CN117132602B - 一种离心泵叶轮缺陷视觉检测方法 - Google Patents
一种离心泵叶轮缺陷视觉检测方法 Download PDFInfo
- Publication number
- CN117132602B CN117132602B CN202311404272.3A CN202311404272A CN117132602B CN 117132602 B CN117132602 B CN 117132602B CN 202311404272 A CN202311404272 A CN 202311404272A CN 117132602 B CN117132602 B CN 117132602B
- Authority
- CN
- China
- Prior art keywords
- peak
- value
- gray
- expansion
- surface image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 title claims description 34
- 238000011179 visual inspection Methods 0.000 title claims description 9
- 230000011218 segmentation Effects 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 238000004891 communication Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 10
- 230000007480 spreading Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 2
- 238000005299 abrasion Methods 0.000 description 8
- 239000012535 impurity Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction 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
-
- 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
- G06T7/136—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种离心泵叶轮缺陷视觉检测方法,包括:获取叶轮表面图像;获取初始阈值最大值;获取叶轮表面图像的灰度直方图上的每个峰;获取各个灰度值作为初始阈值最小值的可能性;获取每个峰表示裂缝区域的可能性;获取每个峰的扩展次数以及每个峰的每次扩展区域,获取每个峰每次扩展时在叶轮表面图像中增加的每个像素点的扩展方向,进而得到每个峰表示裂缝区域的最终可能性;获取各个灰度值作为初始阈值最小值的最终可能性,得到初始阈值最小值;根据初始阈值最大值以及最小值,得到初始阈值,完成对裂缝区域的分割,本发明能够分割出准确的裂缝区域。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种离心泵叶轮缺陷视觉检测方法。
背景技术
离心泵叶轮是离心泵的核心部件之一,即其通过旋转产生离心力进行液体的输送或压送,所以离心泵叶轮的质量直接影响着离心泵的性能,而在实际中由于叶轮的长期旋转,导致其表面在旋转产生的应力影响下而形成疲劳裂纹,使得离心泵的性能下降或者失效。所以在实际需要对离心泵叶轮的疲劳裂纹进行检测。
对于叶轮表面裂缝区域首先表现为与正常区域的灰度差异,所以在实际中可根据灰度表现进行裂缝分割,比如现有的迭代阈值分割。但是现有的迭代阈值分割的分割速率以及分割效果受初始阈值的影响较大,而当前叶轮表面存在的磨损或者粘附杂质等对初始阈值最大值以及最小灰度值的选择产生较大的影响,导致无法获得准确的初始阈值,从而使得裂缝区域的分割效果不佳。
发明内容
为了解决上述问题,本发明提供一种离心泵叶轮缺陷视觉检测方法。
本发明的一种离心泵叶轮缺陷视觉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离心泵叶轮缺陷视觉检测方法,该方法包括以下步骤:
获取叶轮表面图像;
根据叶轮表面图像中所有像素点的灰度值,获取初始阈值最大值;获取叶轮表面图像的灰度直方图上的每个峰;获取各个灰度值作为初始阈值最小值的可能性;
获取每个峰表示裂缝区域的可能性;获取每个峰的扩展次数以及每个峰的每次扩展区域;获取每个峰每次扩展时在叶轮表面图像中增加的每个像素点的扩展方向;根据每个峰表示裂缝区域的可能性、每个峰的扩展次数、每个峰的每次扩展区域以及每个峰每次扩展时在叶轮表面图像中增加的每个像素点的扩展方向,获取每个峰表示裂缝区域的最终可能性;
根据每个峰表示裂缝区域的最终可能性以及各个灰度值作为初始阈值最小值的可能性,获取各个灰度值作为初始阈值最小值的最终可能性,将初始阈值最小值的最终可能性最大时所对应的灰度值作为初始阈值最小值;
根据初始阈值最大值以及最小值,完成对裂缝区域的分割。
优选的,所述根据叶轮表面图像中所有像素点的灰度值,获取初始阈值最大值,包括的具体步骤如下:
将叶轮表面图像中的所有像素点的最大灰度值作为初始阈值最大值。
优选的,所述获取叶轮表面图像的灰度直方图上的每个峰,包括的具体步骤如下:
预设差异阈值,获取各个灰度值在叶轮表面图像中的像素点数量,以各个灰度值为横坐标、各个灰度值在叶轮表面图像中的像素数量为纵坐标,绘制出灰度直方图,获取灰度直方图中的极大值点,从极大值点出发对灰度直方图的两侧的各个点进行扩展,当相邻两个点的纵坐标差值的绝对值大于差异阈值时停止扩展,得到一个峰,接着在排除掉获得的峰之外的灰度直方图中获取极大值点,从极大值点出发对灰度直方图的两侧的各个点进行扩展,当相邻两个点的纵坐标差异的绝对值大于差异阈值时停止扩展,得到另一个峰,以此类推,直至灰度直方图中的各个点扩展完时停止,得到了各个峰。
优选的,所述获取各个灰度值作为初始阈值最小值的可能性,包括的具体步骤如下:
对于叶轮表面图像的灰度直方图中的第个灰度值,式中,/>表示第/>个灰度值所属的峰包括的灰度值个数;/>表示第/>个灰度值所属的峰的极值点与灰度直方图中最左侧的非零灰度值的差值绝对值;/>表示第/>个灰度值;/>表示第/>个灰度值作为初始阈值最小值的可能性;/>为归一化函数。
优选的,所述获取每个峰表示裂缝区域的可能性,包括的具体步骤如下:
获取每个像素点的旋转方向,将每个连通区域中所有像素点的旋转方向均值,作为每个连通区域的旋转方向;
式中,代表第/>个峰表示裂缝区域的可能性;/>代表第/>个峰对应的灰度值在叶轮表面图像中形成的连通区域数量;/>代表第/>个峰对应的灰度值在叶轮表面图像中形成的所有连通区域的面积均值;/>代表第/>个峰对应的灰度值在叶轮表面图像中形成的第/>个连通区域的面积;
获取第个峰对应的灰度值在叶轮表面图像中形成的第/>个连通区域,该连通区域在其旋转方向上的最大长度,记为/>;获取第/>个峰对应的灰度值在叶轮表面图像中形成的第/>个连通区域,该连通区域在其旋转方向的垂直方向上的最大长度,记为/>。
优选的,所述获取每个峰的扩展次数以及每个峰的每次扩展区域,包括的具体步骤如下:
预设个数阈值,获取第/>个峰的峰值点,以第/>个峰的峰值点对应的灰度值向第/>个峰的两侧分别扩展/>个灰度值,得到第一次扩展区域;以第一次扩展区域两侧对应的两个灰度值向第/>个峰的两侧接着扩展/>个灰度值,得到第二次扩展区域,以此类推,直至第/>个峰对应的所有灰度值均被扩展完为止,得到第/>个峰的扩展次数以及第/>个峰的每次扩展区域。
优选的,所述获取每个峰每次扩展时在叶轮表面图像中增加的每个像素点的扩展方向,包括的具体步骤如下:
获取第个峰第/>次扩展之前的所有扩展区域在叶轮表面图像中对应连通区域的质心,获取第/>个峰第/>次扩展区域在叶轮表面图像中增加的第/>个像素点到各个所述连通区域的质心的距离,将最短距离所对应的连通区域的质心指向第/>个峰第/>次扩展区域在叶轮表面图像中增加的第/>个像素点的方向,作为第/>个峰第/>次扩展时在叶轮表面图像中增加的第/>个像素点的扩展方向,得到每个峰每次扩展时在叶轮表面图像中增加的每个像素点的扩展方向。
优选的,所述获取每个峰表示裂缝区域的最终可能性,包括的具体步骤如下:
式中,代表第/>个峰表示裂缝区域的最终可能性;/>代表第/>个峰表示裂缝区域的可能性;/>代表第/>个峰的扩展次数;
第次扩展区域与叶轮表面图像的灰度直方图所围成的面积作为第/>个峰的第/>次扩展区域面积大小,记为/>;/>代表第/>个峰的第/>次扩展之前的所有次扩展区域与的面积之和;/>代表第/>个峰第/>次扩展所增加的像素点数量;/>表示第/>个峰第/>次扩展时在叶轮表面图像中增加的第/>个像素点的扩展方向;/>表示第/>个峰第/>次扩展时在叶轮表面图像中增加的第/>个像素点的旋转方向的垂直方向。
优选的,所述获取各个灰度值作为初始阈值最小值的最终可能性,包括的具体步骤如下:
式中,代表第/>个灰度值作为初始阈值最小值的最终可能性;/>代表第/>个灰度值作为初始阈值最小值的可能性;/>代表第/>个灰度值所属的峰表示裂缝区域的最终可能性。
优选的,所述根据初始阈值最大值以及最小值,完成对裂缝区域的分割,包括的具体步骤如下:
将初始阈值最大值以及最小灰度值的均值作为初始阈值,使用迭代阈值分割算法,对叶轮表面图像中的裂缝区域进行分割,得到裂缝区域。
本发明的技术方案的有益效果是:本发明将叶轮表面图像中的所有像素点的最大灰度值作为初始阈值最大值,使得初始阈值最大值能够代表叶轮表面图像中正常区域的灰度表现,接着根据叶轮表面图像的灰度直方图上的每个峰得到各个灰度值作为初始阈值最小值的可能性,再根据每个峰表示裂缝区域的可能性、每个峰的扩展次数、每个峰的每次扩展区域以及每个峰每次扩展时在叶轮表面图像中增加的每个像素点的扩展方向,获取每个峰表示裂缝区域的最终可能性;根据每个峰表示裂缝区域的最终可能性以及各个灰度值作为初始阈值最小值的可能性,获取各个灰度值作为初始阈值最小值的最终可能性,将初始阈值最小值的最终可能性最大时所对应的灰度值作为初始阈值最小值,使得初始阈值最小值能够代表叶轮表面图像中裂缝区域的灰度表现,避免了磨损或者粘附杂质等干扰区域对初始阈值的影响,根据获取的初始阈值最大值以及最小灰度值,从而获得更加准确的初始阈值,便于进行高效的裂缝区域分割,得到的裂缝区域更加准确。
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为本发明的一种离心泵叶轮缺陷视觉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一种离心泵叶轮缺陷视觉检测方法,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离心泵叶轮缺陷视觉检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种离心泵叶轮缺陷视觉检测方法的步骤流程图,该方法包括以下步骤:
S001.获取叶轮表面图像。
需要说明的是,在离心泵体的侧面安装相机,相机配套补光灯,对叶轮进行全方位的拍摄,相机由检测中心控制,定期发送指令对停止的叶轮进行拍摄,得到叶轮表面彩色图像,将拍摄的叶轮表面彩色图像,首先利用语义分割获得叶轮区域图像,为了便于后续分析,对叶轮区域图像进行灰度化处理,记为叶轮表面图像。
S002.根据叶轮表面图像,获取初始阈值最大值,获取叶轮表面图像的灰度直方图的各个峰,进而得到各个灰度值作为初始阈值最小值的可能性。
需要说明的是,对于叶轮表面图像的裂缝区域来说,其与叶轮表面图像中的正常区域存在着灰度差异,所以可以根据灰度差异特征对裂缝区域进行分割,比如现有的迭代阈值分割算法,已知现有的迭代阈值分割算法通过设置初始阈值对叶轮图像中的像素点进行迭代分割,而常规的初始阈值的为叶轮图像中的最大灰度值与最小灰度值的均值,其原理是利用最大灰度值与最小灰度值代表正常区域与裂缝区域的灰度表现,因此当初始阈值最大值与最小灰度值对正常区域与裂缝区域的灰度表现程度越高时,迭代速度越快,迭代分割效果越好,但是叶轮表面图像中可能存在着磨损或者粘附杂质等干扰区域,因此选择的叶轮表面图像中的最大灰度值与最小灰度值有可能代表的是干扰区域的灰度表现,即不具有裂缝区域与正常区域的灰度表现,导致无法获得准确的初始阈值,从而使得裂缝区域的分割效果不佳。因此本发明实施例中,需要获取能够代表裂缝区域灰度的最小灰度值以及代表正常区域的最大灰度值,作为初始阈值最小值以及初始阈值最大值,从而得到准确的初始阈值。
需要进一步说明的是,叶轮表面图像中的大部分区域为正常区域,并且正常区域的灰度值相比磨损或者粘附杂质等干扰区域的灰度值的较大,并且存在着较大的灰度差异,因此在本发明实施例中,将叶轮表面图像中所有像素点的最大灰度值作为初始阈值最大值。
需要说明的是,对于叶轮表面图像的灰度分布主要为正常区域、磨损或者粘附杂质的干扰区域以及裂缝区域,因此在叶轮表面图像中,裂缝区域具有较低的灰度表现,当灰度值越小时,灰度值越有可能能够代表裂缝区域的灰度表现,已知在叶轮表面图像中裂缝区域的灰度值与正常区域存在差异,因此在叶轮表面图像的灰度直方图中,其越靠近灰度直方图左侧的峰中的灰度值能够表示裂缝区域灰度值的可能性越大,又由于叶轮表面图像中裂缝区域属于突变,所以裂缝区域的灰度值较少,所以在灰度直方图中的形成的峰的宽度较小时,该峰中的灰度值表示裂缝区域灰度值的可能性越大,因此在叶轮表面图像的灰度直方图中,靠近灰度直方图左侧的峰,并且峰的宽度越小时,该峰中的各个灰度值越有可能为初始阈值最小值,因此首先需要获取叶轮表面图像的灰度直方图,进而得到灰度直方图的各个峰,再根据灰度直方图的各个峰的宽度以及其靠近灰度直方图左侧的程度,获取各个灰度值作为初始阈值最小值的可能性。
在本发明实施例中,预设差异阈值,统计出各个灰度值在叶轮表面图像中的像素点数量,以各个灰度值为横坐标、各个灰度值在叶轮表面图像中的像素数量为纵坐标,绘制出灰度直方图,获取灰度直方图中的极大值点,从极大值点出发对灰度直方图的两侧的各个点进行扩展,当相邻两个点的纵坐标差值的绝对值大于差异阈值时停止扩展,得到一个峰,接着在排除掉获得的峰之外的灰度直方图中获取极大值点,从极大值点出发对灰度直方图的两侧的各个点进行扩展,当相邻两个点的纵坐标差异的绝对值大于差异阈值时停止扩展,得到了另一个峰,以此类推,直至灰度直方图中的各个点扩展完时停止,得到了各个峰。在本发明实施例中,设置差异阈值/>,在其他实施例中,实施人员可根据具体实施情况设置/>的值。
对于叶轮表面图像的灰度直方图中的每个灰度值,获取各个灰度值作为初始阈值最小值的可能性:
式中,表示第/>个灰度值所属的峰包括的灰度值个数,当第/>个灰度值所属的峰包括的灰度值个数越小,即第/>个灰度值所属的峰的宽度越小时,第/>个灰度值为初始阈值最小值的可能性越大;/>表示第/>个灰度值所属的峰的极值点与灰度直方图中最左侧的非零灰度值的差值绝对值,其值越小时,说明第/>个灰度值所属的峰越靠近灰度直方图的左侧越有可能代表裂缝区域的灰度表现,则第/>个灰度值为初始阈值最小值的可能性较大;/>表示第/>个灰度值;/>表示第/>个灰度值作为初始阈值最小值的可能性,当第/>个灰度值越小,第/>个灰度值所属的峰越靠近灰度直方图左侧且宽度越小时,第/>个灰度值为初始阈值最小值的可能性越大。
至此,根据叶轮表面图像的灰度直方图,获取了灰度直方图的各个峰,再根据灰度直方图的各个峰的宽度以及其靠近灰度直方图左侧的程度,获取各个灰度值作为初始阈值最小值的可能性。
S003.根据灰度直方图的各个峰以及每个像素点的旋转方向,获取各个峰表示裂缝区域的可能性。
需要说明的是,上述步骤S002根据叶轮表面图像的灰度直方图,确定各个灰度值作为初始阈值最小值的可能性,但是实际的叶轮表面图像可能受磨损或者粘附杂质等干扰区域的影响,使得获取的各个灰度值作为初始阈值最小值的可能性不准确,会存在磨损或者粘附杂质等干扰区域的灰度值为初始阈值对应最小灰度值的可能性也较大的现象,对裂缝区域的灰度表现造成干扰,叶轮表面图像中的裂缝区域主要分布在叶轮旋转方向的垂直方向上,所以在叶轮表面图像中,当任意峰对应的灰度值在叶轮表面图像中形成连通区域在叶轮旋转方向上的长度越长时,且在叶轮旋转方向的垂直方向上的长度越短时,说明该峰表示裂缝区域的可能性越大,又由于叶轮的破裂或断裂,形成的裂缝区域可能是一些面积离散的区域,当任意峰对应的灰度值在叶轮表面图像中形成的任一连通区域的面积与所有连通区域的面积均值的比值越大时,说明该峰表示裂缝区域的可能性越大,因此结合上述特征获取各个峰表示裂缝区域的可能性。
在本发明实施例中,获取每个像素点的旋转方向,需要说明的是,每个像素点的旋转方向与该像素点所在的旋转半径方向垂直,将每个连通区域中所有像素点的旋转方向均值,作为每个连通区域的旋转方向。需要说明的是,连通区域的旋转方向代表的也是叶轮旋转方向。
获取每个峰表示裂缝区域的可能性:
式中,代表第/>个峰表示裂缝区域的可能性;/>代表第/>个峰对应的灰度值在叶轮表面图像中形成的连通区域数量;/>代表第/>个峰对应的灰度值在叶轮表面图像中形成的所有连通区域的面积均值;/>代表第/>个峰对应的灰度值在叶轮表面图像中形成的第/>个连通区域的面积;当任意峰对应的灰度值在叶轮表面图像中形成的连通区域的面积与所有连通区域的面积均值的比值越大时,说明该峰表示裂缝区域的可能性越大;获取第/>个峰对应的灰度值在叶轮表面图像中形成的第/>个连通区域,该连通区域在其旋转方向上的最大长度,记为/>;获取第/>个峰对应的灰度值在叶轮表面图像中形成的第/>个连通区域,将该连通区域在其旋转方向的垂直方向上的最大长度,记为/>;/>的值越大,说明第/>个峰表示裂缝区域的可能性越大;/>取值越大时,说明第/>个峰表示裂缝区域的可能性越大。
至此,根据灰度直方图的各个峰以及每个像素点的旋转方向,获取各个峰表示裂缝区域的可能性。
S004.获取各个峰表示裂缝区域的最终可能性。
需要说明的是,已知叶轮表面图像中的裂缝区域的灰度值分布比较均匀,因此当灰度直方图中的任一峰表示裂缝区域的灰度分布时,该峰的峰值点的纵坐标与峰值点周围的其他点的纵坐标的差异较大,因此从任意峰的峰值开始,对该峰的左右两边的灰度值依次进行扩展,并得到扩展区域,当每次扩展区域的面积相较于该次扩展前所有扩展区域的面积的变化越小时,说明该峰表示裂缝区域的可能性越大,又由于叶轮表面图像中的裂缝区域的灰度值具有突变特点,即裂缝区域的灰度值在沿裂缝延伸的方向上的具有渐变特点,因此从任意峰的峰值开始,对该峰的左右两边的灰度值依次进行扩展,当每次扩展的灰度值在叶轮表面图像中增加的各个像素点的扩展方向与各个像素点的旋转方向的垂直方向的夹角越小时,说明该峰表示裂缝区域的可能性越大,因此根据每次扩展区域的面积变化和每次扩展的灰度值在叶轮表面图像中增加的各个像素点的扩展方向,对每个峰表示裂缝区域的可能性进行修正,获取每个峰表示裂缝区域的最终可能性。
在本发明实施例中,获取每个峰的扩展次数以及每个峰的每次扩展区域:预设个数阈值,获取第/>个峰的峰值点,以第/>个峰的峰值点对应的灰度值向第/>个峰的两侧分别扩展/>个灰度值,得到第一次扩展区域;以第一次扩展区域两侧对应的两个灰度值向第/>个峰的两侧接着扩展/>个灰度值,得到第二次扩展区域,以此类推,直至第/>个峰对应的所有灰度值均被扩展完为止,得到第/>个峰的扩展次数以及第/>个峰的每次扩展区域,在本发明实施例中,预设个数阈值/>,在其他实施例中,实施人员可根据具体实施情况设置/>的值。
例如:第个峰的峰值点对应的灰度值为/>,则第/>个峰的第一次扩展区域为,第二次扩展区域为/>以及/>。
获取每个峰每次扩展时在叶轮表面图像中增加的每个像素点的扩展方向:获取第个峰第/>次扩展之前的所有扩展区域在叶轮表面图像中对应连通区域的质心,获取第/>个峰第/>次扩展区域在叶轮表面图像中增加的第/>个像素点到所述各个连通区域的质心的距离,将最短距离所对应的连通区域的质心指向第/>个峰第/>次扩展区域在叶轮表面图像中增加的第/>个像素点的方向,作为第/>个峰第/>次扩展时在叶轮表面图像中增加的第/>个像素点的扩展方向,得到了每个峰每次扩展时在叶轮表面图像中增加的每个像素点的扩展方向。
获取每个峰表示裂缝区域的最终可能性:
式中,代表第/>个峰表示裂缝区域的最终可能性;/>代表第/>个峰表示裂缝区域的可能性;/>代表第/>个峰的扩展次数;第/>次扩展区域与叶轮表面图像的灰度直方图所围成的面积作为第/>个峰的第/>次扩展区域面积大小,记为/>;/>代表第/>个峰的第/>次扩展之前的所有次扩展区域与的面积之和为;/>表示第/>个峰的第/>次扩展区域面积与第/>次扩展之前的所有次扩展区域的面积之比,当第/>个峰的每次扩展的扩展区域面积变化越小,说明第/>个峰表示裂缝的可能性越大;/>代表第/>个峰第/>次扩展所对应的像素点数量;/>表示第/>个峰第/>次扩展时在叶轮表面图像中增加的第/>个像素点的扩展方向;/>表示第/>个峰第/>次扩展时在叶轮表面图像中增加的第/>个像素点的旋转方向的垂直方向;/>代表像素点的扩展方向与像素点旋转方向的垂直方向的夹角,当第/>个峰的每次扩展在叶轮表面图像中增加的每个像素点的扩展方向与旋转方向的垂直方向的夹角越小时,说明第/>个峰表示裂缝的可能性最大;/>的值越大时,说明第/>个峰表示裂缝区域的最终可能性越大。
至此,得到了每个峰表示裂缝区域的最终可能性。
S005.根据各个峰表示裂缝区域的最终可能性以及各个灰度值作为初始阈值最小值的可能性,获取初始阈值最小值。
需要说明的是,已知叶轮表面图像可能受磨损或者粘附杂质等干扰区域的影响,使得获取的各个灰度值作为初始阈值最小值的可能性不准确,会存在磨损或者粘附杂质等干扰区域的灰度值为初始阈值对应最小灰度值的可能性也较大的现象,对裂缝区域的灰度表现造成干扰,因此需要结合每个峰表示裂缝区域的最终可能性,获取各个灰度值作为初始阈值最小值的最终可能性。
在本发明实施例中,获取各个灰度值作为初始阈值最小值的最终可能性:
式中,代表第/>个灰度值作为初始阈值最小值的最终可能性;/>代表第/>个灰度值作为初始阈值最小值的可能性;/>代表第/>个灰度值所属的峰表示裂缝区域的最终可能性;当第/>个灰度值作为初始阈值最小值的可能性越大,并且第/>个灰度值所属的峰表示裂缝区域的最终可能性越大,说明第/>个灰度值越有可能作为初始阈值最小值。
获取最大时的灰度值作为初始阈值最小值。
S006.根据初始阈值最大值以及最小灰度值,完成裂缝区域的分割。
在本发明实施例中,将初始阈值最大值以及最小灰度值的均值作为初始阈值,使用现有的迭代阈值分割算法,对叶轮表面图像中的裂缝区域进行分割,得到裂缝区域。
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 (5)
1.一种离心泵叶轮缺陷视觉检测方法,其特征在于,该方法包括以下步骤:
获取叶轮表面图像;
根据叶轮表面图像中所有像素点的灰度值,获取初始阈值最大值;获取叶轮表面图像的灰度直方图上的每个峰;获取各个灰度值作为初始阈值最小值的可能性;
获取每个峰表示裂缝区域的可能性;获取每个峰的扩展次数以及每个峰的每次扩展区域;获取每个峰每次扩展时在叶轮表面图像中增加的每个像素点的扩展方向;根据每个峰表示裂缝区域的可能性、每个峰的扩展次数、每个峰的每次扩展区域以及每个峰每次扩展时在叶轮表面图像中增加的每个像素点的扩展方向,获取每个峰表示裂缝区域的最终可能性;
根据每个峰表示裂缝区域的最终可能性以及各个灰度值作为初始阈值最小值的可能性,获取各个灰度值作为初始阈值最小值的最终可能性,将初始阈值最小值的最终可能性最大时所对应的灰度值作为初始阈值最小值;
根据初始阈值最大值以及最小值,完成对裂缝区域的分割;
所述获取叶轮表面图像的灰度直方图上的每个峰,包括的具体步骤如下:
预设差异阈值,获取各个灰度值在叶轮表面图像中的像素点数量,以各个灰度值为横坐标、各个灰度值在叶轮表面图像中的像素数量为纵坐标,绘制出灰度直方图,获取灰度直方图中的极大值点,从极大值点出发对灰度直方图的两侧的各个点进行扩展,当相邻两个点的纵坐标差值的绝对值大于差异阈值时停止扩展,得到一个峰,接着在排除掉获得的峰之外的灰度直方图中获取极大值点,从极大值点出发对灰度直方图的两侧的各个点进行扩展,当相邻两个点的纵坐标差异的绝对值大于差异阈值时停止扩展,得到另一个峰,以此类推,直至灰度直方图中的各个点扩展完时停止,得到了各个峰;
所述获取各个灰度值作为初始阈值最小值的可能性,包括的具体步骤如下:
对于叶轮表面图像的灰度直方图中的第个灰度值,式中,/>表示第/>个灰度值所属的峰包括的灰度值个数;/>表示第/>个灰度值所属的峰的极值点与灰度直方图中最左侧的非零灰度值的差值绝对值;/>表示第/>个灰度值;/>表示第/>个灰度值作为初始阈值最小值的可能性;/>为归一化函数;
所述获取每个峰表示裂缝区域的可能性,包括的具体步骤如下:
获取每个像素点的旋转方向,将每个连通区域中所有像素点的旋转方向均值,作为每个连通区域的旋转方向;
式中,代表第/>个峰表示裂缝区域的可能性;/>代表第/>个峰对应的灰度值在叶轮表面图像中形成的连通区域数量;/>代表第/>个峰对应的灰度值在叶轮表面图像中形成的所有连通区域的面积均值;/>代表第/>个峰对应的灰度值在叶轮表面图像中形成的第/>个连通区域的面积;
获取第个峰对应的灰度值在叶轮表面图像中形成的第/>个连通区域,该连通区域在其旋转方向上的最大长度,记为/>;
第/>个峰对应的灰度值在叶轮表面图像中形成的第/>个连通区域,该连通区域在其旋转方向的垂直方向上的最大长度,记为/>;
所述获取每个峰表示裂缝区域的最终可能性,包括的具体步骤如下:
式中,代表第/>个峰表示裂缝区域的最终可能性;/>代表第/>个峰表示裂缝区域的可能性;/>代表第/>个峰的扩展次数;
第次扩展区域与叶轮表面图像的灰度直方图所围成的面积作为第/>个峰的第/>次扩展区域面积大小,记为/>;/>代表第/>个峰的第/>次扩展之前的所有次扩展区域与的面积之和;/>代表第/>个峰第/>次扩展所增加的像素点数量;/>表示第/>个峰第/>次扩展时在叶轮表面图像中增加的第/>个像素点的扩展方向;/>表示第/>个峰第/>次扩展时在叶轮表面图像中增加的第/>个像素点的旋转方向的垂直方向;
所述获取各个灰度值作为初始阈值最小值的最终可能性,包括的具体步骤如下:
式中,代表第/>个灰度值作为初始阈值最小值的最终可能性;/>代表第/>个灰度值作为初始阈值最小值的可能性;/>代表第/>个灰度值所属的峰表示裂缝区域的最终可能性。
2.根据权利要求1所述的一种离心泵叶轮缺陷视觉检测方法,其特征在于,所述根据叶轮表面图像中所有像素点的灰度值,获取初始阈值最大值,包括的具体步骤如下:
将叶轮表面图像中的所有像素点的最大灰度值作为初始阈值最大值。
3.根据权利要求1所述的一种离心泵叶轮缺陷视觉检测方法,其特征在于,所述获取每个峰的扩展次数以及每个峰的每次扩展区域,包括的具体步骤如下:
预设个数阈值,获取第/>个峰的峰值点,以第/>个峰的峰值点对应的灰度值向第/>个峰的两侧分别扩展/>个灰度值,得到第一次扩展区域;以第一次扩展区域两侧对应的两个灰度值向第/>个峰的两侧接着扩展/>个灰度值,得到第二次扩展区域,以此类推,直至第/>个峰对应的所有灰度值均被扩展完为止,得到第/>个峰的扩展次数以及第/>个峰的每次扩展区域。
4.根据权利要求1所述的一种离心泵叶轮缺陷视觉检测方法,其特征在于,所述获取每个峰每次扩展时在叶轮表面图像中增加的每个像素点的扩展方向,包括的具体步骤如下:
获取第个峰第/>次扩展之前的所有扩展区域在叶轮表面图像中对应连通区域的质心,获取第/>个峰第/>次扩展区域在叶轮表面图像中增加的第/>个像素点到各个所述连通区域的质心的距离,将最短距离所对应的连通区域的质心指向第/>个峰第/>次扩展区域在叶轮表面图像中增加的第/>个像素点的方向,作为第/>个峰第/>次扩展时在叶轮表面图像中增加的第/>个像素点的扩展方向,得到每个峰每次扩展时在叶轮表面图像中增加的每个像素点的扩展方向。
5.根据权利要求1所述的一种离心泵叶轮缺陷视觉检测方法,其特征在于,所述根据初始阈值最大值以及最小值,完成对裂缝区域的分割,包括的具体步骤如下:
将初始阈值最大值以及最小灰度值的均值作为初始阈值,使用迭代阈值分割算法,对叶轮表面图像中的裂缝区域进行分割,得到裂缝区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311404272.3A CN117132602B (zh) | 2023-10-27 | 2023-10-27 | 一种离心泵叶轮缺陷视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311404272.3A CN117132602B (zh) | 2023-10-27 | 2023-10-27 | 一种离心泵叶轮缺陷视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117132602A CN117132602A (zh) | 2023-11-28 |
CN117132602B true CN117132602B (zh) | 2024-01-02 |
Family
ID=88853100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311404272.3A Active CN117132602B (zh) | 2023-10-27 | 2023-10-27 | 一种离心泵叶轮缺陷视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117132602B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117333503B (zh) * | 2023-11-30 | 2024-02-09 | 青岛合丰新材料有限公司 | 基于图像特征分析的塑料母粒检测方法 |
CN117393116B (zh) * | 2023-12-12 | 2024-03-15 | 中国人民解放军空军军医大学 | 一种便携式dr设备的医疗影像数据传输系统及方法 |
CN117437247B (zh) * | 2023-12-18 | 2024-03-05 | 津泰(天津)医疗器械有限公司 | 一种基于自然腔道影像的病变区域提取分割方法 |
CN117593294B (zh) * | 2024-01-18 | 2024-04-09 | 中化学西部新材料有限公司 | 基于图像特征分析的离心风机风叶裂纹视觉检测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000258137A (ja) * | 1999-03-10 | 2000-09-22 | Nec Corp | 電子部品の外観検査方法、外観検査装置及び外観検査処理をコンピュータに実現させるためのプログラムを記録した記録媒体 |
JP2012002531A (ja) * | 2010-06-14 | 2012-01-05 | Taisei Corp | ひび割れ検出方法 |
CN105389793A (zh) * | 2015-10-14 | 2016-03-09 | 北京智博联科技股份有限公司 | 一种自动识别物体表面裂缝走向及宽度的方法 |
CN105574888A (zh) * | 2016-03-01 | 2016-05-11 | 浙江工业大学 | 基于灰度峰值的裂缝位置查找方法 |
CN108662978A (zh) * | 2018-04-04 | 2018-10-16 | 河北工业大学 | 一种非连续变形测量方法 |
CN110378879A (zh) * | 2019-06-26 | 2019-10-25 | 杭州电子科技大学 | 一种桥梁裂缝检测方法 |
CN113916894A (zh) * | 2021-10-08 | 2022-01-11 | 福州大学 | 基于量子鸽群峰谷区间分割的铜冲压件表面裂缝检测方法 |
CN113935992A (zh) * | 2021-12-15 | 2022-01-14 | 武汉和众成设备工贸有限公司 | 基于图像处理的抗油污干扰的齿轮裂纹检测方法与系统 |
CN114418957A (zh) * | 2021-12-24 | 2022-04-29 | 广州大学 | 基于机器人视觉的全局和局部二值模式图像裂缝分割方法 |
CN114972326A (zh) * | 2022-07-20 | 2022-08-30 | 南通鼎彩新材料科技有限公司 | 热收缩管扩管工艺的次品识别方法 |
CN115294099A (zh) * | 2022-09-26 | 2022-11-04 | 南通宝丽金属科技有限公司 | 一种钢板轧制过程发纹缺陷的检测方法及系统 |
-
2023
- 2023-10-27 CN CN202311404272.3A patent/CN117132602B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000258137A (ja) * | 1999-03-10 | 2000-09-22 | Nec Corp | 電子部品の外観検査方法、外観検査装置及び外観検査処理をコンピュータに実現させるためのプログラムを記録した記録媒体 |
JP2012002531A (ja) * | 2010-06-14 | 2012-01-05 | Taisei Corp | ひび割れ検出方法 |
CN105389793A (zh) * | 2015-10-14 | 2016-03-09 | 北京智博联科技股份有限公司 | 一种自动识别物体表面裂缝走向及宽度的方法 |
CN105574888A (zh) * | 2016-03-01 | 2016-05-11 | 浙江工业大学 | 基于灰度峰值的裂缝位置查找方法 |
CN108662978A (zh) * | 2018-04-04 | 2018-10-16 | 河北工业大学 | 一种非连续变形测量方法 |
CN110378879A (zh) * | 2019-06-26 | 2019-10-25 | 杭州电子科技大学 | 一种桥梁裂缝检测方法 |
CN113916894A (zh) * | 2021-10-08 | 2022-01-11 | 福州大学 | 基于量子鸽群峰谷区间分割的铜冲压件表面裂缝检测方法 |
CN113935992A (zh) * | 2021-12-15 | 2022-01-14 | 武汉和众成设备工贸有限公司 | 基于图像处理的抗油污干扰的齿轮裂纹检测方法与系统 |
CN114418957A (zh) * | 2021-12-24 | 2022-04-29 | 广州大学 | 基于机器人视觉的全局和局部二值模式图像裂缝分割方法 |
CN114972326A (zh) * | 2022-07-20 | 2022-08-30 | 南通鼎彩新材料科技有限公司 | 热收缩管扩管工艺的次品识别方法 |
CN115294099A (zh) * | 2022-09-26 | 2022-11-04 | 南通宝丽金属科技有限公司 | 一种钢板轧制过程发纹缺陷的检测方法及系统 |
Non-Patent Citations (3)
Title |
---|
Research of Image Segmentation Algorithm Applied to Concrete Bridge Cracks;Hongke Xu等;《Third International Conference on Information Science and Technology》;第1637-1640页 * |
基于数字图像技术的桥梁裂缝检测综述;杨国俊等;《吉林大学学报(工学版)》;第1-20页 * |
基于计算机视觉技术的结构表面裂缝检测方法研究;韩晓健等;《建筑结构学报》;第39卷;第418-426页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117132602A (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117132602B (zh) | 一种离心泵叶轮缺陷视觉检测方法 | |
CN114862862A (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN114049489B (zh) | 一种光纤电缆护套破裂预警方法 | |
CN115830033A (zh) | 基于机器视觉的汽车轮毂表面缺陷检测方法 | |
CN114972326A (zh) | 热收缩管扩管工艺的次品识别方法 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
CN109544577B (zh) | 一种基于边缘点编组的改进直线提取方法 | |
CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN109540917B (zh) | 一种多角度模式下纱线外观特征参数提取与分析方法 | |
CN114943848B (zh) | 镍网激光熔覆过程中的裂纹识别方法 | |
CN110954553B (zh) | 一种镜片光学检测系统 | |
Karthikeyan et al. | Analysis of image segmentation for radiographic images | |
CN115294099A (zh) | 一种钢板轧制过程发纹缺陷的检测方法及系统 | |
CN115511907B (zh) | 一种用于led屏幕的划痕检测方法 | |
CN113935953A (zh) | 基于图像处理的钢卷缺陷检测方法 | |
CN114037691A (zh) | 一种基于图像处理的碳纤维板裂纹检测方法 | |
CN116934755A (zh) | 基于直方图均衡化的肺结核ct图像增强系统 | |
CN115272319A (zh) | 一种矿石粒度检测方法 | |
CN109636822B (zh) | 一种基于新构建隶属度函数的改进Canny自适应边缘提取方法 | |
CN111161276A (zh) | 一种虹膜归一化图像的形成方法 | |
CN117078678B (zh) | 基于图像识别的废硅片形状检测方法 | |
CN117315289A (zh) | 基于图像处理的航空发动机叶片轮廓边缘检测方法 | |
CN110619643A (zh) | 一种基于局部信息的区域生长图像分割方法 | |
CN114266895A (zh) | 一种风机叶片图像分割、拼接方法及装置 |
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 |