CN114862849B - 一种基于图像处理的铝合板覆膜效果评估方法 - Google Patents

一种基于图像处理的铝合板覆膜效果评估方法 Download PDF

Info

Publication number
CN114862849B
CN114862849B CN202210785370.5A CN202210785370A CN114862849B CN 114862849 B CN114862849 B CN 114862849B CN 202210785370 A CN202210785370 A CN 202210785370A CN 114862849 B CN114862849 B CN 114862849B
Authority
CN
China
Prior art keywords
edge
value
defect
gradient
gray
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
CN202210785370.5A
Other languages
English (en)
Other versions
CN114862849A (zh
Inventor
吕启涛
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.)
Shandong Zhiling New Material Co ltd
Original Assignee
Shandong Zhiling New Material 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 Shandong Zhiling New Material Co ltd filed Critical Shandong Zhiling New Material Co ltd
Priority to CN202210785370.5A priority Critical patent/CN114862849B/zh
Publication of CN114862849A publication Critical patent/CN114862849A/zh
Application granted granted Critical
Publication of CN114862849B publication Critical patent/CN114862849B/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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种基于图像处理的铝合板覆膜效果评估方法。该方法为：获取覆膜后铝合板表面的覆膜图像以及对应的灰度图像；设定Canny算子检测中的初始高阈值与初始低阈值对灰度图像进行检测得到多条边缘；获取所有边缘中的伪边缘和间断边缘更新初始高阈值和初始低阈值，得到最优高阈值与最优低阈值；基于最优高阈值与最优低阈值对灰度图像进行Canny算子检测得到多条准确边缘，从而得到多个缺陷区域，获取每个缺陷区域的特征向量，将每个缺陷区域的特征向量输入分类神经网络中得到缺陷类别；根据不同的缺陷类别对覆膜效果进行评估，得到的评估结果更加可靠，准确度更高。

Description

一种基于图像处理的铝合板覆膜效果评估方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于图像处理的铝合板覆膜效果评估方法。
背景技术
覆膜是常见的保护和装饰铝合板表面的一种工艺方式，经过覆膜后的铝合板，其表面会变得更加平滑、光亮、耐污、耐磨，可以提高铝合板表面的性能，在保护了铝合板的外观效果的同时提高了铝合板的使用寿命。
然而在覆膜工艺中难以避免会出现一些缺陷，最常见的有起皱、破膜、油污以及气泡等，这些缺陷的存在不但会影响铝合板的外观效果，还会对铝合板的使用性能产生影响；传统的覆膜效果评估往往是通过人工检查或者是通过相关仪器进行测试，成本较高，并且容易受到人的主观因素影响，导致检测效果误差较大且检测效率低。
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基于图像处理的铝合板覆膜效果评估方法，该方法包括以下步骤：
获取覆膜后铝合板表面的覆膜图像，将所述覆膜图像转换为对应的灰度图像；
设定Canny算子检测中的初始高阈值与初始低阈值，基于所述初始高阈值与所述初始低阈值对所述灰度图像进行Canny算子检测得到多条边缘；以任意一条边缘为目标边缘，获取目标边缘上像素点的相似性，所述相似性小于预设阈值时，所述目标边缘为伪边缘；
获取与所述目标边缘距离最近的边缘为邻近边缘，基于邻近边缘与目标边缘之间的灰度差异得到邻近边缘与目标边缘的近似性；所述近似性大于预设阈值时，所述目标边缘与所述邻近边缘为间断边缘；
根据伪边缘上像素点的梯度更新所述初始高阈值为优化高阈值，根据间断边缘上像素点的梯度更新所述初始低阈值为优化低阈值；基于优化高阈值和优化低阈值对所述灰度图像进行Canny算子检测得到多条边缘，基于所有边缘中的伪边缘与间断边缘对所述优化高阈值和所述优化低阈值进行更新，以此类推，直至所述优化高阈值与所述优化低阈值不再变化得到最优高阈值与最优低阈值；基于最优高阈值与最优低阈值对所述灰度图像进行Canny算子检测得到多条准确边缘；
根据多条所述准确边缘得到多个缺陷区域，获取每个缺陷区域的周长、面积、紧凑度、近圆率、平均灰度差异以及平均色调差异构成特征向量，将每个所述缺陷区域的特征向量输入分类神经网络中得到缺陷类别；根据不同的所述缺陷类别得到覆膜效果的评估结果；
其中，所述根据伪边缘上像素点的梯度更新所述初始高阈值为优化高阈值的方法，包括：
根据每个像素点在其八邻域上的梯度分别选取所述伪边缘上每个像素点的最大梯度值，所述伪边缘上所有像素点对应的所述最大梯度值中的最大值为优化高阈值；
所述根据间断边缘上像素点的梯度更新所述初始低阈值为优化低阈值的方法，包括：
根据每个像素点在其八邻域上的梯度分别选取所述间断边缘上每个像素点的最小梯度值，所述间断边缘上所有像素点对应的所述最小梯度值中的最小值为优化低阈值。
优选的，所述获取目标边缘上像素点的相似性的方法，包括：
获取目标边缘上每个像素点的梯度特征和角度特征；
根据所述目标边缘上像素点对应的梯度特征、角度特征以及灰度值得到所述目标边缘上像素点的相似性为：
Figure DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
表示目标边缘上像素点的相似性；
Figure 100002_DEST_PATH_IMAGE003
表示目标边缘上第
Figure DEST_PATH_IMAGE004
个像素点对应的角度特征；
Figure 100002_DEST_PATH_IMAGE005
表示目标边缘上第
Figure DEST_PATH_IMAGE006
个像素点对应的角度特征；
Figure 100002_DEST_PATH_IMAGE007
表示目标边缘上第
Figure 457226DEST_PATH_IMAGE004
个像素点的灰度值；
Figure DEST_PATH_IMAGE008
表示目标边缘上第
Figure 481025DEST_PATH_IMAGE006
个像素点的灰度值；
Figure 100002_DEST_PATH_IMAGE009
表示目标边缘上第
Figure 932866DEST_PATH_IMAGE004
个像素点对应的梯度特征；
Figure DEST_PATH_IMAGE010
表示目标边缘上第
Figure 170819DEST_PATH_IMAGE006
个像素点的梯度特征；
Figure 100002_DEST_PATH_IMAGE011
表示指数函数运算；
Figure DEST_PATH_IMAGE012
表示目标边缘上所有像素点的数量。
优选的，所述获取目标边缘上每个像素点的梯度特征和角度特征的方法，包括：
获取所述目标边缘上任意像素点在其八邻域方向上的梯度值，选取八邻域方向上的最大梯度值与最小梯度值，所述最大梯度值与所述最小梯度值之间差值的绝对值为所述像素点的梯度特征；
获取所述像素点在八邻域方向上最大梯度值对应的方向向量与最小梯度值对应的方向向量，根据最大梯度值对应的方向向量与最小梯度值对应的方向向量得到所述像素点的角度特征为：
Figure 100002_DEST_PATH_IMAGE013
其中，
Figure DEST_PATH_IMAGE014
表示像素点对应的角度特征；
Figure 100002_DEST_PATH_IMAGE015
表示像素点在八邻域方向梯度值中的最大梯度值对应的方向向量；
Figure DEST_PATH_IMAGE016
表示像素点在八邻域方向梯度值中的最小梯度值对应的方向向量；
Figure 100002_DEST_PATH_IMAGE017
表示向量的模长运算。
优选的，所述基于邻近边缘与目标边缘之间的灰度差异得到邻近边缘与目标边缘的近似性的方法，包括：
获取所述目标边缘上像素点的灰度均值以及所述邻近边缘上像素点的灰度均值；所述目标边缘与所述邻近边缘的近似性为：
Figure DEST_PATH_IMAGE018
其中，
Figure 100002_DEST_PATH_IMAGE019
表示目标边缘与邻近边缘之间的近似性；
Figure 112754DEST_PATH_IMAGE007
表示目标边缘上第
Figure 466375DEST_PATH_IMAGE004
个像素点的灰度值；
Figure DEST_PATH_IMAGE020
表示邻近边缘上第
Figure 100002_DEST_PATH_IMAGE021
个像素点的灰度值；
Figure DEST_PATH_IMAGE022
表示目标边缘
Figure 100002_DEST_PATH_IMAGE023
上的灰度均值；
Figure DEST_PATH_IMAGE024
表示邻近边缘
Figure 100002_DEST_PATH_IMAGE025
上的灰度均值；
Figure 766032DEST_PATH_IMAGE012
表示目标边缘
Figure 496090DEST_PATH_IMAGE023
上像素点的数量；
Figure DEST_PATH_IMAGE026
表示邻近边缘
Figure 961707DEST_PATH_IMAGE025
上像素点的数量。
优选的，所述获取每个缺陷区域的紧凑度的方法，包括：
获取每个缺陷区域的周长的平方值，所述缺陷区域的周长的平方值与所述缺陷区域的面积的比值为所述缺陷区域的紧凑度。
优选的，所述获取每个缺陷区域的近圆率的方法，包括：
获取每个缺陷区域对应的最大直径，基于所述缺陷区域的最大直径和周长获取所述缺陷区域的近圆率。
优选的，所述获取缺陷区域的平均灰度差异以及平均色调差异的方法，包括：
获取所述覆膜图像对应的HSV图像，基于所述HSV图像获取每个缺陷区域的平均色调值以及正常区域的平均色调值，根据缺陷区域的平均色调值与正常区域的平均色调值之间的差值的绝对值得到每个缺陷区域对应的平均色调差异；
获取每个缺陷区域的平均灰度值以及正常区域的平均灰度值，根据缺陷区域的平均灰度值与正常区域的平均灰度值之间的差值的绝对值得到每个缺陷区域对应的平均灰度差异。
优选的，所述根据不同的所述缺陷类别得到覆膜效果的评估结果的方法，包括：
所述缺陷类别包括起皱缺陷、破膜缺陷、油污缺陷以及气泡缺陷，对不同的所述缺陷类别分配权重；
获取所述灰度图像的熵、铝合板的面积以及铝合板的最大长度；基于所述熵、铝合板的面积、铝合板的最大长度以及不同权重下的缺陷类别获取评估结果为：
Figure 100002_DEST_PATH_IMAGE027
其中，
Figure DEST_PATH_IMAGE028
表示评估结果；
Figure 100002_DEST_PATH_IMAGE029
表示起皱缺陷的数量；
Figure DEST_PATH_IMAGE030
表示破膜缺陷的数量；
Figure 100002_DEST_PATH_IMAGE031
表示油污缺陷的数量；
Figure DEST_PATH_IMAGE032
表示气泡缺陷的数量；
Figure 100002_DEST_PATH_IMAGE033
表示起皱缺陷中第
Figure DEST_PATH_IMAGE034
个起皱缺陷的最大长度；
Figure 100002_DEST_PATH_IMAGE035
表示铝合板的最大长度；
Figure DEST_PATH_IMAGE036
表示破膜缺陷中第
Figure 100002_DEST_PATH_IMAGE037
个破膜缺陷的面积；
Figure DEST_PATH_IMAGE038
表示油污缺陷中的第
Figure 100002_DEST_PATH_IMAGE039
个油污缺陷的面积；
Figure DEST_PATH_IMAGE040
表示气泡缺陷中的第
Figure 100002_DEST_PATH_IMAGE041
个气泡缺陷的面积；
Figure DEST_PATH_IMAGE042
表示铝合板的面积；
Figure 100002_DEST_PATH_IMAGE043
表示起皱缺陷的权重；
Figure DEST_PATH_IMAGE044
表示破膜缺陷的权重；
Figure 100002_DEST_PATH_IMAGE045
表示油污缺陷的权重；
Figure DEST_PATH_IMAGE046
表示气泡缺陷的权重；
Figure 100002_DEST_PATH_IMAGE047
表示灰度图像的熵。
本发明具有如下有益效果：通过自定义的初始高阈值与初始低阈值对铝合板表面的灰度图像进行Canny算子检测得到多条边缘，基于得到的边缘上像素点的相似性以及边缘之间的近似性判断是否存在间断边缘与伪边缘，进而对初始高阈值与初始低阈值不断进行修正，得到最终的最优高阈值与最优低阈值，提高了边缘检测的精度，从而提高了后续对铝合板表面缺陷区域检测的准确度。通过获取每个缺陷区域的特征构建特征向量，将特征向量输入神经网络中得到不同的缺陷类别，基于不同的缺陷类别的特征对铝合板的覆膜效果进行评估，得到的评估结果更加可靠，准确度更高。
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基于图像处理的铝合板覆膜效果评估方法流程图。
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基于图像处理的铝合板覆膜效果评估方法，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。
本申请适用于对覆膜后的铝合板表面的覆膜效果的评估，通过自定义优化后的Canny算子检测出覆膜后铝合板表面的灰度图像中的多条准确边缘，从而基于准确边缘得到所有的缺陷区域，构建每个缺陷区域的特征向量从而得到缺陷类别，基于表面存在的缺陷类别对覆膜效果进行评估，评估结果更加准确可靠。
下面结合附图具体的说明本发明所提供的一种基于图像处理的铝合板覆膜效果评估方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于图像处理的铝合板覆膜效果评估方法流程图，该方法包括以下步骤：
步骤S100，获取覆膜后铝合板表面的覆膜图像，将覆膜图像转换为对应的灰度图像。
具体的，采用工业相机采集覆膜后铝合板表面的覆膜图像，由于覆膜表面对光的反射可能会影响后续分析，因此首先对该覆膜图像进行预处理，本发明实施例中对覆膜图像进行对数变换和傅里叶变换；然后对经过两次变换后的图像进行滤波处理得到新的图像，对得到的新的图像进行傅里叶逆变换，然后对傅里叶逆变换后的图像进行直方图均衡化，拓宽了图像中像素数量多的灰度级，对像素数量少的灰度级进行相应的缩减，使得图像的直方图变换为均匀分布的形式。经过对覆膜图像的预处理，不仅抑制了复杂背景和噪声的干扰，同时也突出了图像的细节部分。
然后将该覆膜图像由RGB颜色空间转换至HSV颜色空间得到对应的HSV图像，利用加权灰度化的方法对该覆膜图像进行灰度化处理得到对应的灰度图像。
步骤S200，设定Canny算子检测中的初始高阈值与初始低阈值，基于初始高阈值与初始低阈值对灰度图像进行Canny算子检测得到多条边缘；以任意一条边缘为目标边缘，获取目标边缘上像素点的相似性，相似性小于预设阈值时，目标边缘为伪边缘。
由于铝合板覆膜后表面应当较为光滑，但覆膜过程中可能由于外界影响导致出现气泡、起皱、破膜以及油污等缺陷，因此对铝合板覆膜后表面的灰度图像进行边缘检测，初步识别出铝合板覆膜后表面存在的缺陷。传统的Canny算子检测是通过人工设定阈值进行边缘识别，当阈值设置不合理时，可能会出现伪边缘以及间断边缘的现象，准确率较低，本发明实施例中通过不断迭代调整的阈值增加Canny算子检测边缘的准确性。
具体的，人为设定Canny算子检测的初始高阈值与初始低阈值，该初始低阈值小于初始高阈值，对铝合板覆膜后表面的灰度图像进行Canny算子检测，计算该灰度图像中每个像素点对应的梯度值，当像素点的梯度值大于初始高阈值时，该像素点为边缘像素点；当像素点的梯度值小于初始低阈值时，该像素点为非边缘像素点；对于梯度值处于初始高阈值与初始低阈值之间的像素点，根据像素点八邻域内的邻域像素点判断该像素点为边缘像素点或者非边缘像素点，判断方法为：选取该像素点及其八邻域像素点中的最小梯度值和最大梯度值，若最小梯度值小于初始低阈值且最大梯度值大于初始高阈值，则该像素点为边缘像素点；否则该像素点为非边缘像素点。
由此得到该灰度图像中所有的边缘像素点，从而获取到该灰度图像中所有的边缘，然后对所有的边缘进行分析，判断是否存在伪边缘。
首先，以任意边缘为目标边缘进行分析，获取该目标边缘上每个像素点在八邻域方向上对应的梯度值，选取其中的最大梯度值
Figure DEST_PATH_IMAGE048
及其对应的方向向量
Figure 697014DEST_PATH_IMAGE015
、最小梯度值
Figure 100002_DEST_PATH_IMAGE049
及其对应的方向向量
Figure 795551DEST_PATH_IMAGE016
；由此获取该像素点对应的梯度特征为：
Figure DEST_PATH_IMAGE050
其中，
Figure 100002_DEST_PATH_IMAGE051
表示该像素点对应的梯度特征；
Figure 174973DEST_PATH_IMAGE048
表示该像素点在八邻域方向梯度值中的最大梯度值；
Figure 963938DEST_PATH_IMAGE049
表示该像素点在八邻域方向梯度值中最小梯度值。
相应的，获取该像素点对应的角度特征为：
Figure 675673DEST_PATH_IMAGE013
其中，
Figure 245194DEST_PATH_IMAGE014
表示该像素点对应的角度特征；
Figure 51476DEST_PATH_IMAGE015
表示该像素点在八邻域方向梯度值中的最大梯度值对应的方向向量；
Figure 337358DEST_PATH_IMAGE016
表示该像素点在八邻域方向梯度值中的最小梯度值对应的方向向量；
Figure 420DEST_PATH_IMAGE017
表示向量的模长运算。
然后，获取目标边缘上所有像素点对应的梯度特征和角度特征，基于该目标边缘上所有像素点对应的梯度特征、角度特征以及灰度值获取该目标边缘上像素点的相似性为：
Figure 994921DEST_PATH_IMAGE001
其中，
Figure 182058DEST_PATH_IMAGE002
表示目标边缘上像素点的相似性；
Figure 945614DEST_PATH_IMAGE003
表示目标边缘上第
Figure 795890DEST_PATH_IMAGE004
个像素点对应的角度特征；
Figure 12107DEST_PATH_IMAGE005
表示目标边缘上第
Figure 425771DEST_PATH_IMAGE006
个像素点对应的角度特征；
Figure 370067DEST_PATH_IMAGE007
表示目标边缘上第
Figure 578195DEST_PATH_IMAGE004
个像素点的灰度值；
Figure 547288DEST_PATH_IMAGE008
表示目标边缘上第
Figure 46533DEST_PATH_IMAGE006
个像素点的灰度值；
Figure 784682DEST_PATH_IMAGE009
表示目标边缘上第
Figure 429290DEST_PATH_IMAGE004
个像素点对应的梯度特征；
Figure 931685DEST_PATH_IMAGE010
表示目标边缘上第
Figure 687151DEST_PATH_IMAGE006
个像素点的梯度特征；
Figure 14227DEST_PATH_IMAGE011
表示指数函数运算；
Figure 377206DEST_PATH_IMAGE012
表示目标边缘上所有像素点的数量。
目标边缘上像素点之间的相似性越大，则该目标边缘越可能为真实边缘；目标边缘上像素点之间的相似性越小，则该目标边缘为伪边缘；本发明实施例中设置相似性阈值
Figure DEST_PATH_IMAGE052
用于判断目标边缘是否为伪边缘，当目标边缘上像素点之间相似性小于预设相似性阈值0.9时，则该目标边缘为伪边缘，否则为真实边缘。
步骤S300，获取与目标边缘距离最近的边缘为邻近边缘，基于邻近边缘与目标边缘之间的灰度差异得到邻近边缘与目标边缘的近似性；近似性大于预设阈值时，目标边缘与邻近边缘为间断边缘。
进一步的，对边缘之间的近似性进行分析，若两个边缘之间的近似性较大，则该两个边缘为同一边缘，在进行边缘检测时被检测为间断边缘；获取目标边缘上的灰度均值以及该目标边缘的邻近边缘的灰度均值，邻近边缘为与该目标边缘距离最近的边缘。基于目标边缘上的灰度均值与邻近边缘上的灰度均值获取该目标边缘与邻近边缘之间的近似性为：
Figure DEST_PATH_IMAGE053
其中，
Figure 166564DEST_PATH_IMAGE019
表示目标边缘与邻近边缘之间的近似性；
Figure 725722DEST_PATH_IMAGE007
表示目标边缘上第
Figure 172883DEST_PATH_IMAGE004
个像素点的灰度值；
Figure 644447DEST_PATH_IMAGE020
表示邻近边缘上第
Figure 872166DEST_PATH_IMAGE021
个像素点的灰度值；
Figure 703856DEST_PATH_IMAGE022
表示目标边缘
Figure 785950DEST_PATH_IMAGE023
上的灰度均值；
Figure 677683DEST_PATH_IMAGE024
表示邻近边缘
Figure 392698DEST_PATH_IMAGE025
上的灰度均值；
Figure 44390DEST_PATH_IMAGE012
表示目标边缘
Figure 200565DEST_PATH_IMAGE023
上像素点的数量；
Figure 528778DEST_PATH_IMAGE026
表示邻近边缘
Figure 717708DEST_PATH_IMAGE025
上像素点的数量。
通过设置近似性阈值用于判断边缘是否为间断边缘，即当目标边缘与邻近边缘之间的近似性大于近似性阈值时，说明目标边缘与邻近边缘为同一边缘，在进行边缘检测时被检测为间断边缘；反之，当目标边缘与邻近边缘之间的近似性小于近似性阈值时，则目标边缘与邻近边缘为两条边缘。
作为优选，本发明实施例中设置近似性阈值
Figure DEST_PATH_IMAGE054
，即目标边缘与邻近边缘之间的近似性大于0.95时，目标边缘与邻近边缘为间断边缘。
步骤S400，根据伪边缘上像素点的梯度更新初始高阈值为优化高阈值，根据间断边缘上像素点的梯度更新初始低阈值为优化低阈值；基于优化高阈值和优化低阈值对灰度图像进行Canny算子检测得到多条边缘，基于所有边缘中的伪边缘与间断边缘对优化高阈值和优化低阈值进行更新，以此类推，直至优化高阈值与优化低阈值不再变化得到最优高阈值与最优低阈值；基于最优高阈值与最优低阈值对灰度图像进行Canny算子检测得到多条准确边缘。
基于步骤S200中获取目标边缘上像素点之间相似性相同的方法，获取每条边缘上像素点之间的相似性，判断每条边缘是否为伪边缘，当Canny算子检测出的边缘存在伪边缘时，表明初始高阈值设定过小，对初始高阈值进行更新；统计所有伪边缘上每个像素点在八邻域方向梯度值中的最大梯度值，所有的最大梯度值中的最大梯度为此时的初始高阈值，将更新后的初始高阈值记为优化高阈值。
基于步骤S300中获取目标边缘与其邻近边缘之间近似性相同的方法，获取每条边缘与其邻近边缘之间的近似性，判断每条边缘是否为间断边缘，当Canny算子检测出的边缘存在间断边缘时，表明初始低阈值设定过大，对初始低阈值进行更新；统计所有间断边缘上每个像素点在八邻域方向梯度值中的最小梯度值，所有的最小梯度值中的最小梯度为此时的初始低阈值，将更新后的初始低阈值记为优化低阈值。
基于优化高阈值与优化低阈值再次对灰度图像进行Canny算子检测，对检测出的边缘判断其是否为伪边缘以及间断边缘，当存在伪边缘以及间断边缘时，对优化高阈值以及优化低阈值再次进行更新，以此进行迭代更新，直至优化高阈值与优化低阈值均不再变化时，停止迭代更新，将最终得到的优化高阈值记为最优高阈值，优化低阈值记为最优低阈值；基于最优高阈值与最优低阈值对灰度图像进行Canny算子检测得到灰度图像中所有的边缘记为准确边缘。
步骤S500，根据多条准确边缘得到多个缺陷区域，获取每个缺陷区域的周长、面积、紧凑度、近圆率、平均灰度差异以及平均色调差异构成特征向量，将每个缺陷区域的特征向量输入分类神经网络中得到缺陷类别；根据不同的缺陷类别得到覆膜效果的评估结果。
具体的，由步骤S400获取到灰度图像中的多条准确边缘，根据准确边缘即可得到多个缺陷区域，由于不同的缺陷对铝合板覆膜效果的影响存在差别，因此对每个缺陷区域的缺陷类别进行区分；获取每个缺陷区域的周长与面积，基于缺陷区域的周长与面积得到该缺陷区域的紧凑度为：
Figure DEST_PATH_IMAGE055
其中，
Figure DEST_PATH_IMAGE056
表示缺陷区域的紧凑度；
Figure DEST_PATH_IMAGE057
表示缺陷区域的周长；
Figure DEST_PATH_IMAGE058
表示缺陷区域的面积。
进一步的，获取每个缺陷区域的最大直径，基于最大直径与周长获取该缺陷区域对应的近圆率为：
Figure DEST_PATH_IMAGE059
其中，
Figure DEST_PATH_IMAGE060
表示缺陷区域的近圆率；
Figure 202785DEST_PATH_IMAGE057
表示缺陷区域的周长；
Figure DEST_PATH_IMAGE061
表示缺陷区域的最大直径；
Figure DEST_PATH_IMAGE062
表示圆周率；
Figure DEST_PATH_IMAGE063
表示自然常数。
由于覆膜后铝合板的表面的颜色应该较为均匀，因此获取每个缺陷区域的平均灰度值，根据缺陷区域的平均灰度值与正常区域的平均灰度值之间的差值的绝对值得到每个缺陷区域对应的平均灰度差异；由步骤S100中得到覆膜图像对应的HSV图像，基于HSV图像获取缺陷区域的平均色调值，根据缺陷区域的平均色调值与正常区域的平均色调值之间的差值的绝对值得到每个缺陷区域对应的平均色调差异。
根据每个缺陷区域的周长、面积、紧凑度、近圆率、平均灰度差异以及平均色调差异构建对应的特征向量
Figure DEST_PATH_IMAGE064
，其中
Figure DEST_PATH_IMAGE065
表示缺陷区域的平均灰度差异；
Figure DEST_PATH_IMAGE066
表示缺陷区域的平均色调差异。
由于起皱缺陷的表现形式为周长大，面积小，因此起皱缺陷对应的紧凑度最大；而对于破膜缺陷，其形状具有不确定性，但是破膜缺陷区域与正常区域的灰度值以及色调值存在差异且差异较小，因此设定差异阈值为10，缺陷区域与正常区域的灰度值以及色调值差异小于10，则缺陷区域为破膜缺陷；油污缺陷为不规则的形状，其近圆率小且与正常区域的灰度值以及色调值差异大，因此设定与正常区域的灰度值以及色调值差异大于10，缺陷区域为油污缺陷；气泡缺陷一般为圆形，其表现形式为近圆率大；因此根据每个缺陷区域对应的特征向量可对缺陷区域的类别进行初步划分。
本发明实施例中识别缺陷区域的缺陷类别的方法采用分类神经网络，分类神经网络的输入为缺陷区域的特征向量，输出为缺陷区域的缺陷类别；分类神经网络的训练集是通过人工标注出缺陷类别的覆膜图像，根据覆膜图像中每个缺陷区域的特征向量完成对分类神经网络的训练。
进一步的，获取覆膜后铝合板表面灰度图像的熵，用于表示灰度图像的整体复杂度；首先根据灰度图像构建灰度共生矩阵，为了减少计算量，将灰度范围均分为16个灰度级，即灰度共生矩阵的大小为16*16；基于灰度共生矩阵获取灰度图像对应的熵，灰度共生矩阵的构建以及熵的计算均为现有公知技术，不再赘述。
由于不同的缺陷类别对覆膜效果的影响不同，统计不同的缺陷类别出现的数量，将起皱缺陷的数量记为
Figure 200084DEST_PATH_IMAGE029
、破膜缺陷的数量记为
Figure 246668DEST_PATH_IMAGE030
、油污缺陷的数量记为
Figure 873959DEST_PATH_IMAGE031
以及气泡缺陷的数量记为
Figure 851142DEST_PATH_IMAGE032
；对每个缺陷类别分配权重，基于起皱缺陷的最大长度以及破膜缺陷、油污缺陷和气泡缺陷的面积对铝合板表面的覆膜效果进行评估，铝合板形状一般为规则的矩形，获取灰度图像中铝合板的面积以及最大边长，从而得到评估结果为：
Figure DEST_PATH_IMAGE067
其中，
Figure 824652DEST_PATH_IMAGE028
表示评估结果；
Figure 229089DEST_PATH_IMAGE033
表示起皱缺陷中第
Figure 343675DEST_PATH_IMAGE034
个起皱缺陷的最大长度；
Figure 672019DEST_PATH_IMAGE035
表示铝合板的最大长度；
Figure 188451DEST_PATH_IMAGE036
表示破膜缺陷中第
Figure 763789DEST_PATH_IMAGE037
个破膜缺陷的面积；
Figure 606150DEST_PATH_IMAGE038
表示油污缺陷中的第
Figure 987453DEST_PATH_IMAGE039
个油污缺陷的面积；
Figure 358392DEST_PATH_IMAGE040
表示气泡缺陷中的第
Figure 855363DEST_PATH_IMAGE041
个气泡缺陷的面积；
Figure 678963DEST_PATH_IMAGE042
表示铝合板的面积；
Figure 863956DEST_PATH_IMAGE043
表示起皱缺陷的权重；
Figure 338669DEST_PATH_IMAGE044
表示破膜缺陷的权重；
Figure 255809DEST_PATH_IMAGE045
表示油污缺陷的权重；
Figure 832284DEST_PATH_IMAGE046
表示气泡缺陷的权重；
Figure 306122DEST_PATH_IMAGE047
表示灰度图像的熵；
Figure 386074DEST_PATH_IMAGE029
表示起皱缺陷的数量；
Figure 739694DEST_PATH_IMAGE030
表示破膜缺陷的数量；
Figure 537886DEST_PATH_IMAGE031
表示油污缺陷的数量；
Figure 316880DEST_PATH_IMAGE032
表示气泡缺陷的数量。
作为优选，本发明实施例中设置权重
Figure DEST_PATH_IMAGE068
。
由此获取到该铝合板覆膜后的覆膜效果，评估结果越大，说明铝合板的覆膜效果越好；本发明实施例中设置评估结果
Figure DEST_PATH_IMAGE069
时，表明覆膜效果很差，需要进行返厂重新覆膜；评估效果
Figure DEST_PATH_IMAGE070
时，基于覆膜后表面的缺陷进行相应的修补处理；评估效果
Figure DEST_PATH_IMAGE071
时且覆膜后表面存在破膜缺陷，则需要进行修补后出厂；评估效果
Figure 657862DEST_PATH_IMAGE071
时且覆膜后表面不存在破膜缺陷，则默认达到出厂要求。
综上所述，本发明实施例通过获取覆膜后铝合板表面的覆膜图像进行分析，将覆膜图像转换为相应的灰度图像，基于自定义的初始高阈值与初始低阈值对灰度图像进行Canny算子检测，从而得到多条边缘，通过计算边缘上像素点的相似性以及邻近边缘之间的近似性对初始高阈值以及初始低阈值进行优化，通过不断的迭代得到最终的最优高阈值和最优低阈值，根据最优高阈值和最优低阈值对灰度图像进行Canny算子检测得到多条准确边缘，从而根据准确边缘得到多个缺陷区域，构建每个缺陷区域对应的特征向量，基于特征向量得到每个缺陷区域的缺陷类别，通过缺陷类别对覆膜后的铝合板的覆膜效果进行评估，得到此时的覆膜评估结果。通过更加准确的Canny算子检测的准确边缘得到缺陷区域更加准确，并且基于不同的缺陷类别进行评估结果的分析，得到的结果更加可靠。
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。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 (8)

1.一种基于图像处理的铝合板覆膜效果评估方法，其特征在于，该方法包括以下步骤：
获取覆膜后铝合板表面的覆膜图像，将所述覆膜图像转换为对应的灰度图像；
设定Canny算子检测中的初始高阈值与初始低阈值，基于所述初始高阈值与所述初始低阈值对所述灰度图像进行Canny算子检测得到多条边缘；以任意一条边缘为目标边缘，获取目标边缘上像素点的相似性，所述相似性小于预设阈值时，所述目标边缘为伪边缘；
获取与所述目标边缘距离最近的边缘为邻近边缘，基于邻近边缘与目标边缘之间的灰度差异得到邻近边缘与目标边缘的近似性；所述近似性大于预设阈值时，所述目标边缘与所述邻近边缘为间断边缘；
根据伪边缘上像素点的梯度更新所述初始高阈值为优化高阈值，根据间断边缘上像素点的梯度更新所述初始低阈值为优化低阈值；基于优化高阈值和优化低阈值对所述灰度图像进行Canny算子检测得到多条边缘，基于所有边缘中的伪边缘与间断边缘对所述优化高阈值和所述优化低阈值进行更新，以此类推，直至所述优化高阈值与所述优化低阈值不再变化得到最优高阈值与最优低阈值；基于最优高阈值与最优低阈值对所述灰度图像进行Canny算子检测得到多条准确边缘；
根据多条所述准确边缘得到多个缺陷区域，获取每个缺陷区域的周长、面积、紧凑度、近圆率、平均灰度差异以及平均色调差异构成特征向量，将每个所述缺陷区域的特征向量输入分类神经网络中得到缺陷类别；根据不同的所述缺陷类别得到覆膜效果的评估结果；
其中，所述根据伪边缘上像素点的梯度更新所述初始高阈值为优化高阈值的方法，包括：
根据每个像素点在其八邻域上的梯度分别选取所述伪边缘上每个像素点的最大梯度值，所述伪边缘上所有像素点对应的所述最大梯度值中的最大值为优化高阈值；
所述根据间断边缘上像素点的梯度更新所述初始低阈值为优化低阈值的方法，包括：
根据每个像素点在其八邻域上的梯度分别选取所述间断边缘上每个像素点的最小梯度值，所述间断边缘上所有像素点对应的所述最小梯度值中的最小值为优化低阈值。
2.根据权利要求1所述的一种基于图像处理的铝合板覆膜效果评估方法，其特征在于，所述获取目标边缘上像素点的相似性的方法，包括：
获取目标边缘上每个像素点的梯度特征和角度特征；
根据所述目标边缘上像素点对应的梯度特征、角度特征以及灰度值得到所述目标边缘上像素点的相似性为：
Figure 672503DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示目标边缘上像素点的相似性；
Figure 277928DEST_PATH_IMAGE004
表示目标边缘上第
Figure DEST_PATH_IMAGE005
个像素点对应的角度特征；
Figure 667845DEST_PATH_IMAGE006
表示目标边缘上第
Figure DEST_PATH_IMAGE007
个像素点对应的角度特征；
Figure 769531DEST_PATH_IMAGE008
表示目标边缘上第
Figure 399227DEST_PATH_IMAGE005
个像素点的灰度值；
Figure DEST_PATH_IMAGE009
表示目标边缘上第
Figure 840966DEST_PATH_IMAGE007
个像素点的灰度值；
Figure 911821DEST_PATH_IMAGE010
表示目标边缘上第
Figure 715567DEST_PATH_IMAGE005
个像素点对应的梯度特征；
Figure DEST_PATH_IMAGE011
表示目标边缘上第
Figure 160455DEST_PATH_IMAGE007
个像素点的梯度特征；
Figure 281251DEST_PATH_IMAGE012
表示指数函数运算；
Figure DEST_PATH_IMAGE013
表示目标边缘上所有像素点的数量。
3.根据权利要求2所述的一种基于图像处理的铝合板覆膜效果评估方法，其特征在于，所述获取目标边缘上每个像素点的梯度特征和角度特征的方法，包括：
获取所述目标边缘上任意像素点在其八邻域方向上的梯度值，选取八邻域方向上的最大梯度值与最小梯度值，所述最大梯度值与所述最小梯度值之间差值的绝对值为所述像素点的梯度特征；
获取所述像素点在八邻域方向上最大梯度值对应的方向向量与最小梯度值对应的方向向量，根据最大梯度值对应的方向向量与最小梯度值对应的方向向量得到所述像素点的角度特征为：
Figure DEST_PATH_IMAGE015
其中，
Figure 65667DEST_PATH_IMAGE016
表示像素点对应的角度特征；
Figure DEST_PATH_IMAGE017
表示像素点在八邻域方向梯度值中的最大梯度值对应的方向向量；
Figure 952897DEST_PATH_IMAGE018
表示像素点在八邻域方向梯度值中的最小梯度值对应的方向向量；
Figure DEST_PATH_IMAGE019
表示向量的模长运算。
4.根据权利要求1所述的一种基于图像处理的铝合板覆膜效果评估方法，其特征在于，所述基于邻近边缘与目标边缘之间的灰度差异得到邻近边缘与目标边缘的近似性的方法，包括：
获取所述目标边缘上像素点的灰度均值以及所述邻近边缘上像素点的灰度均值；所述目标边缘与所述邻近边缘的近似性为：
Figure DEST_PATH_IMAGE021
其中，
Figure 511179DEST_PATH_IMAGE022
表示目标边缘与邻近边缘之间的近似性；
Figure 839261DEST_PATH_IMAGE008
表示目标边缘上第
Figure 58278DEST_PATH_IMAGE005
个像素点的灰度值；
Figure DEST_PATH_IMAGE023
表示邻近边缘上第
Figure 128127DEST_PATH_IMAGE024
个像素点的灰度值；
Figure DEST_PATH_IMAGE025
表示目标边缘
Figure 467315DEST_PATH_IMAGE026
上的灰度均值；
Figure DEST_PATH_IMAGE027
表示邻近边缘
Figure 710340DEST_PATH_IMAGE028
上的灰度均值；
Figure 407032DEST_PATH_IMAGE013
表示目标边缘
Figure 287263DEST_PATH_IMAGE026
上像素点的数量；
Figure DEST_PATH_IMAGE029
表示邻近边缘
Figure 787515DEST_PATH_IMAGE028
上像素点的数量。
5.根据权利要求1所述的一种基于图像处理的铝合板覆膜效果评估方法，其特征在于，所述获取每个缺陷区域的紧凑度的方法，包括：
获取每个缺陷区域的周长的平方值，所述缺陷区域的周长的平方值与所述缺陷区域的面积的比值为所述缺陷区域的紧凑度。
6.根据权利要求1所述的一种基于图像处理的铝合板覆膜效果评估方法，其特征在于，所述获取每个缺陷区域的近圆率的方法，包括：
获取每个缺陷区域对应的最大直径，基于所述缺陷区域的最大直径和周长获取所述缺陷区域的近圆率。
7.根据权利要求1所述的一种基于图像处理的铝合板覆膜效果评估方法，其特征在于，所述获取每个缺陷区域的平均灰度差异以及平均色调差异的方法，包括：
获取所述覆膜图像对应的HSV图像，基于所述HSV图像获取每个缺陷区域的平均色调值以及正常区域的平均色调值，根据缺陷区域的平均色调值与正常区域的平均色调值之间的差值的绝对值得到每个缺陷区域对应的平均色调差异；
获取每个缺陷区域的平均灰度值以及正常区域的平均灰度值，根据缺陷区域的平均灰度值与正常区域的平均灰度值之间的差值的绝对值得到每个缺陷区域对应的平均灰度差异。
8.根据权利要求1所述的一种基于图像处理的铝合板覆膜效果评估方法，其特征在于，所述根据不同的所述缺陷类别得到覆膜效果的评估结果的方法，包括：
所述缺陷类别包括起皱缺陷、破膜缺陷、油污缺陷以及气泡缺陷，对不同的所述缺陷类别分配权重；
获取所述灰度图像的熵、铝合板的面积以及铝合板的最大长度；基于所述熵、铝合板的面积、铝合板的最大长度以及不同权重下的缺陷类别获取评估结果为：
Figure DEST_PATH_IMAGE031
其中，
Figure 644350DEST_PATH_IMAGE032
表示评估结果；
Figure DEST_PATH_IMAGE033
表示起皱缺陷的数量；
Figure 398810DEST_PATH_IMAGE034
表示破膜缺陷的数量；
Figure DEST_PATH_IMAGE035
表示油污缺陷的数量；
Figure 308998DEST_PATH_IMAGE036
表示气泡缺陷的数量；
Figure DEST_PATH_IMAGE037
表示起皱缺陷中第
Figure 283163DEST_PATH_IMAGE038
个起皱缺陷的最大长度；
Figure DEST_PATH_IMAGE039
表示铝合板的最大长度；
Figure 569788DEST_PATH_IMAGE040
表示破膜缺陷中第
Figure DEST_PATH_IMAGE041
个破膜缺陷的面积；
Figure 568968DEST_PATH_IMAGE042
表示油污缺陷中的第
Figure DEST_PATH_IMAGE043
个油污缺陷的面积；
Figure 164903DEST_PATH_IMAGE044
表示气泡缺陷中的第
Figure DEST_PATH_IMAGE045
个气泡缺陷的面积；
Figure 108589DEST_PATH_IMAGE046
表示铝合板的面积；
Figure DEST_PATH_IMAGE047
表示起皱缺陷的权重；
Figure 949637DEST_PATH_IMAGE048
表示破膜缺陷的权重；
Figure DEST_PATH_IMAGE049
表示油污缺陷的权重；
Figure 927957DEST_PATH_IMAGE050
表示气泡缺陷的权重；
Figure DEST_PATH_IMAGE051
表示灰度图像的熵。
CN202210785370.5A 2022-07-06 2022-07-06 一种基于图像处理的铝合板覆膜效果评估方法 Active CN114862849B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210785370.5A CN114862849B (zh) 2022-07-06 2022-07-06 一种基于图像处理的铝合板覆膜效果评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210785370.5A CN114862849B (zh) 2022-07-06 2022-07-06 一种基于图像处理的铝合板覆膜效果评估方法

Publications (2)

Publication Number Publication Date
CN114862849A CN114862849A (zh) 2022-08-05
CN114862849B true CN114862849B (zh) 2022-09-20

Family

ID=82626796

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210785370.5A Active CN114862849B (zh) 2022-07-06 2022-07-06 一种基于图像处理的铝合板覆膜效果评估方法

Country Status (1)

Country Link
CN (1) CN114862849B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082462B (zh) * 2022-08-22 2022-11-08 山东海鑫达石油机械有限公司 一种流体输送管外观质量检测方法及系统
CN115082485B (zh) * 2022-08-23 2023-08-29 广东欧达雅包装制品有限公司 一种注塑制品表面气泡缺陷检测方法及系统
CN115272341B (zh) * 2022-09-29 2022-12-27 华联机械集团有限公司 一种基于机器视觉的包装机缺陷产品检测方法
CN115272346A (zh) * 2022-09-30 2022-11-01 江苏炜盛光电科技有限公司 一种基于边缘检测的pcb板生产过程在线检测方法
CN115311290A (zh) * 2022-10-12 2022-11-08 南通市通州区精华电器有限公司 一种精密仪器金属零部件缺陷检测方法
CN115311287B (zh) * 2022-10-12 2023-04-07 南通欧通石油设备有限公司 一种共轨喷油器生产异常检测方法
CN115578462B (zh) * 2022-11-18 2023-03-07 深圳市全正科技有限公司 应用于显示屏光学薄膜自动对贴的机器视觉定位控制系统
CN116883415B (zh) * 2023-09-08 2024-01-05 东莞市旺佳五金制品有限公司 基于图像数据的薄壁锌合金压铸件质量检测方法
CN116958134B (zh) * 2023-09-19 2023-12-19 青岛伟东包装有限公司 基于图像处理的塑料膜挤出质量评估方法
CN117291916B (zh) * 2023-11-24 2024-02-02 深圳市润海电子有限公司 基于机器视觉的聚酰亚胺薄膜表面检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108109155A (zh) * 2017-11-28 2018-06-01 东北林业大学 一种基于改进Canny的自动阈值边缘检测方法
CN111242923A (zh) * 2020-01-13 2020-06-05 国网湖北省电力有限公司宜昌供电公司 基于Canny算子的最大熵阈值优化的绝缘子裂纹检测方法
CN112070717A (zh) * 2020-08-05 2020-12-11 三峡大学 基于图像处理的输电线路覆冰厚度检测方法
CN113870235A (zh) * 2021-10-08 2021-12-31 福州大学 基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102236784A (zh) * 2010-05-07 2011-11-09 株式会社理光 屏幕区域检测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108109155A (zh) * 2017-11-28 2018-06-01 东北林业大学 一种基于改进Canny的自动阈值边缘检测方法
CN111242923A (zh) * 2020-01-13 2020-06-05 国网湖北省电力有限公司宜昌供电公司 基于Canny算子的最大熵阈值优化的绝缘子裂纹检测方法
CN112070717A (zh) * 2020-08-05 2020-12-11 三峡大学 基于图像处理的输电线路覆冰厚度检测方法
CN113870235A (zh) * 2021-10-08 2021-12-31 福州大学 基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《An Adaptive Edge Detection Algorithm Based on Improved Canny》;Aolei Yang 等;《Advanced Computational Methods in Life System Modeling and Simulation》;20170825;全文 *
《Canny边缘检测（高斯滤波，计算图像的梯度和梯度方向，非极大值抑制NMS，双阈值筛选边缘）》;kww_;《https://blog.csdn.net/qq_40243295/article/details/104391755》;20200308;全文 *
改进的Canny算法在直焊缝图像缺陷边缘检测中的应用;郝利华等;《火力与指挥控制》;20170715(第07期);全文 *

Also Published As

Publication number Publication date
CN114862849A (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
CN114862849B (zh) 一种基于图像处理的铝合板覆膜效果评估方法
CN114842017B (zh) 一种hdmi线缆表面质量检测方法及系统
CN114529549B (zh) 一种基于机器视觉的布匹缺陷标注方法及系统
CN114372983B (zh) 一种基于图像处理的屏蔽盒涂装质量检测方法及系统
CN113963042B (zh) 基于图像处理的金属零件缺陷程度评估方法
CN114998323B (zh) 基于注意力机制的螺纹钢异常判定方法
CN116542972B (zh) 基于人工智能的墙板表面缺陷快速检测方法
CN111192273A (zh) 一种基于计算机视觉技术的数字化喷丸覆盖率测量方法
CN114897864A (zh) 基于数模信息的工件检测及缺陷判断方法
CN115170567B (zh) 一种船舶用的防水钢板缺陷检测方法
CN111161260A (zh) 一种基于深度学习的热轧带钢表面缺陷检测方法及装置
CN115018835B (zh) 一种汽车起动机齿轮检测方法
CN110659675A (zh) 一种基于AdaBoost算法的焊缝缺陷检测方法
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
CN116152242B (zh) 一种篮球用天然皮革缺陷可视化检测系统
CN110992314A (zh) 一种路面缺陷检测方法、装置及存储介质
CN114202532A (zh) 一种喷涂缺陷的检测方法、装置、设备及存储介质
CN113313107A (zh) 一种斜拉桥缆索表面多类型病害智能检测和识别方法
CN115953409A (zh) 基于图像处理的注塑件表面缺陷检测方法
CN115131356A (zh) 一种基于丰富度的钢板缺陷分类方法
CN117011292A (zh) 一种复合板表面质量快速检测方法
CN117237350B (zh) 一种铸钢件质量实时检测方法
CN117152129B (zh) 一种电池盖板的表面缺陷视觉检测方法及系统
JP2002090308A (ja) 画像処理を用いた鋼材表面の劣化度評価システム
CN114820597B (zh) 一种基于人工智能的冶炼品缺陷检测方法、装置及系统

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Method for Evaluating the Coating Effect of Aluminum Composite Plate Based on Image Processing

Effective date of registration: 20230829

Granted publication date: 20220920

Pledgee: Laishang bank Limited by Share Ltd. Liaocheng science and Technology Branch

Pledgor: Shandong Zhiling New Material Co.,Ltd.

Registration number: Y2023980054401

PE01 Entry into force of the registration of the contract for pledge of patent right