CN116452873A - 一种基于多维特征分析的气孔与低密度夹杂分类方法 - Google Patents
一种基于多维特征分析的气孔与低密度夹杂分类方法 Download PDFInfo
- Publication number
- CN116452873A CN116452873A CN202310419719.8A CN202310419719A CN116452873A CN 116452873 A CN116452873 A CN 116452873A CN 202310419719 A CN202310419719 A CN 202310419719A CN 116452873 A CN116452873 A CN 116452873A
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- sub
- discrimination
- low
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004458 analytical method Methods 0.000 title claims abstract description 19
- 230000007547 defect Effects 0.000 claims abstract description 254
- 238000009826 distribution Methods 0.000 claims abstract description 21
- 239000006185 dispersion Substances 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000005266 casting Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 4
- 239000011148 porous material Substances 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明属于缺陷检测技术领域,并提供了一种基于多维特征分析的气孔与低密度夹杂分类方法,包括以下步骤:采集待分析区域的子图像;构建多维特征判别指标,并基于多维特征判别指标获取每个维度下子图像的缺陷判别结果,特征判别指标包括边缘曲率、灰度分布、缺陷外框长宽比和缺陷面积及其最大周长平方的比,缺陷判别结果为气孔或低密度夹杂;对所有维度对应的缺陷判别结果分类汇总,获得气孔类缺陷和低密度夹杂类缺陷,对各个维度分配特定权重,并基于特定权重分别计算气孔类缺陷和低密度夹杂类缺陷对应的判别系数,比对判别系数的大小,判别系数较大的缺陷类别即为待分析区域的最终缺陷类别。本发明的缺陷判别准确性更高。
Description
技术领域
本发明属于缺陷检测技术领域,更具体地,涉及一种基于多维特征分析的气孔与低密度夹杂分类方法。
背景技术
航空、航天、汽车、轨道交通、工程机械等行业重大装备用复杂铸件制造过程存在“关键质量点超差、质量波动大”等共性难题,导致重大装备可靠性、使用寿命无法满足应用要求。
在铸件的生产过程中,容易产生的铸件缺陷包括很多种类,例如夹杂、气孔、缩孔及缩松等。而在现有的铸件缺陷检测过程中,气孔缺陷与低密度夹杂缺陷由于其相似度较高,在现有的人工评片与机器评片中易出现混判甚至误判的情况,导致铸件质量的整体评估结果不准确。其中,人工评片多数依赖经验判断缺陷,而机器评片则多依赖神经网络进行模型训练,而模型训练所需的训练集需要人为标引制作,可能会因为制作者经验不足导致训练集中缺陷混杂,进而造成机器评片混判甚至误判的情况发生。
因此,急需一种更为有效的气孔与低密度夹杂缺陷的区分方法,来为人工评片和机器评片提供更可靠的判断依据,有助于得到对两种缺陷更准确的区分结果。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种基于多维特征分析的气孔与低密度夹杂分类方法,以解决现有缺陷检测方法判别结果可靠性差的问题。
为实现上述目的,本发明提供了一种基于多维特征分析的气孔与低密度夹杂分类方法,所述方法包括以下步骤:
S1采集待分析区域的子图像;
S2构建多维特征判别指标,并基于所述多维特征判别指标获取每个维度下所述子图像的缺陷判别结果,其中,所述多维特征判别指标包括边缘曲率、灰度分布、缺陷外框长宽比和缺陷面积及其最大周长的平方比,所述缺陷判别结果包括缺陷为气孔或低密度夹杂;
S3对所有维度对应的缺陷判别结果分类汇总,获得气孔类缺陷和低密度夹杂类缺陷,对各个维度分配特定权重,并基于所述特定权重分别计算每一类缺陷对应的判别系数,比对所述判别系数的大小,所述判别系数较大的缺陷类别即为待分析区域的最终缺陷类别。
进一步的,步骤S2中,基于所述边缘曲率判别所述子图像的缺陷类别的方法包括以下步骤:
S211对所述子图像像素进行反色处理,得到灰度图像;
S212采用自适应阈值算法对所述灰度图像进行阈值分割;
S213将分割后的所述灰度图像转变为二值图像,并计算所述二值图像轮廓边缘在每一个像素点上的曲率特征值;
S214计算所述曲率特征值中多个连续相等值的最大长度与总的图像轮廓边缘长度的比值Q,基于比值Q判断所述缺陷类别。
进一步的,基于所述比值Q判断所述缺陷类别的方法为:
若Q<0.2,则判断为非缺陷区域;若0.2≤Q≤0.3,则判断缺陷为低密度夹杂;若Q>0.3,则判断缺陷为气孔。
进一步的,步骤S2中,基于所述灰度分布判别所述子图像的缺陷类别的方法包括以下步骤:
S221获取所述子图像的灰度直方图;
S222判断所述灰度直方图中的峰值数量,基于所述峰值数量判断所述缺陷类别。
进一步的,步骤S2中,基于所述缺陷外框长宽比判别所述子图像的缺陷类别的方法包括以下步骤:
S231对所述子图像内的缺陷区域用最小外接矩形框框选;
S232计算所述最小外接矩形框的长宽比Y,并基于所述长宽比Y判断缺陷类别。
进一步的,步骤S2中,基于所述缺陷面积及其最大周长的平方比判别所述子图像的缺陷类别的方法包括以下步骤:
S241提取所述子图像内的缺陷形貌;
S242计算所述缺陷形貌的面积S与其周长L平方的比值T,并基于所述比值T判断所述缺陷类别。
进一步的,步骤S2中,当所述子图像内存在多个缺陷时,所述多维特征判别指标还包括离散度,需计算所述子图像中各个缺陷的所述离散度,并基于所述离散度判别所述子图像的缺陷类别。
进一步的,基于所述离散度判别所述子图像的缺陷类别的方法包括以下步骤:
S251提取所述子图像中各离散缺陷的轮廓并计算各自的形心位置;
S252获取相邻形心中距离最近的形心间的间距Ln,计算间距Ln与所述子图像最长边的长度L的比值P,并基于该比值P判断缺陷类别。
进一步的,步骤S3中,对每个维度下的缺陷判别结果分别赋予特定权重的分配方法为:边缘曲率的权重>离散度的权重>灰度分布的权重>缺陷外框长宽比的权重=所述缺陷面积及其最大周长平方的比的权重。
进一步的,步骤S3中,分配给所述边缘曲率的权重为0.35,分配给所述离散度的权重为0.25,分配给所述灰度分布的权重为0.2,分配给所述缺陷外框长宽比的权重为0.1,分配给所述缺陷面积及其最大周长平方的比的权重为0.1。
通过本发明所构思的以上技术方案,与现有技术相比,主要具备以下优点:
1.本发明通过构建多维特征判别指标,并计算每个维度下特征判别指标对应的子图像内的缺陷判别结果,并对所有判别结果进行加权求解,得到缺陷为气孔和缺陷为低密度夹杂的判别结果各自对应的判别系数,并比较气孔缺陷的对应的判别系数与低密度夹杂缺陷对应的判别系数的大小,判别系数大者为最终的缺陷判别结果,通过多个维度的综合缺陷判别,提高了整体缺陷判别的准确性和可靠性。
2.本发明中的多维特征判别指标分别包括边缘曲率、灰度分布、缺陷外框长宽比和缺陷面积及其最大周长平方的比值,当子图像内存在多个疑似缺陷时,还可构建离散度特征判别指标,从而从5个维度进行缺陷判别,从而得到更加可靠的综合判别系数来进行最终判别,相比于仅进行单一维度判别,该种判别方法的判别结果排除了潜在干扰因素,如机器判别中的人为标定错误等。
3.本发明中根据不同维度下判别效力的不同来分配权重,对判别效力较高的特征判别指标分配较高的权重,相应地,对判别效力较低的特征判别指标分配较低的权重,从而进一步使得最后计算得到的判别系数更加准确。
附图说明
图1是本发明提供的一种基于多维特征分析的气孔与低密度夹杂分类方法的流程示意图;
图2是本发明实施例中基于边缘曲率判别子图像的缺陷类别的方法流程示意图;
图3是本发明实施例中基于灰度分布判别子图像的缺陷类别的方法流程示意图;
图4是本发明实施例中基于缺陷外框长宽比判别子图像的缺陷类别的方法流程示意图;
图5是本发明实施例中基于缺陷面积及其最大周长平方的比判别子图像的缺陷类别的方法流程示意图;
图6是本发明实施例中基于离散度判别子图像的缺陷类别的方法流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,为本发明提供的一种基于多维特征分析的气孔与低密度夹杂分类方法的流程示意图,该分类方法的步骤包括:
S1采集待分析区域的子图像;具体的,先采集待分析工件表面的图像,再提取图像中具有疑似缺陷的图像作为待分析的子图像(以下将疑似缺陷统称为缺陷);
S2构建多维特征判别指标,并基于多维特征判别指标获取每个维度下子图像的缺陷判别结果;其中,多维特征判别指标包括边缘曲率、灰度分布、缺陷外框长宽比和缺陷面积及其最大周长的平方比,缺陷判别结果包括缺陷为气孔或低密度夹杂;
具体的,分别计算子图像的轮廓边缘曲率特征值,并根据边缘曲率特征值来判断缺陷为气孔或者低密度夹杂,计算子图像的灰度分布,通过计算得到的灰度直方图来判断缺陷为气孔或低密度夹杂,通过计算缺陷的外接框的长宽尺寸比来判断缺陷为气孔或低密度夹杂,通过计算缺陷面积及缺陷的最大周长平方的比来判断缺陷是气孔还是低密度夹杂;
S3对所有维度对应的缺陷判别结果分类汇总,获得气孔类缺陷和低密度夹杂类缺陷,对各个维度分配特定权重,并基于特定权重分别计算气孔类缺陷和低密度夹杂类缺陷对应的判别系数,比对判别系数的大小,判别系数较大的缺陷类别即为待分析区域的最终缺陷类别;
具体的,每个维度的特征判别指标都能对应得到一个判断参数,基于将每个判断参数判断缺陷的种类,然后将相同种类缺陷对应的所有判断参数分别与其对应的权重相乘后求和,以得到每个种类缺陷最终的判别系数,对两个种类的缺陷对应的判别系数进行比较,较大的判别系数对应的缺陷种类即为实际的缺陷种类,如:气孔缺陷对应得到的判别系数大于低密度夹杂对应得到的判别系数,则待分析区域的缺陷即为气孔缺陷。
在优选实施例中,步骤S2中,如图2所示,基于边缘曲率判别子图像的缺陷类别的方法包括以下步骤:
S211对所述子图像像素进行反色处理,得到灰度图像;
S212采用自适应阈值算法对所述灰度图像进行阈值分割;
S213将分割后的所述灰度图像转变为二值图像,并计算所述二值图像轮廓边缘在每一个像素点上的曲率特征值;
S214计算所述曲率特征值中多个连续相等值的最大长度与总的图像轮廓边缘长度的比值Q,基于比值Q判断所述缺陷类别。
在更优选的实施例中,步骤S214中,基于比值Q判断缺陷类别的方法为:
若Q<0.2,则判断子图像中无缺陷区域;若0.2≤Q≤0.3,则判断缺陷为低密度夹杂;若Q>0.3,则判断缺陷为气孔。
在优选实施例中,前述步骤S2中,如图3所示,基于灰度分布判别子图像的缺陷类别的方法包括以下步骤:
S221获取子图像的灰度直方图,即将子图像中所有像素按灰度值的大小,统计每种像素值出现的频率,统计后得到的灰度直方图中横坐标对应灰度值(0为黑色,255为白色),其纵坐标则对应每种像素出现的次数。
S222判断灰度直方图中的峰值数量,基于峰值数量来判断缺陷类别,当峰值数量大于等于第一预设数值时判定缺陷为低密度夹杂,当峰值数量小于等于第二预设数值时则判定缺陷为气孔,且第一预设数值小于第二预设数值;
之所以采用灰度直方图的峰值来判断缺陷类别,是由于气孔缺陷区域与背景颜色的区分比较明显,基本不会出现背景和缺陷区域之外的大范围的其他像素点,而低密度夹杂缺陷区域与背景间通常会出现类似于过渡层一样的颜色较浅的区域,这部分区域像素不同于缺陷区域与背景区域,同时范围较大,因此会在灰度直方图上出现额外的峰值。
在更优选的实施例中,前述步骤S222中基于峰值数量判断缺陷类别的方法为:若灰度直方图中图形的峰值数量小于等于第一预设数值3,则判断缺陷为气孔;若峰值数量大于等于4,则判断缺陷为低密度夹杂。
在优选实施例中,前述步骤S2中,如图4所示,基于缺陷外框长宽比来判别子图像的缺陷类别的方法包括以下步骤:
S231对所述子图像内的缺陷区域用最小外接矩形框框选;
S232计算所述最小外接矩形框的长宽比Y,并基于所述长宽比Y判断缺陷类别。
在更优选的实施例中,前述步骤S232中基于长宽比Y判断缺陷类别的方法为:若Y≥1.3,则判断缺陷为低密度夹杂;若Y<1.3,则判断缺陷为气孔。
在优选实施例中,前述步骤S2中,如图5所示,基于缺陷面积及其最大周长平方的比判别子图像的缺陷类别的方法包括以下步骤:
S241提取所述子图像内的缺陷形貌;
S242计算所述缺陷形貌的面积S与其周长L平方的比值T,并基于所述比值T判断所述缺陷类别。
在更优选的实施例中,前述步骤S242中,基于比值T判断缺陷类别的方法为;若0.7<T<0.9,则判断缺陷为气孔;若T≤7或T≥0.9,则判断缺陷为低密度夹杂。
在优选实施例中,前述步骤S2中,当子图像内存在多个缺陷时,多维特征判别指标还包括离散度特征判别指标,通过计算子图像中各个缺陷的离散度,并基于所述离散度来判别所述子图像中的缺陷类别。
在优选实施例中,如图6所示,基于离散度判别子图像的缺陷类别的方法包括以下步骤:
S251提取所述子图像中各离散缺陷的轮廓并计算各自的形心位置;
S252获取相邻形心中距离最近的形心间的间距Ln,计算间距Ln与所述子图像最长边的长度L的比值P,并基于该比值P判断缺陷类别;这是由于低密度夹杂缺陷出现时候常是一片一片出现的,而气孔缺陷通常为零散的单个缺陷,因此通过判断缺陷形心间距和子图像最长边的比值来准确判断缺陷种类。
在更优选的实施例中,基于比值P判断缺陷类别的方法为:若P≥0.5,则判断缺陷为气孔;若P<0.5,则判断缺陷为低密度夹杂。
在优选实施例中,步骤S3中,对每个维度下的缺陷判别结果基于各自不同的判别效力分别赋予特定权重,具体的分配方法为:边缘曲率的权重>离散度的权重>灰度分布的权重>缺陷外框长宽比的权重=缺陷面积及其最大周长的平方比的权重,并且权重分配能使得每次获得的所有维度下气孔缺陷对应的判别系数与低密度夹杂缺陷对应的判别系数不相等。
在优选实施例中,步骤S3中,按照各个判别维度的判别效力不同,按照效力由强至弱进行分配,其中,分配给边缘曲率的权重为0.35,分配给离散度的权重为0.25,分配给灰度分布的权重为0.2,分配给缺陷外框长宽比的权重为0.1,分配给缺陷面积及其最大周长的平方比的权重为0.1,各个权重的总和为1。
为了更好地说明本发明的实施细节,提供以下实施例来对本发明进行进一步说明,应当清楚,以下实施例只是作为最优实施方式,并不作为对本发明保护范围的任何限制。
实施例1
本实施例提供一种基于多维特征分析的气孔与低密度夹杂分类方法,包括如下步骤:
步骤一 先获取铸件表面的图像,然后提取图像中具有多个疑似缺陷的区域图像作为待分析的子图像;
步骤二 构建多维特征判别指标,该些指标包括边缘曲率、离散度、灰度分布、缺陷长宽尺寸比、缺陷面积与其周长平方的比;然后分析每个特征判别指标下所对应的缺陷类别为气孔缺陷还是低密度夹杂缺陷:
1.边缘曲率计算
(1)对子图像内像素进行反色处理,获得反色图像
对子图像内像素点通过以下运算进行反色处理:
R′ij=255-Rij (1)
其中,Rij代表独立区域R上的第i行第j列像素值,R’ij为反色后的相应像素值。
(2)采用自适应阈值算法对反色处理后的图像进行阈值分割,通过设置阈值将像素大小分成为若干级别,再通过判断图像中各像素点与阈值的数值大小关系,从而判定该像素点属于目标区域还是背景区域,进而实现灰度图像到二值图像的转变。
在目标区域的相对坐标内,假设铸件边缘可用以下参数方程表示:
则利用参数方程(2)求导得到曲率K:
其中,t为未知量,对于反色图像上的像素点,需要对应地计算铸件边缘轮廓在坐标系下分别在X方向和Y方向上的一阶与二阶差分,其具体的差分表达式如下所示:
将公式(4)中离散后的值代入曲率计算公式(3)中,即可求得反色图像轮廓边缘在每一个像素点上的曲率特征值。
(3)将反色图像轮廓边缘上的连续相等的曲率特征值的最大长度记录下来,并将这个最大长度值除以反色图像轮廓的总边缘长度值,从而得到一个比值Q:
如果Q小于0.2,则判断该区域为铸件本体结构,无缺陷;若Q值处在0.2与0.3之间(包含0.2和0.3),则判断该区域缺陷为低密度夹杂;若Q值大于0.3,则判断该区域缺陷为气孔。
2.对子图像内存在的多个疑似缺陷进行离散度计算
(1)提取各离散缺陷的轮廓并计算其各自的形心位置;;
(2)因为低密度夹杂缺陷出现时候常是一片一片出现的,而气孔缺陷通常为零散的单个缺陷,因此先计算相邻缺陷的形心位置的间距,并获取其中间距最小的值记为Ln,然后计算Ln与子图像最长边的长度L的比值来判断缺陷种类,若Ln/L≥0.5,则判断该缺陷为气孔;若Ln/L<0.5,则判断该缺陷为低密度夹杂。
3.灰度分布计算
计算并获取子图像的灰度直方图,若获得的灰度直方图中仅出现3个及以下数量的峰值,则判断该缺陷为气孔,若灰度直方图中峰值达4个及以上,则判断该缺陷为低密度夹杂。
4.缺陷的外接框的长宽比计算
将子图像内各缺陷用最小外接矩形框选出来,计算对应的矩形框的长宽比Y,若该比值Y≥1.3,则判断该区域为低密度夹杂;若该比值Y小于1.3,则判断该区域为气孔。
5.缺陷面积及其最大周长平方的比的计算
提取子图像内各个缺陷形貌,并计算各个缺陷区域的面积S及其最大周长L,并利用以下公式计算判断参数T:
T=S/(L2)(5)
若0.7<T<0.9,则判断该缺陷为气孔,否则则为低密度夹杂。
步骤三 将上述5种维度下的单个缺陷对应的所有判别结果汇总分类,分为气孔缺陷类和低密度夹杂类,并对每个特征判别维度均赋予特定的权重,本实施例中,分配给边缘曲率的权重为0.35,分配给离散度的权重为0.25,分配给灰度分布的权重为0.2,分配给缺陷外框长宽比的权重为0.1,分配给缺陷面积及其最大周长的平方比的权重为0.1;然后将单个缺陷在每个维度中计算出的判断参数(如离散度计算中获得的Ln与子图像最长边的长度L的比值等)与对应的权重进行加权求和,以得到该单个缺陷的气孔缺陷判别系数和低密度夹杂缺陷的判别系数,对比两种缺陷的判别系数,哪个判别系数大则该单个缺陷即为对应的缺陷类别;
步骤四 重复步骤三,直至将待分析区域中所有缺陷的种类均判别出来。
总体而言,通过本发明所构思的方法,对现有的铸件缺陷区分能够取得下列有益效果:
1.本发明从边缘曲率等5个维度判断气孔与低密度夹杂的相关特征,排除了潜在的干扰因素;
2.本发明对边缘曲率等5个维度的技术参数进行权重分布,排除了最后判断结果的矛盾情况,使得本发明对于气孔与低密度夹杂的判别结果的可靠性更高。
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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多维特征分析的气孔与低密度夹杂分类方法,其特征在于,所述方法包括以下步骤:
S1采集待分析区域的子图像;
S2构建多维特征判别指标,并基于所述多维特征判别指标获取每个维度下所述子图像的缺陷判别结果,其中,所述多维特征判别指标包括边缘曲率、灰度分布、缺陷外框长宽比和缺陷面积及其最大周长平方的比,所述缺陷判别结果包括缺陷为气孔或低密度夹杂;
S3对所有维度对应的缺陷判别结果分类汇总,获得气孔类缺陷和低密度夹杂类缺陷,对各个维度分配特定权重,并基于所述特定权重分别计算每一类缺陷对应的判别系数,比对所述判别系数的大小,所述判别系数较大的缺陷类别即为待分析区域的最终缺陷类别。
2.如权利要求1所述的一种基于多维特征分析的气孔与低密度夹杂分类方法,其特征在于,步骤S2中,基于所述边缘曲率判别所述子图像的缺陷类别的方法包括以下步骤:
S211对所述子图像像素进行反色处理,得到灰度图像;
S212采用自适应阈值算法对所述灰度图像进行阈值分割;
S213将分割后的所述灰度图像转变为二值图像,并计算所述二值图像轮廓边缘在每一个像素点上的曲率特征值;
S214计算所述曲率特征值中多个连续相等值的最大长度与总的图像轮廓边缘长度的比值Q,基于比值Q判断所述缺陷类别。
3.如权利要求2所述的一种基于多维特征分析的气孔与低密度夹杂分类方法,其特征在于,基于所述比值Q判断所述缺陷类别的方法为:
若Q<0.2,则判断为非缺陷区域;若0.2≤Q≤0.3,则判断缺陷为低密度夹杂;若Q>0.3,则判断缺陷为气孔。
4.如权利要求1所述的一种基于多维特征分析的气孔与低密度夹杂分类方法,其特征在于,步骤S2中,基于所述灰度分布判别所述子图像的缺陷类别的方法包括以下步骤:
S221获取所述子图像的灰度直方图;
S222判断所述灰度直方图中的峰值数量,基于所述峰值数量判断所述缺陷类别。
5.如权利要求1所述的一种基于多维特征分析的气孔与低密度夹杂分类方法,其特征在于,步骤S2中,基于所述缺陷外框长宽比判别所述子图像的缺陷类别的方法包括以下步骤:
S231对所述子图像内的缺陷区域用最小外接矩形框框选;
S232计算所述最小外接矩形框的长宽比Y,并基于所述长宽比Y判断缺陷类别。
6.如权利要求1所述的一种基于多维特征分析的气孔与低密度夹杂分类方法,其特征在于,步骤S2中,基于所述缺陷面积及其最大周长的平方比判别所述子图像的缺陷类别的方法包括以下步骤:
S241提取所述子图像内的缺陷形貌;
S242计算所述缺陷形貌的面积S与其周长L平方的比值T,并基于所述比值T判断所述缺陷类别。
7.如权利要求1所述的一种基于多维特征分析的气孔与低密度夹杂分类方法,其特征在于,步骤S2中,当所述子图像内存在多个缺陷时,需计算所述子图像中各个缺陷的离散度,并基于所述离散度判别所述子图像的缺陷类别。
8.如权利要求7所述的一种基于多维特征分析的气孔与低密度夹杂分类方法,其特征在于,基于所述离散度判别所述子图像的缺陷类别的方法包括以下步骤:
S251提取所述子图像中各离散缺陷的轮廓并计算各自的形心位置;
S252获取相邻形心中距离最近的形心间的间距Ln,计算间距Ln与所述子图像最长边的长度L的比值P,并基于该比值P判断缺陷类别。
9.如权利要求7-8任一所述的一种基于多维特征分析的气孔与低密度夹杂分类方法,其特征在于,步骤S3中,对每个维度下的缺陷判别结果分别赋予特定权重的分配方法为:边缘曲率的权重>离散度的权重>灰度分布的权重>缺陷外框长宽比的权重=所述缺陷面积及其最大周长平方的比的权重。
10.如权利要求9所述的一种基于多维特征分析的气孔与低密度夹杂分类方法,其特征在于,步骤S3中,分配给所述边缘曲率的权重为0.35,分配给所述离散度的权重为0.25,分配给所述灰度分布的权重为0.2,分配给所述缺陷外框长宽比的权重为0.1,分配给所述缺陷面积及其最大周长平方的比的权重为0.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310419719.8A CN116452873A (zh) | 2023-04-13 | 2023-04-13 | 一种基于多维特征分析的气孔与低密度夹杂分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310419719.8A CN116452873A (zh) | 2023-04-13 | 2023-04-13 | 一种基于多维特征分析的气孔与低密度夹杂分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116452873A true CN116452873A (zh) | 2023-07-18 |
Family
ID=87119866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310419719.8A Pending CN116452873A (zh) | 2023-04-13 | 2023-04-13 | 一种基于多维特征分析的气孔与低密度夹杂分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116452873A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152148A (zh) * | 2023-10-31 | 2023-12-01 | 南通杰元纺织品有限公司 | 一种纺织物毛斑缺陷检测方法 |
CN118014988A (zh) * | 2024-03-28 | 2024-05-10 | 浙江康鹏半导体有限公司 | 一种砷化镓衬底晶片缺陷智能检测方法 |
-
2023
- 2023-04-13 CN CN202310419719.8A patent/CN116452873A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152148A (zh) * | 2023-10-31 | 2023-12-01 | 南通杰元纺织品有限公司 | 一种纺织物毛斑缺陷检测方法 |
CN117152148B (zh) * | 2023-10-31 | 2023-12-29 | 南通杰元纺织品有限公司 | 一种纺织物毛斑缺陷检测方法 |
CN118014988A (zh) * | 2024-03-28 | 2024-05-10 | 浙江康鹏半导体有限公司 | 一种砷化镓衬底晶片缺陷智能检测方法 |
CN118014988B (zh) * | 2024-03-28 | 2024-06-07 | 浙江康鹏半导体有限公司 | 一种砷化镓衬底晶片缺陷智能检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN116452873A (zh) | 一种基于多维特征分析的气孔与低密度夹杂分类方法 | |
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN113989279B (zh) | 基于人工智能及图像处理的塑料薄膜质量检测方法 | |
CN114140462B (zh) | 一种基于图像处理的轴承磨损程度评估方法 | |
CN109977808A (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
CN113409314B (zh) | 高空钢结构腐蚀的无人机视觉检测与评价方法及系统 | |
CN114723704B (zh) | 一种基于图像处理的纺织品质量评估方法 | |
CN115330783A (zh) | 一种钢丝绳缺陷检测方法 | |
CN111524181A (zh) | 一种基于扫描电镜图像分割的多孔材料孔洞自动测量方法 | |
CN111127499A (zh) | 一种基于语义轮廓信息的安检图像刀具检测分割方法 | |
CN114140669B (zh) | 焊接缺陷识别模型训练方法、装置和计算机终端 | |
CN115294140A (zh) | 一种五金零件缺陷检测方法及系统 | |
CN114067114B (zh) | 一种基于藻类细胞形态的面积核分割计数方法 | |
CN115311267B (zh) | 一种格纹织物异常检测方法 | |
CN111062093B (zh) | 一种基于图像处理和机器学习的汽车轮胎寿命预测方法 | |
CN111339478B (zh) | 基于改进模糊层次分析法的气象数据质量评估方法 | |
CN115797361B (zh) | 一种铝模板表面缺陷检测方法 | |
CN115240146A (zh) | 基于计算机视觉的机床装配智能验收方法 | |
CN115294109A (zh) | 基于人工智能的实木板材生产缺陷识别系统、电子设备 | |
CN115100214A (zh) | 基于图像处理的纺织品质量检测方法 | |
CN111860531A (zh) | 一种基于图像处理的扬尘污染识别方法 | |
CN117876382A (zh) | 一种汽车轮胎胎面花纹缺陷检测系统和方法 | |
CN113962994A (zh) | 基于图像处理的三连杆上锁销清洁度检测方法 | |
CN111767273B (zh) | 基于改进som算法的数据智能检测方法及装置 |
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 |