CN114332079A - 基于图像处理的塑料餐盒裂缝检测方法、装置及介质 - Google Patents
基于图像处理的塑料餐盒裂缝检测方法、装置及介质 Download PDFInfo
- Publication number
- CN114332079A CN114332079A CN202210205608.2A CN202210205608A CN114332079A CN 114332079 A CN114332079 A CN 114332079A CN 202210205608 A CN202210205608 A CN 202210205608A CN 114332079 A CN114332079 A CN 114332079A
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- pixel
- determining
- edge
- 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
Links
- 239000004033 plastic Substances 0.000 title claims abstract description 66
- 229920003023 plastic Polymers 0.000 title claims abstract description 66
- 238000012545 processing Methods 0.000 title claims abstract description 60
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 101
- 238000003708 edge detection Methods 0.000 claims abstract description 24
- 235000012054 meals Nutrition 0.000 claims abstract description 21
- 230000009467 reduction Effects 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000007670 refining Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000005259 measurement Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种基于图像处理的塑料餐盒裂缝检测方法、装置及介质，方法包括：获取塑料餐盒表面的裂缝图像；对所述裂缝图像进行灰度化处理和降噪处理，获得处理后的裂缝图像；采用Canny边缘检测方法对所述处理后的裂缝图像进行边缘检测，确定裂缝边缘；根据所述裂缝边缘，采用基于最小二乘法的中心线拟合法确定中心线，根据所述中心线确定裂缝宽度；基于骨架细化法，根据所述裂缝边缘提取裂缝的骨架图形，根据所述骨架图形确定裂缝长度。本发明的技术方案提高了塑料餐盒裂缝的检测效率，并降低了人工成本。
Description
技术领域
本发明涉及图像处理技术领域，具体而言，涉及一种基于图像处理的塑料餐盒裂缝检测方法、装置及介质。
背景技术
当前，餐饮外卖等行业的快速发展，带动了塑料餐盒的需求量大幅增长。塑料餐盒在生产过程中，由于生产工艺和技术水平的原因，容易产生缺陷，其中，裂缝是塑料餐盒的主要缺陷之一，其具有不易被识别，潜在影响大的特点。因此，为了保证塑料餐盒的质量，需要在生产过程中对塑料餐盒进行裂缝检测，根据裂缝特征及时对生产过程进行干预和调整，以降低损失，例如若塑料餐盒上出现小裂缝的比例过高，则可能是吸塑工艺中塑料板材的韧性较低，可采用韧性更好的塑料板材；若塑料餐盒中出现大裂缝的比例过高，则可能是吸塑工艺中塑料板材的厚度过低，可提高塑料板材的厚度。
目前，对塑料餐盒表面裂缝的检测主要以人工检测为主，由质检人员对生产的塑料餐盒进行抽检，检测裂缝的宽度和长度等特征，根据检测的特征调整生产工艺等。但是，这种方法效率低，人工成本高。
发明内容
本发明解决的问题是如何提高塑料餐盒的裂缝检测效率，并降低人工成本。
为解决上述问题，本发明提供一种基于图像处理的塑料餐盒裂缝检测方法、装置及介质。
第一方面，本发明提供了一种基于图像处理的塑料餐盒裂缝检测方法，包括：
获取塑料餐盒表面的裂缝图像；
对所述裂缝图像进行灰度化处理和降噪处理，获得处理后的裂缝图像；
采用Canny边缘检测方法对所述处理后的裂缝图像进行边缘检测，确定裂缝边缘；
根据所述裂缝边缘，采用基于最小二乘法的中心线拟合法确定裂缝区域的中心线，根据所述中心线确定裂缝宽度；基于骨架细化法，根据所述裂缝边缘提取裂缝的骨架图形，根据所述骨架图形确定裂缝长度。
可选地，所述对所述裂缝图像进行灰度化处理和降噪处理包括：
采用加权平均法对所述裂缝图像进行灰度化处理，获得灰度图像；
采用中值滤波法对所述灰度图像进行降噪处理，获得所述处理后的裂缝图像。
可选地，所述采用Canny边缘检测方法对所述处理后的裂缝图像进行边缘检测包括：
对所述处理后的裂缝图像进行平滑滤波，获得平滑图像；
基于求偏导数的方法，计算所述平滑图像的梯度值；
根据所述平滑图像的梯度值进行非极大值抑制处理，获得边缘点；
基于预设的双阈值通过局部自适应阈值分割算法检测边缘，确定所述裂缝边缘。
可选地，所述裂缝边缘的像素点的像素值为预设值，所述根据所述裂缝边缘，采用基于最小二乘法的中心线拟合法确定裂缝区域的中心线包括：
在所述处理后的裂缝图像中依次搜索像素值为所述预设值的像素点；
当搜索到一个像素值为所述预设值的第一像素点时，确定所述第一像素点的第一坐标；
在所述第一像素点所在行或列中依次搜索像素值为所述预设值的第二像素点，确定所述第二像素点的第二坐标；
根据所述第一坐标和所述第二坐标，确定所述第一像素点和所述第二像素点之间中间点的坐标；
基于最小二乘法，根据搜索到的各个所述第一像素点对应的所述中间点的坐标进行曲线拟合，获得所述中心线。
可选地，所述根据所述中心线确定裂缝宽度包括：
根据所述第一坐标和所述第二坐标确定所述第一像素点对应裂缝的水平宽度或竖直宽度；
对所述中心线进行求导，确定所述第一像素点对应的所述中心点处法线方向与竖直方向之间的夹角，或法线方向与水平方向之间的夹角；
根据所述第一像素点对应的水平宽度和所述法线方向与水平方向之间的夹角确定所述第一像素点处对应的裂缝实际宽度，或根据所述第一像素点对应的竖直宽度和所述法线方向与竖直方向之间的夹角确定所述第一像素点处对应的裂缝实际宽度。
可选地，所述裂缝边缘围成的图像为裂缝轮廓图像，基于骨架细化法，根据所述裂缝边缘提取裂缝的骨架图形包括：
对所述裂缝轮廓图像进行膨胀处理和腐蚀处理，获得所述骨架图形。
可选地，所述根据所述骨架图形确定裂缝长度包括：
基于欧式距离计算公式，根据所述骨架图形中各端点的坐标计算裂缝像素长度；
根据所述裂缝像素长度和预设的像素比例系数计算裂缝实际长度。
第二方面，本发明提供了一种基于图像处理的塑料餐盒裂缝检测装置，包括：
获取模块，用于获取塑料餐盒表面的裂缝图像；
处理模块，用于对所述裂缝图像进行灰度化处理和降噪处理，获得处理后的裂缝图像；
检测模块，用于采用Canny边缘检测方法对所述处理后的裂缝图像进行边缘检测，确定裂缝边缘；
计算模块，用于根据所述裂缝边缘，采用基于最小二乘法的中心线拟合法确定裂缝区域的中心线，根据所述中心线确定裂缝宽度；基于骨架细化法，根据所述裂缝边缘提取裂缝的骨架图形，根据所述骨架图形确定裂缝长度。
第三方面，本发明提供了一种电子设备，包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如第一方面任一项所述的基于图像处理的塑料餐盒裂缝检测方法。
第四方面，本发明提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如第一方面任一项所述的基于图像处理的塑料餐盒裂缝检测方法。
本发明的基于图像处理的塑料餐盒裂缝检测方法、装置及介质的有益效果是：可通过摄像头等图像采集装置获取塑料餐盒表面的裂缝图像，对裂缝图像进行灰度化处理和降噪处理，能够突出裂缝的特征，滤除干扰特征，有利于后续检测裂缝长度和宽度的准确性。采用Canny边缘检测方法从处理后的裂缝图像中提取出裂缝边缘，基于裂缝边缘上的各个边缘点，采用基于最小二乘法的中心线拟合法拟合出裂缝区域的中心线，根据中心线确定裂缝宽度，使得裂缝宽度的计算不受裂缝方向的影响，提高了裂缝宽度的计算速度和准确性。基于骨架细化法对裂缝边缘图形进行细化，获得单像素的骨架图形，能够去除与裂缝连续性不相关的像素点，减少了与裂缝连续性不相关的像素点对裂缝长度计算的干扰，提高了裂缝长度的计算速度和准确性。并且，相较于现有技术中通过人工进行检测，本发明通过电子设备进行自动化处理，不仅提高了裂缝检测效率，还降低了人工成本。
附图说明
图1为本发明实施例的一种基于图像处理的塑料餐盒裂缝检测方法的流程示意图；
图2为本发明另一实施例的一种基于图像处理的塑料餐盒裂缝检测装置的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。
应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”；术语“可选地”表示“可选的实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
如图1所示，本发明实施例提供的一种基于图像处理的塑料餐盒裂缝检测方法，包括：
步骤S110，获取塑料餐盒表面的裂缝图像。
具体地，可预先检测塑料餐盒表面是否存在裂缝缺陷，例如采用公开号为CN113947598A的现有专利检测塑料餐盒表面是否存在裂缝，或采集塑料餐盒的裂缝图像为样本，训练深度学习模型，用以检测塑料餐盒的裂缝图像。若检测到塑料餐盒表面存在裂缝，则获取或拍摄裂缝图像。可采用CCD高清摄像机对塑料餐盒表面进行拍照，由于图像采集过程中，裂缝可能会收到相机距离偏差、采集角度、镜头畸变和图像缩放等因素影响，因此在拍摄图像时，应尽量选择光线明亮的环境，相机尽量保持平稳，且拍摄范围尽可能大。
步骤S120，对所述裂缝图像进行灰度化处理和降噪处理，获得处理后的裂缝图像。
具体地，对裂缝图像进行灰度化处理和降噪处理的目的是，降低裂缝图像中的干扰项，便于从裂缝图像中精确提取出裂缝边缘。
步骤S130，采用Canny边缘检测方法对所述处理后的裂缝图像进行边缘检测，确定裂缝边缘。
具体地，塑料餐盒表面的裂缝大多为狭长形状的裂缝，其开裂方向具有不确定性，但是裂缝通常会沿着开裂的方向发展，裂缝的形成具有一定的连续性，与未开裂部分相比，裂缝区域相较于其它区域的颜色不同，例如在深色背景中拍摄裂缝图像时，裂缝区域的颜色较深，其它区域的颜色较浅。Canny边缘检测方法具有较低的信噪比和较高的定位精度，采用Canny边缘检测方法提取裂缝边缘，具有低错误率、高响应速度和高定位精度的有点，同时能够消除噪声干扰和提高边缘定位精度。
步骤S140，根据所述裂缝边缘，采用基于最小二乘法的中心线拟合法确定裂缝区域的中心线，根据所述中心线确定裂缝宽度；基于骨架细化法，根据所述裂缝边缘提取裂缝的骨架图形，根据所述骨架图形确定裂缝长度。
本实施例中，可通过摄像头等图像采集装置获取塑料餐盒表面的裂缝图像，对裂缝图像进行灰度化处理和降噪处理，能够突出裂缝的特征，滤除干扰特征，有利于后续检测裂缝长度和宽度的准确性。采用Canny边缘检测方法从处理后的裂缝图像中提取出裂缝边缘，基于裂缝边缘上的各个边缘点，采用基于最小二乘法的中心线拟合法拟合出裂缝区域的中心线，根据中心线确定裂缝宽度，使得裂缝宽度的计算不受裂缝方向的影响，提高了裂缝宽度的计算速度和准确性。基于骨架细化法对裂缝边缘图形进行细化，获得单像素的骨架图形，能够去除与裂缝连续性不相关的像素点，减少了与裂缝连续性不相关的像素点对裂缝长度计算的干扰，提高了裂缝长度的计算速度和准确性。并且，相较于现有技术中通过人工进行检测，本发明通过电子设备进行自动化处理，不仅提高了裂缝检测效率，还降低了人工成本。
可选地，所述对所述裂缝图像进行灰度化处理和降噪处理包括：
采用加权平均法对所述裂缝图像进行灰度化处理，获得灰度图像。
具体地，基于加权平均法，采用第一公式对裂缝图像进行灰度化处理，第一公式包括：
其中，
表示裂缝图像的灰度，
表示裂缝图像的红色分量，
表示红色分量的权重，可取为0.3，
表示绿色分量，
表示绿色分量的权重，可取为0.59，
表示蓝色分量，
表示蓝色分量的权重，可取为0.11。
采用中值滤波法对所述灰度图像进行降噪处理，获得所述处理后的裂缝图像。
具体地，采用中值滤波法对灰度图像进行锐化和去噪，能够避免图像模糊，中值滤波的原理是将图形中某一点领域内的所有像素点按像素值大小进行排序，取像素值的中位数作为中心像素点的输出值。假设选用
正方形窗口，中值滤波法可采用第二公式表示，第二公式包括：
其中，
表示大于或等于3的正整数，
表示正方形窗口中的中心点，
表示中心点
处的灰度值，
表示对正方形窗口各像素点的像素值求中值。
可选地，所述采用Canny边缘检测方法对所述处理后的裂缝图像进行边缘检测包括：
对所述处理后的裂缝图像进行平滑滤波，获得平滑图像。
具体地，可采用高斯滤波器和卷积公式对处理后的裂缝图像进行平滑和去噪处理，获得平滑图像。
基于求偏导数的方法，计算所述平滑图像的梯度值。
具体地，可运用导数函数对边界进行检测，根据倒数算法对灰度直方图中的密度分布函数进行求导偏运算，得到梯度值。还可对夹角进行三角函数逆运算，得到夹角。
根据所述平滑图像的梯度值进行非极大值抑制处理，获得边缘点。
具体地，在完整的求解边缘的运算过程中，非极值点的重要性较低，因此为了减少工作量，可以有选择地忽略非极值点。
基于预设的双阈值通过局部自适应阈值分割算法检测边缘，确定所述裂缝边缘。
具体地，设置两个阈值，认定密度函数值大于较大阈值的区域为裂缝区域，密度函数值小于较小阈值的区域为非裂缝区域，若密度函数值位于较小阈值和较大阈值之间，则认定对应的区域为边界点，依次连接各个边界点，就可获得裂缝边缘。
可选地，所述裂缝边缘的像素点的像素值为预设值，所述根据所述裂缝边缘，采用基于最小二乘法的中心线拟合法确定裂缝区域的中心线包括：
在所述处理后的裂缝图像中依次搜索像素值为所述预设值的像素点。
具体地，提取的裂缝边缘由像素值为1的正方形像素点组成，裂缝边缘以外的像素点的像素值为0，在处理后的裂缝图像中依次搜索像素值为1的像素点。
当搜索到一个像素值为所述预设值的第一像素点时，确定所述第一像素点的第一坐标。
具体地，例如按照从左到右、从上到下的顺序依次搜索，直到搜索到像素值为1的像素点时，令搜索到的该像素点为第一像素点，确定该第一像素点的第一坐标为
。
在所述第一像素点所在行或列中依次搜索像素值为所述预设值的第二像素点，确定所述第二像素点的第二坐标。
具体地，按照从左到右的顺序在第一像素点
所在的第k行中依次搜索像素点为1的第二像素点，或者，按照从上到下的顺序在第一像素点所在的第k列中搜索像素点为1的第二像素点，并确定第二像素点的第二坐标，假设第k列中像素点为1的第二像素点的第二坐标为
。
根据所述第一坐标和所述第二坐标，确定所述第一像素点和所述第二像素点之间中间点的坐标。
具体地，根据第一坐标和第二坐标确定对应的第一像素点和第二像素点之间中间点的坐标，例如同一列中第一像素点为
，第二像素点为
，则对应中间点的坐标为
。
基于最小二乘法，根据搜索到的各个所述第一像素点对应的所述中间点的坐标进行曲线拟合，获得所述中心线。
具体地，依次确定裂缝区域中每一行或每一列的中心点，通过LSM（最小二乘法）根据各个中心点进行曲线拟合，获得中心线，中心线的函数例如
，y为因变量，M为自变量，a和b为参数。
可选地，所述根据所述中心线确定裂缝宽度包括：
根据所述第一坐标和所述第二坐标确定所述第一像素点对应裂缝处的水平宽度或竖直宽度。
具体地，若第一像素点和第二像素点在同一行，则对应裂缝的水平宽度为第一坐标和第二坐标的横坐标差值的绝对值；若第一像素点和第二像素点在同一列，则对应裂缝的竖直宽度为第一坐标和第二坐标的纵坐标差值的绝对值，即
。
对所述中心线进行求导，确定所述第一像素点对应的所述中心点处法线方向与竖直方向之间的夹角，或法线方向与水平方向之间的夹角。
具体地，对中心线进行求导，可得到切线夹角的正切值a，通过反三角函数可以确定出切线夹角
。
根据所述第一像素点对应的水平宽度和所述法线方向与水平方向之间的夹角确定所述第一像素点处对应的裂缝实际宽度，或根据所述第一像素点对应的竖直宽度和所述法线方向与竖直方向之间的夹角确定所述第一像素点处对应的裂缝实际宽度。
示例性地，处理后的裂缝图像中第k列的裂缝宽度为
，该裂缝宽度为像素宽度，可将该裂缝宽度与像素比例系数相乘，得到第k列的裂缝实际宽度。重复上述过程，就可计算出塑料餐盒表面裂缝各处的实际宽度。
本可选的实施例中，由于塑料餐盒上裂缝的方向随机，通过拟合出裂缝区域的中心线，结合裂缝的竖直宽度或水平宽度计算裂缝实际宽度，使得裂缝宽度的计算不受裂缝方向的影响，提高了裂缝宽度的计算效率和便利性。
可选地，所述裂缝边缘围成的图像为裂缝轮廓图像，基于骨架细化法，根据所述裂缝边缘提取裂缝的骨架图形包括：
对所述裂缝轮廓图像进行膨胀处理和腐蚀处理，获得所述骨架图形。
本可选的实施例中，裂缝的骨架图像实质上是反应裂缝基本形状走势的单像素排列的细线图形，提取裂缝的骨架图像，能够在保证裂缝形状不变的前提下，去除大量不必要的干扰像素，提高检测精度。通过膨胀处理和腐蚀处理，移除非必要像素点，以去除那些与曲线连续性不相关的像素点，标记处必要的像素点，保留与裂缝连贯性相关的像素点，就可完全保留裂缝的拓扑特性，将具有宽度信息的裂缝图像，转化为单像素的西线图形，有利于进行塑料餐盒表面裂缝的长度分析，提高裂缝长度的计算效率。
可选地，所述根据所述骨架图形确定裂缝长度包括：
基于欧式距离计算公式，根据所述骨架图形中各端点的坐标计算裂缝像素长度；
根据所述裂缝像素长度和预设的像素比例系数计算裂缝实际长度。
具体地，由于塑料餐盒的韧性等原因，塑料餐盒表面的裂缝通常为直线或弧线等形状，与玻璃等材质上的呈树状或发散状的裂缝形状不同，因此，提取出裂缝的骨架图形后，根据骨架图形中各个端点的坐标就可计算出裂缝的像素长度，例如若骨架图形中只有两个端点，则根据该两个端点直接计算欧式距离，就可得到裂缝像素长度；若骨架图像中有多个端点，可依次计算每两个端点之间的欧式距离，确定最长的欧式距离为裂缝像素长度。由于图像处理的过程以像素为单位进行计算，而在实际应用中需要输出的最终结果为实际值而不是像素值，因此，为了将以像素为单位的测量结果转换为实际测量值，就需要将裂缝像素长度与像素比例系数相乘，得到裂缝实际长度，其中，像素比例系数可通过对图像测量系统进行标定以确定，即测量像素的当量，像素当量就是确定像素单位与实际测量单位之间的转换关系。
示例性地，假设骨架图形包括两个端点，分别为
和
，则可采用第三公式计算裂缝实际长度，第三公式包括：
其中，
表示裂缝实际长度，
表示像素比例系数。
需要说明的是，可预先获取裂缝实际宽度和裂缝实际长度等裂缝特征，和与裂缝特征对应的生产问题和解决方案，建立裂缝特征、生产问题和解决方案之间的对应关系，在计算的到塑料餐盒的裂缝实际宽度和裂缝实际长度后，在对应关系中查找对应的生产问题和解决方案，以及时解决问题，降低损失。
如图2所示，本发明另一实施例提供的一种基于图像处理的塑料餐盒裂缝检测装置，包括：
获取模块，用于获取塑料餐盒表面的裂缝图像；
处理模块，用于对所述裂缝图像进行灰度化处理和降噪处理，获得处理后的裂缝图像；
检测模块，用于采用Canny边缘检测方法对所述处理后的裂缝图像进行边缘检测，确定裂缝边缘；
计算模块，用于根据所述裂缝边缘，采用基于最小二乘法的中心线拟合法确定裂缝区域的中心线，根据所述中心线确定裂缝宽度；基于骨架细化法，根据所述裂缝边缘提取裂缝的骨架图形，根据所述骨架图形确定裂缝长度。
本实施例中的检测装置用于实现如上所述的基于图像处理的塑料餐盒裂缝检测方法，有益效果与塑料餐盒裂缝检测方法的有益效果对应，在此不再赘述。
本发明又一实施例提供的一种电子设备，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如上所述的基于图像处理的塑料餐盒裂缝检测方法。
本发明又一实施例提供的一种计算机可读存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的基于图像处理的塑料餐盒裂缝检测方法。
现将描述可以作为本发明的服务器或客户端的电子设备，其是可以应用于本发明的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
电子设备包括计算单元，其可以根据存储在只读存储器（ROM）中的计算机程序或者从存储单元加载到随机访问存储器（RAM）中的计算机程序，来执行各种适当的动作和处理。在RAM中，还可存储设备操作所需的各种程序和数据。计算单元、ROM以及RAM通过总线彼此相连。输入/输出（I/O）接口也连接至总线。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。在本申请中，所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
虽然本发明公开披露如上，但本发明公开的保护范围并非仅限于此。本领域技术人员在不脱离本发明公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。
Claims (9)
1.一种基于图像处理的塑料餐盒裂缝检测方法，其特征在于，包括：
获取塑料餐盒表面的裂缝图像；
对所述裂缝图像进行灰度化处理和降噪处理，获得处理后的裂缝图像；
采用Canny边缘检测方法对所述处理后的裂缝图像进行边缘检测，确定裂缝边缘；
根据所述裂缝边缘，采用基于最小二乘法的中心线拟合法确定裂缝区域的中心线，根据所述中心线确定裂缝宽度；基于骨架细化法，根据所述裂缝边缘提取裂缝的骨架图形，根据所述骨架图形确定裂缝长度；
其中，所述裂缝边缘的像素点的像素值为预设值，所述根据所述裂缝边缘，采用基于最小二乘法的中心线拟合法确定裂缝区域的中心线包括：
在所述处理后的裂缝图像中依次搜索像素值为所述预设值的像素点；
当搜索到一个像素值为所述预设值的第一像素点时，确定所述第一像素点的第一坐标；
在所述第一像素点所在行或列中依次搜索像素值为所述预设值的第二像素点，确定所述第二像素点的第二坐标；
根据所述第一坐标和所述第二坐标，确定所述第一像素点和所述第二像素点之间中间点的坐标；
基于最小二乘法，根据搜索到的各个所述第一像素点对应的所述中间点的坐标进行曲线拟合，获得所述中心线。
2.根据权利要求1所述的基于图像处理的塑料餐盒裂缝检测方法，其特征在于，所述对所述裂缝图像进行灰度化处理和降噪处理包括：
采用加权平均法对所述裂缝图像进行灰度化处理，获得灰度图像；
采用中值滤波法对所述灰度图像进行降噪处理，获得所述处理后的裂缝图像。
3.根据权利要求1所述的基于图像处理的塑料餐盒裂缝检测方法，其特征在于，所述采用Canny边缘检测方法对所述处理后的裂缝图像进行边缘检测包括：
对所述处理后的裂缝图像进行平滑滤波，获得平滑图像；
基于求偏导数的方法，计算所述平滑图像的梯度值；
根据所述平滑图像的梯度值进行非极大值抑制处理，获得边缘点；
基于预设的双阈值通过局部自适应阈值分割算法检测边缘，确定所述裂缝边缘。
4.根据权利要求1所述的基于图像处理的塑料餐盒裂缝检测方法，其特征在于，所述根据所述中心线确定裂缝宽度包括：
根据所述第一坐标和所述第二坐标确定所述第一像素点对应裂缝处的水平宽度或竖直宽度；
对所述中心线进行求导，确定所述第一像素点对应的所述中心点处法线方向与竖直方向之间的夹角，或法线方向与水平方向之间的夹角；
根据所述第一像素点对应的水平宽度和所述法线方向与水平方向之间的夹角确定所述第一像素点处对应的裂缝实际宽度，或根据所述第一像素点对应的竖直宽度和所述法线方向与竖直方向之间的夹角确定所述第一像素点处对应的裂缝实际宽度。
5.根据权利要求1至3任一项所述的基于图像处理的塑料餐盒裂缝检测方法，其特征在于，所述裂缝边缘围成的图像为裂缝轮廓图像，基于骨架细化法，根据所述裂缝边缘提取裂缝的骨架图形包括：
对所述裂缝轮廓图像进行膨胀处理和腐蚀处理，获得所述骨架图形。
6.根据权利要求5所述的基于图像处理的塑料餐盒裂缝检测方法，其特征在于，所述根据所述骨架图形确定裂缝长度包括：
基于欧式距离计算公式，根据所述骨架图形中各端点的坐标计算裂缝像素长度；
根据所述裂缝像素长度和预设的像素比例系数计算裂缝实际长度。
7.一种基于图像处理的塑料餐盒裂缝检测装置，其特征在于，包括：
获取模块，用于获取塑料餐盒表面的裂缝图像；
处理模块，用于对所述裂缝图像进行灰度化处理和降噪处理，获得处理后的裂缝图像；
检测模块，用于采用Canny边缘检测方法对所述处理后的裂缝图像进行边缘检测，确定裂缝边缘；
计算模块，用于根据所述裂缝边缘，采用基于最小二乘法的中心线拟合法确定裂缝区域的中心线，根据所述中心线确定裂缝宽度；基于骨架细化法，根据所述裂缝边缘提取裂缝的骨架图形，根据所述骨架图形确定裂缝长度；
其中，所述裂缝边缘的像素点的像素值为预设值，所述根据所述裂缝边缘，采用基于最小二乘法的中心线拟合法确定裂缝区域的中心线包括：
在所述处理后的裂缝图像中依次搜索像素值为所述预设值的像素点；
当搜索到一个像素值为所述预设值的第一像素点时，确定所述第一像素点的第一坐标；
在所述第一像素点所在行或列中依次搜索像素值为所述预设值的第二像素点，确定所述第二像素点的第二坐标；
根据所述第一坐标和所述第二坐标，确定所述第一像素点和所述第二像素点之间中间点的坐标；
基于最小二乘法，根据搜索到的各个所述第一像素点对应的所述中间点的坐标进行曲线拟合，获得所述中心线。
8.一种电子设备，其特征在于，包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如权利要求1至6任一项所述的基于图像处理的塑料餐盒裂缝检测方法。
9.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1至6任一项所述的基于图像处理的塑料餐盒裂缝检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210205608.2A CN114332079A (zh) | 2022-03-04 | 2022-03-04 | 基于图像处理的塑料餐盒裂缝检测方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210205608.2A CN114332079A (zh) | 2022-03-04 | 2022-03-04 | 基于图像处理的塑料餐盒裂缝检测方法、装置及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114332079A true CN114332079A (zh) | 2022-04-12 |
Family
ID=81030717
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210205608.2A Pending CN114332079A (zh) | 2022-03-04 | 2022-03-04 | 基于图像处理的塑料餐盒裂缝检测方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114332079A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114581444A (zh) * | 2022-05-06 | 2022-06-03 | 济宁海富光学科技有限公司 | 基于图像处理的玻璃盖打磨工艺监测方法 |
| CN117990530A (zh) * | 2024-04-07 | 2024-05-07 | 济南哈特曼环保科技有限公司 | 植物微粒餐具生产工艺在线韧性检测方法和装置 |
| CN118014994A (zh) * | 2024-04-08 | 2024-05-10 | 济宁丰玺生物材料有限公司 | 一种稻壳可降解餐盒裂缝检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104657587A (zh) * | 2015-01-08 | 2015-05-27 | 华中科技大学 | 一种激光条纹中心线的提取方法 |
| CN107527354A (zh) * | 2017-07-06 | 2017-12-29 | 长安大学 | 一种基于合成图的区域生长方法 |
| CN110207592A (zh) * | 2019-04-15 | 2019-09-06 | 深圳高速工程检测有限公司 | 建筑裂缝测量方法、装置、计算机设备和存储介质 |
| EP3555851A1 (en) * | 2016-12-14 | 2019-10-23 | Eyes Ltd | System and methods for fully automated data analysis, reporting and quantification for medical and general diagnosis, and for edge detection in digitized images |
| CN112330593A (zh) * | 2020-10-10 | 2021-02-05 | 南京理工大学 | 基于深度学习网络的建筑物表面裂缝检测方法 |
-
2022
- 2022-03-04 CN CN202210205608.2A patent/CN114332079A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104657587A (zh) * | 2015-01-08 | 2015-05-27 | 华中科技大学 | 一种激光条纹中心线的提取方法 |
| EP3555851A1 (en) * | 2016-12-14 | 2019-10-23 | Eyes Ltd | System and methods for fully automated data analysis, reporting and quantification for medical and general diagnosis, and for edge detection in digitized images |
| CN107527354A (zh) * | 2017-07-06 | 2017-12-29 | 长安大学 | 一种基于合成图的区域生长方法 |
| CN110207592A (zh) * | 2019-04-15 | 2019-09-06 | 深圳高速工程检测有限公司 | 建筑裂缝测量方法、装置、计算机设备和存储介质 |
| CN112330593A (zh) * | 2020-10-10 | 2021-02-05 | 南京理工大学 | 基于深度学习网络的建筑物表面裂缝检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 杨帆 编: "《数字图像处理与分析 第4版》", 31 January 2019 * |
| 沈红雷: ""基于机器视觉技术的塑料制品缺陷检测研究"", 《塑料科技》 * |
| 王丽: ""混凝土坝裂缝识别的数字图像处理算法研究"", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
| 马丽莎: ""基于数字图像处理的路面裂缝识别方法研究"", 《中国优秀博硕士学位论文全文数据库（硕士）工程科技II辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114581444A (zh) * | 2022-05-06 | 2022-06-03 | 济宁海富光学科技有限公司 | 基于图像处理的玻璃盖打磨工艺监测方法 |
| CN114581444B (zh) * | 2022-05-06 | 2022-08-02 | 济宁海富光学科技有限公司 | 基于图像处理的玻璃盖打磨工艺监测方法 |
| CN117990530A (zh) * | 2024-04-07 | 2024-05-07 | 济南哈特曼环保科技有限公司 | 植物微粒餐具生产工艺在线韧性检测方法和装置 |
| CN117990530B (zh) * | 2024-04-07 | 2024-05-31 | 济南哈特曼环保科技有限公司 | 植物微粒餐具生产工艺在线韧性检测方法和装置 |
| CN118014994A (zh) * | 2024-04-08 | 2024-05-10 | 济宁丰玺生物材料有限公司 | 一种稻壳可降解餐盒裂缝检测方法 |
| CN118014994B (zh) * | 2024-04-08 | 2024-06-25 | 济宁丰玺生物材料有限公司 | 一种稻壳可降解餐盒裂缝检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111833306B (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
| CN114332079A (zh) | 基于图像处理的塑料餐盒裂缝检测方法、装置及介质 | |
| CN112614062B (zh) | 菌落计数方法、装置及计算机存储介质 | |
| CN108682008B (zh) | 一种白细胞图像清晰度评价方法及装置 | |
| CN110230978A (zh) | 一种耐火砖几何尺寸测量方法 | |
| CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
| CN107490582B (zh) | 一种流水线工件检测系统 | |
| CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
| CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
| CN110189290A (zh) | 基于深度学习的金属表面细微缺陷检测方法及装置 | |
| CN112801141B (zh) | 基于模板匹配和孪生神经网络优化的异源图像匹配方法 | |
| CN113947598B (zh) | 基于图像处理的塑料餐盒缺陷检测方法、装置及系统 | |
| CN110807763A (zh) | 一种陶瓦表面鼓包检测方法及系统 | |
| CN107993219A (zh) | 一种基于机器视觉的船板表面缺陷检测方法 | |
| CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
| CN102830045A (zh) | 基于图像处理的织物沾水等级客观评定方法 | |
| CN114612399A (zh) | 一种用于手机外观标记的图片识别系统及方法 | |
| CN117893550A (zh) | 一种基于场景仿真的复杂背景下运动目标分割方法 | |
| CN113781413A (zh) | 一种基于Hough梯度法的电解电容定位方法 | |
| CN110349129B (zh) | 一种高密度柔性ic基板外观缺陷检测方法 | |
| CN110276260B (zh) | 一种基于深度摄像头的商品检测方法 | |
| CN116883368A (zh) | 一种澳洲坚果裂纹检测与定位方法 | |
| CN111243006A (zh) | 一种基于图像处理的液滴接触角及尺寸的测量方法 | |
| CN116188408A (zh) | 一种基于Canny的鞋面边缘检测识别方法 | |
| CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 |
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 |