CN115063409B - 一种机械刀具表面材质检测方法及*** - Google Patents

一种机械刀具表面材质检测方法及*** Download PDF

Info

Publication number
CN115063409B
CN115063409B CN202210895287.3A CN202210895287A CN115063409B CN 115063409 B CN115063409 B CN 115063409B CN 202210895287 A CN202210895287 A CN 202210895287A CN 115063409 B CN115063409 B CN 115063409B
Authority
CN
China
Prior art keywords
gray
category
cutter
initial
pixel
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
CN202210895287.3A
Other languages
English (en)
Other versions
CN115063409A (zh
Inventor
杨彩红
陈小勤
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.)
Nantong Hengqiang Mill Roll Co ltd
Original Assignee
Nantong Hengqiang Mill Roll 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 Nantong Hengqiang Mill Roll Co ltd filed Critical Nantong Hengqiang Mill Roll Co ltd
Priority to CN202210895287.3A priority Critical patent/CN115063409B/zh
Publication of CN115063409A publication Critical patent/CN115063409A/zh
Application granted granted Critical
Publication of CN115063409B publication Critical patent/CN115063409B/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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/30164—Workpiece; Machine component
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及缺陷检测领域，具体涉及一种机械刀具表面材质检测方法及***。方法包括：对ROI区域图像进行超像素分割得到初始超像素块；根据像素点的灰度值得到各初始像素块的高斯模型；根据高斯模型计算任意两个初始超像素块的相关性；根据相关性对初始像素块迭代合并，得到N个目标超像素块；根据各粒子的速度和位置对各粒子迭代更新；根据最后一次更新各粒子的适应度构建适应度序列，将序列中前(N‑1)个适应度对应的灰度值作为灰度阈值；根据所述灰度阈值将ROI区域图像划分为N个类别；根据各类别中像素点的灰度值计算缺陷指标；判断缺陷指标是否大于阈值，若大于，则判定刀具表面异常。该方法是一种利用光学手段检测机械刀具的方法，提高了检测效率。

Description

一种机械刀具表面材质检测方法及***
技术领域
本发明涉及缺陷检测领域，具体涉及一种机械刀具表面材质检测方法及***。
背景技术
在机械配件生产加工领域中，金属切削机床和各种机械刀具是机械加工中的基础工艺装备。刀具在生产过程中，由于操作人员、机器设备、环境等多种外界因素以及刀具材质自身因素的影响，刀具表面会出现各种各样的状况，比如凸凹、涂层剥落、边缘豁口、划痕等，这些异常缺陷不仅会影响刀具的外观，严重时将会影响刀具的质量及寿命。目前刀具表面检测多是将刀具放置在固定的工作台上进行人工检测，人工检测增大了劳动量，降低了工作效率，且检测精度较低，误检率较高。
发明内容
为了解决现有方法检测刀具表面缺陷时存在的检测效率较低和误检率较高的问题，本发明的目的在于提供一种机械刀具表面材质检测方法及***，所采用的技术方案具体如下：
第一方面，本发明提供了一种机械刀具表面材质检测方法，该方法包括以下步骤：
获取待检测的刀具表面图像，对待检测的刀具表面图像进行边缘检测，将待检测的刀具边缘图像的内部区域图像作为ROI区域图像；
对所述ROI区域图像进行超像素分割，得到对应的初始超像素块；根据各初始超像素块中像素点的灰度值，得到各初始像素块对应的高斯模型；根据各初始超像素块对应的高斯模型，计算任意两个初始超像素块的相关性；根据所述任意两个初始超像素块的相关性，对初始像素块进行迭代合并，得到N个目标超像素块；
根据粒子的速度和位置更新公式，计算各粒子每次更新对应的速度和位置，所述粒子为像素点的灰度值，所述粒子的个数大于(N-1)；根据各粒子每次更新对应的速度和位置对各粒子进行迭代更新；根据适应度函数计算最后一次更新各粒子对应的适应度值；将适应度值从大到小排序，构建适应度值序列；获取适应度值序列中前(N-1)个适应度值对应的粒子的灰度值，将所述前(N-1)个适应度值对应的粒子的灰度值作为灰度阈值；根据所述灰度阈值，将ROI区域图像划分为N个类别；
根据各类别中像素点的灰度值，计算待检测刀具的缺陷指标；判断所述缺陷指标是否大于阈值，若大于，则判定待检测刀具表面异常。
第二方面，本发明提供了一种机械刀具表面材质检测***，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的一种机械刀具表面材质检测方法。
优选的，采用如下公式计算任意两个初始超像素块的相关性：
Figure DEST_PATH_IMAGE001
其中，
Figure 330197DEST_PATH_IMAGE001
为初始超像素块
Figure 778495DEST_PATH_IMAGE002
和初始超像素块
Figure 699178DEST_PATH_IMAGE003
的相关性，
Figure 625546DEST_PATH_IMAGE004
为相关因子，c为模型偏置，
Figure 643180DEST_PATH_IMAGE005
为初始超像素块
Figure 872167DEST_PATH_IMAGE002
中像素点的灰度值的均值，
Figure 670359DEST_PATH_IMAGE006
为初始超像素块
Figure 10205DEST_PATH_IMAGE003
中像素点的灰度值的均值，
Figure 210242DEST_PATH_IMAGE007
初始超像素块
Figure 406868DEST_PATH_IMAGE002
中像素点的灰度值的标准差，
Figure 567722DEST_PATH_IMAGE008
为初始超像素块
Figure 835892DEST_PATH_IMAGE003
中像素点的灰度值的标准差。
优选的，对速度和位置更新公式中的惯性权重系数进行优化，优化后的惯性权重系数为：
Figure 765802DEST_PATH_IMAGE009
其中，
Figure 726805DEST_PATH_IMAGE010
为优化后的惯性权重系数，
Figure 106446DEST_PATH_IMAGE011
为权值系数的最大值，
Figure 584832DEST_PATH_IMAGE012
为权值系数的最小值，
Figure 759462DEST_PATH_IMAGE013
为第一控制因子，
Figure 235573DEST_PATH_IMAGE014
为第二控制因子，
Figure 167757DEST_PATH_IMAGE015
为最大迭代次数，
Figure 777730DEST_PATH_IMAGE016
为迭代次数。
优选的，所述适应度函数为：
Figure 682232DEST_PATH_IMAGE017
其中，
Figure 985038DEST_PATH_IMAGE018
为粒子
Figure 76622DEST_PATH_IMAGE019
对应的适应度值，
Figure 490285DEST_PATH_IMAGE020
为第1个类别内像素点个数与ROI区域图像中像素点个数的比值，
Figure 249294DEST_PATH_IMAGE021
为第2个类别内像素点个数与ROI区域图像中像素点个数的比值，
Figure 723001DEST_PATH_IMAGE022
为第N个类别内像素点个数与ROI区域图像中像素点个数的比值，
Figure 567460DEST_PATH_IMAGE023
为第1个类别内像素点的灰度均值，
Figure 188410DEST_PATH_IMAGE024
为第2个类别内像素点的灰度均值，
Figure 192138DEST_PATH_IMAGE025
为ROI区域图像中像素点的灰度均值。
优选的，所述根据所述任意两个初始超像素块的相关性，对初始像素块进行迭代合并，得到N个目标超像素块，包括：
对于任一初始超像素块：将该初始超像素块与其相关性最大的初始超像素块进行合并，得到第一超像素块；
计算任意两个第一超像素块的相关性；
对于任一第一超像素块：将该第一超像素块与其相关性最大的第一超像素块进行合并，得到第二超像素块；
当超像素块之间的相关性均小于设定阈值时，停止对超像素块的合并，将最后一次合并得到的超像素块记为目标超像素块。
优选的，所述根据各类别中像素点的灰度值，计算待检测刀具的缺陷指标，包括：
统计各类别中像素点的数量，将像素点数量最多的类别作为刀具表面正常类别，将其它的类别作为缺陷类别，所述其它的类别为N个类别中除刀具表面正常类别之外的类别；
根据刀具表面正常类别中各像素点的灰度值，计算刀具表面正常类别中像素点的灰度均值；
对于任一缺陷类别：根据该类别中各像素点的灰度值，计算该类别中像素点的灰度均值；
根据刀具表面正常类别中像素点的灰度均值和各缺陷类别中像素点的灰度均值，计算待检测刀具的缺陷指标。
优选的，采用如下公式计算待检测刀具的缺陷指标：
Figure 446533DEST_PATH_IMAGE026
其中，
Figure 902922DEST_PATH_IMAGE027
为待检测刀具的缺陷指标，
Figure 330492DEST_PATH_IMAGE028
为缺陷类别中像素点数量之和，
Figure 798514DEST_PATH_IMAGE029
为缺陷类别的总个数，
Figure 614023DEST_PATH_IMAGE030
为待检测刀具表面正常类别中像素点的灰度均值，
Figure 433074DEST_PATH_IMAGE031
为第
Figure 992232DEST_PATH_IMAGE032
个缺陷类别中像素点的灰度均值，
Figure 580339DEST_PATH_IMAGE033
为自然对数的底数。
本发明具有如下有益效果：本发明为了判断待检测刀具表面是否存在缺陷，提供了一种利用可见光图像检测机械刀具的方法，该方法能够应用于新材料相关服务，可以实现新材料检测、计量、相关标准化、认证认可服务等。考虑到缺陷区域像素点的灰度值与正常区域像素点的灰度值有一定差别，本发明利用可见光图像分析待检测的机械刀具表面是否存在缺陷。具体过程如下：首先获取待检测刀具的表面图像中的ROI区域图像，对ROI区域图像进行超像素分割，得到对应的初始超像素块，然后计算任意两个初始超像素块的相关性，根据相关性对初始超像素块进行合并，得到N个目标超像素块；考虑到超像素块的分割非常不准确，本发明接着采用粒子迭代更新的方法，得到(N-1)个用于划分像素点类别的最佳灰度阈值；根据最佳灰度阈值，将ROI区域图像划分为N个类别，根据各类别中像素点的数量，将这N个类别划分为正常类别和缺陷类别，根据各类别中像素点的灰度值，计算待检测刀具的缺陷指标，根据缺陷指标判断待检测刀具表面是否出现异常。本实施例的***为生产领域的人工智能***，本发明提供的方法是一种利用光学手段分析机械刀具的方法，具体是测试机械刀具表面瑕疵或者缺陷的存在，该方法能够对机械刀具表面缺陷进行自动化检测，以便于工作人员实时了解待检测刀具表面状况，提高了检测效率。
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为本发明提供的一种机械刀具表面材质检测方法的流程图。
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机械刀具表面材质检测方法进行详细说明如下。
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。
下面结合附图具体的说明本发明所提供的一种机械刀具表面材质检测方法的具体方案。
一种机械刀具表面材质检测方法实施例
现有方法检测刀具表面缺陷时存在检测效率较低和误检率较高的问题。为了解决上述问题，本实施例提出了一种机械刀具表面材质检测方法，如图1所示，本实施例的一种机械刀具表面材质检测方法包括以下步骤：
步骤S1，获取待检测的刀具表面图像，对待检测的刀具表面图像进行边缘检测，将待检测的刀具边缘图像的内部区域图像作为ROI区域图像。
本实施例设置图像采集设备，用于采集待检测刀具表面的图像，本实施例将摄像头部署于待检测刀具的上方，将待检测刀具放置在黑色背景上，相机拍摄范围能够覆盖待检测刀具表面，以便对其进行全面检测，相机以俯视视角采集待检测刀具的表面图像，防止相机视角对刀具表面图像采集的影响，提高***精度，以便后续对刀具区域进行准确提取，至此获得待检测刀具表面正视图像。
本实施例主要基于获取的待检测刀具表面正视图像对刀具表面进行缺陷检测，考虑到图像采集过程中，环境存在大量噪声且刀具表面的浮尘等都会对刀具表面图像的采集产生影响，因此本实施例对采集的待检测刀具表面正视图像进行滤波去噪处理，消除刀具表面图像的噪点，实现对刀具表面图像的去噪处理，得到去噪后的滤波图像，实施者可选取均值滤波算法、中值滤波算法、高斯滤波或双线性滤波的去噪处理方法对待检测刀具表面正视图像进行去噪处理。然后通过伽马变换对滤波图像进行光照均衡化，使得图像中的亮度更加均匀，避免刀具表面因光源照射引起的亮度不均等对表面异常检测结果的影响。将最终处理后的图像作为待检测刀具的表面图像。均值滤波算法、中值滤波算法、高斯滤波、双线性滤波和伽马变换均为现有技术，此处不再赘述。
本实施例对待检测刀具的表面图像进行感兴趣区域提取，以避免无关因素对刀具表面检测的影响。所述感兴趣区域提取方法具体为：首先采用边缘检测算子对待检测刀具的表面图像中的边缘像素点进行提取，以获取待检测刀具的边缘图像，将边缘内部的连通域内的图像作为待检测刀具表面区域图像，即感兴趣区域图像。根据图像对应像素点位置不变特点，本实施例基于边缘像素点对图像进行剪切，以便得到仅包含刀具表面的图像数据，将其作为ROI区域，用于后续对待检测刀具表面的检测分析。
步骤S2，对所述ROI区域图像进行超像素分割，得到对应的初始超像素块；根据各初始超像素块中像素点的灰度值，得到各初始像素块对应的高斯模型；根据各初始超像素块对应的高斯模型，计算任意两个初始超像素块的相关性；根据所述任意两个初始超像素块的相关性，对初始像素块进行迭代合并，得到N个目标超像素块。
本实施例对刀具表面像素点进行划分，以便对刀具表面的缺陷像素点进行识别，实现对刀具表面材质的检测分析。考虑到当刀具表面出现不同的缺陷状况时，不同缺陷对应的灰度信息可能会存在一定差异，为初步识别刀具表面状况，本实施例首先采用超像素分割算法将ROI区域图像划分为若干个初始超像素块，基于每个超像素块内像素点的灰度值拟合一个高斯模型
Figure 301170DEST_PATH_IMAGE034
，x为像素点的灰度值，
Figure 341939DEST_PATH_IMAGE034
为初始超像素块i对应的高斯模型，每个高斯模型有两个特征参数
Figure 439208DEST_PATH_IMAGE035
，本实施例基于高斯模型的特征参数对初始超像素块的相关性进行分析，以便对初步划分得到的初始超像素块进行进一步的合并，计算任意两个初始超像素块的相关性，即：
Figure 147401DEST_PATH_IMAGE036
其中，
Figure 39133DEST_PATH_IMAGE001
为初始超像素块
Figure 829847DEST_PATH_IMAGE002
和初始超像素块
Figure 730807DEST_PATH_IMAGE003
的相关性，且
Figure 824665DEST_PATH_IMAGE037
，
Figure 28244DEST_PATH_IMAGE004
为相关因子，c为模型偏置，
Figure 168239DEST_PATH_IMAGE005
为初始超像素块
Figure 748256DEST_PATH_IMAGE002
中像素点的灰度值的均值，
Figure 290096DEST_PATH_IMAGE006
为初始超像素块
Figure 664576DEST_PATH_IMAGE003
中像素点的灰度值的均值，
Figure 291867DEST_PATH_IMAGE038
初始超像素块
Figure 144416DEST_PATH_IMAGE002
中像素点的灰度值的标准差，
Figure 540762DEST_PATH_IMAGE008
为初始超像素块
Figure 351724DEST_PATH_IMAGE003
中像素点的灰度值的标准差。本实施例设置
Figure 200731DEST_PATH_IMAGE039
，在具体应用中，可根据具体情况进行设定。
对高斯模型进行归一化处理，保证函数值处于[0,1]，模型函数值越大，则说明对应的两个超像素块越相似，本实施例基于高斯模型计算各初始超像素块之间的相关性，对初始超像素块进行合并。具体的，将待合并的初始超像素块与最大相关性对应的各初始超像素块进行合并，得到合并后的超像素块，为实现超像素块合并的精度，再基于合并后的超像素块的高斯模型计算合并后的超像素块的相关性，根据合并后的超像素块的相关性采用上述方法迭代合并，直至任意两个超像素块之间的相关性均低于相关性阈值
Figure 856971DEST_PATH_IMAGE040
，本实施例设置相关性阈值
Figure 42577DEST_PATH_IMAGE041
，在具体应用中，根据具体情况进行设定。超像素块迭代合并结束后，得到N个目标超像素块。
步骤S3，根据粒子的速度和位置更新公式，计算各粒子每次更新对应的速度和位置，所述粒子为像素点的灰度值，所述粒子的个数大于(N-1)；根据各粒子每次更新对应的速度和位置对各粒子进行迭代更新；根据适应度函数计算最后一次更新各粒子对应的适应度值；将适应度值从大到小排序，构建适应度值序列；获取适应度值序列中前(N-1)个适应度值对应的粒子的灰度值，将所述前(N-1)个适应度值对应的粒子的灰度值作为灰度阈值；根据所述灰度阈值，将ROI区域图像划分为N个类别。
为实现对刀具表面像素点的准确识别划分，本实施例设置像素点分类模型，用于对ROI区域图像中的像素点进行精确划分。所述像素点分类模型具体为：首先，基于步骤S2中超像素块分割及合并过程，得到刀具表面像素点的种类，本实施例将上述获取的目标超像素块数量N作为刀具像素点划分的类别数，以实现对刀具像素点的划分。然后本实施例对像素点划分最佳划分灰度阈值集合进行提取，以获取(N-1)个最佳像素点划分阈值对刀具像素点重新进行类别划分。
最佳划分灰度阈值的获取方法如下：
本实施例将像素点的灰度值抽象为粒子，设置粒子数目m，即先选取m个灰度阈值，取值范围[0,255]，其中m>N-1。然后对每个粒子赋予随机的初始位置和速度，根据适应度函数计算每个粒子的适应度，接着利用速度和位置的更新公式计算各粒子下次更新时对应的速度和位置，根据各粒子下次更新时对应的速度和位置对各粒子进行更新，速度和位置的更新公式为：
Figure 883494DEST_PATH_IMAGE042
Figure 360743DEST_PATH_IMAGE043
其中，
Figure 945308DEST_PATH_IMAGE044
为粒子i的第k次迭代速度，
Figure 191613DEST_PATH_IMAGE045
为粒子i的第(k-1)次迭代速度，
Figure 203431DEST_PATH_IMAGE046
为群体最佳位置，
Figure 902397DEST_PATH_IMAGE047
为粒子i的最佳位置，k为迭代次数，
Figure 25074DEST_PATH_IMAGE048
为粒子i的第(k-1)次迭代位置，
Figure 125885DEST_PATH_IMAGE049
为粒子i的第k次迭代位置，
Figure 308605DEST_PATH_IMAGE050
为在[0,1]上随机分布的随机数，
Figure 760446DEST_PATH_IMAGE051
为在[0,1]上随机分布的随机数，
Figure 686814DEST_PATH_IMAGE010
为惯性权重系数，
Figure 438869DEST_PATH_IMAGE052
为第一学习因子，
Figure 933435DEST_PATH_IMAGE053
为第二学习因子，本实施例中
Figure 731627DEST_PATH_IMAGE054
。
传统多采用线性递减的更新策略，考虑到线性递减更新在迭代初期极易搜索不到最优值，就可能会导致后续迭代陷入局部极值，因此，本实施例对惯性权重系数进行优化修正，以保证搜索出准确的像素点划分阈值，惯性权重系数优化具体为：
Figure 334122DEST_PATH_IMAGE009
其中，
Figure 268580DEST_PATH_IMAGE010
为优化后的惯性权重系数，
Figure 668469DEST_PATH_IMAGE011
为小于1的权值系数的最大值，
Figure 953956DEST_PATH_IMAGE012
为小于1的权值系数的最小值，
Figure 97493DEST_PATH_IMAGE013
为第一控制因子，
Figure 824140DEST_PATH_IMAGE014
为第二控制因子，
Figure 785143DEST_PATH_IMAGE015
为最大迭代次数，
Figure 902135DEST_PATH_IMAGE016
为迭代次数。本实施例设置
Figure 239575DEST_PATH_IMAGE055
，
Figure 23992DEST_PATH_IMAGE056
，
Figure 890317DEST_PATH_IMAGE057
，在具体应用中，
Figure 25763DEST_PATH_IMAGE011
、
Figure 307840DEST_PATH_IMAGE012
、
Figure 336976DEST_PATH_IMAGE058
、
Figure 270076DEST_PATH_IMAGE059
和
Figure 17452DEST_PATH_IMAGE060
的取值根据具体情况进行设定。
本实施例基于优化后的惯性权重系数对各粒子的位置和速度进行更新。每次更新根据适应度函数计算各粒子的适应度值，即：
Figure 40903DEST_PATH_IMAGE017
其中，
Figure 924545DEST_PATH_IMAGE018
为粒子
Figure 273618DEST_PATH_IMAGE019
对应的适应度值，
Figure 914815DEST_PATH_IMAGE020
为第1个类别内像素点个数与ROI区域图像中像素点个数的比值，
Figure 866590DEST_PATH_IMAGE021
为第2个类别内像素点个数与ROI区域图像中像素点个数的比值，
Figure 745685DEST_PATH_IMAGE022
为第N个类别内像素点个数与ROI区域图像中像素点个数的比值，
Figure 124713DEST_PATH_IMAGE023
为第1个类别内像素点的灰度均值，
Figure 190889DEST_PATH_IMAGE061
为第2个类别内像素点的灰度均值，
Figure 946356DEST_PATH_IMAGE025
为ROI区域图像中像素点的灰度均值。
本实施例通过适应度函数以及迭代更新过程获取每个粒子的适应度值，为防止无限迭代以及局部最优循环，本实施例设置最大迭代次数K=100。本实施例在最终更新后各粒子对应的适应度值选取刀具表面像素划分阈值，具体选取过程为：对最后一次更新对应的各粒子的适应度进行从大到小排序，构建适应度值序列
Figure 679957DEST_PATH_IMAGE062
，其中，
Figure 167570DEST_PATH_IMAGE063
，本实施例将适应度值序列中前
Figure 111255DEST_PATH_IMAGE064
个适应度值对应的粒子作为刀具表面像素点划分的最佳灰度阈值，这些最佳灰度阈值构成集合
Figure 11690DEST_PATH_IMAGE065
，基于这
Figure 724431DEST_PATH_IMAGE029
个灰度阈值将ROI区域图像中的像素点划分为N个类别，然后分别对每个类别中的像素点重新赋予相应的灰度值，赋值之后，同一个类别中像素点的灰度值相等，具体为：
Figure 382946DEST_PATH_IMAGE066
其中，
Figure 689293DEST_PATH_IMAGE067
为像素点
Figure 786562DEST_PATH_IMAGE068
赋值之后的灰度值，当像素点本身的灰度值处于
Figure 229176DEST_PATH_IMAGE069
)之间时，将对应像素点的灰度值置于
Figure 386488DEST_PATH_IMAGE070
；当像素点本身的灰度值处于[
Figure 914553DEST_PATH_IMAGE071
)之间时，将对应像素点的灰度值置于
Figure 549933DEST_PATH_IMAGE072
；依次类推；当像素点本身的灰度值处于
Figure 112633DEST_PATH_IMAGE073
]之间时，将对应像素点的灰度值置于1。后续提到像素点的灰度值均为赋值之后的灰度值。
步骤S4，根据各类别中像素点的灰度值，计算待检测刀具的缺陷指标；判断所述缺陷指标是否大于阈值，若大于，则判定待检测刀具表面异常。
基于上述方法完成对ROI区域图像中像素点的划分，考虑到刀具表面的各缺陷区域多为小目标特征，因此，对刀具区域的像素点进行类别划分之后，本实施例统计各类别中像素点的数量，将像素点数量最多的类别作为刀具表面正常类别，其余的各类别作为缺陷类别，各缺陷类别所在的区域即为缺陷区域，本实施例将各缺陷区域的像素点的数量之和
Figure 440846DEST_PATH_IMAGE028
作为待检测刀具表面缺陷像素点总数；获取刀具表面正常类别中各像素点的灰度值，根据刀具表面正常类别中各像素点的灰度值，计算刀具表面正常类别中像素点的灰度均值
Figure 456206DEST_PATH_IMAGE030
，同时，对于任一缺陷类别：获取该类别中各像素点的灰度值，根据该类别中各像素点的灰度值，计算该类别中像素点的灰度均值；根据刀具表面正常类别中像素点的灰度均值和各缺陷区域的灰度均值，计算待检测刀具的表面缺陷指标，即：
Figure 832961DEST_PATH_IMAGE026
其中，
Figure 374801DEST_PATH_IMAGE027
为待检测刀具的表面缺陷指标，
Figure 480773DEST_PATH_IMAGE074
为缺陷类别中像素点数量之和，
Figure 108063DEST_PATH_IMAGE029
为缺陷类别的总个数，
Figure 757350DEST_PATH_IMAGE030
为待检测刀具表面正常类别中像素点的灰度均值，
Figure 294642DEST_PATH_IMAGE031
为第
Figure 964658DEST_PATH_IMAGE032
个缺陷类别中像素点的灰度均值，
Figure 689031DEST_PATH_IMAGE033
为自然对数的底数。
待检测刀具的缺陷指标
Figure 469905DEST_PATH_IMAGE027
越大，说明待检测刀具的表面越异常；待检测刀具的表面缺陷指标
Figure 861704DEST_PATH_IMAGE027
越小，说明待检测刀具的表面状况越好。本实施例设置缺陷指标阈值
Figure 374725DEST_PATH_IMAGE075
，判断待检测刀具的表面缺陷指标是否大于
Figure 711028DEST_PATH_IMAGE075
，若大于，则判定待检测刀具表面异常，无法投入机械制造加工过程中进行使用，需要对其再次加工，降低次品率，防止后续使用过程中事故的发生；若待检测刀具的表面缺陷指标小于等于
Figure 170959DEST_PATH_IMAGE075
，则判定待检测刀具表面未出现异常。缺陷指标阈值
Figure 214002DEST_PATH_IMAGE075
的取值根据具体情况进行设定。
本实施例为了判断待检测刀具表面是否存在缺陷，提供了一种利用可见光图像检测机械刀具的方法，该方法能够应用于新材料相关服务，可以实现新材料检测、计量、相关标准化、认证认可服务等。考虑到缺陷区域像素点的灰度值与正常区域像素点的灰度值有一定差别，本实施例利用可见光图像分析待检测的机械刀具表面是否存在缺陷。具体过程如下：首先获取待检测刀具的表面图像中的ROI区域图像，对ROI区域图像进行超像素分割，得到对应的初始超像素块，然后计算任意两个初始超像素块的相关性，根据相关性对初始超像素块进行合并，得到N个目标超像素块；考虑到超像素块的分割非常不准确，本实施例接着采用粒子迭代更新的方法，得到(N-1)个用于划分像素点类别的最佳灰度阈值；根据最佳灰度阈值，将ROI区域图像划分为N个类别，根据各类别中像素点的数量，将这N个类别划分为正常类别和缺陷类别，根据各类别中像素点的灰度值，计算待检测刀具的缺陷指标，根据缺陷指标判断待检测刀具表面是否出现异常。本实施例的***为生产领域的人工智能***，本实施例提供的方法是一种利用光学手段分析机械刀具的方法，具体是测试机械刀具表面瑕疵或者缺陷的存在，该方法能够对机械刀具表面缺陷进行自动化检测，以便于工作人员实时了解待检测刀具表面状况，提高了检测效率。
一种机械刀具表面材质检测***实施例
本实施例一种机械刀具表面材质检测***包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的一种机械刀具表面材质检测方法。
由于机械刀具表面材质检测方法已经在机械刀具表面材质检测方法实施例中进行了说明，所以本实施例不再对机械刀具表面材质检测方法进行赘述。
需要说明的是：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 (7)

1.一种机械刀具表面材质检测方法，其特征在于，该方法包括以下步骤：
获取待检测的刀具表面图像，对待检测的刀具表面图像进行边缘检测，将待检测的刀具边缘图像的内部区域图像作为ROI区域图像；
对所述ROI区域图像进行超像素分割，得到对应的初始超像素块；根据各初始超像素块中像素点的灰度值，得到各初始像素块对应的高斯模型；根据各初始超像素块对应的高斯模型，计算任意两个初始超像素块的相关性；根据所述任意两个初始超像素块的相关性，对初始像素块进行迭代合并，得到N个目标超像素块；
根据粒子的速度和位置更新公式，计算各粒子每次更新对应的速度和位置，所述粒子的个数大于(N-1)；根据各粒子每次更新对应的速度和位置对各粒子进行迭代更新；根据适应度函数计算最后一次更新各粒子对应的适应度值；将适应度值从大到小排序，构建适应度值序列；获取适应度值序列中前(N-1)个适应度值对应的粒子的灰度值，将所述前(N-1)个适应度值对应的粒子的灰度值作为灰度阈值；根据所述灰度阈值，将ROI区域图像划分为N个类别；
根据各类别中像素点的灰度值，计算待检测刀具的缺陷指标；判断所述缺陷指标是否大于阈值，若大于，则判定待检测刀具表面异常；
对速度和位置更新公式中的惯性权重系数进行优化，优化后的惯性权重系数为：
Figure 520017DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为优化后的惯性权重系数，
Figure 185092DEST_PATH_IMAGE004
为权值系数的最大值，
Figure DEST_PATH_IMAGE005
为权值系数的最小值，
Figure 764103DEST_PATH_IMAGE006
为第一控制因子，
Figure DEST_PATH_IMAGE007
为第二控制因子，
Figure 764420DEST_PATH_IMAGE008
为最大迭代次数，
Figure DEST_PATH_IMAGE009
为迭代次数。
2.根据权利要求1所述的一种机械刀具表面材质检测方法，其特征在于，采用如下公式计算任意两个初始超像素块的相关性：
Figure DEST_PATH_IMAGE011
其中，
Figure 29048DEST_PATH_IMAGE012
为初始超像素块
Figure 671382DEST_PATH_IMAGE014
和初始超像素块
Figure 150905DEST_PATH_IMAGE016
的相关性，
Figure DEST_PATH_IMAGE017
为相关因子，c为模型偏置，
Figure 810206DEST_PATH_IMAGE018
为初始超像素块
Figure 375180DEST_PATH_IMAGE014
中像素点的灰度值的均值，
Figure DEST_PATH_IMAGE019
为初始超像素块
Figure 273734DEST_PATH_IMAGE016
中像素点的灰度值的均值，
Figure 607764DEST_PATH_IMAGE020
初始超像素块
Figure 215463DEST_PATH_IMAGE014
中像素点的灰度值的标准差，
Figure DEST_PATH_IMAGE021
为初始超像素块
Figure 487306DEST_PATH_IMAGE016
中像素点的灰度值的标准差。
3.根据权利要求1所述的一种机械刀具表面材质检测方法，其特征在于，所述适应度函数为：
Figure DEST_PATH_IMAGE023
其中，
Figure 674705DEST_PATH_IMAGE024
为粒子
Figure DEST_PATH_IMAGE025
对应的适应度值，
Figure 876623DEST_PATH_IMAGE026
为第1个类别内像素点个数与ROI区域图像中像素点个数的比值，
Figure DEST_PATH_IMAGE027
为第2个类别内像素点个数与ROI区域图像中像素点个数的比值，
Figure 373332DEST_PATH_IMAGE028
为第N个类别内像素点个数与ROI区域图像中像素点个数的比值，
Figure DEST_PATH_IMAGE029
为第1个类别内像素点的灰度均值，
Figure 381739DEST_PATH_IMAGE030
为第2个类别内像素点的灰度均值，
Figure DEST_PATH_IMAGE031
为ROI区域图像中像素点的灰度均值。
4.根据权利要求1所述的一种机械刀具表面材质检测方法，其特征在于，所述根据所述任意两个初始超像素块的相关性，对初始像素块进行迭代合并，得到N个目标超像素块，包括：
对于任一初始超像素块：将该初始超像素块与其相关性最大的初始超像素块进行合并，得到第一超像素块；
计算任意两个第一超像素块的相关性；
对于任一第一超像素块：将该第一超像素块与其相关性最大的第一超像素块进行合并，得到第二超像素块；
当超像素块之间的相关性均小于设定阈值时，停止对超像素块的合并，将最后一次合并得到的超像素块记为目标超像素块。
5.根据权利要求1所述的一种机械刀具表面材质检测方法，其特征在于，所述根据各类别中像素点的灰度值，计算待检测刀具的缺陷指标，包括：
统计各类别中像素点的数量，将像素点数量最多的类别作为刀具表面正常类别，将其它的类别作为缺陷类别，所述其它的类别为N个类别中除刀具表面正常类别之外的类别；
根据刀具表面正常类别中各像素点的灰度值，计算刀具表面正常类别中像素点的灰度均值；
对于任一缺陷类别：根据该类别中各像素点的灰度值，计算该类别中像素点的灰度均值；
根据刀具表面正常类别中像素点的灰度均值和各缺陷类别中像素点的灰度均值，计算待检测刀具的缺陷指标。
6.根据权利要求5所述的一种机械刀具表面材质检测方法，其特征在于，采用如下公式计算待检测刀具的缺陷指标：
Figure DEST_PATH_IMAGE033
其中，
Figure 592403DEST_PATH_IMAGE034
为待检测刀具的缺陷指标，
Figure DEST_PATH_IMAGE035
为缺陷类别中像素点数量之和，
Figure 400826DEST_PATH_IMAGE036
为缺陷类别的总个数，
Figure DEST_PATH_IMAGE037
为待检测刀具表面正常类别中像素点的灰度均值，
Figure 334016DEST_PATH_IMAGE038
为第
Figure DEST_PATH_IMAGE039
个缺陷类别中像素点的灰度均值，
Figure 518135DEST_PATH_IMAGE040
为自然对数的底数。
7.一种机械刀具表面材质检测***，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-6任一项所述的一种机械刀具表面材质检测方法。
CN202210895287.3A 2022-07-28 2022-07-28 一种机械刀具表面材质检测方法及*** Active CN115063409B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210895287.3A CN115063409B (zh) 2022-07-28 2022-07-28 一种机械刀具表面材质检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210895287.3A CN115063409B (zh) 2022-07-28 2022-07-28 一种机械刀具表面材质检测方法及***

Publications (2)

Publication Number Publication Date
CN115063409A CN115063409A (zh) 2022-09-16
CN115063409B true CN115063409B (zh) 2022-11-11

Family

ID=83206342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210895287.3A Active CN115063409B (zh) 2022-07-28 2022-07-28 一种机械刀具表面材质检测方法及***

Country Status (1)

Country Link
CN (1) CN115063409B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115294113B (zh) * 2022-09-30 2023-10-27 南通佳木汇木制品有限公司 一种木饰面板质量检测方法
CN115272353A (zh) * 2022-10-07 2022-11-01 山东盛世恒机械制造有限公司 适用于裂纹检测的图像处理方法
CN115431101A (zh) * 2022-10-18 2022-12-06 南通钜德智能科技有限公司 一种数控机床状态检测方法及***
CN115393657B (zh) * 2022-10-26 2023-01-31 金成技术股份有限公司 基于图像处理的金属管材生产异常识别方法
CN115439474B (zh) * 2022-11-07 2023-01-24 山东天意机械股份有限公司 一种电力设备故障快速定位方法
CN115965624B (zh) * 2023-03-16 2023-05-30 山东宇驰新材料科技有限公司 一种抗磨液压油污染颗粒检测方法
CN117124139B (zh) * 2023-10-26 2024-01-09 合肥亚明汽车部件有限公司 一种智能机床刀具磨损视觉检测方法
CN117274241B (zh) * 2023-11-17 2024-02-09 四川赢信汇通实业有限公司 一种基于快速图像分析的制动鼓表面损坏检测方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108053413A (zh) * 2017-12-12 2018-05-18 上海斐讯数据通信技术有限公司 一种基于粒子群算法的图像边缘检测方法及***
CN109120230B (zh) * 2018-07-19 2019-10-11 苏州热工研究院有限公司 一种太阳能电池片el图像检测和缺陷识别方法
CN114549497B (zh) * 2022-02-28 2022-11-29 扬州市恒邦机械制造有限公司 基于图像识别的走台板表面缺陷检测方法及人工智能***

Also Published As

Publication number Publication date
CN115063409A (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
CN115063409B (zh) 一种机械刀具表面材质检测方法及***
CN113989279B (zh) 基于人工智能及图像处理的塑料薄膜质量检测方法
CN110349126B (zh) 一种基于卷积神经网络带标记的钢板表面缺陷检测方法
CN110148130B (zh) 用于检测零件缺陷的方法和装置
CN111062915B (zh) 一种基于改进YOLOv3模型的实时钢管缺陷检测方法
CN115351598A (zh) 一种数控机床轴承检测方法
CN114943739B (zh) 一种铝管质量检测方法
CN109767422A (zh) 基于深度学习的管道检测识别方法、存储介质及机器人
CN113469951B (zh) 一种基于级联区域卷积神经网络的轮毂缺陷检测方法
CN116777907A (zh) 一种钣金件质量检测方法
CN116645367B (zh) 一种高端制造用的钢板切割质量检测方法
CN110473201A (zh) 一种刹车片表面缺陷的自动检测方法及装置
CN109359604B (zh) 面向巡检机器人的阴影干扰下仪表识别方法
CN116664565A (zh) 一种光伏太阳能电池片的隐裂检测方法及***
CN115880520A (zh) 一种基于模板匹配和缺陷分割的缺陷等级分类方法及***
CN116030060A (zh) 一种塑料颗粒质量检测方法
CN115439458A (zh) 基于深度图注意力的工业图像缺陷目标检测算法
CN117392042A (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN110334775B (zh) 一种基于宽度学习的无人机线路故障识别方法和装置
CN115797314A (zh) 零件表面缺陷检测方法、***、设备及存储介质
CN116152242A (zh) 一种篮球用天然皮革缺陷可视化检测***
CN111178405A (zh) 一种融合多种神经网络的相似物体识别方法
CN110569764A (zh) 一种基于卷积神经网络的手机型号识别方法
CN114049490A (zh) 一种智能化职业卫生预警方法及***
CN115457323A (zh) 基于视觉检测***的手机玻璃屏非均衡表面缺陷分类方法

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