CN114972204A - 一种钢制品表面裂纹检测方法及设备 - Google Patents
一种钢制品表面裂纹检测方法及设备 Download PDFInfo
- Publication number
- CN114972204A CN114972204A CN202210474714.0A CN202210474714A CN114972204A CN 114972204 A CN114972204 A CN 114972204A CN 202210474714 A CN202210474714 A CN 202210474714A CN 114972204 A CN114972204 A CN 114972204A
- Authority
- CN
- China
- Prior art keywords
- crack
- pixel point
- surface image
- steel product
- function
- 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.)
- Pending
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
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及钢制品缺陷检测领域,具体涉及一种钢制品表面裂纹检测方法及设备,包括:采集钢制品的表面图像;获取表面图像中每个像素点的特征矩阵;利用图像纹理的方向向量和每个像素点的特征矩阵构建裂纹特征增强滤波函数;利用裂纹特征增强滤波函数构建最终映射函数;利用各像素点的像素值及其最终映射函数得到每个像素点最终的映射值;根据每个像素点最终的映射值得到裂纹特征增强后的表面图像;对裂纹特征增强后的表面图像进行等区域划分,根据各子块内像素点的最终映射值获取各子块内的裂纹像素点,进而得到裂纹连通域;对裂纹连通域进行筛选获取钢制品的裂纹区域。上述方法用于钢制品裂纹缺陷检测,可提高裂纹检测的效率和准确度。
Description
技术领域
本发明涉及钢制品缺陷检测领域,具体涉及一种钢制品表面裂纹检测方法及设备。
背景技术
在钢制品生产过程中,钢制品上的裂纹是钢制品潜在的危害之一,为了提高钢制品的合格率,需要将有裂纹的钢制品进行检测去除。传统对裂纹的检测方法多是通过检测人员进行目视抽检,该方法检测效率低,存在较高的错检、误检状况,工作量大,极易造成视觉疲劳,导致检测精度低。
现有的钢制品裂纹检测装置平台存在以下问题:1、钢制品检测台安装尺寸受限,对较大或较小的钢制品无法有效的稳定安装;2、钢制品安装后不能进行多角度调节对光角度,光照角度固定且不均匀,导致裂纹在检测中容易发生漏检查的问题。现有方法存在耗时长、效率低以及评价标准过于单一等问题,裂纹样式稍有变化就可能检测不出或者发生误判,最终降低钢制品检测准确率。
针对上述问题,本发明提出一种钢制品表面裂纹检测方法及设备,对钢制品的表面缺陷进行检测,以实现自动对钢制品外观裂纹状况进行准确判定。
发明内容
本发明提供一种钢制品表面裂纹检测方法及设备,包括:采集钢制品的表面图像;获取表面图像中每个像素点的特征矩阵;利用图像纹理的方向向量和每个像素点的特征矩阵构建裂纹特征增强滤波函数;利用裂纹特征增强滤波函数构建最终映射函数;利用各像素点的像素值及其最终映射函数得到每个像素点最终的映射值;根据每个像素点最终的映射值得到裂纹特征增强后的表面图像;对裂纹特征增强后的表面图像进行等区域划分,根据各子块内像素点的最终映射值获取各子块内的裂纹像素点,进而得到裂纹连通域;对裂纹连通域进行筛选获取钢制品的裂纹区域,相比于现有技术,本发明通过裂纹特征增强模型实现对裂纹区域的增强,并通过裂纹提取模型实现对钢制品表面裂纹的检测识别,本发明所构建的最终映射函数在对钢制品表面图像进行滤波处理时,可实现对不同方向、各种形态的裂纹缺陷进行准确检测,同时将不同可变参数下对应的映射最大值作为像素点的最终映射值,可实现对裂纹的最大化检测,保证滤波效果,提高钢制品裂纹检测的精度。本发明检测过程稳定可靠,无接触,不会对钢制品造成二次损害,不受人为主观因素和环境因素的影响,效率高,能够充分满足实际生产的需要。
为达到上述目的,本发明采用如下技术方案,一种钢制品表面裂纹检测方法,包括:
采集待检测钢制品的表面图像。
建立高斯函数,对高斯函数进行求导得到该高斯函数的二阶偏导函数,利用表面图像中各像素点的像素值及该像素点的二阶偏导函数值获取表面图像中每个像素点的特征矩阵。
利用表面图像纹理的方向向量和表面图像中每个像素点的特征矩阵构建裂纹特征增强滤波函数。
利用表面图像中每个像素点及其邻域范围内邻域像素点的裂纹特征增强滤波函数构建最终映射函数。
利用表面图像中各像素点的像素值及其最终映射函数得到表面图像中每个像素点最终的映射值。
根据表面图像中每个像素点最终的映射值得到裂纹特征增强后的表面图像。
对裂纹特征增强后的表面图像进行等区域划分,根据得到的各子块内像素点的最终映射值获取各子块内的裂纹像素点。
根据各子块内的裂纹像素点得到各裂纹连通域。
对裂纹连通域进行筛选获取待检测钢制品表面图像中的裂纹区域。
进一步的,所述一种钢制品表面裂纹检测方法,所述裂纹特征增强滤波函数是按照如下方式构建:
基于待检测钢制品的表面图像中各像素点的坐标建立高斯函数。
对高斯函数进行求导,得到该高斯函数的二阶偏导函数。
利用二阶偏导函数获取表面图像中每个像素点在x方向,x,y方向以及y方向的二阶偏导函数值。
利用表面图像中各像素点的像素值及其在x方向,x,y方向以及y方向的二阶偏导函数值获取表面图像中每个像素点的特征矩阵。
设置表面图像纹理的方向向量,利用表面图像纹理的方向向量和表面图像中每个像素点的特征矩阵构建裂纹特征增强滤波函数。
进一步的,所述一种钢制品表面裂纹检测方法,所述最终映射函数是按照如下方式构建:
将以表面图像中各像素点为中心,偏移距离为半径的圆形区域作为表面图像中每个像素点的邻域范围;所述偏移距离为各像素点的邻域像素点与该像素点之间的距离。
利用表面图像中每个像素点及其邻域范围内邻域像素点的裂纹特征增强滤波函数构建最终映射函数。
进一步的,所述一种钢制品表面裂纹检测方法,所述表面图像中每个像素点最终的映射值是按照如下方式得到:
利用表面图像中各像素点的像素值及其最终映射函数得到表面图像中每个像素点的映射值集合。
将表面图像中每个像素点的映射值集合中的最大值作为表面图像中每个像素点最终的映射值。
进一步的,所述一种钢制品表面裂纹检测方法,所述裂纹特征增强后的表面图像是按照如下方式得到:
在表面图像中,裂纹缺陷处的像素点的最终映射值较大,无缺陷区域的像素点的最终映射值趋近于零,得到裂纹特征增强后的表面图像。
进一步的,所述一种钢制品表面裂纹检测方法,所述各裂纹连通域是按照如下方式得到:
对裂纹特征增强后的表面图像进行等区域划分,得到各子块。
根据各子块内像素点的最终映射值计算得到各子块的映射阈值。
对各子块内所有像素点的最终映射值进行判断:当子块内像素点的最终映射值大于该子块的映射阈值时,则该子块内的像素点为裂纹像素点;当子块内像素点的最终映射值小于等于该子块的映射阈值时,则该子块内的像素点为正常像素点。
根据各子块内的裂纹像素点得到各裂纹连通域。
进一步的,所述一种钢制品表面裂纹检测方法,所述待检测钢制品表面图像中的裂纹区域是按照如下方式获取:
获取各裂纹连通域的最小外接矩形。
利用各裂纹连通域的最小外接矩形的长边长度和短边长度计算得到各裂纹连通域的形态指标。
获取各裂纹连通域的面积指标。
利用各裂纹连通域的形态指标和面积指标构建裂纹筛选模型函数。
设置阈值,对各裂纹连通域的裂纹筛选模型函数值进行判断:当裂纹连通域的裂纹筛选模型函数值小于等于阈值时,则该裂纹连通域为待检测钢制品表面图像中的正常区域;当裂纹连通域的裂纹筛选模型函数值大于阈值时,则该裂纹连通域为待检测钢制品表面图像中的裂纹区域。
本发明还提供了一种钢制品表面裂纹检测设备,包括图像采集单元、图像处理单元、图像增强单元和图像检测单元:
所述图像采集单元,将相机设置于待检测钢制品的正上方,用于采集钢制品表面图像。
所述图像处理单元,计算机根据采集单元采集到的钢制品表面图像的像素特征构建每个像素点的特征矩阵,利用方向向量和特征矩阵构建裂纹特征增强滤波函数。
所述图像增强单元,计算机根据图像处理单元构建的裂纹特征增强滤波函数构建最终映射函数,利用最终映射函数获取各像素点的映射值,进而获取裂纹特征增强后的钢制品表面图像。
所述图像检测单元,计算机对图像增强单元获取的裂纹特征增强后的钢制品表面图像进行自适应阈值分割,得到裂纹连通域,对裂纹连通域进行筛选得到待检测钢制品的裂纹区域。
本发明的有益效果在于:
本发明通过裂纹特征增强模型实现对裂纹区域的增强,并通过裂纹提取模型实现对钢制品表面裂纹的检测识别,本发明所构建的最终映射函数在对钢制品表面图像进行滤波处理时,可实现对不同方向、各种形态的裂纹缺陷进行准确检测,同时将不同可变参数下对应的映射最大值作为像素点的最终映射值,可实现对裂纹的最大化检测,保证滤波效果,提高钢制品裂纹检测的精度。本发明检测过程稳定可靠,无接触,不会对钢制品造成二次损害,不受人为主观因素和环境因素的影响,效率高,能够充分满足实际生产的需要。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的一种钢制品表面裂纹检测方法流程示意图;
图2为本发明实施例2提供的一种钢制品表面裂纹检测方法流程示意图。
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,所描述的实施例仅仅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,本领域普通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。
实施例1
本发明提供一种钢制品表面裂纹检测方法,如图1所示,包括:
S101、采集待检测钢制品的表面图像。
其中,对待检测钢制品进行图像采集,作为钢制品裂纹检测的基准数据。
S102、建立高斯函数,对高斯函数进行求导得到该高斯函数的二阶偏导函数,利用表面图像中各像素点的像素值及该像素点的二阶偏导函数值获取表面图像中每个像素点的特征矩阵。
其中,基于待检测钢制品的表面图像中各像素点的坐标建立高斯函数。
S103、利用表面图像纹理的方向向量和表面图像中每个像素点的特征矩阵构建裂纹特征增强滤波函数。
其中,裂纹特征增强滤波函数可以根据方向角度以及高斯尺度因子的变化而变化。
S104、利用表面图像中每个像素点及其邻域范围内邻域像素点的裂纹特征增强滤波函数构建最终映射函数。
其中,获取最终映射函数,可实现对钢制品表面形态复杂的裂纹进行检测。
S105、利用表面图像中各像素点的像素值及其最终映射函数得到表面图像中每个像素点最终的映射值。
其中,将映射值集合中的最大值作为像素点最终的映射值。
S106、根据表面图像中每个像素点最终的映射值得到裂纹特征增强后的表面图像。
其中,当钢制品表面出现裂纹缺陷时,则在裂纹缺陷处的像素点将会有较大的映射值,钢制品表面无缺陷区域的像素点的映射值将会接近于零。
S107、对裂纹特征增强后的表面图像进行等区域划分,根据得到的各子块内像素点的最终映射值获取各子块内的裂纹像素点。
其中,当子块内像素点的映射值高于阈值时,将认为其为裂纹像素点,否则将其作为钢制品表面正常的像素点。
S108、根据各子块内的裂纹像素点得到各裂纹连通域。
其中,各裂纹连通域为可能裂纹区域。
S109、对裂纹连通域进行筛选获取待检测钢制品表面图像中的裂纹区域。
其中,当裂纹筛选模型函数值高于预设阈值时,认为该裂纹连通域为钢制品表面真实裂纹,否则为钢制品表面正常区域。
本实施例的有益效果在于:
本实施例通过裂纹特征增强模型实现对裂纹区域的增强,并通过裂纹提取模型实现对钢制品表面裂纹的检测识别,本实施例所构建的最终映射函数在对钢制品表面图像进行滤波处理时,可实现对不同方向、各种形态的裂纹缺陷进行准确检测,同时将不同可变参数下对应的映射最大值作为像素点的最终映射值,可实现对裂纹的最大化检测,保证滤波效果,提高钢制品裂纹检测的精度。本实施例检测过程稳定可靠,无接触,不会对钢制品造成二次损害,不受人为主观因素和环境因素的影响,效率高,能够充分满足实际生产的需要。
实施例2
本实施例通过图像采集设备对钢制品表面进行图像采集,建立钢制品特征提取模型,对钢制品的裂纹检测特征指标进行提取,并基于所提取的特征指标,建立钢制品裂纹检测模型,实现对钢制品表面裂纹的检测。本实施例可实现钢制品裂纹的自动检测,具有检测精度高,无接触以及检测速度快等效果。
本发明提供一种钢制品表面裂纹检测方法,如图2所示,包括:
S201、采集钢制品表面图像。
对于待检测的钢制品,通过图像采集设备对其进行采集,获取待分析的图像数据,用于对待检测钢制品表面裂纹状况进行检测。本实施例所述图像采集设备包括相机、光源,检测台等,实施者可根据实际情况自行设置,本实施例中将摄像头置于待检测钢制品的正上方,俯视视角采集钢制品表面正视图像,作为后续钢制品检测的基础图像数据。
至此,即可根据本实施例所述方法获取钢制品图像数据,用于对钢制品外观裂纹状况进行检测分析。
S202、构建裂纹特征增强滤波函数。
通过图像采集设备对待检测钢制品进行图像采集,获取钢制品表面图像数据,用于对钢制品表面进行裂纹状况的检测分析,为提高检测精度,本实施例将首先对钢制品表面图像进行特征增强处理,以增加表面裂纹的特征信息,建立钢制品裂纹粗粒度检测模型,所述钢制品粗粒度检测模型具体为:
1.本实施例考虑到钢制品表面裂纹存在对比度低、形态多样等特征,因此,本实施例将构建裂纹特征增强滤波函数,用于对钢制品表面的裂纹进行检测。首先,本实施例将结合高斯函数构建像素点的特征矩阵,用于对裂纹特征增强滤波器进行构建,所述像素点的特征矩阵具体为:首先,对于像素点,获取该点对应的高斯函数值G(i):
其中,σ为尺度因子,(x,y)为像素点i的坐标信息;所述尺度因子就是为了得到尺度可控的滤波器,尺度因子是一个可变参数。
2.在二维空间中的高斯函数,其带有方向的偏导数是可控的,基于所述高斯函数获取像素点i在不同方向上的二阶偏导数,分别记为:Gxx(i,σ)、Gxy(i,σ)、Gyy(i,σ),分别代表像素点i在x方向,x,y方向以及y方向的高斯函数尺度因子为σ时的二阶偏导数,基于此本实施例将进一步构建像素点特征矩阵,所述特征矩阵V(i,σ)具体为:
式中,I(i)为钢制品表面图像中像素点i的像素值,*为卷积操作,获取像素点的特征矩阵,用于对滤波器的构建提供基准数据。
3.进一步,考虑到钢制品表面裂纹存在方向不确定性以及形态多样等情况,因此,本实施例将基于方向向量uθ=(cosθ,sinθ)初步构建裂纹特征增强滤波函数:其中,方向向量是为了得到方向可控的滤波器,θ为图像纹理的方向角度。
f(i;θ,σ)=uθV(i,σ)uθ T=2Gxy(i,σ)×cosθ×sinθ+Gxx(i,σ)×cos2θ+Gyy(i,σ)×sin2θ
式中,θ为图像纹理的方向角度,σ为高斯尺度因子,θ,σ为可变参数,其中裂纹特征增强滤波函数可以根据方向角度以及高斯尺度因子的变化而变化,也即本实施例构建一个可变换的滤波器对钢制品表面图像进行滤波操作,f(i;θ,σ)为像素点i的裂纹特征增强滤波函数,uθ为方向向量,uθ T为方向向量的转置,V(i,σ)为像素点i的特征矩阵,Gxx(i,σ)、Gxy(i,σ)、Gyy(i,σ),分别代表像素点i在x方向,x,y方向以及y方向的高斯函数尺度因子为σ时的二阶偏导数。
S203、获取裂纹特征增强后的表面图像。
1.为提高钢制品表面裂纹的检测精度,对于形态多样、裂纹强度不一的裂纹缺陷进行准确提取,本实施例将基于待滤波像素点的局部范围的像素点的特征信息,建立滤波优化因子,具体为:首先,基于待滤波像素点获取两个偏移点i′、i″,其中,坐标信息设置为:
其中,(x,y)为像素点i的坐标信息,Di′、Di″分别为偏移点i′、i″的坐标信息,θ为图像纹理的方向角度。所述偏移点可以理解为当前像素点的邻域像素点。所述待滤波像素点为表面图像中的每个像素点,d为偏移距离,本实施例将其设置为d=2,为偏移角度,实施者可自行确定,则根据设置不同的偏移角度,可获取一个以待滤波像素点i为中心,以偏移距离d为半径的局部圆形搜索区域(这里说明一下,因为偏移点与待滤波中心点之间的距离为d,当偏移角度取多种值时,即可得到一个以待滤波像素点为中心点的局部搜索圆,其半径为d,这是根据像素点之间的现有关系可以得到的),基于此构建最终的映射模型,得到最终的滤波模型,用于对钢制品表面图像进行滤波分析,所述最终映射函数具体为:
至此,即可根据本实施例所述方法获取最终映射函数,可实现对钢制品表面形态复杂的裂纹进行检测,基于所构建的映射函数,本实施例将建立映射图提取模型:
F(i;θ,σ)=f′(i;θ,σ)*I(i)
f′(i;θ,σ)为像素点i的最终映射函数,I(i)为钢制品表面图像中像素点i的像素值,F(i;θ,σ)为像素点i的映射值。*代表卷积操作,基于此可对钢制品表面图像中的各像素点进行分析处理,本实施例主要基于偏导数对钢制品表面图像的滤波函数进行设定,因此,当钢制品表面出现裂纹缺陷时,则在裂纹缺陷处的像素点将会有较大的映射值,钢制品表面无缺陷区域的像素点的映射值将会接近于零,因此,本实施例将设置不同尺度的可变参数,实施者进行自行选取:θ在[-90°,90°]中选取5个值,σ设定三个不同的尺度因子,本实施例中设置为σ=5,10,15,θ=0°,30°,90°,-30°以及-90°,对于像素点,可得到不同尺度可变参数下的像素点的映射值集合,本实施例设置将映射值集合中的最大值作为像素点最终的映射值:
其中,F(i)为像素点i的最终映射值。
至此,即可根据本实施例所述方法获取钢制品表面图像中各像素点的最终映射值,得到对应的映射图像F,以实现对钢制品表面裂纹的粗粒度检测,初步对钢制品表面的裂纹进行增强,以便后续对裂纹的细粒度提取。
至此,可通过本实施例所述方法获取钢制品表面特征增强图像,得到与原图尺寸大小等同的映射图,实现对表面的裂纹特征进行增强,以便后续对钢制品外观裂纹状况进行全面准确检测。
S204、获取裂纹连通域。
根据上述步骤即可获取待检测钢制品的映射图,所述映射图可实现对钢制品表面的裂纹特征进行增强,对钢制品表面裂纹状况进行初步检测。基于所提取的映射图,本实施例将建立裂纹细粒度检测模型,用于对钢制品外观裂纹状况进行准确检测。所述钢制品裂纹检测模型具体为:
A.对于所述映射图,本实施例将进行裂纹细粒度检测,对映射图进行自适应阈值分割,首先,将其分为尺寸相同的子块,基于各子块进行分析以避免全局分析误差较高的问题,对于各子块,本实施例将对其进行阈值设定,所述映射阈值具体为:
其中,Tj为第j个子块的映射阈值,Q为子块内像素点数量,fO为子块内像素点的最大映射值,fq为子块内第q个像素点的映射值,根据本实施例所述方法可对映射图各子块的映射阈值进行自适应设定,避免人为阈值分割精度低的问题。
B.基于所述阈值,本实施例将对映射图各子块进行分割处理,当子块内像素点的映射值高于阈值时,将认为其为裂纹像素点,否则将其作为钢制品表面正常的像素点,至此,可获取钢制品表面的所有裂纹连通域。
S205、获取裂纹区域。
进一步,为提高裂纹检测精度,本实施例将对各裂纹连通域进行筛选,获取各裂纹连通域的面积指标S,并对裂纹连通域的最小外接矩形进行提取,建立形态指标τ:式中,Ll、Ls分别代表裂纹连通域最小外接矩形的长边长度、短边长度。基于此本实施例将构建裂纹筛选模型,实现对钢制品表面裂纹的精确检测,所述裂纹筛选模型具体为:
δ=1-exp(-τ*S)
式中,δ为各裂纹连通域的裂纹筛选模型函数值,τ为各裂纹连通域的形态指标,S为各裂纹连通域的面积指标。
本实施例设置:当裂纹筛选模型函数值高于预设阈值(0.6)时,本实施例将认为该裂纹连通域为钢制品表面真实裂纹,否则将认为其为钢制品表面正常区域,基于此可实现对裂纹的细粒度检测及筛选,实现对钢制品表面裂纹的精确识别提取。
至此,即可通过本实施例所述方法实现对钢制品表面裂纹状况进行检测提取。通过粗粒度检测模型可实现对裂纹区域的特征增强,以凸显钢制品表面的裂纹像素点,实现裂纹的初步检测;进一步,基于所获取的映射图,本实施例可实现对钢制品表面裂纹的精确筛选提取。
本实施例的有益效果在于:
本实施例通过裂纹特征增强模型实现对裂纹区域的增强,并通过裂纹提取模型实现对钢制品表面裂纹的检测识别,本实施例所构建的最终映射函数在对钢制品表面图像进行滤波处理时,可实现对不同方向、各种形态的裂纹缺陷进行准确检测,同时将不同可变参数下对应的映射最大值作为像素点的最终映射值,可实现对裂纹的最大化检测,保证滤波效果,提高钢制品裂纹检测的精度。本实施例检测过程稳定可靠,无接触,不会对钢制品造成二次损害,不受人为主观因素和环境因素的影响,效率高,能够充分满足实际生产的需要。
实施例3
本发明提供一种钢制品表面裂纹检测设备,包括图像采集单元、图像处理单元、图像增强单元和图像检测单元:
所述图像采集单元,将相机设置于待检测钢制品的正上方,用于采集待检测钢制品的表面图像;
所述图像处理单元,计算机根据采集单元采集到的钢制品表面图像的像素特征构建每个像素点的特征矩阵,利用方向向量和特征矩阵构建裂纹特征增强滤波函数;
所述图像增强单元,计算机根据图像处理单元构建的裂纹特征增强滤波函数构建最终映射函数,利用最终映射函数获取各像素点的映射值,利用各像素点的映射值获取裂纹特征增强后的钢制品表面图像;
所述图像检测单元,计算机对图像增强单元获取的裂纹特征增强后的钢制品表面图像进行自适应阈值分割,得到各裂纹连通域,根据各裂纹连通域的特征对裂纹连通域进行筛选,得到待检测钢制品表面图像中的裂纹区域。
本实施例的有益效果在于:
本实施例通过裂纹特征增强模型实现对裂纹区域的增强,并通过裂纹提取模型实现对钢制品表面裂纹的检测识别,本实施例所构建的最终映射函数在对钢制品表面图像进行滤波处理时,可实现对不同方向、各种形态的裂纹缺陷进行准确检测,同时将不同可变参数下对应的映射最大值作为像素点的最终映射值,可实现对裂纹的最大化检测,保证滤波效果,提高钢制品裂纹检测的精度。本实施例检测过程稳定可靠,无接触,不会对钢制品造成二次损害,不受人为主观因素和环境因素的影响,效率高,能够充分满足实际生产的需要。
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 (8)
1.一种钢制品表面裂纹检测方法,其特征在于,包括:
采集待检测钢制品的表面图像;
建立高斯函数,对高斯函数进行求导得到该高斯函数的二阶偏导函数,利用表面图像中各像素点的像素值及该像素点的二阶偏导函数值获取表面图像中每个像素点的特征矩阵;
利用表面图像纹理的方向向量和表面图像中每个像素点的特征矩阵构建裂纹特征增强滤波函数;
利用表面图像中每个像素点及其邻域范围内邻域像素点的裂纹特征增强滤波函数构建最终映射函数;
利用表面图像中各像素点的像素值及其最终映射函数得到表面图像中每个像素点最终的映射值;
根据表面图像中每个像素点最终的映射值得到裂纹特征增强后的表面图像;
对裂纹特征增强后的表面图像进行等区域划分,根据得到的各子块内像素点的最终映射值获取各子块内的裂纹像素点;
根据各子块内的裂纹像素点得到各裂纹连通域;
对裂纹连通域进行筛选获取待检测钢制品表面图像中的裂纹区域。
2.根据权利要求1所述的一种钢制品表面裂纹检测方法,其特征在于,所述裂纹特征增强滤波函数是按照如下方式构建:
基于待检测钢制品的表面图像中各像素点的坐标建立高斯函数;
对高斯函数进行求导,得到该高斯函数的二阶偏导函数;
利用二阶偏导函数获取表面图像中每个像素点在x方向,x,y方向以及y方向的二阶偏导函数值;
利用表面图像中各像素点的像素值及其在x方向,x,y方向以及y方向的二阶偏导函数值获取表面图像中每个像素点的特征矩阵;
设置表面图像纹理的方向向量,利用表面图像纹理的方向向量和表面图像中每个像素点的特征矩阵构建裂纹特征增强滤波函数。
3.根据权利要求1所述的一种钢制品表面裂纹检测方法,其特征在于,所述最终映射函数是按照如下方式构建:
将以表面图像中各像素点为中心,偏移距离为半径的圆形区域作为表面图像中每个像素点的邻域范围;所述偏移距离为各像素点的邻域像素点与该像素点之间的距离;
利用表面图像中每个像素点及其邻域范围内邻域像素点的裂纹特征增强滤波函数构建最终映射函数。
4.根据权利要求1所述的一种钢制品表面裂纹检测方法,其特征在于,所述表面图像中每个像素点最终的映射值是按照如下方式得到:
利用表面图像中各像素点的像素值及其最终映射函数得到表面图像中每个像素点的映射值集合;
将表面图像中每个像素点的映射值集合中的最大值作为表面图像中每个像素点最终的映射值。
5.根据权利要求1所述的一种钢制品表面裂纹检测方法,其特征在于,所述裂纹特征增强后的表面图像是按照如下方式得到:
在表面图像中,裂纹缺陷处的像素点的最终映射值较大,无缺陷区域的像素点的最终映射值趋近于零,得到裂纹特征增强后的表面图像。
6.根据权利要求1所述的一种钢制品表面裂纹检测方法,其特征在于,所述各裂纹连通域是按照如下方式得到:
对裂纹特征增强后的表面图像进行等区域划分,得到各子块;
根据各子块内像素点的最终映射值计算得到各子块的映射阈值;
对各子块内所有像素点的最终映射值进行判断:当子块内像素点的最终映射值大于该子块的映射阈值时,则该子块内的像素点为裂纹像素点;当子块内像素点的最终映射值小于等于该子块的映射阈值时,则该子块内的像素点为正常像素点;
根据各子块内的裂纹像素点得到各裂纹连通域。
7.根据权利要求1所述的一种钢制品表面裂纹检测方法,其特征在于,所述待检测钢制品表面图像中的裂纹区域是按照如下方式获取:
获取各裂纹连通域的最小外接矩形;
利用各裂纹连通域的最小外接矩形的长边长度和短边长度计算得到各裂纹连通域的形态指标;
获取各裂纹连通域的面积指标;
利用各裂纹连通域的形态指标和面积指标构建裂纹筛选模型函数;
设置阈值,对各裂纹连通域的裂纹筛选模型函数值进行判断:当裂纹连通域的裂纹筛选模型函数值小于等于阈值时,则该裂纹连通域为待检测钢制品表面图像中的正常区域;当裂纹连通域的裂纹筛选模型函数值大于阈值时,则该裂纹连通域为待检测钢制品表面图像中的裂纹区域。
8.一种钢制品表面裂纹检测设备,其特征在于,包括图像采集单元、图像处理单元、图像增强单元和图像检测单元:
所述图像采集单元,将相机设置于待检测钢制品的正上方,用于采集钢制品表面图像;
所述图像处理单元,计算机根据采集单元采集到的钢制品表面图像的像素特征构建每个像素点的特征矩阵,利用方向向量和特征矩阵构建裂纹特征增强滤波函数;
所述图像增强单元,计算机根据图像处理单元构建的裂纹特征增强滤波函数构建最终映射函数,利用最终映射函数获取各像素点的映射值,进而获取裂纹特征增强后的钢制品表面图像;
所述图像检测单元,计算机对图像增强单元获取的裂纹特征增强后的钢制品表面图像进行自适应阈值分割,得到裂纹连通域,对裂纹连通域进行筛选得到待检测钢制品的裂纹区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210474714.0A CN114972204A (zh) | 2022-04-29 | 2022-04-29 | 一种钢制品表面裂纹检测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210474714.0A CN114972204A (zh) | 2022-04-29 | 2022-04-29 | 一种钢制品表面裂纹检测方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114972204A true CN114972204A (zh) | 2022-08-30 |
Family
ID=82979680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210474714.0A Pending CN114972204A (zh) | 2022-04-29 | 2022-04-29 | 一种钢制品表面裂纹检测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972204A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564771A (zh) * | 2022-11-17 | 2023-01-03 | 山东上辰建设集团有限公司 | 一种基于建筑物基柱的混凝土裂纹识别方法 |
CN115830021A (zh) * | 2023-02-15 | 2023-03-21 | 东莞市新通电子设备有限公司 | 一种用于五金件加工的金属表面缺陷检测方法 |
-
2022
- 2022-04-29 CN CN202210474714.0A patent/CN114972204A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564771A (zh) * | 2022-11-17 | 2023-01-03 | 山东上辰建设集团有限公司 | 一种基于建筑物基柱的混凝土裂纹识别方法 |
CN115564771B (zh) * | 2022-11-17 | 2023-04-18 | 山东上辰建设集团有限公司 | 一种基于建筑物基柱的混凝土裂纹识别方法 |
CN115830021A (zh) * | 2023-02-15 | 2023-03-21 | 东莞市新通电子设备有限公司 | 一种用于五金件加工的金属表面缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
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 | |
CN113362326B (zh) | 一种电池焊点缺陷的检测方法及装置 | |
CN109816644B (zh) | 一种基于多角度光源影像的轴承缺陷自动检测*** | |
CN107389701A (zh) | 一种基于图像的pcb表观缺陷自动检测***及方法 | |
CN114972204A (zh) | 一种钢制品表面裂纹检测方法及设备 | |
CN110211101A (zh) | 一种铁轨表面缺陷快速检测***及方法 | |
CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
CN110807355A (zh) | 一种基于移动机器人的指针仪表检测与读数识别方法 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN115205290B (zh) | 一种pcb板生产过程在线检测方法及*** | |
CN104101601B (zh) | 表面缺陷检测装置及方法 | |
CN105388162A (zh) | 基于机器视觉的原料硅片表面划痕检测方法 | |
CN110108712A (zh) | 多功能视觉缺陷检测*** | |
CN102901735B (zh) | 利用计算机对工件缺损、裂变、变形进行自动检测的*** | |
WO2021109011A1 (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
CN110349125A (zh) | 一种基于机器视觉的led芯片外观缺陷检测方法及*** | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN111242899A (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN109389165A (zh) | 基于巡检机器人的变压器油位计识别方法 | |
CN106651893A (zh) | 一种基于边缘检测的墙体裂缝识别方法 | |
CN107388991A (zh) | 一种端面多圆角轴类零件圆角半径测量方法 | |
CN111638218A (zh) | 一种涂层表面缺陷的检测方法 | |
Xu et al. | A defect inspection for explosive cartridge using an improved visual attention and image-weighted eigenvalue | |
Lin et al. | Surface defect detection of machined parts based on machining texture direction |
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 |