CN117576089A - 一种活塞环缺陷检测方法及系统 - Google Patents
一种活塞环缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN117576089A CN117576089A CN202410053023.2A CN202410053023A CN117576089A CN 117576089 A CN117576089 A CN 117576089A CN 202410053023 A CN202410053023 A CN 202410053023A CN 117576089 A CN117576089 A CN 117576089A
- Authority
- CN
- China
- Prior art keywords
- gray level
- fitting curve
- piston ring
- edge
- fitting
- 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 91
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 230000011218 segmentation Effects 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 238000010586 diagram Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000013145 classification model Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 12
- 238000007477 logistic regression Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000011166 aliquoting Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 12
- 230000002950 deficient Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training 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
- G06T7/12—Edge-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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域。具体涉及一种活塞环缺陷检测方法及系统。其中的方法包括:获取活塞环的初始灰度图;获取活塞环灰度图;遍历所述活塞环灰度图的灰度级,分别以各个灰度级为灰度阈值对所述活塞环灰度图进行阈值化分割,获取各个灰度级对应的二值图;获取分割边缘拟合曲线以及拟合曲线段组合;计算各个灰度级对应的评价序列;判断各个灰度级对应的分割边缘拟合曲线是否为凸起缺陷边缘;响应于某个灰度级对应的分割边缘拟合曲线是凸起缺陷边缘,则判定活塞环存在凸起缺陷。本发明的活塞环缺陷检测方法可以提高活塞环劣品筛选的准确度和鲁棒性。
Description
技术领域
本发明一般地涉及图像处理技术领域。更具体地,本发明涉及一种活塞环缺陷检测方法及系统。
背景技术
活塞环用于嵌入活塞槽沟内部的金属环。在生产线上由于机器运转,工艺参数、实际生产环境等因素,常会使活塞环产生各种缺陷。活塞环缺陷检测面临着检测技术准确性不足的情况。目前在活塞环检测领域,通常采用边缘检测技术。但是随着出现的缺陷的多样性,直接使用边缘检测技术,会因为噪声等客观因素造成误检,对工厂生产的检测效率带来一定影响。
发明内容
为解决上述一个或多个技术问题,本发明提出首先获取活塞环灰度图中各个灰度级的分割边缘拟合曲线对应的缺陷边缘分割效果评价值序列以及拟合曲线段的圆弧相似度,结合分类模型判断每个灰度级的分割边缘拟合曲线是否为凸起缺陷边缘,从而完成活塞环缺陷的检测。为此,本发明在如下的多个方面中提供方案。
在第一方面中,本发明提供了一种活塞环缺陷检测方法,包括:
获取活塞环灰度图;遍历所述活塞环灰度图的灰度级,分别以各个灰度级为灰度阈值对所述活塞环灰度图进行阈值化分割,获取各个灰度级对应的二值图;
获取各个灰度级对应的二值图的分割边缘拟合曲线,并分别将每条分割边缘拟合曲线划分为多条拟合曲线段;并且,对于相邻灰度级的分割边缘拟合曲线,获取两两欧氏距离最近的拟合曲线段组合;计算所有拟合曲线段组合中的两条拟合曲线段之间的相似度;并依据各个拟合曲线段组合中的拟合曲线段的圆弧相似度以及拟合曲线段之间的相似度计算除最高灰度级之外的各个灰度级对应的评价序列,所述评价序列中的评价值的计算表达式如下:
式中,表示灰度级i对应的第k条拟合曲线段的圆弧相似度,/>表示灰度级i+1对应的第l条拟合曲线段的圆弧相似度,/>表示灰度级i对应的第k条拟合曲线段与灰度级i+1对应的第l条拟合曲线段之间的相似度,/>表示灰度级i对应的评价序列中的评价值;
分别将各个灰度级对应的评价序列作为输入变量输入至分类模型中进行二分类,从而判断各个灰度级对应的分割边缘拟合曲线是否为凸起缺陷边缘;
响应于某个灰度级对应的分割边缘拟合曲线是凸起缺陷边缘,则判定活塞环存在凸起缺陷。
在一个实施例中,将分割边缘拟合曲线划分为多条拟合曲线段包括:
获取分割边缘拟合曲线对应的边缘连通域,所述边缘连通域是指由分割边缘拟合曲线以及与分割边缘拟合曲线相邻且与分割边缘拟合曲线上的像素点的像素值相等的像素点所组成的区域;
对分割边缘拟合曲线上所有的像素点赋序值,求解分割边缘拟合曲线的曲率分布曲线,所述曲率分布曲线的横坐标表示各个像素点的序值,纵轴表示各个像素点处的曲率;
获取所述曲率分布曲线中相邻的波峰和波谷对应的序值;
以相邻的波峰和波谷对应的序值对应的像素点为分割点对所述边缘连通域进行分段;各段连通域内的分割边缘拟合曲线部分即为对应的拟合曲线段。
在一个实施例中,还包括:分别获取每段连通域内的曲率为0的像素点的个数,将曲率为0的像素点的个数大于预设的像素点个数阈值的连通域剔除。
在一个实施例中,所述获取分割边缘拟合曲线对应的边缘连通域包括:
对边缘曲线序列进行扩充,得到扩充后的边缘二值图像,所述边缘曲线序列是指由分割边缘拟合曲线上的离散像素点组成的序列;
对扩充后的边缘序列,使用中值滤波方法提取出边缘连通域。
在一个实施例中,
对于灰度级i下的第k条拟合曲线段,其圆弧相似度Zik的计算表达式为:
式中,表示灰度级i下的第k条拟合曲线段首端和末端的像素点的序值的差值,为以曲率标准值为均值,依据灰度级i下的第k条拟合曲线段上各个像素点的曲率计算出的曲率方差。
在一个实施例中,若灰度级i相邻的灰度级为i+1,计算对应的拟合曲线段组合中的两条拟合曲线段之间的相似度包括:
分别对灰度级i下的拟合曲线段和灰度级i+1下的拟合曲线段进行n等分,并将灰度级i下的二值图和灰度级i+1下的二值图叠加在一起;
对于每个拟合曲线段组合,分别计算拟合曲线段组合中其中一条拟合曲线段上的各个等分点与拟合曲线段组合中另一条拟合曲线段上相应的等分点之间的曼哈顿距离,并计算获取的所有曼哈顿距离的均值作为拟合曲线段组合中的两条拟合曲线段之间的相似度。
在一个实施例中,所述获取活塞环灰度图包括:将活塞环置于白色背景下,获取活塞环的初始图像并对其进行灰度化处理,从而得到活塞环的初始灰度图;筛去初始灰度图中灰度级小于或等于背景区域灰度的像素点,从而得到最终的活塞环灰度图。
在一个实施例中,所述分类模型采用逻辑回归模型。
在一个实施例中,还包括:对于每条分割边缘拟合曲线,计算其每条拟合曲线段的圆弧相似度,对于圆弧相似度小于圆弧相似度阈值的拟合曲线段,利用该拟合曲线对应的分割边缘处的像素点重新进行拟合。
在第二方面中,本发明提供了一种活塞环缺陷检测系统,包括存储器和处理器,所述存储器内存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现本发明的活塞环缺陷检测方法。
本发明的技术效果为:本发明的活塞环缺陷检测方法通过对活塞环灰度图遍历灰度级,分别以各个灰度级作为阈值对活塞环灰度图进行分割得到各个灰度级对应的二值图,并得到各个二值图对应的分割边缘拟合曲线,对不同的拟合曲线段进行自适应得到拟合曲线段组合,以拟合曲线段组合的拟合曲线段作为缺陷附近的最佳边缘,依据拟合曲线段组合来计算各个灰度级对应的评价序列并结合训练好的分类模型进行二分类从而获取缺陷检测结果,采用本发明的活塞环缺陷检测方法进行活塞环缺陷检测,能够具有更加稳定准确的活塞环缺陷检测结果,提高了活塞环劣品筛选的准确度和鲁棒性。
进一步地,对于同一条曲线,曲率极大值和曲率极小值对应的点为该曲线曲率变化趋势发生变化的点即曲线的拐点,以分割边缘拟合曲线上拐点对分割边缘拟合曲线进行分割,使得分段后的每条拟合曲线段均不存在拐点,以便后续步骤中更好地评价每条拟合曲线段的圆弧相似度,使得活塞环缺陷检测效果更好。
进一步地,若某段连通域内的曲率为0的像素点的个数过多,则认为该段连通域为无效区域,无效区域会导致缺陷检测的误差,通过将无效区域对应的那段连通域剔除,使得活塞环缺陷检测更加精准。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是示意性示出本发明的实施例的活塞环缺陷检测方法流程图;
图2是示意性示出本发明的实施例的分割边缘拟合曲线划分方法流程图;
图3是示意性示出本发明的实施例的获取边缘连通域方法流程图;
图4是示意性示出本发明的实施例的拟合曲线段组合中的两条拟合曲线段之间的相似度计算方法流程图;
图5是示意性示出本发明的实施例的活塞环灰度图获取方法流程图;
图6是示意性示出本发明的实施例的活塞环缺陷检测系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图来详细描述本发明的具体实施方式。
活塞环缺陷检测方法实施例:
如图1所示,本发明的活塞环缺陷检测方法包括:
S101、获取活塞环灰度图以及各个灰度级对应的二值图,具体为:获取活塞环灰度图,遍历所述活塞环灰度图的灰度级,分别以各个灰度级为灰度阈值对所述活塞环灰度图进行阈值化分割,获取各个灰度级对应的二值图。
通过对拍摄的活塞环图像进行灰度化处理即可得到活塞环灰度图,获取活塞环灰度图以便后续步骤对活塞环缺陷进行检测。
假设活塞环灰度图中最大灰度级为,遍历活塞环灰度图的灰度级,设此时正在遍历的灰度级为/>,/>。将灰度级小于等于i的像素点组成的区域定义为G1,其余灰度级高于i的像素点组成的区域定义为G2。将G1内的像素点灰度级设置为1(白色),G2内的像素点灰度级设置为0(黑色),进而得到二值图像B。
若活塞环存在凸起缺陷,活塞环灰度图中有四个区域的灰度级,四个区域为正常活塞环区域、正常活塞环边缘、凸起缺陷内部区域以及凸起缺陷边缘。且灰度级依次递减的关系为:正常活塞环区域对应的灰度级、正常活塞环边缘对应的灰度级、凸起缺陷内部区域对应的灰度级以及凸起缺陷边缘对应的灰度级。因此,以正常活塞环区域对应的灰度级为阈值分割得到的二值图中包括活塞环所有区域;以正常活塞环边缘对应的灰度级为阈值分割得到的二值图中包括活塞环边缘、凸起缺陷内部区域以及凸起缺陷边缘;以凸起缺陷内部区域对应的灰度级为阈值分割得到的二值图中包括凸起缺陷内部区域和凸起缺陷边缘,以凸起缺陷边缘对应的灰度级为阈值分割得到的二值图中仅包括凸起缺陷边缘。
S102、获取分割边缘拟合曲线以及拟合曲线段组合,具体为:获取各个灰度级对应的二值图的分割边缘拟合曲线,并分别将每条分割边缘拟合曲线划分为多条拟合曲线段;并且,对于相邻灰度级的分割边缘拟合曲线,获取两两欧氏距离最近的拟合曲线段组合。
二值图中的像素点的像素值为0或者1,像素值为0的区域与像素值为1的区域的分界处即为分割边缘,对分割边缘处离散的像素点进行拟合即可得到分割边缘拟合曲线。在拟合时可采用最小二乘法进行拟合。
通过将每条分割边缘拟合曲线划分为多条拟合曲线段,从而方便分别评价每条拟合曲线段的拟合效果,对于拟合效果较差的拟合曲线段,重新进行拟合,从而确保最终获得的分割边缘拟合曲线是具有较好的拟合效果的分割边缘拟合曲线,进而提高活塞环缺陷检测的准确性。对分割边缘拟合曲线进行划分的方法有多种,例如其中一种方式是:首先确定出多个分割点,利用每个分割点对分割边缘拟合曲线进行划分,各个分割点之间的距离可以相等也可以不相等;另外一种方式是:获取分割边缘拟合曲线上各个点处的曲率,将曲率满足一定条件的像素点作为分割点,对分割边缘拟合曲线进行划分。
对于相邻灰度级的分割边缘拟合曲线,获取两两欧氏距离最近的拟合曲线段组合的方法是将两个灰度级的二值图叠加在一起,从而将两个灰度级对应的分割边缘拟合曲线显示在一张图像上,从而计算出拟合曲线段之间的欧式距离;若其中一个灰度级对应的拟合曲线段个数大于另一个灰度级对应的拟合曲线段个数,则选择其中较小的个数作为拟合曲线段组合的个数,并以拟合曲线段个数较小的分割边缘拟合曲线对应的拟合曲线段为基准进行配对。例如:拟合曲线段个数较小的分割边缘拟合曲线为分割边缘拟合曲线H,分割边缘拟合曲线H的拟合曲线段个数为3,分别为拟合曲线段I、拟合曲线段J以及拟合曲线段K,则分别在另一条分割边缘拟合曲线的所有拟合曲线段中找出距离拟合曲线段I、拟合曲线段J以及拟合曲线段K最近的拟合曲线段,从而最终找到三个拟合曲线段组合。
S103、计算各个灰度级对应的评价序列,具体为:
计算所有拟合曲线段组合中的两条拟合曲线段之间的相似度;并依据各个拟合曲线段组合中的拟合曲线段的圆弧相似度以及拟合曲线段之间的相似度计算除最高灰度级之外的各个灰度级对应的评价序列,所述评价序列中的评价值的计算表达式如下:
(1)
式中,表示灰度级i对应的第k条拟合曲线段的圆弧相似度,/>表示灰度级i+1对应的第l条拟合曲线段的圆弧相似度,/>表示灰度级i对应的第k条拟合曲线段与灰度级i+1对应的第l条拟合曲线段之间的相似度,/>表示灰度级i对应的评价序列中的评价值,灰度级i对应的第k条拟合曲线段和灰度级i+1对应的第l条拟合曲线段属于同一个拟合曲线段组合。
评价序列用于评价灰度级对应的缺陷边缘评价效果,缺陷边缘评价效果用于表征灰度级对应的分割边缘拟合曲线为凸起缺陷边缘的可能性。
两条拟合曲线段之间的相似度的方法有多种,例如:均方差算法、皮尔逊相关系数算法等;也可以依据两条拟合曲线段上的点之间的曼哈顿距离来获取两条拟合曲线段之间的相似度,例如在第一条拟合曲线段上选取点A,在第二条拟合曲线段上选取点B,则点A和点B之间的曼哈顿距离即可作为第一条拟合曲线段和第二条拟合曲线段的相似度。
当边缘拟合曲线接触到凸起缺陷边缘时,表现为在不同灰度级检测时拟合出相似的结果,代表该边缘属于凸起缺陷边缘的概率越大。故相邻灰度级对应的拟合曲线段组合中的拟合曲线段两两之间的相似性可以构成凸起边缘信息,进而分析分割边缘的检测缺陷效果。
S104、分别将各个灰度级对应的评价序列作为输入变量输入至分类模型中进行二分类,从而判断各个灰度级对应的分割边缘拟合曲线是否为凸起缺陷边缘。
分类模型可采用逻辑回归模型、决策树模型、支持向量机模型或其它合适的分类模型。
将缺陷边缘分割效果评价值序列输入到训练完成后的分类模型中进行二分类,其中结果为1代表是活塞环缺陷边缘,结果为0代表不是活塞环缺陷边缘,即可得到包含活塞环缺陷区域的边缘,进而完成活塞环缺陷边缘检测。
S105、响应于某个灰度级对应的分割边缘拟合曲线是凸起缺陷边缘,则判定活塞环存在凸起缺陷。
本发明的活塞环缺陷检测方法通过对活塞环灰度图遍历灰度级,分别以各个灰度级作为阈值对活塞环灰度图进行分割得到各个灰度级对应的二值图,并得到各个二值图对应的分割边缘拟合曲线,对不同的拟合曲线段进行自适应得到拟合曲线段组合,以拟合曲线段组合的拟合曲线段作为缺陷附近的最佳边缘,依据拟合曲线段组合来计算各个灰度级对应的评价序列并结合训练好的分类模型进行二分类从而获取缺陷检测结果,采用本发明的活塞环缺陷检测方法进行活塞环缺陷检测,能够具有更加稳定准确的活塞环缺陷检测结果,提高了活塞环劣品筛选的准确度和鲁棒性。
在一个实施例中,分类模型采用逻辑回归模型。逻辑回归模型是通过拟合一个逻辑函数来预测一个样本属于某个类别,其输入为一组变量,输出为一个变量,其值为0或者1。本实施例中的逻辑回归模型的使用方法是:将灰度级对应的评价序列输入变量输入至逻辑回归模型中,逻辑回归模型自动对其进行二分类,输出分类结果0或者1;其中结果为1代表灰度级对应的分割边缘拟合曲线为活塞环缺陷边缘,结果为0代表灰度级对应的分割边缘拟合曲线不是活塞环缺陷边缘。
本实施例中的逻辑回归模型训练过程为:获取大量活塞环俯视图像,对含有不同凸起缺陷的活塞环俯视图像进行标记,并进行不重复编号,将大量的带有标签的数据输入到逻辑回归模型当中,然后根据这些输入数据调整模型参数,其中涉及到与二分类有关的sigmoid函数,损失函数采用对数似然损失函数。
以上实施例中提到,在对分割边缘拟合曲线进行划分时,可获取分割边缘拟合曲线上各个点处的曲率,将曲率满足一定条件的像素点作为分割点,对分割边缘拟合曲线进行划分,如图2所示,在一个实施例中,将分割边缘拟合曲线划分为多条拟合曲线段包括:
S201、获取分割边缘拟合曲线对应的边缘连通域,所述边缘连通域是指由分割边缘拟合曲线以及与分割边缘拟合曲线相邻且与分割边缘拟合曲线上的像素点的像素值相等的像素点所组成的区域。
S202、求解分割边缘拟合曲线的曲率分布曲线,具体为:对分割边缘拟合曲线上所有的像素点赋序值,求解分割边缘拟合曲线的曲率分布曲线,所述曲率分布曲线的横坐标表示各个像素点的序值,纵轴表示各个像素点处的曲率。
具体过程为:首先获取曲率端点,然后将曲线端点处作为初始点沿边缘走向滑动,对经过的分割边缘拟合曲线上的像素点赋序值,进而求解每个点对应的曲率。以边缘点序列排序的值为横坐标,以曲率为纵坐标,进而得到第i个灰度级对应的边缘曲率分布曲线。
已知曲率的大小影响拟合曲线的弯曲程度。在灰度级i分割图像并检测边缘后,分割边缘拟合曲线对应曲率变化曲线存在较多峰值且曲率变化不规律时,代表该边缘属于凸起缺陷边缘的概率越大。
S203、获取所述曲率分布曲线中相邻的波峰和波谷对应的序值。
S204、以相邻的波峰和波谷对应的序值对应的像素点为分割点对所述边缘连通域进行分段;各段连通域内的分割边缘拟合曲线部分即为对应的拟合曲线段。
对于同一条曲线,曲率极大值和曲率极小值对应的点为该曲线曲率变化趋势发生变化的点即曲线的拐点,以分割边缘拟合曲线上拐点对分割边缘拟合曲线进行分割,使得分段后的每条拟合曲线段均不存在拐点,以便后续步骤中更好地评价每条拟合曲线段的圆弧相似度,使得活塞环缺陷检测效果更好。
若某段连通域内的曲率为0的像素点的个数过多,则认为该段连通域为无效区域,无效区域会导致缺陷检测的误差,因此,在一个实施例中,还包括:
分别获取每段连通域内的曲率为0的像素点的个数,将曲率为0的像素点的个数大于预设的像素点个数阈值的连通域剔除。预设的像素点个数阈值可以取2/3。
如图3所示,在一个实施例中,获取分割边缘拟合曲线对应的边缘连通域包括:
S301、对边缘曲线序列进行扩充,得到扩充后的边缘二值图像,所述边缘曲线序列是指由分割边缘拟合曲线上的离散像素点组成的序列。
S302、对扩充后的边缘序列,使用中值滤波方法提取出边缘连通域。
由以上实施例可知,在计算某条分割边缘拟合曲线的拟合曲线段的圆弧相似度时,可依据拟合曲线段上各个像素点的曲率与曲率标准值的差值进行计算。在一个实施例中,对于灰度级i下的第k条拟合曲线段,其圆弧相似度Zik的计算表达式为:
(2)
式中,表示灰度级i下的第k条拟合曲线段首端和末端的像素点的序值的差值,为以曲率标准值为均值,依据灰度级i下的第k条拟合曲线段上各个像素点的曲率计算出的曲率方差。
以上实施例中提到,可依据两条拟合曲线段上的点之间的曼哈顿距离来获取拟合曲线段组合中的两条拟合曲线段之间的相似度,如图4所示,在一个实施例中,假设灰度级i相邻的灰度级为i+1,计算对应的拟合曲线段组合中的两条拟合曲线段之间的相似度包括:
S401、对拟合曲线段进行n等分并对二值图进行叠加处理,具体为:分别对灰度级i下的拟合曲线段和灰度级i+1下的拟合曲线段进行n等分,并将灰度级i下的二值图和灰度级i+1下的二值图叠加在一起。
S402、求解曼哈顿距离,从而获取两条拟合曲线段之间的相似度,具体为:对于每条拟合曲线段组合,分别计算拟合曲线段组合中其中一条拟合曲线段上的各个等分点与拟合曲线段组合中另一条拟合曲线段上相应的等分点之间的曼哈顿距离,并计算获取的所有曼哈顿距离的均值作为拟合曲线段组合中的两条拟合曲线段之间的相似度。
相应的等分点是指距离其中一条拟合曲线段上的等分点最近的等分点。例如拟合曲线段组合中第一条拟合曲线段上的等分点为点C和点D,第二条拟合曲线段上的等分点为点E和点F,其中点C距离点E最近,点D距离点F最近,则与点C相应的等分点即为点E,与点D相应的等分点即为点F。点C到点E的曼哈顿距离为2,点D到点F的曼哈顿距离为4,则第一条拟合曲线段和第二条拟合曲线段的相似度即为3。
在一个实施例中,如图5所示,所述获取活塞环灰度图包括:
S501、获取活塞环的初始灰度图,具体为:将活塞环置于白色背景下,获取活塞环的初始图像并对其进行灰度化处理,从而得到活塞环的初始灰度图。
可在打光均匀的情况下利用相机对活塞环进行俯视拍摄从而获取活塞环的初始图像。若活塞环存在凸起缺陷,凸起缺陷在图像上表现为对应灰度级较低。灰度级依次递减的关系为:正常活塞环区域、正常活塞环边缘、凸起缺陷内部区域、凸起缺陷边缘、背景区域;因此,活塞环的初始灰度图会有五个灰度级。
S502、筛去初始灰度图中灰度级小于或等于背景区域灰度的像素点,从而得到最终的活塞环灰度图。
由于背景采用的是白色背景,背景区域的灰度最小,将小于或等于背景区域灰度的像素点筛去即可得到只包含活塞环的活塞环灰度图。
若分割边缘拟合曲线拟合效果不好,可能会影响缺陷检测的精度,因此,在一个实施例中,还包括:对于每条分割边缘拟合曲线,计算其每条拟合曲线段的圆弧相似度,对于圆弧相似度小于圆弧相似度阈值的拟合曲线段,利用该拟合曲线对应的分割边缘处的像素点重新进行拟合。
拟合曲线段越接近圆弧其圆弧相似度越大,因此可设定一个圆弧的曲率标准值,依据拟合曲线段上各个像素点的曲率与曲率标准值的差值进行计算圆弧相似度。
活塞环缺陷检测系统实施例:
本发明还提供了一种活塞环缺陷检测系统。如图6所示,所述活塞环缺陷检测系统包括处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据本发明第一方面所述的活塞环缺陷检测方法。
所述活塞环缺陷检测系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件,其设置和功能为本领域中已知,因此在此不再赘述。
在本发明中,前述的存储器可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质,比如,阻变式存储器RRAM(Resistive RandomAccess Memory)、动态随机存取存储器DRAM(Dynamic Random Access Memory)、静态随机存取存储器SRAM(Static Random-Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等等,或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
在本说明书的描述中,“多个”、“若干个”的含义是至少两个,例如两个,三个或更多个等,除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中,可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (10)
1.一种活塞环缺陷检测方法,其特征在于,包括:
获取活塞环灰度图;遍历所述活塞环灰度图的灰度级,分别以各个灰度级为灰度阈值对所述活塞环灰度图进行阈值化分割,获取各个灰度级对应的二值图;
获取各个灰度级对应的二值图的分割边缘拟合曲线,并分别将每条分割边缘拟合曲线划分为多条拟合曲线段;并且,对于相邻灰度级的分割边缘拟合曲线,获取两两欧氏距离最近的拟合曲线段组合;计算所有拟合曲线段组合中的两条拟合曲线段之间的相似度;并依据各个拟合曲线段组合中的拟合曲线段的圆弧相似度以及拟合曲线段之间的相似度计算除最高灰度级之外的各个灰度级对应的评价序列,所述评价序列中的评价值的计算表达式如下:
式中,表示灰度级i对应的第k条拟合曲线段的圆弧相似度,/>表示灰度级i+1对应的第l条拟合曲线段的圆弧相似度,/>表示灰度级i对应的第k条拟合曲线段与灰度级i+1对应的第l条拟合曲线段之间的相似度,/>表示灰度级i对应的评价序列中的评价值;
分别将各个灰度级对应的评价序列作为输入变量输入至分类模型中进行二分类,从而判断各个灰度级对应的分割边缘拟合曲线是否为凸起缺陷边缘;
响应于某个灰度级对应的分割边缘拟合曲线是凸起缺陷边缘,则判定活塞环存在凸起缺陷。
2.如权利要求1所述的活塞环缺陷检测方法,其特征在于,将分割边缘拟合曲线划分为多条拟合曲线段包括:
获取分割边缘拟合曲线对应的边缘连通域,所述边缘连通域是指由分割边缘拟合曲线以及与分割边缘拟合曲线相邻且与分割边缘拟合曲线上的像素点的像素值相等的像素点所组成的区域;
对分割边缘拟合曲线上所有的像素点赋序值,求解分割边缘拟合曲线的曲率分布曲线,所述曲率分布曲线的横坐标表示各个像素点的序值,纵轴表示各个像素点处的曲率;
获取所述曲率分布曲线中相邻的波峰和波谷对应的序值;
以相邻的波峰和波谷对应的序值对应的像素点为分割点对所述边缘连通域进行分段;各段连通域内的分割边缘拟合曲线部分即为对应的拟合曲线段。
3.如权利要求2所述的活塞环缺陷检测方法,其特征在于,还包括:
分别获取每段连通域内的曲率为0的像素点的个数,将曲率为0的像素点的个数大于预设的像素点个数阈值的连通域剔除。
4.如权利要求2所述的活塞环缺陷检测方法,其特征在于,所述获取分割边缘拟合曲线对应的边缘连通域包括:
对边缘曲线序列进行扩充,得到扩充后的边缘二值图像,所述边缘曲线序列是指由分割边缘拟合曲线上的离散像素点组成的序列;
对扩充后的边缘序列,使用中值滤波方法提取出边缘连通域。
5.如权利要求1所述的活塞环缺陷检测方法,其特征在于,对于灰度级i下的第k条拟合曲线段,其圆弧相似度Zik的计算表达式为:
式中,表示灰度级i下的第k条拟合曲线段首端和末端的像素点的序值的差值,/>为以曲率标准值为均值,依据灰度级i下的第k条拟合曲线段上各个像素点的曲率计算出的曲率方差。
6.如权利要求1所述的活塞环缺陷检测方法,其特征在于,若灰度级i相邻的灰度级为i+1,计算对应的拟合曲线段组合中的两条拟合曲线段之间的相似度包括:
分别对灰度级i下的拟合曲线段和灰度级i+1下的拟合曲线段进行n等分,并将灰度级i下的二值图和灰度级i+1下的二值图叠加在一起;
对于每个拟合曲线段组合,分别计算拟合曲线段组合中其中一条拟合曲线段上的各个等分点与拟合曲线段组合中另一条拟合曲线段上相应的等分点之间的曼哈顿距离,并计算获取的所有曼哈顿距离的均值作为拟合曲线段组合中的两条拟合曲线段之间的相似度。
7.如权利要求1所述的活塞环缺陷检测方法,其特征在于,所述获取活塞环灰度图包括:
将活塞环置于白色背景下,获取活塞环的初始图像并对其进行灰度化处理,从而得到活塞环的初始灰度图;
筛去初始灰度图中灰度级小于或等于背景区域灰度的像素点,从而得到最终的活塞环灰度图。
8.如权利要求1所述的活塞环缺陷检测方法,其特征在于,所述分类模型采用逻辑回归模型。
9.如权利要求1~8任意一项所述的活塞环缺陷检测方法,其特征在于,还包括:对于每条分割边缘拟合曲线,计算其每条拟合曲线段的圆弧相似度,对于圆弧相似度小于圆弧相似度阈值的拟合曲线段,利用该拟合曲线对应的分割边缘处的像素点重新进行拟合。
10.一种活塞环缺陷检测系统,包括存储器和处理器,所述存储器内存储有计算机程序指令,其特征在于,当所述计算机程序指令被所述处理器执行时实现权利要求1~9任意一项所述的活塞环缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410053023.2A CN117576089B (zh) | 2024-01-15 | 2024-01-15 | 一种活塞环缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410053023.2A CN117576089B (zh) | 2024-01-15 | 2024-01-15 | 一种活塞环缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117576089A true CN117576089A (zh) | 2024-02-20 |
CN117576089B CN117576089B (zh) | 2024-03-22 |
Family
ID=89884792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410053023.2A Active CN117576089B (zh) | 2024-01-15 | 2024-01-15 | 一种活塞环缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117576089B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08189904A (ja) * | 1995-01-06 | 1996-07-23 | Kawasaki Steel Corp | 表面欠陥検出装置 |
US20080008375A1 (en) * | 2006-07-06 | 2008-01-10 | Petersen Russell H | Method for inspecting surface texture direction of workpieces |
KR20160054151A (ko) * | 2014-11-05 | 2016-05-16 | 한밭대학교 산학협력단 | 웨이블릿 변환에서 마스크 필터링을 이용한 얼룩 결함 자동 검출 시스템 및 방법 |
US20190197678A1 (en) * | 2016-08-29 | 2019-06-27 | Wuhan Jingce Electronic Group Co., Ltd. | Gpu-based tft-lcd mura defect detection method |
CN110987945A (zh) * | 2019-12-24 | 2020-04-10 | 合肥维信诺科技有限公司 | 缺陷检测方法、检测装置及触控显示面板的检测方法 |
WO2020248439A1 (zh) * | 2019-06-11 | 2020-12-17 | 江苏农林职业技术学院 | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 |
CN113643294A (zh) * | 2021-10-14 | 2021-11-12 | 江苏祥顺布业有限公司 | 基于频谱分析的纺织品缺陷自适应检测方法 |
CN113658133A (zh) * | 2021-08-16 | 2021-11-16 | 江苏鑫丰源机电有限公司 | 一种基于图像处理的齿轮表面缺陷检测方法及系统 |
CN114565614A (zh) * | 2022-05-02 | 2022-05-31 | 武汉华塑亿美工贸有限公司 | 基于机器视觉的注塑件表面缺陷分析方法与系统 |
CN114994072A (zh) * | 2022-04-15 | 2022-09-02 | 浙江机电职业技术学院 | 一种基于机器视觉的磁棒端面缺陷检测方法 |
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 |
CN116797561A (zh) * | 2023-06-05 | 2023-09-22 | 江苏迅兴重工设备有限公司 | 一种钢结构焊接质量检测方法 |
CN116934761A (zh) * | 2023-09-18 | 2023-10-24 | 张家港宝翔机械有限公司 | 一种乳胶手套缺陷自适应检测方法 |
CN117011250A (zh) * | 2023-07-20 | 2023-11-07 | 广东利元亨智能装备股份有限公司 | 缺陷检测方法、装置及存储介质 |
CN117152180A (zh) * | 2023-10-31 | 2023-12-01 | 山东克莱蒙特新材料科技有限公司 | 基于人工智能的矿物铸件缺陷检测方法 |
-
2024
- 2024-01-15 CN CN202410053023.2A patent/CN117576089B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08189904A (ja) * | 1995-01-06 | 1996-07-23 | Kawasaki Steel Corp | 表面欠陥検出装置 |
US20080008375A1 (en) * | 2006-07-06 | 2008-01-10 | Petersen Russell H | Method for inspecting surface texture direction of workpieces |
KR20160054151A (ko) * | 2014-11-05 | 2016-05-16 | 한밭대학교 산학협력단 | 웨이블릿 변환에서 마스크 필터링을 이용한 얼룩 결함 자동 검출 시스템 및 방법 |
US20190197678A1 (en) * | 2016-08-29 | 2019-06-27 | Wuhan Jingce Electronic Group Co., Ltd. | Gpu-based tft-lcd mura defect detection method |
WO2020248439A1 (zh) * | 2019-06-11 | 2020-12-17 | 江苏农林职业技术学院 | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 |
CN110987945A (zh) * | 2019-12-24 | 2020-04-10 | 合肥维信诺科技有限公司 | 缺陷检测方法、检测装置及触控显示面板的检测方法 |
CN113658133A (zh) * | 2021-08-16 | 2021-11-16 | 江苏鑫丰源机电有限公司 | 一种基于图像处理的齿轮表面缺陷检测方法及系统 |
CN113643294A (zh) * | 2021-10-14 | 2021-11-12 | 江苏祥顺布业有限公司 | 基于频谱分析的纺织品缺陷自适应检测方法 |
CN114994072A (zh) * | 2022-04-15 | 2022-09-02 | 浙江机电职业技术学院 | 一种基于机器视觉的磁棒端面缺陷检测方法 |
CN114565614A (zh) * | 2022-05-02 | 2022-05-31 | 武汉华塑亿美工贸有限公司 | 基于机器视觉的注塑件表面缺陷分析方法与系统 |
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 |
CN116797561A (zh) * | 2023-06-05 | 2023-09-22 | 江苏迅兴重工设备有限公司 | 一种钢结构焊接质量检测方法 |
CN117011250A (zh) * | 2023-07-20 | 2023-11-07 | 广东利元亨智能装备股份有限公司 | 缺陷检测方法、装置及存储介质 |
CN116934761A (zh) * | 2023-09-18 | 2023-10-24 | 张家港宝翔机械有限公司 | 一种乳胶手套缺陷自适应检测方法 |
CN117152180A (zh) * | 2023-10-31 | 2023-12-01 | 山东克莱蒙特新材料科技有限公司 | 基于人工智能的矿物铸件缺陷检测方法 |
Non-Patent Citations (4)
Title |
---|
何小凡;汪威;钟毓宁;: "一种基于曲面拟合的复杂表面缺陷检测方法", 湖北工业大学学报, no. 01, 15 February 2017 (2017-02-15) * |
李桥;钟宝江;: "硅片缺陷检测中的图像分割方法", 计算机应用, no. 1, 10 June 2016 (2016-06-10) * |
罗文亮;倪晋平;马鸣;陈登峰;: "基于灰度阈值分割的锥体零件缺陷识别算法", 西安工业大学学报, no. 01, 28 February 2006 (2006-02-28) * |
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, 20 October 2011 (2011-10-20) * |
Also Published As
Publication number | Publication date |
---|---|
CN117576089B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110189255B (zh) | 基于两级检测的人脸检测方法 | |
CN109598287B (zh) | 基于深度卷积生成对抗网络样本生成的外观瑕疵检测方法 | |
CN111932489A (zh) | 焊缝缺陷检测方法、系统、存储介质、计算机设备、终端 | |
WO2017020723A1 (zh) | 一种字符分割方法、装置及电子设备 | |
US20120095944A1 (en) | Forward Feature Selection For Support Vector Machines | |
CN109118473B (zh) | 基于神经网络的角点检测方法、存储介质与图像处理系统 | |
CN111640089B (zh) | 一种基于特征图中心点的缺陷检测方法及装置 | |
CN108805863B (zh) | 深度卷积神经网络结合形态学检测图像变化的方法 | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理系统 | |
CN115496892A (zh) | 工业缺陷检测方法、装置及电子设备、存储介质 | |
CN112819806A (zh) | 一种基于深度卷积神经网络模型的船舶焊缝缺陷检测方法 | |
CN111429372A (zh) | 一种增强低对比度图像边缘检测效果的方法 | |
CN111144425B (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
CN111582004A (zh) | 一种地面图像中的目标区域分割方法及装置 | |
CN117557872B (zh) | 一种优化存储模式的无监督异常检测方法及装置 | |
CN117788472A (zh) | 一种基于dbscan算法的飞机蒙皮表面铆钉腐蚀程度判断的方法 | |
US20220101508A1 (en) | Method and system of image based anomaly localization for vehicles through generative contextualized adversarial network | |
CN113762151A (zh) | 一种故障数据处理方法、系统及故障预测方法 | |
CN110705631B (zh) | 一种基于svm的散货船舶设备状态检测方法 | |
CN117576089B (zh) | 一种活塞环缺陷检测方法及系统 | |
CN110751623A (zh) | 基于联合特征的缺陷检测方法、装置、设备及存储介质 | |
CN111932515B (zh) | 产品残留类缺陷的短路检测方法及系统及缺陷分类系统 | |
CN115775220A (zh) | 使用多个机器学习程序检测图像中的异常的方法和系统 | |
CN114648520A (zh) | 轨道缺陷的检测方法、系统、电子设备和存储介质 | |
Yang et al. | Deep feature inpainting for unsupervised visual anomaly detection |
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 |