CN114359274A - 基于图像处理的通风设备叶片质量检测方法、装置及系统 - Google Patents
基于图像处理的通风设备叶片质量检测方法、装置及系统 Download PDFInfo
- Publication number
- CN114359274A CN114359274A CN202210254837.3A CN202210254837A CN114359274A CN 114359274 A CN114359274 A CN 114359274A CN 202210254837 A CN202210254837 A CN 202210254837A CN 114359274 A CN114359274 A CN 114359274A
- Authority
- CN
- China
- Prior art keywords
- points
- image
- defect
- abnormal
- blade
- 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
Links
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像处理的通风设备叶片质量检测方法、装置及系统,涉及人工智能领域。主要包括:获取待检测的通风设备的叶片表面图像并预处理获得叶片的灰度图像;根据灰度图像中像素点的梯度幅值及像素点邻域内像素点的梯度幅值,获得所述灰度图像中的异常点;将位于同一预设尺寸的划窗内的所述异常点划至同一类别,以获得对所有异常点划分后的多个类别;对所述类别中包含的异常点的梯度方向的交点进行均值漂移聚类,并根据聚类结果包含的像素点在类别中像素点的比例,获得灰度图像中的缺陷点;根据所述缺陷点的分散程度以及缺陷点的数量获得缺陷严重程度,并利用所述缺陷严重程度实现对通风设备叶片的质量的检测。
Description
技术领域
本申请涉及人工智能领域,具体涉及一种基于图像处理的通风设备叶片质量检测方法、装置及系统。
背景技术
矿井通风系统在所有矿井生产单元系统中占有极其重要的位置,为了保证矿井的安全生产,矿井通风系统这一具有动态性的系统必须能够保持长时间的最佳运行状态。然而,在现实生产实践活动中,各种各样的因素在不断影响矿井通风系统的正常运行及其功能的发挥,任何一些细微的外界扰动及内部因素的变动,均会使通风系统本身及其子单元发生故障的可能性大大增加,通风系统可靠性和有效性大幅度降低,甚至有可能造成灾难性事故,而产生严重的社会影响及巨大的经济损失。
通风设备的质量问题是影响通风系统正常运行及其功能发挥的关键,通风设备的叶片是关键的子元件,叶片的质量缺陷如果不能及时处理,局部缺陷将不断扩大,最终造成叶片严重的质量问题,在生产实践中可能引发严重的事故。叶片质量问题通常为叶片的表面缺陷,由于制造工艺质量控制不良,常会产生如流挂、发白、划痕、针孔等表面缺陷,此类缺陷均为局部缺陷,采用传统的阈值分割的方法可以进行相应的检测,而对于叶片表面的漆面起泡缺陷,传统阈值分割方法难以进行分割。
发明内容
针对上述技术问题,本发明提供了一种基于图像处理的通风设备叶片质量检测方法、装置及系统,实现了对叶片表面的气泡缺陷的质量检测,同时提高了对通风设备叶片的质量的检测效率及精度。
第一方面,本文发明实施例提出了一种基于图像处理的通风设备叶片质量检测方法,包括:
获取待检测的通风设备的叶片表面图像并预处理获得叶片的灰度图像,并获得所述灰度图像中像素点的梯度幅值及梯度方向。
根据灰度图像中像素点的梯度幅值及像素点邻域内像素点的梯度幅值,获得所述灰度图像中的异常点。
将位于同一预设尺寸的滑窗内的所述异常点划至同一类别,以获得对所有异常点划分后的多个类别。
对所述类别中包含的异常点的梯度方向的交点进行均值漂移聚类,并根据聚类结果包含的像素点在类别中像素点的比例,获得灰度图像中的缺陷点。
根据所述缺陷点的分散程度以及缺陷点的数量获得缺陷严重程度,并利用所述缺陷严重程度实现对通风设备叶片的质量的检测。
在一个可行的实施例中,根据灰度图像中像素点的梯度幅值及像素点邻域内像素点的梯度幅值,获得所述灰度图像中的异常点,包括:
将梯度幅值大于预设梯度阈值的像素点作为疑似异常点。
根据所述疑似异常点的邻域内像素点的梯度幅值获得疑似异常点的异常程度,并将所述异常程度大于预设第一阈值的疑似异常点作为异常点。
在一个可行的实施例中,将位于同一预设尺寸的滑窗内的所述异常点划至同一类别,以获得对所有异常点划分后的多个类别,包括:
对所述异常点进行编号,以编号为1的异常点为中心点建立预设尺寸的滑窗,将所述滑窗中存在的其他异常点与该像素点划为同一类别,对未进行划分的异常点进行编号并划分,进行迭代,直至完成对所有异常点的划分,以得到划分后多个类别。
在一个可行的实施例中,对所述类别中包含的异常点的梯度方向的交点进行均值漂移聚类,并根据聚类结果包含的像素点在类别中像素点的比例,获得灰度图像中的缺陷点,包括:
对所述类别中包含的异常点的梯度方向的交点进行均值漂移聚类,当聚类结果中包含的像素点在该类别中像素点的比例大于预设第三阈值时,将该聚类结果的中心作为缺陷点。
在一个可行的实施例中,根据所述缺陷点的分散程度以及缺陷点的数量获得缺陷严重程度,包括:
式中,Q表示缺陷严重程度,A表示所述缺陷点的个数,X表示所述缺陷点与所述灰度图像的中心点的距离,表示各所述缺陷点与所述灰度图像的中心点的距离的均值,s表示所述预设滑窗的面积,tanh为双曲线正切函数,为超参数。
在一个可行的实施例中,利用所述缺陷严重程度实现对通风设备叶片的质量的检测,包括:
当缺陷严重程度为0时,说明产品不符合起泡缺陷,即产品为合格品,不予以处理。
当缺陷严重程度在(0,0.6]范围内时,产品存在轻微起泡缺陷,产品属于合格品。
当缺陷严重程度在(0.6,1]范围内时,产品存在起泡缺陷,产品属于不合格品。
在一个可行的实施例中,对待检测的通风设备的叶片表面图像进行预处理获得叶片的灰度图像,包括:
对叶片表面图像进行图像分割获得叶片区域图像,并对所述叶片区域图像进行灰度化获得灰度图像,其中所述图像分割过程是通过DNN实现的。
在一个可行的实施例中,获得所述灰度图像中像素点的梯度幅值及梯度方向,包括:
第二方面,本发明实施例提出了一种基于图像处理的通风设备叶片质量检测装置,包括:
获取模块,用于获取待检测的通风设备的叶片表面图像并预处理获得叶片的灰度图像,并获得所述灰度图像中像素点的梯度幅值及梯度方向。
异常点筛选模块,用于根据灰度图像中像素点的梯度幅值及像素点邻域内像素点的梯度幅值,获得所述灰度图像中的异常点。
异常点划分模块,用于将位于同一预设尺寸的滑窗内的所述异常点划至同一类别,以获得对所有异常点划分后的多个类别。
缺陷点筛选模块,用于对所述类别中包含的异常点的梯度方向的交点进行均值漂移聚类,并根据聚类结果包含的像素点在类别中像素点的比例,获得灰度图像中的缺陷点。
质量检测模块,用于根据所述缺陷点的分散程度以及缺陷点的数量获得缺陷严重程度,并利用所述缺陷严重程度实现对通风设备叶片的质量的检测。
第三方面,本发明实施例提出了一种基于图像处理的通风设备叶片质量检测系统,包括:存储器和处理器,其特征在于,所述处理器执行所述存储器存储的计算机程序,以实现本发明实施例中基于图像处理的通风设备叶片质量检测方法。
本发明提供了一种基于图像处理的通风设备叶片质量检测方法、装置及系统,获取待检测的通风设备的叶片表面图像并预处理获得叶片的灰度图像,并获得所述灰度图像中像素点的梯度幅值及梯度方向。根据灰度图像中像素点的梯度幅值及像素点邻域内像素点的梯度幅值,获得所述灰度图像中的异常点。将位于同一预设尺寸的滑窗内的所述异常点划至同一类别,以获得对所有异常点划分后的多个类别。对所述类别中包含的异常点的梯度方向的交点进行均值漂移聚类,并根据聚类结果包含的像素点在类别中像素点的比例,获得灰度图像中的缺陷点。根据所述缺陷点的分散程度以及缺陷点的数量获得缺陷严重程度,并利用所述缺陷严重程度实现对通风设备叶片的质量的检测。
相比于现有技术,本发明实施例的有益效果在于:实现了对叶片表面的气泡缺陷的质量检测,同时提高了对通风设备叶片的质量的检测效率及精度。
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是本发明实施例提供的一种基于图像处理的通风设备叶片质量检测方法的流程示意图。
图2是本发明实施例提供的的通风设备的叶片表面的灰度图像的示意图。
图3是本发明实施例提供的一种基于图像处理的通风设备叶片质量检测装置的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。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。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征;在本实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
本发明实施例提供了一种基于图像处理的通风设备叶片质量检测方法,如图1所示,包括:
步骤S101、获取待检测的通风设备的叶片表面图像并预处理获得叶片的灰度图像,并获得灰度图像中像素点的梯度幅值及梯度方向。
步骤S102、根据灰度图像中像素点的梯度幅值及像素点邻域内像素点的梯度幅值,获得灰度图像中的异常点。
步骤S103、将位于同一预设尺寸的滑窗内的异常点划至同一类别,以获得对所有异常点划分后的多个类别。
步骤S104、对类别中包含的异常点的梯度方向的交点进行均值漂移聚类,并根据聚类结果包含的像素点在类别中像素点的比例,获得灰度图像中的缺陷点。
步骤S105、根据缺陷点的分散程度以及缺陷点的数量获得缺陷严重程度,并利用缺陷严重程度实现对通风设备叶片的质量的检测。
本发明的主要目的是:利用计算机视觉技术对采集的通风设备叶片表面图像进行处理,进行质量分类与相应的修复措施。
本发明所针对的情景为:首先布置相机,采集通风设备叶片表面图像,获取叶片表面图像中异常像素点,通过异常像素点的聚集程度与分布情况获取缺陷概率与缺陷严重程度。
进一步的,步骤S101、获取待检测的通风设备的叶片表面图像并预处理获得叶片的灰度图像,并获得灰度图像中像素点的梯度幅值及梯度方向。具体包括:
首先,本发明实施例需要检测通风设备叶片的漆面起泡缺陷,需要先采集通风设备叶片的表面图像。
其次,由于得到的叶片表面图像中具有通风设备叶片、工作板面,甚至复杂工况背景。为了避免其他噪声对通风设备叶片漆面起泡缺陷检测的影响,所以需要对叶片表面图像进行图像分割获得叶片区域图像,并对所述叶片区域图像进行灰度化获得灰度图像,其中所述图像分割过程是通过DNN(Deep Neural Networks,深度神经网络)实现的。
需要说明的是,图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看,图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程,即把属于同一区域的像素赋予相同的编号。
具体的,本发明实施例中DNN网络的相关内容如下:使用的数据集为采集得到的通风设备叶片图像数据集,通风设备叶片的样式为多种多样的。将需要分割的像素共分为两类,即训练集对应标签标注过程为:单通道的语义标签,对应位置像素属于背景类的标注为0,同时由于网络的任务是分类,所有使用的loss函数为交叉熵损失函数。
漆面中起泡缺陷是由于底材污染,喷漆前没有进行恰当的清洁和准备工作,或者,由于面漆、中漆、底漆以及底材之间的附着力不够,亦或是油漆相对的透水,都会引起漆面起泡,漆面起泡缺陷不同于其他缺陷,漆面的完整性没有被破坏,由于漆面与底材没有绝对附着,导致漆面起泡部位高于正常部位,其起泡区域灰度仅仅轻微异于正常区域,故采用阈值分割的方法难以分割起泡缺陷,采用灰度差法同样难以达到相应的分割效果。
图2示出了本发明实施例提供的的通风设备的叶片表面的灰度图像的示意图,如图2所示,起泡缺陷的边缘相对存在较大的梯度与混乱程度,故本发明实施例通过获取此类异常像素点,并通过计算此类像素点的聚集程度与分布情况即可得到缺陷严重程度,进而根据缺陷严重程度进行质量分类与相应的修复措施。
然后,计算灰度图像中像素点的梯度幅值及梯度方向,利用Sobel算子计算图像中像素点的水平梯度及竖直梯度。像素点的梯度大小,像素点的梯度方向为,其中g表示梯度幅值,表示像素点的水平梯度,表示像素点的竖直梯度。
需要说明的是,Sobel算子是典型的基于一阶导数的边缘检测算子,是离散型的差分算子。该算子对噪声具有平滑作用,能很好的消除噪声的影响,Sobel算子包含两组3x3的矩阵,分别为横向及纵向模板,将之与灰度图像作平面卷积,即可分别得出图像中像素点的水平梯度及竖直梯度。
进一步的,步骤S102、根据灰度图像中像素点的梯度幅值及像素点邻域内像素点的梯度幅值,获得灰度图像中的异常点。具体包括:
首先,对于起泡缺陷边缘像素点,大部分的像素点存在较大的梯度幅值,同时由于光照的关系,也会存在部分梯度幅值较小的像素点,故本发明实施例通过梯度幅值筛选出一部分像素点,此类像素点的梯度幅值较大,更有可能为起泡缺陷边缘像素点,将梯度幅值大于预设梯度阈值的像素点作为疑似异常点。
作为一个示例,本发明实施例中预设梯度阈值为60。
其次,根据所述疑似异常点的邻域内像素点的梯度幅值获得疑似异常点的异常程度,并将所述异常程度大于预设第一阈值的疑似异常点作为异常点。
需要说明的是,由于仅仅通过梯度幅值确定的异常点存在较大的误差,图像中的噪点或其他的影响也可能存在较大梯度幅值的像素点,通过分析起泡缺陷边缘像素点可知,其边缘像素点的灰度存在较为明显的灰度波动,而噪点等影响点由于是孤立存在的,本发明实施例中噪点指的是叶片的表面中离散分布的固有瑕疵点,故其周围像素点的灰度变化小,采用异常点的邻域内像素点的梯度幅值获得异常像素点的异常程度,包括:
,式中E表示疑似异常点的异常程度,G表示该像素点的梯度幅值,L表示该像素点邻域像素点的个数,表示该像素点第j个邻域像素点的灰度值,表示该疑似异常点的邻域内像素点的灰度均值,tanh为双曲线正切函数,为超参数,经验值取=0.005,当疑似异常点的异常程度E的值大于预设第一阈值时,将该疑似异常点作为异常点。
作为一个示例,本发明实施例中预设第一阈值为0.8。
进一步的,步骤S103、将位于同一预设尺寸的滑窗内的异常点划至同一类别,以获得对所有异常点划分后的多个类别。具体包括:
对异常点进行分类,由于起泡缺陷边缘像素点通常连接在一起,对于得到的多个异常点,其可能隶属于多个起泡缺陷,故需要对所有异常点进行分类。对所有异常点进行编号,以第一个编号为1的异常点为中心点建立滑窗,将滑窗中存在的其他异常点的编号修改为1,即将该滑窗内异常点划分为同一类别,对未被划分的异常点重新编号并进行划分,反复迭代,直至将所有异常点进行划分完成,如此,可获取到多个类别。
作为一个示例,本发明实施例中滑窗的预设尺寸为5。
进一步的,步骤S104、对类别中包含的异常点的梯度方向的交点进行均值漂移聚类,并根据聚类结果包含的像素点在类别中像素点的比例,获得灰度图像中的缺陷点。具体包括:
首先,由于起泡缺陷为局部凸起,故起泡缺陷中间的灰度值往往大于起泡缺陷边缘像素点的灰度值,故起泡缺陷边缘像素点的梯度方向通常是指向缺陷内部,故对于同一类别的中的异常点,计算类别中像素点的梯度方向的交点的聚集程度。同一类别的多个像素点的梯度方向存在多个交点,采用均值漂移聚类算法对此类点进行聚类,获取点集最密集的区域,聚类中心的交点个数越多,说明该聚类结果中异常点的梯度方向的交点越集中,即越符合起泡缺陷的特征。
其次,根据聚类结果包含的像素点在类别中像素点的比例,获得灰度图像中的缺陷点,包括:
式中l表示聚类中心中的交点个数,L表示同一类别中交点总个数,比例P的值越趋近于1,说明交点越集中,即此类别中像素点为起泡缺陷边缘像素点的概率越大,当比例P大于预设第二阈值时,将聚类中心的中心点记为缺陷点。
作为一个示例,本发明实施例中预设第二阈值为0.7。
进一步的,步骤S105、根据缺陷点的分散程度以及缺陷点的数量获得缺陷严重程度,并利用缺陷严重程度实现对通风设备叶片的质量的检测。具体包括:
对于叶片漆面而言,起泡缺陷的数量越多,起泡缺陷面积越大,起泡缺陷的分布越离散,说明产品的质量越差,相应的修复难度也越高,即:
式中,Q表示缺陷严重程度,A表示所述缺陷点的个数,X表示所述缺陷点与所述灰度图像的中心点的距离,表示各所述缺陷点与所述灰度图像的中心点的距离的均值,s表示预设滑窗的面积,tanh为双曲线正切函数,为超参数,起归一化作用,经验值取=0.08。缺陷点的分布越离散,同时缺陷点的数量越多,该叶片的质量越差。
根据缺陷的严重程度对通风设备叶片进行质量分类以及相应的修复措施。包括:
当影响程度Q为0时,说明产品不符合起泡缺陷,即产品为合格品,不予以处理。
当影响程度Q在(0,0.6]范围内时,说明产品存在起泡缺陷,但此时的缺陷较为轻微,故此类产品属于良品,需对此类产品进行轻微的表面打磨,注意打磨时不要磨穿漆膜,打磨完成后进行重新喷涂。
当影响程度Q在(0.6,1]范围内时,说明产品存在起泡缺陷,此时的缺陷为较为严重的起泡缺陷,故此类产品属于次品,此类缺陷会严重影响产品的使用寿命,故需对漆膜进行精细地打磨,打磨至裸露出内部的金属后,再重新进行喷涂,此时应注意产品表面的清洁工作,避免再次出现起泡问题。
本发明实施例提供了一种基于图像处理的通风设备叶片质量检测装置,如图3所示,包括:
获取模块201,用于获取待检测的通风设备的叶片表面图像并预处理获得叶片的灰度图像,并获得灰度图像中像素点的梯度幅值及梯度方向。
异常点筛选模块202,用于根据灰度图像中像素点的梯度幅值及像素点邻域内像素点的梯度幅值,获得灰度图像中的异常点。
异常点划分模块203,用于将位于同一预设尺寸的滑窗内的异常点划至同一类别,以获得对所有异常点划分后的多个类别。
缺陷点筛选模块204,用于对类别中包含的异常点的梯度方向的交点进行均值漂移聚类,并根据聚类结果包含的像素点在类别中像素点的比例,获得灰度图像中的缺陷点。
质量检测模块205,用于根据缺陷点的分散程度以及缺陷点的数量获得缺陷严重程度,并利用缺陷严重程度实现对通风设备叶片的质量的检测。
其中,以上各模块的具体实现、相关说明及技术效果请参考具体实施方式中方法实施例部分。
基于与上述方法相同的发明构思,本实施例还提供了一种基于图像处理的通风设备叶片质量检测系统,本实施例中基于图像处理的通风设备叶片质量检测系统包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现如基于图像处理的通风设备叶片质量检测方法实施例中所描述的对通风设备的叶片的质量进行检测。
由于基于图像处理的通风设备叶片质量检测方法实施例中已经对通风设备的叶片的质量进行检测的方法进行了说明,此处不再赘述。
综上所述,本发明实施例提供了一种基于图像处理的通风设备叶片质量检测方法、装置及系统,实现了对叶片表面的气泡缺陷的质量检测,同时提高了对通风设备叶片的质量的检测效率及精度。
本发明中涉及诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本发明的方法和系统中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
上述实施例仅仅是为清楚地说明所做的举例,并不构成对本发明的保护范围的限制。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无需也无法对所有的实施方式予以穷举。凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (10)
1.一种基于图像处理的通风设备叶片质量检测方法,其特征在于,包括:
获取待检测的通风设备的叶片表面图像并预处理获得叶片的灰度图像,并获得所述灰度图像中像素点的梯度幅值及梯度方向;
根据灰度图像中像素点的梯度幅值及像素点邻域内像素点的梯度幅值,获得所述灰度图像中的异常点;
将位于同一预设尺寸的滑窗内的所述异常点划至同一类别,以获得对所有异常点划分后的多个类别;
对所述类别中包含的异常点的梯度方向的交点进行均值漂移聚类,并根据聚类结果包含的像素点在类别中像素点的比例,获得灰度图像中的缺陷点;
根据所述缺陷点的分散程度以及缺陷点的数量获得缺陷严重程度,并利用所述缺陷严重程度实现对通风设备叶片的质量的检测。
2.根据权利要求1所述的基于图像处理的通风设备叶片质量检测方法,其特征在于,根据灰度图像中像素点的梯度幅值及像素点邻域内像素点的梯度幅值,获得所述灰度图像中的异常点,包括:
将梯度幅值大于预设梯度阈值的像素点作为疑似异常点;
根据所述疑似异常点的邻域内像素点的梯度幅值获得疑似异常点的异常程度,并将所述异常程度大于预设第一阈值的疑似异常点作为异常点。
3.根据权利要求1所述的基于图像处理的通风设备叶片质量检测方法,其特征在于,将位于同一预设尺寸的滑窗内的所述异常点划至同一类别,以获得对所有异常点划分后的多个类别,包括:
对所述异常点进行编号,以编号为1的异常点为中心点建立预设尺寸的滑窗,将所述滑窗中存在的其他异常点与该像素点划为同一类别,对未进行划分的异常点进行编号并划分,进行迭代,直至完成对所有异常点的划分,以得到划分后多个类别。
4.根据权利要求1所述的基于图像处理的通风设备叶片质量检测方法,其特征在于,对所述类别中包含的异常点的梯度方向的交点进行均值漂移聚类,并根据聚类结果包含的像素点在类别中像素点的比例,获得灰度图像中的缺陷点,包括:
对所述类别中包含的异常点的梯度方向的交点进行均值漂移聚类,当聚类结果中包含的像素点在该类别中像素点的比例大于预设第三阈值时,将该聚类结果的中心作为缺陷点。
6.根据权利要求1所述的基于图像处理的通风设备叶片质量检测方法,其特征在于,利用所述缺陷严重程度实现对通风设备叶片的质量的检测,包括:
当缺陷严重程度为0时,说明产品不符合起泡缺陷,即产品为合格品,不予以处理;
当缺陷严重程度在(0,0.6]范围内时,产品存在轻微起泡缺陷,产品属于合格品;
当缺陷严重程度在(0.6,1]范围内时,产品存在起泡缺陷,产品属于不合格品。
7.根据权利要求1所述的基于图像处理的通风设备叶片质量检测方法,其特征在于,对待检测的通风设备的叶片表面图像进行预处理获得叶片的灰度图像,包括:
对叶片表面图像进行图像分割获得叶片区域图像,并对所述叶片区域图像进行灰度化获得灰度图像,其中所述图像分割过程是通过DNN实现的。
9.一种基于图像处理的通风设备叶片质量检测装置,其特征在于,包括:
获取模块,用于获取待检测的通风设备的叶片表面图像并预处理获得叶片的灰度图像,并获得所述灰度图像中像素点的梯度幅值及梯度方向;
异常点筛选模块,用于根据灰度图像中像素点的梯度幅值及像素点邻域内像素点的梯度幅值,获得所述灰度图像中的异常点;
异常点划分模块,用于将位于同一预设尺寸的滑窗内的所述异常点划至同一类别,以获得对所有异常点划分后的多个类别;
缺陷点筛选模块,用于对所述类别中包含的异常点的梯度方向的交点进行均值漂移聚类,并根据聚类结果包含的像素点在类别中像素点的比例,获得灰度图像中的缺陷点;
质量检测模块,用于根据所述缺陷点的分散程度以及缺陷点的数量获得缺陷严重程度,并利用所述缺陷严重程度实现对通风设备叶片的质量的检测。
10.一种基于图像处理的通风设备叶片质量检测系统,包括:存储器和处理器,其特征在于,所述处理器执行所述存储器存储的计算机程序,以实现如权利要求1-8中任一项所述的基于图像处理的通风设备叶片质量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210254837.3A CN114359274B (zh) | 2022-03-16 | 2022-03-16 | 基于图像处理的通风设备叶片质量检测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210254837.3A CN114359274B (zh) | 2022-03-16 | 2022-03-16 | 基于图像处理的通风设备叶片质量检测方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114359274A true CN114359274A (zh) | 2022-04-15 |
CN114359274B CN114359274B (zh) | 2022-05-31 |
Family
ID=81094370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210254837.3A Active CN114359274B (zh) | 2022-03-16 | 2022-03-16 | 基于图像处理的通风设备叶片质量检测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114359274B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693684A (zh) * | 2022-06-01 | 2022-07-01 | 领伟创新智能系统(浙江)有限公司 | 一种机载式风机叶片缺陷检测方法 |
CN114913365A (zh) * | 2022-04-22 | 2022-08-16 | 海门王巢家具制造有限公司 | 基于机器视觉的人造板质量分类方法及系统 |
CN115082445A (zh) * | 2022-07-25 | 2022-09-20 | 山东鲁泰防水科技有限公司 | 一种建筑防水卷材表面缺陷检测方法 |
CN115082486A (zh) * | 2022-08-23 | 2022-09-20 | 江苏海漩液压泵业有限公司 | 一种液压缸活塞杆表面质量检测方法 |
CN115082482A (zh) * | 2022-08-23 | 2022-09-20 | 山东优奭趸泵业科技有限公司 | 一种金属表面缺陷检测方法 |
CN115294102A (zh) * | 2022-09-26 | 2022-11-04 | 如东延峰钢结构有限公司 | 基于机器视觉的不锈钢制品异常识别方法 |
CN115294130A (zh) * | 2022-10-08 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种水泵叶轮异常识别方法 |
CN115375588A (zh) * | 2022-10-25 | 2022-11-22 | 山东旗胜电气股份有限公司 | 基于红外成像的电网变压器故障识别方法 |
CN115389624A (zh) * | 2022-10-27 | 2022-11-25 | 智能网联汽车(山东)协同创新研究院有限公司 | 一种加工用声波测试系统 |
CN115797352A (zh) * | 2023-02-08 | 2023-03-14 | 长春中医药大学 | 一种用于中医保健体质检测的舌象图像处理系统 |
CN116237205A (zh) * | 2023-01-30 | 2023-06-09 | 南通市金月亮新材料科技发展有限公司 | 一种门窗喷涂调节方法及系统 |
CN117893533B (zh) * | 2024-03-14 | 2024-05-28 | 自贡市第一人民医院 | 基于图像特征的心胸比智能检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111145175A (zh) * | 2020-01-10 | 2020-05-12 | 惠州光弘科技股份有限公司 | 一种基于iForest模型验证的SMT焊点缺陷检测方法 |
CN111612737A (zh) * | 2020-04-15 | 2020-09-01 | 枞阳立太智能装备有限公司 | 一种人造板表面瑕疵检测装置及检测方法 |
EP3836019A1 (de) * | 2019-12-09 | 2021-06-16 | Siemens Aktiengesellschaft | Verfahren und assistenzsystem zur überprüfung von mustern auf fehlerhaftigkeit |
CN113989280A (zh) * | 2021-12-28 | 2022-01-28 | 武汉市鑫景诚路桥钢模有限公司 | 基于图像处理技术的钢结构焊接裂纹缺陷检测方法 |
-
2022
- 2022-03-16 CN CN202210254837.3A patent/CN114359274B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3836019A1 (de) * | 2019-12-09 | 2021-06-16 | Siemens Aktiengesellschaft | Verfahren und assistenzsystem zur überprüfung von mustern auf fehlerhaftigkeit |
CN111145175A (zh) * | 2020-01-10 | 2020-05-12 | 惠州光弘科技股份有限公司 | 一种基于iForest模型验证的SMT焊点缺陷检测方法 |
CN111612737A (zh) * | 2020-04-15 | 2020-09-01 | 枞阳立太智能装备有限公司 | 一种人造板表面瑕疵检测装置及检测方法 |
CN113989280A (zh) * | 2021-12-28 | 2022-01-28 | 武汉市鑫景诚路桥钢模有限公司 | 基于图像处理技术的钢结构焊接裂纹缺陷检测方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913365A (zh) * | 2022-04-22 | 2022-08-16 | 海门王巢家具制造有限公司 | 基于机器视觉的人造板质量分类方法及系统 |
CN114693684A (zh) * | 2022-06-01 | 2022-07-01 | 领伟创新智能系统(浙江)有限公司 | 一种机载式风机叶片缺陷检测方法 |
CN115082445A (zh) * | 2022-07-25 | 2022-09-20 | 山东鲁泰防水科技有限公司 | 一种建筑防水卷材表面缺陷检测方法 |
CN115082486A (zh) * | 2022-08-23 | 2022-09-20 | 江苏海漩液压泵业有限公司 | 一种液压缸活塞杆表面质量检测方法 |
CN115082482A (zh) * | 2022-08-23 | 2022-09-20 | 山东优奭趸泵业科技有限公司 | 一种金属表面缺陷检测方法 |
CN115082482B (zh) * | 2022-08-23 | 2022-11-22 | 山东优奭趸泵业科技有限公司 | 一种金属表面缺陷检测方法 |
CN115294102A (zh) * | 2022-09-26 | 2022-11-04 | 如东延峰钢结构有限公司 | 基于机器视觉的不锈钢制品异常识别方法 |
CN115294130B (zh) * | 2022-10-08 | 2023-12-26 | 中威泵业(江苏)有限公司 | 一种水泵叶轮异常识别方法 |
CN115294130A (zh) * | 2022-10-08 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种水泵叶轮异常识别方法 |
CN115375588A (zh) * | 2022-10-25 | 2022-11-22 | 山东旗胜电气股份有限公司 | 基于红外成像的电网变压器故障识别方法 |
CN115375588B (zh) * | 2022-10-25 | 2023-02-07 | 山东旗胜电气股份有限公司 | 基于红外成像的电网变压器故障识别方法 |
CN115389624B (zh) * | 2022-10-27 | 2023-02-10 | 智能网联汽车(山东)协同创新研究院有限公司 | 一种加工用声波测试系统 |
CN115389624A (zh) * | 2022-10-27 | 2022-11-25 | 智能网联汽车(山东)协同创新研究院有限公司 | 一种加工用声波测试系统 |
CN116237205A (zh) * | 2023-01-30 | 2023-06-09 | 南通市金月亮新材料科技发展有限公司 | 一种门窗喷涂调节方法及系统 |
CN116237205B (zh) * | 2023-01-30 | 2023-11-24 | 南通市金月亮新材料科技发展有限公司 | 一种门窗喷涂调节方法及系统 |
CN115797352A (zh) * | 2023-02-08 | 2023-03-14 | 长春中医药大学 | 一种用于中医保健体质检测的舌象图像处理系统 |
CN115797352B (zh) * | 2023-02-08 | 2023-04-07 | 长春中医药大学 | 一种用于中医保健体质检测的舌象图像处理系统 |
CN117893533B (zh) * | 2024-03-14 | 2024-05-28 | 自贡市第一人民医院 | 基于图像特征的心胸比智能检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114359274B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114359274B (zh) | 基于图像处理的通风设备叶片质量检测方法、装置及系统 | |
CN111079747B (zh) | 铁路货车转向架侧架断裂故障图像识别方法 | |
CN107543828B (zh) | 一种工件表面缺陷检测方法及系统 | |
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN115018828A (zh) | 一种电子元器件的缺陷检测方法 | |
CN109444169B (zh) | 一种轴承缺陷检测方法及系统 | |
CN113724231B (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN110490842B (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
CN116611748B (zh) | 一种钛合金家具生产质量监控系统 | |
CN110544231B (zh) | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 | |
CN111091544A (zh) | 铁路货车转向架侧面一体架构断裂故障检测方法 | |
CN117094916B (zh) | 一种市政桥梁支座视觉检测方法 | |
CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN115953373B (zh) | 玻璃缺陷检测方法、装置、电子设备及存储介质 | |
CN111476804A (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
CN115980050A (zh) | 排水口的水质检测方法、装置、计算机设备及存储介质 | |
CN115690670A (zh) | 一种晶圆瑕疵智能识别方法和系统 | |
Kamani et al. | Automatic paint defect detection and classification of car body | |
CN115866502A (zh) | 一种麦克风零件表面缺陷在线检测流程 | |
CN114155186B (zh) | 基于无监督学习的缺陷检测系统及方法 | |
CN113989196A (zh) | 一种基于视觉的耳机硅胶垫圈的外观缺陷检测方法 | |
CN116523922B (zh) | 一种轴承表面缺陷识别方法 | |
CN102313740B (zh) | 太阳能电池板裂痕检测方法 |
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 |