CN114881961A - 一种玻璃纤维板裂纹检测方法及设备 - Google Patents
一种玻璃纤维板裂纹检测方法及设备 Download PDFInfo
- Publication number
- CN114881961A CN114881961A CN202210475978.8A CN202210475978A CN114881961A CN 114881961 A CN114881961 A CN 114881961A CN 202210475978 A CN202210475978 A CN 202210475978A CN 114881961 A CN114881961 A CN 114881961A
- Authority
- CN
- China
- Prior art keywords
- crack
- pixel point
- glass fiber
- visible light
- light surface
- 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.)
- Pending
Links
- 239000003365 glass fiber Substances 0.000 title claims abstract description 133
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000005457 optimization Methods 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 239000011152 fibreglass Substances 0.000 claims 2
- 239000000463 material Substances 0.000 abstract description 8
- 230000007547 defect Effects 0.000 abstract description 6
- 238000012360 testing method Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000004154 testing of material Methods 0.000 abstract description 4
- 230000003287 optical effect Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000011521 glass Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 239000012774 insulation material Substances 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 239000010425 asbestos Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000001746 injection moulding 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
- 238000010606 normalization Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 229910052895 riebeckite Inorganic materials 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000009423 ventilation 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及材料测试与分析技术领域,具体涉及一种玻璃纤维板裂纹检测方法及设备,具体是通过利用光学手段采集待检测玻璃纤维板的可见光表面图像,进而获取预处理后的可见光表面图像,基于该预处理后的可见光表面图像来测试或分析材料,测试预处理后的可见光表面图像中存在的各个裂纹缺陷,从而确定待检测玻璃纤维板的裂纹信息,所述裂纹信息:待检测玻璃纤维板是否存在裂纹区域以及各个初始的裂纹区域。本发明通过对待检测玻璃纤维板的可见光表面图像进行材料测试和分析,从而确定待检测玻璃纤维板的裂纹信息,有效提高了玻璃纤维板裂纹检测的检测准确性,可用于实现新材料检测、计量、相关标准化、认证认可服务等。
Description
技术领域
本发明涉及材料测试与分析技术领域,具体涉及一种玻璃纤维板裂纹检测方法及设备。
背景技术
玻璃纤维板又称为玻璃纤维隔热板,玻纤板,玻璃纤维合成板等,由玻璃纤维材料和高耐热性的复合材料合成,不含对人体有害石棉成份,具有较高的机械性能和介电性能,较好的耐热性和耐潮性,有良好的加工性。玻璃纤维板不仅可用于塑胶模具、注塑模具、机械制造、成型机、钻孔机、注塑机、电机、台面研磨垫板等,还可用于空调房间墙面、通风沟道、沟壁作保温材料以及广播录音室双层墙作隔声、保温材料等。当玻璃纤维板表面出现裂纹缺陷时,将会导致玻璃纤维板的隔音、保温等效果降低。因此,检测玻璃纤维板表面的裂纹缺陷是保证玻璃纤维板使用效果的关键环节。
现有技术中公开号为CN114359195A的专利文件公开了一种玻璃幕墙裂纹检测方法,具体是采集玻璃幕墙图像,并将其转化成灰度图像,基于改进的ULBP(Uniform LocalBinary Pattern,均匀局部二进制模式)描述子,计算灰度图像的第一特征,对灰度图像的第一特征进行降维,得到宏特征,将宏特征输入分类器,通过分类器检测玻璃幕墙图像是否存在裂纹。该检测方法中的ULBP描述子无法准确地检测出深度浅、强度弱的裂纹像素点,容易造成裂纹误检现象。另外,该检测方法通过分类器进行裂纹判断识别,分类器识别裂纹的过程较为繁杂,需要大量的数据样本,且分类器识别裂纹存在较高的训练精度要求,很难准确地识别出图像特征不明显的弱裂纹。因此,该检测方法的裂纹检测准确性较低。
发明内容
为了解决上述现有裂纹检测准确性较低的问题,本发明的目的在于提供一种玻璃纤维板裂纹检测方法及设备。
本发明提供了一种玻璃纤维板裂纹检测方法,包括以下步骤:
获取待检测玻璃纤维板的可见光表面图像,并对可见光表面图像进行预处理,进而得到预处理后的可见光表面图像中的各个像素点对应的第一特征值和第二特征值;
根据各个像素点对应的第一特征值和第二特征值,确定预处理后的可见光表面图像中的各个像素点对应的线状特征值;
根据各个像素点对应的第一特征值、第二特征值以及灰度值,确定预处理后的可见光表面图像中的各个像素点对应的优化因子;
根据各个像素点对应的第一特征值、第二特征值、线状特征值以及优化因子,确定预处理后的可见光表面图像中的各个像素点对应的线状判定指标值;
根据预处理后的可见光表面图像中的各个像素点对应的线状判定指标值,确定待检测玻璃纤维板的特征增强显著图像,进而确定待检测玻璃纤维板的裂纹信息,所述裂纹信息:待检测玻璃纤维板是否存在裂纹区域以及待检测玻璃纤维板的各个初始的裂纹区域。
进一步的,还包括:
获取待检测玻璃纤维板的各个初始的裂纹区域中的各裂纹边缘像素点对应的第一相关像素点和第二相关像素点,根据各个初始的裂纹区域中的各裂纹边缘像素点及其对应的第一相关像素点和第二相关像素点对应的线状判定指标值,确定各个初始的裂纹区域中的每个裂纹边缘像素点对应的裂纹判定系数;
根据各个初始的裂纹区域中的每个裂纹边缘像素点对应的裂纹判定系数,确定待检测玻璃纤维板的各个最终的裂纹区域。
进一步的,确定预处理后的可见光表面图像中的各个像素点对应的线状特征值的计算公式为:
其中,为预处理后的可见光表面图像中的第i个像素点对应的线状特征值,λ1(i)为预处理后的可见光表面图像中的第i个像素点对应的第一特征值,λ2(i)为预处理后的可见光表面图像中的第i个像素点对应的第二特征值。
进一步的,确定预处理后的可见光表面图像中的各个像素点对应的优化因子的计算公式为:
其中,τi为预处理后的可见光表面图像中的第i个像素点对应的优化因子,ci为预处理后的可见光表面图像中的第i个像素点及其八邻域像素点的灰度方差值,λ1(i)为预处理后的可见光表面图像中的第i个像素点对应的第一特征值,λ2(i)为预处理后的可见光表面图像中的第i个像素点对应的第二特征值,k为超参数。
进一步的,确定预处理后的可见光表面图像中的各个像素点对应的线状判定指标值的计算公式为:
其中,γi为预处理后的可见光表面图像中的第i个像素点对应的线状判定指标值,λ1(i)为预处理后的可见光表面图像中的第i个像素点对应的第一特征值,λ2(i)为预处理后的可见光表面图像中的第i个像素点对应的第二特征值,τi为预处理后的可见光表面图像中的第i个像素点对应的优化因子,为预处理后的可见光表面图像中的第i个像素点对应的线状特征值,为预设线状特征值阈值。
进一步的,进而确定待检测玻璃纤维板的裂纹信息的步骤包括:
根据待检测玻璃纤维板的特征增强显著图像中的各个像素点的位置和各个像素点对应的线状判定指标值,对特征增强显著图像中的各个像素点进行聚类,从而得到特征增强显著图像的M个聚类区域;
若特征增强显著图像的聚类区域数目M等于1,则判定待检测玻璃纤维板不存在裂纹区域,若特征增强显著图像的聚类区域数目M大于1,则判定待检测玻璃纤维板存在裂纹区域,并根据特征增强显著图像的M个聚类区域对应的线状判定指标值的均值,从M个聚类区域中选取较大的M-1个线状判定指标值的均值对应的聚类区域,将该M-1个聚类区域作为待检测玻璃纤维板的各个初始的裂纹区域。
进一步的,确定待检测玻璃纤维板的各个最终的裂纹区域的步骤包括:
根据各个初始的裂纹区域中的每个裂纹边缘像素点对应的裂纹判定系数,确定各个初始的裂纹区域中的各第一真裂纹边缘像素点和各伪裂纹边缘像素点;
获取各个初始的裂纹区域中的各伪裂纹边缘像素点对应的N个第一相关像素点和N个第二相关像素点,根据各个初始的裂纹区域中的各伪裂纹边缘像素点及其对应的N个第一相关像素点和N个第二相关像素点对应的裂纹判定系数,从每个伪裂纹边缘像素点和每个伪裂纹边缘像素点对应的N个第一相关像素点和N个第二相关像素点中选取最大裂纹判定系数对应的像素点,并将最大裂纹判定系数对应的像素点作为第二真裂纹边缘像素点;
根据各个初始的裂纹区域中的各第一真裂纹边缘像素点和各第二真裂纹边缘像素点,确定待检测玻璃纤维板的各个最终的裂纹区域。
进一步的,确定各个初始的裂纹区域中的每个裂纹边缘像素点对应的裂纹判定系数的计算公式为:
其中,ωi为各个初始的裂纹区域中的第i个裂纹边缘像素点对应的裂纹判定系数,γi,a为各个初始的裂纹区域中的第i个裂纹边缘像素点对应的第一相关像素点对应的线状判定指标值,γi,b为各个初始的裂纹区域中的第i个裂纹边缘像素点对应的第二相关像素点对应的线状判定指标值,γi为各个初始的裂纹区域中的第i个裂纹边缘像素点对应的线状判定指标值。
进一步的,获取各个初始的裂纹区域的各裂纹边缘像素点对应的第一相关像素点和第二相关像素点的步骤包括:
根据各个初始的裂纹区域的各裂纹边缘像素点,确定各个初始的裂纹区域的各裂纹边缘像素点的切线;
根据各个初始的裂纹区域的各裂纹边缘像素点的切线,从各裂纹边缘像素点的切线的垂直方向的两边各取一个相邻像素点,将两个相邻像素点中的一个相邻像素点作为第一相关像素点,并将两个相邻像素点中的另一个相邻像素点作为第二相关像素点。
本发明还提供了一种玻璃纤维板裂纹检测设备,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令,以实现一种玻璃纤维板裂纹检测方法。
本发明具有如下有益效果:
本发明提供了一种玻璃纤维板裂纹检测方法及设备,可用于实现新材料检测、计量及相关标准化等,具体通过可见光获取待检测玻璃纤维板的可见光表面图像,对该可见光表面图像进行材料测试和分析,具体是根据待检测玻璃纤维板的可见光表面图像,确定预处理后的可见光表面图像中的各个像素点对应的第一特征值和第二特征值,进而确定各个像素点对应的线状特征值和优化因子,从而确定各个像素点对应的线状判定指标值。根据各个像素点对应的线状判定指标值,得到待检测玻璃纤维板的特征增强显著图像,进而确定待检测玻璃纤维板的裂纹信息。若待检测玻璃纤维板中存在裂纹,则对待检测玻璃纤维板中的各个初始的裂纹区域进行修正,从而得到待检测玻璃纤维板中各个最终准确的裂纹区域。
本发明主要通过材料测试和分析技术测试玻璃纤维板表面中的裂纹缺陷的存在,可准确确定玻璃纤维板表面中的裂纹区域,解决了玻璃裂纹检测不准确的问题,提高了玻璃纤维板裂纹检测的准确性,可用于实现新材料检测、计量等。
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为本发明实施例中的一种玻璃纤维板裂纹检测方法的流程图。
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。
本实施例提供了一种玻璃纤维板裂纹检测方法,如图1所示,该方法包括以下步骤:
(1)获取待检测玻璃纤维板的可见光表面图像,并对可见光表面图像进行预处理,进而得到预处理后的可见光表面图像中的各个像素点对应的第一特征值和第二特征值。
(1-1)获取待检测玻璃纤维板的可见光表面图像。
在本实施例中,根据待检测玻璃纤维板,利用图像采集设备对放置在检测台上的待检测玻璃纤维板进行拍摄,从而获得待检测玻璃纤维板的可见光表面图像,该可见光表面图像可用于对待检测玻璃纤维板进行裂纹缺陷检测。图像采集设备包括相机、光源、检测台等,实施者可根据实际情况自行设置,本实施例将相机摄像头放置于待检测玻璃纤维板的正上方,通过摄像头的俯视角度能够采集到待检测玻璃纤维板表面的正视图像。
(1-2)根据待检测玻璃纤维板的可见光表面图像,对可见光表面图像进行预处理。
为了消除待检测玻璃纤维板的可见光表面图像中的噪声对可见光表面图像的影响,本实施例通过中值滤波算法对该可见光表面图像进行去噪处理,同时为了实现待检测玻璃纤维板的可见光表面图像的亮度均衡化,本实施例采用直方图均衡化对可见光表面图像进行均衡化处理。由此,本实施例得到了预处理后的待检测玻璃纤维板的可见光表面图像,预处理后的待检测玻璃纤维板的可见光表面图像可用于后续对待检测玻璃纤维板进行裂纹检测。中值滤波算法和直方图均衡化对可见光表面图像进行处理的过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
(1-3)根据预处理后的可见光表面图像,得到预处理后的可见光表面图像中的各个像素点对应的第一特征值和第二特征值。
需要说明的是,考虑到玻璃纤维板表面的裂纹区域存在对比度较低的特征,本实施例将确定预处理后的可见光表面图像中的各个像素点对应的第一特征值和第二特征值,用于后续构建裂纹显著模型,也就是用于后续确定线状判定指标值,通过线状判定指标值能够凸显玻璃纤维板表面的裂纹缺陷,增强玻璃纤维板表面的裂纹区域的对比度。确定像素点的特征值的方法有很多,此处不再一一进行描述,本实施例通过二维高斯模型确定像素点的特征值,其确定步骤包括:
(1-3-1)在本实施例中,先建立二维高斯模型,二维高斯模型为:其中,f为二维高斯模型,σ为二维高斯模型的尺度因子,x为二维高斯模型中的像素点的像素横坐标,y为二维高斯模型中的像素点的像素纵坐标。建立二维高斯模型的过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
(1-3-2)然后,通过建立好的二维高斯模型对预处理后的可见光表面图像中的各个像素点进行卷积处理,从而得到预处理后的可见光表面图像中的各个像素点对应的海森矩阵,海森矩阵为:其中,v为预处理后的可见光表面图像中的各个像素点对应的海森矩阵,fxx、fxy、fyx、fyy分别为预处理后的可见光表面图像中的各个像素点在各方向上的二阶偏导数,也就是二维高斯模型在预处理后的可见光表面图像中的各个像素点处的卷积响应,其中,σ为二维高斯模型的尺度因子,x为预处理后的可见光表面图像中像素点的像素横坐标,y为预处理后的可见光表面图像中像素点的像素纵坐标。
(1-3-3)最终,根据预处理后的可见光表面图像中的各个像素点在各方向上的二阶偏导数,即fxx、fxy、fyx、fyy,获得预处理后的可见光表面图像中的各个像素点对应的两个特征值,本实施例将两个特征值中的一个特征值称为第一特征值,记为λ1,将两个特征值中的另一个特征值称为第二特征值,记为λ2,其中,
(2)根据各个像素点对应的第一特征值和第二特征值,确定预处理后的可见光表面图像中的各个像素点对应的线状特征值。
需要说明的是,根据先验知识可知,玻璃纤维板表面的裂纹区域的结构多为形态不一的线性结构,本实施例根据玻璃纤维板表面的裂纹区域内的像素点的特征信息,也就是根据线性结构内的像素点的特征信息,对预处理后可见光表面图像中像素点进行分析,以便于后续对待检测玻璃纤维板表面的裂纹区域的特征信息进行增强处理,也就是便于后续确定待检测玻璃纤维板对应的特征显著图像。
本实施例基于像素点的特征值的先验知识,计算预处理后的可见光表面图像中的各个像素点对应的线状特征值,以计算预处理后的可见光表面图像中的第i个像素点对应的线状特征值为例,根据第i个像素点对应的第一特征值和第二特征值,确定预处理后的可见光表面图像中的第i个像素点对应的线状特征值,线状特征值是指像素点不为线性结构内的像素点的可能性,也就是像素点不为裂纹区域内的像素点的可能性,其计算公式为:
其中,为预处理后的可见光表面图像中的第i个像素点对应的线状特征值,λ1(i)为预处理后的可见光表面图像中的第i个像素点对应的第一特征值,λ2(i)为预处理后的可见光表面图像中的第i个像素点对应的第二特征值。
参考预处理后的可见光表面图像中的第i个像素点对应的线状特征值的计算过程,可得到预处理后的可见光表面图像中的各个像素点对应的线状特征值。需要说明的是,当某个像素点对应的第一特征值λ1越大,该像素点对应的第二特征值λ2越小时,该像素点对应的线状特征值越小,那么该像素点为玻璃纤维板表面的裂纹区域中的像素点的可能性就越大。
(3)根据各个像素点对应的第一特征值、第二特征值以及灰度值,确定预处理后的可见光表面图像中的各个像素点对应的优化因子。
需要说明的是,对于不存在裂纹区域的玻璃纤维板的表面图像,该表面图像中的各个像素灰度分布比较均匀,由于该表面图像中的各个像素灰度分布比较均匀,各个像素点在各个方向的曲率变化较小。由于各个像素点在各个方向的曲率变化较小,各个像素点对应的海森矩阵中的元素值就较小,进而各个像素点对应的第一特征值和第二特征值也会比较小。因此,本实施例将基于预处理后的可见光表面图像中的各个像素点的像素灰度分布及变化状况,对后续确定的线状判定指标值进行优化。
本实施例以计算预处理后的可见光表面图像中的第i个像素点对应的优化因子为例,根据第i个像素点对应的第一特征值、第二特征值以及灰度值,计算预处理后的可见光表面图像中的第i个像素点对应的优化因子,其计算公式为:
其中,τi为预处理后的可见光表面图像中的第i个像素点对应的优化因子,ci为预处理后的可见光表面图像中的第i个像素点及其八邻域像素点的灰度方差值,λ1(i)为预处理后的可见光表面图像中的第i个像素点对应的第一特征值,λ2(i)为预处理后的可见光表面图像中的第i个像素点对应的第二特征值,k为超参数。
参考预处理后的可见光表面图像中的第i个像素点对应的优化因子的计算过程,可得到预处理后的可见光表面图像中的各个像素点对应的优化因子。需要说明的是,优化因子能够增强玻璃纤维板表面的裂纹区域与背景区域的对比度,也就是可以增强裂纹区域的裂纹特征,并且能够抑制背景区域对玻璃纤维板裂纹检测的影响,进而提高玻璃纤维板裂纹检测的准确性。
(4)根据各个像素点对应的第一特征值、第二特征值、线状特征值以及优化因子,确定预处理后的可见光表面图像中的各个像素点对应的线状判定指标值。
在本实施例中,以计算预处理后的可见光表面图像中的第i个像素点对应的线状判定指标值为例,根据第i个像素点对应的第一特征值、第二特征值、线状特征值以及优化因子,计算预处理后的可见光表面图像中的第i个像素点对应的线状判定指标值,其计算公式为:
其中,γi为预处理后的可见光表面图像中的第i个像素点对应的线状判定指标值,λ1(i)为预处理后的可见光表面图像中的第i个像素点对应的第一特征值,λ2(i)为预处理后的可见光表面图像中的第i个像素点对应的第二特征值,τi为预处理后的可见光表面图像中的第i个像素点对应的优化因子,为预处理后的可见光表面图像中的第i个像素点对应的线状特征值,为预设线状特征值阈值,本实施例将预设线状特征值阈值设置为0.05。
参考预处理后的可见光表面图像中的第i个像素点对应的线状判定指标值,可以得到预处理后的可见光表面图像中的各个像素点对应的线状判定指标值,线状判定指标值是指增强预处理后的可见光表面图像中的各个像素点的特征信息后的指标值。
需要说明的是,为了便于后续对待检测玻璃纤维板中的裂纹区域进行直观检测识别,本实施例对预处理后的可见光表面图像中的各个像素点对应的线状判定指标值进行归一化处理,保证各个像素点对应的线状判定指标值均处于[0,1]。
(5)根据预处理后的可见光表面图像中的各个像素点对应的线状判定指标值,确定待检测玻璃纤维板的特征增强显著图像,进而确定待检测玻璃纤维板的裂纹信息,所述裂纹信息:待检测玻璃纤维板是否存在裂纹区域以及待检测玻璃纤维板的各个初始的裂纹区域。
在本实施例中,首先,根据步骤(4)得到的预处理后的可见光表面图像中的各个像素点对应的线状判定指标值,确定待检测玻璃纤维板的特征增强显著图像,特征增强显著图像的各个像素点的像素值为线状判定指标值,该特征增强显著图像增强了待检测玻璃纤维板中裂纹区域的裂纹特征信息,以便于后续对待检测玻璃纤维板表面的裂纹状况进行全面准确的检测。
然后,根据待检测玻璃纤维板的特征增强显著图像,确定待检测玻璃纤维板的裂纹信息,所述裂纹信息:待检测玻璃纤维板是否存在裂纹区域以及待检测玻璃纤维板的各个初始的裂纹区域,其步骤包括:
(5-1)根据待检测玻璃纤维板的特征增强显著图像中的各个像素点的位置和各个像素点对应的线状判定指标值,对特征增强显著图像中的各个像素点进行聚类,从而得到特征增强显著图像的M个聚类区域。
在本实施例中,根据待检测玻璃纤维板的特征增强显著图像中的各个像素点的位置和各个像素点对应的线状判定指标值,采用DBSCAN算法对待检测玻璃纤维板的特征增强显著图像中的各个像素点进行聚类分析,从而得到特征增强显著图像的M个聚类区域。DBSCAN算法对特征增强显著图像进行聚类的过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
(5-2)若特征增强显著图像的聚类区域数目M等于1,则判定待检测玻璃纤维板不存在裂纹区域,若特征增强显著图像的聚类区域数目M大于1,则判定待检测玻璃纤维板存在裂纹区域,并根据特征增强显著图像的M个聚类区域对应的线状判定指标值的均值,从M个聚类区域中选取较大的M-1个线状判定指标值的均值对应的聚类区域,将该M-1个聚类区域作为待检测玻璃纤维板的各个初始的裂纹区域。
(6)若待检测玻璃纤维板存在裂纹区域,确定待检测玻璃纤维板的各个最终的裂纹区域。
若待检测玻璃纤维板存在裂纹区域,本实施例考虑到在对特征增强显著图像进行裂纹区域划分时,对于裂纹边缘较浅强度较弱的状况,会存在裂纹区域划分不准确的问题。因此,本实施例对待检测玻璃纤维板的各个初始的裂纹区域进行修正,以提高各个裂纹区域识别的准确性,根据待检测玻璃纤维板的各个初始的裂纹区域,可确定待检测玻璃纤维板的各个最终的裂纹区域,其确定步骤包括:
(6-1)获取待检测玻璃纤维板的各个初始的裂纹区域中的各裂纹边缘像素点对应的第一相关像素点和第二相关像素点,根据各个初始的裂纹区域中的各裂纹边缘像素点及其对应的第一相关像素点和第二相关像素点对应的线状判定指标值,确定各个初始的裂纹区域中的每个裂纹边缘像素点对应的裂纹判定系数。
需要说明的是,对于特征显著图像中的真实裂纹区域,真实裂纹区域的各个裂纹像素点的像素值与背景区域内的像素点的像素值相差较大,基于此,确定各个初始的裂纹区域中的每个裂纹边缘像素点对应的裂纹判定系数,根据各个初始的裂纹区域中的每个裂纹边缘像素点对应的裂纹判定系数,对各个初始的裂纹区域进行修正,从而提高最终确定的裂纹区域的准确性,确定各个初始的裂纹区域中的每个裂纹边缘像素点对应的裂纹判定系数的步骤包括:
(6-1-1)获取各个初始的裂纹区域的各裂纹边缘像素点对应的第一相关像素点和第二相关像素点的步骤包括:
a.根据各个初始的裂纹区域的各裂纹边缘像素点,确定各个初始的裂纹区域的各裂纹边缘像素点的切线。
b.根据各个初始的裂纹区域的各裂纹边缘像素点的切线,从各裂纹边缘像素点的切线的垂直方向的两边各取一个相邻像素点,将两个相邻像素点中的一个相邻像素点作为第一相关像素点,并将两个相邻像素点中的另一个相邻像素点作为第二相关像素点。
(6-1-2)根据各个初始的裂纹区域中的各裂纹边缘像素点及其对应的第一相关像素点和第二相关像素点对应的线状判定指标值,确定各个初始的裂纹区域中的每个裂纹边缘像素点对应的裂纹判定系数。
本实施例以计算各个初始的裂纹区域中的第i个裂纹边缘像素点对应的裂纹判定系数为例,根据各个初始的裂纹区域中的第i个裂纹边缘像素点对应的线状判定指标值、第i个裂纹边缘像素点对应的第一相关像素点和第二相关像素点对应的线状判定指标值,计算各个初始的裂纹区域中的第i个裂纹边缘像素点对应的裂纹判定系数,其计算公式为:
其中,ωi为各个初始的裂纹区域中的第i个裂纹边缘像素点对应的裂纹判定系数,判定系数的数值处于[0,1),γi,a为各个初始的裂纹区域中的第i个裂纹边缘像素点对应的第一相关像素点对应的线状判定指标值,γi,b为各个初始的裂纹区域中的第i个裂纹边缘像素点对应的第二相关像素点对应的线状判定指标值,γi为各个初始的裂纹区域中的第i个裂纹边缘像素点对应的线状判定指标值。
(6-2)根据各个初始的裂纹区域中的每个裂纹边缘像素点对应的裂纹判定系数,确定待检测玻璃纤维板的各个最终的裂纹区域,其步骤包括:
(6-2-1)根据各个初始的裂纹区域中的每个裂纹边缘像素点对应的裂纹判定系数,确定各个初始的裂纹区域中的各第一真裂纹边缘像素点和各伪裂纹边缘像素点。
在本实施例中,若各个初始的裂纹区域中的某个裂纹边缘像素点对应的裂纹判定系数大于等于预设裂纹判定系数阈值,则判定该裂纹边缘像素点为第一真裂纹边缘像素点,若各个初始的裂纹区域中的某个裂纹边缘像素点对应的裂纹判定系数小于预设裂纹判定系数阈值,则判定该裂纹边缘像素点为伪裂纹边缘像素点,本实施例将预设裂纹判定系数阈值设置为0.5。
需要说明的是,当某个裂纹边缘像素点对应的裂纹判定系数越大时,则认为该裂纹边缘像素点为真实裂纹边缘像素点的可能性越大,当某个裂纹边缘像素点对应的裂纹判定系数越小时,则认为该裂纹边缘像素点为真实裂纹边缘像素点的可能性越小,该裂纹边缘像素点的分类不准确。
(6-2-2)获取各个初始的裂纹区域中的各伪裂纹边缘像素点对应的N个第一相关像素点和N个第二相关像素点,根据各个初始的裂纹区域中的各伪裂纹边缘像素点及其对应的N个第一相关像素点和N个第二相关像素点对应的裂纹判定系数,从每个伪裂纹边缘像素点和每个伪裂纹边缘像素点对应的N个第一相关像素点和N个第二相关像素点中选取最大裂纹判定系数对应的像素点,并将最大裂纹判定系数对应的像素点作为第二真裂纹边缘像素点。
在本实施例中,参考步骤(6-1-1)的获取各裂纹边缘像素点对应的第一相关像素点和第二相关像素点的过程,可得到各个初始的裂纹区域中的各伪裂纹边缘像素点对应的N个第一相关像素点和N个第二相关像素点,此处不再详细阐述。将各个初始的裂纹区域中的各伪裂纹边缘像素点及其对应的N个第一相关像素点和N个第二相关像素点对应的裂纹判定系数按照从小到大的顺序进行排序,从而得到各个裂纹判定系数序列,每个伪裂纹边缘像素点均有其对应的裂纹判定系数序列,从每个伪裂纹边缘像素点对应的裂纹判定系数序列中选取最大裂纹判定系数对应的像素点,并将该像素点作为第二真裂纹边缘像素点,从而得到各个初始的裂纹区域中的各第二真裂纹边缘像素点。
(6-2-3)根据各个初始的裂纹区域中的各第一真裂纹边缘像素点和各第二真裂纹边缘像素点,确定待检测玻璃纤维板的各个最终的裂纹区域。
在本实施例中,根据步骤(6-2-1)得到的各个初始的裂纹区域中的各第一真裂纹边缘像素点和步骤(6-2-2)得到的各个初始的裂纹区域中的各第二真裂纹边缘像素点,对待检测玻璃纤维板的各个初始的裂纹区域进行修正,从而得到待检测玻璃纤维板的各个最终的裂纹区域,至此,本实施例实现了对待检测玻璃纤维板表面裂纹区域的准确提取检测。
本实施例还提供了一种玻璃纤维板裂纹检测设备,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令,以实现一种玻璃纤维板裂纹检测方法。
本发明通过图像采集设备,利用可见光手段获取待检测玻璃纤维板的可见光表面图像,对可见光表面图像进行材料测试与分析,从而得到待检测玻璃纤维板的裂纹信息。本发明提高了待检测玻璃纤维板中裂纹区域的特征显著性,也就是增强了裂纹区域中各个像素点的特征信息,同时避免了玻璃纤维板中背景区域对裂纹检测的影响。本发明提高了玻璃纤维板裂纹检测的检测精度,可用于新材料检测、计量、相关标准化、认证认可服务等。
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)
1.一种玻璃纤维板裂纹检测方法,其特征在于,包括以下步骤:
获取待检测玻璃纤维板的可见光表面图像,并对可见光表面图像进行预处理,进而得到预处理后的可见光表面图像中的各个像素点对应的第一特征值和第二特征值;
根据各个像素点对应的第一特征值和第二特征值,确定预处理后的可见光表面图像中的各个像素点对应的线状特征值;
根据各个像素点对应的第一特征值、第二特征值以及灰度值,确定预处理后的可见光表面图像中的各个像素点对应的优化因子;
根据各个像素点对应的第一特征值、第二特征值、线状特征值以及优化因子,确定预处理后的可见光表面图像中的各个像素点对应的线状判定指标值;
根据预处理后的可见光表面图像中的各个像素点对应的线状判定指标值,确定待检测玻璃纤维板的特征增强显著图像,进而确定待检测玻璃纤维板的裂纹信息,所述裂纹信息:待检测玻璃纤维板是否存在裂纹区域以及待检测玻璃纤维板的各个初始的裂纹区域。
2.根据权利要求1所述的一种玻璃纤维板裂纹检测方法,其特征在于,还包括:
获取待检测玻璃纤维板的各个初始的裂纹区域中的各裂纹边缘像素点对应的第一相关像素点和第二相关像素点,根据各个初始的裂纹区域中的各裂纹边缘像素点及其对应的第一相关像素点和第二相关像素点对应的线状判定指标值,确定各个初始的裂纹区域中的每个裂纹边缘像素点对应的裂纹判定系数;
根据各个初始的裂纹区域中的每个裂纹边缘像素点对应的裂纹判定系数,确定待检测玻璃纤维板的各个最终的裂纹区域。
6.根据权利要求1所述的一种玻璃纤维板裂纹检测方法,其特征在于,进而确定待检测玻璃纤维板的裂纹信息的步骤包括:
根据待检测玻璃纤维板的特征增强显著图像中的各个像素点的位置和各个像素点对应的线状判定指标值,对特征增强显著图像中的各个像素点进行聚类,从而得到特征增强显著图像的M个聚类区域;
若特征增强显著图像的聚类区域数目M等于1,则判定待检测玻璃纤维板不存在裂纹区域,若特征增强显著图像的聚类区域数目M大于1,则判定待检测玻璃纤维板存在裂纹区域,并根据特征增强显著图像的M个聚类区域对应的线状判定指标值的均值,从M个聚类区域中选取较大的M-1个线状判定指标值的均值对应的聚类区域,将该M-1个聚类区域作为待检测玻璃纤维板的各个初始的裂纹区域。
7.根据权利要求2所述的一种玻璃纤维板裂纹检测方法,其特征在于,确定待检测玻璃纤维板的各个最终的裂纹区域的步骤包括:
根据各个初始的裂纹区域中的每个裂纹边缘像素点对应的裂纹判定系数,确定各个初始的裂纹区域中的各第一真裂纹边缘像素点和各伪裂纹边缘像素点;
获取各个初始的裂纹区域中的各伪裂纹边缘像素点对应的N个第一相关像素点和N个第二相关像素点,根据各个初始的裂纹区域中的各伪裂纹边缘像素点及其对应的N个第一相关像素点和N个第二相关像素点对应的裂纹判定系数,从每个伪裂纹边缘像素点和每个伪裂纹边缘像素点对应的N个第一相关像素点和N个第二相关像素点中选取最大裂纹判定系数对应的像素点,并将最大裂纹判定系数对应的像素点作为第二真裂纹边缘像素点;
根据各个初始的裂纹区域中的各第一真裂纹边缘像素点和各第二真裂纹边缘像素点,确定待检测玻璃纤维板的各个最终的裂纹区域。
9.根据权利要求2所述的一种玻璃纤维板裂纹检测方法,其特征在于,获取各个初始的裂纹区域的各裂纹边缘像素点对应的第一相关像素点和第二相关像素点的步骤包括:
根据各个初始的裂纹区域的各裂纹边缘像素点,确定各个初始的裂纹区域的各裂纹边缘像素点的切线;
根据各个初始的裂纹区域的各裂纹边缘像素点的切线,从各裂纹边缘像素点的切线的垂直方向的两边各取一个相邻像素点,将两个相邻像素点中的一个相邻像素点作为第一相关像素点,并将两个相邻像素点中的另一个相邻像素点作为第二相关像素点。
10.一种玻璃纤维板裂纹检测设备,其特征在于,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令,以实现如权利要求1-9中任一项所述的一种玻璃纤维板裂纹检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210475978.8A CN114881961A (zh) | 2022-04-29 | 2022-04-29 | 一种玻璃纤维板裂纹检测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210475978.8A CN114881961A (zh) | 2022-04-29 | 2022-04-29 | 一种玻璃纤维板裂纹检测方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114881961A true CN114881961A (zh) | 2022-08-09 |
Family
ID=82674220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210475978.8A Pending CN114881961A (zh) | 2022-04-29 | 2022-04-29 | 一种玻璃纤维板裂纹检测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114881961A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797299A (zh) * | 2022-12-05 | 2023-03-14 | 常宝新材料(苏州)有限公司 | 一种光学复合膜的缺陷检测方法 |
CN116934752A (zh) * | 2023-09-18 | 2023-10-24 | 山东国泰民安玻璃科技有限公司 | 一种基于人工智能的玻璃检测方法及系统 |
-
2022
- 2022-04-29 CN CN202210475978.8A patent/CN114881961A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797299A (zh) * | 2022-12-05 | 2023-03-14 | 常宝新材料(苏州)有限公司 | 一种光学复合膜的缺陷检测方法 |
CN115797299B (zh) * | 2022-12-05 | 2023-09-01 | 常宝新材料(苏州)有限公司 | 一种光学复合膜的缺陷检测方法 |
CN116934752A (zh) * | 2023-09-18 | 2023-10-24 | 山东国泰民安玻璃科技有限公司 | 一种基于人工智能的玻璃检测方法及系统 |
CN116934752B (zh) * | 2023-09-18 | 2023-12-08 | 山东国泰民安玻璃科技有限公司 | 一种基于人工智能的玻璃检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111383209B (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN114881961A (zh) | 一种玻璃纤维板裂纹检测方法及设备 | |
CN115063423B (zh) | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 | |
CN116030060B (zh) | 一种塑料颗粒质量检测方法 | |
CN116091504B (zh) | 基于图像处理的连接管连接头质量检测方法 | |
CN115965623B (zh) | 一种变压器生产中表面瑕疵检测方法及系统 | |
CN114372955A (zh) | 一种基于改进神经网络的铸件缺陷x射线图自动识别法 | |
CN117351019B (zh) | 一种焊接缺陷检测方法 | |
CN111667470B (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
CN108447070A (zh) | 一种基于像素向量不变关系特征的工业零件缺损检测算法 | |
Chen et al. | The defect detection of 3D-printed ceramic curved surface parts with low contrast based on deep learning | |
CN115272303B (zh) | 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 | |
CN117147561B (zh) | 用于金属拉链的表面质量检测方法及系统 | |
CN115953409B (zh) | 基于图像处理的注塑件表面缺陷检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN115471486A (zh) | 一种交换机接口完好性检测方法 | |
CN111638218A (zh) | 一种涂层表面缺陷的检测方法 | |
CN110766657B (zh) | 一种激光干扰图像质量评价方法 | |
CN115239661A (zh) | 基于图像处理的机械零件毛刺检测方法及系统 | |
CN117611583B (zh) | 基于人工智能的铝复合板缺陷检测方法及系统 | |
CN117152129B (zh) | 一种电池盖板的表面缺陷视觉检测方法及系统 | |
CN117218114B (zh) | 一种基于图像数据处理的网状织物缺陷快速检测方法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN117351017A (zh) | 一种光伏钢结构组件缺陷视觉检测方法 |
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 |