CN115330773B - 一种金属研磨麻点缺陷检测方法 - Google Patents
一种金属研磨麻点缺陷检测方法 Download PDFInfo
- Publication number
- CN115330773B CN115330773B CN202211249877.5A CN202211249877A CN115330773B CN 115330773 B CN115330773 B CN 115330773B CN 202211249877 A CN202211249877 A CN 202211249877A CN 115330773 B CN115330773 B CN 115330773B
- Authority
- CN
- China
- Prior art keywords
- image
- distinguished
- gray
- calculating
- run
- 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.)
- Active
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
- G06T7/10—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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
Abstract
本发明涉及一种金属研磨麻点缺陷检测方法,属于数据识别技术领域,该方法步骤包括:当待检测金属工件表面灰度图像中不存在边缘轮廓时判定待检测金属工件为无缺陷工件,当表面灰度图像中存在边缘轮廓时,并获取由全部疑似缺陷区域构成的待区分图像;当待区分图像的短游程优势小于第一阈值时判定待检测金属工件为非单一类型的缺陷工件,否则计算出待区分图像在灰度加权更新后的短游程优势;当待区分图像在灰度加权更新后的短游程优势小于预设第二阈值时,判定待检测金属工件为单一类型的麻点缺陷工件;本发明根据金属工件表面麻点与表面附着颗粒粉尘的不同特性,准确的识别出金属工件表面是否为麻点缺陷。
Description
技术领域
本发明属于数据识别技术领域,具体涉及一种金属研磨麻点缺陷检测方法。
背景技术
在金属材料制备时经常需要对工件表面进行研磨以及抛光,在对金属工件表面进行研磨抛光时,抛光布过于湿润且抛光时间过长时,会在金属工件表面局部形成微电池,加深局部的腐蚀形成小凹坑,在金属工件表面可看到密布的小麻点,对于出现的这些密布的小麻点,研磨机需要重新更换细砂纸进行二次研磨抛光将金属工件表面麻点去除。
现有技术中对于初次研磨抛光后金属工件表面麻点的检测,一般为先采集金属工件表面图像,然后利用边缘检测等方法来确定金属工件表面的边缘信息,若是图像中存在若干细小的边缘像素点,则认为金属工件表面存在麻点缺陷,但是在对金属工件表面进行初次研磨抛光时由于金属表面被消耗会产生细小的金属颗粒以及粉尘,而细小的金属颗粒以及粉尘在检测时若附着于金属工件表面很容易与麻点混淆,会造成对麻点的识别出现错误,从而造成对不具备麻点缺陷只是附着有金属颗粒或粉尘的金属工件进行二次研磨。
发明内容
本发明提供一种金属研磨麻点缺陷检测方法,根据金属工件表面麻点缺陷与表面附着颗粒粉尘的不同特性,准确的识别出初次研磨抛光后金属工件表面是否存在麻点缺陷,从而准确的筛选出具有麻点缺陷的金属工件对其进行二次研磨。
本发明的一种金属研磨麻点缺陷检测方法采用如下技术方案:该方法包括:
在设定角度光照下采集待检测金属工件表面灰度图像,当表面灰度图像中不存在边缘轮廓时判定待检测金属工件为无缺陷工件;其中,待检测金属工件为初次研磨抛光后金属工件;
当表面灰度图像中存在边缘轮廓时,将每个边缘轮廓围成的区域作为一个疑似缺陷区域,并获取由全部疑似缺陷区域构成的待区分图像;
将待区分图像中的灰度值分为多个等级得到分级后图像,构建分级后图像沿光照水平方向上的灰度游程矩阵,利用灰度游程矩阵中全部元素值计算出在光照水平方向下待区分图像的短游程优势;
计算出待区分图像中全部疑似缺陷区域的平均面积,根据得到的平均面积计算出全部疑似缺陷区域的平均长度,利用得到的平均长度和灰度游程矩阵中全部元素值计算出第一阈值;
当待区分图像的短游程优势小于第一阈值时,判定待检测金属工件为非单一类型的缺陷工件,对待检测金属工件进行二次研磨;
当待区分图像的短游程优势大于等于第一阈值时,获取待区分图像中任一疑似缺陷区域的中心点,按照光照垂直方向并过将该疑似缺陷区域的中心点将其分割成左右两部分,利用该左右两部分的平均灰度值,对在光照水平方向下待区分图像的短游程优势进行灰度加权更新,得到待区分图像在灰度加权更新后的短游程优势;
当待区分图像在灰度加权更新后的短游程优势小于预设第二阈值时,判定待检测金属工件为单一类型的麻点缺陷,对待检测金属工件进行二次研磨;当待区分图像在灰度加权更新后的短游程优势大于等于预设第二阈值时,判定待检测金属工件为附着颗粒或粉尘的伪缺陷只需对其进行清洗。
进一步地,所述并获取由全部疑似缺陷区域构成的待区分图像的步骤包括:
将表面图像中每个疑似缺陷区域进行填充,获取全部疑似缺陷区域的二值图像;
将二值图像与表面灰度图像相乘,得到由全部疑似缺陷区域构成的待区分图像。
进一步地,所述将待区分图像中的灰度值分为多个等级得到分级后图像的步骤包括:
获取待区分图像中的最大灰度值和最小灰度值;
计算最大灰度值和最小灰度值的第一差值,计算该第一差值与预设划分等级数的第一比值,并将该第一比值作为每个划分等级内包含的灰度值数量;
利用每个划分等级内包含的灰度值数量、待区分图像中的最大灰度值以及待区分图像中的最小灰度值,计算出每个划分等级包含的灰度值范围;
将待区分图像中的灰度值按照所属划分等级进行标注得到分级后图像。
进一步地,所述利用灰度游程矩阵中全部元素值计算出在光照水平方向下待区分图像的短游程优势的步骤包括:
计算出灰度游程矩阵中每个元素值占灰度游程矩阵中全部元素值总和的第二比值,并计算出得到的全部第二比值的第二和值;
计算出第二比值与对应元素值在灰度游程矩阵中纵坐标平方的第三比值,并计算出得到的全部第三比值的第三和值;
将第三和值与第二和值的第四比值作为在光照水平方向下待区分图像的短游程优势。
进一步地,所述利用得到的平均长度和灰度游程矩阵中全部元素值计算出第一阈值的步骤包括:
获取灰度游程矩阵中每个元素值占灰度游程矩阵中全部元素值总和的第二比值,并得到全部第二比值的第二和值;
获取灰度游程矩阵中全部疑似缺陷区域四倍平均长度的倒数,计算出第二比值与该倒数平方的第五比值,并获取得到的全部第五比值的第四和值;
将第四和值与第二和值的比值作为第一阈值。
进一步地,所述计算出待区分图像中全部疑似缺陷区域的平均面积的步骤包括:
获取待区分图像中每个疑似缺陷区域内包含的像素点总数量;
计算出全部疑似缺陷区域内包含的像素点总数量的总数量,将该总数量与待区分图像中疑似缺陷区域个数的比值作为待区分图像中全部疑似缺陷区域的平均面积。
进一步地,所述根据得到的平均面积计算出全部疑似缺陷区域的平均长度的步骤包括:
在已知疑似缺陷区域近似圆形的条件下,利用得到的平均面积计算出全部疑似缺陷区域的平均半径;
将全部疑似缺陷区域的平均半径的二倍作为全部疑似缺陷区域的平均长度。
进一步地,所述获取待区分图像中任一疑似缺陷区域的中心点的步骤包括:
获取待区分图像中任一疑似缺陷区域沿光照水平方向的最长宽度所在的直线,获取待区分图像中任一疑似缺陷区域沿光照垂直方向的最长长度所在的直线;
将最长宽度所在的直线和最长长度所在的直线的交点,作为该疑似缺陷区域的中心点。
进一步地,所述利用该左右两部分的平均灰度值,计算出待区分图像在灰度加权更新后的短游程优势的步骤包括:
选取待区分图像中任一疑似缺陷区域作为目标疑似缺陷区域;
过目标疑似缺陷区域的中心点将其分割成左侧缺陷区域和右侧缺陷区域;
利用左侧缺陷区域内全部像素点的灰度值计算出左侧缺陷区域的平均灰度值;
利用右侧缺陷区域内全部像素点的灰度值计算出右侧缺陷区域的平均灰度值;
计算左侧缺陷区域的平均灰度值与右侧缺陷区域的平均灰度值的第二差值,将该第二差值与在光照水平方向下待区分图像的短游程优势相乘,得到待区分图像在灰度加权更新后的短游程优势。
本发明的有益效果是:
本发明在对初次研磨抛光后金属工件表面进行麻点检测时,首先获取只含有疑似缺陷区域的待区分图像,然后构建待区分图像的灰度游程矩阵,利用灰度游程矩阵中全部元素值计算出在光照水平方向下待区分图像的短游程优势;由于若图像中只存在麻点或是附着粉尘,在分级时每个等级所包含的灰度等级较少,麻点或是粉尘的分为多个等级时每个灰度等级所获得的游程相较于同时存在麻点和粉尘时更短,其短游程优势的值相较于同时含有麻点和粉尘时更大,因此,通过计算出待区分图像的短游程优势能初步判断出待检测金属工件为非单一类型的缺陷工件,还是非单一类型的缺陷工件。
当判断出待检测金属工件为非单一类型的缺陷工件,利用麻点缺陷为凹形缺陷,麻点缺陷因其凹陷特性其亮度由低到高,灰度值变化也是由低到高,而附着于表面的粉尘等颗粒则是凸起其灰度值的变化恰好相反,因此根据待区分图像在灰度加权更新后的短游程优势,能判断出待检测金属工件为单一类型的麻点缺陷,还是单一类型的附着颗粒或粉尘的伪缺陷;本发明根据金属工件表面麻点缺陷与表面附着颗粒粉尘的不同特性,准确的识别出初次研磨抛光后金属工件表面是否存在麻点缺陷,从而准确的筛选出具有麻点缺陷的金属工件对其进行二次研磨。
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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种金属研磨麻点缺陷检测方法的实施例总体步骤的示意图;
图2为本发明在设定角度光照下采集待检测金属工件在光照下的表面图像;
图3为本发明中待检测金属工件麻点缺陷因其凹陷特性其亮度由低到高;
图4为本发明中待检测金属工件附着于表面的粉尘等颗粒因其凸起特性其亮度由高到低;
图5为本发明中为过任一疑似缺陷区域沿光照垂直方向的最长长度所在的直线将该疑似缺陷分为两部分。
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。
本发明的一种金属研磨麻点缺陷检测方法的实施例,如图1所示,该方法包括:
S1、在设定角度光照下采集待检测金属工件在光照下的表面灰度图像,当表面灰度图像中不存在边缘轮廓时判定待检测金属工件为无缺陷工件;其中,待检测金属工件为初次研磨抛光后金属工件。
在对待检测金属工件表面进行麻点检测时,存在研磨时留下的金属颗粒以及粉尘附着于金属工件表面会对检测结果造成影响造成伪缺陷,所以需要将麻点与其他伪缺陷进行区分,而本发明根据麻点在金属工件表面表现为细小的凹坑,而附着于金属工件表面的金属颗粒和粉尘等为凸起状态,根据这一区别,通过不同方向的光源对金属工件表面进行照射,根据金属工件表面灰度变化情况确定金属工件表面是否存在麻点缺陷。
本发明需要采集待检测金属工件在光照下的表面灰度图像,需要添加相应的装置,包括光源、相机、采样平台、控制装置。通过控制装置调整光源方向,然后利用相机采集放置在采样平台上的待检测金属工件的表面图像,如图2所示,为在设定角度光照下采集待检测金属工件在光照下的表面图像。
在采集完待检测金属工件的表面图像后,将采集的图像进行灰度化处理得到待检测金属工件在光照下的表面灰度图像,在得到待检测金属工件在光照下的表面灰度图像后,需要初步判断金属工件表面是否可能存在麻点,利用Canny算子边缘检测来获取待检测金属工件表面的边缘轮廓,对于不存在边缘轮廓的表面灰度图像,能确定该待检测金属工件表面光洁,不具有缺陷,对于存在边缘轮廓的表面灰度图像,则该待检测金属工件为疑似具有缺陷的金属工件,需要进一步确认该待检测金属工件表面是否存在麻点缺陷。
S2、当表面灰度图像中存在边缘轮廓时,将每个边缘轮廓围成的区域作为一个疑似缺陷区域,并获取由全部疑似缺陷区域构成的待区分图像。
并获取由全部疑似缺陷区域构成的待区分图像的步骤包括:将表面图像中每个疑似缺陷区域进行填充,获取全部疑似缺陷区域的二值图像;将二值图像与表面灰度图像相乘,得到由全部疑似缺陷区域构成的待区分图像。
对于存在边缘轮廓的表面灰度图像,需要进一步确认该待检测金属工件表面灰度图像中边缘是否由麻点缺陷而引起的,通过上述方法获得了疑似缺陷的边缘图像,图像中因仅存在疑似缺陷的边缘轮廓,而每个边缘轮廓围成的区域作为一个疑似缺陷区域,将得到的全部疑似缺陷区域的边缘轮廓进行填充,获取全部疑似缺陷区域的二值图像,将得到的二值图像与表面灰度图像相乘,得到由全部疑似缺陷区域构成的待区分图像,从而排除金属工件表面光洁区域可能会实际检测造成影响。
S3、将待区分图像中的灰度值分为多个等级得到分级后图像,构建分级后图像沿光照水平方向上的灰度游程矩阵,利用灰度游程矩阵中全部元素值计算出在光照水平方向下待区分图像的短游程优势。
对于疑似缺陷区域之外的部分则为光洁的金属工件表面区域,通过对金属工件光照,光洁金属表面区域灰度值变化差异不大,而对于存在麻点缺陷或附着金属颗粒、粉尘的金属工件,其表面呈现凹凸状,其受光面比背光面反射更多的光,进而造成同一麻点或是粉尘的受光面灰度值较背光面更高,附着颗粒因位于表面凸起,其相较于麻点更亮。因此,通过待区分图像沿光照水平方向上的灰度值的分布情况,确定金属工件表面是否存在麻点缺陷。
将待区分图像中的灰度值分为多个等级得到分级后图像的步骤包括:获取待区分图像中的最大灰度值和最小灰度值;计算最大灰度值和最小灰度值的第一差值,计算该第一差值与预设划分等级数的第一比值,并将该第一比值作为每个划分等级内包含的灰度值数量;利用每个划分等级内包含的灰度值数量、待区分图像中的最大灰度值以及待区分图像中的最小灰度值,计算出每个划分等级包含的灰度值范围;将待区分图像中的灰度值按照所属划分等级进行标注得到分级后图像。
本发明中将待区分图像中全部不为0的灰度值进行分级,因表面灰度图像中光洁区域的灰度值已经置为0,所以沿光照水平方向上出现连续灰度值不为0的位置即为疑似缺陷区域,因此待区分图像中仅存在疑似缺陷区域的灰度值,即可能为麻点或是金属工件表面附着颗粒粉尘的灰度值。本发明将待区分图像中的灰度值最优划分为4个等级。
利用每个划分等级内包含的灰度值数量、待区分图像中的最大灰度值以及待区分图像中的最小灰度值,计算出每个划分等级包含的灰度值范围的计算公式为:
本发明中以光照水平方向作为0°方向,构建分级后图像沿光照水平方向上的灰度游程矩阵,也即构建0°方向灰度游程矩阵,灰度游程矩阵用来检测同级别灰度值在统计方向上连续出现的次数。
利用灰度游程矩阵中全部元素值计算出在光照水平方向下待区分图像的短游程优势的步骤包括:计算出灰度游程矩阵中每个元素值占灰度游程矩阵中全部元素值总和的第二比值,并计算出得到的全部第二比值的第二和值;计算出第二比值与对应元素值在灰度游程矩阵中纵坐标平方的第三比值,并计算出得到的全部第三比值的第三和值;将第三和值与第二和值的第四比值作为在光照水平方向下待区分图像的短游程优势。
计算出灰度游程矩阵中每个元素值占灰度游程矩阵中全部元素值总和的第二比值的计算公式为:
其中,表示灰度游程矩阵中的第/>行;/>表示灰度游程矩阵中的第/>列;/>表示灰度游程矩阵中第/>行第/>列的元素值;/>表示灰度游程矩阵中的总行数,也是预设划分等级数/>的最优取值为4;/>表示灰度游程矩阵中的总列数;/>表示灰度游程矩阵中第i行全部元素值总和;/>表示灰度游程矩阵中全部元素值的总和;/>表示灰度游程矩阵中第/>行第/>列元素值占灰度游程矩阵中全部元素值总和的第二比值。
在光照水平方向下待区分图像的短游程优势的计算公式为:
其中,表示灰度游程矩阵中第/>行第/>列元素值占灰度游程矩阵中全部元素值总和的第二比值;/>表示灰度游程矩阵中的第/>行;/>表示灰度游程矩阵中的第/>列;/>表示灰度游程矩阵中的总行数,也是预设划分等级数/>的最优取值为4;/>表示灰度游程矩阵中的总列数;/>表示在光照水平方向下待区分图像的短游程优势。该值越大说明图像中的疑似缺陷类型越单一,因为若图像中只存在麻点或是附着粉尘,在分级时每个等级所包含的灰度等级较少,麻点或是粉尘的分为4个等级时每个灰度等级所获得的游程相较于同时存在麻点和粉尘时更短,其短游程优势的值相较于同时含有麻点和粉尘时更大。
S4、计算出待区分图像中全部疑似缺陷区域的平均面积,根据得到的平均面积计算出全部疑似缺陷区域的平均长度,利用得到的平均长度和灰度游程矩阵中全部元素值计算出第一阈值。
计算出待区分图像中全部疑似缺陷区域的平均面积的步骤包括:获取待区分图像中每个疑似缺陷区域内包含的像素点数量;计算出全部疑似缺陷区域内包含的像素点数量的总数量,将该总数量与待区分图像中疑似缺陷区域总个数的比值作为待区分图像中全部疑似缺陷区域的平均面积。
待区分图像中全部疑似缺陷区域的平均面积的计算公式为:
其中,表示待区分图像中全部疑似缺陷区域的平均面积;/>表示待区分图像中第a个疑似缺陷区域内包含的像素点总数量;/>表示待区分图像中疑似缺陷区域的总个数;/>表示待区分图像中全部疑似缺陷区域内包含的像素点数量的总数量。
根据得到的平均面积计算出全部疑似缺陷区域的平均长度的步骤包括:在已知疑似缺陷区域近似圆形的条件下,利用得到的平均面积计算出全部疑似缺陷区域的平均半径;将全部疑似缺陷区域的平均半径的二倍作为全部疑似缺陷区域的平均长度。
因已知麻点与附着的颗粒粉尘在金属表面图像中都近似于圆形,因此,疑似缺陷区域近似圆形,全部疑似缺陷区域的平均长度的计算公式为:
其中,表示全部疑似缺陷区域的平均长度;/>表示待区分图像中第a个疑似缺陷区域内包含的像素点总数量;/>表示圆周率常数;/>表示全部疑似缺陷区域的平均半径;表示全部疑似缺陷区域的平均半径的二倍。在已知麻点与附着的颗粒粉尘在金属表面图像中都近似于圆形的条件下,按照面积计算公式就能计算出全部疑似缺陷区域的平均长度。
利用得到的平均长度和灰度游程矩阵中全部元素值计算出第一阈值的步骤包括:获取灰度游程矩阵中每个元素值占灰度游程矩阵中全部元素值总和的第二比值,并得到全部第二比值的第二和值;获取灰度游程矩阵中全部疑似缺陷区域四倍平均长度的倒数,计算出第二比值与该倒数平方的第五比值,并获取得到的全部第五比值的第四和值;将第四和值与第二和值的比值作为第一阈值。
第一阈值的计算公式为:
其中,表示灰度游程矩阵中的第/>行;/>表示灰度游程矩阵中的第/>列;/>表示灰度游程矩阵中的总行数,也是预设划分等级数/>的最优取值为4;/>表示灰度游程矩阵中的总列数;/>表示灰度游程矩阵中第/>行第/>列元素值占灰度游程矩阵中全部元素值总和的第二比值;/>表示全部疑似缺陷区域的平均长度;/>表示第一阈值。
S5、当待区分图像的短游程优势小于第一阈值时,判定待检测金属工件为非单一类型的缺陷工件,对待检测金属工件进行二次研磨。
当图像中只存在一种类型时,因此每个疑似缺陷的游程较短,获得的s值较大,当时,则认为图像中只存在一种类型即只存在麻点或是只存在附着于金属表面的颗粒和粉尘。因此通过上述方法将混合着麻点与粉尘等颗粒的金属工件筛选出来,对于该类混合型金属工件则需要先进行清洗然后再进行二次研磨。
对于剩下的单一类型的待检测金属工件,需确认为麻点缺陷或是附着于表面的粉尘等颗粒,从设定角度光照方向来看,如图3所示,为待检测金属工件麻点缺陷因其凹陷特性其亮度由低到高,如图4所示,为待检测金属工件附着于表面的粉尘等颗粒因其凸起特性其亮度由高到低;麻点缺陷因其凹陷特性其亮度由低到高,灰度值变化也是由低到高,而附着于表面的粉尘等颗粒则是凸起其灰度值的变化恰好相反。
S6、当待区分图像的短游程优势大于等于第一阈值时,获取待区分图像中任一疑似缺陷区域的中心点,按照光照垂直方向并过将该疑似缺陷区域的中心点将其分割成左右两部分,利用该左右两部分的平均灰度值,对在光照水平方向下待区分图像的短游程优势进行灰度加权更新,得到待区分图像在灰度加权更新后的短游程优势。
获取待区分图像中任一疑似缺陷区域的中心点的步骤包括:获取待区分图像中任一疑似缺陷区域沿光照水平方向的最长宽度所在的直线,获取待区分图像中任一疑似缺陷区域沿光照垂直方向的最长长度所在的直线;将最长宽度所在的直线和最长长度所在的直线的交点,作为该疑似缺陷区域的中心点。
利用该左右两部分的平均灰度值,计算出待区分图像在灰度加权更新后的短游程优势的步骤包括:选取待区分图像中任一疑似缺陷区域作为目标疑似缺陷区域;过目标疑似缺陷区域的中心点将其分割成左侧缺陷区域和右侧缺陷区域;利用左侧缺陷区域内全部像素点的灰度值计算出左侧缺陷区域的平均灰度值;利用右侧缺陷区域内全部像素点的灰度值计算出右侧缺陷区域的平均灰度值;计算左侧缺陷区域的平均灰度值与右侧缺陷区域的平均灰度值的第二差值,将该第二差值与在光照水平方向下待区分图像的短游程优势相乘,得到待区分图像在灰度加权更新后的短游程优势。
对于剩下的单一类型的金属工件,需确认为麻点缺陷或是附着于表面的粉尘等颗粒,从光照方向的水平方向来看,麻点缺陷因其凹陷特性其亮度由低到高,灰度值变化也是由低到高,而附着于表面的粉尘等颗粒则是凸起其灰度值的变化恰好相反,因此在灰度值不同变化趋势影响下的短游程也会呈现出不同的变化。
统计光照水平方向上的疑似缺陷的灰度变化情况,此时金属只存在单一缺陷,因此只需要判断其中一个疑似缺陷为麻点或是附着颗粒粉尘即可判断出整个金属表面的状态而不需要每一个疑似缺陷都去确认,选取其中一个疑似缺陷,获取光照方向下该疑似缺陷的最长长度,如图5所示,为过任一疑似缺陷区域沿光照垂直方向的最长长度所在的直线将该疑似缺陷分为两部分。
待区分图像在灰度加权更新后的短游程优势的计算公式为:
其中,表示在光照水平方向下待区分图像的短游程优势;/>表示左侧缺陷区域的平均灰度值;/>表示右侧缺陷区域的平均灰度值;/>表示左侧缺陷区域的平均灰度值与右侧缺陷区域的平均灰度值的第二差值;/>表示待区分图像在灰度加权更新后的短游程优势。
S7、当待区分图像在灰度加权更新后的短游程优势小于预设第二阈值时,判定待检测金属工件为单一类型的麻点缺陷,对待检测金属工件进行二次研磨;当待区分图像在灰度加权更新后的短游程优势大于等于预设第二阈值时,判定待检测金属工件为附着颗粒或粉尘的伪缺陷,对待检测金属工件进行清洗。
在步骤S6中得到了待区分图像在灰度加权更新后的短游程优势,其中,预设第二阈值的取值为0,根据S的取值来确定该缺陷属于那种类型,若>0,说明其灰度值变化由高到低,符合附着颗粒的灰度值变化特征,认为该金属为附着颗粒引起的伪缺陷,反之/><0,则认为该金属存在麻点缺陷。
对于只存在麻点缺陷的工件需要回收进行二次研磨以消除麻点,对于只存在附着颗粒和粉尘的金属工件因其不存在缺陷,为合格品不需要再次对其表面进行研磨,对于两者都有的金属工件,则需要先对其进行清洗,将表面附着物洗净干燥之后再进行二次研磨以消除麻点缺陷。
综上所述,本发明提供一种金属研磨麻点缺陷检测方法,根据金属工件表面麻点与表面附着颗粒粉尘的不同特性,准确的识别出金属工件表面是否为麻点缺陷,从而准确的筛选出具有麻点的金属工件对其进行二次研磨。
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 (5)
1.一种金属研磨麻点缺陷检测方法,其特征在于,该方法包括:
在设定角度光照下采集待检测金属工件表面灰度图像,当表面灰度图像中不存在边缘轮廓时判定待检测金属工件为无缺陷工件;其中,待检测金属工件为初次研磨抛光后金属工件;
当表面灰度图像中存在边缘轮廓时,将每个边缘轮廓围成的区域作为一个疑似缺陷区域,并获取由全部疑似缺陷区域构成的待区分图像;
将待区分图像中的灰度值分为多个等级得到分级后图像,构建分级后图像沿光照水平方向上的灰度游程矩阵,利用灰度游程矩阵中全部元素值计算出在光照水平方向下待区分图像的短游程优势;
利用灰度游程矩阵中全部元素值计算出在光照水平方向下待区分图像的短游程优势的步骤包括:计算出灰度游程矩阵中每个元素值占灰度游程矩阵中全部元素值总和的第二比值,并计算出得到的全部第二比值的第二和值;计算出第二比值与对应元素值在灰度游程矩阵中纵坐标平方的第三比值,并计算出得到的全部第三比值的第三和值;将第三和值与第二和值的第四比值作为在光照水平方向下待区分图像的短游程优势;
计算出待区分图像中全部疑似缺陷区域的平均面积,根据得到的平均面积计算出全部疑似缺陷区域的平均长度,利用得到的平均长度和灰度游程矩阵中全部元素值计算出第一阈值;
计算出待区分图像中全部疑似缺陷区域的平均面积的步骤包括:获取待区分图像中每个疑似缺陷区域内包含的像素点总数量;计算出全部疑似缺陷区域内包含的像素点总数量的总数量,将该总数量与待区分图像中疑似缺陷区域个数的比值作为待区分图像中全部疑似缺陷区域的平均面积;
根据得到的平均面积计算出全部疑似缺陷区域的平均长度的步骤包括:在已知疑似缺陷区域近似圆形的条件下,利用得到的平均面积计算出全部疑似缺陷区域的平均半径;将全部疑似缺陷区域的平均半径的二倍作为全部疑似缺陷区域的平均长度;
利用得到的平均长度和灰度游程矩阵中全部元素值计算出第一阈值的步骤包括:获取灰度游程矩阵中每个元素值占灰度游程矩阵中全部元素值总和的第二比值,并得到全部第二比值的第二和值;获取灰度游程矩阵中全部疑似缺陷区域四倍平均长度的倒数,计算出第二比值与该倒数平方的第五比值,并获取得到的全部第五比值的第四和值;将第四和值与第二和值的比值作为第一阈值;
当待区分图像的短游程优势小于第一阈值时,判定待检测金属工件为非单一类型的缺陷工件,对待检测金属工件进行二次研磨;
当待区分图像的短游程优势大于等于第一阈值时,获取待区分图像中任一疑似缺陷区域的中心点,按照光照垂直方向并过将该疑似缺陷区域的中心点将其分割成左右两部分,利用该左右两部分的平均灰度值,对在光照水平方向下待区分图像的短游程优势进行灰度加权更新,得到待区分图像在灰度加权更新后的短游程优势;
当待区分图像在灰度加权更新后的短游程优势小于预设第二阈值时,判定待检测金属工件为单一类型的麻点缺陷,对待检测金属工件进行二次研磨;当待区分图像在灰度加权更新后的短游程优势大于等于预设第二阈值时,判定待检测金属工件为附着颗粒或粉尘的伪缺陷,对待检测金属工件进行清洗。
2.根据权利要求1所述的一种金属研磨麻点缺陷检测方法,其特征在于,所述并获取由全部疑似缺陷区域构成的待区分图像的步骤包括:
将表面图像中每个疑似缺陷区域进行填充,获取全部疑似缺陷区域的二值图像;
将二值图像与表面灰度图像相乘,得到由全部疑似缺陷区域构成的待区分图像。
3.根据权利要求1所述的一种金属研磨麻点缺陷检测方法,其特征在于,所述将待区分图像中的灰度值分为多个等级得到分级后图像的步骤包括:
获取待区分图像中的最大灰度值和最小灰度值;
计算最大灰度值和最小灰度值的第一差值,计算该第一差值与预设划分等级数的第一比值,并将该第一比值作为每个划分等级内包含的灰度值数量;
利用每个划分等级内包含的灰度值数量、待区分图像中的最大灰度值以及待区分图像中的最小灰度值,计算出每个划分等级包含的灰度值范围;
将待区分图像中的灰度值按照所属划分等级进行标注得到分级后图像。
4.根据权利要求1所述的一种金属研磨麻点缺陷检测方法,其特征在于,所述获取待区分图像中任一疑似缺陷区域的中心点的步骤包括:
获取待区分图像中任一疑似缺陷区域沿光照水平方向的最长宽度所在的直线,获取待区分图像中任一疑似缺陷区域沿光照垂直方向的最长长度所在的直线;
将最长宽度所在的直线和最长长度所在的直线的交点,作为该疑似缺陷区域的中心点。
5.根据权利要求1所述的一种金属研磨麻点缺陷检测方法,其特征在于,所述利用该左右两部分的平均灰度值,计算出待区分图像在灰度加权更新后的短游程优势的步骤包括:
选取待区分图像中任一疑似缺陷区域作为目标疑似缺陷区域;
过目标疑似缺陷区域的中心点将其分割成左侧缺陷区域和右侧缺陷区域;
利用左侧缺陷区域内全部像素点的灰度值计算出左侧缺陷区域的平均灰度值;
利用右侧缺陷区域内全部像素点的灰度值计算出右侧缺陷区域的平均灰度值;
计算左侧缺陷区域的平均灰度值与右侧缺陷区域的平均灰度值的第二差值,将该第二差值与在光照水平方向下待区分图像的短游程优势相乘,得到待区分图像在灰度加权更新后的短游程优势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211249877.5A CN115330773B (zh) | 2022-10-12 | 2022-10-12 | 一种金属研磨麻点缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211249877.5A CN115330773B (zh) | 2022-10-12 | 2022-10-12 | 一种金属研磨麻点缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115330773A CN115330773A (zh) | 2022-11-11 |
CN115330773B true CN115330773B (zh) | 2023-03-28 |
Family
ID=83914739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211249877.5A Active CN115330773B (zh) | 2022-10-12 | 2022-10-12 | 一种金属研磨麻点缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115330773B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797361B (zh) * | 2023-02-13 | 2023-06-27 | 山东淼泰建筑科技有限公司 | 一种铝模板表面缺陷检测方法 |
CN115953398B (zh) * | 2023-03-13 | 2023-05-26 | 无锡斯达新能源科技股份有限公司 | 一种用于带钢表面的缺陷识别方法 |
CN116823924B (zh) * | 2023-08-24 | 2023-12-12 | 杭州百子尖科技股份有限公司 | 缺陷区域面积的确定方法、装置、电子设备以及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100191A (zh) * | 2022-08-22 | 2022-09-23 | 南通恒强轧辊有限公司 | 基于工业检测的金属铸件缺陷识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150024122A (ko) * | 2013-08-26 | 2015-03-06 | (주)삼성하이테크 | 차량용 부품 표면 검사 방법 |
CN115082418B (zh) * | 2022-07-14 | 2022-11-04 | 山东聊城富锋汽车部件有限公司 | 一种汽车零部件精密识别方法 |
-
2022
- 2022-10-12 CN CN202211249877.5A patent/CN115330773B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100191A (zh) * | 2022-08-22 | 2022-09-23 | 南通恒强轧辊有限公司 | 基于工业检测的金属铸件缺陷识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115330773A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115330773B (zh) | 一种金属研磨麻点缺陷检测方法 | |
CN114627111B (zh) | 一种纺织品缺陷检测识别装置 | |
CN110118775B (zh) | 厂拌水泥稳定碎石骨料组成快速检测方法 | |
CN104458755B (zh) | 一种基于机器视觉的多类型材质表面缺陷检测方法 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
CN114926463B (zh) | 一种适用于芯片电路板的生产质量检测方法 | |
CN115020267B (zh) | 一种半导体表面缺陷检测方法 | |
CN111060442B (zh) | 一种基于图像处理的油液颗粒检测方法 | |
CN108169236A (zh) | 一种基于视觉的金属表面缺陷检测方法 | |
CN115222733A (zh) | 基于图像识别的金属构件表面缺陷检测方法 | |
CN109239073B (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
CN109444169A (zh) | 一种轴承缺陷检测方法及系统 | |
CN116523923B (zh) | 一种电池外壳缺陷识别方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
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 | |
CN104867145A (zh) | 基于vibe模型的ic元件焊点缺陷检测方法 | |
CN114782416A (zh) | 基于图像识别的纺织品质量检测方法及系统 | |
CN115953407B (zh) | 基于计算机视觉的半导体设备维修系统 | |
CN116485719A (zh) | 一种用于裂缝检测的自适应canny方法 | |
CN115063620A (zh) | 一种基于比特分层罗茨风机轴承磨损检测方法 | |
CN117152135B (zh) | 一种道路施工裂缝缺陷评估检测方法 | |
CN111307820A (zh) | 一种基于机器视觉的陶瓷阀芯表面缺陷检测方法 | |
CN114359276B (zh) | 基于麻点缺陷的钢模下料优选方案获取方法 | |
JP3635762B2 (ja) | 半導体基板表面欠陥の検査方法 | |
WO2000019372A1 (en) | Pixel coding and image processing method |
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 |