CN116563288B - 一种汽车发动机齿轮螺纹孔检测方法 - Google Patents
一种汽车发动机齿轮螺纹孔检测方法 Download PDFInfo
- Publication number
- CN116563288B CN116563288B CN202310840369.2A CN202310840369A CN116563288B CN 116563288 B CN116563288 B CN 116563288B CN 202310840369 A CN202310840369 A CN 202310840369A CN 116563288 B CN116563288 B CN 116563288B
- Authority
- CN
- China
- Prior art keywords
- threaded hole
- crack
- obtaining
- fracture
- image
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 230000035945 sensitivity Effects 0.000 claims abstract description 35
- 238000009826 distribution Methods 0.000 claims abstract description 34
- 230000007547 defect Effects 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000004891 communication Methods 0.000 claims description 48
- 238000000034 method Methods 0.000 claims description 31
- 238000005336 cracking Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000001788 irregular Effects 0.000 claims description 10
- 238000003708 edge detection Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 abstract description 8
- 238000001914 filtration Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 description 10
- 230000011218 segmentation Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
-
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
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 Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像增强技术领域,具体涉及一种汽车发动机齿轮螺纹孔检测方法,获取汽车发动机齿轮螺纹孔在多尺度下的分图像,获取分图像的边缘图像,并获取边缘图像的连通域,根据连通域在螺纹孔轴向方向上的分布情况,获取螺纹孔裂痕损坏程度指标,根据螺纹孔裂痕损坏程度指标以及连通域的特征点数量,得到螺纹孔裂痕信息敏感度,进而得到各个分图像所对应的分配权重,根据各个分图像及其对应的分配权重,得到图像增强后的目标灰度图像,根据图像反映的裂痕缺陷信息的不同,得到不同尺度下滤波结果权重的大小,从而图像对比度增强处理的效果,提升图像质量,完成对齿轮螺纹孔灰度图像的增强处理,进而提高缺陷检测精度。
Description
技术领域
本发明涉及图像增强技术领域,具体涉及一种汽车发动机齿轮螺纹孔检测方法。
背景技术
汽车行业的发展逐渐向自动化的生产模式靠拢,采用人工智能技术不仅可以提高汽车制造业的生产效率,生产的质量也大幅度提高。在汽车发动机的制造生产中,发动机的齿轮装配是一个难点,若齿轮螺纹孔的质量较差,会增大装配难度,最终影响成品质量。汽车发动机齿轮螺纹孔内表面会因生产工艺的影响存在缺陷,这也导致后续成品的安全性降低。在齿轮螺纹孔的检测加入机器视觉的方式,采用图像处理的方式对齿轮的螺纹孔内表面进行缺陷检测,不仅可以提高检测效率,也可以避免因人为因素影响检测准确性。
然而,采用图像处理的方式进行缺陷检测同样存在一定的弊端,当采集到的汽车发动机齿轮螺纹孔图像质量较差时,会影响检测精度。相应地,就需要对采集到的汽车发动机齿轮螺纹孔图像进行图像增强。目前通常采用基于直方图的图像增强算法对图像进行增强,但是,这种图像增强算法的处理效果较差,图像增强后对图像的质量提升较为有限,仍旧会影响对齿轮螺纹孔的质量检测准确度。
发明内容
有鉴于此,为了解决现有的图像增强算法的处理效果较差,影响汽车发动机齿轮螺纹孔的质量检测准确度的技术问题,本发明提供一种汽车发动机齿轮螺纹孔检测方法。
所采用的技术方案具体如下:
一种汽车发动机齿轮螺纹孔检测方法,包括:
获取汽车发动机齿轮螺纹孔的原始灰度图像在预设数量的尺度下的分图像;
对所述分图像进行边缘检测,得到边缘图像,并获取所述边缘图像的裂痕连通域,根据所述裂痕连通域在螺纹孔轴向方向上的分布情况,获取螺纹孔裂痕损坏程度指标;
根据所述螺纹孔裂痕损坏程度指标,以及所述裂痕连通域的特征点数量,得到所述分图像所对应的螺纹孔裂痕信息敏感度;
基于各个分图像所对应的螺纹孔裂痕信息敏感度的占比,得到各个分图像所对应的分配权重;
根据各个分图像及其对应的分配权重,得到增强后的目标灰度图像;
根据所述目标灰度图像,对汽车发动机齿轮螺纹孔进行缺陷检测。
在一个实施例中,所述根据所述裂痕连通域在螺纹孔轴向方向上的分布情况,获取螺纹孔裂痕损坏程度指标,包括:
获取所述裂痕连通域的边缘与所述边缘图像中螺纹边缘的交点,并获取同属于一个螺纹边缘的两个交点,构成一对特征点;
获取各对特征点之间的距离,得到所述裂痕连通域沿螺纹孔轴向方向的边界宽度序列;
获取沿螺纹孔轴向方向,相邻两对特征点与对应的两个螺纹边缘以及裂痕连通域边缘构成的子区域的特征信息,并基于特征信息,得到所述裂痕连通域对应的螺纹孔开裂系数;
根据所述裂痕连通域对应的螺纹孔开裂系数,结合所述边界宽度序列,得到所述螺纹孔裂痕损坏程度指标。
在一个实施例中,所述获取沿螺纹孔轴向方向,相邻两对特征点与对应的两个螺纹边缘以及裂痕连通域边缘构成的子区域的特征信息,包括:
获取沿螺纹孔轴向方向,相邻两对特征点与对应的两个螺纹边缘以及裂痕连通域边缘构成的子区域的面积,得到所述裂痕连通域沿螺纹孔轴向方向的子区域面积序列;
利用傅里叶描述子得到每个子区域的边界描述子,对各子区域的边界描述子进行求模运算,得到各子区域的特征值;
相应地,所述基于特征信息,得到所述裂痕连通域对应的螺纹孔开裂系数,包括:
基于各个子区域的面积,以及特征值,得到所述裂痕连通域对应的螺纹孔开裂系数。
在一个实施例中,所述基于各个子区域的面积,以及特征值,得到所述裂痕连通域对应的螺纹孔开裂系数,包括:
所述裂痕连通域对应的螺纹孔开裂系数的计算公式如下:
其中,表示第t个裂痕连通域对应的螺纹孔开裂系数,t表示裂痕连通域的索引,表示第i个子区域的面积,i为子区域的索引,/>表示所有的子区域的面积之和,n为特征点的对数,/>表示第i个子区域的特征值。
在一个实施例中,所述根据所述裂痕连通域对应的螺纹孔开裂系数,结合所述边界宽度序列,得到所述螺纹孔裂痕损坏程度指标,包括:
根据所述边界宽度序列,获取边界不规则程度;
根据所述裂痕连通域对应的螺纹孔开裂系数,以及所述边界不规则程度,得到所述螺纹孔裂痕损坏程度指标,其中,所述螺纹孔裂痕损坏程度指标与所述螺纹孔开裂系数和边界不规则程度均呈正相关关系。
在一个实施例中,所述根据所述螺纹孔裂痕损坏程度指标,以及所述裂痕连通域的特征点数量,得到所述分图像所对应的螺纹孔裂痕信息敏感度,包括:
所述螺纹孔裂痕信息敏感度的计算公式如下:
其中,S表示螺纹孔裂痕信息敏感度,表示第t个裂痕连通域的螺纹孔裂痕损坏程度指标,t表示裂痕连通域的索引,y表示裂痕连通域的总数量,/>表示第t个裂痕连通域的特征点数量。
在一个实施例中,所述获取汽车发动机齿轮螺纹孔的原始灰度图像在预设数量的尺度下的分图像,包括:
采用MSR算法对汽车发动机齿轮螺纹孔的原始灰度图像进行处理,构建各尺度下对应的高斯环绕函数,得到三个尺度下的分图像;
相应地,所述根据各个分图像及其对应的分配权重,得到增强后的目标灰度图像,包括:
将采用各个尺度对应的高斯环绕函数滤波后得到的结果与各个分配权重进行对应加权求和,得到增强后的目标灰度图像。
本发明实施例至少具有如下有益效果:先将汽车发动机齿轮螺纹孔的原始灰度图像进行多尺度处理,得到预设数量的尺度下的分图像,对分图像进行边缘检测得到边缘图像,并获取边缘图像的裂痕连通域,根据裂痕连通域在螺纹孔轴向方向上的分布情况,获取螺纹孔裂痕损坏程度指标,由于裂痕连通域在螺纹孔轴向方向上的分布情况直观反映了螺纹孔的裂痕损坏程度,因此,能够得到准确反映螺纹孔的裂痕损坏情况的螺纹孔裂痕损坏程度指标,由于螺纹孔裂痕信息敏感度与螺纹孔裂痕损坏程度指标和裂痕连通域的特征点数量密切相关,因此根据螺纹孔裂痕损坏程度指标,以及裂痕连通域的特征点数量,能够得到与分图像相对应的、准确的螺纹孔裂痕信息敏感度,由于不同的螺纹孔裂痕信息敏感度反映不同的图像细节,螺纹孔裂痕信息敏感度越高,越能够反映图像细节,因此,基于各个分图像所对应的螺纹孔裂痕信息敏感度的占比,得到各个分图像所对应的分配权重,根据各个分图像及其对应的分配权重,得到增强后的目标灰度图像,通过上述过程,重新确定各个尺度下的分图像对应的分配权重,根据每个尺度下确定得到的分图像对应的分配权重进行图像增强,能够有效突出齿轮螺纹孔的细节,根据得到的目标灰度图像,对汽车发动机齿轮螺纹孔进行缺陷检测,能够显著提高对螺纹孔质量检测的精度。
附图说明
图1是本发明提供的一种汽车发动机齿轮螺纹孔检测方法的流程图;
图2是裂纹示意图;
图3是本发明提供的一种用于汽车发动机齿轮螺纹孔检测的图像增强方法的流程图。
具体实施方式
一种汽车发动机齿轮螺纹孔检测方法实施例:
本实施例提供一种汽车发动机齿轮螺纹孔检测方法,该汽车发动机齿轮螺纹孔检测方法的应用场景为:在汽车发动机生产过程中,由于生产工艺中存在的问题会导致生产的产品存在各种缺陷。而在汽车发动机的齿轮螺纹孔的铸造过程中,会出现裂痕、毛刺等使螺纹孔内表面的粗糙度较高,且影响后续发动机的使用。
如图1所示,该汽车发动机齿轮螺纹孔检测方法包括如下步骤:
步骤S1:获取汽车发动机齿轮螺纹孔的原始灰度图像在预设数量的尺度下的分图像:
获取汽车发动机齿轮螺纹孔的原始灰度图像,应当理解,获取到的汽车发动机齿轮螺纹孔的原始灰度图像为螺纹孔的内表面的图像,作为一个具体实施方式,为了便于采集螺纹孔的内表面的图像,可以设置体积较小的***头,尽量选用高清摄像头。将***头探入螺纹孔中,采集得到螺纹孔的内表面的图像。若采集到的图像为RGB图像,则将RGB图像转换成灰度图像。另外,在采集到原始灰度图像之后,可以采用中值滤波的方式对图像进行降噪预处理,可以在降噪过程中保留边缘信息。
由于在图像采集过程中,可能会因为环境影响,比如光线等影响,影响后续缺陷检测结果,本实施例中,将汽车发动机齿轮螺纹孔的原始灰度图像进行多尺度处理,得到在预设数量的尺度下的分图像,后续分别对各个分图像进行处理,然后整合得到图像,能够提升图像增强效果。应当理解,预设数量的具体数值由实际需要进行设置,即尺度的数量由实际需要进行设置。作为一个具体实施方式,采用MSR算法对汽车发动机齿轮螺纹孔的原始灰度图像进行处理,构建各尺度下对应的高斯环绕函数,得到三个尺度下的分图像。本实施例中,三个尺度分别为高、中、低三个尺度,的比例为15:80:250,应当理解,还可以根据实际情况设定其他的比例参数。
步骤S2:对所述分图像进行边缘检测,得到边缘图像,并获取所述边缘图像的裂痕连通域,根据所述裂痕连通域在螺纹孔轴向方向上的分布情况,获取螺纹孔裂痕损坏程度指标:
由于对各个分图像的处理过程相同,如下以任意一个为例进行说明。
对分图像进行边缘检测,得到边缘图像,本实施例中,采用最为常用的Canny边缘检测算法检测分图像中的边缘像素点,得到齿轮螺纹孔的边缘图像。由于Canny边缘检测算法检测边缘为常规技术手段,不再赘述。
由于下文中需要用到特征点,因此,本实施例获取边缘图像中的特征点,采用最为常用的Harris角点检测算法检测边缘图像中的特征点。由于使用Harris角点检测算法检测图像中的特征点,属于常规技术手段,不再赘述。
本实施例中,设定螺纹孔轴向方向为水平方向(即横向方向),则螺纹方向接近于竖直方向(即纵向方向)。
获取边缘图像的裂痕连通域,作为一个具体实施方式,先根据检测得到的边缘图像作为输入,采用区域生长算法获取边缘图像中的连通域。由于采用区域生长算法获取图像中的连通域属于常规技术手段,不再赘述。
由于螺纹孔表面的裂痕的边缘是不规则的,因此裂痕所形成的连通域和螺纹孔内表面螺纹形成连通域边缘有很大区别,后者的边缘形状较为规则。因此,根据裂痕连通域和螺纹连通域之间的差异,识别得到裂痕连通域和螺纹连通域。由于裂痕连通域和螺纹连通域之间存在很大的差别,比如:裂痕连通域是横向延伸,螺纹连通域是纵向延伸;裂痕连通域是不规则的,螺纹连通域是规则的,因此,根据上述区别,可以对连通域进行划分,得到裂痕连通域和螺纹连通域。作为一个具体实施方式,螺纹边缘接近于竖直方向,且螺纹边缘沿着螺纹孔轴向方向等间隔排布。因此,获取边缘图像中,边缘方向与竖直方向的夹角小于预设角度(比如15°)的边缘,获取到的边缘为螺纹边缘,对应的连通域为螺纹连通域,则除了螺纹连通域之外的连通域确定为裂痕连通域。应当理解,螺纹孔图像的螺纹边缘检测方法属于现有技术,不再赘述。
因裂痕与螺纹相交,而螺纹是规律排列的,即使裂痕的边缘不规则,但裂痕与螺纹相交地方的特征点在连通域的上下是对应的。如图2所示,纵向方向上,比较规则的边缘为螺纹的边缘,而横向方向上,不规则的边缘为裂痕的边缘。
由于裂痕连通域在螺纹孔轴向方向上的分布情况与裂痕的状态有密切关联,因此,根据裂痕连通域在螺纹孔轴向方向上的分布情况,获取螺纹孔裂痕损坏程度指标。作为一个具体实施方式,如下给出螺纹孔裂痕损坏程度指标的一种具体的获取过程。
获取裂痕连通域的边缘与边缘图像中螺纹边缘的交点,如图2所示,裂痕连通域的边缘包括上下两个边缘,对于任意一个螺纹边缘,裂痕连通域的上下两个边缘均与该螺纹边缘相交,得到一个交点,因此,能够获取同属于一个螺纹边缘的两个交点,将这两个交点构成一对特征点。就能够得到与各个目标螺纹边缘一一对应的特征点对,目标螺纹边缘为与裂痕连通域相交的螺纹边缘。
获取各对特征点之间的距离(具体是欧氏距离),每一个欧氏距离为一个边界宽度,因此,得到裂痕连通域沿螺纹孔轴向方向的边界宽度序列[],其中,/>为第n个特征点对对应的边界宽度,n为特征点的对数。
沿螺纹孔轴向方向,相邻两对特征点对应相邻的两个螺纹边缘,相邻两对特征点中,各对特征点之间相连的话,再结合相邻的两个螺纹边缘之间的裂痕连通域边缘,构成一个子区域,如图2所示,相邻两对特征点中各对特征点之间的连线(即相连的两个虚线),与相邻的两个螺纹边缘之间的裂痕连通域边缘构成一个子区域。由此得到各个子区域。而且,对于裂痕连通域两端,有可能会产生图2所示的方式,因此,将第一对特征点之间的连线与前面的连通域构成的区域作为第一个子区域,将最后一对特征点之间的连线与后面的连通域构成的区域作为最后一个子区域。那么,若特征点的对数为n,则会产生n+1个子区域。因此,将可以将连通域划分为多个子区域。
获取各个子区域的特征信息,作为一个具体实施方式,如下给出特征信息的具体实现方式:获取各个子区域的面积,得到子区域面积序列。其中,子区域的面积可以等于子区域中的像素点的数量。然后,利用傅里叶描述子得到每个子区域的边界描述子,对各子区域的边界描述子进行求模运算,得到各子区域的特征值。所有子区域的特征值可以构成特征值序列[],其中,/>表示第n+1个子区域的特征值。
然后,基于特征信息,得到裂痕连通域对应的螺纹孔开裂系数,具体是基于各个子区域的面积,以及特征值,得到裂痕连通域对应的螺纹孔开裂系数。由于划分得到的子区域的面积越大,表示裂纹开裂程度越大,而且,子区域的特征值越大,越反映边界形状不规则,越能够反映螺纹孔的开裂程度,因此,螺纹孔开裂系数的计算公式如下:
其中,表示第t个裂痕连通域对应的螺纹孔开裂系数,t表示裂痕连通域的索引,表示第i个子区域的面积,i为子区域的索引,/>表示所有的子区域的面积之和,/>表示第i个子区域的特征值。
表示每个子区域所在的螺纹之间区域的占比。若在螺纹之间存在较大的缺陷区域,即/>的值较大,子区域的边界形状的特征值/>较大,螺纹孔开裂系数的值越大,表示越可能存在较严重的裂痕缺陷。
最后,根据裂痕连通域对应的螺纹孔开裂系数,结合边界宽度序列,得到螺纹孔裂痕损坏程度指标。本实施例给出一种具体实现过程,先根据边界宽度序列,获取边界不规则程度,本实施例中,边界不规则程度用于反映边界宽度序列的不规则程度,可以为边界宽度的方差。然后,根据裂痕连通域对应的螺纹孔开裂系数,以及边界不规则程度,得到螺纹孔裂痕损坏程度指标,其中,螺纹孔裂痕损坏程度指标与螺纹孔开裂系数和边界不规则程度均呈正相关关系,作为一个具体实施方式,如下给出螺纹孔裂痕损坏程度指标的计算公式:
其中,表示第t个裂痕连通域对应的螺纹孔裂痕损坏程度指标,/>表示连通域边界宽度序列中第/>个边界宽度,/>表示连通域边界宽度序列中的数值的均值。
若裂痕连通域内缺陷损坏较为严重,则裂痕连通域的螺纹开裂系数的值较大,且裂痕的宽度由于边界不规则,其宽度变化较剧烈,因此该裂痕连通域的宽度序列的方差较大,计算得到的螺纹孔裂痕损坏程度指标/>的值越大,表示该裂痕连通域区域为裂痕缺陷损坏的可能性越大。
步骤S3:根据所述螺纹孔裂痕损坏程度指标,以及所述裂痕连通域的特征点数量,得到所述分图像所对应的螺纹孔裂痕信息敏感度:
上述计算可以得到每个裂痕连通域的螺纹孔裂痕损坏程度指标,而且由于越可能存在裂痕,其边界存在越多的特征点。而对于螺纹连通域,由于螺纹的结构特征(螺纹边界较规则),其边界的特征点较少。因此,可根据每个裂痕连通域边界存在的特征点的个数对螺纹孔裂痕损坏程度指标进行加权,将裂痕连通域的螺纹孔裂痕程度放大,表示存在裂痕的损坏程度。相应地,根据得到的螺纹孔裂痕损坏程度指标,以及裂痕连通域的特征点数量,得到分图像所对应的螺纹孔裂痕信息敏感度。由于一个螺纹孔中可能包括多个裂痕连通域,那么,结合所有的裂痕连通域的螺纹孔裂痕损坏程度指标,以及特征点数量得到螺纹孔所对应的螺纹孔裂痕信息敏感度,计算公式如下:
其中,S表示螺纹孔裂痕信息敏感度,y表示裂痕连通域的总数量,表示第t个裂痕连通域的特征点数量。
因此,裂痕连通域的螺纹孔裂痕损坏程度指标较大,且其边界存在的特征点的数量较大,则计算得到的整个螺纹孔内表面的螺纹孔裂痕信息敏感度的值较大,表示该螺纹孔内表面存在裂痕损坏缺陷的可能性较大。
上述得到的螺纹孔裂痕信息敏感度为其中一个分图像对应的螺纹孔裂痕信息敏感度。通过上述过程,可以得到各个分图像对应的螺纹孔裂痕信息敏感度。由于得到三个尺度下的分图像,设定:低、中、高三个尺度下的螺纹孔裂痕信息敏感度分别为、/>和/>。
步骤S4:基于各个分图像所对应的螺纹孔裂痕信息敏感度的占比,得到各个分图像所对应的分配权重:
由于不同尺度下计算得到的螺纹孔裂痕信息敏感度的值不同,因此根据反应的图像的细节不同,可以将MSR算法在三个尺度下的权重进行分配。
基于各个分图像所对应的螺纹孔裂痕信息敏感度的占比,得到各个分图像所对应的分配权重,具体地,采用如下计算公式分别计算三个尺度下的分配权重:
根据比值计算每个尺度下分配权重的大小,低、中、高三个尺度下的权重分别为、和/>。
步骤S5:根据各个分图像及其对应的分配权重,得到增强后的目标灰度图像:
不同分配权重下反映的图像中的裂痕信息不同,一个尺度下的分配权重越大表示该尺度下反映的图像中的裂痕信息越完整,因此需对该尺度下滤波的结果赋予更高的权重。根据分配权重的大小,将每个尺度下计算得到的值进行相加,即将每个尺度下采用对应的高斯环绕函数滤波后的结果与各个分配权重进行对应加权求和,滤波后的计算步骤可参考MSR算法,具体的实现过程不再进行赘述,得到增强后的目标灰度图像。
至此可根据图像反映的裂痕缺陷信息的不同,得到不同尺度下滤波结果权重的大小,从而提高采用MSR算法对齿轮螺纹孔灰度图像的对比度增强处理的效果,完成对齿轮螺纹孔灰度图像的对比度增强处理。
步骤S6:根据所述目标灰度图像,对汽车发动机齿轮螺纹孔进行缺陷检测:
根据图像增强后的目标灰度图像,采用图像处理的方式对汽车发动机齿轮螺纹孔进行缺陷检测。作为一个具体实施方式,可以采用语义分割的方式进行缺陷分割检测,比如:采用基于FCN的语义分割算法对目标灰度图像的螺纹孔进行缺陷分割,以Adam为优化算法,以交叉熵函数作为损失函数,语义分割模型的输出是缺陷分割结果图像,得到缺陷分割后的结果图。神经网络的训练以及根据神经网络对图像进行缺陷分割的技术均为公知技术,具体过程不再赘述。
后续还可以根据图像分割得到的缺陷大小判断生产质量。
基于上述图像增强过程,可以提高图像的质量,从而提高齿轮螺纹孔缺陷分割的精度。
一种用于汽车发动机齿轮螺纹孔检测的图像增强方法实施例:
在采用图像处理的方式对汽车发动机齿轮螺纹孔进行缺陷检测时,会由于采集到的汽车发动机齿轮螺纹孔图像质量较差而影响检测精度。相应地,就需要对采集到的汽车发动机齿轮螺纹孔图像进行图像增强。目前通常采用基于直方图的图像增强算法对图像进行增强,但是,这种图像增强算法的增强效果较差,图像增强后对图像的质量提升较为有限。
为了解决现有对汽车发动机齿轮螺纹孔图像进行图像增强的算法增强效果较差的技术问题,本实施例提供一种用于汽车发动机齿轮螺纹孔检测的图像增强方法,如图3所示,包括如下步骤:
步骤S1:获取汽车发动机齿轮螺纹孔的原始灰度图像在预设数量的尺度下的分图像;
步骤S2:对所述分图像进行边缘检测,得到边缘图像,并获取所述边缘图像的裂痕连通域,根据所述裂痕连通域在螺纹孔轴向方向上的分布情况,获取螺纹孔裂痕损坏程度指标;
步骤S3:根据所述螺纹孔裂痕损坏程度指标,以及所述裂痕连通域的特征点数量,得到所述分图像所对应的螺纹孔裂痕信息敏感度;
步骤S4:基于各个分图像所对应的螺纹孔裂痕信息敏感度的占比,得到各个分图像所对应的分配权重;
步骤S5:根据各个分图像及其对应的分配权重,得到增强后的目标灰度图像。
上述图像增强方法中,先将汽车发动机齿轮螺纹孔的原始灰度图像进行多尺度处理,得到预设数量的尺度下的分图像,对分图像进行边缘检测得到边缘图像,并获取边缘图像的裂痕连通域,根据裂痕连通域在螺纹孔轴向方向上的分布情况,获取螺纹孔裂痕损坏程度指标,由于裂痕连通域在螺纹孔轴向方向上的分布情况直观反映了螺纹孔的裂痕损坏程度,因此,能够得到准确反映螺纹孔的裂痕损坏情况的螺纹孔裂痕损坏程度指标,由于螺纹孔裂痕信息敏感度与螺纹孔裂痕损坏程度指标和裂痕连通域的特征点数量密切相关,因此根据螺纹孔裂痕损坏程度指标,以及裂痕连通域的特征点数量,能够得到与分图像相对应的、准确的螺纹孔裂痕信息敏感度,由于不同的螺纹孔裂痕信息敏感度反映不同的图像细节,螺纹孔裂痕信息敏感度越高,越能够反映图像细节,因此,基于各个分图像所对应的螺纹孔裂痕信息敏感度的占比,得到各个分图像所对应的分配权重,根据各个分图像及其对应的分配权重,得到增强后的目标灰度图像,通过上述过程,重新确定各个尺度下的分图像对应的分配权重,根据每个尺度下确定得到的分图像对应的分配权重进行图像增强,能够有效突出齿轮螺纹孔的细节,提升图像增强效果。
由于该图像增强方法中的各个步骤在上述一种汽车发动机齿轮螺纹孔检测方法实施例中已作出详细说明,本实施例不再赘述。
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;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 (7)
1.一种汽车发动机齿轮螺纹孔检测方法,其特征在于,包括:
获取汽车发动机齿轮螺纹孔的原始灰度图像在预设数量的尺度下的分图像;
对所述分图像进行边缘检测,得到边缘图像,并获取所述边缘图像的裂痕连通域,根据所述裂痕连通域在螺纹孔轴向方向上的分布情况,获取螺纹孔裂痕损坏程度指标;
根据所述螺纹孔裂痕损坏程度指标,以及所述裂痕连通域的特征点数量,得到所述分图像所对应的螺纹孔裂痕信息敏感度;
基于各个分图像所对应的螺纹孔裂痕信息敏感度的占比,得到各个分图像所对应的分配权重;
根据各个分图像及其对应的分配权重,得到增强后的目标灰度图像;
根据所述目标灰度图像,对汽车发动机齿轮螺纹孔进行缺陷检测。
2.根据权利要求1所述的汽车发动机齿轮螺纹孔检测方法,其特征在于,所述根据所述裂痕连通域在螺纹孔轴向方向上的分布情况,获取螺纹孔裂痕损坏程度指标,包括:
获取所述裂痕连通域的边缘与所述边缘图像中螺纹边缘的交点,并获取同属于一个螺纹边缘的两个交点,构成一对特征点;
获取各对特征点之间的距离,得到所述裂痕连通域沿螺纹孔轴向方向的边界宽度序列;
获取沿螺纹孔轴向方向,相邻两对特征点与对应的两个螺纹边缘以及裂痕连通域边缘构成的子区域的特征信息,并基于特征信息,得到所述裂痕连通域对应的螺纹孔开裂系数;
根据所述裂痕连通域对应的螺纹孔开裂系数,结合所述边界宽度序列,得到所述螺纹孔裂痕损坏程度指标。
3.根据权利要求2所述的汽车发动机齿轮螺纹孔检测方法,其特征在于,所述获取沿螺纹孔轴向方向,相邻两对特征点与对应的两个螺纹边缘以及裂痕连通域边缘构成的子区域的特征信息,包括:
获取沿螺纹孔轴向方向,相邻两对特征点与对应的两个螺纹边缘以及裂痕连通域边缘构成的子区域的面积,得到所述裂痕连通域沿螺纹孔轴向方向的子区域面积序列;
利用傅里叶描述子得到每个子区域的边界描述子,对各子区域的边界描述子进行求模运算,得到各子区域的特征值;
相应地,所述基于特征信息,得到所述裂痕连通域对应的螺纹孔开裂系数,包括:
基于各个子区域的面积,以及特征值,得到所述裂痕连通域对应的螺纹孔开裂系数。
4.根据权利要求3所述的汽车发动机齿轮螺纹孔检测方法,其特征在于,所述基于各个子区域的面积,以及特征值,得到所述裂痕连通域对应的螺纹孔开裂系数,包括:
所述裂痕连通域对应的螺纹孔开裂系数的计算公式如下:
其中,表示第t个裂痕连通域对应的螺纹孔开裂系数,t表示裂痕连通域的索引,/>表示第i个子区域的面积,i为子区域的索引,/>表示所有的子区域的面积之和,n为特征点的对数,/>表示第i个子区域的特征值。
5.根据权利要求2-4任意一项所述的汽车发动机齿轮螺纹孔检测方法,其特征在于,所述根据所述裂痕连通域对应的螺纹孔开裂系数,结合所述边界宽度序列,得到所述螺纹孔裂痕损坏程度指标,包括:
根据所述边界宽度序列,获取边界不规则程度;
根据所述裂痕连通域对应的螺纹孔开裂系数,以及所述边界不规则程度,得到所述螺纹孔裂痕损坏程度指标,其中,所述螺纹孔裂痕损坏程度指标与所述螺纹孔开裂系数和边界不规则程度均呈正相关关系。
6.根据权利要求1所述的汽车发动机齿轮螺纹孔检测方法,其特征在于,所述根据所述螺纹孔裂痕损坏程度指标,以及所述裂痕连通域的特征点数量,得到所述分图像所对应的螺纹孔裂痕信息敏感度,包括:
所述螺纹孔裂痕信息敏感度的计算公式如下:
其中,S表示螺纹孔裂痕信息敏感度,表示第t个裂痕连通域的螺纹孔裂痕损坏程度指标,t表示裂痕连通域的索引,y表示裂痕连通域的总数量,/>表示第t个裂痕连通域的特征点数量。
7.根据权利要求1所述的汽车发动机齿轮螺纹孔检测方法,其特征在于,所述获取汽车发动机齿轮螺纹孔的原始灰度图像在预设数量的尺度下的分图像,包括:
采用MSR算法对汽车发动机齿轮螺纹孔的原始灰度图像进行处理,构建各尺度下对应的高斯环绕函数,得到三个尺度下的分图像;
相应地,所述根据各个分图像及其对应的分配权重,得到增强后的目标灰度图像,包括:
将采用各个尺度对应的高斯环绕函数滤波后得到的结果与各个分配权重进行对应加权求和,得到增强后的目标灰度图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310840369.2A CN116563288B (zh) | 2023-07-11 | 2023-07-11 | 一种汽车发动机齿轮螺纹孔检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310840369.2A CN116563288B (zh) | 2023-07-11 | 2023-07-11 | 一种汽车发动机齿轮螺纹孔检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116563288A CN116563288A (zh) | 2023-08-08 |
CN116563288B true CN116563288B (zh) | 2023-09-05 |
Family
ID=87493227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310840369.2A Active CN116563288B (zh) | 2023-07-11 | 2023-07-11 | 一种汽车发动机齿轮螺纹孔检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116563288B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7200259B1 (en) * | 1999-07-25 | 2007-04-03 | Orbotech Ltd. | Optical inspection system |
JP2010197177A (ja) * | 2009-02-24 | 2010-09-09 | Panasonic Electric Works Co Ltd | 外観検査方法および外観検査装置 |
CN102096816A (zh) * | 2011-01-28 | 2011-06-15 | 武汉大学 | 基于最小生成树的多尺度多层次影像分割方法 |
CN109035237A (zh) * | 2018-07-31 | 2018-12-18 | 南京邮电大学 | 一种风叶裂痕检测方法 |
CN214308459U (zh) * | 2021-03-26 | 2021-09-28 | 深圳市欣精艺科技有限公司 | 一种汽车发动机齿轮螺纹孔位置度检具 |
CN113744270A (zh) * | 2021-11-05 | 2021-12-03 | 南京市特种设备安全监督检验研究院 | 起重机复杂钢结构表面缺陷的无人机视觉检测与识别方法 |
CN114092467A (zh) * | 2021-12-01 | 2022-02-25 | 重庆大学 | 一种基于轻量化卷积神经网络的划痕检测方法及*** |
CN115063430A (zh) * | 2022-08-19 | 2022-09-16 | 南通金茂防爆电气有限公司 | 基于图像处理的电气管道裂纹检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2967804C (en) * | 2014-11-14 | 2023-05-02 | Schlumberger Canada Limited | Image feature alignment |
-
2023
- 2023-07-11 CN CN202310840369.2A patent/CN116563288B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7200259B1 (en) * | 1999-07-25 | 2007-04-03 | Orbotech Ltd. | Optical inspection system |
JP2010197177A (ja) * | 2009-02-24 | 2010-09-09 | Panasonic Electric Works Co Ltd | 外観検査方法および外観検査装置 |
CN102096816A (zh) * | 2011-01-28 | 2011-06-15 | 武汉大学 | 基于最小生成树的多尺度多层次影像分割方法 |
CN109035237A (zh) * | 2018-07-31 | 2018-12-18 | 南京邮电大学 | 一种风叶裂痕检测方法 |
CN214308459U (zh) * | 2021-03-26 | 2021-09-28 | 深圳市欣精艺科技有限公司 | 一种汽车发动机齿轮螺纹孔位置度检具 |
CN113744270A (zh) * | 2021-11-05 | 2021-12-03 | 南京市特种设备安全监督检验研究院 | 起重机复杂钢结构表面缺陷的无人机视觉检测与识别方法 |
CN114092467A (zh) * | 2021-12-01 | 2022-02-25 | 重庆大学 | 一种基于轻量化卷积神经网络的划痕检测方法及*** |
CN115063430A (zh) * | 2022-08-19 | 2022-09-16 | 南通金茂防爆电气有限公司 | 基于图像处理的电气管道裂纹检测方法 |
Non-Patent Citations (1)
Title |
---|
基于混合模型的多尺度水平集高分辨率SAR图像水体分割;刘伟等;信息工程大学学报(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116563288A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113689428B (zh) | 基于图像处理的机械零件应力腐蚀检测方法及*** | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN107016677A (zh) | 一种基于fcn和cnn的云图分割方法 | |
CN115049664B (zh) | 基于视觉的船舶发动机配件缺陷检测方法 | |
CN104008399B (zh) | 一种仪表检测中基于支持向量机的仪表指针抖动的识别方法 | |
CN110230978A (zh) | 一种耐火砖几何尺寸测量方法 | |
CN106780486A (zh) | 一种钢板表面缺陷图像提取方法 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及*** | |
CN115100191B (zh) | 基于工业检测的金属铸件缺陷识别方法 | |
CN114140669B (zh) | 焊接缺陷识别模型训练方法、装置和计算机终端 | |
CN117237646B (zh) | 基于图像分割的pet高温阻燃胶带瑕疵提取方法及*** | |
CN107590512A (zh) | 一种模板匹配中参数的自适应方法和*** | |
CN111368825A (zh) | 一种基于语义分割的指针定位方法 | |
CN114549446A (zh) | 一种基于深度学习的气缸套缺陷标检测方法 | |
CN115311275A (zh) | 一种电子元器件表面缺陷检测方法及*** | |
CN116309599A (zh) | 基于污水前置处理的水质视觉监测方法 | |
CN104574417A (zh) | 一种图像边缘灰度起伏性度量与自适应检测方法 | |
CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN110660048B (zh) | 一种基于形状特征的皮革表面缺陷检测方法 | |
CN116563288B (zh) | 一种汽车发动机齿轮螺纹孔检测方法 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN111192261A (zh) | 一种镜片疵病类型识别的方法 |
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 |