CN115578374A - 一种机械零件铸造质量评估方法与*** - Google Patents
一种机械零件铸造质量评估方法与*** Download PDFInfo
- Publication number
- CN115578374A CN115578374A CN202211354952.4A CN202211354952A CN115578374A CN 115578374 A CN115578374 A CN 115578374A CN 202211354952 A CN202211354952 A CN 202211354952A CN 115578374 A CN115578374 A CN 115578374A
- Authority
- CN
- China
- Prior art keywords
- category
- superpixel
- image
- characteristic value
- area
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及机械零件质检技术领域,具体涉及一种机械零件质量评估方法与***,该方法包括:获取机械零件表面灰度图像集,利用超像素分割算法对各机械零件表面灰度图像进行处理得到多个超像素块;计算超像素块的自相关指标,对超像素块进行分类,得到多个分类类别;计算同一分类类别内相邻超像素块之间的相似度,对各个分类类别内的超像素块进行再分类,得到多个再分类类别,且一个再分类类别对应一个类别区域;计算类别区域的特征值,根据特征值选择对应的类别区域,得到模板图像;对待分析图像进行边缘检测,得到初始缺陷区域,根据初始缺陷区域与模板图像重合部分的像素点数量,得到质量评估结果。本发明能够得到准确的机械零件质量评估结果。
Description
技术领域
本发明涉及机械零件质检技术领域,具体涉及一种机械零件铸造质量评估方法与***。
背景技术
机械零件铸造主要分为锻造、铸造、焊接、冲压等,在机械零件铸造的过程中,由于压铸机不适宜在高温下工作,因此在压铸的过程中会伴有气孔和氧化夹杂物的存在。
目前,针对铸造缺陷主要依靠人工检测对机械零件进行缺陷检测和质量评估,但是通过人工检测需要大量的人力参与,对机械零件进行质量评估,受主观影响较大。此外,也有通过传感器对机械零件表面进行粗糙度评估,实现机械零件的质量评估。但是该方法对仪器的精度要求较高,相关的仪器设备造价高,增加了质量评估的成本。
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机械零件铸造质量评估方法与***,所采用的技术方案具体如下:
获取机械零件表面灰度图像集,利用超像素分割算法对各机械零件表面灰度图像进行处理得到多个超像素块;
根据超像素块内像素点的灰度值得到超像素块的自相关指标,根据所述自相关指标对超像素块进行分类,得到多个分类类别;
计算同一分类类别内相邻超像素块之间的相似度,根据所述相似度分别对各个分类类别内的超像素块进行再分类,得到多个再分类类别;其中,一个再分类类别对应一个类别区域;
根据各类别区域内超像素块之间的相似度均值得到该类别区域的特征值,并获取各个分类类别中类别区域对应的最大特征值和最小特征值,进而得到机械零件表面灰度图像集的最大特征值集合与最小特征值集合;
确定最大特征值集合与最小特征值集合中特征值对应的面积最小的类别区域,得到模板图像;
对待分析图像进行边缘检测,得到初始缺陷区域,根据初始缺陷区域与模板图像重合部分的像素点数量,得到质量评估结果。
优选地,所述自相关指标的获取方法具体为:
其中,z(x,y)表示超像素块的自相关指标,M表示超像素块内像素点的行数,N表示超像素块内像素点的列数,I(i,j)表示在(i,j)位置处的像素点的灰度值,I(i+x,j+y)表示在(i+x,j+y)位置处的像素点的灰度值,(x,y)表示在(i,j)位置处的像素点的偏移坐标。
优选地,所述相似度的获取方法具体为:
将超像素块的邻域超像素块灰度梯度构成超像素块的空间特征向量,其中,超像素块与其邻域超像素块在同一分类类别中;据同一分类类别内相邻两个超像素块的空间特征向量的L2范数得到相似度。
优选地,所述再分类类别中包括孤立超像素块。
优选地,获取孤立超像素块对应的类别区域记为孤立类别区域,并计算孤立类别区域的孤立特征值;根据机械零件表面灰度图像集中所有图像获取的孤立特征值构成孤立特征值集合;并获取孤立特征值集合中特征值对应的面积最小的类别区域,记为模板图像。
优选地,将最大特征值集合中特征值对应面积最小的类别区域,记为第一模板图像;将最小特征值集合中特征值对应面积最小的类别区域,记为第二模板图像;将孤立特征值集合中特征值对应面积最小的类别区域,记为第三模板图像。
优选地,所述质量评估结果的获取方法为:
对初始缺陷区域的像素点数求和得到初始缺陷区域的缺陷面积;对初始缺陷区域进行聚类得到多个密集缺陷区域;根据密集缺陷区域的面积以及其包含的缺陷区域数量得到密集缺陷区域密度;获取初始缺陷区域的缺陷面积大于面积阈值时,待分析图像与第一模板图像重合部分像素点的数量,得到第一数值;获取密集缺陷区域密度大于密度阈值时,待分析图像与第二模板图像重合部分像素点的数量,得到第二数值;获取密集缺陷区域密度小于密度阈值时,待分析图像与第三模板图像重合部分像素点的数量,得到第三数值;根据第一数值、第二数值以及第三数值得到机械零件的质量评估结果。
本发明还提供了一种机械零件铸造质量评估***,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被处理器执行时实现一种机械零件铸造质量评估方法的步骤。
本发明实施例至少具有如下有益效果:
本发明根据自相关指标对超像素块进行分类,得到存在相关关系的超像素块类别,并根据相似度对超像素块进行再分类,进而得到模板图像,排除了主观影响对机械零件质量评估造成的误差,减少了质量评估的成本。同时,考虑了超像素块内部的灰度变化关系与超像素块邻域范围的相似度分布,得到的模板图像更加准确。
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为本发明的一种机械零件铸造质量评估方法的方法流程图。
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机械零件铸造质量评估方法与***,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机械零件铸造质量评估方法与***的具体方案。
本发明所针对的具体场景为:机械零件质量检测场景,通过工业CCD相机获取机械零件表面图像,并且拥有固定光源,不考虑光照的影响。本发明主要对钣金零件上的气孔进行检测,气孔产生的原因主要为铸造的过程中,含有氧化物或者杂质较多。
需要说明的是,本发明针对钣金材料制成的迹象零件的缺陷。一般的,钣金材料表面光滑,不存在气孔或者气泡。但是在铸造的过程中很难避免产生氧化物或者有杂质混入,进而造成钣金材料表面产生气孔或者气泡。气孔或者气泡一般出现在铸件内或者铸件表面,截面呈圆形、椭圆形、腰圆形、梨形与针头状。气孔或者气泡一般的分布特征为:大气孔或者大气泡常孤立存在,小气孔或者小气泡常成群或分散分布。本发明中所针对的钣金材料为未加工前的钣金材料,形状规则。
实施例1:
请参阅图1,其示出了本发明一个实施例提供的一种机械零件铸造质量评估方法的步骤流程图,该方法包括以下步骤:
首先,获取机械零件表面图像,并对机械零件表面图像进行灰度化处理,得到机械零件表面灰度图像集。该步骤的目的是:通过相机采集机械零件表面图像,并对图像进行预处理。该步骤的有益效果为:有利于获取机械零件的图像特征,避免噪声对后续处理产生干扰。
具体地,通过相机获取机械零件表面图像,且该图像为RGB图像,并对图像进行灰度化处理,得到机械零件表面灰度图像。采用中值滤波去噪算法对机械零件表面灰度图像进行去噪处理。其中,中值滤波算法为公知算法,在此不再详细描述。获取多个进行预处理后的机械零件表面灰度图像构成机械零件表面灰度图像集,并且机械零件表面灰度图像的数量实施者可根据实际情况进行选择。
然后,利用超像素分割算法对机械零件表面灰度图像进行处理得到多个超像素块;根据超像素块内像素点的灰度值得到超像素块的自相关指标,根据所述自相关指标对超像素块进行分类,得到多个分类类别。
具体地,利用超像素分割算法获取相似纹理、亮度等特征的相邻像素构成的有一定视觉意义的不规则像素块,具体方法为:获取预处理后的机械零件表面灰度图像,利用超像素分割算法对机械零件表面灰度图像进行分割,得到多个超像素块。其中超像素分割算法利用SLIC算法实现,并且超像素分割算法为公知算法,具体过程不再赘述。
该步骤的目的是为了将图像中具有相似纹理、亮度等特征的相邻像素点分割为不规则的超像素块。该步骤的有益效果为:能够将背景像素点和气孔或者气泡像素点分割到不同的超像素块中,有利于后续比较超像素块之间的关系。由于本发明重在获取不同气孔或者气泡缺陷的模板图像,因此将只含有背景像素点的超像素块进行标记,实际应用中不参与选取模板图像,但是在获取模板图像的过程中,仍参与聚类超像素块。(其中,背景像素点可理解为正常区域像素点,可通过灰度阈值分割来确定,不作为本发明重点,不再赘述)
构建超像素块内像素点的自相关指标,用公式表示为:
其中,z(x,y)表示超像素块的自相关指标,M表示超像素块内像素点的行数,N表示超像素块内像素点的列数,由于超像素块为不规则形状,因此M≠N,I(i,j)表示在(i,j)位置处的像素点的灰度值,I(i+x,j+y)表示在(i+x,j+y)位置处的像素点的灰度值,(x,y)表示在(i,j)位置处的像素点的偏移坐标。
获取所有超像素块的自相关指标,并对其进行归一化处理,根据处理后的自相关指标对超像素块进行聚类,聚类条件为两个超像素块的自相关指标取值的差值小于阈值M1,在本实施例中该阈值取值为M1=0.2。将满足聚类条件的超像素块分为一类,进行不断迭代,直到机械零件表面灰度图像中所有超像素块都参与聚类,聚类结束,得到多个分类类别。其中,实施者也可根据实际情况进行选择其他合适的聚类算法。
需要说明的是,获取自相关指标是为了获取超像素块内像素点的灰度变化特征,根据自相关指标对超像素块进行聚类,能够初步筛选出气泡缺陷区域。
接着,计算同一分类类别内相邻超像素块之间的相似度,根据所述相似度分别对各个分类类别内的超像素块进行再分类,得到多个再分类类别;其中,一个再分类类别对应一个类别区域。
具体地,将超像素块的邻域超像素块灰度梯度构成超像素块的空间特征向量V,在本实施例中,V={a1,a2,⋯,a8},即邻域超像素块最多为8个,对应8个方向,分别为0°、45°、90度、…、315°。通过超像素块中心点的连线确定方向。由于超像素块为不规则形状,所以,部分超像素块的相邻超像素块数可能小于8个,则对应位置的超像素块取0。其中,超像素块与其邻域超像素块在同一分类类别中。
根据同一分类类别内相邻两个超像素块的空间特征向量的L2范数得到相似度,用公式表示为:
其中,sim表示同一分类类别内第k个超像素块与第k-1个超像素块之间的相似度,Vk表示第k个超像素块的空间特征向量,Vk-1表示第k-1个超像素块的空间特征向量。
获取所有分类类别内两个相邻超像素块之间的相似度,并进行归一化处理,根据处理后的相似度分别对各个分类类别内的超像素块进行再分类,得到多个再分类类别。
其中,进行再分类的具体步骤为:设定相似度阈值M2(在本实施例中,相似度阈值的取值为M2=0.2),对超像素块再分类的过程采用类似于均值聚类便宜算法,以任意一个超像素块为初始聚类中心,在同一分类类别内,判断相邻的超像素块之间的相似度是否满足sim>M2,若满足条件,则该超像素块聚为一类,若不满足条件,则认为该超像素块为孤立超像素块,当初始聚类块的邻域范围内存在相似的超像素块,则邻域内的相似超像素块作为新的聚类中心,进行下一个邻域范围内的超像素块聚类,直到邻域范围内不再出现相似的超像素块,一次聚类过程结束,然后,分类类别中未参与聚类的超像素块进行下一次聚类,直到同一分类类别内的超像素块都参与聚类,聚类结束,得到多个再分类类别。其中,再分类类别还包括孤立超像素块,一个再分类类别对应一个类别区域。
需要说明的是,将分类类别内的超像素块之间存在相似关系的聚为一类,目的是为了获取满足先验条件(大气孔或者大气泡常孤立存在,小气孔或者小气泡常成群或者分散分布)的模板图像,并且能够更加准确。
进一步的,根据类别区域内超像素块之间的相似度均值得到类别区域的特征值,并获取各个分类类别中类别区域对应的最大特征值和最小特征值;根据机械零件表面灰度图像集中所有图像获取的最大特征值与最小特征值构成最大特征值集合与最小特征值集合;获取最大特征值集合与最小特征值集合中特征值对应面积最小的类别区域,得到模板图像。
此外还包括:获取孤立超像素块对应的类别区域记为孤立类别区域,并计算孤立类别区域的孤立特征值;根据机械零件表面灰度图像集中所有图像获取的孤立特征值构成孤立特征值集合;并获取孤立特征值集合中特征值对应面积最小的类别区域,记为模板图像。
具体地,类别区域的特征值用公式表示为:
其中,Mq表示第q个类别区域的特征值,H表示第q个类别区域内的超像素块数量,simh,h-1表示第q个类别区域中第h个超像素块和第h-1个超像素块之间的相似度,M2表示相似度阈值。
获取各个分类类别中类别区域对应的最大特征值、最小特征值以及孤立特征值,根据机械零件表面灰度图像集中所有图像获取的最大特征值、最小特征值以及孤立特征值,分别构成最大特征值集合、最小特征值集合以及孤立特征值集合。将最大特征值集合中特征值对应面积最小的类别区域,记为第一模板图像;将最小特征值集合中特征值对应面积最小的类别区域,记为第二模板图像;将孤立特征值集合中特征值对应面积最小的类别区域,记为第三模板图像。
需要说明的是,获取最大特征值的目的是为了得到满足大气孔或者大气泡常孤立存在的先验条件。当气孔或者气泡较大时,超像素分割可能将大气孔分成很多块,相应的,超像素块之间的相似度较大,则根据相似度阈值计算得到的特征值就会越大,得到的第一模板图像主要用于检测表面图像中的大气孔或者大气泡缺陷。
获取最小特征值的目的是为了得到满足小气孔或者小气泡常成群存在的先验条件,当气孔或者气泡较小且分布密集时,相邻的超像素分块中可能都包括小气孔或者小气泡和部分背景图像,小气孔或小气泡之间形状不一,相应的,超像素块之间的相似度相对较小,则根据相似度阈值计算得到的特征值就会越小,得到的第二模板图像主要用于检测表面图像中的小气孔或者小气泡密集缺陷。
获取孤立特征值的目的是为了得到满足小气孔或者小气泡分散存在的先验条件,当气孔或者气泡较小且离散分布时,超像素分割后的超像素块则作为离散块存在,将此类的超像素块作为单独的模板图像,即第三模板图像主要用于检测表面图像中的小气孔离散缺陷。
最后,对待分析图像进行边缘检测,得到初始缺陷区域,根据初始缺陷区域与模板图像重合部分的像素点数量,得到质量评估结果。该步骤的目的是通过模板图像对零件质量进行评估。该步骤的有益效果为:能够客观的得到零件质量评估参数,有利于零件铸造的优化和筛选,提高了实际质量评估的算法运算效率。
具体地,对待分析图像进行边缘检测,在本实施例中采用Canny边缘检测算法,为了获取可能粗拿在的气孔或者气泡边缘,并将边缘像素点进行轮廓拟合,获取各个气孔获取气泡边缘的图像分布位置,得到初始缺陷区域。
对初始缺陷区域的像素点数求和得到初始缺陷区域的缺陷面积S,对初始缺陷区域进行聚类得到多个密集缺陷区域。其中,在本实施例中,采用最近邻聚类(KNN)对初始缺陷区域进行欧式距离聚类。
根据密集缺陷区域的面积以及其包含的缺陷区域数量得到密集缺陷区域密度ρ,用公式表示为:
其中,ρt表示第t个密集缺陷区域密度,st表示第t个密集缺陷区域的面积,Nt表示第t个密集缺陷区域中初始缺陷区域的数量。
设定面积阈值M3,在本实施例中面积阈值的取值为M3=100,当初始缺陷区域的缺陷面积S大于面积阈值时,即S>M3,认为待分析图像中包括大气孔或者大气泡,则获取待分析图像与第一模板图像重合部分像素点的数量,得到第一数值Num1。
设定密度阈值M4,在本实施例中密度阈值的取值为M4=0.6,当密集缺陷区域密度大于密度阈值时,即ρ>M4,认为待分析图像中包括成群存在的气孔或者气泡,则获取待分析图像与第二模板图像重合部分像素点的数量,得到第二数值Num2。
当密集缺陷区域密度小于密度阈值时,即ρ<M4,认为待分析图像中包括分散的气孔或者气泡,获取待分析图像与第三模板图像重合部分像素点的数量,得到第三数值Num3。
需要说明的是在实际应用的过程中,可设置质量评估阈值M5=0.3对机械零件表面图像进行筛选,大于质量评估阈值M5的机械零件表面图像即为满足质量要求的机械零件。此外,也可通过利用不同的模板图像对零件图像进行迭代模板匹配,每一种模板都匹配一遍,获取最后的质量评估结果。
实施例2:
本实施例提供了一种机械零件铸造质量评估***,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被处理器执行时实现一种机械零件铸造质量评估方法的步骤。由于实施例1已经对一种机械零件铸造质量评估方法进行了详细的阐述,此处不再过多介绍。
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。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。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 (8)
1.一种机械零件铸造质量评估方法,其特征在于,所述方法包括以下步骤:
获取机械零件表面灰度图像集,利用超像素分割算法对各机械零件表面灰度图像进行处理得到多个超像素块;
根据超像素块内像素点的灰度值得到超像素块的自相关指标,根据所述自相关指标对超像素块进行分类,得到多个分类类别;
计算同一分类类别内相邻超像素块之间的相似度,根据所述相似度分别对各个分类类别内的超像素块进行再分类,得到多个再分类类别;其中,一个再分类类别对应一个类别区域;
根据各类别区域内超像素块之间的相似度均值得到该类别区域的特征值,并获取各个分类类别中类别区域对应的最大特征值和最小特征值,进而得到机械零件表面灰度图像集的最大特征值集合与最小特征值集合;
确定最大特征值集合与最小特征值集合中特征值对应的面积最小的类别区域,得到模板图像;
对待分析图像进行边缘检测,得到初始缺陷区域,根据初始缺陷区域与模板图像重合部分的像素点数量,得到质量评估结果。
3.根据权利要求1所述的一种机械零件铸造质量评估方法,其特征在于,所述相似度的获取方法具体为:
将超像素块的邻域超像素块灰度梯度构成超像素块的空间特征向量,其中,超像素块与其邻域超像素块在同一分类类别中;
根据同一分类类别内相邻两个超像素块的空间特征向量的L2范数得到相似度。
4.根据权利要求1所述的一种机械零件铸造质量评估方法,其特征在于,所述再分类类别中包括孤立超像素块。
5.根据权利要求4所述的一种机械零件铸造质量评估方法,其特征在于,所述方法还包括:
获取孤立超像素块对应的类别区域记为孤立类别区域,并计算孤立类别区域的孤立特征值;根据机械零件表面灰度图像集中所有图像获取的孤立特征值构成孤立特征值集合;
并获取孤立特征值集合中特征值对应的面积最小的类别区域,记为模板图像。
6.根据权利要求5所述的一种机械零件铸造质量评估方法,其特征在于,将最大特征值集合中特征值对应面积最小的类别区域,记为第一模板图像;将最小特征值集合中特征值对应面积最小的类别区域,记为第二模板图像;将孤立特征值集合中特征值对应面积最小的类别区域,记为第三模板图像。
7.根据权利要求1所述的一种机械零件铸造质量评估方法,其特征在于,所述质量评估结果的获取方法为:
对初始缺陷区域的像素点数求和得到初始缺陷区域的缺陷面积;对初始缺陷区域进行聚类得到多个密集缺陷区域;
根据密集缺陷区域的面积以及其包含的缺陷区域数量得到密集缺陷区域密度;
获取初始缺陷区域的缺陷面积大于面积阈值时,待分析图像与第一模板图像重合部分像素点的数量,得到第一数值;
获取密集缺陷区域密度大于密度阈值时,待分析图像与第二模板图像重合部分像素点的数量,得到第二数值;
获取密集缺陷区域密度小于密度阈值时,待分析图像与第三模板图像重合部分像素点的数量,得到第三数值;
根据第一数值、第二数值以及第三数值得到机械零件的质量评估结果。
8.一种机械零件铸造质量评估***,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种机械零件铸造质量评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211354952.4A CN115578374A (zh) | 2022-11-01 | 2022-11-01 | 一种机械零件铸造质量评估方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211354952.4A CN115578374A (zh) | 2022-11-01 | 2022-11-01 | 一种机械零件铸造质量评估方法与*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115578374A true CN115578374A (zh) | 2023-01-06 |
Family
ID=84588593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211354952.4A Pending CN115578374A (zh) | 2022-11-01 | 2022-11-01 | 一种机械零件铸造质量评估方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115578374A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115984267A (zh) * | 2023-03-20 | 2023-04-18 | 青岛鼎信通讯科技有限公司 | 一种适用于超声水表的注塑气泡检测方法 |
CN116109915A (zh) * | 2023-04-17 | 2023-05-12 | 济宁能源发展集团有限公司 | 一种集装箱箱门状态智能识别方法 |
CN116363136A (zh) * | 2023-06-01 | 2023-06-30 | 山东创元智能设备制造有限责任公司 | 一种机动车部件自动化生产在线筛选方法及*** |
CN116416246A (zh) * | 2023-06-08 | 2023-07-11 | 临沂中科芯华新材料科技有限公司 | 基于机器视觉的全降解塑料制品淋膜效果评价方法 |
CN116758064A (zh) * | 2023-08-14 | 2023-09-15 | 深圳天眼新能源科技有限公司 | 基于电子扫描显微镜的锂电池隔膜质量检测方法 |
CN116934636A (zh) * | 2023-09-15 | 2023-10-24 | 济宁港航梁山港有限公司 | 一种水质实时监测数据智能管理*** |
CN117314924A (zh) * | 2023-11-30 | 2023-12-29 | 湖南西欧新材料有限公司 | 基于图像特征的电镀产品表面瑕疵检测方法 |
CN117557873A (zh) * | 2024-01-12 | 2024-02-13 | 四川高速公路建设开发集团有限公司 | 一种基于图像识别的隧道掌子面裂隙识别方法 |
-
2022
- 2022-11-01 CN CN202211354952.4A patent/CN115578374A/zh active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115984267A (zh) * | 2023-03-20 | 2023-04-18 | 青岛鼎信通讯科技有限公司 | 一种适用于超声水表的注塑气泡检测方法 |
CN116109915A (zh) * | 2023-04-17 | 2023-05-12 | 济宁能源发展集团有限公司 | 一种集装箱箱门状态智能识别方法 |
CN116109915B (zh) * | 2023-04-17 | 2023-07-18 | 济宁能源发展集团有限公司 | 一种集装箱箱门状态智能识别方法 |
CN116363136B (zh) * | 2023-06-01 | 2023-08-11 | 山东创元智能设备制造有限责任公司 | 一种机动车部件自动化生产在线筛选方法及*** |
CN116363136A (zh) * | 2023-06-01 | 2023-06-30 | 山东创元智能设备制造有限责任公司 | 一种机动车部件自动化生产在线筛选方法及*** |
CN116416246B (zh) * | 2023-06-08 | 2023-08-11 | 临沂中科芯华新材料科技有限公司 | 基于机器视觉的全降解塑料制品淋膜效果评价方法 |
CN116416246A (zh) * | 2023-06-08 | 2023-07-11 | 临沂中科芯华新材料科技有限公司 | 基于机器视觉的全降解塑料制品淋膜效果评价方法 |
CN116758064A (zh) * | 2023-08-14 | 2023-09-15 | 深圳天眼新能源科技有限公司 | 基于电子扫描显微镜的锂电池隔膜质量检测方法 |
CN116758064B (zh) * | 2023-08-14 | 2024-04-19 | 深圳天眼新能源科技有限公司 | 基于电子扫描显微镜的锂电池隔膜质量检测方法 |
CN116934636A (zh) * | 2023-09-15 | 2023-10-24 | 济宁港航梁山港有限公司 | 一种水质实时监测数据智能管理*** |
CN116934636B (zh) * | 2023-09-15 | 2023-12-08 | 济宁港航梁山港有限公司 | 一种水质实时监测数据智能管理*** |
CN117314924A (zh) * | 2023-11-30 | 2023-12-29 | 湖南西欧新材料有限公司 | 基于图像特征的电镀产品表面瑕疵检测方法 |
CN117314924B (zh) * | 2023-11-30 | 2024-02-09 | 湖南西欧新材料有限公司 | 基于图像特征的电镀产品表面瑕疵检测方法 |
CN117557873A (zh) * | 2024-01-12 | 2024-02-13 | 四川高速公路建设开发集团有限公司 | 一种基于图像识别的隧道掌子面裂隙识别方法 |
CN117557873B (zh) * | 2024-01-12 | 2024-04-05 | 四川高速公路建设开发集团有限公司 | 一种基于图像识别的隧道掌子面裂隙识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115578374A (zh) | 一种机械零件铸造质量评估方法与*** | |
CN113538433B (zh) | 基于人工智能的机械铸件缺陷检测方法及*** | |
CN114723701B (zh) | 基于计算机视觉的齿轮缺陷检测方法和*** | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN106056118B (zh) | 一种用于细胞的识别计数方法 | |
WO2018107939A1 (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
CN113808138B (zh) | 一种基于人工智能的电线电缆表面缺陷检测方法 | |
CN108629343B (zh) | 一种基于边缘检测和改进Harris角点检测的车牌定位方法和*** | |
CN114372983B (zh) | 一种基于图像处理的屏蔽盒涂装质量检测方法及*** | |
CN114820773B (zh) | 基于计算机视觉的筒仓运输车辆车厢位置检测方法 | |
CN114943736B (zh) | 一种汽车散热翅片生产质量检测方法及*** | |
CN104794502A (zh) | 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法 | |
CN113239930A (zh) | 一种玻璃纸缺陷识别方法、***、装置及存储介质 | |
CN114897896B (zh) | 基于灰度变换的建筑木材缺陷检测方法 | |
CN116823822B (zh) | 基于视觉特征的船艇钣金件焊接缺陷检测方法 | |
CN115690105B (zh) | 一种基于计算机视觉的铣刀划痕检测方法 | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理*** | |
CN113298809B (zh) | 基于深度学习和超像素分割的复材超声图像缺陷检测方法 | |
CN115496692A (zh) | 一种润滑油磨粒图像增强方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及*** | |
EP0435660B1 (en) | Method of evaluating objects based upon image processing, and inspection apparatus using said method | |
CN115311289A (zh) | 一种素色布匹油渍缺陷检测方法 | |
CN111738931B (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
CN110930425B (zh) | 基于邻域向量内积局部对比度图像增强的损伤目标检测方法 | |
CN117522864B (zh) | 基于机器视觉的欧松板表面瑕疵检测方法 |
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 |