CN115311290A - 一种精密仪器金属零部件缺陷检测方法 - Google Patents

一种精密仪器金属零部件缺陷检测方法 Download PDF

Info

Publication number
CN115311290A
CN115311290A CN202211245020.6A CN202211245020A CN115311290A CN 115311290 A CN115311290 A CN 115311290A CN 202211245020 A CN202211245020 A CN 202211245020A CN 115311290 A CN115311290 A CN 115311290A
Authority
CN
China
Prior art keywords
gray
area
acquiring
gradient
degree
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
CN202211245020.6A
Other languages
English (en)
Inventor
易俊钰
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.)
Linkedin Changchun Network Technology Co ltd
Original Assignee
Nantong Tongzhou District Jinghua Electrical Appliance 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 Tongzhou District Jinghua Electrical Appliance Co ltd filed Critical Nantong Tongzhou District Jinghua Electrical Appliance Co ltd
Priority to CN202211245020.6A priority Critical patent/CN115311290A/zh
Publication of CN115311290A publication Critical patent/CN115311290A/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
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及零部件分析检测技术领域，具体涉及一种精密仪器金属零部件缺陷检测方法。该方法包括：获取金属零部件的灰度图像；对灰度图像进行分割并进行连通域分析得到多个连通域，获取连通域的混乱程度，根据混乱程度将所有连通域分为单压痕区域和多压痕区域；获取灰度图像中每个像素点的梯度，进而得到连通域的梯度变化程度，根据梯度变化程度确认起始点；获取梯度变化的主成分方向，基于主成分方向寻找与起始点得到种子点进行区域生长得到准确边缘；获取每两个准确边缘形成的区域之间的相似程度，进而将所有的区域划分为多个类别并获取每个类别对应区域的对比度，根据对比度得到压痕缺陷区域；提高了压痕缺陷区域检测的精度。

Description

一种精密仪器金属零部件缺陷检测方法
技术领域
本发明涉及零部件分析检测技术领域，具体涉及一种精密仪器金属零部件缺陷检测方法。
背景技术
对精密仪器金属零部件进行缺陷检测，能够预防由于零部件本身存在的微小缺陷导致仪器使用过程中的损坏，避免造成更大的损失；而精密仪器金属零部件上的缺陷比较多，常见的有压痕缺陷，当金属零部件上存在压痕缺陷时，容易造成精密仪器在受力不均时产生裂纹。
现有对压痕缺陷检测的主要方法是通过阈值分割获得缺陷区域，但是因为金属会反光，导致部分不明显的缺陷在进行阈值分割时无法分割得到准确的缺陷区域，影响缺陷检测的准确性。
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精密仪器金属零部件缺陷检测方法，该方法包括以下步骤：
获取金属零部件的灰度图像，所述灰度图像包括金属零部件的表面区域；
对所述灰度图像进行分割得到疑似缺陷区域，对所述疑似缺陷区域进行连通域分析得到多个连通域，设定预设大小的窗口在每个连通域上沿着多个方向进行滑动，获取每次滑动中所述窗口内的平均灰度值，以得到每个方向上对应的平均灰度序列；根据每个方向上的平均灰度序列获取连通域的混乱程度，根据所述混乱程度将所有连通域分为单压痕区域和多压痕区域；
获取所述灰度图像中每个像素点的梯度，基于每个连通域上边缘像素点与其周围像素点的梯度得到梯度变化程度，当所述梯度变化程度大于预设变化阈值时，以连通域的边缘上任意边缘像素点为起始点；获取梯度变化的主成分方向，基于所述主成分方向寻找与所述起始点相似性最大的边缘像素点，以相似性最大的边缘像素点作为种子点进行区域生长得到准确边缘；
获取每两个准确边缘形成的区域之间的相似程度，根据所有区域之间的相似程度将所有的区域划分为多个类别，获取每个类别对应区域的对比度，根据所述对比度得到压痕缺陷区域。
优选的，所述根据每个方向上的平均灰度序列获取连通域的混乱程度的步骤，包括：
根据所述平均灰度序列获取每个窗口滑动时对应平均灰度值在整个平均灰度序列中的占比，获取连通域中所有滑动次数下窗口的平均灰度值的占比，根据所述占比得到所述混乱程度。
优选的，所述基于每个连通域上边缘像素点与其周围像素点的梯度得到梯度变化程度的步骤，包括：
获取每个边缘像素点的梯度值在连通域的梯度占比，计算所有边缘像素点对应的梯度占比的求和结果，1减去所述求和结果得到梯度变化程度。
优选的，所述相似性的获取方法为：
获取边缘梯度的主成分方向以及起始点，计算起始点周围梯度变化大的像素点的方向与所述主成分方向的差异；根据所述差异以及对应像素点的梯度得到所述相似性。
优选的，所述获取每两个准确边缘形成的区域之间的相似程度的步骤，包括：
获取每个区域中像素点的灰度均值和灰度方差，计算任意两个区域之间像素点的协方差，根据所述协方差、灰度均值以及灰度方差得到相似程度，所述相似程度的计算为：
Figure 788800DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示第A个区域与第B个区域之间的相似程度；
Figure 590140DEST_PATH_IMAGE004
表示第A个区域中的像素点的灰度均值；
Figure DEST_PATH_IMAGE005
表示第B个区域中的像素点的灰度均值；
Figure 468010DEST_PATH_IMAGE006
表示第A个区域与第B个区域中像素点的协方差；
Figure DEST_PATH_IMAGE007
表示第A个区域中像素点的灰度方差；
Figure 285268DEST_PATH_IMAGE008
表示第B个区域中像素点的灰度方差；
Figure DEST_PATH_IMAGE009
和
Figure 68111DEST_PATH_IMAGE010
表示维持稳定的常数。
优选的，所述获取每个类别对应区域的对比度的步骤，包括：
获取类别对应区域内任意两个相邻像素点之间的灰度值的差值，统计每个灰度值的差值出现的分布概率，根据所述分布概率以及灰度值的差值得到所述对比度。
本发明具有如下有益效果：通过对金属零部件的灰度图像进行阈值分割获得疑似缺陷区域的连通域，然后对连通域进行后续分析，通过连通域内的灰度信息确定其混乱程度，基于混乱程度区分出单压痕区域和多压痕区域，进而对连通域中边缘像素点的梯度进行分析获取其准确边缘，由准确边缘获取对应的多个区域，对每个区域进行分析，获取区域之间的相似程度进行分类得到多个类别，然后计算每个类别的对比度得到具体的压痕缺陷区域，通过灰度特征以及梯度特征结合分析使得数据更加可靠，进而排除了光照的影响，提高了压痕缺陷区域的检测精度。
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为本发明一个实施例所提供的一种精密仪器金属零部件缺陷检测方法流程图。
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，对依据本发明提出的一种精密仪器金属零部件缺陷检测方法，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。
本申请适用于对金属零部件表面的压痕缺陷的检测；下面结合附图具体的说明本发明所提供的一种精密仪器金属零部件缺陷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精密仪器金属零部件缺陷检测方法流程图，该方法包括以下步骤：
步骤S100，获取金属零部件的灰度图像，灰度图像包括金属零部件的表面区域。
具体的，采集待检测的金属零部件的表面图像，图像采集设备使用高清相机进行采集，然后对采集得到表面图像进行分割得到只包括金属零部件的表面区域的分割图像，本发明实施例中分割的方法采用DNN神经网络，在其他实施例中实施者可自行设定；为提高后续分析的效率，对分割图像进行灰度化处理得到金属零部件区域对应的灰度图像。
步骤S200，对灰度图像进行分割得到疑似缺陷区域，对疑似缺陷区域进行连通域分析得到多个连通域，设定预设大小的窗口在每个连通域上沿着多个方向进行滑动，获取每次滑动中窗口内的平均灰度值，以得到每个方向上对应的平均灰度序列；根据每个方向上的平均灰度序列获取连通域的混乱程度，根据混乱程度将所有连通域分为单压痕区域和多压痕区域。
具体的，对金属零部件上的压痕缺陷进行检测时，由于形成的压痕缺陷的边缘不清楚，缺陷上的部分灰度值与没有缺陷区域的灰度值相似，因此在进行阈值分割的时候会将不是缺陷的区域也分割出来，或分割出来的边缘不准确。本发明使用OTSU阈值分割算法对灰度图像进行分割，灰度值较大的区域存在缺陷的可能程度较大，因此分割得到灰度图像中的疑似缺陷区域。
对分割得到的疑似缺陷区域进行连通域分析，得到多个连通域，此时的连通域中可能包含单个反光区域、单压痕区域与多压痕区域。因为压痕缺陷会形成中间低，边缘高的小凹槽，并且凹坑的中间像素点反光程度相较于凹坑壁像素点的反光程度更加的强烈；但是当出现凹凸不平的凹坑时，在凹坑的内部会形成多个反光区域，并且反光区域不连续，在反光区域之间会存在压痕缺陷的边缘，因此在进行连通域分析时，需要考虑单压痕和多压痕的情况，才能检测出单个压痕的边缘。
需要说明的是，本发明实施例中的单压痕并非真正指代就是实际压痕区域，而是在阈值分割时获得的单个疑似缺陷区域的连通域，就将其视为单压痕区域，然后对其进行边缘的确定；多压痕区域同理，并非指代的是真正的多个压痕区域，而是多个连通域在一起形成的疑似压痕区域。
因为单压痕区域是一个独立的区域，与其他区域不存在关联，或与其他区域产生的关联较小，只要根据像素点的变化确定其准确的边缘即可。而多压痕的内部灰度值的变化较为复杂，会有多个反光区域，每个反光区域边缘的联系程度较大，因为多压痕区域的反光区域之间的反光较小区域之间的模糊度较大，而造成这种模糊的原因是因为反光区域与反光区域之间的距离近，所以边缘的模糊度较大。
由于单压痕的特点是中间会形成反光区域，其反光程度较大，而压痕的产生的凹坑内壁的反光程度较小，因此根据区域的反光特征的不同获得单压痕区域的确定。因为反光程度越大其灰度值越大。本发明实施例中设置预设大小的窗口进行滑动，具体窗口的大小实施者可自行调节；滑动的方向设置为
Figure DEST_PATH_IMAGE011
，其中滑动的轨迹为四个方向上连通域“直径”最大的路径，以连通域中每个像素点作为滑动窗口的中心点，获取每次滑动时窗口内像素点的平均灰度值，进而获取四个方向上的滑窗平均灰度序列
Figure 666452DEST_PATH_IMAGE012
；
Figure DEST_PATH_IMAGE013
表示滑动方向；
Figure 139939DEST_PATH_IMAGE014
表示在连通域中第一个滑动的窗口内的平均灰度值；
Figure DEST_PATH_IMAGE015
表示在连通域中第
Figure 778467DEST_PATH_IMAGE016
个滑动的窗口内的平均灰度值。
因为单压痕的存在的反光区域少，形成的反光边缘也少，而多压痕区域的反光区域多，灰度变化也会较为剧烈，因此根据平均灰度序列获取混乱程度确定连通域属于单压痕还是多压痕；混乱程度的计算公式如下：
Figure 516616DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE019
表示滑动方向为
Figure 66284DEST_PATH_IMAGE013
时的混乱程度；
Figure 479597DEST_PATH_IMAGE020
表示第
Figure DEST_PATH_IMAGE021
个滑窗的平均灰度值在整个平均灰度序列中的占比；
Figure 281069DEST_PATH_IMAGE022
表示对数函数运算；
Figure 919729DEST_PATH_IMAGE016
表示连通域中所有的滑动次数。
由于单压痕区域的灰度变化的混乱程度较小，而多压痕区域的灰度变化的混乱程度较大，因此获取每个连通域在4个滑动方向下对应的混乱程度
Figure 266397DEST_PATH_IMAGE019
的均值为
Figure DEST_PATH_IMAGE023
；当
Figure 342239DEST_PATH_IMAGE024
,表示的是单压痕区域，当
Figure DEST_PATH_IMAGE025
表示的是多压痕区域。
以此类推，区分出所有的连通域是单压痕区域还是多压痕区域。
需要说明的是，0.2为本发明实施例中给出的优选比较阈值，在其他实施例中实施者可根据实际情况自行设置。
步骤S300，获取灰度图像中每个像素点的梯度，基于每个连通域上边缘像素点与其周围像素点的梯度得到梯度变化程度，当梯度变化程度大于预设变化阈值时，以连通域的边缘上任意边缘像素点为起始点；获取梯度变化的主成分方向，基于主成分方向寻找与起始点相似性最大的边缘像素点，以相似性最大的边缘像素点作为种子点进行区域生长得到准确边缘。
由步骤S200得到单压痕区域和多压痕区域后，需要确定每个连通域的准确的边缘；因为处于边缘的像素点都会有灰度的变化，因此根据获得的连通域的初始边缘的梯度变化确定准确的边缘。在初始的边缘区域，因为部分边缘的梯度变化较大，获得的边缘为准确的边缘，而部分边缘的梯度变化较小，获得的边缘不准确，通过准确的边缘来确定不准确的边缘，从而形成整个准确的边缘。
为了获得初始边缘中分割得到的准确的边缘区域，根据梯度的变化进行确定。首先获得灰度图像中所有像素点的梯度
Figure 766310DEST_PATH_IMAGE026
，然后计算连通域对应边缘上边缘像素点与其周围像素点的梯度变化程度，梯度变化程度的计算公式如下：
Figure 587373DEST_PATH_IMAGE028
其中，
Figure DEST_PATH_IMAGE029
表示梯度变化程度，
Figure 917992DEST_PATH_IMAGE030
表示第
Figure 83394DEST_PATH_IMAGE021
个像素点的梯度值为
Figure DEST_PATH_IMAGE031
在整个连通域的占比，
Figure 288985DEST_PATH_IMAGE032
表示所有边缘像素点的数量。
如果连通域的梯度变化较大，那么有
Figure DEST_PATH_IMAGE033
，此时
Figure 43183DEST_PATH_IMAGE034
取得极大值
Figure DEST_PATH_IMAGE035
；如果区域的梯度变化较小，以至于只有一个
Figure 279123DEST_PATH_IMAGE030
为1，其它为0的话，那就有
Figure 728559DEST_PATH_IMAGE036
。
根据边缘像素点获取的梯度变化程度判断连通域的准确边缘；因为梯度变化的大的边缘在进行阈值分割时能得到准确的边缘，而梯度变化小的区域得到的边缘不准确，因此当
Figure DEST_PATH_IMAGE037
时，将此处的任意一个边缘像素点作为起始点，对整个连通域的准确边缘进行获取。
需要说明的是，0.8为本发明实施例中设定的预设变化阈值，为优选值，在其他实施例中实施者可根据实际情况设定。
进一步的，利用PCA主成分分析获得边缘梯度的变化的主成分方向
Figure 489840DEST_PATH_IMAGE038
，然后基于起始点沿着主成分方向寻找梯度变化较大的像素点，通过计算梯度变化较大的像素点之间的相似性，以确定是否真的为准确的边缘像素点，相似性的计算公式为：
Figure 193485DEST_PATH_IMAGE040
其中，
Figure DEST_PATH_IMAGE041
表示相似性；
Figure 364441DEST_PATH_IMAGE042
表示周围梯度变化较大的像素点的方向与主成分方向的差异；
Figure 35594DEST_PATH_IMAGE031
表示第
Figure 22136DEST_PATH_IMAGE021
个像素点的梯度；
Figure DEST_PATH_IMAGE043
表示常数。
将相似性最大的像素点作为种子点，以种子点进行区域生长得到连通域完整的准确边缘。
步骤S400，获取每两个准确边缘形成的区域之间的相似程度，根据所有区域之间的相似程度将所有的区域划分为多个类别，获取每个类别对应区域的对比度，根据对比度得到压痕缺陷区域。
由步骤S300得到准确边缘，则根据准确边缘可得到对应的区域，然后需要对压痕缺陷进行识别；本发明实施例中是基于区域之间的相似程度进行识别，因为压痕缺陷的中心的灰度值大，内壁的灰度值较小，且压痕的形状较为相似，因此计算所有区域之间的相似程度进行后续分析。
具体的，根据区域中像素点的灰度信息获取区域之间的相似程度，相似程度的计算为：
Figure 406718DEST_PATH_IMAGE044
其中，
Figure 436991DEST_PATH_IMAGE003
表示第A个区域与第B个区域之间的相似程度；
Figure 346173DEST_PATH_IMAGE004
表示第A个区域中的像素点的灰度均值；
Figure 120094DEST_PATH_IMAGE005
表示第B个区域中的像素点的灰度均值；
Figure 562445DEST_PATH_IMAGE006
表示第A个区域与第B个区域中像素点的协方差；
Figure 966882DEST_PATH_IMAGE007
表示第A个区域中像素点的灰度方差；
Figure 628938DEST_PATH_IMAGE008
表示第B个区域中像素点的灰度方差；
Figure 940971DEST_PATH_IMAGE009
和
Figure 571584DEST_PATH_IMAGE010
表示维持稳定的常数，
Figure DEST_PATH_IMAGE045
，
Figure 491130DEST_PATH_IMAGE046
，L表示灰度值的动态范围，
Figure DEST_PATH_IMAGE047
，
Figure 483226DEST_PATH_IMAGE048
。
Figure DEST_PATH_IMAGE049
时，表示两个区域之间的相似程度为零；当相似程度大于相似阈值时，表明两个区域的结构相似，将两个区域归为一类。
作为优选，本发明实施例设置相似阈值为0.25，即当
Figure 504009DEST_PATH_IMAGE050
时，表示第A个区域与第B个区域的结构相似。
以此类推，对所有的区域进行分类得到多个类别，对每个类别中的区域中的像素点进行分析，以判断区域是否为压痕缺陷区域；考虑到反光区域的高灰度像素点多，而压痕缺陷区域的高灰度像素点少，因此通过每个类别中的对比度进行区分，对比度的计算为：
Figure 422418DEST_PATH_IMAGE052
其中，
Figure DEST_PATH_IMAGE053
表示对比度；
Figure 73717DEST_PATH_IMAGE054
,表示相邻像素点之间的灰度值的差值；
Figure DEST_PATH_IMAGE055
表示相邻像素间的灰度值差值为
Figure 507103DEST_PATH_IMAGE056
的像素分布概率。
根据每个类别的对比度将压痕缺陷区域与其他反光区域分开，设定对比度阈值，当类别的对比度小于该对比度阈值时，该类别中的区域为压痕缺陷区域。
作为优选，本发明实施例中设置对比度阈值为0.68。
综上所述，本发明实施例中通过获取金属零部件表面的灰度图像，对该灰度图像进行分割得到初始的疑似缺陷区域，对疑似缺陷区域进行连通域分析得到多个连通域，设定预设大小的窗口在每个连通域上沿着多个方向进行滑动，获取每次滑动中窗口内的平均灰度值，以得到每个方向上对应的平均灰度序列；根据每个方向上的平均灰度序列获取连通域的混乱程度，根据混乱程度将所有连通域分为单压痕区域和多压痕区域；获取灰度图像中每个像素点的梯度，基于每个连通域上边缘像素点与其周围像素点的梯度得到梯度变化程度，当梯度变化程度大于预设变化阈值时，以连通域的边缘上任意边缘像素点为起始点；获取梯度变化的主成分方向，基于主成分方向寻找与起始点相似性最大的边缘像素点，以相似性最大的边缘像素点作为种子点进行区域生长得到准确边缘；获取每两个准确边缘形成的区域之间的相似程度，根据所有区域之间的相似程度将所有的区域划分为多个类别，获取每个类别对应区域的对比度，根据对比度得到压痕缺陷区域，提高了缺陷检测的效率和准确性。
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。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 (6)

1.一种精密仪器金属零部件缺陷检测方法，其特征在于，该方法包括以下步骤：
获取金属零部件的灰度图像，所述灰度图像包括金属零部件的表面区域；
对所述灰度图像进行分割得到疑似缺陷区域，对所述疑似缺陷区域进行连通域分析得到多个连通域，设定预设大小的窗口在每个连通域上沿着多个方向进行滑动，获取每次滑动中所述窗口内的平均灰度值，以得到每个方向上对应的平均灰度序列；根据每个方向上的平均灰度序列获取连通域的混乱程度，根据所述混乱程度将所有连通域分为单压痕区域和多压痕区域；
获取所述灰度图像中每个像素点的梯度，基于每个连通域上边缘像素点与其周围像素点的梯度得到梯度变化程度，当所述梯度变化程度大于预设变化阈值时，以连通域的边缘上任意边缘像素点为起始点；获取梯度变化的主成分方向，基于所述主成分方向寻找与所述起始点相似性最大的边缘像素点，以相似性最大的边缘像素点作为种子点进行区域生长得到准确边缘；
获取每两个准确边缘形成的区域之间的相似程度，根据所有区域之间的相似程度将所有的区域划分为多个类别，获取每个类别对应区域的对比度，根据所述对比度得到压痕缺陷区域。
2.根据权利要求1所述的一种精密仪器金属零部件缺陷检测方法，其特征在于，所述根据每个方向上的平均灰度序列获取连通域的混乱程度的步骤，包括：
根据所述平均灰度序列获取每个窗口滑动时对应平均灰度值在整个平均灰度序列中的占比，获取连通域中所有滑动次数下窗口的平均灰度值的占比，根据所述占比得到所述混乱程度。
3.根据权利要求1所述的一种精密仪器金属零部件缺陷检测方法，其特征在于，所述基于每个连通域上边缘像素点与其周围像素点的梯度得到梯度变化程度的步骤，包括：
获取每个边缘像素点的梯度值在连通域的梯度占比，计算所有边缘像素点对应的梯度占比的求和结果，1减去所述求和结果得到梯度变化程度。
4.根据权利要求1所述的一种精密仪器金属零部件缺陷检测方法，其特征在于，所述相似性的获取方法为：
获取边缘梯度的主成分方向以及起始点，计算起始点周围梯度变化大的像素点的方向与所述主成分方向的差异；根据所述差异以及对应像素点的梯度得到所述相似性。
5.根据权利要求1所述的一种精密仪器金属零部件缺陷检测方法，其特征在于，所述获取每两个准确边缘形成的区域之间的相似程度的步骤，包括：
获取每个区域中像素点的灰度均值和灰度方差，计算任意两个区域之间像素点的协方差，根据所述协方差、灰度均值以及灰度方差得到相似程度，所述相似程度的计算为：
Figure DEST_PATH_IMAGE001
其中，
Figure 778965DEST_PATH_IMAGE002
表示第A个区域与第B个区域之间的相似程度；
Figure 286301DEST_PATH_IMAGE003
表示第A个区域中的像素点的灰度均值；
Figure 734600DEST_PATH_IMAGE004
表示第B个区域中的像素点的灰度均值；
Figure 97360DEST_PATH_IMAGE005
表示第A个区域与第B个区域中像素点的协方差；
Figure 554886DEST_PATH_IMAGE006
表示第A个区域中像素点的灰度方差；
Figure 916728DEST_PATH_IMAGE007
表示第B个区域中像素点的灰度方差；
Figure 67087DEST_PATH_IMAGE008
和
Figure 645705DEST_PATH_IMAGE009
表示维持稳定的常数。
6.根据权利要求1所述的一种精密仪器金属零部件缺陷检测方法，其特征在于，所述获取每个类别对应区域的对比度的步骤，包括：
获取类别对应区域内任意两个相邻像素点之间的灰度值的差值，统计每个灰度值的差值出现的分布概率，根据所述分布概率以及灰度值的差值得到所述对比度。
CN202211245020.6A 2022-10-12 2022-10-12 一种精密仪器金属零部件缺陷检测方法 Pending CN115311290A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211245020.6A CN115311290A (zh) 2022-10-12 2022-10-12 一种精密仪器金属零部件缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211245020.6A CN115311290A (zh) 2022-10-12 2022-10-12 一种精密仪器金属零部件缺陷检测方法

Publications (1)

Publication Number Publication Date
CN115311290A true CN115311290A (zh) 2022-11-08

Family

ID=83867796

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211245020.6A Pending CN115311290A (zh) 2022-10-12 2022-10-12 一种精密仪器金属零部件缺陷检测方法

Country Status (1)

Country Link
CN (1) CN115311290A (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115330763A (zh) * 2022-10-12 2022-11-11 江苏鑫缘医疗科技有限公司 一种医用纱布缺陷检测方法
CN115578732A (zh) * 2022-11-21 2023-01-06 山东爱福地生物股份有限公司 一种肥料生产线的标签识别方法
CN115601361A (zh) * 2022-12-13 2023-01-13 苏州迈创信息技术有限公司（Cn） 基于机器视觉机床零件在线检测方法
CN115641329A (zh) * 2022-11-15 2023-01-24 武汉惠强新能源材料科技有限公司 一种锂电池隔膜缺陷检测方法及系统
CN115880299A (zh) * 2023-03-03 2023-03-31 山东时代塑胶有限公司 一种轻质混凝土复合自保温外墙板的质量检测系统
CN115937212A (zh) * 2023-02-08 2023-04-07 成都数之联科技股份有限公司 一种玻璃板裂纹检测方法、装置、设备及介质
CN116309671A (zh) * 2023-05-23 2023-06-23 浩珂科技有限公司 一种土工合成织物质量检测系统
CN116468728A (zh) * 2023-06-20 2023-07-21 深圳市锦红兴科技有限公司 一种五金冲压件模具生产质量检测方法
CN116563279A (zh) * 2023-07-07 2023-08-08 山东德源电力科技股份有限公司 基于计算机视觉的量测开关检测方法
CN116645364A (zh) * 2023-07-18 2023-08-25 金乡县金沪合金钢有限公司 一种基于图像数据的合金钢铸件气孔缺陷检测方法
CN116664569A (zh) * 2023-07-31 2023-08-29 山东正华建筑科技有限公司 一种焊瘤缺陷检测方法
CN116740054A (zh) * 2023-08-08 2023-09-12 天筛(聊城)生物科技有限公司 一种基于图像处理的舌象齿痕检测方法
CN116703899B (zh) * 2023-08-03 2023-10-24 青岛义龙包装机械有限公司 基于图像数据的袋式包装机产品质量检测方法
CN117011297A (zh) * 2023-10-07 2023-11-07 惠州市凯默金属制品有限公司 基于图像处理的铝合金汽配件模具缺陷检测方法
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
CN117197130A (zh) * 2023-11-03 2023-12-08 山东太阳耐磨件有限公司 基于机器视觉的驱动齿角缺陷识别方法
CN117474977A (zh) * 2023-12-27 2024-01-30 山东旭美尚诺装饰材料有限公司 基于机器视觉的欧松板凹坑快速检测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114862849A (zh) * 2022-07-06 2022-08-05 山东智领新材料有限公司 一种基于图像处理的铝合板覆膜效果评估方法
CN114862862A (zh) * 2022-07-11 2022-08-05 江苏大田阀门制造有限公司 一种基于图像处理的泵体冷隔缺陷识别方法与系统
CN114913365A (zh) * 2022-04-22 2022-08-16 海门王巢家具制造有限公司 基于机器视觉的人造板质量分类方法及系统
CN115082419A (zh) * 2022-07-14 2022-09-20 江苏诺阳家居科技有限公司 一种吹塑箱包生产缺陷检测方法
CN115100171A (zh) * 2022-07-11 2022-09-23 常宝云 一种基于机器视觉的钢模焊接缺陷检测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114913365A (zh) * 2022-04-22 2022-08-16 海门王巢家具制造有限公司 基于机器视觉的人造板质量分类方法及系统
CN114862849A (zh) * 2022-07-06 2022-08-05 山东智领新材料有限公司 一种基于图像处理的铝合板覆膜效果评估方法
CN114862862A (zh) * 2022-07-11 2022-08-05 江苏大田阀门制造有限公司 一种基于图像处理的泵体冷隔缺陷识别方法与系统
CN115100171A (zh) * 2022-07-11 2022-09-23 常宝云 一种基于机器视觉的钢模焊接缺陷检测方法及系统
CN115082419A (zh) * 2022-07-14 2022-09-20 江苏诺阳家居科技有限公司 一种吹塑箱包生产缺陷检测方法

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115330763A (zh) * 2022-10-12 2022-11-11 江苏鑫缘医疗科技有限公司 一种医用纱布缺陷检测方法
CN115330763B (zh) * 2022-10-12 2023-03-24 江苏鑫缘医疗科技有限公司 一种医用纱布缺陷检测方法
CN115641329A (zh) * 2022-11-15 2023-01-24 武汉惠强新能源材料科技有限公司 一种锂电池隔膜缺陷检测方法及系统
CN115578732A (zh) * 2022-11-21 2023-01-06 山东爱福地生物股份有限公司 一种肥料生产线的标签识别方法
CN115578732B (zh) * 2022-11-21 2023-03-28 山东爱福地生物股份有限公司 一种肥料生产线的标签识别方法
CN115601361A (zh) * 2022-12-13 2023-01-13 苏州迈创信息技术有限公司（Cn） 基于机器视觉机床零件在线检测方法
CN115937212A (zh) * 2023-02-08 2023-04-07 成都数之联科技股份有限公司 一种玻璃板裂纹检测方法、装置、设备及介质
CN115880299A (zh) * 2023-03-03 2023-03-31 山东时代塑胶有限公司 一种轻质混凝土复合自保温外墙板的质量检测系统
CN116309671A (zh) * 2023-05-23 2023-06-23 浩珂科技有限公司 一种土工合成织物质量检测系统
CN116309671B (zh) * 2023-05-23 2023-08-11 浩珂科技有限公司 一种土工合成织物质量检测系统
CN116468728A (zh) * 2023-06-20 2023-07-21 深圳市锦红兴科技有限公司 一种五金冲压件模具生产质量检测方法
CN116468728B (zh) * 2023-06-20 2023-08-29 深圳市锦红兴科技有限公司 一种五金冲压件模具生产质量检测方法
CN116563279A (zh) * 2023-07-07 2023-08-08 山东德源电力科技股份有限公司 基于计算机视觉的量测开关检测方法
CN116563279B (zh) * 2023-07-07 2023-09-19 山东德源电力科技股份有限公司 基于计算机视觉的量测开关检测方法
CN116645364A (zh) * 2023-07-18 2023-08-25 金乡县金沪合金钢有限公司 一种基于图像数据的合金钢铸件气孔缺陷检测方法
CN116645364B (zh) * 2023-07-18 2023-10-27 金乡县金沪合金钢有限公司 一种基于图像数据的合金钢铸件气孔缺陷检测方法
CN116664569A (zh) * 2023-07-31 2023-08-29 山东正华建筑科技有限公司 一种焊瘤缺陷检测方法
CN116664569B (zh) * 2023-07-31 2023-10-10 山东正华建筑科技有限公司 一种焊瘤缺陷检测方法
CN116703899B (zh) * 2023-08-03 2023-10-24 青岛义龙包装机械有限公司 基于图像数据的袋式包装机产品质量检测方法
CN116740054B (zh) * 2023-08-08 2023-10-20 天筛(聊城)生物科技有限公司 一种基于图像处理的舌象齿痕检测方法
CN116740054A (zh) * 2023-08-08 2023-09-12 天筛(聊城)生物科技有限公司 一种基于图像处理的舌象齿痕检测方法
CN117011297A (zh) * 2023-10-07 2023-11-07 惠州市凯默金属制品有限公司 基于图像处理的铝合金汽配件模具缺陷检测方法
CN117011297B (zh) * 2023-10-07 2024-02-02 惠州市凯默金属制品有限公司 基于图像处理的铝合金汽配件模具缺陷检测方法
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
CN117197130A (zh) * 2023-11-03 2023-12-08 山东太阳耐磨件有限公司 基于机器视觉的驱动齿角缺陷识别方法
CN117197130B (zh) * 2023-11-03 2024-01-26 山东太阳耐磨件有限公司 基于机器视觉的驱动齿角缺陷识别方法
CN117474977A (zh) * 2023-12-27 2024-01-30 山东旭美尚诺装饰材料有限公司 基于机器视觉的欧松板凹坑快速检测方法及系统
CN117474977B (zh) * 2023-12-27 2024-03-22 山东旭美尚诺装饰材料有限公司 基于机器视觉的欧松板凹坑快速检测方法及系统

Similar Documents

Publication Publication Date Title
CN115311290A (zh) 一种精密仪器金属零部件缺陷检测方法
CN113689428B (zh) 基于图像处理的机械零件应力腐蚀检测方法及系统
CN114627111B (zh) 一种纺织品缺陷检测识别装置
CN115170576B (zh) 基于机器视觉的铝管表面缺陷检测方法
CN115375676B (zh) 一种基于图像识别的不锈钢制品质量检测方法
CN115311292A (zh) 基于图像处理的带钢表面缺陷检测方法及系统
JP2006517663A (ja) 画像解析
CN116385450B (zh) 基于图像处理的ps片材抗耐磨性检测方法
CN113554629A (zh) 基于人工智能的带钢红锈缺陷检测方法
JP2014228357A (ja) ひび割れ検出方法
CN114820625B (zh) 一种汽车顶块缺陷检测方法
CN115063400B (zh) 利用视觉手段的乐器生产缺陷检测方法
CN115115637B (zh) 基于图像金字塔思想的布匹缺陷检测方法
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
CN116152242B (zh) 一种篮球用天然皮革缺陷可视化检测系统
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN115880280A (zh) 一种钢结构焊缝质量的检测方法
CN116977230B (zh) 一种扫描电子显微镜图像优化增强方法
KR101929669B1 (ko) 엔트로피를 이용하여 이미지를 분석하는 방법 및 장치
Coudray et al. Multi-resolution approach for fine structure extraction: Application and validation on road images
CN112927182A (zh) 一种数字pcr微阵列图像分析方法
CN111473944B (zh) 观测流场中存在复杂壁面的piv数据修正方法、装置
CN115082444A (zh) 一种基于图像处理的铜管焊缝缺陷检测方法及系统
JP2001012923A (ja) パターン抽出方法、パターン抽出装置、微小異物形状測定方法、微小異物形状測定装置、ホール中央部の穴径測定方法、ホール中央部の穴径測定装置、ホール段差測定方法及びホール段差測定装置
CN113643245A (zh) 一种屏幕缺陷的测量方法、装置及计算机可读存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230612

Address after: Villa No. 12, Building 4, Linyuan Garden, No. 25 Qinglong Road, Lvyuan District, Changchun City, Jilin Province, 130000

Applicant after: LinkedIn (Changchun) Network Technology Co.,Ltd.

Address before: 226000 East District, Dongyuan science and Technology Park, Shizong Town, Tongzhou District, Nantong City, Jiangsu Province

Applicant before: Nantong Tongzhou District Jinghua Electrical Appliance Co.,Ltd.