CN116071387B - 基于机器视觉的枕轨生产质量检测方法 - Google Patents
基于机器视觉的枕轨生产质量检测方法 Download PDFInfo
- Publication number
- CN116071387B CN116071387B CN202310201725.6A CN202310201725A CN116071387B CN 116071387 B CN116071387 B CN 116071387B CN 202310201725 A CN202310201725 A CN 202310201725A CN 116071387 B CN116071387 B CN 116071387B
- Authority
- CN
- China
- Prior art keywords
- suspected
- pixel point
- point
- crack
- gray
- 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
- 241001669679 Eleotris Species 0.000 title claims abstract description 80
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims description 46
- 238000000034 method Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 1
- 230000011218 segmentation Effects 0.000 abstract description 17
- 238000012545 processing Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image 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
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种基于机器视觉的枕轨生产质量检测方法,该方法包括:获取枕轨表面的灰度图像并初步分割得到疑似裂纹区域;标记每个疑似裂纹区域的中心线,获取疑似裂纹区域中每个像素点与中心线之间的最短距离,从而得到疑似裂纹区域的裂纹宽度以及疑似裂纹区域中每个像素点的影响程度;基于疑似裂纹区域的裂纹宽度、疑似裂纹区域中像素点对应的灰度信息以及影响程度得到对应像素点自适应的局部窗口尺寸;基于自适应局部窗口尺寸的Niblack算法对疑似裂纹区域分割得到裂纹区域,并根据裂纹区域得到枕轨生产质量。本发明能够提高对裂纹区域检测的准确性,进而保证了对枕轨生产质量判断的准确性。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种基于机器视觉的枕轨生产质量检测方法。
背景技术
铁路枕轨是用于铁路线路铺设的基础材料,其作用是固定铁路轨道轨距、承载钢轨以及通过车辆的重量荷载,使轨道压力荷载均匀分散传递至路基,保持线路稳定畅通;因此枕轨的生产质量严重影响列车的高速运行安全,其中枕轨是否出现裂纹是表征枕轨结构安全最重要的指标,对其进行精准检测具有重要意义。
传统的枕轨表面裂纹检测技术主要依托超声平测法和激光扫描法,然而这两种方法要求枕轨表面结构较为平整,需要专门的传感器接收反射信号,并且都存在检测速度慢、检测精度低、误差大的问题。
近年来,随着计算机视觉技术的发展,基于机器视觉的裂纹自动化检测系统逐渐被应用于轨枕生产质量检测中,例如Niblack算法,但传统的Niblack算法自适应性较低,对局部窗口大小和修正系数的选取难以把控,当局部窗口选择过大,则失去了“局部阈值”的含义,且影响Niblack算法的速度;当局部窗口选择过小,则得到的样本数量太少,获取不到足够的信息判断窗口中心像素是属于目标区域还是背景区域,因此分割效果会产生较大的不确定性;并且通常情况下每个像素点对应的局部窗口的大小不变,但实际场景中不同裂纹的粗细可能会存在较大的差异,图像分割效果较差。
发明内容
为了解决Niblack算法中像素点局部窗口选择不合适导致图像分割效果差的问题,本发明的目的在于提供一种基于机器视觉的枕轨生产质量检测方法,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基于机器视觉的枕轨生产质量检测方法,该方法包括以下步骤:
获取枕轨表面的灰度图像,对所述灰度图像初步分割得到疑似裂纹区域;
标记每个所述疑似裂纹区域的中心线,获取所述疑似裂纹区域中每个像素点与所述中心线之间的最短距离,基于所述最短距离获取所述疑似裂纹区域的裂纹宽度以及所述疑似裂纹区域中每个像素点的影响程度;
获取所述疑似裂纹区域中每个像素点对应邻域范围的灰度信息,基于所述疑似裂纹区域的裂纹宽度、所述疑似裂纹区域中像素点的影响程度以及对应邻域范围的灰度信息得到对应像素点自适应的局部窗口尺寸;
基于自适应局部窗口尺寸的Niblack算法获取所述疑似裂纹区域中的异常像素点,根据所有所述异常像素点得到枕轨生产质量。
优选的,所述基于所述最短距离获取所述疑似裂纹区域的裂纹宽度以及所述疑似裂纹区域中每个像素点的影响程度的步骤,包括:
计算所述疑似裂纹区域的所有边缘像素点与所述疑似裂纹区域的中心线之间的最短距离的平均值,将所述平均值的二倍作为所述疑似裂纹区域的裂纹宽度;
获取所述疑似裂纹区域中每个像素点对应的拟合直线,并获取所述拟合直线的斜率绝对值;对于所述疑似裂纹区域中任一像素点,计算像素点对应的最短距离与拟合直线的斜率绝对值的乘积,以所述乘积的负数作为自然常数的指数,得到的结果作为对应像素点的影响程度。
优选的,所述获取所述疑似裂纹区域中每个像素点对应的拟合直线的步骤,包括:
以所述疑似裂纹区域中任意一个像素点为目标点,将所述目标点与所述疑似裂纹区域的中心线之间最短距离对应的线段作为基础线;以所述疑似裂纹区域的边缘像素点为起点作直线与所述疑似裂纹区域的中心线相交,交点为所述直线的终点,且所述直线过所述目标点并与所述基础线重合;
对所述直线上所有像素点的灰度值进行直线拟合得到所述目标点对应的拟合直线。
优选的,所述获取所述疑似裂纹区域中每个像素点对应邻域范围的灰度信息的步骤,包括:
所述疑似裂纹区域中每个像素点的邻域范围是以像素点为中心的八邻域范围;
获取所述疑似裂纹区域中每个像素点对应邻域范围内所有像素点的平均灰度值、邻域范围内所有像素点的灰度值的最大值以及灰度值的最小值;
所述平均灰度值、灰度值的最大值以及灰度值的最小值为像素点对应邻域范围内的灰度信息。
优选的,所述像素点自适应的局部窗口尺寸的获取公式为:
其中,表示疑似裂纹区域中第个像素点自适应的局部窗口尺寸;表示疑似
裂纹区域中第个像素点的灰度值;表示疑似裂纹区域中第个像素点对应邻域范
围内所有像素点的平均灰度值;表示疑似裂纹区域中第个像素点对应邻域范围
内所有像素点的灰度值的最大值;表示疑似裂纹区域中第个像素点对应邻域范
围内所有像素点的灰度值的最小值;表示疑似裂纹区域中第个像素点对应的影响程度;表示疑似裂纹区域的裂纹宽度;表示绝对值计算。
优选的,所述基于自适应局部窗口尺寸的Niblack算法获取所述疑似裂纹区域中的异常像素点的步骤,包括:
以所述疑似裂纹区域中任意一个像素点为待分析点,基于所述待分析点自适应的局部窗口尺寸得到所述待分析点的局部窗口,获取所述局部窗口中所有像素点的灰度均值以及灰度值的标准差;
以预设的修正系数与灰度值的标准差进行相乘,将相乘的结果与灰度均值相加得到所述待分析点的局部阈值;若所述待分析点的灰度值小于对应的局部阈值,所述待分析点为异常像素点。
优选的,所述根据所有所述异常像素点得到枕轨生产质量的步骤,包括:
将所述灰度图像中所有所述异常像素点的数量作为裂纹区域的面积,计算裂纹区域的面积在所述灰度图像中的占比,所述占比为枕轨生产质量损失,枕轨生产质量损失越大,枕轨生产质量越差。
优选的,所述标记每个所述疑似裂纹区域的中心线的步骤,包括:
对所述疑似裂纹区域进行形态学细化操作,得到所述疑似裂纹区域对应的一条单像素的线段,所述线段为所述疑似裂纹区域的中心线。
本发明具有如下有益效果:为了解决现有Niblack算法进行分割效果不好的问题,本发明实施例中通过对每个像素点的局部窗口进行自适应获取,以适应性更强的局部窗口进行Niblack算法分割,使得分割得到的异常像素点更加准确,进而保证了对枕轨生产质量检测的准确性;在对每个像素点的局部窗口进行获取时,首先对灰度图像进行初步分割得到其中的疑似裂纹区域,后续仅对疑似裂纹区域中的像素点进行分析,减少了整体分析的计算量,提高了对异常像素点进行分割的效率;其次,在对每个疑似裂纹区域进行分析时,结合裂纹的特征表现获取疑似裂纹区域的中心线,根据疑似裂纹区域中每个像素点与该中心线之间的最短距离获取裂纹宽度和每个像素点的影响程度,以疑似裂纹区域的裂纹宽度作为其中每个像素点局部窗口的最大的局部窗口尺寸,避免局部窗口过大失去局部信息,同时利用像素点的影响程度来减少极端值的影响,为局部窗口尺寸的获取提供依据;进一步的,除了考虑到像素点本身的影响程度之外,结合像素点对应邻域范围内的灰度信息进行局部窗口尺寸的计算,提高局部窗口尺寸获取的可靠性,防止算法的抗干扰能力下降;最终基于疑似裂纹区域中每个像素点对应的自适应窗口尺寸进行异常像素点的获取,也即是在利用Niblack算法进行分割时,通过局部窗口尺寸的自适应变化来提高异常像素点判定的准确度,基于更加准确可靠的异常像素点对枕轨生产质量进行获取,使得枕轨生产质量的获取更加准确。
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基于机器视觉的枕轨生产质量检测方法流程图。
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基于机器视觉的枕轨生产质量检测方法,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基于机器视觉的枕轨生产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基于机器视觉的枕轨生产质量检测方法流程图,该方法包括以下步骤:
步骤S100,获取枕轨表面的灰度图像,对灰度图像初步分割得到疑似裂纹区域。
裂纹是表征枕轨结构安全最重要的指标,因此对枕轨表面的裂纹进行精准检测具有很重要的意义;本发明实施例中裂纹检测是基于枕轨表面图像进行的,首先需要采集生产线上的枕轨图像,为了更加针对性的对枕轨表面进行分析,将采集到的枕轨图像与提前获取的生产线的背景图像进行差分处理,以得到去除背景影响的枕轨差分图像,对图像进行差分处理的方法为公知技术,不再赘述。
进一步的,为了去除冗余颜色信息的影响,对枕轨差分图像进行灰度化处理得到对应的灰度图像;然后获取该灰度图像对应的灰度直方图,利用大津分割算法求取最佳分割阈值,由于枕轨表面裂纹区域的像素点灰度值较小,且裂纹区域的面积较小,导致大津分割算法的最佳分割阈值会偏向于非裂纹区域,因此将灰度图像中灰度值小于最佳分割阈值的像素点记为疑似异常点,将灰度图像中灰度值不小于最佳分割阈值的像素点记为正常像素点,由所有的疑似异常点进行连通域分析可构成多个疑似裂纹区域,且疑似裂纹区域中可能包含部分正常像素点,因此需要对每个疑似裂纹区域进一步分析;大津分割算法以及灰度化处理的方法为现有公知手段,本实施例中不再详细说明。
步骤S200,标记每个疑似裂纹区域的中心线,获取疑似裂纹区域中每个像素点与中心线之间的最短距离,基于最短距离获取疑似裂纹区域的裂纹宽度以及疑似裂纹区域中每个像素点的影响程度。
由步骤S100中得到枕轨表面的灰度图像以及灰度图像中的多个疑似裂纹区域,疑似裂纹区域中除了包括裂纹像素点之外还存在部分正常像素点,因此需要对疑似裂纹区域再次进行分割,传统的Niblack算法对局部窗口大小的选取依赖于人工经验,且像素点对应的局部窗口大小的选择直接影响到图像分割的效果,固定的局部窗口会导致图像整体的分割效果较差,因此本发明实施例在利用Niblack算法对疑似异常区域进行分割处理时,首先对每个像素点自适应的局部窗口尺寸进行获取。
以任意一个疑似裂纹区域为例,由于裂纹具有一定的线性特征,因此对疑似裂纹
区域进行形态学细化操作,得到疑似裂纹区域对应的一条单像素的线段,将该线段作为该
疑似裂纹区域的中心线,形态学细化操作也即是对疑似裂纹区域的轮廓边缘逐渐去除,最
终得到一条宽度为一个像素点的骨架,也即是疑似裂纹区域的中心线,具体方法为公知手
段,不再赘述;然后获取该疑似裂纹区域的所有边缘像素点,并获取该疑似裂纹区域中每个
边缘像素点与该疑似裂纹区域对应的中心线之间的最短距离,由疑似裂纹区域上每个边缘
像素点对应的最短距离构建出边缘像素点距离集合为:,其中,表示
第个疑似裂纹区域对应的边缘像素点距离集合,表示疑似裂纹区域中第1个边缘像素点
与该疑似边缘区域对应的中心线之间的最短距离,表示疑似裂纹区域中第2个边缘像素
点与该疑似边缘区域对应的中心线之间的最短距离,表示疑似裂纹区域中第个边缘
像素点与该疑似边缘区域对应的中心线之间的最短距离,为疑似裂纹区域中所有边缘像
素点的数量。
计算疑似裂纹区域的所有边缘像素点与疑似裂纹区域的中心线之间的最短距离的平均值,将平均值的二倍作为疑似裂纹区域的裂纹宽度;获取疑似裂纹区域中每个像素点对应的拟合直线,并获取拟合直线的斜率绝对值;对于疑似裂纹区域中任一像素点,计算像素点对应的最短距离与拟合直线的斜率绝对值的乘积,以乘积的负数作为自然常数的指数,得到的结果作为对应像素点的影响程度;其中,拟合直线的获取为:以疑似裂纹区域中任意一个像素点为目标点,将目标点与疑似裂纹区域的中心线之间最短距离对应的线段作为基础线;以疑似裂纹区域的边缘像素点为起点作直线与疑似裂纹区域的中心线相交,交点为直线的终点,且直线过目标点并与基础线重合;对直线上所有像素点的灰度值进行直线拟合得到目标点对应的拟合直线。
具体的,为了便于后续对局部窗口大小的选取,避免局部窗口大小不合适造成后
续分割效果不好,获取每个疑似裂纹区域对应的裂纹宽度作为最大局部窗口尺寸,疑似裂
纹区域的裂纹宽度的获取方法为:计算疑似裂纹区域对应的边缘像素点距离集合的平均值
记为,本发明实施例中以作为该疑似裂纹区域的裂纹宽度,也即是以作为
该疑似裂纹区域中各个像素点的最大局部窗口尺寸,以最大局部窗口尺寸作为参考对该疑
似裂纹区域中每个像素点对应的局部窗口尺寸进行自适应获取。
进一步的,获取疑似裂纹区域中每个像素点与该疑似裂纹区域的中心线之间的最
短距离,由于裂纹的特征可知,裂纹区域的像素点灰度值是由裂纹边缘向裂纹中心线处逐
渐变小,因此如果疑似裂纹区域中存在裂纹像素点,则该像素点与疑似裂纹区域的中心线
之间的最短距离越小,该像素点对裂纹像素点分析的影响越大,需要利用较大的局部窗口
尺寸来减少对该像素点的影响,因此基于每个像素点对应的最短距离自适应获取每个像素
点对应的影响程度,以疑似裂纹区域中第个像素点作为目标点进行分析,疑似裂纹区域中
第个像素点的影响程度的计算公式为:
其中,表示疑似裂纹区域中第个像素点对应的影响程度;表示疑似裂纹区域
中第个像素点与该疑似裂纹区域的中心线之间的最短距离;表示疑似裂纹区域中第个
像素点对应拟合直线的斜率;表示自然常数;表示绝对值计算。
其中,第个像素点对应的拟合直线的获取方法为:将第个像素点与中心线之间最
短距离对应的线段记为基础线,以疑似裂纹区域的边缘像素点为起点作直线,该直线与疑
似裂纹区域的中心线交于一点,交点为该直线的终点,并且该直线经过第个像素点且与基
础线重合;统计该直线上所有的像素点集合,对该像素点集合中所有像素点的灰度值进行
直线拟合得到第个像素点对应的拟合直线。
本实施例中采用Niblack算法的修正系数固定,局部阈值一般是根据局部窗口内
像素点的灰度均值和标准差获取;当第个像素点对应拟合直线的斜率绝对值的取值越
大,说明第个像素点所在拟合直线上像素点灰度值的变化越快,出现极端值的概率越大,
对局部窗口内的灰度均值以及标准差的影响越大,会降低算法的抗干扰能力,导致分割后
会出现严重的噪声点,因此需要较小的局部窗口尺寸,尽可能减少局部窗口内的标准差;当
第个像素点与疑似裂纹区域的中心线之间的最短距离越小时,其越容易对裂纹像素点的
识别产生影响,需要较大的局部窗口尺寸减弱该影响;由此可知,当第个像素点对应的最
短距离和斜率绝对值的乘积越大时,该像素点越需要较小的局部窗口尺寸,因此对该
乘积结果进行负相关映射,以使得局部窗口尺寸与该乘积结果呈现负相关关系,并减少极
端值对局部窗口像素点的灰度均值和标准差的影响,确保局部阈值获取的准确性。
同理,基于上述获取第个像素点的影响程度相同的方法,获取疑似裂纹区域中每
个像素点对应的影响程度;若仅仅依靠像素点的影响程度决定该像素点的局部窗口尺寸,
得到的局部窗口尺寸不够准确,因此在得到每个像素点的影响程度之后,对每个像素点继
续分析。
步骤S300,获取疑似裂纹区域中每个像素点对应邻域范围的灰度信息,基于疑似裂纹区域的裂纹宽度、疑似裂纹区域中像素点的影响程度以及对应邻域范围的灰度信息得到对应像素点自适应的局部窗口尺寸。
由步骤S200中获取疑似裂纹区域中每个像素点对应的影响程度,基于每个像素点对应的影响程度自适应获取每个像素点对应的局部窗口尺寸;由于大津分割算法可能存在误分割,因此在对每个像素点进行局部窗口尺寸获取时,需要进一步考虑到每个像素点邻域范围内像素点的灰度信息;疑似裂纹区域中每个像素点的邻域范围是以像素点为中心的八邻域范围;获取疑似裂纹区域中每个像素点对应邻域范围内所有像素点的平均灰度值、邻域范围内所有像素点的灰度值的最大值以及灰度值的最小值;平均灰度值、灰度值的最大值以及灰度值的最小值为像素点对应邻域范围内的灰度信息。
其中,表示疑似裂纹区域中第个像素点的局部窗口尺寸;表示疑似裂纹区
域中第个像素点的灰度值;表示疑似裂纹区域中第个像素点对应邻域范围内所
有像素点的平均灰度值,邻域范围是以第个像素点为中心的八邻域范围,且对所有像素点
的平均灰度值的计算时包括第个像素点;表示疑似裂纹区域中第个像素点对应
邻域范围内所有像素点的灰度值的最大值;表示疑似裂纹区域中第个像素点对
应邻域范围内所有像素点的灰度值的最小值;表示疑似裂纹区域中第个像素点对应的
影响程度;表示该疑似裂纹区域的裂纹宽度;表示绝对值计算。
由于大津分割算法可能会存在误差,也即是有可能疑似裂纹区域中并不存在裂
纹,因此仅根据像素点的影响程度进行局部窗口的获取可能会出现偏差,故结合像素点邻
域范围内的灰度信息对影响程度进行校正,影响程度取值越大,疑似裂纹区域中第个
像素点所需要的局部窗口尺寸越大;反映了疑似裂纹区域中第个像素点
的灰度值与该像素点对应邻域范围内平均灰度值之间的差异,该差异越大,说明疑似裂纹
区域中第个像素点越可能出现极端值影响,则疑似裂纹区域中第个像素点为裂纹像素点
的可能越大,因此对应的局部窗口尺寸越大;分母项用于归一
化处理,使得的取值处于0-1之间,且分母项常数0.01的作用是为了避
免分母项为0,常数取值为0.01也避免了对整体结果的影响过大;通过疑似裂纹区域中第
个像素点的影响程度以及第个像素点邻域范围内的灰度信息结合分析,将的结果作为局部窗口尺寸的调节因子,将该调节因子与该疑似
裂纹区域的裂纹宽度的乘积作为该疑似裂纹区域中第个像素点的局部窗口尺寸。
在获取到疑似裂纹区域中第个像素点对应的局部窗口尺寸之后,可对应得到疑
似裂纹区域中第个像素点对应的局部窗口的大小为;同理,与获取疑似裂纹区域中
第个像素点的局部窗口尺寸相同的方法,获取疑似裂纹区域中每个像素点的局部窗口尺
寸,也即是得到枕轨表面所有疑似裂纹区域中像素点对应的局部窗口,进而根据疑似裂纹
区域中像素点对应的局部窗口进行后续的分析。
步骤S400,基于自适应局部窗口尺寸的Niblack算法获取疑似裂纹区域中的异常像素点,根据所有异常像素点得到枕轨生产质量。
由上述步骤S300得到疑似裂纹区域中每个像素点对应的自适应局部窗口尺寸,因此可根据疑似裂纹区域中每个像素点的自适应局部窗口尺寸得到对应像素点的局部窗口,然后基于Niblack算法对所有疑似裂纹区域再次进行分割,每个疑似裂纹区域中的像素点实际是步骤S100中得到的疑似异常点,Niblack算法获取异常像素点是基于对应的局部阈值得到的,因此在对所有的疑似裂纹区域进行二次分割时,首先获取每个疑似异常点的局部阈值。
以疑似裂纹区域中任意一个像素点为待分析点,基于待分析点的自适应局部窗口尺寸得到待分析点的局部窗口,获取局部窗口中所有像素点的灰度均值以及灰度值的标准差;以预设的修正系数与灰度值的标准差进行相乘,将相乘的结果与灰度均值相加得到待分析点的局部阈值;若待分析点的灰度值小于对应的局部阈值,待分析点为异常像素点。
其中,表示第个疑似异常点对应的局部阈值;表示第个疑似异常点对应的
局部窗口中所有像素点的灰度均值;表示第个疑似异常点对应的局部窗口中所有像素
点灰度值的标准差;表示修正系数,Niblack算法中修正系数的常用取值范围为[-1,1],本
发明实施例中设置修正系数取值为-0.2,在其他实施例中,实施者可根据实际需求自行设
定。
局部阈值的计算为Niblack算法过程中的公知手段,不再详细说明;根据每个疑似异常点对应的局部阈值对该疑似异常点是否为异常像素点进行判断,当疑似异常点的灰度值小于该疑似异常点对应的局部阈值时,疑似异常点为异常像素点,并将该疑似异常点的灰度值置为1;反之,若疑似异常点的灰度值不小于该疑似异常点对应的局部阈值,则该疑似异常点为正常像素点,并将该疑似异常点的灰度值置为0;以此类推,对枕轨表面的灰度图像中所有的疑似异常点进行判断,将其中所有被判定为异常像素点的灰度值置为1,其他非异常像素点的灰度值置为0,也即是得到了灰度图像中所有的异常像素点,以及由异常像素点构成的裂纹区域。
进一步的,基于枕轨的灰度图像中所有的裂纹区域对该枕轨的生产质量进行评价,首先统计该枕轨的灰度图像中所有异常像素点的数量,也即是此时灰度图像中灰度值为1的像素点数量,将异常像素点的数量作为该枕轨表面裂纹区域的面积,然后获取枕轨的灰度图像的面积,基于裂纹区域的面积在灰度图像中的占比得到枕轨的生产质量损失,因此枕轨生产质量损失的计算为:
此处枕轨生产质量损失实际为枕轨的缺陷程度,裂纹区域的面积越大,说明枕轨
表面存在的缺陷越严重,缺陷程度越大,对应枕轨的生产质量越差,也即是生产质量损失
的取值越大,表明枕轨的质量越不好,以预设质量阈值对枕轨质量是否合格进行判断,当枕
轨的生产质量损失大于预设质量阈值时,表明该枕轨的质量越差,也即是枕轨的生产质量
不合格。
综上所述,本发明实施例中通过获取枕轨表面的灰度图像,对灰度图像初步分割得到疑似裂纹区域;标记每个疑似裂纹区域的中心线,获取疑似裂纹区域中每个像素点与中心线之间的最短距离,基于最短距离获取疑似裂纹区域的裂纹宽度以及疑似裂纹区域中每个像素点的影响程度;获取疑似裂纹区域中每个像素点的邻域范围的灰度信息,基于疑似裂纹区域的裂纹宽度、疑似裂纹区域中像素点对应的灰度信息以及影响程度得到对应像素点自适应的局部窗口尺寸;基于自适应局部窗口尺寸的Niblack算法对疑似裂纹区域分割得到裂纹区域;根据所有裂纹区域的面积得到枕轨生产质量;通过更加合适的局部窗口对每个像素点进行分析,得到的裂纹区域更加准确,提高了枕轨生产质量检测的准确性。
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。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 (5)
1.一种基于机器视觉的枕轨生产质量检测方法,其特征在于,该方法包括以下步骤:
获取枕轨表面的灰度图像,对所述灰度图像初步分割得到疑似裂纹区域;
标记每个所述疑似裂纹区域的中心线,获取所述疑似裂纹区域中每个像素点与所述中心线之间的最短距离,基于所述最短距离获取所述疑似裂纹区域的裂纹宽度以及所述疑似裂纹区域中每个像素点的影响程度;
获取所述疑似裂纹区域中每个像素点对应邻域范围的灰度信息,基于所述疑似裂纹区域的裂纹宽度、所述疑似裂纹区域中像素点的影响程度以及对应邻域范围的灰度信息得到对应像素点自适应的局部窗口尺寸;
基于自适应局部窗口尺寸的Niblack算法获取所述疑似裂纹区域中的异常像素点,根据所有所述异常像素点得到枕轨生产质量;
所述基于所述最短距离获取所述疑似裂纹区域的裂纹宽度以及所述疑似裂纹区域中每个像素点的影响程度的步骤,包括:
计算所述疑似裂纹区域的所有边缘像素点与所述疑似裂纹区域的中心线之间的最短距离的平均值,将所述平均值的二倍作为所述疑似裂纹区域的裂纹宽度;
获取所述疑似裂纹区域中每个像素点对应的拟合直线,并获取所述拟合直线的斜率绝对值;对于所述疑似裂纹区域中任一像素点,计算像素点对应的最短距离与拟合直线的斜率绝对值的乘积,以所述乘积的负数作为自然常数的指数,得到的结果作为对应像素点的影响程度;
所述获取所述疑似裂纹区域中每个像素点对应邻域范围的灰度信息的步骤,包括:
所述疑似裂纹区域中每个像素点的邻域范围是以像素点为中心的八邻域范围;
获取所述疑似裂纹区域中每个像素点对应邻域范围内所有像素点的平均灰度值、邻域范围内所有像素点的灰度值的最大值以及灰度值的最小值;
所述平均灰度值、灰度值的最大值以及灰度值的最小值为像素点对应邻域范围内的灰度信息;
所述像素点自适应的局部窗口尺寸的获取公式为:
2.根据权利要求1所述的一种基于机器视觉的枕轨生产质量检测方法,其特征在于,所述获取所述疑似裂纹区域中每个像素点对应的拟合直线的步骤,包括:
以所述疑似裂纹区域中任意一个像素点为目标点,将所述目标点与所述疑似裂纹区域的中心线之间最短距离对应的线段作为基础线;以所述疑似裂纹区域的边缘像素点为起点作直线与所述疑似裂纹区域的中心线相交,交点为所述直线的终点,且所述直线过所述目标点并与所述基础线重合;
对所述直线上所有像素点的灰度值进行直线拟合得到所述目标点对应的拟合直线。
3.根据权利要求1所述的一种基于机器视觉的枕轨生产质量检测方法,其特征在于,所述基于自适应局部窗口尺寸的Niblack算法获取所述疑似裂纹区域中的异常像素点的步骤,包括:
以所述疑似裂纹区域中任意一个像素点为待分析点,基于所述待分析点自适应的局部窗口尺寸得到所述待分析点的局部窗口,获取所述局部窗口中所有像素点的灰度均值以及灰度值的标准差;
以预设的修正系数与灰度值的标准差进行相乘,将相乘的结果与灰度均值相加得到所述待分析点的局部阈值;若所述待分析点的灰度值小于对应的局部阈值,所述待分析点为异常像素点。
4.根据权利要求1所述的一种基于机器视觉的枕轨生产质量检测方法,其特征在于,所述根据所有所述异常像素点得到枕轨生产质量的步骤,包括:
将所述灰度图像中所有所述异常像素点的数量作为裂纹区域的面积,计算裂纹区域的面积在所述灰度图像中的占比,所述占比为枕轨生产质量损失,枕轨生产质量损失越大,枕轨生产质量越差。
5.根据权利要求1所述的一种基于机器视觉的枕轨生产质量检测方法,其特征在于,所述标记每个所述疑似裂纹区域的中心线的步骤,包括:
对所述疑似裂纹区域进行形态学细化操作,得到所述疑似裂纹区域对应的一条单像素的线段,所述线段为所述疑似裂纹区域的中心线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310201725.6A CN116071387B (zh) | 2023-03-06 | 2023-03-06 | 基于机器视觉的枕轨生产质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310201725.6A CN116071387B (zh) | 2023-03-06 | 2023-03-06 | 基于机器视觉的枕轨生产质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116071387A CN116071387A (zh) | 2023-05-05 |
CN116071387B true CN116071387B (zh) | 2023-06-16 |
Family
ID=86174990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310201725.6A Active CN116071387B (zh) | 2023-03-06 | 2023-03-06 | 基于机器视觉的枕轨生产质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116071387B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612123B (zh) * | 2023-07-21 | 2023-10-13 | 山东金胜粮油食品有限公司 | 一种花生油加工质量视觉检测方法 |
CN116645429B (zh) * | 2023-07-25 | 2023-10-20 | 山东中胜涂料有限公司 | 一种视觉辅助的涂料生产样品色彩分析检测方法 |
CN116664584B (zh) * | 2023-08-02 | 2023-11-28 | 东莞市旺佳五金制品有限公司 | 一种薄壁类锌合金压铸模具生产智能反馈调节系统 |
CN116758061B (zh) * | 2023-08-11 | 2023-10-31 | 山东优奭趸泵业科技有限公司 | 基于计算机视觉的铸件表面缺陷检测方法 |
CN117058111B (zh) * | 2023-08-21 | 2024-02-09 | 大连亚明汽车部件股份有限公司 | 一种汽车铝合金压铸模具质量检查方法及系统 |
CN116912250B (zh) * | 2023-09-13 | 2023-11-28 | 山东众成菌业股份有限公司 | 基于机器视觉的菌包生产质量检测方法 |
CN117095004B (zh) * | 2023-10-20 | 2024-01-12 | 金成技术股份有限公司 | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 |
CN117252874B (zh) * | 2023-11-16 | 2024-03-19 | 深圳市京鼎工业技术股份有限公司 | 一种塑胶模具生产质量视觉检测方法 |
CN117522868B (zh) * | 2024-01-04 | 2024-03-29 | 江苏高特高金属科技有限公司 | 一种焊管生产质量视觉检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082462A (zh) * | 2022-08-22 | 2022-09-20 | 山东海鑫达石油机械有限公司 | 一种流体输送管外观质量检测方法及系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6577762B1 (en) * | 1999-10-26 | 2003-06-10 | Xerox Corporation | Background surface thresholding |
CN104637067B (zh) * | 2015-03-18 | 2017-06-20 | 厦门麦克玛视电子信息技术有限公司 | 一种纹理表面的缺陷检测方法 |
CN106200047B (zh) * | 2016-08-29 | 2019-03-22 | 武汉精测电子集团股份有限公司 | 一种基于GPU的TFT-LCD Mura缺陷检测的方法 |
CN107621435A (zh) * | 2017-10-16 | 2018-01-23 | 华侨大学 | 一种骨料在线监测装置 |
CN109580657B (zh) * | 2019-01-23 | 2021-08-20 | 郑州工程技术学院 | 一种桥梁质量检测中的裂缝检测方法 |
CN112213314B (zh) * | 2019-07-12 | 2022-11-29 | 长鑫存储技术有限公司 | 晶圆侧面缺陷的检测方法和检测系统 |
CN113706461A (zh) * | 2021-07-19 | 2021-11-26 | 浙江中新电力工程建设有限公司配电分公司 | 一种基于图像识别的绝缘毯微缺陷识别系统 |
CN114723701B (zh) * | 2022-03-31 | 2023-04-18 | 厦门力和行自动化有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
CN115082482B (zh) * | 2022-08-23 | 2022-11-22 | 山东优奭趸泵业科技有限公司 | 一种金属表面缺陷检测方法 |
-
2023
- 2023-03-06 CN CN202310201725.6A patent/CN116071387B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082462A (zh) * | 2022-08-22 | 2022-09-20 | 山东海鑫达石油机械有限公司 | 一种流体输送管外观质量检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116071387A (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116071387B (zh) | 基于机器视觉的枕轨生产质量检测方法 | |
CN102589435B (zh) | 噪声环境下激光束中心高效精确检测方法 | |
CN108319920B (zh) | 一种基于线扫描三维点云的路面标线检测及参数计算方法 | |
CN107705294B (zh) | 一种十字激光的图像式路基表面沉降监测方法和监测系统 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN116758059B (zh) | 一种用于路基路面的视觉无损检测方法 | |
CN115272334A (zh) | 用于复杂背景下的钢轨表面微小缺陷检测方法 | |
CN109653045B (zh) | 轨距测量方法及装置 | |
CN110736999B (zh) | 基于激光雷达的铁路道岔检测方法 | |
CN117237368B (zh) | 一种桥梁裂缝检测方法及系统 | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
CN117197141B (zh) | 一种汽车零部件表面缺陷检测方法 | |
CN115359053A (zh) | 一种金属板材缺陷智能检测方法及系统 | |
CN116152749B (zh) | 基于数字孪生的齿轮磨损智能监测方法 | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN116993726B (zh) | 一种矿物铸件检测方法及系统 | |
CN1290049C (zh) | 强反射背景下粗糙纹理工件图像特征点自动提取方法 | |
CN112950562A (zh) | 一种基于线结构光的扣件检测算法 | |
CN115880280B (zh) | 一种钢结构焊缝质量的检测方法 | |
CN116681912A (zh) | 铁路道岔的轨距检测方法及装置 | |
CN115205317B (zh) | 一种桥梁监测光电标靶图像光斑中心点提取方法 | |
CN112857252B (zh) | 一种基于反射率强度的隧道影像边界线检测方法 | |
CN115578390A (zh) | 一种用于除氧器的焊接控制方法 | |
CN115311287A (zh) | 一种共轨喷油器生产异常检测方法 | |
CN113312715A (zh) | 一种有轨电车槽型轨扭曲不平顺预测方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Quality Inspection Method for Sleeper Rail Production Based on Machine Vision Effective date of registration: 20231228 Granted publication date: 20230616 Pledgee: Qufu sub branch of Postal Savings Bank of China Ltd. Pledgor: Qufu Juli Railway Track Engineering Co.,Ltd. Registration number: Y2023980075194 |