CN114943736B - 一种汽车散热翅片生产质量检测方法及系统 - Google Patents

一种汽车散热翅片生产质量检测方法及系统 Download PDF

Info

Publication number
CN114943736B
CN114943736B CN202210864743.8A CN202210864743A CN114943736B CN 114943736 B CN114943736 B CN 114943736B CN 202210864743 A CN202210864743 A CN 202210864743A CN 114943736 B CN114943736 B CN 114943736B
Authority
CN
China
Prior art keywords
pixel
superpixel
block
super
segmentation
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
CN202210864743.8A
Other languages
English (en)
Other versions
CN114943736A (zh
Inventor
魏敏
王登岭
陈达
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 Jiaxiang Automobile Radiator Co ltd
Original Assignee
Shandong Jiaxiang Automobile Radiator 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 Jiaxiang Automobile Radiator Co ltd filed Critical Shandong Jiaxiang Automobile Radiator Co ltd
Priority to CN202210864743.8A priority Critical patent/CN114943736B/zh
Publication of CN114943736A publication Critical patent/CN114943736A/zh
Application granted granted Critical
Publication of CN114943736B publication Critical patent/CN114943736B/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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20061—Hough transform
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及生产质量检测技术领域，具体涉及一种汽车散热翅片生产质量检测方法及系统，该方法采集汽车散热翅片的表面图像，对表面图像进行预处理得到所有散热管区域；基于超像素分割算法对每个散热管区域进行超像素分割的迭代，以得到每个散热管区域的最终超像素分割结果；从所有散热管区域的最终超像素分割结果中获取标准超像素块，利用标准超像素块进行模板匹配，得到多个缺陷超像素块，根据缺陷超像素块计算汽车散热翅片的质量指标。通过对每个散热管区域进行超像素分割的自适应迭代，能够得到更加准确地分割结果，基于最优分割结果能够自适应获取最优模板，以根据最优模板对汽车散热翅片进行质量评估检测，提高了检测效率和精度。

Description

一种汽车散热翅片生产质量检测方法及系统
技术领域
本发明涉及生产质量检测技术领域，具体涉及一种汽车散热翅片生产质量检测方法及系统。
背景技术
汽车散热翅片是由薄型板材冲压成型的，由于其刚度较差，容易在板材裁剪、冲压成型等工序中造成裂痕以及平面度差等缺陷，而通过人工检测其质量时，检测速度慢、劳动强度大、误检率高。
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汽车散热翅片生产质量检测方法及系统，所采用的技术方案具体如下：
第一方面，本发明实施例提供了一种汽车散热翅片生产质量检测方法，该方法包括以下步骤：
采集汽车散热翅片的表面图像，对所述表面图像进行语义分割得到散热区域图像，获取散热区域图像的灰度图像，以得到灰度图像中的所有散热管区域；
基于超像素分割算法中初始选取的聚类中心点，对当前散热管区域进行超像素分割，得到预设数量的初始超像素块；分别获取每个初始超像素块内距离对应所述聚类中心点最近的像素点为新聚类中心点，基于所述新聚类中心点对当前散热管区域进行再次超像素分割，计算两次超像素分割下每个同一超像素块的分割效果指标；根据分割效果指标对当前散热管区域的超像素分割进行多次迭代，以得到当前散热管区域的最优分割结果；将所述最优分割结果中不连续的超像素块和尺寸过小的超像素块重新分配给邻近的超像素块，得到当前散热管区域的最终超像素分割结果，所述最终超像素分割结果包括多个最终超像素块；
获取每个散热管区域的最终超像素分割结果，从所有的最终超像素分割结果中获取标准超像素块；将每个最终超像素块与标准超像素块进行模板匹配，得到多个缺陷超像素块，根据缺陷超像素块计算汽车散热翅片的质量指标。
进一步的，所述散热管区域的获取方法，包括：
对灰度图像进行canny算子检测，得到边缘像素点，根据霍夫直线检测方法，对边缘像素点进行霍夫空间转化完成直线检测，得到灰度图像中的所有直线；
计算每条直线的斜率，分别计算相同斜率下当前直线与其他直线之间的距离，将最小距离对应的两条直线所构成的区域作为目标区域，进而得到灰度图像中的所有目标区域；
分别计算每个目标区域内的灰度熵值，灰度熵值大于灰度熵值阈值的目标区域即为散热管区域。
进一步的，所述计算两次超像素分割下每个同一超像素块的分割效果指标的方法，包括：
通过形状上下文匹配算法计算两次超像素分割下同一超像素块的轮廓相似值；
统计前一次超像素分割中每个初始超像素块内的像素点总数量，基于再次超像素分割的结果，统计前一次超像素分割中每个初始超像素块内出现变化的像素点个数，将像素点总数量与像素点个数之间的比值作为同一超像素块的像素点变化值；
计算前一次超像素分割中每个初始超像素块内各个像素点与所述聚类中心点之间的第一平均距离，计算再次超像素分割中每个超像素块内各个像素点与所述新聚类中心点之间的第二平均距离；根据两次超像素分割中同一超像素块对应的第一平均距离和第二平均距离，得到最小平均距离和平均距离差值绝对值；
结合两次超像素分割中同一超像素块的所述轮廓相似值、所述像素点变化值、所述最小平均距离和所述平均距离差值绝对值计算对应同一超像素块的分割效果指标。
进一步的，所述分割效果指标的计算公式为：
Figure 840817DEST_PATH_IMAGE001
其中，
Figure 21262DEST_PATH_IMAGE002
为第
Figure 230658DEST_PATH_IMAGE003
个同一超像素块的分割效果指标；
Figure 838357DEST_PATH_IMAGE004
为第一平均距离；
Figure 15260DEST_PATH_IMAGE005
为第二平均距离；
Figure 468238DEST_PATH_IMAGE006
为第
Figure 797720DEST_PATH_IMAGE003
个同一超像素块的所述平均距离差值绝对值；
Figure 576320DEST_PATH_IMAGE007
为第
Figure 240519DEST_PATH_IMAGE003
个同一超像素块的所述最小平均距离；
Figure 762768DEST_PATH_IMAGE008
为第
Figure 943826DEST_PATH_IMAGE003
个同一超像素块的所述轮廓相似值；
Figure 893327DEST_PATH_IMAGE009
为第
Figure 44823DEST_PATH_IMAGE003
个同一超像素块的所述像素点变化值。
进一步的，所述根据分割效果指标对当前散热管区域的超像素分割进行多次迭代的方法，包括：
设定分割效果指标阈值，当所有同一超像素块的分割效果指标都小于分割效果阈值时，停止超像素分割迭代；否则继续进行超像素分割迭代，直到迭代次数等于设定的迭代次数阈值时，停止迭代。
进一步的，所述标准超像素块的获取方法，包括：
获取当前最终超像素块的最小外接矩形的第一面积和当前最终超像素块的第二面积，将第二面积与第一面积之间的比值作为当前最终超像素块的矩形因子，以保留所述矩形因子等于1的最终超像素块；
根据最终超像素块内的灰度值和最终超像素块内出现缺陷的置信度计算保留的每个最终超像素块的优选度，将最大优选度对应的最终超像素块作为标准超像素块。
进一步的，分别将当前最终超像素块内的聚类中心点与其他每个像素点的灰度值组成灰度值二元组，得到当前最终超像素块内的所有灰度二元组，统计每种灰度值二元组的出现频率，基于所述出现频率计算当前最终超像素块内的灰度复杂度；
设置出现频率阈值，将所述出现频率小于出现频率阈值所对应的像素点作为当前最终超像素块内的目标像素点；将每个目标像素点的8邻域范围内与目标像素点左右相邻的两个像素点去除，以根据剩余6个像素点的灰度值计算当前最终超像素块内每个目标像素点为缺陷像素点的置信度，对所述置信度进行累加得到置信度总和；
获取当前最终超像素块的所述第二面积与所述灰度复杂度之间的比值，结合所述置信度总和与所述比值得到当前最终超像素块的优选度，则优选度的公式为：
Figure 370762DEST_PATH_IMAGE010
，其中
Figure 409256DEST_PATH_IMAGE011
为优选度，
Figure 174999DEST_PATH_IMAGE012
为相关参数，且
Figure 689157DEST_PATH_IMAGE013
，
Figure 677841DEST_PATH_IMAGE014
为所述第二面积，
Figure 695476DEST_PATH_IMAGE015
为第
Figure 393305DEST_PATH_IMAGE003
个目标像素点属于缺陷像素点的置信度，
Figure 129180DEST_PATH_IMAGE016
为所述置信度总和，
Figure 921555DEST_PATH_IMAGE017
为最终超像素块中目标像素点的数量，
Figure 793696DEST_PATH_IMAGE018
为所述灰度复杂度。
进一步的，所述缺陷超像素块的获取方法，包括：
分别获取标准超像素块和最终超像素块的特征点，所述特征点是指标准超像素块或最终超像素块的角点和对应的聚类中心点，利用特征点的模板匹配算法得到每个最终超像素块与标准超像素块之间的相关性指标；
设置相关性指标阈值，相关性指标小于或等于相关性指标阈值的最终超像素块即为缺陷超像素块。
进一步的，所述根据缺陷超像素块计算汽车散热翅片的质量指标的方法，包括：
根据相关性指标得到每个缺陷超像素块的非相关性指标，将所有的缺陷超像素块的非相关性指标进行累加，以除于灰度图像中最终超像素块的总数量所得到的结果即为所述质量指标。
第二方面，本发明实施例还提供了一种汽车散热翅片生产质量检测系统，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。
本发明实施例至少具有如下有益效果：通过对每个散热管区域进行超像素分割的自适应迭代，能够得到更加准确地分割结果，同时基于分割结果能够自适应获取汽车散热翅片的最优模板，以根据最优模板对汽车散热翅片进行质量评估检测，提高了检测效率和精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种汽车散热翅片生产质量检测方法的步骤流程图；
图2为本发明实施例所提供的一种汽车散热翅片的表面图像的示意图；
图3为本发明实施例所提供的一种散热区域图像的示意图；
图4为本发明实施例所提供的一种散热管区域的示意图。
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一种汽车散热翅片生产质量检测方法及系统，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，一个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汽车散热翅片生产质量检测方法及系统的具体方案。
本发明所针对的具体场景为：对汽车散热翅片出厂前的质量检测。
请参阅图1，其示出了本发明一个实施例提供的一种汽车散热翅片生产质量检测方法的步骤流程图，该方法包括以下步骤：
步骤S001，采集汽车散热翅片的表面图像，对所述表面图像进行语义分割得到散热区域图像，获取散热区域图像的灰度图像，以得到灰度图像中的所有散热管区域。
具体的，如图2所示，利用相机采集汽车散热翅片的表面图像，对表面图像进行预处理，预处理过程为：利用DNN网络对表面图像进行语义分割，得到如图3所示的散热区域图像，对散热区域图像进行灰度化得到对应的灰度图像。
对灰度图像进行canny算子检测，得到边缘像素点，根据霍夫直线检测方法，对边缘像素点进行霍夫空间转化完成直线检测，得到灰度图像中的所有直线，计算每条直线的斜率，分别计算相同斜率下当前直线与其他直线之间的距离，将最小距离对应的两条直线所构成的区域作为目标区域，同理得到灰度图像中的所有目标区域。
分别计算每个目标区域内的灰度熵值，由于散热管上存在纹理信息，对应灰度熵值比较大，因此设置灰度熵值阈值，灰度熵值大于灰度熵值阈值的目标区域即为如图4所示的散热管区域，最终得到灰度图像中的所有散热管区域。
步骤S002，基于超像素分割算法对当前散热管区域进行超像素分割，得到预设数量的初始超像素块；在每个初始超像素块中获取新聚类中心点，基于新聚类中心点对当前散热管区域的超像素分割进行多次迭代，以得到当前散热管区域的最优分割结果，对最优分割结果中超像素块的连通性进行增强处理，得到当前散热管区域的最终超像素分割结果。
具体的，分别对每个散热管区域进行超像素分割，其超像素分割方法为：假设散热管区域中包含N个像素点，预设将散热管区域分割成K个超像素块，则超像素块大小约为S=N/K；在散热管区域内均匀的选取K个种子点，也即是聚类中心点，在每个种子点的2S*2S区域内进行搜索，且基于像素点之间的距离度量实现对散热管区域内像素点的聚类。
其中，距离度量的获取过程为：
（1）利用欧氏距离计算种子点a和像素点b之间的空间距离
Figure 393917DEST_PATH_IMAGE019
，其中空间距离的计算公式为：
Figure 617088DEST_PATH_IMAGE020
其中，
Figure 308095DEST_PATH_IMAGE021
为种子点a的坐标位置，
Figure 300322DEST_PATH_IMAGE022
为像素点b的坐标位置。
根据种子点a和像素点b的Lab信息计算两者之间的颜色距离，则颜色距离的计算公式为：
Figure 89022DEST_PATH_IMAGE023
其中，
Figure 533910DEST_PATH_IMAGE024
为颜色距离。
（2）结合空间距离
Figure 668088DEST_PATH_IMAGE019
和颜色距离
Figure 780400DEST_PATH_IMAGE024
计算种子点a和像素点b之间距离度量D，则距离度量D的计算公式为：
Figure 459775DEST_PATH_IMAGE025
其中，
Figure 657538DEST_PATH_IMAGE026
为常数，根据经验值取
Figure 329828DEST_PATH_IMAGE026
=10。
本发明实施例以一个散热管区域为例，利用上述超像素分割方法，得到散热管区域的初始超像素分割结果，基于初始超像素分割结果中每个初始超像素块的聚类中心点，对散热管区域的超像素分割进行多次迭代，以获取散热管区域的最优分割结果，其中迭代的方法为：对于每个初始超像素块的聚类中心点，获取初始超像素块内距离聚类中心点最近的像素点为新聚类中心点，进而基于新聚类中心点，利用上述超像素分割方法对散热管区域进行再次超像素分割；然后基于这两次的超像素分割结果，计算该次迭代下每个同一超像素块的分割效果指标，设定分割效果指标阈值，当所有同一超像素块的分割效果指标都小于分割效果阈值时，停止超像素分割迭代，否则继续进行超像素分割迭代，直到迭代次数等于设定的迭代次数阈值时，停止迭代，则超像素分割的迭代停止时所对应的超像素分割结果即为散热管区域的最优分割结果。
优选的，本发明实施例迭代次数阈值为20。
需要说明的是，由于下一次超像素分割时的K个超像素块的新聚类中心点，是在上一次超像素分割时新聚类中心点所属的超像素块中选择的，因此将下一次超像素分割时每个新聚类中心点所对应的超像素块，与上一次超像素分割时该新聚类中心点所属的超像素块称为同一超像素块。
其中，分割效果指标的获取方法为：
（1）通过形状上下文匹配算法计算两次超像素分割中同一超像素块的轮廓相似值，得到K个同一超像素块的轮廓相似值W，形状上下文匹配算法为公知技术，不再赘述。
（2）统计前一次超像素分割中每个超像素块内的像素点总数量X，基于后一次超像素分割的结果，统计前一次超像素分割中每个超像素块内出现变化的像素点个数Y,出现变化的像素点是指第一次超像素分割时这个像素点属于超像素块1，而在第二次超像素分割时这个像素点却属于超像素块2；将像素点总数量X和出现变化的像素点个数Y之间的比值作为对应同一超像素块的像素点变化值Q。
（3）计算前一次超像素分割中每个超像素块内各个像素点与聚类中心点之间的平均距离
Figure 296647DEST_PATH_IMAGE027
，同理计算后一次超像素分割中每个超像素块内各个像素点与聚类中心点之间的平均距离
Figure 146922DEST_PATH_IMAGE028
，获取两次超像素分割中同一超像素块的最小平均距离
Figure 110942DEST_PATH_IMAGE029
和平均距离差值绝对值
Figure 321344DEST_PATH_IMAGE030
，进而得到K个同一超像素块的最小平均距离
Figure 142669DEST_PATH_IMAGE029
和平均距离差值绝对值
Figure 429425DEST_PATH_IMAGE030
。
（4）结合轮廓相似值W、像素点变化值Q、最小平均距离
Figure 70622DEST_PATH_IMAGE029
和平均距离差值绝对值
Figure 84715DEST_PATH_IMAGE030
分别计算两次超像素分割中每个同一超像素块的分割效果指标
Figure 635913DEST_PATH_IMAGE031
，则分割效果指标
Figure 952625DEST_PATH_IMAGE031
的计算公式为：
Figure 471331DEST_PATH_IMAGE032
其中，
Figure 164480DEST_PATH_IMAGE002
为第
Figure 835764DEST_PATH_IMAGE003
个同一超像素块的分割效果指标；
Figure 588956DEST_PATH_IMAGE006
为第
Figure 594959DEST_PATH_IMAGE003
个同一超像素块的平均距离差值绝对值；
Figure 826220DEST_PATH_IMAGE007
为第
Figure 742223DEST_PATH_IMAGE003
个同一超像素块的最小平均距离；
Figure 279034DEST_PATH_IMAGE008
为第
Figure 772332DEST_PATH_IMAGE003
个同一超像素块的轮廓相似值；
Figure 807284DEST_PATH_IMAGE009
为第
Figure 187581DEST_PATH_IMAGE003
个同一超像素块的像素点变化值。
进一步的，考虑到散热管区域的最优分割结果中，会出现多连通情况、超像素尺寸过小等情况，因此基于最优分割结果，对超像素块的连通性进行增强处理，进而得到散热管区域的最终超像素分割结果，且最终超像素分割结果包括多个最终超像素块，其中，增强处理的方法为：将不连续的超像素块和尺寸过小的超像素块重新分配给邻近的超像素块。
需要说明的是，尺寸过小的标准可由实施者根据自身实时场景进行自定义。
步骤S003，获取每个散热管区域的最终超像素分割结果，从所有的最终超像素分割结果中获取标准超像素块；将每个最终超像素块与标准超像素块进行模板匹配，得到多个缺陷超像素块，根据缺陷超像素块计算汽车散热翅片的质量指标。
具体的，利用步骤S002的方法，得到每个散热管区域的最终超像素分割结果。由于汽车散热翅片表面纹路是一致的，因此能够从每个散热管区域内的多个最终超像素块，获取标准超像素块作为最优模板，标准超像素块也即是不存在缺陷的超像素块，则标准超像素块的获取过程为：
（1）当散热管区域不存在缺陷时，利用超像素分割算法能够将散热管区域分割为矩形的超像素块，但是当散热管区域出现了缺陷时，其纹理会被破坏，进而导致超像素块的形状被破坏，因此获取每个最终超像素块的矩形因子，其矩形因子的获取方法为：获取当前最终超像素块的最小外接矩形的第一面积和当前最终超像素块的第二面积，将第二面积与第一面积之间的比值作为当前最终超像素块的矩形因子。
（2）保留矩形因子等于1的最终超像素块，进而计算保留的每个最终超像素块的优选度，将最大优选度对应的最终超像素块作为标准超像素块。
具体的，以当前最终超像素块为例，将当前最终超像素块内聚类中心点的灰度值
Figure 282576DEST_PATH_IMAGE033
和当前最终超像素块内第
Figure 263170DEST_PATH_IMAGE003
个其他像素点的灰度值
Figure 836234DEST_PATH_IMAGE034
，组成一个灰度值二元组
Figure 336616DEST_PATH_IMAGE035
，进而得到当前最终超像素块内的所有灰度值二元组，统计每种灰度值二元组的出现频率
Figure 602513DEST_PATH_IMAGE036
，基于出现频率计算当前最终超像素块内的灰度复杂度
Figure 804824DEST_PATH_IMAGE037
：
Figure 447158DEST_PATH_IMAGE038
其中，
Figure 802047DEST_PATH_IMAGE039
为灰度值二元组的种类数量。
由于最终超像素块中缺陷区域的灰度值是复杂不均匀的，而正常区域的灰度值比较相近，因此正常区域会存在少量种灰度值二元组，且对应的出现频率较大，而缺陷区域则会存在较多种灰度值二元组，使得对应的出现频率较低，故设置出现频率阈值，将出现频率小于出现频率阈值所对应的像素点作为当前最终超像素块内的目标像素点，获取目标像素点的8邻域范围内像素点的灰度值，将8邻域范围内与目标像素点左右相邻的两个像素点去除，以根据剩余6个像素点的灰度值计算当前最终超像素块内每个目标像素点为缺陷像素点的置信度，则置信度
Figure 48964DEST_PATH_IMAGE040
的计算公式为：
Figure 489304DEST_PATH_IMAGE041
其中，
Figure 404170DEST_PATH_IMAGE042
为目标像素点的灰度值，
Figure 128413DEST_PATH_IMAGE043
为目标像素点的8邻域范围内剩余像素点中第i个像素点的灰度值。
结合当前最终超像素块的灰度复杂度
Figure 736112DEST_PATH_IMAGE037
、每个目标像素点为缺陷像素点的置信度C和第二面积计算当前最终超像素块的优选度，其中优选度
Figure 663747DEST_PATH_IMAGE044
的计算公式为：
Figure 382305DEST_PATH_IMAGE045
其中，
Figure 961054DEST_PATH_IMAGE012
为相关参数，且
Figure 474074DEST_PATH_IMAGE013
；
Figure 880217DEST_PATH_IMAGE014
为最终超像素块的第二面积；
Figure 402466DEST_PATH_IMAGE046
表征最终超像素块内单位面积的混乱程度，其值越小，优选度越大；
Figure 835721DEST_PATH_IMAGE015
为第i个目标像素点属于缺陷像素点的置信度，其值越小，优选度越大；
Figure 785222DEST_PATH_IMAGE016
表征最终超像素块出现缺陷的置信度；
Figure 421871DEST_PATH_IMAGE047
为最终超像素块中目标像素点的数量。
进一步的，利用标准超像素块对灰度图像中的所有最终超像素块进行模板匹配，以计算每个最终超像素块的相关性指标，则相关性指标的获取方法为：分别对标准超像素块和最终超像素块进行角点检测，将角点和聚类中心点作为对应标准超像素块或最终超像素块的特征点，进而利用特征点的模板匹配算法得到最终超像素块与标准超像素块之间的相关性指标。其中基于特征点的模板匹配算法为现有技术，不再赘述。
设置相关性指标阈值，当相关性指标大于相关性指标阈值时，表示对应的最终超像素块没有发生缺陷，相关性指标小于或等于相关性指标阈值时，表示对应的最终超像素块发生了缺陷，则该最终超像素块为缺陷超像素块，进而得到灰度图像中的所有缺陷超像素块。
根据每个缺陷超像素块的相关性指标计算汽车散热翅片的质量指标
Figure 606865DEST_PATH_IMAGE048
，则质量指标
Figure 769993DEST_PATH_IMAGE048
的计算公式：
Figure 765762DEST_PATH_IMAGE049
其中，
Figure 279920DEST_PATH_IMAGE050
为灰度图像中最终超像素块的总数量；
Figure 268605DEST_PATH_IMAGE051
为第
Figure 286239DEST_PATH_IMAGE052
个缺陷超像素块的相关性指标；
Figure 718489DEST_PATH_IMAGE053
为缺陷超像素块的数量。
综上所述，本发明实施例提供了一种汽车散热翅片生产质量检测方法，该方法采集汽车散热翅片的表面图像，对表面图像进行预处理得到所有散热管区域；基于超像素分割算法对每个散热管区域进行超像素分割的迭代，以得到每个散热管区域的最终超像素分割结果；从所有散热管区域的最终超像素分割结果中获取标准超像素块，利用标准超像素块进行模板匹配，得到多个缺陷超像素块，根据缺陷超像素块计算汽车散热翅片的质量指标。通过对每个散热管区域进行超像素分割的自适应迭代，能够得到更加准确地分割结果，基于最优分割结果能够自适应获取最优模板，以根据最优模板对汽车散热翅片进行质量评估检测，提高了检测效率和精度。
基于与上述方法相同的发明构思，本发明实施例还提供了一种汽车散热翅片生产质量检测系统，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一种汽车散热翅片生产质量检测方法中任意一项所述方法的步骤。
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。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，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种汽车散热翅片生产质量检测方法，其特征在于，该方法包括以下步骤：
采集汽车散热翅片的表面图像，对所述表面图像进行语义分割得到散热区域图像，获取散热区域图像的灰度图像，以得到灰度图像中的所有散热管区域；
基于超像素分割算法中初始选取的聚类中心点，对当前散热管区域进行超像素分割，得到预设数量的初始超像素块；分别获取每个初始超像素块内距离对应所述聚类中心点最近的像素点为新聚类中心点，基于所述新聚类中心点对当前散热管区域进行再次超像素分割，计算两次超像素分割下每个同一超像素块的分割效果指标；根据分割效果指标对当前散热管区域的超像素分割进行多次迭代，以得到当前散热管区域的最优分割结果；将所述最优分割结果中不连续的超像素块和尺寸过小的超像素块重新分配给邻近的超像素块，得到当前散热管区域的最终超像素分割结果，所述最终超像素分割结果包括多个最终超像素块；
获取每个散热管区域的最终超像素分割结果，从所有的最终超像素分割结果中获取标准超像素块；将每个最终超像素块与标准超像素块进行模板匹配，得到多个缺陷超像素块，根据缺陷超像素块计算汽车散热翅片的质量指标；
所述标准超像素块的获取方法，包括：
获取当前最终超像素块的最小外接矩形的第一面积和当前最终超像素块的第二面积，将第二面积与第一面积之间的比值作为当前最终超像素块的矩形因子，以保留所述矩形因子等于1的最终超像素块；
根据最终超像素块内的灰度值和最终超像素块内出现缺陷的置信度计算保留的每个最终超像素块的优选度，将最大优选度对应的最终超像素块作为标准超像素块；
所述缺陷超像素块的获取方法，包括：
分别获取标准超像素块和最终超像素块的特征点，所述特征点是指标准超像素块或最终超像素块的角点和对应的聚类中心点，利用特征点的模板匹配算法得到每个最终超像素块与标准超像素块之间的相关性指标；
设置相关性指标阈值，相关性指标小于或等于相关性指标阈值的最终超像素块即为缺陷超像素块。
2.如权利要求1所述的一种汽车散热翅片生产质量检测方法，其特征在于，所述散热管区域的获取方法，包括：
对灰度图像进行canny算子检测，得到边缘像素点，根据霍夫直线检测方法，对边缘像素点进行霍夫空间转化完成直线检测，得到灰度图像中的所有直线；
计算每条直线的斜率，分别计算相同斜率下当前直线与其他直线之间的距离，将最小距离对应的两条直线所构成的区域作为目标区域，进而得到灰度图像中的所有目标区域；
分别计算每个目标区域内的灰度熵值，灰度熵值大于灰度熵值阈值的目标区域即为散热管区域。
3.如权利要求1所述的一种汽车散热翅片生产质量检测方法，其特征在于，所述计算两次超像素分割下每个同一超像素块的分割效果指标的方法，包括：
通过形状上下文匹配算法计算两次超像素分割下同一超像素块的轮廓相似值；
统计前一次超像素分割中每个初始超像素块内的像素点总数量，基于再次超像素分割的结果，统计前一次超像素分割中每个初始超像素块内出现变化的像素点个数，将像素点总数量与像素点个数之间的比值作为同一超像素块的像素点变化值；
计算前一次超像素分割中每个初始超像素块内各个像素点与所述聚类中心点之间的第一平均距离，计算再次超像素分割中每个超像素块内各个像素点与所述新聚类中心点之间的第二平均距离；根据两次超像素分割中同一超像素块对应的第一平均距离和第二平均距离，得到最小平均距离和平均距离差值绝对值；
结合两次超像素分割中同一超像素块的所述轮廓相似值、所述像素点变化值、所述最小平均距离和所述平均距离差值绝对值计算对应同一超像素块的分割效果指标。
4.如权利要求3所述的一种汽车散热翅片生产质量检测方法，其特征在于，所述分割效果指标的计算公式为：
Figure 506507DEST_PATH_IMAGE001
其中，
Figure 451330DEST_PATH_IMAGE002
为第
Figure 944759DEST_PATH_IMAGE003
个同一超像素块的分割效果指标；
Figure 434777DEST_PATH_IMAGE004
为第一平均距离；
Figure 279237DEST_PATH_IMAGE005
为第二平均距离；
Figure 58710DEST_PATH_IMAGE006
为第
Figure 203383DEST_PATH_IMAGE003
个同一超像素块的所述平均距离差值绝对值；
Figure 988937DEST_PATH_IMAGE007
为第
Figure 117430DEST_PATH_IMAGE003
个同一超像素块的所述最小平均距离；
Figure 685946DEST_PATH_IMAGE008
为第
Figure 75339DEST_PATH_IMAGE003
个同一超像素块的所述轮廓相似值；
Figure 562952DEST_PATH_IMAGE009
为第
Figure 51177DEST_PATH_IMAGE003
个同一超像素块的所述像素点变化值。
5.如权利要求1所述的一种汽车散热翅片生产质量检测方法，其特征在于，所述根据分割效果指标对当前散热管区域的超像素分割进行多次迭代的方法，包括：
设定分割效果指标阈值，当所有同一超像素块的分割效果指标都小于分割效果阈值时，停止超像素分割迭代；否则继续进行超像素分割迭代，直到迭代次数等于设定的迭代次数阈值时，停止迭代。
6.如权利要求1所述的一种汽车散热翅片生产质量检测方法，其特征在于，所述优选度的获取方法，包括：
分别将当前最终超像素块内的聚类中心点与其他每个像素点的灰度值组成灰度值二元组，得到当前最终超像素块内的所有灰度二元组，统计每种灰度值二元组的出现频率，基于所述出现频率计算当前最终超像素块内的灰度复杂度；
设置出现频率阈值，将所述出现频率小于出现频率阈值所对应的像素点作为当前最终超像素块内的目标像素点；将每个目标像素点的8邻域范围内与目标像素点左右相邻的两个像素点去除，以根据剩余6个像素点的灰度值计算当前最终超像素块内每个目标像素点为缺陷像素点的置信度，对所述置信度进行累加得到置信度总和；
获取当前最终超像素块的所述第二面积与所述灰度复杂度之间的比值，结合所述置信度总和与所述比值得到当前最终超像素块的优选度，则优选度的公式为：
Figure 407072DEST_PATH_IMAGE010
，其中
Figure 667283DEST_PATH_IMAGE011
为优选度，
Figure 122536DEST_PATH_IMAGE012
为相关参数，且
Figure 835408DEST_PATH_IMAGE013
，
Figure 463835DEST_PATH_IMAGE014
为所述第二面积，
Figure 437607DEST_PATH_IMAGE015
为第
Figure 267023DEST_PATH_IMAGE003
个目标像素点属于缺陷像素点的置信度，
Figure 735700DEST_PATH_IMAGE016
为所述置信度总和，
Figure 856234DEST_PATH_IMAGE017
为最终超像素块中目标像素点的数量，
Figure 215671DEST_PATH_IMAGE018
为所述灰度复杂度。
7.如权利要求1所述的一种汽车散热翅片生产质量检测方法，其特征在于，所述根据缺陷超像素块计算汽车散热翅片的质量指标的方法，包括：
根据相关性指标得到每个缺陷超像素块的非相关性指标，将所有的缺陷超像素块的非相关性指标进行累加，以除于灰度图像中最终超像素块的总数量所得到的结果即为所述质量指标。
8.一种汽车散热翅片生产质量检测系统，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1-7任意一项所述方法的步骤。
CN202210864743.8A 2022-07-21 2022-07-21 一种汽车散热翅片生产质量检测方法及系统 Active CN114943736B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210864743.8A CN114943736B (zh) 2022-07-21 2022-07-21 一种汽车散热翅片生产质量检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210864743.8A CN114943736B (zh) 2022-07-21 2022-07-21 一种汽车散热翅片生产质量检测方法及系统

Publications (2)

Publication Number Publication Date
CN114943736A CN114943736A (zh) 2022-08-26
CN114943736B true CN114943736B (zh) 2022-10-25

Family

ID=82910512

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210864743.8A Active CN114943736B (zh) 2022-07-21 2022-07-21 一种汽车散热翅片生产质量检测方法及系统

Country Status (1)

Country Link
CN (1) CN114943736B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115170572B (zh) * 2022-09-08 2022-11-08 山东瑞峰新材料科技有限公司 一种bopp复合薄膜表面涂胶质量监测方法
CN115278255B (zh) * 2022-09-23 2022-12-20 山东宝德龙健身器材有限公司 一种用于力量器械安全管理的数据存储系统
CN115294338A (zh) * 2022-09-29 2022-11-04 中威泵业(江苏)有限公司 一种叶轮表面缺陷识别方法
CN115294485B (zh) * 2022-09-30 2023-01-06 南通致和祥智能装备有限公司 一种市政工程测量定位方法及系统
CN115330761B (zh) * 2022-10-12 2022-12-23 深圳市深创高科电子有限公司 一种用于电子产品的表面印刷移位缺陷识别方法
CN116385439B (zh) * 2023-06-05 2023-08-15 山东兰通机电有限公司 基于图像处理的电机橡胶减震垫质量检测方法
CN116563280B (zh) * 2023-07-07 2023-09-12 深圳市鑫典金光电科技有限公司 一种基于数据分析的复合铜散热底板加工检测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110827309A (zh) * 2019-11-12 2020-02-21 太原理工大学 一种基于超像素的偏光片外观缺陷分割方法
CN112991302A (zh) * 2021-03-22 2021-06-18 华南理工大学 基于超像素的柔性ic基板变色缺陷检测方法和装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069779B (zh) * 2015-07-20 2017-12-26 童垸林 一种建筑陶瓷表面花纹图案质量检测方法
CN107248159A (zh) * 2017-08-04 2017-10-13 河海大学常州校区 一种基于双目视觉的金属工件缺陷检测方法
CN108389179B (zh) * 2018-01-15 2020-10-13 湖南大学 一种基于机器视觉的罐盖表面缺陷检测方法
CN109872303B (zh) * 2019-01-16 2021-04-23 北京交通大学 表面缺陷视觉检测方法、装置和电子设备
CN112837289A (zh) * 2021-02-03 2021-05-25 湖北民族大学 基于背景光的e-tpu鞋中底缺陷检测方法及系统
CN112991381B (zh) * 2021-03-15 2022-08-02 深圳市慧鲤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN112907604A (zh) * 2021-03-16 2021-06-04 南通大学 一种用于眼底棉绒斑图像分割的自适应超像素fcm方法
CN113658132B (zh) * 2021-08-16 2022-08-19 沭阳九鼎钢铁有限公司 基于计算机视觉的结构件焊缝检测方法
CN113744268B (zh) * 2021-11-04 2022-04-22 深圳市城市交通规划设计研究中心股份有限公司 一种裂纹检测方法、电子设备及可读存储介质
CN114140462B (zh) * 2021-12-10 2023-09-08 江苏牛犇轴承有限公司 一种基于图像处理的轴承磨损程度评估方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110827309A (zh) * 2019-11-12 2020-02-21 太原理工大学 一种基于超像素的偏光片外观缺陷分割方法
CN112991302A (zh) * 2021-03-22 2021-06-18 华南理工大学 基于超像素的柔性ic基板变色缺陷检测方法和装置

Also Published As

Publication number Publication date
CN114943736A (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
CN114943736B (zh) 一种汽车散热翅片生产质量检测方法及系统
CN115861135B (zh) 一种应用于箱体全景探测的图像增强及识别方法
CN107705314B (zh) 一种基于灰度分布的多物体图像分割方法
CN111723721A (zh) 基于rgb-d的三维目标检测方法、系统及装置
CN116664559B (zh) 基于机器视觉的内存条损伤快速检测方法
CN115578374A (zh) 一种机械零件铸造质量评估方法与系统
CN115294099B (zh) 一种钢板轧制过程发纹缺陷的检测方法及系统
CN115937216B (zh) 一种新能源汽车用磁转子外观质量检测方法
CN111445482B (zh) 重叠双孢蘑菇的分割识别方法
CN111583279A (zh) 一种基于pcba的超像素图像分割方法
CN114998198A (zh) 一种注塑件表面缺陷识别方法
CN116740070A (zh) 基于机器视觉的塑料管道外观缺陷检测方法
CN116977329A (zh) 一种基于机器视觉的光伏板栅线检测方法
CN111783722B (zh) 一种激光点云的车道线提取方法和电子设备
CN106340010A (zh) 一种基于二阶轮廓差分的角点检测方法
CN115511907B (zh) 一种用于led屏幕的划痕检测方法
CN116740072A (zh) 基于机器视觉的道路表面缺陷检测方法及系统
CN115690105A (zh) 一种基于计算机视觉的铣刀划痕检测方法
CN111833362A (zh) 基于超像素和区域生长的非结构化道路分割方法及系统
CN115358349A (zh) 一种数据优化聚类方法
CN110930425B (zh) 基于邻域向量内积局部对比度图像增强的损伤目标检测方法
CN116503462A (zh) 一种圆形斑点圆心快速提取方法及系统
CN109741358B (zh) 基于自适应超图学习的超像素分割方法
CN114862902A (zh) 一种基于四叉树的光照自适应orb特征提取和匹配方法
CN117058111B (zh) 一种汽车铝合金压铸模具质量检查方法及系统

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