CN115908261A - 一种基于铸件x射线图像的缺陷评级方法及系统 - Google Patents
一种基于铸件x射线图像的缺陷评级方法及系统 Download PDFInfo
- Publication number
- CN115908261A CN115908261A CN202211295842.5A CN202211295842A CN115908261A CN 115908261 A CN115908261 A CN 115908261A CN 202211295842 A CN202211295842 A CN 202211295842A CN 115908261 A CN115908261 A CN 115908261A
- Authority
- CN
- China
- Prior art keywords
- defect
- area
- image
- subimage
- rating
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 369
- 238000005266 casting Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 238000012216 screening Methods 0.000 claims abstract description 29
- 238000013139 quantization Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 30
- 238000009826 distribution Methods 0.000 claims description 26
- 238000006243 chemical reaction Methods 0.000 claims description 25
- 239000011148 porous material Substances 0.000 claims description 19
- 230000002950 deficient Effects 0.000 claims description 10
- 238000003708 edge detection Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000877 morphologic effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- Image Processing (AREA)
Abstract
本发明提供了一种基于铸件X射线图像的缺陷评级方法及系统，属于铸造产品质量检测领域，方法包括：对铸件X射线图像的缺陷标注框区域进行扩充，采用扩充后的缺陷标注框区域截取获取缺陷子图像；根据缺陷子图像中缺陷的尺寸和类别对缺陷子图像进行图像增强；若图像增强后的缺陷子图像中存在尺寸超过阈值的缺陷，则建立缺陷子图像对应的多维特征筛选矩阵，排除干扰区域；对缺陷子图像采用Canny算法获取缺陷的轮廓信息；将缺陷的像素面积转换为实际铸件缺陷的面积，对照评级量化体系获取缺陷等级；本发明实现了全自动化地铸件缺陷评级，克服了现有的铸件X射线图像人工评级方法评级结果不稳定、人工劳动强度大且难以提升效率的问题。
Description
技术领域
本发明属于铸造产品质量检测领域，更具体地，涉及一种基于铸件X射线图像的缺陷评级方法及系统。
背景技术
航空、航天、汽车、轨道交通和工程机械等行业重大装备用复杂铸件制造过程存在关键质量点超差和质量波动大等共性难题，导致重大装备可靠性、使用寿命无法满足要求。
目前，在铸件的生产过程中难免会产生铸件缺陷，例如夹杂、气孔、缩孔及缩松等。在有铸件应用的各行各业中，铸件缺陷会严重影响铸造产品的安全使用，较为严重的缺陷往往会导致整个铸件报废。产品的质量会在一定程度上影响制造企业的效益，而质量检测则是产品质量提升过程中的关键一环。因此，在铸件生产过程中，对铸件进行质量检测是不可或缺的。而对于铸件进行X射线探伤，再对于该铸件X射线探伤图像进行缺陷评级是铸件质量检测中的一种常用方法。目前工业生产中缺陷评级以人工评级为主，而人工评级不能很好地满足大型工业生产过程中对铸件缺陷的评级需求，铸件产品质量难以得到有效控制。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种基于铸件X射线图像的缺陷评级方法及系统，旨在解决现有的铸件X射线图像人工评级方法评级结果不稳定、人工劳动强度大且难以提升效率的问题。
为实现上述目的，一方面，本发明提供了一种基于铸件X射线图像的缺陷评级方法，包括以下步骤：
S1：对铸件X射线图像的缺陷标注框区域进行扩充，再采用扩充后的缺陷标注框区域在铸件X射线图像上进行截取获取缺陷子图像；
S2：根据缺陷子图像中缺陷的尺寸和类别对缺陷子图像进行图像增强；
S3：若图像增强后的缺陷子图像中存在尺寸超过阈值的缺陷，则基于边缘轮廓、特征分布和面积阈值建立缺陷子图像对应的多维特征筛选矩阵，排除图像增强后的缺陷子图像中的干扰区域；
S4：对S3处理后的缺陷子图像采用Canny算法进行边缘检测，采用轮廓提取函数获取缺陷的轮廓信息，计算缺陷的像素面积；
S5：将缺陷的像素面积转换为实际铸件缺陷的面积，对照评级量化体系获取缺陷等级；
其中，评级量化体系的建立方法为：选取面积作为夹杂、气孔、缩孔和缩松的评级指标，根据缺陷评级参考图像，计算缺陷评级参考图像中缺陷区域像素在缺陷评级参考图像像素内的占比，计算各级缺陷的参考面积以完成评级量化体系的建立。
进一步优选地，在S1与S2之间执行步骤：若当前缺陷子图像与前一张缺陷子图像的缺陷类别和图像位置高度重合，则整合两张缺陷子图像为一张缺陷子图像。
进一步优选地，S2具体为：
若缺陷子图像中存在尺寸超过尺寸阈值的夹杂和气孔，则图像增强方法为：
a.采用基于高斯分布的加权平均方法计算缺陷子图像中各中心像素点预设半径周边像素灰度值的加权平均值，并用加权平均值替代中心像素点的灰度值；
b.对经过a处理的图像进行高斯模糊，将经过a处理的图像与经过高斯模糊处理的图像进行比例换算，再将比例换算后的结果同比例换算到0～255的像素值范围内；
c.计算经过b获取的图像直方图，遍历像素阈值0～255，在直方图中大于像素阈值的像素为前景，剩余为背景，分别计算前景和背景中像素个数所占像素的比例和像素平均值；
d.计算各个像素阈值下的类间方差，使用使类间方差达到最大值的像素阈值对经过b获取的图像进行二值化处理，获取图像增强后的缺陷子图像；
若缺陷子图像中存在其他缺陷，则采用一个3×3的高斯模板扫描缺陷子图像中的每一个像素，基于高斯模板计算以选中像素点为中心的邻域内像素的加权平均灰度值，并用加权平均灰度值替代模板中心像素点的值，获取图像增强后的缺陷子图像。进一步优选地，多维特征筛选矩阵为：
对于夹杂或气孔缺陷，形心距记为0；对于缩孔或缩松缺陷，规整度记为0；对于其他参数，处理如下：
边缘曲率：计算缺陷子图像中各区域位置的边缘曲率，若某区域存在多个超过预设曲率的边缘曲率值，则边缘曲率记为1，反之记为0；
规整度：对于夹杂或气孔缺陷图像，计算缺陷子图像中各区域的最小外接圆，再判断各区域面积在该圆中的占比，若该占比小于65％，则记为1，反之为0；
形心距：对于缩孔和缩松缺陷图像，计算各区域的形心位置，从中心区域开始依次计算所在区域与相邻最近一个区域的形心距离，若该距离超过预设距离，则形心距记为1，反之为0；
位置：判断各区域所处的位置与扩充前图像的位置关系，若区域位置全部位于扩充前图像的外面，则该项记为1，反之为0；
面积：判断各区域所占的面积，若所占面积小于1mm2，则面积记为1，反之为0；
通过缺陷子图像中各区域所对应的多维特征筛选矩阵，计算多维特征筛选矩阵的秩，若秩不为0，则判定对应区域为干扰区域，将干扰区域舍去；若秩为0，则判定对应区域为缺陷区域，将缺陷区域保留。
进一步优选地，缺陷评级参考图像选自标准GB/T 11346-2018。
另一方面，本发明提供了一种基于铸件X射线图像的缺陷评级系统，包括：
像素扩充模块，用于对铸件X射线图像的缺陷标注框区域进行像素扩充；
截图模块，用于采用扩充后的缺陷标注框区域在铸件X射线图像上进行截取获取缺陷子图像；
图像增强模块，用于根据缺陷子图像中缺陷的尺寸和类别对缺陷子图像进行图像增强；
干扰区域排除模块，用于若图像增强后的缺陷子图像中存在尺寸超过阈值的缺陷，则基于边缘轮廓、特征分布和面积阈值建立缺陷子图像对应的多维特征筛选矩阵，排除图像增强后的缺陷子图像中的干扰区域；
Canny算法模块，用于对缺陷子图像采用Canny算法进行边缘检测；
轮廓提取模块，用于采用轮廓提取函数获取缺陷的轮廓信息，计算缺陷的像素面积；
缺陷等级评估模块，用于将缺陷子图像的像素面积转换为实际铸件缺陷的面积，对照评级量化体系获取缺陷等级；
评级量化体系的建立模块，用于选取面积作为夹杂、气孔、缩孔和缩松的评级指标，根据缺陷评级参考图像，计算缺陷评级参考图像中缺陷区域像素在缺陷评级参考图像像素内的占比，计算各级缺陷的参考面积以完成评级量化体系的建立。
进一步优选地，缺陷评级系统还包括图像整合模块，用于当当前缺陷子图像与前一张缺陷子图像的缺陷类别和图像位置高度重合，则整合两张缺陷子图像为一张缺陷子图像。
进一步优选地，图像增强模块包括缺陷判别单元、高斯分布的加权平均单元、高斯模糊换算单元、二值化处理单元和模板扫描单元；
缺陷判别单元用于判断缺陷子图像中存在的缺陷类别和尺寸大小；
高斯分布的加权平均单元，用于若缺陷子图像中存在尺寸超过尺寸阈值的夹杂和气孔，采用基于高斯分布的加权平均方法计算缺陷子图像中各中心像素点预设半径周边像素灰度值的加权平均值，并用加权平均值替代中心像素点的灰度值；
高斯模糊换算单元用于对图像进行高斯模糊，将经过高斯分布的加权平均单元处理的图像与经过高斯模糊处理的图像进行比例换算，再将比例换算后的结果同比例换算到0～255的像素值范围内；
二值化处理单元用于计算经过高斯模糊换算单元获取的图像直方图，遍历像素阈值0～255，在直方图中大于像素阈值的像素为前景，剩余为背景，分别计算前景和背景中像素个数所占像素的比例和像素平均值；计算各个像素阈值下的类间方差，使用使类间方差达到最大值的像素阈值对经过高斯分布的加权平均单元获取的图像进行二值化处理，获取图像增强后的缺陷子图像；
模板扫描单元用于若缺陷子图像中存在其他缺陷，则采用一个预设模板扫描缺陷子图像中的每一个像素，采用模板确定的邻域内像素的加权平均灰度值替代模板中心像素点的值，获取图像增强后的缺陷子图像。
进一步优选地，多维特征筛选矩阵为：
对于夹杂和气孔缺陷，形心距记为0；对于缩孔和缩松缺陷，规整度记为0；对于其他参数，处理如下：
边缘曲率：计算缺陷子图像中各区域位置的边缘曲率，若某区域存在多个超过预设曲率的边缘曲率值，则边缘曲率记为1，反之记为0；
规整度：对于夹杂和气孔缺陷图像，计算缺陷子图像中各区域的最小外接圆，再判断各区域面积在该圆中的占比，若该占比小于65％，则记为1，反之为0；
形心距：对于缩孔和缩松缺陷图像，计算各区域的形心位置，从中心区域开始依次计算所在区域与相邻最近一个区域的形心距离，若该距离超过预设距离，则形心距记为1，反之为0；
位置：判断各区域所处的位置与扩充前图像的位置关系，若区域位置全处在图像外，则该项记为1，反之为0；
面积：判断各区域所占的面积，若所占面积小于1mm2，则面积记为1，反之为0；
通过缺陷子图像中各区域所对应的多维特征筛选矩阵，计算多维特征筛选矩阵的秩，若秩不为0，则判定对应区域为干扰区域，将干扰区域舍去；若秩为0，则判定对应区域为缺陷区域，将缺陷区域保留。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下
有益效果：
本发明选取面积作为夹杂、气孔、缩孔和缩松的评级指标，根据标准《GB/T 11346-2018》所提供的缺陷图样，计算各级缺陷的参考面积以完成评级量化提下的建立，突破了现有铸件缺陷评级缺少明确数值指标的局限。
本发明中对整张铸件X射线图像上的缺陷区域进行扩充得到缺陷子图像，可以充分提取整张铸件X射线图像的区域灰度信息，结合特征增强方法进行挣钱，可以解决铸件复杂结构对缺陷特征增强的干扰难题。
本发明基于缺陷自动识别系统所得缺陷类别和位置信息，开展图像自动判别整合算法的研究，实现对集中分布但单独标注的同一类型缺陷进行整合评级，提高生产参考价值。
本发明中若缺陷子图像中存在大尺寸的夹杂和气孔缺陷，则依次进行高斯分布的加权平均方法、高斯模糊方法和二值化处理，实现图像增强，对于其他缺陷，形貌特征清晰度不足，避免引入过多背景干扰区域，用一个预设模板扫描缺陷子图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值；实现图像增强。针对不同尺寸和种类缺陷，采用不同的缺陷特征增强方法，突破组件缺陷探伤图像缺陷信息不明显的局限。
本发明中对于大尺寸缺陷图像在特征增强后会在背景中出现很多离散分布的干扰区域，采用多维特征筛选矩阵，对所有区域进行判定并去除干扰项，突破大尺寸图像特征增强后易引入背景误差的局限。
附图说明
图1是本发明实施例提供的铸件X射线图像处理时的流程图；
图2是本发明实施例提供的基于铸件X射线图像的缺陷评级方法获取的评级结果与专家评片结果对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例
如图1所示，一方面，本发明提供了一种基于铸件X射线图像的缺陷评级方法，包括以下步骤：
S1：评级量化体系建立：
选取面积作为夹杂、气孔、缩孔和缩松的评级指标，根据标准《GB/T 11346-2018》所给的缺陷评级参考图像，通过计算缺陷区域像素在整个图样像素内的占比，以计算各级缺陷的参考面积以完成评级量化体系的建立，具体如下表；
S2：图像获取：
对于在缺陷自动识别系统所得缺陷标注框区域进行一定程度的扩充，扩充幅度一般为20-50像素，再用扩充后的区域在整张探伤图像进行截取得到缺陷子图像，有效避免了原图像区域在边界处对于图像灰度值考虑不全的情况；
S3：图像整合评级：
对于每一张缺陷子图像，缺陷自动识别系统都给出相应的缺陷类别和位置信息，对缺陷类别和位置信息进行分析，并与所得前一张图像进行对比，若两张图像缺陷类别相同且图像位置高度重合，则视为同一张图像，评级结果与上一张图像保持一致，实现对集中分布但单独标注的统一类型缺陷统一评级；
S4：图像增强：
对经过分割得到的铸件X射线缺陷图像依据缺陷的尺寸与类别的不同进行不同流程的图像增强过程，对于大尺寸的夹杂和气孔缺陷，其形貌特征较为明显，采用如下图像增强步骤：
S4.1：采用基于高斯分布的加权平均方法计算某一像素点周边像素灰度值的加权平均值，并用该值替代中心像素的灰度值；
S4.2：对S4.1获取的图像进行高斯模糊，将S4.1获取的图像与经过高斯模糊处理的图形进行一定比例的换算，最后再将结果同比例换算到0～255的像素值范围之内；
换算公式如下：
其中，iamge_gauss表示经过高斯模糊处理后的图像；image表示经过S4.1处理后的图像；image_1表示经过S4.1处理的图像与经过高斯模糊处理的图像进行比例换算后的图像；在本发明中，w取1/3，则原公式简化为：
image_1＝1.5image-0.5image_gauss
S4.3：计算图像的直方图和每个像素值所占的像素个数，遍历阈值0-255，大于阈值的像素为前景，其余为背景；分别计算前景和背景中像素个数所占像素的比例和像素平均值；
S4.4：计算各个像素阈值下的类间方差，使用使类间方差达到最大值的阈值对图像进行二值化处理；
而对于大尺寸的缩孔和缩松缺陷图像与小尺寸图像，形貌特征清晰度不足，采用上述方法则会引入过多背景干扰区域，因此对于此类图像采用如下图像增强步骤：
用一个预设模板扫描缺陷子图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值；
S5：多维特征筛选矩阵判别，构建一个多维特征筛选矩阵：
特征参数包括：(1)边缘轮廓：边缘曲率和规整度；(2)特征分布：形心距和位置；(3)面积阈值：面积；对于图像增强后的大尺寸缺陷图像，背景中可能会出现许多离散分布的干扰区域，使用多维特征筛选矩阵对图像进行全区域判别，背景中的干扰区域在上述特征方面与缺陷区域存在差异，利用该差异性达到去除背景中存在的干扰区域的效果；多维特征筛选矩阵如下：
其中，若缺陷为夹杂或气孔缺陷，则形心距记为0；若缺陷为缩孔或缩松缺陷，则规整度记为0；
计算缺陷子图像中各区域位置的边缘曲率，若区域中存在若干超过预设曲率的边缘曲率值，则边缘曲率记为1，反之记为0；
若缺陷为夹杂或气孔缺陷，计算缺陷子图像中各区域的最小外接圆，判断各区域面积在最小外接圆中的占比，若占比小于65％，则规整度记为1，反之记为0；
若缺陷为缩孔或缩松缺陷，则计算缺陷子图像中各区域的形心位置，从中心区域开始依次计算所在区域与相邻最近一个区域的形心距离，若距离超过预设距离，则形心距记为1，反之为0；
判断各区域所在位置与扩充前图像的位置关系，若区域位置全部位于扩充前图像的外面，则位置记为1，反之为0；
判断缺陷子图像中各区域所占的面积，若所占面积小于1mm2，则面积记为1，反之为0；
通过缺陷子图像中各区域所对应的多维特征筛选矩阵，计算多维特征筛选矩阵的秩，若秩不为0，则判定对应区域为干扰区域，将干扰区域舍去；若秩为0，则判定对应区域为缺陷区域，将缺陷区域保留；
S6：图像边缘检测：
使用Canny函数对增强图像进行边缘检测，其中，Canny算法双阈值的选择会在一定程度上影响边缘检测效果；经过测试，本发明使用，Canny算法的高阈值设置为100，低阈值设置为50；经过Canny边缘检测后得到的图像中只余下代表缺陷边缘的白色曲线，背景色变为黑色；
S7：图像轮廓提取：
用轮廓提取函数对图像进行处理，该函数可以识别出黑色背景图像中的白色边界区域并将该信息储存起来，从而可以得到缺陷的轮廓信息，该信息可用于计算轮廓位置、周长和面积等，同时将该信息以紫色块的方式在缺陷子图像中显示出来，以便与缺陷子图像进行对比验证；
S8：缺陷评级：
对在S7中得到的缺陷轮廓信息进行计算可以到该缺陷的像素面积，根据图像采集时实际现场数据所确定的比例关系得到该缺陷像素面积与实际面积之间的转换关系，将缺陷的像素面积转换为实际面积，将得到的实际面积与S1中建立的评级量化体系进行对比得到缺陷等级，同时将该等级缺陷所对应的评级范围显示出来；
S9：系统开发：
将上述功能集成起来，开发出一个可以实现对输入的缺陷图像进行缺陷评级的系统。图2为基于铸件X射线图像的缺陷评级方法获取的评级结果与专家评片结果对比图，从图中可以看出，本发明提供的缺陷评级方法准确度极高。
另一方面，本发明提供了一种基于铸件X射线图像的缺陷评级系统，包括：
像素扩充模块，用于对采用缺陷自动识别系统获取的铸件X射线图像的缺陷标注框区域进行像素扩充；
截图模块，用于采用扩充后的缺陷标注框区域在铸件X射线图像上进行截取获取缺陷子图像；
图像增强模块，用于根据缺陷子图像中缺陷的尺寸和类别对缺陷子图像进行图像增强；
干扰区域排除模块，用于基于边缘轮廓、特征分布和面积阈值建立缺陷子图像对应的多维特征筛选矩阵，排除图像增强后的缺陷子图像中的干扰区域；
Canny算法模块，用于对缺陷子图像采用Canny算法进行边缘检测；
轮廓提取模块，用于采用轮廓提取函数获取缺陷的轮廓信息，计算缺陷的像素面积；
缺陷等级评估模块，用于将缺陷子图像的像素面积转换为实际铸件缺陷的面积，对照评级量化体系获取缺陷等级；
评级量化体系的建立模块，用于选取面积作为夹杂、气孔、缩孔和缩松的评级指标，根据缺陷评级参考图像，计算缺陷评级参考图像中缺陷区域像素在缺陷评级参考图像像素内的占比，计算各级缺陷的参考面积以完成评级量化体系的建立。
进一步优选地，缺陷评级系统还包括图像整合模块，用于当当前缺陷子图像与前一张缺陷子图像的缺陷类别和图像位置高度重合，则整合两张缺陷子图像为一张缺陷子图像。
进一步优选地，图像增强模块包括缺陷判别单元、高斯分布的加权平均单元、高斯模糊换算单元、二值化处理单元和模板扫描单元；
缺陷判别单元用于判断缺陷子图像中存在的缺陷类别和尺寸大小；
高斯分布的加权平均单元，用于若缺陷子图像中存在尺寸超过尺寸阈值的夹杂和气孔，采用基于高斯分布的加权平均方法计算缺陷子图像中各中心像素点预设半径周边像素灰度值的加权平均值，并用加权平均值替代中心像素点的灰度值；
高斯模糊换算单元用于对图像进行高斯模糊，将经过高斯分布的加权平均单元处理的图像与经过高斯模糊处理的图像进行比例换算，再将比例换算后的结果同比例换算到0～255的像素值范围内；
二值化处理单元用于计算经过高斯模糊换算单元获取的图像直方图，遍历像素阈值0～255，在直方图中大于像素阈值的像素为前景，剩余为背景，分别计算前景和背景中像素个数所占像素的比例和像素平均值；计算各个像素阈值下的类间方差，使用使类间方差达到最大值的像素阈值对经过高斯分布的加权平均单元获取的图像进行二值化处理，获取图像增强后的缺陷子图像；
模板扫描单元用于若缺陷子图像中存在其他缺陷，则采用一个3×3的高斯模板扫描缺陷子图像中的每一个像素，基于高斯模板计算以选中像素点为中心的邻域内像素的加权平均灰度值，并用加权平均灰度值替代模板中心像素点的值，获取图像增强后的缺陷子图像。进一步优选地，多维特征筛选矩阵为：
其中，若缺陷为夹杂或气孔缺陷，则形心距记为0；若缺陷为缩孔或缩松缺陷，则规整度记为0；
计算缺陷子图像中各区域位置的边缘曲率，若区域中存在若干超过预设曲率的边缘曲率值，则边缘曲率记为1，反之记为0；
若缺陷为夹杂或气孔缺陷，计算缺陷子图像中各区域的最小外接圆，判断各区域面积在最小外接圆中的占比，若占比小于65％，则规整度记为1，反之记为0；
若缺陷为缩孔或缩松缺陷，则计算缺陷子图像中各区域的形心位置，从中心区域开始依次计算所在区域与相邻最近一个区域的形心距离，若距离超过预设距离，则形心距记为1，反之为0；
判断各区域所在位置与扩充前图像的位置关系，若区域位置全部位于扩充前图像的外面，则位置记为1，反之为0；
判断缺陷子图像中各区域所占的面积，若所占面积小于1mm2，则面积记为1，反之为0；
通过缺陷子图像中各区域所对应的多维特征筛选矩阵，计算多维特征筛选矩阵的秩，若秩不为0，则判定对应区域为干扰区域，将干扰区域舍去；若秩为0，则判定对应区域为缺陷区域，将缺陷区域保留。
本发明选取面积作为夹杂、气孔、缩孔和缩松的评级指标，根据标准《GB/T 11346-2018》所提供的缺陷图样，计算各级缺陷的参考面积以完成评级量化提下的建立，突破了现有铸件缺陷评级缺少明确数值指标的局限。
综上所述，本发明与现有技术相比，存在以下优势：
本发明中对整张铸件X射线图像上的缺陷区域进行扩充得到缺陷子图像，可以充分提取整张铸件X射线图像的区域灰度信息，结合特征增强方法进行挣钱，可以解决铸件复杂结构对缺陷特征增强的干扰难题。
本发明基于缺陷自动识别系统所得缺陷类别和位置信息，开展图像自动判别整合算法的研究，实现对集中分布但单独标注的同一类型缺陷进行整合评级，提高生产参考价值。
本发明中若缺陷子图像中存在大尺寸的夹杂和气孔缺陷，则依次进行高斯分布的加权平均方法、高斯模糊方法和二值化处理，实现图像增强，对于其他缺陷，形貌特征清晰度不足，避免引入过多背景干扰区域，用一个预设模板扫描缺陷子图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值；实现图像增强。针对不同尺寸和种类缺陷，采用不同的缺陷特征增强方法，突破组件缺陷探伤图像缺陷信息不明显的局限。
本发明中对于大尺寸缺陷图像在特征增强后会在背景中出现很多离散分布的干扰区域，采用多维特征筛选矩阵，对所有区域进行判定并去除干扰项，突破大尺寸图像特征增强后易引入背景误差的局限。
本领域的技术人员容易理解，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、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于铸件X射线图像的缺陷评级方法，其特征在于，包括以下步骤：
S1：对铸件X射线图像的缺陷标注框区域进行像素扩充，再采用扩充后的缺陷标注框区域在铸件X射线图像上进行截取获取缺陷子图像；
S2：根据缺陷子图像中缺陷的尺寸和类别对缺陷子图像进行图像增强；
S3：若图像增强后的缺陷子图像中存在尺寸超过阈值的缺陷，则基于边缘轮廓、特征分布和面积阈值建立缺陷子图像对应的多维特征筛选矩阵，排除图像增强后的缺陷子图像中的干扰区域；
S4：对S3处理后的缺陷子图像采用Canny算法进行边缘检测，采用轮廓提取函数获取缺陷的轮廓信息，计算缺陷的像素面积；
S5：将缺陷的像素面积转换为实际铸件缺陷的面积，对照评级量化体系获取缺陷等级；
其中，评级量化体系的建立方法为：选取面积作为夹杂、气孔、缩孔和缩松的评级指标，根据缺陷评级参考图像，计算缺陷评级参考图像中缺陷区域像素在缺陷评级参考图像像素内的占比，计算各级缺陷的参考面积以完成评级量化体系的建立。
2.根据权利要求1所述的缺陷评级方法，其特征在于，在S1和S2之间执行步骤：若当前缺陷子图像与前一张缺陷子图像的缺陷类别和图像位置高度重合，则整合两张缺陷子图像为一张缺陷子图像。
3.根据权利要求1或2所述的缺陷评级方法，其特征在于，S2具体为：
若缺陷子图像中存在尺寸超过尺寸阈值的夹杂和气孔，则图像增强方法为：
a.采用基于高斯分布的加权平均方法计算缺陷子图像中各中心像素点预设半径周边像素灰度值的加权平均值，并用加权平均值替代中心像素点的灰度值；
b.对经过a处理的图像进行高斯模糊，将经过a处理的图像与经过高斯模糊处理的图像进行比例换算，再将比例换算后的结果同比例换算到0～255的像素值范围内；
c.计算经过b获取的图像直方图，遍历像素阈值0～255，在直方图中大于像素阈值的像素为前景，剩余为背景，分别计算前景和背景中像素个数所占像素的比例和像素平均值；
d.计算各个像素阈值下的类间方差，使用使类间方差达到最大值的像素阈值对经过b获取的图像进行二值化处理，获取图像增强后的缺陷子图像；
若缺陷子图像中存在其他缺陷，则采用一个3×3的高斯模板扫描缺陷子图像中的每一个像素，基于高斯模板计算以选中像素点为中心的邻域内像素的加权平均灰度值，并用加权平均灰度值替代模板中心像素点的值，获取图像增强后的缺陷子图像。
4.根据权利要求3所述的缺陷评级方法，其特征在于，所述多维特征筛选矩阵为：
其中，若缺陷为夹杂或气孔缺陷，则形心距记为0；若缺陷为缩孔或缩松缺陷，则规整度记为0；
计算缺陷子图像中各区域位置的边缘曲率，若区域中存在若干超过预设曲率的边缘曲率值，则边缘曲率记为1，反之记为0；
若缺陷为夹杂或气孔缺陷，计算缺陷子图像中各区域的最小外接圆，判断各区域面积在最小外接圆中的占比，若占比小于65％，则规整度记为1，反之记为0；
若缺陷为缩孔或缩松缺陷，则计算缺陷子图像中各区域的形心位置，从中心区域开始依次计算所在区域与相邻最近一个区域的形心距离，若距离超过预设距离，则形心距记为1，反之为0；
判断各区域所在位置与扩充前图像的位置关系，若区域位置全部位于扩充前图像的外面，则位置记为1，反之为0；
判断缺陷子图像中各区域所占的面积，若所占面积小于1mm2，则面积记为1，反之为0；
通过缺陷子图像中各区域所对应的多维特征筛选矩阵，计算多维特征筛选矩阵的秩，若秩不为0，则判定对应区域为干扰区域，将干扰区域舍去；若秩为0，则判定对应区域为缺陷区域，将缺陷区域保留。
5.一种基于铸件X射线图像的缺陷评级系统，其特征在于，包括：
像素扩充模块，用于对铸件X射线图像的缺陷标注框区域进行像素扩充；
截图模块，用于采用扩充后的缺陷标注框区域在铸件X射线图像上进行截取获取缺陷子图像；
图像增强模块，用于根据缺陷子图像中缺陷的尺寸和类别对缺陷子图像进行图像增强；
干扰区域排除模块，用于若图像增强后的缺陷子图像中存在尺寸超过阈值的缺陷，则基于边缘轮廓、特征分布和面积阈值建立缺陷子图像对应的多维特征筛选矩阵，排除图像增强后的缺陷子图像中的干扰区域；
Canny算法模块，用于对缺陷子图像采用Canny算法进行边缘检测；
轮廓提取模块，用于采用轮廓提取函数获取缺陷的轮廓信息，计算缺陷的像素面积；
缺陷等级评估模块，用于将缺陷的像素面积转换为实际铸件缺陷的面积，对照评级量化体系获取缺陷等级；
评级量化体系的建立模块，用于选取面积作为夹杂、气孔、缩孔和缩松的评级指标，根据缺陷评级参考图像，计算缺陷评级参考图像中缺陷区域像素在缺陷评级参考图像像素内的占比，计算各级缺陷的参考面积以完成评级量化体系的建立。
6.根据权利要求5所述的缺陷评级系统，其特征在于，还包括图像整合模块，用于当当前缺陷子图像与前一张缺陷子图像的缺陷类别和图像位置高度重合，则整合两张缺陷子图像为一张缺陷子图像。
7.根据权利要求5或6所述的缺陷评级系统，其特征在于，所述图像增强模块包括缺陷判别单元、高斯分布的加权平均单元、高斯模糊换算单元、二值化处理单元和模板扫描单元；
缺陷判别单元用于判断缺陷子图像中存在的缺陷类别和尺寸大小；
高斯分布的加权平均单元，用于若缺陷子图像中存在尺寸超过尺寸阈值的夹杂和气孔，采用基于高斯分布的加权平均方法计算缺陷子图像中各中心像素点预设半径周边像素灰度值的加权平均值，并用加权平均值替代中心像素点的灰度值；
高斯模糊换算单元用于对图像进行高斯模糊，将经过高斯分布的加权平均单元处理的图像与经过高斯模糊处理的图像进行比例换算，再将比例换算后的结果同比例换算到0～255的像素值范围内；
二值化处理单元用于计算经过高斯模糊换算单元获取的图像直方图，遍历像素阈值0～255，在直方图中大于像素阈值的像素为前景，剩余为背景，分别计算前景和背景中像素个数所占像素的比例和像素平均值；计算各个像素阈值下的类间方差，使用使类间方差达到最大值的像素阈值对经过高斯分布的加权平均单元获取的图像进行二值化处理，获取图像增强后的缺陷子图像；
模板扫描单元用于若缺陷子图像中存在其他缺陷，则采用一个3×3的高斯模板扫描缺陷子图像中的每一个像素，基于高斯模板计算以选中像素点为中心的邻域内像素的加权平均灰度值，并用加权平均灰度值替代模板中心像素点的值，获取图像增强后的缺陷子图像。
8.根据权利要求7所述的缺陷评级系统，其特征在于，所述多维特征筛选矩阵为：
其中，若缺陷为夹杂或气孔缺陷，则形心距记为0；若缺陷为缩孔或缩松缺陷，则规整度记为0；
计算缺陷子图像中各区域位置的边缘曲率，若区域中存在若干超过预设曲率的边缘曲率值，则边缘曲率记为1，反之记为0；
若缺陷为夹杂或气孔缺陷，计算缺陷子图像中各区域的最小外接圆，判断各区域面积在最小外接圆中的占比，若占比小于65％，则规整度记为1，反之记为0；
若缺陷为缩孔或缩松缺陷，则计算缺陷子图像中各区域的形心位置，从中心区域开始依次计算所在区域与相邻最近一个区域的形心距离，若距离超过预设距离，则形心距记为1，反之为0；
判断各区域所在位置与扩充前图像的位置关系，若区域位置全部位于扩充前图像的外面，则位置记为1，反之为0；
判断缺陷子图像中各区域所占的面积，若所占面积小于1mm2，则面积记为1，反之为0；
通过缺陷子图像中各区域所对应的多维特征筛选矩阵，计算多维特征筛选矩阵的秩，若秩不为0，则判定对应区域为干扰区域，将干扰区域舍去；若秩为0，则判定对应区域为缺陷区域，将缺陷区域保留。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211295842.5A CN115908261A (zh) | 2022-10-21 | 2022-10-21 | 一种基于铸件x射线图像的缺陷评级方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211295842.5A CN115908261A (zh) | 2022-10-21 | 2022-10-21 | 一种基于铸件x射线图像的缺陷评级方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115908261A true CN115908261A (zh) | 2023-04-04 |
Family
ID=86475341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211295842.5A Pending CN115908261A (zh) | 2022-10-21 | 2022-10-21 | 一种基于铸件x射线图像的缺陷评级方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115908261A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116645390A (zh) * | 2023-07-27 | 2023-08-25 | 吉林省星博医疗器械有限公司 | 一种荧光图像细胞快速分割方法和系统 |
| CN118616703A (zh) * | 2024-08-12 | 2024-09-10 | 四川金钱柜文化传播有限公司 | 一种基于贵金属工艺品铸造的控制方法 |
-
2022
- 2022-10-21 CN CN202211295842.5A patent/CN115908261A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116645390A (zh) * | 2023-07-27 | 2023-08-25 | 吉林省星博医疗器械有限公司 | 一种荧光图像细胞快速分割方法和系统 |
| CN116645390B (zh) * | 2023-07-27 | 2023-10-03 | 吉林省星博医疗器械有限公司 | 一种荧光图像细胞快速分割方法和系统 |
| CN118616703A (zh) * | 2024-08-12 | 2024-09-10 | 四川金钱柜文化传播有限公司 | 一种基于贵金属工艺品铸造的控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113538429B (zh) | 基于图像处理的机械零件表面缺陷检测方法 | |
| CN115345885B (zh) | 一种金属健身器材外观质量检测方法 | |
| CN112419250A (zh) | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 | |
| CN109685760B (zh) | 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法 | |
| CN108562589A (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
| CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
| CN109242853A (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
| CN111079955A (zh) | 一种基于x射线成像的gis设备缺陷检测方法 | |
| CN114972326A (zh) | 热收缩管扩管工艺的次品识别方法 | |
| CN109598681B (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
| KR101813223B1 (ko) | 영상 표면의 결함을 검출 및 분류하는 방법 및 장치 | |
| CN115049657A (zh) | 一种玻璃缺陷检测方法 | |
| CN117788467B (zh) | 一种钛金属板材缺陷图像分类方法 | |
| CN110060239B (zh) | 一种用于瓶子瓶口的缺陷检测方法 | |
| CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
| CN111429462A (zh) | 一种基于边缘检测和数学形态学的车牌定位方法 | |
| CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
| CN115908261A (zh) | 一种基于铸件x射线图像的缺陷评级方法及系统 | |
| CN115311289A (zh) | 一种素色布匹油渍缺陷检测方法 | |
| CN115272350A (zh) | 一种计算机pcb主板生产质量检测方法 | |
| CN115131356A (zh) | 一种基于丰富度的钢板缺陷分类方法 | |
| CN114387269B (zh) | 一种基于激光的纤维丝缺损检测方法 | |
| CN116152261A (zh) | 一种印刷制品质量的视觉检测系统 | |
| CN113392819B (zh) | 一种批量化学术图像自动分割标注装置和方法 | |
| CN107145888A (zh) | 视频字幕实时翻译方法 |
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 |