CN113916897A - 一种基于图像处理的滤芯质量检测方法 - Google Patents

一种基于图像处理的滤芯质量检测方法 Download PDF

Info

Publication number
CN113916897A
CN113916897A CN202111529330.6A CN202111529330A CN113916897A CN 113916897 A CN113916897 A CN 113916897A CN 202111529330 A CN202111529330 A CN 202111529330A CN 113916897 A CN113916897 A CN 113916897A
Authority
CN
China
Prior art keywords
straight line
point
edge
points
filter element
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
CN202111529330.6A
Other languages
English (en)
Other versions
CN113916897B (zh
Inventor
王彤
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.)
Wuhan Sanli Guochuang Mechanical Equipment Engineering Co ltd
Original Assignee
Wuhan Sanli Guochuang Mechanical Equipment Engineering Co ltd
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 Wuhan Sanli Guochuang Mechanical Equipment Engineering Co ltd filed Critical Wuhan Sanli Guochuang Mechanical Equipment Engineering Co ltd
Priority to CN202111529330.6A priority Critical patent/CN113916897B/zh
Publication of CN113916897A publication Critical patent/CN113916897A/zh
Application granted granted Critical
Publication of CN113916897B publication Critical patent/CN113916897B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/26—Measuring arrangements characterised by the use of optical techniques for measuring angles or tapers; for testing the alignment of axes
    • G01B11/27—Measuring arrangements characterised by the use of optical techniques for measuring angles or tapers; for testing the alignment of axes for testing the alignment of axes
    • 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
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration by non-spatial domain filtering
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20061—Hough transform

Abstract

本发明涉及人工智能领域，具体涉及一种基于图像处理的滤芯质量检测方法，包括：获取待检测滤芯图及其边缘图；根据各个边缘点的尺度一致性和梯度连续性得到各个边缘点的可信度；获取参数空间中的可能直线点；根据过可能直线点的曲线的边缘点的可信度，确定非突出直线点的位置；根据可能直线点到非突出直线点的距离和可能直线点处所有曲线的边缘点可信度均值，得到各个非突出直线点的准确度；根据获取的每个褶皱直线两侧的非突出直线点对的准确度及其位置，得到待检测滤芯图中的褶皱直线；对各褶皱直线的纹理一致性进行判断得到待检测滤芯的质量。上述方法用于检测滤芯质量，通过上述方法可提高滤芯质量检测的准确性。

Description

一种基于图像处理的滤芯质量检测方法
技术领域
本发明涉及人工智能领域，具体涉及一种基于图像处理的滤芯质量检测方法。
背景技术
空气中的油污、水分和灰尘等杂质污染混合在一起会形成一种腐蚀性油泥，导致气动设备磨损加快、阀门堵塞、管路腐蚀等，从而造成设备故障、生产停滞、产品报废等严重后果。为了去除这些杂质，空压机会采用顶滤过滤器来避免压缩监控器污染所带来的危害。过滤器的核心部件就是滤芯。在顶滤过滤器中，为了加大过滤面积、降低压差、延长使用寿命，过滤器中的滤芯都采用折叠式工艺，形成一条条褶皱。而这种折叠的滤芯在生产运输时会导致褶皱的凸起部分非常容易被磕碰从而影响滤芯的过滤性能，因此在安装滤芯之前需要对滤芯进行质量检测。
目前用于检测滤芯质量的方法主要是使用霍夫直线检测算法：首先获取滤芯的边缘（即褶皱的纹路），再将边缘像素点经过霍夫变换到参数空间中，在参数空间中由边缘像素点对各直线投票，根据所投票数的多少确定原图中的褶皱直线位置，根据原图中的褶皱直线位置分布确定褶皱是否存在缺陷。
然而，这种方法所得缺陷检测结果，并不保证在边缘不准确的情况下也有好的效果。当边缘准确度不高的时候，直线检测的结果都很难保证准确，那么由直线检测所得缺陷检测结果自然也就不保证准确了。因为这种方法得到的直线，是由原图中的边缘投票获得的，而滤芯图像中的边缘，受到褶皱到相机距离、滤芯材质的纹理等的影响并不能准确反映滤芯的褶皱部位，从而导致直接基于边缘所投票数多少确定的褶皱直线，并不一定能准确对应到滤芯的褶皱部位，进而导致所获缺陷检测结果无法区分滤芯缺陷与边缘点投票错误，从而降低滤芯质量检测的准确性。因此，亟需一种方法用于提高滤芯质量检测的准确性。
发明内容
本发明提供了一种基于图像处理的滤芯质量检测方法，包括：获取待检测滤芯图及其边缘图；根据各个边缘点的尺度一致性和梯度连续性得到各个边缘点的可信度；获取参数空间中的可能直线点；根据过可能直线点的曲线的边缘点的可信度，确定非突出直线点的位置；根据可能直线点到非突出直线点的距离和可能直线点处所有曲线的边缘点可信度均值，得到各个非突出直线点的准确度；根据获取的每个褶皱直线两侧的非突出直线点对的准确度及其位置，得到待检测滤芯图中的褶皱直线；对各褶皱直线的纹理一致性进行判断得到待检测滤芯的质量，相比于现有技术，本发明基于尺度一致性和梯度连续性确定边缘点的可信度，基于边缘点的可信度性获得直线的准确度，基于直线准确度确定褶皱直线，所获褶皱直线与滤芯上的褶皱能准确对应，可有效提高滤芯质量检测的准确性。
进一步的，由褶皱直线上的纹理一致性判断滤芯缺陷，适应各种型号长短不一的滤芯。
为达到上述目的，本发明采用以下技术方案，一种基于图像处理的滤芯质量检测方法，包括：
获取待检测滤芯图及其边缘图。
根据边缘图中各个边缘点在不同尺度下的分布方向的差别，得到各个边缘点的尺度一致性。
根据边缘图中各个边缘点与相邻边缘点梯度的差别，得到各个边缘点的梯度连续性。
根据各个边缘点的尺度一致性和梯度连续性，计算得到各个边缘点的可信度。
对边缘图进行霍夫变换，得到边缘图对应的参数空间。
将参数空间转化为参数空间图，获取参数空间图中各像素值极大值点处的高斯分布，各高斯分布内像素值不为零不为一的像素点即为参数空间中的可能直线点。
利用过各个可能直线点的曲线对应的边缘点的可信度对曲线对应的边缘点位置进行加权，确定非突出直线点在参数空间中的位置。
根据各个可能直线点到非突出直线点的欧氏距离和各个可能直线点处所有曲线对应边缘点的可信度均值，得到各个非突出直线点的准确度。
对所有非突出直线点的行进行聚类，得到每个褶皱直线两侧的非突出直线点对。
根据每个褶皱直线两侧的非突出直线点对的准确度及其在参数空间中的位置，得到待检测滤芯图中的褶皱直线。
对各褶皱直线的纹理一致性进行判断得到待检测滤芯的质量。
进一步的，所述一种基于图像处理的滤芯质量检测方法，所述各个边缘点的尺度一致性是按照如下方式得到：
确定半径范围，遍历半径范围内所有正整数，将各个正整数作为不同尺度。
选取边缘图中任一边缘点，以该边缘点为原点，水平方向为
Figure 100002_DEST_PATH_IMAGE002
轴，以垂直方向为
Figure 100002_DEST_PATH_IMAGE004
轴，确定位置坐标系。
以上述边缘点为圆点，任一尺度为半径画圆，获取圆内所有边缘点及其在位置坐标系中的坐标。
利用PCA算法获得圆内所有边缘点的主成分方向。
选取特征值最大的主成分方向作为该尺度下的分布方向，得到不同尺度下的分布方向。
计算不同尺度下的分布方向组成的序列的熵，得到各个边缘点的尺度一致性。
进一步的，所述一种基于图像处理的滤芯质量检测方法，所述各个边缘点的梯度连续性是按照如下方式得到：
选取边缘图中任一边缘点，获取该边缘点及其不同尺度下的所有边缘点的梯度。
根据上述边缘点及其不同尺度下所有边缘点的梯度方向和梯度值，得到不同尺度下每个边缘点的三维描述量。
对三维描述量两两组合，计算每两个描述量的欧氏距离，得到不同尺度下的描述量的欧氏距离。
计算不同尺度下描述量的欧氏距离的均值。
通过计算不同尺度下描述量的欧氏距离均值的熵，得到各个边缘点的梯度连续性。
进一步的，所述一种基于图像处理的滤芯质量检测方法，所述参数空间中的可能直线点是按照如下方式得到：
以参数空间的
Figure 100002_DEST_PATH_IMAGE006
为行，
Figure 100002_DEST_PATH_IMAGE008
为列，以过每个行列组成的点的曲线数量为像素值，将参数空间转化为图像，获得参数空间图。
获得参数空间图中的所有像素值极大值点。
以各极大值点为均值，高斯函数为分布函数，使用EM算法确定各极大值点处的高斯分布。
获取各极大值点处的高斯分布的方差。
根据各极大值点处的高斯分布的方差，获取各极大值点处的高斯分布范围。
获取各极大值点处的高斯分布范围内像素值不为零也不为一的点，这些点即为各极大值点处的高斯分布对应的参数空间中的可能直线点。
进一步的，所述一种基于图像处理的滤芯质量检测方法，所述非突出直线点在参数空间中的位置是按照如下方式确定：
获取各个可能直线点在参数空间中的行和列。
获取过各个可能直线点的所有曲线对应的边缘点可信度。
按照所有曲线对应的边缘点的可信度对曲线边缘点的位置进行加权，确定各非突出直线点在参数空间中的位置。
进一步的，所述一种基于图像处理的滤芯质量检测方法，所述各个非突出直线点的准确度的表达式如下：
Figure 100002_DEST_PATH_IMAGE010
式中：
Figure 100002_DEST_PATH_IMAGE012
为非突出直线点的准确度，
Figure 100002_DEST_PATH_IMAGE014
是指可能直线点的序号，
Figure 100002_DEST_PATH_IMAGE016
是指可能直线点的数量，
Figure 100002_DEST_PATH_IMAGE018
是指第
Figure 13958DEST_PATH_IMAGE014
个可能直线点到非突出直线点的欧氏距离，
Figure 100002_DEST_PATH_IMAGE020
是指过第
Figure 582343DEST_PATH_IMAGE014
个可能直线点处的所有曲线对应边缘点的可信度均值，
Figure 100002_DEST_PATH_IMAGE022
是指参数空间中第
Figure 64140DEST_PATH_IMAGE014
个过可能直线点的曲线的可信度。
进一步的，所述一种基于图像处理的滤芯质量检测方法，所述待检测滤芯图中的褶皱直线是按照如下方式得到：
获取所有非突出直线点在参数空间的行。
对所有非突出直线点的行进行聚类，得到所有的同一褶皱两侧的非突出直线点对。
根据同一褶皱两侧的非突出直线点对在参数空间的位置及其准确度，计算得到褶皱直线的参数。
根据褶皱直线的参数得到待检测滤芯图中的褶皱直线。
本发明的有益效果在于：
本发明基于尺度一致性和梯度连续性确定边缘点的可信度，基于边缘点的可信度性获得直线的准确度，基于直线准确度确定褶皱直线，所获褶皱直线与滤芯上的褶皱能准确对应，可有效提高滤芯质量检测的准确性。
进一步的，由褶皱直线上的纹理一致性判断滤芯缺陷，适应各种型号长短不一的滤芯。
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，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种滤芯质量检测方法流程示意图；
图2为本发明实施例提供的一种滤芯质量检测方法流程示意图；
图3a为本发明实施例提供的一种滤芯图；
图3b为本发明实施例提供的一种滤芯边缘图；
图3c为本发明实施例提供的一种霍夫直线检测结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术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。
实施例1
本发明实施例提供一种基于图像处理的滤芯质量检测方法，如图1所示，包括：
S101、获取待检测滤芯图及其边缘图。
其中，边缘图是使用Canny算子得到。
S102、根据边缘图中各个边缘点在不同尺度下的分布方向的差别，得到各个边缘点的尺度一致性。
其中，尺度一致性是指，在滤芯边缘图上，每个边缘点在不同尺度下的分布一致性，是一个量化的值。
S103、根据边缘图中各个边缘点与相邻边缘点梯度的差别，得到各个边缘点的梯度连续性。
其中，梯度连续性是指，在滤芯边缘图中，每个边缘点与相邻边缘点梯度的差别大小，这个差别越小，连续性越大；差别越大，连续性越小。
S104、根据各个边缘点的尺度一致性和梯度连续性，计算得到各个边缘点的可信度。
其中，边缘点的可信度是指，每个边缘点值得相信的程度。边缘点的尺度一致性越大、同时梯度连续性越大，越值得相信。
S105、对边缘图进行霍夫变换，得到边缘图对应的参数空间。
其中，霍夫变换是一种特征检测，被广泛应用在图像分析、计算机视觉以及数位影像处理。霍夫变换是用来辨别找出物件中的特征，例如：线条。
S106、将参数空间转化为参数空间图，获取参数空间图中各像素值极大值点处的高斯分布，各高斯分布内像素值不为零不为一的像素点即为参数空间中的可能直线点。
其中，可能直线点是指，在参数空间中可能代表滤芯图像中非突出直线的点。
S107、利用过各个可能直线点的曲线对应的边缘点的可信度对曲线对应的边缘点位置进行加权，确定非突出直线点在参数空间中的位置。
其中，非突出直线点是指，由滤芯图中褶皱最突出处附近亮度变化的像素点形成的直线，在参数空间中对应的点。
S108、根据各个可能直线点到非突出直线点的欧氏距离和各个可能直线点处所有曲线对应边缘点的可信度均值，得到各个非突出直线点的准确度。
其中，准确度是指，参数空间中代表滤芯图中的非突出直线的点的准确度。
S109、对所有非突出直线点的行进行聚类，得到每个褶皱直线两侧的非突出直线点对。
其中，聚类指的是将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。
S110、根据每个褶皱直线两侧的非突出直线点对的准确度及其在参数空间中的位置，得到待检测滤芯图中的褶皱直线。
其中，每条褶皱直线的两侧分别有一个非突出直线，两侧的非突出直线组成一对，与褶皱直线有同样的形状。
S111、对各褶皱直线的纹理一致性进行判断得到待检测滤芯的质量。
其中，纹理一致性判断是因为褶皱直线和滤芯的褶皱是一一对应的，同一条褶皱上各处的纹理应该是相同的。而如果滤芯有了缺陷，那么缺陷处的纹理就会突变。因此，当褶皱直线上像素点纹理突变，那就表明滤芯质量不好了。
本实施例的有益效果在于：
本实施例基于尺度一致性和梯度连续性确定边缘点的可信度，基于边缘点的可信度性获得直线的准确度，基于直线准确度确定褶皱直线，所获褶皱直线与滤芯上的褶皱能准确对应，可有效提高滤芯质量检测的准确性。
进一步的，本实施例根据褶皱直线上的纹理一致性判断滤芯缺陷，适应各种型号长短不一的滤芯。
实施例2
本发明实施例提供一种基于图像处理的滤芯质量检测方法，如图2所示，包括：
S201、获得滤芯边缘图。
用折叠工艺的滤芯，在安装到过滤器中之前，采集滤芯的图像对滤芯进行质量检测，采集滤芯图像的时候，使滤芯转120°拍摄一张图像，或者使用三个相机同时获取滤芯的不同角度的图像，每个滤芯都有三张图像。
拍摄滤芯图像的时候，使得灰度相机的光轴垂直于滤芯的旋转对称轴并且平行于滤芯的底面，滤芯沿着旋转对称轴每旋转一定角度相机拍摄一张图像，这个角度起码是2Π/3；
对相机获取的每张图像，使用Canny算子，获取滤芯图像中的边缘，得到滤芯边缘图。
S202、将各边缘像素点变换到参数空间。
对滤芯边缘图，使用霍夫变换，将各边缘像素点变换到参数空间，滤芯边缘图中的每一个像素点都在参数空间中对应一条曲线。
至此，由拍摄的滤芯图像，获得了边缘图，并且边缘图像中的每个像素点对应参数空间中的一条曲线。
滤芯图和滤芯边缘图以及霍夫直线检测所得结果如图3a、图3b和图3c所示。
褶皱直线是指，滤芯图中每条褶皱形成的直线。霍夫检测得到的直线，与褶皱直线无法一一对应。
边缘点的可信度是指，在边缘图中，各边缘像素点的可信度；边缘点的尺度一致性和梯度连续性越高，边缘点的可信度越高。
S203、计算边缘像素点的尺度一致性。
边缘点的尺度一致性是指，在滤芯边缘图上，每个边缘点在不同尺度下的分布一致性，是一个量化的值。
例如一条小波浪线，近看是波浪线，远看就是直线。这里近看就是小尺度，远看就是大尺度。这条波浪线的尺度一致性就不高。而如果有一条直线，近看是直线，远看还是直线，那这条直线的尺度一致性就很高。
对滤芯边缘图，获取其中每个像素值不为零的像素点，得到边缘像素点；
确定半径范围
Figure DEST_PATH_IMAGE024
，这个半径表示尺度的大小，半径越大，尺度越大。在半径范围内遍历所有正整数得到半径
Figure DEST_PATH_IMAGE026
。此处
Figure DEST_PATH_IMAGE028
一般是5。
在滤芯边缘图中，对每个边缘像素点，以当前边缘像素点为原点，以水平方向为
Figure 290853DEST_PATH_IMAGE002
轴，以垂直方向为
Figure 908916DEST_PATH_IMAGE004
轴，确定位置坐标系。
以
Figure 117044DEST_PATH_IMAGE026
为半径画圆，获取圆内的所有边缘像素点，并确定圆内每个边缘像素点在位置坐标系中的坐标
Figure DEST_PATH_IMAGE030
；
对圆内每个边缘像素点的坐标，利用PCA算法获得这些像素点的主成分方向，可获得两个主成分方向，每个主成分方向都是一个二维的单位向量，每个主成分方向对应一个特征值；本方案获取特征值最大的主成分方向
Figure DEST_PATH_IMAGE032
，将其称为分布方向，表示当前选中的边缘像素点的主要分布方向；
尺度一致性
Figure DEST_PATH_IMAGE034
的计算如下：
Figure DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE038
表示当半径为
Figure 210770DEST_PATH_IMAGE026
的时候，获取的分布方向
Figure DEST_PATH_IMAGE040
，一个
Figure 162546DEST_PATH_IMAGE026
对应一个
Figure 900695DEST_PATH_IMAGE040
，所有
Figure 545303DEST_PATH_IMAGE040
组成一个序列
Figure DEST_PATH_IMAGE042
表示这个序列的熵；
Figure DEST_PATH_IMAGE044
,
Figure DEST_PATH_IMAGE046
为主成分方向对应的向量。
此处，熵越大，表示这个序列在不同尺度（半径）下的分布方向差别越大，这个差别就是当前边缘像素点在不同尺度下分布方向的差别，熵越大，差别越大，尺度一致性越小。
至此，边缘图中的每个边缘像素点都对应一个尺度一致性。
S204、计算边缘像素点的梯度连续性。
梯度连续性是指，在滤芯边缘图中，每个边缘点与相邻边缘点梯度的差别大小，这个差别越小，连续性越大；差别越大，连续性越小。
在滤芯边缘图中，对每个边缘像素点，获取半径
Figure 50627DEST_PATH_IMAGE026
,获取半径
Figure 540514DEST_PATH_IMAGE026
内所有边缘像素点；
对所获取的边缘像素点，在滤芯图中，计算同一位置上像素点的梯度
Figure DEST_PATH_IMAGE048
；半径
Figure 398749DEST_PATH_IMAGE026
内所有边缘像素点都分别对应一个梯度；
对半径
Figure 948679DEST_PATH_IMAGE026
内每个边缘像素点的梯度，获取这个梯度方向在像素坐标系中的坐标
Figure DEST_PATH_IMAGE050
，与梯度的模值
Figure DEST_PATH_IMAGE052
一起，构成每个边缘像素点的三维描述量
Figure DEST_PATH_IMAGE054
。
对半径
Figure 705413DEST_PATH_IMAGE026
内所有边缘像素点的三维描述量，将这些三维描述量两两组合，计算每两个描述量的欧氏距离
Figure DEST_PATH_IMAGE056
；一个半径下梯度连续性
Figure DEST_PATH_IMAGE058
的计算如下：
Figure DEST_PATH_IMAGE060
其中，
Figure DEST_PATH_IMAGE062
表示半径为
Figure 107313DEST_PATH_IMAGE026
时得到的所有欧式距离
Figure 554475DEST_PATH_IMAGE056
的均值，这个均值表示当前半径下所有边缘像素点的梯度差别，差别越大，均值越大；
Figure DEST_PATH_IMAGE064
表示所有半径下欧氏距离均值的熵，表示不同尺度下的梯度差别的变化，变化越小梯度连续性越大；
Figure DEST_PATH_IMAGE066
是归一化系数。
至此，边缘图中的每个边缘像素点都对应一个梯度连续性。
S205、计算边缘像素点的可信度。
边缘点的可信度是指，每个边缘点值得相信的程度。边缘点的尺度一致性越大、同时梯度连续性越大，越值得相信。
边缘点可信度的计算如下：
Figure DEST_PATH_IMAGE068
式中：
Figure DEST_PATH_IMAGE070
为边缘点的可信度，
Figure 619514DEST_PATH_IMAGE034
为该边缘点的尺度一致性，
Figure 784916DEST_PATH_IMAGE058
为该边缘点的梯度连续性。
此处，同一个边缘点，同时满足两个条件的才更可信。
至此，边缘图中的每个边缘像素点都对应一个可信度。
S206、基于边缘点的可信度计算各直线的准确度。
准确度是指，参数空间中，代表滤芯图中的非突出直线的点的准确度；向这个点投票的边缘点可信度越高，这条直线的准确度就越高。
1.获取可能直线点。
可能直线点是指，参数空间中可能代表滤芯图像中非突出直线的点。
在参数空间，以参数空间的
Figure 134383DEST_PATH_IMAGE006
为行，以参数空间的
Figure 701630DEST_PATH_IMAGE008
为列，以过由
Figure DEST_PATH_IMAGE072
行
Figure 858942DEST_PATH_IMAGE008
j列组成的点的曲线数量为像素值，将参数空间转化为图像，获得参数空间图；
获得参数空间图中的像素值极大值点，分别以极大值点为均值，以高斯函数为分布函数，使用EM算法确定每个极大值点处的幅值分布；一个极大值点处有一个分布；
对每个极大值点处的高斯分布，获取这个分布的方差
Figure DEST_PATH_IMAGE074
，获取
Figure DEST_PATH_IMAGE076
范围内的所有像素值不为零也不为一的点，即，可能直线点；
至此，在参数空间中确定出可能直线点。
2.由可能直线点确定非突出直线点。
非突出直线点是指，由滤芯图中褶皱最突出处附近亮度变化的像素点形成的直线，在参数空间中对应的点。
在参数空间中，对可能直线点，获取每个可能直线点的行
Figure 59110DEST_PATH_IMAGE006
、列
Figure 694491DEST_PATH_IMAGE008
；
获取过可能直线点的曲线所对应的边缘点的可信度；
计算非突出直线点的行
Figure DEST_PATH_IMAGE078
、列
Figure DEST_PATH_IMAGE080
：
Figure DEST_PATH_IMAGE082
其中，
Figure DEST_PATH_IMAGE084
是指过可能直线点的曲线的序号；
Figure DEST_PATH_IMAGE086
是指过可能直线点的曲线的数量；
Figure DEST_PATH_IMAGE088
是指参数空间中第
Figure 755726DEST_PATH_IMAGE084
个过可能直线点的曲线的可信度；
Figure DEST_PATH_IMAGE090
是指参数空间中第
Figure 100251DEST_PATH_IMAGE084
个曲线所过的可能直线点的行；
Figure DEST_PATH_IMAGE092
是指参数空间中第
Figure 505824DEST_PATH_IMAGE084
个曲线所过的可能直线点的列；
Figure 944896DEST_PATH_IMAGE078
，
Figure 221156DEST_PATH_IMAGE080
表示参数空间中第A个非突出直线点的行和列。
此处，按照曲线边缘点的可信度，对曲线边缘点的位置进行加权，确定非突出直线的行列。相比于所有可能直线点的中心位置处，更相信可信度高的曲线所过的可能直线点。
至此，确定了非突出直线点在参数空间的位置。
3.计算非突出直线点的准确度。
非突出直线点的准确度是指，非突出直线点反应非突出直线的准确程度。
在参数空间中，非突出直线的准确度
Figure 720271DEST_PATH_IMAGE012
计算如下：
Figure DEST_PATH_IMAGE010A
其中，
Figure 142636DEST_PATH_IMAGE014
是指可能直线点的序号；
Figure 119819DEST_PATH_IMAGE016
是指可能直线点的数量；
Figure 516165DEST_PATH_IMAGE018
是指第
Figure 920602DEST_PATH_IMAGE014
个可能直线点到非突出直线点的欧氏距离；
Figure 520341DEST_PATH_IMAGE020
是指过第
Figure 35636DEST_PATH_IMAGE014
个可能直线点处的所有曲线对应边缘点的可信度均值；
Figure 552068DEST_PATH_IMAGE022
是指参数空间中第
Figure 127406DEST_PATH_IMAGE014
个过可能直线点的曲线的可信度。
此处，各可能直线点处所过曲线对应的可信度越大，非突出直线的准确度越高；各可能直线点离得越近，非突出直线的准确度越高。
至此，获得了每个非突出直线点的准确度。
S207、基于直线的准确度确定褶皱直线。
由于褶皱上的特殊亮度变化，霍夫直线检测得到的直线在褶皱最突出的位置两侧，就是上述得到的非突出直线，那么就可以根据非突出直线推测褶皱直线。
1.确定非突出直线点对。
非突出直线在滤芯图像中是在褶皱的两侧，也就是说同一个褶皱的两侧分别有一个非突出直线，两侧的非突出直线组成一对，与褶皱直线有同样的形状。
在参数空间中，对每个非突出直线点，获取所有非突出直线点的行
Figure 729289DEST_PATH_IMAGE078
；
对这些非突出直线点的行，使用均值漂移聚类算法，将非突出直线点分成不同的组，每一组直线就是一个非突出直线点对；
至此，将同一个褶皱两侧的非突出直线点分成一对。
2.由突出直线对确定褶皱直线。
非突出直线对位于褶皱的两侧，与褶皱有相同的形状，根据非突出直线对可以确定褶皱直线。
在参数空间中，获取每一对非突出直线点的褶皱直线的参数计算如下：
Figure DEST_PATH_IMAGE094
其中，
Figure DEST_PATH_IMAGE096
是指一对非突出直线点的序号；
Figure DEST_PATH_IMAGE098
是指一对非突出直线点的总数（理论上应该是2）；
Figure DEST_PATH_IMAGE100
是指第
Figure 156597DEST_PATH_IMAGE096
个非突出直线点的准确度；
Figure DEST_PATH_IMAGE102
是指第
Figure 278268DEST_PATH_IMAGE096
个非突出直线点的准确程度；
Figure DEST_PATH_IMAGE104
是指第
Figure 555665DEST_PATH_IMAGE096
个非突出直线点在参数空间图中的行；
Figure DEST_PATH_IMAGE106
是指第
Figure 644844DEST_PATH_IMAGE096
个非突出直线点在参数空间图中的列；
Figure DEST_PATH_IMAGE108
，
Figure DEST_PATH_IMAGE110
为表示第Z条褶皱直线在参数空间的行和列。
此处，认为褶皱直线的实际位置更偏向于准确度高的非突出直线点的位置。
在霍夫变换过程中，滤芯图中的一条直线对应参数空间中的一个点，因此，可以通过参数空间中的褶皱直线的位置参数得到边缘图中未识别的直线边缘点集合，进一步的，通过边缘图中未识别的直线边缘点集合得到滤芯图中的褶皱直线。
至此，得到了褶皱直线。
S208、基于褶皱直线判断滤芯的质量。
褶皱直线和滤芯的褶皱是一一对应的，同一条褶皱上各处的纹理应该是相同的。而如果滤芯有了缺陷，那么缺陷处的纹理就会突变。因此，当褶皱直线上像素点纹理突变，那就表明滤芯质量不好了。
基于褶皱直线计算滤芯质量：褶皱直线上各处的纹理越相似，滤芯质量越好。
在滤芯图像中，获取同一条褶皱直线上各像素点的灰度共生矩阵，计算这条褶皱直线上灰度共生矩阵的ASM能量；
滤芯的质量计算如下：
Figure DEST_PATH_IMAGE112
即，所有直线上的灰度共生矩阵的ASM能量的均值；
设置阈值P’=7.2，当滤芯质量
Figure DEST_PATH_IMAGE114
＞P’时，滤芯质量较好，无需进行更换。
纹理均一规则时，灰度共生矩阵的ASM能量大，也就是纹理没有突变，即滤芯质量高。
本实施例的有益效果在于：
本实施例基于尺度一致性和梯度连续性确定边缘点的可信度，基于边缘点的可信度性获得直线的准确度，基于直线准确度确定褶皱直线，所获褶皱直线与滤芯上的褶皱能准确对应，可有效提高滤芯质量检测的准确性。
进一步的，本实施例根据褶皱直线上的纹理一致性判断滤芯缺陷，适应各种型号长短不一的滤芯。
以上所述仅为本发明的较佳实施例而已，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 (7)

1.一种基于图像处理的滤芯质量检测方法，其特征在于，包括：
获取待检测滤芯图及其边缘图；
根据边缘图中各个边缘点在不同尺度下的分布方向的差别，得到各个边缘点的尺度一致性；
根据边缘图中各个边缘点与相邻边缘点梯度的差别，得到各个边缘点的梯度连续性；
根据各个边缘点的尺度一致性和梯度连续性，计算得到各个边缘点的可信度；
对边缘图进行霍夫变换，得到边缘图对应的参数空间；
将参数空间转化为参数空间图，获取参数空间图中各像素值极大值点处的高斯分布，各高斯分布内像素值不为零不为一的像素点即为参数空间中的可能直线点；
利用过各个可能直线点的曲线对应的边缘点的可信度对曲线对应的边缘点位置进行加权，确定非突出直线点在参数空间中的位置；
根据各个可能直线点到非突出直线点的欧氏距离和各个可能直线点处所有曲线对应边缘点的可信度均值，得到各个非突出直线点的准确度；
对所有非突出直线点的行进行聚类，得到每个褶皱直线两侧的非突出直线点对；
根据每个褶皱直线两侧的非突出直线点对的准确度及其在参数空间中的位置，得到待检测滤芯图中的褶皱直线；
对各褶皱直线的纹理一致性进行判断得到待检测滤芯的质量。
2.根据权利要求1所述的一种基于图像处理的滤芯质量检测方法，其特征在于，所述各个边缘点的尺度一致性是按照如下方式得到：
确定半径范围，遍历半径范围内所有正整数，将各个正整数作为不同尺度；
选取边缘图中任一边缘点，以该边缘点为原点，水平方向为
Figure DEST_PATH_IMAGE002
轴，以垂直方向为
Figure DEST_PATH_IMAGE004
轴，确定位置坐标系；
以上述边缘点为圆点，任一尺度为半径画圆，获取圆内所有边缘点及其在位置坐标系中的坐标；
利用PCA算法获得圆内所有边缘点的主成分方向；
选取特征值最大的主成分方向作为该尺度下的分布方向，得到不同尺度下的分布方向；
计算不同尺度下的分布方向组成的序列的熵，得到各个边缘点的尺度一致性。
3.根据权利要求1所述的一种基于图像处理的滤芯质量检测方法，其特征在于，所述各个边缘点的梯度连续性是按照如下方式得到：
选取边缘图中任一边缘点，获取该边缘点及其不同尺度下的所有边缘点的梯度；
根据上述边缘点及其不同尺度下所有边缘点的梯度方向和梯度值，得到不同尺度下每个边缘点的三维描述量；
对三维描述量两两组合，计算每两个描述量的欧氏距离，得到不同尺度下的描述量的欧氏距离；
计算不同尺度下描述量的欧氏距离的均值；
通过计算不同尺度下描述量的欧氏距离均值的熵，得到各个边缘点的梯度连续性。
4.根据权利要求1所述的一种基于图像处理的滤芯质量检测方法，其特征在于，所述参数空间中的可能直线点是按照如下方式得到：
以参数空间的
Figure DEST_PATH_IMAGE006
为行，
Figure DEST_PATH_IMAGE008
为列，以过每个行列组成的点的曲线数量为像素值，将参数空间转化为图像，获得参数空间图；
获得参数空间图中的所有像素值极大值点；
以各极大值点为均值，高斯函数为分布函数，使用EM算法确定各极大值点处的高斯分布；
获取各极大值点处的高斯分布的方差；
根据各极大值点处的高斯分布的方差，获取各极大值点处的高斯分布范围；
获取各极大值点处的高斯分布范围内像素值不为零也不为一的点，这些点即为各极大值点处的高斯分布对应的参数空间中的可能直线点。
5.根据权利要求1所述的一种基于图像处理的滤芯质量检测方法，其特征在于，所述非突出直线点在参数空间中的位置是按照如下方式确定：
获取各个可能直线点在参数空间中的行和列；
获取过各个可能直线点的所有曲线对应的边缘点的可信度；
按照所有曲线对应的边缘点的可信度对曲线边缘点的位置进行加权，确定各非突出直线点在参数空间中的位置。
6.根据权利要求1所述的一种基于图像处理的滤芯质量检测方法，其特征在于，所述各个非突出直线点的准确度的表达式如下：
Figure DEST_PATH_IMAGE010
式中：
Figure DEST_PATH_IMAGE012
为非突出直线点的准确度，
Figure DEST_PATH_IMAGE014
是指可能直线点的序号，
Figure DEST_PATH_IMAGE016
是指可能直线点的数量，
Figure DEST_PATH_IMAGE018
是指第
Figure 704857DEST_PATH_IMAGE014
个可能直线点到非突出直线点的欧氏距离，
Figure DEST_PATH_IMAGE020
是指过第
Figure 230517DEST_PATH_IMAGE014
个可能直线点处的所有曲线对应边缘点的可信度均值，
Figure DEST_PATH_IMAGE022
是指参数空间中第
Figure 346547DEST_PATH_IMAGE014
个过可能直线点的曲线的可信度。
7.根据权利要求1所述的一种基于图像处理的滤芯质量检测方法，其特征在于，所述待检测滤芯图中的褶皱直线是按照如下方式得到：
获取所有非突出直线点在参数空间的行；
对所有非突出直线点的行进行聚类，得到所有的同一褶皱两侧的非突出直线点对；
根据同一褶皱两侧的非突出直线点对在参数空间的位置及其准确度，计算得到褶皱直线的参数；
根据褶皱直线的参数得到待检测滤芯图中的褶皱直线。
CN202111529330.6A 2021-12-15 2021-12-15 一种基于图像处理的滤芯质量检测方法 Active CN113916897B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111529330.6A CN113916897B (zh) 2021-12-15 2021-12-15 一种基于图像处理的滤芯质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111529330.6A CN113916897B (zh) 2021-12-15 2021-12-15 一种基于图像处理的滤芯质量检测方法

Publications (2)

Publication Number Publication Date
CN113916897A true CN113916897A (zh) 2022-01-11
CN113916897B CN113916897B (zh) 2022-03-15

Family

ID=79248915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111529330.6A Active CN113916897B (zh) 2021-12-15 2021-12-15 一种基于图像处理的滤芯质量检测方法

Country Status (1)

Country Link
CN (1) CN113916897B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114820627A (zh) * 2022-06-30 2022-07-29 南通盈赛纺织品有限公司 一种基于光学手段的纺织品质量检测方法
CN115082441A (zh) * 2022-07-22 2022-09-20 山东微山湖酒业有限公司 一种基于计算机视觉的酿酒蒸馏工艺中甑料平铺方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002230549A (ja) * 2001-02-05 2002-08-16 Omron Corp 画像処理方法およびその装置
CN104268872A (zh) * 2014-09-25 2015-01-07 北京航空航天大学 基于一致性的边缘检测方法
CN104331885A (zh) * 2014-10-29 2015-02-04 电子科技大学 一种基于投票线聚类的圆形目标检测方法
CN104732530A (zh) * 2015-03-10 2015-06-24 北京环境特性研究所 一种图像边缘的检测方法
CN106529510A (zh) * 2016-12-12 2017-03-22 中国科学院合肥物质科学研究院 一种用于电容薄膜的褶皱识别方法及装置
CN110954538A (zh) * 2018-09-25 2020-04-03 柯尼卡美能达株式会社 图像检查系统、图像检查方法、以及储存有图像检查程序的计算机能够读取的记录介质
CN111862127A (zh) * 2020-07-23 2020-10-30 Oppo广东移动通信有限公司 图像处理方法、装置、存储介质及电子设备
CN113139626A (zh) * 2021-06-21 2021-07-20 浙江华睿科技有限公司 模板匹配方法、装置、电子设备及计算机可读存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002230549A (ja) * 2001-02-05 2002-08-16 Omron Corp 画像処理方法およびその装置
CN104268872A (zh) * 2014-09-25 2015-01-07 北京航空航天大学 基于一致性的边缘检测方法
CN104331885A (zh) * 2014-10-29 2015-02-04 电子科技大学 一种基于投票线聚类的圆形目标检测方法
CN104732530A (zh) * 2015-03-10 2015-06-24 北京环境特性研究所 一种图像边缘的检测方法
CN106529510A (zh) * 2016-12-12 2017-03-22 中国科学院合肥物质科学研究院 一种用于电容薄膜的褶皱识别方法及装置
CN110954538A (zh) * 2018-09-25 2020-04-03 柯尼卡美能达株式会社 图像检查系统、图像检查方法、以及储存有图像检查程序的计算机能够读取的记录介质
CN111862127A (zh) * 2020-07-23 2020-10-30 Oppo广东移动通信有限公司 图像处理方法、装置、存储介质及电子设备
CN113139626A (zh) * 2021-06-21 2021-07-20 浙江华睿科技有限公司 模板匹配方法、装置、电子设备及计算机可读存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MOHAMED A.ET AL: "Multi-Threshold Algorithm Based on Havrda and Charvat Entropy for Edge Detection in Satellite Grayscale Images", 《JOURNAL OF SOFTWARE ENGINEERING AND APPLICATIONS》 *
刘德鹏 等: "基于多尺度局部对比度和多尺度梯度一致性的红外小弱目标检测算法", 《兵工学报》 *
黄婷: "基于双向跟踪的多尺度边缘检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114820627A (zh) * 2022-06-30 2022-07-29 南通盈赛纺织品有限公司 一种基于光学手段的纺织品质量检测方法
CN114820627B (zh) * 2022-06-30 2022-09-09 南通盈赛纺织品有限公司 一种基于光学手段的纺织品质量检测方法
CN115082441A (zh) * 2022-07-22 2022-09-20 山东微山湖酒业有限公司 一种基于计算机视觉的酿酒蒸馏工艺中甑料平铺方法
CN115082441B (zh) * 2022-07-22 2022-11-11 山东微山湖酒业有限公司 一种基于计算机视觉的酿酒蒸馏工艺中甑料平铺方法

Also Published As

Publication number Publication date
CN113916897B (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
CN113916897B (zh) 一种基于图像处理的滤芯质量检测方法
CN111383209B (zh) 一种基于全卷积自编码器网络的无监督瑕疵检测方法
CN110264448B (zh) 一种基于机器视觉的绝缘子故障检测方法
CN115020267B (zh) 一种半导体表面缺陷检测方法
CN115035122B (zh) 基于人工智能的集成电路晶圆表面缺陷检测方法
CN116091504B (zh) 基于图像处理的连接管连接头质量检测方法
CN110263795B (zh) 一种基于隐式形状模型与图匹配的目标检测方法
CN114022439A (zh) 一种基于形态学图像处理的柔性电路板缺陷检测方法
CN115375629A (zh) 一种lcd屏幕中线缺陷检测及缺陷信息提取方法
CN116109635A (zh) 复合悬式绝缘子表面质量检测方法、装置、设备及介质
CN110276747B (zh) 一种基于图像分析的绝缘子故障检测和故障评级方法
Lauridsen et al. Reading circular analogue gauges using digital image processing
Zhu et al. A fast PCB hole detection method based on geometric features
CN117314986A (zh) 基于语义分割的无人机跨模态配电设备巡检图像配准方法
CN113705564A (zh) 一种指针式仪表识别读数方法
CN112950594A (zh) 产品表面缺陷的检测方法、设备及存储介质
CN112750119B (zh) 一种面向白玻璃盖板表面微弱缺陷的检测与测量方法
CN112669321B (zh) 一种基于特征提取及算法分类的喷砂不均检测方法
CN112837285B (zh) 一种板面图像的边缘检测方法及装置
CN111798476B (zh) 一种高压隔离开关导电臂轴线提取方法
CN108830281B (zh) 一种基于局部变化检测和空间加权的重复图像匹配方法
CN112037193A (zh) 一种电力线路特征标记方法及装置
CN112418226A (zh) 一种鱼眼分合闸状态识别的方法及装置
CN111199563B (zh) 基于改进霍夫变换算法的单晶硅太阳能晶片图像定位方法
Tao et al. Measurement algorithm of notch length of plastic parts based on video

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