CN109919963B - 一种车漆缺陷位置检测方法 - Google Patents
一种车漆缺陷位置检测方法 Download PDFInfo
- Publication number
- CN109919963B CN109919963B CN201910191791.3A CN201910191791A CN109919963B CN 109919963 B CN109919963 B CN 109919963B CN 201910191791 A CN201910191791 A CN 201910191791A CN 109919963 B CN109919963 B CN 109919963B
- Authority
- CN
- China
- Prior art keywords
- area
- image
- vehicle paint
- value
- edge detection
- 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
- 239000003973 paint Substances 0.000 title claims abstract description 67
- 230000007547 defect Effects 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 title claims description 18
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000003708 edge detection Methods 0.000 claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000003016 pheromone Substances 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 30
- 241000257303 Hymenoptera Species 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000009191 jumping Effects 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000005251 gamma ray Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims 1
- 230000002950 deficient Effects 0.000 abstract description 6
- 238000010422 painting Methods 0.000 abstract 1
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 210000004209 hair Anatomy 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Abstract
本发明公开了一种车漆缺陷位置检测方法，包括步骤：图像预处理；改进的蚁群算法边缘检测；车漆图像反光区域识别；缺陷区域识别。本发明利用生物学特征，通过改进蚁群边缘检测方法对车漆图像进行边缘识别，并设计反光区域识别去除方法来排除反光位置干扰，对车漆图像中缺陷位置进行识别标记，得到位置信息供重新喷漆考虑。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种车漆缺陷位置检测方法。
背景技术
车漆缺陷位置检测是通过对车身图像进行处理检测得到车身发生车漆缺陷的方法。在现有的车漆缺陷检测方法中，J.Mol in等人采用局部方向模糊法和改进的图像对比度增强的图像背景提取方法检测缺陷位置。P.Cheng等人提出一种基于图像处理的车身涂膜缺陷识别方法，利用形态学处理和基于图论的图像分割算法对缺陷位置进行识别，识别率达90％。Elaheh Noursadeghi等人提出一种车身油漆缺陷自动检测与分类的方法，利用局部二元模式(LBP)和局部方差的旋转不变量测度对缺陷位置定位和分类。
然而，对车漆缺陷位置检测得方法少之又少，虽然有很多的位置识别方法，但是对于车漆缺陷位置的检测方法很难实现，因为车漆缺陷位置识别过程是处于高亮车间下，并且车漆是由多种物质混合而成，并不是透明物，其中包含很多细小斑点干扰项，去噪处理的过程中很可能将缺陷位置也去除，并且高亮的反光区域也会成为检测过程中的干扰项。
发明内容
针对现有技术的不足，本发明旨在提供一种车漆缺陷位置检测方法，利用生物学特征，通过改进蚁群边缘检测方法对车漆图像进行边缘识别，并设计反光区域识别去除方法来排除反光位置干扰，对车漆图像中缺陷位置进行识别标记，得到位置信息供重新喷漆考虑，检测准确度高。
为了实现上述目的，本发明采用如下技术方案：
一种车漆缺陷位置检测方法，包括如下步骤：
S1、图像预处理：
采集原始车漆图像，利用大小调整函数将原始车漆图像调整为设定大小后转换为车漆灰度图像；
S2、蚁群算法边缘检测：
S2.1、初始化：确定迭代次数，并对车漆灰度图像的像素值进行处理实现信息素矩阵和启发信息矩阵的初始化；
所述信息素矩阵初始化如下：
δ←0.01
所述启发信息矩阵按下式进行初始化：
其中，X表示周围像素点的个数；Px表示周围8个像素点中像素点x的位置；ι表示周围像素点的被选择的个数；
表示周围像素点的变换程度，取固定值4；ζi，j表示启发信息矩阵中的启发式信息值；
S2.2、蚂蚁下一步走向选择：
以当前蚂蚁位置作为初始位置，周围8个像素点作为路线选择区域，让蚂蚁在像素域中迭代移动，周围8个像素点的移动选择的概率值Qx通过下式计算：
其中，x是蚂蚁下一步选择的像素点；δx为蚂蚁从当前点走向x点的信息素强度；γx是点x处的能见度系数；ε是用于控制蚂蚁探索程度的参数，θ是代表影响信息素线索的参数；
根据上述计算得到的周围8个像素点的移动选择概率值，按下式选择蚂蚁下一步的方向：
其中，
表示周围像素点x被选择的概率值，/>
表示按轮盘方向走时的概率计算和；利用随机函数产生一个0～1的概率值p，判断p是否超过0.5，当p小于0.5时，继续执行随机函数直到产生大于或等于0.5的概率值，在这个过程中转动概率计算的开始位置，最后记录保存到Qt中，而被选中的像素点x保存到t中作为蚂蚁最终选择的下一步的像素点，并将该位置信息素更新标记；
S2.3、蚂蚁选择了下一步走向之后，需要对信息素矩阵更新；
S2.4、当达到迭代次数上限时停止迭代，得到最终的信息素矩阵，并利用OTSU阈值分割方法对最终的信息素矩阵处理，得到边缘检测信息图像；
S3、识别出步骤S2.4中得到的边缘检测信息图像的反光区域并标记，得到标记反光区域后的边缘检测信息图像；
步骤S4、缺陷位置识别：
S4.1、利用形态学算法中的腐蚀对步骤S3得到的标记反光区域后的边缘检测信息图像进行处理，消除其边缘中的噪声干扰；
S4.2、进行缺陷区域识别：对经过步骤S4.1处理的边缘检测信息图像利用自适应阈值Canny算法识别其中的连通区域的边界并进行标记，对所有的边界保存，确认所识别得到的连通区域是否为缺陷区域。
进一步地，步骤S1中，所述设定大小为128*128。
进一步地，步骤S2.1中，所述迭代次数上限为900步，若多于900步则停止迭代。
进一步地，步骤S2.1中，所述周围8个像素点从左上角开始顺时针标号，1到8。
进一步地，步骤S2.2中，ε和θ为1到2之间的小数。
进一步地，步骤S2.3的具体过程为：
信息素强度δx随蚂蚁移动过程不断更新，设首次更新的排列号为m，则第二次更新的排列号为m+1；
按照下式计算参与度σf：
initσxσf←σ1+σ2+…+σn
其中，σf表示当前蚂蚁选择完下一步的方向后的路径上所有的像素点的参与度总和，σx表示路径上每一个像素点的参与度，n为路径上的像素点的个数；参与度表示车漆图像中每个像素点被选中的次数；
参与度和更新过程的函数关系如下：
ifσf＞σ[whilex＜8δx (m+1)←Δω×γx (m)+δx (m)×|1-Δω|x←
x+1]elseσf≤σδx (m+1)←Δω×γx (m)+δx (m)×|1-Δω|；
式中，Δω表示损失程度，σf高于σ值选择局部更新的方式更新信息素，σf小于或等于σ值则选择全局更新的方式更新信息素矩阵。
进一步地，步骤S3的具体过程为：
S3.1、对步骤S2.4得到的边缘检测信息图像进行HSV空间域转化，得到边缘检测信息图像的色调、饱和度、明度，进而得到边缘检测信息图像的色调平均值、饱和度平均值、明度平均值、饱和度最小值、明度最大值；
S3.2、按照下式计算反光区域的筛选阈值Θ：
Θ←Θave
whileΘ＜ξdoΘ←(Θ+Θmax)/2 andξ←Θmax*2*(Have-Hmin)/(3*Have)；
其中，ξ表示明度判断阈值，Have表示饱和度平均值，Hmin表示饱和度的最小值，Θave表示明度的平均值，Θmax表示明度的最大值；
S3.3、根据步骤S3.2得到的筛选阈值Θ对整幅图像进行筛选，明度大于Θ的区域代表反光区域并进行标记，然后将被标记的反光区域利用白像素点覆盖，最终得到标记反光区域后的边缘检测信息图像。
进一步地，步骤S4.2的具体过程为：
S4.2.1、先对经过步骤S4.1处理的边缘检测信息图像进行自适应阈值Canny算法识别图像中的连通区域，并对连通区域的边界进行标记；
S4.2.2、利用对面积进行第一次选择：
ifAw>B select Areaw else Aw≤B abandon Areaw；
Areaw表示待筛选连通区域w，Aw为Areaw的面积；
如果第一次选择不能选择出唯一一个区域，跳转至步骤S4.2.3；如果第一次选择得到唯一一个区域，则该区域确定为缺陷区域；
S4.2.3、进行第二次选择：
对步骤S4.2.2选择得到的待筛选连通区域按下式进行计算质心差和中心差：
上式中，(rweight，cweight)表示待筛选连通区域的质心坐标，(rv，cv)表示连通区域中的像素点坐标，u表示整个连通区域的像素点个数；表示质心差，
表示中心差，(rcentrality，wcentraloty)表示车漆图像的中心坐标，也就是整个车漆图像的中心坐标；s表示偏差程度；
如果待筛选连通区域的质心差υ＜υcertain则被选择；当υ≥υcertain时，判断
的大小，如果/>
则被选择，否则舍弃；υcertain和/>
分别为所有待筛选连通区域的v和/>
的平均值；
如果第二次选择还不能选择出唯一一个区域，跳转至步骤S4.2.3；如果第二次选择得到唯一一个区域，则确定该区域为缺陷区域；
S4.2.3、对经过步骤S4.2.3选择得到的待筛选连通区域按照如下标准作第三次选择：
①当长宽比值大于a且圆形度小于b时，选择；
②当长宽比值在0.95～1.05，同时圆形度为0.95～1.05时,选择；
③当长宽比值在0.95～1.05，同时圆形度小于b或者大于b+1时，舍弃；
a和b分别为各个待筛选连通区域的长宽比和圆形度的平均值；
第三次选择最终得到的区域即确定为缺陷区域。
更进一步地，步骤S4.2.2中，s设置为2。
本发明的有益效果在于：本发明利用生物学特征，通过改进蚁群边缘检测方法对车漆图像进行边缘识别，并设计反光区域识别去除方法来排除反光位置干扰，对车漆图像中缺陷位置进行识别标记，得到缺陷区域的位置信息供重新喷漆考虑，检测准确度高。
具体实施方式
以下将对本发明作进一步的描述，需要说明的是，本实施例以本技术方案为前提，给出了详细的实施方式和具体的操作过程，但本发明的保护范围并不限于本实施例。
本实施例提供一种车漆缺陷位置检测方法，包括如下步骤：
S1、图像预处理：
采集原始车漆图像，利用大小调整函数将原始车漆图像调整为128*128大小后转换为车漆灰度图像；
S2、蚁群算法边缘检测：
S2.1、初始化：确定迭代次数在900步之内，若多于900步则停止检测，并对车漆灰度图像的像素值进行处理实现信息素矩阵和启发信息矩阵的初始化；
所述信息素矩阵初始化如下：
δ←0.01
所述启发信息矩阵按下式进行初始化：
其中，X表示周围像素点的个数；Px表示周围8个像素点的位置，从左上角开始顺时针标号，1到8；ι表示周围像素点的被选择的个数；
表示周围像素点的变换程度，取固定值4；ζi，j表示启发信息矩阵中的启发式信息值。
S2.2、蚂蚁下一步走向选择：
以当前蚂蚁位置作为初始位置，周围8个像素点作为路线选择区域，让蚂蚁在像素域中迭代移动，周围8个像素点的移动选择的概率值Qx通过下式计算：
其中，x是蚂蚁下一步选择的像素点；δx为蚂蚁从当前点走向x点的信息素强度；γx是点x处的能见度系数；ε是用于控制蚂蚁探索程度的参数，θ是代表影响信息素线索的参数，车漆图像属于高光背景下的图像，ε和θ设置为1到2之间的小数，根据特定环境适当调整可以保证概率选择的可靠性。
根据上述计算得到的周围8个像素点的移动选择概率值选择蚂蚁下一步的方向。在本实施例中，在进行方向选择时，结合上述计算得到的周围8个像素点的移动选择概率值，改进轮盘赌选择方法，减少随机性，增加高概率的合理性，具体过程为：
p←rand()/(RANDMAX+1)and k←(k+1)％8
其中，
表示周围像素点x被选择的概率值，/>
表示按轮盘方向走时的概率计算和，k表示供蚂蚁选择的8个方向中的一个方向，在对周围8个像素点进行第一次选择时，利用随机函数产生一个0～1的概率值p，判断p是否超过0.5，当p小于0.5时，继续执行随机函数直到产生大于或等于0.5的概率值，在这个过程中转动概率计算的开始位置，最后记录保存到Qt中，而被选中的像素点x保存到t中作为蚂蚁最终选择的下一步的像素点，并将该位置信息素更新标记；
S2.3、更新信息素矩阵：
蚂蚁选择了下一步走向之后，需要对信息素矩阵更新，具体过程如下：
信息素强度δx随蚂蚁移动过程不断更新，设首次更新的排列号为m，则第二次更新的排列号为m+1。
在本实施例中，信息素矩阵的更新中，根据设定的阈值σ，在局部更新和全局更新两种方式中选择更新方式。具体地，通过增加路径参与度参数，计算每次蚂蚁选择的路径上所有的像素点的参与度总和，据此判断信息素矩阵的更新方式，参与度σf按照下式计算：
initσxσf←σ1+σ2+…+σn
其中，σf表示当前蚂蚁选择完下一步的方向后的路径上所有的像素点的参与度总和，σx表示路径上每一个像素点的参与度，n为路径上的像素点的个数；参与度表示车漆图像中每个像素点被选中的次数，参与度越高，该像素点是缺陷边缘的概率就越大，参与度和更新过程的函数关系如下：
ifσf＞σ[whilex＜8δx (m+1)←Δω×γx (m)+δx (m)×|1-Δω|x←
x+1]elseσf≤σδx (m+1)←Δω×γx (m)+δx (m)×|1-Δω|；
式中，Δω表示损失程度，为参与度设置一个阈值σ，σf高于σ值选择局部更新的方式更新信息素，σf小于或等于σ值则选择全局更新的方式更新信息素矩阵。
S2.4、得到边缘检测信息图像：
如果达到900步迭代次数则停止迭代，得到最终的信息素矩阵，并利用0TSU阈值分割方法对最终的信息素矩阵处理，得到边缘检测信息图像；
S3、车漆图像反光区域识别：
本实施例中通过饱和度和明度对步骤S2得到的边缘检测信息图像的反光区域进行筛选，具体过程如下：
S3.1、对步骤S2得到的边缘检测信息图像进行HSV空间域转化，得到边缘检测信息图像的色调、饱和度、明度，进而得到边缘检测信息图像的色调平均值、饱和度平均值、明度平均值、饱和度最小值、明度最大值；
S3.2、按照下式计算反光区域的筛选阈值Θ：
Θ←Θave
whileΘ＜ξdoΘ←(Θ+Θmax)/2 andξ←Θmax*2*(Have-Hmin)/(3*Have)；
其中，ξ表示明度判断阈值，Have表示饱和度平均值，Hmin表示饱和度的最小值，Θave表示明度的平均值，Θmax表示明度的最大值；
S3.3、根据步骤S3.2得到的筛选阈值Θ对整幅图像进行筛选，明度大于Θ的区域代表反光区域并进行标记，然后将被标记的反光区域利用白像素点覆盖，最终得到标记反光区域后的边缘检测信息图像；
步骤S4、缺陷位置识别：
S4.1、利用形态学算法中的腐蚀对步骤S3得到的标记反光区域后的边缘检测信息图像进行处理，消除其边缘中的噪声干扰；
S4.2、进行缺陷区域识别：对经过步骤S4.1处理的边缘检测信息图像利用自适应阈值Canny算法识别其中的连通区域的边界并进行标记，对所有的边界保存，确认所识别得到的连通区域是否为缺陷区域；具体过程为：
S4.2.1、先对经过步骤S4.1处理的边缘检测信息图像进行自适应阈值Canny算法识别图像中的连通区域，并对连通区域的边界进行标记；
S4.2.2、一般地，杂质或缺陷区域会比较多，并且分布位置遍布整个图像，车漆杂质包含头发、刮痕、开裂、漆皮褶皱、雨滴等，缺陷形状通常有圆形、长方形和其他不规则图形。本实施例中通过计算各个连通区域的质心、圆形度、长宽比等，确认连通区域是否为缺陷区域。
本实施例中，采用如下规则实现车漆图像缺陷区域识别：
1)面积作为筛选条件优先级的最高选择；
2)质心及边界之间距离差值大小次级优先级；
3)圆形度和长宽比优先级最低。
在确认缺陷区域时，利用车漆特有的物理属性(即车漆本身并不是光滑物理，会产生许多星星点点的干扰边界)，采用面积作为第一次选择的因素，通过确定面积的筛选阈值B，对面积进行选择：
ifAw>B select Areaw else Aw≤B abandon Areaw；
Areaw表示第w个待筛选连通区域，Aw为Areaw的面积；
如果第一次选择不能选择出唯一一个缺陷区域(即选择结果并未唯一)，采用质心与待筛选连通区域边界之间距离的差值大小进行第二次选择，
上式中，(rweight，cweight)表示待筛选连通区域的质心坐标，(rv，cv)表示连通区域中的像素点坐标，u表示整个连通区域的像素点个数；v表示质心差，
表示中心差，(rcentrality，wcentrality)表示车漆图像的中心坐标，也就是整个车漆图像的中心，s表示偏差程度，设置为2。所述整个车漆图像的中心利用下式计算：
式中image·row和image.col分别表示车漆图像的行数和列数。
质心差υ表示连通区域的边界与连通区域的质心位置的偏离情况。车漆属于混杂物，车漆图像会有很多小的不规则型区域，但相较之下，车漆的缺陷区域的形状会更加规则，也就代表着车漆的缺陷区域的值会更小一些。另外，车漆的缺陷区域会更加贴近于图像的中心区域，所以设置第二个参量
表示中心偏离量。在选择过程中也分别给υ和/>
一个阈值υcertain和/>
用来判断是否在阈值范围之内以进行筛选，υcertain和/>
被设置为所有待筛选连通区域的υ和/>
的平均值，并且υ的判断优先级比/>
高，即如果待筛选连通区域的质心差υ＜υcertain则被选择；当υ≥υcertain时，判断/>
的大小，如果/>
则被选择，否则舍弃。
若第二次选择的选择结果并非唯一，则继续进行第三次选择。车漆缺陷大多数像雨滴属于圆形，刮痕和头发都属于长条形，因此可以利用圆形度和长宽比确定缺陷区域，将各个待筛选连通区域的长宽比平均值a和圆形度的平均值b作为阈值对经过第一次选择和第二次选择得到的待筛选连通区域进行选择，具体为：
①当长宽比值大于a且圆形度小于b时，确定为缺陷区域；
②长宽比值在0.95～1.05，同时圆形度在0.95～1.05时,确定为缺陷区域；
③长宽比值在0.95～1.05，同时圆形度小于b或者大于b+1时，舍弃。
各个待筛选连通区域的圆形度按下式计算：
式中，Ψw代表连通区域w的圆形度，circumferencew表示连通区域w的外周长，Areaw表示连通区域w的面积。
各个待筛选连通区域的长宽比按下式计算：
式中，Ow表示连通区域w的长宽比，Rowmax和Rowmin分别表示连通区域w的各行的最大值和最小值，Colmax和Colmin分别表示连通区域w的各列的最大值和最小值。
由此完成缺陷区域检测。
对于本领域的技术人员来说，可以根据以上的技术方案和构思，给出各种相应的改变和变形，而所有的这些改变和变形，都应该包括在本发明权利要求的保护范围之内。
Claims (8)
1.一种车漆缺陷位置检测方法，其特征在于，包括如下步骤：
S1、图像预处理：
采集原始车漆图像，利用大小调整函数将原始车漆图像调整为设定大小后转换为车漆灰度图像；
S2、蚁群算法边缘检测：
S2.1、初始化：确定迭代次数，并对车漆灰度图像的像素值进行处理实现信息素矩阵和启发信息矩阵的初始化；
所述信息素矩阵初始化如下：
δ←0.01
所述启发信息矩阵按下式进行初始化：
其中，X表示周围像素点的个数；Px表示周围8个像素点中像素点x的位置；ι表示周围像素点的被选择的个数；
表示周围像素点的变换程度，取固定值4；ζi,j表示启发信息矩阵中的启发式信息值；
S2.2、蚂蚁下一步走向选择：
以当前蚂蚁位置作为初始位置，周围8个像素点作为路线选择区域，让蚂蚁在像素域中迭代移动，周围8个像素点的移动选择的概率值Qx通过下式计算：
其中，x是蚂蚁下一步选择的像素点；δx为蚂蚁从当前点走向x点的信息素强度；γx是点x处的能见度系数；ε是用于控制蚂蚁探索程度的参数，θ是代表影响信息素线索的参数；
根据上述计算得到的周围8个像素点的移动选择概率值，按下式选择蚂蚁下一步的方向：
其中，
表示周围像素点x被选择的概率值，
表示按轮盘方向走时的概率计算和；利用随机函数产生一个0～1的概率值p，判断p是否超过0.5，当p小于0.5时，继续执行随机函数直到产生大于或等于0.5的概率值，在这个过程中转动概率计算的开始位置，最后记录保存到Qt中，而被选中的像素点x保存到t中作为蚂蚁最终选择的下一步的像素点，并将该位置信息素更新标记；
S2.3、蚂蚁选择了下一步走向之后，需要对信息素矩阵更新；
S2.4、当达到迭代次数上限时停止迭代，得到最终的信息素矩阵，并利用OTSU阈值分割方法对最终的信息素矩阵处理，得到边缘检测信息图像；
S3、识别出步骤S2.4中得到的边缘检测信息图像的反光区域并标记，得到标记反光区域后的边缘检测信息图像：
S3.1、对步骤S2.4得到的边缘检测信息图像进行HSV空间域转化，得到边缘检测信息图像的色调、饱和度、明度，进而得到边缘检测信息图像的色调平均值、饱和度平均值、明度平均值、饱和度最小值、明度最大值；
S3.2、按照下式计算反光区域的筛选阈值Θ：
Θ←Θave
whileΘ<ξdoΘ←(Θ+Θmax)/2 andξ←Θmax*2*(Ηave-Ηmin)/(3*Ηave)；
其中，ξ表示明度判断阈值，Ηave表示饱和度平均值，Ηmin表示饱和度的最小值，Θave表示明度的平均值，Θmax表示明度的最大值；
S3.3、根据步骤S3.2得到的筛选阈值Θ对整幅图像进行筛选，明度大于Θ的区域代表反光区域并进行标记，然后将被标记的反光区域利用白像素点覆盖，最终得到标记反光区域后的边缘检测信息图像；
步骤S4、缺陷位置识别：
S4.1、利用形态学算法中的腐蚀对步骤S3得到的标记反光区域后的边缘检测信息图像进行处理，消除其边缘中的噪声干扰；
S4.2、进行缺陷区域识别：对经过步骤S4.1处理的边缘检测信息图像利用自适应阈值Canny算法识别其中的连通区域的边界并进行标记，对所有的边界保存，确认所识别得到的连通区域是否为缺陷区域。
2.根据权利要求1所述的车漆缺陷位置检测方法，其特征在于，步骤S1中，所述设定大小为128*128。
3.根据权利要求1所述的车漆缺陷位置检测方法，其特征在于，步骤S2.1中，所述迭代次数上限为900步，若多于900步则停止迭代。
4.根据权利要求1所述的车漆缺陷位置检测方法，其特征在于，步骤S2.1中，所述周围8个像素点从左上角开始顺时针标号，1到8。
5.根据权利要求1所述的车漆缺陷位置检测方法，其特征在于，步骤S2.2中，ε和θ为1到2之间的小数。
6.根据权利要求1所述的车漆缺陷位置检测方法，其特征在于，步骤S2.3的具体过程为：
信息素强度δx随蚂蚁移动过程不断更新，设首次更新的排列号为m，则第二次更新的排列号为m+1；
按照下式计算参与度σf：
initσxσf←σ1+σ2+…+σn
其中，σf表示当前蚂蚁选择完下一步的方向后的路径上所有的像素点的参与度总和，σx表示路径上每一个像素点的参与度，n为路径上的像素点的个数；参与度表示车漆图像中每个像素点被选中的次数；
参与度和更新过程的函数关系如下：
ifσf>σ[while x<8 δx (m+1)←Δω×γx (m) +δx (m)×|1-Δω|x←x+1] else σf≤σδx (m+1)←Δω×γx (m) +δx (m)×|1-Δω|；
式中，Δω表示损失程度，σf高于σ值选择局部更新的方式更新信息素，σf小于或等于σ值则选择全局更新的方式更新信息素矩阵。
7.根据权利要求1所述的车漆缺陷位置检测方法，其特征在于，步骤S4.2的具体过程为：
S4.2.1、先对经过步骤S4.1处理的边缘检测信息图像进行自适应阈值Canny算法识别图像中的连通区域，并对连通区域的边界进行标记；
S4.2.2、利用对面积进行第一次选择：
if Aw>B select Areaw else Aw≤B abandon Areaw；
Areaw表示待筛选连通区域w，Aw为Areaw的面积；B为面积的筛选阈值；
如果第一次选择不能选择出唯一一个区域，跳转至步骤S4.2.3；如果第一次选择得到唯一一个区域，则该区域确定为缺陷区域；
S4.2.3、进行第二次选择：
对步骤S4.2.2选择得到的待筛选连通区域按下式进行计算质心差和中心差：
上式中，(rweight,cweight)表示待筛选连通区域的质心坐标，(rv,cv)表示连通区域中的像素点坐标，u表示整个连通区域的像素点个数；υ表示质心差，
表示中心差，(rcentrality,wcentrality)表示车漆图像的中心坐标，也就是整个车漆图像的中心坐标；s表示偏差程度；
如果待筛选连通区域的质心差υ<υcertain则被选择；当υ≥υcertain时，判断
的大小，如果
则被选择，否则舍弃；υcertain和
分别为所有待筛选连通区域的υ和
的平均值；
如果第二次选择还不能选择出唯一一个区域，跳转至步骤S4.2.3；如果第二次选择得到唯一一个区域，则确定该区域为缺陷区域；
S4.2.4、对经过步骤S4.2.3选择得到的待筛选连通区域按照如下标准作第三次选择：
①当长宽比值大于a且圆形度小于b时，选择；
②当长宽比值在0.95～1.05，同时圆形度为0.95～1.05时,选择；
③当长宽比值在0.95～1.05，同时圆形度小于b或者大于b+1时，舍弃；
a和b分别为各个待筛选连通区域的长宽比和圆形度的平均值；
第三次选择最终得到的区域即确定为缺陷区域。
8.根据权利要求7所述的车漆缺陷位置检测方法，其特征在于，步骤S4.2.3中，s设置为2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910191791.3A CN109919963B (zh) | 2019-03-14 | 2019-03-14 | 一种车漆缺陷位置检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910191791.3A CN109919963B (zh) | 2019-03-14 | 2019-03-14 | 一种车漆缺陷位置检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109919963A CN109919963A (zh) | 2019-06-21 |
| CN109919963B true CN109919963B (zh) | 2023-03-24 |
Family
ID=66964762
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910191791.3A Active CN109919963B (zh) | 2019-03-14 | 2019-03-14 | 一种车漆缺陷位置检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109919963B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110688889B (zh) * | 2019-08-06 | 2023-04-18 | 珠海格力电器股份有限公司 | 一种图文内容比对方法及装置 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2844898B1 (fr) * | 2002-09-20 | 2005-03-11 | Thales Sa | Procede de traitement d'image couleur pour supprimer les ombres et les reflets. |
| US8113695B2 (en) * | 2005-02-04 | 2012-02-14 | Adac Plastics, Inc. | Trim component with concealed indicium |
| CN101916444B (zh) * | 2010-08-23 | 2012-04-11 | 南京信息工程大学 | 基于形态学和蚁群算法的医学细胞边缘检测方法 |
| CN102184556A (zh) * | 2011-04-29 | 2011-09-14 | 中山大学 | 一种基于蚁群算法的图像边缘检测方法 |
| CN103849179A (zh) * | 2012-11-29 | 2014-06-11 | 陈永煌 | 一种耐高温彩色铝颜料 |
| CN105574865B (zh) * | 2015-12-14 | 2019-11-12 | 沈阳工业大学 | 基于改进蚁群算法提取睫毛的方法 |
| CN106650743B (zh) * | 2016-09-12 | 2023-01-06 | 北京旷视科技有限公司 | 图像强反光检测方法和装置 |
| CN106706568A (zh) * | 2016-12-20 | 2017-05-24 | 宁波中令清洁技术有限公司 | 洗车清洁度的检测方法 |
| CN107045717A (zh) * | 2017-03-21 | 2017-08-15 | 南京邮电大学 | 基于人工蜂群算法的白细胞的检测方法 |
-
2019
- 2019-03-14 CN CN201910191791.3A patent/CN109919963B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109919963A (zh) | 2019-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110717489B (zh) | Osd的文字区域的识别方法、装置及存储介质 | |
| CN107945150B (zh) | 基因测序的图像处理方法及系统及计算机可读存储介质 | |
| CN110287898B (zh) | 一种光学卫星遥感影像云检测方法 | |
| CN110544211B (zh) | 一种镜头付着物的检测方法、系统、终端和存储介质 | |
| CN111340875B (zh) | 一种基于三维激光雷达的空间移动目标检测方法 | |
| CN108256521B (zh) | 用于车身颜色识别的有效区域定位方法 | |
| CN111667512A (zh) | 基于改进卡尔曼滤波的多目标车辆轨迹预测方法 | |
| CN108985129B (zh) | 二维码的定位与检出方法 | |
| CN107423735B (zh) | 一种利用水平梯度和饱和度的车牌定位方法 | |
| 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 | |
| CN110263635B (zh) | 基于结构森林和PCANet的标志物检测与识别方法 | |
| CN109919963B (zh) | 一种车漆缺陷位置检测方法 | |
| CN112417931B (zh) | 一种基于视觉显著性的水面物体检测和分类的方法 | |
| CN110427979B (zh) | 基于K-Means聚类算法的道路水坑识别方法 | |
| CN103310439B (zh) | 一种基于尺度空间的图像最稳极值区域检测方法 | |
| CN109975196B (zh) | 一种网织红细胞检测方法及其系统 | |
| CN109801283A (zh) | 一种基于水滴偏移距离的复合绝缘子憎水性等级判定方法 | |
| CN114511770A (zh) | 道路标识标牌识别方法 | |
| CN106407951A (zh) | 一种基于单目视觉的夜间前方车辆检测方法 | |
| CN105283750A (zh) | 用于处理轮胎表面的数字图像以便检测异常的方法 | |
| US20110164129A1 (en) | Method and a system for creating a reference image using unknown quality patterns | |
| CN112215865A (zh) | 一种荧光显微图像下的微液滴自动检测方法 | |
| CN109359653B (zh) | 一种棉花叶部粘连病斑图像分割方法和系统 | |
| CN113111969B (zh) | 一种基于混合度量的高光谱图像分类方法 | |
| CN112052768A (zh) | 基于无人机的城市违章停车检测方法、装置及存储介质 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231214 Address after: 244000, 6th Floor, Office Building E, Tongfang Information Port, Economic Development Zone, Tongling City, Anhui Province Patentee after: Anhui Juxin Software Technology Co.,Ltd. Address before: 130012 No. 2699 Qianjin Street, Jilin, Changchun Patentee before: Jilin University |