一种基于人工智能的金属冲压件表面划痕检测方法技术

本申请涉及图像处理领域，提供一种基于人工智能的金属冲压件表面划痕检测方法，包括：采集金属冲压件表面图像，并对表面图像进行处理，得到显著区域；对显著区域进行拉东变换，得到显著区域中每个投影角度对应的直线；基于每一直线上像素点的灰度值计算直线对应的自相关序列；基于自相关序列确定划痕区域。该方法能够提高划痕检测准确度。能够提高划痕检测准确度。能够提高划痕检测准确度。

【技术实现步骤摘要】
一种基于人工智能的金属冲压件表面划痕检测方法


[0001]本申请涉及图像处理领域，特别是涉及一种基于人工智能的金属冲压件表面划痕检测方法。

技术介绍

[0002]金属冲压技术起源于19世纪中期，早期主要依靠手工完成，生产效率低，产品精度差，用于生产简单物件。随着自动化、电子技术和计算机技术的发展，金属冲压步入高度自动化阶段，生产效率和产品精度达到较高水平，产品种类也更加丰富。金属冲压技术的应用场景十分广泛，包括家用电器、交通工具、电子产品、机械设备、医疗器械等等。可以说，金属冲压技术已经渗透到人们生活各个方面，产品种类和应用场景之广，体现了金属冲压技术在现代工业生产中的重要作用和广泛应用前景。而精密压力表外壳同样属于金属冲压件，因应用场景特殊性，其外观质量可能会对使用效果产生成较大的影响。常规基于图像处理的缺陷检测算法在此场景中可能会有检测精度低等问题。

技术实现思路

[0003]本专利技术提供一种基于人工智能的金属冲压件表面划痕检测方法，该方法能够提高划痕检测准确度。
[0004]第一方面，本申请提供一种基于人工智能的金属冲压件表面划痕检测方法，包括：采集金属冲压件表面图像，并对表面图像进行处理，得到显著区域；对所述显著区域进行拉东变换，得到显著区域中每个投影角度对应的直线；基于每一所述直线上像素点的灰度值计算所述直线对应的自相关序列；基于所述自相关序列确定划痕区域。
[0005]在一实施例中，基于每一所述直线上像素点的灰度值计算所述直线对应的自相关序列，包括：确定切割点，基于所述切割点将灰度值序列分割，得到多个灰度值子序列；其中，所述灰度值序列为所述直线上所有像素点的灰度值形成的序列；计算每一灰度值子序列的自相关系数；将灰度值子序列的自相关系数进行排序，进而得到灰度值序列的自相关序列，所述灰度值序列的系相关序列为所述直线对应的自相关序列。
[0006]在一实施例中，确定切割点，包括：利用累计和校验法计算每个灰度值序列的断点，将所述断点作为所述切割点。
[0007]在一实施例中，计算每一灰度值子序列的自相关系数，包括：；其中，为灰度值序列第个灰度值子序列的自相关系数；为
第个灰度值子序列中第个元素，为灰度值序列的均值，为第个灰度值子序列的自相关系数的滞后步数，为灰度值序列中第个灰度值子序列内像素点总数。
[0008]在一实施例中，基于所述自相关序列确定划痕区域，包括：确定所有灰度值序列的自相关序列对应的峰值点；基于峰值点对应的灰度值子序列所包含的像素点的确定峰值点所在直线的中心点；以中心点作为距离原点，将显著区域灰度图转化为相对峰值点距离图，其中，相对峰值点距离图中像素点的值表示该像素点与中心点的距离；基于所述相对峰值点距离图确定划痕区域。
[0009]在一实施例中，基于所述相对峰值点距离图确定划痕区域，包括：以中心点为中心构建邻域窗口；计算中心点与邻域窗口内其他像素点的邻域向量；计算邻域窗口内每一像素点的邻域向量与中心点的邻域向量之间的相似度；基于所述相似度确定峰值点对应的灰度值子序列中所包含的像素点是否处于划痕区域。
[0010]在一实施例中，基于所述相似度确定峰值点对应的灰度值子序列中所包含的像素点是否处于划痕区域，包括：确定相似度最高的邻域向量对应的像素点所在直线的自相关序列和峰值点所在的直线的自相关序列的皮尔逊系数；基于所述皮尔逊系数确定峰值点对应的灰度值子序列包含的像素点是否处于划痕区域。
[0011]在一实施例中，如果所述皮尔逊系数大于预设值，则确定峰值点对应的灰度值子序列包含的像素点处于划痕区域，从而确定显著区域内所有的划痕区域像素点，以进行划痕检测。
[0012]在一实施例中，采集金属冲压件表面图像，并对表面图像进行处理，得到显著区域，包括：利用残差谱算法对表面图像进行处理，进而得到显著区域。
[0013]在一实施例中，利用残差谱算法对表面图像进行处理，进而得到显著区域之前，包括；对表面图像使用加权平均法进行灰度化；对灰度化后的图像进行降噪处理。
[0014]本申请的有益效果，区别于现有技术，本申请的基于人工智能的金属冲压件表面划痕检测方法，包括：采集金属冲压件表面图像，并对表面图像进行处理，得到显著区域；对显著区域进行拉东变换，得到显著区域中每个投影角度对应的直线；基于每一直线上像素点的灰度值计算直线对应的自相关序列；基于自相关序列确定划痕区域。该方法能够提高划痕检测准确度。
附图说明
[0015]图1为本专利技术基于人工智能的金属冲压件表面划痕检测方法的第一实施例的流程示意图；图2为精密压力表外壳灰度图像示意图；图3为显著区域（ROI区域）的示意图；图4为Radon变换的示意图；图5为灰度值序列中峰值点与中心点的示意图；图6为中心点的邻域像素示意图。
具体实施方式
[0016]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0017]本专利技术的主要目的是：针对金属冲压件表面划痕检测方法，使用高清工业相机拍摄精密压力表外壳灰度图像，舍弃常规图像处理缺陷检测方法，针对缺陷区域特征进行Radon变换从而提高后续算法鲁棒性，同时根据Radon变换结果进行自相关序列构建，最终使用皮尔逊系数确定序列之间相似度得到划痕区域。为了实现本
技术实现思路
，本专利技术设计了基于人工智能的金属冲压件表面划痕检测方法。下面结合附图和实施例对本申请进行详细的说明。
[0018]请参见图1，图1为本专利技术基于人工智能的金属冲压件表面划痕检测方法的第一实施例的流程示意图，包括：步骤S11：采集金属冲压件表面图像，并对表面图像进行处理，得到显著区域。
[0019]在一实施例中，采集金属冲压件表面图像，对表面图像使用加权平均法进行灰度化；对灰度化后的图像进行降噪处理。
[0020]具体的，在金属冲压件例如精密压力表外壳制造结束后（如入库阶段）架设LED散射光源以消除外壳表面的光照变化，同时使用高清工业相机拍摄精密压力表外壳微距RGB图像，对精密压力表外壳RGB图像使用加权平均法进行灰度化，保留更丰富的灰度细节信息，并在灰度化图像后进行高斯滤波降噪保留图像中较多边缘信息。
[0021]图2为精密压力表外壳灰度图像，观察其表面可以看出精密压力表外壳本身为圆形，在无缺陷划痕时外壳表面光滑平整，同时在固定光源下灰度分布比较均匀，那么该精密压力表外壳在工作状态时，表面各区域受力也相对均匀。但当其表面存在划痕时，会造成精密压力表外壳的厚度变化，从而导致缺陷划痕区域在工作状态时压强较大，可能会造成压力泄露问题，严重时精密压力表可能还会出现爆裂现象，所以对精密压力表外壳进行划痕外观检测十分必要。
[0022]在制造精密压力表外壳时，由于冲压工艺、冲模长期使用出现磨损等原因，其表面可能会出现划痕外观本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的金属冲压件表面划痕检测方法，其特征在于，包括：采集金属冲压件表面图像，并对表面图像进行处理，得到显著区域；对所述显著区域进行拉东变换，得到显著区域中每个投影角度对应的直线；基于每一所述直线上像素点的灰度值计算所述直线对应的自相关序列；基于所述自相关序列确定划痕区域。2.根据权利要求1所述的基于人工智能的金属冲压件表面划痕检测方法，其特征在于，基于每一所述直线上像素点的灰度值计算所述直线对应的自相关序列，包括：确定切割点，基于所述切割点将灰度值序列分割，得到多个灰度值子序列；其中，所述灰度值序列为所述直线上所有像素点的灰度值形成的序列；计算每一灰度值子序列的自相关系数；将灰度值子序列的自相关系数进行排序，进而得到灰度值序列的自相关序列，所述灰度值序列的系相关序列为所述直线对应的自相关序列。3.根据权利要求2所述的基于人工智能的金属冲压件表面划痕检测方法，其特征在于，确定切割点，包括：利用累计和校验法计算每个灰度值序列的断点，将所述断点作为所述切割点。4.根据权利要求2所述的基于人工智能的金属冲压件表面划痕检测方法，其特征在于，计算每一灰度值子序列的自相关系数，包括：；其中，为灰度值序列第个灰度值子序列的自相关系数；为第个灰度值子序列中第个元素，为灰度值序列的均值，为第个灰度值子序列的自相关系数的滞后步数，为灰度值序列中第个灰度值子序列内像素点总数。5.根据权利要求2所述的基于人工智能的金属冲压件表面划痕检测方法，其特征在于，基于所述自相关序列确定划痕区域，包括：确定所有灰度值序列的自相关序列对应的峰值点；基于峰值点对应的灰度值子序列所包含的像素点的确定峰值点所在直线的中心点；以中心点作为距离原点，将显著区域灰...

【专利技术属性】
技术研发人员：吴有坤，吴晓明，朱建武，陈卫国，
申请(专利权)人：深圳市佳合丰科技有限公司，
类型：发明
国别省市：