CN115222733B - 基于图像识别的金属构件表面缺陷检测方法 - Google Patents
基于图像识别的金属构件表面缺陷检测方法 Download PDFInfo
- Publication number
- CN115222733B CN115222733B CN202211133556.9A CN202211133556A CN115222733B CN 115222733 B CN115222733 B CN 115222733B CN 202211133556 A CN202211133556 A CN 202211133556A CN 115222733 B CN115222733 B CN 115222733B
- Authority
- CN
- China
- Prior art keywords
- connected domain
- analyzed
- edge
- sequence
- cold shut
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 97
- 239000002184 metal Substances 0.000 title claims abstract description 58
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000005484 gravity Effects 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 5
- 239000007788 liquid Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000005266 casting Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001788 irregular Effects 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
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000007 visual effect 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
-
- 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
- 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
- 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
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于图像识别的金属构件表面缺陷检测方法。该方法包括:获取金属构件表面的灰度图,并利用灰度图得到待分析连通域;基于每个待分析连通域的角点的数量、质心和重心的距离,以及每个连通域对应的第一和第二序列中的元素获得每个待分析连通域的冷隔边缘圆边显著度;基于一个待分析连通域对应的每组边缘像素点的拟合优度中的最大值和第一、第二对比度得到冷隔生成结构显著度;冷隔边缘圆边显著度和冷隔生成结构指数的乘积为待分析连通域的冷隔瑕疵显著度;利用每个待分析连通域的冷隔瑕疵显著度判断得到金属构件中出现冷隔瑕疵的区域。本发明能够准确的检测出金属构件中出现冷隔瑕疵的区域。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于图像识别的金属构件表面缺陷检测方法。
背景技术
金属构件在人们的生活中随处可见,对于人们的生活有着至关重要的作用,用途是十分广泛。但是在加工这些金属构件的过程中,金属构件的表面可能会因为加工过程中出现缺陷,例如冷隔缺陷,为避免冷隔缺陷影响这些金属构件的使用,需要对金属构件表面的冷隔缺陷进行缺陷检测。
现有的缺陷检测方法主要有三维激光扫描、渗透检测、射线检测等。三维激光扫描对外形信息识别精准,判断高效但需要先获得点云数据并进行复杂的处理;渗透检测可以识别出较为复杂的表面裂纹缺陷,但检测的代价与成本较高;射线检测利用γ射线等检测射线进行检测,结果直观,灵敏度高,但对复杂的微裂纹检测效果不佳,同时对操作的要求较高,如果操作不当会造成环境污染甚至威胁检测人员的生命安全。利用图像处理进行检测操作简单且方便快捷,但现有对金属构件的表面缺陷进行检测的方法一般基于阈值分割,易将多种不同缺陷混淆,精度不够,同时如果结图像利用神经网络算法进行检测,则需要大量的训练数据进行网络训练,数据成本较高。
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基于图像识别的金属构件表面缺陷检测方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种基于图像识别的金属构件表面缺陷检测方法:获取金属构件表面的灰度图,并利用灰度图得到边缘图像;对边缘图像进行分析获得多个连通域;分别对每个连通域的边缘像素点进行拟合获得每个连通域的拟合优度;获得拟合优度小于拟合阈值的连通域记为待分析连通域;
将每个待分析连通域的边缘像素点按照设定规则分别进行排序,并在排序后的边缘像素点中按照固定间隔分别进行标记得到标记像素点序列;每个待分析连通域的标记像素点序列中每两个相邻边缘像素点的横坐标的差值和纵坐标的差值分别组成第一序列和第二序列;基于每个待分析连通域的角点的数量、质心和重心的距离,以及每个连通域对应的第一和第二序列中的元素获得每个待分析连通域的冷隔边缘圆边显著度;
将任一待分析连通域的标记像素点序列中的标记像素点按照固定数量进行分组,得到不同组的标记像素点,并将每组标记像素点分别与圆进行拟合得到标记像素点的拟合优度;获得每个待分析连通域以及灰度图中除了所有待分析连通域的其他区域的对比度,分别为第一对比度和第二对比度;基于一个待分析连通域对应的每组标记像素点的拟合优度中的最大值和第一、第二对比度得到冷隔生成结构显著度;
每个待分析连通域的冷隔边缘圆边显著度和冷隔生成结构显著度的乘积为每个待分析连通域的冷隔瑕疵显著度;利用每个待分析连通域的冷隔瑕疵显著度判断得到金属构件中出现冷隔瑕疵的区域。
优选地,将每个待分析连通域的边缘像素点按照设定规则分别进行排序,并在排序后的边缘像素点中按照固定间隔分别进行标记得到标记像素点序列,包括:
在任意一个待分析连通域内随机选取一个像素点,为起始点;在起始点的邻域内选取一个边缘像素点,将边缘像素点作为第一起始点;在第一起始点的邻域内选取一个边缘像素点作为第二起始点;在第二起始点的邻域内选取一个边缘像素点,作为第三起始点,以此类推直至按照设定规则选取该待分析连通域内所有边缘像素点,其中设定规则为按照顺时针方向选取待分析连通域内所有边缘像素点;按照选取所有边缘像素点的顺序对该待分析连通域内的边缘像素点进行排序获得边缘像素点排序序列;每间隔固定间隔对边缘像素点排序序列中的一个边缘像素点进行标记获得一个标记像素点,所有的标记像素点组成标记像素点序列。
优选地,在分别组成第一序列和第二序列之后还包括:利用Mann-Kendall算法分别检测第一序列和第二序列中的异常元素;将第一序列和第二序列中的异常元素进行剔除。
优选地,获得每个待分析连通域的冷隔边缘圆边显著度,包括:获得第一序列中每个元素与第一序列所有元素的平均值的差值的绝对值,所述每个元素与第一序列所有元素的平均值的差值的绝对值的倒数为横坐标圆边边缘系数;第二序列中每个元素与第二序列所有元素的平均值的差值的绝对值的倒数为纵坐标圆边边缘系数;每个待分析连通域的冷隔边缘圆边显著度为:
其中,表示冷隔边缘圆边显著度;表示第一序列中第i个元素对应的第i
个横坐标圆边边缘系数,表示第一序列对应的横坐标圆边边缘系数的数量;表示第
二序列中第i个元素对应的第i个纵坐标圆边边缘系数,表示第二序列对应的纵坐标圆边
边缘系数的数量;表示待分析连通域中重心和质心之间的欧氏距离;表
示待分析连通域中角点的数量。
优选地,得到不同组的标记像素点,包括:从标记像素点序列中的第一个像素点开始分组,每个分组的中标记像素点的数量为固定数量;在分组过程中,若最后一个分组中标记像素点的数量不满足固定数量,在第一个分组中从第一个标记像素点开始按照顺序抽取多个标记像素点补充到最后一个分组中,使得最后一个分组中标记像素点的数量达到固定数量。
优选地,得到冷隔生成结构显著度,包括:获得任意一个待分析连通域的第一对比度和第二对比度的比值,所述比值与该待分析连通域对应的各组标记像素点的拟合优度中的最大值的乘积为该待分析连通域的冷隔生成结构显著度。
优选地,利用每个待分析连通域的冷隔瑕疵显著度判断得到金属构件中出现冷隔瑕疵的区域,包括:获得预设数量的含有冷隔缺陷和其他缺陷的金属构件表面的灰度图;人工判断得到预设数量的金属构件表面的灰度图中为冷隔缺陷的连通域和为其他缺陷的连通域;获得所有为冷隔缺陷的连通域中的冷隔瑕疵显著度最小的连通域,记为第一边界连通域;获得所有为其他缺陷的连通域中的冷隔瑕疵显著度最大的连通域,记为第二边界连通域;第一边界连通域和第二边界连通域的冷隔瑕疵显著度的和的均值为冷隔判断阈值;若一个待分析连通域的冷隔瑕疵显著度大于冷隔判断阈值,则该待分析连通域为冷隔缺陷连通域。
本发明实施例至少具有如下有益效果:本发明获得灰度图中的多个连通域后,基于连通域中拟合度,筛选获得待分析连通域,是一次粗筛,剔除了一些不可能是冷隔缺陷的连通域,降低了后续分析的计算量;对每个待分析连通域的边缘像素点进行排序,基于排序后的边缘像素点按照固定间隔获得标记像素点序列,对边缘像素点的排序方便后续分析得到边缘圆角系数,获得标记像素点序列降低了计算量;同时在计算每个待分析连通域的冷隔边缘圆边显著度时,考虑了角点的数量、质心和重心的距离,还有第一序列和第二序列所表征的边缘特征,考虑比较全面,能够准确的表征每个待分析连通域的边缘特征和内部的情况;进一步的对待分析的连通域的对比度进行分析和每组边缘像素点的拟合优度中的最大值得到冷隔生成结构指数,考虑了每个待分析连通域的外部结构;然后综合每个待分析连通域的冷隔边缘圆边显著度和冷隔生成结构指数,充分考虑每个待分析连通域的边缘特征,内部情况以及外部结构,准确的识别出金属构件中出现冷隔瑕疵的区域。
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为本发明实施例提供的一种基于图像识别的金属构件表面缺陷检测方法的方法流程图。
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基于图像识别的金属构件表面缺陷检测方法,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基于图像识别的金属构件表面缺陷检测方法的具体方案。
实施例:
本发明的主要应用场景为:金属构件表面由于在铸造过程中的工艺或者其他问题,会出现冷隔缺陷,因此需要对金属构件表面的冷隔缺陷进行检测。
请参阅图1,其示出了本发明实施例提供的一种基于图像识别的金属构件表面缺陷检测方法的方法流程图,该方法包括以下步骤:
步骤S1,获取金属构件表面的灰度图,并利用灰度图得到边缘图像;对边缘图像进行分析获得多个连通域;分别对每个连通域的边缘像素点进行拟合获得每个连通域的拟合优度;获得拟合优度小于拟合阈值的连通域记为待分析连通域。
为保证获取的金属表面构件的图像的清晰度,采用CCD相机获取需要进行质量检测的各金属构件表面的图像,金属构件表面的图像为RGB图像。由于图像采集过程中可能会受到噪声等环境因素的影响,降低成像质量,所以对采集的RGB图像进行去噪处理,采用双边滤波对金属构件表面的图像进行去噪。双边滤波去噪为公知技术,在此不做赘述。同时将金属构件表面的图像灰度化得到金属构件表面的灰度图。对灰度图使用canny边缘检测获得边缘图像,边缘图像为二值图像。对边缘图像进行开运算,使不同物体对应的边缘分隔开。将图像中的非闭合边缘的两段以线段连接(连接仅仅为使边缘成为闭合边缘,人为添加的像素点在后续分析中不计入各指标),对边缘图像使用连通域分析,得到多个连通域,每条边缘对应一个连通域。对每个连通域单独进行分析。
金属构件为达到使用目的,表面往往由多个不同的部分组成,这些部分形状规则,
一般为圆形或矩形,而这些部分为部件正常结构,不是表面缺陷,缺陷的形状通常无法达到
这么规则,所以需要将金属构件上的规则图形对应的边缘筛除。取每个连通域对应的边缘
上的所有像素点,将这些像素点与直线和圆进行拟合,得到对应的拟合优度。将拟合优度大
于拟合阈值的连通域剔除,认为剔除的这部分连通域为金属构件上正常的结构,不再进
行下述瑕疵分析,剩下的拟合优度小于拟合阈值的连通域为待分析连通域,其中拟合阈值的取值需要实施者基于具体情况进行分析,后续只需要对待分析连通域进行分析即可,
降低了分析的计算量。
步骤S2,将每个待分析连通域的边缘像素点按照设定规则分别进行排序,并在排序后的边缘像素点中按照固定间隔分别进行标记得到标记像素点序列;每个待分析连通域的标记像素点序列中每两个相邻边缘像素点的横坐标的差值和纵坐标的差值分别组成第一序列和第二序列;基于每个待分析连通域的角点的数量、质心和重心的距离,以及每个连通域对应的第一和第二序列中的元素获得每个待分析连通域的冷隔边缘圆边显著度。
冷隔是存在于铸件表面或表皮下的不连续组织,是由两股未能相互融合的金属液流汇合所形成的不规则线性缺陷,与基体组织有明显界限,所以金属构件上每个冷隔瑕疵都会对应一个连通域,下述过程只需要从筛选出的可能为冷隔瑕疵的待分析连通域中进行分析得到为冷隔缺陷的连通域。
冷隔瑕疵对应的连通域由金属液流汇合所形成,所以边缘圆钝、呈圆角状,边缘上各像素点间变化均匀,根据此特征进行分析。
对每个待分析连通域单独进行分析,为保证分析过程中按照相同的顺序,按照下述过程获取对每个待分析连通域的边缘像素点进行排序,具体为:在任意一个待分析连通域内随机选取一个像素点,为起始点;在起始点的邻域内选取一个边缘像素点,将边缘像素点作为第一起始点;在第一起始点的邻域内选取一个边缘像素点作为第二起始点;在第二起始点的邻域内选取一个边缘像素点,作为第三起始点,依次类推直至按照设定规则选取该待分析连通域内所有边缘像素点,其中设定规则为按照顺时针方向选取待分析连通域内所有边缘像素点;按照选取所有边缘像素点的顺序对该待分析连通域内的边缘像素点进行排序获得边缘像素点排序序列。需要说明的是,在不同起始点的邻域内可能会有多个边缘像素点,此时以起始点的上方的像素点为起始点按照顺时针方向寻找到第一个边缘像素点为下一个起始点。
为分析这些按照顺序排列后的边缘像素点的宏观排布规律,找到其中蕴含的规
律,按照上述过程中选取边缘像素点的顺序,在边缘像素点排序序列中,以第一个边缘像素
点为起始点,从起始点开始,每间隔固定间隔个像素点选取一个边缘像素点,将选取的这
些边缘像素点进行标记,记为标记像素点。其中固定间隔的取值为6,实施者可以基于待
分析连通域的边缘像素点实际情况对固定间隔的取值进行调整。
以灰度图为基面建立直角坐标系,获得标记像素点序列中每个标记像素点的横坐
标纵坐标,待分析连通域的标记像素点序列中每两个相邻边缘像素点的横坐标的差值为横
坐标改变量,一个标记像素点序列对应的所有横坐标改变量组成第一序列;同理,待分析连
通域的标记像素点序列中每两个相邻边缘像素点的纵坐标的差值为纵坐标改变量,一个标
记像素点序列对应的所有纵坐标改变量组成第二序列。其中第一序列和第二序列中元素的
排列顺序与标记像素点序列中的边缘像素点的排列顺序相同。为了防止第一序列和第二序
列中的一些异常元素影响后续的分析,利用Mann-Kendall算法分别检测第一序列和第二序
列中的异常元素,然后将第一序列和第二序列中的异常元素进行剔除,其中剔除完异常元
素的第一序列中元素的数量为,剔除异常元素的第二序列中的元素的数量为。
进一步的,基于第一序列进行分析,获得横坐标圆边边缘系数:
然后,计算纵坐标圆边边缘系数:
横坐标圆边边缘系数和纵坐标圆边边缘系数表征了边缘像素点的位
置的变化,冷隔边缘呈光滑的圆边,边缘的变化过程中横纵坐标变化均较为均匀。当横坐标
改变量和纵坐标改变量越均匀时,每个标记像素点对应的横坐标圆边边缘系数和纵坐标圆
边边缘系数越大,即该待分析连通域越可能为冷隔缺陷。
以横坐标圆边边缘系数和纵坐标圆边边缘系数为基础继续对边缘进行分析。冷隔
瑕疵通常呈水纹状,为光滑圆边。对待分析连通域对应的边缘进行Harris角点检测,获得待
分析连通域的角点的数量为,同时获取待分析连通域的重心和质心,计算重心和质
心之间的欧氏距离;由于水纹状为典型的凹图形,所以其重心在区域外部,而质
心在区域内部,所以两者之间的欧氏距离较大。由此可以得到待分析连通域的冷隔边缘圆
边显著度:
其中,表示冷隔边缘圆边显著度;表示第一序列中第i个元素对应的第i
个横坐标圆边边缘系数,表示第一序列对应的横坐标圆边边缘系数的数量;表示第
二序列中第i个元素对应的第i个纵坐标圆边边缘系数,表示第二序列对应的纵坐标圆边
边缘系数的数量;表示待分析连通域中重心和质心之间的欧氏距离;表
示待分析连通域中角点的数量。
当待分析连通域内各标记像素点对应的横坐标圆边边缘系数的均值和纵
坐标圆边边缘系数的均值越大,质心和重心的欧氏距离越大,角点数量越小时,该待
分析连通域对应的冷隔边缘圆边显著度越大,即该待分析连通域越可能为冷隔瑕疵。
步骤S3,将任一待分析连通域的标记像素点序列中的标记像素点按照固定数量进行分组,得到不同组的标记像素点,并将每组标记像素点分别与圆进行拟合得到标记像素点的拟合优度;获得每个待分析连通域以及灰度图中除了所有待分析连通域的其他区域的对比度,分别为第一对比度和第二对比度;基于一个待分析连通域对应的各组标记像素点的拟合优度中的最大值和第一、第二对比度得到冷隔生成结构显著度。
冷隔由金属液流汇合而成,被氧化层包围,凝结后组织结构较粗大,而其余部分晶
粒的组织结构较为细腻。将任一待分析连通域的标记像素点序列中的标记像素点按照固定
数量进行分组,得到不同组的标记像素点,具体为:从标记像素点序列中的第一个像素点开
始分组,每个分组的中边缘像素点的数量为固定数量;在分组过程中,若最后一个分组中标
记像素点的数量不满足固定数量,在第一个分组中从第一个标记像素点开始按照顺序抽取
多个标记像素点补充到最后一个分组中,使得最后一个分组中标记像素点的数量达到固定
数量。优选地,发明实施例中固定数量的取值为50,实施者可以根据具体情况对其进行调
整,也即是每组标记像素点的数量。对于一个待分析连通域的多组标记像素点,获得每组标
记像素点与圆进行拟合时的拟合优度,同时得到拟合优度的最大值来表征待分析连通域
的外部结构特征;冷裂、热裂、疲劳裂纹等其他瑕疵一般为完整的配件后期受到影响产生,
所以主要呈线状。而冷隔为金属液流汇合而成,由于金属液流的流动性,产生的痕迹会产生
一定的弧度,所以与圆进行拟合后,拟合优度更大。
通过待分析连通域对应的灰度共生矩阵获得待分析连通域的对比度,记为第一对
比度;进一步的,将灰度图中所有待分析连通域进行剔除,然后获得剩下区域的灰度共
生矩阵,基于此灰度共生矩阵获得第二对比度。对比度反映了图像的纹理沟纹深浅的
程度,纹理沟纹越深,其对比度越大。出现冷隔瑕疵的位置组织结构较粗大,沟纹较深,对应
的对比度较大。以第一对比度、第二对比度和拟合优度的最大值为基数进行评价,获得任意
一个待分析连通域的第一对比度和第二对比度的比值,所述比值与该待分析连通域对应的
每组标记像素点的拟合优度中的最大值的乘积为该待分析连通域的冷隔生成结构显著度,
则待分析连通域的冷隔生成结构显著度为:
其中,表示待分析连通域的冷隔生成结构显著度;表示待分析连通域的第
一对比度;表示第二对比度;表示待分析连通域对应的多组标记像素点的拟
合优度中的最大值。当待分析连通域对应的对比度相对于灰度图中其他部分对应的对比度
越大,对应的圆的拟合优度越大时,该待分析连通域对应的冷隔生成结构显著度越大,
该待分析连通域越可能为冷隔缺陷。
至此可以获得每个待分析连通域的冷隔生成结构显著度。
步骤S4,每个待分析连通域的冷隔边缘圆边显著度和冷隔生成结构显著度的乘积为每个待分析连通域的冷隔瑕疵显著度;利用每个待分析连通域的冷隔瑕疵显著度判断得到金属构件中出现冷隔瑕疵的区域。
获得每个待分析连通域的冷隔边缘圆边显著度和冷隔生成结构显著度后,需要结合这两个参数综合的进行分析获得每个待分析连通域的冷隔瑕疵显著度:
其中,表示一个待分析连通域的冷隔瑕疵显著度,表示该待分析连通域的
冷隔边缘圆边显著度;表示该待分析连通域的冷隔边缘圆边显著度。当冷隔边缘圆边显
著度和冷隔生成结构显著度越大时,该待分析连通域对应的冷隔瑕疵显著度越
大,该待分析连通域越可能对应冷隔区域。
进一步的,还需要利用每个待分析连通域的冷隔瑕疵显著度判断得到金属构件中
出现冷隔瑕疵的区域。具体为:获得预设数量的含有冷隔缺陷和其他与冷隔缺陷相似的缺
陷的金属构件表面的灰度图,优选地,本发明实施例中预设数量的取值为100,实施者可以
根据具体的实际情况进行调整;人工判断得到预设数量的金属构件表面的灰度图中为冷隔
缺陷的连通域和为其他缺陷的连通域;由于为冷隔缺陷的连通域的冷隔瑕疵显著度相比于
为其他缺陷的连通域的冷隔瑕疵显著度较大,所以获得所有为冷隔缺陷的连通域中的冷隔
瑕疵显著度最小的连通域,记为第一边界连通域,获得所有为其他缺陷的连通域中的冷隔
瑕疵显著度最大的连通域,记为第二边界连通域;第一边界连通域和第二边界连通域的冷
隔瑕疵显著度的和的均值为冷隔判断阈值。
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。且上述对本说明书特定实施例进行了描述。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)
1.一种基于图像识别的金属构件表面缺陷检测方法,其特征在于,该方法包括:
获取金属构件表面的灰度图,并利用灰度图得到边缘图像;对边缘图像进行分析获得多个连通域;分别对每个连通域的边缘像素点进行拟合获得每个连通域的拟合优度;获得拟合优度小于拟合阈值的连通域记为待分析连通域;
将每个待分析连通域的边缘像素点按照设定规则分别进行排序,并在排序后的边缘像素点中按照固定间隔分别进行标记得到标记像素点序列;每个待分析连通域的标记像素点序列中每两个相邻边缘像素点的横坐标的差值和纵坐标的差值分别组成第一序列和第二序列;基于每个待分析连通域的角点的数量、质心和重心的距离,以及每个连通域对应的第一和第二序列中的元素获得每个待分析连通域的冷隔边缘圆边显著度;
将任一待分析连通域的标记像素点序列中的标记像素点按照固定数量进行分组,得到不同组的标记像素点,并将每组标记像素点分别与圆进行拟合得到标记像素点的拟合优度;获得每个待分析连通域以及灰度图中除了所有待分析连通域的其他区域的对比度,分别为第一对比度和第二对比度;基于一个待分析连通域对应的每组标记像素点的拟合优度中的最大值和第一、第二对比度得到冷隔生成结构显著度;
每个待分析连通域的冷隔边缘圆边显著度和冷隔生成结构显著度的乘积为每个待分析连通域的冷隔瑕疵显著度;利用每个待分析连通域的冷隔瑕疵显著度判断得到金属构件中出现冷隔瑕疵的区域;
所述获得每个待分析连通域的冷隔边缘圆边显著度,包括:获得第一序列中每个元素与第一序列所有元素的平均值的差值的绝对值,所述每个元素与第一序列所有元素的平均值的差值的绝对值的倒数为横坐标圆边边缘系数;第二序列中每个元素与第二序列所有元素的平均值的差值的绝对值的倒数为纵坐标圆边边缘系数;每个待分析连通域的冷隔边缘圆边显著度为:
其中,表示冷隔边缘圆边显著度;表示第一序列中第i个元素对应的第i个横坐标圆边边缘系数,表示第一序列对应的横坐标圆边边缘系数的数量;表示第二序列中第i个元素对应的第i个纵坐标圆边边缘系数,表示第二序列对应的纵坐标圆边边缘系数的数量;表示待分析连通域中重心和质心之间的欧氏距离;表示待分析连通域中角点的数量;
所述得到冷隔生成结构显著度,包括:获得任意一个待分析连通域的第一对比度和第二对比度的比值,所述比值与该待分析连通域对应的各组标记像素点的拟合优度中的最大值的乘积为该待分析连通域的冷隔生成结构显著度。
2.根据权利要求1所述的一种基于图像识别的金属构件表面缺陷检测方法,其特征在于,所述将每个待分析连通域的边缘像素点按照设定规则分别进行排序,并在排序后的边缘像素点中按照固定间隔分别进行标记得到标记像素点序列,包括:
在任意一个待分析连通域内随机选取一个像素点,为起始点;在起始点的邻域内选取一个边缘像素点,将边缘像素点作为第一起始点;在第一起始点的邻域内选取一个边缘像素点作为第二起始点;在第二起始点的邻域内选取一个边缘像素点,作为第三起始点,以此类推直至按照设定规则选取该待分析连通域内所有边缘像素点,其中设定规则为按照顺时针方向选取待分析连通域内所有边缘像素点;按照选取所有边缘像素点的顺序对该待分析连通域内的边缘像素点进行排序获得边缘像素点排序序列;每间隔固定间隔对边缘像素点排序序列中的一个边缘像素点进行标记获得一个标记像素点,所有的标记像素点组成标记像素点序列。
3.根据权利要求1所述的一种基于图像识别的金属构件表面缺陷检测方法,其特征在于,在所述分别组成第一序列和第二序列之后还包括:利用Mann-Kendall算法分别检测第一序列和第二序列中的异常元素;将第一序列和第二序列中的异常元素进行剔除。
4.根据权利要求1所述的一种基于图像识别的金属构件表面缺陷检测方法,其特征在于,所述得到不同组的标记像素点,包括:从标记像素点序列中的第一个像素点开始分组,每个分组的中标记像素点的数量为固定数量;在分组过程中,若最后一个分组中标记像素点的数量不满足固定数量,在第一个分组中从第一个标记像素点开始按照顺序抽取多个标记像素点补充到最后一个分组中,使得最后一个分组中标记像素点的数量达到固定数量。
5.根据权利要求1所述的一种基于图像识别的金属构件表面缺陷检测方法,其特征在于,所述利用每个待分析连通域的冷隔瑕疵显著度判断得到金属构件中出现冷隔瑕疵的区域,包括:获得预设数量的含有冷隔缺陷和其他缺陷的金属构件表面的灰度图;人工判断得到预设数量的金属构件表面的灰度图中为冷隔缺陷的连通域和为其他缺陷的连通域;获得所有为冷隔缺陷的连通域中的冷隔瑕疵显著度最小的连通域,记为第一边界连通域;获得所有为其他缺陷的连通域中的冷隔瑕疵显著度最大的连通域,记为第二边界连通域;第一边界连通域和第二边界连通域的冷隔瑕疵显著度的和的均值为冷隔判断阈值;若一个待分析连通域的冷隔瑕疵显著度大于冷隔判断阈值,则该待分析连通域为冷隔缺陷连通域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211133556.9A CN115222733B (zh) | 2022-09-19 | 2022-09-19 | 基于图像识别的金属构件表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211133556.9A CN115222733B (zh) | 2022-09-19 | 2022-09-19 | 基于图像识别的金属构件表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115222733A CN115222733A (zh) | 2022-10-21 |
CN115222733B true CN115222733B (zh) | 2022-12-09 |
Family
ID=83617309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211133556.9A Active CN115222733B (zh) | 2022-09-19 | 2022-09-19 | 基于图像识别的金属构件表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115222733B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311294B (zh) * | 2022-10-12 | 2023-03-24 | 启东金耀億华玻纤材料有限公司 | 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法 |
CN115375686B (zh) * | 2022-10-25 | 2023-01-24 | 山东鲁玻玻璃科技有限公司 | 一种基于图像处理的玻璃边缘瑕疵检测方法 |
CN115423816B (zh) * | 2022-11-07 | 2023-03-24 | 浙江安吉圆磨机械科技股份有限公司 | 一种金属表面磨削质量检测方法 |
CN115511888B (zh) * | 2022-11-22 | 2023-02-17 | 深圳市岑科实业有限公司 | 基于视觉的电感缺陷检测方法及系统 |
CN115797353B (zh) * | 2023-02-08 | 2023-05-09 | 山东乾钢金属科技有限公司 | 一种冷轧带钢质量智能检测系统及方法 |
CN115841493B (zh) * | 2023-02-27 | 2023-05-12 | 曲阜市虹飞电缆有限公司 | 一种基于图像处理的电缆检测方法 |
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 |
CN116228771B (zh) * | 2023-05-09 | 2023-07-21 | 山东克莱蒙特新材料科技有限公司 | 基于视觉分析矿物材料机床铸件检测方法 |
CN116258713B (zh) * | 2023-05-11 | 2023-07-21 | 青岛穗禾信达金属制品有限公司 | 一种金属柜焊接加工检测方法 |
CN117058111B (zh) * | 2023-08-21 | 2024-02-09 | 大连亚明汽车部件股份有限公司 | 一种汽车铝合金压铸模具质量检查方法及系统 |
CN116993740B (zh) * | 2023-09-28 | 2023-12-19 | 山东万世机械科技有限公司 | 基于图像数据的混凝土结构表面缺陷检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538429A (zh) * | 2021-09-16 | 2021-10-22 | 海门市创睿机械有限公司 | 基于图像处理的机械零件表面缺陷检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10330608B2 (en) * | 2012-05-11 | 2019-06-25 | Kla-Tencor Corporation | Systems and methods for wafer surface feature detection, classification and quantification with wafer geometry metrology tools |
JP2019011972A (ja) * | 2017-06-29 | 2019-01-24 | 株式会社 Ngr | パターンエッジ検出方法 |
CN110175997B (zh) * | 2019-05-30 | 2021-08-06 | 深圳市洲明科技股份有限公司 | 显示屏坏点检测方法、装置、计算机设备和存储介质 |
CN114723701B (zh) * | 2022-03-31 | 2023-04-18 | 厦门力和行自动化有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
CN114862862B (zh) * | 2022-07-11 | 2022-09-16 | 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
- 2022-09-19 CN CN202211133556.9A patent/CN115222733B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538429A (zh) * | 2021-09-16 | 2021-10-22 | 海门市创睿机械有限公司 | 基于图像处理的机械零件表面缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115222733A (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115222733B (zh) | 基于图像识别的金属构件表面缺陷检测方法 | |
CN114723701B (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN108460757B (zh) | 一种手机TFT-LCD屏Mura缺陷在线自动检测方法 | |
CN107543828B (zh) | 一种工件表面缺陷检测方法及系统 | |
CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和系统 | |
CN113688807A (zh) | 一种自适应缺陷检测方法、装置、识别系统及存储介质 | |
CN109444169A (zh) | 一种轴承缺陷检测方法及系统 | |
CN117351019B (zh) | 一种焊接缺陷检测方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN116823822B (zh) | 基于视觉特征的船艇钣金件焊接缺陷检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115797361B (zh) | 一种铝模板表面缺陷检测方法 | |
CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
CN112669295A (zh) | 一种基于二次阈值分割理论的锂电池极片缺陷检测方法 | |
CN114897881B (zh) | 一种基于边缘特征的晶粒缺陷检测方法 | |
CA3111464A1 (en) | Digital assessment of chemical dip tests | |
CN116128873A (zh) | 一种基于图像识别的轴承保持器检测方法、设备及介质 | |
CN116993742A (zh) | 基于机器视觉的镍合金轧制缺陷检测方法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN108805854B (zh) | 一种复杂环境下药片快速计数与完整性检测方法 | |
CN112561875A (zh) | 一种基于人工智能的光伏电池板粗栅检测方法 |
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 |