CN114445348B - 基于光学手段的新材料水泵缺陷检测方法及系统 - Google Patents
基于光学手段的新材料水泵缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN114445348B CN114445348B CN202111665002.9A CN202111665002A CN114445348B CN 114445348 B CN114445348 B CN 114445348B CN 202111665002 A CN202111665002 A CN 202111665002A CN 114445348 B CN114445348 B CN 114445348B
- Authority
- CN
- China
- Prior art keywords
- crack
- undetermined
- obtaining
- edge
- pending
- 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.)
- Active
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Abstract
本发明涉及材料缺陷检测领域,具体涉及基于光学手段的新材料水泵缺陷检测方法及系统,包括:采集不同光源方向和不同光源波长下的所有图像数据,根据所有图像数据获得边缘热度图以及边缘遮罩图,获得边缘遮罩图上每个像素的缺陷描述向量,并通过对缺陷描述向量的聚类结果获得所有待定裂痕和待定裂痕置信度,根据待定裂痕置信度的取值范围对待定裂痕进行分类,并根据边缘热度图上获取的融合边缘对不用类别的待定裂痕的包含情况,不断筛选获得最终裂痕,并获得检测结果。本发明通过利用不同光源方向以及不同光源波长下材料表面的图像,获得检测结果,能够避免叶轮上使用痕迹的干扰,使得获得的裂痕准确,同时使得检测设备简单快捷。
Description
技术领域
本发明涉及材料缺陷检测领域,具体涉及基于光学手段的新材料水泵缺陷检测方法及系统。
背景技术
碳化硅陶瓷复合材料具有低密度、高强度、高耐磨性等特点,常常用于制作水泵的叶轮陶瓷涂层;但是当水泵工作时遇到泥沙石子时或者经过高强度的工作后依叶轮依然会被损伤,出现裂痕,影响叶轮的寿命和水泵的工作,因此需要对工作一定时间后的水泵进行检修,例如对叶轮进行缺陷检测。
现有检测碳化硅陶瓷复合材料的方法有超声显微镜技术、激光超声成像技术等,这些技术虽然能够获得精准的缺陷尺寸,但是设备昂贵、检测条件要求高、检测过程复杂,而水泵叶轮不是精密的器件,无需获取太过精密精准的缺陷尺寸,而且水泵叶轮往往需要经常性的检测,因此需要一种简单快捷准确性又高的检测方法和检测系统。
虽然常规的缺陷检测方法可以通过采集物体表面图像进行简单高效的缺陷检测,但是在检测叶轮的缺陷时, 需要获取叶轮表面复合材料的裂痕,这些裂痕是由于材料中的碳化硅晶格排列异常或晶体颗粒的接触面导致的,而工作一定时间之后的叶轮表面会有使用痕迹的干扰,例如划痕或异物等,导致常规缺陷方法容易将使用痕迹误判为裂痕,检测结果误差较大。而碳化硅陶瓷复合材料中由于晶格结构异常导致的裂痕对光源的方向较为敏感,而且不同晶型的晶格在不同波长的光下的成像特点也不同,因此利用常规的缺陷检测方法并加以改进即可实现对叶轮表面的缺陷检测。
发明内容
为了解决上述技术问题,本发明的目的在于提供基于光学手段的新材料水泵缺陷检测方法及系统,所采用的技术方案具体如下:
本发明提供了基于光学手段的新材料水泵缺陷检测方法,所述方法包括以下步骤:
采集所有光源方向下在所有波长光照下的叶轮表面图像数据,利用边缘检测算法提取所有图像上的边缘,叠加所有图像的边缘获得边缘热度图,并对边缘热度图进行阈值分割获得边缘遮罩图;
然后获取边缘遮罩图上的每个像素在所有图像上的灰度值集合,根据所述灰度值集合获得每个像素的缺陷描述向量;根据所有像素缺陷描述向量的聚类结果获得待定裂痕以及待定裂痕的置信度;
根据边缘热度图获得融合边缘,然后获得不同置信度取值范围的待定裂痕,根据融合边缘与所述待定裂痕的包含关系确定最终裂痕,并获得最终裂痕的位置和长度。
进一步地,所述的最终裂痕的获取步骤包括:
获取置信度大于第一阈值的第一待定裂痕,并获取裂痕置信度小于第二阈值的第二待定裂痕,再获取置信度小于等于第一阈值且大于等于第二阈值的第三待定裂痕;
利用边缘检测算法获得边缘热度图上的每个边缘,称为融合边缘,当融合边缘同时只包含第一待定裂痕和第三待定裂痕时,将第三待定裂痕归属为第一待定裂痕;
当融合边缘同时只包含第二待定裂痕和第三待定裂痕时,将第三待定裂痕归属为第二待定裂痕;
当融合边缘同时包含第一待定裂痕、第二待定裂痕、第三待定裂痕时,那么根据第一待定裂痕、第二待定裂痕计算第三待定裂痕所归属的待定裂痕;
当融合边缘只包含第三待定裂痕时,将第三待定裂痕称为不确定裂痕;
获得所有不确定裂痕之后,将所述第一阈值缩小,所述第二阈值增大,只针对不确定裂痕上的所有像素,重新计算第一待定裂痕、第二待定裂痕、第三待定裂痕,直至不确定裂痕不存在;
最后将所有的第一待定裂痕视为检测出的最终裂痕。
进一步地,所述的根据第一待定裂痕、第二待定裂痕计算第三待定裂痕所归属的待定裂痕的步骤包括:
将第一待定裂痕上所有像素的缺陷描述向量降维后再乘以第一待定矩阵,获得的结果称为第一向量集合,将第二待定裂痕上所有像素的缺陷描述向量降维后乘以第二待定矩阵,获得的结果称为第二向量集合,将第三待定裂痕上所有像素的缺陷描述向量降维后称为第三向量集合;将第一向量集合和第二向量集合合并为一个集合,称为融合集合;
获取使得融合集合中所有元素的均值、协方差矩阵与第三向量集合中所有元素的均值、协方差矩阵差别最小时候的第一待定矩阵和第二待定矩阵;
在获取到第一待定矩阵和第二待定矩阵的情况下,利用最大均值差异算法获得融合集合和第三向量集合的差异,当所述差异小于第三阈值时将第三待定裂痕归属于第一待定裂痕,否则将第三待定裂痕称为不确定裂痕。
进一步地,所述的每个像素的缺陷描述向量的获取步骤包括:
在边缘遮罩图上,获取灰度值为1的每个像素,获取每个像素在每个图像上的灰度值;并且以每个像素为中心构建窗口,获取所述窗口内的在每个图像上的所有像素的灰度值的众数,将所述灰度值与所述众数的差值的绝对值,称为每个像素在每个图像上的缺陷程度;
根据所有像素在所有图像上的所有缺陷程度,获得缺陷程度所有可能的取值结果,然后根据每个像素在所有图像上的缺陷程度集合,统计获得每个取值结果在所述集合中出现的概率,将所有取值结果上出现的概率合并为一个向量,称为每个像素的缺陷描述向量。
进一步地,所述的待定裂痕的置信度的获取步骤包括:
对待定裂痕上每个像素点的缺陷描述向量中各维度的值拟合混合高斯模型,所述混合高斯模型中只包含两个子高斯模型;将所述的两个子高斯模型的均值的差值的平方称为待定裂痕上每个像素点缺陷描述向量的特征值,将待定裂痕上所有像素点缺陷描述向量的特征值的均值称为待定裂痕的置信度。
进一步地,所述的待定裂痕的获取步骤包括:
对所有像素的缺陷描述向量进行均值漂移聚类,并获得所有第一类别,获取每个第一类别中的所有缺陷描述向量对应的所有像素,并利用DBSCAN聚类算法对所述所有像素的坐标进行聚类,获得所有第二类别,将每个第二类别中所有像素构成的纹理称为为每个待定裂痕。
进一步地,所述的边缘热度图的获取步骤包括:
将所有图像上提取到的边缘称为边缘二值图,获取每个像素在所有边缘二值图上的所有灰度值的均值,获取所有像素的所述均值构成的单通道图像,称为边缘热度图。
进一步地,所述的所有图像是利用一个相机在固定数量光源下采集到的,所述的固定数量的光源具有不同的照射角度和波长。
本发明还提供了基于光学手段的新材料水泵缺陷检测系统,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令,以实现所述的基于光学手段的新材料水泵缺陷检测方法。
本发明具有如下有益效果:
1.本发明通过利用不同光源方向以及不同光源波长下裂痕的特征不同的特点,最终获得水泵叶轮表面的裂痕,能够避免叶轮上使用痕迹的干扰,使得获得的裂痕准确,同时使得检测设备简单快捷。
2.本发明通过构建每个位置的缺陷描述向量,进而获得所有的待定裂痕及其置信度,通过对不同置信度的待定裂痕的筛选和分类,逐步获得准确的裂痕,充分利用了不同光源和波长下裂痕的光学特征,使得再获取裂痕过程中避免噪声的干扰,保证检测结果的准确。
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基于光学手段的新材料水泵缺陷检测方法的流程图。
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光学手段的新材料水泵缺陷检测方法及系统,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光学手段的新材料水泵缺陷检测方法的具体方案。
请参阅图1,其示出了本发明基于光学手段的新材料水泵缺陷检测方法,其特征在于,该方法包括以下步骤:
步骤S001,构建图像采集设备,并获取水泵叶轮表面的图像数据。
当叶轮在抽水时,由于泥沙石子以及水流的长时间冲击,导致由于叶轮表面碳化硅陶瓷涂层里的晶格排列异常或者晶体颗粒间的接触面异常,例如晶格之间或者晶体颗粒之间受力使得晶格或晶体颗粒接触面错位,宏观表现就时产生裂痕;由于晶格和晶体颗粒的物理结构,例如晶格表面的朝向、晶格的晶型,使得这些裂痕区别与使用痕迹的是裂痕对光的照射方向和光的波长比较敏感,因此本发明需要利用相机采集不同光照方向和光源波长下的叶轮表面图像;
本发明的图像采集设别包括:在高清相机周围环绕一圈均匀分布多个光源,每个光源可以发射不同波长的光,光源方向朝向相机视野中心俯视照射叶轮表面,在本发明中以18个光源为例进行叙述,每个光源有三个LED发光二极管构成,分别发出红、率、蓝三色光。
相机俯视叶轮表面,每个光源没发射一种波长的光,相机就采集一张图像,一共采集54张图像,每张图像都是灰度图,灰度图上每个像素的灰度值的取值为0到255的整数。
裂痕在图像中是一些边缘,而使用痕迹在图像中也是一些边缘,而且往往使用痕迹和裂痕一同伴随出现,常规方法无法区分这两种边缘;但是前者在某些光源方向和光照波长上相对明显,而后者无论在何种光源方向和光照波长上都相对明显,但是本发明无论是检测设备或者是检测对象上都存在一些较大的干扰和不确定行,本发明采用以下方法获得准确的裂痕。
为了后续的叙述,将裂痕和使用痕迹统一称为图像上的缺陷。叶轮表面的结构处会存在一些结构边缘,这些结构边缘利用现有的方法可以被检测出来,例如根据边缘两侧的图像的明暗差异即可获得该边缘是否为结构边缘,如果有差异就是结构边缘,如果没有差异就是裂痕或使用痕迹的边缘,因此后续就本发明不再考虑这种结构边缘。
步骤S002、根据采集的所有图像获得边缘热度图,并最终获得每个像素的缺陷描述向量。
对于采集的所有图像中,利用Canny边缘检测算法获取每一张图像的边缘二值图,边缘二值图上灰度值为1的所有像素就是获取到的边缘,灰度值为0的像素不在边缘上;获取每个像素在所有边缘二值图上的所有灰度值的均值,获取所有像素的所述均值构成的单通道图像,称为边缘热度图。然后将边缘热度图上灰度值大于0的所有像素的灰度值记为1,其他像素的灰度值不变,进而获得边缘遮罩图。边缘遮罩图上灰度值为1的像素表示的是裂痕或使用痕迹出现过的像素,减少后续的计算量,只考虑边缘遮罩图上灰度值为1像素。
在边缘遮罩图上,获取灰度值为1的任意一个像素p,获取该像素在第n个图像上的灰度值,n=1,2,3,…,N=54;并且以该像素p为中心构建窗口,本发明以窗口的大小为21×21为例进行叙述,获取所述窗口内的在第n个图像上的所有像素的灰度值,本发明中认为裂痕或使用痕迹在窗口内只有一小部分,窗口内大部分像素都不在裂痕上,本发明获取这些灰度值的众数,用表示无裂痕或使用痕迹处的灰度值;将所述灰度值与所述众数的差值的绝对值,称为该像素p在第n个图像上的缺陷程度,该值越大说明在光照的影响下,裂痕或使用痕迹处的灰度值和局部区域内没裂痕或使用痕迹处的灰度值差异较大,缺陷越明显。通过上述方法计算缺陷程度一方面避免图像不同位置由于光照造成的明暗不同的影响,另一方面能够准确的对缺陷特征进行描述。
根据所有像素在所有图像上的所有缺陷程度,获得缺陷程度所有可能的取值结果,假设有K个取值结果,将K个取值结果从小到大排列;然后根据像素p在所有图像上的缺陷程度集合统计获得第k个取值结果在所述集合中出现的概率,其中k=1,2,…,K,将K个取值结果出现的概率合并为一个K维向量,称为每个像素p的缺陷描述向量,用于表征每个像素在不同光源方向和光源波长下的缺陷程度统计和分布情况。
同理获得所有像素的缺陷描述向量。
步骤S003、根据所有像素缺陷描述向量的聚类结果获得待定裂痕以及待定裂痕的置信度。
对所有像素的缺陷描述向量进行均值漂移聚类,并获得所有第一类别,每个第一类别中的缺陷描述向量具有较大的相似性,获取每个第一类别中的所有缺陷描述向量对应的所有像素,并利用DBSCAN聚类算法对所述所有像素的坐标进行聚类,获得所有第二类别,第二类别是像素的集合,每个第二类别中的所有像素视为位置是连续分布的,而且具有相似的缺陷描述向量,那么每个第二类别中所有像素构成的一条边缘,因此本发明暂时无法确定该边缘是裂痕还是使用痕迹,因此将该边缘称为待定裂痕。
对于像素p,如果其处在一个裂痕上,那么该像素在大多数图像上其缺陷程度较小,在少部分图像上缺陷程度较大,因此该像素p的缺陷描述向量中前几个维度的值较大,中间几个维度的值较小,后几个维度的值相对较大;如果其处在一个使用痕迹上,那么该像素几乎在所有图像上其缺陷程度较大,因此该像素p的缺陷描述向量中前几个维度的值和中间几个维度的值较小,后几个维度的值相对较大;基于此,具体利用如下方法来描述像素p的缺陷:
当k=1,2,…,K是以为样本,利用EM算法拟合一个一维混合高斯模型,该混合高斯模型中子高斯模型的数量设置为2;分别获取两个子高斯模型的均值a1、a2;如果a1与a2差别越大,那么说明像素p越可能处于裂痕上;如果a1与a2差别越小,甚至两者相等,,那么说明像素p越可能处于使用痕迹上;本发明令表示像素p的缺陷描述向量的特征值。那么每个待定裂痕上所有像素的缺陷描述向量的特征值的均值视为每个待定裂痕的置信度;置信度越大的待定裂痕越可能是裂痕,置信度越小的待定裂痕越可能是使用痕迹。
步骤S004、根据边缘热度图以及不同置信度的待定裂痕获得最终的裂痕。
将置信度大于第一阈值的待定裂痕称为第一待定裂痕,将裂痕置信度小于第二阈值的第二待定裂痕,将置信度小于等于第一阈值且大于等于第二阈值的第三待定裂痕;本发明以第一阈值等于0.75、第二阈值等于0.3为例进行叙述。
利用边缘检测算法获得边缘热度图上的每个边缘,称为融合边缘,融合边缘也是一些像素的集合,融合边缘的像素中即可能来自于裂痕上,也可能来自于使用痕迹上,由于存在使用痕迹和裂痕伴随出现的情况,因此融合边缘可能存在裂痕和使用痕迹一同出现的情况;本发明所述的待定裂痕也是像素的集合。当待定边缘中的像素有百分之九十以上都在融合边缘中时,认为融合边缘包含了待定边缘,否则不包含。最终的裂痕的获取方法如下,所述的最终的裂痕是指碳化硅陶瓷涂层上晶格排列异常或晶体颗粒的接触面导致的裂痕:
1)当任意一个融合边缘同时只包含第一待定裂痕和第三待定裂痕时,将该第三待定裂痕归属为第一待定裂痕;因为没有出现第二待定裂痕,说明第三待定裂痕的出现很可能时由于误差和噪声导致的,其仍然是第一待定裂痕,所述的噪声和误差的出现是由于图像采集设备简单和被检测物体表面噪声大以及像素的缺陷描述向量计算有误差导致的;
2)当融合边缘同时只包含第二待定裂痕和第三待定裂痕时,将第三待定裂痕归属为第二待定裂痕;因为没有出现第一待定裂痕,说明第三待定裂痕的出现很可能时由于误差和噪声导致的,其仍然是第二待定裂痕;
3)当融合边缘同时包含第一待定裂痕、第二待定裂痕、第三待定裂痕时,那么根据第一待定裂痕、第二待定裂痕计算第三待定裂痕所归属的待定裂痕,具体方法为:
首先将第一待定裂痕上所有像素的缺陷描述向量和第二待定裂痕上所有像素的缺陷描述向量以及第三待定裂痕上所有像素的缺陷描述向量合并为一个集合,然后对该集合中的所有缺陷描述向量利用PCA算法进行降维,以降维为5为例,获得第一待定裂痕上所有像素的缺陷描述向量的降维结果,记为第一向量集合S1, 获得第二待定裂痕上所有像素的缺陷描述向量的降维结果,记为第二向量集合S2,获得第三待定裂痕上所有像素的缺陷描述向量的降维结果,记为第三向量集合S3;降维的目的在于一方面减少后续计算量,另一方面排除噪声的干扰,使得后续的计算具有鲁棒性,保证最终的裂痕获取的准确性。
如果S3的所有像素的缺陷描述向量是由S1和S2中的缺陷描述向量叠加融合而成的,那么说明第三待定裂痕是由于裂痕和使用痕迹伴随产生而存在的,即第三待定裂痕中即融合了裂痕又融合了使用痕迹; 如果S3的所有像素的缺陷描述向量不能由S1和S2中的缺陷描述向量叠加融合而成的,那么说明第三待定裂痕称为不确定裂痕。
将S1中的缺陷描述向量乘以第一待定矩阵X,获得的结果称为第一向量集合,所述的第一待定矩阵X是一个未知的、待确定的矩阵,是一个大小为5×5的对角矩阵;将第二待定裂痕上所有像素的缺陷描述向量乘以第二待定矩阵Y,获得的结果称为第二向量集合,所述的第二待定矩阵Y是一个大小为5×5的一个未知的、待确定的对角矩阵;将S1和S2合并为一个集合,称为融合集合;计算融合集合的均值和协方差矩阵,分别记为,并计算第三向量集合的均值和协方差矩阵分别记为。
首先构造关于X、Y的目标函数
然后利用梯度下降法求得使得最小的X、Y;当得到X、Y后,利用最大均值差异算法获得融合集合与第三向量集合的差异,该差异越大越小,说明S3的所有像素的缺陷描述向量约有可能是由S1和S2中的缺陷描述向量叠加融合而成的;该差异越大,说明S3的所有像素的缺陷描述向量约不可能是由S1和S2中的缺陷描述向量叠加融合而成的。当该差异小于第三阈值时,认为第三待定裂痕就是由于裂痕和使用痕迹伴随产生而存在的,那么将第三待定裂痕归属于第一待定裂痕;当该差异大于等于第三阈值时,将第三待定裂痕称为不确定裂痕。
4)当融合边缘只包含第三待定裂痕时,将第三待定裂痕称为不确定裂痕,
当获取所有的不确定裂痕后,将所述第一阈值缩小为原来的0.2倍,所述第二阈值增大原来的0.2倍,只针对所有不确定裂痕上的所有像素,重新根据步骤S004计算第一待定裂痕、第二待定裂痕、第三待定裂痕,直至不确定裂痕不存在。
5)最后将所有的第一待定裂痕视为检测出的最终裂痕,并将每个最终裂痕的位置和长度作为检测结果,所述的每个最终裂痕的长度是指最终裂痕上包含的像素数量。
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 (4)
1.基于光学手段的新材料水泵缺陷检测方法,其特征在于,所述方法包括以下步骤:
采集所有光源方向下在所有波长光照下的叶轮表面图像数据,利用边缘检测算法提取所有图像上的边缘,叠加所有图像的边缘获得边缘热度图,并对边缘热度图进行阈值分割获得边缘遮罩图;
然后获取边缘遮罩图上的每个像素在所有图像上的灰度值集合,根据所述灰度值集合获得每个像素的缺陷描述向量;根据所有像素缺陷描述向量的聚类结果获得待定裂痕以及待定裂痕的置信度;
根据边缘热度图获得融合边缘,然后获得不同置信度取值范围的待定裂痕,根据融合边缘与所述待定裂痕的包含关系确定最终裂痕,并获得最终裂痕的位置和长度;
所述的最终裂痕的获取步骤包括:
获取置信度大于第一阈值的第一待定裂痕,并获取裂痕置信度小于第二阈值的第二待定裂痕,再获取置信度小于等于第一阈值且大于等于第二阈值的第三待定裂痕;
利用边缘检测算法获得边缘热度图上的每个边缘,称为融合边缘,当融合边缘同时只包含第一待定裂痕和第三待定裂痕时,将第三待定裂痕归属为第一待定裂痕;
当融合边缘同时只包含第二待定裂痕和第三待定裂痕时,将第三待定裂痕归属为第二待定裂痕;
当融合边缘同时包含第一待定裂痕、第二待定裂痕、第三待定裂痕时,那么根据第一待定裂痕、第二待定裂痕计算第三待定裂痕所归属的待定裂痕;
当融合边缘只包含第三待定裂痕时,将第三待定裂痕称为不确定裂痕;
获得所有不确定裂痕之后,将所述第一阈值缩小,所述第二阈值增大,只针对不确定裂痕上的所有像素,重新计算第一待定裂痕、第二待定裂痕、第三待定裂痕,直至不确定裂痕不存在;
最后将所有的第一待定裂痕视为检测出的最终裂痕;
所述的每个像素的缺陷描述向量的获取步骤包括:
在边缘遮罩图上,获取灰度值为1的每个像素,获取每个像素在每个图像上的灰度值;并且以每个像素为中心构建窗口,获取所述窗口内的在每个图像上的所有像素的灰度值的众数,将所述灰度值与所述众数的差值的绝对值,称为每个像素在每个图像上的缺陷程度;
根据所有像素在所有图像上的所有缺陷程度,获得缺陷程度所有可能的取值结果,然后根据每个像素在所有图像上的缺陷程度集合,统计获得每个取值结果在所述集合中出现的概率,将所有取值结果上出现的概率合并为一个向量,称为每个像素的缺陷描述向量;
所述的待定裂痕的置信度的获取步骤包括:
对待定裂痕上每个像素点的缺陷描述向量中各维度的值拟合混合高斯模型,所述混合高斯模型中只包含两个子高斯模型;将所述的两个子高斯模型的均值的差值的平方称为待定裂痕上每个像素点缺陷描述向量的特征值,将待定裂痕上所有像素点缺陷描述向量的特征值的均值称为待定裂痕的置信度;
所述的待定裂痕的获取步骤包括:
对所有像素的缺陷描述向量进行均值漂移聚类,并获得所有第一类别,获取每个第一类别中的所有缺陷描述向量对应的所有像素,并利用DBSCAN聚类算法对所述所有像素的坐标进行聚类,获得所有第二类别,将每个第二类别中所有像素构成的纹理称为每个待定裂痕;
所述的边缘热度图的获取步骤包括:
将所有图像上提取到的边缘称为边缘二值图,获取每个像素在所有边缘二值图上的所有灰度值的均值,获取所有像素的所述均值构成的单通道图像,称为边缘热度图。
2.根据权利要求1所述的基于光学手段的新材料水泵缺陷检测方法,其特征在于,所述的根据第一待定裂痕、第二待定裂痕计算第三待定裂痕所归属的待定裂痕的步骤包括:
将第一待定裂痕上所有像素的缺陷描述向量降维后再乘以第一待定矩阵,获得的结果称为第一向量集合,将第二待定裂痕上所有像素的缺陷描述向量降维后乘以第二待定矩阵,获得的结果称为第二向量集合,将第三待定裂痕上所有像素的缺陷描述向量降维后称为第三向量集合;将第一向量集合和第二向量集合合并为一个集合,称为融合集合;
获取使得融合集合中所有元素的均值、协方差矩阵与第三向量集合中所有元素的均值、协方差矩阵差别最小时候的第一待定矩阵和第二待定矩阵;
在获取到第一待定矩阵和第二待定矩阵的情况下,利用最大均值差异算法获得融合集合和第三向量集合的差异,当所述差异小于第三阈值时将第三待定裂痕归属于第一待定裂痕,否则将第三待定裂痕称为不确定裂痕。
3.根据权利要求1所述的基于光学手段的新材料水泵缺陷检测方法,其特征在于,所述的所有图像是利用一个相机在固定数量光源下采集到的,所述的固定数量的光源具有不同的照射角度和波长。
4.基于光学手段的新材料水泵缺陷检测系统,其特征在于,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令,以实现如权利要求1-3中任一项所述的基于光学手段的新材料水泵缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111665002.9A CN114445348B (zh) | 2021-12-31 | 2021-12-31 | 基于光学手段的新材料水泵缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111665002.9A CN114445348B (zh) | 2021-12-31 | 2021-12-31 | 基于光学手段的新材料水泵缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114445348A CN114445348A (zh) | 2022-05-06 |
CN114445348B true CN114445348B (zh) | 2022-11-29 |
Family
ID=81366315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111665002.9A Active CN114445348B (zh) | 2021-12-31 | 2021-12-31 | 基于光学手段的新材料水泵缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114445348B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693676B (zh) * | 2022-05-31 | 2022-08-19 | 南通市通州翔鹏纺织品有限公司 | 一种新材料纺织品漂白缺陷光学检测方法及装置 |
CN115601368B (zh) * | 2022-12-16 | 2023-05-16 | 山东天意高科技有限公司 | 一种建材装备钣金件缺陷检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108447070A (zh) * | 2018-03-15 | 2018-08-24 | 中国科学院沈阳自动化研究所 | 一种基于像素向量不变关系特征的工业零件缺损检测算法 |
CN113066054A (zh) * | 2021-03-12 | 2021-07-02 | 武汉大学 | 一种用于计算机辅助诊断的宫颈oct图像特征可视化方法 |
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 |
CN113724253A (zh) * | 2021-10-13 | 2021-11-30 | 南通保利金纺织科技有限公司 | 基于图像处理的纺纱梳理工序质量监测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11410298B2 (en) * | 2017-12-05 | 2022-08-09 | Raytheon Technologies Corporation | System and method for determining part damage |
CN113436168B (zh) * | 2021-06-25 | 2023-07-18 | 重庆邮电大学 | 一种用于工业焊缝x光图中的裂纹缺陷检测方法 |
CN113538429B (zh) * | 2021-09-16 | 2021-11-26 | 海门市创睿机械有限公司 | 基于图像处理的机械零件表面缺陷检测方法 |
-
2021
- 2021-12-31 CN CN202111665002.9A patent/CN114445348B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108447070A (zh) * | 2018-03-15 | 2018-08-24 | 中国科学院沈阳自动化研究所 | 一种基于像素向量不变关系特征的工业零件缺损检测算法 |
CN113066054A (zh) * | 2021-03-12 | 2021-07-02 | 武汉大学 | 一种用于计算机辅助诊断的宫颈oct图像特征可视化方法 |
CN113724253A (zh) * | 2021-10-13 | 2021-11-30 | 南通保利金纺织科技有限公司 | 基于图像处理的纺纱梳理工序质量监测方法 |
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 |
Non-Patent Citations (2)
Title |
---|
crack detect edge grey value;Song Qiang等;《2016 2nd International Conference on Control Science and Systems Engineering (ICCSSE)》;20161215;第64-67页 * |
人造板表面缺陷检测图像自适应快速阈值分割算法;郭慧等;《林业科学》;20181130;第134-142页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114445348A (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114445348B (zh) | 基于光学手段的新材料水泵缺陷检测方法及系统 | |
CN109829914B (zh) | 检测产品缺陷的方法和装置 | |
KR101934313B1 (ko) | 검사 이미지들 내에서 결함들을 검출하기 위한 시스템, 방법 및 컴퓨터 프로그램 제품 | |
CN115020267B (zh) | 一种半导体表面缺陷检测方法 | |
JP5225297B2 (ja) | ウエハー上に形成されたダイに於けるアレイ領域の認識方法、ならびに係る方法の設定方法 | |
TW202029071A (zh) | 用於判定空白光罩上之缺陷之類型及尺寸之系統及方法 | |
CN112424826A (zh) | 基于机器学习的图案分组方法 | |
CN116030060B (zh) | 一种塑料颗粒质量检测方法 | |
JP2010520622A (ja) | ウェーハ上に形成されたアレイ領域のための検査領域のエッジを正確に識別する方法、及び、ウェーハ上に形成されたアレイ領域に検知された欠陥をビニングする方法 | |
CN114495098B (zh) | 一种基于显微镜图像的盘星藻类细胞统计方法及系统 | |
CN113627457A (zh) | 基于深度学习使用晶圆缺陷图像对晶圆内的缺陷进行分类的方法和系统 | |
Kuo et al. | Integrating image processing and classification technology into automated polarizing film defect inspection | |
CN113920096A (zh) | 一种集成电路金属封装缺陷检测方法 | |
TWI711006B (zh) | 用於使用局部調適閾值識別製造組件缺陷之系統、方法及電腦程式產品 | |
CN114092387A (zh) | 生成可用于检查半导体样本的训练数据 | |
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 | |
CN116703251B (zh) | 基于人工智能的胶圈生产质量检测方法 | |
CN113538392B (zh) | 晶圆的检测方法、设备及存储介质 | |
KR20190098271A (ko) | 광학 도구에 의해 캡처되는 결함 및 분류기를 위한 진단 방법 | |
CN117152129B (zh) | 一种电池盖板的表面缺陷视觉检测方法及系统 | |
CN110619336A (zh) | 基于图像处理的货品识别算法 | |
CN116934752A (zh) | 一种基于人工智能的玻璃检测方法及系统 | |
Chen et al. | Robust dislocation defects region segmentation for polysilicon wafer image with random texture background | |
JP2006292615A (ja) | 外観検査装置、外観検査方法、コンピュータを外観検査装置として機能させるためのプログラムおよび記録媒体 | |
Chow et al. | Automated visual inspection system for mass production of hard disk drive media |
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 |