CN116740053B - 一种锻造加工智能生产线的管理系统 - Google Patents
一种锻造加工智能生产线的管理系统 Download PDFInfo
- Publication number
- CN116740053B CN116740053B CN202310986844.7A CN202310986844A CN116740053B CN 116740053 B CN116740053 B CN 116740053B CN 202310986844 A CN202310986844 A CN 202310986844A CN 116740053 B CN116740053 B CN 116740053B
- Authority
- CN
- China
- Prior art keywords
- level
- coefficient
- approximation
- degree
- forging
- 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
- 238000005242 forging Methods 0.000 title claims abstract description 109
- 238000012545 processing Methods 0.000 title claims abstract description 20
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 116
- 230000008859 change Effects 0.000 claims abstract description 101
- 239000002184 metal Substances 0.000 claims abstract description 96
- 230000005856 abnormality Effects 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 14
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000000052 comparative effect Effects 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 23
- 230000008569 process Effects 0.000 description 19
- 230000007547 defect Effects 0.000 description 11
- 230000000007 visual effect Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000017525 heat dissipation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 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
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理领域,具体涉及一种锻造加工智能生产线的管理系统,该系统包括:金属工件锻造图像采集模块、尺度变化程度获取模块、异常置信程度获取模块、异常区域信息获取模块、锻造异常处理模块,采集金属工件锻造图像,进行离散小波变换分解,对每个层级的近似系数进行扩展得到扩展近似系数,结合每个层级的对比近似系数获取尺度变化程度,进而根据每个层级的近似系数、细节系数获取金属工件锻造图像中每个像素点的异常置信程度,根据异常置信程度进行区域划分,获得异常区域信息,进行锻造异常处理。本发明排除了金属工件上渐变区域的干扰,异常识别更加准确。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种锻造加工智能生产线的管理系统。
背景技术
锻造加工智能生产线的管理系统是用于监控、控制和优化整个生产线运作的系统,其核心是利用机器视觉技术对锻造过程中的零件进行检测和质量控制,通过使用相机和图像处理算法实时监测并检测锻造零件的尺寸、形状、表面缺陷等,表面缺陷包括裂纹、气孔等缺陷,通过对锻造零件表面缺陷的检测,及早发现锻造问题并及时采取控制措施,提高产品质量。
金属工件在锻造过程中,当受到高温和力的作用时,表面可能会形成一层黑色的氧化皮,通常称为锻造黑皮或锻皮,其与工件可能的裂纹气孔等缺陷类型在图像上的表现相类似,往往在图像上表现为灰度值较低区域,当金属锻造工件由于热量的散失出现边缘向内的灰度渐变时,会影响金属锻造工件的异常检测准确性。
发明内容
为了解决上述问题,本发明提供一种锻造加工智能生产线的管理系统,所述系统包括:
金属工件锻造图像采集模块,用于拍摄金属工件的图像,对拍摄的图像进行去噪以及灰度化,得到金属工件锻造图像;
尺度变化程度获取模块,用于对金属工件锻造图像进行离散小波变换分解,得到每个层级的近似系统以及细节系数;将每个层级的上一个层级的近似系数作为每个层级的对比近似系数,对每个层级的近似系数进行扩展,得到每个层级的扩展近似系数;根据每个层级的对比近似系数以及扩展近似系数,获取扩展近似系数中每个元素的尺度变化程度;
异常置信程度获取模块,用于根据每个层级的近似系数、细节系数以及扩展近似系数中每个元素的尺度变化程度获取金属工件锻造图像中每个像素点的变化异常程度序列;根据金属工件锻造图像中每个像素点的变化异常程度序列获取每个像素点的异常置信程度;
异常区域信息获取模块,用于根据异常置信程度对金属工件锻造图像进行区域划分,获得异常区域信息;
锻造异常处理模块,用于根据异常区域信息进行锻造异常处理。
优选的,所述根据每个层级的对比近似系数以及扩展近似系数,获取扩展近似系数中每个元素的尺度变化程度,包括的步骤为:
获取每个层级的对比近似系数以及扩展近似系数中每个元素的特征描述子,根据特征描述子获取每个层级的扩展近似系数中每个元素的尺度变化程度:
;
式中,表示的是第/>个层级的扩展近似系数中第/>个元素的尺度变化程度,,/>表示的是层级数,/>表示的是第/>个层级的扩展近似系数中第/>个元素与对比近似系数中第/>个元素的特征描述子中对应方向角度的差值的均值,/>表示的是第/>个层级的扩展近似系数中第/>个元素的/>窗口内所有元素的均值与对比近似系数中第/>个元素的/>窗口内所有元素的均值的差值,/>表示的是第/>个层级的扩展近似系数中第/>个元素与对比近似系数中第/>个元素的差值绝对值,/>为绝对值符号,表示的是最大最小值归一化。
优选的,所述特征描述子的获取方法为:
获取每个层级的扩展近似系数中每个元素与其八邻域中每个元素的差值绝对值,作为扩展近似系数中每个元素的八个方向差值;获取每个层级的对比近似系数中每个元素的八个方向差值;对每个层级的扩展近似系数以及对比近似系数中所有元素的每个方向差值进行最大最小值归一化,对每个层级的扩展近似系数中每个元素最大最小值归一化后的方向差值进行反正切变换,得到每个层级的扩展近似系数中每个元素的方向角度;将每个层级的扩展近似系数中每个元素的八个方向角度构成每个元素的特征描述子;
获取每个层级的对比近似系数中每个元素的特征描述子。
优选的,所述获取金属工件锻造图像中每个像素点的变化异常程度序列,包括的步骤为:
根据每个层级的近似系数与细节系数的自相关程度以及每个层级的扩展近似系数中每个元素的尺度变化程度,获取每个层级的扩展近似系数中每个元素的变化异常程度;
将金属工件锻造图像中每个像素点在除第一个层级外所有层级的扩展近似系数中对应的元素的变化异常程度,构成金属工件锻造图像中每个像素点的变化异常程度序列。
优选的,所述根据每个层级的近似系数与细节系数的自相关程度以及每个层级的扩展近似系数中每个元素的尺度变化程度,获取每个层级的扩展近似系数中每个元素的变化异常程度,包括的步骤为:
;
式中,表示的是第/>个层级的扩展近似系数中第/>个元素的变化异常程度,,/>表示的是层级数,/>表示的是第/>个层级的近似系数,/>表示的是第/>个层级的细节系数,/>表示的是第/>个层级的近似系数与细节系数的自相关程度,/>为协方差函数,/>为以自然常数为底的指数函数,/>表示的是第/>个层级的扩展近似系数中第/>个元素的尺度变化程度,/>表示的是第/>个层级的扩展近似系数中第/>个元素的窗口内所有元素的尺度变化程度的均值,/>为绝对值符号,/>表示的是最大最小值归一化。
优选的,所述根据金属工件锻造图像中每个像素点的变化异常程度序列获取每个像素点的异常置信程度,包括的步骤为:
;
式中,表示的是金属工件锻造图像中第/>个像素点的异常置信程度,/>表示的是金属工件锻造图像中第/>个像素点在第/>个层级的扩展近似系数中对应的元素的变化异常程度,/>表示的是第/>个层级,/>表示金属工件锻造图像中第/>个像素点的变化异常程度序列中所有变化异常程度的均值,/>表示的是层级数。
优选的,所述根据异常置信程度对金属工件锻造图像进行区域划分,获得异常区域信息,包括的步骤为:
当金属工件锻造图像中像素点的异常置信程度大于或等于预设的置信阈值时,像素点属于异常区域;对所有属于异常区域的像素点进行聚类,得到多个聚类簇,对每个聚类簇内包含的所有像素点作为一个整体进行凸包检测,对每个凸包内部进行区域填充,填充之后得到多个连通域,将每个连通域作为一个异常区域;获取每个异常区域的面积以及位置坐标,作为异常区域信息。
优选的,所述对每个层级的近似系数进行扩展,得到每个层级的扩展近似系数,包括的步骤为:
在每个层级的近似系数中所有相邻行之间以及相邻列之间插入空白行以及空白列,使近似系数的尺寸与每个层级的对比近似系数相同,对于每个空白行或空白列中的元素,利用该元素8邻域内存在的所有元素的均值对该元素进行填充,将填充之后每个层级的近似系数作为每个层级的扩展近似系数。
本发明实施例至少具有如下有益效果:由于金属工件锻造过程中的缺陷形态多样化,包括各种几何形状和尺寸的缺陷,某些特定形态的缺陷可能与金属工件周围热量散失造成的渐变区域相似,仅利用小波变换对于图像的多尺度分解,结构信息特征会包含在各层级的小波系数中,难以从小波系数中分离出需要提取的异常区域信息。本发明从异常区域与渐变区域的灰度突变与渐变特点分析,通过灰度渐变的多尺度变化自相似性量化灰度渐变区域的尺度不变性,并结合近似系数与细节系数的自相似性,获得异常置信程度,进而进行区域类型的划分,完成金属工件锻造过程中的异常智能检测。本发明排除了金属工件周围热量散失造成的渐变区域对异常检测的干扰,获得的异常区域信息更加准确,可及早发现锻造加工问题并及时采取控制措施,确保了锻造金属工件产品的质量。
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提供的一种锻造加工智能生产线的管理系统的系统框图;
图2为金属工件锻造图像;
图3为金属工件锻造图像的第三层级的近似系数的可视化图像;
图4为金属工件锻造图像的第三层级的细节系数的可视化图像;
图5为金属工件锻造图像的第二层级的扩展近似系数中所有元素的尺度变化程度的可视化图像;
图6为金属工件锻造图像的第三层级的扩展近似系数中所有元素的尺度变化程度的可视化图像;
图7为金属工件锻造图像的异常区域;
图8为异常区域在金属工件锻造图像中的映射图。
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锻造加工智能生产线的管理系统,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锻造加工智能生产线的管理系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种锻造加工智能生产线的管理系统,该系统包括以下模块:
金属工件锻造图像采集模块,用于采集金属工件锻造图像。
具体的,在金属工件锻造的生产线上,利用相机拍摄金属工件正面图像,在拍摄时,需将相机架设在金属工件的正上方,通过俯视拍摄金属工件的正面,以确保拍摄得到的图像中的金属工件不发生形变。对拍摄得到的图像进行去噪处理,对去噪之后的图像进行灰度化,得到金属工件锻造图像。本实施例的一个金属工件锻造图像参见图2。
至此,实现了金属工件锻造图像的采集。
尺度变化程度获取模块,用于对金属工件锻造图像进行小波变换,获得多层级的近似系数与细节系数,构建特征描述子,获得每个层级的扩展近似系数中每个元素的尺度变化程度。
金属工件锻造图像中包括异常区域与渐变区域,异常区域为金属工件表面缺陷所形成的区域,通常面积小较为分散,渐变区域为金属工件由于周围热量的散失出现边缘向内的灰度渐变,通常面积较大,且自金属工件边缘向内延伸。渐变区域的部分灰度与异常区域的灰度相似,渐变区域会对异常区域的检测造成干扰,例如利用小波变换对金属工件锻造图像进行多尺度分解,其结构信息特征会包含在各层级的小波系数中,在渐变区域的干扰下,难以从小波系数中分离出需要提取的异常区域。为了解决无法精确区分不同结构信息特征的问题,本实施例从异常区域与渐变区域的灰度突变与渐变特点分析,通过渐变区域的多尺度变化自相似性量化小波变换每个层级的尺度变化程度,以便后续根据尺度变化程度对金属工件锻造图像每个像素点的异常置信程度进行分析,实现异常区域和渐变区域的区分,获取金属工件锻造图像中准确的异常区域。
在本实施例中,获取尺度变化程度的具体步骤为:
利用Haar小波函数对金属工件锻造图像进行离散小波变换分解,小波变换的层级数为n,本实施例以n=5为例进行叙述,本实施例对层级数具体不做限定,实施人员可根据实际实施情况设置小波变换的层级数。在离散小波变换分解的过程中,仅对每个层级的近似系数进行拆分,通过对金属工件锻造图像进行离散小波变换分解,得到多个尺度下的低频分量与高频分量,每个尺度即为每个层级。低频分量与高频分量为不同的小波系数,每个层级的低频分量为近似系数,高频分量为细节系数,每个小波系数都是以矩阵形式存在的。每个层级的近似系统以及细节系数为小波变换中的公知技术,在此不再详细赘述。本实施例获取的金属工件锻造图像的第三层级的近似系数的可视化图像参见图3,第三层的细节系数的可视化图像参见图4。
近似系数的元素值表示的是当前层级小波函数对金属工件锻造图像的近似程度,渐变区域的尺度不变性主要表现在近似系数中,可由不同层级的近似系数的相似程度表示。两个近似系数的相似程度应当是基于局部结构相似性实现衡量的,因此可根据近似系数的元素的局部变化构建元素的特征描述子,以元素位置多方向结构变化程度描述两个相邻层级的近似系数元素位置上的变化程度,由此获得所有近似系数变化过程的尺度变化程度。
将每个层级的上一个层级的近似系数作为每个层级的对比近似系数。需要说明的是,第一个层级不存在对比近似系数,因此不进行后续尺度变化程度以及变化异常程度的计算。
由于对金属工件锻造图像进行离散小波变换分解时会进行降采样,每个层级的近似系数的尺寸是上一个层级的近似系数的尺寸的,即每个层级的对比近似系数的尺寸是该层级的近似系数的2倍,例如第/>层的近似系数/>的尺寸为/>,其对比近似系数的尺寸为/>,/>且/>。为了确保每个层级的近似系数与对比近似系数之间的相似度可衡量,需要将每个层级的近似系数扩展成与每个层级的对比近似系数相同的尺寸。
在本实施例中,通过在每个层级的近似系数中所有相邻行之间以及相邻列之间插入空白行以及空白列,使得近似系数的尺寸与每个层级的对比近似系数相同,对于每个空白行或空白列中的元素,利用该元素8邻域内存在的所有元素的均值对该元素进行填充,将填充之后每个层级的近似系数作为每个层级的扩展近似系数。
需要说明的是,根据每个层级的扩展近似系数以及对比近似系数中每个元素与邻域元素的差异构建每个元素的特征描述子,用来表示每个元素的方向变化程度。特征描述子是基于扩展近似系数中元素位置的范围内的元素值构建的三维空间获取的,其中第三维由/>范围内的元素与中心元素的差值构成,差值大于0的位于竖直向上的方向,差值小于0的位于竖直向下的方向,竖直方向与中心元素的/>范围内的对应元素所在的方向叠加,构成中心元素的一个方向向量,当差值为0时,对应的方向向量与二维平面的夹角为0°,由于中心元素的/>范围内包含八个元素(中心元素除外),则中心元素对应八个方向向量,每个方向向量的方向角即为方向向量与二维平面的夹角。对应的中心元素的特征描述子为八个方向角的角度构成。
特征描述子的获取方法具体为:
获取每个层级的扩展近似系数中每个元素与其八邻域中每个元素的差值绝对值,作为扩展近似系数中每个元素的八个方向差值。同理,获取每个层级的对比近似系数中每个元素的八个方向差值。对每个层级的扩展近似系数以及对比近似系数中所有元素的每个方向差值进行最大最小值归一化,根据归一化后的方向差值获取每个层级的扩展近似系数以及对比近似系数中每个元素的方向角度:
;
;
式中,表示的是第/>个层级的扩展近似系数中第/>个元素的第/>个方向角度,表示的是第/>个层级的扩展近似系数中第/>个元素的第/>个方向差值,/>表示的是最大最小值归一化函数,/>表示的是反正切函数,/>表示的是第/>个层级的对比近似系数中第/>个元素的第/>个方向角度,/>表示的是第/>个层级的对比近似系数中第/>个元素的第/>个方向差值,/>为绝对值符号。
将每个层级的扩展近似系数中每个元素的八个方向角度构成每个元素的特征描述子。同理,得到每个层级的对比近似系数中每个元素的特征描述子。
每个层级的扩展近似系数以及对比近似系数中对应位置的元素的特征描述子方向变化均值表证了该元素位置上的变化程度,根据每个元素位置上的变化程度可获取每个元素的尺度变化程度。
每个层级的扩展近似系数中每个元素的尺度变化程度的计算公式为:
;
式中,表示的是第/>个层级的扩展近似系数中第/>个元素的尺度变化程度,,反映了第/>个层级的扩展近似系数与第/>个层级的近似系数在小波分解过程中局部位置的相似程度,第/>个层级的扩展近似系数中第/>个元素的尺度变化程度越小,表明第/>个层级的扩展近似系数与第/>个层级的近似系数在第/>个元素对应的位置越相似,该位置表示的结构区域越具有尺度不变性,/>表示的是第/>个层级的扩展近似系数中第/>个元素与对比近似系数中第/>个元素的特征描述子中对应方向角度的差值的均值,表示了第/>个层级的扩展近似系数与第/>个层级的近似系数在对应位置上的邻域方向变化程度,/>表示的是第/>个层级的扩展近似系数中第/>个元素的/>窗口内所有元素的均值与对比近似系数中第/>个元素的/>窗口内所有元素的均值的差值,表示了第/>个层级的扩展近似系数与第/>个层级的近似系数在对应位置上元素值的变化程度,由于方向的变化是邻域元素值变化引起的,因此/>表明了单位元素值变化引起的方向变化程度,表征的是第/>个层级的扩展近似系数中第/>个元素位置上的邻域元素方向变化程度,/>表示的是第/>个层级的扩展近似系数中第/>个元素与对比近似系数中第/>个元素的差值绝对值,利用/>乘以第/>个层级的扩展近似系数中第/>个元素与对比近似系数中第/>个元素的差值绝对值/>,表明该位置的总体变化程度,/>为绝对值符号,表示的是最大最小值归一化。
需要说明的是,尺度变化程度是通过特征描述子描述的金属工件锻造图像中像素点位置上在小波变换过程中表现的尺度变化程度,其表明的是金属工件锻造图像中灰度渐变区域与非灰度渐变区域对小波变换的敏感程度,尺度变化程度的取值越大,该层级对应的元素在金属工件锻造图像中对应的像素点属于渐变区域的可能性越小,属于异常区域的可能性越大。本实施例中,对金属工件锻造图像的第二层级的扩展近似系数中所有元素的尺度变化程度进行可视化的图像参见图5,对第三层级的扩展近似系数中所有元素的尺度变化程度进行可视化的图像参见图6。
至此,通过对金属工件锻造图像进行小波变换,获得了多层级的近似系数与细节系数,构建特征描述子,获得了每个层级的扩展近似系数中每个元素的尺度变化程度。
异常置信程度获取模块,用于根据尺度变化程度,结合不同层级的近似系数与细节系数的自相关程度,获取金属工件锻造图像中每个像素点的异常置信程度。
由于尺度变化程度表征的是近似系数中元素位置属于渐变区域的可能程度,也就是金属工件锻造图像中对应位置的像素点属于渐变区域的可能性。每个层级的扩展近似系数中元素的尺度变化程度越大,金属工件锻造图像中对应的位置的像素点属于渐变区域的可能性越小,属于异常区域的可能性就越大,其异常置信程度越大。并且由于尺度变化程度表征的是相邻层级的两个近似系数之间相同位置的变化程度,即利用渐变区域的尺度不变性特征获得的尺度变换程度在进行异常区域检测时,包含了下采样造成的误差,无法准确衡量当前层级的损失情况,使得上下层级之间的差异是由不同层级的自身损失造成,因此本实施例利用同一层级的近似系数和细节系数之间的相关程度纠正不同层级之间的误差损失,提高对异常区域的检测精度。
自相关性指的是不同层级的近似系数与细节系数的自相关性,表征的是当前层级的近似系数与细节系数的相关程度,若细节系数与近似系数越相关,都呈现出渐变特性,则其元素位置上的像素点属于渐变区域的可能性越大,即自相关性越大对应的异常置信程度越小,由此根据获得的尺度变化程度,结合不同层级的近似系数与细节系数的自相关程度,综合获得异常置信程度。
在本实施例中,根据获得的尺度变化程度,结合不同层级的近似系数与细节系数的自相关程度,综合获得异常置信程度的具体步骤为:
由于当前层级的扩展近似系数的每个元素的尺度变化程度是对应于上个层级的近似系数变化而来的,包含了下采样造成的误差,无法准确衡量当前层级的损失情况,与当前层级的近似系数与细节系数的结构关系有关,而当前层级的近似系数与细节系数的自相关性表征的是当前层级的近似系数与细节系数的结构相关程度,由此当前层级的异常程度则由尺度变化程度与自相关程度共同决定。
每个层级的扩展近似系数中每个元素的变化异常程度的计算公式为:
;
式中,表示的是第/>个层级的扩展近似系数中第/>个元素的变化异常程度,,与该层级的近似系数中第/>个元素尺度变化程度以及该层级的自相关程度有关,/>表示的是第/>个层级的近似系数,/>表示的是第/>个层级的细节系数,/>表示的是第/>个层级的近似系数与细节系数的自相关程度,用相关系数来表示,是由近似系数与细节系数求出的,对第/>个层级的扩展近似系数中每个元素等同,/>表示的是第/>个层级的近似系数与细节系数的协方差,/>表示的是第/>个层级的近似系数与细节系数的标准差的乘积,/>为以自然常数为底的指数函数,/>表示的是第/>个层级的扩展近似系数中第/>个元素的尺度变化程度,/>表示的是第/>个层级的扩展近似系数中第/>个元素的/>窗口内所有元素的尺度变化程度的均值,/>为绝对值符号,/>表示的是第/>个层级的扩展近似系数中第/>个元素与邻域的尺度变化程度的差异程度,当与邻域的尺度变化程度的差异程度越大,且第/>个层级的自相关程度越小时,第/>个层级的扩展近似系数中第/>个元素越可能属于异常区域,其变化异常程度越大,/>表示的是最大最小值归一化。
需要说明的是,变化异常程度是通过每个层级的扩展近似系数中每个元素的尺度变化程度与当前层级的自相关程度获得的,变化异常程度的取值越大,表明当前层级上的近似系数与细节系数的自相关程度越小,且扩展近似系数的元素与其邻域元素的尺度变化程度差异越大,即元素不表现出由于金属工件锻造图像中灰度渐变区域的渐变特性引起的变化一致性与自相关性,此时,该元素越可能属于异常区域,其变化异常程度越大。
由于每个层级的近似系数由金属工件锻造图像进行离散小波变换分解而来,在离散小波变换分解的过程中存在下采样,因此每个层级的近似系数中每个元素对应金属工件锻造图像中一个或多个像素点,同样的,每个层级的扩展近似系数中每个元素对应金属工件锻造图像中一个或多个像素点,即金属工件锻造图像中每个像素点都对应每个层级的扩展近似系数中一个元素。
将金属工件锻造图像中每个像素点在除第一个层级外所有层级的扩展近似系数中对应的元素的变化异常程度,构成金属工件锻造图像中每个像素点的变化异常程度序列,金属工件锻造图像中每个像素点的变化异常程度序列的长度均为。需要说明的是,第一个层级不存在对比近似系数,因此也不存在尺度变化程度以及变化异常程度,因此此处获取每个像素点的变化异常程度序列时,将第一个层级除外。
由于渐变区域与异常区域在不同层级的小波分解过程中的表现特征不同,渐变区域由于其尺度不变性,渐变区域内的元素的变化异常程度序列呈现出均匀变化趋势,而异常区域内的元素的变化异常程度序列则表现出不均匀的变化趋势,存在一个或多个极大值点,而异常置信程度与层级数也有关系,层级数越大表明其处于的频率越高,异常区域为金属工件表面裂纹、气孔等缺陷所形成的区域,缺陷的边缘存在灰度突变,对应的异常区域的边缘信息通常位于高频。因此,可结合金属工件锻造图像中每个像素点的变化异常程度序列以及对应层级数获取每个像素点的异常置信程度。
金属工件锻造图像中每个像素点的异常置信程度的计算公式为:
;
式中,表示的是金属工件锻造图像中第/>个像素点的异常置信程度,由多层级的元素的变化异常程度的变化均匀程度获得的,/>表示的是金属工件锻造图像中第/>个像素点在第/>个层级的扩展近似系数中对应的元素的变化异常程度,即第/>个像素点的变化异常程度序列中第/>个变化异常程度,/>表示的是第/>个层级,/>表示金属工件锻造图像中第/>个像素点的变化异常程度序列中所有变化异常程度的均值,/>为对金属工件锻造图像进行离散小波变换分解时设置的层级数,即所有的层级数,表示的是金属工件锻造图像中第/>个像素点的变化异常程度序列的层级数加权标准差。
需要说明的是,由于异常置信程度表明的是变化异常程度序列基于序列自身的相对变异均匀程度,且不同的变化异常程度序列衡量的是具有相似的范围、单位和采样间隔等条件的元素的变化程度,不同元素未知的异常置信程度可进行直接比较,反应其由于分属于不同区域造成的异常置信程度的差异,异常置信程度表征的是渐变区域与异常区域在变化异常程度序列上表现的相对变异均匀程度,渐变区域渐变引起的在小波变化分解多层级上的尺度不变性,使得渐变区域像素点的异常变化程度序列相对变异均匀,从而使得渐变区域的像素点的异常置信程度较小,而异常区域则不具有这个性质,对应的异常置信程度较大。
至此,根据尺度变化程度,结合不同层级的近似系数与细节系数的自相关程度,综合获得了金属工件锻造图像中每个像素点的异常置信程度。
异常区域信息获取模块,用于根据异常置信程度进行区域划分,获得异常区域信息。
预设一个置信阈值,在本实施例中以/>为例进行叙述,具体不做限定,实施人员可根据具体实施情况设置置信阈值/>。
当金属工件锻造图像中像素点的异常置信程度大于或等于置信阈值时,认为该像素点属于异常区域,当像素点的异常置信程度小置信阈值/>时,认为该像素点不属于异常区域。
对所有属于异常区域的像素点进行均值漂移聚类,在均值漂移聚类过程中,以像素点之间的欧式距离作为衡量像素点相似性的指标,得到多个聚类簇,一个聚类簇表示一个异常区域。均值漂移聚类为现有技术,在此不再详细赘述。
对每个聚类簇内包含的所有像素点作为一个整体进行凸包检测,并对每个凸包内部进行区域填充,填充之后得到多个连通域,每一个连通域表示一个异常区域。获取连通域的面积、位置坐标等信息,作为金属工件锻造异常区域信息。本实施例中获取的金属工件锻造图像的异常区域如图7所示。将图7所示的异常区域映射在金属工件锻造图像中如图8所示。
至此,根据异常置信程度,完成了异常区域划分,获得了异常区域信息。
锻造异常处理模块,用于根据金属工件锻造异常区域信息进行锻造异常处理。
对于获取的金属工件锻造异常区域信息,可以选择可视化显示到相应的显示器上,以便用户更加直观的查看锻造异常区域的位置与形状等的信息,也可以直接传输到下一阶段的锻造异常区域处理程序中,完成后续的锻造异常区域状况评估、分析处理等操作。
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 (7)
1.一种锻造加工智能生产线的管理系统,其特征在于,所述系统包括:
金属工件锻造图像采集模块,用于拍摄金属工件的图像,对拍摄的图像进行去噪以及灰度化,得到金属工件锻造图像;
尺度变化程度获取模块,用于对金属工件锻造图像进行离散小波变换分解,得到每个层级的近似系统以及细节系数;将每个层级的上一个层级的近似系数作为每个层级的对比近似系数,对每个层级的近似系数进行扩展,得到每个层级的扩展近似系数;根据每个层级的对比近似系数以及扩展近似系数,获取扩展近似系数中每个元素的尺度变化程度;
异常置信程度获取模块,用于根据每个层级的近似系数、细节系数以及扩展近似系数中每个元素的尺度变化程度获取金属工件锻造图像中每个像素点的变化异常程度序列;根据金属工件锻造图像中每个像素点的变化异常程度序列获取每个像素点的异常置信程度;
异常区域信息获取模块,用于根据异常置信程度对金属工件锻造图像进行区域划分,获得异常区域信息;
锻造异常处理模块,用于根据异常区域信息进行锻造异常处理;
所述根据每个层级的对比近似系数以及扩展近似系数,获取扩展近似系数中每个元素的尺度变化程度,包括的步骤为:
获取每个层级的对比近似系数以及扩展近似系数中每个元素的特征描述子,根据特征描述子获取每个层级的扩展近似系数中每个元素的尺度变化程度:
式中,SIi,k表示的是第i个层级的扩展近似系数中第k个元素的尺度变化程度,i∈(2,n),n表示的是层级数,表示的是第i个层级的扩展近似系数中第k个元素与对比近似系数中第k个元素的特征描述子中对应方向角度的差值的均值,/>表示的是第i个层级的扩展近似系数中第k个元素的3×3窗口内所有元素的均值与对比近似系数中第k个元素的3×3窗口内所有元素的均值的差值,Δαi,k表示的是第i个层级的扩展近似系数中第k个元素与对比近似系数中第k个元素的差值绝对值,||为绝对值符号,Max_Min()表示的是最大最小值归一化。
2.根据权利要求1所述的一种锻造加工智能生产线的管理系统,其特征在于,所述特征描述子的获取方法为:
获取每个层级的扩展近似系数中每个元素与其八邻域中每个元素的差值绝对值,作为扩展近似系数中每个元素的八个方向差值;获取每个层级的对比近似系数中每个元素的八个方向差值;对每个层级的扩展近似系数以及对比近似系数中所有元素的每个方向差值进行最大最小值归一化,对每个层级的扩展近似系数中每个元素最大最小值归一化后的方向差值进行反正切变换,得到每个层级的扩展近似系数中每个元素的方向角度;将每个层级的扩展近似系数中每个元素的八个方向角度构成每个元素的特征描述子;
获取每个层级的对比近似系数中每个元素的特征描述子。
3.根据权利要求1所述的一种锻造加工智能生产线的管理系统,其特征在于,所述获取金属工件锻造图像中每个像素点的变化异常程度序列,包括的步骤为:
根据每个层级的近似系数与细节系数的自相关程度以及每个层级的扩展近似系数中每个元素的尺度变化程度,获取每个层级的扩展近似系数中每个元素的变化异常程度;
将金属工件锻造图像中每个像素点在除第一个层级外所有层级的扩展近似系数中对应的元素的变化异常程度,构成金属工件锻造图像中每个像素点的变化异常程度序列。
4.根据权利要求3所述的一种锻造加工智能生产线的管理系统,其特征在于,所述根据每个层级的近似系数与细节系数的自相关程度以及每个层级的扩展近似系数中每个元素的尺度变化程度,获取每个层级的扩展近似系数中每个元素的变化异常程度,包括的步骤为:
式中,NSi,k表示的是第i个层级的扩展近似系数中第k个元素的变化异常程度,i∈(2,n),n表示的是层级数,li表示的是第i个层级的近似系数,hi表示的是第i个层级的细节系数,表示的是第i个层级的近似系数与细节系数的自相关程度,Cov()为协方差函数,Exp()为以自然常数为底的指数函数,SIi,k表示的是第i个层级的扩展近似系数中第k个元素的尺度变化程度,/>表示的是第i个层级的扩展近似系数中第k个元素的3×3窗口内所有元素的尺度变化程度的均值,||为绝对值符号,Max_Min()表示的是最大最小值归一化。
5.根据权利要求3所述的一种锻造加工智能生产线的管理系统,其特征在于,所述根据金属工件锻造图像中每个像素点的变化异常程度序列获取每个像素点的异常置信程度,包括的步骤为:
式中,NBu表示的是金属工件锻造图像中第u个像素点的异常置信程度,NSi ′ ,u表示的是金属工件锻造图像中第u个像素点在第i个层级的扩展近似系数中对应的元素的变化异常程度,i表示的是第i个层级,表示金属工件锻造图像中第u个像素点的变化异常程度序列中所有变化异常程度的均值,n表示的是层级数。
6.根据权利要求1所述的一种锻造加工智能生产线的管理系统,其特征在于,所述根据异常置信程度对金属工件锻造图像进行区域划分,获得异常区域信息,包括的步骤为:
当金属工件锻造图像中像素点的异常置信程度大于或等于预设的置信阈值时,像素点属于异常区域;对所有属于异常区域的像素点进行聚类,得到多个聚类簇,对每个聚类簇内包含的所有像素点作为一个整体进行凸包检测,对每个凸包内部进行区域填充,填充之后得到多个连通域,将每个连通域作为一个异常区域;获取每个异常区域的面积以及位置坐标,作为异常区域信息。
7.根据权利要求1所述的一种锻造加工智能生产线的管理系统,其特征在于,所述对每个层级的近似系数进行扩展,得到每个层级的扩展近似系数,包括的步骤为:
在每个层级的近似系数中所有相邻行之间以及相邻列之间插入空白行以及空白列,使近似系数的尺寸与每个层级的对比近似系数相同,对于每个空白行或空白列中的元素,利用该元素8邻域内存在的所有元素的均值对该元素进行填充,将填充之后每个层级的近似系数作为每个层级的扩展近似系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310986844.7A CN116740053B (zh) | 2023-08-08 | 2023-08-08 | 一种锻造加工智能生产线的管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310986844.7A CN116740053B (zh) | 2023-08-08 | 2023-08-08 | 一种锻造加工智能生产线的管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116740053A CN116740053A (zh) | 2023-09-12 |
CN116740053B true CN116740053B (zh) | 2023-11-07 |
Family
ID=87909855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310986844.7A Active CN116740053B (zh) | 2023-08-08 | 2023-08-08 | 一种锻造加工智能生产线的管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116740053B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117851836B (zh) * | 2024-03-05 | 2024-05-28 | 浙江普康智慧养老产业科技有限公司 | 一种用于养老信息服务系统的数据智能分析方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251893A (zh) * | 2008-03-28 | 2008-08-27 | 西安电子科技大学 | 基于小波和均值漂移的自适应多尺度纹理图像分割方法 |
RU2342701C1 (ru) * | 2007-08-15 | 2008-12-27 | Российская Федерация, от имени которой выступает Министерство обороны Российской Федерации | Способ комплексирования цифровых многоспектральных полутоновых изображений |
WO2009021527A1 (en) * | 2007-08-10 | 2009-02-19 | Micronas Gmbh | Method, especially algorithm, for deblocking image data and device providing an image or video processing deblocking filter |
CN101990057A (zh) * | 2010-11-19 | 2011-03-23 | 清华大学 | 基于小波变换和块搜索的视频去噪方法和装置 |
CN103940905A (zh) * | 2014-04-16 | 2014-07-23 | 山东农业大学 | 基于平稳小波变换和分形分析的梁结构损伤检测方法 |
CN111027577A (zh) * | 2019-11-13 | 2020-04-17 | 湖北省纤维检验局 | 一种织物异常纹理类型识别方法和装置 |
CN112115821A (zh) * | 2020-09-04 | 2020-12-22 | 西北工业大学 | 一种基于小波近似系数熵的多信号智能调制模式识别方法 |
CN114048771A (zh) * | 2021-11-09 | 2022-02-15 | 西安电子科技大学 | 基于自适应门限平稳小波变换的时序数据异常值处理方法 |
-
2023
- 2023-08-08 CN CN202310986844.7A patent/CN116740053B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009021527A1 (en) * | 2007-08-10 | 2009-02-19 | Micronas Gmbh | Method, especially algorithm, for deblocking image data and device providing an image or video processing deblocking filter |
RU2342701C1 (ru) * | 2007-08-15 | 2008-12-27 | Российская Федерация, от имени которой выступает Министерство обороны Российской Федерации | Способ комплексирования цифровых многоспектральных полутоновых изображений |
CN101251893A (zh) * | 2008-03-28 | 2008-08-27 | 西安电子科技大学 | 基于小波和均值漂移的自适应多尺度纹理图像分割方法 |
CN101990057A (zh) * | 2010-11-19 | 2011-03-23 | 清华大学 | 基于小波变换和块搜索的视频去噪方法和装置 |
CN103940905A (zh) * | 2014-04-16 | 2014-07-23 | 山东农业大学 | 基于平稳小波变换和分形分析的梁结构损伤检测方法 |
CN111027577A (zh) * | 2019-11-13 | 2020-04-17 | 湖北省纤维检验局 | 一种织物异常纹理类型识别方法和装置 |
CN112115821A (zh) * | 2020-09-04 | 2020-12-22 | 西北工业大学 | 一种基于小波近似系数熵的多信号智能调制模式识别方法 |
CN114048771A (zh) * | 2021-11-09 | 2022-02-15 | 西安电子科技大学 | 基于自适应门限平稳小波变换的时序数据异常值处理方法 |
Non-Patent Citations (2)
Title |
---|
"Convergence analysis on multigrid methods for elliptic problems with large jumps in coefficients";Hui Zheng等;《IMA Journal of Numerical Analysis ( Volume: 35, Issue: 4, October 2015)》;第1-4页 * |
"基于小波变换的熔滴过渡图像的边缘检测";杨倩等;《焊接学报》;第38-40页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116740053A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN116309537B (zh) | 一种极耳模具表面油污的缺陷检测方法 | |
CN115861291B (zh) | 基于机器视觉的贴片电路板生产缺陷检测方法 | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
CN109410192B (zh) | 一种多纹理分级融合的织物缺陷检测方法及其装置 | |
CN116740053B (zh) | 一种锻造加工智能生产线的管理系统 | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理系统 | |
CN117576100B (zh) | 一种fpc连接器表面缺陷分级检测评价方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN110930425B (zh) | 基于邻域向量内积局部对比度图像增强的损伤目标检测方法 | |
Peng et al. | Automated product boundary defect detection based on image moment feature anomaly | |
CN116758067A (zh) | 基于特征匹配的金属结构件检测方法 | |
KR101782364B1 (ko) | 케이평균군집화를 통한 학습기반의 비전검사 방법 | |
CN117495852B (zh) | 一种基于图像分析的数字印刷质量检测方法 | |
CN112396580B (zh) | 一种圆形零件缺陷检测方法 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
Yu et al. | A Machine vision method for non-contact Tool Wear Inspection | |
CN112819009A (zh) | 一种基于Harris角点检测与NCC匹配的目标识别定位方法 | |
CN113222880A (zh) | 分析检测方法 | |
CN116754467B (zh) | 一种天然橡胶老化性能的测评方法 | |
CN116681695B (zh) | 一种抗变形模板端面的质量检测方法 | |
CN117115172B (zh) | 一种基于机器视觉的阿胶品质检测方法及系统 | |
CN115452845B (zh) | 一种基于机器视觉的led屏幕表面损伤检测方法 | |
CN117372937B (zh) | 一种基于指针仪表的数据读取方法 | |
CN114677428A (zh) | 基于无人机图像处理的输电线覆冰厚度检测方法 |
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 |