CN115063423B - 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 - Google Patents
基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 Download PDFInfo
- Publication number
- CN115063423B CN115063423B CN202210989611.8A CN202210989611A CN115063423B CN 115063423 B CN115063423 B CN 115063423B CN 202210989611 A CN202210989611 A CN 202210989611A CN 115063423 B CN115063423 B CN 115063423B
- Authority
- CN
- China
- Prior art keywords
- crack
- upper edge
- sliding window
- cracks
- cold
- 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
- 238000005266 casting Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000003708 edge detection Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 6
- 239000002184 metal Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000002932 luster Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004227 thermal cracking Methods 0.000 description 1
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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/30164—Workpiece; Machine component
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及基于计算机视觉的机械铸件冷热裂纹自适应辨别方法,属于计算机视觉技术领域,该方法步骤包括:获取含有裂纹缺陷的机械铸件灰度图像;选取异常灰度图像中从任一条裂纹区域端口处到交叉口处之间的部分为待计算段裂纹,利用滑窗遍历待计算段裂纹区域;利用根据各滑窗间裂纹直径平均值的差异计算出的裂纹粗细均匀度、利用根据各滑窗间各上边缘像素点对应的夹角平均值的差异计算出的裂纹曲折度以及裂纹断口光泽度计算出裂纹趋向于冷裂纹的置信度和裂纹趋向于热裂纹的置信度,并根据置信度辨别出裂纹类型。本发明利用计算机视觉技术对机械铸件图像中的冷裂纹和热裂纹进行辨别,从而更加准确的得出产生裂纹缺陷的原因。
Description
技术领域
本发明属于计算机视觉技术领域,具体涉及基于计算机视觉的机械铸件冷热裂纹自适应辨别方法。
背景技术
铸件是利用各种铸造方法获得的金属成型物件,铸件历史悠久,近代铸件主要用作机器零部件的毛坯,有些精密铸件也可以直接用作机器的零部件。机械铸件在生产加工过程中往往会出现很多的外观缺陷,例如金属刺、裂纹、凹陷、凸起等等。其中较为常见的缺陷为裂纹,而铸件裂纹又分为热裂纹和冷裂纹。铸件热裂纹是在高温下形成的,因而裂纹的表面与空气接触并被氧化而呈暗褐色甚至黑色,同时热裂纹呈弯曲状而且不规则。铸件冷裂纹是由于材料在室温附近温度下脆化而形成的裂纹。
铸件的裂纹又分为热裂纹和冷裂纹,二者在外观形貌和产生缺陷的原因均不相同,因此我们需要对裂纹进行深入的检测分析,明确裂纹的类型和产生原因,从而更加准确地解决产生裂纹缺陷的问题。但是目前对于铸件冷热裂纹的辨别,主要还是依靠人工进行辨别,效率低下且准确度不高。
发明内容
本发明提供基于计算机视觉的机械铸件冷热裂纹自适应辨别方法,旨在解决现有技术中对于铸件冷热裂纹的辨别,主要还是依靠人工进行辨别,效率低下且准确度不高的问题。
本发明的基于计算机视觉的机械铸件冷热裂纹自适应辨别方法采用如下技术方案:该方法包括:
获取机械铸件灰度图像;
对机械铸件灰度图像进行边缘检测,当检测到任一机械铸件灰度图像中存在裂纹后将该图像记作异常灰度图像,同时获取异常灰度图像中多条裂纹区域;
从异常灰度图像中选取任一条裂纹区域从端口处到交叉口处之间的部分为待计算段裂纹区域,利用滑窗在保证相邻两个滑窗之间不重叠的情况下自适应遍历待计算段裂纹区域,并统计出滑窗的数量;
获取待计算段裂纹区域的上边缘曲线,过滑窗内裂纹区域每个上边缘像素点做上边缘曲线的切线,过每个上边缘像素点做该上边缘像素点对应切线的垂线获取该垂线与裂纹下边缘的交点,根据获得的每个交点与对应的上边缘像素点之间的距离计算出每个上边缘像素点对应的裂纹直径;
根据各滑窗间裂纹直径平均值的差异计算出裂纹粗细均匀度;
计算出待计算段裂纹区域中裂纹的每个上边缘像素点与对应的正下方的下边缘像素点之间的竖直距离,同时计算出每个上边缘像素点对应的竖直距离与裂纹直径之间的夹角;
根据各滑窗间各上边缘像素点对应的夹角平均值的差异计算出裂纹曲折度;
利用异常灰度图像中裂纹区域全部像素点的平均灰度值与异常灰度图像中非裂纹区域全部像素点的平均灰度值的比值,计算出裂纹断口光泽度;
利用裂纹断口光泽度、裂纹粗细均匀度以及裂纹曲折度计算出裂纹趋向于冷裂纹的置信度和裂纹趋向于热裂纹的置信度,并根据置信度辨别出裂纹类型。
进一步地,所述滑窗的尺寸按照以下步骤确定:
计算出待计算段裂纹区域中裂纹的每个上边缘像素点与对应的下边缘像素点之间的竖直距离;
从待计算段裂纹区域的端口处按照预设滑窗宽度选取位于滑窗内各上边缘像素点对应的竖直距离;
根据滑窗内各上边缘像素点对应的竖直距离最大值和竖直距离最小值,确定滑窗在当前位置的高度;
按照待计算段裂纹区域的端口处的滑窗高度确定方法确定每个滑窗高度,同时滑窗的步长与预设滑窗宽度相同。
进一步地,所述根据各滑窗间裂纹直径平均值的差异计算出裂纹粗细均匀度,包括:
计算出在利用滑窗遍历待计算段裂纹区域时每个滑窗内各上边缘像素点对应的裂纹直径平均值,并将从待计算段裂纹区域的端口处的第一个滑窗对应的裂纹直径平均值;
计算出每个滑窗对应的裂纹直径平均值与第一个滑窗对应的裂纹直径平均值的差值,根据获得的所有差值计算出裂纹粗细均匀度。
进一步地,所述裂纹粗细均匀度的计算公式如下式所示:
其中,表示第一个滑窗对应的裂纹直径平均值;/>表示第/>个滑窗对应的裂纹直径平均值;/>表示滑窗总数;/>表示裂纹粗细均匀度。
进一步地,所述每个上边缘像素点对应的竖直距离与裂纹直径之间的夹角的计算公式如下式所示:
其中,表示任一滑窗内裂纹任一个上边缘像素点;/>表示/>对应的位于其正下方的裂纹的下边缘像素点;/>表示过滑窗内裂纹任一个上边缘像素点/>做上边缘曲线的切线的垂线与裂纹下边缘的交点;/>表示/>与/>之间的距离;/>表示/>与/>之间的距离;表示/>与/>之间的距离;/>表示/>对应的竖直距离与裂纹直径之间的夹角。
进一步地,所述裂纹曲折度的计算公式如下式所示:
其中,表示第一个滑窗内所有上边缘像素点对应的夹角平均值;/>表示第/>个滑窗内所有上边缘像素点对应的夹角平均值;/>表示滑窗总数;/>表示裂纹曲折度。
进一步地,所述裂纹断口光泽度的计算公式如下式所示:
其中,表示异常灰度图像中裂纹区域第/>个像素点的灰度值;/>表示异常灰度图像中裂纹区域像素点总数;/>表示异常灰度图像中非裂纹区域全部像素点的平均灰度值。
进一步地,所述裂纹置信度的计算公式如下式所示:
其中,表示裂纹断口光泽度;/>表示裂纹粗细均匀度;/>表示裂纹曲折度;/>表示裂纹置信度;根据裂纹粗细均匀度和裂纹曲折度已经初步分辨出了冷裂纹与热裂纹,根据裂纹断口光泽度再次分辨了极少数无法使用裂纹粗细均匀度和裂纹曲折度分辨出来的裂纹,根据这三个数据最终可以得到一个置信度,置信度表示当前裂纹趋向于冷裂纹或热裂纹的可能性。
本发明的有益效果是:
本发明提出基于计算机视觉的机械铸件冷热裂纹自适应辨别方法,利用计算机视觉技术对机械铸件图像中的冷裂纹和热裂纹进行辨别,从而更加准确的得出产生裂纹缺陷的原因。本发明依据冷裂纹和热裂纹二者断口和外形的区别,对裂纹进行分析和辨别,分许出裂纹的粗细均匀程度、曲折程度以及表面亮泽程度,最终得到裂纹趋向于冷裂纹或热裂纹的置信度,利用置信度对冷裂纹或热裂纹进行辨别。
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为本发明的基于计算机视觉的机械铸件冷热裂纹自适应辨别方法的实施例总体步骤的流程示意图;
图2为本发明实施例1中待计算段裂纹区域的结构示意图。
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。
本发明的基于计算机视觉的机械铸件冷热裂纹自适应辨别方法的实施例,如图1所示,该方法包括:
S1、获取机械铸件灰度图像。
本发明中需要使用专业图像采集相机,从机械铸件的正上方采集机械铸件RGB图像,由于采集过程中会受到光线、噪声等的影响,因此需要对采集到的机械铸件RGB图像进行高斯滤波降噪处理,获得真实的机械铸件图像,对后续分析过程产生的误差影响较小。由于经过降噪处理后的机械铸件RGB图像中包含铸件区域和非铸件区域,因此需要使用DNN网络语义分割机械铸件RGB图像。
使用DNN网络语义分割机械铸件RGB图像的具体步骤如下所示:
1、使用的数据集为本发明采集的多张机械铸件RGB图像。
2、需要分割的像素有两类,即训练集对应标签标注过程为:单通道语义标签对应位置像素属于背景类标注为0,属于铸件类标注为1.
3、网络的任务是分类,所以使用的loss函数为交叉熵损失函数。
将通过语义分割后得到的机械铸件图像转换为机械铸件灰度图像。
S2、对机械铸件灰度图像进行边缘检测,当检测到任一机械铸件灰度图像中存在裂纹后将该图像记作异常灰度图像,同时获取异常灰度图像中多条裂纹区域。
本发明中由于获取的机械铸件灰度图像中不一定存在裂纹缺陷,图像中的铸件是否存在裂纹我们并不清楚,并且铸件上存在的缺陷不止有裂纹,可能存在金属刺、凹陷、凸起等等。因此我们需要先对S1步骤中得到的机械铸件灰度图像进行边缘检测,只需检测机械铸件灰度图像中是否有裂纹。如果不存在裂纹则认为该图像无异常,不需要进行后续分析,如果存在裂纹则后续分析裂纹特征,同时当检测到任一机械铸件灰度图像中存在裂纹后将该图像记作异常灰度图像。
在对机械铸件灰度图像进行裂纹检测时,先使用Sobel算子对机械铸件灰度图像进行边缘检测得到边缘直线。将检测到的边缘直线上的点和边缘直线内包围的区域都标注为1,其余区域标注为0,由此获得铸件的二值遮罩图像,将二值遮罩图与机械铸件灰度图像相乘获得边缘检测图CL,边缘检测图中只存在裂纹区域。
S3、从异常灰度图像中选取任一条裂纹区域从端口处到交叉口处之间的部分为待计算段裂纹区域,利用滑窗在保证相邻两个滑窗之间不重叠的情况下自适应遍历待计算段裂纹区域,并统计出滑窗的数量。
其中,滑窗的尺寸按照以下步骤确定:计算出待计算段裂纹区域中裂纹的每个上边缘像素点与对应的下边缘像素点之间的竖直距离;从待计算段裂纹区域的端口处按照预设滑窗宽度选取位于滑窗内各上边缘像素点对应的竖直距离;根据滑窗内各上边缘像素点对应的竖直距离最大值和竖直距离最小值,确定滑窗在当前位置的高度;按照待计算段裂纹区域的端口处的滑窗高度确定方法确定每个滑窗高度,同时滑窗的步长与预设滑窗宽度相同。
本发明中对于裂纹先采用局部分析方法。将步骤S2中检测出来的裂纹进行拆分,从机械铸件灰度图像中左上角开始,自左至右,自上至下寻找第一个裂纹端口(后续按照相同的方法寻找第二个裂纹端口、第三个裂纹端口等)。选取异常灰度图像中从任一裂纹端口处到裂纹交叉口处之间的裂纹为待计算段裂纹。如图2所示:从待计算段裂纹区域上边缘的第一个像素点开始获取待计算段裂纹上边缘各点的坐标,从待计算段裂纹区域下边缘的第一个像素点开始获取待计算段裂纹下边缘各点的坐标/>。由于图像中像素点是按横行竖列进行排布的,所以每个上边缘像素点的下方都有一个位于其正下方的下边缘像素点。每个上边缘像素点与对应的下边缘像素点之间的竖直距离的计算公式如下式(1)所示:
(1)
其中,表示待计算段裂纹上边缘第/>个像素点的纵坐标;/>表示待计算段裂纹下边缘第/>个像素点的纵坐标。因为上边缘第/>个像素点与对应的下边缘第/>个像素点的横坐标相同,所以在计算每个上边缘像素点与对应的下边缘像素点之间的竖直距离时,只需要将上边缘第/>个像素点的纵坐标与下边缘第/>个像素点的纵坐标相减即可。
本发明中预设滑窗宽度优选5个像素点,从待计算段裂纹的裂纹端口开始处沿X轴方向依次选取5个上边缘像素点,5个上边缘像素点对应了5个竖直距离,选取5个竖直距离/>中的最大值/>和5个竖直距离/>中的最小值/>,根据/>和/>自适应确定滑窗在当前位置的高度尺寸大小为/>。滑窗从待计算段裂纹的裂纹端口开始处沿着裂纹滑动,滑窗始终平行与X轴,同时滑窗每次的步长为5个像素点,滑窗的步长与预设滑窗宽度相同这样能保证在相邻两个滑窗之间不重叠的情况下遍历待计算段裂纹,利用滑窗遍历后统计出滑窗的数量。
S4、获取待计算段裂纹区域的上边缘曲线,过滑窗内裂纹区域每个上边缘像素点做上边缘曲线的切线,过每个上边缘像素点做该上边缘像素点对应的切线的垂线获取该垂线与裂纹下边缘的交点,根据获得的每个交点与对应的上边缘像素点之间的距离计算出每个上边缘像素点对应的裂纹直径。
本发明中以滑窗为研究对象,以滑窗内裂纹第像素点为例,过/>个上边缘像素点做上边缘曲线的切线/>,做切线/>过/>的垂线,垂线与裂纹下边缘的交点为/>,/>与对应的/>之间的距离即为/>对应的裂纹直径。按照/>对应的裂纹直径的计算方法,计算出每个上边缘像素点对应的裂纹直径。
对应的裂纹直径的计算公式如下式所示:
其中,表示滑窗内裂纹任一个上边缘像素点;/>表示/>的横坐标;/>表示/>的纵坐标;/>表示过滑窗内裂纹任一个上边缘像素点/>做上边缘曲线的切线的垂线与裂纹下边缘的交点;/>表示/>的横坐标;/>表示/>的纵坐标;/>表示/>上边缘像素点对应的裂纹直径。
S5、根据各滑窗间裂纹直径平均值的差异计算出裂纹粗细均匀度。
本发明中对于裂纹粗细均匀度采用局部分析方法,先分析待计算段裂纹滑窗间裂纹粗细均匀度,再分析整个裂纹。
其中,根据各滑窗间裂纹直径平均值的差异计算出裂纹粗细均匀度,具体过程包括:计算出在利用滑窗遍历待计算段裂纹区域时每个滑窗内各上边缘像素点对应的裂纹直径平均值,并将从待计算段裂纹区域的端口处的第一个滑窗对应的裂纹直径平均值;计算出每个滑窗对应的裂纹直径平均值与第一个滑窗对应的裂纹直径平均值的差值,根据获得的所有差值计算出裂纹粗细均匀度。
第一个滑窗对应的裂纹直径平均值的计算公式如下式所示:
其中,表示第一个滑窗内/>上边缘像素点对应的裂纹直径;/>表示第一个滑窗对应的裂纹直径平均值。
裂纹粗细均匀度的计算公式如下式所示:
其中,表示第一个滑窗对应的裂纹直径平均值;/>表示第/>个滑窗对应的裂纹直径平均值;/>表示滑窗总数;/>表示裂纹粗细均匀度;当滑窗间裂纹直径的差异较大时说明待计算段裂纹的粗细越不均匀,即待计算段裂纹的粗细越不均匀/>的值越大。
S6、计算出待计算段裂纹区域中裂纹的每个上边缘像素点与对应的正下方的下边缘像素点之间的竖直距离,同时计算出每个上边缘像素点对应的竖直距离与裂纹直径之间的夹角。
每个上边缘像素点对应的竖直距离与裂纹直径之间的夹角的计算公式如下式所示:
其中,表示任一滑窗内裂纹任一个上边缘像素点;/>表示/>对应的位于其正下方的裂纹的下边缘像素点;/>表示过滑窗内裂纹任一个上边缘像素点/>做上边缘曲线的切线的垂线与裂纹下边缘的交点;/>表示/>与/>之间的距离;/>表示/>与/>之间的距离;表示/>与/>之间的距离;/>表示/>对应的竖直距离与裂纹直径之间的夹角。
S7、根据各滑窗间各上边缘像素点对应的夹角平均值的差异计算出裂纹曲折度。
本发明中对于裂纹曲折度采用局部分析方法,先分析待计算段裂纹滑窗间裂纹曲折度,再分析整个裂纹。
裂纹曲折度的计算公式如下式所示:
其中,表示第一个滑窗内所有上边缘像素点对应的夹角平均值;/>表示第/>个滑窗内所有上边缘像素点对应的夹角平均值;/>表示滑窗总数;/>表示裂纹曲折度。当/>越大时认为相邻滑窗间沿y轴方向上的位置变化较大,即曲折程度大。当/>越小时认为相邻滑窗间沿y轴方向上的位置变化较小,即曲折程度小。
S8、利用异常灰度图像中裂纹区域全部像素点的平均灰度值与异常灰度图像中非裂纹区域全部像素点的平均灰度值的比值,计算出裂纹断口光泽度。
根据裂纹粗细均匀度和裂纹曲折度已经初步分辨出了冷裂纹与热裂纹,但是也不排除极个别很小的可能性为冷裂纹与热裂纹。因此,需要再计算裂纹断口光泽度,热裂纹的断口表面无光泽,而冷裂纹的断口表面有明显的金属光泽。根据这一特征我们能够进一步的分辨出热裂纹和冷裂纹。
裂纹断口光泽度的计算公式如下式所示:
其中,表示异常灰度图像中裂纹区域第/>个像素点的灰度值;/>表示异常灰度图像中裂纹区域像素点总数;/>表示异常灰度图像中非裂纹区域全部像素点的平均灰度值。当光泽程度/>时,说明裂纹为冷裂纹的可能性大,反之/>时说明裂纹为热裂纹的可能性更大。
S9、利用裂纹断口光泽度、裂纹粗细均匀度以及裂纹曲折度计算出裂纹趋向于冷裂纹的置信度和裂纹趋向于热裂纹的置信度,并根据置信度辨别出裂纹类型。
冷裂纹与热裂纹的主要区别在于断口特征和外形;热裂纹的形状粗细不均,曲折而不规则,并且裂纹的表面成氧化的黑色,无金属光泽;冷裂纹外形呈宽度均匀细长的直线或折线状,裂纹走向平滑,并且裂纹的断口表面干净有金属光泽。由此我们依据二者断口和外形的区别,对裂纹进行分析和辨别,分析出裂纹粗细均匀程度、裂纹曲折度以及裂纹断口光泽度,最终得到裂纹趋向于冷裂纹或热裂纹的置信度。
根据裂纹粗细均匀度和裂纹曲折度已经初步分辨出了冷裂纹与热裂纹,根据裂纹断口光泽度再次分辨了极少数无法使用裂纹粗细均匀度和裂纹曲折度分辨出来的裂纹;根据这三个数据我们最终可以得到一个置信度,置信度表示当前裂纹趋向于冷裂纹或热裂纹的可能性。
裂纹置信度的计算公式如下式所示:
其中,表示裂纹断口光泽度;/>表示裂纹粗细均匀度;/>表示裂纹曲折度;/>表示裂纹置信度。
当利用裂纹断口光泽度初步判断完裂纹类型后,再次根据对应计算公式计算裂纹趋向于某种类型的置信度。当/>越趋向于-1时,认为当前裂纹为冷裂纹的可能性大。当/>越趋向于1时,认为当前裂纹为热裂纹的可能性大。
在获取了待计算段裂纹的裂纹置信度后,同理得到异常灰度图像中整个裂纹每一段的裂纹置信度。根据获得的所有裂纹置信度获得异常灰度图像的裂纹热图,裂纹置信度为裂纹热图中每条裂纹所在像素点的权值,权值的大小反应了当前裂纹为热裂纹或冷裂纹的可能性。
综上所述,本发明提供基于计算机视觉的机械铸件冷热裂纹自适应辨别方法,利用计算机视觉技术对机械铸件图像中的冷裂纹和热裂纹进行辨别。依据冷裂纹和热裂纹二者断口和外形的区别,对裂纹进行分析和辨别,分许出裂纹的粗细均匀程度、曲折程度以及表面亮泽程度,最终得到裂纹趋向于冷裂纹或热裂纹的置信度,利用置信度对冷裂纹或热裂纹进行辨别。
Claims (8)
1.基于计算机视觉的机械铸件冷热裂纹自适应辨别方法,其特征在于,该方法包括:
获取机械铸件灰度图像;
对机械铸件灰度图像进行边缘检测,当检测到任一机械铸件灰度图像中存在裂纹后将该灰度图像记作异常灰度图像,同时获取异常灰度图像中多条裂纹区域;
从异常灰度图像中选取任一条裂纹区域从端口处到交叉口处之间的部分为待计算段裂纹区域,利用滑窗在保证相邻两个滑窗之间不重叠的情况下自适应遍历待计算段裂纹区域,并统计出滑窗的数量;
获取待计算段裂纹区域的上边缘曲线,过滑窗内裂纹区域每个上边缘像素点做上边缘曲线的切线,过每个上边缘像素点做该上边缘像素点对应切线的垂线获取该垂线与裂纹下边缘的交点,根据获得的每个交点与对应的上边缘像素点之间的距离计算出每个上边缘像素点对应的裂纹直径;
根据各滑窗间裂纹直径平均值的差异计算出裂纹粗细均匀度;
计算出待计算段裂纹区域中裂纹的每个上边缘像素点与对应的正下方的下边缘像素点之间的竖直距离,同时计算出每个上边缘像素点对应的竖直距离与裂纹直径之间的夹角;
根据各滑窗间各上边缘像素点对应的夹角平均值的差异计算出裂纹曲折度;
利用异常灰度图像中裂纹区域全部像素点的平均灰度值与异常灰度图像中非裂纹区域全部像素点的平均灰度值的比值,计算出裂纹断口光泽度;
利用裂纹断口光泽度、裂纹粗细均匀度以及裂纹曲折度计算出裂纹趋向于冷裂纹的置信度和裂纹趋向于热裂纹的置信度,并根据置信度辨别出裂纹类型。
2.根据权利要求1所述的基于计算机视觉的机械铸件冷热裂纹自适应辨别方法,其特征在于,所述滑窗的尺寸按照以下步骤确定:
计算出待计算段裂纹区域中裂纹的每个上边缘像素点与对应的下边缘像素点之间的竖直距离;
从待计算段裂纹区域的端口处按照预设滑窗宽度选取位于滑窗内各上边缘像素点对应的竖直距离;
根据滑窗内各上边缘像素点对应的竖直距离最大值和竖直距离最小值,确定滑窗在当前位置的高度;
按照待计算段裂纹区域的端口处的滑窗高度确定方法确定每个滑窗高度,同时滑窗的步长与预设滑窗宽度相同。
3.根据权利要求1所述的基于计算机视觉的机械铸件冷热裂纹自适应辨别方法,其特征在于,所述根据各滑窗间裂纹直径平均值的差异计算出裂纹粗细均匀度,包括:
计算出在利用滑窗遍历待计算段裂纹区域时每个滑窗内各上边缘像素点对应的裂纹直径平均值,并将从待计算段裂纹区域的端口处的第一个滑窗对应的裂纹直径平均值;
计算出每个滑窗对应的裂纹直径平均值与第一个滑窗对应的裂纹直径平均值的差值,根据获得的所有差值计算出裂纹粗细均匀度。
4.根据权利要求3所述的基于计算机视觉的机械铸件冷热裂纹自适应辨别方法,其特征在于,所述裂纹粗细均匀度的计算公式如下式所示:
其中,表示第一个滑窗对应的裂纹直径平均值;/>表示第/>个滑窗对应的裂纹直径平均值;/>表示滑窗总数;/>表示裂纹粗细均匀度。
5.根据权利要求1所述的基于计算机视觉的机械铸件冷热裂纹自适应辨别方法,其特征在于,所述每个上边缘像素点对应的竖直距离与裂纹直径之间的夹角的计算公式如下式所示:
其中,表示任一滑窗内裂纹任一个上边缘像素点;/>表示/>对应的位于其正下方的裂纹的下边缘像素点;/>表示过滑窗内裂纹任一个上边缘像素点/>做上边缘曲线的切线的垂线与裂纹下边缘的交点;/>表示/>与/>之间的距离;/>表示/>与/>之间的距离;/>表示/>与/>之间的距离;/>表示/>对应的竖直距离与裂纹直径之间的夹角。
6.根据权利要求5所述的基于计算机视觉的机械铸件冷热裂纹自适应辨别方法,其特征在于,所述裂纹曲折度的计算公式如下式所示:
其中,表示第一个滑窗内所有上边缘像素点对应的夹角平均值;/>表示第/>个滑窗内所有上边缘像素点对应的夹角平均值;/>表示滑窗总数;/>表示裂纹曲折度。
7.根据权利要求1所述的基于计算机视觉的机械铸件冷热裂纹自适应辨别方法,其特征在于,所述裂纹断口光泽度的计算公式如下式所示:
其中,表示异常灰度图像中裂纹区域第/>个像素点的灰度值;/>表示异常灰度图像中裂纹区域像素点总数;/>表示异常灰度图像中非裂纹区域全部像素点的平均灰度值。
8.根据权利要求7所述的基于计算机视觉的机械铸件冷热裂纹自适应辨别方法,其特征在于,所述裂纹置信度的计算公式如下式所示:
其中,表示裂纹断口光泽度;/>表示裂纹粗细均匀度;/>表示裂纹曲折度;/>表示裂纹置信度;根据裂纹粗细均匀度和裂纹曲折度已经初步分辨出了冷裂纹与热裂纹,根据裂纹断口光泽度再次分辨了极少数无法使用裂纹粗细均匀度和裂纹曲折度分辨出来的裂纹,根据这三个数据最终可以得到一个置信度,置信度表示当前裂纹趋向于冷裂纹或热裂纹的可能性。/>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210989611.8A CN115063423B (zh) | 2022-08-18 | 2022-08-18 | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210989611.8A CN115063423B (zh) | 2022-08-18 | 2022-08-18 | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115063423A CN115063423A (zh) | 2022-09-16 |
CN115063423B true CN115063423B (zh) | 2023-12-08 |
Family
ID=83207731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210989611.8A Active CN115063423B (zh) | 2022-08-18 | 2022-08-18 | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115063423B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115346127B (zh) * | 2022-10-20 | 2023-01-24 | 成都大汇物联科技有限公司 | 一种大坝安全检测方法及系统 |
CN116067964B (zh) * | 2023-03-06 | 2023-06-09 | 广东省农业科学院动物科学研究所 | 一种利用缩合单宁促进鱼肌肉脆化的方法及系统 |
CN115965623B (zh) * | 2023-03-16 | 2023-05-30 | 深圳市岑科实业有限公司 | 一种变压器生产中表面瑕疵检测方法及系统 |
CN116703907B (zh) * | 2023-08-04 | 2023-10-27 | 合肥亚明汽车部件有限公司 | 一种基于机器视觉的汽车铸件表面缺陷检测方法 |
CN116862910B (zh) * | 2023-09-04 | 2023-11-21 | 山东经典印务有限责任公司 | 基于自动化裁切生产的视觉检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002318195A (ja) * | 2001-04-19 | 2002-10-31 | Murata Mfg Co Ltd | 外観検査方法および外観検査装置 |
CN114445387A (zh) * | 2022-01-29 | 2022-05-06 | 泗阳富艺木业股份有限公司 | 一种基于机器视觉的纤维板质量分类方法 |
CN114862862A (zh) * | 2022-07-11 | 2022-08-05 | 江苏大田阀门制造有限公司 | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 |
-
2022
- 2022-08-18 CN CN202210989611.8A patent/CN115063423B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002318195A (ja) * | 2001-04-19 | 2002-10-31 | Murata Mfg Co Ltd | 外観検査方法および外観検査装置 |
CN114445387A (zh) * | 2022-01-29 | 2022-05-06 | 泗阳富艺木业股份有限公司 | 一种基于机器视觉的纤维板质量分类方法 |
CN114862862A (zh) * | 2022-07-11 | 2022-08-05 | 江苏大田阀门制造有限公司 | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115063423A (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN114862862B (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
CN115375676B (zh) | 一种基于图像识别的不锈钢制品质量检测方法 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN115239735B (zh) | 基于计算机视觉的通信柜表面缺陷检测方法 | |
CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
CN109682839B (zh) | 一种金属弧形工件表面缺陷在线检测方法 | |
CN115100221B (zh) | 一种玻璃缺陷分割方法 | |
CN116758061B (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
CN109215009B (zh) | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 | |
CN115311294B (zh) | 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN115375686B (zh) | 一种基于图像处理的玻璃边缘瑕疵检测方法 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN116363126B (zh) | 一种数据线usb插头焊接质量检测方法 | |
CN115100191A (zh) | 基于工业检测的金属铸件缺陷识别方法 | |
CN114049316A (zh) | 一种基于金属光泽区域的钢丝绳缺陷检测方法 | |
CN115866502A (zh) | 一种麦克风零件表面缺陷在线检测流程 | |
CN116862910A (zh) | 基于自动化裁切生产的视觉检测方法 | |
CN111638218A (zh) | 一种涂层表面缺陷的检测方法 | |
CN114881961A (zh) | 一种玻璃纤维板裂纹检测方法及设备 | |
CN107808165B (zh) | 一种基于susan角点检测的红外图像匹配方法 | |
CN117218124A (zh) | 一种铜铝转接表面加工质量检测方法 |
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 |