CN112801106A - 一种基于机器视觉的牙齿修复制品的加工缺陷分类方法 - Google Patents
一种基于机器视觉的牙齿修复制品的加工缺陷分类方法 Download PDFInfo
- Publication number
- CN112801106A CN112801106A CN202110117051.2A CN202110117051A CN112801106A CN 112801106 A CN112801106 A CN 112801106A CN 202110117051 A CN202110117051 A CN 202110117051A CN 112801106 A CN112801106 A CN 112801106A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- gray
- pixel
- dental restoration
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003754 machining Methods 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 36
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000033228 biological regulation Effects 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000007781 pre-processing Methods 0.000 abstract description 5
- 238000007635 classification algorithm Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 2
- 238000005286 illumination Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 4
- 239000000956 alloy Substances 0.000 description 3
- 229910045601 alloy Inorganic materials 0.000 description 3
- 229940023487 dental product Drugs 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 239000011347 resin Substances 0.000 description 2
- 229920005989 resin Polymers 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 208000028911 Temporomandibular Joint disease Diseases 0.000 description 1
- 208000008312 Tooth Loss Diseases 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 208000028169 periodontal disease Diseases 0.000 description 1
- 229910052573 porcelain Inorganic materials 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G06T5/90—
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Abstract
本说明书一个或多个实施例提供一种基于机器视觉的牙齿修复制品的加工缺陷分类方法，首先，对流水线上的牙科修复制品采集图像，并对图像精选预处理，预处理可以突出目标表面特征，并减少图像中的噪声，从而实现提高目标表面缺陷检测分类算法的精度和速度的目的，然后利用LBP缺陷特征提取方法，可以一定程度上消除了光照变化的问题，并且计算速度快，最后设计SVM分类器可快速准确地分类和识别牙科修复制品表面的缺陷。
Description
技术领域
本说明书一个或多个实施例涉及缺陷分类技术领域，尤其涉及一种基于机器视觉的牙齿修复制品的加工缺陷分类方法。
背景技术
牙齿修复，主要是针对牙齿缺损、牙齿缺失后的治疗工作，如嵌体、全冠、义齿等，也包括利用人工修复体针对牙周病、颞下颌关节病和颌面部组织缺损的治疗。而牙齿修复制品常用的材料有合金、瓷、树脂。其中固定修复类常用的材料是合金和瓷，活动修复类常用的材料是树脂和合金。
目前牙齿修复制品的加工缺陷主要有划痕、斑点、孔洞，它们分别由于加工设备的状态不同、CAD/CAM设计参数的不合理和切削机车针的运动所造成的。由于制备义齿过程中，会有各种复杂的工艺程序，如果不及时检测出缺陷，会使生产周期变长，影响生产量。
现有的对牙齿修复制品的缺陷检测包括人工灯光检测方法和机械装置与牙齿修复制品进行接触的检测方法，第一种方法由于它易受人眼分辨能力和容易疲劳等主观因素的影响，无法保质保量完成生产的任务；第二种方法虽然可以保证生产质量的要求，但是设备成本代价高，灵活性也比较差，无法有效的对加工缺陷进行分类。
发明内容
有鉴于此，本说明书一个或多个实施例的目的在于提出一种基于机器视觉的牙齿修复制品的加工缺陷分类方法，以解决无法有效的对加工缺陷进行分类的问题。
基于上述目的，本说明书一个或多个实施例提供了一种基于机器视觉的牙齿修复制品的加工缺陷分类方法，包括：
对牙齿修复制品进行图像采集，得到牙齿修复制品的图像，对牙齿修复制品的图像进行处理；
对处理后的牙齿修复制品的图像进行特征提取，得到牙齿修复制品的图像的几何特征、纹理特征和灰度特征；
根据输入特征向量数目、输出分类类型数目、核函数类型的选择对SVM分类器进行设计，对牙齿修复制品的缺陷进行分类。
优选地，对牙齿修复制品的图像进行处理包括：
对图像进行灰度化处理；
通过直方图均值化，使图像中各个目标像素服从一定形式的分布，增强图像的对比度；
所述直方图均值化符合以下公式：
其中，L为灰度级；r为输入的牙齿修复制品的图像灰度；s为输出的牙齿修复制品的图像灰度，ps(s)为灰度级在图像中出现概率的估计，pr(r)是r的概率密度函数。
优选地，直方图均值化包括：
采用中值滤波方法将黑色背景上的白点和目标白色图像上的黑点去除，选用3×3滤波模版来处理牙齿修复制品的图像像素；
返回给定像素值的中值符合以下公式：
g＝median[(x-1，y-1)+f(x，y-1)+f(x+1，y-1)+f(x-1，y)+f(x，y)+f(x+1，y)+f(x-1，y+1)+f(x，y+1)+f(x+1，y+1)]
其中，x为水平像素大小，y为垂直像素大小，g为滤波处理后的图像灰度值，f为原图图像的灰度值。
优选地，对牙齿修复制品的图像进行处理还包括：
利用边缘检测通过Scharr算子对目标图像做平滑处理，再做微分运算，之后利用局部差分算子寻找边缘。
优选地，对牙齿修复制品的图像进行处理还包括：
对目标图像进行阈值分割，采用迭代式阈值选择算法，将图像中缺陷与背景分离，使目标特征更加明显，提高缺陷的识别率；
所述迭代式阈值选择算法包括：
求出图像中的最小和最大的灰度值Z1和ZK，令阈值初值
根据阈值TK将图像分割成两部分R1和R2，计算区域R1和R2的平均灰度值μ1和μ2，求出新的阈值
重复上述步骤直到TK＝TK+1。
优选地，特征提取包括：
采用局部二值模式方法提取牙齿修复制品的图像的纹理特征，包括，
将检测窗口划分为16×16的区域；
对于每个区域中的一个像素，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0；
3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的局部二值模式值：
T≈(S(p0-pc)…S(p7-pc))
其中pc为中心像素点灰度值的阈值；p0…p7为其他像素点灰度值。
s(x)为像素点的编码值；
计算每个区域的直方图，对该直方图进行归一化，其组距的和为255，计算直方图积分：
α′(i)＝∑0≤j≤iα(j)，
其中，a(j)是每一个小区域的直方图，将得到的每个区域的统计直方图进行连接成为一个特征向量，得到整幅图像的局部二值模式纹理特征向量。
优选地，几何特征包括面积、周长和圆周度；
面积As为连通域中像素的总个数，计算公式为As＝∑(x，y)∈sf(x，y),
其中f(x，y)为像素值，S为度量的连通域；
周长P为某个连通域的边界轮廓长度，计算公式为
其中，N6、N0为边界轮廓上方向码为偶数、奇数的像素个数；
圆形度C是度量目标物与圆形相似度的量，计算公式为
其中As为连通域S的面积，P为连通域S的周长。
优选地，灰度特征包括灰度平均值、灰度方差、能量和熵；
灰度平均值的计算公式为
灰度方差的计算公式为
能量的计算公式为
熵的计算公式为
其中，H(v)是给定图像中灰度级v出现的概率。
优选地，根据输入特征向量数目、输出分类类型数目、核函数类型的选择对SVM分类器进行设计，对牙齿修复制品的缺陷进行分类包括：
选择适当的RBF核函数K(x，z)和一个惩罚系数C＞0,构造约束优化条件；
输入为线性可分的m个样本(x1，y1)，(x2，y2),…,(xm，ym)，其中x为n维特征向量，y为二元输出，值为1.或者-1；输出是分离超平面的参数w*和b*和分类决策函数；z为输入的样本向量，w为权值向量，b为偏置,σ为调控参数，s.t为限制条件，ai和aj是拉格朗日乘子；
用SMO算法求出
最小时对应的α向量的值α*向量；
计算
找出所有的S个支持向量，通过
计算出每‘’个支持向量(xs，ys)对应的
所有的
对应的平均值即为最终的
这样最终的分类超平面为：
最终的分类决策函数为：
从上面所述可以看出，本说明书一个或多个实施例提供的基于机器视觉的牙齿修复制品的加工缺陷分类方法，首先，对流水线上的牙科修复制品采集图像，并对图像精选预处理，预处理可以突出目标表面特征，并减少图像中的噪声，从而实现提高目标表面缺陷检测分类算法的精度和速度的目的，然后利用LBP缺陷特征提取方法，可以一定程度上消除了光照变化的问题，并且计算速度快，最后设计SVM分类器可快速准确地分类和识别牙科修复制品表面的缺陷。
附图说明
为了更清楚地说明本说明书一个或多个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说明书一个或多个实施例，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。
图1为本说明书一个或多个实施例的加工缺陷分类方法流程示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本公开进一步详细说明。
需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
本说明书一个或多个实施例提供一种基于机器视觉的牙齿修复制品的加工缺陷分类方法，包括：
对牙齿修复制品进行图像采集，得到牙齿修复制品的图像，对牙齿修复制品的图像进行处理；
对处理后的牙齿修复制品的图像进行特征提取，得到牙齿修复制品的图像的几何特征、纹理特征和灰度特征；
根据输入特征向量数目、输出分类类型数目、核函数类型的选择对SVM分类器进行设计，对牙齿修复制品的缺陷进行分类。
本说明书一个或多个实施例提供的基于机器视觉的牙齿修复制品的加工缺陷分类方法，首先，对流水线上的牙科修复制品采集图像，并对图像精选预处理，预处理可以突出目标表面特征，并减少图像中的噪声，从而实现提高目标表面缺陷检测分类算法的精度和速度的目的，然后利用LBP缺陷特征提取方法，可以一定程度上消除了光照变化的问题，并且计算速度快，最后设计SVM分类器可快速准确地分类和识别牙科修复制品表面的缺陷。
作为一种实施方式，进一步的，对流水线上的牙齿修复制品采集图像，由于该图像中存在较多的噪声，对齿科制品缺陷检测与分类造成干扰，因此要对获取的图像进行预处理以突出齿科制品表面特征，并减少样本图像的噪声，从而实现缺陷检测分类算法的快速性和准确性。
预处理主要是对目标图像的光线补偿、平滑操作，给之后的数据图像处理提供更为有效的帮助。
具体的，对图像进行灰度化处理，为后续图像处理做准备。再通过直方图均值化，使图像中各个目标像素服从一定形式的分布，增强图像的对比度；
灰度化处理符合以下公式：
其中，L为灰度级；r为输入的牙齿修复制品的图像灰度；s为输出的牙齿修复制品的图像灰度，ps(s)为灰度级在图像中出现概率的估计，pr(r)是r的概率密度函数。
作为一种实施方式，直方图均值化包括：
采用中值滤波方法将黑色背景上的白点和目标白色图像上的黑点去除，选用3×3滤波模版来处理牙齿修复制品的图像像素；
返回给定像素值的中值符合以下公式：
g＝median[(x-1，y-1)+f(x，y-1)+f(x+1，y-1)+f(x-1，y)+f(x，y)+f(x+1，y)+f(x-1，y+1)+f(x，y+1)+f(x+1，y+1)]
其中，x为水平像素大小，y为垂直像素大小，g为滤波处理后的图像灰度值，f为原图图像的灰度值，采用中值滤波可以对脉冲干扰和随机噪声的抑制效果较好。
作为一种实施方式，对牙齿修复制品的图像进行处理还包括：
用边缘检测通过Scharr算子对目标图像做平滑处理，再做微分运算，之后利用局部差分算子寻找边缘，可以对噪声有良好的抑制能力，同时边缘定位精度也比较高。其次由于阈值分割后还可能出现一些噪声点，在图像二值化之前再对图像进行平滑处理，以便去掉其中的噪声点。
作为一种实施方式，对牙齿修复制品的图像进行处理还包括：
对目标图像进行阈值分割，采用迭代式阈值选择算法，将图像中缺陷与背景分离，使目标特征更加明显，提高缺陷的识别率；
所述迭代式阈值选择算法包括：
求出图像中的最小和最大的灰度值S1和SK，令阈值初值
根据阈值TK将图像分割成两部分R1和R2，计算区域R1和R2的平均灰度值μ1和μ2，求出新的阈值
重复上述步骤直到TK＝TK+1，这可以将缺陷与背景分离使目标特征更加明显，提高缺陷的识别率。
作为一种实施方式，特征提取包括：
采用局部二值模式方法提取牙齿修复制品的图像的纹理特征，包括，
将检测窗口划分为16×16的区域；
对于每个区域中的一个像素，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0；
3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的局部二值模式值：
T≈(S(p0-pc)…S(p7-pc))
其中pc为中心像素点灰度值的阈值；p0…p7为其他像素点灰度值。
S(x)为像素点的编码值；
计算每个区域的直方图，对该直方图进行归一化，其组距的和为255，计算直方图积分：
将得到的每个区域的统计直方图进行连接成为一个特征向量，得到整幅图像的局部二值模式纹理特征向量。
作为一种实施方式，几何特征包括面积、周长和圆周度；
面积As为连通域中像素的总个数，计算公式:As＝∑(x，y)∈Sf(x，y),
式中f(x，y)为像素值，S为度量的连通域；
周长P为某个连通域的边界轮廓长度，计算公式：
式中，Ne、N0为边界轮廓上方向码为偶数、奇数的像素个数；
圆形度C是度量目标物与圆形相似度的量，计算公式：
式中As为连通域S的面积，P为连通域S的周长。
作为一种实施方式，灰度特征包括灰度平均值、灰度方差、能量和熵。
灰度平均值：
灰度方差：
能量：
熵：
其中，H(v)是给定图像中灰度级v出现的概率。
进一步的，根据待检测牙齿修复制品缺陷的特征向量，设计牙科修复制品缺陷SVM分类器，通过灰度特征、几何特征和纹理特征来进行缺陷分类。
具体地，提取的待检测牙齿修复制品缺陷图像的特征向量包括：灰度特征，几何特征和纹理特征，然后对三种缺陷样本的不同特征参数进行提取，每种缺陷样本构造了8维的特征向量，最后采用数据归一化对不同特征向量中的特征值进行处理，以此作为分类器的输入向量，为后续SVM分类器设计奠定基础。
作为一种实施方式，选择适当的RBF核函数K(x，z)和一个惩罚系数C＞0,构造约束优化条件，；
输入为线性可分的m个样本(x1，y1)，(x2，y2),…,(xm，ym)，其中x为n维特征向量，y为二元输出，值为1.或者-1；输出是分离超平面的参数w*和b*和分类决策函数，z为输入的样本向量，w为权值向量，b为偏置,σ为调控参数，s.t为限制条件，ai和aj为拉格朗日乘子；
用SMO算法求出
最小时对应的α向量的值α*向量；
SMO算法：在每次循环中选择两个合适的α进行优化处理。一旦找到一对合适的α，那么就增大其中一个同时减小另一个。SMO算法的外循环确定要优化的最佳α对。
计算
找出所有的S个支持向量，即满足0≤αi≤C对应的样本(xs，ys)，通过
计算出每个支持向量(xs，ys)对应的
所有的
对应的平均值即为最终的
这样最终的分类超平面为：
最终的分类决策函数为：
设计过程中采用的SMO算法每次只优化两个变量，将其他的变量都视为常数，可将一个复杂的优化算法转化为一个比较简单的两变量优化问题。通过RBF核函数和SMO算法优化求得最合适的阈值b_s^*，得到最优解f(x)，因此可以有效地分类识别牙科制品表面的缺陷。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本说明书一个或多个实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本说明书一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (9)
1.一种基于机器视觉的牙齿修复制品的加工缺陷分类方法，其特征在于，包括：
对牙齿修复制品进行图像采集，得到牙齿修复制品的图像，对牙齿修复制品的图像进行处理；
对处理后的牙齿修复制品的图像进行特征提取，得到牙齿修复制品的图像的几何特征、纹理特征和灰度特征；
根据输入特征向量数目、输出分类类型数目、核函数类型的选择对SVM分类器进行设计，对牙齿修复制品的缺陷进行分类。
2.根据权利要求1所述的基于机器视觉的牙齿修复制品的加工缺陷分类方法，其特征在于，所述对牙齿修复制品的图像进行处理包括：
对图像进行灰度化处理；
通过直方图均值化，使图像中各个目标像素服从一定形式的分布，增强图像的对比度；
所述直方图均值化符合以下公式：
其中，L为灰度级；r为输入的牙齿修复制品的图像灰度；s为输出的牙齿修复制品的图像灰度，ps(s)为灰度级在图像中出现概率的估计，pr(r)是r的概率密度函数。
3.根据权利要求2所述的基于机器视觉的牙齿修复制品的加工缺陷分类方法，其特征在于，所述直方图均值化包括：
采用中值滤波方法将黑色背景上的白点和目标白色图像上的黑点去除，选用3×3滤波模版来处理牙齿修复制品的图像像素；
返回给定像素值的中值符合以下公式：
g＝median[(x-1，y-1)+f(x，y-1)+f(x+1，y-1)+f(x-1，y)+f(x，y)+f(x+1，y)+f(x-1，y+1)+f(x，y+1)+f(x+1，y+1)]
其中，x为水平像素大小，y为垂直像素大小，g为滤波处理后的图像灰度值，f为原图图像的灰度值。
4.根据权利要求2所述的基于机器视觉的牙齿修复制品的加工缺陷分类方法，其特征在于，所述对牙齿修复制品的图像进行处理还包括：
利用边缘检测通过Scharr算子对目标图像做平滑处理，再做微分运算，之后利用局部差分算子寻找边缘。
5.根据权利要求2所述的基于机器视觉的牙齿修复制品的加工缺陷分类方法，其特征在于，所述对牙齿修复制品的图像进行处理还包括以下步骤：
对目标图像进行阈值分割，采用迭代式阈值选择算法，将图像中缺陷与背景分离，使目标特征更加明显，提高缺陷的识别率；
所述迭代式阈值选择算法包括：
求出图像中的最小和最大的灰度值Z1和ZK，令阈值初值
根据阈值TK将图像分割成两部分R1和R2，计算区域R1和R2的平均灰度值μ1和μ2，求出新的阈值
重复上述步骤直到TK＝TK+1。
6.根据权利要求1所述的基于机器视觉的牙齿修复制品的加工缺陷分类方法，其特征在于，所述特征提取包括：
采用局部二值模式方法提取牙齿修复制品的图像的纹理特征，包括，将检测窗口划分为16×16的区域；
对于每个区域中的一个像素，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0；
3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的局部二值模式值：
T≈(S(p0-pc)…S(p7-pc))
其中pc为中心像素点灰度值的阈值；p0…p7为其他像素点灰度值；S(x)为像素点的编码值；
计算每个区域的直方图，对该直方图进行归一化，其组距的和为255，计算直方图积分：
其中，a(j)是每一个小区域的直方图，将得到的每个区域的统计直方图进行连接成为一个特征向量，得到整幅图像的局部二值模式纹理特征向量。
7.根据权利要求1所述的基于机器视觉的牙齿修复制品的加工缺陷分类方法，其特征在于，所述几何特征包括面积、周长和圆周度；面积As为连通域中像素的总个数，计算公式为As＝∑(x，y)∈Sf(x，y)，
其中f(x，y)为像素值，S为度量的连通域；
周长P为某个连通域的边界轮廓长度，计算公式为
其中，Ne、N0为边界轮廓上方向码为偶数、奇数的像素个数；
圆形度C是度量目标物与圆形相似度的量，计算公式为
其中As为连通域S的面积，P为连通域S的周长。
8.根据权利要求1所述的基于机器视觉的牙齿修复制品的加工缺陷分类方法，其特征在于，所述灰度特征包括灰度平均值、灰度方差、能量和熵；
灰度平均值的计算公式为
灰度方差的计算公式为
能量的计算公式为
熵的计算公式为
其中，H(v)是给定图像中灰度级v出现的概率。
9.根据权利要求1所述的基于机器视觉的牙齿修复制品的加工缺陷分类方法，其特征在于，所述根据输入特征向量数目、输出分类类型数目、核函数类型的选择对SVM分类器进行设计，对牙齿修复制品的缺陷进行分类包括：
选择适当的RBF核函数K(x，z)和一个惩罚系数C＞0,构造约束优化条件；
输入为线性可分的m个样本(x1，y1)，(x2，y2)，...，(xm，ym)，其中x为n维特征向量，y为二元输出，值为1.或者-1；输出是分离超平面的参数w*和b*和分类决策函数；z为输入的样本向量，w为权值向量，b为偏置,σ为调控参数，s.t为限制条件，ai和aj是拉格朗日乘子；
用SMO算法求出
最小时对应的α向量的值α*向量；
计算
找出所有的S个支持向量，通过
计算出每个支持向量(xs，ys)对应的
所有的
对应的平均值即为最终的
这样最终的分类超平面为：
最终的分类决策函数为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110117051.2A CN112801106A (zh) | 2021-01-28 | 2021-01-28 | 一种基于机器视觉的牙齿修复制品的加工缺陷分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110117051.2A CN112801106A (zh) | 2021-01-28 | 2021-01-28 | 一种基于机器视觉的牙齿修复制品的加工缺陷分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112801106A true CN112801106A (zh) | 2021-05-14 |
Family
ID=75812336
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110117051.2A Pending CN112801106A (zh) | 2021-01-28 | 2021-01-28 | 一种基于机器视觉的牙齿修复制品的加工缺陷分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112801106A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111292313A (zh) * | 2020-02-28 | 2020-06-16 | 湖北咿呀医疗投资管理股份有限公司 | 补牙质量评测方法及装置 |
| CN113379734A (zh) * | 2021-07-09 | 2021-09-10 | 无锡时代天使医疗器械科技有限公司 | 质量检测方法、装置、设备及计算机可读存储介质 |
| CN116593493A (zh) * | 2023-04-21 | 2023-08-15 | 江苏精益智控科技有限公司 | 一种高速检测钢管内表面缺陷的装置和方法 |
| CN116907341A (zh) * | 2023-07-06 | 2023-10-20 | 深圳市塔联科技有限公司 | 一种pcb板智能检测方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103593670A (zh) * | 2013-10-14 | 2014-02-19 | 浙江工业大学 | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 |
| CN103886332A (zh) * | 2014-04-02 | 2014-06-25 | 哈尔滨工业大学 | 一种检测与识别金属网栅缺陷的方法 |
| CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
| CN108615039A (zh) * | 2016-12-09 | 2018-10-02 | 广东技术师范学院 | 基于计算机视觉的弹壳表面缺陷自动检测方法 |
| CN109300161A (zh) * | 2018-10-24 | 2019-02-01 | 四川阿泰因机器人智能装备有限公司 | 一种基于双目视觉的定位方法及装置 |
| CN109886932A (zh) * | 2019-01-25 | 2019-06-14 | 中国计量大学 | 基于svm的轮速传感器齿圈表面缺陷检测方法 |
| CN110006907A (zh) * | 2019-04-10 | 2019-07-12 | 清华大学深圳研究生院 | 一种基于机器视觉的压铸件表面缺陷检测方法及系统 |
| CN110596120A (zh) * | 2019-09-06 | 2019-12-20 | 深圳新视智科技术有限公司 | 玻璃边界缺陷检测方法、装置、终端及存储介质 |
| CN111079955A (zh) * | 2019-12-05 | 2020-04-28 | 贵州电网有限责任公司 | 一种基于x射线成像的gis设备缺陷检测方法 |
-
2021
- 2021-01-28 CN CN202110117051.2A patent/CN112801106A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103593670A (zh) * | 2013-10-14 | 2014-02-19 | 浙江工业大学 | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 |
| CN103886332A (zh) * | 2014-04-02 | 2014-06-25 | 哈尔滨工业大学 | 一种检测与识别金属网栅缺陷的方法 |
| CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
| CN108615039A (zh) * | 2016-12-09 | 2018-10-02 | 广东技术师范学院 | 基于计算机视觉的弹壳表面缺陷自动检测方法 |
| CN109300161A (zh) * | 2018-10-24 | 2019-02-01 | 四川阿泰因机器人智能装备有限公司 | 一种基于双目视觉的定位方法及装置 |
| CN109886932A (zh) * | 2019-01-25 | 2019-06-14 | 中国计量大学 | 基于svm的轮速传感器齿圈表面缺陷检测方法 |
| CN110006907A (zh) * | 2019-04-10 | 2019-07-12 | 清华大学深圳研究生院 | 一种基于机器视觉的压铸件表面缺陷检测方法及系统 |
| CN110596120A (zh) * | 2019-09-06 | 2019-12-20 | 深圳新视智科技术有限公司 | 玻璃边界缺陷检测方法、装置、终端及存储介质 |
| CN111079955A (zh) * | 2019-12-05 | 2020-04-28 | 贵州电网有限责任公司 | 一种基于x射线成像的gis设备缺陷检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 易梦云: "带钢表面质量缺陷检测与分类方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑(月刊)》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111292313A (zh) * | 2020-02-28 | 2020-06-16 | 湖北咿呀医疗投资管理股份有限公司 | 补牙质量评测方法及装置 |
| CN111292313B (zh) * | 2020-02-28 | 2023-04-28 | 恩施京植咿呀雅口腔医院有限公司 | 补牙质量评测方法及装置 |
| CN113379734A (zh) * | 2021-07-09 | 2021-09-10 | 无锡时代天使医疗器械科技有限公司 | 质量检测方法、装置、设备及计算机可读存储介质 |
| CN116593493A (zh) * | 2023-04-21 | 2023-08-15 | 江苏精益智控科技有限公司 | 一种高速检测钢管内表面缺陷的装置和方法 |
| CN116907341A (zh) * | 2023-07-06 | 2023-10-20 | 深圳市塔联科技有限公司 | 一种pcb板智能检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112801106A (zh) | 一种基于机器视觉的牙齿修复制品的加工缺陷分类方法 | |
| CN103886589B (zh) | 面向目标的自动化高精度边缘提取方法 | |
| CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
| Chauhan et al. | Binarization techniques for degraded document images—A review | |
| CN111968098A (zh) | 一种带钢表面缺陷检测方法、装置和设备 | |
| CN110826408B (zh) | 一种分区域特征提取人脸识别方法 | |
| CN111402238A (zh) | 一种通过机器视觉实现的缺陷标识系统 | |
| AS et al. | Comparative analysis of eight direction Sobel edge detection algorithm for brain tumor MRI images | |
| Ancy et al. | An efficient CAD for detection of tumour in mammograms using SVM | |
| Omer et al. | Preprocessing of digital mammogram image based on otsu’s threshold | |
| CN113781413B (zh) | 一种基于Hough梯度法的电解电容定位方法 | |
| CN106600610B (zh) | 一种fcm图像分割方法及装置 | |
| Naresh et al. | Breast cancer detection using local binary patterns | |
| Ibrahim et al. | Multi-fractal techniques for emphysema classification in lung tissue images | |
| CN113298798A (zh) | 基于特征融合的主轴颈缺陷检测方法 | |
| CN113516619A (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
| CN112184619A (zh) | 一种基于深度学习的金属部件表面缺陷检测方法 | |
| Kumar et al. | Enhancement in Footprint Image using Diverse Filtering Technique | |
| Tabatabaei et al. | A novel method for binarization of badly illuminated document images | |
| Yahya et al. | Image enhancement background for high damage Malay manuscripts using adaptive Threshold Binarization | |
| Li et al. | Robust texture features for breast density classification in mammograms | |
| Gautam et al. | A GUI for automatic extraction of signature from image document | |
| CN114119658A (zh) | 一种多特征自适应融合的跟随算法 | |
| Nava et al. | Invariant texture analysis through local binary patterns | |
| Khan et al. | Abnormal mass classification in breast mammography using rotation invariant LBP |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210514 |