CN115423816A - 一种金属表面磨削质量检测方法 - Google Patents

一种金属表面磨削质量检测方法 Download PDF

Info

Publication number
CN115423816A
CN115423816A CN202211382282.7A CN202211382282A CN115423816A CN 115423816 A CN115423816 A CN 115423816A CN 202211382282 A CN202211382282 A CN 202211382282A CN 115423816 A CN115423816 A CN 115423816A
Authority
CN
China
Prior art keywords
burn
quasi
gray
area
acquiring
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
CN202211382282.7A
Other languages
English (en)
Other versions
CN115423816B (zh
Inventor
杨宇超
顾青龙
季永达
刘兆勇
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.)
Zhejiang Anji Circular Grinding Machine Technology Co ltd
Original Assignee
Zhejiang Anji Circular Grinding Machine Technology 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 Zhejiang Anji Circular Grinding Machine Technology Co ltd filed Critical Zhejiang Anji Circular Grinding Machine Technology Co ltd
Priority to CN202211382282.7A priority Critical patent/CN115423816B/zh
Publication of CN115423816A publication Critical patent/CN115423816A/zh
Application granted granted Critical
Publication of CN115423816B publication Critical patent/CN115423816B/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
    • G06T7/0002—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
    • G06T5/40—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
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T7/13—Edge detection
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color 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
    • G06T2207/30136—Metal
    • 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
    • G06T2207/30168—Image quality inspection
    • 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 Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种金属表面磨削质量检测方法，该方法采集磨削加工完成后的金属加工面的表面图像，识别出准烧伤像素点；获取准烧伤区域及其最小外接矩形，进而得到空间特征向量；提供提取表面图像的边缘获取边缘特征向量；基于空间特征向量、边缘特征向量以及准烧伤区域的数量获取灰度图像的线条显著度；基于灰度情况获取目标区域的烧伤指数；筛选出候选区域，基于候选区域的数量和烧伤指数以及线条显著度获取金属加工面的烧伤程度，进而评估金属加工面的磨削质量。本发明通过全方面的评估，利用图像实现了磨削烧伤的无损检测，并且适用于所有金属，适应性强。

Description

一种金属表面磨削质量检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种金属表面磨削质量检测方法。
背景技术
在对金属的表面进行磨削加工时会产生大量热量，而加工面的散热面积小，热量来不及向工件深处传递而聚集在工件表面层里形成局部高温，引起加工面金相组织的变化，出现金相组织变化层，即回火层，出现磨削烧伤。磨削造成的烧伤会使产品性能和寿命大幅下降，极有可能导致质量问题，所以需要及时对磨削加工的金属表面进行质量检测。
目前对于磨削烧伤的检测方法主要为酸洗法和磁弾法。酸洗法需要对工件表面使用酸液浸蚀，是一种破坏性检查，只能进行抽检，检测效率较低；磁弹法主要利用电感线圈形成的磁场对金属产生的效应进行分析，对检测过程中需要达到的要求较高且检测的金属需磁性较强，但较多合金无法满足这一要求。
发明内容
为了解决上述技术问题，本发明提供一种金属表面磨削质量检测方法，能够准确便捷地对磨削烧伤情况进行无损检测，且适用于所有金属。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金属表面磨削质量检测方法，该方法包括以下步骤：
采集磨削加工完成后的金属加工面的表面图像，通过对所述表面图像的灰度图像进行阈值分割识别出准烧伤像素点；
通过对准烧伤像素点进行连通域分析获取至少两个准烧伤区域，获取每个准烧伤区域的最小外接矩形，基于所述最小外接矩形获取对应准烧伤区域的空间特征向量；提取所述表面图像的边缘，利用傅里叶描述子获取边缘特征向量；
以任意一个准烧伤区域作为目标区域，基于目标区域与其他准烧伤区域的空间特征向量的相关性、边缘特征向量的差异性以及准烧伤区域的数量获取所述灰度图像的线条显著度；
获取目标区域内每个像素点在邻域区域内的灰度差异、目标区域的第一灰度均值、非准烧伤像素点的第二灰度均值，基于第一灰度均值和第二灰度均值的差异以及所述灰度差异获取对应目标区域的烧伤指数；
基于所述烧伤指数在所有准烧伤区域内筛选出候选区域，基于候选区域的数量和烧伤指数以及所述线条显著度获取金属加工面的烧伤程度，基于所述烧伤程度评估金属加工面的磨削质量。
优选的，所述准烧伤像素点的识别过程为：
对所述表面图像进行预处理，所述预处理包括滤波去噪和直方图均衡化，对预处理后的表面图像进行灰度化得到所述灰度图像，获取灰度图像的分割阈值，并筛选出灰度值小于所述分割阈值的像素点作为所述准烧伤像素点。
优选的，所述空间特征向量的获取方法为：
对于每个准烧伤区域，获取准烧伤区域的像素点数量作为第一数值，获取准烧伤区域对应的最小外接矩形的宽和高以及面积，以该面积作为第二数值，计算所述第一数值和所述第二数值的比值；对所述准烧伤区域形进行主成分分析获取主成分方向，由所述比值、宽、高、以及主成分方向组成所述空间特征向量。
优选的，所述边缘特征向量的获取方法为：
通过边缘检测提取所述灰度图像中每个准烧伤区域的边缘，利用傅里叶描述子将准烧伤区域的边缘转换为向量，在转换后向量中选取前预设数量的元素组成对应准烧伤区域的所述边缘特征向量。
优选的，所述线条显著度的获取方法为：
计算目标区域与每个其他准烧伤区域的空间特征向量之间的皮尔逊相关系数，以皮尔逊相关系数的最大值对应的其他准烧伤区域作为相关区域；获取目标区域与对应的相关区域的边缘特征向量的差异向量，基于所述皮尔逊相关系数的最大值和所述差异向量的模长获取对应目标区域的特征归属度；以所有目标向量的特征归属度的和乘上所述准烧伤区域的数量得到所述线条显著度。
优选的，所述灰度差异的获取方法为：
以目标区域内任意一个像素点作为中心点构建预设大小的窗口作为中心点的邻域区域，计算邻域区域内所有像素点的灰度值中的最大值和最小值的差值作为中心点的所述灰度差异。
优选的，所述烧伤指数的获取方法为：
计算第二灰度均值和第一灰度均值的差值，以该差值与第二灰度均值的比值作为第一灰度均值和第二灰度均值的差异；计算目标区域内所有像素点对应的灰度差异的平均值，乘上所述第一灰度均值和第二灰度均值的差异，得到对应目标区域的所述烧伤指数。
优选的，所述烧伤程度的获取方法为：
将所有目标区域的烧伤指数归一化，将归一化结果大于预设阈值的目标区域作为候选区域，并统计候选区域的数量；获取所有候选区域的烧伤指数归一化结果的和，乘上所述候选区域的数量以及所述线条显著度得到金属加工面的烧伤程度。
优选的，所述基于所述烧伤程度评估金属加工面的磨削质量，包括：
通过设置至少一个烧伤阈值将所述烧伤程度的数值进行分段，得到至少两个数值区间，每个数值区间对应一个磨削质量等级。
优选的，所述非烧伤像素点为所述灰度图像中除了准烧伤像素点以外的像素点。
本发明实施例至少具有如下有益效果：
首先通过阈值分割识别出准烧伤像素点，对表面图像中的像素点进行初步识别；然后获取多个准烧伤区域，并获取每个准烧伤区域的空间特征向量和边缘特征向量，表征准烧伤区域的形状特征和边缘特征，以便判断准烧伤区域是否存在烧伤；进一步的，通过目标区域和其他准烧伤区域的空间特征向量的相关性、边缘特征向量的差异性以及准烧伤区域的数量获取灰度图像的线条显著度，通过对比形状是否相似，边缘是否差异较小，准烧伤区域是否较多来判断整张表面图像是否更有可能出现了磨削烧伤；然后通过对比目标区域内部的灰度差异，以及目标区域和非准烧伤像素点之间的灰度差异获取烧伤指数，利用灰度差异在颜色方面进行磨削烧伤的判断；最终将线条显著度和烧伤指数相结合，得到金属加工面的烧伤程度，用于评估金属加工面的磨削质量，通过全方面的评估，利用图像实现了磨削烧伤的无损检测，并且基于多个方面的数据能够准确判断出金属加工面是否出现了磨削烧伤，且适用于所有金属，适应性强。
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提供的一种金属表面磨削质量检测方法的步骤流程图；
图2为本发明一个实施例提供的金属表面磨削烧伤示例图。
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金属表面磨削质量检测方法，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金属表面磨削质量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金属表面磨削质量检测方法的步骤流程图，该方法包括以下步骤：
步骤S001，采集磨削加工完成后的金属加工面的表面图像，通过对表面图像的灰度图像进行阈值分割识别出准烧伤像素点。
在磨削加工完成处安装工业相机，工业相机在磨削加工完成后的金属加工面正上方，照明采用环形LED光源，通过人工调试的方式获取相机和光源的最佳安装位置，使用工业相机俯视采集经过磨削加工后的金属加工面的表面图像，表面图像为RGB图像。
对表面图像进行预处理，预处理包括滤波去噪和直方图均衡化，对预处理后的表面图像进行灰度化得到灰度图像，获取灰度图像的分割阈值，并筛选出灰度值小于分割阈值的像素点作为准烧伤像素点。
在获取图像的过程中，不可避免地会受到噪声的干扰，因此需要对采集的表面图像进行去噪处理，在本发明实施例中通过中值滤波去噪技术对图像进行去噪处理。对去噪后的RGB图像进行通道分离，得到三个颜色通道，分别对每一个颜色通道进行直方图均衡化处理，然后将处理后的三个颜色通道重新组合成三通道彩色图像，完成对表面图像的预处理。
直方图均衡化和滤波去噪为公知技术，在本实施例中不再赘述具体过程。
由于磨削时产生的高温，金属表面被氧化形成氧化膜，氧化膜随着烧伤颜色依次变深变重，所以金属表面磨削质量检测一般为检测是否存在磨削烧伤以及烧伤的程度。
首先，根据氧化膜相对于金属表面颜色较深的特征，将可能为磨削烧伤出现氧化膜的位置筛选出来。将预处理后的表面图像转换为灰度图像，对灰度图像使用OTSU大津法，得到分割阈值，将小于分割阈值的像素点划分出来，这部分像素点即为金属表面上可能存在磨削烧伤的像素点，需要详细分析是否存在质量问题，记为准烧伤像素点。
步骤S002，通过对准烧伤像素点进行连通域分析获取至少两个准烧伤区域，获取每个准烧伤区域的最小外接矩形，基于最小外接矩形获取对应准烧伤区域的空间特征向量；提取表面图像的边缘，利用傅里叶描述子获取边缘特征向量。
由于磨削为在金属表面均匀工作，所以产生的氧化膜在金属表面一般会出现多个氧化膜区域，如图2所示，颜色较深的多个长条形区域为氧化膜区域，因此通过对准烧伤像素点进行连通域分析获取至少两个准烧伤区域，记准烧伤区域的数量为
Figure 656620DEST_PATH_IMAGE001
。
对于每个准烧伤区域，获取准烧伤区域的像素点数量作为第一数值，获取准烧伤区域对应的最小外接矩形的宽和高以及面积，以该面积作为第二数值，计算第一数值和第二数值的比值；对准烧伤区域进行主成分分析获取主成分方向，由比值、宽、高、以及主成分方向组成空间特征向量。
由于氧化膜区域呈较为均匀的条状，形状规则，所以准烧伤区域面积占对应的最小外接矩形的面积的比例较大时，更有可能为磨削烧伤的区域。获取准烧伤区域对应的最小外接矩形的宽w和高h，最小外接矩形的面积即为w×h，作为第二数值。准烧伤区域的像素点数量即为准烧伤区域的面积，因此第一数值和第二数值的比值即为准烧伤区域面积占对应的最小外接矩形的面积的比例，记为p。
对准烧伤区域使用主成分分析，获得对应的主成分方向，记为
Figure 906205DEST_PATH_IMAGE002
。以第i个准烧伤区域为例，根据上述指标获取对应的空间特征向量为
Figure 718303DEST_PATH_IMAGE003
，
Figure 360637DEST_PATH_IMAGE004
。
通过边缘检测提取灰度图像中每个准烧伤区域的边缘，利用傅里叶描述子将准烧伤区域的边缘转换为向量，在转换后向量中选取前预设数量的元素组成对应准烧伤区域的边缘特征向量。
对灰度图像使用canny边缘检测算子获得边缘图像，边缘图像为二值图像。对每个准烧伤区域对应的边缘使用傅里叶描述子，得到对应的向量。傅里叶描述子用一个向量表示轮廓，将轮廓数字化，从而能更好的区分不同的轮廓，达到识别物体的目的。傅里叶描述子的特点是简单并且非常高效，是识别物体形状的重要方法之一。
取该向量的前预设数量的值组成该准烧伤区域的边缘特征向量
Figure 59734DEST_PATH_IMAGE005
。同样以第i个准烧伤区域为例，对应的边缘特征向量记为
Figure 230952DEST_PATH_IMAGE006
，
Figure 514035DEST_PATH_IMAGE004
。
作为一个示例，在本发明实施例中，预设数量为10，即在利用傅里叶描述子获取的向量中选取前10个数值组成对应准烧伤区域的边缘特征向量。
步骤S003，以任意一个准烧伤区域作为目标区域，基于目标区域与其他准烧伤区域的空间特征向量的相关性、边缘特征向量的差异性以及准烧伤区域的数量获取灰度图像的线条显著度。
当两个准烧伤区域对应的空间特征向量的相关性越大时，这两个准烧伤区域越可能为磨削烧伤的位置；当两个准烧伤区域对应的边缘特征向量各位置对应的数值越接近时，则这两个边缘特征向量对应的轮廓的空间分布特征越为接近；同时，在整张灰度图像中，准烧伤区域的数量越多，越有可能出现了磨削烧伤，因此通过目标区域与其他准烧伤区域的空间特征向量的相关性、边缘特征向量的差异性以及准烧伤区域的数量获取灰度图像的线条显著度。
计算目标区域与每个其他准烧伤区域的空间特征向量之间的皮尔逊相关系数，以皮尔逊相关系数的最大值对应的其他准烧伤区域作为相关区域；获取目标区域与对应的相关区域的边缘特征向量的差异向量，基于皮尔逊相关系数的最大值和差异向量的模长获取对应目标区域的特征归属度；以所有目标向量的特征归属度的和乘上准烧伤区域的数量得到线条显著度。
同样以第i个准烧伤区域为例，将其作为目标区域，计算目标区域与其他每个准烧伤区域的空间特征向量之间的皮尔逊相关系数，筛选出皮尔逊相关系数的最大值对应的其他准烧伤区域，假设为第j个准烧伤区域，将其作为目标区域的相关区域。获取作为目标区域第i个准烧伤区域与对应的相关区域即第j个准烧伤区域的边缘特征向量的向量差作为差异向量，记为
Figure 428901DEST_PATH_IMAGE007
，则线条显著度的计算公式为：
Figure 762930DEST_PATH_IMAGE008
其中，
Figure 852853DEST_PATH_IMAGE009
表示灰度图像的线条显著度，
Figure 639543DEST_PATH_IMAGE010
表示第作为目标区域的i个准烧伤区域与对应的相关区域即第j个准烧伤区域的空间特征向量之间的皮尔逊相关系数，
Figure 92521DEST_PATH_IMAGE011
表示差异向量的模长，
Figure 795904DEST_PATH_IMAGE012
表示所有准烧伤区域对应的特征归属度
Figure 308925DEST_PATH_IMAGE013
的和。
其中分母中的1是为了避免出现分母为0的极端情况。
皮尔逊相关系数衡量了两个量之间的相关性，皮尔逊相关系数的值越大相关性越强。灰度图像中每个目标区域均可获取一个对应的特征归属度
Figure 582911DEST_PATH_IMAGE013
，相关区域代表了与该目标区域的空间特征和边缘特征最相似的区域，因此以目标区域与对应的相关区域之间的相似性代表了该目标区域与在整张灰度图像中的特征归属度。
当图像中每个准烧伤区域的对应的空间特征向量与其他准烧伤区域的对应的空间特征向量相关性越大，边缘特征向量间差异越小时，该准烧伤区域对应的特征归属度
Figure 855892DEST_PATH_IMAGE013
越大，越有可能出现磨削烧伤；当灰度图像中的准烧伤区域数量越多，越有可能出现磨削烧伤，则灰度图像对应的线条显著度
Figure 164514DEST_PATH_IMAGE009
越大。
步骤S004，获取目标区域内每个像素点在邻域区域内的灰度差异、目标区域的第一灰度均值、非准烧伤像素点的第二灰度均值，基于第一灰度均值和第二灰度均值的差异以及灰度差异获取对应目标区域的烧伤指数。
当出现氧化层时，氧化膜随着烧伤的严重程度颜色依次变深，相对于金属表面的颜色变化越大。同时，由于磨削可以降低金属的表面粗糙度，如一般磨削的表面粗糙度为Ra1.25～0.16微米，精密磨削的表面粗糙度为Ra0.16～0.04微米，超精密磨削的表面粗糙度为Ra0.04～0.01微米，镜面磨削可达Ra0.01微米以下。但高温使金属表面出现的氧化膜较为致密表面粗糙，即氧化膜在图像中对应的区域内出现粗糙的氧化膜纹理，而正常金属表面非常细腻，无明显变化的纹理。以此为基础对各准烧伤区域进行分析。
以目标区域内任意一个像素点作为中心点构建预设大小的窗口作为中心点的邻域区域，计算邻域区域内所有像素点的灰度值中的最大值和最小值的差值作为中心点的灰度差异。
作为一个示例，本发明实施例中的预设大小为3×3，即以目标区域内任意一个像素点作为中心点构建3×3的窗口作为中心点的邻域区域，记窗口内的各像素点对应的灰度值的最大值与最小值的差为该中心点对应的灰度差异，记为
Figure 848436DEST_PATH_IMAGE014
。
该准烧伤区域内各像素点的灰度值的均值为
Figure 609718DEST_PATH_IMAGE015
，即第一灰度均值，记灰度图像中所有非烧伤像素点的灰度值的均值为
Figure 184925DEST_PATH_IMAGE016
，即第二灰度均值。非烧伤像素点为灰度图像中除了准烧伤像素点以外的像素点。
第一灰度均值和第二灰度均值的差异代表了准烧伤像素点与非准烧伤像素点在灰度上的差异，即准烧伤像素点与正常像素点在灰度上的差异；每个像素点的灰度差异代表了像素点在邻域上的灰度分布情况，能够表征准烧伤区域的粗糙程度，因此结合上述两个指标计算目标区域的烧伤指数。
计算第二灰度均值和第一灰度均值的差值，以该差值与第二灰度均值的比值作为第一灰度均值和第二灰度均值的差异；计算目标区域内所有像素点对应的灰度差异的平均值，乘上第一灰度均值和第二灰度均值的差异，得到对应目标区域的烧伤指数。
同样以第i个准烧伤区域作为目标区域为例，计算烧伤指数
Figure 613632DEST_PATH_IMAGE017
：
Figure 734035DEST_PATH_IMAGE018
其中，
Figure 248193DEST_PATH_IMAGE019
表示第i个准烧伤区域内像素点的数量，
Figure 860047DEST_PATH_IMAGE020
表示第i个准烧伤区域所有像素点的灰度差异的平均值。
当准烧伤区域内像素点对应的灰度值相对于图像中非准烧伤像素点的灰度值的差异越大，说明越有可能为烧伤区域，准烧伤区域内各像素点与相邻像素点差异越大时，说明该准烧伤区域部分越粗糙，越有可能出现了磨削烧伤，该准烧伤区域对应的烧伤指数越大。
步骤S005，基于烧伤指数在所有准烧伤区域内筛选出候选区域，基于候选区域的数量和烧伤指数以及线条显著度获取金属加工面的烧伤程度，基于烧伤程度评估金属加工面的磨削质量。
将所有目标区域的烧伤指数归一化，将归一化结果大于预设阈值的目标区域作为候选区域，并统计候选区域的数量；获取所有候选区域的烧伤指数归一化结果的和，乘上候选区域的数量以及线条显著度得到金属加工面的烧伤程度。
对图像中各准烧伤区域对应的烧伤指数
Figure 877681DEST_PATH_IMAGE017
进行归一化，归一化结果记为
Figure 168985DEST_PATH_IMAGE021
。取
Figure 904860DEST_PATH_IMAGE021
大于预设阈值的准烧伤区域作为候选区域，这些准烧伤区域极有可能为磨削烧伤产生的氧化膜位置，记候选区域的数量为
Figure 821869DEST_PATH_IMAGE022
。作为一个示例，本发明实施例中预设阈值取0.55。
候选区域很有可能为磨削烧伤区域，因此以候选区域的烧伤指数表征整张灰度图像的烧伤指数，然后结合表征烧伤可能性的线条显著度以及候选区域的数量构建烧伤程度
Figure 694010DEST_PATH_IMAGE023
：
Figure 156216DEST_PATH_IMAGE024
其中，
Figure 130119DEST_PATH_IMAGE025
表示所有候选区域的烧伤指数归一化结果的和。
当灰度图像的线条显著度
Figure 335973DEST_PATH_IMAGE009
越大，候选区域对应的烧伤指数的归一化值
Figure 328199DEST_PATH_IMAGE026
越大时，越磨削烧伤越严重，则灰度图像对应的烧伤程度
Figure 226885DEST_PATH_IMAGE023
越大。
通过设置至少一个烧伤阈值将烧伤程度的数值进行分段，得到至少两个数值区间，每个数值区间对应一个磨削质量等级。
作为一个示例，本发明实施例中设置一个烧伤阈值
Figure 921041DEST_PATH_IMAGE027
。根据烧伤程度判断金属加工面的磨削质量。当烧伤程度
Figure 930585DEST_PATH_IMAGE028
时，说明该金属表面磨削质量良好；当烧伤程度
Figure 42897DEST_PATH_IMAGE029
时，则判断金属表面的磨削质量出现问题。
进一步的，本实施例对金属表面的磨削质量出现问题的程度进行细分，即再设置两个烧伤阈值
Figure 846905DEST_PATH_IMAGE030
和
Figure 526892DEST_PATH_IMAGE031
：当
Figure 74548DEST_PATH_IMAGE032
时，说明金属表面出现轻微磨削烧伤；当
Figure 306946DEST_PATH_IMAGE033
时，说明金属表面出现中度磨削烧伤；当
Figure 281855DEST_PATH_IMAGE034
时，说明金属表面出现重度磨削烧伤。
在本发明实施例中通过设置三个烧伤阈值获取四个磨削质量等级，根据计算得到的烧伤程度所在的数值区间确定对应的磨削质量。
作为一个示例，在本发明实施例中
Figure 216182DEST_PATH_IMAGE027
取值为11.16，
Figure 567529DEST_PATH_IMAGE030
取值为25，
Figure 388855DEST_PATH_IMAGE031
取值为35。
综上所述，本发明实施例采集磨削加工完成后的金属加工面的表面图像，通过对表面图像的灰度图像进行阈值分割识别出准烧伤像素点；通过对准烧伤像素点进行连通域分析获取至少两个准烧伤区域，获取每个准烧伤区域的最小外接矩形，基于最小外接矩形获取对应准烧伤区域的空间特征向量；提取表面图像的边缘，利用傅里叶描述子获取边缘特征向量；以任意一个准烧伤区域作为目标区域，基于目标区域与其他准烧伤区域的空间特征向量的相关性、边缘特征向量的差异性以及准烧伤区域的数量获取灰度图像的线条显著度；获取目标区域内每个像素点在邻域区域内的灰度差异、目标区域的第一灰度均值、非准烧伤像素点的第二灰度均值，基于第一灰度均值和第二灰度均值的差异以及灰度差异获取对应目标区域的烧伤指数；基于烧伤指数在所有准烧伤区域内筛选出候选区域，基于候选区域的数量和烧伤指数以及线条显著度获取金属加工面的烧伤程度，基于烧伤程度评估金属加工面的磨削质量。本发明实施例通过全方面的评估，利用图像实现了磨削烧伤的无损检测，并且基于多个方面的数据能够准确判断出金属加工面是否出现了磨削烧伤，且适用于所有金属，适应性强。
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或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。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；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，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范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种金属表面磨削质量检测方法，其特征在于，该方法包括以下步骤：
采集磨削加工完成后的金属加工面的表面图像，通过对所述表面图像的灰度图像进行阈值分割识别出准烧伤像素点；
通过对准烧伤像素点进行连通域分析获取至少两个准烧伤区域，获取每个准烧伤区域的最小外接矩形，基于所述最小外接矩形获取对应准烧伤区域的空间特征向量；提取所述表面图像的边缘，利用傅里叶描述子获取边缘特征向量；
以任意一个准烧伤区域作为目标区域，基于目标区域与其他准烧伤区域的空间特征向量的相关性、边缘特征向量的差异性以及准烧伤区域的数量获取所述灰度图像的线条显著度；
获取目标区域内每个像素点在邻域区域内的灰度差异、目标区域的第一灰度均值、非准烧伤像素点的第二灰度均值，基于第一灰度均值和第二灰度均值的差异以及所述灰度差异获取对应目标区域的烧伤指数；
基于所述烧伤指数在所有准烧伤区域内筛选出候选区域，基于候选区域的数量和烧伤指数以及所述线条显著度获取金属加工面的烧伤程度，基于所述烧伤程度评估金属加工面的磨削质量。
2.根据权利要求1所述的一种金属表面磨削质量检测方法，其特征在于，所述准烧伤像素点的识别过程为：
对所述表面图像进行预处理，所述预处理包括滤波去噪和直方图均衡化，对预处理后的表面图像进行灰度化得到所述灰度图像，获取灰度图像的分割阈值，并筛选出灰度值小于所述分割阈值的像素点作为所述准烧伤像素点。
3.根据权利要求1所述的一种金属表面磨削质量检测方法，其特征在于，所述空间特征向量的获取方法为：
对于每个准烧伤区域，获取准烧伤区域的像素点数量作为第一数值，获取准烧伤区域对应的最小外接矩形的宽和高以及面积，以该面积作为第二数值，计算所述第一数值和所述第二数值的比值；对所述准烧伤区域形进行主成分分析获取主成分方向，由所述比值、宽、高、以及主成分方向组成所述空间特征向量。
4.根据权利要求1所述的一种金属表面磨削质量检测方法，其特征在于，所述边缘特征向量的获取方法为：
通过边缘检测提取所述灰度图像中每个准烧伤区域的边缘，利用傅里叶描述子将准烧伤区域的边缘转换为向量，在转换后向量中选取前预设数量的元素组成对应准烧伤区域的所述边缘特征向量。
5.根据权利要求1所述的一种金属表面磨削质量检测方法，其特征在于，所述线条显著度的获取方法为：
计算目标区域与每个其他准烧伤区域的空间特征向量之间的皮尔逊相关系数，以皮尔逊相关系数的最大值对应的其他准烧伤区域作为相关区域；获取目标区域与对应的相关区域的边缘特征向量的差异向量，基于所述皮尔逊相关系数的最大值和所述差异向量的模长获取对应目标区域的特征归属度；以所有目标向量的特征归属度的和乘上所述准烧伤区域的数量得到所述线条显著度。
6.根据权利要求1所述的一种金属表面磨削质量检测方法，其特征在于，所述灰度差异的获取方法为：
以目标区域内任意一个像素点作为中心点构建预设大小的窗口作为中心点的邻域区域，计算邻域区域内所有像素点的灰度值中的最大值和最小值的差值作为中心点的所述灰度差异。
7.根据权利要求1所述的一种金属表面磨削质量检测方法，其特征在于，所述烧伤指数的获取方法为：
计算第二灰度均值和第一灰度均值的差值，以该差值与第二灰度均值的比值作为第一灰度均值和第二灰度均值的差异；计算目标区域内所有像素点对应的灰度差异的平均值，乘上所述第一灰度均值和第二灰度均值的差异，得到对应目标区域的所述烧伤指数。
8.根据权利要求1所述的一种金属表面磨削质量检测方法，其特征在于，所述烧伤程度的获取方法为：
将所有目标区域的烧伤指数归一化，将归一化结果大于预设阈值的目标区域作为候选区域，并统计候选区域的数量；获取所有候选区域的烧伤指数归一化结果的和，乘上所述候选区域的数量以及所述线条显著度得到金属加工面的烧伤程度。
9.根据权利要求1所述的一种金属表面磨削质量检测方法，其特征在于，所述基于所述烧伤程度评估金属加工面的磨削质量，包括：
通过设置至少一个烧伤阈值将所述烧伤程度的数值进行分段，得到至少两个数值区间，每个数值区间对应一个磨削质量等级。
10.根据权利要求1所述的一种金属表面磨削质量检测方法，其特征在于，所述非烧伤像素点为所述灰度图像中除了准烧伤像素点以外的像素点。
CN202211382282.7A 2022-11-07 2022-11-07 一种金属表面磨削质量检测方法 Active CN115423816B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211382282.7A CN115423816B (zh) 2022-11-07 2022-11-07 一种金属表面磨削质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211382282.7A CN115423816B (zh) 2022-11-07 2022-11-07 一种金属表面磨削质量检测方法

Publications (2)

Publication Number Publication Date
CN115423816A true CN115423816A (zh) 2022-12-02
CN115423816B CN115423816B (zh) 2023-03-24

Family

ID=84207438

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211382282.7A Active CN115423816B (zh) 2022-11-07 2022-11-07 一种金属表面磨削质量检测方法

Country Status (1)

Country Link
CN (1) CN115423816B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563295A (zh) * 2023-07-12 2023-08-08 无锡康贝电子设备有限公司 一种切削屑缠绕状态视觉检测方法
CN118365641A (zh) * 2024-06-19 2024-07-19 宝鸡拓普达钛业有限公司 基于图像处理的钛合金棒材质量检测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1865947A (zh) * 2006-05-30 2006-11-22 南京航空航天大学 一种基于ccd图像特征的机械加工表面烧伤评价方法
WO2013110021A1 (en) * 2012-01-20 2013-07-25 Harvard Bioscience, Inc. Method for evaluating tissue injuries
CN109872316A (zh) * 2019-02-21 2019-06-11 南京航空航天大学 一种基于hsv颜色空间模型的磨削烧伤定量表征方法
CN114140462A (zh) * 2021-12-10 2022-03-04 江苏牛犇轴承有限公司 一种基于图像处理的轴承磨损程度评估方法
CN114209284A (zh) * 2021-12-30 2022-03-22 山东大学 烧伤创面表层组织活性检测系统
JP2022091636A (ja) * 2020-12-09 2022-06-21 株式会社ノリタケカンパニーリミテド 金属部品の研削焼け評価装置および研削焼け評価方法
CN115100197A (zh) * 2022-08-24 2022-09-23 启东市群鹤机械设备有限公司 一种工件磨削加工表面烧伤检测方法
CN115222733A (zh) * 2022-09-19 2022-10-21 山东金源不锈钢制品有限公司 基于图像识别的金属构件表面缺陷检测方法
CN115240030A (zh) * 2022-07-18 2022-10-25 南京航空航天大学 一种基于深度卷积神经网络的齿轮磨削烧伤分割方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1865947A (zh) * 2006-05-30 2006-11-22 南京航空航天大学 一种基于ccd图像特征的机械加工表面烧伤评价方法
WO2013110021A1 (en) * 2012-01-20 2013-07-25 Harvard Bioscience, Inc. Method for evaluating tissue injuries
CN109872316A (zh) * 2019-02-21 2019-06-11 南京航空航天大学 一种基于hsv颜色空间模型的磨削烧伤定量表征方法
JP2022091636A (ja) * 2020-12-09 2022-06-21 株式会社ノリタケカンパニーリミテド 金属部品の研削焼け評価装置および研削焼け評価方法
CN114140462A (zh) * 2021-12-10 2022-03-04 江苏牛犇轴承有限公司 一种基于图像处理的轴承磨损程度评估方法
CN114209284A (zh) * 2021-12-30 2022-03-22 山东大学 烧伤创面表层组织活性检测系统
CN115240030A (zh) * 2022-07-18 2022-10-25 南京航空航天大学 一种基于深度卷积神经网络的齿轮磨削烧伤分割方法
CN115100197A (zh) * 2022-08-24 2022-09-23 启东市群鹤机械设备有限公司 一种工件磨削加工表面烧伤检测方法
CN115222733A (zh) * 2022-09-19 2022-10-21 山东金源不锈钢制品有限公司 基于图像识别的金属构件表面缺陷检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A. M. S. SMITH ET AL: "Texture based feature extraction: Application to burn scar detection in Earth observation satellite sensor imagery", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》 *
G. C. SOMASHEKHAR ET AL: "Segmentation of Burn Area Identification Based on Feature Extraction", 《2020 INTERNATIONAL CONFERENCE ON RECENT TRENDS ON ELECTRONICS, INFORMATION, COMMUNICATION & TECHNOLOGY (RTEICT)》 *
王传刚等: "基于边缘检测和数学形态学的制动盘摩擦面裂纹识别", 《铁道机车车辆》 *
陈荣媛: "面向定量评价的加工表面烧伤图像特征基础研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563295A (zh) * 2023-07-12 2023-08-08 无锡康贝电子设备有限公司 一种切削屑缠绕状态视觉检测方法
CN116563295B (zh) * 2023-07-12 2023-09-01 无锡康贝电子设备有限公司 一种切削屑缠绕状态视觉检测方法
CN118365641A (zh) * 2024-06-19 2024-07-19 宝鸡拓普达钛业有限公司 基于图像处理的钛合金棒材质量检测方法
CN118365641B (zh) * 2024-06-19 2024-08-20 宝鸡拓普达钛业有限公司 基于图像处理的钛合金棒材质量检测方法

Also Published As

Publication number Publication date
CN115423816B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN113989279B (zh) 基于人工智能及图像处理的塑料薄膜质量检测方法
CN115423816B (zh) 一种金属表面磨削质量检测方法
CN110097034B (zh) 一种智能人脸健康程度的识别与评估方法
CN114972357B (zh) 一种基于图像处理的轧辊表面缺陷检测方法及系统
CN111292305B (zh) 一种改进型yolo-v3的金属加工表面缺陷检测方法
CN115330783A (zh) 一种钢丝绳缺陷检测方法
CN109682839B (zh) 一种金属弧形工件表面缺陷在线检测方法
CN114862862A (zh) 一种基于图像处理的泵体冷隔缺陷识别方法与系统
CN114359270A (zh) 基于计算机视觉的汽车发动机油路铜套缺陷检测方法
CN117557571B (zh) 基于图像增强的合金电阻焊接缺陷视觉检测方法及系统
CN115330645B (zh) 一种焊接图像增强方法
CN108596872B (zh) 基于Gabor小波和SVM的钢轨病害的检测方法
CN115131359B (zh) 一种金属加工件表面麻点缺陷检测方法
CN115684176B (zh) 一种薄膜表面缺陷在线视觉检测系统
CN113393426B (zh) 一种轧钢板表面缺陷检测方法
CN117152129B (zh) 一种电池盖板的表面缺陷视觉检测方法及系统
CN115719332A (zh) 一种焊接质量检测方法
CN115063407B (zh) 一种用于环形铜垫片的划痕及裂纹识别方法
CN112258444A (zh) 一种电梯钢丝绳检测方法
CN115131356A (zh) 一种基于丰富度的钢板缺陷分类方法
CN116777911A (zh) 一种基于图像识别的双基板散热器表面缺陷检测系统
CN115100196A (zh) 一种基于图像分割的冲压件除锈效果评估方法
CN114049316A (zh) 一种基于金属光泽区域的钢丝绳缺陷检测方法
CN115511907A (zh) 一种用于led屏幕的划痕检测方法
CN116342586A (zh) 基于机器视觉的路面质量检测方法

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