CN116030034A - 阀门表面缺陷的视觉识别方法 - Google Patents

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种阀门表面缺陷的视觉识别方法。该方法获得堆焊后密封面的灰度图像；根据所述灰度图像中每个像素点在第一预设邻域范围内的灰度值变化筛选出焊接点；将焊接点作为初始聚类中心，通过改进的k‑means聚类算法将灰度图像内的像素点进行聚类，获得初始聚类簇；获取初始聚类簇的聚类效果评估值，根据聚类效果评估值对初始聚类中心进行更新，直至聚类效果评估值满足预设要求，获得最终聚类簇；获得邻接的两个最终聚类簇之间的公共点，公共点构成公共边缘线；将公共边缘线进行扩充获得边缘区域；根据边缘区域内的灰度特征识别出缺陷区域。根据改进的k‑means聚类算法，可以准确的识别出缺陷区域。

Description

阀门表面缺陷的视觉识别方法

技术领域

本发明涉及图像数据处理技术领域，具体涉及一种阀门表面缺陷的视觉识别方法。

背景技术

密封面是阀门最关键的工作面，密封面的质量好坏关系到阀门的使用寿命。在阀门的密封面制造工艺中，通常在阀门的密封面堆焊契合运用性能需求的合金，来提高密封面的耐磨性，耐腐蚀性等性能。阀门的密封面在进行堆焊过程中，由于母材与焊料之间的特性存在差异，在进行堆焊时往往会出现一定的缺陷，这些缺陷会影响机械加工的顺利进行，影响阀门的整体质量。因此，对阀门的密封面的缺陷检测并对缺陷进行补焊，完成缺陷的修补在阀门加工中具有重要意义。

在对阀门的密封面进行堆焊时，会受到多种方面因素的影响，比如堆焊的焊料与母材的热膨胀系数相差悬殊，焊料与母材熔合不良等。焊料从焊接点处出发在密封面的表面进行扩散流动，导致密封面表面的灰度值不同，但存在一定的灰度分布规律。阀门的密封面上存在很多焊接点，在堆焊过程中，融化的焊料从焊接点处向四周进行扩散，直至冷却，从不同焊接点蔓延的焊料会因为温度不同以及焊料的用量不同在融合区域进行融合时，产生残余应力而导致焊料不能完全融合，从而出现裂纹缺陷。焊接点处的焊料最多，焊接点四周焊料相对而言越少，很难保证阀门的密封面中每处焊料足够均匀，故在阀门的密封面的灰度图像中显示出的像素点的灰度值存在不均匀但符合一定分布规律的特征；现有技术中根据灰度差异计算相似度完成聚类，获得的聚类簇杂乱，不能体现出阀门的密封面中的缺陷区域，在进行缺陷检测时，难以完成缺陷的提取。

发明内容

为了解决根据灰度差异计算相似度导致获得的聚类簇不符合实际需要，进而使得阀门的密封面中的缺陷检测不准确的技术问题，本发明的目的在于提供一种阀门表面缺陷的视觉识别方法，所采用的技术方案具体如下：

本发明实施例中提供了一种阀门表面缺陷的视觉识别方法，该方法包括以下：

获得堆焊后密封面的灰度图像；

根据所述灰度图像中每个像素点在第一预设邻域范围内的灰度值变化筛选出焊接点；

将焊接点作为初始聚类中心，通过改进的k-means聚类算法将所述灰度图像内的像素点进行聚类，获得初始聚类簇；所述改进的k-means聚类算法中以所述初始聚类中心为中心获得每个像素点的对称性特征，计算像素点与所述初始聚类中心之间的灰度差异作为第一差异；根据所述对称性特征和所述第一差异获得第一相似度，根据所述第一相似度对像素点进行聚类；

获取每个所述初始聚类簇的聚类效果评估值，根据所述聚类效果评估值对所述初始聚类中心进行更新，直至所述聚类效果评估值满足预设要求，获得最终聚类簇；所述初始聚类中心进行更新的过程包括：分别计算像素点与更新前后的聚类中心的灰度分布特征值；计算像素点与更新后的聚类中心之间的灰度差异作为第二差异；根据所述灰度分布特征值与所述第二差异获取第二相似度，根据所述第二相似度更新聚类簇；

获得邻接的两个所述最终聚类簇之间的公共点，所述公共点构成公共边缘线；将所述公共边缘线进行扩充获得边缘区域；

根据所述边缘区域内的灰度特征识别出缺陷区域。

进一步地，所述根据所述灰度图像中每个像素点在第一预设邻域范围内的灰度值变化筛选出焊接点的方法，包括：

获取目标像素点与对应所述第一预设邻域范围内的每个像素点的灰度差值绝对值作为第一结果；

以目标像素点为起点，设置至少两个不同的预设方向，沿着预设方向获得至少两个方向像素点，所述方向像素点的灰度值构成方向灰度值序列；计算所述目标像素点的灰度值与所述方向灰度值序列中的每个元素的差异，获得第一灰度差异值序列；计算所述方向灰度值序列中相邻元素之间的差异，获得方向灰度差分序列；计算所述第一灰度差异值序列与所述方向灰度差分序列对应位置元素之间的差异，获得灰度差异变化序列；将所述灰度差异变化序列中每个元素进行负相关映射并归一化后累加，获得对应预设方向上的灰度变化特征值；

将每个所述预设方向对应的所述灰度变化特征值累加，作为第二结果；

将所述第一预设邻域范围内的最大的第一结果与第二结果的乘积作为目标像素点的可能值；

设置可能值阈值，当可能值大于可能值阈值时，目标像素点为焊接点。

进一步地，所述灰度分布特征值的获取方法，包括：

计算待聚类像素点与聚类中心之间的灰度差值绝对值作为分子，计算待聚类像素点与聚类中心之间的欧式距离作为分母，获取分子与分母的比值作为灰度分布特征值。

进一步地，所述对称性特征的获取方法，包括：

获得待聚类像素点与所述初始聚类中心的第一欧式距离；与所述初始聚类中心为相同类别的像素点记为同类像素点，以所述初始聚类中心为起点，获得所有预设蔓延方向上的每个同类像素点与所述初始聚类中心的第二欧式距离；以每个所述预设蔓延方向上与所述第一欧式距离最相似的第二欧式距离对应的同类像素点作为待聚类像素点的匹配点；计算待聚类像素点与匹配点之间的灰度分布特征值的差值绝对值的均值作为第一值；

获取待聚类像素点关于所述初始聚类中心对称的像素点作为对称点，计算待聚类像素点与对称点之间的灰度分布特征值的差值绝对值作为第二值；

将第一值与第二值相加的和作为第三值，将第三值负相关映射并归一化，所得结果作为待聚类像素点的对称性特征。

进一步地，所述第一相似度的获取方法，包括：

计算第一欧式距离与第一差异的乘积作为第三结果，将第三结果的倒数作为第四结果；将第四结果与对称性特征的乘积作为待聚类像素点与所述初始聚类中心之间的第一相似度。

进一步地，所述第二相似度的获取方法，包括：

将第二差异进行归一化处理，获得归一化后的第二差异，将常数1与归一化后的第二差异的差值作为第四值；

计算像素点与更新前后的聚类中心的灰度分布特征值之间的差值绝对值作为灰度分布差异值，将灰度分布差异值与预设常数的和作为第五值，将第五值的倒数作为第六值；

获取第四值与第六值的乘积作为像素点与更新后的聚类中心的第二相似度。

进一步地，所述将所述公共边缘线进行扩充获得边缘区域的方法，包括：

将公共边缘线上的每个边缘像素点均设置第二预设邻域，将公共边缘线对应的第二预设邻域组成的区域作为边缘区域。

进一步地，所述根据所述边缘区域内的灰度特征识别出缺陷区域的方法，包括：

以每个最终聚类簇每次更新过程产生的聚类中心作为参考点；获取边缘区域内的每个像素点与对应的两个邻接的最终聚类簇内同一更新次数的参考点之间的第二相似度的均值作为平均第二相似度；

计算常数1与平均第二相似度的差值作为第五结果；以两个邻接的最终聚类簇同时参与更新的所述更新过程对应的第五结果的均值作为边缘区域内对应像素点的裂纹缺陷概率值；

设置裂纹缺陷概率值阈值，当裂纹缺陷概率值大于裂纹缺陷概率值阈值时，边缘区域内对应像素点为缺陷像素点，以缺陷像素点构成的区域作为缺陷区域。

进一步地，所述聚类效果评估值的获取方法，包括：

将每个聚类簇的平方误差和作为每个聚类簇的聚类效果评估值。

进一步地，所述预设要求，包括：

设置聚类效果评估值阈值，当聚类效果评估值小于或等于聚类效果评估值阈值时，对应的聚类簇中的聚类中心不进行更新。

本发明具有如下有益效果：

考虑到焊接点周围的灰度分布存在一定的规律，故根据焊接点的灰度分布规律进行聚类，更能准确的获取缺陷区域，因此，将根据灰度变化特征所获得到焊接点作为初始聚类中心，自适应确定了聚类簇的数量，在初始聚类过程中，改进的k-means聚类算法以初始聚类中心为中心获得每个像素点的对称性特征，使得每个像素点能准确的划分到对应的聚类簇中，为了确保每个像素点更准确的划分到对应聚类簇中，进一步计算像素点与初始聚类中心之间的灰度差异作为第一差异，根据对称性特征和第一差异获得第一相似度，使得第一相似度符合以焊接点为初始聚类中心的聚类要求，提高了聚类效果，使得初始聚类簇能够满足焊接点所在焊接区域的形状特征，满足焊接点所在焊接区域内的灰度的分布规律。进一步，根据聚类效果评估值判断每个初始聚类簇是否需要更新聚类中心点，进而获得更满足真实焊接区域特征的最终聚类簇，使得整体灰度图像中的聚类效果达到最优。在聚类中心的更新过程中，分别计算像素点与更新前后的聚类中心的灰度分布特征值，初步确定像素点与更新后的聚类中心是否为同一类别的像素点，为了更加确定像素点与更新后的聚类中心为同一类别像素点，需要进一步计算像素点与更新后的聚类中心之间的灰度差异作为第二差异，根据灰度分布特征值与第二差异获取第二相似度，使得像素点的聚类划分更符合实际，避免了误差的干扰，进而根据第二相似度更新聚类簇，使获得的聚类簇的聚类效果更好。获得邻接的两个最终聚类簇之间的公共点，因裂纹缺陷出现在邻接的两个最终聚类簇之间的区域，故将公共点进行连接构成公共边缘线，进而将公共边缘线进行扩充获得边缘区域，直接对边缘区域进行分析，可以更准确高效的获取缺陷区域；因缺陷像素点在对应聚类簇中的灰度分布与正常像素点在对应聚类簇中的灰度分布存在很大的差异，故根据边缘区域内的灰度特征即可准确识别出缺陷区域。本发明实施例通过设置聚类算法准确识别出缺陷区域所述的边缘区域，提高了识别缺陷区域的准确性。

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为本发明一个实施例所提供的一种阀门表面缺陷的视觉识别方法的流程示意图。

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一种阀门表面缺陷的视觉识别方法，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阀门表面缺陷的视觉识别方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种阀门表面缺陷的视觉识别方法的流程示意图，该方法包括以下步骤：

步骤S1：获得堆焊后密封面的灰度图像。

具体的，本发明实施例通过工业相机，固定光源采集堆焊后密封面的表面图像，采集获得的表面图像为RGB图像，本发明实施例使用加权平均值灰度化的方法对获得的表面图像进行灰度化处理，获得堆焊后密封面的灰度图像。

其中，加权平均值灰度化为公知技术，这里不再进行赘述。

步骤S2：根据所述灰度图像中每个像素点在第一预设邻域范围内的灰度值变化筛选出焊接点。

具体的，堆焊是通过热源将母材与焊料进行融化结合的一种表面加工工艺。在进行堆焊时，焊料从焊接点处向四周扩散，由于阀门的密封面较大，焊料不能从一个焊接点覆盖到整个密封面，故密封面中存在多个焊接点。

在进行堆焊过程中，融化的焊料从焊接点处向四周进行扩散，直至冷却，故焊接点处的焊料最多，且焊料随着距离焊接点越远而越少，因此，很难保证密封面中的每处焊料足够均匀，故在灰度图像中显示出的像素点的灰度值呈现为不均匀但符合一定分布规律的特征，即扩散后的焊接点处的焊料呈现出圆锥形状，由于同一种材质的特性相同，故焊接点处的焊料较多，焊接点的灰度值为局部最大或局部最小，焊接点的同一蔓延方向上局部像素点的灰度变化越相近。因此可根据焊接点在灰度图像中表现的灰度特征，筛选出灰度图像中的焊接点。筛选灰度图像中的焊接点的具体操作如下：

获取目标像素点与对应第一预设邻域范围内的每个像素点的灰度差值绝对值作为第一结果；以目标像素点为起点，设置至少两个不同的预设方向，沿着预设方向获得至少两个方向像素点，方向像素点的灰度值构成方向灰度值序列；计算目标像素点的灰度值与方向灰度值序列中的每个元素的差异，获得第一灰度差异值序列；计算方向灰度值序列中相邻元素之间的差异，获得方向灰度差分序列；计算第一灰度差异值序列与方向灰度差分序列对应位置元素之间的差异，获得灰度差异变化序列；将灰度差异变化序列中每个元素进行负相关映射并归一化后累加，获得对应预设方向上的灰度变化特征值；将每个预设方向对应的灰度变化特征值累加，作为第二结果；将第一预设邻域范围内的最大的第一结果与第二结果的乘积作为目标像素点的可能值；设置可能值阈值，当可能值大于可能值阈值时，目标像素点为焊接点。

作为一个示例，以灰度图像中的像素点q为例，本发明实施例对像素点q设置5*5的第一预设邻域范围，实施者可根据实际情况设定第一预设邻域范围的大小。以像素点q为起点，本发明实施例在像素点q的第一预设邻域范围内设置了8个方向，分别为0°，45°，90°，135°，180°，225°，270°，315°。获取每个方向上的个方向像素点的灰度值构成每个方向上的方向灰度值序列，本发明实施例将每个方向下的方向像素点数量设置为3个，即，方向灰度值序列中包含了三个元素，并且根据与目标像素点的距离以此排列。计算像素点q的灰度值与第个方向上的方向灰度值序列中的每个元素的差异作为第个方向上的第一灰度差异值序列，计算第个方向上的方向灰度值序列中相邻元素之间的差异作为第个方向上的方向灰度差分序列；计算第个方向上的第一灰度差异值序列与方向灰度差分序列对应位置元素之间的差异，获得第个方向上的灰度差异变化序列，将第个方向上的灰度差异变化序列中的每个元素进行负相关映射并归一化后累加，获得第个方向上的灰度变化特征值。根据获取第个方向上的灰度变化特征值的方法，获取像素点q的第一预设邻域范围内的每个方向上的灰度变化特征值。

计算像素点q与所在第一预设邻域范围内的每个像素点的灰度差值绝对值即第一结果；根据第一结果与灰度变化特征值获取像素点q的可能值，像素点q的可能值的公式为：

其中，为像素点q的可能值；为像素点q的灰度值；为像素点q的第一预设邻域范围内的第个像素点的灰度值，其中，；为像素点q的第一预设邻域范围内的第个方向；为像素点q的第一预设邻域范围内的每个方向上的第个邻域像素点；为每个方向上获取的方向像素点的数量；为像素点q的第一预设邻域范围内的第个方向上的第个方向像素点的灰度值；为像素点q的第一预设邻域内的第个方向上的第个方向像素点的灰度值；为绝对值函数；为取最大值函数；为以自然常数e为底数的指数函数。

需要说明的是，焊料从焊接点处向四周进行扩散，焊接点处的焊料最多，因此，在焊接点对应的第一预设邻域范围内，焊接点的灰度值最大或灰度值最小，焊接点与对应第一预设邻域范围内的像素点的灰度差异即第一结果越大；选择最大的第一结果，当最大的第一结果越大时，像素点q越可能为焊接点，越大。焊料随着距离焊接点越远而越少，因此，在灰度图像中，灰度值会随着焊料的扩散而逐渐衰减或逐渐递增，使得同一蔓延方向上的局部像素点的灰度变化越相近；越小，越大，越大，像素点q的第一预设邻域范围内的第个方向上的灰度变化特征越符合焊接点的同一蔓延方向上的灰度变化特征，像素点q越可能为焊接点。因此，越大，像素点q越符合焊接点的灰度分布特征，像素点q越可能为焊接点。

根据获取像素点q的可能值的方法，获取灰度图像内的每个像素点的可能值。

本发明实施例将获取的可能值进行归一化处理，获得归一化后的可能值，设置可能值阈值为0.8，当归一化后的可能值大于可能值阈值时，对应的像素点为焊接点；当归一化后的可能值小于或等于可能值阈值时，对应的像素点为非焊接点。

至此，筛选出灰度图像中的焊接点。

步骤S3：将焊接点作为初始聚类中心，通过改进的k-means聚类算法将所述灰度图像内的像素点进行聚类，获得初始聚类簇；所述改进的k-means聚类算法中以所述初始聚类中心为中心获得每个像素点的对称性特征，计算像素点与所述初始聚类中心之间的灰度差异作为第一差异；根据所述对称性特征和所述第一差异获得第一相似度，根据所述第一相似度对像素点进行聚类。

具体的，对灰度图像中的焊接点进行统计，获取焊接点的数量，将焊接点作为k-means均值聚类的初始聚类中心，聚类簇的数量与焊接点的数量相同，对灰度图像中的像素点进行聚类。

其中，k-means均值聚类为公知技术，这里不再进行过多赘述。

传统的k-means均值聚类中通过计算待聚类像素点与聚类中心的相似度，找出和待聚类像素点最相似的聚类中心，为第个聚类中心，则待聚类像素点属于第个簇。传统的k-means均值聚类是通过灰度差异计算出待聚类像素点与聚类中心的灰度相似度完成聚类的。本发明实施例在堆焊过程中，焊料从焊接点处出发在密封面表面蔓延，导致灰度图像中的不同位置处的灰度分布不均匀，使用传统的k-means均值聚类根据灰度相似度进行聚类，会使得获得的聚类簇杂乱，以焊接点为初始聚类中心不能准确的划分像素点的类别。不同的焊接点蔓延的焊料在融合区域进行融合时，因受到温度等其他因素的影响，容易使得焊料不能完全融合，导致融合区域出现裂纹缺陷，传统的k-means均值聚类获得的聚类簇无法确定融合区域，导致无法进一步对融合区域可能出现的裂纹缺陷进行分析。故本发明实施例对传统的k-means均值聚类算法进行改进，目的为以焊接点为聚类中心进行聚类，根据获得的聚类簇可以获得融合区域的位置，进而分析融合区域中是否存在裂纹缺陷。其中，对k-means均值聚类算法的改进主要是对相似度的改进，使得每个焊接点的对应焊料的像素点划分到同一个聚类簇中，进而获取融合区域。考虑到焊接区域在立体上呈现圆锥形分布，因此每个焊接点对应的焊接区域下的焊料像素点具有一定的对称性特征，因此结合对称性特征和每个像素点与初始聚类中心点之间的灰度差异即可改进相似度，获得第一相似度以供聚类分析。

优选地，考虑到分析像素点的对称性特征时需要首先考虑每个像素点相对于聚类中心的灰度分布特征，因此首先计算待聚类像素点与聚类中心之间的灰度差值绝对值作为分子，计算待聚类像素点与聚类中心之间的欧式距离作为分母，获取分子与分母的比值作为灰度分布特征值。灰度分布特征值能够反映像素点与聚类中心之间的灰度差异特征和距离特征，能够给后续的对称性特征获取和第二相似度获取提供参考。

优先地，获得对称性特征的方法包括：获得待聚类像素点与初始聚类中心的第一欧式距离；与初始聚类中心为相同类别的像素点记为同类像素点，以初始聚类中心为起点，获得所有预设蔓延方向上的每个同类像素点与初始聚类中心的第二欧式距离；以每个预设蔓延方向上与第一欧式距离最相似的第二欧式距离对应的同类像素点作为待聚类像素点的匹配点；计算待聚类像素点与匹配点之间的灰度分布特征值的差值绝对值的均值作为第一值；获取待聚类像素点关于初始聚类中心对称的像素点作为对称点，计算待聚类像素点与对称点之间的灰度分布特征值的差值绝对值作为第二值；将第一值与第二值相加的和作为第三值，将第三值负相关映射并归一化，所得结果作为待聚类像素点的对称性特征。需要说明的是，由上述描述记载能够得知，第一值体现了以初始聚类中心为中心，在不同方向下待聚类像素点的对称性；第二值体现了以初始聚类中心作为中心对称点，待聚类像素点对应的对称性，因此根据第一值与第二值所获得的对称性特征能够全面的表征待聚类像素点的对称性，依据对称性特征进行相似度分析和聚类，能够使得所获得的初始聚类簇尽可能的满足焊接区域的形状特征和灰度分布特征。

优选地，第一相似度的具体获取方法包括：计算第一欧式距离与第一差异的乘积作为第三结果，将第三结果的倒数作为第四结果；将第四结果与对称性特征的乘积作为待聚类像素点与初始聚类中心之间的第一相似度。

作为一个示例，选取待聚类像素点s与初始聚类中心w即焊接点w为例，获取待聚类像素点s与初始聚类中心w的第一相似度。具体操作过程如下：

（1）获取待聚类像素点s的灰度分布特征值。

获取待聚类像素点s与初始聚类中心w之间的灰度差值绝对值，计算待聚类像素点s与初始聚类中心w之间的欧式距离，获取待聚类像素点s的灰度分布特征值的公式为：

其中，为初始聚类中心w的灰度值；为待聚类像素点s的灰度值；为待聚类像素点s与初始聚类中心w之间的欧式距离即第一欧式距离；为待聚类像素点s的灰度分布特征值；为绝对值函数。

需要说明的是，反映了初始聚类中心w到待聚类像素点s之间的灰度变化情况，越大，说明初始聚类中心w到待聚类像素点s之间的灰度变化越大，初始聚类中心w与待聚类像素点s之间的灰度差异越大，即越大，越大；越小，越大。

根据获取待聚类像素点s的灰度分布特征值的方法，获取每个像素点的灰度分布特征值。

（2）获取待聚类像素点s的对称性特征。

获取待聚类像素点s与初始聚类中心w之间的蔓延方向，即以初始聚类中心w为起点到待聚类像素点s的向量所在的方向，，其中，、分别为初始聚类中心w在灰度图像中的横坐标与纵坐标；、分别为待聚类像素点s在灰度图像中的横坐标与纵坐标；为反正切函数。将位于初始聚类中心w所在的聚类簇中的像素点记为同类像素点。本发明实施例获得了n个蔓延方向，获取每个蔓延方向上同类像素点与初始聚类中心w之间的欧式距离作为第二欧式距离，将n个蔓延方向上与欧式距离即第一欧式距离最相似的第二欧式距离对应的同类像素点作为待聚类像素点s的匹配点，获取每个匹配点的灰度分布特征值，若有蔓延方向上不存在匹配点，则默认该蔓延方向上的匹配点的灰度分布特征值为0。

获取待聚类像素点s关于初始聚类中心w对称的像素点即对称点，计算对称点的灰度分布特征值，根据灰度分布特征值获取待聚类像素点s的对称性特征，获取待聚类像素点s的对称性特征的公式为：

其中，为待聚类像素点s的对称性特征；为待聚类像素点s的灰度分布特征值；为对称点的灰度分布特征值；为初始聚类中心w所在聚类簇的蔓延方向的数量；为第个蔓延方向上的匹配点的灰度分布特征值；为绝对值函数；为以自然常数e为底数的指数函数。

需要说明的是，由于焊料从焊接点向四周进行蔓延，焊接点处的形状为圆锥形，在初始聚类簇中基于焊接点即初始聚类中心存在一定的对称性，且关于焊接点对称的两个像素点之间的灰度分布特征值相近，因此，第二值越小，说明待聚类像素点s与对称点的灰度分布特征值越相近，待聚类像素点s与对称点越可能为同一类别的像素点，待聚类像素点s与对称点越可能与初始聚类中心w为同一个聚类簇。不同蔓延方向上相同的第二欧式距离对应的同类像素点的灰度分布特征值应非常相似；将n个蔓延方向上与第一欧式距离最相似的第二欧式距离对应的同类像素点作为待聚类像素点s的匹配点，因此，匹配点的灰度分布特征值应非常相近，当待聚类像素点s与匹配点之间的灰度分布特征值的差异越小，说明待聚类像素点s与匹配点越可能为同类像素点，即待聚类像素点s与初始聚类中心w越可能为同一个聚类簇。因此，越大，待聚类像素点s与初始聚类中心w越可能为同一个聚类簇。

（3）获取待聚类像素点s与初始聚类中心w的第一相似度。

根据待聚类像素点s的对称性特征与第一差异，获取待聚类像素点s与初始聚类中心w之间的第一相似度，第一相似度的公式为：

其中，为待聚类像素点s与初始聚类中心w之间的第一相似度；为待聚类像素点s与初始聚类中心w之间的欧式距离即第一欧式距离，为初始聚类中心w的灰度值；为待聚类像素点s的灰度值；为待聚类像素点s的对称性特征；为绝对值函数。

需要说明的是，第一欧式距离越小，说明待聚类像素点s与初始聚类中心w之间的距离越近，待聚类像素点s与初始聚类中心w越可能为同一类别像素点，越大；第一差异越小，说明聚类像素点s与初始聚类中心w之间的灰度差异越小，待聚类像素点s与初始聚类中心w越可能为同一类别像素点，越大；越大，说明待聚类像素点s的灰度分布特征越符合初始聚类中心w所在聚类簇中的像素点的灰度分布特征，待聚类像素点s越可能为初始聚类中心w所在聚类簇中的像素点，越大；因此，越大，待聚类像素点s与初始聚类中心w越可能为同一类别像素点。

根据获取待聚类像素点s与初始聚类中心w之间的第一相似度的方法，计算待聚类像素点s与多个初始聚类中心的第一相似度，将最大的第一相似度对应的初始聚类中心作为待聚类像素点s的聚类中心；若存在多个最大第一相似度，则将与待聚类像素点s之间的欧式距离最小的最大第一相似度对应的初始聚类中心作为待聚类像素点s的聚类中心。

根据待聚类像素点s的聚类方法，对灰度图像中的每个像素点进行初始聚类。经过初始聚类所产生的初始聚类簇能够尽可能的满足焊接区域的形状特征和灰度分布特征。

步骤S4：获取每个所述初始聚类簇的聚类效果评估值，根据所述聚类效果评估值对所述初始聚类中心进行更新，直至所述聚类效果评估值满足预设要求，获得最终聚类簇；所述初始聚类中心进行更新的过程包括：分别计算像素点与更新前后的聚类中心的灰度分布特征值；计算像素点与更新后的聚类中心之间的灰度差异作为第二差异；根据所述灰度分布特征值与所述第二差异获取第二相似度，根据所述第二相似度更新聚类簇。

需要说明的是，因为在步骤S3中的初始聚类过程中所设置的初始聚类中心点是固定的，而在k-means均值聚类算法中，为了保证聚类簇获取的准确性，需要将聚类中心不断的更新，以使得聚类簇达到最优，因此需要获取每个初始聚类簇的聚类效果评估值，根据聚类效果评估值对所述初始聚类中心进行更新，直至聚类效果评估值满足预设要求，获得最终聚类簇。

具体的，将每个聚类簇的平方误差和作为每个聚类簇的聚类效果评估值，当聚类效果评估值越小时，说明对应的初始聚类簇的聚类效果越好；当聚类效果评估值越大时，说明对应的初始聚类簇的聚类效果越差。设置聚类效果评估值阈值，当聚类效果评估值小于或等于聚类效果评估值阈值时，对应的聚类簇中的聚类中心不进行更新。本发明实施例设置聚类效果评估值阈值为0.5，当聚类效果评估值小于或等于聚类效果评估值阈值时，说明对应的初始聚类簇的聚类效果良好，无需对初始聚类中心进行更新；当聚类效果评估值大于聚类效果评估值阈值时，说明对应的初始聚类簇的聚类效果较差，需要对初始聚类中心进行更新，使得聚类簇的聚类效果达到最优。

每次对聚类中心进行迭代更新，都需要对更新聚类中心的聚类簇中的像素点根据相似度进行新的类别划分，由于聚类中心进行了更新，第一相似度是基于焊接点为初始聚类中心的灰度分布特征进行构建的，故在聚类中心进行更新后，使用第一相似度进行聚类会存在误差，因此，需要对相似度进行再次优化获得第二相似度，使得第二相似度符合更新聚类中心的聚类簇中的像素点进行划分聚类的实际情况，本发明实施例根据新聚类中心与初始聚类中心的相对差异完成第二相似度的构建，即分别计算像素点与更新前后的聚类中心的灰度分布特征值，计算像素点以更新后的聚类中心之间的灰度差异作为第二差异，根据所述灰度分布特征值与所述第二差异获取第二相似度。具体构建第二相似度的方法如下：

将第二差异进行归一化处理，获得归一化后的第二差异，将常数1与归一化后的第二差异的差值作为第四值；计算像素点与更新前后的聚类中心的灰度分布特征值之间的差值绝对值作为灰度分布差异值，将灰度分布差异值与预设常数的和作为第五值，将第五值的倒数作为第六值；获取第四值与第六值的乘积作为像素点与更新后的聚类中心的第二相似度。

作为一个示例，选取更新聚类中心的聚类簇中的像素点r，选择更新聚类簇的初始聚类中心k，更新后的聚类中心；获取像素点r与聚类中心的第二相似度的公式为：

其中，为像素点r与更新后的聚类中心的第二相似度；为归一化操作，实施者可根据实际情况进行不同方式的归一化处理；为像素点r的灰度值；为聚类中心的灰度值；为初始聚类中心k的灰度值；为像素点r与初始聚类中心k之间的欧式距离；为像素点r与聚类中心之间的欧式距离；为极小正数，防止分母为0而没有意义；为绝对值函数。

需要说明的是，在传统的根据灰度差异计算相似度中加入了像素点与聚类中心之间的灰度变化随着欧式距离的增大而衰减的规律作为相似度的度量的一个指标，目的是将符合灰度分布规律且灰度接近的像素点划分为同一类别的像素点。越小，说明像素点r与聚类中心的灰度越接近，第二相似度越大；越小，说明像素点与更新前后的聚类中心之间的灰度分布规律越相似，第二相似度越大；因此，第二相似度越大，像素点r与聚类中心越可能为同一类别的像素点，即像素点r越可能为聚类中心所在聚类簇中的像素点。

根据获取像素点r与聚类中心的第二相似度的方法，获取像素点r与多个更新聚类中心之间的第二相似度，最大的第二相似度对应的更新聚类中心作为像素点r的聚类中心，若存在多个最大第二相似度，则将与像素点r之间的欧式距离最小的最大第二相似度对应的聚类中心作为像素点r的聚类中心。

根据像素点r的聚类的方法，确定更新聚类中心的聚类簇中每个像素点的聚类簇。需要说明的是，因为每个初始聚类簇对应一个聚类效果评估值，若某个初始聚类簇的聚类效果评估值直接满足预设要求，则说明该初始聚类簇不需要进行更新，该初始聚类簇内的像素点均不参与后续第二相似度的计算。

每次更新聚类中心后，根据第二相似度重新对像素点进行聚类获得更新聚类簇，获取所有更新聚类簇的聚类效果评估值，直至每个聚类簇的聚类效果评估值小于或等于聚类效果评估值阈值，停止对聚类中心的更新，获得最终聚类簇。

步骤S5：获得邻接的两个所述最终聚类簇之间的公共点，所述公共点构成公共边缘线；将所述公共边缘线进行扩充获得边缘区域。

具体的，在密封面表面的两个焊接点的焊料在蔓延时发生了融合，融合区域每的像素点属于两个焊接点所在聚类簇中的公共像素点，将公共像素点进行连接构成公共边缘线，根据公共边缘线获取边缘区域的方法如下：

将公共边缘线上的每个边缘像素点均设置第二预设邻域，将公共边缘线对应的第二预设邻域组成的区域作为边缘区域。

本发明实施例将每个边缘像素点的第二预设邻域设置为5*5，实施者可根据实际情况自行设置第二预设邻域的大小，将每个边缘像素点的第二预设邻域组成的区域作为对应公共边缘线的边缘区域。

步骤S6：根据所述边缘区域内的灰度特征识别出缺陷区域。

具体的，不同焊接点的焊料在进行焊接时，焊料的温度与焊料的多少（比如一个焊接点的焊料较多，另一个焊接点的焊料较少）存在差异，会导致焊料在边缘区域进行融合时容易产生裂纹缺陷。故本发明实施例通过对边缘区域进行获取，再对边缘区域内进行进一步的裂纹缺陷检测，对边缘区域直接进行缺陷区域的检测，减少了对无用区域的像素点分析，提高了裂纹缺陷检测的效率与精度。

k-means均值聚类为强分类，因此，灰度图像中的每个像素点都会被划分到某一焊接点所在的最终聚类簇内，故缺陷像素点也会被划分到相应的焊接点所在的最终聚类簇内。裂纹缺陷最容易出现在边缘区域，故对边缘区域内的像素点进行进一步分析获取缺陷像素点，由于缺陷像素点在聚类过程中，缺陷像素点的灰度值不满足焊接点的灰度分布特征，因此在聚类过程中，缺陷像素点对应的第二相似度相对于正常像素点而言会更小。

基于聚类过程中得到的第二相似度，获取边缘区域内的像素点为缺陷像素点的裂纹缺陷概率值，完成缺陷像素点的判断。获取裂纹缺陷概率值的具体方法如下：

以每个最终聚类簇每次更新过程产生的聚类中心作为参考点；获取边缘区域内的每个像素点与对应的两个邻接的最终聚类簇内同一更新次数的参考点之间的第二相似度的均值作为平均第二相似度；计算常数1与平均第二相似度的差值作为第五结果；以两个邻接的最终聚类簇同时参与更新的更新过程对应的第五结果的均值作为边缘区域中对应像素点的裂纹缺陷概率值。获取裂纹缺陷概率值的公式为：

其中，为裂纹缺陷概率值；与为两个邻接的最终聚类簇；为最终聚类簇中的第次更新聚类中心即最终聚类簇中的第个参考点；为最终聚类簇中的第次更新聚类中心，即最终聚类簇中的第个参考点；为边缘区域中的像素点与最终聚类簇中的第个参考点之间的第二相似度；为边缘区域中的像素点与最终聚类簇中的第个参考点之间的第二相似度；为最终聚类簇与最终聚类簇同时参与更新聚类中心的次数，其中的初始值为1；当为1时，聚类中心为初始聚类中心，此时根据第一相似度来获取裂纹缺陷概率值，即，，其余则按照第二相似度完成计算。

需要说明的是，边缘区域的缺陷像素点是由两个邻接的最终聚类簇与最终聚类簇的公共区域获取的，通过对求平均值获得的平均第二相似度能反映出边缘区域的像素点与两个邻接的最终聚类簇的聚类中心的第二相似度的大小，平均第二相似度越小，说明边缘区域的像素点与两个邻接的最终聚类簇的聚类中心的第二相似度越小，边缘区域的像素点与两个邻接的最终聚类簇的聚类中心越不为同一个类别的像素点，边缘区域的像素点越可能为缺陷像素点，越大。进一步通过同时参与更新的更新过程对应的均值表征更新过程中边缘区域内像素点的状态，即若在整个更新过程中该边缘区域像素点所获得的第二相似度均为较小值，则对应的越大，说明该边缘区域的像素点越可能为缺陷像素点。

根据裂纹缺陷概率值确定缺陷像素点，获取缺陷区域的方法为：设置裂纹缺陷概率值阈值，当裂纹缺陷概率值大于裂纹缺陷概率值阈值时，边缘区域内对应像素点为缺陷像素点，以缺陷像素点构成的区域作为缺陷区域。

本发明实施例设置裂纹缺陷概率值阈值为0.8，当裂纹缺陷概率值大于裂纹缺陷概率值阈值时，边缘区域内对应的像素点为缺陷像素点。将获得的相邻的缺陷像素点进行相连，获得的区域即为缺陷区域；若分析的边缘区域内只有一个缺陷像素点，则把这个缺陷像素点认为是干扰点，不再进行分析。

对获得的缺陷区域进行补焊，消除缺陷，完成缺陷区域的检测与修复。

至此，本发明实施例完成。

综上所述：本发明实施例获得堆焊后密封面的灰度图像；根据所述灰度图像中每个像素点在第一预设邻域范围内的灰度值变化筛选出焊接点；将焊接点作为初始聚类中心，通过改进的k-means聚类算法将灰度图像内的像素点进行聚类，获得初始聚类簇；获取初始聚类簇的聚类效果评估值，根据聚类效果评估值对初始聚类中心进行更新，直至聚类效果评估值满足预设要求，获得最终聚类簇；获得邻接的两个最终聚类簇之间的公共点，公共点构成公共边缘线；将公共边缘线进行扩充获得边缘区域；根据边缘区域内的灰度特征识别出缺陷区域。根据改进的k-means聚类算法，可以准确的识别出缺陷区域。

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。

Claims (10)

1.一种阀门表面缺陷的视觉识别方法，其特征在于，该方法包括以下步骤：

获得堆焊后密封面的灰度图像；

根据所述灰度图像中每个像素点在第一预设邻域范围内的灰度值变化筛选出焊接点；

将焊接点作为初始聚类中心，通过改进的k-means聚类算法将所述灰度图像内的像素点进行聚类，获得初始聚类簇；所述改进的k-means聚类算法中以所述初始聚类中心为中心获得每个像素点的对称性特征，计算像素点与所述初始聚类中心之间的灰度差异作为第一差异；根据所述对称性特征和所述第一差异获得第一相似度，根据所述第一相似度对像素点进行聚类；

获取每个所述初始聚类簇的聚类效果评估值，根据所述聚类效果评估值对所述初始聚类中心进行更新，直至所述聚类效果评估值满足预设要求，获得最终聚类簇；所述初始聚类中心进行更新的过程包括：分别计算像素点与更新前后的聚类中心的灰度分布特征值；计算像素点与更新后的聚类中心之间的灰度差异作为第二差异；根据所述灰度分布特征值与所述第二差异获取第二相似度，根据所述第二相似度更新聚类簇；

获得邻接的两个所述最终聚类簇之间的公共点，所述公共点构成公共边缘线；将所述公共边缘线进行扩充获得边缘区域；

根据所述边缘区域内的灰度特征识别出缺陷区域。

2.如权利要求1所述的一种阀门表面缺陷的视觉识别方法，其特征在于，所述根据所述灰度图像中每个像素点在第一预设邻域范围内的灰度值变化筛选出焊接点的方法，包括：

获取目标像素点与对应所述第一预设邻域范围内的每个像素点的灰度差值绝对值作为第一结果；

以目标像素点为起点，设置至少两个不同的预设方向，沿着预设方向获得至少两个方向像素点，所述方向像素点的灰度值构成方向灰度值序列；计算所述目标像素点的灰度值与所述方向灰度值序列中的每个元素的差异，获得第一灰度差异值序列；计算所述方向灰度值序列中相邻元素之间的差异，获得方向灰度差分序列；计算所述第一灰度差异值序列与所述方向灰度差分序列对应位置元素之间的差异，获得灰度差异变化序列；将所述灰度差异变化序列中每个元素进行负相关映射并归一化后累加，获得对应预设方向上的灰度变化特征值；

将每个所述预设方向对应的所述灰度变化特征值累加，作为第二结果；

将所述第一预设邻域范围内的最大的第一结果与第二结果的乘积作为目标像素点的可能值；

设置可能值阈值，当可能值大于可能值阈值时，目标像素点为焊接点。

3.如权利要求1所述的一种阀门表面缺陷的视觉识别方法，其特征在于，所述灰度分布特征值的获取方法，包括：

计算待聚类像素点与聚类中心之间的灰度差值绝对值作为分子，计算待聚类像素点与聚类中心之间的欧式距离作为分母，获取分子与分母的比值作为灰度分布特征值。

4.如权利要求1或3所述的一种阀门表面缺陷的视觉识别方法，其特征在于，所述对称性特征的获取方法，包括：

获得待聚类像素点与所述初始聚类中心的第一欧式距离；与所述初始聚类中心为相同类别的像素点记为同类像素点，以所述初始聚类中心为起点，获得所有预设蔓延方向上的每个同类像素点与所述初始聚类中心的第二欧式距离；以每个所述预设蔓延方向上与所述第一欧式距离最相似的第二欧式距离对应的同类像素点作为待聚类像素点的匹配点；计算待聚类像素点与匹配点之间的灰度分布特征值的差值绝对值的均值作为第一值；

获取待聚类像素点关于所述初始聚类中心对称的像素点作为对称点，计算待聚类像素点与对称点之间的灰度分布特征值的差值绝对值作为第二值；

将第一值与第二值相加的和作为第三值，将第三值负相关映射并归一化，所得结果作为待聚类像素点的对称性特征。

5.如权利要求4所述的一种阀门表面缺陷的视觉识别方法，其特征在于，所述第一相似度的获取方法，包括：

计算第一欧式距离与第一差异的乘积作为第三结果，将第三结果的倒数作为第四结果；将第四结果与对称性特征的乘积作为待聚类像素点与所述初始聚类中心之间的第一相似度。

6.如权利要求1所述的一种阀门表面缺陷的视觉识别方法，其特征在于，所述第二相似度的获取方法，包括：

将第二差异进行归一化处理，获得归一化后的第二差异，将常数1与归一化后的第二差异的差值作为第四值；

计算像素点与更新前后的聚类中心的灰度分布特征值之间的差值绝对值作为灰度分布差异值，将灰度分布差异值与预设常数的和作为第五值，将第五值的倒数作为第六值；

获取第四值与第六值的乘积作为像素点与更新后的聚类中心的第二相似度。

7.如权利要求1所述的一种阀门表面缺陷的视觉识别方法，其特征在于，所述将所述公共边缘线进行扩充获得边缘区域的方法，包括：

将公共边缘线上的每个边缘像素点均设置第二预设邻域，将公共边缘线对应的第二预设邻域组成的区域作为边缘区域。

8.如权利要求1所述的一种阀门表面缺陷的视觉识别方法，其特征在于，所述根据所述边缘区域内的灰度特征识别出缺陷区域的方法，包括：

以每个最终聚类簇每次更新过程产生的聚类中心作为参考点；获取边缘区域内的每个像素点与对应的两个邻接的最终聚类簇内同一更新次数的参考点之间的第二相似度的均值作为平均第二相似度；

计算常数1与平均第二相似度的差值作为第五结果；以两个邻接的最终聚类簇同时参与更新的所述更新过程对应的第五结果的均值作为边缘区域内对应像素点的裂纹缺陷概率值；

设置裂纹缺陷概率值阈值，当裂纹缺陷概率值大于裂纹缺陷概率值阈值时，边缘区域内对应像素点为缺陷像素点，以缺陷像素点构成的区域作为缺陷区域。

9.如权利要求1所述的一种阀门表面缺陷的视觉识别方法，其特征在于，所述聚类效果评估值的获取方法，包括：

将每个聚类簇的平方误差和作为每个聚类簇的聚类效果评估值。

10.如权利要求1所述的一种阀门表面缺陷的视觉识别方法，其特征在于，所述预设要求，包括：

设置聚类效果评估值阈值，当聚类效果评估值小于或等于聚类效果评估值阈值时，对应的聚类簇中的聚类中心不进行更新。

Images