CN117830312A - 基于机器视觉的合金裂纹无损检测方法 - Google Patents

Abstract

本发明涉及裂纹检测技术领域，具体涉及一种基于机器视觉的合金裂纹无损检测方法。该发明通过构建每个节点数据的连通图；根据每个节点数据的连通图上相邻节点数据之间相对距离，以及连通图内节点数据的邻域分布特征，获得对应连通图上节点数据的局部连通性；结合每个节点数据的梯度幅值以及相邻节点数据之间角度的变化特征，获得每个节点数据的分裂修正参数；进一步获得修正分裂阈值；对所有连通图采用动态分裂聚类算法，获得多个连通聚类簇；根据每个连通聚类簇的形状特征以及尺寸特征，获得每个连通聚类簇为裂纹簇类的概率；对合金灰度图像进行裂纹检测。本发明通过获得每个节点数据准确的分裂阈值，提高裂纹检测的准确度。

Description

基于机器视觉的合金裂纹无损检测方法

技术领域

本发明涉及裂纹检测技术领域，具体涉及一种基于机器视觉的合金裂纹无损检测方法。

背景技术

合金通过其优秀的性能被广泛应用于各个领域，但由于铸造过程中的操作不当、使用过载等问题会导致合金产生裂纹，严重影响其性能，因此在进行使用时需要对合金进行检测，避免裂纹缺陷造成的影响。

由于铸造的合金本身表面不光滑，其粗糙表面会产生梯度信息，直接通过边缘检测技术获取不到其裂纹分布情况；现有技术中，采用连通图动态分裂聚类算法对获取的铸造的合金图像信息进行簇类划分，通过聚类结果分析其获取图像中的裂纹情况；但是通过连通图动态分裂算法对获取的边缘信息进行簇类划分时，裂纹可能会存在分裂情况，将获取的连通图分裂成多个，未能获取到合适的分裂阈值，导致获取的裂纹分布情况不够完整，影响后续的裂纹检测。

发明内容

为了解决未能获取到合适的分裂阈值，导致获取的裂纹分布情况不够完整，裂纹检测较差的技术问题，本发明的目的在于提供一种基于机器视觉的合金裂纹无损检测方法，所采用的技术方案具体如下：

本发明提出了一种基于机器视觉的合金裂纹无损检测方法，所述方法包括：

获取包含边缘线的合金灰度图像，以边缘线上的像素点作为节点数据；

获得每个节点数据邻域范围内的多个边缘连通域，根据每个节点数据邻域范围内节点数据的数量和每个边缘连通域内节点数据的分布特征，获得每个节点数据的稳定性；根据每个节点数据与邻域范围内每个其他节点数据之间的梯度特征差异、稳定性差异以及相对距离，获得每个节点数据的邻域分布特征；

根据节点数据之间的相对距离构建每个节点数据的连通图；根据每个节点数据的连通图上相邻节点数据之间相对距离，以及连通图内节点数据的所述邻域分布特征，获得对应连通图上节点数据的局部连通性；根据每个节点数据的梯度幅值、对应连通图上的所述局部连通性和相邻节点数据之间角度的变化特征，获得每个节点数据的分裂修正参数；

获取每个节点数据的初始分裂阈值；根据所述分裂修正参数对初始分裂阈值进行修正，获得修正分裂阈值；根据所述修正分裂阈值对所有连通图采用动态分裂聚类算法，获得多个连通聚类簇；根据每个连通聚类簇的形状特征以及尺寸特征，获得每个连通聚类簇为裂纹簇类的概率；

根据每个连通聚类簇为裂纹簇类的所述概率对合金灰度图像进行裂纹检测。

进一步地，所述稳定性的获取方法包括：

在每个节点数据邻域范围内，将所述边缘线围成的闭合区域，作为边缘连通域，获得多个边缘连通域；

将每个边缘连通域内节点数据的数量进行归一化，获得分布特征；对所有边缘连通域的所述分布特征进行累加，并负相关映射，获得第一映射值；

计算所述第一映射值和每个节点数据邻域范围内节点数据的数量的乘积，并进行归一化，获得每个节点数据的稳定性。

进一步地，所述邻域分布特征的获取方法包括：

根据邻域分布特征的获取公式获得邻域分布特征，邻域分布特征的获取公式为：

；其中，/>表示第/>个节点数据的邻域分布特征；/>表示第/>个节点数据的梯度角度的余弦值；/>表示第/>个节点数据邻域范围内每个其他节点数据/>的梯度角度的余弦值；/>表示第/>个节点数据的稳定性；/>表示第/>个节点数据邻域范围内每个其他节点数据/>的稳定性；/>表示第/>个节点数据与每个其他节点数据/>之间的相对距离；/>表示以自然常数为底的指数函数；/>表示取最大值函数。

进一步地，所述连通图的获取方法包括：

以一个节点数据开始，依次获取每个节点数据相对距离最近的其他节点数据，直到达到预设数量的节点数据，构成对应节点数据的连通图。

进一步地，所述局部连通性的获取方法包括：

对于任一节点数据的连通图上，计算每个节点数据与后一相邻节点数据之间的相对距离，作为第一距离；计算所述第一距离与对应每个节点数据的所述邻域分布特征的乘积，作为修正距离；

计算相邻的节点数据之间所述修正距离的差异，作为第一差异值；计算所有所述第一差异值的方差，作为第一特征值；

计算对应连通图上所有节点数据的所述邻域分布特征的方差，作为第二特征值；

计算所述第一特征值与所述第二特征值的乘积，并进行负相关映射，获得对应连通图上节点数据的局部连通性。

进一步地，所述分裂修正参数的获取方法包括：

根据所述分裂修正参数的获取公式获得分裂修正参数，分裂修正参数的获取公式为：

；其中，/>表示第/>个节点数据的分类阈值的分裂修正参数；/>表示第/>个节点数据的梯度幅值；/>表示第/>个节点数据的连通图中节点数据的局部连通性；/>表示第/>个节点数据的连通图中节点数据的数量；表示第/>个节点数据和第/>个节点数据之间连接直线的角度余弦值；表示第/>个节点数据和第/>个节点数据之间连接直线的角度余弦值；表示归一化函数。

进一步地，所述修正分裂阈值的获取方法包括：

计算所述初始分裂阈值和所述分裂修正参数的乘积，获得修正分裂阈值。

进一步地，所述概率的获取方法包括：

计算每个连通聚类簇中节点数据之间的最大距离，作为尺寸特征；

计算每个连通聚类簇边缘上像素点的数量之和，作为每个连通聚类簇的周长；计算每个连通聚类簇内像素点的数量，作为每个连通聚类簇的面积；

计算每个连通聚类簇的周长与面积的比值，作为形状特征；

计算每个连通聚类簇的所述形状特征与所述尺寸特征的乘积，并进行归一化，获得每个连通聚类簇为裂纹簇类的概率。

进一步地，所述根据每个连通聚类簇为裂纹簇类的所述概率对合金灰度图像进行裂纹检测包括：

若连通聚类簇为裂纹簇类的所述概率大于预设裂纹阈值，将对应连通聚类簇标记为裂纹簇类。

进一步地，所述边缘线的获取方法包括：

将所述合金灰度图像通过Canny算子进行边缘检测，获取合金灰度图像中的边缘线。

本发明具有如下有益效果：

本发明为了更准确地定位和识别与裂纹相关的区域，获得每个节点数据邻域范围内的多个边缘连通域，根据每个节点数据邻域范围内节点数据的数量和每个边缘连通域内节点数据的分布特征，获得每个节点数据的稳定性，降低是划痕和麻点的可能性；根据每个节点数据与邻域范围内每个其他节点数据之间的梯度特征差异、稳定性差异以及相对距离，获得每个节点数据的邻域分布特征，更准确的描述每个节点数据的特征；根据节点数据之间的相对距离构建每个节点数据的连通图，更好地理解每个节点数据在图像中的结构和分布；根据每个节点数据的连通图上相邻节点数据之间相对距离，以及连通图内节点数据的邻域分布特征，获得对应连通图上节点数据的局部连通性，反映了节点数据之间的连通情况；根据每个节点数据的梯度幅值、对应连通图上的局部连通性以及相邻节点数据之间角度的变化特征，获得每个节点数据的分裂修正参数，可以用来调整初始分裂阈值，使其更加接近真实的分类边界，可以提高分类的准确性；对初始分裂阈值进行修正，获得修正分裂阈值，使分裂时在保留完整的裂纹边缘时对划分情况更精确，避免其他边缘节点的信息干扰；对所有连通图采用动态分裂聚类算法，获得多个连通聚类簇，区分裂纹簇类和其他类型的簇类，可以减少误检和漏检的情况；根据每个连通聚类簇的形状特征以及尺寸特征，获得每个连通聚类簇为裂纹簇类的概率，综合考虑了多种特征和不确定性，更全面地描述连通聚类簇和裂纹簇类之间的相关性；对合金灰度图像进行裂纹检测。本发明通过获得每个节点数据准确的分裂阈值，提高裂纹检测的准确度。

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机器视觉的合金裂纹无损检测方法的流程图。

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机器视觉的合金裂纹无损检测方法，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机器视觉的合金裂纹无损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机器视觉的合金裂纹无损检测方法的流程图，具体方法包括：

步骤S1：获取包含边缘线的合金灰度图像，以边缘线上的像素点作为节点数据。

在本发明的实施例中，为了保证合金的使用性能，需要对合金进行无损检测，判断是否存在裂纹缺陷；首先，通过可见光摄像头正视的角度拍摄合金图像；

在本发明的一个实施例中，为了方便后续图像处理过程，对采集的合金图像进行预处理操作，增强图像的质量，然后对处理后的图像进行分析。需要说明的是图像预处理操作为本领域技术人员熟知的一个技术手段，可根据具体实施场景具体设置，在本发明一个实施例中采用灰度化算法获得合金灰度图像，突出图像的轮廓和细节，使得图像更加清晰，更易于进行特征提取和图像识别等操作。具体灰度化算法均为本领域技术人员熟知的技术手段，在此不做赘述。

在合金的灰度图像中，由于不光滑的表面会导致产生大量的边缘，一般包括金属表面的麻点、划痕和裂纹等信息，是材料缺陷的直接表现。通过对这些边缘线的分析，可以准确地检测出合金表面的裂纹缺陷，为质量控制和产品质量保证提供重要依据。所以获取包含边缘线的合金灰度图像，以边缘线上的像素点作为节点数据。

优选地，在本发明的一个实施例中，边缘线的获取方法为：

对合金灰度图像采用Canny算子进行边缘检测，获取合金灰度图像中的边缘线。

需要说明的是，具体Canny算子为本领域技术人员熟知的技术手段，在此不做赘述。

步骤S2：获得每个节点数据邻域范围内的多个边缘连通域，根据每个节点数据邻域范围内节点数据的数量和每个边缘连通域内节点数据的分布特征，获得每个节点数据邻的稳定性；根据每个节点数据与邻域范围内每个其他节点数据之间的梯度特征差异、稳定性差异以及相对距离，获得每个节点数据的邻域分布特征。

由于每个节点数据对图像中的信息携带情况是不相同的，裂纹相对于麻点和划痕，是合金中最严重的缺陷之一，破坏了合金的连续性，使得合金在受到外力时容易发生断裂，需要对裂纹进行识别检测。节点数据邻域范围内的节点数量越多，意味着该节点数据不是孤立的，与周围的数据点紧密相连，获得了更多关于该区域的信息，有助于更全面地描述范围内的特性，稳定性更高；由于裂纹存在连通性时节点数据的分布比较规整，通过边缘连通域内节点数据的分布特征可以反映边缘连通域的连通性和连续性，如果节点数据分布均匀且连续，边缘连通域具有良好的连通性，越有可能包含裂纹信息；所以获得每个节点数据邻域范围内的多个边缘连通域，根据每个节点数据邻域范围内节点数据的数量和每个边缘连通域内节点数据的分布特征，获得每个节点数据的稳定性。

优选地，在本发明的一个实施例中，稳定性的获取方法包括：

在每个节点数据邻域范围内，将边缘线围成的闭合区域，作为边缘连通域，获得多个边缘连通域；将每个边缘连通域内节点数据的数量进行归一化，获得归一化值；对所有边缘连通域的归一化值进行累加，并负相关映射，获得第一映射值；计算第一映射值和每个节点数据邻域范围内节点数据的数量的乘积，并进行归一化，获得每个节点数据的稳定性。在本发明的一个实施例中，稳定性的公式表示为：

；

其中，表示第/>个节点数据的稳定性；/>表示第/>个节点数据邻域范围内节点数据的数量；/>表示第/>个节点数据邻域范围内边缘连通域的个数；/>表示第/>个边缘连通域内节点数据的数量；/>表示第/>个边缘连通域内像素点的数量；/>表示以自然常数为底的指数函数；/>表示归一化函数。

在稳定性的公式中，表示第/>个边缘连通域内节点数据的数量比上第/>个边缘连通域内像素点的数量的比值，即对每个边缘连通域内节点数据的数量进行归一化；/>表示对所有边缘连通域的分布特征进行累加，通过以自然常数为底的指数函数将/>进行负相关映射，每个边缘连通域内节点数据的数量越少，表明区域内节点数据越聚集，减小聚类分布的麻点情况，节点数据分布的越规整，稳定性越大；每个节点数据邻域范围内节点数据的数量越多，该节点数据越不是孤立节点，减小是麻点的可能性，稳定性越大。

需要说明的是，在本发明的一个实施例中，邻域范围为以每个节点数据为中心所在的窗口及其与周围八邻域窗口构成的范围；窗口的大小为3×3；在本发明的其他实施例中，窗口和邻域范围的大小可根据具体情况具体设置，在此不做限定及赘述。

由于合金表面不光滑，粗糙表面会产生梯度信息；通过每个节点数据的稳定性作为梯度特征上的权重进行分析，可以减少由孤立噪声点引起的边缘方向突变，从而得到更稳定的梯度估计。当节点数据的梯度特征高度一致时，意味着这些节点数据属于同一条连续的边缘；当节点数据之间的距离较小时，所携带的信息更加局部化，更有可能共同描述具体的边缘特征；当节点数据的梯度特征一致且距离较近时，能够更准确地表征边缘的特征，且受到噪声或全局变化的影响较小，更可能表现为同一裂纹，能够更准确地提取出裂纹的走向、宽度等特征。所以根据每个节点数据与邻域范围内每个其他节点数据之间的梯度特征差异、稳定性差异以及相对距离，获得每个节点数据的邻域分布特征。

优选地，在本发明的一个实施例中，邻域分布特征的获取方法包括：

根据邻域分布特征的获取公式获得邻域分布特征，邻域分布特征的获取公式为：

；

其中，表示第/>个节点数据的邻域分布特征；/>表示第/>个节点数据的梯度角度的余弦值；/>表示第/>个节点数据邻域范围内每个其他节点数据/>的梯度角度的余弦值；/>表示第/>个节点数据的稳定性；/>表示第/>个节点数据邻域范围内每个其他节点数据/>的稳定性；/>表示第/>个节点数据与每个其他节点数据/>之间的相对距离；/>表示以自然常数为底的指数函数；/>表示取最大值函数。

在邻域分布特征的获取公式中，表示以每个节点数据的稳定性作为梯度角度的余弦值的权重，比较第/>个节点数据和第/>个节点数据邻域范围内每个其他节点数据/>之间的差异，差异越大，角度余弦值相差越大，梯度方向越不一致，/>越大，若节点数据之间的相对距离越远，节点数据的邻域分布特征越小；相反地，若梯度角度越一致，节点数据之间的相对距离越小，越可能表现出该节点数据的邻域分布特征。

需要说明的是，在本发明的一个实施例中，相对距离的获取方法为计算欧氏距离；具体欧氏距离为本领域技术人员熟知的技术手段，在此不做赘述。

步骤S3：根据节点数据之间的相对距离构建每个节点数据的连通图；根据每个节点数据的连通图上相邻节点数据之间相对距离，以及连通图内节点数据的邻域分布特征，获得对应连通图上节点数据的局部连通性；根据每个节点数据的梯度幅值、对应连通图上的局部连通性以及相邻节点数据之间角度的变化特征，获得每个节点数据的分裂修正参数。

相对距离通常用于度量节点数据之间的相似性和差异性，表现了节点数据之间的相互关联和连接关系；通过构建连通图，可以更好地理解节点数据之间的关系。所以根据节点数据之间的相对距离构建每个节点数据的连通图。

优选地，在本发明的一个实施例中，连通图的获取方法包括：

以一个节点数据开始，依次获取每个节点数据相对距离最近的其他节点数据，直到达到预设数量的节点数据，构成对应节点数据的连通图。

需要说明的是，在本发明的一个实施例中，预设数量为10；在本发明的其他实施例中，预设数量的大小可根据具体情况具体设置，在此不做限定及赘述。

连通图可以直观地展示节点数据之间的连接情况，从而分析整个连通图的连通性；相邻节点数据之间的相对距离越小，说明节点数据之间的连接越紧密，局部连通性越高；节点数据的邻域分布特征可以表现节点数据邻域范围的特征分布情况，若节点数据的邻域分布特征越一致，越可能是同一种节点数据，当相邻节点数据之间的相对距离变化越小时，局部连通性越高；根据每个节点数据的连通图上相邻节点数据之间相对距离，以及连通图内节点数据的邻域分布特征，获得对应连通图上节点数据的局部连通性。

优选地，在本发明的一个实施例中，局部连通性的获取方法包括：

对于任一节点数据的连通图上，计算每个节点数据与后一相邻节点数据之间的相对距离，作为第一距离；计算第一距离与对应每个节点数据的邻域分布特征的乘积，作为修正距离；计算相邻的节点数据之间修正距离的差异，作为第一差异值；计算所有第一差异值的方差，作为第一特征值；计算对应连通图上所有节点数据的邻域分布特征的方差，作为第二特征值；计算第一特征值与第二特征值的乘积，并进行负相关映射，获得对应连通图上节点数据的局部连通性。在本发明的一个实施例中，局部连通性的公式表示为：

；

其中，表示第/>个节点数据的连通图中节点数据的局部连通性；/>表示第/>个节点数据的连通图中第/>个节点数据和第/>个节点数据的相对距离；/>表示第/>个节点数据的邻域分布特征；/>表示第/>个节点数据的连通图中第/>个节点数据和第/>个节点数据的相对距离；/>表示第/>个节点数据的邻域分布特征；/>表示第/>个节点数据的连通图中所有节点数据的邻域分布特征的方差；/>表示求方差函数；/>表示以自然常数为底的指数函数。

在局部连通性的公式中，表示以每个节点数据的邻域分布特征作为每个节点数据与后一相邻节点数据之间相对距离的修正；表示相邻的节点数据之间修正距离的差异的方差，即第一特征值，第一特征值越大，节点数据之间修正距离差异越不接近一致，节点数据的分布越不均匀，局部连通性越差；利用第/>个节点数据的连通图中所有节点数据的邻域分布特征的方差作为权重，该值越大，是同一种节点数据点的可能性越小，越需要调小局部连通性；通过以自然常数为底的指数函数将/>进行负相关映射，乘积值越大，节点数据的分布越不均匀，越不属于同一种节点数据，局部连通性越小。

裂纹作为金属表面的断裂，会导致像素值在裂纹两侧发生显著变化，因此，梯度显著性提高的区域很可能是裂纹的边缘点；划痕通常是由于外部物体的摩擦或刮擦造成的，像素值变化虽然会导致一定的梯度变化，由于划痕通常较窄且长度有限，其梯度显著性可能相对较低；麻点是金属表面上的小凹坑或凹痕，通常由于生产过程中的问题或外部因素造成，麻点区域的像素值变化可能相对较小，因为它们通常较小且分布较为均匀，因此，麻点区域的梯度显著性通常较低；节点数据之间的角度变化越大，边缘越不平滑，越可能是裂纹信息，分裂修正参数越大；局部连通性可以表明连通图中节点数据之间的结构分布情况，局部连通性越大，节点数据分布越均匀，是同一种节点数据的可能性越大，分裂修正参数越大；计算每个节点数据的分裂修正参数，使分裂时在保留完整的裂纹边缘时对划分情况更精确，避免其他边缘节点的信息干扰；所以根据每个节点数据的梯度幅值、对应连通图上的局部连通性以及相邻节点数据之间角度的变化特征，获得每个节点数据的分裂修正参数。

优选地，在本发明的一个实施例中，分裂修正参数的获取方法包括：

根据分裂修正参数的获取公式获得分裂修正参数，分裂修正参数的获取公式包括：

；

其中，表示第/>个节点数据的分裂修正参数；/>表示第/>个节点数据的梯度幅值；表示第/>个节点数据的连通图中节点数据的局部连通性；/>表示第/>个节点数据的连通图中节点数据的数量；/>表示第/>个节点数据和第/>个节点数据之间连接直线的角度余弦值；/>表示第/>个节点数据和第/>个节点数据之间连接直线的角度余弦值；/>表示归一化函数。

在分裂修正参数的获取公式中，表示相邻节点数据之间角度的变化特征，角度余弦值累计差值越大，说明角度变化的越明显，对应连接图的边界越不平滑，越不是划痕造成的连通性，分裂修正参数越大；梯度幅值越大，局部连通性越大，越是同一种节点数据，且越不是划痕的特征分布，越需要调大分裂修正参数。

步骤S4：获取每个节点数据的初始分裂阈值；根据分裂修正参数对初始分裂阈值进行修正，获得修正分裂阈值；根据修正分裂阈值对所有连通图采用动态分裂聚类算法，获得多个连通聚类簇；根据每个连通聚类簇的形状特征以及尺寸特征，获得每个连通聚类簇为裂纹簇类的概率。

分裂阈值决定了节点数据如何被分割成不同的子集或类别，影响到分类的准确性和模型的性能。由于不同的节点数据可能具有不同的分布和特性，分裂修正参数可以用来调整初始分裂阈值，使其更加接近真实的分类边界，可以提高分类的准确性，减少误分类的情况。所以获取每个节点数据的初始分裂阈值；根据分裂修正参数对初始分裂阈值进行修正，获得修正分裂阈值。

优选地，在本发明的一个实施例中，修正分类阈值的获取方法包括：

计算初始分裂阈值和分裂修正参数的乘积，获得修正分裂阈值。

修正分裂阈值能够帮助算法更准确地确定数据的分类边界，更加精确地划分数据点，减少误分类的情况，从而提高分类的准确性，能够适应不同类型的数据集和不同的应用场景，使获取的簇类中的裂纹信息更完整；通过对连通聚类簇进行分类，区分裂纹簇类和其他类型的簇类，可以减少误检和漏检的情况，从而提高裂纹检测的准确性。根据修正分裂阈值对所有连通图采用动态分裂聚类算法，获得多个连通聚类簇。

需要说明的是，具体动态分类聚类算法为本领域技术人员熟知的技术手段，在此不做赘述。

由于裂纹整体呈现长条状分布，裂纹的尺寸反映了缺陷严重性和对结构完整性的影响，连通聚类簇的尺寸越大通常意味着更严重的损伤和更高的风险，越可能是裂纹；又因为相较于划痕，裂纹边缘区域可能会呈现“皲裂”的情况，裂痕分布呈现树杈状，导致边界信息的形状越不规则，越复杂；结合分析连通聚类簇的形状特征和尺寸特征，更准确地评估裂纹簇类的概率，识别裂纹，减少误检和漏检的情况；根据每个连通聚类簇的形状特征以及尺寸特征，获得每个连通聚类簇为裂纹簇类的概率。

优选地，在本发明的一个实施例中，概率的获取方法包括：

计算每个连通聚类簇中节点数据之间的最大距离，作为尺寸特征；计算每个连通聚类簇边缘上像素点的数量之和，作为每个连通聚类簇的周长；计算每个连通聚类簇内像素点的数量，作为每个连通聚类簇的面积；计算每个连通聚类簇的周长与面积的比值，作为形状特征；计算每个连通聚类簇的形状特征与尺寸特征的乘积，并进行归一化，获得每个连通聚类簇为裂纹簇类的概率。在本发明的一个实施例中，概率的公式表示为：

；

其中，表示第/>个连通聚类簇为裂纹簇类的概率；/>表示第/>个连通聚类簇的周长；/>表示第/>个连通聚类簇的面积；/>表示第/>个连通聚类簇的尺寸；/>表示归一化函数。

在概率的公式中，每个连通聚类簇的尺寸越大，最远节点数据之间的距离越大，连通聚类簇越有可能存在长条状的形状，是裂纹的可能性越大；表示连通聚类簇的形状特征，形状特征越大，连通聚类簇的周长越大，越有更多的弯曲和不规则的边缘，边界信息越不平滑，组成区域越复杂，是裂纹簇类的概率越高。

步骤S5：根据每个连通聚类簇为裂纹簇类的概率对合金灰度图像进行裂纹检测。

对于每个连通聚类簇为裂纹簇类的概率，综合考虑了多种特征和不确定性，更全面地描述裂纹的特征，可以更准确地识别裂纹，减少误检和漏检的情况。所以根据每个连通聚类簇为裂纹簇类的概率对合金灰度图像进行裂纹检测。

优选地，在本发明的一个实施例中，根据每个连通聚类簇为裂纹簇类的概率对合金灰度图像进行裂纹检测包括：

若连通聚类簇为裂纹簇类的概率大于预设裂纹阈值，将对应连通聚类簇标记为裂纹簇类。

需要说明的是，在本发明的一个实施例中，预设裂纹阈值为0.65；在本发明的其他实施例中，预设裂纹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。

综上所述，本发明通过获得每个节点数据的稳定性；结合每个节点数据与邻域范围内每个其他节点数据之间的梯度特征差异以及相对距离，获得每个节点数据的邻域分布特征；构建每个节点数据的连通图；根据每个节点数据的连通图上相邻节点数据之间相对距离，以及连通图内节点数据的邻域分布特征，获得对应连通图上节点数据的局部连通性；根据每个节点数据的梯度幅值、对应连通图上的局部连通性以及相邻节点数据之间角度的变化特征，获得每个节点数据的分裂修正参数；进一步获得修正分裂阈值；对所有连通图采用动态分裂聚类算法，获得多个连通聚类簇；根据每个连通聚类簇的形状特征以及尺寸特征，获得每个连通聚类簇为裂纹簇类的概率；对合金灰度图像进行裂纹检测。本发明通过获得每个节点数据准确的分裂阈值，提高裂纹检测的准确度。

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)

1.一种基于机器视觉的合金裂纹无损检测方法，其特征在于，所述方法包括：

获取包含边缘线的合金灰度图像，以边缘线上的像素点作为节点数据；

获得每个节点数据邻域范围内的多个边缘连通域，根据每个节点数据邻域范围内节点数据的数量和每个边缘连通域内节点数据的分布特征，获得每个节点数据的稳定性；根据每个节点数据与邻域范围内每个其他节点数据之间的梯度特征差异、稳定性差异以及相对距离，获得每个节点数据的邻域分布特征；

根据节点数据之间的相对距离构建每个节点数据的连通图；根据每个节点数据的连通图上相邻节点数据之间相对距离，以及连通图内节点数据的所述邻域分布特征，获得对应连通图上节点数据的局部连通性；根据每个节点数据的梯度幅值、对应连通图上的所述局部连通性和相邻节点数据之间角度的变化特征，获得每个节点数据的分裂修正参数；

获取每个节点数据的初始分裂阈值；根据所述分裂修正参数对初始分裂阈值进行修正，获得修正分裂阈值；根据所述修正分裂阈值对所有连通图采用动态分裂聚类算法，获得多个连通聚类簇；根据每个连通聚类簇的形状特征以及尺寸特征，获得每个连通聚类簇为裂纹簇类的概率；

根据每个连通聚类簇为裂纹簇类的所述概率对合金灰度图像进行裂纹检测。

2.根据权利要求1所述的一种基于机器视觉的合金裂纹无损检测方法，其特征在于，所述稳定性的获取方法包括：

在每个节点数据邻域范围内，将所述边缘线围成的闭合区域，作为边缘连通域，获得多个边缘连通域；

将每个边缘连通域内节点数据的数量进行归一化，获得分布特征；对所有边缘连通域的所述分布特征进行累加，并负相关映射，获得第一映射值；

计算所述第一映射值和每个节点数据邻域范围内节点数据的数量的乘积，并进行归一化，获得每个节点数据的稳定性。

3.根据权利要求1所述的一种基于机器视觉的合金裂纹无损检测方法，其特征在于，所述邻域分布特征的获取方法包括：

根据邻域分布特征的获取公式获得邻域分布特征，邻域分布特征的获取公式为：

；其中，/>表示第/>个节点数据的邻域分布特征；/>表示第/>个节点数据的梯度角度的余弦值；/>表示第/>个节点数据邻域范围内每个其他节点数据/>的梯度角度的余弦值；/>表示第/>个节点数据的稳定性；/>表示第/>个节点数据邻域范围内每个其他节点数据/>的稳定性；/>表示第/>个节点数据与每个其他节点数据之间的相对距离；/>表示以自然常数为底的指数函数；/>表示取最大值函数。

4.根据权利要求1所述的一种基于机器视觉的合金裂纹无损检测方法，其特征在于，所述连通图的获取方法包括：

以一个节点数据开始，依次获取每个节点数据相对距离最近的其他节点数据，直到达到预设数量的节点数据，构成对应节点数据的连通图。

5.根据权利要求1所述的一种基于机器视觉的合金裂纹无损检测方法，其特征在于，所述局部连通性的获取方法包括：

对于任一节点数据的连通图上，计算每个节点数据与后一相邻节点数据之间的相对距离，作为第一距离；计算所述第一距离与对应每个节点数据的所述邻域分布特征的乘积，作为修正距离；

计算相邻的节点数据之间所述修正距离的差异，作为第一差异值；计算所有所述第一差异值的方差，作为第一特征值；

计算对应连通图上所有节点数据的所述邻域分布特征的方差，作为第二特征值；

计算所述第一特征值与所述第二特征值的乘积，并进行负相关映射，获得对应连通图上节点数据的局部连通性。

6.根据权利要求1所述的一种基于机器视觉的合金裂纹无损检测方法，其特征在于，所述分裂修正参数的获取方法包括：

根据所述分裂修正参数的获取公式获得分裂修正参数，分裂修正参数的获取公式为：

；其中，/>表示第/>个节点数据的分类阈值的分裂修正参数；/>表示第/>个节点数据的梯度幅值；/>表示第/>个节点数据的连通图中节点数据的局部连通性；/>表示第/>个节点数据的连通图中节点数据的数量；表示第/>个节点数据和第/>个节点数据之间连接直线的角度余弦值；表示第/>个节点数据和第/>个节点数据之间连接直线的角度余弦值；表示归一化函数。

7.根据权利要求1所述的一种基于机器视觉的合金裂纹无损检测方法，其特征在于，所述修正分裂阈值的获取方法包括：

计算所述初始分裂阈值和所述分裂修正参数的乘积，获得修正分裂阈值。

8.根据权利要求1所述的一种基于机器视觉的合金裂纹无损检测方法，其特征在于，所述概率的获取方法包括：

计算每个连通聚类簇中节点数据之间的最大距离，作为尺寸特征；

计算每个连通聚类簇边缘上像素点的数量之和，作为每个连通聚类簇的周长；计算每个连通聚类簇内像素点的数量，作为每个连通聚类簇的面积；

计算每个连通聚类簇的周长与面积的比值，作为形状特征；

计算每个连通聚类簇的所述形状特征与所述尺寸特征的乘积，并进行归一化，获得每个连通聚类簇为裂纹簇类的概率。

9.根据权利要求1所述的一种基于机器视觉的合金裂纹无损检测方法，其特征在于，所述根据每个连通聚类簇为裂纹簇类的所述概率对合金灰度图像进行裂纹检测包括：

若连通聚类簇为裂纹簇类的所述概率大于预设裂纹阈值，将对应连通聚类簇标记为裂纹簇类。

10.根据权利要求1所述的一种基于机器视觉的合金裂纹无损检测方法，其特征在于，所述边缘线的获取方法包括：

将所述合金灰度图像通过Canny算子进行边缘检测，获取合金灰度图像中的边缘线。