CN115082418A - 一种汽车零部件精密识别方法 - Google Patents
一种汽车零部件精密识别方法 Download PDFInfo
- Publication number
- CN115082418A CN115082418A CN202210822912.1A CN202210822912A CN115082418A CN 115082418 A CN115082418 A CN 115082418A CN 202210822912 A CN202210822912 A CN 202210822912A CN 115082418 A CN115082418 A CN 115082418A
- Authority
- CN
- China
- Prior art keywords
- defect
- window
- run
- gray level
- frequency
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000007547 defect Effects 0.000 claims abstract description 217
- 239000011159 matrix material Substances 0.000 claims abstract description 91
- 230000002950 deficient Effects 0.000 claims abstract description 28
- 238000003708 edge detection Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 230000002776 aggregation Effects 0.000 claims description 11
- 238000004220 aggregation Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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
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)
Abstract
本发明涉及图像处理领域,具体涉及一种汽车零部件精密识别方法。获取齿轮灰度图像进行窗口分割;对每个窗口进行边缘检测,获取缺陷窗口;计算缺陷窗口中边缘像素点的缺陷程度,获取缺陷像素点;以缺陷像素点为中心,根据邻域上各个方向的缺陷像素点个数计算方向概率;获取缺陷窗口各个方向的灰度游程矩阵,获取每个缺陷窗口的最终灰度游程矩阵;将最终灰度游程矩阵划分为长游程区域和短游程区域;计算游程频数差异度;将最终灰度游程矩阵划分为高灰度阶区域和低灰度阶区域;计算灰度频数差异度;计算每个缺陷窗口的置信度判断该窗口的缺陷类别。本发明结合矩阵中像素的灰度频数差异特征、游程长度差异特征,能够更加准确的识别缺陷类型。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种汽车零部件精密识别方法。
背景技术
齿轮是组成汽车的一个很重要的零部件,但其在生产加工过程中由于锻造力度、温度等原因造成生产缺陷,包括齿轮表面裂纹或划痕等,一旦汽车采用了具有裂纹的残次品齿轮,在重载和应力过大情况下极有可能导致齿轮的破坏,甚至导致整个机械设备的故障和报废,严重时还会危及人身安全,而齿轮表面是划痕缺陷时,可能是仅由摩擦产生的表面缺陷,若误判为裂纹缺陷,则需对其进行更换,对车主造成不必要的经济损失,因此需要齿轮的缺陷类型进行准确判断。
目前对于齿轮表面缺陷主要依据人工检测,人工检测效率低下且不容易准确区分出裂纹与划痕,容易造成漏检和误检,主观性太强,且当前大多是对齿轮使用后的磨损程度进行分析,对于齿轮的表面生产质量分析较少,同时常规的图像处理技术无法对齿轮的缺陷类型做出准确的区分,存在一定的误差。
由此本发明提出一种齿轮表面缺陷的精密识别方法,结合齿轮图像中缺陷区域的特征构建游程矩阵,从而根据游程矩阵中各个区域的像素点特征识别齿轮缺陷是裂纹还是划痕。
发明内容
本发明提供一种汽车零部件精密识别方法,以解决现有的问题,包括:获取齿轮灰度图像进行窗口分割;对每个窗口进行边缘检测,获取缺陷窗口;计算缺陷窗口中边缘像素点的缺陷程度,获取缺陷像素点;以缺陷像素点为中心,根据邻域上各个方向的缺陷像素点个数计算方向概率;获取缺陷窗口各个方向的灰度游程矩阵,获取每个缺陷窗口的最终灰度游程矩阵;将最终灰度游程矩阵划分为长游程区域和短游程区域;计算游程频数差异度;将最终灰度游程矩阵划分为高灰度阶区域和低灰度阶区域;计算灰度频数差异度;计算每个缺陷窗口的置信度判断该窗口的缺陷类别。
本发明首先通过边缘检测对齿轮图像中的像素点进行初步判断,从而对获得的疑似缺陷窗口进行灰度游程矩阵的建立,大大减少了计算量,同时在建立灰度游程矩阵时通过对窗口中缺陷像素点在各个方向的分布对窗口各个方向的游程矩阵进行加权,得到最终的灰度游程矩阵能够更加完整的表征缺陷窗口中像素点的特征,进而结合矩阵中像素的灰度频数差异特征、游程长度差异特征,双重特征紧密结合纹理信息,能够更加准确的识别缺陷类型。
本发明采用如下技术方案,一种汽车零件精密识别方法,包括:
获取齿轮灰度图像,对灰度图像进行窗口分割,得到多个窗口。
对每个窗口进行边缘检测,将检测得到的边缘像素点的个数占比大于阈值的窗口作为缺陷窗口。
计算每个缺陷窗口中的边缘像素点的缺陷程度,将缺陷程度大于阈值的边缘像素点作为缺陷像素点,获取每个缺陷窗口中的所有缺陷像素点。
以每个缺陷像素点为中心,统计每个缺陷像素点邻域上各个方向的缺陷像素点个数,根据每个方向上缺陷像素点的个数计算每个方向的方向概率。
获取每个缺陷窗口各个方向的灰度游程矩阵,根据每个窗口各个方向的灰度游程矩阵以及对应方向的方向概率获取每个缺陷窗口的最终灰度游程矩阵。
将每个缺陷窗口的最终灰度游程矩阵平均划分为长游程区域和短游程区域。
根据最终灰度游程矩阵中长游程区域和短游程区域中元素的频数计算每个缺陷窗口的游程频数差异度。
将每个缺陷窗口的最终灰度游程矩阵平均划分为高灰度阶区域和低灰度阶区域。
根据最终灰度游程矩阵中高灰度阶区域和低灰度阶区域中元素的频数计算每个缺陷窗口的灰度频数差异度。
根据每个缺陷窗口的游程频率差异度和灰度频率差异度计算每个缺陷窗口的置信度,根据每个缺陷窗口的置信度判断该窗口的缺陷类别。
进一步的,一种汽车零部件精密识别方法,计算每个缺陷窗口中的边缘像素点的缺陷程度的方法为:
获取每个边缘像素点的邻域内与该边缘像素点灰度值相同的像素点个数;
对每个边缘像素点的邻域中像素点依次进行遍历,获取该边缘像素点灰度值相同的连续像素点个数,作为每个边缘像素点的像素聚集程度;
根据每个边缘像素点的像素聚集程度以及邻域内与该边缘像素点灰度值相同的像素点个数计算每个边缘像素点的缺陷程度。
进一步的,一种汽车零部件精密识别方法,获取每个缺陷窗口的最终灰度游程矩阵的方法为:
根据每个缺陷窗口中0°、45°、90°、135°方向上的像素点数量获取对应的方向概率;
获取每个缺陷窗口在0°、45°、90°、135°方向上的灰度游程矩阵,根据每个方向上的灰度游程矩阵及对应方向的方向概率进行加权求和,得到每个缺陷窗口的最终灰度游程矩阵。
进一步的,一种汽车零部件精密识别方法,计算每个缺陷窗口的游程频数差异度的方法为:
根据游程长度将最终灰度游程矩阵平均分为长游程区域和短游程区域,分别统计长游程区域和短游程区域中所有元素的频数;
根据长游程区域中所有元素的频数和短游程区域中所有元素的频数计算每个缺陷窗口的游程频数差异度,表达式为:
进一步的,一种汽车零部件精密识别方法,计算每个缺陷窗口的灰度频数差异度的方法为:
根据灰度阶将最终灰度游程矩阵平均划分为高灰度阶区域和低灰度阶区域,分别统计高灰度阶区域和低灰度阶区域中所有元素的频数;
根据高灰度阶区域和低灰度阶区域中所有元素的频数计算每个缺陷窗口的灰度频数差异度,表达式为:
进一步的,一种汽车零部件精密识别方法,计算每个缺陷窗口的置信度的方法为:
根据每个缺陷窗口的游程频率差异度和灰度频率差异度计算每个缺陷窗口的置信度,表达式为:
进一步的,一种汽车零部件精密识别方法,根据每个缺陷窗口的置信度判断该窗口的缺陷类别的方法为:
当缺陷窗口的置信度大于阈值时,该缺陷窗口中存在裂纹缺陷;
当缺陷窗口的置信度小于阈值时,该缺陷窗口中存在划痕。
本发明的有益效果是:本发明首先通过边缘检测对齿轮图像中的像素点进行初步判断,从而对获得的疑似缺陷窗口进行灰度游程矩阵的建立,大大减少了计算量,同时在建立灰度游程矩阵时通过对窗口中缺陷像素点在各个方向的分布对窗口各个方向的游程矩阵进行加权,得到最终的灰度游程矩阵能够更加完整的表征缺陷窗口中像素点的特征,进而结合矩阵中像素的灰度频数差异特征、游程长度差异特征,双重特征紧密结合纹理信息,能够更加准确的识别缺陷类型。
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为本发明实施例的一种汽车零部件精密识别方法结构示意图;
图2为本发明实施例将每个缺陷窗口的最终灰度游程矩阵沿竖直方向划分示意图;
图3为本发明实施例将每个缺陷窗口的最终灰度游程矩阵沿水平方向划分示意图。
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。
如图1所示,给出了本发明实施例的一种汽车零部件精密识别方法结构示意图,包括:
101.获取齿轮灰度图像,对灰度图像进行窗口分割,得到多个窗口。
对每个窗口进行边缘检测,将检测得到的边缘像素点的个数占比大于阈值的窗口作为缺陷窗口。
本发明所针对的具体场景为:齿轮在生产加工过程中产生的裂纹或划痕缺陷,人眼难以准确高效区分,因此使用图像处理技术分析缺陷图像,做到计算机对缺陷类型进行识别。
齿轮横截面朝上水平摆放,固定光源于齿轮上方,采集过程中使用工业专业采集相机,位于齿轮正上方开始采集,由于采集到的图像受到噪声干扰,因此对采集到的图像进行高斯滤波降噪处理,将采集到的图像进行语义分割去除背景区域,保留齿轮区域,并将齿轮区域图像转换为灰度图像。
由于齿轮横截面可能存在多处缺陷,我们需要对每一处缺陷结合该缺陷的灰度游程矩阵分析缺陷的纹理特征,因此我们需要分割图像,尽可能的将每一处缺陷分割到一个窗口,进而筛选存在缺陷的窗口,根据窗口灰度共生矩阵内反应的纹理信息差异来分析缺陷的裂纹类型。
正常无缺陷区域灰度均匀无异常,而缺陷区域的像素灰度值与正常区域的像素灰度值存在差异,主要表现为裂纹区域的像素灰度值低于正常区域像素灰度值,划痕区域像素灰度值高于正常区域像素灰度值,因此没有必要获取整个齿轮的灰度共生矩阵,只需要获得存在缺陷的窗口区域即可。
对每一窗口都使用sobel算子进行边缘检测,当滑块中检测出较多的边缘时,认为该滑块存在缺陷,反之认为当前滑块无缺陷。
102.计算每个缺陷窗口中的边缘像素点的缺陷程度,将置信度大于阈值的边缘像素点作为缺陷像素点,获取每个缺陷窗口中的所有缺陷像素点。
由于裂纹的是沿着晶粒裂开的,所以统计裂纹灰度游程矩阵时的统计方向应该更加精细的为每个方向划分不同的权重,而划痕区域的灰度共生矩阵也没有必要朝各个方向都进行计算再加权求和。综上所述,我们通过分析裂纹与划痕的实时图像纹理特征获得自适应的灰度共生矩阵统计方向,这样能够使得后续的灰度游程矩阵的频数信息更加真实。
由于本发明灰度级量化是根据常规的分段量化,所以可能存在将非缺陷区域的像素点与缺陷区域像素点的值归并为同一类,且伪缺陷点恰好出现在缺陷点的八邻域内,故我们需要在八邻域内对灰度值相同的点进行筛选,伪缺陷点一般为孤立零散的,周围没有连续的伪缺陷点,真实缺陷点一般邻域一侧或整个邻域大部分区域都是缺陷点。
分析A点邻域内像素的分布特征,即统计邻域同灰度像素数目以及这些像素的分布聚集性,从而计算点A为缺陷点的缺陷程度为:,式中为点A邻域内同灰度值的像素数量,HP为像素点邻域内同灰度值像素的聚集程度,计算公式为:,HP为像素聚集程度,初始值为0,从像素邻域的第一个像素值为0的点展开开始统计,当下一个像素灰度值与前一个像素灰度值相同且都不为0时,中心像素的聚集程度加1,当出现下一个像素与前一像素灰度值不同时聚集程度保持不变,最终获得当前点为真缺陷点的缺陷程度,本发明中当像素点的缺陷程度时,认为该像素点为缺陷像素点。
计算每个缺陷窗口中的边缘像素点的缺陷程度的方法为:
获取每个边缘像素点的邻域内与该边缘像素点灰度值相同的像素点个数;
对每个边缘像素点的邻域中像素点依次进行遍历,获取该边缘像素点灰度值相同的连续像素点个数,作为每个边缘像素点的像素聚集程度;
根据每个边缘像素点的像素聚集程度以及邻域内与该边缘像素点灰度值相同的像素点个数计算每个边缘像素点的缺陷程度。
103.以每个缺陷像素点为中心,统计每个缺陷像素点邻域上各个方向的缺陷像素点个数,根据每个方向上缺陷像素点的个数计算每个方向的方向概率。
统计所有真缺陷点邻域内同灰度值像素相对于中心像素点的方向角度:,对这些方向角度做依次概率分布统计,分别计算出0°方向概率为:,其中,式中为统计0度和180度角的像素数量,i为真缺陷像素点总数量,同理计算45°方向概率为:,其中;90°方向概率为:,其中;135°方向概率为:,其中。
104.获取每个缺陷窗口各个方向的灰度游程矩阵,根据每个窗口各个方向的灰度游程矩阵以及对应方向的方向概率获取每个缺陷窗口的最终灰度游程矩阵。
获取每个缺陷窗口的最终灰度游程矩阵的方法为:
根据每个缺陷窗口中0°、45°、90°、135°方向上的像素点数量获取对应的方向概率;
获取每个缺陷窗口在0°、45°、90°、135°方向上的灰度游程矩阵,根据每个方向上的灰度游程矩阵及对应方向的方向概率进行加权求和,得到每个缺陷窗口的最终灰度游程矩阵。
105.将每个缺陷窗口的最终灰度游程矩阵平均划分为长游程区域和短游程区域。
将每个缺陷窗口的最终灰度游程矩阵沿竖直方向划分为2个大小相同的矩形,划分示意图如图2所示。
图中A1区域矩阵的游程短,A2区域矩阵的游程较长,游程的越长说明当前缺陷为划痕的可能性越大,反之游程越短时说明当前缺陷为裂纹的可能性越大。
统计当前窗口灰度游程矩阵各区域像素长游程与短游程的频数差异,根据频数差异初次分析当前缺陷的类型,统计A1区域的短游程频数计算公式为:,式中表示短游程的频数,i为第i个灰度阶,j为游程长度,区间为(1,),P(i,j)为灰度值为i,长度为j的游程频数,的值越大,短游程频数越大。
根据最终灰度游程矩阵中长游程区域和短游程区域中元素的频数计算每个缺陷窗口的游程频数差异度。
计算每个缺陷窗口的游程频数差异度的方法为:
根据游程长度将最终灰度游程矩阵平均分为长游程区域和短游程区域,分别统计长游程区域和短游程区域中所有元素的频数;
根据长游程区域中所有元素的频数和短游程区域中所有元素的频数计算每个缺陷窗口的游程频数差异度,表达式为:
其中,表示每个缺陷窗口的游程频数差异度,表示短游程的频数,表示长游程的频数,当>1时说明短游程的频数更高,反映出当前窗口内的缺陷是裂纹的可能性更大。反之,当<1时说明长游程的频数更高,反映出当前窗口内的缺陷是划痕的可能性更高。
106.将每个缺陷窗口的最终灰度游程矩阵平均划分为高灰度阶区域和低灰度阶区域。
将窗口的灰度游程矩阵沿水平方向划分为两个大小相等的区域,划分示意图如图3所示。
图中A3区域为低灰度区域,A4为高灰度区域。灰度值越高说明当前缺陷为划痕的可能性也越高,反之当灰度值越低是认为当前缺陷为裂纹的可能性越高。
根据最终灰度游程矩阵中高灰度阶区域和低灰度阶区域中元素的频数计算每个缺陷窗口的灰度频数差异度。
计算每个缺陷窗口的灰度频数差异度的方法为:
根据灰度阶将最终灰度游程矩阵平均划分为高灰度阶区域和低灰度阶区域,分别统计高灰度阶区域和低灰度阶区域中所有元素的频数;
根据高灰度阶区域和低灰度阶区域中所有元素的频数计算每个缺陷窗口的灰度频数差异度,表达式为:
其中,表示每个缺陷窗口的灰度频数差异度,表示游程长度为j,灰度阶为i的像素频数,m表示最终灰度游程矩阵的游程长度,表示最终灰度游程矩阵的灰度阶长度,当时说明当前缺陷为裂纹的可能性越大,反之1说明当前缺陷为划痕的可能性越大。
107.根据每个缺陷窗口的游程频率差异度和灰度频率差异度计算每个缺陷窗口的置信度,根据每个缺陷窗口的置信度判断该窗口的缺陷类别。
裂纹与齿痕的区别无法根据单一的元素直接识别出来,需要灰度值和游程长度二者结合,能够很大程度上提高识别准确率。
计算每个缺陷窗口的置信度的方法为:
根据每个缺陷窗口的游程频率差异度和灰度频率差异度计算每个缺陷窗口的置信度,表达式为:
其中,表示每个缺陷窗口的置信度,表示每个缺陷窗口的游程频数差异度,表示每个缺陷窗口的灰度频数差异度,当的值越大说明矩阵内的低灰度短游程的频数较多,反映缺陷趋向于裂纹的可能性更大,反之当越小时说明矩阵内高灰度长游程的像素频数较多,反映缺陷趋向于划痕的可能性更大。
像素低灰度短游程区域的特征与裂纹的纹理特征十分匹配,高灰度短游程区域可能包含一小部***纹区域的像素也可能包含一小部分划痕区域的像素,像素低灰度长游程区域同样可能包含一小部***纹区域的像素也可能包含一小部分划痕区域的像素,高灰度长游程区域的特征与划痕的纹理特征十分匹配,因此根据每个窗口的置信度反应该窗口区域中的游程差异和灰度差异的大小,从而判断缺陷窗口中的缺陷类型。
根据每个缺陷窗口的置信度判断该窗口的缺陷类别的方法为:
当缺陷窗口的置信度大于阈值时,该缺陷窗口中存在裂纹缺陷;
当缺陷窗口的置信度小于阈值时,该缺陷窗口中存在划痕。
本发明首先通过边缘检测对齿轮图像中的像素点进行初步判断,从而对获得的疑似缺陷窗口进行灰度游程矩阵的建立,大大减少了计算量,同时在建立灰度游程矩阵时通过对窗口中缺陷像素点在各个方向的分布对窗口各个方向的游程矩阵进行加权,得到最终的灰度游程矩阵能够更加完整的表征缺陷窗口中像素点的特征,进而结合矩阵中像素的灰度频数差异特征、游程长度差异特征,双重特征紧密结合纹理信息,能够更加准确的识别缺陷类型。
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 (7)
1.一种汽车零部件精密识别方法,其特征在于,包括:
获取齿轮灰度图像,对灰度图像进行窗口分割,得到多个窗口;
对每个窗口进行边缘检测,将检测得到的边缘像素点的个数占比大于阈值的窗口作为缺陷窗口;
计算每个缺陷窗口中的边缘像素点的缺陷程度,将缺陷程度大于阈值的边缘像素点作为缺陷像素点,获取每个缺陷窗口中的所有缺陷像素点;
以每个缺陷像素点为中心,统计每个缺陷像素点邻域上各个方向的缺陷像素点个数,根据每个方向上缺陷像素点的个数计算每个方向的方向概率;
获取每个缺陷窗口各个方向的灰度游程矩阵,根据每个窗口各个方向的灰度游程矩阵以及对应方向的方向概率获取每个缺陷窗口的最终灰度游程矩阵;
将每个缺陷窗口的最终灰度游程矩阵平均划分为长游程区域和短游程区域;
根据最终灰度游程矩阵中长游程区域和短游程区域中元素的频数计算每个缺陷窗口的游程频数差异度;
将每个缺陷窗口的最终灰度游程矩阵平均划分为高灰度阶区域和低灰度阶区域;
根据最终灰度游程矩阵中高灰度阶区域和低灰度阶区域中元素的频数计算每个缺陷窗口的灰度频数差异度;
根据每个缺陷窗口的游程频率差异度和灰度频率差异度计算每个缺陷窗口的置信度,根据每个缺陷窗口的置信度判断该窗口的缺陷类别。
2.根据权利要求1所述的一种汽车零部件精密识别方法,其特征在于,计算每个缺陷窗口中的边缘像素点的缺陷程度的方法为:
获取每个边缘像素点的邻域内与该边缘像素点灰度值相同的像素点个数;
对每个边缘像素点的邻域中像素点依次进行遍历,获取该边缘像素点灰度值相同的连续像素点个数,作为每个边缘像素点的像素聚集程度;
根据每个边缘像素点的像素聚集程度以及邻域内与该边缘像素点灰度值相同的像素点个数计算每个边缘像素点的缺陷程度。
3.根据权利要求1所述的一种汽车零部件精密识别方法,其特征在于,获取每个缺陷窗口的最终灰度游程矩阵的方法为:
根据每个缺陷窗口中0°、45°、90°、135°方向上的像素点数量获取对应的方向概率;
获取每个缺陷窗口在0°、45°、90°、135°方向上的灰度游程矩阵,根据每个方向上的灰度游程矩阵及对应方向的方向概率进行加权求和,得到每个缺陷窗口的最终灰度游程矩阵。
7.根据权利要求1所述的一种汽车零部件精密识别方法,其特征在于,根据每个缺陷窗口的置信度判断该窗口的缺陷类别的方法为:
当缺陷窗口的置信度大于阈值时,该缺陷窗口中存在裂纹缺陷;
当缺陷窗口的置信度小于阈值时,该缺陷窗口中存在划痕。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210822912.1A CN115082418B (zh) | 2022-07-14 | 2022-07-14 | 一种汽车零部件精密识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210822912.1A CN115082418B (zh) | 2022-07-14 | 2022-07-14 | 一种汽车零部件精密识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115082418A true CN115082418A (zh) | 2022-09-20 |
CN115082418B CN115082418B (zh) | 2022-11-04 |
Family
ID=83259462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210822912.1A Active CN115082418B (zh) | 2022-07-14 | 2022-07-14 | 一种汽车零部件精密识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082418B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115270894A (zh) * | 2022-09-27 | 2022-11-01 | 山东行创科技有限公司 | 用于甲醇发电机的异常振动信号提取方法 |
CN115330773A (zh) * | 2022-10-12 | 2022-11-11 | 南通红运金属科技有限公司 | 一种金属研磨麻点缺陷检测方法 |
CN115359053A (zh) * | 2022-10-19 | 2022-11-18 | 江苏万森绿建装配式建筑有限公司 | 一种金属板材缺陷智能检测方法及*** |
CN115526890A (zh) * | 2022-11-25 | 2022-12-27 | 深圳市腾泰博科技有限公司 | 一种电唱机唱头故障因素识别方法 |
CN115731239A (zh) * | 2023-01-06 | 2023-03-03 | 山东建筑大学鉴定检测中心有限公司 | 一种钢材质量的检测方法 |
CN115953398A (zh) * | 2023-03-13 | 2023-04-11 | 无锡斯达新能源科技股份有限公司 | 一种用于带钢表面的缺陷识别方法 |
CN116229335A (zh) * | 2023-05-10 | 2023-06-06 | 山东大佳机械有限公司 | 基于图像数据的畜禽养殖场环境识别方法 |
CN116309561A (zh) * | 2023-05-17 | 2023-06-23 | 威海赛宝工业信息技术研究院有限公司 | 一种基于防漏电绝缘材料的表面缺陷识别方法 |
CN116468728A (zh) * | 2023-06-20 | 2023-07-21 | 深圳市锦红兴科技有限公司 | 一种五金冲压件模具生产质量检测方法 |
CN116993722A (zh) * | 2023-09-26 | 2023-11-03 | 山东奥斯登房车有限公司 | 一种拖挂式房车车身缺陷视觉检测方法 |
CN117173703A (zh) * | 2023-11-02 | 2023-12-05 | 温州华嘉电器有限公司 | 一种隔离开关状态识别方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006331163A (ja) * | 2005-05-27 | 2006-12-07 | Matsushita Electric Ind Co Ltd | 画像処理装置 |
US20160078613A1 (en) * | 2013-04-19 | 2016-03-17 | Stichting Maastricht Radiation Oncology "Maastro-Clinic" | Method and System for Determining a Phenotype of a Neoplasm in a Human or Animal Body |
CN112998649A (zh) * | 2015-01-06 | 2021-06-22 | 大卫·伯顿 | 移动式可穿戴的监控*** |
CN114049489A (zh) * | 2022-01-13 | 2022-02-15 | 山东鹰联光电科技股份有限公司 | 一种光纤电缆护套破裂预警方法 |
CN114202541A (zh) * | 2022-02-17 | 2022-03-18 | 湖北中海电线电缆有限公司 | 基于人工智能的电缆缺陷检测方法 |
CN114240888A (zh) * | 2021-12-17 | 2022-03-25 | 沭阳安宏木制品厂 | 一种基于图像处理的家具组件喷漆缺陷修复方法及*** |
CN114399635A (zh) * | 2022-03-25 | 2022-04-26 | 珞石(北京)科技有限公司 | 基于特征定义和深度学习的图像二分类集成学习方法 |
CN114419025A (zh) * | 2022-01-27 | 2022-04-29 | 江苏泰和木业有限公司 | 一种基于图像处理的纤维板质量评估方法 |
CN114445387A (zh) * | 2022-01-29 | 2022-05-06 | 泗阳富艺木业股份有限公司 | 一种基于机器视觉的纤维板质量分类方法 |
CN114529549A (zh) * | 2022-04-25 | 2022-05-24 | 南通东德纺织科技有限公司 | 一种基于机器视觉的布匹缺陷标注方法及*** |
CN114708325A (zh) * | 2022-03-31 | 2022-07-05 | 南通华烨塑料工业有限公司 | 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法 |
-
2022
- 2022-07-14 CN CN202210822912.1A patent/CN115082418B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006331163A (ja) * | 2005-05-27 | 2006-12-07 | Matsushita Electric Ind Co Ltd | 画像処理装置 |
US20160078613A1 (en) * | 2013-04-19 | 2016-03-17 | Stichting Maastricht Radiation Oncology "Maastro-Clinic" | Method and System for Determining a Phenotype of a Neoplasm in a Human or Animal Body |
CN112998649A (zh) * | 2015-01-06 | 2021-06-22 | 大卫·伯顿 | 移动式可穿戴的监控*** |
CN114240888A (zh) * | 2021-12-17 | 2022-03-25 | 沭阳安宏木制品厂 | 一种基于图像处理的家具组件喷漆缺陷修复方法及*** |
CN114049489A (zh) * | 2022-01-13 | 2022-02-15 | 山东鹰联光电科技股份有限公司 | 一种光纤电缆护套破裂预警方法 |
CN114419025A (zh) * | 2022-01-27 | 2022-04-29 | 江苏泰和木业有限公司 | 一种基于图像处理的纤维板质量评估方法 |
CN114445387A (zh) * | 2022-01-29 | 2022-05-06 | 泗阳富艺木业股份有限公司 | 一种基于机器视觉的纤维板质量分类方法 |
CN114202541A (zh) * | 2022-02-17 | 2022-03-18 | 湖北中海电线电缆有限公司 | 基于人工智能的电缆缺陷检测方法 |
CN114399635A (zh) * | 2022-03-25 | 2022-04-26 | 珞石(北京)科技有限公司 | 基于特征定义和深度学习的图像二分类集成学习方法 |
CN114708325A (zh) * | 2022-03-31 | 2022-07-05 | 南通华烨塑料工业有限公司 | 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法 |
CN114529549A (zh) * | 2022-04-25 | 2022-05-24 | 南通东德纺织科技有限公司 | 一种基于机器视觉的布匹缺陷标注方法及*** |
Non-Patent Citations (4)
Title |
---|
BI MINGDE等: "Real-time textural defect detection based on label run length co-occurrence matrix", 《PROCEEDINGS 2011 INTERNATIONAL CONFERENCE ON TRANSPORTATION, MECHANICAL, AND ELECTRICAL ENGINEERING (TMEE)》 * |
FUQIAN SHI等: "Texture features based microscopic image classification of liver cellular granuloma using artificial neural networks", 《2019 IEEE 8TH JOINT INTERNATIONAL INFORMATION TECHNOLOGY AND ARTIFICIAL INTELLIGENCE CONFERENCE (ITAIC)》 * |
于彩香: "基于纹理分析的皮革可视缺陷检测方法的研究", 《中古优秀硕士学位论文全文数据库 信息科技辑》 * |
于彩香等: "基于灰度―游程累加的皮革缺陷自动检测", 《皮革与化工》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115270894A (zh) * | 2022-09-27 | 2022-11-01 | 山东行创科技有限公司 | 用于甲醇发电机的异常振动信号提取方法 |
CN115270894B (zh) * | 2022-09-27 | 2022-12-27 | 山东行创科技有限公司 | 用于甲醇发电机的异常振动信号提取方法 |
CN115330773A (zh) * | 2022-10-12 | 2022-11-11 | 南通红运金属科技有限公司 | 一种金属研磨麻点缺陷检测方法 |
CN115359053A (zh) * | 2022-10-19 | 2022-11-18 | 江苏万森绿建装配式建筑有限公司 | 一种金属板材缺陷智能检测方法及*** |
CN115526890A (zh) * | 2022-11-25 | 2022-12-27 | 深圳市腾泰博科技有限公司 | 一种电唱机唱头故障因素识别方法 |
CN115731239A (zh) * | 2023-01-06 | 2023-03-03 | 山东建筑大学鉴定检测中心有限公司 | 一种钢材质量的检测方法 |
CN115953398A (zh) * | 2023-03-13 | 2023-04-11 | 无锡斯达新能源科技股份有限公司 | 一种用于带钢表面的缺陷识别方法 |
CN116229335A (zh) * | 2023-05-10 | 2023-06-06 | 山东大佳机械有限公司 | 基于图像数据的畜禽养殖场环境识别方法 |
CN116309561A (zh) * | 2023-05-17 | 2023-06-23 | 威海赛宝工业信息技术研究院有限公司 | 一种基于防漏电绝缘材料的表面缺陷识别方法 |
CN116468728A (zh) * | 2023-06-20 | 2023-07-21 | 深圳市锦红兴科技有限公司 | 一种五金冲压件模具生产质量检测方法 |
CN116468728B (zh) * | 2023-06-20 | 2023-08-29 | 深圳市锦红兴科技有限公司 | 一种五金冲压件模具生产质量检测方法 |
CN116993722A (zh) * | 2023-09-26 | 2023-11-03 | 山东奥斯登房车有限公司 | 一种拖挂式房车车身缺陷视觉检测方法 |
CN116993722B (zh) * | 2023-09-26 | 2023-12-08 | 山东奥斯登房车有限公司 | 一种拖挂式房车车身缺陷视觉检测方法 |
CN117173703A (zh) * | 2023-11-02 | 2023-12-05 | 温州华嘉电器有限公司 | 一种隔离开关状态识别方法 |
CN117173703B (zh) * | 2023-11-02 | 2024-01-16 | 温州华嘉电器有限公司 | 一种隔离开关状态识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115082418B (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082418B (zh) | 一种汽车零部件精密识别方法 | |
CN116758061B (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
CN114842017B (zh) | 一种hdmi线缆表面质量检测方法及*** | |
CN115170576B (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN115239704B (zh) | 一种木材表面缺陷的精准检测修复方法 | |
CN114419025A (zh) | 一种基于图像处理的纤维板质量评估方法 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
CN115953398B (zh) | 一种用于带钢表面的缺陷识别方法 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN110310275B (zh) | 一种基于图像处理的链式传送带缺陷检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN117152161B (zh) | 一种基于图像识别的刨花板质量检测方法及*** | |
CN117011292B (zh) | 一种复合板表面质量快速检测方法 | |
CN114782330B (zh) | 基于人工智能的炉排异常检测方法及*** | |
CN115063423A (zh) | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115797361B (zh) | 一种铝模板表面缺陷检测方法 | |
CN116309416A (zh) | 一种零件表面视觉检测方法 | |
CN114049316A (zh) | 一种基于金属光泽区域的钢丝绳缺陷检测方法 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN114820611A (zh) | 基于人工智能的机械零件质量评估方法及*** | |
CN114821195B (zh) | 计算机图像智能化识别方法 | |
CN118096739B (zh) | 一种基于图像处理的金属锻件表面缺陷检测方法 |
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 |