CN114549441A - 基于图像处理的吸管缺陷检测方法 - Google Patents
基于图像处理的吸管缺陷检测方法 Download PDFInfo
- Publication number
- CN114549441A CN114549441A CN202210134173.7A CN202210134173A CN114549441A CN 114549441 A CN114549441 A CN 114549441A CN 202210134173 A CN202210134173 A CN 202210134173A CN 114549441 A CN114549441 A CN 114549441A
- Authority
- CN
- China
- Prior art keywords
- image
- straw
- pixel
- gray
- 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
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
- 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
- G01N21/8806—Specially adapted optical and illumination features
-
- 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
- G06T7/136—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
- G06T7/187—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
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像处理的吸管缺陷检测方法,包括步骤为:获取多侧面吸管图像数据;吸管区域定位分割;黑点特征检测:根据选择性中值滤波算法进行滤波,获得滤波图像;根据局部动态阈值算法,对滤波后图像进行二值分割,并对连通区域进行标记;根据标记的连通区域,选择黑点特征;黄斑特征检测:将吸管区域图像增强后映射到频率域,进行自适应低通滤波后映射回空间域;对滤波后图像与增强图像做差分以及阈值分割,标记连通区域,检测黄斑特征;吸管缺陷判断。本发明适用于传统塑料吸管以及新型可降解吸管,普适性强。受环境影响小,检测缺陷尺度范围广,检测速度快,提高了缺陷检出的准确率。
Description
技术领域
本发明涉及吸管生产与表面缺陷检测领域,特别是一种基于图像处理的吸管缺陷检测方法。
背景技术
可降解吸管(如PLA材质的吸管),在生产过程中,由于吸管本身材料以及工艺等原因,吸管壁上会存在黑点和黄斑。上述存在黑点和黄斑的吸管属于不合格吸管。为了不让不合格吸管流入市场,也为了把控吸管生产的质量、改进优化吸管生产工艺,生产过程中需要将存在黑点黄斑缺陷的吸管检测出来。
可降解吸管作为一种新的技术,近年来才得以广泛应用。目前可降解吸管由于应用不久以及其材质等原因,传统塑料吸管的检测算法无法针对性解决由于可降解吸管材质不均匀性以及褶皱所带来的误判问题,不适用于新型可降解吸管的检测。
目前,可降解吸管检测主要还依赖于人工检测的方式。工人通过肉眼识别存在黑点和黄斑的吸管,手动检出剔除。人工检测存在很多问题:
1、需要耗费大量人力,人力成本过高。
2、部分黑点尺度较小,人眼容易漏过,出现漏检。
3、检测工人的检测标准不一,具有很强的主观性。
4、长时间检测容易造成工人视觉疲劳,影响检测精度,出现错检漏检。
5、人工检测对周围环境要求较高,对生产卫生也提出了高要求。
目前亟待出现能代替人工检测的吸管缺陷检测方法,且适用于可降解吸管的检测,具备高鲁棒性和高准确性。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,而提供一种基于图像处理的吸管缺陷检测方法,该基于图像处理的吸管缺陷检测方法能避免人工检测的弊端,提高黑点黄斑检出的准确率。
为解决上述技术问题,本发明采用的技术方案是:
一种基于图像处理的吸管缺陷检测方法,包括如下步骤。
步骤S1、获取多侧面吸管图像:使用图像采集装置获取待测吸管沿周向的多个侧面图像。
步骤S2、吸管区域定位分割:对步骤S1中获取的待测吸管的每个侧面图像均进行灰度化处理,并将吸管图像与背景图像进行分割,从而得到分割后的吸管区域图像。
步骤S3、检测黑点,具体包括以下步骤:
步骤S3.1、中值滤波去噪:基于选择性中值滤波算法,对步骤S2得到的每个吸管区域图像均进行选择性中值滤波、去噪,获得滤波后的吸管区域图像。
步骤S3.2、二值分割:基于局部动态极差阈值算法,对每个滤波后的吸管区域图像均进行二值分割,并将灰度极差不低于设定阈值的像素点置为1,否则置为0,从而获得灰度极差二值图像。
步骤S3.3、连通域标记:对每个灰度极差二值图像中像素点为1的区域,均进行连通域标记,并进行形态学处理,获得处理后的连通区域一。
步骤S3.4、检测黑点:对每个灰度极差二值图像中的每个连通区域一分别做黑点特征选择,从而检测灰度极差二值图像是否具有黑点;其中,黑点特征为同时满足如下三个特征:a)连通区域一面积位于设定黑点面积范围内;b)连通区域一位置位于对应灰度极差二值图像的非边缘位置;c)连通区域一的形状为不低于设定圆度的圆形。
步骤S4、检测黄斑,具体包括以下步骤。
步骤S4.1、增强图像:对步骤S2得到的每个吸管区域图像均进行灰度反转,增强图像。
步骤S4.2、傅里叶变换:将步骤S4.1的每个增强图像均进行傅里叶变换,将其映射为频率域图像。
步骤S4.3、获取低通滤波频率域图像:创建低通滤波器,对步骤S4.2得到的每个频率域图像均进行低通滤波,从而获得低通滤波频率域图像。
步骤S4.4、傅里叶反变换:将低通滤波频率域图像做傅里叶反变换,将其映射为空间域图像。
步骤S4.5、图像差分:将步骤S4.4得到的空间域图像与步骤S4.1得到的增强图像,做图像差分,获得差分图像。
步骤S4.6、三角阈值分割:对差分图像计算三角阈值,并根据计算的三角阈值对差分图像进行二值化分割;分割时,将差分图像中像素值不低于三角阈值的像素点置为1,否则置为0,从而得到三角阈值分割图像。
步骤S4.7、连通域标记:对每个三角阈值分割图像中像素点为1的区域,均进行连通域标记,并进行形态学处理,获得处理后的连通区域二。
步骤S4.8、检测黄斑:对每个三角阈值分割图像中的每个连通区域二分别做黄斑特征选择,从而检测三角阈值分割图像是否具有黄斑;其中,黄斑特征为同时满足如下三个特征:a)连通区域二面积位于设定黄斑面积范围内;b)连通区域二位置位于对应三角阈值分割图像的非边缘位置;c)连通区域二的形状为不低于设定圆度的圆形。
步骤S5、吸管缺陷判定:当待测吸管具有如下A和B两项中任一项时,则判断该待测吸管为缺陷吸管。
A、步骤S3.4中,任一灰度极差二值图像的任一连通区域一具有黑点。
B、步骤S4.8中,任一三角阈值分割图像的任一连通区域二具有黄斑。
步骤S1中,将n个图像采集装置沿周向均匀布设在待测吸管的外周,从而能获取待测吸管沿周向的n个侧面图像;每个图像采集装置的视角范围为α,则n*α>360°;其中,n≥2。
步骤S2中,采用吸管定位算法将吸管图像与背景图像进行分割,具体分割方法包括如下步骤。
步骤S2.1、对每个吸管侧面图像均进行中值滤波,去除背景噪声点和吸管边缘噪点,获得增强图像。
步骤S2.2、对增强图像进行最大类间方差二值分割,将吸管图像与背景图像相分离,提取得到吸管区域图像。
步骤S3.1中,选择性中值滤波算法进行选择性中值滤波和去噪的方法,包括如下步骤:
步骤S3.1A、判断极值:创建滤波窗口,并使滤波窗口在对应吸管区域图像上滑动,判断当前滤波窗口内当前像素灰度值是否为该滤波窗口覆盖下的极大值或极小值。
步骤S3.1B、中值滤波:当步骤S3.1A判断判断为极大值或极小值时,则对当前滤波窗口内当前像素进行正常中值滤波;否则,跳过该像素。
步骤S3.2中,采用局部动态极差阈值算法,对吸管区域图像进行二值分割的方法,具体包括如下步骤。
步骤S3.2A、计算灰度极差:创建滑动窗口在滤波后的当前吸管区域图像上滑动,统计当前滑动窗口内所有像素的最大值与最小值,将最大值与最小值的均值作为当前吸管区域图像的灰度极差。
步骤S3.2B、二值分割:将当前吸管区域图像的灰度极差与设定阈值进行比较,若灰度极差不低于设定阈值,则该灰度极差对应的像素点为前景,并置为1,否则置为0。
步骤S4.1中,图像增强的方法,具体包括如下步骤。
步骤S4.1A、灰度反转:遍历吸管区域图像的每个像素,将吸管区域图像中每个像素的像素灰度值均与灰度值255相减;接着,将相减后的绝对值作为吸管区域图像中对应像素的新像素灰度值,从而获得灰度反转图像。
步骤S4.1B、增强图像:将灰度反转图像的像素值,均乘以大于1的权重,并加上偏置系数,使得灰度值越小的像素变化越小,灰度值越大的像素灰度值变化越大,从而使图像得到增强。
步骤S4.3中,低通滤波器中元素(x,y)对应的元素值f(x,y)的表达式为:
式中,x、y分别为元素(x,y)的横纵坐标;σ为自适应偏差,具体计算公式为:
其中,gΔ(P)为步骤S4.1中增强图像的灰度差分,ent(P)为步骤S4.1中的增强图像熵,C为大于零的常数。
步骤S4.5中图像差分的具体方法,包括如下步骤:
步骤S4.5A、将步骤S4.4得到的空间域图像与步骤S4.1得到的增强图像对应的像素值相减,获得相减后的差值图像。
步骤S4.5B、所述相减后的图像逐像素乘以相关系数,再加上灰度补充值,从而获得差分图像。
步骤S4.6中,对差分图像计算三角阈值的方法为:对步骤S4.5的差分图像计算图像灰度直方图,遍历图像灰度直方图并记录两侧边界,寻找该图像灰度直方图的像素灰度最大值,并将其作为三角阈值。
本发明具有如下有益效果:
1、本发明通过采集吸管图像,能自动检出黑点和黄斑,从而降低检测成本,统一检测标准,减少缺陷吸管的错检漏检。
2、本发明检测鲁棒性能好,对于外界光照适应性强,检测速度快,可应用于吸管生产过程中实时检测缺陷吸管,且可配合吸管剔除装置剔除缺陷吸管。
3、本发明能适用于传统塑料吸管以及新型可降解吸管,普适性强,且受环境影响小,检测缺陷尺度范围广,检测速度快,提高缺陷检出的准确率。
4、本发明能适用于新型PLA吸管中黑点和黄斑的准确可靠检出,避免PLA吸管因材质不均匀或因存在褶皱等导致的漏检。如在黑点检测时,使用动态阈值解决不均匀的问题,通过特征选择筛除的方式解决褶皱的漏检;在黄斑检测时,采用傅里叶变换到频率域处理克服不均匀,使用自适应偏差作为傅里叶参数,解决褶皱影响的黄斑检测。
附图说明
图1显示了本发明一种基于图像处理的吸管缺陷检测方法的流程图。
具体实施方式
下面结合附图和具体较佳实施方式对本发明作进一步详细的说明。
本发明的描述中,需要理解的是,术语“左侧”、“右侧”、“上部”、“下部”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,“第一”、“第二”等并不表示零部件的重要程度,因此不能理解为对本发明的限制。本实施例中采用的具体尺寸只是为了举例说明技术方案,并不限制本发明的保护范围。
如图1所示,一种基于图像处理的吸管缺陷检测方法,包括如下步骤。
步骤S1、获取多侧面吸管图像:使用图像采集装置获取待测吸管沿周向的多个侧面图像。
由于吸管外侧面为一个柱体表面,只使用一台工业相机无法采集一整个吸管的表面,故而图像采集装置使用多个相机拍摄同一吸管的不同侧面,从而不存在视野盲区,让吸管的所有表面都能采集到图像。多相机采集图像的方法,便于在生产中能够实时自动检测吸管。
上述图像采集装置的优选布设方法为:将n个图像采集装置沿周向均匀布设在待测吸管的外周,从而能获取待测吸管沿周向的n个侧面图像;每个图像采集装置的视角范围为α,则n*α>360°;其中,n≥2。在本实施例中,优选n=3,α=180°。
进一步,图像采集装置优选为大于40帧的高帧率相机,从而能适应于快速运动的吸管生产线,实现吸管的在线实时检测。
步骤S2、吸管区域定位分割
1、对步骤S1中获取的待测吸管的每个侧面图像均采用图像灰度化处理,利用像素灰度值表征像素颜色。灰度化方法优选为将彩色三通道图像的R、G、B三个通道的分量根据颜色公式,通过加权相加,得到图像的灰度值,并转化为单通道灰度图像。当然,作为替换,也可采用现有技术中的其他灰度化方法。
2、优选采用吸管定位算法将吸管图像与背景图像进行分割,从而得到分割后的吸管区域图像。其中,具体分割方法优选包括如下步骤。
步骤S2.1、增强图像
对每个吸管侧面图像均进行中值滤波,将图像中该点区域中点的值使用中值代替,去除背景噪声点和吸管边缘噪点,从而得到增强图像。
上述中值滤波的方法优选为:将滤波器在图像中滑动,模板中心与图像中某像素值重合;读取模板中对应像素的灰度值;将这些灰度值从小到大排列,取中间值作为该图像灰度值。
步骤S2.2、对步骤S2.1的增强图像进行最大类间方差二值分割,将吸管图像与背景图像相分离,提取得到吸管区域图像。
设增强图像总的像素点个数为N,增强图像共有256个灰度级[0,1,2,…、i、…、255]。灰度级为i的像素点个数为ni,则增强图像中灰度级i的概率分布pi为:
N=n0+n1+…+ni+n255
其中,n0为灰度级为0的像素点个数;n1为灰度级为0的像素点个数。
设最大类间方差二值分割的分割阈值为k(为待求解量),则吸管图像(也称前景)包含灰度值为[0,1,2,…,k]的图像像素点,像素个数为N1;背景图像(也称背景)包含灰度值为[k+1,k+2,…,255]的图像像素点,像素个数为N2,则前景的灰度概率P1和背景的灰度概率P2分别为:
P1=p0+p1+…+pk
P2=pk+1+pk+2+…+p255
其中,p0为灰度级为0的概率分布;p1为灰度级为1的概率分布;pk为灰度级为k的概率分布;pk+1为灰度级为k+1的概率分布;pk+2为灰度级为k+2的概率分布;p255为灰度级为255的概率分布。
前景的平均灰度值u1和背景的平均灰度值u2的计算公式分别为:
u1=(p0*0+p1*1+…+pk*k)/N1
u2=(pk+1*(k+1)+pk+2*(k+2)+…+p255*255)/N2
类间方差g的计算公式为:
g=P1*P2*(u1-u2)2
统计类间方差,使得g值最大,将g值最大时的k值作为二值分割的阈值。
步骤S3、检测黑点,具体包括以下步骤。
步骤S3.1、中值滤波去噪:基于选择性中值滤波算法,对步骤S2得到的每个吸管区域图像均进行选择性中值滤波、去噪,获得滤波后的吸管区域图像。
上述选择性中值滤波算法进行选择性中值滤波和去噪的方法,优选包括如下步骤。
步骤S3.1A、判断极值:创建滤波窗口,并使滤波窗口在对应吸管区域图像上逐像素滑动,判断当前滤波窗口内当前像素灰度值是否为该滤波窗口覆盖下的极大值或极小值。
步骤S3.1B、中值滤波:当步骤S3.1A判断判断为极大值或极小值时,则对当前滤波窗口内当前像素进行正常中值滤波;否则,跳过该像素。
其中,m,n为吸管区域图像中像素的行和列;p(m,n)为中值滤波前当前像素(m,n)的像素灰度值;MedianBlur(p(m,n))为当前像素(m,n)施加中值滤波后的像素灰度值。
步骤S3.2、二值分割:基于局部动态极差阈值算法,对每个滤波后的吸管区域图像均进行二值分割,并将灰度极差不低于设定阈值的像素点置为1,否则置为0,从而获得灰度极差二值图像。
上述采用局部动态极差阈值算法,对吸管区域图像进行二值分割的方法,具体包括如下步骤。
步骤S3.2A、计算灰度极差:创建滑动窗口在滤波后的当前吸管区域图像上滑动,统计当前滑动窗口内所有像素的最大值与最小值,将最大值与最小值的均值p作为当前吸管区域图像的灰度极差。
步骤S3.2B、二值分割:将当前吸管区域图像的灰度极差与设定阈值T进行比较,若灰度极差不低于设定阈值,则该灰度极差对应的像素点为前景,并置为1,否则置为0。
设当前滤波窗口内当前像素(m,n)施加局部动态极差阈值算法后的像素值为Thres(m,n),则
步骤S3.3、连通域标记:对每个灰度极差二值图像中像素点为1的区域,均进行连通域标记,并进行形态学处理,获得处理后的连通区域一。其中,形态学处理,为现有技术,优选为:对连通区域一做灰度开运算,获取开运算后连通区域;开运算包含使用结构元素对连通区域一先后采用腐蚀运算和膨胀运算。
本申请中,连通域一和连通域二是指图像中相同像素值且位置相邻的像素构成的区域。
步骤S3.4、检测黑点:对每个灰度极差二值图像中的每个连通区域一分别做黑点特征选择,从而检测灰度极差二值图像是否具有黑点;其中,黑点特征为同时满足如下三个特征:a)连通区域一面积位于设定黑点面积范围内;b)连通区域一位置位于对应灰度极差二值图像的非边缘位置;c)连通区域一的形状为不低于设定圆度的圆形。
步骤S3.5、黑点统计:对步骤S3.4检测得到的每个黑点均记录黑点面积及位置坐标,对位置坐标相同的黑点仅保留一个,统计得到黑点总数量。此步骤,可以根据需要进行设计。
步骤S4、检测黄斑,具体包括以下步骤。
步骤S4.1、增强图像:对步骤S2得到的每个吸管区域图像均进行灰度反转,增强图像,具体增强的方法,具体优选包括如下步骤。
步骤S4.1A、灰度反转
先遍历吸管区域图像的每个像素,将吸管区域图像中每个像素的像素灰度值均与灰度值255相减。接着,将相减后的绝对值作为吸管区域图像中对应像素的新像素灰度值,从而获得灰度反转图像。
步骤S4.1B、增强图像:将灰度反转图像的像素值,均乘以大于1的权重,并加上偏置系数,使得灰度值越小的像素变化越小,灰度值越大的像素灰度值变化越大,从而使图像得到增强。
步骤S4.2、傅里叶变换:将步骤S4.1的每个增强图像均进行傅里叶变换,将其映射为频率域图像。傅里叶变换方法为现有技术,这里不再赘述。本发明通过傅里叶变换到频率域处理克服不均匀,使用可变sigma作为傅里叶参数,解决褶皱影响黄斑检测。
步骤S4.3、获取低通滤波频率域图像:创建低通滤波器,对步骤S4.2得到的每个频率域图像均进行低通滤波,从而获得低通滤波频率域图像。
上述低通滤波器中元素(x,y)对应的元素值f(x,y)的表达式优选为:
式中,x、y分别为元素(x,y)的横纵坐标;σ为自适应偏差,具体计算公式为:
其中,gΔ(P)为步骤S4.1中增强图像的灰度差分,ent(P)为步骤S4.1中的增强图像熵,C为大于零的常数。
本发明中通过灰度差分和图像熵,对图像做纹理分析。纹理越多,包含缺陷概率越大,σ值越小;纹理越小,包含缺陷概率越小,σ值越大。低通滤波器符合基于σ值的高斯分布。本发明基于自适应σ值的低通滤波可过滤PLA吸管表面褶皱对黄斑检测的干扰。
步骤S4.4、傅里叶反变换:将低通滤波频率域图像做傅里叶反变换,将其映射为空间域图像。
步骤S4.5、图像差分:将步骤S4.4得到的空间域图像与步骤S4.1得到的增强图像,做图像差分,获得差分图像。
步骤S4.5中图像差分的具体方法,包括如下步骤:
步骤S4.5A、将步骤S4.4得到的空间域图像与步骤S4.1得到的增强图像对应的像素值相减,获得相减后的差值图像。
步骤S4.5B、所述相减后的图像逐像素乘以相关系数,优选为大于0的常数,用于拉大相减后的差值图像的对比度;然后再加上灰度补充值,优选为大于0的常数,用于提高相减后的差值图像的亮度,从而获得差分图像。
步骤S4.6、三角阈值分割:对差分图像计算三角阈值,并根据计算的三角阈值对差分图像进行二值化分割;分割时,将差分图像中像素值不低于三角阈值的像素点置为1,否则置为0,从而得到三角阈值分割图像。
上述对差分图像计算三角阈值的方法为:对步骤S4.5的差分图像计算图像灰度直方图,遍历图像灰度直方图并记录两侧边界,寻找该图像灰度直方图的像素灰度最大值,并将其作为三角阈值。
设待差分图像计算图像灰度直方图Hist,第i阶灰度值的像素数量为Hist(i),遍历直方图,记录两侧边界,左侧边界灰度值为left_bound,其像素数为Hist(left_bound),右侧边界灰度值为right_bound,其像素数为Hist(left_bound)。遍历该直方图灰度像素数最大值,令最大值时的灰度值为max,其像素数为Hist(max)。若其灰度最大值出现在暗的一侧,则翻转灰度直方图。设灰度阈值为T,T为left_bound到max之间的自然数,其像素数为Hist(T),令:
y=Hist(max)*T+(max-left_bound)*Hist(T),且left_bound≤T≤max
遍历所有灰度值T,取令上述公式y为最大值时的灰度值T作为阈值,对差分图像做二值分割。
步骤S4.7、连通域标记:对每个三角阈值分割图像中像素点为1的区域,均进行连通域标记,并进行形态学处理,获得处理后的连通区域二。
步骤S4.8、检测黄斑:对每个三角阈值分割图像中的每个连通区域二分别做黄斑特征选择,从而检测三角阈值分割图像是否具有黄斑;其中,黄斑特征为同时满足如下三个特征:a)连通区域二面积位于设定黄斑面积范围内;b)连通区域二位置位于对应三角阈值分割图像的非边缘位置;c)连通区域二的形状为不低于设定圆度的圆形。
步骤S5、吸管缺陷判定:当待测吸管具有如下A和B两项中任一项时,则判断该待测吸管为缺陷吸管。
A、步骤S3.4中,任一灰度极差二值图像的任一连通区域一具有黑点。
B、步骤S4.8中,任一三角阈值分割图像的任一连通区域二具有黄斑。
本发明避免人工检测吸管的弊端,适用于传统塑料吸管以及新型可降解吸管,普适性强。所述方法受环境影响小,检测缺陷尺度范围广,检测速度快,提高了缺陷检出的准确率。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换,这些等同变换均属于本发明的保护范围。
Claims (9)
1.一种基于图像处理的吸管缺陷检测方法,其特征在于:包括如下步骤:
步骤S1、获取多侧面吸管图像:使用图像采集装置获取待测吸管沿周向的多个侧面图像;
步骤S2、吸管区域定位分割:对步骤S1中获取的待测吸管的每个侧面图像均进行灰度化处理,并将吸管图像与背景图像进行分割,从而得到分割后的吸管区域图像;
步骤S3、检测黑点,具体包括以下步骤:
步骤S3.1、中值滤波去噪:基于选择性中值滤波算法,对步骤S2得到的每个吸管区域图像均进行选择性中值滤波、去噪,获得滤波后的吸管区域图像;
步骤S3.2、二值分割:基于局部动态极差阈值算法,对每个滤波后的吸管区域图像均进行二值分割,并将灰度极差不低于设定阈值的像素点置为1,否则置为0,从而获得灰度极差二值图像;
步骤S3.3、连通域标记:对每个灰度极差二值图像中像素点为1的区域,均进行连通域标记,并进行形态学处理,获得处理后的连通区域一;
步骤S3.4、检测黑点:对每个灰度极差二值图像中的每个连通区域一分别做黑点特征选择,从而检测灰度极差二值图像是否具有黑点;其中,黑点特征为同时满足如下三个特征:a)连通区域一面积位于设定黑点面积范围内;b)连通区域一位置位于对应灰度极差二值图像的非边缘位置;c)连通区域一的形状为不低于设定圆度的圆形;
步骤S4、检测黄斑,具体包括以下步骤:
步骤S4.1、增强图像:对步骤S2得到的每个吸管区域图像均进行灰度反转,增强图像;
步骤S4.2、傅里叶变换:将步骤S4.1的每个增强图像均进行傅里叶变换,将其映射为频率域图像;
步骤S4.3、获取低通滤波频率域图像:创建低通滤波器,对步骤S4.2得到的每个频率域图像均进行低通滤波,从而获得低通滤波频率域图像;
步骤S4.4、傅里叶反变换:将低通滤波频率域图像做傅里叶反变换,将其映射为空间域图像;
步骤S4.5、图像差分:将步骤S4.4得到的空间域图像与步骤S4.1得到的增强图像,做图像差分,获得差分图像;
步骤S4.6、三角阈值分割:对差分图像计算三角阈值,并根据计算的三角阈值对差分图像进行二值化分割;分割时,将差分图像中像素值不低于三角阈值的像素点置为1,否则置为0,从而得到三角阈值分割图像;
步骤S4.7、连通域标记:对每个三角阈值分割图像中像素点为1的区域,均进行连通域标记,并进行形态学处理,获得处理后的连通区域二;
步骤S4.8、检测黄斑:对每个三角阈值分割图像中的每个连通区域二分别做黄斑特征选择,从而检测三角阈值分割图像是否具有黄斑;其中,黄斑特征为同时满足如下三个特征:a)连通区域二面积位于设定黄斑面积范围内;b)连通区域二位置位于对应三角阈值分割图像的非边缘位置;c)连通区域二的形状为不低于设定圆度的圆形;
步骤S5、吸管缺陷判定:当待测吸管具有如下A和B两项中任一项时,则判断该待测吸管为缺陷吸管;
A、步骤S3.4中,任一灰度极差二值图像的任一连通区域一具有黑点;
B、步骤S4.8中,任一三角阈值分割图像的任一连通区域二具有黄斑。
2.根据权利要求1所述的基于图像处理的吸管缺陷检测方法,其特征在于:步骤S1中,将n个图像采集装置沿周向均匀布设在待测吸管的外周,从而能获取待测吸管沿周向的n个侧面图像;每个图像采集装置的视角范围为α,则n*α>360°;其中,n≥2。
3.根据权利要求1所述的基于图像处理的吸管缺陷检测方法,其特征在于:步骤S2中,采用吸管定位算法将吸管图像与背景图像进行分割,具体分割方法包括如下步骤:
步骤S2.1、对每个吸管侧面图像均进行中值滤波,去除背景噪声点和吸管边缘噪点,获得增强图像;
步骤S2.2、对增强图像进行最大类间方差二值分割,将吸管图像与背景图像相分离,提取得到吸管区域图像。
4.根据权利要求1所述的基于图像处理的吸管缺陷检测方法,其特征在于:步骤S3.1中,选择性中值滤波算法进行选择性中值滤波和去噪的方法,包括如下步骤:
步骤S3.1A、判断极值:创建滤波窗口,并使滤波窗口在对应吸管区域图像上滑动,判断当前滤波窗口内当前像素灰度值是否为该滤波窗口覆盖下的极大值或极小值;
步骤S3.1B、中值滤波:当步骤S3.1A判断判断为极大值或极小值时,则对当前滤波窗口内当前像素进行正常中值滤波;否则,跳过该像素。
5.根据权利要求1所述的基于图像处理的吸管缺陷检测方法,其特征在于:步骤S3.2中,采用局部动态极差阈值算法,对吸管区域图像进行二值分割的方法,具体包括如下步骤:
步骤S3.2A、计算灰度极差:创建滑动窗口在滤波后的当前吸管区域图像上滑动,统计当前滑动窗口内所有像素的最大值与最小值,将最大值与最小值的均值作为当前吸管区域图像的灰度极差;
步骤S3.2B、二值分割:将当前吸管区域图像的灰度极差与设定阈值进行比较,若灰度极差不低于设定阈值,则该灰度极差对应的像素点为前景,并置为1,否则置为0。
6.根据权利要求1所述的基于图像处理的吸管缺陷检测方法,其特征在于:步骤S4.1中,图像增强的方法,具体包括如下步骤:
步骤S4.1A、灰度反转:遍历吸管区域图像的每个像素,将吸管区域图像中每个像素的像素灰度值均与灰度值255相减;接着,将相减后的绝对值作为吸管区域图像中对应像素的新像素灰度值,从而获得灰度反转图像;
步骤S4.1B、增强图像:将灰度反转图像的像素值,均乘以大于1的权重,并加上偏置系数,使得灰度值越小的像素变化越小,灰度值越大的像素灰度值变化越大,从而使图像得到增强。
8.根据权利要求1所述的基于图像处理的吸管缺陷检测方法,其特征在于:步骤S4.5中图像差分的具体方法,包括如下步骤:
步骤S4.5A、将步骤S4.4得到的空间域图像与步骤S4.1得到的增强图像对应的像素值相减,获得相减后的差值图像;
步骤S4.5B、所述相减后的图像逐像素乘以相关系数,再加上灰度补充值,从而获得差分图像。
9.根据权利要求1所述的基于图像处理的吸管缺陷检测方法,其特征在于:步骤S4.6中,对差分图像计算三角阈值的方法为:对步骤S4.5的差分图像计算图像灰度直方图,遍历图像灰度直方图并记录两侧边界,寻找该图像灰度直方图的像素灰度最大值,并将其作为三角阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210134173.7A CN114549441A (zh) | 2022-02-14 | 2022-02-14 | 基于图像处理的吸管缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210134173.7A CN114549441A (zh) | 2022-02-14 | 2022-02-14 | 基于图像处理的吸管缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114549441A true CN114549441A (zh) | 2022-05-27 |
Family
ID=81676536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210134173.7A Pending CN114549441A (zh) | 2022-02-14 | 2022-02-14 | 基于图像处理的吸管缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114549441A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115063404A (zh) * | 2022-07-27 | 2022-09-16 | 建首(山东)钢材加工有限公司 | 基于x射线探伤的耐候钢焊缝质量检测方法 |
CN115880268A (zh) * | 2022-12-28 | 2023-03-31 | 南京航空航天大学 | 一种塑料软管生产中检测次品的方法、系统、设备及介质 |
CN116703890A (zh) * | 2023-07-28 | 2023-09-05 | 上海瑞浦青创新能源有限公司 | 极耳缺陷的检测方法和系统 |
CN117422712A (zh) * | 2023-12-15 | 2024-01-19 | 青岛合丰新材料有限公司 | 基于图像滤波处理的塑料母粒视觉检测方法及系统 |
-
2022
- 2022-02-14 CN CN202210134173.7A patent/CN114549441A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115063404A (zh) * | 2022-07-27 | 2022-09-16 | 建首(山东)钢材加工有限公司 | 基于x射线探伤的耐候钢焊缝质量检测方法 |
CN115880268A (zh) * | 2022-12-28 | 2023-03-31 | 南京航空航天大学 | 一种塑料软管生产中检测次品的方法、系统、设备及介质 |
CN115880268B (zh) * | 2022-12-28 | 2024-01-30 | 南京航空航天大学 | 一种塑料软管生产中检测次品的方法、系统、设备及介质 |
CN116703890A (zh) * | 2023-07-28 | 2023-09-05 | 上海瑞浦青创新能源有限公司 | 极耳缺陷的检测方法和系统 |
CN116703890B (zh) * | 2023-07-28 | 2023-12-19 | 上海瑞浦青创新能源有限公司 | 极耳缺陷的检测方法和系统 |
CN117422712A (zh) * | 2023-12-15 | 2024-01-19 | 青岛合丰新材料有限公司 | 基于图像滤波处理的塑料母粒视觉检测方法及系统 |
CN117422712B (zh) * | 2023-12-15 | 2024-03-01 | 青岛合丰新材料有限公司 | 基于图像滤波处理的塑料母粒视觉检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
CN113592861B (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
CN115222733B (zh) | 基于图像识别的金属构件表面缺陷检测方法 | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN102156996B (zh) | 一种图像边缘检测的方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN116721106A (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
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 | |
CN114387273B (zh) | 基于计算机图像识别的环境粉尘浓度检测方法及系统 | |
CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
CN110070523B (zh) | 一种用于瓶底的异物检测方法 | |
CN114881915A (zh) | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115909256B (zh) | 基于道路视觉图像的道路病害检测方法 | |
CN111753794A (zh) | 水果品质分类方法、装置、电子设备及可读存储介质 | |
CN115330646A (zh) | 一种用于健身器材喷漆工艺的金属构件检查方法 | |
CN115018785A (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
CN108805854B (zh) | 一种复杂环境下药片快速计数与完整性检测方法 | |
CN117011291B (zh) | 一种手表外壳质量视觉检测方法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN112102189B (zh) | 一种线结构光光条中心线提取方法 | |
CN114092682A (zh) | 基于机器学习的小金具类缺陷检测算法 | |
CN112288726A (zh) | 一种井下带式输送机带面异物检测方法 |
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 |