CN114820610A - 基于图像处理的新材料医疗器械缺陷检测方法 - Google Patents
基于图像处理的新材料医疗器械缺陷检测方法 Download PDFInfo
- Publication number
- CN114820610A CN114820610A CN202210744724.1A CN202210744724A CN114820610A CN 114820610 A CN114820610 A CN 114820610A CN 202210744724 A CN202210744724 A CN 202210744724A CN 114820610 A CN114820610 A CN 114820610A
- Authority
- CN
- China
- Prior art keywords
- scale
- image
- gradient
- target gray
- target
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 94
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000012545 processing Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 19
- 239000000126 substance Substances 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000006835 compression Effects 0.000 description 6
- 238000007906 compression Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000002950 deficient Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002372 labelling 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
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/60—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种基于图像处理的新材料医疗器械缺陷检测方法,包括:获取待检测医疗器械的表面图像,并对表面图像进行图像处理,得到多尺度目标灰度图像,确定各个尺度的目标灰度图像内的每个像素点的梯度幅值,从而确定各个尺度的目标灰度图像对应的梯度直方图,进而确定各个尺度的目标灰度图像中的各梯度级的权重,从而确定各梯度级的编码长度;根据各个尺度的目标灰度图像中的各梯度级的权重和编码长度,确定待检测医疗器械存在缺陷的概率,进而判断待检测医疗器械是否存在缺陷。本发明通过利用图像数据处理技术来确定医疗器械是否存在缺陷,有效提高了医疗器械缺陷检测的泛化能力、准确性和效率。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种基于图像处理的新材料医疗器械缺陷检测方法。
背景技术
医疗器械在我国医疗卫生事业中扮演着非常重要的角色,它的质量问题不仅关系着人民群众的安全,还关系着医疗卫生行业的发展,因此对医疗器械开展质量检测具有巨大的民生意义。但是由于医疗器械产品的种类繁多,很难设计出来通用的检测仪器或检测方法对医疗器械产品进行质量检测,这无疑是对产品质量检测造成了很大的困难。
传统针对医疗器械的缺陷检测方法通常是人工目视检测,但是该缺陷检测方法过于依赖人眼检测,工人经过长时间的工作,其工作效率和检测准确性会大大降低,容易造成误检与漏检。随着图像数据处理技术的发展,出现了一种基于神经网络的医疗器械的缺陷检测方法,该缺陷检测方法往往需要大量的数据集进行训练,耗费时间,若用少量样本训练网络,该检测网络的鲁棒性和检测速度会降低,从而不满足实际生产需求。还可以通过自适应阈值分割法对医疗器械的缺陷进行检测,该缺陷检测方法对于较为明显的缺陷的检测效果较好,但检测缺陷种类单一,也就是仅仅适合特定的缺陷类别,不能检测其他类别的缺陷,该缺陷检测方法的泛化能力较弱。
发明内容
为了解决上述现有的医疗器械缺陷检测方法的泛化能力弱的技术问题,本发明的目的在于提供一种基于图像处理的新材料医疗器械缺陷检测方法。
本发明提供了一种基于图像处理的新材料医疗器械缺陷检测方法,包括以下步骤:
获取待检测医疗器械的表面图像,并对表面图像进行图像处理,得到待检测医疗器械的多尺度目标灰度图像;
根据待检测医疗器械的多尺度目标灰度图像,确定各个尺度的目标灰度图像内的每个像素点的梯度幅值,进而确定各个尺度的目标灰度图像对应的梯度直方图;
根据各个尺度的目标灰度图像对应的梯度直方图,确定各个尺度的目标灰度图像中的各梯度级的权重;
根据各个尺度的目标灰度图像中的各梯度级的权重,确定各个尺度的目标灰度图像中的各梯度级的编码长度;
根据各个尺度的目标灰度图像中的各梯度级的权重和编码长度,确定待检测医疗器械存在缺陷的概率;
根据待检测医疗器械存在缺陷的概率,判断待检测医疗器械是否存在缺陷。
进一步的,确定各个尺度的目标灰度图像中的各梯度级的权重的步骤包括:
根据各个尺度的目标灰度图像对应的梯度直方图,确定各个尺度的目标灰度图像中的各梯度级以及各梯度级对应的像素点在对应尺度的目标灰度图像中的个数;
根据各个尺度的目标灰度图像中的各梯度级以及各梯度级对应的像素点在对应尺度的目标灰度图像中的个数,确定各个尺度的目标灰度图像中的各梯度级的权重,其计算公式为:
进一步的,确定各个尺度的目标灰度图像中的各梯度级的编码长度的步骤包括:
根据各个尺度的目标灰度图像中的各梯度级的权重,筛选出各个目标权重,进而确定各个尺度的目标灰度图像中每个目标权重对应的各梯度级的优先程度;
根据各个尺度的目标灰度图像中的各梯度级的权重和每个目标权重对应的各梯度级的优先程度,确定各个尺度的目标灰度图像对应的权重序列;
根据各个尺度的目标灰度图像对应的权重序列,对各个尺度的目标灰度图像中的各梯度级进行编码,从而得到各个尺度的目标灰度图像中的各梯度级的编码长度。
进一步的,进而确定各个尺度的目标灰度图像中每个目标权重对应的各梯度级的优先程度的步骤包括:
获取各个尺度的目标灰度图像中每个目标权重对应的各梯度级对应的每个像素点的邻域像素点,根据各个尺度的目标灰度图像中每个目标权重对应的各梯度级对应的每个像素点及其邻域像素点的梯度幅值,确定各个尺度的目标灰度图像中每个目标权重对应的各梯度级对应的每个像素点的信息量;
根据各个尺度的目标灰度图像中每个目标权重对应的各梯度级对应的每个像素点的信息量,确定各个尺度的目标灰度图像中每个目标权重对应的各梯度级对应的像素信息量相似程度;
根据各个尺度的目标灰度图像中每个目标权重对应的各梯度级对应的像素信息量相似程度,确定各个尺度的目标灰度图像中每个目标权重对应的各梯度级的优先程度。
进一步的,确定各个尺度的目标灰度图像中每个目标权重对应的各梯度级对应的每个像素点的信息量的计算公式为:
其中,为第b个尺度的目标灰度图像中每个目标权重对应的第a个梯度级对应的第j个像素点的信息量,为第b个尺度的目标灰度图像中每个目标权重对应的第a个梯度级对应的第j个像素点的梯度幅值,为第b个尺度的目标灰度图像中每个目标权重对应的第a个梯度级对应的第i个邻域像素点的梯度幅值,为第i个邻域像素点对应的一阶差分值在所有邻域像素点对应的一阶差分值中出现的概率,为第b个尺度的目标灰度图像中每个目标权重对应的第a个梯度级对应的第j个像素点的邻域像素点的个数。
进一步的,确定各个尺度的目标灰度图像中每个目标权重对应的各梯度级对应的像素信息量相似程度的计算公式为:
其中,为第b个尺度的目标灰度图像中每个目标权重对应的第a个梯度级对应的像素信息量相似程度,为第b个尺度的目标灰度图像中每个目标权重对应的第a个梯度级对应的第j个像素点的信息量,为第b个尺度的目标灰度图像中每个目标权重对应的第a个梯度级对应的第k个像素点的信息量,为第b个尺度的目标灰度图像中每个目标权重对应的第a个梯度级对应的像素点个数,为超参数。
进一步的,获取各个尺度的目标灰度图像中每个目标权重对应的各梯度级对应的每个像素点的邻域像素点的步骤包括:
以各个尺度的目标灰度图像中每个目标权重对应的各梯度级对应的每个像素点为中心像素点,构建滑窗,将每个像素点对应的滑窗内的除中心像素点外的像素点叫做邻域像素点。
进一步的,确定待检测医疗器械存在缺陷的概率的步骤包括:
根据各个尺度的目标灰度图像中的各梯度级的权重和编码长度,确定各个尺度的目标灰度图像对应的图像平均比特率;
根据各个尺度的目标灰度图像对应的图像平均比特率和各梯度级的编码长度,确定待检测医疗器械存在缺陷的概率。
进一步的,确定各个尺度的目标灰度图像对应的图像平均比特率的计算公式为:
其中,为第b个尺度的目标灰度图像对应的图像平均比特率,为第b个尺度的目标灰度图像中的第a个梯度级的权重,为第b个尺度的目标灰度图像中的第a个梯度级的编码长度,A为第b个尺度的目标灰度图像对应的梯度级个数。
进一步的,确定待检测医疗器械存在缺陷的概率的计算公式为:
其中,Q为待检测医疗器械存在缺陷的概率,为第b个尺度的目标灰度图像中的第a个梯度级的编码长度,为第b+1个尺度的目标灰度图像中的第a个梯度级的编码长度,为第b个尺度的目标灰度图像对应的图像平均比特率,为第b+1个尺度的目标灰度图像对应的图像平均比特率,B为待检测医疗器械的多尺度目标灰度图像的尺度个数,A为第b个尺度的目标灰度图像对应的梯度级个数,为超参数。
本发明具有如下有益效果:
本发明通过对待检测医疗器械的表面图像进行图像处理,得到待检测医疗器械的多尺度目标灰度图像,进而确定各个尺度的目标灰度图像中的各梯度级的权重和编码长度,根据各个尺度的目标灰度图像中的各梯度级的权重和编码长度,得到待检测医疗器械存在缺陷的概率,根据待检测医疗器械存在缺陷的概率,来判断待检测医疗器械是否存在缺陷。
本发明通过图像处理的方式对新材料医疗器械进行缺陷检测,该缺陷检测方法不仅可以利用图像本身的性质进行缺陷检测,简化了医疗器械缺陷检测的过程,而且对于多种类别的医疗器械表面缺陷均可以达到较好的检测效果,相较于传统对单一缺陷的检测,本发明增强了医疗器械缺陷检测的泛化能力。
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为本发明一种基于图像处理的新材料医疗器械缺陷检测方法的流程图;
图2为本发明实施例中的确定各个尺度的目标灰度图像中每个目标权重对应的各梯度级的优先程度的流程图。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外,一个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。
本实施例通过对所获取的新材料医疗器械的表面图像进行图像处理,得到该新材料医疗器械的多尺度目标灰度图像,然后在对每个尺度的目标灰度图像进行图像压缩处理的过程中,得到每个尺度的目标灰度图像对应的压缩率和编码长度,根据每个尺度的目标灰度图像对应的压缩率和编码长度,确定该新材料医疗器械表面存在缺陷的概率,从而判断该新材料医疗器械表面是否存在缺陷。基于上述内容,本实施例提供了一种基于图像处理的新材料医疗器械缺陷检测方法,如图1所示,该方法包括以下步骤:
(1)获取待检测医疗器械的表面图像,并对表面图像进行图像处理,得到待检测医疗器械的多尺度目标灰度图像。
本实施例在对待检测医疗器械表面进行缺陷检测时,通过采用计算机视觉技术获取待检测医疗器械的表面图像,此时所获取的待检测医疗器械的表面图像中存在着除待检测医疗器械之外的背景图像,该背景图像会影响后续医疗器械缺陷检测的准确性,所以本实施例需要去除该背景图像,只保留待检测医疗器械本身,得到待检测医疗器械的目标图像,该待检测医疗器械的目标图像是指只有待检测医疗器械本身的表面图像。通过对待检测医疗器械的目标图像进行图像处理,从而得到待检测医疗器械的多尺度目标灰度图像的过程,其步骤包括:
本实施例为了避免待检测医疗器械的表面图像中背景图像对后续缺陷检测的干扰,首先采用DNN(Deep Neural Networks ,深度神经网络)技术识别待检测医疗器械的表面图像中的待检测医疗器械,从而得到待检测医疗器械的表面图像中的只保留待检测医疗器械本身的图像,也就是待检测医疗器械的目标图像。然后,根据待检测医疗器械的目标图像,对待检测医疗器械的目标图像进行灰度化处理,从而得到待检测医疗器械的灰度目标图像。最后,基于待检测医疗器械的灰度目标图像,利用图像金字塔技术对待检测医疗器械的灰度目标图像进行梯次下采样处理,从而获得多个采样尺度下的待检测医疗器械的灰度目标图像,也就是待检测医疗器械的多尺度目标灰度图像,本实施例对待检测医疗器械的灰度目标图像进行了B次下采样处理,具体采样次数可根据实际情况确定。图像金字塔技术对图像进行多尺度采样的过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
需要说明的是,关于DNN技术的相关内容包括:DNN网络的训练数据集为本实施例中待检测医疗器械的多张表面图像;训练数据集对应标签的标注过程为单通道的语义标签,即将图像中为背景的像素点标注为0,将图像中为待检测医疗器械的像素点标注为1;该网络所使用的loss函数为交叉熵损失函数;该网络最终输出只包含待检测医疗器械本身的表面图像。DNN网络的构建和训练过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
(2)根据待检测医疗器械的多尺度目标灰度图像,确定各个尺度的目标灰度图像内的每个像素点的梯度幅值,进而确定各个尺度的目标灰度图像对应的梯度直方图。
本实施例通过利用Sobel算子(索尔贝算子)计算各个尺度的目标灰度图像内的每个像素点x方向的梯度和y方向的梯度,根据每个像素点x方向的梯度和y方向的梯度,得到每个像素点的梯度幅值,梯度幅值的计算公式为,由此本实施例得到了各个尺度的目标灰度图像内的每个像素点的梯度幅值。根据各个尺度的目标灰度图像内的每个像素点的梯度幅值,可构建各个尺度的目标灰度图像对应的梯度直方图,从而确定了各个尺度的目标灰度图像对应的梯度直方图。
需要说明的是,Sobel算子(索尔贝算子)计算每个像素点梯度的过程和构建梯度直方图均为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
(3)根据各个尺度的目标灰度图像对应的梯度直方图,确定各个尺度的目标灰度图像中的各梯度级的权重。
需要说明的是,本实施例后续对各个尺度的目标灰度图像进行霍夫曼编码时,各个尺度的目标灰度图像中的各梯度级的权重越大表征对应梯度级的编码长度越短,也就是不同权重的梯度级对应的编码长度不同,各梯度级的权重会对其对应的编码长度产生一定程度的影响,所以本实施例需要确定各个尺度的目标灰度图像中的各梯度级的权重,其步骤包括:
(3-1)根据各个尺度的目标灰度图像对应的梯度直方图,确定各个尺度的目标灰度图像中的各梯度级以及各梯度级对应的像素点在对应尺度的目标灰度图像中的个数。
在各个尺度的目标灰度图像对应的梯度直方图中,梯度直方图的横坐标为各个梯度级,梯度直方图的纵坐标为各个梯度级对应的像素点在对应尺度的目标灰度图像中的个数,由此可得到各个尺度的目标灰度图像中的各梯度级以及各梯度级对应的像素点在对应尺度的目标灰度图像中的个数。
(3-2)根据各个尺度的目标灰度图像中的各梯度级以及各梯度级对应的像素点在对应尺度的目标灰度图像中的个数,确定各个尺度的目标灰度图像中的各梯度级的权重。
本实施例以计算第b个尺度的目标灰度图像中的第a个梯度级的权重为例进行说明,其计算公式为:
参考第b个尺度的目标灰度图像中的第a个梯度级的权重的计算过程,可得到各个尺度的目标灰度图像中的各梯度级的权重,也就是每个尺度的目标灰度图像中的各梯度级均有其对应的权重。
(4)根据各个尺度的目标灰度图像中的各梯度级的权重,确定各个尺度的目标灰度图像中的各梯度级的编码长度,其步骤包括:
(4-1)根据各个尺度的目标灰度图像中的各梯度级的权重,筛选出各个目标权重,进而确定各个尺度的目标灰度图像中每个目标权重对应的各梯度级的优先程度。
因为霍夫曼编码在遇到相同权重的数据时,进行编码时是随机对两个相同权重进行相加的,不同的排列组合会导致数据编码后出现不同的编码长度(排列组合方式不同,相同数据的码长根据组合方式不同而不同),我们期望在相同权重的数据中,正常梯度级的编码长度短,缺陷梯度级的编码长度长,传统霍夫曼编码是基于概率统计得到的权重,要获取相同权重的优先级,引入空域信息(传统霍夫曼没有考虑空域信息,所以传统霍夫曼是随机排列相加的,所以达不到我们期望的目的),计算相同权重下数据的优先级,从而达到正常梯度级的编码长度短,缺陷梯度级的编码长度长的目的。
在本实施例中,根据各个尺度的目标灰度图像中的各梯度级的权重,筛选出各个目标权重,这里的目标权重是指各梯度级的权重中重复出现的权重,进而确定各个尺度的目标灰度图像中每个目标权重对应的各梯度级的优先程度。本实施例以第b个尺度的目标灰度图像为例对步骤(4-1)进行详细说明,根据第b个尺度的目标灰度图像中的各梯度级的权重,从第b个尺度的目标灰度图像中的各梯度级的权重中筛选出M个目标权重。每个目标权重均有对应的各梯度级,每个目标权重对应的每个梯度级均有对应的若干个像素点。例如,第b个尺度的目标灰度图像中的各梯度级的权重为[0.01,0.03,0.03,0.03,0.05,0.05,…,0.1,0.1,0.2,0.3],可筛选出3个目标权重,分别为0.03、0.05和0.1,其中目标权重0.03对应了3个梯度级,目标权重0.05对应了2个梯度级,目标权重0.1对应了2个梯度级。根据每个目标权重对应的各梯度级对应的像素点的梯度幅值,可确定各个尺度的目标灰度图像中每个目标权重对应的各梯度级的优先程度,确定各个尺度的目标灰度图像中每个目标权重对应的各梯度级的优先程度的流程图如图2所示,其确定步骤包括:
(4-1-1)获取各个尺度的目标灰度图像中每个目标权重对应的各梯度级对应的每个像素点的邻域像素点,根据各个尺度的目标灰度图像中每个目标权重对应的各梯度级对应的每个像素点及其邻域像素点的梯度幅值,确定各个尺度的目标灰度图像中每个目标权重对应的各梯度级对应的每个像素点的信息量。
为了确定目标权重对应的各梯度级对应的每个像素点的邻域像素点,本实施例以第b个尺度的目标灰度图像中M个目标权重对应的各梯度级对应的每个像素点为例进行说明,以第b个尺度的目标灰度图像中M个目标权重对应的各梯度级对应的每个像素点为中心像素点,构建大小的滑窗,将每个像素点对应的滑窗内的除中心像素点外的像素点叫做邻域像素点,从而得到第b个尺度的目标灰度图像中M个目标权重对应的各梯度级对应的每个像素点的邻域像素点。
根据步骤(2)得到的各个尺度的目标灰度图像内的每个像素点的梯度幅值,可得到第b个尺度的目标灰度图像中M个目标权重对应的各梯度级对应的每个像素点及其邻域像素点的梯度幅值,本实施例将梯度幅值标记为f,根据第b个尺度的目标灰度图像中M个目标权重对应的各梯度级对应的每个像素点及其邻域像素点的梯度幅值,可计算第b个尺度的目标灰度图像中M个目标权重对应的各梯度级对应的每个像素点的信息量。
在本实施例中,某个像素点的梯度幅值与其邻域像素点的梯度幅值越相似,说明该像素点对应的滑窗区域内蕴含的信息量越小,也就是该像素点所对应的梯度级的优先程度越高,即该像素点为缺陷像素点的可能性越小,以计算第b个尺度的目标灰度图像中M个目标权重对应的第a个梯度级对应的第j个像素点的信息量为例进行说明,其计算公式为:
其中,为第b个尺度的目标灰度图像中每个目标权重对应的第a个梯度级对应的第j个像素点的信息量,为第b个尺度的目标灰度图像中每个目标权重对应的第a个梯度级对应的第j个像素点的梯度幅值,为第b个尺度的目标灰度图像中每个目标权重对应的第a个梯度级对应的第i个邻域像素点的梯度幅值,为第i个邻域像素点对应的一阶差分值在所有邻域像素点对应的一阶差分值中出现的概率,为第b个尺度的目标灰度图像中每个目标权重对应的第a个梯度级对应的第j个像素点的邻域像素点的个数。
需要说明的是,参考第b个尺度的目标灰度图像中每个目标权重对应的第a个梯度级对应的第j个像素点的信息量的计算过程,可得到第b个尺度的目标灰度图像中M个目标权重对应的各梯度级对应的每个像素点的信息量。
(4-1-2)根据各个尺度的目标灰度图像中每个目标权重对应的各梯度级对应的每个像素点的信息量,确定各个尺度的目标灰度图像中每个目标权重对应的各梯度级对应的像素信息量相似程度。
在本实施例中,某个梯度级对应的像素信息量相似程度越大,说明该梯度级对应的各个像素点为待检测医疗器械表面中缺陷像素点的可能性越小,以计算第b个尺度的目标灰度图像中每个目标权重对应的第a个梯度级对应的像素信息量相似程度为例进行说明,其计算公式为:
其中,为第b个尺度的目标灰度图像中每个目标权重对应的第a个梯度级对应的像素信息量相似程度,为第b个尺度的目标灰度图像中每个目标权重对应的第a个梯度级对应的第j个像素点的信息量,为第b个尺度的目标灰度图像中每个目标权重对应的第a个梯度级对应的第k个像素点的信息量,为第b个尺度的目标灰度图像中每个目标权重对应的第a个梯度级对应的像素点个数,为超参数,。
需要说明的是,参考第b个尺度的目标灰度图像中每个目标权重对应的第a个梯度级对应的像素信息量相似程度的计算过程,可得到第b个尺度的目标灰度图像中M个目标权重对应的每个梯度级对应的像素信息量相似程度。
(4-1-3)根据各个尺度的目标灰度图像中每个目标权重对应的各梯度级对应的像素信息量相似程度,确定各个尺度的目标灰度图像中每个目标权重对应的各梯度级的优先程度。
在本实施例中,像素信息量相似程度是指各梯度级对应的像素点的信息量的相似性。若某个梯度级对应的像素点的信息量的相似性越大,说明该梯度级对应的像素点越不可能是图像缺陷区域内的像素点,那么该梯度级对应的优先程度越大,所以各梯度级对应的像素信息量相似程度可代表各梯度级对应的优先程度,基于此,并根据第b个尺度的目标灰度图像中M个目标权重对应的每个梯度级对应的像素信息量相似程度,可得到第b个尺度的目标灰度图像中M个目标权重对应的每个梯度级对应的优先程度。
至此,根据步骤(4-1-1)至步骤(4-1-3)得到第b个尺度的目标灰度图像中M个目标权重对应的每个梯度级对应的优先程度,参考第b个尺度的目标灰度图像中M个目标权重对应的每个梯度级对应的优先程度的确定步骤,可得到各个尺度的目标灰度图像中每个目标权重对应的各梯度级的优先程度。
(4-2)根据各个尺度的目标灰度图像中的各梯度级的权重和各个目标权重对应的各梯度级的优先程度,确定各个尺度的目标灰度图像对应的权重序列。
(4-2-1)根据各个尺度的目标灰度图像中的各梯度级的权重,初步确定各个尺度的目标灰度图像对应的权重序列。
本实施例以初步确定第b个尺度的目标灰度图像对应的权重序列为例进行说明,将第b个尺度的目标灰度图像中的各梯度级的权重按照从小到大的顺序进行排序,初步得到第b个尺度的目标灰度图像对应的权重序列,如[0.01,0.03,0.03,0.04,0.04,0.04,…,0.1,0.1,0.2,0.3],在该权重序列中存在3个目标权重,也就是0.03、0.04和0.1,每个目标权重均有其对应的梯度级。
(4-2-2)根据初步确定的各个尺度的目标灰度图像对应的权重序列和各个目标权重对应的各梯度级的优先程度,确定各个尺度的目标灰度图像对应的权重序列。
本实施例以确定第b个尺度的目标灰度图像对应的最终的权重序列为例进行说明,根据步骤(4-2-1)的初步确定的第b个尺度的目标灰度图像对应的权重序列以及步骤(4-1-3)的第b个尺度的目标灰度图像中M个目标权重对应的每个梯度级对应的优先程度,对初步确定的第b个尺度的目标灰度图像对应的权重序列重新进行排序,也就是按照M个目标权重对应的每个梯度级对应的优先程度,将权重序列中优先程度较高的梯度级排在序列中的左边,从而得到第b个尺度的目标灰度图像对应的最终的权重序列,也就是第b个尺度的目标灰度图像对应的权重序列。
需要说明的是,虽然此时得到的最终的权重序列与初步确定的权重序列毫无差别,但最终的权重序列对应的梯度级序列顺序与初步确定的权重序列对应的梯度级序列顺序相差较大,而在本实施例中的权重序列对应的梯度级序列顺序对后续确定最终的各梯度级的编码长度有较大的影响,其有效提高了后续确定的各梯度级的编码长度的准确性。参考第b个尺度的目标灰度图像对应的最终的权重序列的确定过程,可得到各个尺度的目标灰度图像对应的权重序列。
(4-3)根据各个尺度的目标灰度图像对应的权重序列,对各个尺度的目标灰度图像中的各梯度级进行编码,从而得到各个尺度的目标灰度图像中的各梯度级的编码长度。
在本实施例中,根据步骤(4-2-2)得到的各个尺度的目标灰度图像对应的权重序列,采用霍夫曼编码进行编码,得到各个尺度的目标灰度图像中的各梯度级的编码长度,编码长度记为L。霍夫曼编码是将初始权重序列中两个最小的权重相加,再对相加后的初始权重序列按照从小到大的顺序重新进行排序,也就是将较高的权重放在权重序列的右边,得到第一权重序列,基于重新排序后的第一权重序列,将重新排序后的第一权重序列中两个最小的权重相加,再对相加后的第一权重序列按照从小到大的顺序进行排序,得到第二权重序列,不断重复上述步骤,直至权重序列中最后两个权重相加等于1时才停止。霍夫曼编码的过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
需要说明的是,对于权重序列中各个目标权重进行最小权重相加时,霍夫曼编码会随机选择权重序列中两个目标权重进行相加,此时编码效率会降低而且每个梯度级的编码长度会因为梯度级的权重累加不同导致对应的编码长度不同。而本实施例通过计算目标权重对应的各梯度级的优先程度,确定各个尺度的目标灰度图像对应的权重序列,得到各个尺度的目标灰度图像中的各梯度级的更加准确的编码长度,其不仅增强了编码效率,同时还能增大各个梯度级之间的差异,有助于提高后续确定的待检测医疗器械存在缺陷的概率的准确性。
(5)根据各个尺度的目标灰度图像中的各梯度级的权重和编码长度,确定待检测医疗器械存在缺陷的概率,其步骤包括:
(5-1)根据各个尺度的目标灰度图像中的各梯度级的权重和编码长度,确定各个尺度的目标灰度图像对应的图像平均比特率。
本实施例以计算第b个尺度的目标灰度图像对应的图像平均比特率为例,其计算过程为:
其中,为第b个尺度的目标灰度图像对应的图像平均比特率,为第b个尺度的目标灰度图像中的第a个梯度级的权重,为第b个尺度的目标灰度图像中的第a个梯度级的编码长度,A为第b个尺度的目标灰度图像对应的梯度级个数。
需要说明的是,参考第b个尺度的目标灰度图像对应的图像平均比特率的计算过程,可得到各个尺度的目标灰度图像对应的图像平均比特率,也就是各个尺度的目标灰度图像对应的压缩率。
(5-2)根据各个尺度的目标灰度图像对应的图像平均比特率和各梯度级的编码长度,确定待检测医疗器械存在缺陷的概率。
在本实施例中,对于合格无缺陷的待检测医疗器械的多尺度目标灰度图像,各个尺度目标灰度图像对应的图像平均比特率(压缩率)相似,并且多尺度目标灰度图像中每个梯度级对应的编码长度也相似。而对于存在缺陷的待检测医疗器械的多尺度目标灰度图像,由于缺陷区域存在大量的纹理信息,通过多尺度采样后,缺陷区域的纹理信息会丢失,所以在对存在缺陷的各个梯度级进行权重计算时,部分梯度级的权重会发生比较大的变化,从而导致存在缺陷的待检测医疗器械的多尺度目标灰度图像对应的图像平均比特率(压缩率)存在较大的差异,差异越大说明待检测医疗器械的缺陷严重程度越大,并且多尺度目标灰度图像中每个梯度级对应的编码长度的相似程度越差。基于上述内容,本实施例根据各个尺度的目标灰度图像对应的图像平均比特率和各梯度级的编码长度,可得到待检测医疗器械存在缺陷的概率,其计算公式为:
其中,Q为待检测医疗器械存在缺陷的概率,为第b个尺度的目标灰度图像中的第a个梯度级的编码长度,为第b+1个尺度的目标灰度图像中的第a个梯度级的编码长度,为第b个尺度的目标灰度图像对应的图像平均比特率,为第b+1个尺度的目标灰度图像对应的图像平均比特率,B为待检测医疗器械的多尺度目标灰度图像的尺度个数,A为第b个尺度的目标灰度图像对应的梯度级个数,为超参数,。
当各个尺度的目标灰度图像对应的图像平均比特率的相似性越小,各梯度级的编码长度的相似性越小时,则说明待检测医疗器械存在缺陷的概率越大,也就是该待检测医疗器械越有可能存在缺陷。
(6)根据待检测医疗器械存在缺陷的概率,判断待检测医疗器械是否存在缺陷。
若待检测医疗器械存在缺陷的概率不小于预设概率阈值,则判定待检测医疗器械存在缺陷,若待检测医疗器械存在缺陷的概率小于预设概率阈值,则判定待检测医疗器械不存在缺陷,本实施例将预设概率阈值设置为0.2。即当概率时,说明待检测医疗器械存在缺陷,需要对该待检测医疗器械进行分类,当概率时,说明待检测医疗器械不存在缺陷。待检测医疗器械存在缺陷的概率Q越大,说明待检测医疗器械存在的缺陷的严重程度越高,也就是该待检测医疗器械的质量越差。
本发明通过获取待检测医疗器械的表面图像,得到待检测医疗器械的多尺度目标灰度图像,进而确定各个尺度的目标灰度图像内的每个像素点的梯度幅值,从而确定各个尺度的目标灰度图像对应的梯度直方图,确定多尺度目标灰度图像对应的梯度直方图便于得到图像中的各个梯度,提高了新材料医疗器械缺陷检测的检测效率。根据各个尺度的目标灰度图像对应的梯度直方图,确定各个尺度的目标灰度图像中的各梯度级的权重,进而确定各个尺度的目标灰度图像中的各梯度级的编码长度,通过改进编码长度的确定过程,增强了新材料医疗器械缺陷检测的准确性。根据各个尺度的目标灰度图像中的各梯度级的权重和编码长度,确定待检测医疗器械存在缺陷的概率,并判断待检测医疗器械是否存在缺陷,计算医疗器械存在缺陷的概率适用于各种医疗器械表面缺陷检测,其有效提高了新材料医疗器械缺陷检测的泛化能力。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于图像处理的新材料医疗器械缺陷检测方法,其特征在于,包括以下步骤:
获取待检测医疗器械的表面图像,并对表面图像进行图像处理,得到待检测医疗器械的多尺度目标灰度图像;
根据待检测医疗器械的多尺度目标灰度图像,确定各个尺度的目标灰度图像内的每个像素点的梯度幅值,进而确定各个尺度的目标灰度图像对应的梯度直方图;
根据各个尺度的目标灰度图像对应的梯度直方图,确定各个尺度的目标灰度图像中的各梯度级的权重;
根据各个尺度的目标灰度图像中的各梯度级的权重,确定各个尺度的目标灰度图像中的各梯度级的编码长度;
根据各个尺度的目标灰度图像中的各梯度级的权重和编码长度,确定待检测医疗器械存在缺陷的概率;
根据待检测医疗器械存在缺陷的概率,判断待检测医疗器械是否存在缺陷。
3.根据权利要求1所述的一种基于图像处理的新材料医疗器械缺陷检测方法,其特征在于,确定各个尺度的目标灰度图像中的各梯度级的编码长度的步骤包括:
根据各个尺度的目标灰度图像中的各梯度级的权重,筛选出各个目标权重,进而确定各个尺度的目标灰度图像中每个目标权重对应的各梯度级的优先程度;
根据各个尺度的目标灰度图像中的各梯度级的权重和每个目标权重对应的各梯度级的优先程度,确定各个尺度的目标灰度图像对应的权重序列;
根据各个尺度的目标灰度图像对应的权重序列,对各个尺度的目标灰度图像中的各梯度级进行编码,从而得到各个尺度的目标灰度图像中的各梯度级的编码长度。
4.根据权利要求3所述的一种基于图像处理的新材料医疗器械缺陷检测方法,其特征在于,进而确定各个尺度的目标灰度图像中每个目标权重对应的各梯度级的优先程度的步骤包括:
获取各个尺度的目标灰度图像中每个目标权重对应的各梯度级对应的每个像素点的邻域像素点,根据各个尺度的目标灰度图像中每个目标权重对应的各梯度级对应的每个像素点及其邻域像素点的梯度幅值,确定各个尺度的目标灰度图像中每个目标权重对应的各梯度级对应的每个像素点的信息量;
根据各个尺度的目标灰度图像中每个目标权重对应的各梯度级对应的每个像素点的信息量,确定各个尺度的目标灰度图像中每个目标权重对应的各梯度级对应的像素信息量相似程度;
根据各个尺度的目标灰度图像中每个目标权重对应的各梯度级对应的像素信息量相似程度,确定各个尺度的目标灰度图像中每个目标权重对应的各梯度级的优先程度。
5.根据权利要求4所述的一种基于图像处理的新材料医疗器械缺陷检测方法,其特征在于,确定各个尺度的目标灰度图像中每个目标权重对应的各梯度级对应的每个像素点的信息量的计算公式为:
7.根据权利要求4所述的一种基于图像处理的新材料医疗器械缺陷检测方法,其特征在于,获取各个尺度的目标灰度图像中每个目标权重对应的各梯度级对应的每个像素点的邻域像素点的步骤包括:
以各个尺度的目标灰度图像中每个目标权重对应的各梯度级对应的每个像素点为中心像素点,构建滑窗,将每个像素点对应的滑窗内的除中心像素点外的像素点叫做邻域像素点。
8.根据权利要求1所述的一种基于图像处理的新材料医疗器械缺陷检测方法,其特征在于,确定待检测医疗器械存在缺陷的概率的步骤包括:
根据各个尺度的目标灰度图像中的各梯度级的权重和编码长度,确定各个尺度的目标灰度图像对应的图像平均比特率;
根据各个尺度的目标灰度图像对应的图像平均比特率和各梯度级的编码长度,确定待检测医疗器械存在缺陷的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210744724.1A CN114820610B (zh) | 2022-06-29 | 2022-06-29 | 基于图像处理的新材料医疗器械缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210744724.1A CN114820610B (zh) | 2022-06-29 | 2022-06-29 | 基于图像处理的新材料医疗器械缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114820610A true CN114820610A (zh) | 2022-07-29 |
CN114820610B CN114820610B (zh) | 2022-09-06 |
Family
ID=82523536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210744724.1A Active CN114820610B (zh) | 2022-06-29 | 2022-06-29 | 基于图像处理的新材料医疗器械缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114820610B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115131348A (zh) * | 2022-08-30 | 2022-09-30 | 海门喜满庭纺织品有限公司 | 一种纺织品表面缺陷的检测方法及系统 |
CN115330806A (zh) * | 2022-10-17 | 2022-11-11 | 江苏昱恒电气有限公司 | 基于计算机视觉的led背光异物缺陷检测方法 |
CN117974637A (zh) * | 2024-03-28 | 2024-05-03 | 济宁金牛重工有限公司 | 基于图像特征的引导轮裂纹缺陷智能检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392432A (zh) * | 2014-11-03 | 2015-03-04 | 深圳市华星光电技术有限公司 | 基于方向梯度直方图的显示面板缺陷检测方法 |
CN109479136A (zh) * | 2016-08-04 | 2019-03-15 | 深圳市大疆创新科技有限公司 | 用于比特率控制的系统和方法 |
CN110895806A (zh) * | 2019-07-25 | 2020-03-20 | 研祥智能科技股份有限公司 | 屏幕显示缺陷的检测方法及系统 |
CN114071141A (zh) * | 2020-08-06 | 2022-02-18 | 华为技术有限公司 | 一种图像处理方法及其设备 |
-
2022
- 2022-06-29 CN CN202210744724.1A patent/CN114820610B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392432A (zh) * | 2014-11-03 | 2015-03-04 | 深圳市华星光电技术有限公司 | 基于方向梯度直方图的显示面板缺陷检测方法 |
US20160364849A1 (en) * | 2014-11-03 | 2016-12-15 | Shenzhen China Star Optoelectronics Technology Co. , Ltd. | Defect detection method for display panel based on histogram of oriented gradient |
CN109479136A (zh) * | 2016-08-04 | 2019-03-15 | 深圳市大疆创新科技有限公司 | 用于比特率控制的系统和方法 |
CN110895806A (zh) * | 2019-07-25 | 2020-03-20 | 研祥智能科技股份有限公司 | 屏幕显示缺陷的检测方法及系统 |
CN114071141A (zh) * | 2020-08-06 | 2022-02-18 | 华为技术有限公司 | 一种图像处理方法及其设备 |
Non-Patent Citations (1)
Title |
---|
梁忠伟等: "基于能量熵分布梯度与Huffman编码的IC图像压缩技术", 《机械设计与制造》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115131348A (zh) * | 2022-08-30 | 2022-09-30 | 海门喜满庭纺织品有限公司 | 一种纺织品表面缺陷的检测方法及系统 |
CN115330806A (zh) * | 2022-10-17 | 2022-11-11 | 江苏昱恒电气有限公司 | 基于计算机视觉的led背光异物缺陷检测方法 |
CN117974637A (zh) * | 2024-03-28 | 2024-05-03 | 济宁金牛重工有限公司 | 基于图像特征的引导轮裂纹缺陷智能检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114820610B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114820610B (zh) | 基于图像处理的新材料医疗器械缺陷检测方法 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
CN108346154B (zh) | 基于Mask-RCNN神经网络的肺结节分割装置的建立方法 | |
CN115345885B (zh) | 一种金属健身器材外观质量检测方法 | |
CN115239704B (zh) | 一种木材表面缺陷的精准检测修复方法 | |
CN115082418B (zh) | 一种汽车零部件精密识别方法 | |
Xiao et al. | Surface defect detection using image pyramid | |
CN110796637A (zh) | 图像缺陷检测模型的训练、测试方法、装置及存储介质 | |
WO2023179122A1 (zh) | 缺陷检测方法、装置、电子设备及可读存储介质 | |
CN114235825B (zh) | 一种基于计算机视觉的钢丝绳质量检测方法 | |
CN109685117B (zh) | 一种气液固三相体系中流动参数的图像测量方法 | |
CN114494256B (zh) | 基于图像处理的电线生产缺陷检测方法 | |
CN104268505A (zh) | 基于机器视觉的布匹疵点自动检测识别装置及方法 | |
CN111242185A (zh) | 一种基于深度学习的缺陷快速初筛方法及系统 | |
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN114581764B (zh) | 基于深度学习算法的地下结构裂纹病害判别方法 | |
CN114998215A (zh) | 一种缝纫机表面喷漆异常检测方法及系统 | |
CN115908142A (zh) | 一种基于视觉识别的接触网微小部件验损方法 | |
CN115082444A (zh) | 一种基于图像处理的铜管焊缝缺陷检测方法及系统 | |
CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
Gurubelli et al. | Texture and colour gradient features for grade analysis of pomegranate and mango fruits using kernel-SVM classifiers | |
CN115018790A (zh) | 一种基于异常检测的工件表面缺陷检测方法 | |
CN115713480A (zh) | 一种集成电路金属封装深度学习缺陷检测方法 | |
Saranya et al. | Comparison of segmentation techniques for detection of defects in non-destructive testing images |
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 |