CN117974637B - 基于图像特征的引导轮裂纹缺陷智能检测方法及系统 - Google Patents
基于图像特征的引导轮裂纹缺陷智能检测方法及系统 Download PDFInfo
- Publication number
- CN117974637B CN117974637B CN202410362664.6A CN202410362664A CN117974637B CN 117974637 B CN117974637 B CN 117974637B CN 202410362664 A CN202410362664 A CN 202410362664A CN 117974637 B CN117974637 B CN 117974637B
- Authority
- CN
- China
- Prior art keywords
- downsampling
- image
- window
- pixel point
- gray
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 149
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000012937 correction Methods 0.000 claims description 113
- 238000000034 method Methods 0.000 claims description 25
- 230000002950 deficient Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- JXASPPWQHFOWPL-UHFFFAOYSA-N Tamarixin Natural products C1=C(O)C(OC)=CC=C1C1=C(OC2C(C(O)C(O)C(CO)O2)O)C(=O)C2=C(O)C=C(O)C=C2O1 JXASPPWQHFOWPL-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 238000004519 manufacturing process Methods 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
- 238000005192 partition Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于图像特征的引导轮裂纹缺陷智能检测方法及系统,包括:获取引导轮表面灰度图像;根据引导轮表面灰度图像中每个像素点的灰度和梯度,得到引导轮表面灰度图像中每个像素点为缺陷的可能性;设置多个降采样尺度,得到若干个初始降采样窗口;根据每一初始降采样窗口中每一像素点为缺陷的可能性与每一像素点的灰度值,得到引导轮表面灰度图像的最终缺陷程度;根据引导轮表面灰度图像的最终缺陷程度,完成引导轮的缺陷检测。本发明在对图像进行降采样时,根据每个像素点为缺陷的可能性赋予每个像素点不同的权重,使得降采样图像的缺陷程度与引导轮表面灰度图像的缺陷程度更接近。
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特征的引导轮裂纹缺陷智能检测方法及系统。
背景技术
引导轮是一种广泛应用于机械制造业的重要部件,主要材质包括合金、塑胶等,主要用于对物件进行定位、导向、传输、转移等方面,用于确保设备的正常运行。由于在工作过程中引导轮所受到的压力较大,导致工作中的引导轮可能出现裂纹。为了保证处于工作中的引导轮可以正常工作,本方法使用图像处理技术对引导轮表面图像进行分析,达到对引导轮进行缺陷检测的目的。
使用图像金字塔对引导轮表面的图像进行处理时,需要通过降采样的方式对图像进行降采样处理,由于引导轮表面的金属光泽会将光线反射从而形成反光区域,导致对包含缺陷区域的降采样窗口进行处理时,会使结果偏离图像中的缺陷区域,从而无法对图像中的缺陷区域进行有效识别。
发明内容
本发明提供基于图像特征的引导轮裂纹缺陷智能检测方法及系统,以解决现有的问题。
本发明的基于图像特征的引导轮裂纹缺陷智能检测方法及系统采用如下技术方案:
本发明一个实施例提供了基于图像特征的引导轮裂纹缺陷智能检测方法,该方法包括以下步骤:
获取引导轮表面灰度图像;
根据引导轮表面灰度图像中每个像素点的灰度和梯度,得到引导轮表面灰度图像中每个像素点为缺陷的可能性;
从预设的若干个降采样尺度中选取任意一个降采样尺度,记为初始降采样尺度;
根据初始降采样尺度,将引导轮表面灰度图像等分为若干个初始降采样窗口;
根据每一初始降采样窗口中每一像素点为缺陷的可能性,得到每一修正降采样窗口;
根据每一修正降采样窗口内每一像素点的位置与每一像素点为缺陷的可能性,得到每一修正降采样窗口内每一像素点的影响权重;
根据每一修正降采样窗口内每一像素点的影响权重和灰度值,得到第一次降采样图像;
根据第一次降采样图像,得到初始降采样尺度的情况下引导轮表面灰度图像的缺陷程度;
根据预设的每个降采样尺度的情况下引导轮表面灰度图像的缺陷程度,得到引导轮表面灰度图像的最终缺陷程度;
根据引导轮表面灰度图像的最终缺陷程度,完成引导轮的缺陷检测。
进一步地,所述根据引导轮表面灰度图像中每个像素点的灰度和梯度,得到引导轮表面灰度图像中每个像素点为缺陷的可能性,包括的具体步骤如下:
通过sobel算子得到引导轮表面灰度图像中每一像素点的梯度;
通过对引导轮表面灰度图像中所有像素点的梯度求和得到引导轮表面灰度图像中所有像素点的总梯度,将引导轮表面灰度图像中所有像素点的总梯度的方向记为引导轮表面灰度图像中材质纹理的梯度方向;
使用区域生长算法,以引导轮表面灰度图像中第个像素点作为连通域的区域生长起点,得到引导轮表面灰度图像中第/>个像素点所在连通域;
通过对引导轮表面灰度图像中第个像素点所在连通域中所有像素点的梯度求和得到引导轮表面灰度图像中第/>个像素点所在连通域中所有像素点的总梯度,将引导轮表面灰度图像中第/>个像素点所在连通域中所有像素点的总梯度的方向记为引导轮表面灰度图像中第/>个像素点所在连通域的梯度方向/>;
将引导轮表面灰度图像中第个像素点的灰度值的倒数,记为第一倒数;
将和/>的最小夹角的倒数,记为第二倒数;
将第一倒数与第二倒数的乘积的归一化值,记为引导轮表面灰度图像中第个像素点为缺陷的可能性。
进一步地,所述根据每一初始降采样窗口中每一像素点为缺陷的可能性,得到每一修正降采样窗口,包括的具体步骤如下:
以引导轮表面灰度图像中第个初始降采样窗口为中心向四周扩展,得到大小为的引导轮表面灰度图像中第/>个修正降采样窗口;
所述的具体计算公式为:
式中:表示引导轮表面灰度图像中第/>个修正降采样窗口大小,/>表示初始降采样尺度,/>表示引导轮表面灰度图像中第/>个初始降采样窗口内的像素点数量,/>表示引导轮表面灰度图像中第/>个初始降采样窗口内第/>个像素点为缺陷的可能性,/>为线性归一化函数,/>为向下取整函数。
进一步地,所述根据每一修正降采样窗口内每一像素点的位置与每一像素点为缺陷的可能性,得到每一修正降采样窗口内每一像素点的影响权重,包括的具体步骤如下:
在引导轮表面灰度图像中以每一个修正降采样窗口左下角的顶点为原点,以水平向右为横轴,以竖直向上为纵轴,构建每一个修正降采样窗口的坐标系;
在引导轮表面灰度图像中,将与每个修正降采样窗口不重叠,且相邻、大小相同的窗口,记为每个修正降采样窗口的邻域插值窗口;
根据每一修正降采样窗口的坐标系、邻域插值窗口以及像素点为缺陷的可能性,得到引导轮表面灰度图像中每个修正降采样窗口中每个像素点的重要程度;
根据引导轮表面灰度图像中每个修正降采样窗口中每个像素点的重要程度,得到每一修正降采样窗口内每一像素点的影响权重。
进一步地,所述根据每一修正降采样窗口的坐标系、邻域插值窗口以及像素点为缺陷的可能性,得到引导轮表面灰度图像中每个修正降采样窗口中每个像素点的重要程度,包括的具体公式如下:
式中,表示引导轮表面灰度图像中第/>个修正降采样窗口中第/>个像素点的重要程度;/>表示引导轮表面灰度图像中第/>个修正降采样窗口中第/>个像素点为缺陷的可能性;/>表示引导轮表面灰度图像中第/>个修正降采样窗口内第/>个像素点在第u个降采样窗口的坐标系内的横坐标,/>表示引导轮表面灰度图像中第/>个修正降采样窗口内第/>个像素点在第u个降采样窗口的坐标系内的纵坐标;/>表示引导轮表面灰度图像中第/>个修正降采样窗口的大小;/>表示引导轮表面灰度图像中第/>个修正降采样窗口的邻域插值窗口数量,/>为引导轮表面灰度图像中第/>个修正降采样窗口的第/>个邻域插值窗口内的像素点数量,/>表示引导轮表面灰度图像中第/>个修正降采样窗口的第/>个邻域插值窗口内第/>个像素点为缺陷的可能性,/>表示第/>个修正后降采样窗口中第/>个像素点到第/>个邻域插值窗口边缘的最小欧氏距离,/>为线性归一化函数。
进一步地,所述根据引导轮表面灰度图像中每个修正降采样窗口中每个像素点的重要程度,得到每一修正降采样窗口内每一像素点的影响权重,包括的具体步骤如下:
计算引导轮表面灰度图像中第个修正降采样窗口中所有像素点的重要程度之和,将引导轮表面灰度图像中第/>个修正降采样窗口中第/>个像素点的重要程度与引导轮表面灰度图像中第/>个修正降采样窗口中所有像素点的重要程度之和的比值,记为引导轮表面灰度图像中第/>个修正降采样窗口中第/>个像素点的影响权重。
进一步地,所述根据每一修正降采样窗口内每一像素点的影响权重和灰度值,得到第一次降采样图像,包括的具体步骤如下:
将引导轮表面灰度图像中第个修正降采样窗口中第/>个像素点的影响权重灰度值的乘积记为第/>个修正后降采样窗口内第/>个像素点的第一灰度值;
将引导轮表面灰度图像中第个修正降采样窗口内所有像素点的第一灰度值的和值,记为第一次降采样图像中第/>个像素点的灰度值。
进一步地,所述根据第一次降采样图像,得到初始降采样尺度的情况下引导轮表面灰度图像的缺陷程度,包括的具体步骤如下:
使用初始降采样尺度,根据引导轮表面灰度图像划分的若干个修正降采样窗口的获取方式得到第一次降采样图像划分的若干个修正降采样窗口;根据引导轮表面灰度图像中每个修正降采样窗口中每个像素点的影响权重,得到第一次降采样图像每个修正降采样窗口中每个像素点的影响权重;
根据第一次降采样图像每个修正降采样窗口中每个像素点的影响权重、引导轮表面灰度图像中每个修正降采样窗口中每个像素点的影响权重以及引导轮表面灰度图像中每个像素点为缺陷像素点的可能性,得到初始降采样尺度的情况下引导轮表面灰度图像的缺陷程度,其具体计算公式如下所示:
式中:表示初始降采样尺度的情况下引导轮表面灰度图像的缺陷程度;/>表示第一次降采样图像中第/>个修正降采样窗口内第/>个像素点对应的引导轮表面灰度图像中的修正降采样窗口中的第/>个像素点为缺陷的可能性,/>表示第一次降采样图像中第/>个降采样窗口内第/>个像素点对应的引导轮表面灰度图像中的修正降采样窗口中第/>个像素点的影响权重,/>表示第一次降采样图像中第/>个修正降采样窗口内第/>个像素点的影响权重,D表示第一次降采样图像划分的修正降采样窗口的数量;/>表示第一次降采样图像中第个修正后降采样窗口内所含像素点的个数,/>表示第一次降采样图像中第/>个修正后降采样窗口内第/>个像素点在引导轮表面灰度图中所对应的修正后降采样窗口内所含像素点的个数。
进一步地,所述根据预设的每个降采样尺度的情况下引导轮表面灰度图像的缺陷程度,得到引导轮表面灰度图像的最终缺陷程度,包括的具体公式如下:
其中,表示引导轮表面灰度图像的最终缺陷程度;/>表示预设的第w降采样尺度的情况下引导轮表面灰度图像的缺陷程度;/>表示预设的第w降采样尺度;R表示预设的降采样尺度的个数。
本发明还提出了基于图像特征的引导轮裂纹缺陷智能检测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述存储器存储的计算机程序,以实现前述所述的基于图像特征的引导轮裂纹缺陷智能检测方法及系统的步骤。
本发明的技术方案的有益效果是:获取引导轮表面灰度图像;根据引导轮表面灰度图像中每个像素点的灰度和梯度,得到引导轮表面灰度图像中每个像素点为缺陷的可能性时,不仅依据缺陷区域像素点较低的特征还结合了裂缝区域与引导轮纹理方向将为相似的特征,从而使得引导轮表面灰度图像中每个像素点为缺陷的可能性更接近实际情况;从预设的若干个降采样尺度中选取任意一个降采样尺度,记为初始降采样尺度;根据初始降采样尺度,将引导轮表面灰度图像等分为若干个初始降采样窗口;根据每一初始降采样窗口中每一像素点为缺陷的可能性,得到每一修正降采样窗口,在获取每一修正窗口时,依据每一初始窗口内每一像素点为缺陷的可能性,使得每一修正窗口的大小更接近实际情况;根据每一修正降采样窗口内每一像素点的位置与每一像素点为缺陷的可能性,得到每一修正降采样窗口内每一像素点的影响权重;根据每一修正降采样窗口内每一像素点的影响权重和灰度值,得到第一次降采样图像,在获取每一修正降采样窗口的灰度值时,根据每一修正降采样窗口内每一像素点与其周围像素点为缺陷的可能性,赋予每一像素点不同的影响权重,使得每一修正降采样窗口的灰度值,更能反映修正降采样窗口内所有像素点的特征,从而使得第一次降采样图像的缺陷程度更精确;根据第一次降采样图像,得到初始降采样尺度的情况下引导轮表面灰度图像的缺陷程度;根据预设的每个降采样尺度的情况下引导轮表面灰度图像的缺陷程度,得到引导轮表面灰度图像的最终缺陷程度时,是依据多个降采样尺度下引导轮表面灰度图像的缺陷程度获取的,从而使得引导轮表面灰度图像的最终缺陷程度更精确;根据引导轮表面灰度图像的最终缺陷程度,完成引导轮的缺陷检测。
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为本发明基于图像特征的引导轮裂纹缺陷智能检测方法的步骤流程图。
图2为引导轮表面灰度图像。
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基于图像特征的引导轮裂纹缺陷智能检测方法及系统,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基于图像特征的引导轮裂纹缺陷智能检测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于图像特征的引导轮裂纹缺陷智能检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取引导轮表面灰度图像;根据引导轮表面灰度图像中每个像素点的灰度和梯度,得到引导轮表面灰度图像中每个像素点为缺陷的可能性。
因为本实施例的主要目的是对引导轮的缺陷进行检测,所以需要获取引导轮表面图像。
具体来说,利用相机获取引导轮表面图像,对引导轮表面图像进行灰度化,得到引导轮表面灰度图像,如图2所示。
需要说明的是,图像降采样是根据选择的降采样尺度将一个较大尺寸的图像转化为一个较小尺寸的图像,其中降采样是通过一个像素点来代表一个降采样窗口内的所有像素点。由于对引导轮表面灰度图像进行降采样时,对降采样窗口中每个像素点赋予相同的权重,从而使得降采样图像的缺陷程度与引导轮表面灰度图像的缺陷程度有一定差异。所以本实施例提出了一种图像降采样的改进方法。其首先计算引导轮表面灰度图像中每一像素点为缺陷的可能性,根据降采样窗口中各像素点为缺陷的可能性,来对降采样窗口的大小进行调整;根据每一修正降采样窗口内每一像素点为裂纹缺陷的可能性,得到降采样窗口内每一像素点的影响权重,得到降采样图像中每一像素点的灰度值。
需要进一步说明的是,因为在引导轮表面灰度图像中裂缝像素点的灰度值较低且裂缝区域延伸方向与物体自身纹理方向较为近似,即裂缝像素点所在连通域的梯度方向与物体自身纹理的梯度方向较为近似。所以通过引导轮表面灰度图像中每一像素点的灰度与梯度,得到引导轮表面灰度图像中每一像素点为缺陷的可能性。
具体来说,以引导轮表面灰度图像中第个像素点为例,计算引导轮表面灰度图像中第/>个像素点为缺陷的可能性的具体步骤如下:
使用区域生长算法,以引导轮表面灰度图像中第个像素点作为连通域的区域生长起点,以待生长像素点与区域生长起点的灰度值差异小于/>作为生长准则,得到引导轮表面灰度图像中第/>个像素点所在连通域。其中,区域生长算法为公知技术,具体方法在此不做介绍。本实施例预设的灰度值差异阈值/>,并以此为例进行叙述。
通过sobel算子得到引导轮表面灰度图像中每一像素点的梯度,其中,sobel算子为公知技术,具体方法在此不做介绍。通过对引导轮表面灰度图像中所有像素点的梯度求和得到引导轮表面灰度图像中所有像素点的总梯度,其中引导轮表面灰度图像中所有像素点的总梯度的方向为引导轮表面灰度图像中材质纹理的梯度方向,将引导轮表面灰度图像中所有像素点的总梯度的方向记为。对引导轮表面灰度图像中每个像素点所在连通域中所有像素点的梯度求和得到引导轮表面灰度图像中每个像素点所在连通域的梯度方向。
根据引导轮表面灰度图像中每个像素点所在连通域的梯度方向、引导轮表面灰度图像中所有像素点的总梯度的方向以及引导轮表面灰度图像中每个像素点的灰度值,得到引导轮表面灰度图像中每个像素点为缺陷的可能性。其具体计算公式如下所示:
式中:表示引导轮表面灰度图像中第/>个像素点为缺陷的可能性,/>表示引导轮表面灰度图像中第/>个像素点的灰度值,/>表示引导轮表面灰度图像中材质纹理的梯度方向,/>表示引导轮表面灰度图像中第/>个像素点所在连通域的梯度方向,/>表示/>和/>的最小夹角,/>为线性归一化函数,将数据值归一化至[0,1]区间内,/>为第一倒数,/>为第二倒数。
需要说明的是,若或者/>为0时,分母为0,公式不成立,本实施例令此时的/>为最大值1。/>的值越大表明引导轮表面灰度图像中第/>个像素点为缺陷的可能性越大,/>的值越小表明引导轮表面灰度图像中第/>个像素点为缺陷像素点的可能性越小。
进一步的,对引导轮表面灰度图像中的每一像素点都进行上述操作,得到引导轮表面灰度图像中每一像素点为缺陷的可能性。
步骤S002:从预设的若干个降采样尺度中选取任意一个降采样尺度,记为初始降采样尺度;根据初始降采样尺度,将引导轮表面灰度图像等分为若干个初始降采样窗口;根据每一初始降采样窗口中每一像素点为缺陷的可能性,得到每一修正降采样窗口。
进一步的,选择个降采样尺度对引导轮表面灰度图像进行降采样处理。在本实施例中预设的降采样尺度的个数/>,其他实施方式中/>可设置为其他值,本实施例不进行限定。在本实施例中令预设的第一降采样尺度/>,预设的第二降采样尺度/>,预设的第三降采样尺度/>,其他实施例中/>、/>以及/>的值可设置为其他值,本实施例不进行限定。在/>、/>以及/>中任选一个为/>,将/>记为初始降采样尺度,则初始降采样窗口的大小为/>。
根据初始降采样尺度将引导轮表面灰度图像划分为多个大小为且窗口不重叠的初始降采样窗口。当对图像进行划分时,如果因为缺少像素点导致图像中部分像素点不能划分到/>的初始降采样窗口内,通过镜像扩展的方法使图像中所有像素点都划分到初始降采样窗口内。其中,镜像扩展方法为公知技术,具体方法在此不做介绍。
需要说明的是,因为每一个初始降采样窗口内所含像素点为缺陷的可能性与其他初始降采样窗口内所含像素点为缺陷的可能性不同,所以为了增强降采样结果为缺陷的可能性,需要根据初始降采样窗口内所含像素点为缺陷的可能性,得到引导轮表面灰度图像中每一初始降采样窗口的修正降采样窗口大小。
具体的,根据每一初始降采样窗口内每一像素点为缺陷的可能性,得到引导轮表面灰度图像中每一初始降采样窗口的修正降采样窗口大小,其具体计算公式如下:
式中:表示引导轮表面灰度图像中第/>个修正降采样窗口大小,/>表示初始降采样尺度,/>表示引导轮表面灰度图像中第/>个初始降采样窗口内的像素点数量,/>表示引导轮表面灰度图像中第/>个初始降采样窗口内第/>个像素点为缺陷的可能性,/>为线性归一化函数,将数据值归一化至/>区间内,/>为向下取整函数。
具体的,引导轮表面灰度图像中第个修正降采样窗口是以引导轮表面灰度图像中第/>个初始降采样窗口为中心向四周扩展,得到大小为的修正降采样窗口。所需说明的是:若修正降采样窗口存在超出引导轮表面灰度图像的部分,后续对超出部分不进行分析。
由此得到引导轮表面灰度图像中第个初始降采样窗口调整后的修正降采样窗口,按照上述方式,得到引导轮表面灰度图像中每个初始降采样窗口调整后的修正降采样窗口,即得到引导轮表面灰度图像中若干个修正降采样窗口。
步骤S003:根据每一修正降采样窗口内每一像素点的位置与每一像素点为缺陷的可能性,得到每一修正降采样窗口内每一像素点的影响权重。
需要说明的是,进行降采样的目的是为了将图像中影响缺陷区域识别的像素点进行模糊,同时保留图像中可能表现出缺陷区域的像素点的灰度特征。因此需要计算每一修正降采样窗口内每一像素点的影响权重。对于修正降采样窗口内为缺陷可能性较高的像素点应在该窗口内赋予较高的影响权重,该窗口内为缺陷可能性较低的像素点应在该窗口内赋予较低对降采样结果的权重。由于降采样是将一个窗口内的多个像素点在下一个图像用一个像素点来表示即降采样所得像素点的灰度值为降采样窗口内所有像素点通过某种方式进行求和。因此越靠近降采样窗口中心的像素点对该降采样窗口的重要性应该越高,即当像素点距离降采样窗口中心越近,说明当前像素点越靠近当前降采样的核心区域,则其对应的权重应该越高。当引导轮表面灰度图像中第个修正降采样窗口的邻域插值窗口为缺陷区域的可能性越高,说明当前窗口处于缺陷区域的可能越高,则第/>个修正降采样窗口对应的降采样结果为缺陷可能性越高。
具体来说,根据引导轮表面灰度图像中每一个修正降采样窗口内每一像素点的位置、每一像素点为缺陷的可能性、每一像素点的周围像素点为裂纹缺陷的可能性,得到引导轮表面灰度图像中每一修正降采样窗口中每一像素点的影响权重。其具体获取方法如下所示:
在引导轮表面灰度图像中以每一个修正降采样窗口左下角的顶点为原点,以水平向右为横轴,以竖直向上为纵轴,构建每一个修正降采样窗口的坐标系,得到每一个修正降采样窗口内每一像素点在其所在修正降采样窗口的坐标系内的坐标,其中表示引导轮表面灰度图像中第/>个修正降采样窗口内第/>个像素点在第u个修正降采样窗口的坐标系内的横坐标,/>表示引导轮表面灰度图像中第/>个修正降采样窗口内第/>个像素点在第u个降采样窗口的坐标系内的纵坐标。
在引导轮表面灰度图像中获取与每个修正降采样窗口不重叠,且相邻、大小相同的窗口,将所获取窗口记为每个修正降采样窗口的邻域插值窗口。所需说明的是:若邻域插值窗口存在超出引导轮表面灰度图像的部分,后续对超出部分不进行分析。
根据每一个修正降采样窗口内每一像素点的位置、每一像素点为缺陷的可能性、每一像素点的周围像素点为裂纹缺陷的可能性,得到引导轮表面灰度图像中每一修正降采样窗口中每一像素点的影响权重,其具体计算公式如下所示:
其中,表示引导轮表面灰度图像中第/>个修正降采样窗口中第/>个像素点的影响权重;/>表示引导轮表面灰度图像中第/>个修正降采样窗口中第/>个像素点的重要程度,为引导轮表面灰度图像中第/>个修正降采样窗口中的像素点数量;/>表示引导轮表面灰度图像中第/>个修正降采样窗口中第/>个像素点为缺陷的可能性;/>表示引导轮表面灰度图像中第/>个修正降采样窗口内第/>个像素点在第/>个修正降采样窗口的坐标系内的横坐标,/>表示引导轮表面灰度图像中第/>个修正降采样窗口内第/>个像素点在第/>个修正降采样窗口的坐标系内的纵坐标;/>表示引导轮表面灰度图像中第/>个修正降采样窗口的大小,表示引导轮表面灰度图像中第/>个修正降采样窗口的边长;/>表示引导轮表面灰度图像中第/>个修正降采样窗口中第/>个第像素点距离此修正降采样窗口中心的偏离程度;/>表示引导轮表面灰度图像中第/>个修正降采样窗口的邻域插值窗口数量,表示引导轮表面灰度图像中第/>个修正降采样窗口的第/>个邻域插值窗口内第/>个像素点为缺陷的可能性,/>为引导轮表面灰度图像中第/>个修正降采样窗口的第/>个邻域插值窗口内的像素点数量,/>表示第/>个修正后降采样窗口中第/>个像素点到第/>个邻域插值窗口边缘的最小欧氏距离,/>为线性归一化函数,将数据值归一化至[0,1]区间内。
对引导轮表面灰度图像中每一修正窗口中每一像素点进行上述操作,得到引导轮表面灰度图像中每一修正降采样窗口中每一像素点的影响权重。
步骤S004:根据每一修正降采样窗口内每一像素点的影响权重和灰度值,得到第一次降采样图像;根据第一次降采样图像,得到初始降采样尺度的情况下引导轮表面灰度图像的缺陷程度。
根据引导轮表面灰度图像中第个修正降采样窗口内所含像素点的灰度值与该修正降采样窗口中每一个像素点的影响权重,得到第一次降采样图像中第/>个像素点的灰度值/>,其具体计算公式如下:
式中:为第一次降采样图像中第/>个像素点的灰度值,/>为引导轮表面灰度图像中第/>个修正降采样窗口中的像素点数量,/>表示引导轮表面灰度图像中第/>个修正降采样窗口中第/>个像素点的影响权重,/>表示引导轮表面灰度图像中第/>个修正后降采样窗口内第/>个像素点的灰度值。
对引导轮表面灰度图像中每一个修正降采样窗口都进行上述操作,得到第一次降采样图像中每一像素点的灰度值;根据第一次降采样图像中所有像素点的灰度值,构成第一次降采样图像。
图像金字塔算法是图像多尺度表示方法,本实施例通过降采样方式得到层的图像金字塔,在本实施例中预设/>,并以此为例进行叙述。将引导轮表面灰度图像作为待降采样图像得到第一次降采样图像。然后使用初始降采样尺度,根据引导轮表面灰度图像划分的若干个修正降采样窗口的获取方式得到第一次降采样图像划分的若干个修正降采样窗口;根据引导轮表面灰度图像中每个修正降采样窗口中每个像素点的影响权重,得到第一次降采样图像每个修正降采样窗口中每个像素点的影响权重;根据第一次降采样图像的获取方式,得到第二次降采样图像。
在本实施例中令图像金子塔的最上层图像为最后一次降采样图像,图像金字塔的最下层图像为引导轮表面灰度图像。根据初始降采样尺度为情况下所得的图像金字塔中不同尺度的图像,得到初始降采样尺度为/>的情况下引导轮表面灰度图像的缺陷程度。
当初始降采样尺度为的情况下引导轮表面灰度图像的缺陷程度为/>,计算公式如下:
式中:表示初始降采样尺度的情况下引导轮表面灰度图像的缺陷程度;/>表示第一次降采样图像中第/>个修正降采样窗口内第/>个像素点对应的引导轮表面灰度图像中的修正降采样窗口中的第/>个像素点为缺陷的可能性,/>表示第一次降采样图像中第/>个降采样窗口内第/>个像素点对应的引导轮表面灰度图像中的修正降采样窗口中第/>个像素点的影响权重,/>表示第一次降采样图像中第/>个修正降采样窗口中第/>个像素点为缺陷的可能性;/>表示第一次降采样图像中第/>个修正降采样窗口内第/>个像素点的影响权重;/>表示第二次降采样图像即金字塔最上层图像中第/>个像素点的为缺陷的可能性;D表示第一次降采样图像划分的修正降采样窗口的数量;/>表示第一次降采样图像中第/>个修正后降采样窗口内所含像素点的个数,/>表示第一次降采样图像中第/>个修正后降采样窗口内第/>个像素点在引导轮表面灰度图中所对应的修正后降采样窗口内所含像素点的个数。
至此,通过对图像金子塔的最上层图像外其它层图像中每一像素点为缺陷的可能性以及每一层图像中每一像素点对其所在修正降采样窗口所对应降采样结果的影响权重,得到当前图像在一个降采样尺度的情况下的缺陷程度。
步骤S005:根据预设的每个降采样尺度的情况下引导轮表面灰度图像的缺陷程度,得到引导轮表面灰度图像的最终缺陷程度;根据引导轮表面灰度图像的最终缺陷程度,完成引导轮的缺陷检测。
通过上述步骤,得到在不同降采样尺度的情况下引导轮表面灰度图像的缺陷程度,由于降采样尺度越大,对图像中信息的损失程度越高,因此对于降采样尺度越高的图像缺陷程度设置更低的权重,加权计算得到引导轮表面灰度图像的最终缺陷程度即引导轮表面待检测区域的最终缺陷程度。
引导轮表面灰度图像的最终缺陷程度为,计算公式如下:
其中,表示引导轮表面灰度图像的最终缺陷程度;/>表示预设的第w降采样尺度的情况下引导轮表面灰度图像的缺陷程度;/>表示预设的第w降采样尺度,/>表示降采样尺度/>下引导轮表面灰度图像的缺陷程度所对应的权重,R表示预设的降采样尺度的个数。
至此,根据不同的降采样尺度确定对应权重,得到引导表面轮待检测区域的最终缺陷程度。
设置缺陷阈值对引导轮表面待检测区域的最终缺陷程度进行筛选,当引导轮表面待检测区域的最终缺陷程度/>时,认为当前引导轮存在隐患,即存在裂纹,将其标记为异常区域,完成对引导轮裂纹缺陷的智能检测。
在本实施例中预设的缺陷阈值,本实施例以此进行描述,其他实施例可设置为其他值,本实施例不对其进行限定。
至此,本发明完成。
本发明还提供了基于图像特征的引导轮裂纹缺陷智能检测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述存储器存储的计算机程序,以实现前述所述的基于图像特征的引导轮裂纹缺陷智能检测方法的步骤。
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 (8)
1.基于图像特征的引导轮裂纹缺陷智能检测方法,其特征在于,该方法包括以下步骤:
获取引导轮表面灰度图像;
根据引导轮表面灰度图像中每个像素点的灰度和梯度,得到引导轮表面灰度图像中每个像素点为缺陷的可能性;
从预设的若干个降采样尺度中选取任意一个降采样尺度,记为初始降采样尺度;
根据初始降采样尺度,将引导轮表面灰度图像等分为若干个初始降采样窗口;
根据每一初始降采样窗口中每一像素点为缺陷的可能性,得到每一修正降采样窗口;
根据每一修正降采样窗口内每一像素点的位置与每一像素点为缺陷的可能性,得到每一修正降采样窗口内每一像素点的影响权重;
根据每一修正降采样窗口内每一像素点的影响权重和灰度值,得到第一次降采样图像;
根据第一次降采样图像,得到初始降采样尺度的情况下引导轮表面灰度图像的缺陷程度;
根据预设的每个降采样尺度的情况下引导轮表面灰度图像的缺陷程度,得到引导轮表面灰度图像的最终缺陷程度;
根据引导轮表面灰度图像的最终缺陷程度,完成引导轮的缺陷检测;
所述根据引导轮表面灰度图像中每个像素点的灰度和梯度,得到引导轮表面灰度图像中每个像素点为缺陷的可能性,包括的具体步骤如下:
通过sobel算子得到引导轮表面灰度图像中每一像素点的梯度;
通过对引导轮表面灰度图像中所有像素点的梯度求和得到引导轮表面灰度图像中所有像素点的总梯度,将引导轮表面灰度图像中所有像素点的总梯度的方向记为引导轮表面灰度图像中材质纹理的梯度方向;
使用区域生长算法,以引导轮表面灰度图像中第个像素点作为连通域的区域生长起点,得到引导轮表面灰度图像中第/>个像素点所在连通域;
通过对引导轮表面灰度图像中第个像素点所在连通域中所有像素点的梯度求和得到引导轮表面灰度图像中第/>个像素点所在连通域中所有像素点的总梯度,将引导轮表面灰度图像中第/>个像素点所在连通域中所有像素点的总梯度的方向记为引导轮表面灰度图像中第/>个像素点所在连通域的梯度方向/>;
将引导轮表面灰度图像中第个像素点的灰度值的倒数,记为第一倒数;
将和/>的最小夹角的倒数,记为第二倒数;
将第一倒数与第二倒数的乘积的归一化值,记为引导轮表面灰度图像中第个像素点为缺陷的可能性;
所述根据每一初始降采样窗口中每一像素点为缺陷的可能性,得到每一修正降采样窗口,包括的具体步骤如下:
以引导轮表面灰度图像中第个初始降采样窗口为中心向四周扩展,得到大小为/>的引导轮表面灰度图像中第/>个修正降采样窗口;
所述的具体计算公式为:
式中:表示引导轮表面灰度图像中第/>个修正降采样窗口大小,/>表示初始降采样尺度,/>表示引导轮表面灰度图像中第/>个初始降采样窗口内的像素点数量,/>表示引导轮表面灰度图像中第/>个初始降采样窗口内第/>个像素点为缺陷的可能性,/>为线性归一化函数,/>为向下取整函数。
2.根据权利要求1所述基于图像特征的引导轮裂纹缺陷智能检测方法,其特征在于,所述根据每一修正降采样窗口内每一像素点的位置与每一像素点为缺陷的可能性,得到每一修正降采样窗口内每一像素点的影响权重,包括的具体步骤如下:
在引导轮表面灰度图像中以每一个修正降采样窗口左下角的顶点为原点,以水平向右为横轴,以竖直向上为纵轴,构建每一个修正降采样窗口的坐标系;
在引导轮表面灰度图像中,将与每个修正降采样窗口不重叠,且相邻、大小相同的窗口,记为每个修正降采样窗口的邻域插值窗口;
根据每一修正降采样窗口的坐标系、邻域插值窗口以及像素点为缺陷的可能性,得到引导轮表面灰度图像中每个修正降采样窗口中每个像素点的重要程度;
根据引导轮表面灰度图像中每个修正降采样窗口中每个像素点的重要程度,得到每一修正降采样窗口内每一像素点的影响权重。
3.根据权利要求2所述基于图像特征的引导轮裂纹缺陷智能检测方法,其特征在于,所述根据每一修正降采样窗口的坐标系、邻域插值窗口以及像素点为缺陷的可能性,得到引导轮表面灰度图像中每个修正降采样窗口中每个像素点的重要程度,包括的具体公式如下:
式中,表示引导轮表面灰度图像中第/>个修正降采样窗口中第/>个像素点的重要程度;/>表示引导轮表面灰度图像中第/>个修正降采样窗口中第/>个像素点为缺陷的可能性;表示引导轮表面灰度图像中第/>个修正降采样窗口内第/>个像素点在第u个降采样窗口的坐标系内的横坐标,/>表示引导轮表面灰度图像中第/>个修正降采样窗口内第/>个像素点在第u个降采样窗口的坐标系内的纵坐标;/>表示引导轮表面灰度图像中第/>个修正降采样窗口的大小;/>表示引导轮表面灰度图像中第/>个修正降采样窗口的邻域插值窗口数量,为引导轮表面灰度图像中第/>个修正降采样窗口的第/>个邻域插值窗口内的像素点数量,表示引导轮表面灰度图像中第/>个修正降采样窗口的第/>个邻域插值窗口内第/>个像素点为缺陷的可能性,/>表示第/>个修正后降采样窗口中第/>个像素点到第/>个邻域插值窗口边缘的最小欧氏距离,/>为线性归一化函数。
4.根据权利要求2所述基于图像特征的引导轮裂纹缺陷智能检测方法,其特征在于,所述根据引导轮表面灰度图像中每个修正降采样窗口中每个像素点的重要程度,得到每一修正降采样窗口内每一像素点的影响权重,包括的具体步骤如下:
计算引导轮表面灰度图像中第个修正降采样窗口中所有像素点的重要程度之和,将引导轮表面灰度图像中第/>个修正降采样窗口中第/>个像素点的重要程度与引导轮表面灰度图像中第/>个修正降采样窗口中所有像素点的重要程度之和的比值,记为引导轮表面灰度图像中第/>个修正降采样窗口中第/>个像素点的影响权重。
5.根据权利要求1所述基于图像特征的引导轮裂纹缺陷智能检测方法,其特征在于,所述根据每一修正降采样窗口内每一像素点的影响权重和灰度值,得到第一次降采样图像,包括的具体步骤如下:
将引导轮表面灰度图像中第个修正降采样窗口中第/>个像素点的影响权重灰度值的乘积记为第/>个修正后降采样窗口内第/>个像素点的第一灰度值;
将引导轮表面灰度图像中第个修正降采样窗口内所有像素点的第一灰度值的和值,记为第一次降采样图像中第/>个像素点的灰度值。
6.根据权利要求1所述基于图像特征的引导轮裂纹缺陷智能检测方法,其特征在于,所述根据第一次降采样图像,得到初始降采样尺度的情况下引导轮表面灰度图像的缺陷程度,包括的具体步骤如下:
使用初始降采样尺度,根据引导轮表面灰度图像划分的若干个修正降采样窗口的获取方式得到第一次降采样图像划分的若干个修正降采样窗口;根据引导轮表面灰度图像中每个修正降采样窗口中每个像素点的影响权重,得到第一次降采样图像每个修正降采样窗口中每个像素点的影响权重;
根据第一次降采样图像每个修正降采样窗口中每个像素点的影响权重、引导轮表面灰度图像中每个修正降采样窗口中每个像素点的影响权重以及引导轮表面灰度图像中每个像素点为缺陷像素点的可能性,得到初始降采样尺度的情况下引导轮表面灰度图像的缺陷程度,其具体计算公式如下所示:
式中:表示初始降采样尺度的情况下引导轮表面灰度图像的缺陷程度;/>表示第一次降采样图像中第/>个修正降采样窗口内第/>个像素点对应的引导轮表面灰度图像中的修正降采样窗口中的第/>个像素点为缺陷的可能性,/>表示第一次降采样图像中第/>个降采样窗口内第/>个像素点对应的引导轮表面灰度图像中的修正降采样窗口中第/>个像素点的影响权重,/>表示第一次降采样图像中第/>个修正降采样窗口内第/>个像素点的影响权重,D表示第一次降采样图像划分的修正降采样窗口的数量;/>表示第一次降采样图像中第/>个修正后降采样窗口内所含像素点的个数,/>表示第一次降采样图像中第/>个修正后降采样窗口内第/>个像素点在引导轮表面灰度图中所对应的修正后降采样窗口内所含像素点的个数。
7.根据权利要求1所述基于图像特征的引导轮裂纹缺陷智能检测方法,其特征在于,所述根据预设的每个降采样尺度的情况下引导轮表面灰度图像的缺陷程度,得到引导轮表面灰度图像的最终缺陷程度,包括的具体公式如下:
其中,表示引导轮表面灰度图像的最终缺陷程度;/>表示预设的第w降采样尺度的情况下引导轮表面灰度图像的缺陷程度;/>表示预设的第w降采样尺度;R表示预设的降采样尺度的个数。
8.基于图像特征的引导轮裂纹缺陷智能检测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的基于图像特征的引导轮裂纹缺陷智能检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410362664.6A CN117974637B (zh) | 2024-03-28 | 2024-03-28 | 基于图像特征的引导轮裂纹缺陷智能检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410362664.6A CN117974637B (zh) | 2024-03-28 | 2024-03-28 | 基于图像特征的引导轮裂纹缺陷智能检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117974637A CN117974637A (zh) | 2024-05-03 |
CN117974637B true CN117974637B (zh) | 2024-06-18 |
Family
ID=90858314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410362664.6A Active CN117974637B (zh) | 2024-03-28 | 2024-03-28 | 基于图像特征的引导轮裂纹缺陷智能检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117974637B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118195973B (zh) * | 2024-05-14 | 2024-07-09 | 陕西炎恒高科工贸有限公司 | 一种航空发动机外观检测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103308523A (zh) * | 2013-05-28 | 2013-09-18 | 清华大学 | 多尺度瓶口缺陷检测方法及装置 |
CN117351019A (zh) * | 2023-12-06 | 2024-01-05 | 巴苏尼制造(江苏)有限公司 | 一种焊接缺陷检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113989266B (zh) * | 2021-11-11 | 2024-05-21 | 汶上海纬机车配件有限公司 | 基于图像处理的机械配件表面缺陷检测方法 |
KR20230085299A (ko) * | 2021-12-07 | 2023-06-14 | 세종대학교산학협력단 | 다중 해상도 이미지 생성을 이용한 구조물 손상 검출 시스템 및 그 방법 |
CN114820610B (zh) * | 2022-06-29 | 2022-09-06 | 数聚(山东)医疗科技有限公司 | 基于图像处理的新材料医疗器械缺陷检测方法 |
CN115100213B (zh) * | 2022-08-29 | 2022-12-09 | 海门喜满庭纺织品有限公司 | 纺织工艺中材料漂白识别方法及数据处理系统 |
-
2024
- 2024-03-28 CN CN202410362664.6A patent/CN117974637B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103308523A (zh) * | 2013-05-28 | 2013-09-18 | 清华大学 | 多尺度瓶口缺陷检测方法及装置 |
CN117351019A (zh) * | 2023-12-06 | 2024-01-05 | 巴苏尼制造(江苏)有限公司 | 一种焊接缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117974637A (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116310360B (zh) | 一种电抗器表面缺陷检测方法 | |
CN110619618B (zh) | 一种表面缺陷检测方法、装置及电子设备 | |
CN117974637B (zh) | 基于图像特征的引导轮裂纹缺陷智能检测方法及系统 | |
CN110189255B (zh) | 基于两级检测的人脸检测方法 | |
CN116168026B (zh) | 基于计算机视觉的水质检测方法及系统 | |
CN113963042B (zh) | 基于图像处理的金属零件缺陷程度评估方法 | |
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 | |
CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN115330767B (zh) | 一种腐蚀箔生产异常识别方法 | |
CN117152137B (zh) | 基于图像处理的焊管腐蚀状态检测方法 | |
CN117058147B (zh) | 基于计算机视觉的环保塑料制品缺陷检测方法 | |
CN117173187B (zh) | 一种阀门故障智能检测系统 | |
CN115841434A (zh) | 一种用于气体浓度分析的红外图像增强方法 | |
CN115511907B (zh) | 一种用于led屏幕的划痕检测方法 | |
CN117893527B (zh) | 一种新能源储能箱体表面缺陷检测方法 | |
CN116862910B (zh) | 基于自动化裁切生产的视觉检测方法 | |
CN117218122A (zh) | 基于图像数据的手表外壳质量检测方法 | |
CN104268550B (zh) | 特征提取方法及装置 | |
CN116612112A (zh) | 一种水桶表面缺陷视觉检测方法 | |
CN107808165B (zh) | 一种基于susan角点检测的红外图像匹配方法 | |
CN116485884B (zh) | 基于计算机视觉的精酿啤酒瓶口实时定位方法及系统 | |
CN117557565A (zh) | 一种锂电池极片的检测方法及其装置 | |
CN117218115A (zh) | 一种汽车配件漆面异常检测方法 | |
CN115994870B (zh) | 一种用于增强去噪的图像处理方法 | |
CN116894841B (zh) | 一种变速箱合金壳体质量视觉检测方法 |
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 |