CN107038701B - 一种工业生产中线缆表面瑕疵的检测方法及系统 - Google Patents
一种工业生产中线缆表面瑕疵的检测方法及系统 Download PDFInfo
- Publication number
- CN107038701B CN107038701B CN201710171925.6A CN201710171925A CN107038701B CN 107038701 B CN107038701 B CN 107038701B CN 201710171925 A CN201710171925 A CN 201710171925A CN 107038701 B CN107038701 B CN 107038701B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- value
- cable surface
- flaw
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提出了一种适用于工业环境中线缆表面瑕疵的检测方法,通过利用彩色面阵CCD相机进行扫描获取线缆图像,对图像数据进行预处理,然后初始化隶属度矩阵,计算聚类中心和聚类距离来更新隶属度矩阵,最后通过判断目标函数是否收敛,来决定是否分割图像。通过上述步骤,将瑕疵分割出来,最终实现对线缆表面瑕疵的有效检测。本发明还公开了基于该方法的检测系统。本发明有效改进了工业环境中线缆表面瑕疵的检测方法,针对图像中的噪声问题,引入空间信息,有效抑制了噪声;针对彩色图像的色彩通道间存在不平稳特性,对图像数据进行了特征缩放预处理,实现了对线缆表面瑕疵的有效分割,最终满足了工业环境中线缆表面质量高效检测的要求。
Description
技术领域
本发明涉及一种适用于工业环境中线缆表面瑕疵的检测方法,属于图像处理技术领域。
背景技术
产品表面质量问题一直是工业生产中备受关注的一个问题。一方面,产品表面质量影响产品的商业价值,外观的瑕疵会直接造成产品商业价值的贬值,例如在印刷、包装、工艺品等外观缺陷常常需要高度重视。另一方面,产品表面质量对产品的直接使用或深加工有着重要影响,表面缺陷的存在会对使用者造成巨大损失,需进行严格控制和检查。从技术性能和技术指标来讲,用机器视觉来进行表面缺陷检测具有众多优势。机器视觉是一种无接触无损伤检测,安全可靠,能成功代替人眼并超越人眼,实现功能更强大的检测。
一般对彩色图像的处理往往是RGB三个分量分开处理,或者是采用RGB三维向量一起处理,但往往会忽略图像空间信息的重要性。噪声像素通常表现为颜色或亮度相对孤立的点,在空间上总是与其所在的物体相互毗邻的,如果仅考虑彩色信息就会将这样的像素点划分到别的聚类中,从而使图像分割结果出现误差。
发明内容
本发明所要解决的技术问题是:针对工业生产中线缆表面的质量问题,提出了一种适用于工业环境中线缆表面瑕疵的检测方法。通过利用彩色面阵CCD相机进行扫描获取线缆图像,针对此图像进行图像处理,最后成功检测出线缆表面的瑕疵,能够有效解决工业生产中线缆表面的质量问题。
本发明为解决上述技术问题采用以下技术方案:
本发明提出一种工业生产中对线缆表面瑕疵的检测方法,包括以下步骤:
步骤一、读取线缆表面的待检测图像数据,设置像素点的空间二维坐标信息与三维彩色信息的比例,用五维向量表示图像样本集中的每一个像素点,以像素点为集合元素生成图像样本集;
步骤二、图像数据预处理:对五维向量的每一维进行缩放,使其值位于[0,1]区间;
步骤三、将图像样本划分为瑕疵和非瑕疵两个类别,初始化隶属度矩阵,建立约束条件对每个图像样本隶属于每个类别的隶属度值进行归一化处理;
步骤四、对于每个类别,计算其每一维的聚类中心形成以五维向量表示的聚类中心,之后计算每一个像素点到该类别的聚类中心的距离,并根据聚类距离更新隶属度矩阵;
步骤五、根据隶属度矩阵和聚类距离,计算目标函数,并判断目标函数是否收敛:目标函数若不收敛,则返回重新执行步骤四,若收敛,则开始分割图像;
步骤六、对图像进行分割,对于分割后的每一个像素点,根据最终隶属度矩阵获取像素点隶属的类值,根据类值计算得到该像素点的灰度值,并根据灰度值实现对线缆表面瑕疵的检测。
作为本发明提出的工业生产中对线缆表面瑕疵的检测方法进一步具体的细化方案,步骤一中,是利用彩色面阵CCD相机对线缆表面进行扫描,获取一幅RGB彩色线缆图像作为待检测图像数据。
作为本发明提出的工业生产中对线缆表面瑕疵的检测方法进一步具体的细化方案,步骤一中,图像样本集其中aj是用五维向量表示的一个彩色图像的像素点,aj=(αpj,qj),j=1,2,…,n,s是样本空间维数,n是样本个数,pj=(xj,yj)表示图像的坐标,qj=(bj,gj,rj)表示图像的像素;α表示空间信息与彩色信息的比例,α∈(0,1)。
作为本发明提出的工业生产中对线缆表面瑕疵的检测方法进一步具体的细化方案,步骤二中,对五维空间的每一维进行缩放,使其值位于[0,1]区间,如式(1)所示:
其中,Maxl、Minl分别表示第l维的最大值、最小值,f(l)是第l维的数据,g(l)是第l维缩放后的数据。
作为本发明提出的工业生产中对线缆表面瑕疵的检测方法进一步具体的细化方案,步骤三中,建立约束条件对每个图像样本隶属于每个类别的隶属度值进行归一化处理,具体如下:
设U=(μij)c×n表示样本的隶属度矩阵,随机设置初始隶属度矩阵设定约束条件如式(2)、(3)、(4)所示:
μij>0,1≤i≤c,1≤j≤n (4);
根据约束条件,做如下归一化处理:
其中,c是样本划分的类数,取c=2;μij是第j个样本属于第i类的隶属度值。
作为本发明提出的工业生产中对线缆表面瑕疵的检测方法进一步具体的细化方案,步骤四具体如下:
设vi是一个以五维向量表示的第i类的聚类中心,其每一维定义如式(6)所示:
其中,m是加权指数,取m=2,V=[v1,v2,…,vc]是由c个聚类中心构成的s×c的矩阵;
设dij=||aj-vi||表示从样本aj到聚类中心vi的距离,更新隶属度矩阵,如式(8)所示:
作为本发明提出的工业生产中对线缆表面瑕疵的检测方法进一步具体的细化方案,步骤四中,选取欧氏距离作为五维空间的聚类距离,如式(7)所示:
其中,t=1,2,…,s,s是样本空间维数。
作为本发明提出的工业生产中对线缆表面瑕疵的检测方法进一步具体的细化方案,步骤五中,判断目标函数是否收敛具体如下:
定义目标函数,如式(9)所示:
根据隶属度矩阵和聚类距离,计算目标函数,并进行收敛判断,如式(10)所示:
||F(k)-F(k-1)||≤ε,k≥1 (10)
其中k为更新次数,ε为收敛系数。
作为本发明提出的工业生产中对线缆表面瑕疵的检测方法进一步具体的细化方案,步骤六具体如下:
对图像进行分割,设Z=(zj)表示分割后的图像,zj表示一个像素点,j=1,2,…,n,根据最终隶属度函数获取像素点隶属的类值u,如式(11)所示:
记zj=(pj,gray_value),其中pj=(xj,yj)表示像素点的坐标,gray_value表示像素点的灰度值,如式(12)所示:
gray_value=255*(u-1)/(c-1) (12)
经以上计算分析,根据公式(11),设非瑕疵部分的像素点隶属的类值u为1,瑕疵部分的像素点隶属的类值u为2,根据公式(12),计算出非瑕疵部分的灰度值为0,瑕疵部分的灰度值为255。
本发明为解决提出的技术问题,还提出一种工业生产中对线缆表面瑕疵的检测系统,包括:
图像数据读取单元,用于读取线缆表面的待检测图像数据,设置像素点的空间二维坐标信息与三维彩色信息的比例,用五维向量表示图像样本集中的每一个像素点,以像素点为集合元素生成图像样本集;
图像数据预处理单元,用于对五维向量的每一维进行缩放,使其值位于[0,1]区间;
隶属度模型计算单元,用于将图像样本划分为瑕疵和非瑕疵两个类别,初始化隶属度矩阵,建立约束条件对每个图像样本隶属于每个类别的隶属度值进行归一化处理;
聚类中心计算单元,用于对于每个类别,计算其每一维的聚类中心形成以五维向量表示的聚类中心,之后计算每一个像素点到该类别的聚类中心的距离,并根据聚类距离更新隶属度矩阵;
目标函数计算单元,用于根据隶属度矩阵和聚类距离,计算目标函数,并判断目标函数是否收敛:目标函数若不收敛,则触发聚类中心计算单元重新执行计算,若收敛,则触发图像分割检测单元;
图像分割检测单元,用于对图像进行分割,对于分割后的每一个像素点,根据最终隶属度矩阵获取像素点隶属的类值,根据类值计算得到该像素点的灰度值,并根据灰度值实现对线缆表面瑕疵的检测。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本发明主要对线缆表面瑕疵的检测技术进行了较为系统的研究,采用基于聚类的方法,对彩色线缆表面瑕疵进行有效检测。本发明设计的线缆表面瑕疵检测方案有效改进了工业环境中线缆表面瑕疵的检测方法,针对图像中的噪声问题,引入空间信息,有效抑制了噪声;针对彩色图像的色彩通道间存在不平稳特性,对图像数据进行了特征缩放预处理,实现了对线缆表面瑕疵的有效分割,最终满足了工业环境中线缆表面质量高效检测的要求。
附图说明
图1是表面有瑕疵的线缆图像。
图2是线缆表面瑕疵的分割图像。
图3是线缆图像处理方案的详细流程。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本发明的目的是提供一种线缆表面瑕疵检测方案,通过结合具体的图像处理算法实现一个可行方案,以提高线缆在工业生产中的生产质量。本发明引入对空间坐标的聚类会有效抑制噪声对分割结果的影响。再者,为了加快算法的处理速度,需要对图像数据进行预处理。对于彩色图像,色彩通道间存在不平稳特性,即每一维数据的统计服从不同的分布,因此需要对彩色图像数据进行特定的预处理。
如图3所示,本发明提出一种工业生产中对线缆表面瑕疵的检测方法,具体的图像处理方法包括读取图像数据、图像数据预处理、初始化隶属度矩阵、更新隶属度矩阵、判断目标函数是否收敛、分割图像六个步骤,通过这六个步骤,最终实现对线缆表面瑕疵的有效检测。该方法包括以下步骤:
步骤一:读取图像数据,构造五维向量。
图像样本集表示一幅RGB彩色线缆图像,其中aj是用五维向量表示的一个像素点,,aj=(pj,qj),j=1,2,…,n,s是样本空间维数,n是样本个数,pj=(xj,yj)表示图像的坐标,qj=(bj,gj,rj)表示图像的像素。
聚类算法需要考虑样本各分量之间的比例关系,同样的数据在不同的比例变换下会产生不同的结果。彩色图像的聚类分割应该以彩色信息为主,兼顾空间信息,也就是空间坐标信息与三维彩色信息的比例应该是不同的,因此构造一个新的五维向量a′j=(αpj,qj)表示一个像素点,j=1,2,…,n,α表示空间信息与彩色信息的比例,α∈(0,1)。
步骤二:图像数据预处理。
对灰度图像,像素值处于[0,255],用像素值除以255,即可将数据缩放至[0,1]。对彩色图像,色彩通道间存在不平稳特性,即每一维的统计服从不同的分布,因此简单的数据缩放不适合彩色图像。
图像的每一个像素点是五维向量,需要对五维空间的每一维进行缩放,使其值位于[0,1]区间,如式(1)所示:
Maxl、Minl分别表示第l维的最大值、最小值,f(l)是第l维的数据,g(l)是第l维缩放后的数据。
步骤三:初始化隶属度矩阵,并进行归一化处理。
U=(μij)c×n表示样本的隶属度矩阵,c是样本划分的类数,取c=2。μij是第j个样本属于第i类的隶属度值。随机设置初始隶属度矩阵并根据约束条件(2)、(3)、(4):
μij>0,1≤i≤c,1≤j≤n (4)
做如下归一化处理:
步骤四:计算聚类中心、聚类距离,更新隶属度矩阵。
vi表示第i类的聚类中心,是一个五维向量,其每一维定义如式(6)所示
其中m是加权指数,取m=2,V=[v1,v2,…,vc]是由c个聚类中心构成的s×c的矩阵。
dij=||aj-vi||表示从样本aj到聚类中心vi的距离,本发明选取欧氏距离作为五维空间的聚类距离,如式(7)所示
更新隶属度矩阵,如式(8)所示
步骤五:判断目标函数是否收敛。
定义目标函数,如式(9)所示:
根据隶属度矩阵和聚类距离,计算目标函数,并进行收敛判断,如式(10)所示
||F(k)-F(k-1)||≤ε,k≥1 (10)
其中k为更新次数,ε为收敛系数。目标函数若不收敛,则跳转至步骤四继续计算,若收敛,则开始分割图像。
步骤六:分割图像。
Z=(zi),i=1,2,…,n表示分割后的图像,zi表示一个像素点,根据最终隶属度函数获取像素点隶属的类值u,如式(11)所示:
记zi=(pi,gray_value),其中pi=(xi,yi)表示像素点的坐标,gray_value表示像素点的灰度值,如式(12)所示:
gray_value=255*(u-1)/(c-1) (12)
线缆表面的像素点分为瑕疵和非瑕疵两类,经以上计算分析,根据公式(11),非瑕疵部分的像素点属于第1类,瑕疵部分的像素点属于第2类,根据公式(12),非瑕疵部分的灰度值为0,瑕疵部分的灰度值为255。
以下结合图1、图2进一步详细举例说明本发明的方法过程:
步骤一:读取图像数据,构造五维向量。
线缆图像如图1所示,像素点个数为655360,图像样本集A={a1,a2,…,a655360},每一个像素点ai=(αpi,qi),i=1,2,…,655360,pi=(xi,yi)是图像的坐标,qi=(bi,gi,ri)是图像的像素,比例系数α=0.7,取其中的20个像素点,如下所示:
a265233=(144.9,191.1,22,31,16),a265889=(144.9,650.3,34,48,26);
a266545=(145.6,213.5,20,31,16),a267201=(145.6,672.7,31,45,24);
a365233=(199.5,303.1,112,168,106),a365833=(199.5,723.1,102,138,80);
a366433=(200.2,247.1,51,75,39),a367033=(202.2,667.1,83,115,65);
a465233=(254.1,415.1,28,38,22),a465623=(254.1,415.1,28,28,18);
a466013=(254.8,65.1,23,32,17),a466403=(254.8,338.1,28,44,23);
a565233=(308.7,527.1,30,41,17),a565945=(309.4,129.5,17,23,14);
a566657=(309.4,627.9,52,74,32),a567369=(310.1,230.3,21,28,13);
a620233=(338.8,499.1,211,255,150),a621232=(339.5,302.4,199,255,140);
a622231=(340.2,105.7,182,243,126),a623230=(340.2,805,231,255,160)。
步骤二:图像数据预处理。
利用公式(1)对20个像素点的每一维数据进行缩放,使其值位于[0,1]区间:
a265233=(0.405,0.213,0.041,0.057,0.032),a265889=(0.045,0.726,0.091,0.128,0.073),
a266545=(0.407,0.238,0.033,0.058,0.032),a267201=(0.407,0.751,0.078,0.115,0.065),
a365233=(0.558,0.339,0.412,0.621,0.397),a365833=(0.558,0.808,0.370,0.498,0.291),
a366433=(0.560,0.276,0.160,0.239,0.126),a367033=(0.560,0.745,0.292,0.403,0.231),
a465233=(0.710,0.464,0.065,0.086,0.056),a465623=(0.710,0.769,0.058,0.086,0.040),
a466013=(0.712,0.073,0.045,0.062,0.036),a466403=(0.712,0.378,0.066,0.111,0.061),
a565233=(0.863,0.589,0.074,0.099,0.036),a565944=(0.865,0.145,0.021,0.025,0.024),
a566657=(0.865,0.701,0.165,0.235,0.097),a567369=(0.867,0.257,0.037,0.045,0.020),
a620233=(0.947,0.557,0.819,0.979,0.575),a621232=(0.949,0.338,0.770,0.979,0.534),
a622231=(0.951,0.118,0.700,0.930,0.478),a623230=(0.951,0.899,0.901,0.979,0.615)。
步骤三:初始化隶属度矩阵,并进行归一化处理。
用(0,1)之间的随机数初始化隶属度矩阵如下所示:
并用公式(5)对初始隶属度矩阵做归一化处理:
步骤四:计算聚类中心、聚类距离,更新隶属度矩阵。
根据公式(6)计算两个聚类中心v1、v2,构成5×2的聚类中心矩阵:
根据公式(7)计算聚类距离,聚类距离是一个2×20的矩阵:
并根据公式(8)更新隶属度矩阵:
步骤五:判断目标函数是否收敛
根据公式(9)计算目标函数,取F(0)=0
F(1)=1.15068×10-6
并用公式(10)判断目标函数是否收敛,收敛系数ε=10-6,
|F(1)-F(0)|=1.15068×10-6>ε
不收敛,跳转至步骤四,继续计算:
聚类中心:
聚类距离:
隶属度矩阵:
计算目标函数:
F(2)=1.15063×10-6
判断目标函数是否收敛:
|F(2)-F(1)|=5.27214×10-11<ε
收敛,开始分割图像。
步骤六:分割图像。
最终生成的隶属度矩阵如下:
根据公式(11),这20个像素点隶属的类别如下:
a<sub>265233</sub> | a<sub>265889</sub> | a<sub>266545</sub> | a<sub>267201</sub> | a<sub>365233</sub> | a<sub>365833</sub> | a<sub>366433</sub> | a<sub>367033</sub> | a<sub>465233</sub> | a<sub>465623</sub> |
1 | 1 | 1 | 2 | 1 | 1 | 1 | 1 | 1 | 1 |
a<sub>466013</sub> | a<sub>466403</sub> | a<sub>565233</sub> | a<sub>565945</sub> | a<sub>566657</sub> | a<sub>567369</sub> | a<sub>620233</sub> | a<sub>621232</sub> | a<sub>622231</sub> | a<sub>623230</sub> |
1 | 1 | 1 | 1 | 1 | 1 | 2 | 2 | 2 | 2 |
Z=(zj),j=1,2,…,655360表示分割后的图像,zj=(pj,gray_value)表示每一个像素点,根据公式(12),这20个像素点在分割后的图像上表示如下:
z265233=(207,273,0),z265889=(207,929,0);
z266545=(208,305,0),z267201=(208,961,0);
z365233=(285,433,255),z365833=(285,1033,0);
z366433=(286,353,0),z367033=(286,953,0);
z465233=(363,593,0),z465623=(363,983,0);
z466013=(364,93,0),z466403=(364,483,0);
z565233=(441,753,0),z565945=(442,185,0);
z566657=(442,897,0),z567369=(443,329,0);
z620233=(484,713,255),z621232=(485,432,255);
z622231=(486,151,255),z623230=(486,1150,255)。
图1总计655360个像素点,所有像素点的处理方法和这20个像素点的处理方法完全相同,最终生成的瑕疵分割图像如图2所示。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种工业生产中对线缆表面瑕疵的检测方法,其特征在于,包括以下步骤:
步骤一、读取线缆表面的待检测图像数据,在区间(0,1)之间设置像素点的空间二维坐标信息与三维彩色信息的比例,用五维向量表示图像样本集中的每一个像素点,以像素点为集合元素生成图像样本集;
步骤二、图像数据预处理:对五维向量的每一维进行缩放,使其值位于[0,1]区间;
步骤三、将图像样本划分为瑕疵和非瑕疵两个类别,初始化隶属度矩阵,建立约束条件对每个图像样本隶属于每个类别的隶属度值进行归一化处理;
步骤四、对于每个类别,计算其每一维的聚类中心形成以五维向量表示的聚类中心,之后计算每一个像素点到该类别的聚类中心的距离,并根据聚类距离更新隶属度矩阵;
步骤五、根据隶属度矩阵和聚类距离,计算目标函数,并判断目标函数是否收敛:目标函数若不收敛,则返回重新执行步骤四,若收敛,则开始分割图像;
步骤六、对图像进行分割,对于分割后的每一个像素点,根据最终隶属度矩阵获取像素点隶属的类值,根据类值计算得到该像素点的灰度值,并根据灰度值实现对线缆表面瑕疵的检测。
2.根据权利要求1所述的一种工业生产中对线缆表面瑕疵的检测方法,其特征在于,步骤一中,是利用彩色面阵CCD相机对线缆表面进行扫描,获取一幅RGB彩色线缆图像作为待检测图像数据。
3.根据权利要求1所述的一种工业生产中对线缆表面瑕疵的检测方法,其特征在于,步骤一中,图像样本集A={a1,a2,…,an},其中aj是用五维向量表示的一个彩色图像的像素点,aj=(αpj,qj),j=1,2,…,n,n是样本个数,pj=(xj,yj)表示图像的坐标,qj=(bj,gj,rj)表示图像的像素;α表示空间信息与彩色信息的比例,α∈(0,1)。
4.根据权利要求1所述的一种工业生产中对线缆表面瑕疵的检测方法,其特征在于,步骤二中,对五维空间的每一维进行缩放,使其值位于[0,1]区间,如式(1)所示:
其中,Maxl、Minl分别表示第l维的最大值、最小值,f(l)是第l维的数据,g(l)是第l维缩放后的数据。
5.根据权利要求1所述的一种工业生产中对线缆表面瑕疵的检测方法,其特征在于,步骤三中,建立约束条件对每个图像样本隶属于每个类别的隶属度值进行归一化处理,具体如下:
设U=(μij)c×n表示样本的隶属度矩阵,随机设置初始隶属度矩阵设定约束条件如式(2)、(3)、(4)所示:
μij>0,1≤i≤c,1≤j≤n (4);
根据约束条件,做如下归一化处理:
其中,c是样本划分的类数,取c=2;μij是第j个样本属于第i类的隶属度值。
6.根据权利要求5所述的一种工业生产中对线缆表面瑕疵的检测方法,其特征在于,步骤四具体如下:
设vi是一个以五维向量表示的第i类的聚类中心,其每一维定义如式(6)所示:
其中,m是加权指数,取m=2,V=[v1,v2,…,vc]是由c个聚类中心构成的s×c的矩阵;
设dij=||aj-vi||表示从样本aj到聚类中心vi的距离,更新隶属度矩阵,如式(8)所示:
7.根据权利要求6所述的一种工业生产中对线缆表面瑕疵的检测方法,其特征在于,步骤四中,选取欧氏距离作为五维空间的聚类距离,如式(7)所示:
其中,t=1,2,3,4,5。
8.根据权利要求6所述的一种工业生产中对线缆表面瑕疵的检测方法,其特征在于,步骤五中,判断目标函数是否收敛具体如下:
定义目标函数,如式(9)所示:
根据隶属度矩阵和聚类距离,计算目标函数,并进行收敛判断,如式(10)所示:
||F(k)-F(k-1)||≤ε,k≥1 (10)
其中k为更新次数,ε为收敛系数。
9.根据权利要求6所述的一种工业生产中对线缆表面瑕疵的检测方法,其特征在于,步骤六具体如下:
对图像进行分割,设Z=(zj)表示分割后的图像,zj表示一个像素点,j=1,2,…,n,根据最终隶属度函数获取像素点隶属的类值u,如式(11)所示:
记zj=(pj,gray_value),其中pj=(xj,yj)表示像素点的坐标,gray_value表示像素点的灰度值,如式(12)所示:
gray_value=255*(u-1)/(c-1) (12)
经以上计算分析,根据公式(11),设非瑕疵部分的像素点隶属的类值u为1,瑕疵部分的像素点隶属的类值u为2,根据公式(12),计算出非瑕疵部分的灰度值为0,瑕疵部分的灰度值为255。
10.一种工业生产中对线缆表面瑕疵的检测系统,其特征在于,包括:
图像数据读取单元,用于读取线缆表面的待检测图像数据,在区间(0,1)之间设置像素点的空间二维坐标信息与三维彩色信息的比例,用五维向量表示图像样本集中的每一个像素点,以像素点为集合元素生成图像样本集;
图像数据预处理单元,用于对五维向量的每一维进行缩放,使其值位于[0,1]区间;
隶属度模型计算单元,用于将图像样本划分为瑕疵和非瑕疵两个类别,初始化隶属度矩阵,建立约束条件对每个图像样本隶属于每个类别的隶属度值进行归一化处理;
聚类中心计算单元,用于对于每个类别,计算其每一维的聚类中心形成以五维向量表示的聚类中心,之后计算每一个像素点到该类别的聚类中心的距离,并根据聚类距离更新隶属度矩阵;
目标函数计算单元,用于根据隶属度矩阵和聚类距离,计算目标函数,并判断目标函数是否收敛:目标函数若不收敛,则触发聚类中心计算单元重新执行计算,若收敛,则触发图像分割检测单元;
图像分割检测单元,用于对图像进行分割,对于分割后的每一个像素点,根据最终隶属度矩阵获取像素点隶属的类值,根据类值计算得到该像素点的灰度值,并根据灰度值实现对线缆表面瑕疵的检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710171925.6A CN107038701B (zh) | 2017-03-22 | 2017-03-22 | 一种工业生产中线缆表面瑕疵的检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710171925.6A CN107038701B (zh) | 2017-03-22 | 2017-03-22 | 一种工业生产中线缆表面瑕疵的检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107038701A CN107038701A (zh) | 2017-08-11 |
CN107038701B true CN107038701B (zh) | 2019-09-10 |
Family
ID=59534516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710171925.6A Active CN107038701B (zh) | 2017-03-22 | 2017-03-22 | 一种工业生产中线缆表面瑕疵的检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107038701B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280823B (zh) * | 2017-12-29 | 2022-04-01 | 南京邮电大学 | 一种工业生产中光缆表面弱边缘瑕疵的检测方法及系统 |
CN109559306B (zh) * | 2018-11-27 | 2021-03-12 | 广东电网有限责任公司广州供电局 | 基于边缘检测的交联聚乙烯绝缘层表面平整性检测方法 |
CN111444471B (zh) * | 2020-02-25 | 2023-01-31 | 国网河南省电力公司电力科学研究院 | 一种基于多元高斯分布的电缆生产质量异常检测方法和系统 |
CN113012103B (zh) * | 2021-02-07 | 2022-09-06 | 电子科技大学 | 一种大口径望远镜镜片表面疵病定量检测方法 |
CN112903720B (zh) * | 2021-02-07 | 2022-04-19 | 电子科技大学 | 一种卫星望远镜镜片表面疵病定量检测方法 |
CN116318406B (zh) * | 2023-05-19 | 2023-08-08 | 深圳市飞思卓科技有限公司 | 一种用于光纤通信系统的信号补偿方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976438A (zh) * | 2010-10-27 | 2011-02-16 | 西安电子科技大学 | 基于空间邻域信息的fcm纹理图像分割方法 |
CN103163150A (zh) * | 2013-03-18 | 2013-06-19 | 长飞光纤光缆有限公司 | 一种线缆表面缺陷在线检测装置及方法 |
CN103940824A (zh) * | 2014-04-29 | 2014-07-23 | 长春工程学院 | 一种空中输电线路绝缘子检测方法 |
CN104268574A (zh) * | 2014-09-25 | 2015-01-07 | 西安电子科技大学 | 一种基于遗传核模糊聚类的sar图像变化检测方法 |
CN104820986A (zh) * | 2015-04-28 | 2015-08-05 | 电子科技大学 | 一种基于机器视觉的线缆在线检测方法 |
CN105931295A (zh) * | 2016-07-13 | 2016-09-07 | 中国地质大学(北京) | 一种地质图专题信息提取方法 |
CN106446764A (zh) * | 2016-07-19 | 2017-02-22 | 西安电子科技大学 | 基于改进的模糊颜色聚合向量的视频目标检测方法 |
-
2017
- 2017-03-22 CN CN201710171925.6A patent/CN107038701B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976438A (zh) * | 2010-10-27 | 2011-02-16 | 西安电子科技大学 | 基于空间邻域信息的fcm纹理图像分割方法 |
CN103163150A (zh) * | 2013-03-18 | 2013-06-19 | 长飞光纤光缆有限公司 | 一种线缆表面缺陷在线检测装置及方法 |
CN103940824A (zh) * | 2014-04-29 | 2014-07-23 | 长春工程学院 | 一种空中输电线路绝缘子检测方法 |
CN104268574A (zh) * | 2014-09-25 | 2015-01-07 | 西安电子科技大学 | 一种基于遗传核模糊聚类的sar图像变化检测方法 |
CN104820986A (zh) * | 2015-04-28 | 2015-08-05 | 电子科技大学 | 一种基于机器视觉的线缆在线检测方法 |
CN105931295A (zh) * | 2016-07-13 | 2016-09-07 | 中国地质大学(北京) | 一种地质图专题信息提取方法 |
CN106446764A (zh) * | 2016-07-19 | 2017-02-22 | 西安电子科技大学 | 基于改进的模糊颜色聚合向量的视频目标检测方法 |
Non-Patent Citations (4)
Title |
---|
Detection of Scratch Defects for Wire Rod in Steelmaking Process;Zhang J等;《International Conference on Control Automation and Systems》;20101231;第319-323页 |
图像分割中的模糊聚类方法;李旭超 等;《中国图象图形学报》;20120430;第17卷(第4期);第447-458页 |
基于机器视觉的瓶口缺陷检测方法研究;周显恩 等;《电子测量与仪器学报》;20160531;第30卷(第5期);第702-713页 |
改进的基于邻域隶属度约束的FCM图像分割算法;仲崇峰 等;《吉林大学学报(信息科学版)》;20131130;第31卷(第6期);第627-633页 |
Also Published As
Publication number | Publication date |
---|---|
CN107038701A (zh) | 2017-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107038701B (zh) | 一种工业生产中线缆表面瑕疵的检测方法及系统 | |
CN108549873B (zh) | 三维人脸识别方法和三维人脸识别系统 | |
Al Bashish et al. | A framework for detection and classification of plant leaf and stem diseases | |
Al Bashish et al. | Detection and classification of leaf diseases using K-means-based segmentation and | |
DE102014212304B4 (de) | Informationsverarbeitungsvorrichtung, Informationsverarbeitungsverfahren und Speichermedium | |
CN107609638B (zh) | 一种基于线性编码器和插值采样优化卷积神经网络的方法 | |
CN112418074A (zh) | 一种基于自注意力的耦合姿态人脸识别方法 | |
Reddy et al. | Analysis of classification algorithms for plant leaf disease detection | |
JP2021517330A (ja) | 画像中の物体を識別するための方法、及び当該方法を実施するためのモバイル装置 | |
CN105931257B (zh) | 基于纹理特征和结构相似度的sar图像质量评估方法 | |
CN106408039A (zh) | 一种基于形变方法进行数据扩展的脱机手写汉字识别方法 | |
CN111079518B (zh) | 一种基于执法办案区场景下的倒地异常行为识别方法 | |
Wang et al. | Head pose estimation with combined 2D SIFT and 3D HOG features | |
CN106778814B (zh) | 一种基于投影谱聚类算法的去除sar图像斑点的方法 | |
CN107491734A (zh) | 基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法 | |
Han et al. | Research and implementation of an improved canny edge detection algorithm | |
CN104732534B (zh) | 一种图像中显著目标的抠取方法及系统 | |
CN108898153B (zh) | 基于l21范式距离度量的特征选择方法 | |
CN104376312B (zh) | 基于词袋压缩感知特征提取的人脸识别方法 | |
CN108830858A (zh) | 一种基于红外和光学影像双模成像信息的活体菌落计数方法 | |
CN109993107B (zh) | 一种基于非迭代k均值算法的移动机器人障碍物视觉检测方法 | |
Amorim et al. | Analysing rotation-invariance of a log-polar transformation in convolutional neural networks | |
CN110390337B (zh) | 一种舰船个体识别方法 | |
JP3648728B2 (ja) | 自己組織化特徴マップを用いた鋼材表面の劣化度評価システム | |
CN113889233A (zh) | 基于流形回归网络的细胞定位与计数方法及应用 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |