CN116823825A - 一种阀门配件铸造缺陷智能识别方法 - Google Patents
一种阀门配件铸造缺陷智能识别方法 Download PDFInfo
- Publication number
- CN116823825A CN116823825A CN202311092463.0A CN202311092463A CN116823825A CN 116823825 A CN116823825 A CN 116823825A CN 202311092463 A CN202311092463 A CN 202311092463A CN 116823825 A CN116823825 A CN 116823825A
- Authority
- CN
- China
- Prior art keywords
- valve
- defect
- detected
- pixel points
- image
- 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 276
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005266 casting Methods 0.000 title claims abstract description 29
- 230000002950 deficient Effects 0.000 claims abstract description 86
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 239000006185 dispersion Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims 1
- 238000010191 image analysis Methods 0.000 abstract 1
- 230000005855 radiation Effects 0.000 description 10
- 230000000877 morphologic effect Effects 0.000 description 5
- 230000000149 penetrating effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000001788 irregular Effects 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
- 239000003129 oil well Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像分析技术领域,具体涉及一种阀门配件铸造缺陷智能识别方法。方法包括:对阀门进行射线检测得到阀门图像,将阀门图像划分为设定个数的瓦块,计算各瓦块的平均灰度值;根据瓦块的平均灰度值计算缺陷指标;若存在缺陷,得到缺陷像素点;对缺陷像素点进行聚类得到目标聚类簇;根据缺陷像素点所占比例和缺陷的宽度指标计算裂纹缺陷指标;判断裂纹缺陷指标是否小于阈值,若小于,则判定缺陷为裂纹缺陷,若大于等于,则计算缺陷像素点的离散程度,判断离散程度是否大于离散程度阈值,若大于,则判定缺陷为缩松缺陷,若小于等于,则判定缺陷为缩孔缺陷。本发明提供的方法实现了阀门缺陷类别的自动化检测。
Description
技术领域
本发明涉及图像数据分析领域,具体涉及一种阀门配件铸造缺陷智能识别方法。
背景技术
阀门配件是重要的控制元件之一,可用于控制压力和调节流量,也可用于酸化压裂、注水和测试等油井特殊作业。一般阀门零件结构复杂,在阀门配件的铸造过程中,浇注系统的设计和工艺参数设置不当,都可能会导致阀体铸造件伴有或多或少的铸造缺陷,阀门配件的缺陷种类有很多种,如缩松缺陷、缩孔缺陷、裂纹缺陷等,这些铸造缺陷会导致阀门基体不均匀,降低铸件的致密性,甚至可能会导致阀体在工作的过程中出现卡滞现象。当阀门已投入使用时,现有方法可通过视觉检测方法,利用图像中缺陷像素与正常像素之间存在差异的特征识别出缺陷信息,但是阀门配件表面的缺陷类型丰富,现有技术中仅能够判断图像中阀门配件出现了缺陷,无法自动化判别阀门配件的缺陷类别。
发明内容
为了解决现有方法无法在阀门配件已投入使用时自动化识别阀门配件的缺陷类别的问题,本发明的目的在于提供一种阀门配件铸造缺陷智能识别方法,所采用的技术方案具体如下:
本发明提供了一种阀门配件铸造缺陷智能识别方法,该方法包括以下步骤:
对待检测阀门进行射线检测,得到待检测阀门图像;
将所述待检测阀门图像划分为设定个数的瓦块,计算各瓦块的平均灰度值;根据平均灰度值最大的瓦块的平均灰度值、平均灰度值最小的瓦块的平均灰度值和待检测阀门图像灰度值的均值,计算待检测阀门图像的缺陷指标;根据所述缺陷指标,判断待检测阀门图像中是否存在缺陷;
若待检测阀门图像中存在缺陷,利用滑窗对待检测阀门图像进行检测,得到待检测阀门图像中的缺陷像素点;对待检测阀门图像中的缺陷像素点进行聚类,将缺陷像素点数量最多的聚类簇作为目标聚类簇;
根据待检测阀门图像中缺陷像素点所占比例和缺陷的宽度指标,计算待检测阀门的裂纹缺陷指标;判断所述裂纹缺陷指标是否小于裂纹缺陷指标阈值,若小于,则判定待检测阀门的缺陷为裂纹缺陷,若大于等于,则根据目标聚类簇中各缺陷像素点与中心像素点之间的欧式距离计算目标聚类簇中缺陷像素点的离散程度,判断所述离散程度是否大于离散程度阈值,若大于,则判定待检测阀门的缺陷为缩松缺陷,若小于等于,则判定待检测阀门的缺陷为缩孔缺陷。
优选的,采用如下公式计算待检测阀门图像的缺陷指标:
其中,为待检测阀门图像的缺陷指标,/>为待检测阀门图像灰度值的均值,为平均灰度值最大的瓦块的平均灰度值,/>为平均灰度值最小的瓦块的平均灰度值。
优选的,所述利用滑窗对待检测阀门图像进行检测,得到待检测阀门图像中的缺陷像素点,包括:
计算每次滑窗滑动后对应区域像素点的灰度均值;
判断每次滑窗滑动后对应区域像素点的灰度均值是否小于设定阈值,若小于,则判定待检测阀门图像中对应区域的像素点为缺陷像素点,若大于等于,则判定待检测阀门图像中对应区域的像素点为正常像素点。
优选的,所述根据所述缺陷指标,判断待检测阀门图像中是否存在缺陷,包括:
判断所述缺陷指标是否大于设定缺陷指标阈值,若大于,则判定待检测阀门图像中存在缺陷,若小于等于,则判定待检测阀门图像中不存在缺陷。
优选的,所述根据目标聚类簇中各缺陷像素点与中心像素点之间的欧式距离,计算目标聚类簇中缺陷像素点的离散程度,包括:
根据目标聚类簇中各缺陷像素点与中心像素点之间的欧式距离,计算目标聚类簇中缺陷像素点与中心像素点的欧式距离的均值;
采用如下公式计算目标聚类簇中缺陷像素点的离散程度:
其中,为缺陷像素点的离散程度,/>为目标聚类簇中第/>个缺陷像素点到中心像素点的欧式距离,/>为目标聚类簇中缺陷像素点与中心像素点的欧式距离的均值,/>为目标聚类中缺陷像素点的个数。
优选的,待检测阀门缺陷的宽度指标的计算方法为:
统计目标聚类簇中各行缺陷像素点的个数和各列缺陷像素点的个数;
根据所述各行缺陷像素点的个数和各列缺陷像素点的个数,构建缺陷像素点的分布序列;所述分布序列中元素为各行缺陷像素点的个数或各列缺陷像素点的个数;
计算所述缺陷像素点的分布序列中最大元素与待检测阀门图像中像素点总个数的比值,将所述比值作为待检测阀门缺陷的宽度指标。
优选的,用如下公式计算待检测阀门的裂纹缺陷指标:
其中,为待检测阀门的裂纹缺陷指标,/>为待检测阀门缺陷的宽度指标,/>为待检测阀门图像中缺陷像素点所占比例,/>为第一系数,/>为第二系数。
本发明具有如下有益效果:本发明考虑到阀门配件若存在缺陷,正常像素点的灰度值比缺陷像素点的灰度值大,不同的阀门缺陷会呈现出不同的图像特征,裂纹缺陷的形状大多为细长形状,且像素点数量占比少,缩孔缺陷和缩松缺陷都占大量像素点,但是二者最大的区别是位置离散信息不同。由于本发明是对已投入使用的阀门配件进行缺陷检测,因此本发明首先对待检测阀门进行射线检测,得到待检测阀门图像,根据待检测阀门图像中像素点的灰度值,判断待检测阀门是否存在缺陷,若待检测阀门存在缺陷,本发明根据待检测阀门图像中缺陷像素点所占比例和缺陷的宽度指标,计算待检测阀门的裂纹缺陷指标;然后判断裂纹缺陷指标是否小于裂纹缺陷指标阈值,若小于,则判定待检测阀门的缺陷为裂纹缺陷,若大于等于,根据目标聚类簇中各缺陷像素点与中心像素点之间的欧式距离,计算目标聚类簇中缺陷像素点的离散程度,接着根据离散程度判断待检测阀门的缺陷为缩松缺陷或是缩孔缺陷。本发明提供的方法解决了阀门在已投入使用后无法进行缺陷检测的问题,而且能够判别待检测阀门的缺陷种类,实现了阀门缺陷的自动化检测。
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为本发明提供的一种阀门配件铸造缺陷智能识别方法的流程图。
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阀门配件铸造缺陷智能识别方法进行详细说明如下。
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阀门配件铸造缺陷智能识别方法的具体方案。
一种阀门配件铸造缺陷智能识别方法实施例:
现有方法无法在阀门配件已投入使用时自动化识别阀门配件的缺陷类别。为了解决上述问题,本实施例提出了一种阀门配件铸造缺陷智能识别方法,如图1所示,本实施例的一种阀门配件铸造缺陷智能识别方法包括以下步骤:
步骤S1,对待检测阀门进行射线检测,得到待检测阀门图像。
常见的阀门缺陷有:缩松缺陷、缩孔缺陷和裂纹缺陷。这三种缺陷均为较为严重的阀门缺陷,它们的存在会影响阀门配件的质量。因此,需要对阀门配件进行缺陷检测。本实施例的基本构思为:根据待检测的阀门图像判断待检测阀门是否存在缺陷,若阀门存在缺陷,进一步根据缺陷的特征,判断缺陷的类别。
射线在穿透物体过程中会与物质发生相互作用,因吸收和散射而使其强度减弱,强度衰减程度取决于物质的衰减系数和射线在物质中穿越的厚度,而穿透物体的局部区域如果存在缺陷,该局部区域的透过射线强度就会和周围产生差异,将胶片放在一定位置使其在透过射线的作用下感光,经过暗室处理就会得到一张灰度图像,该图像能够反映阀门配件是否存在缺陷。缩松缺陷是铸件最后凝固收缩时,得不到足够的钢液补给,导致形状不规则,呈海绵状孔洞,内部空隙较多,若阀门配件存在该类缺陷,对阀门配件采用射线检测时,射线到达胶片时能量比周边的要大,经过处理之后,图像上缩松缺陷区域呈斑点状;缩孔缺陷是由于钢水凝固时,气泡未能逸出,从而残留下来的空穴,孔在铸件内呈球状空隙,若阀门配件存在该类缺陷,对阀门配件采用射线检测时,反映在图像上中心部分变化最大,会形成多为圆形和近似圆形的黑点;裂纹缺陷是由于钢水凝固时,气泡未能逸出,从而残留下来的空穴,孔在铸件内呈球状空气,若阀门配件存在该类缺陷,对阀门配件采用射线检测时,反映在图像上中心部分变化最大,会形成多为圆形和近似圆形的黑点。因此本实施例采用射线检测的方法,得到待检测阀门图像。射线检测为现有技术,此处不再赘述。
射线检测根据能量大小的不同,对缺陷检测的强度也不同,射线能量过弱,穿透力不足会导致缺陷部分较小,造成底片灰度不足,过高的能量射线会对射线照相机灵敏度有不利影响,即不容易区分缺陷部分和正常部分,因此本实施例采用形态学处理来增大对比度,使缺陷区域和正常区域分离开。射线检测得到的图像中,缺陷区域受射线穿透的影响,缺陷区域的灰度比正常区域的灰度低,若阀门配件存在缺陷,对采集的图像进行形态学处理中的腐蚀操作后,降低了缺陷区域的灰度值,并且也降低了缺陷周围的像素点的灰度值,使得缺陷区域的像素点的灰度值整体减少。至此,得到了形态学处理后的待检测阀门图像,本实施例中后续提到的待检测阀门图像均为形态学处理后的图像。形态学处理为现有技术,此处不再赘述。
步骤S2,将所述待检测阀门图像划分为设定个数的瓦块,计算各瓦块的平均灰度值;根据平均灰度值最大的瓦块的平均灰度值、平均灰度值最小的瓦块的平均灰度值和待检测阀门图像灰度值的均值,计算待检测阀门图像的缺陷指标;根据所述缺陷指标,判断待检测阀门图像中是否存在缺陷。
考虑到阀门配件不存在缺陷时,阀门图像中的像素点的灰度值相差较小;阀门配件出现缺陷时,缺陷像素点的灰度值相较于正常像素点的灰度值要小一些,因此本实施例在此步骤中根据待检测阀门图像中像素点的灰度值,判断待检测阀门是否存在缺陷。
具体的,获取待检测阀门图像中所有像素点的灰度值,根据所有像素点的灰度值,计算待检测阀门图像灰度值的均值。本实施例将待检测阀门图像划分为多个瓦块,每个瓦块的大小均为5*5,即根据图像尺寸和瓦块的设定尺寸获得瓦块的设定个数。对于任一瓦块:根据该瓦块内所有像素点的灰度值,计算该瓦块的平均灰度值。其中,平均灰度值最大的瓦块的平均灰度值为/>,平均灰度值最小的瓦块的平均灰度值为/>。如果/>与的差值越大,说明待检测阀门越可能存在缺陷。基于此,本实施例计算待检测阀门图像的缺陷指标/>,即:
其中,为待检测阀门图像灰度值的均值,/>。
若和/>均与阈值相差较大,待检测阀门图像的缺陷指标就越大,则说明待检测阀门图像中像素点的灰度值相差越大,即待检测阀门越可能存在缺陷,本实施例设置缺陷指标阈值/>,判断待检测阀门图像的缺陷指标/>是否大于/>,若大于,则判定待检测阀门存在缺陷,若小于等于,则判定待检测阀门不存在缺陷。其中,每个瓦块的大小和缺陷指标阈值/>根据具体情况进行设定,在本发明一个实施例中缺陷指标阈值也可采用大津阈值法自动获得。需要说明的是,图像瓦片化为本领域技术人员熟知的技术手段,在此不做赘述。
至此,本实施例判别出待检测阀门是否存在缺陷。
步骤S3,若待检测阀门图像中存在缺陷,利用滑窗对待检测阀门图像进行检测,得到待检测阀门图像中的缺陷像素点;对待检测阀门图像中的缺陷像素点进行聚类,将缺陷像素点数量最多的聚类簇作为目标聚类簇。
若待检测阀门存在缺陷,本实施例需要找到缺陷像素点的位置,找到缺陷像素点的位置后,根据缺陷像素点的分布情况,进一步判断阀门配件的缺陷类别,因此本实施例接下来先找缺陷像素点的位置。
本实施例首先根据和/>,计算待检测阀门图像中正常像素点与异常像素点的分界值/>,即:
接下来利用滑窗在待检测阀门图像上遍历,根据滑窗内像素点的灰度值,找到待检测阀门的缺陷位置。具体的,本实施例设置滑窗的大小为5*5,滑窗每次的滑动步长为1,滑窗在待检测阀门图像上滑动时,获取滑窗内所有像素点的灰度值,根据滑窗内所有像素点的灰度值,计算滑窗内的灰度均值,其中,滑窗在第一个位置对应的区域的灰度均值为,滑窗在第二个位置对应的区域的灰度均值为/>,以此类推。对于滑窗划过的任一区域:判断该区域的灰度均值是否小于/>,若小于,将该区域作为缺陷区域,将该区域的像素点进行标记。在滑窗遍历完成后,得到一张缺陷被标记的阀门图像,本实施例将待检测阀门图像中被标记的像素点的灰度值置为0,未标记的像素点的灰度值置为1。由此得到一张待检测阀门对应的二值图像。
为了获得缺陷的分布信息,本实施例使用DBSCAN聚类算法,随机在待检测阀门对应的二值图像中选取一个灰度值为0的像素点作为起始的像素点,统计其半径为5的周围像素点中是否存在灰度值为0的像素点,如果在此范围内存在灰度值为0的像素点,将该像素点划分为同一聚类簇中,之后更换访问像素点,直至聚类中最新的访问像素点周围像素点都是已统计像素点或灰度值为1的像素点。本实施例中采用DBSCAN聚类算法进行聚类时,相当于把正常像素点当作背景,对缺陷像素点进行聚类,最终得到目标聚类簇,该目标聚类簇中缺陷像素点的数量最多,因此本实施例在后续步骤中根据该聚类簇中像素点的分布情况,判断缺陷的类别。DBSCAN聚类算法为现有技术,此处不再赘述。
步骤S4,根据待检测阀门图像中缺陷像素点所占比例和缺陷的宽度指标,计算待检测阀门的裂纹缺陷指标;判断所述裂纹缺陷指标是否小于裂纹缺陷指标阈值,若小于,则判定待检测阀门的缺陷为裂纹缺陷,若大于等于,则根据目标聚类簇中各缺陷像素点与中心像素点之间的欧式距离计算目标聚类簇中缺陷像素点的离散程度,判断所述离散程度是否大于离散程度阈值,若大于,则判定待检测阀门的缺陷为缩松缺陷,若小于等于,则判定待检测阀门的缺陷为缩孔缺陷。
不同的阀门缺陷会呈现出不同的图像特征,裂纹缺陷的形状大多为细长形状,且像素点数量占比少,缩孔缺陷和缩松缺陷都占大量像素点,但是二者最大的区别是位置离散信息不同。因此本实施例根据缺陷像素点所占比例、缺陷像素点在待检测阀门图像中的离散程度和缺陷区域的形状特征判断待检测阀门的缺陷类别。
本实施例首先根据待检测阀门图像缺陷像素点占比和缺陷的宽度指标,计算待检测阀门的裂纹缺陷指标,然后根据判断待检测阀门的缺陷是否为裂纹缺陷。具体的,统计目标聚类簇中缺陷像素点的数量,同时统计待检测阀门图像中像素点的总个数,计算目标聚类簇中缺陷像素点的数量与待检测阀门图像中像素点的总个数的比值,该比值/>即为待检测阀门图像中缺陷像素点所占比例。
待检测阀门图像缺陷的宽度指标的获取方法为:分别统计目标聚类簇中每一行和每一列缺陷像素点的个数,根据目标聚类簇中每一行和每一列缺陷像素点的个数,构建缺陷像素点分布序列/>,/>为目标聚类簇中第1行缺陷像素点的个数,/>为目标聚类簇中第2行缺陷像素点的个数,/>为目标聚类簇中第3行缺陷像素点的个数,/>为目标聚类簇中第p行缺陷像素点的个数,/>为目标聚类簇中第1列缺陷像素点的个数,/>为目标聚类簇中第2列缺陷像素点的个数,/>为目标聚类簇中第3列缺陷像素点的个数,/>为目标聚类簇中第q列缺陷像素点的个数,目标聚类簇的总行数为p行,目标聚类簇的总列数为q列。获取该分布序列中最大的元素,即缺陷像素点个数的最大值,计算该元素与待检测阀门图像中像素点的总个数的比值/>,本实施例将该比值/>记为待检测阀门缺陷的宽度指标。在计算待检测阀门缺陷的宽度指标时,也可将分布序列中最大的元素与缺陷区域最小外接矩形的像素点的总个数的比值作为缺陷的宽度指标,不局限于本实施例提供的方法。
待检测阀门的裂纹缺陷指标为:
其中,为待检测阀门缺陷的宽度指标,/>为待检测阀门图像中缺陷像素点所占比例,/>为第一系数,/>为第二系数,本实施例中/>的取值为0.5,/>的取值为0.5,在具体应用中,根据具体情况进行设定。
考虑到裂纹缺陷的形状大多为细长形状,且该缺陷像素点的占比较少,因此设置裂纹缺陷指标阈值,判断待检测阀门的裂纹缺陷指标是否小于/>,若小于,则判定待检测阀门的缺陷为裂纹缺陷,若大于等于,则判定待检测阀门的缺陷为缩松缺陷或缩孔缺陷。裂纹缺陷指标阈值/>根据具体情况进行设定,在本发明一个实施例中考虑到裂纹缺陷指标的值域在0到1之间,因此将裂纹缺陷指标阈值设置为0.4。考虑到缩松缺陷像素点分布较分散,缩孔缺陷相较于缩松缺陷,像素点分布较集中,因此本实施例根据目标聚类簇的缺陷像素点的分布情况判断待检测阀门缺陷为缩松缺陷或是为缩孔缺陷。
具体的,本实施例计算目标聚类簇中各缺陷像素点与目标聚类簇的中心像素点之间的欧式距离,根据目标聚类簇中各缺陷像素点与目标聚类簇的中心像素点之间的欧式距离,计算缺陷像素点与目标聚类簇的中心像素点之间的欧式距离的均值,进而计算缺陷像素点的离散程度,即:
其中,为缺陷像素点的离散程度,/>为目标聚类簇中第/>个缺陷像素点到中心像素点的欧式距离,/>为目标聚类簇中缺陷像素点到中心像素点的欧式距离的均值,/>为最大聚类内的像素点个数,/>为目标聚类簇中心像素点的横坐标,/>为目标聚类簇中心像素点的纵坐标,/>为目标聚类簇中第/>个缺陷像素点的横坐标,/>为目标聚类簇中第/>个缺陷像素点的纵坐标。
本实施例设置离散程度阈值,判断目标聚类簇中缺陷像素点的离散程度是否大于/>,若大于,说明待检测阀门图像中缺陷像素点较分散,则判定待检测阀门的缺陷为缩松缺陷;若小于等于,说明待检测阀门图像中缺陷像素点较集中,则判定待检测阀门的缺陷为缩孔缺陷。离散程度阈值/>的取值根据具体情况进行设定。在本发明一个实施例中,将离散程度归一化后,将离散程度阈值设置为0.7。
本实施例考虑到阀门配件若存在缺陷,正常像素点的灰度值比缺陷像素点的灰度值大,不同的阀门缺陷会呈现出不同的图像特征,裂纹缺陷的形状大多为细长形状,且像素点数量占比少,缩孔缺陷和缩松缺陷都占大量像素点,但是二者最大的区别是位置离散信息不同。由于本实施例是对已投入使用的阀门配件进行缺陷检测,因此本实施例首先对待检测阀门进行射线检测,得到待检测阀门图像,根据待检测阀门图像中像素点的灰度值,判断待检测阀门是否存在缺陷,若待检测阀门存在缺陷,本实施例根据待检测阀门图像中缺陷像素点所占比例和缺陷的宽度指标,计算待检测阀门的裂纹缺陷指标;然后判断裂纹缺陷指标是否小于裂纹缺陷指标阈值,若小于,则判定待检测阀门的缺陷为裂纹缺陷,若大于等于,根据目标聚类簇中各缺陷像素点与中心像素点之间的欧式距离,计算目标聚类簇中缺陷像素点的离散程度,接着根据离散程度判断待检测阀门的缺陷为缩松缺陷或是缩孔缺陷。本实施例提供的方法解决了阀门在已投入使用后无法进行缺陷检测的问题,而且能够判别待检测阀门的缺陷种类,实现了阀门缺陷的自动化检测。
需要说明的是:以上所述仅为本发明的较佳实施例,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)
1.一种阀门配件铸造缺陷智能识别方法,其特征在于,该方法包括以下步骤:
对待检测阀门进行射线检测,得到待检测阀门图像;
将所述待检测阀门图像划分为设定个数的瓦块,计算各瓦块的平均灰度值;根据平均灰度值最大的瓦块的平均灰度值、平均灰度值最小的瓦块的平均灰度值和待检测阀门图像灰度值的均值,计算待检测阀门图像的缺陷指标;根据所述缺陷指标,判断待检测阀门图像中是否存在缺陷;
若待检测阀门图像中存在缺陷,利用滑窗对待检测阀门图像进行检测,得到待检测阀门图像中的缺陷像素点;对待检测阀门图像中的缺陷像素点进行聚类,将缺陷像素点数量最多的聚类簇作为目标聚类簇;
根据待检测阀门图像中缺陷像素点所占比例和缺陷的宽度指标,计算待检测阀门的裂纹缺陷指标;判断所述裂纹缺陷指标是否小于裂纹缺陷指标阈值,若小于,则判定待检测阀门的缺陷为裂纹缺陷,若大于等于,则根据目标聚类簇中各缺陷像素点与中心像素点之间的欧式距离计算目标聚类簇中缺陷像素点的离散程度,判断所述离散程度是否大于离散程度阈值,若大于,则判定待检测阀门的缺陷为缩松缺陷,若小于等于,则判定待检测阀门的缺陷为缩孔缺陷。
2.根据权利要求1所述的一种阀门配件铸造缺陷智能识别方法,其特征在于,采用如下公式计算待检测阀门图像的缺陷指标:
其中,为待检测阀门图像的缺陷指标,/>为待检测阀门图像灰度值的均值,/>为平均灰度值最大的瓦块的平均灰度值,/>为平均灰度值最小的瓦块的平均灰度值。
3.根据权利要求1所述的一种阀门配件铸造缺陷智能识别方法,其特征在于,所述利用滑窗对待检测阀门图像进行检测,得到待检测阀门图像中的缺陷像素点,包括:
计算每次滑窗滑动后对应区域像素点的灰度均值;
判断每次滑窗滑动后对应区域像素点的灰度均值是否小于设定阈值,若小于,则判定待检测阀门图像中对应区域的像素点为缺陷像素点,若大于等于,则判定待检测阀门图像中对应区域的像素点为正常像素点。
4.根据权利要求1所述的一种阀门配件铸造缺陷智能识别方法,其特征在于,所述根据所述缺陷指标,判断待检测阀门图像中是否存在缺陷,包括:
判断所述缺陷指标是否大于设定缺陷指标阈值,若大于,则判定待检测阀门图像中存在缺陷,若小于等于,则判定待检测阀门图像中不存在缺陷。
5.根据权利要求1所述的一种阀门配件铸造缺陷智能识别方法,其特征在于,所述根据目标聚类簇中各缺陷像素点与中心像素点之间的欧式距离,计算目标聚类簇中缺陷像素点的离散程度,包括:
根据目标聚类簇中各缺陷像素点与中心像素点之间的欧式距离,计算目标聚类簇中缺陷像素点与中心像素点的欧式距离的均值;
采用如下公式计算目标聚类簇中缺陷像素点的离散程度:
其中,为缺陷像素点的离散程度,/>为目标聚类簇中第/>个缺陷像素点到中心像素点的欧式距离,/>为目标聚类簇中缺陷像素点与中心像素点的欧式距离的均值,/>为目标聚类中缺陷像素点的个数。
6.根据权利要求1所述的一种阀门配件铸造缺陷智能识别方法,其特征在于,待检测阀门缺陷的宽度指标的计算方法为:
统计目标聚类簇中各行缺陷像素点的个数和各列缺陷像素点的个数;
根据所述各行缺陷像素点的个数和各列缺陷像素点的个数,构建缺陷像素点的分布序列;所述分布序列中元素为各行缺陷像素点的个数或各列缺陷像素点的个数;
计算所述缺陷像素点的分布序列中最大元素与待检测阀门图像中像素点总个数的比值,将所述比值作为待检测阀门缺陷的宽度指标。
7.根据权利要求1所述的一种阀门配件铸造缺陷智能识别方法,其特征在于,采用如下公式计算待检测阀门的裂纹缺陷指标:
其中,为待检测阀门的裂纹缺陷指标,/>为待检测阀门缺陷的宽度指标,/>为待检测阀门图像中缺陷像素点所占比例,/>为第一系数,/>为第二系数。
8.根据权利要求1所述的一种阀门配件铸造缺陷智能识别方法,其特征在于,所述裂纹缺陷指标阈值设置为0.4。
9.根据权利要求1所述的一种阀门配件铸造缺陷智能识别方法,其特征在于,将离散程度归一化后,将离散程度阈值设置为0.7。
10.根据权利要求1所述的一种阀门配件铸造缺陷智能识别方法,其特征在于,所述瓦块的设定个数根据瓦块预设尺寸和图像尺寸获得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311092463.0A CN116823825B (zh) | 2023-08-29 | 2023-08-29 | 一种阀门配件铸造缺陷智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311092463.0A CN116823825B (zh) | 2023-08-29 | 2023-08-29 | 一种阀门配件铸造缺陷智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116823825A true CN116823825A (zh) | 2023-09-29 |
CN116823825B CN116823825B (zh) | 2023-12-05 |
Family
ID=88118832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311092463.0A Active CN116823825B (zh) | 2023-08-29 | 2023-08-29 | 一种阀门配件铸造缺陷智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116823825B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1990010278A1 (en) * | 1989-02-28 | 1990-09-07 | E.I. Du Pont De Nemours And Company | Thresholding of gray level images using fractal dimensions |
CN102445455A (zh) * | 2010-04-08 | 2012-05-09 | 湖南大学 | 高速生产线上罐盖质量的机器视觉在线检测设备 |
CN104008553A (zh) * | 2014-06-17 | 2014-08-27 | 武汉武大卓越科技有限责任公司 | 融合影像梯度方向直方图和分水岭方法的裂缝检测方法 |
CN109454006A (zh) * | 2018-10-08 | 2019-03-12 | 杭州慧知连科技有限公司 | 化纤丝锭绊丝缺陷在线检测和分级的装置及其检测分级方法 |
CN113538404A (zh) * | 2021-07-29 | 2021-10-22 | 沭阳县弘阳玻璃科技有限公司 | 一种基于锚点选择的盖板玻璃缺陷检测方法及系统 |
CN114387272A (zh) * | 2022-03-23 | 2022-04-22 | 武汉富隆电气有限公司 | 基于图像处理的电缆桥架残次品检测方法 |
CN115294120A (zh) * | 2022-10-08 | 2022-11-04 | 誉隆半导体设备(江苏)有限公司 | 基于图像识别的阀门表面质量检测方法 |
CN115294134A (zh) * | 2022-10-09 | 2022-11-04 | 誉隆半导体设备(江苏)有限公司 | 一种阀门密封面缺陷识别方法 |
CN116030034A (zh) * | 2023-02-21 | 2023-04-28 | 青岛精锐机械制造有限公司 | 阀门表面缺陷的视觉识别方法 |
WO2023070911A1 (zh) * | 2021-10-27 | 2023-05-04 | 西安工程大学 | 一种基于自注意力的彩色纹理织物缺陷区域的检测方法 |
-
2023
- 2023-08-29 CN CN202311092463.0A patent/CN116823825B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1990010278A1 (en) * | 1989-02-28 | 1990-09-07 | E.I. Du Pont De Nemours And Company | Thresholding of gray level images using fractal dimensions |
CN102445455A (zh) * | 2010-04-08 | 2012-05-09 | 湖南大学 | 高速生产线上罐盖质量的机器视觉在线检测设备 |
CN104008553A (zh) * | 2014-06-17 | 2014-08-27 | 武汉武大卓越科技有限责任公司 | 融合影像梯度方向直方图和分水岭方法的裂缝检测方法 |
CN109454006A (zh) * | 2018-10-08 | 2019-03-12 | 杭州慧知连科技有限公司 | 化纤丝锭绊丝缺陷在线检测和分级的装置及其检测分级方法 |
CN113538404A (zh) * | 2021-07-29 | 2021-10-22 | 沭阳县弘阳玻璃科技有限公司 | 一种基于锚点选择的盖板玻璃缺陷检测方法及系统 |
WO2023070911A1 (zh) * | 2021-10-27 | 2023-05-04 | 西安工程大学 | 一种基于自注意力的彩色纹理织物缺陷区域的检测方法 |
CN114387272A (zh) * | 2022-03-23 | 2022-04-22 | 武汉富隆电气有限公司 | 基于图像处理的电缆桥架残次品检测方法 |
CN115294120A (zh) * | 2022-10-08 | 2022-11-04 | 誉隆半导体设备(江苏)有限公司 | 基于图像识别的阀门表面质量检测方法 |
CN115294134A (zh) * | 2022-10-09 | 2022-11-04 | 誉隆半导体设备(江苏)有限公司 | 一种阀门密封面缺陷识别方法 |
CN116030034A (zh) * | 2023-02-21 | 2023-04-28 | 青岛精锐机械制造有限公司 | 阀门表面缺陷的视觉识别方法 |
Non-Patent Citations (1)
Title |
---|
胡秀珍;隋青美;: "基于机器视觉的铁芯表面缺陷检测系统研究", 仪器仪表用户, no. 01 * |
Also Published As
Publication number | Publication date |
---|---|
CN116823825B (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679535B (zh) | 一种基于模板匹配的指针式水表自动读数识别系统及方法 | |
CN115115621B (zh) | 一种基于图像处理的润滑油污染程度检测方法 | |
CN115100221B (zh) | 一种玻璃缺陷分割方法 | |
CN115115638B (zh) | 一种液压系统漏油检测及判定方法 | |
CN115439474B (zh) | 一种电力设备故障快速定位方法 | |
CN110443278B (zh) | 一种太阳能电池片栅线粗细异常的检测方法、装置及设备 | |
CN116091499A (zh) | 一种涂料生产异常识别系统 | |
CN115861290B (zh) | 一种肤感木门表面缺陷检测方法 | |
CN115690108A (zh) | 一种基于图像处理的铝合金杆生产质量评估方法 | |
CN112102288A (zh) | 水体识别和水体变化检测方法、装置、设备及介质 | |
CN116823825B (zh) | 一种阀门配件铸造缺陷智能识别方法 | |
CN115115603A (zh) | 基于人工智能的汽车配件飞轮表面检测方法 | |
CN115761658A (zh) | 基于人工智能的高速公路路面状况检测方法 | |
CN115841488A (zh) | 一种基于计算机视觉的pcb板的检孔方法 | |
CN111353968B (zh) | 一种基于盲元检测与分析的红外图像质量评价方法 | |
CN116883415B (zh) | 基于图像数据的薄壁锌合金压铸件质量检测方法 | |
CN114155493A (zh) | 基于视频分析技术的大坝流量预警系统及方法 | |
CN117351017A (zh) | 一种光伏钢结构组件缺陷视觉检测方法 | |
CN117237747A (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN116205923A (zh) | 基于x-ray的汽车轮毂内部缺陷无损检测方法 | |
CN115841491A (zh) | 一种多孔金属材料的质量检测方法 | |
CN115527024A (zh) | 一种基于图像信息的检测定位方法及系统 | |
CN110853059B (zh) | 一种靶子环数的图像识别方法 | |
CN108629309A (zh) | 基坑周围人员安全保障方法 | |
CN115619801A (zh) | 一种基于深度学习的监控视频图像遮挡检测方法 |
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 |