CN113592826A - 一种线材表面缺陷的识别方法及*** - Google Patents
一种线材表面缺陷的识别方法及*** Download PDFInfo
- Publication number
- CN113592826A CN113592826A CN202110881111.8A CN202110881111A CN113592826A CN 113592826 A CN113592826 A CN 113592826A CN 202110881111 A CN202110881111 A CN 202110881111A CN 113592826 A CN113592826 A CN 113592826A
- Authority
- CN
- China
- Prior art keywords
- point
- corner
- defect
- angular
- fin
- 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
Images
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
- G01N23/046—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material using tomography, e.g. computed tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pulmonology (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Bioinformatics & Computational Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种线材表面缺陷的识别方法及***,对内部断层图像进行灰度化得到断层灰度图;对断层灰度图进行角点检测得到多个角点;计算各个角点的缺陷识别范围与其他角点的缺陷识别范围产生交集区域的次数;对各个角点的缺陷识别范围内进行线段检测,获取缺陷识别范围内长度最长的线段作为待识别痕迹线;识别线材是否为合格品;本发明标定出来的范围区域能够在很好的贴合缺陷位置的前提下缩小识别区域,极大的提高了图像识别速度;能够准确识别、标记线材的裂纹、划伤、麻面、折叠和结疤表面缺陷,并在后续线材使用过程中,在线设备自动识别表面缺陷标记并进行人工去除缺陷。
Description
技术领域
本发明属于线材表面缺陷检测技术领域,具体涉及一种线材表面缺陷的识别方法及***。
背景技术
目前,弹簧线材加工可分为油淬火回火和冷拉铅淬火两种,线材表面经常存在裂纹、划伤、麻面、折叠和结疤等表面缺陷,影响弹簧的使用寿命。表面裂纹存在于线材的金属表面;划伤主要是在轧制方向上呈现直线形沟状的缺陷,在线材全长上呈现连续或不连续分布;麻面是线材表面上的许多细小凹点组成的片状粗糙面,产生麻面缺陷主要是轧槽冷却不当或严重磨损;折叠是线材表面沿轧制方向平直或弯曲的细线,通常与盘条表面呈某一角度分布,很长且形状相似;结疤是线材表面黏结金属片而形成的疤皮,一般呈舌头形或指甲形;目前这些线材上的缺陷需要通过工业CT机的X光照射,然后人工进行判断这些缺陷,但是目前线材的长度越来越长,人工判断误差愈来愈大,因此,亟需一种智能的对线材缺陷标记方法的技术手段,以提高弹簧及重要用途部品线材的可靠性。
发明内容
本发明的目的在于提出一种线材表面缺陷的识别方法及***,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
为了实现上述目的,根据本发明的一方面,提供一种线材表面缺陷的识别方法,所述方法包括以下步骤:
S100,获取线材的内部断层图像;
S200,对内部断层图像进行灰度化得到断层灰度图;
S300,对断层灰度图进行角点检测得到多个角点;
S400,分别搜索各个角点的上距角点、下距角点、左距角点、右距角点;
S500,将角点的上距角点与下距角点的欧式距离作为高H;将角点的左距角点与右距角点之间的欧式距离作为宽W;以角点为中心的H×W的矩形区域作为角点的缺陷识别范围;
S600,计算各个角点的缺陷识别范围与其他角点的缺陷识别范围产生交集区域的次数;
S700,对各个角点的缺陷识别范围内进行线段检测,获取缺陷识别范围内长度最长的线段作为待识别痕迹线;
S800,按照产生交集区域的次数从大到小依次识别各个角点的缺陷识别范围中的待识别痕迹线是否为缺陷痕迹线,如果是则标记该角点的缺陷识别范围为线材缺陷位置,当线材缺陷位置总数超过缺陷数量阈值时,停止识别并标记线材为不合格品;当识别完毕,线材缺陷位置总数量小于或等于缺陷数量阈值时标记线材为合格品。
其中,缺陷数量阈值一般设置为角点数量的[0.2,0.8]倍。
进一步地,在S100中,获取线材的内部断层图像的方法为:通过线阵列工业CT机、蔡司工业CT测量机、X射线断层扫描坐标测量机、X射线断层扫描***、梅特勒-托利多X射线检测仪、微焦点工业CT中任意一种设备获取的线材的二维断层图像作为内部断层图像。
进一步地,在S300中,角点检测的方法包括:halcon角点检测算法、Kitchen-Rosenfeld角点检测算法、Harris角点检测算法、KLT角点检测算法及SUSAN角点检测算法中任意一种。
进一步地,在S400中,分别搜索各个角点的上距角点、下距角点、左距角点、右距角点的方法为:
搜索与当前角点A1距离最近的角点作为标定点A2;其中,如果与当前角点A1距离最近的角点不止一个,则在其中随机选取一个角点作为标定点A2;以从点A1到点A2的方向为左距向;以从点A2到点A1的方向为右距向;作连接点A1到点A2的直线L1,以角点A1为垂足作L1上的垂线L2,取垂线L2的任意一个方向为上距向;取与上距向相反的另一个方向为下距向;当前角点A1为待搜索的角点;
通过分水岭算法对断层灰度图进行处理得到断层灰度图中的各个边缘线;
从角点A1位置开始,沿着上距向上L2与边缘线的首个交点为A3;从角点A1位置开始,沿着下距向上L2与边缘线的首个交点为A4;从角点A1位置开始,沿着左距向上L1与边缘线的首个交点为A5;从角点A1位置开始,沿着右距向上L1与边缘线的首个交点为A6;
搜索角点的上距角点:从角点A1位置开始,沿着上距向在L2上搜索到第i个像素点的fin(i)满足条件fin(i)<fin(i-1)并且fin(i)<fin(i+1)时以该像素点为上距角点,若到搜索到点A3仍然未搜索到上距角点,则以A3为上距角点;
搜索角点的下距角点:从角点A1位置开始,沿着下距向在L2上搜索到第i个像素点的fin(i)满足条件fin(i)<fin(i-1)并且fin(i)<fin(i+1)时以该像素点为下距角点,若到搜索到点A4仍然未搜索到下距角点,则以A4为下距角点;
搜索角点的左距角点:从角点A1位置开始,沿着左距向在L1上搜索到第i个像素点的fin(i)满足条件fin(i)<fin(i-1)并且fin(i)<fin(i+1)时以该像素点为左距角点,若到搜索到点A5仍然未搜索到左距角点,则以A5为左距角点;
搜索角点的右距角点:从角点A1位置开始,沿着左距向在L1上搜索到第i个像素点的fin(i)满足条件fin(i)<fin(i-1)并且fin(i)<fin(i+1)时以该像素点为右距角点,若到搜索到点A6仍然未搜索到右距角点,则以A6为右距角点;
其中,fin(i)为第i个像素点的阴影值,fin(i-1)为第i-1个像素点的阴影值,fin(i+1)为第i+1个像素点的阴影值;注:以下说明的第i个或第j个像素点均表示从角点A1位置开始第i个或第j个像素点,序号j取值范围为[1,i];
阴影值fin(i)的计算方法为:Tj为第j个像素点的灰度值,MAX{T1,Tj}为从第1个像素点到第j个像素点中灰度值最大的像素点的灰度值;MIN{T1,Tj}为从第1个像素点到第j个像素点中灰度值最小的像素点的灰度值;
由于目前在内部断层图像中逐行搜索像素的方法,耗时过长,而且扫描的误差很大,所以需要本步骤S400筛选出用以标定范围各个角点对应的距角点、下距角点、左距角点、右距角点,标定出来的范围区域能够在很好的贴合缺陷位置的前提下缩小识别区域,极大的提高了图像识别速度。
进一步地,在S600中,计算角点的缺陷识别范围与其他角点的缺陷识别范围产生交集区域的次数的意义为:令当前角点的缺陷识别范围为AU,产生交集区域的次数初始值K为0,搜索各个角点的缺陷识别范围与AU是否产生交集,每当有一个角点的缺陷识别范围与AU产生交集时,K的值增加1;当搜索完毕时,K的值即产生交集区域的次数。
进一步地,在S700中,线段检测的方法包括:Hough直线检测算法、LSD直线检测算法、Freeman直线检测算法、尺蠖蠕行算法中任意一种。
进一步地,在S700中,若角点的缺陷识别范围不存在线段则标记该角点的缺陷识别范围内无线材缺陷;若角点的缺陷识别范围存在多个长度一样的线段,则取角点到各个线段的几何中心点的欧式距离值最小的线段作为待识别痕迹线。
进一步地,在S800中,识别角点的缺陷识别范围中的待识别痕迹线是否为缺陷痕迹线的方法为:
在角点的缺陷识别范围中,令角点为B1,令待识别痕迹线的两个端点为B2和B3;对点B1、B2和B3之间两两连接构成一个三角形;在三角形中,以B2为顶点的夹角记为∠B2,以B3为顶点的夹角记为∠B3,当夹角∠B2或者∠B3大于角阈值时标记待识别痕迹线为缺陷痕迹线;
线材的裂、划伤、麻面、折叠和结疤缺陷一般与此时检测到顶点角点之间的夹角很大,如果夹角∠B2或者∠B3大于角阈值则该角点的缺陷识别范围大概率为缺陷位置。
其中,角阈值的取值范围为[45,120]度。
本发明还提供了一种线材表面缺陷的识别***,所述***包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下***的单元中:
断层扫描单元,用于获取线材的内部断层图像;
断层灰度化单元,用于对内部断层图像进行灰度化得到断层灰度图;
角点检测单元,用于对断层灰度图进行角点检测得到多个角点;
边缘搜索单元,用于分别搜索各个角点的上距角点、下距角点、左距角点、右距角点;
识别范围选定单元,用于将角点的上距角点与下距角点的欧式距离作为高H;将角点的左距角点与右距角点之间的欧式距离作为宽W;以角点为中心的H×W的矩形区域作为角点的缺陷识别范围;
交集次数计算单元,用于计算各个角点的缺陷识别范围与其他角点的缺陷识别范围产生交集区域的次数;
线段检测单元,用于对各个角点的缺陷识别范围内进行线段检测,获取缺陷识别范围内长度最长的线段作为待识别痕迹线;
缺陷识别单元,用于按照产生交集区域的次数从大到小依次识别各个角点的缺陷识别范围中的待识别痕迹线是否为缺陷痕迹线,如果是则标记该角点的缺陷识别范围为线材缺陷位置,当线材缺陷位置总数超过缺陷数量阈值时,标记线材为不合格品;当识别完毕,线材缺陷位置总数量小于或等于缺陷数量阈值时标记线材为合格品。
本发明的有益效果为:本发明提供一种线材表面缺陷的识别方法及***,由于目前在内部断层图像中逐行搜索像素的方法,耗时过长,而且扫描的误差很大,所以本发明筛选出用以标定范围各个角点对应的距角点、下距角点、左距角点、右距角点,标定出来的范围区域能够在很好的贴合缺陷位置的前提下缩小识别区域,极大的提高了图像识别速度;能够准确识别线材的裂、划伤、麻面、折叠和结疤缺陷。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本发明的上述以及其他特征将更加明显,本发明附图中相同的参考标号表示相同或相似的元素,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,在附图中:
图1所示为一种线材表面缺陷的识别方法的流程图;
图2所示为一种线材表面缺陷的识别***结构图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为一种线材表面缺陷的识别方法的流程图,下面结合图1来阐述根据本发明的实施方式的一种线材表面缺陷的识别方法,所述方法包括以下步骤:
S100,获取线材的内部断层图像;
S200,对内部断层图像进行灰度化得到断层灰度图;
S300,对断层灰度图进行角点检测得到多个角点;
S400,分别搜索各个角点的上距角点、下距角点、左距角点、右距角点;
S500,将角点的上距角点与下距角点的欧式距离作为高H;将角点的左距角点与右距角点之间的欧式距离作为宽W;以角点为中心的H×W的矩形区域作为角点的缺陷识别范围;
S600,计算各个角点的缺陷识别范围与其他角点的缺陷识别范围产生交集区域的次数;
S700,对各个角点的缺陷识别范围内进行线段检测,获取缺陷识别范围内长度最长的线段作为待识别痕迹线;
S800,按照产生交集区域的次数从大到小依次识别各个角点的缺陷识别范围中的待识别痕迹线是否为缺陷痕迹线,如果是则标记该角点的缺陷识别范围为线材缺陷位置,当线材缺陷位置总数超过缺陷数量阈值时,停止识别并标记线材为不合格品;当识别完毕,线材缺陷位置总数量小于或等于缺陷数量阈值时标记线材为合格品。
其中,缺陷数量阈值一般设置为角点数量的[0.2,0.8]倍。
进一步地,在S100中,获取线材的内部断层图像的方法为:通过线阵列工业CT机、蔡司工业CT测量机、X射线断层扫描坐标测量机、X射线断层扫描***、梅特勒-托利多X射线检测仪、微焦点工业CT中任意一种设备获取的线材的二维断层图像作为内部断层图像。
进一步地,在S300中,角点检测的方法包括:halcon角点检测算法、Kitchen-Rosenfeld角点检测算法、Harris角点检测算法、KLT角点检测算法及SUSAN角点检测算法中任意一种。
进一步地,在S400中,分别搜索各个角点的上距角点、下距角点、左距角点、右距角点的方法为:
搜索与当前角点A1距离最近的角点作为标定点A2;其中,如果与当前角点A1距离最近的角点不止一个,则在其中随机选取一个角点作为标定点A2;以从点A1到点A2的方向为左距向;以从点A2到点A1的方向为右距向;作连接点A1到点A2的直线L1,以角点A1为垂足作L1上的垂线L2,取垂线L2的任意一个方向为上距向;取与上距向相反的另一个方向为下距向;
通过分水岭算法对断层灰度图进行处理得到断层灰度图中的各个边缘线;
从角点A1位置开始,沿着上距向上L2与边缘线的首个交点为A3;从角点A1位置开始,沿着下距向上L2与边缘线的首个交点为A4;从角点A1位置开始,沿着左距向上L1与边缘线的首个交点为A5;从角点A1位置开始,沿着右距向上L1与边缘线的首个交点为A6;
搜索角点的上距角点:从角点A1位置开始,沿着上距向在L2上搜索到第i个像素点的fin(i)满足条件fin(i)<fin(i-1)并且fin(i)<fin(i+1)时以该像素点为上距角点,若到搜索到点A3仍然未搜索到上距角点,则以A3为上距角点;
搜索角点的下距角点:从角点A1位置开始,沿着下距向在L2上搜索到第i个像素点的fin(i)满足条件fin(i)<fin(i-1)并且fin(i)<fin(i+1)时以该像素点为下距角点,若到搜索到点A4仍然未搜索到下距角点,则以A4为下距角点;
搜索角点的左距角点:从角点A1位置开始,沿着左距向在L1上搜索到第i个像素点的fin(i)满足条件fin(i)<fin(i-1)并且fin(i)<fin(i+1)时以该像素点为左距角点,若到搜索到点A5仍然未搜索到左距角点,则以A5为左距角点;
搜索角点的右距角点:从角点A1位置开始,沿着左距向在L1上搜索到第i个像素点的fin(i)满足条件fin(i)<fin(i-1)并且fin(i)<fin(i+1)时以该像素点为右距角点,若到搜索到点A6仍然未搜索到右距角点,则以A6为右距角点;
其中,fin(i)为第i个像素点的阴影值,fin(i-1)为第i-1个像素点的阴影值,fin(i+1)为第i+1个像素点的阴影值;注:以下说明的第i个或第j个像素点均表示从角点A1位置开始第i个或第j个像素点,序号j取值范围为[1,i];
阴影值fin(i)的计算方法为:Tj为第j个像素点的灰度值,MAX{T1,Tj}为从第1个像素点到第j个像素点中灰度值最大的像素点的灰度值;MIN{T1,Tj}为从第1个像素点到第j个像素点中灰度值最小的像素点的灰度值;
由于目前在内部断层图像中逐行搜索像素的方法,耗时过长,而且扫描的误差很大,所以需要本步骤S400筛选出用以标定范围各个角点对应的距角点、下距角点、左距角点、右距角点,标定出来的范围区域能够在很好的贴合缺陷位置的前提下缩小识别区域,极大的提高了图像识别速度。
进一步地,在S600中,计算角点的缺陷识别范围与其他角点的缺陷识别范围产生交集区域的次数的意义为:令当前角点的缺陷识别范围为AU,产生交集区域的次数初始值K为0,搜索各个角点的缺陷识别范围与AU是否产生交集,每当有一个角点的缺陷识别范围与AU产生交集时,K的值增加1;当搜索完毕时,K的值即产生交集区域的次数。
进一步地,在S700中,线段检测的方法包括:Hough直线检测算法、LSD直线检测算法、Freeman直线检测算法、尺蠖蠕行算法中任意一种。
进一步地,在S700中,若角点的缺陷识别范围不存在线段则标记该角点的缺陷识别范围内无线材缺陷;若角点的缺陷识别范围存在多个长度一样的线段,则取角点到各个线段的几何中心点的欧式距离值最小的线段作为待识别痕迹线。
进一步地,在S800中,识别角点的缺陷识别范围中的待识别痕迹线是否为缺陷痕迹线的方法为:
在角点的缺陷识别范围中,令角点为B1,令待识别痕迹线的两个端点为B2和B3;对点B1、B2和B3之间两两连接构成一个三角形;在三角形中,以B2为顶点的夹角记为∠B2,以B3为顶点的夹角记为∠B3,当夹角∠B2或者∠B3大于角阈值时标记待识别痕迹线为缺陷痕迹线;
线材的裂、划伤、麻面、折叠和结疤缺陷一般与此时检测到顶点角点之间的夹角很大,如果夹角∠B2或者∠B3大于角阈值则该角点的缺陷识别范围大概率为缺陷位置。
其中,角阈值的取值范围为[45,120]度。
进一步地,对标记为缺陷的线材在后续使用中,在线设备通过本发明的一种线材表面缺陷的识别***自动识别并进行人工去除缺陷位置。
本发明的实施例提供的一种线材表面缺陷的识别***,如图2所示为本发明的一种线材表面缺陷的识别***结构图,该实施例的一种线材表面缺陷的识别***包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种线材表面缺陷的识别***实施例中的步骤。
所述***包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下***的单元中:
断层扫描单元,用于获取线材的内部断层图像;
断层灰度化单元,用于对内部断层图像进行灰度化得到断层灰度图;
角点检测单元,用于对断层灰度图进行角点检测得到多个角点;
边缘搜索单元,用于分别搜索各个角点的上距角点、下距角点、左距角点、右距角点;
识别范围选定单元,用于将角点的上距角点与下距角点的欧式距离作为高H;将角点的左距角点与右距角点之间的欧式距离作为宽W;以角点为中心的H×W的矩形区域作为角点的缺陷识别范围;
交集次数计算单元,用于计算各个角点的缺陷识别范围与其他角点的缺陷识别范围产生交集区域的次数;
线段检测单元,用于对各个角点的缺陷识别范围内进行线段检测,获取缺陷识别范围内长度最长的线段作为待识别痕迹线;
缺陷识别单元,用于按照产生交集区域的次数从大到小依次识别各个角点的缺陷识别范围中的待识别痕迹线是否为缺陷痕迹线,如果是则标记该角点的缺陷识别范围为线材缺陷位置,当线材缺陷位置总数超过缺陷数量阈值时,停止识别并标记线材为不合格品;当识别完毕,线材缺陷位置总数量小于或等于缺陷数量阈值时标记线材为合格品。
所述一种线材表面缺陷的识别***可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种线材表面缺陷的识别***,可运行的***可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述例子仅仅是一种线材表面缺陷的识别***的示例,并不构成对一种线材表面缺陷的识别***的限定,可以包括比例子更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述一种线材表面缺陷的识别***还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种线材表面缺陷的识别***运行***的控制中心,利用各种接口和线路连接整个一种线材表面缺陷的识别***可运行***的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述一种线材表面缺陷的识别***的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,从而有效地涵盖本发明的预定范围。此外,上文以发明人可预见的实施例对本发明进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
Claims (10)
1.一种线材表面缺陷的识别方法,其特征在于,所述方法包括以下步骤:
S100,获取线材的内部断层图像;
S200,对内部断层图像进行灰度化得到断层灰度图;
S300,对断层灰度图进行角点检测得到多个角点;
S400,分别搜索各个角点的上距角点、下距角点、左距角点、右距角点;
S500,将角点的上距角点与下距角点的欧式距离作为高H;将角点的左距角点与右距角点之间的欧式距离作为宽W;以角点为中心的H×W的矩形区域作为角点的缺陷识别范围;
S600,计算各个角点的缺陷识别范围与其他角点的缺陷识别范围产生交集区域的次数;
S700,对各个角点的缺陷识别范围内进行线段检测,获取缺陷识别范围内长度最长的线段作为待识别痕迹线;
S800,按照产生交集区域的次数从大到小依次识别各个角点的缺陷识别范围中的待识别痕迹线是否为缺陷痕迹线,如果是则标记该角点的缺陷识别范围为线材缺陷位置,当线材缺陷位置总数超过缺陷数量阈值时,停止识别并标记线材为不合格品;当识别完毕,线材缺陷位置总数量小于或等于缺陷数量阈值时标记线材为合格品。
2.根据权利要求1所述的一种线材表面缺陷的识别方法,其特征在于,在S100中,获取线材的内部断层图像的方法为:通过线阵列工业CT机、蔡司工业CT测量机、X射线断层扫描坐标测量机、X射线断层扫描***、梅特勒-托利多X射线检测仪、微焦点工业CT中任意一种设备获取的线材的二维断层图像作为内部断层图像。
3.根据权利要求1所述的一种线材表面缺陷的识别方法,其特征在于,在S300中,角点检测的方法包括:halcon角点检测算法、Kitchen-Rosenfeld角点检测算法、Harris角点检测算法、KLT角点检测算法及SUSAN角点检测算法中任意一种。
4.根据权利要求1所述的一种线材表面缺陷的识别方法,其特征在于,在S400中,分别搜索各个角点的上距角点、下距角点、左距角点、右距角点的方法为:
搜索与当前角点A1距离最近的角点作为标定点A2;其中,如果与当前角点A1距离最近的角点不止一个,则在其中随机选取一个角点作为标定点A2;以从点A1到点A2的方向为左距向;以从点A2到点A1的方向为右距向;作连接点A1到点A2的直线L1,以角点A1为垂足作L1上的垂线L2,取垂线L2的任意一个方向为上距向;取与上距向相反的另一个方向为下距向;
通过分水岭算法对断层灰度图进行处理得到断层灰度图中的各个边缘线;
从角点A1位置开始,沿着上距向上L2与边缘线的首个交点为A3;从角点A1位置开始,沿着下距向上L2与边缘线的首个交点为A4;从角点A1位置开始,沿着左距向上L1与边缘线的首个交点为A5;从角点A1位置开始,沿着右距向上L1与边缘线的首个交点为A6;
搜索角点的上距角点:从角点A1位置开始,沿着上距向在L2上搜索到第i个像素点的fin(i)满足条件fin(i)<fin(i-1)并且fin(i)<fin(i+1)时以该像素点为上距角点,若到搜索到点A3仍然未搜索到上距角点,则以A3为上距角点;
搜索角点的下距角点:从角点A1位置开始,沿着下距向在L2上搜索到第i个像素点的fin(i)满足条件fin(i)<fin(i-1)并且fin(i)<fin(i+1)时以该像素点为下距角点,若到搜索到点A4仍然未搜索到下距角点,则以A4为下距角点;
搜索角点的左距角点:从角点A1位置开始,沿着左距向在L1上搜索到第i个像素点的fin(i)满足条件fin(i)<fin(i-1)并且fin(i)<fin(i+1)时以该像素点为左距角点,若到搜索到点A5仍然未搜索到左距角点,则以A5为左距角点;
搜索角点的右距角点:从角点A1位置开始,沿着左距向在L1上搜索到第i个像素点的fin(i)满足条件fin(i)<fin(i-1)并且fin(i)<fin(i+1)时以该像素点为右距角点,若到搜索到点A6仍然未搜索到右距角点,则以A6为右距角点;
其中,fin(i)为第i个像素点的阴影值,fin(i-1)为第i-1个像素点的阴影值,fin(i+1)为第i+1个像素点的阴影值;注:以下说明的第i个或第j个像素点均表示从角点A1位置开始第i个或第j个像素点,序号j取值范围为[1,i]。
6.根据权利要求4所述的一种线材表面缺陷的识别方法,其特征在于,在S600中,计算角点的缺陷识别范围与其他角点的缺陷识别范围产生交集区域的次数的意义为:令当前角点的缺陷识别范围为AU,产生交集区域的次数初始值K为0,搜索各个角点的缺陷识别范围与AU是否产生交集,每当有一个角点的缺陷识别范围与AU产生交集时,K的值增加1;当搜索完毕时,K的值即产生交集区域的次数。
7.根据权利要求1所述的一种线材表面缺陷的识别方法,其特征在于,在S700中,线段检测的方法包括:Hough直线检测算法、LSD直线检测算法、Freeman直线检测算法、尺蠖蠕行算法中任意一种。
8.根据权利要求1所述的一种线材表面缺陷的识别方法,其特征在于,在S700中,若角点的缺陷识别范围不存在线段则标记该角点的缺陷识别范围内无线材缺陷;若角点的缺陷识别范围存在多个长度一样的线段,则取角点到各个线段的几何中心点的欧式距离值最小的线段作为待识别痕迹线。
9.根据权利要求1所述的一种线材表面缺陷的识别方法,其特征在于,在S800中,识别角点的缺陷识别范围中的待识别痕迹线是否为缺陷痕迹线的方法为:
在角点的缺陷识别范围中,令角点为B1,令待识别痕迹线的两个端点为B2和B3;对点B1、B2和B3之间两两连接构成一个三角形;在三角形中,以B2为顶点的夹角记为∠B2,以B3为顶点的夹角记为∠B3,当夹角∠B2或者∠B3大于角阈值时标记待识别痕迹线为缺陷痕迹线。
10.一种线材表面缺陷的识别***,其特征在于,所述***包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下***的单元中:
断层扫描单元,用于获取线材的内部断层图像;
断层灰度化单元,用于对内部断层图像进行灰度化得到断层灰度图;
角点检测单元,用于对断层灰度图进行角点检测得到多个角点;
边缘搜索单元,用于分别搜索各个角点的上距角点、下距角点、左距角点、右距角点;
识别范围选定单元,用于将角点的上距角点与下距角点的欧式距离作为高H;将角点的左距角点与右距角点之间的欧式距离作为宽W;以角点为中心的H×W的矩形区域作为角点的缺陷识别范围;
交集次数计算单元,用于计算各个角点的缺陷识别范围与其他角点的缺陷识别范围产生交集区域的次数;
线段检测单元,用于对各个角点的缺陷识别范围内进行线段检测,获取缺陷识别范围内长度最长的线段作为待识别痕迹线;
缺陷识别单元,用于按照产生交集区域的次数从大到小依次识别各个角点的缺陷识别范围中的待识别痕迹线是否为缺陷痕迹线,如果是则标记该角点的缺陷识别范围为线材缺陷位置,当线材缺陷位置总数超过缺陷数量阈值时,停止识别并标记线材为不合格品;当识别完毕,线材缺陷位置总数量小于或等于缺陷数量阈值时标记线材为合格品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110881111.8A CN113592826B (zh) | 2021-08-02 | 2021-08-02 | 一种线材表面缺陷的识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110881111.8A CN113592826B (zh) | 2021-08-02 | 2021-08-02 | 一种线材表面缺陷的识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113592826A true CN113592826A (zh) | 2021-11-02 |
CN113592826B CN113592826B (zh) | 2022-03-29 |
Family
ID=78253769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110881111.8A Active CN113592826B (zh) | 2021-08-02 | 2021-08-02 | 一种线材表面缺陷的识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592826B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114387333A (zh) * | 2021-12-24 | 2022-04-22 | 安徽理工大学 | 一种煤矸双能x射线图像粘连目标凹点检测方法 |
CN114705824A (zh) * | 2022-03-30 | 2022-07-05 | 广州市光铭金属制品有限责任公司 | 一种金属元件产品缺陷检测方法及*** |
CN114778574A (zh) * | 2022-03-28 | 2022-07-22 | 国网吉林省电力有限公司电力科学研究院 | X射线数字成像检测识别在运高压电缆内部缺陷方法 |
CN116309517A (zh) * | 2023-03-31 | 2023-06-23 | 广东汇锦科技有限公司 | 一种漆包线的线材轧辊探伤方法及*** |
CN116460136A (zh) * | 2023-03-31 | 2023-07-21 | 广东汇锦科技有限公司 | 基于工业ct的漆包线的线材轧辊控制方法及*** |
CN116703930A (zh) * | 2023-08-09 | 2023-09-05 | 湖北三环三立汽车后视镜有限公司 | 一种汽车后视镜模具成型检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112213314A (zh) * | 2019-07-12 | 2021-01-12 | 长鑫存储技术有限公司 | 晶圆侧面缺陷的检测方法和检测*** |
CN112712512A (zh) * | 2021-01-05 | 2021-04-27 | 余波 | 一种基于人工智能的热轧带钢结疤缺陷检测方法及*** |
CN113538503A (zh) * | 2021-08-21 | 2021-10-22 | 西北工业大学 | 一种基于红外图像的太阳能板缺陷检测方法 |
-
2021
- 2021-08-02 CN CN202110881111.8A patent/CN113592826B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112213314A (zh) * | 2019-07-12 | 2021-01-12 | 长鑫存储技术有限公司 | 晶圆侧面缺陷的检测方法和检测*** |
CN112712512A (zh) * | 2021-01-05 | 2021-04-27 | 余波 | 一种基于人工智能的热轧带钢结疤缺陷检测方法及*** |
CN113538503A (zh) * | 2021-08-21 | 2021-10-22 | 西北工业大学 | 一种基于红外图像的太阳能板缺陷检测方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114387333A (zh) * | 2021-12-24 | 2022-04-22 | 安徽理工大学 | 一种煤矸双能x射线图像粘连目标凹点检测方法 |
CN114387333B (zh) * | 2021-12-24 | 2024-04-16 | 安徽理工大学 | 一种煤矸双能x射线图像粘连目标凹点检测方法 |
CN114778574A (zh) * | 2022-03-28 | 2022-07-22 | 国网吉林省电力有限公司电力科学研究院 | X射线数字成像检测识别在运高压电缆内部缺陷方法 |
CN114778574B (zh) * | 2022-03-28 | 2024-06-04 | 国网吉林省电力有限公司电力科学研究院 | X射线数字成像检测识别在运高压电缆内部缺陷方法 |
CN114705824A (zh) * | 2022-03-30 | 2022-07-05 | 广州市光铭金属制品有限责任公司 | 一种金属元件产品缺陷检测方法及*** |
CN116309517A (zh) * | 2023-03-31 | 2023-06-23 | 广东汇锦科技有限公司 | 一种漆包线的线材轧辊探伤方法及*** |
CN116460136A (zh) * | 2023-03-31 | 2023-07-21 | 广东汇锦科技有限公司 | 基于工业ct的漆包线的线材轧辊控制方法及*** |
CN116309517B (zh) * | 2023-03-31 | 2023-09-01 | 广东汇锦科技有限公司 | 一种漆包线的线材轧辊探伤方法及*** |
CN116460136B (zh) * | 2023-03-31 | 2023-09-19 | 广东汇锦科技有限公司 | 基于工业ct的漆包线的线材轧辊控制方法及*** |
CN116703930A (zh) * | 2023-08-09 | 2023-09-05 | 湖北三环三立汽车后视镜有限公司 | 一种汽车后视镜模具成型检测方法 |
CN116703930B (zh) * | 2023-08-09 | 2023-10-31 | 湖北三环三立汽车后视镜有限公司 | 一种汽车后视镜模具成型检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113592826B (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113592826B (zh) | 一种线材表面缺陷的识别方法及*** | |
WO2018173660A1 (ja) | 表面欠陥検査方法及び表面欠陥検査装置 | |
US8509536B2 (en) | Character recognition device and method and computer-readable medium controlling the same | |
CN109118473B (zh) | 基于神经网络的角点检测方法、存储介质与图像处理*** | |
CN109671078B (zh) | 一种产品表面图像异常检测方法及装置 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
EP3690700A1 (en) | Image similarity calculation method and device, and storage medium | |
CN101650784B (zh) | 一种利用结构上下文特征进行图像匹配的方法 | |
CN113111212B (zh) | 一种图像匹配方法、装置、设备及存储介质 | |
CN111753794B (zh) | 水果品质分类方法、装置、电子设备及可读存储介质 | |
CN106127258B (zh) | 一种目标匹配方法 | |
CN108647597B (zh) | 一种手腕识别方法、手势识别方法、装置和电子设备 | |
CN110660072A (zh) | 一种直线边缘的识别方法、装置、存储介质及电子设备 | |
CN106815830B (zh) | 图像的缺陷检测方法 | |
CN115578571A (zh) | Qfn元件快速准确识别定位方法、装置及存储介质 | |
CN111814852A (zh) | 图像检测方法、装置、电子设备和计算机可读存储介质 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN104123528B (zh) | 一种识别图片的方法及装置 | |
CN117314901A (zh) | 一种尺度自适应的芯片检测神经网络*** | |
JP6504682B2 (ja) | 部品種類自動判別方法及び部品種類自動判別システム並びに画像処理用部品データ作成方法及び画像処理用部品データ作成システム | |
CN115496754B (zh) | Ssd的弯曲度检测方法、装置、可读存储介质及电子设备 | |
CN108615041B (zh) | 一种角点检测方法 | |
CN116206139A (zh) | 一种基于局部自卷积的无人机图像升尺度匹配方法 | |
CN115690104A (zh) | 一种晶圆裂缝检测方法、装置及存储介质 | |
CN113192095B (zh) | 一种基于平行四边形对角线的角点检测方法 |
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 |