CN117011292A - 一种复合板表面质量快速检测方法 - Google Patents
一种复合板表面质量快速检测方法 Download PDFInfo
- Publication number
- CN117011292A CN117011292A CN202311270008.5A CN202311270008A CN117011292A CN 117011292 A CN117011292 A CN 117011292A CN 202311270008 A CN202311270008 A CN 202311270008A CN 117011292 A CN117011292 A CN 117011292A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- pixel
- composite plate
- metal composite
- 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.)
- Granted
Links
- 239000002131 composite material Substances 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000002905 metal composite material Substances 0.000 claims abstract description 110
- 238000005299 abrasion Methods 0.000 claims abstract description 66
- 230000003647 oxidation Effects 0.000 claims abstract description 64
- 238000007254 oxidation reaction Methods 0.000 claims abstract description 64
- 230000005855 radiation Effects 0.000 claims abstract description 40
- 230000001590 oxidative effect Effects 0.000 claims abstract description 39
- 230000007547 defect Effects 0.000 claims abstract description 38
- 238000004891 communication Methods 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 230000004075 alteration Effects 0.000 claims abstract description 7
- 238000009826 distribution Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 6
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 9
- 239000002184 metal Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000004049 embossing Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000010420 art technique Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000011362 coarse particle Substances 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005536 corrosion prevention Methods 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 230000006355 external stress Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000010301 surface-oxidation reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种复合板表面质量快速检测方法,采集金属复合板表面图像,提取疑似凹陷中心区域及疑似凹陷辐射区域;获取凹陷辐射路径;计算连通域内各像素点的复合板形变指数,结合各像素点的LBP值获取金属复合板表面图像中的氧化磨损点;计算各像素点的氧化磨损色差及氧化磨损稀疏因子;根据各像素点的氧化磨损色差以及氧化磨损稀疏因子得到各像素点的氧化磨损指数;根据各像素点的灰度信息、复合板形变指数、氧化磨损指数以及对应的LBP值得到各像素点的超复数四元数,组成金属复合板缺陷显著图;根据大津阈值完成复合板质量检测。从而结合复合板表面图像特征的分析,实现复合板表面质量准确检测。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种复合板表面质量快速检测方法。
背景技术
复合板是指由两种或两种以上的材料组合而成的板材,其原理为单一的板材无法满足具体场景的需求和条件,需要在原有的基础上结合其他材料来提升综合性能。金属复合板是指在一层金属上覆以另一种金属的板子,在复合板领域内具有极高代表性,已达到在不降低防腐性能、机械强度的前提下节约资源、降低成本的效果。广泛应用于防腐、压力容器制造、电建、轻工以及汽车等行业。
使用直接轧制复合法生产金属复合板时,存在接合面氧化、轧件边裂、金属横向断裂变形的问题。传统的显著性分割技术在处理金属复合板表面缺陷时,存在色彩信息不准确,缺陷特征细节缺失的弊端,且传统的显著性分割技术对于金属复合板表面的细微缺陷检测效果较差,容易出现误判和漏判。
综上所述,本发明提出一种复合板表面质量快速检测方法,对金属复合板表面图像进行采集,通过金属复合板表面的形变特征以及氧化磨损特征,分别构建复合板形变指数以及氧化磨损指数,获取归一化特征图像,进而得到金属复合板表面缺陷的显著图,设定阈值对获取的金属复合板表面缺陷显著图进行图像分割,分析金属复合板表面缺陷状况,实现一种复合板表面质量快速检测方法。
发明内容
为了解决上述技术问题,本发明提供一种复合板表面质量快速检测方法,以解决现有的问题。
本发明的一种复合板表面质量快速检测方法采用如下技术方案:
本发明一个实施例提供了一种复合板表面质量快速检测方法,该方法包括以下步骤:
采集金属复合板表面图像并预处理;
获取金属复合板表面图像中各连通区域,提取各连通区域的边缘轮廓获取疑似凹陷中心区域及疑似凹陷辐射区域;获取凹陷辐射路径;根据连通域内凹陷辐射路径上各像素点的邻域分布情况得到连通域内各像素点的复合板形变指数,预设连通域外各像素点的复合板形变指数;结合各像素点的LBP值获取金属复合板表面图像中的氧化磨损点;根据各像素点邻域窗口内的氧化磨损点数量得到各像素点的氧化磨损色差;根据各像素点邻域窗口内氧化磨损点之间的距离得到各像素点的氧化磨损稀疏因子;根据各像素点的氧化磨损色差以及氧化磨损稀疏因子得到各像素点的氧化磨损指数;根据各像素点的灰度信息、复合板形变指数、氧化磨损指数以及对应的LBP值得到各像素点的超复数四元数;各像素点的超复数四元数作为各像素点的显著值组成金属复合板缺陷显著图;
大津法获取金属复合板缺陷显著图的最优阈值,根据最优阈值对金属复合板质量进行检测。
进一步地,所述提取各连通区域的边缘轮廓获取疑似凹陷中心区域及疑似凹陷辐射区域,包括:
对于各连通域,获取连通域的两个边缘长度,所述边缘长度为边缘像素点数量之和,将短的边缘围成的区域记为疑似凹陷中心区域,将长的边缘围成的区域记为疑似凹陷辐射区域。
进一步地,所述获取凹陷辐射路径包括:将疑似凹陷中心区域内灰度值最大的像素点作为疑似凹陷中心区域的中心点,连接所述中心点与疑似凹陷中心区域的任一像素点,记为B1,并延长与凹陷辐射区域的交点记为B2,将B1与B2之间的连线作为凹陷辐射路径,获取各凹陷辐射路径。
进一步地,所述根据连通域内凹陷辐射路径上各像素点的邻域分布情况得到连通域内各像素点的复合板形变指数,包括:
对于各连通域,将连通域内所有凹陷辐射路径上所有像素点的二维熵均值作为连通域的复合板形变系数;
将连通域内各像素点与疑似凹陷区域中心点的欧式距离作为以自然常数为底数的指数函数的指数,将所述指数函数的计算结果与连通域的复合板形变系数乘积的归一化值作为连通域内各像素点的复合板形变指数。
进一步地,所述结合各像素点的LBP值获取金属复合板表面图像中的氧化磨损点包括:
将金属复合板表面图像中所有像素点的LOF均值作为氧化磨损阈值,将LOF值低于所述氧化磨损阈值的像素点作为氧化磨损点。
进一步地,所述根据各像素点邻域窗口内的氧化磨损点数量得到各像素点的氧化磨损色差,包括:
将各像素点邻域窗口内氧化磨损点数量与邻域窗口像素点总数的比值作为各像素点的氧化磨损色差。
进一步地,所述根据各像素点邻域窗口内氧化磨损点之间的距离得到各像素点的氧化磨损稀疏因子,包括:
对于各像素点,计算像素点邻域窗口内任意两个氧化磨损点之间的欧式距离,将所述欧式距离作为以自然常数为底数的指数函数的指数,将像素点邻域窗口内所有所述指数函数的计算结果的和值进行归一化,将所述归一化的结果作为像素点的氧化磨损稀疏因子。
进一步地,所述根据各像素点的氧化磨损色差以及氧化磨损稀疏因子得到各像素点的氧化磨损指数,包括:
将像素点氧化磨损稀疏因子作为以自然常数为底数的指数函数的负指数,将所述指数函数的计算结果与像素点的氧化磨损色差乘积的归一化值作为像素点的氧化磨损指数。
进一步地,所述根据各像素点的灰度信息、复合板形变指数、氧化磨损指数以及对应的LBP值得到各像素点的超复数四元数,包括:
将各像素点的归一化灰度值、归一化复合板形变指数、归一化氧化磨损指数以及归一化LBP值的加权和值作为各像素点的超复数四元数。
进一步地,所述根据最优阈值对金属复合板质量进行检测包括:
对于金属复合板缺陷显著图中各像素点的显著值,将显著值高于最优阈值的像素点作为金属复合板缺陷像素点,计算金属复合板缺陷像素点数量与金属复合板表面图像像素点总数的比值的归一化值,当所述归一化值高于质量检测阈值时,复合板表面质量不合格,当所述归一化值低于质量检测阈值时,复合板表面质量合格。
本发明至少具有如下有益效果:
本发明基于金属复合板的形变特征以及氧化磨损特征构建复合板形变指数以及氧化磨损指数,将基于像素点的复合板形变指数、氧化磨损指数、灰度值以及LBP值作为对各像素点的显著性进行检测,最终获得金属复合板表面缺陷的显著图。本发明解决了传统的显著性分割技术对复合板表面质量快速检测时,色彩信息不准确,缺失对金属复合板缺陷细节特征分析的弊端,能够更精确地对金属复合板表面图像中的缺陷位置分割出来,进而判断该金属复合板的质量是否符合生产要求,实现一种复合板表面质量快速检测方法。本发明具有精度高、计算量低等有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,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复合板表面质量快速检测方法的流程图;
图2为金属复合板凹陷区域示意图。
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复合板表面质量快速检测方法,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复合板表面质量快速检测方法的具体方案。
本发明一个实施例提供的一种复合板表面质量快速检测方法,具体的,提供了如下的一种复合板表面质量快速检测方法,请参阅图1,该方法包括以下步骤:
步骤S001,对金属复合板表面图像进行采集,并对采集的图像进行预处理。
首先,通过CCD相机对金属复合板表面俯视图像进行采集,采集时需设置一光源对金属复合板表面均匀照射,将采集到的金属复合板表面图像转化为灰度图像以及基于HSV颜色空间的颜色图像,为消除图像中的噪声干扰以及部分外界干扰造成的影响,方便后续能够更精准的对缺陷进行特征分析,对获取的图像进行去噪处理。
本实施例中使用的图像去噪算法为小波变换去噪算法,在有效去除噪声的同时保留图像的细节信息。由于小波变换为公知技术,此处不再过多赘述,实施者也可根据实际情况使用其它去噪算法对金属复合板表面图像进行去噪处理。
至此,可通过本实施例上述方法获取用于复合板表面质量检测的复合板表面图像,作为后续分析的基础数据。
步骤S002:通过金属复合板表面的形变特征及氧化磨损特征,分别构建复合板形变指数以及氧化磨损指数,得到归一化特征图,并获取金属复合板表面缺陷的显著图。
在使用直接轧制复合法生产金属复合板时,由于轧辊表面不平整或者轧辊损坏可能会导致金属复合板表面出现类似轧花一般的纹理,同时伴随着金属板表面的颜色、亮度发生变化;同时,在轧制过程中收到内部应力与外部应力作用时,金属复合板表面可能会产生凹陷形变。其次,若采用的是非真空轧制复合法,金属复合板在生产过程中暴露在空气中,表面可能产生氧化锈斑。
金属复合板表面若出现凹凸不平现象或类似轧花的纹理时,对应区域中的像素点灰度值与周围环境差异较大,每一个凹陷都对应一个连通域区域。在凹陷中心区域,光线正常反射,像素点灰度值较大;但在凹陷非中心区域,由于金属复合板产生形变导致光线反射出现偏折,像素点灰度值较小,为方便后续描述,将凹陷内非中心区域称为凹陷辐射区域。凹陷辐射区域越大,凹陷内像素点的灰度值差异越大,该凹陷对应的区域产生的形变越严重,对应的金属复合板质量越差。金属复合板凹陷区域示意图如图2所示。
首先,获取到金属复合板表面的灰度图像,根据OTSU大津法选择最优阈值对复合板表面灰度图像进行二值化处理,将复合板表面灰度图的二值化结果记为复合板二值图,通过八联通区域标记算法获取复合板二值图中的各个连通区域,由于大津法以及八连通区域标记算法为公知技术,此处不再过多赘述。对于金属复合板各连通区域,基于Canny算子获取每个连通区域的两条边缘轮廓,如图2所示,统计两条边缘上的像素点个数,设像素点个数少的轮廓边缘记为L1,设像素点个数多的轮廓边缘记为L2。进一步的,将L1围成的区域记为疑似凹陷中心区域,将L1与L2两条边缘之间的区域记为疑似凹陷辐射区域。
寻找疑似凹陷中心区域中灰度值最大的像素点作为疑似凹陷区域中心点坐标记为An(x0,y0),若该区域中存在多个像素点灰度值最大且相同,则通过最小外接圆算法获取疑似凹陷中心区域的圆心作为疑似凹陷区域中心点坐标。连接疑似凹陷中心区域中心点与疑似凹陷区域边缘上任一像素点,延长该连接线直至相交与疑似凹陷辐射区域边缘,设该连线与疑似凹陷中心区域以及凹陷辐射区域的交点分别为B1、B2,将B1和B2之间的连线记为凹陷辐射路径,如此可获得N条凹陷辐射路径。
设凹陷辐射路径上存在W个像素点,从凹陷辐射路径上的第一个像素点ω1开始,通过sobel算子获取该像素点的灰度值记为F,以每个像素点为中心,设置邻域半径为5。通过上述数据可获得像素点ω1在邻域内的二维熵(TDE1),以像素点ω1为例:
,
,
上述公式中,PEF为金属复合板图像中二元组(E,F)的概率;f(E,F)为灰度二元组(E,F)在邻域范围内水平方向上出现的次数;X为像素点邻域内的所有灰度二元组在邻域范围内水平方向上出现的总次数;为第n条凹陷辐射路径上第一个像素点邻域范围内的二维熵;E为该像素点的灰度值;Emin为该像素点邻域内最小灰度值;Emax为该像素点邻域内最大灰度值;F为该像素点八邻域范围内的灰度均值;Fmin为该像素点八邻域范围内的灰度最小值;Fmax为该像素点八邻域范围内的灰度最大值。
越大时,表示第n条凹陷辐射路径上第一个像素点邻域范围内的二维熵越大,该像素点邻域内的灰度变化越混乱,灰度空间分布越混乱,进一步的,对应的金属复合板区域产生的凹陷形变越不规则,金属板质量越差。
根据凹陷辐射路径上每个像素点的二维熵获得该连通区域的复合板形变系数CDF:
,
上述公式中,CDFi为第i个连通区域的复合板形变系数;N为连通区域内凹陷辐射路径个数;W为第n条凹陷辐射路径上的像素点总个数;为第n条凹陷辐射路径上第ω个像素点邻域内的二维熵;CDFi越大时,表示该连通区域内的灰度变化越混乱,对应金属复合板区域的凹陷程度即形变程度越大,金属复合板质量越差。
对于连通域内各像素点,计算每个像素点与凹陷区域中心点An(x0,y0)之间的欧式距离记为Z,通过连通域内每个像素点与凹陷区域中心点的欧式距离以及上述步骤获得的复合板形变系数CDF得到该连通域内每个像素点的复合板形变指数(CDI):
,
式中,为第i个连通区域中第t个像素点的复合板形变指数;/>为第i个连通区域中第t个像素点与疑似凹陷区域中心点的欧式距离。CDFi为第i个连通域中的复合板形变系数;norm()为归一化函数,使得/>的值域处于[0,1]的值域内。/>的作用为距离权重,用来准确计算连通域中每个像素点的复合板形变指数。
CDI越大时,表示该像素点距离疑似凹陷区域中心点越远,该像素点所属疑似凹陷区域中灰度变化越混乱,像素点灰度空间分布越混乱,进一步的,对应金属复合板区域的形变程度越大,金属复合板质量越差。
将所有连通域外像素点的复合板形变指数默认设置为0.1。至此,对金属复合板图像中每一个像素点的复合板形变指数进行归一化处理,遍历图像中的每个像素点,获取各像素点的归一化复合板形变指数。需要说明的是,归一化方法可通过现有技术实现,在此不做赘述。
此外,金属复合板表面产生氧化锈斑时,氧化锈斑内部呈现粗糙颗粒状,在相机光源照射下与周围正常复合板表面有着较为明显的差异。锈斑颗粒分布越密集,对应复合板表面区域的氧化锈蚀现象越严重,对应的,金属复合板的质量越差。此外,由于金属复合板氧化锈斑区域通常呈现为棕色、棕红色,基于上述特征构建氧化磨损指数。
HSV颜色空间中,V为亮度。由于金属复合板在正常状态下对于光线的反射程度较好,而氧化锈斑位置由于存在锈斑颗粒使得表面粗糙,大大降低了该区域对于光线的反射情况,且金属复合板表面存在磨损状况时,也会影响对光线的反射情况,通过确定颜色空间中各个像素点的亮度V,能够筛选出反射率较低的像素点即金属复合板氧化磨损点。
首先,获取金属复合板表面基于HSV颜色空间的颜色图像,将每个像素点的亮度V作为像素点的数据值,通过LOF对金属复合板颜色图像进行异常检测,获取第t个像素点的局部利群因子记为LOFK(t),邻域距离K通过交叉验证方式来确定,将整个金属复合板表面图像中所有像素点的局部离群因子求均值记为氧化磨损阈值。LOF算法具体过程以及图像的HSV颜色空间转换可通过现有技术实现,在此不做相关详细阐述。
以图像中的每个像素点为中心构建邻域窗口,邻域窗口大小为5×5,将局部离群因子低于的像素点设为氧化磨损点,统计像素邻域窗口中氧化磨损点的数量为OWN,基于上述数据可获得该像素点的氧化磨损色差:
,
OWCt为第t个像素点的氧化磨损色差;OWN为以像素点t为中心的邻域窗口内氧化磨损点数量;S为像素点邻域窗口内的像素点总数;OWN越大时,表示该像素点的邻域窗口内氧化磨损点数量越多,对应金属复合板区域的氧化磨损状况越严重,进一步的,金属复合板的质量越差。需要说明的是,邻域窗口尺寸实施者可自行设定,本实施例对此不做特殊限制。
进一步,本实施例基于像素点邻域窗口内的氧化磨损点,获得该像素中心点的氧化磨损稀疏因子OWD:
,
公式中,OWDt为第t个像素点的氧化磨损稀疏因子;norm{ }为归一化函数,使得OWD的值域处于[0,1]的范围内;p、q分别为第p、q个氧化磨损点的位置;OWN为以像素点t为中心的像素邻域窗口中氧化磨损点数量。dis()为欧式距离函数;ε为调节参数(经验值为0.01)。
氧化磨损点两两之间的欧式距离dis(p,q)越大,表示氧化磨损点之间的位置相距越远,氧化磨损点分布越稀疏,对应像素点的氧化磨损稀疏因子OWD越大,对应的金属复合板区域的氧化磨损状况越轻微,金属复合板的质量越好。
通过氧化磨损色差OWC以及氧化磨损稀疏因子OWD可获得基于像素点的氧化磨损指数ODI:
,
式中,ODIt为第t个像素点的氧化磨损指数;norm[ ]为归一化函数,使得ODI的值域处于[0,1]之内;OWCt为第t个像素点的氧化磨损色差;OWDt为第t个像素点的氧化磨损稀疏因子。
OWCt越大时,表示以该像素点为中心的邻域窗口内氧化磨损点数量越多,金属复合板氧化锈磨损状况越严重,金属复合板质量越差,ODIt越大;OWDt越大时,表示以该像素点为中心的邻域窗口内氧化磨损点的分布密度越小,对应区域的金属复合板氧化磨损状况越轻微,金属复合板质量越好,ODIt越小。
根据上述方式获取每个像素点的归一化氧化磨损指数,遍历图像中的每个像素点,将像素点的氧化磨损指数代替像素点的灰度值,将遍历后的结果记为归一化氧化磨损特征图。
对于金属复合板表面灰度图像,通过LBP特征提取算法,计算金属复合板表面图像中每个像素点的LBP值。之后通过对每个像素点的灰度值以及LBP值进行归一化操作,得到第t个像素点的归一化灰度值以及归一化LBP值,分别记为Grat和Lbpt,进一步的,可获得归一化灰度图以及归一化局部纹理特征图。
进一步,分别将归一化灰度图、归一化损伤特征图、归一化平滑特征图以及归一化局部纹理特征图作为四元数傅里叶变换的相位谱模型PQRT中超复数四元数矩阵中的四个参数。由此,计算超复数四元数矩阵中每个像素位置的超复数四元数Rt,表达式为:
,
上述公式中,Rt为第t个像素点的超复数四元数,Grat为第t个像素点的归一化灰度值,CDIt为第t个像素点的归一化的复合板形变指数,ODIt为第t个像素点的归一化的氧化磨损指数,Lbpt为第t个像素点亮度值的归一化LBP值,,/>,/>,/>分别为权值系数,实施者可自行设定,本实施例设定为/>=/>=0.2,/>=/>=0.3。
根据上述计算方式可获得金属复合板表面图像中每个像素点的超复数四元数,将各像素点的超复数四元数作为每个像素点的显著值组成显著图,记为金属复合板缺陷显著图。
至此,得到了金属复合板表面图像对应的金属复合板缺陷显著图。
步骤S003:根据最优阈值对获取的金属复合板表面缺陷显著图进行分割,提取金属复合板缺陷像素点,分析金属复合板表面缺陷状况,实现复合板表面质量快速检测。
在本实施例上述步骤中已获得金属复合板表面图像对应的金属复合板缺陷显著图,在金属复合板缺陷显著图中,凹陷区域以及氧化磨损区域的显著值会比正常金属复合板区域的显著值大。进一步,本实施例通过大津法OTSU,计算最大类间方差作为最优阈值F,金属复合板缺陷显著图中显著值高于F的区域为金属复合板缺陷区域,显著值低于F的区域为正常金属复合板区域。大津法为现有公知技术,不在本实施例保护范围内,在此不做相关阐述。
计算金属复合板缺陷区域的归一化面积占比,也即金属复合板缺陷像素点数量与金属复合板表面图像像素点总数比值的归一化值,设定质量检测阈值μ,若金属复合板缺陷区域归一化面积占比大于质量检测阈值μ,则该金属复合板质量不合格。需要说明的是,质量检测阈值本实施例中取经验值为0.2,实施者可根据生产要求设置质量检测阈值,本实施例对此不做特殊限制。
至此,根据本实施例上述方法及步骤,可基于机器视觉对复合板表面图像的处理分析,实现复合板表面质量快速检测。
综上,本发明实施例基于金属复合板的形变特征以及氧化磨损特征构建复合板形变指数以及氧化磨损指数,并基于像素点的复合板形变指数、氧化磨损指数、灰度值以及LBP值作为对各像素点的显著性进行检测,最终获得金属复合板表面缺陷的显著图;
本发明实施例解决了传统的显著性分割技术对复合板表面质量快速检测时,色彩信息不准确,缺失对金属复合板缺陷细节特征分析的弊端,能够更精确地对金属复合板表面图像中的缺陷位置分割出来,进而判断该金属复合板的质量是否符合生产要求,具有精度高、检测速度快等效果。
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。且上述对本说明书特定实施例进行了描述。另外,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或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。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种复合板表面质量快速检测方法,其特征在于,该方法包括以下步骤:
采集金属复合板表面图像并预处理;
获取金属复合板表面图像中各连通区域,提取各连通区域的边缘轮廓获取疑似凹陷中心区域及疑似凹陷辐射区域;获取凹陷辐射路径;根据连通域内凹陷辐射路径上各像素点的邻域分布情况得到连通域内各像素点的复合板形变指数,预设连通域外各像素点的复合板形变指数;结合各像素点的LBP值获取金属复合板表面图像中的氧化磨损点;根据各像素点邻域窗口内的氧化磨损点数量得到各像素点的氧化磨损色差;根据各像素点邻域窗口内氧化磨损点之间的距离得到各像素点的氧化磨损稀疏因子;根据各像素点的氧化磨损色差以及氧化磨损稀疏因子得到各像素点的氧化磨损指数;根据各像素点的灰度信息、复合板形变指数、氧化磨损指数以及对应的LBP值得到各像素点的超复数四元数;各像素点的超复数四元数作为各像素点的显著值组成金属复合板缺陷显著图;
大津法获取金属复合板缺陷显著图的最优阈值,根据最优阈值对金属复合板质量进行检测。
2.如权利要求1所述的一种复合板表面质量快速检测方法,其特征在于,所述提取各连通区域的边缘轮廓获取疑似凹陷中心区域及疑似凹陷辐射区域,包括:
对于各连通域,获取连通域的两个边缘长度,所述边缘长度为边缘像素点数量之和,将短的边缘围成的区域记为疑似凹陷中心区域,将长的边缘围成的区域记为疑似凹陷辐射区域。
3.如权利要求2所述的一种复合板表面质量快速检测方法,其特征在于,所述获取凹陷辐射路径包括:将疑似凹陷中心区域内灰度值最大的像素点作为疑似凹陷中心区域的中心点,连接所述中心点与疑似凹陷中心区域的任一像素点,记为B1,并延长与凹陷辐射区域的交点记为B2,将B1与B2之间的连线作为凹陷辐射路径,获取各凹陷辐射路径。
4.如权利要求3所述的一种复合板表面质量快速检测方法,其特征在于,所述根据连通域内凹陷辐射路径上各像素点的邻域分布情况得到连通域内各像素点的复合板形变指数,包括:
对于各连通域,将连通域内所有凹陷辐射路径上所有像素点的二维熵均值作为连通域的复合板形变系数;
将连通域内各像素点与疑似凹陷区域中心点的欧式距离作为以自然常数为底数的指数函数的指数,将所述指数函数的计算结果与连通域的复合板形变系数乘积的归一化值作为连通域内各像素点的复合板形变指数。
5.如权利要求1所述的一种复合板表面质量快速检测方法,其特征在于,所述结合各像素点的LBP值获取金属复合板表面图像中的氧化磨损点包括:
将金属复合板表面图像中所有像素点的LOF均值作为氧化磨损阈值,将LOF值低于所述氧化磨损阈值的像素点作为氧化磨损点。
6.如权利要求5所述的一种复合板表面质量快速检测方法,其特征在于,所述根据各像素点邻域窗口内的氧化磨损点数量得到各像素点的氧化磨损色差,包括:
将各像素点邻域窗口内氧化磨损点数量与邻域窗口像素点总数的比值作为各像素点的氧化磨损色差。
7.如权利要求6所述的一种复合板表面质量快速检测方法,其特征在于,所述根据各像素点邻域窗口内氧化磨损点之间的距离得到各像素点的氧化磨损稀疏因子,包括:
对于各像素点,计算像素点邻域窗口内任意两个氧化磨损点之间的欧式距离,将所述欧式距离作为以自然常数为底数的指数函数的指数,将像素点邻域窗口内所有所述指数函数的计算结果的和值进行归一化,将所述归一化的结果作为像素点的氧化磨损稀疏因子。
8.如权利要求1所述的一种复合板表面质量快速检测方法,其特征在于,所述根据各像素点的氧化磨损色差以及氧化磨损稀疏因子得到各像素点的氧化磨损指数,包括:
将像素点氧化磨损稀疏因子作为以自然常数为底数的指数函数的负指数,将所述指数函数的计算结果与像素点的氧化磨损色差乘积的归一化值作为像素点的氧化磨损指数。
9.如权利要求1所述的一种复合板表面质量快速检测方法,其特征在于,所述根据各像素点的灰度信息、复合板形变指数、氧化磨损指数以及对应的LBP值得到各像素点的超复数四元数,包括:
将各像素点的归一化灰度值、归一化复合板形变指数、归一化氧化磨损指数以及归一化LBP值的加权和值作为各像素点的超复数四元数。
10.如权利要求1所述的一种复合板表面质量快速检测方法,其特征在于,所述根据最优阈值对金属复合板质量进行检测包括:
对于金属复合板缺陷显著图中各像素点的显著值,将显著值高于最优阈值的像素点作为金属复合板缺陷像素点,计算金属复合板缺陷像素点数量与金属复合板表面图像像素点总数的比值的归一化值,当所述归一化值高于质量检测阈值时,复合板表面质量不合格,当所述归一化值低于质量检测阈值时,复合板表面质量合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311270008.5A CN117011292B (zh) | 2023-09-28 | 2023-09-28 | 一种复合板表面质量快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311270008.5A CN117011292B (zh) | 2023-09-28 | 2023-09-28 | 一种复合板表面质量快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117011292A true CN117011292A (zh) | 2023-11-07 |
CN117011292B CN117011292B (zh) | 2023-12-15 |
Family
ID=88573024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311270008.5A Active CN117011292B (zh) | 2023-09-28 | 2023-09-28 | 一种复合板表面质量快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117011292B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611583A (zh) * | 2024-01-22 | 2024-02-27 | 张家港飞腾复合新材料股份有限公司 | 基于人工智能的铝复合板缺陷检测方法及系统 |
CN117689637A (zh) * | 2023-12-14 | 2024-03-12 | 广东昭明电子集团股份有限公司 | 一种新能源电池五金件加工质量视觉检测方法 |
CN117808810A (zh) * | 2024-03-01 | 2024-04-02 | 陕西长空齿轮有限责任公司 | 一种滚刀磨损图像识别测量方法及系统 |
CN117689637B (zh) * | 2023-12-14 | 2024-06-07 | 广东昭明电子集团股份有限公司 | 一种新能源电池五金件加工质量视觉检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120138219A1 (en) * | 2010-12-03 | 2012-06-07 | Basf Se | Process for producing multilayer composite structures |
CN103237640A (zh) * | 2010-12-03 | 2013-08-07 | 巴斯夫欧洲公司 | 制备多层复合结构体的方法 |
CN115239704A (zh) * | 2022-09-19 | 2022-10-25 | 南通友联新材料科技有限公司 | 一种木材表面缺陷的精准检测修复方法 |
CN116071363A (zh) * | 2023-03-27 | 2023-05-05 | 山东中济鲁源机械有限公司 | 一种自动化型钢智能生产监测系统 |
-
2023
- 2023-09-28 CN CN202311270008.5A patent/CN117011292B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120138219A1 (en) * | 2010-12-03 | 2012-06-07 | Basf Se | Process for producing multilayer composite structures |
CN103237640A (zh) * | 2010-12-03 | 2013-08-07 | 巴斯夫欧洲公司 | 制备多层复合结构体的方法 |
CN115239704A (zh) * | 2022-09-19 | 2022-10-25 | 南通友联新材料科技有限公司 | 一种木材表面缺陷的精准检测修复方法 |
CN116071363A (zh) * | 2023-03-27 | 2023-05-05 | 山东中济鲁源机械有限公司 | 一种自动化型钢智能生产监测系统 |
Non-Patent Citations (1)
Title |
---|
杜志顺;吴国平;裘咏霄;黄文丽;陈茂源;: "复合板灰色自适应瑕疵检测", 计算机应用, no. 08 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117689637A (zh) * | 2023-12-14 | 2024-03-12 | 广东昭明电子集团股份有限公司 | 一种新能源电池五金件加工质量视觉检测方法 |
CN117689637B (zh) * | 2023-12-14 | 2024-06-07 | 广东昭明电子集团股份有限公司 | 一种新能源电池五金件加工质量视觉检测方法 |
CN117611583A (zh) * | 2024-01-22 | 2024-02-27 | 张家港飞腾复合新材料股份有限公司 | 基于人工智能的铝复合板缺陷检测方法及系统 |
CN117611583B (zh) * | 2024-01-22 | 2024-04-19 | 张家港飞腾复合新材料股份有限公司 | 基于人工智能的铝复合板缺陷检测方法及系统 |
CN117808810A (zh) * | 2024-03-01 | 2024-04-02 | 陕西长空齿轮有限责任公司 | 一种滚刀磨损图像识别测量方法及系统 |
CN117808810B (zh) * | 2024-03-01 | 2024-05-28 | 陕西长空齿轮有限责任公司 | 一种滚刀磨损图像识别测量方法及系统 |
CN117934452B (zh) * | 2024-03-14 | 2024-06-07 | 中国建筑第五工程局有限公司 | 基于人工智能的蒸压混凝土板材质量快速检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117011292B (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117011292B (zh) | 一种复合板表面质量快速检测方法 | |
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN110097034B (zh) | 一种智能人脸健康程度的识别与评估方法 | |
CN115082418B (zh) | 一种汽车零部件精密识别方法 | |
CN109682839B (zh) | 一种金属弧形工件表面缺陷在线检测方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN115294140B (zh) | 一种五金零件缺陷检测方法及系统 | |
CN111915572B (zh) | 一种基于深度学习的自适应齿轮点蚀定量检测系统及方法 | |
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN115082481A (zh) | 一种用于齿轮的图像增强方法 | |
CN115115612B (zh) | 一种用于机械配件的表面缺陷检测方法及系统 | |
CN117689655B (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
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 | |
CN115049651B (zh) | 一种钣金冲压异常检测方法 | |
CN113962993B (zh) | 基于计算机视觉的纸杯原材料质量检测方法 | |
CN115953398A (zh) | 一种用于带钢表面的缺陷识别方法 | |
CN115984272A (zh) | 基于计算机视觉的半挂车车桥缺陷识别方法 | |
CN115330796A (zh) | 一种铜线镀锡缺陷识别方法 | |
CN117315289B (zh) | 基于图像处理的航空发动机叶片轮廓边缘检测方法 | |
CN117152129B (zh) | 一种电池盖板的表面缺陷视觉检测方法及系统 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN116503393B (zh) | 基于图像处理的线路板等离子纳米镀膜质量检测方法 | |
CN116205923B (zh) | 基于x-ray的汽车轮毂内部缺陷无损检测方法 |
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 |