CN114757899A - 一种基于云计算的纸张质量检测的优化方法 - Google Patents

一种基于云计算的纸张质量检测的优化方法 Download PDF

Info

Publication number
CN114757899A
CN114757899A CN202210345200.5A CN202210345200A CN114757899A CN 114757899 A CN114757899 A CN 114757899A CN 202210345200 A CN202210345200 A CN 202210345200A CN 114757899 A CN114757899 A CN 114757899A
Authority
CN
China
Prior art keywords
paper
gray level
local
texture
occurrence matrix
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
Application number
CN202210345200.5A
Other languages
English (en)
Other versions
CN114757899B (zh
Inventor
吴向廷
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.)
Voices Online Limited by Share Ltd.
Original Assignee
Nantong A Niu Home Technology 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 Nantong A Niu Home Technology Co ltd filed Critical Nantong A Niu Home Technology Co ltd
Priority to CN202210345200.5A priority Critical patent/CN114757899B/zh
Publication of CN114757899A publication Critical patent/CN114757899A/zh
Application granted granted Critical
Publication of CN114757899B publication Critical patent/CN114757899B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • 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
    • G06T2207/30144—Printing quality
    • 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

Abstract

本发明涉及人工智能领域，具体涉及一种基于云计算的纸张质量检测的优化方法。包括将均匀光照下的纸张图像传输至云服务器中并进行灰度级量化得到纸张灰度分级图像，获取其中各邻域的局部幅频图，计算各局部幅频图中像素点的明显程度；构建各邻域内的局部灰度共生矩阵，计算其对应的纹理方向的纹理宽度和纹理变化速率；计算局部灰度共生矩阵的有效性；计算纸张图像各像素点的特征值生成纸张纹理特征图并进行模板匹配确定纸张的质量，判断是否印刷该纸张。本发明选择纸张纹理的明显方向生成灰度共生矩阵，确定灰度共生矩阵的有效性，得到纸张的纹理特征图，纹理特征更清晰、明显；纸张的纹理特征确定当前纸张的质量，检测结果更准确。

Description

一种基于云计算的纸张质量检测的优化方法
技术领域
本发明涉及人工智能领域，具体涉及一种基于云计算的纸张质量检测的优化方法。
背景技术
劣质纸的纸张表面粗糙、纸灰大、细微沙粒多，在印刷时，容易磨损预涂感光版的感光树脂胶膜，使印版的耐印率降低。因此，要提高胶印印版的耐印率，首先就要从材料的进货渠道抓起，但是现如今印刷材料市场上品牌繁多，难辨好坏，难免买到质量不高的纸张，而且同一批次中难免有个别几张质量不达标的纸张，仅靠人工不可能将每张纸都检查一遍，所以对于纸张的质量检测是很重要的一个环节。
现有技术检测纸张质量，是通过相机获取纸张图片，获取纸张图片的灰度共生矩阵，根据灰度共生矩阵得到纸张的纹理特征图，利用纸张的纹理特征图进行模板匹配确定纸张的质量。
这种方法在获得图片的灰度共生矩阵的时候，会人为给定一个相对位置，但是人为给定的这个相对位置很难适应所有的情况：如果给定相对位置的距离过大，那么生成的灰度共生矩阵就不能准确反应纸张的纹理；而如果给定相对位置的距离过小，纹理会有很多重复无用的信息。
发明内容
本发明提供一种基于云计算的纸张质量检测的优化方法，以解决现有的根据纸张图片的灰度共生矩阵得到的纸张的纹理特征图进行模板匹配的过程中，获取灰度共生矩阵时的相对位置时认为给定的，给定相对位置的距离过大，那么生成的灰度共生矩阵就不能准确反应纸张的纹理；而给定相对位置的距离过小，纹理会有很多重复无用的信息；在生产时由于纸张质量造成工业成本过大从而导致浪费的问题。
本发明的基于云计算的纸张质量检测方法采用如下技术方案，包括以下步骤：
S1:将获取的均匀光照下的纸张图像传输至云服务器中；
S2:对云服务器中的纸张图像进行灰度级量化，得到纸张灰度分级图像；
S3:获取纸张灰度分级图像中每个像素点对应的邻域，计算各邻域的特征值，将该特征值作为该邻域对应像素点的特征值；其中计算邻域特征值的步骤包括：
S301:将各邻域进行傅里叶变化得到各邻域对应的局部幅频图；
S302:提取每个局部幅频图中每个频率点的信息计算每张局部幅频图中所有频率点的明显程度；
S303:筛选出各局部幅频图中所有明显频率点，构建各明显频率点对应的局部灰度共生矩阵；
S304:根据每个局部灰度共生矩阵中的元素数值计算各局部灰度共生矩阵对应的纹理宽度；
S305:根据每个局部灰度共生矩阵中的元素数量计算各局部灰度共生矩阵对应的纹理变化速率；
S306:根据每个局部灰度共生矩阵对应的纹理宽度和纹理变化速率计算各局部灰度共生矩阵对应的有效性；
S307:根据各邻域对应的局部幅频图中所有局部灰度共生矩阵的有效性计算各邻域的特征值；
S4:根据纸张图像中每个像素点的特征值生成纸张纹理特征图，对纸张纹理特征图进行模板匹配确定纸张的质量；
S5:根据纸张质量确定是否对该纸张进行印刷。
所述纸张图像中每个像素点的特征值的计算公式如下：
Figure BDA0003576227850000021
式中：E为像素点的特征值，i为该像素点对应的第i个局部灰度共生矩阵，n为该像素点对应的局部灰度共生矩阵的数量，Di为该像素点对应的第i个局部灰度共生矩阵的有效性，
Figure BDA0003576227850000022
为该像素点对应的第i个局部灰度共生矩阵的能量值。
计算每张局部幅频图中每个频率点的明显程度的过程为：
利用最小二乘法将每张局部幅频图中的幅度拟合成高斯函数，局部幅频图中每个位置代表一个方向的频率；
局部幅频图中像素点的明显程度的计算公式如下：
Figure BDA0003576227850000031
式中：A为局部幅频图中像素点的明显程度，AF为每个局部幅频图中像素点对应的幅度，AG为将每个像素点的位置代入高斯函数中的值。
每个局部灰度共生矩阵对应的有效性的计算公式如下：
Figure BDA0003576227850000032
式中：D为局部灰度共生矩阵的有效性，A为该局部灰度共生矩阵对应的纹理方向所对应幅频图中频率点的明显程度，B为该局部灰度共生矩阵的对应的纹理宽度，C为该局部灰度共生矩阵的变化速率。
每个局部灰度共生矩阵对应的纹理宽度计算公式如下：
Figure BDA0003576227850000033
式中：N′为该局部灰度共生矩阵的对角线元素的值的和；H为该局部灰度共生矩阵的所有元素的值的和；H为该局部灰度共生矩阵的对角线元素的值的极差。
每个局部灰度共生矩阵对应的纹理变化速率的计算公式如下：
Figure BDA0003576227850000034
式中：Y为局部灰度共生矩阵的对角线元素的熵；Z为当前局部灰度共生矩阵的对角线元素的数量；Z′为当前局部灰度共生矩阵的对角线上值为零的元素的数量。
确定纸张的质量的方法为：
分别获取合格纸张的纹理特征图、和不合格的纸张的纹理特征图；
将当前纸张的纹理特征图与合格纸张的纹理特征图做差，得到不合格概率图；
将当前纸张的纹理特征图与不合格纸张的纹理特征图做差，得到合格概率图；
用合格概率图减去不合格概率图，得到的就是当前纸张的质量图，即各个像素点处的质量；
用合格概率图减去不合格概率图，得到的就是当前纸张的质量图，即各个像素点处的质量。
构建每个邻域内的局部灰度共生矩阵的方法如下：
计算纸张灰度分级图中所有像素点对应的明显纹理；
在纸张灰度分级图中，对每个像素点对应的邻域内图像，以明显纹理构建局部灰度共生矩阵；
确定纸张灰度分级图中所有明显纹理的方法如下：
以局部幅频图的中心点为极坐标点建立极坐标系；
Figure BDA0003576227850000041
a、b不同时为0
式中：a、b代表局部灰度共生矩阵的明显纹理的相对位置，也代表纸张灰度分级图中各像素点对应的明显纹理的相对位置，ρ为局部幅频图中明显纹理的距离即极径，θ为明显纹理的极角；
基于明显纹理构建每个像素点对应的所有灰度共生矩阵。
获取纸张灰度分级图像中每个邻域的局部幅频图的方法为：
针对纸张灰度分级图像中的每个像素点，获取以当前像素为中心的半径为r的窗口内的所有像素，得到当前像素邻域内的图像；
对纸张灰度分级图像中的每个像素对应的邻域内的图像，利用傅里叶变换将邻域内图像变化到频域，得到像素邻域内的局部幅频图。
本发明的有益效果是：本发明的一种基于云计算的纸张质量检测的优化方法利用基于纸张的纹理特征图进行模板匹配确定纸张的质量，检测结果更准确；而基于灰度共生矩阵的有效性确定纸张的纹理特征图，纹理特征更清晰、明显；
根据纸张质量确定是否对纸张进行印刷，能够从根源降低纸张质量差的现象，也能减少因纸张质量差造成的工业成本浪费的现象。
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为本发明中实施例的方法流程图；
图2(a)为本发明中实施例灰度分级图示例图；
图2(b)为本发明中实施例中图2(a)中图A的灰度共生矩阵；
图2(c)为本发明中实施例中图2(a)中图B的灰度共生矩阵。
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
本发明的一种基于云计算的纸张质量检测的优化方法的实施例，如图1所示，包括：
S101、将获取的均匀光照下的纸张图像传输至云服务器中
在云服务器中检测纸张的质量，可以有很大的计算量，以得到更准确的纹理特征，从而又更准确的检测结果。
S102、得到纸张灰度分级图像
在服务器中，对纸张图像做直方图均衡化处理，增加灰度值的动态范围，即增加了纸张图像的整体对比效果；
对灰度级进行分级可以减少计算量，虽然分级越多，计算结果越准确，但计算量会很大，所以选择合适的灰度级对纸张图像的灰度进行分级处理得到纸张灰度分级图像。
S103、获取每个像素点对应的邻域的局部幅频图
对纸张灰度分级图像进行邻域划分，针对每个像素点对应的邻域内的图像，变换得到局部幅频图，因为幅频图能够反映幅度变化的频率，根据频率变化确定出变化明显的频率点，从而进行进一步的分析。
S104、计算各局部幅频图中每个像素点的明显程度
根据局部幅频图中每个频率点对应的幅度，得到每个频率点的明显程度，频率点的明显程度越大，说明该频率点处的纹理变化越大。
S105、构建每个邻域内的局部灰度共生矩阵
对每个像素点对应的邻域内图像，构建邻域内的局部灰度共生矩阵，利用局部灰度共生矩阵来计算各纹理方向上的纹理信息，根据纹理信息确定各局部灰度共生矩阵的有效性。
S106、计算各局部幅频图中每个局部灰度共生矩阵对应的纹理方向的纹理宽度
纹理的宽度是指，每个像素点处的邻域内图像，在当前方向下，纹理的粗细程度。
S107、计算各局部幅频图中每个局部灰度共生矩阵对应的纹理方向的纹理变化速率
纹理的变化速率是指，每个像素点处对应的邻域内图像中，在当前方向下，纹理的变化速率。
S108、计算各局部幅频图中每个局部灰度共生矩阵的有效性
灰度共生矩阵的有效性是指，每个局部灰度共生矩阵的有效性；根据纹理有效性计算纸张图像中每个像素点的特征值。
S109、生成纸张纹理特征图
根据纸张图像中每个像素点对应的特征值，生成纸张纹理特征图，纸张纹理特征图反映了纸张的质量。
S110、确定纸张的质量
根据纸张纹理特征图进行模板匹配确定纸张的质量，匹配结果更加精确。
S111、确定是否对该纸张进行印刷
根据纸张质量确定是否对纸张进行印刷，能够从根源降低纸张质量差的现象，也能减少因纸张质量差造成的工业成本浪费的现象。
实施例2
本发明的一种基于云计算的纸张质量检测的优化方法的实施例，如图1所示，包括：
S201、将获取的均匀光照下的纸张图像传输至云服务器中
在云服务器中检测纸张的质量，可以有很大的计算量，以得到更准确的纹理特征，从而又更准确的检测结果。
在进行印刷之前，将纸平铺在传送带上，保证纸面的均匀光照，使用相机获取纸张的灰度图，即纸张图像；
利用通讯系统将纸张图像传输到服务器中，例如5G通讯系统等，后续的计算都在服务器中进行。
S202、得到纸张灰度分级图像
在服务器中，对纸张图像做直方图均衡化处理，增加灰度值的动态范围，即增加了纸张图像的整体对比效果；
对灰度级进行分级可以减少计算量，虽然分级越多，计算结果越准确，但计算量会很大，所以选择合适的灰度级对纸张图像的灰度进行分级处理得到纸张灰度分级图像。
纸张图像中的灰度级有256级，从0～255。但在计算灰度共生矩阵时并不需要256个灰度级，且计算量实在太大完全没有必要，所以一般分为8个灰度级或16个灰度级。
分成16个灰度级就是将像素点的灰度值除以32取整；具体分成多少个级可以由实施者根据服务器性能调整，分级越多，计算越准确，所需计算量就越大；本实施例选择16个灰度级。
至此，将纸张图像的各像素分为不同的灰度级，得到纸张灰度分级图像。
S203、获取每个像素点对应的邻域的局部幅频图
对纸张灰度分级图像进行邻域划分，针对每个邻域内的图像，变换得到局部幅频图，因为幅频图能够反映幅度变化的频率，根据频率变化确定出变化明显的像素点，从而进行进一步的分析。
针对纸张灰度分级图像中的每个像素点，获取以当前像素点为中心，半径为r的窗口内的所有像素点，得到当前像素点的邻域内的图像，本实施例中r是5；
对纸张灰度分级图像中的每个像素，对其邻域内的图像，利用傅里叶变换将邻域内图像变化到频域，得到像素邻域内的局部幅频图；
在纸张灰度分级图像中，一个像素对应一个邻域，一个邻域内图像对应一个局部幅频图。
S204、计算各局部幅频图中每个频率点的明显程度
根据局部幅频图中每个频率点对应的幅度，得到每个频率点的明显程度，频率点的明显程度越大，说明该像素点处的纹理变化越大。
利用最小二乘法将每张局部幅频图中的幅度拟合成高斯函数，局部幅频图中每个频率点代表一个方向的频率；频率点的明显程度的计算公式如下：
Figure BDA0003576227850000081
式中：A为频率点的明显程度，AF为每个频率点对应的幅度，AG为每个频率点的位置代入高斯函数中的值。
此处，理想的光滑纸面没有灰度变化，对应的局部幅频图中仅有中心区域有一部分的幅值特别大的点，在其他频率处完全没有多余的频点；但是实际上，纸面不是光滑的，有灰度的纹理变化，一旦出现纹理变化，局部幅频图中就会出现除了中心区域以外的其他幅值明显的点，也就是图中的亮点，纹理越清晰明显，亮点的亮度就越大，也就是幅值越大。
至此，获得了每个像素点的邻域内各个方向纹理的明显程度。
S205、构建每个邻域内的局部灰度共生矩阵
对每个像素点对应的邻域内图像，构建邻域内的局部灰度共生矩阵，利用局部灰度共生矩阵来计算各纹理方向上的纹理信息，根据纹理信息确定各局部灰度共生矩阵的有效性。
对纸张灰度分级图，统计其中所有像素点对应的明显纹理方向；
设置一个明显度阈值AT，若频率点的明显程度A≥AT，则该频率点为明显纹理上的点。
在纸张灰度分级图中，对每个像素点对应的邻域内图像，以明显纹理方向，构建局部灰度共生矩阵；
构建每个像素点对应的邻域内的局部灰度共生矩阵的方法如下：
计算纸张灰度分级图中所有像素点对应的明显纹理方向；
在纸张灰度分级图中，对每个像素点对应的邻域内图像，以明显纹理方向，构建局部灰度共生矩阵；
计算纸张灰度分级图中所有像素点对应的明显纹理方向的方法如下：
以局部幅频图的中心点为极坐标点建立极坐标系；
Figure BDA0003576227850000091
a、b不同时为0
式中：a、b代表局部灰度共生矩阵的明显纹理的相对位置，也代表纸张灰度分级图中各像素点对应的明显纹理的相对位置，ρ为局部幅频图中明显纹理的距离即极径，θ为明显纹理的极角。
一个明显纹理方向对应一个局部灰度共生矩阵，所以每个像素点可能对应有多个局部灰度共生矩阵。
S206、计算每个像素点对应的各局部灰度共生矩阵的有效性
灰度共生矩阵的有效性是指，每个局部灰度共生矩阵的有效性；根据纹理有效性计算纸张图像中每个像素点的特征值。
对得到的每个像素点对应的各局部灰度共生矩阵对应的纹理宽度和纹理变化速率进行归一化处理；
每个灰度共生矩阵的有效性计算如下：
Figure BDA0003576227850000092
式中：D为局部灰度共生矩阵的有效性，A为该局部灰度共生矩阵对应的纹理方向所对应幅频图中像素点的明显程度，B为该局部灰度共生矩阵的对应的纹理的宽度，C为该局部灰度共生矩阵的变化速率。
如图2(a)所示，图A对应的灰度共生矩阵为图2(b)所示，其纹理宽度较小，且对角线上的元素全部为0，表明在一定距离下该方向没有相同灰度的像素对，说明该方向有灰度变化，可能存在变化频繁的纹理；
图B对应的灰度共生矩阵为图2(c)所示，其纹理宽度较大，且灰度共生矩阵中对角线上的元素值很大，对角线两边元素为0的数量较多，说明在一定距离下该方向有相同灰度的像素对，则该方向的纹理变化不会很快；
此处，有效的灰度共生矩阵，应该是纹理变化速率不高且宽度也较宽的。
S207、计算每个像素点对应的各局部灰度共生矩阵对应的纹理方向的纹理宽度
纹理的宽度是指，每个像素点处的邻域内图像，在当前方向下，纹理的粗细程度。
每个局部灰度共生矩阵对应的纹理方向的纹理宽度计算公式如下：
Figure BDA0003576227850000101
式中：N′为该局部灰度共生矩阵的对角线元素的值的和；H为该局部灰度共生矩阵的所有元素的值的和；H为该局部灰度共生矩阵的对角线元素的值的极差。
S208、计算每个像素点对应的各局部灰度共生矩阵对应的纹理方向的纹理变化速率
纹理的变化速率是指，每个像素点处对应的邻域内图像中，在当前方向下，纹理的变化速率。
每个局部灰度共生矩阵对应的纹理方向的纹理变化速率的计算公式如下：
Figure BDA0003576227850000102
式中：Y为局部灰度共生矩阵的对角线元素的熵；Z为当前局部灰度共生矩阵的对角线元素的数量；Z′为当前局部灰度共生矩阵的对角线上值为零的元素的数量。
S209、生成纸张纹理特征图
根据纸张图像中每个像素点对应的特征值，生成纸张纹理特征图，纸张纹理特征图反映了纸张的质量。
纸张图像中每个像素点的特征值计算公式如下：
Figure BDA0003576227850000103
E为像素点的特征值，i为该像素点对应的第i个局部灰度共生矩阵，n为该像素点对应的局部灰度共生矩阵的数量，Di为该像素点对应的第i个局部灰度共生矩阵的有效性，
Figure BDA0003576227850000104
为该像素点对应的第i个局部灰度共生矩阵的能量值。
将纸张图像中每个像素点的特征值对应在各像素点上，生成纸张的纹理特征图。
S210、确定纸张的质量
根据纸张纹理特征图进行模板匹配确定纸张的质量，匹配结果更加精确。
分别获取合格纸张的纹理特征图、和不合格的纸张的纹理特征图；
将当前纸张的纹理特征图与合格纸张的纹理特征图做差，得到不合格概率图；
将当前纸张的纹理特征图与不合格纸张的纹理特征图做差，得到合格概率图；
用合格概率图与不合格概率图作差，得到的就是当前纸张的质量图，即各个像素点处的质量。
S211、确定是否对该纸张进行印刷
根据纸张质量确定是否对纸张进行印刷，能够从根源降低纸张质量差的现象，也能减少因纸张质量差造成的工业成本浪费的现象。
设置质量阈值，本实施例中选择11作为质量阈值；
若当前质量图中的各个像素的像素值都大于质量阈值，那么就表示纸张质量合格，可以印刷；控制生产现场的印刷设备使用这张纸印刷；
若当前质量图中存在像素点小于等于质量阈值，则说明当前纸张质量不合格，不可以对当前纸张进行印刷；将该纸张进行回收处理并控制生产现场的印刷设备换一张纸印刷。
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 (9)

1.一种基于云计算的纸张质量检测的优化方法，其特征在于：包括以下步骤：
S1:将获取的均匀光照下的纸张图像传输至云服务器中；
S2:对云服务器中的纸张图像进行灰度级量化，得到纸张灰度分级图像；
S3:获取纸张灰度分级图像中每个像素点对应的邻域，计算各邻域的特征值，将该特征值作为该邻域对应像素点的特征值；其中计算邻域特征值的步骤包括：
S301:将各邻域进行傅里叶变化得到各邻域对应的局部幅频图；
S302:提取每个局部幅频图中每个频率点的信息计算每张局部幅频图中所有频率点的明显程度；
S303:筛选出各局部幅频图中所有明显频率点，构建各明显频率点对应的局部灰度共生矩阵；
S304:根据每个局部灰度共生矩阵中的元素数值计算各局部灰度共生矩阵对应的纹理宽度；
S305:根据每个局部灰度共生矩阵中的元素数量计算各局部灰度共生矩阵对应的纹理变化速率；
S306:根据每个局部灰度共生矩阵对应的纹理宽度和纹理变化速率计算各局部灰度共生矩阵对应的有效性；
S307:根据各邻域对应的局部幅频图中所有局部灰度共生矩阵的有效性计算各邻域的特征值；
S4:根据纸张图像中每个像素点的特征值生成纸张纹理特征图，对纸张纹理特征图进行模板匹配确定纸张的质量；
S5:根据纸张质量确定是否对该纸张进行印刷。
2.根据权利要求1所述的一种基于云计算的纸张质量检测的优化方法，其特征在于：
所述纸张图像中每个像素点的特征值的计算公式如下：
Figure FDA0003576227840000011
式中：E为像素点的特征值，i为该像素点对应的第i个局部灰度共生矩阵，n为该像素点对应的局部灰度共生矩阵的数量，Di为该像素点对应的第i个局部灰度共生矩阵的有效性，
Figure FDA0003576227840000021
为该像素点对应的第i个局部灰度共生矩阵的能量值。
3.根据权利要求1所述的一种基于云计算的纸张质量检测的优化方法，其特征在于：
所述计算每张局部幅频图中每个频率点的明显程度的过程为：
利用最小二乘法将每张局部幅频图中的幅度拟合成高斯函数，局部幅频图中每个位置代表一个方向的频率；
局部幅频图中像素点的明显程度的计算公式如下：
Figure FDA0003576227840000022
式中：A为局部幅频图中像素点的明显程度，AF为每个局部幅频图中像素点对应的幅度，AG为将每个像素点的位置代入高斯函数中的值。
4.根据权利要求1所述的一种基于云计算的纸张质量检测的优化方法，其特征在于：
所述每个局部灰度共生矩阵对应的有效性的计算公式如下：
Figure FDA0003576227840000023
式中：D为局部灰度共生矩阵的有效性，A为该局部灰度共生矩阵对应的纹理方向所对应幅频图中频率点的明显程度，B为该局部灰度共生矩阵的对应的纹理宽度，C为该局部灰度共生矩阵的变化速率。
5.根据权利要求4所述的一种基于云计算的纸张质量检测的优化方法，其特征在于：
所述每个局部灰度共生矩阵对应的纹理宽度计算公式如下：
Figure FDA0003576227840000024
式中：N′为该局部灰度共生矩阵的对角线元素的值的和；H为该局部灰度共生矩阵的所有元素的值的和；H为该局部灰度共生矩阵的对角线元素的值的极差。
6.根据权利要求4所述的一种基于云计算的纸张质量检测的优化方法，其特征在于：
所述每个局部灰度共生矩阵对应的纹理变化速率的计算公式如下：
Figure FDA0003576227840000025
式中：Y为局部灰度共生矩阵的对角线元素的熵；Z为当前局部灰度共生矩阵的对角线元素的数量；Z′为当前局部灰度共生矩阵的对角线上值为零的元素的数量。
7.根据权利要求1所述的一种基于云计算的纸张质量检测的优化方法，其特征在于：
所述确定纸张的质量的方法为：
分别获取合格纸张的纹理特征图、和不合格的纸张的纹理特征图；
将当前纸张的纹理特征图与合格纸张的纹理特征图做差，得到不合格概率图；
将当前纸张的纹理特征图与不合格纸张的纹理特征图做差，得到合格概率图；
用合格概率图减去不合格概率图，得到的就是当前纸张的质量图，即各个像素点处的质量；
用合格概率图减去不合格概率图，得到的就是当前纸张的质量图，即各个像素点处的质量。
8.根据权利要求1所述的一种基于云计算的纸张质量检测的优化方法，其特征在于：
构建每个邻域内的局部灰度共生矩阵的方法如下：
计算纸张灰度分级图中所有像素点对应的明显纹理；
在纸张灰度分级图中，对每个像素点对应的邻域内图像，以明显纹理构建局部灰度共生矩阵；
确定纸张灰度分级图中所有明显纹理的方法如下：
以局部幅频图的中心点为极坐标点建立极坐标系；
Figure FDA0003576227840000031
式中：a、b代表局部灰度共生矩阵的明显纹理的相对位置，也代表纸张灰度分级图中各像素点对应的明显纹理的相对位置，ρ为局部幅频图中明显纹理的距离即极径，θ为明显纹理的极角；
基于明显纹理构建每个像素点对应的所有灰度共生矩阵。
9.根据权利要求1所述的一种基于云计算的纸张质量检测的优化方法，其特征在于：
获取纸张灰度分级图像中每个邻域的局部幅频图的方法为：
针对纸张灰度分级图像中的每个像素点，获取以当前像素为中心的半径为r的窗口内的所有像素，得到当前像素邻域内的图像；
对纸张灰度分级图像中的每个像素对应的邻域内的图像，利用傅里叶变换将邻域内图像变化到频域，得到像素邻域内的局部幅频图。
CN202210345200.5A 2022-04-01 2022-04-01 一种基于云计算的纸张质量检测的优化方法 Active CN114757899B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210345200.5A CN114757899B (zh) 2022-04-01 2022-04-01 一种基于云计算的纸张质量检测的优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210345200.5A CN114757899B (zh) 2022-04-01 2022-04-01 一种基于云计算的纸张质量检测的优化方法

Publications (2)

Publication Number Publication Date
CN114757899A true CN114757899A (zh) 2022-07-15
CN114757899B CN114757899B (zh) 2023-11-21

Family

ID=82329601

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210345200.5A Active CN114757899B (zh) 2022-04-01 2022-04-01 一种基于云计算的纸张质量检测的优化方法

Country Status (1)

Country Link
CN (1) CN114757899B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010042521A (ja) * 2008-08-08 2010-02-25 Ricoh Co Ltd 画像形成装置、記録媒体搬送装置および画質判定方法
CN102214305A (zh) * 2011-04-08 2011-10-12 大连理工大学 一种利用纹理特征进行打印纸张来源取证的方法
CN102831427A (zh) * 2012-09-06 2012-12-19 湖南致尚科技有限公司 一种融合视觉显著性和灰度共生矩的纹理特征提取方法
CN108062820A (zh) * 2017-11-29 2018-05-22 深圳怡化电脑股份有限公司 一种纸币检测方法、纸币检测装置及电子设备
CN108171865A (zh) * 2017-12-06 2018-06-15 深圳怡化电脑股份有限公司 一种纸币检测方法、纸币检测装置及电子设备
CN108380518A (zh) * 2018-04-12 2018-08-10 安徽省泾县汪六吉宣纸有限公司 一种宣纸识别及筛除装置
CN110837802A (zh) * 2019-11-06 2020-02-25 齐鲁工业大学 一种基于灰度共生矩阵的面部图像特征提取方法
CN111724376A (zh) * 2020-06-22 2020-09-29 陕西科技大学 一种基于纹理特征分析的纸病检测方法
CN111879781A (zh) * 2020-06-17 2020-11-03 西安交通大学 一种基于机器视觉的试纸质量检测系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010042521A (ja) * 2008-08-08 2010-02-25 Ricoh Co Ltd 画像形成装置、記録媒体搬送装置および画質判定方法
CN102214305A (zh) * 2011-04-08 2011-10-12 大连理工大学 一种利用纹理特征进行打印纸张来源取证的方法
CN102831427A (zh) * 2012-09-06 2012-12-19 湖南致尚科技有限公司 一种融合视觉显著性和灰度共生矩的纹理特征提取方法
CN108062820A (zh) * 2017-11-29 2018-05-22 深圳怡化电脑股份有限公司 一种纸币检测方法、纸币检测装置及电子设备
CN108171865A (zh) * 2017-12-06 2018-06-15 深圳怡化电脑股份有限公司 一种纸币检测方法、纸币检测装置及电子设备
CN108380518A (zh) * 2018-04-12 2018-08-10 安徽省泾县汪六吉宣纸有限公司 一种宣纸识别及筛除装置
CN110837802A (zh) * 2019-11-06 2020-02-25 齐鲁工业大学 一种基于灰度共生矩阵的面部图像特征提取方法
CN111879781A (zh) * 2020-06-17 2020-11-03 西安交通大学 一种基于机器视觉的试纸质量检测系统
CN111724376A (zh) * 2020-06-22 2020-09-29 陕西科技大学 一种基于纹理特征分析的纸病检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
汤伟等: "造纸工业高级控制技术和先进控制系统综述", 《中国造纸》 *
高乐乐: "基于CNN的纸张表面质量检测系统算法研究及实现", 《中国优秀硕士学位论文全文数据库》 *

Also Published As

Publication number Publication date
CN114757899B (zh) 2023-11-21

Similar Documents

Publication Publication Date Title
CN108460757B (zh) 一种手机TFT-LCD屏Mura缺陷在线自动检测方法
CN115018828B (zh) 一种电子元器件的缺陷检测方法
CN107169489B (zh) 倾斜图像校正的方法和装置
CN109461141A (zh) 一种工件缺胶检测方法
CN114926839B (zh) 基于rpa和ai的图像识别方法及电子设备
CN113506286A (zh) 基于YOLOv5算法小样本数据集实现微波芯片缺陷检测方法
CN110490204B (zh) 图像处理方法、图像处理装置及终端
CN116523923B (zh) 一种电池外壳缺陷识别方法
CN116630813B (zh) 一种公路路面施工质量智能检测系统
CN115861307B (zh) 基于人工智能的筋膜枪供电驱动板焊接故障检测方法
CN116630304B (zh) 一种基于人工智能的锂电池模具加工检测方法及系统
CN111986222A (zh) 基于自适应混合阈值的智能电表芯片图像二值化处理方法
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN117094975A (zh) 钢铁表面缺陷检测方法、装置及电子设备
CN114266764A (zh) 一种印刷标签的字符完整性检测方法及其装置
CN117541588B (zh) 一种纸制品的印刷缺陷检测方法
CN114757899A (zh) 一种基于云计算的纸张质量检测的优化方法
CN111160339B (zh) 车牌矫正方法、图像处理设备及具有存储功能的装置
CN116485832B (zh) 用于废硅片回收的不均布流体杂质边缘精准检测方法
CN101131733A (zh) 一种自适应目标定位方法
CN115953776B (zh) 基于机器学习的食品检测系统
CN112561875A (zh) 一种基于人工智能的光伏电池板粗栅检测方法
CN114998186B (zh) 基于图像处理的铜始极片表面结疤缺陷检测方法及系统
CN116129195A (zh) 图像质量评价装置、方法、电子设备和存储介质
CN113610940B (zh) 基于海洋矢量文件和影像通道阈值的临海区域匀色方法

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
TR01 Transfer of patent right

Effective date of registration: 20240321

Address after: Room 8, Room 91, No.1 Yazipu Road, Kaifu District, Changsha City, Hunan Province, 410000

Patentee after: Voices Online Limited by Share Ltd.

Country or region after: Zhong Guo

Address before: 226100 No.188, Fangdu Avenue, Sanxing Town, Haimen City, Nantong City, Jiangsu Province

Patentee before: Nantong a Niu Home Technology Co.,Ltd.

Country or region before: Zhong Guo