CN115100191A - 基于工业检测的金属铸件缺陷识别方法 - Google Patents
基于工业检测的金属铸件缺陷识别方法 Download PDFInfo
- Publication number
- CN115100191A CN115100191A CN202211003001.2A CN202211003001A CN115100191A CN 115100191 A CN115100191 A CN 115100191A CN 202211003001 A CN202211003001 A CN 202211003001A CN 115100191 A CN115100191 A CN 115100191A
- Authority
- CN
- China
- Prior art keywords
- defect
- target area
- threshold
- casting
- gray
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005058 metal casting Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000005266 casting Methods 0.000 claims abstract description 84
- 230000035772 mutation Effects 0.000 claims abstract description 75
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 238000005286 illumination Methods 0.000 claims description 38
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000004154 testing of material Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000002950 deficient Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012549 training 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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G06T5/70—
-
- G06T5/90—
-
- 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
- G06T7/13—Edge detection
-
- 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
-
- 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
Abstract
本发明涉及材料测试和分析技术领域，具体涉及基于工业检测的金属铸件缺陷识别方法。方法包括：根据待检测铸件的表面图像的灰度直方图的主峰和波谷对应的灰度值，得到左偏阈值和右偏阈值，进而对表面图像中的像素点进行划分，得到各突变区域；根据各突变区域的灰度游程矩阵，计算各突变区域的结构复杂程度；将结构复杂程度大于复杂程度阈值的突变区域记为目标区域；根据各目标区域的灰度游程矩阵，计算各目标区域的反光干扰值；根据各目标区域的反光干扰值和缺陷的标准下界阈值，得到各目标区域对应的缺陷的上界阈值；根据各目标区域对应的缺陷的上界阈值和缺陷的标准下界阈值，得到待检测铸件的表面图像的缺陷区域。本发明提高了检测精度。
Description
技术领域
本发明涉及材料测试和分析技术领域，具体涉及基于工业检测的金属铸件缺陷识别方法。
背景技术
随着科技的发展与进步，各种机械工业设备种类愈加丰富，工业设备的零部件构造也变得多样化。零部件的制作与加工常采用铸造的方式，复杂精细的零部件对铸造的要求也更高。铸件在进行加工铸造等工序中，难免会出现裂痕、毛刺、孔洞、缺角等各种各样的缺陷，这些缺陷会影响成品的质量。因此，在铸件铸造完成后需要对铸件进行表面缺陷的检测，目前，工业金属铸件的检测工艺已经逐渐进入智能化时代，通过机器视觉检测、定位到铸件上的缺陷后，然后立即将其从生产线上筛除，重新打磨和浇铸，保证焊接质量，但对于表面呈凸起的铸件，会受到反光的影响，在对金属铸件进行缺陷检测时，无法通过设定准确的阈值来有效提取铸件的缺陷区域，检测精度较低。
发明内容
为了解决现有方法在对金属铸件进行缺陷检测时存在的检测精度较低的问题，本发明的目的在于提供一种基于工业检测的金属铸件缺陷识别方法，所采用的技术方案具体如下：
本发明提供了一种基于工业检测的金属铸件缺陷识别方法，该方法包括以下步骤：
获取待检测铸件的表面图像；所述表面图像为灰度图像；
获取所述待检测铸件的表面图像对应的灰度直方图；根据所述灰度直方图的主峰和波谷对应的灰度值，得到左偏阈值和右偏阈值；根据所述左偏阈值和右偏阈值，对待检测铸件的表面图像中的像素点进行划分，得到各突变区域；所述左偏阈值小于右偏阈值；
根据各突变区域的灰度游程矩阵，计算各突变区域的结构复杂程度；将结构复杂程度大于复杂程度阈值的突变区域记为目标区域；根据各目标区域的灰度游程矩阵，计算各目标区域对应的反光干扰值；根据各目标区域对应的反光干扰值和缺陷的标准下界阈值，得到各目标区域对应的缺陷的上界阈值；
根据各目标区域对应的缺陷的上界阈值和缺陷的标准下界阈值，得到待检测铸件的表面图像的缺陷区域。
优选的，所述根据所述灰度直方图的主峰和波谷对应的灰度值，得到左偏阈值和右偏阈值，包括：
获取灰度直方图中主峰左侧距主峰最近的波谷对应的灰度值，将所述主峰左侧距主峰最近的波谷对应的灰度值作为左偏阈值；
获取灰度直方图中主峰右侧距主峰最近的波谷对应的灰度值，将所述主峰右侧距主峰最近的波谷对应的灰度值作为右偏阈值。
优选的，采用如下公式计算各突变区域的结构复杂程度：
其中，
为任一突变区域的结构复杂程度，
为灰度游程矩阵中
坐标位置对应的元素值，
为该突变区域的灰度游程矩阵中不为0的元素对应的横坐标的最大值。
优选的，采用如下公式计算各目标区域对应的反光干扰值：
其中，
为任一目标区域对应的反光干扰值，
为第
个灰阶值，
为该目标区域的灰度游程矩阵中
坐标位置对应的元素值，
为该目标区域的灰度游程矩阵中不为0的元素对应的纵坐标中的最大值，
为该目标区域的灰度游程矩阵中不为0的元素对应的横坐标的最大值。
优选的，所述根据各目标区域对应的反光干扰值和缺陷的标准下界阈值，得到各目标区域对应的缺陷的上界阈值，包括：
获取Canny算子提取缺陷区域时的标准下界阈值；所述标准下界阈值为无反光干扰时缺陷区域对应的下界阈值；
对于任一目标区域：计算1与该目标区域对应的反光干扰值之和，将所述1与该目标区域对应的反光干扰值之和作为该目标区域的光照干扰系数；计算所述该目标区域的光照干扰系数与所述标准下界阈值的乘积，将所述乘积作为该目标区域对应的缺陷的上界阈值。
优选的，所述突变区域的像素点的灰度值小于左偏阈值或大于右偏阈值。
优选的，所述获取待检测铸件的表面图像，包括：
采集待检测铸件的图像，将采集到待检测铸件的图像记为初始图像；
利用语义分割网络提取所述初始图像中的铸件区域，对铸件区域图像进行灰度化处理，得到灰度图像；
对所述灰度图像进行去噪和增强处理，将去噪和增强处理后的图像记为待检测铸件的表面图像。
本发明具有如下有益效果：本发明首先获取了待检测铸件的表面图像对应的灰度直方图，根据灰度直方图的主峰和波谷对应的灰度值，得到左偏阈值和右偏阈值；基于左偏阈值和右偏阈值，对待检测铸件的表面图像中的像素点进行划分，得到各突变区域；然后根据各突变区域的灰度游程矩阵，计算各突变区域的结构复杂程度；若某突变区域为缺陷区域，但该突变区域几乎不受光照的干扰或者是受到光照的干扰较小，则该突变区域的结构复杂程度的值较小；若某突变区域为正常区域（即不存在缺陷），但该突变区域存在反光，则该突变区域的结构复杂程度的值也较小；若某突变区域缺陷和反光共存（即该突变区域的像素点受到光照的干扰较大），则该突变区域的结构复杂程度的值较大；基于此，本发明将结构复杂程度大于复杂程度阈值的突变区域记为目标区域；接着本发明计算了各目标区域对应的反光干扰值；根据各目标区域对应的反光干扰值和缺陷的标准下界阈值，得到各目标区域对应的缺陷的上界阈值；最后根据各目标区域对应的缺陷的上界阈值和缺陷的标准下界阈值，得到待检测铸件的表面图像的缺陷区域。本发明考虑到待检测铸件的表面图像的不同区域受到光照的干扰程度不同，对待检测铸件的表面图像的不同区域设定不同的阈值，进而能够快速、准确地分割出待检测铸件表面的缺陷，在凸显图像缺陷部分的同时，有效减弱光照不均和金属铸件表面反射特性对金属铸件表面缺陷检测产生的影响，获得较准确的图像分割效果。
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为本发明提供的一种基于工业检测的金属铸件缺陷识别方法的流程图。
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基于工业检测的金属铸件缺陷识别方法进行详细说明如下。
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基于工业检测的金属铸件缺陷识别方法的具体方案。
基于工业检测的金属铸件缺陷识别方法实施例
现有方法在对金属铸件进行缺陷检测时存在检测精度较低的问题。为了解决上述问题，本实施例提出了一种基于工业检测的金属铸件缺陷识别方法，如图1所示，本实施例的一种基于工业检测的金属铸件缺陷识别方法包括以下步骤：
步骤S1，获取待检测铸件的表面图像；所述表面图像为灰度图像。
考虑到金属铸件形状各异，采集到的待检测铸件的表面图像会受到光照的干扰，不同的区域受到光照的干扰程度不同，现有的铸件缺陷检测技术中，为了减小光照的干扰，会增强其对比度，但其分割阈值的选取仍不稳定，用一个阈值来分割，无法保证每个铸件缺陷都能被准确识别；Canny算子双阈值分割效果较好，但在采集铸件表面图像时，由于光照的影响，使得铸件不同区域受到的干扰程度不同，若缺陷灰度被干扰过大，缺陷的灰度值会偏高，超出常规双阈值范围，因此在利用Canny算子双阈值提取待检测铸件表面的缺陷区域时，若不考虑不同区域的光照干扰程度或只根据局部区域的光照干扰程度设置两个阈值，会使得最终提取的缺陷区域的准确精度较低。本实施例基于不同区域对应的反光干扰程度，给予不同区域不同的阈值，根据各区域对应的阈值提取图像中的缺陷区域，提高铸件缺陷检测精度。
本实施例首先将待检测的铸件平放于检测台上，在检测台上方设置相机，该相机用于采集待检测铸件的图像，将采集到的图像记为初始图像。然后本实施例利用语义分割网络分割出初始图像中的背景区域，得到铸件区域，减少无关因素的干扰；接着对铸件区域的图像进行灰度化处理，得到灰度图像；由于生产车间内机器振动、环境中的光线以及焊接车间的温度等各种因素的影响，使得拍摄到的铸件图像不够清晰，本实施例对灰度图像进行去噪和增强处理，本实施例将去噪和增强处理后的图像记为待检测铸件的表面图像。利用语义分割网络分割出初始图像中的背景区域和语义分割网络的训练过程为现有技术，此处不再赘述。
步骤S2，获取所述待检测铸件的表面图像对应的灰度直方图；根据所述灰度直方图的主峰和波谷对应的灰度值，得到左偏阈值和右偏阈值；根据所述左偏阈值和右偏阈值，对待检测铸件的表面图像中的像素点进行划分，得到各突变区域；所述左偏阈值小于右偏阈值。
考虑到图像易受光照不均和铸件表面反射特性的影响，在根据灰度信息提取待检测铸件表面缺陷时，无论是单一的灰度阈值方法，还是动态阈值方法，都难以获得理想的分割效果。本实施例首先设置金属铸件的主体灰度级区间，然后根据设置的主体灰度级区间，将待检测的铸件表面图像中的所有突变区域提取出来，突变区域包含待检测铸件的缺陷像素点。
金属铸件在生产阶段通常呈现银白色，若光照较均匀且铸件表面无缺陷，则采集到的图像中所有像素点的灰度值较相似；但是由于铸件形状各异，在采集铸件表面图像时，很难保证铸件不同区域受到光的干扰程度相同，当光照不均匀且铸件表面存在缺陷时，采集的图像中像素点的灰度值差别较大，图像中与铸件主体颜色相差较大的像素点即为缺陷区域的像素点和反光区域的像素点。
本实施例统计待检测铸件的表面图像中各灰度值对应的像素点的数量，根据所述待检测铸件的表面图像中各灰度值对应的像素点的数量，得到待检测铸件的表面图像对应的灰度直方图；然后基于金属铸件在其灰度直方图上的特征表现，获取双突变阈值，双突变阈值包括左偏阈值和右偏阈值，双突变阈值的获取过程为：由于金属铸件表面灰度级集中、均匀，并且考虑到存在反光区域，其灰度直方图表现为单峰或者双峰图像，本实施例根据直方图阈值分割法提取所述灰度直方图主峰左、右波谷对应的灰度值，得到左偏阈值和右偏阈值；即获取灰度直方图中主峰左侧距主峰最近的波谷对应的灰度值
，将该灰度值
作为左偏阈值，获取灰度直方图中主峰右侧距主峰最近的波谷对应的灰度值
，将该灰度值
作为右偏阈值；左偏阈值小于右偏阈值（
）。本实施例将待检测铸件的表面图像中小于左偏阈值的像素点作为突变像素点，同时将待检测铸件的表面图像中大于右偏阈值的像素点作为突变像素点；基于待检测铸件的表面图像中的突变像素点，得到一个或多个突变区域（无论突变像素点的灰度值是低于左偏阈值，还是高于右偏阈值，只要在空间域上连续，就将其划分为同一突变区域）。
步骤S3，根据各突变区域的灰度游程矩阵，计算各突变区域的结构复杂程度；将结构复杂程度大于复杂程度阈值的突变区域记为目标区域；根据各目标区域的灰度游程矩阵，计算各目标区域对应的反光干扰值；根据各目标区域对应的反光干扰值和缺陷的标准下界阈值，得到各目标区域对应的缺陷的上界阈值。
在上述步骤中已经得到了待检测铸件的表面图像中的突变区域，同一个突变区域可能仅为缺陷，可能仅为反光，也可能同时包含反光和缺陷。缺陷在不同的反光区域内，被光照干扰的程度不同。
本实施例将待检测铸件的表面图像中像素点对应的所有灰度值划分为10个灰度级，每个灰度级为一个灰阶，对于任一突变区域：首先分别获取该突变区域在0°、45°、90°和135°方向上的灰度游程矩阵，然后将这四个方向上的灰度游程矩阵相加，得到一个新的灰度游程矩阵，记为D，将D作为该突变区域的灰度游程矩阵，接下来本实施例基于该突变区域的灰度游程矩阵，对该突变区域内部的结构进行判断，即计算该突变区域的结构复杂程度：
其中，
为该突变区域的结构复杂程度，
为灰度游程矩阵中
坐标位置对应的元素值，
为该突变区域的灰度游程矩阵中不为0的元素对应的横坐标的最大值。该突变区域内像素点越杂乱，
的值越大。
若某一突变区域为缺陷区域，但该区域几乎不受光照的干扰或者是受到光照的干扰较小，则该突变区域的结构复杂程度的值较小；若突变区域为正常区域（即不存在缺陷），但该区域存在反光，则该突变区域的结构复杂程度的值也较小；若某一突变区域缺陷和反光共存，则该突变区域的结构复杂程度的值较大；基于此，本实施例设置复杂程度阈值
，若某一突变区域的结构复杂程度大于
，则判定该突变区域为目标区域，目标区域为缺陷和反光共存的区域；若某一突变区域的结构复杂程度小于等于
，则判定该突变区域为无反光影响的缺陷区域或无缺陷的反光区域。无反光影响的缺陷区域和无缺陷的反光区域游程熵值（结构复杂程度）均较小，不需要做特殊处理，正常边缘分割即可，区分独立的反光区域和缺陷区域的方法很多，最简单的就是直接对比整体灰度，此处不再赘述。
在上述步骤中，已经得到了目标区域，本实施例接下来主要对目标区域进行分析。若突变区域为正常区域，但该区域存在反光，则该区域的像素点的灰度级极为均匀，呈现在图像上较亮，灰度级偏大，即其在灰度游程矩阵已分割的灰阶上，仅可能出现在最高的灰阶上，其余灰阶为缺陷或被光照影响后的缺陷；缺陷若被光照影响，体现为缺陷的整体灰度级被光照拉高，或者缺陷的灰度级被光照干扰的极不均匀，即有些缺陷被光照干扰程度大，有些光照被干扰程度小，但相较于无光照干扰的缺陷像素点的灰度值而言，被光照干扰的缺陷像素点的灰度值均被提高，只是提高的程度不同。
对于任一目标区域：
本实施例根据该目标区域的灰度游程矩阵，计算该目标区域对应的反光干扰值，即：
其中，
为该目标区域对应的反光干扰值，
为第
个灰阶值，
为该目标区域的灰度游程矩阵中不为0的元素对应的横坐标的最大值，
为该目标区域的灰度游程矩阵中
坐标位置对应的元素值，
为该目标区域的灰度游程矩阵中有值（不为0）的元素对应的纵坐标中的最大值（即反光灰阶），
为被干扰的缺陷灰阶上连通域长度总和，
为该灰阶被反光干扰的程度，即原缺陷灰阶被反光提高到不同高度的灰阶后在游程矩阵上所体现出的混乱状态，
为除反光所在最大灰阶之外的其它所有灰阶连通域长度之和，
为该目标区域非反光部分的光照干扰值的均值，本实施例将该均值作为该目标区域的反光干扰值。
提取缺陷区域时，被光照干扰程度越大的区域的缺陷阈值设置的应当越高，本实施例利用Canny算子设置双阈值的特性，来提取待检测铸件的表面图像中的缺陷部分，即需要设置上界阈值和下界阈值，根据上界阈值和下界阈值来提取缺陷区域。
本实施例首先获取Canny算子提取缺陷区域时的标准下界阈值
，所述标准下界阈值为无反光干扰时缺陷区域对应的下界阈值，即标准下界阈值就是没有反光影响的同类缺陷的分割阈值；低于标准下界阈值的像素点确定为强边缘像素点，介于标准下界阈值和上界阈值之间的像素点为待选弱边缘像素点，同一图像采集环境下，同类型铸件同类缺陷的分割阈值具有高度相似性，因此该标准下界阈值满足所有同类缺陷不受反光影响时的分割需求。常规分割阈值的选择为公知技术，此处不再赘述。缺陷像素点的灰度值较小，低于标准下界阈值的像素点确定为边缘像素点。本实施例首先计算1与各目标区域对应的反光干扰值之和，将所述1与各目标区域对应的反光干扰值之和作为各目标区域的光照干扰系数，然后计算各目标区域的光照干扰系数与缺陷的标准下界阈值的乘积，将该乘积作为各目标区域对应的缺陷的上界阈值，计算各目标区域对应的缺陷的上界阈值的公式为：
其中，
为任一目标区域对应的缺陷的上界阈值，
为该目标区域对应的反光干扰值。
采用上述方法得到各目标区域对应的缺陷的上界阈值，不同的目标区域对应不同的缺陷的上界阈值。
步骤S4，根据各目标区域对应的缺陷的上界阈值和缺陷的标准下界阈值，得到待检测铸件的表面图像的缺陷区域。
本实施例采用Canny算子提取待检测铸件的表面图像中的缺陷区域，不同的区域对应不同的上界阈值，下界阈值均相同，均为标准下界阈值
。基于各区域对应的上界阈值和下界阈值提取各区域的缺陷区域，提取到各区域的缺陷区域之后，记录其对应的坐标、尺寸和缺陷类型，将检测数据保留以便后续对铸造工艺进行优化和改进，对于缺陷区域较大的铸件，重新加工铸造，以达到要求。
本实施例首先获取了待检测铸件的表面图像对应的灰度直方图，根据灰度直方图的主峰和波谷对应的灰度值，得到左偏阈值和右偏阈值；基于左偏阈值和右偏阈值，对待检测铸件的表面图像中的像素点进行划分，得到各突变区域；然后根据各突变区域的灰度游程矩阵，计算各突变区域的结构复杂程度；若某突变区域为缺陷区域，但该突变区域几乎不受光照的干扰或者是受到光照的干扰较小，则该突变区域的结构复杂程度的值较小；若某突变区域为正常区域（即不存在缺陷），但该突变区域存在反光，则该突变区域的结构复杂程度的值也较小；若某突变区域缺陷和反光共存（即该突变区域的像素点受到光照的干扰较大），则该突变区域的结构复杂程度的值较大；基于此，本实施例将结构复杂程度大于复杂程度阈值的突变区域记为目标区域；接着本实施例计算了各目标区域对应的反光干扰值；根据各目标区域对应的反光干扰值和缺陷的标准下界阈值，得到各目标区域对应的缺陷的上界阈值；最后根据各目标区域对应的缺陷的上界阈值和缺陷的标准下界阈值，得到待检测铸件的表面图像的缺陷区域。本实施例考虑到待检测铸件的表面图像的不同区域受到光照的干扰程度不同，对待检测铸件的表面图像的不同区域设定不同的阈值，进而能够快速、准确地分割出待检测铸件表面的缺陷，在凸显图像缺陷部分的同时，有效减弱光照不均和金属铸件表面反射特性对金属铸件表面缺陷检测产生的影响，获得较准确的图像分割效果。
需要说明的是：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 (5)
1.一种基于工业检测的金属铸件缺陷识别方法，其特征在于，该方法包括以下步骤：
获取待检测铸件的表面图像；所述表面图像为灰度图像；
获取所述待检测铸件的表面图像对应的灰度直方图；根据所述灰度直方图的主峰和波谷对应的灰度值，得到左偏阈值和右偏阈值；根据所述左偏阈值和右偏阈值，对待检测铸件的表面图像中的像素点进行划分，得到各突变区域；所述左偏阈值小于右偏阈值；
根据各突变区域的灰度游程矩阵，计算各突变区域的结构复杂程度；将结构复杂程度大于复杂程度阈值的突变区域记为目标区域；根据各目标区域的灰度游程矩阵，计算各目标区域对应的反光干扰值；根据各目标区域对应的反光干扰值和缺陷的标准下界阈值，得到各目标区域对应的缺陷的上界阈值；
根据各目标区域对应的缺陷的上界阈值和缺陷的标准下界阈值，得到待检测铸件的表面图像的缺陷区域；
采用如下公式计算各突变区域的结构复杂程度：
其中，
为任一突变区域的结构复杂程度，
为灰度游程矩阵中
坐标位置对应的元素值，
为该突变区域的灰度游程矩阵中不为0的元素对应的横坐标的最大值；
采用如下公式计算各目标区域对应的反光干扰值：
其中，
为任一目标区域对应的反光干扰值，
为第
个灰阶值，
为该目标区域的灰度游程矩阵中
坐标位置对应的元素值，
为该目标区域的灰度游程矩阵中不为0的元素对应的纵坐标中的最大值，
为该目标区域的灰度游程矩阵中不为0的元素对应的横坐标的最大值。
2.根据权利要求1所述的基于工业检测的金属铸件缺陷识别方法，其特征在于，所述根据所述灰度直方图的主峰和波谷对应的灰度值，得到左偏阈值和右偏阈值，包括：
获取灰度直方图中主峰左侧距主峰最近的波谷对应的灰度值，将所述主峰左侧距主峰最近的波谷对应的灰度值作为左偏阈值；
获取灰度直方图中主峰右侧距主峰最近的波谷对应的灰度值，将所述主峰右侧距主峰最近的波谷对应的灰度值作为右偏阈值。
3.根据权利要求1所述的基于工业检测的金属铸件缺陷识别方法，其特征在于，所述根据各目标区域对应的反光干扰值和缺陷的标准下界阈值，得到各目标区域对应的缺陷的上界阈值，包括：
获取Canny算子提取缺陷区域时的标准下界阈值；所述标准下界阈值为无反光干扰时缺陷区域对应的下界阈值；
对于任一目标区域：计算1与该目标区域对应的反光干扰值之和，将所述1与该目标区域对应的反光干扰值之和作为该目标区域的光照干扰系数；计算所述该目标区域的光照干扰系数与所述标准下界阈值的乘积，将所述乘积作为该目标区域对应的缺陷的上界阈值。
4.根据权利要求1所述的基于工业检测的金属铸件缺陷识别方法，其特征在于，所述突变区域的像素点的灰度值小于左偏阈值或大于右偏阈值。
5.根据权利要求1所述的基于工业检测的金属铸件缺陷识别方法，其特征在于，所述获取待检测铸件的表面图像，包括：
采集待检测铸件的图像，将采集到待检测铸件的图像记为初始图像；
利用语义分割网络提取所述初始图像中的铸件区域，对铸件区域图像进行灰度化处理，得到灰度图像；
对所述灰度图像进行去噪和增强处理，将去噪和增强处理后的图像记为待检测铸件的表面图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211003001.2A CN115100191B (zh) | 2022-08-22 | 2022-08-22 | 基于工业检测的金属铸件缺陷识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211003001.2A CN115100191B (zh) | 2022-08-22 | 2022-08-22 | 基于工业检测的金属铸件缺陷识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115100191A true CN115100191A (zh) | 2022-09-23 |
| CN115100191B CN115100191B (zh) | 2023-08-01 |
Family
ID=83299952
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211003001.2A Active CN115100191B (zh) | 2022-08-22 | 2022-08-22 | 基于工业检测的金属铸件缺陷识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115100191B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115254674A (zh) * | 2022-09-28 | 2022-11-01 | 南通思诺船舶科技有限公司 | 一种轴承缺陷分选方法 |
| CN115311272A (zh) * | 2022-10-11 | 2022-11-08 | 江苏添鸣器械科技有限公司 | 一种铝箔表面缺陷识别方法 |
| CN115330773A (zh) * | 2022-10-12 | 2022-11-11 | 南通红运金属科技有限公司 | 一种金属研磨麻点缺陷检测方法 |
| CN117237245A (zh) * | 2023-11-16 | 2023-12-15 | 湖南云箭智能科技有限公司 | 一种基于人工智能与物联网的工业物料质量监测方法 |
| CN117333383A (zh) * | 2023-09-07 | 2024-01-02 | 广东奥普特科技股份有限公司 | 一种表面缺陷检测方法、装置和设备 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114842009A (zh) * | 2022-07-04 | 2022-08-02 | 江苏奥派电气科技有限公司 | 一种基于灰度游程矩阵的电缆缺陷检测优化方法 |
-
2022
- 2022-08-22 CN CN202211003001.2A patent/CN115100191B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114842009A (zh) * | 2022-07-04 | 2022-08-02 | 江苏奥派电气科技有限公司 | 一种基于灰度游程矩阵的电缆缺陷检测优化方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115254674A (zh) * | 2022-09-28 | 2022-11-01 | 南通思诺船舶科技有限公司 | 一种轴承缺陷分选方法 |
| CN115311272A (zh) * | 2022-10-11 | 2022-11-08 | 江苏添鸣器械科技有限公司 | 一种铝箔表面缺陷识别方法 |
| CN115330773A (zh) * | 2022-10-12 | 2022-11-11 | 南通红运金属科技有限公司 | 一种金属研磨麻点缺陷检测方法 |
| CN115330773B (zh) * | 2022-10-12 | 2023-03-28 | 南通红运金属科技有限公司 | 一种金属研磨麻点缺陷检测方法 |
| CN117333383A (zh) * | 2023-09-07 | 2024-01-02 | 广东奥普特科技股份有限公司 | 一种表面缺陷检测方法、装置和设备 |
| CN117237245A (zh) * | 2023-11-16 | 2023-12-15 | 湖南云箭智能科技有限公司 | 一种基于人工智能与物联网的工业物料质量监测方法 |
| CN117237245B (zh) * | 2023-11-16 | 2024-01-26 | 湖南云箭智能科技有限公司 | 一种基于人工智能与物联网的工业物料质量监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115100191B (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115100191A (zh) | 基于工业检测的金属铸件缺陷识别方法 | |
| CN107369136B (zh) | 聚晶金刚石复合片表面裂纹视觉检测方法 | |
| CN105894036B (zh) | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 | |
| CN105913415B (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
| CN109682839B (zh) | 一种金属弧形工件表面缺陷在线检测方法 | |
| CN111179243A (zh) | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 | |
| CN115375676A (zh) | 一种基于图像识别的不锈钢制品质量检测方法 | |
| CN109685760B (zh) | 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法 | |
| US6167150A (en) | Method and apparatus for detecting extended defects in an object | |
| CN115294099B (zh) | 一种钢板轧制过程发纹缺陷的检测方法及系统 | |
| CN115018850B (zh) | 基于图像处理的精密电子零部件冲压孔毛刺检测方法 | |
| CN113592861A (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
| CN110070523B (zh) | 一种用于瓶底的异物检测方法 | |
| 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 | |
| CN109378279B (zh) | 晶圆检测方法及晶圆检测系统 | |
| CN115049664A (zh) | 基于视觉的船舶发动机配件缺陷检测方法 | |
| CN114693610A (zh) | 一种基于机器视觉的焊缝表面缺陷检测方法、设备及介质 | |
| CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
| CN113298769B (zh) | Fpc软排线外观缺陷检测方法、系统和介质 | |
| CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
| CN115775250A (zh) | 基于数字图像分析的金手指电路板缺陷快速检测系统 | |
| CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
| CN115274486B (zh) | 一种半导体表面缺陷识别方法 | |
| CN115861320A (zh) | 一种汽车零件加工信息智能检测方法 | |
| CN115272336A (zh) | 基于梯度向量的金属零件缺陷精准检测方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230704 Address after: 528000 No. 11, Mashe Dongyu Industrial Zone, Lishui Town, Nanhai District, Foshan City, Guangdong Province (address declaration) Applicant after: Foshan Nanhai Xiangxun Metal Products Co.,Ltd. Address before: 226200 west side of haozhigang bridge, Haifu Town, Qidong City, Nantong City, Jiangsu Province Applicant before: NANTONG HENGQIANG MILL ROLL CO.,LTD. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |