CN109085166A - 基于自调节窗口的塑料气泡检测方法 - Google Patents
基于自调节窗口的塑料气泡检测方法 Download PDFInfo
- Publication number
- CN109085166A CN109085166A CN201810613675.1A CN201810613675A CN109085166A CN 109085166 A CN109085166 A CN 109085166A CN 201810613675 A CN201810613675 A CN 201810613675A CN 109085166 A CN109085166 A CN 109085166A
- Authority
- CN
- China
- Prior art keywords
- window
- bubble
- size
- image
- product
- 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.)
- Granted
Links
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及塑料产品的气泡检测,为更好的实现自动化,减少人工劳动,提出一种基于自调节窗口的塑料气泡检测方法,将高速摄影机拍摄的塑料产品局部彩色图输入到计算机进行处理,具体地:(1)将原始图像转换为灰度图像,再转换为二值图像;(2)将一个全1的窗口矩阵在图像上进行遍历;(3)如果最大气泡的大小超标,则算法判断产品不合格,警示“气泡过大”,如果最大气泡群的大小超标,则算法判断产品不合格,警示“气泡群过大”,如果较大气泡数量过多,则认为产品不合格。本发明主要应用于塑料产品气泡检测场合。
Description
技术领域
本发明涉及塑料产品的气泡检测,塑料产品的合格的检测方法,现代化和自动化在工业生产的应用,具体讲,涉及基于自调节窗口的塑料气泡检测方法。
背景技术
塑料产品在生产的过程中,会在产品的内部或表面残留一些气泡。当气泡过多,过大和过密时,产品的质量会大打折扣,可以认为是残次品。在现如今的自动化的生产过程中,利用人工识别残次品会造成效率低,成本高的问题。对于内部气泡的拍摄识别需要借助X射线,对于人体的损伤也较大。因此,进一步提高自动化的程度和减少人工的使用便十分的重要和急切。
发明内容
为克服现有技术的不足,本发明旨在提出塑料气泡检测方法。本发明采用的技术方案是,基于自调节窗口的塑料气泡检测方法,将高速摄影机拍摄的塑料产品局部彩色图输入到计算机进行处理,具体地:
(1)将原始图像转换为灰度图像,再转换为二值图像;
(2)将一个全1的窗口矩阵在图像上进行遍历;
①寻找最大气泡时,窗口根据提前设定好的阈值1和比例的变化情况,进行大小的自调节,并且实时记录当前找到的最大的气泡,在窗口进行大小的自调节的同时,依然进行遍历,直至遍历结束,最终找到整幅图像的最大气泡并显示;
②寻找最大的气泡群时,窗口根据覆盖范围内像素值为1的像素个数总量的变化情况,进行大小的自调节,并且实时记录当前找到的最大气泡群,在窗口进行大小的自调节的同时,依然进行遍历,直至遍历结束,最终找到整幅图像的最大气泡群并显示;
③统计较大气泡的数量时,窗口根据阈值2,矩阵框阈值和比例的变化情况,进行大小的自调节并实时统计找到的气泡,在窗口进行大小的自调节的同时,依然进行遍历,直至遍历结束,最终统计整幅图像的较大气泡的数量并进行显示;
(3)如果最大气泡的大小超标,则算法判断产品不合格,警示“气泡过大”,如果最大气泡群的大小超标,则算法判断产品不合格,警示“气泡群过大”,如果较大气泡数量过多,则认为产品不合格。
具体地,设图像的大小为M×N,初始化一个大小为m1×m1的全1矩阵窗口,将该窗口在图像上进行遍历,窗口上各个元素wi与图像上对应的元素ai进行相加求和操作,即
计算窗口内像素值为1的像素点所占的比例大小,即
设置阈值ρ,如果p>ρ,则全1矩阵窗口的大小变为(m1+1)×(m1+1),如果经过n次判断,皆有p>ρ,则全1矩阵窗口的大小变为如果在判断的过程中,存在一次p<ρ,则全1矩阵窗口的大小重新初始化为m1×m1,通过这样的算法设计实现全1矩阵窗口的自调节,即在窗口遍历的过程中遇到气泡时,会逐渐变大直至将气泡包含在窗口内,当窗口包含气泡后,会重新初始化为原有大小,此时气泡的数量会由x个增加为x+1个。
为了避免窗口在遍历的过程中重复计算某一个气泡,设置矩阵窗阈值l,在m1>l的前提条件下,当窗口包含气泡并重新初始化为原有大小时,气泡的数量会由x个增加为x+1个,并最终得到图像内所有气泡的个数X,因此,如果气泡个数X超过产品的允许范围,则认为气泡数量过多,该产品不合格。
在窗口按照上述规则不断遍历的过程中,窗口每识别包含一个气泡时,则记录气泡的大小,即所占像素的个数Sj并实时保存目前最大的气泡所占像素的个数Smax,最终可以找到图像内最大的气泡,计算最大的气泡所占像素的个数Smax在整个图像像素个数M×N所占的比例Y,即
如果Y超过产品的允许范围,则认为气泡过大,该产品不合格。
为了找到最大气泡群,在窗口的遍历过程中,实时记录窗口内气泡所占像素的最大个数Smax,当窗口内气泡所占像素增加1次,则窗口大小由m1×m1变为(m1+1)×(m1+1);增大n次,则窗口大小由m1×m1变为(m1+n)×(m1+n),与此同时,存储窗口内的图像以及窗口的大小(m1+n)×(m1+n),在遍历的的过程中,当窗口包含的像素值减小时,窗口会重新初始化为原有大小;
气泡群的大小由被包含的窗口大小(m1+n)×(m1+n)表示,计算气泡群的大小与图像大小的比例关系η,即
如果η超过产品的允许范围,则认为气泡群过大,该产品不合格。
本发明的特点及有益效果是:
基于自调节窗口的塑料气泡检测算法可以有效的寻找出了拍摄区域内最大的气泡,最大的气泡群以及较大气泡数目17个。其中,最大气泡和最大气泡群的寻找都是准确无误的。由于较大的气泡对产品的影响更大,并且本算法对较大气泡数目的统计有更高的准确率。所以在实例里主要统计了较大气泡的数目。如果将重叠连接的气泡和完整气泡均看作一个气泡,较大气泡的数目误差也是很小的。说明基于自调节窗口的塑料气泡检测算法是有效可行的算法,可以更好的实现自动化,减少人工劳动。
塑料产品中存在“气泡少,但是较大”、“气泡多,但是较小”和“气泡较小且数量适中,但是较为密集”的问题,单一的算法判断大小,数量,密集度无法涵盖大多情况,本算法将最大气泡,最大气泡群和气泡数量结合,可以检测出大多数不合格的情况。
附图说明:
图1是本发明的算法实现流程图。
图2实例原图像。
图3实例灰度图像。
图4实例二值图像。
图5实例最大气泡图像。
图6实例最大气泡群图像。
图7检测结果示意图。
具体实施方式
本发明是对塑料产品中存在的气泡进行分析,提供具体分析的算法。首先,保证塑料产品和高速摄像机之间保持固定的距离并且拍摄区域的大小面积和图片的分辨率始终保持一致。得到需要进行处理的图片后,先将彩色图像转换为灰度图像,再由灰度图像转换为二值图像再进行算法分析。
设图像的大小为M×N,初始化一个大小为m1×m1的全1矩阵窗口。将该窗口在图像上进行遍历,窗口上各个元素wi与图像上对应的元素ai进行相加求和操作,即
计算窗口内像素值为1的像素点所占的比例大小,即
设置阈值ρ,如果p>ρ,则全1矩阵窗口的大小变为(m1+1)×(m1+1)。如果经过n次判断,皆有p>ρ,则全1矩阵窗口的大小变为如果在判断的过程中,存在一次p<ρ,则全1矩阵窗口的大小重新初始化为m1×m1。通过这样的算法设计实现了全1矩阵窗口的自调节,即在窗口遍历的过程中遇到气泡时,会逐渐变大直至将气泡包含在窗口内。当窗口包含气泡后,会重新初始化为原有大小,此时气泡的数量会由x个增加为x+1个。
为了避免窗口在遍历的过程中重复计算某一个气泡,本算法设置了矩阵窗阈值l。在m1>l的前提条件下,当窗口包含气泡并重新初始化为原有大小时,气泡的数量会由x个增加为x+1个,并最终得到图像内所有气泡的个数X。因此,如果气泡个数X超过产品的允许范围,则认为气泡数量过多,该产品不合格。
在窗口按照上述规则不断遍历的过程中,窗口每识别包含一个气泡时,则记录气泡的大小,即所占像素的个数Sj并实时保存目前最大的气泡所占像素的个数Smax。最终可以找到图像内最大的气泡。计算最大的气泡所占像素的个数Smax在整个图像像素个数M×N所占的比例Y,即
如果Y超过产品的允许范围,则认为气泡过大,该产品不合格。
在实际生产过程中,存在小气泡聚集成气泡群的现象,个数和大小都在允许范围内,但是密度很大。为了找到最大气泡群,在窗口的遍历过程中,实时记录窗口内气泡所占像素的最大个数Smax。当窗口内气泡所占像素增加1次,则窗口大小由m1×m1变为(m1+1)×(m1+1);增大n次,则窗口大小由m1×m1变为(m1+n)×(m1+n)。与此同时,存储窗口内的图像以及窗口的大小(m1+n)×(m1+n)。在遍历的的过程中,当窗口包含的像素值减小时,窗口会重新初始化为原有大小。
气泡群的大小由被包含的窗口大小(m1+n)×(m1+n)表示。计算气泡群的大小与图像大小的比例关系η,即
如果η超过产品的允许范围,则认为气泡群过大,该产品不合格。
如附图所示:本算法可以实现寻找最大的气泡、寻找最大的气泡群和统计较大气泡的数量,既可以分别进行操作,又可以同时进行操作。
将高速摄影机拍摄的塑料产品局部彩色图输入到计算机进行处理。
(1)首先将原始图像转换为灰度图像,再转换为二值图像。
(2)将一个全1的窗口矩阵在图像上进行遍历。
①寻找最大气泡时,窗口根据提前设定好的阈值1和比例的变化情况,进行大小的自调节,并且实时记录当前找到的最大的气泡。在窗口进行大小的自调节的同时,依然进行遍历,直至遍历结束,最终找到整幅图像的最大气泡并显示。
②寻找最大的气泡群时,窗口根据覆盖范围内像素值为1的像素个数总量的变化情况,进行大小的自调节,并且实时记录当前找到的最大气泡群。在窗口进行大小的自调节的同时,依然进行遍历,直至遍历结束,最终找到整幅图像的最大气泡群并显示。
③统计较大气泡的数量时,窗口根据阈值2,矩阵框阈值和比例的变化情况,进行大小的自调节并实时统计找到的气泡。在窗口进行大小的自调节的同时,依然进行遍历,直至遍历结束,最终统计整幅图像的较大气泡的数量并进行显示。
(3)如果最大气泡的大小超标,则算法判断产品不合格,警示“气泡过大”。如果最大气泡群的大小超标,则算法判断产品不合格,警示“气泡群过大”。如果较大气泡数量过多,则认为产品不合格。
Claims (2)
1.一种基于自调节窗口的塑料气泡检测方法,其特征是,将高速摄影机拍摄的塑料产品局部彩色图输入到计算机进行处理,具体地:
(1)将原始图像转换为灰度图像,再转换为二值图像;
(2)将一个全1的窗口矩阵在图像上进行遍历;
①寻找最大气泡时,窗口根据提前设定好的阈值1和比例的变化情况,进行大小的自调节,并且实时记录当前找到的最大的气泡,在窗口进行大小的自调节的同时,依然进行遍历,直至遍历结束,最终找到整幅图像的最大气泡并显示;
②寻找最大的气泡群时,窗口根据覆盖范围内像素值为1的像素个数总量的变化情况,进行大小的自调节,并且实时记录当前找到的最大气泡群,在窗口进行大小的自调节的同时,依然进行遍历,直至遍历结束,最终找到整幅图像的最大气泡群并显示;
③统计较大气泡的数量时,窗口根据阈值2,矩阵框阈值和比例的变化情况,进行大小的自调节并实时统计找到的气泡,在窗口进行大小的自调节的同时,依然进行遍历,直至遍历结束,最终统计整幅图像的较大气泡的数量并进行显示;
(3)如果最大气泡的大小超标,则算法判断产品不合格,警示“气泡过大”,如果最大气泡群的大小超标,则算法判断产品不合格,警示“气泡群过大”,如果较大气泡数量过多,则认为产品不合格。
2.如权利要求1所述的基于自调节窗口的塑料气泡检测方法,其特征是,具体地,设图像的大小为M×N,初始化一个大小为m1×m1的全1矩阵窗口,将该窗口在图像上进行遍历,窗口上各个元素wi与图像上对应的元素ai进行相加求和操作,即:
计算窗口内像素值为1的像素点所占的比例大小,即
设置阈值ρ,如果p>ρ,则全1矩阵窗口的大小变为(m1+1)×(m1+1),如果经过n次判断,皆有p>ρ,则全1矩阵窗口的大小变为如果在判断的过程中,存在一次p<ρ,则全1矩阵窗口的大小重新初始化为m1×m1,通过这样的算法设计实现全1矩阵窗口的自调节,即在窗口遍历的过程中遇到气泡时,会逐渐变大直至将气泡包含在窗口内,当窗口包含气泡后,会重新初始化为原有大小,此时气泡的数量会由x个增加为x+1个;
为了避免窗口在遍历的过程中重复计算某一个气泡,设置矩阵窗阈值l,在m1>l的前提条件下,当窗口包含气泡并重新初始化为原有大小时,气泡的数量会由x个增加为x+1个,并最终得到图像内所有气泡的个数X,因此,如果气泡个数X超过产品的允许范围,则认为气泡数量过多,该产品不合格;
窗口每识别包含一个气泡时,则记录气泡的大小,即所占像素的个数Sj并实时保存目前最大的气泡所占像素的个数Smax,最终找到图像内最大的气泡,计算最大的气泡所占像素的个数Smax在整个图像像素个数M×N所占的比例Y,即
在窗口按照上述规则不断遍历的过程中,
如果Y超过产品的允许范围,则认为气泡过大,该产品不合格;
为了找到最大气泡群,在窗口的遍历过程中,实时记录窗口内气泡所占像素的最大个数Smax,当窗口内气泡所占像素增加1次,则窗口大小由m1×m1变为(m1+1)×(m1+1);增大n次,则窗口大小由m1×m1变为(m1+n)×(m1+n),与此同时,存储窗口内的图像以及窗口的大小(m1+n)×(m1+n),在遍历的的过程中,当窗口包含的像素值减小时,窗口会重新初始化为原有大小;
气泡群的大小由被包含的窗口大小(m1+n)×(m1+n)表示,计算气泡群的大小与图像大小的比例关系η,即
如果η超过产品的允许范围,则认为气泡群过大,该产品不合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810613675.1A CN109085166B (zh) | 2018-06-14 | 2018-06-14 | 基于自调节窗口的塑料气泡检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810613675.1A CN109085166B (zh) | 2018-06-14 | 2018-06-14 | 基于自调节窗口的塑料气泡检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109085166A true CN109085166A (zh) | 2018-12-25 |
CN109085166B CN109085166B (zh) | 2021-09-14 |
Family
ID=64839643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810613675.1A Active CN109085166B (zh) | 2018-06-14 | 2018-06-14 | 基于自调节窗口的塑料气泡检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109085166B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200809185A (en) * | 2006-05-12 | 2008-02-16 | Corning Inc | Apparatus and method for characterizing defects in a transparent substrate |
CN103424952A (zh) * | 2012-05-15 | 2013-12-04 | 深圳中兴力维技术有限公司 | 一种聚焦区域自适应的自动聚焦方法及装置 |
EP2807471A1 (fr) * | 2012-01-27 | 2014-12-03 | Msc&Sgcc | Procede optique d'inspection d'articles transparents ou translucides visant a attribuer un reglage optique de reference au systeme de vision |
CN106874421A (zh) * | 2017-01-24 | 2017-06-20 | 聊城大学 | 基于自适应矩形窗口的图像检索方法 |
CN107084991A (zh) * | 2017-04-10 | 2017-08-22 | 武汉理工大学 | 基于机器视觉的石英棒气泡检测及品质分级方法 |
CN108133231A (zh) * | 2017-12-14 | 2018-06-08 | 江苏大学 | 一种尺度自适应的实时车辆检测方法 |
-
2018
- 2018-06-14 CN CN201810613675.1A patent/CN109085166B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200809185A (en) * | 2006-05-12 | 2008-02-16 | Corning Inc | Apparatus and method for characterizing defects in a transparent substrate |
EP2807471A1 (fr) * | 2012-01-27 | 2014-12-03 | Msc&Sgcc | Procede optique d'inspection d'articles transparents ou translucides visant a attribuer un reglage optique de reference au systeme de vision |
CN103424952A (zh) * | 2012-05-15 | 2013-12-04 | 深圳中兴力维技术有限公司 | 一种聚焦区域自适应的自动聚焦方法及装置 |
CN106874421A (zh) * | 2017-01-24 | 2017-06-20 | 聊城大学 | 基于自适应矩形窗口的图像检索方法 |
CN107084991A (zh) * | 2017-04-10 | 2017-08-22 | 武汉理工大学 | 基于机器视觉的石英棒气泡检测及品质分级方法 |
CN108133231A (zh) * | 2017-12-14 | 2018-06-08 | 江苏大学 | 一种尺度自适应的实时车辆检测方法 |
Non-Patent Citations (2)
Title |
---|
张国英等: "基于自适应射线群的图像边缘检测算法", 《计算机工程》 * |
李勇等: "基于目标区域定位和特征融合的图像检索算法", 《吉林大学学报(工学版)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109085166B (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960245B (zh) | 轮胎模具字符的检测与识别方法、装置、设备及存储介质 | |
CN108985169B (zh) | 基于深度学习目标检测与动态背景建模的商店跨门经营检测方法 | |
CN109410168B (zh) | 用于确定图像中的子图块类别的卷积神经网络的建模方法 | |
CN108876774A (zh) | 一种基于卷积神经网络的人群计数方法 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN107886086A (zh) | 一种基于图像视频的目标动物检测方法及装置 | |
CN108563975B (zh) | 一种基于深度学习的高密度人群人数估计方法 | |
CN113420643B (zh) | 基于深度可分离空洞卷积的轻量级水下目标检测方法 | |
CN107871316B (zh) | 基于深度神经网络的x光片手骨兴趣区域自动提取方法 | |
CN107220643A (zh) | 基于紧凑型神经网络的深度学习模型的交通标志识别系统 | |
CN111598175B (zh) | 一种基于在线难例挖掘方式的检测器训练优化方法 | |
CN114724022B (zh) | 融合SKNet与YOLOv5的养殖鱼群检测方法、系统和介质 | |
CN106228569A (zh) | 一种适用于水质监测的鱼体运动速度检测方法 | |
CN108615229B (zh) | 基于曲率点聚类及决策树的碰撞检测优化方法 | |
CN109903282A (zh) | 一种细胞计数方法、系统、装置和存储介质 | |
CN109800756A (zh) | 一种用于中文历史文献密集文本的文字检测识别方法 | |
CN110827304A (zh) | 一种基于深度卷积网络与水平集方法的中医舌像定位方法和系统 | |
CN113780423A (zh) | 一种基于多尺度融合的单阶段目标检测神经网络及工业品表面缺陷检测模型 | |
CN113822185A (zh) | 一种群养生猪日常行为检测方法 | |
CN111652214A (zh) | 一种基于深度学习的垃圾瓶分选方法 | |
CN107220991A (zh) | 一种基于压缩感知的实时目标跟踪算法 | |
CN112258525A (zh) | 一种基于鸟类高帧频序列图像丰度统计和种群识别算法 | |
CN109035296A (zh) | 一种改进的视频中运动物体检测方法 | |
CN106569946A (zh) | 一种移动终端性能测试方法及系统 | |
CN108305270A (zh) | 一种基于手机拍照的仓储粮虫计数系统及方法 |
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 |