CN117252882B - 一种气缸盖质量检测方法及系统 - Google Patents

一种气缸盖质量检测方法及系统 Download PDF

Info

Publication number
CN117252882B
CN117252882B CN202311543130.5A CN202311543130A CN117252882B CN 117252882 B CN117252882 B CN 117252882B CN 202311543130 A CN202311543130 A CN 202311543130A CN 117252882 B CN117252882 B CN 117252882B
Authority
CN
China
Prior art keywords
pixel point
gray
value
pixel
gray value
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
Application number
CN202311543130.5A
Other languages
English (en)
Other versions
CN117252882A (zh
Inventor
成文荣
张敏
成哲宁
张志龙
顾家辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Defel Automation Equipment Co ltd
Original Assignee
Suzhou Defel Automation Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Defel Automation Equipment Co ltd filed Critical Suzhou Defel Automation Equipment Co ltd
Priority to CN202311543130.5A priority Critical patent/CN117252882B/zh
Publication of CN117252882A publication Critical patent/CN117252882A/zh
Application granted granted Critical
Publication of CN117252882B publication Critical patent/CN117252882B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/30164—Workpiece; Machine component
    • 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

Abstract

本发明涉及图像分析技术领域，具体涉及一种气缸盖质量检测方法及系统。该方法获取气缸盖的灰度图像；根据像素点的预设邻域内的梯度和灰度值，获取像素点的特征值；根据像素点之间的灰度值和距离，获取修正距离；根据修正距离和灰度值，获得最终区域；根据最终区域中的灰度值和特征值，构建最终区域的灰度孤立树和特征孤立树；根根像素点在灰度孤立树和特征孤立树中的高度，以及最终区域中灰度值的分布，获取异常程度；根据异常程度和灰度值，获取像素点的修正灰度值，确定连通域，获取每个连通域的缺陷概率，确定气缸盖的质量。本发明通过每个像素点的修正灰度值，提高获取连通域的缺陷概率的准确性，对气缸盖的质量进行准确的检测。

Description

一种气缸盖质量检测方法及系统
技术领域
本发明涉及图像分析技术领域，具体涉及一种气缸盖质量检测方法及系统。
背景技术
气缸盖作为发动机的重要组成部分，对气缸盖进行质量检测至关重要。气缸盖在运输过程中的磕碰可能会导致气缸盖质量产生问题，使用存在质量问题的气缸盖进行工作时，会存在安全隐患，因此需要对气缸盖进行质量检测。
在对气缸盖进行质量检测时，现有方法根据灰度图像中像素点的灰度值获取分割阈值，通过分割阈值对灰度图像中的像素点进行分割，进而获取气缸盖灰度图像中的连通域，通过分析连通域内像素点的灰度值分布情况去判断气缸盖的质量问题。由于拍摄的气缸盖图像可能会受到光照的影响，使得像素点的灰度值与实际发生偏差，进而导致获得的连通域不准确，根据连通域内像素点的灰度值检测气缸盖的质量不准确。
发明内容
为了解决由于拍摄的气缸盖图像可能会受到光照的影响，使得像素点的灰度值与实际发生偏差，进而导致获得的连通域不准确，根据连通域内像素点的灰度值检测气缸盖的质量不准确的技术问题，本发明的目的在于提供一种气缸盖质量检测方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种气缸盖质量检测方法，该方法包括以下步骤：
获取气缸盖的灰度图像；
根据灰度图像中每个像素点的预设邻域内的梯度和灰度值，获取每个像素点的特征值；
根据灰度图像中任意两个像素点之间的距离和灰度值差异，以及任意两个像素点之间的像素点的灰度值，获取任意两个像素点之间的修正距离；根据像素点的修正距离和灰度值分布，对灰度图像中的像素点进行划分，获得灰度图像中的最终区域；
根据每个最终区域中的每个像素点灰度值和特征值，通过孤立森林算法分别构建每个最终区域的灰度孤立树和特征孤立树；根根每个像素点在灰度孤立树和特征孤立树中的高度，以及每个最终区域中灰度值的分布，获取每个像素点的异常程度；
根据每个像素点的异常程度和灰度值，获取每个像素点的修正灰度值，确定灰度图像中的连通域；根据每个连通域的形状，获取每个连通域的缺陷概率；
根据缺陷概率确定气缸盖的质量。
进一步地，所述根据灰度图像中每个像素点的预设邻域内的梯度和灰度值，获取每个像素点的特征值的方法为：
对于灰度图像中的任一个像素点，以该像素点为中心，预设的第一长度为半径，所对应的圆形区域，作为该像素点的预设邻域；
获取该像素点在预设邻域内每个方向上的梯度，作为目标梯度；
获取每个目标梯度的幅值，当目标梯度的幅值大于预设的幅值阈值时，将对应目标梯度所在的方向，作为该像素点的灰度波动方向；
将与每个灰度波动方向顺时针垂直的半径上的邻域像素点，作为该像素点的每个波动方向的参与像素点；
获取每个参与像素点的最大梯度幅值对应梯度的方向，作为每个参与像素点的变化趋势方向；
根据每个参与像素点的灰度值和变化趋势方向，获取该像素点的特征值。
进一步地，所述特征值的计算公式为：
；
式中，Di为第i个像素点的特征值；Ni为第i个像素点的灰度波动方向的总数量；M为第一长度；为第k个灰度波动方向的第z个参与像素点与相邻的后一个参与像素点的变化趋势方向的夹角；εk为第k个灰度波动方向的参与像素点的灰度值方差；exp为以自然常数为底数的指数函数；norm为归一化函数。
进一步地，所述修正距离的计算公式为：
；
式中，为第a个像素点和第b个像素点之间的修正距离；la,b为第a个像素点和第b个像素点之间的欧式距离；Δga,b为第a个像素点和第b个像素点之间的灰度值差异；εa,b为第a个像素点和第b个像素点之间的像素点的灰度值方差；norm为归一化函数。
进一步地，所述根据像素点的修正距离和灰度值分布，对灰度图像中的像素点进行划分，获得灰度图像中的最终区域的方法为：
通过K-means聚类算法，根据修正距离对灰度图像中的像素点进行聚类，将获得的每个聚类簇作为灰度图像中的每个初始区域；
获取每个初始区域中每个像素点的灰度值均值，作为每个初始区域的整体灰度值；
获取任意两个整体灰度值的差异，作为目标差异；
当目标差异小于预设的目标差异阈值时，将对应的两个初始区域进行合并；
将进行合并处理后的灰度图像中的每个区域，作为灰度图像中的每个最终区域。
进一步地，所述异常程度的计算公式为：
；
式中，为第r个最终区域中第j个像素点的异常程度；εr为第r个最终区域中每个像素点的灰度值方差；/>为第r个最终区域中第j个像素点在灰度孤立树中的高度；/>为第r个最终区域中第j个像素点在特征孤立树中的高度；exp为以自然常数为底数的指数函数；norm为归一化函数。
进一步地，所述根据每个像素点的异常程度和灰度值，获取每个像素点的修正灰度值，确定灰度图像中的连通域的方法为：
将每个像素点的异常程度进行负相关且归一化的结果，作为每个像素点的修正权重；
计算每个像素点的修正权重与灰度值的乘积，作为每个像素点的修正灰度值；
根据每个像素点的修正灰度值，通过大津法对灰度图像进行二值化处理，获得二值化灰度图像；
通过连通域算法获取二值化灰度图像中的连通域，作为灰度图像中的连通域。
进一步地，所述缺陷概率的计算公式为：
；
式中，Get为第t个连通域的缺陷概率；lt为第t个连通域的周长；St为第t个连通域的面积；ckt为第t个连通域的长宽比；norm为归一化函数。
进一步地，所述根据缺陷概率确定气缸盖的质量的方法为：
对于某一气缸盖，获取该气缸盖中的每个连通域的缺陷概率；
将最大的缺陷概率，作为该气缸盖的目标缺陷概率；
当目标缺陷概率小于或者等于预设的第一缺陷概率阈值时，该气缸盖的质量为良；
当目标缺陷概率大于预设的第一缺陷概率阈值和小于预设的第二缺陷概率阈值时，该气缸盖的质量为正常；
当目标缺陷概率大于或者等于预设的第二缺陷概率阈值时，该气缸盖的质量为差。
第二方面，本发明另一个实施例提供了一种气缸盖质量检测系统，该系统包括：存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器执行所述计算机程序时，实现上述任意一项方法的步骤。
本发明具有如下有益效果：
根据灰度图像中每个像素点的预设邻域内的梯度和灰度值，获取每个像素点的特征值，初步判断每个像素点受到的光照影响程度；根据灰度图像中任意两个像素点之间的距离和灰度值差异，以及任意两个像素点之间的像素点的灰度值，获取任意两个像素点之间的修正距离，对每个像素点进行准确的划分，准确获得灰度图像中的最终区域；进而根据每个最终区域中的每个像素点灰度值和特征值，通过孤立森林算法分别构建每个最终区域的灰度孤立树和特征孤立树，避免直接对灰度图像中的所有像素点构建孤立树，导致受光照影响程度不大的像素点被忽略掉，影响缺陷的检测；根根每个像素点在灰度孤立树和特征孤立树中的高度，以及每个最终区域中灰度值的分布，准确获取每个像素点的异常程度；进而根据每个像素点的异常程度和灰度值，获取每个像素点的修正灰度值，降低光照对像素点的灰度值的影响；进而根据每个像素点的修正灰度值，准确确定灰度图像中的连通域；根据每个连通域的形状，获取每个连通域的缺陷概率，准确确定气缸盖的质量，避免存在缺陷的气缸盖被使用，造成安全隐患。
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气缸盖质量检测方法的流程示意图。
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气缸盖质量检测方法，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气缸盖质量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气缸盖质量检测方法的流程示意图，该方法包括以下步骤：
步骤S1：获取气缸盖的灰度图像。
具体的，将可见光摄像头的镜头正对着气缸盖，获取气缸盖图像。将气缸盖图像进行灰度化处理，获取气缸盖的灰度图像。为了降低噪声对灰度图像中像素点的灰度值造成的影响，本发明实施例使用高斯滤波对灰度图像进行去噪处理，在另一实施例中可以使用中值滤波、全变分(Total Variation,TV)法等其他方法对灰度图像进行去噪处理。其中，灰度化处理、高斯滤波、中值滤波以及全变分(Total Variation,TV)法均为现有技术，不再进行过多赘述。
需要说明的是，后续出现的灰度图像均为去噪后的灰度图像。
本发明实施例的场景为：对运输后的气缸盖进行质量检测，查看气缸盖在运输过程中是否因为碰撞发生质量问题，即气缸盖中是否出现了缺陷。
在获取气缸盖的灰度图像的过程中，由于气缸盖为金属材质，根据金属的漫反射原理可知，无论从任何角度去拍摄气缸盖图像，图像中的像素值均会受到光照的影响，因此在根据灰度图像中像素点的灰度值分析气缸盖中的缺陷时，需要考虑光照对像素点的灰度值的影响。
步骤S2：根据灰度图像中每个像素点的预设邻域内的梯度和灰度值，获取每个像素点的特征值。
具体的，由于光照的影响，会导致灰度图像中像素点的灰度值与实际发生偏差，因此，本发明实施例根据灰度图像中每个像素点的预设邻域内灰度值的波动，获取每个像素点的特征值，初步判断灰度图像中受光照影响的像素点，进而对受光照影响的像素点的灰度值进行修正，提高检测气缸盖中缺陷的准确性。当像素点为正常像素点且不受光照影响时，该像素点预设邻域内的灰度值比较小且灰度值几乎没有波动，当像素点为缺陷像素点或者受光照影响的像素点时，该像素点预设邻域内的灰度值波动比较大。因此根据每个像素点预设邻域内的邻域像素点的灰度值和梯度，获取每个像素点的特征值。其中，获取灰度图像中每个像素点的特征值的方法如下：
优选地，获取特征值的方法为：对于灰度图像中的任一个像素点，以该像素点为中心，预设的第一长度为半径，所对应的圆形区域，作为该像素点的预设邻域；获取该像素点在预设邻域内每个方向上的梯度，作为目标梯度；获取每个目标梯度的幅值，当目标梯度的幅值大于预设的幅值阈值时，将对应目标梯度所在的方向，作为该像素点的灰度波动方向；将与每个灰度波动方向顺时针垂直的半径上的邻域像素点，作为该像素点的每个波动方向的参与像素点；获取每个参与像素点的最大梯度幅值对应梯度的方向，作为每个参与像素点的变化趋势方向；根据每个参与像素点的灰度值和变化趋势方向，获取该像素点的特征值。
作为一个示例，以灰度图像中的第i个像素点为例，本发明实施例将预设的第一长度设定为9，即9个相邻像素点构成的长度，实施者可根据实际情况设定预设的第一长度的大小，在此不进行限定。以第i个像素点为中心，半径为9的圆形区域，即为第i个像素点的预设邻域。获取第i个像素点在预设邻域范围内每个方向上的梯度即目标梯度，获取每个目标梯度的幅值。其中，梯度的获取方法为现有技术，不再进行赘述。本发明实施例将预设的幅值阈值设定为10，实施者可根据实际情况设定预设的幅值阈值的大小，在此不进行限定。当目标梯度的幅值大于预设的幅值阈值时，将对应目标梯度所在的方向，作为第i个像素点的灰度波动方向。将与每个灰度波动方向顺时针垂直的半径上的邻域像素点，作为第i个像素点的每个波动方向的参与像素点。本发明实施例中预设邻域的每个半径上有9个邻域像素点。例如，以第i个像素点的第k个灰度波动方向为例，与第k个灰度波动方向顺时针垂直的半径上的9个邻域像素点，即为第i个像素点的第k个灰度波动方向的参与像素点。获取每个参与像素点的每个梯度的幅值，将每个参与像素点的最大梯度幅值对应梯度的方向，作为每个参与像素点的变化趋势方向。根据第i个像素点的每个参与像素点的变化趋势方向和灰度值，获取第i个像素点的特征值的计算公式为：
；
式中，Di为第i个像素点的特征值；Ni为第i个像素点的灰度波动方向的总数量；M为第一长度，本发明实施例为9；为第k个灰度波动方向的第z个参与像素点与相邻的后一个参与像素点的变化趋势方向的夹角；εk为第k个灰度波动方向的参与像素点的灰度值方差；exp为以自然常数为底数的指数函数；norm为归一化函数。
需要说明的是，越大，说明第k个灰度波动方向的第z个参与像素点与相邻的后一个参与像素点之间的灰度变化趋势的差异越大，/>越大，说明第i个像素点在第k个灰度波动方向的参与像素点的灰度变化趋势越不一致，间接说明第i个像素点在第k个灰度波动方向上的梯度变化越不明显，第k个灰度波动方向的参与像素点的波动程度对第i个像素点的整体特征影响越小，因此，/>越小，/>越小，第i个像素点在第k个灰度波动方向上的变化趋势越不明显，越小，说明第i个像素点在每个灰度波动方向上的变化趋势均越不明显，Di越小，第i个像素点受到光照影响的程度越小。其中，/>为εk的权重。Di的取值范围为0到1。
根据获取第i个像素点的特征值的方法，获取灰度图像中每个像素点的特征值。对于灰度图像中的边界像素点，此时只对灰度图像中的预设邻域部分进行分析，不在灰度图像中的预设邻域部分均不进行分析。若灰度图像中的边界像素点的预设邻域部分中的灰度波动方向的顺时针垂直半径均不在灰度图像中，则默认该边界像素点的特征值为1。当灰度图像中的某一像素点的预设邻域内不存在波动方向时，则默认该像素点的特征值为0。
步骤S3：根据灰度图像中任意两个像素点之间的距离和灰度值差异，以及任意两个像素点之间的像素点的灰度值，获取任意两个像素点之间的修正距离；根据像素点的修正距离和灰度值分布，对灰度图像中的像素点进行划分，获得灰度图像中的最终区域。
具体的，由于气缸盖受到光照的影响，在气缸盖表面最多会形成四个区域，分别为光照中心区域、光照渐变区域、正常区域、阴影区域。其中，光照中心区域、光照渐变区域、正常区域、阴影区域中的灰度值的分布均不同，光照中心区域是灰度值分布最大的区域，阴影区域是灰度值分布最小的区域，正常区域中的灰度值分布大于阴影区域、小于光照中心区域，光照渐变区域是灰度值波动最大的区域。因此，可以通过聚类获取灰度图像中的各个区域。在实际情况下可能不会存在阴影区域或者其他区域，为了更准确的确定灰度图像中的各个区域，本发明实施例通过任意两个像素点之间的灰度值差异，以及任意两个像素点之间的像素点的灰度值波动，对任意两个像素点之间的欧式距离进行修正，获取任意两个像素点之间的修正距离。进而根据像素点的修正距离和灰度值分布，对灰度图像中的像素点进行划分，获得灰度图像中的最终区域，对每个最终区域中的像素点的灰度值进行修正，提高获取缺陷的准确性。其中，欧式距离的获取方法为现有技术，不再进行赘述。获取灰度图像中的最终区域的具体方法如下：
（1）获取修正距离。
作为一个示例，以灰度图像中的第a个像素点和第b个像素点为例，获取第a个像素点和第b个像素点之间的欧式距离，以及第a个像素点和第b个像素点的灰度值的差值绝对值，作为第a个像素点和第b个像素点之间的灰度值差异。用直线连接第a个像素点和第b个像素点，获取线段ab之间的像素点的灰度值方差，进而获取第a个像素点和第b个像素点之间的修正距离的计算公式为：
；
式中，为第a个像素点和第b个像素点之间的修正距离；la,b为第a个像素点和第b个像素点之间的欧式距离；Δga,b为第a个像素点和第b个像素点之间的灰度值差异；εa,b为第a个像素点和第b个像素点之间的像素点的灰度值方差；norm为归一化函数。
需要说明的是，Δga,b越大，说明第a个像素点和第b个像素点越不可能为同类别的像素点，越大；εa,b越大，说明第a个像素点和第b个像素点之间的灰度波动越大，第a个像素点和第b个像素点越不可能为同类别的像素点，/>越大；la,b越大，说明第a个像素点和第b个像素点之间的距离越远，第a个像素点和第b个像素点越不可能为同类别的像素点，/>越大；因此，/>越大，第a个像素点和第b个像素点越不可能为同类别的像素点。
根据获取第a个像素点和第b个像素点之间的修正距离的方法，获取灰度图像中任意两个像素点之间的修正距离。
（2）获取最终区域。
根据灰度图像中任意两个像素点之间的修正距离对灰度图像中的像素点进行划分，确定灰度图像中的每个初始区域。根据每个初始区域中像素点的灰度值分布，将初始区域进行合并，确定灰度图像中的最终区域。
本发明实施例通过K-means聚类算法，根据修正距离对灰度图像中的像素点进行聚类，将获得的每个聚类簇作为灰度图像中的每个初始区域。本发明实施例将K-means聚类算法中的初始k值设定为4，即获取4个聚类簇，每个聚类簇代表一个初始区域，其中，初始区域分别代表光照中心区域、光照渐变区域、正常区域、阴影区域。在实际情况中，灰度图像中可能不会同时存在4个区域，因此，获取每个初始区域中每个像素点的灰度值均值，作为每个初始区域的整体灰度值；获取任意两个整体灰度值的差值绝对值，作为目标差异。本发明实施例设定预设的目标差异阈值为15，实施者可根据实际情况设定预设的目标差异阈值的大小，在此不进行限定。当目标差异小于预设的目标差异阈值时，将对应的两个初始区域进行合并；当目标差异大于或者等于预设的目标差异阈值时，对应的两个初始区域不进行合并，此时，对应的两个初始区域均为最终区域。将进行合并处理后的灰度图像中的每个区域，作为灰度图像中的每个最终区域。其中，K-means聚类算法为现有技术，不再进行赘述。至此，确定灰度图像中的每个最终区域。
步骤S4：根据每个最终区域中的每个像素点灰度值和特征值，通过孤立森林算法分别构建每个最终区域的灰度孤立树和特征孤立树；根根每个像素点在灰度孤立树和特征孤立树中的高度，以及每个最终区域中灰度值的分布，获取每个像素点的异常程度。
具体的，每个像素点的异常程度不仅与特征值有关，还与像素点在哪个最终区域有关。通过孤立森林算法直接对整个灰度图像中的像素点进行孤立树划分，容易将一些受到光照影响较小的像素点给忽略掉，进行导致缺陷识别不准确。因此，本发明实施例根据每个最终区域中的灰度值和特征值，通过孤立森林算法分别构建每个最终区域的灰度孤立树和特征孤立树，根据每个最终区域中的每个像素点在灰度孤立树和特征孤立树中的高度，确定每个像素点的离散情况，进而获取每个像素点的异常程度。其中，孤立森林算法为现有技术，在此不再进行赘述。
作为一个示例，以第r个最终区域中的第j个像素点为例，根据第r个最终区域中的每个像素点的灰度值，通过孤立森林算法构建第r个最终区域的灰度孤立树；根据第r个最终区域中的每个像素点的特征值，通过孤立森林算法构建第r个最终区域的特征孤立树。获取第j个像素点在第r个最终区域的灰度孤立树的高度和第j个像素点在第r个最终区域中的特征孤立树的高度/>，当/>与/>都比较大时，说明第j个像素点的离散程度越大，第j个像素点受到光照影响的程度越大。获取第r个最终区域中每个像素点的灰度值方差εr，其中，εr越大，/>越可能容易存在误差，因此，在获取第j个像素点的异常程度时，/>参与的占比应该越小。根据/>、/>和εr，获取第r个最终区域中第j个像素点的异常程度的计算公式为：
；
式中，为第r个最终区域中第j个像素点的异常程度；εr为第r个最终区域中每个像素点的灰度值方差；/>为第r个最终区域中第j个像素点在灰度孤立树中的高度；/>为第r个最终区域中第j个像素点在特征孤立树中的高度；exp为以自然常数为底数的指数函数；norm为归一化函数。
需要说明的是，εr越大，说明第r个最终区域中像素点的灰度值分布越混乱，因此，exp(-εr）越小，使得对/>的影响越小；1-exp(-εr）越大，/>对/>的影响越大；/>越大，/>越大，说明第r个最终区域中第j个像素点受到光照影响的程度越大，/>越大；因此，越大，第r个最终区域中第j个像素点受到光照影响的程度越大。
根据获取第r个最终区域中第j个像素点的异常程度的方法，获取每个最终区域中每个像素点的异常程度。
步骤S5：根据每个像素点的异常程度和灰度值，获取每个像素点的修正灰度值，确定灰度图像中的连通域；根据每个连通域的形状，获取每个连通域的缺陷概率。
具体的，根据灰度图像中每个像素点的异常程度和灰度值，对灰度图像中的每个像素点的灰度值进行修正，降低光照对像素点灰度值的影响，进而根据每个像素点修正后的灰度值，准确获取灰度图像中的各个连通域，根据连通域的形状，获取每个连通域的缺陷概率，进而对气缸盖的质量进行检测。
优选地，获取连通域的方法为：将每个像素点的异常程度进行负相关且归一化的结果，作为每个像素点的修正权重；计算每个像素点的修正权重与灰度值的乘积，作为每个像素点的修正灰度值；根据每个像素点的修正灰度值，通过大津法对灰度图像进行二值化处理，获得二值化灰度图像；通过连通域算法获取二值化灰度图像中的连通域，作为灰度图像中的连通域。其中，大津法和连通域算法均为现有技术，不再进行赘述。
作为一个示例，以步骤S4中的第r个最终区域中第j个像素点为例，获取第j个像素点的异常程度进行负相关且归一化的结果，即为第j个像素点的修正权重，根据第j个像素点的修正权重与灰度值，获取第j个像素点的修正灰度值的公式为：
；
式中，为第j个像素点的修正灰度值；/>为第r个最终区域中第j个像素点的异常程度；gi为第j个像素点的灰度值。
需要说明的是，越大，说明第j个像素点越可能受到光照影响，第j个像素点的灰度值gi修正程度越大，/>越小；因此，/>越小，去除第j个像素点的光照影响的程度越大。
根据获取第j个像素点的修正灰度值的方法，获取灰度图像中每个像素点的修正灰度值。
通过大津法获取灰度图像中的分割阈值，把灰度图像中的灰度值大于分割阈值对应的像素点，作为高亮像素点，将高亮像素点的像素值置为1；把灰度图像中的灰度值小于或者等于分割阈值对应的像素点，作为低亮像素点，将低亮像素点的像素值置为0；获得二值化灰度图像。通过https://www.cnblogs.com/ryuasuka/p/4932239.html中的方法，获得二值化灰度图像中的连通域。其中，获得二值化灰度图像中的连通域的方法为现有技术，在此不进行赘述。至此，确定灰度图像中的连通域。
对每个连通域的形状进行分析，获取每个连通域的缺陷概率。将每个连通域中的像素点数量，作为每个连通域的面积；将每个连通域中的边缘像素点数量，作为每个连通域的周长；通过https://blog.csdn.net/revitalise/article/details/79357061中的方法，获取每个连通域的长宽比。其中，连通域的长宽比的方法为现有技术，在此不进行赘述。根据每个连通域的面积、周长和长宽比，获取每个连通域的缺陷概率。作为一个示例，以第t个连通域为例，获取第t个连通域的缺陷概率的计算公式为：
；
式中，Get为第t个连通域的缺陷概率；lt为第t个连通域的周长；St为第t个连通域的面积；ckt为第t个连通域的长宽比；norm为归一化函数。Get的取值范围为0到1。
需要说明的是，气缸盖中的缺陷为细条状分布，同时缺陷的形状不规则，因此缺陷对应的连通域的面积小，而周长大，同时长宽比也比较大。lt越大，St越小，说明第t个连通域越可能为缺陷区域，越大，Get越大；ckt越大，说明第t个连通域的形状越细长，第t个连通域中越可能为缺陷区域，Get越大；因此，Get越大，第t个连通域越可能为缺陷区域。
步骤S6：根据缺陷概率确定气缸盖的质量。
具体的，以某一个气缸盖为例，获取该气缸盖中每个连通域的缺陷概率，将最大的缺陷概率，作为该气缸盖的目标缺陷概率。本发明实施例设定预设的第一缺陷概率阈值为0.3，预设的第二缺陷概率阈值为0.7，实施者可根据实际情况设定预设的第一缺陷概率阈值和预设的第二缺陷概率阈值的大小，在此不进行限定。当目标缺陷概率小于或者等于预设的第一缺陷概率阈值时，该气缸盖的质量为良；当目标缺陷概率大于预设的第一缺陷概率阈值和小于预设的第二缺陷概率阈值时，该气缸盖的质量为正常；当目标缺陷概率大于或者等于预设的第二缺陷概率阈值时，该气缸盖的质量为差。
确定每个气缸盖的质量，将质量为良和正常的气缸盖标记为正常品，可以直接进行使用；将质量为差的气缸盖标记为瑕疵品，需要进行再次加工，去除缺陷。
本发明实施例降低光照对像素点的灰度值的影响，进而提高对气缸盖进行缺陷检测的准确性，对气缸盖的质量检测更准确。
至此，本发明完成。
综上所述，本发明实施例获取气缸盖的灰度图像；根据像素点的预设邻域内的梯度和灰度值，获取像素点的特征值；根据像素点之间的灰度值和距离，获取修正距离；根据修正距离和灰度值，获得最终区域；根据最终区域中的灰度值和特征值，构建最终区域的灰度孤立树和特征孤立树；根根像素点在灰度孤立树和特征孤立树中的高度，以及最终区域中灰度值的分布，获取异常程度；根据异常程度和灰度值，获取像素点的修正灰度值，确定连通域，获取每个连通域的缺陷概率，确定气缸盖的质量。本发明通过每个像素点的修正灰度值，提高获取连通域的缺陷概率的准确性，对气缸盖的质量进行准确的检测。
基于与上述方法实施例相同的发明构思，本发明实施例还提供了一种气缸盖质量检测系统，该系统包括：存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器执行所述计算机程序时实现上述一种气缸盖质量检测方法实施例中的步骤，例如图1所示的步骤。该一种气缸盖质量检测方法在上述实施例中已经详细说明，不再赘述。
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)

1.一种气缸盖质量检测方法，其特征在于，所述方法包括以下步骤：
获取气缸盖的灰度图像；
根据灰度图像中每个像素点的预设邻域内的梯度和灰度值，获取每个像素点的特征值；
根据灰度图像中任意两个像素点之间的距离和灰度值差异，以及任意两个像素点之间的像素点的灰度值，获取任意两个像素点之间的修正距离；根据像素点的修正距离和灰度值分布，对灰度图像中的像素点进行划分，获得灰度图像中的最终区域；
根据每个最终区域中的每个像素点灰度值和特征值，通过孤立森林算法分别构建每个最终区域的灰度孤立树和特征孤立树；根根每个像素点在灰度孤立树和特征孤立树中的高度，以及每个最终区域中灰度值的分布，获取每个像素点的异常程度；
根据每个像素点的异常程度和灰度值，获取每个像素点的修正灰度值，确定灰度图像中的连通域；根据每个连通域的形状，获取每个连通域的缺陷概率；
根据缺陷概率确定气缸盖的质量。
2.如权利要求1所述的一种气缸盖质量检测方法，其特征在于，所述根据灰度图像中每个像素点的预设邻域内的梯度和灰度值，获取每个像素点的特征值的方法为：
对于灰度图像中的任一个像素点，以该像素点为中心，预设的第一长度为半径，所对应的圆形区域，作为该像素点的预设邻域；
获取该像素点在预设邻域内每个方向上的梯度，作为目标梯度；
获取每个目标梯度的幅值，当目标梯度的幅值大于预设的幅值阈值时，将对应目标梯度所在的方向，作为该像素点的灰度波动方向；
将与每个灰度波动方向顺时针垂直的半径上的邻域像素点，作为该像素点的每个波动方向的参与像素点；
获取每个参与像素点的最大梯度幅值对应梯度的方向，作为每个参与像素点的变化趋势方向；
根据每个参与像素点的灰度值和变化趋势方向，获取该像素点的特征值。
3.如权利要求2所述的一种气缸盖质量检测方法，其特征在于，所述特征值的计算公式为：
；
式中，Di为第i个像素点的特征值；Ni为第i个像素点的灰度波动方向的总数量；M为第一长度；为第k个灰度波动方向的第z个参与像素点与相邻的后一个参与像素点的变化趋势方向的夹角；εk为第k个灰度波动方向的参与像素点的灰度值方差；exp为以自然常数为底数的指数函数；norm为归一化函数。
4.如权利要求1所述的一种气缸盖质量检测方法，其特征在于，所述修正距离的计算公式为：
；
式中，为第a个像素点和第b个像素点之间的修正距离；la,b为第a个像素点和第b个像素点之间的欧式距离；Δga,b为第a个像素点和第b个像素点之间的灰度值差异；εa,b为第a个像素点和第b个像素点之间的像素点的灰度值方差；norm为归一化函数。
5.如权利要求1所述的一种气缸盖质量检测方法，其特征在于，所述根据像素点的修正距离和灰度值分布，对灰度图像中的像素点进行划分，获得灰度图像中的最终区域的方法为：
通过K-means聚类算法，根据修正距离对灰度图像中的像素点进行聚类，将获得的每个聚类簇作为灰度图像中的每个初始区域；
获取每个初始区域中每个像素点的灰度值均值，作为每个初始区域的整体灰度值；
获取任意两个整体灰度值的差异，作为目标差异；
当目标差异小于预设的目标差异阈值时，将对应的两个初始区域进行合并；
将进行合并处理后的灰度图像中的每个区域，作为灰度图像中的每个最终区域。
6.如权利要求1所述的一种气缸盖质量检测方法，其特征在于，所述异常程度的计算公式为：
；
式中，为第r个最终区域中第j个像素点的异常程度；εr为第r个最终区域中每个像素点的灰度值方差；/>为第r个最终区域中第j个像素点在灰度孤立树中的高度；/>为第r个最终区域中第j个像素点在特征孤立树中的高度；exp为以自然常数为底数的指数函数；norm为归一化函数。
7.如权利要求1所述的一种气缸盖质量检测方法，其特征在于，所述根据每个像素点的异常程度和灰度值，获取每个像素点的修正灰度值，确定灰度图像中的连通域的方法为：
将每个像素点的异常程度进行负相关且归一化的结果，作为每个像素点的修正权重；
计算每个像素点的修正权重与灰度值的乘积，作为每个像素点的修正灰度值；
根据每个像素点的修正灰度值，通过大津法对灰度图像进行二值化处理，获得二值化灰度图像；
通过连通域算法获取二值化灰度图像中的连通域，作为灰度图像中的连通域。
8.如权利要求1所述的一种气缸盖质量检测方法，其特征在于，所述缺陷概率的计算公式为：
；
式中，Get为第t个连通域的缺陷概率；lt为第t个连通域的周长；St为第t个连通域的面积；ckt为第t个连通域的长宽比；norm为归一化函数。
9.如权利要求1所述的一种气缸盖质量检测方法，其特征在于，所述根据缺陷概率确定气缸盖的质量的方法为：
对于某一气缸盖，获取该气缸盖中的每个连通域的缺陷概率；
将最大的缺陷概率，作为该气缸盖的目标缺陷概率；
当目标缺陷概率小于或者等于预设的第一缺陷概率阈值时，该气缸盖的质量为良；
当目标缺陷概率大于预设的第一缺陷概率阈值和小于预设的第二缺陷概率阈值时，该气缸盖的质量为正常；
当目标缺陷概率大于或者等于预设的第二缺陷概率阈值时，该气缸盖的质量为差。
10.一种气缸盖质量检测系统，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，所述处理器在执行所述计算机程序时，实现上述权利要求1-9任意一项所述一种气缸盖质量检测方法的步骤。
CN202311543130.5A 2023-11-20 2023-11-20 一种气缸盖质量检测方法及系统 Active CN117252882B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311543130.5A CN117252882B (zh) 2023-11-20 2023-11-20 一种气缸盖质量检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311543130.5A CN117252882B (zh) 2023-11-20 2023-11-20 一种气缸盖质量检测方法及系统

Publications (2)

Publication Number Publication Date
CN117252882A CN117252882A (zh) 2023-12-19
CN117252882B true CN117252882B (zh) 2024-01-26

Family

ID=89137340

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311543130.5A Active CN117252882B (zh) 2023-11-20 2023-11-20 一种气缸盖质量检测方法及系统

Country Status (1)

Country Link
CN (1) CN117252882B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117635595B (zh) * 2023-12-21 2024-04-09 松佳精密科技(东莞)有限公司 一种精密注塑模胚表面质量视觉检测方法
CN117593305B (zh) * 2024-01-19 2024-04-05 天津康博轻钢制造有限公司 一种面向高频焊接h型钢的视觉定位系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115049664A (zh) * 2022-08-16 2022-09-13 金乡县强力机械有限公司 基于视觉的船舶发动机配件缺陷检测方法
CN116664557A (zh) * 2023-07-28 2023-08-29 无锡市明通动力工业有限公司 一种风机叶片表面缺陷视觉检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115049664A (zh) * 2022-08-16 2022-09-13 金乡县强力机械有限公司 基于视觉的船舶发动机配件缺陷检测方法
CN116664557A (zh) * 2023-07-28 2023-08-29 无锡市明通动力工业有限公司 一种风机叶片表面缺陷视觉检测方法

Also Published As

Publication number Publication date
CN117252882A (zh) 2023-12-19

Similar Documents

Publication Publication Date Title
CN117252882B (zh) 一种气缸盖质量检测方法及系统
KR20090066212A (ko) 결함 검출 방법 및 결함 검출 장치
CN110648330B (zh) 摄像头玻璃的缺陷检测方法
US6577775B1 (en) Methods and apparatuses for normalizing the intensity of an image
CN108889635B (zh) 一种易拉罐制造缺陷在线视觉检测方法
CN113256624A (zh) 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质
CN108830814A (zh) 一种遥感影像的相对辐射校正方法
CN114820625A (zh) 一种汽车顶块缺陷检测方法
CN117036341A (zh) 一种基于图像处理的路面裂缝检测方法
CN111353992B (zh) 一种基于纹理特征的农产品缺陷检测方法及系统
US6714670B1 (en) Methods and apparatuses to determine the state of elements
CN116596905A (zh) 一种集成电路芯片表面缺陷检测方法
CN107463895B (zh) 基于邻域向量pca的弱小损伤目标检测方法
CN117557820A (zh) 一种基于机器视觉的量子点光学膜损伤检测方法及系统
CN102788806A (zh) 基于类球形亮度变换的水果表面缺陷检测方法
CN114612399A (zh) 一种用于手机外观标记的图片识别系统及方法
CN114187189A (zh) 一种飞行器多光谱影像辐射一致性校正方法
CN116563298B (zh) 基于高斯拟合的十字线中心亚像素检测方法
CN116188826A (zh) 一种复杂光照条件下的模板匹配方法及装置
CN104112134A (zh) 一种基于aoi的子弹表观缺陷检测系统的图像二值化分割方法
CN106033606B (zh) 仿生物平滑跟踪眼动信息处理机制的目标轮廓检测方法
CN109949245B (zh) 十字激光检测定位方法、装置、存储介质及计算机设备
CN113643290A (zh) 一种基于图像处理的吸管计数方法、装置及存储介质
Yuan et al. Automatic detection of solar features in HSOS full-disk solar images using guided filter
CN105389775A (zh) 融合图像灰度特征与结构化表示的图像群组配准方法

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