CN113436138A - 一种基于数字图像的航空结构件识别的图像预处理方法 - Google Patents
一种基于数字图像的航空结构件识别的图像预处理方法 Download PDFInfo
- Publication number
- CN113436138A CN113436138A CN202110350132.7A CN202110350132A CN113436138A CN 113436138 A CN113436138 A CN 113436138A CN 202110350132 A CN202110350132 A CN 202110350132A CN 113436138 A CN113436138 A CN 113436138A
- Authority
- CN
- China
- Prior art keywords
- image
- img
- point
- value
- real object
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000007781 pre-processing Methods 0.000 title claims abstract description 27
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 238000005520 cutting process Methods 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000010169 landfilling Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30164—Workpiece; Machine component
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种基于数字图像的航空结构件识别的图像预处理方法,通过对采集到的样本进行图像处理得到更加丰富多样的样本集,从而实现在缺少实际的丰富样本的情况下提供足够丰富的样本用于机器学习,本发明通过上述设置解决了现有技术在应用于航空飞行器零件等具有批量小而品种多的物品进行机器学习时缺乏丰富样本集的问题,同时还提高了机器学习的精确率。
Description
技术领域
本发明属于计算机机器学习图像识别技术领域,具体地说,涉及一种基于数字图像的航空结构件识别的图像预处理方法。
背景技术
航空飞行器的结构件具有批量小品种多等特点,故在利用机器学习方法对零件进行识别时,能够采集到的零件图像比较少,直接通过原始图像很难训练出一个准确率比较高的模型。训练样本集中样本的丰富程度对于机器学习而言具有极大的影响,在缺乏足够的样本训练集的情况下得到的图像识别的准确率是较低的。
发明内容
本发明针对现有技术在应用于航空飞行器零件等具有批量小而品种多的物品进行机器学习时缺乏丰富样本集的问题,提出了一种基于数字图像的航空结构件识别的图像预处理方法,通过对采集到的样本进行图像处理得到更加丰富多样的样本集,从而实现在缺少实际的丰富样本的情况下提供足够丰富的样本用于机器学习,进而提高了机器学习的精确率。
本发明具体实现内容如下:
本发明提出了一种基于数字图像的航空结构件识别的图像预处理方法,包括以下步骤:
步骤1:从航空结构件的数模文件中获取零件各个视角的视图图像,并将获取的视图作为零件数模原始图像;
步骤2:将获取的零件数模原始图像进行图像变换处理,得到变换后的原始图像,并将变换后的原始图像中的零件进行区域裁剪,将区域裁剪出的零件的原始图像采用skPartImgFill方法填充为尺寸一致的图像并加入训练集中作为训练样本;对于训练集中的训练样本,进行灰度处理,将训练样本中的零件的轮廓特征的像素点设置为白色,将零件的非轮廓特征的像素点设置为黑色;
步骤3:采集零件的实体图像,并对实体图像进行高斯核滤波,对滤波后的图像进行图像处理裁剪得到实物图像中的零件实物区域图像,然后对裁剪得到的零件实物区域图像基于训练集的训练样本采用skPartImgfilter方法进行图像预处理运算,并输出图像预处理运算的结果作为后续机器学习零件识别的输入图像。
为了更好地实现本发明,进一步地,步骤2中采用所述skPartImgFill方法进行填充的具体操作为:
首先计算裁剪出的零件的原始图像的长度W、高度H和长高的差值d,并设置第一次添加值m和第二次添加值n;具体计算如下:
d=|w-H| (1);
其中:式(2)分别表示第一次添加值m为长度W和高度H的差值d的一半向上取整的值;
式(3)表示第二次添加值n为长度W和高度H的差值d的一半向上取整的值;
然后进行长度W和高度H的大小判断:
如果W>H,在裁剪出的零件的原始图像前方添加m行全0矩阵,后方添加n行全0矩阵;
如果W<H,在裁剪出的零件的原始图像前方添加m列全0矩阵,在图像后方添加n列全0矩阵;
最后将添加了全0矩阵后的图像缩放为单通道图像,并作为输出图像加入训练集中作为训练样本。
为了更好地实现本发明,进一步地,步骤2中的所述图像变换处理包括图像旋转和图像缩放和图像裁剪。
为了更好地实现本发明,进一步地,所述区域裁剪得到的零件实物区域图像的图像面积大于对应的被区域裁剪的变换后的原始图像的图像面积的70%。
为了更好地实现本发明,进一步地,对于训练集中的训练样本的零件的白色区域进行随机丢弃并替换为黑色,并对替换后的训练样本中的零件进行缩放、旋转、区域裁剪操作,然后再填充为与训练集中的训练样本尺寸一致的图像同样保存到样本中作为训练样本。
为了更好地实现本发明,进一步地,设定随机丢弃零件的白色区域并替换为黑色区域的比例为比例a,所述比例a为根据实际需求自定义的值。
为了更好地实现本发明,进一步地,所述步骤3中对滤波后的图像进行图像处理裁剪得到实物图像中的零件实物区域图像的具体操作为:首先对经过高斯核滤波后的图像使用卷积核进行卷积,然后对卷积后的结果进行灰度处理,并对灰度处理后的结果进行二值化处理,然后计算出实物图像中各个零件轮廓的面积大小,获得实物图像中零件实物所在的区域并进行裁剪,得到零件实物区域图像。
为了更好地实现本发明,进一步地,所述步骤3中采用skPartImgfilter方法进行图像预处理运算的步骤为:
首先对零件实物区域图像中的每一个像素点都与周围的像素点进行求差计算,然后将差的绝对值累计再求平方,具体计算公式如下:
img[i,j]=(|img[i,j]-img[i-1,j-1]|+|img[i,j[-ing[i-1,j]|+|img[i,j]-ing[i- 1,j+1]|+|img[i,j]-img[i,j-1]|+|img[i,j]-img[i,j+1]|+|img[i,j]-img[i+1,j- 1]|+|img[i,j]-img[i+1,j]|+|img[i,j]-img[i+1,j+1]|)2 (4);
式(4)中,img表示裁剪后的图像,img[i,j]表示图像的第i行第j列的点同时也代表与周围点进行求差的点;
img[i-1,j-1]为img[i,j]左上角的点;
img[i-1,j]为img[i,j]上方的点;
img[i-1,j+1]为img[i,j]右上角的点;
img[i,j-1]为img[i,j]左边的点;
img[i,j+1]为img[i,j]右边的点;
img[i+1,j]为img[i,j]左下角的点;
img[i+1,j]为img[i,j]正下方的点;
img[i+1,j+1]为img[i,j]右下角的点;
然后通过上述操作求得图像中所有的点的值img[i,j],得到新的轮廓图像imgL;
最后对新的轮廓图像imgL采用skPartImgFill方法填充为尺寸一致的图像作为后续机器学习零件识别的输入图像。
为了更好地实现本发明,进一步地,当计算得到的某个点的img[i,j]>128时,将对应的像素点的值设置为255,若img[i,j]<128,则将对应的像素点的值设置为0,然后计算出所有的点的像素值得到新的轮廓图像imgL。
为了更好地实现本发明,进一步地,将添加了全0矩阵后的图像缩放为大小为224*224 的单通道图像。
本发明与现有技术相比具有以下优点及有益效果:
(1)进行图像变换处理,将少量的样本集变换得到更加丰富的样本集,增加了样本的丰富程度,提高了机器学习的识别效率;
(2)通过将图像填充为一样的尺寸再用作训练样本,避免了因尺寸不一在实际训练时造成的形变误差;
(3)通过将白色轮廓的像素点随机替换为黑色,进一步地再次增加了样本集的丰富程度,从而再次提高了及其学习的识别效率;
(4)采用skPartImgfilter方法进行图像预处理运算,将图像中质量偏低的点给替换,放大图像中的有效特征点,增强图像质量,进而提高后续机器学习的识别精度。
具体实施方式
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中的技术方案进行清楚、完整地描述,应当理解,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,因此不应被看作是对保护范围的限定。基于本发明中的实施例,本领域普通技术工作人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“设置”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;也可以是直接相连,也可以是通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1:
本实施例提出了一种基于数字图像的航空结构件识别的图像预处理方法,包括以下步骤:
步骤1:从航空结构件的数模文件中获取零件各个视角的视图图像,并将获取的视图作为零件数模原始图像;
步骤2:将获取的零件数模原始图像进行图像变换处理,得到变换后的原始图像,并将变换后的原始图像中的零件进行区域裁剪,将区域裁剪出的零件的原始图像采用skPartImgFill方法填充为尺寸一致的图像并加入训练集中作为训练样本;对于训练集中的训练样本,进行灰度处理,将训练样本中的零件的轮廓特征的像素点设置为白色,将零件的非轮廓特征的像素点设置为黑色;所述图像变换处理包括图像旋转和图像缩放和图像裁剪所述区域裁剪得到的零件实物区域图像的图像面积大于对应的被区域裁剪的变换后的原始图像的图像面积的70%;
步骤3:采集零件的实体图像,并对实体图像进行高斯核滤波,对滤波后的图像进行图像处理裁剪得到实物图像中的零件实物区域图像,然后对裁剪得到的零件实物区域图像基于训练集的训练样本采用skPartImgfilter方法进行图像预处理运算,并输出图像预处理运算的结果作为后续机器学习零件识别的输入图像。
工作原理:对零件数模原始图像进行旋转、缩放、剪切等图像变换处理,可以将少量的样本集变换得到更加丰富的样本集,增加了样本的丰富程度,提高了机器学习的识别效率;然后再将图像填充为一样的尺寸再用作训练样本,避免了因尺寸不一在实际训练时造成的形变误差;
将零件轮廓设置为白色,零件非轮廓区域设置为黑色,因为零件最显著的特征就是轮廓边,通过以上黑白色的设置可以放大轮廓边的特征,进而提高后续图像识别的精度。
实施例2:
本实施例在上述实施例1的基础上,为了更好地实现本发明,进一步地,步骤2中采用所述skPartImgFill方法进行填充的具体操作为:
首先计算裁剪出的零件的原始图像的长度W、高度H和长高的差值d,并设置第一次添加值m和第二次添加值n;具体计算如下:
d=|W-H| (1);
其中:式(2)分别表示第一次添加值m为长度W和高度H的差值d的一半向上取整的值;
式(3)表示第二次添加值n为长度W和高度H的差值d的一半向上取整的值;
然后进行长度W和高度H的大小判断:
如果W>H,在裁剪出的零件的原始图像前方添加m行全0矩阵,后方添加n行全0矩阵;
如果W<H,在裁剪出的零件的原始图像前方添加m列全0矩阵,在图像后方添加n列全0矩阵;
最后将添加了全0矩阵后的图像缩放为224*224的单通道图像,并作为输出图像加入训练集中作为训练样本。
本实施例的其他部分与上述实施例1相同,故不再赘述。
实施例3:
本实施例在上述实施例1-2任一项的基础上,为了更好地实现本发明,进一步地,对于训练集中的训练样本的零件的白色区域进行随机丢弃并替换为黑色,并对替换后的训练样本中的零件进行缩放、旋转、区域裁剪操作,然后再填充为与训练集中的训练样本尺寸一致的图像同样保存到样本中作为训练样本。
为了更好地实现本发明,进一步地,设定随机丢弃零件的白色区域并替换为黑色区域的比例为比例a,所述比例a为根据实际需求自定义的值。
工作原理:通过将白色轮廓的像素点随机替换为黑色,进一步地再次增加了样本集的丰富程度,从而再次提高了及其学习的识别效率。
本实施例的其他部分与上述实施例1-2任一项相同,故不再赘述。
实施例4:
本实施例在上述实施例1-3任一项的基础上,为了更好地实现本发明,进一步地,所述步骤3中对滤波后的图像进行图像处理裁剪得到实物图像中的零件实物区域图像的具体操作为:首先对经过高斯核滤波后的图像使用卷积核进行卷积,然后对卷积后的结果进行灰度处理,并对灰度处理后的结果进行二值化处理,然后计算出实物图像中各个零件轮廓的面积大小,获得实物图像中零件实物所在的区域并进行裁剪,得到零件实物区域图像。
本实施例的其他部分与上述实施例1-3任一项相同,故不再赘述。
实施例5:
本实施例在上述实施例1-4任一项的基础上,为了更好地实现本发明,进一步地,所述步骤3中采用skPartImgfilter方法进行图像预处理运算的步骤为:
首先对零件实物区域图像中的每一个像素点都与周围的像素点进行求差计算,然后将差的绝对值累计再求平方,具体计算公式如下:
img[i,j]=(|img[i,j]-img[i-1,j-1]|+|img[i,j]-img[i-1,j]|+|img[i,j]-img[i- 1,j+1]|+|img[i,j]-img[i,j-1]|+|img[i,j]-img[i,j+1]|+|img[i,j]-img[i+1,j- 1]|+|img[i,j]-img[i+1,j]|+|img[i,j]-img[i+1,j+1]|)2 (4);
式(4)中,img表示裁剪后的图像,img[i,j]表示图像的第i行第j列的点同时也代表与周围点进行求差的点;
img[i-1,j-1]为img[i,j]左上角的点;
img[i-1,j]为img[i,j]上方的点;
img[i-1,j+1]为img[i,j]右上角的点;
img[i,j-1]为img[i,j]左边的点;
img[i,j+1]为img[i,j]右边的点;
img[i+1,j]为img[i,j]左下角的点;
img[i+1,j]为img[i,j]正下方的点;
img[i+1,j+1]为img[i,j]右下角的点;
然后通过上述操作求得图像中所有的点的值img[i,j],得到新的轮廓图像imgL;
最后对新的轮廓图像imgL采用skPartImgFill方法填充为尺寸一致的图像作为后续机器学习零件识别的输入图像。
为了更好地实现本发明,进一步地,当计算得到的某个点的img[i,j]>128时,将对应的像素点的值设置为255,若img[i,j]<128,则将对应的像素点的值设置为0,然后计算出所有的点的像素值得到新的轮廓图像imgL。
工作原理:采用skPartImgfilter方法进行图像预处理运算,将图像中质量偏低的点给替换,放大图像中的有效特征点,增强图像质量,进而提高后续机器学习的识别精度。
通过差值的比较可以得出附近点的一个变化情况,对于无变化的点,可以省略过滤,从而提高图片质量;
而比较与128的大小,可以将大于的设置为255,将小于的设置为0,进而将差距放到最大,可以实现图像识别质量的进一步提升,可以更精确地实现后续的机器学习识别。
本实施例的其他部分与上述实施例1-4任一项相同,故不再赘述。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (10)
1.一种基于数字图像的航空结构件识别的图像预处理方法,其特征在于,包括以下步骤:
步骤1:从航空结构件的数模文件中获取零件各个视角的视图图像,并将获取的视图作为零件数模原始图像;
步骤2:将获取的零件数模原始图像进行图像变换处理,得到变换后的原始图像,并将变换后的原始图像中的零件进行区域裁剪,将区域裁剪出的零件的原始图像采用skPartImgFill方法填充为尺寸一致的图像并加入训练集中作为训练样本;对于训练集中的训练样本,进行灰度处理,将训练样本中的零件的轮廓特征的像素点设置为白色,将零件的非轮廓特征的像素点设置为黑色;
步骤3:采集零件的实体图像,并对实体图像进行高斯核滤波,对滤波后的图像进行图像处理裁剪得到实物图像中的零件实物区域图像,然后对裁剪得到的零件实物区域图像基于训练集的训练样本采用skPartImgfilter方法进行图像预处理运算,并输出图像预处理运算的结果作为后续机器学习零件识别的输入图像。
2.如权利要求1所述的一种基于数字图像的航空结构件识别的图像预处理方法,其特征在于,步骤2中采用所述skPartImgFill方法进行填充的具体操作为:
首先计算裁剪出的零件的原始图像的长度W、高度H和长高的差值d,并设置第一次添加值m和第二次添加值n;具体计算如下:
d=|W-H| (1);
其中:式(2)分别表示第一次添加值m为长度W和高度H的差值d的一半向上取整的值;
式(3)表示第二次添加值n为长度W和高度H的差值d的一半向上取整的值;
然后进行长度W和高度H的大小判断:
如果W>H,在裁剪出的零件的原始图像前方添加m行全0矩阵,后方添加n行全0矩阵;
如果W<H,在裁剪出的零件的原始图像前方添加m列全0矩阵,在图像后方添加n列全0矩阵;
最后将添加了全0矩阵后的图像缩放为单通道图像,并作为输出图像加入训练集中作为训练样本。
3.如权利要求1或2任一项所述的一种基于数字图像的航空结构件识别的图像预处理方法,其特征在于,步骤2中的所述图像变换处理包括图像旋转和图像缩放和图像裁剪。
4.如权利要求2所述的一种基于数字图像的航空结构件识别的图像预处理方法,其特征在于,所述区域裁剪得到的零件实物区域图像的图像面积大于对应的被区域裁剪的变换后的原始图像的图像面积的70%。
5.如权利要求1所述的一种基于数字图像的航空结构件识别的图像预处理方法,其特征在于,对于训练集中的训练样本的零件的白色区域进行随机丢弃并替换为黑色,并对替换后的训练样本中的零件进行缩放、旋转、区域裁剪操作,然后再填充为与训练集中的训练样本尺寸一致的图像同样保存到样本中作为训练样本。
6.如权利要求5所述的一种基于数字图像的航空结构件识别的图像预处理方法,其特征在于,设定随机丢弃零件的白色区域并替换为黑色区域的比例为比例a,所述比例a为根据实际需求自定义的值。
8.如权利要求7所述的一种基于数字图像的航空结构件识别的图像预处理方法,其特征在于,所述步骤3中采用skPartImgfilter方法进行图像预处理运算的步骤为:
首先对零件实物区域图像中的每一个像素点都与周围的像素点进行求差计算,然后将差的绝对值累计再求平方,具体计算公式如下:
img[i,j]=(|img[i,j]-img[i-1,j-1]|+|img[i,j]-img[i-1,j]|+|img[i,j]-img[i-1,j+1]|+|img[i,j]-img[i,j-1]|+|img[i,j]-img[i,j+1]|+|img[i,j]-img[i+1,j-1]|+|img[i,j]-img[i+1,j]|+|img[i,j]-img[i+1,j+1]|)2 (4):
式(4)中,img表示裁剪后的图像,img[i,j]表示图像的第i行第j列的点同时也代表与周围点进行求差的点;
img[i-1,j-1]为img[i,j]左上角的点;
img[i-1,j]为img[i,j]上方的点;
img[i-1,j+1]为img[i,j]右上角的点;
img[i,j-1]为img[i,j]左边的点;
img[i,j+1]为img[i,j]右边的点;
img[i+1,j]为img[i,j]左下角的点;
img[i+1,j]为img[i,j]正下方的点;
img[i+1,j+1]为img[i,j]右下角的点;
然后通过上述操作求得图像中所有的点的值img[i,j],得到新的轮廓图像imgL;
最后对新的轮廓图像imgL采用skPartImgFill方法填充为尺寸一致的图像作为后续机器学习零件识别的输入图像。
9.如权利要求8所述的一种基于数字图像的航空结构件识别的图像预处理方法,其特征在于,当计算得到的某个点的img[i,j]>128时,将对应的像素点的值设置为255,若img[i,j]<128,则将对应的像素点的值设置为0,然后计算出所有的点的像素值得到新的轮廓图像imgL。
10.如权利要求2所述的一种基于数字图像的航空结构件识别的图像预处理方法,其特征在于,将添加了全0矩阵后的图像缩放为大小为224*224的单通道图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110350132.7A CN113436138B (zh) | 2021-03-31 | 2021-03-31 | 一种基于数字图像的航空结构件识别的图像预处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110350132.7A CN113436138B (zh) | 2021-03-31 | 2021-03-31 | 一种基于数字图像的航空结构件识别的图像预处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113436138A true CN113436138A (zh) | 2021-09-24 |
CN113436138B CN113436138B (zh) | 2023-07-21 |
Family
ID=77753001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110350132.7A Active CN113436138B (zh) | 2021-03-31 | 2021-03-31 | 一种基于数字图像的航空结构件识别的图像预处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113436138B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101116344A (zh) * | 2004-12-07 | 2008-01-30 | 皇家飞利浦电子股份有限公司 | 用于修改图像大小的方法和设备 |
CN105427249A (zh) * | 2015-10-30 | 2016-03-23 | 南京邮电大学 | 一种基于鲁棒核范数正则回归的风电图像质量增强方法 |
CN109325532A (zh) * | 2018-09-18 | 2019-02-12 | 成都网阔信息技术股份有限公司 | 一种小样本下扩充数据集的图像处理方法 |
CN109389128A (zh) * | 2018-08-24 | 2019-02-26 | 中国石油天然气股份有限公司 | 电成像测井图像特征自动提取方法及装置 |
CN110322442A (zh) * | 2019-07-11 | 2019-10-11 | 福州大学 | 一种基于SegNet的建筑物表面裂纹检测方法 |
US10671892B1 (en) * | 2019-03-31 | 2020-06-02 | Hyper Labs, Inc. | Apparatuses, methods, and systems for 3-channel dynamic contextual script recognition using neural network image analytics and 4-tuple machine learning with enhanced templates and context data |
CN111259968A (zh) * | 2020-01-17 | 2020-06-09 | 腾讯科技(深圳)有限公司 | 非法图像识别方法、装置、设备和计算机可读存储介质 |
CN111369574A (zh) * | 2020-03-11 | 2020-07-03 | 合肥凯碧尔高新技术有限公司 | 一种胸腔器官的分割方法及装置 |
CN111415353A (zh) * | 2020-04-10 | 2020-07-14 | 沈石禹 | 基于ResNet58网络的紧固件毛刺缺陷的检测结构及其检测方法 |
CN111507370A (zh) * | 2019-01-30 | 2020-08-07 | 斯特拉德视觉公司 | 获得自动标注图像中检查标签的样本图像的方法和装置 |
CN111860836A (zh) * | 2020-07-17 | 2020-10-30 | 深圳高性能医疗器械国家研究院有限公司 | 一种自监督学习方法及应用 |
CN111988666A (zh) * | 2019-05-23 | 2020-11-24 | 阿里巴巴集团控股有限公司 | 视频检测、3d卷积与映射方法、设备及存储介质 |
CN112101251A (zh) * | 2020-09-18 | 2020-12-18 | 电子科技大学 | 基于可变卷积神经网络的sar自动目标识别方法 |
CN112132196A (zh) * | 2020-09-14 | 2020-12-25 | 中山大学 | 一种结合深度学习和图像处理的烟盒缺陷识别方法 |
CN112255684A (zh) * | 2020-10-26 | 2021-01-22 | 中国石油天然气集团有限公司 | 一种地震数据的采集脚印的处理方法及装置 |
CN112307991A (zh) * | 2020-11-04 | 2021-02-02 | 北京临近空间飞行器系统工程研究所 | 一种图像识别方法、装置及存储介质 |
CN112465932A (zh) * | 2020-12-10 | 2021-03-09 | 上海眼控科技股份有限公司 | 一种图像填充方法、装置、设备及存储介质 |
-
2021
- 2021-03-31 CN CN202110350132.7A patent/CN113436138B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101116344A (zh) * | 2004-12-07 | 2008-01-30 | 皇家飞利浦电子股份有限公司 | 用于修改图像大小的方法和设备 |
CN105427249A (zh) * | 2015-10-30 | 2016-03-23 | 南京邮电大学 | 一种基于鲁棒核范数正则回归的风电图像质量增强方法 |
CN109389128A (zh) * | 2018-08-24 | 2019-02-26 | 中国石油天然气股份有限公司 | 电成像测井图像特征自动提取方法及装置 |
CN109325532A (zh) * | 2018-09-18 | 2019-02-12 | 成都网阔信息技术股份有限公司 | 一种小样本下扩充数据集的图像处理方法 |
CN111507370A (zh) * | 2019-01-30 | 2020-08-07 | 斯特拉德视觉公司 | 获得自动标注图像中检查标签的样本图像的方法和装置 |
US10671892B1 (en) * | 2019-03-31 | 2020-06-02 | Hyper Labs, Inc. | Apparatuses, methods, and systems for 3-channel dynamic contextual script recognition using neural network image analytics and 4-tuple machine learning with enhanced templates and context data |
CN111988666A (zh) * | 2019-05-23 | 2020-11-24 | 阿里巴巴集团控股有限公司 | 视频检测、3d卷积与映射方法、设备及存储介质 |
CN110322442A (zh) * | 2019-07-11 | 2019-10-11 | 福州大学 | 一种基于SegNet的建筑物表面裂纹检测方法 |
CN111259968A (zh) * | 2020-01-17 | 2020-06-09 | 腾讯科技(深圳)有限公司 | 非法图像识别方法、装置、设备和计算机可读存储介质 |
CN111369574A (zh) * | 2020-03-11 | 2020-07-03 | 合肥凯碧尔高新技术有限公司 | 一种胸腔器官的分割方法及装置 |
CN111415353A (zh) * | 2020-04-10 | 2020-07-14 | 沈石禹 | 基于ResNet58网络的紧固件毛刺缺陷的检测结构及其检测方法 |
CN111860836A (zh) * | 2020-07-17 | 2020-10-30 | 深圳高性能医疗器械国家研究院有限公司 | 一种自监督学习方法及应用 |
CN112132196A (zh) * | 2020-09-14 | 2020-12-25 | 中山大学 | 一种结合深度学习和图像处理的烟盒缺陷识别方法 |
CN112101251A (zh) * | 2020-09-18 | 2020-12-18 | 电子科技大学 | 基于可变卷积神经网络的sar自动目标识别方法 |
CN112255684A (zh) * | 2020-10-26 | 2021-01-22 | 中国石油天然气集团有限公司 | 一种地震数据的采集脚印的处理方法及装置 |
CN112307991A (zh) * | 2020-11-04 | 2021-02-02 | 北京临近空间飞行器系统工程研究所 | 一种图像识别方法、装置及存储介质 |
CN112465932A (zh) * | 2020-12-10 | 2021-03-09 | 上海眼控科技股份有限公司 | 一种图像填充方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
JINGWEI CAO等: "Improved Traffic Sign Detection and Recognition Algorithm for Intelligent Vehicles", 《SENSORS》 * |
刘亚辉: "基于机器视觉铣削刀具磨损在机检测系统研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
张兴成: "基于大数据分析的桥梁裂缝图像识别技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113436138B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111879241A (zh) | 基于机器视觉的手机电池尺寸测量方法 | |
CN112330628A (zh) | 一种金属工件表面缺陷图像检测方法 | |
CN108520214A (zh) | 一种基于多尺度hog和svm的手指静脉识别方法 | |
CN112380926A (zh) | 一种田间除草机器人除草路径规划系统 | |
CN117372431B (zh) | 一种纳米压印模具的图像检测方法 | |
CN110119739B (zh) | 一种冰晶图片的自动分类方法 | |
CN109583341B (zh) | 对包含人像的图像的多人骨骼关键点检测方法及装置 | |
CN113436138A (zh) | 一种基于数字图像的航空结构件识别的图像预处理方法 | |
CN111368826B (zh) | 一种基于可变卷积核的明火检测算法 | |
CN110084818A (zh) | 动态下采样图像分割方法 | |
CN117274114A (zh) | 一种显示图像质量增强方法 | |
CN114529715B (zh) | 一种基于边缘提取的图像识别方法及系统 | |
CN113935963B (zh) | 一种荔枝种胚发育程度的图像识别检测方法及系统 | |
CN107818579B (zh) | 基于四元数Gabor滤波的彩色纹理特征提取方法 | |
CN115222652A (zh) | 一种成捆钢筋端面的识别计数及中心定位方法与其存储器 | |
CN114943729A (zh) | 一种高分辨率细胞图像的细胞计数方法及系统 | |
CN114841971A (zh) | 金属块凹坑缺陷检测方法、系统及装置 | |
CN104616264B (zh) | 基因芯片图像的自动对比度增强方法 | |
CN114494165A (zh) | 一种基于聚类的光条提取方法及装置 | |
CN110310274B (zh) | 一种植物花朵数量检测方法 | |
CN108734703B (zh) | 基于机器视觉的抛光砖打印图样检测方法、系统及装置 | |
CN110823311A (zh) | 一种快速估算油菜角果体积的新方法 | |
CN114418904B (zh) | 一种基于改进直方图均衡化和增强高通滤波的红外图像增强方法 | |
CN110796602B (zh) | 一种用于降低图像透视变换后失真的方法 | |
CN115423690B (zh) | 基于图像金字塔的高分辨率肝癌病理图像展示方法及系统 |
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 |