CN114693659B - 基于图像处理的铜管表面清洗效果评估方法及系统 - Google Patents

基于图像处理的铜管表面清洗效果评估方法及系统 Download PDF

Info

Publication number
CN114693659B
CN114693659B CN202210360955.2A CN202210360955A CN114693659B CN 114693659 B CN114693659 B CN 114693659B CN 202210360955 A CN202210360955 A CN 202210360955A CN 114693659 B CN114693659 B CN 114693659B
Authority
CN
China
Prior art keywords
copper pipe
image
gray level
glossiness
cleaning
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
Application number
CN202210360955.2A
Other languages
English (en)
Other versions
CN114693659A (zh
Inventor
段柏青
顾永春
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.)
Dongguan Yuexing Nonferrous Metals Co ltd
Original Assignee
Haimen Chuangrui Machinery 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 Haimen Chuangrui Machinery Co ltd filed Critical Haimen Chuangrui Machinery Co ltd
Priority to CN202210360955.2A priority Critical patent/CN114693659B/zh
Publication of CN114693659A publication Critical patent/CN114693659A/zh
Application granted granted Critical
Publication of CN114693659B publication Critical patent/CN114693659B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/30136—Metal
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及人工智能领域，具体涉及一种基于图像处理的铜管表面清洗效果评估方法，包括：获取第一根铜管清洗后的光泽度，包括：采集圆周图像；根据图像中各个小区域与中心区域向量的相似度及其之间的距离，得到图像的区域一致性；利用得到的各灰度级相对于中间灰度级的偏移程度对区域一致性进行修正，得到修正后的区域一致性；根据修正后的区域一致性和图像的亮度，得到第一根铜管清洗后的光泽度；重复上述步骤,得到当前清洗后整根铜管的光泽度；根据第一根铜管清洗后的光泽度对当前清洗后整根铜管的光泽度进行判断，完成对铜管清洗效果的评估。上述方法用于对铜管表面清洗效果进行评估，通过上述方法可实现对清洗剂更换的智能调控。

Description

基于图像处理的铜管表面清洗效果评估方法及系统
技术领域
本发明涉及人工智能领域，具体涉及一种基于人工智能和图像处理的铜管表面清洗效果评估的方法及系统。
背景技术
在铜管加工，如铜管焊接过程中，要求铜管接头清洁光亮，不可有油污、涂料以及氧化层，否则会产生气孔或虚焊；铜管加工完成后如果表面存在氧化物也会影响后续铜管的使用，所以对铜管清洗是铜管加工的重要环节。而清洗效果不好的铜管表面若存在油污、涂料、氧化物等杂质也会影响铜管的使用，因此，对铜管表面进行清洗效果评估是必不可少的。
目前用于评估铜管表面清洗效果的方法主要是根据工人已有经验对清洗后的铜管表面进行检测，并根据清洗后的铜管表面情况对清洗剂是否需要更换进行判断。
然而，在实际生产过程中，由于铜管的数量众多，且加工过程中清洗次数的增加，清洗剂中的杂质增多，导致清洗效果下降，再加上铜管粗细长短类型众多以及氧化情况不一，只根据清洗的铜管批数的经验值进行清洗剂的更换仍然存在较大误差，即仅凭人工很难及时检测出清洗效果的变化，也就无法及时对清洗剂进行更换，进而导致后续的铜管加工出现残次品，由此造成极大的资源浪费，因此亟需一种方法提高铜管表面清洗效果评估的准确性，实现对清洗剂更换的智能调控。
发明内容
本发明提供了一种基于图像处理的铜管表面清洗效果评估方法，包括：获取第一根铜管清洗后的光泽度，包括：采集圆周图像；根据图像中各个小区域与中心区域向量的相似度及其之间的距离，得到图像的区域一致性；利用得到的各灰度级相对于中间灰度级的偏移程度对区域一致性进行修正，得到修正后的区域一致性；根据修正后的区域一致性和图像的亮度，得到第一根铜管清洗后的光泽度；重复上述步骤,得到当前清洗后整根铜管的光泽度；根据第一根铜管清洗后的光泽度对当前清洗后整根铜管的光泽度进行判断，完成对铜管清洗效果的评估，相比于现有技术，本发明基于图像处理技术，根据清洗后铜管的圆周图像的区域一致性和亮度得到铜管光泽度，最终根据当前清洗后的铜管表面与第一根清洗后铜管的光泽差异程度进行清洗效果的评估，当清洗效果下降时，及时发出预警，对清洗剂进行更换，通过更换清洗剂，可提高对铜管表面的清洗质量。本发明可提高铜管表面清洗效果评估的准确性，实现对清洗剂更换的智能调控。
为达到上述目的，本发明采用以下技术方案，一种基于图像处理的铜管表面清洗效果评估方法，包括：
S1：获取第一根铜管清洗完成后的光泽度，包括：
S101：采集第一根铜管各段对应的圆周图像。
S102：对各个圆周图像进行区域划分，根据圆周图像中各个小区域与中心区域向量的余弦相似度及各个小区域到中心区域的距离，得到各个圆周图像的区域一致性。
S103：根据各个圆周图像对应的灰度直方图中的各灰度级及各灰度级的占比，计算得到各个圆周图像对应的各灰度级相对于中间灰度级的偏移程度。
S104：利用各灰度级相对于中间灰度级的偏移程度对圆周图像的区域一致性进行修正，得到各个圆周图像修正后的区域一致性。
S105：对各个圆周图像对应的灰度直方图中的各灰度级及各灰度级的占比进行加权计算，得到各个圆周图像的亮度。
S106：根据各个圆周图像修正后的区域一致性和亮度，得到各个圆周图像的铜管光泽度。
S107：根据各个圆周图像的铜管光泽度计算得到第一根铜管清洗完成后的光泽度。
S2：重复上述步骤S101-S107，得到当前清洗完成后的整根铜管的光泽度。
S3：根据第一根铜管清洗完成后的光泽度得到清洗效果不合格的铜管光泽度范围。
S4：判断当前清洗完成后的整根铜管的光泽度是否在清洗效果不合格的铜管光泽度范围内：若当前清洗完成后的整根铜管的光泽度不在清洗效果不合格的铜管光泽度范围内，则无需更换清洗剂；
若当前清洗完成后的整根铜管的光泽度在清洗效果不合格的铜管光泽度范围内，则需要将当前的清洗剂进行更换。
进一步的，所述一种基于图像处理的铜管表面清洗效果评估方法，所述第一根铜管各段对应的圆周图像是按照如下方式采集：
获取第一根铜管的半径。
设置相机台数，根据铜管半径确定每台相机的视野范围。
根据相机成像原理及每台相机的视野范围，对每台相机的焦距进行调整。
根据铜管移动距离及移动速度，确定每台相机的采样频率和铜管的转速。
采用不同相机对清洗完成后的第一根铜管进行1/3圆周图像的采集，得到第一根铜管各段对应的圆周图像。
进一步的，所述一种基于图像处理的铜管表面清洗效果评估方法，所述各个圆周图像的区域一致性是按照如下方式得到：
根据各个小区域中像素点的灰度值，得到各个小区域的灰度直方图。
对各个小区域的灰度直方图进行归一化处理，得到各个小区域的归一化的灰度直方图。
将各个小区域的归一化的灰度直方图转化为向量，得到各个小区域的向量。
计算各个小区域的向量与中心区域向量的余弦相似度。
根据各个小区域的向量与中心区域向量的余弦相似度及各个小区域到中心区域的距离，得到各个圆周图像的区域一致性。
进一步的，所述一种基于图像处理的铜管表面清洗效果评估方法，所述各灰度级相对于中间灰度级的偏移程度是按照如下方式得到：
将第一根铜管各段对应的各个1/3圆周图像进行灰度化处理，得到各个1/3圆周图像对应的灰度图。
根据灰度图中各像素点的灰度值，得到各个1/3圆周图像对应的灰度直方图。
对灰度直方图进行分级，得到各个1/3圆周图像对应的各个灰度级及其对应的灰度占比。
根据灰度级的最大值和最小值，得到各个1/3圆周图像对应的中间灰度级。
根据中间灰度级、各个灰度级及其对应的灰度占比，计算得到各个1/3圆周图像对应的各灰度级相对于中间灰度级的偏移程度。
进一步的，所述一种基于图像处理的铜管表面清洗效果评估方法，所述各个圆周图像修正后的区域一致性的表达式如下：
Q′＝Qexp(-F)
式中，Q为各个圆周图像的区域一致性，F为各个圆周图像的各灰度级相对于中间灰度级的偏移程度，Q′为各个圆周图像修正后的区域一致性。
进一步的，所述一种基于图像处理的铜管表面清洗效果评估方法，所述各个圆周图像的铜管光泽度的表达式如下：
G＝ZQ′
式中，G为各个圆周图像的铜管光泽度，Q′为各个圆周图像修正后的区域一致性，Z为各个圆周图像的亮度。
进一步的，所述一种基于图像处理的铜管表面清洗效果评估方法，所述清洗效果不合格的铜管光泽度范围如下：
Gloss≤0.9Gloss0
其中，Gloss0为第一根铜管清洗完成后的光泽度，Gloss为当前清洗完成后的整根铜管的光泽度。
本发明的有益效果在于：
本发明基于图像处理技术，根据清洗后铜管的圆周图像的区域一致性和亮度得到铜管光泽度，最终根据当前清洗后的铜管表面与第一根清洗后铜管的光泽差异程度进行清洗效果的评估，当清洗效果下降时，及时发出预警，对清洗剂进行更换，通过更换清洗剂，可提高对铜管表面的清洗质量。本发明可提高铜管表面清洗效果评估的准确性，实现对清洗剂更换的智能调控。
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为本发明实施例提供的一种铜管表面清洗效果评估方法流程图；
图2为本发明实施例提供的一种铜管表面清洗效果评估方法流程图；
图3a为本发明实施例提供的一种单台相机采集铜管圆周图像过程示意图；
图3b为本发明实施例提供的一种多台相机采集铜管圆周图像过程示意图；
图4为本发明实施例提供的一种相机成像原理示意图；
图5a为本发明实施例提供的一种铜管清洗前示意图；
图5b为本发明实施例提供的一种铜管清洗后示意图；
图6a为本发明实施例提供的一种存在氧化物的铜管表面灰度直方图示意图；
图6b为本发明实施例提供的一种不存在氧化物的铜管表面灰度直方图示意图；
图7为本发明实施例提供的一种铜管光泽度曲线图；
图8为本发明实施例提供的一种铜管表面清洗效果评估系统框图。
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图像处理的铜管表面清洗效果评估方法，如图1所示，包括：
S1：获取第一根铜管清洗完成后的光泽度，包括：
S101：采集第一根铜管各段对应的圆周图像。
其中，圆周图像是由不同相机采集其视野内的1/3圆周图像。
S102：对各个圆周图像进行区域划分，根据圆周图像中各个小区域与中心区域向量的余弦相似度及各个小区域到中心区域的距离，得到各个圆周图像的区域一致性。
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。余弦相似度将向量根据坐标值，绘制到向量空间中，如最常见的二维空间。
S103：根据各个圆周图像对应的灰度直方图中的各灰度级及各灰度级的占比，计算得到各个圆周图像对应的各灰度级相对于中间灰度级的偏移程度。
其中，偏移程度是为了对区域一致性进行修正。
S104：利用各灰度级相对于中间灰度级的偏移程度对圆周图像的区域一致性进行修正，得到各个圆周图像修正后的区域一致性。
其中，修正后的区域一致性是为了后续计算铜管的光泽度。
S105：对各个圆周图像对应的灰度直方图中的各灰度级及各灰度级的占比进行加权计算，得到各个圆周图像的亮度。
其中，清洗效果越好，亮度越大。
S106：根据各个圆周图像修正后的区域一致性和亮度，得到各个圆周图像的铜管光泽度。
其中，修正后的区域一致性越高，亮度越大，铜管的光泽度越高。
S107：根据各个圆周图像的铜管光泽度计算得到第一根铜管清洗完成后的光泽度。
其中，计算整根铜管的光泽度是为了避免单段铜管的光泽度存在偶然性的情况发生。
S2：重复上述步骤S101-S107,得到当前清洗完成后的整根铜管的光泽度。
其中，整根铜管的光泽度是对各段铜管光泽度进行平均值计算得到。
S3：根据第一根铜管清洗完成后的光泽度得到清洗效果不合格的铜管光泽度范围。
其中，清洗效果不合格的铜管光泽度范围为Gloss≤0.9Gloss0。
S4：判断当前清洗完成后的整根铜管的光泽度是否在清洗效果不合格的铜管光泽度范围内：若当前清洗完成后的整根铜管的光泽度不在清洗效果不合格的铜管光泽度范围内，则无需更换清洗剂；
若当前清洗完成后的整根铜管的光泽度在清洗效果不合格的铜管光泽度范围内，则需要将当前的清洗剂进行更换。
其中，当前铜管的光泽度较低时，说明清洗剂液体中杂质较多，需要更换清洗剂。
本实施例的有益效果在于：
本实施例基于图像处理技术，根据清洗后铜管的圆周图像的区域一致性和亮度得到铜管光泽度，最终根据当前清洗后的铜管表面与第一根清洗后铜管的光泽差异程度进行清洗效果的评估，当清洗效果下降时，及时发出预警，对清洗剂进行更换，通过更换清洗剂，可提高对铜管表面的清洗质量。本实施例可提高铜管表面清洗效果评估的准确性，实现对清洗剂更换的智能调控。
实施例2
本实施例的主要目的是：利用图像处理技术，通过对清洗后的铜管表面进行分析，得到铜管光泽度，以此对清洗效果进行评估，在清洗效果下降时及时预警，减少资源浪费。
本发明实施例提供一种基于图像处理的铜管表面清洗效果评估方法，如图2所示，包括：
S201：调整相机参数以及仪器转速，使用相机采集铜管圆周图像。
自然光照下，采集铜管清洗完成后的图像，铜管清洗完成后，调整铜管前移与旋转的速度，使相机向前移动√3R(R为铜管半径)的时间与旋转1/3圆周的时间相等，使用三个相机采集铜管图像，在铜管每旋转120°时采集一次图像，采集三次后即可获取完整的铜管圆周图像，对采集的图像进行处理，根据图像内的特征信息进而对清洗效果进行评估；
所述铜管图像的采集过程如图3所示：图3a为单台相机采集铜管圆周图像过程示意图；
图3b为多台相机采集铜管圆周图像过程示意图。
由于铜管为非平面物体，受自然光照的影响，背光面偏暗，导致采集的图像与实际情况存在较大偏差，因此相机只采集铜管中心区域即可，因此首先对不同的待检测铜管的半径，调整相应的相机焦距，使其视野内为1/3圆周，为保障加工效率，设置三个相机，分别记为相机1，相机2，相机3，以采集铜管清洗完成后的旋转并前移过程中的图像，具体过程如下：
1.根据相机成像原理，如图4所示：根据铜管半径R以及相机成像平面CCD的大小，调整相机焦距f：
其中G为相机的视野范围(相机采集范围)，且D为相机的工作距离，即透镜中心到铜管中心的距离L减去1/2R，即/>L为固定值，且可测量得到；X为相机成像平面CCD的大小。
2.根据铜管移动的距离G以及铜管的移动速度v，计算出当前铜管图像移动出相机视野范围所需要的时间由此确定相机的采样频率/>并设计相应的转速使在时间t′内，即相机移动出视野范围后铜管刚好旋转120°；
3.从清洗完成(铜管出清洗槽)开始，经时间t′后相机1开始采集图像；在当前铜管图像移动出相机视野范围时，该相机再次采集图像，下一个相机开始采集图像，以此类推；由于相机在最后一次采集图像时，铜管圆周图像可能不完全，因此对相机最后一次采集的图像进行语义分割，获取铜管圆周图像；
4.记相机1采集图像的时刻为t0，则相机1，2，3分别在t0,t0+t′,t0+2t′时刻时所获得的图像即为铜管在一定范围内转动一圈所对应的图像；
在本实施例中，相机不需要实时采集图像，而是在视野范围内的铜管滑动出视野后，再次采集图像，直到该铜管都检测完成为止。
铜管表面被氧化后，颜色偏暗，再加上氧化物以及油污的影响，表面较为粗糙；而清洗后的铜管颜色更鲜艳，且光亮一致，表面光滑，因此铜管清洗前后的图像如图5a、图5b所示。
S202：计算各圆周图像的区域一致性。
清洗后的铜管表面光滑且光亮一致，由于自然光的影响，使得铜管靠近边缘位置较暗，从整体图像分析难免存在误差，因此为进一步精确计算结果，还需要对各个小区域进一步分析，判断其相似程度；
将各个灰度级的占比值视为向量的一个维度，由此可以将一个灰度直方图转化为一个向量，再根据两个向量的余弦相似度即可评判两个灰度直方图的相似性；所谓余弦相似度就是根据两个向量夹角间的余弦值来衡量两个个体之间差异的大小，余弦值接近1，夹角趋于0，表明两个向量越相似，余弦值接近于0，夹角趋于90度，表明两个向量越不相似。
1.将图像转化为灰度图，获取其灰度直方图，得到各个灰度级及其对应的灰度占比序列，记为H＝*(H1,P1),(H2,P2),…,(Hi,Pi),…,(Hn,Pn)+，其中n为直方图中灰度级的个数；Hi为直方图中第i个灰度级；Pi为直方图中第i个灰度级的占比。
2.获取图像采集的相机分辨率，将图像的长宽分别五等分，即将图像划分为25个小区域，得到各个小区域的中心点坐标序列Z′＝*(x1,y1),(x2,y2),…,(xj,yj),…,(x25,y25)+。
3.获取各个小区域的归一化后的灰度直方图，由于向量维度不同时，高维向量需要降维，会丢失数据信息，因此将整个图像对应的灰度直方图的灰度级个数设定为向量的维数，即向量维数N＝Hn-H1+1，H1,Hn分别为整个图像的灰度级范围的最小值与最大值。由此得到25个N维向量，其中第j个区域的灰度直方图转化的向量Ij＝*p1,p2,…,pt,...,pN+；pt为Ij向量中的第t个分量。
4.计算所得向量与中心区域(即划分的第13个小区域I13,为描述方便，将其记为Io，该区域中心点坐标记为(xo,yo))对应向量之间的余弦相似度，计算公式如下：
其中，sj表示第j个向量与中心区域向量Io之间的余弦相似度，且Sj∈,0,1-；Iot为向量Io的第t个分量,Ijt为向量Ij的第t个分量；N为向量维数。
5.由此得到所有向量与中心区域向量两两之间的相似度序列S＝*s1,s2,…,sj,...,s24+；
6.由于距离中心区域越远，受自然光影响的程度越大，因此，整个图像的区域一致性还需要结合各个区域到中心区域的距离，距离中心区域越远，其所对应的相似性权重越小，故图像的区域一致性Q可表示为：
其中为第j个区域中心点(xj,yj)到中心区域的中心点(xo,yo)的距离，当j＝13时，表示该区域为中心区域，不参与一致性的计算。sj表示第j个向量与中心区域向量Io之间的余弦相似度。
S203：计算图像各灰度级相对于中间灰度级的偏移程度。
存在氧化物的铜管表面整体偏暗且颜色分布不均匀，即存在氧化物的铜管其灰度直方图中的灰度级跨度较大，且由于油污等较为突出，但是仍占少数，所以在灰度直方图上表现为“重心的偏移”，即大部分灰度级相对中间灰度级存在偏移，且灰度级跨度越大，主体的偏移程度越大，如图6a所示，该图中的平均灰度值为135.85；而清洗后的铜管由于颜色较为均匀且整体图像偏亮，其所对应的灰度直方图灰度级跨度较小，且大部分灰度级相对于中间灰度级较为集中，如图6b所示，该图中的平均灰度值为157.32。因此可以将图像转化为灰度直方图，根据主体灰度级相对中间灰度级的偏移程度判断清洗效果。
对于S201得到的圆周图像，其灰度级范围的最小值与最大值分别为H1,Hn，则灰度直方图的中间灰度级Hm为:
其中为向下取整。
由于各个灰度级的占比并不相同，故将各个灰度级的占比作为各灰度级偏移程度的权重，由此得到图像各个灰度级相对于图像中间灰度级Hm的偏移程度F为：
式中，F为各个灰度级相对于图像中间灰度级的偏移程度，Hm为中间灰度级，Hi为第i个灰度级，Pi为第i个灰度级Hi的占比，n为直方图中灰度级的个数。
S204：得到修正后的图像区域一致性。
由于区域一致性主要参考的是划分后的中心区域，其他区域则是根据到中心区域的距离分配相似度的权重，但是当远离中心区域的位置存在氧化物，由于该区域的权重较小，导致该区域对区域一致性的影响较低，也就是说只从局部看所得到的结果不准确，所以还需要从整体出发，结合其灰度偏移程度进一步分析，由此得到修正后的图像区域一致性Q′:
Q′＝Qexp(-F)
式中，Q为各个圆周图像的区域一致性，F为各个圆周图像的各灰度级相对于中间灰度级的偏移程度，Q′为各个圆周图像修正后的区域一致性。
S205：根据图像亮度以及区域一致性计算单段铜管的光泽度。
根据上述所得区域一致性较高时，并不能区分铜管氧化地较为均匀以及铜管正常清洗两种情况，由于无氧化物的正常铜管表面偏亮，而存在均匀氧化物的铜管颜色偏暗，因此还需要结合图像亮度进一步区分；
即铜管的光泽度需要综合考虑铜管的表面的光滑程度(即区域一致性)以及铜管亮度两个方面，当铜管的光滑程度以及亮度均较高时，认为其为清洗效果较好的图像；
1.根据灰度直方图中的灰度级，并以灰度级各自占比为权重，得到图像亮度，记为Z；由于铜管图像是在自然光照采集的图像，因此图像中无光照产生的过亮区域，故此时的图像亮度可以作为衡量铜管本身光泽程度的一个指标。
2.考虑到均匀氧化物的含量较低时，铜管的平均灰度值与正常铜管的平均灰度值的差异可能较小，因此需要放大Z的影响程度，可以得到该图像中的铜管光泽度G，则：
G＝ZQ′
其中，当区域一致性较低时，表明铜管表面存在不均匀的少量氧化物，故其对应的光泽度较小；当区域一致性较高时，结合灰度图像的亮度进一步考虑，若图像的平均灰度值越小，表明图像整体偏暗，为铜管表面存在均匀氧化物的情况，其所得光泽度较小；其所对应的曲线如图7所示，其中横轴为平均灰度值，纵轴为铜管光泽度；
B对应Q′＝0.455时的光泽度曲线，此时无论图像亮度多大，所得光泽度均较小，对应铜管表面存在少量氧化物的情况；A对应Q′＝0.86时的光泽度曲线，此时区域一致性较高，而平均灰度值之间存在差异，其对应的光泽度也会存在差异；
即此时，光泽度主要取决于区域一致性；但是当区域一致性较大时，平均灰度值对光泽度的影响会较为明显，由此可以对存在均匀氧化物的情况以及正常清洗的情况加以区分。
S206：根据三个相机采集的铜管圆周图像以及对应的采集次数，得到整根铜管光泽度。
由于清洗效果的评估需要看整体的清洗效果，即需要综合考虑铜管圆周图像，故使用上述方法分别处理相机1，2，3第q次采集所获得的铜管圆周图像，得到一段长度内的铜管的光泽度，记相机1，2，3第q次采集的图像所得的铜管光泽度的平均值即为该段铜管的光泽度，记为Gq；
由于只计算一段铜管的光泽度所得清洗效果存在偶然性，因此需要对整根铜管的光泽度进行评估，根据相机的采集次数以及每次采集所得到的单段铜管光泽度，计算其平均值，则该值即为整根铜管的光泽度，记为Gloss。
S207：结合第一根铜管清洗完成后的光泽度进行清洗效果评估，并在清洗效果下降时及时发出预警。
第一根铜管在进行清洗时，清洗剂内的杂质最少，此时清洗效果时最佳的，因此可以将第一根铜管在清洗完成后的铜管光泽度作为清洗效果评估的参考值。
随着清洗剂使用次数的增加，液体中的杂质增加，当杂质增加到一定程度，就会出现铜管表面仍存在氧化物，此时的铜管光泽度较低，就需要更换清洗剂；
通过上述方法得到第一根铜管清洗完成后铜管光泽度，记为Gloss0，当待检测的铜管光泽度Gloss满足Gloss≤0.9Gloss0时，认为该批次清洗效果下降，需要更换清洗剂，向工作人员发出预警。
本实施例的有益效果在于：
本实施例基于图像处理技术，根据清洗后铜管的圆周图像的区域一致性和亮度得到铜管光泽度，最终根据当前清洗后的铜管表面与第一根清洗后铜管的光泽差异程度进行清洗效果的评估，当清洗效果下降时，及时发出预警，对清洗剂进行更换，通过更换清洗剂，可提高对铜管表面的清洗质量。本实施例可提高铜管表面清洗效果评估的准确性，实现对清洗剂更换的智能调控。
实施例3
本发明实施例提供了一种基于图像处理的铜管表面清洗效果评估系统，如图8所示，包括采集单元、处理单元、计算单元和评估单元：
所述采集单元，设在清洗槽上方设置的轨道上，用于对清洗后的第一根铜管圆周图像和当前清洗完成后的铜管圆周图像进行采集；
所述处理单元，数据主控器对采集单元采集到的图像进行处理，获取铜管圆周图像对应的灰度直方图及铜管圆周图像对应的各个小区域；
所述计算单元，数据主控器根据处理单元获取的各个小区域计算得到铜管圆周图像的区域一致性，根据处理单元获取的灰度直方图计算得到各灰度级相对于中间灰度级的偏移程度，利用偏移程度对区域一致性进行修正，得到修正后的区域一致性，根据圆周图像修正后的区域一致性和亮度计算得到第一根铜管清洗完成后的光泽度和当前清洗完成后的铜管光泽度，最终得到清洗效果不合格的铜管光泽度范围；
所述评估单元，数据主控器对当前清洗完成后的铜管光泽度进行判断：若当前清洗完成后的铜管光泽度在清洗效果不合格的铜管光泽度范围内，则运用清洗剂控制器将当前的清洗剂进行更换。
本实施例的有益效果在于：
本实施例基于图像处理技术，根据清洗后铜管的圆周图像的区域一致性和亮度得到铜管光泽度，最终根据当前清洗后的铜管表面与第一根清洗后铜管的光泽差异程度进行清洗效果的评估，当清洗效果下降时，及时发出预警，对清洗剂进行更换，通过更换清洗剂，可提高对铜管表面的清洗质量。本实施例可提高铜管表面清洗效果评估的准确性，实现对清洗剂更换的智能调控。
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)

1.一种基于图像处理的铜管表面清洗效果评估方法，其特征在于，包括：
S1：获取第一根铜管清洗完成后的光泽度，包括：
S101：采集第一根铜管各段对应的圆周图像；
S102：对各个圆周图像进行区域划分，根据圆周图像中各个小区域与中心区域向量的余弦相似度及各个小区域到中心区域的距离，得到各个圆周图像的区域一致性；
S103：根据各个圆周图像对应的灰度直方图中的各灰度级及各灰度级的占比，计算得到各个圆周图像对应的各灰度级相对于中间灰度级的偏移程度；
S104：利用各灰度级相对于中间灰度级的偏移程度对圆周图像的区域一致性进行修正，得到各个圆周图像修正后的区域一致性；
S105：对各个圆周图像对应的灰度直方图中的各灰度级及各灰度级的占比进行加权计算，得到各个圆周图像的亮度；
S106：根据各个圆周图像修正后的区域一致性和亮度，得到各个圆周图像的铜管光泽度；
S107：根据各个圆周图像的铜管光泽度计算得到第一根铜管清洗完成后的光泽度；
S2：重复上述步骤S101-S107，得到当前清洗完成后的整根铜管的光泽度；
S3：根据第一根铜管清洗完成后的光泽度得到清洗效果不合格的铜管光泽度范围；
S4：判断当前清洗完成后的整根铜管的光泽度是否在清洗效果不合格的铜管光泽度范围内：若当前清洗完成后的整根铜管的光泽度不在清洗效果不合格的铜管光泽度范围内，则无需更换清洗剂；
若当前清洗完成后的整根铜管的光泽度在清洗效果不合格的铜管光泽度范围内，则需要将当前的清洗剂进行更换。
2.根据权利要求1所述的一种基于图像处理的铜管表面清洗效果评估方法，其特征在于，所述第一根铜管各段对应的圆周图像是按照如下方式采集：
获取第一根铜管的半径；
设置相机台数，根据铜管半径确定每台相机的视野范围；
根据相机成像原理及每台相机的视野范围，对每台相机的焦距进行调整；
根据铜管移动距离及移动速度，确定每台相机的采样频率和铜管的转速；
采用不同相机对清洗完成后的第一根铜管进行1/3圆周图像的采集，得到第一根铜管各段对应的圆周图像。
3.根据权利要求1所述的一种基于图像处理的铜管表面清洗效果评估方法，其特征在于，所述各个圆周图像的区域一致性是按照如下方式得到：
根据各个小区域中像素点的灰度值，得到各个小区域的灰度直方图；
对各个小区域的灰度直方图进行归一化处理，得到各个小区域的归一化的灰度直方图；
将各个小区域的归一化的灰度直方图转化为向量，得到各个小区域的向量；
计算各个小区域的向量与中心区域向量的余弦相似度；
根据各个小区域的向量与中心区域向量的余弦相似度及各个小区域到中心区域的距离，得到各个圆周图像的区域一致性。
4.根据权利要求1所述的一种基于图像处理的铜管表面清洗效果评估方法，其特征在于，所述各灰度级相对于中间灰度级的偏移程度是按照如下方式得到:
将第一根铜管各段对应的各个1/3圆周图像进行灰度化处理，得到各个1/3圆周图像对应的灰度图；
根据灰度图中各像素点的灰度值，得到各个1/3圆周图像对应的灰度直方图；
对灰度直方图进行分级，得到各个1/3圆周图像对应的各个灰度级及其对应的灰度占比；
根据灰度级的最大值和最小值，得到各个1/3圆周图像对应的中间灰度级；
根据中间灰度级、各个灰度级及其对应的灰度占比，计算得到各个1/3圆周图像对应的各灰度级相对于中间灰度级的偏移程度。
5.根据权利要求1所述的一种基于图像处理的铜管表面清洗效果评估方法，其特征在于，所述各个圆周图像修正后的区域一致性的表达式如下：
Q′＝Qexp(-F)
式中，Q为各个圆周图像的区域一致性，F为各个圆周图像的各灰度级相对于中间灰度级的偏移程度，Q′为各个圆周图像修正后的区域一致性。
6.根据权利要求1所述的一种基于图像处理的铜管表面清洗效果评估方法，其特征在于，所述各个圆周图像的铜管光泽度的表达式如下：
G＝ZQ′
式中，G为各个圆周图像的铜管光泽度，Q′为各个圆周图像修正后的区域一致性，Z为各个圆周图像的亮度。
7.根据权利要求1所述的一种基于图像处理的铜管表面清洗效果评估方法，其特征在于，所述清洗效果不合格的铜管光泽度范围如下：
Gloss≤0.9Gloss0
其中，Gloss0为第一根铜管清洗完成后的光泽度，Gloss为当前清洗完成后的整根铜管的光泽度。
CN202210360955.2A 2022-04-07 2022-04-07 基于图像处理的铜管表面清洗效果评估方法及系统 Active CN114693659B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210360955.2A CN114693659B (zh) 2022-04-07 2022-04-07 基于图像处理的铜管表面清洗效果评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210360955.2A CN114693659B (zh) 2022-04-07 2022-04-07 基于图像处理的铜管表面清洗效果评估方法及系统

Publications (2)

Publication Number Publication Date
CN114693659A CN114693659A (zh) 2022-07-01
CN114693659B true CN114693659B (zh) 2023-09-12

Family

ID=82143578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210360955.2A Active CN114693659B (zh) 2022-04-07 2022-04-07 基于图像处理的铜管表面清洗效果评估方法及系统

Country Status (1)

Country Link
CN (1) CN114693659B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116400588B (zh) * 2023-06-07 2023-08-15 烟台金丝猴食品科技有限公司 一种面包模具残渣自动定位清洗方法及设备
CN116933185A (zh) * 2023-07-26 2023-10-24 常州润来科技有限公司 一种铜管精整复绕的评估方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010106887A1 (en) * 2009-03-16 2010-09-23 Ricoh Company, Ltd. Noise reduction device, noise reduction method, noise reduction program, and recording medium
CN109271554A (zh) * 2018-09-07 2019-01-25 江西省云眼大视界科技有限公司 一种智能视频识别系统及其应用
CN111601047A (zh) * 2020-04-28 2020-08-28 汕头大学 一种油液泄漏图像采集方法
CN113549925A (zh) * 2021-07-22 2021-10-26 西安诚惠金属材料保护有限公司 一种钎焊铝件清洗工艺
US11295483B1 (en) * 2020-10-01 2022-04-05 Bank Of America Corporation System for immersive deep learning in a virtual reality environment

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010106887A1 (en) * 2009-03-16 2010-09-23 Ricoh Company, Ltd. Noise reduction device, noise reduction method, noise reduction program, and recording medium
CN109271554A (zh) * 2018-09-07 2019-01-25 江西省云眼大视界科技有限公司 一种智能视频识别系统及其应用
CN111601047A (zh) * 2020-04-28 2020-08-28 汕头大学 一种油液泄漏图像采集方法
US11295483B1 (en) * 2020-10-01 2022-04-05 Bank Of America Corporation System for immersive deep learning in a virtual reality environment
CN113549925A (zh) * 2021-07-22 2021-10-26 西安诚惠金属材料保护有限公司 一种钎焊铝件清洗工艺

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
量块的超声清洗效果评价方法研究;丁鸿 等;《中国计量大学学报》;20210630;第196-202页 *

Also Published As

Publication number Publication date
CN114693659A (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
CN114693659B (zh) 基于图像处理的铜管表面清洗效果评估方法及系统
CN109615653B (zh) 基于深度学习与视场投影模型的渗漏水面积检测与识别方法
CN115359053B (zh) 一种金属板材缺陷智能检测方法及系统
CN109816645B (zh) 一种钢卷松卷的自动检测方法
CN106996748A (zh) 一种基于双目视觉的轮径测量方法
CN115131354B (zh) 一种基于光学手段的实验室用塑料薄膜缺陷检测方法
CN116703251B (zh) 基于人工智能的胶圈生产质量检测方法
CN114627080B (zh) 基于计算机视觉的车辆冲压配件缺陷检测方法
CN113781585B (zh) 一种增材制造零件表面缺陷在线检测方法及系统
CN102889864A (zh) 带卷边部物体塔形检测系统及其检测方法
CN113393426A (zh) 一种轧钢板表面缺陷检测方法
CN115100206A (zh) 用于具有周期图案纺织物的印花缺陷识别方法
CN108109154A (zh) 一种工件的新型定位及数据获取方法
CN113802227B (zh) 一种面向环锭纺细纱在线检测的视觉系统校准方法
CN110334727B (zh) 一种隧道裂缝智能匹配检测方法
CN115984360B (zh) 一种基于图像处理的计算干滩长度的方法及系统
US11493453B2 (en) Belt inspection system, belt inspection method, and recording medium for belt inspection program
CN116485801B (zh) 基于计算机视觉的胶管质量在线检测方法及系统
CN108416790A (zh) 一种用于工件破损率的检测方法
CN113920121B (zh) 基于图像处理的工艺品印刷条痕检测方法和系统
CN109084721B (zh) 用于确定半导体器件中的目标结构的形貌参数的方法和设备
CN115908275A (zh) 基于深度学习的热态环件轧制变形几何状态在线测量方法
CN109409402A (zh) 一种基于暗通道先验直方图的图像污染检测方法及系统
CN112233063B (zh) 一种大尺寸圆形物体的圆心定位方法
CN106770372A (zh) 基于显微视觉的白玻表面缺陷检测方法

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
TR01 Transfer of patent right

Effective date of registration: 20240130

Address after: Building 2, No. 2 Langzhou Industrial Road, Changping Town, Dongguan City, Guangdong Province, 523000

Patentee after: Dongguan Yuexing Nonferrous Metals Co.,Ltd.

Country or region after: China

Address before: 226132 group 10, Yuelai village, Yuelai Town, Haimen City, Nantong City, Jiangsu Province

Patentee before: Haimen chuangrui Machinery Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right