CN115359044A - 一种基于图像增强的金属件表面划痕检测方法 - Google Patents
一种基于图像增强的金属件表面划痕检测方法 Download PDFInfo
- Publication number
- CN115359044A CN115359044A CN202211271065.0A CN202211271065A CN115359044A CN 115359044 A CN115359044 A CN 115359044A CN 202211271065 A CN202211271065 A CN 202211271065A CN 115359044 A CN115359044 A CN 115359044A
- Authority
- CN
- China
- Prior art keywords
- frequency
- low
- frequency gain
- different
- image
- 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
- 239000002184 metal Substances 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 230000000694 effects Effects 0.000 claims abstract description 42
- 238000012546 transfer Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000001629 suppression Effects 0.000 claims abstract description 14
- 230000007547 defect Effects 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims description 14
- 230000001965 increasing effect Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims 1
- 238000005286 illumination Methods 0.000 abstract description 15
- 238000012545 processing Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域，具体涉及一种基于图像增强的金属件表面划痕检测方法。该方法包括：计算每个低通滤波图的平均梯度，根据平均梯度随着初始半径增大的变化趋势得到截止频率；基于低频增益系数、高频增益系数、截止频率和频谱图中像素点到频谱图中心的距离构建高斯同态滤波器的传递函数；计算不同的低频增益系数对应的低频压制效果；计算不同的高频增益系数的高频提升效果；利用增强效果最大的组合内的高频增益系数和低频增益系数构建传递函数对频谱图滤波得到最优增强图；基于最优增强图得到增强灰度图，利用所述增强灰度图进行划痕检测。本发明能够排除光照的影响，准确的检测到金属件的表面的划痕缺陷。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于图像增强的金属件表面划痕检测方法。
背景技术
工业生产场景中，产品表面常常会出现划痕等缺陷，人工检测的效率低下且检测结果受观察能力制约，未成功检测到的缺陷出厂后会影响厂家的声誉及用户体验。随着计算机视觉的发展，产品表面缺陷检测多通过机器视觉完成。现有检测技术多对打光、相机分辨率和待检测部件与工业相机的相对位置要求非常高，但由于经费有限和环境局限，可能无法满足要求。为了检测到不均匀照明表面的划痕，技术有待进一步优化。
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基于图像增强的金属件表面划痕检测方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种基于图像增强的金属件表面划痕检测方法：获取只包含金属件表面的灰度图；绘制灰度图的频谱图，以频谱图的中心为圆心，初始半径为半径作圆，将圆内的像素点像素值置为第一预设值，圆外的像素点置为第二预设值得到滤波图；按照固定间隔不断增大初始半径获得不同的滤波图；基于不同的滤波图与频谱图得到不同的低通滤波图；计算每个低通滤波图的平均梯度，根据平均梯度随着初始半径增大的变化趋势得到截止频率；
基于低频增益系数、高频增益系数、截止频率和频谱图中像素点到频谱图中心的距离构建高斯同态滤波器的传递函数；固定高频增益函数为第一预设值，按照固定间隔不断增大低频增益系数，得到不同的低频增益系数，计算不同的低频增益系数对应的低频压制效果；
固定低频增益系数为第二预设值，按照第一固定间隔不断增大高频增益系数得到不同的高频增益系数；计算不同的高频增益系数的高频提升效果；不同的高频增益系数和不同的低频增益系数相互组合得到不同组合，不同组合内高频增益系数的高频提升效果和低频增益系数对应的低频压制效果的乘积为不同组合的增强效果；利用增强效果最大的组合内的高频增益系数和低频增益系数构建传递函数对频谱图滤波得到最优增强图；基于最优增强图得到增强灰度图，利用所述增强灰度图进行划痕检测，
优选地，基于不同的滤波图与频谱图得到不同的低通滤波图包括：分别将不同的滤波图与频谱图相乘并进行傅里叶逆变换得到不同的低通滤波图。
优选地，计算每个低通滤波图的平均梯度，根据平均梯度随着初始半径增大的变化趋势得到截止频率包括：
所述平均梯度为：
其中，
表示第i个低通滤波图的平均梯度；M和N分别表示低通滤波图的长和宽；
和
分别表示第n个像素点的水平方向的梯度和竖直方向的梯度；
根据每个低通滤波图的平均梯度和每个低通滤波图对应的半径进行曲线拟合，曲线的纵坐标为每个低通滤波图的平均梯度，横坐标为每个低通滤波图对应的半径；求得所述曲线上斜率最大的点对应的横坐标，为截止频率。
优选地，高斯同态滤波器的传递函数为：
其中，
表示高斯同态滤波器的传递函数；
和
分别表示灰度图的宽度和高度；
表示高频增益系数；
表示低频增益系数；
表示常数系数；
频谱图中像素点到频谱图中心的距离；
表示截止频率；
表示以自然常数为底的指数函数。
优选地，计算不同的低频增益系数对应的低频压制效果包括：获得不同的低频增益系数对应的不同的传递函数；利用不同的低频增益系数对应的不同的传递函数的高斯同态滤波器对频谱图进行滤波获得不同的低频增益系数对应的滤波后图像；将不同的低频增益系数对应的滤波后图像进行逆变换得到不同的第一灰度图；
不同的低频增益系数对应的低频压制效果为：
其中，
表示第p个低频增益系数对应的低频压制效果；
灰度图的像素点的灰度值的方差；
表示第p个低频增益系数对应的第p个第一灰度图的像素点的灰度值的方差。
优选地，计算不同的高频增益系数的高频提升效果包括：
获得不同的高频增益系数对应的不同的传递函数；利用不同的高频增益系数对应的不同的传递函数的高斯同态滤波器对频谱图进行滤波获得不同的高频增益系数对应的滤波后图像；将不同的高频增益系数对应的滤波后图像进行逆变换得到不同的第二灰度图；
不同的高频增益系数对应的高频提升效果为：
其中，
表示第q个高频增益系数对应的高频提升效果；
灰度图的像素点的灰度值的方差；
表示第q个高频增益系数对应的第q个第二灰度图的像素点的灰度值的方差。
优选地，利用所述增强灰度图进行划痕检测包括：设置阈值，增强灰度图对进行二值化；对二值化后的增强灰度图进行边缘检测，标记检测到的边缘；计算直线边缘的长度和位置等信息，完成金属件表面划痕的缺陷检测。
本发明实施例至少具有如下有益效果：本发明针对光照不均匀的表面缺陷检测场景，为了检测到金属件表面不同长度、深浅和明显程度的划痕，保留亮区的划痕细节，增强暗区的划痕细节，用建立在频域的同态滤波器提升高频、压制低频，同时实现对图像对比度的增强和亮度范围的压缩，从而减少光照变化并锐化边缘细节，通过对图像灰度范围的调整消除光照不均匀对金属件表面划痕检测的影响。其中，高斯型同态滤波器传递函数的最优参数由计算综合增强效果得到。
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为本发明实施例提供的一种基于图像增强的金属件表面划痕检测方法的方法流程图。
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基于图像增强的金属件表面划痕检测方法，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。
下面结合附图具体的说明本发明所提供的一种基于图像增强的金属件表面划痕检测方法的具体方案。
实施例：
本发明的主要应用场景为：金属件在生产出来之后很有可能出现划痕的缺陷，划痕缺陷在一定程度上会影响金属件美观和使用，因此需要对金属件的表面的划痕缺陷进行检测。
本发明的主要目的是：针对光照不均匀的划痕检测场景，压制低频、提升高频，计算综合增强效果获取最优同态滤波参数，完成图像增强
请参阅图1，其示出了本发明实施例提供的一种基于图像增强的金属件表面划痕检测方法的方法流程图，该方法包括以下步骤：
步骤S1，获取只包含金属件表面的灰度图；绘制灰度图的频谱图，以频谱图的中心为圆心，初始半径为半径作圆，将圆内的像素点像素值置为第一预设值，圆外的像素点置为第二预设值得到滤波图；按照固定间隔不断增大初始半径获得不同的滤波图；基于不同的滤波图与频谱图得到不同的低通滤波图；计算每个低通滤波图的平均梯度，根据平均梯度随着初始半径增大的变化趋势得到截止频率。
针对光照不均匀的场景，在空间域中对图像整体的直方图均衡化会使得昏暗区域划痕的辨识度更低，进一步考虑在频域中处理图像。同态滤波分别对低频照射分量和高频反射分量进行压制和提升，高斯型同态滤波器主要涉及截止频率和增益系数两类参数，首先，基于频谱图进行不同范围的低通滤波，找到高频划痕细节出现的临界情况，得到截止频率的参考取值。
首先，采集金属件的表面的图像，通过语义分割去除背景，得到感兴趣的金属件表面图像并进行灰度化。
采集金属件的表面的图像，通过语义分割获取感兴趣的金属件表面区域并进行灰度化的具体过程如下：
（1）图像训练集为采集到的金属件的表面的图像，存在拍摄背景等无关的影响因素。对训练集图像标注标签，不感兴趣的背景区域像素点标记为0，感兴趣的金属件表面像素点标记为1。
（2）通过卷积神经网络实现像素的二分类，选择交叉熵损失函数作为模型效果的评估指标，完成语义分割。
（3）语义分割得到的图像中背景区域像素的值为0，金属件表面区域像素的值为1，以该图像作为掩膜，与原图像计算，得到只包含金属表面的金属件表面图像，计算公式如下所示：
式中
为背景区域像素点，
为金属件表面区域像素点。
对只包含金属表面的金属件表面图像进行灰度化，得到只包含金属件表面的灰度图，可以发现金属件表面有多条划痕，划痕部分的灰度值相比周围区域要低。由于照明的不均匀，亮区的长划痕比较明显，暗区的多条短划痕辨识度极低。为了将亮区和暗区的划痕都检测出来，需要增强图像，消除光照不均匀的影响。
通用直方图均衡化可以增强图片的对比度，但并不适用于光照不均匀的场景，因此需要基于频谱图中的高低频部分进行分析。进一步的，绘制灰度图的频谱图，绘制金属件表面图像的频谱图。图像中间的高亮代表低频部分，为背景区域；外围代表高频部分，是划痕的细节。越往频谱图的外侧，频率越高。
在频谱图中，以中心位置为圆心，将初始半径
的圆形区域内的像素点的像素值设为第一预设值1，圆形区域外的像素点的像素值设为第二预设值0，得到滤波图，滤波图与频谱图相乘后进行傅里叶逆变换，得到模糊的划痕不清晰的低通滤波图。按照固定间隔不断增加圆形的初始半径，固定间隔为0.1，得到半径
，基于不同的半径可以得到不同的滤波图，基于不同的滤波图与频谱图得到不同的低通滤波图，滤波后图像的细节会逐渐体现出来。通过计算不同的低通滤波图的平均梯度来确定划分高低频的截止频率
，计算公式如下：
其中，
表示第i个低通滤波图的平均梯度；M和N分别表示低通滤波图的长和宽；
和
分别表示第n个像素点的水平方向的梯度和竖直方向的梯度。
随着低通滤波范围的增大，低通滤波图由一片模糊逐渐开始出现划痕细节，平均梯度会增大。绘制低通滤波图的平均梯度和半径的关系图，找到切线斜率最大处对应的半径，以此值作为截止频率
。这是图像划痕细节能否得以展现的临界值，可以在频谱图中将需要压制的低频分量和需要提高的高频分量区分开。
至此，基于灰度图的频谱图，多范围低通滤波得到截止频率，划分低频和高频分量的过程完成。
步骤S2，基于低频增益系数、高频增益系数、截止频率和频谱图中像素点到频谱图中心的距离构建高斯同态滤波器的传递函数；固定高频增益函数为第一预设值，按照固定间隔不断增大低频增益系数，得到不同的低频增益系数，计算不同的低频增益系数对应的低频压制效果。
为了消除不均匀光照的影响，增强图像的高频部分细节，用频域上的同态滤波器可以尽量减少因光照变化引起的图像质量下降，有效增强感兴趣的划痕区域。在完成对低频和高频的划分后，截止频率的取值确定，对图像进行多种增益系数的高斯同态滤波，减少照射分量所对应的低频的贡献，增加反射分量所对应的高频的贡献。计算经过不同参数同态滤波后图像的增强程度，得到最优参数。
将图像
表示为照射分量
和反射分量
的乘积。对图像先后进行对数运算和傅立叶变换。再用高斯同态滤波器
去与傅里叶变换结果相乘，高斯同态滤波器的传递函数如下所示：
其中，
表示高斯同态滤波器的传递函数；
和
分别表示灰度图的宽度和高度；
表示高频增益系数；
表示低频增益系数；
表示常数系数；
频谱图中像素点到频谱图中心的距离；
表示截止频率；
表示以自然常数为底的指数函数；
计算灰度图的像素点的灰度值的方差，作为频域同态滤波后增强效果评价的基准，计算公式如下所示：
逻辑：
是灰度图的灰度方差，其中
和
分别代表图像的宽度和高度，
是像素的灰度值。以未经增强处理的灰度特征作为图像增强效果的评价基准，选择增益参数，使低频分量和高频分量的综合增强效果最强。
在频谱图中完成对低频分量和高频分量的划分后，对以中心位置为圆心，截止频率
为半径的区域内的低频分量进行压制：低频增益系数
的取值以固定间隔0.1遍历0到1，高频增益系数
取值固定为第一预设值1，得到多个不同的低频增益系数和多个不同的低频增益系数对应的传递函数；利用不同的低频增益系数对应的不同的传递函数的高斯同态滤波器对频谱图进行滤波获得不同的低频增益系数对应的滤波后图像；将不同的低频增益系数对应的滤波后图像进行逆变换得到不同的第一灰度图，也即是基于傅里叶变换结果进行滤波，再进行傅里叶逆变换和指数运算，得到多个不同的低频增益系数对应的增强图像；计算每个增强图像的灰度方差
，与灰度图的灰度方差
对比得到低频压制效果
，计算公式如下所示：
经过低频向量的压制，与原图的灰度方差
相比，图像的灰度方差会变小，变小的程度越大，说明低频压制的效果越好。考虑到值域大于1的增强效果更易于理解，在占比的基础上加1。每一个低频增益系数都对应一个低频压制效果。其中，
表示第p个低频增益系数对应的低频压制效果；
灰度图的像素点的灰度值的方差；
表示第p个低频增益系数对应的第p个第一灰度图的像素点的灰度值的方差。
步骤S3，固定低频增益系数为第二预设值，按照第一固定间隔不断增大高频增益系数得到不同的高频增益系数；计算不同的高频增益系数的高频提升效果；不同的高频增益系数和不同的低频增益系数相互组合得到不同组合，不同组合内高频增益系数的高频提升效果和低频增益系数对应的低频压制效果的乘积为不同组合的增强效果；利用增强效果最大的组合内的高频增益系数和低频增益系数构建传递函数对频谱图滤波得到最优增强图；基于最优增强图得到增强灰度图，利用所述增强灰度图进行划痕检测。
压制了低频分量，还需提升高频分量。对以中心位置为圆心，截止频率
为半径的区域外的高频分量进行提升：高频增益系数
的取值以第一固定间隔0.2遍历1到3得到不同的高频增益系数，低频增益系数
取值固定为第二预设值0，得到不同的高频增益系数对应的传递函数，利用不同的高频增益系数对应的不同的传递函数的高斯同态滤波器对频谱图进行滤波获得不同的高频增益系数对应的滤波后图像；将不同的高频增益系数对应的滤波后图像进行逆变换得到不同的第二灰度图，也即是基于傅里叶变换结果进行滤波，再进行傅里叶逆变换和指数运算，得到多个高频提升后的增强图像。计算增强图像的灰度方差
，与原图的灰度方差
对比得到高频提升效果
，计算公式如下所示：
逻辑：经过高频向量的提升，与原图的灰度方差
相比，图像的灰度方差会变大，变大的程度越大，说明高频提升的增强效果越好。同理，值域大于1的增强效果更易于理解，在占比的基础上加1。每一个高频增益取值都对应一个高频提升效果。
将不同的低频增益系数和高频增益系数随机进行组合，得到不同的组合，计算不同组合的增强效果：
对于光照不均匀的图像，需要对低频分量和高频分量分别进行压制和提升，最终的综合增强效果取决于两者乘积。低频压制效果越好并且高频提升效果越好，图像的综合增强效果才越好；获得增强效果最大的组合，利用增强效果最大的组合内的高频增益系数和低频增益系数构建传递函数对频谱图滤波得到最优增强图。
对频谱图进行逆变换得到增强灰度图，增强灰度图相比于原图和灰度均衡化后的图像，光照明亮和昏暗区域的划痕细节都得到了增强。得到增强灰度图后，利用阈值分割的方法完成金属面的划痕的检测，划痕部分的灰度值和周围正常部分相比要暗。经过同态滤波增强，图像中的划痕细节变得更加明显，设置阈值，增强灰度图对进行二值化；对二值化后的增强灰度图进行边缘检测，标记检测到的边缘；计算直线边缘的长度和位置等信息，完成金属件表面划痕的缺陷检测。
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。且上述对本说明书特定实施例进行了描述。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 (7)
1.一种基于图像增强的金属件表面划痕检测方法，其特征在于，该方法包括：
获取只包含金属件表面的灰度图；绘制灰度图的频谱图，以频谱图的中心为圆心，初始半径为半径作圆，将圆内的像素点像素值置为第一预设值，圆外的像素点置为第二预设值得到滤波图；按照固定间隔不断增大初始半径获得不同的滤波图；基于不同的滤波图与频谱图得到不同的低通滤波图；计算每个低通滤波图的平均梯度，根据平均梯度随着初始半径增大的变化趋势得到截止频率；
基于低频增益系数、高频增益系数、截止频率和频谱图中像素点到频谱图中心的距离构建高斯同态滤波器的传递函数；固定高频增益函数为第一预设值，按照固定间隔不断增大低频增益系数，得到不同的低频增益系数，计算不同的低频增益系数对应的低频压制效果；
固定低频增益系数为第二预设值，按照第一固定间隔不断增大高频增益系数得到不同的高频增益系数；计算不同的高频增益系数的高频提升效果；不同的高频增益系数和不同的低频增益系数相互组合得到不同组合，不同组合内高频增益系数的高频提升效果和低频增益系数对应的低频压制效果的乘积为不同组合的增强效果；利用增强效果最大的组合内的高频增益系数和低频增益系数构建传递函数对频谱图滤波得到最优增强图；基于最优增强图得到增强灰度图，利用所述增强灰度图进行划痕检测。
2.根据权利要求1所述的一种基于图像增强的金属件表面划痕检测方法，其特征在于，所述基于不同的滤波图与频谱图得到不同的低通滤波图包括：
分别将不同的滤波图与频谱图相乘并进行傅里叶逆变换得到不同的低通滤波图。
3.根据权利要求1所述的一种基于图像增强的金属件表面划痕检测方法，其特征在于，所述计算每个低通滤波图的平均梯度，根据平均梯度随着初始半径增大的变化趋势得到截止频率包括：
所述平均梯度为：
其中，
表示第i个低通滤波图的平均梯度；M和N分别表示低通滤波图的长和宽；
和
分别表示第n个像素点的水平方向的梯度和竖直方向的梯度；
根据每个低通滤波图的平均梯度和每个低通滤波图对应的半径进行曲线拟合，曲线的纵坐标为每个低通滤波图的平均梯度，横坐标为每个低通滤波图对应的半径；求得所述曲线上斜率最大的点对应的横坐标，为截止频率。
4.根据权利要求1所述的一种基于图像增强的金属件表面划痕检测方法，其特征在于，所述高斯同态滤波器的传递函数为：
其中，
表示高斯同态滤波器的传递函数；
和
分别表示灰度图的宽度和高度；
表示高频增益系数；
表示低频增益系数；
表示常数系数；
频谱图中像素点到频谱图中心的距离；
表示截止频率；
表示以自然常数为底的指数函数。
5.根据权利要求1所述的一种基于图像增强的金属件表面划痕检测方法，其特征在于，所述计算不同的低频增益系数对应的低频压制效果包括：获得不同的低频增益系数对应的不同的传递函数；利用不同的低频增益系数对应的不同的传递函数的高斯同态滤波器对频谱图进行滤波获得不同的低频增益系数对应的滤波后图像；将不同的低频增益系数对应的滤波后图像进行逆变换得到不同的第一灰度图；
不同的低频增益系数对应的低频压制效果为：
其中，
表示第p个低频增益系数对应的低频压制效果；
灰度图的像素点的灰度值的方差；
表示第p个低频增益系数对应的第p个第一灰度图的像素点的灰度值的方差。
6.根据权利要求1所述的一种基于图像增强的金属件表面划痕检测方法，其特征在于，所述计算不同的高频增益系数的高频提升效果包括：
获得不同的高频增益系数对应的不同的传递函数；利用不同的高频增益系数对应的不同的传递函数的高斯同态滤波器对频谱图进行滤波获得不同的高频增益系数对应的滤波后图像；将不同的高频增益系数对应的滤波后图像进行逆变换得到不同的第二灰度图；
不同的高频增益系数对应的高频提升效果为：
其中，
表示第q个高频增益系数对应的高频提升效果；
灰度图的像素点的灰度值的方差；
表示第q个高频增益系数对应的第q个第二灰度图的像素点的灰度值的方差。
7.根据权利要求1所述的一种基于图像增强的金属件表面划痕检测方法，其特征在于，所述利用所述增强灰度图进行划痕检测包括：设置阈值，增强灰度图对进行二值化；对二值化后的增强灰度图进行边缘检测，标记检测到的边缘；计算直线边缘的长度和位置等信息，完成金属件表面划痕的缺陷检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211271065.0A CN115359044B (zh) | 2022-10-18 | 2022-10-18 | 一种基于图像增强的金属件表面划痕检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211271065.0A CN115359044B (zh) | 2022-10-18 | 2022-10-18 | 一种基于图像增强的金属件表面划痕检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115359044A true CN115359044A (zh) | 2022-11-18 |
| CN115359044B CN115359044B (zh) | 2023-03-24 |
Family
ID=84007899
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211271065.0A Active CN115359044B (zh) | 2022-10-18 | 2022-10-18 | 一种基于图像增强的金属件表面划痕检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115359044B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114998343A (zh) * | 2022-08-04 | 2022-09-02 | 南通广信塑料机械有限公司 | 基于视觉的模具表面抛光程度检测方法 |
| CN115830013A (zh) * | 2023-02-08 | 2023-03-21 | 磐石重工(青岛)股份有限公司 | 基于机器视觉的压力容器焊缝缺陷检测方法 |
| CN117232791A (zh) * | 2023-11-07 | 2023-12-15 | 智翼博智能科技(苏州)有限公司 | 一种光学膜表面瑕疵缺陷智能检测方法 |
| CN117455870A (zh) * | 2023-10-30 | 2024-01-26 | 太康精密（中山）有限公司 | 一种连接线和连接器质量视觉检测方法 |
| CN117830184A (zh) * | 2024-03-06 | 2024-04-05 | 陕西长空齿轮有限责任公司 | 一种金相图像增强方法及系统 |
| CN117830184B (zh) * | 2024-03-06 | 2024-05-31 | 陕西长空齿轮有限责任公司 | 一种金相图像增强方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102215323A (zh) * | 2010-04-09 | 2011-10-12 | 斯耐尔有限公司 | 图像划痕损伤的修复 |
| CN102750682A (zh) * | 2012-07-17 | 2012-10-24 | 中国矿业大学(北京) | 一种处理矿工人脸图像与煤面光照不均的图像预处理方法 |
| CN106157303A (zh) * | 2016-06-24 | 2016-11-23 | 浙江工商大学 | 一种基于机器视觉对表面检测的方法 |
| CN112488961A (zh) * | 2020-12-16 | 2021-03-12 | 四川长虹电器股份有限公司 | 一种基于对数方程的t参数同态滤波方法 |
-
2022
- 2022-10-18 CN CN202211271065.0A patent/CN115359044B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102215323A (zh) * | 2010-04-09 | 2011-10-12 | 斯耐尔有限公司 | 图像划痕损伤的修复 |
| CN102750682A (zh) * | 2012-07-17 | 2012-10-24 | 中国矿业大学(北京) | 一种处理矿工人脸图像与煤面光照不均的图像预处理方法 |
| CN106157303A (zh) * | 2016-06-24 | 2016-11-23 | 浙江工商大学 | 一种基于机器视觉对表面检测的方法 |
| CN112488961A (zh) * | 2020-12-16 | 2021-03-12 | 四川长虹电器股份有限公司 | 一种基于对数方程的t参数同态滤波方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114998343A (zh) * | 2022-08-04 | 2022-09-02 | 南通广信塑料机械有限公司 | 基于视觉的模具表面抛光程度检测方法 |
| CN115830013A (zh) * | 2023-02-08 | 2023-03-21 | 磐石重工(青岛)股份有限公司 | 基于机器视觉的压力容器焊缝缺陷检测方法 |
| CN115830013B (zh) * | 2023-02-08 | 2023-05-16 | 磐石重工(青岛)股份有限公司 | 基于机器视觉的压力容器焊缝缺陷检测方法 |
| CN117455870A (zh) * | 2023-10-30 | 2024-01-26 | 太康精密（中山）有限公司 | 一种连接线和连接器质量视觉检测方法 |
| CN117455870B (zh) * | 2023-10-30 | 2024-04-16 | 太康精密（中山）有限公司 | 一种连接线和连接器质量视觉检测方法 |
| CN117232791A (zh) * | 2023-11-07 | 2023-12-15 | 智翼博智能科技(苏州)有限公司 | 一种光学膜表面瑕疵缺陷智能检测方法 |
| CN117232791B (zh) * | 2023-11-07 | 2024-02-09 | 智翼博智能科技(苏州)有限公司 | 一种光学膜表面瑕疵缺陷智能检测方法 |
| CN117830184A (zh) * | 2024-03-06 | 2024-04-05 | 陕西长空齿轮有限责任公司 | 一种金相图像增强方法及系统 |
| CN117830184B (zh) * | 2024-03-06 | 2024-05-31 | 陕西长空齿轮有限责任公司 | 一种金相图像增强方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115359044B (zh) | 2023-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115359044B (zh) | 一种基于图像增强的金属件表面划痕检测方法 | |
| CN116168026B (zh) | 基于计算机视觉的水质检测方法及系统 | |
| CN107220988B (zh) | 基于改进canny算子的零部件图像边缘提取方法 | |
| CN113963042B (zh) | 基于图像处理的金属零件缺陷程度评估方法 | |
| CN115937216B (zh) | 一种新能源汽车用磁转子外观质量检测方法 | |
| CN108876768B (zh) | 导光板暗影缺陷检测方法 | |
| CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
| CN113034452B (zh) | 一种焊件轮廓检测方法 | |
| CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
| CN116309559B (zh) | 一种中硼硅玻璃生产瑕疵智能识别方法 | |
| CN111047556B (zh) | 一种带钢表面缺陷检测方法及装置 | |
| CN116777916B (zh) | 基于泵机金属外壳的缺陷检测方法 | |
| CN115511907B (zh) | 一种用于led屏幕的划痕检测方法 | |
| CN117095008B (zh) | 一种钟表钢巴管缺陷智能检测方法 | |
| CN117437219B (zh) | 基于计算机视觉的磁胶电感不规则外观缺陷检测方法 | |
| CN115619775B (zh) | 基于图像识别的物料计数方法及装置 | |
| CN115601368A (zh) | 一种建材装备钣金件缺陷检测方法 | |
| CN114897753A (zh) | 一种低照度图像增强方法 | |
| CN114998311A (zh) | 一种基于同态滤波的零件精密度检测方法 | |
| CN115294118A (zh) | 一种船用钣金焊接缺陷识别方法 | |
| CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
| CN104616259A (zh) | 一种噪声强度自适应的非局部均值图像去噪方法 | |
| CN117274113B (zh) | 基于图像增强的碎硅片清洗效果视觉检测方法 | |
| CN117173180B (zh) | 基于图像增强的钢管缺陷智能检测方法 | |
| CN110400319A (zh) | 一种基于区域分割法的丝饼油污分割算法 |
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 |