CN115345876A - 一种基于超声图像的螺栓螺纹缺陷检测方法 - Google Patents
一种基于超声图像的螺栓螺纹缺陷检测方法 Download PDFInfo
- Publication number
- CN115345876A CN115345876A CN202211268772.4A CN202211268772A CN115345876A CN 115345876 A CN115345876 A CN 115345876A CN 202211268772 A CN202211268772 A CN 202211268772A CN 115345876 A CN115345876 A CN 115345876A
- Authority
- CN
- China
- Prior art keywords
- bolt
- defect
- image
- thread
- detected
- 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
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于超声图像的螺栓螺纹缺陷检测方法,涉及螺栓缺陷智能检测领域,所述方法包括:步骤1:获得待检测螺栓的超声界面抓取图;步骤2:从所述超声界面抓取图中提取获得螺栓超声图像;步骤3:从所述螺栓超声图像中提取获得螺纹图像;步骤4:基于密度的聚类算法从所述螺纹图像中提取获得缺陷待检测区域;步骤5:判断所述缺陷待检测区域中是否存在螺纹缺陷,若存在缺陷则对缺陷对应区域进行标识。本方法可有效检测螺栓螺纹缺陷,并定位出螺栓螺纹缺陷位置,具有精度高、适用性广、计算量小、实时性好的优点。
Description
技术领域
本发明涉及螺栓缺陷智能检测领域,具体地,涉及一种基于超声图像的螺栓螺纹缺陷检测方法。
背景技术
螺栓是由头部和螺杆(带有外螺纹的圆柱体)两部分组成的一类紧固件,需与螺母配合使用,用于紧固连接两个带有通孔的零件。螺栓由于热处理裂纹、不规则刀痕、形状缺陷等原因会导致产生疲劳源,在持续的使用过程中会产生脆性瞬断,带来安全隐患,为此需要定期检查螺栓内部是否存在缺陷,主要是检测螺纹根部是否存在裂纹,以保证设备安全运行。
对于螺栓螺纹缺陷的检测,常用的方法为渗透检测penetrant testing、磁粉检测magnetic particle testing和涡流检测eddy current testing等,这类方法属于无损检测,具有成本较低,使用灵活的特点,但其检测精度有限,且适用性不强。
目前,多利用超声设备对螺栓进行扫描,通过获得的实时扫描图像来判断螺栓是否存在缺陷。对扫面图像的判别有三种方式,一是人工的方式,虽然能检查出部分螺栓缺陷,但存在三点不足:(1)完全依赖于检测人员的专业能力,存在使用局限性;(2)需要检测人员一直紧盯屏幕,工作时间长了后,容易疲劳,影响缺陷判断质量,也影响检测进度;(3)只能判断是否有缺陷,但无法对缺陷进行定位、给出具体信息,如缺陷深度、长度等信息;二是利用获得超声图像数据,通过识别数据中的有效波峰或通过三维显式有限元模拟[9]来判断螺栓是否存在缺陷,此类方法存在计算量较大,实时性不高的缺陷。
三是基于机器视觉的检测技术,这类方法对于数据集的要求比较高,同时对检测机器的性能有一定的要求,检测效率有待进一步提升。
发明内容
针对上述方法存在的缺点,提出一种螺栓超声图像缺陷检测方法,本方法可有效检测螺栓螺纹缺陷,并定位出螺栓螺纹缺陷位置,具有精度高、适用性广、计算量小、实时性好的优点。
为实现上述目的,本发明提供了一种基于超声图像的螺栓螺纹缺陷检测方法,所述方法包括:
步骤1:获得待检测螺栓的超声界面抓取图;
步骤2:从所述超声界面抓取图中提取获得螺栓超声图像;
步骤3:从所述螺栓超声图像中提取获得螺纹图像;
步骤4:基于密度的聚类算法从所述螺纹图像中提取获得缺陷待检测区域;
步骤5:判断所述缺陷待检测区域中是否存在螺纹缺陷,若存在缺陷则对缺陷对应区域进行标识。
针对螺栓螺纹缺陷检测存在定位模糊、计算量大、实时性弱、适用性窄的问题,本发明提出了螺栓螺纹超声图像缺陷检测方法,并设计超声图像采集系统完成了螺栓螺纹缺陷的实时定位,本方法首先利用获取的超声图像,获取图像中面积较大的区域,设定为符合要求的螺纹区域;其次,根据确定的每个选定区域中心点行列坐标,利用数据集维数D和k-距离曲线确定DBSCAN(基于密度的聚类算法)参数eps和MinPts值,确定螺栓左右两侧的待检测点的坐标集;最后,利用坐标集合完成缺陷检测边界线拟合,结合由标准螺栓样件测量获得的参数δ,判断每个检测点到曲线的距离与δ的关系,完成螺栓螺纹缺陷检测,并同步定位螺栓螺纹缺陷。检测结果表明,本方法可有效检测螺栓螺纹缺陷,并定位出螺栓螺纹缺陷位置,具有精度高、适用性广、计算量小、实时性好的特点。
优选的,本方法中所述步骤1具体包括:抓取获得超声全屏图像,对所述超声全屏图像进行格式转换获得所述超声界面抓取图,能够消除图像数据噪声等干扰因素。
优选的,本方法中所述步骤2具体包括:将三通道彩色所述超声界面抓取图转为B通道图像,然后对B通道图像进行阈值化处理运用开运算以断开连通区域获得若干子区域,对若干子区域中的图像大小进行判断,提取所有子区域中面积最大的子区域获得螺栓超声图像。
由于超声界面抓取图并非是整个螺栓超声图像,需要进一步分离截取,该步骤充分利用螺栓超声图像为蓝色背景图像的特点,从彩色RGB三通道图中分离出蓝色B通道图像,通过其面积最大的特点分离截取出螺栓超声图像。
优选的,本方法中所述步骤3具体包括:对所述螺栓超声图像进行区域选定,计算每个选定区域中心点行列坐标,根据行列坐标排列规则,提取获得所述螺纹图像。
由于螺纹图像中都含有R通道数值,且面积大小相对一致,中心行列具有一定的规律性,该步骤充分利用这些特点进行螺纹图像坐标点的提取。
优选的,本方法中所述步骤4具体包括:根据所述螺纹图像中的中心点行列坐标,利用数据集维数D和k-距离曲线确定参数eps和MinPts值,基于参数eps和MinPts值利用基于密度的聚类算法对每个中心点行列坐标进行聚类,确定螺栓左右两侧的待检测点的坐标集,获得所述缺陷待检测区域。
螺栓制造过程中,每个齿根间距以及深度都是较为均匀的,需要采用聚类算法就可以准确提取螺栓齿的信号图像。螺栓检测的超声图像有很多分散点,螺栓检测的超声图像最上方两个较大的显示缺陷,该缺陷其实为螺栓上顶端头和中间柱状交界处阶梯位置,所产生的界面波,但是超声图像上显示的则为缺陷形状。但是这类图像并非为缺陷,而且不是本发明检测需关心的区域,本发明需检测的区域为具有螺栓齿的那个区域,所以本发明提取图像时候,需要去除这些非螺栓区域显示点,以免给我们自动判断造成误判。
优选的,本方法中步骤5具体包括:
根据待检测点的坐标集拟合出缺陷检测曲线,获得每个检测点到缺陷检测曲线的距离|d|,若距离|d|大于或等于阈值,则判断螺纹存在缺陷,并在对应的坐标处标识,若距离|d|小于阈值,则判断螺纹无缺陷,根据螺栓缺陷判断结果,将缺陷坐标位置标注在相应图像中。
优选的,本方法中所述步骤1具体包括:使用超声波扫描仪器对待检测螺栓进行扫描,扫描时移动或转动待检测螺栓实现360°扫描。
优选的,本方法中所述基于参数eps和MinPts值利用基于密度的聚类算法对每个中心点行列坐标进行聚类,确定螺栓左右两侧的待检测点的坐标集,获得所述缺陷待检测区域,具体包括:
首先,将所有待检测点按照1至n的顺序进行编号,分别计算每个点到其他点的欧氏距离,如果以其中某一点p为圆心,以欧氏距离eps为半径作圆,其中包含点的数目大于MinPts,则创建一个以p为核心对象的簇,如此可找到多个以某点为核心对象的簇;然后,判断每个簇中是否有共同的点,如果有则为直接密度可达,可合并簇;最后,当没有新的点添加到任何簇时,该过程结束。
优选的,本方法中根据待检测点的坐标集利用最小二乘法进行拟合得到缺陷检测直线。
构建检测直线模型,该模型为:
其中,ω为该直线的斜率,b表示截距;
利用式(2)所示的方程求解式(1)中的参数ω和b,其中N为数据点数,
螺纹缺陷坐标为(x 0, y 0),则通过式(3)判断是否为缺陷:
其中,d为点(x 0, y 0)到式(1)的距离,δ为阈值。
本发明提供的一个或多个技术方案,至少具有如下技术效果或优点:
本方法通过对超声图像中面积较大的螺纹区域进行DBSCAN图像聚类,获得了螺栓螺纹两侧的坐标集合,通过对坐标集合实施拟合给出了缺陷检测边界线,只需判断待检测点与边界线之间的位置关系即可完成螺栓螺纹的缺陷检测,设计完成螺栓螺纹缺陷检测系统可有效完成螺栓螺纹缺陷检测,具备精度高、适用性广、计算量小、实时性好的技术效果。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本发明的一部分,并不构成对本发明实施例的限定;
图1是螺栓超声图像缺陷检测方法流程示意图;
图2是螺栓两侧螺纹区域边界线示意图;
图3是螺栓超声图像缺陷检测系统工作流程示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在相互不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述范围内的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
实施例
本方法通过图像数据获取、提取超声图像、提取螺纹图像、提取缺陷区域、判断缺陷区域等步骤,通过DBSCAN螺纹区域图像提取和螺纹区域边界线确定,利用缺陷坐标与边界线的距离判断螺栓螺纹的缺陷情况,并快速定位,具有精度高、适用性广、计算量小、实时性好的特点,可广泛应用于汽车、化工、能源各业务领域。
螺栓超声图像缺陷检测方法流程如图1所示,具体包括以下流程:
(1)图像数据获取:利用QImageCollect抓取超声全屏图像,并将图片格式由QPixmap转为HImage后由 HALCON进行处理,消除图像数据噪声等干扰因素;
(2)提取超声图像:将获取的三通道的彩色图像转为R通道图像,进行阈值化处理运用开运算以断开连通区域,对区域中的图像大小进行判断,提取所有区域中面积最大的区域设定为超声图像区域;整个螺栓超声图像背景为蓝色,对于超声界面抓取图中,蓝色面积最大的区域肯定为螺栓超声区域。此步主要提取超声界面图像(只需整个蓝底区域图像),剔除其它设置界面。
(3)提取螺纹图像:对阈值化后的超声图像进行区域选定,计算每个选定区域中心点行列坐标,根据行列坐标排列规则,提取符合要求的螺纹区域,可适当增加列偏差与行偏差以便提高容错率;螺纹区域中心点在行坐标上是连续偏移的,列坐标上基本保持一致,根据该特点,可以准确得到螺纹图像中心坐标。
(4)提取缺陷区域:根据确定的每个选定区域中心点行列坐标,利用数据集维数D和k-距离曲线确定参数eps和MinPts值,从而利用DBSCAN图像聚类方法对每个中心点坐标进行聚类,确定螺栓左右两侧的待检测点的坐标集;
(5)判断缺陷区域:根据确定的螺栓左右两侧的待检测点的坐标集,拟合出缺陷检测曲线,根据每个检测点到曲线的距离|d|判断是否存在缺陷,如果|d|≥δ则出现了缺陷并在对应坐标处标识显示(δ值由标准螺栓样件测量获得),否则,螺栓没有缺陷。
(6)缺陷标识显示:根据螺栓缺陷判断结果,将缺陷坐标位置标注在图像中。至此,完成螺栓超声图像缺陷检测流程。
下面对螺纹区域图像提取与边界线确定方式进行介绍:
eps:邻域半径,即为要观察的最小半径;
MinPts:形成簇类所需的最小样本个数,如MinPts=5,形成簇类的前提是至少有一个样本的eps-邻域大于等于5。
D / dim:表示数据集聚类数据的维度。
DBSCAN螺纹区域图像提取:
DBSCAN算法流程:
标记所有对象为unvisited;
当有标记对象时:随机选取一个unvisited对象;标记为visited;如果的邻域内至少有个对象,则;创建一个新的簇,并把放入中;设是的邻域内的集合,对N中的每个点;如果点是unvisited;标记为visited;如果的e邻域至少有个对象,则把这些点添加到;如果还不是任何簇的成员,则把添加到;保存;否则标记为噪声。
DBSCAN是基于密度的聚类,主要是寻找被低密度区域分离的高密度区域。数据集中特定点的密度可以通过该点eps半径之内的点计数(包括本身)来估计,eps是一个全局的给定的半径。基于这个测度,在DBSCAN中将点分为3类:稠密区域内部的点(核心点)、稠密区域边缘上的点(边界点)和稀疏区域中的点(噪声或背景点的);3种点之间的关系,直接密度可达、密度可达和密度相连。
核心点(Core Point):在半径eps内含有超过MinPts数目的点,则该点为核心点,这些点都是在簇内;参数MinPts决定了成为核心点至少需要的数据点个数。
边界点(Border Point):在半径eps内点的数量小于MinPts,但是属于核心点的邻居。
噪声点(Noise Point):任何不是核心点或边界点的点。
直接密度可达:给定一个对象集合A,如果p在q的eps邻域内,而q是一个核心对象,则称对象p从对象q出发时是直接密度可达的(Directly Density-Reachable)。
密度可达:如果存在一个对象链p 1, p 2,…, p n , p 1=q, p n =p对于p i ∈A(1≤i≤n),p i+1是从关于eps和MinPts直接密度可达的,则对象p是从对象q关于eps和MinPts密度可达的(Density-Reachable)。
密度相连:如果存在对象O∈A,使对象p和q都是从O关于eps和MinPts密度可达的,那对象p到q是关于eps和MinPts密度相连的。
DBSCAN算法的核心思想:
(1)DBSCAN通过检查数据集中每点的eps邻域来搜索簇,如果点p的eps邻域包含的点多于MinPts个,则创建一个以p为核心对象的簇。
(2)然后,DBSCAN迭代地聚集从这些核心对象直接密度可达的对象,这个过程可能涉及一些密度可达簇的合并。
(3)当没有新的点添加到任何簇时,该过程结束。
DBSCAN算法参数设置:
(1)MinPts值:MinPts的最小值可以从数据集的维数D得到,即:
MinPts一般不小于3,也可按照维数D的2倍来确定,同时若数据集越大,MinPts的值选择的亦越大。
(2)eps值:该值由k-距离曲线(k-distance graph)得到,计算每个样本与所有样本的距离,以k=1,2,3…,n为横轴,以对应k值获得的k-means的分类损失函数误差值为纵轴,得到k-距离曲线。理论上,随着k值的增大,分类损失函数误差值会逐渐减小,此时该曲线对应拐点所对应纵坐标值k即可设置为eps。
边界线拟合与缺陷判定:
DBSCAN主要包含两个参数:eps,MinPts;
1)确定MinPts值。MinPts≥dim+1,其中dim表示数据集聚类数据的维度。
2)确定eps值,eps值可以使用绘制k-距离曲线得到,在k-距离曲线图明显拐点位置为所需的参数eps。
3)代入取得的 eps和MinPts,实施 DBSCAN 算法进行聚类。
4)扫描数据集的每一个样本点,判断样本点得类型:核心点/边界点/噪声点。
5)根据样本点得类型判断样本点的关系:密度直达/密度可达/密度相连/非密度相连。
6) 形成最终的簇类。
经过DBSCAN螺纹区域图像提取后,可以获得螺栓两侧螺纹区域的坐标簇,该坐标簇也是螺栓螺纹的边界坐标集合,此时将螺栓两侧边界坐标集合分别进行线性拟合后,就可得到螺栓的边界线,如图2所示。如果螺栓存在缺陷,则得到的超声相控阵B扫图像在缺陷处与螺栓螺纹边界线存在一个距离|d|,当|d|≥δ则可判断对应坐标处存在缺陷。
螺栓螺纹边界线的拟合可利用最小二乘法进行多元线性回归。多元线性回归模型为:
其中,w=(ω 1,ω 2, …,ω m ) T ,X=(x 1, x 2,…,x m ) T ,w和b为模型参数,令W=(w T b) T ,则式(2)可转换为:
给定数据集S={(X 1, y 1),(X 2, y 2),…,(X n , y n )},其中,X i =(x 1i , x 2i ,…,x mi ) T ,此时的X’为:
输出为:
为求取W的值,需要利用均方差最小,即:
令
对W求导得到
令式(8)为零可得W最优解的闭式解,即
此时可利用式(11)所示的方程求解式(10)中的参数ω和b,其中N为数据点数,
设螺栓超声相控阵B图像处理后获得的螺纹缺陷坐标为(x 0, y 0),则通过下式即可判断是否为缺陷
本发明实施例还提供了一种螺栓超声图像缺陷检测系统:
系统工作流程:
螺栓超声图像缺陷检测系统工作流程如图3所示,在对螺栓进行超声波扫描时要不断移动超声探头或调整螺栓位置,完成螺栓360°的缺陷检测,并将缺陷信息,如坐标值等实时的标注在超声图像上,完成螺栓缺陷检测。
(1)图像数据获取:获得待检测螺栓及超声界面抓取图。
(2)提取超声图像:提取的超声B扫图,需要通过图像分析分别找到螺栓头、双边螺纹位置,得到螺栓体整个内部区域(除开螺纹)。
(3)提取螺纹图像:螺栓头位置定位。定位方法:RGB图像通道拆分à得到B通道图像à图像灰度反置à二值化提取高亮白色部分à形态学连接区域à区域拆分à通过面积、长、宽特征提取螺栓头区域à定位螺栓头位置。
螺纹位置定位。定位方法:图像灰度反置à二值化提取高亮白色部分à形态学分离区域à区域拆分à通过特征面积提取区域à得到各区域位置à遍历各区域,通过区域排列规律提取螺纹区域。
通过以上步骤得到螺栓头、双边螺纹的位置还较为粗糙,需要将螺纹区域内图像信息为RGB图像,RGB图像拆分为R、G、B通道,对R通道阈值处理,根据设置的阈值开运算过滤,提取后有效的螺栓齿根超声图像,通过DBSCAN算法来排除螺栓头区域的图像。
(4)提取缺陷区域:获得螺栓齿根超声图像后,可生成样本数据集,如表1所示。
表1螺栓齿根超声图像样本数据集
利用DBSCAN聚类对螺纹区域图像进行提取,完成螺栓左右两侧图像的聚类,此时需要明确参数MinPts和eps。按照式(1),样本数据维数为2,故MinPts≥3,可设置MinPts参数值为3。eps值通过绘制k-距离曲线(k-distance graph)方法得到,此时可知k=5时,曲线出现拐点,此时eps值设为5。
按照MinPts=3,eps=5,利用DBSCAN对表1的样本数据集进行聚类分析。
DBSCAN图像数据点聚类计算流程如下:
Step1:顺序扫描数据集的样本点,取点P1(0,20.2)。
(1)计算P1的邻域,计算出每一点到P1的距离,如P1到P2的欧氏距离,得L(P1, P2)=11.24>eps,完成其他距离计算L(P1, Pi),i=3~40;
(2)计算出全部距离后,可知满足L≤eps的点仅有P1,故P1的eps邻域为{P1},结合MinPts=3,故P1不是核心点;
(3)完成对P1的处理。
Step2:继续顺序扫描数据集的样本点,取点P2(11,22.5)。
(1)计算P2的邻域,计算出每一点到P2的距离,如P2到P3的距离,得L(P2, P3)=2.38<eps,完成其他点到P2的距离计算;
(2)按照L<eps,计算出P2的eps邻域为{P2,P3,P4};
(3)因为P2的eps邻域含有3个点,等于MinPts,所以,P2为核心点;
(4)以P2为核心点建立簇C1,即找出所有从P2密度可达的点;
(5)P2邻域内的点都是P2直接密度可达的点,所以都属于C1;
(6)寻找P2密度可达的点,P3的邻域经计算为{P2,P3,P4,P5},因为P2密度可达P4,P4密度可达P5,所以P2密度可达P5,因此P5也属于C1;
(7)P5的邻域经计算为{P2,P3,P4,P5,P6},P6的邻域经计算为{P4,P5,P6,P7,P8},P5和P6都是核心点,所以它们邻域的点也都属于C1;
(8)依次计算,可知{P2,P3,P4,P5,P6,P7,P8,P9,P10,P11,P12,P13,P14,P15,P16,P17,P18}都属于簇C1;
(10)此时,以P1为核心点出发的那些密度可达的对象都全部处理完毕,得到簇C1,包含点{P2, P3, P4, P5, P6, P7, P8, P9, P10, P11, P12, P13, P14, P15, P16,P17, P18};
Step3:继续顺序扫描数据集的样本点,取到P19(14.1,110.2)。
(1)计算出P19的eps邻域为{P19,P20},个数小于MinPts,所以P19不是核心点。
(2)对P19处理结束。
Step4:继续顺序扫描数据集的样本点,取到P20(8.7,110.2)。
(1)计算出P20的eps邻域为{P19,P20},个数小于MinPts(3),所以P20不是核心点。
(2)对P20处理结束。
Step5:继续顺序扫描数据集的样本点,取到P21(60.3,20.3)。
(1)计算P21和P22、P23的距离,L(P21, P22)=11.23>eps,L(P21, P23)=11.74>eps;
(2)P21的eps邻域为{P21},个数小于MinPts,所以P21不是核心点。
(3)对P21处理结束。
Step6:继续顺序扫描数据集的样本点,取到P22(49.1,21.1)。
(1)计算出P22的eps邻域为{P22,P23,P24},个数等于MinPts,所以P22是核心点;
(2)以P22为核心点建立簇C2,找出所有从P22密度可达的点;
(3)P22邻域内的点都是P22直接密度可达的点,所以都属于C2;
(4)寻找P22密度可达的点,P23的邻域经计算为{P22,P23,P24,P25},因为P22密度可达P23,P23密度可达P25,所以P22密度可达P25,因此P25也属于C2;
(5)P25的邻域经计算为{P22,P23,P24,P25,P26},P26的邻域经计算为{P24,P25,P26,P27,P28},P25和P26都是核心点,所以它们邻域的点也都属于C2;
(6)依次计算,可得{P22,P23,P24,P25,P26,P27,P28,P29,P30,P31,P32,P33,P34,P35,P36,P37,P38}都属于簇C2;
(8)此时,以P21为核心点出发的那些密度可达的对象都全部处理完毕,得到簇C2,包含点{P22, P23, P24, P25, P26, P27, P28, P29, P30, P31, P32, P33, P34, P35,P36, P37, P38}。
Step7:继续顺序扫描数据集的样本点,取到P39(48.5,110.1)。
(1)计算出P39的eps邻域为{P39,P40},个数小于MinPts,所以P39不是核心点;
(2)对P39处理结束。
Step8:继续顺序扫描数据集的样本点,取到P40(55.7,110.3)。
(1)计算出P40的eps邻域为{P39,P40},个数小于MinPts,所以P40不是核心点;
(2)对P40处理结束。
Step9:最终所有的点计算完毕,算法结束。
(1)最终确定两个簇:C1和C2。
(2)簇C1,包含点{P2, P3, P4, P5, P6, P7, P8, P9, P10, P11, P12, P13,P14, P15, P16, P17, P18};
(3)簇C2,包含点{P22, P23, P24, P25, P26, P27, P28, P29, P30, P31, P32,P33, P34, P35, P36, P37, P38}。
提取簇C1和簇C2的数据坐标,即准确提取了我们所需的螺纹区域图像信息。
(5)判断缺陷区域:利用簇C 1和簇C 2数据点,完成边界线确定,分别如表2和表3所示。
表2簇C 1样本数据点
表3簇C 2样本数据点
由表2和表3样本数据点求得的边界线解析式为:
求得的边界线,根据超声相控阵B扫图像成像情况,可以判断,实际测试对象可能分布在直线两边,软件需判断是左螺纹或者右螺纹。当为左螺纹的时候,坐标点在直线右侧则可能为缺陷,在直线左侧则不是缺陷。当为右螺纹的时候,坐标点在直线左侧则可能为缺陷,在直线右侧则不是缺陷。
在实际应用中可通过去除式(12)的绝对值符号,通过距离的正负值来判断坐标点在边界线的左右方位。求得距离后,需要确定参数δ的取值,此时需要用到螺栓的标准样件。
图像采集的边界坐标点数据与计算所得各点到边界线的距离如表4所示。
表4M36螺栓边界坐标点数据
此时已知第10组数据是缺陷点位置,通过表4可知,此时距离|d|=1.03,再结合实际测试大批量其它螺栓所得图像数据,与实际超声相控阵检测B扫图像进行对比,可得参数δ=1.0时,即|d|≥δ=1.0时,可判断螺栓相应位置存在缺陷。
(6)缺陷标识显示:
根据式(12)分别求得簇C 1和簇C 2样本各点到各自边界线距离,如表5所示,结合|d|≥δ=1.0与左右螺纹的正负关系,可知左右第8组数据为实际缺陷,并根据第8组数据坐标即可完成缺陷标识的显示。
表5簇C 1和簇C 2样本各点到各自边界线距离
本发明基于螺栓螺纹超声图像,提出了螺栓螺纹缺陷实时检测和定位的方法。该方法通过对超声图像中面积较大的螺纹区域进行DBSCAN图像聚类,获得了螺栓螺纹两侧的坐标集合,通过对坐标集合实施拟合给出了缺陷检测边界线,只需判断待检测点与边界线之间的位置关系即可完成螺栓螺纹的缺陷检测,设计完成螺栓螺纹缺陷检测系统可有效完成螺栓螺纹缺陷检测,具备适用性广、计算量小、实时性好的特点,未来可继续深入研究参数δ的设置,考虑螺栓螺纹的微小缺陷检测问题。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于超声图像的螺栓螺纹缺陷检测方法,其特征在于,所述方法包括:
步骤1:获得待检测螺栓的超声界面抓取图;
步骤2:从所述超声界面抓取图中提取获得螺栓超声图像;
步骤3:从所述螺栓超声图像中提取获得螺纹图像;
步骤4:基于密度的聚类算法从所述螺纹图像中提取获得缺陷待检测区域;
步骤5:判断所述缺陷待检测区域中是否存在螺纹缺陷,若存在缺陷则对缺陷对应区域进行标识。
2.根据权利要求1所述的一种基于超声图像的螺栓螺纹缺陷检测方法,其特征在于,所述步骤1具体包括:抓取获得超声全屏图像,对所述超声全屏图像进行格式转换获得所述超声界面抓取图。
3.根据权利要求1所述的一种基于超声图像的螺栓螺纹缺陷检测方法,其特征在于,所述步骤2具体包括:将三通道彩色所述超声界面抓取图转为R通道图像,然后对R通道图像进行阈值化处理运用开运算以断开连通区域获得若干子区域,对若干子区域中的图像大小进行判断,提取所有子区域中面积最大的子区域获得螺栓超声图像。
4.根据权利要求1所述的一种基于超声图像的螺栓螺纹缺陷检测方法,其特征在于,所述步骤3具体包括:对所述螺栓超声图像进行区域选定,计算每个选定区域中心点行列坐标,根据行列坐标排列规则,提取获得所述螺纹图像。
5.根据权利要求1所述的一种基于超声图像的螺栓螺纹缺陷检测方法,其特征在于,所述步骤4具体包括:根据所述螺纹图像中的中心点行列坐标,利用数据集维数D和k-距离曲线确定参数eps和MinPts值,基于参数eps和MinPts值利用基于密度的聚类算法对每个中心点行列坐标进行聚类,确定螺栓左右两侧的待检测点的坐标集,获得所述缺陷待检测区域。
6.根据权利要求5所述的一种基于超声图像的螺栓螺纹缺陷检测方法,其特征在于,步骤5具体包括:
根据待检测点的坐标集拟合出缺陷检测曲线,获得每个检测点到缺陷检测曲线的距离|d|,若距离|d|大于或等于阈值,则判断螺纹存在缺陷,并在对应的坐标处标识,若距离|d|小于阈值,则判断螺纹无缺陷,根据螺栓缺陷判断结果,将缺陷坐标位置标注在相应图像中。
7.根据权利要求1所述的一种基于超声图像的螺栓螺纹缺陷检测方法,其特征在于,所述步骤1具体包括:使用超声波扫描仪器对待检测螺栓进行扫描,扫描时移动或转动待检测螺栓实现360°扫描。
8.根据权利要求5所述的一种基于超声图像的螺栓螺纹缺陷检测方法,其特征在于,所述基于参数eps和MinPts值利用基于密度的聚类算法对每个中心点行列坐标进行聚类,确定螺栓左右两侧的待检测点的坐标集,获得所述缺陷待检测区域,具体包括:
将所有待检测点按照1至n的顺序进行编号,分别计算每个待检测点到其他待检测点的欧氏距离,以其中某一待检测点p为圆心,以欧氏距离eps为半径作圆形,判断圆形中包含待检测点的数目是否大于MinPts,若大于则创建一个以p为核心对象的簇,遍历所有待检测点找到多个以某个待检测点为核心对象的簇;
判断每个簇中是否有共同的待检测点,若有则合并簇;
当没有新的待检测点添加到任何簇,该过程结束。
9.根据权利要求6所述的一种基于超声图像的螺栓螺纹缺陷检测方法,其特征在于,根据待检测点的坐标集利用最小二乘法进行拟合得到缺陷检测直线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211268772.4A CN115345876B (zh) | 2022-10-17 | 2022-10-17 | 一种基于超声图像的螺栓螺纹缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211268772.4A CN115345876B (zh) | 2022-10-17 | 2022-10-17 | 一种基于超声图像的螺栓螺纹缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115345876A true CN115345876A (zh) | 2022-11-15 |
CN115345876B CN115345876B (zh) | 2023-04-07 |
Family
ID=83957637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211268772.4A Active CN115345876B (zh) | 2022-10-17 | 2022-10-17 | 一种基于超声图像的螺栓螺纹缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115345876B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116558575A (zh) * | 2023-07-07 | 2023-08-08 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种地下储气井的检验方法 |
CN117103284A (zh) * | 2023-10-23 | 2023-11-24 | 深圳市精研科洁科技股份有限公司 | 基于机器视觉的机器人自动上料调控系统 |
CN117392122A (zh) * | 2023-12-07 | 2024-01-12 | 深圳前海慧联科技发展有限公司 | 基于超声波技术的螺栓无损检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007132908A (ja) * | 2005-11-14 | 2007-05-31 | Ishikawajima Harima Heavy Ind Co Ltd | 使用中のボルトネジ部の検査方法 |
CN103940908A (zh) * | 2014-04-28 | 2014-07-23 | 河海大学常州校区 | 基于dbscan及互相关算法的超声检测装置及方法 |
CN108665442A (zh) * | 2018-04-03 | 2018-10-16 | 中国空气动力研究与发展中心超高速空气动力研究所 | 红外无损检测的热图像缺陷特征增强处理方法 |
CN110163853A (zh) * | 2019-05-14 | 2019-08-23 | 广东奥普特科技股份有限公司 | 一种边缘缺陷的检测方法 |
CN110706191A (zh) * | 2019-10-14 | 2020-01-17 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种基于红外图像拼接融合算法的高压容器检测方法 |
CN210345041U (zh) * | 2019-08-08 | 2020-04-17 | 深圳运存科技有限公司 | 一种具有驱虫装置的mr16灯具 |
CN112785596A (zh) * | 2021-02-01 | 2021-05-11 | 中国铁建电气化局集团有限公司 | 基于dbscan聚类的点云图螺栓分割和高度测量方法 |
CN114850741A (zh) * | 2022-06-10 | 2022-08-05 | 东南大学 | 一种适用于平板对接焊缝的焊缝识别装置及识别方法 |
CN115018849A (zh) * | 2022-08-09 | 2022-09-06 | 江苏万容机械科技有限公司 | 基于边缘检测的瓶体歪盖识别方法 |
-
2022
- 2022-10-17 CN CN202211268772.4A patent/CN115345876B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007132908A (ja) * | 2005-11-14 | 2007-05-31 | Ishikawajima Harima Heavy Ind Co Ltd | 使用中のボルトネジ部の検査方法 |
CN103940908A (zh) * | 2014-04-28 | 2014-07-23 | 河海大学常州校区 | 基于dbscan及互相关算法的超声检测装置及方法 |
CN108665442A (zh) * | 2018-04-03 | 2018-10-16 | 中国空气动力研究与发展中心超高速空气动力研究所 | 红外无损检测的热图像缺陷特征增强处理方法 |
CN110163853A (zh) * | 2019-05-14 | 2019-08-23 | 广东奥普特科技股份有限公司 | 一种边缘缺陷的检测方法 |
CN210345041U (zh) * | 2019-08-08 | 2020-04-17 | 深圳运存科技有限公司 | 一种具有驱虫装置的mr16灯具 |
CN110706191A (zh) * | 2019-10-14 | 2020-01-17 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种基于红外图像拼接融合算法的高压容器检测方法 |
CN112785596A (zh) * | 2021-02-01 | 2021-05-11 | 中国铁建电气化局集团有限公司 | 基于dbscan聚类的点云图螺栓分割和高度测量方法 |
CN114850741A (zh) * | 2022-06-10 | 2022-08-05 | 东南大学 | 一种适用于平板对接焊缝的焊缝识别装置及识别方法 |
CN115018849A (zh) * | 2022-08-09 | 2022-09-06 | 江苏万容机械科技有限公司 | 基于边缘检测的瓶体歪盖识别方法 |
Non-Patent Citations (2)
Title |
---|
姜金岭等: "基于便携设备的螺钉状态视觉检测方法研究", 《计算机测量与控制》 * |
王凡: "基于机器视觉的螺纹缺陷检测技术研究和系统开发", 《中国优秀硕士学位论文全文数据库信息科技辑(月刊)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116558575A (zh) * | 2023-07-07 | 2023-08-08 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种地下储气井的检验方法 |
CN117103284A (zh) * | 2023-10-23 | 2023-11-24 | 深圳市精研科洁科技股份有限公司 | 基于机器视觉的机器人自动上料调控系统 |
CN117103284B (zh) * | 2023-10-23 | 2024-01-26 | 深圳市精研科洁科技股份有限公司 | 基于机器视觉的机器人自动上料调控系统 |
CN117392122A (zh) * | 2023-12-07 | 2024-01-12 | 深圳前海慧联科技发展有限公司 | 基于超声波技术的螺栓无损检测方法 |
CN117392122B (zh) * | 2023-12-07 | 2024-03-15 | 深圳前海慧联科技发展有限公司 | 基于超声波技术的螺栓无损检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115345876B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115345876B (zh) | 一种基于超声图像的螺栓螺纹缺陷检测方法 | |
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN109872300B (zh) | 一种摩擦片外观缺陷的视觉显著性检测方法 | |
CN109269951B (zh) | 基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法 | |
CN104101600B (zh) | 连铸坯断面微小裂纹检测方法 | |
CN109060836B (zh) | 基于机器视觉的高压油管接头外螺纹检测方法 | |
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
CN111369516B (zh) | 基于红外图像识别的变压器套管发热缺陷检测方法 | |
Chen et al. | Automated inspection of engineering ceramic grinding surface damage based on image recognition | |
Schmugge et al. | Crack segmentation by leveraging multiple frames of varying illumination | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN104198497A (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
CN111266315A (zh) | 基于视觉分析的矿石物料在线分拣系统及其方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
CN107490583A (zh) | 一种基于机器视觉的夹片缺陷检测方法 | |
CN111583114A (zh) | 一种管道螺纹自动测量装置及测量方法 | |
CN110096980A (zh) | 字符检测识别系统 | |
CN116563279B (zh) | 基于计算机视觉的量测开关检测方法 | |
CN104198325A (zh) | 基于计算机视觉的烟丝中梗丝比例测定方法 | |
CN113793337A (zh) | 基于人工智能的机车配件表面异常程度评估方法 | |
Ke et al. | Detection of wood surface defects based on particle swarm-genetic hybrid algorithm | |
Hu et al. | Rail surface spalling detection based on visual saliency | |
CN116485764A (zh) | 一种结构表面缺陷识别方法、系统、终端及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |