CN114943739B - 一种铝管质量检测方法 - Google Patents

一种铝管质量检测方法 Download PDF

Info

Publication number
CN114943739B
CN114943739B CN202210880847.8A CN202210880847A CN114943739B CN 114943739 B CN114943739 B CN 114943739B CN 202210880847 A CN202210880847 A CN 202210880847A CN 114943739 B CN114943739 B CN 114943739B
Authority
CN
China
Prior art keywords
pixel point
neighborhood
point
edge pixel
defect
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
CN202210880847.8A
Other languages
English (en)
Other versions
CN114943739A (zh
Inventor
王海申
隋丽娟
赵记国
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 Sanwei New Materials Co ltd
Original Assignee
Shandong Sanwei New Materials 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 Sanwei New Materials Co ltd filed Critical Shandong Sanwei New Materials Co ltd
Priority to CN202210880847.8A priority Critical patent/CN114943739B/zh
Publication of CN114943739A publication Critical patent/CN114943739A/zh
Application granted granted Critical
Publication of CN114943739B publication Critical patent/CN114943739B/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
    • G06T5/70—
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • 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

Abstract

本发明涉及一种铝管质量检测方法，属于图像处理技术领域。方法包括以下步骤：获得目标侧面灰度图像对应的侧面增强图像以及侧面增强图像上的各边缘像素点；根据各边缘像素点对应的窗口区域内的边缘像素点数量，得到各侧面增强图像上的各目标边缘像素点和各目标边缘像素点对应的各第一像素点和各第二像素点；根据各第一像素点和各第二像素点，得到各侧面增强图像上的各候选缺陷边缘像素点；根据各候选缺陷边缘像素点与对应的关联点之间的差异度，得到各侧面增强图像上的各缺陷边缘像素点；根据各缺陷边缘像素点，得到待检测铝管的质量评估指标。本发明能提高铝管质量检测的精度。

Description

一种铝管质量检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种铝管质量检测方法。
背景技术
铝管具有易于焊接、使用寿命长、节能、弯曲性能优良、易于安装移机等特性，被广泛用于汽车、轮船、航天、航空、电器、农业、机电、家具等行业，而铝管的质量可能会严重影响后续的使用效果，因此铝管质量检测是工厂或者企业生产铝管的重要环节。
现有的管状零件的检测方法一般是采集零件表面图像，然后将表面图像与标准图像进行对比，判断待检测的零件表面是否存在缺陷；但是这种检测方式在采集图像时会受到光照的影响，若光线照射出现反光，导致照射不均匀等现象的发生，会对后续的缺陷检测结果造成影响，进而导致检测的结果不准确，因此这种检测方法精度较低。
发明内容
本发明提供一种铝管质量检测方法，用于解决现有方法对铝管侧面缺陷检测精度较低的问题，所采用的技术方案具体如下：
本发明实施例提供了一种铝管质量检测方法包括以下步骤：
获取待检测铝管的各目标侧面灰度图像；
根据各目标侧面灰度图像上各像素点对应的各邻域像素点灰度值，对各目标侧面灰度图像进行图像增强，得到对应的侧面增强图像；所述侧面增强图像上一个像素点对应一个目标灰度值；
获得各侧面增强图像上的各边缘像素点；根据所述各边缘像素点对应的窗口区域内的边缘像素点数量，得到各侧面增强图像上的各目标边缘像素点、各目标边缘像素点的邻域边缘像素点、各目标边缘像素点对应的窗口区域内的各第一像素点和各第二像素点；
根据所述各第一像素点和各第二像素点对应的目标灰度值，得到各侧面增强图像上的各候选缺陷边缘像素点；
获得各候选缺陷边缘像素点的关联点；根据所述各候选缺陷边缘像素点与对应的关联点之间的差异度以及各候选缺陷边缘像素点对应的邻域边缘像素点，得到各侧面增强图像上的各缺陷边缘像素点；
根据所述各缺陷边缘像素点，得到各侧面增强图像上的各缺陷区域；根据所述各缺陷区域，得到待检测铝管的质量评估指标。
优选的，得到对应的侧面增强图像，包括：
获得各目标侧面灰度图像上各像素点对应的邻域像素点；
计算所述各像素点的各邻域像素点与该像素点之间的灰度梯度，记为各目标侧面灰度图像上各像素点对应的各邻域像素点的第一灰度梯度；将第一灰度梯度不等于0的各邻域像素点记为第一邻域像素点，统计得到各像素点对应的第一邻域像素点的数量和第一邻域像素点的第一灰度梯度；
根据所述各像素点对应的第一邻域像素点的数量以及各第一邻域像素点的第一灰度梯度，得到各目标侧面灰度图像上各像素点对应的目标灰度值；根据所述目标灰度值，得到对应的侧面增强图像。
优选的，对于任一目标侧面灰度图像上的任一像素点，根据如下公式计算该像素点对应的目标灰度值：
Figure 95885DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为该像素点对应的目标灰度值，
Figure 667680DEST_PATH_IMAGE004
为该像素点对应的灰度值，
Figure DEST_PATH_IMAGE005
为该像素点对应的各第一邻域像素点对应的第一灰度梯度中的最大第一灰度梯度，
Figure 981987DEST_PATH_IMAGE006
为该像素点对应的各第一邻域像素点对应的第一灰度梯度中的最小第一灰度梯度，
Figure DEST_PATH_IMAGE007
为该像素点对应的第一邻域像素点的数量。
优选的，得到各侧面增强图像上的各目标边缘像素点、各目标边缘像素点的邻域边缘像素点、各目标边缘像素点对应的窗口区域内的各第一像素点和各第二像素点，包括：
对于任一侧面增强图像上的任一边缘像素点：
若该边缘像素点对应的窗口区域内的边缘像素点的数量大于预设数量阈值，且该边缘像素点对应的窗口区域内的各边缘像素点能将该边缘像素点对应的窗口区域分为两个区域，则将该边缘像素点记为目标边缘像素点，将该边缘像素点对应的窗口区域内的边缘像素点右侧的像素点记为第一像素点，将该边缘像素点对应的窗口区域内的边缘像素点左侧的像素点记为第二像素点；
若该边缘像素点对应的窗口区域内的边缘像素点的数量大于预设数量阈值、该边缘像素点对应的窗口区域内的各边缘像素点不能将该边缘像素点对应的窗口区域分为两个区域、且该边缘像素点为目标边缘像素点的邻域边缘像素点，则将该边缘像素点记为目标边缘像素点对应的邻域边缘像素点。
优选的，得到各侧面增强图像上的各候选缺陷边缘像素点，包括：
计算所述目标边缘像素点对应的窗口区域内的各第一像素点对应的目标灰度值的均值，记为目标边缘像素点对应的第一均值；
计算所述目标边缘像素点对应的窗口区域内的各第二像素点对应的目标灰度值的均值，记为目标边缘像素点对应的第二均值；
根据所述第二均值和第一均值，得到所述各目标边缘像素点对应的正常程度；
判断所述正常程度是否小于正常程度阈值，若是，则将对应的目标边缘像素点记为候选缺陷边缘像素点。
优选的，获得各候选缺陷边缘像素点的关联点，包括：
以各侧面增强图像上的中心像素点为原心，水平方向为横轴方向，竖直方向为纵轴方向，构建各侧面增强图像对应的直角坐标系；
对于任一侧面增强图像上的任一候选缺陷边缘像素点：
获得与该候选缺陷边缘像素点关于对应直角坐标系原点对称的像素点，记为该候选缺陷边缘像素点对应的对称像素点；
获得与该候选缺陷边缘像素点关于对应直角坐标系横轴对称的像素点，记为该候选缺陷边缘像素点对应的对称像素点；
获得与该候选缺陷边缘像素点关于对应直角坐标系纵轴对称的像素点，记为该候选缺陷边缘像素点对应的对称像素点；
判断各候选缺陷边缘像素点对应的各对称像素点中是否存在候选缺陷边缘像素点，若是，则将对应的对称像素点记为关联点，将对应的候选缺陷边缘像素点记为待判断像素点；否则，则将对应候选缺陷边缘像素点记为缺陷边缘像素点。
优选的，得到各侧面增强图像上的各缺陷边缘像素点，包括：
对于任一待判断像素点对应的任一关联点：
将该待判断像素点对应的窗口区域内除中心像素点之外的其它像素点记为第二邻域像素点，将该关联点对应的窗口区域内除中心像素点之外的其它像素点记为第三邻域像素点；
计算该待判断像素点对应的各第二邻域像素点与该待判断像素点之间的灰度梯度，记为该待判断像素点对应的各第二邻域像素点的第二灰度梯度；
计算该关联点对应的各第三邻域像素点与该关联点之间的灰度梯度，记为该关联点对应的各第三邻域像素点的第三灰度梯度；
若该待判断像素点对应的第二邻域像素点和该关联点对应的第三邻域像素点为第一像素点，则将对应的第二邻域像素点的类别和对应的第三邻域像素点的类别记为第一类别；
若该待判断像素点对应的第二邻域像素点和该关联点对应的第三邻域像素点为第二像素点，则将对应的第二邻域像素点的类别和对应的第三邻域像素点的类别记为第二类别；
若该待判断像素点对应的第二邻域像素点和该关联点对应的第三邻域像素点为边缘像素点，则将对应的第二邻域像素点的类别和对应的第三邻域像素点的类别记为第三类别；
对于该待判断像素点对应的任一第二邻域像素点，将该关联点对应的各第三邻域像素点中与该第二邻域像素点对应的第三邻域像素点记为该第二邻域像素点对应的匹配像素点；
统计该待判断像素点对应的各第二邻域像素点对应的类别与对应的匹配像素点对应的类别不相同的第二邻域像素点数量，将所述数量作为该待判断像素点对应的类别变化度；
将该待判断像素点对应的各第二邻域像素点对应的类别与对应的匹配像素点对应的类别相同的第二邻域像素点记为特征邻域像素点；
根据该待判断像素点对应的类别变化度、该待判断像素点对应的目标灰度值、该关联点对应的目标灰度值、该待判断像素点对应的各特征邻域像素点的第二灰度梯度以及各特征邻域像素点对应的匹配像素点的灰度梯度，得到该待判断像素点与该关联点之间的差异度；
判断各待判断像素点与对应的各关联点之间的差异度是否均大于差异度阈值，若是，则判定该待判断像素点为缺陷边缘像素点；否则，则判定该待判断像素点为正常像素点；
获得各缺陷边缘像素点对应的邻域边缘像素点，将各缺陷边缘像素点对应的邻域边缘像素点记为缺陷边缘像素点。
优选的，根据如下公式计算该待判断像素点与该关联点之间的差异度：
Figure DEST_PATH_IMAGE009
其中，
Figure 941197DEST_PATH_IMAGE010
为该待判断像素点与该关联点之间的差异度，
Figure DEST_PATH_IMAGE011
为该待判断像素点对应的类别变化度，
Figure 631941DEST_PATH_IMAGE012
为该待判断像素点对应目标灰度值，
Figure DEST_PATH_IMAGE013
为该关联点对应的目标灰度值，
Figure 58243DEST_PATH_IMAGE014
为该待判断像素点对应的第i个特征邻域像素点的第二灰度梯度，
Figure DEST_PATH_IMAGE015
为该待判断像素点对应的第i个特征邻域像素点对应的匹配像素点的灰度梯度。
优选的，根据所述各缺陷边缘像素点，得到各侧面增强图像上的各缺陷区域；根据所述各缺陷区域，得到待检测铝管的质量评估指标，包括：
根据所述各缺陷边缘像素点，得到各侧面增强图像上的各缺陷区域；
获取各缺陷区域对应的二维最小有向包围盒以及二维最小有向包围盒的长和宽；
获得各缺陷区域的边缘长度和缺陷区域的面积；
将各缺陷区域对应的二维最小有向包围盒的长与宽的比值记为各缺陷区域对应的第一特征指标；
将各缺陷区域的边缘长度与缺陷区域的面积的比值记为各缺陷区域对应的第二特征指标；
获得各缺陷区域对应的灰度共生矩阵，将各缺陷区域对应的灰度共生矩阵的熵值作为各缺陷区域对应的第三特征指标；
然后将各缺陷区域对应的各特征指标输入到训练好的树状分类器中，得到各缺陷区域的缺陷类型；
获得各缺陷类型对应的危害权重；
根据各侧面增强图像上的缺陷区域数量、各缺陷区域的边缘长度、各缺陷区域的面积以及各缺陷区域对应的危害权重，得到各侧面增强图像对应的待检测铝管侧面区域的质量评估指标；
计算各侧面增强图像对应的待检测铝管侧面区域的质量评估指标的均值，将所述均值记为待检测铝管的质量评估指标。
优选的，对于任一侧面增强图像，根据如下公式计算该侧面增强图像对应的待检测铝管侧面区域的质量评估指标：
Figure 543451DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE017
为该侧面增强图像对应的待检测铝管侧面区域的质量评估指标，
Figure 58134DEST_PATH_IMAGE018
为该侧面增强图像上第z个缺陷区域的边缘长度，
Figure DEST_PATH_IMAGE019
为该侧面增强图像上第z个缺陷区域的面积，
Figure 552569DEST_PATH_IMAGE020
为该侧面增强图像上第z个缺陷区域对应的第三特征指标，
Figure DEST_PATH_IMAGE021
为该侧面增强图像上第z个缺陷区域对应的缺陷类型的危害权重，
Figure 302219DEST_PATH_IMAGE022
为该侧面增强图像上缺陷区域的数量。
有益效果：本发明首先对待检测铝管的各目标侧面灰度图像进行增强处理，所述图像增强可以增强缺陷区域和正常区域的对比度，有利于后续准确得到缺陷边缘像素点；然后基于增强后的图像上的特征，得到候选缺陷边缘像素点，然后对候选缺陷边缘像素点进行筛选，将候选缺陷边缘像素点中的噪声点以及由于光照不均而产生的候选缺陷边缘像素点筛选出去，然后基于筛选后剩余的候选缺陷边缘像素点和剩余的候选缺陷边缘像素点的邻域边缘像素点，得到侧面增强图像上的各缺陷边缘像素点，最后基于各缺陷边缘像素点分析铝管质量；由于本发明提供的这种铝管检测方法能将候选缺陷边缘像素点中的噪声点以及由于光照不均而产生的候选缺陷边缘像素点筛选掉，因此本发明解决了由于铝管侧面反射以及铝管外侧弧形结构而导致的缺陷检测精度较低的问题；然后又基于筛选后剩余的候选缺陷边缘像素点和剩余的候选缺陷边缘像素点的邻域边缘像素点，能够较准确的得到各侧面增强图像上的各缺陷边缘像素点，之后基于得到的各缺陷边缘像素点能够更加可靠以及准确的分析判断铝管侧面质量，因此本发明提供的铝管质量检测方法能够提高铝管侧面质量检测的精度。
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，对于本邻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为本发明一种铝管质量检测方法的流程图；
图2为本发明目标边缘像素点对应窗口区域示意图。
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，本邻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。
本实施例提供了一种铝管质量检测方法，详细说明如下：
如图1所示，该铝管质量检测方法，包括以下步骤：
步骤S001，获取待检测铝管的各目标侧面灰度图像。
由于铝管在生产和运输过程中容易产生多种外观质量缺陷，并且一般情况下具有严重形变的铝管极易被车间工人分拣，所以本实施例主要分析的是在铝管没有发生严重形变情况下的小型缺陷，比如擦伤缺陷，压痕缺陷，白斑缺陷等；本实施例主要基于图像分析铝管侧面缺陷，由于铝管侧面存在反射以及铝管外侧弧形结构的这种特性会使得在采集铝管侧面图像时受到光照的影响，进而可能导致照射不均匀等现象的发生，会对后续的缺陷检测结果造成影响，因此本实施例首先对采集的图像进行图像增强，所述图像增强可以增强缺陷区域和正常区域的对比度，有利于后续准确得到缺陷边缘像素点；然后基于增强后的图像上的特征，得到候选缺陷边缘像素点，然后对候选缺陷边缘像素点进行筛选，将候选缺陷边缘像素点中的噪声点以及由于光照不均而产生的候选缺陷边缘像素点筛选出去，然后基于筛选后剩余的候选缺陷边缘像素点和剩余的候选缺陷边缘像素点的邻域边缘像素点，得到侧面增强图像上的各缺陷边缘像素点，最后基于各缺陷边缘像素点分析铝管侧面质量；由于本实施例提供的这种铝管检测方法能将候选缺陷边缘像素点中的噪声点以及由于光照不均而产生的候选缺陷边缘像素点筛选出去，因此本实施例解决了由于铝管侧面反射以及铝管外侧弧形结构而导致的缺陷检测精度较低的问题；然后基于筛选后剩余的候选缺陷边缘像素点和剩余的候选缺陷边缘像素点的邻域边缘像素点，能够较准确的得到各侧面增强图像上的各缺陷边缘像素点，之后基于得到的各缺陷边缘像素点能够更加可靠以及准确的分析判断铝管侧面质量，因此本实施例提供的铝管质量检测方法能够提高铝管质量检测的精度。
本实施例中利用机械手采集铝管侧面图像，首先机械手将待检测铝管放置到待检测的工位上，相机先对待检测铝管进行一次图像采集，得到一张待检测铝管的侧面图像；所述采集得到的一张侧面图像上仅含有部分铝管侧面区域，因此在得到一张侧面图像后机械卡爪转动90度，相机对铝管再进行一次图像采集，按照上述方式机械卡爪转动三次后完成对铝管侧面一周的图像采集工作，即得到四张待检测铝管的侧面图像，并且每次转动的角度均为90度；本实施例中相机的参数需要根据实际情况设置，但是要求相机采集的视角范围要大于或等于待检测铝管的长和宽。
接下来对待检测铝管的各侧面图像进行灰度化处理，得到各侧面灰度图像；由于铝管侧面为圆弧形状，不同位置的铝管侧面受到的光线照射不同，故容易出现光照不均匀的现象，又因为光照不均匀会引起高光和阴影区，以及缺陷区域与正常区域对比度低等问题，为了更加准确的分析铝管侧面质量，本实施例需要对侧面灰度图像进行处理，得到仅含有铝管侧面的图像，后续分析时可以排除背景区域对铝管质量检测的干扰，并且能减少后续的计算量；具体过程为：
本实施例将待检测铝管的各侧面灰度图像分别输入到训练好的DNN语义分割网络中，得到各侧面灰度图像对应的掩膜图像；所述掩膜图像中铝管区域的像素值为1，背景区域为0；然后将各侧面灰度图像对应的掩膜图像与对应的侧面灰度图像相乘，将相乘后的图像记为目标侧面灰度图像；所述目标侧面灰度图像中仅含有铝管区域，且目标侧面灰度图像中水平方向为铝管长的方向，竖直方向为铝管宽的方向。DNN语义分割网络的训练过程为：获取训练样本集，所述训练样本集中包括多张样本铝管侧面灰度图像；对训练样本集进行标注，将铝管区域的像素标记为1，背景区域标记为0；将训练样本集和标注数据输入到DNN语义分割网络中进行训练，并利用交叉熵损失函数进行监督；所述DNN语义分割网络的具体网络结构和训练过程为现有技术，因此不再详细描述。
步骤S002，根据各目标侧面灰度图像上各像素点对应的各邻域像素点灰度值，对各目标侧面灰度图像进行图像增强，得到对应的侧面增强图像；所述侧面增强图像上一个像素点对应一个目标灰度值。
接下来对步骤S001得到的各目标侧面灰度图像进行图像增强，增加目标侧面灰度图像中缺陷区域与正常区域之间的对比度；所述图像增强可以避免光照不均导致的缺陷区域与正常区域之间对比度较低的问题，进而可以提高铝管质量检测的精度；具体为：
获得各目标侧面灰度图像上各像素点对应的八邻域像素点；计算各目标侧面灰度图像上各像素点对应的各邻域像素点与该像素点之间的灰度梯度，记为各目标侧面灰度图像上各像素点对应的各邻域像素点的第一灰度梯度；将第一灰度梯度不等于0的各邻域像素点记为第一邻域像素点，统计得到各像素点对应的第一邻域像素点的数量和第一邻域像素点的第一灰度梯度。
因此通过上述过程可以得到各目标侧面灰度图像上各像素点对应的第一邻域像素点的数量以及各像素点对应的各第一邻域像素点的第一灰度梯度；由于缺陷内像素点的灰度值往往是不规则的，因此若像素点邻域内的各邻域像素点与该像素点之间的灰度梯度中不等于0的邻域像素点越多，则表明该像素点为正常像素点的可能性越低；因此本实施例根据各目标侧面灰度图像上各像素点对应的第一邻域像素点的数量以及各像素点对应的各第一邻域像素点的第一灰度梯度，得到各目标侧面灰度图像上各像素点对应的目标灰度值；对于任一目标侧面灰度图像上的任一像素点，根据如下公式计算该像素点对应的目标灰度值：
Figure 551804DEST_PATH_IMAGE024
其中，
Figure 98323DEST_PATH_IMAGE003
为该像素点对应的目标灰度值，
Figure 455836DEST_PATH_IMAGE004
为该像素点对应的灰度值，
Figure 404201DEST_PATH_IMAGE005
为该像素点对应的各第一邻域像素点对应的第一灰度梯度中的最大第一灰度梯度，
Figure 293528DEST_PATH_IMAGE006
为该像素点对应的各第一邻域像素点对应的第一灰度梯度中的最小第一灰度梯度，
Figure 327343DEST_PATH_IMAGE007
为该像素点对应的第一邻域像素点的数量；当n值越大时，则说明该像素点对应的邻域像素点中与该像素点不同的像素点越多，即表明该像素点越有可能为缺陷像素点，对其灰度值进行减小；当n值越小时，则说明该像素点对应的邻域像素点中与该像素点相同的像素点越多，表明该像素点越有可能为正常像素点，增大其灰度值。
因此通过上述过程可以得到各目标侧面灰度图像上各像素点对应的目标灰度值，实现了对各目标侧面灰度图像的图像增强，即增加缺陷区域与正常区域的对比度，并将图像增强后的各目标侧面灰度图像记为侧面增强图像，所述侧面增强图像上的一个像素点对应一个目标灰度值，且侧面增强图像上的各像素点与对应的目标侧面灰度图像上的各像素点一一对应。
步骤S003，获得各侧面增强图像上的各边缘像素点；根据所述各边缘像素点对应的窗口区域内的边缘像素点数量，得到各侧面增强图像上的各目标边缘像素点、各目标边缘像素点的邻域边缘像素点、各目标边缘像素点对应的窗口区域内的各第一像素点和各第二像素点。
本实施例中上述步骤S002得到了各目标侧面灰度图像对应的侧面增强图像，紧接着基于各侧面增强图像上各像素点对应的目标灰度值，得到各侧面增强图像上的目标边缘像素点、各目标边缘像素点对应的邻域边缘像素点、各目标边缘像素点对应的窗口区域内的各第一像素点和各第二像素点；后续将对目标边缘像素点进行分析得到缺陷边缘像素点；具体为：
首先本实施例获取各侧面增强图像上各像素点对应的窗口区域，所述窗口区域的大小为3*3，且各像素点位于对应的窗口区域中的中心位置，即为对应的窗口区域内的中心像素点；利用canny算子对各侧面增强图像进行边缘检测，得到各侧面增强图像上的各边缘像素点。
对于任一侧面增强图像上的任一边缘像素点：
由于通常情况下边缘线由连续的边缘像素点组成，因此若该边缘像素点对应的窗口区域内的边缘像素点的数量小于等于预设数量阈值，则表明该边缘像素点为孤立噪声点，不是边缘像素点，所述预设数量阈值为2；若该边缘像素点对应的窗口区域内的边缘像素点的数量大于2，且该边缘像素点对应的窗口区域内的各边缘像素点能将该边缘像素点对应的窗口区域分为两个区域，则将该边缘像素点记为目标边缘像素点，将该边缘像素点对应的窗口区域内的边缘像素点右侧的像素点记为第一像素点，将该边缘像素点对应的窗口区域内的边缘像素点左侧的像素点记为第二像素点，如图2所示的目标边缘像素点对应窗口区域，图2中的0为边缘像素点，1为第一像素点，2为第二像素点；若该边缘像素点对应的窗口区域内的边缘像素点的数量大于2，并且该边缘像素点对应的窗口区域内的各边缘像素点不能将该边缘像素点对应的窗口区域分为两个区域，但是该边缘像素点为目标边缘像素点的邻域边缘像素点，则将该边缘像素点记为目标边缘像素点对应的邻域边缘像素点，一个目标边缘像素点可能对应一个或者多个邻域边缘像素点。
步骤S004，根据所述各第一像素点和各第二像素点对应的目标灰度值，得到各侧面增强图像上的各候选缺陷边缘像素点。
本实施例中步骤S003得到了各侧面增强图像上的各目标边缘像素点、各目标边缘像素点对应的邻域边缘像素点以及各目标边缘像素点对应的窗口区域内的各第一像素点和各第二像素点；由于各目标边缘像素点对应的邻域边缘像素点的目标灰度值能反映各目标边缘像素点的异常程度，因此本实施例计算目标边缘像素点对应的窗口区域内的各第一像素点对应的目标灰度值的均值，记为目标边缘像素点对应的第一均值；计算目标边缘像素点对应的窗口区域内的各第二像素点对应的目标灰度值的均值，记为目标边缘像素点对应的第二均值；由于正常区域的像素点灰度值基本相同，因此当目标边缘像素点对应的第二均值与对应的第一均值差异较大时，表明该目标边缘像素点为缺陷边缘像素点的概率越大；因此本实施例根据各目标边缘像素点对应的第二均值和对应的第一均值，得到所述各目标边缘像素点对应的正常程度；对于任一目标边缘像素点，根据如下公式计算该目标边缘像素点对应的正常程度：
Figure 225898DEST_PATH_IMAGE026
其中，
Figure DEST_PATH_IMAGE027
为该目标边缘像素点对应的正常程度，
Figure 215720DEST_PATH_IMAGE028
该目标边缘像素点对应的第一均值，
Figure DEST_PATH_IMAGE029
该目标边缘像素点对应的第二均值；
Figure 482140DEST_PATH_IMAGE030
为该目标边缘像素点对应的第一均值与对应的第二均值之间差的绝对值；
Figure 3252DEST_PATH_IMAGE030
越大，
Figure 439918DEST_PATH_IMAGE027
越小，表明该目标边缘像素点为缺陷边缘像素点的概率越大。
本实施例中通过上述过程得到了各侧面增强图像上的各目标边缘像素点对应的正常程度，然后判断各目标边缘像素点对应的正常程度是否小于正常程度阈值，若是，则将对应的目标边缘像素点记为候选缺陷边缘像素点；所述正常程度阈值需要根据实际情况设置，因此得到了各侧面增强图像上的各候选缺陷边缘像素点。
步骤S005，获得各候选缺陷边缘像素点的关联点；根据所述各候选缺陷边缘像素点与对应的关联点之间的差异度以及各候选缺陷边缘像素点对应的邻域边缘像素点，得到各侧面增强图像上的各缺陷边缘像素点。
本实施例中步骤S004得到了各侧面增强图像上的各候选缺陷边缘像素点，并且根据步骤S003可以得到各候选缺陷边缘像素点对应的邻域边缘像素点；然后以各侧面增强图像上的中心像素点为原心，水平方向为横轴方向，竖直方向为纵轴方向，构建各侧面增强图像对应的直角坐标系；由于侧面增强图像上的铝管区域为矩形形状，则各侧面增强图像上的中心像素点也为矩形的中心；获得各侧面增强图像上的各候选缺陷边缘像素点对应的三个对称像素点；获得对称像素点的过程为：对于任一侧面增强图像上的任一候选缺陷边缘像素点，获得与该候选缺陷边缘像素点关于对应直角坐标系原点对称的像素点，记为该候选缺陷边缘像素点对应的对称像素点，获得与该候选缺陷边缘像素点关于对应直角坐标系横轴对称的像素点，记为该候选缺陷边缘像素点对应的对称像素点，获得与该候选缺陷边缘像素点关于对应直角坐标系纵轴对称的像素点，记为该候选缺陷边缘像素点对应的对称像素点。
由于一般情况下缺陷区域不会对称存在，因此判断各候选缺陷边缘像素点对应的三个对称像素点中是否存在候选缺陷边缘像素点，若是，则将对应的对称像素点记为关联点，将对应的候选缺陷边缘像素点记为待判断像素点，需要对待判断像素点进行进一步的判断；否则，则将对应候选缺陷边缘像素点记为缺陷边缘像素点。
对待判断像素点进行进一步判断的过程为：
获取各待判断像素点对应的各关联点；由于缺陷区域对称存在的可能性极小，因此对各待判断像素点与各待判断像素点对应的各关联点进行分析，得到各待判断像素点与对应的各关联点之间的差异度；具体为：对于任一待判断像素点对应的任一关联点：
将该待判断像素点对应的窗口区域内除中心像素点之外的其它像素点记为第二邻域像素点，将该关联点对应的窗口区域内除中心像素点之外的其它像素点记为第三邻域像素点；计算该待判断像素点对应的各第二邻域像素点与该待判断像素点之间的灰度梯度，记为该待判断像素点对应的各第二邻域像素点的第二灰度梯度；所述第二灰度梯度是由目标灰度值计算得到的；计算该关联点对应的各第三邻域像素点与该关联点之间的灰度梯度，记为该关联点对应的各第三邻域像素点的第三灰度梯度。
因此通过上述过程得到了该待判断像素点和该关联点对应的窗口区域内的各邻域像素点对应的灰度梯度；若该待判断像素点对应的第二邻域像素点和该关联点对应的第三邻域像素点为第一像素点，则将对应的第二邻域像素点的类别和对应的第三邻域像素点的类别记为第一类别；若该待判断像素点对应的第二邻域像素点和该关联点对应的第三邻域像素点为第二像素点，则将对应的第二邻域像素点的类别和对应的第三邻域像素点的类别记为第二类别；若该待判断像素点对应的第二邻域像素点和该关联点对应的第三邻域像素点为边缘像素点，则将对应的第二邻域像素点的类别和对应的第三邻域像素点的类别记为第三类别。
本实施例中通过上述过程得到了该待判断像素点对应的窗口区域内的各第二邻域像素点对应的第二灰度梯度以及各第二邻域像素点对应的类别，以及该关联点对应的窗口区域内的各第三邻域像素点对应的第三灰度梯度以及各第三邻域像素点对应的类别；所述该待判断像素点对应的窗口区域内的第K个第二邻域像素点与该关联点对应的窗口区域内的第K个第三邻域像素点对应；对于该待判断像素点对应的任一第二邻域像素点，将该关联点对应的各第三邻域像素点中与该第二邻域像素点对应的第三邻域像素点记为该第二邻域像素点对应的匹配像素点；统计该待判断像素点对应的各第二邻域像素点对应的类别与对应的匹配像素点对应的类别不相同的第二邻域像素点数量，将所述数量作为该待判断像素点对应的类别变化度；并将该待判断像素点对应的各第二邻域像素点对应的类别与对应的匹配像素点对应的类别相同的第二邻域像素点记为特征邻域像素点。
由于该待判断像素点对应的类别变化度、该待判断像素点对应的目标灰度值、该关联点对应的目标灰度值、该待判断像素点对应的各特征邻域像素点的第二灰度梯度以及各特征邻域像素点对应的匹配像素点的灰度梯度都能反映该待判断像素点与该关联点之间的相似度，因此本实施例根据该待判断像素点对应的类别变化度、该待判断像素点对应的目标灰度值、该关联点对应的目标灰度值、该待判断像素点对应的各特征邻域像素点的第二灰度梯度以及各特征邻域像素点对应的匹配像素点的灰度梯度，得到该待判断像素点与该关联点之间的差异度；根据如下公式计算该待判断像素点与该关联点之间的差异度：
Figure 362875DEST_PATH_IMAGE032
其中，
Figure 859584DEST_PATH_IMAGE010
为该待判断像素点与该关联点之间的差异度，
Figure 867991DEST_PATH_IMAGE011
为该待判断像素点对应的类别变化度，
Figure 108349DEST_PATH_IMAGE012
为该待判断像素点对应的目标灰度值，
Figure 744866DEST_PATH_IMAGE013
为该关联点对应的目标灰度值，
Figure 163209DEST_PATH_IMAGE014
为该待判断像素点对应的第i个特征邻域像素点的第二灰度梯度，
Figure 639671DEST_PATH_IMAGE015
为该待判断像素点对应的第i个特征邻域像素点对应的匹配像素点的灰度梯度；
Figure 168873DEST_PATH_IMAGE011
越大，表明该待判断像素点对应的各第二邻域像素点对应的类别与对应的匹配像素点对应的类别不相同的第二邻域像素点数量越多，即该待判断像素点与该关联点之间的相似度越小；
Figure DEST_PATH_IMAGE033
越大，表明该待判断像素点与该关联点之间的目标灰度值差异越大，即该待判断像素点与该关联点之间的相似度越小；
Figure 987793DEST_PATH_IMAGE034
越大，表明该待判断像素点对应的各目标邻域像素点与对应的匹配像素点之间的灰度梯度差异越大，即该待判断像素点与该关联点之间的相似度越小；因此
Figure 826305DEST_PATH_IMAGE011
越大、
Figure 809305DEST_PATH_IMAGE033
越大以及
Figure 391464DEST_PATH_IMAGE034
越大，表明
Figure 612361DEST_PATH_IMAGE010
越大，即该待判断像素点与该关联点之间越不相似，表明该待判断像素点为正常像素点的概率越大。
因此通过上述过程得到了各侧面增强图像上的各待判断像素点与对应的各关联点之间的差异度；对于任一待判断像素点，判断待判断像素点与对应的各关联点之间的差异度是否均大于差异度阈值，若是，则表明该待判断像素点为缺陷边缘像素点；否则，则表明该待判断像素点为正常像素点；所述差异度阈值需要根据实际情况设置；上述依据各待判断像素点与对应的各关联点之间的差异度，判定缺陷边缘像素点的方法可以将由于光照不均而产生的候选缺陷边缘像素点剔除。因此通过上述过程得到了各候选缺陷边缘像素点中的各缺陷边缘像素点；然后获得各缺陷边缘像素点对应的邻域边缘像素点，并将各缺陷边缘像素点对应的邻域边缘像素点记为缺陷边缘像素点，因此得到了各侧面增强图像上的各边缘像素点中的各缺陷边缘像素点。
步骤S006，根据所述各缺陷边缘像素点，得到各侧面增强图像上的各缺陷区域；根据所述各缺陷区域，得到待检测铝管的质量评估指标。
本实施例中步骤S005得到了各侧面增强图像上的各边缘像素点中的各缺陷边缘像素点，然后通过链码法将缺陷边缘像素点进行连接，得到各侧面增强图像上的各缺陷区域，若各侧面增强图像上不存在缺陷区域，则表明该待检测的铝管质量优秀；对各缺陷区域使用基于PCA主成分分析的OBB包围盒生成方法获取二维最小有向包围盒，即得到各缺陷区域对应的二维最小有向包围盒以及二维最小有向包围盒的长和宽；再通过链码法获得各缺陷区域的边缘长度和缺陷区域的面积；将各缺陷区域对应的二维最小有向包围盒的长与宽的比值记为各缺陷区域对应的第一特征指标；将各缺陷区域的边缘长度与缺陷区域的面积的比值记为各缺陷区域对应的第二特征指标；获得各缺陷区域对应的灰度共生矩阵，将各缺陷区域对应的灰度共生矩阵的熵值作为各缺陷区域对应的第三特征指标。
然后将各缺陷区域对应的各特征指标输入到训练好的树状分类器中，得到各缺陷区域的缺陷类型，所述缺陷类别包括擦伤缺陷、压痕缺陷、白斑缺陷以及其它缺陷；所述树状分类器的训练过程为现有技术，因此不再详细描述。由于不同缺陷类型对铝管质量影响或者危害不同，因此需要获得各缺陷类型对应的危害权重；所述各缺陷类型对应的危害权重需要根据实际情况设置，但是需要满足各缺陷类型对应的危害权重的累加和为1，本实施例设置擦伤缺陷的危害权重为0.4，压痕缺陷的危害权重为0.3，白斑缺陷的危害权重为0.2，其他缺陷的危害权重为0.1。
由于缺陷区域的数量、各缺陷区域边缘长度以及缺陷区域的面积都能反映各侧面增强图像对应的待检测铝管侧面区域的质量，即缺陷区域的数量越多、各缺陷区域边缘长度越长以及缺陷区域的面积越大，表明各侧面增强图像对应的待检测铝管侧面区域的质量越不好；因此本实施例根据各侧面增强图像上的缺陷区域数量、各缺陷区域的边缘长度、各缺陷区域的面积以及各缺陷区域对应的危害权重，得到各侧面增强图像对应的待检测铝管侧面区域的质量评估指标；对于任一侧面增强图像，根据如下公式计算该侧面增强图像对应的待检测铝管侧面区域的质量评估指标：
Figure DEST_PATH_IMAGE035
其中，
Figure 827967DEST_PATH_IMAGE017
为该侧面增强图像对应的待检测铝管侧面区域的质量评估指标，
Figure 547530DEST_PATH_IMAGE036
为该侧面增强图像上第z个缺陷区域的边缘长度，
Figure DEST_PATH_IMAGE037
为该侧面增强图像上第z个缺陷区域的面积，
Figure 605484DEST_PATH_IMAGE020
为该侧面增强图像上第z个缺陷区域对应的第三特征指标，
Figure 946467DEST_PATH_IMAGE021
为该侧面增强图像上第z个缺陷区域对应的缺陷类型的危害权重，
Figure 392361DEST_PATH_IMAGE022
为该侧面增强图像上缺陷区域的数量；
Figure 84373DEST_PATH_IMAGE017
越大，表明该侧面增强图像对应的待检测铝管侧面区域的质量越好；
Figure 28844DEST_PATH_IMAGE038
越小，表明
Figure 489912DEST_PATH_IMAGE017
越大；
Figure 106707DEST_PATH_IMAGE038
越大，表明该侧面增强图像对应的待检测铝管侧面区域的质量越不好。
因此通过上述过程可以得到待检测铝管对应的各侧面增强图像对应的待检测铝管侧面区域的质量评估指标；然后计算各侧面增强图像对应的待检测铝管侧面区域的质量评估指标的均值，并将均值进行归一化，将归一化的结果记为待检测铝管的质量评估指标。若待检测铝管的质量评估指标大于等于第一质量阈值，则判定该铝管侧面质量良好；若待检测铝管的质量评估指标大于等于第二质量阈值且小于第一质量阈值，则判定该铝管侧面质量较差；若待检测铝管的质量评估指标小于第二质量阈值，则判定该铝管侧面质量过差，需进行返厂处理；所述第二质量阈值和第一质量阈值需要根据实际情况设置，本实施例将第一质量阈值设置为0.8，将第二质量阈值设置为0.6。
本实施例首先对待检测铝管的各目标侧面灰度图像进行增强处理，所述图像增强可以增强缺陷区域和正常区域的对比度，有利于后续准确得到缺陷边缘像素点；然后基于增强后的图像上的特征，得到候选缺陷边缘像素点，然后对候选缺陷边缘像素点进行筛选，将候选缺陷边缘像素点中的噪声点以及由于光照不均而产生的候选缺陷边缘像素点筛选出去，然后基于筛选后剩余的候选缺陷边缘像素点和剩余的候选缺陷边缘像素点的邻域边缘像素点，得到侧面增强图像上的各缺陷边缘像素点，最后基于各缺陷边缘像素点分析铝管质量；由于本实施例提供的这种铝管检测方法能将候选缺陷边缘像素点中的噪声点以及由于光照不均而产生的候选缺陷边缘像素点筛选掉，因此本实施例解决了由于铝管侧面反射以及铝管外侧弧形结构而导致的缺陷检测精度较低的问题；然后又基于筛选后剩余的候选缺陷边缘像素点和剩余的候选缺陷边缘像素点的邻域边缘像素点，能够较准确的得到各侧面增强图像上的各缺陷边缘像素点，之后基于得到的各缺陷边缘像素点能够更加可靠以及准确的分析判断铝管侧面质量，因此本实施例提供的铝管质量检测方法能够提高铝管侧面质量检测的精度。
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，本邻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 (8)

1.一种铝管质量检测方法，其特征在于，该方法包括如下步骤：
获取待检测铝管的各目标侧面灰度图像；
根据各目标侧面灰度图像上各像素点对应的各邻域像素点灰度值，对各目标侧面灰度图像进行图像增强，得到对应的侧面增强图像；所述侧面增强图像上一个像素点对应一个目标灰度值；
获得各侧面增强图像上的各边缘像素点；根据所述各边缘像素点对应的窗口区域内的边缘像素点数量，得到各侧面增强图像上的各目标边缘像素点、各目标边缘像素点的邻域边缘像素点、各目标边缘像素点对应的窗口区域内的各第一像素点和各第二像素点；
根据所述各第一像素点和各第二像素点对应的目标灰度值，得到各侧面增强图像上的各候选缺陷边缘像素点；
获得各候选缺陷边缘像素点的关联点；根据所述各候选缺陷边缘像素点与对应的关联点之间的差异度以及各候选缺陷边缘像素点对应的邻域边缘像素点，得到各侧面增强图像上的各缺陷边缘像素点；
根据所述各缺陷边缘像素点，得到各侧面增强图像上的各缺陷区域；根据所述各缺陷区域，得到待检测铝管的质量评估指标；
所述得到各侧面增强图像上的各目标边缘像素点、各目标边缘像素点的邻域边缘像素点、各目标边缘像素点对应的窗口区域内的各第一像素点和各第二像素点，包括：
对于任一侧面增强图像上的任一边缘像素点：
若该边缘像素点对应的窗口区域内的边缘像素点的数量大于预设数量阈值，且该边缘像素点对应的窗口区域内的各边缘像素点能将该边缘像素点对应的窗口区域分为两个区域，则将该边缘像素点记为目标边缘像素点，将该边缘像素点对应的窗口区域内的边缘像素点右侧的像素点记为第一像素点，将该边缘像素点对应的窗口区域内的边缘像素点左侧的像素点记为第二像素点；
若该边缘像素点对应的窗口区域内的边缘像素点的数量大于预设数量阈值、该边缘像素点对应的窗口区域内的各边缘像素点不能将该边缘像素点对应的窗口区域分为两个区域、且该边缘像素点为目标边缘像素点的邻域边缘像素点，则将该边缘像素点记为目标边缘像素点对应的邻域边缘像素点；
所述获得各候选缺陷边缘像素点的关联点，包括：
以各侧面增强图像上的中心像素点为原心，水平方向为横轴方向，竖直方向为纵轴方向，构建各侧面增强图像对应的直角坐标系；
对于任一侧面增强图像上的任一候选缺陷边缘像素点：
获得与该候选缺陷边缘像素点关于对应直角坐标系原点对称的像素点，记为该候选缺陷边缘像素点对应的对称像素点；
获得与该候选缺陷边缘像素点关于对应直角坐标系横轴对称的像素点，记为该候选缺陷边缘像素点对应的对称像素点；
获得与该候选缺陷边缘像素点关于对应直角坐标系纵轴对称的像素点，记为该候选缺陷边缘像素点对应的对称像素点；
判断各候选缺陷边缘像素点对应的各对称像素点中是否存在候选缺陷边缘像素点，若是，则将对应的对称像素点记为关联点，将对应的候选缺陷边缘像素点记为待判断像素点；否则，则将对应候选缺陷边缘像素点记为缺陷边缘像素点。
2.如权利要求1所述的一种铝管质量检测方法，其特征在于，所述得到对应的侧面增强图像，包括：
获得各目标侧面灰度图像上各像素点对应的邻域像素点；
计算所述各像素点的各邻域像素点与该像素点之间的灰度梯度，记为各目标侧面灰度图像上各像素点对应的各邻域像素点的第一灰度梯度；将第一灰度梯度不等于0的各邻域像素点记为第一邻域像素点，统计得到各像素点对应的第一邻域像素点的数量和第一邻域像素点的第一灰度梯度；
根据所述各像素点对应的第一邻域像素点的数量以及各第一邻域像素点的第一灰度梯度，得到各目标侧面灰度图像上各像素点对应的目标灰度值；根据所述目标灰度值，得到对应的侧面增强图像。
3.如权利要求2所述的一种铝管质量检测方法，其特征在于，对于任一目标侧面灰度图像上的任一像素点，根据如下公式计算该像素点对应的目标灰度值：
Figure DEST_PATH_IMAGE001
其中，
Figure 674097DEST_PATH_IMAGE002
为该像素点对应的目标灰度值，
Figure 333617DEST_PATH_IMAGE003
为该像素点对应的灰度值，
Figure 650329DEST_PATH_IMAGE004
为该像素点对应的各第一邻域像素点对应的第一灰度梯度中的最大第一灰度梯度，
Figure 513243DEST_PATH_IMAGE005
为该像素点对应的各第一邻域像素点对应的第一灰度梯度中的最小第一灰度梯度，
Figure 658922DEST_PATH_IMAGE006
为该像素点对应的第一邻域像素点的数量。
4.如权利要求1所述的一种铝管质量检测方法，其特征在于，所述得到各侧面增强图像上的各候选缺陷边缘像素点，包括：
计算所述目标边缘像素点对应的窗口区域内的各第一像素点对应的目标灰度值的均值，记为目标边缘像素点对应的第一均值；
计算所述目标边缘像素点对应的窗口区域内的各第二像素点对应的目标灰度值的均值，记为目标边缘像素点对应的第二均值；
根据所述第二均值和第一均值，得到所述各目标边缘像素点对应的正常程度；
判断所述正常程度是否小于正常程度阈值，若是，则将对应的目标边缘像素点记为候选缺陷边缘像素点。
5.如权利要求1所述一种铝管质量检测方法，其特征在于，所述得到各侧面增强图像上的各缺陷边缘像素点，包括：
对于任一待判断像素点对应的任一关联点：
将该待判断像素点对应的窗口区域内除中心像素点之外的其它像素点记为第二邻域像素点，将该关联点对应的窗口区域内除中心像素点之外的其它像素点记为第三邻域像素点；
计算该待判断像素点对应的各第二邻域像素点与该待判断像素点之间的灰度梯度，记为该待判断像素点对应的各第二邻域像素点的第二灰度梯度；
计算该关联点对应的各第三邻域像素点与该关联点之间的灰度梯度，记为该关联点对应的各第三邻域像素点的第三灰度梯度；
若该待判断像素点对应的第二邻域像素点和该关联点对应的第三邻域像素点为第一像素点，则将对应的第二邻域像素点的类别和对应的第三邻域像素点的类别记为第一类别；
若该待判断像素点对应的第二邻域像素点和该关联点对应的第三邻域像素点为第二像素点，则将对应的第二邻域像素点的类别和对应的第三邻域像素点的类别记为第二类别；
若该待判断像素点对应的第二邻域像素点和该关联点对应的第三邻域像素点为边缘像素点，则将对应的第二邻域像素点的类别和对应的第三邻域像素点的类别记为第三类别；
对于该待判断像素点对应的任一第二邻域像素点，将该关联点对应的各第三邻域像素点中与该第二邻域像素点对应的第三邻域像素点记为该第二邻域像素点对应的匹配像素点；
统计该待判断像素点对应的各第二邻域像素点对应的类别与对应的匹配像素点对应的类别不相同的第二邻域像素点数量，将所述数量作为该待判断像素点对应的类别变化度；
将该待判断像素点对应的各第二邻域像素点对应的类别与对应的匹配像素点对应的类别相同的第二邻域像素点记为特征邻域像素点；
根据该待判断像素点对应的类别变化度、该待判断像素点对应的目标灰度值、该关联点对应的目标灰度值、该待判断像素点对应的各特征邻域像素点的第二灰度梯度以及各特征邻域像素点对应的匹配像素点的灰度梯度，得到该待判断像素点与该关联点之间的差异度；
判断各待判断像素点与对应的各关联点之间的差异度是否均大于差异度阈值，若是，则判定该待判断像素点为缺陷边缘像素点；否则，则判定该待判断像素点为正常像素点；
获得各缺陷边缘像素点对应的邻域边缘像素点，将各缺陷边缘像素点对应的邻域边缘像素点记为缺陷边缘像素点。
6.如权利要求5所述的一种铝管质量检测方法，其特征在于，根据如下公式计算该待判断像素点与该关联点之间的差异度：
Figure 910299DEST_PATH_IMAGE007
其中，
Figure 132333DEST_PATH_IMAGE008
为该待判断像素点与该关联点之间的差异度，
Figure 748123DEST_PATH_IMAGE009
为该待判断像素点对应的类别变化度，
Figure 963072DEST_PATH_IMAGE010
为该待判断像素点对应目标灰度值，
Figure 82338DEST_PATH_IMAGE011
为该关联点对应的目标灰度值，
Figure 724541DEST_PATH_IMAGE012
为该待判断像素点对应的第i个特征邻域像素点的第二灰度梯度，
Figure 562047DEST_PATH_IMAGE013
为该待判断像素点对应的第i个特征邻域像素点对应的匹配像素点的灰度梯度。
7.如权利要求1所述的一种铝管质量检测方法，其特征在于，根据所述各缺陷边缘像素点，得到各侧面增强图像上的各缺陷区域；根据所述各缺陷区域，得到待检测铝管的质量评估指标，包括：
根据所述各缺陷边缘像素点，得到各侧面增强图像上的各缺陷区域；
获取各缺陷区域对应的二维最小有向包围盒以及二维最小有向包围盒的长和宽；
获得各缺陷区域的边缘长度和缺陷区域的面积；
将各缺陷区域对应的二维最小有向包围盒的长与宽的比值记为各缺陷区域对应的第一特征指标；
将各缺陷区域的边缘长度与缺陷区域的面积的比值记为各缺陷区域对应的第二特征指标；
获得各缺陷区域对应的灰度共生矩阵，将各缺陷区域对应的灰度共生矩阵的熵值作为各缺陷区域对应的第三特征指标；
然后将各缺陷区域对应的各特征指标输入到训练好的树状分类器中，得到各缺陷区域的缺陷类型；
获得各缺陷类型对应的危害权重；
根据各侧面增强图像上的缺陷区域数量、各缺陷区域的边缘长度、各缺陷区域的面积以及各缺陷区域对应的危害权重，得到各侧面增强图像对应的待检测铝管侧面区域的质量评估指标；
计算各侧面增强图像对应的待检测铝管侧面区域的质量评估指标的均值，将所述均值记为待检测铝管的质量评估指标。
8.如权利要求7所述的一种铝管质量检测方法，其特征在于，对于任一侧面增强图像，根据如下公式计算该侧面增强图像对应的待检测铝管侧面区域的质量评估指标：
Figure 580687DEST_PATH_IMAGE014
其中，
Figure 820038DEST_PATH_IMAGE015
为该侧面增强图像对应的待检测铝管侧面区域的质量评估指标，
Figure 358774DEST_PATH_IMAGE016
为该侧面增强图像上第z个缺陷区域的边缘长度，
Figure 683576DEST_PATH_IMAGE017
为该侧面增强图像上第z个缺陷区域的面积，
Figure 240329DEST_PATH_IMAGE018
为该侧面增强图像上第z个缺陷区域对应的第三特征指标，
Figure 68607DEST_PATH_IMAGE019
为该侧面增强图像上第z个缺陷区域对应的缺陷类型的危害权重，
Figure 52613DEST_PATH_IMAGE020
为该侧面增强图像上缺陷区域的数量。
CN202210880847.8A 2022-07-26 2022-07-26 一种铝管质量检测方法 Active CN114943739B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210880847.8A CN114943739B (zh) 2022-07-26 2022-07-26 一种铝管质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210880847.8A CN114943739B (zh) 2022-07-26 2022-07-26 一种铝管质量检测方法

Publications (2)

Publication Number Publication Date
CN114943739A CN114943739A (zh) 2022-08-26
CN114943739B true CN114943739B (zh) 2022-10-21

Family

ID=82910616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210880847.8A Active CN114943739B (zh) 2022-07-26 2022-07-26 一种铝管质量检测方法

Country Status (1)

Country Link
CN (1) CN114943739B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115249326B (zh) * 2022-09-21 2022-12-20 南通长石科技有限公司 基于数据处理的物流转运机器人运行状态检测方法
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
CN115330796B (zh) * 2022-10-13 2023-10-10 江苏昱恒电气有限公司 一种铜线镀锡缺陷识别方法
CN115375676B (zh) * 2022-10-24 2023-01-24 微山三利特不锈钢有限公司 一种基于图像识别的不锈钢制品质量检测方法
CN115546070B (zh) * 2022-11-25 2023-04-11 诺比侃人工智能科技(成都)股份有限公司 一种基于计算机视觉的接触网缺陷目标增强方法
CN115690108B (zh) * 2023-01-04 2023-04-28 山东元旺电工科技有限公司 一种基于图像处理的铝合金杆生产质量评估方法
CN115965624B (zh) * 2023-03-16 2023-05-30 山东宇驰新材料科技有限公司 一种抗磨液压油污染颗粒检测方法
CN116168039B (zh) * 2023-04-26 2023-07-14 济宁市新华电力特种材料有限公司 一种环保节能硅酸铝板质量检测方法
CN116228747B (zh) * 2023-05-04 2023-07-21 青岛穗禾信达金属制品有限公司 一种金属柜加工质量监测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685788A (zh) * 2018-12-22 2019-04-26 北京工业大学 一种基于形态学特征的楼面缺陷图像自动检测方法
CN113609736A (zh) * 2021-08-09 2021-11-05 安徽理工大学 一种基于孔裂隙结构数字图像的数值计算模型构建方法
CN114219794A (zh) * 2021-12-17 2022-03-22 沭阳县桐盛木业制品厂(普通合伙) 基于机器视觉的刨花板表面质量评估方法及系统
CN114359275A (zh) * 2022-03-16 2022-04-15 南通俊朗智能科技有限公司 基于人工智能的液压齿轮泵缺陷检测方法及系统
CN114419025A (zh) * 2022-01-27 2022-04-29 江苏泰和木业有限公司 一种基于图像处理的纤维板质量评估方法
CN114612410A (zh) * 2022-03-04 2022-06-10 东莞职业技术学院 一种新型服装检测装置
CN114782451A (zh) * 2022-06-23 2022-07-22 季华实验室 工件缺陷检测方法、装置、电子设备及可读存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108683907B (zh) * 2018-05-31 2020-10-09 歌尔股份有限公司 光学模组像素缺陷检测方法、装置及设备
CN109870461B (zh) * 2019-03-29 2020-04-24 泗阳恒润电子有限公司 一种电子元器件质量检测系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685788A (zh) * 2018-12-22 2019-04-26 北京工业大学 一种基于形态学特征的楼面缺陷图像自动检测方法
CN113609736A (zh) * 2021-08-09 2021-11-05 安徽理工大学 一种基于孔裂隙结构数字图像的数值计算模型构建方法
CN114219794A (zh) * 2021-12-17 2022-03-22 沭阳县桐盛木业制品厂(普通合伙) 基于机器视觉的刨花板表面质量评估方法及系统
CN114419025A (zh) * 2022-01-27 2022-04-29 江苏泰和木业有限公司 一种基于图像处理的纤维板质量评估方法
CN114612410A (zh) * 2022-03-04 2022-06-10 东莞职业技术学院 一种新型服装检测装置
CN114359275A (zh) * 2022-03-16 2022-04-15 南通俊朗智能科技有限公司 基于人工智能的液压齿轮泵缺陷检测方法及系统
CN114782451A (zh) * 2022-06-23 2022-07-22 季华实验室 工件缺陷检测方法、装置、电子设备及可读存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Parametric faults detection and concealment on imager with FPGA implementation;G.T. Tchendjou 等;《2020 IEEE Latin-American Test Symposium (LATS)》;20201231;第1-6页 *
基于机器视觉的风机叶片缺陷检测;曹庆才 等;《人工智能与传感技术》;20211231(第22期);第74-76、155页 *
基于色彩感知的车载导光板黄化缺陷检测;罗志航 等;《计算机系统应用》;20211231;第30卷(第3期);第52-59页 *

Also Published As

Publication number Publication date
CN114943739A (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
CN114943739B (zh) 一种铝管质量检测方法
CN115170576B (zh) 基于机器视觉的铝管表面缺陷检测方法
CN114842017B (zh) 一种hdmi线缆表面质量检测方法及系统
CN116721106B (zh) 一种基于图像处理的型材瑕疵视觉检测方法
CN115082418B (zh) 一种汽车零部件精密识别方法
CN113362326A (zh) 一种电池焊点缺陷的检测方法及装置
CN109682839B (zh) 一种金属弧形工件表面缺陷在线检测方法
CN115239704B (zh) 一种木材表面缺陷的精准检测修复方法
CN109490316A (zh) 一种基于机器视觉的表面缺陷检测算法
CN115063409B (zh) 一种机械刀具表面材质检测方法及系统
CN105160652A (zh) 基于计算机视觉的手机外壳检验装置与方法
CN114372955A (zh) 一种基于改进神经网络的铸件缺陷x射线图自动识别法
CN111311576A (zh) 基于点云信息的缺陷检测方法
CN114549981A (zh) 一种基于深度学习的智能巡检指针式仪表识别及读数方法
CN115311484B (zh) 一种焊缝数据的优化聚类分割方法
CN114782329A (zh) 一种基于图像处理的轴承缺陷损伤程度评估方法及系统
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
CN113155839A (zh) 一种基于机器视觉的钢板外表面缺陷在线检测方法
CN115719332A (zh) 一种焊接质量检测方法
CN115082472B (zh) 一种轮毂模具浇注成型产品的质量检测方法及系统
CN114998356A (zh) 一种基于图像处理的车桥缺陷检测方法
CN117152129B (zh) 一种电池盖板的表面缺陷视觉检测方法及系统
CN117351017A (zh) 一种光伏钢结构组件缺陷视觉检测方法
CN117058133A (zh) 基于图像数据的液压系统漏油检测方法
CN115272345B (zh) 基于图像处理的防火面料质量分析方法

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
GR01 Patent grant
GR01 Patent grant