CN115239738B - 一种汽车零件配置智能检测方法 - Google Patents

一种汽车零件配置智能检测方法 Download PDF

Info

Publication number
CN115239738B
CN115239738B CN202211169457.6A CN202211169457A CN115239738B CN 115239738 B CN115239738 B CN 115239738B CN 202211169457 A CN202211169457 A CN 202211169457A CN 115239738 B CN115239738 B CN 115239738B
Authority
CN
China
Prior art keywords
surface image
defect
pixel points
suspicious
clusters
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
CN202211169457.6A
Other languages
English (en)
Other versions
CN115239738A (zh
Inventor
臧加祥
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 Xinshengpai Intelligent Technology Co ltd
Original Assignee
Nantong Xinshengpai Intelligent Technology 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 Xinshengpai Intelligent Technology Co ltd filed Critical Nantong Xinshengpai Intelligent Technology Co ltd
Priority to CN202211169457.6A priority Critical patent/CN115239738B/zh
Publication of CN115239738A publication Critical patent/CN115239738A/zh
Application granted granted Critical
Publication of CN115239738B publication Critical patent/CN115239738B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种汽车零件配置智能检测方法。该方法包括：获得表面图像中防尘盖区域的多条环形轨迹；基于每条环形轨迹上像素点的灰度值计算每条环形轨迹上每个像素点的异常指标；异常指标大于等于预设阈值的像素点为异常像素点；基于异常像素点的距离进行聚类获得多个聚簇；基于每个聚簇内像素点的数量、像素点灰度值方差和像素点的密度获得每个聚簇的缺陷指数；获得缺陷指数大于等于第一阈值的聚簇，为可疑聚簇，可疑聚簇内的像素点组成可疑缺陷区域；避开可疑缺陷区域对表面图像进行滤波，获得滤波后的表面图像；基于滤波后的表面图像进行检测获得缺陷区域。本发明能够准确的检测出轴承防尘盖的表面缺陷。

Description

一种汽车零件配置智能检测方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种汽车零件配置智能检测方法。
背景技术
轴承***是汽车的核心传动组件，其在汽车发动机、变速箱、离合器、车轮等部位发挥着重要作用，轴承的质量好坏也是决定汽车性能的关键因素之一，当前轴承两端面，都会安装有相应的防尘密封装置，其作用是保护轴承外界的尘埃或有害气体不会进入轴承内腔，以防对轴承造成损伤。从而保证轴承零件的动能输出以及汽车行驶的稳定性。
现有轴承防尘盖表面缺陷以及密封性的检测***，都是利用工业CCD探伤相机捕获防尘盖的图像数据，然后基于阈值分割算法进行缺陷识别，而金属轴承防尘盖的表面在探伤成像后呈现密密麻麻的颗粒状，这对防尘盖表面一些较小缺陷的检测识别造成极大干扰。
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汽车零件配置智能检测方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种汽车零件配置智能检测方法：
获得轴承防尘盖的表面图像；获得表面图像中表示防尘盖的圆环的宽度，获得表面图像中防尘盖区域的多条环形轨迹，其中环形轨迹的数量与圆环的宽度相等；基于每条环形轨迹上像素点的灰度值计算每条环形轨迹上每个像素点的异常指标；异常指标大于等于预设阈值的像素点为异常像素点；
基于异常像素点的距离进行聚类获得多个聚簇；基于每个聚簇内像素点的数量、像素点灰度值方差和像素点的密度获得每个聚簇的缺陷指数；获得缺陷指数大于等于第一阈值的聚簇，为可疑聚簇，可疑聚簇内的像素点组成可疑缺陷区域；
避开可疑缺陷区域对表面图像进行滤波，获得滤波后的表面图像；基于滤波后的表面图像进行检测获得缺陷区域。
优选地，获得轴承防尘盖的表面图像包括：利用CCD工业探伤相机捕获轴承防尘盖的表面图像，其中表面图像为灰度图像，对表面图像进行归一化处理获得最终的表面图像。
优选地，环形轨迹包括：每个环形轨迹的圆心与表面图像上表示防尘盖的圆环的圆心相同。
优选地，每条环形轨迹上每个像素点的异常指标为：
Figure 271036DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE003
表示半径为v的环形轨迹上的第i个像素点的异常指标；
Figure 6911DEST_PATH_IMAGE004
表示半径为v的环形轨迹上第i个像素点的灰度值；
Figure 100002_DEST_PATH_IMAGE005
表示半径为v的环形轨迹上所有像素点的灰度平均值；
Figure 533707DEST_PATH_IMAGE006
表示半径为v的环形轨迹的长度，也即是半径为v的环形轨迹上像素点的数量；
Figure 100002_DEST_PATH_IMAGE007
表示双正切函数。
优选地，每个聚簇的缺陷指数为：
Figure 100002_DEST_PATH_IMAGE009
其中，
Figure 260310DEST_PATH_IMAGE010
表示第
Figure 100002_DEST_PATH_IMAGE011
个聚簇的缺陷指数；
Figure 112728DEST_PATH_IMAGE012
表示第
Figure 601478DEST_PATH_IMAGE011
个聚簇的像素点的数量；
Figure 100002_DEST_PATH_IMAGE013
表示第
Figure 994282DEST_PATH_IMAGE011
个聚簇的像素点灰度值方差；
Figure 376722DEST_PATH_IMAGE014
表示第
Figure 540987DEST_PATH_IMAGE011
个聚簇的像素点的密度；
Figure 251454DEST_PATH_IMAGE007
表示双正切函数；e表示自然常数；
Figure 100002_DEST_PATH_IMAGE015
、
Figure 136365DEST_PATH_IMAGE016
和
Figure 100002_DEST_PATH_IMAGE017
分别为权重系数，
Figure 983098DEST_PATH_IMAGE015
=0.5、
Figure 177319DEST_PATH_IMAGE016
=0.3、
Figure 375082DEST_PATH_IMAGE018
。
优选地，避开可疑缺陷区域对表面图像进行滤波，获得滤波后的表面图像包括：利用均值滤波对表面图像进行滤波，滤波过程中避开表面图像中的可疑缺陷区域。
优选地，基于滤波后的表面图像进行检测获得缺陷区域包括：
对滤波后的表面图像进行边缘检测，获得可疑缺陷区域中具有闭合边缘的区域，所述具有闭合边缘的区域为缺陷区域。
本发明实施例至少具有如下有益效果：获得表面图像中防尘盖区域的多条环形轨迹；基于每条环形轨迹上像素点的灰度值计算每条环形轨迹上每个像素点的异常指标；异常指标大于等于预设阈值的像素点为异常像素点；基于异常像素点的距离进行聚类获得多个聚簇；基于每个聚簇内像素点的数量、像素点灰度值方差和像素点的密度获得每个聚簇的缺陷指数；获得缺陷指数大于等于第一阈值的聚簇，为可疑聚簇，可疑聚簇内的像素点组成可疑缺陷区域；避开可疑缺陷区域对表面图像进行滤波，获得滤波后的表面图像；基于滤波后的表面图像进行检测获得缺陷区域。本发明针对轴承防尘盖表面缺陷检测中容易受到背景纹理噪声干扰的问题，提出利用局部异常点来确定可疑缺陷区域，为均值滤波进行平滑引导，在去除背景纹理噪声的同时，保留缺陷细节不被平滑，可以使防尘盖缺陷检测不再出现大量冗余的检测结果，更快、更准确的识别防尘盖缺陷。
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为本发明实施例提供的一种汽车零件配置智能检测方法的方法流程图。
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汽车零件配置智能检测方法，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。
下面结合附图具体的说明本发明所提供的一种汽车零件配置智能检测方法的具体方案。
实施例：
本发明的主要应用场景为：现有轴承防尘盖表面缺陷以及密封性的检测***，都是利用工业CCD探伤相机捕获防尘盖的图像数据，然后基于阈值分割算法进行缺陷识别，而金属轴承防尘盖的表面在探伤成像后呈现密密麻麻的颗粒状，这对防尘盖表面一些较小缺陷的检测识别造成极大干扰，本发明应用于轴承防尘盖表面缺陷的检测。
请参阅图1，其示出了本发明实施例提供的一种汽车零件配置智能检测方法的方法流程图，该方法包括以下步骤：
步骤S1，获得轴承防尘盖的表面图像；获得表面图像中表示防尘盖的圆环的宽度，获得表面图像中防尘盖区域的多条环形轨迹，其中环形轨迹的数量与圆环的宽度相等；基于每条环形轨迹上像素点的灰度值计算每条环形轨迹上每个像素点的异常指标；异常指标大于等于预设阈值的像素点为异常像素点。
首先，利用CCD工业探伤相机捕获轴承防尘盖的表面图像数据，也即是获得防尘盖的表面图像，CCD工业探伤相机采集的表面图像就是灰度图像，但为了避免图像中存在高亮像素点，需要将灰度图像进行归一化处理，将像素点的灰度范围转化为0-255，获得最终的表面图像。
轴承防尘盖的材质是冷轧电镀锡钢板，防尘盖表面在被探伤摄像机放大后呈现密密麻麻的颗粒感，这是由于防尘盖表面被打磨以及腐蚀后所留下的痕迹，这些密密麻麻的纹理对于缺陷检测而言就是干扰信息，使检测结果出现大量冗余的检测结果，极容易导致误检和漏检，需要减少因为防尘盖表面纹理特征带来的大量干扰信息。而既然是干扰信息，则可以认为这些背景纹理是图像中的噪声信息。
可以利用均值滤波对防尘盖表面进行平滑处理，但若防尘盖表面存在缺陷的话，滤波后会将缺陷区域一并平滑，导致缺陷的细节甚至边缘丢失，严重干扰检测结果的准确性。因此需要对平滑滤波进行引导，使其在可疑缺陷区域处停止滤波，以达到平滑背景噪声的同时保留缺陷处细节。
进一步的，需要筛选出局部异常像素点，需要对表面图像上的疑似缺陷的区域进行标记，作为平滑滤波的引导。但因为防尘盖表面的纹理比较复杂，难以在整个防尘盖的表面图像上通过像素点灰度的离散性来识别可疑缺陷像素点和可疑缺陷区域，因此不如直接以单个像素点为目标，以该像素点所在的半径对应环形轨迹作为局部参照区域，分析单个像素点在其环形轨迹上的离散性来确定异常像素点，然后再对这些局部异常的像素点进行下一步筛选，以确定可疑缺陷像素点。对可疑缺陷区域或者可疑缺陷像素点的判断依据为：其在同半径环形轨迹上具有异常、离散性，而在其所在区域附近具有聚集性。
所谓每个半径对应的环形轨迹，其半径为圆心点至防尘盖上某一点的距离，由于防尘盖上为精密、等宽度的环形，因此环形轨迹的数量与表面图像中防尘盖的宽度相等，防尘盖在表面图像中是一个圆环，其宽度用像素点的数量表示，表示防尘盖的圆环的宽度为L，则环形轨迹的数量也即是L。需要说明的是，环形轨迹是一个圆，圆心与表面图像上表示防尘盖的圆环的圆心相同。
最后，计算每条环形轨迹上每个像素点的异常指标：
Figure DEST_PATH_IMAGE019
其中，
Figure 31060DEST_PATH_IMAGE003
表示半径为v的环形轨迹上的第i个像素点的异常指标；
Figure 263459DEST_PATH_IMAGE004
表示半径为v的环形轨迹上第i个像素点的灰度值；
Figure 503947DEST_PATH_IMAGE005
表示半径为v的环形轨迹上所有像素点的灰度平均值；
Figure 579219DEST_PATH_IMAGE006
表示半径为v的环形轨迹的长度，也即是半径为v的环形轨迹上像素点的数量；
Figure 930566DEST_PATH_IMAGE007
表示双正切函数。
Figure 17471DEST_PATH_IMAGE020
则代表半径为v的环形轨迹上像素点的灰度方差；其本质是将每个像素点的灰度值相对于平均灰度值的离散性，即
Figure DEST_PATH_IMAGE021
进行累加求均，因此
Figure 38648DEST_PATH_IMAGE022
的含义为半径为v的环形轨迹上的第i个像素点灰度值相对于平均灰度值的离散性，与环形轨迹上所有像素点整体或者平均离散性之间的差异，当
Figure 211003DEST_PATH_IMAGE022
较大时，代表像素点
Figure 490675DEST_PATH_IMAGE004
对于原本就离散的同半径轨迹上的像素点集合而言更为离散，以此来在防尘盖纹理复杂的背景上筛选出局部的异常像素点。
Figure DEST_PATH_IMAGE023
则为利用双曲正切函数将
Figure 166507DEST_PATH_IMAGE022
的取值进行正比例归一化，使其在0-1之间取值，
Figure 122699DEST_PATH_IMAGE003
在0-1之间越大，代表像素点
Figure 516771DEST_PATH_IMAGE004
的局部异常性越高。
设定预设阈值，优选地，预设阈值的取值为0.85，实施者可以根据实际情况进行调整，当像素点的异常指标大于等于预设阈值时该像素点为异常像素点，得到每条环形轨迹上的异常像素点并进行标记，得到所有的异常像素点。所述异常像素点是基于每条环形轨迹上获得的局部的异常像素点。
以单个像素点灰度值对于局部平均灰度值的离散性与局部整体的离散性进行相差，得到复杂背景下的局部的异常像素点。简单来说就是一个像素点比它所在像素点集的整体离散性还要更离散，那么它就是复杂背景中的异常像素点。
原本计算局部的异常像素点，是以像素点的灰度特征差异进行筛选，但对于防尘盖特殊的复杂纹理背景，本算法用更高维度的离散性特征来筛选异常像素点，更加贴合防尘盖检测场景。
步骤S2，基于异常像素点的距离进行聚类获得多个聚簇；基于每个聚簇内像素点的数量、像素点灰度值方差和像素点的密度获得每个聚簇的缺陷指数；获得缺陷指数大于等于第一阈值的聚簇，为可疑聚簇，可疑聚簇内的像素点组成可疑缺陷区域。
在步骤S1中得到了异常像素点，进一步的需要基于异常像素点的聚集性进行分析。将表面图像上所有标记出的异常像素点进行聚类。聚类的目的是为了获取所述异常像素点在其所在区域附近具有聚集性的特征，聚类算法的本质是基于距离进行归类，先无视异常像素点的灰度特征差异，仅以距离相近作为唯一聚类标准，获得多个异常像素点所组成的聚簇，然后再对同一聚簇内的聚簇点进行特征计算，即距离相近异常像素点是否数量较多、异常像素点之间的灰度值差异是否较小、异常像素点之间的密度是否较大三个层面来提取所述可疑像素点、像素区域的聚集性特征，从聚簇的内像素点的数量、像素点灰度值方差、像素点的密度三个特征可以较高程度上确定可疑区域。
基于每个聚簇内像素点的数量、像素点灰度值方差和像素点的密度会的每个聚簇的缺陷指数：
Figure 475500DEST_PATH_IMAGE009
其中，
Figure 661631DEST_PATH_IMAGE010
表示第
Figure 680402DEST_PATH_IMAGE011
个聚簇的缺陷指数；
Figure 561771DEST_PATH_IMAGE012
表示第
Figure 933977DEST_PATH_IMAGE011
个聚簇的像素点的数量；
Figure 849981DEST_PATH_IMAGE013
表示第
Figure 39654DEST_PATH_IMAGE011
个聚簇的像素点灰度值方差；
Figure 532952DEST_PATH_IMAGE014
表示第
Figure 833483DEST_PATH_IMAGE011
个聚簇的像素点的密度；
Figure 603993DEST_PATH_IMAGE007
表示双正切函数；e表示自然常数；
Figure 964567DEST_PATH_IMAGE015
、
Figure 991167DEST_PATH_IMAGE016
和
Figure 439597DEST_PATH_IMAGE017
分别为权重系数，
Figure 330193DEST_PATH_IMAGE015
=0.5、
Figure 861668DEST_PATH_IMAGE016
=0.3、
Figure 63979DEST_PATH_IMAGE018
。
Figure 971892DEST_PATH_IMAGE012
、
Figure 716994DEST_PATH_IMAGE013
、
Figure 419371DEST_PATH_IMAGE014
分别代表第
Figure 358246DEST_PATH_IMAGE011
个聚簇内异常像素点的数量、像素点灰度值方差、像素点的密度，其中数量越大则可疑性越高，方差越小可疑性越高、密度越大可疑性越高，因此利用双曲正切函数th对
Figure 538692DEST_PATH_IMAGE012
、
Figure 403880DEST_PATH_IMAGE014
进行正比例关系归一化计算得到
Figure 401791DEST_PATH_IMAGE024
、
Figure DEST_PATH_IMAGE025
，利用指数函数对
Figure 188482DEST_PATH_IMAGE013
进行反比例关系归一化计算得到
Figure 47985DEST_PATH_IMAGE026
，使其三者可疑性越高，则在0-1之间取值越大。而三者需要设置权重来校正其各自对于可疑缺陷区域的影响力，聚簇内异常点数量特征具有最高的影响力，数量较多的同时异常像素点种类相近可以代表这些异常像素点可能出自同一个缺陷区域，因此方差的影响力次之，最小的是密度特征，即
Figure 767679DEST_PATH_IMAGE015
、
Figure 811858DEST_PATH_IMAGE016
、
Figure 476058DEST_PATH_IMAGE017
分别作为
Figure 263885DEST_PATH_IMAGE024
、
Figure 838086DEST_PATH_IMAGE026
、
Figure 53167DEST_PATH_IMAGE025
的权重系数，遵循
Figure DEST_PATH_IMAGE027
，由于
Figure 922772DEST_PATH_IMAGE028
，且
Figure 514290DEST_PATH_IMAGE024
、
Figure 67631DEST_PATH_IMAGE026
、
Figure 453613DEST_PATH_IMAGE025
的取值为0-1之间越大则越可疑，因此三个特征进行加权后输出结果在0-1之间越大，则第
Figure 233350DEST_PATH_IMAGE011
个聚簇越可能为可疑聚簇，也即是第
Figure 362980DEST_PATH_IMAGE011
个聚簇内的像素点组成的区域越可能为可疑缺陷区域。
设定第一阈值，优选地，第一阈值的取值为0.7，若聚簇的缺陷指数大于等于第一阈值，则该聚簇为可疑聚簇，可疑聚簇内的像素点组成可以可疑缺陷区域。
步骤S3，避开可疑缺陷区域对表面图像进行滤波，获得滤波后的表面图像；基于滤波后的表面图像进行检测获得缺陷区域。
利用均值滤波对防尘盖图像进行平滑，滤波尺寸为5*5，滤波沿着环形防尘盖表面顺时针方向进行平滑，在此过程中屏蔽已确定的可疑区域，使滤波在跳过可疑区域进行滤波，即可保留缺陷区域的细节特征，至此获得滤波后的表面图像。
由于防尘盖表面的纹理噪声，直接进行阈值检测会出现大量冗余的检测结果，而调节阈值又可能导致检测结果失真，因此本发明通过计算每个半径对应环形轨迹上的局部异常像素点，再将局部异常数据投射在完整表面图像上，根据异常像素点聚集的特性，对所得局部的异常像素点所在区域计算异常像素点的聚集性，以此来标记可疑缺陷区域，并利用均值滤波平滑可疑区域之外的其他纹理背景噪声，获得滤波后的表面图像。
经过上述处理，在滤波后的表面图像上进行边缘检测，即可大幅降低因为背景噪声带来的大量冗余边缘检测结果，仅从可疑缺陷区域中所检测出的闭合边缘区域中，确定最终的缺陷区域。
获得可疑区域中的所有边缘检测结果，由于缺陷区域会破坏原本的防尘盖表面结构，因此缺陷区域必然是闭合区域，同一可疑缺陷区域中的其他边缘结果都为非闭合区域（被缺陷所破坏、截断），只需要确定每个可疑缺陷区域的检测结果中是否符合所述特征，即可确定存在缺陷。判断闭合区域的算法比较常规，根据边缘上相邻像素点的连接关系即可确定，不在具体阐述，因此可以由边缘检测获得可疑缺陷区域中的缺陷区域。
需要说明的是，纹理背景噪声是防尘盖上本来就存在的纹理特征，其负面影响是带来大量干扰检测结果，而不是与图像噪声一样会使缺陷区域失真，因此去除纹理背景噪声后，仍可以得到清晰地缺陷边缘，但使冗余检测结果大幅减少，以帮助更好更快的识别、锁定缺陷。
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。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 (1)

1.一种汽车零件配置智能检测方法，其特征在于，该方法包括：
获得轴承防尘盖的表面图像；获得表面图像中表示防尘盖的圆环的宽度，获得表面图像中防尘盖区域的多条环形轨迹，其中环形轨迹的数量与圆环的宽度相等；基于每条环形轨迹上像素点的灰度值计算每条环形轨迹上每个像素点的异常指标；异常指标大于等于预设阈值的像素点为异常像素点；
基于异常像素点的距离进行聚类获得多个聚簇；基于每个聚簇内像素点的数量、像素点灰度值方差和像素点的密度获得每个聚簇的缺陷指数；获得缺陷指数大于等于第一阈值的聚簇，为可疑聚簇，可疑聚簇内的像素点组成可疑缺陷区域；
避开可疑缺陷区域对表面图像进行滤波，获得滤波后的表面图像；基于滤波后的表面图像进行检测获得缺陷区域；
所述获得轴承防尘盖的表面图像包括：利用CCD工业探伤相机捕获轴承防尘盖的表面图像，其中表面图像为灰度图像，对表面图像进行归一化处理获得最终的表面图像；
所述环形轨迹包括：每个环形轨迹的圆心与表面图像上表示防尘盖的圆环的圆心相同；
所述每条环形轨迹上每个像素点的异常指标为：
Figure 412409DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示半径为v的环形轨迹上的第i个像素点的异常指标；
Figure 814572DEST_PATH_IMAGE004
表示半径为v的环形轨迹上第i个像素点的灰度值；
Figure DEST_PATH_IMAGE005
表示半径为v的环形轨迹上所有像素点的灰度平均值；
Figure 342505DEST_PATH_IMAGE006
表示半径为v的环形轨迹的长度，也即是半径为v的环形轨迹上像素点的数量；
Figure DEST_PATH_IMAGE007
表示双正切函数；
所述每个聚簇的缺陷指数为：
Figure DEST_PATH_IMAGE009
其中，
Figure 506508DEST_PATH_IMAGE010
表示第
Figure DEST_PATH_IMAGE011
个聚簇的缺陷指数；
Figure 57575DEST_PATH_IMAGE012
表示第
Figure 483002DEST_PATH_IMAGE011
个聚簇的像素点的数量；
Figure DEST_PATH_IMAGE013
表示第
Figure 599863DEST_PATH_IMAGE011
个聚簇的像素点灰度值方差；
Figure 721053DEST_PATH_IMAGE014
表示第
Figure 369203DEST_PATH_IMAGE011
个聚簇的像素点的密度；
Figure 96856DEST_PATH_IMAGE007
表示双正切函数；e表示自然常数；
Figure DEST_PATH_IMAGE015
、
Figure 897584DEST_PATH_IMAGE016
和
Figure DEST_PATH_IMAGE017
分别为权重系数，
Figure 449395DEST_PATH_IMAGE015
=0.5、
Figure 116000DEST_PATH_IMAGE016
=0.3、
Figure 116185DEST_PATH_IMAGE018
；
所述避开可疑缺陷区域对表面图像进行滤波，获得滤波后的表面图像包括：利用均值滤波对表面图像进行滤波，滤波过程中避开表面图像中的可疑缺陷区域；
所述基于滤波后的表面图像进行检测获得缺陷区域包括：对滤波后的表面图像进行边缘检测，获得可疑缺陷区域中具有闭合边缘的区域，所述具有闭合边缘的区域为缺陷区域。
CN202211169457.6A 2022-09-26 2022-09-26 一种汽车零件配置智能检测方法 Active CN115239738B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211169457.6A CN115239738B (zh) 2022-09-26 2022-09-26 一种汽车零件配置智能检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211169457.6A CN115239738B (zh) 2022-09-26 2022-09-26 一种汽车零件配置智能检测方法

Publications (2)

Publication Number Publication Date
CN115239738A CN115239738A (zh) 2022-10-25
CN115239738B true CN115239738B (zh) 2022-12-09

Family

ID=83667453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211169457.6A Active CN115239738B (zh) 2022-09-26 2022-09-26 一种汽车零件配置智能检测方法

Country Status (1)

Country Link
CN (1) CN115239738B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115423813B (zh) * 2022-11-05 2023-03-24 江苏惠汕新能源集团有限公司 焊管表面焊接缺陷检测方法
CN116342597B (zh) * 2023-05-29 2023-07-28 深圳市民达科技有限公司 一种汽车配件表面电镀加工缺陷检测方法和***
CN117314894B (zh) * 2023-11-27 2024-03-29 深圳市金三维实业有限公司 一种手表底盖缺陷快速检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108387580A (zh) * 2018-02-08 2018-08-10 深圳市晟达机械设计有限公司 一种轴承缺陷检测装置
CN112862760A (zh) * 2021-01-19 2021-05-28 浙江大学 一种轴承外圈表面缺陷区域检测方法
CN114140462A (zh) * 2021-12-10 2022-03-04 江苏牛犇轴承有限公司 一种基于图像处理的轴承磨损程度评估方法
CN115049835A (zh) * 2022-08-16 2022-09-13 众烁精密模架(南通)有限公司 基于压铸模具缺陷识别的数据预处理方法
CN115082482A (zh) * 2022-08-23 2022-09-20 山东优奭趸泵业科技有限公司 一种金属表面缺陷检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108387580A (zh) * 2018-02-08 2018-08-10 深圳市晟达机械设计有限公司 一种轴承缺陷检测装置
CN112862760A (zh) * 2021-01-19 2021-05-28 浙江大学 一种轴承外圈表面缺陷区域检测方法
CN114140462A (zh) * 2021-12-10 2022-03-04 江苏牛犇轴承有限公司 一种基于图像处理的轴承磨损程度评估方法
CN115049835A (zh) * 2022-08-16 2022-09-13 众烁精密模架(南通)有限公司 基于压铸模具缺陷识别的数据预处理方法
CN115082482A (zh) * 2022-08-23 2022-09-20 山东优奭趸泵业科技有限公司 一种金属表面缺陷检测方法

Also Published As

Publication number Publication date
CN115239738A (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN115239738B (zh) 一种汽车零件配置智能检测方法
CN115170576B (zh) 基于机器视觉的铝管表面缺陷检测方法
CN115861325B (zh) 基于图像数据的悬架弹簧缺陷检测方法及***
CN104469345B (zh) 一种基于图像处理的视频故障诊断方法
CN115330767B (zh) 一种腐蚀箔生产异常识别方法
CN115619793B (zh) 基于计算机视觉的电源适配器外观质量检测方法
CN116758083A (zh) 基于计算机视觉的金属洗脸盆缺陷快速检测方法
CN115063430B (zh) 基于图像处理的电气管道裂纹检测方法
CN111667470B (zh) 一种基于数字图像的工业管道探伤内壁检测方法
CN110414308B (zh) 一种针对输电线路上动态异物的目标识别方法
CN116402810B (zh) 基于图像处理的润滑油抗磨粒质量检测方法
CN116012357A (zh) 基于机器视觉的汽车圆形拖车孔气纹缺陷检测方法
CN115965623A (zh) 一种变压器生产中表面瑕疵检测方法及***
Li et al. Detection algorithm of defects on polyethylene gas pipe using image recognition
CN115294118A (zh) 一种船用钣金焊接缺陷识别方法
CN106851140B (zh) 一种使用空域平滑滤波的数字照片图像来源识别方法
CN117893527A (zh) 一种新能源储能箱体表面缺陷检测方法
CN115018785A (zh) 基于视觉振频识别的提升钢丝绳张力检测方法
CN117218115B (zh) 一种汽车配件漆面异常检测方法
CN116883446B (zh) 一种车载摄像头镜片碾磨程度实时监测***
CN116385435A (zh) 基于图像分割的制药胶囊计数方法
CN115423816A (zh) 一种金属表面磨削质量检测方法
CN114373147A (zh) 一种用于低纹理视频车牌的检测方法
CN107451990A (zh) 一种使用非线性引导滤波的照片图像篡改检测方法
CN112561895A (zh) 一种基于人工智能的气密性泄漏等级评估方法及***

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