CN114494225A - 一种基于形状特征的纸管破损缺陷检测方法 - Google Patents
一种基于形状特征的纸管破损缺陷检测方法 Download PDFInfo
- Publication number
- CN114494225A CN114494225A CN202210127706.9A CN202210127706A CN114494225A CN 114494225 A CN114494225 A CN 114494225A CN 202210127706 A CN202210127706 A CN 202210127706A CN 114494225 A CN114494225 A CN 114494225A
- Authority
- CN
- China
- Prior art keywords
- image
- paper tube
- outline
- circularity
- contour
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000009776 industrial production Methods 0.000 abstract description 9
- 238000003384 imaging method Methods 0.000 abstract description 4
- 238000009826 distribution Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 239000004753 textile Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G06T7/13—Edge detection
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于形状特征的纸管破损缺陷检测方法,包括:获取纸管图像,图像降采样;图像灰度化;高斯滤波,像素变换操作;二值化处理;边缘轮廓绘制,获取所有轮廓的面积;根据迭代方法保留最大轮廓面积,最大轮廓面积所对应的轮廓为最大轮廓,绘制最大轮廓的最小外接圆,获取最小外接圆的圆心和半径;对最小外接圆进行图像掩膜分割,获取最终轮廓的圆形度;根据最终轮廓的圆形度进行判断。本发明综合考虑了工业生产所成像造成的纸管的各种背景干扰以及背景的特点与分布,从而完全去除背景的干扰而不影响原图像中有用的前景信息,成功对纸管的形状特征输出,并且对纸管破损缺陷检测的准确率高、耗时短。
Description
技术领域
本发明涉及2D工业图像处理技术领域,尤其是一种基于形状特征的纸管破损缺陷检测方法。
背景技术
在日常生活中,纸管随处可见,被广泛用于织物、服装、建筑内饰等领域,其在国防航天、生物医用材料、能源开发等领域也有所涉及。纸管的质量深深影响着与纸管相关领域的质量。而在工业生产线上对纸管的缺陷检测主要采取人工进行检测,但此检测方法受到人为的影响较大,使其生产效率、精确度低下且其劳动力成本之高并且劳动力成本的不断增加,使得企业的发展遇到了瓶颈。而且目前,我国各个高校的教授和学者还处于纸管类产品的自动化检测缺陷研究的起步阶段,虽然获得相关的论文、专利等成果,但是这些成果并不成熟,还只能停留在实验室的研究与验证阶段。
目前针对的纸管破损缺陷方法的研究,主要有三种思路:第一,使用机器学习一些传统特征提取算法,然后对图像处理成数据集后进行训练得到特征向量,再结合标签与机器学习的一些分类方法对其计算出准确率,最终在整张图像上进行滑块预测后检测出该图像是否属于纸管破损;但机器学习的一些传统特征提取方法和机器学习分类方法的种类较多,如何进行选用和改进以获得很高的准确率;并且如何在学习的过程中,如何避免工业生产线上成像带来的一系列干扰。第二,使用深度学习的方法。第三,使用一些传统的图像处理的方法,传统的图像处理方法具有高效性和高稳定性,但局限性较大。
因此,如何能够实现高准确率、高效、实时的去检测的纸管破损缺陷的同时,并且能够及时的使用在一些纺织制造业企业的生产线上已经成为了急需解决的技术问题。
发明内容
本发明的目的在于提供一种能够有效地自动化检测纸管破损缺陷的方法,使纸管不仅能够成功实现自动化缺陷检测,还能大大提高纸管缺陷检测的生产效率及产品质量的基于形状特征的纸管破损缺陷检测方法。
为实现上述目的,本发明采用了以下技术方案:一种基于形状特征的纸管破损缺陷检测方法,该方法包括下列顺序的步骤:
(1)获取纸管图像,进行降采样:读取待检测的纸管图像,对纸管图像的长和宽进行等大缩小;
(2)进行灰度化处理:将等大缩小后的纸管图像转化成为灰度图像;
(3)对灰度图像进行高斯滤波,再进行像素变换操作;
(4)对经像素变换操作后的图像进行二值化处理;
(5)绘制经二值化处理后的图像的轮廓,获取所有轮廓的面积;
(6)根据迭代方法保留最大轮廓面积,最大轮廓面积所对应的轮廓为最大轮廓,绘制最大轮廓的最小外接圆,获取最小外接圆的圆心和半径;
(7)对最小外接圆进行图像掩膜分割,获取最终轮廓的圆形度;
(8)根据最终轮廓的圆形度进行判断:在正常的圆管与破损的圆管的圆形度的范围内选定一个圆形度作为中间阈值,若最终轮廓的圆形度大于等于该中间阈值,则判断待检测的纸管图像中的纸管为正常的纸管,反之,若最终轮廓的圆形度小于该中间阈值,则判断待检测的纸管图像中的纸管为破损的纸管。
在步骤(3)中,所述进行像素变换操作具体包括以下步骤:
(2a)获取高斯滤波后纸管图像的所有像素值;
(2b)定义一个变量,将图像上的所有像素值与这个变量进行比较,若图像上的像素值小于这个变量,则将图像上的像素值变成255即白色,反之,若图像上的像素值大于这个变量,则将图像上的像素值保持不变。
在步骤(5)中,所述绘制经二值化处理后的图像的轮廓具体包括以下步骤:
(3a)对二值化后的图像进行寻找轮廓,背景为黑色,物体为白色;
(3b)寻找白色物体轮廓;
(3c)当寻找轮廓后来绘制白色物体轮廓。
在步骤(5)中,所述获取所有轮廓的面积是指:当寻找轮廓后,计算出图像中所有轮廓的面积。
在步骤(6)中,所述根据迭代方法保留最大轮廓面积具体包括以下步骤:
(5a)迭代:将轮廓的面积从小到大排列;
(5b)获得迭代后最大的轮廓面积,将最大的轮廓面积定义为一个阈值,将小于该阈值的轮廓面积定义为小轮廓,图像中轮廓面积和该阈值相等的轮廓定义为大轮廓,即最终所需要保留的轮廓;
(5c)删除小轮廓。
在步骤(6)中,所述绘制最大轮廓的最小外接圆具体包括以下步骤:
(6a)计算出每个轮廓的圆心坐标以及和半径;
(6b)在绘制的轮廓上绘制最小外接圆。
在步骤(7)中,所述对最小外接圆进行图像掩膜分割具体包括以下步骤:
(7a)创建一张与经降采样后的纸管图像同样大小的图像,将该图像上的所有像素都初始化为0,该图像全为黑色;
(7b)在这张全黑的图像上根据最小外接圆的圆心的坐标和半径绘制圆,并且将圆内的区域的像素值全部设置为255,即圆内的区域都变成白色,圆外的区域是黑色,即得到掩膜图像;
(7c)将经降采样后的纸管图像上的每个像素与掩膜图像对应位置的每个像素进行与运算,得到掩膜后的图像,掩膜后的图像保留着经降采样后的纸管图像上所对应圆内的图像,而在圆外图像均为黑色;
像素相与公式如下:
设置经降采样后的纸管图像的像素为x[i],而掩膜图像只有黑色和白色,黑色像素为0,白色像素为1;
x[i]&1=x[i];与掩膜图像上白色区域相与,最终得到它原本身;
x[i]&0=0;与掩膜图像上黑色区域相与,最终变成黑色。
在步骤(7)中,所述获取最终轮廓的圆形度具体包括以下步骤:
(8a)计算最终轮廓的周长C;
(8b)计算最终轮廓的面积S;
(8c)根据最终轮廓的周长C和面积S,代入圆形度的公式中,计算出最终轮廓所对应的圆形度,圆形度的计算公式如下:
e=4π*S/(C*C)
其中,e代表最终轮廓的圆形度,C代表最终轮廓的周长,S代表最终轮廓的面积。
由上述技术方案可知,本发明的有益效果为:第一,本发明通过图像像素处理一部分背景干扰,进而借助最小外接圆为掩膜从而将最终的背景干扰去除,使得处理后的图像不在含有大量的干扰;第二,解决了从停留在实验室的研究与验证阶段到能够直接使用到工业生产线中,从而使化纤企业避免了在工业生产中采取人工检测纸管缺陷带来的一系列不足;第三,本发明综合考虑了工业生产所成像造成的纸管的各种背景干扰以及背景的特点与分布,从而完全去除背景的干扰而不影响原图像中有用的前景信息,成功对纸管的形状特征输出;第四,本发明对纸管破损缺陷检测的准确率高、耗时短。
附图说明
图1为本发明的方法流程图;
图2(a)为正常的纸管图像;
图2(b)为具有破损的纸管图像;
图3(a)为绘制最终轮廓的最小外接圆的正常纸管图像;
图3(b)为绘制最终轮廓的最小外接圆的具有破损的纸管图像;
图4(a)为完全去除背景干扰的正常纸管图像;
图4(b)为完全去除背景干扰的具有破损的纸管图像;
图5(a)为计算正常纸管图像的圆形度;
图5(b)为计算具有破损的纸管图像的圆形度。
具体实施方式
如图1所示,一种基于形状特征的纸管破损缺陷检测方法,该方法包括下列顺序的步骤:
(1)获取纸管图像,进行降采样:读取待检测的纸管图像,对纸管图像的长和宽进行等大缩小;
(2)进行灰度化处理:将等大缩小后的纸管图像转化成为灰度图像;
(3)对灰度图像进行高斯滤波,再进行像素变换操作;
(4)对经像素变换操作后的图像进行二值化处理;
(5)绘制经二值化处理后的图像的轮廓,获取所有轮廓的面积;
(6)根据迭代方法保留最大轮廓面积,最大轮廓面积所对应的轮廓为最大轮廓,绘制最大轮廓的最小外接圆,获取最小外接圆的圆心和半径;
(7)对最小外接圆进行图像掩膜分割,获取最终轮廓的圆形度;
(8)根据最终轮廓的圆形度进行判断:在正常的圆管与破损的圆管的圆形度的范围内选定一个圆形度作为中间阈值,若最终轮廓的圆形度大于等于该中间阈值,则判断待检测的纸管图像中的纸管为正常的纸管,反之,若最终轮廓的圆形度小于该中间阈值,则判断待检测的纸管图像中的纸管为破损的纸管。
在步骤(3)中,所述进行像素变换操作具体包括以下步骤:
(2a)获取高斯滤波后纸管图像的所有像素值;
(2b)定义一个变量,将图像上的所有像素值与这个变量进行比较,若图像上的像素值小于这个变量,则将图像上的像素值变成255即白色,反之,若图像上的像素值大于这个变量,则将图像上的像素值保持不变。
在步骤(5)中,所述绘制经二值化处理后的图像的轮廓具体包括以下步骤:
(3a)对二值化后的图像进行寻找轮廓,背景为黑色,物体为白色;
(3b)使用opencv库中函数findContours()寻找白色物体轮廓;
(3c)当寻找轮廓后,使用opencv库中的函数drawContours()来绘制白色物体轮廓。
在步骤(5)中,所述获取所有轮廓的面积是指:当寻找轮廓后,使用opencv库中的函数contourArea()来计算出图像中所有轮廓的面积。
在步骤(6)中,所述根据迭代方法保留最大轮廓面积具体包括以下步骤:
(5a)迭代:将轮廓的面积从小到大排列;
(5b)获得迭代后最大的轮廓面积,将最大的轮廓面积定义为一个阈值,将小于该阈值的轮廓面积定义为小轮廓,图像中轮廓面积和该阈值相等的轮廓定义为大轮廓,即最终所需要保留的轮廓;
(5c)通过opencv库中的contours.erase(it)函数删除小轮廓。
在步骤(6)中,所述绘制最大轮廓的最小外接圆具体包括以下步骤:
(6a)使用opencv库中的函数minEnclosingCircle()计算出每个轮廓的圆心坐标以及和半径;
(6b)在绘制的轮廓上使用函数circle()绘制最小外接圆。
在步骤(7)中,所述对最小外接圆进行图像掩膜分割具体包括以下步骤:
(7a)创建一张与经降采样后的纸管图像同样大小的图像,将该图像上的所有像素都初始化为0,该图像全为黑色;
(7b)在这张全黑的图像上根据最小外接圆的圆心的坐标和半径绘制圆,并且将圆内的区域的像素值全部设置为255,即圆内的区域都变成白色,圆外的区域是黑色,即得到掩膜图像;
(7c)将经降采样后的纸管图像上的每个像素与掩膜图像对应位置的每个像素进行与运算,得到掩膜后的图像,掩膜后的图像保留着经降采样后的纸管图像上所对应圆内的图像,而在圆外图像均为黑色;
像素相与公式如下:
设置经降采样后的纸管图像的像素为x[i],而掩膜图像只有黑色和白色,黑色像素为0,白色像素为1;
x[i]&1=x[i];与掩膜图像上白色区域相与,最终得到它原本身;
x[i]&0=0;与掩膜图像上黑色区域相与,最终变成黑色。
在步骤(7)中,所述获取最终轮廓的圆形度具体包括以下步骤:
(8a)在绘制的轮廓上使用函数arcLength()计算最终轮廓的周长C;
(8b)在绘制的轮廓上使用函数contourArea()计算最终轮廓的面积S;
(8c)根据最终轮廓的周长C和面积S,代入圆形度的公式中,计算出最终轮廓所对应的圆形度,圆形度的计算公式如下:
e=4π*S/(C*C)
其中,e代表最终轮廓的圆形度,C代表最终轮廓的周长,S代表最终轮廓的面积。
如图2(a)所示,图像是由在纺织工业生产线上相机所拍的正常纸管图像,由图可看出正常纸管图像的最外轮廓和圆形接近;如图2(b)所示,图像是由在纺织工业生产线上相机所拍的破损纸管图像,由图可看出破损纸管图像的最外轮廓是相似圆破损了一部分。
如图3(a)所示,为绘制最终轮廓的最小外接圆的正常纸管图像,从图中看到纸管的轮廓边缘被其最小外接圆所覆盖;如图3(b)所示,为绘制最终轮廓的最小外接圆的破损纸管图像,从图中看到纸管的轮廓边缘被其最小外接圆所覆盖;
如图4(a)所示,为完全去除背景干扰的正常纸管图像,从图中可知最终只剩下所需要的纸管,无其他干扰因素;如图4(b)所示,为完全去除背景干扰的破损纸管图像,从图中可知最终只剩下所需要的纸管,无其他干扰因素;
如图5(a)所示,为计算正常纸管图像的圆形度,由正常纸管图像的圆形度大于一定的阈值,判断为正常纸管图像;如图5(b)所示,为计算破损纸管图像的圆形度,由正常纸管图像的圆形度小于一定的阈值,判断为破损纸管图像。
综上所述,本发明通过图像像素处理一部分背景干扰,进而借助最小外接圆为掩膜从而将最终的背景干扰去除,使得处理后的图像不在含有大量的干扰;解决了从停留在实验室的研究与验证阶段到能够直接使用到工业生产线中,从而使化纤企业避免了在工业生产中采取人工检测纸管缺陷带来的一系列不足;本发明综合考虑了工业生产所成像造成的纸管的各种背景干扰以及背景的特点与分布,从而完全去除背景的干扰而不影响原图像中有用的前景信息,成功对纸管的形状特征输出。
Claims (8)
1.一种基于形状特征的纸管破损缺陷检测方法,其特征在于:该方法包括下列顺序的步骤:
(1)获取纸管图像,进行降采样:读取待检测的纸管图像,对纸管图像的长和宽进行等大缩小;
(2)进行灰度化处理:将等大缩小后的纸管图像转化成为灰度图像;
(3)对灰度图像进行高斯滤波,再进行像素变换操作;
(4)对经像素变换操作后的图像进行二值化处理;
(5)绘制经二值化处理后的图像的轮廓,获取所有轮廓的面积;
(6)根据迭代方法保留最大轮廓面积,最大轮廓面积所对应的轮廓为最大轮廓,绘制最大轮廓的最小外接圆,获取最小外接圆的圆心和半径;
(7)对最小外接圆进行图像掩膜分割,获取最终轮廓的圆形度;
(8)根据最终轮廓的圆形度进行判断:在正常的圆管与破损的圆管的圆形度的范围内选定一个圆形度作为中间阈值,若最终轮廓的圆形度大于等于该中间阈值,则判断待检测的纸管图像中的纸管为正常的纸管,反之,若最终轮廓的圆形度小于该中间阈值,则判断待检测的纸管图像中的纸管为破损的纸管。
2.根据权利要求1所述的基于形状特征的纸管破损缺陷检测方法,其特征在于:在步骤(3)中,所述进行像素变换操作具体包括以下步骤:
(2a)获取高斯滤波后纸管图像的所有像素值;
(2b)定义一个变量,将图像上的所有像素值与这个变量进行比较,若图像上的像素值小于这个变量,则将图像上的像素值变成255即白色,反之,若图像上的像素值大于这个变量,则将图像上的像素值保持不变。
3.根据权利要求1所述的基于形状特征的纸管破损缺陷检测方法,其特征在于:在步骤(5)中,所述绘制经二值化处理后的图像的轮廓具体包括以下步骤:
(3a)对二值化后的图像进行寻找轮廓,背景为黑色,物体为白色;
(3b)寻找白色物体轮廓;
(3c)当寻找轮廓后来绘制白色物体轮廓。
4.根据权利要求1所述的基于形状特征的纸管破损缺陷检测方法,其特征在于:在步骤(5)中,所述获取所有轮廓的面积是指:当寻找轮廓后,计算出图像中所有轮廓的面积。
5.根据权利要求1所述的基于形状特征的纸管破损缺陷检测方法,其特征在于:在步骤(6)中,所述根据迭代方法保留最大轮廓面积具体包括以下步骤:
(5a)迭代:将轮廓的面积从小到大排列;
(5b)获得迭代后最大的轮廓面积,将最大的轮廓面积定义为一个阈值,将小于该阈值的轮廓面积定义为小轮廓,图像中轮廓面积和该阈值相等的轮廓定义为大轮廓,即最终所需要保留的轮廓;
(5c)删除小轮廓。
6.根据权利要求1所述的基于形状特征的纸管破损缺陷检测方法,其特征在于:在步骤(6)中,所述绘制最大轮廓的最小外接圆具体包括以下步骤:
(6a)计算出每个轮廓的圆心坐标以及和半径;
(6b)在绘制的轮廓上绘制最小外接圆。
7.根据权利要求1所述的基于形状特征的纸管破损缺陷检测方法,其特征在于:在步骤(7)中,所述对最小外接圆进行图像掩膜分割具体包括以下步骤:
(7a)创建一张与经降采样后的纸管图像同样大小的图像,将该图像上的所有像素都初始化为0,该图像全为黑色;
(7b)在这张全黑的图像上根据最小外接圆的圆心的坐标和半径绘制圆,并且将圆内的区域的像素值全部设置为255,即圆内的区域都变成白色,圆外的区域是黑色,即得到掩膜图像;
(7c)将经降采样后的纸管图像上的每个像素与掩膜图像对应位置的每个像素进行与运算,得到掩膜后的图像,掩膜后的图像保留着经降采样后的纸管图像上所对应圆内的图像,而在圆外图像均为黑色;
像素相与公式如下:
设置经降采样后的纸管图像的像素为x[i],而掩膜图像只有黑色和白色,黑色像素为0,白色像素为1;
x[i]&1=x[i];与掩膜图像上白色区域相与,最终得到它原本身;
x[i]&0=0;与掩膜图像上黑色区域相与,最终变成黑色。
8.根据权利要求1所述的基于形状特征的纸管破损缺陷检测方法,其特征在于:在步骤(7)中,所述获取最终轮廓的圆形度具体包括以下步骤:
(8a)计算最终轮廓的周长C;
(8b)计算最终轮廓的面积S;
(8c)根据最终轮廓的周长C和面积S,代入圆形度的公式中,计算出最终轮廓所对应的圆形度,圆形度的计算公式如下:
e=4π*S/(C*C)
其中,e代表最终轮廓的圆形度,C代表最终轮廓的周长,S代表最终轮廓的面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210127706.9A CN114494225A (zh) | 2022-02-11 | 2022-02-11 | 一种基于形状特征的纸管破损缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210127706.9A CN114494225A (zh) | 2022-02-11 | 2022-02-11 | 一种基于形状特征的纸管破损缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114494225A true CN114494225A (zh) | 2022-05-13 |
Family
ID=81480439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210127706.9A Pending CN114494225A (zh) | 2022-02-11 | 2022-02-11 | 一种基于形状特征的纸管破损缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114494225A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115055301A (zh) * | 2022-05-30 | 2022-09-16 | 上海应用技术大学 | 一种带有视觉定位的实验用自动喷涂机 |
-
2022
- 2022-02-11 CN CN202210127706.9A patent/CN114494225A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115055301A (zh) * | 2022-05-30 | 2022-09-16 | 上海应用技术大学 | 一种带有视觉定位的实验用自动喷涂机 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108280823B (zh) | 一种工业生产中光缆表面弱边缘瑕疵的检测方法及系统 | |
CN111539935B (zh) | 一种基于机器视觉的电缆表面缺陷在线检测方法 | |
CN107742286B (zh) | 一种多晶硅太阳能电池片el测试裂纹缺陷检测方法 | |
CN110223296A (zh) | 一种基于机器视觉的螺纹钢表面缺陷检测方法及系统 | |
CN108647706B (zh) | 基于机器视觉的物品识别分类与瑕疵检测方法 | |
CN112614062A (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN111754538B (zh) | Usb表面缺陷检测的阈值分割方法 | |
CN114494226B (zh) | 一种基于图形质心跟踪算法的纺织丝饼油污缺陷检测方法 | |
CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及系统 | |
CN112435272B (zh) | 一种基于图像轮廓分析的高压输电线连通域去除方法 | |
CN112381140B (zh) | 一种基于新特征参数的磨粒图像机器学习识别方法 | |
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 | |
CN115797813B (zh) | 基于航拍图像的水环境污染检测方法 | |
CN114511527A (zh) | 基于扩展局部二值模式的纺织丝饼成型不良缺陷检测方法 | |
CN112861654A (zh) | 一种基于机器视觉的名优茶采摘点位置信息获取方法 | |
CN109949294A (zh) | 一种基于OpenCV的断口形貌图裂纹缺陷提取方法 | |
CN113221881A (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
CN114494225A (zh) | 一种基于形状特征的纸管破损缺陷检测方法 | |
CN115587966A (zh) | 一种在光照不均匀条件下零件有无缺漏的检测方法及系统 | |
Dong et al. | A rapid detection method for the surface defects of mosaic ceramic tiles | |
CN113888456B (zh) | 一种基于轮廓的角点检测方法 | |
CN113516627A (zh) | 一种酒瓶中异物检测装置及方法 | |
CN114067122B (zh) | 一种两级式二值化图像处理方法 | |
CN114782413A (zh) | 一种基于显微镜图像的星杆藻类细胞统计方法 |
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 |