CN114882044B - 金属管件表面质量检测方法 - Google Patents

金属管件表面质量检测方法 Download PDF

Info

Publication number
CN114882044B
CN114882044B CN202210812291.9A CN202210812291A CN114882044B CN 114882044 B CN114882044 B CN 114882044B CN 202210812291 A CN202210812291 A CN 202210812291A CN 114882044 B CN114882044 B CN 114882044B
Authority
CN
China
Prior art keywords
fitting
circle
edge line
wall
port
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
Application number
CN202210812291.9A
Other languages
English (en)
Other versions
CN114882044A (zh
Inventor
陈长雷
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.)
Shandong Huitong Industrial Manufacturing Co ltd
Original Assignee
Shandong Huitong Industrial Manufacturing 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 Shandong Huitong Industrial Manufacturing Co ltd filed Critical Shandong Huitong Industrial Manufacturing Co ltd
Priority to CN202210812291.9A priority Critical patent/CN114882044B/zh
Publication of CN114882044A publication Critical patent/CN114882044A/zh
Application granted granted Critical
Publication of CN114882044B publication Critical patent/CN114882044B/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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G06T7/40—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
    • 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
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及金属管件表面质量检测方法，属于图像处理技术领域。方法包括如下步骤：获得管件端口外壁边缘线和内壁边缘线；根据外壁边缘线和内壁边缘线上的边缘像素点，得到各第一拟合圆和各第二拟合圆；根据第一拟合圆之间的距离和第二拟合圆之间的距离，得到金属管件的端口完整度；获得目标端口表面图像上的各像素点对应的第一特征向量和目标外侧表面图像上的各像素点对应的第二特征向量；根据第一特征向量和第二特征向量，得到金属管件的端口表面均匀度和金属管件的外侧整体表面均匀度；根据端口完整度、端口表面均匀度和外侧整体表面均匀度，得到金属管件对应的综合质量指标。本发明能提高对金属管件进行质量检测可靠性。

Description

金属管件表面质量检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及金属管件表面质量检测方法。
背景技术
金属管件是金属材质的且在管道系统中起连接、控制、变向、分流、密封、支撑等作用的零部件的统称；金属管件通常被广泛运用在机械以及制造领域，具有耐久性好、耐热性好、稳定性好、机械强度高、尺寸稳定性佳的特点。但是当金属管件端口出现缺口或变形时，会导致金属管件与其它零件之间连接的密封性出现异常，进而可能会造成严重的事故和后果；此外金属管件表面的锈蚀、划痕、夹杂和孔洞缺陷也会影响金属管件的物理性能。因此对金属管件的质量检测极其重要。
现有的金属管件表面质量检测方法一般是依据人工目检，这种方法工作量较大，一旦工作人员注意力不集中，就有可能出现漏检和误检；并且工作人员一般只能在端口或者表面出现比较明显的变形或者缺陷时才能检测出来，但是微小的变形或者缺陷可能也会影响金属管件的使用效果，因此这种依靠人工对金属管件进行质量检测的方式可靠性较低。
现有的利用超声波探伤UT、涡流探伤ET、磁粉MT和漏磁探伤等方式虽然在一定程度上克服了人工目检的缺陷，但是超声波检测的方法在检测过程中需要耦合剂，因此干扰因素过多；涡流探伤ET检测时需根据材质、表面状态以及检验标准作综合考虑，然后才能确定检测方案和技术参数，并且检测速度慢；而磁粉MT和漏磁探伤的检测方式在检测完成之后还需要退磁和清洗；另外随着计算机和机器视觉的发展，出现了利用图像对管件缺陷或者质量进行分析的方法，例如《童车金属管件加工质量的机器视觉检测系统研制》（华南理工大学硕士论文，凌泉）公开了利用机器视觉对金属管件进行多精度的检测，该系统相对人工实现了无接触的检测，可靠性高，但是该系统中圆度约束圆孔实际边缘相对于理想圆的偏差度采用的是优化算法，即通过构建最小二乘法求解参数，设计拟合边缘的均方误差最小来得到最优的拟合参数，此过程涉及大量的迭代运算，每次迭代运算都要对所有的数据进行运算，计算量大，运行速度慢并且内存占据大，对系统硬件的要求较高，进而导致检测效率相对较低。
发明内容
本发明提供的金属管件表面质量检测方法，用于解决现有方法对金属管件进行质量检测计算量大进而导致检测效率相对较低的问题，所采用的技术方案具体如下：
本发明实施例提供了金属管件表面质量检测方法包括以下步骤：
获取金属管件的目标端口表面图像和目标外侧表面图像；
利用边缘检测算子和DBSCAN算法，得到目标端口表面图像对应的各独立不相交的边缘线；对所述各独立不相交的边缘线进行闭合性检测，得到目标端口表面图像对应的管件端口外壁边缘线和内壁边缘线；
根据外壁边缘线和内壁边缘线上的边缘像素点，拟合得到外壁边缘线对应的各第一拟合圆和内壁边缘线对应的各第二拟合圆；根据第一拟合圆之间的距离和第二拟合圆之间的距离，得到金属管件的端口完整度；
获得目标端口表面图像对应的特征区域；根据所述特征区域和目标外侧表面图像上的各像素点灰度值，得到目标端口表面图像上的各像素点对应的第一特征向量和目标外侧表面图像上的各像素点对应的第二特征向量；根据所述第一特征向量和所述第二特征向量，得到金属管件的端口表面均匀度和金属管件的外侧整体表面均匀度；
根据所述端口完整度、端口表面均匀度和外侧整体表面均匀度，得到金属管件对应的综合质量指标。
优选的，目标端口表面图像的数量为2。
优选的，得到目标端口表面图像对应的管件端口外壁边缘线和内壁边缘线的方法，包括：
对于任一独立不相交的边缘线：
将该边缘线对应的窗口记为目标窗口，所述目标窗口的边长记为2R+1；
以该边缘线上的各边缘像素点为中心，构建得到该边缘线上的各边缘像素点对应的目标窗口区域，所述目标窗口区域大小为2R+1*2R+1；
若各边缘像素点对应的目标窗口区域中均存在除对应边缘像素点之外的该边缘线上的其它边缘像素点，则判定该边缘线为闭合边缘线，判定该边缘线为管件端口内外壁边缘线；否则，则判定该边缘线不是闭合边缘线，判定该边缘线不是管件端口内外壁边缘线；
根据各管件端口内外壁边缘线对应的最小外接矩形的面积，得到各管件端口内外壁边缘线中的管件端口外壁边缘线和管件端口内壁边缘线。
优选的，根据如下公式计算得到该边缘线对应的R：
Figure 100002_DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE004
为取整操作符，
Figure 100002_DEST_PATH_IMAGE006
为该边缘线上的边缘像素点的数目，
Figure 100002_DEST_PATH_IMAGE008
为该边缘线上各边缘像素点行坐标中的最大值，
Figure 100002_DEST_PATH_IMAGE010
为该边缘线上各边缘像素点行坐标中的最小值，
Figure 100002_DEST_PATH_IMAGE012
为该边缘线上各边缘像素点纵坐标中的最大值，
Figure 100002_DEST_PATH_IMAGE014
为该边缘线上各边缘像素点纵坐标中的最小值。
优选的，根据外壁边缘线和内壁边缘线上的边缘像素点，拟合得到外壁边缘线对应的各第一拟合圆和内壁边缘线对应的各第二拟合圆；根据第一拟合圆之间的距离和第二拟合圆之间的距离，得到金属管件的端口完整度的方法，包括：
选取外壁边缘线上的任意三个边缘像素点进行圆的拟合，得到对应的圆的方程，记为第一拟合圆；根据所述第一拟合圆对应的圆心行坐标、对应的圆心纵坐标以及对应的圆半径，构建得到所述第一拟合圆对应的第一圆向量；以此类推，进行不完全重复的选取，得到外壁边缘线对应的各第一拟合圆对应的第一圆向量；
选取内壁边缘线上的任意三个边缘像素点进行圆的拟合，得到对应的圆方程，记为第二拟合圆；根据所述第二拟合圆对应的圆心行坐标、对应的圆心纵坐标以及对应的圆半径，构建得到所述第二拟合圆对应的第二圆向量；以此类推，进行不完全重复的选取，得到内壁边缘线对应的各第二拟合圆和各第二拟合圆对应的第二圆向量；
对于外壁边缘线对应的任一第一拟合圆：
计算该第一拟合圆与除该第一拟合圆之外的其它第一拟合圆之间的距离，记为第一距离；
按照从小到大的顺序对各第一距离进行排序，选取排序后的前预设第一数量的第一距离的均值记为第一均值；判断第一均值是否小于预设距离阈值，若是，则判定该第一拟合圆为正常拟合圆；否则，则判定该第一拟合圆为异常拟合圆；
对于内壁边缘线对应的任一第二拟合圆：
计算该第二拟合圆与除该第二拟合圆之外的其它第二拟合圆之间的距离，记为第二距离；
按照从小到大的顺序对各第二距离进行排序，选取排序后的前预设第二数量的第二距离的均值记为第二均值；判断第二均值是否小于预设距离阈值，若是，则判定该第二拟合圆为正常拟合圆；否则，则判定该第二拟合圆为异常拟合圆；
统计得到各第一拟合圆中的异常拟合圆的数量和各第二拟合圆中的异常拟合圆的数量；
根据外壁边缘线对应的各第一拟合圆中的异常拟合圆的数量和内壁边缘线对应的各第二拟合圆中的异常拟合圆的数量，得到金属管件的端口完整度。
优选的，对于该第一拟合圆与除该第一拟合圆之外的任一第一拟合圆之间的第一距离，根据如下公式计算该第一距离：
Figure 100002_DEST_PATH_IMAGE016
其中，
Figure 100002_DEST_PATH_IMAGE018
为该第一拟合圆对应的第一圆向量中的第i个参数值，
Figure 100002_DEST_PATH_IMAGE020
为除该第一拟合圆之外的任一第一拟合圆对应的第一圆向量中的第i个参数值，
Figure 100002_DEST_PATH_IMAGE022
为该第一拟合圆与除该第一拟合圆之外的任一第一拟合圆之间的第一距离。
优选的，根据如下公式计算金属管件的端口完整度：
Figure 100002_DEST_PATH_IMAGE024
其中，
Figure 100002_DEST_PATH_IMAGE026
为金属管件的端口完整度，
Figure 100002_DEST_PATH_IMAGE028
为外壁边缘线对应的各第一拟合圆中的异常拟合圆的数量，
Figure 100002_DEST_PATH_IMAGE030
为内壁边缘线对应的各第二拟合圆中的异常拟合圆的数量，
Figure 100002_DEST_PATH_IMAGE032
为外壁边缘线对应的第一拟合圆的数量，
Figure 100002_DEST_PATH_IMAGE034
为内壁边缘线对应的第二拟合圆的数量，
Figure 966686DEST_PATH_IMAGE034
和
Figure 821510DEST_PATH_IMAGE032
为组合公式。
优选的，获得金属管件的端口表面均匀度和金属管件的外侧整体表面均匀度的方法，包括：
将目标端口表面图像对应的管件端口外壁边缘线和内壁边缘线之间的区域范围记为特征区域；
利用滑动窗口对特征区域进行遍历，得到特征区域对应的各窗口区域；构建各窗口区域对应的灰度共生矩阵，并赋予对应窗口区域的中心像素点，得到特征区域中各像素点对应的灰度共生矩阵；
根据所述灰度共生矩阵的特征值，构建得到特征区域中各像素点对应的第一特征向量；根据特征区域中各像素点的四邻域像素点对应的第一特征向量之间的差异，得到特征区域中各像素点对应的梯度；
统计特征区域中各像素点对应的梯度大于预设梯度阈值的数目，记为异常像素点数目；
根据特征区域中的各像素点灰度值，得到特征区域对应的灰度直方图和特征区域对应的灰度直方图的特征方差；
根据特征区域对应的灰度直方图的特征方差和特征区域中的异常像素点数目，得到金属管件的端口表面均匀度；
利用滑动窗口对目标外侧表面图像进行遍历，得到目标外侧表面图像对应的各窗口区域；构建各窗口区域对应的灰度共生矩阵，并赋予对应窗口区域的中心像素点，得到目标外侧表面图像中各像素点对应的灰度共生矩阵；
根据所述灰度共生矩阵的特征值，构建得到目标外侧表面图像中各像素点对应的第二特征向量；根据目标外侧表面图像中各像素点的四邻域像素点对应的第二特征向量之间的差异，得到目标外侧表面图像中各像素点对应的梯度；
统计目标外侧表面图像中各像素点对应的梯度大于预设梯度阈值的数目，记为目标外侧表面图像中的异常像素点数目；
根据目标外侧表面图像中的各像素点灰度值，得到目标外侧表面图像对应的灰度直方图和目标外侧表面图像对应的灰度直方图的特征方差；
根据目标外侧表面图像对应的灰度直方图的特征方差和目标外侧表面图像中的异常像素点数目，得到目标外侧表面图像对应的金属管件的外侧整体表面均匀度。
优选的，对于特征区域中的任一像素点，该像素点坐标为（x，y），根据如下公式计算该像素点对应的梯度：
Figure 100002_DEST_PATH_IMAGE036
其中，
Figure 100002_DEST_PATH_IMAGE038
为该像素点对应的梯度，
Figure 100002_DEST_PATH_IMAGE040
为特征区域中坐标为
Figure 100002_DEST_PATH_IMAGE042
的像素点对应的第一特征向量中的第j个元素值，
Figure 100002_DEST_PATH_IMAGE044
为特征区域中坐标为
Figure 100002_DEST_PATH_IMAGE046
的像素点对应的第一特征向量中的第j个元素值，
Figure 100002_DEST_PATH_IMAGE048
为特征区域中坐标为
Figure 100002_DEST_PATH_IMAGE050
的像素点对应的第一特征向量中的第j个元素值，
Figure 100002_DEST_PATH_IMAGE052
为特征区域中坐标为
Figure 100002_DEST_PATH_IMAGE054
的像素点对应的第一特征向量中的第j个元素值。
优选的，根据如下方式计算金属管件的端口表面均匀度：
Figure 100002_DEST_PATH_IMAGE056
其中，
Figure 100002_DEST_PATH_IMAGE058
为金属管件的端口表面均匀度，
Figure 100002_DEST_PATH_IMAGE060
为特征区域中像素点的总数量，
Figure 100002_DEST_PATH_IMAGE062
为特征区域中的异常像素点数目，
Figure 100002_DEST_PATH_IMAGE064
为特征区域对应的灰度直方图的特征方差。
有益效果：本发明首先利用边缘检测算子和DBSCAN算法，得到目标端口表面图像对应的各独立不相交的边缘线；并对各独立不相交的边缘线进行闭合性检测，得到目标端口表面图像对应的管件端口外壁边缘线和内壁边缘线；之后根据外壁边缘线和内壁边缘线上的边缘像素点，拟合得到外壁边缘线对应的各第一拟合圆和内壁边缘线对应的各第二拟合圆；再根据第一拟合圆之间的距离和第二拟合圆之间的距离，得到金属管件的端口完整度；然后通过对特征区域和目标外侧表面图像上的各像素点灰度值进行分析，得到目标端口表面图像上的各像素点对应的第一特征向量和目标外侧表面图像上的各像素点对应的第二特征向量；根据所述第一特征向量和所述第二特征向量，得到金属管件的端口表面均匀度和金属管件的外侧整体表面均匀度；最后根据所述端口完整度、端口表面均匀度和外侧整体表面均匀度，得到金属管件对应的综合质量指标。本发明提供的金属管件表面质量检测方法与现有技术相比，现有技术中圆度约束圆孔实际边缘相对于理想圆的偏差度采用的是优化算法，即通过构建最小二乘法求解参数，设计拟合边缘的均方误差最小来得到最优的拟合参数，此过程涉及大量的迭代运算，每次迭代运算都要对所有的数据进行运算，计算量大，运行速度慢并且内存占据大，对系统硬件的要求较高；而本发明的方法只需要遍历一次所有数据，就可以得到多个圆形方程，之后可以对得到的多个圆形方程进行异常检测，然后基于异常检测的结果和统计的思想，将异常的圆的数量在所有圆中的比例作为圆的完整度，即端口的完整度，因此该方法相对于现有技术，该方法的步骤较为简单且不需要进行多次迭代计算，并且基于统计的思想还可以保证较高的精度，因此该方法的检测效率、准确度以及可靠性都较高，并且该方法还考虑到了无变形缺陷和非变形缺陷这两种情况，能更加全面的反映金属管件表面的质量。
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为本发明金属管件表面质量检测方法的流程图。
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、完整的描述，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，基于本发明实施例，本领域普通技术人员所获得的所有其它实施例，都属于本发明实施例保护的范围。
除非另有定义，本文所使用的所有的技术和科学技术语与属于本发明的技术人员通常理解的含义相同。
本实施例提供了金属管件表面质量检测方法，详细说明如下：
如图1所示，该金属管件表面质量检测方法，包括以下步骤：
步骤S001，获取金属管件的目标端口表面图像和目标外侧表面图像。
本实施例主要从金属管件的端口质量和金属管件的外侧整体表面质量两个维度进行检测分析，主要是通过检测金属管件的端口缺陷和金属管件的外侧整体表面缺陷来反映金属管件的整体质量，所述金属管件的外侧整体表面不包含端口表面；一般情况下金属管件的端口缺陷分为变形缺陷和非变形缺陷两类，金属管件的外侧整体表面主要是非变形缺陷；所述变形缺陷主要包括缺口或者变形，所述非变形缺陷主要包括锈蚀、划痕、夹杂和孔洞等。因此本实施例依据金属管件端口外壁边缘线和内壁边缘线的特点，从目标端口表面图像上的各独立不相交的边缘线中寻找到管件端口内外壁边缘线；然后对管件端口内外壁边缘线进行分析，得到金属管件的端口完整度指标；之后再对目标端口表面图像和目标外侧表面图像上的纹理信息进行分析，得到金属管件的端口表面均匀度和外侧整体表面均匀度；最后根据金属管件的端口表面均匀度、外侧整体表面均匀度和端口完整度，得到金属管件对应的综合质量指标；后续工作人员可以依据金属管件对应的综合质量指标来评判金属管件整体表面的质量。因此本实施例提供的金属管件表面质量检测方法与现有技术相比，现有技术中圆度约束圆孔实际边缘相对于理想圆的偏差度采用的是优化算法，即通过构建最小二乘法求解参数，设计拟合边缘的均方误差最小来得到最优的拟合参数，此过程涉及大量的迭代运算，每次迭代运算都要对所有的数据进行运算，计算量大，运行速度慢并且内存占据大，对系统硬件的要求较高；而本实施例提供的金属管件表面质量检测方法只需要遍历一次所有数据，就可以得到多个圆形方程，之后可以对得到的多个圆形方程进行异常检测，然后基于异常检测的结果和统计的思想，将异常的圆的数量在所有圆中的比例作为圆的完整度，即端口的完整度，因此该方法相对于现有技术，该方法的步骤较为简单且不需要进行多次迭代计算，并且基于统计的思想还可以保证较高的精度，因此该方法的检测效率、准确度以及可靠性都较高，并且该方法还考虑到了无变形缺陷和非变形缺陷这两种情况，能更加全面的反映金属管件表面的质量。
本实施例利用CMOS相机采集图像，将金属管件垂直放置来采集金属管件两个端口的图像，记为金属管件的端口表面图像；然后将金属管件水平放置，相机放置在金属管件的正上方，相机视角朝下，并且对相机的参数和高度进行设置时要求相机所拍摄的视角范围要大于等于金属管件的长度，相机采集一次得到一张金属管件的外侧表面图像，所述一张金属管件的外侧表面图像上只含有一部分金属管件外侧区域，而本实施例需要对金属管件外侧所有的表面区域进行分析，因此每采集一张外侧表面图像后，金属管件就需要整体旋转一次，旋转时是以水平方向为轴进行旋转，对旋转之后的金属管件再次进行采集，得到旋转后的金属管件的外侧表面图像，因此经过金属管件的多次旋转，相机的多次采集，得到多张金属管件的外侧表面图像；要求采集的所有外侧表面图像包含金属管件外侧所有的表面区域；并且旋转后的外侧表面图像与旋转前的外侧表面图像存在差异，采集时金属管件旋转的角度需要根据实际情况设置，但是不能将旋转角度设置的过大，否则将不能得到包含金属管件外侧所有的表面区域的外侧表面图像；所述金属管件的外侧表面是指金属管件的外壁表面；对采集得到多张金属管件的外侧表面图像进行拼接，得到金属管件的外侧整体表面图像。
紧接着本实施例对得到的金属管件的端口表面图像和外侧整体表面图像进行预处理；具体为：首先将图像从彩色RGB格式转化为灰度图像，并采用直方图均衡化，以增加图像对比度，消除拍摄中金属表面光照不均衡的问题；将预处理后的金属管件的端口表面图像记为金属管件的目标端口表面图像；然后采用Otsu大津法对所有预处理后的外侧整体表面图像中包含的管件区域进行分割，得到最优分割阈值；由于金属管件外侧区域相对于背景区域偏亮，将预处理后的外侧整体表面图像中灰度值大于最优分割阈值的像素点记为金属管件外侧表面像素点，因此通过上述过程可以得到外侧整体表面图像中仅含有金属管件外侧表面的区域，记为目标外侧表面图像。
步骤S002，利用边缘检测算子和DBSCAN算法，得到目标端口表面图像对应的各独立不相交的边缘线；对所述各独立不相交的边缘线进行闭合性检测，得到目标端口表面图像对应的管件端口外壁边缘线和内壁边缘线。
本实施例以下过程只对一张目标端口表面图像进行分析，首先采用Canny算子提取得到目标端口表面图像上的边缘线，并采用形态学处理的闭操作消除边缘线中的断裂，进而得到目标端口表面图像上的各边缘线；然后利用DBSCAN算法，得到各边缘线中的各独立不相交的边缘线；设置DBSCAN算法的邻域半径
Figure DEST_PATH_IMAGE066
，数目阈值
Figure DEST_PATH_IMAGE068
；然后考虑到非变性缺陷的边缘可能也会被检测出来，而一般情况下端口外壁边缘线和内壁边缘线是闭合的，但是又考虑到金属管件内外边缘可能会出现不清晰的情况，而Canny算子只能提取金属管件内外壁边缘上较为清晰的一部分，即得到的不是完整外壁或内壁边缘线，由此需要设置一定边长的窗口，只要在窗口范围内满足有跟其属于同一条边缘线的边缘像素点，即认为该边缘线是闭合的；所述
Figure DEST_PATH_IMAGE070
算子提取边缘以及利用DBSCAN算法得到各边缘线中的各独立不相交的边缘线的过程为现有技术，因此不再详细描述。具体过程为：
对于任一独立不相交的边缘线：
将该边缘线对应的窗口记为目标窗口，所述目标窗口的边长记为2R+1，所述R值选取取决于该边缘线上的边缘像素点的数目和该边缘线在目标端口表面图像上所占的区域大小；若该边缘线上的边缘像素点的数目越多，则该边缘线的长度越长，该边缘线所占据的区域越大，表明该边缘线的空间尺寸越大；因此根据如下公式计算得到该边缘线对应的R：
Figure DEST_PATH_IMAGE071
其中，
Figure 814962DEST_PATH_IMAGE004
为取整操作符，
Figure 6909DEST_PATH_IMAGE006
为该边缘线上的边缘像素点的数目，
Figure DEST_PATH_IMAGE072
为该边缘线上各边缘像素点行坐标中的最大值，
Figure DEST_PATH_IMAGE073
为该边缘线上各边缘像素点行坐标中的最小值，
Figure DEST_PATH_IMAGE074
为该边缘线上各边缘像素点纵坐标中的最大值，
Figure 589591DEST_PATH_IMAGE014
为该边缘线上各边缘像素点纵坐标中的最小值；所述
Figure DEST_PATH_IMAGE075
、
Figure 287420DEST_PATH_IMAGE073
、
Figure 492137DEST_PATH_IMAGE074
以及
Figure 363141DEST_PATH_IMAGE014
构成的区域为该边缘线对应的最小外接矩形，所述
Figure DEST_PATH_IMAGE077
为该边缘线对应的最小外接矩形的面积，即可以表征该边缘线对应的最小外接矩形在目标端口表面图像上所占的区域大小；
Figure DEST_PATH_IMAGE078
和
Figure 579489DEST_PATH_IMAGE006
的值越大，
Figure DEST_PATH_IMAGE080
越大。
因此根据得到的该边缘线对应的R，可以确定该边缘线对应的目标窗口尺寸；然后以该边缘线上的各边缘像素点为中心，构建得到该边缘线上的各边缘像素点对应的目标窗口区域，所述目标窗口区域大小为2R+1*2R+1；若各边缘像素点对应的目标窗口区域中均存在除对应边缘像素点之外的该边缘线上的其它边缘像素点，则判定该边缘线为闭合边缘线，即判定该边缘线为管件端口内外壁边缘线，所述端口内外壁边缘线为管件端口外壁边缘线或者内壁边缘线中的一种；若有一个边缘像素点对应的窗口区域中不存在除该边缘像素点之外的该边缘线上的其它边缘像素点，则判定该边缘线不是闭合边缘线，即判定该边缘线不是管件端口内外壁边缘线。
因此通过上述过程可以得到各独立边缘线中的管件端口内外壁边缘线；然后根据各管件端口内外壁边缘线对应的最小外接矩形的面积，得到各管件端口内外壁边缘线中的管件端口外壁边缘线和管件端口内壁边缘线；一般情况下管件端口外壁边缘线对应的最小外接矩形的面积大于管件端口内壁边缘线对应的最小外接矩形的面积。因此得到了目标端口表面图像对应的管件端口外壁边缘线和内壁边缘线。
步骤S003，根据外壁边缘线和内壁边缘线上的边缘像素点，拟合得到外壁边缘线对应的各第一拟合圆和内壁边缘线对应的各第二拟合圆；根据第一拟合圆之间的距离和第二拟合圆之间的距离，得到金属管件的端口完整度。
本实施例通过对外壁边缘线和内壁边缘线进行分析，得到金属管件的端口完整度；具体过程为：
对于外壁边缘线：将该外壁边缘线上的边缘像素点的数量记为
Figure DEST_PATH_IMAGE082
，由于不共线的任意三个点可以确定圆的方程，所以选取外壁边缘线上的任意三个边缘像素点进行圆的拟合，得到对应的圆的方程，记为第一拟合圆；根据所述第一拟合圆对应的圆心行坐标、对应的圆心纵坐标以及对应的圆半径，构建得到所述第一拟合圆对应的第一圆向量；以此类推，进行不完全重复的选取，得到外壁边缘线对应的各第一拟合圆和各第一拟合圆对应的第一圆向量；所述外壁边缘线对应的第一拟合圆和第一圆向量的数量为
Figure 979378DEST_PATH_IMAGE032
，所述
Figure 671390DEST_PATH_IMAGE032
为组合公式。同理，将该内壁边缘线上的边缘像素点的数量记为
Figure DEST_PATH_IMAGE084
，选取内壁边缘线上的任意三个边缘像素点进行圆的拟合，得到对应的圆方程，记为第二拟合圆；根据所述第二拟合圆对应的圆心行坐标、对应的圆心纵坐标以及对应的圆半径，构建得到所述第二拟合圆对应的第二圆向量；以此类推，进行不完全重复的选取，得到内壁边缘线对应的各第二拟合圆和各第二拟合圆对应的第二圆向量；所述内壁边缘线对应的第二拟合圆和第二圆向量的数量为
Figure 18189DEST_PATH_IMAGE034
，所述
Figure 744837DEST_PATH_IMAGE034
为组合公式。所述圆向量中的第一个参数均为圆心行坐标、第二个参数均为圆心纵坐标以及第三个参数均为圆心半径。
对于外壁边缘线对应的任一第一拟合圆：
计算该第一拟合圆与除该第一拟合圆之外的其它第一拟合圆之间的距离，记为第一距离；按照从小到大的顺序对各第一距离进行排序，选取排序后的前
Figure DEST_PATH_IMAGE086
个第一距离的均值记为第一均值，所述
Figure 784468DEST_PATH_IMAGE004
为取整操作符；之后判断第一均值是否小于预设距离阈值，若是，则判定该第一拟合圆为正常拟合圆；否则，则判定该第一拟合圆为异常拟合圆。
对于内壁边缘线对应的任一第二拟合圆：
计算该第二拟合圆与除该第二拟合圆之外的其它第二拟合圆之间的距离，记为第二距离；按照从小到大的顺序对各第二距离进行排序，选取排序后的前
Figure DEST_PATH_IMAGE088
个第二距离的均值记为第二均值，所述
Figure 630021DEST_PATH_IMAGE004
为取整操作符；之后判断第二均值是否小于预设距离阈值，若是，则判定该第二拟合圆为正常拟合圆；否则，则判定该第二拟合圆为异常拟合圆。
本实施例中根据如下公式计算任一第一距离：
Figure DEST_PATH_IMAGE016A
其中，
Figure 452615DEST_PATH_IMAGE018
为该第一拟合圆对应的第一圆向量中的第i个参数值，
Figure 892823DEST_PATH_IMAGE020
为除该第一拟合圆之外的任一第一拟合圆对应的第一圆向量中的第i个参数值，
Figure 900094DEST_PATH_IMAGE022
为该第一拟合圆与除该第二拟合圆之外的该第一拟合圆之间的第一距离。所述第二距离和第一距离的计算方式相同，因此本实施例不再详细描述。
因此按照上述方式可以得到外壁边缘线对应的各第一拟合圆中的异常拟合圆的数量和内壁边缘线对应的各第二拟合圆中的异常拟合圆的数量；本实施例将预设距离阈值设置为20，作为其它的实施方式，也可以根据不同需求设置其它的预设距离阈值。
根据外壁边缘线对应的各第一拟合圆中的异常拟合圆的数量和内壁边缘线对应的各第二拟合圆中的异常拟合圆的数量，得到金属管件的端口完整度；根据如下公式计算金属管件的端口完整度：
Figure DEST_PATH_IMAGE024A
其中，
Figure 910906DEST_PATH_IMAGE026
为金属管件的端口完整度，
Figure 927404DEST_PATH_IMAGE028
为外壁边缘线对应的各第一拟合圆中的异常拟合圆的数量，
Figure 222119DEST_PATH_IMAGE030
为内壁边缘线对应的各第二拟合圆中的异常拟合圆的数量；
Figure 931449DEST_PATH_IMAGE028
和
Figure 819770DEST_PATH_IMAGE030
越小，表明
Figure 639959DEST_PATH_IMAGE026
的值越大，即金属管件的端口完整度越好，存在形变缺陷的可能性越小；
Figure 930126DEST_PATH_IMAGE028
和
Figure 810357DEST_PATH_IMAGE030
越大，表明
Figure 920396DEST_PATH_IMAGE026
的值越小，即金属管件的端口完整度越不好，金属管件的端口出现形变缺陷可能越严重，即金属管件的端口质量越不好。
步骤S004，获得目标端口表面图像对应的特征区域；根据所述特征区域和目标外侧表面图像上的各像素点灰度值，得到目标端口表面图像上的各像素点对应的第一特征向量和目标外侧表面图像上的各像素点对应的第二特征向量；根据所述第一特征向量和所述第二特征向量，得到金属管件的端口表面均匀度和金属管件的外侧整体表面均匀度。
本实施例将对端口表面和外侧表面进行非变形缺陷检测分析，具体过程为：
由于当金属管件端口出现非变形缺陷时，在局部范围内的非变形缺陷和正常区域之间发生纹理信息突变，从整体上说，如果出现非变形缺陷检测，会出现离群灰度值，导致整体灰度信息分布不均匀；因此本实施例将目标端口表面图像对应的管件端口外壁边缘线和内壁边缘线之间的区域范围记为特征区域；将特征区域的灰度级压缩到较小的范围，设置灰度等级为16，并且设置滑动窗口的尺寸为5*5；使得滑动窗口在特征区域内进行遍历，步长为1，得到特征区域对应的各窗口区域；构建各窗口区域对应的灰度共生矩阵，并赋予对应窗口区域的中心像素点，得到特征区域中各像素点对应的灰度共生矩阵；根据灰度共生矩阵的能量、熵值、对比度和逆差矩，构建得到特征区域中各像素点对应的第一特征向量；所述第一特征向量中的第一个参数均为能量、第二个参数均为熵值、第三个参数均为对比度以及第四个参数均为逆差矩；之后根据特征区域中各像素点的四邻域像素点对应的第一特征向量之间的差异，得到特征区域中各像素点对应的梯度。对于特征区域中的任一像素点，该像素点坐标为（x，y），根据如下公式计算该像素点对应的梯度：
Figure DEST_PATH_IMAGE036A
其中，
Figure 882623DEST_PATH_IMAGE038
为该像素点对应的梯度，
Figure 292876DEST_PATH_IMAGE040
为特征区域中坐标为
Figure 344009DEST_PATH_IMAGE042
的像素点对应的第一特征向量中的第j个元素值，
Figure 941343DEST_PATH_IMAGE044
为特征区域中坐标为
Figure 103334DEST_PATH_IMAGE046
的像素点对应的第一特征向量中的第j个元素值，
Figure 961569DEST_PATH_IMAGE048
为特征区域中坐标为
Figure 183603DEST_PATH_IMAGE050
的像素点对应的第一特征向量中的第j个元素值，
Figure 533813DEST_PATH_IMAGE052
为特征区域中坐标为
Figure 233916DEST_PATH_IMAGE054
的像素点对应的第一特征向量中的第j个元素值；
Figure 353181DEST_PATH_IMAGE038
越大，表明该像素点的梯度越大，即表明该像素点区域出现非变性缺陷的可能性越大。
因此本实施例通过上述过程可以得到特征区域中各像素点对应的梯度；然后统计特征区域中各像素点对应的梯度大于预设梯度阈值的数目，记为异常像素点数目；所述预设梯度阈值需要根据实际情况设置；根据特征区域中的各像素点灰度值，构建得到特征区域对应的灰度直方图；根据灰度直方图上各灰度值对应的概率值，得到特征区域对应的灰度直方图的特征方差；根据特征区域对应的灰度直方图的特征方差和特征区域中的异常像素点数目，得到金属管件的端口表面均匀度；根据如下方式计算金属管件的端口表面均匀度：
Figure DEST_PATH_IMAGE056A
其中，
Figure 824745DEST_PATH_IMAGE058
为金属管件的端口表面均匀度，
Figure 927830DEST_PATH_IMAGE060
为特征区域中像素点的总数量，
Figure 431624DEST_PATH_IMAGE062
为特征区域中的异常像素点数目，
Figure 665116DEST_PATH_IMAGE064
为特征区域对应的灰度直方图的特征方差；
Figure DEST_PATH_IMAGE090
越大，
Figure 901056DEST_PATH_IMAGE064
越大，表明
Figure 960279DEST_PATH_IMAGE058
越小，表明金属管件的端口表面均匀度越不好，表明金属管件的端口表面非变性缺陷可能越严重，即金属管件的端口表面质量可能越不好。
本实施例中存在两张目标端口表面图像，上述只是对一张目标端口表面图像进行分析的，因此按照上述的分析过程也可以得到另一张目标端口表面图像对应的金属管件的端口完整度和金属管件的端口表面均匀度。
本实施例按照上述得到特征区域中各像素点对应的灰度共生矩阵的方式，得到目标外侧表面图像上各像素点对应的灰度共生矩阵；根据目标外侧表面图像上各像素点对应的灰度共生矩阵的能量、熵值、对比度和逆差矩，构建得到目标外侧表面图像上各像素点对应的第二特征向量；所述第二特征向量中的第一个参数均为能量、第二个参数均为熵值、第三个参数均为对比度以及第四个参数均为逆差矩；之后根据目标外侧表面图像中各像素点的四邻域像素点对应的第二特征向量之间的差异，得到目标外侧表面图像中各像素点对应的梯度。对于目标外侧表面图像中的任一像素点，该像素点坐标为（a，b），根据如下公式计算该像素点对应的梯度：
Figure DEST_PATH_IMAGE092
其中，
Figure DEST_PATH_IMAGE094
为该像素点对应的梯度，
Figure DEST_PATH_IMAGE096
为目标外侧表面图像中坐标为
Figure DEST_PATH_IMAGE098
的像素点对应的第二特征向量中的第k个元素值，
Figure DEST_PATH_IMAGE100
为目标外侧表面图像中坐标为
Figure DEST_PATH_IMAGE102
的像素点对应的第二特征向量中的第k个元素值，
Figure DEST_PATH_IMAGE104
为目标外侧表面图像中坐标为
Figure DEST_PATH_IMAGE106
的像素点对应的第二特征向量中的第k个元素值，
Figure DEST_PATH_IMAGE108
为目标外侧表面图像中坐标为
Figure DEST_PATH_IMAGE110
的像素点对应的第二特征向量中的第k个元素值；
Figure 756564DEST_PATH_IMAGE094
越大，表明该像素点的梯度越大，即表明该像素点区域出现非变性缺陷的可能性越大。
因此本实施例通过上述过程可以得到目标外侧表面图像中各像素点对应的梯度；然后统计目标外侧表面图像中各像素点对应的梯度大于预设梯度阈值的数目，记为目标外侧表面图像中的异常像素点数目；根据目标外侧表面图像中的各像素点灰度值，构建得到目标外侧表面图像对应的灰度直方图；根据目标外侧表面图像对应的灰度直方图上各灰度值对应的概率值，得到目标外侧表面图像对应的灰度直方图的特征方差；根据目标外侧表面图像对应的灰度直方图的特征方差和目标外侧表面图像中的异常像素点数目，得到金属管件的外侧整体表面均匀度；根据如下方式计算金属管件的外侧整体表面均匀度：
Figure DEST_PATH_IMAGE112
其中，
Figure DEST_PATH_IMAGE114
为金属管件的外侧整体表面均匀度，
Figure DEST_PATH_IMAGE116
为目标外侧表面图像中像素点的总数量，
Figure DEST_PATH_IMAGE118
为目标外侧表面图像中的异常像素点数目，
Figure DEST_PATH_IMAGE120
为目标外侧表面图像对应的灰度直方图的特征方差；
Figure DEST_PATH_IMAGE122
越大，
Figure 617466DEST_PATH_IMAGE120
越大，表明
Figure 352204DEST_PATH_IMAGE114
越小，表明金属管件的外侧整体表面均匀度越不好，表明金属管件的外侧整体表面非变性缺陷可能越严重，即金属管件的外侧整体表面质量可能越不好。
步骤S005，根据所述端口完整度、端口表面均匀度和外侧整体表面均匀度，得到金属管件对应的综合质量指标。
由于当金属管口出现变形缺陷或非变形缺陷时，表现为端口完整度
Figure 925487DEST_PATH_IMAGE026
小或者端口表面均匀度
Figure DEST_PATH_IMAGE124
小，而当金属管口只有变形缺陷而没有非变形缺陷，若将端口完整度和表面均匀度中的最大值或者均值来表征端口质量可能会忽略或削弱金属管口变形缺陷或者非变形缺陷的严重程度，因此本实施例将端口完整度和端口表面均匀度中的最小值记为金属管件的端口质量指标；将金属管件的外侧整体表面均匀度记为金属管件的外侧整体表面质量指标；根据金属管件的端口质量指标和金属管件的外侧整体表面质量指标，得到金属管件对应的综合质量指标
Figure DEST_PATH_IMAGE126
，其中，
Figure DEST_PATH_IMAGE128
为金属管件中的其中一个端口对应的端口质量指标，
Figure DEST_PATH_IMAGE130
为金属管件中的另外一个端口对应的端口质量指标，
Figure DEST_PATH_IMAGE132
为金属管件的外侧整体表面质量指标，
Figure DEST_PATH_IMAGE134
为取最小值函数。若金属管件对应的综合质量指标
Figure DEST_PATH_IMAGE136
越接近
Figure DEST_PATH_IMAGE138
，说明金属管件表面的综合质量越高，反之越接近
Figure DEST_PATH_IMAGE140
，说明金属管件的表面的综合质量越低，后续专业人员可以依据综合质量参数
Figure 361629DEST_PATH_IMAGE136
对金属管件进行进一步的操作处理。
本实施例首先利用边缘检测算子和DBSCAN算法，得到目标端口表面图像对应的各独立不相交的边缘线；并对各独立不相交的边缘线进行闭合性检测，得到目标端口表面图像对应的管件端口外壁边缘线和内壁边缘线；之后根据外壁边缘线和内壁边缘线上的边缘像素点，拟合得到外壁边缘线对应的各第一拟合圆和内壁边缘线对应的各第二拟合圆；再根据第一拟合圆之间的距离和第二拟合圆之间的距离，得到金属管件的端口完整度；然后通过对特征区域和目标外侧表面图像上的各像素点灰度值进行分析，得到目标端口表面图像上的各像素点对应的第一特征向量和目标外侧表面图像上的各像素点对应的第二特征向量；根据所述第一特征向量和所述第二特征向量，得到金属管件的端口表面均匀度和金属管件的外侧整体表面均匀度；最后根据所述端口完整度、端口表面均匀度和外侧整体表面均匀度，得到金属管件对应的综合质量指标。本实施例提供的金属管件表面质量检测方法与现有技术相比，现有技术中圆度约束圆孔实际边缘相对于理想圆的偏差度采用的是优化算法，即通过构建最小二乘法求解参数，设计拟合边缘的均方误差最小来得到最优的拟合参数，此过程涉及大量的迭代运算，每次迭代运算都要对所有的数据进行运算，计算量大，运行速度慢并且内存占据大，对系统硬件的要求较高；而本实施例提供的金属管件表面质量检测方法只需要遍历一次所有数据，就可以得到多个圆形方程，之后可以对得到的多个圆形方程进行异常检测，然后基于异常检测的结果和统计的思想，将异常的圆的数量在所有圆中的比例作为圆的完整度，即端口的完整度，因此该方法相对于现有技术步骤较为简单且不需要多次迭代计算，并且基于统计的思想还可以保证较高的精度，因此检测效率、准确度以及可靠性都较高，并且该方法还考虑到了无变形缺陷和非变形缺陷这两种情况，能更加全面的反映金属管件表面的质量。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种金属管件表面质量检测方法，其特征在于，该方法包括如下步骤：
获取金属管件的目标端口表面图像和目标外侧表面图像；
利用边缘检测算子和DBSCAN算法，得到目标端口表面图像对应的各独立不相交的边缘线；对所述各独立不相交的边缘线进行闭合性检测，得到目标端口表面图像对应的管件端口外壁边缘线和内壁边缘线；
根据外壁边缘线和内壁边缘线上的边缘像素点，拟合得到外壁边缘线对应的各第一拟合圆和内壁边缘线对应的各第二拟合圆；根据第一拟合圆之间的距离和第二拟合圆之间的距离，得到金属管件的端口完整度；
获得目标端口表面图像对应的特征区域；根据所述特征区域和目标外侧表面图像上的各像素点灰度值，得到目标端口表面图像上的各像素点对应的第一特征向量和目标外侧表面图像上的各像素点对应的第二特征向量；根据所述第一特征向量和所述第二特征向量，得到金属管件的端口表面均匀度和金属管件的外侧整体表面均匀度；
根据所述端口完整度、端口表面均匀度和外侧整体表面均匀度，得到金属管件对应的综合质量指标。
2.如权利要求1所述的金属管件表面质量检测方法，其特征在于，所述目标端口表面图像的数量为2。
3.如权利要求1所述的金属管件表面质量检测方法，其特征在于，所述得到目标端口表面图像对应的管件端口外壁边缘线和内壁边缘线的方法，包括：
对于任一独立不相交的边缘线：
将该边缘线对应的窗口记为目标窗口，所述目标窗口的边长记为2R+1；
以该边缘线上的各边缘像素点为中心，构建得到该边缘线上的各边缘像素点对应的目标窗口区域，所述目标窗口区域大小为2R+1*2R+1；
若各边缘像素点对应的目标窗口区域中均存在除对应边缘像素点之外的该边缘线上的其它边缘像素点，则判定该边缘线为闭合边缘线，判定该边缘线为管件端口内外壁边缘线；否则，则判定该边缘线不是闭合边缘线，判定该边缘线不是管件端口内外壁边缘线；
根据各管件端口内外壁边缘线对应的最小外接矩形的面积，得到各管件端口内外壁边缘线中的管件端口外壁边缘线和管件端口内壁边缘线。
4.如权利要求3所述的金属管件表面质量检测方法，其特征在于，根据如下公式计算得到该边缘线对应的R：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为取整操作符，
Figure DEST_PATH_IMAGE006
为该边缘线上的边缘像素点的数目，
Figure DEST_PATH_IMAGE008
为该边缘线上各边缘像素点行坐标中的最大值，
Figure DEST_PATH_IMAGE010
为该边缘线上各边缘像素点行坐标中的最小值，
Figure DEST_PATH_IMAGE012
为该边缘线上各边缘像素点纵坐标中的最大值，
Figure DEST_PATH_IMAGE014
为该边缘线上各边缘像素点纵坐标中的最小值。
5.如权利要求1所述的金属管件表面质量检测方法，其特征在于，所述根据外壁边缘线和内壁边缘线上的边缘像素点，拟合得到外壁边缘线对应的各第一拟合圆和内壁边缘线对应的各第二拟合圆；根据第一拟合圆之间的距离和第二拟合圆之间的距离，得到金属管件的端口完整度的方法，包括：
选取外壁边缘线上的任意三个边缘像素点进行圆的拟合，得到对应的圆的方程，记为第一拟合圆；根据所述第一拟合圆对应的圆心行坐标、对应的圆心纵坐标以及对应的圆半径，构建得到所述第一拟合圆对应的第一圆向量；以此类推，进行不完全重复的选取，得到外壁边缘线对应的各第一拟合圆对应的第一圆向量；
选取内壁边缘线上的任意三个边缘像素点进行圆的拟合，得到对应的圆方程，记为第二拟合圆；根据所述第二拟合圆对应的圆心行坐标、对应的圆心纵坐标以及对应的圆半径，构建得到所述第二拟合圆对应的第二圆向量；以此类推，进行不完全重复的选取，得到内壁边缘线对应的各第二拟合圆和各第二拟合圆对应的第二圆向量；
对于外壁边缘线对应的任一第一拟合圆：
计算该第一拟合圆与除该第一拟合圆之外的其它第一拟合圆之间的距离，记为第一距离；
按照从小到大的顺序对各第一距离进行排序，选取排序后的前预设第一数量的第一距离的均值记为第一均值；判断第一均值是否小于预设距离阈值，若是，则判定该第一拟合圆为正常拟合圆；否则，则判定该第一拟合圆为异常拟合圆；
对于内壁边缘线对应的任一第二拟合圆：
计算该第二拟合圆与除该第二拟合圆之外的其它第二拟合圆之间的距离，记为第二距离；
按照从小到大的顺序对各第二距离进行排序，选取排序后的前预设第二数量的第二距离的均值记为第二均值；判断第二均值是否小于预设距离阈值，若是，则判定该第二拟合圆为正常拟合圆；否则，则判定该第二拟合圆为异常拟合圆；
统计得到各第一拟合圆中的异常拟合圆的数量和各第二拟合圆中的异常拟合圆的数量；
根据外壁边缘线对应的各第一拟合圆中的异常拟合圆的数量和内壁边缘线对应的各第二拟合圆中的异常拟合圆的数量，得到金属管件的端口完整度。
6.如权利要求5所述的金属管件表面质量检测方法，其特征在于，对于该第一拟合圆与除该第一拟合圆之外的任一第一拟合圆之间的第一距离，根据如下公式计算该第一距离：
Figure DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE018
为该第一拟合圆对应的第一圆向量中的第i个参数值，
Figure DEST_PATH_IMAGE020
为除该第一拟合圆之外的任一第一拟合圆对应的第一圆向量中的第i个参数值，
Figure DEST_PATH_IMAGE022
为该第一拟合圆与除该第一拟合圆之外的任一第一拟合圆之间的第一距离。
7.如权利要求5所述的金属管件表面质量检测方法，其特征在于，根据如下公式计算金属管件的端口完整度：
Figure DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE026
为金属管件的端口完整度，
Figure DEST_PATH_IMAGE028
为外壁边缘线对应的各第一拟合圆中的异常拟合圆的数量，
Figure DEST_PATH_IMAGE030
为内壁边缘线对应的各第二拟合圆中的异常拟合圆的数量，
Figure DEST_PATH_IMAGE032
为外壁边缘线对应的第一拟合圆的数量，
Figure DEST_PATH_IMAGE034
为内壁边缘线对应的第二拟合圆的数量，
Figure 681088DEST_PATH_IMAGE034
和
Figure 191703DEST_PATH_IMAGE032
为组合公式。
8.如权利要求1所述的金属管件表面质量检测方法，其特征在于，获得金属管件的端口表面均匀度和金属管件的外侧整体表面均匀度的方法，包括：
将目标端口表面图像对应的管件端口外壁边缘线和内壁边缘线之间的区域范围记为特征区域；
利用滑动窗口对特征区域进行遍历，得到特征区域对应的各窗口区域；构建各窗口区域对应的灰度共生矩阵，并赋予对应窗口区域的中心像素点，得到特征区域中各像素点对应的灰度共生矩阵；
根据所述灰度共生矩阵的特征值，构建得到特征区域中各像素点对应的第一特征向量；根据特征区域中各像素点的四邻域像素点对应的第一特征向量之间的差异，得到特征区域中各像素点对应的梯度；
统计特征区域中各像素点对应的梯度大于预设梯度阈值的数目，记为异常像素点数目；
根据特征区域中的各像素点灰度值，得到特征区域对应的灰度直方图和特征区域对应的灰度直方图的特征方差；
根据特征区域对应的灰度直方图的特征方差和特征区域中的异常像素点数目，得到金属管件的端口表面均匀度；
利用滑动窗口对目标外侧表面图像进行遍历，得到目标外侧表面图像对应的各窗口区域；构建各窗口区域对应的灰度共生矩阵，并赋予对应窗口区域的中心像素点，得到目标外侧表面图像中各像素点对应的灰度共生矩阵；
根据所述灰度共生矩阵的特征值，构建得到目标外侧表面图像中各像素点对应的第二特征向量；根据目标外侧表面图像中各像素点的四邻域像素点对应的第二特征向量之间的差异，得到目标外侧表面图像中各像素点对应的梯度；
统计目标外侧表面图像中各像素点对应的梯度大于预设梯度阈值的数目，记为目标外侧表面图像中的异常像素点数目；
根据目标外侧表面图像中的各像素点灰度值，得到目标外侧表面图像对应的灰度直方图和目标外侧表面图像对应的灰度直方图的特征方差；
根据目标外侧表面图像对应的灰度直方图的特征方差和目标外侧表面图像中的异常像素点数目，得到目标外侧表面图像对应的金属管件的外侧整体表面均匀度。
9.如权利要求8所述的金属管件表面质量检测方法，其特征在于，对于特征区域中的任一像素点，该像素点坐标为（x，y），根据如下公式计算该像素点对应的梯度：
Figure DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE038
为该像素点对应的梯度，
Figure DEST_PATH_IMAGE040
为特征区域中坐标为
Figure DEST_PATH_IMAGE042
的像素点对应的第一特征向量中的第j个元素值，
Figure DEST_PATH_IMAGE044
为特征区域中坐标为
Figure DEST_PATH_IMAGE046
的像素点对应的第一特征向量中的第j个元素值，
Figure DEST_PATH_IMAGE048
为特征区域中坐标为
Figure DEST_PATH_IMAGE050
的像素点对应的第一特征向量中的第j个元素值，
Figure DEST_PATH_IMAGE052
为特征区域中坐标为
Figure DEST_PATH_IMAGE054
的像素点对应的第一特征向量中的第j个元素值。
10.如权利要求8所述的金属管件表面质量检测方法，其特征在于，根据如下方式计算金属管件的端口表面均匀度：
Figure DEST_PATH_IMAGE056
其中，
Figure DEST_PATH_IMAGE058
为金属管件的端口表面均匀度，
Figure DEST_PATH_IMAGE060
为特征区域中像素点的总数量，
Figure DEST_PATH_IMAGE062
为特征区域中的异常像素点数目，
Figure DEST_PATH_IMAGE064
为特征区域对应的灰度直方图的特征方差。
CN202210812291.9A 2022-07-12 2022-07-12 金属管件表面质量检测方法 Active CN114882044B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210812291.9A CN114882044B (zh) 2022-07-12 2022-07-12 金属管件表面质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210812291.9A CN114882044B (zh) 2022-07-12 2022-07-12 金属管件表面质量检测方法

Publications (2)

Publication Number Publication Date
CN114882044A CN114882044A (zh) 2022-08-09
CN114882044B true CN114882044B (zh) 2022-09-06

Family

ID=82683094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210812291.9A Active CN114882044B (zh) 2022-07-12 2022-07-12 金属管件表面质量检测方法

Country Status (1)

Country Link
CN (1) CN114882044B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115049657A (zh) * 2022-08-15 2022-09-13 启东晶尧光电科技有限公司 一种玻璃缺陷检测方法
CN115115632B (zh) * 2022-08-29 2023-04-07 海门市新亚镍丝网有限公司 一种纺织品接缝滑移检测伴随现象的分析方法
CN115371567B (zh) * 2022-09-22 2023-03-21 江特科技股份有限公司 用于pe燃气热熔管件的质量检测装置
CN115330774B (zh) * 2022-10-12 2023-05-19 南通林多光学仪器有限公司 焊接图像熔池边缘检测方法
CN116386028B (zh) * 2023-04-06 2023-10-03 扬州市管件厂有限公司 一种用于三通管件加工的图像分层识别方法及装置
CN116758065B (zh) * 2023-08-14 2023-10-20 山东嘉利诺新材料科技有限公司 一种防火板表面缺陷快速检测方法
CN116958127B (zh) * 2023-09-18 2023-12-08 山东九思新材料科技有限责任公司 基于图像特征的硅片质量评估方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016156671A (ja) * 2015-02-24 2016-09-01 Ｊｆｅスチール株式会社 金属帯エッジ部の欠陥検出方法および金属帯エッジ部の欠陥検出装置
CN109187581A (zh) * 2018-07-12 2019-01-11 中国科学院自动化研究所 基于视觉的成品轴承端面缺陷检测方法
CN109800824A (zh) * 2019-02-25 2019-05-24 中国矿业大学(北京) 一种基于计算机视觉与机器学习的管道缺陷识别方法
CN110389127A (zh) * 2019-07-03 2019-10-29 浙江大学 一种金属陶瓷零件识别及表面缺陷检测系统和方法
CN114705824A (zh) * 2022-03-30 2022-07-05 广州市光铭金属制品有限责任公司 一种金属元件产品缺陷检测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016156671A (ja) * 2015-02-24 2016-09-01 Ｊｆｅスチール株式会社 金属帯エッジ部の欠陥検出方法および金属帯エッジ部の欠陥検出装置
CN109187581A (zh) * 2018-07-12 2019-01-11 中国科学院自动化研究所 基于视觉的成品轴承端面缺陷检测方法
CN109800824A (zh) * 2019-02-25 2019-05-24 中国矿业大学(北京) 一种基于计算机视觉与机器学习的管道缺陷识别方法
CN110389127A (zh) * 2019-07-03 2019-10-29 浙江大学 一种金属陶瓷零件识别及表面缺陷检测系统和方法
CN114705824A (zh) * 2022-03-30 2022-07-05 广州市光铭金属制品有限责任公司 一种金属元件产品缺陷检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Deep Learning Based Steel Pipe Weld Defect Detection》;dingming yang;《Applied Artificial Intelligence》;20211231;全文 *
《基于机器视觉的钢管表面缺陷检测与识别方法研究》;董家顺;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20210115;全文 *

Also Published As

Publication number Publication date
CN114882044A (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
CN114882044B (zh) 金属管件表面质量检测方法
CN113989280B (zh) 基于图像处理技术的钢结构焊接裂纹缺陷检测方法
CN114862862B (zh) 一种基于图像处理的泵体冷隔缺陷识别方法与系统
CN115082464B (zh) 除尘机焊接过程中焊缝数据的识别方法及系统
CN115082418B (zh) 一种汽车零部件精密识别方法
CN106404793B (zh) 基于视觉的轴承密封件缺陷检测方法
CN115100221B (zh) 一种玻璃缺陷分割方法
CN113436168A (zh) 一种用于工业焊缝x光图中的裂纹缺陷检测方法
CN115063423B (zh) 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法
CN116091504B (zh) 基于图像处理的连接管连接头质量检测方法
CN115690108A (zh) 一种基于图像处理的铝合金杆生产质量评估方法
CN111667470B (zh) 一种基于数字图像的工业管道探伤内壁检测方法
CN115049657A (zh) 一种玻璃缺陷检测方法
CN110434090A (zh) 一种胡萝卜表面瑕疵检测方法
CN112465852B (zh) 一种用于电力设备红外图像分割的改进区域生长方法
CN116740070A (zh) 基于机器视觉的塑料管道外观缺陷检测方法
CN114782330B (zh) 基于人工智能的炉排异常检测方法及系统
WO2021135675A1 (zh) 一种棒材自动计数方法及装置
CN115965623A (zh) 一种变压器生产中表面瑕疵检测方法及系统
CN115330758A (zh) 基于去噪处理的焊接质量检测方法
CN113870264B (zh) 一种基于图像处理的管状零件端口异常检测方法及系统
CN115222736A (zh) 一种基于霍夫空间的钢管生产质量检测方法
CN116993742A (zh) 基于机器视觉的镍合金轧制缺陷检测方法
CN114926387A (zh) 基于背景估计与边缘梯度抑制的焊缝缺陷检测方法及装置
CN117152129A (zh) 一种电池盖板的表面缺陷视觉检测方法及系统

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