CN115082462B - 一种流体输送管外观质量检测方法及系统 - Google Patents

一种流体输送管外观质量检测方法及系统 Download PDF

Info

Publication number
CN115082462B
CN115082462B CN202211002383.7A CN202211002383A CN115082462B CN 115082462 B CN115082462 B CN 115082462B CN 202211002383 A CN202211002383 A CN 202211002383A CN 115082462 B CN115082462 B CN 115082462B
Authority
CN
China
Prior art keywords
edge
point
gray
pixel points
suspected
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
CN202211002383.7A
Other languages
English (en)
Other versions
CN115082462A (zh
Inventor
陈朋堂
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.)
Shandong Haixinda Petroleum Machinery Co ltd
Original Assignee
Shandong Haixinda Petroleum Machinery 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 Shandong Haixinda Petroleum Machinery Co ltd filed Critical Shandong Haixinda Petroleum Machinery Co ltd
Priority to CN202211002383.7A priority Critical patent/CN115082462B/zh
Publication of CN115082462A publication Critical patent/CN115082462A/zh
Application granted granted Critical
Publication of CN115082462B publication Critical patent/CN115082462B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T7/10—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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种流体输送管外观质量检测方法及系统。该方法包括：获取输送管表面的多张拼接图像并进行灰度化处理得到对应的灰度图像；对灰度图像进行边缘检测得到每张灰度图像中多个边缘像素点，获取边缘像素点中的异常点，基于每个异常点的梯度向量判断异常点是否为边缘重合处的点进而得到连接边缘，获取所有连接边缘中的非直线边缘，并获取每条非直线边缘的边缘累加向量，基于边缘累加向量得到疑似结疤区域；基于疑似结疤区域调整灰度值得到调整图像，根据调整图像中像素点的灰度值判断疑似结疤区域是否为结疤区域；通过灰度和梯度的多次筛选，提高了结疤区域检测的准确性。

Description

一种流体输送管外观质量检测方法及系统
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种流体输送管外观质量检测方法及系统。
背景技术
流体输送管实际上是针对应用场景的无缝钢管，其有一套相应的外观质量检测标准，其中对于输送管表面的结疤缺陷，需要对其进行消除。结疤缺陷即是输送管外表面呈现有规律的螺旋状的斑疤缺陷，一般是由于轧辊老化或者磨损严重导致，其形成位置一般固定且有规律的螺旋分布在一定区域。同时，因为轧辊磨损、老化，也可能会在输送管外表面造成发纹缺陷，其表现为连续或不连续的发状细纹，相较于周期性沿管壁外表面螺旋出现的结疤缺陷而言，发纹缺陷可能出现区域很小，也有可能成片出现，其分布没有规律，并且如果分布范围较大时，可能周期性出现的结疤缺陷刚好分布在发纹缺陷范围内，因此对结疤缺陷进行判断时，会存在较大的误差。
由于结疤缺陷往往呈现周期性分布，因此通常对图像中每行每列的特征进行结疤区域分析检测，但是同等环境下可能存在发纹缺陷，因此在利用图像中的每行和每列的灰度值进行结疤缺陷检测时会存在一定的误差；若直接采用掩膜或者滤波的方法对发纹缺陷区域进行遮挡或去除，会使得位于发纹缺陷范围内的结疤缺陷丢失部分边缘特征，使得最终的结疤缺陷检测不够准确。
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流体输送管外观质量检测方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种流体输送管外观质量检测方法，该方法包括以下步骤：
获取输送管表面的多张拼接图像，所有所述拼接图像组成输送管表面的全部区域；对每张所述拼接图像进行灰度化处理得到对应的灰度图像；
对所述灰度图像进行canny算子检测得到每张灰度图像中的多个边缘像素点，以任意边缘像素点为目标点，获取所述目标点邻域内的边缘像素点，基于所述目标点与其邻域内的边缘像素点之间的灰度差值获取灰度相关程度，基于所述灰度相关程度得到所述目标点的对应点，所述目标点指向其对应点的方向为所述目标点的边缘走向方向；若所述目标点不存在对应点，所述目标点为异常点；
获取每个所述异常点的梯度向量，基于所述梯度向量判断所述异常点是否为边缘重合处的边缘像素点；若所述异常点为边缘重合处的边缘像素点，则将所述异常点连接至对应边缘得到连接边缘；基于每条连接边缘中每个边缘像素点对应的边缘走向方向判断是否为非直线边缘；
获取每条所述非直线边缘中所有边缘像素点的边缘累加向量，基于所述边缘累加向量判断所述非直线边缘是否为疑似结疤边缘，根据疑似结疤边缘得到对应的疑似结疤区域；
基于所述疑似结疤区域调整所述灰度图像中的灰度值得到调整图像，根据所述调整图像中每行像素点的灰度值以及每列像素点的灰度值构建拟合曲线，基于所述拟合曲线判断所述疑似结疤区域是否为结疤区域。
优选的，所述基于所述灰度相关程度得到所述目标点的对应点的步骤，包括：
所述灰度相关程度处于预设范围内时，所述灰度相关程度对应的邻域内的边缘像素点为所述目标点的对应点。
优选的，所述基于所述梯度向量判断所述异常点是否为边缘重合处的边缘像素点的步骤，包括：
获取所述异常点邻域内的每个边缘像素点的梯度向量；基于邻域内的边缘像素点的梯度向量计算所述异常点对应的计算梯度向量；
获取所述异常点对应梯度向量的方向角以及计算梯度向量的方向角，并获取计算梯度向量的方向角的第一余弦值与梯度向量的方向角的第二余弦值，判断所述第二余弦值与所述第一余弦值的比值是否满足接近范围；
获取所述异常点对应梯度向量的模长以及计算梯度向量的模长，基于所述梯度向量的模长与所述计算梯度向量的模长计算所述异常点的可信度，判断所述可信度是否满足可信范围；
当所述异常点同时满足接近范围和可信范围时，所述异常点为边缘重合处的边缘像素点；边缘重合处的边缘像素点是指发纹缺陷的边缘和结疤缺陷的边缘的重合处的边缘像素点。
优选的，所述基于每条连接边缘中每个边缘像素点对应的边缘走向方向判断是否为非直线边缘的步骤，包括：
根据每个边缘像素点对应的边缘走向方向得到对应的方向角，获取每条连接边缘上所有边缘像素点对应的方向角；
计算当前连接边缘上每个边缘像素点对应方向角的正弦值，当所有正弦值的绝对值相等时，当前连接边缘为直线边缘；当所有正弦值的绝对值不相等时，当前连接边缘为非直线边缘。
优选的，所述获取每条所述非直线边缘中所有边缘像素点的边缘累加向量的步骤，包括：
对每条所述非直线边缘上所有边缘像素点的边缘走向方向进行调节；
将调节后所述非直线边缘上所有边缘像素点对应边缘走向方向的向量进行累加得到所述非直线边缘的边缘累加向量。
优选的，所述基于所述边缘累加向量判断所述非直线边缘是否为疑似结疤边缘的步骤，包括：
当所述非直线边缘的边缘累加向量为零向量时，所述非直线边缘为疑似结疤边缘。
优选的，所述基于所述疑似结疤区域调整所述灰度图像中的灰度值得到调整图像的步骤，包括：
获取所述灰度图像中不包括边缘像素点的正常区域的灰度值，将所述正常区域的灰度值赋予每个所述疑似结疤区域的边缘像素点；
分别计算每个所述疑似结疤区域内部所有像素点的灰度均值，将所述灰度均值赋予对应所述疑似结疤区域内部所有像素点；
对所有所述疑似结疤区域的灰度值调整后的灰度图像为调整图像。
优选的，所述根据所述调整图像中每行像素点的灰度值以及每列像素点的灰度值构建拟合曲线的步骤，包括：
将所述调整图像进行大津自适应阈值分割，将灰度值小于分割阈值的像素点的灰度值置为255，将灰度值大于分割阈值的像素点的灰度值置为0得到二值图像；
对二值图像中每行像素点的灰度值进行累加得到行和，对二值图像中每列像素点的灰度值进行累加得到列和；
基于所有的行和进行曲线拟合得到行拟合曲线，基于所有的列和进行曲线拟合得到列拟合曲线。
优选的，所述基于所述拟合曲线判断所述疑似结疤区域是否为结疤区域的步骤，包括：
提取所述行拟合曲线的波峰数据以及所述列拟合曲线的波峰数据；基于所述波峰数据获取波峰的幅值以及波峰之间的间距，基于波峰的幅值以及波峰的间距判断所述行拟合曲线和所述列拟合曲线是否存在周期性；
存在周期性的波峰数据对应的疑似结疤区域为结疤区域。
第二方面，本发明另一个实施例提供了一种流体输送管外观质量检测系统，该系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器在执行所述计算机程序时，实现如上述一种流体输送管外观质量检测方法所述的步骤。
本发明具有如下有益效果：对输送管表面的每段拼接图像对应的灰度图像进行分析，根据每张灰度图像中的边缘像素点之间的灰度值得到每个边缘像素点的边缘走向方向，并进一步区分出其中的异常点，结合异常点的梯度向量进行分析，判断异常点是否为边缘重合处的边缘像素点，进而基于判断结果进一步分析判断每条边缘是否为非直线边缘，以灰度值以及梯度值的多层分析将输送管表面的发纹缺陷和其他缺陷的干扰去除，以避免后续进行结疤缺陷识别的时候出现错误判断的情况；同时，对得到的非直线边缘进一步进行分析，根据非直线边缘的边缘累加向量找出疑似结疤边缘，后续对疑似结疤边缘再次进行分析，提高了分析的效率；基于结疤缺陷特有的周期性，对疑似结疤边缘所对应的疑似结疤区域中的每行以及每列的像素点进行分析，进而判断出疑似结疤区域中的结疤区域，避免了其他缺陷对结疤缺陷检测的影响，且得到的结果更加准确可靠。
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流体输送管外观质量检测方法流程图。
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一种流体输送管外观质量检测方法及系统，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。
本申请适用于对流体输送管表面结疤缺陷的检测，由于结疤缺陷产生的环境下可能会存在发纹缺陷，而发纹缺陷与结疤缺陷的处理方法不同，且发纹缺陷范围内可能分布有结疤缺陷，无法直接进行去除操作，因此本发明实施例中对发纹缺陷进行筛选去除，且在发纹缺陷去除的同时不影响结疤缺陷的检测分析。
下面结合附图具体的说明本发明所提供的一种流体输送管外观质量检测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种流体输送管外观质量检测方法流程图，该方法包括以下步骤：
步骤S100，获取输送管表面的多张拼接图像，所有拼接图像组成输送管表面的全部区域；对每张拼接图像进行灰度化处理得到对应的灰度图像。
输送管一般还称为钢管，由于输送管呈空心圆柱体，且外结疤缺陷螺旋规律分布在输送管上，则在图像采集时需要保证可以得到输送管一周全部的图像。本发明实施例中采用工业相机完成图像的采集，首先将工业相机放置于输送管的上方，俯视向下采集一部分输送管图像，然后将工业相机所在机器进行旋转，使得相机能够拍摄到输送管一周的图像。
为了保证后续分析的准确性，本发明实施例中对输送管进行图像采集时分段采集，即相机每旋转一周得到的图像为输送管表面一段区域的图像，将相机每次采集输送管一周的图像记为拼接图像，从输送管的一端开始采集得到一张拼接图像，不断移动输送管进行图像采集可得到多张拼接图像，多张拼接图像拼接后为输送管表面的全部区域的图像；图像拼接的手段为现有公知技术，不再赘述。
进一步的，为便于后续对每张拼接图像的处理分析，对每张拼接图像进行灰度化处理得到对应的灰度图像，灰度化处理的方法为常用手段，实施者可根据实际情况自行选择灰度化处理算法。
步骤S200，对灰度图像进行canny算子检测得到每张灰度图像中多个边缘像素点，以任意边缘像素点为目标点，获取目标点邻域内的边缘像素点，基于目标点与其邻域内的边缘像素点之间的灰度差值获取灰度相关程度，基于灰度相关程度得到目标点的对应点，目标点指向其对应点的方向为目标点的边缘走向方向；若目标点不存在对应点，目标点为异常点。
考虑到发纹缺陷是一种细小纹缕且同一缺陷区域内的发纹方向一致，因此发纹缺陷可以视为多条平行直线，并且同一个发纹缺陷上像素点的灰度值接近，而结疤缺陷的边缘可能会导致不是同一个发纹缺陷上的像素点灰度值也接近，因此发纹缺陷与结疤缺陷在检测时会相互影响。
由步骤S100获取到拼接图像对应的灰度图像，对每个灰度图像进行边缘检测得到其中的边缘轮廓部分，即所有的边缘像素点的位置信息，本发明实施例中边缘检测算法采用canny算子检测，在其他实施例中可根据实际情况选择。
以每张灰度图像中任意一个边缘像素点作为目标点进行分析，将目标点
Figure DEST_PATH_IMAGE001
对应的灰度值记为
Figure 802008DEST_PATH_IMAGE002
，获取目标点
Figure 770226DEST_PATH_IMAGE001
的八邻域内存在的边缘像素点，若目标点的邻域内不存在边缘像素点，则将该目标点记为异常点。由于同一条发纹缺陷上像素点的灰度值接近且发纹缺陷一般为竖直方向，而结疤缺陷上像素点之间的灰度值也很接近，因此基于边缘像素点之间的灰度值的相关程度进行初步分析；以目标点
Figure 415971DEST_PATH_IMAGE001
为例，计算其邻域内存在的边缘像素点与该目标点之间的灰度相关程度为：
Figure 462425DEST_PATH_IMAGE004
其中，
Figure DEST_PATH_IMAGE005
表示灰度相关程度；
Figure 70867DEST_PATH_IMAGE002
为目标点的灰度值；
Figure 442943DEST_PATH_IMAGE006
为目标点的邻域中第
Figure DEST_PATH_IMAGE007
个边缘像素点的灰度值。
当灰度相关程度
Figure 638301DEST_PATH_IMAGE005
处于预设范围内时，表明目标点
Figure 255489DEST_PATH_IMAGE001
与其邻域内第
Figure 157586DEST_PATH_IMAGE007
个的边缘像素点之间的灰度值较为接近，则两个边缘像素点属于同一条边缘；作为优选，本发明实施例中设置灰度相关程度的预设范围为
Figure 434984DEST_PATH_IMAGE008
，即当两个边缘像素点之间的灰度相关程度属于该预设范围内时，则两个边缘像素点属于同一条边缘。则计算目标点
Figure 789742DEST_PATH_IMAGE001
与其邻域内第
Figure 479130DEST_PATH_IMAGE007
个边缘像素点之间的灰度相关程度，当灰度相关程度处于该预设范围内时，将第
Figure 970154DEST_PATH_IMAGE007
个边缘像素点记为目标点
Figure 684032DEST_PATH_IMAGE001
的对应点，该目标点
Figure 791665DEST_PATH_IMAGE001
可能不存在对应点或者存在多个对应点；当目标点
Figure 485077DEST_PATH_IMAGE001
不存在对应点时，该目标点
Figure 96187DEST_PATH_IMAGE001
被记为异常点。
当目标点存在对应点时，以目标点为起始点指向其对应点的方向记为该目标点的边缘走向方向，目标点的邻域内存在的对应点的数量与该目标点的边缘走向方向的数量一致。以此类推，获取灰度图像中所有边缘像素点对应的边缘走向方向。
需要说明的是，在对所有的边缘像素点进行分析时，若某个像素点已经被分析处理过则不再进行分析，例如在对目标点进行分析时得到其对应的对应点，由于对应点也为边缘像素点，因此在后续对剩余边缘像素点进行分析时，不必对该对应点再次进行分析处理。此时即可得到灰度图像中正常的边缘像素点的边缘走向方向以及所有的异常点。
步骤S300，获取每个异常点的梯度向量，基于梯度向量判断异常点是否为边缘重合处的边缘像素点；若异常点为边缘重合处的边缘像素点，则将异常点连接至对应边缘得到连接边缘；基于每条连接边缘中每个边缘像素点对应的边缘走向方向判断是否为非直线边缘。
由步骤S200中获取到灰度图像中的异常点以及正常的边缘像素点的边缘走向方向；异常点有可能为噪声点也有可能是由于发纹缺陷的边缘和结疤缺陷的边缘相交而导致的灰度异常的点，因此对所有的异常点再次进行分析。
获取异常点邻域内的每个边缘像素点的梯度向量；基于邻域内的边缘像素点的梯度向量计算异常点对应的计算梯度向量；获取异常点对应梯度向量的方向角以及计算梯度向量的方向角，并获取计算梯度向量的方向角的第一余弦值与梯度向量的方向角的第二余弦值，判断第二余弦值与第一余弦值的比值是否满足接近范围；获取异常点对应梯度向量的模长以及计算梯度向量的模长，基于梯度向量的模长与计算梯度向量的模长计算异常点的可信度，判断可信度是否满足可信范围；当异常点同时满足接近范围和可信范围时，异常点为边缘重合处的边缘像素点；边缘重合处的边缘像素点是指发纹缺陷的边缘和结疤缺陷的边缘的重合处的边缘像素点。
具体的，由步骤S200中利用canny算子进行边缘检测时可得到每个像素点对应的梯度向量，以所有异常点中第
Figure DEST_PATH_IMAGE009
个异常点为例进行分析，将第
Figure 574442DEST_PATH_IMAGE009
个异常点的梯度向量记为
Figure 402327DEST_PATH_IMAGE010
；由于异常点可能为发纹缺陷的边缘和结疤缺陷的边缘重合的点，则其邻域内的边缘像素点可能分别属于两条边缘中，异常点的邻域内可能存在多个边缘像素点，本发明实施例中以邻域中存在4个边缘像素点的情况进行计算，将该4个边缘像素点对应的梯度向量分别记为
Figure DEST_PATH_IMAGE011
、
Figure 460282DEST_PATH_IMAGE012
、
Figure DEST_PATH_IMAGE013
以及
Figure 224101DEST_PATH_IMAGE014
，基于第
Figure 545361DEST_PATH_IMAGE009
个异常点对应邻域内所有边缘像素点的梯度向量计算该异常点的计算梯度向量，则第
Figure 96428DEST_PATH_IMAGE009
个异常点的计算梯度向量为：
Figure 895756DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE017
表示第
Figure 770872DEST_PATH_IMAGE009
个异常点的计算梯度向量。
通过分析第
Figure 997454DEST_PATH_IMAGE009
个异常点的计算梯度向量
Figure 770238DEST_PATH_IMAGE017
与第
Figure 373258DEST_PATH_IMAGE009
个异常点实际的梯度向量
Figure 813466DEST_PATH_IMAGE010
之间的关系，判断该异常点是否确定为边缘重合处的点。具体判断方法为：获取第
Figure 712414DEST_PATH_IMAGE009
个异常点实际的梯度向量
Figure 238074DEST_PATH_IMAGE010
对应的方向角
Figure 379205DEST_PATH_IMAGE018
以及计算梯度向量
Figure 939499DEST_PATH_IMAGE017
对应的方向角
Figure DEST_PATH_IMAGE019
；当
Figure 803157DEST_PATH_IMAGE020
时，表明实际的梯度向量和计算梯度向量之间的方向角较为接近，其中，
Figure DEST_PATH_IMAGE021
表示梯度向量的方向角的第二余弦值；
Figure 144008DEST_PATH_IMAGE022
表示计算梯度向量的方向角的第一余弦值；|*|表示绝对值运算。
进一步的，判断第
Figure 590295DEST_PATH_IMAGE009
个异常点的可信度
Figure DEST_PATH_IMAGE023
，其中，|*|表示向量的模长运算；当计算出的可信度
Figure 67413DEST_PATH_IMAGE024
时，表明实际的梯度向量在计算梯度向量上的投影属于可信范围内，当第
Figure 72278DEST_PATH_IMAGE009
个异常点的梯度向量和计算梯度向量之间满足方向角属于接近范围且可信度处于可信范围内时，表明第
Figure 811345DEST_PATH_IMAGE009
个异常点确定为边缘重合处的边缘像素点，边缘重合即为发纹缺陷的边缘和结疤缺陷的边缘的重合。
需要说明的是，在不同的实施例中，方向角的接近范围
Figure DEST_PATH_IMAGE025
以及可信度的可信范围
Figure 91017DEST_PATH_IMAGE025
可由实施者根据实际情况进行设置，本发明实施例中设置的
Figure 625903DEST_PATH_IMAGE025
仅表示一种优选的范围。
当第
Figure 270511DEST_PATH_IMAGE009
个异常点的梯度向量和计算梯度向量之间不满足方向角属于接近范围或者可信度不处于可信范围内时，第
Figure 759523DEST_PATH_IMAGE009
个异常点为噪声点，不再进行后续分析。
以此类推，对所有的异常点进行分析判断其为噪声点还是边缘重合处的边缘像素点，当异常点属于边缘重合处的边缘像素点时，则将该异常点分别连入两个边缘中，即边缘重合的两条边缘均包含该异常点，将异常点连入边缘后的边缘记为连接边缘。
进一步的，遍历每条连接边缘上的边缘像素点找出每条连接边缘上的端点，判断其端点是否处于灰度图像的同一条边界上，若连接边缘的两个端点处于灰度图像的同一条边界上，则将边界连接入连接边缘上得到新的连接边缘，对新的连接边缘进行后续的分析，为了便于表述，后续分析过程中的连接边缘均为新的连接边缘。根据每个边缘像素点对应的边缘走向方向得到对应的方向角，获取每条连接边缘上所有边缘像素点对应的方向角；计算当前连接边缘上每个边缘像素点对应方向角的正弦值，当所有正弦值的绝对值相等时，当前连接边缘为直线边缘；当所有正弦值的绝对值不相等时，当前连接边缘为非直线边缘。
对于任意一条连接边缘，已知该连接边缘上每个边缘像素点对应的边缘走向方向，以第
Figure 780569DEST_PATH_IMAGE026
条连接边缘为例，将第
Figure 169962DEST_PATH_IMAGE026
条连接边缘上第
Figure DEST_PATH_IMAGE027
个边缘像素点对应的方向角记为
Figure 77482DEST_PATH_IMAGE028
，获取方向角
Figure 552326DEST_PATH_IMAGE028
的正弦值的绝对值为
Figure DEST_PATH_IMAGE029
；当第
Figure 439379DEST_PATH_IMAGE026
条连接边缘上所有边缘像素点对应的方向角的绝对值相等时，表明第
Figure 919164DEST_PATH_IMAGE026
条连接边缘上所有边缘像素点对应的边缘走向方向一致，仅存在正反方向的差异，则可表明第
Figure 436733DEST_PATH_IMAGE026
条连接边缘为一条直线边缘，由于发纹缺陷的主要表现形式即为一条直线，因此当连接边缘为直线边缘时，可判定该直线边缘为发纹缺陷的边缘或者是由其他干扰因素形成的边缘；当第
Figure 398873DEST_PATH_IMAGE026
条连接边缘上所有边缘像素点对应的方向角的绝对值存在不相等的情况时，则表明第
Figure 761721DEST_PATH_IMAGE026
条连接边缘上所有边缘像素点对应的边缘走向方向存在不一致，则第
Figure 860127DEST_PATH_IMAGE026
条连接边缘为非直线边缘。
以此类推，对所有的连接边缘进行分析，找出其中的非直线边缘，进一步对非直线边缘进行后续的分析处理。
步骤S400，获取每条非直线边缘中所有边缘像素点的边缘累加向量，基于边缘累加向量判断非直线边缘是否为疑似结疤边缘，根据疑似结疤边缘得到对应的疑似结疤区域。
对每条非直线边缘上所有边缘像素点的边缘走向方向进行调节；将调节后非直线边缘上所有边缘像素点对应边缘走向方向的向量进行累加得到非直线边缘的边缘累加向量。
具体的，以所有非直线边缘中第
Figure 799132DEST_PATH_IMAGE030
条边缘为例进行后续处理，从第
Figure 248567DEST_PATH_IMAGE030
条边缘的两个端点中任意一个端点为起始进行遍历，当第一个点的边缘走向方向为由该点指向其相邻下一个点时，则保持第一个点的边缘走向方向不变；若第一个点与其相邻下一个点之间的边缘走向方向为下一个点指向第一个点时，则将该边缘走向方向进行反向变换，使其边缘走向方向变为由第一个点指向其相邻下一个点的方向；并且可以根据边缘走向方向判断该边缘走向方向对应向量的模长，若下一个点是与其相连的前一个点的四邻域内的像素点，则此时边缘走向方向的向量模长为1；若下一个点是与其向量的前一个点的八邻域内
Figure DEST_PATH_IMAGE031
或
Figure 477423DEST_PATH_IMAGE032
的像素点，则此时边缘走向方向的向量模长为
Figure DEST_PATH_IMAGE033
；以此类推，直至遍历完第
Figure 259697DEST_PATH_IMAGE030
条边缘上所有边缘像素点并对每个边缘像素点的边缘走向方向调节完成。
需要说明的是，当第
Figure 853489DEST_PATH_IMAGE030
条边缘为接入灰度图像边界的非直线边缘时，第
Figure 524642DEST_PATH_IMAGE030
条边缘的端点仍然为接入灰度图像的边界之前的端点，并且在对第
Figure 258986DEST_PATH_IMAGE030
条边缘上每个边缘像素点进行遍历时，两个端点之间的边缘走向方向为遍历的终止点指向遍历的起始点，边缘走向方向的向量模长为两端点之间像素点的数量。
进一步的，对遍历并调节边缘走向方向后的第
Figure 331985DEST_PATH_IMAGE030
条边缘进行计算，将第
Figure 96678DEST_PATH_IMAGE030
条边缘上所有边缘像素点对应的边缘走向方向的向量进行累加，得到第
Figure 255127DEST_PATH_IMAGE030
条边缘的边缘累加向量，则边缘累加向量的计算为：
Figure DEST_PATH_IMAGE035
其中，
Figure 327251DEST_PATH_IMAGE036
表示第
Figure 520335DEST_PATH_IMAGE030
条边缘的边缘累加向量；
Figure DEST_PATH_IMAGE037
表示第
Figure 518247DEST_PATH_IMAGE030
条边缘上第
Figure 668386DEST_PATH_IMAGE038
个边缘像素点对应边缘走向方向的向量；
Figure DEST_PATH_IMAGE039
表示第
Figure 777156DEST_PATH_IMAGE030
条边缘上所有边缘像素点的数量。
当第
Figure 90326DEST_PATH_IMAGE030
条边缘的边缘累加向量
Figure 698287DEST_PATH_IMAGE040
时，则表明该边缘上所有边缘像素点对应的边缘走向方向的向量的累加结果为
Figure DEST_PATH_IMAGE041
，该条边缘为闭合边缘；当第
Figure 159224DEST_PATH_IMAGE030
条边缘的边缘累加向量
Figure 39062DEST_PATH_IMAGE042
时，则该条边缘为非闭合边缘。
以此类推，对所有非直线边缘进行分析，判断非直线边缘是否为闭合边缘，将闭合边缘记为疑似结疤边缘，则可根据所有的疑似结疤边缘获取对应的疑似结疤区域，避免了由于直接对发纹缺陷进行掩膜处理导致覆盖结疤缺陷的情况，减少了误判的情况。
步骤S500，基于疑似结疤区域调整灰度图像中的灰度值得到调整图像，根据调整图像中每行像素点的灰度值以及每列像素点的灰度值构建拟合曲线，基于拟合曲线判断疑似结疤区域是否为结疤区域。
由步骤S400中得到疑似结疤区域，并在对疑似结疤区域的不断筛选过程中摒弃了灰度图像中的发纹缺陷的边缘以及其他缺陷的边缘干扰，进一步对疑似结疤区域进行分析。首先对每个疑似结疤区域的灰度值进行调整，由于灰度图像中仅包括输送管表面区域，且输送管表面的正常区域中灰度值一致，因此将疑似结疤区域的边缘上边缘像素点的灰度值调整为灰度图像中正常区域的灰度值。
然后对疑似结疤区域的区域内部像素点的灰度值进行调整，统计疑似结疤区域的区域内部所有像素点的数量以及每个像素点的灰度值，基于区域内部所有像素点的灰度值以及像素点数量得到灰度均值，以该灰度均值作为区域内部所有像素点的灰度值，即疑似结疤区域的区域内部像素点的灰度值均调整为该灰度均值。
利用上述疑似结疤区域的边缘以及内部像素点的灰度值的调整方法，既去除了发纹缺陷又没有对疑似结疤缺陷产生影响，保证了后续缺陷检测的准确性。
对疑似结疤区域的灰度值调整后的灰度图像记为调整图像，进一步对该调整图像进行阈值分割，本发明实施例中阈值分割的方法采用大津自适应阈值分割法，并对分割后的图像进行反相二值化处理，即将灰度值小于分割阈值的疑似结疤缺陷区域的灰度值置为255，将灰度值大于分割阈值的正常区域的灰度值置为0，从而得到处理后的二值图像。
进一步的，对二值图像中每行像素点对应的灰度值进行累加得到每行的行和；相应的，对二值图像中每列像素点对应的灰度值进行累加得到每列的列和；对每行的行和进行曲线拟合得到对应的行拟合曲线，对每列的列和进行曲线拟合得到对应的列拟合曲线。
对行拟合曲线以及列拟合曲线上的波峰数据进行提取，由于结疤缺陷是具有周期性且形状表现相近的一种缺陷，因此可根据行拟合曲线和列拟合曲线获取波峰的幅值以及每个波峰间距变化的关系判断疑似结疤区域是否为结疤缺陷，基于拟合曲线中的波峰数据判断周期性的方法为现有技术，不再赘述；由此可根据是否存在周期性得到每张灰度图像中的结疤区域，即波峰数据存在周期性时，疑似结疤区域为结疤区域，反之，波峰数据不存在周期性时，疑似结疤区域不是结疤区域。
综上所述，本发明实施例中通过采集输送管表面的多张拼接图像，并对拼接图像进行灰度化处理得到对应的灰度图像；对每张灰度图像进行边缘检测得到对应的边缘像素点，并基于边缘像素点的灰度值得到每个边缘像素点的边缘走向方向以及异常点；进而对异常点的梯度向量进行分析，判断该异常点是噪声点还是边缘重合处的边缘像素点，若异常点属于边缘重合处的边缘像素点，则将该异常点分别连入两个边缘中进行分析，连接后的边缘记为连接边缘；基于每条连接边缘上所有边缘像素点的边缘走向方向识别出非直线边缘，对非直线边缘计算边缘累加向量，当边缘累加向量为零向量时，说明非直线边缘闭合则该非直线边缘为疑似结疤边缘，从而得到灰度图像中的疑似结疤区域；进而对每个疑似结疤区域的灰度值进行调节，判断疑似结疤区域是否存在周期性，存在周期性的疑似结疤区域即为结疤区域，从而得到灰度图像中所有的结疤区域，且避免了发纹缺陷区域和其他缺陷区域的干扰，使得检测得到的结疤区域的结果更加准确可靠。
基于与上述方法实施例相同的发明构思，本发明实施例还提供了一种流体输送管外观质量检测系统，该系统包括：存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种流体输送管外观质量检测方法实施例中的步骤，例如图1所示的步骤。该一种流体输送管外观质量检测方法在上述实施例中已经详细说明，不再赘述。
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。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)

1.一种流体输送管外观质量检测方法，其特征在于，该方法包括以下步骤：
获取输送管表面的多张拼接图像，所有所述拼接图像组成输送管表面的全部区域；对每张所述拼接图像进行灰度化处理得到对应的灰度图像；
对所述灰度图像进行canny算子检测得到每张灰度图像中的多个边缘像素点，以任意边缘像素点为目标点，获取所述目标点邻域内的边缘像素点，基于所述目标点与其邻域内的边缘像素点之间的灰度差值获取灰度相关程度，基于所述灰度相关程度得到所述目标点的对应点，所述目标点指向其对应点的方向为所述目标点的边缘走向方向；若所述目标点不存在对应点，所述目标点为异常点；
获取每个所述异常点的梯度向量，基于所述梯度向量判断所述异常点是否为边缘重合处的边缘像素点；若所述异常点为边缘重合处的边缘像素点，则将所述异常点连接至对应边缘得到连接边缘；基于每条连接边缘中每个边缘像素点对应的边缘走向方向判断是否为非直线边缘；
获取每条所述非直线边缘中所有边缘像素点的边缘累加向量，基于所述边缘累加向量判断所述非直线边缘是否为疑似结疤边缘，根据疑似结疤边缘得到对应的疑似结疤区域；
基于所述疑似结疤区域调整所述灰度图像中的灰度值得到调整图像，根据所述调整图像中每行像素点的灰度值以及每列像素点的灰度值构建拟合曲线，基于所述拟合曲线判断所述疑似结疤区域是否为结疤区域；
其中，所述基于所述梯度向量判断所述异常点是否为边缘重合处的边缘像素点的步骤，包括：
获取所述异常点邻域内的每个边缘像素点的梯度向量；基于邻域内的边缘像素点的梯度向量计算所述异常点对应的计算梯度向量；
获取所述异常点对应梯度向量的方向角以及计算梯度向量的方向角，并获取计算梯度向量的方向角的第一余弦值与梯度向量的方向角的第二余弦值，判断所述第二余弦值与所述第一余弦值的比值是否满足接近范围；
获取所述异常点对应梯度向量的模长以及计算梯度向量的模长，基于所述梯度向量的模长与所述计算梯度向量的模长计算所述异常点的可信度，判断所述可信度是否满足可信范围；
当所述异常点同时满足接近范围和可信范围时，所述异常点为边缘重合处的边缘像素点；边缘重合处的边缘像素点是指发纹缺陷的边缘和结疤缺陷的边缘的重合处的边缘像素点。
2.根据权利要求1所述的一种流体输送管外观质量检测方法，其特征在于，所述基于所述灰度相关程度得到所述目标点的对应点的步骤，包括：
所述灰度相关程度处于预设范围内时，所述灰度相关程度对应的邻域内的边缘像素点为所述目标点的对应点。
3.根据权利要求1所述的一种流体输送管外观质量检测方法，其特征在于，所述基于每条连接边缘中每个边缘像素点对应的边缘走向方向判断是否为非直线边缘的步骤，包括：
根据每个边缘像素点对应的边缘走向方向得到对应的方向角，获取每条连接边缘上所有边缘像素点对应的方向角；
计算当前连接边缘上每个边缘像素点对应方向角的正弦值，当所有正弦值的绝对值相等时，当前连接边缘为直线边缘；当所有正弦值的绝对值不相等时，当前连接边缘为非直线边缘。
4.根据权利要求1所述的一种流体输送管外观质量检测方法，其特征在于，所述获取每条所述非直线边缘中所有边缘像素点的边缘累加向量的步骤，包括：
对每条所述非直线边缘上所有边缘像素点的边缘走向方向进行调节；
将调节后所述非直线边缘上所有边缘像素点对应边缘走向方向的向量进行累加得到所述非直线边缘的边缘累加向量。
5.根据权利要求1所述的一种流体输送管外观质量检测方法，其特征在于，所述基于所述边缘累加向量判断所述非直线边缘是否为疑似结疤边缘的步骤，包括：
当所述非直线边缘的边缘累加向量为零向量时，所述非直线边缘为疑似结疤边缘。
6.根据权利要求1所述的一种流体输送管外观质量检测方法，其特征在于，所述基于所述疑似结疤区域调整所述灰度图像中的灰度值得到调整图像的步骤，包括：
获取所述灰度图像中不包括边缘像素点的正常区域的灰度值，将所述正常区域的灰度值赋予每个所述疑似结疤区域的边缘像素点；
分别计算每个所述疑似结疤区域内部所有像素点的灰度均值，将所述灰度均值赋予对应所述疑似结疤区域内部所有像素点；
对所有所述疑似结疤区域的灰度值调整后的灰度图像为调整图像。
7.根据权利要求1所述的一种流体输送管外观质量检测方法，其特征在于，所述根据所述调整图像中每行像素点的灰度值以及每列像素点的灰度值构建拟合曲线的步骤，包括：
将所述调整图像进行大津自适应阈值分割，将灰度值小于分割阈值的像素点的灰度值置为255，将灰度值大于分割阈值的像素点的灰度值置为0得到二值图像；
对二值图像中每行像素点的灰度值进行累加得到行和，对二值图像中每列像素点的灰度值进行累加得到列和；
基于所有的行和进行曲线拟合得到行拟合曲线，基于所有的列和进行曲线拟合得到列拟合曲线。
8.根据权利要求7所述的一种流体输送管外观质量检测方法，其特征在于，所述基于所述拟合曲线判断所述疑似结疤区域是否为结疤区域的步骤，包括：
提取所述行拟合曲线的波峰数据以及所述列拟合曲线的波峰数据；基于所述波峰数据获取波峰的幅值以及波峰之间的间距，基于波峰的幅值以及波峰的间距判断所述行拟合曲线和所述列拟合曲线是否存在周期性；
存在周期性的波峰数据对应的疑似结疤区域为结疤区域。
9.一种流体输送管外观质量检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器在执行所述计算机程序时，实现上述权利要求1-8任意一项所述方法的步骤。
CN202211002383.7A 2022-08-22 2022-08-22 一种流体输送管外观质量检测方法及系统 Active CN115082462B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211002383.7A CN115082462B (zh) 2022-08-22 2022-08-22 一种流体输送管外观质量检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211002383.7A CN115082462B (zh) 2022-08-22 2022-08-22 一种流体输送管外观质量检测方法及系统

Publications (2)

Publication Number Publication Date
CN115082462A CN115082462A (zh) 2022-09-20
CN115082462B true CN115082462B (zh) 2022-11-08

Family

ID=83245458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211002383.7A Active CN115082462B (zh) 2022-08-22 2022-08-22 一种流体输送管外观质量检测方法及系统

Country Status (1)

Country Link
CN (1) CN115082462B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115239713B (zh) * 2022-09-21 2022-12-20 江苏芸裕金属制品有限公司 一种钢丝绳状态在线识别方法
CN115249301B (zh) * 2022-09-22 2022-12-20 精技精密部件(南通)有限公司 一种用于提取工件表面研磨褶皱的方法
CN115330793B (zh) * 2022-10-13 2023-01-31 济宁市兖州区恒升机械有限公司 一种基于图像处理的液压硬管连接管接头质量检测方法
CN115375588B (zh) * 2022-10-25 2023-02-07 山东旗胜电气股份有限公司 基于红外成像的电网变压器故障识别方法
CN115908411B (zh) * 2023-01-06 2023-05-30 山东水利建设集团有限公司 基于视觉检测的混凝土养护质量分析方法
CN116071387B (zh) * 2023-03-06 2023-06-16 曲阜市巨力铁路轨道工程股份有限公司 基于机器视觉的枕轨生产质量检测方法
CN116168025B (zh) * 2023-04-24 2023-07-07 日照金果粮油有限公司 一种油幕式油炸花生生产系统
CN116823808B (zh) * 2023-08-23 2023-11-17 青岛豪迈电缆集团有限公司 基于机器视觉的电缆绞线智能检测方法
CN118135337B (zh) * 2024-05-06 2024-07-05 江苏裕荣光电科技有限公司 基于特征抽取的电缆温度异常识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114511534A (zh) * 2022-01-28 2022-05-17 江苏泰和木业有限公司 一种基于图像处理的pc板裂纹判断方法及系统
CN114723701A (zh) * 2022-03-31 2022-07-08 南通博莹机械铸造有限公司 基于计算机视觉的齿轮缺陷检测方法和系统
CN114782426A (zh) * 2022-06-17 2022-07-22 江苏宜臻纺织科技有限公司 基于人工智能系统的针织布料断纱缺陷检测方法
CN114862849A (zh) * 2022-07-06 2022-08-05 山东智领新材料有限公司 一种基于图像处理的铝合板覆膜效果评估方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102236894A (zh) * 2010-04-30 2011-11-09 西门子公司 圆检测方法及装置
CN104077773A (zh) * 2014-06-23 2014-10-01 北京京东方视讯科技有限公司 图像边缘检测方法、图像目标识别方法及装置
CN106056619A (zh) * 2016-06-13 2016-10-26 长安大学 基于梯度约束Radon变换的无人机视觉电线巡检方法
JP2018205001A (ja) * 2017-05-31 2018-12-27 株式会社キーエンス 画像検査装置
JP7360092B2 (ja) * 2020-01-28 2023-10-12 オムロン株式会社 検査装置、検査方法、及び検査プログラム
CN112581474B (zh) * 2021-02-22 2021-05-18 常州微亿智造科技有限公司 一种基于正弦曲线扫描的工业部件视觉边缘检测方法
CN113362308A (zh) * 2021-06-08 2021-09-07 深圳市华汉伟业科技有限公司 一种物体边缘的毛刺检测方法及装置、存储介质
CN113588663B (zh) * 2021-08-03 2024-01-23 上海圭目机器人有限公司 一种管线缺陷识别与信息提取方法
CN114782329A (zh) * 2022-03-31 2022-07-22 南通同欧智能装备科技有限公司 一种基于图像处理的轴承缺陷损伤程度评估方法及系统
CN114913365A (zh) * 2022-04-22 2022-08-16 海门王巢家具制造有限公司 基于机器视觉的人造板质量分类方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114511534A (zh) * 2022-01-28 2022-05-17 江苏泰和木业有限公司 一种基于图像处理的pc板裂纹判断方法及系统
CN114723701A (zh) * 2022-03-31 2022-07-08 南通博莹机械铸造有限公司 基于计算机视觉的齿轮缺陷检测方法和系统
CN114782426A (zh) * 2022-06-17 2022-07-22 江苏宜臻纺织科技有限公司 基于人工智能系统的针织布料断纱缺陷检测方法
CN114862849A (zh) * 2022-07-06 2022-08-05 山东智领新材料有限公司 一种基于图像处理的铝合板覆膜效果评估方法

Also Published As

Publication number Publication date
CN115082462A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN115082462B (zh) 一种流体输送管外观质量检测方法及系统
JP6358351B1 (ja) 表面欠陥検査方法及び表面欠陥検査装置
CN116703907B (zh) 一种基于机器视觉的汽车铸件表面缺陷检测方法
CN109060836B (zh) 基于机器视觉的高压油管接头外螺纹检测方法
JP6099479B2 (ja) ひび割れ検出方法
EP1524622A1 (en) Method and image processing device for analyzing an object contour image, method and image processing device for detecting an object, industrial vision apparatus, smart camera, image display, security system, and computer program product
JPH0351968A (ja) 直線化判別方式
JP5852919B2 (ja) ひび割れ検出方法
CN116309565B (zh) 基于计算机视觉的高强传送带跑偏检测方法
CN111539927B (zh) 汽车塑料组合件紧固卡扣缺装检测装置的检测方法
CN112598723B (zh) 一种不锈钢覆层钢筋厚度识别方法、装置及存储介质
CN115330628A (zh) 基于图像处理的视频逐帧去噪方法
CN117094916B (zh) 一种市政桥梁支座视觉检测方法
CN116664569B (zh) 一种焊瘤缺陷检测方法
CN116818778B (zh) 一种汽车部件快速智能检测方法及系统
Tsai A machine vision approach for detecting and inspecting circular parts
CN112884694A (zh) 一种平面显示面板的缺陷检测方法、装置、设备及介质
CN111784634B (zh) 一种基于Harris-CPDA的角点检测方法
CN117593300B (zh) 一种pe管材裂纹缺陷检测方法及系统
CN113450316B (zh) 一种金属表面字符缺陷检测方法、系统、装置及存储介质
CN115147400B (zh) 一种钢筋交叉点自适应识别方法、系统、电子设备及介质
CN118314191B (zh) 基于数据分析的型钢轮廓尺寸精确测量方法
CN118000785B (zh) 一种颈动脉内中膜增厚位置确定方法及装置
CN112652004A (zh) 一种图像处理方法、装置、设备及介质
CN117455801A (zh) 一种防滑垫圈生产质量视觉检测方法

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