CN107680086A - 一种既有弧形边又有直线边的材料轮廓缺陷检测方法 - Google Patents
一种既有弧形边又有直线边的材料轮廓缺陷检测方法 Download PDFInfo
- Publication number
- CN107680086A CN107680086A CN201710888019.8A CN201710888019A CN107680086A CN 107680086 A CN107680086 A CN 107680086A CN 201710888019 A CN201710888019 A CN 201710888019A CN 107680086 A CN107680086 A CN 107680086A
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- msub
- profile
- mtd
- 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
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-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
- G06T7/13—Edge detection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
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)
- Image Processing (AREA)
Abstract
该发明公开了一种既有弧形边又有直线边的材料轮廓缺陷检测方法,一种光学检测方法,具体的说是一种检测弧形磁性材料表面缺角而设计的检测方法。将直线边部分和弧形边部分分开,并分别给出了相应的轮廓缺陷检测方法,解决了带有弧形边的材料的表面轮廓缺陷检测问题。该方法是一种操作简单、快速、有效的检测弧形磁性材料表面轮廓缺角的自动光学检测方法,并且能达到实际检测需求。
Description
技术领域
本发明是一种光学检测方法,具体的说是一种检测弧形磁性材料表面缺角而设计的检测方法。
背景技术
稀土永磁材料作为一种高性能功能材料,被广泛应用于能源、交通、机械、医疗、IT、家电等领域,已成为许多高新技术产业的基础。而钕铁硼作为第三代稀土永磁材料,具有综合优异磁性能、价格相对较低等优点,因此近年来在科研、生产、应用方面都得到了迅速发展。由于磁性材料在生产过程中会产生很多类型的缺陷,如缺角、起泡、开裂、腐蚀等。磁性材料的出厂质量把关尤其重要。目前针对国内厂商大部分采用的是人工检测方式,人工检测中工人劳动强度大,受限于工人的精神状态、检测熟练水平、经验积累水平以及工作环境等多方面因素,检测效率低、速度慢、器件的一致性标准难以得到保证。检测过程中由于人工疲劳,不可避免的产生错检、漏检,极大地限制了磁性材料产业的产能。针对目前磁性材料产业任务重,要求检测效率高等特点,最好的方法就是采用基于AOI(自动光学检测)的磁性材料检测***。
发明内容
本发明针对背景技术的不足,所需要解决地技术问题是设计一种操作简单、快速、有效的检测弧形磁性材料表面轮廓缺角的自动光学检测方法,并且能达到检测需求。
本发明一种既有弧形边又有直线边的材料轮廓缺陷检测方法,该方法包括:
步骤1:获取带弧形区域磁性材料正面灰度图像,并对得到的灰度图像进行二值化;
步骤2:提取图像的边缘轮廓;
步骤3:将步骤2提取的边缘轮廓分为直线轮廓和曲线轮廓两部分;
步骤4:直线轮廓部分采用凸包的检测方法,判断是否存在缺陷;
步骤5:曲线轮廓部分通过轮廓上的点到弧形两个顶点所连接的直线的距离以及与两个顶点形成夹角的余弦值,判断是否存在缺陷;
步骤5.1:将步骤3中得到的曲线部分两个端点相连,并计算轮廓上每个点到两个端点相连的直线的距离d;
步骤5.2:计算轮廓上每个点与两个端点所形成夹角的余弦值cosθ;
步骤5.3:对轮廓上的每个点所求得的距离和余弦值与没有缺陷的标准图像上相应位置的点的距离d和余弦值cosθ做比较,若距离d与余弦值cosθ与标准值的差值均大于一定的阈值,则该处存在缺陷。
进一步的,所述该方法用于元宝形磁性材料的轮廓缺陷检测。
进一步的,所述步骤2的方法为:
步骤2.1:用一个高斯滤波器平滑输入图像,得到平滑后的图像:
fs2(x,y)=G(x,y)*f2(x,y);
其中,f2(x,y)表示输入图像,即步骤1获得的二值图像,fs2(x,y)表示对输入图像平滑后的图像,G(x,y)表示高斯函数,(x,y)表示磁性材料表面图像中的像素坐标值,σ2表示高斯函数G(x,y)的方差,“*”表示卷积;
步骤2.2:根据平滑后的图像,计算提取梯度幅值图像和梯度角度图像:
其中,M2(x,y)表示梯度幅值图像,α2(x,y)表示梯度角度图像,表示平滑后的图像fs2(x,y)在x方向的偏导数,表示平滑后的图像fs2(x,y)在y方向的偏导数;
步骤2.3:采用非极大值对梯度幅值图像M2(x,y)进行抑制:首先,令d1,d2,d3、d4分别表示四个基本边缘方向:水平方向0°、水平方向-45°、垂直方向90°、垂直方向45°;然后寻找最接近α2(x,y)的dk(k=1,2,3,4);最后,如果M2(x,y)的值小于沿dk方向的两个邻居值之一,则令gN2(x,y)=0,否则,令gN2(x,y)=M2(x,y),这里gN2(x,y)表示非极大值抑制后的图像,N表示非极大值抑制;
步骤2.4:用双阈值处理来检测非极大值抑制后的图像gN2(x,y)的边缘:
其中,TH2表示高阈值,TL2表示低阈值,gNH2(x,y)表示图像gN2(x,y)经过高阈值TH2分割后的图像,gNL2(x,y)表示gN2(x,y)经过低阈值TL2分割后的图像;
步骤2.5:对步骤2.4获得的图像以gNH2(x,y)为基础,以gNL2(x,y)为补充来连接图像的边缘;
(a)对图像gNH2(x,y)进行扫描,当遇到一个非零灰度的像素p(x,y)时,跟踪以p(x,y)为开始点的轮廓线,直到轮廓线的终点q(x,y);
(b)考察图像gNL2(x,y)与图像gNH2(x,y)中q(x,y)点位置对应的点s(x,y)的8邻近区域;如果在s(x,y)点的8临近区域中有非零像素存在,则将该像素点包括到图像gNH2(x,y)中,作为轮廓点r(x,y)点;从r(x,y)点开始,返回步骤(a),直到我们在图像gNL2(x,y)和图像gNH2(x,y)中都无法继续为止;
(c)当完成对包含p(x,y)的轮廓线之后,将这条轮廓线标记为已经访问;返回步骤(a),寻找下一条轮廓线;直到图像gNH2(x,y)中找不到新轮廓线为止,得到用Canny边缘检测形成最终的输出图像g2(x,y)。
进一步的,所述步骤4的具体方法为:
步骤4.1:用直线段将步骤3得到直线轮廓部分两个端点相连得到一个封闭的轮廓;并对轮廓进行孔洞填充,将其作为图像A;
步骤4.2:对图像A其凸包,再对凸包的轮廓进行孔洞填充,将其作为图像B;
步骤4.3:对图像A与图像B求差值;
步骤4.4:对步骤4.3中得到的差值图像进行开运算,得到结果图,根据结果图判断直边是否存在缺陷。
本发明提出了一种既有弧形边又有直线边的材料轮廓缺陷检测方法,将直线边部分和弧形边部分分开,并分别给出了相应的轮廓缺陷检测方法,解决了带有弧形边的材料的表面轮廓缺陷检测问题。
附图说明
图1为既有弧形边又有直线边材料的轮廓示意图;
图2为弧形边与直线边的分割方式,按照图2所示将轮廓分为两部分;
图3为通过计算轮廓上每个点到两个端点相连的直线的距离检测弧形边缺陷的示意图;
图4为通过计算余弦值检测弧形边缺陷的示意图;
具体实施方式
本发明一种既有弧形边又有直线边的材料轮廓缺陷检测方法,该方法包括:
步骤1:获取元宝形磁性材料正面灰度图像,并对得到的灰度图像进行二值化;
步骤2:提取图像的边缘轮廓;
步骤2.1:用一个高斯滤波器平滑输入图像,得到平滑后的图像:
fs2(x,y)=G(x,y)*f2(x,y);
其中,f2(x,y)表示输入图像,即灰度处理后的元宝形磁性材料表面图像,fs2(x,y)表示对输入图像平滑后的图像,G(x,y)表示高斯函数,(x,y)表示磁性材料表面图像中的像素坐标值,σ2表示高斯函数G(x,y)的方差,“*”表示卷积。
步骤2.2:根据平滑后的图像,计算提取梯度幅值图像和梯度角度图像:
其中,M2(x,y)表示梯度幅值图像,α2(x,y)表示梯度角度图像,表示平滑后的图像fs2(x,y)在x方向的偏导数,表示平滑后的图像fs2(x,y)在y方向的偏导数。
步骤213:采用非极大值对梯度幅值图像M2(x,y)进行抑制:首先,令d1,d2,d3和d4表示四个基本边缘方向:水平方向(0°)、-45°、垂直方向(90°)、45°;然后寻找最接近α2(x,y)的dk(k=1,2,3,4);最后,如果M2(x,y)的值小于沿dk方向的两个邻居值之一,则令gN2(x,y)=0(抑制),否则,令gN2(x,y)=M2(x,y),这里gN2(x,y)是非极大值抑制后的图像,N表示非极大值抑制。
步骤2.4:用双阈值处理来检测非极大值抑制后的图像gN(x,y)的边缘,:
其中,TH2表示高阈值,TL2表示低阈值,gNH2(x,y)表示非极大值抑制后的图像gN2(x,y)经过高阈值TH2分割后的图像,gNL2(x,y)表示非极大值抑制后的图像gN2(x,y)经过低阈值TL2分割后的图像。阈值处理后,gNH2(x,y)的非零元素通常比gNL2(x,y)少,但是gNH2(x,y)中所有非零像素都包含在gNL2(x,y)中,因为gNL2(x,y)是使用一个低的阈值形成的,通过令g'NL2(x,y)=gNL2(x,y)-gNH2(x,y);式中,从gNL2(x,y)中删除所有来自gNH2(x,y)的非零元素。此时,gNH2(x,y)和g'NL2(x,y)中的非零像素分别看成是“强”和“弱”边缘像素。
步骤2.5:对步骤2.4获得的图像以gNH2(x,y)为基础,以gNL2(x,y)为补充来连接图像的边缘。
(a)对图像gNH2(x,y)进行扫描,当遇到一个非零灰度的像素p(x,y)时,跟踪以p(x,y)为开始点的轮廓线,直到轮廓线的终点q(x,y)。
(b)考察图像gNL2(x,y)与图像gNH2(x,y)中q(x,y)点位置对应的点s(x,y)的8邻近区域。如果在s(x,y)点的8临近区域中有非零像素s(x,y)存在,则将其包括到图像gNH2(x,y)中,作为r(x,y)点。从r(x,y)开始,重复第一步,直到我们在图像gNL2(x,y)和图像gNH2(x,y)中都无法继续为止。
(c)当完成对包含p(x,y)的轮廓线之后,将这条轮廓线标记为已经访问。回到第一步,寻找下一条轮廓线。重复第一步、第二步、第三步,直到图像gNH2(x,y)中找不到新轮廓线为止,得到用Canny边缘检测形成最终的输出图像g2(x,y)。
步骤3:将步骤2提取的边缘轮廓分为直线轮廓和曲线轮廓两部分;
步骤3.1:求出边缘轮廓的外接矩形以及外接矩形与X坐标轴夹角θ;
步骤3.2:将边缘轮廓顺时针旋转θ角度到弧形部分在正上方。
步骤3.3:寻找轮廓中弧形的两个端点,即最上方的两个顶点,将边缘轮廓分为直线和曲线两部分,如图2所示。
步骤4:直线轮廓部分采用凸包的检测方法,判断是否存在缺陷;
步骤4.1:用直线段将步骤33中直线部分轮廓两个端点相连得到一个封闭的轮廓。并对轮廓进行孔洞填充,将其作为图像A,具体步骤如下:
步骤4.1.1:从上到下逐行扫描二值图像,搜索图像中第一个灰度值为255的像素点s,该点也是第一个目标区域起始点。
步骤4.1.2:将s放在线性序列G中,并以s为种子利用区域生长的方法将当前连通域内所有点加入G中。
步骤4.1.3:搜索G中所有点,对扫描的每一点P,如果P的8邻域内有灰度值为0的点且该点不属于步骤41所寻找到的轮廓集合,则判断该点为孔洞边界点。搜索完毕后将所有孔洞边界点存储在序列E中。
步骤4.1.4:以序列E中所有点为种子点,以步骤41所寻找到的轮廓集合作为边界,利用区域生长方法在二值图像中对黑色区域进行填充,待序列E为空时,完成填充。
步骤4.2:对步骤41中的封闭的轮廓求其凸包,再对凸包的轮廓进行孔洞填充,将其作为图像B。
本发明采用穷举法求凸包:
思路:两点确定一条直线,如果剩余的其它点都在这条直线的同一侧,则这两个点是凸包上的点,否则就不是。
(1)将外部轮廓所有顶点两两配对,组成6条直线。
(2)对于每条直线,再检查剩余的2个顶点是否在直线的同一侧。
判断一个点p3在直线p1p2左边还是右边方法:
当上式结果为正时,p3在直线p1p2的左侧;当结果为负时,p3在直线p1p2右边。
步骤4.3:对图像A与图像B求差值。
步骤4.4:对步骤43中得到的差值图像进行开运算,得到结果图。根据结果图,判断三条直边是否存在缺陷。
步骤5:曲线轮廓部分通过轮廓上的点到弧形两个顶点所连接的直线的距离以及与两个顶点形成夹角的余弦值,判断是否存在缺陷;
步骤5.1:将步骤3中得到的曲线部分两个端点相连,并计算轮廓上每个点到两个端点相连的直线的距离d;
步骤5.2:计算轮廓上每个点与两个端点所形成夹角的余弦值cosθ;
步骤5.3:对轮廓上的每个点所求得的距离和余弦值与没有缺陷的标准图像上相应位置的点的距离d和余弦值cosθ做比较,若距离d与余弦值cosθ与标准值的差值均大于一定的阈值,则该处存在缺陷。
Claims (4)
1.一种既有弧形边又有直线边的材料轮廓缺陷检测方法,该方法包括:
步骤1:获取带弧形区域磁性材料正面灰度图像,并对得到的灰度图像进行二值化;
步骤2:提取图像的边缘轮廓;
步骤3:将步骤2提取的边缘轮廓分为直线轮廓和曲线轮廓两部分;
步骤4:直线轮廓部分采用凸包的检测方法,判断是否存在缺陷;
步骤5:曲线轮廓部分通过轮廓上的点到弧形两个顶点所连接的直线的距离以及与两个顶点形成夹角的余弦值,判断是否存在缺陷;
步骤5.1:将步骤3中得到的曲线部分两个端点相连,并计算轮廓上每个点到两个端点相连的直线的距离d;
步骤5.2:计算轮廓上每个点与两个端点所形成夹角的余弦值cosθ;
步骤5.3:对轮廓上的每个点所求得的距离和余弦值与没有缺陷的标准图像上相应位置的点的距离d和余弦值cosθ做比较,若距离d与余弦值cosθ与标准值的差值均大于一定的阈值,则该处存在缺陷。
2.如权利要求1所述的一种既有弧形边又有直线边的材料轮廓缺陷检测方法,其特征在于该方法用于元宝形磁性材料的轮廓缺陷检测。
3.如权利要求1所述的一种既有弧形边又有直线边的材料轮廓缺陷检测方法,其特征在于所述步骤2的方法为:
步骤2.1:用一个高斯滤波器平滑输入图像,得到平滑后的图像:
fs2(x,y)=G(x,y)*f2(x,y);
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mi>y</mi>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
</msup>
<mo>;</mo>
</mrow>
其中,f2(x,y)表示输入图像,即步骤1获得的二值图像,fs2(x,y)表示对输入图像平滑后的图像,G(x,y)表示高斯函数,(x,y)表示磁性材料表面图像中的像素坐标值,σ2表示高斯函数G(x,y)的方差,“*”表示卷积;
步骤2.2:根据平滑后的图像,计算提取梯度幅值图像和梯度角度图像:
<mrow>
<msub>
<mi>M</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mo>&part;</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>s</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>/</mo>
<mo>&part;</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mo>&part;</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>s</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>/</mo>
<mo>&part;</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>&alpha;</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>arctan</mi>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mo>&part;</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>s</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>/</mo>
<mo>&part;</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mo>&part;</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>s</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>/</mo>
<mo>&part;</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
<mo>;</mo>
</mrow>
其中,M2(x,y)表示梯度幅值图像,α2(x,y)表示梯度角度图像,表示平滑后的图像fs2(x,y)在x方向的偏导数,表示平滑后的图像fs2(x,y)在y方向的偏导数;
步骤2.3:采用非极大值对梯度幅值图像M2(x,y)进行抑制:首先,令d1,d2,d3、d4分别表示四个基本边缘方向:水平方向0°、水平方向-45°、垂直方向90°、垂直方向45°;然后寻找最接近α2(x,y)的dk(k=1,2,3,4);最后,如果M2(x,y)的值小于沿dk方向的两个邻居值之一,则令gN2(x,y)=0,否则,令gN2(x,y)=M2(x,y),这里gN2(x,y)表示非极大值抑制后的图像,N表示非极大值抑制;
步骤2.4:用双阈值处理来检测非极大值抑制后的图像gN2(x,y)的边缘:
<mrow>
<msub>
<mi>g</mi>
<mrow>
<mi>N</mi>
<mi>H</mi>
<mn>2</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>g</mi>
<mrow>
<mi>N</mi>
<mn>2</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>g</mi>
<mrow>
<mi>N</mi>
<mn>2</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>H</mi>
<mn>2</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>g</mi>
<mrow>
<mi>N</mi>
<mn>2</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>H</mi>
<mn>2</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>g</mi>
<mrow>
<mi>N</mi>
<mi>L</mi>
<mn>2</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>g</mi>
<mrow>
<mi>N</mi>
<mn>2</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>g</mi>
<mrow>
<mi>N</mi>
<mn>2</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>L</mi>
<mn>2</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>g</mi>
<mrow>
<mi>N</mi>
<mn>2</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>L</mi>
<mn>2</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
其中,TH2表示高阈值,TL2表示低阈值,gNH2(x,y)表示图像gN2(x,y)经过高阈值TH2分割后的图像,gNL2(x,y)表示gN2(x,y)经过低阈值TL2分割后的图像;
步骤2.5:对步骤2.4获得的图像以gNH2(x,y)为基础,以gNL2(x,y)为补充来连接图像的边缘;
(a)对图像gNH2(x,y)进行扫描,当遇到一个非零灰度的像素p(x,y)时,跟踪以p(x,y)为开始点的轮廓线,直到轮廓线的终点q(x,y);
(b)考察图像gNL2(x,y)与图像gNH2(x,y)中q(x,y)点位置对应的点s(x,y)的8邻近区域;如果在s(x,y)点的8临近区域中有非零像素存在,则将该像素点包括到图像gNH2(x,y)中,作为轮廓点r(x,y)点;从r(x,y)点开始,返回步骤(a),直到我们在图像gNL2(x,y)和图像gNH2(x,y)中都无法继续为止;
(c)当完成对包含p(x,y)的轮廓线之后,将这条轮廓线标记为已经访问;返回步骤(a),寻找下一条轮廓线;直到图像gNH2(x,y)中找不到新轮廓线为止,得到用Canny边缘检测形成最终的输出图像g2(x,y)。
4.如权利要求1、2或3所述的一种既有弧形边又有直线边的材料轮廓缺陷检测方法,其特征在于所述步骤4的具体方法为:
步骤4.1:用直线段将步骤3得到直线轮廓部分两个端点相连得到一个封闭的轮廓;并对轮廓进行孔洞填充,将其作为图像A;
步骤4.2:对图像A其凸包,再对凸包的轮廓进行孔洞填充,将其作为图像B;
步骤4.3:对图像A与图像B求差值;
步骤4.4:对步骤4.3中得到的差值图像进行开运算,得到结果图,根据结果图判断直边是否存在缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710888019.8A CN107680086B (zh) | 2017-09-27 | 2017-09-27 | 一种既有弧形边又有直线边的材料轮廓缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710888019.8A CN107680086B (zh) | 2017-09-27 | 2017-09-27 | 一种既有弧形边又有直线边的材料轮廓缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107680086A true CN107680086A (zh) | 2018-02-09 |
CN107680086B CN107680086B (zh) | 2020-10-23 |
Family
ID=61136853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710888019.8A Active CN107680086B (zh) | 2017-09-27 | 2017-09-27 | 一种既有弧形边又有直线边的材料轮廓缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107680086B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109682839A (zh) * | 2019-01-25 | 2019-04-26 | 中国船舶重工集团公司第七一六研究所 | 一种金属弧形工件表面缺陷在线检测方法 |
CN110189297A (zh) * | 2019-04-18 | 2019-08-30 | 杭州电子科技大学 | 一种基于灰度共生矩阵的磁性材料外观缺陷检测方法 |
CN112085708A (zh) * | 2020-08-19 | 2020-12-15 | 浙江华睿科技有限公司 | 产品外轮廓中的直线边缘的缺陷检测方法及设备 |
CN114943684A (zh) * | 2022-04-15 | 2022-08-26 | 上海波士内智能科技有限公司 | 一种利用对抗生成自编码神经网络的曲面异常检测方法 |
CN115100696A (zh) * | 2022-08-29 | 2022-09-23 | 山东圣点世纪科技有限公司 | 一种掌静脉识别中的连通域快速标记与提取方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296687A (zh) * | 2016-08-10 | 2017-01-04 | 浙江理工大学 | 基于掩模技术的磁环表面缺陷提取方法 |
CN106442556A (zh) * | 2016-11-16 | 2017-02-22 | 哈尔滨理工大学 | 一种板状带孔工件表面缺陷检测装置和方法 |
CN106846313A (zh) * | 2017-01-23 | 2017-06-13 | 广东工业大学 | 工件表面缺陷检测方法和装置 |
-
2017
- 2017-09-27 CN CN201710888019.8A patent/CN107680086B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296687A (zh) * | 2016-08-10 | 2017-01-04 | 浙江理工大学 | 基于掩模技术的磁环表面缺陷提取方法 |
CN106442556A (zh) * | 2016-11-16 | 2017-02-22 | 哈尔滨理工大学 | 一种板状带孔工件表面缺陷检测装置和方法 |
CN106846313A (zh) * | 2017-01-23 | 2017-06-13 | 广东工业大学 | 工件表面缺陷检测方法和装置 |
Non-Patent Citations (1)
Title |
---|
侯海洋: ""基于机器视觉的磁环尺寸及表面缺陷检测***研究与开发"", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109682839A (zh) * | 2019-01-25 | 2019-04-26 | 中国船舶重工集团公司第七一六研究所 | 一种金属弧形工件表面缺陷在线检测方法 |
CN109682839B (zh) * | 2019-01-25 | 2021-01-15 | 中国船舶重工集团公司第七一六研究所 | 一种金属弧形工件表面缺陷在线检测方法 |
CN110189297A (zh) * | 2019-04-18 | 2019-08-30 | 杭州电子科技大学 | 一种基于灰度共生矩阵的磁性材料外观缺陷检测方法 |
CN110189297B (zh) * | 2019-04-18 | 2021-02-19 | 杭州电子科技大学 | 一种基于灰度共生矩阵的磁性材料外观缺陷检测方法 |
CN112085708A (zh) * | 2020-08-19 | 2020-12-15 | 浙江华睿科技有限公司 | 产品外轮廓中的直线边缘的缺陷检测方法及设备 |
CN112085708B (zh) * | 2020-08-19 | 2023-07-07 | 浙江华睿科技股份有限公司 | 产品外轮廓中的直线边缘的缺陷检测方法及设备 |
CN114943684A (zh) * | 2022-04-15 | 2022-08-26 | 上海波士内智能科技有限公司 | 一种利用对抗生成自编码神经网络的曲面异常检测方法 |
CN115100696A (zh) * | 2022-08-29 | 2022-09-23 | 山东圣点世纪科技有限公司 | 一种掌静脉识别中的连通域快速标记与提取方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN107680086B (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107680086A (zh) | 一种既有弧形边又有直线边的材料轮廓缺陷检测方法 | |
CN107808378B (zh) | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 | |
CN103729632B (zh) | 一种基于连通区域滤波的圆形Mark点的定位方法 | |
CN105913415B (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
CN106157323B (zh) | 一种动态分块阈值和块搜索结合的绝缘子分割提取方法 | |
CN104167003A (zh) | 一种遥感影像的快速配准方法 | |
CN104197933B (zh) | 一种望远镜视场中高星等滑动恒星的增强和提取方法 | |
CN101645172A (zh) | 数字图像中直线的快速检测方法 | |
CN106651837B (zh) | 白玻璃板表面崩边缺陷检测方法 | |
CN105427287B (zh) | 一种基于投影变换的连通域标记方法 | |
CN105096299A (zh) | 多边形检测方法和多边形检测装置 | |
CN105354815A (zh) | 一种基于平板类微小型零件的精确识别定位方法 | |
CN103226829A (zh) | 基于边缘增强算子的图像边缘检测方法 | |
CN104766319A (zh) | 提升夜间拍照图像配准精度的方法 | |
CN105374037A (zh) | 一种边角检测的棋盘格角点自动筛选方法 | |
CN106022337B (zh) | 一种基于连续边缘特征的平面目标检测方法 | |
CN110288571A (zh) | 一种基于图像处理的高铁接触网绝缘子异常检测方法 | |
CN102034103B (zh) | 一种遥感影像的线性要素提取方法 | |
CN105678791A (zh) | 一种基于参数不唯一的车道线检测与跟踪方法 | |
CN105404900A (zh) | 一种并排二极管的定位方法及装置 | |
CN104778673A (zh) | 一种改进的高斯混合模型深度图像增强算法 | |
CN114037657A (zh) | 一种结合区域生长与环形校正的锂电池极耳缺陷检测方法 | |
CN106023096B (zh) | 消除边缘锯齿化影响的图像匹配方法 | |
Tung-Ching | Segmentation of crack and open joint in sewer pipelines based on CCTV inspection images | |
CN105374024B (zh) | 高分辨率卫星影像水上桥梁提取的方法 |
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 |