CN116758061B - 基于计算机视觉的铸件表面缺陷检测方法 - Google Patents
基于计算机视觉的铸件表面缺陷检测方法 Download PDFInfo
- Publication number
- CN116758061B CN116758061B CN202311006728.0A CN202311006728A CN116758061B CN 116758061 B CN116758061 B CN 116758061B CN 202311006728 A CN202311006728 A CN 202311006728A CN 116758061 B CN116758061 B CN 116758061B
- Authority
- CN
- China
- Prior art keywords
- area
- defect
- suspected
- gray
- points
- 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 264
- 238000005266 casting Methods 0.000 title claims abstract description 93
- 238000001514 detection method Methods 0.000 title abstract description 15
- 238000000034 method Methods 0.000 claims description 41
- 238000011161 development Methods 0.000 claims description 17
- 230000002950 deficient Effects 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 28
- 230000018109 developmental process Effects 0.000 description 14
- 230000011218 segmentation Effects 0.000 description 14
- 230000007423 decrease Effects 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 230000001788 irregular Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine 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
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于计算机视觉的铸件表面缺陷检测方法,该方法包括:获取铸件表面灰度图像,对图像进行分割获得多个连通域记为疑似缺陷区域;在疑似缺陷区域的边缘上按照固定间隔获取设定数量的边缘像素点作为起始点,从起始点开始获取灰度值逐渐减小的特征链,根据特征链上像素点数量及像素坐标得到第一概率指标;根据起始点到疑似缺陷区域的中心区域的距离与起始点的特征链上像素点的数量得到第二概率指标;根据两个类别内起始点的特征链上像素点的灰度值计算第三概率指标,进而获得全局概率指标,根据全局概率指标判断铸件表面的缺陷损伤程度。本发明能够快速有效地完成铸件表面的缺陷检测。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于计算机视觉的铸件表面缺陷检测方法。
背景技术
铸件被广泛应用于制造业的各个领域,铸件的表面质量作为其产品质量的关键受到广泛的关注。由于铸件在生产过程中存在着工艺流程不完善、加工环境不完全可控等问题,其表面不可避免的存在一些缺陷,如孔、裂纹、划痕等,这些缺陷会影响到产品的性能。
由于人工检测主要依赖于人工经验,劳动强度大且工作效率低,随着市场对铸件质量要求的日益提高,利用具有非接触性、鲁棒性和高效性等诸多优点的机器视觉的检测技术成为主流的检测方式,当前多使用支持向量机对缺陷进行分类识别,这种方式需要大量的数据进行训练学习,并且对不同金属类型的铸件,需要重新训练,该方法耗费的成本较高。利用阈值分割的方法获取铸件表面的缺陷部分,由于阈值选择的不准确,导致铸件在生产过程中出现的水渍、油污被误识别为缺陷,使得缺陷分割结果较不准确,进而对铸件的缺陷检测结果造成干扰。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于计算机视觉的铸件表面缺陷检测方法,所采用的技术方案具体如下:
获取铸件表面灰度图像,对铸件表面灰度图像进行分割获得多个连通域记为疑似缺陷区域;
在疑似缺陷区域的边缘上按照固定间隔获取设定数量的边缘像素点作为起始点,获取起始点的邻域内灰度值小于起始点,且灰度值最小的像素点作为发展点,直到满足停止条件,获取所有发展点和起始点构成起始点的特征链;根据各特征链上像素点的数量以及像素坐标得到第一概率指标;
获取各起始点到疑似缺陷区域的中心区域的距离,同时,获取各起始点的特征链上像素点的数量,根据所述距离与数量确定疑似缺陷区域的第二概率指标;
将疑似缺陷区域的起始点分为两个类别,分别根据两个类别内起始点的特征链上像素点的灰度值计算第三概率指标;根据所述第一、第二和第三概率指标得到全局概率指标;根据全局概率指标判断铸件表面的缺陷损伤程度。
优选地,在对铸件表面图像进行分割获得多个连通域记为疑似缺陷区域之后,所述方法还包括:
获取各连通域的面积以及连通域的最小外接圆的面积,根据连通域的面积与最小外接圆的面积的比值得到圆形度;利用圆形度阈值与圆形度判断疑似缺陷区域属于圆形缺陷或者线形缺陷;若疑似缺陷区域为圆形缺陷,则获取疑似缺陷区域内设定大小的圆形区域记为中心区域;若疑似缺陷区域为线形缺陷,则对该疑似缺陷区域进行形态学细化操作获得中心区域。
优选地,所述停止条件具体为:在起始点的邻域内没有像素点的灰度值小于起始点的灰度值,或者起始点的邻域内获得的发展点位于该疑似缺陷区域的中心区域。
优选地,所述第一概率指标的获取方法具体为:
获取起始点的特征链上像素点的数量以及像素点的像素坐标,根据所述像素点的像素坐标进行直线拟合,统计该特征链上的像素点在拟合获得的直线上的数量,根据该数量与特征链上像素点的数量的比值获得特征链的概率特征值,获取所有起始点的特征链的概率特征值的均值得到疑似缺陷区域的第一概率指标。
优选地,所述第二概率指标的获取方法具体为:
计算起始点到疑似缺陷区域的中心区域的距离的方差,计算起始点的特征链上像素点的数量的方差,根据两个方差确定疑似缺陷区域的第二概率指标,用公式表示为:
其中,表示疑似缺陷区域的第二概率指标,/>表示起始点的特征链上像素点的数量的方差,/>表示起始点到疑似缺陷区域的中心区域的距离的方差。
优选地,所述第三概率指标的获取方法具体为:
将起始点的特征链上从起始点开始按照获取的顺序对像素点进行标记序号,将同一类别内所有起始点的特征链上相同序号的像素点的灰度值进行相加取均值,同一类别内所有均值分别构成第一灰度集合和第二灰度集合;根据第一灰度集合和第二灰度集合中相同序号的像素点对应的灰度值均值之间的差异确定疑似缺陷区域的第三概率指标,用公式表示为:
其中,表示第三概率指标,/>和/>分别表示第一灰度集合和第二灰度集合对应的类别中所有起始点的特征链上第i个像素点的灰度值均值,x表示第一灰度集合中元素的数量,y表示第二灰度集合中元素的数量。
优选地,所述根据全局概率指标判断铸件表面的缺陷损伤程度具体为:
设置缺陷阈值,当疑似缺陷区域的全局概率指标大于或等于缺陷阈值时,则该疑似缺陷区域为真正的缺陷区域,进而对铸件表面灰度图像中所有疑似缺陷区域进行判断;根据所有真正的缺陷区域对应的连通域面积之和与铸件表面的面积的比值,得到铸件的缺陷损伤程度,所述缺陷损伤程度的取值大于损伤阈值时,则该铸件为不合格铸件。
优选地,所述圆形度阈值设置为0.7。
优选地,所述损伤阈值设置为0.01。
优选地,所述获取铸件表面灰度图像包括:
获取相机拍摄到的表面图像,去除表面图像中的背景并进行去噪,再执行灰度化,获得表面灰度图像。本发明实施例至少具有如下有益效果:
本发明先获取疑似缺陷区域,根据疑似缺陷区域的灰度变化获取边缘上像素点的特征链,能够反映疑似边缘区域的边缘上像素点的灰度值逐渐变小的特征长度,根据各特征链上像素点的数量以及像素坐标得到第一概率指标,通过考虑特征链上像素点的位置分布判断该区域为缺陷区域的可能性;根据疑似缺陷区域的边缘像素点到中心的距离与特征链上像素点的数量确定第二概率指标,通过考虑灰度逐渐变小的特征长度的变化情况判断该区域为缺陷区域的可能性;根据两个类别内起始点的特征链上像素点的灰度值计算第三概率指标,通过考虑特征链上像素点的灰度值的变化情况判断该区域为缺陷区域的可能性;进而结合三个方面的可能性获得全局概率指标,能够根据铸件本身的像素灰度变化去除伪缺陷,识别真正的缺陷区域,使得缺陷分割结果较为准确,根据全局概率指标判断铸件表面的缺陷损伤程度,不需要大量的数据进行训练学习,成本低、精度高、适应性强,能够快速有效地完成铸件表面的缺陷检测。
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是本发明的一种基于计算机视觉的铸件表面缺陷检测方法的方法流程图;
图2是使用最大熵法进行分割的结果示意图;
图3是使用本发明实施例的方法进行分割的结果示意图。
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基于计算机视觉的铸件表面缺陷检测方法,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基于计算机视觉的铸件表面缺陷检测方法的具体方案。
实施例:
本发明的主要目的是:利用计算机视觉技术处理铸件表面图像,对铸件表面图像进行阈值分割,获取各疑似缺陷连通域,进而根据连通域内的像素灰度变化,识别真正的缺陷连通域。最后计算铸件表面的损伤程度,分拣出不合格的铸件。
本发明所针对的具体场景为:铸件生产过程中,其表面不可避免地产生气孔、裂纹、划痕等缺陷。在进行缺陷检测的过程中,由于生产过程中铸件表面会出现的水渍、油污等易被误识为缺陷,对检测结果造成干扰。本发明通过处理生产线上相机采集的铸件表面图像,对铸件表面图像进行阈值分割,获取各疑似缺陷连通域,进而根据连通域内的像素灰度变化,识别真正的缺陷连通域。最后计算铸件表面的损伤程度,分拣出不合格的铸件。
请参阅图1,其示出了本发明一个实施例提供的一种基于计算机视觉的铸件表面缺陷检测方法的方法流程图,该方法包括以下步骤:
步骤一,获取铸件表面灰度图像,对铸件表面灰度图像进行分割获得多个连通域记为疑似缺陷区域。
首先,在本实施例中使用LED灯位照明光源,使得采集的图像光照均匀,通过在生产线上方安装相机拍摄铸件的表面图像,进而根据铸件表面的像素灰度特征分析,分割疑似缺陷连通域后识别真正的缺陷连通域,所以需要先识别出图像中铸件表面的特征信息。
在本实施例中采用DNN语义分割的方法来识别图像中的目标部分,去除背景的干扰。具体地,DNN神经网络的相关内容包括:使用的数据集为俯视采集的生产线上的铸件表面图像数据集;需要分割的像素,共分为2类,即训练集对应标签标注过程为:单通道的语义标签,对应位置像素属于背景类的标注为0,属于铸件表面的标注为1;网络的任务是分类,所有使用的损失函数为交叉熵损失函数。其中,实施者也可根据实际情况选择其他合适的方法去除图像中背景的干扰。
然后,由于图像在成像、采集及传输过程中不可避免的会受到一定的噪声干扰,故在去除背景的干扰后,使用双边滤波除去图像中噪声的干扰,使图像中的有效信息更为清晰可辨。再对铸件表面图像进行灰度化处理,得到铸件表面灰度图像。
统计铸件表面灰度图像的灰度直方图,利用灰度直方图采用最大熵法获取图像的最佳分割阈值,所求得的熵值越大,像素点的灰度值分布越均匀,因此根据最佳分割阈值将铸件表面灰度图像分割为两类,取熵值小的类为缺陷区域,令其像素点为0,令另一类像素点为1。由于检测技术指标中不允许出现将次品误认为合格产品的情况,但允许一定比例的完好产品被误判断,因此,对初步分割后的图像使用形态学开运算,获取各连通域记为疑似缺陷区域。其中,最大熵法为公知技术,在此不再过多介绍,同时,实施者也可根据实际情况选择其他方法获取铸件表面灰度图像中的连通域。
最后,需要说明的是,由于铸件表面常见的缺陷有气孔缺陷、划痕缺陷和裂纹缺陷等,铸件表面常见的缺陷可以根据形状分成两个类别,气孔缺陷可以看作近似圆形缺陷,划痕缺陷和裂纹缺陷可以看作近似线形缺陷,故可以根据获取的连通域形状特征判断该区域近似于圆形缺陷还是线形缺陷。
获取各连通域的面积,同时获取各连通域的最小外接圆的面积,根据连通域的面积与最小外接圆的面积的比值得到圆形度,所述圆形度能够表示连通域接近圆形的程度,且连通域的圆形度的取值为(0,1],圆形度的取值越大,表示对应连通域越接近圆形,说明该连通域越可能属于圆形缺陷;圆形度的取值越小,表示对应连通域越不接近圆形,说明该连通域越可能属于线形缺陷。
设置圆形度阈值,当连通域的圆形度的取值大于圆形度阈值时,则该连通域对应的疑似缺陷区域为疑似圆形缺陷,否则为疑似线形缺陷,在本实施例中,圆形度阈值的取值为0.7,实施者也可根据实际情况进行设置。
需要说明的是,气孔缺陷等圆形缺陷在铸件表面呈现出凹坑状,在该缺陷区域内像素点的灰度值由缺陷区域的边缘轮廓向中心点的方向上逐渐减小。划痕缺陷和裂纹缺陷等线形缺陷在铸件表面上由该缺陷区域的边缘轮廓向近似中线部分逐渐凹陷,在该缺陷区域内像素点的灰度值由缺陷区域的边缘轮廓向中心线上的点的方向上逐渐减小。为了能够更好地对各区域内灰度变化特征进行分析,故需要先获取疑似缺陷区域内的中心区域。
具体地,若疑似缺陷区域为圆形缺陷,获取该疑似缺陷区域的中心点以及最小外接圆半径,将以所述中心点为圆心,以αR为半径的圆构成的区域记为该疑似缺陷区域的中心区域,其中,α为常数系数,在本实施例中的取值为1/10,实施者可根据实际情况进行调整,R为最小外接圆半径。若疑似缺陷区域为线形缺陷,则对该疑似缺陷区域进行形态学细化操作获得中心区域。同时,将各疑似缺陷区域映射至去噪后的铸件表面灰度图像上。其中,形态学细化操作为公知技术,在此不再过多介绍。
步骤二,在疑似缺陷区域的边缘上按照固定间隔获取设定数量的边缘像素点作为起始点,获取起始点的邻域内灰度值小于起始点,且灰度值最小的像素点作为发展点,直到满足停止条件,获取所有发展点和起始点构成起始点的特征链;根据各特征链上像素点的数量以及像素坐标得到第一概率指标。
其中,所述停止条件为:在起始点的邻域内没有像素点的灰度值小于起始点的灰度值,或者起始点的邻域内获得的发展点位于该疑似缺陷区域的中心区域。
需要说明的是,由于在铸件的生产过程中,其表面会出现水渍和油污等易被误识别为缺陷的情况,对铸件表面的缺陷检测结果造成干扰。由于气孔、裂纹和划痕等真正的缺陷,其形状和像素点的灰度值变化都含有一定的规律,而水渍和油污等,其形状和像素点的灰度值变化不存在一定的规律,进而识别真正的缺陷区域。
气孔缺陷等其他圆形缺陷在铸件表面呈现出凹坑状,在该缺陷区域内像素点的灰度值由缺陷区域的边缘轮廓向中心点的方向上逐渐减小。划痕缺陷和裂纹缺陷等线形缺陷在铸件表面上由该缺陷区域的边缘轮廓向近似中线部分逐渐凹陷,在该缺陷区域内像素点的灰度值由缺陷区域的边缘轮廓向中心线上的点的方向上逐渐减小。而水渍和油污等伪缺陷没有改变铸件表面的形态,仅是附着在铸件表面上,故其形状不规则且像素点的灰度值变化不存在一定的规律。其中,通过对该疑似缺陷区域进行形态学细化操作获得中心线,中心线也即为疑似线形缺陷的疑似缺陷区域的中心区域。
对于任意一个疑似缺陷区域,在疑似缺陷区域的边缘上按照固定间隔获取设定数量的边缘像素点,且按照顺时针顺序将获取的各个边缘像素点作为起始点。其中,固定间隔根据区域的边缘长度不同而不同,实施者可根据实际情况进行设置,只需保证疑似缺陷区域的边缘能够均分为与固定间隔长度相同的一定数量的线段即可。在本实施例中,设定数量的取值为30,即在疑似缺陷区域的边缘上按照固定间隔以顺时针的顺序获取30个边缘像素点作为起始点。
进而获取各起始点对应的边缘像素点的特征链,具体地,对于任意一个起始点,获取该起始点的8邻域内灰度值小于起始点,且灰度值最小的像素点作为发展点,链接起始点与该发展点,并将发展点作为新的起始点,即获取发展点的8邻域内灰度值小于该发展点,且灰度值最小的像素点作为下一个发展点,链接这两个发展点,以此类推,直到起始点的8邻域内没有灰度值小于新的起始点时停止,或者起始点的8邻域内获得的发展点位于该疑似缺陷区域的中心区域时停止。
由于存在缺陷的区域灰度值的变化情况是从区域的边缘轮廓上逐渐减小到中心点或者中心线上,且该灰度变化的趋势近似于一条直线,即存在缺陷的区域内灰度减小的趋势较为均匀和规律,而存在水渍和油污的区域内灰度值的变化不会呈现出较为规律的减小趋势。同时,疑似缺陷区域的边缘像素点对应的起始点的特征链,能够表示疑似缺陷区域从该边缘像素点处灰度值逐渐减小的特征长度。故可通过特征链近似于直线的概率来表征该特征链的规则程度,若该特征链近似于较为规则的直线,则该疑似缺陷区域越可能是存在缺陷,否则该疑似缺陷区域越可能是存在的水渍和油污。
具体地,获取起始点的特征链上像素点的数量以及像素点的像素坐标,根据所述像素点的像素坐标进行直线拟合,统计该特征链上的像素点在拟合获得的直线上的数量,根据该数量与特征链上像素点的数量的比值获得特征链的概率特征值。其中,像素点的像素坐标的获取方法为公知技术,在此不再过多介绍。
起始点的特征链的概率特征值能够表征该特征链为直线的概率,概率特征值的取值越大,说明从该起始点开始疑似缺陷区域内的灰度变化情况较为规律,特征链越接近直线,则该疑似缺陷区域越可能是存在缺陷的区域。概率特征值的取值越小,则说明从该起点开始疑似缺陷区域内的灰度变化情况较不规律,特征链越不近似为直线,则该疑似缺陷区域越不可能是缺陷区域,越可能是存在水渍和油污。
获取所有起始点的特征链的概率特征值的均值得到疑似缺陷区域的第一概率指标,第一概率指标能够表征疑似缺陷区域在边缘像素点的灰度值减小的方向上为真正缺陷区域的概率,第一概率指标的取值越大,则该疑似缺陷区域越可能是存在缺陷的区域。
步骤三,获取各起始点到疑似缺陷区域的中心区域的距离,同时,获取各起始点的特征链上像素点的数量,根据所述距离与数量确定疑似缺陷区域的第二概率指标。
需要说明的是,由于缺陷存在的连通域一般较为规则,即圆形缺陷对应的连通域一般呈现为较为规则的圆形区域,线形缺陷对应的连通域一般呈现为矩形区域,而存在水渍和油污的区域一般呈现出较不规则的形状。故可通过疑似缺陷区域的起始点对应的边缘像素点到中心区域的距离变化,对疑似缺陷区域的规则程度进行分析。
获取疑似缺陷区域的边缘像素点对应的起始点到中心区域的距离,具体地,若疑似缺陷区域为疑似圆形缺陷,则获取起始点对应的边缘像素点到中心点的距离;若疑似缺陷区域为疑似线形缺陷,则获取起始点对应的边缘像素点到中心线的最短距离,其中,通过对该疑似缺陷区域进行形态学细化操作获得中心线,中心线也即为疑似线形缺陷的疑似缺陷区域的中心区域。计算起始点到疑似缺陷区域的中心区域的距离的方差。
特征链上像素点的数量能够表征特征链的长度,同时特征链的长度反映了疑似缺陷区域从边缘像素点处灰度值逐渐减小的特征长度,因此,若疑似缺陷区域的边缘像素点对应的起始点的特征链的长度较为均匀时,说明该疑似缺陷区域内灰度变化情况较为规律,则疑似缺陷区域越可能存在缺陷。故计算起始点的特征链上像素点的数量的方差,根据两个方差确定疑似缺陷区域的第二概率指标,用公式表示为:
其中,表示疑似缺陷区域的第二概率指标,/>表示起始点的特征链上像素点的数量的方差,即起始点的特征链的长度的方差,/>表示起始点到疑似缺陷区域的中心区域的距离的方差。
表示疑似缺陷区域的边缘上像素点到中心区域的最短距离的方差,能够反映该疑似缺陷区域的形状特征,该方差的取值越大,边缘像素点到中心的距离波动越大,距离差异越大,说明疑似缺陷区域对应的连通域的形状较不规则,该方差的取值越小,边缘像素点到中心的距离波动越小,即距离较为接近,距离差异越小,说明疑似缺陷区域对应的连通域的形状较为规则。
表示特征链的长度的方差,能够反映疑似缺陷区域内灰度值逐渐减小的特征长度变化情况,该方差的取值越大,说明疑似缺陷区域内灰度值逐渐减小的特征长度波动较大,即特征长度的差异越大,说明疑似缺陷区域内灰度变化情况越不规律。
当时,说明疑似缺陷区域从边缘像素点开始灰度值逐渐减小的特征长度的波动小于边缘像素点到中心的距离的波动,/>的取值较小,说明灰度值逐渐减小的特征长度的波动小,疑似缺陷区域内灰度变化的情况越符合缺陷区域灰度变化的规律,/>的取值较大,说明边缘像素点到中心的距离波动大,尽管疑似特征区域上在形状特征上表现为较不规则,但是该疑似缺陷区域也可能属于缺陷区域,即疑似缺陷区域内灰度变化情况的优先级较高,需优先考虑。
当时,说明疑似缺陷区域从边缘像素点开始灰度值逐渐减小的特征长度的波动大于像素点到中心的距离的波动,/>的取值较小,说明边缘像素点到中心的距离波动小,疑似缺陷区域在形状特征上表现为较为规则的形状,但是较为规则的区域也可能是存在水渍和油污的区域,故还需要考虑疑似缺陷区域内灰度变化的情况,/>的取值较大,说明灰度值逐渐减小的特征长度的波动大,疑似缺陷区域为缺陷部分的概率就与/>的取值有关,/>的取值越大,则灰度值逐渐减小的特征长度的波动越大,疑似缺陷区域内灰度变化情况越不规律,则疑似缺陷区域为缺陷部分的概率就越小,即第二概率指标的取值就越小。
步骤四,将疑似缺陷区域的起始点分为两个类别,分别根据两个类别内起始点的特征链上像素点的灰度值计算第三概率指标;根据所述第一、第二和第三概率指标得到全局概率指标;根据全局概率指标判断铸件表面的缺陷损伤程度。
需要说明的是,由于存在缺陷的区域从边缘轮廓到中心的方向上灰度值逐渐减小,则在圆形缺陷区域的边缘像素点过中心点到另一侧的边缘像素点的线段上,在线形缺陷区域的边缘像素点过最短距离的中心线上的点到另一侧的边缘像素点的线段上,灰度值的变化曲线近似于开口向上的抛物线的形状。
基于此,以圆形缺陷区域过中心点的任意一条直线将该区域分为两个部分,在本实施例中,将按照顺时针选取的前15个起始点对应的边缘像素点分为第一类别,将按照顺时针选取的后15个起始点对应的边缘像素点分为第二类别,同时这两个类别中各边缘像素点依然按照顺时针的顺序进行排列,实施者可根据具体实施场景进行设置。利用线形缺陷区域的中心线将该区域分为两个部分,在本实施例中,根据顺时针获取的30个起始点对应的边缘像素点处于区域中心线两侧,将其分为第一类别和第二类别。
对于任意一个起始点的特征链,将特征链上从起始点开始按照获取的顺序进行标记序号,将同一类别内所有起始点的特征链上相同序号的像素点的灰度值进行相加取均值,分别将两个类别内按照像素点的序号计算的所有均值构成第一灰度集合和第二灰度集合,可获得两个类别对应的均值特征链。其中,第一灰度集合和第二灰度集合分别记为,/>,/>和/>分别为第一灰度集合和第二灰度集合,/>和/>分别表示第一类别和第二类别内所有起始点的特征链上第一个像素点的灰度值均值,x和y分别表示第一类别对应的均值特征链的长度,即第一类别集合和第二类别集合中元素的数量。其中,类别集合中的元素即为类别内所有起始点的特征链上对应序号像素点的灰度值均值。
第一类别对应的第一灰度集合和第二类别对应的第二灰度集合能够从整体上反映疑似缺陷区域划分的两个部分从边缘轮廓到中心区域的灰度值变化情况,一般情况下,在疑似缺陷区域的边缘轮廓到中心区域的方向上,被划分的两个部分对应位置处的灰度值应较为接近,则第一灰度集合和第二灰度集合中相同序号的像素点对应的均值之间的差异应当较小,根据第一灰度集合和第二灰度集合中相同序号的像素点对应的灰度值均值之间的差异确定疑似缺陷区域的第三概率指标,用公式表示为:
其中,表示第三概率指标,/>和/>分别表示第一灰度集合和第二灰度集合对应的类别中所有起始点的特征链上第i个像素点的灰度值均值,x表示第一灰度集合中元素的数量,y表示第二灰度集合中元素的数量。
第三概率指标能够表征疑似缺陷区域在像素点灰度值变化上为真正的缺陷区域的概率,表示第一灰度集合与第二灰度集合中相同序号的元素的差异,该差异越小,说明疑似缺陷区域被划分的两个部分的灰度值差异越小,则越符合存在缺陷的区域的灰度值变化的规律,进而根据灰度值差异的均值得到该区域为缺陷区域的概率,概率的取值越大。
通过比较两个灰度集合中元素的数量进行计算是因为,两个灰度集合中元素的数量可能会不同,选择数量较小的集合中的序号进行对应的计算,避免了由于集合中不存在该序号对应的元素而导致灰度值差异较大,进而影响第三概率指标的计算结果,以减小误差。
进一步的,计算第一概率指标、第二概率指标和第三概率指标的均值得到全局概率指标,疑似缺陷区域的全局概率指标表示疑似缺陷区域为真正的缺陷区域的概率,第一概率指标通过分析疑似缺陷区域在边缘像素点的灰度值减小的方向上的特征情况获得该区域为真正的缺陷区域的概率,第二概率指标通过分析疑似缺陷区域的形状特征获得该区域为真正的缺陷区域的概率,第三概率指标通过分析疑似缺陷区域内部像素点灰度值的变化情况获得该区域为真正的缺陷区域的概率,则通过结合这三个概率指标,能够较为全面的确定存在缺陷的区域。
设置缺陷阈值,当疑似缺陷区域的全局概率指标大于或等于缺陷阈值时,则该疑似缺陷区域为真正的缺陷区域,否则该疑似缺陷区域为正常区域,进而对铸件表面灰度图像中所有疑似缺陷区域进行判断,其中,在本实施例中,缺陷阈值的取值为0.9,实施者可根据具体实施场景进行设置。如图2所示,其示出了使用最大熵法进行分割的结果示意图,如图3所示,其示出了使用本发明实施例的方法进行分割的结果示意图,其中,图像中白色部分均为缺陷部分,通过结果示意图进行比较可以看出,本发明实施例的方法进行分割的效果较佳。
获取所有真正的缺陷区域对应的连通域面积以及铸件表面的面积,根据所有真正的缺陷区域对应的连通域面积之和与铸件表面的面积的比值,得到铸件的缺陷损伤程度,所述缺陷损伤程度的取值大于损伤阈值时,则该铸件为不合格铸件。其中,在本实施例中,损伤阈值的取值为0.01,实施者可根据具体情况进行设置。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (5)
1.一种基于计算机视觉的铸件表面缺陷检测方法,其特征在于,该方法包括以下步骤:
获取铸件表面灰度图像,对铸件表面灰度图像进行分割获得多个连通域记为疑似缺陷区域;
在疑似缺陷区域的边缘上按照固定间隔获取设定数量的边缘像素点作为起始点,获取起始点的邻域内灰度值小于起始点,且灰度值最小的像素点作为发展点,直到满足停止条件,获取所有发展点和起始点构成起始点的特征链;根据各特征链上像素点的数量以及像素坐标得到第一概率指标;
获取各起始点到疑似缺陷区域的中心区域的距离,同时,获取各起始点的特征链上像素点的数量,根据所述距离与数量确定疑似缺陷区域的第二概率指标;
将疑似缺陷区域的起始点分为两个类别,分别根据两个类别内起始点的特征链上像素点的灰度值计算第三概率指标;根据所述第一、第二和第三概率指标得到全局概率指标;根据全局概率指标判断铸件表面的缺陷损伤程度;
在对铸件表面图像进行分割获得多个连通域记为疑似缺陷区域之后,所述方法还包括:
获取各连通域的面积以及连通域的最小外接圆的面积,根据连通域的面积与最小外接圆的面积的比值得到圆形度;利用圆形度阈值与圆形度判断疑似缺陷区域属于圆形缺陷或者线形缺陷;
若疑似缺陷区域为圆形缺陷,则获取疑似缺陷区域内设定大小的圆形区域记为中心区域;
若疑似缺陷区域为线形缺陷,则对该疑似缺陷区域进行形态学细化操作获得中心区域;
所述停止条件具体为:在起始点的邻域内没有像素点的灰度值小于起始点的灰度值,或者起始点的邻域内获得的发展点位于该疑似缺陷区域的中心区域;
所述第一概率指标的获取方法具体为:
获取起始点的特征链上像素点的数量以及像素点的像素坐标,根据所述像素点的像素坐标进行直线拟合,统计该特征链上的像素点在拟合获得的直线上的数量,根据该数量与特征链上像素点的数量的比值获得特征链的概率特征值,获取所有起始点的特征链的概率特征值的均值得到疑似缺陷区域的第一概率指标;
所述第二概率指标的获取方法具体为:
计算起始点到疑似缺陷区域的中心区域的距离的方差,计算起始点的特征链上像素点的数量的方差,根据两个方差确定疑似缺陷区域的第二概率指标,用公式表示为:
其中,表示疑似缺陷区域的第二概率指标,/>表示起始点的特征链上像素点的数量的方差,/>表示起始点到疑似缺陷区域的中心区域的距离的方差;
所述第三概率指标的获取方法具体为:
将起始点的特征链上从起始点开始按照获取的顺序对像素点进行标记序号,将同一类别内所有起始点的特征链上相同序号的像素点的灰度值进行相加取均值,同一类别内所有均值分别构成第一灰度集合和第二灰度集合;根据第一灰度集合和第二灰度集合中相同序号的像素点对应的灰度值均值之间的差异确定疑似缺陷区域的第三概率指标,用公式表示为:
其中,表示第三概率指标,/>和/>分别表示第一灰度集合和第二灰度集合对应的类别中所有起始点的特征链上第i个像素点的灰度值均值,x表示第一灰度集合中元素的数量,y表示第二灰度集合中元素的数量。
2.根据权利要求1所述的一种基于计算机视觉的铸件表面缺陷检测方法,其特征在于,所述根据全局概率指标判断铸件表面的缺陷损伤程度具体为:
设置缺陷阈值,当疑似缺陷区域的全局概率指标大于或等于缺陷阈值时,则该疑似缺陷区域为真正的缺陷区域,进而对铸件表面灰度图像中所有疑似缺陷区域进行判断;根据所有真正的缺陷区域对应的连通域面积之和与铸件表面的面积的比值,得到铸件的缺陷损伤程度,所述缺陷损伤程度的取值大于损伤阈值时,则该铸件为不合格铸件。
3.根据权利要求1所述的一种基于计算机视觉的铸件表面缺陷检测方法,其特征在于,所述圆形度阈值设置为0.7。
4.根据权利要求2所述的一种基于计算机视觉的铸件表面缺陷检测方法,其特征在于,所述损伤阈值设置为0.01。
5.根据权利要求2所述的一种基于计算机视觉的铸件表面缺陷检测方法,其特征在于,所述获取铸件表面灰度图像包括:
获取相机拍摄到的表面图像,去除表面图像中的背景并进行去噪,再执行灰度化,获得表面灰度图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311006728.0A CN116758061B (zh) | 2023-08-11 | 2023-08-11 | 基于计算机视觉的铸件表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311006728.0A CN116758061B (zh) | 2023-08-11 | 2023-08-11 | 基于计算机视觉的铸件表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116758061A CN116758061A (zh) | 2023-09-15 |
CN116758061B true CN116758061B (zh) | 2023-10-31 |
Family
ID=87953578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311006728.0A Active CN116758061B (zh) | 2023-08-11 | 2023-08-11 | 基于计算机视觉的铸件表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116758061B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116977358B (zh) * | 2023-09-22 | 2023-12-12 | 玖龙智能包装(天津)有限公司 | 一种瓦楞纸生产品质视觉辅助检测方法 |
CN116977333B (zh) * | 2023-09-22 | 2023-12-22 | 山东恒海钢结构有限公司 | 基于图像数据的装配式钢结构构件质量检测方法 |
CN116993726B (zh) * | 2023-09-26 | 2023-12-19 | 山东克莱蒙特新材料科技有限公司 | 一种矿物铸件检测方法及系统 |
CN116993966B (zh) * | 2023-09-27 | 2023-12-12 | 诺伯特智能装备(山东)有限公司 | 一种铸件打磨视觉智能定位方法及系统 |
CN117078667B (zh) * | 2023-10-13 | 2024-01-09 | 山东克莱蒙特新材料科技有限公司 | 基于机器视觉的矿物铸件检测方法 |
CN117214183B (zh) * | 2023-11-07 | 2024-01-30 | 山东泗水金立得纸业有限公司 | 一种基于机器视觉的纸张缺陷检测方法 |
CN117237355B (zh) * | 2023-11-15 | 2024-02-02 | 宁波快马加鞭科技有限公司 | 基于图像特征的保温杯表面缺陷检测方法 |
CN117388263B (zh) * | 2023-11-27 | 2024-04-02 | 东莞市羿通实业有限公司 | 用于充电枪的五金端子质量检测方法 |
CN117314925B (zh) * | 2023-11-30 | 2024-02-20 | 东莞市旺佳五金制品有限公司 | 基于计算机视觉的金属工件表面缺陷检测方法 |
CN117689637B (zh) * | 2023-12-14 | 2024-06-07 | 广东昭明电子集团股份有限公司 | 一种新能源电池五金件加工质量视觉检测方法 |
CN117764992B (zh) * | 2024-02-22 | 2024-04-30 | 山东乔泰管业科技有限公司 | 基于图像处理的塑料管材质量检测方法 |
CN117764990B (zh) * | 2024-02-22 | 2024-05-17 | 苏州悦昇精密机械制造有限公司 | 一种机箱冲压质量检测方法 |
CN118096736B (zh) * | 2024-04-23 | 2024-06-25 | 山东德源电力科技股份有限公司 | 用于集中器终端生产的外壳表面缺陷检测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015135540A (ja) * | 2014-01-16 | 2015-07-27 | 大日本印刷株式会社 | 画像の特徴点抽出方法、欠陥検査方法、欠陥検査装置 |
CN113538433A (zh) * | 2021-09-17 | 2021-10-22 | 海门市创睿机械有限公司 | 基于人工智能的机械铸件缺陷检测方法及系统 |
CN114419025A (zh) * | 2022-01-27 | 2022-04-29 | 江苏泰和木业有限公司 | 一种基于图像处理的纤维板质量评估方法 |
CN114782329A (zh) * | 2022-03-31 | 2022-07-22 | 南通同欧智能装备科技有限公司 | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 |
CN114972357A (zh) * | 2022-08-03 | 2022-08-30 | 南通恒立机械设备有限公司 | 一种基于图像处理的轧辊表面缺陷检测方法及系统 |
CN115100171A (zh) * | 2022-07-11 | 2022-09-23 | 常宝云 | 一种基于机器视觉的钢模焊接缺陷检测方法及系统 |
CN115170576A (zh) * | 2022-09-09 | 2022-10-11 | 山东中发新材料科技有限公司 | 基于机器视觉的铝管表面缺陷检测方法 |
CN115351598A (zh) * | 2022-10-17 | 2022-11-18 | 南通钜德智能科技有限公司 | 一种数控机床轴承检测方法 |
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 |
CN115511889A (zh) * | 2022-11-23 | 2022-12-23 | 江苏惠汕新能源集团有限公司 | 一种太阳能电池板支架表面焊接缺陷检测方法 |
CN116071387A (zh) * | 2023-03-06 | 2023-05-05 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于机器视觉的枕轨生产质量检测方法 |
CN116091498A (zh) * | 2023-04-07 | 2023-05-09 | 飞杨电源技术(深圳)有限公司 | 用于铅酸蓄电池智能充电器的视觉缺陷检测方法 |
-
2023
- 2023-08-11 CN CN202311006728.0A patent/CN116758061B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015135540A (ja) * | 2014-01-16 | 2015-07-27 | 大日本印刷株式会社 | 画像の特徴点抽出方法、欠陥検査方法、欠陥検査装置 |
CN113538433A (zh) * | 2021-09-17 | 2021-10-22 | 海门市创睿机械有限公司 | 基于人工智能的机械铸件缺陷检测方法及系统 |
CN114419025A (zh) * | 2022-01-27 | 2022-04-29 | 江苏泰和木业有限公司 | 一种基于图像处理的纤维板质量评估方法 |
CN114782329A (zh) * | 2022-03-31 | 2022-07-22 | 南通同欧智能装备科技有限公司 | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 |
CN115100171A (zh) * | 2022-07-11 | 2022-09-23 | 常宝云 | 一种基于机器视觉的钢模焊接缺陷检测方法及系统 |
CN114972357A (zh) * | 2022-08-03 | 2022-08-30 | 南通恒立机械设备有限公司 | 一种基于图像处理的轧辊表面缺陷检测方法及系统 |
CN115170576A (zh) * | 2022-09-09 | 2022-10-11 | 山东中发新材料科技有限公司 | 基于机器视觉的铝管表面缺陷检测方法 |
CN115351598A (zh) * | 2022-10-17 | 2022-11-18 | 南通钜德智能科技有限公司 | 一种数控机床轴承检测方法 |
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 |
CN115511889A (zh) * | 2022-11-23 | 2022-12-23 | 江苏惠汕新能源集团有限公司 | 一种太阳能电池板支架表面焊接缺陷检测方法 |
CN116071387A (zh) * | 2023-03-06 | 2023-05-05 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于机器视觉的枕轨生产质量检测方法 |
CN116091498A (zh) * | 2023-04-07 | 2023-05-09 | 飞杨电源技术(深圳)有限公司 | 用于铅酸蓄电池智能充电器的视觉缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
采用机器视觉的铝压铸件表面缺陷检测;郑晓玲;刘斌;;华侨大学学报(自然科学版)(第02期);正文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116758061A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116758061B (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
CN115170576B (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN115375676B (zh) | 一种基于图像识别的不锈钢制品质量检测方法 | |
CN114723701B (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN115082418B (zh) | 一种汽车零部件精密识别方法 | |
CN114419025A (zh) | 一种基于图像处理的纤维板质量评估方法 | |
CN116758083B (zh) | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN108764345B (zh) | 一种基于局部与全局聚类的水下大坝裂缝检测方法 | |
CN115829883A (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN116385439B (zh) | 基于图像处理的电机橡胶减震垫质量检测方法 | |
CN116777916B (zh) | 基于泵机金属外壳的缺陷检测方法 | |
CN115063423B (zh) | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 | |
US20180017503A1 (en) | Surface defect inspecting device and method for hot-dip coated steel sheets | |
CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115100191A (zh) | 基于工业检测的金属铸件缺陷识别方法 | |
CN116363126B (zh) | 一种数据线usb插头焊接质量检测方法 | |
CN116630813A (zh) | 一种公路路面施工质量智能检测系统 | |
CN115063407A (zh) | 一种用于环形铜垫片的划痕及裂纹识别方法 | |
CN117173661A (zh) | 基于计算机视觉的沥青道路质量检测方法 | |
CN117388263B (zh) | 用于充电枪的五金端子质量检测方法 |
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 |