CN117808799B - 基于人工智能的倒角设备加工质量检测方法 - Google Patents
基于人工智能的倒角设备加工质量检测方法 Download PDFInfo
- Publication number
- CN117808799B CN117808799B CN202410223783.3A CN202410223783A CN117808799B CN 117808799 B CN117808799 B CN 117808799B CN 202410223783 A CN202410223783 A CN 202410223783A CN 117808799 B CN117808799 B CN 117808799B
- Authority
- CN
- China
- Prior art keywords
- hole
- pixel point
- burr
- pixel points
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000012545 processing Methods 0.000 title claims abstract description 40
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 238000005286 illumination Methods 0.000 claims abstract description 108
- 238000012937 correction Methods 0.000 claims abstract description 47
- 238000009826 distribution Methods 0.000 claims abstract description 11
- 238000003709 image segmentation Methods 0.000 claims abstract description 5
- 230000007547 defect Effects 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 10
- 238000003384 imaging method Methods 0.000 abstract description 10
- 239000000047 product Substances 0.000 description 47
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 239000002184 metal Substances 0.000 description 6
- 238000003672 processing method Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing 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
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像分割及纹理分析技术领域,具体涉及一种基于人工智能的倒角设备加工质量检测方法。本发明首先获取倒角设备加工产品的表面灰度图像;进一步分析孔洞区域内孔洞像素点的分布特征和灰度变化特征,获取每个孔洞像素点的修正毛刺程度;进一步分析孔洞边缘像素点的梯度幅值,结合孔洞区域与其他孔洞区域的差异,获取每个孔洞区域的修正光照强度;进一步获取每个孔洞像素点的自适应邻域区域,对倒角设备加工产品进行质量检测。本发明通过分析每个孔洞像素点及其周围像素点的灰度特征,光照因素对孔洞区域成像的影响,获取每个孔洞像素点的自适应邻域区域,减少强光因素对于质量检测的干扰,使得对于倒角设备加工质量检测更加准确。
Description
技术领域
本发明涉及图像分割及纹理分析技术领域,具体涉及一种基于人工智能的倒角设备加工质量检测方法。
背景技术
在对倒角设备加工的产品质量进行检测时,产品表面的孔洞区域会存在对毛刺缺陷去除不完全的情况,而毛刺的存在不仅会破坏产品的外观,而且也会导致产品表面存在锐利的边缘或凸起进而会造成安全隐患,并且影响产品质量。现有用于对于毛刺缺陷进行检测的方法是马尔可夫随机场(Markov Random Field,MRF)算法,其能够利用图像中像素之间的空间关系,通过对整幅图像进行建模从而可以更好地分析图像中不同区域之间的相关性,有助于准确地检测缺陷区域。
在对倒角产品图像进行采集时,由于倒角产品的材质为金属材质,金属表面较为光滑,容易产生光线反射造成的强光区域,而强光区域灰度值通常较高,当强光区域与待检测的孔洞区域产生重合时,它会使得孔洞区域边缘的对比度变低,导致MRF算法的邻域参数设置不合理,影响倒角设备加工产品的质量检测。
发明内容
为了解决光照因素影响孔洞区域成像,导致不能对加工产品进行准确质量检测的技术问题,本发明的目的在于提供一种基于人工智能的倒角设备加工质量检测方法,所采用的技术方案具体如下:
获取倒角设备加工产品的表面灰度图像;获取所述表面灰度图像的孔洞区域和孔洞边缘像素点;
根据每个所述孔洞区域的所述孔洞边缘像素点的分布特征,获取每个所述孔洞区域的毛刺缺陷可能性;根据每个所述孔洞区域内每个孔洞像素点的预设邻域内像素点的灰度变化特征,结合每个孔洞像素点的灰度特征,获取每个所述孔洞像素点的毛刺程度;结合每个所述孔洞像素点的所述毛刺程度和所在所述孔洞区域的所述毛刺缺陷可能性,获取每个孔洞像素点的修正毛刺程度;
根据每个所述孔洞区域的孔洞边缘像素点的梯度幅值的统计特征和波动特征,获取每个所述孔洞区域的初始光照强度;根据每个所述孔洞区域与其他孔洞区域的初始光照强度的差异特征,结合每个所述孔洞区域与其他孔洞区域内所有孔洞边缘像素点的所述修正毛刺程度的差异特征,修正初始光照强度,获得每个所述孔洞区域的修正光照强度;
根据每个所述孔洞像素点的所述修正毛刺程度和所属孔洞区域的所述修正光照强度,结合预设邻域尺寸参数,获取每个所述孔洞像素点的自适应邻域区域;
根据每个所述孔洞像素点的所述自适应邻域区域,对所述表面灰度图像进行处理,最终实现质量检测。
进一步地,所述毛刺缺陷可能性的获取方法包括:
将相邻的所述孔洞边缘像素点相连,获取相邻孔洞边缘像素点的连线在平面直角坐标系的角度值,将所有相邻连线的角度值的差值绝对值进行求和,求和结果作为毛刺缺陷可能性。
进一步地,所述毛刺程度的获取方法包括:
将所述孔洞像素点的灰度值与所述表面灰度图像的平均灰度值的比值作为此孔洞像素点的灰度特征参数;
在所述孔洞像素点的预设邻域内,按照设定顺序遍历像素点,统计相邻像素点的灰度值发生变化的次数,将变化的次数与对应的所述灰度特征参数的乘积作为对应孔洞像素点的毛刺程度。
进一步地,所述初始光照强度的获取方法包括:
将每个所述孔洞区域内所有孔洞边缘像素点的梯度幅值的和作为第一光照参数;
将每个所述孔洞区域内所有孔洞边缘像素点的梯度幅值与梯度幅值均值的差值绝对值进行求和,求和结果负相关并利用指数函数映射后,映射结果作为第二光照参数;
将所述第一光照参数和所述第二光照参数的乘积作为初始光照强度。
进一步地,所述修正光照强度的获取方法包括:
利用初始光照强度修正公式获取修正光照强度;所述初始光照强度修正公式包括:
;其中,/>表示第/>个孔洞区域的修正光照强度;/>表示第/>个孔洞区域的初始光照强度;/>表示归一化函数;/>表示第/>个孔洞区域内,所有孔洞边缘像素点的修正毛刺程度的和值;表示表面灰度图像除去第/>个孔洞区域之外其他孔洞区域的数量;/>表示除去第/>个孔洞区域之外,第/>个其他孔洞区域的初始光照强度;/>表示除去第/>个孔洞区域之外,第/>个其他孔洞区域内,所有孔洞边缘像素点的修正毛刺程度的和值。
进一步地,所述自适应邻域区域的获取方法包括:
利用自适应邻域尺寸参数计算公式获取每个所述孔洞像素点的自适应邻域尺寸参数;以每个所述孔洞像素点为中心,以对应的所述自适应邻域尺寸参数为边长,建立正方形的邻域区域,获得每个所述孔洞像素点的自适应邻域区域;所述自适应邻域尺寸参数计算公式包括:
;其中,/>表示第/>个孔洞区域的第/>个孔洞像素点的自适应邻域尺寸参数;/>表示向上取整函数;/>表示预设邻域尺寸参数;/>表示归一化函数;/>第/>个孔洞区域内,第/>个孔洞像素点的修正毛刺程度;/>表示第/>个孔洞区域的修正光照强度;/>表示预设缩放系数,且/>。
进一步地,所述对所述表面灰度图像进行处理,最终实现质量检测的方法包括:
根据每个所述孔洞像素点的所述自适应邻域区域,利用MRF算法对倒角设备加工产品的表面灰度图像进行图像分割,获取待分析孔洞区域,计算所述待分析孔洞区域内每个像素点的修正毛刺程度并进行归一化,获得所述待分析孔洞区域内每个像素点的异常分值,当存在像素点的所述异常分值大于预设毛刺阈值时,认定所述待分析孔洞区域为毛刺区域,否则为合格区域。
进一步地,所述修正毛刺程度的获取方法包括:
将每个所述孔洞像素点的所述毛刺程度和所在孔洞区域的所述毛刺缺陷可能性的乘积作为每个孔洞像素点的修正毛刺程度。
进一步地,所述孔洞边缘像素点的获取方法包括:
利用Canny算子进行边缘检测获取所述表面灰度图像的所有边缘像素点;利用霍夫圆检测算法检测出图像中的孔洞,将孔洞边缘的边缘像素点作为孔洞边缘像素点。
进一步地,所述孔洞区域的获取方法包括:
在所述孔洞包含的每个所述孔洞边缘像素点的梯度方向的延长线上选取第一预设数量个像素点,在梯度方向的反方向延长线上选取第二预设数量个像素点,将每个所述孔洞的孔洞边缘像素点及其所选择的像素点作为孔洞区域。
本发明具有如下有益效果:
本发明首先获取倒角设备加工产品的表面灰度图像,为后续分析并进行质量检测提供分析基础;进一步获取孔洞区域和孔洞边缘像素点,确定质量检测的关注区域,排除其他区域的干扰;进一步根据每个孔洞区域的孔洞边缘像素点的分布特征,从孔洞边缘的规整程度,衡量孔洞区域的毛刺缺陷可能性,为后续修正孔洞像素点的毛刺程度提供依据;进一步根据孔洞像素点的局部邻域内的灰度变化以及孔洞像素点的灰度特征,分析孔洞像素点的突显程度以及局部不规整程度,获取每个孔洞像素点的毛刺程度,结合局部特征和全局特征对孔洞像素点的毛刺程度进行衡量,为后续结合毛刺缺陷可能性进行修正提供修正基础;进一步利用毛刺缺陷可能性对毛刺程度进行修正,补充区域边缘的分布特征,获得更加准确的修正毛刺程度,为后续获取自适应邻域区域做准备;进一步分析每个孔洞区域的孔洞边缘像素点的梯度幅值的统计特征和波动特征,从孔洞处于强光区域时边缘的符合程度,获取每个孔洞区域的初始光照强度,初步对孔洞区域的光照强度特征进行度量,同时为后续进一步修正提供基础;进一步结合孔洞区域与其他孔洞区域在初始光照强度和区域内孔洞像素点的修正毛刺程度两个方面的差异,修正初始光照强度,获得更丰富的上下文信息,有助于更好地分析图像中的对象和结构,以提高结果的准确性,提高质量检测方法的鲁棒性;进一步根据每个孔洞像素点的修正毛刺程度和所属孔洞区域的修正光照强度,考虑了光照因素对孔洞区域的影响,获取每个孔洞像素点的自适应邻域区域,为最终质量检测做好准备;最后根据每个孔洞像素点的自适应邻域区域,对倒角设备加工产品进行质量检测。本发明通过分析每个孔洞像素点及其周围像素点的灰度特征,光照因素对孔洞区域成像的影响,获取每个孔洞像素点的自适应邻域区域,减少强光因素对于质量检测的干扰,使得对于倒角设备加工质量检测更加准确。
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为本发明一个实施例所提供的一种基于人工智能的倒角设备加工质量检测方法的流程图;
图2为本发明一个实施例所提供的一种倒角设备加工产品的示例图;
图3为本发明一个实施例所提供的一种倒角设备加工产品的示例图;
图4为本发明一个实施例提供的一种无毛刺缺陷孔洞区域的孔洞边缘像素点连接示意图;
图5为本发明一个实施例提供的一种有毛刺缺陷孔洞区域的孔洞边缘像素点连接示意图;
图6为本发明一个实施例所提供的一种倒角设备加工产品的示例图。
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基于人工智能的倒角设备加工质量检测方法,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。
一种基于人工智能的倒角设备加工质量检测方法实施例
下面结合附图具体的说明本发明所提供的一种基于人工智能的倒角设备加工质量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基于人工智能的倒角设备加工质量检测方法的流程图,具体包括:
步骤S1:获取倒角设备加工产品的表面灰度图像;获取表面灰度图像的孔洞区域和孔洞边缘像素点。
在本发明实施例中,考虑到灰度图像相比于彩色图像数据量更小,计算及分析时计算量更小,并且可以在一定程度上降低图像对光照变化的敏感性,提升质量检测方法的鲁棒性,所以获取倒角设备加工产品的表面灰度图像。由于本发明实施例是对孔洞的毛刺进行检测,所以需要先获取孔洞区域和孔洞边缘像素点,以便后续进行分析。
优选地,在本发明一个实施例中,考虑到Canny算子适应性强,实现过程简单,所以利用Canny算子检测出边缘像素点;考虑到一种倒角设备加工产品的孔洞是圆形,所以利用霍夫圆检测算法检测出图像中的孔洞,筛选出孔洞边缘像素点;又考虑到实际加工的孔洞毛刺成像后,并不是单一像素点,也不是单圈像素点,需要获取孔洞区域进行分析,由于在像素点的梯度方向上选取像素点可以帮助捕捉到图像中的边缘信息和纹理信息,所以在孔洞边缘像素点的梯度方向上选取像素点构成孔洞区域,基于此:
利用Canny算子进行边缘检测获取表面灰度图像的所有边缘像素点;利用霍夫圆检测算法检测出图像中的孔洞,将孔洞边缘的边缘像素点作为孔洞边缘像素点。在孔洞包含的每个孔洞边缘像素点的梯度方向的延长线上选取第一预设数量个像素点,在梯度方向的反方向延长线上选取第二预设数量个像素点,将每个孔洞的孔洞边缘像素点及其所选择的像素点作为孔洞区域。
需要说明的是,Canny算子、霍夫圆检测算法以及获取像素点的梯度方向均是本领域技术人员所熟知的技术手段,在此不再进行赘述;在本发明一个实施例中,第一预设数量为10,第二预设数量为3;在本发明其他实施例中,实施者可以设置其他第一预设数量和第二预设数量,采用其他边缘检测算法获取孔洞边缘像素点。
步骤S2:根据每个孔洞区域的孔洞边缘像素点的分布特征,获取每个孔洞区域的毛刺缺陷可能性;根据每个孔洞区域内每个孔洞像素点的预设邻域内像素点的灰度变化特征,结合每个孔洞像素点的灰度特征,获取每个孔洞像素点的毛刺程度;结合每个孔洞像素点的毛刺程度和所在孔洞区域的毛刺缺陷可能性,获取每个孔洞像素点的修正毛刺程度。
在本发明实施例中,考虑到孔洞像素点的为毛刺像素点的可能性越大,说明此像素点所处的孔洞区域存在毛刺缺陷的可能性越大,就需要更大的邻域范围来捕捉更多的局部信息,所以为了后续获取更准确的自适应邻域区域,对倒角设备加工产品进行准确质量检测,首先获取孔洞像素点的修正毛刺程度。
请参阅图2和图3,其均示出了本发明一个实施例提供的一种倒角设备加工产品的示例图,其中图2包含了存在毛刺缺陷的部位,图3包含了不存在毛刺缺陷的部位。从图2和图3中可以看出,由于毛刺的影响,导致孔洞边缘不规整,孔洞边缘像素点的分布更不规律,而且毛刺影响加工产品表面的平整度,导致存在毛刺的孔洞区域内产品表面对光线的反射不一致,局部像素点的灰度变化更加剧烈,并且毛刺区域像素点相对于其他像素点灰度值更大,所以能够结合孔洞边缘像素点的分布特征、孔洞像素点的灰度特征以及灰度像素点的局部邻域内的灰度变化,获得每个孔洞像素点的修正毛刺程度。
需要说明的是,孔洞区域内的像素点称为孔洞像素点,并且孔洞像素点包含孔洞边缘像素点。
优选地,在本发明一个实施例中,考虑到孔洞区域出现毛刺时,相邻孔洞边缘像素点的连线变化更加剧烈,请参阅图4和图5,图4示出了本发明一个实施例提供的一种无毛刺缺陷孔洞区域的孔洞边缘像素点连接示意图,图5示出了本发明一个实施例提供的一种有毛刺缺陷孔洞区域的孔洞边缘像素点连接示意图,通过对比图4和图5可以看出,无毛刺缺陷孔洞区域的连线构建出一个较为完整的圆,相邻连线之间的角度变化较为均匀;有毛刺缺陷孔洞区域的连线较为曲折,相邻连线之间的角度变化较大,所以将相邻的孔洞边缘像素点相连,获取相邻孔洞边缘像素点的连线在平面直角坐标系的角度值,将所有相邻连线的角度值的差值绝对值进行求和,求和结果作为毛刺缺陷可能性。孔洞区域对应的求和结果越大,毛刺缺陷可能性越大,孔洞区域存在毛刺的可能性越大。
需要说明的是,孔洞边缘像素点的连接方向对分析结果没有影响,在本发明一个实施例中,采用顺时针方向连接,并且因为孔洞边缘像素点首尾相连,所以可以选择任意连线作为起点,遍历所有相邻连线。
优选地,在本发明一个实施例中,考虑到孔洞像素点的灰度值相对整体图像越大,越有可能是毛刺像素点;同时考虑到孔洞像素点的局部邻域内相邻像素点的灰度值波动次数越多,说明局部邻域的像素点波动越剧烈,越有可能是毛刺区域的像素点,孔洞像素点为毛刺像素点的可能性越大;基于此,将孔洞像素点的灰度值与表面灰度图像的平均灰度值的比值作为此孔洞像素点的灰度特征参数;
在孔洞像素点的预设邻域内,按照设定顺序遍历像素点,统计相邻像素点的灰度值发生变化的次数,将变化的次数与对应的灰度特征参数的乘积作为对应孔洞像素点的毛刺程度。毛刺程度的计算公式包括:
其中,表示第/>个孔洞区域的第/>个孔洞像素点的毛刺程度;/>表示第/>个孔洞区域的第/>个孔洞像素点的灰度值;/>表示整个表面灰度图像的平均灰度值;表示第/>个孔洞区域的第/>个孔洞像素点的预设邻域内,相邻像素点的灰度值发生变化的次数。
需要说明的是,在本发明一个实施例中,为避免相邻像素点的灰度变化次数统计时出现遗漏,在孔洞像素点的预设邻域内从左到右,自上而下遍历像素点,预设邻域的尺寸为,以孔洞像素点为中心,以预设邻域尺寸构建出孔洞像素点的预设邻域;在本发明其他实施例中,实施者可以设置其他尺寸的邻域范围,采用其他方式遍历邻域内像素点,统计相邻像素点的灰度变化次数,也可选用其他基础数学运算或者函数映射实现相关映射,其均为本领域技术人员熟知的技术手段,在此不做赘述。
毛刺缺陷可能性代表了整个孔洞区域为缺陷区域的可能性,孔洞像素点的毛刺程度反映了像素点为毛刺像素点的局部特征,所以结合整体和局部特征,获得每个孔洞像素点更加准确的修正毛刺程度,为后续分析提供更可信的依据。
优选地,在本发明一个实施例中,考虑到毛刺缺陷可能性和毛刺程度都和孔洞像素点为毛刺像素点的可能性为正相关关系,所以将每个孔洞像素点的毛刺程度和所在孔洞区域的毛刺缺陷可能性的乘积作为每个孔洞像素点的修正毛刺程度。
需要说明的是,在本发明其他实施例中,也可选用其他基础数学运算或者函数映射实现相关映射,其均为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S3:根据每个孔洞区域的孔洞边缘像素点的梯度幅值的统计特征和波动特征,获取每个孔洞区域的初始光照强度;根据每个孔洞区域与其他孔洞区域的初始光照强度的差异特征,结合每个孔洞区域与其他孔洞区域内所有孔洞边缘像素点的修正毛刺程度的差异特征,修正初始光照强度,获得每个孔洞区域的修正光照强度。
请参阅图6,其示出了本发明一个实施例提供的一种倒角设备加工产品的示例图,图6包含了受光照干扰的缺陷部位,通过图6可以看出,强光干扰下,毛刺缺陷区域整体灰度值较高,毛刺缺陷区域内部的对比度偏低,不利于分析毛刺缺陷区域的纹理特征以及灰度变化,此时孔洞像素点的修正毛刺程度的可信度就越低,所以需要分析孔洞区域的光照特征,对修正毛刺程度作进一步补充,以便后续获得更合适的自适应邻域尺寸。
通过图6还可以看出,强光干扰下,孔洞区域的孔洞边缘像素点的梯度幅值较大,并且一致性较强,所以能够根据孔洞边缘像素点的梯度幅值的统计特征和波动特征,获取每个孔洞区域的初始光照强度。
优选地,在本发明一个实施例中,将每个孔洞区域内所有孔洞边缘像素点的梯度幅值的和作为第一光照参数;
将每个孔洞区域内所有孔洞边缘像素点的梯度幅值与梯度幅值均值的差值绝对值进行求和,求和结果负相关并利用指数函数映射后,映射结果作为第二光照参数;
将第一光照参数和第二光照参数的乘积作为初始光照强度。
初始光照强度的计算公式包括:
其中,表示第/>个孔洞区域的初始光照强度;/>表示第一光照参数,,/>表示第/>个孔洞区域的第/>个孔洞边缘像素点的梯度幅值;表示第二光照参数,/>,/>表示以自然常数/>为底的指数函数,/>表示第/>个孔洞区域的所有孔洞边缘像素点的梯度幅值的平均值,表示第/>个孔洞区域的孔洞边缘像素点数量。
初始光照强度的计算公式中,第一光照参数越大,说明孔洞边缘像素点的梯度幅值之和越大,说明当前孔洞区域的边缘像素点与被去除金属的区域差异越大,说明孔洞区域的金属反射光线的特征越明显,当前孔洞区域的光照强度越大,初始光照强度越大;第二参数越大,说明孔洞边缘像素点的梯度幅值的波动越小,受光照影响的程度越大,当前孔洞区域的光照强度越大,初始光照强度越大。
需要说明的是,在本发明其他实施例中,也可选用其他基础数学运算或者函数映射实现相关映射,其均为本领域技术人员熟知的技术手段,在此不做赘述。
在本发明实施例中,还考虑到当前孔洞区域的初始光照强度相对于其他孔洞区域越大,说明当前孔洞区域光照强度相对越强,当前孔洞区域内像素点为毛刺像素点的可能性越大,反映出光照强度对当前区域的重要程度越大,影响程度越大,所以结合孔洞区域与其他孔洞区域在初始光照强度和区域内孔洞像素点的修正毛刺程度两个方面的差异,修正初始光照强度,获得更丰富的上下文信息,有助于更好地分析图像中的对象和结构,以提高结果的准确性,提高质量检测方法的鲁棒性。
优选地,在本发明一个实施例中,考虑到光照强度对孔洞区域内孔洞像素点的毛刺特征存在影响,并且孔洞区域内整体的修正毛刺可能性越大,说明孔洞区域处于缺陷区域的可能性越大,光照强度的影响相对越重要,所以初始光照强度和整体的修正毛刺可能性正相关,因此可以分析初始光照强度和整体的修正毛刺可能性的乘积的差异特征,构建初始光照强度修正公式,利用初始光照强度修正公式获取修正光照强度;初始光照强度修正公式包括:
其中,表示第/>个孔洞区域的修正光照强度;/>表示第/>个孔洞区域的初始光照强度;/>表示归一化函数;/>表示第/>个孔洞区域内,所有孔洞边缘像素点的修正毛刺程度的和值;/>表示表面灰度图像除去第/>个孔洞区域之外其他孔洞区域的数量;表示除去第/>个孔洞区域之外,第/>个其他孔洞区域的初始光照强度;/>表示除去第/>个孔洞区域之外,第/>个其他孔洞区域内,所有孔洞边缘像素点的修正毛刺程度的和值。
需要说明的是,在本发明其他实施例中,还可以将初始光照强度和孔洞区域内整体的修正毛刺程度分开对比,最后将两个差异结果相乘后再进行归一化,也可选用其他基础数学运算或者函数映射实现相关映射,其均为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S4:根据每个孔洞像素点的修正毛刺程度和所属孔洞区域的修正光照强度,结合预设邻域尺寸参数,获取每个孔洞像素点的自适应邻域区域。
通过步骤S1到步骤S3,得到了每一个孔洞区域像素点的修正毛刺程度以及对应的孔洞区域的修正光照程度,这两个特征指标综合了孔洞像素点的局部特征,孔洞区域特征以及整幅图像的全局特征,为获取每个孔洞像素点的自适应邻域区域做好准备,所以紧接着获取自适应邻域区域,为最后的质量检测预先准备。
优选地,在本发明一个实施例中,考虑到孔洞像素点的修正毛刺程度越大,说明孔洞像素点所处的孔洞区域存在毛刺缺陷的可能性越大,那么其就应该需要更大的邻域范围来捕捉更多的局部信息,方便后续缺陷检测;孔洞像素点对应的所处的孔洞区域的修正光照程度越大,说明该区域内的孔洞像素点受到光照反射影响程度越大,孔洞像素点对于毛刺缺陷的表现程度会受到光照强度的干扰的可能性越大,所以利用孔洞区域的光照强度对于孔洞区域的孔洞像素点的毛刺特征进行一定的补充;
基于此,构建自适应邻域尺寸参数计算公式,利用自适应邻域尺寸参数计算公式获取每个孔洞像素点的自适应邻域尺寸参数;以每个孔洞像素点为中心,以对应的自适应邻域尺寸参数为边长,建立正方形的邻域区域,获得每个孔洞像素点的自适应邻域区域;自适应邻域尺寸参数计算公式包括:
其中,表示第/>个孔洞区域的第/>个孔洞像素点的自适应邻域尺寸参数;/>表示向上取整函数;/>表示预设邻域尺寸参数;/>表示归一化函数;/>第/>个孔洞区域内,第/>个孔洞像素点的修正毛刺程度;/>表示第/>个孔洞区域的修正光照强度;/>表示预设缩放系数,且/>。
需要说明的是,自适应邻域尺寸参数计算公式中,预设缩放系数用于调控预设邻域尺寸参数的修正范围,控制自适应邻域尺寸参数的取值范围,在本发明一个实施例中,,/>,在本发明其他实施例中,实施者可以设置其他的/>和/>,也可选用其他基础数学运算或者函数映射实现相关映射,其均为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S5:根据每个孔洞像素点的自适应邻域区域,对表面灰度图像进行处理,最终实现质量检测。
通过步骤S4获得自适应邻域区域后,就可以对倒角设备加工产品进行质量检测。
优选地,在本发明一个实施例中,考虑到MRF算法能够利用图像中像素之间的空间关系,通过对整幅图像进行建模从而可以更好地理解图像中不同区域之间的相关性,有助于准确地检测缺陷区域,并且修正毛刺程度能够衡量像素点属于毛刺像素点的可能性,所以根据每个孔洞像素点的自适应邻域区域,利用MRF算法对倒角设备加工产品的表面灰度图像进行图像分割,获取待分析孔洞区域,计算待分析孔洞区域内每个像素点的修正毛刺程度并进行归一化,获得待分析孔洞区域内每个像素点的异常分值,当存在像素点的异常分值大于预设毛刺阈值时,认定待分析孔洞区域为毛刺区域,否则为合格区域。
在本发明一个实施例中,MRF算法的平滑系数为0.8,预设毛刺阈值为0.6,在本发明其他实施例中,实施者可设置其他合适的平滑系数和预设毛刺阈值;需要说明的是,MRF算法已是本领域技术人员所熟知的技术手段,在此不再进行赘述。
对倒角设备的加工产品进行质量检测后,可以将毛刺区域进行标记,提醒相关人员或利用自动修复设备进行修复,还可以统计毛刺区域出现的频率,当频率高于某一阈值时,提示相关人员及时进行查看设备生产状态及参数,保证生产质量。
综上所述,本发明针对光照因素影响孔洞区域成像,导致不能对加工产品进行准确质量检测的技术问题,提出了一种基于人工智能的倒角设备加工质量检测方法。本发明首先获取倒角设备加工产品的表面灰度图像,确定孔洞区域和孔洞边缘像素点;进一步分析孔洞边缘像素点的分布特征,每个孔洞像素点的预设邻域内像素点的灰度变化特征以及每个孔洞像素点的灰度特征,获取每个孔洞像素点的修正毛刺程度;进一步根据孔洞边缘像素点的梯度幅值的统计特征和波动特征,结合孔洞区域与其他孔洞区域的差异,获取每个孔洞区域的修正光照强度;进一步获取每个孔洞像素点的自适应邻域区域,对倒角设备加工产品进行质量检测。本发明通过分析每个孔洞像素点及其周围像素点的灰度特征,光照因素对孔洞区域成像的影响,获取每个孔洞像素点的自适应邻域区域,使得对于倒角设备加工质量检测更加准确。
一种用于倒角设备加工产品的图像处理方法实施例
在对倒角产品图像进行采集时,由于倒角产品的材质为金属材质,金属表面较为光滑,容易产生光线反射造成的强光区域,而强光区域灰度值通常较高,当强光区域与待分析的孔洞区域产生重合时,它会使得孔洞区域边缘的对比度变低,导致MRF算法的邻域参数设置不合理,影响倒角设备加工产品的图像中孔洞区域的确定。
为了解决光照因素影响孔洞区域成像,导致不能获取加工产品准确孔洞区域的技术问题,本发明的目的在于提供一种用于倒角设备加工产品的图像处理方法,所采用的技术方案具体如下:
步骤S1:获取倒角设备加工产品的表面灰度图像;获取表面灰度图像的孔洞区域和孔洞边缘像素点。
步骤S2:根据每个孔洞区域的孔洞边缘像素点的分布特征,获取每个孔洞区域的毛刺缺陷可能性;根据每个孔洞区域内每个孔洞像素点的预设邻域内像素点的灰度变化特征,结合每个孔洞像素点的灰度特征,获取每个孔洞像素点的毛刺程度;结合每个孔洞像素点的毛刺程度和所在孔洞区域的毛刺缺陷可能性,获取每个孔洞像素点的修正毛刺程度。
步骤S3:根据每个孔洞区域的孔洞边缘像素点的梯度幅值的统计特征和波动特征,获取每个孔洞区域的初始光照强度;根据每个孔洞区域与其他孔洞区域的初始光照强度的差异特征,结合每个孔洞区域与其他孔洞区域内所有孔洞边缘像素点的修正毛刺程度的差异特征,修正初始光照强度,获得每个孔洞区域的修正光照强度。
步骤S4:根据每个孔洞像素点的修正毛刺程度和所属孔洞区域的修正光照强度,结合预设邻域尺寸参数,获取每个孔洞像素点的自适应邻域区域。
步骤S5:根据每个孔洞像素点的自适应邻域区域,对表面灰度图像进行处理,获取待分析孔洞区域。
由于一种用于倒角设备加工产品的图像处理方法的具体实现过程在上述一种基于人工智能的倒角设备加工质量检测方法中已给出详细说明,不再赘述。
综上所述,针对光照因素影响孔洞区域成像,导致不能获取加工产品准确孔洞区域的技术问题,提出了一种用于倒角设备加工产品的图像处理方法。首先获取倒角设备加工产品的表面灰度图像,确定孔洞区域和孔洞边缘像素点;进一步分析孔洞边缘像素点的分布特征,每个孔洞像素点的预设邻域内像素点的灰度变化特征以及每个孔洞像素点的灰度特征,获取每个孔洞像素点的修正毛刺程度;进一步根据孔洞边缘像素点的梯度幅值的统计特征和波动特征,结合孔洞区域与其他孔洞区域的差异,获取每个孔洞区域的修正光照强度;进一步获取每个孔洞像素点的自适应邻域区域,对表面灰度图像进行处理,获取待分析孔洞区域。本发明通过分析每个孔洞像素点及其周围像素点的灰度特征,光照因素对孔洞区域成像的影响,获取每个孔洞像素点的自适应邻域区域,获得准确的孔洞区域。
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。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。
Claims (8)
1.一种基于人工智能的倒角设备加工质量检测方法,其特征在于,所述方法包括:
获取倒角设备加工产品的表面灰度图像;获取所述表面灰度图像的孔洞区域和孔洞边缘像素点;
根据每个所述孔洞区域的所述孔洞边缘像素点的分布特征,获取每个所述孔洞区域的毛刺缺陷可能性;根据每个所述孔洞区域内每个孔洞像素点的预设邻域内像素点的灰度变化特征,结合每个孔洞像素点的灰度特征,获取每个所述孔洞像素点的毛刺程度;结合每个所述孔洞像素点的所述毛刺程度和所在所述孔洞区域的所述毛刺缺陷可能性,获取每个孔洞像素点的修正毛刺程度;
根据每个所述孔洞区域的孔洞边缘像素点的梯度幅值的统计特征和波动特征,获取每个所述孔洞区域的初始光照强度;根据每个所述孔洞区域与其他孔洞区域的初始光照强度的差异特征,结合每个所述孔洞区域与其他孔洞区域内所有孔洞边缘像素点的所述修正毛刺程度的差异特征,修正初始光照强度,获得每个所述孔洞区域的修正光照强度;
根据每个所述孔洞像素点的所述修正毛刺程度和所属孔洞区域的所述修正光照强度,结合预设邻域尺寸参数,获取每个所述孔洞像素点的自适应邻域区域;
根据每个所述孔洞像素点的所述自适应邻域区域,对所述表面灰度图像进行处理,最终实现质量检测;
所述初始光照强度的获取方法包括:
将每个所述孔洞区域内所有孔洞边缘像素点的梯度幅值的和作为第一光照参数;
将每个所述孔洞区域内所有孔洞边缘像素点的梯度幅值与梯度幅值均值的差值绝对值进行求和,求和结果负相关并利用指数函数映射后,映射结果作为第二光照参数;
将所述第一光照参数和所述第二光照参数的乘积作为初始光照强度;
所述修正光照强度的获取方法包括:
利用初始光照强度修正公式获取修正光照强度;所述初始光照强度修正公式包括:
;其中,/>表示第/>个孔洞区域的修正光照强度;/>表示第/>个孔洞区域的初始光照强度;/>表示归一化函数;/>表示第/>个孔洞区域内,所有孔洞边缘像素点的修正毛刺程度的和值;/>表示表面灰度图像除去第/>个孔洞区域之外其他孔洞区域的数量;/>表示除去第/>个孔洞区域之外,第/>个其他孔洞区域的初始光照强度;/>表示除去第/>个孔洞区域之外,第个其他孔洞区域内,所有孔洞边缘像素点的修正毛刺程度的和值。
2.根据权利要求1所述的一种基于人工智能的倒角设备加工质量检测方法,其特征在于,所述毛刺缺陷可能性的获取方法包括:
将相邻的所述孔洞边缘像素点相连,获取相邻孔洞边缘像素点的连线在平面直角坐标系的角度值,将所有相邻连线的角度值的差值绝对值进行求和,求和结果作为毛刺缺陷可能性。
3.根据权利要求1所述的一种基于人工智能的倒角设备加工质量检测方法,其特征在于,所述毛刺程度的获取方法包括:
将所述孔洞像素点的灰度值与所述表面灰度图像的平均灰度值的比值作为此孔洞像素点的灰度特征参数;
在所述孔洞像素点的预设邻域内,按照设定顺序遍历像素点,统计相邻像素点的灰度值发生变化的次数,将变化的次数与对应的所述灰度特征参数的乘积作为对应孔洞像素点的毛刺程度。
4.根据权利要求1所述的一种基于人工智能的倒角设备加工质量检测方法,其特征在于,所述自适应邻域区域的获取方法包括:
利用自适应邻域尺寸参数计算公式获取每个所述孔洞像素点的自适应邻域尺寸参数;以每个所述孔洞像素点为中心,以对应的所述自适应邻域尺寸参数为边长,建立正方形的邻域区域,获得每个所述孔洞像素点的自适应邻域区域;所述自适应邻域尺寸参数计算公式包括:
;其中,/>表示第/>个孔洞区域的第/>个孔洞像素点的自适应邻域尺寸参数;/>表示向上取整函数;/>表示预设邻域尺寸参数;表示归一化函数;/>第/>个孔洞区域内,第/>个孔洞像素点的修正毛刺程度;表示第/>个孔洞区域的修正光照强度;/>表示预设缩放系数,且/>。
5.根据权利要求1所述的一种基于人工智能的倒角设备加工质量检测方法,其特征在于,所述对所述表面灰度图像进行处理,最终实现质量检测的方法包括:
根据每个所述孔洞像素点的所述自适应邻域区域,利用MRF算法对倒角设备加工产品的表面灰度图像进行图像分割,获取待分析孔洞区域,计算所述待分析孔洞区域内每个像素点的修正毛刺程度并进行归一化,获得所述待分析孔洞区域内每个像素点的异常分值,当存在像素点的所述异常分值大于预设毛刺阈值时,认定所述待分析孔洞区域为毛刺区域,否则为合格区域。
6.根据权利要求1所述的一种基于人工智能的倒角设备加工质量检测方法,其特征在于,所述修正毛刺程度的获取方法包括:
将每个所述孔洞像素点的所述毛刺程度和所在孔洞区域的所述毛刺缺陷可能性的乘积作为每个孔洞像素点的修正毛刺程度。
7.根据权利要求1所述的一种基于人工智能的倒角设备加工质量检测方法,其特征在于,所述孔洞边缘像素点的获取方法包括:
利用Canny算子进行边缘检测获取所述表面灰度图像的所有边缘像素点;利用霍夫圆检测算法检测出图像中的孔洞,将孔洞边缘的边缘像素点作为孔洞边缘像素点。
8.根据权利要求7所述的一种基于人工智能的倒角设备加工质量检测方法,其特征在于,所述孔洞区域的获取方法包括:
在所述孔洞包含的每个所述孔洞边缘像素点的梯度方向的延长线上选取第一预设数量个像素点,在梯度方向的反方向延长线上选取第二预设数量个像素点,将每个所述孔洞的孔洞边缘像素点及其所选择的像素点作为孔洞区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410223783.3A CN117808799B (zh) | 2024-02-29 | 2024-02-29 | 基于人工智能的倒角设备加工质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410223783.3A CN117808799B (zh) | 2024-02-29 | 2024-02-29 | 基于人工智能的倒角设备加工质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117808799A CN117808799A (zh) | 2024-04-02 |
CN117808799B true CN117808799B (zh) | 2024-05-07 |
Family
ID=90423853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410223783.3A Active CN117808799B (zh) | 2024-02-29 | 2024-02-29 | 基于人工智能的倒角设备加工质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117808799B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118229679A (zh) * | 2024-05-22 | 2024-06-21 | 西安交通工程学院 | 一种机械生产用夹具表面平整度检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943848A (zh) * | 2022-07-25 | 2022-08-26 | 南通德晋昌光电科技有限公司 | 镍网激光熔覆过程中的裂纹识别方法 |
CN117078672A (zh) * | 2023-10-13 | 2023-11-17 | 深圳市凯尔文电子有限公司 | 基于计算机视觉的手机屏幕缺陷智能检测方法 |
CN117437191A (zh) * | 2023-10-24 | 2024-01-23 | 辽宁工程技术大学 | 一种融合巡检图像与漏磁检测的钢轨表面检测方法及*** |
CN117541588A (zh) * | 2024-01-10 | 2024-02-09 | 大连建峰印业有限公司 | 一种纸制品的印刷缺陷检测方法 |
-
2024
- 2024-02-29 CN CN202410223783.3A patent/CN117808799B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943848A (zh) * | 2022-07-25 | 2022-08-26 | 南通德晋昌光电科技有限公司 | 镍网激光熔覆过程中的裂纹识别方法 |
CN117078672A (zh) * | 2023-10-13 | 2023-11-17 | 深圳市凯尔文电子有限公司 | 基于计算机视觉的手机屏幕缺陷智能检测方法 |
CN117437191A (zh) * | 2023-10-24 | 2024-01-23 | 辽宁工程技术大学 | 一种融合巡检图像与漏磁检测的钢轨表面检测方法及*** |
CN117541588A (zh) * | 2024-01-10 | 2024-02-09 | 大连建峰印业有限公司 | 一种纸制品的印刷缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
基于OTSU与CANNY算法的竹片缺陷图像检测;牛晗,等;森林工程;20221130;第38卷(第6期);全文 * |
灰铸铁件加工面孔洞缺陷的原因分析及对策;潘密,等;铸造工艺技术;20231231;第72卷(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117808799A (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
WO2022110804A1 (zh) | 一种基于局部统计信息的图像噪声检测方法、装置 | |
CN105139386B (zh) | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 | |
CN116168026B (zh) | 基于计算机视觉的水质检测方法及*** | |
CN117808799B (zh) | 基于人工智能的倒角设备加工质量检测方法 | |
CN115222733B (zh) | 基于图像识别的金属构件表面缺陷检测方法 | |
CN115020267B (zh) | 一种半导体表面缺陷检测方法 | |
CN115018844B (zh) | 一种基于人工智能的塑料薄膜质量评估方法 | |
CN107490582B (zh) | 一种流水线工件检测*** | |
CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
CN114881915A (zh) | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 | |
CN115330767A (zh) | 一种腐蚀箔生产异常识别方法 | |
CN115984271A (zh) | 基于角点检测的金属毛刺识别方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116993742B (zh) | 基于机器视觉的镍合金轧制缺陷检测方法 | |
CN116612112B (zh) | 一种水桶表面缺陷视觉检测方法 | |
CN116128873A (zh) | 一种基于图像识别的轴承保持器检测方法、设备及介质 | |
CN117764989B (zh) | 一种视觉辅助的显示屏缺陷检测方法 | |
CN115880280A (zh) | 一种钢结构焊缝质量的检测方法 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN117011291B (zh) | 一种手表外壳质量视觉检测方法 | |
CN111815575B (zh) | 一种基于机器视觉的轴承钢珠零件检测方法 | |
CN115330785B (zh) | 一种纺织鞋面质量检测方法 | |
CN108171691B (zh) | 一种塑料容器的检测方法 | |
CN109949245B (zh) | 十字激光检测定位方法、装置、存储介质及计算机设备 |
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 |