CN116805317A - 基于人工智能的回转炉内壁缺陷检测方法 - Google Patents
基于人工智能的回转炉内壁缺陷检测方法 Download PDFInfo
- Publication number
- CN116805317A CN116805317A CN202311082947.7A CN202311082947A CN116805317A CN 116805317 A CN116805317 A CN 116805317A CN 202311082947 A CN202311082947 A CN 202311082947A CN 116805317 A CN116805317 A CN 116805317A
- Authority
- CN
- China
- Prior art keywords
- edge
- degree
- pixel point
- connected domain
- edge connected
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 34
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 230000005856 abnormality Effects 0.000 claims abstract description 38
- 238000003466 welding Methods 0.000 claims abstract description 37
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 230000002776 aggregation Effects 0.000 claims abstract description 16
- 238000004220 aggregation Methods 0.000 claims abstract description 16
- 238000003708 edge detection Methods 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 31
- 238000004891 communication Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 241000251468 Actinopterygii Species 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation 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
- 230000008569 process Effects 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于人工智能的回转炉内壁缺陷检测方法,包括:采集回转炉内壁图像并进行预处理得到前景图像;利用边缘检测得到平滑程度;利用平滑程度得到差异程度;利用灰度特征得到灰度近似度;利用位置分布得到聚集程度;利用差异程度、灰度近似度、聚集程度和灰度值得到每个边缘连通域中每个边缘像素点的异常程度;利用异常程度对前景图像进行自适应灰度变换得到增强后的图像;对增强后的图像进行阈值分割得到回转炉内壁缺陷区域。本发明利用回转炉内壁鱼鳞焊的区域特征对回转炉内壁的焊缝图像进行自适应的增强,解决了鱼鳞焊焊接区域裂缝检测中鱼鳞焊的焊纹对焊接裂缝检测的影响。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于人工智能的回转炉内壁缺陷检测方法。
背景技术
回转炉内壁环境高温且磨损强度高,所以内壁焊接区域常采用鱼鳞焊。但在焊接区域裂缝检测中,鱼鳞焊的焊纹与裂缝的特征及其相近,严重影响了焊接裂缝检测,大津法等传统的阈值分割方法无法检测出是否存在裂缝,导致无法对内壁缺陷进行及时检测从而出现安全隐患。
发明内容
本发明提供基于人工智能的回转炉内壁缺陷检测方法,以解决现有的问题。
本发明的基于人工智能的回转炉内壁缺陷检测方法采用如下技术方案:
本发明一个实施例提供了基于人工智能的回转炉内壁缺陷检测方法,该方法包括以下步骤:
使用工业相机采集回转炉内壁鱼鳞焊焊缝图像得到待处理图像,对待处理图像进行灰度化处理,得到对应的灰度图像;
对灰度图像进行阈值分割得到前景图像,对前景图像进行边缘检测得到边缘像素点,利用边缘像素点获取边缘连通域;获取每个边缘连通域的最高横坐标中心、最低横坐标中心和矩倾度,利用每个边缘连通域的最高横坐标中心、最低横坐标中心和矩倾度得到每个边缘连通域的平滑程度;
利用每个边缘连通域的平滑程度和所有边缘连通域的平滑程度的统计量得到每个边缘连通域的差异程度;利用边缘连通域的灰度特征得到每个边缘连通域中每个边缘像素点的灰度近似度;利用边缘连通域中所有边缘像素点的位置分布得到每个边缘连通域的聚集程度;利用灰度近似度和聚集程度计算得到每个边缘连通域中的每个边缘像素点的初始异常程度,根据差异程度和初始异常程度得到每个边缘连通域中每个边缘像素点的异常程度;
利用每个边缘连通域中每个边缘像素点的异常程度对前景图像进行自适应灰度变换得到增强后的图像;
将增强后的图像进行阈值分割,并将阈值分割结果输入到语义分割网络得到缺陷区域,完成回转炉内壁缺陷检测。
优选的,所述获取每个边缘连通域的最高横坐标中心、最低横坐标中心和矩倾度,利用每个边缘连通域的最高横坐标中心、最低横坐标中心和矩倾度得到每个边缘连通域的平滑程度,包括的具体步骤如下:
获取最高横坐标中心和最低横坐标中心;获取每个边缘连通域的最小外接矩形,计算最小外接矩形接近竖直方向的边与图像水平方向的钝角夹角并采用弧度制表示,记为每个边缘连通域的矩倾度,计算得到边缘连通域平滑程度的计算公式如下:
其中,表示前景图像中第/>个边缘连通域的平滑程度,/>表示前景图像中第/>个边缘连通域的最高横坐标中心,/>表示前景图像中第/>个边缘连通域的最低横坐标中心,/>表示前景图像中第/>个边缘连通域的矩倾度。
优选的,所述获取最高横坐标中心和最低横坐标中心,包括的具体步骤如下:
获取每个边缘连通域中所有边缘像素点坐标中竖直方向坐标最大的所有边缘像素点,并计算所有边缘像素点水平方向坐标的算数均值,将算数均值记为最高横坐标中心;获取每个边缘连通域中各边缘像素点坐标中竖直方向坐标的最小值的所有边缘像素点,并计算所有边缘像素点水平方向坐标的算数均值,将算数均值记为最低横坐标中心。
优选的,所述利用每个边缘连通域的平滑程度和所有边缘连通域的平滑程度的统计量得到每个边缘连通域的差异程度,包括的具体步骤如下:
获取前景图像中所有边缘连通域的数目,计算前景图像中所有除去任意一个边缘连通域后其余所有边缘连通域的平滑程度的算数均值,计算前景图像中所有边缘连通域的平滑程度的方差,计算边缘连通域的差异程度的具体公式如下:
其中,表示第/>个边缘连通域的差异程度,/>表示所有边缘连通域中除去第/>个边缘连通域后其余所有边缘连通域中的第/>个边缘连通域的平滑程度,且有,/>表示前景图像中除去第/>个边缘连通域后其余所有边缘连通域的平滑程度的算数均值,/>表示前景图像中所有边缘连通域的数目,/>表示前景图像中所有边缘连通域的平滑程度的方差。
优选的,所述利用边缘连通域的灰度特征得到每个边缘连通域中每个边缘像素点的灰度近似度,包括的具体步骤如下:
以每个边缘连通域中所有边缘像素点的灰度值的取值范围为坐标轴长度建立灰度坐标系,将每个边缘连通域中任意一个边缘像素点记为目标像素点,将目标像素点的灰度值作为每个边缘像素点的横坐标,将每个边缘连通域中目标像素点的右邻近顺时针边缘像素点的灰度值作为每个边缘像素点的纵坐标,将每个边缘连通域中所有边缘像素点的横坐标和纵坐标对应到灰度坐标系中,获取灰度坐标系的角平分线,计算灰度坐标系中每个边缘像素点对应的坐标距离灰度坐标系的角平分线的欧氏距离,记为每个边缘连通域中每个边缘像素点的灰度近似度。
优选的,所述目标像素点的右邻近顺时针边缘像素点具体指代的是:
目标像素点的右邻近顺时针边缘像素点指的是在边缘连通域中目标像素点水平方向上向右方向上最邻近的像素点,若水平方向上向右方向上无像素点,则按照顺时针的方向寻找最邻近的像素点,将最邻近的像素点作为目标像素点的右邻近顺时针边缘像素点。
优选的,所述利用边缘连通域中所有边缘像素点的位置分布得到每个边缘连通域的聚集程度,包括的具体步骤如下:
计算每个边缘连通域中所有边缘像素点两两之间的欧氏距离,并计算所有欧氏距离的算数均值,记为每个边缘连通域的聚集程度。
优选的,所述计算得到每个边缘连通域中的每个边缘像素点的初始异常程度,包括的具体步骤如下:
将每个边缘连通域的聚集程度和每个边缘连通域内的每个边缘像素点的灰度近似度相乘后得到乘数结果,将乘数结果除以每个边缘连通域内的每个边缘像素点的灰度值得到每个边缘连通域中的每个边缘像素点的初始异常程度。
优选的,所述根据初始异常程度得到每个边缘连通域中每个边缘像素点的异常程度,包括的具体步骤如下:
将每个边缘连通域的差异程度与每个边缘连通域中的每个边缘像素点的初始异常程度相乘得到每个边缘连通域中每个边缘像素点的异常程度。
优选的,所述利用每个边缘连通域中每个边缘像素点的异常程度对前景图像进行自适应灰度变换得到增强后的图像,包括的具体步骤如下:
对每个边缘连通域中的每个边缘像素点的异常程度进行线型归一化将其归一化至区间内;对于每个边缘连通域中的每个边缘像素点,利用灰度变换公式对其灰度值进行变换得到变化后的调整像素点,具体的公式如下:
其中,表示灰度变换后第/>个边缘连通域中第/>个边缘像素点的灰度值,/>表示归一化后的第/>个边缘连通域中的/>个边缘像素点的异常程度,/>表示灰度变换前第/>个边缘连通域中第/>个边缘像素点的灰度值。
本发明的技术方案的有益效果是:针对传统的阈值分割方法无法检测出是否存在裂缝的情况,本发明通过分析鱼鳞焊区域的边缘特征和其中每个边缘像素点的整体和局部特征,衡量得到了每个区域中每个边缘像素点的异常程度,并根据异常程度进行局部自适应的灰度变换得到增强后的图像,使得后续的图像分割过程中焊缝裂缝和焊纹得到了区分,解决了鱼鳞焊焊接区域裂缝检测中鱼鳞焊的焊纹对焊接裂缝检测的影响,实现了基于人工智能的回转炉内壁缺陷检测的技术效果。
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,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地介绍,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他的附图。
图1为本发明基于人工智能的回转炉内壁缺陷检测方法的步骤流程图;
图2为本发明的回转炉内壁鱼鳞焊焊缝灰度图像;
图3为本发明的对回转炉内壁鱼鳞焊焊缝灰度图像进行边缘检测后所得到的二值化边缘图像。
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基于人工智能的回转炉内壁缺陷检测方法,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基于人工智能的回转炉内壁缺陷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基于人工智能的回转炉内壁缺陷检测方法的步骤流程图,该方法包括以下步骤:
S001:采集回转炉内壁焊接区域图像并进行预处理得到对应的灰度图像。
具体的,使用工业相机拍摄回转炉内壁鱼鳞焊焊缝,得到待处理图像,其中待处理图像中的焊接方向为图像水平方向,焊纹方向为图像竖直方向,对待处理图像进行灰度化处理,得到对应的如图2所示的灰度图像。
至此,得到了对应的灰度图像。
S002:对灰度图像进行边缘检测得到边缘连通域,根据边缘连通域计算得到边缘连通域的平滑程度。
需要说明的是,为了突出焊纹、裂缝与周围区域之间的边界和形态差异,因此需要对灰度图像进行边缘检测以得到具体的焊纹和裂缝的边缘连通域。
具体的,通过大津法对灰度图像进行阈值分割得到前景图像,对前景图像进行边缘检测得到边缘像素点,如图3所示,为边缘检测并二值化处理后所得到的边缘图像,其中白色的像素点即为检测得到的边缘像素点,利用连通域的定义对边缘像素点进行整合得到/>个焊纹和裂缝的边缘连通域,其中的任意一个边缘连通域为第/>个边缘连通域,且有/>。
需要进一步说明的是,由于灰度图像中的焊接方向为横向,则鱼鳞焊纹整体趋势为纵向。当无裂纹干扰时,焊纹边缘连通域两侧端点的横坐标相近,所以选取边缘连通域各边缘像素点坐标中,竖直方向坐标的最大值与最小值对应的两个边缘像素点,通过其边缘像素点对应的横向水平方向坐标的比值,得到焊纹受裂缝影响的程度。又因为焊接方向为横向,则鱼鳞焊纹整体趋势为纵向,所以再根据边缘连通域的外接矩阵长边与焊接方向的锐角夹角对焊纹受裂缝影响的程度进行修正,得到边缘连通域平滑程度。
具体的,获取每个边缘连通域中所有边缘像素点坐标中竖直方向坐标最大的所有边缘像素点,并计算所有边缘像素点水平方向坐标的算数均值(有非整数情况按照四舍五入的方法进行处理),将算数均值记为最高横坐标中心;获取每个边缘连通域中各边缘像素点坐标中竖直方向坐标的最小值的所有边缘像素点,并计算所有边缘像素点水平方向坐标的算数均值(有非整数情况按照四舍五入的方法进行处理),将算数均值记为最低横坐标中心;获取每个边缘连通域的最小外接矩形,计算最小外接矩形接近竖直方向的边与图像水平方向的钝角夹角并用弧度制表示,记为每个边缘连通域的矩倾度,得到边缘连通域平滑程度,具体的计算公式如下:
其中,表示前景图像中第/>个边缘连通域的平滑程度,/>表示前景图像中第/>个边缘连通域的最高横坐标中心,/>表示前景图像中第/>个边缘连通域的最低横坐标中心,/>表示前景图像中第/>个边缘连通域的矩倾度。/>表示焊纹受裂缝影响的程度,其值越趋于1则焊纹受裂缝影响的程度越小,表征该边缘连通域是正常的鱼鳞焊区域,/>表征焊纹受裂缝影响的程度,其值越大则焊纹受裂缝影响的程度越大,平滑程度越大则该边缘连通域受裂缝影响的可能性就越大。
至此,得到了边缘连通域,根据边缘连通域计算得到了前景图像中每个边缘连通域的平滑程度。
S003:利用边缘连通域的平滑程度得到每个边缘连通域的差异程度。
需要说明的是,得到边缘连通域的平滑程度之后,因为平滑程度是通过单个边缘连通域特征分析得到的,因此其数据没有整体性,会使得图像整体性的增强效果较差。所以将所有边缘连通域的平滑程度存到集合中,再取出集合中的单个数据,通过取出单个数据后的集合的方差,得到每个边缘连通域与前景图像整体的差异性。
具体的,计算前景图像中所有除去任意一个边缘连通域后其余所有边缘连通域的平滑程度的算数均值,计算前景图像中所有边缘连通域的平滑程度的方差,计算边缘连通域的差异程度的具体公式如下:
其中,表示第/>个边缘连通域的差异程度,/>表示所有边缘连通域中除去第/>个边缘连通域后其余所有边缘连通域中的第/>个边缘连通域的平滑程度,且有,/>表示前景图像中除去第/>个边缘连通域后其余所有边缘连通域的平滑程度的算数均值,/>表示前景图像中所有边缘连通域的数目,/>表示前景图像中所有边缘连通域的平滑程度的方差。当前景图像中第/>个边缘连通域的平滑程度对整体方差的影响越大时,越说明该边缘连通域是整体中差异较为离散的边缘连通域,也即差异程度越大则该边缘连通域存在裂缝的可能性就越大。
S004:利用边缘连通域的灰度特征得到每个边缘连通域中每个边缘像素点的灰度近似度,利用边缘连通域中所有边缘像素点的位置分布得到每个边缘连通域的聚集程度,进一步得到每个边缘连通域中每个边缘像素点的异常程度。
需要说明的是,由于可能存在平滑程度近似焊纹的裂缝区域,仅通过平滑程度的差异判断可能会存在误差,故需要通过裂缝特征进行分析,当边缘连通域受到裂缝影响时,受到裂缝影响的区域灰度值与其他未受影响的边缘区域相比灰度值较低,而且在受到裂缝影响时边缘连通域内边缘像素点灰度值的统一度较低,进一步通过边缘连通域受灰度影响的程度作为权重将每个边缘连通域与整体的差异性进一步优化得到每个边缘连通域中每个边缘像素点的异常程度。
具体的,以每个边缘连通域中所有边缘像素点的灰度值的取值范围为坐标轴长度建立灰度坐标系,将每个边缘连通域中每个边缘像素点的灰度值作为该像素点的横坐标,将每个边缘连通域中每个边缘像素点的右邻近顺时针边缘像素点的灰度值作为该像素点的纵坐标,其中每个边缘像素点的右邻近顺时针边缘像素点指的是在边缘连通域中每个边缘像素点水平方向上向右方向上最邻近的像素点,若该方向上无像素点,则按照顺时针的方向寻找最邻近的像素点,将最邻近的像素点作为每个边缘像素点的右邻近顺时针边缘像素点,将每个边缘连通域中所有像素点的横坐标和纵坐标对应到灰度坐标系中,获取灰度坐标系的角平分线,计算灰度坐标系中每个边缘像素点对应的坐标距离灰度坐标系的角平分线的欧氏距离,记为灰度近似度;
计算每个边缘连通域中所有边缘像素点两两之间的欧氏距离,并计算所有欧氏距离的算数均值,记为每个边缘连通域的聚集程度;
计算每个边缘连通域中的每个边缘像素点的异常程度,具体的计算公式如下:
其中,表示第/>个边缘连通域中的/>个边缘像素点的异常程度,/>表示第/>个边缘连通域的聚集程度,/>表示第/>个边缘连通域内的/>个边缘像素点的灰度近似度,/>表示第/>个边缘连通域内的/>个边缘像素点的灰度值,/>表示第/>个边缘连通域的差异程度。表征了边缘连通域的统一性,/>越小则数据越集中,数据的统一性越高,数据的统一性越高则表示该边缘连通域中的边缘像素点受到裂缝影响程度越低,/>越大表明该边缘像素点离散程度越大,则其出现异常的可能性越大,表示该边缘连通域中的该边缘像素点的异常程度越大,由于受到裂缝影响的区域灰度值与其他未受影响的边缘区域相比灰度值较低,故灰度值越小的边缘像素点受到裂缝影响的可能性越高,则该边缘连通域中的该边缘像素点的异常程度越大,/>表示第/>个边缘连通域中第/>个边缘像素点受灰度影响的程度,其值越大则该边缘连通域受灰度影响的程度越高,则该边缘连通域存在裂缝的可能性就越大,/>越大则该边缘连通域存在裂缝的可能性就越大,异常程度越大,则该边缘连通域中的该边缘像素点为裂缝边缘像素点的可能性越高。
至此,得到了每个边缘连通域中每个边缘像素点的异常程度。
S005:利用每个边缘连通域中每个边缘像素点的异常程度调整图像的灰度值得到增强后的图像。
需要说明的是,通过得到各边缘连通域对应的异常程度,考虑到图像整体连续性和裂缝像素宽度,所以通过异常程度调整对应边缘连通域及其领域的灰度值。又因为其焊接区域整体灰度值较高,所以为使裂缝更加明显则使其灰度值降低,利用异常程度通过灰度变换调整边缘像素点的灰度值,达到自适应图像增强的效果。
具体的,对每个边缘连通域中的每个边缘像素点的异常程度进行线型归一化将其归一化至区间内;对于每个边缘连通域中的每个边缘像素点,利用灰度变换公式对其灰度值进行变换得到变化后的每个调整像素点,具体的公式如下:
其中,表示灰度变换后第/>个边缘连通域中第/>个边缘像素点的灰度值,/>表示归一化后的第/>个边缘连通域中的/>个边缘像素点的异常程度,/>表示灰度变换前第/>个边缘连通域中第/>个边缘像素点的灰度值。当一个边缘像素点的异常程度越大时,其需要被调整到越趋近于0的灰度值以便于后续的阈值分割中将其归于背景区域之中避免其对缺陷检测造成影响。
进一步,用每个调整像素点替换每个边缘连通域中的每个边缘像素点,将替换后的图像记为增强后的图像。
至此,得到了增强后的图像。
S006:对增强后的图像进行阈值分割得到回转炉内壁缺陷区域。
具体的,利用大津阈值分割法对增强后的图像进行阈值分割,将阈值分割的前景结果记为结果图像,将结果图像输入到训练好的语义分割网络中得到每个待处理图像的缺陷区域,完成回转炉内壁缺陷检测。
其中本实施例中使用语义分割网络为DeepLabV3网络;
其中本实施例使用的训练好的语义分割网络的训练方法如下:
预先收集一批采集到的回旋炉内壁图像,并为每个图像提供对应的缺陷区域的标注。确保图像和标注是成对的;将一批采集到的回旋炉内壁图像按照本实施例所述步骤得到若干结果图像,将这些结果图和对应的标注作为数据集,利用该数据集训练语义分割网络作为训练好的语义分割网络。需要说明的是神经网络的训练方法是公知技术,本实施例不再进行具体赘述。
至此,完成了基于人工智能的回转炉内壁缺陷检测。
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 (10)
1.基于人工智能的回转炉内壁缺陷检测方法,其特征在于,该方法包括以下步骤:
使用工业相机采集回转炉内壁鱼鳞焊焊缝图像得到待处理图像,对待处理图像进行灰度化处理,得到对应的灰度图像;
对灰度图像进行阈值分割得到前景图像,对前景图像进行边缘检测得到边缘像素点,利用边缘像素点获取边缘连通域;获取每个边缘连通域的最高横坐标中心、最低横坐标中心和矩倾度,利用每个边缘连通域的最高横坐标中心、最低横坐标中心和矩倾度得到每个边缘连通域的平滑程度;
利用每个边缘连通域的平滑程度和所有边缘连通域的平滑程度的统计量得到每个边缘连通域的差异程度;利用边缘连通域的灰度特征得到每个边缘连通域中每个边缘像素点的灰度近似度;利用边缘连通域中所有边缘像素点的位置分布得到每个边缘连通域的聚集程度;利用灰度近似度和聚集程度计算得到每个边缘连通域中的每个边缘像素点的初始异常程度,根据差异程度和初始异常程度得到每个边缘连通域中每个边缘像素点的异常程度;
利用每个边缘连通域中每个边缘像素点的异常程度对前景图像进行自适应灰度变换得到增强后的图像;
将增强后的图像进行阈值分割,并将阈值分割结果输入到语义分割网络得到缺陷区域,完成回转炉内壁缺陷检测。
2.根据权利要求1所述基于人工智能的回转炉内壁缺陷检测方法,其特征在于,所述获取每个边缘连通域的最高横坐标中心、最低横坐标中心和矩倾度,利用每个边缘连通域的最高横坐标中心、最低横坐标中心和矩倾度得到每个边缘连通域的平滑程度,包括的具体步骤如下:
获取最高横坐标中心和最低横坐标中心;获取每个边缘连通域的最小外接矩形,计算最小外接矩形接近竖直方向的边与图像水平方向的钝角夹角并采用弧度制表示,记为每个边缘连通域的矩倾度,计算得到边缘连通域平滑程度的计算公式如下:
其中,表示前景图像中第/>个边缘连通域的平滑程度,/>表示前景图像中第/>个边缘连通域的最高横坐标中心,/>表示前景图像中第/>个边缘连通域的最低横坐标中心,/>表示前景图像中第/>个边缘连通域的矩倾度。
3.根据权利要求2所述基于人工智能的回转炉内壁缺陷检测方法,其特征在于,所述获取最高横坐标中心和最低横坐标中心,包括的具体步骤如下:
获取每个边缘连通域中所有边缘像素点坐标中竖直方向坐标最大的所有边缘像素点,并计算所有边缘像素点水平方向坐标的算数均值,将算数均值记为最高横坐标中心;获取每个边缘连通域中各边缘像素点坐标中竖直方向坐标的最小值的所有边缘像素点,并计算所有边缘像素点水平方向坐标的算数均值,将算数均值记为最低横坐标中心。
4.根据权利要求1所述基于人工智能的回转炉内壁缺陷检测方法,其特征在于,所述利用每个边缘连通域的平滑程度和所有边缘连通域的平滑程度的统计量得到每个边缘连通域的差异程度,包括的具体步骤如下:
获取前景图像中所有边缘连通域的数目,计算前景图像中所有除去任意一个边缘连通域后其余所有边缘连通域的平滑程度的算数均值,计算前景图像中所有边缘连通域的平滑程度的方差,计算边缘连通域的差异程度的具体公式如下:
其中,表示第/>个边缘连通域的差异程度,/>表示所有边缘连通域中除去第/>个边缘连通域后其余所有边缘连通域中的第/>个边缘连通域的平滑程度,且有/>,/>表示前景图像中除去第/>个边缘连通域后其余所有边缘连通域的平滑程度的算数均值,/>表示前景图像中所有边缘连通域的数目,/>表示前景图像中所有边缘连通域的平滑程度的方差。
5.根据权利要求1所述基于人工智能的回转炉内壁缺陷检测方法,其特征在于,所述利用边缘连通域的灰度特征得到每个边缘连通域中每个边缘像素点的灰度近似度,包括的具体步骤如下:
以每个边缘连通域中所有边缘像素点的灰度值的取值范围为坐标轴长度建立灰度坐标系,将每个边缘连通域中任意一个边缘像素点记为目标像素点,将目标像素点的灰度值作为每个边缘像素点的横坐标,将每个边缘连通域中目标像素点的右邻近顺时针边缘像素点的灰度值作为每个边缘像素点的纵坐标,将每个边缘连通域中所有边缘像素点的横坐标和纵坐标对应到灰度坐标系中,获取灰度坐标系的角平分线,计算灰度坐标系中每个边缘像素点对应的坐标距离灰度坐标系的角平分线的欧氏距离,记为每个边缘连通域中每个边缘像素点的灰度近似度。
6.根据权利要求5所述基于人工智能的回转炉内壁缺陷检测方法,其特征在于,所述目标像素点的右邻近顺时针边缘像素点具体指代的是:
目标像素点的右邻近顺时针边缘像素点指的是在边缘连通域中目标像素点水平方向上向右方向上最邻近的像素点,若水平方向上向右方向上无像素点,则按照顺时针的方向寻找最邻近的像素点,将最邻近的像素点作为目标像素点的右邻近顺时针边缘像素点。
7.根据权利要求1所述基于人工智能的回转炉内壁缺陷检测方法,其特征在于,所述利用边缘连通域中所有边缘像素点的位置分布得到每个边缘连通域的聚集程度,包括的具体步骤如下:
计算每个边缘连通域中所有边缘像素点两两之间的欧氏距离,并计算所有欧氏距离的算数均值,记为每个边缘连通域的聚集程度。
8.根据权利要求1所述基于人工智能的回转炉内壁缺陷检测方法,其特征在于,所述利用灰度近似度和聚集程度计算得到每个边缘连通域中的每个边缘像素点的初始异常程度,包括的具体步骤如下:
将每个边缘连通域的聚集程度和每个边缘连通域内的每个边缘像素点的灰度近似度相乘后得到乘数结果,将乘数结果除以每个边缘连通域内的每个边缘像素点的灰度值得到每个边缘连通域中的每个边缘像素点的初始异常程度。
9.根据权利要求1所述基于人工智能的回转炉内壁缺陷检测方法,其特征在于,所述根据差异程度和初始异常程度得到每个边缘连通域中每个边缘像素点的异常程度,包括的具体步骤如下:
将每个边缘连通域的差异程度与每个边缘连通域中的每个边缘像素点的初始异常程度相乘得到每个边缘连通域中每个边缘像素点的异常程度。
10.根据权利要求1所述基于人工智能的回转炉内壁缺陷检测方法,其特征在于,所述利用每个边缘连通域中每个边缘像素点的异常程度对前景图像进行自适应灰度变换得到增强后的图像,包括的具体步骤如下:
对每个边缘连通域中的每个边缘像素点的异常程度进行线型归一化将其归一化至区间内;对于每个边缘连通域中的每个边缘像素点,利用灰度变换公式对每个边缘连通域中的每个边缘像素点的灰度值进行变换得到变化后的每个调整像素点,用每个调整像素点替换每个边缘连通域中的每个边缘像素点,将替换后的图像记为增强后的图像,其中具体的灰度变换公式如下:
其中,表示灰度变换后第/>个边缘连通域中第/>个边缘像素点的灰度值,/>表示归一化后的第/>个边缘连通域中的/>个边缘像素点的异常程度,/>表示灰度变换前第/>个边缘连通域中第/>个边缘像素点的灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311082947.7A CN116805317B (zh) | 2023-08-28 | 2023-08-28 | 基于人工智能的回转炉内壁缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311082947.7A CN116805317B (zh) | 2023-08-28 | 2023-08-28 | 基于人工智能的回转炉内壁缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116805317A true CN116805317A (zh) | 2023-09-26 |
CN116805317B CN116805317B (zh) | 2023-11-14 |
Family
ID=88079753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311082947.7A Active CN116805317B (zh) | 2023-08-28 | 2023-08-28 | 基于人工智能的回转炉内壁缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116805317B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095067A (zh) * | 2023-10-17 | 2023-11-21 | 山东虹纬纺织有限公司 | 基于人工智能的纺织品色差检测方法 |
CN117456427A (zh) * | 2023-12-19 | 2024-01-26 | 武汉新科冶金设备制造有限公司 | 一种炼钢转炉的钢水倾倒方法 |
CN117546887A (zh) * | 2024-01-12 | 2024-02-13 | 武汉市巽皇食品有限公司 | 一种基于物联网的自动和面控制方法及系统 |
CN117593214A (zh) * | 2024-01-18 | 2024-02-23 | 宁波海上鲜信息技术股份有限公司 | 一种基于图像特征分析的鱼类类别检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060067571A1 (en) * | 2004-09-29 | 2006-03-30 | Dainippon Screen Mfg. Co., Ltd. | Defect detection apparatus and defect detection method |
CN114972343A (zh) * | 2022-07-29 | 2022-08-30 | 山东睿鑫激光科技有限公司 | 一种激光焊接产品生产异常检测方法 |
CN115082464A (zh) * | 2022-08-22 | 2022-09-20 | 南通翡利达液压科技有限公司 | 除尘机焊接过程中焊缝数据的识别方法及系统 |
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 |
CN115345894A (zh) * | 2022-10-17 | 2022-11-15 | 南通通力油泵有限公司 | 一种焊缝射线检测图像分割方法 |
CN115423813A (zh) * | 2022-11-05 | 2022-12-02 | 江苏惠汕新能源集团有限公司 | 焊管表面焊接缺陷检测方法 |
US20230011569A1 (en) * | 2021-07-09 | 2023-01-12 | Changxin Memory Technologies, Inc. | Method and apparatus for detecting defect, device, and storage medium |
CN115760884A (zh) * | 2023-01-06 | 2023-03-07 | 山东恩信特种车辆制造有限公司 | 基于图像处理的半挂车表面焊渣优化分割方法 |
-
2023
- 2023-08-28 CN CN202311082947.7A patent/CN116805317B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060067571A1 (en) * | 2004-09-29 | 2006-03-30 | Dainippon Screen Mfg. Co., Ltd. | Defect detection apparatus and defect detection method |
US20230011569A1 (en) * | 2021-07-09 | 2023-01-12 | Changxin Memory Technologies, Inc. | Method and apparatus for detecting defect, device, and storage medium |
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 |
CN114972343A (zh) * | 2022-07-29 | 2022-08-30 | 山东睿鑫激光科技有限公司 | 一种激光焊接产品生产异常检测方法 |
CN115082464A (zh) * | 2022-08-22 | 2022-09-20 | 南通翡利达液压科技有限公司 | 除尘机焊接过程中焊缝数据的识别方法及系统 |
CN115345894A (zh) * | 2022-10-17 | 2022-11-15 | 南通通力油泵有限公司 | 一种焊缝射线检测图像分割方法 |
CN115423813A (zh) * | 2022-11-05 | 2022-12-02 | 江苏惠汕新能源集团有限公司 | 焊管表面焊接缺陷检测方法 |
CN115760884A (zh) * | 2023-01-06 | 2023-03-07 | 山东恩信特种车辆制造有限公司 | 基于图像处理的半挂车表面焊渣优化分割方法 |
Non-Patent Citations (1)
Title |
---|
郭亮等: "《狭小空间移动机器人焊缝跟踪技术》", 吉林大学出版社, pages: 75 - 83 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095067A (zh) * | 2023-10-17 | 2023-11-21 | 山东虹纬纺织有限公司 | 基于人工智能的纺织品色差检测方法 |
CN117095067B (zh) * | 2023-10-17 | 2024-02-02 | 山东虹纬纺织有限公司 | 基于人工智能的纺织品色差检测方法 |
CN117456427A (zh) * | 2023-12-19 | 2024-01-26 | 武汉新科冶金设备制造有限公司 | 一种炼钢转炉的钢水倾倒方法 |
CN117456427B (zh) * | 2023-12-19 | 2024-04-02 | 武汉新科冶金设备制造有限公司 | 一种炼钢转炉的钢水倾倒方法 |
CN117546887A (zh) * | 2024-01-12 | 2024-02-13 | 武汉市巽皇食品有限公司 | 一种基于物联网的自动和面控制方法及系统 |
CN117546887B (zh) * | 2024-01-12 | 2024-03-29 | 武汉市巽皇食品有限公司 | 一种基于物联网的自动和面控制方法及系统 |
CN117593214A (zh) * | 2024-01-18 | 2024-02-23 | 宁波海上鲜信息技术股份有限公司 | 一种基于图像特征分析的鱼类类别检测方法 |
CN117593214B (zh) * | 2024-01-18 | 2024-04-05 | 宁波海上鲜信息技术股份有限公司 | 一种基于图像特征分析的鱼类类别检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116805317B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116805317B (zh) | 基于人工智能的回转炉内壁缺陷检测方法 | |
CN108629343B (zh) | 一种基于边缘检测和改进Harris角点检测的车牌定位方法和系统 | |
CN107633503B (zh) | 一种自动检测谷粒中残留秸秆的图像处理方法 | |
CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
CN115272346A (zh) | 一种基于边缘检测的pcb板生产过程在线检测方法 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
CN104730083B (zh) | 钢丝绳芯输送带接头抽动自动检测方法 | |
CN115330645B (zh) | 一种焊接图像增强方法 | |
CN108389216B (zh) | 面向在线铁谱图像磨粒识别的局部自适应阈值分割方法 | |
CN116188468B (zh) | 一种hdmi线缆传输分拣智能控制系统 | |
CN116433668A (zh) | 一种智能液压油管漏油检测方法 | |
CN116863253B (zh) | 基于大数据分析的运维风险预警方法 | |
CN117611590B (zh) | 一种缺陷轮廓复合检测方法、装置、设备及存储介质 | |
CN111553310A (zh) | 基于毫米波雷达的安检图像获取方法、系统及安检设备 | |
CN114998290A (zh) | 基于有监督模式的织物瑕疵检测方法、装置、设备及介质 | |
CN117585399B (zh) | 基于图像处理的煤矿传送带撕裂检测方法 | |
CN114359251A (zh) | 一种混凝土表面破损的自动识别方法 | |
CN117388263B (zh) | 用于充电枪的五金端子质量检测方法 | |
CN114332081A (zh) | 基于图像处理的纺织品表面异常判定方法 | |
CN116310424B (zh) | 基于图像识别的设备质量评估方法、装置、终端和介质 | |
CN108205641B (zh) | 手势图像处理方法及装置 | |
CN116485801A (zh) | 基于计算机视觉的胶管质量在线检测方法及系统 | |
CN107845080B (zh) | 卡片图像增强方法 | |
CN108205814B (zh) | 彩色图像的黑白轮廓生成方法 | |
CN112085683A (zh) | 一种显著性检测中的深度图可信度检测方法 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: No. 1398 Qinan Road, Yangcheng Science and Technology Industrial Park, Xiangcheng District, Suzhou City, Jiangsu Province, China Patentee after: Suzhou Cohen New Energy Technology Co.,Ltd. Country or region after: China Address before: 215138 buildings 3 and 4, 289 Fengyang Road, Dalou village, Yangchenghu Town, Xiangcheng District, Suzhou City, Jiangsu Province Patentee before: SUZHOU KEER POEN MACHINERY TECHNOLOGY Co.,Ltd. Country or region before: China |