CN115330783A - 一种钢丝绳缺陷检测方法 - Google Patents
一种钢丝绳缺陷检测方法 Download PDFInfo
- Publication number
- CN115330783A CN115330783A CN202211250385.8A CN202211250385A CN115330783A CN 115330783 A CN115330783 A CN 115330783A CN 202211250385 A CN202211250385 A CN 202211250385A CN 115330783 A CN115330783 A CN 115330783A
- Authority
- CN
- China
- Prior art keywords
- image
- degree
- steel wire
- wire rope
- gray
- 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
- G06T7/13—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
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种钢丝绳缺陷检测方法,该方法采集模板图像和表面图像,获取准缺陷图像;基于准缺陷图像任意两个连通域的轮廓相似性获取第一锈蚀程度;通过预设超像素块数量将准缺陷图像和模板图像进行超像素分割,获取纹理差异;改变预设超像素块数量,基于最小的纹理差异对应的预设超像素块数量获取第二锈蚀程度;通过预设梯度阈值对准缺陷图像进行边缘检测得到不规则程度;改变预设梯度阈值直至边缘检测效果大于效果阈值时,对应的不规则程度作为第三锈蚀程度;获取第四锈蚀程度;基于第一锈蚀程度、第二锈蚀程度、第三锈蚀程度和第四锈蚀程度获取锈蚀程度,检测锈蚀缺陷。本发明能够提高钢丝绳锈蚀检测的准确率。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种钢丝绳缺陷检测方法。
背景技术
钢丝绳长久使用容易产生导致松绳或断绳等危险的缺陷。在众多缺陷中,磨损与锈蚀缺陷是最常见、最主要、最迫切解决的缺陷。为了实现在不拆卸状态下对钢丝绳的缺陷检测,采用图像传感器采集图像,并采用图像处理技术对锈蚀、磨损缺陷识别是极佳的选择。
目前依据图像进行钢丝绳缺陷检测的方法中,通过提取图像中的纹理识别钢丝绳的缺陷的方法识别依据较为单一,得到的结果准确性较低;通过对频域图像进行滤波,并对滤波后的频域图像进行反变换获取缺陷图像的方法识别缺陷,会过滤掉细节纹理,检测不到锈蚀中的毛刺缺陷等细节纹理,使检测结果不精准。
发明内容
为了解决钢丝绳检测结果不精准的问题,本发明提供一种钢丝绳缺陷检测方法,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钢丝绳缺陷检测方法,该方法包括以下步骤:
采集完好的钢丝绳表面的图像作为模板图像,采集待检测钢丝绳的表面图像,对模板图像和所述表面图像灰度化;根据灰度化后的模板图像和所述表面图像的灰度差异获取准缺陷图像;
基于所述准缺陷图像的灰度值生成多个连通域,对比任意两个连通域的轮廓和面积获取轮廓相似性,根据每个连通域对应的所有轮廓相似性筛选异常区域,以异常区域在所述准缺陷图像中的面积占比作为第一锈蚀程度;
通过预设超像素块数量将所述准缺陷图像和模板图像进行超像素分割,基于所述准缺陷图像和模板图像对应超像素块的灰度共生矩阵获取纹理差异;改变所述预设超像素块数量,基于最小的纹理差异对应的预设超像素块数量获取第二锈蚀程度;
通过预设梯度阈值对所述准缺陷图像进行边缘检测得到边缘线,根据梯度值将所有边缘线分为三类,以梯度最小的类作为毛刺类,根据毛刺类中每条边缘线上相邻像素点之间的斜率差异获取不规则程度;获取边缘检测效果,改变所述预设梯度阈值,直至边缘检测效果大于预设的效果阈值时,以对应的不规则程度作为第三锈蚀程度;
根据所述准缺陷图像中钢丝绳直径和模板图像中钢丝绳直径的差异获取第四锈蚀程度;以第一锈蚀程度、第二锈蚀程度、第三锈蚀程度和第四锈蚀程度的平均值作为锈蚀程度,进而检测锈蚀缺陷。
优选的,所述准缺陷图像的获取方法为:
获取模板图像灰度化后的第一灰度图像和所述表面图像灰度化后的第二灰度图像,计算第一灰度图像和第二灰度图像的平均灰度的灰度差异,将灰度差异大于预设的灰度阈值的第二灰度图像作为所述准缺陷图像。
优选的,所述基于所述准缺陷图像的灰度值生成多个连通域,包括:
通过对所述准缺陷图像的灰度值进行密度聚类得到多个灰度区间,分别对每个灰度区间进行区域生长,生成多个连通域。
优选的,所述轮廓相似性的获取方法为:
获取每个连通域的hu不变矩组和面积,对于任意两个连通域,计算对应hu不变矩之间的差异平方以及面积差异平方并求和,将求和结果开方得到所述轮廓相似性。
优选的,所述异常区域的筛选方法为:
以每个连通域作为目标连通域,统计目标连通域与其他连通域之间的轮廓相似性大于预设阈值的第一数量,以及剩余的第二数量,计算第一数量在第一数量和第二数量的和中所占的比例,当所述比例大于预设的异常阈值时,该目标连通域为所述异常区域。
优选的,所述纹理差异的获取方法为:
获取每个超像素块的灰度共生矩阵,以及模板图像对应的标准灰度共生矩阵,通过对比所述准缺陷图像对应的灰度共生矩阵与标准灰度共生矩阵的能量和逆差矩得到所述纹理差异。
优选的,所述第二锈蚀程度的获取方法为:
以最小的纹理差异对应的预设超像素块数量作为最优数量,计算所述预设超像素块数量的改变范围与最优数量之间的差值,以所述差值和所述改变范围的比值作为所述第二锈蚀程度。
优选的,所述不规则程度的获取方法为:
对于毛刺类中的每条边缘线,计算该边缘线上每两个相邻像素点之间的斜率差异,所有斜率差异的和作为预设值的负指数得到指数函数结果,以1减去所述指数函数结果作为该边缘线的局部不规则程度;根据毛刺类中所有边缘线对应的局部不规则程度得到所述不规则程度;局部不规则程度与所述不规则程度呈正相关关系。
优选的,所述边缘检测效果的获取方法为
根据边缘线上不同斜率下像素点的坐标获取边缘线的周期性,基于每类边缘线的平均周期性、平均梯度值获取初步检测效果,根据所述初步检测效果以及对应的不规则程度获取所述边缘检测效果。
优选的,所述检测锈蚀缺陷,包括:预设锈蚀阈值,当所述锈蚀程度大于所述锈蚀阈值时,对应的钢丝绳出现了锈蚀缺陷。
本发明实施例至少具有如下有益效果:
首先根据灰度化后的模板图像和表面图像的灰度差异获取准缺陷图像,对采集的表面图像进行初步筛选,选取可能存在缺陷的表面图像作为准缺陷图像;通过筛选异常区域获取准缺陷图像的第一锈蚀程度,基于轮廓相似性筛选出可能具有锈斑的区域,在锈蚀的轮廓特征方面进行缺陷的检测;通过与模板图像进行纹理差异的比较,筛选出与模板图像的纹理差异最小的超像素分割结果,此时准缺陷图像中分割的超像素块的纹理与模板图像中的纹理是最相似的,若超像素块数量少,说明纹理相似的情况下无法分割为较多的超像素块,出现锈蚀的可能性较大,因此基于最小的纹理差异对应的预设超像素块数量获取第二锈蚀程度,从钢丝绳表面的纹理特征方面表征锈蚀程度;然后将准缺陷图像中的边缘线分为三类,梯度最小的类为毛刺类,由于锈蚀产生的毛刺为细小边缘,对应的梯度最小,筛选出毛刺类之后,基于毛刺类边缘线的斜率变化获取第三锈蚀程度,边缘线的斜率变化越多,说明边缘线上的毛刺越多,越有可能出现了锈蚀;基于准缺陷图像与目标图像中钢丝绳的直径差异获取第四锈蚀程度,直径差异体现了表面锈蚀或者磨损的程度,以上述的第一锈蚀程度、第二锈蚀程度、第三锈蚀程度和第四锈蚀程度的平均值作为锈蚀程度,进而检测锈蚀缺陷,从多方面进行了表面锈蚀缺陷的检测,从轮廓特征、纹理特征、细小边缘和锈蚀程度四个方面进行了全面的表面锈蚀缺陷的检测,得到结果更加精准,提高钢丝绳锈蚀检测的准确率。
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为本发明一个实施例提供的一种钢丝绳缺陷检测方法的步骤流程图。
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钢丝绳缺陷检测方法,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钢丝绳缺陷检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种钢丝绳缺陷检测方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集完好的钢丝绳表面的图像作为模板图像,采集待检测钢丝绳的表面图像,对模板图像和表面图像灰度化;根据灰度化后的模板图像和表面图像的灰度差异获取准缺陷图像。
具体的步骤包括:
首先采集一张无缺陷的完好的钢丝绳图像作为模板图像。在将待检测钢丝绳拉伸时,使用工业相机对钢丝绳进行拍摄,得到待检测钢丝绳的表面图像,对模板图像和表面图像分别进行除噪和灰度化的预处理。
获取模板图像灰度化后的第一灰度图像和表面图像灰度化后的第二灰度图像,计算第一灰度图像和第二灰度图像的平均灰度的灰度差异,将灰度差异大于预设的灰度阈值的第二灰度图像作为准缺陷图像。
分别对第一灰度图像和第二灰度图像进行阈值分割,区分图像中的钢丝绳和背景区域,阈值分割时通过大津法获取分割阈值,灰度值大于分割阈值的像素点为钢丝绳,其他为背景。
计算阈值分割的第一灰度图像的平均灰度值和第二灰度图像的平均灰度值,以两个平均灰度值的差值绝对值作为两张灰度图像之间的灰度差异,当灰度差异大于预设的灰度阈值时,对应的第二灰度图像作为准缺陷图像。
作为一个示例,在本发明实施例中预设的灰度阈值为25,即灰度差异大于25时,待检测钢丝绳的表面图像与模板图像之间的灰度差异过大,可能出现锈蚀缺陷。
步骤S002,基于准缺陷图像的灰度值生成多个连通域,对比任意两个连通域的轮廓和面积获取轮廓相似性,根据每个连通域对应的所有轮廓相似性筛选异常区域,以异常区域在准缺陷图像中的面积占比作为第一锈蚀程度。
具体的步骤包括:
通过对准缺陷图像的灰度值进行密度聚类得到多个灰度区间,分别对每个灰度区间进行区域生长,生成多个连通域。
在本发明实施例中密度聚类的方法为DBSCAN聚类,设置最小聚类数目为3,最小聚类半径为5,使所有灰度值进行自动聚类,得到多个聚类类别,每个聚类类别为一个灰度区间,在每个灰度区间内进行区域生长,即根据种子点的灰度值得到该种子点所在的灰度区间,生长规则为对应的灰度区间范围,将所有与该种子点连通的同一灰度区间的像素点均划入该连通域,完成区域生长,得到多个连通域。
需要说明的是,在准缺陷图像中可能存在多个位置为同一灰度区间,但是由于并不相互连通会分为多个连通域,因此连通域的数量大于灰度区间的数量。
当钢丝绳铁锈蚀到一定程度时,会形成类似于锈渣状的铁锈及锈斑分布在钢丝绳上,在图像中显示为一片一片的情况。因此通过计算连通域的轮廓相似性来表征这一特征。
获取每个连通域的hu不变矩组和面积,对于任意两个连通域,计算对应hu不变矩之间的差异平方以及面积差异平方并求和,将求和结果开方得到轮廓相似性。以连通域a和连通域b为例,计算两者之间的轮廓相似性R:
需要说明的是,图像的hu距值具有旋转、缩放、镜像和平移不变性,也就是说相同或相似的形状经过旋转、缩放、平移变换后,其hu矩的值不变,因此也叫hu不变矩,hu矩是通过二阶和三阶中心矩求得的7个不变矩组,在本发明实施例中只用了前3个hu不变矩。
以每个连通域作为目标连通域,统计目标连通域与其他连通域之间的轮廓相似性大于预设阈值的第一数量,以及剩余的第二数量,计算第一数量在第一数量和第二数量的和中所占的比例,当比例大于预设的异常阈值时,该目标连通域为异常区域。
以连通域a作为目标连通域,计算目标连通域与其他每个连通域之间的轮廓相似性R,将每个轮廓相似性归一化为,当一个大于预设阈值时,第一数量的值加1,否则,第二数量的值加1,统计第一数量的记为c,第二数量记为d,则当连通域a对应的比例大于预设的异常阈值时,连通域a为异常区域。
计算异常区域在准缺陷图像中的面积占比作为第一锈蚀程度,记为U。
步骤S003,通过预设超像素块数量将准缺陷图像和模板图像进行超像素分割,基于准缺陷图像和模板图像对应超像素块的灰度共生矩阵获取纹理差异;改变预设超像素块数量,基于最小的纹理差异对应的预设超像素块数量获取第二锈蚀程度。
由于钢丝绳是由多股细小钢丝绳加稔形成的,而这些细小钢丝绳又是由更小的钢丝加稔形成的,而在钢丝绳锈蚀过后,由于钢丝绳表面锈蚀,使得不同稔的钢丝绳表面由于锈迹而连到一起,使得原本的钢丝绳的纹理被破坏,故而可以通过钢丝绳纹理变化确定钢丝绳的锈蚀程度。
具体的步骤包括:
在本发明实施例中预设超像素块数量的改变范围为[1,100],即从预设超像素块数量为1开始,变化至预设超像素块数量为100为止,共进行100次超像素分割。超像素分割为现有技术,通过预设超像素块的数量进行超像素分割。
每次超像素分割之后,获取每个超像素块的灰度共生矩阵,以及模板图像对应的标准灰度共生矩阵,通过对比准缺陷图像对应的灰度共生矩阵与标准灰度共生矩阵的能量和逆差矩得到纹理差异。
根据得到的灰度共生矩阵,以及模板图像对应的标准灰度共生矩阵,分别计算纹理信息,记为能量ASM、逆差矩IDM。其中,能量是图像灰度分布均匀程度和纹理粗细的一个度量。当图像纹理均一规则时,能量值较大;反之灰度共生矩阵的元素相近能量值较小。逆差矩反映了纹理的清晰程度和规则程度,一张图像的纹理清晰、规律性较强、易于描述,对应的灰度共生矩阵的逆差矩的值较大。对比准缺陷图像对应的灰度共生矩阵与标准灰度共生矩阵的能量和逆差矩得到纹理差异:
以最小的纹理差异对应的预设超像素块数量作为最优数量,计算预设超像素块数量的改变范围与最优数量之间的差值,以差值和改变范围的比值作为第二锈蚀程度。
在100个纹理差异中选取最小值对应的预设超像素块数量k作为最优数量,此时准缺陷图像中分割的超像素块的纹理与模板图像中的纹理是最相似的,若超像素块划分的越小,数量越多,那么说明对应锈蚀程度较小;若超像素块数量少,说明纹理相似的情况下无法分割为较多的超像素块,锈蚀可能较大,因此第二锈蚀程度为:。最优数量k越大,分割的超像素块越多,对应的第二锈蚀程度越小。
步骤S004,通过预设梯度阈值对准缺陷图像进行边缘检测得到边缘线,根据梯度值将所有边缘线分为三类,以梯度最小的类作为毛刺类,根据毛刺类中每条边缘线上相邻像素点之间的斜率差异获取不规则程度;获取边缘检测效果,改变预设梯度阈值,直至边缘检测效果大于预设的效果阈值时,以对应的不规则程度作为第三锈蚀程度。
具体的步骤包括:
由于毛刺在图像中不易检测,在使用边缘检测时,往往容易将细小毛刺漏检,因此,通过变换梯度阈值进行边缘检测并评估对应的检测效果来确定毛刺。
首先以初始设置的低阈值1作为边缘检测的梯度阈值对准缺陷图像进行边缘检测,得到多条边缘线,按照梯度值进行分析可知,整个钢丝绳两侧的边缘线的梯度值最大,次大的是每个稔形成的边缘线,梯度值最小的边缘线便可能是毛刺边缘线。
因此根据梯度值将所有边缘线分为三类,将获取的边缘线使用K-means聚类算法按照梯度值进行划分,其中K值为3。以梯度最小的类作为毛刺类。
对于毛刺类中的每条边缘线,计算该边缘线上每两个相邻像素点之间的斜率差异,所有斜率差异的和作为预设值的负指数得到指数函数结果,以1减去指数函数结果作为该边缘线的局部不规则程度;根据毛刺类中所有边缘线对应的局部不规则程度得到不规则程度;局部不规则程度与不规则程度呈正相关关系。
其中,表示第i条边缘线上第j个像素点的斜率,表示第i条边缘线上第j+1个像素点的斜率,表示第i条边缘线上相邻两个像素点之间的斜率差异,表示第i条边缘线的像素点数量,表示以自然常数e为底数的指数函数,e即为预设值。
边缘线上相邻像素点斜率差异越大,说明该边缘线上的斜率变化越多,局部不规则程度越大,可能存在较多细小边缘。
存在较多细小边缘,可能检测到的边缘线的毛刺较多,故可对上述获取的毛刺类边缘线进行分析,分析其上毛刺情况,进而获取不规则程度W:
此时获取边缘检测效果:根据边缘线上不同斜率下像素点的坐标获取边缘线的周期性,基于每类边缘线的平均周期性、平均梯度值获取初步检测效果,根据初步检测效果以及对应的不规则程度获取边缘检测效果。
根据边缘线上不同斜率下像素点的坐标获取边缘线的周期性:
其中,V表示边缘线上边缘线不同斜率的数量,u表示边缘线上边缘线斜率为p的像素点的数量,表示斜率为p的直线上第q个像素点的坐标位置,表示斜率为p的直线上第q+1个像素点的坐标位置,表示斜率为p的直线上第q个像素点与第q+1个像素点之间的欧式距离。
当同一斜率下像素点之间的平均距离越大,则说明边缘线周期性越大。
若钢丝绳表面出现锈蚀状况,则其原本边缘线与锈蚀产生的毛刺会使得其边缘线变得杂乱,根据上述描述的梯度值越小,该边缘线越可能是毛刺边缘的先验可知,当所求边缘线梯度值越小,则其边缘线周期性越差。根据上述分析获取图像中初步检测效果评价Q:
根据上述分析可知,聚类结果中聚类簇中簇内元素平均梯度值越大,则其对应边缘线周期性越大。即当所求边缘线梯度值与其边缘线周期性相对应,则说明边缘检测效果越好。
上述计算不规则程度时,依据毛刺类边缘线的斜率变化计算,当毛刺类边缘线越多时,不规则程度越大,说明检测到的细小边缘越多,也说明了检测效果越好,因此利用初步检测效果以及对应的不规则程度获取边缘检测效果H:
当不规则程度W越大,初步检测效果Q越大,得到的边缘检测效果H就越大,则说明边缘检测效果越好。即当所求边缘周期性越强,检测到的毛刺越多,其不规则程度越大,则说明此时对应阈值为边缘检测效果好。
改变预设梯度阈值,直至边缘检测效果大于预设的效果阈值时,以对应的不规则程度作为第三锈蚀程度。
边缘检测效果越好,说明检测到的结果越准确,得到的第三锈蚀程度越能表征锈蚀缺陷的可能性。设置效果阈值为0.7,在初始设置的低阈值下进行边缘检测效果的计算,当边缘检测效果H不大于0.7时,令低阈值加1,再次进行边缘检测并计算边缘检测效果,直至首次大于0.7时,对应的检测结果足够准确,此时对应的不规则程度为第三锈蚀程度。
步骤S005,根据准缺陷图像中钢丝绳直径和模板图像中钢丝绳直径的差异获取第四锈蚀程度;以第一锈蚀程度、第二锈蚀程度、第三锈蚀程度和第四锈蚀程度的平均值作为锈蚀程度,进而检测锈蚀缺陷。
具体的步骤包括:
当钢丝绳锈蚀多的时候,锈蚀的铁锈比起钢材料的排布更疏松,进而会使得钢丝绳表面粗细程度增加,从而可以从钢丝绳的粗细估计钢丝绳锈蚀程度。
根据准缺陷图像中钢丝绳直径和模板图像中钢丝绳直径的差异获取第四锈蚀程度f:
当第四锈蚀程度f越大,说明准缺陷图像中钢丝绳直径和模板图像中钢丝绳直径的差异越大,相应的钢丝绳的锈蚀程度越大。
预设锈蚀阈值,当锈蚀程度大于锈蚀阈值时,对应的钢丝绳出现了锈蚀缺陷。
在本发明实施例中锈蚀阈值设置为0.3,当锈蚀程度D大于0.3时,说明此时锈蚀可能性较大,认为对应的钢丝绳出现了锈蚀缺陷。
综上所述,本发明实施例采集完好的钢丝绳表面的图像作为模板图像,采集待检测钢丝绳的表面图像,对模板图像和表面图像灰度化;根据灰度化后的模板图像和表面图像的灰度差异获取准缺陷图像;基于准缺陷图像的灰度值生成多个连通域,对比任意两个连通域的轮廓和面积获取轮廓相似性,根据每个连通域对应的所有轮廓相似性筛选异常区域,以异常区域在准缺陷图像中的面积占比作为第一锈蚀程度;通过预设超像素块数量将准缺陷图像和模板图像进行超像素分割,基于准缺陷图像和模板图像对应超像素块的灰度共生矩阵获取纹理差异;改变预设超像素块数量,基于最小的纹理差异对应的预设超像素块数量获取第二锈蚀程度;通过预设梯度阈值对准缺陷图像进行边缘检测得到边缘线,根据梯度值将所有边缘线分为三类,以梯度最小的类作为毛刺类,根据毛刺类中每条边缘线上相邻像素点之间的斜率差异获取不规则程度;获取边缘检测效果,改变预设梯度阈值,直至边缘检测效果大于预设的效果阈值时,以对应的不规则程度作为第三锈蚀程度;根据准缺陷图像中钢丝绳直径和模板图像中钢丝绳直径的差异获取第四锈蚀程度;以第一锈蚀程度、第二锈蚀程度、第三锈蚀程度和第四锈蚀程度的平均值作为锈蚀程度,进而检测锈蚀缺陷。本发明实施例进行了全面的表面锈蚀缺陷的检测,得到结果更加精准,提高钢丝绳锈蚀检测的准确率。
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或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。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种钢丝绳缺陷检测方法,其特征在于,该方法包括以下步骤:
采集完好的钢丝绳表面的图像作为模板图像,采集待检测钢丝绳的表面图像,对模板图像和所述表面图像灰度化;根据灰度化后的模板图像和所述表面图像的灰度差异获取准缺陷图像;
基于所述准缺陷图像的灰度值生成多个连通域,对比任意两个连通域的轮廓和面积获取轮廓相似性,根据每个连通域对应的所有轮廓相似性筛选异常区域,以异常区域在所述准缺陷图像中的面积占比作为第一锈蚀程度;
通过预设超像素块数量将所述准缺陷图像和模板图像进行超像素分割,基于所述准缺陷图像和模板图像对应超像素块的灰度共生矩阵获取纹理差异;改变所述预设超像素块数量,基于最小的纹理差异对应的预设超像素块数量获取第二锈蚀程度;
通过预设梯度阈值对所述准缺陷图像进行边缘检测得到边缘线,根据梯度值将所有边缘线分为三类,以梯度最小的类作为毛刺类,根据毛刺类中每条边缘线上相邻像素点之间的斜率差异获取不规则程度;获取边缘检测效果,改变所述预设梯度阈值,直至边缘检测效果大于预设的效果阈值时,以对应的不规则程度作为第三锈蚀程度;
根据所述准缺陷图像中钢丝绳直径和模板图像中钢丝绳直径的差异获取第四锈蚀程度;以第一锈蚀程度、第二锈蚀程度、第三锈蚀程度和第四锈蚀程度的平均值作为锈蚀程度,进而检测锈蚀缺陷。
2.根据权利要求1所述的一种钢丝绳缺陷检测方法,其特征在于,所述准缺陷图像的获取方法为:
获取模板图像灰度化后的第一灰度图像和所述表面图像灰度化后的第二灰度图像,计算第一灰度图像和第二灰度图像的平均灰度的灰度差异,将灰度差异大于预设的灰度阈值的第二灰度图像作为所述准缺陷图像。
3.根据权利要求1所述的一种钢丝绳缺陷检测方法,其特征在于,所述基于所述准缺陷图像的灰度值生成多个连通域,包括:
通过对所述准缺陷图像的灰度值进行密度聚类得到多个灰度区间,分别对每个灰度区间进行区域生长,生成多个连通域。
4.根据权利要求1所述的一种钢丝绳缺陷检测方法,其特征在于,所述轮廓相似性的获取方法为:
获取每个连通域的hu不变矩组和面积,对于任意两个连通域,计算对应hu不变矩之间的差异平方以及面积差异平方并求和,将求和结果开方得到所述轮廓相似性。
5.根据权利要求1所述的一种钢丝绳缺陷检测方法,其特征在于,所述异常区域的筛选方法为:
以每个连通域作为目标连通域,统计目标连通域与其他连通域之间的轮廓相似性大于预设阈值的第一数量,以及剩余的第二数量,计算第一数量在第一数量和第二数量的和中所占的比例,当所述比例大于预设的异常阈值时,该目标连通域为所述异常区域。
6.根据权利要求1所述的一种钢丝绳缺陷检测方法,其特征在于,所述纹理差异的获取方法为:
获取每个超像素块的灰度共生矩阵,以及模板图像对应的标准灰度共生矩阵,通过对比所述准缺陷图像对应的灰度共生矩阵与标准灰度共生矩阵的能量和逆差矩得到所述纹理差异。
7.根据权利要求1所述的一种钢丝绳缺陷检测方法,其特征在于,所述第二锈蚀程度的获取方法为:
以最小的纹理差异对应的预设超像素块数量作为最优数量,计算所述预设超像素块数量的改变范围与最优数量之间的差值,以所述差值和所述改变范围的比值作为所述第二锈蚀程度。
8.根据权利要求1所述的一种钢丝绳缺陷检测方法,其特征在于,所述不规则程度的获取方法为:
对于毛刺类中的每条边缘线,计算该边缘线上每两个相邻像素点之间的斜率差异,所有斜率差异的和作为预设值的负指数得到指数函数结果,以1减去所述指数函数结果作为该边缘线的局部不规则程度;根据毛刺类中所有边缘线对应的局部不规则程度得到所述不规则程度;局部不规则程度与所述不规则程度呈正相关关系。
9.根据权利要求1所述的一种钢丝绳缺陷检测方法,其特征在于,所述边缘检测效果的获取方法为
根据边缘线上不同斜率下像素点的坐标获取边缘线的周期性,基于每类边缘线的平均周期性、平均梯度值获取初步检测效果,根据所述初步检测效果以及对应的不规则程度获取所述边缘检测效果。
10.根据权利要求1所述的一种钢丝绳缺陷检测方法,其特征在于,所述检测锈蚀缺陷,包括:预设锈蚀阈值,当所述锈蚀程度大于所述锈蚀阈值时,对应的钢丝绳出现了锈蚀缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211250385.8A CN115330783A (zh) | 2022-10-13 | 2022-10-13 | 一种钢丝绳缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211250385.8A CN115330783A (zh) | 2022-10-13 | 2022-10-13 | 一种钢丝绳缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115330783A true CN115330783A (zh) | 2022-11-11 |
Family
ID=83913625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211250385.8A Pending CN115330783A (zh) | 2022-10-13 | 2022-10-13 | 一种钢丝绳缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115330783A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115858832A (zh) * | 2023-03-01 | 2023-03-28 | 天津市邱姆预应力钢绞线有限公司 | 一种用于钢绞线生产数据存储方法及*** |
CN115908371A (zh) * | 2022-12-14 | 2023-04-04 | 南京信息工程大学 | 基于优化分割的植物叶片病虫害程度检测方法 |
CN116152242A (zh) * | 2023-04-18 | 2023-05-23 | 济南市莱芜区综合检验检测中心 | 一种篮球用天然皮革缺陷可视化检测*** |
CN116188024A (zh) * | 2023-04-24 | 2023-05-30 | 山东蓝客信息科技有限公司 | 一种医疗安全支付*** |
CN116229378A (zh) * | 2023-05-09 | 2023-06-06 | 盛锋电力科技有限公司 | 一种smc电缆分接箱异常监测、预警方法 |
CN116309574A (zh) * | 2023-05-19 | 2023-06-23 | 成都数之联科技股份有限公司 | 一种面板漏制程缺陷检测方法、***、设备及存储介质 |
CN116342598A (zh) * | 2023-05-29 | 2023-06-27 | 天维云筑预应力科技(天津)有限公司 | 基于机器视觉的钢绞线质量检测方法 |
CN116503403A (zh) * | 2023-06-27 | 2023-07-28 | 无锡斯达新能源科技股份有限公司 | 基于图像处理的金属切削刀头的缺陷检测方法 |
CN116665137A (zh) * | 2023-08-01 | 2023-08-29 | 聊城市彩烁农业科技有限公司 | 一种基于机器视觉的畜牧养殖废水处理方法 |
CN116721096A (zh) * | 2023-08-08 | 2023-09-08 | 东莞市南谷第电子有限公司 | 基于人工智能的新能源线束质量在线检测方法 |
CN116777916A (zh) * | 2023-08-24 | 2023-09-19 | 济宁安泰矿山设备制造有限公司 | 基于泵机金属外壳的缺陷检测方法 |
CN116958144A (zh) * | 2023-09-20 | 2023-10-27 | 东莞市南谷第电子有限公司 | 一种新能源连接线表面瑕疵区域快速定位方法及*** |
CN117152137A (zh) * | 2023-10-30 | 2023-12-01 | 江苏高特高金属科技有限公司 | 基于图像处理的焊管腐蚀状态检测方法 |
CN117197130A (zh) * | 2023-11-03 | 2023-12-08 | 山东太阳耐磨件有限公司 | 基于机器视觉的驱动齿角缺陷识别方法 |
CN117197442A (zh) * | 2023-11-03 | 2023-12-08 | 超技工业(广东)股份有限公司 | 一种走天输送机的故障排查*** |
CN117274251A (zh) * | 2023-11-20 | 2023-12-22 | 山东鲁抗医药集团赛特有限责任公司 | 基于图像数据的药品生产过程中药片质量检测方法 |
CN118014998A (zh) * | 2024-04-09 | 2024-05-10 | 深圳市富安娜艺术家居有限公司 | 基于机器视觉的床单布匹检测方法及*** |
CN118071737A (zh) * | 2024-04-17 | 2024-05-24 | 深圳市创科达精密机电有限公司 | 基于机器视觉的红外皮秒激光切割切口毛刺检测方法 |
-
2022
- 2022-10-13 CN CN202211250385.8A patent/CN115330783A/zh active Pending
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115908371A (zh) * | 2022-12-14 | 2023-04-04 | 南京信息工程大学 | 基于优化分割的植物叶片病虫害程度检测方法 |
CN115908371B (zh) * | 2022-12-14 | 2023-05-19 | 南京信息工程大学 | 基于优化分割的植物叶片病虫害程度检测方法 |
CN115858832A (zh) * | 2023-03-01 | 2023-03-28 | 天津市邱姆预应力钢绞线有限公司 | 一种用于钢绞线生产数据存储方法及*** |
CN116152242B (zh) * | 2023-04-18 | 2023-07-18 | 济南市莱芜区综合检验检测中心 | 一种篮球用天然皮革缺陷可视化检测*** |
CN116152242A (zh) * | 2023-04-18 | 2023-05-23 | 济南市莱芜区综合检验检测中心 | 一种篮球用天然皮革缺陷可视化检测*** |
CN116188024A (zh) * | 2023-04-24 | 2023-05-30 | 山东蓝客信息科技有限公司 | 一种医疗安全支付*** |
CN116229378A (zh) * | 2023-05-09 | 2023-06-06 | 盛锋电力科技有限公司 | 一种smc电缆分接箱异常监测、预警方法 |
CN116229378B (zh) * | 2023-05-09 | 2023-08-25 | 盛锋电力科技有限公司 | 一种smc电缆分接箱异常监测、预警方法 |
CN116309574A (zh) * | 2023-05-19 | 2023-06-23 | 成都数之联科技股份有限公司 | 一种面板漏制程缺陷检测方法、***、设备及存储介质 |
CN116309574B (zh) * | 2023-05-19 | 2023-08-18 | 成都数之联科技股份有限公司 | 一种面板漏制程缺陷检测方法、***、设备及存储介质 |
CN116342598A (zh) * | 2023-05-29 | 2023-06-27 | 天维云筑预应力科技(天津)有限公司 | 基于机器视觉的钢绞线质量检测方法 |
CN116342598B (zh) * | 2023-05-29 | 2023-08-01 | 天维云筑预应力科技(天津)有限公司 | 基于机器视觉的钢绞线质量检测方法 |
CN116503403A (zh) * | 2023-06-27 | 2023-07-28 | 无锡斯达新能源科技股份有限公司 | 基于图像处理的金属切削刀头的缺陷检测方法 |
CN116503403B (zh) * | 2023-06-27 | 2023-09-01 | 无锡斯达新能源科技股份有限公司 | 基于图像处理的金属切削刀头的缺陷检测方法 |
CN116665137A (zh) * | 2023-08-01 | 2023-08-29 | 聊城市彩烁农业科技有限公司 | 一种基于机器视觉的畜牧养殖废水处理方法 |
CN116665137B (zh) * | 2023-08-01 | 2023-10-10 | 聊城市彩烁农业科技有限公司 | 一种基于机器视觉的畜牧养殖废水处理方法 |
CN116721096A (zh) * | 2023-08-08 | 2023-09-08 | 东莞市南谷第电子有限公司 | 基于人工智能的新能源线束质量在线检测方法 |
CN116721096B (zh) * | 2023-08-08 | 2023-11-14 | 东莞市南谷第电子有限公司 | 基于人工智能的新能源线束质量在线检测方法 |
CN116777916A (zh) * | 2023-08-24 | 2023-09-19 | 济宁安泰矿山设备制造有限公司 | 基于泵机金属外壳的缺陷检测方法 |
CN116777916B (zh) * | 2023-08-24 | 2023-10-27 | 济宁安泰矿山设备制造有限公司 | 基于泵机金属外壳的缺陷检测方法 |
CN116958144B (zh) * | 2023-09-20 | 2024-01-12 | 东莞市南谷第电子有限公司 | 一种新能源连接线表面瑕疵区域快速定位方法及*** |
CN116958144A (zh) * | 2023-09-20 | 2023-10-27 | 东莞市南谷第电子有限公司 | 一种新能源连接线表面瑕疵区域快速定位方法及*** |
CN117152137A (zh) * | 2023-10-30 | 2023-12-01 | 江苏高特高金属科技有限公司 | 基于图像处理的焊管腐蚀状态检测方法 |
CN117152137B (zh) * | 2023-10-30 | 2024-01-26 | 江苏高特高金属科技有限公司 | 基于图像处理的焊管腐蚀状态检测方法 |
CN117197130A (zh) * | 2023-11-03 | 2023-12-08 | 山东太阳耐磨件有限公司 | 基于机器视觉的驱动齿角缺陷识别方法 |
CN117197130B (zh) * | 2023-11-03 | 2024-01-26 | 山东太阳耐磨件有限公司 | 基于机器视觉的驱动齿角缺陷识别方法 |
CN117197442A (zh) * | 2023-11-03 | 2023-12-08 | 超技工业(广东)股份有限公司 | 一种走天输送机的故障排查*** |
CN117197442B (zh) * | 2023-11-03 | 2024-03-05 | 超技工业(广东)股份有限公司 | 一种走天输送机的故障排查*** |
CN117274251A (zh) * | 2023-11-20 | 2023-12-22 | 山东鲁抗医药集团赛特有限责任公司 | 基于图像数据的药品生产过程中药片质量检测方法 |
CN117274251B (zh) * | 2023-11-20 | 2024-02-06 | 山东鲁抗医药集团赛特有限责任公司 | 基于图像数据的药品生产过程中药片质量检测方法 |
CN118014998A (zh) * | 2024-04-09 | 2024-05-10 | 深圳市富安娜艺术家居有限公司 | 基于机器视觉的床单布匹检测方法及*** |
CN118014998B (zh) * | 2024-04-09 | 2024-06-11 | 深圳市富安娜艺术家居有限公司 | 基于机器视觉的床单布匹检测方法及*** |
CN118071737A (zh) * | 2024-04-17 | 2024-05-24 | 深圳市创科达精密机电有限公司 | 基于机器视觉的红外皮秒激光切割切口毛刺检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115330783A (zh) | 一种钢丝绳缺陷检测方法 | |
CN115375676B (zh) | 一种基于图像识别的不锈钢制品质量检测方法 | |
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及*** | |
CN115294158A (zh) | 一种基于机器视觉的热连轧带钢图像分割方法 | |
CN115294338A (zh) | 一种叶轮表面缺陷识别方法 | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及*** | |
CN110472479B (zh) | 一种基于surf特征点提取和局部lbp编码的指静脉识别方法 | |
CN101114335A (zh) | 全角度快速指纹识别方法 | |
CN115018845B (zh) | 一种润滑油磨粒质量检测方法 | |
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN107292310A (zh) | 一种圆形指针式表盘视觉定位及自动读数方法 | |
CN115035120B (zh) | 基于物联网的机床控制方法及*** | |
CN115131359B (zh) | 一种金属加工件表面麻点缺陷检测方法 | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理*** | |
Wu et al. | Watershed-based morphological separation of wear debris chains for on-line ferrograph analysis | |
CN114723704A (zh) | 一种基于图像处理的纺织品质量评估方法 | |
CN115294159B (zh) | 金属紧固件腐蚀区域分割方法 | |
CN113838054A (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
CN115311629B (zh) | 一种折弯机的异常折弯精度监测*** | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115222743A (zh) | 基于视觉的家具表面喷漆缺陷检测方法 | |
CN115797361B (zh) | 一种铝模板表面缺陷检测方法 | |
CN115131356A (zh) | 一种基于丰富度的钢板缺陷分类方法 | |
CN115115603A (zh) | 基于人工智能的汽车配件飞轮表面检测方法 |
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 |