【技术实现步骤摘要】
一种金属工件表面结构误检结果的排除方法
本专利技术涉及目标识别研究领域,特别涉及一种金属工件表面结构误检结果的排除方法。
技术介绍
金属工件弧形表面在生产阶段不可避免地会出现表面缺陷,这些缺陷会严重影响设备的外观,甚至影响设备的使用寿命,需要进行重新加工或报废处理。以往金属工件弧形表面在加工完成后基本上是经过人工检测,合格后才进入后续的加工或装配环节。目前的人工检测存在以下的缺点:(1)检测标准受人主观影响较大,不同的工人对同一缺陷的判断不一定相同;(2)检测的准确率不稳定,金属工件弧形表面上的缺陷尺寸小且不明显,人眼长期观察极易出现视觉疲劳,影响判断的准确度;(3)检测效率低,工人需要手动调整金属工件表面的位置来观察工件的每个角落,同时检测时间的长短还受熟练程度的影响。随着计算机性能的不断提升,计算机视觉技术凭借着高效率和智能化的优点,已经在众多领域取代了人工操作。卷积神经网络(ConvolutionalNeuralNetwork,CNN)相比于传统图像处理算法有检测时间短、无需人为设计特征以及要求用户输入的参数少等优点,而基于区域的CNN模型(RegionswithCNNfeature,R-CNN)更是在目标检测问题上取得了突破。但是卷积神经网络检测金属工件表面的效果与训练样本的数量和质量有着直接关系,实际应用中需要为每种型号的金属工件表面采集足够多的含缺陷的样本图像,这一过程所需时间周期过长,同时缺陷形态多样,导致样本收集困难。另外,该方法对于图1中的C类和D类区域有较好的识别效果,但是对于A类、B类区域,由于这类区域中存在金属工件表面固有的花纹、硬 ...
【技术保护点】
一种金属工件表面结构误检结果的排除方法,其特征在于,包括步骤:(1)采用传统缺陷识别方法检测得到初始缺陷图像集;(2)计算当前缺陷图像的信息熵Hp;(3)计算当前缺陷图像四个方向0°、45°、90°和135°的灰度共生矩阵G,定义当前灰度级为R;根据灰度共生矩阵计算能量ASM、图像局部相关度COR、反差CON、边缘比率Re;(4)计算图像的复杂度Cp=Hp‑ASM‑COR+CON+Re;(5)通过实验获取经验阈值thc,当检测的图像复杂度大于thc时,则认为当前图像为工件结构的正常图像,将其从R‑CNN检测出来的初始缺陷图像集中排除。
【技术特征摘要】
1.一种金属工件表面结构误检结果的排除方法,其特征在于,包括步骤:(1)采用传统缺陷识别方法检测得到初始缺陷图像集;(2)计算当前缺陷图像的信息熵Hp;(3)计算当前缺陷图像四个方向0°、45°、90°和135°的灰度共生矩阵G,定义当前灰度级为R;根据灰度共生矩阵计算能量ASM、图像局部相关度COR、反差CON、边缘比率Re;(4)计算图像的复杂度Cp=Hp-ASM-COR+CON+Re;(5)通过实验获取经验阈值thc,当检测的图像复杂度大于thc时,则认为当前图像为工件结构的正常图像,将其从R-CNN检测出来的初始缺陷图像集中排除。2.根据权利要求1所述的金属工件表面结构误检结果的排除方法,其特征在于,所述步骤(2)中,信息熵Hp的计算公式是:其中,gray-levelrange表示图像的灰度范围,mi表示灰度值i对应的像素点个数,rows和cols分别表示图像的行数和列数。3.根据权利要求1所述的金属工件表面结构误检结果的排除方法,其特征在于,所述步骤(3)中,能量ASM的计算公式是:R表示灰度共生矩阵的阶,即当前图像的灰度级。4.根据权利要求1所述的金属工件表面结构误检结果的排除方法,其特征在于,所述步骤(3)中,图像局部相关度COR的计算公式是:
【专利技术属性】
技术研发人员:黄茜,严科,胡志辉,
申请(专利权)人:华南理工大学,广东盈嘉科技工程发展股份有限公司,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。