CN117315289B - 基于图像处理的航空发动机叶片轮廓边缘检测方法 - Google Patents
基于图像处理的航空发动机叶片轮廓边缘检测方法 Download PDFInfo
- Publication number
- CN117315289B CN117315289B CN202311598191.1A CN202311598191A CN117315289B CN 117315289 B CN117315289 B CN 117315289B CN 202311598191 A CN202311598191 A CN 202311598191A CN 117315289 B CN117315289 B CN 117315289B
- Authority
- CN
- China
- Prior art keywords
- edge
- pixel points
- edges
- gray
- engine blade
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003708 edge detection Methods 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 title claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 46
- 238000012937 correction Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 description 9
- 230000007547 defect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的航空发动机叶片轮廓边缘检测方法,包括:通过边缘检测算法对图像进行边缘检测,确定边缘上的目标边缘区域;根据目标边缘区域内像素点的梯度幅值与灰度值对像素点进行聚类,获得目标簇类,然后对目标簇类中的像素点进行标记;通过预设滑动窗口对标记像素点进行滑动,在滑动的过程中根据预设滑动窗口内像素点的灰度变化来确定每一个滑动窗口内的分割阈值;通过分割阈值对目标边缘区域像素点进行分割,获得边缘像素点;获得发动机叶片的最小外接矩形,根据发动机叶片边缘最小外接矩形之间的对应关系计算发动机叶片边缘的平整程度;根据发动机叶片边缘的平整程度对轮廓边缘进行检测。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的航空发动机叶片轮廓边缘检测方法。
背景技术
发动机叶片是飞机的关键组件之一,其质量是飞机性能和安全性的重要保障。通过检测叶片轮廓的边缘,可以检测并测量叶片的形状、尺寸和几何特性,以确保它们符合设计和制造标准以及制造过程中的缺陷,例如用于检测叶片上的损伤、缺边、磨损或其他异常情况。
在现有技术中,传统的方法是使用边缘检测算法,但由于部分边缘反光等因素造成弱边缘的情况,导致对其边缘检测分割的结果并不理想。而现有的阈值分割算法能够对图像进行准确的分割,但是合适的分割阈值的选取较为困难,因此本发明通过选择合适的分割阈值来对图像的边缘进行分割。
发明内容
为了解决上述问题,本发明提供一种基于图像处理的航空发动机叶片轮廓边缘检测方法。
本发明的一种基于图像处理的航空发动机叶片轮廓边缘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基于图像处理的航空发动机叶片轮廓边缘检测方法,该方法包括以下步骤:
获取发动机叶片的灰度图像;
在灰度图像的所有边缘中筛选出可连接边缘,根据可连接边缘确定候选边缘;根据候选边缘的像素点数量和候选边缘邻域像素点之间的位置差异确定目标区域;
根据目标区域内像素点的梯度幅值与灰度值对像素点进行聚类,根据聚类结果中像素点的梯度幅值与灰度值的分布获得目标簇类,将目标簇类中的像素点记为标记像素点;通过预设滑动窗口对标记像素点进行滑动,在滑动的过程中根据预设滑动窗口内像素点的灰度变化以及窗口阈值校正系数来确定每一个滑动窗口内的分割阈值,所述校正系数是由滑动窗口中的灰度值与灰度标准差获得;通过分割阈值对目标区域内的像素点进行分割,获得边缘像素点,由灰度图像上所有边缘像素点构成发动机叶片边缘;
根据发动机叶片边缘获得发动机叶片的最小外接矩形,根据发动机叶片边缘与最小外接矩形之间的距离计算发动机叶片边缘的平整程度;
根据发动机叶片边缘的平整程度对轮廓边缘进行检测。
进一步的,所述在灰度图像的所有边缘中筛选出可连接边缘,根据可连接边缘确定候选边缘,包括的具体步骤如下:
通过边缘检测算法获得灰度图像的边缘;然后根据检测到的边缘之间的位置关系筛选出可连接边缘,具体的,如果任意两条边缘满足如下两个条件,那么所述两条边缘记为一组可连接边缘:
(1)所述两条边缘的延伸方向相似,且所述两条边缘的两个最近的端点形成的线段上不存在其它边缘像素点,则这两组边缘记为一组可连接边缘;
两条边缘的延伸方向是否相似的判断方法为:在边缘上获取与该边缘端点最近的10条边缘像素点,将所述10条边缘像素点拟合成直线,该直线的方向为端点的延伸方向,对于两条边缘的两个最近的端点,如果这两个端点的延伸方向之间的差异小于30度,那么所述两条边缘的延伸方向相似,否则不相似;
(2)这两条边缘的延伸方向不相似,但是这两条边缘的两个最近的端点之间的欧式距离相比其它边缘端点的欧式距离来说是最小的;
然后由可连接边缘上最近的两个端点形成的线段作为候选边缘。
进一步的,所述根据候选边缘的像素点数量和候选边缘邻域像素点之间的位置差异确定目标区域,包括的具体步骤如下:
将候选边缘上像素点的数量作为候选边缘所在的矩形区域的长,然后根据候选边缘邻域像素点之间的位置差异得到候选边缘所在的矩形区域的宽,所述长和宽构成候选边缘所在的矩形区域,将所述矩形区域记为目标区域。
进一步的,所述根据候选边缘邻域像素点之间的位置差异得到候选边缘所在的矩形区域的宽,包括的具体步骤如下:
其中,表示第/>个候选边缘所在的矩形区域的宽,/>表示分别从第/>个候选边缘左右两侧的两条边缘上分别取/>个像素点,这/>个像素点记为第/>个候选边缘邻域像素点,为预设像素点数量,/>表示第/>个候选边缘邻域像素点中的第/>个像素点,/>表示第/>个候选边缘邻域像素点中的第/>个像素点,/>表示第/>个像素点和第/>个像素点之间横纵坐标差值绝对值的和;/>为预设值。
进一步的,所述根据目标区域内像素点的梯度幅值与灰度值对像素点进行聚类,根据聚类结果中像素点的梯度幅值与灰度值的分布获得目标簇类,包括的具体步骤如下:
将目标区域内所有像素点的灰度值和梯度幅值分别作为二维平面的横坐标与纵坐标,将目标区域内所有像素点按照灰度值和灰度梯度的坐标映射在二维平面坐标系内,对二维平面坐标系内的像素点进行聚类得到若干类簇,将灰度均值最小的类簇记为目标类簇。
进一步的,所述通过预设滑动窗口对标记像素点进行滑动,在滑动的过程中根据预设滑动窗口内像素点的灰度变化以及窗口阈值校正系数来确定每一个滑动窗口内的分割阈值,包括的具体步骤如下:
利用预设窗口在目标区域的标记像素点上滑动,滑动的起始点从目标区域最左上方的标记像素点开始,然后根据滑动窗口内像素点的灰度变化以及窗口阈值校正系数来确定每一个滑动窗口内的分割阈值,其计算公式如下:
式中,表示第/>个目标区域中第/>个滑动窗口的分割阈值,/>表示第/>个目标区域中第/>个滑动窗口阈值的矫正系数,/>表示第/>个目标区域中第/>个滑动窗口内像素点的灰度最大值,/>示第/>个目标区域中第/>个滑动窗口内像素点的灰度最小值。
进一步的,所述校正系数的具体获取步骤如下:
式中,表示第/>个目标区域中第/>个滑动窗口阈值的矫正系数,/>表示第/>个目标区域中第/>个滑动窗口中第/>个像素点的灰度值,/>表示滑动窗口内的像素点的数量,/>表示第/>个目标区域中第/>个滑动窗口的灰度标准差,/>表示线性归一化函数。
进一步的,所述通过分割阈值对目标区域内的像素点进行分割,获得边缘像素点,由灰度图像上所有边缘像素点构成发动机叶片边缘,包括的具体步骤如下:
滑动窗口在滑动的过程中,当滑动窗口内像素点的灰度值大于分割阈值时将其作为背景,小于分割阈值时将其作为边缘像素点,由灰度图像上所有边缘像素点构成发动机叶片边缘。
进一步的,所述根据发动机叶片边缘获得发动机叶片的最小外接矩形,根据发动机叶片边缘与最小外接矩形之间的距离计算发动机叶片边缘的平整程度,包括的具体步骤如下:
获得发动机叶片的边缘的最小外接矩形,获取最小外接矩形的四个顶点,计算每个顶点到发动机叶片边缘像素点最小距离,将最小距离对应的像素点作为发动机叶片边缘的分割点,获得发动机叶片边缘的四个分割点,进而将发动机叶片的完整边缘分为四条短边缘,然后根据发动机叶片边缘像素点和对应外接矩形的边缘之间的距离得到该叶片的边缘平整程度,其式如下:
式中,表示航空发动机叶片边缘第/>条短边缘的平整程度,/>表示第/>条边的第/>个边缘像素点与外接矩形的第/>条短边缘边的对应边的垂直距离,/>表示发动机叶片上的第/>条边缘像素点与外接矩形的第/>条边的垂直距离,/>表示第/>条边上像素点的数量,/>表示以自然常数为底的指数函数。
进一步的,所述根据发动机叶片边缘的平整程度对轮廓边缘进行检测,包括的具体步骤如下:
根据获得的发动机叶片每一条短边缘的平整程度,获得四条段边缘的平整程度均值,当平整程度均值大于预设阈值时,表示发动机轮廓边缘的平整程度合格;当平整程度均值小于预设阈值/>时,表示发动机轮廓边缘的平整程度不合格。
本发明的技术方案的有益效果是:在使用传统的边缘检测算法对航空发动机叶片进行边缘检测时,由于叶片边缘部分位置出现反光原因,即存在弱边缘情况,使用该方法并为检测到。因此,需要对未知位置处的像素点分析从而得到边缘,为了减少计算量,根据未知位置两侧边缘的变化程度和未知位置两侧边缘之间的距离间隔得到对未知位置处需要分析的像素点的范围大小,进而得到目标区域。然后根据目标边缘区域处分析范围内像素点的梯度幅值和灰度值对其进行聚类,得到可能为边缘的像素点并对其进行标记,在分割过程中窗口滑动时只需要根据标记的像素点的位置进行滑动,进一步减少对未知位置边缘分割时的计算量,然后根据窗口内的像素点的特征得到窗口内的分割阈值,通过结合该场景下的影响因素,对初始分割阈值进行调整,从而得到对未知位置边缘更好的分割效果,通过对其他未知位置进行同样的边缘分割,进而得到航空发动机叶片边缘的整体分割结果,根据分割结果进一步分析计算得到该叶片边缘的平整程度,进而根据平整度对发动机叶片的轮廓边缘进行检测。
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为本发明的一种基于图像处理的航空发动机叶片轮廓边缘检测方法的步骤流程图;
图2为本发明获得航空发动机叶片的一组可连接边缘的示意图。
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基于图像处理的航空发动机叶片轮廓边缘检测方法,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基于图像处理的航空发动机叶片轮廓边缘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基于图像处理的航空发动机叶片轮廓边缘检测方法的步骤流程图,该方法包括以下步骤:
S001.布设相机,采集航空发动机叶片的俯视图像,并对其进行预处理;
本发明的主要目的是对航空发动机叶片边缘进行分割提取,然后根据分割结果对航空发动机叶片进行质量的检测。因此在航空发动机叶片生产线上布置的高清相机加以均光板的照明辅助,对航空发动机的叶片进行俯视拍摄,并使用高斯滤波算法对采集到的图像进行去噪,避免噪声的因素干扰,高斯滤波算法为现有公知技术,在此不再进行赘述。然后获得去噪后的航空发动机叶片图像。在对去噪后的图像进行灰度化处理,获得对应的灰度图像。
S002.对图像进行边缘检测,确定目标边缘区域的大小;
在对航空发动机叶片边缘进行分割提取时,由于叶片表面弯曲和反光等原因造成部分边缘区域的灰度与未发生反光区域的灰度之间存在较大的差异,使用边缘检测算法并不能很好地将其真实边缘进行分割提取出来,因此需要对这些没有提取出来边缘检测出来的位置进行分析,然后通过自适应阈值分割的方法来获得这些没有检测出来的边缘。
为了方便对叶片边缘像素点的位置进行分析,将航空发动机叶片的灰度图像的长边记为轴,短边记为/>轴。通过/>算子对灰度图像中的发动机叶片进行边缘检测,获得灰度图像的边缘;如图2所示,如果两条边缘满足如下两个条件,那么这两条边缘记为一组可连接边缘:
如图2中b1所示,这两条边缘的延伸方向相似,且这两条边缘的两个最近的端点形成的线段上不存在其它边缘像素点,则这两组边缘记为一组可连接边缘。两条边缘的延伸方向是否相似的判断方法为:在边缘上获取与该边缘端点最近的10条边缘像素点,将这10条边缘像素点利用最小二乘法拟合成直线,该直线的方向为端点的延伸方向,对于两条边缘的两个最近的端点,如果这两个端点的延伸方向之间的差异小于30度,那么说明这两条边缘的延伸方向相似。
如图2中b2所示,这两条边缘的延伸方向不相似,但是这两条边缘的两个最近的端点之间的欧式距离相比其它边缘端点的欧式距离来说是最小的。
灰度图像包含多组可连接边缘,获取所有的可连接边缘。对于第组可连接边缘,该组可连接边缘上最近的两个端点形成的线段记为第/>个候选边缘(图2中a所示的虚线表示候选边缘)。将第/>组可连接边缘所包括的两条边缘作为第/>个候选边缘两侧的两条边缘。
然后对这些候选边缘进行分析,使用自适应阈值分割方法对候选边缘所包含的像素点进行分割提取,从而得到候选边缘上的像素点。在这里需要说明的是,未检测出来的候选边缘像素点有多个像素点,并不是一个像素点。
具体的,在对候选边缘进行分析时,为了避免减少不必要的像素点的分析和计算,需要根据已经检测出来的边缘像素点的位置变化分析,从而确定候选边缘像素点的区域大小。由于发动机叶片边缘像素点具有连续性的特点,在对候选边缘进行范围划分时,可以选择合适的大小矩形的矩形区域,然后对矩形区域内的像素点进行分析即可。
具体的,确定候选边缘像素点的矩形区域的具体获取方法如下:
如图2中a所示,对候选边缘的矩形区域大小进行选择时,将候选边缘上像素点的数量作为当前候选边缘所在矩形区域的长,如图中虚线所表示的为矩形的长,然后根据候选边缘两侧的边缘像素点的变化情况得到当前候选边缘所选矩形区域的宽,其计算式如下:
其中,表示第/>个候选边缘所选矩形区域的宽,/>表示分别从第/>个候选边缘左右两侧的两条边缘上分布取/>个像素点,这/>个像素点记为第/>个候选边缘邻域像素点,本实施例中取/>,其中/>取50,该值为经验值,实施者可根据不同的实施环境自行设定;/>表示第/>个候选边缘邻域像素点中的第/>个像素点,/>表示第/>个候选边缘邻域像素点中的第/>个像素点,/>表示第/>个像素点和第/>个像素点之间横纵坐标差值绝对值的和;/>表示对第/>个候选边缘所选矩形的放大倍数,这里取值为/>。
需要说明的是,候选边缘两侧检测出来的像素点表示的是在对图像进行边缘检测时,有部分边缘因为受到光照的影响,导致检测不到该边缘,从而会导致边缘不连续,因此在不连续的边缘上会形成空白区域,该空白区域即是上述所述的候选边缘所选矩形区域。因为发动机叶片边缘像素点在正常情况下表现较为光滑和平整,倘若某处边缘破损或者发生形变等,边缘像素点的位置也会发生一定的变化,根据发动机未知位置处两侧检测的边缘像素点的变化程度从而对候选边缘所选矩形的宽进行估值。倘若候选边缘两侧检测的边缘像素点的变化程度较大,那么其两侧边缘像素点相邻像素点的横纵坐标差异变化是比较大的,在对该处分析像素点的区域也应该大一些,同理则比较小。表示第/>个未知位置处两侧检测的边缘像素点的在位置上总体变化程度,该值越大则说明该处边的光滑平整度变化比较大,对应的未知位置区域像素点分析的范围,即矩形的形状比较大,反之则小。
进一步的,因为上述在对其进行分析时,对受到光照影响的区域将其表述为候选边缘所选矩形区域,其主要是因为不知道受到光照影响的区域的范围,因此对其进行分析,确定受到光照影响的边缘区域的大小,然后将所选矩形区域记为目标边缘区域,进而在对目标边缘区域的像素点进行分析,来获得目标边缘区域的分割阈值。
S003.获得目标边缘区域的分割阈值;
通过上述确定的目标边缘区域,然后对其进行分析来确定目标边缘区域的分割阈值。具体实现过程如下:
在边缘分割提取过程中,为了使窗口能够快速滑动到边缘像素点处,通过算子计算出目标边缘区域内的像素点的灰度梯度,因为边缘上像素点的梯度幅值较其他地方往往是比较大的,同样地,处在边缘上的像素点的灰度往往比其他地方的灰度值小,因此将目标边缘区域内所有像素点的灰度值和梯度幅值分别作为二维平面的横坐标与纵坐标,将目标边缘区域内所有像素点按照灰度值和灰度梯度的坐标映射在二维平面坐标系内,然后通过/>聚类算法将坐标系内的点进行聚类,这里设置/>值为2,则获得两个目标类簇。/>聚类算法未现有公知技术,在此不再进行赘述。
进一步的,根据图像像素点灰度的变化特征可知,越靠近目标边缘区域的像素点的灰度值越大,而发动机叶片区域的灰度值越小,且灰度是均匀的,因此处于目标边缘区域与发动机叶片区域之间的像素点的梯度幅值的变化是比较大的,则在根据像素点的灰度值与梯度幅值对目标边缘区域中的像素点进行聚类时,位于坐标轴纵轴的簇内的像素点极有很大可能为疑似边缘的像素点,然后对这些像素点进行标记,获得标记像素点,然后通过滑动窗口中像素点的灰度变化来对标记像素点进行阈值分割。
具体的,设定的窗口对矩形内标记的像素点按照在灰度图中的位置进行滑动,滑动的起始点为目标边缘区域最左上方的标记像素点开始,按照从左到右的方向进行滑动,这里设置滑动步长为/>,该值为经验值,实施者可根据不同的实施环境自行设定。需要说明的是,因为在对目标边缘区域的像素点进行聚类时,是根据目标边缘区域像素点的灰度值与梯度幅值进行聚类的,而边缘区域的灰度较小,并且梯度幅值较大,那么获得的聚类簇中所包含的像素点绝大部分是处于发动机叶片的边缘区域的像素点,因此在对标记像素点进行窗口滑动时,能够反映像素点之间的灰度关系,但是再窗口滑动的过程中,可能会存在标记像素点不连续的情况,因此规定在每次滑动的过程中,滑动窗口内包含的标记像素点超过滑动窗口中像素点数量一半以上,那么就根据滑动窗口内像素点的灰度变化获得当前窗口的分割阈值;反之,滑动窗口内包含的标记像素点未超过滑动窗口中像素点数量一半,则滑动窗口跳过当前滑动区域,进行下一次的滑动。当前滑动窗口的分割阈值的计算公式如下:
式中,表示第/>个目标边缘区域中第/>个滑动窗口的分割阈值,/>表示第/>个目标边缘区域中第/>个滑动窗口阈值的矫正系数,/>表示第/>个目标边缘区域中第/>个滑动窗口内像素点的灰度最大值,/>示第/>个目标边缘区域中第/>个滑动窗口内像素点的灰度最小值,/>表示第/>个目标边缘区域中第/>个滑动窗口内像素点灰度值的中值,即将滑动窗口内像素点灰度的中值作为初始分割阈值。
但是因为在叶片的反光下,可能会存在未过滤掉的噪声,而采用中值法可以减少噪声的干扰,对于发动机叶片边缘处存在光照不均匀的情况下可能分割处的效果不佳,因此需要结合滑动窗口内像素点的灰度均值和滑动窗口内像素点的灰度值的标准差对该滑动窗口的初始分割阈值进行矫正,这样可以使得该滑动窗口所选择的阈值在具有不均匀光照和噪声的图像中表现较好。因此分割阈值的矫正系数的计算公式如下:
式中,表示第/>个目标边缘区域中第/>个滑动窗口阈值的矫正系数,/>表示第/>个目标边缘区域中第/>个滑动窗口中第/>个像素点的灰度值,/>表示滑动窗口内的像素点的数量,/>表示第/>个目标边缘区域中第/>个滑动窗口的灰度标准差,/>表示线性归一化函数。
具体的,表示第/>个目标边缘区域中第/>个滑动窗口内像素点的灰度均值,因为均值可以代表当前滑动窗口内的像素点的整体灰度值,该值和选取的初始分割阈值之间的差异越大则说明选取的初始阈值受到光照影响变化越大,即的值越大,需要对初始分割阈值的矫正程度越大。标准差表示的是滑动窗口内像素点的灰度变化,灰度变化越大,说明需要对其矫正的程度越大。
然后滑动窗口在滑动的过程中,一边滑动一边确定每一次滑动过程中滑动窗口内的分割阈值,当滑动窗口内像素点的灰度值大于分割阈值时将其作为背景,小于分割阈值时将其作为边缘像素点。
至此,获得在灰度图像上所有边缘像素点,这些边缘像素点构成发动机叶片的边缘。
S004.根据分割获得的发动机叶片的边缘得到边缘的平整程度;
通过上述步骤可以得到发动机叶片的整条边缘,因为通常情况下发动机的叶片边缘表现为光滑的曲线,但是当叶片边缘出现缺口或凸起等缺陷会导致叶片边缘不平整,因此需要根据叶片边缘像素点计算出检测叶片的边缘平整程度。获得发动机叶片的边缘的最小外接矩形,获取最小外接矩形的四个顶点,计算每个顶点到发动机叶片边缘像素点最小距离,将最小距离对应的像素点作为发动机叶片边缘的分割点,获得发动机叶片边缘的四个分割点,进而将发动机叶片的完整边缘分为四条短边缘,然后根据发动机叶片每一条短边缘的像素点和对应外接矩形的边缘之间的距离得到该叶片的边缘平整程度,其式如下:
式中,表示航空发动机叶片边缘第/>条短边缘的平整程度,/>表示第/>条边的第/>个边缘像素点与外接矩形的第/>条短边缘边的对应边的垂直距离,/>表示发动机叶片上的第/>条边缘像素点与外接矩形的第/>条边的垂直距离,/>表示第/>条边上像素点的数量,/>表示以自然常数为底的指数函数。
具体的,因为发动机叶片的边缘在正常情况下是比较平整的,那么检测出来的边缘相对于外接矩形的边之间的距离变化是一致的,或者比较小,倘若该边缘处存在凹陷和凸起,即不平整的缺陷时,该边缘缺陷位置处的像素点和对应的外接矩形之间的距离变化差异是比较大的,因此用表示第/>条边缘的平整程度,该值越小则说明该处边缘越平整。
S005.根据发动机叶片边缘的平整程度对轮廓边缘进行检测;
根据上述计算获得的发动机叶片边缘的平整程度,然后对其轮廓边缘进行检测。因为边缘越平整,则说明发动机叶片的边缘越不可能存在崩边缺陷,因此边缘的检测会越准确。
根据获得的发动机叶片每一条短边缘的平整程度,获得四条段边缘的平整程度均值,当平整程度均值大于预设阈值时,表示发动机轮廓边缘的平整程度合格;当平整程度均值小于预设阈值/>时,表示发动机轮廓边缘的平整程度不合格;取/>,该值为经验值,实施者可根据不同的实施环境自行设定。
通过以上步骤,完成了一种基于图像处理的航空发动机叶片轮廓边缘检测方法。
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 (9)
1.一种基于图像处理的航空发动机叶片轮廓边缘检测方法,其特征在于,该方法包括以下步骤:
获取发动机叶片的灰度图像;
在灰度图像的所有边缘中筛选出可连接边缘,根据可连接边缘确定候选边缘;根据候选边缘的像素点数量和候选边缘邻域像素点之间的位置差异确定目标区域;
根据目标区域内像素点的梯度幅值与灰度值对像素点进行聚类,根据聚类结果中像素点的梯度幅值与灰度值的分布获得目标簇类,将目标簇类中的像素点记为标记像素点;通过预设滑动窗口对标记像素点进行滑动,在滑动的过程中根据预设滑动窗口内像素点的灰度变化以及窗口阈值校正系数来确定每一个滑动窗口内的分割阈值,所述校正系数是由滑动窗口中的灰度值与灰度标准差获得;通过分割阈值对目标区域内的像素点进行分割,获得边缘像素点,由灰度图像上所有边缘像素点构成发动机叶片边缘;
根据发动机叶片边缘获得发动机叶片的最小外接矩形,根据发动机叶片边缘与最小外接矩形之间的距离计算发动机叶片边缘的平整程度;
根据发动机叶片边缘的平整程度对轮廓边缘进行检测;
所述在灰度图像的所有边缘中筛选出可连接边缘,根据可连接边缘确定候选边缘,包括的具体步骤如下:
通过边缘检测算法获得灰度图像的边缘;然后根据检测到的边缘之间的位置关系筛选出可连接边缘,具体的,如果任意两条边缘满足如下两个条件,那么所述两条边缘记为一组可连接边缘:
(1)所述两条边缘的延伸方向相似,且所述两条边缘的两个最近的端点形成的线段上不存在其它边缘像素点,则这两组边缘记为一组可连接边缘;
两条边缘的延伸方向是否相似的判断方法为:在边缘上获取与该边缘端点最近的10条边缘像素点,将所述10条边缘像素点拟合成直线,该直线的方向为端点的延伸方向,对于两条边缘的两个最近的端点,如果这两个端点的延伸方向之间的差异小于30度,那么所述两条边缘的延伸方向相似,否则不相似;
(2)这两条边缘的延伸方向不相似,但是这两条边缘的两个最近的端点之间的欧式距离相比其它边缘端点的欧式距离来说是最小的;
然后由可连接边缘上最近的两个端点形成的线段作为候选边缘。
2.根据权利要求1所述的一种基于图像处理的航空发动机叶片轮廓边缘检测方法,其特征在于,所述根据候选边缘的像素点数量和候选边缘邻域像素点之间的位置差异确定目标区域,包括的具体步骤如下:
将候选边缘上像素点的数量作为候选边缘所在的矩形区域的长,然后根据候选边缘邻域像素点之间的位置差异得到候选边缘所在的矩形区域的宽,所述长和宽构成候选边缘所在的矩形区域,将所述矩形区域记为目标区域。
3.根据权利要求2所述的一种基于图像处理的航空发动机叶片轮廓边缘检测方法,其特征在于,所述根据候选边缘邻域像素点之间的位置差异得到候选边缘所在的矩形区域的宽,包括的具体步骤如下:
其中,表示第/>个候选边缘所在的矩形区域的宽,/>表示分别从第/>个候选边缘左右两侧的两条边缘上分别取/>个像素点,这/>个像素点记为第/>个候选边缘邻域像素点,/>为预设像素点数量,/>表示第/>个候选边缘邻域像素点中的第/>个像素点,/>表示第/>个候选边缘邻域像素点中的第/>个像素点,/>表示第/>个像素点和第/>个像素点之间横纵坐标差值绝对值的和;/>为预设值。
4.根据权利要求1所述的一种基于图像处理的航空发动机叶片轮廓边缘检测方法,其特征在于,所述根据目标区域内像素点的梯度幅值与灰度值对像素点进行聚类,根据聚类结果中像素点的梯度幅值与灰度值的分布获得目标簇类,包括的具体步骤如下:
将目标区域内所有像素点的灰度值和梯度幅值分别作为二维平面的横坐标与纵坐标,将目标区域内所有像素点按照灰度值和灰度梯度的坐标映射在二维平面坐标系内,对二维平面坐标系内的像素点进行聚类得到若干类簇,将灰度均值最小的类簇记为目标类簇。
5.根据权利要求1所述的一种基于图像处理的航空发动机叶片轮廓边缘检测方法,其特征在于,所述通过预设滑动窗口对标记像素点进行滑动,在滑动的过程中根据预设滑动窗口内像素点的灰度变化以及窗口阈值校正系数来确定每一个滑动窗口内的分割阈值,包括的具体步骤如下:
利用预设窗口在目标区域的标记像素点上滑动,滑动的起始点从目标区域最左上方的标记像素点开始,然后根据滑动窗口内像素点的灰度变化以及窗口阈值校正系数来确定每一个滑动窗口内的分割阈值,其计算公式如下:
式中,表示第/>个目标区域中第/>个滑动窗口的分割阈值,/>表示第/>个目标区域中第/>个滑动窗口阈值的矫正系数,/>表示第/>个目标区域中第/>个滑动窗口内像素点的灰度最大值,/>示第/>个目标区域中第/>个滑动窗口内像素点的灰度最小值。
6.根据权利要求5所述的一种基于图像处理的航空发动机叶片轮廓边缘检测方法,其特征在于,所述校正系数的具体获取步骤如下:
式中,表示第/>个目标区域中第/>个滑动窗口阈值的矫正系数,/>表示第/>个目标区域中第/>个滑动窗口中第/>个像素点的灰度值,/>表示滑动窗口内的像素点的数量,/>表示第/>个目标区域中第/>个滑动窗口的灰度标准差,/>表示线性归一化函数。
7.根据权利要求1所述的一种基于图像处理的航空发动机叶片轮廓边缘检测方法,其特征在于,所述通过分割阈值对目标区域内的像素点进行分割,获得边缘像素点,由灰度图像上所有边缘像素点构成发动机叶片边缘,包括的具体步骤如下:
滑动窗口在滑动的过程中,当滑动窗口内像素点的灰度值大于分割阈值时将其作为背景,小于分割阈值时将其作为边缘像素点,由灰度图像上所有边缘像素点构成发动机叶片边缘。
8.根据权利要求1所述的一种基于图像处理的航空发动机叶片轮廓边缘检测方法,其特征在于,所述根据发动机叶片边缘获得发动机叶片的最小外接矩形,根据发动机叶片边缘与最小外接矩形之间的距离计算发动机叶片边缘的平整程度,包括的具体步骤如下:
获得发动机叶片的边缘的最小外接矩形,获取最小外接矩形的四个顶点,计算每个顶点到发动机叶片边缘像素点最小距离,将最小距离对应的像素点作为发动机叶片边缘的分割点,获得发动机叶片边缘的四个分割点,进而将发动机叶片的完整边缘分为四条短边缘,然后根据发动机叶片边缘像素点和对应外接矩形的边缘之间的距离得到该叶片的边缘平整程度,其式如下:
式中,表示航空发动机叶片边缘第/>条短边缘的平整程度,/>表示第/>条边的第/>个边缘像素点与外接矩形的第/>条短边缘边的对应边的垂直距离,/>表示发动机叶片上的第/>条边缘像素点与外接矩形的第/>条边的垂直距离,/>表示第/>条边上像素点的数量,/>表示以自然常数为底的指数函数。
9.根据权利要求8所述的一种基于图像处理的航空发动机叶片轮廓边缘检测方法,其特征在于,所述根据发动机叶片边缘的平整程度对轮廓边缘进行检测,包括的具体步骤如下:
根据获得的发动机叶片每一条短边缘的平整程度,获得四条段边缘的平整程度均值,当平整程度均值大于预设阈值时,表示发动机轮廓边缘的平整程度合格;当平整程度均值小于预设阈值/>时,表示发动机轮廓边缘的平整程度不合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311598191.1A CN117315289B (zh) | 2023-11-28 | 2023-11-28 | 基于图像处理的航空发动机叶片轮廓边缘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311598191.1A CN117315289B (zh) | 2023-11-28 | 2023-11-28 | 基于图像处理的航空发动机叶片轮廓边缘检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117315289A CN117315289A (zh) | 2023-12-29 |
CN117315289B true CN117315289B (zh) | 2024-02-09 |
Family
ID=89281422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311598191.1A Active CN117315289B (zh) | 2023-11-28 | 2023-11-28 | 基于图像处理的航空发动机叶片轮廓边缘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117315289B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117912404A (zh) * | 2024-03-15 | 2024-04-19 | 杭州海康威视数字技术股份有限公司 | 一种应用于led显示屏的灯珠有效像素点的边界确定方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105261017A (zh) * | 2015-10-14 | 2016-01-20 | 长春工业大学 | 基于路面约束的图像分割法提取行人感兴趣区域的方法 |
CN109409190A (zh) * | 2018-08-21 | 2019-03-01 | 南京理工大学 | 基于梯度直方图和Canny边缘检测器的行人检测方法 |
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 |
CN116758075A (zh) * | 2023-08-18 | 2023-09-15 | 深圳市智祥源科技有限公司 | 基于人工智能的吹风机电机运行故障检测方法 |
-
2023
- 2023-11-28 CN CN202311598191.1A patent/CN117315289B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105261017A (zh) * | 2015-10-14 | 2016-01-20 | 长春工业大学 | 基于路面约束的图像分割法提取行人感兴趣区域的方法 |
CN109409190A (zh) * | 2018-08-21 | 2019-03-01 | 南京理工大学 | 基于梯度直方图和Canny边缘检测器的行人检测方法 |
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 |
CN116758075A (zh) * | 2023-08-18 | 2023-09-15 | 深圳市智祥源科技有限公司 | 基于人工智能的吹风机电机运行故障检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117315289A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114862862B (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
CN114723701B (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN117315289B (zh) | 基于图像处理的航空发动机叶片轮廓边缘检测方法 | |
CN115829883A (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN114937039A (zh) | 一种钢管缺陷智能检测方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN115797342B (zh) | 一种工业控制电容触摸lcd显示总成缺陷检测方法 | |
CN116030060B (zh) | 一种塑料颗粒质量检测方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN115294099B (zh) | 一种钢板轧制过程发纹缺陷的检测方法及系统 | |
CN106096491B (zh) | 一种眼底彩色照相图像中微动脉瘤自动化识别方法 | |
CN116188468B (zh) | 一种hdmi线缆传输分拣智能控制系统 | |
CN116958144B (zh) | 一种新能源连接线表面瑕疵区域快速定位方法及系统 | |
CN117011292B (zh) | 一种复合板表面质量快速检测方法 | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN115359237A (zh) | 一种基于图形识别的齿轮断齿识别方法 | |
CN107657620A (zh) | 一种带纹理的金属凝固区域识别的方法及系统 | |
CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
CN117392469B (zh) | 基于机器视觉的钙钛矿电池表面涂膜检测方法及系统 | |
CN114140416A (zh) | 一种基于机器视觉的玻璃边缘检测方法和系统 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN107967690B (zh) | 一种自适应铁谱磨粒图像二值化处理方法 |
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 |