CN114627125A - 一种基于光学手段的不锈钢压片机表面质量评估方法 - Google Patents
一种基于光学手段的不锈钢压片机表面质量评估方法 Download PDFInfo
- Publication number
- CN114627125A CN114627125A CN202210530987.2A CN202210530987A CN114627125A CN 114627125 A CN114627125 A CN 114627125A CN 202210530987 A CN202210530987 A CN 202210530987A CN 114627125 A CN114627125 A CN 114627125A
- Authority
- CN
- China
- Prior art keywords
- tablet press
- surface image
- pixel point
- stainless steel
- cluster
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及压片机表面质量评估领域,具体涉及一种基于光学手段的不锈钢压片机表面质量评估方法,包括:获取压片机表面图像;对表面图像进行聚类,利用聚类簇中像素点的灰度值建立高斯模型;根据各像素点的高斯函数值构建各像素点的分类矩阵,进而得到各像素点的归属类别;构建最终目标函数;根据最终目标函数最小时的像素点划分结果获取各类别对应的连通域,进而获取缺陷区域;计算表面图像与标准表面图像的纹理特征向量的余弦相似度,获取表面图像的分布指标;根据各缺陷区域的面积和表面图像的分布指标得到压片机的表面质量,进而对压片机的表面质量进行评估。上述方法用于测试压片机表面是否存在缺陷,可提高测试的准确度。
Description
技术领域
本发明涉及压片机表面质量评估领域,具体涉及一种基于光学手段的不锈钢压片机表面质量评估方法。
背景技术
不锈钢压片机因其独特的优势广泛应用于医疗方面,医疗机构通过药片压片机将粉末和颗粒状物料压制成药片。当不锈钢压片机压药区域表面出现划痕、裂纹、尖点凸起、凹陷、表面不均匀等状况时,不仅对压片机表面的使用寿命造成很大的影响,严重时将会导致压制的药片不合格,药片外形及含量不准确等问题。所以当不锈钢压片机产品生产完成之后,对压片机表面进行缺陷测试及质量评估是极为重要的步骤。
目前用于压片机表面检测的方法主要是利用仪器对压片机表面的平整度进行检测或者通过人工进行目测压片机表面的缺陷情况。
然而,上述现有的用于压片机表面检测的方法大多精度不够高,人为参与评估主观性强、误检率高,检测效率低。因此亟需一种方法用于提高不锈钢压片机表面质量评估和缺陷测试的准确度和效率。
发明内容
本发明提供一种基于光学手段的不锈钢压片机表面质量评估方法,包括:获取压片机表面图像;对表面图像进行聚类,利用聚类簇中像素点的灰度值建立高斯模型;根据各像素点的高斯函数值构建各像素点的分类矩阵,进而得到各像素点的归属类别;构建最终目标函数;根据最终目标函数最小时的像素点划分结果获取各类别对应的连通域,进而获取缺陷区域;计算表面图像与标准表面图像的纹理特征向量的余弦相似度,获取表面图像的分布指标;根据各缺陷区域的面积和表面图像的分布指标得到压片机的表面质量,进而对压片机的表面质量进行评估,相比于现有技术,本发明能够基于压片机表面图像数据实现对其质量的自动评估,具有计算量小、检测速度快、评估精度高等有益效果。本发明通过设置的像素划分最佳化模型,对压片机表面像素点进行最佳化的划分,相比传统的语义分割网络以及阈值分割算法等,无需人为参与标签制作阈值设定过程,通过压片机表面像素点的特征实现像素点的最佳划分,具有较高的像素点划分精度,同时从全局出发对压片机表面的分布情况进行全面检测,最终基于压片机表面的缺陷状况以及分布情况实现对压片机表面质量的全面评估、缺陷测试。
为达到上述目的,本发明采用以下技术方案,一种基于光学手段的不锈钢压片机表面质量评估方法,包括:
获取待评估的不锈钢压片机处理后的表面图像。
对表面图像进行聚类,利用获取的各聚类簇中像素点的灰度值建立高斯模型,获取每个聚类簇对应的单高斯模型。
将各像素点的灰度值分别代入每个单高斯模型中,根据获取的高斯函数值构建各像素点的分类矩阵。
利用最大值索引函数对各像素点的分类矩阵进行处理,得到各像素点归属聚类簇对应的高斯函数值。
利用各像素点的分类矩阵及其归属聚类簇对应的高斯函数值构建第一目标函数。
根据各像素点对应的高斯函数值两两间的差值构建第二目标函数。
利用第一目标函数和第二目标函数构建最终目标函数。
利用最优算法得到最终目标函数最小值所对应像素点的最佳划分类别,根据像素点最佳划分类别对表面图像的各个像素点进行划分,获取表面图像中的所有缺陷区域。
获取标准的压片机表面图像,计算处理后的压片机表面图像的纹理特征向量与标准的压片机表面图像的纹理特征向量的余弦相似度。
根据表面图像中各缺陷区域的面积和处理后的压片机表面图像的纹理特征向量与标准的压片机表面图像的纹理特征向量的余弦相似度得到待评估的不锈钢压片机的表面质量指标。
根据待评估的不锈钢压片机的表面质量指标对不锈钢压片机的表面质量进行评估。
进一步的,所述一种基于光学手段的不锈钢压片机表面质量评估方法,所述各像素点的分类矩阵是按照如下方式构建:
对处理后的表面图像进行聚类,得到所有聚类簇。
利用每个聚类簇中像素点的灰度值建立对应的高斯模型,得到每个聚类簇对应的单高斯模型。
将处理后的表面图像中的各个像素点的灰度值分别代入每个聚类簇对应的单高斯模型中,获取各个像素点对应的所有高斯函数值。
将各个像素点对应的所有高斯函数值作为各像素点归属于不同聚类簇的置信度,构建各像素点的分类矩阵。
进一步的,所述一种基于光学手段的不锈钢压片机表面质量评估方法,所述各像素点归属聚类簇对应的高斯函数值是按照如下方式得到:
利用最大值索引函数对各像素点的分类矩阵进行处理,将各像素点的分类矩阵中置信度最大值对应的聚类簇作为各像素点的归属聚类簇,得到各像素点归属聚类簇对应的高斯函数值。
进一步的,所述一种基于光学手段的不锈钢压片机表面质量评估方法,所述表面图像中的所有缺陷区域是按照如下方式获取:
通过最优算法得到最终目标函数最小时所对应的像素点划分结果,根据该像素点划分结果获取表面图像中各类别对应的连通域。
将各类别对应的连通域中面积最大的连通域作为表面图像中的正常区域,其他各连通域作为表面图像中的缺陷区域,获取表面图像中的所有缺陷区域。
进一步的,所述一种基于光学手段的不锈钢压片机表面质量评估方法,所述处理后的压片机表面图像的纹理特征向量与标准的压片机表面图像的纹理特征向量的余弦相似度的计算过程如下:
获取标准的压片机表面图像。
对标准的压片机表面图像进行聚类,得到所有聚类簇。
利用每个聚类簇中像素点的灰度值建立对应的高斯模型,得到每个聚类簇对应的单高斯模型。
基于每个聚类簇对应的单高斯模型建立高斯混合模型。
利用高斯混合模型中每个单高斯模型的三个模型参数构建纹理特征矩阵。
将纹理特征矩阵中的每列元素进行均值处理,得到标准的压片机表面图像的纹理特征向量。
按照得到标准的压片机表面图像的纹理特征向量的方法得到处理后的压片机表面图像的纹理特征向量,计算处理后的压片机表面图像的纹理特征向量与标准的压片机表面图像的纹理特征向量的余弦相似度。
进一步的,所述一种基于光学手段的不锈钢压片机表面质量评估方法,所述待评估的不锈钢压片机的表面质量指标的表达式如下:
进一步的,所述一种基于光学手段的不锈钢压片机表面质量评估方法,所述待评估的不锈钢压片机处理后的表面图像是按照如下方式获取:
采集待评估的不锈钢压片机表面图像。
对待评估的不锈钢压片机表面图像进行直方图均衡化和高斯滤波去噪处理,获取待评估的不锈钢压片机处理后的表面图像。
本发明的有益效果在于:
本发明通过设置的像素划分最佳化模型,对压片机表面像素点进行最佳化的划分,相比传统的语义分割网络以及阈值分割算法等,无需人为参与标签制作阈值设定过程,通过压片机表面像素点的特征实现像素点的最佳划分,具有较高的像素点划分精度,同时从全局出发对压片机表面的分布情况进行全面检测,最终基于压片机表面的缺陷状况以及分布情况实现对压片机表面质量的全面评估、缺陷测试。
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为本发明实施例1提供的一种不锈钢压片机表面质量评估方法流程示意图;
图2为本发明实施例2提供的一种不锈钢压片机表面质量评估方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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。
实施例1
本发明实施例提供一种基于光学手段的不锈钢压片机表面质量评估方法,如图1所示,包括:
S101、获取待评估的不锈钢压片机处理后的表面图像。
其中,处理后的表面图像指的是对采集图像进行直方图均衡化和去噪处理后的表面图像。
S102、对表面图像进行聚类,利用获取的各聚类簇中像素点的灰度值建立高斯模型,获取每个聚类簇对应的单高斯模型。
其中,将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。
S103、将各像素点的灰度值分别代入每个单高斯模型中,根据获取的高斯函数值构建各像素点的分类矩阵。
其中,分类矩阵的每个维度均代表一个种类。
S104、利用最大值索引函数对各像素点的分类矩阵进行处理,得到各像素点归属聚类簇对应的高斯函数值。
其中,将分类矩阵中置信度最大值对应的聚类簇作为像素点的归属聚类簇。
S105、利用各像素点的分类矩阵及其归属聚类簇对应的高斯函数值构建第一目标函数。
其中,构建第一目标函数是为了像素点的类别划分更加准确,提高像素点的识别精度。
S106、根据各像素点对应的高斯函数值两两间的差值构建第二目标函数。
其中,构建第二目标函数是用于对像素点的划分过程进行优化,使得压片机表面像素点划分更准确。
S107、利用第一目标函数和第二目标函数构建最终目标函数。
其中,最终目标函数用于后续的像素点的精确划分。
S108、利用最优算法得到最终目标函数最小值所对应像素点的最佳划分类别,根据像素点最佳划分类别对表面图像的各个像素点进行划分,获取表面图像中的所有缺陷区域。
其中,最优算法有很多,比如梯度下降法、Adam算法、AdaGrad算法、随机梯度下降法、遗传算法以及模拟退火算法等。
S109、获取标准的压片机表面图像,计算处理后的压片机表面图像的纹理特征向量与标准的压片机表面图像的纹理特征向量的余弦相似度。
其中,余弦相似度,又称为余弦相似性,是通过计算两个向量的夹角余弦值来评估他们的相似度。
S110、根据表面图像中各缺陷区域的面积和处理后的压片机表面图像的纹理特征向量与标准的压片机表面图像的纹理特征向量的余弦相似度得到待评估的不锈钢压片机的表面质量指标。
其中,余弦相似度用于检测压片机表面的分布均匀度。
S111、根据待评估的不锈钢压片机的表面质量指标对不锈钢压片机的表面质量进行评估。
其中,压片机表面质量指标值越大,则认为压片机表面的质量越好,否则,对应待检测压片机表面质量越低。
本实施例的有益效果在于:
本实施例通过设置的像素划分最佳化模型,对压片机表面像素点进行最佳化的划分,相比传统的语义分割网络以及阈值分割算法等,无需人为参与标签制作阈值设定过程,通过压片机表面像素点的特征实现像素点的最佳划分,具有较高的像素点划分精度,同时从全局出发对压片机表面的分布情况进行全面检测,最终基于压片机表面的缺陷状况以及分布情况实现对压片机表面质量的全面评估、缺陷测试。
实施例2
本发明通过光学图像采集设备对压片机表面进行图像采集,并对图像数据进行处理分析,对各像素点的异常状况进行检测,通过像素点划分模型对压片机表面像素点进行最佳分割,实现压片机表面异常缺陷像素点的检测,同时提取压片机表面分布指标,基于压片机表面的缺陷状况以及表面分布情况,对压片机表面质量进行定量评估,以便相关检测人员直观掌握不锈钢压片机表面的质量。
本发明实施例提供一种基于光学手段的不锈钢压片机表面质量评估方法,如图2所示,包括:
S201、采集压片机表面图像。
本实施例将设置图像采集设备,用于采集压片机表面的图像数据,其中,摄像头的拍摄范围及角度实施者根据实际情况自行调整。
S202、获取处理后的表面图像。
考虑到不锈钢压片机表面会出现反光反射的现象,导致所采集的图像表面光照不均匀,会对压片机表面自身特征参数的提取产生影响,因此,对于所采集的图像本实施例采用直方图均衡化以消除图像表面不均匀的现象。同时,本实施例将采用高斯滤波器对直方图均衡化之后的图像数据进行去噪处理,消除图像表面的噪点等,提高图像质量。在此需要说明直方图均衡化以及高斯滤波去噪的过程为现有公知技术,本实施例不做相关阐述。
至此,即可根据本实施例所述方法获取处理后的压片机表面图像数据,用于对压片机表面质量进行检测、评估。在此需要说明,后续均是在此图像数据的基础上对压片机表面进行检测分析的。
S203、获取压片机表面像素点的最佳划分结果。
获取压片机表面图像数据后,本实施例主要基于图像数据对压片机表面进行质量评估。首先本实施例将对压片机表面的缺陷、异常区域进行检测,用于对压片机表面质量进行评估。建立压片机表面像素点划分模型,实现对压片机表面缺陷像素点的识别,提取压片机表面的缺陷指标,以作为压片机表面质量评估的特征参数。所述压片机表面像素点划分模型具体为:
1)首先,对于所获取的压片机表面图像数据,本实施例将基于聚类算法对压片机表面像素点进行聚类分析,采用DBSCAN算法对压片机表面图像数据进行聚类,得到多个聚类簇,实现压片机表面像素点的初步划分,具体的聚类过程为现有公知技术 ,实施者也可自行选取聚类算法。该步骤的目的是为了得到压片机表面像素点的种类,将其记为K个类别数,用于后续对压片机表面像素点的类别进行详细划分;
2)通过高斯分布函数基于聚类簇内像素点的灰度值,建立对应的高斯模型,每个聚类簇对应一个高斯模型,至此,可得到K个高斯模型,用于对压片机表面像素点进行类别划分。对于所有的压片机表面像素点,本实施例将其代入每个单高斯模型,k表示单高斯模型的序号。获取对应的高斯函数值,将获取的各高斯函数值构成一个K维的分类矩阵:,其中,代表像素点i的K维分类矩阵,分类矩阵的每个维度均代表一个种类(类别),代表像素点i归属于类别k(也即维度k对应的类别)的置信度(取值为[0,1]),置信度越高,则像素点归属于类别k的可能性越高;
3)然后,本实施例将通过最大值索引函数对像素点的分类矩阵进行处理,得到像素点置信度最大值对应的维度,将其对应的类别作为像素点的归属类别。根据所述方法可得到每个像素点的归属类别,其中,U为压片机表面像素点的总数。本实施例主要实现对压片机表面像素点的最佳划分,因此,为使得像素点的类别划分更加准确,提高像素点的识别精度,本实施例将构建第一目标函数,所述第一目标函数具体为:
4)进一步,本实施例考虑到压片机表面像素点类别最佳划分时,其不同类别之间的差异应当尽可能大,以保证像素点分类更加清晰、整体分类结果更加精确,因此,本实施例将构建第二目标函数,用于对像素点的划分过程进行优化,使得压片机表面像素点划分更准确。所述第二目标函数具体为:
5)根据本实施例所建立的第一目标函数以及第二目标函数,构建压片机表面像素点最佳划分的最终目标函数:,通过最优算法获取最终目标函数最小时所对应的像素点划分结果,也即得到类别数下压片机表面像素点的最佳分割结果,所述最优算法有很多,比如梯度下降法、Adam算法、AdaGrad算法、随机梯度下降法、遗传算法以及模拟退火算法等,具体过程为现有公知技术,实施者可自行选取。
至此,可得到最佳划分结果,实现对压片机表面像素点的准确划分,可将压片机表面图像数据分为各类别对应的连通域。
S204、获取表面图像中的缺陷区域。
考虑到正常情况下,包含像素点数量最多的种类为压片机表面正常对应的类别,因此,本实施例将所述连通域面积最大的作为压片机表面正常区域,将其他各连通域作为压片机表面缺陷区域,统计各缺陷连通域的面积指标,代表第v个缺陷连通域的面积指标,用于后续对压片机表面质量进行评估、分析。
S205、获取压片机的表面分布指标。
为整体全面分析压片机的表面质量,实现对压片机表面质量的精确评估,本实施例将对压片机表面的纹理结构分布情况进行检测,通过压片机表面图像数据对压片机表面分布指标进行提取,用于作为质量评估的特征参数。所述压片机表面分布指标的提取过程具体为:
a)首先,对于压片机表面图像数据,本实施例将基于所述各高斯模型建立一个高斯混合模型,用于对压片机表面图像数据的分布情况进行表征,所述高斯混合模型具体为:,式中,为混合系数,代表第k个单高斯模型的权值,通过EM算法进行计算混合系数,EM算法为现有公知技术,不在本实施例保护范围;
b)基于待检测压片机表面图像数据对应的高斯混合模型,其每个单高斯模型均对应三个模型参数(高斯函数对应的权值w、均值、方差),因此,将每个单高斯模型的参数进行组合构建一个的纹理特征矩阵,对压片机表面的纹理分布情况进行检测。为降低系统检测量,提高检测速度,将矩阵的每列元素进行均值处理,可得到每列元素的均值,对应得到高斯混合模型所对应的一维纹理特征向量。为分析待检测压片机表面的分布状况,本实施例将获取一个标签样本,所述标签样本为压片机表面结构纹理分布均匀且无瑕疵的压片机表面图像,同样根据本实施例所述方法获取其对应的一维纹理特征向量,并计算两个纹理特征向量的余弦相似度:,分子为两个向量的点乘,分母为两个向量模相乘,函数值越大,则对应待检测压片机表面的分布指标越高,也即表面分布越均匀;
c)至此,可获取压片机表面的分布状况,对其表面分布的均匀程度进行检测,得到分布指标,用于对压片机表面质量进行计算、评估。
S206、获取压片机的表面质量指标。
根据获取的压片机表面的缺陷指标以及压片机表面的分布指标,得到用于评估压片机表面质量的特征参数,为便于工作人员直观了解待检测压片机表面的质量,本实施例将建立压片机表面质量评估模型,以定量计算压片机表面的质量,实现对压片机表面的检测分析,并对其进行归一化处理,使得函数值处于[0,1],以更加方便对压片机表面质量进行评判。所述压片机表面质量评估模型具体为:
式中,为压片机表面质量指标,取值为[0,1],n为缺陷连通域的数量。压片机表面质量指标值越大,则认为压片机表面的质量越好,否则,对应待检测压片机表面质量越低。各缺陷连通域的面积指标,代表第v个缺陷连通域的面积指标。
至此,即可通过本实施例所述方法实现对压片机表面像素点的最佳划分,通过本实施例所述目标函数可有效提高压片机表面像素点的类别划分精度,且压片机表面像素点的划分过程为无监督过程,计算量小、划分速度快,可实现对缺陷像素点的识别;同时,对压片机表面分布均匀情况进行检测,提取压片机表面分布指标,以整体全面的进行压片机表面质量的检测;最后基于本实施例构建的压片机表面质量评估模型对压片机表面的质量进行定量计算,以便为相关检测人员提供参考意见,直观获取待检测压片机表面的质量状况。本实施例具有计算量小、检测速度快、评估精度高等效果。
本实施例的有益效果在于:
本实施例通过设置的像素划分最佳化模型,对压片机表面像素点进行最佳化的划分,相比传统的语义分割网络以及阈值分割算法等,无需人为参与标签制作阈值设定过程,通过压片机表面像素点的特征实现像素点的最佳划分,具有较高的像素点划分精度,同时从全局出发对压片机表面的分布情况进行全面检测,最终基于压片机表面的缺陷状况以及分布情况实现对压片机表面质量的全面评估、缺陷测试。
以上所述仅为本发明的较佳实施例而已,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 (7)
1.一种基于光学手段的不锈钢压片机表面质量评估方法,其特征在于,包括:
获取待评估的不锈钢压片机处理后的表面图像;
对表面图像进行聚类,利用获取的各聚类簇中像素点的灰度值建立高斯模型,获取每个聚类簇对应的单高斯模型;
将各像素点的灰度值分别代入每个单高斯模型中,根据获取的高斯函数值构建各像素点的分类矩阵;
利用最大值索引函数对各像素点的分类矩阵进行处理,得到各像素点归属聚类簇对应的高斯函数值;
利用各像素点的分类矩阵及其归属聚类簇对应的高斯函数值构建第一目标函数;
根据各像素点对应的高斯函数值两两间的差值构建第二目标函数;
利用第一目标函数和第二目标函数构建最终目标函数;
利用最优算法得到最终目标函数最小值所对应像素点的最佳划分类别,根据像素点最佳划分类别对表面图像的各个像素点进行划分,获取表面图像中的所有缺陷区域;
获取标准的压片机表面图像,计算处理后的压片机表面图像的纹理特征向量与标准的压片机表面图像的纹理特征向量的余弦相似度;
根据表面图像中各缺陷区域的面积和处理后的压片机表面图像的纹理特征向量与标准的压片机表面图像的纹理特征向量的余弦相似度得到待评估的不锈钢压片机的表面质量指标;
根据待评估的不锈钢压片机的表面质量指标对不锈钢压片机的表面质量进行评估。
2.根据权利要求1所述的一种基于光学手段的不锈钢压片机表面质量评估方法,其特征在于,所述各像素点的分类矩阵是按照如下方式构建:
对处理后的表面图像进行聚类,得到所有聚类簇;
利用每个聚类簇中像素点的灰度值建立对应的高斯模型,得到每个聚类簇对应的单高斯模型;
将处理后的表面图像中的各个像素点的灰度值分别代入每个聚类簇对应的单高斯模型中,获取各个像素点对应的所有高斯函数值;
将各个像素点对应的所有高斯函数值作为各像素点归属于不同聚类簇的置信度,构建各像素点的分类矩阵。
3.根据权利要求1所述的一种基于光学手段的不锈钢压片机表面质量评估方法,其特征在于,所述各像素点归属聚类簇对应的高斯函数值是按照如下方式得到:
利用最大值索引函数对各像素点的分类矩阵进行处理,将各像素点的分类矩阵中置信度最大值对应的聚类簇作为各像素点的归属聚类簇,得到各像素点归属聚类簇对应的高斯函数值。
4.根据权利要求1所述的一种基于光学手段的不锈钢压片机表面质量评估方法,其特征在于,所述表面图像中的所有缺陷区域是按照如下方式获取:
通过最优算法得到最终目标函数最小时所对应的像素点划分结果,根据该像素点划分结果获取表面图像中各类别对应的连通域;
将各类别对应的连通域中面积最大的连通域作为表面图像中的正常区域,其他各连通域作为表面图像中的缺陷区域,获取表面图像中的所有缺陷区域。
5.根据权利要求1所述的一种基于光学手段的不锈钢压片机表面质量评估方法,其特征在于,所述处理后的压片机表面图像的纹理特征向量与标准的压片机表面图像的纹理特征向量的余弦相似度的计算过程如下:
获取标准的压片机表面图像;
对标准的压片机表面图像进行聚类,得到所有聚类簇;
利用每个聚类簇中像素点的灰度值建立对应的高斯模型,得到每个聚类簇对应的单高斯模型;
基于每个聚类簇对应的单高斯模型建立高斯混合模型;
利用高斯混合模型中每个单高斯模型的三个模型参数构建纹理特征矩阵;
将纹理特征矩阵中的每列元素进行均值处理,得到标准的压片机表面图像的纹理特征向量;
按照得到标准的压片机表面图像的纹理特征向量的方法得到处理后的压片机表面图像的纹理特征向量,计算处理后的压片机表面图像的纹理特征向量与标准的压片机表面图像的纹理特征向量的余弦相似度。
7.根据权利要求1所述的一种基于光学手段的不锈钢压片机表面质量评估方法,其特征在于,所述待评估的不锈钢压片机处理后的表面图像是按照如下方式获取:
采集待评估的不锈钢压片机表面图像;
对待评估的不锈钢压片机表面图像进行直方图均衡化和高斯滤波去噪处理,获取待评估的不锈钢压片机处理后的表面图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210530987.2A CN114627125B (zh) | 2022-05-17 | 2022-05-17 | 一种基于光学手段的不锈钢压片机表面质量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210530987.2A CN114627125B (zh) | 2022-05-17 | 2022-05-17 | 一种基于光学手段的不锈钢压片机表面质量评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114627125A true CN114627125A (zh) | 2022-06-14 |
CN114627125B CN114627125B (zh) | 2022-07-15 |
Family
ID=81907289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210530987.2A Active CN114627125B (zh) | 2022-05-17 | 2022-05-17 | 一种基于光学手段的不锈钢压片机表面质量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114627125B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842008A (zh) * | 2022-07-04 | 2022-08-02 | 南通三信塑胶装备科技股份有限公司 | 基于计算机视觉的注塑件色差检测方法 |
CN115393657A (zh) * | 2022-10-26 | 2022-11-25 | 金成技术股份有限公司 | 基于图像处理的金属管材生产异常识别方法 |
CN115601368B (zh) * | 2022-12-16 | 2023-05-16 | 山东天意高科技有限公司 | 一种建材装备钣金件缺陷检测方法 |
CN116206215A (zh) * | 2023-03-17 | 2023-06-02 | 银河航天(北京)网络技术有限公司 | 一种森林土地状态的监测方法、装置及存储介质 |
CN117459418A (zh) * | 2023-12-25 | 2024-01-26 | 天津神州海创科技有限公司 | 一种实时数据采集存储方法及系统 |
CN117593303A (zh) * | 2024-01-18 | 2024-02-23 | 浙江锦德光电材料有限公司 | 一种量子点光学膜的缺陷检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354578A (zh) * | 2015-10-27 | 2016-02-24 | 安徽大学 | 一种多目标物体图像匹配方法 |
CN108648233A (zh) * | 2018-03-24 | 2018-10-12 | 北京工业大学 | 一种基于深度学习的目标识别与抓取定位方法 |
CN108830289A (zh) * | 2018-04-28 | 2018-11-16 | 河南师范大学 | 一种基于改进的模糊c均值聚类的图像聚类方法及装置 |
US20190228221A1 (en) * | 2018-05-29 | 2019-07-25 | University Of Electronic Science And Technology Of China | Method for separating out a defect image from a thermogram sequence based on weighted naive bayesian classifier and dynamic multi-objective optimization |
CN113838054A (zh) * | 2021-11-29 | 2021-12-24 | 山东精良海纬机械有限公司 | 基于人工智能的机械零件表面损伤检测方法 |
-
2022
- 2022-05-17 CN CN202210530987.2A patent/CN114627125B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354578A (zh) * | 2015-10-27 | 2016-02-24 | 安徽大学 | 一种多目标物体图像匹配方法 |
CN108648233A (zh) * | 2018-03-24 | 2018-10-12 | 北京工业大学 | 一种基于深度学习的目标识别与抓取定位方法 |
CN108830289A (zh) * | 2018-04-28 | 2018-11-16 | 河南师范大学 | 一种基于改进的模糊c均值聚类的图像聚类方法及装置 |
US20190228221A1 (en) * | 2018-05-29 | 2019-07-25 | University Of Electronic Science And Technology Of China | Method for separating out a defect image from a thermogram sequence based on weighted naive bayesian classifier and dynamic multi-objective optimization |
CN113838054A (zh) * | 2021-11-29 | 2021-12-24 | 山东精良海纬机械有限公司 | 基于人工智能的机械零件表面损伤检测方法 |
Non-Patent Citations (2)
Title |
---|
王素丽: "多媒体人机交互界面视觉显著度评估方法仿真", 《计算机仿真》 * |
田思洋: "板带钢表面缺陷目标检测与分类算法研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅰ辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842008A (zh) * | 2022-07-04 | 2022-08-02 | 南通三信塑胶装备科技股份有限公司 | 基于计算机视觉的注塑件色差检测方法 |
CN115393657A (zh) * | 2022-10-26 | 2022-11-25 | 金成技术股份有限公司 | 基于图像处理的金属管材生产异常识别方法 |
CN115393657B (zh) * | 2022-10-26 | 2023-01-31 | 金成技术股份有限公司 | 基于图像处理的金属管材生产异常识别方法 |
CN115601368B (zh) * | 2022-12-16 | 2023-05-16 | 山东天意高科技有限公司 | 一种建材装备钣金件缺陷检测方法 |
CN116206215A (zh) * | 2023-03-17 | 2023-06-02 | 银河航天(北京)网络技术有限公司 | 一种森林土地状态的监测方法、装置及存储介质 |
CN116206215B (zh) * | 2023-03-17 | 2023-09-29 | 银河航天(北京)网络技术有限公司 | 一种森林土地状态的监测方法、装置及存储介质 |
CN117459418A (zh) * | 2023-12-25 | 2024-01-26 | 天津神州海创科技有限公司 | 一种实时数据采集存储方法及系统 |
CN117459418B (zh) * | 2023-12-25 | 2024-03-08 | 天津神州海创科技有限公司 | 一种实时数据采集存储方法及系统 |
CN117593303A (zh) * | 2024-01-18 | 2024-02-23 | 浙江锦德光电材料有限公司 | 一种量子点光学膜的缺陷检测方法及系统 |
CN117593303B (zh) * | 2024-01-18 | 2024-04-09 | 浙江锦德光电材料有限公司 | 一种量子点光学膜的缺陷检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114627125B (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114627125B (zh) | 一种基于光学手段的不锈钢压片机表面质量评估方法 | |
CN113989279B (zh) | 基于人工智能及图像处理的塑料薄膜质量检测方法 | |
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN115294113B (zh) | 一种木饰面板质量检测方法 | |
CN114757900B (zh) | 基于人工智能的纺织品缺陷类型识别方法 | |
CN109961426B (zh) | 一种人脸皮肤肤质的检测方法 | |
CN107157447B (zh) | 基于图像rgb颜色空间的皮肤表面粗糙度的检测方法 | |
CN114723704B (zh) | 一种基于图像处理的纺织品质量评估方法 | |
CN109100323B (zh) | 一种苹果水心病的透射光谱无损定量评价方法 | |
CN113838054B (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
CN109003266B (zh) | 一种基于模糊聚类统计图像质量主观评价结果的方法 | |
CN115409131B (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
CN105466921A (zh) | 一种多样品同时检测的方法 | |
CN115294109A (zh) | 基于人工智能的实木板材生产缺陷识别系统、电子设备 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN117218114B (zh) | 一种基于图像数据处理的网状织物缺陷快速检测方法 | |
CN116758074B (zh) | 一种多光谱食品图像智能增强方法 | |
CN113838081A (zh) | 一种基于机器视觉判别烤烟烟叶颜色均匀度的方法和装置 | |
CN114332027A (zh) | 一种基于图像分析的细胞均一性获取方法及系统 | |
CN113011296A (zh) | 快速鉴别小麦品种纯度的方法和系统 | |
CN117451580B (zh) | 拉丝蛋白挤压稳定性分析方法 | |
CN117649059B (zh) | 一种用于数字化育种流程的成果评价优化方法 | |
Geng et al. | A new method for lint percentage non-destructive detection based on optical penetration imaging |
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 |