CN114972353B - 一种金属高压特种管件质量评估方法及系统 - Google Patents
一种金属高压特种管件质量评估方法及系统 Download PDFInfo
- Publication number
- CN114972353B CN114972353B CN202210918777.0A CN202210918777A CN114972353B CN 114972353 B CN114972353 B CN 114972353B CN 202210918777 A CN202210918777 A CN 202210918777A CN 114972353 B CN114972353 B CN 114972353B
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- defect
- pipe fitting
- sampling
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000002184 metal Substances 0.000 title claims abstract description 30
- 238000013441 quality evaluation Methods 0.000 title claims description 33
- 238000005070 sampling Methods 0.000 claims abstract description 198
- 230000007547 defect Effects 0.000 claims abstract description 190
- 238000012512 characterization method Methods 0.000 claims description 31
- 238000005242 forging Methods 0.000 claims description 27
- 238000010791 quenching Methods 0.000 claims description 25
- 239000000203 mixture Substances 0.000 claims description 22
- 230000000171 quenching effect Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000002950 deficient Effects 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 8
- 230000001154 acute effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000003325 tomography Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000013459 approach Methods 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003292 diminished effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明涉及机器视觉领域,具体涉及一种金属高压特种管件质量评估方法及系统。采集管件表面灰度图像并进行金字塔上采样,得到多个采样图像;获取每个采样图像中的裂纹边缘点;获取每个采样图像的总体方向性以及平滑性;将每个采样图像中相邻的裂纹边缘点进行连接,得到多条缺陷边缘线,获取每条缺陷边缘线中每个裂纹边缘点的粗度;计算缺陷边缘线的粗度差异,获取每个采样图像的尖端对比度;获取管件表面灰度图像的总体方向性、平滑性以及尖端对比度;获取管件表面灰度图像的类别表征值,根据类别表征值确定管件缺陷类别并进行质量评估。本发明通过不同尺度下图像的裂纹信息进行提取,能够实现对管件缺陷的准确评估,提高管件生产质量。
Description
技术领域
本发明涉及机器视觉领域,具体涉及一种金属高压特种管件质量评估方法及系统。
背景技术
在特种金属高压管件的加工制造行业中,锻造工艺是主要的生产方法,成品管件的韧性、抗疲劳性能、强度等管件性能是重要的性能指标,由于高压管件特殊的应用领域,如果高压管件的上述性能不达标,就会直接被判定为残次品,而在高压管件的锻造过程中,裂纹是一种严重影响成品管件质量的加工缺陷,若存在这种缺陷,高压管件的质量就会大打折扣,影响厂商的生产效益。
在管件的完整生产工序中,存在多种裂纹缺陷,这些裂纹缺陷的产生原因不同,最常见的三种裂纹缺陷分别为:淬火裂纹、磨削裂纹以及锻造裂纹,其中在热处理过程中产生的裂纹为淬火裂纹,其是由于零件在淬火过程中的加热或冷却速度过快导致零件各部分温度差异大造成的淬裂现象,在热处理后的磨削加工中产生的磨削裂纹是由于磨削加工工艺控制不当导致零件的磨削过程由大量的磨削热残留和表面应力所致,锻造裂纹是在锻件高温锻造时形成;现有检测技术一般使用canny边缘检测来进行裂纹缺陷的检测,其可以检测出裂纹缺陷,但没有办法具体区分裂纹缺陷属于淬火裂纹、磨削裂纹以及锻造裂纹中的哪一种,同时现有的特征提取手段无法根据尺度信息进行具体分类,导致对管件进行质量评估时结果不够准确,可能出现误判,导致存在严重缺陷的管件仍被投入使用,或存在轻微缺陷的管件被提前淘汰,因此为了实现更加准确的管件质量评估,就需要在检测出裂纹缺陷的同时准确区分裂纹缺陷属于淬火裂纹、磨削裂纹以及锻造裂纹中的哪一种。
因此,本发明提出了一种能够区分淬火裂纹、磨削裂纹以及锻造裂纹的金属高压特种管件质量评估方法及系统。
发明内容
本发明提供一种金属高压特种管件质量评估方法及系统,以解决现有无法准确区域管件中淬火裂纹、磨削裂纹以及锻造裂纹的问题,包括:
采集管件表面灰度图像并进行金字塔上采样,得到多个采样图像;获取每个采样图像中的缺陷像素点;获取每个采样图像的总体方向性;获取每个采样图像的平滑性;将每个采样图像中相邻的缺陷像素点进行连接,得到多条缺陷边缘线,获取每条缺陷边缘线中每个缺陷像素点的粗度;计算缺陷边缘线的粗度差异,获取每个采样图像的尖端对比度;获取管件表面灰度图像的总体方向性、平滑性以及尖端对比度;获取管件表面灰度图像的类别表征值,根据类别表征值对管件的缺陷进行评估。
本发明通过对图像进行金字塔进行上采样,能够提取多个尺度图像中不同的特征并进行分析,从而更好的还原管件原图像中的每个特征,有利于后续进行缺陷类别判断的类别表征值的获取,根据类别表征值可以实现对管材中缺陷类型的准确判断,能够对管材裂纹缺陷中的淬火裂纹、磨削裂纹、锻造裂纹三种裂纹缺陷进行识别分类,对后续裂纹的排除提供了有效的依据,从而实现对管件的质量评估。
本发明采用如下技术方案,一种金属高压特种管件质量评估方法,包括:
采集管件表面灰度图像,并对管件表面灰度图像进行金字塔上采样,得到多个采样图像。
根据每个采样图像中的像素点在高斯混合模型中的概率值获取每个采样图像中的缺陷像素点;对采样图像中的缺陷像素点进行筛选,获取每个采样图像中裂纹边缘点。
根据每个采样图像中裂纹边缘点的梯度方向获取每个采样图像的总体方向性;根据每个采样图像中相邻裂纹边缘点之间的梯度方向差获取每个采样图像的平滑性。
将每个采样图像中相邻的裂纹边缘点进行连接,得到每个采样图像中的多条缺陷边缘线;根据每条缺陷边缘线中每个裂纹边缘点与其梯度方向上其他裂纹边缘点的最小距离,获取每条缺陷边缘线中每个裂纹边缘点的粗度。
根据每条缺陷边缘线中裂纹边缘点的粗度获取每条缺陷边缘线的粗度差异,根据每个采样图像中缺陷边缘线的数量以及每条缺陷边缘线的粗度差异获取每个采样图像的尖端对比度。
根据每个采样图像的总体方向性、平滑性以及尖端对比度获取管件表面灰度图像的总体方向性、平滑性以及尖端对比度。
根据管件表面灰度图像的总体方向性、平滑性以及尖端对比度获取管件表面灰度图像的类别表征值,根据类别表征值确定管件的缺陷类型,根据管件的缺陷类型对管件进行质量评估。
进一步的,一种金属高压特种管件质量评估方法,获取每个采样图像中的缺陷像素点的方法为:
获取每个采样图像的灰度直方图,利用EM算法拟合每个采样图像的一维高斯混合模型,其中高斯混合模型中的子高斯模型的个数为2;
将高斯混合模型中的每个子高斯模型作为一个类别,分别获取高斯混合模型中两个子高斯模型的均值,将均值较小的子高斯模型作为缺陷类别;
获取采样图像中每个像素点在两个子高斯模型中输出的概率值,当该像素点在均值较小的子高斯模型中的概率值较大时,将该像素点作为缺陷像素点。
进一步的,一种金属高压特种管件质量评估方法,获取每个采样图像中裂纹边缘点的方法为:
获取每个采样图像中每个缺陷像素点的梯度方向,计算每个缺陷像素点的梯度幅值,将梯度幅值大于阈值的缺陷像素点作为裂纹边缘点。
进一步的,一种金属高压特种管件质量评估方法,获取每个采样图像的总体方向性的方法为:
根据每个裂纹边缘点的梯度方向分别与0度方向以及90度方向的锐夹角计算每个采样图像的总体方向性,表达式为:
其中,表示第q个采样图像的总体方向性,表示第q个采样图像中裂纹边缘点的个数,表示第q个采样图像中第t个裂纹边缘点的梯度方向和0度方向的锐夹角,表示第q个采样图像中第t个裂纹边缘点的梯度方向和90度方向的锐夹角。
进一步的,一种金属高压特种管件质量评估方法,获取每个采样图像平滑性的方法为:
获取每个采样图像中相邻裂纹边缘点的梯度方向差;
根据每个采样图像中所有相邻裂纹边缘点的梯度方向差计算每个采样图像的平滑性,表达式为:
进一步的,一种金属高压特种管件质量评估方法,获取每个采样图像的尖端对比度的方法为:
将每个采样图像中相邻的裂纹边缘点相连,得到多条缺陷边缘线;
获取每个采样图像中每条缺陷边缘线上每个裂纹边缘点的粗度;
分别获取每条缺陷边缘线中最大粗度和最小粗度对应的裂纹边缘点,根据每条缺陷边缘线中最大粗度的裂纹边缘点和最小粗度的裂纹边缘点之间的粗度差得到每条缺陷边缘线的粗度差异;
根据每个采样图像中每条缺陷边缘线的粗度差异以及缺陷边缘线的个数获取每个采样图像的尖端对比度,表达式为:
进一步的,一种金属高压特种管件质量评估方法,获取管件表面灰度图像的总体方向性、平滑性以及尖端对比度的方法为:
根据每个采样图像的总体方向性以及每个采样图像的采样尺度获取管件表面灰度图像的总体方向性,表达式为:
同理,获取管件表面灰度图像的平滑性H以及尖端对比度J。
进一步的,一种金属高压特种管件质量评估方法,获取管件表面灰度图像的类别表征值的方法为:
分别根据管件表面灰度图像的总体方向性、平滑性以及尖端对比度的取值获取管件表面灰度图像的类别表征值;
所述类别表征值包括淬火裂纹表征值、磨削裂纹表征值以及锻造裂纹表征值;
获取淬火裂纹表征值的表达式为:
获取磨削裂纹表征值的表达式为:
获取锻造裂纹表征值的表达式为:
其中,为淬火裂纹表征值,为磨削裂纹表征值,为锻造裂纹表征值,F表示管件表面灰度图像的总体方向性,H表示管件表面灰度图像的平滑性,J表示管件表面灰度图像的尖端对比度,根据管件表面灰度图像的类别表征值对管件缺陷进行评估。
进一步的,一种金属高压特种管件质量评估方法,根据类别表征值确定管件的缺陷类型的方法为:
获取管件表面灰度图像中缺陷像素点的个数,当缺陷像素点个数与管件表面灰度图像中所有像素点的比值大于阈值时,根据类别表征值对管件缺陷进行评估;
获取管件表面灰度图像的类别表征值中的最小值对应的缺陷类型,作为管件的缺陷类型。
进一步的,本发明还提出了一种金属高压特种管件质量评估系统,包括图像处理模块、特征获取模块以及质量评估模块;
图像处理模块,用于采集管件表面灰度图像,并对管件表面灰度图像进行金字塔上采样,得到多个采样图像;根据每个采样图像中的像素点在高斯混合模型中的概率值获取每个采样图像中的缺陷像素点;对采样图像中的缺陷像素点进行筛选,获取每个采样图像中裂纹边缘点;
特征获取模块包括:方向性计算单元、平滑性计算单元以及尖端对比度计算单元;
方向性计算单元;根据每个采样图像中裂纹边缘点的梯度方向获取每个采样图像的总体方向性;
平滑性计算单元;根据每个采样图像中相邻裂纹边缘点之间的梯度方向差获取每个采样图像的平滑性;
尖端对比度计算单元;将每个采样图像中相邻的裂纹边缘点进行连接,得到每个采样图像中的多条缺陷边缘线;根据每条缺陷边缘线中每个裂纹边缘点与其梯度方向上其他裂纹边缘点的最小距离,获取每条缺陷边缘线中每个裂纹边缘点的粗度;
根据每条缺陷边缘线中裂纹边缘点的粗度获取每条缺陷边缘线的粗度差异,根据每个采样图像中缺陷边缘线的数量以及每条缺陷边缘线的粗度差异获取每个采样图像的尖端对比度;
质量评估模块,用于根据管件表面灰度图像的总体方向性、平滑性以及尖端对比度获取管件表面灰度图像的类别表征值,根据类别表征值确定管件的缺陷类型,根据管件的缺陷类型对管件进行质量评估。
本发明的有益效果是:本发明通过对图像进行金字塔进行上采样,能够提取多个尺度图像中不同的特征并进行分析,从而更好的还原管件原图像中的每个特征,有利于后续进行缺陷类别判断的类别表征值的获取,根据类别表征值可以实现对管材中缺陷类型的准确判断,能够对管材裂纹缺陷中的淬火裂纹、磨削裂纹、锻造裂纹三种裂纹缺陷进行识别分类,对后续裂纹的排除提供了有效的依据,从而实现对管件的质量评估。
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为本发明实施例的一种金属高压特种管件质量评估方法结构示意图;
图2为本发明实施例的一种金属高压特种管件质量评估系统流程示意图;
图3为本发明实施例的一种金属高压特种管件质量评估系统中特征获取模块的流程示意图。
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。
如图1所示,给出了本发明实施例的一种金属高压特种管件质量评估方法,包括:
101.采集管件表面灰度图像,并对管件表面灰度图像进行金字塔上采样,得到多个采样图像。
已知淬火裂纹的特征为在表面上可能多条分布且裂纹的方向互相没有一致性,裂纹曲折弯曲且存在尖端。
磨削裂纹的特征为在表面上沿着磨削方向多条分布或垂直于磨削方向多条分布,裂纹平滑,且存在尖端。
锻造裂纹由于是由高温锻造过程中引起的,因此裂纹断面内可能存在氧化物,所以锻造裂纹较为粗壮,在表面上多条分布,裂纹圆纯。
本发明利用高清工业相机获取锻造管件表面图像并灰度化,对表面灰度图像进行多尺度金字塔上采样,采样方式如下:
对于一个原表面灰度图像,设其大小为,对其进行金字塔逐层上采样,当采样尺度为时,采样结果为原表面灰度图像不变;当采样尺度为时,采样结果大小为;当采样尺度为时,采样结果大小为;以此类推,一直到采样结果大小为,则记采样尺度为时,图像Q的采样结果为,。(本发明中L设置为10)。
102.根据每个采样图像中的像素点在高斯混合模型中的概率值获取每个采样图像中的缺陷像素点;对采样图像中的缺陷像素点进行筛选,获取每个采样图像中裂纹边缘点。
获取每个采样图像中的缺陷像素点的方法为:
获取每个采样图像的灰度直方图,利用EM算法拟合每个采样图像的一维高斯混合模型,其中高斯混合模型中的子高斯模型的个数为2;
将高斯混合模型中的每个子高斯模型作为一个类别,分别获取高斯混合模型中两个子高斯模型的均值,将均值较小的子高斯模型作为缺陷类别;
分别获取每个像素点在两个子高斯模型中输出的概率值,当该像素点在均值较小的子高斯模型中的概率值较大时,将该像素点作为缺陷像素点。
对于一个采样图像统计其灰度直方图,用混合高斯模型对直方图进行拟合,直方图表示每个灰度值在采样图像上出现的概率,以所有灰度值和灰度值对应的概率为样本数据,根据这些样本数据利用EM算法拟合一维高斯混合模型,高斯混合模型中的子高斯模型个数为(自定参数,即相当于将子高斯模型对应的类别分为正常工件点与裂纹缺陷像素点两类),本发明用该高斯混合模型描述每个灰度值的出现的概率,这个概率是由个子高斯模型的计算结果乘以其权重获得的,则将这2个子高斯模型按照子高斯模型的均值大小从小到大排列后,分别记为序号,则对于一个新输入的灰度值,表示方式如下:
其中,表示输入的采样图像上第个点的灰度值,表示此灰度值在图像上出现的概率,表示序号为k的子高斯模型的值乘以其对应权重的值,则对于图像上的灰度值,其会对应一共个,选择其中最大的,将这个子高斯模型的序号记为当前灰度值的类别。
获取每个采样图像中每个缺陷像素点的梯度方向,计算每个缺陷像素点的梯度幅值,将梯度幅值大于阈值的缺陷像素点作为裂纹边缘点。
对于一个图像上出现的灰度值,其均会对应一个类别,图像上存在从小到大一共个类别的灰度值,由于类别序号越大,越说明该点的灰度值越属于均值较大的子高斯模型,而在管件的表面灰度图像上,正常工件点的灰度值较高,裂纹缺陷像素点的灰度值较低,因此,若一个点的灰度值属于类别1的概率大于属于类别2的概率,则说明该点为裂纹缺陷像素点。
以表示采样图像上第个裂纹缺陷像素点的梯度方向,以表示采样图像上第个裂纹缺陷像素点的梯度幅值,将梯度幅值进行归一化处理,设置阈值(本发明为0.3)当裂纹缺陷像素点的梯度幅值大于此阈值时,记其为裂纹边缘点。
103.根据每个采样图像中裂纹边缘点的梯度方向获取每个采样图像的总体方向性;根据每个采样图像中相邻裂纹边缘点之间的梯度方向差获取每个采样图像的平滑性。
所述总体方向性即表示图像上裂纹的延伸方向总体趋向,基于各种裂纹的特征,磨削裂纹的延伸方向不是趋近于磨削方向就是与磨削方向垂直,而磨削方向为90°即,垂直磨削方向为0°,因此图像上裂纹边缘点的梯度方向越与90°或0°相近,则越说明裂纹类别为磨削裂纹,否则说明裂纹是另外两种裂纹,因此需衡量采样图像上所有裂纹边缘点的梯度方向是否趋近于0°或90°。
获取每个采样图像的总体方向性的方法为:
根据每个裂纹边缘点的梯度方向分别与0度方向以及90度方向的锐夹角计算每个采样图像的总体方向性,表达式为:
其中,表示第q个采样图像的总体方向性,表示第q个采样图像中裂纹边缘点的个数,表示第q个采样图像中第t个裂纹边缘点的梯度方向和0度方向的锐夹角,表示第q个采样图像中第t个裂纹边缘点的梯度方向和90度方向的锐夹角。
与分别表示一个裂纹边缘点的梯度方向与0°与90°方向的差异,而这两个差异之间的差异也即越小,越说明这个裂纹边缘点的梯度方向并不对0°与90°有很强的趋向性,而若越大,越说明裂纹边缘点的梯度方向对0°或90°有很强的趋向性,是为了保证整体的归一化。
相邻裂纹边缘点的梯度方向反映了裂纹在该点处的延伸方向(延伸方向与梯度方向是固定垂直的,因此可以梯度方向作为裂纹延伸方向的另一种表征),而若裂纹延伸比较平滑,则相邻的两个裂纹边缘点的梯度方向相差应该较小,反之若裂纹延伸比曲折,则相邻的两个边缘点的延伸方向应是相差较大的,基于此计算裂纹平滑性。
对于一个采样图像,先计算所有相邻的裂纹边缘点之间的梯度方向差,这个梯度方向差是个锐角,这是由于梯度方向为径向,因此梯度方向差的取值范围为0-90度,根据取值范围将所有计算出的相邻裂纹边缘点的梯度方向差归一化,由于有些裂纹点相邻,有些裂纹点不相邻,因此,在采样图像上计算出的梯度方向差的个数与采样图像上的裂纹边缘点个数不同,则记所有计算出的相邻裂纹边缘点梯度方向差的个数为,以(归一化的结果)表示计算出的第个相邻裂纹边缘点梯度方向差。
获取每个采样图像平滑性的方法为:
获取每个采样图像的裂纹边缘点中相邻裂纹边缘点的梯度方向差;
根据每个采样图像中所有相邻裂纹边缘点的梯度方向差计算每个采样图像的平滑性,表达式为:
104.将每个采样图像中相邻的裂纹边缘点进行连接,得到每个采样图像中的多条缺陷边缘线;根据每条缺陷边缘线中每个裂纹边缘点与其梯度方向上其他裂纹边缘点的最小距离,获取每条缺陷边缘线中每个裂纹边缘点的粗度。
对于一个采样图像,所述尖端的对比度是衡量裂纹上尖端的粗度是否与其他位置相似,而要想寻找裂纹的尖端首先应将所有裂纹边缘点进行基于相邻裂纹边缘点的连接,将所有相邻的裂纹边缘点相连,即可得到一条裂纹边缘线(即缺陷边缘线),对于每条裂纹边缘线上的一个裂纹边缘点,在其梯度方向延伸线(直线)上寻找与其欧式距离最近的其他裂纹边缘点,以这个最近的欧式距离作为该裂纹边缘点处的粗度,计算每条裂纹边缘线上所有裂纹边缘点的粗度后,获取每条裂纹边缘线上粗度最大值以及粗度最小值,从而计算每条裂纹边缘线的粗度差异:
105.根据每条缺陷边缘线中裂纹边缘点的粗度获取每条缺陷边缘线的粗度差异,根据每个采样图像中缺陷边缘线的数量以及每条缺陷边缘线的粗度差异获取每个采样图像的尖端对比度。
获取每个采样图像的尖端对比度的方法为:
将每个采样图像中相邻的裂纹边缘点相连,得到多条缺陷边缘线;
获取每个采样图像中每条缺陷边缘线上每个裂纹边缘点的粗度;
根据每条缺陷边缘线中缺陷像素点的最大粗度和最小粗度获取每个采样图像中每条缺陷边缘线的粗度差异;
根据每个采样图像中每条缺陷边缘线的粗度差异以及缺陷边缘线的个数获取每个采样图像的尖端对比度,表达式为:
106.根据每个采样图像的总体方向性、平滑性以及尖端对比度获取管件表面灰度图像的总体方向性、平滑性以及尖端对比度。
对于原表面灰度图像Q,其采样尺度的大小表现了其关注的图像特征的局部性以及整体性,也即当采样尺度较大时,图像更偏向于整体特征,一些细节特征可能被忽略,尺度较小是一些细节特征清晰,但整体特征会无法有效评价,因此根据此时的采样图像计算出的三个特征即总体方向性、裂纹平滑性以及尖端对比度的被关注程度应是不相同的。
根据每个采样图像的总体方向性以及每个采样图像的采样尺度获取管件表面灰度图像的总体方向性,表达式为:
其中,F表示管件表面灰度图像的总体方向性,表示第q个采样图像的总体方向性,L表示采样图像的最大尺度;q越小,对应的采样尺度越小,也即对应的的关注权重越小,反之越大,且所有采样尺度对应的关注权重之和应为1。
同理,获取管件表面灰度图像的平滑性H以及尖端对比度J。
对于裂纹平滑性以及尖端对比度,二者均为细节特征,因此,在尺度较小时应被关注,尺度较大时其关注程度应该减弱,基于此逻辑计算原图像Q的裂纹平滑性H以及尖端对比度J的公式如下:
至此,可得到管件表面灰度图像Q对应的三个特征分别为总体方向性F、裂纹平滑性H以及尖端对比度J。
107.根据管件表面灰度图像的总体方向性、平滑性以及尖端对比度获取管件表面灰度图像的类别表征值,根据类别表征值确定管件的缺陷类型,根据管件的缺陷类型对管件进行质量评估。
在计算出表面灰度图像Q的三个类别表征值F、H、J后,根据Q上的裂纹缺陷像素点个数来评估是否需要进行类别分类,所述裂纹缺陷像素点,以采样尺度为0(也即原图像)对应的为个数,当占图像上所有的像素点个数之比的大于阈值(自设参数,本发明为0.01)时,判定存在裂纹缺陷,并进行类别表征值的计算,再根据类别表征值对缺陷进行分类。
获取管件表面灰度图像的类别表征值的方法为:
分别根据管件表面灰度图像的总体方向性、平滑性以及尖端对比度的取值获取管件表面灰度图像的类别表征值;
所述类别表征值包括淬火裂纹表征值、磨削裂纹表征值以及锻造裂纹表征值;
获取淬火裂纹表征值的表达式为:
获取磨削裂纹表征值的表达式为:
获取锻造裂纹表征值的表达式为:
其中,为淬火裂纹表征值,为磨削裂纹表征值,为锻造裂纹表征值,F表示管件表面灰度图像的总体方向性,H表示管件表面灰度图像的平滑性,J表示管件表面灰度图像的尖端对比度,根据管件表面灰度图像的类别表征值对管件缺陷进行评估。
磨削裂纹的特征为总体方向趋于0度或90度,因此F趋于1磨削裂纹较为平滑,平滑性H趋于1,且尖端明显也即J趋近于1,若一个裂纹的F、H、J越趋近于1,1,1,说明其越为磨削裂纹。
锻造裂纹的特征为总体方向不趋于0度或90度,因此F趋于0,锻造裂纹较为平滑,平滑性H趋于1,且尖端圆纯,也即J趋近于0,若一个裂纹的F、H、J越趋近于0,1,0,说明其越为锻造裂纹。
根据类别表征值确定管件的缺陷类型的方法为:
获取管件表面灰度图像中缺陷像素点的个数,当缺陷像素点个数与管件表面灰度图像中所有像素点的比值大于阈值时,根据类别表征值对管件缺陷进行评估;
获取管件表面灰度图像的类别表征值中的最小值对应的缺陷类型,作为管件的缺陷类型。
当确定管件中的缺陷类别后,根据管件中存在的缺陷类别对管件进行质量评估;淬火裂纹是管件冷却过程中产生的缺陷,而非材料本身的缺陷,当管件中存在淬火裂纹时,该管件质量为不合格,将该管件进行报废处理,并检测生成工艺中冷却过程的参数。
磨削裂纹为管件进行车削工艺时产生的缺陷,当管件存在磨削裂纹时,该管件质量为不合格,将该管件进行报废处理,同时调整生产过程中的磨削速度。
锻造裂纹为材料本身出现缺陷,该缺陷出现原因非工艺过程造成,因此对于出现锻造裂纹的管件,对同一批次的管件进行检查,必要时将同一批次的关键均判定为不合格,并整批次管件做报废处理。
如图2所示,给出了本发明实施例的一种金属高压特种管件质量评估系统流程示意图,包括图像处理模块、特征获取模块以及质量评估模块。
图像处理模块,用于采集管件表面灰度图像,并对管件表面灰度图像进行金字塔上采样,得到多个采样图像;根据每个采样图像中的像素点在高斯混合模型中的概率值获取每个采样图像中的缺陷像素点。
如图3所示,特征获取模块包括:方向性计算单元、平滑性计算单元以及尖端对比度计算单元;
方向性计算单元;根据每个采样图像中缺陷像素点的梯度方向获取每个采样图像的总体方向性。
平滑性计算单元;根据每个采样图像中相邻缺陷像素点之间的梯度方向差获取每个采样图像的平滑性。
尖端对比度计算单元;将每个采样图像中相邻的缺陷像素点进行连接,得到每个采样图像中的多条缺陷边缘线,获取每条缺陷边缘线中每个缺陷像素点与其梯度方向上其他缺陷像素点的最小距离作为该缺陷像素点的粗度;获取每条缺陷边缘线中每个缺陷像素点的粗度。
根据每条缺陷边缘线中缺陷像素点的最大粗度和最小粗度计算该缺陷边缘线的粗度差异,根据每个采样图像中缺陷边缘线的数量以及每条缺陷边缘线的粗度差异获取每个采样图像的尖端对比度。
质量评估模块,用于根据管件表面灰度图像的总体方向性、平滑性以及尖端对比度获取管件表面灰度图像的类别表征值,根据类别表征值对管件的缺陷进行评估。
本发明通过对图像进行金字塔进行上采样,能够提取多个尺度图像中不同的特征并进行分析,从而更好的还原管件原图像中的每个特征,有利于后续进行缺陷类别判断的类别表征值的获取,根据类别表征值可以实现对管材中缺陷类型的准确判断,能够对管材裂纹缺陷中的淬火裂纹、磨削裂纹、锻造裂纹三种裂纹缺陷进行识别分类,对后续裂纹的排除提供了有效的依据,从而实现对管件的质量评估。
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 (8)
1.一种金属高压特种管件质量评估方法,其特征在于,包括:
采集管件表面灰度图像,并对管件表面灰度图像进行金字塔上采样,得到多个采样图像;
根据每个采样图像中的像素点在高斯混合模型中的概率值获取每个采样图像中的缺陷像素点;对采样图像中的缺陷像素点进行筛选,获取每个采样图像中裂纹边缘点;
根据每个采样图像中裂纹边缘点的梯度方向获取每个采样图像的总体方向性;根据每个采样图像中相邻裂纹边缘点之间的梯度方向差获取每个采样图像的平滑性;
获取每个采样图像的总体方向性的方法为:
根据每个裂纹边缘点的梯度方向分别与0度方向以及90度方向的锐夹角计算每个采样图像的总体方向性,表达式为:
其中,表示第q个采样图像的总体方向性,表示第q个采样图像中裂纹边缘点的个数,表示第q个采样图像中第t个裂纹边缘点的梯度方向和0度方向的锐夹角,表示第q个采样图像中第t个裂纹边缘点的梯度方向和90度方向的锐夹角;
将每个采样图像中相邻的裂纹边缘点进行连接,得到每个采样图像中的多条缺陷边缘线;根据每条缺陷边缘线中每个裂纹边缘点与其梯度方向上其他裂纹边缘点的最小距离,获取每条缺陷边缘线中每个裂纹边缘点的粗度;
根据每条缺陷边缘线中裂纹边缘点的粗度获取每条缺陷边缘线的粗度差异,根据每个采样图像中缺陷边缘线的数量以及每条缺陷边缘线的粗度差异获取每个采样图像的尖端对比度;
获取每个采样图像的尖端对比度的方法为:
将每个采样图像中相邻的裂纹边缘点相连,得到多条缺陷边缘线;
获取每个采样图像中每条缺陷边缘线上每个裂纹边缘点的粗度;
分别获取每条缺陷边缘线中最大粗度和最小粗度对应的裂纹边缘点,根据每条缺陷边缘线中最大粗度的裂纹边缘点和最小粗度的裂纹边缘点之间的粗度差得到每条缺陷边缘线的粗度差异;
根据每个采样图像中每条缺陷边缘线的粗度差异以及缺陷边缘线的个数获取每个采样图像的尖端对比度,表达式为:
根据每个采样图像的总体方向性、平滑性以及尖端对比度获取管件表面灰度图像的总体方向性、平滑性以及尖端对比度;
根据管件表面灰度图像的总体方向性、平滑性以及尖端对比度获取管件表面灰度图像的类别表征值,根据类别表征值确定管件的缺陷类型,根据管件的缺陷类型对管件进行质量评估。
2.根据权利要求1所述的一种金属高压特种管件质量评估方法,其特征在于,获取每个采样图像中的缺陷像素点的方法为:
获取每个采样图像的灰度直方图,利用EM算法拟合每个采样图像的一维高斯混合模型,其中高斯混合模型中的子高斯模型的个数为2;
将高斯混合模型中的每个子高斯模型作为一个类别,分别获取高斯混合模型中两个子高斯模型的均值,将均值较小的子高斯模型作为缺陷类别;
获取采样图像中每个像素点在两个子高斯模型中输出的概率值,当该像素点在均值较小的子高斯模型中的概率值较大时,将该像素点作为缺陷像素点。
3.根据权利要求1所述的一种金属高压特种管件质量评估方法,其特征在于,获取每个采样图像中裂纹边缘点的方法为:
获取每个采样图像中每个缺陷像素点的梯度方向,计算每个缺陷像素点的梯度幅值,将梯度幅值大于阈值的缺陷像素点作为裂纹边缘点。
7.根据权利要求6所述的一种金属高压特种管件质量评估方法,其特征在于,根据类别表征值确定管件的缺陷类型的方法为:
获取管件表面灰度图像中缺陷像素点的个数,当缺陷像素点个数与管件表面灰度图像中所有像素点的比值大于阈值时,根据类别表征值对管件缺陷进行评估;
获取管件表面灰度图像的类别表征值中的最小值对应的缺陷类型,作为管件的缺陷类型。
8.一种金属高压特种管件质量评估系统,其特征在于,包括图像处理模块、特征获取模块以及质量评估模块;
图像处理模块,用于采集管件表面灰度图像,并对管件表面灰度图像进行金字塔上采样,得到多个采样图像;根据每个采样图像中的像素点在高斯混合模型中的概率值获取每个采样图像中的缺陷像素点;对采样图像中的缺陷像素点进行筛选,获取每个采样图像中裂纹边缘点;
特征获取模块包括:方向性计算单元、平滑性计算单元以及尖端对比度计算单元;
方向性计算单元;根据每个采样图像中裂纹边缘点的梯度方向获取每个采样图像的总体方向性;
获取每个采样图像的总体方向性的方法为:
根据每个裂纹边缘点的梯度方向分别与0度方向以及90度方向的锐夹角计算每个采样图像的总体方向性,表达式为:
其中,表示第q个采样图像的总体方向性,表示第q个采样图像中裂纹边缘点的个数,表示第q个采样图像中第t个裂纹边缘点的梯度方向和0度方向的锐夹角,表示第q个采样图像中第t个裂纹边缘点的梯度方向和90度方向的锐夹角;
平滑性计算单元;根据每个采样图像中相邻裂纹边缘点之间的梯度方向差获取每个采样图像的平滑性;
尖端对比度计算单元;将每个采样图像中相邻的裂纹边缘点进行连接,得到每个采样图像中的多条缺陷边缘线;根据每条缺陷边缘线中每个裂纹边缘点与其梯度方向上其他裂纹边缘点的最小距离,获取每条缺陷边缘线中每个裂纹边缘点的粗度;
根据每条缺陷边缘线中裂纹边缘点的粗度获取每条缺陷边缘线的粗度差异,根据每个采样图像中缺陷边缘线的数量以及每条缺陷边缘线的粗度差异获取每个采样图像的尖端对比度;
根据每个采样图像中每条缺陷边缘线的粗度差异以及缺陷边缘线的个数获取每个采样图像的尖端对比度,表达式为:
质量评估模块,用于根据管件表面灰度图像的总体方向性、平滑性以及尖端对比度获取管件表面灰度图像的类别表征值,根据类别表征值确定管件的缺陷类型,根据管件的缺陷类型对管件进行质量评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210918777.0A CN114972353B (zh) | 2022-08-02 | 2022-08-02 | 一种金属高压特种管件质量评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210918777.0A CN114972353B (zh) | 2022-08-02 | 2022-08-02 | 一种金属高压特种管件质量评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114972353A CN114972353A (zh) | 2022-08-30 |
CN114972353B true CN114972353B (zh) | 2022-10-25 |
Family
ID=82968693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210918777.0A Active CN114972353B (zh) | 2022-08-02 | 2022-08-02 | 一种金属高压特种管件质量评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972353B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113989266A (zh) * | 2021-11-11 | 2022-01-28 | 汶上海纬机车配件有限公司 | 基于图像处理的机械配件表面缺陷检测方法 |
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 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018165753A1 (en) * | 2017-03-14 | 2018-09-20 | University Of Manitoba | Structure defect detection using machine learning algorithms |
CN108445009B (zh) * | 2018-03-06 | 2021-03-16 | 大连海事大学 | 一种太阳能电池板裂纹检测方法 |
US20220092856A1 (en) * | 2020-09-22 | 2022-03-24 | Bentley Systems, Incorporated | Crack detection, assessment and visualization using deep learning with 3d mesh model |
CN112907595B (zh) * | 2021-05-06 | 2021-07-16 | 武汉科技大学 | 一种表面缺陷检测方法及装置 |
CN113436168B (zh) * | 2021-06-25 | 2023-07-18 | 重庆邮电大学 | 一种用于工业焊缝x光图中的裂纹缺陷检测方法 |
CN113592845A (zh) * | 2021-08-10 | 2021-11-02 | 深圳市华汉伟业科技有限公司 | 一种电池涂布的缺陷检测方法及装置、存储介质 |
CN114240942B (zh) * | 2022-02-25 | 2022-04-26 | 武汉市雷成龙液压机械有限公司 | 一种基于图像处理的金属零件表面质量控制方法及系统 |
-
2022
- 2022-08-02 CN CN202210918777.0A patent/CN114972353B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113989266A (zh) * | 2021-11-11 | 2022-01-28 | 汶上海纬机车配件有限公司 | 基于图像处理的机械配件表面缺陷检测方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN114972353A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109682839B (zh) | 一种金属弧形工件表面缺陷在线检测方法 | |
CN107607554A (zh) | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 | |
CN115063423B (zh) | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 | |
CN107292310A (zh) | 一种圆形指针式表盘视觉定位及自动读数方法 | |
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 | |
CN115690108A (zh) | 一种基于图像处理的铝合金杆生产质量评估方法 | |
CN111402236B (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
CN114972353B (zh) | 一种金属高压特种管件质量评估方法及系统 | |
CN115719332A (zh) | 一种焊接质量检测方法 | |
CN116883394B (zh) | 一种基于图像数据处理的金刚石质量检测方法 | |
CN116152242A (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN112396580B (zh) | 一种圆形零件缺陷检测方法 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN117152129B (zh) | 一种电池盖板的表面缺陷视觉检测方法及系统 | |
CN117934467A (zh) | 基于图像处理的钛金属焊接质量检测方法及系统 | |
CN117350967B (zh) | 一种基于光学检测晶圆外观缺陷检测系统及其方法 | |
CN114487014B (zh) | 一种红外无损检测的缺陷几何特征提取方法 | |
Nie et al. | Machine vision-based apple external quality grading | |
Zhang et al. | Automatic forgery detection for x-ray non-destructive testing of welding | |
Dong | A pixel-wise framework based on convolutional neural network for surface defect detection | |
KR101782366B1 (ko) | 스케일 보정을 통한 표본 정규화가 수행되는 학습기반의 비전검사 방법 | |
CN113393440A (zh) | 基于磁光成像的焊缝缺陷自动增强及识别方法 | |
CN116168020B (zh) | 一种皮革缺陷检测方法 | |
CN118134938B (zh) | 一种耐火砖表面缺陷视觉检测方法及系统 | |
CN118115744B (zh) | 一种基于图像识别的电能表外壳检测方法 |
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 |