CN115272322A - 一种基于数据处理的合金缺陷定量检测方法 - Google Patents

一种基于数据处理的合金缺陷定量检测方法 Download PDF

Info

Publication number
CN115272322A
CN115272322A CN202211185941.8A CN202211185941A CN115272322A CN 115272322 A CN115272322 A CN 115272322A CN 202211185941 A CN202211185941 A CN 202211185941A CN 115272322 A CN115272322 A CN 115272322A
Authority
CN
China
Prior art keywords
gray
alloy
image
detected
defect
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.)
Pending
Application number
CN202211185941.8A
Other languages
English (en)
Inventor
黄春芳
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 Xianduan Precision Machinery Co ltd
Original Assignee
Nantong Xianduan Precision 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 Nantong Xianduan Precision Machinery Co ltd filed Critical Nantong Xianduan Precision Machinery Co ltd
Priority to CN202211185941.8A priority Critical patent/CN115272322A/zh
Publication of CN115272322A publication Critical patent/CN115272322A/zh
Pending legal-status Critical Current

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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • 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
    • 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

Abstract

本发明涉及数据处理领域，提出一种基于数据处理的合金缺陷定量检测方法，包括：获取待检测合金灰度图像正常灰度值集合和异常灰度值集合及待检测合金灰度图像的正常灰度参考值，利用正常灰度值集合和异常灰度值集合判断待检测合金灰度图像中的像素点及其8邻域内的像素点为正/异常像素点获取自适应上采样图像，获取待检测合金灰度图像和上采样图像中的缺陷区域，利用待检测合金灰度图像和自适应上采样图像中缺陷区域像素点的灰度值、缺陷区域面积及待检测合金灰度图像的正常灰度参考值得到待检测合金灰度图像缺陷程度的联合评价公式，并对待检测合金灰度图像缺陷程度进行判定。本发明通过对图像数据的处理实现了对合金表面缺陷的定量检测。

Description

一种基于数据处理的合金缺陷定量检测方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于数据处理的合金缺陷定量检测方法。
背景技术
随着我国工业技术的发展，各种合金金属层出不穷，合金以其独特的优势在我国工业技术领域占据越来越重要的作用，普通合金在日常生活领域的使用也越来越广泛如合金门窗，在一些高端制造业合金是目前主要的发展方向如航空航天产业发动机及机身材料的制造都是合金材料，然而在实际的制造过程中，合金大多都是各种材料高温融合制造而成，在金属凝固时会发生收缩会导致缩孔和疏松缺陷，与此同时，液态金属中含有气体，气体如果没有及时排除会产生气泡缺陷，其他缺陷还有非金属夹杂物在合金表面形成的夹砂缺陷。
基于以上分析，对合金表面缺陷的检测识别成为当前的重要问题，由于合金表面缺陷不明显，给缺陷检测带来了极大的困难，传统检测方法依赖于手工设计特征，鲁棒性不高，由于合金表面缺陷不明显，直接使用神经网络检测的方法对合金缺陷的检测效果不佳，容易出现漏检，影响最终的识别精度，影响合金的缺陷程度等级。因此本发明提供了一种基于数据处理的合金缺陷定量检测方法，予以解决上述问题。
发明内容
本发明提供一种基于数据处理的合金缺陷定量检测方法，以解决现有的合金表面缺陷的检测定量的问题。
本发明的一种基于数据处理的合金缺陷定量检测方法，采用如下技术方案：
S1：获取待检测合金灰度图像；
S2：对待检测合金灰度图像中每个灰度值所对应的像素点个数进行排序得到灰度集合，计算灰度集合中相邻灰度值的梯度；
S3：根据灰度集合中相邻灰度值的梯度得到待检测合金灰度图像中正常灰度值集合和异常灰度值集合，并根据正常灰度值集合获取待检测合金灰度图像的正常灰度参考值；
S4：当待检测合金灰度图像中像素点及其邻域内的像素点都为正常像素点时，将该像素点与其邻域像素点的灰度均值作为该像素点邻域的内插灰度值；当待检测合金灰度图像中像素点为正常像素点但其邻域像素点存在异常像素点时，将该像素点与其邻域像素点的最大梯度值作为该像素点邻域的内插灰度值；当待检测合金灰度图像中像素点为异常像素点时，将该像素点的灰度值作为该像素点邻域的内插灰度值；
S5：利用待检测合金灰度图像中每个像素点的内插灰度值对待检测合金灰度图像中的每个像素点的邻域进行内插得到第一次上采样图像；
S6：利用步骤S2-S5对第一次上采样图像进行处理得到第二次上采样图像，同理获得第三次上采样图像；
S7：构建神经网络，并分别将待检测合金灰度图像、第一次上采样图像、第二次上采样图像和第三次上采样图像作为神经网络的输入，分别输出待检测合金灰度图像、第一次上采样图像、第二次上采样图像和第三次上采样图像中的缺陷区域，利用获得的所有缺陷区域内像素点的灰度值、缺陷区域的面积及待检测合金灰度图像的正常灰度参考值计算待检测合金灰度图像的缺陷程度；
S8：利用待检测合金灰度图像的缺陷程度及缺陷程度的阈值区间对合金表面缺陷程度等级进行判定。
进一步的，所述待检测合金灰度图像是按如下方法确定的：
获取待检测合金表面图像；
对待检测合金表面图像进行灰度化处理得到待检测合金灰度图像。
进一步的，所述得到待检测合金灰度图像中正常灰度值集合和异常灰度值集合的步骤包括：
将待检测合金灰度图像中每个同一灰度值对应的像素点的个数按照由大到小的顺序进行排列得到灰度值集合；
计算该灰度值集合内相邻灰度值对应的像素点梯度；
获取所有梯度中最大梯度所对应的两个灰度值；
将最大梯度所对应的两个灰度值中像素点个数多的灰度值及大于该灰度值的所有灰度值作为正常灰度值并得到正常灰度值集合，则灰度值集合内除正常灰度值外的其余灰度值作为异常灰度值并得到异常灰度值集合。
进一步的，所述待检测合金灰度图像的正常灰度参考值为正常灰度值集合中所有灰度值的均值。
进一步的，所述构建的神经网络的具体步骤包括：
YOLO-V4神经网络；
该YOLO-V4神经网络是按照如下方式进行训练：合金灰度图像及其对应的上采样图像作为YOLO-V4神经网络的输入，输出为合金灰度图像及其对应的上采样图像中对应的缺陷区域，并对神经网络训练，得到训练好的神经网络。
进一步的，所述计算待检测合金灰度图像的缺陷程度的方法为：
分别获取待检测合金灰度图像、第一次上采样图像、第二次上采样图像和第三次上采样图像的缺陷区域面积；
计算每个缺陷区域内像素点的灰度值的方差，并将方差作为每个缺陷区域对应的灰度波动程度；
根据待检测合金灰度图像中缺陷区域的面积与其第一次上采样图像面积的比值、该待检测合金灰度图像中缺陷区域的波动程度、像素点的灰度均值与待检测合金灰度图像的正常灰度参考值的差值得到待检测合金灰度图像的初始缺陷程度；
同理获取第一次上采样图像和第二次上采样图像的第一缺陷程度和第二缺陷程度；
利用获得的第二次上采样图像中缺陷区域的面积与其第二次上采样图像面积的比值及第三次上采样图像中缺陷区域的面积与其第三次上采样图像面积的比值得到第三次上采样图像的第三缺陷程度；
根据初始缺陷程度、第一缺陷程度、第二缺陷程度、第三缺陷程度得到待检测合金灰度图像的缺陷程度。
进一步的，对合金表面缺陷程度进行判定方法是：
当计算得到待检测合金灰度图像的缺陷程度的值小于第一阈值，则当前合金表面不存在缺陷；
当计算得到待检测合金灰度图像的缺陷程度的值在第一阈值与第二阈值之间，则当前合金表面轻度缺陷；
当计算得到待检测合金灰度图像的缺陷程度的值在第二阈值与第三阈值之间，则当前合金表面中度缺陷；
当计算得到待检测合金灰度图像的缺陷程度的值大于第三阈值，则当前合金表面重度缺陷。
本发明的有益效果是：本发明通过对待检测合金灰度图像进行三次自适应上采样，结合原始合金灰度图像及三次自适应上采样中的缺陷，放大待检测合金灰度图像中的缺陷，使数据处理对待检测合金表面缺陷检测结果更加准确，实现了合金表面缺陷的定量检测。
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为本发明的实施例提供一种基于数据处理的合金缺陷定量检测方法的流程示意图。
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。
本发明的一种基于数据处理的合金缺陷定量检测方法的实施例，如图1所示，包括：
S1、获取待检测合金灰度图像。
S2、对待检测合金灰度图像中每个灰度值所对应的像素点个数进行排序得到灰度集合，计算灰度集合中相邻灰度值的梯度。
S3、根据灰度集合中相邻灰度值的梯度得到待检测合金灰度图像中正常灰度值集合和异常灰度值集合，并根据正常灰度值集合获取待检测合金灰度图像的正常灰度参考值。
具体的，获取待检测合金灰度图像的步骤为：首先，合金表面一般都为单色图像，没有其余颜色，且纹理特征单一，如果存在缺陷，则表面出现其他纹理特征，缺陷的灰度发生变化且有梯度的变化，由于缺陷的微小和不易察觉，因此需要高清摄像机进行图像的拍摄，并且为了处理的方便进行灰度化操作得到待检测合金灰度图像。
由于待检测合金灰度图像中缺陷不明显，且正常区域的像素点灰度值相同，获取待检测合金灰度图像的灰度直方图，灰度级集中在同一灰度级附近，若待检测合金灰度图像中存在缺陷，则缺陷区域灰度值与正常区域灰度值有较大的梯度差异，因此本发明通过分析待检测合金灰度图像的自身灰度分布确定待检测合金灰度图像的正常灰度值集合和异常灰度值集合。
具体的，利用待检测合金灰度图像中每个灰度值所对应的像素点个数得到待检测合金灰度图像中正常灰度值集合和异常灰度值集合的步骤包括：
将待检测合金灰度图像中每个同一灰度值对应的像素点的个数按照由大到小的顺序进行排列得到灰度值集合，计算该灰度值集合内相邻灰度值对应的像素点梯度，获取所有梯度中最大梯度所对应的两个灰度值，将最大梯度所对应的两个灰度值中像素点个数多的灰度值及大于该灰度值的所有灰度值作为正常灰度值并得到正常灰度值集合，则灰度值集合内除正常灰度值的其余灰度值作为异常灰度值并得到异常灰度值集合。
利用待检测合金灰度图像中所有像素点的灰度值及每个灰度值所对应的像素点个数对待检测合金灰度图像的灰度值进行统计，待检测合金灰度图像中灰度值所对应的像素点个数由大到小排列的集合的表达式为：
Figure 427231DEST_PATH_IMAGE002
式中：
Figure DEST_PATH_IMAGE003
表示待检测合金灰度图像中灰度值所对应的像素点个数由大到小排列的集合，
Figure 613231DEST_PATH_IMAGE004
表示待检测合金灰度图像中灰度值所对应的像素点个数。
与集合
Figure 989985DEST_PATH_IMAGE003
相对应的灰度值集合的表达式为：
Figure 141612DEST_PATH_IMAGE006
式中：
Figure DEST_PATH_IMAGE007
表示与
Figure 751979DEST_PATH_IMAGE003
相对应的灰度值集合，
Figure 785794DEST_PATH_IMAGE008
表示与
Figure 638343DEST_PATH_IMAGE004
相对应的灰度值。
合金灰度图像中像素点的灰度值相接近，待检测合金灰度图像中正常像素点之间梯度较小，因此在集合
Figure 939749DEST_PATH_IMAGE007
中相邻灰度值的梯度较小，若集合
Figure 16290DEST_PATH_IMAGE007
中相邻灰度值存在异常则梯度会出现突变，根据最大梯度对应的灰度值来确定灰度值划分，则集合
Figure 537401DEST_PATH_IMAGE007
中相邻灰度值的梯度值集合的表达式如下：
Figure 724800DEST_PATH_IMAGE010
式中：
Figure DEST_PATH_IMAGE011
表示集合
Figure 364202DEST_PATH_IMAGE007
中相邻灰度值的梯度值集合，
Figure 611644DEST_PATH_IMAGE012
表示集合
Figure 620051DEST_PATH_IMAGE007
中相邻灰度值的梯度值。
集合
Figure 109676DEST_PATH_IMAGE007
中相邻灰度值的梯度最大值的表达式如下：
Figure 887139DEST_PATH_IMAGE014
式中：
Figure DEST_PATH_IMAGE015
表示集合
Figure 243165DEST_PATH_IMAGE007
中灰度值
Figure 178017DEST_PATH_IMAGE016
与
Figure DEST_PATH_IMAGE017
的梯度值，
Figure 910480DEST_PATH_IMAGE018
表示集合
Figure 542450DEST_PATH_IMAGE007
中相邻灰度值的梯度最大值。
Figure 895809DEST_PATH_IMAGE018
表示梯度最大值，以该梯度为分界，获取该梯度所对应的两个灰度值，将集合
Figure 82071DEST_PATH_IMAGE007
中两个灰度值中像素点个数多的灰度值所对应的灰度值及大于该灰度值前的所有灰度值作为正常灰度值，并得到正常灰度值集合，则将灰度值集合中除正常灰度值外的所有灰度值作为异常灰度值，并得到异常灰度值集合，则正常灰度值的表达式为：
Figure 414963DEST_PATH_IMAGE020
式中：
Figure DEST_PATH_IMAGE021
表示待检测合金灰度图像中正常灰度值集合，
Figure 809429DEST_PATH_IMAGE022
表示待检测合金灰度图像中正常像素点灰度值。
异常灰度值集合的表达式为：
Figure 100733DEST_PATH_IMAGE024
式中：
Figure DEST_PATH_IMAGE025
表示待检测合金灰度图像中异常灰度值集合，
Figure 944930DEST_PATH_IMAGE026
表示待检测合金灰度图像中异常像素点灰度值。
根据正常灰度值集合得到待检测合金灰度图像的正常灰度参考值，具体表达式如下：
Figure 81513DEST_PATH_IMAGE028
式中：
Figure DEST_PATH_IMAGE029
表示待检测合金灰度图像的正常灰度参考值，
Figure 127223DEST_PATH_IMAGE030
表示待检测合金灰度图像正常灰度值集合内第
Figure DEST_PATH_IMAGE031
个灰度值，
Figure 933636DEST_PATH_IMAGE032
表示正常灰度值集合内的灰度值个数。
S4：当待检测合金灰度图像中像素点及其邻域内的像素点都为正常像素点时，将该像素点与其邻域像素点的灰度均值作为该像素点邻域的内插灰度值；当待检测合金灰度图像中像素点为正常像素点但其邻域像素点存在异常像素点时，将该像素点与其邻域像素点的最大梯度值作为该像素点邻域的内插灰度值；当待检测合金灰度图像中像素点为异常像素点时，将该像素点的灰度值作为该像素点邻域的内插灰度值。
S5：利用待检测合金灰度图像中每个像素点的内插灰度值对待检测合金灰度图像中的每个像素点的邻域进行内插得到第一次上采样图像。
S6：利用步骤S2-S5对第一次上采样图像进行处理得到第二次上采样图像，同理获得第三次上采样图像。
由于合金表面缺陷无论是缩孔疏松或是夹砂和气泡，对应缺陷的范围不大，且缺陷特征不明显，因此单纯的对原始图像本身进行检测识别难度大，识别效率低，因此本发明通过上采样操作形成图像金字塔，根据生成的图像金字塔对应区域的图像变化来对缺陷区域进行定位。上采样操作将图像扩展四倍，图像变大，本发明通过上采样操作，对扩展后的像素点进行自适应内插操作，使得缺陷部位保留更加明显的特征，并且上采样后缺陷区域被扩增，特征更加明显，且扩展是原来基础上的扩展，可以记录位置，通过上采样前后的对比可以定位到缺陷区域。
在图像进行上采样的过程中，通常将图像的宽度和高度都变为原来的两倍，图像变为原来的四倍，这就意味着在每个像素点周围有大量的空白像素点，需要对这些空白像素点进行上采样，传统上采样方法是临近像素点赋值操作，然而这种方法不能很好结合图像的自身特征，对图像特征保留效果不好，上采样后某些特征变得不明显，因此本发明结合待检测合金灰度图像的缺陷特征，进行自适应的内插操作，实现待检测合金灰度图像缺陷的特征增强。
待检测合金灰度图像中正常部分灰度值固定，相邻像素点之间的灰度梯度为零或十分微小，如果存在缺陷则会出现灰度值的变化，且缺陷部分的灰度值变化较大，梯度浮动较大。传统的上采样是用均值内插或是临近灰度值内插，容易使得合金的缺陷特征消失，本发明根据缺陷特征和正常特征的区别对待检测合金灰度图像进行自适应内插。
首先判断上采样图像中当前像素点的特性，如果当前像素点为正常像素点且其8邻域像素点也为正常像素点,表明该像素点周围都为正常像素点，所以应当保留正常的特征，同时为了内插后的图像梯度平滑，则对该像素点的8邻域进行均值化内插，内插灰度值为该像素点及其8邻域的灰度均值。则该像素点与其8邻域像素点灰度值表达式如下：
Figure 124183DEST_PATH_IMAGE034
式中：
Figure DEST_PATH_IMAGE035
表示该像素点与其8邻域像素点灰度值，
Figure 205403DEST_PATH_IMAGE036
表示该像素点及其8邻域像素点所在位置。
Figure 666471DEST_PATH_IMAGE038
式中：
Figure 789324DEST_PATH_IMAGE035
表示该像素点与其8邻域像素点灰度值，
Figure 703054DEST_PATH_IMAGE036
表示该像素点及其8邻域像素点所在位置，
Figure DEST_PATH_IMAGE039
表示内插灰度值。
当上采样图像中当前像素点为正常像素点但其8邻域像素点存在异常时，该像素点8邻域的内插灰度值为该像素点与其8邻域像素点的最大梯度值，则8邻域中心像素点灰度值及其8邻域像素点灰度值具体表达式如下：
Figure DEST_PATH_IMAGE041
式中：
Figure 758603DEST_PATH_IMAGE042
表示8邻域中心像素点灰度值，
Figure 808599DEST_PATH_IMAGE035
表示该像素点8邻域像素点灰度值，
Figure 81448DEST_PATH_IMAGE036
表示该像素点的8邻域像素点所在位置，
Figure 249518DEST_PATH_IMAGE021
表示待检测合金灰度图像中正常灰度值集合，
Figure 531595DEST_PATH_IMAGE025
表示待检测合金灰度图像中异常灰度值集合；
该像素点与其8邻域像素点的梯度值的具体表达式如下：
Figure 170517DEST_PATH_IMAGE044
式中：
Figure DEST_PATH_IMAGE045
表示该像素点与其8邻域像素点的梯度值，
Figure 316066DEST_PATH_IMAGE035
表示该像素点8邻域像素点灰度值，
Figure 673229DEST_PATH_IMAGE042
表示8邻域中心像素点灰度值，
Figure 493417DEST_PATH_IMAGE036
表示该像素点的8邻域像素点所在位置，
Figure 753891DEST_PATH_IMAGE046
表示该像素点与其8邻域像素点的灰度差；
该像素点与其8邻域像素点的最大梯度值的具体表达式如下：
Figure 634122DEST_PATH_IMAGE048
式中：
Figure DEST_PATH_IMAGE049
表示该像素点与其8邻域像素点的最大梯度值，
Figure 914800DEST_PATH_IMAGE050
表示该像素点与其8邻域像素点的最大梯度值所对应的该像素点8邻域的灰度值。
当上采样图像中当前像素点为异常像素点时，该像素点8邻域的内插灰度值为该像素点的灰度值，具体表达式如下：
Figure 538679DEST_PATH_IMAGE052
式中：
Figure 948932DEST_PATH_IMAGE042
表示异常像素点的灰度值，
Figure 439212DEST_PATH_IMAGE025
表示异常灰度值集合。
基于上述内插方法，本发明实现了对待检测合金灰度图像的上采样操作且对异常特征进行了特征增强。综合考虑运算速度、特征增强的程度以及待检测合金灰度图像的大小，本发明进行三次自适应上采样操作，且第二次上采样需重复第一次上采样前的所有步骤，得到了四幅图像，包括：待检测合金灰度图像和三次上采样图像。
S7：构建神经网络，并分别将待检测合金灰度图像、第一次上采样图像、第二次上采样图像和第三次上采样图像作为神经网络的输入，分别输出待检测合金灰度图像、第一次上采样图像、第二次上采样图像和第三次上采样图像中的缺陷区域，利用获得的所有缺陷区域内像素点的灰度值、缺陷区域的面积及待检测合金灰度图像的正常灰度参考值计算待检测合金灰度图像的缺陷程度。
其中，相比以往的YOLO系列算法，YOLO-V4检测速度更快、检测精度更高、实现了实时监测及满足工业检测的要求；主干网络选用Darknet53，同样采用残差网络。
通过对待检测合金灰度图像进行自适应上采样后，对待检测合金灰度图像的缺陷部位进行了增强，因此，待检测合金灰度图像和三次上采样图像有如下特点：
若神经网络对待检测合金灰度图像进行检测过程中检测到缺陷存在，再次对三次上采样图像的检测也会得到缺陷存在，此时待检测合金灰度图像存在缺陷；若神经网络对待检测合金灰度图像进行检测过程中未检测到缺陷存在，对第一次上采样图像检测到缺陷存在，则对第二次、第三次上采样图像进行检测会检测到缺陷存在；以此类推。
若待检测合金灰度图像检测到缺陷存在，表明缺陷较为严重，原始特征较为明显，后面依次递减；若第三次上采样图像才检测到缺陷存在，这时合金图像存在缺陷的可能性较小。因此，本发明通过对四幅图像的检测结果的联合评价，来对合金图像缺陷进行定量检测。
具体的，利用待检测合金灰度图像和上采样图像中对应的缺陷区域内像素点的灰度值、缺陷区域的面积及待检测合金灰度图像的正常灰度参考值计算待检测合金灰度图像的缺陷程度的步骤为：
分别获取待检测合金灰度图像及其对应的上采样图像中的缺陷区域面积；计算每个缺陷面积与其对应的待检测合金灰度图像的面积、上采样图像的面积的比值；计算每个缺陷区域内像素点的灰度值的方差，并将方差作为每个缺陷区域对应的灰度波动程度；获取每个缺陷区域中像素点的灰度均值，计算每个缺陷区域中像素点的灰度均值与待检测合金灰度图像的正常灰度参考值的差值；根据每个缺陷面积与其对应的待检测合金灰度图像的面积、上采样图像的面积的比值、每个缺陷区域对应的灰度波动程度、每个缺陷区域中像素点的灰度均值与待检测合金灰度图像的正常灰度参考值的差值得到待检测合金灰度图像的缺陷程度。
具体的是：首先，对于待检测合金灰度图像，若检测存在缺陷，则考虑到缺陷的面积，缺陷部分灰度和待检测合金灰度图像的正常灰度参考值的差异，以及缺陷区域灰度值的波动程度，综合以上获取待检测合金灰度图像中缺陷程度评价公式，其中，待检测合金灰度图像中缺陷区域所占待检测合金灰度图像的比例的具体表达式为：
Figure 302126DEST_PATH_IMAGE054
式中：
Figure DEST_PATH_IMAGE055
表示待检测合金灰度图像中缺陷区域面积所占待检测合金灰度图像面积的比值，
Figure 870642DEST_PATH_IMAGE056
表示待检测合金灰度图像中缺陷区域面积，
Figure DEST_PATH_IMAGE057
表示待检测合金灰度图像的面积；
待检测合金灰度图像中缺陷区域像素点的灰度均值与待检测合金灰度图像的正常灰度参考值的差值的表达式为：
Figure DEST_PATH_IMAGE059
式中：
Figure 978144DEST_PATH_IMAGE060
表示待检测合金灰度图像中缺陷区域像素点的灰度均值与待检测合金灰度图像的正常灰度参考值的差值，
Figure DEST_PATH_IMAGE061
表示待检测合金灰度图像中缺陷区域灰度均值，
Figure 916624DEST_PATH_IMAGE029
表示待检测合金灰度图像的正常灰度参考值；
将待检测合金灰度图像中缺陷区域灰度值的方差作为待检测合金灰度图像中缺陷区域灰度值波动程度，具体表达式为：
Figure DEST_PATH_IMAGE063
式中：
Figure 673358DEST_PATH_IMAGE064
表示待检测合金灰度图像中缺陷区域灰度值波动程度，
Figure 75258DEST_PATH_IMAGE061
表示待检测合金灰度图像中缺陷区域灰度均值，
Figure DEST_PATH_IMAGE065
表示待检测合金灰度图像中缺陷区域第
Figure 601049DEST_PATH_IMAGE066
个像素点的灰度值，
Figure DEST_PATH_IMAGE067
表示存在缺陷的待检测合金灰度图像中缺陷区域像素点的个数；
待检测合金灰度图像中初始缺陷程度表达式为：
Figure DEST_PATH_IMAGE069
式中：
Figure 839657DEST_PATH_IMAGE055
表示待检测合金灰度图像中缺陷区域面积所占待检测合金灰度图像面积的比值，
Figure 441277DEST_PATH_IMAGE060
表示待检测合金灰度图像中缺陷区域像素点的灰度均值与待检测合金灰度图像的正常灰度参考值的差值，
Figure 945071DEST_PATH_IMAGE064
表示待检测合金灰度图像中缺陷区域灰度值波动程度，
Figure 918843DEST_PATH_IMAGE070
表示待检测合金灰度图像的初始缺陷程度。
对于第一次上采样图像，若检测到缺陷存在，缺陷区域经过自适应上采样，缺陷区域灰度值变化更大，波动程度更大，面积更大，其中上采样是非线性的，所以灰度值的变化是无法预料的，此时的灰度变化无法很好的表征缺陷的程度，而面积经过采样后是变为原来的四倍，因此此时对缺陷定量分析时应当以面积变化为主要量化参数，灰度变化为次要参数。据此，对第一次上采样图像进行缺陷定量，利用数据处理获取存在缺陷的第一次上采样图像中缺陷区域面积及存在缺陷的第一次上采样图像面积，根据上述
Figure 482679DEST_PATH_IMAGE060
计算公式得到第一次上采样图像中缺陷区域像素点的灰度均值与待检测合金灰度图像的正常灰度参考值的差值
Figure DEST_PATH_IMAGE071
，根据上述
Figure 246630DEST_PATH_IMAGE064
计算公式得到第一次上采样图像中缺陷区域灰度值波动程度
Figure 288535DEST_PATH_IMAGE072
，则第一次上采样图像的第一缺陷程度表达式为：
Figure 585655DEST_PATH_IMAGE074
式中：
Figure DEST_PATH_IMAGE075
表示第一次上采样图像的第一缺陷程度，
Figure 756611DEST_PATH_IMAGE076
表示第一次上采样图像中缺陷区域面积，
Figure DEST_PATH_IMAGE077
表示第一次上采样图像面积，
Figure 506393DEST_PATH_IMAGE056
表示待检测合金灰度图像中缺陷区域面积，
Figure 119033DEST_PATH_IMAGE078
表示待检测合金灰度图像面积，
Figure 270660DEST_PATH_IMAGE072
表示第一次上采样图像中缺陷区域灰度值波动程度，
Figure 176299DEST_PATH_IMAGE071
表示第一次上采样图像中缺陷区域像素点的灰度均值与待检测合金灰度图像的正常灰度参考值的差值。
其中，对于
Figure DEST_PATH_IMAGE079
，神经网络对待检测合金灰度图像未检测出缺陷，则
Figure 911911DEST_PATH_IMAGE080
为零，此时以第一次上采样图像中缺陷区域面积占比为主要参考量，对缺陷进行定量分析，若神经网络对待检测合金灰度图像检测出缺陷，以此时第一次上采样图像的结果作为调节参数对
Figure 498882DEST_PATH_IMAGE070
进行调节。
同理，对于第二次上采样图像，若检测到缺陷存在，则第二次上采样图像的第二缺陷程度表达式为：
Figure 567332DEST_PATH_IMAGE082
式中：
Figure DEST_PATH_IMAGE083
表示第二次上采样图像的第二缺陷程度，
Figure 336881DEST_PATH_IMAGE084
表示第二次上采样图像中缺陷区域面积，
Figure DEST_PATH_IMAGE085
表示第二次上采样图像面积，
Figure 497472DEST_PATH_IMAGE076
表示第一次上采样图像中缺陷区域面积，
Figure 950450DEST_PATH_IMAGE077
表示第一次上采样图像面积，
Figure 76669DEST_PATH_IMAGE086
表示第二次上采样图像中缺陷区域灰度值波动程度，
Figure DEST_PATH_IMAGE087
表示第二次上采样图像中缺陷区域像素点的灰度均值与待检测合金灰度图像的正常灰度参考值的差值。
利用数据处理获取第三次上采样图像中缺陷区域面积及第二次上采样图像面积，若第三次上采样图像所检测到缺陷，则该缺陷权重小，且经过三次上采样后，缺陷区域灰度值变化程度大，此时无法利用灰度值对缺陷区域的缺陷程度进行量化，应通过面积变化对缺陷区域缺陷程度进行量化，故第三次上采样图像的第三缺陷程度的具体表达式如下：
Figure DEST_PATH_IMAGE089
式中：
Figure 169784DEST_PATH_IMAGE090
表示第三次上采样图像的第三缺陷程度，
Figure DEST_PATH_IMAGE091
表示第三次上采样图像中缺陷区域面积，
Figure 879988DEST_PATH_IMAGE092
表示第二次上采样图像面积，
Figure 74341DEST_PATH_IMAGE084
表示第二次上采样图像中缺陷区域面积，
Figure 851804DEST_PATH_IMAGE085
表示第二次上采样图像面积。
其中，若第二次上采样的图像已经检测到缺陷存在，此时应当以第三次采样内插后的检测结果作为调节值。如果第二次上采样没有检测到缺陷存在，则
Figure DEST_PATH_IMAGE093
为0，之前的
Figure 974874DEST_PATH_IMAGE094
为零，则此时
Figure 204998DEST_PATH_IMAGE090
为缺陷的整体量化值，且考虑到三次采样面积变为原来的64倍，所以除以64，作为最终的缺陷量化值。
至此，得到待检测合金灰度图像与三次自适应上采样图像中存在缺陷时的量化结果，据此得到待检测合金灰度图像缺陷程度的联合评价公式，具体表达式如下：
Figure 203041DEST_PATH_IMAGE096
式中：
Figure 599125DEST_PATH_IMAGE070
表示待检测合金灰度图像的初始缺陷程度，
Figure 188369DEST_PATH_IMAGE075
表示第一次上采样图像的第一缺陷程度，
Figure 171369DEST_PATH_IMAGE083
表示第二次上采样图像的第二缺陷程度，
Figure 504261DEST_PATH_IMAGE090
表示第三次上采样图像的第三缺陷程度，
Figure DEST_PATH_IMAGE097
表示待检测合金灰度图像的缺陷程度。
利用待检测合金灰度图像缺陷程度的联合评价公式对合金表面缺陷程度进行判定。
S8：利用待检测合金灰度图像的缺陷程度及缺陷程度的阈值区间对合金表面缺陷程度等级进行判定。
根据联合评价公式对待检测合金灰度图像缺陷进行判定，该联合评价公式综合考虑待检测合金灰度图像的缺陷权重及每次自适应上采样后的缺陷权重，故该联合评价公式
Figure 633148DEST_PATH_IMAGE097
的值越大，则当前合金表面的缺陷程度越大。
具体步骤为，根据大数据分析设置阈值，第一阈值为5.5，第二阈值为7.5，第三阈值为12。
当计算得到待检测合金灰度图像的缺陷程度的值小于第一阈值则当前合金表面不存在缺陷；当计算得到待检测合金灰度图像的缺陷程度的值在第一阈值与第二阈值之间，则当前合金表面轻度缺陷；当计算得到待检测合金灰度图像的缺陷程度的值的值在第二阈值与第三阈值之间，则当前合金表面中度缺陷；当计算得到待检测合金灰度图像的缺陷程度的值的值大于第三阈值，则当前合金表面重度缺陷。
本发明的有益效果是：本发明通过对待检测合金灰度图像进行三次自适应上采样，结合原始合金灰度图像及三次自适应上采样中的缺陷，放大待检测合金灰度图像中的缺陷，使数据处理对待检测合金表面缺陷检测结果更加准确，实现了合金表面缺陷的定量检测。
以上所述仅为本发明的较佳实施例而已，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 (7)

1.一种基于数据处理的合金缺陷定量检测方法，其特征在于，包括：
S1：获取待检测合金灰度图像；
S2：对待检测合金灰度图像中每个灰度值所对应的像素点个数进行排序得到灰度集合，计算灰度集合中相邻灰度值的梯度；
S3：根据灰度集合中相邻灰度值的梯度得到待检测合金灰度图像中正常灰度值集合和异常灰度值集合，并根据正常灰度值集合获取待检测合金灰度图像的正常灰度参考值；
S4：当待检测合金灰度图像中像素点及其邻域内的像素点都为正常像素点时，将该像素点与其邻域像素点的灰度均值作为该像素点邻域的内插灰度值；当待检测合金灰度图像中像素点为正常像素点但其邻域像素点存在异常像素点时，将该像素点与其邻域像素点的最大梯度值作为该像素点邻域的内插灰度值；当待检测合金灰度图像中像素点为异常像素点时，将该像素点的灰度值作为该像素点邻域的内插灰度值；
S5：利用待检测合金灰度图像中每个像素点的内插灰度值对待检测合金灰度图像中的每个像素点的邻域进行内插得到第一次上采样图像；
S6：利用步骤S2-S5对第一次上采样图像进行处理得到第二次上采样图像，同理获得第三次上采样图像；
S7：构建神经网络，并分别将待检测合金灰度图像、第一次上采样图像、第二次上采样图像和第三次上采样图像作为神经网络的输入，分别输出待检测合金灰度图像、第一次上采样图像、第二次上采样图像和第三次上采样图像中的缺陷区域，利用获得的所有缺陷区域内像素点的灰度值、缺陷区域的面积及待检测合金灰度图像的正常灰度参考值计算待检测合金灰度图像的缺陷程度；
S8：利用待检测合金灰度图像的缺陷程度及缺陷程度的阈值区间对合金表面缺陷程度等级进行判定。
2.根据权利要求1所述的一种基于数据处理的合金缺陷定量检测方法，其特征在于，所述待检测合金灰度图像是按如下方法确定的：
获取待检测合金表面图像；
对待检测合金表面图像进行灰度化处理得到待检测合金灰度图像。
3.根据权利要求1所述的一种基于数据处理的合金缺陷定量检测方法，其特征在于，所述得到待检测合金灰度图像中正常灰度值集合和异常灰度值集合的步骤包括：
将待检测合金灰度图像中每个同一灰度值对应的像素点的个数按照由大到小的顺序进行排列得到灰度值集合；
计算该灰度值集合内相邻灰度值对应的像素点梯度；
获取所有梯度中最大梯度所对应的两个灰度值；
将最大梯度所对应的两个灰度值中像素点个数多的灰度值及大于该灰度值的所有灰度值作为正常灰度值并得到正常灰度值集合，则灰度值集合内除正常灰度值外的其余灰度值作为异常灰度值并得到异常灰度值集合。
4.根据权利要求1所述的一种基于数据处理的合金缺陷定量检测方法，其特征在于，所述待检测合金灰度图像的正常灰度参考值为正常灰度值集合中所有灰度值的均值。
5.根据权利要求1所述的一种基于数据处理的合金缺陷定量检测方法，其特征在于，所述构建的神经网络的具体步骤包括：
YOLO-V4神经网络；
该YOLO-V4神经网络是按照如下方式进行训练：合金灰度图像及其对应的上采样图像作为YOLO-V4神经网络的输入，输出为合金灰度图像及其对应的上采样图像中对应的缺陷区域，并对神经网络训练，得到训练好的神经网络。
6.根据权利要求1所述的一种基于数据处理的合金缺陷定量检测方法，其特征在于，所述计算待检测合金灰度图像的缺陷程度的方法为：
分别获取待检测合金灰度图像、第一次上采样图像、第二次上采样图像和第三次上采样图像的缺陷区域面积；
计算每个缺陷区域内像素点的灰度值的方差，并将方差作为每个缺陷区域对应的灰度波动程度；
根据待检测合金灰度图像中缺陷区域的面积与其第一次上采样图像面积的比值、该待检测合金灰度图像中缺陷区域的波动程度、像素点的灰度均值与待检测合金灰度图像的正常灰度参考值的差值得到待检测合金灰度图像的初始缺陷程度；
同理获取第一次上采样图像和第二次上采样图像的第一缺陷程度和第二缺陷程度；
利用获得的第二次上采样图像中缺陷区域的面积与其第二次上采样图像面积的比值及第三次上采样图像中缺陷区域的面积与其第三次上采样图像面积的比值得到第三次上采样图像的第三缺陷程度；
根据初始缺陷程度、第一缺陷程度、第二缺陷程度、第三缺陷程度得到待检测合金灰度图像的缺陷程度。
7.根据权利要求1所述的一种基于数据处理的合金缺陷定量检测方法，其特征在于，所述对合金表面缺陷程度进行判定方法是：
当计算得到待检测合金灰度图像的缺陷程度的值小于第一阈值，则当前合金表面不存在缺陷；
当计算得到待检测合金灰度图像的缺陷程度的值在第一阈值与第二阈值之间，则当前合金表面轻度缺陷；
当计算得到待检测合金灰度图像的缺陷程度的值在第二阈值与第三阈值之间，则当前合金表面中度缺陷；
当计算得到待检测合金灰度图像的缺陷程度的值大于第三阈值，则当前合金表面重度缺陷。
CN202211185941.8A 2022-09-28 2022-09-28 一种基于数据处理的合金缺陷定量检测方法 Pending CN115272322A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211185941.8A CN115272322A (zh) 2022-09-28 2022-09-28 一种基于数据处理的合金缺陷定量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211185941.8A CN115272322A (zh) 2022-09-28 2022-09-28 一种基于数据处理的合金缺陷定量检测方法

Publications (1)

Publication Number Publication Date
CN115272322A true CN115272322A (zh) 2022-11-01

Family

ID=83757433

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211185941.8A Pending CN115272322A (zh) 2022-09-28 2022-09-28 一种基于数据处理的合金缺陷定量检测方法

Country Status (1)

Country Link
CN (1) CN115272322A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115439481A (zh) * 2022-11-09 2022-12-06 青岛平电锅炉辅机有限公司 基于图像处理的除氧器焊接质量检测方法
CN117078667A (zh) * 2023-10-13 2023-11-17 山东克莱蒙特新材料科技有限公司 基于机器视觉的矿物铸件检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465759A (zh) * 2020-11-19 2021-03-09 西北工业大学 一种基于卷积神经网络的航空发动机叶片缺陷检测方法
CN113592845A (zh) * 2021-08-10 2021-11-02 深圳市华汉伟业科技有限公司 一种电池涂布的缺陷检测方法及装置、存储介质
CN115082482A (zh) * 2022-08-23 2022-09-20 山东优奭趸泵业科技有限公司 一种金属表面缺陷检测方法
CN115082467A (zh) * 2022-08-22 2022-09-20 山东亿昌装配式建筑科技有限公司 基于计算机视觉的建材焊接表面缺陷检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465759A (zh) * 2020-11-19 2021-03-09 西北工业大学 一种基于卷积神经网络的航空发动机叶片缺陷检测方法
CN113592845A (zh) * 2021-08-10 2021-11-02 深圳市华汉伟业科技有限公司 一种电池涂布的缺陷检测方法及装置、存储介质
CN115082467A (zh) * 2022-08-22 2022-09-20 山东亿昌装配式建筑科技有限公司 基于计算机视觉的建材焊接表面缺陷检测方法
CN115082482A (zh) * 2022-08-23 2022-09-20 山东优奭趸泵业科技有限公司 一种金属表面缺陷检测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115439481A (zh) * 2022-11-09 2022-12-06 青岛平电锅炉辅机有限公司 基于图像处理的除氧器焊接质量检测方法
CN115439481B (zh) * 2022-11-09 2023-02-21 青岛平电锅炉辅机有限公司 基于图像处理的除氧器焊接质量检测方法
CN117078667A (zh) * 2023-10-13 2023-11-17 山东克莱蒙特新材料科技有限公司 基于机器视觉的矿物铸件检测方法
CN117078667B (zh) * 2023-10-13 2024-01-09 山东克莱蒙特新材料科技有限公司 基于机器视觉的矿物铸件检测方法

Similar Documents

Publication Publication Date Title
CN115272322A (zh) 一种基于数据处理的合金缺陷定量检测方法
CN115082467B (zh) 基于计算机视觉的建材焊接表面缺陷检测方法
CN110570396B (zh) 一种基于深度学习的工业产品缺陷检测方法
CN113989228A (zh) 一种基于自注意力的彩色纹理织物缺陷区域的检测方法
CN114494259B (zh) 一种基于人工智能的布匹缺陷检测方法
CN114782432B (zh) 一种基于纹理特征的改进canny算子的边缘检测方法
CN114820773B (zh) 基于计算机视觉的筒仓运输车辆车厢位置检测方法
CN115797354B (zh) 用于检测激光焊接焊缝外观缺陷的方法
CN110751644B (zh) 道路表面裂纹检测方法
CN113469951B (zh) 一种基于级联区域卷积神经网络的轮毂缺陷检测方法
CN116758077B (zh) 一种冲浪板表面平整度在线检测方法及系统
CN106780455A (zh) 一种基于滑动的局部邻域窗口的产品表面检测方法
CN111161224A (zh) 基于深度学习的铸件内部缺陷分级评估系统及方法
CN111899230B (zh) 基于钢铸坯低倍组织三维特征的质量量化及自动多级评判方法
CN115018765A (zh) 基于灰度梯度共生矩阵的粉末冶金零件成品检测方法
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN107657620B (zh) 一种带纹理的金属凝固区域识别的方法及系统
CN115082427B (zh) 基于人工智能的铝材压延工艺参数控制方法
CN114881960A (zh) 基于特征增强的布匹直线型缺陷检测方法和系统
CN104568956A (zh) 基于机器视觉的带钢表面缺陷的检测方法
CN115619708A (zh) 基于图像识别主轴轴承润滑油油质变化判断故障的方法
CN112215859A (zh) 一种基于深度学习和邻接约束的纹理边界检测方法
CN116152749A (zh) 基于数字孪生的齿轮磨损智能监测方法
CN116993742A (zh) 基于机器视觉的镍合金轧制缺陷检测方法
CN111402236A (zh) 一种基于图像灰度值的热轧带钢表面缺陷分级方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20221101

WD01 Invention patent application deemed withdrawn after publication