CN114972325B - 一种基于图像处理的汽车轮毂缺陷检测方法 - Google Patents
一种基于图像处理的汽车轮毂缺陷检测方法 Download PDFInfo
- Publication number
- CN114972325B CN114972325B CN202210808072.3A CN202210808072A CN114972325B CN 114972325 B CN114972325 B CN 114972325B CN 202210808072 A CN202210808072 A CN 202210808072A CN 114972325 B CN114972325 B CN 114972325B
- Authority
- CN
- China
- Prior art keywords
- defect
- periodic repeating
- repeating area
- pixel points
- noise
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 232
- 238000012545 processing Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 230000000737 periodic effect Effects 0.000 claims abstract description 145
- 239000013598 vector Substances 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000001914 filtration Methods 0.000 claims description 13
- 150000001875 compounds Chemical class 0.000 claims description 2
- 230000002950 deficient Effects 0.000 abstract description 25
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 238000003708 edge detection Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011410 subtraction method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及生产领域人工智能系统领域,具体涉及一种基于图像处理的汽车轮毂缺陷检测方法,包括:采集轮毂X光图;得到差异像素;获取差异像素的非结构像素;根据各周期区域非结构像素的频率得到缺陷和非缺陷周期区域;根据缺陷与非缺陷周期区域的概率密度得到缺陷周期区域各像素基于非缺陷周期区域的噪声符合率;计算缺陷周期区域像素基于不同非缺陷周期区域的噪声符合率向量的相似性,得到非缺陷周期区域的噪声描述权重;利用缺陷周期区域各像素基于非缺陷周期区域的噪声符合率和非缺陷周期区域的噪声描述权重计算缺陷周期区域各像素的缺陷概率;根据各像素的缺陷概率得到缺陷区域。上述方法用于检测轮毂缺陷,可提高检测的准确度。
Description
技术领域
本发明涉及生产领域人工智能系统领域,具体涉及一种基于图像处理的汽车轮毂缺陷检测方法。
背景技术
随着社会经济的发展、人民生活水平的提高,汽车使用量也随之提高,车轮作为汽车的重要部件,其质量的好坏是保证汽车安全行驶的基础,特别是轮毂的内部结构是否存在缺陷,不然很容易出现轮毂断裂导致安全事故。因而需要分析轮毂图像的结构信息来判断轮毂内部结构中是否存在缺陷。普通RGB图像无法采集到轮毂内部信息,因而需要利用X光图像来获取轮毂的结构信息,由于X光图像为X光穿透轮毂结构传入相机中形成的图像,而普通RGB图像为光照射在物体表面通过光的反射将光线信息反射入相机中呈现的影像。因而相较于普通RGB图像,X光线信息会有大量损失,造成图像模糊边缘不够清晰,并且还会引出大量的噪声信息。同时轮毂的缺陷信息较小,并且没有特别清晰的纹理结构。基于此本发明提出一种能够准确定位缺陷的方法。
传统的常用的缺陷分割方法有阈值分割和边缘检测,对于阈值分割方法,由于轮毂的图像有复杂的灰度变化,缺陷区域与非缺陷区域的灰度差异不明显,因而采用阈值分割很难找到准确的缺陷区域。对于边缘检测方法,由于轮毂有复杂的纹理结构,并且一些小的缺陷区域边缘检测根本无法检测出,因而边缘检测方法在处理本问题时也会存在一定缺陷。对于还有针对这种小缺陷的检测方法为:先通过高斯滤波的方式将一些小纹理信息滤除得到滤波后图像,然后通过原图减去滤波后图像得到缺陷区域。但是这种方法针对一些存在较小噪声且没有高频的纹理信息的方法较为合适,对于此处存在较多噪声图像不太适合,因而通过滤波减除的方式不仅会提取出缺陷像素,还会将高频的纹理信息提取出来,同时还会将噪声信息提取出来,因而本发明需针对该问题提取出准确的缺陷像素,本发明提供了一种用于生产领域人工智能系统的轮毂缺陷检测方法。
发明内容
本发明提供一种基于图像处理的汽车轮毂缺陷检测方法,包括:采集轮毂X光图;得到差异像素;获取差异像素的非结构像素;根据各周期区域非结构像素的频率得到缺陷和非缺陷周期区域;根据缺陷与非缺陷周期区域的概率密度得到缺陷周期区域各像素基于非缺陷周期区域的噪声符合率;计算缺陷周期区域像素基于不同非缺陷周期区域的噪声符合率向量的相似性,得到非缺陷周期区域的噪声描述权重;利用缺陷周期区域各像素基于非缺陷周期区域的噪声符合率和非缺陷周期区域的噪声描述权重计算缺陷周期区域各像素的缺陷概率;根据各像素的缺陷概率得到缺陷区域,相比于现有技术,本发明结合图像处理和计算机视觉,根据轮毂结构信息的周期性特征去除结构纹理信息的干扰,同时结合噪声分布筛选出缺陷像素,提供了一种用于生产领域人工智能系统的轮毂缺陷检测方法,可有效提高缺陷检测的准确性。
为达到上述目的,本发明采用以下技术方案,一种基于图像处理的汽车轮毂缺陷检测方法,包括:
采集待检测的汽车轮毂X光图像。
对X光图像中的各区域进行角点匹配,得到X光图像中的周期性重复区域。
对X光图像进行滤波处理,将X光图像与滤波后图像进行作差,得到差异图像。
根据差异图像中像素点的灰度值获取X光图像的差异像素点。
利用差异像素点所在位置的梯度及该差异像素点在周期性重复区域中对应位置的梯度,获取差异像素点中的非结构纹理像素点。
获取仅包含非结构纹理像素点的差异图像,对该差异图像中的各周期性重复区域进行傅里叶变换,根据各周期性重复区域中像素点的频率得到包含缺陷的周期性重复区域和不包含缺陷的周期性重复区域。
根据包含缺陷的周期性重复区域中各像素点的频率概率密度向量与不包含缺陷的周期性重复区域的概率密度向量得到包含缺陷的周期性重复区域中各像素点基于各不包含缺陷的周期性重复区域的噪声符合率。
计算包含缺陷的周期性重复区域中所有像素点基于一个不包含缺陷的周期性重复区域的噪声符合率向量与该所有像素点基于其他不包含缺陷的周期性重复区域的噪声符合率向量的相似性,得到各个不包含缺陷的周期性重复区域的噪声描述准确性权重。
利用包含缺陷的周期性重复区域中各像素点基于各不包含缺陷的周期性重复区域的噪声符合率和各个不包含缺陷的周期性重复区域的噪声描述准确性权重计算得到包含缺陷的周期性重复区域中各像素点的缺陷概率。
根据包含缺陷的周期性重复区域中各像素点的缺陷概率得到待检测的汽车轮毂中的缺陷区域。
进一步的,所述一种基于图像处理的汽车轮毂缺陷检测方法,所述X光图像的差异像素点是按照如下方式获取:
对X光图像进行高斯滤波处理,得到滤波后图像。
将X光图像与滤波后图像进行作差,得到差异图像。
设置阈值,将差异图像中灰度值大于阈值的像素点作为差异像素点,获取X光图像的差异像素点。
进一步的,所述一种基于图像处理的汽车轮毂缺陷检测方法,所述差异像素点中的非结构纹理像素点是按照如下方式获取:
获取X光图像中各差异像素点及其邻近像素点的梯度值,统计各梯度值的频率,得到各差异像素点所在位置的梯度向量。
按照得到各差异像素点所在位置梯度向量的方式得到各差异像素点在周期性重复区域中对应位置的梯度向量。
计算各差异像素点所在位置的梯度向量及其在周期性重复区域中对应位置的梯度向量的余弦相似度,得到各差异像素点所在位置与其在周期性重复区域中对应位置的结构纹理相似度。
对各差异像素点所在位置与其在周期性重复区域中对应位置的结构纹理相似度进行聚类,获取差异像素点中的结构纹理像素点和非结构纹理像素点。
进一步的,所述一种基于图像处理的汽车轮毂缺陷检测方法,所述包含缺陷的周期性重复区域和不包含缺陷的周期性重复区域是按照如下方式得到:
将差异图像中的非结构纹理像素点进行保留,其余像素点进行剔除,得到仅包含非结构纹理像素点的差异图像。
将仅包含非结构纹理像素点的差异图像中的各周期性重复区域进行傅里叶变换,得到各周期性重复区域中像素点的频率。
根据各周期性重复区域中像素点的频率计算得到各周期性重复区域的频率均值。
对各周期性重复区域的频率均值进行聚类,得到包含缺陷的周期性重复区域和不包含缺陷的周期性重复区域。
进一步的,所述一种基于图像处理的汽车轮毂缺陷检测方法,所述包含缺陷的周期性重复区域中各像素点基于各不包含缺陷的周期性重复区域的噪声符合率是按照如下方式得到:
获取不包含缺陷的周期性重复区域的频率分布直方图,根据频率分布直方图得到不包含缺陷的周期性重复区域的概率密度向量。
以包含缺陷的周期性重复区域中各像素点为中心的滑窗遍历该周期性重复区域中的所有像素点,得到包含缺陷的周期性重复区域中各像素点的频率概率密度向量。
计算包含缺陷的周期性重复区域中各像素点的频率概率密度向量与不包含缺陷的周期性重复区域的概率密度向量的余弦相似度,得到包含缺陷的周期性重复区域中各像素点基于各不包含缺陷的周期性重复区域的噪声符合率。
进一步的,所述一种基于图像处理的汽车轮毂缺陷检测方法,所述各个不包含缺陷的周期性重复区域的噪声描述准确性权重是按照如下方式得到:
获取包含缺陷的周期性重复区域中所有像素点基于同一个不包含缺陷的周期性重复区域的噪声符合率,根据所有噪声符合率得到包含缺陷的周期性重复区域中所有像素点基于同一个不包含缺陷的周期性重复区域的噪声符合率向量。
按照上述方式得到包含缺陷的周期性重复区域中所有像素点基于各个不包含缺陷的周期性重复区域的噪声符合率向量。
计算包含缺陷的周期性重复区域中所有像素点基于第j个不包含缺陷的周期性重复区域的噪声符合率向量与该所有像素点基于其他不包含缺陷的周期性重复区域的噪声符合率向量的相似性,得到第j个不包含缺陷的周期性重复区域的噪声描述准确性权重。
按照得到第j个不包含缺陷的周期性重复区域的噪声描述准确性权重的方式得到各个不包含缺陷的周期性重复区域的噪声描述准确性权重。
进一步的,所述一种基于图像处理的汽车轮毂缺陷检测方法,所述包含缺陷的周期性重复区域中各像素点的缺陷概率的表达式如下:
式中,表示包含缺陷的周期性重复区域中第个像素点的缺陷概率,表示包含缺陷的周期性重复区域中第个像素点基于第j个不包含缺陷的周期性重复区域的噪声符合率,表示第j个不包含缺陷的周期性重复区域的噪声描述准确性权重,N表示不包含缺陷的周期性重复区域的数量。
本发明的有益效果在于:
本发明结合图像处理和计算机视觉,根据轮毂结构信息的周期性特征去除结构纹理信息的干扰,同时结合噪声分布筛选出缺陷像素,提供了一种用于生产领域人工智能系统的轮毂缺陷检测方法,可有效提高缺陷检测的准确性。
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,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地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的一种汽车轮毂缺陷检测方法流程示意图;
图2为本发明实施例2提供的一种汽车轮毂缺陷检测方法流程示意图。
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、完整地描述,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本发明实施例提供一种基于图像处理的汽车轮毂缺陷检测方法,该方法用于生产领域人工智能系统,可有效提高缺陷检测的准确性,如图1所示,包括:
S101、采集待检测的汽车轮毂X光图像。
其中,X光图像为X光穿透轮毂结构传入相机中形成的图像。
S102、对X光图像中的各区域进行角点匹配,得到X光图像中的周期性重复区域。
其中,角点匹配为了得到两两重复的结构区域。
S103、对X光图像进行滤波处理,将X光图像与滤波后图像进行作差,得到差异图像。
其中,滤波处理为高斯滤波。
S104、根据差异图像中像素点的灰度值获取X光图像的差异像素点。
S105、利用差异像素点所在位置的梯度及该差异像素点在周期性重复区域中对应位置的梯度,获取差异像素点中的非结构纹理像素点。
其中,差异像素点中包含结构纹理像素点和非结构纹理像素点。
S106、获取仅包含非结构纹理像素点的差异图像,对该差异图像中的各周期性重复区域进行傅里叶变换,根据各周期性重复区域中像素点的频率得到包含缺陷的周期性重复区域和不包含缺陷的周期性重复区域。
其中,傅里叶变换是数字信号处理中的基本操作,广泛应用于表述及分析离散时域信号领域。
S107、根据包含缺陷的周期性重复区域中各像素点的频率概率密度向量与不包含缺陷的周期性重复区域的概率密度向量得到包含缺陷的周期性重复区域中各像素点基于各不包含缺陷的周期性重复区域的噪声符合率。
其中,利用所述两种向量的余弦相似度得到噪声符合率。
S108、计算包含缺陷的周期性重复区域中所有像素点基于一个不包含缺陷的周期性重复区域的噪声符合率向量与该所有像素点基于其他不包含缺陷的周期性重复区域的噪声符合率向量的相似性,得到各个不包含缺陷的周期性重复区域的噪声描述准确性权重。
其中,将相似性求均值并且归一化后的值作为噪声描述准确性权重。
S109、利用包含缺陷的周期性重复区域中各像素点基于各不包含缺陷的周期性重复区域的噪声符合率和各个不包含缺陷的周期性重复区域的噪声描述准确性权重计算得到包含缺陷的周期性重复区域中各像素点的缺陷概率。
其中,缺陷概率越大,越有可能为缺陷区域中的像素点。
S110、根据包含缺陷的周期性重复区域中各像素点的缺陷概率得到待检测的汽车轮毂中的缺陷区域。
本实施例的有益效果在于:
本实施例结合图像处理和计算机视觉,根据轮毂结构信息的周期性特征去除结构纹理信息的干扰,同时结合噪声分布筛选出缺陷像素,提供了一种用于生产领域人工智能系统的轮毂缺陷检测方法,可有效提高缺陷检测的准确性。
实施例2
本发明的主要目的是:利用计算机视觉技术对采集的轮毂X光图像进行分析,得到准确的轮毂缺陷区域。
通过轮毂X光图像可以看到汽车轮毂复杂的纹理结构信息,并且清晰度不够。同时轮毂板上的缺陷信息非常小,很容易淹没在噪声中被误识别。同时还可以看出轮毂的结构纹理在每间隔特定角度会呈现周期性重复的特征。
本发明实施例提供一种基于图像处理的汽车轮毂缺陷检测方法,该方法用于生产领域人工智能系统,可有效提高缺陷检测的准确性,如图2所示,包括:
S201、采集汽车轮毂X光图像。
本实施例需要通过分析轮毂X光图像,来定位轮毂中存在的缺陷区域。因而需先采集轮毂的X光图像。
采集图像:轮毂加工完成后,传送带将轮毂传送至X光设备处采集X光图像。
S202、获取差异像素点中的非结构像素点。
在进行轮毂缺陷检测时,考虑到轮毂的结构纹理和噪声干扰,考虑到缺陷纹理信息较小,同时轮毂结构信息呈现周期性,因而可以利用周期性规律去除结构纹理,然后再根据缺陷和噪声的分布差异计算各像素的缺陷概率。
由于缺陷大小有一定差异,有些缺陷较大,而有些缺陷较小,有些利用边缘检测很难获取得到缺陷的边缘纹理。因而考虑利用滤波减除法来获得缺陷信息,然而这种方法得到的差异信息既包含缺陷信息、结构纹理信息还有噪声信息,因而通过该方法需先利用结构纹理的周期性特征去除结构纹理的干扰。
1)对轮毂图像各区域进行角点匹配实现匹配对齐,因而可以将两两重复的结构区域匹配出来。
3)判断差异图像各差异像素所在的结构信息与各匹配模块的结构信息的相似性:
获取在原图像中,差异像素为中心,50*50窗口内各像素的梯度值,并统计各梯度值的频率生成梯度直方图向量。类别该方式得到匹配图像中对应位置的梯度直方图向量。通过计算该差异像素处的窗口内梯度直方图向量及其在匹配图像中对应位置的梯度直方图向量的余弦相似度,得到该差异像素处的窗口内梯度分布与匹配图像对应位置处梯度分布的相似性值,并将各匹配图像得到的相似性值求均值,该值即为该差异像素的综合相似性。将所有差异像素计算得到的综合相似性值进行k-mean聚类,类别数为2。其中相似均值较低那个类别内的像素为非结构信息像素。
S203、获取非结构像素点的噪声符合率。
通过上述步骤将结构信息像素去除,但是目前差异像素中既包含缺陷像素,同时还包含噪声像素,因而需再进行分析噪声的分布特征来判断缺陷像素的可能性。
通过上述步骤得到周期模块,下面将分析各单周期模块的频率分布,其中缺陷区域的频率相较于噪声的频率分布会存在一定差异,并且噪声信息相较于缺陷信息频率要高,具体做法为:
将各单周期模块的差异图像信息进行傅里叶变换得到各单周期模块的频率信息。计算各单周期模块的频率均值,将各单周期模块的频率均值进行k-means聚类,聚类个数为2。其中频率均值低的类别内的单周期模块为包含缺陷的周期模块。
获取非缺陷单周期模块的差异图像频率分布直方图,进而得到概率密度向量,同时以各像素点为中心,50*50的窗口遍历缺陷单周期模块的各像素,获取各窗口的频率概率密度向量,通过该向量表示噪声分布特征。将各窗口内的频率概率密度向量与各非缺陷单周期模块得到的概率密度向量计算余弦相似度得到相似性。该相似性反映该窗口内像素符合噪声分布的可能性,通过该方式得到整个缺陷单周期模块中各像素基于各非缺陷单周期模块的噪声分布特征得到的噪声符合率。
S204、获取各非缺陷单周期模块的噪声描述准确性权重。
由于信息较少,各非缺陷单周期模块得到的噪声分布特征描述精度不高,因而需得分析单个像素基于各非缺陷单周期模块的计算的噪声符合率的差异性来进行判定哪个非缺陷单周期模块的噪声分布特征能够较好的描述噪声分布特征,进而得到各非缺陷单周期模块得到噪声分布描述准确权重,具体为:
1. 获取所有缺陷模块内所有像素基于一个非缺陷单周期模块计算得到的噪声符合率值,进而将所有像素噪声符合率组合成一个符合率向量。类比该方式得到所有缺陷模块像素基于各非缺陷单周期模块的噪声符合率向量。
2.通过比较噪声符合率曲线计算各非缺陷模块噪声描述准确性权重:
将各噪声符合率曲线表述成向量形式,同时计算缺陷模块像素基于第j个非缺陷单周期模块的噪声符合率向量与该缺陷模块像素基于其他非缺陷单周期模块的噪声符合率向量的相似性,并将相似性求均值。将该相似性均值进行归一化,将归一化后的值作为各非缺陷单周期模块的噪声描述准确性权重。
S205、计算非结构像素点的缺陷概率。
式中表示缺陷模块中第个像素噪声分布与第j个非缺陷模块的噪声分布特征计算出的噪声分布符合率。表示第j个非缺陷单周期模块计算得到的噪声分布特征描述准确性权重。N表示非缺陷单周期模块数量,表示缺陷模块中第个像素的缺陷概率。
至此,通过结构信息的周期性特征筛选出周期性信息,通过噪声分布特征计算各像素的缺陷概率。
S206、获取缺陷区域。
本实施例的有益效果在于:
本实施例结合图像处理和计算机视觉,根据轮毂结构信息的周期性特征去除结构纹理信息的干扰,同时结合噪声分布筛选出缺陷像素,提供了一种用于生产领域人工智能系统的轮毂缺陷检测方法,可有效提高缺陷检测的准确性。
以上所述仅为本发明的较佳实施例而已,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 (7)
1.一种基于图像处理的汽车轮毂缺陷检测方法,其特征在于,包括:
采集待检测的汽车轮毂X光图像;
对X光图像中的各区域进行角点匹配,得到X光图像中的周期性重复区域;
对X光图像进行滤波处理,将X光图像与滤波后图像进行作差,得到差异图像;
根据差异图像中像素点的灰度值获取X光图像的差异像素点;
利用差异像素点所在位置的梯度及该差异像素点在周期性重复区域中对应位置的梯度,获取差异像素点中的非结构纹理像素点;
获取仅包含非结构纹理像素点的差异图像,对该差异图像中的各周期性重复区域进行傅里叶变换,得到各周期性重复区域中像素点的频率,根据各周期性重复区域中像素点的频率得到包含缺陷的周期性重复区域和不包含缺陷的周期性重复区域;
根据包含缺陷的周期性重复区域中各像素点的频率概率密度向量与不包含缺陷的周期性重复区域的概率密度向量得到包含缺陷的周期性重复区域中各像素点基于各不包含缺陷的周期性重复区域的噪声符合率;
计算包含缺陷的周期性重复区域中所有像素点基于一个不包含缺陷的周期性重复区域的噪声符合率向量与该所有像素点基于其他不包含缺陷的周期性重复区域的噪声符合率向量的相似性,得到各个不包含缺陷的周期性重复区域的噪声描述准确性权重;
利用包含缺陷的周期性重复区域中各像素点基于各不包含缺陷的周期性重复区域的噪声符合率和各个不包含缺陷的周期性重复区域的噪声描述准确性权重计算得到包含缺陷的周期性重复区域中各像素点的缺陷概率;
根据包含缺陷的周期性重复区域中各像素点的缺陷概率得到待检测的汽车轮毂中的缺陷区域。
2.根据权利要求1所述的一种基于图像处理的汽车轮毂缺陷检测方法,其特征在于,所述X光图像的差异像素点是按照如下方式获取:
对X光图像进行高斯滤波处理,得到滤波后图像;
将X光图像与滤波后图像进行作差,得到差异图像;
设置阈值,将差异图像中灰度值大于阈值的像素点作为差异像素点,获取X光图像的差异像素点。
3.根据权利要求1所述的一种基于图像处理的汽车轮毂缺陷检测方法,其特征在于,所述差异像素点中的非结构纹理像素点是按照如下方式获取:
获取X光图像中各差异像素点及其邻近像素点的梯度值,统计各梯度值的频率,得到各差异像素点所在位置的梯度向量;
按照得到各差异像素点所在位置梯度向量的方式得到各差异像素点在周期性重复区域中对应位置的梯度向量;
计算各差异像素点所在位置的梯度向量及其在周期性重复区域中对应位置的梯度向量的余弦相似度,得到各差异像素点所在位置与其在周期性重复区域中对应位置的结构纹理相似度;
对各差异像素点所在位置与其在周期性重复区域中对应位置的结构纹理相似度进行聚类,获取差异像素点中的结构纹理像素点和非结构纹理像素点。
4.根据权利要求1所述的一种基于图像处理的汽车轮毂缺陷检测方法,其特征在于,所述包含缺陷的周期性重复区域和不包含缺陷的周期性重复区域是按照如下方式得到:
将差异图像中的非结构纹理像素点进行保留,其余像素点进行剔除,得到仅包含非结构纹理像素点的差异图像;
将仅包含非结构纹理像素点的差异图像中的各周期性重复区域进行傅里叶变换,得到各周期性重复区域中像素点的频率;
根据各周期性重复区域中像素点的频率计算得到各周期性重复区域的频率均值;
对各周期性重复区域的频率均值进行聚类,得到包含缺陷的周期性重复区域和不包含缺陷的周期性重复区域。
5.根据权利要求1所述的一种基于图像处理的汽车轮毂缺陷检测方法,其特征在于,所述包含缺陷的周期性重复区域中各像素点基于各不包含缺陷的周期性重复区域的噪声符合率是按照如下方式得到:
获取不包含缺陷的周期性重复区域的频率分布直方图,根据频率分布直方图得到不包含缺陷的周期性重复区域的概率密度向量;
以包含缺陷的周期性重复区域中各像素点为中心的滑窗遍历该周期性重复区域中的所有像素点,得到包含缺陷的周期性重复区域中各像素点的频率概率密度向量;
计算包含缺陷的周期性重复区域中各像素点的频率概率密度向量与不包含缺陷的周期性重复区域的概率密度向量的余弦相似度,得到包含缺陷的周期性重复区域中各像素点基于各不包含缺陷的周期性重复区域的噪声符合率。
6.根据权利要求1所述的一种基于图像处理的汽车轮毂缺陷检测方法,其特征在于,所述各个不包含缺陷的周期性重复区域的噪声描述准确性权重是按照如下方式得到:
获取包含缺陷的周期性重复区域中所有像素点基于同一个不包含缺陷的周期性重复区域的噪声符合率,根据所有噪声符合率得到包含缺陷的周期性重复区域中所有像素点基于同一个不包含缺陷的周期性重复区域的噪声符合率向量;
按照上述方式得到包含缺陷的周期性重复区域中所有像素点基于各个不包含缺陷的周期性重复区域的噪声符合率向量;
计算包含缺陷的周期性重复区域中所有像素点基于第j个不包含缺陷的周期性重复区域的噪声符合率向量与该所有像素点基于其他不包含缺陷的周期性重复区域的噪声符合率向量的相似性,得到第j个不包含缺陷的周期性重复区域的噪声描述准确性权重;
按照得到第j个不包含缺陷的周期性重复区域的噪声描述准确性权重的方式得到各个不包含缺陷的周期性重复区域的噪声描述准确性权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210808072.3A CN114972325B (zh) | 2022-07-11 | 2022-07-11 | 一种基于图像处理的汽车轮毂缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210808072.3A CN114972325B (zh) | 2022-07-11 | 2022-07-11 | 一种基于图像处理的汽车轮毂缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114972325A CN114972325A (zh) | 2022-08-30 |
CN114972325B true CN114972325B (zh) | 2022-11-04 |
Family
ID=82969632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210808072.3A Active CN114972325B (zh) | 2022-07-11 | 2022-07-11 | 一种基于图像处理的汽车轮毂缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972325B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830033B (zh) * | 2023-02-23 | 2023-04-28 | 威海锐鑫丰金属科技有限公司 | 基于机器视觉的汽车轮毂表面缺陷检测方法 |
CN116188462B (zh) * | 2023-04-24 | 2023-08-11 | 深圳市翠绿贵金属材料科技有限公司 | 一种基于视觉鉴定的贵金属质量检测方法及系统 |
CN116205923B (zh) * | 2023-05-06 | 2023-07-14 | 威海锐鑫丰金属科技有限公司 | 基于x-ray的汽车轮毂内部缺陷无损检测方法 |
CN117788470B (zh) * | 2024-02-27 | 2024-05-24 | 咸阳黄河轮胎橡胶有限公司 | 一种基于人工智能的轮胎缺陷检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505811A (zh) * | 2021-06-10 | 2021-10-15 | 常州理工科技股份有限公司 | 一种轮毂生产用机器视觉成像方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120068128A (ko) * | 2010-12-17 | 2012-06-27 | 삼성전자주식회사 | 패턴의 결함 검출 방법 및 이를 수행하기 위한 결함 검출 장치 |
JP5777570B2 (ja) * | 2011-06-24 | 2015-09-09 | 東京エレクトロン株式会社 | 画像処理方法、画像表示方法、画像処理装置、プログラム及びコンピュータ記憶媒体 |
CN110687119A (zh) * | 2018-07-04 | 2020-01-14 | 东腾投资集团有限公司 | 一种缺陷检测方法、系统与装置、计算机可读存储介质 |
-
2022
- 2022-07-11 CN CN202210808072.3A patent/CN114972325B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505811A (zh) * | 2021-06-10 | 2021-10-15 | 常州理工科技股份有限公司 | 一种轮毂生产用机器视觉成像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114972325A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114972325B (zh) | 一种基于图像处理的汽车轮毂缺陷检测方法 | |
CN111292305B (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
US20190087638A1 (en) | Analyzing digital holographic microscopy data for hematology applications | |
CN107622277B (zh) | 一种基于贝叶斯分类器的复杂曲面缺陷分类方法 | |
CN106778668B (zh) | 一种联合ransac和cnn的鲁棒的车道线检测方法 | |
Liang et al. | Defect detection of rail surface with deep convolutional neural networks | |
US20110002516A1 (en) | Method and device for dividing area of image of particle in urine | |
Sharma et al. | Indian vehicle license plate extraction and segmentation | |
CN109583295B (zh) | 一种基于卷积神经网络的转辙机缺口自动检测方法 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN109975196B (zh) | 一种网织红细胞检测方法及其系统 | |
CN116777907A (zh) | 一种钣金件质量检测方法 | |
Azad et al. | New method for optimization of license plate recognition system with use of edge detection and connected component | |
CN114119462A (zh) | 一种基于深度学习的锂电池电芯铝壳蓝膜外观检测算法 | |
CN111047556A (zh) | 一种带钢表面缺陷检测方法及装置 | |
CN117094916B (zh) | 一种市政桥梁支座视觉检测方法 | |
CN114417993A (zh) | 一种基于深度卷积神经网络和图像分割的划痕检测方法 | |
Yang et al. | A scratch detection method based on deep learning and image segmentation | |
Zheng et al. | Detection of impurity and bubble defects in tire x-ray image based on improved extremum filter and locally adaptive-threshold binaryzation | |
CN111754497B (zh) | 一种基于几何代数的工业缺陷检测方法和系统 | |
CN116777917B (zh) | 一种光缆生产用缺陷检测方法及系统 | |
CN112396580A (zh) | 一种圆形零件缺陷检测方法 | |
CN116524269A (zh) | 一种视觉识别检测系统 | |
CN113962968B (zh) | 面向复杂电磁环境下多源混合干扰雷达图像目标检测系统 | |
CN115761606A (zh) | 基于图像处理的箱体电能表识别方法及装置 |
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 |