CN115063407A - 一种用于环形铜垫片的划痕及裂纹识别方法 - Google Patents
一种用于环形铜垫片的划痕及裂纹识别方法 Download PDFInfo
- Publication number
- CN115063407A CN115063407A CN202210894671.1A CN202210894671A CN115063407A CN 115063407 A CN115063407 A CN 115063407A CN 202210894671 A CN202210894671 A CN 202210894671A CN 115063407 A CN115063407 A CN 115063407A
- Authority
- CN
- China
- Prior art keywords
- scratch
- defect
- crack
- pixel
- analysis area
- 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.)
- Granted
Links
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 42
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 42
- 239000010949 copper Substances 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000007547 defect Effects 0.000 claims abstract description 164
- 238000004458 analytical method Methods 0.000 claims abstract description 96
- 230000002950 deficient Effects 0.000 claims abstract description 38
- 230000008859 change Effects 0.000 claims abstract description 12
- 230000000877 morphologic effect Effects 0.000 claims abstract description 7
- 230000003247 decreasing effect Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 5
- 239000002699 waste material Substances 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 239000000047 product Substances 0.000 description 6
- 230000001788 irregular Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 229910052751 metal Inorganic materials 0.000 description 4
- 208000037656 Respiratory Sounds Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 238000004513 sizing 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
-
- 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
- G06T7/12—Edge-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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像处理领域,具体涉及一种用于环形铜垫片的划痕及裂纹识别方法。该方法通过分析图像中缺陷分析区域内缺陷像素点连通域每个位置的宽度变化情况,获得宽度特征。通过分析缺陷像素点与拟合的形态直线的离散距离获得缺陷的形状平滑程度,获得形状特征。通过分析缺陷像素点在形态直线上的像素值变化情况获得像素值特征。根据缺陷分析区域内缺陷满足宽度特征、形状特征和像素值特征获得对应的划痕概率指标和裂纹概率指标,进而识别出裂纹或者划痕。本发明根据划痕和裂纹的形态差异和像素值差异实现对划痕和裂纹的准确识别,防止将能够正常使用的铜垫片被错误丢弃造成的成本浪费。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种用于环形铜垫片的划痕及裂纹识别方法。
背景技术
铜垫片的应用范围极其广泛,垫片需要的预紧载荷也各不相同。铜垫片可经冷、热塑性加工制成各种半成品和成品,经数控车床精密车削确保密封面平直不翘曲,高精度研磨确保金属面与法兰密封面紧密贴合,这就要求其表面不能出现严重瑕疵。
在金属铜垫片生产过程中,由于制品之间的压迫划伤等因素影响,往往会产生带有划痕或出现裂纹的垫片,这等产品缺陷用肉眼来查看可能因为太小导致检查不出来,导致产品出厂后有缺陷,从而影响到厂家的声誉及用户体验。现今,检测此类问题都要依靠机器视觉技术,由于该技术与待检测工业制品非接触无磨损,所以避免了接触测量可能造成的二次损伤隐患。
但是在现有技术中,对于裂纹和划痕的识别无法做到有效区分,常会分为同一种缺陷中。因为裂纹缺陷会影响铜垫片的质量,而铜垫片上的划痕缺陷并不影响使用,如果无法将两种缺陷区分,会将不影响使用的铜垫片随着存在裂纹的铜垫片共同被废弃回收处理,造成成本的浪费。
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用于环形铜垫片的划痕及裂纹识别方法,所采用的技术方案具体如下:
本发明提出了一种用于环形铜垫片的划痕及裂纹识别方法,所述方法包括:
获取铜垫片表面图像;对所述铜垫片表面图像进行图像预处理操作,利用像素值大小分割出缺陷像素点,以所述缺陷像素点的连通域的最小外接矩形作为缺陷分析区域;
在所述缺陷分析区域的宽度边界上设置滑窗,获取所述滑窗内缺陷像素点数量,利用所述滑窗沿着长度方向遍历整个所述缺陷分析区域,获得缺陷像素点数量序列;若所述缺陷像素点数量序列存在增减性且元素极差大于预设第一阈值,则所述缺陷分析区域满足划痕宽度特征;若所述缺陷像素点数量序列不存在增减性且元素极差小于预设第二阈值,则所述缺陷分析区域满足裂纹宽度特征;
对所述缺陷分析区域中的所述缺陷像素点进行拟合,获得形态直线;根据所述缺陷像素点与所述形态直线的离散距离获得形状平滑程度;若所述形状平滑程度小于预设第三阈值,则所述缺陷分析区域满足划痕形状特征;若所述形状平滑程度大于预设第四阈值,则所述缺陷分析区域满足裂纹形状特征;
所述形态直线上对应的所述缺陷像素点的像素值构成像素值序列;若所述像素值序列的极差大于预设第五阈值,则所述缺陷分析区域满足划痕像素值特征;若所述像素值序列的极差小于预设第六阈值,则所述缺陷分析区域满足裂纹像素值特征;
所述划痕宽度特征、所述划痕形状特征和所述划痕像素值特征各对应一个权重;将每个所述缺陷分析区域满足的划痕特征及其对应的权重相加,获得划痕概率指标;所述裂纹宽度特征、所述裂纹形状特征和所述裂纹像素值特征各对应一个权重;将每个所述缺陷分析区域满足的裂纹特征及其对应的权重相加,获得裂纹概率指标;根据所述划痕概率指标和所述裂纹概率指标的大小判断所述缺陷分析区域是否为划痕或者裂纹。
进一步地,所述获取所述滑窗内缺陷像素点数量,利用所述滑窗沿着长度方向遍历整个所述缺陷分析区域,获得缺陷像素点数量序列包括:
所述缺陷像素点数量序列中的元素值为所述缺陷像素点数量与所述滑窗面积的比值。
进一步地,判断所述缺陷像素点数量序列的增减性的方法包括:
沿着序列方向将所述缺陷像素点数量序列中相邻两个元素的元素值做差,获得像素点数量变化序列;若所述像素点数量变化序列中存在连续预设数量的元素同为正值或者负值,则说明所述缺陷像素点数量序列存在增减性。
进一步地,所述对所述缺陷分析区域中的所述缺陷像素点进行拟合,获得形态直线包括:
利用最小二乘法对所述缺陷像素点进行拟合,获得所述形态直线。
进一步地,所述根据所述缺陷像素点与所述形态直线的距离获得形状平滑程度包括:
设置垂直于所述形态直线的滑动直线根据预设滑动步长在所述缺陷分析区域中滑动,以所述形态直线两侧在所述滑动直线上距离所述形态直线最远的两个所述缺陷像素点作为离散极点;获得两个所述离散极点到所述形态直线的离散距离,获得两侧的所述离散距离的差异和所述形态直线上最大的离散距离的比值,以所述比值的平均值作为所述形状平滑程度。
进一步地,所述根据所述划痕概率指标和所述裂纹概率指标的大小判断所述缺陷分析区域是否为划痕或者裂纹包括:
在划痕宽度特征权重、划痕形状特征权重和划痕像素值特征权重中,划痕形状特征权重最大,划痕宽度特征权重最小;将所述划痕宽度特征权重和所述划痕像素值特征权重的和作为划痕概率指标区间最小值,将所述划痕宽度特征权重、所述划痕形状特征权重和所述划痕像素值特征权重的和作为划痕概率指标区间最大值,所述划痕概率指标区间最小值和所述划痕概率指标区间最大值构成划痕概率指标区间;若所述划痕概率指标在所述划痕概率指标区间内,则认为所述缺陷分析区域为划痕缺陷。
本发明具有如下有益效果:
本发明实施例获得图像中缺陷分析区域中的宽度特征、形状特征和像素值特征,从缺陷分析区域的细节形态、整体形态和像素值表现上对其进行裂纹和划痕的识别。根据缺陷分析区域满足的特征对应的权重可获得划痕概率指标或者裂纹概率指标,进而实现对裂纹和划痕的有效区分。
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一种用于环形铜垫片的划痕及裂纹识别方法流程图;
图2为本发明一个实施例所提供的一种缺陷分析区域示意图;
图3为本发明一个实施例所提供的一种表面划痕示意图;
图4为本发明一个实施例所提供的一种表面裂纹示意图;
图5为本发明一个实施例所提供的一种划痕的缺陷像素点数量序列拟合曲线示意图;
图6为本发明一个实施例所提供的一种裂纹的缺陷像素点数量序列拟合曲线示意图;
图7为本发明一个实施例所提供的一种划痕裂纹像素值序列拟合曲线的对比示意图。
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用于环形铜垫片的划痕及裂纹识别方法,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。
下面结合附图具体的说明本发明所提供的一种用于环形铜垫片的划痕及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一种用于环形铜垫片的划痕及裂纹识别方法流程图,该方法包括:
步骤S1:获取垫片表面图像;对垫片表面图像进行图像预处理操作,利用像素值大小分割出缺陷像素点,以缺陷像素点的连通域的最小外接矩形作为缺陷分析区域。
因为铜垫片在生产运输过程中易与其他铜垫片或者其他金属装置发生摩擦,摩擦过程过于激烈则会在铜垫片上产生划痕。因为划痕是有方向性的,所以在图像采集过程中如果选用的光源方向与划痕方向近似的话,划痕会被光线虚化,导致图像中特征不明显,因为划痕的方向不确定,所以在本发明实施例中,在待检测的铜垫片上方设置八个自带光源的相机对铜垫片进行8个方向上的图像采集,每个相机获得一张图像,将8张图像互相做差,以差值最大的图像作为像素特征最明显的铜垫片表面图像。
采集到的铜垫片表面图像中可能存在大量噪声,因此为了便于后续分析,提高图像质量,需要对铜垫片表面图像进行图像预处理操作。在本发明实施例中图像预处理操作包括图像灰度化和高斯模糊。图像灰度化能够方便后续分析,减少计算量,按照灰度转化过程中的心理学公式将原始RGB图像转化为灰度图像,心理学公式包括:
其中,为转化后的灰度图像的像素值,为原始图像蓝色通道的通道值,为原始图像绿色通道的通道值,为原始图像红色通道的通道值。因为人眼对绿色敏感度较高,对蓝色敏感度较低,所以在心理学公式中绿色通道的权值最大,蓝色通道的权值最小。
高斯模糊能够去除图像中较多细小噪声形成的毛刺,高斯模糊使用高斯滤波进行操作,高斯滤波指让临近的像素具有更高的重要度,对周围像素计算加权平均值,而较近的像素具有较大的权重值,构建相关的高斯卷积核。二维高斯卷积核中心数值最大,并向四周减小,减小的幅度并不是随意的,而是要求整个卷积核近似高斯函数的图像。通过高斯滤波,能够基本消除细小噪声影响。
因为本发明实施例针对的场景为对铜垫片生产运输过程中因为外力造成的划痕和裂纹进行识别,因为铜垫片为生产过程中的全新产品,因此表面不存在油污等使用过程中的表面瑕疵。因为裂纹和划痕在表面具有明显的像素特征,因此可利用像素值大小将正常表面区域和存在缺陷的划痕裂纹区域分割出来。
需要说明的是,现有技术中识别图像中缺陷区域的方法存在多种,在本发明实施例中,选用灰度直方图分析的方法,对图像进行直方图均衡化,将均衡化处理后的图像减去处理之前的图像获得包含缺陷的灰度图像,对该灰度图像进行二值化处理获得缺陷像素点所对应的连通域,以缺陷像素点的连通域的最小外接矩形作为缺陷分析区域。
需要说明的是,二值图中的缺陷分析区域在铜垫片表面图像中对应位置也存在缺陷分析区域。请参阅图2,其示出了本发明一个实施例所提供的一种缺陷分析区域示意图,在缺陷分析区域中存在大量的缺陷像素点信息和少量的正常像素点信息。且以长度最长的两条边作为长边,另外两条边作为宽边。
请参阅图3,其示出了本发明一个实施例所提供的一种表面划痕示意图,请参阅图4,其示出了本发明一个实施例所提供的一种表面裂纹示意图。由图3和图4的对比可知,裂痕与划痕存在较大的形态特征差异和像素特征差异,因此可对缺陷分析区域中的缺陷连通域信息进行分析,识别出裂纹和划痕。
步骤S2:在缺陷分析区域的宽度边界上设置滑窗,获取滑窗内缺陷像素点数量,利用滑窗沿着长度方向遍历整个缺陷分析区域,获得缺陷像素点数量序列;若缺陷像素点数量序列存在增减性且元素极差大于预设第一阈值,则缺陷分析区域满足划痕宽度特征;若缺陷像素点数量序列不存在增减性且元素极差小于预设第二阈值,则缺陷分析区域满足裂纹宽度特征。
划痕产生的过程可视为铜垫片受到外物在表面沿着一个方向施加压力并运动的过程,因此划痕在铜垫片表面的形状受到受力影响应是两端较窄,中间较粗的形状,即存在由细到粗到底划痕、由粗到细的划痕和两端细中间粗的划痕,为了方便后续描述,对这三种划痕分别命名为:细粗划痕、粗细划痕和细粗细划痕。
裂纹的产生的过程较为复杂,通常是因为铜垫片质量问题,并受到外力影响导致表面出现不规则的裂纹,裂纹的形状不规则且各个位置的宽度应保持一致或者不规则的分布。
因此可根据缺陷分析区域内缺陷像素点连通域的宽度特征判断当前缺陷分析区域是否满足划痕宽度特征或者裂纹宽度特征,从而进行初步判断。获取缺陷分析区域内缺陷像素点连通域的宽度的具体方法包括:
在缺陷分析区域的宽度边界上设置滑窗,即在矩形形状的缺陷分析区域中任选一个宽边作为滑窗的起始位置。获取滑窗内缺陷像素点数量,以缺陷像素点数量代表宽度信息,利用滑窗沿着长度方向遍历整个缺陷分析区域,获得缺陷像素点数量序列。
在本发明实施例中,滑窗的尺寸设置包括:将滑窗的宽度设置与缺陷分析区域宽度相同,长度设置为缺陷分析区域长度的0.2倍,滑窗的滑动步长为缺陷分析区域长度的0.1倍,即滑窗滑动了9次,获得一个长度为9的像素点数量序列。
优选的,考虑到不同缺陷分析区域的尺寸不同,为了便于后续的判断,将缺陷像素点数量序列中的元素值设置为对应位置处的缺陷像素点数量与对应滑窗面积的比值。
为了更直观表示不同种类划痕的宽度变化特征,将不同种类划痕对应的缺陷像素点数量序列拟合为一条曲线并放入同一坐标系中,请参阅图5,其示出了本发明一个实施例所提供的一种划痕的缺陷像素点数量序列拟合曲线示意图,横轴i表示缺陷像素点数量序列中元素的位置,纵轴K表示对应位置处的元素值。由图5可知如果缺陷分析区域内为细粗划痕,则像素点数量序列中元素值变化应是单调递增;如果缺陷分析区域内为粗细划痕,则像素点数量序列中元素值变化应是单调递减;如果缺陷分析区域内为细粗细划痕,则像素点数量序列中元素值变化应是先增大后减小。因此可根据像素点数量序列的增减性判断缺陷分析区域是否满足划痕宽度特征,进一步结合像素值序列的极差,若缺陷像素点数量序列存在增减性且元素极差大于预设第一阈值,则说明该缺陷分析区域满足划痕宽度特征。
同理将裂纹的缺陷像素点数量序列拟合为一条曲线,请参阅图6其示出了本发明一个实施例所提供的一种裂纹的缺陷像素点数量序列拟合曲线示意图。因为裂纹的宽度不存在划痕这样有规律的变化特征,裂纹的宽度整体通常为在一个小范围内进行波动,每个位置的宽度都相似,因此若缺陷像素点数量序列不存在增减性,且元素极差小于预设第二阈值,则缺陷分析区域满足裂纹宽度特征。
优选的,判断缺陷像素点数量序列的增减性的方法包括:沿着序列方向将缺陷像素点数量序列中相邻两个元素的元素值做差,获得像素点数量变化序列;若像素点数量变化序列中存在连续预设数量的元素同为正值或者负值,则说明缺陷像素点数量序列存在增减性。在本发明实施例中,预设数量设置为4。
在本发明实施例中,第一阈值设置为0.3,第二阈值设置为0.2。
步骤S3:对缺陷分析区域中的缺陷像素点进行拟合,获得形态直线;根据缺陷像素点与形态直线的离散距离获得形状平滑程度;若形状平滑程度小于预设第三阈值,则缺陷分析区域满足划痕形状特征;若形状平滑程度大于预设第四阈值,则缺陷分析区域满足裂纹形状特征。
进一步考虑到划痕形成的原因导致划痕的形状较为规则,通常为一条直线或者多条直线的集合,而裂纹具有不规则的延展性,因此相较于趋近于直线的划痕,裂纹的形状往往更趋近与一条波动的曲线。因此根据缺陷分析区域内缺陷像素点连通域的形状可进一步判断是否属于裂纹或者划痕。
对缺陷分析区域中的缺陷像素点的坐标进行拟合,获得形态直线。优选的,利用最小二乘法对缺陷像素点进行拟合,获得形态直线。最小二乘法拟合直线为本领域技术人员熟知的现有技术,在此不做赘述。
根据缺陷像素点与所述形态直线的离散距离获得形状平滑程度,即离散距离越大,说明形状缺陷像素点连通域的形状越不平滑,具有很强的形状波动。具体包括:
设置垂直于形态直线的滑动直线根据预设滑动步长在缺陷分析区域中滑动,以形态直线两侧在滑动直线上距离形态直线最远的两个缺陷像素点作为离散极点。获得两个离散极点到形态直线的离散距离,获得两侧的离散距离的差异和形态直线上最大的离散距离的比值,该比值越大越说明对应位置存在为明显的离散点,该位置的形状越不规则。进一步放置计算误差导致的异常离散点的影响,以比值的平均值作为形状平滑程度。
形状平滑程度越大说明缺陷分析区域中的缺陷像素点连通域形状越趋近于直线,则越为划痕。因此若形状平滑程度小于预设第三阈值,则缺陷分析区域满足划痕形状特征;若形状平滑程度大于预设第四阈值,则缺陷分析区域满足裂纹形状特征。在本发明实施例中,第三阈值设置为0.2,第四阈值设置为0.4。
步骤S4:形态直线上对应的缺陷像素点的像素值构成像素值序列;若像素值序列的极差大于预设第五阈值,则缺陷分析区域满足划痕像素值特征;若像素值序列的极差小于预设第六阈值,则缺陷分析区域满足裂纹像素值特征。
划痕是受到外力因素产生的,因此可视为金属表面受到打磨后的凹槽,因此划痕受光源照射会反射白光,且越靠近中间部位反射程度越高,则图像上对应位置越亮。裂纹不会造成反射,在图像上会呈现一个较为固定且较暗的灰度值。
因此可获得形态直线上对应的缺陷像素点的像素值,构成像素值序列。请参阅图7,其示出了本发明一个实施例所提供的一种划痕裂纹像素值序列拟合曲线的对比示意图,横轴H表示像素值序列的位置,纵轴G为对应位置的像素值。由图7可知,划痕对应的曲线存在较大的变化幅度,而裂纹对应的曲线整体像素值较小且没有明显的变化幅度。
像素值序列的极差越大,说明像素值序列的变化幅度越大,则缺陷分析区域内的缺陷为划痕缺陷的概率越大;反之,缺陷分析区域内的缺陷为裂纹缺陷的概率越大。因此若像素值序列的极差大于预设第五阈值,则缺陷分析区域满足划痕像素值特征;若像素值序列的极差小于预设第六阈值,则缺陷分析区域满足裂纹像素值特征。
步骤S5:划痕宽度特征、划痕形状特征和划痕像素值特征各对应一个权重;将每个缺陷分析区域满足的划痕特征及其对应的权重相加,获得划痕概率指标;裂纹宽度特征、裂纹形状特征和裂纹像素值特征各对应一个权重;将每个缺陷分析区域满足的裂纹特征及其对应的权重相加,获得裂纹概率指标;根据划痕概率指标和裂纹概率指标的大小判断缺陷分析区域是否为划痕或者裂纹。
为了准确分析出缺陷分析区域内的缺陷的类别,划痕宽度特征、划痕形状特征和划痕像素值特征各对应一个权重,将每个缺陷分析区域满足的划痕特征及其对应的权重相加,获得划痕概率指标。同理,裂纹宽度特征、裂纹形状特征和裂纹像素值特征各对应一个权重;将每个缺陷分析区域满足的裂纹特征及其对应的权重相加,获得裂纹概率指标。
例如一个缺陷分析区域满足划痕宽度特征、划痕形状特征和裂纹像素值特征,则将两个划痕特征对应的权重相加,获得划痕概率指标;则裂纹像素值特征对应的权重为该缺陷的裂纹概率指标。
进一步考虑到形状特征对于划痕和裂纹来说具有明显的差异,因此在划痕宽度特征权重、划痕形状特征权重和划痕像素值特征权重中,划痕形状特征权重最大,划痕宽度特征权重最小。将划痕宽度特征权重和划痕像素值特征权重的和作为划痕概率指标区间最小值,将划痕宽度特征权重、划痕形状特征权重和划痕像素值特征权重的和作为划痕概率指标区间最大值,划痕概率指标区间最小值和划痕概率指标区间最大值构成划痕概率指标区间。若划痕概率指标在划痕概率指标区间内,则认为缺陷分析区域为划痕缺陷。
在本发明实施例中,划痕宽度特征权重和裂纹宽度特征权重设置为0.3,划痕形状特征权重和裂纹形状特征权重设置为0.5,划痕像素值特征权重和裂纹像素值特征权重设置为0.4。
将存在裂纹的铜垫片用于丢弃回收处理,仅存在划痕的铜垫片可继续进行使用。避免了因为裂纹划痕识别不清楚导致的资源浪费。
综上所述,本发明实施例通过分析图像中缺陷分析区域内缺陷像素点连通域每个位置的宽度变化情况,获得宽度特征。通过分析缺陷像素点与拟合的形态直线的离散距离获得缺陷的形状平滑程度,获得形状特征。通过分析缺陷像素点在形态直线上的像素值变化情况获得像素值特征。根据缺陷分析区域内缺陷满足宽度特征、形状特征和像素值特征获得对应的划痕概率指标和裂纹概率指标,进而识别出裂纹或者划痕。本发明实施例根据划痕和裂纹的形态差异和像素值差异实现对划痕和裂纹的准确识别,防止将能够正常使用的铜垫片被错误丢弃造成的成本浪费。
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。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 (6)
1.一种用于环形铜垫片的划痕及裂纹识别方法,其特征在于,所述方法包括:
获取铜垫片表面图像;对所述铜垫片表面图像进行图像预处理操作,利用像素值大小分割出缺陷像素点,以所述缺陷像素点的连通域的最小外接矩形作为缺陷分析区域;
在所述缺陷分析区域的宽度边界上设置滑窗,获取所述滑窗内缺陷像素点数量,利用所述滑窗沿着长度方向遍历整个所述缺陷分析区域,获得缺陷像素点数量序列;若所述缺陷像素点数量序列存在增减性且元素极差大于预设第一阈值,则所述缺陷分析区域满足划痕宽度特征;若所述缺陷像素点数量序列不存在增减性且元素极差小于预设第二阈值,则所述缺陷分析区域满足裂纹宽度特征;
对所述缺陷分析区域中的所述缺陷像素点进行拟合,获得形态直线;根据所述缺陷像素点与所述形态直线的离散距离获得形状平滑程度;若所述形状平滑程度小于预设第三阈值,则所述缺陷分析区域满足划痕形状特征;若所述形状平滑程度大于预设第四阈值,则所述缺陷分析区域满足裂纹形状特征;
所述形态直线上对应的所述缺陷像素点的像素值构成像素值序列;若所述像素值序列的极差大于预设第五阈值,则所述缺陷分析区域满足划痕像素值特征;若所述像素值序列的极差小于预设第六阈值,则所述缺陷分析区域满足裂纹像素值特征;
所述划痕宽度特征、所述划痕形状特征和所述划痕像素值特征各对应一个权重;将每个所述缺陷分析区域满足的划痕特征及其对应的权重相加,获得划痕概率指标;所述裂纹宽度特征、所述裂纹形状特征和所述裂纹像素值特征各对应一个权重;将每个所述缺陷分析区域满足的裂纹特征及其对应的权重相加,获得裂纹概率指标;根据所述划痕概率指标和所述裂纹概率指标的大小判断所述缺陷分析区域是否为划痕或者裂纹。
2.根据权利要求1所述的一种用于环形铜垫片的划痕及裂纹识别方法,其特征在于,所述获取所述滑窗内缺陷像素点数量,利用所述滑窗沿着长度方向遍历整个所述缺陷分析区域,获得缺陷像素点数量序列包括:
所述缺陷像素点数量序列中的元素值为所述缺陷像素点数量与所述滑窗面积的比值。
3.根据权利要求1所述的一种用于环形铜垫片的划痕及裂纹识别方法,其特征在于,判断所述缺陷像素点数量序列的增减性的方法包括:
沿着序列方向将所述缺陷像素点数量序列中相邻两个元素的元素值做差,获得像素点数量变化序列;若所述像素点数量变化序列中存在连续预设数量的元素同为正值或者负值,则说明所述缺陷像素点数量序列存在增减性。
4.根据权利要求1所述的一种用于环形铜垫片的划痕及裂纹识别方法,其特征在于,所述对所述缺陷分析区域中的所述缺陷像素点进行拟合,获得形态直线包括:
利用最小二乘法对所述缺陷像素点进行拟合,获得所述形态直线。
5.根据权利要求1所述的一种用于环形铜垫片的划痕及裂纹识别方法,其特征在于,所述根据所述缺陷像素点与所述形态直线的距离获得形状平滑程度包括:
设置垂直于所述形态直线的滑动直线根据预设滑动步长在所述缺陷分析区域中滑动,以所述形态直线两侧在所述滑动直线上距离所述形态直线最远的两个所述缺陷像素点作为离散极点;获得两个所述离散极点到所述形态直线的离散距离,获得两侧的所述离散距离的差异和所述形态直线上最大的离散距离的比值,以所述比值的平均值作为所述形状平滑程度。
6.根据权利要求1所述的一种用于环形铜垫片的划痕及裂纹识别方法,其特征在于,所述根据所述划痕概率指标和所述裂纹概率指标的大小判断所述缺陷分析区域是否为划痕或者裂纹包括:
在划痕宽度特征权重、划痕形状特征权重和划痕像素值特征权重中,划痕形状特征权重最大,划痕宽度特征权重最小;将所述划痕宽度特征权重和所述划痕像素值特征权重的和作为划痕概率指标区间最小值,将所述划痕宽度特征权重、所述划痕形状特征权重和所述划痕像素值特征权重的和作为划痕概率指标区间最大值,所述划痕概率指标区间最小值和所述划痕概率指标区间最大值构成划痕概率指标区间;若所述划痕概率指标在所述划痕概率指标区间内,则认为所述缺陷分析区域为划痕缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210894671.1A CN115063407B (zh) | 2022-07-28 | 2022-07-28 | 一种用于环形铜垫片的划痕及裂纹识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210894671.1A CN115063407B (zh) | 2022-07-28 | 2022-07-28 | 一种用于环形铜垫片的划痕及裂纹识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115063407A true CN115063407A (zh) | 2022-09-16 |
CN115063407B CN115063407B (zh) | 2023-05-09 |
Family
ID=83206221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210894671.1A Expired - Fee Related CN115063407B (zh) | 2022-07-28 | 2022-07-28 | 一种用于环形铜垫片的划痕及裂纹识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115063407B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861294A (zh) * | 2023-02-09 | 2023-03-28 | 山东天意机械股份有限公司 | 一种基于计算机视觉的混凝土生产异常检测方法及装置 |
CN116645373A (zh) * | 2023-07-27 | 2023-08-25 | 济宁名居木业有限公司 | 一种木材表面缺陷识别方法 |
CN117132844A (zh) * | 2023-10-27 | 2023-11-28 | 江苏惠汕新能源集团有限公司 | 一种基于图像处理的光伏板裂纹与划痕的分类方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150139498A1 (en) * | 2013-01-07 | 2015-05-21 | Tread Gauge Ptr, LLC | Apparatus and method for tire sidewall crack analysis |
CN108764312A (zh) * | 2018-05-17 | 2018-11-06 | 河海大学 | 基于ds优化多指标大坝缺陷图像检测方法 |
CN110161035A (zh) * | 2019-04-26 | 2019-08-23 | 浙江大学 | 基于图像特征与贝叶斯数据融合的结构表面裂缝检测方法 |
CN113724258A (zh) * | 2021-11-02 | 2021-11-30 | 山东中都机器有限公司 | 一种基于图像处理的传送带撕裂检测方法及系统 |
CN114359270A (zh) * | 2022-03-09 | 2022-04-15 | 山东华硕汽车配件科技有限公司 | 基于计算机视觉的汽车发动机油路铜套缺陷检测方法 |
CN114723681A (zh) * | 2022-03-22 | 2022-07-08 | 江苏禹润智能科技有限公司 | 一种基于机器视觉的混凝土裂缝缺陷检测方法 |
-
2022
- 2022-07-28 CN CN202210894671.1A patent/CN115063407B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150139498A1 (en) * | 2013-01-07 | 2015-05-21 | Tread Gauge Ptr, LLC | Apparatus and method for tire sidewall crack analysis |
CN108764312A (zh) * | 2018-05-17 | 2018-11-06 | 河海大学 | 基于ds优化多指标大坝缺陷图像检测方法 |
CN110161035A (zh) * | 2019-04-26 | 2019-08-23 | 浙江大学 | 基于图像特征与贝叶斯数据融合的结构表面裂缝检测方法 |
CN113724258A (zh) * | 2021-11-02 | 2021-11-30 | 山东中都机器有限公司 | 一种基于图像处理的传送带撕裂检测方法及系统 |
CN114359270A (zh) * | 2022-03-09 | 2022-04-15 | 山东华硕汽车配件科技有限公司 | 基于计算机视觉的汽车发动机油路铜套缺陷检测方法 |
CN114723681A (zh) * | 2022-03-22 | 2022-07-08 | 江苏禹润智能科技有限公司 | 一种基于机器视觉的混凝土裂缝缺陷检测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861294A (zh) * | 2023-02-09 | 2023-03-28 | 山东天意机械股份有限公司 | 一种基于计算机视觉的混凝土生产异常检测方法及装置 |
CN116645373A (zh) * | 2023-07-27 | 2023-08-25 | 济宁名居木业有限公司 | 一种木材表面缺陷识别方法 |
CN116645373B (zh) * | 2023-07-27 | 2023-10-20 | 济宁名居木业有限公司 | 一种木材表面缺陷识别方法 |
CN117132844A (zh) * | 2023-10-27 | 2023-11-28 | 江苏惠汕新能源集团有限公司 | 一种基于图像处理的光伏板裂纹与划痕的分类方法 |
CN117132844B (zh) * | 2023-10-27 | 2024-01-23 | 江苏惠汕新能源集团有限公司 | 一种基于图像处理的光伏板裂纹与划痕的分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115063407B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN115375676B (zh) | 一种基于图像识别的不锈钢制品质量检测方法 | |
CN116758061B (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
CN115063407A (zh) | 一种用于环形铜垫片的划痕及裂纹识别方法 | |
CN114359270B (zh) | 基于计算机视觉的汽车发动机油路铜套缺陷检测方法 | |
CN116758083B (zh) | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 | |
CN109682839B (zh) | 一种金属弧形工件表面缺陷在线检测方法 | |
CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN110070523B (zh) | 一种用于瓶底的异物检测方法 | |
CN110060239B (zh) | 一种用于瓶子瓶口的缺陷检测方法 | |
CN116703898A (zh) | 一种精密机械轴承端面的质量检测方法 | |
CN116363126B (zh) | 一种数据线usb插头焊接质量检测方法 | |
CN110717909A (zh) | 一种金属表面划痕检测方法与装置 | |
CN115100191A (zh) | 基于工业检测的金属铸件缺陷识别方法 | |
CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116664569B (zh) | 一种焊瘤缺陷检测方法 | |
CN115131359A (zh) | 一种金属加工件表面麻点缺陷检测方法 | |
CN112102278A (zh) | 一种基于计算机视觉的金属工件加工面缺陷检测方法 | |
CN117437226A (zh) | 一种半导体加工质量视觉自动在线检测系统 | |
CN117974671B (zh) | 基于人工智能的手表表盘缺陷智能检测方法 | |
CN108805854B (zh) | 一种复杂环境下药片快速计数与完整性检测方法 | |
CN117173107A (zh) | 产品缺陷检测方法、装置、设备、系统和可读存储介质 | |
JP7469740B2 (ja) | ベルト検査システムおよびベルト検査プログラム |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20230509 |
|
CF01 | Termination of patent right due to non-payment of annual fee |