CN118037722B - 一种铜管生产缺陷检测方法及系统 - Google Patents
一种铜管生产缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN118037722B CN118037722B CN202410433103.0A CN202410433103A CN118037722B CN 118037722 B CN118037722 B CN 118037722B CN 202410433103 A CN202410433103 A CN 202410433103A CN 118037722 B CN118037722 B CN 118037722B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- copper pipe
- pixel
- window
- value
- 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
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 128
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 128
- 239000010949 copper Substances 0.000 title claims abstract description 128
- 230000007547 defect Effects 0.000 title claims abstract description 126
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims description 12
- 230000002950 deficient Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 4
- 239000013598 vector Substances 0.000 description 22
- 230000002159 abnormal effect Effects 0.000 description 18
- 230000008859 change Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本发明涉及图像处理技术领域,更具体地,本发明涉及一种铜管生产缺陷检测方法及系统,方法包括:采集铜管表面图像,基于每个像素点的灰度值得到每个像素点的离群程度,通过每个像素点的位置对离群程度进行调整,划分每个像素点的窗口,根据每个像素点的窗口与多个相邻窗口中包含的灰度级和灰度值的差异,得到每个像素点的空间差异程度,基于调整后的离群程度和空间差异程度,筛选所有疑似缺陷像素点,对疑似缺陷像素点进行区域生长,得到疑似缺陷区域,利用卷积神经网络对所有疑似缺陷区域进行识别,避免了误检或漏检的情况产生,进而提高了铜管缺陷检测结果的准确性。
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,本发明涉及一种铜管生产缺陷检测方法及系统。
背景技术
在铜管生产领域中,由于原材料质量、生产工艺和设备、生产环境等多种因素的影响,可能会出现产品质量缺陷,如孔洞、裂纹、凹陷、划痕等,这些缺陷影响产品的使用性能和安全性,因此,需要对铜管的缺陷进行检测,以保证铜管的产品质量。
现有技术是利用区域生长法检测铜管表面图像中存在的缺陷区域,以实现对铜管生产质量的检测,但由于区域生长法是基于单一的灰度阈值或者纹理特征进行区域生长,对于微小的、不规则的缺陷区域或者边界模糊的缺陷区域,由于这些区域的灰度变化不均匀,区域生长容易产生提前终止或者提前结束,容易造成缺陷区域的过分割或欠分割的问题,导致误检或漏检的情况产生,进而影响到铜管缺陷检测结果的准确性。
发明内容
为解决上述一个或多个技术问题,本发明提出一种铜管生产缺陷检测方法及系统,提高了铜管缺陷检测的准确性。具体采用如下技术方案:一种铜管生产缺陷检测方法,包括:
采集铜管转动视频,提取所述转动视频的每一帧图像进行拼接,得到铜管表面图像;
基于所述铜管表面图像中每个像素点的灰度值得到所述每个像素点的离群程度,包括:
获取所述铜管表面图像中所有像素点的灰度均值和灰度标准差;
将所述每个像素点的灰度值与所述灰度均值的差值,除以所述灰度标准差,然后求取绝对值再进行归一化后的数值,作为所述每个像素点的离群程度;
通过所述每个像素点在所述铜管表面图像中的位置对所述每个像素点的离群程度进行调整,得到所述每个像素点调整后的离群程度,包括:
获取与所述每个像素点灰度值相同的所有像素点,作为所述每个像素点的同类像素点;
对所述每个像素点的位置坐标和所述每个像素点的同类像素点的位置坐标进行标准差归一化,得到的数值作为所述每个像素点的位置权重因子;
将所述每个像素点的离群程度和所述位置权重因子相乘,得到的数值作为所述每个像素点调整后的离群程度;
划分每个像素点的窗口;
根据所述每个像素点的窗口与所述窗口的多个相邻窗口中包含的灰度级和像素点数量的差异,得到所述每个像素点的空间差异程度,包括:
获取所述每个像素点的窗口的灰度直方图;
计算每个像素点的窗口的灰度直方图和所述窗口的每一个相邻窗口的灰度直方图之间的差异性,满足如下关系式:
;
式中,为所述每个像素点的窗口,/>为与所述窗口的任意一相邻窗口,为/>的灰度直方图与/>的灰度直方图之间的差异性,/>为灰度级,/>为/>内灰度级为/>的像素点数量,/>为窗口/>内灰度级为/>的像素点数量,/>为预设常数,为标准归一化函数;
将所述每个像素点的窗口的灰度直方图与所述多个相邻窗口的灰度直方图之间的差异性的平均值,作为所述每个像素点的空间差异程度;
基于所述每个像素点调整后的离群程度和所述每个像素点的空间差异程度,筛选所述铜管表面图像中的所有疑似缺陷像素点,包括:
计算所述每个像素点为疑似缺陷像素点的概率,包括:
将所述每个像素点调整后的离群程度与所述每个像素点的空间差异程度求和,再进行归一化操作,得到的数值作为所述每个像素点为疑似缺陷像素点的概率;
预设概率阈值;
若所述每个像素点为疑似缺陷像素点的概率大于或者等于所述概率阈值,则所述每个像素点为疑似缺陷像素点,否则,所述每个像素点为正常像素点;
对每个疑似缺陷像素点进行区域生长,将得到的生长区域作为所述铜管表面图像中的疑似缺陷区域;
利用卷积神经网络对所述铜管表面图像中的所有疑似缺陷区域进行识别。
进一步的,所述窗口的多个相邻窗口,包括:以所述窗口为中心的上方、下方、左方、右方总共四个相邻窗口。
进一步的,所述划分每个像素点的窗口,包括:
设定以所述每个像素点为中心,划分出像素点大小范围作为所述每个像素点的窗口,所述/>为预设窗口尺寸。
进一步的,所述利用卷积神经网络对所述铜管表面图像中的所有疑似缺陷区域进行识别,包括:
二值化增强:
获取到的疑似缺陷区域的像素点及其他像素点进行二值化处理,将所述铜管表面图像中每个疑似缺陷区域的像素点的灰度值设置为255,每个其他像素点的灰度值设置为0;
将增强后的铜管表面图像输入训练好的CNN卷积神经网络,对增强后的铜管表面图像中的疑似缺陷区域进行识别,输出结果为铜管表面图像是否存在缺陷以及是否存在缺陷的准确率;
设置阈值;
若输出结果为铜管表面图像存在缺陷,且存在缺陷的准确率大于所述阈值,则铜管表面存在缺陷,若存在缺陷的准确率小于或等于所述阈值,则铜管表面不存在缺陷;
若输出结果为铜管表面图像不存在缺陷,且不存在缺陷的准确率大于所述阈值,则铜管表面不存在缺陷,若不存在缺陷的准确率小于或等于所述阈值,则铜管表面存在缺陷。
本发明还提供一种铜管生产缺陷检测系统,所述缺陷检测系统包括存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序以实现以上任一项所述缺陷检测方法的步骤。
本发明具有以下效果:
本发明通过每个像素点在灰度上的特征得到该像素点的离群程度,然后根据每个像素点在图像中的位置对离群程度进行调整,综合灰度值和位置两个方面得到每个像素点的离群程度更符合像素点的在图像中的分布特征,再获取每个像素点的周围局部区域的灰度变化特征,结合像素点的离群程度和像素点的周围局部区域的灰度变化特征,选取出疑似异常像素点,并将疑似异常像素点作为种子点进行区域生长,从而能得到更准确地的缺陷区域,避免了传统方法中容易出现的误检和漏检情况,提高了铜管生产缺陷检测的准确性。
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是本发明的方法流程示意图。
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。
参照图1,一种铜管生产缺陷检测方法,包括步骤S1-S7,具体如下:
S1:采集铜管转动视频,提取所述转动视频的每一帧图像进行拼接,得到铜管表面图像。
铜管由于其几何结构的特点,易产生光照不均的现象,采集的图像存在两边阴影过大,阴影可能会覆盖掉铜管表面的缺陷,因此,为了避免光照不均对后续缺陷检测产生影响,本实施例中通过铜管转动视频获取到铜管在转动过程中的每一帧图像,并根据每一帧图像进行拼接,得到铜管的表面图像,以进行后续分析。
其中,提取所述转动视频的每一帧图像进行拼接,得到铜管表面图像,具体是利用摄像头采集铜管转动一圈的视频,并将该视频上传至云端,在云端对该视频进行一系列处理,包括:
S11:预处理,其具体包括:
提取所述视频中的每一帧图像,如所述铜管转动一圈的视频中共有X张帧图像,将这X张帧图像灰度化预处理,得到对应的X张灰度图;
S12:提取特征列,其具体包括:
对于每一张灰度图,获取每一列像素点的梯度方向向量,作为一个列向量,则一张灰度图中有多少列像素点就有多少个列向量,以X张灰度图中的图A和图B为例,将图像A中提取出最后一列像素点对应的列向量用表示,图像/>的每一列像素点对应的列向量构成的列向量集合为/>,其中,/>表示图像/>的列数,即图像/>中含有n列像素点;
S13:计算列向量差值,其具体包括:
计算图像的列向量集合/>中的每一个列向量与图像/>的列向量/>的差值,得到列向量差值集合/>,/>为图像B的第1列像素点对应的列向量/>与列向量/>的差值,/>为图像B的第2列像素点对应的列向量/>与列向量/>的差值,/>为图像B的第n列像素点对应的列向量/>与列向量/>的差值,此操作的目的是找到图像/>中与图像/>最相似的一列;
S14:求和并找最小值,其具体包括:
将列向量差值集合中的每一个列向量求和,得到一个行向量/>,然后,找出/>中的最小值,用/>表示,/>在图像B中对应的列就是图像/>中与图像/>的最后一列最相似的列;
S15:定位相似列,使用的/>函数,找到最小值/>在行向量中的位置信息,用/>表示,这里的/>表示了与图像A最后一列最相似的列在图像B中的横坐标位置;
S16:图像拼接,根据找到的值,删除图像B中位于/>左侧的部分,并将/>右侧的部分与图像A进行拼接,重复上述步骤,完成每相邻图像的拼接,直至完成每张图像铜管表面的拼接,得到最终的拼接图像是铜管整个一圈的外表面图像,后续统一称为铜管表面图像。
S2:基于所述铜管表面图像中每个像素点的灰度值得到所述每个像素点的离群程度。
其中,所述每个像素点的离群程度,具体获取方法为:先获取铜管表面图像中所有像素点的灰度均值和所有像素点的灰度标准差,再将所述每个像素点的灰度值与所述灰度均值的差值,除以所述灰度标准差,得到的数值再求取绝对值后进行归一化,最终得到的数值作为所述每个像素点的离群程度。
一个具体的示例中,以铜管表面图像中的第i个像素点为例,先获取铜管表面图像中所有像素点的灰度均值和灰度标准差/>;
则第i个像素点的离群程度,用公式表述为:
式中,表示第i个像素点的离群程度,/>表示第/>个像素点的灰度值,/>表示铜管表面图像中所有像素点的灰度值均值,/>表示铜管表面图像中所有像素点的灰度值的标准差,即灰度标准差,/>表示求取绝对值,/>表示标准归一化函数。
需要说明的是,离群程度相当于是对像素点的灰度值进行标准化处理后得到的值,像素点的离群程度表示了像素点的灰度特征,具体为像素点的灰度值在整体图像的灰度分布中的相对位置,的值表示了第i个像素点的灰度值相对于铜管表面图像中灰度均值的偏离程度,并且这种偏离程度是以标准差/>为单位的,取绝对值是因为像素点的灰度值与均值灰度值之间差值可能是负值,取绝对值不影响二者之间的差异程度,同时也方便了后续的计算。
如果像素点的离群程度接近于1,说明该像素点的灰度值越远离整体图像的灰度均值,像素点从灰度特征上来看,与整体图像之间的偏离程度较大,像素点越可能是一个离群像素点,如果像素点的离群程度接近于0,说明该像素点的灰度值越靠近整体图像的灰度均值,则像素点从灰度特征上来看,与整体图像之间的偏离程度较小,越可能不是一个离群像素点,按照本步骤的方法,获取到铜管表面图像中每个像素点的离群程度。
进一步说明的是,虽然本步骤基于像素点的灰度特征得到了像素点的离群程度,但是,在实际场景中,铜管表面图像中的每一个灰度值,都会对应多个像素点,这些灰度相同的像素点在铜管表面图像中所处的位置和区域也不尽相同,若仅仅按照本步骤使用像素点的灰度值与整体图像的灰度值的偏差得到的每个像素点的离群程度,没有考虑到像素点在铜管表面图像中的空间位置分布差异,会对所有具有相同灰度值的像素点赋予相同的离群程度,即使它们位于铜管表面图像中的不同位置,也会导致缺陷检测时其无法捕捉到每个像素点在局部区域的灰度变化或纹理变化,而这些信息对于识别缺陷至关重要,为了更准确地评估像素点的离群程度,将在后续步骤中通过对像素点在铜管表面图像中的空间位置进行分析,以得到更准确的离群程度。
S3:通过所述每个像素点在所述铜管表面图像中的位置对所述每个像素点的离群程度进行调整,得到所述每个像素点调整后的离群程度;
其中,基于每个像素点在所述铜管表面图像中的位置对所述每个像素点的离群程度进行调整,包括:
先选取任意一个像素点,获取与该像素点灰度相同的所有像素点,作为该像素点的同类像素点;
引入每个像素点的位置权重因子,具体每个像素点的位置权重因子,获取方法为:对所述每个像素点的位置坐标和所述每个像素点的同类像素点的位置坐标进行标准差归一化,得到的数值作为所述每个像素点的位置权重因子。
通过将每个像素点的位置权重因子与每个像素点的离群程度相乘,得到的值作为每个像素点调整后的离群程度。
一个具体的示例中,以钢管表面图像中的第i个像素点为例,其位置权重因子,满足如下关系式:
公式中,为钢管表面图像中的第i个像素点的位置权重因子,/>为第i个像素点在图像中的位置的横坐标,/>为第i个像素点在图像中的位置的纵坐标,/>为钢管表面图像中第i个像素点的同类像素点的数量,/>为第i个像素点的同类像素点的序号,也就是第/>个同类像素点,/>为第/>个同类像素点的横坐标,/>第/>个同类像素点的纵坐标,/>为所有同类像素点的横坐标均值,/>为所有同类像素点的纵坐标均值,该公式是对所述每个像素点的位置坐标和其同类像素点的位置坐标进行标准差归一化操作。
该公式中:
表示第/>个像素点在x方向和y方向上与所有同类像素点的中心位置之间的距离,反映了位置差异,/>表示所有同类像素点在x方向和y方向上的坐标值的标准差,即位置标准差,此公式通过标准差归一化的方法,得到每个像素点的位置权重因子,反映同一灰度值的像素点的位置差异。
利用第i个像素点的位置权重因子对第i个像素点的离群程度进行调整,具体用公式表述为:
式中,表示第i个像素点调整后的离群程度,/>为第i个像素点的位置权重因子,为第i个像素点的离群程度,该公式将每个像素点的离群程度与同类像素点的空间位置分布相结合,以对每个像素点的离群程度进行评估。
需要说明的是,位置权重因子是根据像素点与其同类像素点位置之间的距离来计算的,距离反映了像素点在其同类像素点中的空间位置差异,即像素点相对于其它同类像素点的偏移程度,同时,需要考虑这种位置差异在整个同类像素点分布中的相对大小。因此,使用位置标准差来对位置差异进行归一化,位置标准差表示了所有灰度值为的像素点在x方向和y方向上的位置变化范围,通过将位置差异除以位置标准差,我们可以得到一个归一化的位置权重因子,它反映了某个像素点与其同类像素点的空间位置差异相对于同类像素点整体上空间位置差异的大小,即使灰度值相同的像素点,由于在图像中的位置不同,其离群程度也不同,更符合图像的实际特征,根据每个像素点归一化的位置权重因子对每个像素点的离群程度进行调整,得到每个像素点更准确的离群程度。
对于同一灰度值的多个像素点,将其位置作为权重,通过加权获取不同位置像素点的离群程度,目的是相同灰度值的像素点中每一个的像素点的离群程度都不同,进而获取到每个灰度值对应的所有像素点的离群程度,以更好的突出其纹理特征。
S4:划分每个像素点的窗口,根据所述每个像素点的窗口与所述窗口的多个相邻窗口中包含的灰度级和像素点数量的差异,得到所述每个像素点的空间差异程度。
其中,划分每个像素点的窗口,方法为:
预设窗口尺寸为,本实施例中设定/>具体可自行设定,也就是定义一个像素点大小的窗口,以每个像素点为中心,划分出/>像素点大小范围作为该像素点的窗口,窗口用于捕捉每个像素点周围的局部灰度信息。
其中,所述每个像素点的空间差异程度,获取方法包括:
对于每个像素点的窗口,获取该窗口范围内的灰度直方图,灰度直方图统计了窗口内的像素点包含的灰度级,以及每个灰度级包含的像素点数量;
获取每个像素点的窗口和该窗口多个相邻窗口,多个相邻窗口具体为四邻域窗口,包括窗口/>的上、下、左、右共四个方向的相邻窗口;
计算每个像素点的窗口的灰度直方图和每一个相邻窗口的灰度直方图之间的差异性,该计算满足如下关系式:
式中,为/>的四个相邻窗口中的任意一个相邻窗口,/>表示窗口/>和窗口/>的灰度直方图之间的差异性,/>表示窗口/>内灰度级为/>的像素点数量,/>表示窗口/>内灰度级为/>的像素点数量,/>为预设常数,本实施例中设定/>为0.1,/>是为了避免分母为零产生的计算错误,/>表示窗口/>和窗口/>的灰度直方图在灰度级/>上对应的像素点数量的差异,值越大,表明差异越大,说明这两个窗口在灰度级/>上的像素点分布越不相似,也就是这两个窗口在灰度级/>上的相似性越低,值越小,表示这两个窗口在灰度级k上的相似性越大,/>表示这两个窗口灰度级/>上的对应的像素点数量之和,/>表示标准归一化函数。
然后,按照此方法,计算出获取每个像素点的窗口与其四个相邻窗口的灰度直方图之间的差异性,总共得到四个/>值,将这四个/>值的均值作为所述每个像素点的空间分布差异程度,以第i个像素点为例,按照此方法计算出第i个像素点所在的窗口与四邻域窗口的灰度直方图之间的差异性,然后计算均值,得到第i个像素点的空间差异程度/>;
像素点的空间差异程度是通过一个单一的数值来描述该像素点周围的空间变化,可以将像素点的空间差异程度作为像素点的周围灰度变化的一个量化指标,如果像素点的空间差异程度的值越大,越意味着该像素点周围的灰度分布,即像素点的局部区域与局部区域的相邻区域的灰度分布有着显著的不同,该像素点越可能为铜管表面存在潜在缺陷的像素点,相反,如果像素点的空间差异程度的值较小,则表明该像素点的局部区域与局部区域的相邻区域的灰度分布较为相似,该像素点周围的灰度变化较为平滑,该像素点为铜管表面的正常像素点的可能性越高。
需要说明的是,在前述步骤中获取像素点的离群程度时,通常是将像素点的特征与图像整体的特征进行比较,由于铜管表面的擦痕、凹陷、孔洞等缺陷,通常表现出局部范围的、非规则的纹理或形状变化,这些变化在图像整体的特征中可能被平均化或模糊化,但在局部特征中则更加明显,而且图像中的噪声也可能导致像素点的灰度值与整体均值有较大差异,从而表现为离群点,但这些噪声像素点通常在图像上是随机分布的,而图像中的真实缺陷往往具有一定的空间结构和连续性,通过分析像素点的空间特征,可以将这些噪声像素点与真正的缺陷像素点进行区分,因此,本步骤进一步通过比较每一个像素点所在窗口的灰度直方图与其相邻窗口的灰度直方图之间的差异,可以捕捉到该像素点局部区域的灰度分布变化,以便进一步更准确对图像中的像素点是否异常进行判断。
S5:基于所述每个像素点调整后的离群程度和所述每个像素点的空间差异程度,筛选所述铜管表面图像中的所有疑似缺陷像素点;
其中,所述铜管表面图像中的疑似像素点的获取方法,包括:
首先,计算每个像素点为疑似异常像素点的概率,具体计算方法是,将每个像素点调整后的离群程度与空间差异程度之和归一化后的值,作为该像素点为疑似异常像素点的概率;
以第i个像素点为例,第i个像素点为疑似异常像素点的概率,用公式表示为:
式中,表示第i个像素点为疑似异常像素点的概率,/>表示第i个像素点调整后的离群程度,/>表示第i个像素点的空间差异程度,/>表示标准归一化函数,/>越大,表明第i个像素点的离群程度越大,第i个像素点越可能为异常像素点或噪声像素点,/>越大,表明第i个像素点与周围像素点的灰度差异程度较大,说明第i个像素点越可能为异常像素点,该公式将像素点与整体图像的特征差异和该像素点与其所在的局部范围内像素点的特征差异进行结合,综合考虑像素点的灰度分布特征和位置分布特征,得到像素点为疑似异常像素点的概率,概率越大,表明该像素点越可能是异常像素点。
然后,预设概率阈值,本实施例取/>,该值为经验值,本实施例不进行具体限定,/>根据实施者的具体实施情况而定,像素点为疑似异常像素点的概率大于或等于/>,表示该像素点在灰度值和空间分布上都与周围像素点有显著差异,则认为第/>个像素点为疑似异常像素点,反之,若像素点为疑似异常像素点的概率小于/>,表示该像素点在灰度和空间分布上都与周围像素点相似,则认为该像素点为正常像素点。
最后,按照本步骤的方法,获取图像中的所有疑似异常像素点。
S6:对每个疑似缺陷像素点进行区域生长,将得到的生长区域作为所述铜管表面图像中的疑似缺陷区域。
具体是以每个疑似缺陷像素点为种子点,利用区域生长算法对每个疑似异常像素点进行区域生长,得到每个疑似异常像素点对应的生长区域,作为疑似缺陷区域,即每一个疑似异常像素点,通过区域生长算法,都会生长出一个疑似缺陷区域,则按照此方法可以得到图像中的所有疑似缺陷区域。
S7:利用卷积神经网络对所述铜管表面图像中的所有疑似缺陷区域进行识别。
在利用卷积神经网络识别疑似缺陷区域对应的缺陷类型之前,先将获取到的疑似缺陷区域的像素点及正常像素点进行二值化处理,将图像中每个疑似缺陷区域的像素点的灰度值设置为255,即图像中的白色区域表示缺陷,将图像中的正常像素点的灰度值设置为0,即图像中的黑色区域表示正常,经过二值化处理后,铜管表面的图像被转换为黑白图像,缺陷区域以明显的白色显示出来,从而实现了铜管表面图像的增强,以能够更清晰地识别和定位图像中的缺陷。
接着,训练CNN-Encoder结构的卷积神经网络,采集存在缺陷的铜管表面图像作为训练集,对神经网络进行训练,神经网络的编码器提取图像特征,全连接层对图像特征进行处理,神经网络的损失函数为二元交叉熵损失函数,神经网络的输出为图像中是否存在缺陷以及是否存在缺陷的准确率,直至得到训练好的卷积神经网络。
然后,将增强后的铜管表面图像输入训练好的CNN卷积神经网络,对增强后的铜管表面图像中的疑似缺陷区域进行识别,输出结果为铜管表面图像是否存在缺陷以及是否存在缺陷的准确率;
设置阈值;
若输出结果为铜管表面图像存在缺陷,且存在缺陷的准确率大于所述阈值,则铜管表面存在缺陷,若存在缺陷的准确率小于或等于所述阈值,则铜管表面不存在缺陷;
若输出结果为铜管表面图像不存在缺陷,且不存在缺陷的准确率大于所述阈值,则铜管表面不存在缺陷,若不存在缺陷的准确率小于或等于所述阈值,则铜管表面存在缺陷。
一个具体的示例中,输出的结果可能为:
结论1:铜管表面存在缺陷,结论1的准确率为30%,结论2:铜管表面不存在缺陷,结论2的准确率为20%,结论3:铜管表面不存在缺陷,结论3的准确率为80%,结论4:铜管表面存在缺陷,结论的4的准确率为90%”,可知,输出结果包含结论和结论的准确率,结论的准确率越高,结论越可靠,反之,越不可靠。
根据经验值,设置阈值,本实施例中/>的经验值为0.7,具体可根据实施者自行设定,若铜管表面图像存在缺陷,且准确率大于0.7,则认为铜管表面图像中存在缺陷,若铜管表面图像存在缺陷,且准确率小于或等于0.7,则认为铜管表面图像中不存在缺陷;
若铜管图像不存在缺陷,且准确率大于0.7,则认为铜管表面图像中不存在缺陷,若铜管表面图像不存在缺陷,且准确率小于或等于0.7,则认为铜管表面中存在缺陷,按照此方法,完成铜管表面图像中的缺陷识别,得到的识别结果也就是铜管生产的缺陷检测结果。
本发明还提供了一种铜管生产缺陷检测系统,所述缺陷检测系统包括存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序以实现如S1-S7任一项所述方法的步骤,以完成铜管表面图像中的缺陷识别,得到铜管生产的缺陷检测结果。
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 (5)
1.一种铜管生产缺陷检测方法,其特征在于,包括:
采集铜管转动视频,提取所述转动视频的每一帧图像进行拼接,得到铜管表面图像;
基于所述铜管表面图像中每个像素点的灰度值得到所述每个像素点的离群程度,包括:
获取所述铜管表面图像中所有像素点的灰度均值和灰度标准差;
将所述每个像素点的灰度值与所述灰度均值的差值,除以所述灰度标准差,然后求取绝对值再进行归一化后的数值,作为所述每个像素点的离群程度;
通过所述每个像素点在所述铜管表面图像中的位置对所述每个像素点的离群程度进行调整,得到所述每个像素点调整后的离群程度,包括:
获取与所述每个像素点灰度值相同的所有像素点,作为所述每个像素点的同类像素点;
对所述每个像素点的位置坐标和所述每个像素点的同类像素点的位置坐标进行标准差归一化,得到的数值作为所述每个像素点的位置权重因子;
将所述每个像素点的离群程度和所述位置权重因子相乘,得到的数值作为所述每个像素点调整后的离群程度;
划分每个像素点的窗口;
根据所述每个像素点的窗口与所述窗口的多个相邻窗口中包含的灰度级和像素点数量的差异,得到所述每个像素点的空间差异程度,包括:
获取所述每个像素点的窗口的灰度直方图;
计算每个像素点的窗口的灰度直方图和所述窗口的每一个相邻窗口的灰度直方图之间的差异性,满足如下关系式:
;
式中,为所述每个像素点的窗口,/>为与所述窗口的任意一相邻窗口,/>为的灰度直方图与/>的灰度直方图之间的差异性,/>为灰度级,/>为/>内灰度级为/>的像素点数量,/>为窗口/>内灰度级为/>的像素点数量,/>为预设常数,/>为标准归一化函数;
将所述每个像素点的窗口的灰度直方图与所述多个相邻窗口的灰度直方图之间的差异性的平均值,作为所述每个像素点的空间差异程度;
基于所述每个像素点调整后的离群程度和所述每个像素点的空间差异程度,筛选所述铜管表面图像中的所有疑似缺陷像素点,包括:
计算所述每个像素点为疑似缺陷像素点的概率,包括:
将所述每个像素点调整后的离群程度与所述每个像素点的空间差异程度求和,再进行归一化操作,得到的数值作为所述每个像素点为疑似缺陷像素点的概率;
预设概率阈值;
若所述每个像素点为疑似缺陷像素点的概率大于或者等于所述概率阈值,则所述每个像素点为疑似缺陷像素点,否则,所述每个像素点为正常像素点;
对每个疑似缺陷像素点进行区域生长,将得到的生长区域作为所述铜管表面图像中的疑似缺陷区域;
利用卷积神经网络对所述铜管表面图像中的所有疑似缺陷区域进行识别。
2.根据权利要求1所述的一种铜管生产缺陷检测方法,其特征在于,所述窗口的多个相邻窗口,包括:以所述窗口为中心的上方、下方、左方、右方总共四个相邻窗口。
3.根据权利要求2所述的一种铜管生产缺陷检测方法,其特征在于,所述划分每个像素点的窗口,包括:
设定以所述每个像素点为中心,划分出像素点大小范围作为所述每个像素点的窗口,所述/>为预设窗口尺寸。
4.根据权利要求3所述的一种铜管生产缺陷检测方法,其特征在于,所述利用卷积神经网络对所述铜管表面图像中的所有疑似缺陷区域进行识别,包括:
二值化增强:
获取到的疑似缺陷区域的像素点及其他像素点进行二值化处理,将所述铜管表面图像中每个疑似缺陷区域的像素点的灰度值设置为255,每个其他像素点的灰度值设置为0;
将增强后的铜管表面图像输入训练好的CNN卷积神经网络,对增强后的铜管表面图像中的疑似缺陷区域进行识别,输出结果为铜管表面图像是否存在缺陷以及是否存在缺陷的准确率;
设置阈值;
若输出结果为铜管表面图像存在缺陷,且存在缺陷的准确率大于所述阈值,则铜管表面存在缺陷,若存在缺陷的准确率小于或等于所述阈值,则铜管表面不存在缺陷;
若输出结果为铜管表面图像不存在缺陷,且不存在缺陷的准确率大于所述阈值,则铜管表面不存在缺陷,若不存在缺陷的准确率小于或等于所述阈值,则铜管表面存在缺陷。
5.一种铜管生产缺陷检测系统,其特征在于,所述缺陷检测系统包括存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序以实现如权利要求1-4任一项所述缺陷检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410433103.0A CN118037722B (zh) | 2024-04-11 | 一种铜管生产缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410433103.0A CN118037722B (zh) | 2024-04-11 | 一种铜管生产缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118037722A CN118037722A (zh) | 2024-05-14 |
CN118037722B true CN118037722B (zh) | 2024-06-07 |
Family
ID=
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103389312A (zh) * | 2012-05-08 | 2013-11-13 | 珠海格力电器股份有限公司 | 铜管检测系统 |
JP2022073083A (ja) * | 2020-10-30 | 2022-05-17 | 国立研究開発法人物質・材料研究機構 | 画像処理方法、画像処理装置、x線回折装置およびプログラム |
CN115082444A (zh) * | 2022-07-25 | 2022-09-20 | 南通宏大实验仪器有限公司 | 一种基于图像处理的铜管焊缝缺陷检测方法及系统 |
CN116930192A (zh) * | 2023-07-26 | 2023-10-24 | 常州润来科技有限公司 | 一种高精度铜管缺陷检测方法及系统 |
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103389312A (zh) * | 2012-05-08 | 2013-11-13 | 珠海格力电器股份有限公司 | 铜管检测系统 |
JP2022073083A (ja) * | 2020-10-30 | 2022-05-17 | 国立研究開発法人物質・材料研究機構 | 画像処理方法、画像処理装置、x線回折装置およびプログラム |
CN115082444A (zh) * | 2022-07-25 | 2022-09-20 | 南通宏大实验仪器有限公司 | 一种基于图像处理的铜管焊缝缺陷检测方法及系统 |
CN116930192A (zh) * | 2023-07-26 | 2023-10-24 | 常州润来科技有限公司 | 一种高精度铜管缺陷检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN113109368B (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
CN116934740B (zh) | 基于图像处理的塑料模具表面缺陷分析检测方法 | |
CN115131354B (zh) | 一种基于光学手段的实验室用塑料薄膜缺陷检测方法 | |
CN115294140A (zh) | 一种五金零件缺陷检测方法及系统 | |
CN115311267B (zh) | 一种格纹织物异常检测方法 | |
CN116721107B (zh) | 一种电缆生产质量智能监控系统 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN117173187B (zh) | 一种阀门故障智能检测系统 | |
CN116758083A (zh) | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 | |
CN116188468B (zh) | 一种hdmi线缆传输分拣智能控制系统 | |
CN116245880A (zh) | 基于红外识别的电动车充电桩火灾风险检测方法 | |
CN117876971B (zh) | 基于机器视觉的建筑施工安全监测及预警方法 | |
CN116485779A (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN117314901B (zh) | 一种尺度自适应的芯片检测神经网络系统 | |
CN116152255B (zh) | 一种改性塑料生产瑕疵判断方法 | |
CN117333489A (zh) | 一种薄膜破损检测装置及检测系统 | |
CN118037722B (zh) | 一种铜管生产缺陷检测方法及系统 | |
CN116543238A (zh) | 一种电缆绝缘层的图像检测方法 | |
CN118037722A (zh) | 一种铜管生产缺陷检测方法及系统 | |
CN112085683B (zh) | 一种显著性检测中的深度图可信度检测方法 | |
CN114742849A (zh) | 一种基于图像增强的水准仪距离测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |