CN117291922A - 一种不锈钢多级泵叶轮缺陷视觉检测方法 - Google Patents
一种不锈钢多级泵叶轮缺陷视觉检测方法 Download PDFInfo
- Publication number
- CN117291922A CN117291922A CN202311586104.0A CN202311586104A CN117291922A CN 117291922 A CN117291922 A CN 117291922A CN 202311586104 A CN202311586104 A CN 202311586104A CN 117291922 A CN117291922 A CN 117291922A
- Authority
- CN
- China
- Prior art keywords
- sliding window
- gray
- impeller
- points
- abrupt
- 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 33
- 229910001220 stainless steel Inorganic materials 0.000 title claims abstract description 21
- 239000010935 stainless steel Substances 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 title abstract description 13
- 230000000007 visual effect Effects 0.000 title abstract description 9
- 238000005452 bending Methods 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 58
- 238000011179 visual inspection Methods 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及叶轮缺陷检测技术领域,具体涉及一种不锈钢多级泵叶轮缺陷视觉检测方法。该方法首先获取初始滑窗,根据初始滑窗中相邻像素点的灰度差异获得灰度突变点;获得沿叶轮半径方向上相邻灰度突变点组成的匹配对;根据初始滑窗内所有匹配对内灰度突变点之间的距离,获得滑窗初始宽度,结合划痕弯曲程度,获得调整后的滑窗宽度;同时获取初始灰度突变点圆周方向上所有的相似点,计算灰度突变点与其相似点的组成的圆弧长度,进而获得当前的滑窗弧长;接着对叶轮表面图像进行分割。本发明通过初始化滑窗,使滑窗符合划痕纹理特征,并且动态调整滑窗的宽度与弧长,提高分割结果的准确性,减少图像分割时可能出现的计算量。
Description
技术领域
本发明涉及叶轮缺陷检测技术领域,具体涉及一种不锈钢多级泵叶轮缺陷视觉检测方法。
背景技术
叶轮可以将原动机的机械能转化为工作液的静压能与动压能,可应用于各行各业。若叶轮存在缺陷会影响能量转换并且缩短其使用寿命,比如在叶轮的轮盘生产过程中因为机器参数调整不当导致轮盘产生磨痕影响使用,最终影响了叶轮的使用寿命,所以应该在叶轮安装前对其进行缺陷检测,及时处理,提高产品合格率。
在现有技术对叶轮表面图像进行图像分割的过程中,传统的滑动窗口通常为矩形,不能较好地表现划痕弧形的纹理特征,可能会在移动滑窗时出现划痕信息丢失或计算量过大的技术问题。
发明内容
为了解决传统滑窗形状不适应叶轮表面划痕的纹理特征,可能会出现划痕信息丢失或计算量过大的技术问题,本发明的目的在于提供一种不锈钢多级泵叶轮缺陷视觉检测方法,所采用的技术方案具体如下:
一种不锈钢多级泵叶轮缺陷视觉检测方法,该方法包括:
获取叶轮表面图像;所述叶轮表面图像中包含叶轮区域;
在所述叶轮区域内根据叶轮区域的尺寸预设有弧形的初始滑窗;根据初始滑窗内沿叶轮半径方向上相邻像素点的灰度差异,获得所述初始滑窗内的灰度突变点;获得沿叶轮半径方向上相邻灰度突变点组成的匹配对;根据初始滑窗内所有匹配对内灰度突变点之间的距离,获得滑窗初始宽度;根据初始滑窗中匹配对内灰度突变点对应的圆弧曲率,获得划痕弯曲程度;根据所述滑窗初始宽度与所述划痕弯曲程度获得调整后的滑窗宽度;
以叶轮圆心为圆心,灰度突变点到叶轮圆心的距离为半径,获得所有灰度突变点所在的圆周;根据所述灰度突变点与圆周方向上相邻像素点之间的灰度特征差异,获得所述灰度突变点的相似点序列;根据初始滑窗内所有所述相似点序列组成的圆弧长度,获得调整后的滑窗弧长;根据所述滑窗宽度与所述滑窗弧长获得调整后的滑窗;将所述初始滑窗遍历整个叶轮区域,获得所有调整后的滑窗;
根据调整后的滑窗对所述叶轮表面图像进行分割;根据分割结果对叶轮进行缺陷检测。
进一步地,沿叶轮半径方向上灰度突出点获取方法包括:
若初始滑窗中存在像素点与沿叶轮半径方向的相邻像素点之间的灰度值差异大于预设第一阈值时,则将此类像素点作为初始滑窗内沿叶轮半径方向上的灰度突变点。
进一步地,所述滑窗初始宽度获取方法包括:
在初始滑窗内沿叶轮半径方向上依次将相邻的两个灰度突变点进行匹配,如果相邻两个灰度突变点之间的距离不在预设距离范围内,则认为匹配失败,参与过匹配的灰度突变点构成所述匹配对;遍历沿叶轮半径方向上所有未构成匹配对的灰度突变点,获得所有匹配对;
将所有所述匹配对内两个灰度突变点之间距离的最大值,作为所述滑窗初始宽度。
进一步地,所述划痕弯曲程度获取方法包括:
利用圆弧曲率公式,根据初始滑窗内所有匹配对内的灰度突变点与叶轮圆心的距离获得所有匹配对内的灰度突变点对应的圆弧曲率;
将所述圆弧曲率求平均获得初始滑窗内所述划痕弯曲程度。
进一步地,调整后的滑窗宽度获取方法包括:
根据滑窗宽度计算公式获取所述滑窗宽度,所述滑窗宽度计算公式如下所示:
;式中,/>表示调整后的滑窗宽度;/>表示匹配对内灰度突变点与叶轮圆心的最大距离;/>表示匹配对内灰度突变点与叶轮圆心的最小距离;/>表示所述滑窗初始宽度;/>表示初始滑窗中每个匹配对内灰度突变点的数量;/>表示初始滑窗内中每个匹配对内灰度突变点的序号;/>表示匹配对内第/>个灰度突变点所在划痕对应的圆弧曲率。
进一步地,所述相似点序列获取方法包括:
根据像素点之间的灰度特征差异,获得灰度突变点与圆周方向上相邻像素点之间的相似程度;
将相似程度大于预设第二阈值的相邻像素点作为所述灰度突变点的相似点,以所述灰度突变点为起始点,沿着灰度突变点圆周方向遍历所述起始点左右两侧的所有像素点,直至相邻像素点之间相似程度小于所述第二阈值时,将相邻像素点之间前一个像素点作为终止点,获得所述相似点序列。
进一步地,所述相似程度获取方法包括:
根据相似程度计算公式获取所述相似程度,所述相似程度计算公式如下所示:
;式中,/>表示第/>个灰度突变点与圆周方向上相邻一个像素点之间的相似程度;/>表示第/>个灰度突变点的灰度值;/>表示第/>个灰度突变点圆周方向上相邻一个灰度突变点的灰度值;/>表示第/>个灰度突变点的梯度值;/>表示第/>个灰度突变点圆周方向上相邻一个灰度突变点的梯度值。
进一步地,调整后的滑窗弧长的获取方法包括:
计算所有相似点序列组成的圆弧长度,在所有圆弧长度中选取最长圆弧长度作为调整后的滑窗弧长。
进一步地,根据调整后的滑窗对所述叶轮表面图像进行分割,包括:
预设步长,沿着叶轮半径方向移动初始滑窗,并根据初始滑窗区域内的突变点信息调整初始滑窗宽度与弧长,遍历整个所述叶轮区域获得所有调整后的滑窗;
利用阈值分割算法,对调整后的滑窗内的像素点进行二值化处理,将灰度值高的像素点记为1,标记为划痕区域,获得最终的分割结果。
进一步地,预设第一阈值设置为10,预设第二阈值设置为1。
本发明具有如下有益效果:
本发明首先获取弧形的初始滑窗,可以提高滑窗内像素点的相似性,接着根据初始滑窗中相邻像素点之间的灰度差异获得灰度突变点,方便后续根据灰度突变点的密度获得滑窗的宽度和弧长;获得沿叶轮半径方向上相邻灰度突变点组成的匹配对;根据初始滑窗内所有匹配对内灰度突变点之间的距离,获得滑窗初始宽度,结合划痕弯曲程度,获得调整后的滑窗宽度;同时研究灰度突变点圆周方向上所有的相似点,计算灰度突变点与其相似点的组成的圆弧长度,结合划痕区域的数量进而获得调整后的滑窗弧长,随着滑窗的移动不断调整滑窗弧长与滑窗宽度,使滑窗能够更加贴合划痕的纹理特征;接着对叶轮表面图像进行分割以更好地检测缺陷。本发明通过初始化滑窗,使滑窗符合划痕纹理特征,并且动态调整滑窗的宽度与弧长,提高分割结果的准确性,减少图像分割时可能出现的计算量。
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不锈钢多级泵叶轮缺陷视觉检测方法流程图;
图2为本发明一个实施例所提供的一种初始滑窗示意图。
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不锈钢多级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不锈钢多级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不锈钢多级泵叶轮缺陷视觉检测方法流程图,该方法包括:
步骤S1:获取叶轮表面图像;叶轮表面图像中包含叶轮区域。
本发明实施例目的在于提供一种不锈钢多级泵叶轮缺陷视觉检测方法,针对叶轮表面缺陷进行检测的问题,采用图像分割的方法对叶轮表面图像上的缺陷进行缺陷检测。所以首先需要获取本发明实施例的识别对象,即叶轮表面图像。为了方便后续利用弧形的初始滑窗进行滑动遍历,所以在获取的叶轮表面图像中需要包含圆形的叶轮区域。
本发明一个实施例中,使用CCD工业相机采集叶轮表面图像,考虑到图像采集过程易受到光照影响。本发明一个实施例为了保证叶轮表面不出现反光等影响因素,采用LED灯组成LED灯带,使光照可以均匀铺照到叶轮表面上,进一步提高CCD工业相机拍摄图像的信噪比,在实际生产场景中,为了在传送带工作过程中保证图像采集的完整性,对拍摄间隔进行设置。本发明实施例中拍摄间隔设置为,此处/>表示叶轮半径,/>表示传送带速度。
需要说明的是,为了保证后续图像处理过程的图像质量,获得叶轮表面图像后还需要进行图像预处理操作,具体图像预处理操作为本领域技术人员熟知的技术手段,在此不做赘述以及限定。图像预处理操作包括滤波和灰度化,且本发明实施例中,指标的运算不考虑量纲。
需要说明的是,叶轮区域的提取方法可采用多种现有技术进行实现,例如神经网络识别或者固定掩模分割等,可根据具体实施场景具体设置,在此不做限定及赘述,仅简述本发明一个实施例中,叶轮表面图像内叶轮区域的提取过程,具体包括:
利用神经网络在叶轮表面图像上对叶轮区域进行分割,利用神经网络对叶轮表面图像进行分割的具体方法包括:
(1)以包含叶轮区域的图像作为训练数据。将叶轮区域像素标注为1,其他像素标注为0,获得标签数据。
(2)语义分割网络采用编码-解码结构,将训练数据和标签数据归一化后输入至网络中。语义分割编码器用于提取输入数据的特征,获得特征图。语义分割解码器将特征图进行采样变换,输出语义分割结果。
(3)采用交叉熵损失函数对网络进行训练。
步骤S2:在叶轮区域内根据叶轮区域的尺寸预设有弧形的初始滑窗;根据初始滑窗内沿叶轮半径方向上相邻像素点的灰度差异,获得初始滑窗内的灰度突变点;获得沿叶轮半径方向上相邻灰度突变点组成的匹配对;根据初始滑窗内所有匹配对内灰度突变点之间的距离,获得滑窗初始宽度;根据初始滑窗中匹配对内灰度突变点对应的圆弧曲率,获得划痕弯曲程度;根据滑窗初始宽度与划痕弯曲程度获得调整后的滑窗宽度。
在实际生产场景中,通常会因为叶轮在传送带转动过程中因机器参数调整不合适而产生划痕,划痕的纹理特征通常呈圆弧形。为了使滑窗能够容纳完整的划痕区域,调整滑窗形状为弧形,使滑窗更好地贴合纹理,所以本发明实施例中,首先需要获取弧形的初始滑窗。
如图2所示的一种初始滑窗示意图,本发明一个实施例中,初始化滑窗弧长为,/>为叶轮半径,初始化圆弧曲率为/>,/>为初始化滑窗弧长;初始宽度设置为1。需要说明的是,初始化滑窗弧长、叶轮半径、初始化圆弧曲率与初始宽度的单位均为像素点单位。
叶轮表面的划痕区域与正常区域的灰度表现差异很大,表现为划痕区域的灰度值远远大于正常区域的灰度值,所以在初始滑窗内灰度发生突变的像素点大概率是划痕像素点,为了后续计算调整后的滑窗宽度,本发明实施例中,需要获得初始滑窗内沿叶轮半径方向上所有的灰度突变点。
优选地,本发明一个实施例中,沿叶轮半径方向上所有的灰度突变点获取方法包括:
若初始滑窗中存在像素点与沿叶轮半径方向的相邻像素点之间的灰度值差异大于预设第一阈值时,则将此类像素点作为初始滑窗内沿叶轮半径方向上的灰度突变点。本发明一个实施例中,第一阈值设置为10,需要说明的是,在其他实施例中,第一阈值可以由实施人员自行设置,在此不再进行限定。
在调整滑窗宽度的过程中,需要获取沿叶轮半径方向上所有划痕区域边缘相邻两个灰度突变点,但叶轮表面通常会有例如污渍等其他因素产生的灰度突变点,所以需要对划痕区域边缘的灰度突变点进行匹配,获得半径方向上划痕区域对应的匹配对,匹配对内相邻两个灰度突变点之间的距离反映出该半径方向上划痕区域的宽度,本发明实施例中,根据挑选过的灰度突变点之间的距离获得滑窗初始宽度。
优选地,本发明一个实施例中,滑窗初始宽度获取方法包括:
在初始滑窗内沿叶轮半径方向上依次将相邻的两个灰度突变点进行匹配,如果相邻两个灰度突变点之间的距离不在预设距离范围内,则认为匹配失败,参与过匹配的灰度突变点构成匹配对;遍历沿叶轮半径方向上所有未构成匹配对的灰度突变点,获得所有匹配对;
将所有匹配对内两个灰度突变点之间距离的最大值,作为滑窗初始宽度。
本发明一个实施例中,预设距离范围设置为:。需要说明的是,其他实施例中的距离范围可以由实施人员根据具体实施场景自行设置,在此不做限定。
根据上述步骤中圆弧曲率公式可以获得灰度突变点对应的圆弧曲率,匹配对内灰度突变点距离叶轮圆心的距离不同,灰度突变点所在划痕对应的圆弧曲率也不相同,即各灰度突变点所在划痕的弯曲程度不同,划痕的弯曲程度越大,所适应的窗口宽度越大,所以本发明实施例中,根据初始滑窗内所有划痕对应的圆弧曲率,获得划痕弯曲程度。
需要说明的是,圆弧曲率公式为本领域技术人员熟知的技术手段,具体内容不再赘述。
优选地,本发明一个实施例中,划痕弯曲程度获取方法包括:
根据初始滑窗内所有匹配对内的灰度突变点与叶轮圆心的距离获得所有匹配对内的灰度突变点对应的圆弧曲率;将圆弧曲率求平均获得初始滑窗内划痕弯曲程度。
利用滑窗初始宽度与划痕弯曲程度获得调整后的滑窗宽度。
优选地,本发明一个实施例中,调整后的滑窗宽度获取方法包括:
根据滑窗宽度计算公式获取滑窗宽度,滑窗宽度计算公式如下所示:
式中,表示调整后的滑窗宽度;/>表示匹配对内灰度突变点与叶轮圆心的最大距离;/>表示匹配对内灰度突变点与叶轮圆心的最小距离;/>表示滑窗初始宽度;/>表示初始滑窗中每个匹配对内灰度突变点的数量;/>表示初始滑窗内中每个匹配对内灰度突变点的序号;/>表示匹配对内第/>个灰度突变点所在划痕对应的圆弧曲率。
在滑窗宽度计算公式中,为所有匹配对内两个灰度突变点之间距离的最大值,表示滑窗初始宽度,/>为匹配对内灰度突变点的对应圆弧曲率的平均值,表示划痕弯曲程度,滑窗初始宽度越大,说明初始滑窗内划痕区域的最大距离越大,此时应适当地增大滑窗宽度;当划痕弯曲程度越大,说明需要宽度较大的滑窗来适应划痕的弯曲程度。
至此,获得调整后的滑窗宽度。
步骤S3:以叶轮圆心为圆心,灰度突变点到叶轮圆心的距离为半径,获得所有灰度突变点所在的圆周;根据灰度突变点与圆周方向上相邻像素点之间的灰度特征差异,获得灰度突变点的相似点序列;根据初始滑窗内所有相似点序列组成的圆弧长度,获得调整后的滑窗弧长;根据滑窗宽度与滑窗弧长获得调整后的滑窗;将初始滑窗遍历整个叶轮区域,获得所有调整后的滑窗。
在初始窗口中存在长短不一的划痕区域,为了使调整后的滑窗能够容纳全部划痕,所以需要对滑窗弧长进行一定的调整。对于滑窗内的灰度突出点,由于每个划痕区域内像素点的灰度特征较为相似且叶轮区域划痕为圆弧形,其圆周方向上很有可能会有大量相似程度较高的像素点,灰度突出点与所有相似点组成的相似点序列便是一个划痕区域。所以本发明实施例中,需要根据灰度突变点与圆周方向上相邻像素点之间的灰度特征差异,获得灰度突变点的相似点序列。
灰度突变点与圆周方向上相邻像素点之间的灰度特征差异越小,灰度突变点与圆周方向上相邻像素点之间的相似程度越高。若是想要获取相似点序列,需要先计算灰度突变点圆周方向上所有相邻像素点之间的相似程度。故本发明一个实施例中,根据像素点之间的灰度特征差异,获得灰度突变点与圆周方向上相邻像素点之间的相似程度。
优选地,本发明一个实施例中,相似程度获取方法包括:
根据相似程度计算公式获取相似程度,相似程度计算公式如下所示:
式中,表示第/>个灰度突变点与圆周方向上相邻一个像素点之间的相似程度;/>表示第/>个灰度突变点的灰度值;/>表示第/>个灰度突变点圆周方向上相邻一个灰度突变点的灰度值;/>表示第/>个灰度突变点的梯度值;/>表示第/>个灰度突变点圆周方向上相邻一个灰度突变点的梯度值。
在相似程度计算公式中,第个灰度突变点与圆周方向上相邻一个像素点之间的灰度差异越小,第/>个灰度突变点与圆周方向上相邻一个像素点之间越相似;第/>个灰度突变点与圆周方向上相邻一个像素点之间的梯度差异越小,第/>个灰度突变点与圆周方向上相邻一个像素点之间越相似;相似程度与灰度差异、梯度差异均呈负相关关系。
优选地,本发明一个实施例中,相似点序列的获取方法包括:
根据像素点之间的灰度特征差异,获得灰度突变点与圆周方向上相邻像素点之间的相似程度;将相似程度大于预设第二阈值的相邻像素点作为灰度突变点的相似点,以灰度突变点为起始点,沿着灰度突变点圆周方向遍历起始点左右两侧的所有像素点,直至相邻像素点之间相似程度小于第二阈值时,将相邻像素点之间前一个像素点作为终止点,获得相似点序列。
本发明一个实施例中,预设第二阈值设置为1,需要说明的是,在其他实施例中,第二阈值可以由实施人员自行设置,在此不再进行限定。
由于灰度突变点的相似点序列可以组成灰度突变点所在划痕区域,所以可以通过计算滑窗内每个相似点序列组成的圆弧长度来计算每个划痕区域的弧长。故本发明实施例中,根据初始滑窗内所有相似点序列组成的圆弧长度,获得调整的滑窗弧长。
优选地,本发明一个实施例中,滑窗弧长的获取方法包括:
计算所有相似点序列组成的圆弧长度,在所有圆弧长度中选取最长圆弧长度作为调整后的滑窗弧长。本发明一个实施例中,调整后的滑窗弧长的计算公式如下所示:
式中,表示第/>个相似点序列组成的圆弧长度;/>表示第/>个相似点序列中各相似点与叶轮圆心的距离;/>表示第/>个相似点序列中相似点之间的最大半径夹角;/>表示最大值函数。
在滑窗弧长的计算公式中,利用圆弧的弧长公式计算所有相似点序列组成的圆弧长度,选取圆弧长度中的最大值作为滑窗弧长便可以容纳当前所有划痕区域。
步骤S4:根据调整后的滑窗对叶轮表面图像进行分割;根据分割结果对叶轮进行缺陷检测。
由步骤S2与步骤S3得到调整后的滑窗宽度与滑窗弧长,可以使移动滑窗的在遍历叶轮表面图像的叶轮区域时动态调整滑窗的宽度与弧长使其能够时刻贴合划痕区域的纹理特征,对叶轮表面图像进行图像分割时不会遗漏划痕信息。
优选地,本发明一个实施例中,利用调整后的滑窗对叶轮表面图像进行分割,包括:预设步长,沿着叶轮半径方向移动初始滑窗,并根据初始滑窗区域内的突变点信息调整初始滑窗宽度与弧长,遍历整个叶轮区域获得所有调整后的滑窗;利用阈值分割算法,对调整后的滑窗内的像素点进行二值化处理,由于划痕区域的灰度表现要高于正常区域,所以在二值化图像中,将灰度值高的像素点记为1,标记为划痕区域,获得最终的分割结果。本发明一个实施例中,预设步长设置为5个像素点单位;本实施例采用例如大津阈值法等阈值分割算法,具体阈值分割算法为本领域技术人员熟知的技术手段,在此不再进行限定及赘述。
至此,完成了叶轮表面缺陷的视觉检测。
综上所述,本发明首先获取初始滑窗,接着根据滑窗移动时相邻像素点之间的灰度差异获得灰度突变点;获得沿叶轮半径方向上相邻灰度突变点组成的匹配对;根据初始滑窗内所有匹配对内灰度突变点之间的距离,获得滑窗初始宽度,结合划痕弯曲程度,获得当前的滑窗宽度,随着滑窗的移动对滑窗宽度不断进行调整,使滑窗能够容纳当前所有的划痕区域;同时研究初始灰度突变点圆周方向上所有的相似点,计算初始灰度突变点与其相似点的组成的圆弧长度,结合划痕区域的数量进而获得当前的窗口弧长;接着对叶轮表面图像进行分割以更好地检测缺陷。本发明通过初始化滑窗,使滑窗符合划痕纹理特征,并且动态调整滑窗的宽度与弧长,提高分割结果的准确性,减少图像分割时可能出现的计算量。
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)
1.一种不锈钢多级泵叶轮缺陷视觉检测方法,其特征在于,所述方法包括:
获取叶轮表面图像;所述叶轮表面图像中包含叶轮区域;
在所述叶轮区域内根据叶轮区域的尺寸预设有弧形的初始滑窗;根据初始滑窗内沿叶轮半径方向上相邻像素点的灰度差异,获得所述初始滑窗内的灰度突变点;获得沿叶轮半径方向上相邻灰度突变点组成的匹配对;根据初始滑窗内所有匹配对内灰度突变点之间的距离,获得滑窗初始宽度;根据初始滑窗中匹配对内灰度突变点对应的圆弧曲率,获得划痕弯曲程度;根据所述滑窗初始宽度与所述划痕弯曲程度获得调整后的滑窗宽度;
以叶轮圆心为圆心,灰度突变点到叶轮圆心的距离为半径,获得所有灰度突变点所在的圆周;根据所述灰度突变点与圆周方向上相邻像素点之间的灰度特征差异,获得所述灰度突变点的相似点序列;根据初始滑窗内所有所述相似点序列组成的圆弧长度,获得调整后的滑窗弧长;根据所述滑窗宽度与所述滑窗弧长获得调整后的滑窗;将所述初始滑窗遍历整个叶轮区域,获得所有调整后的滑窗;
根据调整后的滑窗对所述叶轮表面图像进行分割;根据分割结果对叶轮进行缺陷检测。
2.根据权利要求1所述的一种不锈钢多级泵叶轮缺陷视觉检测方法,其特征在于,沿叶轮半径方向上灰度突出点获取方法包括:
若初始滑窗中存在像素点与沿叶轮半径方向的相邻像素点之间的灰度值差异大于预设第一阈值时,则将此类像素点作为初始滑窗内沿叶轮半径方向上的灰度突变点。
3.根据权利要求1所述的一种不锈钢多级泵叶轮缺陷视觉检测方法,其特征在于,所述滑窗初始宽度获取方法包括:
在初始滑窗内沿叶轮半径方向上依次将相邻的两个灰度突变点进行匹配,如果相邻两个灰度突变点之间的距离不在预设距离范围内,则认为匹配失败,参与过匹配的灰度突变点构成所述匹配对;遍历沿叶轮半径方向上所有未构成匹配对的灰度突变点,获得所有匹配对;
将所有所述匹配对内两个灰度突变点之间距离的最大值,作为所述滑窗初始宽度。
4.根据权利要求1所述的一种不锈钢多级泵叶轮缺陷视觉检测方法,其特征在于,所述划痕弯曲程度获取方法包括:
利用圆弧曲率公式,根据初始滑窗内所有匹配对内的灰度突变点与叶轮圆心的距离获得所有匹配对内的灰度突变点对应的圆弧曲率;
将所述圆弧曲率求平均获得初始滑窗内所述划痕弯曲程度。
5.根据权利要求3所述的一种不锈钢多级泵叶轮缺陷视觉检测方法,其特征在于,调整后的滑窗宽度获取方法包括:
根据滑窗宽度计算公式获取所述滑窗宽度,所述滑窗宽度计算公式如下所示:
;式中,/>表示调整后的滑窗宽度;/>表示匹配对内灰度突变点与叶轮圆心的最大距离;/>表示匹配对内灰度突变点与叶轮圆心的最小距离;/>表示所述滑窗初始宽度;/>表示初始滑窗中每个匹配对内灰度突变点的数量;/>表示初始滑窗内中每个匹配对内灰度突变点的序号;/>表示匹配对内第/>个灰度突变点所在划痕对应的圆弧曲率。
6.根据权利要求1所述的一种不锈钢多级泵叶轮缺陷视觉检测方法,其特征在于,所述相似点序列获取方法包括:
根据像素点之间的灰度特征差异,获得灰度突变点与圆周方向上相邻像素点之间的相似程度;
将相似程度大于预设第二阈值的相邻像素点作为所述灰度突变点的相似点,以所述灰度突变点为起始点,沿着灰度突变点圆周方向遍历所述起始点左右两侧的所有像素点,直至相邻像素点之间相似程度小于所述第二阈值时,将相邻像素点之间前一个像素点作为终止点,获得所述相似点序列。
7.根据权利要求6所述的一种不锈钢多级泵叶轮缺陷视觉检测方法,其特征在于,所述相似程度获取方法包括:
根据相似程度计算公式获取所述相似程度,所述相似程度计算公式如下所示:
;式中,/>表示第/>个灰度突变点与圆周方向上相邻一个像素点之间的相似程度;/>表示第/>个灰度突变点的灰度值;/>表示第/>个灰度突变点圆周方向上相邻一个灰度突变点的灰度值;/>表示第/>个灰度突变点的梯度值;/>表示第/>个灰度突变点圆周方向上相邻一个灰度突变点的梯度值。
8.根据权利要求6所述的一种不锈钢多级泵叶轮缺陷视觉检测方法,其特征在于,调整后的滑窗弧长的获取方法包括:
计算所有相似点序列组成的圆弧长度,在所有圆弧长度中选取最长圆弧长度作为调整后的滑窗弧长。
9.根据权利要求3所述的一种不锈钢多级泵叶轮缺陷视觉检测方法,其特征在于,根据调整后的滑窗对所述叶轮表面图像进行分割,包括:
预设步长,沿着叶轮半径方向移动初始滑窗,并根据初始滑窗区域内的突变点信息调整初始滑窗宽度与弧长,遍历整个所述叶轮区域获得所有调整后的滑窗;
利用阈值分割算法,对调整后的滑窗内的像素点进行二值化处理,将灰度值高的像素点记为1,标记为划痕区域,获得最终的分割结果。
10.根据权利要求2所述的一种不锈钢多级泵叶轮缺陷视觉检测方法,其特征在于,预设第一阈值设置为10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311586104.0A CN117291922B (zh) | 2023-11-27 | 2023-11-27 | 一种不锈钢多级泵叶轮缺陷视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311586104.0A CN117291922B (zh) | 2023-11-27 | 2023-11-27 | 一种不锈钢多级泵叶轮缺陷视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117291922A true CN117291922A (zh) | 2023-12-26 |
CN117291922B CN117291922B (zh) | 2024-01-30 |
Family
ID=89241196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311586104.0A Active CN117291922B (zh) | 2023-11-27 | 2023-11-27 | 一种不锈钢多级泵叶轮缺陷视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117291922B (zh) |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000338053A (ja) * | 1999-05-28 | 2000-12-08 | Furukawa Electric Co Ltd:The | スリッタラインにおける金属条の表面欠陥検出方法及びその装置 |
KR20060023896A (ko) * | 2004-09-11 | 2006-03-15 | 삼성전자주식회사 | 디스크 드라이브의 진행성 디펙 검출 방법 및 장치 |
WO2018000731A1 (zh) * | 2016-06-28 | 2018-01-04 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
CN111223093A (zh) * | 2020-03-04 | 2020-06-02 | 武汉精立电子技术有限公司 | 一种aoi缺陷检测方法 |
US20200364849A1 (en) * | 2018-01-03 | 2020-11-19 | Southeast University | Method and device for automatically drawing structural cracks and precisely measuring widths thereof |
US20210073972A1 (en) * | 2019-09-06 | 2021-03-11 | Accenture Global Solutions Limited | Intelligent defect detection from image data |
WO2022042579A1 (zh) * | 2020-08-28 | 2022-03-03 | 歌尔股份有限公司 | 一种用于lcd屏幕的缺陷检测方法、装置 |
CN115100203A (zh) * | 2022-08-25 | 2022-09-23 | 山东振鹏建筑钢品科技有限公司 | 一种钢筋打磨除锈质量检测方法 |
CN115131322A (zh) * | 2022-07-04 | 2022-09-30 | 浙江省武林建筑装饰集团有限公司 | 一种建筑外立面铝板表面缺陷检测方法 |
CN115147414A (zh) * | 2022-09-01 | 2022-10-04 | 南通三信塑胶装备科技股份有限公司 | 一种双极型功率晶体管表面击穿缺陷检测方法 |
CN115170576A (zh) * | 2022-09-09 | 2022-10-11 | 山东中发新材料科技有限公司 | 基于机器视觉的铝管表面缺陷检测方法 |
CN115170476A (zh) * | 2022-06-08 | 2022-10-11 | 郑州卓润电子科技有限公司 | 基于图像处理的印制线路板缺陷检测方法 |
CN115239642A (zh) * | 2022-07-01 | 2022-10-25 | 华雁智能科技(集团)股份有限公司 | 一种输电线路中小金具缺陷的检测方法、检测装置和设备 |
CN115393354A (zh) * | 2022-10-27 | 2022-11-25 | 江苏集宿智能装备有限公司 | 一种激光切割缺陷识别方法 |
CN115409833A (zh) * | 2022-10-28 | 2022-11-29 | 一道新能源科技(衢州)有限公司 | 基于反锐化掩模算法的光伏板的热斑缺陷检测方法 |
WO2023070911A1 (zh) * | 2021-10-27 | 2023-05-04 | 西安工程大学 | 一种基于自注意力的彩色纹理织物缺陷区域的检测方法 |
CN116205906A (zh) * | 2023-04-25 | 2023-06-02 | 青岛豪迈电缆集团有限公司 | 一种电缆内部生产异常无损检测方法 |
CN116228768A (zh) * | 2023-05-09 | 2023-06-06 | 济宁众达利电气设备有限公司 | 一种电子元器件表面划痕检测方法 |
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 |
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 |
CN116735612A (zh) * | 2023-08-15 | 2023-09-12 | 山东精亿机械制造有限公司 | 一种精密电子元器件焊接缺陷检测方法 |
WO2023173598A1 (zh) * | 2022-03-15 | 2023-09-21 | 中国华能集团清洁能源技术研究院有限公司 | 基于改进ssd模型的风机叶片缺陷检测方法及系统 |
-
2023
- 2023-11-27 CN CN202311586104.0A patent/CN117291922B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000338053A (ja) * | 1999-05-28 | 2000-12-08 | Furukawa Electric Co Ltd:The | スリッタラインにおける金属条の表面欠陥検出方法及びその装置 |
KR20060023896A (ko) * | 2004-09-11 | 2006-03-15 | 삼성전자주식회사 | 디스크 드라이브의 진행성 디펙 검출 방법 및 장치 |
WO2018000731A1 (zh) * | 2016-06-28 | 2018-01-04 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
US20200364849A1 (en) * | 2018-01-03 | 2020-11-19 | Southeast University | Method and device for automatically drawing structural cracks and precisely measuring widths thereof |
US20210073972A1 (en) * | 2019-09-06 | 2021-03-11 | Accenture Global Solutions Limited | Intelligent defect detection from image data |
CN111223093A (zh) * | 2020-03-04 | 2020-06-02 | 武汉精立电子技术有限公司 | 一种aoi缺陷检测方法 |
WO2022042579A1 (zh) * | 2020-08-28 | 2022-03-03 | 歌尔股份有限公司 | 一种用于lcd屏幕的缺陷检测方法、装置 |
US20230326006A1 (en) * | 2020-08-28 | 2023-10-12 | Goertek Inc. | Defect detection method and device for an lcd screen |
WO2023070911A1 (zh) * | 2021-10-27 | 2023-05-04 | 西安工程大学 | 一种基于自注意力的彩色纹理织物缺陷区域的检测方法 |
WO2023173598A1 (zh) * | 2022-03-15 | 2023-09-21 | 中国华能集团清洁能源技术研究院有限公司 | 基于改进ssd模型的风机叶片缺陷检测方法及系统 |
CN115170476A (zh) * | 2022-06-08 | 2022-10-11 | 郑州卓润电子科技有限公司 | 基于图像处理的印制线路板缺陷检测方法 |
CN115239642A (zh) * | 2022-07-01 | 2022-10-25 | 华雁智能科技(集团)股份有限公司 | 一种输电线路中小金具缺陷的检测方法、检测装置和设备 |
CN115131322A (zh) * | 2022-07-04 | 2022-09-30 | 浙江省武林建筑装饰集团有限公司 | 一种建筑外立面铝板表面缺陷检测方法 |
CN115100203A (zh) * | 2022-08-25 | 2022-09-23 | 山东振鹏建筑钢品科技有限公司 | 一种钢筋打磨除锈质量检测方法 |
CN115147414A (zh) * | 2022-09-01 | 2022-10-04 | 南通三信塑胶装备科技股份有限公司 | 一种双极型功率晶体管表面击穿缺陷检测方法 |
CN115170576A (zh) * | 2022-09-09 | 2022-10-11 | 山东中发新材料科技有限公司 | 基于机器视觉的铝管表面缺陷检测方法 |
CN115393354A (zh) * | 2022-10-27 | 2022-11-25 | 江苏集宿智能装备有限公司 | 一种激光切割缺陷识别方法 |
CN115409833A (zh) * | 2022-10-28 | 2022-11-29 | 一道新能源科技(衢州)有限公司 | 基于反锐化掩模算法的光伏板的热斑缺陷检测方法 |
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 |
CN116205906A (zh) * | 2023-04-25 | 2023-06-02 | 青岛豪迈电缆集团有限公司 | 一种电缆内部生产异常无损检测方法 |
CN116228768A (zh) * | 2023-05-09 | 2023-06-06 | 济宁众达利电气设备有限公司 | 一种电子元器件表面划痕检测方法 |
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 |
CN116735612A (zh) * | 2023-08-15 | 2023-09-12 | 山东精亿机械制造有限公司 | 一种精密电子元器件焊接缺陷检测方法 |
Non-Patent Citations (4)
Title |
---|
常海涛;苟军年;李晓梅;: "Faster R-CNN在工业CT图像缺陷检测中的应用", 中国图象图形学报, no. 07 * |
翟伟良;李有煊;黄浩湄;黄茂发;陈俊杰;莫锦超;: "基于机器视觉的金属表面缺陷检测方法研究", 科技传播, no. 09 * |
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 * |
韩明;吴庆祥;曾雄军;: "基于深度学习的齿轮视觉微小缺陷检测", 计算机系统应用, no. 03 * |
Also Published As
Publication number | Publication date |
---|---|
CN117291922B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116758061B (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
CN115082462B (zh) | 一种流体输送管外观质量检测方法及系统 | |
CN115100203B (zh) | 一种钢筋打磨除锈质量检测方法 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
CN115294338A (zh) | 一种叶轮表面缺陷识别方法 | |
CN112712512A (zh) | 一种基于人工智能的热轧带钢结疤缺陷检测方法及系统 | |
CN116777916B (zh) | 基于泵机金属外壳的缺陷检测方法 | |
CN111667470B (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
CN112598723B (zh) | 一种不锈钢覆层钢筋厚度识别方法、装置及存储介质 | |
CN115063429B (zh) | 一种用于机械配件的质量检测方法 | |
CN112270658A (zh) | 一种基于机器视觉的电梯钢丝绳检测方法 | |
CN116664569B (zh) | 一种焊瘤缺陷检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115311289A (zh) | 一种素色布匹油渍缺陷检测方法 | |
CN115587966A (zh) | 一种在光照不均匀条件下零件有无缺漏的检测方法及系统 | |
CN112233111A (zh) | 一种基于数字图像处理的隧道缝隙检测方法 | |
CN115063407A (zh) | 一种用于环形铜垫片的划痕及裂纹识别方法 | |
CN117291922B (zh) | 一种不锈钢多级泵叶轮缺陷视觉检测方法 | |
CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
Bodnár et al. | A novel method for barcode localization in image domain | |
CN111127381A (zh) | 一种受电弓滑板不平行检测方法 | |
CN113298775A (zh) | 自吸泵双面金属叶轮外观缺陷检测方法、系统和介质 | |
CN115294119B (zh) | 基于机器视觉的梅花螺纹头部内槽污渍检测方法 | |
CN112581433B (zh) | 热障涂层裂纹的几何信息提取方法 | |
CN115272318B (zh) | 一种硅钢钢带的表面自适应缺陷检测方法 |
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 |