CN116309608B - 一种应用超声图像的涂层缺陷检测方法 - Google Patents
一种应用超声图像的涂层缺陷检测方法 Download PDFInfo
- Publication number
- CN116309608B CN116309608B CN202310594608.0A CN202310594608A CN116309608B CN 116309608 B CN116309608 B CN 116309608B CN 202310594608 A CN202310594608 A CN 202310594608A CN 116309608 B CN116309608 B CN 116309608B
- Authority
- CN
- China
- Prior art keywords
- value
- column
- image
- internal image
- defect
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 124
- 238000000576 coating method Methods 0.000 title claims abstract description 50
- 239000011248 coating agent Substances 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000009825 accumulation Methods 0.000 claims abstract description 102
- 238000009826 distribution Methods 0.000 claims abstract description 31
- 230000008859 change Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 30
- 238000005520 cutting process Methods 0.000 claims description 28
- 238000013507 mapping Methods 0.000 claims description 7
- 238000002604 ultrasonography Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 239000012535 impurity Substances 0.000 description 15
- 239000010410 layer Substances 0.000 description 13
- 238000003384 imaging method Methods 0.000 description 7
- 239000002356 single layer Substances 0.000 description 7
- 239000006185 dispersion Substances 0.000 description 6
- 230000002950 deficient Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000011247 coating layer Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000006115 industrial coating Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种应用超声图像的涂层缺陷检测方法,该方法采集涂层的内部图像,对内部图像进行反相处理得到对应的反相灰度图像;构建累加序列曲线和列累加序列曲线;根据行累加序列曲线和列累加序列曲线中获取反相灰度图像中的缺陷区域;获取内部图像集,构建目标内部图像中的缺陷中间行的灰度分布曲线,以计算缺陷中间行的波峰距离离散值和对称值;计算目标内部图像的断层超声衰减离散性参数和平均灰度变化速率得到缺陷类型指数,根据缺陷类型指数确认涂层的缺陷类型。本发明提高了对涂层下的缺陷识别的效率。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种应用超声图像的涂层缺陷检测方法。
背景技术
目前工业涂层工艺在电子、航空、汽车、医疗和纺织等各个领域应用都十分广泛,在国际市场中占有巨大的份额。相应的,在工业生产中涂层工艺后的检测流程对整个工业生产和产品质量保障有着非常重要的作用。
而涂层工艺无法避免的会产生一些缺陷,其中在对表面涂层过程中,最常见的是鼓包问题,而杂质和气泡这两种具体缺陷都会使得涂层表面发生鼓包,由于这两种缺陷的相似性导致传统的缺陷检测方法对其识别的准确率不高,即传统的基于缺陷表面纹理特征进行机器视觉的缺陷检测识别对于涂层鼓包内的杂质和气泡存在较高的误检率。
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应用超声图像的涂层缺陷检测方法,所采用的技术方案具体如下:
采集涂层的内部图像,获取所述内部图像;对内部图像进行反相处理得到对应的反相灰度图像;根据反相灰度图像中每行的行累加序列和每列的列累加序列分别构建行累加序列曲线和列累加序列曲线;
分别统计行累加序列曲线和列累加序列曲线中的波峰数量和波谷数量;基于波峰数量和波谷数量分别获取行累加序列曲线的行范围切尾均值和列累加序列曲线的列范围切尾均值;以行范围切尾均值和列范围切尾均值的数值为准线,对于大于行范围切尾均值的数值对应的分段行累加序列曲线以及大于列范围切尾均值的数值对应的分段列累加序列曲线,分别计算分段行累加序列曲线和分段列累加序列曲线在其所属整个累加序列曲线中的占比;基于占比获取反相灰度图像中的缺陷区域;
通过调整内部图像的采集距离将缺陷区域对应的内部图像按照由近到远进行排序,得到对应的内部图像集;取内部图像集中的最后一张内部图像作为目标内部图像,根据灰度值构建目标内部图像中的缺陷中间行的灰度分布曲线,获取灰度分布曲线的波峰点以计算对称值;基于波峰点的列坐标序列计算缺陷中间行的波峰距离离散值;
获取内部图像集中每张内部图像对应的波峰距离离散值,结合对称值和所有的波峰距离离散值计算目标内部图像的断层超声衰减离散性参数;计算目标内部图像的平均灰度变化速率;将断层超声衰减离散性参数与平均灰度变化速率之间的乘积作为目标内部图像的缺陷类型指数,根据缺陷类型指数确认涂层的缺陷类型。
进一步的,所述行累加序列是指对应行的所有像素点的灰度值总和,所述列累加序列是指对应列的所有像素点的灰度值总和。
进一步的,所述行累加序列曲线的行范围切尾均值的获取方法,包括:
其中,为行范围切尾均值;/>为波峰数量;/>为预设值;/>为第a行的行累加序列。
进一步的,所述列累加序列曲线的列范围切尾均值的获取方法,包括:
其中,为列范围切尾均值;/>为波谷数量;/>为预设值;/>为第b列的列累加序列。
进一步的,所述基于占比获取反相灰度图像中的缺陷区域的方法,包括:
当占比大于预设占比阈值时,将对应分段行累加序列曲线和分段列累加序列曲线映射在反相灰度图像中所围成的区域作为缺陷区域。
进一步的,所述获取灰度分布曲线的波峰点以计算对称值的方法,包括:
获取灰度分布曲线的波峰点和最大值点,以最大值点的列坐标为对称轴,计算对称轴的左侧的第一个波峰点和对称轴的右侧最后一个波峰点之间对应灰度值的绝对差值,然后计算对称轴的左侧第二个波峰点和对称轴的右侧的倒数第二个波峰点之间对应灰度值的绝对差值,以此类推,将计算的所有绝对差值累加求和取平均数的结果作为对称值。
进一步的,所述基于波峰点的列坐标序列计算缺陷中间行的波峰距离离散值的获取方法,包括:
将所有波峰点的列坐标构成列坐标序列,计算列坐标序列的后向差分序列,获取波峰点之间的平均距离,计算后向差分序列中的每个元素与平均距离之间的差值平方,计算差值平方的均值作为波峰距离离散值。
进一步的,所述结合对称值和所有的波峰距离离散值计算目标内部图像的断层超声衰减离散性参数的方法,包括:
计算所有的波峰距离离散值的平均值,获取每个波峰距离离散值与平均值之间的第一差值平方,得到第一差值平方总和,以第一差值平方总和为分子、对称值与内部图像集中的图像数量的乘积作为分母得到对应的比值,将比值的二次开方的结果作为目标内部图像的断层超声衰减离散性参数。
进一步的,所述计算目标内部图像的平均灰度变化速率的方法,包括:
计算目标内部图像的第一平均灰度值,以及内部图像集中的第一张内部图像的第二平均灰度值;获取第一平均灰度值和第二平均灰度值的差值,以差值为分子、目标内部图像与第一张内部图像之间的图像值的差值为分母得到对应的比值,将该比值作为目标内部图像的平均灰度变化速率;所述图像值是指内部图像集中第A张内部图像的A数值,A为正整数。
本发明具有如下有益效果:本发明能够利用在涂层缺陷下杂质和气泡对超声波的成像中缺陷部分单行上的灰度波峰的对称性和离散性对涂层下的缺陷进行准确快速识别,同时可根据获得的图层数量和定位的缺陷大小为涂层下的缺陷程度提供参数参考。
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所提供的一种应用超声图像的涂层缺陷检测方法的步骤流程图;
图2为本发明实施例所提供的行累加序列曲线和列累加序列曲线与反相灰度图像的对应关系的示意图。
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应用超声图像的涂层缺陷检测方法,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。
本发明所针对的场景为:本方法结合超声波C扫描成像***(C超)的成像特点和图像的行列灰度特征来准确检测识别涂层下的缺陷类型。
下面结合附图具体的说明本发明所提供的一种应用超声图像的涂层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应用超声图像的涂层缺陷检测方法的步骤流程图,该方法包括:
步骤S001,采集涂层的内部图像;对内部图像进行反相处理得到对应的反相灰度图像;根据反相灰度图像中每行的行累加序列和每列的列累加序列分别构建行累加序列曲线和列累加序列曲线。
具体的,利用超声仪器对涂层表面进行扫描,获取内部图像,内部图像为灰度图像,并对所得的灰度图像进行图像预处理操作,提升图像质量。
超声检测时,超声波会因为待检测腔体中物体的材料密度的不同而在其内部腔体表面会发生不同程度的吸收和反弹,密度值越大,灰度值越大,在图像中越亮,反之越暗,然后探头将发送出去被吸收和反弹的超声波又接收回来形成灰度图像,该图像中像素点的灰度值大小以及分布是根据超声探头所接收到的超声波强度所决定。因此根据这个原理,结合涂层中杂质和气泡表面对超声波不同程度的回波获得涂层的内部图像。对图像预处理后的高质量图像求取行与列像素点灰度值的和值序列,并建立坐标系绘制行列方向上和值序列的变化曲线。
需要说明的是,本发明中所采用的是超声波-C扫描,C超是一种提取垂直于声束指定截面的回波信息的二维扫描成像技术,利用C超可以提取到缺陷的分层图像信息,进而分析出内部的三维结构,这里设在扫描中的分层总数为L。
在金属等密度较大物体表面的涂层存在鼓包现象时,其超声图像正常部分较亮,缺陷部分较暗,所以将内部图像进行反相处理可以将和值数量级降低。对所得反相灰度图像进行逐行与逐列的灰度值求和:
其中,表示反相灰度图像中第i行的行累加序列,/>表示反相灰度图像中第i列的列累加序列,i表示反相灰度图像中的第i行,n表示反相灰度图像的总行数,j表示反相灰度图像中的第j列,m表示反相灰度图像的总列数,/>表示反相灰度图像中的第i行第j列的像素的灰度值。
统计反相灰度图像中的行累加序列和列累加序列并对其分别绘制曲线,获得行累加序列曲线和列累加序列曲线,其中行累加序列曲线和列累加序列曲线与反相灰度图像的对应关系如图2所示,为反相灰度图像中的第一缺陷区域,/>为反相灰度图像中的第二缺陷区域,/>分别为列累加序列曲线上的点,/>分别为行累加序列曲线上的点。
步骤S002,分别统计行累加序列曲线和列累加序列曲线中的波峰数量和波谷数量;基于波峰数量和波谷数量分别获取行累加序列曲线的行范围切尾均值和列累加序列曲线的列范围切尾均值;以行范围切尾均值和列范围切尾均值的数值为准线,对于大于行范围切尾均值的数值对应的分段行累加序列曲线以及大于列范围切尾均值的数值对应的分段列累加序列曲线,分别计算分段行累加序列曲线和分段列累加序列曲线在其所属整个累加序列曲线中的占比;基于占比获取反相灰度图像中的缺陷区域。
具体的,设行累加序列曲线和列累加序列曲线中的极值为J,其中极大值为,极小值为/>,极大值对应曲线中的波峰,极小值对应波谷。对行累加序列曲线和列累加序列曲线中的波峰和波谷进行统计,得到波峰数量f和波谷数量g。
事实上,行累加序列曲线和列累加序列曲线不是一条平滑的曲线,而是由离散的点构成,因此需要对行累加序列曲线和列累加序列曲线进行数据处理,获得其在图像中缺陷位置处的有效信息。
设行累加序列曲线的行范围切尾均值为H和列累加序列曲线的列范围切尾均值为L,且令行累加序列为h、列累加序列为l,其中范围切尾均值是对切尾均值的特化,即选择一个范围大小为e=15,对在该范围内的极值顺序序列进行切尾求均值,则行累加序列去除的部分为、/>对列累加序列去除的部分为/>、/>,以下分别为行范围切尾均值为H和列范围切尾均值为L的计算公式:
式中,为行范围切尾均值;/>为波峰数量;/>为预设值;/>为第a行的行累加序列;/>为列范围切尾均值;/>为波谷数量。
通过使用范围切尾均值,可以避免因为某些过大的极值而影响后续的数据分析,导致忽略细小缺陷。
以H、L的数值为准线,对大于H、L的连续累加序列计算各分段行累加序列曲线和分段列累加序列曲线在所属整个累加序列曲线的占比、/>:
其中为行累加序列上的分段行累加序列曲线的占比,/>为列累加序列上的分段列累加序列曲线的占比;/>为行累加序列的分段行累加序列曲线上的二维求和,为行累加序列曲线整体的二维求和;/>为列累加序列的分段列累加序列曲线上的二维求和,/>为列累加序列曲线整体的二维求和;x、y分别为行累加序列曲线和列累加序列曲线上与范围切尾均值H、L相等点的横轴坐标位置;/>、/>分别表示分段行累加序列曲线和分段列累加序列曲线。
当占比大于预设占比阈值时,将对应分段行累加序列曲线和分段列累加序列曲线映射在反相灰度图像中所围成的区域作为缺陷区域。
优选的,预设占比阈值为0.3。
步骤S003,通过调整内部图像的采集距离将缺陷区域对应的内部图像按照由近到远进行排序,得到对应的内部图像集;取内部图像集中的最后一张内部图像作为目标内部图像,根据灰度值构建目标内部图像中的缺陷中间行的灰度分布曲线,获取灰度分布曲线的波峰点以计算对称值;基于波峰点的列坐标序列计算缺陷中间行的波峰距离离散值。
具体的,超声波的成像原理是基于其在不同介质中能量的衰减程度不同(当涂层内的鼓包为气泡时,只有最外层的单层涂层影响超声波衰减,且单层图层的宽度相同,对缺陷处同一图层的不同位置的阻隔能力相同,因此同一图层图像中气泡缺陷位置处的单层灰度离散程度低,图集中的各层平均灰度值离散程度较低,变化缓慢;而鼓包内为杂质时,对超声波也起到了阻碍衰减作用又因为杂质内部疏密不均,对每层来说,不同层对超声波的阻碍衰减程度不同,所以超声成像后缺陷位置处的单层图像灰度离散程度高,图集中的各层平均灰度离散程度高,且多变),根据其不同的衰减程度获取图像,在涂层的超声图像中,如果疑似缺陷区域是气泡区域,对应区域的灰度一致性较大,且不同截面的缺陷区域的灰度值相近;而杂质区域的灰度一致性一般情况下较小,且不同截面的缺陷区域的灰度分布不同,利用这两种缺陷在超声图像中的差异性实现检测识别。
通过C超扫描获取的缺陷区域的内部图像集,即按照与超声探头的距离为依据,由近到远将内部图像排序,统计该缺陷区域内的像素点的灰度值,并利用所获灰度值进行以下计算分析:
取内部图像集中的最后一张内部图像作为目标内部图像,根据灰度值构建目标内部图像中的缺陷中间行的灰度分布曲线,缺陷中间行的灰度分布曲线与该行的位置及像素点的灰度变化存在映射对应关系为:
公式逻辑为中间行=映射长度+补偿长度;
该式反映了在缺陷位置处某一行的灰度分布曲线与其所在行的行数存在对应关系,因为缺陷位置处的中间行所携带的灰度信息更多一些,故在此处选取中间行作为分析依据,通过对某一行的灰度分布波峰之间相互位置关系(波峰对应超声在涂层内的衰减突变部分)进行以下分析。
其中,映射长度YS为固定参数值,补偿长度BC为该缺陷位置处中间行灰度分布曲线中的波峰所对应像素点的灰度值与灰度分布曲线的第一个像素点灰度值之差。
获取该缺陷中间行的灰度分布曲线中的波峰点和缺陷处对应的最大值点,并根据上述映射对应关系获得波峰点和最大值点在缺陷中间行上的列坐标,记波峰点的列坐标为、/>、/>、…、/>,最大值点的列坐标为ZD。
计算缺陷位置处在目标内部图像中的缺陷中间行灰度分布曲线的对称性D:因为杂质对超声波的阻碍衰减,在目标内部图像中,已经经过复杂的衰减过程,因为在气泡中每一处对超声衰减的程度都相同,又因为其具有空间对称性,所以成像后的图像在其某行或某列上具有对称性,而杂质内部疏密复杂,不具有这种特点,所以可以分析在目标内部图像中的缺陷中间灰度分布曲线的对称性作为后续的评判指数。
其中,表示在缺陷中间行ZH处,位于第/>列像素点的灰度值;/>表示在缺陷中间行ZH处,位于第/>列(即以最大值ZD为对称轴/>在对称轴另一侧)的峰值,即像素点灰度值,x为中间行灰度分布曲线的波峰数量。
以最大值点的列坐标ZD为对称轴,计算左侧的第一个波峰点和右侧最后一个波峰点之间的峰值(即对应目标内部图像中的灰度值)的绝对差值,并按照此方法计算左侧第二个波峰点和右侧倒数第二个波峰点的峰值的绝对差值,以此方法类推,最后将所得所有的绝对差值累加求和取平均数作为对称值D,D值越大,两侧灰度差异越大,对称性越低,越有可能为杂质。
对称值D为缺陷中间行灰度分布曲线的两侧峰值大小的对应程度,对应程度越高,对称值D越小。
另外,获得每一个图层缺陷处的缺陷中间行灰度分布曲线并得到波峰序列,根据波峰的列坐标序列、/>、/>、…、/>计算其后向差分序列,记为/>、/>、/>、…、/>,其中/>,此处波峰的列坐标序列的后向差分序列表示每个波峰与前一个之间的距离,此处称为波峰距离序列。
计算内部图像集中每张内部图像中的缺陷中间行的波峰距离离散值:
式中,为内部图像中位于第/>个波峰点的列坐标后向差分序列元素;/>为内部图像集中第/>张内部图像中的缺陷中间行的波峰点之间的平均距离;/>为波峰距离序列的元素数量。
该缺陷中间行的波峰距离离散性式反映了在内部图像集中第/>张内部图像中的缺陷中间行的灰度分布曲线中波峰的距离大小是否趋近一致,/>值越大,距离大小离散程度越大,即越不趋近一致,该缺陷越有可能为杂质;反之,/>值越小,越趋近于一致,该缺陷越有可能为气泡。
步骤S004,获取内部图像集中每张内部图像对应的波峰距离离散值,结合对称值和所有的波峰距离离散值计算目标内部图像的断层超声衰减离散性参数;计算目标内部图像的平均灰度变化速率;将断层超声衰减离散性参数与平均灰度变化速率之间的乘积作为目标内部图像的缺陷类型指数,根据缺陷类型指数确认涂层的缺陷类型。
具体的,通过步骤S002获取的目标内部图像的缺陷中间行的灰度分布曲线的对称值D和单层波峰距离离散值的方法,获取内部图像集中所有层的缺陷中间行的灰度分布曲线的波峰距离离散值/>,得到关于内部图像集中各层对应的波峰距离离散值集合,即/>、、/>、…、/>,根据波峰距离离散值集合计算目标内部图像的断层超声衰减离散性参数/>。
对称程度越低,波峰距离离散性越高,越有可能为杂质,因此有断层超声衰减离散性参数的计算公式为:
式中,D为目标内部图像的缺陷中间行灰度分布曲线的对称值,为内部图像集中第/>张内部图像的波峰距离离散值,/>为所有波峰距离离散值的数学期望,即均值,/>为内部图像集的图像总数量。
断层超声衰减离散性参数式反映了内部图像集中在同一个缺陷区域处,以每一张内部图像的缺陷中间行灰度分布曲线波峰平均距离为样本数据,计算其标准差分析数据的离散程度,/>值越大,内部图像集中的各内部图像的平均距离值的离散程度越大,该缺陷越有可能为杂质;反之,/>值越小,越趋近于一致,该缺陷越有可能为气泡。
断层超声衰减离散性参数为内部图像集中所有内部图像中的缺陷中间行对称性及离散性,参数值越大,离散程度越大。
因为上述中的图集中的平均灰度离散性是对图集整体在平均灰度值的离散性评估,因此对于相邻因为杂质内部疏密的复杂性,可能其单层图像中的灰度离散性/>和图集中的平均灰度离散性/>较低,可能会错误判断缺陷类型,故计算缺陷区域处的平均灰度变化速率/>:
平均灰度变化速率对应超声波在涂层内的衰减速率,表示在最后一个涂层与第一涂层之间的灰度变化速率,因为超声波在气泡中衰减速率慢,在杂质中衰减速率快,则/>值越大,说明衰减越快,越有可能为杂质;反正,为气泡。
式中,为目标内部图像的缺陷区域的平均灰度值,即最后一层图像,内部图集中共有A张内部图像,/>为第1张内部图像的缺陷区域处的平均灰度值。
根据上述中所得的缺陷区域处,超声图像的相关灰度特征,即断层超声衰减离散性参数、平均灰度变化速率/>,得出以下对缺陷类型指数/>:
缺陷类型指数越大,该缺陷越有可能为杂质,越小越有可能为气泡缺陷。
式中,为断层超声衰减离散性参数,/>为平均灰度变化速率。
利用缺陷数据库获取上述中相关灰度特征的大量相关数据,利用大津算法获得各特征值的分类阈值,实现对超声涂层下的缺陷类型识别。
综上所述,本发明实施例采集涂层的内部图像,对内部图像进行反相处理得到对应的反相灰度图像;构建行累加序列曲线和列累加序列曲线;根据行累加序列曲线和列累加序列曲线中获取反相灰度图像中的缺陷区域;获取内部图像集,构建目标内部图像中的缺陷中间行的灰度分布曲线,以计算缺陷中间行的波峰距离离散值和对称值;计算目标内部图像的断层超声衰减离散性参数和平均灰度变化速率得到缺陷类型指数,根据缺陷类型指数确认涂层的缺陷类型。本发明提高了对涂层下的缺陷识别的效率。
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。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 (9)
1.一种应用超声图像的涂层缺陷检测方法,其特征在于,该方法包括以下步骤:
采集涂层的内部图像,对内部图像进行反相处理得到对应的反相灰度图像;根据反相灰度图像中每行的行累加序列和每列的列累加序列分别构建行累加序列曲线和列累加序列曲线;
分别统计行累加序列曲线和列累加序列曲线中的波峰数量和波谷数量;基于波峰数量和波谷数量分别获取行累加序列曲线的行范围切尾均值和列累加序列曲线的列范围切尾均值;以行范围切尾均值和列范围切尾均值的数值为准线,对于大于行范围切尾均值的数值对应的分段行累加序列曲线以及大于列范围切尾均值的数值对应的分段列累加序列曲线,分别计算分段行累加序列曲线和分段列累加序列曲线在其所属整个累加序列曲线中的占比;基于占比获取反相灰度图像中的缺陷区域;
通过调整内部图像的采集距离将缺陷区域对应的内部图像按照由近到远进行排序,得到对应的内部图像集;取内部图像集中的最后一张内部图像作为目标内部图像,根据灰度值构建目标内部图像中的缺陷中间行的灰度分布曲线,获取灰度分布曲线的波峰点以计算对称值;基于波峰点的列坐标序列计算缺陷中间行的波峰距离离散值;
获取内部图像集中每张内部图像对应的波峰距离离散值,结合对称值和所有的波峰距离离散值计算目标内部图像的断层超声衰减离散性参数;计算目标内部图像的平均灰度变化速率;将断层超声衰减离散性参数与平均灰度变化速率之间的乘积作为目标内部图像的缺陷类型指数,根据缺陷类型指数确认涂层的缺陷类型。
2.如权利要求1所述的一种应用超声图像的涂层缺陷检测方法,其特征在于,所述行累加序列是指对应行的所有像素点的灰度值总和,所述列累加序列是指对应列的所有像素点的灰度值总和。
3.如权利要求1所述的一种应用超声图像的涂层缺陷检测方法,其特征在于,所述行累加序列曲线的行范围切尾均值的获取方法,包括:
其中,为行范围切尾均值;/>为波峰数量;/>为预设值;/>为第a行的行累加序列。
4.如权利要求1所述的一种应用超声图像的涂层缺陷检测方法,其特征在于,所述列累加序列曲线的列范围切尾均值的获取方法,包括:
其中,为列范围切尾均值;/>为波谷数量;/>为预设值;/>为第b列的列累加序列。
5.如权利要求1所述的一种应用超声图像的涂层缺陷检测方法,其特征在于,所述基于占比获取反相灰度图像中的缺陷区域的方法,包括:
当占比大于预设占比阈值时,将对应分段行累加序列曲线和分段列累加序列曲线映射在反相灰度图像中所围成的区域作为缺陷区域。
6.如权利要求1所述的一种应用超声图像的涂层缺陷检测方法,其特征在于,所述获取灰度分布曲线的波峰点以计算对称值的方法,包括:
获取灰度分布曲线的波峰点和最大值点,以最大值点的列坐标为对称轴,计算对称轴的左侧的第一个波峰点和对称轴的右侧最后一个波峰点之间对应灰度值的绝对差值,然后计算对称轴的左侧第二个波峰点和对称轴的右侧的倒数第二个波峰点之间对应灰度值的绝对差值,以此类推,将计算的所有绝对差值累加求和取平均数的结果作为对称值。
7.如权利要求1所述的一种应用超声图像的涂层缺陷检测方法,其特征在于,所述基于波峰点的列坐标序列计算缺陷中间行的波峰距离离散值的获取方法,包括:
将所有波峰点的列坐标构成列坐标序列,计算列坐标序列的后向差分序列,获取波峰点之间的平均距离,计算后向差分序列中的每个元素与平均距离之间的差值平方,计算差值平方的均值作为波峰距离离散值。
8.如权利要求1所述的一种应用超声图像的涂层缺陷检测方法,其特征在于,所述结合对称值和所有的波峰距离离散值计算目标内部图像的断层超声衰减离散性参数的方法,包括:
计算所有的波峰距离离散值的平均值,获取每个波峰距离离散值与平均值之间的第一差值平方,得到第一差值平方总和,以第一差值平方总和为分子、对称值与内部图像集中的图像数量的乘积作为分母得到对应的比值,将比值的二次开方的结果作为目标内部图像的断层超声衰减离散性参数。
9.如权利要求1所述的一种应用超声图像的涂层缺陷检测方法,其特征在于,所述计算目标内部图像的平均灰度变化速率的方法,包括:
计算目标内部图像的第一平均灰度值,以及内部图像集中的第一张内部图像的第二平均灰度值;获取第一平均灰度值和第二平均灰度值的差值,以差值为分子、目标内部图像与第一张内部图像之间的图像值的差值为分母得到对应的比值,将该比值作为目标内部图像的平均灰度变化速率;所述图像值是指内部图像集中第A张内部图像的A数值,A为正整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310594608.0A CN116309608B (zh) | 2023-05-25 | 2023-05-25 | 一种应用超声图像的涂层缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310594608.0A CN116309608B (zh) | 2023-05-25 | 2023-05-25 | 一种应用超声图像的涂层缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116309608A CN116309608A (zh) | 2023-06-23 |
CN116309608B true CN116309608B (zh) | 2023-08-04 |
Family
ID=86794572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310594608.0A Active CN116309608B (zh) | 2023-05-25 | 2023-05-25 | 一种应用超声图像的涂层缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309608B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958136B (zh) * | 2023-09-19 | 2024-01-30 | 惠州市金箭精密部件有限公司 | 基于图像处理的丝杆螺纹生产缺陷检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393422A (zh) * | 2011-08-22 | 2012-03-28 | 江苏省产品质量监督检验研究院 | 基于超声tofd的缺陷离线判别方法 |
CN114881969A (zh) * | 2022-05-06 | 2022-08-09 | 蔡志刚 | 基于计算机视觉的木板表面木节疤检测方法及检测*** |
CN115187590A (zh) * | 2022-09-08 | 2022-10-14 | 山东艾克赛尔机械制造有限公司 | 一种基于机器视觉的汽车零部件缺陷检测方法 |
CN115272334A (zh) * | 2022-09-29 | 2022-11-01 | 江苏美克美斯自动化科技有限责任公司 | 用于复杂背景下的钢轨表面微小缺陷检测方法 |
CN115457031A (zh) * | 2022-10-27 | 2022-12-09 | 江苏集宿智能装备有限公司 | 基于x射线的集成箱体内部缺陷识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4233397B2 (ja) * | 2002-10-01 | 2009-03-04 | 株式会社東京精密 | 画像欠陥検査方法、画像欠陥検査装置及び外観検査装置 |
TWI603074B (zh) * | 2015-07-03 | 2017-10-21 | 元智大學 | 光學薄膜缺陷辨識方法及其系統 |
-
2023
- 2023-05-25 CN CN202310594608.0A patent/CN116309608B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393422A (zh) * | 2011-08-22 | 2012-03-28 | 江苏省产品质量监督检验研究院 | 基于超声tofd的缺陷离线判别方法 |
CN114881969A (zh) * | 2022-05-06 | 2022-08-09 | 蔡志刚 | 基于计算机视觉的木板表面木节疤检测方法及检测*** |
CN115187590A (zh) * | 2022-09-08 | 2022-10-14 | 山东艾克赛尔机械制造有限公司 | 一种基于机器视觉的汽车零部件缺陷检测方法 |
CN115272334A (zh) * | 2022-09-29 | 2022-11-01 | 江苏美克美斯自动化科技有限责任公司 | 用于复杂背景下的钢轨表面微小缺陷检测方法 |
CN115457031A (zh) * | 2022-10-27 | 2022-12-09 | 江苏集宿智能装备有限公司 | 基于x射线的集成箱体内部缺陷识别方法 |
Non-Patent Citations (1)
Title |
---|
CRACK-LIKE DEFECT DETECTION AND SIZING FROM IMAGE SEGMENTATION THROUGH COOCCURRENCE MATRIX ANALYSIS;MOYSAN, J et al.;ULTRASONICS;第359-363页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116309608A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112581457B (zh) | 一种基于三维点云的管道内表面检测方法及装置 | |
Merazi-Meksen et al. | Mathematical morphology for TOFD image analysis and automatic crack detection | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN116309608B (zh) | 一种应用超声图像的涂层缺陷检测方法 | |
CN109580630A (zh) | 一种机械零部件缺陷的视觉检测方法 | |
CN113643275B (zh) | 一种基于无监督流形分割的超声波缺陷检测方法 | |
CN113066064B (zh) | 基于人工智能的锥束ct图像生物结构识别及三维重建*** | |
CN115797354B (zh) | 用于检测激光焊接焊缝外观缺陷的方法 | |
CN112465743B (zh) | 一种周期性结构质量检测方法 | |
CN110348459B (zh) | 基于多尺度快速地毯覆盖法声呐图像分形特征提取方法 | |
CN116862917B (zh) | 一种纺织品表面质量检测方法及*** | |
CN103093474B (zh) | 基于同质体和局部能量的三维乳腺超声图像分割方法 | |
CN116758084A (zh) | 基于图像数据的钣金件焊接缺陷智能检测方法 | |
CN107657620A (zh) | 一种带纹理的金属凝固区域识别的方法及*** | |
CN102509273B (zh) | 基于同质片和模糊测度的乳腺超声图像的肿瘤分割方法 | |
CN113160301B (zh) | 一种测量弯管弯曲半径的方法及*** | |
CN117474873B (zh) | 一种高铬耐磨铸件钎焊前表面处理*** | |
CN113850914A (zh) | 一种线激光三维扫描点云数据的矩阵换方法 | |
CN107478656A (zh) | 基于机器视觉的纸浆搅拌效果检测评价方法、装置、*** | |
CN114494165A (zh) | 一种基于聚类的光条提取方法及装置 | |
CN108122226B (zh) | 一种玻璃缺陷的检测方法及装置 | |
CN110634117B (zh) | 一种利用三维参数定量评价图像的方法 | |
CN117994271B (zh) | 基于分水岭算法的人脑图像分割方法 | |
CN116109788B (zh) | 一种实体件建模重构的方法 | |
CN115063646B (zh) | 一种融合几何先验知识的维氏硬度图像测量方法 |
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 |