CN114742826A - 一种用于市政服装清洗装置的生产异常监测方法 - Google Patents
一种用于市政服装清洗装置的生产异常监测方法 Download PDFInfo
- Publication number
- CN114742826A CN114742826A CN202210643557.1A CN202210643557A CN114742826A CN 114742826 A CN114742826 A CN 114742826A CN 202210643557 A CN202210643557 A CN 202210643557A CN 114742826 A CN114742826 A CN 114742826A
- Authority
- CN
- China
- Prior art keywords
- cluster
- degree
- edge point
- points
- edge
- 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
- 238000004140 cleaning Methods 0.000 title claims abstract description 46
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000004080 punching Methods 0.000 claims abstract description 84
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 25
- 239000010959 steel Substances 0.000 claims abstract description 25
- 239000000203 mixture Substances 0.000 claims abstract description 17
- 239000006185 dispersion Substances 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000003708 edge detection Methods 0.000 claims description 7
- 238000005406 washing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 5
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research 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
-
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
-
- 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)
- 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
本发明涉及图像数据处理技术领域,具体涉及一种用于市政服装清洗装置的生产异常监测方法。该方法首先获取清洗装置的滚筒钢板的表面图像中的边缘,计算边缘上边缘点沿梯度方向两侧的像素点的灰度值差异,构建两侧灰度差异直方图;利用高斯混合模型对两侧灰度差异直方图进行拟合,得到真实冲孔边缘点;获取各真实冲孔边缘点的梯度方向延伸线的目标交点;对目标交点进行聚类,得到多个聚类簇,计算聚类簇的离散程度和波动程度;结合离散程度和波动程度得到毛刺程度;根据毛刺程度对清洗装置进行生产异常监测。本发明通过筛选出真实冲孔边缘点,根据真实冲孔边缘点对应聚类簇的离散程度和波动程度计算毛刺程度,实现了对清洗装置生产异常监测。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种用于市政服装清洗装置的生产异常监测方法。
背景技术
市政服装包括交通监督服、养路工人服、工商管理服等,其是为了不同职业的活动方便,充分研究和考察了各行业从业人员的作业环境和外观仪容性而制定出来的服装,其具有实用性、标识性、配套性。市政服装的整洁是倾向市容的关键因素之一,其市政服装的清洗装置的质量就尤为重要,市政服装清洗装置的生产质量直接关系到清洗效果。
清洗装置的清洗效果主要是由装置的清洗滚筒部分实现的,而清洗装置的滚筒的生产工艺是先在钢板上冲压成孔,再将钢板卷曲成筒状。而在冲压成孔的过程中,孔洞边缘会由于模具与冲头的磨损产生毛刺,这些毛刺会使成品滚筒在进行清洗工作时划伤、刮伤待清洗服装,或将服装上露出的线头挂住使得服装在清洗过程中产生开线、撕裂等结构损伤,造成清洗后服装产生不可逆的损坏。因此,在生产服装清洗装置之前就需要对滚筒配件进行冲孔毛刺检测,来保证清洗装置的生产质量。
目前,常见的对滚筒钢板的冲孔进行毛刺检测的方法为利用边缘模板匹配的方式进行检测,通过将检测出的带孔钢板上的边缘图像与边缘模板图像进行对比来快速识别毛刺。但这种方式无法适应洗衣机的滚筒钢板冲孔毛刺检测,因为滚筒钢板一般在冲孔周围存在着设计好的凸起与凹陷,这是为了能更好的揉搓服装,使其清洁效果增强。这些结构上设计好的凸起与凹陷,在相机获取滚筒钢板图像时由于光线原因会产生结构上的光影干扰,进而导致现有边缘检测算法检测出的边缘不仅有孔洞边缘还包含光影区域边缘混合的边缘,其难以与边缘模板进行匹配,会导致匹配结果出现极大误差。
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用于市政服装清洗装置的生产异常监测方法,所采用的技术方案具体如下:
采集清洗装置的冲压后滚筒钢板的表面图像,获取所述表面图像的边缘;
基于所述边缘上的每个边缘点,计算各边缘点沿梯度方向两侧的像素点的灰度值差异,构建两侧灰度差异直方图;利用高斯混合模型对所述两侧灰度差异直方图进行拟合,确定冲孔边缘点类别,得到真实冲孔边缘点;
获取各所述真实冲孔边缘点的梯度方向延伸线的目标交点;对所述目标交点进行聚类,得到多个聚类簇和聚类中心;根据每个聚类簇内目标交点与聚类中心之间的距离,得到聚类簇的离散程度;根据每个聚类中心与所属聚类簇内其余目标交点对应的真实冲孔边缘点的距离,得到聚类簇的波动程度;
结合所述离散程度和所述波动程度得到真实冲孔边缘点对应的聚类簇的毛刺程度;根据所述毛刺程度对清洗装置进行生产异常监测。
优选的,所述获取所述表面图像的边缘,包括:
利用Canny边缘检测算法获取所述表面图像上的每个边缘。
优选的,所述计算各边缘点沿梯度方向两侧的像素点的灰度值差异,包括:
获取各边缘点沿梯度方向两侧的像素点的灰度值;计算两侧的像素点的灰度值的差值的绝对值,计算两侧的像素点的灰度值之和;所述绝对值和所述灰度值之和的比值作为两侧的像素点的灰度值差异。
优选的,所述利用高斯混合模型对所述两侧灰度差异直方图进行拟合,确定冲孔边缘点类别,得到真实冲孔边缘点,包括:
所述高斯混合模型中包含多个子高斯模型,对每个子高斯模型按照均值从小到大排列,分别对子高斯模型标上序号;
基于任意边缘点,输入对应的灰度值差异至各子高斯模型,得到多个对应的出现概率,最大出现概率对应的子高斯模型的序号作为边缘点的类别号,每个类别号对应一个冲孔边缘点类别;
最大类别号对应的各边缘点为真实冲孔边缘点。
优选的,所述获取各所述真实冲孔边缘点的梯度方向延伸线的目标交点,包括:
沿梯度方向获取真实冲孔边缘点两侧的像素点的灰度值,较小灰度值对应一侧的梯度方向延伸线作为低灰度梯度方向延伸线;
获取各真实冲孔边缘点对应的低灰度梯度方向延伸线两两相交的初始交点;对于任意真实冲孔边缘点,选取对应的低灰度梯度方向延伸线上距离真实冲孔边缘点最近的初始交点作为目标交点。
优选的,所述对所述目标交点进行聚类,包括:
利用均值漂移算法对所述目标交点进行聚类。
优选的,所述根据每个聚类簇内目标交点与聚类中心之间的距离,得到聚类簇的离散程度,包括:
计算每个聚类簇内目标交点与聚类中心的欧式距离;
所述离散程度的计算公式为:
优选的,所述根据每个聚类中心与所属聚类簇内其余目标交点对应的真实冲孔边缘点的距离,得到聚类簇的波动程度,包括:
计算每个聚类簇内目标交点对应的真实冲孔边缘点与聚类中心的欧式距离;
所述波动程度的计算公式为:
优选的,所述结合所述离散程度和所述波动程度得到真实冲孔边缘点对应的聚类簇的毛刺程度,包括:
所述毛刺程度的计算公式为:
本发明实施例至少具有如下有益效果:
本发明实施例利用图像数据处理技术,该方法首先采集清洗装置的冲压后钢板的表面图像,获取表面图像的边缘;基于边缘上的每个边缘点,计算各边缘点沿梯度方向两侧的像素点的灰度值差异,构建两侧灰度差异直方图;利用高斯混合模型对两侧灰度差异直方图进行拟合,确定冲孔边缘点类别,得到真实冲孔边缘点,避免了由于钢板本身凹凸结构的变化导致的光影区域对冲孔边缘识别的影响;获取各真实冲孔边缘点的梯度方向延伸线的目标交点;对目标交点进行聚类,得到多个聚类簇和聚类中心;根据每个聚类簇内目标交点与聚类中心之间的距离,得到聚类簇的离散程度;根据每个聚类中心与所属聚类簇内其余目标交点对应的真实冲孔边缘点的距离,得到聚类簇的波动程度;结合离散程度和波动程度得到真实冲孔边缘点对应的聚类簇的毛刺程度,根据冲孔边缘点的梯度方向的目标交点实现毛刺程度的评估,相比较与传统的梯度方向的波动性进行评估,其更能适应孔型结构,使毛刺程度评估结果更加准确;根据毛刺程度对清洗装置进行异常监测。本发明通过对采集到的钢板的表面图像中多个边缘点进行识别,筛选出真实冲孔边缘点,进而根据真实冲孔边缘点梯度方向延伸线的目标交点的离散程度和波动程度计算对应冲孔的毛刺程度,根据毛刺程度实现对清洗装置生产异常监测。
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为本发明一个实施例所提供的一种用于市政服装清洗装置的生产异常监测方法。
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用于市政服装清洗装置的生产异常监测方法,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。
本发明实施例提供了一种用于市政服装清洗装置的生产异常监测方法的具体实施方法,该方法适用于市政服装清洗装置的生产场景。利用相机获取冲压后滚筒钢板的钢板图像,其中,该钢板上有多个冲孔。为了解决由于光线原因产生的结构上的光影干扰导致边缘检测出的边缘与边缘模型无法进行匹配,使得不能实时监测清洗装置的生产异常情况的问题。本发明通过对采集到的钢板的表面图像中多个边缘点进行识别,筛选出真实冲孔边缘点,进而根据真实冲孔边缘点梯度方向延伸线的目标交点的离散程度和波动程度计算对应冲孔的毛刺程度,根据毛刺程度实现对清洗装置生产异常监测。
下面结合附图具体的说明本发明所提供的一种用于市政服装清洗装置的生产异常监测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于市政服装清洗装置的生产异常监测方法的步骤流程图,该方法包括以下步骤:
步骤S100,采集清洗装置的冲压后滚筒钢板的表面图像,获取表面图像的边缘。
利用相机采集清洗装置的冲压后滚筒钢板的钢板图像,并将钢板图像进行灰度化得到表面图像。利用Canny边缘检测算法获取表面图像上的每个边缘。在表面图像中,其钢板上具有多个冲孔,这些冲孔附近均会出现各种由于钢板结构而产生的光影区域边缘。所以除了冲孔的真实边缘外,这些光影区域边缘也会被Canny边缘检测算法检测出来,形成每个冲孔位置周围具有多个边缘的现象。
步骤S200,基于边缘上的每个边缘点,计算各边缘点沿梯度方向两侧的像素点的灰度值差异,构建两侧灰度差异直方图;利用高斯混合模型对两侧灰度差异直方图进行拟合,确定冲孔边缘点类别,得到真实冲孔边缘点。
对于步骤S100得到的边缘,由于其是由Canny边缘检测算法计算出来的边缘,其本身有可能并不一定是真实的冲孔边缘,或其可能一部分是冲孔边缘,另一部分是其他光影区域的伪边缘,因此需要对全部边缘上的边缘点进行总体评价并将其上所有边缘点进行是否是真实冲孔边缘点的判断,而真实冲孔边缘点的特点是边缘点梯度方向两侧的像素值趋近于差异较大且灰度值较小的点趋近于低灰度值,基于该特征,计算各边缘点沿梯度方向两侧的像素点的灰度值差异,基于梯度方向两侧的归一化差异构建两侧灰度差异直方图,具体的:
边缘点是由Canny边缘检测算法得到的边缘上的点,该边缘点本身具有的数据特征包括其梯度方向。需要说明的是,设定梯度方向的范围为[0,180)。每个边缘点的梯度方向上存在与边缘点相邻的两个像素点。
获取各边缘点沿梯度方向两侧的像素点的灰度值,计算两侧的像素点的灰度值的差值的绝对值,计算两侧的像素点的灰度值之和,绝对值和灰度值之和的比值作为两侧的像素点的灰度值差异。并将该灰度值差异进行归一化,其灰度值差异越趋近于1,对应的两侧的差异越大。
计算表面图像上各边缘点的灰度值差异,对所有计算出的边缘点的两侧的灰度值差异和其对应的出现频率进行直方图统计,构建两侧灰度差异直方图。
进一步的,利用高斯混合模型对两侧灰度差异直方图进行拟合。两侧灰度差异直方图表示每个梯度方向的两侧的灰度差异在所有边缘点上出现的概率,以所有灰度差异和其对应的出现概率为样本数据,根据样本数据利用最大期望算法(EM算法)拟合一维高斯混合模型。
其中,高斯混合模型中包含多个子高斯模型,对每个子高斯模型按照均值从小到大排列,分别对子高斯模型标上序号。如共有两个子高斯模型a和b,子高斯模型a的均值为10,子高斯模型b的均值为15,则对应的按照均值将子高斯模型从小到大排列后,对子高斯模型标上序号,对应的子高斯模型a的序号为1,子高斯模型b对应的序号为2。对其进行子高斯模型标上序号的目的是为了区分真实冲孔边缘点和伪边缘点。
基于任意边缘点,输入对应的灰度值差异至各子高斯模型,得到多个对应的出现概率,最大出现概率对应的子高斯模型的序号作为边缘点的类别号,每个类别号对应一个冲孔边缘点类别。最大类别号对应的各边缘点为真实冲孔边缘点。
在本发明实施中,高斯混合模型中包含2个子高斯模型,用高斯混合模型描述每个梯度方向两侧的灰度值差异的出现概率,该出现概率是由2个子高斯模型的计算结果乘上其权重得到的。将2个子高斯模型按照均值从小到大的顺序排列后,分别标上序号1和2。对于一个新输入的边缘点,计算其对应的像素值差异。其高斯混合模型的表达式为:
在本发明实施例中由于高斯混合模型有两个子高斯模型,故将边缘点分别输入两个子高斯模型,会得到两个出现概率,选择最大出现概率对应的子高斯模型的序号作为对应边缘点的类别号。每个类别号对应一个冲孔边缘点类别。
由于本发明实施例中有两种子高斯模型的序号,分别为序号1和序号2。其类别号越大,反映该边缘点对应的灰度值差异越属于均值较大的子高斯模型,将类别号为2的边缘点作为真实冲孔边缘点,也即最大类别号对应的各边缘点为真实冲孔边缘点。
步骤S300,获取各真实冲孔边缘点的梯度方向延伸线的目标交点;对目标交点进行聚类,得到多个聚类簇和聚类中心;根据每个聚类簇内目标交点与聚类中心之间的距离,得到聚类簇的离散程度;根据每个聚类中心与所属聚类簇内其余目标交点对应的真实冲孔边缘点的距离,得到聚类簇的波动程度。
基于步骤S200得到的真实冲孔边缘点,若真实冲孔边缘点不具备毛刺的特征,则属于同一冲孔边缘的边缘点其梯度方向指向低灰度的一侧的延伸线应交于同一个点。若属于同一冲孔边缘的所有边缘点的这些延伸线相互之间的交点分布离散,则反映该冲孔具备貌似特征。也即真实冲孔边缘点的梯度方向延伸线相互之间的交点分布越离散,越反映其具备毛刺特征,真实冲孔边缘点的梯度方向延伸线相互之间的交点分布越集中,越反映其不具备毛刺特征。
获取各真实冲孔边缘点的梯度方向延伸线的多个目标交点,具体的:
沿梯度方向获取真实冲孔边缘点两侧的像素点的灰度值,较小灰度值对应一侧的梯度方向延伸线作为低灰度梯度方向延伸线。具体的:各边缘点的梯度方向延伸线即为一个边缘点的梯度方向的延伸线,是一条直线,该直线被边缘点分成两部分,这两部分分别经过边缘点邻域内的一个像素点,则选择经过邻域内灰度值较小的像素点的直线部分作为该边缘点的低灰度梯度方向延伸线。
获取各真实冲孔边缘点对应的低灰度梯度方向延伸线两两相交的初始交点;延伸线两两相交后一个延伸线上可能具有多个交点,对于任意真实冲孔边缘点,选择对应的低灰度梯度方向延伸线上距离真实冲孔边缘点最近的初始交点作为目标交点。
每个真实冲孔边缘点对应的一条低灰度梯度方向延伸线上只有一个对应的目标交点。
对目标交点进行聚类,得到多个聚类簇和聚类中心。具体的:利用均值漂移算法对目标交点进行聚类,以冲孔期望实际设定半径的二倍对应在表面图像上的距离。需要说明的是,冲孔在制作过程中一定有一个人为期望的半径,或者说工艺要求半径,该实际半径对应在获取的表面图像上会有一个像素距离,以该像素距离的二倍作为均值漂移算法的半径。
根据每个聚类簇内目标交点与聚类中心之间的距离,得到聚类簇的离散程度。
首先,计算每个聚类簇内目标交点与聚类中心的欧式距离。
将离散程度进行归一化,归一化后的离散程度越趋近于1,反映该聚类簇越离散,反之,离散程度越趋于0,反映该聚类簇越集中。离散程度越大,则对应的冲孔的毛刺程度越严重。
进一步的,根据每个聚类中心与所属聚类簇内其余目标交点对应的真实冲孔边缘点的距离,得到聚类簇的波动程度。具体的:
首先,计算每个聚类簇内目标交点对应的真实冲孔边缘点与聚类中心的欧式距离。
将得到的波动程度进行归一化,归一化后的波动程度越趋于1,反映聚类簇对应的波动程度越大;反之,归一化后的波动程度越趋于0,反映聚类簇对应的波动程度越小。波动程度越大,则对应的冲孔的毛刺程度越严重。
对于每个聚类簇的均有对应的离散程度和波动程度。
步骤S400,结合离散程度和波动程度得到真实冲孔边缘点对应的聚类簇的毛刺程度;根据毛刺程度对清洗装置进行生产异常监测。
每个聚类簇代表了一种冲孔的边缘特征,即得到了K个聚类簇就表示表面图像中一共有K个冲孔。
对于任意冲孔,结合其冲孔对应的聚类簇的离散程度和波动程度得到真实冲孔边缘点对应的聚类簇的毛刺程度。
将得到的毛刺程度进行归一化,归一化后的毛刺程度越趋近于1,反映聚类簇对应的冲孔的毛刺程度越严重;反之,归一化后的毛刺程度越趋于0,则反映聚类簇对应的冲孔的毛刺程度越轻微。
得到每个聚类簇的毛刺程度,也即得到每个冲孔的毛刺程度。
根据得到的毛刺程度对清洗装置的冲孔进行生产异常监测。具体的:当冲孔的毛刺程度大于预设毛刺阈值时,认为生产异常;当冲孔的毛刺程度小于等于预设毛刺阈值时,认为正常生产。在本发明实施例中预设毛刺阈值的取值为0.3,在其他实施例中实施者可根据实际情况调整该取值。实现了对市政服装清洗装置的生产异常实时监测。
综上所述,本发明实施例利用图像数据处理技术,该方法首先采集清洗装置的冲压后钢板的表面图像,获取表面图像的边缘;基于边缘上的每个边缘点,计算各边缘点沿梯度方向两侧的像素点的灰度值差异,构建两侧灰度差异直方图;利用高斯混合模型对两侧灰度差异直方图进行拟合,确定冲孔边缘点类别,得到真实冲孔边缘点;获取各真实冲孔边缘点的梯度方向延伸线的目标交点;对目标交点进行聚类,得到多个聚类簇和聚类中心;根据每个聚类簇内目标交点与聚类中心之间的距离,得到聚类簇的离散程度;根据每个聚类中心与所属聚类簇内其余目标交点对应的真实冲孔边缘点的距离,得到聚类簇的波动程度;结合离散程度和波动程度得到真实冲孔边缘点对应的聚类簇的毛刺程度;根据毛刺程度对清洗装置进行异常监测。本发明通过对采集到的钢板的表面图像中多个边缘点进行识别,筛选出真实冲孔边缘点,进而根据真实冲孔边缘点梯度方向延伸线的目标交点的离散程度和波动程度计算对应冲孔的毛刺程度,根据毛刺程度实现对清洗装置生产异常监测。
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)
1.一种用于市政服装清洗装置的生产异常监测方法,其特征在于,该方法包括以下步骤:
采集清洗装置的冲压后滚筒钢板的表面图像,获取所述表面图像的边缘;
基于所述边缘上的每个边缘点,计算各边缘点沿梯度方向两侧的像素点的灰度值差异,构建两侧灰度差异直方图;利用高斯混合模型对所述两侧灰度差异直方图进行拟合,确定冲孔边缘点类别,得到真实冲孔边缘点;
获取各所述真实冲孔边缘点的梯度方向延伸线的目标交点;对所述目标交点进行聚类,得到多个聚类簇和聚类中心;根据每个聚类簇内目标交点与聚类中心之间的距离,得到聚类簇的离散程度;根据每个聚类中心与所属聚类簇内其余目标交点对应的真实冲孔边缘点的距离,得到聚类簇的波动程度;
结合所述离散程度和所述波动程度得到真实冲孔边缘点对应的聚类簇的毛刺程度;根据所述毛刺程度对清洗装置进行生产异常监测。
2.根据权利要求1所述的一种用于市政服装清洗装置的生产异常监测方法,其特征在于,所述获取所述表面图像的边缘,包括:
利用Canny边缘检测算法获取所述表面图像上的每个边缘。
3.根据权利要求1所述的一种用于市政服装清洗装置的生产异常监测方法,其特征在于,所述计算各边缘点沿梯度方向两侧的像素点的灰度值差异,包括:
获取各边缘点沿梯度方向两侧的像素点的灰度值;计算两侧的像素点的灰度值的差值的绝对值,计算两侧的像素点的灰度值之和;所述绝对值和所述灰度值之和的比值作为两侧的像素点的灰度值差异。
4.根据权利要求1所述的一种用于市政服装清洗装置的生产异常监测方法,其特征在于,所述利用高斯混合模型对所述两侧灰度差异直方图进行拟合,确定冲孔边缘点类别,得到真实冲孔边缘点,包括:
所述高斯混合模型中包含多个子高斯模型,对每个子高斯模型按照均值从小到大排列,分别对子高斯模型标上序号;
基于任意边缘点,输入对应的灰度值差异至各子高斯模型,得到多个对应的出现概率,最大出现概率对应的子高斯模型的序号作为边缘点的类别号,每个类别号对应一个冲孔边缘点类别;
最大类别号对应的各边缘点为真实冲孔边缘点。
5.根据权利要求1所述的一种用于市政服装清洗装置的生产异常监测方法,其特征在于,所述获取各所述真实冲孔边缘点的梯度方向延伸线的目标交点,包括:
沿梯度方向获取真实冲孔边缘点两侧的像素点的灰度值,较小灰度值对应一侧的梯度方向延伸线作为低灰度梯度方向延伸线;
获取各真实冲孔边缘点对应的低灰度梯度方向延伸线两两相交的初始交点;对于任意真实冲孔边缘点,选取对应的低灰度梯度方向延伸线上距离真实冲孔边缘点最近的初始交点作为目标交点。
6.根据权利要求1所述的一种用于市政服装清洗装置的生产异常监测方法,其特征在于,所述对所述目标交点进行聚类,包括:
利用均值漂移算法对所述目标交点进行聚类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210643557.1A CN114742826B (zh) | 2022-06-09 | 2022-06-09 | 一种用于市政服装清洗装置的生产异常监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210643557.1A CN114742826B (zh) | 2022-06-09 | 2022-06-09 | 一种用于市政服装清洗装置的生产异常监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114742826A true CN114742826A (zh) | 2022-07-12 |
CN114742826B CN114742826B (zh) | 2022-09-02 |
Family
ID=82287087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210643557.1A Active CN114742826B (zh) | 2022-06-09 | 2022-06-09 | 一种用于市政服装清洗装置的生产异常监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742826B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082445A (zh) * | 2022-07-25 | 2022-09-20 | 山东鲁泰防水科技有限公司 | 一种建筑防水卷材表面缺陷检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110235896A1 (en) * | 2010-03-26 | 2011-09-29 | Hon Hai Precision Industry Co., Ltd. | Burr detecting apparatus and burr detection method thereof |
US20110285837A1 (en) * | 2010-05-19 | 2011-11-24 | General Electric Company | Methods and systems for identifying well wall boundaries of microplates |
CN109300102A (zh) * | 2017-07-21 | 2019-02-01 | 凌云光技术集团有限责任公司 | 一种针对pcb的缺陷检测方法 |
CN111179225A (zh) * | 2019-12-14 | 2020-05-19 | 西安交通大学 | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 |
CN112927189A (zh) * | 2021-01-28 | 2021-06-08 | 江苏大学 | 一种电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法 |
EP3929682A1 (en) * | 2020-06-25 | 2021-12-29 | Volkswagen Ag | Estimating a mechanical degradation of a machine |
CN114170228A (zh) * | 2022-02-14 | 2022-03-11 | 西南石油大学 | 一种计算机图像边缘检测方法 |
-
2022
- 2022-06-09 CN CN202210643557.1A patent/CN114742826B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110235896A1 (en) * | 2010-03-26 | 2011-09-29 | Hon Hai Precision Industry Co., Ltd. | Burr detecting apparatus and burr detection method thereof |
US20110285837A1 (en) * | 2010-05-19 | 2011-11-24 | General Electric Company | Methods and systems for identifying well wall boundaries of microplates |
CN109300102A (zh) * | 2017-07-21 | 2019-02-01 | 凌云光技术集团有限责任公司 | 一种针对pcb的缺陷检测方法 |
CN111179225A (zh) * | 2019-12-14 | 2020-05-19 | 西安交通大学 | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 |
EP3929682A1 (en) * | 2020-06-25 | 2021-12-29 | Volkswagen Ag | Estimating a mechanical degradation of a machine |
CN112927189A (zh) * | 2021-01-28 | 2021-06-08 | 江苏大学 | 一种电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法 |
CN114170228A (zh) * | 2022-02-14 | 2022-03-11 | 西南石油大学 | 一种计算机图像边缘检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082445A (zh) * | 2022-07-25 | 2022-09-20 | 山东鲁泰防水科技有限公司 | 一种建筑防水卷材表面缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114742826B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu | Automated defect detection in textured surfaces using optimal elliptical Gabor filters | |
Kumar | Computer-vision-based fabric defect detection: A survey | |
US10297021B2 (en) | Defect quantification method, defect quantification device, and defect evaluation value display device | |
Bhat et al. | Tool condition classification in turning process using hidden Markov model based on texture analysis of machined surface images | |
CN104794491A (zh) | 基于预分类的模糊聚类钢板表面缺陷检测方法 | |
CN108364291A (zh) | 基于计算机视觉技术的原坯布快速检测方法 | |
CN112132153B (zh) | 基于聚类和形态学处理的番茄果实识别方法及系统 | |
CN115272305B (zh) | 一种纽扣孔洞缺陷检测方法 | |
CN115330795B (zh) | 布匹毛刺缺陷检测方法 | |
CN113192037B (zh) | 一种皮带机监测方法、系统、介质及电子终端 | |
CN114742826B (zh) | 一种用于市政服装清洗装置的生产异常监测方法 | |
CN113537321B (zh) | 一种基于孤立森林和x均值的网络流量异常检测方法 | |
CN115100214A (zh) | 基于图像处理的纺织品质量检测方法 | |
CN114693677B (zh) | 一种针织面料轧染工艺异常检测方法 | |
CN115100196B (zh) | 一种基于图像分割的冲压件除锈效果评估方法 | |
CN115144399B (zh) | 一种基于机器视觉的装配质量检测方法及装置 | |
CN115311629B (zh) | 一种折弯机的异常折弯精度监测系统 | |
CN115719344A (zh) | 用于纺织布料质检的面料缺陷分析识别方法 | |
CN106650735B (zh) | 一种led字符自动定位识别方法 | |
CN116524205A (zh) | 一种污水曝气自动检测识别方法 | |
CN116758067A (zh) | 基于特征匹配的金属结构件检测方法 | |
Xiaohu et al. | Research on steel bar detection and counting method based on contours | |
CN114418935A (zh) | 用于手机tp框螺丝孔的检测识别方法及螺丝锁付装置 | |
Trivedi et al. | K-mean and HSV model based segmentation of unhealthy plant leaves and classification using machine learning approach | |
CN115311287A (zh) | 一种共轨喷油器生产异常检测方法 |
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 |