CN115222736B - 一种基于霍夫空间的钢管生产质量检测方法 - Google Patents

一种基于霍夫空间的钢管生产质量检测方法 Download PDF

Info

Publication number
CN115222736B
CN115222736B CN202211140480.2A CN202211140480A CN115222736B CN 115222736 B CN115222736 B CN 115222736B CN 202211140480 A CN202211140480 A CN 202211140480A CN 115222736 B CN115222736 B CN 115222736B
Authority
CN
China
Prior art keywords
steel pipe
defect
edge
points
images
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
CN202211140480.2A
Other languages
English (en)
Other versions
CN115222736A (zh
Inventor
谢伟
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.)
Nantong Jiashenghong Machinery Parts Co ltd
Original Assignee
Nantong Jiashenghong Machinery Parts 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 Nantong Jiashenghong Machinery Parts Co ltd filed Critical Nantong Jiashenghong Machinery Parts Co ltd
Priority to CN202211140480.2A priority Critical patent/CN115222736B/zh
Publication of CN115222736A publication Critical patent/CN115222736A/zh
Application granted granted Critical
Publication of CN115222736B publication Critical patent/CN115222736B/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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/30108—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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种基于霍夫空间的钢管生产质量检测方法，该方法采集钢管旋转时的视频信息；对于每张钢管图像，提取钢管区域以及钢管的边缘像素点，将边缘像素点映射至霍夫空间中，获取霍夫空间中每个高亮点被直线穿过的数量和边缘像素点数量的差异值，差异值最小的高亮点为边缘高亮点；对穿过边缘高亮点的直线进行有返回的路径追踪，统计追踪直线数量并筛选疑似缺陷点和疑似缺陷图像，在所有疑似缺陷图像中筛选出多组连续帧图像，获取缺陷图像组，组内的连续帧图像为缺陷图像；获取钢管表面缺陷的异常程度。本发明能够使检测钢管缺陷结果更准确，同时提升检测速度。

Description

一种基于霍夫空间的钢管生产质量检测方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于霍夫空间的钢管生产质量检测方法。
背景技术
在钢管生产过程中由于各种因素影响，例如与生产机器的碰撞、钢管生产中自身的碰撞或者生产过程中受热不均匀从而导致钢管有一定程度弯曲或者表面出现凹坑和突起，影响钢管品质，因此在钢管生产时需要进行质量检测。
常规的对于钢管进行表面凹坑和突起的检测方法大致分为两种，通过人工检测和利用机器视觉对钢管表面图像进行检测，如利用canny算法进行特征提取进行检测。人工检测效率比较低下且由于主观因素准确性不高；使用canny算法进行检测时又容易受到外界环境的影响，比如钢管表面出现油污、灯光拍摄角度形成光斑等方面因素，使得canny算子进行钢管表面凹坑和突起检测时容易出现误检或者检测不准确，并且使用canny算子进行钢管表面凹坑和突起检测时需要对图像进行全局处理，效率相对来说比较低下。
发明内容
为了解决钢管质量检测不准确的问题，本发明提供一种基于霍夫空间的钢管生产质量检测方法，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霍夫空间的钢管生产质量检测方法，该方法包括以下步骤：
采集钢管旋转时的视频信息，所述视频信息中包括钢管的管身侧面；每帧视频信息为一张钢管图像；
对于每张钢管图像，提取钢管区域以及钢管的边缘像素点，选取钢管图像的一个角作为原点构建直角坐标系，并将直角坐标系中的边缘像素点映射至霍夫空间中，获取霍夫空间中每个高亮点被直线穿过的数量和边缘像素点数量的差异值，差异值最小的高亮点为边缘高亮点；
对穿过边缘高亮点的直线进行有返回的路径追踪，统计每条穿过边缘高亮点的直线对应的追踪直线数量，当所述追踪直线数量等于边缘像素点数量时，追踪直线对应的边缘像素点为疑似缺陷点；
筛选出存在疑似缺陷点的所有钢管图像作为疑似缺陷图像，在所有疑似缺陷图像中筛选出多组连续帧图像，计算每组中相邻两帧疑似缺陷图像的疑似缺陷点的数量差异，并求平均值，当所述平均值小于预设阈值时，对应的组为缺陷图像组，组内的连续帧图像为缺陷图像；
基于缺陷图像组中每帧缺陷图像的疑似缺陷点与边缘缺陷点的数量比值、缺陷图像组的帧数和视频信息帧数的比值获取钢管表面缺陷的异常程度。
优选的，所述提取钢管区域以及钢管的边缘像素点，包括：
通过图像分割技术去除背景提取所述钢管区域；将所述钢管区域分为两部分边缘图，利用canny算法提取所述边缘图中的边缘像素点。
优选的，将直角坐标系中的边缘像素点映射至霍夫空间中，包括：
统计直角坐标系中每个边缘像素点的坐标，依据所述坐标将每个边缘像素点映射至霍夫空间中，每个边缘像素点对应霍夫空间中的一条直线。
优选的，所述对穿过边缘高亮点的直线进行有返回的路径追踪，包括：
以边缘高亮点作为节点，搜寻过节点的所有直线中每一条直线的路径在单次不重复追踪过程中是否可以返回边缘高亮点，可以返回的路径，统计对应的追踪直线数量；抛弃不能返回的路径。
优选的，所述异常程度的获取方法为：
计算缺陷图像组中所有缺陷图像对应的数量比值的和，乘上所述帧数和视频信息帧数的比值，乘积结果为该缺陷图像组对应的钢管表面缺陷的异常程度。
本发明实施例至少具有如下有益效果：
首先检测钢管两侧边缘直线的边缘像素点中的疑似缺陷点，只提取两侧边缘不关心钢管表面特征，避免了表面图像易受光照或者油污等非缺陷因素的影响问题，使检测结果更准确；然后利用边缘像素点与霍夫空间中的直线对应特征进行缺陷检测，计算过程更为简单，无需进行多种复杂性的操作，本发明本质上为空间的转换以及特征的对应，计算量少，可以大大提升处理速度。
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提供的一种基于霍夫空间的钢管生产质量检测方法的步骤流程图；
图2为钢管夹持装备示意图；
图3为本发明一个实施例提供的有返回追踪路线示意图；
图4为本发明一个实施例提供的无返回追踪路线示意图。
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基于霍夫空间的钢管生产质量检测方法，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霍夫空间的钢管生产质量检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于霍夫空间的钢管生产质量检测方法的步骤流程图，该方法包括以下步骤：
步骤S001，采集钢管旋转时的视频信息，视频信息中包括钢管的管身侧面；每帧视频信息为一张钢管图像。
具体的步骤包括：
布置钢管夹持装备进行钢管视频信息采集，钢管夹持装备示意图如图2所示，图中A为相机，B为控制台，控制钢管旋转速度以及处理数据信息，C为夹持装置，两个夹持装置C之间的圆柱形物体为钢管，相机A采集到的视频信息为钢管管身侧面的多帧图像。
根据实际需求利用控制台B控制钢管在夹持装置上的转速使其旋转，而后通过置于正上方的相机收集钢管旋转过程中的视频信息而后传递给控制台进行缺陷检测。
可同时布置多个装置同时进行钢管旋转视频的采集，根据实施者的实际需求自行调节，本发明实施例为方便叙述，以一台装置为例。
步骤S002，对于每张钢管图像，提取钢管区域以及钢管的边缘像素点，选取钢管图像的一个角作为原点构建直角坐标系，并将直角坐标系中的边缘像素点映射至霍夫空间中，获取霍夫空间中每个高亮点被直线穿过的数量和边缘像素点数量的差异值，差异值最小的高亮点为边缘高亮点。
为了进行其表面凹坑和突起的缺陷检测，所以需要对钢管旋转视频中每一帧图像的边缘中直线进行提取，并将边缘直线进行提取并映射至霍夫空间，而后利用霍夫空间中直线的特性进行钢管表面凹坑或者突起的缺陷检测。
具体的步骤包括：
1、提取每张钢管图像的钢管区域以及钢管的边缘像素点。
通过图像分割技术去除背景提取钢管区域；将钢管区域分为两部分边缘图，利用canny算法提取边缘图中的边缘像素点。
利用图像分割技术对旋转的钢管视频中的属于钢管的图像进行分割处理，分割出钢管图像并进行上下部分的分割，得到上下两部分的边缘图，每张边缘图中包含一侧边缘，然后利用canny算法对已经分割出来的钢管图像进行边缘像素点的提取。
为方便描述，下述所有内容均以单侧边缘为例进行说明，单侧边缘像素点数量为
Figure DEST_PATH_IMAGE001
。
2、构建直角坐标系，并将直角坐标系中的边缘像素点映射至霍夫空间中。
选取钢管图像的一个角作为原点构建直角坐标系，统计直角坐标系中每个边缘像素点的坐标，依据坐标将每个边缘像素点映射至霍夫空间中，每个边缘像素点对应霍夫空间中的一条直线。
在本发明实施例中以钢管图像的左下角作为原点构建直角坐标系，对每一个边缘像素点根据其位置信息(x,y)映射至霍夫空间用于特征提取，基础理论为在钢管的旋转过程中，假如表面没有缺陷时，其两侧的边缘像素点每一侧处于同一条直线上，即将该直线上所有的边缘像素点映射至霍夫空间时，在霍夫空间中的表现为多条过一点的直线。
在对钢管视频图像中的边缘像素点映射至霍夫空间，其中单帧图像的表现特征因为两侧的边缘像素点较多，且假如没有凹坑或者突起情况下的单侧
Figure 944241DEST_PATH_IMAGE001
个边缘像素点会处于同一条直线，在霍夫空间中对应的有
Figure 595802DEST_PATH_IMAGE001
条直线穿过某一个高亮点；而在有凹坑或者突起的情况下，其对应的
Figure 172277DEST_PATH_IMAGE001
个边缘像素点并不是所有的边缘像素点都共线，所以表现在霍夫空间中即原本应有
Figure 301907DEST_PATH_IMAGE001
条直线穿过某一个高亮点，实际情况却是穿过该高亮点的直线数目小于边缘像素点的个数，这些小于
Figure 913017DEST_PATH_IMAGE001
的直线对应在钢管视频图像中即为疑似的缺陷处。
因为疑似缺陷处的不论是突起或者凹陷在起始位置最少有一个边缘像素点与正常的单侧边缘像素点共线，所以疑似缺陷处的边缘像素点在霍夫空间中的直线往往会有两条或者两条以上的直线进行相交，且最少有两条直线穿过单侧边边缘像素点的高亮点。
多帧连续图像中相应的位置邻域如果连续出现单帧疑似缺陷的特征，则说明该处位置极大可能为凹坑与突起的缺陷，实际物理意义为，凹坑和突起为区域性的，所以在钢管旋转的过程中，两侧的边缘像素点在连续帧中表现为不是所有的单侧边缘像素点都通过一条直线。
3、获取边缘高亮点。
获取霍夫空间中每个高亮点被直线穿过的数量和边缘像素点数量的差异值，差异值最小的高亮点为边缘高亮点。
以第
Figure DEST_PATH_IMAGE002
帧图像为例，首先进行该帧图像对应的霍夫空间中的高亮点的检测，确定单侧边缘像素点对应的高亮点，具体过程为：
首先对霍夫空间中每个高亮点穿过的直线的数量进行统计，以第
Figure 266638DEST_PATH_IMAGE002
帧图像的第
Figure DEST_PATH_IMAGE003
个高亮点为例，穿过该高亮的直线个数为
Figure DEST_PATH_IMAGE004
。获得所有第
Figure 799250DEST_PATH_IMAGE002
帧图像对应的霍夫空间的高亮点穿过的直线的个数。而后通过对通过高亮点的直线个数进行钢管两侧边缘像素点的判断，以第
Figure DEST_PATH_IMAGE005
个高亮点为例，计算其与单侧的边缘像素点的差异
Figure DEST_PATH_IMAGE006
，计算方式如下所示：
Figure DEST_PATH_IMAGE007
其中，
Figure 603344DEST_PATH_IMAGE006
表示第
Figure 68961DEST_PATH_IMAGE002
帧图像对应的霍夫空间中第
Figure 796745DEST_PATH_IMAGE003
个高亮点与单侧的边缘像素点数量的差异值，
Figure DEST_PATH_IMAGE008
为钢管第
Figure 82233DEST_PATH_IMAGE002
帧图像中单侧边缘的边缘像素点数量，
Figure 615983DEST_PATH_IMAGE004
为通过第
Figure 670526DEST_PATH_IMAGE005
个高亮点的直线的数量。
在霍夫空间中，每条直线对应了一个图像中的边缘像素点，而单侧边缘的边缘像素点在没有缺陷的时候共线，所以按照上述分析的特征，其应该相交于同一个高亮点，单侧边缘具有缺陷时，其大部分边缘像素点共线，即大部分边缘像素点在霍夫空间中对应的直线处于同一个高亮点，所以利用该特征进行单侧边缘像素点对应的霍夫空间中高亮的判断。
利用上述方式计算单侧边缘像素点的数量与霍夫空间中的高亮点穿过的直线的差异，其差异值越小，则说明该高亮点中所穿过的直线越有可能是某一侧的边缘像素点。
利用上述方式对所有的霍夫空间中高亮点穿过的直线数目与单侧边缘像素点数量进行计算，选择最小的差异值
Figure DEST_PATH_IMAGE009
对应的高亮点为边缘高亮点。
步骤S003，对穿过边缘高亮点的直线进行有返回的路径追踪，统计每条穿过边缘高亮点的直线对应的追踪直线数量，当追踪直线数量等于边缘像素点数量时，追踪直线对应的边缘像素点为疑似缺陷点。
上述中获得了钢管单侧图像边缘点对应的边缘高亮点与单侧边缘的差异值，其中差异值为零时，则说明该边缘高亮点穿过的直线数量和单侧边缘的边缘点的个数相同，即该帧图像中所有钢管单侧边缘的边缘点处于同一条直线上，物理意义为当前帧的图像中钢管的单侧图像没有凹坑或者突起的缺陷。而差异值不为零，则说明穿过该边缘高亮点的直线的数量小于当前帧图像单侧的边缘点的数量，则说明该帧图像中所有钢管单侧边缘的边缘点没有处于同一条直线上，需要进一步分析其是否为单帧缺陷位置，
具体的步骤包括：
1、对穿过边缘高亮点的直线进行有返回的路径追踪。
以边缘高亮点作为节点，搜寻过节点的所有直线中每一条直线的路径在单次不重复追踪过程中是否可以返回边缘高亮点，可以返回的路径，统计对应的追踪直线数量；抛弃不能返回的路径。
追踪过边缘高亮点的每条直线，追踪方式为以边缘高亮点作为节点，搜寻过节点的所有直线中每一条直线的路径，以第p条过边缘高亮点的直线为例，
Figure DEST_PATH_IMAGE010
，其中P为所有过边缘高亮点的直线总数量。判断其在单次不重复追踪过程是否可以返回边缘高亮点，若可以返回，则统计追踪过程中所有涉及到的直线的数量
Figure DEST_PATH_IMAGE011
，如是无法返回则抛弃该条追踪路径。
有返回追踪路线示意图如图3所示，无返回追踪路线示意图如图4所示，加粗线条为追踪路径。
统计每条穿过边缘高亮点的直线对应的追踪直线数量。
有返回的追踪路径对应的直线能够构成一个闭合区域，统计有返回追踪路径中所涉及的所有直线的数量
Figure 162688DEST_PATH_IMAGE011
。
对过边缘高亮点的直线的数目
Figure 138734DEST_PATH_IMAGE004
与有返回的追踪路径中所涉及到的直线的个数进行相加，计算闭合区域的直线个数
Figure DEST_PATH_IMAGE012
，以第
Figure DEST_PATH_IMAGE013
条路径为例：
Figure DEST_PATH_IMAGE014
其中，
Figure 725442DEST_PATH_IMAGE004
表示过边缘高亮点的直线个数，
Figure 165651DEST_PATH_IMAGE011
表示第
Figure 235238DEST_PATH_IMAGE013
条可返回路径涉及到的直线的条数。
2、基于追踪直线数量获取疑似缺陷点。
当追踪直线数量等于边缘像素点数量时，追踪直线对应的边缘像素点为疑似缺陷点。
以上述方式对所有可返回路径的闭合区域的直线个数进行计算，其中只要有一个路径的
Figure DEST_PATH_IMAGE015
，其对应的
Figure 495318DEST_PATH_IMAGE011
记为
Figure DEST_PATH_IMAGE016
，这些霍夫直线对应的边缘点为疑似缺陷边缘点，则说明该帧图像具有疑似缺陷。
其中，a为当前帧数，m为路径涉及到的直线的条数。
步骤S004，筛选出存在疑似缺陷点的所有钢管图像作为疑似缺陷图像，在所有疑似缺陷图像中筛选出多组连续帧图像，计算每组中相邻两帧疑似缺陷图像的疑似缺陷点的数量差异，并求平均值，当平均值小于预设阈值时，对应的组为缺陷图像组，组内的连续帧图像为缺陷图像。
具体的步骤包括：
1、筛选出存在疑似缺陷点的所有钢管图像作为疑似缺陷图像。
对所有帧的图像进行处理，可获得所有具有疑似缺陷的对应
Figure DEST_PATH_IMAGE017
帧图像，其中
Figure DEST_PATH_IMAGE018
。
2、筛选出缺陷图像组。
上述中获得了所有疑似缺陷的对应帧图像，现利用多帧图像进行缺陷的判断，
其理论依据为，每一帧图像采集到钢管图像的两侧位一维图像，而缺陷的损伤区域为二维图像，所以单一帧图像不能判断是否为缺陷位置，只能通过连选帧图像进行判断，具体如下所示：
首先从
Figure DEST_PATH_IMAGE019
中根据其时序进行聚类，聚类方式为连续帧图像为一类，每一类中共有
Figure DEST_PATH_IMAGE020
帧的连续图像，不同类的
Figure DEST_PATH_IMAGE021
可不相同。对于不连续的帧按照上述逻辑分析，其极大概率为非缺陷帧，进行抛弃即可。
而后对每一类连续帧图像中按照时序顺序以第一帧图像开始，计算连续两帧的疑似缺陷边缘点差异值
Figure DEST_PATH_IMAGE022
，并对所有连续两帧的差异值求取平均值
Figure DEST_PATH_IMAGE023
，以某一个聚类为例，其差异值计算方式如下所示：
Figure DEST_PATH_IMAGE024
式中
Figure 229924DEST_PATH_IMAGE022
表示第
Figure DEST_PATH_IMAGE025
帧图像和第
Figure 259060DEST_PATH_IMAGE002
帧图像之间的疑似缺陷边缘点的差异值，
Figure DEST_PATH_IMAGE026
表示该聚类下第
Figure 561866DEST_PATH_IMAGE025
帧图像中的疑似缺陷边缘点个数，
Figure 309242DEST_PATH_IMAGE016
表示该聚类下第
Figure 926168DEST_PATH_IMAGE002
帧图像中的疑似缺陷边缘点个数。
然后计算差异值的平均值
Figure 75390DEST_PATH_IMAGE023
，处于同一个区域的缺陷的缺陷边缘点相邻帧图像之间的差异并不大，所以通过该方式计算差异值的平均值进行误差排除，如果
Figure 549096DEST_PATH_IMAGE023
相对来说比较大，则说明聚类下的连续帧中出现的误差为非缺陷，如果
Figure 783768DEST_PATH_IMAGE023
相对来说比较小，则说明聚类下的连续帧中出现的误差为缺陷，本发明实施例中预设阈值为3，即
Figure DEST_PATH_IMAGE027
时，对应的对应的组为缺陷图像组，组内的连续帧图像为缺陷图像。
利用上述方式对所有的聚类下的连续帧图像进行判断，可获得所有表面缺陷对应的类别。
步骤S005，基于缺陷图像组中每帧缺陷图像的疑似缺陷点与边缘缺陷点的数量比值、缺陷图像组的帧数和视频信息帧数的比值获取钢管表面缺陷的异常程度。
具体的步骤包括：
计算缺陷图像组中所有缺陷图像对应的数量比值的和，乘上帧数和视频信息帧数的比值，乘积结果为该缺陷图像组对应的钢管表面缺陷的异常程度。
整体连续帧连续数目越大，闭合路径的直线在所有直线中的占比越大，说明其越严重。
所述的钢管表面异常程度
Figure DEST_PATH_IMAGE028
的计算方式如下所示，以某一聚类情况为例：
Figure DEST_PATH_IMAGE029
式中：
Figure 266702DEST_PATH_IMAGE020
表示该聚类情况下的总帧数，
Figure DEST_PATH_IMAGE030
表示检测过程中的总帧数，
Figure 270431DEST_PATH_IMAGE016
表示第该类别下的第
Figure 180618DEST_PATH_IMAGE002
帧的缺陷边缘点的个数，
Figure DEST_PATH_IMAGE031
表示该帧图像中单侧边缘点的总体个数。
Figure DEST_PATH_IMAGE032
值越大，说明该处缺陷在相机的视频拍摄过程中出现的时间越长，在转速一定的情况下，说明该缺陷在钢管的表面上的绕着周长方向的占比越高；
Figure DEST_PATH_IMAGE033
以每一帧图像中却像边缘点在该帧图图像中的占比的和来表示整体的缺陷程度的大小，该值越大，说明整体缺陷区域越大，所以通过图这两个值得乘积作用该处缺陷的缺陷程度计算，
Figure 168165DEST_PATH_IMAGE028
值越大，说明该处缺陷越严重。
以上述方式对所有聚类情况进行计算，可获得所有聚类情况下的缺陷的严重程度。
综上所述，本发明实施例采集钢管旋转时的视频信息，视频信息中包括钢管的管身侧面；每帧视频信息为一张钢管图像；对于每张钢管图像，提取钢管区域以及钢管的边缘像素点，选取钢管图像的一个角作为原点构建直角坐标系，并将直角坐标系中的边缘像素点映射至霍夫空间中，获取霍夫空间中每个高亮点被直线穿过的数量和边缘像素点数量的差异值，差异值最小的高亮点为边缘高亮点；对穿过边缘高亮点的直线进行有返回的路径追踪，统计每条穿过边缘高亮点的直线对应的追踪直线数量，当追踪直线数量等于边缘像素点数量时，追踪直线对应的边缘像素点为疑似缺陷点；筛选出存在疑似缺陷点的所有钢管图像作为疑似缺陷图像，在所有疑似缺陷图像中筛选出多组连续帧图像，计算每组中相邻两帧疑似缺陷图像的疑似缺陷点的数量差异，并求平均值，当平均值小于预设阈值时，对应的组为缺陷图像组，组内的连续帧图像为缺陷图像；基于缺陷图像组中每帧缺陷图像的疑似缺陷点与边缘缺陷点的数量比值、缺陷图像组的帧数和视频信息帧数的比值获取钢管表面缺陷的异常程度。本发明实施例能够使检测钢管缺陷结果更准确，同时提升检测速度。
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或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。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (3)

1.一种基于霍夫空间的钢管生产质量检测方法，其特征在于，该方法包括以下步骤：
采集钢管旋转时的视频信息，所述视频信息中包括钢管的管身侧面；每帧视频信息为一张钢管图像；
对于每张钢管图像，提取钢管区域以及钢管的边缘像素点，选取钢管图像的一个角作为原点构建直角坐标系，并将直角坐标系中的边缘像素点映射至霍夫空间中，获取霍夫空间中每个高亮点被直线穿过的数量和边缘像素点数量的差异值，差异值最小的高亮点为边缘高亮点；
对穿过边缘高亮点的直线进行有返回的路径追踪，统计每条穿过边缘高亮点的直线对应的追踪直线数量，当所述追踪直线数量等于边缘像素点数量时，追踪直线对应的边缘像素点为疑似缺陷点；
筛选出存在疑似缺陷点的所有钢管图像作为疑似缺陷图像，在所有疑似缺陷图像中筛选出多组连续帧图像，计算每组中相邻两帧疑似缺陷图像的疑似缺陷点的数量差异，并求平均值，当所述平均值小于预设阈值时，对应的组为缺陷图像组，组内的连续帧图像为缺陷图像；
基于缺陷图像组中每帧缺陷图像的疑似缺陷点与边缘缺陷点的数量比值、缺陷图像组的帧数和视频信息帧数的比值获取钢管表面缺陷的异常程度；
所述对穿过边缘高亮点的直线进行有返回的路径追踪，包括：
以边缘高亮点作为节点，搜寻过节点的所有直线中每一条直线的路径在单次不重复追踪过程中是否可以返回边缘高亮点，可以返回的路径，统计对应的追踪直线数量；抛弃不能返回的路径；
所述异常程度的获取方法为：
计算缺陷图像组中所有缺陷图像对应的数量比值的和，乘上所述帧数和视频信息帧数的比值，乘积结果为该缺陷图像组对应的钢管表面缺陷的异常程度。
2.根据权利要求1所述的一种基于霍夫空间的钢管生产质量检测方法，其特征在于，所述提取钢管区域以及钢管的边缘像素点，包括：
通过图像分割技术去除背景提取所述钢管区域；将所述钢管区域分为两部分边缘图，利用canny算法提取所述边缘图中的边缘像素点。
3.根据权利要求1所述的一种基于霍夫空间的钢管生产质量检测方法，其特征在于，将直角坐标系中的边缘像素点映射至霍夫空间中，包括：
统计直角坐标系中每个边缘像素点的坐标，依据所述坐标将每个边缘像素点映射至霍夫空间中，每个边缘像素点对应霍夫空间中的一条直线。
CN202211140480.2A 2022-09-20 2022-09-20 一种基于霍夫空间的钢管生产质量检测方法 Active CN115222736B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211140480.2A CN115222736B (zh) 2022-09-20 2022-09-20 一种基于霍夫空间的钢管生产质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211140480.2A CN115222736B (zh) 2022-09-20 2022-09-20 一种基于霍夫空间的钢管生产质量检测方法

Publications (2)

Publication Number Publication Date
CN115222736A CN115222736A (zh) 2022-10-21
CN115222736B true CN115222736B (zh) 2022-12-13

Family

ID=83616921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211140480.2A Active CN115222736B (zh) 2022-09-20 2022-09-20 一种基于霍夫空间的钢管生产质量检测方法

Country Status (1)

Country Link
CN (1) CN115222736B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078661B (zh) * 2023-10-12 2024-01-05 济宁久邦工程机械设备有限公司 一种高空作业车结构件生产质量智能检测方法
CN117876364A (zh) * 2024-03-11 2024-04-12 陕西煜成和汇金属材料有限公司 基于图像识别的金属棒材缺陷检测方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004279367A (ja) * 2003-03-19 2004-10-07 Ricoh Co Ltd 表面欠陥検査装置及び制御プログラム記録媒体
CN115035023A (zh) * 2022-04-24 2022-09-09 南通杰元纺织品有限公司 一种基于霍夫变换的服装锁眼钉扣缺陷检测方法
CN114842016B (zh) * 2022-07-05 2022-09-06 南通森田消防装备有限公司 一种基于计算机视觉的消防水带缺陷检测方法及系统
CN114972337B (zh) * 2022-07-26 2022-09-30 启东市固德防水布有限公司 一种基于防水布霍夫空间数据处理的异常识别方法

Also Published As

Publication number Publication date
CN115222736A (zh) 2022-10-21

Similar Documents

Publication Publication Date Title
CN115222736B (zh) 一种基于霍夫空间的钢管生产质量检测方法
CN115170576B (zh) 基于机器视觉的铝管表面缺陷检测方法
WO2022062812A1 (zh) 屏幕缺陷检测方法、装置和电子设备
CN115601364B (zh) 基于图像分析的金手指电路板检测方法
CN102175700B (zh) 数字x射线图像焊缝分割和缺陷检测方法
WO2021168733A1 (zh) 缺陷图像的缺陷检测方法、装置及计算机可读存储介质
CN110567969B (zh) 用于织物缺陷检测的图像识别方法及其系统
CN113340909B (zh) 一种基于机器视觉的胶线缺陷检测方法
CN115184380B (zh) 基于机器视觉的印刷电路板焊点异常检测方法
CN109462999B (zh) 通过数据平衡基于学习的视觉检查方法以及利用其的视觉检查装置
CN115719332A (zh) 一种焊接质量检测方法
CN111753794B (zh) 水果品质分类方法、装置、电子设备及可读存储介质
CN115131348A (zh) 一种纺织品表面缺陷的检测方法及系统
CN114897881B (zh) 一种基于边缘特征的晶粒缺陷检测方法
CN115082444B (zh) 一种基于图像处理的铜管焊缝缺陷检测方法及系统
CN115601359A (zh) 一种焊缝检测方法及装置
CN106447656A (zh) 基于图像识别的渲染瑕疵图像检测方法
CN113780484B (zh) 工业产品缺陷检测方法和装置
CN108492306A (zh) 一种基于图像轮廓的x型角点提取方法
JP3322958B2 (ja) 印刷物検査装置
CN116416268B (zh) 基于递归二分法的锂电池极片边缘位置检测方法及装置
CN111161264B (zh) 一种对含有缺陷的tft电路图像的分割方法
CN112288730A (zh) 基于人工智能的光伏电池板表面缺陷定位方法及装置
CN112837285B (zh) 一种板面图像的边缘检测方法及装置
CN114972757A (zh) 一种隧道渗漏水区域识别方法及系统

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