CN116958136B - 基于图像处理的丝杆螺纹生产缺陷检测方法 - Google Patents

基于图像处理的丝杆螺纹生产缺陷检测方法 Download PDF

Info

Publication number
CN116958136B
CN116958136B CN202311205536.2A CN202311205536A CN116958136B CN 116958136 B CN116958136 B CN 116958136B CN 202311205536 A CN202311205536 A CN 202311205536A CN 116958136 B CN116958136 B CN 116958136B
Authority
CN
China
Prior art keywords
inflection point
sequence
inflection
point
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
Application number
CN202311205536.2A
Other languages
English (en)
Other versions
CN116958136A (zh
Inventor
赵志强
赵志刚
万艳艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huizhou Jinjian Precision Parts Co ltd
Original Assignee
Huizhou Jinjian Precision Parts Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huizhou Jinjian Precision Parts Co ltd filed Critical Huizhou Jinjian Precision Parts Co ltd
Priority to CN202311205536.2A priority Critical patent/CN116958136B/zh
Publication of CN116958136A publication Critical patent/CN116958136A/zh
Application granted granted Critical
Publication of CN116958136B publication Critical patent/CN116958136B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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

Abstract

本发明涉及图像处理技术领域，具体涉及基于图像处理的丝杆螺纹生产缺陷检测方法，包括：根据参考像素点序列得到拐点序列以及拐点标准序列；对拐点序列与拐点标准序列进行匹配得到第一拐点偏移程度；根据拐点序列与拐点标准序列匹配的拐点数量得到第二拐点偏移程度；根据第二拐点偏移程度得到第三拐点偏移程度；根据第三拐点偏移程度得到位置相关程度；根据位置相关程度得到缺陷置信程度；根据缺陷置信程度得到若干偏差参数下每个参考像素点序列的最佳偏差参数；根据最佳偏差参数得到若干缺陷区域，完成丝杆螺纹生产缺陷检测。本发明使获取的缺陷区域更加精准，更有效地消除噪声对缺陷检测结果准确性的干扰。

Description

基于图像处理的丝杆螺纹生产缺陷检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及基于图像处理的丝杆螺纹生产缺陷检测方法。
背景技术
丝杆螺纹是一种常见的机械连接元件，常应用于高负载与高精度工作的机械器件，为了保证机械器件的高负载与高精度，确保丝杆螺纹生产质量的生产缺陷检测就成为了至关重要的生产步骤。常见的丝杆螺纹生产缺陷有毛刺、断纤和裂纹等不同种类的缺陷，而这些缺陷在灰度图像中所显示的灰度值均异常；但由于待测图像获取过程中，生产车间复杂光照影响，图像质量普遍不高，存在较多的噪声影响丝杆螺纹表面生产缺陷位置的准确检测与定位，因此可以采用旋转门压缩算法的线性拟合去除误差，实现对于噪声的普遍去除，保留缺陷引起的异常灰度变化趋势，便于缺陷信息的准确提取。
而在传统的旋转门压缩算法进行线性拟合的过程中，其去噪效果主要由偏差参数控制，若偏差参数过小时，会将缺陷区域带来的灰度异常去除；若偏差参数过大时，会对噪声异常去除效果不彻底，且对于丝杆螺纹的同一结构获取的线性拟合结果会因噪声产生影响。
发明内容
本发明提供基于图像处理的丝杆螺纹生产缺陷检测方法，以解决现有的问题。
本发明的基于图像处理的丝杆螺纹生产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图像处理的丝杆螺纹生产缺陷检测方法，该方法包括以下步骤：
获取丝杆螺纹的灰度图像；
根据灰度图像得到若干参考像素点序列；根据参考像素点序列遍历若干偏差参数得到若干拐点序列以及拐点标准序列，所述拐点标准序列中包含多个拐点；对同一参考像素点序列的每个拐点序列与拐点标准序列进行匹配，得到每个拐点标准序列中每个拐点的若干第一拐点偏移程度；根据同一参考像素点序列的每个拐点序列与拐点标准序列匹配的拐点数量，得到每个拐点标准序列中每个拐点的若干第二拐点偏移程度；根据第二拐点偏移程度得到每个拐点标准序列中每个拐点的若干第三拐点偏移程度；
根据第三拐点偏移程度的差异以及拐点间的欧式距离，得到每个拐点标准序列中每个拐点的若干位置相关程度；根据位置相关程度以及第三拐点偏移程度的差异，得到每个拐点标准序列中每个拐点的缺陷置信程度；
根据缺陷置信程度得到若干偏差参数下每个参考像素点序列的最佳偏差参数；根据最佳偏差参数得到若干缺陷区域，完成丝杆螺纹生产缺陷检测。
优选的，所述根据灰度图像得到若干参考像素点序列，包括的具体方法为：
对于任意一张灰度图像，将灰度图像中每列像素点所构成的序列记为参考像素点序列；
获取每张灰度图像的每个参考像素点序列；
对于任意一张灰度图像中任意一个参考像素点序列，获取参考像素点序列的线灰度分布曲线，获取每张灰度图像的每个线灰度分布曲线。
优选的，所述根据参考像素点序列遍历若干偏差参数得到若干拐点序列以及拐点标准序列，包括的具体方法为：
对于任意一张灰度图像中任意一个参考像素点序列的线灰度分布曲线，线灰度分布曲线以预设偏差参数遍历区间，步长为预设步长，依次遍历旋转门压缩算法的偏差参数，得到若干分布折线；将每个分布折线中斜率发生变化的点记为拐点，将每个分布折线中所有拐点构成的序列记为参考像素点序列的一个拐点序列；统计所有拐点序列中的若干拐点，并对若干拐点按照对应像素点的序号进行排序，将排序后所构成的序列记为参考像素点序列的拐点标准序列；
获取每个参考像素点序列的拐点标准序列以及若干拐点序列。
优选的，所述对同一参考像素点序列的每个拐点序列与拐点标准序列进行匹配，得到每个拐点标准序列中每个拐点的若干第一拐点偏移程度，包括的具体方法为：
对于任意一张灰度图像中任意一个参考像素点序列的拐点标准序列中任意一个拐点，以及任意一个拐点序列；对拐点序列与拐点标准序列进行DTW匹配，得到拐点标准序列中拐点的第一拐点偏移程度；拐点标准序列中拐点的第一拐点偏移程度的计算方法为：
；
式中，表示拐点序列与拐点标准序列DTW匹配后，拐点标准序列中该拐点的第一拐点偏移程度；/>表示在拐点标准序列中的该拐点，与拐点序列中DTW匹配的拐点数量；对拐点标准序列与每个拐点序列进行DTW匹配，得到拐点标准序列中该拐点每次匹配下的第一拐点偏移程度，则对该拐点得到了若干第一拐点偏移程度；
获取每个拐点标准序列中每个拐点的若干第一拐点偏移程度。
优选的，所述根据同一参考像素点序列的每个拐点序列与拐点标准序列匹配的拐点数量，得到每个拐点标准序列中每个拐点的若干第二拐点偏移程度，包括的具体方法为：
对于任意一张灰度图像中任意一个参考像素点序列的拐点标准序列中任意一个拐点，以及任意一个拐点序列；若该拐点在拐点序列中DTW匹配的拐点数量为1，且与DTW匹配的拐点对应的像素点序号一致，将该拐点的第一拐点偏移程度设为0，并将该拐点的第一拐点偏移程度记为该拐点的第二拐点偏移程度；若该拐点在拐点序列中DTW匹配的拐点数量为1且与DTW匹配的拐点对应的像素点序号不一致，或者该拐点在拐点序列中DTW匹配的拐点数量不为1，将该拐点的第一拐点偏移程度记为第二拐点偏移程度；获取每个拐点序列与拐点标准序列DTW匹配后，拐点标准序列中每个拐点的第二拐点偏移程度，得到拐点标准序列中每个拐点的若干第二拐点偏移程度；
获取每个拐点标准序列中每个拐点的若干第二拐点偏移程度。
优选的，所述根据第二拐点偏移程度得到每个拐点标准序列中每个拐点的若干第三拐点偏移程度，包括的具体方法为：
对于任意一张灰度图像中任意一个参考像素点序列的拐点标准序列中任意一个拐点，以及任意一个拐点序列；对拐点序列与拐点标准序列DTW匹配后，拐点标准序列中每个拐点的第二拐点偏移程度进行最大最小值归一化，将归一化后的每个第二拐点偏移程度记为拐点序列与拐点标准序列DTW匹配后，拐点标准序列中每个拐点的第三拐点偏移程度；
对拐点标准序列中每个拐点的每个第二拐点偏移程度获取第三拐点偏移程度，得到每个拐点的若干第三拐点偏移程度；获取每个拐点标准序列中每个拐点的若干第三拐点偏移程度。
优选的，所述根据第三拐点偏移程度的差异以及拐点间的欧式距离，得到每个拐点标准序列中每个拐点的若干位置相关程度，包括的具体方法为：
对于任意一张灰度图像中任意一个参考像素点序列的拐点标准序列中任意一个拐点，以及任意一个拐点序列；在拐点标准序列对应的线灰度分布曲线中，以该拐点作为窗口中心获取窗口内所属拐点标准序列的其他拐点；该拐点的位置相关程度的计算方法为：
；
式中，表示拐点序列与拐点标准序列DTW匹配后，拐点标准序列中该拐点的位置相关程度；/>表示在拐点标准序列中该拐点的窗口内，除该拐点以外其他所属拐点标准序列的拐点数量；/>表示在拐点标准序列中该拐点的窗口内，除该拐点以外其他所属拐点标准序列的第/>个拐点与该拐点的欧式距离；/>表示/>输入标准高斯函数后得到的数值；/>表示在拐点标准序列中，该拐点的第三拐点偏移程度；/>表示在拐点标准序列中该拐点的窗口内，除该拐点以外其他所属拐点标准序列的第/>个拐点的第三拐点偏移程度；/>表示取绝对值；/>表示以自然常数为底的指数函数；
获取同一参考像素点序列的每个拐点序列与拐点标准序列DTW匹配后，拐点标准序列中每个拐点的位置相关程度，得到每个拐点的若干位置相关程度；获取每个拐点标准序列中每个拐点的位置相关程度。
优选的，所述根据位置相关程度以及第三拐点偏移程度的差异，得到每个拐点标准序列中每个拐点的缺陷置信程度，包括的具体方法为：
对于任意一张灰度图像中任意一个参考像素点序列的拐点标准序列中任意一个拐点；
；
表示在拐点标准序列中拐点的缺陷置信程度；/>表示拐点标准序列对应的拐点序列数量；/>表示第/>个拐点序列与拐点标准序列DTW匹配后，拐点标准序列中拐点的位置相关程度；/>表示第/>个拐点序列与拐点标准序列DTW匹配后，拐点标准序列中拐点的第三拐点偏移程度；/>表示第/>个拐点序列与拐点标准序列DTW匹配后，拐点标准序列中拐点的第三拐点偏移程度；/>表示取绝对值；
获取每个拐点标准序列中每个拐点的缺陷置信程度。
优选的，所述根据缺陷置信程度得到若干偏差参数下每个参考像素点序列的最佳偏差参数，包括的具体方法为：
对于任意一张灰度图像中任意一个参考像素点序列的任意一个偏差参数；
；
式中，表示在该偏差参数下，参考像素点序列的偏差因子；/>表示在参考像素点序列对应的拐点标准序列中，该偏差参数下存在的拐点的数量；/>表示在参考像素点序列对应的拐点标准序列中，该偏差参数下存在的第/>个拐点的缺陷置信程度；
获取所有偏差参数下，参考像素点序列的偏差因子；将参考像素点序列的偏差因子取最大值时对应的偏差参数，记为参考像素点序列的最佳偏差参数；
获取每个参考像素点序列的最佳偏差参数。
优选的，所述根据最佳偏差参数得到若干缺陷区域，包括的具体方法为：
对于任意一张灰度图像，根据灰度图像中每个参考像素点序列的最佳偏差参数进行旋转门压缩算法处理，得到若干拐点，记为最终拐点；在灰度图像中，将所有最终拐点对应的像素点进行聚类，得到若干聚类簇，将每个聚类簇记为一个缺陷区域。
本发明的技术方案的有益效果是：通过对参考像素点序列进行不同偏差参数的调控，分析不同偏差参数下的第三拐点偏移程度，从而得到不同拐点的位置相关程度，根据位置相关程度得到缺陷置信程度，进而得到参考像素点序列的最佳偏差参数，得到缺陷区域；相较于现有技术对偏差参数无法根据丝杆螺纹图像特征进行自适应调整；本发明使偏差参数可根据丝杆螺纹图像特征进行自适应调整，从而使获取的缺陷区域更加精准，并且更有效地消除噪声对缺陷检测结果准确性的干扰。
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为本发明基于图像处理的丝杆螺纹生产缺陷检测方法的步骤流程图。
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基于图像处理的丝杆螺纹生产缺陷检测方法，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图像处理的丝杆螺纹生产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图像处理的丝杆螺纹生产缺陷检测方法的步骤流程图，该方法包括以下步骤：
步骤S001：获取丝杆螺纹的灰度图像。
需要说明的是，在传统的旋转门压缩算法进行线性拟合的过程中，其去噪效果主要由偏差参数控制，若偏差参数过小时，会将缺陷区域带来的灰度异常去除；若偏差参数过大时，会对噪声异常去除效果不彻底，且对于丝杆螺纹的同一结构获取的线性拟合结果会因噪声产生影响；为此，本实施例提出了基于图像处理的丝杆螺纹生产缺陷检测方法，通过多尺度图像块上对应位置线灰度分布曲线的相似变化程度，自适应获取偏差参数，实现最佳的直线拟合，从而在较大程度地去除噪声的同时，保留大量有效的缺陷信息，完成丝杆螺纹的生产缺陷准确检测。
具体的，为了实现本实施例提出的基于图像处理的丝杆螺纹生产缺陷检测方法，首先需要采集丝杆螺纹的灰度图像，具体过程为：使用工业相机拍摄若干丝杆螺纹，得到若干丝杆螺纹图像，对若干丝杆螺纹图像进行灰度化处理得到若干丝杆螺纹的灰度图像；其中灰度化处理是公知技术，本实施例不进行叙述。
至此，通过上述方法得到若干丝杆螺纹的灰度图像。
步骤S002：根据灰度图像得到参考像素点序列，根据参考像素点序列进行旋转门压缩的偏差参数遍历，得到若干拐点序列以及拐点标准序列；对拐点序列与拐点标准序列进行DTW匹配得到第三拐点偏移程度。
需要说明的是，在利用旋转门压缩算法对线灰度分布曲线进行直线拟合时，去噪效果由偏差参数控制，偏差参数的大小控制直线拟合的效果，而直线拟合结果可由数据序列表示，拐点可表示灰度变化剧烈的点；若偏差参数过小，无法实现去除微小噪声的目的；若偏差参数过大，会将线灰度分布曲线上缺陷区域的两侧点平滑掉。由于缺陷区域与噪声区域在线灰度分布曲线上的拐点变化特征，会因旋转门压缩算法的不同偏差参数而不同；所以，本实施例通过利用拐点的变化特征，结合局部区域上邻近线灰度分布曲线上拐点的空间关系，动态调整偏差参数，并由此对原始图像上像素点的类型归属进行区分，最终获得缺陷区域形状位置信息。
进一步需要说明的是，根据获得的丝杆螺纹的灰度图像，纵向获得每个图像列的线灰度分布曲线，曲线的斜率变化主要由缺陷区域与噪声区域的灰度分布特征影响，缺陷区域主要为裸露的内部银色金属表面，具有较高的灰度值，根据其线灰度分布曲线位于缺陷的位置信息，呈现高峰平台状或高峰状；噪声区域主要为邻域灰度值的分布呈不均匀性增加的区域，其往往是小范围的灰度起伏；而在偏差参数变化时，缺陷区域像素点与噪声区域像素点的特征对偏差参数变化的敏感程度不同，从而使通过旋转门获得的折线拐点的偏移程度不同，而对于平台状高峰或高峰状则是峰点的偏移程度不同。若峰点的偏移程度越大，表明此位置的像素点属于缺陷区域的可能性越小；若峰点的偏移程度越小，表明此位置的像素点属于缺陷区域的可能性越大。在偏差参数遍历调整的过程中，属于噪声区域的拐点会偏移逐渐直至消失，属于缺陷区域的拐点会些许偏移或偏移直至成为一个稳定点。
具体的，以任意一张灰度图像为例，将该灰度图像中每列像素点所构成的序列记为参考像素点序列；以该灰度图像中任意一个参考像素点序列为例，获取该参考像素点序列的线灰度分布曲线，获取该灰度图像中所有线灰度分布曲线；其中在每个线灰度分布曲线中，纵坐标表示像素点的灰度值，横坐标表示像素点的序数，每个像素点在灰度图像中均存在对应的位置；而每张灰度图像包含若干参考像素点序列，线灰度分布曲线的获取是公知技术，本实施例不进行叙述。
进一步的，以该灰度图像中任意一个参考像素点序列的线灰度分布曲线为例，预设一个偏差参数遍历区间[T1,T2]，其中本实施例以T1=2、T2=35为例进行叙述，本实施例不进行具体限定，其中T1、T2可根据具体实施情况而定；该线灰度分布曲线以偏差参数遍历区间[T1,T2]，步长为1，依次遍历旋转门压缩算法的偏差参数，得到若干分布折线；将每个分布折线中斜率发生变化的点记为拐点，将每个分布折线中所有拐点构成的序列记为一个拐点序列；统计所有拐点序列中的拐点，并对这些拐点按照对应像素点的序号进行排序，将排序后所构成的序列记为拐点标准序列；其中在每个分布折线中，纵坐标表示像素点的灰度值，横坐标表示像素点的序数；每次遍历偏差参数的每个线灰度分布曲线对应一个分布折线，每个分布折线对应一个拐点序列，每个线灰度分布曲线对应一个拐点标准序列，分布折线是由若干折线连接构成，分布折线的获取是旋转门压缩算法的公知内容，旋转门压缩算法为公知技术，本实施例不进行叙述。
进一步的，以任意一个拐点序列为例，将该拐点序列与该拐点标准序列进行DTW匹配，得到若干DTW匹配对；其中该拐点标准序列中每个拐点，在该拐点序列中对应若干拐点；DTW匹配算法是公知技术，本实施例不进行叙述。以该拐点序列与该拐点标准序列DTW匹配后，该拐点标准序列中任意一个拐点为例，根据该拐点序列与该拐点标准序列的DTW匹配对，得到该拐点标准序列中该拐点的第一拐点偏移程度。其中该拐点标准序列中该拐点的第一拐点偏移程度的计算方法为：
；
式中，表示该拐点序列与该拐点标准序列DTW匹配后，该拐点标准序列中该拐点的第一拐点偏移程度；/>表示在该拐点标准序列中的该拐点，与该拐点序列中DTW匹配的拐点数量。
进一步的，获取该拐点序列与该拐点标准序列DTW匹配后，该拐点标准序列中所有拐点的第一拐点偏移程度；以该拐点序列与该拐点标准序列DTW匹配后，该拐点标准序列中任意一个拐点为例，若该拐点在该拐点序列中DTW匹配的拐点数量为1，且与DTW匹配的拐点对应的像素点序号一致，则将该拐点的第一拐点偏移程度预设为0，并将该拐点的第一拐点偏移程度记为第二拐点偏移程度；若该拐点在该拐点序列中DTW匹配的拐点数量为1且与DTW匹配的拐点对应的像素点序号不一致，或者该拐点在该拐点序列中DTW匹配的拐点数量不为1，则将该拐点的第一拐点偏移程度记为第二拐点偏移程度。获取该拐点序列与该拐点标准序列DTW匹配后，该拐点标准序列中所有拐点的第二拐点偏移程度。
进一步的，对该拐点序列与该拐点标准序列DTW匹配后，该拐点标准序列中所有拐点的第二拐点偏移程度进行最大最小值归一化，将归一化后的每个第二拐点偏移程度记为该拐点序列与该拐点标准序列DTW匹配后，该拐点标准序列中每个拐点的第三拐点偏移程度。
至此，通过上述方法得到若干第三拐点偏移程度。
步骤S003：根据第三拐点偏移程度以及拐点间的欧式距离得到位置相关程度；根据位置相关程度以及第三拐点偏移程度的差异得到缺陷置信程度。
需要说明的是，在获取的第三拐点偏移程度后，可利用缺陷区域与噪声区域的第三拐点偏移程度的变化程度不同，结合相邻线灰度分布曲线上拐点位置的第三拐点偏移程度的位置相关程度，获得拐点的缺陷置信程度。而缺陷区域与噪声区域的偏移程度变化程度不同具体表现在拐点的第三拐点偏移程度的变化程度有关，若变化程度越大，表明拐点受到偏差参数的调整幅度越大，更有可能属于噪声区域；若变化程度越小，表明拐点受到偏差参数的调整幅度越小，更有可能属于缺陷区域，对应的缺陷置信程度越高。
进一步需要说明的是，相邻线灰度分布曲线上拐点的第三拐点偏移程度的位置相关程度，是指同属于缺陷区域的点其局部区域位置上具有性质一致性，主要表现为第三拐点偏移程度差值绝对值的高斯距离加权，若距离越近，说明差值越小，缺陷置信程度越高；若距离越远，说明差值越大，缺陷置信程度越低。
具体的，预设一个窗口大小为T3的窗口，其中本实施例以为例进行叙述，本实施例不进行具体限定，其中T3可根据具体实施情况而定。以该拐点序列与该拐点标准序列DTW匹配后，该拐点标准序列中任意一个拐点为例，在该拐点标准序列对应的线灰度分布曲线中，以该拐点作为窗口中心获取窗口内所属该拐点标准序列的其他拐点。根据窗口内所属该拐点标准序列的其他拐点得到该拐点的位置相关程度；其中该拐点的位置相关程度的计算方法为：
；
式中，表示该拐点序列与该拐点标准序列DTW匹配后，该拐点标准序列中该拐点的位置相关程度；/>表示在该拐点标准序列中该拐点的窗口内，除该拐点以外其他所属该拐点标准序列的拐点数量；/>表示在该拐点标准序列中该拐点的窗口内，除该拐点以外其他所属该拐点标准序列的第/>个拐点与该拐点的欧式距离；/>表示/>输入标准高斯函数后得到的数值；/>表示在该拐点标准序列中，该拐点的第三拐点偏移程度；表示在该拐点标准序列中该拐点的窗口内，除该拐点以外其他所属该拐点标准序列的第/>个拐点的第三拐点偏移程度；/>表示取绝对值；/>表示以自然常数为底的指数函数，本实施例采用/>函数来呈现反比例关系及归一化处理，实施者可根据实际情况选择反比例函数及归一化函数。获取该拐点序列与该拐点标准序列DTW匹配后，该拐点标准序列中所有拐点的位置相关程度。其中标准高斯函数与欧式距离是公知技术，本实施例不进行叙述。
进一步的，对该拐点标准序列与该拐点标准序列对应的所有拐点序列进行DTW匹配，并按照上述方法得到每次匹配中拐点标准序列中每个拐点的位置相关程度及第三拐点偏移程度，以该拐点标准序列中任意一个拐点为例，根据该拐点的若干第三拐点偏移程度与位置相关程度，得到该拐点的缺陷置信程度；其中该拐点的缺陷置信程度的计算方法为：
；
表示在该拐点标准序列中，该拐点的缺陷置信程度；/>表示该拐点标准序列对应的拐点序列数量；/>表示第/>个拐点序列与该拐点标准序列DTW匹配后，该拐点标准序列中该拐点的位置相关程度；/>表示第/>个拐点序列与该拐点标准序列DTW匹配后，该拐点标准序列中该拐点的第三拐点偏移程度；/>表示第/>个拐点序列与该拐点标准序列DTW匹配后，该拐点标准序列中该拐点的第三拐点偏移程度；/>表示取绝对值。获取该拐点标准序列中所有拐点的缺陷置信程度；获取所有拐点标准序列中所有拐点的缺陷置信程度。
至此，通过上述方法得到所有拐点标准序列中所有拐点的缺陷置信程度。
步骤S004：根据缺陷置信程度得到若干旋转门压缩的偏差参数下的偏差因子，对若干偏差因子进行筛选得到最佳偏差参数；根据最佳偏差参数得到缺陷区域，完成丝杆螺纹生产缺陷检测。
具体的，以该灰度图像中任意一个参考像素点序列的任意一个偏差参数为例，根据该参考像素点序列对应拐点标准序列中该偏差参数下存在的所有拐点的缺陷置信程度，得到该参考像素点序列的最佳偏差参数；其中该参考像素点序列的最佳偏差参数的计算方法为：
；
式中，表示在该偏差参数下，该参考像素点序列的偏差因子；/>表示在该参考像素点序列对应拐点标准序列中，该偏差参数下存在的拐点的数量；/>表示在该参考像素点序列对应拐点标准序列中，该偏差参数下存在的第/>个拐点的缺陷置信程度。
进一步的，获取所有偏差参数下，该参考像素点序列的偏差因子；将该参考像素点序列的偏差因子取最大值时对应的偏差参数，记为该参考像素点序列的最佳偏差参数。获取该灰度图像中所有参考像素点序列的最佳偏差参数。
进一步的，根据该灰度图像中所有参考像素点序列的最佳偏差参数进行旋转门压缩算法处理，得到若干拐点，记为最终拐点；在该灰度图像中，将所有最终拐点对应的像素点进行聚类，得到若干聚类簇，将每个聚类簇记为一个缺陷区域，将缺陷区域可视化显示到相应的显示器上，并将对应图像传输到下一阶段的丝杆螺纹生产缺陷产品处理流程中，进行后续的整备、回收处理等操作；其中本实施例使用的聚类算法为均值漂移聚类算法，预设带宽参数，为公知技术，本实施例不进行叙述；按照上述方法对每个丝杆螺纹进行缺陷检测，完成丝杆螺纹生产缺陷检测。
至此，本实施例完成。
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 (5)

1.基于图像处理的丝杆螺纹生产缺陷检测方法，其特征在于，该方法包括以下步骤：
获取丝杆螺纹的灰度图像；
根据灰度图像得到若干参考像素点序列；根据参考像素点序列遍历若干偏差参数得到若干拐点序列以及拐点标准序列，所述拐点标准序列中包含多个拐点；对同一参考像素点序列的每个拐点序列与拐点标准序列进行匹配，得到每个拐点标准序列中每个拐点的若干第一拐点偏移程度；根据同一参考像素点序列的每个拐点序列与拐点标准序列匹配的拐点数量，得到每个拐点标准序列中每个拐点的若干第二拐点偏移程度；根据第二拐点偏移程度得到每个拐点标准序列中每个拐点的若干第三拐点偏移程度；
根据第三拐点偏移程度的差异以及拐点间的欧式距离，得到每个拐点标准序列中每个拐点的若干位置相关程度；根据位置相关程度以及第三拐点偏移程度的差异，得到每个拐点标准序列中每个拐点的缺陷置信程度；
根据缺陷置信程度得到若干偏差参数下每个参考像素点序列的最佳偏差参数；根据最佳偏差参数得到若干缺陷区域，完成丝杆螺纹生产缺陷检测；
所述根据灰度图像得到若干参考像素点序列，包括的具体方法为：
对于任意一张灰度图像，将灰度图像中每列像素点所构成的序列记为参考像素点序列；
获取每张灰度图像的每个参考像素点序列；
对于任意一张灰度图像中任意一个参考像素点序列，获取参考像素点序列的线灰度分布曲线，获取每张灰度图像的每个线灰度分布曲线；
所述根据参考像素点序列遍历若干偏差参数得到若干拐点序列以及拐点标准序列，包括的具体方法为：
对于任意一张灰度图像中任意一个参考像素点序列的线灰度分布曲线，线灰度分布曲线以预设偏差参数遍历区间，步长为预设步长，依次遍历旋转门压缩算法的偏差参数，得到若干分布折线；将每个分布折线中斜率发生变化的点记为拐点，将每个分布折线中所有拐点构成的序列记为参考像素点序列的一个拐点序列；统计所有拐点序列中的若干拐点，并对若干拐点按照对应像素点的序号进行排序，将排序后所构成的序列记为参考像素点序列的拐点标准序列；
获取每个参考像素点序列的拐点标准序列以及若干拐点序列；
所述对同一参考像素点序列的每个拐点序列与拐点标准序列进行匹配，得到每个拐点标准序列中每个拐点的若干第一拐点偏移程度，包括的具体方法为：
对于任意一张灰度图像中任意一个参考像素点序列的拐点标准序列中任意一个拐点，以及任意一个拐点序列；对拐点序列与拐点标准序列进行DTW匹配，得到拐点标准序列中拐点的第一拐点偏移程度；拐点标准序列中拐点的第一拐点偏移程度的计算方法为：
；
式中，表示拐点序列与拐点标准序列DTW匹配后，拐点标准序列中该拐点的第一拐点偏移程度；/>表示在拐点标准序列中的该拐点，与拐点序列中DTW匹配的拐点数量；对拐点标准序列与每个拐点序列进行DTW匹配，得到拐点标准序列中该拐点每次匹配下的第一拐点偏移程度，则对该拐点得到了若干第一拐点偏移程度；
获取每个拐点标准序列中每个拐点的若干第一拐点偏移程度；
所述根据同一参考像素点序列的每个拐点序列与拐点标准序列匹配的拐点数量，得到每个拐点标准序列中每个拐点的若干第二拐点偏移程度，包括的具体方法为：
对于任意一张灰度图像中任意一个参考像素点序列的拐点标准序列中任意一个拐点，以及任意一个拐点序列；若该拐点在拐点序列中DTW匹配的拐点数量为1，且与DTW匹配的拐点对应的像素点序号一致，将该拐点的第一拐点偏移程度设为0，并将该拐点的第一拐点偏移程度记为该拐点的第二拐点偏移程度；若该拐点在拐点序列中DTW匹配的拐点数量为1且与DTW匹配的拐点对应的像素点序号不一致，或者该拐点在拐点序列中DTW匹配的拐点数量不为1，将该拐点的第一拐点偏移程度记为第二拐点偏移程度；获取每个拐点序列与拐点标准序列DTW匹配后，拐点标准序列中每个拐点的第二拐点偏移程度，得到拐点标准序列中每个拐点的若干第二拐点偏移程度；
获取每个拐点标准序列中每个拐点的若干第二拐点偏移程度；
所述根据第二拐点偏移程度得到每个拐点标准序列中每个拐点的若干第三拐点偏移程度，包括的具体方法为：
对于任意一张灰度图像中任意一个参考像素点序列的拐点标准序列中任意一个拐点，以及任意一个拐点序列；对拐点序列与拐点标准序列DTW匹配后，拐点标准序列中每个拐点的第二拐点偏移程度进行最大最小值归一化，将归一化后的每个第二拐点偏移程度记为拐点序列与拐点标准序列DTW匹配后，拐点标准序列中每个拐点的第三拐点偏移程度；
对拐点标准序列中每个拐点的每个第二拐点偏移程度获取第三拐点偏移程度，得到每个拐点的若干第三拐点偏移程度；获取每个拐点标准序列中每个拐点的若干第三拐点偏移程度。
2.根据权利要求1所述基于图像处理的丝杆螺纹生产缺陷检测方法，其特征在于，所述根据第三拐点偏移程度的差异以及拐点间的欧式距离，得到每个拐点标准序列中每个拐点的若干位置相关程度，包括的具体方法为：
对于任意一张灰度图像中任意一个参考像素点序列的拐点标准序列中任意一个拐点，以及任意一个拐点序列；在拐点标准序列对应的线灰度分布曲线中，以该拐点作为窗口中心获取窗口内所属拐点标准序列的其他拐点；该拐点的位置相关程度的计算方法为：
；
式中，表示拐点序列与拐点标准序列DTW匹配后，拐点标准序列中该拐点的位置相关程度；/>表示在拐点标准序列中该拐点的窗口内，除该拐点以外其他所属拐点标准序列的拐点数量；/>表示在拐点标准序列中该拐点的窗口内，除该拐点以外其他所属拐点标准序列的第/>个拐点与该拐点的欧式距离；/>表示/>输入标准高斯函数后得到的数值；/>表示在拐点标准序列中，该拐点的第三拐点偏移程度；/>表示在拐点标准序列中该拐点的窗口内，除该拐点以外其他所属拐点标准序列的第/>个拐点的第三拐点偏移程度；/>表示取绝对值；/>表示以自然常数为底的指数函数；
获取同一参考像素点序列的每个拐点序列与拐点标准序列DTW匹配后，拐点标准序列中每个拐点的位置相关程度，得到每个拐点的若干位置相关程度；获取每个拐点标准序列中每个拐点的位置相关程度。
3.根据权利要求1所述基于图像处理的丝杆螺纹生产缺陷检测方法，其特征在于，所述根据位置相关程度以及第三拐点偏移程度的差异，得到每个拐点标准序列中每个拐点的缺陷置信程度，包括的具体方法为：
对于任意一张灰度图像中任意一个参考像素点序列的拐点标准序列中任意一个拐点；
；
表示在拐点标准序列中拐点的缺陷置信程度；/>表示拐点标准序列对应的拐点序列数量；/>表示第/>个拐点序列与拐点标准序列DTW匹配后，拐点标准序列中拐点的位置相关程度；/>表示第/>个拐点序列与拐点标准序列DTW匹配后，拐点标准序列中拐点的第三拐点偏移程度；/>表示第/>个拐点序列与拐点标准序列DTW匹配后，拐点标准序列中拐点的第三拐点偏移程度；/>表示取绝对值；
获取每个拐点标准序列中每个拐点的缺陷置信程度。
4.根据权利要求1所述基于图像处理的丝杆螺纹生产缺陷检测方法，其特征在于，所述根据缺陷置信程度得到若干偏差参数下每个参考像素点序列的最佳偏差参数，包括的具体方法为：
对于任意一张灰度图像中任意一个参考像素点序列的任意一个偏差参数；
；
式中，表示在该偏差参数下，参考像素点序列的偏差因子；/>表示在参考像素点序列对应的拐点标准序列中，该偏差参数下存在的拐点的数量；/>表示在参考像素点序列对应的拐点标准序列中，该偏差参数下存在的第/>个拐点的缺陷置信程度；
获取所有偏差参数下，参考像素点序列的偏差因子；将参考像素点序列的偏差因子取最大值时对应的偏差参数，记为参考像素点序列的最佳偏差参数；
获取每个参考像素点序列的最佳偏差参数。
5.根据权利要求1所述基于图像处理的丝杆螺纹生产缺陷检测方法，其特征在于，所述根据最佳偏差参数得到若干缺陷区域，包括的具体方法为：
对于任意一张灰度图像，根据灰度图像中每个参考像素点序列的最佳偏差参数进行旋转门压缩算法处理，得到若干拐点，记为最终拐点；在灰度图像中，将所有最终拐点对应的像素点进行聚类，得到若干聚类簇，将每个聚类簇记为一个缺陷区域。
CN202311205536.2A 2023-09-19 2023-09-19 基于图像处理的丝杆螺纹生产缺陷检测方法 Active CN116958136B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311205536.2A CN116958136B (zh) 2023-09-19 2023-09-19 基于图像处理的丝杆螺纹生产缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311205536.2A CN116958136B (zh) 2023-09-19 2023-09-19 基于图像处理的丝杆螺纹生产缺陷检测方法

Publications (2)

Publication Number Publication Date
CN116958136A CN116958136A (zh) 2023-10-27
CN116958136B true CN116958136B (zh) 2024-01-30

Family

ID=88449502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311205536.2A Active CN116958136B (zh) 2023-09-19 2023-09-19 基于图像处理的丝杆螺纹生产缺陷检测方法

Country Status (1)

Country Link
CN (1) CN116958136B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111598801A (zh) * 2020-05-11 2020-08-28 苏州佳智彩光电科技有限公司 一种用于微弱Mura缺陷的识别方法
CN115294140A (zh) * 2022-10-09 2022-11-04 南通永卓金属制品有限公司 一种五金零件缺陷检测方法及系统
CN115564779A (zh) * 2022-12-08 2023-01-03 东莞先知大数据有限公司 一种零件缺陷检测方法、装置及存储介质
CN115620061A (zh) * 2022-10-20 2023-01-17 深圳市智宇精密五金塑胶有限公司 一种基于图像识别技术的五金零件缺陷检测方法及系统
CN116205919A (zh) * 2023-05-05 2023-06-02 深圳市智宇精密五金塑胶有限公司 基于人工智能的五金零件生产质量检测方法及系统
CN116309608A (zh) * 2023-05-25 2023-06-23 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) 一种应用超声图像的涂层缺陷检测方法
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI525317B (zh) * 2013-10-08 2016-03-11 國立清華大學 整合影像分析與資料挖礦之自動光學檢測缺陷影像分類方法
JP6717081B2 (ja) * 2016-06-30 2020-07-01 東京エレクトロン株式会社 基板の欠陥検査装置、基板欠陥検査用の感度パラメータ値の調整方法及び記憶媒体

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111598801A (zh) * 2020-05-11 2020-08-28 苏州佳智彩光电科技有限公司 一种用于微弱Mura缺陷的识别方法
CN115294140A (zh) * 2022-10-09 2022-11-04 南通永卓金属制品有限公司 一种五金零件缺陷检测方法及系统
CN115620061A (zh) * 2022-10-20 2023-01-17 深圳市智宇精密五金塑胶有限公司 一种基于图像识别技术的五金零件缺陷检测方法及系统
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
CN115564779A (zh) * 2022-12-08 2023-01-03 东莞先知大数据有限公司 一种零件缺陷检测方法、装置及存储介质
CN116205919A (zh) * 2023-05-05 2023-06-02 深圳市智宇精密五金塑胶有限公司 基于人工智能的五金零件生产质量检测方法及系统
CN116309608A (zh) * 2023-05-25 2023-06-23 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) 一种应用超声图像的涂层缺陷检测方法

Also Published As

Publication number Publication date
CN116958136A (zh) 2023-10-27

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
CN116309570A (zh) 一种钛合金棒材质量检测方法及系统
CN116645367B (zh) 一种高端制造用的钢板切割质量检测方法
CN117132506B (zh) 基于视觉技术的钟表零配件质量检测方法
CN116993731B (zh) 基于图像的盾构机刀头缺陷检测方法
CN116311079B (zh) 基于计算机视觉的民用安防工程监测方法
CN115861291A (zh) 基于机器视觉的贴片电路板生产缺陷检测方法
CN113610850B (zh) 一种基于图像处理的装饰纸纹理异常检测方法
CN116993742B (zh) 基于机器视觉的镍合金轧制缺陷检测方法
CN115330758B (zh) 基于去噪处理的焊接质量检测方法
CN116758077A (zh) 一种冲浪板表面平整度在线检测方法及系统
CN116228768B (zh) 一种电子元器件表面划痕检测方法
CN116630329B (zh) 用于多轴多通道数控系统的在线视觉检测方法
CN115601368A (zh) 一种建材装备钣金件缺陷检测方法
CN117011291B (zh) 一种手表外壳质量视觉检测方法
CN116958136B (zh) 基于图像处理的丝杆螺纹生产缺陷检测方法
CN116612112B (zh) 一种水桶表面缺陷视觉检测方法
CN116485787B (zh) 一种数据线成型外模外观缺陷检测方法
CN116523913B (zh) 一种丝杆质量智能检测方法
CN117274293A (zh) 基于图像特征的细菌菌落精确划分方法
CN111192261A (zh) 一种镜片疵病类型识别的方法
CN114926360A (zh) 基于噪声估计的图像降噪处理工作方法
CN115731239B (zh) 一种钢材质量的检测方法
CN117058130B (zh) 一种光纤拉丝表面涂覆质量视觉检测方法
CN116740065B (zh) 基于大数据的人造板瑕疵品快速溯源方法及系统

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