CN116645364A - 一种基于图像数据的合金钢铸件气孔缺陷检测方法 - Google Patents

Abstract

本申请涉及图像处理领域，提供一种基于图像数据的合金钢铸件气孔缺陷检测方法，包括：获取合金钢铸件的灰度图像；基于灰度图像确定疑似缺陷区域的图像；基于疑似缺陷区域的图像进行形态相似性计算，确定每一疑似缺陷区域的图像对应的结构元形状；基于结构元形状对灰度图像处理，以进行气孔缺陷检测。该方法利用灰度形态学进行了图像处理，大幅度的抑制了在进行气孔缺陷检测时的图像首要非气孔信息的影响，使得检测结果更加的准确。

Description

一种基于图像数据的合金钢铸件气孔缺陷检测方法

技术领域

本申请涉及图像处理技术领域，特别是涉及一种基于图像数据的合金钢铸件气孔缺陷检测方法。

背景技术

合金钢铸件是现代机械工程中使用广泛的高强度、高硬度、高耐磨的重要组成部分，但气孔缺陷是合金钢铸件中最常见的缺陷之一，其存在严重影响着合金钢铸件的力学性能和使用寿命。对合金钢铸件的气孔缺陷进行精准、高效的检测，对提高其质量稳定性、降低成本以及增强市场竞争力具有非常重要的意义。

传统的合金钢铸件气孔缺陷检测方法主要依靠人工目测，如锤打、听声或X射线检测等，这些方法存在人工误差大、效率低等缺陷。同时，随着图像技术的发展和成熟，越来越多的应用开始使用图像数据进行气孔缺陷检测。但是，由于合金钢铸件的复杂性，现有的基于图像数据的气孔缺陷检测方法普遍存在缺陷检测精度低、误报率高等问题。

发明内容

本发明提供一种基于图像数据的合金钢铸件气孔缺陷检测方法，该方法能够提高检测结果准确性。

第一方面，本申请提供一种基于图像数据的合金钢铸件气孔缺陷检测方法，包括：

获取合金钢铸件的灰度图像；

基于灰度图像确定疑似缺陷区域的图像；

基于疑似缺陷区域的图像进行形态相似性计算，确定每一疑似缺陷区域的图像对应的结构元形状；

基于结构元形状对灰度图像处理，以进行气孔缺陷检测。

在一可选实施例中，基于灰度图像确定疑似缺陷区域的图像，包括：

利用边缘检测算法对灰度图像进行边缘检测，获取合金钢铸件的边缘图像；

利用连通域检测算法基于边缘图像进行闭合连通域的检测，以得到疑似缺陷区域的图像。

在一可选实施例中，基于疑似缺陷区域的图像进行形态相似性计算，确定每一疑似缺陷区域的图像对应的结构元形状，包括：

提取每一疑似缺陷区域的图像中每一像素点对应的结构向量，进而得到每一疑似缺陷区域的图像对应的代表向量；其中，结构向量包括预设维度的元素，结构向量表征像素点周围邻域像素点的结构分布情况；

利用每一疑似缺陷区域的图像对应的代表向量计算疑似缺陷区域的形态与现有结构的形态相似性；

选择形态相似性最大的现有结构作为疑似缺陷区域对应的结构元形状。

在一可选实施例中，提取每一疑似缺陷区域的图像中每一像素点对应的结构向量，进而得到每一疑似缺陷区域的图像对应的代表向量，包括：

基于像素点对应的结构向量在疑似缺陷区域的图像中出现的次数，和疑似缺陷区域中边缘像素点的总个数计算像素点对应的结构向量的重要性权值；

基于结构向量的重要性权值、疑似缺陷区域中边缘像素点的总个数以及像素点对应的结构向量计算每一疑似缺陷区域的图像对应的代表向量。

在一可选实施例中，基于结构向量的重要性权值、疑似缺陷区域中边缘像素点的总个数以及像素点对应的结构向量计算每一疑似缺陷区域的图像对应的代表向量，包括：

基于结构向量的重要性权值、疑似缺陷区域中边缘像素点的总个数以及像素点对应的结构向量计算每一疑似缺陷区域的图像对应的初始代表向量；

对初始代表向量进行规范化，得到代表向量。

在一可选实施例中，对初始代表向量进行规范化，得到代表向量，包括：

计算初始代表向量中所有元素的平均值与初始代表向量中每一维度的元素的差值；

如果差值小于或等于0，则将初始代表向量对应维度的元素置为0；如果差值大于0，则将初始代表向量对应维度的元素置为1，以此得到代表向量。

在一可选实施例中，基于像素点对应的结构向量在疑似缺陷区域的图像中出现的次数，和疑似缺陷区域中边缘像素点的总个数计算像素点对应的结构向量的重要性权值，包括：

利用如下公式计算像素点对应的结构向量的重要性权值：

；

其中：

；

其中，表示第/>个疑似缺陷区域的所有边缘像素点的总个数；/>表示第/>个像素点对应的第/>个结构向量；/>表示第/>个结构向量对应的重要性权值；/>表示与第/>个结构向量相同的结构向量在第/>个疑似缺陷区域出现的总次数；/>表示第/>个向量的连续累加值；/>表示第/>个像素点对应的第/>个结构向量的结构相似性；/>为第/>个疑似缺陷区域的第i个像素点对应的结构向量中的第/>个维度的数据；/>为第/>个疑似缺陷区域的第i-1个像素点对应的结构向量中的第/>个维度的数据；

基于结构向量的重要性权值、疑似缺陷区域中边缘像素点的总个数以及像素点对应的结构向量计算每一疑似缺陷区域的图像对应的初始代表向量，包括：

利用如下公式计算初始代表向量：

。

在一可选实施例中，利用每一疑似缺陷区域的图像对应的代表向量计算疑似缺陷区域的形态与现有结构的形态相似性，包括：

利用如下公式计算形态相似性：

；

其中，为现有结构中的第/>个元素的大小，/>表示代表向量中第/>维度中的元素的大小。

在一可选实施例中，基于结构元形状对灰度图像处理，以进行气孔缺陷检测，包括：

利用疑似缺陷区域的图像对合金钢铸件的图像进行疑似缺陷区域标记；

利用结构元形状对标记的区域进行形态学灰度闭运算处理，得到合金钢铸件的灰度形态学处理图；

利用缺陷检测算法对灰度形态学处理图进行气孔缺陷检测。

在一可选实施例中，获取合金钢铸件的灰度图像，包括：

采集合金钢铸件的图像；

利用灰度化算法对图像进行灰度化处理；

利用图像分割算法对灰度化处理的图像进行分割，提取出合金钢铸件的目标图像；

将图像中除合金钢铸件的目标图像外其余图像的像素点的灰度值置为0，以得到合金钢铸件的灰度图像。

本申请的有益效果，区别于现有技术，本申请的基于图像数据的合金钢铸件气孔缺陷检测方法，包括：获取合金钢铸件的灰度图像；基于灰度图像确定疑似缺陷区域的图像；基于疑似缺陷区域的图像进行形态相似性计算，确定每一疑似缺陷区域的图像对应的结构元形状；基于结构元形状对灰度图像处理，以进行气孔缺陷检测。该方法利用灰度形态学进行了图像处理，大幅度的抑制了在进行气孔缺陷检测时的图像首要非气孔信息的影响，使得检测结果更加的准确。

附图说明

图1为本发明基于图像数据的合金钢铸件气孔缺陷检测方法的一实施例的流程示意图；

图2为本发明边缘图像的示意图；

图3为本发明的疑似缺陷区域的图像的第一实施例的示意图；

图4为图1中步骤S13的一实施例的流程示意图；

图5为本发明的疑似缺陷区域的图像的第二实施例的示意图；

图6为常见的的形态学结构元示意图；图6中（a）是十字结构元，图6中（b）是菱形结构元，图6中（c）是方形结构元，图6中（d）是矩形结构元；

图7为十字形结构元的结构向量的搜寻路径示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

合金钢铸件在进行气孔缺陷检测的时候，利用现有技术难以对其进行检测，所以本发明利用自适应结构元形状的方式，利用不同形状的结构元对合金钢铸件的图像进行处理，以此来实现合金钢铸件的气孔缺陷的检测。具体的，本申请的方法利用边缘检测的方式获得合金钢铸件图像上的疑似缺陷区域边缘，而后对不同区域的边缘进行形态分析来自适应最佳的形态学结构元形状，最后利用灰度形态学根据结构元形状对不同区域进行闭运算，而后进行气孔缺陷的检测以及识别。下面结合附图和实施例对本申请进行详细的说明。

请参见图1，图1为本发明基于图像数据的合金钢铸件气孔缺陷检测方法的一实施例的结构示意图，包括：

步骤S11：获取合金钢铸件的灰度图像。

本发明需要利用合金钢铸件的图像进行表面的气孔检测，所以需要对合金钢铸件待检测的区域进行图像采集，具体的图像采集方式包括：首先布置图像采集装置，其中包括：照明装置、工业相机；然后利用照明装置对合金钢铸件待采集区域进行直射光照照明；最后利用工业相机以垂直视角对该合金钢铸件待采集区域的图像进行采集。

上述中获得了合金钢铸件的待检测区域的图像，其中包含一定的背景信息（采集环境的图像），所以需要对其进行预处理，具体的，预处理包括：利用灰度化算法对图像进行灰度化处理。具体的，首先对拍摄到的合金钢铸件图像利用灰度化算法进行灰度化处理获得合金钢铸件的灰度图。 利用图像分割算法对灰度化处理的图像进行分割，提取出合金钢铸件的目标图像。具体的，利用图像分割算法（如OTSU 阈值分割算法）进行自适应阈值分割，合金钢铸件的图像与图像采集环境一般有着极为明显的差别，所以可以利用阈值分割算法对所需的图像进行提取。最后将图像中除合金钢铸件的目标图像外其余图像的像素点的灰度值置为0，以得到合金钢铸件的灰度图像，具体的，对目标区域的图像（合金钢铸件灰度图）不做改动，将非目标区域的图像（采集环境图像）所有像素点的灰度值进行置零处理；至此，合金钢铸件的图像获取以及预处理结束，获得了合金钢铸件的灰度图像。

步骤S12：基于灰度图像确定疑似缺陷区域的图像。

在一实施例中，基于灰度图像确定疑似缺陷区域的图像，包括：利用边缘检测算法对灰度图像进行边缘检测，获取合金钢铸件的边缘图像；利用连通域检测算法基于边缘图像进行闭合连通域的检测，以得到疑似缺陷区域的图像。

具体的，气孔是金属液体在浇注过程中产生的气体未能及时逸出而形成的孔洞，气孔缺陷通常为球形，即表现在图像之上为近圆形，内壁比较光滑，呈明亮或轻微氧化色。存在一定的深度，在灯光下经过相机进行图像拍摄的时候，因为其内壁有着光滑的曲线内凹，所以呈现在图像之上表现为气孔有着一圈明亮一圈阴影一圈明亮部分。但是钢铸件本身具有一定的纹理特征，表现出在图像上为较亮的斑点，直接利用图像分割算法对空洞进行分割的时候容易使得空洞选择的不合理。而灰度形态学中的闭运算对可以对图像中的不同色差区域进行有效的处理，但是因为上述中的色差区域形态不同，使用固定形状的形态学结构元对图像进行处理容易使得图像处理不完整，导致非气孔区域去除不完整以及气孔被误判，所以本发明利用图像边缘来进行合金钢铸件色差区域的图像的提取，而后根据不同区域生成代表向量，而后与现有的形态学结构元进行匹配选择最适合该区域的形态学结构元形状对图像进行处理。而后对灰度形态学处理之后的图像进行气孔缺陷检测。

具体的，在对合金钢铸件的灰度图进行灰度形态学处理的时候，对于全局进行处理时容易使得部分非疑似缺陷区域经过处理有误判的风险，且全局处理时整体的计算量偏大，而灰度形态学算法有着较高的时间复杂性，处理效率较低。所以本发明首先利用边缘检测算法对合金钢铸件图像进行边缘检测，而后利用气孔缺陷的边缘为完整的闭合连通域这一特征进行疑似缺陷位置的筛选，以此来降低后续缺陷判断时的非疑似缺陷区域的影响，以及减少一定的计算量，具体的过程为：利用边缘检测算法例如Canny边缘检测算法对灰度图像进行边缘检测，获取合金钢铸件的边缘图像，边缘图像如图2所示。在合金钢铸件中，表面具有气孔缺陷时，一定伴随着灰度梯度的变化，所以利用边缘检测算法可以获取一部分的气孔缺陷。但是，气孔缺陷处一定有边缘，边缘并不一定时气孔缺陷。利用连通域检测算法基于边缘图像进行闭合连通域的检测，以得到疑似缺陷区域的图像。对已经提取到的合金钢铸件边缘图像利用连通域检测算法来进行闭合连通域的检测，其中获得的闭合连通域区域即为疑似缺陷的边缘图（即疑似缺陷区域的图像），非闭合连通域区域为其他的干扰图像。合金钢铸件的气孔缺陷外在特征为一个完整的圆形或者近圆形，且其具有较为明显的灰度值变化（梯度）所以在进行边缘检测的时候，其对应的边缘一定是闭合的连通域，故可以利用闭合联通检测算法对其进行检测，获得疑似缺陷区域的边缘图，具体如图3所示。

在通过上述方法得到疑似缺陷区域的图像后，对合金钢铸件的疑似缺陷区域的图像进行标记，分别为，除已经标记的边缘之外，剩余所有的边缘进行舍弃，则可以获得完整的合金钢铸件的疑似缺陷边缘图像，具体如图3所示。

至此，对合金钢铸件的灰度图进行边缘检测以及闭合连通域判断处理，获得了合金钢铸件的疑似缺陷区域的图像。

步骤S13：基于疑似缺陷区域的图像进行形态相似性计算，确定每一疑似缺陷区域的图像对应的结构元形状。

具体的，上述中获得了合金钢铸件的疑似缺陷区域的图像，而合金钢铸件的气孔缺陷就在疑似缺陷区域的图像对应的灰度图中，为了把其中的气孔缺陷与干扰因素进行分离，所以本发明利用灰度形态学对疑似缺陷区域的图像进行处理，使得气孔缺陷的所在区域的图像特征放大，其余干扰区域的图像特征减小，而在灰度形态学对疑似缺陷区域进行处理的时候，其结构元素的形状选择十分关键，选择不合适时，会使得处理之后气孔缺陷的特征更为不明显，所以本发明根据合金钢铸件的疑似缺陷区域的边缘图像进行每个疑似区域的形态相似性计算，而后利用形态相似性来进行先验的结构元素形状的选择。具体请结合图4，步骤S13包括：

步骤S21：提取每一疑似缺陷区域的图像中每一像素点对应的结构向量，进而得到每一疑似缺陷区域的图像对应的代表向量。

其中，结构向量包括预设维度的元素，结构向量表征像素点周围邻域像素点的结构分布情况。

常见的形态学结构元大小一般情况为小于等于大小，此处大小指结构元中的总体像素点个数，所以本发明以最大维度为/>上限的结构向量对于合金钢铸件图像中的每个疑似缺陷的边缘区域中的每个像素点的邻域结构进行提取，从而获得疑似缺陷区域的图像对应的代表向量。上述24的为锚点周围邻域内所有的像素点的个数，此处结构向量是用来表示每个像素点的邻域结构的向量。具体以上述疑似缺陷区域的图像中的任意第/>个区域为例，其每个像素点对应的结构向量的提取方式如图5所示。图5为疑似缺陷区域的图像，对图像像素级放大，以其中任意一个像素点第/>个像素点开始，进行对应的结构向量/>的获取，具体获取过程如图5所示。

首先以第个疑似气孔缺陷区域的图像中的第/>个像素点作为起始像素点作为结构向量的起始；然后进行任意固定方向的绕着起始像素点的邻域内所有24个像素点的位分布搜寻工作；本发明所采用的方向为0°方向作为起始。 搜寻的过程中，每经过第/>个像素点邻域内的一个像素点，则结构向量增强一个维度，直至第/>邻域内24个像素点遍历完毕即可，即属于第/>的结构向量/>生成完整的24个维度即可结束邻域像素分布搜寻。其中结构向量的每个维度元素的分布为在搜寻的过程中，路径上遇见同一个边缘的像素点则其在结构向量中对应的位置为“1”，表示该位置有同一边缘的像素点的分布，否则为“0”，表示该位置没有同一边缘像素点的分布；最后生成第/>个像素点的结构向量/>，像素点结构向量/>如下所示：

；

至此，第个像素点的结构向量获取完毕，其代表了第/>个像素点周围邻域内的24个像素点的结构分布情况；利用上述方式可以获得第/>个疑似气孔缺陷区域的图像中的所有/>个像素点对应的结构向量。

在获取到疑似缺陷区域的图像中的所有个像素点对应的结构向量后，进一步确定每一疑似缺陷区域的图像对应的代表向量。在一实施例中，提取每一疑似缺陷区域的图像中每一像素点对应的结构向量，进而得到每一疑似缺陷区域的图像对应的代表向量，包括：基于像素点对应的结构向量在疑似缺陷区域的图像中出现的次数，和疑似缺陷区域中边缘像素点的总个数计算像素点对应的结构向量的重要性权值；基于结构向量的权值、疑似缺陷区域中边缘像素点的总个数以及像素点对应的结构向量计算每一疑似缺陷区域的图像对应的代表向量。

在一实施例中，利用如下公式计算像素点对应的结构向量的重要性权值：

；

其中：

；

其中，表示第/>个疑似缺陷区域的所有边缘像素点的总个数；/>表示第/>个像素点对应的第/>个结构向量；/>表示第/>个结构向量对应的重要性权值；/>表示与第/>个结构向量相同的结构向量在第/>个疑似缺陷区域出现的总次数；/>表示第/>个向量的连续累加值，其取值方式为第/>个结构向量在前向邻域内连续出现的次数（例如现在结构向量只有一个维度，第/>个结构向量为1，其前三个向量分别为1 1 1 ，则/>；如果其前三个向量分别为1 1 0 ，则/>）；/>表示第/>个像素点对应的第/>个结构向量的结构相似性；为第/>个疑似缺陷区域的第i个像素点对应的结构向量中的第/>个维度的数据；为第/>个疑似缺陷区域的第i-1个像素点对应的结构向量中的第/>个维度的数据。

基于结构向量的权值、疑似缺陷区域中边缘像素点的总个数以及像素点对应的结构向量计算每一疑似缺陷区域的图像对应的初始代表向量，包括：利用如下公式计算初始代表向量：

。

本发明中的初始代表向量是指这个疑似缺陷区域中边缘像素点分布结构代表的一个综合向量，后续利用其进行现有灰度形态学的结构元素的匹配，而匹配的结果越准确（符合大多数像素点的分布结构），对与整体图像中的灰度形态学的处理效果就越好。所以本发明通过加权平均的方式利用第个区域的所有结构向量来获得第/>个疑似缺陷区域的代表向量，以权值来决定每个结构向量对于代表向量的贡献度，使得该疑似缺陷区域中每个结构向量都参与进代表向量的获取中，其中权值的设置逻辑为：某一个结构向量出现的频率越高，则说明这种结构向量对应的结构在整体疑似缺陷区域中出现的越多，对应的越重要，而结构相似的结构向量连续出现的次数越多，说明这种结构在该疑似缺陷区域中的某一个局部具有较强的代表性，故而更重要。

上述中获得了第个疑似缺陷区域的初始代表结构，因为其经过了加权平均计算，使得其中的不同维度的元素差距与规范向量（仅有‘0’和‘1’组成的向量）差距较大，在进行现有结构元素匹配时容易造成较大的误差，所以需要对其进行规范化。具体的，基于结构向量的权值、疑似缺陷区域中边缘像素点的总个数以及像素点对应的结构向量计算每一疑似缺陷区域的图像对应的初始代表向量；对初始代表向量进行规范化，得到代表向量。具体的，计算初始代表向量中所有元素的平均值与初始代表向量中每一维度的元素的差值；如果差值小于或等于0，则将初始代表向量对应维度的元素置为0；如果差值大于0，则将初始代表向量对应维度的元素置为1，以此得到代表向量。

以第个疑似缺陷区域的第i个像素点对应的结构向量中的第/>个维度的数据为例，其规范化的方式如下所示：

；

其中，第/>个疑似缺陷区域的第i个像素点对应的结构向量中的第/>个维度的数据，/>表示代表向量中第/>维度中的元素的大小。

因为规范化是为了使得代表向量整体中的不同维度的元素为“0”或者为“1”，所以本发明利用代表向量中的所有元素的平均值作为阈值与需要规范化的维度中的元素进行对比，如果大于“0”，则说明该维度的元素相较于整体趋势而言出现的较多或者更为重要，反之则相反。

步骤S22：利用每一疑似缺陷区域的图像对应的代表向量计算疑似缺陷区域的形态与现有结构的形态相似性。

以第个疑似缺陷区域的规范化代表向量进行第/>个疑似缺陷区域的形态与现有结构元素的形态相似性/>的计算，方式如下所示：

；

其中，为现有结构中的第/>个元素的大小，/>表示代表向量中第/>维度中的元素的大小。

形态相似性中的相似是指，第个疑似缺陷区域的代表向量与现有的常用形态学中的结构元的结构向量的相似性，该值越大，说明第/>个疑似缺陷区域中的大多数边缘像素点的邻域结构与对应的现有常用的形态学中的结构性元素的结构（形状）越相似，利用该结构元对第/>个疑似缺陷区域进行灰度形态学处理的时候整体效果最好，反之则相反。

需要说明的是，常用的形态学结构元如图6所示，其中每一个方块代表一个像素点，其中含有的像素点为结构元素的锚点，用来进行形态学运算时的像素点的定位。

在本申请的一实施例中，可以分别计算第n个疑似缺陷区域的形态和图6所示的现有结构的形态相似性。

步骤S23：选择形态相似性最大的现有结构作为疑似缺陷区域对应的结构元形状。

在一具体实施例中，分别计算第n个疑似缺陷区域的形态和图6所示的现有结构的形态相似性。选择形态相似性最大的现有结构作为疑似缺陷区域对应的结构元形状。

具体的，假设图6中所示的十字形结构元与第n个疑似缺陷区域的形态相似性最高，则选择图6中所示的十字形结构元作为第n个疑似缺陷区域对应的结构元形状。

步骤S14：基于结构元形状对灰度图像处理，以进行气孔缺陷检测。

以图6中所示的十字形结构元为第n个疑似缺陷区域对应的结构元形状为例进行说明。请结合图7，图7为十字形结构元的结构向量的搜寻路径图。其中锚点像素点X作为初始像素点，分布搜寻路径同第个边缘的搜寻路径。

利用上述的方式对现有的灰度形态学结构元进行基于态相似性的计算，而后选择最大的形态相似性对应的现有的形态学结构元作为第/>个区域的灰度形态学处理的结构元。

利用上述方式可以获得合金钢铸件图像中所有个疑似缺陷区域对应的灰度形态学结构元。基于结构元形状对灰度图像处理，以进行气孔缺陷检测。

在一实施例中，利用疑似缺陷区域的图像对合金钢铸件的图像进行疑似缺陷区域标记；利用结构元对标记的区域进行形态学灰度闭运算处理，得到和合金钢铸件的灰度形态学处理图；利用缺陷检测算法对灰度形态学处理图进行气孔缺陷检测。具体的，首先利用疑似缺陷边缘图像与合金钢铸件的图像进行疑似缺陷区域的标记。具体标记方式为利用疑似缺陷边缘图像的像素点，以其坐标在合金钢铸件的图像上进行疑似缺陷区域标记；而后利用上述出每个对应区域自适应出的结构元素对对应疑似缺陷区域进行形态学灰度闭运算处理，获得合金钢铸件的灰度形态学处理图；最后利用现有缺陷检测算法（例如Canny边缘检测算法）对合金钢铸件的灰度形态学处理图进行合金钢铸件的气孔缺陷检测。

在获得合金钢铸件的表面气孔检测图后，将其进行传送至终端，而后由人为进行合金钢铸件的生产工艺排查即可。

本申请相对于现有技术的好处在于：相较于现有的直接检测的方式，利用灰度形态学进行了图像处理，大幅度的抑制了在进行气孔缺陷检测时的图像首要非气孔信息的影响，使得检测结果更加的准确。本申请中，不同的区域通过计算结构元相似度的方式来获取最适合该区域进行灰度形态学的结构元形状，使得进行灰度形态学图像处理的时候，需要的区域能保留更大的特征，而不需要的区域则更多的被灰度形态学去除，使得检测速度更快以及检测更加精准。

以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种基于图像数据的合金钢铸件气孔缺陷检测方法，其特征在于，包括：

获取合金钢铸件的灰度图像；

基于所述灰度图像确定疑似缺陷区域的图像；

基于所述疑似缺陷区域的图像进行形态相似性计算，确定每一疑似缺陷区域的图像对应的结构元形状；

基于所述结构元形状对所述灰度图像处理，以进行气孔缺陷检测。

2.根据权利要求1所述的基于图像数据的合金钢铸件气孔缺陷检测方法，其特征在于，基于所述灰度图像确定疑似缺陷区域的图像，包括：

利用边缘检测算法对灰度图像进行边缘检测，获取合金钢铸件的边缘图像；

利用连通域检测算法基于所述边缘图像进行闭合连通域的检测，以得到所述疑似缺陷区域的图像。

3.根据权利要求1所述的基于图像数据的合金钢铸件气孔缺陷检测方法，其特征在于，基于所述疑似缺陷区域的图像进行形态相似性计算，确定每一疑似缺陷区域的图像对应的结构元形状，包括：

提取每一疑似缺陷区域的图像中每一像素点对应的结构向量，进而得到每一疑似缺陷区域的图像对应的代表向量；其中，所述结构向量包括预设维度的元素，所述结构向量表征像素点周围邻域像素点的结构分布情况；

利用每一疑似缺陷区域的图像对应的代表向量计算疑似缺陷区域的形态与现有结构的形态相似性；

选择形态相似性最大的现有结构作为所述疑似缺陷区域对应的结构元形状。

4.根据权利要求3所述的基于图像数据的合金钢铸件气孔缺陷检测方法，其特征在于，提取每一疑似缺陷区域的图像中每一像素点对应的结构向量，进而得到每一疑似缺陷区域的图像对应的代表向量，包括：

基于像素点对应的结构向量在疑似缺陷区域的图像中出现的次数，和疑似缺陷区域中边缘像素点的总个数计算像素点对应的结构向量的重要性权值；

基于结构向量的重要性权值、疑似缺陷区域中边缘像素点的总个数以及像素点对应的结构向量计算每一疑似缺陷区域的图像对应的代表向量。

5.根据权利要求4所述的基于图像数据的合金钢铸件气孔缺陷检测方法，其特征在于，基于结构向量的重要性权值、疑似缺陷区域中边缘像素点的总个数以及像素点对应的结构向量计算每一疑似缺陷区域的图像对应的代表向量，包括：

基于结构向量的重要性权值、疑似缺陷区域中边缘像素点的总个数以及像素点对应的结构向量计算每一疑似缺陷区域的图像对应的初始代表向量；

对所述初始代表向量进行规范化，得到所述代表向量。

6.根据权利要求5所述的基于图像数据的合金钢铸件气孔缺陷检测方法，其特征在于，对所述初始代表向量进行规范化，得到所述代表向量，包括：

计算所述初始代表向量中所有元素的平均值与所述初始代表向量中每一维度的元素的差值；

如果所述差值小于或等于0，则将所述初始代表向量对应维度的元素置为0；如果所述差值大于0，则将所述初始代表向量对应维度的元素置为1，以此得到所述代表向量。

7.根据权利要求5所述的基于图像数据的合金钢铸件气孔缺陷检测方法，其特征在于，基于像素点对应的结构向量在疑似缺陷区域的图像中出现的次数，和疑似缺陷区域中边缘像素点的总个数计算像素点对应的结构向量的重要性权值，包括：

利用如下公式计算像素点对应的结构向量的重要性权值：

；

其中：

；

其中，表示第/>个疑似缺陷区域的所有边缘像素点的总个数；/>表示第/>个像素点对应的第/>个结构向量；/>表示第/>个结构向量对应的重要性权值；/>表示与第/>个结构向量相同的结构向量在第/>个区域出现的总次数；/>表示第/>个向量的连续累加值；/>表示第/>个像素点对应的第/>个结构向量的结构相似性；/>为第/>个疑似缺陷区域的第i个像素点对应的结构向量中的第/>个维度的数据；/>为第/>个疑似缺陷区域的第i-1个像素点对应的结构向量中的第/>个维度的数据；

基于结构向量的重要性权值、疑似缺陷区域中边缘像素点的总个数以及像素点对应的结构向量计算每一疑似缺陷区域的图像对应的初始代表向量，包括：

利用如下公式计算初始代表向量：

。

8.根据权利要求3所述的基于图像数据的合金钢铸件气孔缺陷检测方法，其特征在于，利用每一疑似缺陷区域的图像对应的代表向量计算缺陷区域的形态与现有结构的形态相似性，包括：

利用如下公式计算形态相似性：

；

其中，为现有结构中的第/>个元素的大小，/>表示代表向量中第/>维度中的元素的大小。

9.根据权利要求1~8任一项所述的基于图像数据的合金钢铸件气孔缺陷检测方法，其特征在于，基于所述结构元形状对所述灰度图像处理，以进行气孔缺陷检测，包括：

利用疑似缺陷区域的图像对合金钢铸件的图像进行缺陷区域标记；

利用所述结构元形状对标记的区域进行形态学灰度闭运算处理，得到合金钢铸件的灰度形态学处理图；

利用缺陷检测算法对灰度形态学处理图进行气孔缺陷检测。

10.根据权利要求1~8任一项所述的基于图像数据的合金钢铸件气孔缺陷检测方法，其特征在于，所述获取合金钢铸件的灰度图像，包括：

采集合金钢铸件的图像；

利用灰度化算法对图像进行灰度化处理；

利用图像分割算法对灰度化处理的图像进行分割，提取出合金钢铸件的目标图像；

将图像中除合金钢铸件的目标图像外其余图像的像素点的灰度值置为0，以得到所述合金钢铸件的灰度图像。