CN113936003A - 一种门窗制造质量检测方法 - Google Patents

Abstract

本发明涉及门窗质量检测技术领域，具体涉及一种门窗制造质量检测方法。方法包括：获取待检测门窗图像；以待检测门窗图像的中心点为原点进行霍夫变换，得到霍夫参数空间；根据霍夫参数空间中各正弦曲线过高亮点的数量，计算各正弦曲线对应的第一概率；根据各正弦曲线过点的数量，计算各正弦曲线对应第二概率；根据各正弦曲线对应的第一概率和第二概率，得到各正弦曲线对应的目标概率；从各正弦曲线对应的目标概率中选取四个最大的目标概率，若四个最大的目标概率均大于误差阈值，则判定门窗合格。本发明提高了门窗质量检测的准确性。

Description

一种门窗制造质量检测方法

技术领域

本发明涉及门窗质量检测技术领域，具体涉及一种门窗制造质量检测方法。

背景技术

在门窗制造过程中，需要对门窗进行切割，由于门窗的四个角是应力集中部位，因此在切割的过程中容易产生较大误差，导致切割后的门窗的四个角缺失或者损坏无法投入使用。为了检测门窗四个角缺失或损坏的情况，传统方法是人工对门窗进行随机抽检，比如每隔一小时检验一下，该方法存在较大的随机性；并且人工检测的主观性强和误差较大，容易出现误检和漏检的情况，检测不准确。

发明内容

为了解决现有技术对门窗质量检测不准确的问题，本发明的目的在于提供一种门窗制造质量检测方法，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种门窗制造质量检测方法包括以下步骤：

获取待检测门窗图像；

以待检测门窗图像的中心点为原点对待检测门窗图像进行霍夫变换，得到待检测门窗图像对应的霍夫参数空间；

根据霍夫参数空间中各正弦曲线过高亮点的数量，计算霍夫参数空间中各正弦曲线对应的像素点为理论角点的第一概率，所述理论角点为标准门窗的角点；

根据霍夫参数空间中各正弦曲线过点的数量，计算霍夫参数空间中各正弦曲线对应的像素点为理论角点的第二概率；

根据各正弦曲线对应的第一概率和第二概率，得到各正弦曲线对应的目标概率，所述正弦曲线对应的目标概率为正弦曲线对应的像素点为理论角点的概率；从各正弦曲线对应的目标概率中选取四个最大的目标概率，若四个最大的目标概率均大于误差阈值，则判定门窗质量合格。

优选的，根据霍夫参数空间中各正弦曲线过高亮点的数量，计算霍夫参数空间中各正弦曲线对应的像素点为理论角点的第一概率，包括：

获取霍夫参数空间中各正弦曲线的初始投票值序列，所述投票值序列中各元素为霍夫参数空间中正弦曲线经过的各点对应的投票值；

将各正弦曲线对应的初始投票值序列中各元素进行升序排列，得到各正弦曲线对应的排序后的投票值序列；

构建与各排序后的投票值序列对应的虚拟序列，所述虚拟序列用于判断排序后的投票值序列中的高亮点；

将各正弦曲线对应的排序后的投票值序列与对应的虚拟序列进行对比，得到在多个不同余弦相似度阈值下霍夫参数空间中各正弦曲线经过高亮点的数量；

计算不同余弦相似度阈值下霍夫参数空间中各正弦曲线经过两个高亮点的次数与余弦相似度阈值总数量之比，得到霍夫参数空间中各正弦曲线对应的第一概率。

优选的，根据霍夫参数空间中各正弦曲线过点的数量，计算霍夫参数空间中各正弦曲线对应的像素点为理论角点的第二概率，包括：

获取霍夫参数空间中各正弦曲线的过点数量；

根据霍夫参数空间中各正弦曲线的过点数量与最大过点数量之比，得到霍夫参数空间中各正弦曲线对应的第二概率。

优选的，根据各正弦曲线对应的第一概率和第二概率，得到各正弦曲线对应的目标概率，包括：

根据各正弦曲线对应的第一概率和第二概率，得到待检测门窗图像中两个长轴在霍夫参数空间中对应的两个点，记为两个长轴点；

根据霍夫参数空间中的两个长轴点的纵坐标，计算待检测门窗图像对应的第三概率，所述第三概率为待检测门窗图像中的角点为理论角点的概率；

计算霍夫参数空间各正弦曲线对应的第一概率和第二概率的乘积，记为各正弦曲线对应的理论角点概率；计算各正弦曲线对应的理论角点概率与待检测门窗图像对应的第三概率的乘积，得到各正弦曲线对应的目标概率。

优选的，第三概率的计算公式为：

其中，

为待检测门窗图像对应的第三概率，

为两个长轴点纵坐标的距离，

为自然常数。

优选的，目标概率的计算公式为：

其中，

为第

个正弦曲线对应的目标概率，

为第

个正弦曲线对应的第一概率，

第

个正弦曲线对应的第二概率，

为待检测门窗图像对应的第三概率。

本发明具有如下有益效果：

本发明首先对待检测门窗图像进行霍夫变换，得到待检测门窗图像对应的霍夫参数空间，然后根据霍夫参数空间中各正弦曲线过高亮点的数量和过所有点的数量，来计算出各正弦曲线对应的像素点为理论角点的第一概率和各正弦曲线对应的像素点为理论角点的第二概率，所述各正弦曲线对应的第一概率和第二概率分别从两个方面进行考虑，以保证各正弦曲线对应的像素点为理论角点的概率越大，则越有可能为理论角点；最后从根据各正弦曲线对应的第一概率和第二概率，得到的各正弦曲线对应的目标概率来判定门窗质量是否合格。本发明通过图像处理的方式来对门窗的质量进行自动检测，避免人工检测存在的主观性强问题，提高了门窗质量检测的准确性。

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为本发明的一种门窗制造质量检测方法的流程图；

图2为本发明的门窗直角坐标系示意图；

图3为本发明的霍夫参数空间示意图；

图4为本发明的线上点连线示意图；

图5为本发明的角点连线示意图；

图6为本发明的假角点连线示意图。

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能效果，以下结合附图及较佳实施例，对依据本发明提出的一种门窗制造质量检测方法进行详细说明如下。

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门窗制造质量检测方法的具体方案。

一种门窗制造质量检测方法实施例：

如图1所示，本实施例的一种门窗制造质量检测方法包括以下步骤：

步骤S1，获取待检测门窗图像。

为了对门窗进行缺陷检测，本实施先对门窗的图像进行采集，具体采集过程为：

首先用相机对门窗制造过程中切割好的门窗进行拍照，以得到初始门窗图像，本实施中相机位于门窗的上方，拍摄到的初始门窗图像为门窗的正面，具体相机位置根据实际需要进行设置。

得到初始门窗图像之后，由于采集到的初始门窗图像中既包含背景也包含门窗，并且本实施例是基于门窗进行分析，因此为了获取初始门窗图像中的门窗，本实施例利用语义分割网络来识别初始门窗图像中的门窗，本实施例将提取出来的门窗图像记为待检测门窗图像。语义分割网络的训练过程为：

本实施例中语义分割网络的训练集为历史初始门窗图像，其标签数据分为两种，本实施例将图片中属于背景的像素标注为0，将图片中属于门窗的像素标注为1。本实施例中语义分割网络的损失函数为交叉熵损失函数。利用语义分割网络实现对目标区域和背景区域的划分为现有技术，因此本实施例不再进行赘述。

步骤S2，以待检测门窗图像的中心点为原点对待检测门窗图像进行霍夫变换，得到待检测门窗图像对应的霍夫参数空间。

本实施例所分析的门窗为四个角的门窗，每一个角都会对应一个顶点，将顶点称之为角点，即顶点上的像素点。

门窗的角大多都是直角，本实施例针对的是由于门窗的角断裂使得门窗的角点缺失或损坏导致门窗质量不合格的情况，本实施例检测门窗角点缺失或损坏的构思是：利用霍夫变换技术来对待检测门窗图像进行处理，然后对霍夫变换得到的待检测门窗图像对应的霍夫参数空间进行分析，以判断门窗的质量是否合格。

本实施例中利用霍夫变换来对待检测门窗图像进行处理的过程具体为：

本实施例在实际实施过程中霍夫变换后的霍夫参数空间中的各正弦曲线分别对应待检测门窗图像中边缘上的各个像素点。但是为了更好的对本实施例进行分析，本实施例选取了待检测门窗图像中的角点和边缘上离散的像素点来对本实施了进行分析描述，本实施例将边缘上离散的像素点记为边缘点。

考虑到门窗都是矩形的，本实施例将待检测门窗图像中心点作为原点建立直角坐标系，如图2所示，其中A、B、C和D分别为门窗的四条边；c1、c2和c3为边C上的三个边缘点；b1、b2、b3、b4和b5为边B上的五个边缘点；a1、a2和a3为边A上的三个边缘点；d1、d2、d3、d4和d5为边D上的五个边缘点；bc为边B和边D形成的一个角点；ab为边B和边A形成的一个角点；ad为边A和边D形成的一个角点；cd为边C和边D形成的一个角点。

本实施例对待检测门窗图像进行霍夫变换，得到待检测门窗图像对应的霍夫参数空间。本实施中待检测门窗图像的四条边A、B、C和D在霍夫参数空间中分别对应四个高亮点，所述高亮点为霍夫参数空间中投票值最大的四个点；待检测门窗图像中的各像素点在霍夫参数空间中分别对应一个正弦曲线。由于每个角点在相邻的两条边上，所以各个角点在霍夫参数空间中对应的正弦曲线都会经过两个高亮点，而其边缘点由于仅处于一条边上，所以边缘点在霍夫参数空间中对应的正弦曲线仅过一个高亮点。

标准门窗对应的霍夫参数空间如图3所示，其中A、B、C和D四个高亮点分别对应着图2中A、B、C和D四条边；正弦曲线bc、ad、ab和cd分别为图2中角点bc、ad、ab和cd；点bc-ad为图2中角点bc和角点ad的连线，点ab-cd为图2中角点ab和角点cd的连线。

本实施例除了考虑到边缘像素点中角点与边缘点在霍夫参数空间中对应的正弦曲线经过的高亮点的数量是不同的，还考虑到角点与边上的点在霍夫参数空间中对应的正弦曲线所经过的点的数量也有差距，因此本实施例还基于此对待检测门窗图像进行分析，如图4所示，其中是以边B上的点b3为例，与该点的连线一共有13条，再加上该点所在的直线B，则过该点的直线一共有14条，所以该点在霍夫参数空间中对应的正弦曲线一共会经过14个点，其中有一个高亮点；而角点却有所不同，以如图5中的角点bc为例，与该点的连线一共有9条，再加上角点bc所在的两条相邻的边A和B，则过角点bc的直线一共有11条，所以角点bc在霍夫参数空间中对应的正弦曲线一共会经过11个点，其中有两个高亮点。因此角点在霍夫参数空间中对应的正弦曲线的点的数量少于边缘点在霍夫参数空间中对应的正弦曲线经过的点的数量。

步骤S3，根据霍夫参数空间中各正弦曲线过高亮点的数量，计算霍夫参数空间中各正弦曲线对应的像素点为理论角点的第一概率，所述理论角点为标准门窗的角点。

根据步骤S2的分析，可以知道一个标准门窗（默认标准门窗为矩形）中角点和边缘点在霍夫参数空间中的特性，即角点在霍夫参数空间中对应的正弦曲线会经过两个高亮点；角点在霍夫参数空间中对应的正弦曲线经过的点的数量少于边缘点在霍夫参数空间中对应的正弦曲线经过的点的数量。本发明将标准门窗中的角点记为理论角点。

当标准门窗的某一个角点出现缺失或者损坏时，会出现两个角点即假角点，如图6所示，其中b1和c3为假角点；B表示点b1和点ab连成的线段；C表示点c3和点cd连成的线段。如图5所示，其中角点bc、ab、cd和ad为本实施所述的理论角点。将图5和图6进行比较，可以看出假角点在霍夫参数空间中对应的正弦曲线经过的点的数量比理论角点在霍夫参数空间中对应的正弦曲线经过的点的数量多。

本实施例以图6中的假角点b1为例，由于假角点b1在B上，因此假角点b1在霍夫参数空间中对应的正弦曲线会经过一个高亮点，比理论角点在霍夫参数空间中对应的正弦曲线经过的高亮点少，并且假角点b1在霍夫参数空间中对应的正弦曲线经过的点的数量会比理论角点在霍夫参数空间中对应的正弦曲线经过的点的数量多。

本实施例基于上述假角点与理论角点在霍夫参数空间中对应的正弦曲线经过的高亮点的数量差异，来对待检测图像对应的霍夫参数空间进行分析，以得到霍夫参数空间中各正弦曲线对应的第一概率，即正弦曲线对应的在待检测门窗图像中的像素点为理论角点的概率，具体过程为：

首先，根据待检测门窗图像对应的霍夫参数空间中各正弦曲线经过的点的投票值进行统计，构建得到各正弦曲线对应的初始投票值序列，所述初始投票值序列中各元素为霍夫参数空间中正弦曲线经过的各点对应的投票值。

然后，本实施例将各正弦曲线对应的初始投票值序列进行升序排序，本实施例以图3中的正弦曲线ab为例，在[0,

]范围内，正弦曲线ab经过的点的初始投票值序列为[5,7,2,2,2,2,2,2,2,2,2]，对该初始投票值序列进行升序排序后，得到该正弦曲线对应的排序后的投票值序列[2,2,2,2,2,2,2,2,2,5,7]。本实施例根据各正弦曲线对应的排序后的投票值序列得到各正弦曲线对应的第一概率，各正弦曲线对应的第一概率为霍夫参数空间中各正弦曲线对应的像素点为理论角点的第一概率。具体为：

构造一个与排序后的投票值序列等长的虚拟序列，虚拟序列为判断排序后的投票值序列中高亮点的标准，即判断排序后的投票值序列中的哪些元素对应的点为高亮点。由于本实施例考虑到正弦曲线经过的非高亮点的投票值由于霍夫参数空间中划分的角度精细范围的不同，每个小区域内的点的投票值往往不是2，而是小区域内多个点投票值相加的和，并且由于本实施例中霍夫参数空间中各正弦曲线经过的高亮点的数量为1个或2个，且高亮点处的投票值比非高亮点的投票值大得多，因此虚拟序列中除了最后两个元素，其余元素需要与对应的排序后的投票值序列一致，并且若排序后的投票值序列中倒数第二元素对应的点为高亮点，那么最后一个元素对应的点也一定是高亮点。本实施例设霍夫参数空间中的一个正弦曲线对应的排序后的投票值序列为[f1,…f100,f101,f102]，则对应的虚拟序列为[f1,…f100,f100,f100]，然后通过计算余弦相似度来判断投票值序列中倒数第二个元素对应的点是否为高亮点，从而判断出对应正弦曲线经过高亮点的个数。具体为：

首先判断正弦曲线的排序后的投票值序列中的倒数第二个元素，计算正弦曲线对应的排序后的投票值序列中的子序列[f1,…f100,f101]与对应的虚拟序列为[f1,…f100,f100]之间的余弦相似度，判断所得到余弦相似度的大小是否小于余弦相似度阈值，若小于，则判定投票值序列中的f101对应的点为高亮点，若大于等于，则判定投票值序列中的f101对应的点不是高亮点；由于各正弦曲线经过的高亮点的数量为1个或2个，因此若判定倒数第二元素对应的点为高亮点，则判定该正弦曲线过两个高亮点；若判定倒数第二元素对应的点不是高亮点，则判定该正弦曲线过一个高亮点。

本实施例在判断高亮点时，构建的虚拟序列中各元素需要与对应的正弦曲线的投票值序列中的各元素一一对应，并且一个正弦曲线的投票值序列对应一个虚拟序列。

例如，设某一正弦曲线的排序后的投票值序列为[2,2,2,2,2,9,13]，设置对应的虚拟序列为[2,2,2,2,2,2,2]，设置余弦相似度阈值为0.8。如上所述正弦曲线经过的高亮点是1个或2个，因此首先判断排序后的投票值序列中的倒数第二个元素对应的点是否为高亮点，计算排序后的投票值序列的子序列[2,2,2,2,2,9]与虚拟序列的子序列[2,2,2,2,2,2]之间的余弦相似度，若计算出来的余弦相似度小于0.8，则排序后的投票值序列中倒数第二个元素对应的点为高亮点，即该正弦曲线经过两个高亮点；若计算出来的余弦相似度大于等于0.8，则投票值序列中倒数第二个元素对应的点不是高亮点，即该正弦曲线经过一个高亮点。

本实施例通过上述方式可以判断出霍夫参数空间中各正弦曲线经过的高亮点数量，但是本实施例考虑到仅设置一个余弦相似度阈值无法很好的区分高亮点和非高亮点，因此本实施例设置了多个不同的余弦相似度阈值，判断在不同余弦相似度阈值下霍夫参数空间中各正弦曲线经过的高亮点数量，然后计算不同余弦相似度阈值下霍夫参数空间中正弦曲线经过的亮点数量为2的次数与不同余弦相似度阈值的数量之比，得到正弦曲线对应的第一概率，第一概率的计算公式为：

其中，

为霍夫参数空间中第

个正弦曲线过两个高亮点的概率，即霍夫参数空间中各正弦曲线对应的像素点为理论角点的第一概率，m为不同余弦相似度阈值下第

个正弦曲线经过高亮点的数量为2的次数，n为余弦相似度阈值的总数量。若正弦曲线在每一个余弦相似度阈值下的正弦曲线经过的高亮点数量均为2，则该正弦曲线对应的第一概率为1；若正弦曲线在每一个余弦相似度阈值下的正弦曲线经过的高亮点数量均不是2，则该正弦曲线对应的第一概率为0。正弦曲线对应的第一概率越大，则该正弦曲线对应的像素点为理论角点的概率越大。

本实施例中设置15个不同的余弦相似度阈值为0.8、0.81、0.82、0.83、0.84、0.85、0.86、0.87、0.88、0.89、0.90、0.91、0.92、0.93、0.94、0.95，即起始点为0.8，步长为0.01，终止值为0.95。本实施例中不同的余弦相似度阈值可根据实际需要进行设置。

本实施例通过计算余弦相似度的方式来判断是否为高亮点，作为其他实施例方式，本实施例还可以根据排序后的投票值序列中的倒数第二个元素f101与对应的虚拟序列中的倒数第二个元素f100比值的大小来判断投票值序列中的倒数第二个元素f101对应的点是否为高亮点，具体为将比值与大于1的设定阈值进行比较，若大于，则判定对应的正弦曲线经过的高亮点数量为2；反之，则判定对应的正弦曲线经过的高亮点数量为1。

步骤S4，根据霍夫参数空间中各正弦曲线过点的数量，计算霍夫参数空间中各正弦曲线对应的像素点为理论角点的第二概率。

由于无法确定导致理论角点为假角点的实际情况，即无法确定假角点处是直线还是曲线，因此当该两个假角点之间的连线为直线时，即图6中b1与c3之间的连线为直线时，该直线会在霍夫参数空间中形成一个高亮点，并且直线越长，投票值越大，越接近理论角点，即形成两个高亮点，此时假角点在霍夫参数空间中对应的正弦曲线也会经过两个高亮点，此时便不能准确的判断是否为理论角点。

因此本实施例仅通过判断正弦曲线经过高亮点的数量不能完全确定该点是理论角点还是假角点，只有当该区域的假角点不是由一条直线的断痕形成时（比如断痕为弧形），才可以判断当正弦曲线经过的高亮点为1时，该正弦曲线对应的像素点为假角点的概率大；当正弦曲线经过的高亮点为2时，该正弦曲线对应的像素点为理论角点的概率大。

根据上述分析，本实施例还考虑到理论角点在霍夫参数空间中对应的正弦曲线经过的点数量少于假角点在霍夫参数空间中对应的正弦曲线经过的点数量。因此本实施例计算霍夫参数空间中各正弦曲线对应的第二概率，来进一步确定各正弦曲线对应的像素点为理论角点的概率，具体为：

首先获取霍夫参数空间中各正弦曲线的过点数量，然后根据霍夫参数空间中各正弦曲线经过点的数量构建过点数量序列，并进行升序排序，得到过点数量最大值。本实施例中过点数量序列中的每个值表示与霍夫参数空间中的每个正弦曲线的过点数量一一对应，本实施例通过将正弦曲线对应的过点数量与过点数量最大值的比值与1的差作为该正弦曲线对应的像素点为理论角点的概率即该正弦曲线对应的第二概率，第二概率计算公式如下：

其中，

，

为

正弦曲线对应的过点数量，V为过点数量最大值。本实施例中正弦曲线对应的第二概率越大，则该正弦曲线对应的像素点为理论角点的概率越大。由于理论角点的对应的正弦曲线的过点数量小于非理论角点（假角点和边缘点）对应的正弦曲线的过点数量，所以若正弦曲线的过点数量与过点数量最大值之比与小，则该正弦曲线对应的像素点为理论角点的概率越大；若正弦曲线的过点数量与过点数量最大值之比越大，则该正弦曲线对应的像素点为理论角点的概率越小。

步骤S5，根据各正弦曲线对应的第一概率和第二概率，得到各正弦曲线对应的目标概率，所述正弦曲线对应的目标概率为正弦曲线对应的像素点为理论角点的概率；从各正弦曲线对应的目标概率中选取四个最大的目标概率，若四个最大的目标概率均大于误差阈值，则判定门窗合格。

本实施例中步骤S3和步骤S4中分别从两个方面对霍夫参数空间中各正弦曲线对应的像素点是否为理论角点进行了分析，并得到了各正弦曲线对应的第一概率和第二概率。

本实施例中当待检测门窗图像中的角点为理论角点时，待检测图像中两个对角线为两个长轴，因为两个长轴交的为原点，因此这两个长轴在霍夫参数空间中对应的两个点的纵坐标相等，并且纵坐标均为0。

而当待检测门窗图像中的角点为假角点时，图像中最长的两条线为两个长轴，并且这两个长轴的交点不为原点，因此这两个长轴在霍夫参数空间中对应点的纵坐标不相等，且纵坐标相差越大，则说明待检测图像中存在假角点的可能性就越大。

因此本实施例通过对待检测图像中的两个长轴在霍夫参数空间中对应点的纵坐标的距离来判断待检测图像中存在假角点的可能性，即第三概率。计算第三概率的方法具体为：

本实施例中第三概率是从待检测图像的整体进行分析，首先计算由步骤S3和步骤S4获取到的霍夫参数空间中各正弦曲线对应的第一概率和第二概率的乘积，然后选取乘积值最大的四个值对应的正弦曲线，本实施例中第一概率和第二概率分别为正弦曲线对应的像素点为理论角点的概率，因此，即乘积值最大的四个值对应的正弦曲线即该四个正弦曲线对应的像素点为理论角点的概率最大。

本实施例可以根据在霍夫参数空间选取的四个正弦曲线，确定四个点，如图3所示，这四个点分别为B、D、bc-ad、ab-cd，然后通过对这四个点的投票值进行比较，选择其中投票值最小的两个点作为长轴在霍夫参数空间中对应的两个点记为长轴点。

获取霍夫参数空间中两个长轴点的纵坐标的值，根据两个长轴点纵坐标的距离d计算第三概率，d越小说明待检测门窗图像中两个长轴的角点越接近于原点，待检测门窗图像中的角点为理论角点的概率越大，即待检测门窗图像对应的第三概率越大。本实施例中计算第三概率的公式为：

其中，

为第三概率的值，其的范围为[0,1]，

为自然常数。本实施例中第三概率是从全局的角度来判断待检测门窗图像中角点为理论角点的概率，第三概率越大，说明待检测图像中的角点为理论角点的概率越大；第三概率越小，说明待检测图像中存在假角点的概率越大。

最后本实施例根据各正弦曲线对应的第一概率和第二概率和待检测图像对应的第三概率，得到各正弦曲线对应的目标概率，目标概率P的计算公式为：

其中，

为第

个正弦曲线对应的目标概率，即为第

个正弦曲线对应的像素点为理论角点的概率，

为第

个正弦曲线对应的第一概率，

第

个正弦曲线对应的第二概率。P3相当于是一个系数，从整体的角度体现存在假角点的概率。

本实施例选取四个目标概率最大的四个正弦曲线，判断这四条正弦曲线是否都大于误差阈值，若均大于，则判定待检测门窗图像中的四个角点均为理论角点，即对应的门窗质量合格；若存在一个正弦曲线小于等于误差阈值，则说明待检测门窗图像中存在假角点，则判断对应的门窗质量不合格。

本实施例首先对待检测门窗图像的进行霍夫变换，得到待检测门窗图像对应的霍夫参数空间，然后根据霍夫参数空间中各正弦曲线过高亮点的数量和过所有点的数量，来计算出各正弦曲线对应的像素点为理论角点的第一概率和各正弦曲线对应的像素点为理论角点的第二概率，所述各正弦曲线对应的第一概率和第二概率分别从两个方面进行考虑，以保证各正弦曲线对应的像素点为理论角点的概率越大，则越有可能为理论角点；最后从根据各正弦曲线对应的第一概率和第二概率，得到的各正弦曲线对应的目标概率来判定门窗质量是否合格。本实施例通过图像处理的方式来对门窗的质量进行自动检测，避免人工检测存在的主观性强问题，提高了门窗质量检测的准确性。

需要说明的是：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 (6)

1.一种门窗制造质量检测方法，其特征在于，该方法包括以下步骤：

获取待检测门窗图像；

以待检测门窗图像的中心点为原点对待检测门窗图像进行霍夫变换，得到待检测门窗图像对应的霍夫参数空间；

根据霍夫参数空间中各正弦曲线过高亮点的数量，计算霍夫参数空间中各正弦曲线对应的像素点为理论角点的第一概率，所述理论角点为标准门窗的角点；

根据霍夫参数空间中各正弦曲线过点的数量，计算霍夫参数空间中各正弦曲线对应的像素点为理论角点的第二概率；

根据各正弦曲线对应的第一概率和第二概率，得到各正弦曲线对应的目标概率，所述正弦曲线对应的目标概率为正弦曲线对应的像素点为理论角点的概率；从各正弦曲线对应的目标概率中选取四个最大的目标概率，若四个最大的目标概率均大于误差阈值，则判定门窗质量合格。

2.根据权利要求1所述的一种门窗制造质量检测方法，其特征在于，根据霍夫参数空间中各正弦曲线过高亮点的数量，计算霍夫参数空间中各正弦曲线对应的像素点为理论角点的第一概率，包括：

获取霍夫参数空间中各正弦曲线的初始投票值序列，所述投票值序列中各元素为霍夫参数空间中正弦曲线经过的各点对应的投票值；

将各正弦曲线对应的初始投票值序列中各元素进行升序排列，得到各正弦曲线对应的排序后的投票值序列；

构建与各排序后的投票值序列对应的虚拟序列，所述虚拟序列用于判断排序后的投票值序列中的高亮点；

将各正弦曲线对应的排序后的投票值序列与对应的虚拟序列进行对比，得到在多个不同余弦相似度阈值下霍夫参数空间中各正弦曲线经过高亮点的数量；

计算不同余弦相似度阈值下霍夫参数空间中各正弦曲线经过两个高亮点的次数与余弦相似度阈值总数量之比，得到霍夫参数空间中各正弦曲线对应的第一概率。

3.根据权利要求1所述的一种门窗制造质量检测方法，其特征在于，根据霍夫参数空间中各正弦曲线过点的数量，计算霍夫参数空间中各正弦曲线对应的像素点为理论角点的第二概率，包括：

获取霍夫参数空间中各正弦曲线的过点数量；

根据霍夫参数空间中各正弦曲线的过点数量与最大过点数量之比，得到霍夫参数空间中各正弦曲线对应的第二概率。

4.根据权利要求1所述的一种门窗制造质量检测方法，其特征在于，根据各正弦曲线对应的第一概率和第二概率，得到各正弦曲线对应的目标概率，包括：

根据各正弦曲线对应的第一概率和第二概率，得到待检测门窗图像中两个长轴在霍夫参数空间中对应的两个点，记为两个长轴点；

根据霍夫参数空间中的两个长轴点的纵坐标，计算待检测门窗图像对应的第三概率，所述第三概率为待检测门窗图像中的角点为理论角点的概率；

计算霍夫参数空间各正弦曲线对应的第一概率和第二概率的乘积，记为各正弦曲线对应的理论角点概率；计算各正弦曲线对应的理论角点概率与待检测门窗图像对应的第三概率的乘积，得到各正弦曲线对应的目标概率。

5.根据权利要求4所述的一种门窗制造质量检测方法，其特征在于，第三概率的计算公式为：

其中，

为待检测门窗图像对应的第三概率，

为两个长轴点纵坐标的距离，

为自然常数。

6.根据权利要求4所述的一种门窗制造质量检测方法，其特征在于，目标概率的计算公式为：

其中，

为第

个正弦曲线对应的目标概率，

为第

个正弦曲线对应的第一概率，

第

个正弦曲线对应的第二概率，

为待检测门窗图像对应的第三概率。

Images