CN115294120A - 基于图像识别的阀门表面质量检测方法 - Google Patents

基于图像识别的阀门表面质量检测方法 Download PDF

Info

Publication number
CN115294120A
CN115294120A CN202211219562.6A CN202211219562A CN115294120A CN 115294120 A CN115294120 A CN 115294120A CN 202211219562 A CN202211219562 A CN 202211219562A CN 115294120 A CN115294120 A CN 115294120A
Authority
CN
China
Prior art keywords
defect
area
valve
value
surface quality
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
Application number
CN202211219562.6A
Other languages
English (en)
Other versions
CN115294120B (zh
Inventor
涂辉
武永
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.)
Yulong Semiconductor Equipment Jiangsu Co ltd
Original Assignee
Yulong Semiconductor Equipment 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 Yulong Semiconductor Equipment Jiangsu Co ltd filed Critical Yulong Semiconductor Equipment Jiangsu Co ltd
Priority to CN202211219562.6A priority Critical patent/CN115294120B/zh
Publication of CN115294120A publication Critical patent/CN115294120A/zh
Application granted granted Critical
Publication of CN115294120B publication Critical patent/CN115294120B/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
    • 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
    • G06T7/60—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
    • G06T2207/30164—Workpiece; Machine component

Abstract

本发明涉及数据处理领域，具体涉及基于图像识别的阀门表面质量检测方法，采集阀门表面图像，得到阀门表面灰度图像的图像信息数据；对阀门表面灰度图像进行缺陷识别，得到缺陷疑似区域，计算缺陷疑似区域为缺陷区域的概率，并对概率进行修正，得到实际概率，当实际概率大于阈值时，则为缺陷区域；计算缺陷区域的圆形度、聚集度以及光滑度；根据获取的圆形度指标、聚集度以及光滑度对各缺陷区域进行分析，得到各缺陷区域的缺陷类别；步骤四：基于各缺陷区域的缺陷类别，分别得到各缺陷类别的缺陷区域的面积，计算阀门表面质量指标，根据阀门表面质量指标与设定阈值的比较，确定阀门表面质量是否合格。即本发明能够对阀门表面质量进行准确检测。

Description

基于图像识别的阀门表面质量检测方法
技术领域
本发明涉及数据处理领域，具体涉及基于图像识别的阀门表面质量检测方法。
背景技术
阀门是现代石油、化工、天然气、生活领域必不可少的工艺部件，它具有导流、节流、截止、止回、分流等控制作用。阀门工作的介质大多属于有毒或腐蚀性极强的物质，如果发生外泄，极大可能会出现人员伤亡和较大的经济损失，故对阀门的表面质量检测尤为关键。
阀门的外观缺陷一般表现在砂眼、气孔、缩孔、裂缝等，而阀门铸件形状复杂，缺陷细微，对缺陷的识别判断精度较低。
发明内容
为了解决上述技术问题，本发明的目的在于提供基于图像识别的阀门表面质量检测方法，所采用的技术方案具体如下：
本发明提供的基于图像识别的阀门表面质量检测方法，包括以下步骤：
步骤一：采集阀门表面图像，对图像进行预处理，得到阀门表面灰度图像；
步骤二：对阀门表面灰度图像进行缺陷识别，得到缺陷疑似区域，获取缺陷疑似区域和阀门背景区域的灰度共生矩阵，并根据灰度共生矩阵计算缺陷疑似区域和阀门背景区域的熵值，计算缺陷疑似区域为缺陷区域的概率，并对所述概率进行修正，得到实际概率，当实际概率大于阈值时，则为缺陷区域；
步骤三：获取各缺陷区域的任一边缘像素点，分别计算该边缘像素点与其相邻的两个边缘像素点所成直线与水平方向的顺时针夹角，并得到两顺时针夹角差值的绝对值，基于任意两边缘像素点的差值的绝对值以及缺陷区域的面积、以该缺陷区域的最小外接圆的面积，计算缺陷区域的圆形度；并缺陷区域特征点与邻近缺陷区域的特征点之间的欧式距离，计算聚集度；根据缺陷区域内光滑像素点的个数以及总像素点的个数的比值得到光滑度；根据获取的圆形度指标、聚集度以及光滑度对各缺陷区域进行分析，得到各缺陷区域的缺陷类别；
步骤四：基于各缺陷区域的缺陷类别，分别得到各缺陷类别的缺陷区域的面积，计算阀门表面质量指标，根据阀门表面质量指标与设定阈值的比较，确定阀门表面质量是否合格。
进一步地，所述缺陷识别具体为：采用canny算法对阀门表面灰度图像进行边缘检测，得到边缘像素点，并连接相邻边缘像素点得到缺陷疑似区域。
进一步地，所述概率为：
Figure 515579DEST_PATH_IMAGE001
公式中
Figure 477719DEST_PATH_IMAGE002
为缺陷疑似区域Q内的灰度熵值，
Figure 371726DEST_PATH_IMAGE003
则为阀门背景区域的灰度熵值，Max为求最大值，其差异越大，则说明越有可能为缺陷区域。
进一步地，对所述概率进行修正，得到实际概率的过程为：
（1）对缺陷疑似区域Q内部像素点的灰度级进行统计，得到每个灰度级对应的频数；
（2）获取缺陷疑似区域Q边缘像素点个数，并计算区域内任一像素点到其中一边缘像素点之间的欧式距离；
（3）根据计算每个灰度级对应的频数以及欧式距离，计算缺陷疑似区域Q内其中一像素点的优选值，优选值最大所对应的像素点即为缺陷疑似区域的特征点，根据区域内像素点与特征点的灰度差异，确定实际概率。
进一步地，所述圆形度为：
Figure 470132DEST_PATH_IMAGE004
公式中
Figure 361864DEST_PATH_IMAGE005
表示第i个采样点的特征角度，
Figure 811300DEST_PATH_IMAGE006
表示第i+1个采样点的特征角度，S表示缺陷区域的面积，
Figure 446681DEST_PATH_IMAGE007
则表示以特征点为圆心，该缺陷区域的最小外接圆的面积，R值越大，说明其越有可能为圆形缺陷，越可能为气孔缺陷。
进一步地，所述聚集度为：
Figure 665173DEST_PATH_IMAGE008
公式中
Figure 790123DEST_PATH_IMAGE009
表示缺陷区域Q的特征点q点与邻域内第i个缺陷区域特征点之间的欧式距离，
Figure 461276DEST_PATH_IMAGE010
表示第i个缺陷区域与缺陷区域Q的轮廓相似度，
Figure 634768DEST_PATH_IMAGE011
表示缺陷区域Q内像素点的平均灰度值，
Figure 973346DEST_PATH_IMAGE012
则表示第i个缺陷区域内像素点的平均灰度值，U为缺陷区域Q的领域内的缺陷区域个数，e为自然常数。
进一步地，所述光滑度的获取过程为：
获取缺陷区域内像素点的八邻域像素点，则可计算该像素点的灰度特征值；
当灰度值小于设定阈值时，则该像素点为光滑像素点；
统计光滑像素点的个数以及缺陷区域的总像素点个数，将两者的比值作为光滑度。
进一步地，阀门表面质量指标为：
Figure 206881DEST_PATH_IMAGE013
公式中
Figure 630909DEST_PATH_IMAGE014
为图像中检测处的气孔缺陷个数，
Figure 608093DEST_PATH_IMAGE015
为夹渣缺陷个数，
Figure 66756DEST_PATH_IMAGE016
为缩孔缺陷个数，
Figure 267930DEST_PATH_IMAGE017
为裂纹缺陷个数，
Figure 851358DEST_PATH_IMAGE018
为调节参数，
Figure 694549DEST_PATH_IMAGE019
分别为气孔缺陷、夹渣缺陷、缩孔缺陷以及裂纹缺陷对应的缺陷区域的面积，
Figure 945402DEST_PATH_IMAGE020
为阀门表面面积，
Figure 317477DEST_PATH_IMAGE021
为权重。
本发明的有益效果为：
本发明的方案先对灰度图像进行缺陷疑似区域的识别，在获取缺陷疑似区域之后，根据缺陷特征获取准确缺陷区域，并提取缺陷区域特征指标，完成缺陷区域的检测与识别，提高了检测效率与检测精度。
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是气孔缺陷图像；
图2是缩孔缺陷图像；
图3是裂纹缺陷图像；
图4是夹渣缺陷图像；
图5是本发明的基于图像识别的阀门表面质量检测方法的流程图。
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，对依据本发明的方案，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：工厂生产处的阀门需进行表面质量检测。本发明中对阀门表面缺陷以下几种缺陷进行检测，缺陷的种类有气孔，裂纹，缩孔，夹渣缺陷，如图1-图4所示。
基于上述中的不同的缺陷，本发明提出的基于机器视觉的纺织品表面疵点检测方法的方法实施例的步骤流程图，如图5所示，包括以下步骤：
步骤一：采集阀门表面图像，对图像进行预处理，得到阀门表面灰度图像。
本实施例中通过工业相机，固定光源采集阀门表面图像，采集的图像为RGB图像，对RGB图像使用加权灰度化的方法进行灰度化处理，得到阀门表面灰度图像；其中由于加权灰度化为公知技术，此处不在赘述。
步骤二：对阀门表面灰度图像进行缺陷识别，得到缺陷疑似区域，获取缺陷疑似区域和阀门背景区域的灰度共生矩阵，并根据灰度共生矩阵计算缺陷疑似区域和阀门背景区域的熵值，计算缺陷疑似区域为缺陷区域的概率，并对所述概率进行修正，得到实际概率，当实际概率大于阈值时，则为缺陷区域。
本实施例中的缺陷识别具体为：
采用canny算法对阀门表面灰度图像进行边缘检测，得到边缘像素点，并连接相邻边缘像素点得到缺陷疑似区域。
根据上述缺陷识别，可以将阀门表面图像分为两类区域，一类为缺陷疑似区域，另一类为阀门背景区域。需要说明的是，上述缺陷疑似区域是由于缺陷区域与背景区域的边界处往往存在着一定的灰度差异，存在着边缘线，因此，通过对阀门表面灰度图像进行边缘提取，能够粗略的区分缺陷疑似区域。
本实施例中，在上述缺陷识别的基础上，对各缺陷疑似区域进行分析，此处以缺陷疑似区域Q为例进行具体介绍：
首先，分别获取缺陷疑似区域Q和阀门背景区域的灰度共生矩阵，并根据灰度共生矩阵计算缺陷疑似区域Q和阀门背景区域的熵值，并计算缺陷疑似区域为缺陷区域的概率。
其中灰度共生矩阵与熵值计算为公知技术，此处不再赘述。而由于阀门背景区域内像素点灰度值往往是规则的，熵值较小；而缺陷区域内灰度值不规则，熵值较大，故本实施例中通过各区域内的熵值差异表征出其为缺陷区域的概率
Figure 184939DEST_PATH_IMAGE022
：
Figure 300663DEST_PATH_IMAGE023
公式中
Figure 468339DEST_PATH_IMAGE002
为缺陷疑似区域Q内的灰度熵值，
Figure 480157DEST_PATH_IMAGE003
则为阀门背景区域的灰度熵值，Max为求最大值，其差异越大，则说明越有可能为缺陷区域。
进而根据上述步骤，可得每个缺陷疑似区域对应的缺陷区域的概率P。
其次，上述步骤中，对缺陷疑似区域Q的判断是基于缺陷区域与背景区域之间的差异进行的，精度较低，为了提高判断精度，故本发明中基于缺陷区域内的特征，对上述中的概率进行修正得到实际概率，具体如下：
（1）对缺陷疑似区域Q内部像素点的灰度级进行统计，得到每个灰度级对应的频数。
对缺陷疑似区域Q内部像素点进行分析，假设缺陷疑似区域Q包含了
Figure 303757DEST_PATH_IMAGE024
个像素点，对像素点的灰度级进行统计，则每个灰度级都有其对应的频数
Figure 223171DEST_PATH_IMAGE025
Figure 448616DEST_PATH_IMAGE026
其中
Figure 428074DEST_PATH_IMAGE027
为像素点灰度级为Gi的像素点个数，
Figure 473390DEST_PATH_IMAGE024
为Q区域内像素点的个数，像素点到区域边缘的欧式距离之和D：
（2）获取缺陷疑似区域Q边缘像素点个数，并计算区域内任一像素点到其中一边缘像素点之间的欧式距离。
Figure 196495DEST_PATH_IMAGE028
其中
Figure 276447DEST_PATH_IMAGE029
为缺陷疑似区域Q边缘像素点个数，a为区域内任一像素点，
Figure 426805DEST_PATH_IMAGE030
则为像素点a点与边缘像素点之间的欧式距离：
Figure 959418DEST_PATH_IMAGE031
公式中（
Figure 497933DEST_PATH_IMAGE032
，
Figure 432391DEST_PATH_IMAGE033
）为像素点a的坐标信息，（
Figure 753651DEST_PATH_IMAGE034
，
Figure 570297DEST_PATH_IMAGE035
）为第i个边缘像素点的坐标信息。
（3）根据计算每个灰度级对应的频数以及欧式距离，计算缺陷疑似区域Q内其中一像素点的优选值，优选值最大所对应的像素点即为缺陷疑似区域的特征点，根据区域内像素点与特征点的灰度差异，确定实际概率。
具体地，可得到区域内像素点a点（此处以a点为例）作为区域特征点的优选值YX：
Figure 838467DEST_PATH_IMAGE036
公式中
Figure 424169DEST_PATH_IMAGE037
为像素点a点灰度级所对应的频数，其值越大，越应该作为区域的特征点。
Figure 916331DEST_PATH_IMAGE038
则为像素点a点与边缘像素点欧氏距离之和，其值越小，则说明越该作为区域的特征点。YX越大，则说明该像素点越可能为区域的特征点。
根据上述步骤，缺陷疑似区域内像素点均有其对应的优选值，则优选值最大所对应的像素点即为缺陷疑似区域的特征点。则可得到每个缺陷疑似区域的特征点。
特征点不仅反映了区域的位置信息，同时也能够一定程度上的反映出灰度信息，（此处仍以缺陷疑似区域Q为例，其所对应的特征点为q点）故可根据区域内像素点与特征点的差异程度表征出该缺陷疑似区域为缺陷区域的实际概率
Figure 423535DEST_PATH_IMAGE039
：
Figure 292134DEST_PATH_IMAGE040
公式中
Figure 935605DEST_PATH_IMAGE041
为缺陷疑似区域Q的特征点q点的灰度值，
Figure 598668DEST_PATH_IMAGE042
为缺陷区域内第i个像素点的灰度值，max为求最大值，
Figure 389906DEST_PATH_IMAGE024
为缺陷疑似区域Q内像素点个数，P为缺陷疑似区域Q为实际缺陷区域的初始概率。
然后，根据上述步骤可得每个缺陷疑似区域都均其对应的
Figure 999879DEST_PATH_IMAGE039
值，设置阈值对
Figure 560173DEST_PATH_IMAGE039
进行判断，当
Figure 394137DEST_PATH_IMAGE039
大于阈值0.9时，则说明该区域为缺陷区域，否则为干扰区域；至此得到了缺陷区域。
步骤三：获取各缺陷区域的任一边缘像素点，分别计算该边缘像素点与其相邻的两个边缘像素点所成直线与水平方向的顺时针夹角，并得到两顺时针夹角差值的绝对值，基于任意两边缘像素点的差值的绝对值以及缺陷区域的面积、以该缺陷区域的最小外接圆的面积，计算缺陷区域的圆形度；并缺陷区域特征点与邻近缺陷区域的特征点之间的欧式距离，计算聚集度；根据缺陷区域内光滑像素点的个数以及总像素点的个数的比值得到光滑度；根据获取的圆形度指标、聚集度以及光滑度对各缺陷区域进行分析，得到各缺陷区域的缺陷类别。
本实施例中，以缺陷疑似区域Q为缺陷区域为例，对缺陷区域Q进行分析，本实施例中针对的缺陷为气孔，裂纹，缩孔，夹渣缺陷四种缺陷。
对缺陷区域进行分析，根据上述步骤可知缺陷区域均有其对应的特征点，故对缺陷区域的特征点进行分析，对特征点使以缺陷区域Q的特征点q点为例，对缺陷区域Q获取其圆形度指标R，具体过程如下：在缺陷区域Q边缘像素点上均匀选取M个采样点，以采样点c点为例，则采样点c点相邻的两个采样点分别记为像素点
Figure 610355DEST_PATH_IMAGE043
，像素点
Figure 555177DEST_PATH_IMAGE044
，计算采样点c点与
Figure 235557DEST_PATH_IMAGE043
点所成直线与水平方向的顺时针夹角
Figure 443685DEST_PATH_IMAGE045
，同理计算出
Figure 209515DEST_PATH_IMAGE046
，则采样点c点的特征角度
Figure 161291DEST_PATH_IMAGE047
。
根据上述步骤可得，每个采样点均有其对应的特征角度，基于此计算该缺陷区域的圆形度R：
Figure 696177DEST_PATH_IMAGE004
公式中
Figure 75206DEST_PATH_IMAGE005
表示了第i个采样点的特征角度，
Figure 328333DEST_PATH_IMAGE006
表示了第i+1个采样点的特征角度，需要说明的是，第i+1个采样点与第i个采样点相邻且为顺时针方向上的相邻关系，且
Figure 818220DEST_PATH_IMAGE048
表征的是第1个采样点的特征角度，S表示了缺陷区域的面积，
Figure 207613DEST_PATH_IMAGE007
则表示了以特征点为圆心，该缺陷区域的最小外接圆的面积，R值越大，说明其越有可能为圆形缺陷，越可能为气孔缺陷。
再对缺陷区域进行聚集度Y的计算，获取缺陷区域特征点q与邻近缺陷区域的特征点之间的欧式距离，设置距离阈值500个像素点，对特征点与特征点q点之间欧式距离在该距离范围内（缺陷区域Q的邻域范围）的缺陷区域进行计算分析，假设缺陷区域Q的邻域内有U个缺陷区域。则可计算聚集度Y：
Figure 554281DEST_PATH_IMAGE049
公式中U越大，
Figure 232387DEST_PATH_IMAGE050
越小，则说明Q处缺陷区域越接近，越聚集，
Figure 588282DEST_PATH_IMAGE009
表示了缺陷区域Q的特征点q点与邻域内第i个缺陷区域特征点之间的欧式距离。
Figure 35444DEST_PATH_IMAGE010
表示了第i个缺陷区域与缺陷区域Q的轮廓相似度，计算方法为形状上下文匹配算法，为公知技术，此处不再赘述。
Figure 21854DEST_PATH_IMAGE011
表示了缺陷区域Q内像素点的平均灰度值。
Figure 187256DEST_PATH_IMAGE012
则表示了第i个缺陷区域内像素点的平均灰度值，Y值越大，则说明与缺陷区域Q相似且位置接近的缺陷区域越多，越可能为气孔缺陷或夹渣缺陷。
对缺陷区域Q进行光滑度GH的计算，具体过程如下，根据上述步骤所述，则对缺陷区域内的像素点进行判断，获取缺陷区域内像素点e点（假设为e点）的3*3邻域像素点，则可计算其灰度特征值
Figure 284525DEST_PATH_IMAGE051
:
Figure 117352DEST_PATH_IMAGE052
公式中
Figure 274664DEST_PATH_IMAGE042
为e点邻域内第i个像素点的灰度值，
Figure 927362DEST_PATH_IMAGE053
为像素点e点的灰度特征值。故可得每个像素点均有其对应的灰度特征值。对灰度特征值进行归一化处理，当灰度特征值小于阈值0.5时，则说明其处较为光滑，认为其为光滑像素点，根据上述步骤，完成缺陷区域内光滑像素点的判断，并对光滑像素点的个数进行统计，记为
Figure 828322DEST_PATH_IMAGE054
则可计算光滑度GH：
Figure 515655DEST_PATH_IMAGE055
公式中
Figure 843869DEST_PATH_IMAGE056
表示了缺陷区域Q内光滑像素点的个数，
Figure 983863DEST_PATH_IMAGE057
表示了缺陷区域Q内像素点的个数。
对缺陷区域再进行特征指标的计算，通过链码法获取缺陷区域的边缘长度信息，记为L，链码法为公知技术，此处不再赘述。则特征指标
Figure 422935DEST_PATH_IMAGE058
，其中L为缺陷区域边缘长度，S为缺陷区域的面积S，其值越大，则说明越有可能为裂纹缺陷。
根据上述步骤可知，对上述指标均进行归一化处理，当缺陷区域的聚集度大于阈值0.9时，说明该缺陷区域为气孔缺陷或夹渣缺陷，再获取缺陷区域的圆形度与光滑度均大于阈值0.8时，则说明其为气孔缺陷，否则为夹渣缺陷。
当聚集度小于阈值0.9时，若缺陷区域的圆形度最大，则说明其为气孔缺陷，当缺陷区域的F值最大时，则说明该区域为裂纹缺陷，当缺陷区域的光滑度小于阈值0.3时，该区域为缩孔缺陷。当有缺陷区域光滑度小于阈值0.3，且其F值最大，则判断光滑度更接近0，还是F值更接近1，若光滑度更接近0，则其为缩孔缺陷，否则则为裂纹缺陷，光滑度小于阈值且圆形度最大时同理；至此，完成了缺陷区域的判断与识别。
步骤四：基于各缺陷区域的缺陷类别，分别得到各缺陷类别的缺陷区域的面积，计算阀门表面质量指标，根据阀门表面质量指标与设定阈值的比较，确定阀门表面质量是否合格。
根据上述步骤二中得到的各缺陷区域对应的缺陷类别，则可根据缺陷的种类与缺陷区域的面积表征出阀门的表面质量Z：
Figure 761512DEST_PATH_IMAGE059
公式中
Figure 260626DEST_PATH_IMAGE014
为图像中检测处的气孔缺陷个数，
Figure 887917DEST_PATH_IMAGE015
为夹渣缺陷个数，
Figure 130679DEST_PATH_IMAGE016
为缩孔缺陷个数，
Figure 538744DEST_PATH_IMAGE017
为裂纹缺陷个数，
Figure 943181DEST_PATH_IMAGE018
为调节参数，
Figure 854505DEST_PATH_IMAGE019
分别为气孔缺陷、夹渣缺陷、缩孔缺陷以及裂纹缺陷对应的缺陷区域的面积，
Figure 900959DEST_PATH_IMAGE020
为阀门表面面积，
Figure 151811DEST_PATH_IMAGE021
为权重，
Figure 992728DEST_PATH_IMAGE060
。
上述中的权重，还可根据实施情况进行调整。
本实施例中的设定阈值是根据实际情况确定的，本实施例中取0.8。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；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以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；而这些修改或者替换，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精神和范围，均应包含在本申请的保护范围之内。

Claims (8)

1.基于图像识别的阀门表面质量检测方法，其特征在于，包括以下步骤：
步骤一：采集阀门表面图像，对图像进行预处理，得到阀门表面灰度图像；
步骤二：对阀门表面灰度图像进行缺陷识别，得到缺陷疑似区域，获取缺陷疑似区域和阀门背景区域的灰度共生矩阵，并根据灰度共生矩阵计算缺陷疑似区域和阀门背景区域的熵值，计算缺陷疑似区域为缺陷区域的概率，并对所述概率进行修正，得到实际概率，当实际概率大于阈值时，则为缺陷区域；
步骤三：获取各缺陷区域的任一边缘像素点，分别计算该边缘像素点与其相邻的两个边缘像素点所成直线与水平方向的顺时针夹角，并得到两顺时针夹角差值的绝对值，基于任意两边缘像素点的差值的绝对值以及缺陷区域的面积、以该缺陷区域的最小外接圆的面积，计算缺陷区域的圆形度；并缺陷区域特征点与邻近缺陷区域的特征点之间的欧式距离，计算聚集度；根据缺陷区域内光滑像素点的个数以及总像素点的个数的比值得到光滑度；根据获取的圆形度指标、聚集度以及光滑度对各缺陷区域进行分析，得到各缺陷区域的缺陷类别；
步骤四：基于各缺陷区域的缺陷类别，分别得到各缺陷类别的缺陷区域的面积，计算阀门表面质量指标，根据阀门表面质量指标与设定阈值的比较，确定阀门表面质量是否合格。
2.根据权利要求1所述的基于图像识别的阀门表面质量检测方法，其特征在于，所述缺陷识别具体为：采用canny算法对阀门表面灰度图像进行边缘检测，得到边缘像素点，并连接相邻边缘像素点得到缺陷疑似区域。
3.根据权利要求1所述的基于图像识别的阀门表面质量检测方法，其特征在于，所述概率为：
Figure 757809DEST_PATH_IMAGE002
公式中
Figure DEST_PATH_IMAGE003
为缺陷疑似区域Q内的灰度熵值，
Figure 130409DEST_PATH_IMAGE004
则为阀门背景区域的灰度熵值，Max为求最大值，其差异越大，则说明越有可能为缺陷区域。
4.根据权利要求3所述的基于图像识别的阀门表面质量检测方法，其特征在于，对所述概率进行修正，得到实际概率的过程为：
（1）对缺陷疑似区域Q内部像素点的灰度级进行统计，得到每个灰度级对应的频数；
（2）获取缺陷疑似区域Q边缘像素点个数，并计算区域内任一像素点到其中一边缘像素点之间的欧式距离；
（3）根据计算每个灰度级对应的频数以及欧式距离，计算缺陷疑似区域Q内其中一像素点的优选值，优选值最大所对应的像素点即为缺陷疑似区域的特征点，根据区域内像素点与特征点的灰度差异，确定实际概率。
5.根据权利要求1所述的基于图像识别的阀门表面质量检测方法，其特征在于，所述圆形度为：
Figure 972463DEST_PATH_IMAGE006
公式中
Figure DEST_PATH_IMAGE007
表示第i个采样点的特征角度，
Figure 757885DEST_PATH_IMAGE008
表示第i+1个采样点的特征角度，S表示缺陷区域的面积，
Figure DEST_PATH_IMAGE009
则表示以特征点为圆心，该缺陷区域的最小外接圆的面积，R值越大，说明其越有可能为圆形缺陷，越可能为气孔缺陷。
6.根据权利要求1所述的基于图像识别的阀门表面质量检测方法，其特征在于，所述聚集度为：
Figure DEST_PATH_IMAGE011
公式中
Figure 759208DEST_PATH_IMAGE012
表示缺陷区域Q的特征点q点与邻域内第i个缺陷区域特征点之间的欧式距离，
Figure DEST_PATH_IMAGE013
表示第i个缺陷区域与缺陷区域Q的轮廓相似度，
Figure 166357DEST_PATH_IMAGE014
表示缺陷区域Q内像素点的平均灰度值，
Figure DEST_PATH_IMAGE015
则表示第i个缺陷区域内像素点的平均灰度值，U为缺陷区域Q的领域内的缺陷区域个数，e为自然常数。
7.根据权利要求1所述的基于图像识别的阀门表面质量检测方法，其特征在于，所述光滑度的获取过程为：
获取缺陷区域内像素点的八邻域像素点，则可计算该像素点的灰度特征值；
当灰度值小于设定阈值时，则该像素点为光滑像素点；
统计光滑像素点的个数以及缺陷区域的总像素点个数，将两者的比值作为光滑度。
8.根据权利要求1所述的基于图像识别的阀门表面质量检测方法，其特征在于，阀门表面质量指标为：
Figure DEST_PATH_IMAGE017
公式中
Figure 948237DEST_PATH_IMAGE018
为图像中检测处的气孔缺陷个数，
Figure DEST_PATH_IMAGE019
为夹渣缺陷个数，
Figure 537350DEST_PATH_IMAGE020
为缩孔缺陷个数，
Figure DEST_PATH_IMAGE021
为裂纹缺陷个数，
Figure 537055DEST_PATH_IMAGE022
为调节参数，
Figure DEST_PATH_IMAGE023
分别为气孔缺陷、夹渣缺陷、缩孔缺陷以及裂纹缺陷对应的缺陷区域的面积，
Figure 655052DEST_PATH_IMAGE024
为阀门表面面积，
Figure DEST_PATH_IMAGE025
为权重。
CN202211219562.6A 2022-10-08 2022-10-08 基于图像识别的阀门表面质量检测方法 Active CN115294120B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211219562.6A CN115294120B (zh) 2022-10-08 2022-10-08 基于图像识别的阀门表面质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211219562.6A CN115294120B (zh) 2022-10-08 2022-10-08 基于图像识别的阀门表面质量检测方法

Publications (2)

Publication Number Publication Date
CN115294120A true CN115294120A (zh) 2022-11-04
CN115294120B CN115294120B (zh) 2023-01-20

Family

ID=83833976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211219562.6A Active CN115294120B (zh) 2022-10-08 2022-10-08 基于图像识别的阀门表面质量检测方法

Country Status (1)

Country Link
CN (1) CN115294120B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115526890A (zh) * 2022-11-25 2022-12-27 深圳市腾泰博科技有限公司 一种电唱机唱头故障因素识别方法
CN115861291A (zh) * 2023-01-06 2023-03-28 曲阜天博汽车电器有限公司 基于机器视觉的贴片电路板生产缺陷检测方法
CN115880280A (zh) * 2023-02-01 2023-03-31 山东建筑大学鉴定检测中心有限公司 一种钢结构焊缝质量的检测方法
CN116091499A (zh) * 2023-04-07 2023-05-09 山东中胜涂料有限公司 一种涂料生产异常识别系统
CN116088400A (zh) * 2023-04-10 2023-05-09 江苏雄越石油机械设备制造有限公司 一种锲式井口闸阀的加工控制系统
CN116225972A (zh) * 2023-05-09 2023-06-06 成都赛力斯科技有限公司 图片差异对比方法、装置及存储介质
CN116611748A (zh) * 2023-07-20 2023-08-18 吴江市高瑞庭园金属制品有限公司 一种钛合金家具生产质量监控系统
CN116630332A (zh) * 2023-07-26 2023-08-22 山东华航高分子材料有限公司 一种基于图像处理的pvc塑料管口缺陷检测方法
CN116823815A (zh) * 2023-08-28 2023-09-29 青岛胶州电缆有限公司 一种电缆表面异常智能检测方法
CN116823825A (zh) * 2023-08-29 2023-09-29 山东海德尼克液压科技有限公司 一种阀门配件铸造缺陷智能识别方法
CN116934761A (zh) * 2023-09-18 2023-10-24 张家港宝翔机械有限公司 一种乳胶手套缺陷自适应检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102654464A (zh) * 2012-03-13 2012-09-05 浙江工业大学 基于多特征模糊识别的铜带表面缺陷检测系统
CN104794491A (zh) * 2015-04-28 2015-07-22 重庆大学 基于预分类的模糊聚类钢板表面缺陷检测方法
CN108320282A (zh) * 2018-01-25 2018-07-24 陕西科技大学 多特征信息融合的陶瓷墙地砖表面缺陷检测装置及其方法
CN110503633A (zh) * 2019-07-29 2019-11-26 西安理工大学 一种基于图像差分的贴花陶瓷盘表面缺陷检测方法
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
CN114972357A (zh) * 2022-08-03 2022-08-30 南通恒立机械设备有限公司 一种基于图像处理的轧辊表面缺陷检测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102654464A (zh) * 2012-03-13 2012-09-05 浙江工业大学 基于多特征模糊识别的铜带表面缺陷检测系统
CN104794491A (zh) * 2015-04-28 2015-07-22 重庆大学 基于预分类的模糊聚类钢板表面缺陷检测方法
CN108320282A (zh) * 2018-01-25 2018-07-24 陕西科技大学 多特征信息融合的陶瓷墙地砖表面缺陷检测装置及其方法
CN110503633A (zh) * 2019-07-29 2019-11-26 西安理工大学 一种基于图像差分的贴花陶瓷盘表面缺陷检测方法
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
CN114972357A (zh) * 2022-08-03 2022-08-30 南通恒立机械设备有限公司 一种基于图像处理的轧辊表面缺陷检测方法及系统

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115526890A (zh) * 2022-11-25 2022-12-27 深圳市腾泰博科技有限公司 一种电唱机唱头故障因素识别方法
CN115861291A (zh) * 2023-01-06 2023-03-28 曲阜天博汽车电器有限公司 基于机器视觉的贴片电路板生产缺陷检测方法
CN115861291B (zh) * 2023-01-06 2023-05-09 曲阜天博汽车电器有限公司 基于机器视觉的贴片电路板生产缺陷检测方法
CN115880280A (zh) * 2023-02-01 2023-03-31 山东建筑大学鉴定检测中心有限公司 一种钢结构焊缝质量的检测方法
CN116091499A (zh) * 2023-04-07 2023-05-09 山东中胜涂料有限公司 一种涂料生产异常识别系统
CN116088400A (zh) * 2023-04-10 2023-05-09 江苏雄越石油机械设备制造有限公司 一种锲式井口闸阀的加工控制系统
CN116225972A (zh) * 2023-05-09 2023-06-06 成都赛力斯科技有限公司 图片差异对比方法、装置及存储介质
CN116611748B (zh) * 2023-07-20 2023-10-20 吴江市高瑞庭园金属制品有限公司 一种钛合金家具生产质量监控系统
CN116611748A (zh) * 2023-07-20 2023-08-18 吴江市高瑞庭园金属制品有限公司 一种钛合金家具生产质量监控系统
CN116630332A (zh) * 2023-07-26 2023-08-22 山东华航高分子材料有限公司 一种基于图像处理的pvc塑料管口缺陷检测方法
CN116630332B (zh) * 2023-07-26 2023-09-26 山东华航高分子材料有限公司 一种基于图像处理的pvc塑料管口缺陷检测方法
CN116823815A (zh) * 2023-08-28 2023-09-29 青岛胶州电缆有限公司 一种电缆表面异常智能检测方法
CN116823815B (zh) * 2023-08-28 2023-11-21 青岛胶州电缆有限公司 一种电缆表面异常智能检测方法
CN116823825A (zh) * 2023-08-29 2023-09-29 山东海德尼克液压科技有限公司 一种阀门配件铸造缺陷智能识别方法
CN116823825B (zh) * 2023-08-29 2023-12-05 山东海德尼克液压科技有限公司 一种阀门配件铸造缺陷智能识别方法
CN116934761A (zh) * 2023-09-18 2023-10-24 张家港宝翔机械有限公司 一种乳胶手套缺陷自适应检测方法
CN116934761B (zh) * 2023-09-18 2023-12-08 张家港宝翔机械有限公司 一种乳胶手套缺陷自适应检测方法

Also Published As

Publication number Publication date
CN115294120B (zh) 2023-01-20

Similar Documents

Publication Publication Date Title
CN115294120B (zh) 基于图像识别的阀门表面质量检测方法
CN114862862B (zh) 一种基于图像处理的泵体冷隔缺陷识别方法与系统
CN113689428B (zh) 基于图像处理的机械零件应力腐蚀检测方法及系统
CN115294113B (zh) 一种木饰面板质量检测方法
CN116758061B (zh) 基于计算机视觉的铸件表面缺陷检测方法
CN105067638B (zh) 基于机器视觉的轮胎胎膜表面字符缺陷检测方法
CN115294338A (zh) 一种叶轮表面缺陷识别方法
CN115937204B (zh) 一种焊管生产质量检测方法
CN117173184B (zh) 基于人工智能的道路施工质量检测方法及系统
CN115345885A (zh) 一种金属健身器材外观质量检测方法
CN114998323B (zh) 基于注意力机制的螺纹钢异常判定方法
CN115690108A (zh) 一种基于图像处理的铝合金杆生产质量评估方法
CN114372955A (zh) 一种基于改进神经网络的铸件缺陷x射线图自动识别法
CN114219805A (zh) 一种玻璃缺陷智能检测方法
CN116468728B (zh) 一种五金冲压件模具生产质量检测方法
CN115984272B (zh) 基于计算机视觉的半挂车车桥缺陷识别方法
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN116342586B (zh) 基于机器视觉的路面质量检测方法
CN115861307B (zh) 基于人工智能的筋膜枪供电驱动板焊接故障检测方法
CN113989266A (zh) 基于图像处理的机械配件表面缺陷检测方法
CN115115603A (zh) 基于人工智能的汽车配件飞轮表面检测方法
CN117237350B (zh) 一种铸钢件质量实时检测方法
CN117152129B (zh) 一种电池盖板的表面缺陷视觉检测方法及系统
CN116645364B (zh) 一种基于图像数据的合金钢铸件气孔缺陷检测方法
CN116977333A (zh) 基于图像数据的装配式钢结构构件质量检测方法

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
GR01 Patent grant
GR01 Patent grant