CN114419040A - 基于形态学的瓶胚浇口拉丝检测方法及系统 - Google Patents

基于形态学的瓶胚浇口拉丝检测方法及系统 Download PDF

Info

Publication number
CN114419040A
CN114419040A CN202210315516.XA CN202210315516A CN114419040A CN 114419040 A CN114419040 A CN 114419040A CN 202210315516 A CN202210315516 A CN 202210315516A CN 114419040 A CN114419040 A CN 114419040A
Authority
CN
China
Prior art keywords
expansion
gate
bottle
binary image
image
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
CN202210315516.XA
Other languages
English (en)
Other versions
CN114419040B (zh
Inventor
金忠发
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 Green Plastic Packaging Co ltd
Original Assignee
Wuhan Green Plastic 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 Green Plastic Packaging Co ltd filed Critical Wuhan Green Plastic Packaging Co ltd
Priority to CN202210315516.XA priority Critical patent/CN114419040B/zh
Publication of CN114419040A publication Critical patent/CN114419040A/zh
Application granted granted Critical
Publication of CN114419040B publication Critical patent/CN114419040B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种基于形态学的瓶胚浇口拉丝检测方法及系统，该方法包括：获取瓶胚浇口图像，利用阈值分割算法，提取瓶胚浇口和/或瓶胚浇口拉丝，得到二值化图像，二值化图像中瓶胚浇口像素和/或瓶胚浇口拉丝像素的值为第一数值，其他像素的值为第二数值；利用若干膨胀核对二值化图像进行膨胀操作，得到若干膨胀图像；基于二值化图像和若干膨胀图像，根据膨胀前后图像中的噪声点差异，确定最优膨胀核；基于最优膨胀核对二值化图像进行膨胀操作后，进行连通域分析；获取所有可能为瓶胚浇口拉丝的连通域，根据获取的连通域的面积进行瓶胚浇口拉丝的检测。本发明可对拉丝缺陷进行准确检测。

Description

基于形态学的瓶胚浇口拉丝检测方法及系统
技术领域
本发明涉及图像处理领域，具体涉及一种基于形态学的瓶胚浇口拉丝检测方法及系统。
背景技术
瓶坯浇口点处过热使浇口残根在产品脱模过程中不能干净的与模具分离、阀针关闭不恰当，以及模具打开后瓶胚减压不恰当等情况，都会使得熔料从浇口点处拉成细丝。而现有的大多是人为的检测瓶胚浇口处是否有拉丝，效率低，且容易漏检。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于形态学的瓶胚浇口拉丝检测方法及系统，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基于形态学的瓶胚浇口拉丝检测方法，该方法包括以下具体步骤：
获取瓶胚浇口图像，利用阈值分割算法，提取瓶胚浇口和/或瓶胚浇口拉丝，得到二值化图像，二值化图像中瓶胚浇口像素和/或瓶胚浇口拉丝像素的值为第一数值，其他像素的值为第二数值；
利用若干膨胀核对二值化图像进行膨胀操作，得到若干膨胀图像；基于二值化图像和若干膨胀图像，根据膨胀前后图像中的噪声点差异，确定最优膨胀核；
基于最优膨胀核对二值化图像进行膨胀操作后，进行连通域分析；获取所有可能为瓶胚浇口拉丝的连通域，根据获取的连通域的面积进行瓶胚浇口拉丝的检测。
进一步地，膨胀前后图像中的噪声点差异的获取具体为：
对于二值化图像和一张膨胀图像，预设噪声检测算子作为滑窗，分别在二值化图像和一张膨胀图像中滑动，图像中每个窗口区域内的像素值分别和预设噪声检测算子中的值进行比对，提取噪声点；其中，预设噪声检测算子有若干种；
根据膨胀前后图像中噪声点的数量差异和膨胀前后每种预设噪声检测算子检测到噪声点的次数差异，获取膨胀前后图像中的噪声点差异。
进一步地，所述预设噪声检测算子大小为
Figure 526862DEST_PATH_IMAGE001
，
Figure 855248DEST_PATH_IMAGE002
为预设值，每种预设噪声检测算子中心区域内第三数值的个数和/或分布形式不同，预设噪声检测算子中心区域外的值为第二数值；中心区域大小为
Figure 609577DEST_PATH_IMAGE003
，
Figure 346589DEST_PATH_IMAGE004
。
进一步地，获取所有可能为瓶胚浇口拉丝的连通域，具体为：
对于每个连通域，获取连通域的面积和其最小外接矩；根据连通域与最小外接矩的面积比和最小外接矩的宽长比计算区域得分；
基于每个连通域的区域得分判断其是否为瓶胚浇口拉丝。
进一步地，根据获取的连通域的面积进行瓶胚浇口拉丝的检测，具体为：
根据获取的连通域的面积的大小判断是否构成瓶胚浇口拉丝缺陷。
第二方面，本发明另一个实施例提供了一种基于形态学的瓶胚浇口拉丝检测系统，该系统具体包括：
阈值分割模块，用于获取瓶胚浇口图像，利用阈值分割算法，提取瓶胚浇口和/或瓶胚浇口拉丝，得到二值化图像，二值化图像中瓶胚浇口像素和/或瓶胚浇口拉丝像素的值为第一数值，其他像素的值为第二数值；
寻优模块，用于利用若干膨胀核对二值化图像进行膨胀操作，得到若干膨胀图像；基于二值化图像和若干膨胀图像，根据膨胀前后图像中的噪声点差异，确定最优膨胀核；
拉丝检测模块，用于基于最优膨胀核对二值化图像进行膨胀操作后，进行连通域分析；获取所有可能为瓶胚浇口拉丝的连通域，根据获取的连通域的面积进行瓶胚浇口拉丝的检测。
进一步地，膨胀前后图像中的噪声点差异的获取具体为：
对于二值化图像和一张膨胀图像，预设噪声检测算子作为滑窗，分别在二值化图像和一张膨胀图像中滑动，图像中每个窗口区域内的像素值分别和预设噪声检测算子中的值进行比对，提取噪声点；其中，预设噪声检测算子有若干种；
根据膨胀前后图像中噪声点的数量差异和膨胀前后每种预设噪声检测算子检测到噪声点的次数差异，获取膨胀前后图像中的噪声点差异。
进一步地，所述预设噪声检测算子大小为
Figure 869974DEST_PATH_IMAGE001
，
Figure 362135DEST_PATH_IMAGE002
为预设值，每种预设噪声检测算子中心区域内第三数值的个数和/或分布形式不同，预设噪声检测算子中心区域外的值为第二数值；中心区域大小为
Figure 603761DEST_PATH_IMAGE003
，
Figure 878884DEST_PATH_IMAGE004
。
进一步地，获取所有可能为瓶胚浇口拉丝的连通域，具体为：
对于每个连通域，获取连通域的面积和其最小外接矩；根据连通域与最小外接矩的面积比和最小外接矩的宽长比计算区域得分；
基于每个连通域的区域得分判断其是否为瓶胚浇口拉丝。
进一步地，根据获取的连通域的面积进行瓶胚浇口拉丝的检测，具体为：
根据获取的连通域的面积的大小判断是否构成瓶胚浇口拉丝缺陷。
本发明实施例至少具有如下有益效果：本发明利用若干膨胀核对获取的二值化图像进行膨胀操作，得到若干膨胀图像；基于二值化图像和若干膨胀图像，根据膨胀前后图像中的噪声点差异，确定最优膨胀核；基于本发明确定的膨胀核进行膨胀操作后带来的噪声影响最小。基于最优膨胀核对二值化图像进行膨胀操作后，基于相应的膨胀图像进行瓶胚浇口拉丝的检测，检测结果受噪声点影响较小，可提高瓶胚浇口拉丝的检测精度。
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为本发明方法实施例的步骤流程图。
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效，以下结合附图及较佳实施例，对依据本发明提出的一种基于形态学的瓶胚浇口拉丝检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
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。
本发明实施例以下面的应用场景为例对本发明进行说明：
该应用场景为：工业生产塑料瓶过程中对瓶坯浇口拉丝进行检测的场景。
下面结合附图具体的说明本发明所提供的一种基于形态学的瓶胚浇口拉丝检测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于形态学的瓶胚浇口拉丝检测方法的步骤流程图，该方法包括以下步骤：
获取瓶胚浇口图像，利用阈值分割算法，提取瓶胚浇口和/或瓶胚浇口拉丝，得到二值化图像，二值化图像中瓶胚浇口像素和/或瓶胚浇口拉丝像素的值为第一数值，其他像素的值为第二数值；
利用若干膨胀核对二值化图像进行膨胀操作，得到若干膨胀图像；基于二值化图像和若干膨胀图像，根据膨胀前后图像中的噪声点差异，确定最优膨胀核；
基于最优膨胀核对二值化图像进行膨胀操作后，进行连通域分析；获取所有可能为瓶胚浇口拉丝的连通域，根据获取的连通域的面积进行瓶胚浇口拉丝的检测。
下面对上述各个步骤进行详细展开：
步骤S1，获取瓶胚浇口图像，利用阈值分割算法，提取瓶胚浇口和/或瓶胚浇口拉丝，得到二值化图像，二值化图像中瓶胚浇口像素和/或瓶胚浇口拉丝像素的值为第一数值，其他像素的值为第二数值。
由于瓶坯整体部分对光源有反射等变化，为了减少这种影响，采集图像时，对传送带上的瓶胚进行近距离水平拍摄，尽量少拍瓶身部分，并将得到的图像进行灰度化处理，得到瓶胚浇口图像，即所述瓶胚浇口图像为灰度图像。
瓶胚浇口图像中瓶胚浇口和/或瓶胚浇口拉丝的地方的亮度明显高于其他部分，故可以根据这个特征将图像中拉丝区域提取出来。实施例利用大津阈值法获取二值化阈值，基于得到的二值化阈值进行二值化操作，得到二值化图像，二值化图像中瓶胚浇口像素和/或瓶胚浇口拉丝像素的值为第一数值，其他像素的值为第二数值；优选地，实施例中所述二值化图像为黑白图像，即第一数值为255，第二数值为0。
步骤S2，利用若干膨胀核对二值化图像进行膨胀操作，得到若干膨胀图像；基于二值化图像和若干膨胀图像，根据膨胀前后图像中的噪声点差异，确定最优膨胀核。
图像中拉丝部分在拍摄过程中因为灯源以及图像处理中图像分割时的阈值选择的原因，可能会造成拉丝部分不连续或者消失的情况，为了方便检测拉丝部分的总长度是否达到了定义为缺陷的程度，使用膨胀操作，尽可能地将图像中相近的丝连起来，并且还可以扩大一些细小的丝，方便计算。而二值化图像在进行膨胀操作时，可能会使得一些噪声点也跟着膨胀起来，本发明通过自适应核，即改变形态学操作中膨胀核的形状来减少噪声膨胀带来的影响。
一般情况下，膨胀核的大小为3*3，形状为十字形，具体如下：
Figure 522355DEST_PATH_IMAGE005
实施例以大小为3*3的膨胀核为例，说明最优膨胀核的确定过程：
改变膨胀核中有效值即1的分布形状，获取若干膨胀核，下面给出改变有效值分布形状后得到的部分膨胀核的示例，即若干膨胀核包括：
Figure 670571DEST_PATH_IMAGE006
、
Figure 399493DEST_PATH_IMAGE007
、
Figure 478307DEST_PATH_IMAGE008
分别利用每个膨胀核对二值化图像进行膨胀操作，得到若干膨胀图像；基于二值化图像和若干膨胀图像，根据膨胀前后图像中的噪声点差异，确定最优膨胀核。具体地，对于二值化图像和任意一张膨胀图像，计算膨胀前后图像中的噪声点差异，则每张膨胀图像对应一个膨胀前后图像中的噪声点差异，基于得到的所有噪声点差异确定最优膨胀核。
下面以一张膨胀图像为例，说明膨胀前后图像中的噪声点差异的获取过程：
膨胀前后图像中的噪声点差异的获取具体为：对于二值化图像和一张膨胀图像，预设噪声检测算子作为滑窗，分别在二值化图像和一张膨胀图像中滑动，图像中每个窗口区域内的像素值分别和预设噪声检测算子中的值进行比对，提取噪声点；其中，预设噪声检测算子有若干种；根据膨胀前后图像中噪声点的数量差异和膨胀前后每种预设噪声检测算子检测到噪声点的次数差异，获取膨胀前后图像中的噪声点差异。所述预设噪声检测算子大小为
Figure 976284DEST_PATH_IMAGE001
，
Figure 810248DEST_PATH_IMAGE002
为预设值，每种预设噪声检测算子中心区域内第三数值的个数和/或分布形式不同，预设噪声检测算子中心区域外的值为第二数值；中心区域大小为
Figure 760887DEST_PATH_IMAGE003
，
Figure 643392DEST_PATH_IMAGE004
。
优选地，实施例中
Figure 995876DEST_PATH_IMAGE002
值取4，
Figure 938424DEST_PATH_IMAGE009
值为2，第三数值为1，下面给出部分预设噪声检测算子的示例：
Figure 687943DEST_PATH_IMAGE010
、
Figure 108560DEST_PATH_IMAGE011
、
Figure 581130DEST_PATH_IMAGE012
、
Figure 694579DEST_PATH_IMAGE013
对于二值化图像和一张膨胀图像，利用一种预设噪声检测算子在二值化图像和一张膨胀图像中滑动，图像中每个窗口区域内的像素值分别和预设噪声检测算子中的值进行比对，提取噪声点，具体地，窗口区域内的像素值和预设噪声检测算子中的值对应位置相乘，乘积不为0的位置对应的图像像素点为噪声点；滑窗完成后，分别统计二值化图像和一张膨胀图像中该种预设噪声检测算子对应的检测到噪声点的次数和检测到的噪声点的数量，即膨胀前该种预设噪声检测算子检测到噪声点的次数和检测到的噪声点的数量，和膨胀后该种预设噪声检测算子检测到噪声点的次数和检测到的噪声点的数量。每种预设噪声检测算子都在二值化图像和一张膨胀图像滑动，滑窗完成后进行检测到噪声点的次数和检测到的噪声点的数量的统计；一张膨胀图像对应一个膨胀核，则最终可得到一个膨胀核对应的膨胀前每种预设噪声检测算子检测到噪声点的次数、膨胀后每种预设噪声检测算子检测到噪声点的次数、膨胀前检测到的噪声点的数量和、膨胀后检测到的噪声点的数量和。
根据膨胀前后图像中噪声点的数量差异和膨胀前后每种预设噪声检测算子检测到噪声点的次数差异，获取膨胀前后图像中的噪声点差异，作为一个示例，膨胀前后图像中的噪声点差异的计算方法为：
Figure 682127DEST_PATH_IMAGE014
Figure 906435DEST_PATH_IMAGE015
为膨胀前后图像中的噪声点差异；
Figure 967932DEST_PATH_IMAGE016
为膨胀前第
Figure 252283DEST_PATH_IMAGE017
种预设噪声检测算子检测到噪声点的次数，即第
Figure 477859DEST_PATH_IMAGE017
种预设噪声检测算子在二值化图像中检测到噪声点的次数，
Figure 505858DEST_PATH_IMAGE018
为膨胀前第
Figure 687440DEST_PATH_IMAGE017
种预设噪声检测算子检测到噪声点的次数，即第
Figure 877113DEST_PATH_IMAGE017
种预设噪声检测算子在膨胀图像中检测到噪声点的次数；
Figure 839253DEST_PATH_IMAGE019
表示噪声检测算子有
Figure 405364DEST_PATH_IMAGE019
种；
Figure 707032DEST_PATH_IMAGE020
为膨胀前在二值化图像中检测到的噪声点的数量和，
Figure 67606DEST_PATH_IMAGE021
为膨胀后在膨胀图像中检测到的噪声点的数量和。膨胀后膨胀图像中噪声点的数量一定多于二值化图像中噪声点的数量，因此，
Figure 454725DEST_PATH_IMAGE022
，本发明中希望膨胀后噪声增加的越少越好，即
Figure 136111DEST_PATH_IMAGE020
越小越好；同时，希望膨胀后新增的噪声点越少越好，具体地，相较于膨胀前预设噪声检测算子检测到噪声点的次数，膨胀后预设噪声检测算子检测到噪声点的次数增多的越少越好，即膨胀前后预设噪声检测算子检测到噪声点的次数差异越小越好。
按照上述方法，每张膨胀图像对应一个膨胀前后图像中的噪声点差异
Figure 26707DEST_PATH_IMAGE015
，即每个膨胀核对应一个膨胀前后图像中的噪声点差异
Figure 823761DEST_PATH_IMAGE015
。根据每个膨胀核对应一个膨胀前后图像中的噪声点差异
Figure 432597DEST_PATH_IMAGE015
确定最优膨胀核，具体地，膨胀前后图像中噪声点差异最小时，即
Figure 668406DEST_PATH_IMAGE015
值最小时，对应的膨胀核为最优膨胀核。
步骤S3，基于最优膨胀核对二值化图像进行膨胀操作后，进行连通域分析；获取所有可能为瓶胚浇口拉丝的连通域，根据获取的连通域的面积进行瓶胚浇口拉丝的检测。
基于最优膨胀核对二值化图像进行膨胀操作，得到最优膨胀图像；对最优膨胀图像进行连通域分析，并获取所有可能为瓶胚浇口拉丝的连通域。
考虑到拉丝的形状特点，当拉丝为曲线环绕时，该连通区域的面积与拟合矩形的面积比非常小，当拉丝近似为直线时，所得的该区域面积与拟合矩形(最小外接矩)的面积相接近，即面积比结果接近1；此外，拉丝区域的最小外接矩一般情况下长远大于宽，故在判断是否为拉丝区域时，本发明加入了宽长比；因此，获取所有可能为瓶胚浇口拉丝的连通域，具体为：对于每个连通域，获取连通域的面积和其最小外接矩；根据连通域与最小外接矩的面积比和最小外接矩的宽长比计算区域得分；基于每个连通域的区域得分判断其是否为瓶胚浇口拉丝。具体地，连通域与最小外接矩的面积比和最小外接矩的宽长比的乘积为区域得分，连通域与最小外接矩的面积比越小，最小外接矩的宽长比越小，相应的区域得分值越小，该连通域越可能是拉丝区域。每个连通域对应一个区域得分，根据各连通域区域得分的大小，获取所有可能为瓶胚浇口拉丝的连通域，具体地，区域得分小于预设得分阈值的连通域为可能为瓶胚浇口拉丝的连通域。
根据获取的连通域的面积进行瓶胚浇口拉丝的检测，具体为：根据获取的连通域的面积的大小判断是否构成瓶胚浇口拉丝缺陷，当获取的所有可能为瓶胚浇口拉丝的连通域的面积和大于预设面积阈值时，认为瓶胚浇口处存在拉丝缺陷。
基于与上述方法实施例相同的发明构思，本发明一个实施例提供了一种基于形态学的瓶胚浇口拉丝检测系统，该系统包括：
阈值分割模块，用于获取瓶胚浇口图像，利用阈值分割算法，提取瓶胚浇口和/或瓶胚浇口拉丝，得到二值化图像，二值化图像中瓶胚浇口像素和/或瓶胚浇口拉丝像素的值为第一数值，其他像素的值为第二数值；
寻优模块，用于利用若干膨胀核对二值化图像进行膨胀操作，得到若干膨胀图像；基于二值化图像和若干膨胀图像，根据膨胀前后图像中的噪声点差异，确定最优膨胀核；
拉丝检测模块，用于基于最优膨胀核对二值化图像进行膨胀操作后，进行连通域分析；获取所有可能为瓶胚浇口拉丝的连通域，根据获取的连通域的面积进行瓶胚浇口拉丝的检测。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
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 (10)

1.一种基于形态学的瓶胚浇口拉丝检测方法，其特征在于，该方法包括：
获取瓶胚浇口图像，利用阈值分割算法，提取瓶胚浇口和/或瓶胚浇口拉丝，得到二值化图像，二值化图像中瓶胚浇口像素和/或瓶胚浇口拉丝像素的值为第一数值，其他像素的值为第二数值；
利用若干膨胀核对二值化图像进行膨胀操作，得到若干膨胀图像；基于二值化图像和若干膨胀图像，根据膨胀前后图像中的噪声点差异，确定最优膨胀核；
基于最优膨胀核对二值化图像进行膨胀操作后，进行连通域分析；获取所有可能为瓶胚浇口拉丝的连通域，根据获取的连通域的面积进行瓶胚浇口拉丝的检测。
2.如权利要求1所述的方法，其特征在于，膨胀前后图像中的噪声点差异的获取具体为：
对于二值化图像和一张膨胀图像，预设噪声检测算子作为滑窗，分别在二值化图像和一张膨胀图像中滑动，图像中每个窗口区域内的像素值分别和预设噪声检测算子中的值进行比对，提取噪声点；其中，预设噪声检测算子有若干种；
根据膨胀前后图像中噪声点的数量差异和膨胀前后每种预设噪声检测算子检测到噪声点的次数差异，获取膨胀前后图像中的噪声点差异。
3.如权利要求2所述的方法，其特征在于，所述预设噪声检测算子大小为
Figure 907879DEST_PATH_IMAGE001
，
Figure 825019DEST_PATH_IMAGE002
为预设值，每种预设噪声检测算子中心区域内第三数值的个数和/或分布形式不同，预设噪声检测算子中心区域外的值为第二数值；中心区域大小为
Figure 417806DEST_PATH_IMAGE003
，
Figure 813015DEST_PATH_IMAGE004
。
4.如权利要求3所述的方法，其特征在于，获取所有可能为瓶胚浇口拉丝的连通域，具体为：
对于每个连通域，获取连通域的面积和其最小外接矩；根据连通域与最小外接矩的面积比和最小外接矩的宽长比计算区域得分；
基于每个连通域的区域得分判断其是否为瓶胚浇口拉丝。
5.如权利要求4所述的方法，其特征在于，根据获取的连通域的面积进行瓶胚浇口拉丝的检测，具体为：
根据获取的连通域的面积的大小判断是否构成瓶胚浇口拉丝缺陷。
6.一种基于形态学的瓶胚浇口拉丝检测系统，其特征在于，该系统包括：
阈值分割模块，用于获取瓶胚浇口图像，利用阈值分割算法，提取瓶胚浇口和/或瓶胚浇口拉丝，得到二值化图像，二值化图像中瓶胚浇口像素和/或瓶胚浇口拉丝像素的值为第一数值，其他像素的值为第二数值；
寻优模块，用于利用若干膨胀核对二值化图像进行膨胀操作，得到若干膨胀图像；基于二值化图像和若干膨胀图像，根据膨胀前后图像中的噪声点差异，确定最优膨胀核；
拉丝检测模块，用于基于最优膨胀核对二值化图像进行膨胀操作后，进行连通域分析；获取所有可能为瓶胚浇口拉丝的连通域，根据获取的连通域的面积进行瓶胚浇口拉丝的检测。
7.如权利要求6所述的系统，其特征在于，膨胀前后图像中的噪声点差异的获取具体为：
对于二值化图像和一张膨胀图像，预设噪声检测算子作为滑窗，分别在二值化图像和一张膨胀图像中滑动，图像中每个窗口区域内的像素值分别和预设噪声检测算子中的值进行比对，提取噪声点；其中，预设噪声检测算子有若干种；
根据膨胀前后图像中噪声点的数量差异和膨胀前后每种预设噪声检测算子检测到噪声点的次数差异，获取膨胀前后图像中的噪声点差异。
8.如权利要求7所述的系统，其特征在于，所述预设噪声检测算子大小为
Figure 627387DEST_PATH_IMAGE001
，
Figure 512167DEST_PATH_IMAGE002
为预设值，每种预设噪声检测算子中心区域内第三数值的个数和/或分布形式不同，预设噪声检测算子中心区域外的值为第二数值；中心区域大小为
Figure 779200DEST_PATH_IMAGE003
，
Figure 289685DEST_PATH_IMAGE004
。
9.如权利要求8所述的系统，其特征在于，获取所有可能为瓶胚浇口拉丝的连通域，具体为：
对于每个连通域，获取连通域的面积和其最小外接矩；根据连通域与最小外接矩的面积比和最小外接矩的宽长比计算区域得分；
基于每个连通域的区域得分判断其是否为瓶胚浇口拉丝。
10.如权利要求9所述的系统，其特征在于，根据获取的连通域的面积进行瓶胚浇口拉丝的检测，具体为：
根据获取的连通域的面积的大小判断是否构成瓶胚浇口拉丝缺陷。
CN202210315516.XA 2022-03-29 2022-03-29 基于形态学的瓶胚浇口拉丝检测方法及系统 Active CN114419040B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210315516.XA CN114419040B (zh) 2022-03-29 2022-03-29 基于形态学的瓶胚浇口拉丝检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210315516.XA CN114419040B (zh) 2022-03-29 2022-03-29 基于形态学的瓶胚浇口拉丝检测方法及系统

Publications (2)

Publication Number Publication Date
CN114419040A true CN114419040A (zh) 2022-04-29
CN114419040B CN114419040B (zh) 2022-06-03

Family

ID=81263152

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210315516.XA Active CN114419040B (zh) 2022-03-29 2022-03-29 基于形态学的瓶胚浇口拉丝检测方法及系统

Country Status (1)

Country Link
CN (1) CN114419040B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1806924A2 (en) * 2006-01-06 2007-07-11 Sony Corporation Display apparatus and display method, learning apparatus and learning method, and programs therefor
US20140307941A1 (en) * 2011-04-18 2014-10-16 Michelin Recherche Et Technique S.A. Analysis of the digital image of the external surface of a tyre and processing of false measurement points
CN105334219A (zh) * 2015-09-16 2016-02-17 湖南大学 一种残差分析动态阈值分割的瓶口缺陷检测方法
CN105403147A (zh) * 2015-11-20 2016-03-16 山东科技大学 一种基于嵌入式的瓶胚检测系统和检测方法
CN105761271A (zh) * 2016-03-16 2016-07-13 武汉大学 核安全壳表面缺陷自动检测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1806924A2 (en) * 2006-01-06 2007-07-11 Sony Corporation Display apparatus and display method, learning apparatus and learning method, and programs therefor
US20140307941A1 (en) * 2011-04-18 2014-10-16 Michelin Recherche Et Technique S.A. Analysis of the digital image of the external surface of a tyre and processing of false measurement points
CN105334219A (zh) * 2015-09-16 2016-02-17 湖南大学 一种残差分析动态阈值分割的瓶口缺陷检测方法
CN105403147A (zh) * 2015-11-20 2016-03-16 山东科技大学 一种基于嵌入式的瓶胚检测系统和检测方法
CN105761271A (zh) * 2016-03-16 2016-07-13 武汉大学 核安全壳表面缺陷自动检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FU LI 等: "The method for glass bottle defects detecting based on machine vision", 《 2017 29TH CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 *
黄森林: "啤酒空瓶检测机器人的瓶身缺陷检测算法研究及应用", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 *

Also Published As

Publication number Publication date
CN114419040B (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN110992329B (zh) 一种产品表面缺陷检测方法、电子设备及可读存储介质
CN113538433B (zh) 基于人工智能的机械铸件缺陷检测方法及系统
CN115082683A (zh) 一种基于图像处理的注塑缺陷检测方法
CN115082419A (zh) 一种吹塑箱包生产缺陷检测方法
CN109242853A (zh) 一种基于图像处理的pcb缺陷智能检测方法
CN114187289B (zh) 一种基于计算机视觉的塑料制品缩坑检测方法及系统
CN114387233A (zh) 一种基于机器视觉的砂型缺陷检测方法及系统
CN115294410B (zh) 一种基于图形识别的塑料制品成型控制方法
CN115082429B (zh) 一种基于图像处理的铝棒缺陷检测方法
CN115511907B (zh) 一种用于led屏幕的划痕检测方法
CN115063421A (zh) 极片区域检测方法及系统及装置及介质及缺陷检测方法
CN113256624A (zh) 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质
CN116468728A (zh) 一种五金冲压件模具生产质量检测方法
CN114119603A (zh) 基于图像处理的快餐盒短射缺陷检测方法
CN114419040B (zh) 基于形态学的瓶胚浇口拉丝检测方法及系统
CN115042401A (zh) 一种微孔发泡注塑制品的质量检测方法
CN113033417B (zh) 一种妇科微生态中孢子的检测识别方法、设备及存储介质
CN115880280A (zh) 一种钢结构焊缝质量的检测方法
CN115311283A (zh) 一种玻璃拉管缺陷检测方法及系统
CN114905712A (zh) 基于计算机视觉的注塑机械控制方法
CN115222735B (zh) 一种基于麻点缺陷的金属模具质量检测方法
CN116596899A (zh) 基于荧光图像识别循环肿瘤细胞方法、装置、终端及介质
CN116167970A (zh) 一种砂型检测系统及检测方法
CN115239726A (zh) 一种吹线机精准定位线头的智能控制方法
CN114494225A (zh) 一种基于形状特征的纸管破损缺陷检测方法

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