CN114663416B - 基于计算机视觉的铜排冷隔缺陷检测方法及系统 - Google Patents
基于计算机视觉的铜排冷隔缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN114663416B CN114663416B CN202210346875.1A CN202210346875A CN114663416B CN 114663416 B CN114663416 B CN 114663416B CN 202210346875 A CN202210346875 A CN 202210346875A CN 114663416 B CN114663416 B CN 114663416B
- Authority
- CN
- China
- Prior art keywords
- cold
- defect
- grid
- contour
- outsourcing
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 350
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 55
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 55
- 239000010949 copper Substances 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000012946 outsourcing Methods 0.000 claims abstract description 142
- 238000009413 insulation Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 16
- 238000002955 isolation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 17
- 239000002994 raw material Substances 0.000 description 11
- 230000008859 change Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000004888 barrier function Effects 0.000 description 7
- 238000000926 separation method Methods 0.000 description 7
- 238000001125 extrusion Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000001816 cooling Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及机器视觉技术领域,具体涉及一种基于计算机视觉的铜排冷隔缺陷检测方法及系统,包括:获取铜排的表面图像和该表面图像的灰度图像,进而确定待确定类型的冷隔缺陷以及该冷隔缺陷的各个边缘像素点;根据各个边缘像素点的位置和梯度,确定各个边缘像素点中的外包轮廓像素点;根据外包轮廓像素点的梯度方向以及各个边缘像素点的位置和梯度幅值,确定各个外包轮廓像素点的平滑度指标值;根据外包轮廓像素点的平滑度指标值,计算冷隔缺陷两侧轮廓平滑度匹配度,进而确定待检测铜排的冷隔缺陷类型。本发明可以准确、快速地识别出冷隔缺陷的具体缺陷类型,提高了确定冷隔缺陷类型的效率。
Description
技术领域
本发明涉及机器视觉技术领域,具体涉及一种基于计算机视觉的铜排冷隔缺陷检测方法及系统。
背景技术
在铜排生产过程中,目前应用较为广泛的生产工艺为连续挤压法。在铜排的连续挤压生产过程中会出现各种缺陷,而冷隔缺陷作为最主要缺陷之一,其会造成铜排强度不足,容易在后续的铜排拉伸等成型工艺进行中形成断裂,严重影响铜排质量。
铜排冷隔缺陷的产生原因主要分为内部原因与外部原因两种,内部原因为原料上引铜杆坯内部含有较大气泡,从而在原料内部产生金属不连续的现象,这样的原料铜杆坯料在送入连续挤压机的模具腔之前会在经过原料导板与堵头时发生气泡破裂的可能,使气泡内表面变为新的外表面,在模具腔内被挤压时气泡内表面会相互重叠,产生冷隔缺陷。
外部原因为模腔、导料板与挤压轮间距过大,挤压过程中上引铜杆坯料尚有部分活动空间,从而出现铜杆弯曲折叠现象,折叠过程中上引杆表面的氧化物、油污等杂质被带入折叠间隙中,在模腔内阻碍熔合,形成冷隔缺陷。
上述两种冷隔缺陷形成原因不同,但因其均会对铜排产品质量造成严重影响,因此在生产过程中准确识别冷隔缺陷产生原因是提升产品质量控制效益的关键,现有对两种冷隔缺陷的归因方式依赖人工目测评价,效率低下,而一般的神经网络算法需要大量的训练数据进行网络训练,数据成本较高。因此需要一种可以自动对铜排冷隔缺陷进行归因的缺陷检测方法来提高生产线自动化程度,进一步提升产品质量以及生产效率。
发明内容
本发明的目的在于提供一种基于计算机视觉的铜排冷隔缺陷检测方法及系统,用于解决现有人工确定冷隔缺陷的类型效率较低的问题。
为解决上述技术问题,本发明提供了一种基于计算机视觉的铜排冷隔缺陷检测方法,包括以下步骤:
获取铜排的表面图像,进而获取表面图像中的待确定类型的冷隔缺陷区域的灰度图像,并根据所述灰度图像,获取待确定类型的冷隔缺陷的各个边缘像素点;
根据各个边缘像素点的位置和梯度,确定各个边缘像素点中的各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点;
根据各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点的梯度方向以及各个边缘像素点的位置和梯度幅值,确定各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点的平滑度指标值;
根据各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点的平滑度指标值,计算冷隔缺陷两侧轮廓平滑度匹配度,并根据冷隔缺陷两侧轮廓平滑度匹配度,确定待检测铜排的冷隔缺陷类型。
进一步的,确定各个边缘像素点中的各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点的步骤包括:
根据各个边缘像素点的位置,确定各个边缘像素点中的各个第一侧边缘像素点和第二侧边缘像素点,分别对各个第一侧边缘像素点所在的区域和各个第二侧边缘像素点所在区域的最小外接矩形进行网格划分,得到冷隔缺陷的各个第一侧网格和第二侧网格;
根据冷隔缺陷的各个第一侧网格和第二侧网格内的边缘像素点数目,确定各个第一侧网格中的各个第一侧外轮廓网格以及各个第二侧网格中的各个第二侧外轮廓网格;
根据各个第一侧外轮廓网格和第二侧外轮廓网格内的边缘像素点的梯度方向,确定各个第一侧外轮廓网格中的各个冷隔缺陷第一侧轮廓网格以及各个第二侧外轮廓网格中的各个冷隔缺陷第二侧轮廓网格;
根据各个第一侧外轮廓网格和第二侧外轮廓网格内的边缘像素点的位置以及各个冷隔缺陷第一侧轮廓网格和冷隔缺陷第二侧轮廓网格,确定各个边缘像素点中的各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点。
进一步的,确定各个第一侧网格中的各个第一侧外轮廓网格以及各个第二侧网格中的各个第二侧外轮廓网格的步骤包括:
若第一侧网格中至少存在一个边缘像素点,且该第一侧网格的至少一个相邻的第一侧网格中不存在边缘像素点,则该第一侧网格为第一侧外轮廓网格;
若第二侧网格中至少存在一个边缘像素点,且该第二侧网格的至少一个相邻的第二侧网格中不存在边缘像素点,则该第二侧网格为第二侧外轮廓网格。
进一步的,确定各个第一侧外轮廓网格中的各个冷隔缺陷第一侧轮廓网格以及各个第二侧外轮廓网格中的各个冷隔缺陷第二侧轮廓网格的步骤包括:
根据各个第一侧外轮廓网格内的边缘像素点的梯度方向,确定各个第一侧外轮廓网格对应的网格搜索方向,根据各个第二侧外轮廓网格中的边缘像素点的梯度方向,确定各个第二侧外轮廓网格对应的网格搜索方向;
沿着任意一个第一侧外轮廓网格a对应的网格搜索方向对下一个外轮廓网格进行搜索,若第一次搜索到的外轮廓网格为第一侧外轮廓网格,则该第一侧外轮廓网格a不属于冷隔缺陷第一侧轮廓网格,若第一次搜索到的外轮廓网格为第二侧外轮廓网格,则该第一侧外轮廓网格a属于冷隔缺陷第一侧轮廓网格;
沿着任意一个第二侧外轮廓网格b对应的网格搜索方向对下一个外轮廓网格进行搜索,若第一次搜索到的外轮廓网格为第二侧外轮廓网格,则该第二侧外轮廓网格b不属于冷隔缺陷第二侧轮廓网格,若第一次搜索到的外轮廓网格为第一侧外轮廓网格,则该第二侧外轮廓网格b属于冷隔缺陷第二侧轮廓网格。
进一步的,确定各个边缘像素点中的各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点的步骤包括:
根据各个第一侧外轮廓网格和第二侧外轮廓网格内的边缘像素点的位置,确定初始的各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点;
判断初始的各个冷隔缺陷第一侧外包轮廓像素点是否位于各个冷隔缺陷第一侧轮廓网格内,并将位于冷隔缺陷第一侧轮廓网格内的初始的冷隔缺陷第一侧外包轮廓像素点作为最终的冷隔缺陷第一侧外包轮廓像素点;
判断初始的各个冷隔缺陷第二侧外包轮廓像素点是否位于各个冷隔缺陷第二侧轮廓网格内,并将位于冷隔缺陷第二侧轮廓网格内的初始的冷隔缺陷第二侧外包轮廓像素点作为最终的冷隔缺陷第二侧外包轮廓像素点。
进一步的,确定各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点的平滑度指标值的步骤包括:
根据各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点的梯度方向,确定各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点的目标射线;
确定各个目标射线所经过的各个第一侧网格或第二侧网格,进而确定各个目标射线所经过的各个第一侧网格或第二侧网格内的各个边缘像素点在对应目标射线上的投射点;
计算目标射线上的两两相邻的投射点的距离以及两两相邻的投射点所对应的两个边缘像素点的梯度幅值的差值,进而确定该目标射线上的两两相邻的投射点对应的梯度幅值相对差,并对确定的梯度幅值相对差进行归一化处理;
根据目标射线上的两两相邻的投射点对应的归一化处理后的梯度幅值相对差,确定对应的冷隔缺陷第一侧外包轮廓像素点或冷隔缺陷第二侧外包轮廓像素点的平滑度指标值。
进一步的,冷隔缺陷第一侧外包轮廓像素点或冷隔缺陷第二侧外包轮廓像素点的平滑度指标值对应的计算公式为:
其中,μu为第u个冷隔缺陷第一侧外包轮廓像素点或冷隔缺陷第二侧外包轮廓像素点的平滑度指标值,γu为第u个冷隔缺陷第一侧外包轮廓像素点或冷隔缺陷第二侧外包轮廓像素点对应的目标射线上的两两相邻的投射点对应的归一化处理后的梯度幅值相对差的平均值,σu为第u个冷隔缺陷第一侧外包轮廓像素点或冷隔缺陷第二侧外包轮廓像素点对应的目标射线上的两两相邻的投射点对应的归一化处理后的梯度幅值相对差的方差。
进一步的,计算冷隔缺陷两侧轮廓平滑度匹配度的步骤包括:
根据各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点的平滑度指标值,利用DTW匹配算法计算冷隔缺陷两侧轮廓平滑度匹配度;
对计算出的冷隔缺陷两侧轮廓平滑度匹配进行归一化处理,并将归一化处理后的冷隔缺陷两侧轮廓平滑度匹配作为最终的冷隔缺陷两侧轮廓平滑度匹配度。
进一步的,确定待检测铜排的冷隔缺陷类型的步骤包括:
若冷隔缺陷两侧轮廓平滑度匹配度不小于设定匹配度阈值,则判定该待确定类型的冷隔缺陷的缺陷类型为外部原因冷隔缺陷;否则,判定该待确定类型的冷隔缺陷的缺陷类型为内部原因冷隔缺陷。
为解决上述技术问题,本发明还提供了一种基于计算机视觉的铜排冷隔缺陷检测系统,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上述的基于计算机视觉的铜排冷隔缺陷检测方法。
本发明具有如下有益效果:本发明通过对待确定类型的冷隔缺陷的各个边缘像素点进行识别,进而确定各个边缘像素点中的外包轮廓像素点,然后基于包轮廓像素点的梯度方向以及各个边缘像素点的位置和梯度幅值,确定冷隔缺陷两侧的各个外包轮廓像素点对应的平滑度指标,由于内部原因和外部原因引起的冷隔缺陷的两侧的凹陷情况不一样,因此通过对比冷隔缺陷两侧的各个外包轮廓像素点对应的平滑度指标值,即可以准确地确定待检测铜排的冷隔缺陷类型,有效提高了确定冷隔缺陷类型的效率。
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为本发明的基于计算机视觉的铜排冷隔缺陷检测方法的流程图;
图2为本发明的像素点的梯度方向示意图;
图3为本发明的冷隔缺陷两侧的边缘像素点分布示意图;
图4为本发明的冷隔缺陷两侧的外轮廓网格的示意图;
图5为本发明的外轮廓网格对应的网格搜索方向的示意图;
图6为本发明的确定外包轮廓像素点的示意图;
图7为本发明的外包轮廓像素点的目标射线示意图。
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技术方案的具体实施方式、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。
本实施例提供了一种基于计算机视觉的铜排冷隔缺陷检测方法,其对应的流程图如图1所示,具体包括以下步骤:
(1)获取铜排的表面图像,进而获取表面图像中的待确定类型的冷隔缺陷区域的灰度图像,并根据所述灰度图像,获取待确定类型的冷隔缺陷的各个边缘像素点。
在连续挤压铜排制品产出口设置相机,以获得铜排的表面RGB图像,根据表面RGB图像,确定表面图像中的待确定类型的冷隔缺陷区域图像。由于确定表面图像中的待确定类型的冷隔缺陷区域图像的具体实现方式属于现有技术,此处不再赘述。将冷隔缺陷区域图像转化为灰度图像,利用sobel算子计算灰度图像中冷隔缺陷区域各个像素点在x,y轴方向的梯度gx,gy,则各个像素点的梯度幅值其对应的梯度方向为θ=arctan(gy/gx),梯度方向示意图如图2所示。在图2中,x轴的正方向为竖直向下,y轴的正方向为水平向右。
统计灰度图像上各像素点的梯度幅值,得到像素点梯度幅值的直方图。进而基于该直方图中的梯度幅值进行阈值分割,即基于该直方图中的梯度幅值,寻找一个梯度幅值阈值将灰度图像上梯度幅值小于的像素点的梯度幅值置零,其余像素点的梯度幅值不变并标记为边缘像素点,这些边缘像素点即为待确定类型的冷隔缺陷的各个边缘像素点。
需要说明的是,上述仅仅是给出了一种获取待确定类型的冷隔缺陷的各个边缘像素点的具体实施方式,作为其他的实施方式,也可以采用现有技术中的其他边缘像素点检测技术来获取待确定类型的冷隔缺陷的各个边缘像素点。
(2)根据各个边缘像素点的位置和梯度,确定各个边缘像素点中的各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点,具体实现步骤包括:
(2-1)根据各个边缘像素点的位置,确定各个边缘像素点中的各个第一侧边缘像素点和第二侧边缘像素点,分别对各个第一侧边缘像素点所在的区域和各个第二侧边缘像素点所在区域的最小外接矩形进行网格划分,得到冷隔缺陷的各个第一侧网格和第二侧网格。
由于冷隔缺陷在图像上表现为一条缝隙,经过步骤(1)所获取的各个边缘像素点位于该缝隙的两侧,且每一侧的各个边缘像素点均整体沿着缝隙的延伸方向密集分布,并形成了一个像素点连通区域。在本实施例中,如图3所示,0表示冷隔缺陷,1表示冷隔缺陷的左侧的各个边缘像素点密集分布所构成的像素点连通域,2表示冷隔缺陷的右侧的各个边缘像素点密集分布所构成的像素点连通域,两条实线表示的冷隔缺陷的左右两侧的实际边缘线。基于经过步骤(1)所获取的各个边缘像素点的这种分布特点,可以根据各个边缘像素点的位置,对这些边缘像素点进行分类,从而得到各个边缘像素点中的各个第一侧边缘像素点和第二侧边缘像素点,具体分类实现方式属于现有技术,此处不再赘述。在本实施例中,如图3所示,通过对步骤(1)所获取的各个边缘像素点进行分类处理,可以得到各个边缘像素点中的各个左侧边缘像素点和右侧边缘像素点,这里将左侧作为第一侧,将右侧作为第二侧。
在确定各个第一侧边缘像素点和第二侧边缘像素点之后,根据各个第一侧边缘像素点和第二侧边缘像素点的位置,分别对各个第一侧边缘像素点和第二侧边缘像素点所在区域的最小外接矩形,即各个第一侧边缘像素点所构成的像素点连通域以及各个第二侧边缘像素点所构成的像素点连通域的最小外接矩阵,进行网格划分,将两个最小外接矩阵均划分成单个网格大小为l*l,这些网格可以将各个边缘像素点完全覆盖住,且网格的边长l可以根据需要来设定。由于网格划分的具体过程属于现有技术,此处不再赘述。
在划分网格后,分别对第一侧的网格和第二侧的网格所在区域建立坐标系,构建坐标系的方式可以参考图2,即以最左上方的一个网格的左上方端点为原点,x轴的正方向为竖直向下,y轴的正方向为水平向右。此时,对于位于第一侧的网格或第二侧的网格中的任意一个边缘像素点Pi(xi,yi),其所在的单个网格位置如下:
其中,int()表示对括号内的数据向下取整,m、n为单个网格的行数、列数,xmin为各个第一侧边缘像素点或第二侧边缘像素点对应横坐标的最小值,ymin为各个第一侧边缘像素点或第二侧边缘像素点对应纵坐标的最小值。
(2-2)根据冷隔缺陷的各个第一侧网格和第二侧网格内的边缘像素点数目,确定各个第一侧网格中的各个第一侧外轮廓网格以及各个第二侧网格中的各个第二侧外轮廓网格。
由于经过步骤(1)所获取的冷隔缺陷的两侧的各个边缘像素点密集分布,基于这种特点,对于第一侧网格或第二侧网格,其均有三种情况:
情况1:空网格,网格内部没有边缘像素点。
情况2:外轮廓网格,网格内部至少有一个边缘像素点,且与该网格相邻的网格中存在空网格。
情况3:内部网格,网格内部至少有一个边缘像素点,且与该网格相邻的网格中没有空网格。
因此,可以根据冷隔缺陷的各个第一侧网格和第二侧网格内的边缘像素点数目,确定各个第一侧外轮廓网格和各个第二侧外轮廓网格,即:若第一侧网格中至少存在一个边缘像素点,且该第一侧网格的至少一个相邻的第一侧网格中不存在边缘像素点,则该第一侧网格为第一侧外轮廓网格;若第二侧网格中至少存在一个边缘像素点,且该第二侧网格的至少一个相邻的第二侧网格中不存在边缘像素点,则该第二侧网格为第二侧外轮廓网格。这些第一侧外轮廓网格和第二侧外轮廓网格是指覆盖冷隔缺陷两侧的周边边缘像素点的网格,各个第一侧外轮廓网格构成了一个闭环,各个第二侧外轮廓网格构成了一个网格闭环,这两个网格闭环分别位于冷隔缺陷的两侧。如图4所示,3和4是指冷隔缺陷的左侧的周边的各个边缘像素点的位置,4和6是指冷隔缺陷的右侧的周边的各个边缘像素点的位置,覆盖这些周边的边缘像素点位置的网格即为外轮廓网格,左侧的各个外轮廓网格构成了一个网格闭环,位于冷隔缺陷的左侧,右侧的各个外轮廓网格构成了一个网格闭环,位于冷隔缺陷的右侧。
(2-3)根据各个第一侧外轮廓网格和第二侧外轮廓网格内的边缘像素点的梯度方向,确定各个第一侧外轮廓网格中的各个冷隔缺陷第一侧轮廓网格以及各个第二侧外轮廓网格中的各个冷隔缺陷第二侧轮廓网格。
如图4所示,对于一个冷隔缺陷,其左侧实际轮廓网格(位于图4中的左侧实线位置处的网格)为该冷隔缺陷的左侧的外轮廓网格(位于图4中的左侧实线和虚线位置处的网格)的一部分,右侧同理。为了将冷隔缺陷两侧的实际轮廓网格从该冷隔缺陷的两侧外轮廓网格中截取出来,具体实现步骤包括:
(2-3-1)根据各个第一侧外轮廓网格内的边缘像素点的梯度方向,确定各个第一侧外轮廓网格对应的网格搜索方向。根据各个第二侧外轮廓网格中的边缘像素点的梯度方向,确定各个第二侧外轮廓网格对应的网格搜索方向。
对于各个第一侧外轮廓网格,计算各个第一侧外轮廓网格内的所有边缘像素点的梯度方向的均值,根据该均值方向确定各个第一侧外轮廓网格对应的网格搜索方向,该网格搜索方向的确定方式为:沿着该均值方向,若图像中各个像素点的灰度从小到大方向变化,则该网格搜索方向即为该均值方向,否则,该网格搜索方向即为该均值方向的反方向。
如图5所示,对于左侧外轮廓网格,由于虚线处的各个网格的左侧的各个像素点为非缺陷像素点,因此沿着虚线处的各个网格的均值方向所位于直线上的方向向左的方向上,各个像素点的灰度基本一致,没有明显的变化规律;但是,由于虚线处的各个网格的右侧的各个像素点为缺陷像素点,因此沿着虚线处的各个网格的均值方向所位于直线上的方向向右的方向上,各个像素点的灰度呈现从大到小分布的现象。因此,虚线处的网格ai对应的网格搜索方向为沿着网格ai的均值方向所位于直线上的方向向右的方向。对于左侧外轮廓网格,由于实线处的各个网格的右侧是冷隔缺陷,因此沿着实线处的各个网格的均值方向所位于直线上的方向向左的方向上,各个像素点的灰度呈现从小到大分布,沿着实线处的各个网格的均值方向所位于直线上的方向向右的方向上,各个像素点的灰度呈现从大到小分布。因此,实线处的网格aj对应的网格搜索方向为沿着网格aj的均值方向所位于直线上的方向向右的方向。
同理,对于各个第二侧外轮廓网格,通过计算各个第二侧外轮廓网格内的所有边缘像素点的梯度方向的均值,根据该均值方向确定各个第二侧外轮廓网格对应的网格搜索方向。如图5所示,对于右侧外轮廓网格,虚线处的网格bm对应的网格搜索方向为沿着网格bm的均值方向所位于直线上的方向向左的方向,实线处的网格bn对应的网格搜索方向为沿着网bn的均值方向所位于直线上的方向向左的方向。
(2-3-2)沿着任意一个第一侧外轮廓网格a对应的网格搜索方向对下一个外轮廓网格进行搜索,若第一次搜索到的外轮廓网格为第一侧外轮廓网格,则该第一侧外轮廓网格a不属于冷隔缺陷第一侧轮廓网格,若第一次搜索到的外轮廓网格为第二侧外轮廓网格,则该第一侧外轮廓网格a属于冷隔缺陷第一侧轮廓网格。沿着任意一个第二侧外轮廓网格b对应的网格搜索方向对下一个外轮廓网格进行搜索,若第一次搜索到的外轮廓网格为第二侧外轮廓网格,则该第二侧外轮廓网格b不属于冷隔缺陷第二侧轮廓网格,若第一次搜索到的外轮廓网格为第一侧外轮廓网格,则该第二侧外轮廓网格b属于冷隔缺陷第二侧轮廓网格。
将同一侧的外轮廓网格标记为相同标签,如图5所示,将位于左侧的虚线和实线处的所有网格标记标签为Left,将位于右侧的虚线和实线处的所有网格标记标签为Right。此时,对于左侧外轮廓网格中的位于虚线处的网格ai,沿着其对应的网格搜索方向对下一个外轮廓网格进行搜索,则此时搜索到的下一个外轮廓网格为左侧外轮廓网格中的位于实线处的网格a′i(图中未示出),此时由于网格ai的标签与搜索到的网格a′i的标签均为Left,那么则说明网格ai不属于冷隔缺陷左侧轮廓网格,也就是不属于冷隔缺陷第一侧轮廓网格;对于左侧外轮廓网格中的位于实线处的网格aj,沿着其对应的网格搜索方向对下一个外轮廓网格进行搜索,则此时搜索到的下一个外轮廓网格为右侧外轮廓网格中的位于实线处的网格b′j(图中未示出),此时由于网格aj的标签为Left,而搜索到的网格b′j的标签为Right,那么则说明网格aj属于冷隔缺陷左侧轮廓网格,也就是冷隔缺陷第一侧轮廓网格。至此,可以筛选出各个第一侧外轮廓网格中的各个冷隔缺陷第一侧轮廓网格。同理,对于各个右侧外轮廓网格,也就是各个第二侧外轮廓网格,可以筛选出各个第二侧外轮廓网格中的各个冷隔缺陷第二侧轮廓网格。
(2-4)根据各个第一侧外轮廓网格和第二侧外轮廓网格内的边缘像素点的位置以及各个冷隔缺陷第一侧轮廓网格和冷隔缺陷第二侧轮廓网格,确定各个边缘像素点中的各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点,具体实现步骤包括:
(2-4-1)根据各个第一侧外轮廓网格和第二侧外轮廓网格内的边缘像素点的位置,确定初始的各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点。
对于各个第一侧外轮廓网格,各个第一侧外轮廓网格构成了第一侧闭环外轮廓网格,每个外轮廓网格均对应一个位置(m,n),选取其中m最小的外轮廓网格作为起始目标网格,如图6所示,在起始目标网格中选择任意一个边缘像素点B0进行闭环外轮廓网格中外包轮廓像素点的确定,具体确定步骤包括:
如图6所示,边缘像素点B0为起始目标网格中任意一个边缘像素点,将其作为起始第一侧外包轮廓像素点,然后在边缘像素点B0所在的起始目标网格的相邻的所有外轮廓网格中任意选取两个边缘像素点Pα,Pβ,设起始目标网格的相邻的所有外轮廓网格中所包含的边缘像素点为P1,P2,...,PT,将两个边缘像素点Pα,Pβ与边缘像素点B0构成向量这两个向量的表达式为:
计算向量的向量积即按照确定向量积的右手法则,若结果为正,即计算出的向量的方向垂直于纸面向外,则说明在的顺时针方向,保留Pβ,剔除Pα;若结果为负,即计算出的向量的方向垂直于纸面向里,则说明在的逆时针方向,保留Pα,剔除Pβ。此时,起始目标网格的相邻的所有外轮廓网格中所包含的边缘像素点总共剩余T-1个,然后再在这T-1个边缘像素点中任意选取两个边缘像素点,并重复上述步骤,直至起始目标网格的相邻的所有外轮廓网格中仅剩余一个边缘像素点,将此边缘像素点记作外包轮廓像素点B1。
然后以外包轮廓像素点B1所在的外轮廓网格作为下一个目标网格,在外包轮廓像素点B1所在的目标网格的相邻的所有外轮廓网格中任意选取两个边缘像素点,重复上述步骤,从而确定外包轮廓像素点B2。需要说明的是,为了避免回头遍历,每次在目标网格的相邻的所有外轮廓网格中确定下一个外包轮廓像素点时,这些相邻的所有外轮廓网格不包括最近一次被遍历的目标网格。例如,在外包轮廓像素点B1所在的目标网格的相邻的所有外轮廓网格中确定外包轮廓像素点B2时,这里的相邻的所有外轮廓网格就不包括外包轮廓像素点B0所在的起始目标网格。
如此进行重复操作,直至搜索到的外包轮廓像素点BK为与起始外包轮廓像素点B0在同一个外轮廓网格之中时,停止搜索,并将外包轮廓像素点B0剔除,这样就获得了初始的各个冷隔缺陷第一侧外包轮廓像素点B1,...,BK。按照同样的方式,可以获得初始的各个冷隔缺陷第二侧外包轮廓像素点。
(2-4-2)判断初始的各个冷隔缺陷第一侧外包轮廓像素点是否位于各个冷隔缺陷第一侧轮廓网格内,并将位于冷隔缺陷第一侧轮廓网格内的初始的冷隔缺陷第一侧外包轮廓像素点作为最终的冷隔缺陷第一侧外包轮廓像素点。判断初始的各个冷隔缺陷第二侧外包轮廓像素点是否位于各个冷隔缺陷第二侧轮廓网格内,并将位于冷隔缺陷第二侧轮廓网格内的初始的冷隔缺陷第二侧外包轮廓像素点作为最终的冷隔缺陷第二侧外包轮廓像素点。
在上述步骤(2-4-1)的基础之上,即在获得初始的各个冷隔缺陷第一侧外包轮廓像素点和各个冷隔缺陷第二侧外包轮廓像素点后,由于冷隔缺陷存在两侧外包轮廓像素点,如图4所示,也就是位于两实线处的外包轮廓像素点,此时通过判断初始的各个冷隔缺陷第一侧外包轮廓像素点是否位于经过步骤(2-3)中筛选出的冷隔缺陷第一侧轮廓网格中,若位于冷隔缺陷第一侧轮廓网格中,则说明初始的冷隔缺陷第一侧外包轮廓像素点为真实的冷隔缺陷第一侧外包轮廓像素点,从而从初始的各个冷隔缺陷第一侧外包轮廓像素点中筛选出最终的冷隔缺陷第一侧外包轮廓像素点同理,可以从初始的各个冷隔缺陷第二侧外包轮廓像素点中筛选出最终的冷隔缺陷第二侧外包轮廓像素点
通过上述步骤(2-4-1)-(2-4-2),可以准确地从冷隔缺陷的各个边缘像素点中筛选出表征冷隔缺陷边缘的外包轮廓像素点,当然,作为其他的实施方式,也可以采用现有技术中的其他方式,从冷隔缺陷的各个边缘像素点中筛选出表征冷隔缺陷边缘的外包轮廓像素点。
(3)根据各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点的梯度方向以及各个边缘像素点的位置和梯度幅值,确定各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点的平滑度指标值,具体实现步骤包括:
(3-1)根据各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点的梯度方向,确定各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点的目标射线。
以各个冷隔缺陷第一侧外包轮廓像素点为例,对于任意一个外包轮廓像素点,其对应着一个梯度方向,该梯度方向所在直线有两个方向,一个方向指向冷隔缺陷,另外一个方向指向第一侧网格区域,此时以冷隔缺陷第一侧外包轮廓像素点为端点,并以沿着对应梯度方向所在直线指向第一侧网格区域的方向做射线,从而得到各个冷隔缺陷第一侧外包轮廓像素点的目标射线。同理,可以确定各个冷隔缺陷第二侧外包轮廓像素点的目标射线。其中,如图7所示,冷隔缺陷第一侧外包轮廓像素点的目标射线指向左侧,冷隔缺陷第二侧外包轮廓像素点的目标射线指向右侧。
(3-2)确定各个目标射线所经过的各个第一侧网格或第二侧网格,进而确定各个目标射线所经过的各个第一侧网格或第二侧网格内的各个边缘像素点在对应目标射线上的投射点。
对于各个冷隔缺陷第一侧外包轮廓像素点,其对应的目标射线会经过第一侧网格,对于各个冷隔缺陷第二侧外包轮廓像素点,其对应的目标射线会经过第二侧网格,将每条目标射线经过的所有网格(包括内部网格与轮廓网格)内部的所有边缘像素点投影到该条目标射线上,获得各个投射点,这些投射点以外包轮廓像素点为起始投射点,并以目标射线所经过的最后一个网格内的最远边缘像素点的投射点为终止投射点。
(3-3)计算目标射线上的两两相邻的投射点的距离以及两两相邻的投射点所对应的两个边缘像素点的梯度幅值的差值,进而确定该目标射线上的两两相邻的投射点对应的梯度幅值相对差,并对确定的梯度幅值相对差进行归一化处理。
对于目标射线上任意一个投射点,其均有一个边缘像素点的梯度幅值,计算目标射线上两两相邻的投射点所对应的两个边缘像素点的梯度幅值的差值的绝对值,并计算两两相邻的投射点的距离,用这个绝对值除以两投射点之间的距离,作为这两两相邻的投射点对应的梯度幅值相对差。统计各两两相邻的投射点对应的梯度幅值相对差,将其除以255进行归一化。
(3-4)根据目标射线上的两两相邻的投射点对应的归一化处理后的梯度幅值相对差,确定对应的冷隔缺陷第一侧外包轮廓像素点或冷隔缺陷第二侧外包轮廓像素点的平滑度指标值。
在上述步骤(3-3)的基础上,对于每一条目标射线,计算该目标射线上的两两相邻的投射点对应的归一化处理后的梯度幅值相对差的平均值和方差,从而得到该目标射线对应的外包轮廓像素点的平滑度指标值:
其中,μu为第u个冷隔缺陷第一侧外包轮廓像素点或冷隔缺陷第二侧外包轮廓像素点的平滑度指标值,γu为第u个冷隔缺陷第一侧外包轮廓像素点或冷隔缺陷第二侧外包轮廓像素点对应的目标射线上的两两相邻的投射点对应的归一化处理后的梯度幅值相对差的平均值,σu为第u个冷隔缺陷第一侧外包轮廓像素点或冷隔缺陷第二侧外包轮廓像素点对应的目标射线上的两两相邻的投射点对应的归一化处理后的梯度幅值相对差的方差。
通过上述方式,可以得到各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点的平滑度指标值,进而得到各个冷隔缺陷第一侧外包轮廓像素点对应的平滑度指标值序列:各个冷隔缺陷第二侧外包轮廓像素点对应的平滑度指标值序列:平滑度指标值序列可以表征冷隔缺陷一侧的像素点灰度变化情况,若像素点灰度变化比较急,则对应平滑度指标值序列中的各个元素进行比较小;反之,若像素点灰度变化比较缓,则对应平滑度指标值序列中的各个元素进行比较大。
(4)根据各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点的平滑度指标值,计算冷隔缺陷两侧轮廓平滑度匹配度,并根据冷隔缺陷两侧轮廓平滑度匹配度,确定待检测铜排的冷隔缺陷类型。
其中,根据各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点的平滑度指标值,计算冷隔缺陷两侧轮廓平滑度匹配度的具体步骤包括:
(4-1)根据各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点的平滑度指标值,利用DTW匹配算法计算冷隔缺陷两侧轮廓平滑度匹配度。
将步骤(3)中所获得的两个平滑度指标值序列进行DTW匹配,获得两个序列的距离矩阵D,矩阵的元素D(p,q)表示μL(p)和μR(q)两个值之差的平方。则根据距离矩阵D计算出累积距离矩阵Dc,该累积距离矩阵Dc的第一行和第一列的元素分别为距离矩阵D中第一行和第一列的元素,之后累积距离矩阵Dc中的各个元素需依次求得,其计算方式如下:
Dc(p,q)=min(Dc(p-1,q-1),Dc(p-1,q),Dc(p,q-1))+D(p,q)
其中,Dc(p,q)为累积距离矩阵Dc中的第p行第q列的元素,Dc(p-1,q-1)为累积距离矩阵Dc中的第p-1行第q-1列的元素,Dc(p-1,q)为累积距离矩阵Dc中的第p-1行第q列的元素,Dc(p,q-1)为累积距离矩阵Dc中的第p行第q-1列的元素,D(p,q)为距离矩阵D中的第p行第q列的元素。
通过上述方式,可以获取累积距离矩阵Dc中最后一行、最后一列的元素即Dc(U,V),该元素Dc(U,V)即为冷隔缺陷两侧轮廓平滑度匹配度。
(4-2)对计算出的冷隔缺陷两侧轮廓平滑度匹配度进行归一化处理,并将归一化处理后的冷隔缺陷两侧轮廓平滑度匹配度作为最终的冷隔缺陷两侧轮廓平滑度匹配度。
对步骤(4-1)中获得的累积距离矩阵Dc中最后一行、最后一列的元素即Dc(U,V)进行归一化,从而得到最终的冷隔缺陷两侧轮廓平滑度匹配,归一化过程为:
其中,h为归一化处理后的冷隔缺陷两侧轮廓平滑度匹配,也就是最终的冷隔缺陷两侧轮廓平滑度匹配,Dc(U,V)为累积距离矩阵Dc中最后一行、最后一列的元素,U为各个冷隔缺陷第一侧外包轮廓像素点对应的平滑度指标值序列中元素的个数,V为各个冷隔缺陷第二侧外包轮廓像素点对应的平滑度指标值序列中元素的个数。
在经过上述步骤(4-1)和(4-2)确定最终的冷隔缺陷两侧轮廓平滑度匹配之后,就可以根据该最终的冷隔缺陷两侧轮廓平滑度匹配度,对识别出的冷隔缺陷种类进行缺陷归因,确定待检测铜排的冷隔缺陷类型:若冷隔缺陷两侧轮廓平滑度匹配度不小于设定匹配度阈值,则判定该待确定类型的冷隔缺陷的缺陷类型为外部原因冷隔缺陷;否则,判定该待确定类型的冷隔缺陷的缺陷类型为内部原因冷隔缺陷。
在本实施例中,设置设定匹配度阈值为0.5,当冷隔缺陷两侧轮廓平滑度匹配度不小于设定匹配度阈值,即当h≥0.5时,说明冷隔缺陷的种类为原料铜杆外部原因引起。这是因为当冷隔缺陷的产生原因为外部原因时,冷隔缺陷的两侧的凹陷都比较缓慢,两侧的像素点变化情况比较一致,而h≥0.5就说明冷隔缺陷的两侧像素点灰度变化情况比较一致。那么,此时质量调控时,应着重检查设备运行参数、设备配件磨损情况,以及原料表面清洁度。
当冷隔缺陷两侧轮廓平滑度匹配度小于设定匹配度阈值,即当h<0.5时,说明冷隔缺陷的种类为原料铜杆内部原因引起。这是因为当冷隔缺陷的产生原因为内部原因时,冷隔缺陷的一侧的凹陷比较缓慢,而另外一侧的凹陷比较急,两侧的像素点变化情况不一致,而h<0.5就说明冷隔缺陷的两侧像素点灰度变化情况不一致。那么,此时质量调控时,应着重注意原料铜杆的质量控制,对质量不合格的原料铜杆加以筛选。
本实施例还提供了一种基于计算机视觉的铜排冷隔缺陷检测系统,包括处理器和存储器,处理器用于处理存储在存储器中的指令,以上述的基于计算机视觉的铜排冷隔缺陷检测方法。由于该基于计算机视觉的铜排冷隔缺陷检测方法已经在上述内容中进行了详细介绍,此处不再赘述。
本发明可以根据冷隔缺陷的轮廓特征,准确识别出冷隔缺陷的具体类型,并进一步根据具体的冷隔缺陷类型提供生产质量调控策略,有效提高了冷隔缺陷的具体类型的确定效率,并提高了产品质量。
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 (9)
1.一种基于计算机视觉的铜排冷隔缺陷检测方法,其特征在于,包括以下步骤:
获取铜排的表面图像,进而获取表面图像中的待确定类型的冷隔缺陷区域的灰度图像,并根据所述灰度图像,获取待确定类型的冷隔缺陷的各个边缘像素点;
根据各个边缘像素点的位置和梯度,确定各个边缘像素点中的各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点;
根据各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点的梯度方向以及各个边缘像素点的位置和梯度幅值,确定各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点的平滑度指标值;
根据各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点的平滑度指标值,计算冷隔缺陷两侧轮廓平滑度匹配度,并根据冷隔缺陷两侧轮廓平滑度匹配度,确定待检测铜排的冷隔缺陷类型;
确定各个边缘像素点中的各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点的步骤包括:
根据各个边缘像素点的位置,确定各个边缘像素点中的各个第一侧边缘像素点和第二侧边缘像素点,分别对各个第一侧边缘像素点所在的区域和各个第二侧边缘像素点所在区域的最小外接矩形进行网格划分,得到冷隔缺陷的各个第一侧网格和第二侧网格;
根据冷隔缺陷的各个第一侧网格和第二侧网格内的边缘像素点数目,确定各个第一侧网格中的各个第一侧外轮廓网格以及各个第二侧网格中的各个第二侧外轮廓网格;
根据各个第一侧外轮廓网格和第二侧外轮廓网格内的边缘像素点的梯度方向,确定各个第一侧外轮廓网格中的各个冷隔缺陷第一侧轮廓网格以及各个第二侧外轮廓网格中的各个冷隔缺陷第二侧轮廓网格;
根据各个第一侧外轮廓网格和第二侧外轮廓网格内的边缘像素点的位置以及各个冷隔缺陷第一侧轮廓网格和冷隔缺陷第二侧轮廓网格,确定各个边缘像素点中的各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点。
2.根据权利要求1所述的基于计算机视觉的铜排冷隔缺陷检测方法,其特征在于,确定各个第一侧网格中的各个第一侧外轮廓网格以及各个第二侧网格中的各个第二侧外轮廓网格的步骤包括:
若第一侧网格中至少存在一个边缘像素点,且该第一侧网格的至少一个相邻的第一侧网格中不存在边缘像素点,则该第一侧网格为第一侧外轮廓网格;
若第二侧网格中至少存在一个边缘像素点,且该第二侧网格的至少一个相邻的第二侧网格中不存在边缘像素点,则该第二侧网格为第二侧外轮廓网格。
3.根据权利要求1所述的基于计算机视觉的铜排冷隔缺陷检测方法,其特征在于,确定各个第一侧外轮廓网格中的各个冷隔缺陷第一侧轮廓网格以及各个第二侧外轮廓网格中的各个冷隔缺陷第二侧轮廓网格的步骤包括:
根据各个第一侧外轮廓网格内的边缘像素点的梯度方向,确定各个第一侧外轮廓网格对应的网格搜索方向,根据各个第二侧外轮廓网格中的边缘像素点的梯度方向,确定各个第二侧外轮廓网格对应的网格搜索方向;
沿着任意一个第一侧外轮廓网格a对应的网格搜索方向对下一个外轮廓网格进行搜索,若第一次搜索到的外轮廓网格为第一侧外轮廓网格,则该第一侧外轮廓网格a不属于冷隔缺陷第一侧轮廓网格,若第一次搜索到的外轮廓网格为第二侧外轮廓网格,则该第一侧外轮廓网格a属于冷隔缺陷第一侧轮廓网格;
沿着任意一个第二侧外轮廓网格b对应的网格搜索方向对下一个外轮廓网格进行搜索,若第一次搜索到的外轮廓网格为第二侧外轮廓网格,则该第二侧外轮廓网格b不属于冷隔缺陷第二侧轮廓网格,若第一次搜索到的外轮廓网格为第一侧外轮廓网格,则该第二侧外轮廓网格b属于冷隔缺陷第二侧轮廓网格。
4.根据权利要求1所述的基于计算机视觉的铜排冷隔缺陷检测方法,其特征在于,确定各个边缘像素点中的各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点的步骤包括:
根据各个第一侧外轮廓网格和第二侧外轮廓网格内的边缘像素点的位置,确定初始的各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点;
判断初始的各个冷隔缺陷第一侧外包轮廓像素点是否位于各个冷隔缺陷第一侧轮廓网格内,并将位于冷隔缺陷第一侧轮廓网格内的初始的冷隔缺陷第一侧外包轮廓像素点作为最终的冷隔缺陷第一侧外包轮廓像素点;
判断初始的各个冷隔缺陷第二侧外包轮廓像素点是否位于各个冷隔缺陷第二侧轮廓网格内,并将位于冷隔缺陷第二侧轮廓网格内的初始的冷隔缺陷第二侧外包轮廓像素点作为最终的冷隔缺陷第二侧外包轮廓像素点。
5.根据权利要求1所述的基于计算机视觉的铜排冷隔缺陷检测方法,其特征在于,确定各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点的平滑度指标值的步骤包括:
根据各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点的梯度方向,确定各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点的目标射线;
确定各个目标射线所经过的各个第一侧网格或第二侧网格,进而确定各个目标射线所经过的各个第一侧网格或第二侧网格内的各个边缘像素点在对应目标射线上的投射点;
计算目标射线上的两两相邻的投射点的距离以及两两相邻的投射点所对应的两个边缘像素点的梯度幅值的差值,进而确定该目标射线上的两两相邻的投射点对应的梯度幅值相对差,并对确定的梯度幅值相对差进行归一化处理;
根据目标射线上的两两相邻的投射点对应的归一化处理后的梯度幅值相对差,确定对应的冷隔缺陷第一侧外包轮廓像素点或冷隔缺陷第二侧外包轮廓像素点的平滑度指标值。
6.根据权利要求5所述的基于计算机视觉的铜排冷隔缺陷检测方法,其特征在于,冷隔缺陷第一侧外包轮廓像素点或冷隔缺陷第二侧外包轮廓像素点的平滑度指标值对应的计算公式为:
其中,为第个冷隔缺陷第一侧外包轮廓像素点或冷隔缺陷第二侧外包轮廓像素点的平滑度指标值,为第个冷隔缺陷第一侧外包轮廓像素点或冷隔缺陷第二侧外包轮廓像素点对应的目标射线上的两两相邻的投射点对应的归一化处理后的梯度幅值相对差的平均值,为第个冷隔缺陷第一侧外包轮廓像素点或冷隔缺陷第二侧外包轮廓像素点对应的目标射线上的两两相邻的投射点对应的归一化处理后的梯度幅值相对差的方差。
7.根据权利要求1所述的基于计算机视觉的铜排冷隔缺陷检测方法,其特征在于,计算冷隔缺陷两侧轮廓平滑度匹配度的步骤包括:
根据各个冷隔缺陷第一侧外包轮廓像素点和冷隔缺陷第二侧外包轮廓像素点的平滑度指标值,利用DTW匹配算法计算冷隔缺陷两侧轮廓平滑度匹配度;
对计算出的冷隔缺陷两侧轮廓平滑度匹配进行归一化处理,并将归一化处理后的冷隔缺陷两侧轮廓平滑度匹配作为最终的冷隔缺陷两侧轮廓平滑度匹配度。
8.根据权利要求1所述的基于计算机视觉的铜排冷隔缺陷检测方法,其特征在于,确定待检测铜排的冷隔缺陷类型的步骤包括:
若冷隔缺陷两侧轮廓平滑度匹配度不小于设定匹配度阈值,则判定该待确定类型的冷隔缺陷的缺陷类型为外部原因冷隔缺陷;否则,判定该待确定类型的冷隔缺陷的缺陷类型为内部原因冷隔缺陷。
9.一种基于计算机视觉的铜排冷隔缺陷检测系统,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1-8中任一项所述的基于计算机视觉的铜排冷隔缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210346875.1A CN114663416B (zh) | 2022-03-31 | 2022-03-31 | 基于计算机视觉的铜排冷隔缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210346875.1A CN114663416B (zh) | 2022-03-31 | 2022-03-31 | 基于计算机视觉的铜排冷隔缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114663416A CN114663416A (zh) | 2022-06-24 |
CN114663416B true CN114663416B (zh) | 2023-05-09 |
Family
ID=82032819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210346875.1A Active CN114663416B (zh) | 2022-03-31 | 2022-03-31 | 基于计算机视觉的铜排冷隔缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114663416B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115239735B (zh) * | 2022-09-23 | 2022-12-27 | 探长信息技术(苏州)有限公司 | 基于计算机视觉的通信柜表面缺陷检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000132687A (ja) * | 1998-10-28 | 2000-05-12 | Nec Corp | 欠陥検査装置、及び欠陥検査方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110286126B (zh) * | 2019-06-17 | 2021-09-14 | 浙江大学 | 一种基于视觉图像的晶圆表面缺陷分区域检测方法 |
CN111815630B (zh) * | 2020-08-28 | 2020-12-15 | 歌尔股份有限公司 | 一种用于lcd屏幕的缺陷检测方法、装置 |
CN113570553A (zh) * | 2021-07-05 | 2021-10-29 | 深视创新(苏州)智能科技有限公司 | 基于边缘平滑性的缺陷检测算法 |
-
2022
- 2022-03-31 CN CN202210346875.1A patent/CN114663416B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000132687A (ja) * | 1998-10-28 | 2000-05-12 | Nec Corp | 欠陥検査装置、及び欠陥検査方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114663416A (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | A method for detection and classification of glass defects in low resolution images | |
CN116559183B (zh) | 一种提高缺陷判定效率的方法及系统 | |
Zhou et al. | Exploring faster RCNN for fabric defect detection | |
CN113724231A (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN115511889A (zh) | 一种太阳能电池板支架表面焊接缺陷检测方法 | |
JP5852919B2 (ja) | ひび割れ検出方法 | |
CN114663416B (zh) | 基于计算机视觉的铜排冷隔缺陷检测方法及系统 | |
CN113628189A (zh) | 一种基于图像识别的快速带钢划痕缺陷检测方法 | |
CN118037722B (zh) | 一种铜管生产缺陷检测方法及系统 | |
CN115131354A (zh) | 一种基于光学手段的实验室用塑料薄膜缺陷检测方法 | |
CN115829995A (zh) | 基于像素级的多尺度特征融合的布匹瑕疵检测方法及系统 | |
CN115619708A (zh) | 基于图像识别主轴轴承润滑油油质变化判断故障的方法 | |
CN114565607B (zh) | 基于神经网络的织物缺陷图像分割方法 | |
CN117314901B (zh) | 一种尺度自适应的芯片检测神经网络系统 | |
CN117611551B (zh) | 基于物联网的显示屏异常检测方法及系统 | |
CN117078676B (zh) | 基于图像处理的破碎锤外壳视觉检测方法 | |
CN115984360B (zh) | 一种基于图像处理的计算干滩长度的方法及系统 | |
CN116824294A (zh) | 一种基于小目标识别的焊料缺陷检测方法及系统 | |
Shabankareh et al. | Improvement of edge-tracking methods using genetic algorithm and neural network | |
CN108399184B (zh) | 一种钢材的表面处理方法 | |
CN111028245A (zh) | 一种多模态复合的高清高速视频背景建模方法 | |
CN115035097B (zh) | 基于域适应的跨场景带钢表面缺陷检测方法 | |
CN112053335B (zh) | 一种热轧棒材重叠检测方法、系统及介质 | |
CN116703245B (zh) | 流程化生产过程监测预警系统及方法 | |
CN115393355B (zh) | 一种尺度空间自适应的螺母内螺纹检测方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230419 Address after: 063000 No. 1212, 12th floor, west side of Weiguo Road (Tangshan science and Technology Center), south side of Daqing Road, high tech Zone, Tangshan City, Hebei Province Applicant after: Hebei Yingyan Intelligent Technology Co.,Ltd. Address before: 226000 No. 10, Changhong Road, Sanchang Town, Nantong City, Jiangsu Province Applicant before: Haimen heavy mining machinery factory |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |