CN115294159A - 金属紧固件腐蚀区域分割方法 - Google Patents

金属紧固件腐蚀区域分割方法 Download PDF

Info

Publication number
CN115294159A
CN115294159A CN202211210977.7A CN202211210977A CN115294159A CN 115294159 A CN115294159 A CN 115294159A CN 202211210977 A CN202211210977 A CN 202211210977A CN 115294159 A CN115294159 A CN 115294159A
Authority
CN
China
Prior art keywords
super
gray
pixel
pixel block
superpixel
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
CN202211210977.7A
Other languages
English (en)
Other versions
CN115294159B (zh
Inventor
洪庆鑫
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 Boyang Casting Co ltd
Original Assignee
Nantong Boyang Casting 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 Boyang Casting Co ltd filed Critical Nantong Boyang Casting Co ltd
Priority to CN202211210977.7A priority Critical patent/CN115294159B/zh
Publication of CN115294159A publication Critical patent/CN115294159A/zh
Application granted granted Critical
Publication of CN115294159B publication Critical patent/CN115294159B/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
    • G06T7/10—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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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技术领域，具体涉及一种金属紧固件腐蚀区域分割方法。该方法对经由图像识别电子设备识别到的金属紧固件表面图像进行数据获取，进而对获取的数据进行处理分析，该方法的侧重点是对获取数据后的数据处理方法进行改进，额外在数据处理中引入了基于光照的自适应阈值、跨区域融合以及基于金属紧固件表面腐蚀形态结构和灰度的超像素块分类。本发明提供的该方法经过对数据处理方法的改进，解决了现有技术无法准确确定金属紧固件表面腐蚀区域的技术问题，提高了金属紧固件表面腐蚀区域的识别准确度。

Description

金属紧固件腐蚀区域分割方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种金属紧固件腐蚀区域分割方法。
背景技术
金属紧固件是机械设备中最为常见的零部件，其在使用过程中常出现孔蚀的腐蚀形态。孔蚀是金属表面的小范围区域，并呈现向深处发展的腐蚀小孔，严重影响了金属紧固件结构安全性。
但由于金属紧固件属于金属材料，所以其表面会产生反光，导致所获取的金属紧固件表面图像因反光影响而存在部分区域亮度相较于其它区域明显更高的现象，且随着位置的不同，反光程度也会有明显差异。
那么，若孔蚀区域位于所获取的金属紧固件表面图像的反光区域，由于不同位置上反光程度的不同，便会导致同一个孔蚀区域中不同位置因反光程度不同而存在明显的亮度差异，这种因反光程度不同而导致的亮度差异，会直接影响对孔蚀区域的图像分割提取准确度。
同时，即使孔蚀区域并不位于所获取的金属紧固件表面图像的反光区域，但孔蚀区域本身便存在内部腐蚀程度不同的特点，孔蚀区域内部腐蚀程度的不同，会导致在对孔蚀区域的图形进行分割提取时，将不同腐蚀程度的区域识别成为不同的类别，同样会直接影响对孔蚀区域的图像分割提取准确度。
反光问题的存在、孔蚀区域内腐蚀严重程度的不同，对完成金属紧固件腐蚀区域的准确提取带来了巨大的困难。
发明内容
为解决现有技术无法准确识别金属紧固件腐蚀区域的问题，本发明提供了一种金属紧固件腐蚀区域分割方法，所采用的技术方案具体如下：
一种金属紧固件腐蚀区域分割方法，包括以下步骤：
识别金属紧固件表面，得到金属紧固件表面灰度图像；
对金属紧固件表面灰度图像进行超像素分割，得到设定个数的超像素块；
根据各个超像素块的灰度跳变指数、灰度均值以及空间位置坐标，确定对应的超像素块是否为生长种子点，所述生长种子点作为由超像素块聚类得到孔蚀区域的聚类过程中的生长起始点；
根据生长种子点内所有像素点处的灰度值梯度方向之间的相似性，判断生长种子点是否处于反光区域内；
若生长种子点处于反光区域内，则以自适应阈值约束为生长准则完成孔蚀区域的聚类；
若生长种子点不处于反光区域内，则采用跨域聚类方法进行聚类，并基于腐蚀的形态结构和灰度对跨域聚类过程中不确定的超像素块求解分类概率，根据所得分类概率对不确定的超像素块进行类别划分。
本发明的有益效果为：
本发明对经由图像识别电子设备识别到的金属紧固件表面图像进行数据获取，进而对获取的数据进行处理分析，额外在数据处理中引入了基于光照的自适应阈值、跨区域融合以及基于金属紧固件表面腐蚀形态结构和灰度的超像素块分类，相较于现有技术未考虑反光对金属件表面灰度值影响的聚类方法，本申请有效消除了因反光对金属件表面腐蚀缺陷聚类分割的不准确影响。本发明该方法经过对数据处理方法的改进，解决了现有技术无法准确确定金属紧固件表面腐蚀区域的技术问题，提高了金属紧固件表面腐蚀区域的识别准确度。
进一步的，根据所得设定个数的超像素块的灰度跳变指数、灰度均值以及空间位置坐标，确定由超像素块聚类得到孔蚀区域的聚类过程中的生长种子点的具体过程为：
计算所述设定个数的超像素块中每个超像素块的灰度跳变指数
Figure 100002_DEST_PATH_IMAGE001
：
Figure 100002_DEST_PATH_IMAGE003
其中
Figure 772049DEST_PATH_IMAGE004
为超像素块的序号，
Figure 100002_DEST_PATH_IMAGE005
为第i个超像素块，
Figure 237927DEST_PATH_IMAGE006
为与第i个超像素块相邻 的超像素块，
Figure 100002_DEST_PATH_IMAGE007
和
Figure 577642DEST_PATH_IMAGE008
分别代表的是第i个超像素块
Figure 358166DEST_PATH_IMAGE005
所包含的所有像素的灰 度均值以及超像素块
Figure 152946DEST_PATH_IMAGE006
所包含的所有像素的灰度均值，
Figure 100002_DEST_PATH_IMAGE009
为第i个超像素块
Figure 706288DEST_PATH_IMAGE005
的中心坐标，
Figure 718368DEST_PATH_IMAGE010
为超像素块
Figure 950635DEST_PATH_IMAGE006
的中心坐标，
Figure 100002_DEST_PATH_IMAGE011
代表的是中心坐标
Figure 703434DEST_PATH_IMAGE009
与
Figure 189910DEST_PATH_IMAGE010
的空间位置距离，
Figure 464903DEST_PATH_IMAGE012
为第i个超像素块
Figure 466357DEST_PATH_IMAGE005
以 及与其相邻的超像素块
Figure 88093DEST_PATH_IMAGE006
之间的重合线，
Figure 100002_DEST_PATH_IMAGE013
代表的是重合线
Figure 616027DEST_PATH_IMAGE012
上所有像素点处灰度 值的梯度幅值的均值，
Figure 250137DEST_PATH_IMAGE014
表示相邻两个超像素块各自的灰度均值之间的差值对灰度跳变指 数
Figure 676571DEST_PATH_IMAGE001
的取值影响权重，
Figure 100002_DEST_PATH_IMAGE015
表示相邻两个超像素块的重合线上所有像素点处灰度值的梯度幅 值的均值对灰度跳变指数的取值影响权重；
选取灰度跳变指数
Figure 538216DEST_PATH_IMAGE001
大于所有灰度跳变指数均值的设定倍数的超像素块作为预分 拣的生长种子点，然后在预分拣的生长种子点中，选取灰度均值小于灰度阈值
Figure 750017DEST_PATH_IMAGE016
的预分拣 的生长种子点，得到筛选后的预分拣生长种子点；
计算筛选后的预分拣生长种子点中任意两个生长种子点之间的空间距离，若两个 筛选后的预分拣生长种子点之间的空间距离小于设定的最小空间距离
Figure 100002_DEST_PATH_IMAGE017
，则保留其中灰度 均值较小的筛选后的预分拣生长种子点，舍弃其中灰度均值较大的筛选后的预分拣生长种 子点，得到由超像素块聚类得到孔蚀区域的聚类过程中的生长种子点。
进一步的，根据生长种子点内所有像素点处的灰度值梯度方向之间的相似性，判断生长种子点是否处于反光区域内的具体过程为：
采用Sobel算子计算所述生长种子点内所有像素点处的灰度值梯度方向角
Figure 835654DEST_PATH_IMAGE018
，将所 有灰度值梯度方向角
Figure 14962DEST_PATH_IMAGE018
的中值作为该生长种子点的平均梯度方向角
Figure 100002_DEST_PATH_IMAGE019
；
判断所述生长种子点内每个像素点处灰度值的梯度方向角
Figure 913255DEST_PATH_IMAGE018
与所述平均梯度方向 角
Figure 150201DEST_PATH_IMAGE019
的差值是否小于角度阈值
Figure 173783DEST_PATH_IMAGE020
，即
Figure 100002_DEST_PATH_IMAGE021
，若所述生长种子点内存在大于像素点数量 占比阈值
Figure 558497DEST_PATH_IMAGE022
的像素点处的灰度值的梯度方向角与平均梯度方向角
Figure 840574DEST_PATH_IMAGE019
的差值小于角度阈值
Figure 29896DEST_PATH_IMAGE020
，则该生长种子点处于反光区域内，若所述生长种子点内不存在大于像素点数量占比阈 值
Figure 208068DEST_PATH_IMAGE022
的像素点处的灰度值的梯度方向角与平均梯度方向角
Figure 611236DEST_PATH_IMAGE019
的差值小于角度阈值
Figure 854261DEST_PATH_IMAGE020
，则该 生长种子点不处于反光区域内。
进一步的，以自适应阈值约束为生长准则完成孔蚀区域的聚类的具体过程为：
以所述生长种子点为生长起点，将任意两个相邻超像素块的中心点连线，计算两 个相邻超像素块的中心点连线路径上所有像素点处的灰度值的梯度幅值，并求取所有像素 点处的灰度值的梯度幅值的均值
Figure 100002_DEST_PATH_IMAGE023
；然后计算所述任意两个相邻超像素块的中心点连 线在平均梯度方向角
Figure 65799DEST_PATH_IMAGE019
上的投影，得到基于光照的自适应阈值：
Figure 100002_DEST_PATH_IMAGE025
Figure 100002_DEST_PATH_IMAGE027
Figure 100002_DEST_PATH_IMAGE029
其中，
Figure 287309DEST_PATH_IMAGE009
表示超像素块
Figure 662926DEST_PATH_IMAGE005
的中心坐标，
Figure 771959DEST_PATH_IMAGE010
表示与超像素块
Figure 916633DEST_PATH_IMAGE005
相 邻的超像素块
Figure 217033DEST_PATH_IMAGE006
的中心坐标，
Figure 493994DEST_PATH_IMAGE023
表示中心坐标
Figure 655985DEST_PATH_IMAGE030
与中心坐标
Figure 100002_DEST_PATH_IMAGE031
连线上所有像素点处 灰度值的梯度幅值的均值，
Figure 107695DEST_PATH_IMAGE032
表示中心坐标
Figure 814882DEST_PATH_IMAGE030
与中心坐标
Figure 899513DEST_PATH_IMAGE031
的连线角度，
Figure 114462DEST_PATH_IMAGE019
表示生长种子点 的平均梯度方向角，该平均梯度方向角通过对生长种子点中的每一个像素点处的灰度值梯 度方向角取中值得到；
当所述任意两个相邻超像素块的灰度均值之间的差值小于这两个相邻超像素块 所对应的自适应阈值
Figure 100002_DEST_PATH_IMAGE033
，则将两个相邻超像素块合并，否则不进行合并操作。
进一步的，采用跨域聚类方法进行聚类，并基于腐蚀的形态结构和灰度对跨域聚类过程中不确定的超像素块求解分类概率，根据所得分类概率对不确定的超像素块进行类别划分的具体过程为：
以所述生长种子点为生长起点，判断与当前超像素块相邻的超像素块中是否存在与当前超像素块之间满足灰度均值相似性准则的相邻超像素块，将与当前超像素块之间满足灰度均值相似性准则的相邻超像素块与当前超像素块合并；并将与当前超像素块之间不满足灰度均值相似性准则的相邻超像素块作为待筛选超像素块；
所述灰度均值相似性准则是指两个超像素块的灰度均值之间的差值小于灰度均 值阈值
Figure 715951DEST_PATH_IMAGE034
；
继续在与待筛选超像素块相邻的超像素块中寻找是否有与所述当前超像素块之间满足灰度均值相似性准则的超像素块，将与当前超像素块之间满足灰度均值相似性准则的所述与待筛选超像素块相邻的超像素块与当前超像素块合并；
计算待筛选超像素块属于孔蚀区域的概率评价值：
Figure 108887DEST_PATH_IMAGE036
其中，
Figure 100002_DEST_PATH_IMAGE037
为待筛选超像素块，
Figure 867764DEST_PATH_IMAGE038
为与待筛选超像素块
Figure 122290DEST_PATH_IMAGE037
近邻的且属于 孔蚀区域的所有超像素块合并得到的超像素块区域，
Figure 100002_DEST_PATH_IMAGE039
和
Figure 955117DEST_PATH_IMAGE040
分别代表的是 合并的超像素块区域
Figure 7036DEST_PATH_IMAGE038
和待筛选超像素块
Figure 66259DEST_PATH_IMAGE037
各自所包含的所有像素点的灰度均 值，
Figure 100002_DEST_PATH_IMAGE041
为待筛选超像素块与近邻孔蚀区域重合的边界长度，
Figure 357432DEST_PATH_IMAGE042
为待筛选超像素块的 边界长度，λ为表征合并的超像素块区域
Figure 936443DEST_PATH_IMAGE038
的灰度均值与待筛选超像素块
Figure 671181DEST_PATH_IMAGE037
的灰度 均值的结构相似度的调节参数；
当
Figure 100002_DEST_PATH_IMAGE043
，则将该待筛选超像素块分类到所述当前超像素块所属的聚类类别中。
附图说明
图1是本发明的金属紧固件腐蚀区域分割方法的流程图；
图2是出现了孔蚀的金属紧固件的表面灰度图像。
具体实施方式
本发明整体构思为：金属紧固件表面腐蚀区域呈圆孔结构，所以金属紧固件表面腐蚀区域也称为孔蚀区域。本发明获取金属紧固件表面图像并得到金属紧固件表面灰度图像后，对其进行超像素分割得到一系列超像素块，然后根据灰度跳变程度和灰度均值，确定哪些超像素块位于孔蚀区域边界且属于孔蚀区域内部，将所确定的这些超像素块作为生长种子点；后续，判断各个生长种子点是否属于反光区域，若属于，则结合光照对灰度图像中各部分影响趋势一致的特性，设置基于光照的自适应阈值约束作为生长准则完成孔蚀区域的聚类；若不属于，则采用跨域聚类方法进行聚类，并基于孔蚀的形态结构和灰度对跨域聚类过程中不确定的超像素块求解分类概率，完成不确定超像素块的类别划分。最终，完成对金属紧固件表面孔蚀区域的聚类分割，从而完成对孔蚀区域的准确确定。
下面结合附图及实施例，对本发明的一种金属紧固件腐蚀区域分割方法进行详细说明。
方法实施例：
本发明的一种金属紧固件腐蚀区域分割方法实施例，其流程如图1所示，过程如下：
步骤一，采集金属紧固件表面灰度图像，并对得到的金属紧固件表面灰度图像进行预处理。
采用相关的电子设备，如工业相机进行图形识别并获取金属紧固件表面灰度图像。在得到金属紧固件表面灰度图像后，采用中值滤波器对所获取的表面灰度图像进行噪声过滤，滤除图像噪声；接着采用伽马变换方法对表面灰度图像的灰度值进行修正，改善图像过曝或者曝光不足的情况。
当然，在其它实施例中还可以采用任意的图像处理技术，以滤除图像噪声或者改善图像过曝或者曝光不足的情况；当然，也可以不对所获取的表面灰度图像进行去噪和图像改善处理。
步骤二，采用超像素分割法对金属紧固件表面图像进行分割，得到一系列超像素块。
假设步骤一所获取的金属紧固件表面灰度图像的大小为
Figure 824557DEST_PATH_IMAGE044
，则对应设置超像 素个数
Figure DEST_PATH_IMAGE045
，本实施例设置
Figure 591525DEST_PATH_IMAGE046
，并以步长
Figure DEST_PATH_IMAGE047
在灰度图像中均匀分配200个种子 点的位置，本实施例设置领域大小为
Figure 25043DEST_PATH_IMAGE048
。
采用距离度量
Figure DEST_PATH_IMAGE049
来计算每个像素点与其附近种子点的相似程度，其中距离度量
Figure 852053DEST_PATH_IMAGE049
包括空间距离度量
Figure 885868DEST_PATH_IMAGE050
和灰度距离度量
Figure DEST_PATH_IMAGE051
两个尺度：
Figure DEST_PATH_IMAGE053
Figure DEST_PATH_IMAGE055
Figure DEST_PATH_IMAGE057
其中，
Figure 254531DEST_PATH_IMAGE049
为距离度量，
Figure 306670DEST_PATH_IMAGE050
为空间距离度量，
Figure 803117DEST_PATH_IMAGE051
为灰度距离度量，d为超像素分割中种 子点的分配步长，
Figure 58649DEST_PATH_IMAGE058
为种子点邻域内的像素点的坐标，
Figure DEST_PATH_IMAGE059
为种子点的坐标。
计算每个像素点与其周围种子点的距离度量
Figure 432998DEST_PATH_IMAGE049
，取最小的距离度量对应的种子点 作为该像素点的聚类中心，对灰度图像中的所有像素点进行聚类，由此便可得到200个超像 素块
Figure 903425DEST_PATH_IMAGE060
，以及它们的中心位置坐标
Figure DEST_PATH_IMAGE061
。
步骤三，对分割所得所有超像素块进行聚类操作，完成金属紧固件孔蚀区域的聚类分割。
1、基于所确定的一系列超像素块，确定由超像素块聚类得到孔蚀区域的聚类过程中的生长种子点。
可以确定的是，在金属紧固件表面灰度图像中，孔蚀区域与正常区域之间的灰度值会存在明显的不同，所以，在孔蚀区域与正常区域之间存在较大灰度差异的基础上，即使所获取的金属紧固件表面灰度图像受到反光影响，但由于反光影响对孔蚀区域和正常区域的影响趋势是一样的，也即对两个区域来说都是提高其亮度的，所以受到反光影响后的孔蚀区域和正常区域，其灰度差异依然是较大的。
所以可以确定，不论受到反光影响与否，孔蚀区域均发生在灰度变化比较剧烈的边缘附近，本申请由此对超像素块聚类得到孔蚀区域的聚类过程中的生长种子点进行确定。且容易理解的是，该由超像素块聚类得到孔蚀区域的聚类过程中的生长种子点，实际上便是经超像素分割而得到的一系列超像素块中的某些超像素块。
首先，计算每个超像素块与其近邻所有超像素块之间的灰度跳变值，并选择灰度 跳变值中的最大值作为该超像素块的灰度跳变指数
Figure 337817DEST_PATH_IMAGE001
，其中近邻超像素块指的是与当前超 像素块有边缘重合部分的其它超像素块。
灰度跳变值是由相邻两个超像素块各自的灰度均值之间的差值，以及相邻两个超 像素块的重合线上，所有像素点处灰度值的梯度幅值来综合表征的，可以同时反应两个超 像素块之间整体的灰度变化情况和重合线处局部的灰度变化情况，如果相邻两个超像素块 各自的灰度均值之间的差值越大，且它们之间重合线上所有像素点处灰度值的梯度幅值越 大，则灰度跳变指数
Figure 815066DEST_PATH_IMAGE001
越大：
Figure 231922DEST_PATH_IMAGE003
其中
Figure 258653DEST_PATH_IMAGE004
为超像素块的序号，
Figure 411416DEST_PATH_IMAGE005
为第i个超像素块，
Figure 657852DEST_PATH_IMAGE006
为与第i个超像素块近邻 的超像素块，
Figure 187054DEST_PATH_IMAGE007
和
Figure 333870DEST_PATH_IMAGE008
分别代表的是第i个超像素块所包含的所有像素的灰度均 值以及超像素块
Figure 719852DEST_PATH_IMAGE006
所包含的所有像素的灰度均值，
Figure 185075DEST_PATH_IMAGE009
为第i个超像素块
Figure 517967DEST_PATH_IMAGE005
的中 心坐标，
Figure 519290DEST_PATH_IMAGE010
为超像素块
Figure 279436DEST_PATH_IMAGE006
的中心坐标，
Figure 969306DEST_PATH_IMAGE011
代表 的是中心坐标
Figure 105889DEST_PATH_IMAGE009
与
Figure 961718DEST_PATH_IMAGE010
的空间位置距离，
Figure 306812DEST_PATH_IMAGE012
为第i个超像素块
Figure 998825DEST_PATH_IMAGE005
以及与 其临近的超像素块
Figure 188367DEST_PATH_IMAGE006
之间的重合线，
Figure 383856DEST_PATH_IMAGE013
代表的是重合线
Figure 236536DEST_PATH_IMAGE012
上所有像素点处灰度值的 梯度幅值的均值，
Figure 415845DEST_PATH_IMAGE014
表示相邻两个超像素块各自的灰度均值之间的差值对灰度跳变指数
Figure 143498DEST_PATH_IMAGE001
的取值影响权重，
Figure 459073DEST_PATH_IMAGE015
表示相邻两个超像素块的重合线上所有像素点处灰度值的梯度幅值 的均值对灰度跳变指数
Figure 542042DEST_PATH_IMAGE001
的取值影响权重。
本实施例设置
Figure 943068DEST_PATH_IMAGE062
，
Figure DEST_PATH_IMAGE063
，并采用Sobel算子计算重合线
Figure 146516DEST_PATH_IMAGE012
上各个像素 点处灰度值的梯度幅值。
然后，由于位于孔蚀区域边缘的超像素块的灰度跳变指数
Figure 67330DEST_PATH_IMAGE001
与其它位于比较平缓 区域的超像素块的灰度跳变指数
Figure 776660DEST_PATH_IMAGE001
的差距较大，所以可采用OTSU大津法根据超像素块的灰 度跳变指数
Figure 914249DEST_PATH_IMAGE001
对超像素块进行筛选，选择灰度跳变指数
Figure 734437DEST_PATH_IMAGE001
大于所有灰度跳变指数均值的设定 倍数的超像素块作为预分拣的生长种子点，优选的，本申请选择灰度跳变指数
Figure 450370DEST_PATH_IMAGE001
大于所有灰 度跳变指数均值的超像素块作为预分拣的生长种子点。
而考虑到孔蚀区域边缘会同时存在属于孔蚀区的超像素块和属于非孔蚀区的超 像素块，所以继续设置一个可区分灰度均值较大的超像素块与灰度均值较小的超像素块的 灰度阈值
Figure 579869DEST_PATH_IMAGE016
，以实现对位于孔蚀区边缘但属于非孔蚀区的预分拣生长种子点的剔除，并保 留灰度均值小于灰度阈值
Figure 955487DEST_PATH_IMAGE016
的预分拣生长种子点；优选的，本实施例设置
Figure 64520DEST_PATH_IMAGE064
。
由于每个孔蚀区应只设置一个生长种子点，所以本实施例继续设置一个最小空间 距离
Figure 5931DEST_PATH_IMAGE017
，并计算经灰度阈值
Figure 306331DEST_PATH_IMAGE016
筛选所得的预分拣生长种子点中任意两个预分拣生长种子点 之间的空间距离，若两个预分拣生长种子点之间的空间距离小于最小空间距离，则只保留 其中灰度均值较小的预分拣生长种子点；优选的，本实施例设置
Figure DEST_PATH_IMAGE065
。
最终，本发明根据超像素块的灰度跳变指数、灰度均值以及空间位置坐标，完成了对超像素块的分拣筛选，得到了在由超像素块聚类得到孔蚀区域的聚类过程中的生长种子点。
2、根据生长种子点是否处于反光区域，确定聚类方法，完成金属紧固件腐蚀区域的提取分割。
a)、确定生长种子点是否处于反光区域内。
如图2所示，由于金属紧固件属于金属材料，所以在光照条件下其表面会存在反光区域，且反光程度会随着位置的不同而发生变化，在图2中呈现中间区域反光严重而上下两侧区域反光轻微或者不反光的现象。
由于反光现象的存在且不同位置反光程度不同，便会导致处于反光区域内的同一个孔蚀区域中，不同超像素块的灰度均值存在较大差异。不过，即使因反光影响而导致同一个孔蚀区域中的不同超像素块的灰度均值存在较大差异，但由于光的照射方向是固定的，所以对应的反光的方向也同样是固定的，这便导致了处于反光区域内的超像素块中各个像素点处的灰度值梯度方向也是基本一致的。
所以，本发明便可通过判断生长种子点内所有像素点处的灰度值梯度方向之间的相似性，来判断生长种子点是否处于反光区域内。
采用Sobel算子计算作为生长种子点的超像素块中的每一个像素点处的灰度值梯 度方向角
Figure 589151DEST_PATH_IMAGE018
，并将所有灰度值梯度方向角
Figure 672514DEST_PATH_IMAGE018
的中值作为该超像素块的平均梯度方向角
Figure 937273DEST_PATH_IMAGE019
。
设置像素点数量占比阈值
Figure 378881DEST_PATH_IMAGE022
以及角度阈值
Figure 729091DEST_PATH_IMAGE020
，判断该超像素块中每个像素点处灰 度值的梯度方向角
Figure 740778DEST_PATH_IMAGE018
与平均梯度方向角
Figure 860044DEST_PATH_IMAGE019
的差值是否小于角度阈值
Figure 18360DEST_PATH_IMAGE020
，即
Figure 324708DEST_PATH_IMAGE021
，若该 超像素块中存在大于像素点数量占比阈值
Figure 77769DEST_PATH_IMAGE022
的像素点处的灰度值的梯度方向角与平均梯 度方向角
Figure 739957DEST_PATH_IMAGE019
的差值小于角度阈值
Figure 303793DEST_PATH_IMAGE020
，则说明该作为生长种子点的超像素块处于反光区域 内，否则，说明该作为生长种子点的超像素块不处于反光区域内；优选的，在本实施例中设 置
Figure 346704DEST_PATH_IMAGE066
，
Figure DEST_PATH_IMAGE067
。
b)、若生长种子点处于反光区域内，则设置自适应阈值约束作为生长准则完成孔蚀区域的聚类。
对于作为生长种子点的超像素块处于反光区域内，也即认定孔蚀区域处于反光区 域的情况，提出基于光照的自适应阈值
Figure 136412DEST_PATH_IMAGE033
，该自适应阈值
Figure 886063DEST_PATH_IMAGE033
的获取过程为：
将任意两个相邻超像素块的中心点连线，计算两个相邻超像素块的中心点连线路 径上所有像素点处的灰度值的梯度幅值，并求取所有像素点处的灰度值的梯度幅值的均值
Figure 620800DEST_PATH_IMAGE023
；然后计算该任意两个相邻超像素块的中心点连线在平均梯度方向角
Figure 652473DEST_PATH_IMAGE019
上的投影，得 到基于光照的自适应阈值：
Figure 294806DEST_PATH_IMAGE068
Figure DEST_PATH_IMAGE069
Figure 430122DEST_PATH_IMAGE070
其中，
Figure 823844DEST_PATH_IMAGE009
表示超像素块
Figure 779030DEST_PATH_IMAGE005
的中心坐标，
Figure 428317DEST_PATH_IMAGE010
表示与超像素块
Figure 981921DEST_PATH_IMAGE005
相 邻的超像素块
Figure 792882DEST_PATH_IMAGE006
的中心坐标，
Figure 563261DEST_PATH_IMAGE023
表示中心坐标
Figure 16239DEST_PATH_IMAGE030
与中心坐标
Figure 218157DEST_PATH_IMAGE031
连线上所有像素点处 灰度值的梯度幅值的均值，
Figure 465598DEST_PATH_IMAGE032
表示中心坐标
Figure 723273DEST_PATH_IMAGE030
与中心坐标
Figure 448784DEST_PATH_IMAGE031
的连线角度，
Figure 976979DEST_PATH_IMAGE019
表示生长种子点 的平均梯度方向角，该平均梯度方向角通过对生长种子点中的每一个像素点处的灰度值梯 度方向角取中值得到。
任意两个相邻超像素块所对应的自适应阈值
Figure 316694DEST_PATH_IMAGE033
的大小，与这两个相邻超像素 块之间的中心位置距离、中心位置连线与平均梯度方向角的夹角大小以及中心位置连线上 的像素的最大灰度值的梯度幅值大小呈正相关，如果超像素块与其近邻的超像素块的灰度 均值之间的差值小于这两个相邻超像素块所对应的自适应阈值
Figure 812397DEST_PATH_IMAGE033
，则将两个超像素块 合并，否则不进行合并操作。
由于各个作为生长种子点的超像素块均处于同一个光照环境下，所以由这些生长 种子点所得到的平均梯度方向角
Figure 817963DEST_PATH_IMAGE019
近似相同。那么，关于确定自适应阈值
Figure 449932DEST_PATH_IMAGE033
过程中所使 用的平均梯度方向角
Figure 350761DEST_PATH_IMAGE019
，便既可以在基于某个生长种子点进行聚类的过程中采用该生长种 子点所对应的平均梯度方向角
Figure 68181DEST_PATH_IMAGE019
，也可以求取所有生长种子点所对应的平均梯度方向角
Figure 886227DEST_PATH_IMAGE019
后求均值，然后以所得均值作为最终的新的平均梯度方向角
Figure 638282DEST_PATH_IMAGE019
并用于任意两个相邻超像素 块所对应的自适应阈值
Figure 319799DEST_PATH_IMAGE033
的计算。
c)、若生长种子点不处于反光区域内，则采用跨域聚类方法进行聚类，并基于腐蚀的形态结构和灰度对跨域聚类过程中不确定的超像素块求解分类概率，完成不确定超像素块的类别划分。
若作为生长种子点的超像素块不处于反光区域内，则可排除反光对孔蚀区域的影 响，此时以作为生长种子点的超像素块为生长起点，在当前超像素块的近邻超像素块中寻 找与当前超像素块之间符合灰度均值相似准则的近邻超像素块，即当前超像素块与近邻超 像素块的灰度均值之间的差值小于灰度均值阈值
Figure 272318DEST_PATH_IMAGE034
时，将这两个超像素块进行合并。
而对于那些不满足灰度均值相似准则的近邻超像素块，本实施例并不将其直接排除，而是将其认定为待筛选超像素块，然后在待判断超像素块的近邻超像素块中继续寻找是否有与当前超像素块之间符合灰度均值相似准则的超像素块，如果有则将符合灰度均值相似准则的近邻超像素块合并到当前超像素块所属类，最终实现“跨域”聚类得到孔蚀区域。
聚类完成后对跨域聚类过程中的所有待筛选超像素块进行概率评价：
如果待筛选超像素块与孔蚀区域重合的边界长度越大，其属于孔蚀区域的概率越大，此外待筛选超像素块与近邻的孔蚀区域的灰度差值越小，其越有可能属于近邻的孔蚀区域。由此得出待筛选超像素块属于孔蚀区域的概率评价值为：
Figure DEST_PATH_IMAGE071
其中，
Figure 330273DEST_PATH_IMAGE037
为待筛选超像素块，
Figure 733573DEST_PATH_IMAGE038
为与待筛选超像素块
Figure 415352DEST_PATH_IMAGE037
近邻的且属于孔 蚀区域的所有超像素块合并得到的超像素块区域，
Figure 841785DEST_PATH_IMAGE039
和
Figure 765748DEST_PATH_IMAGE040
分别代表的是合 并的超像素块区域
Figure 226816DEST_PATH_IMAGE038
和待筛选超像素块
Figure 20110DEST_PATH_IMAGE037
各自所包含的所有像素点的灰度均值，
Figure 448686DEST_PATH_IMAGE041
为待筛选超像素块与近邻孔蚀区域重合的边界长度，
Figure 661492DEST_PATH_IMAGE042
为待筛选超像素块的边 界长度，λ为表征合并的超像素块区域
Figure 727800DEST_PATH_IMAGE038
的灰度均值与待筛选超像素块
Figure 797387DEST_PATH_IMAGE037
的灰度 均值的结构相似度的调节参数，本发明优选设置
Figure 447680DEST_PATH_IMAGE072
。
如果
Figure 884084DEST_PATH_IMAGE043
，则将该待筛选超像素块分类到其近邻的孔蚀区域，否则将其分类到 近邻的非孔蚀区域。
最终，通过上述首选判断所得生长种子点是否处于反光区域内，然后再根据生长种子点是否处于反光区域内分别采用不同的生长聚类手段的过程，本发明便可完成对金属紧固件表面孔蚀区域的准确分割确定，提高对金属紧固件表面腐蚀区域的分割准确度，方便后续化工专家对腐蚀区域进行腐蚀情况分析。
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 (5)

1.一种金属紧固件腐蚀区域分割方法，其特征在于，包括以下步骤：
识别金属紧固件表面，得到金属紧固件表面灰度图像；
对金属紧固件表面灰度图像进行超像素分割，得到设定个数的超像素块；
根据各个超像素块的灰度跳变指数、灰度均值以及空间位置坐标，确定对应的超像素块是否为生长种子点，所述生长种子点作为由超像素块聚类得到孔蚀区域的聚类过程中的生长起始点；
根据生长种子点内所有像素点处的灰度值梯度方向之间的相似性，判断生长种子点是否处于反光区域内；
若生长种子点处于反光区域内，则以自适应阈值约束为生长准则完成孔蚀区域的聚类；
若生长种子点不处于反光区域内，则采用跨域聚类方法进行聚类，并基于腐蚀的形态结构和灰度对跨域聚类过程中不确定的超像素块求解分类概率，根据所得分类概率对不确定的超像素块进行类别划分。
2.根据权利要求1所述一种金属紧固件腐蚀区域分割方法，其特征在于，根据所得设定个数的超像素块的灰度跳变指数、灰度均值以及空间位置坐标，确定由超像素块聚类得到孔蚀区域的聚类过程中的生长种子点的具体过程为：
计算所述设定个数的超像素块中每个超像素块的灰度跳变指数
Figure DEST_PATH_IMAGE001
：
Figure DEST_PATH_IMAGE003
其中
Figure 200523DEST_PATH_IMAGE004
为超像素块的序号，
Figure DEST_PATH_IMAGE005
为第i个超像素块，
Figure 12228DEST_PATH_IMAGE006
为与第i个超像素块相邻的超 像素块，
Figure DEST_PATH_IMAGE007
和
Figure 446620DEST_PATH_IMAGE008
分别代表的是第i个超像素块
Figure 720607DEST_PATH_IMAGE005
所包含的所有像素的灰度 均值以及超像素块
Figure 462429DEST_PATH_IMAGE006
所包含的所有像素的灰度均值，
Figure DEST_PATH_IMAGE009
为第i个超像素块
Figure 630105DEST_PATH_IMAGE005
的 中心坐标，
Figure 802110DEST_PATH_IMAGE010
为超像素块
Figure 32234DEST_PATH_IMAGE006
的中心坐标，
Figure DEST_PATH_IMAGE011
代表的是中心坐标
Figure 482807DEST_PATH_IMAGE009
与
Figure 865509DEST_PATH_IMAGE010
的空间位置距离，
Figure 720333DEST_PATH_IMAGE012
为第i个超像素块
Figure 155862DEST_PATH_IMAGE005
以 及与其相邻的超像素块
Figure 236557DEST_PATH_IMAGE006
之间的重合线，
Figure DEST_PATH_IMAGE013
代表的是重合线
Figure 175563DEST_PATH_IMAGE012
上所有像素点处灰度 值的梯度幅值的均值，
Figure 404550DEST_PATH_IMAGE014
表示相邻两个超像素块各自的灰度均值之间的差值对灰度跳变指 数
Figure 359999DEST_PATH_IMAGE001
的取值影响权重，
Figure DEST_PATH_IMAGE015
表示相邻两个超像素块的重合线上所有像素点处灰度值的梯度幅 值的均值对灰度跳变指数
Figure 949112DEST_PATH_IMAGE001
的取值影响权重；
选取灰度跳变指数
Figure 290095DEST_PATH_IMAGE001
大于所有灰度跳变指数均值的设定倍数的超像素块作为预分拣的 生长种子点，然后在预分拣的生长种子点中，选取灰度均值小于灰度阈值
Figure 431927DEST_PATH_IMAGE016
的预分拣的生 长种子点，得到筛选后的预分拣生长种子点；
计算筛选后的预分拣生长种子点中任意两个生长种子点之间的空间距离，若两个筛选 后的预分拣生长种子点之间的空间距离小于设定的最小空间距离
Figure DEST_PATH_IMAGE017
，则保留其中灰度均值 较小的筛选后的预分拣生长种子点，舍弃其中灰度均值较大的筛选后的预分拣生长种子 点，得到由超像素块聚类得到孔蚀区域的聚类过程中的生长种子点。
3.根据权利要求2所述一种金属紧固件腐蚀区域分割方法，其特征在于，根据生长种子点内所有像素点处的灰度值梯度方向之间的相似性，判断生长种子点是否处于反光区域内的具体过程为：
采用Sobel算子计算所述生长种子点内所有像素点处的灰度值梯度方向角
Figure 779732DEST_PATH_IMAGE018
，将所有灰 度值梯度方向角
Figure 674001DEST_PATH_IMAGE018
的中值作为该生长种子点的平均梯度方向角
Figure DEST_PATH_IMAGE019
；
判断所述生长种子点内每个像素点处灰度值的梯度方向角
Figure 587599DEST_PATH_IMAGE018
与所述平均梯度方向角
Figure 906191DEST_PATH_IMAGE019
的差值是否小于角度阈值
Figure 85500DEST_PATH_IMAGE020
，即
Figure DEST_PATH_IMAGE021
，若所述生长种子点内存在大于像素点数量占 比阈值
Figure 750836DEST_PATH_IMAGE022
的像素点处的灰度值的梯度方向角与平均梯度方向角
Figure 285985DEST_PATH_IMAGE019
的差值小于角度阈值
Figure 808102DEST_PATH_IMAGE020
， 则该生长种子点处于反光区域内，若所述生长种子点内不存在大于像素点数量占比阈值
Figure 740286DEST_PATH_IMAGE022
的像素点处的灰度值的梯度方向角与平均梯度方向角
Figure 510446DEST_PATH_IMAGE019
的差值小于角度阈值
Figure 946106DEST_PATH_IMAGE020
，则该生长 种子点不处于反光区域内。
4.根据权利要求3所述一种金属紧固件腐蚀区域分割方法，其特征在于，以自适应阈值约束为生长准则完成孔蚀区域的聚类的具体过程为：
以所述生长种子点为生长起点，将任意两个相邻超像素块的中心点连线，计算两个相 邻超像素块的中心点连线路径上所有像素点处的灰度值的梯度幅值，并求取所有像素点处 的灰度值的梯度幅值的均值
Figure DEST_PATH_IMAGE023
；然后计算所述任意两个相邻超像素块的中心点连线在 平均梯度方向角
Figure 45649DEST_PATH_IMAGE019
上的投影，得到基于光照的自适应阈值：
Figure DEST_PATH_IMAGE025
Figure DEST_PATH_IMAGE027
Figure DEST_PATH_IMAGE029
其中，
Figure 229244DEST_PATH_IMAGE009
表示超像素块
Figure 252695DEST_PATH_IMAGE005
的中心坐标，
Figure 792129DEST_PATH_IMAGE010
表示与超像素块
Figure 937940DEST_PATH_IMAGE005
相邻的 超像素块
Figure 267552DEST_PATH_IMAGE006
的中心坐标，
Figure 875120DEST_PATH_IMAGE023
表示中心坐标
Figure 550952DEST_PATH_IMAGE030
与中心坐标
Figure DEST_PATH_IMAGE031
连线上所有像素点处灰度 值的梯度幅值的均值，
Figure 242832DEST_PATH_IMAGE032
表示中心坐标
Figure 355013DEST_PATH_IMAGE030
与中心坐标
Figure 782583DEST_PATH_IMAGE031
的连线角度，
Figure 798075DEST_PATH_IMAGE019
表示生长种子点的平 均梯度方向角，该平均梯度方向角通过对生长种子点中的每一个像素点处的灰度值梯度方 向角取中值得到；
当所述任意两个相邻超像素块的灰度均值之间的差值小于这两个相邻超像素块所对 应的自适应阈值
Figure DEST_PATH_IMAGE033
，则将两个相邻超像素块合并，否则不进行合并操作。
5.根据权利要求3所述一种金属紧固件腐蚀区域分割方法，其特征在于，采用跨域聚类方法进行聚类，并基于腐蚀的形态结构和灰度对跨域聚类过程中不确定的超像素块求解分类概率，根据所得分类概率对不确定的超像素块进行类别划分的具体过程为：
以所述生长种子点为生长起点，判断与当前超像素块相邻的超像素块中是否存在与当前超像素块之间满足灰度均值相似性准则的相邻超像素块，将与当前超像素块之间满足灰度均值相似性准则的相邻超像素块与当前超像素块合并；并将与当前超像素块之间不满足灰度均值相似性准则的相邻超像素块作为待筛选超像素块；
所述灰度均值相似性准则是指两个超像素块的灰度均值之间的差值小于灰度均值阈 值
Figure 410322DEST_PATH_IMAGE034
；
继续在与待筛选超像素块相邻的超像素块中寻找是否有与所述当前超像素块之间满足灰度均值相似性准则的超像素块，将与当前超像素块之间满足灰度均值相似性准则的所述与待筛选超像素块相邻的超像素块与当前超像素块合并；
计算待筛选超像素块属于孔蚀区域的概率评价值：
Figure 773914DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE037
为待筛选超像素块，
Figure 864229DEST_PATH_IMAGE038
为与待筛选超像素块
Figure 983495DEST_PATH_IMAGE037
近邻的且属于孔蚀区 域的所有超像素块合并得到的超像素块区域，
Figure DEST_PATH_IMAGE039
和
Figure 330425DEST_PATH_IMAGE040
分别代表的是合并的 超像素块区域
Figure 417199DEST_PATH_IMAGE038
和待筛选超像素块
Figure 920992DEST_PATH_IMAGE037
各自所包含的所有像素点的灰度均值，
Figure DEST_PATH_IMAGE041
为待筛选超像素块与近邻孔蚀区域重合的边界长度，
Figure 38640DEST_PATH_IMAGE042
为待筛选超像素块的边 界长度，λ为表征合并的超像素块区域
Figure 602476DEST_PATH_IMAGE038
的灰度均值与待筛选超像素块
Figure 943590DEST_PATH_IMAGE037
的灰度 均值的结构相似度的调节参数；
当
Figure DEST_PATH_IMAGE043
，则将该待筛选超像素块分类到所述当前超像素块所属的聚类类别中。
CN202211210977.7A 2022-09-30 2022-09-30 金属紧固件腐蚀区域分割方法 Active CN115294159B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211210977.7A CN115294159B (zh) 2022-09-30 2022-09-30 金属紧固件腐蚀区域分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211210977.7A CN115294159B (zh) 2022-09-30 2022-09-30 金属紧固件腐蚀区域分割方法

Publications (2)

Publication Number Publication Date
CN115294159A true CN115294159A (zh) 2022-11-04
CN115294159B CN115294159B (zh) 2022-12-23

Family

ID=83833504

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211210977.7A Active CN115294159B (zh) 2022-09-30 2022-09-30 金属紧固件腐蚀区域分割方法

Country Status (1)

Country Link
CN (1) CN115294159B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115601630A (zh) * 2022-12-15 2023-01-13 山东天意装配式建筑装备研究院有限公司（Cn） 用于墙板模具自动清理机的污渍识别方法
CN116342598A (zh) * 2023-05-29 2023-06-27 天维云筑预应力科技(天津)有限公司 基于机器视觉的钢绞线质量检测方法
CN117237396A (zh) * 2023-11-16 2023-12-15 山东华盛中天工程机械有限责任公司 基于图像特征的钢轨螺栓锈蚀区域分割方法
CN117541605A (zh) * 2024-01-09 2024-02-09 山东华中重钢有限公司 一种钢结构锈蚀图像区域快速分割方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109598726A (zh) * 2018-10-26 2019-04-09 哈尔滨理工大学 一种基于slic的自适应图像目标区域分割方法
CN114972329A (zh) * 2022-07-13 2022-08-30 江苏裕荣光电科技有限公司 基于图像处理的表面缺陷检测仪的图像增强方法及系统
CN114998198A (zh) * 2022-04-24 2022-09-02 南通夏克塑料包装有限公司 一种注塑件表面缺陷识别方法
CN115018838A (zh) * 2022-08-08 2022-09-06 和诚精密管业(南通)有限公司 用于被氧化钢管材料表面麻点瑕疵的识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109598726A (zh) * 2018-10-26 2019-04-09 哈尔滨理工大学 一种基于slic的自适应图像目标区域分割方法
CN114998198A (zh) * 2022-04-24 2022-09-02 南通夏克塑料包装有限公司 一种注塑件表面缺陷识别方法
CN114972329A (zh) * 2022-07-13 2022-08-30 江苏裕荣光电科技有限公司 基于图像处理的表面缺陷检测仪的图像增强方法及系统
CN115018838A (zh) * 2022-08-08 2022-09-06 和诚精密管业(南通)有限公司 用于被氧化钢管材料表面麻点瑕疵的识别方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115601630A (zh) * 2022-12-15 2023-01-13 山东天意装配式建筑装备研究院有限公司（Cn） 用于墙板模具自动清理机的污渍识别方法
CN116342598A (zh) * 2023-05-29 2023-06-27 天维云筑预应力科技(天津)有限公司 基于机器视觉的钢绞线质量检测方法
CN116342598B (zh) * 2023-05-29 2023-08-01 天维云筑预应力科技(天津)有限公司 基于机器视觉的钢绞线质量检测方法
CN117237396A (zh) * 2023-11-16 2023-12-15 山东华盛中天工程机械有限责任公司 基于图像特征的钢轨螺栓锈蚀区域分割方法
CN117237396B (zh) * 2023-11-16 2024-02-06 山东华盛中天工程机械有限责任公司 基于图像特征的钢轨螺栓锈蚀区域分割方法
CN117541605A (zh) * 2024-01-09 2024-02-09 山东华中重钢有限公司 一种钢结构锈蚀图像区域快速分割方法
CN117541605B (zh) * 2024-01-09 2024-03-29 山东华中重钢有限公司 一种钢结构锈蚀图像区域快速分割方法

Also Published As

Publication number Publication date
CN115294159B (zh) 2022-12-23

Similar Documents

Publication Publication Date Title
CN115294159B (zh) 金属紧固件腐蚀区域分割方法
CN114723701B (zh) 基于计算机视觉的齿轮缺陷检测方法和系统
CN115311292B (zh) 基于图像处理的带钢表面缺陷检测方法及系统
CN115457041B (zh) 一种道路质量识别检测方法
CN114419025A (zh) 一种基于图像处理的纤维板质量评估方法
US10489903B2 (en) Stepwise refinement detection method for pavement cracks
CN113538433A (zh) 基于人工智能的机械铸件缺陷检测方法及系统
CN117173184B (zh) 基于人工智能的道路施工质量检测方法及系统
CN115690108B (zh) 一种基于图像处理的铝合金杆生产质量评估方法
CN103778627B (zh) 一种基于sar图像的海域溢油检测方法
CN115222733A (zh) 基于图像识别的金属构件表面缺陷检测方法
CN115082466B (zh) 一种pcb表面焊点缺陷检测方法及系统
CN115063400B (zh) 利用视觉手段的乐器生产缺陷检测方法
CN108038838A (zh) 一种棉麻纤维种类自动检测方法和系统
CN114820625B (zh) 一种汽车顶块缺陷检测方法
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
CN116740072B (zh) 基于机器视觉的道路表面缺陷检测方法及系统
CN116823822B (zh) 基于视觉特征的船艇钣金件焊接缺陷检测方法
TW202127371A (zh) 基於圖像的瑕疵檢測方法及電腦可讀存儲介質
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN113177924A (zh) 一种工业流水线产品瑕疵检测方法
CN112964712A (zh) 一种快速检测沥青路面状态的方法
CN116152242B (zh) 一种篮球用天然皮革缺陷可视化检测系统
CN115100174B (zh) 一种船舶钣金件漆面缺陷检测方法
CN112085699A (zh) 一种基于二维图像的路面裂缝提取方法

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