CN115984272B - 基于计算机视觉的半挂车车桥缺陷识别方法 - Google Patents
基于计算机视觉的半挂车车桥缺陷识别方法 Download PDFInfo
- Publication number
- CN115984272B CN115984272B CN202310266474.XA CN202310266474A CN115984272B CN 115984272 B CN115984272 B CN 115984272B CN 202310266474 A CN202310266474 A CN 202310266474A CN 115984272 B CN115984272 B CN 115984272B
- Authority
- CN
- China
- Prior art keywords
- connected domain
- value
- gray
- target
- determining
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000002893 slag Substances 0.000 claims abstract description 94
- 238000011156 evaluation Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000003466 welding Methods 0.000 abstract description 16
- 238000012545 processing Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000003708 edge detection Methods 0.000 description 4
- 230000005484 gravity Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction 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 Analysis (AREA)
Abstract
本发明涉及图像处理技术领域，具体涉及一种基于计算机视觉的半挂车车桥缺陷识别方法，通过获取车桥表面的焊缝区域图像中的各个可疑连通域，确定各个可疑连通域的边缘规则程度值，进而确定各个可疑连通域中的各个目标连通域；根据各个目标连通域中像素点的灰度值，确定各个目标连通域对应的内部灰度变化程度值和灰度曲线评估值，进而确定各个目标连通域对应的夹渣缺陷可信程度，从而最终确定各个目标连通域中的夹渣缺陷区域。本发明通过对车桥表面的焊缝区域图像进行处理，可实现焊缝区域夹渣缺陷的准确识别。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于计算机视觉的半挂车车桥缺陷识别方法。
背景技术
半挂车具有车载量大、使用灵活、倒车方便、适应性强等诸多优点，很多运输员很愿意选择半挂车进行货物运输，因此半挂车在实际的公路货运运输过程得到了十分广泛的应用。随着半挂车的受众群体的快速增加，人们对半挂车质量安全问题也越来越重视。车桥作为半挂车的重要组成部分，其主要作用是承受车辆的载荷，以保证车辆能够在道路上正常安全的行驶。而车桥的桥壳部分在生产过程中往往会产生局部焊缝缺陷，该缺陷可能会导致焊缝处出现疲劳裂纹，极端情况下会导致桥壳断裂，给半挂车使用带来极大的安全隐患，因此对车桥的桥壳部分焊缝处的焊接缺陷进行检测和识别至关重要。
目前，工业中常使用无损检测技术X射线对焊缝区域进行处理，从而得到效果图像，对该效果图像进行分析并判断是否存在焊接缺陷。夹渣缺陷作为一种常见的焊接缺陷，不仅会对后续焊缝的处理工艺造成影响，严重降低外观质量，在极个别情况下也可能会对车桥焊缝造成极大的危害，但是由于其在效果图像中的特征与气孔等特征较为相似，往往很容易被错认为气孔，从而无法被准确地检测和识别出。
发明内容
本发明的目的在于提供一种基于计算机视觉的半挂车车桥缺陷识别方法，用于解决现有车桥焊缝的夹渣缺陷检测准确性差的问题。
为解决上述技术问题，本发明提供了一种基于计算机视觉的半挂车车桥缺陷识别方法，包括以下步骤：
获取车桥表面的焊缝区域图像，并获取焊缝区域图像中的各个可疑连通域；
确定各个可疑连通域的边缘像素点，根据边缘像素点的位置，确定各个可疑连通域的边缘规则程度值，并根据所述边缘规则程度值，确定各个可疑连通域中的各个目标连通域；
根据各个目标连通域中像素点的灰度值，确定各个目标连通域对应的灰度偏差指标值和典型灰度像素点占比指标值，进而确定各个目标连通域对应的内部灰度变化程度值；
确定各个目标连通域在每个设定方向上的灰度波动曲线，并根据灰度波动曲线，确定各个目标连通域对应的灰度曲线评估值；
根据各个目标连通域对应的内部灰度变化程度值和灰度曲线评估值，确定各个目标连通域对应的夹渣缺陷可信程度；
根据各个目标连通域对应的夹渣缺陷可信程度，确定各个目标连通域中的夹渣缺陷区域。
进一步的，确定各个目标连通域对应的灰度偏差指标值和典型灰度像素点占比指标值，包括：
对于任意一个目标连通域，根据目标连通域中像素点的灰度值，计算所有像素点的灰度值的均值；
计算目标连通域中每个像素点的灰度值与所述均值的差值绝对值，将所有差值绝对值中的最大值确定为目标连通域的灰度偏差指标值；
对目标连通域中像素点的灰度值进行统计，确定目标连通域中各个灰度级对应的频次；
确定目标连通域中所有灰度级对应的频次中的最大值，并将所述所有灰度级对应的频次中的最大值与目标连通域中所有像素点数目的比值，确定为目标连通域对应的典型灰度像素点占比指标值。
进一步的，进而确定各个目标连通域对应的内部灰度变化程度值，包括：
对于任意一个目标连通域，对目标连通域对应的灰度偏差指标值和典型灰度像素点占比指标值分别进行归一化，从而得到归一化之后的灰度偏差指标值和典型灰度像素点占比指标值的相加值，确定为目标连通域对应的内部灰度变化程度值。
进一步的，确定各个目标连通域在每个设定方向上的灰度波动曲线，包括：
对于任意一个目标连通域，确定目标连通域的质心点，从质心点沿着每个设定方向向目标连通域的边缘连线，从而得到目标连通域在每个设定方向上对应的连线；
根据目标连通域在每个设定方向上对应的连线上的像素点的灰度值，按照从质心点到目标连通域的边缘的方向，对连线上的所有像素点的灰度值进行排序，从而得到目标连通域在每个设定方向上对应的灰度值序列；
对于目标连通域在每个设定方向上对应的灰度值序列，以灰度值序列中的各个灰度值为纵坐标，且以各个灰度值对应的序号为横坐标，进行曲线拟合，从而得到目标连通域在每个设定方向上的灰度波动曲线。
进一步的，确定各个目标连通域对应的灰度曲线评估值，包括：
对于任意一个目标连通域，根据目标连通域在每个设定方向上的灰度波动曲线，确定灰度波动曲线中每个点的斜率值，并将所有点的斜率值的平均值，确定为灰度波动曲线的斜率值均值；
根据目标连通域在每个设定方向上的灰度波动曲线的斜率值均值，确定斜率值均值大于设定斜率值阈值的对应的设定方向的个数，将所述个数与设定方向的总数目的比值，确定为目标连通域对应的灰度曲线评估值。
进一步的，确定各个目标连通域对应的夹渣缺陷可信程度对应的计算公式为：
其中，
为每个目标连通域对应的夹渣缺陷可信程度，
为每个目标连通域对应的
内部灰度变化程度值，
为每个目标连通域对应的灰度曲线评估值，
为第一设定权重值，
为第二设定权重值，
为以自然常数e为底数的指数函数。
进一步的，确定各个可疑连通域的边缘规则程度值，包括：
根据每个可疑连通域的边缘像素点的位置，对每个可疑连通域的边缘像素点进行链码操作，从而得到每个可疑连通域对应的链码数值序列；
根据每个可疑连通域对应的链码数值序列，计算链码数值序列中任意相邻两个链码数值之间的差值的绝对值，并根据所述差值的绝对值，计算每个可疑连通域的边缘规则程度值。
进一步的，计算每个可疑连通域的边缘规则程度值对应的计算公式为：
进一步的，确定各个可疑连通域中的各个目标连通域，包括：
将每个可疑连通域的边缘规则程度值与设定边缘规则程度阈值进行比较，将边缘规则程度值小于设定边缘规则程度阈值的对应的可疑连通域，确定为目标连通域。
进一步的，确定各个目标连通域中的夹渣缺陷区域，包括：
将每个目标连通域对应的夹渣缺陷可信程度与设定夹渣缺陷可信程度阈值进行比较，将夹渣缺陷可信程度大于设定夹渣缺陷可信程度阈值的对应的目标连通域，确定为夹渣缺陷区域。
本发明具有如下有益效果：通过对车桥表面的焊缝区域图像进行识别，从而得到各个可疑连通域，这些可疑连通域为夹渣缺陷区域或气孔缺陷区域。考虑到气孔缺陷区域的边缘比较规则，而夹渣缺陷区域的边缘规则度较差，因此根据各个可疑连通域的边缘像素点的位置，确定各个可疑连通域的边缘规则程度值，并基于该边缘规则程度值，筛选出边缘规则度较差的更有可能为夹渣缺陷的各个目标连通域。考虑到气孔缺陷区域内部灰度变化程度较大，而夹渣缺陷内部灰度变化程度较小，因此确定各个目标连通域对应的灰度偏差指标值和典型灰度像素点占比指标值，灰度偏差指标值表征了目标连通域内部灰度偏差情况，典型灰度像素点占比指标值表征了目标连通域内部的主要灰度值的占比情况，进而最终得到各个目标连通域对应的内部灰度变化程度值，该内部灰度变化程度值综合表征了目标连通域内部的灰度变化程度，以便于后续基于灰度变化程度对夹渣缺陷和气孔缺陷进行区分。考虑到夹渣缺陷内部灰度分布较为均匀，而气孔缺陷的中心处灰度值更小，颜色更暗，均匀地向边缘淡化，因此为了进一步准确地对夹渣缺陷和气孔缺陷进行区分，通过确定各个目标连通域在每个设定方向上的灰度波动曲线，进而确定各个目标连通域对应的灰度曲线评估值，该灰度曲线评估值表征了目标连通域内部灰度的变化趋势情况。综合内部灰度变化程度值和灰度曲线评估值，确定各个目标连通域对应的夹渣缺陷可信程度，该夹渣缺陷可信程度准确表征了目标连通域为夹渣缺陷的可能性大小，基于该夹渣缺陷可信程度，确定各个目标连通域中的夹渣缺陷区域，最终实现夹渣缺陷的准确识别，有效提高了车桥焊缝的夹渣缺陷检测的准确性。
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为本发明实施例的基于计算机视觉的半挂车车桥缺陷识别方法的流程图；
图2为本发明实施例的某条焊缝对应的焊缝区域图像的部分图像的示意图；
图3为本发明实施例的八连通链码对应的 8个方向的示意图。
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技术方案的具体实施方式、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。另外，本文所涉及公式中的所有参数或者指标均为归一化之后的消除了量纲影响的数值。
本实施例提供了一种基于计算机视觉的半挂车车桥缺陷识别方法，其对应的流程图如图1所示，包括以下步骤：
步骤S01：获取车桥表面的焊缝区域图像，并获取焊缝区域图像中的各个可疑连通域。
在本实施例中，使用无损检测技术X射线得到半挂车的车桥的桥壳部分的焊缝区域图像，该焊缝区域图像为灰度图像，图2给出了某条焊缝对应的焊缝区域图像的部分图像。通过对焊缝区域图像进行分析可知，夹渣缺陷和气孔缺陷特征比较相似，其在X射线下的焊缝区域内部表现均为灰度值较小的小连通域，而整个焊缝部分表现为灰度值取值较大的更亮区域。基于这一特点，对焊缝区域图像进行自适应大津阈值分割，从而得到分割处理后的图像，分割处理后的图像中前景部分所构成的各个区域即为各个可疑连通域，这些可疑连通域为夹渣缺陷或者气孔缺陷。当然，作为其他的实施方式，也可以采用现有技术中的其他技术手段来确定焊缝区域图像中的各个可疑连通域，例如，采用语义分割网络对焊缝区域图像进行区域分割，从而得到焊缝区域图像中的各个可疑连通域。
步骤S02：确定各个可疑连通域的边缘像素点，根据边缘像素点的位置，确定各个可疑连通域的边缘规则程度值，并根据所述边缘规则程度值，确定各个可疑连通域中的各个目标连通域。
通过对夹渣缺陷进行进一步深入分析可知，夹渣缺陷对应区域的外形通常并不规则，但其内部灰度均匀，而对于与其类似且常见于焊缝内部的气孔则特征相反，其外形大多为规则的圆形且平滑，内部灰度存在一定数值波动，即气孔区域的中心处灰度值更小，颜色更暗，均匀地向边缘淡化。
基于上述分析，根据夹渣缺陷和气孔缺陷的特征，使用canny边缘检测技术对各个可疑连通域进行边缘检测，从而确定各个可疑连通域的边缘像素点。由于使用canny边缘检测技术对连通域进行边缘检测，确定边缘像素点的具体实现过程属于公知技术，此处不再赘述。然后根据各个可疑连通域的边缘像素点的位置，确定各个可疑连通域的边缘规则程度值，实现步骤包括：
根据每个可疑连通域的边缘像素点的位置，对每个可疑连通域的边缘像素点进行链码操作，从而得到每个可疑连通域对应的链码数值序列；
根据每个可疑连通域对应的链码数值序列，计算链码数值序列中任意相邻两个链码数值之间的差值的绝对值，并根据所述差值的绝对值，计算每个可疑连通域的边缘规则程度值。
具体的，对于任意一个可疑连通域，根据该可疑连通域的各个边缘像素点的位置，对这些边缘像素点使用链码操作进行评估，链码操作是指使用边缘像素点中的起始点坐标和方向代码，来描述边缘像素点走向的方法，通过将相对方向量化成具体数值，从而可以得到可疑连通域的链码数值序列。由于任意一个像素点周围都有八个邻接像素点，而八连通链码刚好与像素点的实际情况相符合，可以准确地描述中心像素点与其邻接像素点的信息，所以本实施例选用八连通链码对可疑连通域的各个边缘像素点进行评估，从而得到该可疑连通域的链码数值序列。八连通链码对应方向0-方向7总共 8个方向，8个方向的具体指向如图3所示。由于通过使用八连通链码来获取可疑连通域的链码数值序列的具体实现过程属于公知技术，此处不再赘述。
在获得每个可疑连通域对应的链码数值序列之后，根据链码数值序列中的各个链码数值，利用数值间差的方式进行异常突变的检测和统计：当可疑连通域的边缘较为规则时，即与圆形边缘相等或相似，则理论上得到的链码数值序列中后一位链码数值和前一位链码数值的差值绝对值应当不大于1，当然方向0和方向7除外，由此特征确定可疑连通域的边缘规则程度，对应的计算公式为：
在上述的第i个可疑连通域的边缘规则程度值
的计算公式中，通过设置
，可以规避方向0和方向7对应的链码数值的差值绝对值大于1的情况，通过
取
和
中的较小值，当
的取值
越小时，最小值为0，则对应的分子
的取值越接近
于
，最终结果边缘规则程度值
越接近于1。当链码数值序列中任意两个链码数值的差值
绝对值均为1或者7时，则此时对应的分子
的取值
近似为0，最终结果边缘规则程度值
取值也近似为0。当链码数值序列中任意两个链码数
值的差值绝对值较大时，分子
的取值小于0，最终
结果边缘规则程度值
取值也小于0。因此，当边缘规则程度值
越小时，则说明可疑连通
域的边缘可能越不规则，此时该可疑连通域越可能对应夹渣缺陷，而当边缘规则程度值
越大时，则说明可疑连通域的边缘可能越规则，此时该可疑连通域越可能对应气孔缺陷。
基于上述分析，在确定各个可疑连通域的边缘规则程度值之后，将每个可疑连通域的边缘规则程度值与设定边缘规则程度阈值进行比较，将边缘规则程度值小于设定边缘规则程度阈值的对应的可疑连通域，确定为目标连通域，从而得到各个可疑连通域中的各个目标连通域。在本实施例中，设置设定边缘规则程度阈值的取值为0，此时当可疑连通域的边缘规则程度值大于或者等于0时，则认为当前可疑连通域符合边缘规则的情况；而当可疑连通域的边缘规则程度值小于0时，则认为当前可疑连通域的边缘的规则程度低，并将对应可疑连通域确定为目标连通域。
步骤S03：根据各个目标连通域中像素点的灰度值，确定各个目标连通域对应的灰度偏差指标值和典型灰度像素点占比指标值，进而确定各个目标连通域对应的内部灰度变化程度值。
在通过上述步骤S02确定各个目标连通域之后，对目标连通域的内部灰度特征进行进一步的分析和计算，从而更加准确和严谨地评估其为夹渣缺陷的可能性。由夹渣缺陷在焊缝内部表现特征可知，其内部颜色深度均匀，即灰度变化程度较低，且灰度波动不明显；而干扰因素气孔缺陷的内部灰度变化程度较高，且一般从连通域内部均匀的向边缘淡化，颜色则由深至浅。基于这一特点，根据各个目标连通域中像素点的灰度值，确定各个目标连通域对应的灰度偏差指标值和典型灰度像素点占比指标值，以便于后续进一步确定各个目标连通域对应的内部灰度变化程度值，实现步骤包括：
对于任意一个目标连通域，根据目标连通域中像素点的灰度值，计算所有像素点的灰度值的均值；
计算目标连通域中每个像素点的灰度值与所述均值的差值绝对值，将所有差值绝对值中的最大值确定为目标连通域的灰度偏差指标值；
对目标连通域中像素点的灰度值进行统计，确定目标连通域中各个灰度级对应的频次；
确定目标连通域中所有灰度级对应的频次中的最大值，并将所述所有灰度级对应的频次中的最大值与目标连通域中所有像素点数目的比值，确定为目标连通域对应的典型灰度像素点占比指标值。
在确定各个目标连通域对应的灰度偏差指标值和典型灰度像素点占比指标值之后，进一步确定各个目标连通域对应的内部灰度变化程度值，实现步骤包括：
对于任意一个目标连通域，对目标连通域对应的灰度偏差指标值和典型灰度像素点占比指标值分别进行归一化，从而得到归一化之后的灰度偏差指标值和典型灰度像素点占比指标值的相加值，确定为目标连通域对应的内部灰度变化程度值。
具体的，对于任意一个目标连通域，计算目标连通域中所有像素点的平均灰度值，并确定目标连通域中像素点的灰度值与平均灰度值的数值差异最大值，并将该数值差异最大值确定为目标连通域的灰度偏差指标值。同时，获取目标连通域对应的灰度直方图，并将灰度直方图中灰度级频次的最大值与目标连通域中所有像素点数目的比值，确定为目标连通域对应的典型灰度像素点占比指标值。对灰度偏差指标值和典型灰度像素点占比指标值进行归一化后，并将归一化结果的相加值确定为目标连通域对应的内部灰度变化程度值，对应的计算公式为：
其中，
为目标连通域对应的内部灰度变化程度值，
为目标连通域中第r个像素
点的灰度值，
为目标连通域中所有像素点的灰度值的均值，也称为平均灰度值，
为目标连通域中第i个像素点的灰度值，m为目标连通域中所有像素点的总数目，
为目标连通域中每个像素点的灰度值与平均灰度值的差值绝对值中
的最大值，也就是目标连通域的灰度偏差指标值，该最大值对应目标连通域中第r个像素
点，
为目标连通域中所有灰度级对应的频次中的最大值，
为目标连通域对应的典
型灰度像素点占比指标值，
为以自然常数e为底数的指数函数，用于对典型灰度像素
点占比指标值
进行负相关归一化，归一化的取值范围为[0,1]，
为双曲线正切函
数，用于对灰度偏差指标值
进行正相关归一化，归一化的取值范围为
[0,1]，此时内部灰度变化程度值
的取值范围为[0,2]。
在上述的目标连通域对应的内部灰度变化程度值
的计算公式中，
表征了目标连通域对应的直方图中灰度级与平均灰度值之间的灰度
数值跨度，当灰度数值跨度越大时，则说明当前目标连通域内部灰度变化程度较高，此时当
前目标连通域越可能对应气孔缺陷，对应的内部灰度变化程度值
取值越大；而当灰度数值
跨度越小时，则说明当前目标连通域内部灰度变化程度较低，此时当前目标连通域越可能
对应夹渣缺陷，对应的内部灰度变化程度值
取值越小。
表征了目标连通域对应的直方
图中最大峰值灰度级对应的像素点数目占目标连通域内像素点总数的比重，当该比重越小
时，说明目标连通域内灰度值不同的像素点越多，即目标连通域内灰度值的变化程度越高，
越符合气孔缺陷的内部灰度值特征，对应的内部灰度变化程度值
取值越大；而当该比重越
大时，说明目标连通域内灰度值相同的像素点越多，即目标连通域内灰度值的变化程度越
低，越符合夹渣缺陷的内部灰度值特征，对应的内部灰度变化程度值
取值越小。
步骤S04：确定各个目标连通域在每个设定方向上的灰度波动曲线，并根据灰度波动曲线，确定各个目标连通域对应的灰度曲线评估值。
由于在实际的检测过程中，X射线受环境和焊缝表面的影响，存在连通域内部出现光照或其他因素的干扰情况，从而导致夹渣连通域中也可能会存在部分灰度值较大，整体灰度变化程度较高的情况。因此，为了更加准确且严谨地识别出夹渣缺陷，需要对目标连通域进行波动方向的判断。
基于上述分析，为了实现对目标连通域的波动方向的判断，首先确定各个目标连通域在每个设定方向上的灰度波动曲线，实现步骤包括：
对于任意一个目标连通域，确定目标连通域的质心点，从质心点沿着每个设定方向向目标连通域的边缘连线，从而得到目标连通域在每个设定方向上对应的连线；
根据目标连通域在每个设定方向上对应的连线上的像素点的灰度值，按照从质心点到目标连通域的边缘的方向，对连线上的所有像素点的灰度值进行排序，从而得到目标连通域在每个设定方向上对应的灰度值序列；
对于目标连通域在每个设定方向上对应的灰度值序列，以灰度值序列中的各个灰度值为纵坐标，且以各个灰度值对应的序号为横坐标，进行曲线拟合，从而得到目标连通域在每个设定方向上的灰度波动曲线。
具体的，对于任意一个目标连通域，确定该目标连通域的质心点，然后以如图3所示的8个方向为设定方向，在每一个设定方向上，从质心点开始向目标连通域的边缘进行连线，然后按照连线从质心点到边缘的方向，对每个设定方向上对应的连线上的像素点灰度值依次进行数值统计，从而得到每个设定方向对应的灰度值序列。以每个灰度值序列中的各个灰度值为纵坐标，并以各个灰度值对应的序号为横坐标，拟合出该设定方向上的灰度波动曲线。
在得到目标连通域在每个设定方向上的灰度波动曲线之后，若当前连通域的灰度波动曲线的纵轴灰度数值呈增长趋势，则代表该连通域内部呈现为颜色由深至浅变化，则该连通域更有可能为气孔缺陷。若当前连通域的灰度波动曲线呈平稳或下降趋势，则代表该连通域内部颜色不符合气孔等干扰因素的特征，而是更符合夹渣缺陷的灰度变化特征，则该连通域更有可能为夹渣缺陷。
基于上述分析，对目标连通域在各个设定方向上的灰度波动曲线进行分析，从而确定目标连通域对应的灰度曲线评估值，以便于后续更准确地识别出夹渣缺陷，实现步骤包括：
对于任意一个目标连通域，根据目标连通域在每个设定方向上的灰度波动曲线，确定灰度波动曲线中每个点的斜率值，并将所有点的斜率值的平均值，确定为灰度波动曲线的斜率值均值；
根据目标连通域在每个设定方向上的灰度波动曲线的斜率值均值，确定斜率值均值大于设定斜率值阈值的对应的设定方向的个数，将所述个数与设定方向的总数目的比值，确定为目标连通域对应的灰度曲线评估值。
具体的，对于任意一个目标连通域在任意一个设定方向上的灰度波动曲线，确定该灰度波动曲线上所有点的斜率值的平均值，从而得到斜率值均值，然后将该斜率值均值与设定斜率值阈值进行比较，判断该斜率值均值是否大于设定斜率值阈值。在本实施例中，设定斜率值阈值的取值为0，当灰度波动曲线的斜率值均值大于设定斜率值阈值0时，则说明在对应的设定方向上灰度波动曲线呈增长趋势，即目标连通域内部灰度变化符合由深至浅的非夹渣特征，该目标连通域更有可能为气孔缺陷，否则说明该目标连通域更有可能为夹渣缺陷。对于任意一个目标连通域，统计斜率值均值大于设定斜率值阈值所对应的设定方向的个数，并将该个数与设定方向的总数目8的比值，并将该比值确定为该目标连通域对应的灰度曲线评估值。当目标连通域对应的灰度曲线评估值越小时，说明对应的目标连通域越有可能为夹渣缺陷，而当目标连通域对应的灰度曲线评估值越大时，说明对应的目标连通域越有可能为气孔缺陷。
步骤S05：根据各个目标连通域对应的内部灰度变化程度值和灰度曲线评估值，确定各个目标连通域对应的夹渣缺陷可信程度，对应的计算公式为：
其中，
为每个目标连通域对应的夹渣缺陷可信程度，
为每个目标连通域对应的
内部灰度变化程度值，
为每个目标连通域对应的灰度曲线评估值，
为第一设定权重值，
为第二设定权重值，
为以自然常数e为底数的指数函数。
在上述的每个目标连通域对应的夹渣缺陷可信程度
的计算公式中，内部灰度变
化程度值
的取值范围为[0,2]，当内部灰度变化程度值
的取值越小时，即
的取值结
果越大时，对应的目标连通域越可能为夹渣缺陷，此时夹渣缺陷可信程度
取值越大。
为灰度曲线评估值
的负相关归一化结果，当灰度曲线评估值
越小时，
越接近于1，对应的目标连通域越可能为夹渣缺陷，此时夹渣缺陷可信程度
取值
越大。为了区分内部灰度变化程度值
与灰度曲线评估值
对夹渣缺陷可信程度
的影响程
度，以更准确地确定夹渣缺陷可信程度
，为内部灰度变化程度值
与灰度曲线评估值
设置
了不同的权重，在本实施例中，设置
，
。
步骤S06：根据各个目标连通域对应的夹渣缺陷可信程度，确定各个目标连通域中的夹渣缺陷区域。
根据上述步骤S05中目标连通域对应的夹渣缺陷可信程度的计算公式可知，夹渣缺陷可信程度的取值范围为[0,1.7]，且夹渣缺陷可信程度越大，说明对应的目标连通域越有可能为夹渣缺陷。基于这一特点，将每个目标连通域对应的夹渣缺陷可信程度与设定夹渣缺陷可信程度阈值进行比较，将夹渣缺陷可信程度大于设定夹渣缺陷可信程度阈值的对应的目标连通域，确定为夹渣缺陷区域。在本实施例中，设置设定夹渣缺陷可信程度阈值的取值为1.2，当然实施者可以根据具体实施情况，对该设定夹渣缺陷可信程度阈值进行调整。当夹渣缺陷可信程度大于设定夹渣缺陷可信程度阈值1.2时，则说明对应目标连通域为夹渣缺陷的可信度较高，则将该目标连通域确定为夹渣缺陷区域，从而确定各个目标连通域中的所有夹渣缺陷区域，并将所有夹渣缺陷区域进行标记，最终实现半挂车的车桥的桥壳部分的焊缝区域夹渣缺陷的准确识别和提取。
需要说明的是：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；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以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；而这些修改或者替换，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精神和范围，均应包含在本申请的保护范围之内。
Claims (7)
1.一种基于计算机视觉的半挂车车桥缺陷识别方法，其特征在于，包括以下步骤：
获取车桥表面的焊缝区域图像，并获取焊缝区域图像中的各个可疑连通域；
确定各个可疑连通域的边缘像素点，根据边缘像素点的位置，确定各个可疑连通域的边缘规则程度值，并根据所述边缘规则程度值，确定各个可疑连通域中的各个目标连通域；
根据各个目标连通域中像素点的灰度值，确定各个目标连通域对应的灰度偏差指标值和典型灰度像素点占比指标值，进而确定各个目标连通域对应的内部灰度变化程度值；
确定各个目标连通域在每个设定方向上的灰度波动曲线，并根据灰度波动曲线，确定各个目标连通域对应的灰度曲线评估值；
根据各个目标连通域对应的内部灰度变化程度值和灰度曲线评估值，确定各个目标连通域对应的夹渣缺陷可信程度；
根据各个目标连通域对应的夹渣缺陷可信程度，确定各个目标连通域中的夹渣缺陷区域；
确定各个目标连通域对应的灰度偏差指标值和典型灰度像素点占比指标值，包括：
对于任意一个目标连通域，根据目标连通域中像素点的灰度值，计算所有像素点的灰度值的均值；
计算目标连通域中每个像素点的灰度值与所述均值的差值绝对值，将所有差值绝对值中的最大值确定为目标连通域的灰度偏差指标值；
对目标连通域中像素点的灰度值进行统计，确定目标连通域中各个灰度级对应的频次；
确定目标连通域中所有灰度级对应的频次中的最大值，并将所述所有灰度级对应的频次中的最大值与目标连通域中所有像素点数目的比值，确定为目标连通域对应的典型灰度像素点占比指标值；
确定各个目标连通域在每个设定方向上的灰度波动曲线，包括：
对于任意一个目标连通域，确定目标连通域的质心点，从质心点沿着每个设定方向向目标连通域的边缘连线，从而得到目标连通域在每个设定方向上对应的连线；
根据目标连通域在每个设定方向上对应的连线上的像素点的灰度值，按照从质心点到目标连通域的边缘的方向，对连线上的所有像素点的灰度值进行排序，从而得到目标连通域在每个设定方向上对应的灰度值序列；
对于目标连通域在每个设定方向上对应的灰度值序列，以灰度值序列中的各个灰度值为纵坐标，且以各个灰度值对应的序号为横坐标，进行曲线拟合，从而得到目标连通域在每个设定方向上的灰度波动曲线；其中设定方向为米字方向图中的8个方向；
确定各个可疑连通域的边缘规则程度值，包括：
根据每个可疑连通域的边缘像素点的位置，对每个可疑连通域的边缘像素点进行链码操作，从而得到每个可疑连通域对应的链码数值序列；
根据每个可疑连通域对应的链码数值序列，计算链码数值序列中任意相邻两个链码数值之间的差值的绝对值，并根据所述差值的绝对值，计算每个可疑连通域的边缘规则程度值。
2.根据权利要求1所述的基于计算机视觉的半挂车车桥缺陷识别方法，其特征在于，进而确定各个目标连通域对应的内部灰度变化程度值，包括：
对于任意一个目标连通域，对目标连通域对应的灰度偏差指标值和典型灰度像素点占比指标值分别进行归一化，从而得到归一化之后的灰度偏差指标值和典型灰度像素点占比指标值的相加值，确定为目标连通域对应的内部灰度变化程度值。
3.根据权利要求1所述的基于计算机视觉的半挂车车桥缺陷识别方法，其特征在于，确定各个目标连通域对应的灰度曲线评估值，包括：
对于任意一个目标连通域，根据目标连通域在每个设定方向上的灰度波动曲线，确定灰度波动曲线中每个点的斜率值，并将所有点的斜率值的平均值，确定为灰度波动曲线的斜率值均值；
根据目标连通域在每个设定方向上的灰度波动曲线的斜率值均值，确定斜率值均值大于设定斜率值阈值的对应的设定方向的个数，将所述个数与设定方向的总数目的比值，确定为目标连通域对应的灰度曲线评估值。
4.根据权利要求1所述的基于计算机视觉的半挂车车桥缺陷识别方法，其特征在于，确定各个目标连通域对应的夹渣缺陷可信程度对应的计算公式为：
其中，
为每个目标连通域对应的夹渣缺陷可信程度，/>
为每个目标连通域对应的内部灰度变化程度值，/>
为每个目标连通域对应的灰度曲线评估值，/>
为第一设定权重值，/>
为第二设定权重值，/>
为以自然常数e为底数的指数函数。
5.根据权利要求1所述的基于计算机视觉的半挂车车桥缺陷识别方法，其特征在于，计算每个可疑连通域的边缘规则程度值对应的计算公式为：
6.根据权利要求1所述的基于计算机视觉的半挂车车桥缺陷识别方法，其特征在于，确定各个可疑连通域中的各个目标连通域，包括：
将每个可疑连通域的边缘规则程度值与设定边缘规则程度阈值进行比较，将边缘规则程度值小于设定边缘规则程度阈值的对应的可疑连通域，确定为目标连通域。
7.根据权利要求1所述的基于计算机视觉的半挂车车桥缺陷识别方法，其特征在于，确定各个目标连通域中的夹渣缺陷区域，包括：
将每个目标连通域对应的夹渣缺陷可信程度与设定夹渣缺陷可信程度阈值进行比较，将夹渣缺陷可信程度大于设定夹渣缺陷可信程度阈值的对应的目标连通域，确定为夹渣缺陷区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310266474.XA CN115984272B (zh) | 2023-03-20 | 2023-03-20 | 基于计算机视觉的半挂车车桥缺陷识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310266474.XA CN115984272B (zh) | 2023-03-20 | 2023-03-20 | 基于计算机视觉的半挂车车桥缺陷识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115984272A CN115984272A (zh) | 2023-04-18 |
| CN115984272B true CN115984272B (zh) | 2023-05-23 |
Family
ID=85962685
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310266474.XA Active CN115984272B (zh) | 2023-03-20 | 2023-03-20 | 基于计算机视觉的半挂车车桥缺陷识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115984272B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116563282B (zh) * | 2023-07-10 | 2023-10-27 | 东莞市博思特数控机械有限公司 | 一种基于机器视觉的钻削刀具检测方法及系统 |
| CN116664569B (zh) * | 2023-07-31 | 2023-10-10 | 山东正华建筑科技有限公司 | 一种焊瘤缺陷检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114862862A (zh) * | 2022-07-11 | 2022-08-05 | 江苏大田阀门制造有限公司 | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 |
| CN115457031A (zh) * | 2022-10-27 | 2022-12-09 | 江苏集宿智能装备有限公司 | 基于x射线的集成箱体内部缺陷识别方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013092430A (ja) * | 2011-10-25 | 2013-05-16 | Kojima Press Industry Co Ltd | 表面検査方法 |
| CN103543161A (zh) * | 2013-10-16 | 2014-01-29 | 湖南镭目科技有限公司 | 一种连铸坯表面质量在线检测方法 |
| CN109115812A (zh) * | 2018-08-23 | 2019-01-01 | 中国石油大学(北京) | 一种焊缝底片缺陷识别方法及系统 |
| CN113421261B (zh) * | 2021-08-23 | 2021-11-05 | 金成技术有限公司 | 一种基于图像处理的结构件生产过程缺陷检测方法 |
| CN113588692B (zh) * | 2021-09-28 | 2021-12-10 | 南通皋亚钢结构有限公司 | 基于计算机视觉的焊缝缺陷无损检测方法 |
| CN114965516B (zh) * | 2022-08-01 | 2022-10-25 | 山东易斯特工程工具有限公司 | 基于x射线探伤的盾构刀头钎焊缺陷检测方法 |
| CN115115644B (zh) * | 2022-08-31 | 2022-11-15 | 启东市德立神起重运输机械有限公司 | 一种基于人工智能的车辆焊接缺陷检测方法 |
| CN115601347A (zh) * | 2022-11-01 | 2023-01-13 | 南通海驹钢结构有限公司（Cn） | 基于灰度纹理分析的钢板表面缺陷检测方法 |
| CN115457035B (zh) * | 2022-11-10 | 2023-03-24 | 山东鲁旺机械设备有限公司 | 基于机器视觉的建筑吊篮焊接质量检测方法 |
-
2023
- 2023-03-20 CN CN202310266474.XA patent/CN115984272B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114862862A (zh) * | 2022-07-11 | 2022-08-05 | 江苏大田阀门制造有限公司 | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 |
| CN115457031A (zh) * | 2022-10-27 | 2022-12-09 | 江苏集宿智能装备有限公司 | 基于x射线的集成箱体内部缺陷识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115984272A (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115984272B (zh) | 基于计算机视觉的半挂车车桥缺陷识别方法 | |
| CN114627111B (zh) | 一种纺织品缺陷检测识别装置 | |
| CN114359270B (zh) | 基于计算机视觉的汽车发动机油路铜套缺陷检测方法 | |
| CN116758061B (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
| CN115294120B (zh) | 基于图像识别的阀门表面质量检测方法 | |
| CN109682839B (zh) | 一种金属弧形工件表面缺陷在线检测方法 | |
| CN115690108B (zh) | 一种基于图像处理的铝合金杆生产质量评估方法 | |
| CN115601364A (zh) | 基于图像分析的金手指电路板检测方法 | |
| CN116758083B (zh) | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 | |
| CN117197141B (zh) | 一种汽车零部件表面缺陷检测方法 | |
| CN115049736B (zh) | 用于电缆表面缺陷精准定位的方法 | |
| CN116523923B (zh) | 一种电池外壳缺陷识别方法 | |
| CN117095004B (zh) | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 | |
| CN115841488B (zh) | 一种基于计算机视觉的pcb板的检孔方法 | |
| CN115908362A (zh) | 一种滑板轮的耐磨性检测方法 | |
| CN115719332A (zh) | 一种焊接质量检测方法 | |
| CN115115603A (zh) | 基于人工智能的汽车配件飞轮表面检测方法 | |
| CN115880280A (zh) | 一种钢结构焊缝质量的检测方法 | |
| CN116823822A (zh) | 基于视觉特征的船艇钣金件焊接缺陷检测方法 | |
| 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 | |
| CN115953409A (zh) | 基于图像处理的注塑件表面缺陷检测方法 | |
| CN117152129B (zh) | 一种电池盖板的表面缺陷视觉检测方法及系统 | |
| CN117388263B (zh) | 用于充电枪的五金端子质量检测方法 | |
| CN114820529A (zh) | 一种橡胶制品气泡检测方法及系统 | |
| CN116645364B (zh) | 一种基于图像数据的合金钢铸件气孔缺陷检测方法 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20230418 Assignee: Shandong Jiarui Automobile Manufacturing Co.,Ltd. Assignor: SHANDONG YANGJIA TRAILER MANUFACTURING CO.,LTD. Contract record no.: X2023980044775 Denomination of invention: A Method for Identifying Defects in Semitrailer Axles Based on Computer Vision Granted publication date: 20230523 License type: Common License Record date: 20231031 |