CN115272347A - 一种轴承缺陷识别方法 - Google Patents

一种轴承缺陷识别方法 Download PDF

Info

Publication number
CN115272347A
CN115272347A CN202211205465.1A CN202211205465A CN115272347A CN 115272347 A CN115272347 A CN 115272347A CN 202211205465 A CN202211205465 A CN 202211205465A CN 115272347 A CN115272347 A CN 115272347A
Authority
CN
China
Prior art keywords
pixel point
gray
defect
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.)
Pending
Application number
CN202211205465.1A
Other languages
English (en)
Inventor
李成
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.)
Zhongwei Pump Industry Jiangsu Co ltd
Original Assignee
Zhongwei Pump Industry Jiangsu 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 Zhongwei Pump Industry Jiangsu Co ltd filed Critical Zhongwei Pump Industry Jiangsu Co ltd
Priority to CN202211205465.1A priority Critical patent/CN115272347A/zh
Publication of CN115272347A publication Critical patent/CN115272347A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • 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
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种轴承缺陷识别方法，该方法通过采集轴承每旋转90度下的轴承表面图像，得到对应的轴承图像，获取每张所述轴承图像的灰度图像；由当前灰度图像中每行像素点的灰度均值构建抛物线函数；由抛物线函数得到每行像素点的行标准灰度值，基于行标准灰度值确认疑似缺陷像素点，计算每个疑似缺陷像素点为缺陷像素点的概率，获取像素点的校正灰度值；根据当前疑似缺陷像素点与其邻域窗口内每个像素点的校正灰度值的差值绝对值，确认缺陷像素点；由缺陷像素点得到所有灰度图像中的缺陷连通域，通过图像拼接，得到轴承的整体缺陷连通域，通过自适应尺寸窗口，高缺陷像素点的识别精度。

Description

一种轴承缺陷识别方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种轴承缺陷识别方法。
背景技术
轴承是现代工业的基础零部件，被誉为机械装备的“关节”，轴承套圈作为轴承的重要组成部件，对保持轴承结构稳定、减小载荷摩擦系数具有重要作用。在轴承套圈的生产过程中，由于生产设备、加工工艺、生产环境和人员操作的原因，会使轴承表面产生凹坑、裂纹、划痕等缺陷。而轴承表面一旦产生缺陷不仅对轴承套圈的外观产生不良影响，还很容易对轴承造成损坏，导致机器运行效率降低、使用寿命缩短、危险系数増高，因此对轴承表面缺陷的识别是很有必要的。
目前国内大多数轴承企业对套圈的检测还停留在人工目检阶段，效率低，成本高，且存在次品漏检的问题。而基于机器视觉的自动化缺陷检测技术，由于生产环境、图像拍摄设备和轴承本身形状材质的影响，采集到的图像会存在噪声和高光的影响，并且轴承表面的缺陷往往十分微小，而传统的图像滤除噪声和去除高光影响的算法会损失图像内的一些细节，噪声图像边缘模糊，影响轴承表面微小缺陷的精准识别。
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轴承缺陷识别方法，所采用的技术方案具体如下：
轴承每旋转90度采集一张轴承表面图像，得到四张所述轴承表面图像，分别对每张所述轴承表面图像进行语义分割得到对应的轴承图像；获取每张所述轴承图像的灰度图像；
获取当前灰度图像中每行像素点的灰度均值，以行数和灰度均值构建抛物线函数；由抛物线函数得到每行像素点的行标准灰度值，获取每个像素点的灰度值与对应行标准灰度值的灰度差值，将灰度差值大于零的像素点作为疑似缺陷像素点，计算每个疑似缺陷像素点为缺陷像素点的概率，以得到最大概率和最小概率；根据每个像素点所在行的行标准灰度值获取对应像素点的校正灰度值；
基于最大概率和最小概率设定多个窗口尺寸范围，根据每个疑似缺陷像素点的概率所属的窗口尺寸范围，得到对应疑似缺陷像素点的邻域窗口尺寸；计算当前疑似缺陷像素点与其邻域窗口内每个像素点的校正灰度值的差值绝对值，得到对应像素点与当前疑似缺陷像素点的相似性，计算平均相似性以作为当前疑似缺陷像素点为噪声像素点的第一概率；基于第一概率获取噪声像素点，根据疑似缺陷像素点的校正灰度值确认非噪声像素点对应的疑似缺陷像素点中的缺陷像素点；
基于当前灰度图像中的缺陷像素点得到缺陷连通域；获取所有灰度图像中的缺陷连通域，对所述轴承图像进行图像拼接，得到轴承的整体缺陷连通域。
进一步的，所述计算每个疑似缺陷像素点为缺陷像素点的概率的方法，包括：
计算当前疑似缺陷像素点与其所在行的行标准灰度值的第一比值，获取当前灰度图像中所有行的行标准灰度值总和，计算当前疑似缺陷像素点所在行的行标准灰度值与行标准灰度值总和的第二比值，由第二比值获取第三比值，第二比值与第三比值的和为1，将第三比值与第一比值的乘积作为当前疑似缺陷像素点为缺陷像素点的概率。
进一步的，所述根据每个像素点所在行的行标准灰度值获取对应像素点的校正灰度值的方法，包括：
计算每个像素点与其所在行的行标准灰度值的比值，将比值与最大灰度值的乘积作为对应像素点的校正灰度值，最大灰度值是指灰度值范围中的最大值。
进一步的，所述基于第一概率获取噪声像素点的方法，包括：
设置第一概率阈值，当第一概率小于或等于第一概率阈值时，确认对应疑似缺陷像素点为噪声像素点。
进一步的，所述根据疑似缺陷像素点的校正灰度值确认非噪声像素点对应的疑似缺陷像素点中的缺陷像素点的方法，包括：
获取非噪声像素点的剩余疑似缺陷像素点，计算最大灰度值分别减去每个剩余疑似缺陷像素点的校正灰度值的差值与最大灰度值之间的第四比值，将第四比值作为对应剩余疑似缺陷像素点为正常像素点的第二概率；其中，最大灰度值是指灰度值范围中的最大值；
设置第二概率阈值，当第二概率大于或等于第二概率阈值时，确认对应剩余疑似缺陷像素点为正常像素点，进而剩余疑似缺陷像素点中的非正常像素点确认为缺陷像素点。
本发明实施例至少具有如下有益效果：在去除不均匀光照影响的过程中进行初步的疑似缺陷像素点的识别，减少后续识别的运算量，再根据疑似缺陷像素点为真正的缺陷像素点的概率，实现自适应尺寸窗口，提高缺陷像素点和噪声像素点分类的准确性，进而提高缺陷像素点的识别精度。
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轴承缺陷识别方法的步骤流程图；
图2为本发明提供的一种轴承类型的示意图；
图3为本发明提供的轴承图像的示意图。
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轴承缺陷识别方法，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。
本发明所针对的情景为：由于生产环境、图像拍摄设备和轴承本身形状材质的影响，采集到的图像会存在噪声和高光的影响，并且轴承表面的缺陷往往十分微小。本发明通过处理采集的轴承表面全景图像，然后根据轴承表面图像中不均匀光照的分布特征，对图像进行亮度校正，并在此过程中计算各像素点为缺陷像素点的概率，获取疑似缺陷像素点以及其对应的自适应尺寸窗口，进而根据窗口内的像素灰度统计特征，识别真正的缺陷像素点，获取轴承表面上所有的缺陷连通域。
下面结合附图具体的说明本发明所提供的一种轴承缺陷识别方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种轴承缺陷识别方法的步骤流程图，该方法包括以下步骤：
步骤S001，轴承每旋转90度采集一张轴承表面图像，得到四张轴承表面图像，分别对每张轴承表面图像进行语义分割得到对应的轴承图像；获取每张轴承图像的灰度图像。
具体的，参照附图2，本发明使用滚筒运输机旋转轴承，利用LED灯进行照明，相机正上方俯视拍摄，轴承每旋转90度，拍摄一张轴承表面图像，进而每个轴承拍摄得到四张轴承表面图像。
由于需要根据轴承表面的光照变化特征和像素点邻域内的像素灰度统计特征，识别真正的缺陷像素点，因此需要先识别出轴承表面图像中轴承表面的特征信息，以排除背景干扰。
本发明采用DNN语义分割的方式来识别分割图像中的目标轴承表面图像中轴承，其中该DNN网络的相关内容为：使用的数据集为俯视采集的滚筒运输机上的铸件图像数据集；需要分割的像素，共分为2类，即训练集对应标签标注过程为：单通道的语义标签，对应位置像素属于背景类的标注为0，属于轴承表面的标注为1；网络的任务是分类，所以使用的loss函数为交叉熵损失函数。
通过DNN网络实现了轴承表面图像的处理，获得轴承表面图像中轴承表面对应的轴承图像，进而每张轴承表面图像对应的轴承图像，并对各轴承图像进行灰度化处理，得到对应的灰度图像。
步骤S002，获取当前灰度图像中每行像素点的灰度均值，以行数和灰度均值构建抛物线函数；由抛物线函数得到每行像素点的行标准灰度值，获取每个像素点的灰度值与对应行标准灰度值的灰度差值，将灰度差值大于零的像素点作为疑似缺陷像素点，计算每个疑似缺陷像素点为缺陷像素点的概率，以得到最大概率和最小概率；根据每个像素点所在行的行标准灰度值获取对应像素点的校正灰度值。
具体的，由于轴承图像中拍摄的轴承为半圆形和其金属材质的影响，会产生高反光现象，根据光在圆弧面上的反射规律和拍摄照明方式可知，拍摄的轴承图像中轴承表面连通域的亮度从最上行和最下行至中间行逐渐变大，且同一行的亮度相似，如图3所示。
以一张轴承图像的灰度图像为例，从下至上逐行计算每行像素点的灰度均值，获得灰度图像的灰度均值集合
Figure 933940DEST_PATH_IMAGE001
，其中n表示灰度图像的纵向长度，且灰度均值集合的数据值从左至右的变化应为数值逐渐变大至集合中部，然后数据值逐渐减小，其数据值变化近似的符合开口向下的抛物线变化规律；然后利用最小二乘法构建灰度图像的抛物线函数，即以行数为横坐标、对应的灰度均值为纵坐标构建抛物线函数，则抛物线函数的公式
Figure 831402DEST_PATH_IMAGE002
为：
Figure DEST_PATH_IMAGE003
其中，a、b和c分别为数据拟合得到的常数；x为行数；
Figure 215110DEST_PATH_IMAGE002
为图像无噪声和缺陷干扰，且只受不均匀光照影响的理想情况下每行像素点的灰度值。
已知各类缺陷对轴承表示造成的损伤，都是使其表面产生凹陷，因此在图像同一行亮度相似的情况下，缺陷区域的像素灰度值应小于正常区域的像素灰度值，且两者差异越大，其为缺陷像素点的概率越大。
利用抛物线函数的公式
Figure 627768DEST_PATH_IMAGE002
得到灰度图像中每行像素点的行标准灰度值，统计灰度图像中各像素点与其对应行的行标准灰度值的灰度差值
Figure 828942DEST_PATH_IMAGE004
为：
Figure 225420DEST_PATH_IMAGE005
其中，
Figure 537452DEST_PATH_IMAGE006
表示灰度图像中第x行、第y列处像素点的灰度值；
Figure 132513DEST_PATH_IMAGE002
表示该灰度图像中第x行经抛物线拟合出的行标准灰度值，n和m表示该灰度图像的纵向长度和横向长度。
取
Figure 707851DEST_PATH_IMAGE004
大于0时对应坐标
Figure 591624DEST_PATH_IMAGE007
的像素点为疑似缺陷像素点，且真正的缺陷区域像素点在该部分疑似缺陷像素点内，标记疑似缺陷像素点的坐标为
Figure 707348DEST_PATH_IMAGE008
。
摄像机的信号和噪声相关，黑暗部分噪声像素点的灰度值大，明亮部分噪声像素点的灰度值小。因此灰度图像中从亮行至暗行，该部分疑似缺陷像素点为真正缺陷点的概率越大。
计算每个疑似缺陷像素点为缺陷像素点的概率P：计算当前疑似缺陷像素点与其所在行的行标准灰度值的第一比值，获取当前灰度图像中所有行的行标准灰度值总和，计算当前疑似缺陷像素点所在行的行标准灰度值与行标准灰度值总和的第二比值，由第二比值获取第三比值，第二比值与第三比值的和为1，将第三比值与第一比值的乘积作为当前疑似缺陷像素点为缺陷像素点的概率。
作为一个示例，概率的计算公式为：
Figure 360177DEST_PATH_IMAGE009
其中，
Figure 903154DEST_PATH_IMAGE010
表示疑似缺陷像素点所在行的行标准灰度值，
Figure DEST_PATH_IMAGE011
表示疑似缺陷像素点与其对应行的行标准灰度值的灰度差值，同一行内
Figure 70961DEST_PATH_IMAGE011
值越大，说明疑似缺陷像素点为真正缺陷点的概率越；
Figure 741108DEST_PATH_IMAGE002
表示第x行上的行标准灰度值，n表示灰度图像的纵向长度。
当疑似缺陷像素点所处行的行标准灰度值
Figure 763291DEST_PATH_IMAGE010
越小，说明该行在灰度图像中越暗，该部分疑似缺陷像素点为真正缺陷点的概率越大。
由概率的计算公式获得每个疑似缺陷像素点为真正缺陷点的概率集合
Figure 227901DEST_PATH_IMAGE012
，其中q表示疑似缺陷像素点的数量，取概率集合中的最大概率
Figure 335534DEST_PATH_IMAGE013
和最小概率
Figure 278214DEST_PATH_IMAGE014
。
由于灰度图像逐行的亮度变化符合开口向下的抛物线变化规律，因此可以令其为亮度校正系数，对灰度图像进行亮度校正。
故灰度图像经亮度校正后的校正灰度值
Figure 889324DEST_PATH_IMAGE015
为：
Figure 790415DEST_PATH_IMAGE016
其中，
Figure 119765DEST_PATH_IMAGE006
表示灰度图像中第x行、第y列处像素点的灰度值,
Figure 131714DEST_PATH_IMAGE002
表示灰度图像中第x行经抛物线拟合出的行标准灰度值，n和m表示灰度图像的纵向长度和横向长度。
该公式是以行标准灰度值为分母，以灰度图像中像素点的灰度值为分子，做归一化处理，然后乘以255，在去除光照不均匀影响的同时，提高图像的对比度。
步骤S003，基于最大概率和最小概率设定多个窗口尺寸范围，根据每个疑似缺陷像素点的概率所属的窗口尺寸范围，得到对应疑似缺陷像素点的邻域窗口尺寸；计算当前疑似缺陷像素点与其邻域窗口内每个像素点的校正灰度值的差值绝对值，得到对应像素点与当前疑似缺陷像素点的相似性，计算平均相似性以作为当前疑似缺陷像素点为噪声像素点的第一概率；基于第一概率获取噪声像素点，根据疑似缺陷像素点的校正灰度值确认非噪声像素点对应的疑似缺陷像素点中的缺陷像素点。
具体的，根据去除光照不均匀的灰度图像上疑似缺陷像素点的邻域统计特征，分析该部分疑似缺陷像素点是否为真正的缺陷像素点。已知轴承表面的缺陷区域微小，因此对于真正的缺陷像素点需要较小尺寸的窗口邻域内进行分析，因为当窗口尺寸较大时，真正的缺陷像素点在窗口内的数量较少，不利于识别。而对于噪声像素点，其xaingd1孤立，因此需要较大的窗口进行识别。
本方案中窗口的尺寸为
Figure 597331DEST_PATH_IMAGE017
，其中d={1，2，3，4，5}。再根据疑似缺陷像素点为缺陷像素点的概率P，获取各疑似缺陷像素点的邻域窗口尺寸，实现窗口尺寸的自适应选取。令
Figure 466061DEST_PATH_IMAGE018
时，窗口尺寸中d为5；令
Figure DEST_PATH_IMAGE019
时，窗口尺寸中d为4；令
Figure 95756DEST_PATH_IMAGE020
时，窗口尺寸中d为3；令
Figure 629506DEST_PATH_IMAGE021
时，窗口尺寸中d为2；令
Figure 965940DEST_PATH_IMAGE022
时，窗口尺寸中d为1，其中
Figure 458102DEST_PATH_IMAGE013
和
Figure 258916DEST_PATH_IMAGE014
表示疑似缺陷像素点为缺陷像素点的概率集合中的最大值和最小值。
取一个疑似缺陷像素点为例，该疑似缺陷像素点的坐标为
Figure 861936DEST_PATH_IMAGE023
，对应的窗口尺寸中d的值为
Figure 318456DEST_PATH_IMAGE024
。该疑似缺陷像素点可能为正常像素点、真正的缺陷像素点或者噪声像素点，当其为噪声像素点时，窗口内中心像素点与各非中心像素点都存在较大的灰度差异。
已知经过亮度校正后的灰度图像中正常像素点的灰度值应为255，故该窗口内的中心像素点，也即是对应疑似缺陷像素点为噪声像素点的第一概率Q为：
Figure 715939DEST_PATH_IMAGE025
Figure 257910DEST_PATH_IMAGE026
Figure 946512DEST_PATH_IMAGE027
其中，K表示该窗口内像素点的数量，
Figure 506806DEST_PATH_IMAGE028
表示该窗口内第g个像素点的校正灰度值，
Figure DEST_PATH_IMAGE029
表示该窗口内中心像素点的校正灰度值，当
Figure 622661DEST_PATH_IMAGE030
大于或等于0.9时，判断像素点与中心像素点相似，令相似性
Figure DEST_PATH_IMAGE031
为1，否则两者不相似，令相似性
Figure 510982DEST_PATH_IMAGE031
为0，
Figure 206537DEST_PATH_IMAGE031
表示窗口内第g个像素点与中心像素点的相似性。
设置第一概率阈值为0.2，当第一概率
Figure 621338DEST_PATH_IMAGE032
时，判断该疑似缺陷像素点为噪声像素点。
根据疑似缺陷像素点的校正灰度值确认非噪声像素点对应的疑似缺陷像素点中的缺陷像素点：获取非噪声像素点的剩余疑似缺陷像素点，计算最大灰度值分别减去每个剩余疑似缺陷像素点的校正灰度值的差值与最大灰度值之间的第四比值，将第四比值作为对应剩余疑似缺陷像素点为正常像素点的第二概率；其中，最大灰度值是指灰度值范围中的最大值；设置第二概率阈值，当第二概率大于或等于第二概率阈值时，确认对应剩余疑似缺陷像素点为正常像素点，进而剩余疑似缺陷像素点中的非正常像素点确认为缺陷像素点。
其中第二概率
Figure DEST_PATH_IMAGE033
的计算公式：
Figure 173673DEST_PATH_IMAGE034
计算剩余疑似缺陷像素点的第二概率的均值
Figure 424657DEST_PATH_IMAGE035
，令0.9
Figure 907591DEST_PATH_IMAGE035
为第二概率阈值，故当
Figure 989947DEST_PATH_IMAGE036
时，判断剩余疑似缺陷像素点为正常像素点，否则为真正的缺陷像素点。
步骤S004，基于当前灰度图像中的缺陷像素点得到缺陷连通域；获取所有灰度图像中的缺陷连通域，对轴承图像进行图像拼接，得到轴承的整体缺陷连通域。
具体的，利用步骤S003得到灰度图像中的所有缺陷像素点，令缺陷像素点的灰度值为1，其他像素点为0，做形态学闭运算，即先膨胀，再腐蚀，获取完整的缺陷连通域。
同理，获取其他三张轴承图像对应的灰度图像中的所有缺陷像素点，进而得到缺陷连通域，然后对四张轴承图像进行图像拼接，得到轴承的整体缺陷连通域。
综上所述，本发明实施例提供了一种轴承缺陷识别方法，该方法通过采集轴承每旋转90度下的轴承表面图像，得到对应的轴承图像，获取每张所述轴承图像的灰度图像；获取当前灰度图像中每行像素点的灰度均值，以行数和灰度均值构建抛物线函数；由抛物线函数得到每行像素点的行标准灰度值，基于行标准灰度值确认疑似缺陷像素点，计算每个疑似缺陷像素点为缺陷像素点的概率，利用行标准灰度值获取对应像素点的校正灰度值；获取每个疑似缺陷像素点的邻域窗口尺寸，当前疑似缺陷像素点与其邻域窗口内每个像素点的校正灰度值的差值绝对值，确认缺陷像素点；由缺陷像素点得到所有灰度图像中的缺陷连通域，通过图像拼接，得到轴承的整体缺陷连通域，通过自适应尺寸窗口，高缺陷像素点的识别精度。
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 (5)

1.一种轴承缺陷识别方法，其特征在于，该方法包括以下步骤：
轴承每旋转90度采集一张轴承表面图像，得到四张所述轴承表面图像，分别对每张所述轴承表面图像进行语义分割得到对应的轴承图像；获取每张所述轴承图像的灰度图像；
获取当前灰度图像中每行像素点的灰度均值，以行数和灰度均值构建抛物线函数；由抛物线函数得到每行像素点的行标准灰度值，获取每个像素点的灰度值与对应行标准灰度值的灰度差值，将灰度差值大于零的像素点作为疑似缺陷像素点，计算每个疑似缺陷像素点为缺陷像素点的概率，以得到最大概率和最小概率；根据每个像素点所在行的行标准灰度值获取对应像素点的校正灰度值；
基于最大概率和最小概率设定多个窗口尺寸范围，根据每个疑似缺陷像素点的概率所属的窗口尺寸范围，得到对应疑似缺陷像素点的邻域窗口尺寸；计算当前疑似缺陷像素点与其邻域窗口内每个像素点的校正灰度值的差值绝对值，得到对应像素点与当前疑似缺陷像素点的相似性，计算平均相似性以作为当前疑似缺陷像素点为噪声像素点的第一概率；基于第一概率获取噪声像素点，根据疑似缺陷像素点的校正灰度值确认非噪声像素点对应的疑似缺陷像素点中的缺陷像素点；
基于当前灰度图像中的缺陷像素点得到缺陷连通域；获取所有灰度图像中的缺陷连通域，对所述轴承图像进行图像拼接，得到轴承的整体缺陷连通域。
2.如权利要求1所述的一种轴承缺陷识别方法，其特征在于，所述计算每个疑似缺陷像素点为缺陷像素点的概率的方法，包括：
计算当前疑似缺陷像素点与其所在行的行标准灰度值的第一比值，获取当前灰度图像中所有行的行标准灰度值总和，计算当前疑似缺陷像素点所在行的行标准灰度值与行标准灰度值总和的第二比值，由第二比值获取第三比值，第二比值与第三比值的和为1，将第三比值与第一比值的乘积作为当前疑似缺陷像素点为缺陷像素点的概率。
3.如权利要求1所述的一种轴承缺陷识别方法，其特征在于，所述根据每个像素点所在行的行标准灰度值获取对应像素点的校正灰度值的方法，包括：
计算每个像素点与其所在行的行标准灰度值的比值，将比值与最大灰度值的乘积作为对应像素点的校正灰度值，最大灰度值是指灰度值范围中的最大值。
4.如权利要求1所述的一种轴承缺陷识别方法，其特征在于，所述基于第一概率获取噪声像素点的方法，包括：
设置第一概率阈值，当第一概率小于或等于第一概率阈值时，确认对应疑似缺陷像素点为噪声像素点。
5.如权利要求1所述的一种轴承缺陷识别方法，其特征在于，所述根据疑似缺陷像素点的校正灰度值确认非噪声像素点对应的疑似缺陷像素点中的缺陷像素点的方法，包括：
获取非噪声像素点的剩余疑似缺陷像素点，计算最大灰度值分别减去每个剩余疑似缺陷像素点的校正灰度值的差值与最大灰度值之间的第四比值，将第四比值作为对应剩余疑似缺陷像素点为正常像素点的第二概率；其中，最大灰度值是指灰度值范围中的最大值；
设置第二概率阈值，当第二概率大于或等于第二概率阈值时，确认对应剩余疑似缺陷像素点为正常像素点，进而剩余疑似缺陷像素点中的非正常像素点确认为缺陷像素点。
CN202211205465.1A 2022-09-30 2022-09-30 一种轴承缺陷识别方法 Pending CN115272347A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211205465.1A CN115272347A (zh) 2022-09-30 2022-09-30 一种轴承缺陷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211205465.1A CN115272347A (zh) 2022-09-30 2022-09-30 一种轴承缺陷识别方法

Publications (1)

Publication Number Publication Date
CN115272347A true CN115272347A (zh) 2022-11-01

Family

ID=83758069

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211205465.1A Pending CN115272347A (zh) 2022-09-30 2022-09-30 一种轴承缺陷识别方法

Country Status (1)

Country Link
CN (1) CN115272347A (zh)

Cited By (6)

* 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
CN115457035A (zh) * 2022-11-10 2022-12-09 山东鲁旺机械设备有限公司 基于机器视觉的建筑吊篮焊接质量检测方法
CN115937216A (zh) * 2023-03-09 2023-04-07 青岛金立磁性材料有限公司 一种新能源汽车用磁转子外观质量检测方法
CN116630815A (zh) * 2023-07-25 2023-08-22 济南玖通志恒信息技术有限公司 一种智慧农业病虫害检测方法
CN116740065B (zh) * 2023-08-14 2023-11-21 山东伟国板业科技有限公司 基于大数据的人造板瑕疵品快速溯源方法及系统
CN117437219A (zh) * 2023-12-18 2024-01-23 惠州市德立电子有限公司 基于计算机视觉的磁胶电感不规则外观缺陷检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114419025A (zh) * 2022-01-27 2022-04-29 江苏泰和木业有限公司 一种基于图像处理的纤维板质量评估方法
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
CN114998350A (zh) * 2022-08-04 2022-09-02 山东泗水泰和石材有限公司 基于图像处理的石材缺陷检测方法
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114419025A (zh) * 2022-01-27 2022-04-29 江苏泰和木业有限公司 一种基于图像处理的纤维板质量评估方法
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
CN114998350A (zh) * 2022-08-04 2022-09-02 山东泗水泰和石材有限公司 基于图像处理的石材缺陷检测方法
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 (10)

* 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
CN115457035A (zh) * 2022-11-10 2022-12-09 山东鲁旺机械设备有限公司 基于机器视觉的建筑吊篮焊接质量检测方法
CN115937216A (zh) * 2023-03-09 2023-04-07 青岛金立磁性材料有限公司 一种新能源汽车用磁转子外观质量检测方法
CN115937216B (zh) * 2023-03-09 2023-05-19 青岛金立磁性材料有限公司 一种新能源汽车用磁转子外观质量检测方法
CN116630815A (zh) * 2023-07-25 2023-08-22 济南玖通志恒信息技术有限公司 一种智慧农业病虫害检测方法
CN116630815B (zh) * 2023-07-25 2023-09-22 济南玖通志恒信息技术有限公司 一种智慧农业病虫害检测方法
CN116740065B (zh) * 2023-08-14 2023-11-21 山东伟国板业科技有限公司 基于大数据的人造板瑕疵品快速溯源方法及系统
CN117437219A (zh) * 2023-12-18 2024-01-23 惠州市德立电子有限公司 基于计算机视觉的磁胶电感不规则外观缺陷检测方法
CN117437219B (zh) * 2023-12-18 2024-04-19 惠州市德立电子有限公司 基于计算机视觉的磁胶电感不规则外观缺陷检测方法

Similar Documents

Publication Publication Date Title
CN115272347A (zh) 一种轴承缺陷识别方法
CN115351598A (zh) 一种数控机床轴承检测方法
CN115170576B (zh) 基于机器视觉的铝管表面缺陷检测方法
CN114937055B (zh) 基于人工智能的图像自适应分割方法与系统
CN115311270B (zh) 一种塑料制品表面缺陷检测方法
CN116758061B (zh) 基于计算机视觉的铸件表面缺陷检测方法
CN114943739B (zh) 一种铝管质量检测方法
CN114419025A (zh) 一种基于图像处理的纤维板质量评估方法
CN116977358B (zh) 一种瓦楞纸生产品质视觉辅助检测方法
CN115082451B (zh) 一种基于图像处理的不锈钢汤勺缺陷检测方法
CN116030060B (zh) 一种塑料颗粒质量检测方法
CN115131354B (zh) 一种基于光学手段的实验室用塑料薄膜缺陷检测方法
CN115063430B (zh) 基于图像处理的电气管道裂纹检测方法
CN116091504B (zh) 基于图像处理的连接管连接头质量检测方法
CN114782329A (zh) 一种基于图像处理的轴承缺陷损伤程度评估方法及系统
CN115290663B (zh) 基于光学检测的Mini LED晶圆外观缺陷检测方法
CN115131346B (zh) 基于人工智能的发酵罐加工工序检测方法及系统
CN113538424A (zh) 基于人工智能的木板节子分类数据识别方法
CN116958144B (zh) 一种新能源连接线表面瑕疵区域快速定位方法及系统
CN117745715B (zh) 基于人工智能的大口径望远镜镜片缺陷检测方法
CN116703251A (zh) 基于人工智能的胶圈生产质量检测方法
CN115689948A (zh) 用于检测建筑供水管道裂痕的图像增强方法
CN116309577A (zh) 一种高强传送带物料智能检测方法及系统
CN115019160A (zh) 一种工厂仓库入库物流智能控制方法
CN117388263B (zh) 用于充电枪的五金端子质量检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20221101

RJ01 Rejection of invention patent application after publication