列，延伸序列中相邻梯度方向的方向差值为邻近方向波动；根据位置分布偏离度和邻近方向波动的均值得到分类指示系数，根据分类指示系数判断裂纹缺陷类型，以用于提示执行相应的质量控制操作，通过该方法能够得到准确的裂纹缺陷类型，消除了分类误差。
基于与上述方法实施例相同的发明构思，本发明另一个实施例提供了一种基于图像处理的金属零件表面质量控制系统，包括存储器、处理器以及存储在所述存储器中并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一种基于图像处理的金属零件表面质量控制方法的步骤。其中，一种基于图像处理的金属零件表面质量控制方法在上述实施例中已经给出了详细说明，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 (7)

1.一种基于图像处理的金属零件表面质量控制方法，其特征在于，该控制方法包括以下步骤：
获得金属零件表面的灰度图，根据所述灰度图进行边缘检测，将梯度幅值大于梯度阈值的梯度点标记为缺陷梯度点；
根据缺陷梯度点的梯度方向分别计算灰度图中梯度方向的熵；获取缺陷梯度点的坐标位置的主成分方向的特征值，根据主成分方向的特征值之间的交并比得到位置分布偏离度；
获取缺陷梯度点在缺陷延伸方向上由梯度方向构成的延伸序列，计算延伸序列的排列熵，得到所有缺陷梯度点所对应的排列熵的均值；其中所述延伸序列中相邻梯度方向的方向差值为邻近方向波动；根据所述梯度方向的熵以及延伸方向的排列熵均值计算置信比；
根据置信比分别为所述位置分布偏离度和邻近方向波动的均值分配权重，所述位置分布偏离度和邻近方向波动的均值加权求和得到分类指示系数，根据所述分类指示系数判断裂纹缺陷类型，以用于提示执行相应的质量控制操作。
2.根据权利要求1所述的一种基于图像处理的金属零件表面质量控制方法，其特征在于，所述根据缺陷梯度点的梯度方向分别计算灰度图中梯度方向的熵的步骤包括：获取灰度图上每个像素所对应的梯度方向，统计每个梯度方向所出现的概率，根据所述概率计算所述梯度方向的熵。
3.根据权利要求1所述的一种基于图像处理的金属零件表面质量控制方法，其特征在于，所述计算延伸序列的排列熵的步骤包括以下优化步骤：
获取每个缺陷延伸方向上的延伸子序列，计算每个延伸子序列的排列熵；以每个延伸子序列的数据量的占比分配权重，对每个延伸子序列的排列熵进行加权求和得到所述延伸序列的排列熵。
4.根据权利要求1所述的一种基于图像处理的金属零件表面质量控制方法，其特征在于，所述根据所述梯度方向的熵以及延伸方向的排列熵均值计算置信比的步骤包括以下优化步骤：
对所述梯度方向的熵进行归一化，用1减去梯度方向的熵得到有序性指标，所述有序性指标与延伸方向的排列熵均值之间的交并比得到所述置信比。
5.根据权利要求1所述的一种基于图像处理的金属零件表面质量控制方法，其特征在于，所述根据所述分类指示系数判断裂纹缺陷类型的步骤，包括：
在所述分类指示系数小于等于预设的第一缺陷阈值时，所述裂纹缺陷类型为磨削缺陷。
6.根据权利要求5所述的一种基于图像处理的金属零件表面质量控制方法，其特征在于，所述根据所述分类指示系数判断裂纹缺陷类型的步骤，包括：
在所述分类指示系数大于预设的第一缺陷阈值且小于等于第二缺陷阈值时，所述裂纹缺陷类型为淬火缺陷；其中所述第一缺陷阈值小于第二缺陷阈值。
7.一种基于图像处理的金属零件表面质量控制系统，包括存储器、处理器以及存储在所述存储器中并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1-6任意一项所述方法的步骤。
CN202210176557.5A 2022-02-25 2022-02-25 一种基于图像处理的金属零件表面质量控制方法及系统 Active CN114240942B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210176557.5A CN114240942B (zh) 2022-02-25 2022-02-25 一种基于图像处理的金属零件表面质量控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210176557.5A CN114240942B (zh) 2022-02-25 2022-02-25 一种基于图像处理的金属零件表面质量控制方法及系统

Publications (2)

Publication Number Publication Date
CN114240942A true CN114240942A (zh) 2022-03-25
CN114240942B CN114240942B (zh) 2022-04-26

Family

ID=80748351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210176557.5A Active CN114240942B (zh) 2022-02-25 2022-02-25 一种基于图像处理的金属零件表面质量控制方法及系统

Country Status (1)

Country Link
CN (1) CN114240942B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114638833A (zh) * 2022-05-20 2022-06-17 海门市博洋铸造有限公司 基于机器视觉的有色金属压延质量检测方法及系统
CN114693651A (zh) * 2022-03-31 2022-07-01 南通三信塑胶装备科技股份有限公司 基于图像处理的橡胶圈流痕检测方法及装置
CN114742786A (zh) * 2022-03-31 2022-07-12 南通申东冶金机械有限公司 基于人工智能的齿面磨粒磨损程度评估方法
CN114742788A (zh) * 2022-04-01 2022-07-12 南通高精数科机械有限公司 一种基于机器视觉的铜排缺陷检测方法及系统
CN114972353A (zh) * 2022-08-02 2022-08-30 山东汇通工业制造有限公司 一种金属高压特种管件质量评估方法及系统
CN115018851A (zh) * 2022-08-10 2022-09-06 江苏紫琅汽车集团股份有限公司 汽车镀锌板镀锌质量控制方法及控制器
CN115049651A (zh) * 2022-08-15 2022-09-13 邹城市天晖软件科技有限公司 一种钣金冲压异常检测方法
CN116309547A (zh) * 2023-05-10 2023-06-23 成都飞机工业（集团）有限责任公司 一种零件表面质量检测方法、装置、设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130039574A1 (en) * 2011-08-09 2013-02-14 James P. McKay System and method for segmenting water, land and coastline from remote imagery
CN103745234A (zh) * 2014-01-23 2014-04-23 东北大学 一种带钢表面缺陷的特征提取与分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130039574A1 (en) * 2011-08-09 2013-02-14 James P. McKay System and method for segmenting water, land and coastline from remote imagery
CN103745234A (zh) * 2014-01-23 2014-04-23 东北大学 一种带钢表面缺陷的特征提取与分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
QIWU LUO 等；: "《Automated Visual Defect Classification for Flat Steel Surface: A Survey》", 《IEEE》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114693651A (zh) * 2022-03-31 2022-07-01 南通三信塑胶装备科技股份有限公司 基于图像处理的橡胶圈流痕检测方法及装置
CN114742786A (zh) * 2022-03-31 2022-07-12 南通申东冶金机械有限公司 基于人工智能的齿面磨粒磨损程度评估方法
CN114742786B (zh) * 2022-03-31 2023-08-29 山东西岳智能科技有限公司 基于人工智能的齿面磨粒磨损程度评估方法
CN114742788A (zh) * 2022-04-01 2022-07-12 南通高精数科机械有限公司 一种基于机器视觉的铜排缺陷检测方法及系统
CN114638833A (zh) * 2022-05-20 2022-06-17 海门市博洋铸造有限公司 基于机器视觉的有色金属压延质量检测方法及系统
CN114972353A (zh) * 2022-08-02 2022-08-30 山东汇通工业制造有限公司 一种金属高压特种管件质量评估方法及系统
CN115018851A (zh) * 2022-08-10 2022-09-06 江苏紫琅汽车集团股份有限公司 汽车镀锌板镀锌质量控制方法及控制器
CN115049651A (zh) * 2022-08-15 2022-09-13 邹城市天晖软件科技有限公司 一种钣金冲压异常检测方法
CN115049651B (zh) * 2022-08-15 2022-10-28 邹城市天晖软件科技有限公司 一种钣金冲压异常检测方法
CN116309547A (zh) * 2023-05-10 2023-06-23 成都飞机工业（集团）有限责任公司 一种零件表面质量检测方法、装置、设备及介质
CN116309547B (zh) * 2023-05-10 2023-09-19 成都飞机工业（集团）有限责任公司 一种零件表面质量检测方法、装置、设备及介质

Also Published As

Publication number Publication date
CN114240942B (zh) 2022-04-26

Similar Documents

Publication Publication Date Title
CN114240942B (zh) 一种基于图像处理的金属零件表面质量控制方法及系统
CN113689428B (zh) 基于图像处理的机械零件应力腐蚀检测方法及系统
CN115330783A (zh) 一种钢丝绳缺陷检测方法
CN106404793B (zh) 基于视觉的轴承密封件缺陷检测方法
CN113963042B (zh) 基于图像处理的金属零件缺陷程度评估方法
CN114219805B (zh) 一种玻璃缺陷智能检测方法
CN116740072B (zh) 基于机器视觉的道路表面缺陷检测方法及系统
CN115047162B (zh) 一种钢管热处理的缺陷检测方法及系统
CN116137036B (zh) 基于机器学习的基因检测数据智能处理系统
CN115131359B (zh) 一种金属加工件表面麻点缺陷检测方法
CN117689655B (zh) 基于计算机视觉的金属钮扣表面缺陷检测方法
CN116468728B (zh) 一种五金冲压件模具生产质量检测方法
CN115294099A (zh) 一种钢板轧制过程发纹缺陷的检测方法及系统
CN115272319B (zh) 一种矿石粒度检测方法
CN115082477B (zh) 一种基于去反光效果的半导体晶圆加工质量检测方法
CN112649793A (zh) 海面目标雷达点迹凝聚方法、装置、电子设备及存储介质
CN115131356A (zh) 一种基于丰富度的钢板缺陷分类方法
CN117788472B (zh) 一种基于dbscan算法的飞机蒙皮表面铆钉腐蚀程度判断的方法
CN116486091A (zh) 基于人工智能的风机叶片缺陷区域快速分割方法及系统
CN108416790B (zh) 一种用于工件破损率的检测方法
CN117437238A (zh) 一种封装ic表面缺陷视觉检测方法
CN116385440B (zh) 一种弧形刀片视觉检测方法
CN115578390B (zh) 一种用于除氧器的焊接控制方法
CN115423816B (zh) 一种金属表面磨削质量检测方法
CN116523871A (zh) 一种加工件缺陷检测方法、装置、电子设备及存储介质

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