CN114943848B - 镍网激光熔覆过程中的裂纹识别方法 - Google Patents

镍网激光熔覆过程中的裂纹识别方法 Download PDF

Info

Publication number
CN114943848B
CN114943848B CN202210875664.7A CN202210875664A CN114943848B CN 114943848 B CN114943848 B CN 114943848B CN 202210875664 A CN202210875664 A CN 202210875664A CN 114943848 B CN114943848 B CN 114943848B
Authority
CN
China
Prior art keywords
gradient
crack
maximum
level
laser cladding
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
CN202210875664.7A
Other languages
English (en)
Other versions
CN114943848A (zh
Inventor
金昱
李�昊
刘兆祥
廖学明
姚志红
古运波
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.)
Nantong Dejinchang Photoelectric Technology Co ltd
Original Assignee
Nantong Dejinchang Photoelectric Technology 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 Nantong Dejinchang Photoelectric Technology Co ltd filed Critical Nantong Dejinchang Photoelectric Technology Co ltd
Priority to CN202210875664.7A priority Critical patent/CN114943848B/zh
Publication of CN114943848A publication Critical patent/CN114943848A/zh
Application granted granted Critical
Publication of CN114943848B publication Critical patent/CN114943848B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration by the use of histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • 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
    • G06T7/136—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
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20216—Image averaging
    • 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
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/25—Process efficiency

Abstract

本发明涉及数据处理技术领域，具体涉及镍网激光熔覆过程中的裂纹识别方法。该方法是一种应用电子设备进行识别的方法，利用生产领域人工智能系统完成激光熔覆过程中熔覆件的裂纹识别。该方法通过相机识别图像获取激光熔覆件的表面图像和对应的梯度直方图；对梯度直方图进行数据处理，得到预处理后的修正图像，进一步对修正图像进行数据处理得到裂纹极其裂纹严重程度。本发明实施例采用图像识别的方法，并通过相关的数据处理，解决了激光熔覆件表面粗糙而导致难以获取有效裂纹数据的问题，达到了能够根据修正图像准确获取有效裂纹数据的目的。

Description

镍网激光熔覆过程中的裂纹识别方法
技术领域
本发明涉及数据处理技术领域，具体涉及镍网激光熔覆过程中的裂纹识别方法。
背景技术
激光熔覆的基本原理是过高能激光束将熔覆粉末熔化,熔覆粉末的加入有通过气体送入或预置的方式，通过激光束的辐照使粉末与基体材料形成较好的冶金结合。但激光熔覆技术存在很多问题，包括熔覆轨迹规划、熔覆层质量和参数的选择等问题，其中熔覆层质量最重要的是裂纹和气孔纹理，熔覆层裂纹会影响熔覆层的力学性能，造成加工质量的缺陷，同时对熔覆层整体的耐磨、耐腐蚀和抗氧化等基本性能也会产生一定的影响。
目前，常见的对熔覆过程中进行裂纹识别的方法为，直接通过边缘检测获取裂纹，但由于激光熔覆后零件表面会变的粗糙，由于零件表面粗糙不平，会导致在对裂纹检查时难以获取有效的裂纹数据，从而导致激光熔覆产品的质量下降。
发明内容
为了解决上述技术问题，本发明的目的在于提供镍网激光熔覆过程中的裂纹识别方法，所采用的技术方案具体如下：
获取激光熔覆件的表面图像；
获取所述表面图像中各像素点的梯度幅值建立梯度直方图；根据所述梯度直方图中各梯度级大小得到梯度级对应的裂纹概率，得到裂纹概率函数；获取梯度直方图曲线和所述裂纹概率函数的交点及其对应的初始梯度级；以属于所述初始梯度级的像素点作为窗口的中心点，获取多个窗口的灰度相似性；以所述初始梯度级为中心，左右移动梯度级，获取各梯度级对应的灰度相似性，极大灰度相似性对应的梯度级作为最优分割阈值；
基于所述最优分割阈值，将所述梯度直方图划分为两个区间；获取每个区间的平均频次和区间内的最大频次；分别根据每个区间的所述平均频次和所述最大频次得到每个区间的修正阈值，比较所述修正阈值和所述最大频次对各区间的修正阈值进行更新；由更新后的修正阈值对所述梯度直方图进行修正，对修正后的梯度直方图进行均衡化，得到对应的修正图像；
根据所述修正图像中的最大裂纹宽度和裂纹数量得到裂纹严重程度。
优选的，所述根据所述梯度直方图中各梯度级大小得到梯度级对应的裂纹概率，包括：
获取梯度直方图中频次最大的梯度级对应的最大像素点数量和最大梯度级；所述最大像素点数量和所述最大梯度级的比值为裂纹概率权重；
所述裂纹概率权重和各梯度级的乘积为梯度级的所述裂纹概率。
优选的，所述以属于所述初始梯度级的像素点作为窗口的中心点，获取多个窗口的灰度相似性，包括：
获取窗口内的像素点均值，计算窗口内各像素点的像素值和所述像素点均值的差值的平方，所述平方的均值为窗口对应的灰度方差；
计算初始梯度级对应的多个窗口的所述灰度方差的相似度，作为灰度相似性。
优选的，所述分别根据每个区间的所述平均频次和所述最大频次得到每个区间的修正阈值，包括：
所述修正阈值的计算公式为：
Figure 776348DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为所述修正阈值；
Figure 129707DEST_PATH_IMAGE004
为区间内的最大频次；
Figure DEST_PATH_IMAGE005
为区间内的平均频次；
Figure 847127DEST_PATH_IMAGE006
为对数函数。
优选的，所述比较所述修正阈值和所述最大频次对各区间的修正阈值进行更新，包括：
对于梯度直方图中的两个区间，分别比较各区间对应的修正阈值和最大频次；
当所述修正阈值小于等于所述最大频次时，修正阈值不变；当所述修正阈值大于所述最大频次时，将所述最大频次作为更新后的修正阈值。
优选的，所述修正图像中的最大裂纹宽度的获取方法为：利用骨架提取算法提取所述修正图像中的裂纹骨架和对应的每条裂纹的最大裂纹宽度。
优选的，所述根据所述修正图像中的最大裂纹宽度和裂纹数量得到裂纹严重程度，包括：
所述裂纹严重程度的计算公式为：
Figure 773495DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
为所述裂纹严重程度；
Figure 525550DEST_PATH_IMAGE010
为所述裂纹数量；
Figure DEST_PATH_IMAGE011
为第
Figure 20117DEST_PATH_IMAGE012
条裂纹的最大裂纹宽度；
Figure DEST_PATH_IMAGE013
为超参数权重；
Figure 457789DEST_PATH_IMAGE014
为自然常数。
优选的，所述根据所述修正图像中的最大裂纹宽度和裂纹数量得到裂纹严重程度之后，还包括：
获取激光熔覆时的多个工艺参数：初始激光功率、初始激光扫描速度和初始预热温度；
根据所述裂纹严重程度对所述多个工艺参数进行参数调控；
所述参数调控为：
Figure DEST_PATH_IMAGE015
其中，
Figure 594372DEST_PATH_IMAGE016
为参数调控后的激光功率；
Figure DEST_PATH_IMAGE017
为参数调控后的激光扫描速度；
Figure 59989DEST_PATH_IMAGE018
为参数调控后的预热温度；
Figure DEST_PATH_IMAGE019
为功率调控参数；
Figure 725456DEST_PATH_IMAGE020
为速度调控参数；
Figure DEST_PATH_IMAGE021
为温度调控参数；
Figure 151890DEST_PATH_IMAGE009
为所述裂纹严重程度；
Figure 420060DEST_PATH_IMAGE022
为所述初始激光功率；
Figure DEST_PATH_IMAGE023
为所述初始激光扫描速度；
Figure 114084DEST_PATH_IMAGE024
为所述初始预热温度。
优选的，所述梯度直方图曲线和所述裂纹概率函数的交点的获取方法为：将所述梯度直方图曲线和所述裂纹概率函数映射至同一坐标轴，获取所述梯度直方图曲线和所述裂纹概率函数的交点。
本发明实施例至少具有如下有益效果：
本发明实施例利用数据处理技术，该方法是一种应用电子设备进行识别的方法，利用生产领域人工智能系统完成激光熔覆过程中熔覆件的裂纹识别。首先获取激光熔覆件的表面图像和对应的梯度直方图；根据梯度直方图中各梯度级大小得到梯度级对应的裂纹概率，得到裂纹概率函数；获取梯度直方图曲线和裂纹概率函数的交点及其对应的初始梯度级；以属于初始梯度级的像素点作为窗口的中心点，获取多个窗口的灰度相似性；以初始梯度级为中心，左右移动梯度级，获取各梯度级对应的灰度相似性，极大灰度相似性对应的梯度级作为最优分割阈值；根据激光熔覆件的表面图像中的梯度信息，自适应获取分割边缘与非边缘部分的梯度幅值分割阈值，利用分别对两个区间进行直方图均衡化，对图像进行处理，凸显出感兴趣区域。基于最优分割阈值，将梯度直方图划分为两个区间；获取每个区间的平均频次和区间内的最大频次；分别根据每个区间的平均频次和最大频次得到每个区间的修正阈值，比较修正阈值和最大频次对各区间的修正阈值进行更新；由更新后的修正阈值对梯度直方图进行修正，均衡化修正后的梯度直方图得到修正图像；通过对表面图像进行梯度直方图均衡化的预处理，使得根据梯度变化情况可以抽取裂纹特征，具有准确得到裂纹特征的好处。根据修正图像中的最大裂纹宽度和裂纹数量得到裂纹严重程度。本发明实施例通过获取激光熔覆件的表面图像的梯度直方图的最优分割阈值，利用最优分割阈值将梯度直方图分割成两个区间，也即实现了将表面图像的边缘区域部分和非边缘区域部分分割开，对于分割开的两个区间分别进行修正和均衡化，得到预处理后的修正图像，实现了凸显边缘区域的目的，使得对裂纹的识别更加准确，获取修正图像的裂纹严重程度，达到了在激光熔覆件表面粗糙不平的情况下，准确获取有效的裂纹数据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的镍网激光熔覆过程中的裂纹识别方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的镍网激光熔覆过程中的裂纹识别方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例提供了镍网激光熔覆过程中的裂纹识别方法的具体实施方法，该方法适用于激光熔覆过程中的裂纹识别场景。该场景下利用RGB相机俯视采集激光熔覆件图像，同时，得到激光熔覆时的激光扫描速度、激光功率和机体的预热温度。为了解决激光熔覆件表面粗糙不平时，导致对裂纹检测时难以获取有效的裂纹数据的问题。本发明实施例相机识别图像，获取激光熔覆件的表面图像的梯度直方图的最优分割阈值，利用最优分割阈值将梯度直方图分割成两个区间，也即实现了将表面图像的边缘区域部分和非边缘区域部分分割开，对于分割开的两个区间分别进行修正和均衡化，得到预处理后的修正图像，实现了凸显边缘区域的目的，使得对裂纹的识别更加准确，获取修正图像的裂纹严重程度，达到了在激光熔覆件表面粗糙不平的情况下，准确获取有效的裂纹数据。
下面结合附图具体的说明本发明所提供的镍网激光熔覆过程中的裂纹识别方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的镍网激光熔覆过程中的裂纹识别方法的步骤流程图，该方法包括以下步骤：
步骤S100，获取激光熔覆件的表面图像。
利用RGB相机采集激光熔覆件图像，该激光熔覆件图像为RGB图像。对激光熔覆件图像进行灰度化得到激光熔覆件的表面图像，该表面图像为灰度图像。
由于激光熔覆技术通常运用在具有较高的附加值的结构复杂、加工难度大、耗时长且对设备具有较高要求的复杂零件，激光熔覆后的零件表面会由原始的光滑面变为粗糙面，当激光熔覆参数不当时，会导致熔覆层出现裂纹，由于零件表面粗糙不平，导致在对裂纹检查时难以获取有效的裂纹数据，会导致激光熔覆产品质量的下降，故进一步的对采集到的图像进行预处理，通过对采集到的图像进行修正，达到凸显感兴趣区域的目的，使得对裂纹的识别更加精准。
步骤S200，获取表面图像中各像素点的梯度幅值建立梯度直方图；根据梯度直方图中各梯度级大小得到梯度级对应的裂纹概率，得到裂纹概率函数；获取梯度直方图曲线和裂纹概率函数的交点及其对应的初始梯度级；以属于初始梯度级的像素点作为窗口的中心点，获取多个窗口的灰度相似性；以初始梯度级为中心，左右移动梯度级，获取各梯度级对应的灰度相似性，极大灰度相似性对应的梯度级作为最优分割阈值。
利用索贝尔算子（Sobel算子）计算表面图像中各像素点的x方向的梯度
Figure DEST_PATH_IMAGE025
和y方向的梯度
Figure 481612DEST_PATH_IMAGE026
，得到对应的梯度幅值
Figure DEST_PATH_IMAGE027
，进而根据表面图像中各像素点的梯度幅值建立梯度直方图。
可知采用梯度直方图均衡化可有效解决图像对比度低和细节模糊的问题，经过处理后的图像裂纹区域和其他区域的对比度增强，也即裂纹区域和非裂纹区域的对比度增强，使得裂纹边缘更清晰，可以有效的进行裂纹严重程度数据的提取。但传统梯度直方图均衡化会导致增强与吞噬现象。梯度吞噬会引起图像的细节缺失，故需要在进行均衡化之前对表面图像进行修正。
在本发明实施例中通过选取梯度直方图中最优分割阈值，将梯度直方图分割成两部分，进而对表面图像进行修正。因为当梯度直方图均衡化时梯度级范围过大或者是频次分布不均匀时，均会导致均衡化后的图像处于过增强的现象。
激光熔覆件的表面粗糙，且裂纹像素点的数量通常远远少于正常区域像素点的数量，也即边缘像素点的数量通常远远少于非边缘像素点的数量，故为防止过增强对裂纹的判断不准确，将梯度直方图进行分割，划分为两个区间，再使两部分分别在各自的梯度区间范围内进行均衡化，避免两部分均衡化后出现彼此区间内的梯度值，进而达到改善目前均衡化算法的过增强现象。
激光覆膜件表面粗糙，对应的表面图像中存在较大的梯度变化。对于裂纹而言，裂纹边缘的像素点的对应的梯度幅值较大，而对于非裂纹边缘，其像素点的对应的梯度幅值相对较小。由于表面图像中裂纹区域较少，故裂纹区域的像素点也较少，所以梯度直方图向左偏，也即梯度直方图对应的梯度直方图曲线的峰值更靠近左侧，峰值过后随着梯度级的增大，梯度级所对应的频次逐渐减小，后半段梯度直方图曲线呈现下降趋势。
进一步的，根据梯度直方图中各梯度级大小得到每个梯度级对应的裂纹概率。具体的：获取梯度直方图中频次最大的梯度级对应的最大像素点数量和最大梯度级。如该梯度直方图的梯度级为0~256，则该梯度直方图对应的最大梯度级为256。最大像素点数量和最大梯度级的比值为裂纹概率权重。该裂纹概率权重和各梯度级的乘积为该对应梯度级的裂纹概率。需要说明的是，每个梯度级对应一个裂纹概率，故对应的可得到一个裂纹概率函数。由于梯度幅值越大越可能为裂纹，也即梯度级越大越可能为裂纹，所以梯度级越大，该梯度级对应的裂纹概率就越大，梯度级和裂纹概率呈正比关系。故随着梯度级的增大，裂纹概率函数为逐渐上升的趋势。
将裂纹概率函数和梯度直方图曲线映射至同一坐标轴，获取梯度直方图曲线和裂纹概率函数之间的交点，由于梯度直方图后半段呈逐渐下降的趋势，裂纹概率函数为逐渐上升的趋势，故梯度直方图曲线和裂纹概率函数之间必然存在一个交点。获取梯度直方图曲线和裂纹概率函数的交点和对应的初始梯度级。得到交点的目的是为了得到一个初始梯度级，这个级别位于梯度直方图的中间部位，该交点所对应的梯度级可能为分界点，但相对来说只是一个粗糙的估计值，得到初始梯度级之后，减少了遍历带来的庞大计算量。即该初始梯度级有可能为边缘区域与非边缘区域的分割阈值，但是存在很大的不准确性，故进一步的对其进行修正。具体的：以属于初始梯度级的像素点作为窗口的中心点，获取多个窗口的灰度相似性。在本发明实施中窗口的大小为3*3，在其他实施例中实施者可根据实际情况调整该窗口大小。
灰度相似性的获取步骤为：
步骤一，获取窗口内的像素点均值，计算窗口内各像素点的像素值和像素点均值的差值的平方。该平方的均值即为窗口对应的灰度方差。每个窗口均对应一个灰度方差。
该初始梯度级内第
Figure DEST_PATH_IMAGE029
个像素点对应的窗口的灰度方差
Figure 926499DEST_PATH_IMAGE030
的计算公式为：
Figure 342568DEST_PATH_IMAGE032
其中，
Figure DEST_PATH_IMAGE033
为窗口内第
Figure DEST_PATH_IMAGE035
个像素点的像素值；
Figure 687837DEST_PATH_IMAGE036
为像素点均值。
步骤二，计算初始梯度级对应的多个窗口的灰度方差的相似度，作为灰度相似性。
该灰度相似性
Figure DEST_PATH_IMAGE037
的计算公式为：
Figure DEST_PATH_IMAGE039
其中，
Figure 226266DEST_PATH_IMAGE040
为初始梯度级对应的像素点的数量；
Figure 361712DEST_PATH_IMAGE030
为初始梯度级内第
Figure 971685DEST_PATH_IMAGE029
个像素点对应的窗口的灰度方差；
Figure DEST_PATH_IMAGE041
为初始梯度级的灰度方差的均值。
对于初始梯度级所对应的所有像素点，其像素点对应的窗口的灰度相似性越大，则反映该初始梯度级越能将梯度直方图分割为边缘和非边缘两个部分，是因为该初始梯度级对应的像素点可能隶属于裂纹像素点，而裂纹像素点对应的窗口内存在中间梯度大两边梯度小的呈现规律，而不属于裂纹像素点的其他像素点的分布时没有规律的，初始梯度级对应的多个窗口的灰度相似度越大，说明初始梯度级内像素点对应的窗口内的像素点一致性高，越能区分开边缘与非边缘两部分。
以初始梯度级为中心，左右移动梯度级，获取各梯度级对应的灰度相似性，将极大灰度相似性对应的梯度级作为最优分割阈值。即以初始梯度级为中心，每次向左或向右移动一个梯度级，并计算移动后当前梯度级的灰度相似性。当向左或向右移动一个梯度级，得到的左右两侧的灰度相似性任意一个大于初始梯度级对应的灰度相似性时，则将初始梯度级更新为较大灰度相似性对应的梯度级；更新初始梯度级后再次向左或向右移动一个梯度级，并计算移动后的当前两侧梯度级对应的灰度相似性，当得到的两侧梯度级的灰度相似性仍存在任意一个大于当前初始梯度级的灰度相似性时，再次将初始梯度级更新为较大灰度相似性对应的梯度级。重复该比较灰度相似性且更新初始梯度级的过程，直至更新后的初始梯度级的灰度相似度均大于左右两侧梯度级对应的灰度相似性时，将更新后的初始梯度级作为最优分割阈值，即极大灰度相似性对应的梯度级作为最优分割阈值。也即当向左或向右移动一个梯度级时，得到的两侧梯度级对应灰度相似性均小于初始梯度级对应的灰度相似性时则认为当前初始梯度级对应的灰度相似性为极大灰度相似性，则初始梯度级为最优分割阈值。
步骤S300，基于最优分割阈值，将梯度直方图划分为两个区间；获取每个区间的平均频次和区间内的最大频次；分别根据每个区间的平均频次和最大频次得到每个区间的修正阈值，比较修正阈值和最大频次对各区间的修正阈值进行更新；由更新后的修正阈值对梯度直方图进行修正，对修正后的梯度直方图进行均衡化，得到对应的修正图像。
基于步骤S200得到的最优分割阈值，可将梯度直方图划分为两个区间，分为大梯度区间和小梯度区间，其中，小梯度区间为非边缘部分，大梯度区间为边缘部分。根据直方图均衡化的映射规律，当概率分布不均匀时，进行均衡化可能会出现“吞噬现象”。梯度级的吞噬会引起最终增强图像的细节缺失，故需要进行修正梯度直方图，使得两个区间的频次分布在均衡前变得更加均匀，在一定程度上避免图形信息吞噬现象。
获取每个区间的平均频次和最大频次，也即分别获取小梯度区间和大梯度区间的平均频次和最大频次。
进一步的，分别根据每个区间的平均频次和最大频次得到每个区间的修正阈值，也即根据小梯度区间对应的平均频次和最大频次得到小梯度区间的修正阈值，根据大梯度区间对应的平均频次和最大频次得到大梯度区间的修正阈值。
梯度直方图对应的两个区间中任意一个区间的修正阈值
Figure 141766DEST_PATH_IMAGE003
的计算公式为：
Figure 444571DEST_PATH_IMAGE002
其中，
Figure 34690DEST_PATH_IMAGE004
为区间内的最大频次；
Figure 448354DEST_PATH_IMAGE005
为区间内的平均频次；
Figure 207363DEST_PATH_IMAGE006
为对数函数。
进一步的，比较修正阈值和最大频次，对各区间的修正阈值进行更新。具体的：对于梯度直方图中的两个区间，大梯度区间和小梯度区间，分别比较各自区间对应的修正阈值和最大频次。当修正阈值小于等于最大频次时，修正阈值不变。当修正阈值大于最大频次时，将最大频次作为更新后的修正阈值。
由更新后的修正阈值对梯度直方图的两个区间进行修正，也即利用大梯度区间对应的修正阈值对大梯度区间进行修正，利用小梯度区间对应的修正阈值对小梯度区间进行修正。
对修正后的梯度直方图内的双区间分别进行均衡化。
具体的，小梯度区间内梯度级
Figure 415490DEST_PATH_IMAGE042
均衡化后的梯度级
Figure DEST_PATH_IMAGE043
为：
Figure DEST_PATH_IMAGE045
其中，
Figure 56687DEST_PATH_IMAGE046
为最优分割阈值；
Figure DEST_PATH_IMAGE047
为未均衡化前梯度级小于
Figure 149408DEST_PATH_IMAGE042
的所有梯度级对应的像素点总数；
Figure 153136DEST_PATH_IMAGE048
为小梯度区间内所有梯度级对应的像素点总数。
大梯度区间内梯度级
Figure DEST_PATH_IMAGE049
均衡化后的梯度级
Figure 460662DEST_PATH_IMAGE050
为：
Figure 792418DEST_PATH_IMAGE052
其中，
Figure 282305DEST_PATH_IMAGE046
为最优分割阈值；
Figure DEST_PATH_IMAGE053
为未均衡化前梯度级小于
Figure 15906DEST_PATH_IMAGE049
的所有梯度级对应的像素点总数；
Figure 831415DEST_PATH_IMAGE054
为小梯度区间内所有梯度级对应的像素点总数；
Figure DEST_PATH_IMAGE055
为原始的未修正前的梯度直方图的最大梯度级。
得到均衡化后的梯度直方图，并得到对应的修正图像。通过对激光熔覆件的表面图像进行预处理后得到了修正图像，该修正图像相比于表面图像，其对比度更加明显，图像中的裂纹也更加明显。
步骤S400，根据修正图像中的最大裂纹宽度和裂纹数量得到裂纹严重程度。
进一步的，通过自适应阈值分割得到修正图像的裂纹。利用骨架提取算法提取出修正图像中的裂纹骨架和对应的每条裂纹的最大裂纹宽度，并得到修正图像中的裂纹数量。
计算修正图像的裂纹严重程度，裂纹数量越多，最大裂纹宽度越大说明激光熔覆件质量越差。
该裂纹严重程度
Figure 916045DEST_PATH_IMAGE009
的计算公式为：
Figure 475203DEST_PATH_IMAGE008
其中，
Figure 296266DEST_PATH_IMAGE010
为裂纹数量；
Figure 17097DEST_PATH_IMAGE011
为第
Figure 323445DEST_PATH_IMAGE012
条裂纹的最大裂纹宽度；
Figure 155135DEST_PATH_IMAGE013
为超参数权重；
Figure 987961DEST_PATH_IMAGE014
为自然常数。在本发明实施例中超参数权重的取值为0.1，在其他实施例中实施者可根据实际情况调整该取值。
在得到修正图像的裂纹严重程度之后，可以根据裂纹严重程度对裂纹激光熔覆的多个工艺参数进行调控，以调整为合适的参数来降低后续激光熔覆件的裂纹严重程度。
由于熔覆层熔池的热源能量密度
Figure 489481DEST_PATH_IMAGE056
的公式为：
Figure DEST_PATH_IMAGE057
，其中，
Figure 814283DEST_PATH_IMAGE022
为激光功率；
Figure 449664DEST_PATH_IMAGE058
为激光扫描速度；
Figure 605839DEST_PATH_IMAGE037
为激光束光斑直径。随着热源能量密度的增加，熔岩层中的裂缝将逐渐减小并且裂纹严重程度也会减小，由于冷凝固过程中熔池中的残余应力，激光熔覆层容易产生裂纹，残余应力与激光能量密度密切相关，故在一定程度上热源能量密度决定着熔覆层形貌和裂纹产生的趋势。影响热源能量密度的主要参数包括激光功率，光斑尺寸也即激光束光斑直径和激光扫描速度等参数。同时，机体的预热温度也是热源能量密度的重要影响参数。
故首先获取激光熔覆的多个工艺参数，本发明实施例中获取初始时刻激光熔覆时的初始激光功率、初始激光扫描速度和初始预热温度。
进一步的，利用裂纹严重程度对多个工艺参数进行参数调控。
该具体的参数调控为：
Figure 307953DEST_PATH_IMAGE015
其中，
Figure 447948DEST_PATH_IMAGE016
为参数调控后的激光功率；
Figure 496806DEST_PATH_IMAGE017
为参数调控后的激光扫描速度；
Figure 914012DEST_PATH_IMAGE018
为参数调控后的预热温度；
Figure 413127DEST_PATH_IMAGE019
为功率调控参数；
Figure 774838DEST_PATH_IMAGE020
为速度调控参数；
Figure 391502DEST_PATH_IMAGE021
为温度调控参数；
Figure 787848DEST_PATH_IMAGE009
为裂纹严重程度；
Figure 67651DEST_PATH_IMAGE022
为初始激光功率；
Figure 182237DEST_PATH_IMAGE023
为初始激光扫描速度；
Figure 838478DEST_PATH_IMAGE024
为初始预热温度。在本发明实施例中功率调控参数
Figure 354910DEST_PATH_IMAGE019
、速度调控参数
Figure 930247DEST_PATH_IMAGE020
和温度调控参数
Figure 407496DEST_PATH_IMAGE021
的取值均为1，在其他实施例中实施者可根据实际情况调整该取值。
即实现了当激光熔覆后零件表面由原始的光滑面变为粗糙面后仍能精准的检测裂纹缺陷，解决了当激光熔覆参数不当导致熔覆层出现裂纹，且由于激光熔覆件表面粗糙不平导致对裂纹检查时难以获取有效裂纹数据，无法到达对工艺参数的精准调控，使后续激光熔覆产品质量下降的问题。
综上所述，本发明实施例利用数据处理技术，该方法是一种应用电子设备进行识别的方法，利用生产领域人工智能系统完成激光熔覆过程中熔覆件的裂纹识别。该方法通过相机识别图像获取激光熔覆件的表面图像和对应的梯度直方图；根据梯度直方图中各梯度级大小得到梯度级对应的裂纹概率，得到裂纹概率函数；获取梯度直方图曲线和裂纹概率函数的交点及其对应的初始梯度级；以属于初始梯度级的像素点作为窗口的中心点，获取多个窗口的灰度相似性；以初始梯度级为中心，左右移动梯度级，获取各梯度级对应的灰度相似性，极大灰度相似性对应的梯度级作为最优分割阈值；基于最优分割阈值，将梯度直方图划分为两个区间；获取每个区间的平均频次和区间内的最大频次；分别根据每个区间的平均频次和最大频次得到每个区间的修正阈值，比较修正阈值和最大频次对各区间的修正阈值进行更新；由更新后的修正阈值对梯度直方图进行修正，均衡化修正后的梯度直方图得到修正图像；根据修正图像中的最大裂纹宽度和裂纹数量得到裂纹严重程度。本发明实施例通过获取激光熔覆件的表面图像的梯度直方图的最优分割阈值，将表面图像的边缘区域部分和非边缘区域部分分割开，对于分割开的两个区间分别进行修正和均衡化，得到预处理后的修正图像，获取修正图像的裂纹严重程度，达到了在激光熔覆件表面粗糙不平的情况下，准确获取有效的裂纹数据。
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.镍网激光熔覆过程中的裂纹识别方法，其特征在于，该方法包括以下步骤：
获取激光熔覆件的表面图像；
获取所述表面图像中各像素点的梯度幅值建立梯度直方图；根据所述梯度直方图中各梯度级大小得到梯度级对应的裂纹概率，得到裂纹概率函数；获取梯度直方图曲线和所述裂纹概率函数的交点及其对应的初始梯度级；以属于所述初始梯度级的像素点作为窗口的中心点，获取多个窗口的灰度相似性；以所述初始梯度级为中心，左右移动梯度级，获取各梯度级对应的灰度相似性，极大灰度相似性对应的梯度级作为最优分割阈值；
基于所述最优分割阈值，将所述梯度直方图划分为两个区间；获取每个区间的平均频次和区间内的最大频次；分别根据每个区间的所述平均频次和所述最大频次得到每个区间的修正阈值，比较所述修正阈值和所述最大频次对各区间的修正阈值进行更新；由更新后的修正阈值对所述梯度直方图进行修正，对修正后的梯度直方图进行均衡化，得到对应的修正图像；
根据所述修正图像中的最大裂纹宽度和裂纹数量得到裂纹严重程度。
2.根据权利要求1所述的镍网激光熔覆过程中的裂纹识别方法，其特征在于，所述根据所述梯度直方图中各梯度级大小得到梯度级对应的裂纹概率，包括：
获取梯度直方图中频次最大的梯度级对应的最大像素点数量和最大梯度级；所述最大像素点数量和所述最大梯度级的比值为裂纹概率权重；
所述裂纹概率权重和各梯度级的乘积为梯度级的所述裂纹概率。
3.根据权利要求1所述的镍网激光熔覆过程中的裂纹识别方法，其特征在于，所述以属于所述初始梯度级的像素点作为窗口的中心点，获取多个窗口的灰度相似性，包括：
获取窗口内的像素点均值，计算窗口内各像素点的像素值和所述像素点均值的差值的平方，所述平方的均值为窗口对应的灰度方差；
计算初始梯度级对应的多个窗口的所述灰度方差的相似度，作为灰度相似性。
4.根据权利要求1所述的镍网激光熔覆过程中的裂纹识别方法，其特征在于，所述分别根据每个区间的所述平均频次和所述最大频次得到每个区间的修正阈值，包括：
所述修正阈值的计算公式为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为所述修正阈值；
Figure DEST_PATH_IMAGE006
为区间内的最大频次；
Figure DEST_PATH_IMAGE008
为区间内的平均频次；
Figure DEST_PATH_IMAGE010
为对数函数。
5.根据权利要求1所述的镍网激光熔覆过程中的裂纹识别方法，其特征在于，所述比较所述修正阈值和所述最大频次对各区间的修正阈值进行更新，包括：
对于梯度直方图中的两个区间，分别比较各区间对应的修正阈值和最大频次；
当所述修正阈值小于等于所述最大频次时，修正阈值不变；当所述修正阈值大于所述最大频次时，将所述最大频次作为更新后的修正阈值。
6.根据权利要求1所述的镍网激光熔覆过程中的裂纹识别方法，其特征在于，所述修正图像中的最大裂纹宽度的获取方法为：利用骨架提取算法提取所述修正图像中的裂纹骨架和对应的每条裂纹的最大裂纹宽度。
7.根据权利要求1所述的镍网激光熔覆过程中的裂纹识别方法，其特征在于，所述根据所述修正图像中的最大裂纹宽度和裂纹数量得到裂纹严重程度，包括：
所述裂纹严重程度的计算公式为：
Figure DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE014
为所述裂纹严重程度；
Figure DEST_PATH_IMAGE016
为所述裂纹数量；
Figure DEST_PATH_IMAGE018
为第
Figure DEST_PATH_IMAGE020
条裂纹的最大裂纹宽度；
Figure DEST_PATH_IMAGE022
为超参数权重；
Figure DEST_PATH_IMAGE024
为自然常数。
8.根据权利要求1所述的镍网激光熔覆过程中的裂纹识别方法，其特征在于，所述根据所述修正图像中的最大裂纹宽度和裂纹数量得到裂纹严重程度之后，还包括：
获取激光熔覆时的多个工艺参数：初始激光功率、初始激光扫描速度和初始预热温度；
根据所述裂纹严重程度对所述多个工艺参数进行参数调控；
所述参数调控为：
Figure DEST_PATH_IMAGE026
其中，
Figure DEST_PATH_IMAGE028
为参数调控后的激光功率；
Figure DEST_PATH_IMAGE030
为参数调控后的激光扫描速度；
Figure DEST_PATH_IMAGE032
为参数调控后的预热温度；
Figure DEST_PATH_IMAGE034
为功率调控参数；
Figure DEST_PATH_IMAGE036
为速度调控参数；
Figure DEST_PATH_IMAGE038
为温度调控参数；
Figure 999035DEST_PATH_IMAGE014
为所述裂纹严重程度；
Figure DEST_PATH_IMAGE040
为所述初始激光功率；
Figure DEST_PATH_IMAGE042
为所述初始激光扫描速度；
Figure DEST_PATH_IMAGE044
为所述初始预热温度。
9.根据权利要求1所述的镍网激光熔覆过程中的裂纹识别方法，其特征在于，所述梯度直方图曲线和所述裂纹概率函数的交点的获取方法为：将所述梯度直方图曲线和所述裂纹概率函数映射至同一坐标轴，获取所述梯度直方图曲线和所述裂纹概率函数的交点。
CN202210875664.7A 2022-07-25 2022-07-25 镍网激光熔覆过程中的裂纹识别方法 Active CN114943848B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210875664.7A CN114943848B (zh) 2022-07-25 2022-07-25 镍网激光熔覆过程中的裂纹识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210875664.7A CN114943848B (zh) 2022-07-25 2022-07-25 镍网激光熔覆过程中的裂纹识别方法

Publications (2)

Publication Number Publication Date
CN114943848A CN114943848A (zh) 2022-08-26
CN114943848B true CN114943848B (zh) 2022-10-04

Family

ID=82911048

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210875664.7A Active CN114943848B (zh) 2022-07-25 2022-07-25 镍网激光熔覆过程中的裂纹识别方法

Country Status (1)

Country Link
CN (1) CN114943848B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115834792B (zh) * 2023-02-22 2023-05-12 湖南洛普洛科技有限公司 基于人工智能的视频数据处理方法及系统
CN117237350B (zh) * 2023-11-14 2024-01-26 青岛三合山精密铸造有限公司 一种铸钢件质量实时检测方法
CN117351007B (zh) * 2023-12-04 2024-02-13 江苏太湖锅炉股份有限公司 基于红外设备的熔炉内部缺陷识别系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101405396B1 (ko) * 2012-06-25 2014-06-10 한국수력원자력 주식회사 표면에 혼합층을 포함하는 코팅층이 형성된 지르코늄 합금 및 이의 제조방법
CN106446905B (zh) * 2016-07-25 2019-05-28 广东省智能制造研究所 渗透算法和自适应Canny算法相融合的表面裂纹纹理的提取方法
CN109870458B (zh) * 2019-02-19 2021-11-09 福建农林大学 一种基于三维激光传感器及包围盒的路面裂缝检测与分类方法

Also Published As

Publication number Publication date
CN114943848A (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
CN114943848B (zh) 镍网激光熔覆过程中的裂纹识别方法
CN115511889B (zh) 一种太阳能电池板支架表面焊接缺陷检测方法
CN114219805B (zh) 一种玻璃缺陷智能检测方法
CN115546203B (zh) 基于图像数据算法的生产监测分析方法
CN115830033A (zh) 基于机器视觉的汽车轮毂表面缺陷检测方法
CN115294099B (zh) 一种钢板轧制过程发纹缺陷的检测方法及系统
CN114406502B (zh) 激光金属切割方法及系统
CN115082719B (zh) 一种木材质量分级方法
CN114972343A (zh) 一种激光焊接产品生产异常检测方法
CN113506286A (zh) 基于YOLOv5算法小样本数据集实现微波芯片缺陷检测方法
CN115578389A (zh) 一种沟槽mos器件的缺陷检测方法
CN115631116B (zh) 基于双目视觉的飞行器电力巡检系统
CN114926839A (zh) 基于rpa和ai的图像识别方法及电子设备
CN115272376A (zh) 基于机器视觉的浮动打磨头控制方法
CN115222735B (zh) 一种基于麻点缺陷的金属模具质量检测方法
CN113052794A (zh) 一种基于边缘特征的图像清晰度识别方法
CN110400320B (zh) 一种电润湿缺陷像素的分割方法
JP2022188504A (ja) 金属組織のセグメンテーション方法
CN114972261A (zh) 一种板带钢表面质量缺陷的识别方法
CN113870236A (zh) 一种基于深度学习算法的复合材料缺陷无损探伤方法
CN117274247B (zh) 一种ltcc导体表面镀层质量视觉检测方法
CN117058130B (zh) 一种光纤拉丝表面涂覆质量视觉检测方法
CN117218117B (zh) 一种玻璃纤维纱检测方法及系统
CN116485924B (zh) 含伪影的光纤线包ct截面图像的二值化方法
CN116958136B (zh) 基于图像处理的丝杆螺纹生产缺陷检测方法

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
GR01 Patent grant
GR01 Patent grant