CN117152180A - 基于人工智能的矿物铸件缺陷检测方法 - Google Patents
基于人工智能的矿物铸件缺陷检测方法 Download PDFInfo
- Publication number
- CN117152180A CN117152180A CN202311423790.XA CN202311423790A CN117152180A CN 117152180 A CN117152180 A CN 117152180A CN 202311423790 A CN202311423790 A CN 202311423790A CN 117152180 A CN117152180 A CN 117152180A
- Authority
- CN
- China
- Prior art keywords
- gray level
- defect
- mineral
- image
- maximum
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 207
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 104
- 239000011707 mineral Substances 0.000 title claims abstract description 104
- 238000005266 casting Methods 0.000 title claims abstract description 80
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000004364 calculation method Methods 0.000 claims abstract description 39
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 4
- 238000000465 moulding Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 239000003822 epoxy resin Substances 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229920000647 polyepoxide Polymers 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于人工智能的矿物铸件缺陷检测方法。该方法,包括:获取矿物灰度图像;根据矿物灰度图像中相邻灰度级像素点数量的差异获取灰度级的缺陷明显程度;根据缺陷明显程度获取缺陷曲线,在缺陷曲线中获取极大灰度级,根据极大灰度级的缺陷明显程度的差异获取极大灰度级的缺陷计算权值;获取分割图像的连通域以及连通域的质心,获取目标分割图像,根据分割图像与目标分割图像的连通域的面积差异获取面积变化量,根据分割图像与目标分割图像的面积变化量以及缺陷计算权值获取矿物铸件的缺陷程度,完成缺陷检测。本发明准确判断每个灰度级对缺陷程度计算的影响。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于人工智能的矿物铸件缺陷检测方法。
背景技术
矿物铸件是利用天然矿石为骨料,改性环氧树脂等为胶凝材料,加入部分填料和外加剂制作而成的一种新型高分子复合材料。其具有的复杂外型的成型能力和整合能力,高精度,良好的吸震性、热稳定性及耐腐蚀性等优势,被广泛应用于多种行业。
矿物铸件的表面也常常出现各种缺陷,常见的缺陷有气孔和针孔、裂纹等。由于矿物铸件产品的表面缺陷,会影响产品的质量和正常销售,所以需要对矿物铸件的表面进行质量检测。对矿物铸件的表面进行缺陷检测时,常用的检测方法为通过提取缺陷位置的特征,进行定位识别,进而根据获取到的缺陷信息进行质量缺陷的判断,判断流程过于繁琐且不够精确。
发明内容
为了解决判断流程过于繁琐且不够精确的技术问题,本发明提供基于人工智能的矿物铸件缺陷检测方法,所采用的技术方案具体如下:
本发明提出了基于人工智能的矿物铸件缺陷检测方法,该方法包括以下步骤:
获取矿物灰度图像;
根据矿物灰度图像中每个灰度级与相邻灰度级像素点数量的差异获取每个灰度级的缺陷明显程度;
根据缺陷明显程度获取缺陷曲线,在缺陷曲线中获取极大灰度级,根据每个极大灰度级前后所有极大灰度级的缺陷明显程度的差异获取每个极大灰度级的缺陷计算权值;
将每个极大灰度级作为阈值对矿物灰度图像分割得到分割图像,获取分割图像的连通域以及连通域的质心,将缺陷计算权值最大的极大灰度级记为目标灰度级,获取每个极大灰度级的分割图像的质心与目标灰度级的分割图像相匹配的匹配质心;根据分割图像中每个质心与其匹配质心所在连通域的面积差异获取分割图像与目标分割图像的面积变化量;根据分割图像与目标分割图像的面积变化量以及缺陷计算权值获取矿物铸件的缺陷程度;
根据矿物铸件的缺陷程度完成缺陷检测。
优选的,所述获取矿物灰度图像的方法为:
将矿物铸件放在传送带上,背景为白色,给予均匀光照,俯视角采集矿物铸件图像,将矿物铸件图像使用高斯滤波去噪后使用加权平均法转换为矿物灰度图像。
优选的,所述根据矿物灰度图像中每个灰度级与相邻灰度级像素点数量的差异获取每个灰度级的缺陷明显程度的方法为:
对于矿物灰度图像中任意一个灰度级记为标准灰度级,标准灰度级的像素点数量不为0时,令标准灰度级与其相邻两个灰度级的像素点数量作差后,令两个差值的乘积取绝对值记为第一绝对值,令第一绝对值与标准灰度级的像素点数量的平方的比值记为标准灰度级的缺陷明显程度;标准灰度级的像素点数量为0时,标准灰度级的缺陷明显程度为0。
优选的,所述根据缺陷明显程度获取缺陷曲线,在缺陷曲线中获取极大灰度级的方法为:
缺陷曲线的横坐标为灰度级,纵坐标为缺陷明显程度,对于缺陷曲线求导获取其极大值点,极大值点对应的灰度级作为极大灰度级。
优选的,所述根据每个极大灰度级前后所有极大灰度级的缺陷明显程度的差异获取每个极大灰度级的缺陷计算权值的方法为:
对于任意一个极大灰度级记为标准极大灰度级,令灰度级小于标准极大灰度级的极大灰度级记为前灰度级,令灰度级大于标准极大灰度级的极大灰度级记为后灰度级,计算所有前灰度级的缺陷明显程度的均值记为第一均值和后灰度级的缺陷明显程度的均值记为第二均值,根据每个前灰度级与第一均值的差异和每个后灰度级与第二均值的差异获取极大灰度值的缺陷计算权值。
优选的,所述根据每个前灰度级与第一均值的差异和每个后灰度级与第二均值的差异获取极大灰度值的缺陷计算权值的方法为:
式中,表示第x个最大灰度级对应的第y个前灰度级的缺陷明显程度,表
示第x个最大灰度级对应的第一均值,表示第x个最大灰度级对应的第u个后灰度级的
缺陷明显程度,表示第x个最大灰度级对应的第二均值,v表示极大灰度级的数量,表
示第x个极大灰度级的缺陷计算权值。
优选的,所述获取每个极大灰度级的分割图像的质心与目标灰度级的分割图像相匹配的匹配质心的方法为:
将目标灰度级的分割图像记为目标分割图像,对于极大灰度级的分割图像,令分割图像的每个与目标分割图像中的所有质心计算欧氏距离,对于分割图像的每个质心,欧氏距离最小时对应的目标分割图像中的质心作为分割图像质心的匹配质心。
优选的,所述根据分割图像中每个质心与其匹配质心所在连通域的面积差异获取分割图像与目标分割图像的面积变化量的方法为:
式中,表示第t个分割图像的第e个质心点对应的连通域的面积,表示第e
个质心点对应的匹配质心点所在连通域的面积,表示第t个分割图像中质心点的数量,
表示第t个分割图像与目标分割图像的面积变化量。
优选的,所述根据分割图像与目标分割图像的面积变化量以及缺陷计算权值获取矿物铸件的缺陷程度的方法为:
式中,表示第t个分割图像与目标分割图像的面积变化量,表示目标缺陷计
算权值的最大值,表示第t个分割图像的缺陷计算权值,表示线性归一化函数,r
表示分割图像的数量,表示矿物铸件的缺陷程度。
优选的,所述根据矿物铸件的缺陷程度完成缺陷检测的方法为:
令矿物铸件的缺陷程度大于预设阈值时,矿物铸件存在缺陷,若矿物铸件的缺陷程度小于缺陷阈值时,说明矿物铸件不存在缺陷。
本发明具有如下有益效果:矿物铸件表面较为粗糙,在进行阈值分割时,当阈值过大时,会受到影响,所以需要计算不同阈值下的分割结果在缺陷计算时的权重,本方案根据灰度级所对应像素数量的变化计算每个灰度级所对应的缺陷明显程度,根据缺陷明显程度的分布得到每个缺陷明显程度极大值点所对应的缺陷计算权重,从而准确判断每个灰度级对缺陷程度计算的影响;较大的分割阈值具有更完整的缺陷图像,但却容易受到影响;过小的分割阈值缺陷区域分割不完整,但却可以提供缺陷位置信息。故将根据缺陷计算权重结合不同预知下的分割结果,综合判断矿物铸件的缺陷程度。
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基于人工智能的矿物铸件缺陷检测方法流程图。
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智慧社区人员隐私信息安全管理系统,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。
下面结合附图具体的说明本发明所提供的基于人工智能的矿物铸件缺陷检测方法的具体方案。
基于人工智能的矿物铸件缺陷检测方法实施例:
请参阅图1,其示出了本发明一个实施例提供的基于人工智能的矿物铸件缺陷检测方法流程图,该方法包括以下步骤:
步骤S001,获取矿物灰度图像。
矿物铸件的颜色较深,在图像中灰度值较低,气孔缺陷相较于矿物铸件的灰度值更低,所以当矿物铸件浇注成型后,布置白色的传送带,即背景为白色,使得背景区域与矿物铸件、气孔缺陷的灰度值有较大差异,从而降低阈值分割后背景区域对缺陷检测的影响。矿物铸件属于立体物件,不均匀的环境光照会使得采集到的图像包含阴影区域,阴影区域会影响阈值分割的效果,从而影响缺陷检测的结果,故传送带上方布置均匀的环形光照,为缺陷检测提供照明条件。
将矿物铸件需要检测的表面朝上放置在传送带上,利用CCD相机俯视角采集矿物铸件图像,将矿物铸件图像经过高斯滤波去噪等预处理后使用加权平均法转换为矿物灰度图像。
至此,获取矿物灰度图像。
步骤S002,根据矿物灰度图像中每个灰度级与相邻灰度级像素点数量的差异获取每个灰度级的缺陷明显程度。
在矿物铸件的图像中,矿物铸件表面的灰度值相较于背景区域灰度值较低,而气孔缺陷区域的灰度值则相较于矿物铸件表面的灰度值更低。但是由于矿物铸件表面较为粗糙,在利用阈值分割对缺陷区域进行分割时,随着阈值灰度级的增加,会在矿物铸件的表面产生较多的噪点,噪点的产生对气孔缺陷的检测会造成较大的影响。
在矿物灰度图中,缺陷区域的灰度值相较于其他区域的灰度值较低,当分割阈值由小到大进行遍历时,缺陷区域会比其他区域的出现的更早,且缺陷连通域数量相对于图像分割时产生的噪点数量少的多,噪点呈现集中区域性出现,此时图像中新增像素点的数量呈平稳变化,所以当分割阈值由小到大进行遍历时,二值图像中增加单位灰度级时像素值变化的像素点数量变化的越快,在二值图像中缺陷更加明显,缺陷明显程度越大;像素点数量变化越平稳说明缺陷明显程度越小,据此可以得到每个灰度级所对应的缺陷明显程度。
具体的,对于矿物灰度图,令分割阈值从0开始遍历,矿物灰度图被分割阈值转化为二值图记为阈值图像,获取矿物灰度图像中每个灰度级对应的像素点的数量,根据每个灰度级与相邻灰度级的像素点数量的差异获取每个灰度级对应的缺陷明显程度,公式如下:
式中,表示第z个灰度级对应的像素点数量,表示第z-1个灰度级对应的像
素点数量,表示第z+1个灰度级对应的像素点数量,表示第z个灰度级对应的缺陷明
显程度,缺陷明显程度越大,说明此灰度级对应的图像中缺陷越明显,表示第z个灰度级与前后灰度级像素点个数的变化程度,变化程
度越平稳,缺陷明显程度越大。
至此,获取了每个灰度级的缺陷明显程度。
步骤S003,根据缺陷明显程度获取缺陷曲线,在缺陷曲线中获取极大灰度级,根据每个极大灰度级前后所有极大灰度级的缺陷明显程度的差异获取每个极大灰度级的缺陷计算权值。
根据不同灰度级的缺陷明显程度的分布中的极大值点可以筛选出几个缺陷可能较为明显的极大值点,随着分割阈值的增大,阈值图像出现噪点后阈值图像中的新增像素点的数量变化趋于平稳,故需要在趋于平稳之前计算每个极大值点所对应的缺陷计算权重,尽量排除噪点对缺陷程度计算的干扰。
具体的,对于上述获取的每个灰度级的缺陷明显程度,令每个灰度级的缺陷明显程度构成一条缺陷曲线,曲线的横坐标为灰度级,纵坐标为缺陷明显程度,在缺陷曲线中找到极大值点,极大值点对应的灰度级的缺陷特征在局部范围内明显。
将缺陷明显程度的极大值对应的灰度级记为极大灰度级,极大灰度级作为分割阈值是最有可能反映矿物灰度图像的缺陷的,而不同极大灰度级的反映程度不同,因此需要获取不同极大灰度级的缺陷计算权值,从而判断缺陷程度。
对于每个极大灰度级,令灰度级小于其的极大灰度级记为前灰度级,令灰度级大于其的极大灰度级记为后灰度级,计算所有前灰度级的缺陷明显程度的均值和后灰度级的缺陷明显程度的均值,根据前灰度级的缺陷明显程度和均值与后灰度级的缺陷明显程度和均值的差异获取每个极大灰度级的缺陷计算权值,公式如下:
式中,表示第x个最大灰度级对应的第y个前灰度级的缺陷明显程度,表
示第x个最大灰度级对应的所有前灰度级的缺陷明显程度的均值,表示第x个最大灰
度级对应的第u个后灰度级的缺陷明显程度,表示第x个最大灰度级对应的所有后灰度
级的缺陷明显程度的均值,v表示极大灰度级的数量,表示第x个极大灰度级的缺陷计算
权值。
至此,获取了每个极大灰度级的缺陷计算权值。
步骤S004,将每个极大灰度级作为阈值对矿物灰度图像分割得到分割图像,获取分割图像的连通域以及连通域的质心,将缺陷计算权值最大的极大灰度级记为目标灰度级,获取每个极大灰度级的分割图像的质心与目标灰度级的分割图像相匹配的匹配质心;根据分割图像中每个质心与其匹配质心所在连通域的面积差异获取分割图像与目标分割图像的面积变化量;根据分割图像与目标分割图像的面积变化量以及缺陷计算权值获取矿物铸件的缺陷程度。
在获取每个极大灰度级的缺陷计算权值后,将缺陷计算权值最大的极大灰度级记为目标灰度级,将极大灰度级的阈值图像记为分割图像,在目标灰度级获取的分割图像中缺陷最容易判断,在其之后的极大灰度级所对应的分割图像会受到噪点的干扰,在其之前的极大灰度级所对应的分割图像会由于分割不完整,对缺陷程度的判断造成影响。
因为缺陷区域相比于其他区域在图像中的灰度值较低,当分割阈值由小到大进行遍历时,缺陷区域会优先显现出来,故较小的缺陷明显程度极大值点所对应的灰度级阈值二值化结果可以提供缺陷的位置信息,通过缺陷位置的连通域面积变化计算矿物铸件的缺陷程度。
对于每个最大灰度级对应的每张分割图像都使用连通域分析算法获取其连通域,将目标灰度级对应的分割图像记为目标分割图像,将目标分割图像中每个连通域的质心记为目标质心,将灰度级最小的极大灰度级对应的分割图像记为第一分割图像,获取第一分割图像所有连通域的质心,对于第一分割图像中的所有质心,在目标分割图像中的质心中找到对应的质心,方法为:将第一分割图像中的每个质心与目标分割图像中的每个质心求欧式距离,对于第一分割图像中的每个质心获取欧氏距离最小的目标分割图像中的质心作为第一分割图像中质心的匹配质心,所述匹配质心可以重复;对于极大灰度级中仅比最小灰度级大的极大灰度级对应的分割图像记为第二分割图像,使用同样的方式获取第二分割图像中每个质心在目标分割图像中的匹配质心;对于每个极大灰度级都与目标灰度级获取其质心的匹配质心。
获取每个分割图像中每个连通域的面积,获取其连通域质心点对应的匹配质心所在连通域的面积,将分割图像每个连通域的面积记为第一面积,将其匹配质心所在连通域的面积记为第二面积,将分割图像中第一面积与第二面积的差异的和作为此分割图像与目标分割图像的面积变化量,公式如下:
式中,表示第t个分割图像的第e个质心点对应的连通域的面积,表示第e
个质心点对应的匹配质心点所在连通域的面积,表示第t个分割图像中质心点的数量,
表示第t个分割图像与目标分割图像的面积变化量。
根据分割图像与目标分割图像的面积变化量以及缺陷计算权重的差值获取矿物铸件的缺陷程度,公式如下:
式中,表示第t个分割图像与目标分割图像的面积变化量,表示目标缺陷计
算权值的最大值,表示第t个分割图像的缺陷计算权值,表示线性归一化函数,r
表示分割图像的数量,表示矿物铸件的缺陷程度。
至此,获取了矿物铸件的缺陷程度。
步骤S005,根据矿物铸件的缺陷程度完成缺陷检测。
获取到矿物铸件的缺陷程度后,设定判断阈值即可判断矿物铸件是否存在缺陷,缺陷阈值的经验值取0.7,当矿物铸件的缺陷程度大于缺陷阈值时,说明矿物铸件存在缺陷,若矿物铸件的缺陷程度小于缺陷阈值时,说明矿物铸件不存在缺陷。
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.基于人工智能的矿物铸件缺陷检测方法,其特征在于,该方法包括以下步骤:
获取矿物灰度图像;
根据矿物灰度图像中每个灰度级与相邻灰度级像素点数量的差异获取每个灰度级的缺陷明显程度;
根据缺陷明显程度获取缺陷曲线,在缺陷曲线中获取极大灰度级,根据每个极大灰度级前后所有极大灰度级的缺陷明显程度的差异获取每个极大灰度级的缺陷计算权值;
将每个极大灰度级作为阈值对矿物灰度图像分割得到分割图像,获取分割图像的连通域以及连通域的质心,将缺陷计算权值最大的极大灰度级记为目标灰度级,获取每个极大灰度级的分割图像的质心与目标灰度级的分割图像相匹配的匹配质心;根据分割图像中每个质心与其匹配质心所在连通域的面积差异获取分割图像与目标分割图像的面积变化量;根据分割图像与目标分割图像的面积变化量以及缺陷计算权值获取矿物铸件的缺陷程度;
根据矿物铸件的缺陷程度完成缺陷检测。
2.如权利要求1所述的基于人工智能的矿物铸件缺陷检测方法,其特征在于,所述获取矿物灰度图像的方法为:
将矿物铸件放在传送带上,背景为白色,给予均匀光照,俯视角采集矿物铸件图像,将矿物铸件图像使用高斯滤波去噪后使用加权平均法转换为矿物灰度图像。
3.如权利要求1所述的基于人工智能的矿物铸件缺陷检测方法,其特征在于,所述根据矿物灰度图像中每个灰度级与相邻灰度级像素点数量的差异获取每个灰度级的缺陷明显程度的方法为:
对于矿物灰度图像中任意一个灰度级记为标准灰度级,标准灰度级的像素点数量不为0时,令标准灰度级与其相邻两个灰度级的像素点数量作差后,令两个差值的乘积取绝对值记为第一绝对值,令第一绝对值与标准灰度级的像素点数量的平方的比值记为标准灰度级的缺陷明显程度;标准灰度级的像素点数量为0时,标准灰度级的缺陷明显程度为0。
4.如权利要求1所述的基于人工智能的矿物铸件缺陷检测方法,其特征在于,所述根据缺陷明显程度获取缺陷曲线,在缺陷曲线中获取极大灰度级的方法为:
缺陷曲线的横坐标为灰度级,纵坐标为缺陷明显程度,对于缺陷曲线求导获取其极大值点,极大值点对应的灰度级作为极大灰度级。
5.如权利要求1所述的基于人工智能的矿物铸件缺陷检测方法,其特征在于,所述根据每个极大灰度级前后所有极大灰度级的缺陷明显程度的差异获取每个极大灰度级的缺陷计算权值的方法为:
对于任意一个极大灰度级记为标准极大灰度级,令灰度级小于标准极大灰度级的极大灰度级记为前灰度级,令灰度级大于标准极大灰度级的极大灰度级记为后灰度级,计算所有前灰度级的缺陷明显程度的均值记为第一均值和后灰度级的缺陷明显程度的均值记为第二均值,根据每个前灰度级与第一均值的差异和每个后灰度级与第二均值的差异获取极大灰度值的缺陷计算权值。
6.如权利要求5所述的基于人工智能的矿物铸件缺陷检测方法,其特征在于,所述根据每个前灰度级与第一均值的差异和每个后灰度级与第二均值的差异获取极大灰度值的缺陷计算权值的方法为:
式中,表示第x个最大灰度级对应的第y个前灰度级的缺陷明显程度,/>表示第x个最大灰度级对应的第一均值,/>表示第x个最大灰度级对应的第u个后灰度级的缺陷明显程度,/>表示第x个最大灰度级对应的第二均值,v表示极大灰度级的数量,/>表示第x个极大灰度级的缺陷计算权值。
7.如权利要求1所述的基于人工智能的矿物铸件缺陷检测方法,其特征在于,所述获取每个极大灰度级的分割图像的质心与目标灰度级的分割图像相匹配的匹配质心的方法为:
将目标灰度级的分割图像记为目标分割图像,对于极大灰度级的分割图像,令分割图像的每个与目标分割图像中的所有质心计算欧氏距离,对于分割图像的每个质心,欧氏距离最小时对应的目标分割图像中的质心作为分割图像质心的匹配质心。
8.如权利要求1所述的基于人工智能的矿物铸件缺陷检测方法,其特征在于,所述根据分割图像中每个质心与其匹配质心所在连通域的面积差异获取分割图像与目标分割图像的面积变化量的方法为:
式中,表示第t个分割图像的第e个质心点对应的连通域的面积,/>表示第e个质心点对应的匹配质心点所在连通域的面积,/>表示第t个分割图像中质心点的数量,/>表示第t个分割图像与目标分割图像的面积变化量。
9.如权利要求1所述的基于人工智能的矿物铸件缺陷检测方法,其特征在于,所述根据分割图像与目标分割图像的面积变化量以及缺陷计算权值获取矿物铸件的缺陷程度的方法为:
式中,表示第t个分割图像与目标分割图像的面积变化量,/>表示目标缺陷计算权值的最大值,/>表示第t个分割图像的缺陷计算权值,/>表示线性归一化函数,r表示分割图像的数量,/>表示矿物铸件的缺陷程度。
10.如权利要求1所述的基于人工智能的矿物铸件缺陷检测方法,其特征在于,所述根据矿物铸件的缺陷程度完成缺陷检测的方法为:
令矿物铸件的缺陷程度大于预设阈值时,矿物铸件存在缺陷,若矿物铸件的缺陷程度小于缺陷阈值时,说明矿物铸件不存在缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311423790.XA CN117152180B (zh) | 2023-10-31 | 2023-10-31 | 基于人工智能的矿物铸件缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311423790.XA CN117152180B (zh) | 2023-10-31 | 2023-10-31 | 基于人工智能的矿物铸件缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117152180A true CN117152180A (zh) | 2023-12-01 |
CN117152180B CN117152180B (zh) | 2024-01-26 |
Family
ID=88899194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311423790.XA Active CN117152180B (zh) | 2023-10-31 | 2023-10-31 | 基于人工智能的矿物铸件缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152180B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576089A (zh) * | 2024-01-15 | 2024-02-20 | 山东恒力源精密机械制造有限公司 | 一种活塞环缺陷检测方法及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004309327A (ja) * | 2003-04-08 | 2004-11-04 | Hoya Corp | グレートーンマスクの欠陥検査方法 |
CN103226106A (zh) * | 2013-03-15 | 2013-07-31 | 江南大学 | 基于机器视觉的轴承防尘盖品质监测系统 |
CN105158258A (zh) * | 2015-07-15 | 2015-12-16 | 广西师范大学 | 一种基于计算机视觉的竹条表面缺陷检测方法 |
CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
WO2021012735A1 (zh) * | 2019-07-25 | 2021-01-28 | 研祥智能科技股份有限公司 | 屏幕显示缺陷的检测方法及系统 |
US20210174489A1 (en) * | 2019-12-04 | 2021-06-10 | Beijing Boe Optoelectronics Technology Co., Ltd. | Method and apparatus for detecting a screen, and electronic device |
CN114419048A (zh) * | 2022-03-31 | 2022-04-29 | 启东亦大通自动化设备有限公司 | 基于图像处理的输送机在线检测方法及系统 |
CN114937055A (zh) * | 2022-03-31 | 2022-08-23 | 江苏益捷思信息科技有限公司 | 基于人工智能的图像自适应分割方法与系统 |
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 |
CN115457035A (zh) * | 2022-11-10 | 2022-12-09 | 山东鲁旺机械设备有限公司 | 基于机器视觉的建筑吊篮焊接质量检测方法 |
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 |
CN116228771A (zh) * | 2023-05-09 | 2023-06-06 | 山东克莱蒙特新材料科技有限公司 | 基于视觉分析矿物材料机床铸件检测方法 |
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 |
CN116503394A (zh) * | 2023-06-26 | 2023-07-28 | 济南奥盛包装科技有限公司 | 基于图像的印刷制品表面粗糙度检测方法 |
-
2023
- 2023-10-31 CN CN202311423790.XA patent/CN117152180B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004309327A (ja) * | 2003-04-08 | 2004-11-04 | Hoya Corp | グレートーンマスクの欠陥検査方法 |
CN103226106A (zh) * | 2013-03-15 | 2013-07-31 | 江南大学 | 基于机器视觉的轴承防尘盖品质监测系统 |
CN105158258A (zh) * | 2015-07-15 | 2015-12-16 | 广西师范大学 | 一种基于计算机视觉的竹条表面缺陷检测方法 |
CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
WO2021012735A1 (zh) * | 2019-07-25 | 2021-01-28 | 研祥智能科技股份有限公司 | 屏幕显示缺陷的检测方法及系统 |
US20210174489A1 (en) * | 2019-12-04 | 2021-06-10 | Beijing Boe Optoelectronics Technology Co., Ltd. | Method and apparatus for detecting a screen, and electronic 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 |
CN114419048A (zh) * | 2022-03-31 | 2022-04-29 | 启东亦大通自动化设备有限公司 | 基于图像处理的输送机在线检测方法及系统 |
CN114937055A (zh) * | 2022-03-31 | 2022-08-23 | 江苏益捷思信息科技有限公司 | 基于人工智能的图像自适应分割方法与系统 |
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 |
CN115457035A (zh) * | 2022-11-10 | 2022-12-09 | 山东鲁旺机械设备有限公司 | 基于机器视觉的建筑吊篮焊接质量检测方法 |
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 |
CN116228771A (zh) * | 2023-05-09 | 2023-06-06 | 山东克莱蒙特新材料科技有限公司 | 基于视觉分析矿物材料机床铸件检测方法 |
CN116503394A (zh) * | 2023-06-26 | 2023-07-28 | 济南奥盛包装科技有限公司 | 基于图像的印刷制品表面粗糙度检测方法 |
Non-Patent Citations (3)
Title |
---|
严俊龙;郑晓曦;李铁源;: "磁瓦表面缺陷自动检测系统的研究", 计算机工程与应用, no. 36, pages 232 - 235 * |
申清明;高建民;李成;: "焊缝缺陷的水淹没分割算法", 西安交通大学学报, no. 03, pages 96 - 100 * |
钟球盛;李静蓉;胡广华;: "用于光学薄膜缺陷检测的快速图像分割算法", 机电工程, no. 10, pages 16 - 21 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576089A (zh) * | 2024-01-15 | 2024-02-20 | 山东恒力源精密机械制造有限公司 | 一种活塞环缺陷检测方法及系统 |
CN117576089B (zh) * | 2024-01-15 | 2024-03-22 | 山东恒力源精密机械制造有限公司 | 一种活塞环缺陷检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117152180B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117152180B (zh) | 基于人工智能的矿物铸件缺陷检测方法 | |
CN113450307A (zh) | 一种产品边缘缺陷检测方法 | |
CN117237368B (zh) | 一种桥梁裂缝检测方法及系统 | |
CN112734761B (zh) | 工业品图像边界轮廓提取方法 | |
CN116030060B (zh) | 一种塑料颗粒质量检测方法 | |
CN116580021B (zh) | 一种环保混凝土降碳制品生产及质量检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
CN113034474A (zh) | 一种oled显示器晶圆图的测试方法 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
CN115170570B (zh) | 基于灰度游程矩阵的织物起毛起球检测方法 | |
CN113538424B (zh) | 基于人工智能的木板节子分类数据识别方法 | |
CN116703251B (zh) | 基于人工智能的胶圈生产质量检测方法 | |
CN110866915A (zh) | 基于度量学习的圆形砚台质量检测方法 | |
CN117611563B (zh) | 一种基于图像处理的塑胶模具生产缺陷检测方法 | |
CN115880699B (zh) | 一种食品包装袋检测方法及系统 | |
CN115797361B (zh) | 一种铝模板表面缺陷检测方法 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN117541588A (zh) | 一种纸制品的印刷缺陷检测方法 | |
CN115272336A (zh) | 基于梯度向量的金属零件缺陷精准检测方法 | |
CN114119603A (zh) | 基于图像处理的快餐盒短射缺陷检测方法 | |
Triantoro et al. | Image based water gauge reading developed with ANN Kohonen | |
CN115953409A (zh) | 基于图像处理的注塑件表面缺陷检测方法 | |
CN114359251A (zh) | 一种混凝土表面破损的自动识别方法 | |
CN116934761B (zh) | 一种乳胶手套缺陷自适应检测方法 |
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 |