CN116523922B - 一种轴承表面缺陷识别方法 - Google Patents
一种轴承表面缺陷识别方法 Download PDFInfo
- Publication number
- CN116523922B CN116523922B CN202310814579.4A CN202310814579A CN116523922B CN 116523922 B CN116523922 B CN 116523922B CN 202310814579 A CN202310814579 A CN 202310814579A CN 116523922 B CN116523922 B CN 116523922B
- Authority
- CN
- China
- Prior art keywords
- defect
- pixel point
- target
- edge pixel
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 500
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000000428 dust Substances 0.000 claims abstract description 91
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 230000002950 deficient Effects 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 11
- 238000003708 edge detection Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 8
- 230000003287 optical effect Effects 0.000 abstract description 6
- 239000000463 material Substances 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 abstract description 5
- 238000004154 testing of material Methods 0.000 abstract description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 14
- 238000001514 detection method Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- G06T7/12—Edge-based segmentation
-
- 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
- G06T7/60—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
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (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
本发明涉及材料测试和分析技术领域,具体涉及一种轴承表面缺陷识别方法,该方法包括:通过光学手段,具体是利用可见光手段获取待检测轴承的轴承表面可见光图像,对轴承表面可见光图像进行灰度化;对轴承表面灰度图像进行轴承表面提取识别分割;对轴承表面区域图像进行缺陷识别;确定目标区域集合中的每个目标区域对应的形状尺寸缺陷信息;生成防尘盖表面缺陷信息;生成表征待检测轴承的缺陷情况的轴承表面缺陷信息。本发明通过光学手段,具体是利用可见光手段进行材料分析和测试,解决了对轴承表面进行缺陷识别的准确度低下的技术问题,产生了提高对轴承表面进行缺陷识别的准确度的技术效果,主要应用于对轴承表面进行缺陷识别。
Description
技术领域
本发明涉及材料测试和分析技术领域,具体涉及一种轴承表面缺陷识别方法。
背景技术
轴承在机械行业中应用广泛,如汽车后轮、变速器、通用电动机、内燃机、建筑机械、铁路车辆和装卸搬运机械等。所以,当轴承上有缺陷时,所产生的危害往往是让人无法忽视的。如,当汽车后轮的轴承上有缺陷时,往往会影响汽车的正常行驶,为司机带来危险。因此,对轴承表面进行缺陷识别至关重要。目前,对轴承表面进行缺陷识别时,通常采用的方式为:首先,获取待检测轴承的轴承表面可见光图像和模板图像。接着,通过图像匹配,确定轴承表面可见光图像和模板图像的相似性。最后,根据相似性的高低,确定待检测轴承的缺陷情况。模板图像可以是未发生缺陷的与待检测轴承相同型号规格的轴承的表面图像。
然而,当采用上述方式时,经常会存在如下技术问题:
由于图像匹配对缺陷阈值精度要求往往较高,对噪声点往往反应灵敏,对局部较小的缺陷检测效果往往不好,所以直接通过图像匹配,确定轴承表面可见光图像和模板图像的相似性,进而确定待检测轴承的缺陷情况,往往导致对轴承表面进行缺陷识别的准确度低下。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
为了解决对轴承表面进行缺陷识别的准确度低下的技术问题,本发明提出了一种轴承表面缺陷识别方法。
本发明提供了一种轴承表面缺陷识别方法,该方法包括:
获取待检测轴承的轴承表面可见光图像,对所述轴承表面可见光图像进行灰度化,得到轴承表面灰度图像;
对所述轴承表面灰度图像进行轴承表面提取识别分割,得到所述轴承表面灰度图像内的轴承表面区域对应的轴承表面区域图像;
对所述轴承表面区域图像进行缺陷识别,得到目标区域集合和区域形状尺寸缺陷度集合,其中,所述目标区域集合包括:防尘盖区域;
根据所述目标区域集合和区域形状尺寸缺陷度集合,确定所述目标区域集合中的每个目标区域对应的形状尺寸缺陷信息,得到形状尺寸缺陷信息集合;
根据所述防尘盖区域和训练完成的防尘盖表面缺陷识别网络,生成防尘盖表面缺陷信息;
根据所述形状尺寸缺陷信息集合和所述防尘盖表面缺陷信息,生成表征所述待检测轴承的缺陷情况的轴承表面缺陷信息。
进一步的,所述对所述轴承表面区域图像进行缺陷识别,得到目标区域集合和区域形状尺寸缺陷度集合,包括:
对所述轴承表面区域图像进行边缘检测,得到目标边缘像素点集合;
从所述目标边缘像素点集合中筛选出实际边缘像素点集合;
根据所述轴承表面区域图像和所述实际边缘像素点集合,确定实际圆心像素点;
根据所述实际边缘像素点集合和所述实际圆心像素点,对所述实际边缘像素点集合中的实际边缘像素点进行划分,得到实际边缘像素点类别集合;
根据所述实际边缘像素点类别集合和所述实际圆心像素点,确定所述目标区域集合和所述区域形状尺寸缺陷度集合。
进一步的,所述从所述目标边缘像素点集合中筛选出实际边缘像素点集合,包括:
当所述目标边缘像素点集合中的目标边缘像素点对应的第一邻域内存在邻域边缘像素点时,将目标边缘像素点,确定为第一边缘像素点,其中,第一邻域是预先设置的邻域,邻域边缘像素点是邻域内的边缘像素点;
根据第一边缘像素点对应的灰度值和第一边缘像素点对应的第二邻域内的各个邻域边缘像素点对应的灰度值,确定第一边缘像素点对应的初步边缘点可能性,其中,第二邻域是预先设置的邻域;
对第一边缘像素点对应的第二邻域内的邻域边缘像素点进行连接,得到第一边缘像素点对应的边缘弧线;
过第一边缘像素点,作第一边缘像素点对应的边缘弧线的垂线,确定第一边缘像素点对应的特征方向;
根据第一边缘像素点对应的特征方向所在的直线上的各个邻域像素点对应的灰度值和第一边缘像素点对应的灰度值,确定第一边缘像素点对应的灰度差异特征值,其中,邻域像素点是第二邻域内的像素点;
确定第一边缘像素点对应的边缘弧线上的各个邻域像素点对应的特征方向和灰度差异特征值;
根据第一边缘像素点对应的初步边缘点可能性、特征方向和灰度差异特征值、第一边缘像素点对应的边缘弧线上的各个邻域像素点对应的特征方向和灰度差异特征值,确定第一边缘像素点对应的修正边缘点可能性;
当第一边缘像素点对应的修正边缘点可能性大于预先设置的边缘点可能性阈值时,将第一边缘像素点,确定为实际边缘像素点。
进一步的,所述根据所述轴承表面区域图像和所述实际边缘像素点集合,确定实际圆心像素点,包括:
对于所述轴承表面区域图像中的每个像素点,根据所述实际边缘像素点集合中的实际边缘像素点的数量和所述实际边缘像素点集合中的实际边缘像素点对应的特征方向,确定所述像素点对应的圆心置信度;
将所述轴承表面区域图像中对应的圆心置信度最大的像素点,确定为所述实际圆心像素点。
进一步的,所述根据所述实际边缘像素点集合中的实际边缘像素点的数量和所述实际边缘像素点集合中的实际边缘像素点对应的特征方向,确定所述像素点对应的圆心置信度,包括:
当所述实际边缘像素点集合中的实际边缘像素点对应的特征方向所在的直线经过所述像素点时,将实际边缘像素点,确定为所述像素点对应的参考边缘像素点;
将所述像素点对应的参考边缘像素点的数量,确定为所述像素点对应的参考数量;
将所述像素点对应的参考数量与所述实际边缘像素点集合中的实际边缘像素点的数量的比值,确定为所述像素点对应的圆心置信度。
进一步的,所述根据所述实际边缘像素点集合和所述实际圆心像素点,对所述实际边缘像素点集合中的实际边缘像素点进行划分,得到实际边缘像素点类别集合,包括:
根据所述实际边缘像素点集合中的每个实际边缘像素点和所述实际圆心像素点,确定所述实际边缘像素点和所述实际圆心像素点之间的欧式距离,作为所述实际边缘像素点对应的目标距离;
根据所述实际边缘像素点集合中的各个实际边缘像素点对应的目标距离,对所述实际边缘像素点集合中的实际边缘像素点进行聚类划分,得到所述实际边缘像素点类别集合。
进一步的,所述根据所述实际边缘像素点类别集合和所述实际圆心像素点,确定所述目标区域集合和所述区域形状尺寸缺陷度集合,包括:
连接所述实际边缘像素点类别集合中的每个实际边缘像素点类别中的各个实际边缘像素点,得到所述实际边缘像素点类别对应的实际边缘;
将所述实际边缘像素点类别集合中相邻的两个实际边缘像素点类别对应的实际边缘之间的区域,确定为所述两个实际边缘像素点类别对应的目标区域,得到所述目标区域集合;
对于所述目标区域集合中的每个目标区域,根据所述目标区域对应的两个实际边缘像素点类别中的实际边缘像素点与所述实际圆心像素点之间的欧式距离、所述目标区域对应的两个实际边缘像素点类别对应的实际边缘中实际边缘像素点的数量、预先获取的所述目标区域对应的两个标准距离,确定所述目标区域对应的区域形状尺寸缺陷度。
进一步的,所述根据所述目标区域集合和区域形状尺寸缺陷度集合,确定所述目标区域集合中的每个目标区域对应的形状尺寸缺陷信息,包括:
当所述目标区域对应的区域形状尺寸缺陷度大于预先设置的形状尺寸缺陷度阈值时,生成表征所述目标区域的形状尺寸存在缺陷的形状尺寸缺陷信息,作为所述目标区域对应的形状尺寸缺陷信息;
当所述目标区域对应的区域形状尺寸缺陷度小于或等于所述形状尺寸缺陷度阈值时,生成表征所述目标区域的形状尺寸不存在缺陷的形状尺寸缺陷信息,作为所述目标区域对应的形状尺寸缺陷信息。
进一步的,所述根据所述防尘盖区域和训练完成的防尘盖表面缺陷识别网络,生成防尘盖表面缺陷信息,包括:
根据所述防尘盖区域内的像素点对应的灰度值,对所述防尘盖区域内的像素点进行聚类划分,得到异常像素点类别和背景像素点类别;
从所述异常像素点类别中筛选出非噪声异常点集合;
根据所述非噪声异常点集合,确定缺陷区域集合;
对于所述缺陷区域集合中的每个缺陷区域,根据所述缺陷区域和预先获取的模板图像集合中的各个模板图像,确定所述缺陷区域和每个模板图像之间的相似性,得到所述缺陷区域对应的相似性集合;
将所述缺陷区域集合中的每个缺陷区域对应的相似性集合中最大的相似性,确定为所述缺陷区域对应的目标相似性;
根据所述缺陷区域集合中的缺陷区域对应的目标相似性,从所述缺陷区域集合中筛选出目标缺陷区域集合;
根据所述目标缺陷区域集合中的每个目标缺陷区域,确定所述目标缺陷区域对应的灰度共生矩阵;
根据所述目标缺陷区域集合中的每个目标缺陷区域对应的灰度共生矩阵,确定所述目标缺陷区域对应的灰度熵值;
根据所述背景像素点类别,确定背景区域;
确定所述背景区域对应的灰度熵值;
根据所述背景区域对应的灰度熵值和所述目标缺陷区域集合中的每个目标缺陷区域对应的灰度熵值,确定所述目标缺陷区域对应的真实初始缺陷概率;
获取所述目标缺陷区域集合中的每个目标缺陷区域对应的对称区域;
对于所述目标缺陷区域集合中的每个目标缺陷区域,根据所述目标缺陷区域和所述目标缺陷区域对应的对称区域,确定所述目标缺陷区域对应的目标相关性;
根据所述目标缺陷区域集合中的每个目标缺陷区域对应的真实初始缺陷概率和目标相关性,确定所述目标缺陷区域对应的真实缺陷概率;
当所述目标缺陷区域集合中的目标缺陷区域对应的真实缺陷概率大于预先设置的真实缺陷概率阈值时,将目标缺陷区域,确定为真实缺陷区域;
对真实缺陷区域进行特征提取,得到真实缺陷区域对应的缺陷特征向量;
将真实缺陷区域对应的缺陷特征向量输入到防尘盖表面缺陷识别网络,通过防尘盖表面缺陷识别网络,确定真实缺陷区域对应的缺陷类别;
根据真实缺陷区域对应的缺陷类别,生成所述防尘盖表面缺陷信息。
进一步的,所述防尘盖表面缺陷识别网络的训练过程,包括:
构建防尘盖表面缺陷识别网络;
获取样本缺陷区域集合,其中,所述样本缺陷区域集合中的样本缺陷区域对应的缺陷类别已知;
对所述样本缺陷区域集合中的每个样本缺陷区域进行特征提取,得到所述样本缺陷区域对应的缺陷特征向量;
利用所述样本缺陷区域集合中的各个样本缺陷区域对应的缺陷类别和缺陷特征向量,对防尘盖表面缺陷识别网络进行训练,得到训练完成的防尘盖表面缺陷识别网络。
本发明具有如下有益效果:
本发明的一种轴承表面缺陷识别方法,通过光学手段,具体是利用可见光手段进行材料分析和测试,解决了对轴承表面进行缺陷识别的准确度低下的技术问题,产生了提高对轴承表面进行缺陷识别的准确度的技术效果。首先,获取待检测轴承的轴承表面可见光图像,对上述轴承表面可见光图像进行灰度化,得到轴承表面灰度图像。由于轴承表面可见光图像拍摄有待检测轴承的表面,可以便于后续通过分析轴承表面可见光图像,进而确定待检测轴承的缺陷情况。接着,对上述轴承表面灰度图像进行轴承表面提取识别分割,得到上述轴承表面灰度图像内的轴承表面区域对应的轴承表面区域图像。实际情况中,轴承表面可见光图像往往不仅拍摄有待检测轴承的表面,还有放置待检测轴承的平台区域。例如,放置待检测轴承的平台区域可以是传送带。所以从轴承表面灰度图像中提取识别并分割出轴承表面区域。可以便于后续只需对轴承表面区域进行分析。不需分析放置待检测轴承的平台区域,减少了计算量,减少了计算资源的占用。然后,对上述轴承表面区域图像进行缺陷识别,得到目标区域集合和区域形状尺寸缺陷度集合,其中,上述目标区域集合包括:防尘盖区域。之后,根据上述目标区域集合和区域形状尺寸缺陷度集合,确定上述目标区域集合中的每个目标区域对应的形状尺寸缺陷信息,得到形状尺寸缺陷信息集合。实际情况中,待检测轴承往往包括多个目标区域,不同的目标区域的形状尺寸往往不同,因此,确定各个目标区域,并精确的确定各个目标区域对应的区域形状尺寸缺陷度,可以提高目标区域对应的形状尺寸缺陷信息确定的准确度。而后,根据上述防尘盖区域和训练完成的防尘盖表面缺陷识别网络,生成防尘盖表面缺陷信息。实际情况中,由于防尘盖区域内往往包括一些预先设置的图案,这些图案有时会被误判为缺陷。而目标区域集合中除了防尘盖区域之外的目标区域内往往不包括一些预先设置的图案。因此,只需对防尘盖区域进行进一步的缺陷识别,从而提高了对轴承表面进行缺陷识别的准确度和效率。最后,根据上述形状尺寸缺陷信息集合和上述防尘盖表面缺陷信息,生成表征上述待检测轴承的缺陷情况的轴承表面缺陷信息。因此,本发明通过光学手段,具体是利用可见光手段进行材料分析和测试,解决了对轴承表面进行缺陷识别的准确度低下的技术问题,产生了提高对轴承表面进行缺陷识别的准确度的技术效果。
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为根据本发明的一种轴承表面缺陷识别方法的一些实施例的流程图;
图2为根据本发明的待检测轴承的上表面示意图;
图3为根据本发明的目标区域集合示意图;
图4为根据本发明的目标缺陷区域和对称区域示意图。
其中,图2中的附图标记包括:待检测轴承的上表面201。
图3中的附图标记包括:内圈区域301、防尘盖区域302和外圈区域303。
图4中的附图标记包括:目标缺陷区域401和对称区域402。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外,一个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。
本发明提供了一种轴承表面缺陷识别方法,该方法包括以下步骤:
获取待检测轴承的轴承表面可见光图像,对轴承表面可见光图像进行灰度化,得到轴承表面灰度图像;
对轴承表面灰度图像进行轴承表面提取识别分割,得到轴承表面灰度图像内的轴承表面区域对应的轴承表面区域图像;
对轴承表面区域图像进行缺陷识别,得到目标区域集合和区域形状尺寸缺陷度集合;
根据目标区域集合和区域形状尺寸缺陷度集合,确定目标区域集合中的每个目标区域对应的形状尺寸缺陷信息,得到形状尺寸缺陷信息集合;
根据防尘盖区域和训练完成的防尘盖表面缺陷识别网络,生成防尘盖表面缺陷信息;
根据形状尺寸缺陷信息集合和防尘盖表面缺陷信息,生成表征待检测轴承的缺陷情况的轴承表面缺陷信息。
下面对上述各个步骤进行详细展开:
参考图1,示出了根据本发明的一种轴承表面缺陷识别方法的一些实施例的流程。该轴承表面缺陷识别方法,包括以下步骤:
步骤S1,获取待检测轴承的轴承表面可见光图像,对轴承表面可见光图像进行灰度化,得到轴承表面灰度图像。
在一些实施例中,可以获取待检测轴承的轴承表面可见光图像,对上述轴承表面可见光图像进行灰度化,得到轴承表面灰度图像。
其中,待检测轴承可以是需要进行缺陷检测的轴承。轴承表面可见光图像可以是待检测轴承的上表面或下表面的图像。例如,如图2所示,轴承表面可见光图像可以是待检测轴承的上表面201的图像。
作为示例,首先,可以在光源固定的场所,通过工业相机,采集轴承表面可见光图像。其中,轴承表面可见光图像可以是RGB图像。接着,可以通过加权灰度化,对轴承表面可见光图像进行灰度化处理,得到轴承表面灰度图像。
步骤S2,对轴承表面灰度图像进行轴承表面提取识别分割,得到轴承表面灰度图像内的轴承表面区域对应的轴承表面区域图像。
在一些实施例中,可以对上述轴承表面灰度图像进行轴承表面提取识别分割,得到上述轴承表面灰度图像内的轴承表面区域对应的轴承表面区域图像。
其中,轴承表面区域可以是轴承表面灰度图像内拍摄的待检测轴承所在的区域。轴承表面区域图像可以是轴承表面区域的图像。
作为示例,可以通过大津阈值分割法,将轴承表面区域作为前景,将轴承表面灰度图像中除了轴承表面区域之外的区域,作为背景,对轴承表面灰度图像进行分割,得到轴承表面区域图像。其中,轴承表面区域之外的区域可以是拍摄的放置待检测轴承的平台区域。例如,轴承表面区域之外的区域可以是拍摄的放置待检测轴承的传送带。
步骤S3,对轴承表面区域图像进行缺陷识别,得到目标区域集合和区域形状尺寸缺陷度集合。
在一些实施例中,可以对上述轴承表面区域图像进行缺陷识别,得到目标区域集合和区域形状尺寸缺陷度集合。
其中,上述目标区域集合可以包括:内圈区域、防尘盖区域和外圈区域。内圈区域可以是拍摄的待检测轴承表面的内圈所在的区域。防尘盖区域可以是拍摄的待检测轴承表面的防尘盖所在的区域。外圈区域可以是拍摄的待检测轴承表面的外圈所在的区域。例如,如图3所示,目标区域集合可以包括:内圈区域301、防尘盖区域302和外圈区域303。区域形状尺寸缺陷度集合中的区域形状尺寸缺陷度可以表征目标区域的形状尺寸的缺陷程度。
作为示例,本步骤可以包括以下步骤:
第一步,对上述轴承表面区域图像进行边缘检测,得到目标边缘像素点集合。
例如,可以通过边缘检测算法,对轴承表面区域图像进行边缘检测,得到目标边缘像素点集合。其中,边缘检测算法可以是canny算子检测算法。
第二步,从上述目标边缘像素点集合中筛选出实际边缘像素点集合。
其中,目标边缘像素点集合可以包括:干扰像素点集合和实际边缘像素点集合。实际边缘像素点集合中的实际边缘像素点可以是真实的边缘像素点。干扰像素点集合中的干扰像素点可以是噪声或缺陷像素点。
例如,本步骤可以包括以下子步骤:
第一子步骤,当上述目标边缘像素点集合中的目标边缘像素点对应的第一邻域内存在邻域边缘像素点时,将目标边缘像素点,确定为第一边缘像素点。
其中,第一邻域可以是预先设置的邻域。如,第一邻域可以是八邻域。邻域边缘像素点可以是邻域内的边缘像素点。
第二子步骤,根据第一边缘像素点对应的灰度值和第一边缘像素点对应的第二邻域内的各个邻域边缘像素点对应的灰度值,确定第一边缘像素点对应的初步边缘点可能性。
其中,第二邻域可以是预先设置的邻域。如,第二邻域可以是5×5邻域。第一边缘像素点对应的初步边缘点可能性可以初步表征该第一边缘像素点是实际边缘像素点的可能性。
比如,确定第一边缘像素点对应的初步边缘点可能性对应的公式可以为:
其中,是第/>个第一边缘像素点对应的初步边缘点可能性。N是第一边缘像素点对应的第二邻域内除了该第一边缘像素点之外的边缘像素点的数量。e是自然常数。/>是第/>个第一边缘像素点对应的灰度值。/>是第/>个第一边缘像素点对应的第二邻域内除了该第一边缘像素点之外的第i个邻域边缘像素点对应的灰度值。
实际情况中,越小,往往说明第/>个第一边缘像素点对应的灰度值/>与第一边缘像素点对应的第二邻域内除了该第一边缘像素点之外的第i个邻域边缘像素点对应的灰度值/>越相近。所以,第一边缘像素点与第一边缘像素点对应的第二邻域内除了该第一边缘像素点之外的邻域边缘像素点之间的差异往往越小。当第一边缘像素点与第一边缘像素点对应的邻域内的各个邻域边缘像素点之间的灰度差值的和/>越小时,往往说明第一边缘像素点与第一边缘像素点对应的邻域内的各个邻域边缘像素点之间的差异越小。并且/>可以实现对/>的归一化,使第/>个第一边缘像素点对应的初步边缘点可能性/>的取值范围为(0,1],可以便于比较各个第一边缘像素点对应的初步边缘点可能性。第/>个第一边缘像素点对应的初步边缘点可能性/>越大,第一边缘像素点往往越可能是实际边缘像素点。
第三子步骤,对第一边缘像素点对应的第二邻域内的邻域边缘像素点进行连接,得到第一边缘像素点对应的边缘弧线。
第四子步骤,过第一边缘像素点,作第一边缘像素点对应的边缘弧线的垂线,确定第一边缘像素点对应的特征方向。
比如,可以将第一边缘像素点对应的边缘弧线的两个端点连接,得到线段。过第一边缘像素点,作该线段的垂线,该垂线与水平方向的夹角,可以作为第一边缘像素点对应的特征方向。
第五子步骤,根据第一边缘像素点对应的特征方向所在的直线上的各个邻域像素点对应的灰度值和第一边缘像素点对应的灰度值,确定第一边缘像素点对应的灰度差异特征值。
其中,邻域像素点可以是第二邻域内的像素点。
比如,确定第一边缘像素点对应的灰度差异特征值对应的公式可以为:
其中,是第/>个第一边缘像素点对应的灰度差异特征值。U是第/>个第一边缘像素点对应的特征方向所在的直线上第/>个第一边缘像素点的邻域像素点的数量。/>是第/>个第一边缘像素点对应的特征方向所在的直线上第/>个第一边缘像素点的第I个邻域像素点对应的灰度值。/>是第/>个第一边缘像素点对应的灰度值。
实际情况中,越小,往往说明第/>个第一边缘像素点对应的灰度值/>与第个第一边缘像素点对应的特征方向所在的直线上第/>个第一边缘像素点的第I个邻域像素点对应的灰度值/>越相近。所以,第一边缘像素点与第一边缘像素点对应的特征方向所在的直线上该第一边缘像素点的邻域像素点之间的差异往往越小。当第一边缘像素点与第一边缘像素点对应的特征方向所在的直线上该第一边缘像素点的各个邻域像素点之间的灰度差值的和/>越小时,往往说明第一边缘像素点与第一边缘像素点对应的特征方向所在的直线上该第一边缘像素点的各个邻域像素点之间的差异越小。并且可以表征第一边缘像素点与第一边缘像素点对应的特征方向所在的直线上该第一边缘像素点的各个邻域像素点之间的差异的平均水平,可以便于比较第一边缘像素点对应的灰度差异特征值/>。
第六子步骤,确定第一边缘像素点对应的边缘弧线上的各个邻域像素点对应的特征方向和灰度差异特征值。
本子步骤的具体实现方式可以参考步骤S3包括的第二步包括的第三子步骤至第五子步骤,可以将邻域像素点,作为第一边缘像素点,得到的第一边缘像素点对应的特征方向和灰度差异特征值,即为邻域像素点对应的特征方向和灰度差异特征值。
第七子步骤,根据第一边缘像素点对应的初步边缘点可能性、特征方向和灰度差异特征值、第一边缘像素点对应的边缘弧线上的各个邻域像素点对应的特征方向和灰度差异特征值,确定第一边缘像素点对应的修正边缘点可能性。
其中,修正边缘点可能性可以表征第一边缘像素点是实际边缘像素点的可能性。
比如,确定第一边缘像素点对应的修正边缘点可能性对应的公式可以为:
其中,是第/>个第一边缘像素点对应的修正边缘点可能性。/>是第/>个第一边缘像素点对应的初步边缘点可能性。/>是第/>个第一边缘像素点对应的边缘弧线上的邻域像素点的数量。/>是第/>个第一边缘像素点对应的特征方向。/>是第/>个第一边缘像素点对应的边缘弧线上的第J个邻域像素点对应的特征方向。/>是第/>个第一边缘像素点对应的灰度差异特征值。/>是第/>个第一边缘像素点对应的边缘弧线上的第J个邻域像素点对应的灰度差异特征值。/>是最大值函数。
实际情况中,当第个第一边缘像素点对应的初步边缘点可能性/>越大时,第/>个第一边缘像素点对应的修正边缘点可能性/>往往越大,即第/>个第一边缘像素点是实际边缘像素点的可能性往往越大。/>可以表征第/>个第一边缘像素点对应的特征方向与第/>个第一边缘像素点对应的边缘弧线上的第J个邻域像素点对应的特征方向之间的差异。/>可以表征第/>个第一边缘像素点对应的灰度差异特征值与第/>个第一边缘像素点对应的边缘弧线上的第J个邻域像素点对应的灰度差异特征值之间的差异。当/>或越小时,第/>个第一边缘像素点与第/>个第一边缘像素点对应的边缘弧线上的第J个邻域像素点越相似,即第/>个第一边缘像素点是实际边缘像素点的可能性往往越大。所以或/>越大时,第/>个第一边缘像素点是实际边缘像素点的可能性往往越大。因此,综合考虑了第/>个第一边缘像素点对应的边缘弧线上的各个邻域像素点的越大,第/>个第一边缘像素点是实际边缘像素点的可能性往往越大。/>可以使/>归一化,使/>的取值范围可以为[0,1]。并且第/>个第一边缘像素点对应的初步边缘点可能性/>的取值范围为(0,1],因此,第/>个第一边缘像素点对应的修正边缘点可能性/>的取值范围可以为[0,1],可以便于比较各个第一边缘像素点对应的初步边缘点可能性。
第八子步骤,当第一边缘像素点对应的修正边缘点可能性大于预先设置的边缘点可能性阈值时,将第一边缘像素点,确定为实际边缘像素点。
其中,边缘点可能性阈值可以是第一边缘像素点不是实际边缘像素点时,第一边缘像素点对应的最大的修正边缘点可能性。比如,边缘点可能性阈值可以是0.8。
第三步,根据上述轴承表面区域图像和上述实际边缘像素点集合,确定实际圆心像素点。
其中,实际圆心像素点可以是待检测轴承的中心点对应的像素点。
例如,本步骤可以包括以下子步骤:
第一子步骤,对于上述轴承表面区域图像中的每个像素点,根据上述实际边缘像素点集合中的实际边缘像素点的数量和上述实际边缘像素点集合中的实际边缘像素点对应的特征方向,确定上述像素点对应的圆心置信度。
其中,像素点对应的圆心置信度越大,该像素点越可能是实际圆心像素点。
比如,本子步骤可以包括以下步骤:
首先,当上述实际边缘像素点集合中的实际边缘像素点对应的特征方向所在的直线经过上述像素点时,将实际边缘像素点,确定为上述像素点对应的参考边缘像素点。
然后,将上述像素点对应的参考边缘像素点的数量,确定为上述像素点对应的参考数量。
最后,将上述像素点对应的参考数量与上述实际边缘像素点集合中的实际边缘像素点的数量的比值,确定为上述像素点对应的圆心置信度。
第二子步骤,将上述轴承表面区域图像中对应的圆心置信度最大的像素点,确定为上述实际圆心像素点。
实际情况中,实际圆心像素点可以被最多的实际边缘像素点对应的特征方向所在的直线经过。因此,对应的圆心置信度最大的像素点可以是实际圆心像素点。
第四步,根据上述实际边缘像素点集合和上述实际圆心像素点,对上述实际边缘像素点集合中的实际边缘像素点进行划分,得到实际边缘像素点类别集合。
其中,实际边缘像素点类别集合可以包括6个实际边缘像素点类别。如图3所示,实际边缘像素点类别集合可以包括:内圈区域301的两个边缘分别对应的两个实际边缘像素点类别、防尘盖区域302的两个边缘分别对应的两个实际边缘像素点类别和外圈区域303的两个边缘分别对应的两个实际边缘像素点类别。
例如,本步骤可以包括以下子步骤:
第一子步骤,根据上述实际边缘像素点集合中的每个实际边缘像素点和上述实际圆心像素点,确定上述实际边缘像素点和上述实际圆心像素点之间的欧式距离,作为上述实际边缘像素点对应的目标距离。
第二子步骤,根据上述实际边缘像素点集合中的各个实际边缘像素点对应的目标距离,对上述实际边缘像素点集合中的实际边缘像素点进行聚类划分,得到上述实际边缘像素点类别集合。
比如,可以根据实际边缘像素点集合中的各个实际边缘像素点对应的目标距离,通过K-means均值聚类算法(k=6),对上述实际边缘像素点集合中的实际边缘像素点进行聚类划分,得到上述实际边缘像素点类别集合。
第五步,根据上述实际边缘像素点类别集合和上述实际圆心像素点,确定上述目标区域集合和上述区域形状尺寸缺陷度集合。
例如,本步骤可以包括以下子步骤:
第一子步骤,连接上述实际边缘像素点类别集合中的每个实际边缘像素点类别中的各个实际边缘像素点,得到上述实际边缘像素点类别对应的实际边缘。
第二子步骤,将上述实际边缘像素点类别集合中相邻的两个实际边缘像素点类别对应的实际边缘之间的区域,确定为上述两个实际边缘像素点类别对应的目标区域,得到上述目标区域集合。
比如,首先,可以根据实际边缘像素点类别中的实际边缘像素点对应的目标距离,对实际边缘像素点类别集合中的实际边缘像素点类别进行排序,得到实际边缘像素点类别序列。接着,可以将实际边缘像素点类别序列中的第一个和第二个实际边缘像素点类别对应的实际边缘之间的区域,确定为目标区域。可以将实际边缘像素点类别序列中的第三个和第四个实际边缘像素点类别对应的实际边缘之间的区域,确定为目标区域。可以将实际边缘像素点类别序列中的第五个和第六个实际边缘像素点类别对应的实际边缘之间的区域,确定为目标区域。
第三子步骤,对于上述目标区域集合中的每个目标区域,根据上述目标区域对应的两个实际边缘像素点类别中的实际边缘像素点与上述实际圆心像素点之间的欧式距离、上述目标区域对应的两个实际边缘像素点类别对应的实际边缘中实际边缘像素点的数量、预先获取的上述目标区域对应的两个标准距离,确定上述目标区域对应的区域形状尺寸缺陷度。
其中,目标区域对应的两个标准距离可以是目标区域未发生缺陷时,目标区域的两个边缘到实际圆心像素点之间的欧式距离。
比如,确定目标区域对应的区域形状尺寸缺陷度对应的公式可以为:
其中,是目标区域对应的区域形状尺寸缺陷度。/>是目标区域对应的两个实际边缘像素点类别中的第一个实际边缘像素点类别中的实际边缘像素点的数量。/>是目标区域对应的两个实际边缘像素点类别中的第二个实际边缘像素点类别中的实际边缘像素点的数量。/>是目标区域对应的两个实际边缘像素点类别中的第一个实际边缘像素点类别中的第x个实际边缘像素点与实际圆心像素点之间的欧式距离。/>是目标区域对应的两个实际边缘像素点类别中的第二个实际边缘像素点类别中的第y个实际边缘像素点与实际圆心像素点之间的欧式距离。/>是目标区域对应的两个标准距离中的第一个标准距离。/>是目标区域对应的两个标准距离中的第二个标准距离。第一个标准距离可以是目标区域未发生缺陷时,目标区域对应的两个实际边缘像素点类别中的第一个实际边缘像素点类别对应的边缘与实际圆心像素点之间的欧式距离。第二个标准距离可以是目标区域未发生缺陷时,目标区域对应的两个实际边缘像素点类别中的第二个实际边缘像素点类别对应的边缘与实际圆心像素点之间的欧式距离。
实际情况中,或/>越大,往往说明目标区域对应的两个边缘到实际圆心像素点之间的欧式距离与对应标准距离之间的差距越大。即目标区域的形状尺寸往往发生了异常。/>可以表征与标准相比,目标区域的形状尺寸发生的异常程度。因此,目标区域对应的区域形状尺寸缺陷度/>越大,目标区域的形状尺寸发生的异常程度往往越大。
步骤S4,根据目标区域集合和区域形状尺寸缺陷度集合,确定目标区域集合中的每个目标区域对应的形状尺寸缺陷信息,得到形状尺寸缺陷信息集合。
在一些实施例中,可以根据上述目标区域集合和区域形状尺寸缺陷度集合,确定上述目标区域集合中的每个目标区域对应的形状尺寸缺陷信息,得到形状尺寸缺陷信息集合。
其中,形状尺寸缺陷信息集合中的形状尺寸缺陷信息可以表征目标区域的形状尺寸是否发生缺陷。
作为示例,本步骤可以包括以下步骤:
第一步,当上述目标区域对应的区域形状尺寸缺陷度大于预先设置的形状尺寸缺陷度阈值时,生成表征上述目标区域的形状尺寸存在缺陷的形状尺寸缺陷信息,作为上述目标区域对应的形状尺寸缺陷信息。
其中,形状尺寸缺陷度阈值可以是目标区域未发生缺陷时,最大的区域形状尺寸缺陷度。例如,形状尺寸缺陷度阈值可以是0.9。
第二步,当上述目标区域对应的区域形状尺寸缺陷度小于或等于上述形状尺寸缺陷度阈值时,生成表征上述目标区域的形状尺寸不存在缺陷的形状尺寸缺陷信息,作为上述目标区域对应的形状尺寸缺陷信息。
步骤S5,根据防尘盖区域和训练完成的防尘盖表面缺陷识别网络,生成防尘盖表面缺陷信息。
在一些实施例中,可以根据上述防尘盖区域和训练完成的防尘盖表面缺陷识别网络,生成防尘盖表面缺陷信息。
其中,防尘盖区域可以是实际边缘像素点类别序列中的第三个和第四个实际边缘像素点类别对应的实际边缘之间的区域。
作为示例,本步骤可以包括以下步骤:
第一步,根据上述防尘盖区域内的像素点对应的灰度值,对上述防尘盖区域内的像素点进行聚类划分,得到异常像素点类别和背景像素点类别。
其中,异常像素点类别中的异常像素点可以是防尘盖区域内的预设图案、噪声和缺陷点。预设图案可以是预先设置的图案。如,预设图案可以是字母。背景像素点类别中的背景像素点可以是防尘盖区域内除了预设图案以外的正常的像素点。待检测轴承表面的防尘盖上往往会存在一些预设图案的标志。
例如,可以根据防尘盖区域内的像素点对应的灰度值,通过K-means均值聚类算法(k=2),对上述防尘盖区域内的像素点进行聚类划分,得到两个像素点类别。其中,包括的像素点最多的像素点类别可以是背景像素点类别。包括的像素点最少的像素点类别可以是异常像素点类别。
第二步,从上述异常像素点类别中筛选出非噪声异常点集合。
其中,噪声点可以是孤立的异常像素点。非噪声异常点集合中的非噪声异常点可以是除了噪声点之外的异常像素点。
例如,可以通过异常像素点之间的欧式距离,确定异常像素点是否为噪声点。
第三步,根据上述非噪声异常点集合,确定缺陷区域集合。
例如,首先,当两个非噪声异常点之间的欧式距离小于预先设置的距离阈值时,可以将这两个非噪声异常点,作为为同一个类别。其中,距离阈值可以表征两个非噪声异常点不是同一类时,之间最大的欧式距离。例如,距离阈值可以是0.1。接着,当非噪声异常点集合中的非噪声异常点分类完成时,将同一个类别中的非噪声异常点所在的区域,确定为缺陷区域。
第四步,对于上述缺陷区域集合中的每个缺陷区域,根据上述缺陷区域和预先获取的模板图像集合中的各个模板图像,确定上述缺陷区域和每个模板图像之间的相似性,得到上述缺陷区域对应的相似性集合。
其中,模板图像集合中的模板图像可以是预设图案的图像。
例如,对于上述缺陷区域集合中的每个缺陷区域,可以对上述缺陷区域和模板图像集合中的各个模板图像进行模板匹配,确定上述缺陷区域和每个模板图像之间的相似性,得到上述缺陷区域对应的相似性集合。
第五步,将上述缺陷区域集合中的每个缺陷区域对应的相似性集合中最大的相似性,确定为上述缺陷区域对应的目标相似性。
第六步,根据上述缺陷区域集合中的缺陷区域对应的目标相似性,从上述缺陷区域集合中筛选出目标缺陷区域集合。
例如,当缺陷区域对应的目标相似性大于预先设置的相似阈值时,该缺陷区域可以是预设图案对应的区域。其中,相似阈值可以表征缺陷区域不是预设图案对应的区域时,缺陷区域对应的最大的目标相似性。如,相似阈值可以是0.95。当缺陷区域对应的目标相似性小于或等于相似阈值时,该缺陷区域可以是目标缺陷区域。
第七步,根据上述目标缺陷区域集合中的每个目标缺陷区域,确定上述目标缺陷区域对应的灰度共生矩阵。
本步骤的具体实现方式可以通过现有方式实现,在此不赘述。
第八步,根据上述目标缺陷区域集合中的每个目标缺陷区域对应的灰度共生矩阵,确定上述目标缺陷区域对应的灰度熵值。
本步骤的具体实现方式可以通过现有方式实现,在此不赘述。
第九步,根据上述背景像素点类别,确定背景区域。
其中,背景区域可以是背景像素点类别中的背景像素点所在的区域。
第十步,确定上述背景区域对应的灰度熵值。
本步骤的具体实现方式可以通过现有方式实现,在此不赘述。
第十一步,根据上述背景区域对应的灰度熵值和上述目标缺陷区域集合中的每个目标缺陷区域对应的灰度熵值,确定上述目标缺陷区域对应的真实初始缺陷概率。
其中,真实初始缺陷概率可以表征目标缺陷区域为真实缺陷区域的初步确定的可能性。
例如,确定目标缺陷区域对应的真实初始缺陷概率对应的公式可以为:
其中,P是目标缺陷区域对应的真实初始缺陷概率。e是自然常数。ENT是目标缺陷区域对应的灰度熵值。是背景区域对应的灰度熵值。
实际情况中,越小,目标缺陷区域是真实缺陷区域的可能性往往越小。/>实现了对/>进行归一化,可以便于比较目标缺陷区域对应的真实初始缺陷概率P。真实初始缺陷概率P越大,目标缺陷区域是真实缺陷区域的可能性越大。
第十二步,获取上述目标缺陷区域集合中的每个目标缺陷区域对应的对称区域。
例如,如图4所示,目标缺陷区域401对应的对称区域可以是对称区域402。
第十三步,对于上述目标缺陷区域集合中的每个目标缺陷区域,根据上述目标缺陷区域和上述目标缺陷区域对应的对称区域,确定上述目标缺陷区域对应的目标相关性。
其中,目标缺陷区域对应的目标相关性可以是该目标缺陷区域与该目标缺陷区域对应的对称区域之间的相似性。
例如,确定目标缺陷区域对应的目标相关性对应的公式可以为:
其中,是目标缺陷区域集合中的第B个目标缺陷区域对应的目标相关性。H是通过匹配算法,确定的第B个目标缺陷区域与第B个目标缺陷区域对应的对称区域之间的轮廓相似度。/>是最大值函数。/>是第B个目标缺陷区域中像素点的数量。/>是第B个目标缺陷区域对应的对称区域中像素点的数量。/>是第B个目标缺陷区域中第r个像素点对应的灰度值。/>是第B个目标缺陷区域对应的对称区域中第r个像素点对应的灰度值。
实际情况中,防尘盖区域是圆环区域,由于圆环的对称性,防尘盖区域内的正常区域往往与该正常区域对应的对称区域比较相似。而真实的缺陷区域往往不具有对称性,即真实的缺陷区域与该真实的缺陷区域对应的对称区域往往并不相似。所以通过确定目标缺陷区域与该目标缺陷区域对应的对称区域是否相似,可以判断该目标缺陷区域是正常区域还是真实的缺陷区域。第B个目标缺陷区域与第B个目标缺陷区域对应的对称区域之间的轮廓相似度H越大,第B个目标缺陷区域对应的目标相关性越大。/>可以表征第B个目标缺陷区域与第B个目标缺陷区域对应的对称区域之间的灰度差异程度。越大时,第B个目标缺陷区域与第B个目标缺陷区域对应的对称区域之间的灰度差异程度越小,第B个目标缺陷区域对应的目标相关性/>越大。
第十四步,根据上述目标缺陷区域集合中的每个目标缺陷区域对应的真实初始缺陷概率和目标相关性,确定上述目标缺陷区域对应的真实缺陷概率。
其中,目标缺陷区域对应的真实缺陷概率可以表征该目标缺陷区域是真实的缺陷区域的可能性。
例如,确定目标缺陷区域对应的真实缺陷概率对应的公式可以为:
其中,是目标缺陷区域集合中的第B个目标缺陷区域对应的真实缺陷概率。/>是目标缺陷区域集合中的第B个目标缺陷区域对应的真实初始缺陷概率。/>是目标缺陷区域集合中的第B个目标缺陷区域对应的目标相关性。/>是大于0的极小数。/>的作用是防止分母为0。
实际情况中,第B个目标缺陷区域对应的真实初始缺陷概率越大或第B个目标缺陷区域对应的目标相关性/>越小时,第B个目标缺陷区域对应的真实缺陷概率/>越大。
第十五步,当上述目标缺陷区域集合中的目标缺陷区域对应的真实缺陷概率大于预先设置的真实缺陷概率阈值时,将目标缺陷区域,确定为真实缺陷区域。
其中,真实缺陷概率阈值可以表征目标缺陷区域为正常区域时,目标缺陷区域对应的最大的真实缺陷概率。例如,真实缺陷概率阈值可以是0.9。
第十六步,对真实缺陷区域进行特征提取,得到真实缺陷区域对应的缺陷特征向量。
其中,真实缺陷区域对应的缺陷特征向量可以包括但不限于:真实缺陷区域的面积、周长、长度、宽度、熵值、能量和对比度。
本步骤的具体实现方式可以通过现有技术实现,在此不再赘述。
第十七步,将真实缺陷区域对应的缺陷特征向量输入到防尘盖表面缺陷识别网络,通过防尘盖表面缺陷识别网络,确定真实缺陷区域对应的缺陷类别。
其中,防尘盖表面缺陷识别网络可以是分类神经网络。防尘盖表面缺陷识别网络可以用于识别真实缺陷区域的缺陷类别。真实缺陷区域对应的缺陷类别可以是该真实缺陷区域的缺陷类别。
第十八步,根据真实缺陷区域对应的缺陷类别,生成上述防尘盖表面缺陷信息。
其中,防尘盖表面缺陷信息可以包括各个真实缺陷区域对应的缺陷类别。
可选地,上述防尘盖表面缺陷识别网络的训练过程,可以包括以下步骤:
第一步,构建防尘盖表面缺陷识别网络。
本步骤的具体实现方式可以通过现有技术实现,在此不再赘述。
第二步,获取样本缺陷区域集合。
其中,上述样本缺陷区域集合中的样本缺陷区域对应的缺陷类别可以已知。
第三步,对上述样本缺陷区域集合中的每个样本缺陷区域进行特征提取,得到上述样本缺陷区域对应的缺陷特征向量。
其中,样本缺陷区域对应的缺陷特征向量可以包括但不限于:样本缺陷区域的面积、周长、长度、宽度、熵值、能量和对比度。
本步骤的具体实现方式可以通过现有技术实现,在此不再赘述。
第四步,利用上述样本缺陷区域集合中的各个样本缺陷区域对应的缺陷类别和缺陷特征向量,对防尘盖表面缺陷识别网络进行训练,得到训练完成的防尘盖表面缺陷识别网络。
其中,防尘盖表面缺陷识别网络的损失函数可以为交叉熵损失函数。
本步骤的具体实现方式可以通过现有技术实现,在此不再赘述。
步骤S6,根据形状尺寸缺陷信息集合和防尘盖表面缺陷信息,生成表征待检测轴承的缺陷情况的轴承表面缺陷信息。
在一些实施例中,可以根据上述形状尺寸缺陷信息集合和上述防尘盖表面缺陷信息,生成表征上述待检测轴承的缺陷情况的轴承表面缺陷信息。
其中,轴承表面缺陷信息可以表征待检测轴承的缺陷情况。轴承表面缺陷信息可以包括:形状尺寸缺陷信息集合和防尘盖表面缺陷信息。
可选地,为了更精确的确定待检测轴承的缺陷情况,首先,可以获取待检测轴承的上表面和下表面的图像,并灰度化,得到两个灰度图像。接着,可以将这两个灰度图像中的每个灰度图像,作为轴承表面灰度图像,执行步骤S2至步骤S6,得到每个灰度图像对应的轴承表面缺陷信息,即可得到待检测轴承的上表面和下表面的缺陷情况。
本发明的一种轴承表面缺陷识别方法,通过光学手段,具体是利用可见光手段进行材料分析和测试,解决了对轴承表面进行缺陷识别的准确度低下的技术问题,产生了提高对轴承表面进行缺陷识别的准确度的技术效果。首先,获取待检测轴承的轴承表面可见光图像,对上述轴承表面可见光图像进行灰度化,得到轴承表面灰度图像。由于轴承表面可见光图像拍摄有待检测轴承的表面,可以便于后续通过分析轴承表面可见光图像,进而确定待检测轴承的缺陷情况。接着,对上述轴承表面灰度图像进行轴承表面提取识别分割,得到上述轴承表面灰度图像内的轴承表面区域对应的轴承表面区域图像。实际情况中,轴承表面可见光图像往往不仅拍摄有待检测轴承的表面,还有放置待检测轴承的平台区域。例如,放置待检测轴承的平台区域可以是传送带。所以从轴承表面灰度图像中提取识别并分割出轴承表面区域。可以便于后续只需对轴承表面区域进行分析。不需分析放置待检测轴承的平台区域,减少了计算量,减少了计算资源的占用。然后,对上述轴承表面区域图像进行缺陷识别,得到目标区域集合和区域形状尺寸缺陷度集合,其中,上述目标区域集合包括:防尘盖区域。之后,根据上述目标区域集合和区域形状尺寸缺陷度集合,确定上述目标区域集合中的每个目标区域对应的形状尺寸缺陷信息,得到形状尺寸缺陷信息集合。实际情况中,待检测轴承往往包括多个目标区域,不同的目标区域的形状尺寸往往不同,因此,确定各个目标区域,并精确的确定各个目标区域对应的区域形状尺寸缺陷度,可以提高目标区域对应的形状尺寸缺陷信息确定的准确度。而后,根据上述防尘盖区域和训练完成的防尘盖表面缺陷识别网络,生成防尘盖表面缺陷信息。实际情况中,由于防尘盖区域内往往包括一些预先设置的图案,这些图案有时会被误判为缺陷。而目标区域集合中除了防尘盖区域之外的目标区域内往往不包括一些预先设置的图案。因此,只需对防尘盖区域进行进一步的缺陷识别,从而提高了对轴承表面进行缺陷识别的准确度和效率。最后,根据上述形状尺寸缺陷信息集合和上述防尘盖表面缺陷信息,生成表征上述待检测轴承的缺陷情况的轴承表面缺陷信息。因此,本发明通过光学手段,具体是利用可见光手段进行材料分析和测试,解决了对轴承表面进行缺陷识别的准确度低下的技术问题,产生了提高对轴承表面进行缺陷识别的准确度的技术效果。
以上上述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以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;而这些修改或者替换,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 (9)
1.一种轴承表面缺陷识别方法,其特征在于,包括以下步骤:
获取待检测轴承的轴承表面可见光图像,对所述轴承表面可见光图像进行灰度化,得到轴承表面灰度图像;
对所述轴承表面灰度图像进行轴承表面提取识别分割,得到所述轴承表面灰度图像内的轴承表面区域对应的轴承表面区域图像;
对所述轴承表面区域图像进行缺陷识别,得到目标区域集合和区域形状尺寸缺陷度集合,其中,所述目标区域集合包括:防尘盖区域;
根据所述目标区域集合和区域形状尺寸缺陷度集合,确定所述目标区域集合中的每个目标区域对应的形状尺寸缺陷信息,得到形状尺寸缺陷信息集合;
根据所述防尘盖区域和训练完成的防尘盖表面缺陷识别网络,生成防尘盖表面缺陷信息;
根据所述形状尺寸缺陷信息集合和所述防尘盖表面缺陷信息,生成表征所述待检测轴承的缺陷情况的轴承表面缺陷信息;
所述根据所述防尘盖区域和训练完成的防尘盖表面缺陷识别网络,生成防尘盖表面缺陷信息,包括:
根据所述防尘盖区域内的像素点对应的灰度值,对所述防尘盖区域内的像素点进行聚类划分,得到异常像素点类别和背景像素点类别;
从所述异常像素点类别中筛选出非噪声异常点集合;
根据所述非噪声异常点集合,确定缺陷区域集合;
对于所述缺陷区域集合中的每个缺陷区域,根据所述缺陷区域和预先获取的模板图像集合中的各个模板图像,确定所述缺陷区域和每个模板图像之间的相似性,得到所述缺陷区域对应的相似性集合;
将所述缺陷区域集合中的每个缺陷区域对应的相似性集合中最大的相似性,确定为所述缺陷区域对应的目标相似性;
根据所述缺陷区域集合中的缺陷区域对应的目标相似性,从所述缺陷区域集合中筛选出目标缺陷区域集合;
根据所述目标缺陷区域集合中的每个目标缺陷区域,确定所述目标缺陷区域对应的灰度共生矩阵;
根据所述目标缺陷区域集合中的每个目标缺陷区域对应的灰度共生矩阵,确定所述目标缺陷区域对应的灰度熵值;
根据所述背景像素点类别,确定背景区域;
确定所述背景区域对应的灰度熵值;
根据所述背景区域对应的灰度熵值和所述目标缺陷区域集合中的每个目标缺陷区域对应的灰度熵值,确定所述目标缺陷区域对应的真实初始缺陷概率;
获取所述目标缺陷区域集合中的每个目标缺陷区域对应的对称区域;
对于所述目标缺陷区域集合中的每个目标缺陷区域,根据所述目标缺陷区域和所述目标缺陷区域对应的对称区域,确定所述目标缺陷区域对应的目标相关性;
根据所述目标缺陷区域集合中的每个目标缺陷区域对应的真实初始缺陷概率和目标相关性,确定所述目标缺陷区域对应的真实缺陷概率;
当所述目标缺陷区域集合中的目标缺陷区域对应的真实缺陷概率大于预先设置的真实缺陷概率阈值时,将目标缺陷区域,确定为真实缺陷区域;
对真实缺陷区域进行特征提取,得到真实缺陷区域对应的缺陷特征向量;
将真实缺陷区域对应的缺陷特征向量输入到防尘盖表面缺陷识别网络,通过防尘盖表面缺陷识别网络,确定真实缺陷区域对应的缺陷类别;
根据真实缺陷区域对应的缺陷类别,生成所述防尘盖表面缺陷信息。
2.根据权利要求1所述的一种轴承表面缺陷识别方法,其特征在于,所述对所述轴承表面区域图像进行缺陷识别,得到目标区域集合和区域形状尺寸缺陷度集合,包括:
对所述轴承表面区域图像进行边缘检测,得到目标边缘像素点集合;
从所述目标边缘像素点集合中筛选出实际边缘像素点集合;
根据所述轴承表面区域图像和所述实际边缘像素点集合,确定实际圆心像素点;
根据所述实际边缘像素点集合和所述实际圆心像素点,对所述实际边缘像素点集合中的实际边缘像素点进行划分,得到实际边缘像素点类别集合;
根据所述实际边缘像素点类别集合和所述实际圆心像素点,确定所述目标区域集合和所述区域形状尺寸缺陷度集合。
3.根据权利要求2所述的一种轴承表面缺陷识别方法,其特征在于,所述从所述目标边缘像素点集合中筛选出实际边缘像素点集合,包括:
当所述目标边缘像素点集合中的目标边缘像素点对应的第一邻域内存在邻域边缘像素点时,将目标边缘像素点,确定为第一边缘像素点,其中,第一邻域是预先设置的邻域,邻域边缘像素点是邻域内的边缘像素点;
根据第一边缘像素点对应的灰度值和第一边缘像素点对应的第二邻域内的各个邻域边缘像素点对应的灰度值,确定第一边缘像素点对应的初步边缘点可能性,其中,第二邻域是预先设置的邻域;
对第一边缘像素点对应的第二邻域内的邻域边缘像素点进行连接,得到第一边缘像素点对应的边缘弧线;
过第一边缘像素点,作第一边缘像素点对应的边缘弧线的垂线,确定第一边缘像素点对应的特征方向;
根据第一边缘像素点对应的特征方向所在的直线上的各个邻域像素点对应的灰度值和第一边缘像素点对应的灰度值,确定第一边缘像素点对应的灰度差异特征值,其中,邻域像素点是第二邻域内的像素点;
确定第一边缘像素点对应的边缘弧线上的各个邻域像素点对应的特征方向和灰度差异特征值;
根据第一边缘像素点对应的初步边缘点可能性、特征方向和灰度差异特征值、第一边缘像素点对应的边缘弧线上的各个邻域像素点对应的特征方向和灰度差异特征值,确定第一边缘像素点对应的修正边缘点可能性;
当第一边缘像素点对应的修正边缘点可能性大于预先设置的边缘点可能性阈值时,将第一边缘像素点,确定为实际边缘像素点。
4.根据权利要求3所述的一种轴承表面缺陷识别方法,其特征在于,所述根据所述轴承表面区域图像和所述实际边缘像素点集合,确定实际圆心像素点,包括:
对于所述轴承表面区域图像中的每个像素点,根据所述实际边缘像素点集合中的实际边缘像素点的数量和所述实际边缘像素点集合中的实际边缘像素点对应的特征方向,确定所述像素点对应的圆心置信度;
将所述轴承表面区域图像中对应的圆心置信度最大的像素点,确定为所述实际圆心像素点。
5.根据权利要求4所述的一种轴承表面缺陷识别方法,其特征在于,所述根据所述实际边缘像素点集合中的实际边缘像素点的数量和所述实际边缘像素点集合中的实际边缘像素点对应的特征方向,确定所述像素点对应的圆心置信度,包括:
当所述实际边缘像素点集合中的实际边缘像素点对应的特征方向所在的直线经过所述像素点时,将实际边缘像素点,确定为所述像素点对应的参考边缘像素点;
将所述像素点对应的参考边缘像素点的数量,确定为所述像素点对应的参考数量;
将所述像素点对应的参考数量与所述实际边缘像素点集合中的实际边缘像素点的数量的比值,确定为所述像素点对应的圆心置信度。
6.根据权利要求2所述的一种轴承表面缺陷识别方法,其特征在于,所述根据所述实际边缘像素点集合和所述实际圆心像素点,对所述实际边缘像素点集合中的实际边缘像素点进行划分,得到实际边缘像素点类别集合,包括:
根据所述实际边缘像素点集合中的每个实际边缘像素点和所述实际圆心像素点,确定所述实际边缘像素点和所述实际圆心像素点之间的欧式距离,作为所述实际边缘像素点对应的目标距离;
根据所述实际边缘像素点集合中的各个实际边缘像素点对应的目标距离,对所述实际边缘像素点集合中的实际边缘像素点进行聚类划分,得到所述实际边缘像素点类别集合。
7.根据权利要求2所述的一种轴承表面缺陷识别方法,其特征在于,所述根据所述实际边缘像素点类别集合和所述实际圆心像素点,确定所述目标区域集合和所述区域形状尺寸缺陷度集合,包括:
连接所述实际边缘像素点类别集合中的每个实际边缘像素点类别中的各个实际边缘像素点,得到所述实际边缘像素点类别对应的实际边缘;
将所述实际边缘像素点类别集合中相邻的两个实际边缘像素点类别对应的实际边缘之间的区域,确定为所述两个实际边缘像素点类别对应的目标区域,得到所述目标区域集合;
对于所述目标区域集合中的每个目标区域,根据所述目标区域对应的两个实际边缘像素点类别中的实际边缘像素点与所述实际圆心像素点之间的欧式距离、所述目标区域对应的两个实际边缘像素点类别对应的实际边缘中实际边缘像素点的数量、预先获取的所述目标区域对应的两个标准距离,确定所述目标区域对应的区域形状尺寸缺陷度。
8.根据权利要求1所述的一种轴承表面缺陷识别方法,其特征在于,所述根据所述目标区域集合和区域形状尺寸缺陷度集合,确定所述目标区域集合中的每个目标区域对应的形状尺寸缺陷信息,包括:
当所述目标区域对应的区域形状尺寸缺陷度大于预先设置的形状尺寸缺陷度阈值时,生成表征所述目标区域的形状尺寸存在缺陷的形状尺寸缺陷信息,作为所述目标区域对应的形状尺寸缺陷信息;
当所述目标区域对应的区域形状尺寸缺陷度小于或等于所述形状尺寸缺陷度阈值时,生成表征所述目标区域的形状尺寸不存在缺陷的形状尺寸缺陷信息,作为所述目标区域对应的形状尺寸缺陷信息。
9.根据权利要求1所述的一种轴承表面缺陷识别方法,其特征在于,所述防尘盖表面缺陷识别网络的训练过程,包括:
构建防尘盖表面缺陷识别网络;
获取样本缺陷区域集合,其中,所述样本缺陷区域集合中的样本缺陷区域对应的缺陷类别已知;
对所述样本缺陷区域集合中的每个样本缺陷区域进行特征提取,得到所述样本缺陷区域对应的缺陷特征向量;
利用所述样本缺陷区域集合中的各个样本缺陷区域对应的缺陷类别和缺陷特征向量,对防尘盖表面缺陷识别网络进行训练,得到训练完成的防尘盖表面缺陷识别网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310814579.4A CN116523922B (zh) | 2023-07-05 | 2023-07-05 | 一种轴承表面缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310814579.4A CN116523922B (zh) | 2023-07-05 | 2023-07-05 | 一种轴承表面缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116523922A CN116523922A (zh) | 2023-08-01 |
CN116523922B true CN116523922B (zh) | 2023-10-20 |
Family
ID=87390741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310814579.4A Active CN116523922B (zh) | 2023-07-05 | 2023-07-05 | 一种轴承表面缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523922B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541832B (zh) * | 2024-01-04 | 2024-04-16 | 苏州镁伽科技有限公司 | 异常检测方法、***、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636490A (zh) * | 2012-04-12 | 2012-08-15 | 江南大学 | 基于机器视觉的轴承防尘盖表面缺陷检测方法 |
CN103868924A (zh) * | 2012-12-18 | 2014-06-18 | 江南大学 | 一种基于视觉的轴承外观缺陷检测算法 |
CN115351598A (zh) * | 2022-10-17 | 2022-11-18 | 南通钜德智能科技有限公司 | 一种数控机床轴承检测方法 |
CN116128873A (zh) * | 2023-04-04 | 2023-05-16 | 山东金帝精密机械科技股份有限公司 | 一种基于图像识别的轴承保持器检测方法、设备及介质 |
-
2023
- 2023-07-05 CN CN202310814579.4A patent/CN116523922B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636490A (zh) * | 2012-04-12 | 2012-08-15 | 江南大学 | 基于机器视觉的轴承防尘盖表面缺陷检测方法 |
CN103868924A (zh) * | 2012-12-18 | 2014-06-18 | 江南大学 | 一种基于视觉的轴承外观缺陷检测算法 |
CN115351598A (zh) * | 2022-10-17 | 2022-11-18 | 南通钜德智能科技有限公司 | 一种数控机床轴承检测方法 |
CN116128873A (zh) * | 2023-04-04 | 2023-05-16 | 山东金帝精密机械科技股份有限公司 | 一种基于图像识别的轴承保持器检测方法、设备及介质 |
Non-Patent Citations (1)
Title |
---|
轴承防尘盖缺陷机器视觉自动检测方法研究;郝勇 等;测控技术;第第39卷卷(第第1期期);第80-85页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116523922A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107543828B (zh) | 一种工件表面缺陷检测方法及*** | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN107545239B (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
CN113724231B (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN108520514B (zh) | 基于计算机视觉的印刷电路板电子元器一致性检测方法 | |
CN109190623B (zh) | 一种识别投影仪品牌和型号的方法 | |
CN113592828B (zh) | 基于工业内窥镜的无损检测方法及*** | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN116523922B (zh) | 一种轴承表面缺陷识别方法 | |
CN116993744B (zh) | 一种基于阈值分割的焊缝缺陷检测方法 | |
US20200285917A1 (en) | Image classification method, computer device and medium | |
CN115841488B (zh) | 一种基于计算机视觉的pcb板的检孔方法 | |
CN106815830B (zh) | 图像的缺陷检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测*** | |
CN113781391A (zh) | 图像缺陷检测方法以及相关设备 | |
CN115690670A (zh) | 一种晶圆瑕疵智能识别方法和*** | |
CN112345534A (zh) | 一种基于视觉的泡罩板中颗粒的缺陷检测方法及*** | |
CN111950559A (zh) | 一种基于径向灰度的指针仪表自动读数方法 | |
CN110348307B (zh) | 一种起重机金属结构攀爬机器人的路径边缘识别方法及*** | |
Ghosh et al. | Counterfeit IC detection by image texture analysis | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
US20160283821A1 (en) | Image processing method and system for extracting distorted circular image elements | |
CN116363136B (zh) | 一种机动车部件自动化生产在线筛选方法及*** | |
CN117036314A (zh) | 一种高密度柔性ic基板氧化区域检测方法 | |
CN116310424A (zh) | 基于图像识别的设备质量评估方法、装置、终端和介质 |
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 |