CN117593294A - 基于图像特征分析的离心风机风叶裂纹视觉检测方法 - Google Patents
基于图像特征分析的离心风机风叶裂纹视觉检测方法 Download PDFInfo
- Publication number
- CN117593294A CN117593294A CN202410069826.7A CN202410069826A CN117593294A CN 117593294 A CN117593294 A CN 117593294A CN 202410069826 A CN202410069826 A CN 202410069826A CN 117593294 A CN117593294 A CN 117593294A
- Authority
- CN
- China
- Prior art keywords
- connected domain
- crack
- domain
- crack target
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 230000000007 visual effect Effects 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 39
- 238000005336 cracking Methods 0.000 claims abstract description 31
- 230000008859 change Effects 0.000 claims abstract description 16
- 230000004660 morphological change Effects 0.000 claims abstract description 13
- 238000009826 distribution Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000013507 mapping Methods 0.000 claims description 14
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000011179 visual inspection Methods 0.000 claims 9
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 229910000851 Alloy steel Inorganic materials 0.000 description 1
- 238000004887 air purification Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及裂纹检测技术领域,具体涉及一种基于图像特征分析的离心风机风叶裂纹视觉检测方法。该方法根据叶片区域内像素点的灰度分布获取叶片区域的多个连通域;获取每个连通域的多个主成分向量,根据每个连通域中的边缘波动程度、主成分向量的变化趋势、像素点的局部梯度特征以及整体灰度特征,获得每个连通域为裂纹目标连通域的可能性;根据每个连通域的可能性筛选出裂纹目标连通域;根据每个裂纹目标连通域的形态变化特征以及相对面积,获得每个裂纹目标连通域的开裂程度;进一步对叶片区域进行裂纹检测。本发明通过获得可靠性较高的裂纹区域,提高对裂纹检测的精度。
Description
技术领域
本发明涉及裂纹检测技术领域,具体涉及一种基于图像特征分析的离心风机风叶裂纹视觉检测方法。
背景技术
离心风机是一种用于在工业环境中输送汽体、增压或排气的设备,具有强大的风量和压力,可以用于通风、废弃处理、空气净化以及干燥系统等。离心风机的叶片是关键组成部分,对于风叶裂纹的检测有助于提前发现潜在问题,减少由于叶片损伤导致的设备故障和安全隐患。
现有技术中,采用阈值分割的方式对离心风机的叶片进行裂纹检测时,根据裂纹区域与正常叶片区域的灰度差异从而分割出可能的裂纹区域;但由于实际检测场景中,叶片自身纹理的干扰以及采集设备拍摄模糊等因素使得阈值分割划分出的裂纹区域存在无关区域信息的干扰,未能获得准确的裂纹区域,导致判断叶片裂纹的准确性较低。
发明内容
为了解决未能获得准确的裂纹区域,导致判断叶片裂纹的准确性较低的技术问题,本发明的目的在于提供一种基于图像特征分析的离心风机风叶裂纹视觉检测方法,所采用的技术方案具体如下:
本发明提出了一种基于图像特征分析的离心风机风叶裂纹视觉检测方法,所述方法包括:
获取离心风机的叶片表面图像;所述叶片表面图像中包括叶片区域;
根据叶片区域内像素点的灰度分布获得叶片区域的多个连通域;获取每个连通域的多个主成分向量,根据每个连通域中的边缘波动程度、主成分向量的变化趋势、像素点的局部梯度特征以及整体灰度特征,获得每个连通域为裂纹目标连通域的可能性;根据每个连通域的所述可能性筛选出裂纹目标连通域;根据每个裂纹目标连通域的形态变化特征以及相对面积,获得每个裂纹目标连通域的开裂程度;
根据每个裂纹目标连通域的所述开裂程度对叶片区域进行裂纹检测。
进一步地,所述可能性的获取方法包括:
使用8方向链码对每个连通域的边缘像素点进行连接,计算每个相邻链码之间的夹角,并进行余弦变换,获得夹角余弦值;
计算每个夹角余弦值与预设常数之和,作为链码方向相似度;计算所有链码方向相似度的均值,并求倒数,获得每个连通域的边缘波动程度;
计算最大主成分向量与最小主成分向量之间模长的比值,作为主成分向量的变化趋势;
计算每个连通域内所有边缘像素点的梯度幅值的均值,作为局部梯度特征;
计算每个连通域内所有像素点的灰度均值,作为整体灰度特征;
将所述整体灰度特征进行负相关映射,计算每个连通域的负相关映射结果、边缘波动程度、主成分向量的变化趋势以及局部梯度特征的乘积,并进行归一化,获得每个连通域为裂纹目标连通域的可能性。
进一步地,所述裂纹目标连通域的获取方法包括:
若连通域为裂纹目标连通域的所述可能性大于或者等于预设可能性阈值,将连通域作为裂纹目标连通域。
进一步地,所述形态变化特征的获取方法包括:
所述形态变化特征包括延伸长度特征和宽度特征;
获取每个裂纹目标连通域的最小外接椭圆,计算最小外接椭圆的长轴长度,作为每个裂纹目标连通域的延伸长度特征;
基于形态学分析获得每个裂纹目标连通域的形态学骨架,计算每个裂纹目标连通域中的每个边缘像素点与所有骨架像素点之间的最小欧氏距离,将每个裂纹目标连通域中所有边缘像素点对应的最小欧氏距离的均值,作为每个裂纹目标连通域的宽度特征。
进一步地,所述开裂程度的获取方法包括:
将每个裂纹目标连通域对应的像素点数量作为每个裂纹目标连通域的面积,并进行归一化,获得相对面积;
计算每个裂纹目标连通域的延伸长度特征、宽度特征以及相对面积的乘积,获得每个裂纹目标连通域的开裂程度。
进一步地,所述连通域的获取方法包括:
根据叶片区域内像素点的灰度分布,采用连通域算法获得叶片区域的多个连通域。
进一步地,所述的主成分向量获取方法包括:
采用PCA算法获得每个连通域的多个主成分向量。
进一步地,所述将所述整体灰度特征进行负相关映射包括:
获取灰度最大值;计算灰度最大值与所述整体灰度特征的比值,作为将所述整体灰度特征进行负相关映射的结果。
进一步地,所述归一化的方法为采用函数。
进一步地,所述预设可能性阈值取经验值为0.8。
本发明具有如下有益效果:
本发明为了避免噪声的干扰,保证后续图像处理过程的图像质量,获取离心风机的叶片表面图像;叶片表面图像中包括叶片区域;根据叶片区域内像素点的灰度分布获取叶片区域的多个连通域,有助于后续对每个区域进行单独处理和分析,从而提高处理的精确度和针对性;获取每个连通域的多个主成分向量,根据每个连通域中的边缘波动程度、主成分向量的变化趋势、像素点的局部梯度特征以及整体灰度特征,获得每个连通域为裂纹目标连通域的可能性,通过多种特征来判断每个连通域是否可能为裂纹区域,提高裂纹识别的准确率;根据每个连通域的可能性筛选出裂纹目标连通域,降低后续处理的复杂度;根据每个裂纹目标连通域的形态变化特征以及相对面积,获得每个裂纹目标连通域的开裂程度,更准确地评估每个裂纹目标连通域的实际开裂程度,判断叶片受损伤的严重程度;进一步对叶片区域进行裂纹检测。本发明通过获得可靠性较高的裂纹区域,提高对裂纹检测的精度。
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基于图像特征分析的离心风机风叶裂纹视觉检测方法的流程图。
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特征分析的离心风机风叶裂纹视觉检测方法,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为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特征分析的离心风机风叶裂纹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基于图像特征分析的离心风机风叶裂纹视觉检测方法的流程图,具体方法包括:
步骤S1:获取离心风机的叶片表面图像;叶片表面图像中包括叶片区域。
在本发明的实施例中,由于离心风机在长期高速运转,受到不同类型的振动和共振的影响,导致叶片上的应力集中,引起裂纹的形成和扩展;为了及时发现潜在问题,减少由于叶片损伤导致的设备故障和安全隐患,需要对裂纹检测;在工业生产中,为了可以全面的获取整个叶片图像,使用搭载视觉传感器的无人机进行离心风机叶片表面图像的采集。
需要说明的是,在本发明的实施例中,每个叶片表面图像的处理方法都是相同的,在此不做赘述,后续仅以一个叶片表面图像进行举例。
需要说明的是,由于通过无人机进行图像采集,可能出现噪声点或者设备摇晃导致图像模糊,为了保证后续图像处理过程的图像质量,对采集的叶片表面图像进行图像预处理操作,获得叶片区域。具体图像预处理操作为本领域技术人员熟知的技术手段,可根据具体实施场景具体设置,在本发明的一个实施例中采用阈值分割提取前景叶片区域,将拍摄过程中无关的不为叶片区域的图像进行排除,有助于后续分析的准确性;采用拉普拉斯滤波进行锐化,并对锐化后的图像进行直方图均衡化,使得图像中的像素强度分布更均匀,提高叶片表面图像的对比度,使得图像更加清晰。具体阈值分割、拉普拉斯滤波以及直方图均衡化均为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S2:根据叶片区域内像素点的灰度分布获得叶片区域的多个连通域;获取每个连通域的多个主成分向量,根据每个连通域中的边缘波动程度、主成分向量的变化趋势、像素点的局部梯度特征以及整体灰度特征,获得每个连通域为裂纹目标连通域的可能性;根据每个连通域的可能性筛选出裂纹目标连通域;根据每个裂纹目标连通域的形态变化特征以及相对面积,获得每个裂纹目标连通域的开裂程度。
通过将叶片区域图像分成为多个连通域,可以减少噪声对分析的干扰,有助于后续对每个区域进行单独处理和分析,从而提高处理的精确度和针对性。根据叶片区域的灰度分布获得叶片区域的多个连通域。
优选地,在本发明的一个实施例中,连通域的获取方法包括:
根据叶片区域内像素点的灰度分布,采用连通域算法获得叶片区域的多个连通域。
具体连通域算法为本领域技术人员熟知的技术手段,在此不做赘述。
在形态方面,由于叶片在裂纹扩展过程中可能会受到的应力、温度、湿度等多种因素的影响,导致裂纹扩展的方向和速度不断变化,从而使得边缘波动情况变得不规则,裂纹目标连通域的边缘波动情况相对噪声区域更大,因此边缘波动程度越大,是裂纹区域的可能性越大;由于叶片一般由钢合金制成,金属表面若是存在裂纹通常呈线状,且有明显的延伸趋势,而噪声区域或者反光区域是无规律的外在形状;为了分析连通域的形状与延伸趋势,获得每个连通域的主成分向量,主成分向量的变化趋势越大,越存在明显的延伸趋势,是裂纹区域的可能性越大;
在灰度方面,裂纹内部灰度一般较暗且整体均匀,而噪声区域内部则呈现不同程度的灰度离散,反光区域整体灰度较亮,同时裂纹边缘与正常叶片表面图像存在较剧烈的灰度梯度差异,而噪声区域以及反光区域的梯度相对平滑;连通域的整体灰度特征越小,局部梯度特征越明显,是裂纹区域的可能性越大;因此根据每个连通域中的边缘波动程度、主成分向量的变化趋势、局部梯度特征以及整体灰度特征,获得每个连通域为裂纹目标连通域的可能性。
优选地,在本发明的一个实施例中,主成分向量的获取方法包括:
PCA分析可以更好地理解和分析连通域的主要结构和变化趋势;采用PCA算法获得每个连通域的多个主成分向量。
具体PCA算法为本领域技术人员熟知的技术手段,在此不做赘述。
优选地,在本发明的一个实施例中,可能性的获取方法包括:
使用8方向链码对每个连通域的边缘像素点进行连接,计算每个相邻链码之间的夹角,并进行余弦变换,获得夹角余弦值;计算每个夹角余弦值与预设常数之和,作为链码方向相似度;计算所有链码方向相似度的均值,并求倒数,获得每个连通域的边缘波动程度;
计算最大主成分向量与最小主成分向量之间模长的比值,作为主成分向量的变化趋势;计算每个连通域内所有边缘像素点的梯度幅值的均值,作为局部梯度特征;计算每个连通域内所有像素点的灰度均值,作为整体灰度特征;
将整体灰度特征进行负相关映射,计算每个连通域的负相关映射结果、边缘波动程度、变化趋势以及局部梯度特征的乘积,并进行归一化,获得每个连通域为裂纹目标连通域的可能性。在本发明的一个实施例中,可能性的公式表示为:
;
其中,表示每个连通域为裂纹目标连通域的可能性;/>表示每个连通域内的第个相邻链码之间的夹角,/>;/>表示每个连通域内的第/>个相邻链码之间的夹角余弦值;/>表示每个连通域对应的链码数量;/>表示预设常数;/>表示链码方向相似度;/>表示最大主成分向量;/>表示最大主成分向量的模长;/>表示最小主成分向量;/>表示最小主成分向量的模长;/>表示每个连通域内边缘像素点/>的梯度;/>表示每个连通域内边缘像素点/>的梯度幅值;/>表示每个连通域内边缘像素点的数量;/>表示每个连通域的整体灰度特征;/>表示灰度最大值,取经验值为255;表示逻辑斯谛函数。
在可能性的公式中,表示每个连通域所有链码方向相似度的均值,对应的多个相邻链码之间存在越大的夹角,那么将/>通过/>进行映射得到链码方向相似度越小,求倒数后/>表明了每个连通域的边缘波动程度,链码方向相似度均值越小,边缘波动程度越大,即属于裂纹连通域的可能性越大;表示每个连通域中最大主成分向量与最小主成分向量之间模长的比值,表示每个连通域的主成分向量的变化趋势,即每个连通域的延伸趋势,比值越大,越可能存在明显的延伸趋势,越有可能是裂纹目标连通域;/>表示每个连通域内所有边缘像素点的梯度幅值的均值,即局部梯度特征,均值越大,边缘像素点的局部梯度特征越剧烈,越可能为裂纹目标连通域;每个连通域内的像素点灰度均值越小,整体灰度特征越小,将整体灰度特征进行负相关映射的结果/>越大,越有可能是裂纹内部,是裂纹目标连通域的可能性越大;通过/>函数将可能性归一化至[0,1]之间,越接近于1,越可能为裂纹目标连通域。
需要说明的是,在本发明的一个实施例中,预设常数取经验值为1;在本发明的其他实施例中,预设常数的大小可根据具体情况具体设置,在此不做限定及赘述。
需要说明的是,在本发明的一个实施例中,将整体灰度特征进行负相关映射包括:获取灰度最大值,计算灰度最大值与整体灰度特征的比值;归一化的方法为采用函数。在本发明的其他实施例中也可通过其他基础数学运算构建负相关映射与归一化方法,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。
通过分析每个连通域为裂纹目标连通域的可能性,可能性越高的连通域,越被认为是可能存在裂纹的区域,可以有效的识别和定位裂纹,有助于提高裂纹检测的准确性和可靠性。根据每个连通域的可能性筛选出裂纹目标连通域。
优选地,在本发明的一个实施中,裂纹目标连通域的获取方法包括:
若连通域为裂纹目标连通域的可能性大于或者等于预设可能性阈值,将连通域作为裂纹目标连通域。
需要说明的是,在本发明的一个实施例中,预设可能性阈值取经验值为0.8;在本发明的其他实施例中,预设可能性阈值的大小可根据具体情况具体设置,在此不做限定及赘述。
通过综合考虑筛选出可能的裂纹目标连通域的形态和相对面积,可以对裂纹目标的完整性进行全面评估,从而更准确地预测其可能的发展趋势和对结构的影响;裂纹目标连通域的形态变化特征越明显,可能意味着裂纹受到应力或其他因素的影响,开裂程度越大;相对面积的变化,可以了解开裂扩展的趋势和程度,相对面积越大,表示裂纹目标连通域的尺寸越大,即更多的区域受到了开裂的影响。这通常意味着较大的应力或损伤累积,因此开裂程度较高。根据每个裂纹目标连通域的形态变化特征以及相对面积,获得每个裂纹目标连通域的开裂程度。
优选地,在本发明的一个实施例中,形态变化特征的获取方法包括:
形态变化特征包括延伸长度特征和宽度特征;获取每个裂纹目标连通域的最小外接椭圆,计算最小外接椭圆的长轴长度,作为每个裂纹目标连通域的延伸长度特征,反映裂纹扩展的方向和范围,较长的裂纹意味着更大的开裂程度;基于形态学方法获得每个裂纹目标连通域的形态学骨架,保留了连通域的主要形状特征,计算每个裂纹目标连通域中的每个边缘像素点与所有骨架像素点之间的最小欧氏距离,将每个裂纹目标连通域中所有边缘像素点对应的最小欧氏距离的均值,作为每个裂纹目标连通域的宽度特征,反映裂纹的宽度或深度。在本发明的一个实施例中,宽度特征的公式表示为:
;
其中,表示裂纹目标连通域/>的宽度特征;/>表示裂纹目标连通域的边缘像素点/>与骨架像素点之间的最小欧式距离;/>表示裂纹目标连通域/>的边缘像素点数量。
在宽度特征的公式中,裂纹目标连通域中边缘像素点与骨架像素点之间最小欧氏距离越大,裂纹目标连通域的宽度越大,有越大的裂纹区域。
需要说明的是,具体形态学方法为本领域技术人员熟知的技术手段,在此不做赘述。
优选地,在本发明的一个实施例中,开裂程度的获取方法包括:
将每个裂纹目标连通域对应的像素点数量作为每个裂纹目标连通域的面积,并进行归一化,获得相对面积;计算每个裂纹目标连通域的延伸长度特征、宽度特征以及相对面积的乘积,获得每个裂纹目标连通域的开裂程度。在本发明的一个实施例中,开裂程度的公式表示为:
;
其中,表示裂纹目标连通域/>的开裂程度;/>表示裂纹目标连通域/>的宽度特征;/>表示裂纹目标连通域/>的最小外接椭圆的长轴长度;/>表示裂纹目标连通域/>的面积;/>表示所有裂纹目标连通域面积的最大值;/>表示所有裂纹目标连通域面积的最小值;/>表示调节参数,取经验值为1,避免公式取值为0。
在开裂程度的获取公式中,裂纹目标连通域的宽度越大,裂纹的裂口越大,开裂程度越大;裂纹目标连通域的延伸长度越大,说明目标连通域的开裂程度越大;表示裂纹目标连通域/>的面积与所有裂纹目标连通域面积的最小值的差值,差值越大,裂纹目标连通域/>的面积越大;/>表示所有裂纹目标连通域面积的最大值与最小值的差值,差值越大,裂纹的开裂程度差异越大;/>表示裂纹目标连通域相对于其他目标连通域的面积比值,比值越大,相对面积越大,对应的开裂程度也越大。
需要说明的是,在本发明实施例中,考虑到离心风机受到不同类型的振动和共振的影响,导致叶片上的应力集中,从而引起裂纹的形成和扩展,且裂纹扩展具有随机性和动态性,因此裂纹目标连通域的面积是不一致的。
步骤S3:根据每个裂纹目标连通域的开裂程度对叶片区域进行裂纹检测。
通过分析裂纹目标连通域的开裂程度,可以更准确地判断裂纹的位置和程度,避免漏检或误检的情况,准确评估叶片结构的完整性,从而决定是否需要进行修复或更换;根据每个裂纹目标连通域的开裂程度对叶片区域进行裂纹检测,评估离心风机的叶片质量。
需要说明的是,在本发明实施例中,将裂纹目标连通域对应叶片表面图像进行掩膜叠加,获得裂纹区域图像;将开裂程度进行归一化后,在裂纹区域图像上进行对应标记,用于对裂纹精确检测。在本发明的其他实施例中,对裂纹检测后,可以对离心风机的叶片质量进行评估,即获得标记后裂纹区域图像中的裂纹数量,结合对应的开裂程度生成离心风机叶片的裂纹检测报告,评估离心风机的叶片质量,及时发现裂纹并进行更换,减少由于叶片损伤导致的设备故障和安全隐患。
综上所述,本发明根据叶片区域内像素点的灰度分布获取叶片区域的多个连通域;获取每个连通域的多个主成分向量,根据每个连通域中的边缘波动程度、主成分向量的变化趋势、像素点的局部梯度特征以及整体灰度特征,获得每个连通域为裂纹目标连通域的可能性;根据每个连通域的可能性筛选出裂纹目标连通域;根据每个裂纹目标连通域的形态变化特征以及相对面积,获得每个裂纹目标连通域的开裂程度;进一步对裂纹区域进行检测。本发明通过获得准确的裂纹区域,提高对裂纹检测的精度。
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)
1.一种基于图像特征分析的离心风机风叶裂纹视觉检测方法,其特征在于,所述方法包括:
获取离心风机的叶片表面图像;所述叶片表面图像中包括叶片区域;
根据叶片区域内像素点的灰度分布获得叶片区域的多个连通域;获取每个连通域的多个主成分向量,根据每个连通域中的边缘波动程度、主成分向量的变化趋势、像素点的局部梯度特征以及整体灰度特征,获得每个连通域为裂纹目标连通域的可能性;根据每个连通域的所述可能性筛选出裂纹目标连通域;根据每个裂纹目标连通域的形态变化特征以及相对面积,获得每个裂纹目标连通域的开裂程度;
根据每个裂纹目标连通域的所述开裂程度对叶片区域进行裂纹检测。
2.根据权利要求1所述的一种基于图像特征分析的离心风机风叶裂纹视觉检测方法,其特征在于,所述可能性的获取方法包括:
使用8方向链码对每个连通域的边缘像素点进行连接,计算每个相邻链码之间的夹角,并进行余弦变换,获得夹角余弦值;
计算每个夹角余弦值与预设常数之和,作为链码方向相似度;计算所有链码方向相似度的均值,并求倒数,获得每个连通域的边缘波动程度;
计算最大主成分向量与最小主成分向量之间模长的比值,作为主成分向量的变化趋势;
计算每个连通域内所有边缘像素点的梯度幅值的均值,作为局部梯度特征;
计算每个连通域内所有像素点的灰度均值,作为整体灰度特征;
将所述整体灰度特征进行负相关映射,计算每个连通域的负相关映射结果、边缘波动程度、主成分向量的变化趋势以及局部梯度特征的乘积,并进行归一化,获得每个连通域为裂纹目标连通域的可能性。
3.根据权利要求1所述的一种基于图像特征分析的离心风机风叶裂纹视觉检测方法,其特征在于,所述裂纹目标连通域的获取方法包括:
若连通域为裂纹目标连通域的所述可能性大于或者等于预设可能性阈值,将连通域作为裂纹目标连通域。
4.根据权利要求1所述的一种基于图像特征分析的离心风机风叶裂纹视觉检测方法,其特征在于,所述形态变化特征的获取方法包括:
所述形态变化特征包括延伸长度特征和宽度特征;
获取每个裂纹目标连通域的最小外接椭圆,计算最小外接椭圆的长轴长度,作为每个裂纹目标连通域的延伸长度特征;
基于形态学分析获得每个裂纹目标连通域的形态学骨架,计算每个裂纹目标连通域中的每个边缘像素点与所有骨架像素点之间的最小欧氏距离,将每个裂纹目标连通域中所有边缘像素点对应的最小欧氏距离的均值,作为每个裂纹目标连通域的宽度特征。
5.根据权利要求4所述的一种基于图像特征分析的离心风机风叶裂纹视觉检测方法,其特征在于,所述开裂程度的获取方法包括:
将每个裂纹目标连通域对应的像素点数量作为每个裂纹目标连通域的面积,并进行归一化,获得相对面积;
计算每个裂纹目标连通域的延伸长度特征、宽度特征以及相对面积的乘积,获得每个裂纹目标连通域的开裂程度。
6.根据权利要求1所述的一种基于图像特征分析的离心风机风叶裂纹视觉检测方法,其特征在于,所述连通域的获取方法包括:
根据叶片区域内像素点的灰度分布,采用连通域算法获得叶片区域的多个连通域。
7.根据权利要求1所述的一种基于图像特征分析的离心风机风叶裂纹视觉检测方法,其特征在于,所述的主成分向量获取方法包括:
采用PCA算法获得每个连通域的多个主成分向量。
8.根据权利要求2所述的一种基于图像特征分析的离心风机风叶裂纹视觉检测方法,其特征在于,所述将所述整体灰度特征进行负相关映射包括:
获取灰度最大值;计算灰度最大值与所述整体灰度特征的比值,作为将所述整体灰度特征进行负相关映射的结果。
9.根据权利要求2所述的一种基于图像特征分析的离心风机风叶裂纹视觉检测方法,其特征在于,所述归一化的方法为采用函数。
10.根据权利要求3所述的一种基于图像特征分析的离心风机风叶裂纹视觉检测方法,其特征在于,所述预设可能性阈值取经验值为0.8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410069826.7A CN117593294B (zh) | 2024-01-18 | 2024-01-18 | 基于图像特征分析的离心风机风叶裂纹视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410069826.7A CN117593294B (zh) | 2024-01-18 | 2024-01-18 | 基于图像特征分析的离心风机风叶裂纹视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117593294A true CN117593294A (zh) | 2024-02-23 |
CN117593294B CN117593294B (zh) | 2024-04-09 |
Family
ID=89918620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410069826.7A Active CN117593294B (zh) | 2024-01-18 | 2024-01-18 | 基于图像特征分析的离心风机风叶裂纹视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117593294B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808801A (zh) * | 2024-02-29 | 2024-04-02 | 泰安大陆医疗器械有限公司 | 一种钢针排针植入视觉检测方法及系统 |
CN117830312A (zh) * | 2024-03-05 | 2024-04-05 | 陕西长空齿轮有限责任公司 | 基于机器视觉的合金裂纹无损检测方法 |
CN118052824A (zh) * | 2024-04-16 | 2024-05-17 | 济宁丰玺生物材料有限公司 | 一种稻壳可降解餐盒缺陷检测方法 |
CN118096736A (zh) * | 2024-04-23 | 2024-05-28 | 山东德源电力科技股份有限公司 | 用于集中器终端生产的外壳表面缺陷检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035237A (zh) * | 2018-07-31 | 2018-12-18 | 南京邮电大学 | 一种风叶裂痕检测方法 |
CN110246130A (zh) * | 2019-06-21 | 2019-09-17 | 中国民航大学 | 基于红外和可见光图像数据融合的机场道面裂缝检测方法 |
CN111852792A (zh) * | 2020-09-10 | 2020-10-30 | 东华理工大学 | 一种基于机器视觉的风机叶片缺陷自诊断定位方法 |
US20200364849A1 (en) * | 2018-01-03 | 2020-11-19 | Southeast University | Method and device for automatically drawing structural cracks and precisely measuring widths thereof |
CN114565571A (zh) * | 2022-02-21 | 2022-05-31 | 华能华家岭风力发电有限公司 | 一种基于计算机视觉的风机叶片缺陷检测方法及设备 |
CN115511842A (zh) * | 2022-09-29 | 2022-12-23 | 郑州科技学院 | 一种基于机器视觉的电缆绝缘表皮破损检测方法 |
WO2023045299A1 (zh) * | 2021-09-26 | 2023-03-30 | 武汉光谷卓越科技股份有限公司 | 基于三维轮廓的路面技术状况检测方法及设备 |
CN116402764A (zh) * | 2023-03-16 | 2023-07-07 | 河海大学 | 基于图像处理的风电机组叶片多类型损伤检测方法及装置 |
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 |
CN117132602A (zh) * | 2023-10-27 | 2023-11-28 | 湖南三昌泵业有限公司 | 一种离心泵叶轮缺陷视觉检测方法 |
-
2024
- 2024-01-18 CN CN202410069826.7A patent/CN117593294B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200364849A1 (en) * | 2018-01-03 | 2020-11-19 | Southeast University | Method and device for automatically drawing structural cracks and precisely measuring widths thereof |
CN109035237A (zh) * | 2018-07-31 | 2018-12-18 | 南京邮电大学 | 一种风叶裂痕检测方法 |
CN110246130A (zh) * | 2019-06-21 | 2019-09-17 | 中国民航大学 | 基于红外和可见光图像数据融合的机场道面裂缝检测方法 |
CN111852792A (zh) * | 2020-09-10 | 2020-10-30 | 东华理工大学 | 一种基于机器视觉的风机叶片缺陷自诊断定位方法 |
WO2023045299A1 (zh) * | 2021-09-26 | 2023-03-30 | 武汉光谷卓越科技股份有限公司 | 基于三维轮廓的路面技术状况检测方法及设备 |
CN114565571A (zh) * | 2022-02-21 | 2022-05-31 | 华能华家岭风力发电有限公司 | 一种基于计算机视觉的风机叶片缺陷检测方法及设备 |
CN115511842A (zh) * | 2022-09-29 | 2022-12-23 | 郑州科技学院 | 一种基于机器视觉的电缆绝缘表皮破损检测方法 |
CN116402764A (zh) * | 2023-03-16 | 2023-07-07 | 河海大学 | 基于图像处理的风电机组叶片多类型损伤检测方法及装置 |
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 |
CN117132602A (zh) * | 2023-10-27 | 2023-11-28 | 湖南三昌泵业有限公司 | 一种离心泵叶轮缺陷视觉检测方法 |
Non-Patent Citations (2)
Title |
---|
厉荣宣;史东东;: "工件表面裂纹机器视觉检测研究", 自动化仪表, no. 09, 20 September 2017 (2017-09-20) * |
翟永杰;张木柳;乔弘;王迪: "基于显著性检测的风机叶片裂纹提取研究", 南方能源建设, vol. 3, no. 2, 25 June 2016 (2016-06-25) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808801A (zh) * | 2024-02-29 | 2024-04-02 | 泰安大陆医疗器械有限公司 | 一种钢针排针植入视觉检测方法及系统 |
CN117808801B (zh) * | 2024-02-29 | 2024-05-17 | 泰安大陆医疗器械有限公司 | 一种钢针排针植入视觉检测方法及系统 |
CN117830312A (zh) * | 2024-03-05 | 2024-04-05 | 陕西长空齿轮有限责任公司 | 基于机器视觉的合金裂纹无损检测方法 |
CN117830312B (zh) * | 2024-03-05 | 2024-05-28 | 陕西长空齿轮有限责任公司 | 基于机器视觉的合金裂纹无损检测方法 |
CN118052824A (zh) * | 2024-04-16 | 2024-05-17 | 济宁丰玺生物材料有限公司 | 一种稻壳可降解餐盒缺陷检测方法 |
CN118096736A (zh) * | 2024-04-23 | 2024-05-28 | 山东德源电力科技股份有限公司 | 用于集中器终端生产的外壳表面缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117593294B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117593294B (zh) | 基于图像特征分析的离心风机风叶裂纹视觉检测方法 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN116758061B (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
CN115829883A (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN113109368B (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
CN114972326A (zh) | 热收缩管扩管工艺的次品识别方法 | |
CN110288566B (zh) | 一种目标缺陷提取方法 | |
CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN115311629B (zh) | 一种折弯机的异常折弯精度监测系统 | |
CN116485779B (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN112862770A (zh) | 一种基于人工智能的缺陷分析诊断系统、方法、装置 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN115115603A (zh) | 基于人工智能的汽车配件飞轮表面检测方法 | |
CN115131356A (zh) | 一种基于丰富度的钢板缺陷分类方法 | |
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 | |
CN116523922B (zh) | 一种轴承表面缺陷识别方法 | |
CN112926695A (zh) | 基于模板匹配的图像识别方法和系统 | |
CN115841491B (zh) | 一种多孔金属材料的质量检测方法 | |
KR102133330B1 (ko) | 구조물의 균열 인식 장치 및 방법 | |
CN110751623A (zh) | 基于联合特征的缺陷检测方法、装置、设备及存储介质 | |
Elanangai et al. | Automated system for defect identification and character recognition using IR images of SS-plates | |
Mustapha et al. | Crack Detection on Surfaces Using Digital Image Processing | |
CN117830298B (zh) | 一种航空发动机涡轮导向叶片缺陷视觉检测系统 |
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 |