CN120107259B 一种钛棒表面缺陷检测方法 （宝鸡钛莱康高新金属材料有限公司）

(19)国家知识产权局(12)发明专利(65)同一申请的已公布的文献号(73)专利权人宝鸡钛莱康高新金属材料有限公司地址721000陕西省宝鸡市高新开发区高新大道与凤凰三路十字东南1号(74)专利代理机构广东中佳永信知识产权代理事务所(普通合伙)441001专利代理师杜争争审查员王明山(54)发明名称本发明涉及图像处理技术领域，具体公开了一种钛棒表面缺陷检测方法，该方法包括如下步骤：获取钛棒的灰度图像；利用区域生长算法对灰度图像进行分割，得到多个分割区域；将所有分割区域输入支持向量机，输出各分割区域的缺陷类型。本发明提供的钛棒表面缺陷检测方法，通过改进区域生长算法的生长准则，使得分割区2其中，区域生长算法的生长准则为灰度图像的像素点间的两个像素点的纹理矩阵的范数之差的绝对值与结构矩阵的范数之差的绝对值之和归一化点的差异度位于各区间的频数组成；差异度为两个像素点在点P对应的局部窗口内所有像素点的无缺程度分别在第a个方向和第b个方向上的灰度共38.根据权利要求1所述的钛棒表面缺陷检测方法，其特征在于，所述将所有分割区域输入支持向量机包括：获取所有分割区域的参数，所述参数包括对应分割区域的最小外接矩形的长度、宽度和对应分割区域内所有像素点的灰度值的均值；将各分割区域的参数输入训练好的支持向量机模型中。9.根据权利要求1所述的钛棒表面缺陷检测方法，其特征在于，所述灰度图像由沿钛棒的周向均布的三台图像采集设备采集并灰度化处理得到。4一种钛棒表面缺陷检测方法技术领域[0001]本发明涉及图像处理技术领域，具体涉及一种钛棒表面缺陷检测方法。背景技术[0002]钛棒因其高强度、耐腐蚀和生物相容性等优良特性，广泛应用于航空发动机叶片、痕等，这些缺陷会显著降低其力学性能和疲劳寿命。如微米级裂纹在应力作用下可能扩展为宏观断裂，导致系统故障。因此，对钛棒表面缺陷进行高效、精准的检测是保障产品可靠性的必要环节。[0003]传统的缺陷检测方法主要依赖人工目检，存在效率低、主观性强等缺点。随着基于机器视觉的自动检测技术的发展，能够实现高效率、高准确性地缺陷检测。其中，区域生长算法作为一种缺陷检测算法，具有原理简单、实现方便等优点，被广泛应用于零件的缺陷检测领域。区域生长算法是一种基于像素点间相似性的图像分割技术，其主要步骤包括：从图像中选取一些像素点作为种子点；根据生长准则将与种子点相似度高的邻域像素点合并成一个生长区域，其中，生长准则为像素点间的灰度值差值；以合并后的像素点为新的种子点重复上一步骤，直至无法将新的像素点合并入对应生长区域内，最终得到多个分割区域。最[0004]然而，现有技术中区域生长算法存在生长准则单一问题，即仅对灰度值的相似度进行生长区域的生长，使得各分割区域划分不合理，进而导致对钛棒表面缺陷检测不准确。发明内容[0005]本发明提供了一种钛棒表面缺陷检测方法，旨在解决现有技术中区域生长算法的生长准则单一，使得各分割区域划分不合理，进而导致对钛棒表面缺陷检测不准确的技术问题。[0006]本发明提供了一种钛棒表面缺陷检测方法，包括如下步骤：[0007]获取钛棒的灰度图像；[0008]利用区域生长算法对灰度图像进行分割，得到多个分割区域；[0009]其中，区域生长算法的生长准则为灰度图像的像素点间的综合差异度；综合差异度为两个像素点的纹理矩阵的范数之差的绝对值与结构矩阵的范数之差的绝对值之和归一化后的值；纹理矩阵由以对应像素点为中心的局部窗口内所有两个预设方向间的无缺指数组成；无缺指数与对应局部窗口内所有像素点的无缺程度在两个预设方向上的灰度共生矩阵的熵之差的绝对值反相关，与各无缺程度的均值正相关；无缺程度表征对应像素点在灰度特征上无缺陷的程度；结构矩阵由对应局部窗口内各分区中像素点与局部窗口的中心像素点的差异度位于各区间的频数组成；差异度为两个像素点在所有两个预设方向间的无缺指数的均值之差归一化后的值；分区由以对应像素点为中心向外辐射的射线将局部窗口5 为像素点P对应的局部窗口内所有像素点的无缺程度分别在第a个方向和第b个方向上的[0022]优选地，所述局部窗口为以对应像素点为中心且边6[0027]获取所有分割区域的参数，所述参数包括对应分割区域的最小外接矩形的长度、宽度和对应分割区域内所有像素点的灰度值的均值；[0028]将各分割区域的参数输入训练好的支持向量机模型中。[0029]上述方案中，根据分割区域的参数，可以更加方便、准确地识别并判定各种缺陷类[0030]优选地，所述灰度图像由沿钛棒的周向均布的三台图像采集设备采集并灰度化处理得到。[0031]上述方案中，通过三台图像采集设备采集图像，更便于识别到图像中的缺陷。且灰度化处理图像可加快处理速度，减小计算量，以及突出图像的结构和纹理特点，便于后续步骤对图像的分割处理。[0033]本发明的方案通过对区域生长算法的生长准则进行改进，利用两个像素点的纹理矩阵和结构矩阵得到两个像素点间的综合差异度，可综合反映两个像素点在灰度特征、纹理特征和结构特征的差异，相对于现有技术中仅通过灰度这一单一特征来表征生长准则，可以更加合理、准确地反映各种缺陷类型，使得分割区域更加合理，进而使得对钛棒表面缺陷检测更加准确。附图说明[0034]图1为本发明实施例的钛棒表面缺陷检测方法的步骤流程图；[0035]图2为本发明实施例的获取对应像素点的纹理矩阵的步骤流程图；[0036]图3为本发明实施例的获取对应像素点的结构矩阵的步骤流程图。具体实施方式[0037]下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。[0038]如图1所示，本发明提供了一种钛棒表面缺陷检测方法，包括如下步骤：[0040]本步骤中，由于钛棒是圆柱体，对钛棒拍摄时只能拍摄到钛棒的圆柱面的180°的范围，而且越靠近钛棒的边缘，从拍摄图像中越难以清晰地观察到缺陷。因此，本发明通过沿钛棒的周向均布的三台图像采集设备采集钛棒的图像，即相邻两台图像采集设备间隔120°,进而更便于后续步骤中识别到图像中的缺陷。本发明的图像采集设备为高清摄像机。[0041]为了简化图像的处理过程，减少计算量，加快处理速度，以及突出图像的结构和纹理特点，便于后续步骤对图像的分割处理，将采集到的图像灰度化处理，得到对应的灰度图像。[0042]由于灰度图像不可避免地会受到噪声干扰，噪声包括机器设备的振动、电流产生的电磁干扰等，因此需对灰度图像进行去噪处理，例如采用维纳滤波去噪算法对灰度图像进行去噪处理，当然也可采用其他去噪算法。而且，由于钛棒表面反光性较强，导致部分缺陷在灰度图像中不明显，因此为了增强钛棒表面缺陷的显著程度，提高后续步骤中的缺陷检测效率与准确率，本发明采用AHE自适应对比度增强算法对去噪后的灰度图像进行增强7处理。[0043]S2、利用区域生长算法对灰度[0044]区域生长算法属于现有技术，其基本思想是将具有相似性质的像素点集合起来构成生长区域。该算法是从一组种子点开始，通过比较这些种子点与其邻域像素点的灰度值，将相似度较高的邻域像素点合并到种子点所在的生长区域中，然后以这些新合并的像素点为新的种子点，继续进行区域生长，直到满足终止条件为止。具体地，区域生长算法包括如[0046]S22、确定生长准则：生长准则定义了像素点被合并到生长区域中的条件，通常是基于像素点间灰度值的差值。例如，种子点与其邻域像素点的灰度值的差值小于设定阈值，则将该邻域像素点合并入种子点所在的生长区域中。[0047]S23、区域生长：从种子点开始，按照生长准则将满足条件的邻域像素点合并到生[0048]S24、终止条件：生长区域生长过程需要有一个终止条件，可以是生长区域达到一定大小、没有满足条件的像素点可以合并或者达到预设的迭代次数等。生长区域停止生长后对应得到各分割区域。[0049]利用区域生长算法得到灰度图像的各分割区域后，再根据各分割区域的特征判断各分割区域的缺陷类型。[0050]然而，现有技术的步骤S22中，区域生长算法存在生长准则单一问题，即仅通过计算灰度值的差值来控制区域生长过程，而未考虑到钛棒表面的各种缺陷类型。具体地，钛棒表面包含裂纹、擦痕、杂质、脏污等多种缺陷类型，仅采用灰度值这一单一特征不能合理反映钛棒表面的各种缺陷类型，使得各分割区域划分不合理，进而导致对钛棒表面缺陷检测不准确。[0051]针对现有技术中生长准则单一问题，本发明的区域生长算法的生长准则为灰度图像的像素点间的综合差异度。综合差异度表征像素点在灰度值、纹理和结构方面综合的差异程度，能够准确反映各种缺陷类型的像素点的真实情况，使得各分割区域的划分更加合理，进而对钛棒表面缺陷检测也更加准确。[0052]因此，本发明对现有技术中的步骤S22进行改进，关键在于获取灰度图像的像素点间的综合差异度。综合差异度为两个像素点的纹理矩阵的范数之差的绝对值与结构矩阵的范数之差的绝对值之和归一化后的值。因此，综合差异度的获取包括如下步骤：[0053]S221、获取灰度图像中各像素点的纹理矩阵。[0054]纹理矩阵由以对应像素点为中心的局部窗口内所有两个预设方向间的无缺指数组成。本发明中，局部窗口为以对应像素点为中心且边长为2m+1个像素点长度的正方形，其中m为大于等于1的整数。而无缺指数与对应局部窗口内所有像素点的无缺程度在两个预设方向上的灰度共生矩阵的熵之差的绝对值反相关，与各无缺程度的均值正相关。这是由于无缺指数表征对应像素点在灰度特征和纹理特征上无缺陷的程度。无缺程度表征对应像素点在灰度特征上无缺陷的程度，而无缺程度是通过灰度值计算得到，适用于面状缺陷，例如脏污和杂质缺陷，这是由于该缺陷区域内部与外部的灰度值具有较大差异，因此无缺程度可表征没有面状缺陷的程度。而对于直线缺陷，例如裂纹和擦痕，其为单一方向的缺8大差异，因此可通过比较在两个预设方向上的灰度共生矩阵的熵的大小来表征直线缺陷。[0056]所述无缺程度与对应像素点的各邻域像素点和无缺陷像素点的平均灰度值之差度值，Xp为像素点P的灰度值，n为像素点P的邻域像素点的总数，α为第一预设参9[0067]式中，Sp为像素点P对应的局部窗口内所有像素点的无缺程度的均值，Ep和E为像素点P对应的局部窗口内所有像素点的无缺程度分别在第a个方向和第b个方向上的计算。[0069]本实施例为一个像素点在对应的局部窗口内两个预设方向间的无缺指数的计算[0077]结构矩阵由对应局部窗口内各分区中像素点与局部窗口的中心像素点的差异度[0079]差异度为两个像素点在所有两个预设方向间的无缺指数的均值之差归一化后的[0085]S2222、统计对应局部窗口内各分区中像素点与局部窗口的中心像素点的差异度[0093]Hp,Q=norm(|FTp—FT₈I+|FMp-[0094]式中，FTp为像素点P的纹理矩阵Tp的范数，FT。为像素点Q的纹理矩阵Tq的范数，FMp为像素点P的结构矩阵Mp的范数，Fm为像素点Q的结构矩阵MQ的范数，11个像素点的综合差异度，可从灰度特征、纹理特征和结构特征来综合反映两个像素点的差[0097]根据步骤S221至S223得到的两个像素点的综合差异度作为本发明的区域生长算法的生长准则。具体地，计算作为种子点的像素点与其邻域像素点间的综合差异度，若综合差异度大于判定阈值，表明两个像素点在灰度特征、纹理特征和结构特征上差异较大，不能将邻域像素点分割到种子点所在的生长区域中。若综合差异度小于或等于判定阈值，表明两个像素点在灰度特征、纹理特征和结构特征上差异较小，应当将邻域像素点分割到种子点所在的生长区域中，并将该邻域像素点作为新的种子点按照此生长准则继续生长，直至达到终止条件。其中，本实施例中判定阈值为0.7,也可根据实际情况选取。[0100]S31、获取各分割区域的参数，所述参数包括对应分割区域的最小外接矩形的长度、宽度和对应分割区域内所有像素点的灰度值的均值。[0101]本步骤中获取对应分割区域的最小外接矩形的长度和宽度是由于不同缺陷类型区域的形状和大小均不相同，且裂纹和擦痕缺陷对应的分割区域的最小外接矩形的长宽比较大，杂质和脏污缺陷对应的分割区域的最小外接矩形的长宽比较小，因此可以更容易识别并判定各种缺陷的类型。而且，不同缺陷类型对应的分割区域内像素点的灰度值相差较[0102]S32、将各分割区域的参数输入训练好的支持向量机模型中。[0103]其中，训练好的支持向量机模型