CN113689428B - 基于图像处理的机械零件应力腐蚀检测方法及*** - Google Patents

基于图像处理的机械零件应力腐蚀检测方法及*** Download PDF

Info

Publication number
CN113689428B
CN113689428B CN202111239142.XA CN202111239142A CN113689428B CN 113689428 B CN113689428 B CN 113689428B CN 202111239142 A CN202111239142 A CN 202111239142A CN 113689428 B CN113689428 B CN 113689428B
Authority
CN
China
Prior art keywords
image
defect
pixel point
gradient
optimal
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
Application number
CN202111239142.XA
Other languages
English (en)
Other versions
CN113689428A (zh
Inventor
张海兵
张松林
王海涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Nantong Yuanchen Steel Structure Manufacturing Co ltd
Original Assignee
Jiangsu Nantong Yuanchen Steel Structure Manufacturing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Nantong Yuanchen Steel Structure Manufacturing Co ltd filed Critical Jiangsu Nantong Yuanchen Steel Structure Manufacturing Co ltd
Priority to CN202111239142.XA priority Critical patent/CN113689428B/zh
Publication of CN113689428A publication Critical patent/CN113689428A/zh
Application granted granted Critical
Publication of CN113689428B publication Critical patent/CN113689428B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T2207/10024—Color image

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及一种基于图像处理的机械零件应力腐蚀检测方法及***。该方法包括：根据加权平均法得到机械零件的初始灰度图像，识别每个像素点的缺陷概率得到第一检测结果图像并提取其中不确定区域，将不确定区域自适应划分为多个第一区域；提取第一区域像素点的邻域特征值，根据加权平均法得到第二灰度图像；根据邻域特征值获取第二梯度，根据第二梯度获取与标准统计特征差异最小的最优统计特征，进一步获取最优系数；采用最优系数得到最优灰度图像，根据最优灰度图像获取最终检测结果图像。通过图像的特征增强，提高了对应力腐蚀区域检测的准确性，并且在提高检测准确度的同时也提升了检测效率。

Description

基于图像处理的机械零件应力腐蚀检测方法及***
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于图像处理的机械零件应力腐蚀检测方法及***。
背景技术
应力腐蚀是机械零件或构建在静应力和腐蚀的共同作用下产生的失效现象。一般应力腐蚀都属于脆性断裂，并且存在孕育期、扩展期和瞬断期三部分。为了防止应力腐蚀对机械零件的影响，保障机械零件作业的安全性，需要在孕育期或者扩展期及时的发现应力腐蚀缺陷。
目前针对应力腐蚀性能及开裂性能的测试可采用恒载荷裂纹试样方法，通过恒定载荷/位移的加载，跟踪裂纹缺口张开的位移变化，获得应力腐蚀裂纹的扩展速率，但该试样方法耗费时间长，通常要进行数周或者数月，仪器设备的占用率高，并且效率低下。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于图像处理的机械零件应力腐蚀检测方法及***，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种基于图像处理的机械零件应力腐蚀检测方法，该方法包括以下步骤：
获取机械零件表面的初始RGB图像，根据加权平均法对所述初始RGB图像进行灰度化得到初始灰度图像，识别所述初始灰度图像中每个像素点的缺陷概率得到第一检测结果图像；根据所述缺陷概率将所述第一检测结果图像分为正常区域、缺陷区域以及不确定区域；
根据所述缺陷概率将所述不确定区域自适应划分为多个第一区域；在所述初始灰度图像中，提取所述第一区域的每个像素点的邻域特征值；
在所述初始RGB图像中提取与所述第一区域对应的第二RGB图像，根据加权平均法对所述第二RGB图像进行灰度化得到第二灰度图像；获取所述第二灰度图像中每个像素点的第一梯度，根据所述邻域特征值对所述第一梯度进行优化获取第二梯度，根据所述第二梯度获取统计特征；
获取所述缺陷区域的标准统计特征，获取与所述标准统计特征差异最小的最优统计特征，所述最优统计特征对应的所述加权平均法的系数为最优系数；
采用所述最优系数的加权平均法对所述第二RGB图像进行灰度化得到最优灰度图像，根据所述最优灰度图像获取第二检测结果图像，根据所述最优灰度图像以及所述缺陷区域中像素点的相似度获取第三检测结果图像，所述第二检测结果图像与所述第三检测结果图像的均值作为最终检测结果图像。
优选的，所述根据所述缺陷概率将所述第一检测结果图像分为正常区域、缺陷区域以及不确定区域的步骤，包括：
设定最小概率阈值与最大概率阈值；
当所述像素点的缺陷概率小于最小概率阈值时，将该像素点标记为正常点，所述正常点形成的区域为正常区域；
当所述像素点的缺陷概率大于最大概率阈值时，将该像素点标记为缺陷点，所述缺陷点形成的区域为缺陷区域；
当所述像素点的缺陷概率处于最小概率阈值与最大概率阈值之间时，将该像素点标记为不确定点，所述不确定点形成的区域为不确定区域。
优选的，所述根据所述缺陷概率将所述不确定区域自适应划分为多个第一区域的步骤，包括：
获取所述不确定区域中每个像素点之间的缺陷概率之差，将所述缺陷概率之差作为距离，根据所述距离自适应划分为多个子区域，将所述子区域的图像作为第一区域。
优选的，所述根据所述距离自适应划分为多个子区域的步骤，还包括：
根据不同的聚类的类别数量对所述距离进行多次聚类，得到每次聚类的轮廓系数，所述类别数量按照预设梯度依次增加；
根据所述轮廓系数得到随类别数量变化的轮廓系数变化曲线，获取所述轮廓系数变化曲线的梯度值，在所述梯度值由大变小时对应的类别数量为最佳类别数量；
根据所述最佳类别数量对所述距离进行聚类得到所述多个子区域。
优选的，所述在所述初始灰度图像中，提取所述第一区域的每个像素点的邻域特征值的步骤，包括：
以每个所述像素点作为目标像素点，获取所述目标像素点与其周围像素点之间的缺陷概率的平均差值，根据所述平均差值获取所述目标像素点的邻域特征值。
优选的，所述邻域特征值与所述平均差值呈负相关关系。
优选的，所述第二梯度与所述第一梯度呈正相关关系、与所述邻域特征值呈负相关关系。
优选的，所述梯度包括梯度大小和方向，则根据所述第二梯度获取统计特征的步骤，包括：
将所述第二梯度的梯度方向分为多个角度范围，根据所述角度范围内所有梯度大小的和构成统计向量，根据所述统计向量获取所述统计特征。
优选的，所述根据所述最优灰度图像以及所述缺陷区域中像素点的相似度获取第三检测结果图像的步骤，包括：
获取所述缺陷区域中每个像素点的第一方向信息，以及所述最优灰度图像中每个像素点的第二方向信息；
获取两个像素点对应所述第一方向信息与所述第二方向信息之间的余弦相似度，以及两个像素点之间的距离，根据所述余弦相似度以及所述距离获取对应两个像素点之间的相似度，从而获取第三检测结果图像。
第二方面，本发明另一个实施例提供了一种基于图像处理的机械零件应力腐蚀检测***，该***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，其特征在于，所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明实施例的有益效果在于：通过加权平均法将初始RGB图像转换为初始灰度图像，对初始灰度图像进行分析获取第一检测结果图像和像素点的缺陷概率，进一步获取第一检测结果图像中的正常区域、缺陷区域以及不确定区域，对不确定区域进行自适应划分得到多个第一区域，利用不同的加权平均系数获取第一区域的第二灰度图像，通过第一区域中每个像素点的邻域特征值对每个像素点的梯度进行修正，从而获取第一区域的统计特征，该统计特征与标准统计特征差异最小时，该特征向量所对应的加权平均系数作为最优系数；通过最优系数获取每个第一RGB图像的最优灰度图像，根据最优灰度图像获取到每个像素点的第二检测缺陷概率，并根据最优灰度图像与缺陷区域图像的相似度获取第三检测缺陷概率，根据第二检测缺陷概率以及第三检测缺陷概率获取最终的检测概率，进一步获取最终的应力腐蚀缺陷区域。通过图像的特征增强，提高了对应力腐蚀区域检测的准确性，并且在提高检测准确度的同时也提升了检测效率。
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图像处理的机械零件应力腐蚀检测方法流程图；
图2为本发明一个实施例所提供的一种机械零件应力腐蚀示意图。
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图像处理的机械零件应力腐蚀检测方法及***，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。
本发明实施例所适用的具体场景为：在机械零件进行检测维护时，发现零件表面的应力腐蚀缺陷区域。为了解决检测结果不准确的问题，本发明实施例通过加权平均法将初始RGB图像转换为初始灰度图像，对初始灰度图像进行分析获取第一检测结果图像和像素点的缺陷概率，进一步获取第一检测结果图像中的正常区域、缺陷区域以及不确定区域，对不确定区域进行自适应划分得到多个第一区域，利用不同的加权平均系数获取第一区域的第二灰度图像，通过第一区域中每个像素点的邻域特征值对每个像素点的梯度进行修正，从而获取第一区域的统计特征，该统计特征与标准统计特征差异最小时，该统计特征所对应的加权平均系数作为最优系数；通过最优系数获取每个第二RGB图像的最优灰度图像，根据最优灰度图像获取到每个像素点的第二检测缺陷概率，并根据最优灰度图像与缺陷区域图像的相似度获取第三检测缺陷概率，根据第二检测缺陷概率以及第三检测缺陷概率获取最终的检测概率，进一步获取最终的应力腐蚀缺陷区域。通过图像的特征增强，提高了对应力腐蚀区域检测的准确性，并且在提高检测准确度的同时也提升了检测效率。
下面结合附图具体的说明本发明所提供的一种基于图像处理的机械零件应力腐蚀检测方法及***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图像处理的机械零件应力腐蚀检测的方法流程图，该方法包括以下步骤：
步骤S100，获取机械零件表面的初始RGB图像，根据加权平均法对初始RGB图像进行灰度化得到初始灰度图像，识别初始灰度图像中每个像素点的缺陷概率得到第一检测结果图像；根据缺陷概率将第一检测结果图像分为正常区域、缺陷区域以及不确定区域。
具体的，首先，在机械零件检测平台上方安装RGB相机用于采集图像，机械零件的类型可以为齿轮、钢板或者机械装配件，请参阅图2，其对应的应力腐蚀一般为腐蚀裂纹和腐蚀开裂。为了能够完整的采集到机械零件表面的完整图像，RGB相机为高俯视视角拍摄，将采集到的图像作为机械零件表面的初始RGB图像。
然后，将采集到的初始RGB图像转换为灰度图像，本发明实施例中采用加权平均法对初始RGB图像进行灰度化，将初始RGB图像的RGB通道值加权求和得到初始灰度图像，具体加权平均法为：
Figure 433009DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示初始灰度图像；
Figure 994441DEST_PATH_IMAGE004
表示初始RGB图像的红色通道值；
Figure DEST_PATH_IMAGE005
表示初始RGB图像的绿色通道值；
Figure 418469DEST_PATH_IMAGE006
表示初始RGB图像的蓝色通道值，
Figure DEST_PATH_IMAGE007
分别为加权平均法的系数。
需要说明的是，此处的
Figure 956504DEST_PATH_IMAGE007
取经验值，
Figure 352850DEST_PATH_IMAGE008
。
将获取到的初始灰度图像输入语义分割网络，该语义分割网络的训练过程为：
（1）网络的输入为获取到的初始灰度图像；
（2）人为的对初始灰度图像进行标记得到标签数据，将初始灰度图像中的应力腐蚀区域标记为1，其余区域标记为0；
（3）损失函数采用交叉熵损失函数；
（4）网络的输出为第一检测结果图像，该图像中各个像素点的像素值为属于腐蚀区域的缺陷概率。
需要说明的是，在本发明实施例中语义分割网络采用现有的Unet网络，网络的结构为编码器-解码器结构，在其他实施例中可以采用其他能够实现相同功能的网络，例如DeeplabV3等。
利用该语义分割网络进行分割后，得到的第一件检测结果图像中可能包含缺陷概率值较低的像素点，该缺陷概率值较低的像素点有可能为语义分割网络的误差判断，因此根据第一检测结果图像在各个像素点的像素值进行进一步的划分。
具体的，设定最小概率阈值与最大概率阈值。当像素点的缺陷概率小于最小概率阈值时，将该像素点标记为正常点，正常点形成的区域为正常区域，记为
Figure DEST_PATH_IMAGE009
；当像素点的缺陷概率大于最大概率阈值时，将该像素点标记为缺陷点，缺陷点形成的区域为缺陷区域，记为
Figure 819604DEST_PATH_IMAGE010
；当像素点的缺陷概率处于最小概率阈值与最大概率阈值之间时，将该像素点标记为不确定点，不确定点形成的区域为不确定区域，记为
Figure DEST_PATH_IMAGE011
。
需要说明的是，最小概率阈值和最大概率阈值根据实际情况选取，本发明实施例中取经验值最小概率阈值
Figure 996507DEST_PATH_IMAGE012
，最大概率阈值
Figure DEST_PATH_IMAGE013
。
进一步的，将获取到的缺陷区域
Figure 810005DEST_PATH_IMAGE010
中所有像素点的像素值置为1，正常区域以及不确定区域的像素点像素值仍为该像素点的缺陷概率，即可得到应力腐蚀部分区域准确分布图，记为
Figure 592016DEST_PATH_IMAGE014
，用于后续的检测结果判断。
步骤S200，根据缺陷概率将不确定区域自适应划分为多个第一区域；在初始灰度图像中，提取第一区域的每个像素点的邻域特征值。
由于不确定区域
Figure 432933DEST_PATH_IMAGE011
内各个像素点的是否为缺陷点并不确定，所以对不确定区域
Figure 300395DEST_PATH_IMAGE011
进行进一步的分析。本发明实施例中采用距离聚类的方法得到多个簇，具体的，获取不确定区域中每个像素点之间的缺陷概率之差，将缺陷概率之差作为距离，根据距离自适应划分为多个子区域，将子区域的图像作为第一区域，进而得到自适应划分的不确定区域
Figure 884960DEST_PATH_IMAGE011
的多个子区域。
根据不同的聚类的类别数量对距离进行多次聚类，得到每次聚类的轮廓系数，类别数量按照预设梯度依次增加；根据轮廓系数得到随类别数量变化的轮廓系数变化曲线，获取轮廓系数变化曲线的梯度值，在梯度值由大变小时对应的类别数量为最佳类别数量；根据最佳类别数量对距离进行聚类得到多个子区域。该距离聚类方法的具体过程为：
首先，获取不确定区域
Figure 255898DEST_PATH_IMAGE011
内的所有像素点之间的距离，本发明实施例中将各个像素点之间缺陷概率的差异作为像素点之间的距离，即：
Figure 49409DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE017
表示像素点
Figure 404167DEST_PATH_IMAGE018
与像素点
Figure DEST_PATH_IMAGE019
之间的距离；
Figure 589161DEST_PATH_IMAGE020
表示像素点
Figure 814606DEST_PATH_IMAGE018
的缺陷概率；
Figure DEST_PATH_IMAGE021
表示像素点
Figure 561107DEST_PATH_IMAGE019
的缺陷概率。
然后，根据定义好的距离公式利用距离聚类
Figure 137582DEST_PATH_IMAGE022
算法得到多个簇，设置该距离聚类
Figure 329529DEST_PATH_IMAGE022
算法中簇的数目
Figure DEST_PATH_IMAGE023
的初始值为2，得到第一聚类结果，获取第一聚类结果的轮廓系数
Figure 206218DEST_PATH_IMAGE024
，该轮廓系数
Figure 825418DEST_PATH_IMAGE024
为判断聚类算法好坏的有效性指标，轮廓系数
Figure 387724DEST_PATH_IMAGE024
的数值越大，表明同一个簇内的像素点的分布越紧凑，分类效果越好。然后将簇的数目
Figure 117783DEST_PATH_IMAGE023
增加为3，得到第二聚类结果并获取第二聚类结果的轮廓系数
Figure 317820DEST_PATH_IMAGE024
，以此类推，将簇的数目不断增加1进行新的聚类得到新的轮廓系数，根据所有的轮廓系数得到所有聚类结果所对应的轮廓系数变化曲线。
需要说明的是，为了避免计算的复杂，本发明实施例中根据不同的图像尺寸对簇的数目
Figure 107922DEST_PATH_IMAGE023
设置不同的数值，簇的数目
Figure 393410DEST_PATH_IMAGE023
的最大值为图像的面积的八分之一。
进一步的，计算获取到的轮廓系数变化曲线的梯度，获得其梯度值首次由大变小时对应的
Figure 927159DEST_PATH_IMAGE023
的值，将此时的
Figure 748747DEST_PATH_IMAGE023
值作为最终的距离聚类算法中簇的数量。为了便于区分，将此时的簇的数量记为
Figure DEST_PATH_IMAGE025
，根据
Figure 506487DEST_PATH_IMAGE025
个簇获取到不确定区域
Figure 13692DEST_PATH_IMAGE011
自适应划分的
Figure 85553DEST_PATH_IMAGE025
个子区域，记为第一区域。
需要说明的是，在每个第一区域内，像素点的缺陷概率相近，即每个像素点的应力腐蚀明显程度接近。
进一步的，以每个像素点作为目标像素点，获取目标像素点与其周围像素点之间的缺陷概率的平均差值，根据平均差值获取目标像素点的邻域特征值，该邻域特征值与平均差值呈负相关关系。由于经过距离聚类算法获取到多个第一区域，下面以任意第一区域
Figure 525762DEST_PATH_IMAGE026
为例，获取第一区域内所有像素点邻域特征值的具体方法为：
以第一区域
Figure 392087DEST_PATH_IMAGE026
中的像素点
Figure 422140DEST_PATH_IMAGE018
作为目标像素点，本发明实施例中选取目标像素点的八邻域像素点作为一个窗口，获取该窗口中所有像素点的缺陷概率，记为
Figure DEST_PATH_IMAGE027
，邻域特征值的具体计算公式为：
Figure DEST_PATH_IMAGE029
其中，
Figure 360009DEST_PATH_IMAGE030
表示目标像素点
Figure 654725DEST_PATH_IMAGE018
的邻域特征值；
Figure DEST_PATH_IMAGE031
表示目标像素点第
Figure 990153DEST_PATH_IMAGE032
个邻域的像素点的缺陷概率；
Figure DEST_PATH_IMAGE033
表示目标像素点
Figure 534267DEST_PATH_IMAGE018
的缺陷概率。
需要说明的是，邻域特征值的取值范围为
Figure 213510DEST_PATH_IMAGE034
，数值越大表示邻域范围内对目标像素点提供的有效辅助信息越多，越容易得到准确的分类结果，当八邻域内所有像素点的缺陷概率与目标像素点的缺陷概率相等时，对应的邻域特征值为1，表示目标像素点八邻域范围内的像素点对目标像素点的检测提供的辅助信息最多，从而表示对目标像素点的检测结果会更准确。
基于上述邻域特征值的计算方法，能够得到第一区域内每个像素点的邻域特征值。
步骤S300，在初始RGB图像中提取第一区域对应的第二RGB图像，根据加权平均法对第二RGB图像进行灰度化得到第二灰度图像；获取第二灰度图像中每个像素点的第一梯度，根据邻域特征值对第一梯度进行优化获取第二梯度，根据第二梯度获取统计特征。
对于不确定区域
Figure 97152DEST_PATH_IMAGE011
中的每个第一区域而言，利用步骤S100中加权平均法中的系数并不能很好地得到第一区域中的特征信息，因此需要对加权平均法中的系数进行优化，具体的：
获取第一区域在初始RGB图像中的位置区域，将该位置区域图像作为第二RGB图像，利用加权平均法对第二RGB图像进行处理获取第二灰度图像，具体为：
Figure 570859DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE037
表示第二灰度图像；
Figure 835225DEST_PATH_IMAGE004
表示第二RGB图像的红色通道值；
Figure 52580DEST_PATH_IMAGE005
表示第二RGB图像的绿色通道值；
Figure 321887DEST_PATH_IMAGE006
表示第二RGB图像的蓝色通道值；
Figure 700916DEST_PATH_IMAGE038
为不同的加权系数组合。
需要说明的是，
Figure DEST_PATH_IMAGE039
，并且
Figure 954042DEST_PATH_IMAGE038
三个系数的取值范围均为
Figure 476553DEST_PATH_IMAGE040
。
由于应力腐蚀区域主要为腐蚀裂纹和腐蚀开裂，所以应力腐蚀明显的特征主要表现为零件表面的梯度特征。
进一步的，本发明实施例中利用Sobel算子获取第二灰度图像中每一个像素点的第一梯度，该第一梯度包括梯度的大小和方向，考虑到第二灰度图像中每个像素点的邻域特征值
Figure DEST_PATH_IMAGE041
不同，利用每个像素点的邻域特征值
Figure 131525DEST_PATH_IMAGE041
对该像素点的梯度进行修正，第二梯度与第一梯度呈正相关关系、与邻域特征值呈负相关关系，具体方法为：
Figure DEST_PATH_IMAGE043
其中，
Figure 743772DEST_PATH_IMAGE044
表示对像素点
Figure DEST_PATH_IMAGE045
的第一梯度修正后的第二梯度；
Figure 218616DEST_PATH_IMAGE046
表示像素点
Figure 270449DEST_PATH_IMAGE045
的第一梯度；
Figure DEST_PATH_IMAGE047
表示像素点
Figure 779928DEST_PATH_IMAGE045
的邻域特征值。
需要说明的是，由于像素点邻域特征值越大，表明该像素点的有效辅助信息越多，所以对应像素点具有较小的第一梯度值时也能具有较为准确地检测结果，对像素点第一梯度进行修正的目的是为了让邻域特征值较小的点能够保留较大的第二梯度，从而使得检测的结果较为准确，对于邻域特征值较大的点在适当降低第一梯度值时也能具有较为准确的分类结果，从而达到整体优化的目的。
进一步的，根据获取到的第二梯度的大小和方向获取第一区域的统计特征，将第二梯度的梯度方向分为多个角度范围，根据角度范围内所有梯度大小的和构成统计向量，根据统计向量获取统计特征。
具体的，第二梯度方向的取值范围为
Figure 766338DEST_PATH_IMAGE048
，将该范围等分为多个角度范围，本发明实施例中将方向范围等分为360个角度范围，统计在每一个角度范围内的第二梯度大小的总和，根据360个角度范围的第二梯度大小的总和构成一行360列的统计向量，计算统计向量中的每一个元素与整体统计向量的模长的比值，进行归一化操作，将归一化之后的统计向量作为第一区域的统计特征，由此可以获取在不同加权系数下的第一区域的统计特征。
步骤S400，获取缺陷区域的标准统计特征，获取与标准统计特征差异最小的最优统计特征，最优统计特征对应的加权平均法的系数为最优系数。
由于缺陷区域
Figure 462899DEST_PATH_IMAGE010
为缺陷概率较高的区域，所以该区域内每个像素点的应力腐蚀特征都较为明显，因此将缺陷区域
Figure 825747DEST_PATH_IMAGE010
的统计特征作为标准统计特征，该标准统计特征与缺陷区域
Figure 894459DEST_PATH_IMAGE010
的空间位置、面积大小以及特征空间均无关系，只反映明显的应力腐蚀特征。
基于步骤S300中获取第一区域统计特征相同的原理，获取缺陷区域
Figure 51771DEST_PATH_IMAGE010
的统计特征称为标准统计特征，计算不同加权系数下第一区域的统计特征与标准统计特征的差值，将差值最小的统计特征称为最优统计特征，构建加权系数最优化模型如下：
Figure 235628DEST_PATH_IMAGE050
其中，
Figure DEST_PATH_IMAGE051
表示最优系数；
Figure 402167DEST_PATH_IMAGE052
表示统计特征；
Figure DEST_PATH_IMAGE053
表示标准统计特征。
进一步的，本发明实施例中利用梯度下降法对加权系数最优化模型进行计算获取最优系数，在其他实施例中还可以利用爬山算法、模拟退火算法等寻优算法进行计算。
步骤S500，采用最优系数的加权平均法对第二RGB图像进行灰度化得到最优灰度图像，根据最优灰度图像获取第二检测结果图像，根据最优灰度图像以及缺陷区域中像素点的相似度获取第三检测结果图像，第二检测结果图像与第三检测结果图像的均值作为最终检测结果图像。
根据步骤S400中获取到的最优系数的方法，获取每个第二RGB图像的最优系数，利用加权平均法对每个第二RGB图像进行灰度化，从而得到每个第二RGB图像的特征增强后的最优灰度图像，将获取到的最优灰度图像输入步骤S100中的语义分割网络中获取第二检测结果图像及其图像中每个像素点的第二检测缺陷概率。
为了对该区域进行更为准确的检测，进一步通过获取缺陷区域中每个像素点的第一方向信息，以及最优灰度图像中每个像素点的第二方向信息；获取两个像素点对应第一方向信息与第二方向信息之间的余弦相似度，以及两个像素点之间的距离，根据余弦相似度以及距离获取对应两个像素点之间的相似度，从而获取第三检测结果图像。
具体的，获取缺陷区域中每个像素点的八邻域范围内质心，质心的计算公式可以利用该八邻域范围内图像的一阶矩和零阶矩来获得，具体手段不做赘述；获取该像素点指向质心的方向向量，将该方向向量作为该像素点的第一方向信息。
基于获取第一方向信息相同的原理，获取最优灰度图像中每个像素点的第二方向信息。
对于一个机械零件而言，其表面的应力腐蚀分布应该较为集中，并且已经出现应力腐蚀的缺陷区域可能会出现新的裂纹扩展，其扩展的方向沿着裂纹生长延伸的方向，所以基于与准确的应力腐蚀区域的相似度进行进一步的检测。
提取步骤S100中获取到的应力腐蚀部分区域准确分布图
Figure 886238DEST_PATH_IMAGE014
的应力腐蚀区域，记为
Figure 978566DEST_PATH_IMAGE054
，根据最优灰度图像中的像素点以及
Figure 118560DEST_PATH_IMAGE054
中的像素点的相似度获取第三检测结果图像中每个像素点第三检测缺陷概率：
Figure 823211DEST_PATH_IMAGE056
Figure 630630DEST_PATH_IMAGE058
其中，
Figure DEST_PATH_IMAGE059
表示第三检测结果图像中像素点的第三检测缺陷概率；
Figure 926482DEST_PATH_IMAGE060
表示像素点
Figure DEST_PATH_IMAGE061
的第一方向信息；
Figure 851975DEST_PATH_IMAGE062
表示像素点
Figure 829158DEST_PATH_IMAGE018
的第二方向信息；
Figure DEST_PATH_IMAGE063
表示最优灰度图像中像素点
Figure 287821DEST_PATH_IMAGE018
与
Figure 223416DEST_PATH_IMAGE054
中的像素点
Figure 338003DEST_PATH_IMAGE061
的欧式距离；
Figure 888851DEST_PATH_IMAGE064
表示最优灰度图像中像素点
Figure 405283DEST_PATH_IMAGE018
与
Figure 511779DEST_PATH_IMAGE054
中任意像素点
Figure DEST_PATH_IMAGE065
的所有的欧式距离之和；
Figure 910399DEST_PATH_IMAGE066
表示第一方向信息与第二方向信息的余弦相似度，用于度量方向的相似性。
根据获取到的每个像素点的第二检测缺陷概率以及第三检测缺陷概率获取每个像素点的最终检测概率为：
Figure 494964DEST_PATH_IMAGE068
其中，
Figure DEST_PATH_IMAGE069
表示像素点
Figure 898526DEST_PATH_IMAGE018
最终检测概率；
Figure 175924DEST_PATH_IMAGE070
表示像素点
Figure 999523DEST_PATH_IMAGE018
的第二检测缺陷概率；
Figure DEST_PATH_IMAGE071
表示像素点
Figure 184517DEST_PATH_IMAGE018
的第三检测缺陷概率。
由此，可以获取到最优灰度图像中每个像素点的最终检测概率，取经验概率阈值0.6，当最终检测概率大于概率阈值0.6时，即为缺陷像素点，得到最优灰度图像中的全部缺陷像素点，根据缺陷像素点获取到最终缺陷区域。
根据步骤S100中获取到的缺陷区域
Figure 409962DEST_PATH_IMAGE010
以及最终缺陷区域的并集，作为初始RGB图像中的完整缺陷区域。
综上所述，本发明实施例中通过加权平均法将初始RGB图像转换为初始灰度图像，对初始灰度图像进行分析获取第一检测结果图像和像素点的缺陷概率，进一步获取第一检测结果图像中的正常区域、缺陷区域以及不确定区域，对不确定区域进行自适应划分得到多个第一区域，利用不同的加权平均系数获取第一区域的第二灰度图像，通过第一区域中每个像素点的邻域特征值对每个像素点的梯度进行修正，从而获取第一区域的统计特征，该统计特征与标准统计特征差异最小时，该特征向量所对应的加权平均系数作为最优系数；通过最优系数获取每个第一RGB图像的最优灰度图像，根据最优灰度图像获取到每个像素点的第二检测缺陷概率，并根据最优灰度图像与缺陷区域图像的相似度获取第三检测缺陷概率，根据第二检测缺陷概率以及第三检测缺陷概率获取最终的检测概率，进一步获取最终的应力腐蚀缺陷区域。通过图像的特征增强，提高了对应力腐蚀区域检测的准确性，并且在提高检测准确度的同时也提升了检测效率。
基于与上述方法实施例相同的发明构思，本发明实施例还提供了一种基于图像处理的机械零件应力腐蚀检测***，该***包括：处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种基于图像处理的机械零件应力腐蚀检测方法实施例中的步骤，例如图1所示的步骤。该一种基于图像处理的机械零件应力腐蚀检测方法在上述实施例中已经详细说明，不再赘述。
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。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，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。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，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 (10)

1.一种基于图像处理的机械零件应力腐蚀检测方法，其特征在于，该方法包括以下步骤：
获取机械零件表面的初始RGB图像，根据加权平均法对所述初始RGB图像进行灰度化得到初始灰度图像，识别所述初始灰度图像中每个像素点的缺陷概率得到第一检测结果图像；根据所述缺陷概率将所述第一检测结果图像分为正常区域、缺陷区域以及不确定区域；
根据所述缺陷概率将所述不确定区域自适应划分为多个第一区域；在所述初始灰度图像中，提取所述第一区域的每个像素点的邻域特征值；
在所述初始RGB图像中提取与所述第一区域对应的第二RGB图像，根据加权平均法对所述第二RGB图像进行灰度化得到第二灰度图像；获取所述第二灰度图像中每个像素点的第一梯度，根据所述邻域特征值对所述第一梯度进行优化获取第二梯度，根据所述第二梯度获取统计特征；
获取所述缺陷区域的标准统计特征，获取与所述标准统计特征差异最小的最优统计特征，所述最优统计特征对应的所述加权平均法的系数为最优系数；
采用所述最优系数的加权平均法对所述第二RGB图像进行灰度化得到最优灰度图像，根据所述最优灰度图像获取第二检测结果图像，根据所述最优灰度图像以及所述缺陷区域中像素点的相似度获取第三检测结果图像，所述第二检测结果图像与所述第三检测结果图像的均值作为最终检测结果图像。
2.根据权利要求1所述的方法，其特征在于，所述根据所述缺陷概率将所述第一检测结果图像分为正常区域、缺陷区域以及不确定区域的步骤，包括：
设定最小概率阈值与最大概率阈值；
当所述像素点的缺陷概率小于最小概率阈值时，将该像素点标记为正常点，所述正常点形成的区域为正常区域；
当所述像素点的缺陷概率大于最大概率阈值时，将该像素点标记为缺陷点，所述缺陷点形成的区域为缺陷区域；
当所述像素点的缺陷概率处于最小概率阈值与最大概率阈值之间时，将该像素点标记为不确定点，所述不确定点形成的区域为不确定区域。
3.根据权利要求1所述的方法，其特征在于，所述根据所述缺陷概率将所述不确定区域自适应划分为多个第一区域的步骤，包括：
获取所述不确定区域中每个像素点之间的缺陷概率之差，将所述缺陷概率之差作为距离，根据所述距离自适应划分为多个子区域，将所述子区域的图像作为第一区域。
4.根据权利要求3所述的方法，其特征在于，所述根据所述距离自适应划分为多个子区域的步骤，还包括：
根据不同的聚类的类别数量对所述距离进行多次聚类，得到每次聚类的轮廓系数，所述类别数量按照预设梯度依次增加；
根据所述轮廓系数得到随类别数量变化的轮廓系数变化曲线，获取所述轮廓系数变化曲线的梯度值，在所述梯度值由大变小时对应的类别数量为最佳类别数量；
根据所述最佳类别数量对所述距离进行聚类得到所述多个子区域。
5.根据权利要求1所述的方法，其特征在于，所述在所述初始灰度图像中，提取所述第一区域的每个像素点的邻域特征值的步骤，包括：
以每个所述像素点作为目标像素点，获取所述目标像素点与其周围像素点之间的缺陷概率的平均差值，根据所述平均差值获取所述目标像素点的邻域特征值。
6.根据权利要求5所述的方法，其特征在于，所述邻域特征值与所述平均差值呈负相关关系。
7.根据权利要求1所述的方法，其特征在于，所述第二梯度与所述第一梯度呈正相关关系、与所述邻域特征值呈负相关关系。
8.根据权利要求1所述的方法，其特征在于，所述梯度包括梯度大小和方向，则根据所述第二梯度获取统计特征的步骤，包括：
将所述第二梯度的梯度方向分为多个角度范围，计算每个所述角度范围内所有梯度大小的和，由每个所述角度范围内梯度大小的和组成的序列构成统计向量，根据所述统计向量获取所述统计特征。
9.根据权利要求1所述的方法，其特征在于，所述根据所述最优灰度图像以及所述缺陷区域中像素点的相似度获取第三检测结果图像的步骤，包括：
获取所述缺陷区域中每个像素点的第一方向信息，以及所述最优灰度图像中每个像素点的第二方向信息；
获取两个像素点对应所述第一方向信息与所述第二方向信息之间的余弦相似度，以及两个像素点之间的距离，根据所述余弦相似度以及所述距离获取对应两个像素点之间的相似度，从而获取第三检测结果图像。
10.一种基于图像处理的机械零件应力腐蚀检测***，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1
Figure 41104DEST_PATH_IMAGE001
9任意一项所述方法的步骤。
CN202111239142.XA 2021-10-25 2021-10-25 基于图像处理的机械零件应力腐蚀检测方法及*** Active CN113689428B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111239142.XA CN113689428B (zh) 2021-10-25 2021-10-25 基于图像处理的机械零件应力腐蚀检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111239142.XA CN113689428B (zh) 2021-10-25 2021-10-25 基于图像处理的机械零件应力腐蚀检测方法及***

Publications (2)

Publication Number Publication Date
CN113689428A CN113689428A (zh) 2021-11-23
CN113689428B true CN113689428B (zh) 2022-06-07

Family

ID=78587841

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111239142.XA Active CN113689428B (zh) 2021-10-25 2021-10-25 基于图像处理的机械零件应力腐蚀检测方法及***

Country Status (1)

Country Link
CN (1) CN113689428B (zh)

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113962994B (zh) * 2021-12-21 2022-03-15 武汉智能兴运铁路配件有限公司 基于图像处理的三连杆上锁销清洁度检测方法
CN114445348B (zh) * 2021-12-31 2022-11-29 扬州中卓泵业有限公司 基于光学手段的新材料水泵缺陷检测方法及***
CN114037701B (zh) * 2022-01-08 2022-04-05 江苏南通元辰钢结构制造有限公司 一种基于图像处理的机械零件氢损伤检测方法
CN114049354B (zh) * 2022-01-12 2022-04-29 山东仲良格环保技术有限公司 一种基于金属锈蚀程度的除锈剂优化配比方法及***
CN114511534B (zh) * 2022-01-28 2023-05-05 江苏泰和木业有限公司 一种基于图像处理的pc板裂纹判断方法及***
CN114627272B (zh) * 2022-03-29 2023-01-24 徐州大工电子科技有限公司 一种具有自适应透光性的门窗ar方法及***
CN114937004B (zh) * 2022-04-28 2024-01-02 烟台大视工业智能科技有限公司 一种基于计算机视觉的机械零件表面气孔缺陷检测方法
CN115060754B (zh) * 2022-04-29 2024-05-24 上海沛圣科技有限公司 一种不锈钢制品表面质量检测方法
CN114998322B (zh) * 2022-07-19 2022-10-25 南通恒强轧辊有限公司 基于计算机视觉的轧机智能控制方法及***
CN115018834B (zh) * 2022-08-08 2022-10-25 山东光岳九州半导体科技有限公司 一种半导体晶片图像对准方法
CN115330710B (zh) * 2022-08-09 2023-03-31 湖北安泰汽车电气***有限公司 一种基于云计算的汽车线束质检***
CN115035120B (zh) * 2022-08-12 2022-11-04 山东迪格重工机械有限公司 基于物联网的机床控制方法及***
CN115082484B (zh) * 2022-08-23 2022-11-04 山东光岳九州半导体科技有限公司 基于图像处理的半导体自动分区方法
CN115100204B (zh) * 2022-08-25 2022-11-22 海门市元绒纺织科技有限公司 一种基于傅里叶变换的布匹缺陷检测分辨方法
CN115205165B (zh) * 2022-09-16 2022-12-09 山东联博新材料科技有限公司 用于工业机械外壳的防腐材料喷涂方法
CN115272337B (zh) * 2022-09-29 2022-12-16 誉隆半导体设备(江苏)有限公司 一种用于管路内部的异常检测方法及***
CN115272341B (zh) * 2022-09-29 2022-12-27 华联机械集团有限公司 一种基于机器视觉的包装机缺陷产品检测方法
CN115330755A (zh) * 2022-10-11 2022-11-11 南通至顺聚氨酯材料有限公司 一种塑料制品的质量检测方法
CN115601361B (zh) * 2022-12-13 2023-04-07 苏州迈创信息技术有限公司 基于机器视觉机床零件在线检测方法
CN116091498B (zh) * 2023-04-07 2023-06-23 飞杨电源技术(深圳)有限公司 用于铅酸蓄电池智能充电器的视觉缺陷检测方法
CN116128413B (zh) * 2023-04-17 2023-06-16 四川科斯特自动化设备有限公司 一种基于蓝牙通信的智能仓储物料统计***
CN116630813B (zh) * 2023-07-24 2023-09-26 青岛奥维特智能科技有限公司 一种公路路面施工质量智能检测***
CN116630332B (zh) * 2023-07-26 2023-09-26 山东华航高分子材料有限公司 一种基于图像处理的pvc塑料管口缺陷检测方法
CN116645372B (zh) * 2023-07-27 2023-10-10 汉克威(山东)智能制造有限公司 一种制动气室外观图像智能检测方法及***
CN117011297B (zh) * 2023-10-07 2024-02-02 惠州市凯默金属制品有限公司 基于图像处理的铝合金汽配件模具缺陷检测方法
CN117495722B (zh) * 2023-12-25 2024-03-29 青岛天仁微纳科技有限责任公司 一种纳米压印光刻的图像处理方法
CN117541583B (zh) * 2024-01-09 2024-04-09 陕西东泽瑞科技开发有限公司 一种用于防爆监控***的钻杆腐蚀监测方法及***
CN117593303B (zh) * 2024-01-18 2024-04-09 浙江锦德光电材料有限公司 一种量子点光学膜的缺陷检测方法及***
CN117635617B (zh) * 2024-01-26 2024-04-09 广东海洋大学 一种基于高熵合金数据的快速计算处理方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111899225A (zh) * 2020-06-30 2020-11-06 烟台市计量所 基于多尺度金字塔结构的核电管道缺陷检测方法
CN111899224A (zh) * 2020-06-30 2020-11-06 烟台市计量所 基于深度学习注意力机制的核电管道缺陷检测***
CN112767397A (zh) * 2021-04-07 2021-05-07 深圳中科飞测科技股份有限公司 工件的检测方法、工件检测设备及存储介质
CN113050693A (zh) * 2021-03-26 2021-06-29 厦门理工学院 一种用于风电叶片检测的无人机巡检方法和装置以及设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111899225A (zh) * 2020-06-30 2020-11-06 烟台市计量所 基于多尺度金字塔结构的核电管道缺陷检测方法
CN111899224A (zh) * 2020-06-30 2020-11-06 烟台市计量所 基于深度学习注意力机制的核电管道缺陷检测***
CN113050693A (zh) * 2021-03-26 2021-06-29 厦门理工学院 一种用于风电叶片检测的无人机巡检方法和装置以及设备
CN112767397A (zh) * 2021-04-07 2021-05-07 深圳中科飞测科技股份有限公司 工件的检测方法、工件检测设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"基于LabVIEW的竹片缺陷检测研究与实现";蒋贤明;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20141015;全文 *
"基于图像处理的定位数传机电路板缺陷检测研究";陈梦雅;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20200715;全文 *
"基于机器视觉的机械零件检测与识别***设计";吴卫;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20110715;全文 *
"基于机器视觉的轮毂轴承法兰检测***研究";王文丽;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》;20200815;全文 *

Also Published As

Publication number Publication date
CN113689428A (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
CN113689428B (zh) 基于图像处理的机械零件应力腐蚀检测方法及***
CN115082482B (zh) 一种金属表面缺陷检测方法
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN115082467B (zh) 基于计算机视觉的建材焊接表面缺陷检测方法
CN111524137B (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN116309537B (zh) 一种极耳模具表面油污的缺陷检测方法
CN108564085B (zh) 一种自动读取指针式仪表读数的方法
CN115311270A (zh) 一种塑料制品表面缺陷检测方法
CN111539330B (zh) 一种基于双svm多分类器的变电站数显仪表识别方法
CN117173187B (zh) 一种阀门故障智能检测***
CN111652213A (zh) 一种基于深度学习的船舶水尺读数识别方法
CN115249246A (zh) 一种光学玻璃表面缺陷检测方法
CN114782329A (zh) 一种基于图像处理的轴承缺陷损伤程度评估方法及***
CN116542972B (zh) 基于人工智能的墙板表面缺陷快速检测方法
CN114820625B (zh) 一种汽车顶块缺陷检测方法
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN116309599B (zh) 基于污水前置处理的水质视觉监测方法
CN114359288B (zh) 基于人工智能的医学影像脑动脉瘤检测和定位方法
CN115995056A (zh) 一种基于深度学习的桥梁病害自动识别方法
CN117974671B (zh) 基于人工智能的手表表盘缺陷智能检测方法
CN112396580B (zh) 一种圆形零件缺陷检测方法
CN116596921B (zh) 一种焚烧炉渣分选方法及***
CN113313678A (zh) 一种基于多尺度特征融合的***形态学自动分析方法
CN114742849B (zh) 一种基于图像增强的水准仪距离测量方法
CN115965796A (zh) 一种基于图像识别的金属锈蚀检测方法及***

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