CN116664557B - 一种风机叶片表面缺陷视觉检测方法 - Google Patents
一种风机叶片表面缺陷视觉检测方法 Download PDFInfo
- Publication number
- CN116664557B CN116664557B CN202310934084.5A CN202310934084A CN116664557B CN 116664557 B CN116664557 B CN 116664557B CN 202310934084 A CN202310934084 A CN 202310934084A CN 116664557 B CN116664557 B CN 116664557B
- Authority
- CN
- China
- Prior art keywords
- abnormal region
- value
- boundary
- abnormal
- taking
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 165
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 230000000007 visual effect Effects 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 64
- 230000002159 abnormal effect Effects 0.000 claims description 288
- 230000000875 corresponding effect Effects 0.000 claims description 204
- 230000008859 change Effects 0.000 claims description 29
- 238000012937 correction Methods 0.000 claims description 29
- 230000002596 correlated effect Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 239000012535 impurity Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
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)
- Structures Of Non-Positive Displacement Pumps (AREA)
- Turbine Rotor Nozzle Sealing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种风机叶片表面缺陷视觉检测方法,该方法首先获取风机叶片的正视图灰度图像中灰度值异常的异常区域,根据异常区域在灰度分布以及差异上的特征得到基准缺陷概率,根据异常区域的延伸方向得到对应的角度特征符合程度,根据异常区域的长宽分布得到对应的形状特征符合程度,根据异常区域对应的空间及灰度分布得到对应的纹理特征符合程度,结合基准缺陷概率、角度特征符合程度、形状特征符合程度和纹理特征符合程度,得到每个异常区域的最终缺陷概率,根据最终缺陷概率进行风机叶片表面缺陷检测。本发明通过计算出的最终缺陷概率对风机叶片表面缺陷检测的准确度更高。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种风机叶片表面缺陷视觉检测方法。
背景技术
风力发电是一种利用风能转化为电能的可再生能源技术,作为一种可再生、环境友好、经济高效的能源形式,对实现可持续发展目标具有重要意义。而风力发电机的核心部件风机叶片即转子叶片,其工作性能直接影响风力发电机的工作效率和使用寿命,所以需要及时发现并处理风机叶片表面的缺陷,以提高风机叶片的工作性能。
由于人工检测的效率和准确度较低,所以通常通过图像处理的方法根据风机叶片的正视图灰度图像进行分析实现自动检测,现有技术通常根据缺陷区域与正常区域之间灰度差异较大的特性,实现风机叶片表面的缺陷检测。但是考虑到风力发电机的工作环境,对应风机叶片表面可能存在与缺陷区域灰度值相似的污渍,使得根据现有技术进行缺陷检测时,可能存在一些不影响风机叶片工作性能的污渍对应的区域被误识别为缺陷区域,因此采用现有技术对风机叶片表面缺陷检测的准确度较低。
发明内容
为了解决采用现有技术对风机叶片表面缺陷检测的准确度较低的技术问题,本发明的目的在于提供一种风机叶片表面缺陷视觉检测方法,所采用的技术方案具体如下:
本发明提出了一种风机叶片表面缺陷视觉检测方法,所述方法包括:
获取风机叶片的正视图灰度图像;
根据所述正视图灰度图像中的灰度值分布情况,得到异常区域;根据异常区域中像素点的整体灰度值以及灰度分布差异特征,得到每个异常区域的基准缺陷概率;根据每个异常区域及其相邻的异常区域的整体延伸方向,得到每个异常区域的角度特征符合程度;根据每个异常区域的长宽分布情况,得到每个异常区域的形状特征符合程度;根据每个异常区域边界上像素点的空间位置分布特征以及对应的灰度分布特征,得到每个异常区域的纹理特征符合程度;
根据所述基准缺陷概率、所述角度特征符合程度、所述形状特征符合程度以及所述纹理特征符合程度,得到每个异常区域的最终缺陷概率,所述基准缺陷概率和角度特征符合程度与所述最终缺陷概率均呈正相关,所述形状特征符合程度和所述纹理特征符合程度与所述最终缺陷概率均呈负相关;
根据最终缺陷概率进行风机叶片表面缺陷视觉检测。
进一步地,所述角度特征符合程度的获取方法包括:
将每个异常区域对应的最小外接椭圆的长轴所在的直线,作为每个异常区域的延伸直线;将每个异常区域对应的质心与风机轴心之间的线段所在的直线,作为每个异常区域的轴心直线;将所述延伸直线与所述轴心直线的夹角,作为每个异常区域的特征夹角;
根据异常区域的位置分布特征,得到每个异常区域的临近区域;将每个异常区域的临近区域的延伸直线作为临近直线;将与每个异常区域对应的延伸直线之间夹角小于或等于预设角度阈值的所有临近直线,作为每个异常区域的参考直线;将每个异常区域对应的参考直线与对应轴心直线之间的夹角,作为每个疑似缺陷的参考夹角;将每个异常区域的所有参考夹角和对应的特征夹角的角度均值,作为每个异常区域对应的修正夹角;将所述修正夹角的归一化值作为每个异常区域的角度特征符合程度。
进一步地,所述形状特征符合程度的获取方法包括:
对于任意一个异常区域:
过异常区域的质心,将对应的轴心直线向对应延伸直线的方向偏移对应的修正夹角后的直线,作为异常区域的修正直线;将过异常区域且与所述修正直线平行的直线作为遍历直线;将每条遍历直线与异常区域边缘的两个交点之间的直线段,作为每条遍历直线的参考线段;将异常区域内长度最长的参考线段,作为长度特征线段;将所述长度特征线段的长度,作为异常区域对应的长度特征值;
在异常区域内,过所述长度特征线段上每个像素点作与所述长度特征线段垂直的垂线,将每个像素点对应垂线在异常区域内的长度,作为每个像素点对应的局部宽度值;将所述长度特征线段上所有像素点的局部宽度值均值,作为异常区域对应的宽度特征值;将所述长度特征值和所述宽度特征值的比值,作为异常区域对应的长宽比特征值;
将所述修正直线远离风机轴心对应的方向作为修正方向;将长度特征线段上的像素点沿修正方向进行排列,得到对应的像素点序列;将像素点序列内每个像素点与下一个像素点之间局部宽度值的差值的均值绝对值,作为异常区域对应的宽度规律特征值;
根据所述长宽比特征值和所述宽度规律特征值,得到异常区域的形状特征符合程度,所述长宽比特征值与所述形状特征符合程度呈正相关,所述宽度规律特征值与所述形状特征符合程度呈正相关。
进一步地,所述纹理特征符合程度的获取方法包括:
对于任意一个异常区域:
在异常区域的长度特征线段与对应区域边界线的两个交点中,以靠近风机轴心的交点为起点,以所述起点外的另一个交点作为终点,沿异常区域边界得到两条边界曲线,将边界曲线上的像素点作为边界像素点;
根据每条边界曲线上的所有边界像素点的像素坐标进行曲线拟合,得到每条边界曲线对应的理论曲线,获取每条边界曲线上每个边界像素点在对应理论曲线上的理论像素坐标;将每个边界像素点的像素坐标与对应理论像素坐标之间的距离,作为每个边界像素点对应的距离残差;对每个边界像素点及其相邻的预设相邻数量个边界像素点对应的距离残差的平方的均值进行正相关映射,得到每个边界像素点的边界模糊程度;
在每条边界曲线上,将每个边界像素点与下一个边界像素点之间的边界模糊程度差值,作为每个边界像素点的模糊程度变化值;将每个边界像素点与下一个边界像素点之间的灰度值差值,作为每个边界像素点的灰度变化值;将每个像素点对应模糊程度变化值的归一化值与灰度变化值的归一化值的乘积,作为每个像素点的纹理变化值;将每条边界曲线上所有边界像素点的纹理变化值均值,作为每条边界曲线的纹理整体特征值;将两条边界曲线的纹理整体特征值的均值,作为异常区域的纹理特征符合程度。
进一步地,所述根据最终缺陷概率进行风机叶片表面缺陷视觉检测包括:
将最终缺陷概率大于预设缺陷阈值的异常区域,作为风机叶片表面的缺陷区域;根据所述缺陷区域进行风机叶片表面缺陷视觉检测。
进一步地,所述基准缺陷概率的获取方法包括:
计算每个异常区域中所有像素点的平均灰度值;获取每个异常区域对应的灰度值标准差;根据所述灰度值标准差和所述平均灰度值得到每个异常区域的基准缺陷概率,所述灰度值标准差和所述平均灰度值与所述基准缺陷概率均呈负相关。
进一步地,所述异常区域的获取方法包括:
对所述风机叶片的正视图灰度图像中像素点的灰度值通过最大类间方差方法,得到分割阈值;将风机叶片的正视图灰度图像中灰度值小于分割阈值的像素点组成的连通域,作为异常区域。
进一步地,所述临近区域的获取方法包括:
将任意两个异常区域对应质心之间的距离作为质心距离;将每个异常区域对应质心距离小于预设距离阈值的所有异常区域,作为每个异常区域对应的临近区域。
本发明具有如下有益效果:
考虑到缺陷区域的像素点相对于污渍区域,对应的灰度值相似且整体灰度值较低的特点,本发明首先计算出能够表征缺陷区域和污渍区域区别特征的基准缺陷概率。进一步根据污渍的形状可能受到风机叶片工作过程中的空气阻力和离心力的影响,在形状和延伸方向方面计算出能够表征缺陷区域和污渍区域区别特征的形状特征符合程度以及角度特征符合程度。进一步根据污渍区域中不同位置受到的空气阻力不同,且空气阻力大小会影响污渍区域边界的位置和像素点的灰度值的特点,计算出能够进一步区分出缺陷区域和污渍区域的纹理特征符合程度。最后综合缺陷区域和污渍区域在多个方向区别特征,得到每个异常区域的最终缺陷概率,使得对缺陷和污渍的区分更加准确,进一步使得对缺陷区域的检测更加准确。综上所述,本发明通过计算出的最终缺陷概率对风机叶片表面缺陷检测的准确度更高。
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风机叶片表面缺陷视觉检测方法流程图;
图2为本发明一个实施例所提供的一种风机叶片表面的异常区域分析示意图。
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风机叶片表面缺陷视觉检测方法,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风机叶片表面缺陷视觉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风机叶片表面缺陷视觉检测方法流程图,该方法包括:
步骤S1:获取风机叶片的正视图灰度图像。
本发明实施例旨在提供一种风机叶片表面缺陷视觉检测方法,用于对风机叶片的正视图灰度图像通过图像处理的方法进行分析,得到每个异常区域的最终缺陷概率,并根据最终缺陷概率实现对风机叶片表面缺陷视觉检测。因此首先需要获取本发明实施例对应的图像处理对象。
本发明实施例首先获取风机叶片的正视图灰度图像。考虑到无人机技术的飞速发展,本发明实施例通过无人机搭载RGB相机靠近风机叶片并在风机叶片的正面进行图像采集,得到风机叶片表面的局部正视图像。由于风机叶片通常较大,因此需要设置多个无人机同时进行图像采集,并将得到的多个风机叶片表面的局部正视图像进行图像拼接,得到风机叶片的整体正视图像。需要说明的是,实施者也可根据实施环境通过其他方法采集风机叶片的整体正视图像,且图像拼接为本领域技术人员所熟知的现有技术,在此不做进一步赘述。进一步需要说明的是,为了保证所采集到的图像的完整性,实施者在采集图像时,需要保证所采集的风机叶片的整体正视图像中包含完整的风叶。
考虑到风机叶片的整体正视图像中还具有风机叶片外的其他区域,而这些其他区域并不属于本发明实施例中所需要缺陷检测的范畴,因此需要进一步提取出风机叶片的整体正视图像中的风机叶片表面对应的区域。在本发明实施例中,将风机叶片的整体正视图像灰度化后,通过边缘检测提取到风机叶片表面区域的边缘,进一步对风机叶片表面区域的边缘做掩膜,得到本发明实施例所需要的风机叶片的正视图灰度图像。需要说明的是,实施者也可通过其他方法根据风机叶片的整体正视图像得到风机叶片的正视图灰度图像,例如通过深度学习的方法,将风机叶片的整体正视图像输入到训练好的神经网络中,输出风机叶片的正视图灰度图像,在此不做进一步限定和赘述。
步骤S2:根据风机叶片的正视图灰度图像中的灰度值分布情况,得到异常区域;根据异常区域中像素点的整体灰度值以及灰度分布差异特征,得到每个异常区域的基准缺陷概率;根据每个异常区域及其相邻的异常区域的整体延伸方向,得到每个异常区域的角度特征符合程度;根据每个异常区域的长宽分布情况,得到每个异常区域的形状特征符合程度;根据每个异常区域边界上像素点的空间位置分布特征以及对应的灰度分布特征,得到每个异常区域的纹理特征符合程度。
无论是缺陷区域还是污渍区域,其对应区域的灰度值相对与其余正常区域的灰度值存在明显差异,因此本发明实施例可根据风机叶片的正视图灰度图像中的灰度值分布情况,得到异常区域。异常区域可能为缺陷区域也可能为污渍区域,后续需要在异常区域的基础上进行分析,进一步得到本发明实施例所需要的缺陷区域。
优选地,异常区域的获取方法包括:
对风机叶片的正视图灰度图像中像素点的灰度值通过最大类间方差方法,得到分割阈值;将风机叶片的正视图灰度图像中灰度值小于分割阈值的像素点组成的连通域,作为异常区域。由于缺陷区域和污渍区域的像素点对应的灰度值相对正常区域更小,且正常区域在风机叶片的正视图灰度图像占比更大,因此本发明实施例基于阈值分割的思想,通过最大类间方差方法得到阈值进行分割,得到所需要的异常区域。需要说明的是,最大类间方差法为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
至此,根据灰度值得到风机叶片的正视图灰度图像中的异常区域,进一步可根据异常区域对本发明实施例所需要的缺陷区域进行检测。异常区域中既包含本发明实施例所需要检测的缺陷区域,也包含影响缺陷检测准确性的污渍区域,因此需要进一步根据污渍区域和缺陷区域的区别特征来进一步提高缺陷区域检测的准确性。考虑到缺陷区域对应的整体灰度值较低,而污渍区域的整体灰度值较为随机,因此首先可根据整体灰度值较低的特征来表征每个异常区域属于缺陷区域的可能性。并且缺陷区域相对于污渍区域而言,对应的灰度值分布较为集中,也即缺陷区域内部的各个像素点的灰度值差异不大。因此本发明实施例根据异常区域中像素点的整体灰度值以及灰度分布差异特征,得到每个异常区域的基准缺陷概率。基准缺陷概率即通过概率表征每个异常区域属于缺陷区域的可能性。
优选地,基准缺陷概率的获取方法包括:
计算每个异常区域中所有像素点的平均灰度值。通过计算平均灰度值来表征各个异常区域中的像素点整体特征,各个缺陷区域的整体灰度值较小,而各个污渍区域的整体灰度值分布较为随机,但是也存在与缺陷区域整体灰度值较为相似的污渍区域,因此仅通过平均灰度值表征每个异常区域的基准缺陷概率并不准确,需要进一步引入其他特征。
本发明实施例考虑到缺陷区域相对于污渍区域而言,对应的灰度值分布较为集中,也即缺陷区域中各个像素点之间的灰度值差异较小,因此本发明实施例获取每个异常区域对应的灰度值标准差。需要说明的是,灰度值标准差为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。进一步需要说明的是,实施者可根据实际情况通过灰度值标准差外其他技术手段来表征每个异常区域的灰度分布差异特征,例如计算每个异常区域的灰度值方差,在此不做进一步赘述。
根据灰度值标准差和平均灰度值得到每个异常区域的基准缺陷概率,灰度值标准差和平均灰度值与基准缺陷概率均呈负相关。由于缺陷区域的整体灰度值较小,且各个像素点之间的灰度值差异较小,因此异常区域的灰度值标准差越小,平均灰度值越小,对应的异常区域越可能为缺陷区域,也即对应的基准概率越大。
在本发明实施例中,第个异常区域的基准缺陷概率的获取方法在公式上表现为:
其中,为第/>个异常区域的基准缺陷概率,/>为第/>个异常区域的平均灰度值,/>为第/>个异常区域中第/>个像素点的灰度值,/>为第/>个异常区域的像素点数量,为第/>个异常区域的灰度值标准差;/>为预设调节参数,用于防止分母为0,在本发明实施例中预设调节参数设置为0.1;/>为归一化函数,在本发明实施例中,归一化方法采用线性归一化。需要说明的是,实施者可根据具体实施环境自行调整预设调节参数的大小;且实施者可根据具体实施环境选择线性归一化外的其他归一化方法,且线性归一化为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。进一步根据第/>个异常区域的基准缺陷概率的获取方法,得到每个异常区域的基准缺陷概率。
需要说明的是,除特别说明外,本发明实施例后续的所有归一化方法均采用线性归一化,后续不做进一步赘述。
至此,对异常区域中像素点的灰度值进行分析,得到每个异常区域的基准缺陷概率。但是由于空气中的灰尘类型以及天气等因素,可能存在有些污渍区域的整体灰度值以及灰度分布差异与缺陷区域较为类似,因此对应的基准缺陷概率并不准确,需要在此基础上根据缺陷区域或污渍区域的特征进行进一步分析。
在风力发电过程中,空气会对风叶的运动有阻碍作用,这就导致了风叶在旋转时其对应的表面会受到空气冲刷,因此具有一定流动性的污渍在风叶表面会受到空气冲刷的影响,使得表面残留在风叶上的污渍减少,导致对应的异常区域较为细长,因此在不受其他外界因素的影响下,对应的污渍区域通常沿风叶运动切线方向进行延伸。但是风叶为围绕风机轴心旋转的,因此风叶表面的污渍也会受到离心力影响,对应的延伸方向会向风机轴心对侧进行偏转。虽然对应的污渍距离风机轴心的距离越远,受到的离心力越大,但是由于污渍整体的质量或密度通常较小,因此受到离心力影响不大,也即污渍区域对应的延伸方向通常与风叶运动方向切线较为贴合。而缺陷区域对应的延伸方向是随机分布的,因此可通过与风叶运动方向切线的贴合程度来进一步检测缺陷区域。本发明实施例根据每个异常区域及其相邻的异常区域的整体延伸方向,得到每个异常区域的角度特征符合程度。通过角度特征符合程度从异常区域的延伸方向角度上表征每个异常区域的符合程度。
优选地,角度特征符合程度的获取方法包括:
将每个异常区域对应的最小外接椭圆的长轴所在的直线,作为每个异常区域的延伸直线;将每个异常区域对应的质心与风机轴心之间的线段所在的直线,作为每个异常区域的轴心直线;将延伸直线与轴心直线的夹角,作为每个异常区域的特征夹角。考虑到当异常区域为污渍区域时,其对应的形状在受到空气阻力的影响后通常较为细长,因此通过最小外接椭圆对应的长轴对应的直线,即延伸直线能够初步表征对应异常区域的整体延伸方向。根据轴心直线的定义可知,对应的延伸直线与轴心直线的夹角越小,对应的异常区域与风叶运动方向越不贴合,即对应的特征夹角越大,对应的异常区域越可能为污渍区域。
考虑到直接根据最小外接椭圆的长轴对应的直线得到的延伸直线表征延伸方向可能会存在一定的误差,并且虽然风叶表面不同位置的污渍区域的延伸方向虽然是变化的,但是相邻的污渍区域对应的延伸方向通常相近,因此可根据每个异常区域对应相邻的异常区域的延伸方向,对每个异常区域的延伸方向进行修正。本发明实施例根据异常区域的位置分布特征,得到每个异常区域的临近区域。
优选地,临近区域的获取方法包括:
将任意两个异常区域对应质心之间的距离作为质心距离;将每个异常区域对应质心距离小于预设距离阈值的所有异常区域,作为每个异常区域对应的临近区域。也即本发明实施例将质心距离较为靠近的异常区域作为每个异常区域对应相邻的异常区域,即临近区域。在本发明实施例中,将预设距离阈值设置为150,即对应质心距离之间的像素点数量小于150的所有异常区域作为临近区域。需要说明的是,实施者可根据具体实施环境自行调整预设距离阈值的大小,在此不做进一步赘述。
将每个异常区域的临近区域的延伸直线作为临近直线;将与每个异常区域对应的延伸直线之间夹角小于或等于预设角度阈值的所有临近直线,作为每个异常区域的参考直线。临近直线即初步表征临近区域整条延伸方向的直线,但是考虑到相邻的污渍区域对应的延伸方向通常相近,因此本发明实施例通过预设角度阈值来排除其他干扰因素,例如对应的特征夹角较为随机的缺陷区域的影响。在本发明实施例中,预设角度阈值设置为,实施者可根据具体实施环境自行调整预设角度阈值的大小,在此不做进一步赘述。
将每个异常区域对应的参考直线与对应轴心直线之间的夹角,作为每个疑似缺陷的参考夹角;将每个异常区域的所有参考夹角和对应的特征夹角的角度均值,作为每个异常区域对应的修正夹角;将修正夹角的归一化值作为每个异常区域的角度特征符合程度。进一步通过结合排除干扰因素后的参考直线对应的参考夹角来进一步对特征夹角进行修正,使得得到的修正夹角对异常区域的角度特征符合程度的表征更加准确,对应的修正夹角越大,角度特征符合程度越大,对应的异常区域越符合污渍区域的特征。需要说明的是,本发明实施例采用修正夹角与的比值进行对修正夹角的归一化,实施者可根据具体实施环境自行选取其他归一化方法,在此不做进一步限定和赘述。
在本发明实施例中,第个异常区域的角度特征符合程度的获取方法在公式上表现为:
其中,为第/>个异常区域的角度特征符合程度,/>为第/>个异常区域的修正夹角,/>为第/>个异常区域的修正夹角的归一化值。
此外,实施者也可通过其他方法根据修正夹角得到对应的角度特征符合程度,例如:
其中,为归一化函数,其余参数含义与本发明实施例中第/>个异常区域的角度特征符合程度的获取方法对应的公式相同,在此不做进一步赘述。
至此,对异常区域的延伸方向进行分析,得到每个异常区域的角度特征符合程度,也即从延伸方向对应的角度方面表征异常区域符合污渍区域特征的程度。进一步地,考虑到风叶表面上距离风机轴心距离越远的区域,受到的空气阻力越大,对应残留下来的污渍越少,对应的污渍形态越细小。并且考虑到污渍区域内部不同位置处受到的空气阻力不同,因此污渍区域内部宽度分布并不相同。因此本发明实施例根据每个异常区域的长宽分布情况,得到每个异常区域的形状特征符合程度。通过形状特征符合程度从长宽分布情况方面表征每个异常区域的符合程度。
优选地,形状特征符合程度的获取方法包括:
对于任意一个异常区域:过异常区域的质心,将对应的轴心直线向对应延伸直线的方向偏移对应的修正夹角后的直线,作为异常区域的修正直线;将过异常区域且与修正直线平行的直线作为遍历直线;将每条遍历直线与异常区域边缘的两个交点之间的直线段,作为每条遍历直线的参考线段;将异常区域内长度最长的参考线段,作为长度特征线段;将长度特征线段的长度,作为异常区域对应的长度特征值。长度特征线段即在异常区域内部沿延伸方向对应的最长线段。
请参阅图2,其示出了本发明一个实施例提供的一种风机叶片表面的异常区域分析示意图,图中U2为异常区域,b为质心,f为风机轴心,虚线围成的椭圆形区域U1为异常区域的最小外接椭圆,l1为延伸直线,l3为轴心直线,轴心直线与延伸直线之间的夹角为特征夹角,l2为修正直线,轴心直线与修正直线的夹角/>为修正夹角。
在异常区域内,过长度特征线段上每个像素点作与长度特征线段垂直的垂线,将每个像素点对应垂线在异常区域内的长度,作为每个像素点对应的局部宽度值;将长度特征线段上所有像素点的局部宽度值均值,作为异常区域对应的宽度特征值;将长度特征值和宽度特征值的比值,作为异常区域对应的长宽比特征值。考虑到异常区域的形状可能是不规则的,即长度特征线段上不同像素点对应的宽度不同,因此本发明实施例通过局部宽度值来表征长度特征线段每个像素点对应的宽度大小,并且通过计算局部宽度值的均值,来表征对应异常区域的整体宽度,即宽度特征值。
由于污渍区域受到空气阻力的影响,其对应异常区域的形态通常较为细长,且受到空气阻力的影响越大,对应的长宽比越大。进一步将长度特征值与宽度特征值的比值作为长宽比特征值,对应的长宽比特征值越大,说明该异常区域越符合污渍区域的特征。
将修正直线远离风机轴心对应的方向作为修正方向,修正方向即对应异常区域的延伸方向。将长度特征线段上的像素点沿修正方向进行排列,得到对应的像素点序列;将像素点序列内每个像素点与下一个像素点之间局部宽度值的差值的均值绝对值,作为异常区域对应的宽度规律特征值。由于污渍内部不同区域距离风机轴心的距离不同,因此污渍区域的长宽分布也不相同,并且沿延伸方向,距离风机轴心的距离越远,对应的局部宽度值越小,因此沿修正方向,对应的宽度通常存在一个由宽变窄的过程,因此对应的每个像素点与下一个像素点之间的局部宽度值的差值通常大于0。即宽度规律特征值越大,对应的异常区域越符合污渍区域的特征。而缺陷区域由于不会受到空气阻力的影响,其对应的宽度规律特征值的大小较为随机,因此可通过宽度规律特征值来进一步得到形状特征符合程度。
根据长宽比特征值和宽度规律特征值,得到异常区域的形状特征符合程度,长宽比特征值与形状特征符合程度呈正相关,宽度规律特征值与形状特征符合程度呈正相关。由于长度比特征值越大,宽度规律特征值越大,对应的异常区域越符合污渍区域的特征,也即对应的形状特征符合程度越大。
在本发明实施例中,第个异常区域的形状特征符合程度的获取方法在公式上表现为:
其中,为第/>个异常区域的形状特征符合程度;/>为第/>个异常区域中长度特征线段的长度,也即长度特征值;/>为第/>个异常区域对应的像素点序列中第/>个像素点对应的局部宽度值;/>为第/>个异常区域中长度特征线段上的像素点数量,也即对应像素点序列中的元素数量;/>为第/>个异常区域对应的像素点序列中第/>个像素点对应的局部宽度值,/>为第/>个异常区域对应的宽度特征值,/>为第/>个异常区域对应的长宽比特征值,/>为第/>个异常区域对应的宽度规律特征值;即本发明实施例根据长宽比特征值和宽度规律特征值的乘积,得到异常区域对应的形态特征符合程度。需要说明的是,实施者也可根据具体实施环境通过其他方式根据长宽比特征值和宽度规律特征值得到形态特征符合长度,例如相加等,在此不做进一步赘述。进一步根据第/>个异常区域的形状特征符合程度的获取方法,得到每个异常区域的形状特征符合程度。
由于污渍表面会受到空气阻力的影响,导致污渍对应的异常区域的边界像素点的分布较为离散,也即空气阻力会影响异常区域边界上像素点的空间位置的分布。并且空气阻力会推动污渍表面的杂质,使得杂质聚集在一起,导致对应杂质聚集区域的灰度值会降低,即空气阻力会影响异常区域边界上像素点的灰度值的分布。并且空气阻力大小的不同,对应的影响程度也并不相同。因此本发明实施例根据每个异常区域边界上像素点的空间位置分布特征和灰度分布特征,得到每个异常区域的纹理特征符合程度。
优选地,纹理特征符合程度的获取方法包括:
对于任意一个异常区域:在异常区域的长度特征线段与对应区域边界线的两个交点中,以靠近风机轴心的交点为起点,以起点外的另一个交点作为终点,沿异常区域边界得到两条边界曲线,将边界曲线上的像素点作为边界像素点。由于起点靠近风机轴心,而终点远离风机轴心,因此从起点开始,越靠近终点的边界像素点,对应受到的空气阻力越大,也即受到空气阻力影响的程度越大。
根据每条边界曲线上的所有边界像素点的像素坐标进行曲线拟合,得到每条边界曲线对应的理论曲线,获取每条边界曲线上每个边界像素点在对应理论曲线上的理论像素坐标;将每个边界像素点的像素坐标与对应理论像素坐标之间的距离,作为每个边界像素点对应的距离残差;对每个边界像素点及其相邻的预设相邻数量个边界像素点对应的距离残差的平方的均值进行正相关映射,得到每个边界像素点的边界模糊程度。在本发明实施例中,预设相邻数量设置为2,实施者可根据具体实施环境自行调整预设相邻数量的大小,在此不做进一步赘述。需要说明的是,此处的相邻是指以目标边界像素点向两侧延伸的相邻,例如当预设相邻数量为2时,在目标边界像素点两侧各选最靠近的一个边界像素点作为对应相邻的边界像素点;也即当预设相邻数量为4时,在目标边界像素点两侧各选最靠近的两个边界像素点作为对应相邻的边界像素点;也即当预设相邻数量为6时,在目标边界像素点两侧各选最靠近的三个边界像素点作为对应相邻的边界像素点,以此类推。进一步需要说明的是,当实施者根据具体实施环境将预设相邻数量设置为奇数时,使得目标边界像素点在两侧选取最靠近的边界像素点的数量差距为1即可,在此不做进一步赘述。此外需要说明的是,当目标边界像素点靠近起点或终点导致其中一侧的像素点数量少于所需要选取的最靠近边界像素点数量时,在另一侧根据所缺少的边界像素点数量选取对应的边界像素点即可,例如若预设相邻数量设置为6,且目标边界像素点为第3个像素点,则在第3个像素点前选取两个像素点后,在第3个像素点后继续选取4个像素点即可。
考虑到无外力干扰下的污渍区域的边界模糊程度的应当是相同的,当其表面受到外界空气阻力影响时,对应的原本边界附近离散分布的像素点对应的杂质会被吹走或挤在一起,从而使得对应的模糊程度降低,对应的边界更加均匀且更加清晰,也即对应的距离残差更小。并且由于相邻的边界像素点到轴心之间距离的差异不大,因此通过对每个边界像素点及其相邻的预设相邻数量个边界像素点对应的距离残差来共同表征对应的边界模糊程度,能够使得后续所计算出的纹理特征符合程度更加准确。需要说明的是,本发明实施例采用对应的距离残差的平方的均值的方法与现有技术中均方根误差的原理相同,且均方根误差为本领域技术人员常用的技术手段,在此不对其意义做进一步赘述。
由于同一个污渍对应不同区域受到的空气阻力大小不同,且距离风机轴心越远的区域受到的空气阻力越大,即受到外界空气阻力影响的程度越大,所以越靠近终点的边界像素点,对应的边界像素点的边界模糊程度越小,因此本发明实施例在每条边界曲线上,将每个边界像素点与下一个边界像素点之间的边界模糊程度差值,作为每个边界像素点的模糊程度变化值。因此沿起点到终点对应的边界像素点,对应的模糊程度变化值通常均大于或等于0。并且需要考虑到受到外界空气阻力影响的程度越大时,对应的杂质聚集越高,也即对应的灰度值越小。本发明实施例将每个边界像素点与下一个边界像素点之间的灰度值差值,作为每个边界像素点的灰度变化值。沿起点到终点对应的边界像素点,对应的灰度变化值通常均大于或等于0。
因此本发明实施例将灰度变化值和模糊程度变化值结合,将每个像素点对应模糊程度变化值的归一化值与灰度变化值的归一化值的乘积,作为每个像素点的纹理变化值。需要说明的是,除乘积外,实施者也可通过其他方法根据模糊程度变化值的归一化值和灰度变化值的归一化值得到对应的纹理变化值,例如相加,在此不做进一步赘述。进一步需要说明的是,选取归一化值的目的是同一灰度变化值和模糊程度变化值的量纲,使得所计算出的纹理变化值更加准确。
进一步通过计算纹理变化值来进一步表征对应的纹理特征符合程度,由于边界像素点的灰度变化值和模糊程度变化值通常均大于或等于0,因此对应的纹理变化值通常也均大于或等于0,因此其对应的纹理变化值均值通常大于0,且对应的纹理变化值均值越大,说明沿边界区域对应起点到终点的方向上,对应灰度值下降的趋势越大,对应的边界模糊程度下降的趋势也越大,即越符合污渍区域的特征。而污渍区域外的其他异常区域,由于不存在污渍区域对应的变化特征,对应的灰度值和模糊程度变化值通常是随机分布的,并且对应的纹理变化值的均值通常靠近0。
因此本发明实施例将每条边界曲线上所有边界像素点的纹理变化值均值,作为每条边界曲线的纹理整体特征值;将两条边界曲线的纹理整体特征值的均值,作为异常区域的纹理特征符合程度。纹理整体特征值越大,对应的异常区域越符合污渍区域的特征,即对应的纹理特征符合程度越大。
在本发明实施例中,任选一条边界曲线作为目标边界曲线,第个异常区域中目标边界曲线上第/>个边界像素点的边界模糊程度的获取方法在公式上表现为:
其中,为第/>个异常区域中目标边界曲线上第/>个边界像素点的边界模糊程度,/>为第/>个异常区域中目标边界曲线上第/>个像素点的距离残差,/>为第/>个异常区域中目标边界曲线上第/>个边界像素点的前一个边界像素点的索引值,/>为第/>个异常区域中目标边界曲线上第/>个边界像素点的后一个边界像素点的索引值。进一步根据第个异常区域中目标边界曲线上第/>个边界像素点的边界模糊程度的获取方法,得到每个异常区域中每条边界曲线上每个边界像素点的边界模糊程度。
在本发明实施例中,第个异常区域的纹理特征符合程度的获取方法在公式上表现为:
其中,为第/>个异常区域的纹理特征符合程度,/>为第/>个异常区域中第/>条边界曲线上的边界像素点数量,/>为第/>个异常区域中第/>条边界曲线上第/>个像素点的边界模糊程度,/>为第/>个异常区域中第/>条边界曲线上第/>个像素点的边界模糊程度,/>为第/>个异常区域中第/>条边界曲线上第/>个像素点的灰度值,/>为第/>个异常区域中第/>条边界曲线上第/>个像素点的灰度值,/>为第/>个异常区域中第条边界曲线上第/>个像素点的模糊程度变化值,/>为第/>个异常区域中第/>条边界曲线上第/>个像素点的灰度变化值,/>为归一化函数,/>为第/>个异常区域中第/>条边界曲线上第/>个像素点的模糊程度变化值的归一化值,为第/>个异常区域中第/>条边界曲线上第/>个像素点的灰度变化值的归一化值,/>为第/>个异常区域中第/>条边界曲线上第/>个像素点的纹理变化值,为第/>个异常区域中第/>条边界曲线的纹理整体特征值。进一步根据第/>个异常区域的纹理特征符合程度的获取方法,得到所有异常区域的纹理特征符合程度。
步骤S3:根据基准缺陷概率、角度特征符合程度、形状特征符合程度以及纹理特征符合程度,得到每个异常区域的最终缺陷概率,基准缺陷概率和角度特征符合程度与最终缺陷概率均呈正相关,形状特征符合程度和纹理特征符合程度与最终缺陷概率均呈负相关。
至此,得到每个异常区域对应的基准缺陷概率、角度特征符合程度、形状特征符合程度以及纹理特征符合程度,进一步将这些特征结合,得到本发明实施例用于缺陷检测的每个异常区域的最终缺陷概率。由于基准缺陷概率越大,角度特征符合程度越小,形状特征符合程度越小,纹理特征符合程度越小时,对应的异常区域越不符合污渍区域的特征,即越符合缺陷区域的特征,对应的最终缺陷概率越大。因此本发明实施例根据基准缺陷概率、角度特征符合程度、形状特征符合程度以及纹理特征符合程度,得到每个异常区域的最终缺陷概率,基准缺陷概率和角度特征符合程度与最终缺陷概率均呈正相关,形状特征符合程度和纹理特征符合程度与最终缺陷概率均呈负相关。
在本发明实施例中,第个异常区域的最终缺陷概率的获取方法在公式上表现为:
其中,为第/>个异常区域的最终缺陷概率,/>为第/>个异常区域的基准缺陷概率,/>为第/>个异常区域的形状特征符合程度,/>为第/>个异常区域的纹理特征符合程度,为第/>个异常区域的角度特征符合程度,/>为归一化函数。进一步根据第/>个异常区域的最终缺陷概率的获取方法,得到每个异常区域的最终缺陷概率。
此外,实施者也可通过其他形式的公式得到第个异常区域的最终缺陷概率,例如:
其中,为以自然常数e为底的指数函数,其余参数含义与本发明实施例中第个异常区域的最终缺陷概率的获取方法对应的公式相同,在此不做进一步赘述。
步骤S4:根据最终缺陷概率进行风机叶片表面缺陷视觉检测。
至此,得到每个异常区域的最终缺陷概率,且最终缺陷概率越大,对应的异常区域越可能为缺陷区域,因此本发明实施例根据最终缺陷概率进行风机叶片表面缺陷视觉检测。
优选地,根据最终缺陷概率进行风机叶片表面缺陷视觉检测包括:
将最终缺陷概率大于预设缺陷阈值的异常区域,作为风机叶片表面的缺陷区域;根据缺陷区域进行风机叶片表面缺陷视觉检测。在本发明实施例中,预设缺陷阈值设置为0.8,实施者可根据具体实施环境自行调整预设缺陷阈值的大小,在此不做进一步赘述。
综上所述,本发明首先获取风机叶片的正视图灰度图像中灰度值异常的异常区域,根据异常区域在灰度分布以及差异上的特征得到基准缺陷概率,根据异常区域的延伸方向得到对应的角度特征符合程度,根据异常区域的长宽分布得到对应的形状特征符合程度,根据异常区域对应的空间及灰度分布得到对应的纹理特征符合程度,结合基准缺陷概率、角度特征符合程度、形状特征符合程度和纹理特征符合程度,得到每个异常区域的最终缺陷概率,根据最终缺陷概率进行风机叶片表面缺陷检测。本发明通过计算出的最终缺陷概率对风机叶片表面缺陷检测的准确度更高。
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 (3)
1.一种风机叶片表面缺陷视觉检测方法,其特征在于,所述方法包括:
获取风机叶片的正视图灰度图像;
根据所述正视图灰度图像中的灰度值分布情况,得到异常区域;根据异常区域中像素点的整体灰度值以及灰度分布差异特征,得到每个异常区域的基准缺陷概率;根据每个异常区域及其相邻的异常区域的整体延伸方向,得到每个异常区域的角度特征符合程度;根据每个异常区域的长宽分布情况,得到每个异常区域的形状特征符合程度;根据每个异常区域边界上像素点的空间位置分布特征以及对应的灰度分布特征,得到每个异常区域的纹理特征符合程度;
根据所述基准缺陷概率、所述角度特征符合程度、所述形状特征符合程度以及所述纹理特征符合程度,得到每个异常区域的最终缺陷概率,所述基准缺陷概率和角度特征符合程度与所述最终缺陷概率均呈正相关,所述形状特征符合程度和所述纹理特征符合程度与所述最终缺陷概率均呈负相关;
根据最终缺陷概率进行风机叶片表面缺陷视觉检测;
所述角度特征符合程度的获取方法包括:
将每个异常区域对应的最小外接椭圆的长轴所在的直线,作为每个异常区域的延伸直线;将每个异常区域对应的质心与风机轴心之间的线段所在的直线,作为每个异常区域的轴心直线;将所述延伸直线与所述轴心直线的夹角,作为每个异常区域的特征夹角;
根据异常区域的位置分布特征,得到每个异常区域的临近区域;将每个异常区域的临近区域的延伸直线作为临近直线;将与每个异常区域对应的延伸直线之间夹角小于或等于预设角度阈值的所有临近直线,作为每个异常区域的参考直线;将每个异常区域对应的参考直线与对应轴心直线之间的夹角,作为每个疑似缺陷的参考夹角;将每个异常区域的所有参考夹角和对应的特征夹角的角度均值,作为每个异常区域对应的修正夹角;将所述修正夹角的归一化值作为每个异常区域的角度特征符合程度;
第个异常区域的角度特征符合程度的获取方法在公式上表现为:
其中,为第/>个异常区域的角度特征符合程度,/>为第/>个异常区域的修正夹角,/>为第/>个异常区域的修正夹角的归一化值;
所述形状特征符合程度的获取方法包括:
对于任意一个异常区域:
过异常区域的质心,将对应的轴心直线向对应延伸直线的方向偏移对应的修正夹角后的直线,作为异常区域的修正直线;将过异常区域且与所述修正直线平行的直线作为遍历直线;将每条遍历直线与异常区域边缘的两个交点之间的直线段,作为每条遍历直线的参考线段;将异常区域内长度最长的参考线段,作为长度特征线段;将所述长度特征线段的长度,作为异常区域对应的长度特征值;
在异常区域内,过所述长度特征线段上每个像素点作与所述长度特征线段垂直的垂线,将每个像素点对应垂线在异常区域内的长度,作为每个像素点对应的局部宽度值;将所述长度特征线段上所有像素点的局部宽度值均值,作为异常区域对应的宽度特征值;将所述长度特征值和所述宽度特征值的比值,作为异常区域对应的长宽比特征值;
将所述修正直线远离风机轴心对应的方向作为修正方向;将长度特征线段上的像素点沿修正方向进行排列,得到对应的像素点序列;将像素点序列内每个像素点与下一个像素点之间局部宽度值的差值的均值绝对值,作为异常区域对应的宽度规律特征值;
根据所述长宽比特征值和所述宽度规律特征值,得到异常区域的形状特征符合程度,所述长宽比特征值与所述形状特征符合程度呈正相关,所述宽度规律特征值与所述形状特征符合程度呈正相关;
第个异常区域的形状特征符合程度的获取方法在公式上表现为:
其中,为第/>个异常区域的形状特征符合程度;/>为第/>个异常区域中长度特征线段的长度;/>为第/>个异常区域对应的像素点序列中第/>个像素点对应的局部宽度值;/>为第个异常区域中长度特征线段上的像素点数量;/>为第/>个异常区域对应的像素点序列中第/>个像素点对应的局部宽度值,/>为第/>个异常区域对应的宽度特征值,为第/>个异常区域对应的长宽比特征值,/>为第/>个异常区域对应的宽度规律特征值;
所述纹理特征符合程度的获取方法包括:
对于任意一个异常区域:
在异常区域的长度特征线段与对应区域边界线的两个交点中,以靠近风机轴心的交点为起点,以所述起点外的另一个交点作为终点,沿异常区域边界得到两条边界曲线,将边界曲线上的像素点作为边界像素点;
根据每条边界曲线上的所有边界像素点的像素坐标进行曲线拟合,得到每条边界曲线对应的理论曲线,获取每条边界曲线上每个边界像素点在对应理论曲线上的理论像素坐标;将每个边界像素点的像素坐标与对应理论像素坐标之间的距离,作为每个边界像素点对应的距离残差;对每个边界像素点及其相邻的预设相邻数量个边界像素点对应的距离残差的平方的均值进行正相关映射,得到每个边界像素点的边界模糊程度;
任选一条边界曲线作为目标边界曲线,第个异常区域中目标边界曲线上第/>个边界像素点的边界模糊程度的获取方法在公式上表现为:
其中,为第/>个异常区域中目标边界曲线上第/>个边界像素点的边界模糊程度,为第/>个异常区域中目标边界曲线上第/>个像素点的距离残差,/>为第/>个异常区域中目标边界曲线上第/>个边界像素点的前一个边界像素点的索引值,/>为第/>个异常区域中目标边界曲线上第/>个边界像素点的后一个边界像素点的索引值;
在每条边界曲线上,将每个边界像素点与下一个边界像素点之间的边界模糊程度差值,作为每个边界像素点的模糊程度变化值;将每个边界像素点与下一个边界像素点之间的灰度值差值,作为每个边界像素点的灰度变化值;将每个像素点对应模糊程度变化值的归一化值与灰度变化值的归一化值的乘积,作为每个像素点的纹理变化值;将每条边界曲线上所有边界像素点的纹理变化值均值,作为每条边界曲线的纹理整体特征值;将两条边界曲线的纹理整体特征值的均值,作为异常区域的纹理特征符合程度;
第个异常区域的纹理特征符合程度的获取方法在公式上表现为:
其中,为第/>个异常区域的纹理特征符合程度,/>为第/>个异常区域中第/>条边界曲线上的边界像素点数量,/>为第/>个异常区域中第/>条边界曲线上第/>个像素点的边界模糊程度,/>为第/>个异常区域中第/>条边界曲线上第/>个像素点的边界模糊程度,为第/>个异常区域中第/>条边界曲线上第/>个像素点的灰度值,/>为第/>个异常区域中第/>条边界曲线上第/>个像素点的灰度值,/>为第/>个异常区域中第/>条边界曲线上第/>个像素点的模糊程度变化值,/>为第/>个异常区域中第/>条边界曲线上第/>个像素点的灰度变化值,/>为归一化函数,/>为第个异常区域中第/>条边界曲线上第/>个像素点的模糊程度变化值的归一化值,为第/>个异常区域中第/>条边界曲线上第/>个像素点的灰度变化值的归一化值,/>为第/>个异常区域中第/>条边界曲线上第/>个像素点的纹理变化值,为第/>个异常区域中第/>条边界曲线的纹理整体特征值;
所述根据最终缺陷概率进行风机叶片表面缺陷视觉检测包括:
将最终缺陷概率大于预设缺陷阈值的异常区域,作为风机叶片表面的缺陷区域;根据所述缺陷区域进行风机叶片表面缺陷视觉检测;
所述基准缺陷概率的获取方法包括:
计算每个异常区域中所有像素点的平均灰度值;获取每个异常区域对应的灰度值标准差;根据所述灰度值标准差和所述平均灰度值得到每个异常区域的基准缺陷概率,所述灰度值标准差和所述平均灰度值与所述基准缺陷概率均呈负相关;
第个异常区域的基准缺陷概率的获取方法在公式上表现为:
其中,为第/>个异常区域的基准缺陷概率,/>为第/>个异常区域的平均灰度值,/>为第个异常区域中第/>个像素点的灰度值,/>为第/>个异常区域的像素点数量,为第/>个异常区域的灰度值标准差;/>为预设调节参数;
第个异常区域的最终缺陷概率的获取方法在公式上表现为:
其中,为第/>个异常区域的最终缺陷概率。
2.根据权利要求1所述的一种风机叶片表面缺陷视觉检测方法,其特征在于,所述异常区域的获取方法包括:
对所述风机叶片的正视图灰度图像中像素点的灰度值通过最大类间方差方法,得到分割阈值;将风机叶片的正视图灰度图像中灰度值小于分割阈值的像素点组成的连通域,作为异常区域。
3.根据权利要求1所述的一种风机叶片表面缺陷视觉检测方法,其特征在于,所述临近区域的获取方法包括:
将任意两个异常区域对应质心之间的距离作为质心距离;将每个异常区域对应质心距离小于预设距离阈值的所有异常区域,作为每个异常区域对应的临近区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310934084.5A CN116664557B (zh) | 2023-07-28 | 2023-07-28 | 一种风机叶片表面缺陷视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310934084.5A CN116664557B (zh) | 2023-07-28 | 2023-07-28 | 一种风机叶片表面缺陷视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116664557A CN116664557A (zh) | 2023-08-29 |
CN116664557B true CN116664557B (zh) | 2023-09-22 |
Family
ID=87724461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310934084.5A Active CN116664557B (zh) | 2023-07-28 | 2023-07-28 | 一种风机叶片表面缺陷视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116664557B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843689B (zh) * | 2023-09-01 | 2023-11-21 | 山东众成菌业股份有限公司 | 一种菌盖表面破损检测方法 |
CN116843688B (zh) * | 2023-09-01 | 2023-11-24 | 山东虹纬纺织有限公司 | 一种纺织品质量视觉检测方法 |
CN116912248B (zh) * | 2023-09-13 | 2024-01-05 | 惠州市耀盈精密技术有限公司 | 基于计算机视觉的不规则五金件表面缺陷检测方法 |
CN116952169B (zh) * | 2023-09-21 | 2024-01-05 | 惠州市金箭精密部件有限公司 | 一种丝杆直线度智能检测系统及方法 |
CN117115173B (zh) * | 2023-10-25 | 2024-01-16 | 泰安金冠宏油脂工业有限公司 | 一种基于视觉特征的油料搅拌检测方法 |
CN117274250B (zh) * | 2023-11-20 | 2024-03-29 | 深圳市金三维实业有限公司 | 一种手表底盖磨损缺陷视觉检测方法 |
CN117252882B (zh) * | 2023-11-20 | 2024-01-26 | 苏州德费尔自动化设备有限公司 | 一种气缸盖质量检测方法及系统 |
CN117291922B (zh) * | 2023-11-27 | 2024-01-30 | 浙江日井泵业股份有限公司 | 一种不锈钢多级泵叶轮缺陷视觉检测方法 |
CN117437232B (zh) * | 2023-12-21 | 2024-03-26 | 山东心传矿山机电设备有限公司 | 一种基于图像处理的水泵叶轮外观缺陷检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294338A (zh) * | 2022-09-29 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种叶轮表面缺陷识别方法 |
CN115457035A (zh) * | 2022-11-10 | 2022-12-09 | 山东鲁旺机械设备有限公司 | 基于机器视觉的建筑吊篮焊接质量检测方法 |
CN116168003A (zh) * | 2023-02-28 | 2023-05-26 | 北京三度镜界科技有限公司 | 基于人工智能的注塑件银纹缺陷检测方法及系统 |
CN116452598A (zh) * | 2023-06-20 | 2023-07-18 | 曼德惟尔(山东)智能制造有限公司 | 基于计算机视觉的车桥生产质量快速检测方法及系统 |
-
2023
- 2023-07-28 CN CN202310934084.5A patent/CN116664557B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294338A (zh) * | 2022-09-29 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种叶轮表面缺陷识别方法 |
CN115457035A (zh) * | 2022-11-10 | 2022-12-09 | 山东鲁旺机械设备有限公司 | 基于机器视觉的建筑吊篮焊接质量检测方法 |
CN116168003A (zh) * | 2023-02-28 | 2023-05-26 | 北京三度镜界科技有限公司 | 基于人工智能的注塑件银纹缺陷检测方法及系统 |
CN116452598A (zh) * | 2023-06-20 | 2023-07-18 | 曼德惟尔(山东)智能制造有限公司 | 基于计算机视觉的车桥生产质量快速检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116664557A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116664557B (zh) | 一种风机叶片表面缺陷视觉检测方法 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
CN107578409B (zh) | 一种太阳能电池片外观断栅缺陷检测的方法 | |
CN109325935B (zh) | 一种基于无人机图像的输电线路检测方法 | |
CN106290388A (zh) | 一种绝缘子故障自动检测方法 | |
CN113313677B (zh) | 一种卷绕锂电池x光图像的质量检测方法 | |
CN112686920A (zh) | 一种圆形零件几何尺寸参数视觉测量方法及系统 | |
CN109523528B (zh) | 一种基于无人机双目视觉sgc算法的输电线路提取方法 | |
CN111667470B (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
CN111353993A (zh) | 一种基于机器视觉的螺纹角度测量方法 | |
CN109359604B (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
CN115631116B (zh) | 基于双目视觉的飞行器电力巡检系统 | |
CN116645373B (zh) | 一种木材表面缺陷识别方法 | |
CN114972397A (zh) | 一种用于风电叶片复合材料的红外图像缺陷轮廓检测方法 | |
CN117315289B (zh) | 基于图像处理的航空发动机叶片轮廓边缘检测方法 | |
CN115018785A (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
CN116883446B (zh) | 一种车载摄像头镜片碾磨程度实时监测系统 | |
CN114140416A (zh) | 一种基于机器视觉的玻璃边缘检测方法和系统 | |
CN111815575B (zh) | 一种基于机器视觉的轴承钢珠零件检测方法 | |
CN115311266B (zh) | 一种纺织品印染工艺中印染识别方法 | |
CN109272018A (zh) | 一种红外图片识别方法 | |
CN117372435B (zh) | 基于图像特征的连接器针脚检测方法 | |
CN117351021B (zh) | 一种光伏连接线生产质量智能检测方法 | |
CN117541832B (zh) | 异常检测方法、系统、电子设备及存储介质 |
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 |