CN115690108A - 一种基于图像处理的铝合金杆生产质量评估方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及一种基于图像处理的铝合金杆生产质量评估方法，该方法通过获取金属件的表面图像，对表面图像进行图像处理，得到灰度图像；确定灰度图像中的各个目标缺陷像素点，进而得到各个聚集块；结合任意两个聚集块之间的距离和连线上各个像素点及其周围邻域像素点的灰度值，确定各个候选聚类半径，并最终确定最优密度聚类半径；利用最优密度聚类半径，对灰度图像中进行密度聚类，得到灰度图像中的缺陷区域，进而确定质量评估结果。本发明通过对金属件的表面图像进行相应的图像处理，自适应确定最优密度聚类半径，从而可以准确划分图像中的缺陷区域，最终提高了金属件生产质量评估的准确性。

Description

一种基于图像处理的铝合金杆生产质量评估方法

技术领域

本发明涉及图像数据处理技术领域，具体涉及一种基于图像处理的铝合金杆生产质量评估方法。

背景技术

铝合金锻造件具有精密度高、抗冲击性能好、耐腐蚀好等特点，在其生产过程中常常因为操作不当或者工艺不娴熟，出现气孔缺陷。例如，在铝合金杆的生产过程中，浇筑出来的铝合金杆中间部位偶尔会出现少量的气孔，这些气孔形成的原因是浇帽口设计不合理或铝液精炼效果不好，结晶轮、钢带表面渗水，或者浇铸时，结晶轮、钢带表面油挥发。当铝合金锻造件出现气孔缺陷时，往往会造成铸件因质量问题报废，从而提高生产成本，因此需要对生产出来的铝合金锻造件的表面气孔缺陷进行检测。

传统的铝合金锻造件气孔缺陷检测一般由人工目测来实现，但是检测结果可靠性差，且浪费大量的人力。随着计算机机器视觉技术的发展，基于图像处理的表面缺陷检测方法被逐渐应用到铝合金锻造件气孔缺陷检测中。例如，在现有技术中，通过获取铝合金锻造件的表面灰度图像，并基于该灰度图像中各个像素点的灰度和像素点位置，采用DBSCAN密度聚类算法对灰度图像中的像素点进行聚类，将属于同一区域的像素点划归为一类，从而可以确定各个气孔区域。但是，在采用DBSCAN密度聚类算法进行聚类时，聚类半径需要人为设定，这就不能保证聚类半径的准确性，当聚类半径较大时，会出现欠分割，就会将不同区域的像素点聚集为一类，而当聚类半径太小时，又会导致过度分割，就会将同一区域聚集为多个类别，最终都将导致所确定的气孔区域不够准确，进而影响铝合金锻造件的质量评估结果。

发明内容

本发明的目的在于提供一种基于图像处理的铝合金杆生产质量评估方法，用于解决现有人为确定聚类半径对铝合金锻造件表面的气孔进行识别，识别结果不准确进而导致铝合金锻造件的质量评估结果不可靠的问题。

为解决上述技术问题，本发明提供了一种基于图像处理的铝合金杆生产质量评估方法，包括以下步骤：

获取待评估的金属件的表面图像，对表面图像进行图像处理，从而得到灰度图像；

根据灰度图像中各个像素点的灰度值，确定各个目标缺陷像素点，根据各个目标缺陷像素点的位置，对各个目标缺陷像素点进行聚集分组，得到各个聚集块和各个聚集块的中心缺陷点；

根据每两个聚集块的中心缺陷点连线上各个像素点及其周围邻域像素点的灰度值，确定每两个聚集块的中心缺陷点连线上各个像素点对应的梯度均值；

根据每两个聚集块的中心缺陷点连线上各个像素点对应的梯度均值以及每两个聚集块的中心缺陷点之间的距离值，确定每两个聚集块的关联性指标；

根据每两个聚集块的中心缺陷点连线上各个像素点对应的梯度均值以及每两个聚集块的关联性指标，确定每两个聚集块的聚集性指标；

根据每两个聚集块的聚集性指标、每两个聚集块的中心缺陷点连线上各个像素点的灰度值和各个像素点对应的梯度均值，确定各个候选聚类半径；

根据各个候选聚类半径，确定最优密度聚类半径，并根据最优密度聚类半径，对灰度图像中的各个像素点进行密度聚类，从而得到灰度图像中的缺陷区域，进而确定金属件的质量评估结果。

进一步的，确定各个目标缺陷像素点，包括：

根据灰度图像中各个像素点的灰度值，确定灰度直方图，并根据灰度直方图，确定灰度曲线；

确定灰度曲线上的各个波峰中的目标波峰，并确定目标波峰对应的最大灰度值；

根据目标波峰对应的最大灰度值，在灰度图像中确定各个目标缺陷像素点，目标缺陷像素点的灰度值等于所述最大灰度值。

进一步的，确定每两个聚集块的中心缺陷点连线上各个像素点对应的梯度均值，包括：

根据每两个聚集块的中心缺陷点连线上各个像素点及其周围邻域像素点的灰度值，确定每两个聚集块的中心缺陷点连线上各个像素点及其周围邻域像素点的灰度梯度；

构建每两个聚集块的中心缺陷点连线上各个像素点的滑窗区域，将滑窗区域内各个像素点的灰度梯度的均值确定为滑窗区域对应的连线上像素点对应的梯度均值。

进一步的，确定每两个聚集块的关联性指标，包括：

按照每两个聚集块的中心缺陷点连线从一端到另外一端的方向，对每两个聚集块的中心缺陷点连线上各个像素点对应的梯度均值进行排序，从而得到每两个聚集块的梯度均值序列；

确定每两个聚集块的梯度均值序列中任意两个相邻的梯度均值之间的差值，并根据最大的两个相邻的梯度均值之间的差值所对应的两个梯度均值确定目标梯度均值，根据每两个聚集块对应的最大的两个相邻的梯度均值之间的差值、目标梯度均值以及每两个聚集块的中心缺陷点之间的距离值，确定每两个聚集块的关联性指标，所述关联性指标与对应的最大的两个相邻的梯度均值之间的差值、目标梯度均值和距离值均为负相关关系。

进一步的，确定每两个聚集块的关联性指标对应的计算公式为：

其中，

为每两个聚集块的关联性指标，

为每两个聚集块对应的最大的两 个相邻的梯度均值之间的差值，

为每两个聚集块对应的目标梯度均值，

为每两个聚集块 的中心缺陷点之间的距离值，exp为以自然常数e为底数的指数函数。

进一步的，确定每两个聚集块的聚集性指标，包括：

对于每两个聚集块的梯度均值序列，确定梯度均值序列中的最大梯度均值，计算最大梯度均值分别与其前面的各个梯度均值之间的差值的均值，从而得到第一梯度差异指标，计算最大梯度均值分别与其后面的各个梯度均值之间的差值的均值，从而得到第二梯度差异指标；

根据每两个聚集块对应的关联性指标、第一梯度差异指标和第二梯度差异指标，确定每两个聚集块的聚集性指标，所述聚集性指标与对应的第一梯度差异指标和第二梯度差异指标的差值绝对值、关联性指标均为正相关关系。

进一步的，确定每两个聚集块的聚集性指标对应的计算公式为：

其中，

为每两个聚集块的聚集性指标，

为每两个聚集块对应的第一梯度差 异指标，

为每两个聚集块对应的第二梯度差异指标，e为自然常数，exp为以自然常数e 为底数的指数函数，K为每两个聚集块的关联性指标。

进一步的，确定各个候选聚类半径，包括：

根据每两个聚集块的中心缺陷点连线上各个像素点的灰度值和各个像素点对应的梯度均值，确定每两个聚集块的中心缺陷点连线上各个像素点对应的梯度均值中的最大值，并将梯度均值中的最大值所对应的连线上像素点的灰度值确定为每两个聚集块的边缘灰度值；

根据每两个聚集块的中心缺陷点的灰度值、每两个聚集块的边缘灰度值和聚集性指标，确定每两个聚集块对应的候选聚类半径，所述候选聚类半径与对应的中心缺陷点的灰度值和边缘灰度值的差值均为正相关关系，且与对应的聚集性指标为负相关关系。

进一步的，确定最优密度聚类半径，包括：

将各个候选聚类半径中的最小的候选聚类半径确定为最优密度聚类半径。

进一步的，各个聚集块的中心缺陷点为对各个目标缺陷像素点进行聚集分组得到各个聚集块时所对应的聚类中心点。

本发明具有如下有益效果：通过获取待评估的金属件的表面图像，利用图像处理的方式对该表面图像进行处理，从而可以得到灰度图像。根据灰度图像中像素点灰度的变化关系，可以准确确定灰度图像中的各个目标缺陷像素点。由于这些目标缺陷像素点本身就是异常像素点，因此根据这些目标缺陷像素点的位置，通过聚集分组也就是聚类，就可以准确聚类得到各个聚集块，每个聚集块对应一个疑似缺陷区域。通过考虑每两个聚集块连线上各个像素点对应的梯度均值，可以准确评估两个聚集块对应两个疑似缺陷区域的边缘距离情况，并结合每两个聚集块之间的距离值，确定每两个聚集块的关联性指标，该关联性指标可以准确表征两个聚集块对应两个疑似缺陷区域的距离大小。由于两个疑似缺陷区域的边缘位置关系同样影响到聚类半径的选择，因此根据每两个聚集块的中心缺陷点连线上各个像素点对应的梯度均值，对两个聚集块对应两个疑似缺陷区域的边缘位置关系情况进行评估，如两个疑似缺陷区域的边缘是远离还是接壤，并结合关联性指标，来确定每两个聚集块的聚集性指标，该聚集性指标统筹考虑了两个疑似缺陷区域的距离和边缘位置关系，可以准确表征两个疑似缺陷区域的位置关系。由于疑似缺陷区域本身的边缘灰度和中心灰度差异情况也会影响到聚类半径的选取，因此根据每两个聚集块的中心缺陷点连线上各个像素点的灰度值和各个像素点对应的梯度均值，对疑似缺陷区域本身的边缘灰度和中心灰度差异情况进行分析，并结合聚集性指标，可以准确确定每两个聚集块对应的候选聚类半径。对各个候选聚类半径进行筛选，可以筛选出适应所有疑似缺陷区域的优密度聚类半径。由于该最优密度聚类半径与金属件的表面图像对应的灰度图像相适配，因此再采用密度聚类算法对灰度图像中的各个像素点进行密度聚类时，可以准确划分灰度图像中的缺陷区域，从而最终提高了金属件生产质量评估的准确性。

附图说明

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和优点，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的介绍，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它附图。

图1为本发明的基于图像处理的铝合金杆生产质量评估方法的流程图；

图2为本发明的铝合金杆表面的RGB图像的某部分图像示意图；

图3为本发明的不同聚集块所在的疑似气孔缺陷区域之间的位置关系示意图。

具体实施方式

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技术方案的具体实施方式、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。

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。

由于在采用DBSCAN密度聚类算法对图像中的像素点进行聚类分割时，聚类半径的选择不同会造成图像不同的分割结果，因此针对现有人为确定聚类半径来识别铝合金锻造件表面的气孔不准确，进而导致铝合金锻造件的质量评估结果不可靠的问题，本实施例提供了一种基于图像处理的铝合金杆生产质量评估方法，该方法针对不同铝合金杆表面出现气孔的情况，自适应确定最优的聚类半径，以准确识别铝合金杆表面的气孔缺陷区域，然后分割出气孔缺陷区域，有效提高了铝合金杆的质量评估结果。

具体的，该基于图像处理的铝合金杆生产质量评估方法对应的流程图如图1所示，包括以下步骤：

步骤S1：获取待评估的金属件的表面图像，对表面图像进行图像处理，从而得到灰度图像。

其中，使用CCD相机通过俯视视角采集铝合金杆表面的RGB图像，为了便于后续准确确定聚类半径，在采集图像的过程中，所需的环境光照均匀，且无其他影响因素，如异物遮挡。图2给出了采集到的存在气孔缺陷的铝合金杆表面的RGB图像的某部分图像。对采集得到的RGB图像进行相应的图像处理，如去噪和灰度化处理等常规处理，从而获得对应的灰度图像。

步骤S2：根据灰度图像中各个像素点的灰度值，确定各个目标缺陷像素点，根据各个目标缺陷像素点的位置，对各个目标缺陷像素点进行聚集分组，得到各个聚集块和各个聚集块的中心缺陷点。

在采用DBSCAN密度聚类算法对铝合金杆的灰度图像进行区域分割时，主要是根据图像中的灰度变化获得不同的分割区域。因为在铝合金杆表面形成的气孔缺陷不是单一分布的，通常是连续密集分布的，不同的缺陷区域可能会连在一起或挨的比较近，因此在通过DBSCAN聚类算法对像素点进行聚类时，选择合适的聚类半径是尤为关键的。若选择的聚类半径过大，会将不同区域的像素点聚为一类，导致将两个或两个以上小的气孔分割为一个大的气孔，使得在对铝合金杆的质量评价时误差较大；若选择的聚类半径太小，又有可能会将原本属于同一区域的像素点分割开，使得图像的缺陷区域增多。因此，在采用DBSCAN密度聚类算法对铝合金杆的灰度图像进行分割时，获得合适的聚类半径至关重要。

为了便于后续获取合适的聚类半径，根据灰度图像中各个像素点的灰度值，确定各个目标缺陷像素点，具体实现步骤包括：

步骤S21：根据灰度图像中各个像素点的灰度值，确定灰度直方图，并根据灰度直方图，确定灰度曲线。

步骤S22：确定灰度曲线上的各个波峰中的目标波峰，并确定目标波峰对应的最大灰度值。

步骤S23：根据目标波峰对应的最大灰度值，在灰度图像中确定各个目标缺陷像素点，目标缺陷像素点的灰度值等于所述最大灰度值。

具体的，根据步骤S1中获取的灰度图中各个像素点的灰度值，对每个灰度值出现频率进行统计，从而可以得到灰度直方图。由于获取灰度直方图的具体实现过程属于现有技术，此处不再赘述。在获得灰度直方图后，以灰度直方图中的各个灰度值为横坐标，并以各个灰度值所对应的频率值为纵坐标，拟合曲线，从而可以得到一条灰度曲线。

因为铝合金杆表面的气孔缺陷的灰度值相较于正常区域的灰度值较小，因此在获 得的灰度曲线中，会出现两个波峰，小波峰表示的就是疑似气孔缺陷区域的像素点的灰度 值，而大波峰表示的是正常区域的像素点的灰度值，选择小波峰作为灰度曲线上的各个波 峰中的目标波峰，并确定该目标波峰中最大频率所对应的灰度值

，该目标波峰中最大频 率所对应的灰度值

即为该目标波峰对应的最大灰度值。

根据目标波峰对应的最大灰度值，在灰度图像中确定灰度值为该最大灰度值的各个像素点，这些像素点表示的就是疑似气孔缺陷区域内的像素点，但不是完整的气孔缺陷区域，这里将这些像素点称为目标缺陷像素点，也称为标记像素点。因为疑似气孔缺陷区域的像素点的灰度值都是相似的，因此获得的这些目标缺陷像素点会零散地分布在图像中。

在通过上述步骤S21-S23得到灰度图像中的各个目标缺陷像素点之后，对这些目标缺陷像素点进行密度聚类，也就是进行聚集分组，从而可以得到各个聚集块。在对这些目标缺陷像素点进行密度聚类时，所使用到的聚类半径通常设置的较小，本实施例设置该聚类半径为2，本领域技术人员可以根据需要对该聚类半径进行适应性修改。需要指出是，上述在对目标缺陷像素点进行密度聚类时，由于这些目标缺陷像素点是已知的像素点，因此在确定好合适的聚类半径后，就能够获得不同密度的聚集块。

在得到各个聚集块之后，确定每个聚集块所对应的中心缺陷点。在本实施例中，各个聚集块的中心缺陷点为对各个目标缺陷像素点进行聚集分组得到各个聚集块时所对应的聚类中心点，也就是说，在对这些目标缺陷像素点进行密度聚类，将最终得到各个聚集块时所对应的各个聚类中心作为对应聚集块的中心缺陷点。

步骤S3：根据每两个聚集块的中心缺陷点连线上各个像素点及其周围邻域像素点的灰度值，确定每两个聚集块的中心缺陷点连线上各个像素点对应的梯度均值。

由于上述的各个聚集块是通过对相同灰度大小的目标缺陷像素点进行密度聚类得到的，因此所获得的各个聚集块也仅仅是疑似气孔缺陷区域中的部分像素点，并且密度聚类是根据像素点的聚集性进行聚类的，无法将属于该区域但是离散的点聚成一类。因此使用DBSCAN聚类方法可以获得完整的疑似气孔缺陷区域，而使用该DBSCAN聚类算法的关键是选择合适的聚类半径。

在确定DBSCAN聚类算法的聚类半径时，考虑到铝合金杆上的疑似气孔缺陷区域之间的距离较小，因此在计算聚类半径的时候，需要根据疑似气孔缺陷区域的边缘像素点来获得不同疑似气孔缺陷区域之间的距离，距离越小，说明在对图像中的像素点进行聚类的时候，越需要较小的聚类半径，这样才不会将原本属于两个疑似气孔缺陷区域的像素点聚为一类。因此，后续在采用DBSCAN聚类算法对图像进行聚类时，需要根据距离近的疑似气孔缺陷区域之间的距离来调节聚类半径。

基于上述分析，为了衡量不同疑似气孔缺陷区域之间的距离，本实施例提出了关联性指标的概念，该关联性指标表征了任意两个聚集块所在的疑似气孔缺陷区域之间的距离的大小。当任意两个聚集块所在的疑似气孔缺陷区域之间的距离较小时，说明这两个聚集块所在的疑似气孔缺陷区域处于粘连状态，此时这两个聚集块的关联性指标就比较大；当任意两个聚集块所在的疑似气孔缺陷区域之间的距离较大时，说明这两个聚集块所在的疑似气孔缺陷区域是互相独立的，此时这两个聚集块的关联性指标就比较小。

为了便于后续确定任意两个聚集块之间的关联性指标，根据每两个聚集块的中心缺陷点连线上各个像素点及其周围邻域像素点的灰度值，确定每两个聚集块的中心缺陷点连线上各个像素点对应的梯度均值，具体实现步骤包括：

步骤S31：根据每两个聚集块的中心缺陷点连线上各个像素点及其周围邻域像素点的灰度值，确定每两个聚集块的中心缺陷点连线上各个像素点及其周围邻域像素点的灰度梯度。

步骤S32：构建每两个聚集块的中心缺陷点连线上各个像素点的滑窗区域，将滑窗区域内各个像素点的灰度梯度的均值确定为滑窗区域对应的连线上像素点对应的梯度均值。

考虑到处于气孔缺陷区域边缘的像素点的梯度值较大，若两个聚集块之间的距离较小，则说明边缘像素点的梯度变化较为复杂，不是单一的变化。因为从一个聚类块向另一个聚类块的灰度会发生多次的变化，因此根据两个聚集块之间像素点的梯度变化可以获得任意两个聚集块的关联性。

为了获得任意两个聚集块的关联性，首先通过

算子获得灰度图像中每个像 素点的梯度大小，也就是灰度梯度。对于任意两个聚集块，对这两个聚集块的中心缺陷点进 行连线，然后设置一个3*3的滑窗，滑窗的中心为这两个聚集块的中心缺陷点之间的连线上 的像素点，该滑窗沿着这两个聚集块的中心缺陷点之间的连线，每次滑动一个像素点，从一 端向另一端滑动，并标记滑窗滑动的方向。在滑窗滑动过程中，计算每一个滑窗内的所有像 素点的平均灰度梯度，并将该平均灰度梯度作为该滑窗的中心所对应的连线上像素点所对 应的梯度均值。通过这种方式，可以得到这两个聚集块的中心缺陷点之间的连线上的各个 像素点对应的梯度均值。

步骤S4：根据每两个聚集块的中心缺陷点连线上各个像素点对应的梯度均值以及每两个聚集块的中心缺陷点之间的距离值，确定每两个聚集块的关联性指标。

对于任意两个聚集块，计算其中心缺陷点之间的距离值，该距离值是指欧氏距离，然后基于步骤S3，确定每两个聚集块的关联性指标，具体步骤包括：

步骤S41：按照每两个聚集块的中心缺陷点连线从一端到另外一端的方向，对每两个聚集块的中心缺陷点连线上各个像素点对应的梯度均值进行排序，从而得到每两个聚集块的梯度均值序列。

步骤S42：确定每两个聚集块的梯度均值序列中任意两个相邻的梯度均值之间的差值，并根据最大的两个相邻的梯度均值之间的差值所对应的两个梯度均值确定目标梯度均值，根据每两个聚集块对应的最大的两个相邻的梯度均值之间的差值、目标梯度均值以及每两个聚集块的中心缺陷点之间的距离值，确定每两个聚集块的关联性指标，所述关联性指标与对应的最大的两个相邻的梯度均值之间的差值、目标梯度均值和距离值均为负相关关系。

具体的，对于任意两个聚集块，根据滑窗滑动的方向，对每个滑窗所对应得到的梯 度均值进行排序，从而可以得到一个梯度均值序列。确定该梯度均值序列中任意一个梯度 均值

与其前一个梯度均值

之间的差值，确定任意两个聚集块所对应的所有差值中 的最大值，并将该最大差值所对应的后一个梯度均值作为目标梯度均值。基于任意两个聚 集块所对应的最大的两个相邻的梯度均值之间的差值，目标梯度均值和距离值，可以确定 这两个聚集块的关联性指标，对应的计算公式为：

其中，

为每两个聚集块的关联性指标，

为每两个聚集块对应的最大的两 个相邻的梯度均值之间的差值，

为每两个聚集块对应的目标梯度均值，

为每两个聚集块 的中心缺陷点之间的距离值，exp为以自然常数e为底数的指数函数，其作用是将

反向归一化到0-1范围内。

上述的关联性指标的设置逻辑为：对于两个距离越近的疑似气孔缺陷区域，在分割的时候对聚类半径的要求越是严格，若聚类半径大了，则会将两个疑似气孔缺陷区域分割到一块。因此根据两个聚集块之间的距离值作为判断条件，该距离值表征了两个聚集块的中心缺陷点之间的欧氏距离，若两个聚集块之间的距离值较小，则说明这两个聚集块之间关联性较大，关联性越大的聚集块所获的聚类半径应当越小。同时，考虑到当两个疑似气孔缺陷区域距离较近时，则两个疑似气孔缺陷区域就可能出现重叠，进而导致疑似气孔缺陷区域的边缘梯度减小且梯度差异减小。因此通过考虑任意两个聚集块所对应的最大的两个相邻的梯度均值之间的差值，目标梯度均值和距离值，就可以表示这两个聚集块的关联性，当最大的两个相邻的梯度均值之间的差值、目标梯度均值和距离值越小时，则对应两个聚集块的关联性就越大，此时在对图像进行分割时对应的聚类半径就应当越小。

需要指出的是，在上述的关联性指标的计算公式中，本实施例仅考虑最大的两个相邻的梯度均值之间的差值、目标梯度均值和距离值与关联性指标之间的逻辑关系，而不考虑彼此之间的量纲问题。利用两个聚集块之间的关联性指标来评价这两个聚集块所在的两个疑似气孔缺陷区域之间的特征，若关联性指标越大，则说明两疑似气孔缺陷区域之间的聚类越近，则对应的聚类半径越小，才能使得气孔疑似缺陷区域分开。

步骤S5：根据每两个聚集块的中心缺陷点连线上各个像素点对应的梯度均值以及每两个聚集块的关联性指标，确定每两个聚集块的聚集性指标。

图3给出了不同聚集块所在的疑似气孔缺陷区域之间的位置关系，在图3中，聚集块A所在的疑似气孔缺陷区域与聚集块B所在的疑似气孔缺陷区域是相邻状态，而聚集块A所在的疑似气孔缺陷区域与聚集块C所在的疑似气孔缺陷区域之间的距离较大，而聚集块C所在的疑似气孔缺陷区域与聚集块D所在的疑似气孔缺陷区域之间会有重叠的部分。

当不同疑似气孔缺陷区域的边缘位置关系不同时，其边缘像素点的灰度变化也不同，若是聚集块A所在的疑似气孔缺陷区域与聚集块B所在的疑似气孔缺陷区域的位置关系时，两区域边缘的梯度较大，只会出现一个边缘突变点；若是聚集块C所在的疑似气孔缺陷区域与聚集块D所在的疑似气孔缺陷区域的位置关系时，因为出现了不同区域的叠加，因此两区域的边缘会弱化，边缘梯度较小；若是聚集块B所在的疑似气孔缺陷区域与聚集块E所在的疑似气孔缺陷区域的位置关系时，因为两区域的距离较远，不会出现错分的情况，因此不需要考虑。因此，后续在确定聚类半径的时候，不仅要考虑两个疑似气孔缺陷区域的距离，还需要考虑疑似气孔缺陷区域之间的边缘位置关系，以将图3中聚集块A和B所在的两个疑似气孔缺陷区域以及聚集块C和D所在的两个疑似气孔缺陷区域划分开。

由于通过聚集块之间的关联性指标能够表示两个疑似气孔缺陷区域之间的相关性，但是无法表示两个区域边缘之间的变化，而两个区域边缘的位置关系又关乎聚类半径的大小，因此在进行聚类的时候要考虑聚集块边缘的变化关系。为了便于后续确定合适的聚集半径，本实施例提出了聚集性指标的概念，该聚集性指标不仅考虑了聚集块之间的关联性，同时考虑了任意两个聚集块所在的疑似气孔缺陷区域的边缘像素点的位置关系，而在确定这种位置关系时，本实施例并没有实际获取不同区域的边缘，而是只根据两个聚集块之间像素点的灰度来描述不同疑似气孔缺陷区域边缘的状态，具体实现过程包括：

步骤S51：对于每两个聚集块的梯度均值序列，确定梯度均值序列中的最大梯度均值，计算最大梯度均值分别与其前面的各个梯度均值之间的差值的均值，从而得到第一梯度差异指标，计算最大梯度均值分别与其后面的各个梯度均值之间的差值的均值，从而得到第二梯度差异指标。

步骤S52：根据每两个聚集块的梯度均值序列的关联性指标、第一梯度差异指标和第二梯度差异指标，确定每两个聚集块的聚集性指标，所述聚集性指标与对应的第一梯度差异指标和第二梯度差异指标的差值绝对值、关联性指标均为正相关关系。

具体的，对于任意两个聚集块，确定这两个聚集块所对应的梯度均值序列中的最大梯度均值，将该最大梯度均值所在序列中的位于该最大梯度均值前面的各个梯度均值记为前面梯度均值，并将该最大梯度均值所在序列中的位于该最大梯度均值后面的各个梯度均值记为后面梯度均值，计算该最大梯度均值与各个前面梯度均值的差值的平均值，并计算该最大梯度均值与各个后面梯度均值的差值的平均值，将前一个差值的平均值作为第一梯度差异指标，并将后一个差值的平均值作为第二梯度差异指标。基于两个聚集块的梯度均值序列的关联性指标、第一梯度差异指标和第二梯度差异指标，确定这两个聚集块的聚集性指标，对应的计算公式为：

=

其中，

为每两个聚集块的聚集性指标，

为梯度均值序列中的最大梯度均值，

为梯度均值序列中的最大梯度均值

的前面的第i个梯度均值，

为梯度均值序列 中的最大梯度均值

的后面的第r个梯度均值，n和m分别为梯度均值序列中的最大梯度均 值

的前面的梯度均值和后面的梯度均值的总数目，

为每两个聚集块对应的第一梯度 差异指标，

为每两个聚集块对应的第二梯度差异指标，e为自然常数，exp为以自然常数e为底数的指数函数，用于将

反向归一化到0-1范围内，K为每两个聚集块的 关联性指标。

上述的聚集性指标的设置逻辑为：由于梯度均值序列表征了两个聚集块之间的像素点灰度的变化情况，而最大梯度均值对应的像素点则是两个聚集块所位于的两个疑似气孔缺陷区域的边缘像素点，因此可以根据最大梯度均值对应的像素点左右两侧像素点的整体灰度变化来表现两聚集块所位于的两个疑似气孔缺陷区域的位置关系。若是两疑似气孔缺陷区域为上述图中聚集块A与B所位于的两个疑似气孔缺陷区域的位置关系，或者为聚集块C与D所位于的两个疑似气孔缺陷区域的位置关系，则聚集性指标W的值较大，因为最大梯度均值对应的像素点的左右两侧的梯度差异不大，已经将梯度均值最大的像素点叠加抵消了。而若是两疑似气孔缺陷区域为聚集块B与E所位于的两个疑似气孔缺陷区域的位置关系，则聚集性指标W的值较小，因为只选取了一个梯度均值最大值对应的边缘像素点，而在两个聚集块的连线上还存在另一个疑似气孔缺陷区域的边缘，因此梯度均值序列中最大梯度均值一侧的梯度均值必将会大于另外一侧的梯度均值，因此得到的梯度差异值会较大。因此在后续根据聚集性指标得到最优聚类半径时，就能够根据两个聚集块所位于的疑似气孔缺陷区域的位置关系得到合适的聚类半径，才不会将疑似气孔缺陷区域错分，最终保证了质量评估的准确性。

本实施例通过采用两个聚集块的聚集性指标来表征两个疑似气孔缺陷区域的位置关系，当两个疑似气孔缺陷区域之间的距离较近，并且两个疑似气孔缺陷区域的边缘像素点的灰度差异较小，则说明两个疑似气孔缺陷区域可能出现了重叠，对应的聚集性指标较大；当两个疑似气孔缺陷区域之间的距离较远，并且两个疑似气孔缺陷区域的边缘像素点的灰度差异较大，则说明两个疑似气孔缺陷区域没有重叠，对应的聚集性指标较小。所以，本实施例评价两个疑似气孔缺陷区域的位置关系不单单是通过距离来描述，还根据两者之间像素点的灰度变化来评价，这样就可以更加准确地确定不同疑似气孔缺陷区域的位置关系，以便于后续更准确地确定聚集半径。

步骤S6：根据每两个聚集块的聚集性指标、每两个聚集块的中心缺陷点连线上各个像素点的灰度值和各个像素点对应的梯度均值，确定各个候选聚类半径。

通过上述步骤S5，可以得到任意两个聚集块的聚集性指标，当聚集性指标越大时，则说明对应的两个疑似气孔缺陷区域之间的距离越近，两个疑似气孔缺陷区域的边缘越可能发生重叠，则需要的聚类半径越小，才能避免将两个区域上的像素点错分。并且，考虑到气孔缺陷区域的边缘灰度值相较于中心灰度值会比较大，而当区域的边缘灰度与中心灰度相差较小时，则说明区域边缘出现弱化的程度较大，因此在选择聚类半径时需要选择较小的聚类半径，才能避免将不同区域的像素错聚为一类，得到的分割区域的边缘才能更加的清晰。因此，基于每两个聚集块的聚集性指标、每两个聚集块的中心缺陷点的灰度值、每两个聚集块的中心缺陷点连线上各个像素点的灰度值和各个像素点对应的梯度均值，确定各个候选聚类半径，具体实现步骤包括：

步骤S61：根据每两个聚集块的中心缺陷点连线上各个像素点的灰度值和各个像素点对应的梯度均值，确定每两个聚集块的中心缺陷点连线上各个像素点对应的梯度均值中的最大值，并将梯度均值中的最大值所对应的连线上像素点的灰度值确定为每两个聚集块的边缘灰度值。

步骤S62：根据每两个聚集块的中心缺陷点的灰度值、每两个聚集块的边缘灰度值和聚集性指标，确定每两个聚集块对应的候选聚类半径，所述候选聚类半径与对应的中心缺陷点的灰度值和边缘灰度值的差值为正相关关系，且与对应的聚集性指标为负相关关系。

在本实施例中，对于任意两个聚集块，其所确定的候选聚类半径对应的计算公式为：

其中，

为每两个聚集块对应的候选聚类半径，

为每两个聚集块的边缘灰度值，

为每两个聚集块的中心缺陷点的灰度值，

为每两个聚集块的聚集性指标，e为自然常 数，

用于将聚集性指标W反向归一化到0-1范围内。

上述候选聚类半径的设置逻辑为：由于聚集性指标W表征了对应两个疑似气孔缺 陷区域的位置关系，当聚集性指标W越大时，说明两个疑似气孔缺陷区域距离越近且越可能 发生重叠，则需要的聚类半径越小，才能避免将两个区域上的像素点错分。同时，当区域边 缘与中心位置的灰度值差异越小，也就是

越小时，则说明区域边缘出现弱化的程度 越大，也就是因为中心像素点的灰度值比边缘像素点的灰度值小，因此差异越小，说中心像 素点与边缘像素点的灰度值越接近，则边缘区域与中心像素点的差值越小，边缘出现弱化 的程度越大，则需要的聚类半径越小，才能将两个区域上的像素点正确区分开。

步骤S7：根据各个候选聚类半径，确定最优密度聚类半径，并根据最优密度聚类半径，对灰度图像中的各个像素点进行密度聚类，从而得到灰度图像中的缺陷区域，进而确定金属件的质量评估结果。

在通过上述步骤S6得到各个候选聚类半径之后，将各个候选聚类半径中的最小的候选聚类半径确定为最优密度聚类半径，即选择各个候选聚类半径中最小的聚类半径，并将其确定为最优密度聚类半径。根据最优密度聚类半径，并设置合适的聚类像素点数目，实施者可以根据实验或者经验以结合实际情况来确定合适的聚类像素点数目，本实施例设置聚类像素点数目为4，同时基于灰度图像中各个像素点的灰度值和位置，通过DBSCAN聚类算法对灰度图像进行聚类，将属于同一区域的像素点划归为一类，从而确定灰度图像中的气孔缺陷区域。由于DBSCAN密度聚类算法的具体实现过程属于现有技术，且本实施例的重点在于准确确定DBSCAN聚类算法的聚类半径，此处对该DBSCAN密度聚类算法的具体实现步骤不再赘述。

在通过DBSCAN聚类算法得到灰度图像中的气孔缺陷区域后，对气孔缺陷区域进行标记，以便于人工核验。根据各个气孔缺陷区域的分布情况，确定铝合金杆的生产质量情况。需要说明的是，根据各个气孔缺陷区域，进行铝合金杆生产质量情况的评估，可以根据各个生产厂家的要求来确定。例如，当铝合金杆表面的气孔缺陷区域的数量超过一定数目或者气孔缺陷区域的总面积超过一定面积值时，则判定该铝合金杆生产质量不合格。

本发明通过获取铝合金杆的表面图像，并通过该表面图像对应的灰度图像中像素点的灰度变化获得异常像素点，也就是目标缺陷像素点。根据目标缺陷像素点来确定各个聚集块，通过考虑不同聚集块之间的距离，来确定不同聚集块之间的关联性指标，然后再结合不同聚集块所对应疑似气孔缺陷区域的边缘灰度变化情况，确定不同聚集块之间的聚集性指标，该聚集性指标可以准确表征不同聚集块所对应的疑似气孔缺陷区域的位置关系。根据不同聚集块之间的聚集性指标，再结合聚集块所对应的疑似气孔缺陷区域的中心和边缘位置的灰度关系，确定各个候选聚类半径，并最终筛选出最优密度聚类半径。由于该最优密度聚类半径与铝合金杆的表面图像对应的灰度图像相适配，因此再采用DBSCAN密度聚类算法对灰度图像中的各个像素点进行密度聚类时，可以准确划分灰度图像中的气孔缺陷区域，从而最终提高了铝合金杆生产质量评估的准确性。

需要说明的是：以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于图像处理的铝合金杆生产质量评估方法，其特征在于，包括以下步骤：

获取待评估的金属件的表面图像，对表面图像进行图像处理，从而得到灰度图像；

根据灰度图像中各个像素点的灰度值，确定各个目标缺陷像素点，根据各个目标缺陷像素点的位置，对各个目标缺陷像素点进行聚集分组，得到各个聚集块和各个聚集块的中心缺陷点；

根据每两个聚集块的中心缺陷点连线上各个像素点及其周围邻域像素点的灰度值，确定每两个聚集块的中心缺陷点连线上各个像素点对应的梯度均值；

根据每两个聚集块的中心缺陷点连线上各个像素点对应的梯度均值以及每两个聚集块的中心缺陷点之间的距离值，确定每两个聚集块的关联性指标；

根据每两个聚集块的中心缺陷点连线上各个像素点对应的梯度均值以及每两个聚集块的关联性指标，确定每两个聚集块的聚集性指标；

根据每两个聚集块的聚集性指标、每两个聚集块的中心缺陷点连线上各个像素点的灰度值和各个像素点对应的梯度均值，确定各个候选聚类半径；

根据各个候选聚类半径，确定最优密度聚类半径，并根据最优密度聚类半径，对灰度图像中的各个像素点进行密度聚类，从而得到灰度图像中的缺陷区域，进而确定金属件的质量评估结果。

2.根据权利要求1所述的基于图像处理的铝合金杆生产质量评估方法，其特征在于，确定各个目标缺陷像素点，包括：

根据灰度图像中各个像素点的灰度值，确定灰度直方图，并根据灰度直方图，确定灰度曲线；

确定灰度曲线上的各个波峰中的目标波峰，并确定目标波峰对应的最大灰度值；

根据目标波峰对应的最大灰度值，在灰度图像中确定各个目标缺陷像素点，目标缺陷像素点的灰度值等于所述最大灰度值。

3.根据权利要求1所述的基于图像处理的铝合金杆生产质量评估方法，其特征在于，确定每两个聚集块的中心缺陷点连线上各个像素点对应的梯度均值，包括：

根据每两个聚集块的中心缺陷点连线上各个像素点及其周围邻域像素点的灰度值，确定每两个聚集块的中心缺陷点连线上各个像素点及其周围邻域像素点的灰度梯度；

构建每两个聚集块的中心缺陷点连线上各个像素点的滑窗区域，将滑窗区域内各个像素点的灰度梯度的均值确定为滑窗区域对应的连线上像素点对应的梯度均值。

4.根据权利要求1所述的基于图像处理的铝合金杆生产质量评估方法，其特征在于，确定每两个聚集块的关联性指标，包括：

按照每两个聚集块的中心缺陷点连线从一端到另外一端的方向，对每两个聚集块的中心缺陷点连线上各个像素点对应的梯度均值进行排序，从而得到每两个聚集块的梯度均值序列；

确定每两个聚集块的梯度均值序列中任意两个相邻的梯度均值之间的差值，并根据最大的两个相邻的梯度均值之间的差值所对应的两个梯度均值确定目标梯度均值，根据每两个聚集块对应的最大的两个相邻的梯度均值之间的差值、目标梯度均值以及每两个聚集块的中心缺陷点之间的距离值，确定每两个聚集块的关联性指标，所述关联性指标与对应的最大的两个相邻的梯度均值之间的差值、目标梯度均值和距离值均为负相关关系。

5.根据权利要求4所述的基于图像处理的铝合金杆生产质量评估方法，其特征在于，确定每两个聚集块的关联性指标对应的计算公式为：

其中，

为每两个聚集块的关联性指标，

为每两个聚集块对应的最大的两个相 邻的梯度均值之间的差值，

为每两个聚集块对应的目标梯度均值，

为每两个聚集块的中 心缺陷点之间的距离值，exp为以自然常数e为底数的指数函数。

6.根据权利要求4所述的基于图像处理的铝合金杆生产质量评估方法，其特征在于，确定每两个聚集块的聚集性指标，包括：

对于每两个聚集块的梯度均值序列，确定梯度均值序列中的最大梯度均值，计算最大梯度均值分别与其前面的各个梯度均值之间的差值的均值，从而得到第一梯度差异指标，计算最大梯度均值分别与其后面的各个梯度均值之间的差值的均值，从而得到第二梯度差异指标；

根据每两个聚集块对应的关联性指标、第一梯度差异指标和第二梯度差异指标，确定每两个聚集块的聚集性指标，所述聚集性指标与对应的第一梯度差异指标和第二梯度差异指标的差值绝对值、关联性指标均为正相关关系。

7.根据权利要求6所述的基于图像处理的铝合金杆生产质量评估方法，其特征在于，确定每两个聚集块的聚集性指标对应的计算公式为：

其中，

为每两个聚集块的聚集性指标，

为每两个聚集块对应的第一梯度差异指 标，

为每两个聚集块对应的第二梯度差异指标，e为自然常数，exp为以自然常数e为底 数的指数函数，K为每两个聚集块的关联性指标。

8.根据权利要求1所述的基于图像处理的铝合金杆生产质量评估方法，其特征在于，确定各个候选聚类半径，包括：

根据每两个聚集块的中心缺陷点连线上各个像素点的灰度值和各个像素点对应的梯度均值，确定每两个聚集块的中心缺陷点连线上各个像素点对应的梯度均值中的最大值，并将梯度均值中的最大值所对应的连线上像素点的灰度值确定为每两个聚集块的边缘灰度值；

根据每两个聚集块的中心缺陷点的灰度值、每两个聚集块的边缘灰度值和聚集性指标，确定每两个聚集块对应的候选聚类半径，所述候选聚类半径与对应的中心缺陷点的灰度值和边缘灰度值的差值均为正相关关系，且与对应的聚集性指标为负相关关系。

9.根据权利要求1所述的基于图像处理的铝合金杆生产质量评估方法，其特征在于，确定最优密度聚类半径，包括：

将各个候选聚类半径中的最小的候选聚类半径确定为最优密度聚类半径。

10.根据权利要求1所述的基于图像处理的铝合金杆生产质量评估方法，其特征在于，各个聚集块的中心缺陷点为对各个目标缺陷像素点进行聚集分组得到各个聚集块时所对应的聚类中心点。

Images