CN116309548B - 一种阀门密封面缺陷自动检测系统 - Google Patents
一种阀门密封面缺陷自动检测系统 Download PDFInfo
- Publication number
- CN116309548B CN116309548B CN202310524853.4A CN202310524853A CN116309548B CN 116309548 B CN116309548 B CN 116309548B CN 202310524853 A CN202310524853 A CN 202310524853A CN 116309548 B CN116309548 B CN 116309548B
- Authority
- CN
- China
- Prior art keywords
- gradient
- gradient amplitude
- amplitude
- region
- sealing surface
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种阀门密封面缺陷自动检测系统。本方案通过获得阀门密封面的梯度幅值图像,获得梯度分布概率函数,通过梯度分布概率函数的趋势对梯度幅值进行初步筛选获得梯度集合。进一步根据梯度幅值的区域分布特点,根据区域分布的整体大小和连通性分析,获得梯度连通域指标和光照影响度。最终综合梯度概率、梯度连通域指标和光照影响程度获得误差影响指标优化canny边缘检测算子,获得更清楚准确的密封边缘,根据密封边缘的形状特征实现缺陷检测。本发明通过图像分析,采用多指标优化canny边缘检测算子,获得更准确的密封边缘,进而进行更准确的缺陷检测。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种阀门密封面缺陷自动检测系统。
背景技术
阀门作为一种常用且十分重要的密闭工具,在水利及其他工业中都得到广泛的应用,阀门作为流体运输的控制部件,由于长时间与各种流体接触,很容易产出各种缺陷,而密封面存在缺陷时会直接影响阀门的密封性,带来严重的安全隐患,因此阀门密封面的质量检测尤其重要。
在现有对阀门密封面的检测主要通过机器视觉对密封面进行检测时,采用传统的canny边缘检测算法无法针对阀门密封表面的多边缘特征进行筛选提取,且易受环境因素的影响,无法提取出准确清楚的阀门密封边缘,进而无法准确判断阀门密封面的缺陷情况。
发明内容
为了解决现有技术中无法提取准确清晰的阀门密封边缘,进而无法准确判断阀门密封面的缺陷情况的技术问题,本发明的目的在于提供一种阀门密封面缺陷自动检测系统,所采用的技术方案具体如下:
本发明提供了一种阀门密封面缺陷自动检测系统,所述系统包括:
数据获取模块,用于获取阀门密封面灰度图像和对应梯度幅值图像;根据所述梯度幅值图像中梯度幅值的分布情况获取梯度幅值概率函数,根据梯度幅值概率函数的变化趋势获得梯度集合,任选梯度集合中一个梯度幅值作为参考梯度幅值;
梯度分析模块,用于根据梯度集合中的所有梯度幅值构建梯度幅值区域矩阵,通过参考梯度幅值在所述梯度幅值区域矩阵中整体连通区域的大小获得梯度连通域指标;根据参考梯度幅值在所述梯度幅值区域矩阵中连通区域的密闭连接情况获得光照影响度;
优化检测模块,用于根据参考梯度幅值在梯度幅值概率函数中对应梯度幅值概率、梯度连通域指标和光照影响度获得误差影响指标,根据所述梯度集合中所有梯度幅值对应误差影响指标获得优化canny边缘检测算子,采用优化canny边缘检测算子获得阀门密封面灰度图像中的密封边缘,根据密封边缘的形状特征获得缺陷密封面。
进一步地,所述梯度幅值概率函数的获取方法包括:
根据所述梯度幅值图像中的所有梯度幅值构建相邻灰度差分矩阵,根据相邻灰度差分矩阵中每个梯度幅值对应的梯度幅值概率,采用非线性最小二乘法拟合获得梯度幅值概率函数。
进一步地,所述梯度集合的获取方法包括:
在梯度幅值概率函数中,将梯度幅值概率极小值的对应梯度幅值筛选出来,获得初始梯度集合;采用最大类间方差法获得初始梯度集合中的梯度阈值,将大于梯度阈值的梯度幅值组成梯度集合。
进一步地,所述梯度幅值区域矩阵的获取方法包括:
将梯度集合中的梯度幅值作为行,区域大小作为列,梯度幅值与区域大小对应的区域数量作为元素,组成梯度幅值区域矩阵;所述区域大小为梯度幅值对应区域的大小,所述区域数量为每个区域大小对应区域的数量。
进一步地,所述梯度连通域指标的获取方法包括:
在梯度幅值区域矩阵中,将参考梯度幅值对应每个区域数量与预设调整系数相加,获得区域连通系数;
将参考梯度幅值对应每个区域大小与区域连通系数相乘获得区域连通域大小指标,将参考梯度幅值对应所有区域连通域大小指标相加获得梯度连通域指标。
进一步地,所述光照影响度的获取方法包括:
在梯度幅值区域矩阵中,将参考梯度幅值对应区域大小大于预设区域阈值的区域数量作为目标区域数量;将所有目标区域数量与预设范围系数的差值作为光照系数,将所有光影系数相加获得参考梯度幅值的光照影响度。
进一步地,所述误差影响指标的获取方法包括:
计算参考梯度幅值对应所述梯度幅值概率、所述梯度连通域指标和所述光照影响度的乘积,获得误差影响指标。
进一步地,所述优化canny边缘检测算子的获取方法包括:
将所有误差影响指标中最小值对应的梯度幅值作为目标梯度幅值;将梯度集合中最小梯度幅值作为优化canny边缘检测算子的低阈值,将梯度集合中小于目标梯度幅值中的最大梯度幅值作为优化canny边缘检测算子的高阈值。
进一步地,所述根据密封边缘的形状特征获得缺陷密封面,包括:
获取密封边缘的圆形度作为形状指标,当形状指标小于预设形状阈值时,将密封边缘对应阀门密封面记为缺陷密封面。
本发明具有如下有益效果:
本发明通过获得阀门密封面的梯度幅值图像,获得梯度分布概率函数,通过梯度分布概率函数的趋势对梯度幅值进行初步筛选获得梯度集合,首先根据密封边缘的梯度幅值分布和大小特点进行筛选,使后续的分析和计算更快捷准确,缩小边缘梯度幅值的范围。进一步根据梯度幅值的区域分布特点,根据区域分布的整体大小和连通性分析,获得梯度连通域指标和光照影响度,通过分析梯度幅值的连通性情况结合位置与光照的影响获得多种指标,使后续梯度幅值的筛选更准确。最终综合梯度概率、梯度连通域指标和光照影响程度获得误差影响指标优化canny边缘检测算子,获得更清楚准确的密封边缘,进行密封面缺陷情况检测,使检测结果排除多边缘线的干扰,得到更清晰准确的强边缘线,使缺陷检测的可靠性更强。
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密封面缺陷自动检测系统结构图;
图2为本发明一个实施例所提供的一种横截面方向的阀门密封面示意图。
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密封面缺陷自动检测系统,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密封面缺陷自动检测系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种阀门密封面缺陷自动检测系统结构图,该阀门密封面缺陷自动检测系统包括:数据获取模块101,梯度分析模块102,优化检测模块103。
数据获取模块101,用于获取阀门密封面灰度图像和对应的梯度幅值图像;根据梯度幅值图像中梯度幅值的分布情况获取梯度幅值概率函数,根据梯度幅值概率函数的变化趋势获得梯度集合,任选梯度集合中一个梯度幅值作为参考梯度幅值。
阀门密封面是位于阀瓣和阀座的交界处的连接面,通过对横截面方向的阀门密封面分析,可以看出密封边缘的腐蚀缺陷情况,对密封面的质量进行判断,由于密封面的密封边缘应该是一个完整的圆形,因此可以通过密封边缘的形状进行缺陷判断。但是在阀门密封面中存在许多其他边缘,使密封边缘的获取较为困难且获取结果并不准确,难以准确判断密封面的密封性。本发明通过对每个阀门密封面分析,自适应优化canny算子的双阈值实现对密封边缘的准确获取,进而方便对缺陷的识别。
对阀门密封面的横截面方向进行图像采集,请参阅图2,其出示了本发明一个实施例所提供的一种横截面方向的阀门密封面示意图。在本发明实施例中,采用CCD相机俯视拍摄获取横截面方向的阀门密封面图像,此时的阀门密封面图像为RGB图像,对阀门密封面图像进行预处理并灰度化,获得阀门密封面灰度图像。需要说明的是,采用CCD相机拍摄、图像的预处理和灰度化方法均为本领域技术人员熟知的技术手段,在此不做赘述。
在需要获取图像中像素点的梯度信息时,在本发明实施例中,选用索贝尔算子并采用向上取整的方式获得图像中每个像素点的梯度幅值,再进行非极大值抑制,根据抑制后保留像素点的梯度幅值构建阀门密封面灰度图像对应的梯度幅值图像,需要说明的是,非极大值抑制方法和索贝尔算子计算梯度幅值均为canny边缘检测中的步骤方法,其步骤方法与向上取整方法均为本领域技术人员熟知的技术手段,在此不做赘述。
进一步通过梯度幅值图像可以反映图像中边缘像素点的梯度变化,方便对边缘信息进行提取,通过梯度幅值分析优化边缘检测算子。本发明密封面中的密封边缘属于边缘线中较为清晰的最内部边缘,由于密封边缘的清晰特点,梯度幅值相对于其他边缘的梯度幅值是较大的,再由于密封边缘为最内部边缘因此梯度幅值是分布较少,进一步根据梯度幅值的特点进行优化边缘算子,首先根据梯度幅值的分布情况获得梯度幅值概率函数,具体梯度幅值概率函数的获取方法包括:
优选地,根据梯度幅值图像中的所有梯度幅值构建相邻灰度差分矩阵,在相邻灰度差分矩阵中,矩阵的第一列代表梯度幅值,第二列代表对应梯度幅值在梯度幅值图像中出现的频数,第三列代表对应梯度幅值在梯度幅值图像中出现的概率,第四列表示对应梯度幅值在梯度幅值图像中与八邻域范围内梯度幅值的平均差异的累加值。需要说明的是,相邻灰度差分矩阵的组成为本领域技术人员熟知的技术手段,在此不做赘述。
在本发明中通过相邻灰度差分矩阵主要考虑梯度幅值的概率问题,因此根据相邻灰度差分矩阵中每个梯度幅值对应的梯度幅值概率,为了更清楚的结合梯度概率与梯度幅值将更符合的边缘梯度幅值筛选出来,采用非线性最小二乘法拟合获得梯度幅值概率函数,通过梯度幅值概率函数可以反映在梯度幅值图像中梯度幅值和梯度概率的相关关系,根据梯度概率较小的特点先一步进行筛选,获得梯度集合。需要说明的是,非线性最小二乘法拟合是本领域技术人员熟知的技术手段,在此不做赘述。
优选地,在梯度幅值函数中,将梯度幅值概率极小值的对应梯度幅值筛选出来,获得初始梯度集合,通过初始梯度集合获得满足边缘特点的梯度幅值,即梯度幅值概率较小对应的梯度幅值,先一步筛选出来,此时初始梯度集合中的梯度幅值表示的边缘更可能为内部边缘。
进一步采用最大类间方差法获得初始梯度集合中的梯度阈值,将大于梯度阈值的梯度幅值组成梯度集合,通过对初始梯度集合中梯度幅值的大小进行筛选,可以将更清晰边缘对应梯度幅值,即较大的梯度幅值,筛选出来组成梯度集合,此时得到的梯度集合中的梯度幅值更可能对应为清晰的内部边缘,更可能为密封边缘。
至此,完成对梯度幅值的初步筛选获得梯度集合,可进一步根据梯度集合的连通区域情况进行分析,为了方便对每个初步筛选后的梯度幅值进行分析,任选梯度集合中一个梯度幅值作为参考梯度幅值,方便后续分析描述。
梯度分析模块102,用于根据梯度集合中的所有梯度幅值构建梯度幅值区域矩阵,通过参考梯度幅值在梯度幅值区域矩阵中整体连通区域的大小获得梯度连通域指标;根据参考梯度幅值在梯度幅值区域矩阵中连通区域的密闭连接情况获得光照影响度。
由于密封面中的密封边缘属于最内部的边缘,因此相对其他边缘的梯度幅值,密封边缘相对连通区域会较小,且由于在实际场景中,密封面的密封边缘属于阀瓣与阀座的密接部位属于内部凹陷区域,理论上受到光照的影响较小,连通域的连通情况更密闭完整。因此本发明采用梯度幅值的连通区域情况进行分析,首先构建梯度幅值区域矩阵,根据梯度幅值区域矩阵可以更好的反应梯度幅值的连通区域情况,具体梯度幅值区域矩阵的构建为:
将梯度集合中的梯度幅值作为行,区域大小作为列,梯度幅值与区域大小对应的区域数量作为元素,组成梯度幅值区域矩阵,在本发明实施例中,梯度幅值区域矩阵的具体表达式为;
式中,A表示为梯度幅值区域矩阵,t表示为梯度幅值,s表示为区域大小,表示为第t个梯度幅值下第s个区域大小对应的区域数量,/>表示为第一个梯度幅值下第一个区域大小对应的区域数量,/>表示为第一个梯度幅值下区域大小s对应的区域数量,/>表示为梯度幅值t下第一个区域大小对应的区域数量。需要说明的是,梯度幅值区域矩阵的矩阵构建方法为本领域技术人员熟知的技术方法,在此不做赘述。
参考梯度幅值在梯度幅值区域矩阵中,也即为任选梯度幅值区域矩阵中的一行对应的梯度幅值作为参考梯度幅值,通过参考梯度幅值可以判断参考梯度幅值对应边缘为密封边缘的可能,首先根据参考梯度幅值在梯度幅值区域矩阵中的整体连通域大小获得梯度连通域指标,通过连通域指标反映参考梯度幅值为对应密封边缘的可能性,具体梯度连通域的获取方法包括:
在梯度幅值区域矩阵中,将参考梯度幅值对应每个区域数量与预设调整系数相加,获得区域连通系数,区域连通系数可以从区域数量反映参考梯度幅值的一定位置特征,当区域数量越小,说明对应的梯度幅值的连通性越好,对应的边缘是越靠近内圈的边缘。
进一步将参考梯度幅值对应每个区域大小与区域连通系数相乘获得区域连通域大小指标,通过区域连通域大小指标可以反映每个区域大小对应的连通性情况,区域连通域大小指标越小,说明对应单个区域大小的连通情况越好,越可能为对应的密封边缘。将参考梯度幅值对应所有区域连通域大小指标相加获得梯度连通域指标,通过梯度连通域指标反映参考梯度幅值对应整体区域的连通性情况,当整体连通性越小,也即为梯度连通域指标越小,说明参考梯度幅值对应的边缘位置越靠近内部边缘。在本发明实施例中,为了后续计算的便捷性,梯度连通域指标的具体表达式为:
式中,C(v)表示为参考梯度幅值v的梯度连通域指标,l表示为区域大小,D(v,l)表示为参考梯度幅值v下区域大小l对应的区域数量,s表示为区域大小的总数量,ε表示为预设调整系数,在本发明实施例中设置为1。
其中D(v,l)+ε表示为区域连通系数,表示为区域连通域大小指标,当对应区域大小越小,区域数量越少,说明参考梯度幅值对应边缘的连通性越好,则梯度连通域指标越小。
进一步地,考虑密封边缘所处位置受光照程度影响小的特点,通过对区域大小中较大区域大小的连通情况进行分析,获得光照影响度,光照影响度的具体获取方法包括:
在梯度幅值区域矩阵中,将参考梯度幅值对应区域大小大于预设区域阈值的区域数量作为目标区域数量,并组成目标区域集合。在本发明实施例中,预设区域阈值为5,也即为将大于5的区域大小对应区域数量作为目标区域数量,此时目标区域数量反映了光照影响的连通情况,当边缘受光照影响较大时,边缘对应梯度幅值的区域大小被进一步分割,目标区域数量也会增多。
将目标区域集合中每个目标区域数量与预设范围系数的差值作为光照系数,将所有光影系数相加获得参考梯度幅值的光照影响度。在本发明实施例中,考虑到后续计算的准确性,光照影响度的具体表达式为:
式中,X(v)表示为参考梯度幅值v的光照影响度,l表示为目标区域集合中第l个目标区域数量,表示为第l个目标区域数量的区域数量,m表示为目标区域集合中目标区域数量的总数量,β表示为预设范围系数,在本发明实施例中,设置为0.5,具体数值实施者可根据具体实施情况进行调整。
其中表示为光照系数,当光照系数越大,说明参考梯度幅值对应边缘受光照影响程度较大,会出现多种连接情况,因此对应边缘越不可能为密封边缘,光照影响度越大。当光照影响度越小,则说明参考梯度幅值对应边缘受光照影响程度越小,说明此时对应边缘越可能为密封边缘。
至此,通过对梯度幅值对应区域连通情况进行分析,通过梯度幅值的位置和光照对连通性的影响,获得梯度连通域指标和光照影响度。
优化检测模块103,用于根据参考梯度幅值在梯度幅值概率函数中对应梯度幅值概率、梯度连通域指标和光照影响度获得误差影响指标,根据梯度集合中所有梯度幅值对应误差影响指标获得优化canny边缘检测算子,采用优化canny边缘检测算子获得阀门密封面灰度图像中的密封边缘,根据密封边缘的形状特征获得缺陷密封面。
根据数据获取模块101和梯度分析模块102可以充分根据梯度幅值的特点对密封面中的边缘情况进行分析,综合密封边缘的梯度幅值较大且分布较少的特点,及密封边缘的位置和光照影响多种分析结果,获得误差影响指标。
通过误差影响指标可以反映梯度幅值对应边缘的情况,将最接近密封边缘的梯度幅值筛选出来,因此误差影响指标的获取方法为:首先根据数据获取模块101中获取的梯度幅值概率函数获得参考幅值对应的梯度幅值概率,通过梯度幅值概率直观反映梯度幅值的分布情况,计算参考梯度幅值对应梯度幅值概率、梯度连通域指标和光照影响度的乘积,获得误差影响指标。在本发明实施例中,误差影响指标的具体表达式为:
式中,U(v)表示为参考梯度幅值v的误差影响指标,X(v)表示为参考梯度幅值v的光照影响度,C(v)表示为参考梯度幅值v的梯度连通域指标,P(v)表示为参考梯度幅值v的梯度幅值概率。
采用乘法的形式进行综合分析,当参考梯度幅值的光照影响度、梯度连通域指标和梯度幅值概率均越小时,说明梯度幅值的分布情况越符合密封边缘,光照影响情况越小且连通性越小对应位置越符合密封边缘,因此误差影响指标越小,参考梯度幅值对应边缘越可能为密封边缘。
根据参考梯度幅值获取误差影响指标的方法,获得梯度集合中所有梯度幅值的误差影响指标,将所有误差影响指标中的最小值对应的梯度幅值作为目标梯度幅值,此时目标梯度幅值对应的边缘为最符合密封边缘的梯度幅值,因此可以根据目标幅值确定canny边缘检测算子的阈值,获得能够进行分析的密封边缘强边缘。
在本发明实施例中,将梯度集合中最小梯度幅值作为canny边缘检测算子的低阈值,因为梯度集合已经为初步筛选后的梯度幅值,此时的最小梯度幅值为尽可能保证获得完整的强边缘。将梯度集合中小于目标梯度幅值中的最大梯度幅值作为canny边缘检测算子的高阈值,此时的目标梯度幅值为最接近密封边缘的梯度幅值,因为为了能够保证密封边缘能够筛选出,选择比目标梯度幅值最相近且较小的梯度幅值作为高阈值,通过双阈值的自适应设定可以获得优化后的canny边缘检测算子。需要说明的是,canny边缘检测算子是本领域技术人员熟知的技术手段,具体步骤方法在此不做赘述。
采用优化canny边缘算子可以获得阀门密封面灰度图像中的密封边缘,此时根据优化后的边缘检测算子获得的边缘为清晰准确的密封边缘,由于双阈值的调整获得的边缘图像为提取出仅包含密封边缘的边缘图像,因此进一步可根据密封边缘的形状特征获得缺陷情况。
在本发明实施例中,获取密封边缘的圆形度作为形状指标,通过圆形度可以反映密封边缘的规则情况,正常的密封边缘为规则的圆形,而当密封边缘出现腐蚀变形等,圆形程度将会变差,因此通过形状指标与圆形度进行缺陷情况的判断。当形状指标小于预设形状阈值时,说明密封边缘的变形程度较大,对应密封面已经不能满足密封需求,将密封边缘对应阀门密封面记为缺陷密封面。在本发明实施例中,预设形状阈值为0.95,实施者可根据具体实施情况进行调整。
综上,本发明通过获得阀门密封面的梯度幅值图像,获得梯度分布概率函数,通过梯度分布概率函数的趋势对梯度幅值进行初步筛选获得梯度集合,首先根据密封边缘的梯度幅值分布和大小特点进行筛选,使后续的分析和计算更快捷准确,缩小边缘梯度幅值的范围。进一步根据梯度幅值的区域分布特点,根据区域分布的整体大小和连通性分析,获得梯度连通域指标和光照影响度,通过分析梯度幅值的连通性情况结合位置与光照的影响获得多种指标,使后续梯度幅值的筛选更准确。最终综合梯度概率、梯度连通域指标和光照影响程度获得误差影响指标优化canny边缘检测算子,获得更清楚准确的密封边缘,进行密封面缺陷情况检测,使检测结果排除多边缘线的干扰,得到更清晰准确的强边缘线,使缺陷检测的可靠性更强。本发明通过图像分析,采用多指标优化canny边缘检测算子,获得更准确的密封边缘,进而进行更准确的缺陷检测。
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 (9)
1.一种阀门密封面缺陷自动检测系统,其特征在于,所述系统包括:
数据获取模块,用于获取阀门密封面灰度图像和对应梯度幅值图像;根据所述梯度幅值图像中梯度幅值的分布情况获取梯度幅值概率函数,根据梯度幅值概率函数的变化趋势获得梯度集合,任选梯度集合中一个梯度幅值作为参考梯度幅值;
梯度分析模块,用于根据梯度集合中的所有梯度幅值构建梯度幅值区域矩阵,通过参考梯度幅值在所述梯度幅值区域矩阵中整体连通区域的大小获得梯度连通域指标;根据参考梯度幅值在所述梯度幅值区域矩阵中连通区域的密闭连接情况获得光照影响度;
优化检测模块,用于根据参考梯度幅值在梯度幅值概率函数中对应梯度幅值概率、梯度连通域指标和光照影响度获得误差影响指标,根据所述梯度集合中所有梯度幅值对应误差影响指标获得优化canny边缘检测算子,采用优化canny边缘检测算子获得阀门密封面灰度图像中的密封边缘,根据密封边缘的形状特征获得缺陷密封面。
2.根据权利要求1所述的一种阀门密封面缺陷自动检测系统,其特征在于,所述梯度幅值概率函数的获取方法包括:
根据所述梯度幅值图像中的所有梯度幅值构建相邻灰度差分矩阵,根据相邻灰度差分矩阵中每个梯度幅值对应的梯度幅值概率,采用非线性最小二乘法拟合获得梯度幅值概率函数。
3.根据权利要求1所述的一种阀门密封面缺陷自动检测系统,其特征在于,所述梯度集合的获取方法包括:
在梯度幅值概率函数中,将梯度幅值概率极小值的对应梯度幅值筛选出来,获得初始梯度集合;采用最大类间方差法获得初始梯度集合中的梯度阈值,将大于梯度阈值的梯度幅值组成梯度集合。
4.根据权利要求1所述的一种阀门密封面缺陷自动检测系统,其特征在于,所述梯度幅值区域矩阵的获取方法包括:
将梯度集合中的梯度幅值作为行,区域大小作为列,梯度幅值与区域大小对应的区域数量作为元素,组成梯度幅值区域矩阵;所述区域大小为梯度幅值对应区域的大小,所述区域数量为每个区域大小对应区域的数量。
5.根据权利要求4所述的一种阀门密封面缺陷自动检测系统,其特征在于,所述梯度连通域指标的获取方法包括:
在梯度幅值区域矩阵中,将参考梯度幅值对应每个区域数量与预设调整系数相加,获得区域连通系数;
将参考梯度幅值对应每个区域大小与区域连通系数相乘获得区域连通域大小指标,将参考梯度幅值对应所有区域连通域大小指标相加获得梯度连通域指标。
6.根据权利要求4所述的一种阀门密封面缺陷自动检测系统,其特征在于,所述光照影响度的获取方法包括:
在梯度幅值区域矩阵中,将参考梯度幅值对应区域大小大于预设区域阈值的区域数量作为目标区域数量;将所有目标区域数量与预设范围系数的差值作为光照系数,将所有光影系数相加获得参考梯度幅值的光照影响度。
7.根据权利要求1所述的一种阀门密封面缺陷自动检测系统,其特征在于,所述误差影响指标的获取方法包括:
计算参考梯度幅值对应所述梯度幅值概率、所述梯度连通域指标和所述光照影响度的乘积,获得误差影响指标。
8.根据权利要求1所述的一种阀门密封面缺陷自动检测系统,其特征在于,所述优化canny边缘检测算子的获取方法包括:
将所有误差影响指标中最小值对应的梯度幅值作为目标梯度幅值;将梯度集合中最小梯度幅值作为优化canny边缘检测算子的低阈值,将梯度集合中小于目标梯度幅值中的最大梯度幅值作为优化canny边缘检测算子的高阈值。
9.根据权利要求1所述的一种阀门密封面缺陷自动检测系统,其特征在于,所述根据密封边缘的形状特征获得缺陷密封面,包括:
获取密封边缘的圆形度作为形状指标,当形状指标小于预设形状阈值时,将密封边缘对应阀门密封面记为缺陷密封面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310524853.4A CN116309548B (zh) | 2023-05-11 | 2023-05-11 | 一种阀门密封面缺陷自动检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310524853.4A CN116309548B (zh) | 2023-05-11 | 2023-05-11 | 一种阀门密封面缺陷自动检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116309548A CN116309548A (zh) | 2023-06-23 |
CN116309548B true CN116309548B (zh) | 2023-08-04 |
Family
ID=86792825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310524853.4A Active CN116309548B (zh) | 2023-05-11 | 2023-05-11 | 一种阀门密封面缺陷自动检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309548B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117218122B (zh) * | 2023-11-09 | 2024-03-29 | 深圳市金三维实业有限公司 | 基于图像数据的手表外壳质量检测方法 |
CN117291907B (zh) * | 2023-11-22 | 2024-01-30 | 百强阀门集团有限公司 | 一种阀门密封面检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000088765A (ja) * | 1998-09-08 | 2000-03-31 | Daihatsu Motor Co Ltd | 平面の傷検査装置 |
CN111044522A (zh) * | 2019-12-14 | 2020-04-21 | 中国科学院深圳先进技术研究院 | 缺陷检测方法、装置及终端设备 |
CN211262637U (zh) * | 2020-03-07 | 2020-08-14 | 青岛诺安机电科技有限公司 | 一种针对管道内检测设备测试系统 |
CN114841997A (zh) * | 2022-06-30 | 2022-08-02 | 启东市群鹤机械设备有限公司 | 一种阀门底座密封面表面缺陷检测方法 |
CN116030034A (zh) * | 2023-02-21 | 2023-04-28 | 青岛精锐机械制造有限公司 | 阀门表面缺陷的视觉识别方法 |
-
2023
- 2023-05-11 CN CN202310524853.4A patent/CN116309548B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000088765A (ja) * | 1998-09-08 | 2000-03-31 | Daihatsu Motor Co Ltd | 平面の傷検査装置 |
CN111044522A (zh) * | 2019-12-14 | 2020-04-21 | 中国科学院深圳先进技术研究院 | 缺陷检测方法、装置及终端设备 |
CN211262637U (zh) * | 2020-03-07 | 2020-08-14 | 青岛诺安机电科技有限公司 | 一种针对管道内检测设备测试系统 |
CN114841997A (zh) * | 2022-06-30 | 2022-08-02 | 启东市群鹤机械设备有限公司 | 一种阀门底座密封面表面缺陷检测方法 |
CN116030034A (zh) * | 2023-02-21 | 2023-04-28 | 青岛精锐机械制造有限公司 | 阀门表面缺陷的视觉识别方法 |
Non-Patent Citations (1)
Title |
---|
自适应多窗口梯度幅值边缘检测算法;刘勇;姚刚;肖人彬;雷帮军;;华中科技大学学报(自然科学版)(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116309548A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116309548B (zh) | 一种阀门密封面缺陷自动检测系统 | |
CN102436652B (zh) | 一种多源遥感图像自动配准方法 | |
US8391585B2 (en) | Defect detecting device, defect detecting method, image sensor device, image sensor module, defect detecting program, and computer-readable recording medium | |
CN111080582B (zh) | 工件内外表面缺陷检测方法 | |
CN101770646B (zh) | 基于Bayer RGB图像的边缘检测方法 | |
CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
CN101770641A (zh) | 一种结构光焊缝图像特征点快速提取方法 | |
CN102279973A (zh) | 基于高梯度关键点的海天线检测方法 | |
CN105095896A (zh) | 一种基于查找表的图像畸变校正方法 | |
CN110130987B (zh) | 一种基于图像分析的隧道收敛变形监测方法 | |
CN112465743B (zh) | 一种周期性结构质量检测方法 | |
CN116309559A (zh) | 一种中硼硅玻璃生产瑕疵智能识别方法 | |
CN113514054A (zh) | 一种星敏感器星点像斑检测方法及系统 | |
CN111583113A (zh) | 一种基于生成对抗网络的红外图像超分辨率重建方法 | |
CN113538378A (zh) | 一种基于深度学习的轴承尺寸在线检测系统 | |
CN114708226A (zh) | 一种基于光照影响的铜管内壁裂纹检测方法 | |
CN117314912A (zh) | 一种焊管表面焊接缺陷视觉检测方法及系统 | |
CN109410259B (zh) | 基于置信度的结构化的双目深度图上采样方法 | |
CN110740314A (zh) | 彩色线阵相机坏点校正方法及系统 | |
CN117315289B (zh) | 基于图像处理的航空发动机叶片轮廓边缘检测方法 | |
CN116958514B (zh) | 一种光学图像激波位置的亚像素定位方法 | |
CN112233193A (zh) | 一种基于多光谱图像处理的变电设备故障诊断方法 | |
CN114565563B (zh) | 基于人工智能的彩钢板表面异常检测方法 | |
CN111595781A (zh) | 一种曲面拟合的地面高光谱影像反射率校正方法 | |
CN116503324A (zh) | 一种基于机器视觉的黑胶模组外观检测方法及系统 |
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 |