CN115082436B - 一种盾构机刀头生产缺陷检测方法 - Google Patents
一种盾构机刀头生产缺陷检测方法 Download PDFInfo
- Publication number
- CN115082436B CN115082436B CN202210859763.6A CN202210859763A CN115082436B CN 115082436 B CN115082436 B CN 115082436B CN 202210859763 A CN202210859763 A CN 202210859763A CN 115082436 B CN115082436 B CN 115082436B
- Authority
- CN
- China
- Prior art keywords
- connected domain
- defect
- tool bit
- boundary
- image
- 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
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
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20156—Automatic seed setting
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种盾构机刀头生产缺陷检测方法,属于图像处理技术领域;包括以下步骤:获取盾构机刀头正面或背面灰度图像;将所述待测刀头表面图像进行二值化反向处理,并采用种子填充法获取待测刀头表面图像中的连通域;获取所述连通域与其连接的一条边界的偏向程度;根据偏向程度判断所述连通域是起皮缺陷,或者所述连通域是裂纹或分层缺陷;获取所述连通域对应第二直线的倾斜角变化程度;根据第二直线的倾斜角变化程度判断所述连通域是裂纹缺陷或是分层缺陷。本发明通过对烧结后的硬质合金刀头表面图像进行数字化处理的基础上,利用机器视觉来实现烧结生产工序下表面边缘处缺陷种类的智能化识别。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种盾构机刀头生产缺陷检测方法。
背景技术
盾构法是构筑隧道的一种施工方法,盾构刀具是盾构机切削岩土的工具,按照破岩方式可分为切削刀和滚刀两大类。切削刀主要由刀体和刀头组成,刀体对刀头有支撑作用,而刀头是切削刀的关键构件,切削刀通过刀头切削岩土来实现掘进,刀头通常采用钨钴硬质合金制作,具有强度高、硬度高和耐磨性好等特点。
烧结是指把粉状物料转变为致密体的一个工艺过程,是硬质合金生产过程中非常重要的一个步骤。然而由于烧结过程非常复杂及条件苛刻,所以稍有不注意产品就很容易产生缺陷,降低质量。边缘处缺陷是最严重的烧结缺陷,反馈到表面上是起皮、分层和裂纹缺陷,生成原因不一且较难区分,人工检测已无法满足企业生产需求,需要引入高效的机器视觉检测方法。因此,本发明提供了一种对盾构机刀头生产的起皮、分层和裂纹缺陷的检测方法。
发明内容
为了解决现有技术中盾构机刀头表面上存在的起皮、分层和裂纹缺陷,生成原因不一且较难区分,人工检测已无法满足企业生产需求的技术问题;本发明提供一种盾构机刀头生产缺陷检测方法,所述盾构机刀头生产缺陷检测方法在对烧结后的硬质合金刀头表面图像进行数字化处理的基础上,利用机器视觉来实现烧结生产工序下表面边缘处缺陷种类的智能化识别。
本发明的目的是提供一种盾构机刀头生产缺陷检测方法,所述盾构机刀头生产缺陷检测方法对多边形的刀头进行生产缺陷检测,包括以下步骤:
获取盾构机刀头正面或背面灰度图像;对灰度图像经二值化处理获取刀头二值图像;采用掩膜对刀头二值图像中感兴趣区域进行提取获取待测刀头表面图像;将所述待测刀头表面图像进行二值化反向处理,并采用种子填充法获取待测刀头表面图像中的连通域;对连通域进行边缘检测获取连通域边缘;
根据刀头上的顶点坐标以及连通域边缘上的像素点坐标获取连通域边缘上的像素点至刀头每条边界的距离;根据连通域边缘上的像素点至刀头每条边界的距离判断获取所述连通域连接的一条边界;对所述连通域进行直线拟合获取第一直线方程;根据第一直线方程的斜率与所述连通域连接一条边界的斜率获取所述连通域与其连接的一条边界的偏向程度;
根据偏向程度判断所述连通域是起皮缺陷,或者所述连通域是裂纹或分层缺陷;
当判断所述连通域是裂纹或分层缺陷时,对所述连通域进行最小面积外接矩形框选,并将最小面积外接矩形沿长边方向等分为多个矩形区域;分别对每个矩形区域内的连通域部分进行直线拟合获取第二直线方程;根据每个第二直线方程的斜率和第一直线方程的斜率获取所述连通域对应第二直线的倾斜角变化程度;
根据第二直线的倾斜角变化程度判断所述连通域是裂纹缺陷或是分层缺陷。
在一实施例中,所述连通域边缘上的像素点至刀头每条边界的距离是按照以下步骤获取:
根据多边形刀头上的顶点坐标获取多边形刀头中每条边界的直线方程;
根据每条边界的直线方程计算获取连通域边缘上的像素点至每条边界的距离。
在一实施例中,所述连通域连接的一条边界是通过以下步骤判断获取的:
根据连通域边缘上的像素点至刀头每条边界的距离获取所述连通域边缘上的像素点至刀头每条边界的距离的最小值;当所述连通域边缘上的像素点至刀头上的一条边界的距离等于零时,则该一条边界连接于所述连通域,判断该一条边界表面有缺陷。
在一实施例中,所述连通域与其连接的一条边界的偏向程度计算公式如下:
在一实施例中,所述连通域是起皮缺陷,或者所述连通域是裂纹或分层缺陷的判断过程如下:
在一实施例中,所述将最小面积外接矩形沿长边方向等分为四个矩形区域。
在一实施例中,所述连通域对应第二直线的倾斜角变化程度计算公式如下:
在一实施例中,所述连通域是裂纹缺陷或是分层缺陷的判断过程如下:
在一实施例中,所述第一直线方程的斜率计算公式如下:
在一实施例中,所述盾构机刀头生产缺陷检测方法对五边形的刀头进行生产缺陷检测。
本发明的有益效果是:
本发明提供的一种盾构机刀头生产缺陷检测方法,采用掩膜对刀头二值图像中感兴趣区域进行提取获取待测刀头表面图像;将所述待测刀头表面图像进行二值化反向处理,并采用种子填充法获取待测刀头表面图像中有缺陷的连通域;对连通域拟合成直线,通过判断连通域拟合的直线与其连接的边界之间的夹角差值来表示连通域的偏向程度;通过偏向程度判断连通域是起皮缺陷,或者连通域是裂纹或分层缺陷;若是起皮缺陷,则就认为是起皮缺陷,若判断连通域是裂纹或分层缺陷时,还需进一步判断,具体通过对连通域进行最小面积外接矩形框选,并将最小面积外接矩形沿长边方向等分为多个矩形区域;分别对每个矩形区域内的连通域部分进行直线拟合获取第二直线方程;根据每个第二直线方程的斜率和第一直线方程的斜率获取连通域对应第二直线的倾斜角变化程度;最后通过第二直线的倾斜角变化程度判断连通域是裂纹缺陷或是分层缺陷。从而实现了对盾构机刀头表面的缺陷的检测。
本发明提供的方法在对烧结后的硬质合金刀头表面图像进行数字化处理的基础上,利用机器视觉来实现烧结生产工序下表面边缘处缺陷种类的智能化识别。
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为本发明的一种盾构机刀头生产缺陷检测方法的实施例总体步骤的流程示意图。
图2为现有不同形状的硬质合金盾构机刀头;其中,图2中a表示市面上常用的盾构机刀头,图2中b表示表面为中轴对称的五边形盾构机刀头。
图3为盾构机刀头生产缺陷检测的图像采集处理装置。
图4为对五边形刀头的最小面积外接矩形框选示图。
图5为刀头表面为缺陷示图;图5中a表示刀头表面为起皮缺陷示图;图5中b表示刀头表面为边界裂纹和分层缺陷陷示图。
图6为最小面积外接矩形沿长边方向等分为四个矩形区域示图。
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。
本发明所针对的情景主要是盾构机刀头(硬质合金刀头)的烧结过程非常复杂,稍不注意就极易产生烧结废品。烧结废品表现在边缘处的缺陷主要有起皮、裂纹和分层,而这类烧结制品不仅要进行废品处理,而且其形成原因也应反馈到制作工艺进行相应调整,以避免此类废品的出现。所以需要通过图像处理来提取缺陷并数字化分析,以及结合数学模型来实现对刀头起皮、裂纹和分层三种边缘缺陷的智能化识别。
本发明针对的盾构机刀头三种表面缺陷的形成原因和表象分析如下:
起皮缺陷:压块中钴的接触作用,使含碳气体在其中分解出游离碳,导致压块局部强度下降,从而产生起皮。有起皮缺陷的硬质合金很容易出现爆裂和粉化的情况,总在制品边缘棱角部位出现且通常紧挨边界。
分层缺陷:制品脱模后,粉末颗粒间因受压变形而存在的接触应力表现为弹性张力,纵横两方向的弹性张力的合力是与受压面呈45°剪力,当压坯的抗剪强度较低时,剪切应力大于压坯的抗剪强度,压坯就出现沿剪切应力方向裂开的断面。特征为沿压坯的棱出现,与受压面呈45°的地方出现整齐明显的裂缝,并总是从棱上开始,然后向内部延伸。
裂纹缺陷:压块干燥时压力弛豫没立即显示,烧结时弹性恢复较快;或者压块干燥时部分严重氧化,而氧化部位的热膨胀胀量与未氧化部位不同。特征为制品表面及边角部位出现不规则和深浅不一的缝隙,一般呈细长或曲状黑色条纹。
本发明提供的一种盾构机刀头生产缺陷检测方法,盾构机刀头生产缺陷检测方法对多边形的刀头进行生产缺陷检测,参见图1所示,包括以下步骤:
S1、获取盾构机刀头正面或背面灰度图像;对灰度图像经二值化处理获取刀头二值图像;
采用掩膜对刀头二值图像中感兴趣区域进行提取获取待测刀头表面图像;
将待测刀头表面图像进行二值化反向处理,并采用种子填充法获取待测刀头表面图像中的连通域;对连通域进行边缘检测获取连通域边缘;其中,待测刀头表面图像中的连通域表示的是盾构机刀头正面或背面上三种表面缺陷的连通域;
需要说明的是,盾构机刀头主要采用所需尺寸的钨钴类硬质合金,参见图2所示,图2中a表示市面上常用的盾构机刀头。硬质合金是以高硬度难熔金属的碳化钨微米级粉末为主要成分,以钴或者镍、钼为粘结剂,在真空炉或氢气还原炉中烧结而成的粉末冶金制品,其烧结过程非常复杂,稍不注意就极易产生烧结废品。可观测到的表面边缘缺陷主要有裂纹、起皮和分层。
本实施例中,以盾构机先行刀的刀头为主要研究对象,朝上的表面为中轴对称的五边形,参见图2中b所示。针对刀头的五边形表面上的缺陷进行检测,采用盾构机刀头生产缺陷检测的图像采集处理装置,参见图3所示,将检测流程为烧结后的刀头五边形表面朝上,由刀头传送平台将其传送至电子相机下进行拍摄,且底边与图像水平方向平行,图像处理***对所获图像进行相关表面缺陷的检测标记,给剔除工作以及调整工艺参数反馈,从而来降低废品率。本实施例提供的盾构机刀头生产缺陷检测方法主要对整体较规整(不存在较大形变)的刀头的五边形表面检测,正反两面都要进行,保证该方法检测边缘缺陷废品的成功率。
对采集到的图像进行灰度预处理,按心理学公式对RGB三分量进行加权平均,得到仅有的灰度值,从而降低图像数据的运算量;其中,最低灰度值为0即黑色,最高灰度值为255即白色,从而获取盾构机刀头正面或背面灰度图像。
在本实施例中,需要对灰度图像进行预处理,主要包括图像降噪、图像增强和二值化;
图像降噪:由于灰尘及光学元件自身的性能影响,采集到的图像会包含各种噪声,无法避免且影响处理结果。本实施例采用空间域滤波降噪中的双边滤波,根据实际图像需求,尽可能地在保证边缘完整性的前提下最大化的降低噪声干扰;
图像增强:由于采集图像过程中,表面缺陷区域和刀头正常区域可能具有较高的灰度相似性,所以需要通过图像增强来放大缺陷部分和正常部分的差异程度。本实施例采用基于差分的对比度增强算法,能够在保证边缘真实完整的前提下,得到很好的增强效果;
二值化:通过设定一个灰度阈值,大于灰度阈值全设置为白(1)前景,小于阈值的全设置为黑(0)背景,本实施例采用OSTU大律法,又名最大类间差方法,通过统计整个灰度图像的直方图特性来实现全局阈值T的自动选取,即获取刀头二值图像。
在本实施例中,将完好刀头的五边形表面图像进行提取,制作刀头表面图像的掩膜,
首先要进行定位表面图像,通过连通域种子填充法对白色像素进行标签标记,对最大的连通域(即刀头表面),采用最小面积外接矩形框选,设定矩形部分参数和选取规则;由于其轮廓为中轴对称的五边形,最小的框选矩形呈参见图4所示;记所获取的灰度图像左下角为坐标原点,水平向右为横轴轴的正方向,竖直向上为纵轴轴的正方向,其二值化后的图像像素都有其对应的坐标。根据对完好刀头表面的角点标记,从而得到矩形内五边形表面的五个顶点信息,其中,是从左下角点开始的逆时针顺序,五边形范围即、 、 、、五边所包含的区域。
其次,采用掩膜对刀头二值图像中感兴趣区域进行提取获取待测刀头表面图像;
需要说明的是,图像掩膜一般都是用选定的图像、图形或物体,对处理的图像(全部或局部)进行遮挡,来控制图像处理的区域或处理过程;本实施例中用掩膜进行感兴趣区域(ROI)区域的提取,即二值图像中五边形表面部分。在本实施例中,ROI提取过程中是按照以下步骤设定掩膜:
对上述完好刀头表面外接矩形中,五边形坐标范围内的所有像素进行掩膜设计,制作一个标准掩膜模板,五边形内的为1,图像里五边形外的为0,随后就可以将其与每一个所获得的二值化图像中的感兴趣区域进行匹配,并设定一一像素之间的相乘运算,得到的图像即为待测刀头合金表面图像。需要说明的是,本实施例主要通过标准掩膜模板对二值化图像中的感兴趣区域进行匹配,提取每个刀头二值化图像中的感兴趣区域;为此利用制作的标准掩膜模板对批量的刀头进行表面缺陷检测,能够有效提升对刀头表面缺陷的检测效率。
最后,将待测刀头表面图像进行二值化反向处理,并采用种子填充法获取待测刀头表面图像中的连通域;对连通域进行边缘检测获取连通域边缘;
S2、获取连通域与其连接的一条边界的偏向程度,具体如下:
根据刀头上的顶点坐标以及连通域边缘上的像素点坐标获取连通域边缘上的像素点至刀头每条边界的距离;
根据连通域边缘上的像素点至刀头每条边界的距离判断获取连通域连接的一条边界;
对连通域进行直线拟合获取第一直线方程;
根据第一直线方程的斜率与连通域连接一条边界的斜率获取连通域与其连接的一条边界的偏向程度;
连通域边缘上的像素点至刀头每条边界的距离是按照以下步骤获取:
根据多边形刀头上的顶点坐标获取多边形刀头中每条边界的直线方程;
根据每条边界的直线方程计算获取连通域边缘上的像素点至每条边界的距离。
连通域连接的一条边界是通过以下步骤判断获取的:
根据连通域边缘上的像素点至刀头每条边界的距离获取连通域边缘上的像素点至刀头每条边界的距离的最小值;当连通域边缘上的像素点至刀头上的一条边界的距离等于零时,则该一条边界连接于连通域,判断该一条边界表面有缺陷。
将上式转化为标准直线方程(y=kx+b),即
需要说明的是,由于边缘处缺陷是依着边界产生的,所以缺陷连通域一定存在像素点处于对应连接一边界的直线上,所以需要对缺陷与边界直线进行匹配,在本实施例中,连通域边缘上的像素点至每条边界上的距离,通过计算连通域边缘像素点到边界直线的距离,公式如下:
依次计算连通域边缘上的像素点至每条边界上的距离的最小值为,若,则将直线与缺陷连通域进行匹配,连通域与直线组合;说明连通域连接于直线所对应的一条边界;若,那么证明刀头表面边缘无缺陷。其中,连通域表示的是裂纹或分层缺陷的连通域,通过连通域边缘上的像素点至每条边界上的距离,主要判断连通域连接于刀头的哪条边界上。
需要说明的是,起皮缺陷一般是紧贴边界的窄长缺陷,即发展方向与边界倾斜方向相差很小,参见图5所示,图5中a表示刀头表面为起皮缺陷示图。而边界裂纹和分层缺陷的发展方向是由边界向内部延伸,其与紧挨着的边界直线方向相差较大,图5中b表示刀头表面为边界裂纹和分层缺陷示图。
再根据第一直线方程的斜率与连通域连接一条边界的斜率获取连通域与其连接的一条边界的偏向程度,其计算公式如下:
式中,表示连通域与其连接的第条边界的偏向程度;表示连通域拟合成第一直线方程的斜率;表示连通域与其连接第条边界(直线)的斜率;为连通域主方向的倾斜角,为对应边界直线的倾斜角;用表示连通域拟合的直线与所连接的第条边界之间角度的差值,来表示连通域与其连接的第条边界的偏向程度。
S3、根据偏向程度判断连通域是起皮缺陷,或者连通域是裂纹或分层缺陷;
S4、获取连通域对应第二直线的倾斜角变化程度,具体如下:
当判断连通域是裂纹或分层缺陷时,对连通域进行最小面积外接矩形框选,并将最小面积外接矩形沿长边方向等分为多个矩形区域;分别对每个矩形区域内的连通域部分进行直线拟合获取第二直线方程;根据每个第二直线方程的斜率和第一直线方程的斜率获取连通域对应第二直线的倾斜角变化程度;其中,最小面积外接矩形是对连通域进行框选,并连通域表示的是裂纹或分层缺陷的连通域。
需要说明的是,由于分层缺陷的裂缝较于边界裂纹来说更加明显整齐,所以分段直线与总拟合直线的倾斜角变化不同,分层缺陷几乎无变化,而边界裂纹的变化会较大。
在本实施例中,根据每个第二直线方程的斜率和第一直线方程的斜率获取连通域对应第二直线的倾斜角变化程度,其计算公式如下:
式中,表示连通域对应的第二直线的倾斜角变化程度;表示连通域拟合成第一直线方程的斜率;表示第个矩形区域内连通域部分拟合的第二直线方程的斜率;为总拟合直线倾斜角,为分段直线倾斜角,已知,越接近0,越有可能是分层缺陷。需要说明的是,每个矩形区域内拟合的第二直线方程,也可以表示第二直线;通过四个第二直线的倾斜角变化程度判断连通域是裂纹缺陷还是分层缺陷。
S5、根据第二直线的倾斜角变化程度判断连通域是裂纹缺陷或是分层缺陷。
在本实施例中,连通域是裂纹缺陷或是分层缺陷的判断过程如下:
在本实施例中,在刀头表面获取的连通域可以有多个,则需要分别对每个连通域进行上述分析和判断是三种缺陷的哪种缺陷。
依据上述方法对每个刀头的正面或者背面完成缺陷的检测。
综上,本发明提供的一种盾构机刀头生产缺陷检测方法,主要采用掩膜对刀头二值图像中感兴趣区域进行提取获取待测刀头表面图像;将待测刀头表面图像进行二值化反向处理,并采用种子填充法获取待测刀头表面图像中有缺陷的连通域;对连通域拟合成直线,通过判断连通域拟合的直线与其连接的边界之间的夹角差值来表示连通域的偏向程度;通过偏向程度判断连通域是起皮缺陷,或者连通域是裂纹或分层缺陷;若是起皮缺陷,则就认为是起皮缺陷,若判断连通域是裂纹或分层缺陷时,还需进一步判断,具体通过对连通域进行最小面积外接矩形框选,并将最小面积外接矩形沿长边方向等分为多个矩形区域;分别对每个矩形区域内的连通域部分进行直线拟合获取第二直线方程;根据每个第二直线方程的斜率和第一直线方程的斜率获取连通域对应第二直线的倾斜角变化程度;最后通过第二直线的倾斜角变化程度判断连通域是裂纹缺陷或是分层缺陷。从而实现了对盾构机刀头表面的缺陷的检测。
本发明提供的方法在对烧结后的硬质合金刀头表面图像进行数字化处理的基础上,利用机器视觉来实现烧结生产工序下表面边缘处缺陷种类的智能化识别。
以上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 (3)
1.一种盾构机刀头生产缺陷检测方法,所述盾构机刀头生产缺陷检测方法对多边形的刀头进行生产缺陷检测,其特征在于,包括以下步骤:
获取盾构机刀头正面或背面灰度图像;对灰度图像经二值化处理获取刀头二值图像;
采用掩膜对刀头二值图像中感兴趣区域进行提取获取待测刀头表面图像;
将所述待测刀头表面图像进行二值化反向处理,并采用种子填充法获取待测刀头表面图像中的连通域;对连通域进行边缘检测获取连通域边缘;
根据刀头上的顶点坐标以及连通域边缘上的像素点坐标获取连通域边缘上的像素点至刀头每条边界的距离;根据连通域边缘上的像素点至刀头每条边界的距离判断获取所述连通域连接的一条边界;对所述连通域进行直线拟合获取第一直线方程;根据第一直线方程的斜率与所述连通域连接的一条边界的斜率获取所述连通域与其连接的一条边界的偏向程度;
所述连通域边缘上的像素点至刀头每条边界的距离是按照以下步骤获取:
根据多边形刀头上的顶点坐标获取多边形刀头中每条边界的直线方程;
根据每条边界的直线方程计算获取连通域边缘上的像素点至每条边界的距离;
所述连通域连接的一条边界是通过以下步骤判断获取的:
根据连通域边缘上的像素点至刀头每条边界的距离获取所述连通域边缘上的像素点至刀头每条边界的距离的最小值;当所述连通域边缘上的像素点至刀头上的一条边界的距离等于零时,则该一条边界连接于所述连通域,判断该一条边界表面有缺陷;
所述连通域与其连接的一条边界的偏向程度计算公式如下:
根据偏向程度判断所述连通域是起皮缺陷,或者所述连通域是裂纹或分层缺陷;
所述连通域是起皮缺陷,或者所述连通域是裂纹或分层缺陷的判断过程如下:
当判断所述连通域是裂纹或分层缺陷时,对所述连通域进行最小面积外接矩形框选,并将最小面积外接矩形沿长边方向等分为多个矩形区域;分别对每个矩形区域内的所述连通域部分进行直线拟合获取第二直线方程;根据每个第二直线方程的斜率和第一直线方程的斜率获取所述连通域对应第二直线的倾斜角变化程度;
所述连通域对应第二直线的倾斜角变化程度计算公式如下:
根据第二直线的倾斜角变化程度判断所述连通域是裂纹缺陷或是分层缺陷;
所述连通域是裂纹缺陷或是分层缺陷的判断过程如下:
2.根据权利要求1所述的一种盾构机刀头生产缺陷检测方法,其特征在于,所述将最小面积外接矩形沿长边方向等分为四个矩形区域。
3.根据权利要求1所述的一种盾构机刀头生产缺陷检测方法,其特征在于,所述盾构机刀头生产缺陷检测方法对五边形的刀头进行生产缺陷检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210859763.6A CN115082436B (zh) | 2022-07-22 | 2022-07-22 | 一种盾构机刀头生产缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210859763.6A CN115082436B (zh) | 2022-07-22 | 2022-07-22 | 一种盾构机刀头生产缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115082436A CN115082436A (zh) | 2022-09-20 |
CN115082436B true CN115082436B (zh) | 2022-11-08 |
Family
ID=83242659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210859763.6A Active CN115082436B (zh) | 2022-07-22 | 2022-07-22 | 一种盾构机刀头生产缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082436B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330793B (zh) * | 2022-10-13 | 2023-01-31 | 济宁市兖州区恒升机械有限公司 | 一种基于图像处理的液压硬管连接管接头质量检测方法 |
CN116993731B (zh) * | 2023-09-27 | 2023-12-19 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 基于图像的盾构机刀头缺陷检测方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102829735B (zh) * | 2012-08-31 | 2015-06-24 | 哈尔滨工业大学 | 基于机器视觉的e型磁材背面几何形状缺陷检测方法 |
JP6922539B2 (ja) * | 2017-08-09 | 2021-08-18 | 日立金属株式会社 | 表面欠陥判定方法および表面欠陥検査装置 |
JP2020051795A (ja) * | 2018-09-25 | 2020-04-02 | 長野日本無線株式会社 | 印刷面の不良検査方法及び装置 |
CN109580648A (zh) * | 2019-01-21 | 2019-04-05 | 昆山湖大机器人技术有限公司 | 螺丝刀批头检测方法及检测装置 |
CN111724369A (zh) * | 2020-06-17 | 2020-09-29 | 北京智机科技有限公司 | 一种u型焊缝检测方法 |
CN116234691A (zh) * | 2020-09-28 | 2023-06-06 | 法国圣-戈班玻璃公司 | 用于确定玻璃窗中的缺陷的成像***和方法 |
CN112508920A (zh) * | 2020-12-14 | 2021-03-16 | 杨晓敏 | 一种基于人工智能的光伏电池板振动损毁检测方法及*** |
CN112819845B (zh) * | 2021-02-26 | 2023-10-27 | 华南理工大学 | 柔性封装基板轮廓、线宽线距缺陷检测方法及介质和设备 |
CN114581742B (zh) * | 2021-10-26 | 2023-01-24 | 中科慧远视觉技术(北京)有限公司 | 基于线性度的连通域聚类融合方法、装置、***及介质 |
CN114755243A (zh) * | 2022-04-15 | 2022-07-15 | 翊腾电子科技(昆山)有限公司 | 一种基于机器视觉的fpc连接器表面裂纹检测方法 |
CN114757929A (zh) * | 2022-04-26 | 2022-07-15 | 深圳市智弦科技有限公司 | 一种锂电池外壳表面缺陷检测方法 |
CN114565771B (zh) * | 2022-04-29 | 2022-07-26 | 广东粤港澳大湾区硬科技创新研究院 | 一种道路两侧设施的缺陷检测方法及装置 |
-
2022
- 2022-07-22 CN CN202210859763.6A patent/CN115082436B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115082436A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082436B (zh) | 一种盾构机刀头生产缺陷检测方法 | |
CN114998350B (zh) | 基于图像处理的石材缺陷检测方法 | |
CN107578409B (zh) | 一种太阳能电池片外观断栅缺陷检测的方法 | |
CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
CN105588845A (zh) | 一种焊接缺陷特征参数提取方法 | |
CN107314957B (zh) | 一种岩石块度尺寸分布的测量方法 | |
Fitton et al. | Optimising the application of the Hough transform for automatic feature extraction from geoscientific images | |
JP2009535899A (ja) | 走査されたカラー画像からの複調画像の生成 | |
CN104537651B (zh) | 一种路面图像中裂缝比例检测方法及*** | |
CN107273608A (zh) | 一种油藏地质剖面图矢量化方法 | |
CN112990227A (zh) | 掌子面地质检测方法 | |
EP0821318A3 (en) | Apparatus and method for segmenting image data into windows and for classifying windows as image types | |
CN103488986A (zh) | 自适应字符切分及提取方法 | |
CN107490583A (zh) | 一种基于机器视觉的夹片缺陷检测方法 | |
CN113012124B (zh) | 一种鞋印孔洞和嵌入物特征检测及描述方法 | |
Tien et al. | Automated visual inspection for microdrills in printed circuit board production | |
CN108470173A (zh) | 一种矿石颗粒的分割方法 | |
US7668394B2 (en) | Background intensity correction of a scan of a document | |
CN114998214A (zh) | 一种电缆缺陷检测的采样速度控制方法和*** | |
CN117635609B (zh) | 一种塑胶产品生产质量视觉检测方法 | |
CN107220946B (zh) | 一种岩石运输带上不良块度图像的实时剔除方法 | |
CN115797361A (zh) | 一种铝模板表面缺陷检测方法 | |
CN112580659A (zh) | 一种基于机器视觉的矿石识别方法 | |
CN115170561A (zh) | 一种基于视觉处理的激光切割工件的圆度检测方法及*** | |
CN113240668B (zh) | 一种基于图像数字特征分布的生成熔池图像质量评估方法 |
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 |