CN115601368B - 一种建材装备钣金件缺陷检测方法 - Google Patents
一种建材装备钣金件缺陷检测方法 Download PDFInfo
- Publication number
- CN115601368B CN115601368B CN202211616220.8A CN202211616220A CN115601368B CN 115601368 B CN115601368 B CN 115601368B CN 202211616220 A CN202211616220 A CN 202211616220A CN 115601368 B CN115601368 B CN 115601368B
- Authority
- CN
- China
- Prior art keywords
- class
- undetermined
- pixel points
- pixels
- confidence
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- 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
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/10004—Still image; Photographic 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
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种建材装备钣金件缺陷检测方法。该方法通过标准高斯模型得到钣金件的表面图像中每个像素点对应的置信度,通过置信度将表面图像中像素点初步划分为正常像素点、异常像素点和待定像素点,根据待定像素点的局部特征值将待定像素点划分为第一类待定像素点和第二类待定像素点,根据优化置信度将第一类待定像素点划分为正常像素点和异常像素点,根据归一化置信度分布指标将第二类待定像素点划分为正常像素点和异常像素点,通过对像素点进行二值化处理得到图像的缺陷连通域进而实现对钣金件表面缺陷状况的判断。本发明使用不同的划分标准对像素点精确划分类别,提高了对钣金件的缺陷检测结果。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种建材装备钣金件缺陷检测方法。
背景技术
在建材装备钣金件生产及装配过程中,建材装备钣金件表面可能会出现一些缺陷,钣金件表面缺陷不仅影响产品的美观和舒适度,而且一般也会对其使用性能带来不良影响,所以生产企业对钣金件产品表面缺陷检测非常重视,以便及时发现缺陷产品,从而有效控制产品质量。因此对钣金件产品表面进行缺陷检测是质量检测中必不可少的步骤。
以往钣金件的缺陷检测方法为通过图像采集设备获取钣金件的表面图像,并对钣金件的表面图像进行灰度化处理得到其表面图像的灰度图像,通过比较灰度图像中像素点的灰度值与预设阈值的大小,将钣金件的表面图像中的像素点分为正常像素点和异常像素点,由异常像素点得到表面图像中的缺陷区域。但是由于钣金件的表面图像的采集环境影响,例如光线问题,会导致表面图像中像素点的灰度值存在采集误差,使得仅根据预设阈值划分的正常像素点和异常像素点存在偏差,从而不能实现对像素点的精确类别划分,导致提取出的缺陷区域不准确,难以有效的判断钣金件产品的质量。
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建材装备钣金件缺陷检测方法,所采用的技术方案具体如下:
本发明提出一种建材装备钣金件缺陷检测方法,该方法包括:
采集钣金件的表面图像,得到表面图像对应的灰度图像;构建标准高斯模型,将灰度图像中每个像素点的灰度值代入所述标准高斯模型中得到的结果作为所述表面图像中对应像素点的置信度;基于每个像素点的置信度将所述表面图像中的所有像素点划分为正常像素点、异常像素点和待定像素点;
以任意一个待定像素点为中心获取对应待定像素点的局部区域,根据所述局部区域中每个像素点的置信度获取对应待定像素点的局部特征值,基于局部特征值将待定像素点划分为第一类待定像素点和第二类待定像素点;对每个第一类待定像素点的置信度进行优化得到优化置信度;根据第一类待定像素点的优化置信度将第一类待定像素点划分为正常像素点和异常像素点;
根据每个第二类待定像素点的置信度计算所有第二类待定像素点之间的置信度分布指标;基于归一化置信度分布指标将第二类待定像素点划分正常像素点和异常像素点;将所述表面图像中的异常像素点的灰度值置为1,正常像素点的灰度值置为0,对灰度值为1的像素点进行连通域分析,得到至少一个缺陷连通域,基于缺陷连通域中每个像素点的置信度计算钣金件的表面缺陷评估值。
进一步地,所述基于每个像素点的置信度将所述表面图像中的所有像素点划分为正常像素点、异常像素点和待定像素点包括:
设置第一置信度阈值和第二置信度阈值,将置信度低于第一置信度阈值的像素点归为所述表面图像的异常像素点,将置信度高于第二置信度阈值的像素点归为所述表面图像的正常像素点,将置信度处于所述第一置信度阈值与所述第二置信度阈值之间的像素点归为所述表面图像的待定像素点。
进一步地,所述根据所述局部区域中每个像素点的置信度构建对应待定像素点的局部特征值包括:
局部特征值的公式为:
式中,c为待定像素点,为待定像素点c的局部区域内的像素点类别的数量,为待定像素点c的局部区域内第n种像素点类别,为待定像素点c的局部区域内第n种像素点类别的像素点数量在局部区域中所有像素点数量的占比,为待定像素点c的局部特征值,为以常数e为底数的对数函数。
进一步地,所述基于局部特征值将待定像素点划分为第一类待定像素点和第二类待定像素点包括:
设置局部特征值阈值,将局部特征值低于等于局部特征值阈值对应的所述待定像素点归为所述表面图像的第一类待定像素点,将局部特征值高于局部特征值阈值对应的所述待定像素点归为所述表面图像的第二类待定像素点。
进一步地,所述对每个第一类待定像素点的置信度进行优化得到优化置信度包括:
通过置信度优化模型对第一类待定像素点的置信度进行优化,所述置信度优化模型的公式为:
式中,a为第一类待定像素点,为第一类待定像素点a的局部区域内的像素点总数,为局部区域内像素点i的置信度,为第一类待定像素点a和局部区域内像素点i之间的欧氏距离,为第一类待定像素点a和局部区域内像素点i之间的置信度的差值绝对值,为第一类待定像素点a的优化置信度,为常数。
进一步地,所述根据第一类待定像素点的优化置信度将第一类待定像素点划分为正常像素点和异常像素点包括:
将每个第一类待定像素点的优化置信度分别与第一置信度阈值和第二置信度阈值作差得到对应的第一差值和第二差值,若第一差值的绝对值较小,则将所述第一类待定像素点归为异常像素点;若第二差值的绝对值较小,则将所述第一类待定像素点归为正常像素点。
进一步地,所述根据每个第二类待定像素点的置信度计算所有第二类待定像素点之间的置信度分布指标包括:
根据每个第二类待定像素点的置信度分别获取最大置信度、最小置信度和置信度方差,计算最大置信度和最小置信度之间的差值绝对值以及最小置信度和设定的极小值之间的相加结果,将以差值绝对值为分子、相加结果为分母的比值与置信度方差相乘得到置信度分布指标。
进一步地,基于归一化置信度分布指标将第二类待定像素点划分正常像素点和异常像素点包括:
对置信度分布指标进行归一化处理,得到归一化置信度分布指标;
当所述归一化置信度分布指标低于等于预设的置信度分布指标阈值时,分别获取正常像素点、异常像素点和第二类待定像素点的类别特征向量;将第二类待定像素点的类别特征向量和正常像素点的类别特征向量之间的余弦相似度作为第一余弦相似度,将第二类待定像素点的类别特征向量和异常像素点的类别特征向量之间的余弦相似度作为第二余弦相似度;若所述第一余弦相似度较大,则将第二类待定像素点归为正常像素点;若所述第二余弦相似度较大,则将第二类待定像素点归为异常像素点;
当所述归一化置信度分布指标高于预设的置信度分布指标阈值时,使用聚类算法将第二类待定像素点分为第一类像素点和第二类像素点,分别获取正常像素点、异常像素点、第一类像素点和第二类像素点的类别特征向量;将第一类像素点的类别特征向量和正常像素点的类别特征向量之间的余弦相似度作为第三余弦相似度,将第一类像素点的类别特征向量和异常像素点的类别特征向量之间的余弦相似度作为第四余弦相似度,若所述第三余弦相似度较大,则将第一类像素点归为正常像素点,若所述第四余弦相似度较大,则将第一类像素点归为异常像素点;将第二类像素点的类别特征向量和正常像素点的类别特征向量之间的余弦相似度作为第五余弦相似度,将第一类像素点的类别特征向量和异常像素点的类别特征向量之间的余弦相似度作为第六余弦相似度,若所述第五余弦相似度较大,则将第二类像素点归为正常像素点,若所述第六余弦相似度较大,则将第二类像素点归为异常像素点;
其中类别特征向量的获取方法为:
将当前类别中所有像素点的置信度均值作为类别特征向量的起始点,将当前类别中像素点灰度均值代入所述标准高斯模型后所得到的置信度作为类别特征向量的终点,根据所述起始点和终点构建当前类别的类别特征向量;
其中当前类别包括:正常像素点构成正常类别,异常像素点构成异常类别,第二类待定像素点构成的第二类待定类别,第一类像素点构成的第一类别和第二类像素点构成的第二类别。
进一步地,所述基于缺陷连通域中每个像素点的置信度计算钣金件的表面缺陷评估值包括:
所述钣金件的表面缺陷评估值的计算公式为:
式中,U为钣金件的表面缺陷评估值;Q为钣金件的表面图像中缺陷连通域的总数;为缺陷连通域q的缺陷程度:,为设定的极小值,为缺陷连通域q内所有异常像素点的置信度均值,若缺陷连通域q内异常像素点为第一类待定像素点,则利用优化置信度计算所述置信度均值,若缺陷连通域q内异常像素点为第二类待定像素点,则利用置信度计算所述置信度均值;为常数。
本发明具有如下有益效果:
本发明实施例采集钣金件的表面图像得到对应的灰度图像,将灰度图像中每个像素点的灰度值代入标准高斯模型获取每个像素点对应的置信度,基于置信度对表面图像中的所有像素点进行初步划分,即分为正常像素点、异常像素点和待定像素点;为了准确确认待定像素点属于正常像素点和异常像素点,通过待定像素点的局部区域内像素点的置信度获取对应待定像素点的局部特征值,通过局部特征值对待定像素点进行划分,获得第一类待定像素点和第二类待定像素点;根据第一类待定像素点的周围像素点的置信度对第一类待定像素点的置信度进行优化,以使得第一类待定像素点划分的划分结果更加严谨;根据第二类待定像素点的置信度分析其归一化置信度分布指标以根据归一化置信度分布指标对应划分标准将第二类待定像素点进行划分,根据不同的划分标准对像素点进行层层划分,缩小待分类的像素点的范围,进而基于待分类的像素点的置信度特征,使用不同的方法处理不同类别的像素点,在对所有像素点进行划分时,使得对像素点的划分更准确,存在误差的情况更小,进而根据最终划分的正常像素点和异常像素点能够准确检测出钣金件的缺陷。
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建材装备钣金件缺陷检测方法的步骤流程图。
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建材装备钣金件缺陷检测方法,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。
下面结合附图具体的说明本发明所提供的一种建材装备钣金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建材装备钣金件缺陷检测方法的步骤流程图,该方法包括:
步骤S1:采集钣金件的表面图像,得到表面图像对应的灰度图像;构建标准高斯模型,将灰度图像中每个像素点的灰度值代入标准高斯模型中得到的结果作为表面图像中对应像素点的置信度;基于每个像素点的置信度将表面图像中的所有像素点划分为正常像素点、异常像素点和待定像素点。
通过相机等图像采集设备对钣金件的表面进行图像采集,相机的具体部署及视角等实施者可根据实际情况自行设置,获取钣金件的表面图像。对钣金件的表面图像进行去噪以及增强操作,以避免噪声数据对缺陷检测的影响,同时提高图像对比度,加大缺陷区域与钣金件表面正常区域的区别特征,提高后续的检测精度。
将经过去噪和增强处理后的钣金件的表面图像灰度化处理得到对应的灰度图像。利用正常钣金件的表面图像中像素点的灰度值进行拟合操作,得到高斯模型的期望和方差,根据期望和方差构建标准高斯模型的公式为,规定标准高斯模型的函数值的取值范围为(0,1),其中,x为像素点的灰度值,为期望,为方差,为像素点的灰度值为x所对应的高斯值,函数值越大,则像素点是钣金件正常像素点的可能性越高。
需要说明的是,图像的灰度化处理方法,以及高斯模型的期望和方差的获取可选用现有技术中数据拟合的方法,具体方法在此不做限定,均为本领域技术人员熟知的技术手段。
将钣金件的灰度图像中每个像素点的灰度值分别代入标准高斯模型,获取每个像素点所对应的高斯值,代表钣金件的表面图像中像素点k的高斯值,将每个像素点的高斯值记为其置信度,根据灰度图像中每个像素点的置信度获取表面图像的置信度分布图,以初步对缺陷区域进行识别。
设置第一置信度阈值,第二置信度阈值;将钣金件的表面图像中置信度低于第一置信度阈值的像素点归为表面图像的异常像素点,将置信度高于第二置信度阈值的像素点归为表面图像的正常像素点,后续不需要再对异常像素点和正常像素点进行缺陷分析,在保证检测精度的同时降低系统检测量;将置信度处于第一置信度阈值与第二置信度阈值之间的像素点归为表面图像的待定像素点,在后续步骤中对待定像素点进行进一步的缺陷分析,以实现对钣金件表面缺陷区域的准确提取。
优选的,本方案中第一置信度阈值取经验值0.3,第二置信度阈值取经验值0.7。
步骤S2:以任意一个待定像素点为中心获取对应待定像素点的局部区域,根据局部区域中每个像素点的置信度获取对应待定像素点的局部特征值,基于局部特征值将待定像素点划分为第一类待定像素点和第二类待定像素点;对每个第一类待定像素点的置信度进行优化得到优化置信度;根据第一类待定像素点的优化置信度将第一类待定像素点划分为正常像素点和异常像素点。
为提高对钣金件的缺陷检测精度,对于待定像素点,本发明将对其进行详细的分析:本发明以待定像素点c为例,将待定像素点c作为中心点,获取待定像素点c的局部区域内每个像素点的置信度,将置信度相同的像素点作为一个像素点类别,获取待定像素点c的局部区域内的像素点类别数量。在本发明实施例中,局部区域的尺寸为7*7,实施者可根据实际情况自行设置。
获取局部区域的置信度后,基于熵的思想对局部区域内的置信度分布情况进行分析,基于熵的思想,熵值越大,则局部区域内对应待定像素点的置信度分布越杂乱,本方案利用局部特征值用于表征局部区域内的置信度分布均匀程度,局部特征值越大,局部区域的置信度越不规律,其中,局部特征值的构建公式为:
式中,c为待定像素点,为待定像素点c的局部区域内的像素点类别的数量,为待定像素点c的局部区域内第n种像素点类别,为待定像素点c的局部区域内第n种像素点类别的像素点数量在局部区域中所有像素点数量的占比,为待定像素点c的局部特征值,为以常数e为底数的对数函数。
需要说明的是,局部特征值表示待定像素点局部区域内的置信度分布情况,待定像素点c的局部区域内第n种像素点类别的像素点数量在局部区域中所有像素点数量的占比越大即越大,表示局部区域内的置信度分布越均匀,则局部特征值越小,表示待定像素点c的局部区域内的置信度越规律;反之,则认为待定像素点c的局部区域内的置信度杂乱。
设置局部特征值阈值,将局部特征值低于等于局部特征值阈值对应的待定像素点归为表面图像的第一类待定像素点,第一类待定像素点的局部区域分布较为规律;将局部特征值高于局部特征值阈值对应的待定像素点归为表面图像的第二类待定像素点,第二类待定像素点的局部区域分布较为杂乱。
优选的,本方案中局部特征值阈值取经验值0.4。
通过置信度优化模型对第一类待定像素点的置信度进行优化,以获取第一类待定像素点的优化置信度。其中,置信度优化模型的公式为:
式中,a为第一类待定像素点,为第一类待定像素点a的局部区域内的像素点总数,为局部区域内像素点i的置信度,为第一类待定像素点a和局部区域内像素点i之间的欧氏距离,为第一类待定像素点a和局部区域内像素点i之间的置信度的差值绝对值,为第一类待定像素点a的优化置信度,为常数。
需要说明的是,第一类待定像素点a和局部区域内像素点i之间的欧氏距离越大,则最终得到的第一类待定像素点a的优化置信度越小;反之,则最终得到的第一类待定像素点a的优化置信度越大。若第一类待定像素点a和局部区域内像素点i之间的置信度的差值绝对值越大,则最终得到的第一类待定像素点a的优化置信度越小;反之,则最终得到的第一类待定像素点a的优化置信度越大。若局部区域内像素点i的置信度越大,则最终得到的第一类待定像素点a的优化置信度越大;反之,则最终得到的第一类待定像素点a的优化置信度越小。并使通过置信度优化模型后得到的优化置信度处于(0,1),以达到归一化作用。
由于第一类待定像素点的局部区域分布较为规律,因此基于第一类待定像素点的优化置信度对第一类待定像素点进行分析,并将第一类待定像素点进行归类:
以第一类待定像素点b为例,对于第一类待定像素点b的优化置信度与第一置信度阈值的第一差值绝对值和第一类待定像素点b的优化置信度与第二置信度阈值的第二差值绝对值;若第一差值绝对值较小,则将第一类待定像素点归为异常像素点;若第二差值绝对值较小,则将第一类待定像素点归为正常像素点。
步骤S3:根据每个第二类待定像素点的置信度计算所有第二类待定像素点之间的置信度分布指标;基于归一化置信度分布指标将第二类待定像素点划分正常像素点和异常像素点;将所述表面图像中的异常像素点的灰度值置为1,正常像素点的灰度值置为0,对灰度值为1的像素点进行连通域分析,得到至少一个缺陷连通域,基于缺陷连通域中每个像素点的置信度计算钣金件的表面缺陷评估值。
第二类待定像素点的局部区域分布较为杂乱,需要通过置信度分布指标对第二类待定像素点进行进一步分析,其中,置信度分布指标的公式为:
式中,为所有第二类待定像素点的置信度方差,为第二类待定像素点的置信度,为第二类待定像素点中的最大置信度,第二类待定像素点中的最小置信度,为极小值,避免分母为零,实施者可自行设置,本发明将其设置为,为第二类待定像素点的置信度分布指标。
需要说明的是,置信度指标表示集合内像素点的相似程度,第二类待定像素点中的最大置信度与第二类待定像素点中的最小置信度的差值越小,则代表第二类待定像素点中的置信度分布越集中,置信度分布指标越小,所以第二类待定像素点的相似度越高;其中所有第二类待定像素点的置信度方差越小,表示第二类待定像素点中的置信度离散程度越小,则可以认为当前集合内像素点的相似度较高;反之,则认为当前集合内像素点的相似度较低。
为便于后续分析,对置信度分布指标进行归一化处理,得到归一化置信度分布指标,保证归一化置信度分布指标处于(0,1)。
设置置信度分布指标阈值,若所求的第二类待定像素点的归一化置信度分布指标低于等于置信度分布指标阈值,则认为第二类待定像素点的相似度较高,将所有第二类待定像素点作为一个集合;若所求的第二类待定像素点的归一化置信度分布指标高于置信度分布指标阈值,则认为第二类待定像素点的差异较大,进而使用聚类算法对第二类待定像素点进行聚类分析,通过聚类算法将第二类待定像素点分为第一类像素点和第二类像素点。
优选的,本方案中置信度分布指标阈值取经验值0.5。
需要说明的是,本发明选取K-means聚类算法对第二类待定像素点进行聚类分析,具体方法在此不做介绍,为本领域技术人员熟知的技术手段。
若所求的第二类待定像素点的归一化置信度分布指标低于等于置信度分布指标阈值时,依据类别特征向量的获取方法分别获取正常像素点的类别特征向量,异常像素点的类别特征向量和第二类待定像素点的类别特征向量。计算第二类待定像素点的类别特征向量和正常像素点的类别特征向量之间的第一余弦相似度,第二类待定像素点的类别特征向量和异常像素点的类别特征向量之间的第二余弦相似度。对于第一余弦相似度和第二余弦相似度,如果第一余弦相似度较大,则将第二类待定像素点归为正常像素点;如果第二余弦相似度较大,则将第二类待定像素点归为异常像素点。
若所求的第二类待定像素点的归一化置信度分布指标高于置信度分布指标阈值时,首先使用K-means聚类算法将第二类待定像素点分为第一类像素点和第二类像素点,之后依据类别特征向量的获取方法分别获取正常像素点的类别特征向量,异常像素点的类别特征向量,第一类像素点的类别特征向量和第二类像素点的类别特征向量。计算第一类像素点的类别特征向量和正常像素点的类别特征向量之间的第三余弦相似度,第一类像素点的类别特征向量和异常像素点的类别特征向量之间的第四余弦相似度;对于第三余弦相似度和第四余弦相似度,如果第三余弦相似度较大,则将第一类像素点归为正常像素点;如果第四余弦相似度较大,则将第一类像素点归为异常像素点。计算第二类像素点的类别特征向量和正常像素点的类别特征向量之间的第五余弦相似度,第二类像素点的类别特征向量和异常像素点的类别特征向量之间的第六余弦相似度;对于第五余弦相似度和第六余弦相似度,如果第五余弦相似度较大,则将第二类像素点归为正常像素点;如果第六余弦相似度较大,则将第二类像素点归为异常像素点。
类别特征向量的获取方法为:将当前类别中所有像素点的置信度均值作为类别特征向量的起始点,将当前类别中像素点灰度均值代入标准高斯模型后所得到的置信度作为类别特征向量的终点,根据起始点和终点构建当前类别的类别特征向量。
以第二类待定像素点对应的类别为例,获取其类别特征向量的过程为:根据所有第二类待定像素点的置信度计算置信度均值,将置信度均值作为类别特征向量的起始点,根据所有的第二类待定像素点的灰度值计算灰度值均值,将灰度值均值代入标准高斯模型后所得的置信度作为类别特征向量的终点,由起始点和终点构建的第二类待定像素点的类别特征向量为。
优选的,本方案中余弦相似度的计算方法为:以第一余弦相似度为例,第一余弦相似度是由第二类待定像素点的类别特征向量和正常像素点的类别特征向量这两个向量通过计算得到的,第一余弦相似度的计算公式为,其中为所有正常像素点的置信度均值,为将所有正常像素点的灰度值均值代入标准高斯模型后所得的置信度。
通过对第一类待定像素点和第二类待定像素点的分类,将表面图像中的所有像素点划分为了正常像素点和异常像素点,实现了对像素点类别的精确划分,降低了错检误检的状况。将表面图像中的异常像素点的灰度值置为1,正常像素点的灰度值置为0,可以准确得到钣金件的表面图像中灰度值为1的像素点显示的各个缺陷连通域,通过缺陷连通域进而实现对钣金件的缺陷检测分析。基于缺陷连通域中每个像素点的置信度计算钣金件的表面缺陷评估值,钣金件的表面缺陷评估值的计算公式为:
式中,Q为钣金件的表面图像中缺陷连通域的总数;为缺陷连通域q的缺陷程度:,为设定的极小值,本发明设置为,为缺陷连通域q内所有异常像素点的置信度均值,若缺陷连通域q内异常像素点为第一类待定像素点,则利用优化置信度计算置信度均值,若缺陷连通域q内异常像素点为第二类待定像素点,则利用置信度计算置信度均值,为常数;U为钣金件的表面缺陷评估值,若U越大,则认为钣金件的表面缺陷越严重。本发明将对表面缺陷评估值函数进行归一化处理,保证钣金件的表面缺陷评估值处于(0,1)。
需要说明的是,表面缺陷评估值表示钣金件的表面缺陷程度,缺陷连通域q内所有异常像素点的置信度均值越小,表示异常像素点所对应的表面图像位置有缺陷,则缺陷连通域q的缺陷程度越大,表示钣金件的表面程度越严重,使得表面缺陷评估值U越大,则认为钣金件表面效果越不好,缺陷状况越严重;反之,则认为钣金件的表面合格。
设置表面缺陷评估值阈值,当所求钣金件的表面缺陷评估值高于表面缺陷评估值阈值时,则该钣金件的表面效果不佳,表面出现较为严重的缺陷问题,需要对钣金件进行再次加工,以保证钣金件的表面质量;反之,则认为该钣金件合格。
优选的,本方案中表面缺陷评估值阈值取经验值0.5。
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。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 (8)
1.一种建材装备钣金件缺陷检测方法,其特征在于,该方法包括:
采集钣金件的表面图像,得到表面图像对应的灰度图像;构建标准高斯模型,将灰度图像中每个像素点的灰度值代入所述标准高斯模型中得到的结果作为所述表面图像中对应像素点的置信度;基于每个像素点的置信度将所述表面图像中的所有像素点划分为正常像素点、异常像素点和待定像素点;
以任意一个待定像素点为中心获取对应待定像素点的局部区域,根据所述局部区域中每个像素点的置信度获取对应待定像素点的局部特征值,基于局部特征值将待定像素点划分为第一类待定像素点和第二类待定像素点;对每个第一类待定像素点的置信度进行优化得到优化置信度;根据第一类待定像素点的优化置信度将第一类待定像素点划分为正常像素点和异常像素点;
根据每个第二类待定像素点的置信度计算所有第二类待定像素点之间的置信度分布指标;基于归一化置信度分布指标将第二类待定像素点划分正常像素点和异常像素点;将所述表面图像中的异常像素点的灰度值置为1,正常像素点的灰度值置为0,对灰度值为1的像素点进行连通域分析,得到至少一个缺陷连通域,基于缺陷连通域中每个像素点的置信度计算钣金件的表面缺陷评估值;
所述根据所述局部区域中每个像素点的置信度构建对应待定像素点的局部特征值包括:
局部特征值的公式为:
式中,c为待定像素点,为待定像素点c的局部区域内的像素点类别的数量,为待定像素点c的局部区域内第n种像素点类别,为待定像素点c的局部区域内第n种像素点类别的像素点数量在局部区域中所有像素点数量的占比,为待定像素点c的局部特征值,为以常数e为底数的对数函数。
2.根据权利要求1所述的一种建材装备钣金件缺陷检测方法,其特征在于,所述基于每个像素点的置信度将所述表面图像中的所有像素点划分为正常像素点、异常像素点和待定像素点包括:
设置第一置信度阈值和第二置信度阈值,将置信度低于第一置信度阈值的像素点归为所述表面图像的异常像素点,将置信度高于第二置信度阈值的像素点归为所述表面图像的正常像素点,将置信度处于所述第一置信度阈值与所述第二置信度阈值之间的像素点归为所述表面图像的待定像素点。
3.根据权利要求1所述的一种建材装备钣金件缺陷检测方法,其特征在于,所述基于局部特征值将待定像素点划分为第一类待定像素点和第二类待定像素点包括:
设置局部特征值阈值,将局部特征值低于等于局部特征值阈值对应的所述待定像素点归为所述表面图像的第一类待定像素点,将局部特征值高于局部特征值阈值对应的所述待定像素点归为所述表面图像的第二类待定像素点。
4.根据权利要求1所述的一种建材装备钣金件缺陷检测方法,其特征在于,所述对每个第一类待定像素点的置信度进行优化得到优化置信度包括:
通过置信度优化模型对第一类待定像素点的置信度进行优化,所述置信度优化模型的公式为:
式中,a为第一类待定像素点,为第一类待定像素点a的局部区域内的像素点总数,为局部区域内像素点i的置信度,为第一类待定像素点a和局部区域内像素点i之间的欧氏距离,为第一类待定像素点a和局部区域内像素点i之间的置信度的差值绝对值,为第一类待定像素点a的优化置信度,为常数。
5.根据权利要求2所述的一种建材装备钣金件缺陷检测方法,其特征在于,所述根据第一类待定像素点的优化置信度将第一类待定像素点划分为正常像素点和异常像素点包括:
将每个第一类待定像素点的优化置信度分别与第一置信度阈值和第二置信度阈值作差得到对应的第一差值和第二差值,若第一差值的绝对值较小,则将所述第一类待定像素点归为异常像素点;若第二差值的绝对值较小,则将所述第一类待定像素点归为正常像素点。
6.根据权利要求1所述的一种建材装备钣金件缺陷检测方法,其特征在于,所述根据每个第二类待定像素点的置信度计算所有第二类待定像素点之间的置信度分布指标包括:
根据每个第二类待定像素点的置信度分别获取最大置信度、最小置信度和置信度方差,计算最大置信度和最小置信度之间的差值绝对值以及最小置信度和设定的极小值之间的相加结果,将以差值绝对值为分子、相加结果为分母的比值与置信度方差相乘得到置信度分布指标。
7.根据权利要求1所述的一种建材装备钣金件缺陷检测方法,其特征在于,基于归一化置信度分布指标将第二类待定像素点划分正常像素点和异常像素点包括:
对置信度分布指标进行归一化处理,得到归一化置信度分布指标;
当所述归一化置信度分布指标低于等于预设的置信度分布指标阈值时,分别获取正常像素点、异常像素点和第二类待定像素点的类别特征向量;将第二类待定像素点的类别特征向量和正常像素点的类别特征向量之间的余弦相似度作为第一余弦相似度,将第二类待定像素点的类别特征向量和异常像素点的类别特征向量之间的余弦相似度作为第二余弦相似度;若所述第一余弦相似度较大,则将第二类待定像素点归为正常像素点;若所述第二余弦相似度较大,则将第二类待定像素点归为异常像素点;
当所述归一化置信度分布指标高于预设的置信度分布指标阈值时,使用聚类算法将第二类待定像素点分为第一类像素点和第二类像素点,分别获取正常像素点、异常像素点、第一类像素点和第二类像素点的类别特征向量;将第一类像素点的类别特征向量和正常像素点的类别特征向量之间的余弦相似度作为第三余弦相似度,将第一类像素点的类别特征向量和异常像素点的类别特征向量之间的余弦相似度作为第四余弦相似度,若所述第三余弦相似度较大,则将第一类像素点归为正常像素点,若所述第四余弦相似度较大,则将第一类像素点归为异常像素点;将第二类像素点的类别特征向量和正常像素点的类别特征向量之间的余弦相似度作为第五余弦相似度,将第一类像素点的类别特征向量和异常像素点的类别特征向量之间的余弦相似度作为第六余弦相似度,若所述第五余弦相似度较大,则将第二类像素点归为正常像素点,若所述第六余弦相似度较大,则将第二类像素点归为异常像素点;
其中类别特征向量的获取方法为:
将当前类别中所有像素点的置信度均值作为类别特征向量的起始点,将当前类别中像素点灰度均值代入所述标准高斯模型后所得到的置信度作为类别特征向量的终点,根据所述起始点和终点构建当前类别的类别特征向量;
其中当前类别包括:正常像素点构成正常类别,异常像素点构成异常类别,第二类待定像素点构成的第二类待定类别,第一类像素点构成的第一类别和第二类像素点构成的第二类别。
8.根据权利要求1所述的一种建材装备钣金件缺陷检测方法,其特征在于,所述基于缺陷连通域中每个像素点的置信度计算钣金件的表面缺陷评估值包括:
所述钣金件的表面缺陷评估值的计算公式为:
式中,U为钣金件的表面缺陷评估值;Q为钣金件的表面图像中缺陷连通域的总数;为缺陷连通域q的缺陷程度:,为设定的极小值,为缺陷连通域q内所有异常像素点的置信度均值,若缺陷连通域q内异常像素点为第一类待定像素点,则利用优化置信度计算所述置信度均值,若缺陷连通域q内异常像素点为第二类待定像素点,则利用置信度计算所述置信度均值;为常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211616220.8A CN115601368B (zh) | 2022-12-16 | 2022-12-16 | 一种建材装备钣金件缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211616220.8A CN115601368B (zh) | 2022-12-16 | 2022-12-16 | 一种建材装备钣金件缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115601368A CN115601368A (zh) | 2023-01-13 |
CN115601368B true CN115601368B (zh) | 2023-05-16 |
Family
ID=84853803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211616220.8A Active CN115601368B (zh) | 2022-12-16 | 2022-12-16 | 一种建材装备钣金件缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115601368B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309589B (zh) * | 2023-05-22 | 2023-08-01 | 季华实验室 | 钣金件表面缺陷检测方法、装置、电子设备及存储介质 |
CN116359232A (zh) * | 2023-06-01 | 2023-06-30 | 天津汇众轻量化科技有限公司 | 一种基于图像识别的钣金件凹陷检测方法及装置 |
CN116609344B (zh) * | 2023-07-17 | 2023-11-03 | 苏州思谋智能科技有限公司 | 摄像头排插的缺陷检测方法、装置、设备及存储介质 |
CN117237338B (zh) * | 2023-11-10 | 2024-01-30 | 山东天意高科技有限公司 | 用于建筑外保温层空鼓的缺陷识别方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114627125A (zh) * | 2022-05-17 | 2022-06-14 | 南通剑烽机械有限公司 | 一种基于光学手段的不锈钢压片机表面质量评估方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108387587B (zh) * | 2018-01-22 | 2020-07-31 | 京东方科技集团股份有限公司 | 缺陷检测方法及缺陷检测设备 |
CN112348773B (zh) * | 2020-09-28 | 2022-09-23 | 歌尔股份有限公司 | 屏幕缺陷检测方法、装置和电子设备 |
CN113781429A (zh) * | 2021-09-09 | 2021-12-10 | 深圳市商汤科技有限公司 | 液晶面板的缺陷分类方法及装置、电子设备和存储介质 |
CN114445348B (zh) * | 2021-12-31 | 2022-11-29 | 扬州中卓泵业有限公司 | 基于光学手段的新材料水泵缺陷检测方法及系统 |
CN114742788A (zh) * | 2022-04-01 | 2022-07-12 | 南通高精数科机械有限公司 | 一种基于机器视觉的铜排缺陷检测方法及系统 |
CN114842010B (zh) * | 2022-07-04 | 2022-09-02 | 南通东方雨虹建筑材料有限公司 | 一种基于高斯滤波的建筑防火木材缺陷检测方法 |
CN115294410B (zh) * | 2022-10-08 | 2023-10-17 | 加乐新材料(南通)有限公司 | 一种基于图形识别的塑料制品成型控制方法 |
CN115330796B (zh) * | 2022-10-13 | 2023-10-10 | 江苏昱恒电气有限公司 | 一种铜线镀锡缺陷识别方法 |
-
2022
- 2022-12-16 CN CN202211616220.8A patent/CN115601368B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114627125A (zh) * | 2022-05-17 | 2022-06-14 | 南通剑烽机械有限公司 | 一种基于光学手段的不锈钢压片机表面质量评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115601368A (zh) | 2023-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115601368B (zh) | 一种建材装备钣金件缺陷检测方法 | |
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN114862862A (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
CN116721106A (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN115187548A (zh) | 一种基于人工智能的机械零件缺陷检测方法 | |
CN114723705B (zh) | 一种基于图像处理的布匹瑕疵的检测方法 | |
CN116843678B (zh) | 一种硬碳电极生产质量检测方法 | |
CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
CN115294140A (zh) | 一种五金零件缺陷检测方法及系统 | |
CN115937216B (zh) | 一种新能源汽车用磁转子外观质量检测方法 | |
CN115018835B (zh) | 一种汽车起动机齿轮检测方法 | |
CN116777941B (zh) | 一种基于机器视觉的型材轮廓检测方法及系统 | |
CN116934740B (zh) | 基于图像处理的塑料模具表面缺陷分析检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN109359604B (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
CN108898132A (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
CN115994907A (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
CN115841491B (zh) | 一种多孔金属材料的质量检测方法 | |
CN117576100A (zh) | 一种fpc连接器表面缺陷分级检测评价方法 | |
CN116433700B (zh) | 一种法兰零件轮廓视觉定位方法 | |
CN115082449A (zh) | 一种电子元器件缺陷检测方法 | |
CN117350967B (zh) | 一种基于光学检测晶圆外观缺陷检测系统及其方法 | |
CN117808809B (zh) | 晶圆表面缺陷的视觉检测方法及系统 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 |
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 |