CN117351017A - 一种光伏钢结构组件缺陷视觉检测方法 - Google Patents
一种光伏钢结构组件缺陷视觉检测方法 Download PDFInfo
- Publication number
- CN117351017A CN117351017A CN202311649909.5A CN202311649909A CN117351017A CN 117351017 A CN117351017 A CN 117351017A CN 202311649909 A CN202311649909 A CN 202311649909A CN 117351017 A CN117351017 A CN 117351017A
- Authority
- CN
- China
- Prior art keywords
- detected
- window
- pixel point
- value
- defect
- 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.)
- Withdrawn
Links
- 230000007547 defect Effects 0.000 title claims abstract description 194
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 87
- 239000010959 steel Substances 0.000 title claims abstract description 87
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 230000000007 visual effect Effects 0.000 title claims abstract description 14
- 238000005260 corrosion Methods 0.000 claims abstract description 130
- 230000007797 corrosion Effects 0.000 claims abstract description 130
- 230000011218 segmentation Effects 0.000 claims abstract description 88
- 238000000034 method Methods 0.000 claims abstract description 45
- 230000002950 deficient Effects 0.000 claims description 71
- 230000002776 aggregation Effects 0.000 claims description 24
- 238000004220 aggregation Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 10
- 238000011179 visual inspection Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 description 7
- 238000003709 image segmentation Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000000605 extraction Methods 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
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification 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
- 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
- G06T7/11—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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及阈值分割技术领域,具体涉及一种光伏钢结构组件缺陷视觉检测方法,包括:获取待检测光伏钢结构组件的灰度图像,判断待检测光伏钢结构组件是否存在腐蚀缺陷;若存在,对灰度图像进行窗口划分获得各个待检测窗口;根据各个待检测窗口的像素特征,确定各个待检测窗口存在缺陷的可能性,进而获得各个待检测窗口的最佳分割阈值;利用最佳分割阈值对灰度图像进行阈值分割获得分割结果,确定各个腐蚀缺陷区域。本发明通过确定各个待检测窗口的最佳分割阈值,有利于准确识别腐蚀程度较弱的缺陷区域边缘,获得精准性更高的分割结果,进一步提升光伏钢结构组件缺陷视觉检测的准确性。
Description
技术领域
本发明涉及阈值分割技术领域,具体涉及一种光伏钢结构组件缺陷视觉检测方法。
背景技术
光伏钢结构组件是一种用于支撑和安装太阳能光伏电池板的结构系统,由于一直暴露在户外环境中,光伏钢结构组件可能会受到腐蚀的影响,从而削弱钢材的强度和耐久性,导致结构不稳定。因此,需要对光伏钢结构组件进行实时缺陷检测,以便于及时对存在腐蚀缺陷的光伏钢结构组件进行维修。
现有常用阈值分割方法来检测存在的缺陷区域,但是该方法对图像整体进行分割时,由于光伏钢结构组件上不同位置出现腐蚀缺陷的可能性不同,因此利用单一阈值对图像进行分割的过程中,对差异较小的缺陷区域不能做到完整精准分割,存在较大的误差,无法准确识别腐蚀程度较弱的缺陷区域边缘,获得的图像分割结果的精准性较差,导致光伏钢结构组件缺陷视觉检测准确性低下。
发明内容
为了解决上述现有阈值分割方法的分割结果精准性较差,导致光伏钢结构组件缺陷视觉检测准确性低下的技术问题,本发明的目的在于提供一种光伏钢结构组件缺陷视觉检测方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种光伏钢结构组件缺陷视觉检测方法,该方法包括以下步骤:
获取待检测光伏钢结构组件的表面图像,对表面图像进行预处理获得灰度图像;根据灰度图像判断待检测光伏钢结构组件是否存在腐蚀缺陷;
若存在,则对灰度图像进行窗口划分获得各个待检测窗口;根据各个待检测窗口中每个像素点的灰度值和R通道值,确定待检测窗口中每个像素点为缺陷像素点的可能性;
根据各个待检测窗口中每个像素点的位置,确定待检测窗口中每个像素点的聚集程度;
获取基准缺陷像素表现值;根据各个待检测窗口中每个像素点的位置、灰度和R通道值,确定待检测窗口的比对缺陷像素表现值;
根据各个待检测窗口中每个像素点为缺陷像素点的可能性、聚集程度以及各个待检测窗口的比对缺陷像素表现值、基准缺陷像素表现值,确定各个待检测窗口存在缺陷的可能性;
根据各个待检测窗口存在缺陷的可能性确定最佳分割阈值;根据最佳分割阈值对灰度图像进行阈值分割获得分割结果,确定待检测光伏钢结构组件的各个腐蚀缺陷区域。
进一步地,根据各个待检测窗口中每个像素点的灰度值和R通道值,确定待检测窗口中每个像素点为缺陷像素点的可能性,包括:
对于任意一个待检测窗口中的任意一个像素点,计算像素点的R通道值与灰度值的比值,将两者的比值作为第一可能性因子;计算待检测窗口中所有像素点的灰度值均值,将灰度值均值与像素点的灰度值之间的差值作为第二可能性因子;将第一可能性因子和第二可能性因子的乘积作为待检测窗口中像素点为缺陷像素点的可能性。
进一步地,根据各个待检测窗口中每个像素点的位置,确定待检测窗口中每个像素点的聚集程度,包括:
对于任意一个待检测窗口,将待检测窗口中的任意一个像素点作为选定像素点;根据待检测窗口中每个像素点的位置,确定选定像素点与待检测窗口中除选定像素点以外的其他各个像素点之间的距离均值,将距离均值作为选定像素点的聚集程度。
进一步地,获取基准缺陷像素表现值,包括:
提取并标记灰度图像中的符合螺母形态的区域,获得各个标记区域;对各个标记区域设置预设尺寸的窗口获得各个标记窗口,对各个标记窗口进行阈值分割,根据阈值分割结果获得各个缺陷前景区域;根据各个缺陷前景区域内每个像素点的位置,筛选出各个初始腐蚀区域;根据各个初始腐蚀区域中每个像素点的位置、灰度值和R通道值,确定基准缺陷像素表现值。
进一步地,根据各个缺陷前景区域内每个像素点的位置,筛选出各个初始腐蚀区域,包括:
对于任意两个缺陷前景区域,确定每个缺陷前景区域对应的坐标位置集合,统计两个坐标位置集合中位置相同的像素点个数;将位置相同的像素点个数与标记窗口的像素点个数的比值,作为两个缺陷前景区域的缺陷像素分布相似度,获得各个缺陷像素分布相似度;筛选出缺陷像素分布相似度大于预设相似度的缺陷前景区域,将筛选出的缺陷前景区域作为初始腐蚀区域。
进一步地,根据各个初始腐蚀区域中每个像素点的位置、灰度值和R通道值,确定基准缺陷像素表现值,包括:
对于任意一个初始腐蚀区域中的任意一个像素点,确定初始腐蚀区域的螺母中心点;计算螺母中心点与像素点之间的距离的反比例值,确定正常光伏钢结构组件上的像素点与初始腐蚀区域中的像素点之间的灰度差值的绝对值;将像素点对应的所述距离的反比例值、所述灰度差值的绝对值以及R通道值的乘积,作为基准缺陷像素表现值。
进一步地,各个待检测窗口存在缺陷的可能性的计算公式为:
;式中,Q为目标待检测窗口存在缺陷的可能性,n为目标待检测窗口的像素点序号,/>为目标待检测窗口中第i个像素点的比对缺陷像素表现值,/>为基准缺陷像素表现值,/>为目标待检测窗口中第i个像素点的聚集程度,/>为目标待检测窗口中第i个像素点为缺陷像素点的可能性,/>为求绝对值函数;
其中,目标待检测窗口为各个待检测窗口中的任意一个待检测窗口;所述比对缺陷像素表现值参考所述基准缺陷像素表现值的计算过程获得。
进一步地,根据各个待检测窗口存在缺陷的可能性确定最佳分割阈值,包括:
对于任意一个待检测窗口,确定初始分割阈值,对待检测窗口存在缺陷的可能性进行反比例的归一化处理,获得反比例的归一化处理后的可能性;将反比例的归一化处理后的可能性与初始分割阈值的乘积作为待检测窗口的最佳分割阈值。
进一步地,根据灰度图像判断待检测光伏钢结构组件是否存在腐蚀缺陷,包括:
若灰度图像中存在预设数目个相邻的、且满足腐蚀缺陷特征的像素点,则判定待检测光伏钢结构组件存在腐蚀缺陷,否则,判定待检测光伏钢结构组件不存在腐蚀缺陷;其中,所述腐蚀缺陷特征为灰度值小于或等于腐蚀缺陷像素点对应的最大灰度值。
进一步地,对表面图像进行预处理获得灰度图像,包括:
对表面图像进行图像增强处理,获得图像增强后的图像;对图像增强后的图像进行灰度化处理,获得待检测光伏钢结构组件的灰度图像。
本发明具有如下有益效果:
本发明提供了一种光伏钢结构组件缺陷视觉检测方法,该检测方法先判断光伏钢结构组件是否存在腐蚀缺陷,基于腐蚀缺陷区域的像素特征,利用灰度图像中每个像素单的灰度值,直接判定是否腐蚀缺陷,可以有效提高光伏钢结构组件缺陷视觉检测的效率;为了克服现有阈值分割不能很好地识别腐蚀程度较弱的缺陷区域边缘缺陷,将整个图像划分为各个待检测窗口,基于待检测窗口的像素特征,量化每个待检测窗口的像素特征与腐蚀缺陷区域的像素特征的相似程度,以实现自适应确定每个待检测窗口的分割阈值,即最佳分割阈值,其提高分割结果精准性,有助于获得准确性更好的光伏钢结构组件缺陷检测结果;确定更全面的各个腐蚀缺陷区域,便于准确地对不同位置的腐蚀缺陷的光伏钢结构组件进行维修。在分析每个待检测窗口的像素特征时,从像素分布特征、像素灰度特征、R通道值占比以及像素点聚集程度等多个方面,确定各个待检测窗口存在缺陷的可能性,其可以完整地从多个角度量化与腐蚀缺陷区域像素特征的贴合程度,有助于提高各个待检测窗口存在缺陷的可能性的数值可靠程度,便于后续获得准确性更高的最佳分割阈值。
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为本发明一种光伏钢结构组件缺陷视觉检测方法的流程图;
图2为本发明实施例中光伏钢结构组件的表面图像;
图3为本发明实施例中的全局阈值对光伏钢结构组件表面图像进行分割处理的分割结果;
图4为本发明实施例中的自适应阈值对光伏钢结构组件表面图像进行分割处理的分割结果;
图5为本发明实施例中的基于本发明获得的各个腐蚀缺陷区域。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外,一个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。
本发明所针对的具体场景为:在利用阈值分割算法对光伏钢结构组件上的腐蚀缺陷进行检测时,由于腐蚀缺陷在所有位置都有可能出现并且不同区域的腐蚀程度不同,因此利用单一阈值对图像进行分割的过程中,可能会导致腐蚀程度较弱的缺陷区域边缘无法识别出。但腐蚀区域的像素表现与组件正常区域的像素表现之间存在明显差异,通过对像素表现进行提取,再对全局图像进行分区域处理,有助于减小误差出现的可能性,提高光伏钢结构组件缺陷视觉检测准确性。
具体的,本实施例提供了一种光伏钢结构组件缺陷视觉检测方法,如图1所示,包括以下步骤:
S1,获取待检测光伏钢结构组件的表面图像,对表面图像进行预处理获得灰度图像;根据灰度图像判断待检测光伏钢结构组件是否存在腐蚀缺陷。
获取待检测光伏钢结构组件的表面图像。本实施例在固定角度光源照射的环境下,使用相机对太阳能光伏钢结构组件进行拍摄,可以获得结构组件的表面图像,太阳能光伏钢结构组件即为待检测光伏钢结构组件。光伏钢结构组件的表面图像如图2所示。
对表面图像进行预处理获得灰度图像。利用直方图均衡化的方法,对表面图像进行图像增强处理,获得图像增强后的图像;利用加权平均法,对图像增强后的图像进行灰度化处理,获得待检测光伏钢结构组件的灰度图像。直方图均衡化方法和加权平均法的实现过程均为现有技术,此处不再过多赘述。
根据灰度图像判断待检测光伏钢结构组件是否存在腐蚀缺陷。若灰度图像中存在预设数目个相邻的、且满足腐蚀缺陷特征的像素点,则判定待检测光伏钢结构组件存在腐蚀缺陷,否则,判定待检测光伏钢结构组件不存在腐蚀缺陷。其中,所述腐蚀缺陷特征为灰度值小于或等于腐蚀缺陷像素点对应的最大灰度值。满足腐蚀缺陷特征的像素点的预设数目可以为50,具体数值大小可以由实施者根据具体实际情况设置,不做具体限定。
需要说明的是,腐蚀缺陷像素点对应的最大灰度值可通过历史的光伏钢结构组件的腐蚀区域的像素特征确定,由于腐蚀缺陷在结构组件上表现为低灰度区域,故可以将灰度值小于或等于腐蚀缺陷像素点对应的最大灰度值作为腐蚀缺陷特征之一,用于判断待检测光伏钢结构组件是否存在腐蚀缺陷,以便于后续对存在腐蚀缺陷的光伏钢结构组件进行腐蚀缺陷区域提取。
至此,本实施例获得了待检测光伏钢结构组件的灰度图像,并完成了待检测光伏钢结构组件是否存在缺陷的判断。
S2,若存在,对灰度图像进行窗口划分获得各个待检测窗口;根据各个待检测窗口中每个像素点的灰度值和R通道值,确定待检测窗口中每个像素点为缺陷像素点的可能性。
第一步,对灰度图像进行窗口划分获得各个待检测窗口。
在本实施例中,腐蚀缺陷在所有位置都有可能出现,而且不同位置区域的腐蚀程度不同,所以为了准确分析不同位置区域的腐蚀缺陷状态,将步骤S1获得的灰度图像均匀分割为各个窗口区域。窗口区域即为待检测窗口,待检测窗口的尺寸可以由实施者根据具体实际情况设置,本实施例将待检测窗口的尺寸设置为60。
第二步,根据各个待检测窗口中每个像素点的灰度值和R通道值,确定待检测窗口中每个像素点为缺陷像素点的可能性。
在本实施例中,为了可以准确分析每个待检测窗口的腐蚀状态,对待检测窗口中的每个像素点进行分析。结构组件上的腐蚀区域的灰度特征可以为:R通道值在像素点灰度值中的占比较大,并且腐蚀区域的像素点灰度值低于正常区域的像素点灰度值。基于上述腐蚀区域的灰度特征,计算每个像素点为腐蚀区域中缺陷像素点的概率,即为缺陷像素点的可能性,具体包括:
对于任意一个待检测窗口中的任意一个像素点,计算像素点的R通道值与灰度值的比值,将两者的比值作为第一可能性因子;计算待检测窗口中所有像素点的灰度值均值,将灰度值均值与像素点的灰度值之间的差值作为第二可能性因子;将第一可能性因子和第二可能性因子的乘积作为待检测窗口中像素点为缺陷像素点的可能性。
作为示例,像素点为缺陷像素点的可能性的计算公式可以为:
;式中,/>为待检测窗口中第i个像素点为缺陷像素点的可能性,/>为待检测窗口中第i个像素点的R通道值,/>为待检测窗口中第i个像素点的灰度值,/>为待检测窗口中第i个像素点为缺陷像素点的第一可能性因子,/>为待检测窗口中第e个像素点的灰度值,n为待检测窗口的像素点数量,/>为待检测窗口中第i个像素点为缺陷像素点的第二可能性因子。
在像素点为缺陷像素点的可能性的计算公式中,第一可能性因子可以表征像素点灰度值中的R通道值所占的比例,/>越大,说明R通道值在像素点灰度值中的占比越大,像素点为腐蚀区域内缺陷像素点的可能性越大;第二可能性因子/>可以表征当前待检测窗口的灰度均值与像素点的灰度值之间的差异,/>越大,/>越小,说明该像素点灰度值越低于正常区域的像素点灰度值,像素点为腐蚀区域内缺陷像素点的可能性越大。当/>时,说明该像素点的灰度值较大,第二可能性因子的数值越小,且存在为负数的情况,即像素点为缺陷像素点的可能性存在为负数的可能性,其可以说明该像素点不可能为缺陷像素点。参考上述任意一个待检测窗口中任意一个像素点为缺陷像素点的可能性的计算过程,可以获得各个待检测窗口中每个像素点为缺陷像素点的可能性。
至此,本实施例获得了各个待检测窗口中每个像素点为缺陷像素点的可能性。
S3,根据各个待检测窗口中每个像素点的位置,确定待检测窗口中每个像素点的聚集程度。
需要说明的是,光伏钢结构组件上腐蚀区域中的像素点分布较为聚集,为了量化待检测窗口中每个像素点距离除其本身以外的其他各个像素点的远近,基于每个像素点的位置,量化每个像素点在其所述待检测窗口中的聚集程度。
对于任意一个待检测窗口,将待检测窗口中的任意一个像素点作为选定像素点;根据待检测窗口中每个像素点的位置,确定选定像素点与待检测窗口中除选定像素点以外的其他各个像素点之间的距离均值,将距离均值作为选定像素点的聚集程度。
作为示例,选定像素点的聚集程度的计算公式可以为:
;式中,/>为待检测窗口中第i个像素点的聚集程度,第i个像素点可以为选定像素点,/>为待检测窗口中第i个像素点与待检测窗口中除第i个像素点以外的第j个像素点之间的距离,n为待检测窗口的像素点数量,正常情况下所有待检测窗口的像素点数量相同。
在聚集程度的计算公式中,可以表针待检测窗口中两个像素点之间的距离,可以基于像素点的位置通过欧氏距离的计算公式获得,欧氏距离的计算过程为现有技术,此处不再进行详细阐述。待检测窗口中任意一个像素点与除其本身以外的其他各个像素点之间的距离的平均值,即像素点的聚集程度,可以衡量像素点在整个待检测窗口中的分布聚集情况,聚集程度越大,说明像素点为腐蚀区域中缺陷像素点的可能性越大。参考上述任意一个待检测窗口中选定像素点的聚集程度的确定过程,可以获得各个待检测窗口中每个像素点的聚集程度。
至此,本实施例获得了各个待检测窗口中每个像素点的聚集程度。
S4,获取基准缺陷像素表现值;根据各个待检测窗口中每个像素点的位置、灰度和R通道值,确定待检测窗口的比对缺陷像素表现值。
第一步,获取基准缺陷像素表现值。
需要说明的是,光伏钢结构组件由于长期暴露在各种户外场景下,经过长时间的雨水冲刷、太阳照射等被腐蚀的可能性极大,尤其通过螺母的连接区域由于材质不同的原因具有更高的被腐蚀可能性。因此,通过确定图像中螺母区域的位置,提取出可能存在腐蚀缺陷的区域,基于对腐蚀缺陷区域的分析,可以量化腐蚀缺陷像素表现特征。
第一子步骤,提取并标记灰度图像中的符合螺母形态的区域,获得各个标记区域。
在本实施例中,基于光伏钢结构组件中螺母形态特征,利用边缘检测算法,从灰度图像中提取螺母形态的区域,并对这些区域进行标记,将标记后的区域确定为标记区域。边缘检测算法的实现过程为现有技术,此处不再进行详细阐述。
第二子步骤,对各个标记区域设置预设尺寸的窗口获得各个标记窗口,对各个标记窗口进行阈值分割,根据阈值分割结果获得各个缺陷前景区域;根据各个缺陷前景区域内每个像素点的位置,筛选出各个初始腐蚀区域。
首先,对各个标记区域设置预设尺寸的窗口获得各个标记窗口,对各个标记窗口进行阈值分割,根据阈值分割结果获得各个缺陷前景区域。
本实施例在各个标记区域位置处设置窗口,记为标记窗口,标记窗口的大小约为螺母所占区域的二倍,标记窗口与待检测窗口的尺寸大小相同,可以取经验值为60。对各个标记窗口进行阈值分割处理,由于腐蚀缺陷在结构组件上表现为低灰度区域,故可以将腐蚀缺陷与螺母、背景区域区分开,以获得各个缺陷前景区域。阈值分割的实现过程为现有技术,此处不再进行详细阐述。
其次,根据各个缺陷前景区域内每个像素点的位置,筛选出各个初始腐蚀区域。
需要说明的是,螺母所在区域存在腐蚀缺陷的可能性较大,所以若在螺母附近发生腐蚀,则在所有标记窗口范围内一定存在具有相似像素分布的区域。对各个缺陷前景区域进行比对分析,具有相似像素分布的缺陷前景区域为被腐蚀区域的可能性较大。
对于任意两个缺陷前景区域,确定每个缺陷前景区域对应的坐标位置集合,统计两个坐标位置集合中位置相同的像素点个数;将位置相同的像素点个数与标记窗口的像素点个数的比值,作为两个缺陷前景区域的缺陷像素分布相似度,获得各个缺陷像素分布相似度;筛选出缺陷像素分布相似度大于预设相似度的缺陷前景区域,将筛选出的缺陷前景区域作为初始腐蚀区域。
在本实施例中,由于外部环境的影响,螺母区域被腐蚀的可能性以及腐蚀程度都不相同,设置阈值筛选其中相似程度高的窗口。预设相似度可以设置为0.5,实施者可根据具体情况设置,不作具体限定。对比各个初始腐蚀区域,当缺陷像素分布相似度大于预设相似度时,说明当前两个初始腐蚀区域满足要求,其可以被用于后续确定初始腐蚀区域对应的基准缺陷像素表现值。
第三子步骤,根据各个初始腐蚀区域中每个像素点的位置、灰度值和R通道值,确定基准缺陷像素表现值。
需要说明的是,通过观察光伏钢结构组件的颜色特征可知,腐蚀程度不同,腐蚀缺陷所在区域呈现的颜色不同,如橙红色、红棕色等,由此可知腐蚀缺陷所在区域的像素灰度的R通道值占有相当大的比例,R通道值所占比例越大,则说明当前像素点被腐蚀的程度更深。对比正常钢材区域与被腐蚀区域的颜色深度,被腐蚀区域的颜色随着腐蚀程度的不断加深,整个被腐蚀区域的灰度值呈现低灰度区域。螺母附近的被腐蚀区域呈现向外扩散的趋势,并且腐蚀区域的颜色由内向外逐渐变浅,且呈现沿着一个方向由深到浅。基于上述螺母区域的腐蚀缺陷的像素特征,确定基准缺陷像素表现值,基准缺陷像素表现值的确定步骤可以包括:
对于任意一个初始腐蚀区域中的任意一个像素点,确定初始腐蚀区域的螺母中心点;计算螺母中心点与像素点之间的距离的反比例值,确定正常光伏钢结构组件上的像素点与初始腐蚀区域中的像素点之间的灰度差值的绝对值;将像素点对应的所述距离的反比例值、所述灰度差值的绝对值以及R通道值的乘积,作为基准缺陷像素表现值。其中,螺母中心点可以为初始腐蚀区域中灰度值最小的像素点。
作为示例,基准缺陷像素表现值的计算公式可以为:
;式中,/>为基准缺陷像素表现值,/>为螺母中心点与初始腐蚀区域中第p个像素点之间的距离,/>为螺母中心点与初始腐蚀区域中第p个像素点之间的距离的反比例值,/>为初始腐蚀区域中第p个像素点的灰度值,/>为正常光伏钢结构组件上的像素点的灰度值,即为不存在腐蚀缺陷的标准光伏钢结构组件上像素点的灰度值,/>为初始腐蚀区域中第p个像素点的R通道值,/>为求绝对值函数。
在基准缺陷像素表现值的计算公式中,可以用于衡量第p个像素点是否位于初始腐蚀区域的边缘,第p个像素点越靠近螺母中心点,第p个像素点的腐蚀程度越严重,故/>与/>为负相关关系;/>可以表征第p个像素点与正常区域的灰度差异,灰度差异越大,属于缺陷的可能性就会越大;/>可以表征第p个像素点的R通道值,R通道值越大,第p个像素点属于缺陷的可能性越大;基准缺陷像素表现值可以表征螺母区域的腐蚀缺陷的像素特征,基准缺陷像素表现值越大,腐蚀缺陷特征越明显。
第二步,根据各个待检测窗口中每个像素点的位置、灰度和R通道值,确定各个待检测窗口的比对缺陷像素表现值。
在本实施例中,基于各个待检测窗口中每个像素点的位置、灰度和R通道值,参考步骤S4第一步基准缺陷像素表现值的确定过程,可以获得各个待检测窗口的比对缺陷像素表现值,两者的计算过程相同,故此处不再进行重复描述。
至此,本实施例获得了基准缺陷像素表现值和各个比对缺陷像素表现值。
S5,根据各个待检测窗口中每个像素点为缺陷像素点的可能性、聚集程度以及各个待检测窗口的比对缺陷像素表现值、基准缺陷像素表现值,确定各个待检测窗口存在缺陷的可能性。
从腐蚀缺陷特征的多个方面,完整地量化各个待检测窗口存在缺陷的可能性,可以有效提高存在缺陷的可能性的计算结果的精准性和可靠程度,便于后续获得准确性更高的最佳分割阈值。
作为示例,目标待检测窗口存在缺陷的可能性的计算公式可以为:
;式中,Q为目标待检测窗口存在缺陷的可能性,n为目标待检测窗口的像素点序号,/>为目标待检测窗口中第i个像素点的比对缺陷像素表现值,/>为基准缺陷像素表现值,/>为目标待检测窗口中第i个像素点的聚集程度,/>为目标待检测窗口中第i个像素点为缺陷像素点的可能性,/>为求绝对值函数。
其中,目标待检测窗口为各个待检测窗口中的任意一个待检测窗口;所述比对缺陷像素表现值参考所述基准缺陷像素表现值的计算过程获得。
在目标待检测窗口存在缺陷的可能性的计算公式中,Q越大,目标待检测窗口存在缺陷的可能性越大,说明目标待检测窗口被腐蚀的程度越深;和/>均与存在缺陷的可能性为负相关关系,/>越大,说明比对缺陷像素表现值和基准缺陷像素表现值之间的相似性越差,目标待检测窗口对应的腐蚀缺陷特征越不明显,目标待检测窗口存在缺陷的可能性就会越小;/>越大,说明目标待检测窗口中第i个像素点与该窗口中其他各个像素点之间的距离越远,聚集程度越差,越不贴合腐蚀区域像素分布特征,目标待检测窗口存在缺陷的可能性就会越小;/>与Q为正相关关系,目标待检测窗口中第i个像素点为缺陷像素点的可能性越大,说明像素点越有可能为腐蚀区域中的缺陷像素点,目标待检测窗口存在缺陷的可能性就会越大;由于后续在进行阈值分割时是基于窗口区域确定的,故需要目标待检测窗口中的每个像素点进行相同的计算,后续再对/>、/>以及/>进行累加计算。参考目标待检测窗口存在缺陷的可能性的计算过程,可以获得各个待检测窗口存在缺陷的可能性。
至此,本实施例获得了得各个待检测窗口存在缺陷的可能性。
S6,根据各个待检测窗口存在缺陷的可能性确定最佳分割阈值;根据最佳分割阈值对灰度图像进行阈值分割获得分割结果,确定待检测光伏钢结构组件的各个腐蚀缺陷区域。
第一步,根据各个待检测窗口存在缺陷的可能性确定最佳分割阈值。
需要说明的是,不同待检测窗口存在腐蚀缺陷的可能性不同,故不能选取单一的阈值对灰度图像进行分割。为了满足准确识别灰度图像中不同位置的腐蚀缺陷区域,需要根据各个待检测窗口中不同的像素表现,即待检测窗口存在缺陷的可能性,对分割阈值进行调整获得各个待检测窗口对应的最佳分割阈值。
在本实施例中,待检测窗口存在缺陷的可能性可以反映该窗口被腐蚀的程度,存在缺陷的可能性越大,窗口被腐蚀的程度越深,根据待检测窗口被腐蚀程度,为其对应的待检测窗口选取合适的分割阈值。由于腐蚀缺陷的灰度值较低,因此当存在缺陷出现的可能性较大时,应当将待检测窗口的分割阈值降低,使得分割效果更加准确,以便于后续每个待检测窗口获得最佳的分割效果。
对于任意一个待检测窗口,确定初始分割阈值,对待检测窗口存在缺陷的可能性进行反比例的归一化处理,获得反比例的归一化处理后的可能性;将反比例的归一化处理后的可能性与初始分割阈值的乘积作为待检测窗口的最佳分割阈值。
作为示例,待检测窗口的最佳分割阈值的计算公式可以为:
;式中,/>为第f个待检测窗口的最佳分割阈值,/>为第f个待检测窗口的初始分割阈值,norm为线性归一化函数,/>为第f个待检测窗口存在缺陷的可能性,/>为第f个待检测窗口存在缺陷的可能性的反比例值。
在最佳分割阈值的计算公式中,可以表征为初始分割阈值的修正因子,每个待检测窗口的初始分割阈值/>可以是相同的,初始分割阈值可以由实施者根据具体实际情况设置。参考任意一个待检测窗口的最佳分割阈值的计算过程,可以获得各个待检测窗口的最佳分割阈值。
第二步,根据最佳分割阈值对灰度图像进行阈值分割获得分割结果,确定待检测光伏钢结构组件的各个腐蚀缺陷区域。
在获得各个待检测窗口的最佳分割阈值后,利用最佳分割阈值对灰度图像中对应的待检测窗口进行图像分割处理,获得分割处理后的各个待检测窗口,并将分割处理后的各个待检测窗口按照原位置进行拼接。每个待检测窗口均根据内部特征进行阈值选取,拼接后的图像可能存在部分边缘不能完全吻合的情况,故对拼接后的图像进行滤波处理,以实现对分割结果中的边界进行平滑处理,以减少边界的锯齿状或不连续性。最后,从平滑处理后的分割结果中确定待检测光伏钢结构组件的各个腐蚀缺陷区域。滤波处理的实现过程为现有技术,此处不再进行详细阐述。
关于腐蚀缺陷区域的确定,现有图像分割方法与本发明的效果对比包括:全局阈值对光伏钢结构组件表面图像进行分割处理的分割结果如图3所示,通过对比图2和图3可知,全局阈值分割方法对光伏钢结构组件表面图像进行分割时的图像分割效果差,无法分割出完整的腐蚀缺陷区域;自适应阈值对光伏钢结构组件表面图像进行分割处理的分割结果如图4所示,通过对比图2和图4可知,对于光伏钢结构组件表面图像中没有锈蚀的区域,自适应阈值方法会将正常灰度比较低的像素点分割为锈蚀像素点,图像分割准确性低下,获得的腐蚀缺陷区域面积误差较大。基于本发明获得的各个腐蚀缺陷区域如图5所示,通过对比图2和图5可知,本发明的光伏钢结构组件缺陷分割精度高,图像分割效果好。
本发明提供了一种光伏钢结构组件缺陷视觉检测方法,该检测方法通过量化局部区域的螺母缺陷特征表现程度,确定局部区域的初始分割阈值的修正因子,从获得各个待检测窗口自适应的分割阈值,其有效提高了分割结果的精准性,有利于进一步提高光伏钢结构组件缺陷视觉检测准确性。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (9)
1.一种光伏钢结构组件缺陷视觉检测方法,其特征在于,包括以下步骤:
获取待检测光伏钢结构组件的表面图像,对表面图像进行预处理获得灰度图像;根据灰度图像判断待检测光伏钢结构组件是否存在腐蚀缺陷;
若存在,则对灰度图像进行窗口划分获得各个待检测窗口;根据各个待检测窗口中每个像素点的灰度值和R通道值,确定待检测窗口中每个像素点为缺陷像素点的可能性;
根据各个待检测窗口中每个像素点的位置,确定待检测窗口中每个像素点的聚集程度;
获取基准缺陷像素表现值;根据各个待检测窗口中每个像素点的位置、灰度和R通道值,确定待检测窗口的比对缺陷像素表现值;
根据各个待检测窗口中每个像素点为缺陷像素点的可能性、聚集程度以及各个待检测窗口的比对缺陷像素表现值、基准缺陷像素表现值,确定各个待检测窗口存在缺陷的可能性;
根据各个待检测窗口存在缺陷的可能性确定最佳分割阈值;根据最佳分割阈值对灰度图像进行阈值分割获得分割结果,确定待检测光伏钢结构组件的各个腐蚀缺陷区域;
根据各个待检测窗口中每个像素点的灰度值和R通道值,确定待检测窗口中每个像素点为缺陷像素点的可能性,包括:
对于任意一个待检测窗口中的任意一个像素点,计算像素点的R通道值与灰度值的比值,将两者的比值作为第一可能性因子;计算待检测窗口中所有像素点的灰度值均值,将灰度值均值与像素点的灰度值之间的差值作为第二可能性因子;将第一可能性因子和第二可能性因子的乘积作为待检测窗口中像素点为缺陷像素点的可能性。
2.根据权利要求1所述的一种光伏钢结构组件缺陷视觉检测方法,其特征在于,根据各个待检测窗口中每个像素点的位置,确定待检测窗口中每个像素点的聚集程度,包括:
对于任意一个待检测窗口,将待检测窗口中的任意一个像素点作为选定像素点;根据待检测窗口中每个像素点的位置,确定选定像素点与待检测窗口中除选定像素点以外的其他各个像素点之间的距离均值,将距离均值作为选定像素点的聚集程度。
3.根据权利要求1所述的一种光伏钢结构组件缺陷视觉检测方法,其特征在于,获取基准缺陷像素表现值,包括:
提取并标记灰度图像中的符合螺母形态的区域,获得各个标记区域;对各个标记区域设置预设尺寸的窗口获得各个标记窗口,对各个标记窗口进行阈值分割,根据阈值分割结果获得各个缺陷前景区域;根据各个缺陷前景区域内每个像素点的位置,筛选出各个初始腐蚀区域;根据各个初始腐蚀区域中每个像素点的位置、灰度值和R通道值,确定基准缺陷像素表现值。
4.根据权利要求3所述的一种光伏钢结构组件缺陷视觉检测方法,其特征在于,根据各个缺陷前景区域内每个像素点的位置,筛选出各个初始腐蚀区域,包括:
对于任意两个缺陷前景区域,确定每个缺陷前景区域对应的坐标位置集合,统计两个坐标位置集合中位置相同的像素点个数;将位置相同的像素点个数与标记窗口的像素点个数的比值,作为两个缺陷前景区域的缺陷像素分布相似度,获得各个缺陷像素分布相似度;筛选出缺陷像素分布相似度大于预设相似度的缺陷前景区域,将筛选出的缺陷前景区域作为初始腐蚀区域。
5.根据权利要求4所述的一种光伏钢结构组件缺陷视觉检测方法,其特征在于,根据各个初始腐蚀区域中每个像素点的位置、灰度值和R通道值,确定基准缺陷像素表现值,包括:
对于任意一个初始腐蚀区域中的任意一个像素点,确定初始腐蚀区域的螺母中心点;计算螺母中心点与像素点之间的距离的反比例值,确定正常光伏钢结构组件上的像素点与初始腐蚀区域中的像素点之间的灰度差值的绝对值;将像素点对应的所述距离的反比例值、所述灰度差值的绝对值以及R通道值的乘积,作为基准缺陷像素表现值。
6.根据权利要求5所述的一种光伏钢结构组件缺陷视觉检测方法,其特征在于,各个待检测窗口存在缺陷的可能性的计算公式为:
;式中,Q为目标待检测窗口存在缺陷的可能性,n为目标待检测窗口的像素点序号,/>为目标待检测窗口中第i个像素点的比对缺陷像素表现值,/>为基准缺陷像素表现值,/>为目标待检测窗口中第i个像素点的聚集程度,/>为目标待检测窗口中第i个像素点为缺陷像素点的可能性,/>为求绝对值函数;
其中,目标待检测窗口为各个待检测窗口中的任意一个待检测窗口;所述比对缺陷像素表现值参考所述基准缺陷像素表现值的计算过程获得。
7.根据权利要求1所述的一种光伏钢结构组件缺陷视觉检测方法,其特征在于,根据各个待检测窗口存在缺陷的可能性确定最佳分割阈值,包括:
对于任意一个待检测窗口,确定初始分割阈值,对待检测窗口存在缺陷的可能性进行反比例的归一化处理,获得反比例的归一化处理后的可能性;将反比例的归一化处理后的可能性与初始分割阈值的乘积作为待检测窗口的最佳分割阈值。
8.根据权利要求1所述的一种光伏钢结构组件缺陷视觉检测方法,其特征在于,根据灰度图像判断待检测光伏钢结构组件是否存在腐蚀缺陷,包括:
若灰度图像中存在预设数目个相邻的、且满足腐蚀缺陷特征的像素点,则判定待检测光伏钢结构组件存在腐蚀缺陷,否则,判定待检测光伏钢结构组件不存在腐蚀缺陷;其中,所述腐蚀缺陷特征为灰度值小于或等于腐蚀缺陷像素点对应的最大灰度值。
9.根据权利要求1所述的一种光伏钢结构组件缺陷视觉检测方法,其特征在于,对表面图像进行预处理获得灰度图像,包括:
对表面图像进行图像增强处理,获得图像增强后的图像;对图像增强后的图像进行灰度化处理,获得待检测光伏钢结构组件的灰度图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311649909.5A CN117351017A (zh) | 2023-12-05 | 2023-12-05 | 一种光伏钢结构组件缺陷视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311649909.5A CN117351017A (zh) | 2023-12-05 | 2023-12-05 | 一种光伏钢结构组件缺陷视觉检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117351017A true CN117351017A (zh) | 2024-01-05 |
Family
ID=89356055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311649909.5A Withdrawn CN117351017A (zh) | 2023-12-05 | 2023-12-05 | 一种光伏钢结构组件缺陷视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117351017A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117635604A (zh) * | 2024-01-23 | 2024-03-01 | 华航检测认证(青岛)有限公司 | 一种建筑工程钢结构焊接质量检测方法 |
CN118071739A (zh) * | 2024-04-18 | 2024-05-24 | 山东北宏新材料科技有限公司 | 基于图像增强的色母粒着色视觉检测方法 |
CN118521591A (zh) * | 2024-07-25 | 2024-08-20 | 常熟理工学院 | 一种光电子器件表面缺陷视觉检测方法及系统 |
-
2023
- 2023-12-05 CN CN202311649909.5A patent/CN117351017A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117635604A (zh) * | 2024-01-23 | 2024-03-01 | 华航检测认证(青岛)有限公司 | 一种建筑工程钢结构焊接质量检测方法 |
CN117635604B (zh) * | 2024-01-23 | 2024-04-05 | 华航检测认证(青岛)有限公司 | 一种建筑工程钢结构焊接质量检测方法 |
CN118071739A (zh) * | 2024-04-18 | 2024-05-24 | 山东北宏新材料科技有限公司 | 基于图像增强的色母粒着色视觉检测方法 |
CN118521591A (zh) * | 2024-07-25 | 2024-08-20 | 常熟理工学院 | 一种光电子器件表面缺陷视觉检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115170576B (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
CN107679535B (zh) | 一种基于模板匹配的指针式水表自动读数识别系统及方法 | |
CN117351017A (zh) | 一种光伏钢结构组件缺陷视觉检测方法 | |
CN114943739B (zh) | 一种铝管质量检测方法 | |
CN115351598A (zh) | 一种数控机床轴承检测方法 | |
CN108846397B (zh) | 一种基于图像处理的电缆半导电层自动检测方法 | |
CN115294140B (zh) | 一种五金零件缺陷检测方法及系统 | |
CN115063404B (zh) | 基于x射线探伤的耐候钢焊缝质量检测方法 | |
CN115690108A (zh) | 一种基于图像处理的铝合金杆生产质量评估方法 | |
CN110443278B (zh) | 一种太阳能电池片栅线粗细异常的检测方法、装置及设备 | |
CN110726725A (zh) | 一种输电线路金具锈蚀检测方法及装置 | |
CN116109644A (zh) | 用于铜铝转接排的表面缺陷检测方法 | |
CN111667470B (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN116030060A (zh) | 一种塑料颗粒质量检测方法 | |
CN115861307B (zh) | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 | |
CN115841488B (zh) | 一种基于计算机视觉的pcb板的检孔方法 | |
CN111353968B (zh) | 一种基于盲元检测与分析的红外图像质量评价方法 | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN118279304B (zh) | 基于图像处理的异型金属件异常识别方法、装置及介质 | |
CN116703251A (zh) | 基于人工智能的胶圈生产质量检测方法 | |
CN117218124A (zh) | 一种铜铝转接表面加工质量检测方法 | |
CN117152129A (zh) | 一种电池盖板的表面缺陷视觉检测方法及系统 | |
CN117830298B (zh) | 一种航空发动机涡轮导向叶片缺陷视觉检测系统 | |
CN114937004A (zh) | 一种基于计算机视觉的机械零件表面气孔缺陷检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240105 |