CN116109644B - 用于铜铝转接排的表面缺陷检测方法 - Google Patents
用于铜铝转接排的表面缺陷检测方法 Download PDFInfo
- Publication number
- CN116109644B CN116109644B CN202310395845.4A CN202310395845A CN116109644B CN 116109644 B CN116109644 B CN 116109644B CN 202310395845 A CN202310395845 A CN 202310395845A CN 116109644 B CN116109644 B CN 116109644B
- Authority
- CN
- China
- Prior art keywords
- gray level
- pixel point
- sliding window
- segmentation
- copper
- 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
-
- 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
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理领域,具体涉及用于铜铝转接排的表面缺陷检测方法,包括:获取铜铝转接排的灰度直方图中的各个子高斯模型;根据各个子高斯模型之间的交点灰度级,得到各个交叠区域中各个灰度级的第一分割难度,结合各个灰度级的出现概率得到各个灰度级的第二分割难度;根据各个灰度级的第二分割难度得到预增强图像;获取预增强图像中各个像素点的滑窗区域;根据各个滑窗区域中各个像素点的最大梯度分布方向以及各个像素点的梯度值,得到各个滑窗中心的增强准确度,进而得到修正增强图像,根据修正增强图像得到铜铝转接排的表面缺陷区域。本发明可以避免传统图像增强方法增强效果较差以及离散像素点的过度增强现象出现,简单可靠。
Description
技术领域
本发明涉及图像处理领域,具体涉及用于铜铝转接排的表面缺陷检测方法。
背景技术
铜铝转接排,又名铜铝汇流排,由于铜铝转接排表面抗氧化性能和接触电阻与铜排相同,只要铜层厚度达到一定要求,其导电性能和机械性能接近铜排,故铜铝转接排可以很好地解决铝转接排过流能力不足以及铜转接排成本高,重量大等缺陷,使得铜铝转接排的应用愈加广泛,而当铜铝转接排表面存在缺陷时,会影响铜铝转接排的使用性能,对于一些与铜铝转接排表面存在较大灰度差异的缺陷,直接使用阈值分割即可对这些缺陷进行提取;而对于铜铝转接排的部分不明显缺陷,如微裂纹缺陷,此类缺陷由于与铜材或铝材之间的灰度差异也较小,传统的阈值分割方法对此类缺陷的检测效果较差,为了对此类不明显缺陷进行检测,往往需要对铜铝转接排表面进行图像增强,从而将铜铝转接排表面细节信息进行放大,进而得到更加准确的检测效果。
常规的图像增强方法,如直方图均衡化方法的本质是使图像中各个灰度级趋于均匀分布,但是由于铜铝转接排表面同时存在镀铜区域,纯铝区域,以及折弯位置对应的高亮区域,其中镀铜区域的灰度级较小,纯铝区域的灰度级略大,高亮区域的灰度级最大,使得铜铝转接排同时存在三种区别较大的灰度级,对应灰度直方图中灰度级的分布是相对均匀的,此时如果直接使用直方图均衡化算法对铜铝转接排进行图像增强,会导致图像增强的效果并不明显,仍然无法提高不明显缺陷的检测效果。
发明内容
本发明提供用于铜铝转接排的表面缺陷检测方法,以解决现有的问题。
本发明的用于铜铝转接排的表面缺陷检测方法采用如下技术方案:
本发明一个实施例提供了用于铜铝转接排的表面缺陷检测方法,该方法包括以下步骤:
获取铜铝转接排的表面图像;获取表面图像的灰度直方图的各个子高斯模型;
根据各个子高斯模型的灰度分布范围得到各个子高斯模型之间的交叠区域;根据各个子高斯模型之间的交点灰度级,得到各个子高斯模型之间的交叠区域中各个灰度级的第一分割难度;根据各个灰度级的第一分割难度以及各个灰度级的出现概率得到各个灰度级的第二分割难度;根据各个灰度级的第二分割难度对表面图像进行直方图均衡化,得到铜铝转接排的预增强图像;
以预增强图像中的各个像素点为滑窗中心,根据预设滑窗区域大小得到预增强图像中各个像素点的滑窗区域;获取各个滑窗区域中各个像素点的最大梯度分布方向,各个滑窗区域中各个像素点的最大梯度分布方向构成了各个滑窗区域的方向矩阵;获取各个滑窗区域中各个像素点的最大梯度分布方向在各个滑窗区域对应的方向矩阵中的出现概率;根据各个滑窗区域中各个像素点的梯度值以及各个像素点的最大梯度分布方向对应的出现概率,得到各个滑窗中心的增强准确度,所述各个滑窗中心的增强准确度即为各个像素点的增强准确度;根据表面图像中各个灰度级对应的所有像素点的增强准确度得到表面图像中各个灰度级的增强准确度;根据各个灰度级的增强准确度以及各个灰度级的第二分割难度得到各个灰度级的最终分割难度;
根据表面图像中各个灰度级的最终分割难度对表面图像进行直方图均衡化,得到铜铝转接排的修正增强图像;对修正增强图像进行自适应阈值分割,得到铜铝转接排的表面缺陷区域。
优选的,所述根据各个子高斯模型之间的交点灰度级,得到各个子高斯模型之间的交叠区域中各个灰度级的第一分割难度的获取步骤包括:
对于存在交叠区域的两个子高斯模型,以交叠区域中的任意一个灰度级为目标灰度级,当目标灰度级小于两个子高斯模型的交点灰度级时,将目标灰度级与交叠区域中的最小灰度级之间的差值作为第一差值;将交点灰度级与交叠区域中的最小灰度级之间的差值作为第二差值,将第一差值与第二差值之间的比值作为目标灰度级的第一分割难度;
当目标灰度级大于等于两个子高斯模型的交点灰度级时,将交叠区域的最大灰度级与目标灰度级之间的差值作为第三差值;将交叠区域中的最大灰度级与交点灰度级之间的差值作为第四差值,计算第三差值与第四差值之间的比值,将1.0与所得比值之间的差值作为目标灰度级的第一分割难度;
以各个子高斯模型之间的交叠区域中各个灰度级为目标灰度级,得到各个子高斯模型之间的交叠区域中各个灰度级的第一分割难度。
优选的,所述各个灰度级的第二分割难度的获取步骤为:
将各个灰度级对应的所有第一分割难度的累加和与各个灰度级的出现概率进行相加,将所得加和结果作为各个灰度级的分割难度;对各个灰度级的分割难度进行归一化处理,将所得归一化结果作为各个灰度级的第二分割难度。
优选的,所述对各个灰度级的分割难度进行归一化处理的步骤为:
获取所有灰度级中的最小分割难度与最大分割难度,将各个灰度级的分割难度与最小分割难度之间的差值作为各个灰度级的第一分割差值;将各个最大分割难度与最小分割难度之间的差值作为第二分割差值,将各个灰度级的第一分割差值与第二分割差值之间的比值作为各个灰度级的归一化结果。
优选的,所述获取各个滑窗区域中各个像素点的最大梯度分布方向的步骤包括:
以各个滑窗区域中的滑窗中心为目标像素点,预设目标像素点八邻域内各个像素点的分布方向值;将目标像素点的八邻域内,具有最大梯度值的像素点对应的分布方向值作为目标像素点的最大梯度分布方向;以最大梯度分布方向对应的像素点为新的目标像素点,获取新的目标像素点的八邻域内,具有最大梯度值且未确定最大梯度分布方向的像素点对应的分布方向值作为所述新的目标像素点的最大梯度分布方向,依次得到各个滑窗区域中各个像素点的最大梯度分布方向。
优选的,所述各个滑窗中心的增强准确度的获取表达式为:
式中,表示第k个滑窗中心的增强准确度;N表示第k个滑窗区域中包含像素点的总个数;/>表示第k个滑窗区域中第j个像素点的梯度值;/>表示第k个滑窗区域中第j像素点的最大梯度分布方向在第k个方向矩阵中的出现概率;/>为以10为底的对数函数。
优选的,所述表面图像中各个灰度级的增强准确度的获取步骤为:计算表面图像中各个灰度级对应的所有像素点的增强准确度的平均值,将所得平均值作为各个灰度级的增强准确度。
本发明的有益效果是:首先根据铜铝转接排的表面图像对应的灰度直方图中,各个子高斯模型的交叠情况获取各个灰度级的第一分割难度,并结合各个灰度级的出现概率得到各个灰度级的第二分割难度;根据各个灰度级的第二分割难度对铜铝转接排的表面图像进行直方图均衡化,得到铜铝转接排的预增强图像,从而避免了因铜铝转接排本身灰度级分布较为均匀而导致的传统直方图均衡化方法增强效果不明显的现象出现;但是由于直方图均衡化的方法是对各个灰度级分别进行处理,各个灰度级对应的像素点之间并不存在关联,使得离散像素点容易出现过度增强,反而会干扰微裂纹缺陷的检测,因此本发明获取预增强图像中各个像素点的滑窗区域内,根据各个滑窗区域内各个像素点的无序程度以及梯度值对各个滑窗中心的增强准确度进行评估,根据各个滑窗中心点的增强准确度得到表面图像中各个灰度级的增强准确度,结合各个灰度级的第二分割难度得到各个灰度级的最终分割难度,从而得到修正增强图像,最后对修正增强图像进行自适应阈值分割,提取铜铝转接排表面缺陷区域,从而避免离散像素点的过度增强,提高对微裂纹缺陷检测的可靠性。
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,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地介绍,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他的附图。
图1为本发明的用于铜铝转接排的表面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用于铜铝转接排的表面缺陷检测方法,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用于铜铝转接排的表面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用于铜铝转接排的表面缺陷检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取铜铝转接排的表面图像;获取表面图像的灰度直方图的各个子高斯模型。
由于铜铝转接排表面存在缺陷时,会在其使用过程中进一步引发铜铝转接排的腐蚀,影响铜铝转接排的使用性能,因此在铜铝转接排的生产过程中,要求铜铝转接排的表面光滑平整,不允许存在裂纹、划伤等缺陷,但是由于铜铝转接排表面同时存在镀铜区域,纯铝区域,以及折弯位置对应的高亮区域,使得铜铝转接排表面同时存在三种区别较大的灰度级,由此得到的铜铝转接排灰度图像图中各个灰度级的分布是相对均匀的,此时如果直接对铜铝转接排进行图像增强,可能会导致对图像增强的效果并不明显,进而导致不明显缺陷的检测效果仍然较差,因此需要根据铜铝转接排的不同区域分别进行不同程度的增强,然后再对不同区域进行自适应阈值分割,从而提取铜铝转接排的各个缺陷区域,具体过程如下:
首先将相机固定在铜铝转接排的正上方,对在均匀光照环境下,正对铜铝转接排的折弯处进行图像采集,得到铜铝转接排的表面图像;然后获取所得表面图像的灰度直方图,以灰度直方图中所有灰度级以及各个灰度级对应的概率为样本数据,使用EM算法对该样本数据进行一维高斯混合模型的拟合,由于镀铜区域,纯铝区域与高亮区域之间均存在一定的灰度差异,因此本实施例中设置的高斯子模型个数为3,从而得到三个子高斯模型,将这三个子高斯模型按照均值大小进行排序后,获取各个子高斯模型对应的均值和标准差为,/>以及/>。
步骤S002:根据各个子高斯模型的灰度分布范围得到各个灰度级的第二分割难度;根据各个灰度级的第二分割难度得到铜铝转接排的预增强图像。
由于图像增强最终目的是对灰度级之间的对比度增强,也就是对灰度级之间的间隔进行拉伸,而铜铝转接排中的各个灰度级在整个[0,255]的灰度范围内分布相对均匀,此时如果按照传统的直方图均衡化方法对其进行增强,得到的图像增强效果较差;
理想情况下,铜铝转接排中镀铜区域,纯铝区域与折弯处的高亮区域之间的灰度差异较大,对应步骤S001中得到的各个子高斯模型之间是相互独立的,此时根据各个子高斯模型即可提取铜铝转接排的各个区域,然后对各个区域分别进行图像增强,再对增强后的各个区域分别进行阈值分割即可得到缺陷区域,但是实际环境中,由于铜铝转接排表面要求光滑平整,而金属铜与金属铝均具有较强的反光能力,使得铜铝转接排的各个区域内各个像素点的灰度值并不完全一致,对应各个子高斯模型之间并不完全独立,各个子高斯模型中必然存在交叠区域,而这些交叠区域的灰度级分布较为密集,对应这些灰度级之间的对比度较低,各个灰度级之间的分割难度较大,因此需要对这些灰度级进行较大程度的拉伸,具体过程如下:
首先,当两个高斯模型的灰度分布范围内共同包含的灰度级越多,表示这两个高斯模型之间灰度级分布越密集,对应灰度级之间的间隔越小,即灰度级之间的对比度越低,此时这两个高斯模型所包含的灰度级分割难度越大,因此本实施例中,根据各个灰度级的分割难度对整个图像进行图像增强,记第一个子高斯模型的灰度分布范围为,第二个子高斯模型的灰度分布范围为/>,第三个子高斯模型的灰度分布范围为/>;
判断各个子高斯模型的灰度分布范围确定各个子高斯模型之间是否存在交叠区域,即当小于等于/>时,认为第一个子高斯模型与第二个子高斯模型之间不存在交叠区域,对应第一个子高斯模型中各个灰度级的分割难度为0,否则认为第一个子高斯模型与第二个子高斯模型之间存在交叠区域,并将第一子高斯模型与第二子高斯模型交点对应的灰度级称为这两个子高斯模型的交点灰度级;依此类推,当两个子高斯模型之间存在交叠区域时,需要对各个子高斯模型中的各个灰度级的分割难度进行评估,当两个交叠区域的灰度分布范围越大,对应将这两个子高斯模型分割开的难度越大,因此,对于第一个子高斯模型与第二个子高斯模型之间的交叠区域,该交叠区域中第i个灰度级的第一分割难度/>可表示为:
当第一个子高斯模型与第二个子高斯模型的交叠区域中的各个灰度级越靠近时,表示该灰度级处于一个灰度级间隔越小的灰度范围内,对应该灰度级的分割难度越大,此时为了增强该灰度级与相邻灰度级之间的对比度,需要对该灰度级进行更大程度的拉伸;依次对各个子高斯模型各个灰度级进行处理,得到各个灰度级的第一分割难度。
由于一个子高斯模型可能会与多个子高斯模型均存在交叠区域,即灰度直方图中的一个灰度级可能对应多个第一分割难度,因此本实施例将各个灰度级对应的所有第一分割难度进行相加,然后再将所得结果与各个灰度级的出现概率之间的加和结果作为各个灰度级的分割难度,将所有灰度级的分割难度进行归一化处理,得到各个灰度级的第二分割难度,即获取所有灰度级中的最小分割难度与最大分割难度,将各个灰度级的分割难度与最小分割难度之间的差值作为各个灰度级的第一分割差值;将各个最大分割难度与最小分割难度之间的差值作为第二分割差值,将各个灰度级的第一分割差值与第二分割差值之间的比值作为各个灰度级的第二分割难度,并根据各个灰度级的第二分割难度进行直方图均衡化处理,此时均衡化方法与传统的直方图均衡化的不同之处在于,传统的直方图均衡化方法是利用各个灰度级出现的频率进行累计函数的计算,从而得到均衡化前后,各个灰度级的映射关系;而本实施例中的均衡化方法是利用各个灰度级的分割难度与各个灰度级出现概率进行累计函数计算的,由此得到铜铝转接排的预增强图像。
步骤S003:根据预增强图像中各个灰度级对应的各个像素点的分布方向性,得到各个像素点的增强准确度,进而得到表面图像中各个灰度级的增强准确度;根据表面图像中各个灰度级的增强准确度以及各个灰度级的第二分割难度得到各个灰度级的最终分割难度,进而得到铜铝转接排的修正增强图像;对修正增强图像进行自适应阈值分割,得到铜铝转接排中的缺陷区域。
由于各个子高斯模型之间的交叠区域也意味着不同区域中包含灰度值相同的像素点,而直方图均衡化是对各个灰度级进行处理的,但是各个灰度级包含的所有像素点之间并不一定存在位置关系,使得按照分割难度对图像进行增强后,部分离散像素点的灰度值与周边像素点的灰度值差距过大,即出现离散像素点的过度增强,进而导致在后续使用阈值分割技术对缺陷区域进行提取的过程中,会将这些离散像素点错误地识别为缺陷像素点,进而干扰铜铝转接排表面的缺陷检测结果的准确性;也就是说,本实施例期望对微裂纹缺陷区域进行增强,而并不期望对这些离散像素点的灰度进行增强,对应根据预增强图像获取过程中,各个灰度级的第二分割难度仍然存在一定误差,而当一个灰度级对应的像素点中,不需要增强的像素点数量越多,该灰度级的第二分割难度误差越大,为了保证缺陷检测结果的准确性,本实施例需要对不期望增强的像素点对应的灰度级的第二分割难度进行修正,得到各个灰度级的最终分割难度,从而提高检测的准确性。
考虑到微裂纹缺陷在局部区域内存在较为明显的方向性,而离散像素点的局部区域内像素点的灰度分布较为混乱,因此本实施例在按照分割难度进行预增强后,根据各个像素点与周边像素点之间的灰度值计算各个像素点的增强准确度,根据各个像素点的增强准确度对各个像素点的灰度值进行修正,具体过程入如下:
首先使用Canny算子对预增强图像进行边缘点检测,获取预增强图像中各个像素点的梯度值;然后预设滑窗区域大小为7×7,以预增强图像中各个像素点为滑窗中心,得到预增强图像中各个像素点的滑窗区域,根据各个滑窗区域中各个像素点的最大梯度分布方向得到各个滑窗区域的方向矩阵;
其中最大梯度分布方向是指:以任意一个像素点为目标像素点,设该目标像素点的坐标为,设像素点/>相对于目标像素点的分布方向值为0,像素点相对于目标像素点的分布方向值为1,像素点/>相对于目标像素点的分布方向值为2,像素点/>相对于目标像素点的分布方向值为3,像素点/>相对于目标像素点的分布方向值为4,像素点/>相对于目标像素点的分布方向值为5,像素点/>相对于目标像素点的分布方向值为6,像素点/>相对于目标像素点的分布方向值为7;将目标像素点的八邻域内,具有最大梯度值的像素点相对于该目标像素点的分布方向值作为最大梯度分布方向;
各个滑窗区域的方向矩阵的获取过程为:对于预增强图像中第k个像素点的对应的滑窗区域,以该滑窗区域的滑窗中心点为目标像素点,获取该目标像素点的最大梯度分布方向,将最大梯度分布方向对应的像素点作为新的目标像素点,获取处于新的目标像素点的八邻域内,且未确定最大梯度分布方向的所有像素点,将这些像素点中具有最大梯度值的像素点相对于该新目标像素点的分布方向值作为该新目标像素点的最大梯度分布方向;依次对该滑窗区域中的各个像素点进行处理,得到该滑窗区域中的各个像素点的最大梯度分布方向,该滑窗区域中所有像素点的最大梯度分布方向构成了该滑窗区域对应的方向矩阵;即预增强图像中每个像素点对应一个滑窗区域,每个滑窗区域对应一个方向矩阵;
由于微裂纹缺陷具有较强的线形结构,相对于不存在裂纹缺陷的正常区域中的梯度变化,微裂纹缺陷像素点具有较高的梯度值,因此当预增强图像中第k个像素点对应的滑窗区域中存在微裂纹时,会出现较强的方向性,对应该像素点的方向矩阵中,存在较多相同的最大梯度分布方向值,且梯度值越大,该像素点对应滑窗区域中裂纹缺陷的概率越大,该像素点越属于本实施例中期望增强的像素点,即预增强后,该像素点的增强准确度越高;因此本实施例根据第k个滑窗区域的方向矩阵中各个最大梯度分布方向值与对应像素点的梯度值计算该第k个滑窗区域的滑窗中心对应的增强准确度,则:
式中,N表示第k个滑窗区域中包含像素点的总个数,本实施例中N=49;表示第k个滑窗区域中第j个像素点的梯度值;/>表示第k个滑窗区域中第j像素点的最大梯度分布方向在第k个方向矩阵中的出现概率;/>为以10为底的对数函数。
表示第k个滑窗区域中第j个像素点的无序程度,当该第j个像素点对应的最大梯度分布方向出现的频率越大,表示第j个像素点越可能属于较强方向性的边缘点,此时对应该像素点的无序程度越小,反之则表示该第j个像素点的无序程度越大,当一个滑窗区域中所包含像素点的无序程度越小,该滑窗区域对应像素点越属于本实施例期望增强的像素点的概率越高,即该滑窗区域对应像素点的增强准确度越高,因此第k个像素点的增强准确度与该像素点对应滑窗区域中各个像素点的无序程度呈负相关关系,故本实施例使用/>构建第k个像素点的增强准确度与该第k个像素点对应滑窗区域中各个像素点的无序程度之间的负相关关系;
考虑到微裂纹缺陷在经过预增强后,缺陷边缘像素点的梯度值会高于不存在缺陷的正常区域,相对于第k个滑窗区域中梯度值较小的像素点,梯度值越大的像素点越有可能是缺陷边缘像素点,越属于本实施例中期望增强的像素点,因此本实施例以第k个滑窗区域中各个像素点的梯度值为各个像素点的参考权重,梯度值越大,该像素点为缺陷边缘像素点的概率越大,对应该像素点的参考权重越大,因此本实施例使用对/>进行归一化处理,从而构建第k个滑窗区域中各个像素点的参考权重与各个像素点的梯度值之间的正相关关系,通过结合第k个滑窗区域中各个像素点的梯度值设置各个像素点的参考权重,提高第k个像素点对应增强准确度计算结果的可靠性。
重复上述方法,计算预增强图像中各个像素点的增强准确度;
计算铜铝转接排的表面图像中各个灰度级对应的所有像素点的增强准确度之间的平均值,所得平均值即为各个灰度级的增强准确度,将各个灰度级的增强准确度与各个灰度级的第二分割难度之间的乘积作为表面图像中各个灰度级的最终分割难度,最后根据各个灰度级的最终分割难度对表面图像进行直方图均衡化,得到铜铝转接排的修正增强图像。
对铜铝转接排的修正增强图像进行自适应阈值分割,所得分割结果即为铜铝转接排的缺陷区域。
通过以上步骤,完成了对铜铝转接排的表面缺陷检测。
本实施例首先根据铜铝转接排的表面图像对应的灰度直方图中,各个子高斯模型的交叠情况获取各个灰度级的第一分割难度,并结合各个灰度级的出现概率得到各个灰度级的第二分割难度;根据各个灰度级的第二分割难度对铜铝转接排的表面图像进行直方图均衡化,得到铜铝转接排的预增强图像,从而避免了因铜铝转接排本身灰度级分布较为均匀而导致的传统直方图均衡化方法增强效果不明显的现象出现;但是由于直方图均衡化的方法是对各个灰度级分别进行处理,各个灰度级对应的像素点之间并不存在关联,使得离散像素点容易出现过度增强,反而会干扰微裂纹缺陷的检测,因此本发明获取预增强图像中各个像素点的滑窗区域内,根据各个滑窗区域内各个像素点的无序程度以及梯度值对各个滑窗中心的增强准确度进行评估,根据各个滑窗中心点的增强准确度得到表面图像中各个灰度级的增强准确度,结合各个灰度级的第二分割难度得到各个灰度级的最终分割难度,从而得到修正增强图像,最后对修正增强图像进行自适应阈值分割,提取铜铝转接排表面缺陷区域,从而避免离散像素点的过度增强,提高对微裂纹缺陷检测的可靠性。
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、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.用于铜铝转接排的表面缺陷检测方法,其特征在于,该方法包括以下步骤:
获取铜铝转接排的表面图像;获取表面图像的灰度直方图的各个子高斯模型;
根据各个子高斯模型的灰度分布范围得到各个子高斯模型之间的交叠区域;根据各个子高斯模型之间的交点灰度级,得到各个子高斯模型之间的交叠区域中各个灰度级的第一分割难度;根据各个灰度级的第一分割难度以及各个灰度级的出现概率得到各个灰度级的第二分割难度;根据各个灰度级的第二分割难度对表面图像进行直方图均衡化,得到铜铝转接排的预增强图像;
以预增强图像中的各个像素点为滑窗中心,根据预设滑窗区域大小得到预增强图像中各个像素点的滑窗区域;获取各个滑窗区域中各个像素点的最大梯度分布方向,各个滑窗区域中各个像素点的最大梯度分布方向构成了各个滑窗区域的方向矩阵;获取各个滑窗区域中各个像素点的最大梯度分布方向在各个滑窗区域对应的方向矩阵中的出现概率;根据各个滑窗区域中各个像素点的梯度值以及各个像素点的最大梯度分布方向对应的出现概率,得到各个滑窗中心的增强准确度,所述各个滑窗中心的增强准确度即为各个像素点的增强准确度;根据表面图像中各个灰度级对应的所有像素点的增强准确度得到表面图像中各个灰度级的增强准确度;根据各个灰度级的增强准确度以及各个灰度级的第二分割难度得到各个灰度级的最终分割难度;
根据表面图像中各个灰度级的最终分割难度对表面图像进行直方图均衡化,得到铜铝转接排的修正增强图像;对修正增强图像进行自适应阈值分割,得到铜铝转接排的表面缺陷区域;所述根据各个子高斯模型之间的交点灰度级,得到各个子高斯模型之间的交叠区域中各个灰度级的第一分割难度的获取步骤包括:
对于存在交叠区域的两个子高斯模型,以交叠区域中的任意一个灰度级为目标灰度级,当目标灰度级小于两个子高斯模型的交点灰度级时,将目标灰度级与交叠区域中的最小灰度级之间的差值作为第一差值;将交点灰度级与交叠区域中的最小灰度级之间的差值作为第二差值,将第一差值与第二差值之间的比值作为目标灰度级的第一分割难度;
当目标灰度级大于等于两个子高斯模型的交点灰度级时,将交叠区域的最大灰度级与目标灰度级之间的差值作为第三差值;将交叠区域中的最大灰度级与交点灰度级之间的差值作为第四差值,计算第三差值与第四差值之间的比值,将1.0与所得比值之间的差值作为目标灰度级的第一分割难度;
以各个子高斯模型之间的交叠区域中各个灰度级为目标灰度级,得到各个子高斯模型之间的交叠区域中各个灰度级的第一分割难度;
所述各个灰度级的第二分割难度的获取步骤为:
将各个灰度级对应的所有第一分割难度的累加和与各个灰度级的出现概率进行相加,将所得加和结果作为各个灰度级的分割难度;对各个灰度级的分割难度进行归一化处理,将所得归一化结果作为各个灰度级的第二分割难度。
2.根据权利要求1所述的用于铜铝转接排的表面缺陷检测方法,其特征在于,所述对各个灰度级的分割难度进行归一化处理的步骤为:
获取所有灰度级中的最小分割难度与最大分割难度,将各个灰度级的分割难度与最小分割难度之间的差值作为各个灰度级的第一分割差值;将各个最大分割难度与最小分割难度之间的差值作为第二分割差值,将各个灰度级的第一分割差值与第二分割差值之间的比值作为各个灰度级的归一化结果。
3.根据权利要求1所述的用于铜铝转接排的表面缺陷检测方法,其特征在于,所述获取各个滑窗区域中各个像素点的最大梯度分布方向的步骤包括:
以各个滑窗区域中的滑窗中心为目标像素点,预设目标像素点八邻域内各个像素点的分布方向值;将目标像素点的八邻域内,具有最大梯度值的像素点对应的分布方向值作为目标像素点的最大梯度分布方向;以最大梯度分布方向对应的像素点为新的目标像素点,获取新的目标像素点的八邻域内,具有最大梯度值且未确定最大梯度分布方向的像素点对应的分布方向值作为所述新的目标像素点的最大梯度分布方向,依次得到各个滑窗区域中各个像素点的最大梯度分布方向。
5.根据权利要求1所述的用于铜铝转接排的表面缺陷检测方法,其特征在于,所述表面图像中各个灰度级的增强准确度的获取步骤为:计算表面图像中各个灰度级对应的所有像素点的增强准确度的平均值,将所得平均值作为各个灰度级的增强准确度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310395845.4A CN116109644B (zh) | 2023-04-14 | 2023-04-14 | 用于铜铝转接排的表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310395845.4A CN116109644B (zh) | 2023-04-14 | 2023-04-14 | 用于铜铝转接排的表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116109644A CN116109644A (zh) | 2023-05-12 |
CN116109644B true CN116109644B (zh) | 2023-06-16 |
Family
ID=86260196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310395845.4A Active CN116109644B (zh) | 2023-04-14 | 2023-04-14 | 用于铜铝转接排的表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116109644B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116433657B (zh) * | 2023-06-08 | 2023-08-25 | 金乡县明耀玻璃有限公司 | 一种基于计算机视觉的钢化玻璃划伤区域图像增强方法 |
CN116934761B (zh) * | 2023-09-18 | 2023-12-08 | 张家港宝翔机械有限公司 | 一种乳胶手套缺陷自适应检测方法 |
CN117011302B (zh) * | 2023-10-08 | 2024-01-09 | 山东济宁运河煤矿有限责任公司 | 一种基于煤矸识别的智能干选系统 |
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 |
CN117437238B (zh) * | 2023-12-22 | 2024-03-29 | 深圳宝铭微电子有限公司 | 一种封装ic表面缺陷视觉检测方法 |
CN117455920B (zh) * | 2023-12-26 | 2024-03-22 | 武汉博源新材料科技集团股份有限公司 | 一种基于人工智能的奶茶杯劣品筛选方法及系统 |
CN117522719B (zh) * | 2024-01-05 | 2024-03-22 | 自贡市第一人民医院 | 基于机器学习的支气管镜图像辅助优化系统 |
CN117541605B (zh) * | 2024-01-09 | 2024-03-29 | 山东华中重钢有限公司 | 一种钢结构锈蚀图像区域快速分割方法 |
CN117876374A (zh) * | 2024-03-13 | 2024-04-12 | 西安航科创星电子科技有限公司 | 一种用于htcc陶瓷的金属浆料布线填孔及监控方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021115356A1 (zh) * | 2020-05-15 | 2021-06-17 | 平安科技(深圳)有限公司 | 自适应窗宽窗位调节方法、装置、计算机系统及存储介质 |
CN115311282A (zh) * | 2022-10-12 | 2022-11-08 | 南通迪博西电子有限公司 | 基于图像增强的晶圆缺陷检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100278423A1 (en) * | 2009-04-30 | 2010-11-04 | Yuji Itoh | Methods and systems for contrast enhancement |
CN113298810B (zh) * | 2021-06-28 | 2023-12-26 | 浙江工商大学 | 结合图像增强和深度卷积神经网络的道线检测方法 |
CN115330645B (zh) * | 2022-10-17 | 2023-03-31 | 南通惠尔风机有限公司 | 一种焊接图像增强方法 |
-
2023
- 2023-04-14 CN CN202310395845.4A patent/CN116109644B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021115356A1 (zh) * | 2020-05-15 | 2021-06-17 | 平安科技(深圳)有限公司 | 自适应窗宽窗位调节方法、装置、计算机系统及存储介质 |
CN115311282A (zh) * | 2022-10-12 | 2022-11-08 | 南通迪博西电子有限公司 | 基于图像增强的晶圆缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116109644A (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116109644B (zh) | 用于铜铝转接排的表面缺陷检测方法 | |
CN115170576B (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN114862862A (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
CN115690108B (zh) | 一种基于图像处理的铝合金杆生产质量评估方法 | |
CN116385445B (zh) | 一种基于视觉技术的电镀五金件瑕疵检测方法 | |
CN115511889A (zh) | 一种太阳能电池板支架表面焊接缺陷检测方法 | |
CN115311277B (zh) | 一种不锈钢制品的凹坑缺陷识别方法 | |
CN109635814B (zh) | 基于深度神经网络的森林火灾自动检测方法和装置 | |
CN116977358B (zh) | 一种瓦楞纸生产品质视觉辅助检测方法 | |
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN116721107B (zh) | 一种电缆生产质量智能监控系统 | |
CN116912261B (zh) | 一种塑料模具注塑表面缺陷检测方法 | |
CN114372955A (zh) | 一种基于改进神经网络的铸件缺陷x射线图自动识别法 | |
CN115359053A (zh) | 一种金属板材缺陷智能检测方法及系统 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN115861307B (zh) | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 | |
CN117058147B (zh) | 基于计算机视觉的环保塑料制品缺陷检测方法 | |
CN117173158B (zh) | 一种精密连接器质量智能检测方法及系统 | |
CN116912255B (zh) | 一种用于卵巢组织分析的卵泡区域分割方法 | |
CN114782421A (zh) | 基于产蛋异常检测的家禽兽医辅助系统 | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN114926441A (zh) | 一种注塑件加工成型的缺陷检测方法及系统 | |
CN117173176B (zh) | 基于图像处理的多晶层光刻工艺热点检测方法 | |
CN116416246B (zh) | 基于机器视觉的全降解塑料制品淋膜效果评价方法 |
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 |