基于X-RAY的汽车轮毂内部缺陷无损检测方法

摘要

本发明涉及图像数据处理技术领域，具体涉及基于X‑RAY的汽车轮毂内部缺陷无损检测方法，包括：对轮毂图像进行霍夫圆检测得到轮毂圆周序列，根据半径差异以及轮毂圆周序列获得的坐标占比获得权重值，结合权重值对像素点直线拟合，根据像素点与拟合直线的距离获得非线性程度值，根据半径、非线性程度以及坐标占比将像素点进行聚类，获得聚类簇相似度，根据相似度分析获取缺陷区域。本发明通过轮毂圆周序列可以感知得到轮毂中可能存在的缺陷区域，能够粗筛轮毂异常，减少后续计算量，提高对轮毂缺陷判断的准确性，根据可能存在缺陷区域之间的周期可能性，完成轮毂缺陷的准确检测。

权利要求

1.基于X‑RAY的汽车轮毂内部缺陷无损检测方法，其特征在于，该方法包括以下步骤：获取轮毂X光图像，并获取轮毂X光图像中的圆形边缘，将圆形边缘上的像素点所组成的序列记为轮毂圆周序列，根据不同半径大小获得多个轮毂圆周序列；

将像素点在对应轮毂圆周序列中的序号，与轮毂圆周序列中像素点的总数之间的比值，记为像素点的坐标占比；将不同轮毂圆周序列中坐标占比差异最小的像素点记为相对应的像素点；

将每个半径下的轮毂圆周序列每个像素点记为目标像素点，将所有轮毂圆周序列中与目标像素点相对应的像素点记为相对应像素点序列；

获取相对应像素点序列中任意像素点对应的半径，记为第一半径，根据第一半径和目标像素点对应半径的差异获得相对应像素点序列中任意像素点的权重值；

将相对应像素点序列中的像素点所对应的半径和灰度值作为像素点的二维坐标，根据相对应像素点序列中所有像素点二维坐标和权重值进行加权直线拟合，获得拟合直线，将目标像素点与拟合直线之间的距离记为目标像素点的非线性程度值；

将半径、像素点在轮毂圆周序列中的坐标占比以及非线性程度值对应的像素点作为三维直角坐标系中的数据点，对三维直角坐标系中的所有数据点进行聚类，获得若干个聚类簇；

将每个轮毂圆周序列中所有像素点对应的数据点所属的聚类簇记为目标聚簇，获取每一个目标聚簇中所有数据点与三维坐标系的原点之间的欧式距离，根据欧式距离的大小排列获得每个目标聚簇的欧式距离序列；

获取任意一个欧式距离序列与其他欧式距离序列的相似度，将相似度的最大值记为目标聚簇的周期可能性，根据周期可能性的大小获取汽车轮毂内部的缺陷区域；

所述加权直线拟合是指根据像素点的二维坐标和权重值，利用加权最小二乘法将相对应像素点序列中所有像素点加权拟合为一条直线。

2.根据权利要求1所述基于X‑RAY的汽车轮毂内部缺陷无损检测方法，其特征在于，所述轮毂圆周序列获取方法如下：将采集得到的轮毂X光图像转为灰度图像，记为轮毂灰度图像，对轮毂灰度图像利用Canny算子进行边缘检测，得到轮毂边缘图像，利用霍夫圆检测算法对轮毂边缘图像进行检测，获得多个霍夫圆，并只保留在预设半径范围内的所有霍夫圆；

获取所有霍夫圆对应的圆心坐标，统计每个圆心坐标出现的次数，将次数最多的圆心坐标作为当前在检测的轮毂的圆心坐标，记为轮毂圆心；

预设半径r，获取以轮毂圆心为圆心，半径为r的一个圆，获取轮毂灰度图像上在该圆周上的所有像素点，记为圆周像素点，将轮毂圆心正上方的一个圆周像素点作为起始数据点，沿顺时针遍历所有圆周像素点，获得一个像素点序列，该像素点序列记为半径为r时的轮毂圆周序列。

3.根据权利要求1所述基于X‑RAY的汽车轮毂内部缺陷无损检测方法，其特征在于，获取所述根据第一半径和目标像素点对应半径的差异获得相对应像素点序列中任意像素点的权重值，其方法如下：将目标像素点对应的半径的取值记为 ，将 作为任意一个像素点的权重

值，R表示第一半径，exp()表示以自然常数为底的指数函数。

4.根据权利要求1所述基于X‑RAY的汽车轮毂内部缺陷无损检测方法，其特征在于，获取所述相似度方法如下：根据每个目标聚簇中所有数据点对应的欧式距离的大小，由小到大进行排序，获得每个目标聚簇所对应的欧式距离序列；

将任意两个目标聚簇对应的欧式距离序列输入到DTW算法中，获得相似度。

5.根据权利要求1所述基于X‑RAY的汽车轮毂内部缺陷无损检测方法，其特征在于，获取所述缺陷区域，包括的具体步骤如下：预设可能性阈值，当目标聚簇内数据点的周期可能性小于等于可能性阈值时，则目标聚簇中数据点所对应的像素点组成的区域为缺陷区域；

当目标聚簇内数据点的周期可能性大于可能性阈值时，则目标聚簇中数据点所对应的像素点组成的区域为正常区域。

说明书

基于X‑RAY的汽车轮毂内部缺陷无损检测方法

技术领域

[0001] 本发明涉及图像数据处理技术领域，具体涉及基于X‑RAY的汽车轮毂内部缺陷无损检测方法。

背景技术

[0002] 轮毂是汽车重要部件，是支撑汽车和路面接触的桥梁，如果路况不好，或者突遇紧急情况，则轮毂所受压力变大，所以在汽车的生产过程中，汽车轮毂的生产质量事关汽车行驶安全。

[0003] 其中现有的汽车轮毂缺陷检测时，可采用X光进行无损缺陷检测，但是由于在X光下，由于X光成像是通过物体根据衰减特征进行成像的，如果缺陷不明显，则使得在X光下成像效果不佳，使得对轮毂缺陷检测较难，常规的分割方法难以实现检测。

[0004] 所以本发明提出了一种基于X‑RAY的汽车轮毂内部缺陷无损检测方法，根据轮毂呈现圆周且规律的特性，进而本方案通过X光图像中的圆周曲线分析，以实现汽车轮毂内部缺陷无损检测。

发明内容

[0005] 本发明提供基于X‑RAY的汽车轮毂内部缺陷无损检测方法，以解决现有的问题。

[0006] 本发明的基于X‑RAY的汽车轮毂内部缺陷无损检测方法采用如下技术方案：

[0007] 本发明提供了基于X‑RAY的汽车轮毂内部缺陷无损检测方法，该方法包括以下步骤：

[0008] 获取轮毂X光图像，并获取轮毂X光图像中的圆形边缘，将圆形边缘上的像素点所组成的序列记为轮毂圆周序列，根据不同半径大小获得多个轮毂圆周序列；

[0009] 将像素点在对应轮毂圆周序列中的序号，与轮毂圆周序列中像素点的总数之间的比值，记为像素点的坐标占比；将不同轮毂圆周序列中坐标占比差异最小的像素点记为相对应的像素点；

[0010] 将每个半径下的轮毂圆周序列每个像素点记为目标像素点，将所有轮毂圆周序列中与目标像素点相对应的像素点记为相对应像素点序列；

[0011] 获取相对应像素点序列中任意像素点对应的半径，记为第一半径，根据第一半径和目标像素点对应半径的差异获得相对应像素点序列中任意像素点的权重值；

[0012] 将相对应像素点序列中的像素点所对应的半径和灰度值作为像素点的二维坐标，根据相对应像素点序列中所有像素点二维坐标和权重值进行加权直线拟合，获得拟合直线，将目标像素点与拟合直线之间的距离记为目标像素点的非线性程度值；

[0013] 将半径、像素点在轮毂圆周序列中的坐标占比以及非线性程度值对应的像素点作为三维直角坐标系中的数据点，对三维直角坐标系中的所有数据点进行聚类，获得若干个聚类簇；

[0014] 将每个轮毂圆周序列中所有像素点对应的数据点所属的聚类簇记为目标聚簇，获取每一个目标聚簇中所有数据点与三维坐标系的原点之间的欧式距离，根据欧式距离的大小排列获得每个目标聚簇的欧式距离序列；

[0015] 获取任意一个欧式距离序列与其他欧式距离序列的相似度，将相似度的最大值记为目标聚簇的周期可能性，根据周期可能性的大小获取汽车轮毂内部的缺陷区域。

[0016] 进一步的，所述轮毂圆周序列，获取方法如下：

[0017] 将采集得到的轮毂X光图像转为灰度图像，记为轮毂灰度图像，对轮毂灰度图像利用Canny算子进行边缘检测，得到轮毂边缘图像，利用霍夫圆检测算法对轮毂边缘图像进行检测，获得多个霍夫圆，并只保留在预设半径范围内的所有霍夫圆；

[0018] 获取所有霍夫圆对应的圆心坐标，统计每个圆心坐标出现的次数，将次数最多的圆心坐标作为当前在检测的轮毂的圆心坐标，记为轮毂圆心；

[0019] 预设半径r，获取以轮毂圆心为圆心，半径为r的一个圆，获取轮毂灰度图像上在该圆周上的所有像素点，记为圆周像素点，将轮毂圆心正上方的一个圆周像素点作为起始数据点，沿顺时针遍历所有圆周像素点，获得一个像素点序列，该像素点序列记为半径为r时的轮毂圆周序列。

[0020] 进一步的，所述根据第一半径和目标像素点对应半径的差异获得相对应像素点序列中任意像素点的权重值，获取方法如下：

[0021] 将目标像素点对应的半径的取值记为 ，将 作为任意一个像素点的权重值，R表示第一半径，exp()表示以自然常数为底的指数函数。

[0022] 进一步的，所述加权直线拟合是指根据像素点的二维坐标和权重值，利用加权最小二乘法将相对应像素点序列中所有像素点加权拟合为一条直线。

[0023] 进一步的，所述相似度，获取方法如下：

[0024] 据每个目标聚簇中所有数据点对应的欧式距离的大小，由小到大进行排序，获得每个目标聚簇所对应的欧式距离序列；

[0025] 将任意两个目标聚簇对应的欧式距离序列输入到DTW算法中，获得相似度。

[0026] 进一步的，所述缺陷区域，包括的具体步骤如下：

[0027] 预设可能性阈值，当目标聚簇内数据点的周期可能性小于等于可能性阈值时，则目标聚簇中数据点所对应的像素点组成的区域为缺陷区域；

[0028] 当目标聚簇内数据点的周期可能性大于可能性阈值时，则目标聚簇中数据点所对应的像素点组成的区域为正常区域。

[0029] 本发明的技术方案的有益效果是：通过轮毂圆周曲线可以感知得到当前轮毂中可能存在异常区域，能够粗筛轮毂异常，减少后续计算量，提高后续轮毂异常判断的准确性。在根据可能存在异常区域之间的周期性，完成当前轮毂异常判断的准确检测。

附图说明

[0030] 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，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地介绍，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他的附图。

[0031] 图1为本发明基于X‑RAY的汽车轮毂内部缺陷无损检测方法的步骤流程图。

具体实施方式

[0032] 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基于X‑RAY的汽车轮毂内部缺陷无损检测方法，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。

[0033] 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。

[0034] 下面结合附图具体的说明本发明所提供的基于X‑RAY的汽车轮毂内部缺陷无损检测方法的具体方案。

[0035] 请参阅图1，其示出了本发明一个实施例提供的基于X‑RAY的汽车轮毂内部缺陷无损检测方法的步骤流程图，该方法包括以下步骤：

[0036] 步骤S001，获取轮毂的X光图像。

[0037] 将需要检测的轮毂水平放置在X‑ray图像采集器下，俯视当前轮毂，采集得到轮毂的X‑ray图像，记为轮毂X光图像；

[0038] 其中X‑ray图像采集器与数据处理中心通过有线连接的方法，将采集得到轮毂的X‑ray图像发送至数据处理中心。

[0039] 至此，获得轮毂X光图像。

[0040] 步骤S002，结合边缘检测和霍夫圆检测获取轮毂X光图像中的轮毂圆周序列。

[0041] 由于轮毂为圆形，且形状规律，所以获取以轮毂中心，不同圆周半径下的轮毂圆周曲线，得到多组的轮毂圆周曲线，其中如果轮毂存在缺陷，则缺陷位置必定会在图像中与其周围区域形成差异，但是如果缺陷不明显，则可能会导致视觉检测效果不明显。但是会在轮毂圆周曲线上进行反应出来，进而通过对轮毂圆周曲线分析可以得到轮毂异常区域。

[0042] 在得到轮毂异常区域后，由于缺陷往往是呈现区域性质的，所以通过多组的轮毂圆周曲线，可以完成当前轮毂的缺陷检测。

[0043] 获取轮毂圆周曲线的过程为：

[0044] 将采集得到的轮毂X光图像转为灰度图像，记为轮毂灰度图像，对轮毂灰度图像利用Canny算子进行边缘检测，得到轮毂边缘图像，利用现有的霍夫圆检测算法对轮毂边缘图像进行检测，获得多个霍夫圆，本实施例中只保留预设半径范围为 的所有霍夫圆，其中霍夫圆的半径范围可由实施者根据具体实施场景进行调整。

[0045] 由现有霍夫圆检测算法的检测结果可直接获取所有霍夫圆对应的圆心坐标，统计每个圆心坐标出现的次数，将次数最多的圆心坐标作为当前在检测的轮毂的圆心坐标，记为轮毂圆心 。

[0046] 获取一个以轮毂圆心 为圆心，半径为r的一个圆，获取轮毂灰度图像上在该圆周上的所有像素点，记为圆周像素点，将轮毂圆心 正上方的坐标点为（x‑r,y）的一个圆周像素点作为起始数据点，沿顺时针遍历所有圆周像素点，获得一个像素点序列，该像素点序列记为半径为r时的轮毂圆周序列。

[0047] 其中由于缺陷具有区域性，所以本实施例选择多组的轮毂圆周曲线进行缺陷分析，即局部近似性，所以本实施例需要选择获取以轮毂圆心 为圆心，多个半径r值对应的轮毂圆周序列，本实施例取 ，其中r值的取值范围，和个数及具体的数值，可由实施者根据具体实施场景进行调整。

[0048] 至此，为r设定了多个取值，且每个半径r都对应一个轮毂圆周序列。

[0049] 步骤S003，根据轮毂圆周序列中各像素点的序号获得坐标占比，根据相同坐标占比的像素点所形成的相对应像素点序列中像素点对应半径的差异获得权重值，根据权重值对像素点直线拟合，根据像素点与拟合直线的距离获得非线性程度值。

[0050] 其中，由于在轮毂上的缺陷往往都具有局部区域性，所以会导致多个大小相邻的半径r对应的轮毂圆周序列之间存在局部灰度值变化相近似的部分，所以本实施例通过寻找半径r值相近，且具有较高异常程度的灰度区域，作为当前轮毂中的局部异常区域。

[0051] 由于轮毂的形状比较规律，所以每一个半径r值对应的圆周曲线数据，是一个具有规律性的灰度数据，其中由于不同r导致圆周的周长不等，从而会使得不同r值下的圆周曲线数据长度不等。

[0052] 并且由于轮毂缺陷会呈现出区域性，所以相邻r值下曲线应当具有近似波动，且轮毂圆周序列的局部异常区域之间由于是按照圆周数据的长度进行排列，可能使得同一局部异常区域的像素点对应在轮毂圆周序列中的元素，存在部分元素的序号发生错位，即序号相差过大。

[0053] 其中由于多组半径对应的圆周曲线之间的距离越小，灰度值变化越近似，则异常的可能性越小。

[0054] 对于上述多个半径r值下对应的多个轮毂圆周序列，每个轮毂圆周序列都是一个关于像素点的序列，这些像素点序列的长度不相同，对于每个轮毂圆周序列，获取轮毂圆周序列中每个像素点的序号与所在的轮毂圆周序列的序列长度的比值，记为每个像素点的坐标占比，例如该序列的长度为b，那么序列中第a个像素点的坐标占比记为a/b。

[0055] 对于任意两个轮毂圆周序列，其中一个记为第一序列，另一个记为第二序列，分别从第一序列中任意一个像素点与第二序列中坐标占比差异最小的像素点，将两个轮毂圆周序列中坐标占比差异最小的两个像素点记为相对应的像素点，需要说明的是，当出现第一序列中任意一个像素点与第二序列中坐标占比差异最小的像素点有两个时，在这两个像素点中选取序号靠前的一个，作为与第一序列中该像素点相对应的像素点。

[0056] 至此获得任意两个序列中相对应的像素点。

[0057] 在上述的所有半径r值中，对于其中第i个半径对应的轮毂圆周序列中的第j个像素点，获取对应的非线性程度值 ，具体获取方法为：

[0058] 首先，获取第i个半径对应的轮毂圆周序列中的第j个像素点在其他所有半径对应的轮毂圆周序列中相对应的像素点，将第i个半径对应的轮毂圆周序列中的第j个像素点以及其相对应的像素点组成的序列记为相对应像素点序列 ；

[0059] 然后，对于相对应像素点序列 中的任意一个像素点，获取该像素点所在的轮毂圆周序列对应的半径，记为第一半径R，将第i个半径的取值记为 ，将 作为任意一个像素点的权重值；

[0060] 至此获得相对应像素点序列 中的任意一个像素点的权重值。

[0061] 所述像素点的权重值表示：第i个半径下对应圆周曲线上第j个数据点，与其他圆周半径序列上第j个数据点之间的距离，两个半径下的像素点之间的距离越远，则其他圆周半径在用于第i个半径下轮毂圆周序列的异常检测时的作用就越小，因此权重值就应该越小。

[0062] 另外，在相对应像素点序列 中，每个像素点对应一个半径和一个灰度值，将半径作为每个像素点的横坐标，将灰度值作为每个像素点的纵坐标，至此 中每个像素点对应一个二维坐标和一个权重值；

[0063] 根据像素点的二维坐标和权重值，利用加权最小二乘法将相对应像素点序列中所有像素点加权拟合为一条直线，记为拟合直线；获取第i个半径对应的像素点序列中的第j个像素点所对应的二维坐标，计算第i个半径对应的像素点序列中的第j个像素点到该直线的距离，记为非线性程度值 。

[0064] 步骤S004，根据半径、非线性程度以及坐标占比将像素点进行聚类，根据聚类结果获得相似度，根据相似度分析获取轮毂的缺陷区域。

[0065] 在得到第i个半径在第j个像素点对应的非线性程度值 后，由于轮毂异常区域具有局部近似性，以半径r值为第一坐标，坐标占比f为第二坐标，非线性程度值 为第三坐标，建立三维直角坐标系，因此每个半径r所对应的轮毂圆周序列中，每个像素点在该直角坐标系中对应一个三维的数据点；

[0066] 将所有半径对应的轮毂圆周序列中所有像素点对应的数据点输入均值漂移算法，通过均值偏移算法，对所有数据点进行分类，其中由于相邻像素点之间的半径r，坐标占比f相似，所以均值偏移算法会将 分布近似的聚为一类，共得到K个聚类簇。

[0067] 在第i个半径对应的轮毂圆周序列中，获取轮毂圆周序列中所有像素点对应的数据点分别所属的聚类簇，进而得到第i个半径对应的若干聚簇，将第i个半径对应的若干个聚类簇中的第k个聚类簇记为 ，聚类簇 中包含着若干数据点，分别获取聚类簇 与第i个半径中对应的若干个聚类簇中的其他每个聚类簇的相似度，这些相似度最大值记为第i个半径对应的第k个聚类簇 的周期可能性。

[0068] 聚类簇 与第i个半径中对应的若干个聚类簇中的其他每个聚类簇的相似度的获取方法为：

[0069] 首先，分别获取聚类簇 中所有数据点与三维坐标系的原点之间的欧式距离；

[0070] 然后，根据聚类簇 中所有数据点对应的欧式距离的大小，由小到大进行排序，获得聚类簇 所对应的欧式距离序列；同理获得其他每个聚类簇所对应的欧式距离序列；

[0071] 最后，将聚类簇 与其他聚类簇对应的欧式距离序列输入到DTW算法中，获得相似度；

[0072] 至此，获得了每个半径下对应的每个聚类簇的周期可能性，对所有半径下对应的所有聚类簇的周期可能性进行线性归一化处理。

[0073] 人为设定可能性阈值th，当第i个半径对应圆周曲线中，第 个聚类簇内数据点的周期可能性小于等于可能性阈值th时，则表示第i个半径对应的第 个聚类簇的数据点所对应的像素点组成的区域为缺陷区域；

[0074] 当第i个半径对应圆周曲线中，第 个聚类簇内数据点的周期可能性大于可能性阈值th时，则表示第i个半径对应的第 个聚类簇的数据点所对应的像素点组成的区域为正常区域。

[0075] 其中可能性阈值th为预设的超参数，实施者可根据具体实施场景进行调整，本实施例预设r=0.6，实施者可根据具体实施场景进行调整。

[0076] 需要说明的是，本实施例中所用的exp(‑x)模型仅用于表示负相关关系和约束模型输出的结果处于 区间内，具体实施时，可替换成具有同样目的的其他模型，本实施例只是以exp(‑x)模型为例进行叙述，不对其做具体限定，其中x是指该模型的输入。

[0077] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。