CN113689426A - 基于图像处理的消防器械缺陷检测方法 - Google Patents

基于图像处理的消防器械缺陷检测方法 Download PDF

Info

Publication number
CN113689426A
CN113689426A CN202111137830.5A CN202111137830A CN113689426A CN 113689426 A CN113689426 A CN 113689426A CN 202111137830 A CN202111137830 A CN 202111137830A CN 113689426 A CN113689426 A CN 113689426A
Authority
CN
China
Prior art keywords
hardening
sub
coil
radial
degree
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
Application number
CN202111137830.5A
Other languages
English (en)
Other versions
CN113689426B (zh
Inventor
皮红启
陈照良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin Junyu Technology Co ltd
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202111137830.5A priority Critical patent/CN113689426B/zh
Publication of CN113689426A publication Critical patent/CN113689426A/zh
Application granted granted Critical
Publication of CN113689426B publication Critical patent/CN113689426B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种基于图像处理的消防器械缺陷检测方法。该方法采集水带盘卷的正面图像，获取正面图像中水带盘卷的感兴趣区域；由感兴趣区域中每个径向上的像素点位置和对应的像素值得到该径向的径向灰度值曲线，根据径向灰度值曲线获取多个子高斯模型以得到每个子高斯模型的参数，基于参数为每个径向对应的水带盘卷位置设置硬化权重，结合硬化权重和参数分别获取盘卷面硬化程度和盘卷边缘硬化程度，以得到水带盘卷的老化程度，根据老化程度对水带盘卷进行更换。利用每个径向上像素点对应的高斯模型获取水带盘卷的老化程度，提高了检测的准确率，也避免水带展开目检或设备自动检测以提高检测效率。

Description

基于图像处理的消防器械缺陷检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于图像处理的消防器械缺陷检测方法。
背景技术
随着社会经济的发展，消防事业也得到长足发展，但一般的企业单位内部对消防器材的维护与检修并不重视，导致火灾事故发生时，消防器材因缺乏维护而故障，造成较大的经济损失。
针对消防器械中应用最为广泛的消防水带进行老化缺陷检测，消防水带的老化缺陷包括破损和内层胶质老化等现象，这些现象均会导致消防水带报废，因此需要对有缺陷的消防水带进行统一的报废检测。
现有技术中对于消防水带的老化缺陷的检测方式多为人工目检，或利用检测设备基于表面图像纹理来检测，但人工目检耗时费力，易漏检错检，而对水带表面纹理检测仅能检测出破损，且对于外部亚麻层完好但内部胶质老化变硬开裂的老化缺陷无法检测。
发明内容
得到所述径向对应的每个所述子高斯模型的所述面老化贡献指标的方法，包括：
对于所述二维坐标系中其他点对应的所述标准差，计算每个所述标准差与其左右相邻所述标准差之间的左差值和右差值，结合所述左差值、所述右差值和对应所述标准差得到对应所述子高斯模型的所述面老化贡献指标。
优选的，所述每个所述子高斯模型的边缘老化贡献指标的获取方法，包括：
将所述径向对应的多个所述子高斯模型的所述标准差组成该径向的标准差序列，计算所述标准差序列的方差和标准差均值，结合所述方差和所述标准差均值计算该径向对应的每个所述子高斯模型的所述边缘老化贡献指标。
优选的，所述盘卷面硬化程度与所述老化程度呈正相关、所述盘卷边缘硬化程度与所述老化程度呈正相关。
本发明实施例至少具有如下有益效果：通过水带盘卷的径向上像素点的像素值来获取像素点变化的高斯模型，利用高斯模型的特征参数来间接表征水带硬化产生的卷曲阴影变化，进而利用水带盘卷中每个径向的高斯模型获取水带盘卷的老化程度，提高了检测的准确率，也避免水带展开目检或设备自动检测以提高检测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。
图1为本发明一个实施例提供的一种基于图像处理的消防器械缺陷检测方法的步骤流程图；
图2为本发明实施例所提供的关于水带盘卷的示意图；
图3为本发明实施例所提供的关于由每个径向对应的角度和第一序列对应的标准差所建立的二维坐标系的示意图；
图4为本发明实施例所提供的关于二维坐标系中峰值点和谷值点的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于图像处理的消防器械缺陷检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于图像处理的消防器械缺陷检测方法的具体方案。
本发明实施例所针对的具体场景为：利用相机获取消防水带盘卷的图像，通过对该图像处理计算其老化程度，并根据老化程度判断是否需要更换新水带。
请参阅图1，其示出了本发明一个实施例提供的一种基于图像处理的消防器械缺陷检测方法的步骤流程图，该方法包括以下步骤：
步骤S001，采集水带盘卷的正面图像，获取正面图像中水带盘卷的感兴趣区域；感兴趣区域是由预设的盘卷层数形成的。
具体的，利用相机采集如图2所示的水带盘卷的正视图像，对正面图像进行基于灰度直方图的阈值分割：以灰度直方图的各个最低点对应的像素值为分割阈值，将正视图像分为背景、水带本体、阴影三大类，且将背景与阴影的像素值置0、水带本体的像素值不变。
标记水带盘卷中心，沿水带盘卷中心的各个径向统计背景像素值连续出现的次数，当次数为
Figure DEST_PATH_IMAGE002
时，记录最后一次出现的像素点位置，将其连为最外侧边缘，再将初始位置连成内侧边缘，其最外侧边缘和内侧边缘形成的范围即为水带盘卷的感兴趣区域。
需要说明的是，出现的次数
Figure 350392DEST_PATH_IMAGE002
也即是感兴趣区域中所包含的盘卷层数
Figure 567747DEST_PATH_IMAGE002
。
步骤S002，基于基准径向以预设采样角度得到感兴趣区域中的所有径向，径向是指水带盘卷中心到水带盘卷边缘的方向，基准径向是指垂直于水带盘卷中心向上的方向；根据径向上的像素点位置和对应的像素值得到该径向对应角度下的径向灰度值曲线，利用混合高斯模型拟合径向灰度值曲线得到多个子高斯模型，子高斯模型的数量与盘卷层数相等；利用EM算法得到每个子高斯模型的参数，基于参数为每个径向对应的水带盘卷位置设置硬化权重，结合硬化权重和参数分别得到感兴趣区域中的盘卷面硬化程度和盘卷边缘硬化程度。
具体的，将垂直于水带盘卷中心向上的方向设为基准径向，基于基准径向以
Figure DEST_PATH_IMAGE004
为预设采样角度得到感兴趣区域中的所有径向，其中，
Figure DEST_PATH_IMAGE006
为自设的采样个数，径向是指水带盘卷中心到水带盘卷边缘的方向。获取感兴趣区域中各径向上每个像素点的像素值，根据像素点位置和对应的像素值得到该径向对应角度下的径向灰度值曲线。利用混合高斯模型拟合所有径向的径向灰度值曲线，得到每个径向灰度值曲线是由
Figure 463153DEST_PATH_IMAGE002
个子高斯模型得到的，也即是混合高斯模型是由
Figure 107761DEST_PATH_IMAGE002
个子高斯模型组成的，则以当前角度
Figure DEST_PATH_IMAGE008
下对应的径向为例，混合高斯模型为：
Figure DEST_PATH_IMAGE010
其中，
Figure DEST_PATH_IMAGE012
为当前角度
Figure 518145DEST_PATH_IMAGE008
下对应径向上像素点的像素值；
Figure DEST_PATH_IMAGE014
为径向上的任一像素点与水带盘卷中心之间的距离；
Figure DEST_PATH_IMAGE016
表示第
Figure DEST_PATH_IMAGE018
个子高斯模型的权重，且
Figure DEST_PATH_IMAGE020
；
Figure DEST_PATH_IMAGE022
为第
Figure 493185DEST_PATH_IMAGE018
个子高斯模型的均值；
Figure DEST_PATH_IMAGE024
为第
Figure 164469DEST_PATH_IMAGE018
个子高斯模型的标准差。
分别输入
Figure 245557DEST_PATH_IMAGE002
个子高斯模型的三个初始化参数，分别为
Figure DEST_PATH_IMAGE026
，利用EM算法最终相对于每个径向灰度曲线都会获得对应角度下的一个
Figure 990573DEST_PATH_IMAGE002
组参数{
Figure 549731DEST_PATH_IMAGE022
，
Figure 544362DEST_PATH_IMAGE024
，
Figure 61931DEST_PATH_IMAGE016
}(
Figure 509224DEST_PATH_IMAGE018
=1,2,…,
Figure 872073DEST_PATH_IMAGE002
)，
Figure 704899DEST_PATH_IMAGE002
组参数对应混合高斯模型的
Figure 878523DEST_PATH_IMAGE002
个子高斯模型。
需要说明的是，对于一个径向灰度值曲线来说，可以知道其对应径向与基准径向的夹角
Figure 62380DEST_PATH_IMAGE008
、对应混合高斯模型的
Figure 979651DEST_PATH_IMAGE002
个子高斯模型的参数{
Figure 932564DEST_PATH_IMAGE022
，
Figure 526356DEST_PATH_IMAGE024
，
Figure 682662DEST_PATH_IMAGE016
}(
Figure 652892DEST_PATH_IMAGE018
=1,2,…,
Figure 460311DEST_PATH_IMAGE002
)，将这些子高斯模型按均值
Figure 710158DEST_PATH_IMAGE022
从小到大排列后的序列为
Figure DEST_PATH_IMAGE028
，其中，
Figure DEST_PATH_IMAGE030
表示序列
Figure DEST_PATH_IMAGE032
中的第
Figure 743973DEST_PATH_IMAGE018
个子高斯模型，且
Figure 3047DEST_PATH_IMAGE030
对应了第
Figure 664973DEST_PATH_IMAGE018
个子高斯模型的三个参数为{
Figure 600568DEST_PATH_IMAGE022
，
Figure 731466DEST_PATH_IMAGE024
，
Figure 309078DEST_PATH_IMAGE016
}。
由于水带盘卷越松的地方，水带的面硬化程度表征越不受卷曲堆叠影响，其表现出的状态越接近自然状态，即此时其越能表现出硬化特征，因此本发明实施例基于感兴趣区域中各径向上的像素点拟合的
Figure 841821DEST_PATH_IMAGE002
个子高斯模型，给对应水带盘卷位置设置面硬化权重，结合面硬化权重和子高斯模型的参数获取感兴趣区域中水带盘卷的盘卷面硬化程度，则对于水带盘卷的盘卷面硬化程度，其具体的获取过程为：
（1）根据径向的采样个数
Figure 213897DEST_PATH_IMAGE006
和每个径向对应的角度
Figure 97670DEST_PATH_IMAGE008
计算感兴趣区域中各个径向对应的面硬化径权重
Figure DEST_PATH_IMAGE034
。
具体的，如图2所示的水带盘卷，由于水带盘卷长期使用的情况，造成水带盘卷逐渐硬化，进而使得基于水带盘卷中心垂直向上的方向到垂直向下的方向过程中的部分水带盘卷越来越往下松弛，则松弛部分所对应的径向的面硬化径权重也越大。从基准径向开始，由上到下对应径向的面硬化径权重的计算公式为：
Figure DEST_PATH_IMAGE036
需要说明的是，根据采样角度
Figure 354339DEST_PATH_IMAGE004
可以采样得到感兴趣区域中的2
Figure 741589DEST_PATH_IMAGE006
个径向，且所有径向的面硬化径权重之和为1，即
Figure DEST_PATH_IMAGE038
；
Figure 832036DEST_PATH_IMAGE008
小于或等于
Figure DEST_PATH_IMAGE040
。
（2）根据每个径向对应的
Figure 983532DEST_PATH_IMAGE002
个子高斯模型的均值得到感兴趣区域中各个径向对应的面硬化径上权重
Figure DEST_PATH_IMAGE042
。
具体的，水带盘卷越靠近外侧的地方越松弛，相对应的靠近外侧所对应的子高斯模型的均值
Figure 184837DEST_PATH_IMAGE022
越大，则其对应的面硬化径上权重越大。由于一个径向对应一个序列
Figure 438313DEST_PATH_IMAGE032
，根据序列
Figure 886612DEST_PATH_IMAGE032
中的
Figure 728666DEST_PATH_IMAGE002
个子高斯模型的参数，利用参数中的均值获取该径向上第
Figure 671345DEST_PATH_IMAGE018
个子高斯模型对应的面硬化径上权重
Figure DEST_PATH_IMAGE044
,则面硬化径上权重的计算公式为：
Figure DEST_PATH_IMAGE046
（3）根据每个径向对应的
Figure 423400DEST_PATH_IMAGE002
个子高斯模型的标准差得到每个子高斯模型的面老化贡献指标
Figure DEST_PATH_IMAGE048
。
具体的，根据感兴趣区域中所有径向对应的序列
Figure 855650DEST_PATH_IMAGE032
，将每个序列中第
Figure 919421DEST_PATH_IMAGE018
个子高斯模型中的标准差
Figure 400212DEST_PATH_IMAGE024
组成第一序列
Figure DEST_PATH_IMAGE050
，由每个径向对应的角度和第一序列
Figure 413298DEST_PATH_IMAGE050
对应的标准差
Figure 468979DEST_PATH_IMAGE024
构建如图3所示的二维坐标系。
对于一个第一序列
Figure 20046DEST_PATH_IMAGE050
来说，其每个标准差对应的子高斯模型的面老化贡献不同，而标准差最大和标准差最小的子高斯模型的面老化贡献指标为1，也即是图4所示的二维坐标系中的峰值点A和谷值点B对应的子高斯模型的面老化贡献指标为1，而对于二维坐标系中其他点对应的标准差，其对应子高斯模型的面老化贡献指标的方法为：以第一序列
Figure 570107DEST_PATH_IMAGE050
中的标准差
Figure DEST_PATH_IMAGE052
为例，计算标准差
Figure 968859DEST_PATH_IMAGE052
对应的面老化贡献指标
Figure 929861DEST_PATH_IMAGE048
，需要知道该标准差
Figure 718957DEST_PATH_IMAGE052
离成为峰值点或谷值点的最近距离，即计算其离成为峰值点或谷值点的差值，因此在使原有的峰值点和谷值点不变化的条件下，标准差
Figure 56397DEST_PATH_IMAGE052
距离成为峰值点或谷值点的差值与其左右相邻位置的标准差有关，计算标准差
Figure 231027DEST_PATH_IMAGE052
与其左右标准差的左差值
Figure DEST_PATH_IMAGE054
和右差值
Figure DEST_PATH_IMAGE056
，结合左差值、右差值和对应标准差得到对应子高斯模型的面老化贡献指标，则该标准差
Figure 972718DEST_PATH_IMAGE052
对应的面老化贡献指标
Figure 983530DEST_PATH_IMAGE048
的计算公式为：
Figure DEST_PATH_IMAGE058
（4）结合径向对应的面硬化径权重
Figure 28DEST_PATH_IMAGE034
和面硬化径上权重
Figure 45475DEST_PATH_IMAGE042
、径向对应的每个子高斯模型面老化贡献指标
Figure 613860DEST_PATH_IMAGE048
和权重
Figure DEST_PATH_IMAGE060
得到由感兴趣区域中所有径向计算的盘卷面硬化程度
Figure DEST_PATH_IMAGE062
，则计算公式为：
Figure DEST_PATH_IMAGE064
同理，由于水带盘卷越紧的地方，水带的边缘硬化程度越表征明显，当水带较松弛时，无法确认边缘是否受面硬化程度影响，而当水带盘卷较为紧密堆叠时其边缘的厚度可表征其固有的硬化状态，因此本发明实施例基于感兴趣区域中各径向上的像素点拟合的
Figure 315231DEST_PATH_IMAGE002
个子高斯模型，给对应水带盘卷位置设置边缘硬化权重，结合边缘硬化权重和子高斯模型的参数获取感兴趣区域中水带盘卷的盘卷边缘硬化程度，则对于水带盘卷的盘卷边缘硬化程度，其具体的获取过程为：
（1）根据采样个数
Figure 994474DEST_PATH_IMAGE006
和每个径向对应的角度
Figure 628849DEST_PATH_IMAGE008
计算感兴趣区域中各个径向对应的边缘硬化径权重
Figure DEST_PATH_IMAGE066
。
具体的，与面硬化径权重相反的是，基于水带盘卷中心垂直向下的方向到垂直向上的方向过程中的部分水带盘卷越来越紧密，则其对应的边缘硬化权重就越来越大。从基准径向开始，由下到上对应径向的边缘硬化径权重的计算公式为：
Figure DEST_PATH_IMAGE068
需要说明的是，感兴趣区域中所有径向的边缘硬化径权重之和为1，即
Figure DEST_PATH_IMAGE070
=1；
Figure 310411DEST_PATH_IMAGE008
小于或等于
Figure 545083DEST_PATH_IMAGE040
。
（2）根据每个径向对应的
Figure 28017DEST_PATH_IMAGE002
个子高斯模型的均值得到感兴趣区域中各个径向对应的边缘硬化径上权重
Figure DEST_PATH_IMAGE072
。
具体的，水带盘卷越靠近水带盘卷中心的地方越紧密，相对应的子高斯模型的均值
Figure 110373DEST_PATH_IMAGE022
越小，则其对应的边缘硬化径上权重越大。对于一个径向的序列
Figure 771293DEST_PATH_IMAGE032
，根据序列
Figure 758841DEST_PATH_IMAGE032
中的
Figure 530619DEST_PATH_IMAGE002
个子高斯模型的参数，利用参数中的均值获取该径向上第
Figure 920012DEST_PATH_IMAGE018
个子高斯模型对应的边缘硬化径上权重
Figure DEST_PATH_IMAGE074
,则边缘硬化径上权重的计算公式为：
Figure DEST_PATH_IMAGE076
（3）根据每个径向对应的
Figure 892778DEST_PATH_IMAGE002
个子高斯模型的标准差得到每个子高斯模型的边缘老化贡献指标
Figure DEST_PATH_IMAGE078
。
具体的，将径向对应的多个子高斯模型的标准差组成该径向的标准差序列，即以一个径向的序列
Figure 915092DEST_PATH_IMAGE032
为例，其序列对应的标准差序列为
Figure DEST_PATH_IMAGE080
，计算该标准差序列的方差
Figure DEST_PATH_IMAGE082
和标准差均值
Figure DEST_PATH_IMAGE084
，结合方差和标准差均值计算该径向对应的第
Figure 146353DEST_PATH_IMAGE018
个子高斯模型的边缘老化贡献指标
Figure 140985DEST_PATH_IMAGE078
，则计算公式为：
Figure DEST_PATH_IMAGE086
（4）结合径向对应的边缘硬化径权重
Figure 471603DEST_PATH_IMAGE066
和边缘硬化径上权重
Figure 168164DEST_PATH_IMAGE072
、径向对应的每个子高斯模型边缘老化贡献指标
Figure 812903DEST_PATH_IMAGE078
和权重
Figure 380150DEST_PATH_IMAGE060
得到由感兴趣区域中所有径向计算的盘卷边缘硬化程度
Figure DEST_PATH_IMAGE088
，则计算公式为：
Figure DEST_PATH_IMAGE090
步骤S003，由盘卷面硬化程度和盘卷边缘硬化程度得到水带盘卷的老化程度，根据老化程度对水带盘卷进行更换。
具体的，结合盘卷面硬化程度
Figure 678408DEST_PATH_IMAGE062
和盘卷边缘硬化程度
Figure 347418DEST_PATH_IMAGE088
得到水带盘卷的老化程度，且盘卷面硬化程度与老化程度呈正相关、盘卷边缘硬化程度与老化程度呈正相关，则老化程度
Figure DEST_PATH_IMAGE092
的计算公式为：
Figure DEST_PATH_IMAGE094
需要说明的是，由于盘卷面硬化程度
Figure 920481DEST_PATH_IMAGE062
和盘卷边缘硬化程度
Figure 624126DEST_PATH_IMAGE088
均为归一化的数据，则老化程度
Figure 217919DEST_PATH_IMAGE092
也为归一化数据。
进一步地，根据经验设置老化程度的阈值，由阈值和老化程度判断水带是否需要更换：
当老化程度
Figure DEST_PATH_IMAGE096
第一阈值
Figure DEST_PATH_IMAGE098
时，说明水带老化，需要立即更换；当第二阈值
Figure DEST_PATH_IMAGE100
老化程度
Figure DEST_PATH_IMAGE102
第一阈值
Figure 323627DEST_PATH_IMAGE098
时，说明水带即将老化，需准备好替换水带，尽早更换；当0
Figure DEST_PATH_IMAGE104
老化程度
Figure 841327DEST_PATH_IMAGE102
第二阈值
Figure DEST_PATH_IMAGE106
时，说明水带未老化，符合要求，无需更换。
优选的，本发明实施例中第一阈值
Figure 196216DEST_PATH_IMAGE098
=0.5，第二阈值
Figure 226489DEST_PATH_IMAGE106
=0.4。
综上所述，本发明实施例中提供了一种基于图像处理的消防器械缺陷检测方法，该方法采集水带盘卷的正面图像，获取正面图像中水带盘卷的感兴趣区域；由感兴趣区域中每个径向上的像素点位置和对应的像素值得到该径向对应角度下的径向灰度值曲线，根据径向灰度值曲线获取多个子高斯模型以得到每个子高斯模型的参数，基于参数为每个径向对应的水带盘卷位置设置硬化权重，结合硬化权重和参数分别得到感兴趣区域中的盘卷面硬化程度和盘卷边缘硬化程度；由盘卷面硬化程度和盘卷边缘硬化程度得到水带盘卷的老化程度，根据老化程度对水带盘卷进行更换。利用每个径向上像素点对应的高斯模型获取水带盘卷的老化程度，提高了检测的准确率，也避免水带展开目检或设备自动检测以提高检测效率。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于图像处理的消防器械缺陷检测方法，其特征在于，该方法包括：
采集水带盘卷的正面图像，获取所述正面图像中所述水带盘卷的感兴趣区域；所述感兴趣区域是由预设的盘卷层数形成的所述水带盘卷；
基于基准径向以预设采样角度得到所述感兴趣区域中的所有径向，所述径向是指水带盘卷中心到水带盘卷边缘的方向，所述基准径向是指垂直于所述水带盘卷中心向上的方向；根据所述径向上的像素点位置和对应的像素值得到该径向对应角度下的径向灰度值曲线，利用混合高斯模型拟合所述径向灰度值曲线得到多个子高斯模型，所述子高斯模型的数量与所述盘卷层数相等；利用EM算法得到每个所述子高斯模型的参数，基于所述参数为每个所述径向对应的水带盘卷位置设置硬化权重，结合所述硬化权重和所述参数分别得到所述感兴趣区域中的盘卷面硬化程度和盘卷边缘硬化程度；
由所述盘卷面硬化程度和所述盘卷边缘硬化程度得到所述水带盘卷的老化程度，根据所述老化程度对所述水带盘卷进行更换。
2.如权利要求1所述的方法，其特征在于，所述参数包括均值、标准差和权重。
3.如权利要求2所述的方法，其特征在于，所述基于所述参数为每个所述径向对应的水带盘卷位置设置硬化权重的方法，包括：
根据所述径向的采样个数和每个所述径向对应的角度分别计算所述感兴趣区域中各个所述径向对应的面硬化径权重和边缘硬化径权重；
根据每个径向对应的多个所述子高斯模型的所述均值分别得到所述感兴趣区域中各个所述径向对应的面硬化径上权重和边缘硬化径上权重；
根据每个所述径向对应的多个所述子高斯模型的所述标准差分别得到每个所述子高斯模型的面老化贡献指标和边缘老化贡献指标。
4.如权利要求3所述的方法，其特征在于，所述盘卷面硬化程度的获取方法，包括：
结合所述径向对应的所述面硬化径权重和所述面硬化径上权重、所述径向对应的每个所述子高斯模型所述面老化贡献指标和所述权重得到由所述感兴趣区域中所有径向计算的所述盘卷面硬化程度。
5.如权利要求3所述方法，其特征在于，所述盘卷边缘硬化程度的获取方法，包括：
结合所述径向对应的所述边缘硬化径权重和所述边缘硬化径上权重、所述径向对应的每个所述子高斯模型所述边缘老化贡献指标和所述权重得到由所述感兴趣区域中所有径向计算的所述盘卷边缘硬化程度。
6.如权利要求3所述的方法，其特征在于，所述每个所述子高斯模型的面老化贡献指标的获取方法，包括：
基于每个所述径向的多个所述子高斯模型的所述参数，将所有径向中同一个所述子高斯模型的所述标准差组成第一序列，由每个所述径向对应的所述角度和所述第一序列对应的所述标准差构建二维坐标系；
由所述二维坐标系中的峰值点和谷值点得到所述径向对应的每个所述子高斯模型的所述面老化贡献指标。
7.如权利要求6所述的方法，其特征在于，所述由所述二维坐标系中的峰值点和谷值点得到所述径向对应的每个所述子高斯模型的所述面老化贡献指标的方法，包括：
将所述峰值点和所述谷值点对应的所述子高斯模型的所述面老化贡献指标为1。
8.如权利要求7所述的方法，其特征在于，所述由所述二维坐标系中的峰值点和谷值点得到所述径向对应的每个所述子高斯模型的所述面老化贡献指标的方法，包括：
对于所述二维坐标系中其他点对应的所述标准差，计算每个所述标准差与其左右相邻所述标准差之间的左差值和右差值，结合所述左差值、所述右差值和对应所述标准差得到对应所述子高斯模型的所述面老化贡献指标。
9.如权利要求3所述的方法，其特征在于，所述每个所述子高斯模型的边缘老化贡献指标的获取方法，包括：
将所述径向对应的多个所述子高斯模型的所述标准差组成该径向的标准差序列，计算所述标准差序列的方差和标准差均值，结合所述方差和所述标准差均值计算该径向对应的每个所述子高斯模型的所述边缘老化贡献指标。
10.如权利要求1所述的方法，其特征在于，所述盘卷面硬化程度与所述老化程度呈正相关、所述盘卷边缘硬化程度与所述老化程度呈正相关。
CN202111137830.5A 2021-09-27 2021-09-27 基于图像处理的消防器械缺陷检测方法 Active CN113689426B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111137830.5A CN113689426B (zh) 2021-09-27 2021-09-27 基于图像处理的消防器械缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111137830.5A CN113689426B (zh) 2021-09-27 2021-09-27 基于图像处理的消防器械缺陷检测方法

Publications (2)

Publication Number Publication Date
CN113689426A true CN113689426A (zh) 2021-11-23
CN113689426B CN113689426B (zh) 2024-05-03

Family

ID=78587222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111137830.5A Active CN113689426B (zh) 2021-09-27 2021-09-27 基于图像处理的消防器械缺陷检测方法

Country Status (1)

Country Link
CN (1) CN113689426B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113838054A (zh) * 2021-11-29 2021-12-24 山东精良海纬机械有限公司 基于人工智能的机械零件表面损伤检测方法
CN114842016A (zh) * 2022-07-05 2022-08-02 南通森田消防装备有限公司 一种基于计算机视觉的消防水带缺陷检测方法及系统
CN114972833A (zh) * 2022-07-27 2022-08-30 南通森田消防装备有限公司 用于消防水带衬里缺陷分类的检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108153939A (zh) * 2017-12-05 2018-06-12 广东核电合营有限公司 管道衬胶老化趋势分析方法、装置、存储介质及计算机设备
CN109407716A (zh) * 2018-12-21 2019-03-01 珠海格力电器股份有限公司 一种规避水患发生的水阀控制方法、控制系统、智能水阀
CN110992340A (zh) * 2019-12-04 2020-04-10 华北电力大学 一种复合绝缘子伞裙龟裂纹缺陷识别方法
CN111350869A (zh) * 2018-12-21 2020-06-30 珠海格力电器股份有限公司 一种矫正用水方式的水阀控制方法、控制系统、智能水阀
JP2020101419A (ja) * 2018-12-20 2020-07-02 株式会社日立製作所 管状態検知システム、その方法、及びセンサ端末

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11816500B2 (en) * 2019-03-15 2023-11-14 Intel Corporation Systems and methods for synchronization of multi-thread lanes
CN113051713B (zh) * 2021-03-01 2023-03-21 东方电气集团科学技术研究院有限公司 基于图像灰度共生矩阵多特征提取的复合材料老化预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108153939A (zh) * 2017-12-05 2018-06-12 广东核电合营有限公司 管道衬胶老化趋势分析方法、装置、存储介质及计算机设备
JP2020101419A (ja) * 2018-12-20 2020-07-02 株式会社日立製作所 管状態検知システム、その方法、及びセンサ端末
CN109407716A (zh) * 2018-12-21 2019-03-01 珠海格力电器股份有限公司 一种规避水患发生的水阀控制方法、控制系统、智能水阀
CN111350869A (zh) * 2018-12-21 2020-06-30 珠海格力电器股份有限公司 一种矫正用水方式的水阀控制方法、控制系统、智能水阀
CN110992340A (zh) * 2019-12-04 2020-04-10 华北电力大学 一种复合绝缘子伞裙龟裂纹缺陷识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
S. BHAKTA等: "Small amplitude waves and linear firehose and mirror instabilities in rotating polytropic quantum plasma", PHYSICS OF PLASMAS, pages 1 - 14 *
李渠成等: "热空气老化时间对消防水带质量性能影响研究", 科技与创新, no. 19, pages 55 - 56 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113838054A (zh) * 2021-11-29 2021-12-24 山东精良海纬机械有限公司 基于人工智能的机械零件表面损伤检测方法
CN114842016A (zh) * 2022-07-05 2022-08-02 南通森田消防装备有限公司 一种基于计算机视觉的消防水带缺陷检测方法及系统
CN114972833A (zh) * 2022-07-27 2022-08-30 南通森田消防装备有限公司 用于消防水带衬里缺陷分类的检测方法

Also Published As

Publication number Publication date
CN113689426B (zh) 2024-05-03

Similar Documents

Publication Publication Date Title
CN113689426A (zh) 基于图像处理的消防器械缺陷检测方法
CN115330767B (zh) 一种腐蚀箔生产异常识别方法
CN115641329A (zh) 一种锂电池隔膜缺陷检测方法及系统
CN114897896B (zh) 基于灰度变换的建筑木材缺陷检测方法
CN112819806B (zh) 一种基于深度卷积神经网络模型的船舶焊缝缺陷检测方法
CN115601365B (zh) 用于数控机床的轴承检测方法
CN108550166B (zh) 一种空间目标图像匹配方法
CN113724219A (zh) 基于卷积神经网络的建筑物表面病害检测方法及系统
CN111667470B (zh) 一种基于数字图像的工业管道探伤内壁检测方法
CN113313107A (zh) 一种斜拉桥缆索表面多类型病害智能检测和识别方法
CN114842010A (zh) 一种基于高斯滤波的建筑防火木材缺陷检测方法
CN115829995A (zh) 基于像素级的多尺度特征融合的布匹瑕疵检测方法及系统
CN117764967A (zh) 一种基于人工智能的装修质量检测方法及系统
CN115797361A (zh) 一种铝模板表面缺陷检测方法
CN116452589A (zh) 基于图像处理的人造板表面缺陷智能检测方法
CN107993223A (zh) 划痕检测方法、装置和电子设备
CN114580940A (zh) 基于灰色关联度分析法的注浆效果模糊综合评价方法
CN110348040B (zh) 一种基于均方收敛条件的不均匀沉降函数拟合方法
CN113763364A (zh) 一种基于卷积神经网络的图像缺陷检测方法
CN116485801A (zh) 基于计算机视觉的胶管质量在线检测方法及系统
CN116539619A (zh) 产品缺陷检测方法、系统、装置及存储介质
CN116342542A (zh) 一种基于轻量级神经网络的钢铁产品表面缺陷检测方法
CN115082650A (zh) 一种基于卷积神经网络的管道缺陷自动标注工具的实现方法
CN114332748A (zh) 基于多源特征联合网络与变换图像自生成的目标检测方法
JP2022087930A (ja) 被検査画像の検査を実行する方法、情報処理装置、及び、コンピュータープログラム

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230615

Address after: No. 1805, Building 17, Yihe International City (Phase I), Changjiang Road Economic Development Zone, Kuancheng District, Changchun City, 130000 Jilin Province

Applicant after: Jilin Junyu Technology Co.,Ltd.

Address before: 450000 No. 2415, floor 24, No. 95, jingsan Road North, Jinshui District, Zhengzhou City, Henan Province

Applicant before: Pi Hongqi

GR01 Patent grant
GR01 Patent grant