CN116977335B - 一种用于机械零件表面点蚀缺陷的智能检测方法 - Google Patents
一种用于机械零件表面点蚀缺陷的智能检测方法 Download PDFInfo
- Publication number
- CN116977335B CN116977335B CN202311227253.8A CN202311227253A CN116977335B CN 116977335 B CN116977335 B CN 116977335B CN 202311227253 A CN202311227253 A CN 202311227253A CN 116977335 B CN116977335 B CN 116977335B
- Authority
- CN
- China
- Prior art keywords
- defect
- connected domain
- image
- domain
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 314
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 206010027146 Melanoderma Diseases 0.000 claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000009826 distribution Methods 0.000 claims description 25
- 239000002184 metal Substances 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000005286 illumination Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000000034 method Methods 0.000 description 16
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 238000005498 polishing Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 5
- 230000002950 deficient Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005260 corrosion Methods 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009661 fatigue test Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域，具体涉及一种用于机械零件表面点蚀缺陷的智能检测方法，包括：获取基准图像和匹配图像，根据基准图像和匹配图像的二值图像获取缺陷连通域，对基准图像和匹配图像中的缺陷连通域进行交并比分析，得到第一缺陷连通域和第三缺陷连通域；对每个缺陷连通域进行特征提取操作，获取二维信息熵以及低灰度区域强调特征值；根据第一缺陷连通域和第三缺陷连通域的二维信息熵差异以及低灰度区域强调特征值差异获取评价指标，进一步识别点蚀缺陷。本发明在黑斑缺陷干扰的情况下也能对点蚀缺陷进行有效识别，识别结果准确高效。
Description
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种用于机械零件表面点蚀缺陷的智能检测方法。
背景技术
在机械零件的生产加工过程中，加工设备由于长期工作，零件表面会出现点蚀等磨损现象，而在齿轮接触疲劳试验中，需要定期检查齿面点蚀状况。目前常用的检测方法为机器视觉，它是一种非接触式的检测方式，具有多种常规检测工具难以企及的优势，并且可以减少人力，提高生产效率。
在机械零件表面图像中，过于细小的点蚀缺陷的表现特征较弱，若利用传统的表面缺陷自动检测算法进行识别，得到的金属点蚀缺陷图像噪声大，缺陷特征复杂多变，不利于后续表面质量检测，所以需要先进行点蚀缺陷的图像增强。而在部分点蚀缺陷的增强过程中，部分金属表面的黑斑缺陷与其相似程度很高，传统的视觉检测方法容易将两者进行错误分类，不利于后续企业的金属点蚀疲劳缺陷的数据统计分析。
发明内容
本发明提供一种用于机械零件表面点蚀缺陷的智能检测方法，以解决现有的问题。
本发明的一种用于机械零件表面点蚀缺陷的智能检测方法采用如下技术方案：
本发明一个实施例提供了一种用于机械零件表面点蚀缺陷的智能检测方法，该方法包括以下步骤：
采集机械齿轮零件在不同的两个光照下的金属表面灰度图像分别作为基准图像和匹配图像，根据基准图像和匹配图像的二值图像获取基准图像以及匹配图像中的缺陷连通域；
计算基准图像每个缺陷连通域与匹配图像中每个缺陷连通域的交并比，当所述交并比大于第四预设阈值时，将基准图像对应的缺陷连通域作为第一缺陷连通域，将匹配图像中对应的缺陷连通域在基准图像上对应位置的区域作为第二缺陷连通域；将第一缺陷连通域与第二缺陷连通域进行合并，得到第三缺陷连通域；
对第一缺陷连通域进行特征提取操作，得到第一缺陷连通域的二维信息熵以及低灰度区域强调特征值，包括：
根据第一缺陷连通域中所有像素点的灰度级以及第一缺陷连通域中所有像素点的数量计算第一缺陷连通域的二维信息熵；获取第一缺陷连通域的灰度区域大小矩阵，根据灰度区域大小矩阵获取第一缺陷连通域的低灰度区域强调特征值；
对第三缺陷连通域进行特征提取操作，得到第三缺陷连通域的二维信息熵以及低灰度区域强调特征值；根据第一缺陷连通域以及对应的第三缺陷连通域的二维信息熵和低灰度区域强调特征值获取第三缺陷连通域的综合评价指标；
当综合评价指标小于第五预设阈值时，第三缺陷连通域为黑斑缺陷，当综合评价指标大于或等于第五预设阈值时，第三缺陷连通域为点蚀缺陷。
优选的，所述根据基准图像和匹配图像的二值图像获取基准图像以及匹配图像中的缺陷连通域包括：
分别获取基准图像和匹配图像的二值图像，获取每个二值图像中每个连通域的外接矩形的长宽比；对每个二值图像中每个连通域进行椭圆拟合，获取每个连通域对应椭圆的长短轴之比；将像素点数量大于第一阈值、外接矩形的长宽比小于第二预设阈值且对应椭圆的长短轴之比小于第三预设阈值的连通域作为缺陷二值连通域；
获取每个缺陷二值连通域在基准图像或匹配图像中对应位置的区域作为缺陷连通域。
优选的，所述二维信息熵的表达式为：
式中表示第/>个第三缺陷连通域/>的二维信息熵；/>表示灰度级大小；/>表示灰度级为/>的像素点的八邻域范围内的最大灰度级；/>表示以八邻域最大灰度级/>作为灰度分布的空间特征量与像素点的灰度级/>组成的特征二元组；/>表示在第/>个第三缺陷连通域/>中特征二元组/>出现的频数；/>表示第/>个第三缺陷连通域/>中的像素点数量。
优选的，所述低灰度区域强调特征值的表达式为：
式中为第/>个第三缺陷连通域/>的低灰度区域强调特征值；/>表示灰度级大小；/>表示的是第/>个第三缺陷连通域/>的灰度区域大小矩阵中的尺寸大小；/>为第/>个第三缺陷连通域/>的灰度区域大小矩阵中出现的最大尺寸大小；/>代表的是二元组/>的频率；/>表示第/>个第三缺陷连通域/>中的像素点数量。
优选的，所述综合评价指标的表达式为：
式中为第/>个第三缺陷连通域的综合评价指标；/>为第/>个第一缺陷连通域的二维信息熵；/>为第/>个第三缺陷连通域的二维信息熵；/>为第/>个第一缺陷连通域的低灰度区域强调特征值；/>为第/>个第三缺陷连通域的低灰度区域强调特征值。
本发明的技术方案的有益效果是：通过对机械零件表面进行不同角度的打光获得基准图像和匹配图像，使得点蚀缺陷在基准图像和匹配图像中的灰度分布改变；通过对基准图像和匹配图像进行预处理，获取第一缺陷连通域与第三缺陷连通域，缩小了点蚀缺陷和黑斑缺陷识别的范围，使得后续的缺陷识别更加高效，识别结果更加准确；通过构建二维信息熵来表征不同缺陷连通域的灰度分布混乱程度，将灰度空间分布的混乱程度进行数值化表征，使得后续根据第一缺陷连通域和第三缺陷连通域的二维信息熵差异程度识别的点蚀缺陷更加准确；通过构建低灰度区域强调特征值来表征低灰度缺陷的分布特征，使得后续根据第一缺陷连通域和第三缺陷连通域的低灰度区域强调特征值的差异程度进行点蚀缺陷识别的更加准确；本发明在黑斑缺陷干扰的情况下也能对点蚀缺陷进行有效识别，识别结果准确高效。
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，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地介绍，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他的附图。
图1为本发明的一种用于机械零件表面点蚀缺陷的智能检测方法的步骤流程图；
图2为本发明的一种用于机械零件表面点蚀缺陷的智能检测方法的点蚀缺陷图像；
图3为本发明的一种用于机械零件表面点蚀缺陷的智能检测方法的黑斑缺陷图像；
图4为本发明的一种用于机械零件表面点蚀缺陷的智能检测方法的点蚀缺陷内部孔洞图像。
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用于机械零件表面点蚀缺陷的智能检测方法，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用于机械零件表面点蚀缺陷的智能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用于机械零件表面点蚀缺陷的智能检测方法的步骤流程图，该方法包括以下步骤：
101．采集机械齿轮零件的金属表面图像，获取基准图像以及匹配图像。
需要说明的是，本发明针对的是机械零件的金属表面的点蚀缺陷的有效检测，而前提是合理获取机械齿轮零件的清晰金属表面图像，因此需要通过工业相机等手段对待测金属零件的表面进行合理拍摄。随后将所获图像传输至图像处理***中进行图像的预处理工作，再将其传输至缺陷识别***之中，进行表面点蚀缺陷的有效识别并进行标记，供给企业选择。点蚀缺陷图像参见图2，黑斑缺陷图像参见图3。
点蚀与黑斑缺陷的外在表征较为相似（都是局部的低灰度缺陷），但两者的成因不同就导致了两个缺陷在细节的局部表征上还是有轻微差异的。点蚀缺陷又称为孔蚀，是一种集中于金属表面很小的范围并深入到金属内部的腐蚀形态，一般的点蚀情况是金属零件在使用过程中都会或多或少存在，但是若过短时间就发生点蚀情况，则说明金属制品的原料配比不当的问题。所以说如果是点蚀缺陷，那么在其内部一定是有微小孔洞存在的，参见图4，孔洞导致缺陷内部受到不同光线射入时所呈现图像会有差异，主要是部分金属反射光线情况不同。而黑斑缺陷一般是机械零件在进行清洗或存储的过程不当，导致的表面局部存在的残留物形成的霉斑或氧化发黑的现象，即黑斑缺陷并未形成金属内部孔洞的情况，不存在破坏金属零件质量的情况，即无论光线是如何进行照射的，所呈现出的低灰度区域位置相差不大。若未及时对金属点蚀有效辨别，长此以往会加剧零件内部的蚀孔，即造成零件被使用时的严重破坏以及影响后续零件的生产。
因此可根据对图像中是否存在孔洞进行数值描述，来实现在相似黑斑缺陷干扰情况下对点蚀缺陷进行准确识别。由于点蚀缺陷中孔洞的产生，导致机械零件的表面物理结构会发生本质上变化，因此可以控制打光设备，以得到在不同光线摄入时，材料孔洞所带来的不同变化。
在本实施例中，从斜向下、斜向上的角度分别进行打光，拍摄机械齿轮零件的金属表面图像，得到下打光图像以及上打光图像。需要说明的是，如果是点蚀缺陷，那么其内部孔洞会受到光线进入孔内，而当不同的角度的光线进入孔内，孔洞局部轮廓处的表征会发生变化（亮转暗或暗转亮），即在不同角度光线下的点蚀区域像素会有小部分差别变化，而如果是黑斑缺陷，它的图像表征并不受光线的影响，即两张图像的黑斑缺陷区域的差别程度应该很小，即缺陷区域的像素灰度分布并不会有较大改变。因此可根据不同打光角度的两图像缺陷区域进行比对，分析灰度差异变化即对像素灰度分布状态进行数值化，以便后续可以准确识别点蚀缺陷。
在图像处理***中，对所获得的下打光图像以及上打光图像进行预处理。由于由工业相机得到的图像为彩色的，为防止计算量大而导致耗时过长，将下打光图像以及上打光图像进行灰度化处理。随后为防止下打光图像以及上打光图像有过多噪声影响缺陷分析，对下打光图像以及上打光图像进行高斯滤波，并且最后采用拉普拉斯算子对去噪后下打光图像以及上打光图像进行锐化处理，凸显瑕疵缺陷的表征，提高对比程度。将经过预处理得到图像分别记为基准图像和匹配图像。
至此，获取了基准图像以及匹配图像。
102．获取缺陷连通域。
在本实施例中，采用自适应阈值的大津阈值法，对所获取的基准图像和匹配图像进行二值化，通过大津阈值法自适应找到一个阈值，将大于阈值的灰度值置为1（即转化为白色），将小于阈值的灰度值置为0（即转化为黑色），分别得到基准图像的二值图像和匹配图像的二值图像。二值图像中的金属背景像素点的灰度值为1（白色），可疑缺陷像素点的灰度值为0（黑色）。
随后对二值图像中存在的可疑缺陷进行连通域标记，采用的是种子填充法，以0值（可疑缺陷位置）开始对连通域进行标记，获取每个二值图像中所有的连通域。
在本实施例中，为排除噪声点的干扰，将像素数量大于第一阈值的连通域标记为可疑缺陷。在本实施例中第一阈值/>的获取方法为：根据企业带有局部缺陷的零件进行该相机下的图像获取，获取其标记缺陷对应图像上的所占的最小像素量，将该最小像素量作为第一阈值/>，在其他实施例中，实施人员可根据工业相机的图像精度以及对应的企业要求来设置/>的值。
获取可疑缺陷的外接矩形的长宽比，当可疑缺陷的外接矩形的长宽比越接近时，可疑缺陷的外接矩形越偏正方形，可疑缺陷越可能为局部缺陷连通域，因此当可疑缺陷的外接矩形的长宽比小于第二预设阈值/>时，可认为可疑缺陷为局部缺陷。
同时，为了防止获得的局部缺陷是线类缺陷而不是点蚀或黑斑的偏圆形，所以要再一次进行轮廓像素的椭圆拟合，利用最小二乘法对可疑缺陷的轮廓进行椭圆拟合，获取椭圆的长短轴之比。当可疑缺陷的外接矩形的长宽比大于第二预设阈值且可疑缺陷对应的椭圆的长短轴之比小于第三预设阈值/>时，可认为可疑缺陷为偏圆的局部缺陷。
而点蚀缺陷和黑斑缺陷都为偏圆的局部缺陷，因此获取所有偏圆的局部缺陷作为缺陷二值连通域。在本实施例中第二预设阈值，第三预设阈值/>。在其他实施例中，实施人员可根据实际情况设置第二预设阈值/>以及第三预设阈值/>的值。
获取二值图像中每个缺陷二值连通域在基准图像或匹配图像中对应位置的区域，作为缺陷连通域。
至此，获取了缺陷连通域。
接下来要做的是将符合同一缺陷的两张图像上的连通域进行匹配标记。首先将基准图像记为，将匹配图像记为/>，将基准图像/>作为缺陷识别的参考图像，将匹配图像/>作为能够提供定位的分析图像。对/>中的第/>个缺陷连通域/>进行像素位置的统计，将/>与中第/>个缺陷连通域/>所在的像素位置进行重合度匹配。重合度匹配的具体方法为：计算与/>中像素点位置的交并比/>，当/>与/>中像素点位置的交并比/>较大时，表示/>与/>中较多的像素点位置重合。若/>与/>中像素点位置的交并比/>大于第四预设阈值/>时，表示/>与/>的重合度较高，/>与/>对应同一个缺陷区域，此时将/>记为第/>个第一缺陷连通域，获取/>在基准图像/>中对应位置的区域作为第二缺陷连通域，将其与/>进行合并，将合并后得到的区域记为第/>个第三缺陷连通域/>。在本实施例中，第四预设阈值/>。在其他实施例中，实施人员可根据实际情况设置第四预设阈值/>的值。
同理，对基准图像中的任意一个缺陷连通域与匹配图像/>中任意一个缺陷连通域进行重合度匹配，获取所有的第一缺陷连通域和第三缺陷连通域。
103．对缺陷连通域进行特征提取，获取缺陷连通域的二维信息熵以及低灰度区域强调特征值。
需要说明的是，点蚀缺陷受光照方向的影响，在图像上的缺陷位置会产生部分偏移，即如果是点蚀缺陷，那么中合并后区域部分（即第三缺陷连通域）与未合并的缺陷区域（即第一缺陷连通域）是有部分偏移发生的，而黑斑缺陷不会受到不同光线照射而产生缺陷位置偏移，因此可以根据这种偏移后的差异特性来对点蚀缺陷和黑斑缺陷进行有效辨别。即只需将灰度图像/>中的第一缺陷连通域的灰度分布状态进行数值化，同时与第三缺陷连通域的灰度分布状态的数值表征进行差异比较，并将这种差异程度进行量化处理，通过设定差异程度不同范围即可将两者缺陷进行分辨。
由于是需要对第一缺陷连通域和第三缺陷连通域的灰度分布状态进行分析，那么本发明采用信息熵进行分析。对于所采用的信息熵来说，如果只用表示灰度分布聚集程度的一维熵，可能由于噪声等影响导致缺陷在合并区域前后（即第一缺陷连通域和第三缺陷连通域）的灰度分布比例差异程度不够明显，造成识别的准确度偏低。所以本文采用表示空间灰度分布特征的二维信息熵相结合，整体进行差异程度的数值表征，大程度地提高识别准确度。
在本实施例中，首先进行灰度降级处理。对像素值进行分级，考虑到计算量大小与灰度分布状态分析的精准程度，以每个灰度值范围作为/>个灰度级，如灰度值/>到15作为灰度级/>，灰度值/>作为灰度级/>等等，一直将/>个灰度值分为/>个灰度级。将降级后的灰度级记为/>，其中/>。
接下来进行二维信息熵的求解。第个第三缺陷连通域/>的二维信息熵/>为：
上式中表示第/>个第三缺陷连通域/>的二维信息熵/>；/>表示灰度级大小，/>表示灰度级为/>的像素点的八邻域范围内的最大灰度级，/>表示以八邻域最大灰度级/>作为灰度分布的空间特征量与像素点的灰度级/>组成的特征二元组，/>表示在第/>个第三缺陷连通域/>中特征二元组/>出现的频数，/>表示第/>个第三缺陷连通域/>中的像素点数量。二维信息熵/>表征的是第/>个第三缺陷连通域/>的灰度纹理混乱程度，可很好地将这种灰度空间分布的混乱程度进行数值化表征，便于后续分析。
同理，获取第个第一缺陷连通域/>的二维信息熵/>。
同理，获取所有第三缺陷连通域的二维信息熵以及所有第一缺陷连通域的二维信息熵。二维信息熵表征的是每个缺陷连通域的灰度纹理混乱程度，如果是点蚀缺陷，受不同角度光线影响程度大，那么合并与未合并区域（第三缺陷连通域和第一缺陷连通域）表征差异较大，对应的混乱程度也是有明显差异的；而黑板缺陷受光线影响较小，即对应的第三缺陷连通域和第一缺陷连通域内混乱程度的差异较小。
需要说明的是，不同光照情况下的缺陷区域发生改变，即合并与未合并区域在同一图像上的表征是有差异的，而且缺陷都是较低灰度表示的，为了防止单一的二维信息熵信息来对缺陷差异特征情况的分析不足，引入更进一步的灰度区域大小矩阵来进行低灰度数值特征提取分析，主要过程如下：
按照上述16个灰度级的划分情况，获取每个第一缺陷连通域和每个第三缺陷连通域的灰度区域大小矩阵，灰度区域大小矩阵的横纵轴分别是灰度级和尺寸大小，灰度区域大小矩阵中的信息为对应灰度级与其尺寸所出现的数量。根据每个第三缺陷连通域的灰度区域大小矩阵计算低灰度区域强调特征值，第个第三缺陷连通域/>的低灰度区域强调特征值/>为：
上式中为第/>个第三缺陷连通域/>的低灰度区域强调特征值；/>表示灰度级大小，/>表示的是第/>个第三缺陷连通域/>的灰度区域大小矩阵中的尺寸大小（同一灰度级相连接的像素数量），/>为第/>个第三缺陷连通域/>的灰度区域大小矩阵中出现的最大尺寸大小, />代表的是二元组/>的频率大小，基于此可得/>个第三缺陷连通域/>的低灰度区域强调特征值/>。
同理，获取第个第一缺陷连通域/>的低灰度区域强调特征值/>。
同理，获取所有第三缺陷连通域的二维信息熵以及所有第一缺陷连通域的低灰度区域强调特征值。由于无论是黑斑缺陷还是点蚀缺陷，其都是低灰度表征，利用低灰度区域强调特征值可以很好地对低灰度缺陷表征进行量化操作，而且两缺陷受光线影响的程度不同，点蚀缺陷的对应的第三缺陷连通域和第一缺陷连通域的低灰度区域强调特征值会有较大差异，而黑斑缺陷差异较小。
至此，获取了每个缺陷连通域的二维信息熵以及低灰度区域强调特征值。
104．根据二维信息熵以及低灰度区域强调特征值获取缺陷连通域的评价指标。
根据第个第一缺陷连通域的二维信息熵信息和低灰度区域强调特征值以及第/>个第三缺陷连通域的二维信息熵信息和低灰度区域强调特征值，来结合计算第/>个第三缺陷连通域的综合评价指标/>，公式如下：
上式中，代表的是第/>个第一缺陷连通域/>与第/>个第三缺陷连通域/>的二维信息熵差异程度，/>代表的是第/>个第一缺陷连通域/>与第/>个第三缺陷连通域/>的低灰度区域强调特征值的差异程度。其中/>且靠近于/>表示二维信息熵差异程度越大，反之差异程度越小，二维信息熵表示灰度分布混乱程度，由于光线影响，两区域上点蚀缺陷要比黑斑缺陷的灰度分布混乱状态的差异变化程度大很多，所以若第/>个第一缺陷连通域/>与第/>个第三缺陷连通域/>的二维信息熵差异程度越大，就越有可能是点蚀缺陷，反之则是黑斑缺陷；同理/>且靠近于/>表示低灰度区域强调特征值的差异程度越大，反之差异程度越小，低灰度区域强调特征值表示的是低灰度缺陷的分布特征，同样地，由于光照影响两区域上的点蚀缺陷要比黑斑缺陷的低灰度缺陷分布差异变化程度大很多，所以若两区域的低灰度区域强调特征值的差异程度越大，就越有可能是点蚀缺陷，反之则是黑斑缺陷。该公式表示的是将第一缺陷连通域和第三缺陷连通域的二维信息熵的差异程度和低灰度区域强调特征值的差异程度进行相乘，可更精准地表示不同缺陷在两区域上的特征差异程度，有利于点蚀缺陷的识别。两区域上若是点蚀缺陷，这两个数值的差异程度都较大，即综合相乘的乘积较大，反之如果是黑斑缺陷，那么差异程度都较小即综合相乘的乘积较小。/>。设置合理的阈值，即可将点蚀缺陷和黑斑缺陷进行分辨识别。
105．根据评价指标识别点蚀缺陷。
需要说明的是，对于黑斑缺陷来说，其第一缺陷连通域与第三缺陷连通域的像素点重合度较高，那么对应的二熵差异程度和低灰度区域强调特征值的差异程度，都应该是较小的一方，因此得到的综合评价指标也是偏小的，而对于点蚀缺陷来说这类差异程度不稳定，但是其综合评价指标/>应是偏大的。故设置第五预设阈值/>，根据第五预设阈值做出相关决策：
1）若，那么认定该第/>个第三缺陷连通域为黑斑缺陷并将其标记为/>；
2）若，则认定该第/>个第三缺陷连通域为点蚀缺陷并将其标记为/>。
在本实施例中，第五预设阈值，在其他实施例中，实施人员可根据实际情况设置第五预设阈值/>的值。
将标记后的图像信息提供给企业，为缺陷品挑拣以及后续回收利用提供相关建议。
通过以上步骤，完成了实现了对金属零件表面点蚀缺陷的有效识别。
本发明实施例通过对机械零件表面进行不同角度的打光获得基准图像和匹配图像，使得点蚀缺陷在基准图像和匹配图像中的灰度分布改变；通过对基准图像和匹配图像进行预处理，获取第一缺陷连通域与第三缺陷连通域，缩小了点蚀缺陷和黑斑缺陷识别的范围，使得后续的缺陷识别更加高效，识别结果更加准确；通过构建二维信息熵来表征不同缺陷连通域的灰度分布混乱程度，将灰度空间分布的混乱程度进行数值化表征，使得后续根据第一缺陷连通域和第三缺陷连通域的二维信息熵差异程度识别的点蚀缺陷更加准确；通过构建低灰度区域强调特征值来表征低灰度缺陷的分布特征，使得后续根据第一缺陷连通域和第三缺陷连通域的低灰度区域强调特征值的差异程度进行点蚀缺陷识别的更加准确；本发明在黑斑缺陷干扰的情况下也能对点蚀缺陷进行有效识别，识别结果准确高效。
以上所述仅为本发明的较佳实施例而已，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 (3)
1.一种用于机械零件表面点蚀缺陷的智能检测方法，其特征在于，该方法包括以下步骤：
采集机械齿轮零件在不同的两个光照下的金属表面灰度图像分别作为基准图像和匹配图像，根据基准图像和匹配图像的二值图像获取基准图像以及匹配图像中的缺陷连通域；
计算基准图像每个缺陷连通域与匹配图像中每个缺陷连通域的交并比，当所述交并比大于第四预设阈值时，将基准图像对应的缺陷连通域作为第一缺陷连通域，将匹配图像中对应的缺陷连通域在基准图像上对应位置的区域作为第二缺陷连通域；将第一缺陷连通域与第二缺陷连通域进行合并，得到第三缺陷连通域；
对第一缺陷连通域进行特征提取操作，得到第一缺陷连通域的二维信息熵以及低灰度区域强调特征值，包括：
根据第一缺陷连通域中所有像素点的灰度级以及第一缺陷连通域中所有像素点的数量计算第一缺陷连通域的二维信息熵；获取第一缺陷连通域的灰度区域大小矩阵，根据灰度区域大小矩阵获取第一缺陷连通域的低灰度区域强调特征值；
对第三缺陷连通域进行特征提取操作，得到第三缺陷连通域的二维信息熵以及低灰度区域强调特征值；根据第一缺陷连通域以及对应的第三缺陷连通域的二维信息熵和低灰度区域强调特征值获取第三缺陷连通域的综合评价指标；
当综合评价指标小于第五预设阈值时，第三缺陷连通域为黑斑缺陷，当综合评价指标大于或等于第五预设阈值时，第三缺陷连通域为点蚀缺陷；
所述根据基准图像和匹配图像的二值图像获取基准图像以及匹配图像中的缺陷连通域包括：
分别获取基准图像和匹配图像的二值图像，获取每个二值图像中每个连通域的外接矩形的长宽比；对每个二值图像中每个连通域进行椭圆拟合，获取每个连通域对应椭圆的长短轴之比；将像素点数量大于第一阈值、外接矩形的长宽比小于第二预设阈值且对应椭圆的长短轴之比小于第三预设阈值的连通域作为缺陷二值连通域；
获取每个缺陷二值连通域在基准图像或匹配图像中对应位置的区域作为缺陷连通域；
所述综合评价指标的表达式为：
式中为第/>个第三缺陷连通域的综合评价指标；/>为第/>个第一缺陷连通域的二维信息熵；/>为第/>个第三缺陷连通域的二维信息熵；/>为第/>个第一缺陷连通域的低灰度区域强调特征值；/>为第/>个第三缺陷连通域的低灰度区域强调特征值。
2.根据权利要求1所述的一种用于机械零件表面点蚀缺陷的智能检测方法，其特征在于，所述二维信息熵的表达式为：
式中表示第/>个第三缺陷连通域/>的二维信息熵；/>表示灰度级大小；/>表示灰度级为/>的像素点的八邻域范围内的最大灰度级；/>表示以八邻域最大灰度级/>作为灰度分布的空间特征量与像素点的灰度级/>组成的特征二元组，/>表示在第/>个第三缺陷连通域/>中特征二元组/>出现的频数；/>表示第/>个第三缺陷连通域/>中的像素点数量。
3.根据权利要求1所述的一种用于机械零件表面点蚀缺陷的智能检测方法，其特征在于，所述低灰度区域强调特征值的表达式为：
式中为第/>个第三缺陷连通域/>的低灰度区域强调特征值；/>表示灰度级大小；/>表示的是第/>个第三缺陷连通域/>的灰度区域大小矩阵中的尺寸大小；/>为第/>个第三缺陷连通域/>的灰度区域大小矩阵中出现的最大尺寸大小；/>代表的是二元组/>的频率；表示第/>个第三缺陷连通域/>中的像素点数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311227253.8A CN116977335B (zh) | 2023-09-22 | 2023-09-22 | 一种用于机械零件表面点蚀缺陷的智能检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311227253.8A CN116977335B (zh) | 2023-09-22 | 2023-09-22 | 一种用于机械零件表面点蚀缺陷的智能检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116977335A CN116977335A (zh) | 2023-10-31 |
| CN116977335B true CN116977335B (zh) | 2023-12-12 |
Family
ID=88485296
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311227253.8A Active CN116977335B (zh) | 2023-09-22 | 2023-09-22 | 一种用于机械零件表面点蚀缺陷的智能检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116977335B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1844900A (zh) * | 2006-04-10 | 2006-10-11 | 浙江大学 | 基于激光图像的水果表面缺陷检测方法及装置 |
| CN112819812A (zh) * | 2021-02-25 | 2021-05-18 | 西安铂力特增材技术股份有限公司 | 基于图像处理的粉末床缺陷检测方法 |
| WO2022027949A1 (zh) * | 2020-08-04 | 2022-02-10 | 湖南大学 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及*** |
| WO2022042579A1 (zh) * | 2020-08-28 | 2022-03-03 | 歌尔股份有限公司 | 一种用于lcd屏幕的缺陷检测方法、装置 |
| CN114445387A (zh) * | 2022-01-29 | 2022-05-06 | 泗阳富艺木业股份有限公司 | 一种基于机器视觉的纤维板质量分类方法 |
| CN115049645A (zh) * | 2022-08-12 | 2022-09-13 | 瀚能太阳能(山东)集团有限公司 | 一种太阳能电池板表面缺陷检测方法 |
| CN115294144A (zh) * | 2022-10-10 | 2022-11-04 | 雷戈锘智能家居(南通)有限公司 | 一种家具复合板表面缺陷识别方法 |
| CN115631174A (zh) * | 2022-11-01 | 2023-01-20 | 南通皋亚钢结构有限公司 | 基于视觉图像数据的机械零件表面缺陷识别方法 |
| CN115631173A (zh) * | 2022-10-28 | 2023-01-20 | 兰州理工大学 | 一种复合薄膜缺陷识别方法 |
| CN116664569A (zh) * | 2023-07-31 | 2023-08-29 | 山东正华建筑科技有限公司 | 一种焊瘤缺陷检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100425447B1 (ko) * | 2001-05-10 | 2004-03-30 | 삼성전자주식회사 | 명도 보정 및 선택적 결함 검출 방법 및 이를 기록한 기록매체 |
| US20230025165A1 (en) * | 2021-07-20 | 2023-01-26 | Inovision Software Solutions, Inc. | Method to locate defects in e-coat |
-
2023
- 2023-09-22 CN CN202311227253.8A patent/CN116977335B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1844900A (zh) * | 2006-04-10 | 2006-10-11 | 浙江大学 | 基于激光图像的水果表面缺陷检测方法及装置 |
| WO2022027949A1 (zh) * | 2020-08-04 | 2022-02-10 | 湖南大学 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及*** |
| WO2022042579A1 (zh) * | 2020-08-28 | 2022-03-03 | 歌尔股份有限公司 | 一种用于lcd屏幕的缺陷检测方法、装置 |
| CN112819812A (zh) * | 2021-02-25 | 2021-05-18 | 西安铂力特增材技术股份有限公司 | 基于图像处理的粉末床缺陷检测方法 |
| CN114445387A (zh) * | 2022-01-29 | 2022-05-06 | 泗阳富艺木业股份有限公司 | 一种基于机器视觉的纤维板质量分类方法 |
| CN115049645A (zh) * | 2022-08-12 | 2022-09-13 | 瀚能太阳能(山东)集团有限公司 | 一种太阳能电池板表面缺陷检测方法 |
| CN115294144A (zh) * | 2022-10-10 | 2022-11-04 | 雷戈锘智能家居(南通)有限公司 | 一种家具复合板表面缺陷识别方法 |
| CN115631173A (zh) * | 2022-10-28 | 2023-01-20 | 兰州理工大学 | 一种复合薄膜缺陷识别方法 |
| CN115631174A (zh) * | 2022-11-01 | 2023-01-20 | 南通皋亚钢结构有限公司 | 基于视觉图像数据的机械零件表面缺陷识别方法 |
| CN116664569A (zh) * | 2023-07-31 | 2023-08-29 | 山东正华建筑科技有限公司 | 一种焊瘤缺陷检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于二维信息熵图像分割的缺陷识别方法;迟大钊;刚铁;;焊接学报(第12期);25-29页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116977335A (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115345885B (zh) | 一种金属健身器材外观质量检测方法 | |
| CN109490316A (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
| CN111833306A (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
| CN108682012B (zh) | 一种基于线扫激光的3d曲面玻璃表面平整性缺陷检测方法 | |
| CN115115612B (zh) | 一种用于机械配件的表面缺陷检测方法及*** | |
| CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
| CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
| CN117011292B (zh) | 一种复合板表面质量快速检测方法 | |
| CN113252568A (zh) | 基于机器视觉的镜片表面缺陷检测方法、***、产品、终端 | |
| CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
| CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
| CN109239073A (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
| CN113034474A (zh) | 一种oled显示器晶圆图的测试方法 | |
| CN116051543B (zh) | 一种用于钢材剥皮的缺陷识别方法 | |
| CN115511814A (zh) | 一种基于兴趣区域多纹理特征融合的图像质量评价方法 | |
| CN117011291B (zh) | 一种手表外壳质量视觉检测方法 | |
| Yang et al. | Image Classification for Automobile Pipe Joints Surface Defect Detection Using Wavelet Decomposition and Convolutional Neural Network | |
| CN116977335B (zh) | 一种用于机械零件表面点蚀缺陷的智能检测方法 | |
| CN117152129A (zh) | 一种电池盖板的表面缺陷视觉检测方法及*** | |
| CN113870299A (zh) | 一种基于边缘检测和形态学图像处理的3d打印故障检测方法 | |
| CN114266748A (zh) | 一种轨交检修领域工艺板表面完整性判定的方法及装置 | |
| CN117934453B (zh) | 一种手机屏背光异物缺陷诊断方法及*** | |
| CN117274250B (zh) | 一种手表底盖磨损缺陷视觉检测方法 | |
| CN116703930B (zh) | 一种汽车后视镜模具成型检测方法 | |
| CN118096728B (zh) | 基于机器视觉的零部件喷涂质量检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |