CN114170208A - 一种基于人工智能的纸制品缺陷检测方法 - Google Patents

一种基于人工智能的纸制品缺陷检测方法 Download PDF

Info

Publication number
CN114170208A
CN114170208A CN202111524296.3A CN202111524296A CN114170208A CN 114170208 A CN114170208 A CN 114170208A CN 202111524296 A CN202111524296 A CN 202111524296A CN 114170208 A CN114170208 A CN 114170208A
Authority
CN
China
Prior art keywords
image
channel
defect
paper product
value
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
Application number
CN202111524296.3A
Other languages
English (en)
Inventor
李幼妹
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 Fuwangjia Packaging Co ltd
Original Assignee
Wuhan Fuwangjia Packaging 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 Fuwangjia Packaging Co ltd filed Critical Wuhan Fuwangjia Packaging Co ltd
Priority to CN202111524296.3A priority Critical patent/CN114170208A/zh
Publication of CN114170208A publication Critical patent/CN114170208A/zh
Pending legal-status Critical Current

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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]

Abstract

本发明涉及纸制品缺陷检测领域，提供一种基于人工智能的纸制品缺陷检测方法，包括：得到预处理纸制品RGB图像；将预处理纸制品RGB图像转化为二值化缺陷图像；得到各缺陷区域的面积指标；获得缺陷RGB图像；得到各缺陷区域的缺陷差异指标；得到各缺陷区域的缺陷分布指标；通过面积指标、缺陷差异指标、缺陷分布指标计算纸制品的缺陷程度，根据纸制品缺陷程度的大小判断纸制品是否合格。本发明具有准确性高、检测速度快的优点。

Description

一种基于人工智能的纸制品缺陷检测方法
技术领域
本发明涉及纸制品缺陷检测领域，具体涉及一种基于人工智能的纸制品缺陷检测方法。
背景技术
纸制品作为食品、医药行业包装材料的主要形式，已经成为工业产品不可或缺的原材料。在纸张的生产过程中，由于生产工艺及现场环境等影响，容易造成纸张表面出现蚊虫、孔洞、黑点、线条、褶皱等缺陷。这些缺陷不仅影响纸张产品的外观，更重要的是降低了纸张的使用性能。如何在生产过程中及时检测出纸张缺陷，消除生产的根源，实现控制和提高纸张的表面质量，一直是造纸行业追求的目标。
目前，传统的检测方法如人工目视抽检已经远远不能满足现在工业生产中高速、高分辨率和无损智能检测的要求，并且不能保证纸张检测的全面性，容易给工业企业造成大量的经济损失。针对上述问题，本发明提出一种基于人工智能的纸制品缺陷检测方法，可实现对纸制品进行无接触检测，避免人工检测效率低、精度低的问题。
发明内容
为了克服上述现有技术的缺点，本发明提供一种基于人工智能的纸制品缺陷检测方法。
为达到上述目的，本发明采用如下技术方案，一种基于人工智能的纸制品缺陷检测方法，包括以下步骤：
对采集的纸制品图像进行预处理，得到预处理纸制品RGB图像；
提取预处理纸制品RGB图像中的缺陷区域，利用提取的缺陷区域将预处理纸制品RGB图像转化为二值化缺陷图像；
统计二值化缺陷图像中各缺陷区域内像素个数之和，得到各缺陷区域的面积指标；
利用二值化缺陷图像的缺陷区域提取RGB图像中的缺陷区域获得缺陷RGB图像；
通过缺陷RGB图像中各缺陷区域的像素灰度均值和标准纸制品对应位置像素灰度均值得到各缺陷区域的缺陷差异指标；
在缺陷RGB图像中各缺陷区域滑窗，统计每一个窗口内像素点的像素值和该像素值出现的次数，得到各缺陷区域的缺陷分布指标；
通过各缺陷区域的面积指标、缺陷差异指标、缺陷分布指标计算纸制品的缺陷程度，根据纸制品缺陷程度的大小判断纸制品是否合格。
进一步的，所述的一种基于人工智能的纸制品缺陷检测方法，提取预处理纸制品RGB图像中的缺陷区域的方法为：
通过预处理纸制品RGB图像获取R通道、G通道、B通道和亮度通道I图像；
对R通道、G通道、B通道和亮度通道I图像进行分析得到包含缺陷区域和非缺陷区域的色彩注意力二值图；
对预处理纸制品RGB图像进行小波变换得到一个低频图像和三个高频图像；
对得到的一个低频图像和三个高频图像再处理得到包含缺陷区域和非缺陷区域的频域注意力二值图；
通过色彩注意力二值图和频域注意力二值图得到二值化缺陷图像。
进一步的，所述的一种基于人工智能的纸制品缺陷检测方法，对R通道、G通道、B通道和亮度通道I图像进行分析得到包含缺陷区域和非缺陷区域的色彩注意力二值图的方法为：
分别将R通道、G通道、B通道和亮度通道I图像均分为多个子块；
分别通过R通道、G通道、B通道和亮度通道I图像对应的多个子块计算R通道、G通道、B通道和亮度通道I图像每两个子块之间的色彩对比度和空间权值因子；
通过R通道、G通道、B通道和亮度通道I图像每两个子块之间的色彩对比度和空间权值因子计算R通道、G通道、B通道和亮度通道I图像各子块的注意力指标值；
通过R通道、G通道、B通道和亮度通道I图像各子块的注意力指标值得到各子块的最终注意力指标值；
对最终注意力指标值进行归一化处理，得到归一化后的最终注意力指标值；
对归一化后的最终注意力指标值设置注意力指标阈值，若归一化后的最终注意力指标值高于注意力指标阈值，将对应子块像素点的像素值置为1；若归一化后的最终注意力指标值低于注意力指标阈值，将对应子块像素点的像素值置为0，得到色彩注意力二值图。
进一步的，所述的一种基于人工智能的纸制品缺陷检测方法，对得到的一个低频图像和三个高频图像再处理的方法为：
先对低频图像对应的小波系数进行归一化处理，再对低频图像进行伽马变换，即得到处理后的低频图像；
分别对三个高频图像对应的小波系数设置小波系数阈值，将低于小波系数阈值的小波系数置零，高于小波系数阈值的小波系数保留，得到处理后的三个高频图像；
对处理后的低频图像和三个高频图像进行小波逆变换，得到逆变换后的图像；
将逆变换后的图像中像素值处于设定范围内的像素点的像素值置0，不属于设定范围内的像素点的像素值置1，得到频域注意力二值图。
进一步的，所述的一种基于人工智能的纸制品缺陷检测方法，通过色彩注意力二值图和频域注意力二值图得到二值化缺陷图像的方法为：
通过对色彩注意力二值图和频域注意力二值图设定不同权值得到融合图像；
对融合图像中各像素点的像素值设置像素阈值，若像素点的像素值高于像素阈值时，判断对应像素点为缺陷像素点，将对应像素点的像素值置为1；若像素点的像素值低于像素阈值时，判断对应像素点为正常像素点，将对应像素点的像素值置为0，得到二值化缺陷图像。
进一步的，所述的一种基于人工智能的纸制品缺陷检测方法，所述纸制品的缺陷程度的表达式为：
Figure 429590DEST_PATH_IMAGE002
式中：
Figure DEST_PATH_IMAGE003
表示待检测纸制品的缺陷程度，
Figure 775252DEST_PATH_IMAGE004
表示模型第一参数，
Figure DEST_PATH_IMAGE005
表示模型第一参数，
Figure 442994DEST_PATH_IMAGE006
表示第k个缺陷区域的面积指标，A表示待检测纸制品图像的面积指标，k表示第k个缺陷区域，K表示缺陷连通域数量，即缺陷区域的个数，
Figure DEST_PATH_IMAGE007
表示缺陷差异指标，
Figure 111872DEST_PATH_IMAGE008
表示第k个缺陷区域的分布指标。
进一步的，所述的一种基于人工智能的纸制品缺陷检测方法，所述缺陷区域的分布指标表达式为：
Figure 698712DEST_PATH_IMAGE010
式中：
Figure DEST_PATH_IMAGE011
表示窗口描述子的种类数，窗口内三个像素点的像素值为一个窗口描述子，t表示第t种窗口描述子，
Figure 921882DEST_PATH_IMAGE012
表示第t种窗口描述子在所有窗口描述子中出现的次数。
进一步的，所述的一种基于人工智能的纸制品缺陷检测方法，所述缺陷差异指标的表达式为：
Figure DEST_PATH_IMAGE013
，
Figure 924474DEST_PATH_IMAGE014
式中：
Figure DEST_PATH_IMAGE015
表示第k个缺陷区域的像素灰度均值，
Figure 526487DEST_PATH_IMAGE016
表示标准纸制品对应位置像素灰度均值。
进一步的，所述的一种基于人工智能的纸制品缺陷检测方法，所述色彩对比度的表达式为：
Figure 221911DEST_PATH_IMAGE018
式中：
Figure DEST_PATH_IMAGE019
表示子块
Figure 666799DEST_PATH_IMAGE020
和子块
Figure DEST_PATH_IMAGE021
之间的色彩对比度，
Figure 535398DEST_PATH_IMAGE022
表示子块
Figure 444448DEST_PATH_IMAGE020
图像内R通道值/G通道值/B通道值/亮度通道I值的种类，
Figure DEST_PATH_IMAGE023
表示子块
Figure 982876DEST_PATH_IMAGE021
图像内R通道值/G通道值/B通道值/亮度通道I值的种类，
Figure 977377DEST_PATH_IMAGE024
表示子块
Figure 131891DEST_PATH_IMAGE020
中第
Figure DEST_PATH_IMAGE025
种通道值在子块
Figure 895447DEST_PATH_IMAGE020
中出现的频次，
Figure 604777DEST_PATH_IMAGE026
表示子块
Figure 86574DEST_PATH_IMAGE021
中第
Figure DEST_PATH_IMAGE027
种通道值在子块
Figure 296976DEST_PATH_IMAGE021
中出现的频次，
Figure 915039DEST_PATH_IMAGE028
表示子块
Figure 60849DEST_PATH_IMAGE020
的第
Figure 764363DEST_PATH_IMAGE025
种通道值与子块
Figure 184980DEST_PATH_IMAGE021
的第
Figure 736178DEST_PATH_IMAGE027
种通道值在R通道/G通道/B通道/亮度通道I色彩空间中的距离。
进一步的，所述的一种基于人工智能的纸制品缺陷检测方法，所述空间权值因子的表达式为：
Figure 849628DEST_PATH_IMAGE030
式中：
Figure DEST_PATH_IMAGE031
表示子块
Figure 978121DEST_PATH_IMAGE021
对于子块
Figure 468008DEST_PATH_IMAGE020
的空间权值因子，
Figure 122980DEST_PATH_IMAGE032
表示子块
Figure 407331DEST_PATH_IMAGE020
和子块
Figure 85437DEST_PATH_IMAGE021
之间的距离。
本发明的有益效果是：本发明通过图像数据实现对纸制品的缺陷进行识别，基于图像数据的各像素点进行分析，准确提取出缺陷区域，相比人工目视识别缺陷区域具有精度高、识别速度快等优点。同时，建立缺陷区域特征提取模型，对纸制品的缺陷状况进行精确表征，避免人为评估的主观性，可以快速准确地对纸制品的缺陷状况进行评估、检测，具有准确性高、检测速度快等效果。
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为本发明的流程示意图。
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
本发明的一种基于人工智能的纸制品缺陷检测方法的实施例，如图1所示，包括：
对采集的纸制品图像进行预处理，得到预处理纸制品RGB图像；
首先，在待检测纸制品上方布置图像采集设备，通过相机对纸制品进行图像采集，对于相机位置以及相机拍摄范围的设置，实施者根据实际情况自行设定。本实施例中，相机位于纸制品上方，采集待检测纸制品表面的正视图像，便于对纸制品表面异常特征指标进行分析提取。
相机采集到纸制品图像之后，考虑到纸制品加工生产等工业环境较为复杂，图像采集过程中将会产生大量的图像噪声，影响纸制品图像的高质量采集，因此，为提高系统检测精度，本发明将对相机所采集的图像进行预处理。本发明所述预处理包括图像滤波去噪以及图像增强处理，具体图像去噪及增强现有公知技术有很多，本实施例不做相关阐述。
该步骤的目的是采集待分析的图像数据，并对所述图像数据进行初步的预处理操作，获取高质量的图像数据，用于后续对纸制品缺陷情况进行检测、分析。
至此，即可根据所述方法获取质量较高的纸制品图像，该图像为RGB图像，用于后续对纸制品图像进行缺陷识别及特征提取，以便对其表面缺陷状况进行评估。
提取预处理纸制品RGB图像中的缺陷区域，利用提取的缺陷区域将预处理纸制品RGB图像转化为二值化缺陷图像；
本实施例考虑到当纸制品表面出现黑斑、亮点、油斑等缺陷时，图像中的色彩特征变化较为明显，当纸制品出现刮痕、破损、褶皱等缺陷时，图像中的纹理特征显著，因此，本发明将基于图像的特征信息建立对应的注意力机制模型，以凸显纸制品表面的各缺陷区域，使缺陷特征更加显著，准确识别图像中的缺陷区域，便于后续对缺陷区域进行特征提取，分析纸制品的表面状况。所述缺陷区域提取过程具体为：
首先，本发明将基于图像数据的色彩特征信息建立色彩注意力机制，以凸显图像中的黑斑、亮点、油斑等缺陷区域特征，突出图像中的感兴趣区域，避免无关区域的影响，增加缺陷检测精度，所述色彩注意力机制具体为：
获取图像的R、G、B色彩三通道图像数据，将RBG图像转换到HSI空间，即可得到对应的HSI图像数据，获取亮度通道I所对应的图像数据，用于后续亮度通道注意力机制分析，在此需要说明，将RGB图像进行HSI颜色空间转换过程为现有公知技术，不在本发明保护范围内，不做详细阐述。分别对各通道图像进行处理分析，获取各通道所对应的注意力机制图，避免色彩混叠以及颜色亮度之间的影响对图像注意力机制的准确提取。进一步，建立注意力机制模型，获取各通道图像所对应的注意力机制图。
注意力指标计算过程为：
对于各通道图像数据，为使得注意力指标计算的更加准确、快速，本发明首先将图像分为各个子块，本实施例以R通道为例，将R通道图像数据均分为多个子块，对各子块R通道值的数量进行统计，构建对应的直方图，进一步获取各子块之间的色彩对比度，表达式为：
Figure 51119DEST_PATH_IMAGE018
式中：
Figure 498281DEST_PATH_IMAGE019
表示子块
Figure 953533DEST_PATH_IMAGE020
和子块
Figure 931984DEST_PATH_IMAGE021
之间的色彩对比度，
Figure 763674DEST_PATH_IMAGE022
表示子块
Figure 3026DEST_PATH_IMAGE020
图像内R通道值的种类，
Figure 629179DEST_PATH_IMAGE023
表示子块
Figure 281877DEST_PATH_IMAGE021
图像内R通道值的种类，
Figure 713996DEST_PATH_IMAGE024
为子块
Figure 870171DEST_PATH_IMAGE020
中第p种通道值在子块
Figure 932804DEST_PATH_IMAGE020
中出现的频次，
Figure 744903DEST_PATH_IMAGE026
为子块
Figure 183974DEST_PATH_IMAGE021
中第
Figure 194656DEST_PATH_IMAGE027
种通道值在子块
Figure 241240DEST_PATH_IMAGE021
中出现的频次，
Figure 602951DEST_PATH_IMAGE028
为子块
Figure 252239DEST_PATH_IMAGE020
的第p种通道值与子块
Figure 383006DEST_PATH_IMAGE021
的第
Figure 787442DEST_PATH_IMAGE027
种通道值在R通道色彩空间中的距离，在此需要说明，所述R通道的区域范围为[0,255]。然后，基于通道色彩对比度对各子块的注意力指标值进行分析，同时，为体现空间关系的显著性，增强空间信息，本发明将基于各子块的空间信息构建子块空间权值因子，用于体现注意力指标计算时的空间信息，所述空间权值因子为：
Figure 698766DEST_PATH_IMAGE030
式中：
Figure 214061DEST_PATH_IMAGE031
表示子块
Figure 199335DEST_PATH_IMAGE021
对于子块
Figure 712356DEST_PATH_IMAGE020
的空间权值因子，
Figure 48659DEST_PATH_IMAGE032
表示子块
Figure 102066DEST_PATH_IMAGE020
和子块
Figure 17545DEST_PATH_IMAGE021
之间的距离，可通过欧氏距离、曼哈顿距离等度量公式计算。
最后，基于子块色彩对比度以及空间信息构建注意力指标计算模型：
Figure 763784DEST_PATH_IMAGE034
式中：
Figure DEST_PATH_IMAGE035
为子块总数量，
Figure 525066DEST_PATH_IMAGE036
为R通道图像子块
Figure 382164DEST_PATH_IMAGE020
的注意力指标值，
Figure DEST_PATH_IMAGE037
为子块
Figure 669926DEST_PATH_IMAGE020
到图像中心点的距离。为提高系统准确度，所述子块的数量尽可能多，以便准确表征图像各区域的注意力指标值。
至此，即可得到R通道图像数据基于色彩特征的各子块的注意力指标，同样的，通过本发明上述方法获取G通道、B通道以及亮度通道I图像数据所对应的各子块的注意力指标值，最终，基于各通道子块的注意力指标值，计算图像各子块的最终注意力指标值：
Figure DEST_PATH_IMAGE039
式中：
Figure 524749DEST_PATH_IMAGE040
表示子块
Figure 835645DEST_PATH_IMAGE020
最终的注意力指标值，
Figure DEST_PATH_IMAGE041
分别为子块
Figure 309483DEST_PATH_IMAGE020
在R通道、G通道、B通道以及I通道图像数据中所获取的注意力指标值。
根据所述方法可获取图像中各子块的最终注意力指标值，并对模型进行归一化处理，保证注意力指标模型函数值处于（0,1），便于对图像中的缺陷区域进行提取识别，所述归一化过程为公知技术，不在本发明保护范围内，不做相关阐述。本实施例对各通道进行单独处理，获取各通道对应的注意力机制图，可有效防止色彩混叠对缺陷区域识别造成的影响，提高缺陷提取精度。
获取各子块所对应的最终注意力指标值后，本发明将对其进行预设注意力指标阈值，当所述最终注意力指标值高于预设阈值时，将对应子块像素点的像素值置为1，当低于所述阈值时，将对应子块内的像素点的像素值置为0，在此需要说明，所述注意力指标阈值为0.7，至此，即可根据色彩注意力指标值获取图像数据所对应的色彩注意力机制图像，记为
Figure 123855DEST_PATH_IMAGE042
；
进一步，为凸显图像中的纹理信息，保证准确识别纸制品表面的刮痕、破损、褶皱等缺陷，本发明将基于频域变换空间获取图像的纹理特征信息，以便于提取识别纸制品表面纹理变化明显的缺陷区域，对于待分析纸制品图像，本发明对其进行小波变换，获取一个低频图像和三个高频图像，分别对其进行设置对应的注意力机制：
小波变换之后直接得到的是小波系数，所述小波系数与像素点的灰度值是不同的，但是各位置处的小波系数能够反映该处像素点的灰度值，考虑到小波系数存在有正有负的情况，对于所述低频图像，在进行频域注意力指标值提取时，本发明首先对低频图像所对应的小波系数进行归一化处理，保证小波系数值处于[0,1]，所述归一化现有技术及方法有很多，不在本发明保护范围内，不做相关阐述。获取低频图像所对应的归一化小波系数后，本发明将通过伽马变换对低频图像进行处理，具体为：
Figure DEST_PATH_IMAGE043
，
Figure 680738DEST_PATH_IMAGE044
为变换后的低频图像，
Figure DEST_PATH_IMAGE045
为变换前的低频图像，
Figure 275668DEST_PATH_IMAGE046
为伽马变换常数，本发明取值为1，
Figure DEST_PATH_IMAGE047
为变换指数，实施者可根据实际情况进行设定，本发明中取值设置为
Figure 677830DEST_PATH_IMAGE048
，所述低频图像的伽马变换可以增加图像中的对比度，使得图像中的异常区域更加突出；
对于小波变换后的三个高频图像，本发明将基于对小波系数的分析提升图像纹理信息的注意力，首先设置一个小波系数阈值T，将低于所述小波系数阈值的小波系数置零，高于所述阈值的小波系数保留，所述小波系数阈值T的设定实施者可自行设定，本发明将自适应的对阈值进行设置为：
Figure DEST_PATH_IMAGE049
，式中，
Figure 612288DEST_PATH_IMAGE050
为第
Figure 949860DEST_PATH_IMAGE050
个高频图像，
Figure DEST_PATH_IMAGE051
为第
Figure 704189DEST_PATH_IMAGE050
个高频图像的小波系数阈值，
Figure 910043DEST_PATH_IMAGE052
为第
Figure 699007DEST_PATH_IMAGE050
个高频图像所对应的小波系数均值，基于所述方法对各高频图像所对应的小波系数均进行处理，该方法可对高频图像中的无关系数进行滤除，进一步增加图像中纹理信息的注意力，将经过处理后的高频图像分别记为
Figure DEST_PATH_IMAGE053
；
对频域变换后的低频图像、高频图像进行处理后，基于处理后的频域图像
Figure 191168DEST_PATH_IMAGE054
进行小波逆变换，获取经过逆变换之后的图像，进一步对其进行二值化处理，也即像素值处于
Figure DEST_PATH_IMAGE055
范围内的像素点作为纸制品表面正常的像素点，将对应像素点的像素值置为0，像素值处于范围
Figure 901635DEST_PATH_IMAGE055
之外的像素点作为感兴趣的像素点，将所有感兴趣像素点的像素值置为1，得到频域注意力机制图像，记为
Figure 707917DEST_PATH_IMAGE056
，用于后续对缺陷区域进行提取；
最后，基于本实施例所述方法获取色彩注意力机制图像
Figure 164437DEST_PATH_IMAGE042
和频域注意力机制图像
Figure 765183DEST_PATH_IMAGE056
，均为二值化图像，进一步将基于所述色彩注意力机制图像以及频域注意力机制图像，建立缺陷区域识别模型，以准确识别纸制品表面图像数据中的ROI区域，也即缺陷区域。所述缺陷区域识别模型为：
Figure 494105DEST_PATH_IMAGE058
式中：
Figure DEST_PATH_IMAGE059
为色彩注意力机制图像的权值，
Figure 307340DEST_PATH_IMAGE060
为频域注意力机制图像的权值，实施者可自行设定，
Figure DEST_PATH_IMAGE061
表示融合图像，本发明将基于图像数据中的频域指标对模型权值进行设定，避免针对不同的图像均采用人为设定固定权值的主观性，提高系统识别精度。所述模型权值设定具体为：对于频域变换后的各小波系数，基于小波系数阈值对各高频图像对应的小波系数进行过滤，该阈值为各高频图像所对应的小波系数均值，统计过滤后高频图像中非零小波系数的个数，记为
Figure 133213DEST_PATH_IMAGE062
，基于此对频域注意力机制图像权值进行设定：
Figure DEST_PATH_IMAGE063
，式中，
Figure 108123DEST_PATH_IMAGE064
为图像数据进行小波变换后小波系数的总数，则对应色彩注意力机制图的权值为：
Figure DEST_PATH_IMAGE065
。
至此，即可得到基于色彩注意力机制图像
Figure 589920DEST_PATH_IMAGE042
和频域注意力机制图像
Figure 548124DEST_PATH_IMAGE056
融合处理后的图像
Figure 166187DEST_PATH_IMAGE061
，进一步，对图像
Figure 46418DEST_PATH_IMAGE061
中各点的像素值进行阈值T设定，当像素值高于阈值T时，认为对应像素点为缺陷像素点，将其像素值设置为1，否则为正常像素点，像素值设置为0，得到最终的缺陷图像，所述缺陷图像为二值化图像，便于后续对缺陷程度进行分析。所述融合处理后的图像的像素值阈值实施者可自行设定，本发明将其设置为T=0.3。
至此，即可准确得到纸制品表面的缺陷区域，将最终缺陷识别模型所获取的图像数据记为缺陷图像，作为缺陷特征参数提取的基础，实现对缺陷情况的精确检测。
基于所述缺陷图像对纸制品表面的缺陷特征参数进行提取，所述特征参数具体为：
统计二值化缺陷图像中各缺陷区域内像素个数之和，得到各缺陷区域的面积指标；
首先对缺陷图像中的缺陷连通域进行统计，获取各缺陷区域面积指标，所述缺陷面积指标为对应缺陷区域内像素个数之和。
利用二值化缺陷图像的缺陷区域提取RGB图像中的缺陷区域获得缺陷RGB图像；
然后基于所述缺陷图像，将其作为掩膜，与对应的原RGB图像数据进行相乘操作，以提取缺陷区域所对应的RGB图像，记为缺陷RGB图像。
通过缺陷RGB图像中各缺陷区域的像素灰度均值和标准纸制品对应位置像素灰度均值得到各缺陷区域的缺陷差异指标；
本实施例获取所述缺陷RGB图像中缺陷区域的像素灰度均值：
Figure 484353DEST_PATH_IMAGE015
，代表第k个缺陷区域的灰度均值，进一步获取标准纸制品对应位置像素灰度均值
Figure 436128DEST_PATH_IMAGE016
，标准纸制品为没有缺陷的纸制品，
Figure 971015DEST_PATH_IMAGE016
为标准纸制品图像中与缺陷区域对应位置的像素点的像素灰度均值，获取缺陷差异指标：
Figure 350044DEST_PATH_IMAGE066
，
Figure 275274DEST_PATH_IMAGE014
，K为缺陷连通域数量，即缺陷区域的个数。
在缺陷RGB图像中各缺陷区域滑窗，统计每一个窗口内像素点的像素值和该像素值出现的次数，得到各缺陷区域的缺陷分布指标；
同时，为准确对缺陷区域的缺陷情况进行检测，本实施例将对各缺陷区域的分布情况进行检测，所述缺陷区域分布特征提取为：对于缺陷区域，首先设定1*3的滑动窗口，对缺陷区域进行从左至右从上到下，步长为3的滑动，将窗口内的三个像素点的像素值作为一个窗口描述子
Figure DEST_PATH_IMAGE067
，
Figure 968424DEST_PATH_IMAGE068
分别代表窗口内左边、中间和右边位置处像素点所对应的像素值，通过所述滑动窗口对缺陷区域进行遍历，可得到R个窗口描述子，将所提取的窗口描述子的种类数记为
Figure 374129DEST_PATH_IMAGE011
，则统计每种窗口描述子在所有R个窗口描述子中出现的次数，记为
Figure 658479DEST_PATH_IMAGE012
，代表第t种窗口描述子在所获取的R个窗口描述子中出现的次数，并基于此建立缺陷区域分布指标计算模型，用于提取缺陷区域的结构分布情况，所述缺陷区域分布指标模型为：
Figure DEST_PATH_IMAGE069
，
Figure 274268DEST_PATH_IMAGE008
为第k个缺陷区域的分布指标，所述缺陷分布指标函数值越大，则认为对应缺陷区域缺陷情况越严重。
至此，根据本实施例所述方法获取纸制品各缺陷区域的特征参数，用于对纸制品缺陷情况进行检测评估，便于检测人员直观了解纸制品生产效率及成品率。
通过各缺陷区域的面积指标、缺陷差异指标、缺陷分布指标计算纸制品的缺陷程度，根据纸制品缺陷程度的大小判断纸制品是否合格。
构建纸制品缺陷检测模型，对纸制品表面缺陷情况进行评估检测，便于相关检测人员直观了解纸制品的质量。
根据上述步骤可对纸制品表面的缺陷区域进行提取，并对各缺陷区域的特征参数进行提取，本实施例将基于此对纸制品缺陷状况进行检测，建立纸制品缺陷检测模型：
Figure 302267DEST_PATH_IMAGE002
式中：
Figure 749429DEST_PATH_IMAGE003
为待检测纸制品的缺陷程度，
Figure 532577DEST_PATH_IMAGE004
表示模型第一参数，
Figure 697980DEST_PATH_IMAGE005
表示模型第一参数，实施者可自行设定，本发明将其设置为
Figure 264090DEST_PATH_IMAGE070
，
Figure 503442DEST_PATH_IMAGE006
为第k个缺陷区域的面积指标，A为待检测纸制品图像的面积指标,即为待检测纸制品图像中所有像素点的总数，模型函数值越大，则认为待检测纸制品的缺陷越严重，对应纸制品状况越不好，对模型进行归一化处理，保证函数值处于[0,1]，考虑到纸制品在生产出厂时低程度的缺陷不足以影响后续使用，不足以影响纸制品使用时的密封等效果，当所述模型高于0.35时，本发明认为纸制品缺陷较为严重，不满足出厂要求及市场应用条件，需要进行再次加工修复，降低了纸制品的残次品率，避免资源浪费。
至此，本实施例完成。
本发明通过图像数据实现对纸制品的缺陷进行识别，基于图像数据的各像素点进行分析，准确提取出缺陷区域，相比人工目视识别缺陷区域具有精度高、识别速度快等优点。同时，建立缺陷区域特征提取模型，对纸制品的缺陷状况进行精确表征，避免人为评估的主观性，可以快速准确地对纸制品的缺陷状况进行评估、检测，具有准确性高、检测速度快等效果。
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 (10)

1.一种基于人工智能的纸制品缺陷检测方法，其特征在于，包括：
对采集的纸制品图像进行预处理，得到预处理纸制品RGB图像；
提取预处理纸制品RGB图像中的缺陷区域，利用提取的缺陷区域将预处理纸制品RGB图像转化为二值化缺陷图像；
统计二值化缺陷图像中各缺陷区域内像素个数之和，得到各缺陷区域的面积指标；
利用二值化缺陷图像的缺陷区域提取RGB图像中的缺陷区域获得缺陷RGB图像；
通过缺陷RGB图像中各缺陷区域的像素灰度均值和标准纸制品对应位置像素灰度均值得到各缺陷区域的缺陷差异指标；
在缺陷RGB图像中各缺陷区域滑窗，统计每一个窗口内像素点的像素值和该像素值出现的次数，得到各缺陷区域的缺陷分布指标；
通过各缺陷区域的面积指标、缺陷差异指标、缺陷分布指标计算纸制品的缺陷程度，根据纸制品缺陷程度的大小判断纸制品是否合格。
2.根据权利要求1所述的一种基于人工智能的纸制品缺陷检测方法，其特征在于，提取预处理纸制品RGB图像中的缺陷区域的方法为：
通过预处理纸制品RGB图像获取R通道、G通道、B通道和亮度通道I图像；
对R通道、G通道、B通道和亮度通道I图像进行分析得到包含缺陷区域和非缺陷区域的色彩注意力二值图；
对预处理纸制品RGB图像进行小波变换得到一个低频图像和三个高频图像；
对得到的一个低频图像和三个高频图像再处理得到包含缺陷区域和非缺陷区域的频域注意力二值图；
通过色彩注意力二值图和频域注意力二值图得到二值化缺陷图像。
3.根据权利要求2所述的一种基于人工智能的纸制品缺陷检测方法，其特征在于，对R通道、G通道、B通道和亮度通道I图像进行分析得到包含缺陷区域和非缺陷区域的色彩注意力二值图的方法为：
分别将R通道、G通道、B通道和亮度通道I图像均分为多个子块；
分别通过R通道、G通道、B通道和亮度通道I图像对应的多个子块计算R通道、G通道、B通道和亮度通道I图像每两个子块之间的色彩对比度和空间权值因子；
通过R通道、G通道、B通道和亮度通道I图像每两个子块之间的色彩对比度和空间权值因子计算R通道、G通道、B通道和亮度通道I图像各子块的注意力指标值；
通过R通道、G通道、B通道和亮度通道I图像各子块的注意力指标值得到各子块的最终注意力指标值；
对最终注意力指标值进行归一化处理，得到归一化后的最终注意力指标值；
对归一化后的最终注意力指标值设置注意力指标阈值，若归一化后的最终注意力指标值高于注意力指标阈值，将对应子块像素点的像素值置为1；若归一化后的最终注意力指标值低于注意力指标阈值，将对应子块像素点的像素值置为0，得到色彩注意力二值图。
4.根据权利要求2所述的一种基于人工智能的纸制品缺陷检测方法，其特征在于，对得到的一个低频图像和三个高频图像再处理的方法为：
先对低频图像对应的小波系数进行归一化处理，再对低频图像进行伽马变换，即得到处理后的低频图像；
分别对三个高频图像对应的小波系数设置小波系数阈值，将低于小波系数阈值的小波系数置零，高于小波系数阈值的小波系数保留，得到处理后的三个高频图像；
对处理后的低频图像和三个高频图像进行小波逆变换，得到逆变换后的图像；
将逆变换后的图像中像素值处于设定范围内的像素点的像素值置0，不属于设定范围内的像素点的像素值置1，得到频域注意力二值图。
5.根据权利要求2所述的一种基于人工智能的纸制品缺陷检测方法，其特征在于，通过色彩注意力二值图和频域注意力二值图得到二值化缺陷图像的方法为：
通过对色彩注意力二值图和频域注意力二值图设定不同权值得到融合图像；
对融合图像中各像素点的像素值设置像素阈值，若像素点的像素值高于像素阈值时，判断对应像素点为缺陷像素点，将对应像素点的像素值置为1；若像素点的像素值低于像素阈值时，判断对应像素点为正常像素点，将对应像素点的像素值置为0，得到二值化缺陷图像。
6.根据权利要求1所述的一种基于人工智能的纸制品缺陷检测方法，其特征在于，所述纸制品的缺陷程度的表达式为：
Figure DEST_PATH_IMAGE001
式中：
Figure 564482DEST_PATH_IMAGE002
表示待检测纸制品的缺陷程度，
Figure 788790DEST_PATH_IMAGE003
表示模型第一参数，
Figure 115866DEST_PATH_IMAGE004
表示模型第一参数，
Figure 603479DEST_PATH_IMAGE005
表示第k个缺陷区域的面积指标，A表示待检测纸制品图像的面积指标，k表示第k个缺陷区域，K表示缺陷连通域数量，即缺陷区域的个数，
Figure 281585DEST_PATH_IMAGE006
表示缺陷差异指标，
Figure 309584DEST_PATH_IMAGE007
表示第k个缺陷区域的分布指标。
7.根据权利要求6所述的一种基于人工智能的纸制品缺陷检测方法，其特征在于，所述缺陷区域的分布指标表达式为：
Figure 566865DEST_PATH_IMAGE008
式中：
Figure DEST_PATH_IMAGE009
表示窗口描述子的种类数，窗口内三个像素点的像素值为一个窗口描述子，t表示第t种窗口描述子，
Figure 225380DEST_PATH_IMAGE010
表示第t种窗口描述子在所有窗口描述子中出现的次数。
8.根据权利要求6所述的一种基于人工智能的纸制品缺陷检测方法，其特征在于，所述缺陷差异指标的表达式为：
Figure 390782DEST_PATH_IMAGE011
，
Figure 956892DEST_PATH_IMAGE012
式中：
Figure 586457DEST_PATH_IMAGE013
表示第k个缺陷区域的像素灰度均值，
Figure 212610DEST_PATH_IMAGE014
表示标准纸制品对应位置像素灰度均值。
9.根据权利要求3所述的一种基于人工智能的纸制品缺陷检测方法，其特征在于，所述色彩对比度的表达式为：
Figure 802992DEST_PATH_IMAGE015
式中：
Figure 438372DEST_PATH_IMAGE016
表示子块
Figure DEST_PATH_IMAGE017
和子块
Figure 407597DEST_PATH_IMAGE018
之间的色彩对比度，
Figure 470230DEST_PATH_IMAGE019
表示子块
Figure 282329DEST_PATH_IMAGE017
图像内R通道值/G通道值/B通道值/亮度通道I值的种类，
Figure 455821DEST_PATH_IMAGE020
表示子块
Figure 732082DEST_PATH_IMAGE018
图像内R通道值/G通道值/B通道值/亮度通道I值的种类，
Figure 27934DEST_PATH_IMAGE021
表示子块
Figure 389645DEST_PATH_IMAGE017
中第
Figure 101249DEST_PATH_IMAGE022
种通道值在子块
Figure 169699DEST_PATH_IMAGE017
中出现的频次，
Figure 574136DEST_PATH_IMAGE023
表示子块
Figure 236192DEST_PATH_IMAGE018
中第
Figure 751487DEST_PATH_IMAGE024
种通道值在子块
Figure 736761DEST_PATH_IMAGE018
中出现的频次，
Figure 249782DEST_PATH_IMAGE025
表示子块
Figure 586085DEST_PATH_IMAGE017
的第
Figure 639492DEST_PATH_IMAGE022
种通道值与子块
Figure 807168DEST_PATH_IMAGE018
的第
Figure 553407DEST_PATH_IMAGE024
种通道值在R通道/G通道/B通道/亮度通道I色彩空间中的距离。
10.根据权利要求3所述的一种基于人工智能的纸制品缺陷检测方法，其特征在于，所述空间权值因子的表达式为：
Figure 49110DEST_PATH_IMAGE026
式中：
Figure 906208DEST_PATH_IMAGE027
表示子块
Figure 866074DEST_PATH_IMAGE018
对于子块
Figure 596264DEST_PATH_IMAGE017
的空间权值因子，
Figure 907159DEST_PATH_IMAGE028
表示子块
Figure 302368DEST_PATH_IMAGE017
和子块
Figure 54424DEST_PATH_IMAGE018
之间的距离。
CN202111524296.3A 2021-12-14 2021-12-14 一种基于人工智能的纸制品缺陷检测方法 Pending CN114170208A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111524296.3A CN114170208A (zh) 2021-12-14 2021-12-14 一种基于人工智能的纸制品缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111524296.3A CN114170208A (zh) 2021-12-14 2021-12-14 一种基于人工智能的纸制品缺陷检测方法

Publications (1)

Publication Number Publication Date
CN114170208A true CN114170208A (zh) 2022-03-11

Family

ID=80486243

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111524296.3A Pending CN114170208A (zh) 2021-12-14 2021-12-14 一种基于人工智能的纸制品缺陷检测方法

Country Status (1)

Country Link
CN (1) CN114170208A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114372982A (zh) * 2022-03-22 2022-04-19 山东泗水金阳光纸业有限公司 一种无碳复写纸生产异常检测方法
CN114757900A (zh) * 2022-03-31 2022-07-15 启东新朋莱纺织科技有限公司 基于人工智能的纺织品缺陷类型识别方法
CN114841998A (zh) * 2022-07-01 2022-08-02 山东嘉路包装科技有限公司 基于人工智能的包装印刷异常监测方法
CN114841939A (zh) * 2022-04-24 2022-08-02 启东市鸿盛纺织有限公司 基于图像处理的坯布缺陷程度分析方法
CN114972346A (zh) * 2022-07-29 2022-08-30 山东通达盛石材有限公司 基于计算机视觉的石材识别方法
CN115311288A (zh) * 2022-10-12 2022-11-08 江苏魔视智能科技有限公司 一种汽车贴膜破损检测方法
CN115797299A (zh) * 2022-12-05 2023-03-14 常宝新材料(苏州)有限公司 一种光学复合膜的缺陷检测方法
CN115861294A (zh) * 2023-02-09 2023-03-28 山东天意机械股份有限公司 一种基于计算机视觉的混凝土生产异常检测方法及装置
CN117218114A (zh) * 2023-11-06 2023-12-12 山东滨州安惠绳网集团有限责任公司 一种基于图像数据处理的网状织物缺陷快速检测方法
CN117686430A (zh) * 2024-01-30 2024-03-12 武汉众望包装有限公司 一种宽幅彩色柔版预印瓦楞纸箱的高精柔印智能检测方法
CN117723564A (zh) * 2024-02-18 2024-03-19 青岛华康塑料包装有限公司 基于图像传输的包装袋印刷质量检测方法及检测系统
CN117723564B (zh) * 2024-02-18 2024-04-26 青岛华康塑料包装有限公司 基于图像传输的包装袋印刷质量检测方法及检测系统

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114372982A (zh) * 2022-03-22 2022-04-19 山东泗水金阳光纸业有限公司 一种无碳复写纸生产异常检测方法
CN114372982B (zh) * 2022-03-22 2022-06-17 山东泗水金阳光纸业有限公司 一种无碳复写纸生产异常检测方法
CN114757900A (zh) * 2022-03-31 2022-07-15 启东新朋莱纺织科技有限公司 基于人工智能的纺织品缺陷类型识别方法
CN114841939A (zh) * 2022-04-24 2022-08-02 启东市鸿盛纺织有限公司 基于图像处理的坯布缺陷程度分析方法
CN114841998A (zh) * 2022-07-01 2022-08-02 山东嘉路包装科技有限公司 基于人工智能的包装印刷异常监测方法
CN114841998B (zh) * 2022-07-01 2022-09-06 山东嘉路包装科技有限公司 基于人工智能的包装印刷异常监测方法
CN114972346A (zh) * 2022-07-29 2022-08-30 山东通达盛石材有限公司 基于计算机视觉的石材识别方法
CN114972346B (zh) * 2022-07-29 2022-11-04 山东通达盛石材有限公司 基于计算机视觉的石材识别方法
CN115311288A (zh) * 2022-10-12 2022-11-08 江苏魔视智能科技有限公司 一种汽车贴膜破损检测方法
CN115311288B (zh) * 2022-10-12 2023-03-24 江苏魔视智能科技有限公司 一种汽车贴膜破损检测方法
CN115797299A (zh) * 2022-12-05 2023-03-14 常宝新材料(苏州)有限公司 一种光学复合膜的缺陷检测方法
CN115797299B (zh) * 2022-12-05 2023-09-01 常宝新材料(苏州)有限公司 一种光学复合膜的缺陷检测方法
CN115861294A (zh) * 2023-02-09 2023-03-28 山东天意机械股份有限公司 一种基于计算机视觉的混凝土生产异常检测方法及装置
CN115861294B (zh) * 2023-02-09 2023-05-16 山东天意机械股份有限公司 一种基于计算机视觉的混凝土生产异常检测方法及装置
CN117218114A (zh) * 2023-11-06 2023-12-12 山东滨州安惠绳网集团有限责任公司 一种基于图像数据处理的网状织物缺陷快速检测方法
CN117218114B (zh) * 2023-11-06 2024-01-30 山东滨州安惠绳网集团有限责任公司 一种基于图像数据处理的网状织物缺陷快速检测方法
CN117686430A (zh) * 2024-01-30 2024-03-12 武汉众望包装有限公司 一种宽幅彩色柔版预印瓦楞纸箱的高精柔印智能检测方法
CN117723564A (zh) * 2024-02-18 2024-03-19 青岛华康塑料包装有限公司 基于图像传输的包装袋印刷质量检测方法及检测系统
CN117723564B (zh) * 2024-02-18 2024-04-26 青岛华康塑料包装有限公司 基于图像传输的包装袋印刷质量检测方法及检测系统

Similar Documents

Publication Publication Date Title
CN114170208A (zh) 一种基于人工智能的纸制品缺陷检测方法
CN113989279B (zh) 基于人工智能及图像处理的塑料薄膜质量检测方法
CN114549522B (zh) 基于目标检测的纺织品质量检测方法
CN110097034B (zh) 一种智能人脸健康程度的识别与评估方法
CN110349126B (zh) 一种基于卷积神经网络带标记的钢板表面缺陷检测方法
CN115082418B (zh) 一种汽车零部件精密识别方法
CN109490316A (zh) 一种基于机器视觉的表面缺陷检测算法
CN106780486B (zh) 一种钢板表面缺陷图像提取方法
CN115018844B (zh) 一种基于人工智能的塑料薄膜质量评估方法
CN109507192A (zh) 一种基于机器视觉的磁芯表面缺陷检测方法
CN108181316B (zh) 一种基于机器视觉的竹条缺陷检测方法
Samarawickrama et al. Matlab based automated surface defect detection system for ceremic tiles using image processing
CN114757900A (zh) 基于人工智能的纺织品缺陷类型识别方法
CN113313677B (zh) 一种卷绕锂电池x光图像的质量检测方法
CN109583295B (zh) 一种基于卷积神经网络的转辙机缺口自动检测方法
CN115100206B (zh) 用于具有周期图案纺织物的印花缺陷识别方法
CN109239073A (zh) 一种用于汽车车身的表面缺陷检测方法
CN109886931A (zh) 基于bp神经网络的轮速传感器齿圈表面缺陷检测方法
CN111738931B (zh) 光伏阵列无人机航拍图像的阴影去除算法
CN114332081B (zh) 基于图像处理的纺织品表面异常判定方法
CN113155839A (zh) 一种基于机器视觉的钢板外表面缺陷在线检测方法
CN112862744A (zh) 一种基于超声图像的电容内部缺陷智能检测方法
Singh et al. Machine vision system for tea quality determination-Tea Quality Index (TQI)
CN110009609B (zh) 一种快速检测黄粒米的方法
Haoran et al. Egg crack detection based on support vector machine

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