CN116993726A - 一种矿物铸件检测方法及系统 - Google Patents
一种矿物铸件检测方法及系统 Download PDFInfo
- Publication number
- CN116993726A CN116993726A CN202311245349.7A CN202311245349A CN116993726A CN 116993726 A CN116993726 A CN 116993726A CN 202311245349 A CN202311245349 A CN 202311245349A CN 116993726 A CN116993726 A CN 116993726A
- Authority
- CN
- China
- Prior art keywords
- sub
- image
- confusion
- block
- gray
- 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
- 238000005266 casting Methods 0.000 title claims abstract description 69
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 67
- 239000011707 mineral Substances 0.000 title claims abstract description 67
- 238000001514 detection method Methods 0.000 title abstract description 17
- 238000009826 distribution Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 41
- 230000007547 defect Effects 0.000 claims abstract description 27
- 238000005259 measurement Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 239000011148 porous material Substances 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 4
- 238000010191 image analysis Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 17
- 230000000875 corresponding effect Effects 0.000 description 16
- 230000001629 suppression Effects 0.000 description 16
- 230000000694 effects Effects 0.000 description 10
- 239000004973 liquid crystal related substance Substances 0.000 description 10
- 230000009471 action Effects 0.000 description 7
- 230000000739 chaotic effect Effects 0.000 description 7
- 238000001914 filtration Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000452 restraining effect Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000003822 epoxy resin Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005058 metal casting Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 229920000647 polyepoxide Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000012779 reinforcing material Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 238000000638 solvent extraction 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06T2207/30116—Casting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像分析领域,具体涉及一种矿物铸件检测方法及系统。该方法包括:首先获取矿物铸件表面的灰度图像,基于预设噪声强度对灰度图像进行去随机数处理获得参考图像,对参考图像进行分块,根据子块中像素点灰度值的分布获得像素点混乱度,根据像素点混乱度和各子块间的距离对子块进行聚类获得目标区域,对目标区域的形状进行分析获得目标区域的类圆程度,基于类圆程度提取出气孔区域,进而通过获取的噪声强度判定参数估测出灰度图像的噪声强度,基于噪声强度对灰度图像进行去噪后对矿物铸件表面缺陷进行检测,本发明提高了对灰度图像噪声强度的估测精度,提升对灰度图像的去噪效果,进而提高对矿物铸件缺陷检测的准确性。
Description
技术领域
本发明涉及图像分析领域,具体涉及一种矿物铸件检测方法及系统。
背景技术
矿物铸件的检测是目前工业领域中的重要课题之一,在矿物铸件生产过程中存在气孔、砂眼和夹砂等缺陷,通常利用图像检测技术对矿物铸件表面的缺陷进行检测,但在图像的采集和传输过程中经常会产生噪声,降低图像的质量,因此需要优先对图像进行去噪处理,一般在进行去噪前都会对图像进行噪声强度的估测,以提升图像的去噪效果,便于准确的检测出矿物铸件中存在的缺陷,可见,准确估测图像的噪声强度对矿物铸件缺陷检测具有重大意义。
相关技术中通常对原始图像进行滤波处理,根据处理后的图像和原始图像之间像素点的灰度值误差,确定原始图像的噪声强度,但由于矿物铸件表面具有一定的粗糙纹理,会将矿物表面本身具有的粗糙纹理误认为是噪声引起的,从而通过现有技术无法对矿物铸件表面图像的噪声强度进行准确的估测,导致对图像的去噪效果较差,降低对矿物铸件缺陷检测的准确性。
发明内容
为了解决过现有技术无法对矿物铸件表面图像的噪声强度进行准确的估测,导致对图像的去噪效果较差,降低对矿物铸件缺陷检测的准确性的技术问题,本发明的目的在于提供一种矿物铸件检测方法及系统,所采用的技术方案具体如下:
本发明提出了一种矿物铸件检测方法,所述方法包括:
获取矿物铸件表面的灰度图像,基于不同的预设噪声强度对灰度图像进行去随机数处理,获得每个预设噪声强度下的至少两个参考图像,对参考图像进行分块处理得到至少两个尺寸相同的子块;
根据所述子块中相同灰度值的像素点的分布,获取每个子块的像素点混乱度;选取任意一个参考图像作为目标图像,基于目标图像中各子块的所述像素点混乱度的差异和各子块的中心之间的距离,对各子块进行聚类获得目标区域;
对所述目标区域进行连通域分析获得目标区域的质心和闭合边缘,根据所述闭合边缘上各像素点到所述质心的距离之间的差异,获得每个目标区域的类圆程度;根据所述类圆程度获取目标区域中的气孔区域;
根据目标图像中所有气孔区域中各子块的所述像素点混乱度、所有非气孔区域中各子块的所述像素点混乱度和所有气孔区域的所述类圆程度,获得灰度图像的噪声强度判定参数;基于所述噪声强度判定参数获得灰度图像的噪声强度;
根据所述噪声强度对灰度图像进行去噪处理获得去噪图像,根据所述去噪图像对矿物铸件表面缺陷进行检测。
进一步地,所述基于不同的预设噪声强度对灰度图像进行去随机数处理,获得每个预设噪声强度下的至少两个参考图像包括:
获取不同的所述预设噪声强度,基于任意一个所述预设噪声强度,在所述灰度图像的每个像素点位置生成随机数,其中所述随机数的取值范围为0到255的整数;
计算所述灰度图像中各像素点位置的灰度值与对应位置的随机数的差值作为去随机差值,将所述去随机差值作为对应位置像素点的灰度值,获得所述预设噪声强度下的参考图像,其中,若去随机差值为负数,则将对应位置像素点的灰度值置为0;
若所述参考图像的数量小于预设数量时,则继续以同一个所述预设噪声强度在灰度图像的各像素点位置处生成随机数,进行去随机数处理获得同一个所述预设噪声强度下的另一个所述参考图像;否则,停止获取同一个所述预设噪声强度下的参考图像。
进一步地,所述根据所述子块中相同灰度值的像素点的分布,获取每个子块的像素点混乱度包括:
获取每个所述子块中相同灰度值中任意两个像素点之间的距离,作为第一距离;
将每个所述子块中相同灰度值中所有所述第一距离的平均值作为距离混乱度,将每个所述子块中所有相同灰度值的所述距离混乱度的平均值作为子块的整体距离混乱度;
获取每个所述子块中像素点灰度值的方差,作为子块的灰度混乱度;
将所述整体距离混乱度和所述灰度混乱度的和值作为子块的初始混乱度,将所有参考图像在相同位置的子块的所述初始混乱度的平均值,作为每个子块的像素点混乱度。
进一步地,所述基于目标图像中各子块的所述像素点混乱度的差异和各子块的中心之间的距离,对各子块进行聚类获得目标区域包括:
将目标图像中任意两个子块的中心之间的距离,作为第二距离;
将目标图像中任意两个子块的像素点混乱度的差值,作为混乱度差异;
将所述混乱度差异的平方与所述第二距离的平方的和值作为子块距离度量,将所述子块距离度量的算术平方根作为任意两个子块的初始距离度量;
获取目标图像中所有子块的最大像素点混乱度和最小像素点混乱度的差值作为混乱度极差;对所述混乱度极差进行负相关的归一化处理,获得调整参数;
将所述调整参数与所述初始距离度量的乘积作为对应两个子块的最终距离度量;
基于所述最终距离度量,对目标图像中所有所述子块进行聚类获得不同的聚类簇,将同一个聚类簇中各子块组成的区域作为目标区域。
进一步地,所述根据所述闭合边缘上各像素点到所述质心的距离之间的差异,获得每个目标区域的类圆程度包括:
将所述闭合边缘上的像素点到所述质心的距离,作为像素点的第三距离;
将每个目标区域上任意两个像素点的所述第三距离之间差值的绝对值,作为距离差异;
将所有所述距离差异的平均值进行负相关映射后进行归一化处理,获得每个目标区域的类圆程度。
进一步地,所述根据目标图像中所有气孔区域中各子块的所述像素点混乱度、所有非气孔区域中各子块的所述像素点混乱度和所有气孔区域的所述类圆程度,获得灰度图像的噪声强度判定参数包括:
将每个气孔区域中所有子块的所述像素点混乱度的平均值,作为对应气孔区域的第一分布混乱度,将所有气孔区域的第一分布混乱度的平均值作为第一整体混乱度;
将每个非气孔区域中所有子块的所述像素点混乱度的平均值,作为对应非气孔区域的第二分布混乱度,将所有非气孔区域的第二分布混乱度的平均值作为第二整体混乱度;
对所述第一整体混乱度和所述第二整体混乱度的差值的绝对值进行归一化处理,获得第一判定参数;
对所有气孔区域的所述类圆程度的平均值作为第二判定参数;
将第一判定参数进行归一化处理的结果和第二判定参数相加,获得灰度图像的噪声强度判定参数。
进一步地,所述基于所述噪声强度判定参数获得灰度图像的噪声强度包括:
将所述噪声强度判定参数的最大值对应的预设噪声强度作为灰度图像的噪声强度。
进一步地,所述根据所述去噪图像对矿物铸件表面缺陷进行检测包括:
对所述去噪图像进行阈值分割处理获得矿物铸件表面的缺陷区域。
进一步地,所述根据所述类圆程度获取目标区域中的气孔区域包括:
将所述类圆程度大于预设阈值的目标区域作为气孔区域。
本发明还提出了一种矿物铸件检测系统,所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任意一项一种矿物铸件检测方法的步骤。
本发明具有如下有益效果:
本发明首先通过获取的预设噪声强度对灰度图像进行去随机数处理,获取的参考图像中的噪声得到了一定程度的抑制,并且气孔区域中的像素点灰度值分布均匀的特征是可以显露出来的,为了评估对噪声的抑制效果,获取更加精确的噪声强度,本发明通过对参考图像进行分块处理,考虑到气孔区域比正常表面区域更加光滑,其内部灰度变化更均匀,因此可通过获取的像素点混乱度反映子块中像素点分布的混乱程度,便于后续对子块进行聚类,提高对目标区域提取的准确性,并且初步提取出图像中的气孔区域;考虑到气孔区域一般近似圆形,可通过获取的类圆程度反映目标区域接近圆形的程度,从而进一步确定图像中真实的气孔区域;并通过获取的噪声强度判定参数对预设噪声强度的抑制效果进行评估,提高后续对灰度图像噪声强度的估测精度,进而基于准确的噪声强度对灰度图像进行去噪处理,提升对灰度图像的去噪效果,进而提高对矿物铸件缺陷检测的准确性。
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为本发明一个实施例所提供的一种矿物铸件检测方法流程图。
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矿物铸件检测方法及系统,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。
一种矿物铸件检测方法及系统实施例:
下面结合附图具体的说明本发明所提供的一种矿物铸件检测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种矿物铸件检测方法流程图,该方法包括:
步骤S1:获取铸件表面的灰度图像,基于获取的预设噪声强度对灰度图像进行去随机数处理,获得每个预设噪声强度下的至少两个参考图像,对参考图像进行分块处理得到至少两个尺寸相同的各个子块。
在利用图像识别技术对矿物铸件表面缺陷进行检测的过程中,需要采集铸件表面的图像,但在图像的采集和传输过程中经常会产生噪声,降低图像的质量,因此通常需要优先对图像进行去噪处理,一般在进行去噪前都会对图像进行噪声强度的估测,以提升图像的去噪效果,可以更加准确的检测出矿物铸件中存在的缺陷,可见,准确估测出图像的噪声强度对矿物铸件缺陷检测具有重大意义。
由于矿物铸件是由环氧树脂为胶黏剂、天然矿物质为増强材料,加入其他添加剂复合而成的一种树脂基矿物复合材料,相较于金属铸件其表面更加光滑,同时对矿物铸件表面的粗糙程度要求更高,因此本发明实施例在对图像采集的过程中,将矿物铸件放置在光源方向固定的位置上,并使用电子显微镜拍摄矿物铸件表面的图像,为了降低后续图像处理的计算量,提高处理速度,在本发明的一个实施例中将采集到的图像进行灰度化处理,转化为单通道的灰度图像。需要说明的是,灰度化处理是本领域技术人员熟知的技术手段,在此不再赘述。
由于灰度图像中产生的噪声通常为高斯噪声,高斯噪声的分布服从正态分布,即,其中表示正态分布的均值,表示正态分布的标准差,而灰度图像的噪声强度
与标准差呈正相关,因此在本发明实施例中将正态分布的标准差表示为灰度图像中存在的
高斯噪声的噪声强度,并将均值置为0,以便后续的去随机数处理,为了对灰度图像中的噪
声强度进行准确估测,以及保证对矿物铸件表面缺陷的准确检测,本发明实施例基于预设
噪声强度对灰度图像进行去随机数处理,从而获取预设噪声强度下的参考图像,由于经过
去随机数处理后的参考图像中的噪声得到了一定程度的抑制,可认为对灰度图像进行了一
定程度的去噪,在后续中可对参考图像的噪声抑制效果进行评估,从而确定灰度图像更加
真实的噪声强度。
优选地,在本发明的一个实施例中每个预设噪声强度下的参考图像的获取方法具体包括:
获取不同的预设噪声强度,基于任意一个预设噪声强度,在灰度图像的每个像素点位置生成随机数,其中,生成的随机数符合高斯分布,随机数的取值范围为0到255的整数;计算灰度图像中各像素点位置的灰度值与对应位置的随机数的差值作为去随机差值,将去随机差值作为对应位置像素点的灰度值,获得预设噪声强度下的参考图像,其中若去随机差值为负数,则将对应位置像素点的灰度值置为0;由于生成的随机数符合高斯分布,在整个灰度图像上的所有随机数是符合一定规律的,但在某个像素点位置处,随机数的数值是随机的,为了降低随机数的局部随机性,需要在同一个预设噪声强度下生成多个参考图像,因此可设置一个预设数量,若参考图像的数量小于预设数量时,则继续以同一个预设噪声强度在灰度图像的各像素点位置处生成随机数,进行去随机数处理获得同一个预设噪声强度下的另一个参考图像;否则,停止获取同一个预设噪声强度下的参考图像,即在同一个预设噪声强度的作用下生成预设数量个参考图像,在本发明的一个实施例中将预设数量设置为10,预设数量的具体数值可根据具体实施场景由实施者自行设置,在此不做限定。其中,获取不同的预设噪声强度的表达式可以具体例如为:
其中,表示预设噪声强度;表示自变量,取值为非负整数,用于控制预设噪声强
度的取值;表示第一调参因子,表示第二调参因子,第一调参因子和第二调参因子的
大小决定最终估测出的噪声强度的准确性,在本发明的一个实施例中将第一调参因子设
置为0.1,第二调参因子设置为0.1,即预设噪声强度从0.1开始取值,每次间隔0.1,逐渐
提高预设噪声强度进行迭代分析。
上述处理过程中,在预设噪声强度的作用下,灰度图像中的每个像素点经过去随机数处理后,其噪声得到了一定程度的抑制,因此可通过对不同预设噪声强度的抑制效果进行评估,以此确定灰度图像中真实的噪声强度,由于矿物铸件在生产过程中表面会产生气孔,包括缺陷气孔和正常气孔,气孔内部较为平滑,因此气孔区域中的像素点灰度值的分布更加均匀,而矿物铸件的非气孔区域存在一定的粗糙纹理,当灰度图像中的噪声得到抑制时,其气孔区域像素点灰度值分布均匀的纹理特征便会显露出来,并且与非气孔区域的粗糙纹理具有较大的差距,因此本发明实施例在后续中需要提取出参考图像中的气孔区域,并以此对不同预设噪声强度的抑制效果进行评估。
在本发明实施例中通过对参考图像进行分块处理,将图像分为多个尺寸相同的子
块,便于后续对子块进行聚类提取出气孔区域,其中,子块的形状为正方形,每个子块的尺
寸为的窗口,子块的尺寸可根据具体实施场景由实施者自行设置,在此不做限定。需
要说明的是,当参考图像由于边界问题不足以划分出一个完整子块时,可对参考图像的边
界进行像素点填充,其中,图像的边界填充是本领域技术人员熟知的技术手段,在此不做限
定。
对所有的参考图像进行分块后,便可在后续中对子块进行分析,并提取出参考图像中的气孔区域。
步骤S2:根据子块中相同灰度值的像素点的分布,获取每个子块的像素点混乱度;选取任意一个参考图像作为目标图像,基于目标图像中各子块的像素点混乱度的差异和各子块的中心之间的距离,对各子块进行聚类获得目标区域。
由于一部分子块存在于气孔区域中,另一部分子块存在于非气孔区域中,在预设噪声的作用下参考图像的噪声得到一定程度的抑制,因此气孔区域像素点灰度值分布均匀的特征便会显露出来,而矿物铸件表面本身具有一定的粗糙度,非气孔区域的像素点灰度值分布较为混乱,所以可根据子块中相同灰度值的像素点的分布,获取每个子块的像素点混乱度,用于反映子块中像素点灰度值分布的混乱程度,进而可表征属于气孔区域的部分子块,便于后续过程中气孔区域的提取和噪声抑制效果的评估。
优选地,在本发明的一个实施例中每个子块的像素点混乱度的获取方法具体包括:
获取每个子块中相同灰度值中任意两个像素点之间的距离,作为第一距离;将每个子块中相同灰度值中所有第一距离的平均值作为距离混乱度,将每个子块中所有灰度值的距离混乱度的平均值作为子块的整体距离混乱度;获取每个子块中像素点灰度值的方差,作为子块的灰度混乱度;将整体距离混乱度和灰度混乱度的和值作为子块的初始混乱度,将所有参考图像在相同位置的子块的初始混乱度的平均值,作为每个子块的像素点混乱度。像素点混乱度的表达式可以具体例如为:
其中,表示第个子块的像素点混乱度;表示参考图像的数量;表示
第个参考图像的第个子块的初始混乱度;表示第个参考图像的第个子块中像素点
的数量;表示第个参考图像的第个子块中第个像素点的灰度值;表示第个参
考图像的第个子块中像素点灰度值的平均值;表示第个参考图像的第个子块中灰
度值的数量;表示第个参考图像的第个子块的第个灰度值的距离混乱度;表
示第个参考图像的第个子块的第个灰度值中像素点的数量;表示第个参考图像
的第个子块的第个灰度值中第个像素点和第个像素点之间的距离,即第一距离。
在每个子块的像素点混乱度的获取过程中,由于一部分子块处于气孔区域中,一
部分子块处于非气孔区域中,而气孔区域中像素点灰度值分布更加均匀,可通过子块中相
同灰度值任意两个像素点之间的第一距离反映子块中像素点灰度值的混乱程度,并
将子块中相同灰度值中所有第一距离的平均值作为距离混乱度,进一步获取子块中
所有灰度值的距离混乱度的平均值作为整体距离混乱度,整体距
离混乱度越大,说明参考图像的某个子块中相同灰度值的像素点之间的距离越远,进而说
明该参考图像的该子块中像素点灰度值分布的越混乱,则该参考图像的该子块的初始混乱
度越大,表示参考图像中某个子块中像素点灰度值的方
差,即灰度混乱度,灰度混乱度越大,说明该参考图像的该子块中像素点灰度值分布的越混
乱,则该参考图像的该子块的初始混乱度越大,所以本发明的一个实施例将整体距
离混乱度和灰度混乱度的和值作为子块的初始混乱度,考虑到在同一个预设噪声
强度的作用下生成了多个参考图像,所以将所有参考图像在相同位置的子块的初始混乱度
的平均值,作为每个子块的像素点混乱度。
获取到子块的像素点混乱度后,为了便于后续子块的分析处理,可选取任意一个参考图像作为目标图像,由于气孔区域的像素点灰度值分布更加均匀,为了区分出属于气孔区域的子块,可结合目标图像中各子块的像素点混乱度和各子块的中心之间的距离,对目标图像中的子块进行聚类,获取目标图像中的目标区域,实现对气孔区域的初步提取。
优选地,在本发明的一个实施例中目标区域的获取方法具体包括:
将目标图像中任意两个子块的中心之间的距离,作为第二距离;将目标图像中任意两个子块的像素点混乱度的差值,作为混乱度差异;将混乱度差异的平方与第二距离的平方的和值作为子块距离度量,将子块距离度量的算术平方根作为任意两个子块的初始距离度量;获取目标图像中所有子块的最大像素点混乱度和最小像素点混乱度,将最大像素点混乱度和最小像素点混乱度的差值作为混乱度极差;对混乱度极差进行负相关的归一化处理,获得调整参数;将调整参数与初始距离度量的乘积作为对应两个子块的最终距离度量;基于最终距离度量,对目标图像中所有子块进行聚类获得不同的聚类簇,将同一个聚类簇中各子块组成的区域作为目标区域。在本发明的一个实施例中使用的聚类方式为超像素聚类,在本发明的其他实施例中也可使用K-Means聚类等聚类方式对子块进行聚类。其中,最终距离度量的表达式可以具体例如为:
其中,表示对子块聚类时的最终距离度量;表示目标图像中所有子块的
最大像素点混乱度;表示目标图像中所有子块的最小像素点混乱度;表示目标
图像中第个子块的像素点混乱度;表示目标图像中第个子块的像素点混乱度,其中;表示目标图像中第个子块的中心和第个子块的中心之间的距离,即第二距
离;表示自然常数。
在最终距离度量的获取过程中,表示任意两个子块之间的混乱度差异,表示任意两个子块的中心之间的第二距离,本发明的一个实施例将混乱度差异的平方与第
二距离的平方的和值作为任意两个子块之间的子块距离度量,并
将子块距离度量的算术平方根作为初始距离度量,考虑到在不同的预设噪声强度对灰度图
像噪声抑制的程度不同,因此利用子块中像素点混乱度的极差来表现当前预设噪声强度下
对灰度图像噪声抑制的程度,并对初始距离度量进行加权,以保证聚类结果随着预设噪声
强度变化的稳定性,混乱度极差越大,说明当前的预设噪声强度对灰度
图像噪声的抑制效果越好,进而在对子块进行聚类时允许子块之间的初始距离度量较大,
因此本发明的一个实施例对混乱度极差进行负相关的归一化处理,获得调整参数,并将调整参数与初始距离度量的乘积值作为最终距离度量。
获取到目标图像中的目标区域后,便可在后续中从目标区域中提取出气孔区域,进而可估测出灰度图像的噪声强度。
步骤S3:对目标区域进行连通域分析获得目标区域的质心和闭合边缘,根据闭合边缘上各像素点到质心的距离之间的差异,获得每个目标区域的类圆程度;根据类圆程度获取目标区域中的气孔区域。
由于目标区域中不仅包括气孔区域,还包括非气孔区域,因此需要从目标区域中提取出气孔区域,由于气孔区域的形状近似圆形,因此可通过对目标区域边缘的形状进行分析,进一步从目标区域中区分出气孔区域,首先可对目标区域进行连通域分析获得目标区域的质心和闭合边缘,需要说明的是,基于连通域分析确定质心和闭合边缘是本领域技术人员熟知的技术手段,在此不做赘述,根据气孔区域近似圆形的形状特征,闭合边缘上的各个像素点到质心的距离之间的差异较小,因此可根据闭合边缘上各像素点到质心的距离之间的差异,获得每个目标区域的类圆程度,通过类圆程度对目标区域接近圆形形状的程度进行评估,进而从目标区域中准确的提取出气孔区域。
优选地,在本发明的一个实施例中每个目标区域的类圆程度的获取方法具体包括:
将闭合边缘上的像素点到质心的距离,作为像素点的第三距离;将每个目标区域上任意两个像素点的第三距离之间差值的绝对值,作为距离差异;将所有距离差异的平均值进行负相关映射后进行归一化处理,获得每个目标区域的类圆程度。类圆程度的表达式可以具体例如为:
其中,表示第个目标区域的类圆程度;表示第个目标区域的闭合边缘上
像素点的数量;表示第个目标区域的闭合边缘上第个像素点到该目标区域质心的距
离,即第个像素点的第三距离;表示第个目标区域的闭合边缘上第个像素点到该
目标区域质心的距离,即第个像素点的第三距离;表示第三调参因子,用于防止分母为0,
在本发明的一个实施例中,第三调参因子的具体数值可根据具体实施场景由实施
者自行设置,在此不做限定;表示归一化函数。
在目标区域的类圆程度的获取过程中,类圆程度用于反映目标区域的形状接
近圆形的程度,表示目标区域的闭合边缘上任意两个像素点的第三距离之间
的差异,即距离差异,距离差异越小,说明该目标区域的闭合边缘上各像素点到该目标区域
质心的距离之间的差异越小,进而说明该目标区域的形状越接近圆形,则类圆程度就
越大,因此本发明将所有的距离差异的平均值进行负相关映射,为了便于后续通过类圆程
度对目标区域的形状进行评估,进而对负相关映射的结果进行归一化处理,将类圆程度限
定在范围内。
获取到目标图像中每个目标区域的类圆程度后,便可根据类圆程度从目标区域中区分出气孔区域,由于气孔区域的形状接近圆形,而类圆程度越大,说明该目标区域接近圆形的程度就越大,因此在本发明的一个实施例中设置一个预设阈值,将类圆程度大于预设阈值的目标区域作为气孔区域,在本发明的一个实施例中将预设阈值设置为0.7,预设阈值的具体数值可根据具体实施场景由实施者自行设置,在此不做限定。
步骤S4:根据目标图像中所有气孔区域中各子块的像素点混乱度、所有非气孔区域中各子块的像素点混乱度和所有气孔区域的类圆程度,获得灰度图像的噪声强度判定参数;基于噪声强度判定参数获得灰度图像的噪声强度。
本发明实施例需要对预设噪声强度的噪声抑制效果进行评估,从而估测出灰度图像的噪声强度,并根据估测的噪声强度对灰度图像进行去噪,提高对矿物铸件缺陷检测的准确性,由于气孔区域中的像素点灰度值的分布更加均匀,而矿物铸件的非气孔区域的像素点灰度值分布较为混乱,当灰度图像中的噪声在预设噪声强度的作用下得到抑制时,其气孔区域像素点灰度值分布均匀的特征便会显露出来,并且与非气孔区域具有较大的差距,而像素点混乱度能够反映子块中像素点灰度值分布的混乱程度,所以可根据目标图像中所有气孔区域中各子块的像素点混乱度、所有非气孔区域中各子块的像素点混乱度对噪声的抑制效果进行评估,为了降低最终评估结果的误差,可进一步结合所有气孔区域的类圆程度,获取灰度图像的噪声强度判定参数,通过噪声强度判定参数对灰度图像噪声的抑制效果进行评估,噪声强度判定参数越大,说明噪声的抑制效果越好,进而可在后续中根据噪声强度判定参数更加准确的估测出灰度图的噪声强度。
优选地,在本发明的一个实施例中灰度图像的噪声强度判定参数的获取方法具体包括:
将每个气孔区域中所有子块的像素点混乱度的平均值,作为对应气孔区域的第一分布混乱度,将所有气孔区域的第一分布混乱度的平均值作为第一整体混乱度;将每个非气孔区域中所有子块的像素点混乱度的平均值,作为对应非气孔区域的第二分布混乱度,将所有非气孔区域的第二分布混乱度的平均值作为第二整体混乱度;对第一整体混乱度和第二整体混乱度的差值的绝对值进行归一化处理,获得第一判定参数;将所有气孔区域的类圆程度的平均值作为第二判定参数;将第一判定参数进行归一化处理的结果和第二判定参数相加,获得灰度图像的噪声强度判定参数。噪声强度判定参数的表达式可以具体例如为:
其中,表示灰度图像的噪声强度判定参数,其中是预设噪声强度的函
数;表示第个气孔区域的第一分布混乱度;表示第个非气孔区域的第二分布
混乱度;表示气孔区域的数量;表示非气孔区域的数量;表示第个气孔区域的类圆
程度;表示第个气孔区域中第个子块的像素点混乱度;表示第个非气
孔区域中第个子块的像素点混乱度;表示第个气孔区域中子块的数量;表示第个
非气孔区域中子块的数量;表示归一化函数。
在灰度图像的噪声强度判定参数的获取过程中,表示第个气孔区域的第一
分布混乱度,是通过对该气孔区域中所有子块的像素点混乱度求平均值获取的,因此第一
分布混乱度越大,说明气孔区域的像素点灰度值的分布越混乱,同理第二分布混乱度越大,说明非气孔区域的像素点灰度值的分布越混乱,当噪声的抑制效果较好时,此
时气孔区域的分布混乱度和非气孔区域的分布混乱度之间的差异较大,考虑到存在多个气
孔区域和多个非气孔区域,本发明的一个实施例将所有气孔区域的分布混乱度的平均值作为第一整体混乱度,将所有非气孔区域的分布混乱度的平均值作为第二整体混乱度,并将第一差异程度和第二差异程度的差值的绝对值
进行归一化处理,获得第一判定参数,第一判定参数越大,说明气孔区域和非气孔区域之间
像素点灰度值分布的差异越大,进而说明在当前的预设噪声强度的作用下对灰度图像噪声
的抑制效果较好,则噪声强度判定参数越大,并且在无噪声的情况下气孔区域的形状
更加接近圆形,因此气孔区域的类圆程度越大,说明在当前的预设噪声强度的作用下
对灰度图像噪声的抑制效果越好,则噪声强度判定参数越大,因此将所有气孔区域的
类圆程度的平均值作为第二判定参数,并将第一判定参数和第二判定参数的和值作为噪声
强度判定参数,噪声强度判定参数越大,说明在当前的预设噪声强度的作用下对灰度
图像噪声的抑制效果越好。
获取到噪声强度判定参数后,便可对噪声的抑制效果进行评估,因此可基于噪声强度判定参数获得灰度图像的噪声强度。
优选地,在本发明的一个实施例中灰度图像的噪声强度的获取方法具体包括:
由上述的分析过程可知,噪声强度判定参数是关于预设噪声强度的函数,当预设噪声强度与灰度图像真实的噪声强度之间的差异较大时,噪声强度判定参数就会越小,所以噪声强度判定参数越大,说明在当前的预设噪声强度的作用下对灰度图像噪声的抑制效果越好,进而说明当前的预设噪声强度越接近灰度图像本身的噪声强度,因此可将噪声强度判定参数的最大值对应的预设噪声强度作为灰度图像的噪声强度,使得估测出的噪声强度更加接近灰度图像真实的噪声强度。
获取到灰度图像的噪声强度后,便可在后续中根据估测出的噪声强度对灰度图像进行去噪处理,提高去噪效果和对矿物铸件表面缺陷检测的准确性。
步骤S5:根据噪声强度对灰度图像进行去噪处理获得去噪图像,根据去噪图像对铸件表面缺陷进行检测。
通过上述过程获取的噪声强度更加接近灰度图像本身的噪声强度,为了提高对矿物铸件表面缺陷检测的准确性,可根据噪声强度对灰度图像进行去噪处理,获取到质量更好的去噪图像,并基于去噪图像对矿物铸件表面缺陷进行检测。在本发明的一个实施例中使用高斯滤波对灰度图像进行去噪处理,在本发明的其他实施例中也可使用均值滤波或中值滤波等滤波技术进行去噪处理。
优选地,在本发明的一个实施例中对矿物铸件表面缺陷进行检测具体包括:
获取的去噪图像基本消除了噪声的干扰,去噪图像中保留了矿物铸件表面缺陷较多的细节特征,因此可直接对去噪图像进行阈值分割处理检测出矿物铸件表面的缺陷区域,在本发明的一个实施例中使用大津阈值分割算法进行阈值分割,在本发明的其他实施例中也可使用例如自适应阈值分割算法或固定阈值分割算法等等进行阈值分割处理,在此不做限定。
本发明一个实施例提供了一种矿物铸件检测系统,该系统包括存储器、处理器和计算机程序,其中存储器用于存储相应的计算机程序,处理器用于运行相应的计算机程序,计算机程序在处理器中运行时能够实现步骤S1~S5所描述的方法。
综上所述,本发明实施例首先获取矿物铸件表面的灰度图像,基于获取的预设噪声强度,在灰度图像的各像素点位置处生成随机数,并进行去随机数处理获得参考图像,对所有的参考图像分块处理获取参考图像的子块;然后根据子块中相同灰度值的像素点的分布获得每个子块的像素点混乱度,以像素点混乱度反映子块中像素点灰度值分布的混乱程度,并选取任意一个参考图像作为目标图像,基于目标图像中各子块的像素点混乱度的差异和子块中心间的距离,确定子块间的最终距离度量,基于最终距离度量对子块进行聚类获得目标区域,初步对气孔区域和非气孔区域进行区分,根据目标区域闭合边缘上的各像素点到目标区域质心的距离之间的差异,获得目标区域的类圆程度,基于类圆程度进一步获取到气孔区域,然后结合气孔区域和非气孔区域的像素点混乱度之间的差异,以及气孔区域的类圆程度获得噪声强度判定参数,基于噪声强度判定参数获得灰度图像的噪声强度,提高噪声强度的估测精度,最终基于噪声强度对灰度图像进行去噪,消除噪声对图像质量的影响,并根据去噪图像检测矿物铸件表面存在的缺陷,提高了对矿物铸件表面缺陷检测的准确性。
一种矿物铸件图像的噪声强度估测方法实施例:
在对图像噪声强度估测的过程中,现有技术通常对原始图像进行滤波处理,根据处理后的图像和原始图像之间像素点的灰度值误差,确定原始图像的噪声强度,但由于矿物铸件表面具有一定的粗糙纹理,会将矿物表面本身具有的粗糙纹理误认为是噪声引起的,从而导致通过现有技术无法对矿物铸件表面图像的噪声强度进行准确的估测。
为了解决该问题,本实施例提供了一种矿物铸件图像的噪声强度估测方法,包括:
步骤S1:获取铸件表面的灰度图像,基于获取的预设噪声强度对灰度图像进行去随机数处理,获得每个预设噪声强度下的至少两个参考图像,对参考图像进行分块处理得到至少两个尺寸相同的各个子块。
步骤S2:根据子块中相同灰度值的像素点的分布,获取每个子块的像素点混乱度;选取任意一个参考图像作为目标图像,基于目标图像中各子块的像素点混乱度的差异和各子块的中心之间的距离,对各子块进行聚类获得目标区域。
步骤S3:对目标区域进行连通域分析获得目标区域的质心和闭合边缘,根据闭合边缘上各像素点到质心的距离之间的差异,获得每个目标区域的类圆程度;根据类圆程度获取目标区域中的气孔区域。
步骤S4:根据目标图像中所有气孔区域中各子块的像素点混乱度、所有非气孔区域中各子块的像素点混乱度和所有气孔区域的类圆程度,获得灰度图像的噪声强度判定参数;基于噪声强度判定参数获得灰度图像的噪声强度。
其中,步骤S1~步骤S4在上述一种矿物铸件检测方法及系统实施例中已给出了详细说明,在此不再赘述。
本实施例带来的有益效果为:本发明实施例首先通过获取的预设噪声强度对灰度图像进行去随机数处理,获取的参考图像中的噪声得到了一定程度的抑制,并且气孔区域中的像素点灰度值分布均匀的特征是可以显露出来的,为了评估对噪声的抑制效果,获取更加精确的噪声强度,本发明通过对参考图像进行分块处理,考虑到气孔区域比正常表面区域更加光滑,其内部灰度变化更均匀,因此可通过获取的像素点混乱度反映子块中像素点分布的混乱程度,便于后续对子块进行聚类,提高对目标区域提取的准确性,并且初步提取出图像中的气孔区域;考虑到气孔区域一般近似圆形,可通过获取的类圆程度反映目标区域接近圆形的程度,从而进一步确定图像中真实的气孔区域;并通过获取的噪声强度判定参数对预设噪声强度的抑制效果进行评估,提高后续对灰度图像噪声强度估测的准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种矿物铸件检测方法,其特征在于,所述方法包括:
获取矿物铸件表面的灰度图像,基于不同的预设噪声强度对灰度图像进行去随机数处理,获得每个预设噪声强度下的至少两个参考图像,对参考图像进行分块处理得到至少两个尺寸相同的子块;
根据所述子块中相同灰度值的像素点的分布,获取每个子块的像素点混乱度;选取任意一个参考图像作为目标图像,基于目标图像中各子块的所述像素点混乱度的差异和各子块的中心之间的距离,对各子块进行聚类获得目标区域;
对所述目标区域进行连通域分析获得目标区域的质心和闭合边缘,根据所述闭合边缘上各像素点到所述质心的距离之间的差异,获得每个目标区域的类圆程度;根据所述类圆程度获取目标区域中的气孔区域;
根据目标图像中所有气孔区域中各子块的所述像素点混乱度、所有非气孔区域中各子块的所述像素点混乱度和所有气孔区域的所述类圆程度,获得灰度图像的噪声强度判定参数;基于所述噪声强度判定参数获得灰度图像的噪声强度;
根据所述噪声强度对灰度图像进行去噪处理获得去噪图像,根据所述去噪图像对矿物铸件表面缺陷进行检测。
2.根据权利要求1所述的一种矿物铸件检测方法,其特征在于,所述基于不同的预设噪声强度对灰度图像进行去随机数处理,获得每个预设噪声强度下的至少两个参考图像包括:
获取不同的所述预设噪声强度,基于任意一个所述预设噪声强度,在所述灰度图像的每个像素点位置生成随机数,其中所述随机数的取值范围为0到255的整数;
计算所述灰度图像中各像素点位置的灰度值与对应位置的随机数的差值作为去随机差值,将所述去随机差值作为对应位置像素点的灰度值,获得所述预设噪声强度下的参考图像,其中,若去随机差值为负数,则将对应位置像素点的灰度值置为0;
若所述参考图像的数量小于预设数量时,则继续以同一个所述预设噪声强度在灰度图像的各像素点位置处生成随机数,进行去随机数处理获得同一个所述预设噪声强度下的另一个所述参考图像;否则,停止获取同一个所述预设噪声强度下的参考图像。
3.根据权利要求1所述的一种矿物铸件检测方法,其特征在于,所述根据所述子块中相同灰度值的像素点的分布,获取每个子块的像素点混乱度包括:
获取每个所述子块中相同灰度值中任意两个像素点之间的距离,作为第一距离;
将每个所述子块中相同灰度值中所有所述第一距离的平均值作为距离混乱度,将每个所述子块中所有相同灰度值的所述距离混乱度的平均值作为子块的整体距离混乱度;
获取每个所述子块中像素点灰度值的方差,作为子块的灰度混乱度;
将所述整体距离混乱度和所述灰度混乱度的和值作为子块的初始混乱度,将所有参考图像在相同位置的子块的所述初始混乱度的平均值,作为每个子块的像素点混乱度。
4.根据权利要求1所述的一种矿物铸件检测方法,其特征在于,所述基于目标图像中各子块的所述像素点混乱度的差异和各子块的中心之间的距离,对各子块进行聚类获得目标区域包括:
将目标图像中任意两个子块的中心之间的距离,作为第二距离;
将目标图像中任意两个子块的像素点混乱度的差值,作为混乱度差异;
将所述混乱度差异的平方与所述第二距离的平方的和值作为子块距离度量,将所述子块距离度量的算术平方根作为任意两个子块的初始距离度量;
获取目标图像中所有子块的最大像素点混乱度和最小像素点混乱度的差值作为混乱度极差;对所述混乱度极差进行负相关的归一化处理,获得调整参数;
将所述调整参数与所述初始距离度量的乘积作为对应两个子块的最终距离度量;
基于所述最终距离度量,对目标图像中所有所述子块进行聚类获得不同的聚类簇,将同一个聚类簇中各子块组成的区域作为目标区域。
5.根据权利要求1所述的一种矿物铸件检测方法,其特征在于,所述根据所述闭合边缘上各像素点到所述质心的距离之间的差异,获得每个目标区域的类圆程度包括:
将所述闭合边缘上的像素点到所述质心的距离,作为像素点的第三距离;
将每个目标区域上任意两个像素点的所述第三距离之间差值的绝对值,作为距离差异;
将所有所述距离差异的平均值进行负相关映射后进行归一化处理,获得每个目标区域的类圆程度。
6.根据权利要求1所述的一种矿物铸件检测方法,其特征在于,所述根据目标图像中所有气孔区域中各子块的所述像素点混乱度、所有非气孔区域中各子块的所述像素点混乱度和所有气孔区域的所述类圆程度,获得灰度图像的噪声强度判定参数包括:
将每个气孔区域中所有子块的所述像素点混乱度的平均值,作为对应气孔区域的第一分布混乱度,将所有气孔区域的第一分布混乱度的平均值作为第一整体混乱度;
将每个非气孔区域中所有子块的所述像素点混乱度的平均值,作为对应非气孔区域的第二分布混乱度,将所有非气孔区域的第二分布混乱度的平均值作为第二整体混乱度;
对所述第一整体混乱度和所述第二整体混乱度的差值的绝对值进行归一化处理,获得第一判定参数;
将所有气孔区域的所述类圆程度的平均值作为第二判定参数;
将第一判定参数进行归一化处理的结果和第二判定参数相加,获得灰度图像的噪声强度判定参数。
7.根据权利要求1所述的一种矿物铸件检测方法,其特征在于,所述基于所述噪声强度判定参数获得灰度图像的噪声强度包括:
将所述噪声强度判定参数的最大值对应的预设噪声强度作为灰度图像的噪声强度。
8.根据权利要求1所述的一种矿物铸件检测方法,其特征在于,所述根据所述去噪图像对矿物铸件表面缺陷进行检测包括:
对所述去噪图像进行阈值分割处理获得矿物铸件表面的缺陷区域。
9.根据权利要求1所述的一种矿物铸件检测方法,其特征在于,所述根据所述类圆程度获取目标区域中的气孔区域包括:
将所述类圆程度大于预设阈值的目标区域作为气孔区域。
10.一种矿物铸件检测系统,所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311245349.7A CN116993726B (zh) | 2023-09-26 | 2023-09-26 | 一种矿物铸件检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311245349.7A CN116993726B (zh) | 2023-09-26 | 2023-09-26 | 一种矿物铸件检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116993726A true CN116993726A (zh) | 2023-11-03 |
CN116993726B CN116993726B (zh) | 2023-12-19 |
Family
ID=88521708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311245349.7A Active CN116993726B (zh) | 2023-09-26 | 2023-09-26 | 一种矿物铸件检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993726B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274291A (zh) * | 2023-11-21 | 2023-12-22 | 深圳市京鼎工业技术股份有限公司 | 基于计算机视觉的模具脱模残留检测方法 |
CN117853493A (zh) * | 2024-03-08 | 2024-04-09 | 山东天意机械股份有限公司 | 一种基于图像处理的墙板生产质量检测方法 |
CN117893534A (zh) * | 2024-03-14 | 2024-04-16 | 张家港乐达汽车电器有限公司 | 基于图像特征分析的公交车多媒体智能显示屏检测方法 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040247171A1 (en) * | 2002-07-26 | 2004-12-09 | Yoshihito Hashimoto | Image processing method for appearance inspection |
US20180197285A1 (en) * | 2015-07-27 | 2018-07-12 | Compagnie Generale Des Etablissements Michelin | Optimised method for analysing the conformity of the surface of a tire |
JP2022025864A (ja) * | 2020-07-30 | 2022-02-10 | 学校法人 神野学園 | 画像処理方法 |
CN114648530A (zh) * | 2022-05-20 | 2022-06-21 | 潍坊医学院 | 一种ct图像处理方法 |
WO2022143421A1 (zh) * | 2020-12-31 | 2022-07-07 | 百果园技术(新加坡)有限公司 | 噪声强度估计方法、装置及电子设备 |
CN115082467A (zh) * | 2022-08-22 | 2022-09-20 | 山东亿昌装配式建筑科技有限公司 | 基于计算机视觉的建材焊接表面缺陷检测方法 |
CN115690108A (zh) * | 2023-01-04 | 2023-02-03 | 山东元旺电工科技有限公司 | 一种基于图像处理的铝合金杆生产质量评估方法 |
CN115829965A (zh) * | 2022-11-29 | 2023-03-21 | 重庆邮电大学 | 一种基于深度学习的x射线图像中气孔缺陷的检测方法 |
CN115861310A (zh) * | 2023-02-23 | 2023-03-28 | 深圳市富安娜艺术家居有限公司 | 一种床单表面纺织缺陷检测方法 |
CN115880280A (zh) * | 2023-02-01 | 2023-03-31 | 山东建筑大学鉴定检测中心有限公司 | 一种钢结构焊缝质量的检测方法 |
CN115984284A (zh) * | 2023-03-21 | 2023-04-18 | 黄海造船有限公司 | 一种用于船舶维护的x射线船体焊缝图像检测方法 |
CN116205906A (zh) * | 2023-04-25 | 2023-06-02 | 青岛豪迈电缆集团有限公司 | 一种电缆内部生产异常无损检测方法 |
CN116309361A (zh) * | 2023-02-17 | 2023-06-23 | 四川轻化工大学 | 一种永磁体表面缺陷的轻量化机器视觉检测方法 |
CN116309579A (zh) * | 2023-05-19 | 2023-06-23 | 惠州市宝惠电子科技有限公司 | 一种用图像处理的变压器焊缝质量检测方法 |
CN116363133A (zh) * | 2023-06-01 | 2023-06-30 | 无锡斯达新能源科技股份有限公司 | 基于机器视觉的照明器配件缺陷检测方法 |
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 |
CN116645364A (zh) * | 2023-07-18 | 2023-08-25 | 金乡县金沪合金钢有限公司 | 一种基于图像数据的合金钢铸件气孔缺陷检测方法 |
CN116758061A (zh) * | 2023-08-11 | 2023-09-15 | 山东优奭趸泵业科技有限公司 | 基于计算机视觉的铸件表面缺陷检测方法 |
CN116758057A (zh) * | 2023-08-10 | 2023-09-15 | 山东贺铭电气有限公司 | 基于人工智能的通信设备缺陷检测方法 |
-
2023
- 2023-09-26 CN CN202311245349.7A patent/CN116993726B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040247171A1 (en) * | 2002-07-26 | 2004-12-09 | Yoshihito Hashimoto | Image processing method for appearance inspection |
US20180197285A1 (en) * | 2015-07-27 | 2018-07-12 | Compagnie Generale Des Etablissements Michelin | Optimised method for analysing the conformity of the surface of a tire |
JP2022025864A (ja) * | 2020-07-30 | 2022-02-10 | 学校法人 神野学園 | 画像処理方法 |
WO2022143421A1 (zh) * | 2020-12-31 | 2022-07-07 | 百果园技术(新加坡)有限公司 | 噪声强度估计方法、装置及电子设备 |
CN114648530A (zh) * | 2022-05-20 | 2022-06-21 | 潍坊医学院 | 一种ct图像处理方法 |
CN115082467A (zh) * | 2022-08-22 | 2022-09-20 | 山东亿昌装配式建筑科技有限公司 | 基于计算机视觉的建材焊接表面缺陷检测方法 |
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 |
CN115829965A (zh) * | 2022-11-29 | 2023-03-21 | 重庆邮电大学 | 一种基于深度学习的x射线图像中气孔缺陷的检测方法 |
CN115690108A (zh) * | 2023-01-04 | 2023-02-03 | 山东元旺电工科技有限公司 | 一种基于图像处理的铝合金杆生产质量评估方法 |
CN115880280A (zh) * | 2023-02-01 | 2023-03-31 | 山东建筑大学鉴定检测中心有限公司 | 一种钢结构焊缝质量的检测方法 |
CN116309361A (zh) * | 2023-02-17 | 2023-06-23 | 四川轻化工大学 | 一种永磁体表面缺陷的轻量化机器视觉检测方法 |
CN115861310A (zh) * | 2023-02-23 | 2023-03-28 | 深圳市富安娜艺术家居有限公司 | 一种床单表面纺织缺陷检测方法 |
CN115984284A (zh) * | 2023-03-21 | 2023-04-18 | 黄海造船有限公司 | 一种用于船舶维护的x射线船体焊缝图像检测方法 |
CN116205906A (zh) * | 2023-04-25 | 2023-06-02 | 青岛豪迈电缆集团有限公司 | 一种电缆内部生产异常无损检测方法 |
CN116309579A (zh) * | 2023-05-19 | 2023-06-23 | 惠州市宝惠电子科技有限公司 | 一种用图像处理的变压器焊缝质量检测方法 |
CN116363133A (zh) * | 2023-06-01 | 2023-06-30 | 无锡斯达新能源科技股份有限公司 | 基于机器视觉的照明器配件缺陷检测方法 |
CN116645364A (zh) * | 2023-07-18 | 2023-08-25 | 金乡县金沪合金钢有限公司 | 一种基于图像数据的合金钢铸件气孔缺陷检测方法 |
CN116758057A (zh) * | 2023-08-10 | 2023-09-15 | 山东贺铭电气有限公司 | 基于人工智能的通信设备缺陷检测方法 |
CN116758061A (zh) * | 2023-08-11 | 2023-09-15 | 山东优奭趸泵业科技有限公司 | 基于计算机视觉的铸件表面缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
张洁玉;: "基于图像分块的局部阈值二值化方法", 计算机应用, no. 03 * |
石坤泉;魏文国;: "采用双边滤波的冷轧铝板表面缺陷图像去噪方法的研究", 表面技术, no. 09 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274291A (zh) * | 2023-11-21 | 2023-12-22 | 深圳市京鼎工业技术股份有限公司 | 基于计算机视觉的模具脱模残留检测方法 |
CN117274291B (zh) * | 2023-11-21 | 2024-02-13 | 深圳市京鼎工业技术股份有限公司 | 基于计算机视觉的模具脱模残留检测方法 |
CN117853493A (zh) * | 2024-03-08 | 2024-04-09 | 山东天意机械股份有限公司 | 一种基于图像处理的墙板生产质量检测方法 |
CN117853493B (zh) * | 2024-03-08 | 2024-05-24 | 山东天意机械股份有限公司 | 一种基于图像处理的墙板生产质量检测方法 |
CN117893534A (zh) * | 2024-03-14 | 2024-04-16 | 张家港乐达汽车电器有限公司 | 基于图像特征分析的公交车多媒体智能显示屏检测方法 |
CN117893534B (zh) * | 2024-03-14 | 2024-05-24 | 张家港乐达汽车电器有限公司 | 基于图像特征分析的公交车多媒体智能显示屏检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116993726B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116993726B (zh) | 一种矿物铸件检测方法及系统 | |
CN117173189B (zh) | 一种铝合金表面抛光效果视觉检测系统 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN116843678B (zh) | 一种硬碳电极生产质量检测方法 | |
CN114494210B (zh) | 基于图像处理的塑料膜生产缺陷检测方法及系统 | |
CN107167810B (zh) | 一种侧扫声纳成像的水下目标快速提取方法 | |
CN116758077B (zh) | 一种冲浪板表面平整度在线检测方法及系统 | |
CN100351853C (zh) | 高噪声图像特征点自动提取方法 | |
CN109658391B (zh) | 一种基于轮廓归并和凸包拟合的圆半径测量方法 | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理系统 | |
CN117372432B (zh) | 基于图像分割的电子烟表面缺陷检测方法及系统 | |
CN116735612B (zh) | 一种精密电子元器件焊接缺陷检测方法 | |
CN112884746A (zh) | 一种基于边缘形状匹配的字符缺陷智能检测算法 | |
CN104574417A (zh) | 一种图像边缘灰度起伏性度量与自适应检测方法 | |
CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN110930425B (zh) | 基于邻域向量内积局部对比度图像增强的损伤目标检测方法 | |
CN115880280A (zh) | 一种钢结构焊缝质量的检测方法 | |
CN116993742A (zh) | 基于机器视觉的镍合金轧制缺陷检测方法 | |
CN116503462A (zh) | 一种圆形斑点圆心快速提取方法及系统 | |
CN116664584B (zh) | 一种薄壁类锌合金压铸模具生产智能反馈调节系统 | |
CN110008955B (zh) | 一种汽车刹车片表面字符压印质量检验方法 | |
CN116612112A (zh) | 一种水桶表面缺陷视觉检测方法 | |
CN115546232A (zh) | 一种肝脏超声图像工作区域提取方法、系统及电子设备 | |
CN114529515A (zh) | 一种自动识别太阳能电池内部缺陷的方法 | |
CN112070710A (zh) | 工业品缺陷图像检测的方法 |
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 |