(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210461657.2 (22)申请日 2022.04.28 (71)申请人 南通启锦智能科技有限公司 地址 226200 江苏省南 通市启东市合作镇 教育路(镇政 府西侧) (72)发明人 余小云　董树峨　 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 7/12(2017.01) G06T 7/13(2017.01) G06T 7/136(2017.01) G06T 5/00(2006.01) G06T 3/60(2006.01) G06V 10/74(2022.01) G06V 10/764(2022.01)G06V 10/774(2022.01) (54)发明名称 一种基于计算机视觉的机械零件表面气孔 缺陷检测方法 (57)摘要 本发明涉及机械零件缺陷检测领域， 具体涉 及一种基于计算机视觉的机械零件表面气孔缺 陷检测方法， 包括： 获取待处理的机械零件表面 图像对应的缺陷概率图； 获取缺陷概率图中的不 确定区域； 对不确定区域中的像素点及其8邻域 像素点进行缺陷概率值差异判断， 获取不确定区 域对应的图像 分割图； 利用图像分割图中边缘像 素点的缺陷相似度和缺陷差异度， 获取图像分割 图对应的主要复制增强端和起始旋转方向； 利用 图像分割图对应的主要复制增强端和起始旋转 方向， 获取图像分割图对应的旋转复制的新图 像； 将旋转复制的新图像输入训练好的缺陷识别 网络， 完成对机械零件表面的气孔检测。 通过上 述方法可增强气孔缺陷的图像特征， 有效提高气 孔缺陷检测精度。 权利要求书2页 说明书6页 附图2页 CN 114937004 A 2022.08.23 CN 114937004 A 1.一种基于计算机 视觉的机械零件表面气孔 缺陷检测方法， 其特 征在于， 包括： 获取待处 理的机械零件表面图像对应的缺陷概 率图； 对获取的缺陷概率图进行阈值分割， 获得缺陷概率图中的不确定区域； 通过对该不确 定区域中的像素点及其8邻域像素点进行缺陷概率值差异判断， 获取不确定区域对应的图 像分割图； 通过对分割后的区域图像中缺陷概率值较大的边缘像素点进行缺陷相似度计算， 获取 该区域图像对应的主 要复制增强端； 通过对区域图像对应的主要复制增强端的边缘像素点进行缺陷差异度计算， 获取该区 域图像对应的起始旋转方向； 以主要复制增强端的最外边缘像素点为圆心， 以区域图像为半径， 沿着起始旋转方向 进行旋转复制一周， 获取不确定区域对应的旋转复制的新图像； 通过对不确定区域对应的旋转复制的新图像中增大的缺陷区域进行气孔检测， 得到该 不确定区域对应的原 始图像中新的气孔 缺陷像素点的位置 。 2.根据权利要求1所述的一种基于计算机视觉的机械零件表面气孔缺陷检测方法， 其 特征在于， 所述待处 理的机械零件表面图像对应的缺陷概 率图是按照如下 方式获取： 将采集到的待处理的机械零件表面图像进行灰度处理， 获取该机械零件表面图像对应 的灰度图； 对灰度图中的气孔缺陷位置的像素点进行标记， 将标记好的灰度图输入缺陷识别网络 进行训练， 得到训练好的缺陷识别网络； 将待处理的机械零件表面图像对应的灰度图输入训练好的缺陷识别网络进行特征提 取， 获取待处 理的机械零件表面图像对应的缺陷概 率图。 3.根据权利要求1所述的一种基于计算机视觉的机械零件表面气孔缺陷检测方法， 其 特征在于， 所述 缺陷概率图中的不确定区域是按照如下 方式获取： 设定缺陷分类阈值M1， 对缺陷概率图中的像素点进行初步缺陷识别： 当缺陷概率图中第 i个像素点的缺陷概 率值Pi＞M1时， 将该像素点识别为 缺陷像素点； 设定缺陷分类阈值M2， 对缺陷概率图中Pi≤M1的像素点进行进一步的缺陷识别： 当Pi＜ M2时， 将该像素点识别为 正常像素点； 当M2≤Pi≤M1时， 将该像素点识别为 不确定像素点； 将缺陷概率图中识别为缺陷和正常的像素点进行标记， 获取缺陷概率图中的不确定区 域。 4.根据权利要求1所述的一种基于计算机视觉的机械零件表面气孔缺陷检测方法， 其 特征在于， 所述 不确定区域对应的图像分割图是按照如下 方式获取： 获取缺陷概率图中不确定区域的概率值局部最大值的像素点； 将该概率值局部最大值 的像素点作为中心 点， 判断该中心 点及其8邻域像素点的概率值差异， 获取与中心 点概率值 差值最小的8邻域像素点； 将该与中心点概率值差值最小的8邻域像素点和中心点进行连 线； 获取缺陷概率图中不确定区域的概率值与中心点相近的像素点， 判断该像素点及其8 邻域像素点的概率值差异， 获取与该像素点概率值差值最小的8邻域像素点； 将与该像素点 概率值差值最小的8邻域像素点和该像素点进行 连线； 重复上述步骤， 对不确定区域中的像素点及其8邻域像素点不断进行概率值差异判断，权　利　要　求　书 1/2 页 2 CN 114937004 A 2得到缺陷概率图中不确定区域的图像分割线； 当该图像分割线形成闭合的连通域时， 获得 不确定区域对应的图像分割图。 5.根据权利要求1所述的一种基于计算机视觉的机械零件表面气孔缺陷检测方法， 其 特征在于， 所述 不确定区域对应的旋转复制的新图像是按照如下 方式获取： 获取分割后的区域图像中缺陷概率值较大的边缘像素点的缺陷相似度， 将大于缺陷相 似度阈值的边 缘像素点作为主 要复制增强端； 获取主要 复制增强端的边缘像素点的缺陷差异度， 将大于缺陷差异度阈值的边缘像素 点一侧作为 起始旋转方向； 以主要复制增强端的最外边缘像素点为圆心， 以分割后的区域图像为半径， 沿着起始 旋转方向进行旋转复制一周， 获取不确定区域对应的旋转复制的新图像。 6.根据权利要求1或5所述的一种基于计算机视觉的机械零件表面气孔缺陷检测方法， 其特征在于， 所述 边缘像素点的缺陷相似度是按照如下 方式获得： 获取分割后的区域图像中缺陷概 率较大的边 缘像素点的缺陷概 率值Pb(xi， yi)； 获取缺陷概率较大的边缘像素点对应的区域图像内部相邻像素点的缺陷概率值Pn(xi， yi)； 将缺陷概率较大的边缘像素点及其对应的内部相邻像素点的缺陷概率值作差， 获得该 缺陷概率较大的边 缘像素点的缺陷相似度， 缺陷相似度ρ 的表达式如下： 式中： (xi， yi)表示第i个像素点的坐标位置， Pb(xi， yi)表示坐标为(xi， yi)的边缘像素点 的缺陷概率值， Pn(xi， yi)表示与坐标为(xi， yi)的边缘像素点内部相邻的像素点缺陷概率 值。 7.根据权利要求1或5所述的一种基于计算机视觉的机械零件表面气孔缺陷检测方法， 其特征在于， 所述 边缘像素点的缺陷差异度是按照如下 方式获得： 获取分割后的区域图像中缺陷概 率较大的边 缘像素点的缺陷概 率值Pb(xi， yi)； 获取缺陷概率较大的边缘像素点对应的区域图像外部相邻像素点的缺陷概率值Pw(xi， yi)； 将缺陷概率较大的边缘像素点及其对应的外部相邻像素点的缺陷概率值作差， 获得该 缺陷概率较大的边 缘像素点的缺陷差异度， 缺陷差异度 的表达式如下： 式中： (xi， yi)表示第i个像素点的坐标位置， Pb(xi， yi)表示坐标为(xi， yi)的边缘像素点 的缺陷概率值， Pw(xi， yi)表示与坐标为(xi， yi)的边缘像素点外部相邻的像素点缺陷概率 值。权　利　要　求　书 2/2 页 3 CN 114937004 A 3