CN117078667A - 基于机器视觉的矿物铸件检测方法 - Google Patents
基于机器视觉的矿物铸件检测方法 Download PDFInfo
- Publication number
- CN117078667A CN117078667A CN202311322863.6A CN202311322863A CN117078667A CN 117078667 A CN117078667 A CN 117078667A CN 202311322863 A CN202311322863 A CN 202311322863A CN 117078667 A CN117078667 A CN 117078667A
- Authority
- CN
- China
- Prior art keywords
- gray
- value
- obtaining
- values
- defect
- 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 124
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 37
- 239000011707 mineral Substances 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 230000007547 defect Effects 0.000 claims abstract description 93
- 238000000034 method Methods 0.000 claims abstract description 49
- 230000011218 segmentation Effects 0.000 claims description 27
- 230000002950 deficient Effects 0.000 claims description 15
- 238000007689 inspection Methods 0.000 claims description 14
- 238000003064 k means clustering Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 9
- 239000011148 porous material Substances 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 5
- 239000000758 substrate Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011179 visual inspection 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
- G06T7/11—Region-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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
-
- 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)
- 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)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于机器视觉的矿物铸件检测方法,包括:采集铸件CT图像,预处理得到铸件灰度图像,根据预设K值的取值范围得到所有K值下的缺陷簇,根据缺陷簇得到任意一个方向的灰度曲线的平缓性,得到任意一个方向和任意一个方向的反方向的重要度,根据任意一个方向和任意一个方向的反方向的重要度、灰度曲线的平缓性,得到最优K值,根据最优K值得到缺陷区域。本发明通过对矿物铸件图像进行不同K值的聚类,根据缺陷的灰度值特性获取缺陷簇,根据缺陷簇得到最优的K值以及缺陷区域。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于机器视觉的矿物铸件检测方法。
背景技术
在矿业行业,基于机器视觉的矿物铸件检测技术正逐渐成为一项重要的技术应用,传统的铸件检测通常依赖于人工目测和手动检查,效率低且准确性有限,而机器视觉技术通过图像处理和分析算法,能够实现对铸件的自动化检测和缺陷分析,为生产过程中的质量控制提供了重要支持。
尽管基于机器视觉的矿物铸件检测技术取得了很大进展,但仍面临一些挑战,如复杂环境下的光照变化、铸件本身的多样性等。但随着技术的进步和算法的不断优化,这一技术在矿业行业中的应用前景广阔,随着自动化和智能化水平的不断提高,基于机器视觉的矿物铸件检测将在质量控制和生产效率提升方面发挥更重要的作用,目前,工业CT无损检测已经成为工业领域中非常重要的技术之一。
现有技术通过聚类方法分割图像时需要人工设定K值,而K值的选取要求一般较高,K值过小,缺陷部分会分割不完全,K值过大,分割的缺陷部分会由于过度分割产生噪声。
发明内容
为解决上述问题,本发明提供基于机器视觉的矿物铸件检测方法。
本发明的基于机器视觉的矿物铸件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机器视觉的矿物铸件检测方法,该方法包括以下步骤:
获取铸件灰度图像;
预设K值的取值范围,根据预设K值的取值范围和铸件灰度图像得到不同K值下铸件灰度图像的聚类结果图;
根据不同K值下铸件灰度图像的聚类结果图得到所有K值下的缺陷簇,根据缺陷簇中连通域得到不同方向的方向射线,根据任意一个方向射线得到任意一个方向的灰度曲线,获取任意一个方向的灰度曲线上所有极值点,根据任意一个方向的灰度曲线上所有极值点的灰度值以及任意一个方向射线上像素点灰度值,得到任意一个方向的灰度曲线的平缓性;
根据任意一个方向射线上所有像素点的灰度均值和任意一个方向的反方向射线上所有像素点的灰度均值,得到任意一个方向和任意一个方向的反方向的重要度,根据任意一个方向和任意一个方向的反方向的重要度、任意一个方向的灰度曲线的平缓性以及任意一个方向的反方向的灰度曲线的平缓性,得到任意一个缺陷簇中任意一个连通域中像素点灰度值的平缓性,根据缺陷簇中所有连通域中像素点灰度值的平缓性,得到最优K值;
根据最优K值得到缺陷区域。
进一步地,所述根据预设K值的取值范围和铸件灰度图像得到不同K值下铸件灰度图像的聚类结果图,包括的具体步骤如下:
在铸件灰度图像中随机选取K个像素点作为初始聚类中心,其中K值的取值范围为的整数,为预设K值的最大值,利用不同的K值对铸件灰度图像进行K-means聚类,得
到不同K值下铸件灰度图像的聚类结果图。
进一步地,所述根据不同K值下铸件灰度图像的聚类结果图得到所有K值下的缺陷簇,包括的具体步骤如下:
获取不同K值下铸件灰度图像的聚类结果图中包含的若干类簇,将任意一个K值下铸件灰度图像的聚类结果图中包含的任意一个类簇,记为当前簇,根据当前簇中所有像素点的灰度值得到当前簇的灰度均值,获取当前簇所在K值下所有类簇的灰度均值,将当前簇所在K值下所有类簇的灰度均值最小的类簇记为当前簇所在K值下的缺陷簇,获取所有K值下的缺陷簇。
进一步地,所述根据缺陷簇中连通域得到不同方向的方向射线,包括的具体步骤如下:
对于任意一个K值下的缺陷簇,获取缺陷簇在铸件灰度图像中的所有连通域,对于
缺陷簇在铸件灰度图像中的任意一个连通域,获取连通域的中心像素点,以连通域的中心
像素点为起点,分别沿方向作射线,得
到不同方向的方向射线。
进一步地,所述根据任意一个方向射线得到任意一个方向的灰度曲线,包括的具体步骤如下:
从方向开始按照顺时针的顺序,依次将所有方向标记为第一个方向、第二个
方向、…第八个方向,获取第r个方向射线上从起点到连通域边缘点的所有像素点以及所有
像素点的灰度值,将所有像素点的灰度值进行平滑处理得到第r个方向的灰度曲线。
进一步地,所述根据任意一个方向的灰度曲线上所有极值点的灰度值以及任意一个方向射线上像素点灰度值,得到任意一个方向的灰度曲线的平缓性,包括的具体步骤如下:
式中,为第r个方向的灰度曲线上所有极值点的个数,为第r个方向的灰度曲
线上第z个极值点的灰度值,为第r个方向的灰度曲线上第z+1个极值点的灰度值,为
取绝对值,为第r个方向射线上连通域的边缘像素点灰度值,的获取方法如
下:将第r个方向射线上连通域的边缘像素点作为第一起始点,从第一起始点开始按照第r
个方向往外延伸像素点,将延伸第e个像素点的灰度值记为,为预设数值,为
第r个方向的灰度曲线的平缓性。
进一步地,所述根据任意一个方向射线上所有像素点的灰度均值和任意一个方向的反方向射线上所有像素点的灰度均值,得到任意一个方向和任意一个方向的反方向的重要度,包括的具体步骤如下:
式中,为第r个方向的方向射线上所有像素点的灰度值均值,记为第r个方向的
方向射线上所有像素点的灰度均值,为第r+4个方向的方向射线上所有像素点的灰度
值均值,记为第r个方向的反方向射线上所有像素点的灰度均值,为第r个方向和第r+
4个方向的重要度,记为第r个方向和第r个方向的反方向的重要度。
进一步地,所述根据任意一个方向和任意一个方向的反方向的重要度、任意一个方向的灰度曲线的平缓性以及任意一个方向的反方向的灰度曲线的平缓性,得到任意一个缺陷簇中任意一个连通域中像素点灰度值的平缓性,包括的具体步骤如下:
对于任意一个缺陷簇中任意一个连通域,式中,为第r个方向和第r+4个方向
的重要度,为第r个方向的灰度曲线的平缓性,为第r+4个方向的灰度曲线的平缓性,
记为第r个方向的反方向的灰度曲线的平缓性,为任意一个缺陷簇中任意一个连通域中像
素点灰度值的平缓性。
进一步地,所述根据缺陷簇中所有连通域中像素点灰度值的平缓性,得到最优K值,包括的具体步骤如下:
式中,为第k个缺陷簇中第j个连通域中像素点灰度值的平缓性,为第k个缺
陷簇中连通域的总个数,为第k个缺陷簇的分割程度;
获取所有缺陷簇的分割程度,将所有缺陷簇的分割程度最小值对应的K值作为最优K值。
进一步地,所述根据最优K值得到缺陷区域,包括的具体步骤如下:
利用最优K值对铸件灰度图像进行K-means聚类,得到若干聚类结果,将灰度均值最大的聚类结果所构成的区域作为气孔缺陷区域。
本发明的技术方案的有益效果是:本发明通过对矿物铸件图像进行不同K值的聚类,根据缺陷的灰度值特性获取缺陷簇,根据缺陷簇中连通域得到任意一个方向的灰度曲线的平缓性,减少了连通域周围存在油渍影响,得到任意一个方向和任意一个方向的反方向的重要度,根据任意一个方向和任意一个方向的反方向的重要度、任意一个方向的灰度曲线的平缓性以及任意一个方向的反方向的灰度曲线的平缓性,得到最优的K值,根据最优的K值获得气孔缺陷区域,实现了对矿物铸件的缺陷检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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为本发明一个实施例所提供的基于机器视觉的矿物铸件检测方法的步骤流程图;
图2为本发明一个实施例所提供的基于机器视觉的矿物铸件检测方法的K=2时的聚类结果图;
图3为本发明一个实施例所提供的基于机器视觉的矿物铸件检测方法的K=3时的聚类结果图;
图4为本发明一个实施例所提供的基于机器视觉的矿物铸件检测方法的K=4时的聚类结果图;
图5为本发明一个实施例所提供的基于机器视觉的矿物铸件检测方法的K=5时的聚类结果图;
图6为本发明一个实施例所提供的基于机器视觉的矿物铸件检测方法的K=6时的聚类结果图。
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机器视觉的矿物铸件检测方法,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,一个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机器视觉的矿物铸件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机器视觉的矿物铸件检测方法的步骤流程图,该方法包括以下步骤:
步骤S001、采集铸件CT图像,预处理得到铸件灰度图像。
需要说明的是,本实施例所针对的情景为,在对矿物铸件进行聚类分割时,由于K值选取的不同分割的结果也会产生不同,人工选取K值不准确,因此需要自适应的选取最优K值对铸件缺陷进行最优分割,其中铸件缺陷为铸件上的气孔缺陷,本实施例是基于机器视觉的矿物铸件检测方法,在检测之前首先需要获取相关的图像,并进行一定的预处理。
具体的,利用工业CT扫描仪采集矿物铸件的工业CT图像,记为铸件CT图像。
需要说明的是,由于铸件灰度图像的尺寸、孔洞信息比较规则且容易对气孔缺陷的分割造成干扰,因此,需要进行图像语义分割,分割出铸件的形状特征便于后续对其进行K-means聚类分割。
语义分割采用的DNN网络为Encode-Decoder的结构,具体训练内容为:
1.数据集采用采集的铸件CT图像。
2.标签分类,标签为两类,铸件区域和背景区域。该方式为像素级的分类,即需要给图像中所有像素标注上对应标签,属于铸件区域的像素点,其值标注为1,属于背景区域的像素点,其值标注为0。
3.网络采用的Loss函数为交叉熵损失函数。
对得到的铸件CT图像,输入到训练完成的语义分割网络模型中,从铸件CT图像中输出得到铸件标签区域,将铸件标签区域从铸件CT图像中标记出来。对标记的图像进行分割得到只包含铸件的图像,记为铸件图像。
进一步地,对铸件图像进行灰度化处理得到铸件灰度图像。需要说明的是,铸件灰度图像中除铸件区域以外其他区域的像素点灰度值都为0,铸件灰度图像中包含气孔缺陷和油渍。
至此,得到铸件灰度图像。
步骤S002、预设K值的取值范围,根据预设K值的取值范围和铸件灰度图像得到不同K值下铸件灰度图像的聚类结果图。
需要说明的是,对铸件灰度图像进行不同K值的K-means聚类,由于气孔缺陷在铸件灰度图像中表现为灰度值较低的像素点和铸件本身的像素点灰度值存在明显的差异,因此在不同的K值分割下根据每一簇的灰度值均值的差异获取缺陷簇,统计缺陷簇在图像中的位置信息,绘制不同K值下每个缺陷簇位置对应原图像中像素点的灰度值曲线,根据曲线的平缓性来判断K值的分割效果,曲线越平缓则表示簇内像素点的灰度值差异越小,缺陷的分割效果越好。
需要说明的是,为了获得较好的分割效果,需要判断K-means聚类算法的K值,当K值为何值时,对铸件缺陷(气孔缺陷)的分割最优,因此需要对铸件灰度图像进行不同K值的聚类。
具体的,本实施例中使用K-means算法对铸件灰度图像进行不同K值的聚类,由于铸件表面特征类别比较少,同时考虑到设备的损耗,预设最大分类个数为E,即K值的最大取值为E,本实施例中以E=6进行叙述,具体实施时可根据具体情况进行调整。
进一步地,在铸件灰度图像中随机选取K个像素点作为初始聚类中心,其中K值的
取值范围为的整数,为预设K值的最大值,利用不同的K值对铸件灰度图像进行K-
means聚类,得到不同K值下铸件灰度图像的聚类结果图,请参阅图2,图2为本实施例中K=2
时的聚类结果图,图3、图4、图5、图6分别为本实施例中K=3、K=4、K=5、K=6时的聚类结果图。
需要说明的是,具体的聚类过程为K-means聚类算法的现有方法,本实施例不再赘述,且不
同K值下铸件灰度图像的聚类结果图中包含若干类簇。
至此,得到不同K值下铸件灰度图像的聚类结果图。
步骤S003、根据不同K值下铸件灰度图像的聚类结果图得到所有K值下的缺陷簇,根据缺陷簇中连通域得到不同方向的方向射线,根据任意一个方向射线得到任意一个方向的灰度曲线,获取任意一个方向的灰度曲线上所有极值点,根据任意一个方向的灰度曲线上所有极值点的灰度值以及任意一个方向射线上像素点灰度值,得到任意一个方向的灰度曲线的平缓性。
需要说明的是,在得到的不同K值下铸件灰度图像的聚类结果图中包含若干类簇,由于聚类算法会根据不同的K值给出对应的聚类分割结果,但是不同K值的分割效果是不同的,例如当K为5时,气孔缺陷部分的分割效果最好,为了判断其分割程度的好坏需要提取聚类结果图中的缺陷簇。
进一步需要说明的是,由于气孔缺陷在聚类结果图中灰度值表面为较低的灰度值,铸件表面其他部分的灰度值表现为较高的灰度值,因此可以根据聚类结果图中不同类簇的灰度均值来获取缺陷簇。
具体的,获取不同K值下铸件灰度图像的聚类结果图中包含的若干类簇,将任意一个K值下铸件灰度图像的聚类结果图中包含的任意一个类簇,记为当前簇,根据当前簇中所有像素点的灰度值得到当前簇的灰度均值,获取当前簇所在K值下所有类簇的灰度均值,将当前簇所在K值下所有类簇的灰度均值最小的类簇记为当前簇所在K值下的缺陷簇,获取所有K值下的缺陷簇,其中缺陷簇中包含若干铸件灰度图像中的像素点以及若干铸件灰度图像中的连通域。
需要说明的是,由于铸件表面的油渍分布方向有水平、竖直以及倾斜方向,为了得到最佳K值,从而得到最佳的分割效果,需要分析不同K值下的缺陷簇中的每个连通域的聚类效果。
具体的,对于任意一个K值下的缺陷簇,获取缺陷簇在铸件灰度图像中的所有连通
域,对于缺陷簇在铸件灰度图像中的任意一个连通域,获取连通域的中心像素点,以连通域
的中心像素点为起点,分别沿方向作射
线,得到不同方向的方向射线,从方向开始按照顺时针的顺序,依次将所有方向标记为
第一个方向、第二个方向、…第八个方向,获取第r个方向射线上从起点到连通域边缘点的
所有像素点以及所有像素点的灰度值,将所有像素点的灰度值进行平滑处理得到第r个方
向的灰度曲线,获取第r个方向的灰度曲线上所有极值点。
根据任意一个方向的灰度曲线上所有极值点的灰度值以及任意一个方向射线上像素点灰度值,得到任意一个方向的灰度曲线的平缓性,具体如下:
式中,为第r个方向的灰度曲线上所有极值点的个数,为第r个方向的灰度曲
线上第z个极值点的灰度值,为第r个方向的灰度曲线上第z+1个极值点的灰度值,为
取绝对值,为第r个方向射线上连通域的边缘像素点灰度值,的获取方法如
下:将第r个方向射线上连通域的边缘像素点作为第一起始点,从第一起始点开始按照第r
个方向往外延伸像素点,将延伸第e个像素点的灰度值记为,为预设数值,为
第r个方向的灰度曲线的平缓性。
需要说明的是,表示相邻两个极值点的灰度差异,灰度差异越小,表
示这两个极值点在第r个方向的灰度曲线上构成的区间内像素点的灰度值差异越小,由于
连通域周围存在油渍影响,若聚类效果越好,则连通域边缘像素点和边缘像素点沿第r个方
向的像素点若干像素点灰度值差异越大,即越大,本实施例中将沿第r个
方向的像素点若干像素点的数量设置为,为预设数值,本实施例以进行叙述,越大,说明连通域和油渍的分类效果越好,反之说明越差。
至此,得到任意一个方向的灰度曲线的平缓性。
步骤S004、根据任意一个方向射线上所有像素点的灰度均值和任意一个方向的反方向射线上所有像素点的灰度均值,得到任意一个方向和任意一个方向的反方向的重要度,根据任意一个方向和任意一个方向的反方向的重要度、任意一个方向的灰度曲线的平缓性以及任意一个方向的反方向的灰度曲线的平缓性,得到任意一个缺陷簇中任意一个连通域中像素点灰度值的平缓性,根据缺陷簇中所有连通域中像素点灰度值的平缓性,得到最优K值。
需要说明的是,由于存在八个方向的灰度曲线中两个相反方向的曲线的平缓行都
比较小,通常会认为该方向的灰度曲线的平缓性比较小,但实际中可能是由于聚类效果比
较差导致油渍被聚类在缺陷簇中,若其中一个方向是油渍的像素点灰度值表现出来的灰度
曲线,则需要对各方向曲线的平缓性进行修正以求取出该连通域真实的像素点灰度值的平
缓性,因此使用来表示第r方向和第r+4方向的重要度,为便于说明这里,避
免出现的情况。
具体的,根据任意一个方向射线上所有像素点的灰度均值和任意一个方向的反方向射线上所有像素点的灰度均值,得到任意一个方向和任意一个方向的反方向的重要度,具体如下:
式中,为第r个方向的方向射线上所有像素点的灰度值均值,记为第r个方向的
方向射线上所有像素点的灰度均值,为第r+4个方向的方向射线上所有像素点的灰度
值均值,记为第r个方向的反方向射线上所有像素点的灰度均值,为第r个方向和第r+
4个方向的重要度,记为第r个方向和第r个方向的反方向的重要度。
需要说明的是,的值越大表示第r个方向和第r+4个方向上所有像素
点灰度均值差异度越大,则对应的重要度就要越小。
进一步地,根据任意一个方向和任意一个方向的反方向的重要度、任意一个方向和任意一个方向的反方向的灰度曲线的平缓性,得到任意一个缺陷簇中任意一个连通域中像素点灰度值的平缓性,具体如下:
对于任意一个缺陷簇中任意一个连通域,式中,为第r个方向和第r+4个方向
的重要度,为第r个方向的灰度曲线的平缓性,为第r+4个方向的灰度曲线的平缓性,
记为第r个方向的反方向的灰度曲线的平缓性,为任意一个缺陷簇中任意一个连通域中像
素点灰度值的平缓性。越小,表示连通域的聚类效果越好。
需要说明的是,通过对比不同K值下缺陷簇对应原灰度图位置像素点的灰度值曲线的平缓性可以判断缺陷簇中像素点灰度值的相似性,曲线越平缓表示缺陷簇中的像素点灰度值越相近,对应的分割效果就越好。
具体的,根据缺陷簇中所有连通域中像素点灰度值的平缓性,得到缺陷簇的分割程度,具体如下:
式中,为第k个缺陷簇中第j个连通域中像素点灰度值的平缓性,为第k个缺
陷簇中连通域的总个数,为第k个缺陷簇的分割程度。需要说明的是,的值越小则表示
对应K值下缺陷簇中像素点灰度值的平缓性越平缓,表示分割的程度越好。
获取所有缺陷簇的分割程度,将所有缺陷簇的分割程度最小值对应的K值作为最优K值,记为W。
至此,得到最优K值。
步骤S005、根据最优K值得到气孔缺陷区域。
需要说明的是,上述得到了最优K值W,通过最优K值对铸件灰度图像进行聚类,可以将矿物铸件中的气孔缺陷更好的分割处理。
具体的,利用最优K值W对铸件灰度图像进行K-means聚类,得到若干聚类结果,将灰度均值最大的聚类结果所构成的区域作为气孔缺陷区域。需要说明的是,利用最优K值W对铸件灰度图像进行K-means聚类为K-means聚类算法的现有方法,本实施例不再赘述。
至此完成对矿物铸件的缺陷检测。
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.基于机器视觉的矿物铸件检测方法,其特征在于,该方法包括以下步骤:
获取铸件灰度图像;
预设K值的取值范围,根据预设K值的取值范围和铸件灰度图像得到不同K值下铸件灰度图像的聚类结果图;
根据不同K值下铸件灰度图像的聚类结果图得到所有K值下的缺陷簇,根据缺陷簇中连通域得到不同方向的方向射线,根据任意一个方向射线得到任意一个方向的灰度曲线,获取任意一个方向的灰度曲线上所有极值点,根据任意一个方向的灰度曲线上所有极值点的灰度值以及任意一个方向射线上像素点灰度值,得到任意一个方向的灰度曲线的平缓性;
根据任意一个方向射线上所有像素点的灰度均值和任意一个方向的反方向射线上所有像素点的灰度均值,得到任意一个方向和任意一个方向的反方向的重要度,根据任意一个方向和任意一个方向的反方向的重要度、任意一个方向的灰度曲线的平缓性以及任意一个方向的反方向的灰度曲线的平缓性,得到任意一个缺陷簇中任意一个连通域中像素点灰度值的平缓性,根据缺陷簇中所有连通域中像素点灰度值的平缓性,得到最优K值;
根据最优K值得到缺陷区域。
2.根据权利要求1所述基于机器视觉的矿物铸件检测方法,其特征在于,所述根据预设K值的取值范围和铸件灰度图像得到不同K值下铸件灰度图像的聚类结果图,包括的具体步骤如下:
在铸件灰度图像中随机选取K个像素点作为初始聚类中心,其中K值的取值范围为的整数,/>为预设K值的最大值,利用不同的K值对铸件灰度图像进行K-means聚类,得到不同K值下铸件灰度图像的聚类结果图。
3.根据权利要求1所述基于机器视觉的矿物铸件检测方法,其特征在于,所述根据不同K值下铸件灰度图像的聚类结果图得到所有K值下的缺陷簇,包括的具体步骤如下:
获取不同K值下铸件灰度图像的聚类结果图中包含的若干类簇,将任意一个K值下铸件灰度图像的聚类结果图中包含的任意一个类簇,记为当前簇,根据当前簇中所有像素点的灰度值得到当前簇的灰度均值,获取当前簇所在K值下所有类簇的灰度均值,将当前簇所在K值下所有类簇的灰度均值最小的类簇记为当前簇所在K值下的缺陷簇,获取所有K值下的缺陷簇。
4.根据权利要求1所述基于机器视觉的矿物铸件检测方法,其特征在于,所述根据缺陷簇中连通域得到不同方向的方向射线,包括的具体步骤如下:
对于任意一个K值下的缺陷簇,获取缺陷簇在铸件灰度图像中的所有连通域,对于缺陷簇在铸件灰度图像中的任意一个连通域,获取连通域的中心像素点,以连通域的中心像素点为起点,分别沿方向作射线,得到不同方向的方向射线。
5.根据权利要求1所述基于机器视觉的矿物铸件检测方法,其特征在于,所述根据任意一个方向射线得到任意一个方向的灰度曲线,包括的具体步骤如下:
从方向开始按照顺时针的顺序,依次将所有方向标记为第一个方向、第二个方向、…第八个方向,获取第r个方向射线上从起点到连通域边缘点的所有像素点以及所有像素点的灰度值,将所有像素点的灰度值进行平滑处理得到第r个方向的灰度曲线。
6.根据权利要求1所述基于机器视觉的矿物铸件检测方法,其特征在于,所述根据任意一个方向的灰度曲线上所有极值点的灰度值以及任意一个方向射线上像素点灰度值,得到任意一个方向的灰度曲线的平缓性,包括的具体步骤如下:
式中,为第r个方向的灰度曲线上所有极值点的个数,/>为第r个方向的灰度曲线上第z个极值点的灰度值,/>为第r个方向的灰度曲线上第z+1个极值点的灰度值,/>为取绝对值,/>为第r个方向射线上连通域的边缘像素点灰度值,/>的获取方法如下:将第r个方向射线上连通域的边缘像素点作为第一起始点,从第一起始点开始按照第r个方向往外延伸像素点,将延伸第e个像素点的灰度值记为/>,/>为预设数值,/>为第r个方向的灰度曲线的平缓性。
7.根据权利要求1所述基于机器视觉的矿物铸件检测方法,其特征在于,所述根据任意一个方向射线上所有像素点的灰度均值和任意一个方向的反方向射线上所有像素点的灰度均值,得到任意一个方向和任意一个方向的反方向的重要度,包括的具体步骤如下:
式中,为第r个方向的方向射线上所有像素点的灰度值均值,记为第r个方向的方向射线上所有像素点的灰度均值,/>为第r+4个方向的方向射线上所有像素点的灰度值均值,记为第r个方向的反方向射线上所有像素点的灰度均值,/>为第r个方向和第r+4个方向的重要度,记为第r个方向和第r个方向的反方向的重要度。
8.根据权利要求1所述基于机器视觉的矿物铸件检测方法,其特征在于,所述根据任意一个方向和任意一个方向的反方向的重要度、任意一个方向的灰度曲线的平缓性以及任意一个方向的反方向的灰度曲线的平缓性,得到任意一个缺陷簇中任意一个连通域中像素点灰度值的平缓性,包括的具体步骤如下:
对于任意一个缺陷簇中任意一个连通域,式中,为第r个方向和第r+4个方向的重要度,/>为第r个方向的灰度曲线的平缓性,/>为第r+4个方向的灰度曲线的平缓性,记为第r个方向的反方向的灰度曲线的平缓性,/>为任意一个缺陷簇中任意一个连通域中像素点灰度值的平缓性。
9.根据权利要求1所述基于机器视觉的矿物铸件检测方法,其特征在于,所述根据缺陷簇中所有连通域中像素点灰度值的平缓性,得到最优K值,包括的具体步骤如下:
式中,为第k个缺陷簇中第j个连通域中像素点灰度值的平缓性,/>为第k个缺陷簇中连通域的总个数,/>为第k个缺陷簇的分割程度;
获取所有缺陷簇的分割程度,将所有缺陷簇的分割程度最小值对应的K值作为最优K值。
10.根据权利要求1所述基于机器视觉的矿物铸件检测方法,其特征在于,所述根据最优K值得到缺陷区域,包括的具体步骤如下:
利用最优K值对铸件灰度图像进行K-means聚类,得到若干聚类结果,将灰度均值最大的聚类结果所构成的区域作为气孔缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311322863.6A CN117078667B (zh) | 2023-10-13 | 2023-10-13 | 基于机器视觉的矿物铸件检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311322863.6A CN117078667B (zh) | 2023-10-13 | 2023-10-13 | 基于机器视觉的矿物铸件检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117078667A true CN117078667A (zh) | 2023-11-17 |
CN117078667B CN117078667B (zh) | 2024-01-09 |
Family
ID=88704552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311322863.6A Active CN117078667B (zh) | 2023-10-13 | 2023-10-13 | 基于机器视觉的矿物铸件检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117078667B (zh) |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0792104A (ja) * | 1993-09-27 | 1995-04-07 | Mec:Kk | 被検査物の不良個所検査方法 |
JP2008292398A (ja) * | 2007-05-28 | 2008-12-04 | Omron Corp | 部品電極の浮き不良の検査方法および基板検査装置 |
EP2109079A1 (fr) * | 2008-04-09 | 2009-10-14 | Peugeot Citroën Automobiles Société Anonyme | Procédé et système de caractérisation d'un défaut de surface d'une pièce |
US20090257646A1 (en) * | 2006-02-07 | 2009-10-15 | U-Seock Moon | Apparatus and method for detecting defects in wafer using line sensor camera |
CN105719266A (zh) * | 2014-12-02 | 2016-06-29 | 马鞍山森格电子科技有限公司 | 基于纹理特征聚类的磁瓦表面缺陷检测方法 |
CN109300102A (zh) * | 2017-07-21 | 2019-02-01 | 凌云光技术集团有限责任公司 | 一种针对pcb的缺陷检测方法 |
US20210150689A1 (en) * | 2019-11-14 | 2021-05-20 | Kingpak Technology Inc. | Defect inspection method for sensor package structure |
CN113538433A (zh) * | 2021-09-17 | 2021-10-22 | 海门市创睿机械有限公司 | 基于人工智能的机械铸件缺陷检测方法及系统 |
WO2022088096A1 (zh) * | 2020-10-30 | 2022-05-05 | 京东方科技集团股份有限公司 | 缺陷实际面积的检测方法、显示面板的检测方法及装置 |
CN115115613A (zh) * | 2022-07-26 | 2022-09-27 | 南通博莹机械铸造有限公司 | 基于机器视觉的喷漆缺陷检测方法及系统 |
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 |
CN115272322A (zh) * | 2022-09-28 | 2022-11-01 | 南通先端精密机械有限公司 | 一种基于数据处理的合金缺陷定量检测方法 |
CN115272332A (zh) * | 2022-09-29 | 2022-11-01 | 索日新能源科技(南通)有限公司 | 基于计算机视觉的光伏板蜗牛纹缺陷检测方法 |
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 |
CN115311290A (zh) * | 2022-10-12 | 2022-11-08 | 南通市通州区精华电器有限公司 | 一种精密仪器金属零部件缺陷检测方法 |
CN115351598A (zh) * | 2022-10-17 | 2022-11-18 | 南通钜德智能科技有限公司 | 一种数控机床轴承检测方法 |
CN115423813A (zh) * | 2022-11-05 | 2022-12-02 | 江苏惠汕新能源集团有限公司 | 焊管表面焊接缺陷检测方法 |
US20230132264A1 (en) * | 2021-10-22 | 2023-04-27 | Samsung Display Co., Ltd. | Method of testing display device |
WO2023077404A1 (zh) * | 2021-11-05 | 2023-05-11 | 宁德时代新能源科技股份有限公司 | 缺陷检测方法、装置和系统 |
CN116310360A (zh) * | 2023-05-18 | 2023-06-23 | 实德电气集团有限公司 | 一种电抗器表面缺陷检测方法 |
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 |
CN116703907A (zh) * | 2023-08-04 | 2023-09-05 | 合肥亚明汽车部件有限公司 | 一种基于机器视觉的汽车铸件表面缺陷检测方法 |
CN116721106A (zh) * | 2023-08-11 | 2023-09-08 | 山东明达圣昌铝业集团有限公司 | 一种基于图像处理的型材瑕疵视觉检测方法 |
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 |
-
2023
- 2023-10-13 CN CN202311322863.6A patent/CN117078667B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0792104A (ja) * | 1993-09-27 | 1995-04-07 | Mec:Kk | 被検査物の不良個所検査方法 |
US20090257646A1 (en) * | 2006-02-07 | 2009-10-15 | U-Seock Moon | Apparatus and method for detecting defects in wafer using line sensor camera |
JP2008292398A (ja) * | 2007-05-28 | 2008-12-04 | Omron Corp | 部品電極の浮き不良の検査方法および基板検査装置 |
EP2109079A1 (fr) * | 2008-04-09 | 2009-10-14 | Peugeot Citroën Automobiles Société Anonyme | Procédé et système de caractérisation d'un défaut de surface d'une pièce |
CN105719266A (zh) * | 2014-12-02 | 2016-06-29 | 马鞍山森格电子科技有限公司 | 基于纹理特征聚类的磁瓦表面缺陷检测方法 |
CN109300102A (zh) * | 2017-07-21 | 2019-02-01 | 凌云光技术集团有限责任公司 | 一种针对pcb的缺陷检测方法 |
US20210150689A1 (en) * | 2019-11-14 | 2021-05-20 | Kingpak Technology Inc. | Defect inspection method for sensor package structure |
WO2022088096A1 (zh) * | 2020-10-30 | 2022-05-05 | 京东方科技集团股份有限公司 | 缺陷实际面积的检测方法、显示面板的检测方法及装置 |
CN113538433A (zh) * | 2021-09-17 | 2021-10-22 | 海门市创睿机械有限公司 | 基于人工智能的机械铸件缺陷检测方法及系统 |
US20230132264A1 (en) * | 2021-10-22 | 2023-04-27 | Samsung Display Co., Ltd. | Method of testing display device |
WO2023077404A1 (zh) * | 2021-11-05 | 2023-05-11 | 宁德时代新能源科技股份有限公司 | 缺陷检测方法、装置和系统 |
CN115115613A (zh) * | 2022-07-26 | 2022-09-27 | 南通博莹机械铸造有限公司 | 基于机器视觉的喷漆缺陷检测方法及系统 |
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 |
CN115272322A (zh) * | 2022-09-28 | 2022-11-01 | 南通先端精密机械有限公司 | 一种基于数据处理的合金缺陷定量检测方法 |
CN115272332A (zh) * | 2022-09-29 | 2022-11-01 | 索日新能源科技(南通)有限公司 | 基于计算机视觉的光伏板蜗牛纹缺陷检测方法 |
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 |
CN115311290A (zh) * | 2022-10-12 | 2022-11-08 | 南通市通州区精华电器有限公司 | 一种精密仪器金属零部件缺陷检测方法 |
CN115351598A (zh) * | 2022-10-17 | 2022-11-18 | 南通钜德智能科技有限公司 | 一种数控机床轴承检测方法 |
CN115423813A (zh) * | 2022-11-05 | 2022-12-02 | 江苏惠汕新能源集团有限公司 | 焊管表面焊接缺陷检测方法 |
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 |
CN116310360A (zh) * | 2023-05-18 | 2023-06-23 | 实德电气集团有限公司 | 一种电抗器表面缺陷检测方法 |
CN116703907A (zh) * | 2023-08-04 | 2023-09-05 | 合肥亚明汽车部件有限公司 | 一种基于机器视觉的汽车铸件表面缺陷检测方法 |
CN116721106A (zh) * | 2023-08-11 | 2023-09-08 | 山东明达圣昌铝业集团有限公司 | 一种基于图像处理的型材瑕疵视觉检测方法 |
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 (5)
Title |
---|
王东;黎万义;孙佳;郝高明;王鹏;: "基于机器视觉的微小零件表面缺陷检测研究", 应用科技, no. 04 * |
罗文亮;倪晋平;马鸣;陈登峰;: "基于灰度阈值分割的锥体零件缺陷识别算法", 西安工业大学学报, no. 01 * |
董家顺;王兴东;李殿杰;汤勃;李震;: "基于改进K-means算法的钢管表面缺陷视觉检测方法", 武汉科技大学学报, no. 06 * |
郑晓玲;: "基于机器视觉的铝铸件表面缺陷自动识别技术", 黎明职业大学学报, no. 03 * |
郑晓玲;刘斌;: "采用机器视觉的铝压铸件表面缺陷检测", 华侨大学学报(自然科学版), no. 02 * |
Also Published As
Publication number | Publication date |
---|---|
CN117078667B (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
CN113538429B (zh) | 基于图像处理的机械零件表面缺陷检测方法 | |
CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN105046252B (zh) | 一种人民币冠字码识别方法 | |
CN114862862A (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
CN110648310B (zh) | 基于注意力机制的弱监督铸件缺陷识别方法 | |
CN115351598A (zh) | 一种数控机床轴承检测方法 | |
CN115147409B (zh) | 基于机器视觉的手机壳生产品质检测方法 | |
CN113888536B (zh) | 一种基于计算机视觉的印刷品重影检测方法及系统 | |
CN112767369A (zh) | 小五金的缺陷识别检测方法、装置及计算机可读存储介质 | |
CN114897896B (zh) | 基于灰度变换的建筑木材缺陷检测方法 | |
CN112037219A (zh) | 一种基于两阶段卷积神经网络的金属表面缺陷检测方法 | |
CN115331119B (zh) | 一种固体废弃物识别方法 | |
CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
CN114723705A (zh) | 一种基于图像处理的布匹瑕疵的检测方法 | |
CN115082719B (zh) | 一种木材质量分级方法 | |
CN109359604B (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
CN116703251B (zh) | 基于人工智能的胶圈生产质量检测方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN111738931B (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
CN114332086B (zh) | 基于风格迁移和人工智能的纺织品缺陷检测方法及系统 | |
CN110516527B (zh) | 一种基于实例分割的视觉slam回环检测改进方法 | |
CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
CN117078667B (zh) | 基于机器视觉的矿物铸件检测方法 | |
CN115841600B (zh) | 基于深度学习的甘薯外观品质分类方法 |
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 |