CN114638790B - 具有高弹性材料的3d护腰检测方法 - Google Patents
具有高弹性材料的3d护腰检测方法 Download PDFInfo
- Publication number
- CN114638790B CN114638790B CN202210196875.8A CN202210196875A CN114638790B CN 114638790 B CN114638790 B CN 114638790B CN 202210196875 A CN202210196875 A CN 202210196875A CN 114638790 B CN114638790 B CN 114638790B
- Authority
- CN
- China
- Prior art keywords
- suspected defect
- waist support
- area
- pixel
- support surface
- 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.)
- Active
Links
- 239000000463 material Substances 0.000 title claims abstract description 71
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 230000007547 defect Effects 0.000 claims abstract description 164
- 238000010586 diagram Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000013441 quality evaluation Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 49
- 230000005856 abnormality Effects 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 10
- 239000013013 elastic material Substances 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000002950 deficient Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 abstract description 7
- 230000005489 elastic deformation Effects 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005251 gamma ray Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及光学检测和人工智能技术领域，具体涉及一种具有高弹性材料的3D护腰检测方法。该方法包括：利用光学检测的技术手段对护腰进行检测，其中光学检测的手段包括利用可见光或红外光通过相机获得护腰表面图像，并设置参数不同的Gabor滤波器对护腰表面图像进行滤波获得多张特征图；获得特征图中的疑似缺陷区域和疑似缺陷区域组成的同一材料区域；在各同一材料区域中进行检测获得护腰表面图像中的缺陷点；并通过缺陷点的数量对护腰质量进行评价，获得质量评价指标。本发明排除了新型高弹性材料发生弹性形变对检测的影响，使检测的结果更加准确，达到了对3D护腰中新材料检测的目的，能够更加方便且客观准确的对有新材料构成的3D护腰的质量进行评价。
Description
技术领域
本发明涉及光学检测和人工智能技术领域，具体涉及一种具有高弹性材料的3D护腰检测方法。
背景技术
不同功能的护腰为了实现其特殊的功能，例如护腰能够实现支撑、矫正和防寒等功能，会由多种物理性质不同的新材料配合以不同的结构。其中，由于新型的高弹性材料比普通材料有更强的形变能力，被广泛应用于各种不同功能护腰的不同结构上，但因为护腰上复杂的结构，现有的对护腰的高弹性新材料的质量的检测方法大多数还是需要依靠人工进行检测。
常规的检测方法是借助机器视觉利用光学的手段进行检测：使用相机基于光学成像的手段获得护腰的表面图像，提取护腰的纹理特征，根据纹理特征图判断由高弹性新材料构成的护腰的质量检测。
但是，3D剪裁的护腰由于其复杂的结构影响，同一性质的新材料在平铺状态下会有不同的状态，这是由于新型高弹性材料发生弹性形变造成的，也就是说，同一种材料在平铺状态下各部分的纹理不同了。所以这种方法往往会把这些纹理不同的部分误检为缺陷，导致护腰质量的检测结果并不能反映真实的护腰质量
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具有高弹性材料的3D护腰检测方法，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具有高弹性材料的3D护腰检测方法：利用滤波器获得护腰表面图像的多张特征图；基于在各特征图中的每个像素点的坐标和像素值所组成的描述向量将护腰表面图像分成多个区域；区域长轴的长度和区域的面积的比值为区域的纤细程度；根据区域内纹理的变化趋势获得区域的平滑程度，纤细程度与平滑程度的比值为区域异常度，根据区域的异常度确定多个疑似缺陷区域；
与滤波器各项参数的均值最接近的滤波器对应的特征图为基准特征图；与基准特征图中疑似缺陷区域的平均像素值差值最小的同一疑似缺陷区域所属的特征图为辅助特征图；基准特征图对应的滤波器与辅助特征图对应的滤波器的各项参数的差值组成疑似缺陷区域的纹理偏离向量；利用疑似缺陷区域的纹理偏离向量的差值和疑似缺陷区域中心点的坐标的差值获得疑似缺陷区域的差异度；差异度较小的疑似缺陷区域的材料为同一种材料，将同一种材料构成的疑似缺陷区域拼接成同一材料区域；
对各特征图中的同一材料区域的像素点与邻域像素点的像素值的差值的最大值求和获得像素点的像素差异；在护腰表面图像中根据像素点与领域像素点差值的最大值和像素点所属疑似缺陷区域的异常度获得像素点的平滑度。
优选地，利用滤波器获得护腰表面图像的多张特征图包括：所述滤波器为Gabor滤波器，改变滤波器的波长、方向、带宽和纵横比获得预定数量的Gabor滤波器；利用预定数量的Gabor滤波器对护腰表面图像进行滤波获得预定数量的特征图。
优选地，利用在各特征图中的每个像素点的坐标和像素值所组成的描述向量将护腰表面图像分成多个区域包括：获得护腰表面图像中各像素点的描述向量，以护腰表面图像中各像素点的描述向量为基础对像素点进行聚类，获得多个簇；根据聚类获得的簇将护腰表面图像划分为多个区域。
优选地，根据区域内纹理的变化趋势获得区域的平滑程度包括：对区域内每个像素点对应的海森矩阵的最小特征值对应的特征向量与区域内长轴的方向向量的内积进行求和获得区域的平滑程度。
利用区域的异常度确定多个疑似缺陷区域包括：设定异常度阈值，异常度大于异常度阈值的区域为疑似缺陷区域。
优选地，基准特征图对应滤波器与各辅助特征图对应滤波器的各项参数的差值组成疑似缺陷区域的纹理偏离向量包括：将滤波器的各项参数的差值的归一化后组成疑似缺陷区域的纹理偏离向量。
优选地，疑似缺陷区域的差异度为：
其中，F表示两个疑似缺陷区域的差异度；δ表示一个疑似缺陷区域的纹理偏移向量，δ′表示另一个疑似缺陷区域的纹理偏移向量；x表示一个疑似缺陷区域中心点的横坐标，x′表示另一个疑似缺陷区域中心点的横坐标；y表示一个疑似缺陷区域中心点的纵坐标，y′表示另一个疑似缺陷区域中心点的纵坐标。
优先地，差异度较小的疑似缺陷区域的材料为同一种材料，将同一种材料构成的疑似缺陷区域拼接成同一材料区域包括：选定一个疑似缺陷区域，记为第一疑似缺陷区域；根据第一疑似缺陷区域的与其他疑似缺陷区域的差异度判断两个疑似缺陷区域是否为同一种材料，若为同一种材料将两个疑似缺陷区域进行拼接；继续计算第一疑似缺陷区域与余下的其他疑似缺陷区域差异度，根据差异度判断余下的其他疑似缺陷区域是否为同一种材料，直至将属于同一种材料的疑似缺陷区域全部找出进行拼接。
优选地，在护腰表面图像中根据像素点与领域像素点差值的最大值和像素点所属疑似缺陷区域的异常度获得像素点的平滑度包括：护腰表面图像中像素点与领域像素点差值的最大值与像素点的平滑度为反比关系；像素点所述疑似缺陷区域的异常度与像素点的平滑度为反比关系。
在获得像素点的平滑度之后还包括：设定缺陷判断阈值，平滑度小于缺陷判断阈值的像素点为缺陷点；统计护腰表面图像中缺陷点的数量，缺陷点的数量与护腰表面图像中像素点数量的比值为护腰的质量评价指标。
本发明实施例至少具有如下有益效果：本实施例利用光学检测的技术手段通过相机获得护腰表面图像，并设置参数不同的Gabor滤波器对护腰表面图像进行滤波获得多张特征图，通过对多张特征图进行分析获得护腰表面图像中的缺陷点，排除了新型高弹性材料发生弹性形变对检测的影响，使得检测的结果更加准确，达到了对3D护腰中新材料检测的目的，且在一定的程度上替代了人工，能够更加方便且客观准确的对有新材料构成的3D护腰的质量进行评价。
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为一种具有高弹性材料的3D护腰检测方法流程图。
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具有高弹性材料的3D护腰检测方法，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。
下面结合附图具体的说明本发明所提供的一种具有高弹性材料的3D护腰检测方法的具体方案。
实施例1
本发明的主要应用场景为：对在不同结构处使用了新材料的3D护腰，尤其是使用了高弹性材料的护腰，利用光学检测的技术手段通过相机获得护腰的表面图像，并进行检测，确定3D护腰的缺陷位置，进而确定3D护腰的质量。
请参阅图1，其示出了本发明一个实施例提供的一种具有高弹性材料的3D护腰检测方法，该方法包括以下步骤：
步骤一：利用滤波器获得护腰表面图像的多张特征图；基于在各特征图中的每个像素点的坐标和像素值所组成的描述向量将护腰表面图像分成多个区域；区域长轴的长度和区域的面积的比值为区域的纤细程度；根据区域内纹理的变化趋势获得区域的平滑程度，纤细程度与平滑程度的比值为区域异常度，根据区域的异常度确定多个疑似缺陷区域。
首先，将生产线上生产的3D护腰利用传送带送到相机的成像范围内，获得3D护腰的表面图像，具体为：每当有护腰被送到传动带上的相机成像范围内时，控制相机快门，获取图像，为护腰表面图像。
接着，提取护腰表面图像的不同纹理特征图。对于护腰表面图像，使用各种不同参数的Gabor滤波器进行滤波，得到不同的纹理特征图；参数不同的Gabor滤波器的数量视情况而定，一般大多数情况下，可以设置为五种不同的方向、五种不同的波长、五种不同的纵横比、五种不同的带宽，所以设置预设数量的Gabor滤波器，优选地，预设数量为625；一个Gabor滤波器对护腰表面图像进行一次滤波得到一个纹理特征图，将纹理特征图称为特征图；也就是说，一个滤波器对应一张特征图，经过625个Gabor滤波器共得到625个特征图。
进一步，对于护腰表面图像每个像素点，获得每次经过滤波后的像素值G，即在不同的特征图中，同一像素点的像素值不同，基于同一像素点在不同特征图中的像素值和像素点坐标(x,y)获得护腰表面图像中像素点的描述向量
d1表示护腰表面图像中的第一个像素点的描述向量，(x1,y1)表示第一个像素点的坐标，
表示第一个像素点在第一张特征图上的像素值；护腰表面图像中所有的像素点的描述向量共同组成描述向量集合D＝{d1,d2,d3,…}；利用DBSCAN聚类算法以描述向量为基础对描述向量集合进行处理，将护腰表面图像中描述向量相似且位置相邻的像素聚为一个簇，共有k个簇C＝{C1,C2,…,Ck}，根据获得的每个簇将护腰表面图像划分为多个区域，一个簇对应一个区域。
最后，获取每个区域的边缘，获取每个区域边缘上距离最远的两点，连接这两点得到一个线段，该线段为区域内长度最长的线段，即为区域的长轴，获得线段的长度d以及线段的方向向量v，方向向量的方向由区域边缘指向区域内部；同时获得区域边缘各像素点对应的海森矩阵的最小特征值对应的特征向量ξ；获得区域的异常度：
其中，S表示区域的面积；d表示对应区域内长度最长的线段的长度；
表示区域的纤细程度；在护腰表面图像中呈现的缺陷的大部分都是护腰表面的高弹性材料缺少纱线或者纬线造成的，而由于受力发生形变的部分也是较为细长的，通常这一部分会被误判为发生缺陷的部分，因此区域的纤细程度越大，该区域的异常度越高。
i表示区域内像素点的序号，I表示区域内像素点的总数量；ξi表示区域内第i个像素点对应的海森矩阵的最小特征值对应的特征向量；
表示区域的平滑程度，其<v,ξi>表示方向向量v与特征向量ξi的内积，该值越大说明第i个像素点的纹理的分布趋势与区域的整体分布方向越一致，当P的值越大，说明区域内所有像素点的纹理分布趋势与整体分布方向越趋近一样，区域越平滑，区域的异常度越低；当P的值越小，说明区域内所有像素点的纹理分布趋势与整体分布方向越不一样，区域越不平滑，异常度越高。
获得海森矩阵时需将护腰表面图像灰度化，在灰度图上进行操作。假设区域内共有I个像素点，获取其中第i个像素点的海森矩阵，该海森矩阵用于描述第i个像素点在局部像素上灰度值的二阶导数；获取该海森矩阵所有特征值以及每个特征值对应的特征向量；该海森矩阵的特征值用于描述第i个像素点在灰度图上沿特征向量方向上的曲率，所述的曲率是指灰度图上像素灰度值的变化快慢，也可以说是灰度图上第i个像素位置处纹理的弯曲程度。
如果第i个像素点在灰度图上的所述特征值越大，说明第i个像素点在沿特征向量方向上的纹理越弯曲；如果第i个像素点在灰度图上的所述特征值越小，说明第i个像素点在沿特征向量方向上的纹理越不弯曲、越平直；基于此，本发明获取第i个像素点的海森矩阵的最小特征值对应的特征向量ξi，ξi是一个二维单位向量，表示第i个像素点纹理的走向或者说纹理的分布趋势。
将区域的异常度归一化，设定异常度阈值TP，优选地本实施中异常度阈值的取值为0.2，若某一区域的异常度大于异常度阈值，则该区域为疑似缺陷区域，获得护腰表面图像中的疑似缺陷区域。
步骤二：与滤波器各项参数的均值最接近的滤波器对应的特征图为基准特征图；与基准特征图中疑似缺陷区域的平均像素值差值最小的同一疑似缺陷区域所属的特征图为辅助特征图；基准特征图对应的滤波器与辅助特征图对应的滤波器的各项参数的差值组成疑似缺陷区域的纹理偏离向量；利用疑似缺陷区域的纹理偏离向量的差值和疑似缺陷区域中心点的坐标的差值获得疑似缺陷区域的差异度；差异度较小的疑似缺陷区域的材料为同一种材料，将同一种材料构成的疑似缺陷区域拼接成同一材料区域。
由于护腰表面各部分使用的材料不同，这会对进行缺陷检测的时候造成影响，因此需要将材料相同的疑似缺陷区域拼接到一起，然后在拼接后的区域中寻找有缺陷的部分。
首先，对所有的特征图，计算不同特征图对应的滤波器各项参数的均值；选中各项参数最接近均值的滤波器对应的纹理特征图，记为基准特征图；对所有纹理特征图，计算图中每个疑似缺陷区域的平均像素值
将基准特征图中每个疑似缺陷区域的平均像素值记为基准像素值
同一个疑似缺陷区域在不同的特征图中有不同的平均像素值；每一个疑似缺陷区域在每个特征图中都对应一个平均像素值；对于每个疑似缺陷区域，判断疑似缺陷区域对应的各特征图中的平均像素值中，与基准像素值的差值最小的平均像素值对应的某个特征图中的疑似缺陷区域为辅助疑似缺陷区域，所述辅助疑似缺陷区域对应的特征图为辅助特征图。
接着，通过每个疑似缺陷区域对应的辅助特征图以及确定的基准特征图对应的Gabor滤波器的各项参数获得护腰表面图像中的每个疑似缺陷区域的纹理偏离向量；如选定一个疑似缺陷区域，记为当前疑似缺陷区域，则当前疑似缺陷区域的纹理偏离向量为：
其中，λ为当前疑似缺陷区域辅助特征图对应的Gabor滤波器的波长；λB为当前疑似缺陷区域基准特征图对应的Gabor滤波器的波长；λmax为所用滤波器的最大波长；
θ为当前疑似缺陷区域辅助特征图对应的Gabor滤波器的方向；θB为当前疑似缺陷区域基准特征图对应的Gabor滤波器的方向；θmax为所用滤波器的最大方向；
σ为当前疑似缺陷区域辅助特征图对应的Gabor滤波器的带宽；σB为当前疑似缺陷区域基准特征图对应的Gabor滤波器的带宽；σmax为所用滤波器的最大带宽；
γ为当前疑似缺陷区域辅助特征图对应的Gabor滤波器的纵横比；γB为当前疑似缺陷区域基准特征图对应的Gabor滤波器的纵横比；γmax为所用滤波器的最大纵横比。
最后，获得护腰表面图像中每个疑似缺陷区域的纹理偏离向量后，计算疑似缺陷区域的差异度：
其中，F表示两个疑似缺陷区域的差异度；δ表示一个疑似缺陷区域的纹理偏移向量，δ′表示另一个疑似缺陷区域的纹理偏移向量；x表示一个疑似缺陷区域中心点的横坐标，x′表示另一个疑似缺陷区域中心点的横坐标；y表示一个疑似缺陷区域中心点的纵坐标，y′表示另一个疑似缺陷区域中心点的纵坐标。
设定差异度阈值TF，优选地，本实施例中差异度阈值的取值为0.1，若两个疑似缺陷区域的差异度小于差异度阈值TF，则这两个疑似缺陷区域所使用的材料为同一种材料。
其中，使用同一种材料的疑似缺陷区域的拼接过程为：选定护腰表面图像中的一个疑似缺陷区域，记为第一疑似缺陷区域；根据第一疑似缺陷区域的与护腰表面图像中其他疑似缺陷区域的差异度判断两个疑似缺陷区域是否为同一种材料，若为同一种材料将两个疑似缺陷区域进行拼接；继续计算第一疑似缺陷区域与余下的其他疑似缺陷区域差异度，根据差异度判断余下的其他疑似缺陷区域是否为同一种材料，直至将属于同一种材料的疑似缺陷区域全部找出进行拼接。至此获得所有的同一材料区域，所述同一材料区域由各疑似缺陷区域拼接得到，其在护腰上对应的区域使用的是同一种材料。
步骤三：对各特征图中的同一材料区域的像素点与邻域像素点的像素值的差值的最大值求和获得像素点的像素差异；在护腰表面图像中根据像素点与领域像素点差值的最大值和像素点所属疑似缺陷区域的异常度获得像素点的平滑度。
首先，在获得的同一材料区域中进行检测，获得出现缺陷的点，记为缺陷点。对于一个同一材料区域中的每个像素点，通过每个像素点在不同的特征图中与邻域像素点的像素值差值计算像素点的像素差异，优选地，本实施例中使用每个像素点在不同的特征图中与8邻域像素点的像素值差值，公式如下：
其中，j为特征图的序号；J为特征图的总数量625；G1表示第j张特征图上当前像素点对应的8领域像素点中的第一个像素点的像素值，G表示当前像素点在第j张特征图上的像素值，G1-G为当前像素点处在第j张特征图上的像素值与8邻域像素点中的第一个邻域像素点的像素值差值；max(G1-G,G2-G,…,G8-G)为当前像素点处在第j张纹理图上的像素值与其8邻域的像素点的像素值差值的最大值。至此，获得护腰表面图像中各同一材料区域中的每个像素点的像素差异。
然后，根据同一材料区域中的每个像素点的像素差异和像素点所述疑似缺陷区域的异常度计算像素点的平滑度：
其中，ε为护腰表面图像中同一材料区域中的待判断像素点的像素差异，ε1为待判断像素点的8邻域像素点中的第一个邻域像素点的像素差异；ε1-ε为待判断像素点的像素差异与8邻域像素点中的第一个邻域像素点的像素差异的差值；ε2-ε为待判断像素点的像素差异与8邻域像素点中的第二个邻域像素点的像素差异的差值；ε8-ε为待判断像素点的像素差异与8邻域像素点中的第八个邻域像素点的像素差异的差值；P为待判断像素点所属的疑似缺陷区域的异常度。
设定缺陷判断阈值TS，优选地，在本实施例中缺陷判断阈值的取值为6，平滑度小于缺陷判断阈值的像素点为缺陷点；获得护腰表面图像中缺陷点的位置以及数量N′，获得护腰的质量评价指标：
其中，N为护腰表面图像中像素点的总数量；N′为护腰表面图像中缺陷点的总数量；设置质量合格阈值TC，优选地，本实施中质量合格阈值的取值为0.02，若护腰的质量指标比质量合格阈值低，则为合格品，若护腰的质量指标比质量合格阈值高，则为不合格品。
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 (9)
1.一种具有高弹性材料的3D护腰检测方法，其特征在于，该方法包括：利用滤波器获得护腰表面图像的多张特征图；基于在各特征图中的每个像素点的坐标和像素值所组成的描述向量将护腰表面图像分成多个区域；区域长轴的长度和区域的面积的比值为区域的纤细程度；根据区域内纹理的变化趋势获得区域的平滑程度，纤细程度与平滑程度的比值为区域异常度，根据区域的异常度确定多个疑似缺陷区域；
与滤波器各项参数的均值最接近的滤波器对应的特征图为基准特征图；与基准特征图中疑似缺陷区域的平均像素值差值最小的同一疑似缺陷区域所属的特征图为辅助特征图；基准特征图对应的滤波器与辅助特征图对应的滤波器的各项参数的差值组成疑似缺陷区域的纹理偏离向量；利用疑似缺陷区域的纹理偏离向量的差值和疑似缺陷区域中心点的坐标的差值获得疑似缺陷区域的差异度；差异度较小的疑似缺陷区域的材料为同一种材料，将同一种材料构成的疑似缺陷区域拼接成同一材料区域；
对各特征图中的同一材料区域的像素点与邻域像素点的像素值的差值的最大值求和获得像素点的像素差异；在护腰表面图像中根据像素点与邻域像素点差值的最大值和像素点所属疑似缺陷区域的异常度获得像素点的平滑度；在获得像素点的平滑度之后还包括：设定缺陷判断阈值，平滑度小于缺陷判断阈值的像素点为缺陷点；统计护腰表面图像中缺陷点的数量，缺陷点的数量与护腰表面图像中像素点数量的比值为护腰的质量评价指标。
2.根据权利要求1所述的一种具有高弹性材料的3D护腰检测方法，其特征在于，所述利用滤波器获得护腰表面图像的多张特征图包括：所述滤波器为Gabor滤波器，改变滤波器的波长、方向、带宽和纵横比获得预定数量的Gabor滤波器；利用预定数量的Gabor滤波器对护腰表面图像进行滤波获得预定数量的特征图。
3.根据权利要求1所述的一种具有高弹性材料的3D护腰检测方法，其特征在于，所述利用在各特征图中的每个像素点的坐标和像素值所组成的描述向量将护腰表面图像分成多个区域包括：获得护腰表面图像中各像素点的描述向量，以护腰表面图像中各像素点的描述向量为基础对像素点进行聚类，获得多个簇；根据聚类获得的簇将护腰表面图像划分为多个区域。
4.根据权利要求1所述的一种具有高弹性材料的3D护腰检测方法，其特征在于，所述根据区域内纹理的变化趋势获得区域的平滑程度包括：对区域内每个像素点对应的海森矩阵的最小特征值对应的特征向量与区域内长轴的方向向量的内积进行求和获得区域的平滑程度。
5.根据权利要求1所述的一种具有高弹性材料的3D护腰检测方法，其特征在于，所述利用区域的异常度确定多个疑似缺陷区域包括：设定异常度阈值，异常度大于异常度阈值的区域为疑似缺陷区域。
6.根据权利要求1所述的一种具有高弹性材料的3D护腰检测方法，其特征在于，所述基准特征图对应滤波器与各辅助特征图对应滤波器的各项参数的差值组成疑似缺陷区域的纹理偏离向量包括：将滤波器的各项参数的差值的归一化后组成疑似缺陷区域的纹理偏离向量。
7.根据权利要求1所述的一种具有高弹性材料的3D护腰检测方法，其特征在于，所述疑似缺陷区域的差异度为：
其中，F表示两个疑似缺陷区域的差异度；
表示一个疑似缺陷区域的纹理偏移向量，
表示另一个疑似缺陷区域的纹理偏移向量；
表示一个疑似缺陷区域中心点的横坐标，
表示另一个疑似缺陷区域中心点的横坐标；
表示一个疑似缺陷区域中心点的纵坐标，
表示另一个疑似缺陷区域中心点的纵坐标。
8.根据权利要求1所述的一种具有高弹性材料的3D护腰检测方法，其特征在于，所述差异度较小的疑似缺陷区域的材料为同一种材料，将同一种材料构成的疑似缺陷区域拼接成同一材料区域包括：选定一个疑似缺陷区域，记为第一疑似缺陷区域；根据第一疑似缺陷区域的与其他疑似缺陷区域的差异度判断两个疑似缺陷区域是否为同一种材料，若为同一种材料将两个疑似缺陷区域进行拼接；继续计算第一疑似缺陷区域与余下的其他疑似缺陷区域差异度，根据差异度判断余下的其他疑似缺陷区域是否为同一种材料，直至将属于同一种材料的疑似缺陷区域全部找出进行拼接。
9.根据权利要求1所述的一种具有高弹性材料的3D护腰检测方法，其特征在于，所述在护腰表面图像中根据像素点与邻域像素点差值的最大值和像素点所属疑似缺陷区域的异常度获得像素点的平滑度包括：护腰表面图像中像素点与邻域像素点差值的最大值与像素点的平滑度为反比关系；像素点所述疑似缺陷区域的异常度与像素点的平滑度为反比关系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210196875.8A CN114638790B (zh) | 2022-03-02 | 2022-03-02 | 具有高弹性材料的3d护腰检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210196875.8A CN114638790B (zh) | 2022-03-02 | 2022-03-02 | 具有高弹性材料的3d护腰检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114638790A CN114638790A (zh) | 2022-06-17 |
| CN114638790B true CN114638790B (zh) | 2023-02-28 |
Family
ID=81947492
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210196875.8A Active CN114638790B (zh) | 2022-03-02 | 2022-03-02 | 具有高弹性材料的3d护腰检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114638790B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113963042A (zh) * | 2021-12-21 | 2022-01-21 | 派立锐汽车零部件(武汉)有限公司 | 基于图像处理的金属零件缺陷程度评估方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3006240C (en) * | 2015-04-27 | 2022-12-13 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
-
2022
- 2022-03-02 CN CN202210196875.8A patent/CN114638790B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113963042A (zh) * | 2021-12-21 | 2022-01-21 | 派立锐汽车零部件(武汉)有限公司 | 基于图像处理的金属零件缺陷程度评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 一种更高效的尿沉渣自动识别算法;张灿龙等;《计算机工程与应用》;20100121(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114638790A (zh) | 2022-06-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114862862B (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
| CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
| CN109523541A (zh) | 一种基于视觉的金属表面细微缺陷检测方法 | |
| CN115170572B (zh) | 一种bopp复合薄膜表面涂胶质量监测方法 | |
| CN115690105B (zh) | 一种基于计算机视觉的铣刀划痕检测方法 | |
| CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
| CN115578374A (zh) | 一种机械零件铸造质量评估方法与系统 | |
| CN115294116B (zh) | 基于人工智能的纺织材料染色质量评估方法、装置及系统 | |
| CN115311267B (zh) | 一种格纹织物异常检测方法 | |
| CN114529550A (zh) | 一种基于图像处理的纺织品色牢度检测方法及系统 | |
| CN115049651B (zh) | 一种钣金冲压异常检测方法 | |
| CN114841938A (zh) | 一种织物勾丝缺陷检测方法 | |
| CN115100206A (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
| CN114862855A (zh) | 基于模板匹配的纺织品缺陷检测方法及系统 | |
| CN118096796B (zh) | 基于机器学习的径锻钛棒外观视觉检测方法 | |
| CN116071363A (zh) | 一种自动化型钢智能生产监测系统 | |
| CN115829984A (zh) | 一种棉织品丝光处理缺陷识别方法 | |
| CN116664569A (zh) | 一种焊瘤缺陷检测方法 | |
| CN116977331B (zh) | 基于机器视觉的3d模型表面检测方法 | |
| CN114638790B (zh) | 具有高弹性材料的3d护腰检测方法 | |
| CN116563276B (zh) | 一种化纤长丝在线缺陷检测方法及检测系统 | |
| CN106770372B (zh) | 基于显微视觉的白玻表面缺陷检测方法 | |
| CN116205894A (zh) | 基于多信息融合的轴承滚子缺陷检测方法 | |
| CN115578390B (zh) | 一种用于除氧器的焊接控制方法 | |
| CN116823779A (zh) | 一种基于机器视觉的玻璃纤维平纹织物纱线角度检测方法 |
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 |