CN116883415B - 基于图像数据的薄壁锌合金压铸件质量检测方法 - Google Patents
基于图像数据的薄壁锌合金压铸件质量检测方法 Download PDFInfo
- Publication number
- CN116883415B CN116883415B CN202311153696.7A CN202311153696A CN116883415B CN 116883415 B CN116883415 B CN 116883415B CN 202311153696 A CN202311153696 A CN 202311153696A CN 116883415 B CN116883415 B CN 116883415B
- Authority
- CN
- China
- Prior art keywords
- high threshold
- threshold value
- thin
- edge points
- zinc alloy
- 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
- 238000004512 die casting Methods 0.000 title claims abstract description 87
- 229910001297 Zn alloy Inorganic materials 0.000 title claims abstract description 85
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 230000007547 defect Effects 0.000 claims abstract description 47
- 239000004576 sand Substances 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 32
- 229910052751 metal Inorganic materials 0.000 claims abstract description 31
- 239000002184 metal Substances 0.000 claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 238000005266 casting Methods 0.000 claims abstract description 4
- 238000003708 edge detection Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 9
- 230000035772 mutation Effects 0.000 description 8
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
- 239000011701 zinc Substances 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
- G06T7/12—Edge-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
- G06T7/136—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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30136—Metal
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于图像数据的薄壁锌合金压铸件质量检测方法,包括:获取薄壁锌合金压铸件表面图像,获取薄壁锌合金压铸件表面图像的初始边缘点;拟合初始边缘点,根据拟合优度获取初始缺陷边缘点和金属纹理边缘点并剔除金属纹理边缘点;按照初始缺陷边缘点的梯度幅值获取高阈值的存在范围;根据高阈值的存在范围内任意高阈值下检测到的强边缘点个数、弱边缘点个数、边缘个数、强边缘点距离以及强边缘点比率构建高阈值评价指标;根据评价指标确定高阈值提取的准确性,确定最终高阈值;识别并连接获取的边缘点,得到薄壁锌合金铸件表面的砂眼边缘分割图像。本发明提高了薄壁锌合金压铸件质量检测精度。
Description
技术领域
本申请涉及图像处理领域,具体涉及一种基于图像数据的薄壁锌合金压铸件质量检测方法。
背景技术
薄壁锌合金压铸件是一种压力铸造的零件,是使用装好铸件模具的压力铸造机械压铸机,将加热为液态的锌或锌合金浇入压铸机的入料口,经压铸机压铸,铸造出模具限制的形状和尺寸的锌零件或锌合金零件,这样的零件通常就被叫做锌合金压铸件。薄壁锌合金压铸件目前应用广泛,所以对铸件表面质量要求较高,砂眼是锌合金压铸件常见表面质量问题,因而薄壁锌合金压铸件表面缺陷检测至关重要。
利用边缘检测算法对砂眼缺陷进行检测时,由于在获取图像的初始边缘点后需要人为设置双阈值对边缘点进行识别和连接,而双阈值设置的过大或过小会造成非边缘点的过度识别或边缘缺失。因此,本发明实施例提出一种自适应双阈值的边缘检测方法,首先获取高阈值的存在范围,通过计算高阈值的存在范围内每个高阈值为边缘检测高阈值的效果而确定最佳高阈值,并根据高阈值获取低阈值,实现高阈值和低阈值的自适应获取。
发明内容
本发明提供基于图像数据的薄壁锌合金压铸件质量检测方法,以解决现有的问题。
本发明的基于图像数据的薄壁锌合金压铸件质量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图像数据的薄壁锌合金压铸件质量检测方法,该方法包括以下步骤:
获取薄壁锌合金压铸件表面图像,进行非极大值抑制处理获取薄壁锌合金压铸件表面灰度图像的初始边缘点;
对初始边缘点进行线段拟合,根据拟合优度获取初始缺陷边缘点和金属纹理边缘点,并将获取的金属纹理边缘点剔除;根据初始缺陷边缘点的梯度幅值确定高阈值的存在范围;获取高阈值的存在范围内每个高阈值下检测到的强边缘点、弱边缘点和非边缘点;在高阈值的存在范围内根据相邻两个高阈值下薄壁锌合金压铸件表面灰度图像中可检测到的强边缘点个数的差异和边缘个数的差异获取高阈值的存在范围内每个高阈值的第一指标;根据高阈值的存在范围内每个高阈值下薄壁锌合金压铸件表面灰度图像中可检测到的强边缘点个数和弱边缘点个数获取高阈值的存在范围内每个高阈值的第二指标;根据高阈值的存在范围内每个高阈值下薄壁锌合金压铸件表面灰度图像中可检测到的强边缘点之间的距离获取高阈值的存在范围内每个高阈值的第三指标;根据高阈值的存在范围内每个高阈值下薄壁锌合金压铸件表面灰度图像中可检测到的强边缘点比率获取高阈值的存在范围内每个高阈值的第四指标;根据四个指标获取高阈值的存在范围内的每个高阈值的准确性;将准确性最大的高阈值作为对砂眼缺陷进行分割的最终高阈值,所述最终高阈值为砂眼边缘分割图像的最佳高阈值;
根据确定的最终高阈值自适应获取低阈值,根据高阈值和低阈值检测并连接边缘点,获取薄壁锌合金铸件表面的砂眼边缘分割图像;根据砂眼边缘分割图像得到的砂眼轮廓周长对薄壁锌合金压铸件进行质量检测。
优选的,所述根据拟合优度获取初始缺陷边缘点和金属纹理边缘点,包括的具体方法为:
以薄壁锌合金压铸件表面图像的最左且最上边的像素点为原点,以竖直向下为轴方向,以水平向右为/>轴方向建立坐标系,根据任意一条初始边缘上的所有初始边缘点的坐标利用最小二乘法拟合一条直线,得到每个初始边缘点的拟合优度;预设拟合优度阈值,将拟合优度大于拟合优度阈值的像素点划分为金属纹理边缘点,小于等于阈值拟合优度阈值的像素点则划分为初始缺陷边缘点。
优选的,所述将获取的金属纹理边缘点剔除,包括的具体方法为:
将划分为金属纹理边缘点的像素点的梯度幅值设置为0,达到排除金属纹理边缘点的目的。
优选的,所述根据初始缺陷边缘点的梯度幅值确定高阈值的存在范围,包括的具体方法为:
根据获取的初始缺陷边缘点的梯度幅值由小到大的顺序排列获得一维梯度序列,以处于梯度序列的中值和梯度序列最小值的中间位置的梯度幅值作为高阈值存在范围的最小值,记为,以处于梯度序列的中值和梯度序列最大值的中间位置的梯度幅值作为高阈值存在范围最大值,记为/>,以整数区间/>作为所有高阈值存在的范围高阈值的存在范围。
优选的,所述在高阈值的存在范围内根据相邻两个高阈值下薄壁锌合金压铸件表面灰度图像中可检测到的强边缘点个数的差异和边缘个数的差异获取高阈值的存在范围内每个高阈值的第一指标,包括的具体公式为:
其中,为判定高阈值的存在范围内第/>个高阈值为最佳高阈值的第一指标,为高阈值的存在范围内第/>个高阈值下检测出的强边缘点个数,/>为第/>个高阈值下检测出的强边缘点个数,/>为第/>个高阈值下检测出的边缘个数,/>为第/>个高阈值下检测出的边缘个数,/>表示双曲正切函数,/>表示以自然数为底的指数函数。
优选的,所述根据高阈值的存在范围内每个高阈值下薄壁锌合金压铸件表面灰度图像中可检测到的强边缘点个数和弱边缘点个数获取高阈值的存在范围内每个高阈值的第二指标,包括的具体公式为:
其中,为判定高阈值的存在范围内第/>个高阈值为最佳高阈值的第二指标,为第/>个高阈值下检测出的强边缘点个数,/>为第/>个高阈值下检测出的弱边缘点的个数。
优选的,所述根据高阈值的存在范围内每个高阈值下薄壁锌合金压铸件表面灰度图像中可检测到的强边缘点之间的距离获取高阈值的存在范围内每个高阈值的第三指标,包括的具体公式为:
其中,为判定高阈值的存在范围内第/>个高阈值为最佳高阈值的第三指标,表示/>利用/>方法归一化处理后的结果,/>表示第/>个高阈值下检测到的全部强边缘点两两之间形成的距离总和,/>表示以自然数为底的指数函数。
优选的,所述根据高阈值的存在范围内每个高阈值下薄壁锌合金压铸件表面灰度图像中可检测到的强边缘点比率获取高阈值的存在范围内每个高阈值的第四指标,包括的具体公式为:
其中,为判定高阈值的存在范围内第/>个高阈值为最佳高阈值的第四指标,为第/>个高阈值的取值,/>为高阈值的存在范围所有高阈值平均值,/>为阈值的存在范围所有高阈值标准差。
优选的,所述根据四个指标获取高阈值的存在范围内的每个高阈值的准确性,包括的具体方法为:
获取判定高阈值存在范围内的任意一个高阈值为最佳高阈值的四个指标取值之和,记为高阈值的累计指标,而后获取判定高阈值存在范围内的所有高阈值的累计指标,并将任意一个高阈值的累计指标与所有高阈值的累计指标总和之间的比值作为高阈值提取的准确性结果。
优选的,所述根据砂眼边缘分割图像得到的砂眼轮廓周长对薄壁锌合金压铸件进行质量检测,包括的具体方法为:
统计根据边缘检测获取的砂眼缺陷边缘周长,预设砂眼缺陷周长阈值/>,计算边缘周长,若边缘周长大于预设砂眼缺陷周长阈值/>,则判定薄壁锌合金压铸件表面存在质量问题。
本发明的技术方案的有益效果是:通过对使用梯度非极大值抑制获取的初始边缘点进行线段拟合,充分利用薄壁锌合金压铸件表面金属纹理的线段连续性,识别并排除了金属纹理边缘点,减少了其对砂眼缺陷提取的影响,提高了砂眼缺陷提取的准确性。同时,通过边缘点梯度序列获取双阈值中高阈值取值范围,根据不同高阈值边缘点提取效果获取最佳高阈值,并据此获取最佳低阈值,自适应获取了双阈值,提高了算法的自适应性。并且综合各对双阈值的边缘点提取效果,评估获取了最佳双阈值取值,减少了非边缘点的过检测和边缘点的漏检,保证了边缘点的特殊性与连续性,提高了锌合金压铸件表面砂眼缺陷图像的提取质量,便于后续质量检测与评估。
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为本发明基于图像数据的薄壁锌合金压铸件质量检测方法的步骤流程图。
图2为本发明基于图像数据的薄壁锌合金压铸件质量检测方法的强边缘点个数-高阈值关系曲线图。
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图像数据的薄壁锌合金压铸件质量检测方法,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图像数据的薄壁锌合金压铸件质量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基于图像数据的薄壁锌合金压铸件质量检测方法的步骤流程图,该方法包括以下步骤:
S001.获取薄壁锌合金压铸件表面图像并获取图像的初始边缘点和初始边缘。
需要说明的是,为获取分辨率较高的薄壁锌合金压铸件表面图像,在薄壁锌合金压铸件表面的垂直上空设置工业相机以获取薄壁锌合金压铸件表面图像,为方便后续图像处理,将获取的薄壁锌合金压铸件表面图像转化为灰度图像。
需要说明的是,在对薄壁锌合金压铸件表面的砂眼缺陷进行检测时,可能会存在金属本身具有的纹理的影响,所以为根据两者在表面图像的形态特点对其加以区分,首先需要获取薄壁锌合金压铸件表面图像的梯度图像,而后对梯度图像进行非极大值抑制。若像素点梯度幅值与其梯度方向上前后相邻两个像素点相比为最大值,则保留,否则将像素点梯度置为0,将保留下的且梯度值部位0的像素点记为薄壁锌合金压铸件表面图像的初始边缘点,并将连续的初始边缘点相连构成若干条边缘,记为薄壁锌合金压铸件表面图像的初始边缘。
至此,获取了薄壁锌合金压铸件表面图像的初始边缘点和初始边缘。
S002.对图像的初始边缘进行直线拟合,获取初始缺陷边缘点和金属纹理边缘点,并剔除金属纹理边缘点。
需要说明的是,压铸件表面的砂眼缺陷的轮廓近似圆形,而金属纹理通常表现为连续的线段,因此可以通过对获取的初始边缘像素点进行线段拟合,从而可以根据拟合确定系数对拟合效果进行经评估,而后根据评估的结果结合阈值处理提取并排除拟合效果较好的金属纹理像素点。
首先对获取的初始边缘进行直线拟合,以图像最左且最上边的像素点为原点,以竖直向下为轴方向,以水平向右为/>轴方向建立坐标系,根据任意一条初始边缘上的所有初始边缘点的坐标利用最小二乘法拟合一条直线,得到每个初始边缘点的拟合优度,若拟合优度值越接近于1说明拟合效果越好,反之则越差。
需要说明的是,为根据拟合程度区分金属纹理边缘点和砂眼边缘点,需要设置拟合优度阈值作为判断金属纹理边缘点和初始缺陷边缘点的依据,因此本实施例预设拟合优度阈值,若拟合优度/>,说明初始边缘点拟合成直线的效果好,则将初始边缘点划分为金属纹理边缘点;若/>,说明初始边缘点拟合成直线的效果较差,因此将初始边缘点划分为初始缺陷边缘点。为排除金属纹理点的影响,本实施例将获取的金属纹理边缘点的梯度幅值设置为0。
至此,获取了薄壁锌合金压铸件表面图像初始缺陷边缘点和金属纹理边缘点,并剔除了金属纹理边缘点。
S003.根据初始缺陷边缘点获取梯度幅值序列和高阈值的存在范围。
需要说明的是,Canny边缘检测算法认为图像中的像素点梯度幅值如果大于高阈值则认为必然是边缘点,记为强边缘点,小于低阈值则认为必然不是边缘点,两者之间的则认为是弱边缘点需进行进一步处理,如果其与强边缘点邻接,则判定为边缘;否则为非边缘。本发明实施例通过获取初始缺陷边缘点的梯度幅值序列,梯度幅值越大说明为强边缘点的概率越大,从而根据梯度由小到大排列所得的梯度序列可以确定一个选取高阈值的范围:
记获取的初始缺陷边缘点中的第个边缘点梯度幅值为/>,将各边缘点梯度幅值由小至大排列,记序列中值为/>:
其中,为整数区间/>中第/>个高阈值的取值,/>为高阈值存在范围的最小值,/>为高阈值存在范围的最大值,/>为初始缺陷边缘点梯度幅值序列最小值,为初始缺陷边缘点梯度幅值序列最大值。高阈值存在范围。
需要说明的是,梯度幅值大于高阈值的点可认为是强边缘点,边缘点梯度幅值序列中值可以近似的表示该序列像素点梯度幅值的平均水平,区分强边缘点与其他点的标准必然在梯度幅值平均水平上下波动,因此以边缘点梯度序列最小值与梯度幅值序列的中值为高阈值范围最小值,边缘点梯度序列最大值与梯度幅值序列的中值为高阈值范围最大值,据此求出高阈值的范围,包含了所有可能的高阈值取值。
至此,获取了一个高阈值的存在范围。
S004.构建判断高阈值的存在范围内的高阈值为最佳高阈值的评价指标,并根据评价指标确定最佳高阈值。
需要说明的是,需要根据获取的高阈值存在范围确定高阈值,并利用高阈值明确薄壁锌合金压铸件表面图像的初始缺陷边缘的强边缘点、弱边缘点以及非边缘点。将初始缺陷边缘点中梯度幅值大于高阈值的像素点划分为强边缘点、处于高低阈值之间的像素点记为弱边缘点、小于低阈值的像素点划分为非边缘点。需要说明的是,若在高阈值存在范围内确定了边缘检测的高阈值/>,则规定/>,其中/>表示边缘检测的低阈值。
需要说明的是,在明确强、弱以及非边缘点后,需要根据在取范围内的某个阈值的情况下,获取的强边缘点和强边缘个数、弱边缘点和弱边缘个数、强边缘点之间的距离以及强边缘点数量突变度获取边缘点检测准确性,并根据以上列举的指标构建高阈值对应的边缘提取准确性的判断公式,以公式获取的最高准确性对应的高阈值作为最终高阈值,并依据最终高阈值获取最终低阈值。
在本发明实施例中,记取第m个高阈值时,检测出图像强边缘点共有个,边缘共有/>条,弱边缘点共有/>个,非边缘点共有/>个。根据获取的强边缘点和强边缘个数、弱边缘点和弱边缘个数、强边缘点之间的距离以及强边缘点数量突变度建立如下多个指标:
1.第一指标:
需要说明的是,高阈值取值越大,即划分出强边缘点的标准越高,检测出的强边缘点越少,当取得最佳高阈值时,检测出的强边缘点个数多且不冗余,与在上一个较小高阈值下检测出的强边缘点相比,该高阈值下检测出的强边缘点个数会减少,且该差异越大,该高阈值是最佳高阈值的可能性越大。当高阈值取到一定值时,随着其增大,整体的边缘个数不变,边缘上强边缘点个数逐渐减小,检测出的边缘个数趋于稳定,即与上一个较小高阈值下检测出的边缘相比,该高阈值下检测出的边缘个数几乎不变,则改变越小,该高阈值是最佳阈值的可能性越大。
因此,本发明实施案例根据第个高阈值下检测到的图像强边缘与其前一个(即第/>个)强边缘点之间的差异以及两次高阈值下检测到的边缘个数差异确定第一个指标:
其中,判定高阈值的存在范围内第/>个高阈值为最佳高阈值的第一指标,为第/>个高阈值下检测出的强边缘点个数,/>为第/>个高阈值下检测出的强边缘点个数,/>为第/>个高阈值下检测出的边缘个数,/>为第/>个高阈值下检测出的边缘个数。
2.第二指标:
需要说明的是,高阈值取值越大,对应低阈值取值越大,划分出弱边缘点的标准越高,检测出的弱边缘点越少,弱边缘点与强边缘点相连,则检测出的边缘连续性越小。当高阈值取得最佳值时,检测出来的弱边缘点数量较完整,即与强边缘点相连的弱边缘点在总边缘点中占比较大。
因此,本发明实施例通过计算第个高阈值下检测到的弱边缘点与强、弱边缘点总和的比例作为指标,为评估所选取的高阈值的准确度提供依据:
其中,为判定高阈值的存在范围内第/>个高阈值为最佳高阈值的第二指标,为第/>个高阈值下检测出的强边缘点个数,/>为第/>个高阈值下检测出的弱边缘点的个数。
3.第三指标:
需要说明的是,薄壁锌合金压铸件的砂眼缺陷表现出圆形,边缘检测后边缘点排列应呈现闭合的圆形。高阈值取值越大,检测出的强边缘点越少,则边缘点排列所得圆形连续性越差,当高阈值取得最佳值时,检测出的强边缘点多且不冗余,此时对应的所有强边缘点两两之间形成的距离之和最小,即所检测出的闭合圆形的连续性最好。
因此,本发明实施例利用相邻强边缘点之间的距离量化第个高阈值下检测到的边缘点的连续性,首先通过距离公式获取/>个强边缘点两两之间形成的距离之和:
其中,为检测出的全部强边缘点的距离和,/>为检测出的相邻两个强边缘点的坐标,/>表示强边缘点两两之间形成的线段个数。
需要说明的是,在利用强边缘点之间的距离之和量化边缘点的连续性时,第个高阈值下检测到的强边缘点之间的距离之和越大说明检测到的砂眼边缘点形成的圆越不规则,则本发明实施例构建第三个指标与强边缘点的距离之和的负相关关系:
其中,为判定高阈值的存在范围内第/>个高阈值为最佳高阈值的第三指标,表示/>利用/>方法归一化处理后的结果,/>表示第/>个高阈值下检测到的全部强边缘点两两之间形成的距离总和,/>表示以自然数为底的指数函数。之所以对距离之和进行归一化处理,是因为/>函数的性质:/>函数的递减速率逐渐降低,所以为确保/>随着/>的增大而变化的差异较明显,对/>进行归一化处理使/>。
4.第四指标:
需要说明的是,高阈值取值越小,强边缘点的标准越低,检测出的强边缘点越多,强边缘点比率就越大,在最佳高阈值取值时强边缘点能够基本被全部检测出来,此时强边缘点比率会有一个最大的突变。若图像的像素点共有个,则设在第/>个高阈值下获取的强边缘点比率可以表示为/>:
且说明书附图中的图2可以反映强边缘点比率随着高阈值增大而减小的趋势,由图2可观察到当高阈值取值越小,强边缘点的标准越低,检测出的强边缘点越多,强边缘点比率越大,在最佳高阈值取值时强边缘点能够基本被全部检测出来,此时强边缘点比率会有一个最大的突变,则图中的明显断裂反映了强边缘点比率的突变,表示此时对应的高阈值为最佳高阈值。
当高阈值取值较小时,随着高阈值的增大,检测出的强边缘点减少,强边缘点比率突变程度逐渐增大,当取得最佳高阈值时,强边缘点比率突变达到最大,而后随着高阈值取值的增大,检测出的强边缘点更少,强边缘点比率突变程度逐渐减小。因此可以将强边缘点比率随着选取的高阈值逐渐增大的变化看作正态分布:
其中,为判定高阈值的存在范围内第/>个高阈值为最佳高阈值的第四指标,为第/>个高阈值的取值,/>为高阈值的存在范围所有高阈值平均值,/>为阈值的存在范围所有高阈值标准差。
至此,根据获取的强边缘点个数、弱边缘点个数、边缘个数、强边缘点距离以及强边缘点比率构建了在高阈值范围内选取的高阈值的准确度的评价指标,由于这四个指标均与确定高阈值后提取边缘的准确性呈正相关关系,所以本发明实施例获取判定高阈值存在范围内的任意一个高阈值为最佳高阈值的四个指标取值之和,记为高阈值的累计指标,而后获取判定高阈值存在范围内的所有高阈值的累计指标,并将任意一个高阈值的累计指标与所有高阈值的累计指标总和之间的比值作为高阈值提取的准确性结果。具体计算公式如下:
其中,为第/>个高阈值对应的边缘提取准确性,/>、/>为判定高阈值的存在范围内第/>个高阈值为最佳高阈值的第一、二、三、四指标,/>为取值范围内高阈值的数量,为避免出现高阈值取值无限的情况,本发明实施例规定/>。当第/>个高阈值对应的边缘提取准确性/>达到最大时,对应的第/>个高阈值为最佳高阈值,记此时的高阈值为最终高阈值/>,则根据经验可获取最终低阈值/>。
至此,通过构建不同高阈值对应的边缘提取准确性评价体系,确定了边缘提取准确性最高的边缘检测的高阈值和低阈值。
S005.根据最终的高低阈值对边缘点进行识别连接,获取最终砂眼缺陷边缘分割图像。
需要说明的是,通过梯度非极大值抑制和排除金属纹理边缘点后,薄壁锌合金压铸件表面图像仍存在许多孤立噪声点从而影响真正边缘点的提取。则通过双阈值判断可以完成孤立噪点的排除并将不完整边缘进行连接,去除假边缘,优化真边缘。
因此,本发明实施例根据最终高低阈值对边缘点进行识别。梯度幅值大于最终高阈值的像素点判为强边缘点,梯度幅值小于最终低阈值的像素点判为非边缘点,梯度幅值位于最终高低阈值之间的判为弱边缘点,判断该弱边缘点八邻域内是否有强边缘点,若有,则将此边缘点判为强边缘点,否则判为非边缘点。
至此,通过边缘点判断和连接,获取了薄壁锌合金压铸件表面的砂眼缺陷边缘分割图像。
S006.根据薄壁锌合金压铸件表面的砂眼缺陷边缘分割图像指导工作人员进行质量检测。
需要说明的是,通过优化边缘检测算法中双阈值的选取方法,提高了/>边缘加测算法的自适应性,并将优化后的算法应用于提取薄壁锌合金压铸件表面的砂眼缺陷中,获得了更完整切精确的砂眼缺陷边缘分割图像,以精准定位砂眼缺陷的位置和状态,为工作人员对薄壁锌合金压铸件表面的质量检测带来便利,通过统计根据/>边缘检测获取的砂眼缺陷边缘周长,若周长大于设定阈值则判定薄壁锌合金压铸件表面存在质量问题,本实施以预设周长阈值为5进行叙述,本实施例对周长阈值不做限制,工作人员可根据质量问题严格把控薄壁锌合金压铸件出场,避免利益损失和安全问题。
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.基于图像数据的薄壁锌合金压铸件质量检测方法,其特征在于,该方法包括以下步骤:
获取薄壁锌合金压铸件表面图像,进行非极大值抑制处理获取薄壁锌合金压铸件表面灰度图像的初始边缘点;
对初始边缘点进行线段拟合,根据拟合优度获取初始缺陷边缘点和金属纹理边缘点,并将获取的金属纹理边缘点剔除;根据初始缺陷边缘点的梯度幅值确定高阈值的存在范围;获取高阈值的存在范围内每个高阈值下检测到的强边缘点、弱边缘点和非边缘点;在高阈值的存在范围内根据相邻两个高阈值下薄壁锌合金压铸件表面灰度图像中检测到的强边缘点个数的差异和边缘个数的差异获取高阈值的存在范围内每个高阈值的第一指标;根据高阈值的存在范围内每个高阈值下薄壁锌合金压铸件表面灰度图像中检测到的强边缘点个数和弱边缘点个数获取高阈值的存在范围内每个高阈值的第二指标;根据高阈值的存在范围内每个高阈值下薄壁锌合金压铸件表面灰度图像中检测到的强边缘点之间的距离获取高阈值的存在范围内每个高阈值的第三指标;根据高阈值的存在范围内每个高阈值下薄壁锌合金压铸件表面灰度图像中检测到的强边缘点比率获取高阈值的存在范围内每个高阈值的第四指标;根据四个指标获取高阈值的存在范围内的每个高阈值的准确性;将准确性最大的高阈值作为对砂眼缺陷进行分割的最终高阈值,所述最终高阈值为砂眼边缘分割图像的最佳高阈值;
根据确定的最终高阈值自适应获取低阈值,根据高阈值和低阈值检测并连接边缘点,获取薄壁锌合金铸件表面的砂眼边缘分割图像;根据砂眼边缘分割图像得到的砂眼轮廓周长对薄壁锌合金压铸件进行质量检测。
2.根据权利要求1所述基于图像数据的薄壁锌合金压铸件质量检测方法,其特征在于,所述根据拟合优度获取初始缺陷边缘点和金属纹理边缘点,包括的具体方法为:
以薄壁锌合金压铸件表面图像的最左且最上边的像素点为原点,以竖直向下为轴方向,以水平向右为/>轴方向建立坐标系,根据任意一条初始边缘上的所有初始边缘点的坐标利用最小二乘法拟合一条直线,得到每个初始边缘点的拟合优度;预设拟合优度阈值,将拟合优度大于拟合优度阈值的像素点划分为金属纹理边缘点,小于等于阈值拟合优度阈值的像素点则划分为初始缺陷边缘点。
3.根据权利要求1所述基于图像数据的薄壁锌合金压铸件质量检测方法,其特征在于,所述将获取的金属纹理边缘点剔除,包括的具体方法为:
将划分为金属纹理边缘点的像素点的梯度幅值设置为0,达到排除金属纹理边缘点的目的。
4.根据权利要求1所述基于图像数据的薄壁锌合金压铸件质量检测方法,其特征在于,所述根据初始缺陷边缘点的梯度幅值确定高阈值的存在范围,包括的具体方法为:
根据获取的初始缺陷边缘点的梯度幅值由小到大的顺序排列获得一维梯度序列,以处于梯度序列的中值和梯度序列最小值的中间位置的梯度幅值作为高阈值存在范围的最小值,记为,以处于梯度序列的中值和梯度序列最大值的中间位置的梯度幅值作为高阈值存在范围最大值,记为/>,以整数区间/>作为所有高阈值存在的范围高阈值的存在范围。
5.根据权利要求1所述基于图像数据的薄壁锌合金压铸件质量检测方法,其特征在于,所述在高阈值的存在范围内根据相邻两个高阈值下薄壁锌合金压铸件表面灰度图像中检测到的强边缘点个数的差异和边缘个数的差异获取高阈值的存在范围内每个高阈值的第一指标,包括的具体公式为:
其中,为判定高阈值的存在范围内第/>个高阈值为最佳高阈值的第一指标,/>为高阈值的存在范围内第/>个高阈值下检测出的强边缘点个数,/>为第/>个高阈值下检测出的强边缘点个数,/>为第/>个高阈值下检测出的边缘个数,/>为第/>个高阈值下检测出的边缘个数,/>表示双曲正切函数,/>表示以自然数为底的指数函数。
6.根据权利要求1所述基于图像数据的薄壁锌合金压铸件质量检测方法,其特征在于,所述根据高阈值的存在范围内每个高阈值下薄壁锌合金压铸件表面灰度图像中检测到的强边缘点个数和弱边缘点个数获取高阈值的存在范围内每个高阈值的第二指标,包括的具体公式为:
其中,为判定高阈值的存在范围内第/>个高阈值为最佳高阈值的第二指标,/>为第个高阈值下检测出的强边缘点个数,/>为第/>个高阈值下检测出的弱边缘点的个数。
7.根据权利要求1所述基于图像数据的薄壁锌合金压铸件质量检测方法,其特征在于,所述根据高阈值的存在范围内每个高阈值下薄壁锌合金压铸件表面灰度图像中检测到的强边缘点之间的距离获取高阈值的存在范围内每个高阈值的第三指标,包括的具体公式为:
其中,为判定高阈值的存在范围内第/>个高阈值为最佳高阈值的第三指标,/>表示/>利用/>方法归一化处理后的结果,/>表示第/>个高阈值下检测到的全部强边缘点两两之间形成的距离总和,/>表示以自然数为底的指数函数。
8.根据权利要求1所述基于图像数据的薄壁锌合金压铸件质量检测方法,其特征在于,所述根据高阈值的存在范围内每个高阈值下薄壁锌合金压铸件表面灰度图像中检测到的强边缘点比率获取高阈值的存在范围内每个高阈值的第四指标,包括的具体公式为:
其中,为判定高阈值的存在范围内第/>个高阈值为最佳高阈值的第四指标,/>为第/>个高阈值的取值,/>为高阈值的存在范围所有高阈值平均值,/>为阈值的存在范围所有高阈值标准差。
9.根据权利要求1所述基于图像数据的薄壁锌合金压铸件质量检测方法,其特征在于,所述根据四个指标获取高阈值的存在范围内的每个高阈值的准确性,包括的具体方法为:
获取判定高阈值存在范围内的任意一个高阈值为最佳高阈值的四个指标取值之和,记为高阈值的累计指标,而后获取判定高阈值存在范围内的所有高阈值的累计指标,并将任意一个高阈值的累计指标与所有高阈值的累计指标总和之间的比值作为高阈值提取的准确性结果。
10.根据权利要求1所述基于图像数据的薄壁锌合金压铸件质量检测方法,其特征在于,所述根据砂眼边缘分割图像得到的砂眼轮廓周长对薄壁锌合金压铸件进行质量检测,包括的具体方法为:
统计根据边缘检测获取的砂眼缺陷边缘周长,预设砂眼缺陷周长阈值/>,计算边缘周长,若边缘周长大于预设砂眼缺陷周长阈值/>,则判定薄壁锌合金压铸件表面存在质量问题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311153696.7A CN116883415B (zh) | 2023-09-08 | 2023-09-08 | 基于图像数据的薄壁锌合金压铸件质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311153696.7A CN116883415B (zh) | 2023-09-08 | 2023-09-08 | 基于图像数据的薄壁锌合金压铸件质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116883415A CN116883415A (zh) | 2023-10-13 |
CN116883415B true CN116883415B (zh) | 2024-01-05 |
Family
ID=88257269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311153696.7A Active CN116883415B (zh) | 2023-09-08 | 2023-09-08 | 基于图像数据的薄壁锌合金压铸件质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116883415B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078678B (zh) * | 2023-10-16 | 2024-01-26 | 厘壮信息科技(苏州)有限公司 | 基于图像识别的废硅片形状检测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793902A (zh) * | 2012-10-26 | 2014-05-14 | 西门子医疗保健诊断公司 | 管型识别方法和装置、以及尿液分析仪 |
CN113112516A (zh) * | 2021-04-01 | 2021-07-13 | 广东拓斯达科技股份有限公司 | 图像边缘特征库构建方法、装置、计算机设备及存储介质 |
CN113781482A (zh) * | 2021-11-11 | 2021-12-10 | 山东精良海纬机械有限公司 | 一种复杂环境下机械零件裂纹缺陷检测方法及系统 |
CN113870235A (zh) * | 2021-10-08 | 2021-12-31 | 福州大学 | 基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法 |
WO2022027949A1 (zh) * | 2020-08-04 | 2022-02-10 | 湖南大学 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及系统 |
CN114862849A (zh) * | 2022-07-06 | 2022-08-05 | 山东智领新材料有限公司 | 一种基于图像处理的铝合板覆膜效果评估方法 |
CN116228747A (zh) * | 2023-05-04 | 2023-06-06 | 青岛穗禾信达金属制品有限公司 | 一种金属柜加工质量监测方法 |
CN116385472A (zh) * | 2023-06-07 | 2023-07-04 | 深圳市锦红兴科技有限公司 | 一种五金冲压件去毛刺效果评估方法 |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
CN116664584A (zh) * | 2023-08-02 | 2023-08-29 | 东莞市旺佳五金制品有限公司 | 一种薄壁类锌合金压铸模具生产智能反馈调节系统 |
-
2023
- 2023-09-08 CN CN202311153696.7A patent/CN116883415B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793902A (zh) * | 2012-10-26 | 2014-05-14 | 西门子医疗保健诊断公司 | 管型识别方法和装置、以及尿液分析仪 |
WO2022027949A1 (zh) * | 2020-08-04 | 2022-02-10 | 湖南大学 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及系统 |
CN113112516A (zh) * | 2021-04-01 | 2021-07-13 | 广东拓斯达科技股份有限公司 | 图像边缘特征库构建方法、装置、计算机设备及存储介质 |
CN113870235A (zh) * | 2021-10-08 | 2021-12-31 | 福州大学 | 基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法 |
CN113781482A (zh) * | 2021-11-11 | 2021-12-10 | 山东精良海纬机械有限公司 | 一种复杂环境下机械零件裂纹缺陷检测方法及系统 |
CN114862849A (zh) * | 2022-07-06 | 2022-08-05 | 山东智领新材料有限公司 | 一种基于图像处理的铝合板覆膜效果评估方法 |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
CN116228747A (zh) * | 2023-05-04 | 2023-06-06 | 青岛穗禾信达金属制品有限公司 | 一种金属柜加工质量监测方法 |
CN116385472A (zh) * | 2023-06-07 | 2023-07-04 | 深圳市锦红兴科技有限公司 | 一种五金冲压件去毛刺效果评估方法 |
CN116664584A (zh) * | 2023-08-02 | 2023-08-29 | 东莞市旺佳五金制品有限公司 | 一种薄壁类锌合金压铸模具生产智能反馈调节系统 |
Non-Patent Citations (3)
Title |
---|
SUSAN算子在汽车铝轮毂缺陷边缘检测中的应用;张淑娴 等;《信息技术》(第04期);第74-76页 * |
一种改进型Canny边缘检测算法;余洪山 等;《计算机工程与应用》(第20期);第27-29页 * |
改进插值及择优阈值Canny算法的边缘检测;王海龙 等;《计算机仿真》;第37卷(第5期);第394-398页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116883415A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116883415B (zh) | 基于图像数据的薄壁锌合金压铸件质量检测方法 | |
CN114862862A (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
CN116703907B (zh) | 一种基于机器视觉的汽车铸件表面缺陷检测方法 | |
CN114882044B (zh) | 金属管件表面质量检测方法 | |
CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN116091504B (zh) | 基于图像处理的连接管连接头质量检测方法 | |
CN116735612B (zh) | 一种精密电子元器件焊接缺陷检测方法 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116758077A (zh) | 一种冲浪板表面平整度在线检测方法及系统 | |
CN116993731B (zh) | 基于图像的盾构机刀头缺陷检测方法 | |
CN115797361B (zh) | 一种铝模板表面缺陷检测方法 | |
CN115063423A (zh) | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 | |
CN116503394A (zh) | 基于图像的印刷制品表面粗糙度检测方法 | |
CN116740058A (zh) | 一种固态硬盘配套晶圆的质量检测方法 | |
CN115272336A (zh) | 基于梯度向量的金属零件缺陷精准检测方法 | |
CN115115603A (zh) | 基于人工智能的汽车配件飞轮表面检测方法 | |
CN116993742B (zh) | 基于机器视觉的镍合金轧制缺陷检测方法 | |
CN116681696B (zh) | 一种用于自动化生产设备的模具质量监测方法 | |
CN111126371B (zh) | 一种基于图像处理的粗指针表盘示数读取方法 | |
CN113052828A (zh) | 基于人工智能的钢包渣线结渣清理时间预测方法及系统 | |
CN116612112A (zh) | 一种水桶表面缺陷视觉检测方法 | |
CN115222744A (zh) | 基于深度估计的刀具磨损程度判定方法 | |
CN110827272B (zh) | 一种基于图像处理的轮胎x光图像缺陷检测方法 | |
CN114994072A (zh) | 一种基于机器视觉的磁棒端面缺陷检测方法 |
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 |