CN114882029B - 一种玻纤增强材料表面浮纤识别方法及电子设备 - Google Patents

一种玻纤增强材料表面浮纤识别方法及电子设备 Download PDF

Info

Publication number
CN114882029B
CN114882029B CN202210807528.4A CN202210807528A CN114882029B CN 114882029 B CN114882029 B CN 114882029B CN 202210807528 A CN202210807528 A CN 202210807528A CN 114882029 B CN114882029 B CN 114882029B
Authority
CN
China
Prior art keywords
image
run
gradient direction
defect
glass fiber
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
CN202210807528.4A
Other languages
English (en)
Other versions
CN114882029A (zh
Inventor
朱平
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.)
Nantong Ketesen New Material Technology Co ltd
Original Assignee
Nantong Ketesen New Material 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 Ketesen New Material Technology Co ltd filed Critical Nantong Ketesen New Material Technology Co ltd
Priority to CN202210807528.4A priority Critical patent/CN114882029B/zh
Publication of CN114882029A publication Critical patent/CN114882029A/zh
Application granted granted Critical
Publication of CN114882029B publication Critical patent/CN114882029B/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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及图像处理领域，提出了一种玻纤增强材料表面浮纤识别方法及电子设备，该方法及电子设备是一种生产领域人工智能的方法和电子设备，包括：获取玻纤增强塑料件表面缺陷灰度图像；获得每次下采样后的采样图像；得到每层采样图像中每个像素点的梯度方向级别；得到梯度方向级别的游程长；构建采样图像的梯度方向游程矩阵；得到每层采样图像的游程集中程度和梯度方向集中程度；得到纹理方向‑游程集中偏移量；得到缺陷分析指示量；对玻纤增强塑料件表面的缺陷类型进行判断。本发明实现对银纹缺陷和浮纤缺陷的准确区分。

Description

一种玻纤增强材料表面浮纤识别方法及电子设备
技术领域
本发明涉及图像处理领域，具体涉及一种玻纤增强材料表面浮纤识别方法及电子设备。
背景技术
玻纤增强材料作为一种新型材料被广泛应用在各行业产品的生产制造中，它属于纤维增强材料的一种，而玻纤增强材料中常见的一种就是玻纤增强复合塑料，其具有塑料产品的易加工性并同时利用玻纤材料具有的韧性使塑料具有优异的强度。其常见的生产工艺为以玻纤增强改性塑料母粒作为原料，利用注塑工序将熔融的玻纤增强塑料注入到模具中冷却成型，从而生产各种规格、形状的玻纤增强塑料件。
在玻纤增强塑料的注塑工艺中，不可避免的会因为各种因素造成产品的表面质量缺陷，其中玻纤增强塑料件表面浮纤缺陷作为纤维增强材料特有的表面质量缺陷是玻纤增强塑料件的一种常见的表面质量缺陷。而表面银纹（也称料花）作为注塑工艺中常见的缺陷也经常性的出现在玻纤增强塑料件的表面。这两种缺陷的成因不同，浮纤缺陷是在塑料熔体流动过程中，玻纤与树脂的流动性有差异，而且质量密度也不同,使两者具有分离的趋势，玻纤浮向表面，树脂沉入内里，于是形成了玻纤外露现象，简称浮纤。而银纹缺陷是由于熔体中含有的水气，降解气等气体在熔体的流动过程中挥发，导致在产品表形成白色纹状缺陷，简称银纹。上述两种缺陷在玻纤增强塑料的注塑生产中均为常见缺陷，且二者的外观表现均为白色纹理，这就使得现有的自动检测缺陷技术如边缘检测、阈值分割等方法无法准确区分上述两种缺陷，进而无法对缺陷成因进行分析，导致缺陷排除效率下降进一步影响产品的生产效率。因此需要一种可以准确区分上述两种缺陷并对其成因进行分析的分析识别方法来实现提高企业产品缺陷排除效率的目的。
针对以上问题，本发明提出一种玻纤增强材料表面浮纤识别方法及电子设备，该方法及电子设备是一种生产领域人工智能的方法和电子设备。
发明内容
本发明提供一种玻纤增强材料表面浮纤识别方法及电子设备，以解决现有的无法准确区分玻纤增强材料表面浮纤缺陷和银纹缺陷的问题。
本发明的一种玻纤增强材料表面浮纤识别方法，采用如下技术方案：
获取玻纤增强塑料件表面缺陷灰度图像；
对玻纤增强塑料件表面缺陷灰度图像进行金字塔下采样获得每次下采样后的采样图像；
获取每层采样图像中每个像素点的梯度方向，对每层采样图像得到的所有像素点的梯度方向进行分级，得到每层采样图像中每个像素点的梯度方向级别；
统计每层采样图像中每个梯度方向级别连续出现的个数，作为该梯度方向级别的游程长；
根据每层采样图像中每个梯度方向级别和该梯度方向级别的游程长构建每层采样图像的梯度方向游程矩阵；
利用每层采样图像中的像素点个数和该采样图像对应的梯度方向游程矩阵中的元素分别得到每层采样图像的游程集中程度和梯度方向集中程度；
通过每层采样图像的游程集中程度和梯度方向集中程度得到纹理方向-游程集中偏移量；
通过所有层采样图像的纹理方向-游程集中偏移量得到玻纤增强塑料件表面缺陷灰度图像的缺陷分析指示量；
根据玻纤增强塑料件表面缺陷灰度图像的缺陷分析指示量对玻纤增强塑料件表面的缺陷类型进行判断。
进一步的，所述的一种玻纤增强材料表面浮纤识别方法，所述梯度方向游程矩阵中的元素为：
获取该元素在梯度方向游程矩阵所对应的梯度方向级别和游程长；
统计在对应采样图像中该梯度方向级别连续出现的个数为游程长的次数；
将该次数作为梯度方向游程矩阵的元素。
进一步的，所述的一种玻纤增强材料表面浮纤识别方法，缺陷分析指示量的表达式为：
Figure DEST_PATH_IMAGE001
式中：
Figure 981211DEST_PATH_IMAGE002
表示缺陷分析指示量，
Figure 694958DEST_PATH_IMAGE003
表示采样图像的采样尺度，
Figure 691733DEST_PATH_IMAGE004
表示采样图像的最大采样尺度，
Figure 950676DEST_PATH_IMAGE005
表示纹理方向-游程集中偏移量。
进一步的，所述的一种玻纤增强材料表面浮纤识别方法，纹理方向-游程集中偏移量的表达式为：
Figure 986896DEST_PATH_IMAGE006
式中：
Figure 100002_DEST_PATH_IMAGE007
表示采样图像
Figure 582963DEST_PATH_IMAGE008
的游程集中程度，
Figure 886774DEST_PATH_IMAGE009
表示采样图像
Figure 51039DEST_PATH_IMAGE008
的梯度方向集中程度。
进一步的，所述的一种玻纤增强材料表面浮纤识别方法，游程集中程度的表达式为：
Figure 823823DEST_PATH_IMAGE010
式中：
Figure 426843DEST_PATH_IMAGE011
表示采样图像
Figure 804734DEST_PATH_IMAGE008
中对应的最大游程长度，
Figure 218529DEST_PATH_IMAGE012
表示游程长，
Figure 478609DEST_PATH_IMAGE013
表示像素点的梯度方向级别，
Figure 291845DEST_PATH_IMAGE014
表示采样图像
Figure 320980DEST_PATH_IMAGE008
中像素点的最大梯度方向级别，
Figure 873053DEST_PATH_IMAGE015
表示采样图像
Figure 354850DEST_PATH_IMAGE008
中像素点的个数，
Figure 34093DEST_PATH_IMAGE016
表示采样图像
Figure 917736DEST_PATH_IMAGE008
的梯度方向游程矩阵中
Figure 142175DEST_PATH_IMAGE017
处的值。
进一步的，所述的一种玻纤增强材料表面浮纤识别方法，梯度方向集中程度的表达式为：
Figure 111268DEST_PATH_IMAGE018
进一步的，所述的一种玻纤增强材料表面浮纤识别方法，根据玻纤增强塑料件表面缺陷灰度图像的缺陷分析指示量对玻纤增强塑料件表面的缺陷类型进行判断的方法为：
若缺陷分析指示量在
Figure 63043DEST_PATH_IMAGE019
之间，判断对应玻纤增强塑料件表面的缺陷为银纹缺陷；
若缺陷分析指示量在
Figure 66771DEST_PATH_IMAGE020
之间，判断对应玻纤增强塑料件表面的缺陷为浮纤缺陷；
若缺陷分析指示量在
Figure 100002_DEST_PATH_IMAGE021
之间，判断对应玻纤增强塑料件表面的缺陷为银纹缺陷和浮纤缺陷。
本发明还提供了一种玻纤增强材料表面浮纤识别电子设备，包括：
图像采集模块，获取玻纤增强塑料件表面缺陷灰度图像；
图像处理模块，对玻纤增强塑料件表面缺陷灰度图像进行金字塔下采样获得每次下采样后的采样图像；
矩阵构建模块，获取每层采样图像中每个像素点的梯度方向，对每层采样图像得到的所有像素点的梯度方向进行分级，得到每层采样图像中每个像素点的梯度方向级别；统计每层采样图像中每个梯度方向级别连续出现的个数，作为该梯度方向级别的游程长；根据每层采样图像中每个梯度方向级别和该梯度方向级别的游程长构建每层采样图像的梯度方向游程矩阵；
缺陷分析指示量计算模块，利用每层采样图像中的像素点个数和该采样图像对应的梯度方向游程矩阵中的元素分别得到每层采样图像的游程集中程度和梯度方向集中程度；通过每层采样图像的游程集中程度和梯度方向集中程度得到纹理方向-游程集中偏移量；通过所有层采样图像的纹理方向-游程集中偏移量得到玻纤增强塑料件表面缺陷灰度图像的缺陷分析指示量；
缺陷识别模块，根据玻纤增强塑料件表面缺陷灰度图像的缺陷分析指示量对玻纤增强塑料件表面的缺陷类型进行判断。
本发明的有益效果是：本发明提供一种生产领域人工智能的方法和电子设备，构建梯度方向游程矩阵，通过梯度方向游程矩阵计算游程集中程度和梯度方向集中程度，确定缺陷分析指示量，根据其大小区分银纹缺陷和浮纤缺陷，相对于现有技术，本发明实现对银纹缺陷和浮纤缺陷的准确区分；进一步可以对缺陷成因进行分析，从而进行缺陷排除，提高生产效益。
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为本发明的一种玻纤增强材料表面浮纤识别方法的实施例的流程示意图；
图2为本发明的一种玻纤增强材料表面浮纤识别方法的实施例的流程示意图；
图3为采样图像中像素点的梯度方向示意图；
图4为梯度方向游程矩阵示意图。
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
本发明的一种玻纤增强材料表面浮纤识别方法的实施例，如图1所示，包括：
101、获取玻纤增强塑料件表面缺陷灰度图像。
102、对玻纤增强塑料件表面缺陷灰度图像进行金字塔下采样获得每次下采样后的采样图像。
103、获取每层采样图像中每个像素点的梯度方向，对每层采样图像得到的所有像素点的梯度方向进行分级，得到每层采样图像中每个像素点的梯度方向级别。
104、统计每层采样图像中每个梯度方向级别连续出现的个数，作为该梯度方向级别的游程长。
105、根据每层采样图像中每个梯度方向级别和该梯度方向级别的游程长构建每层采样图像的梯度方向游程矩阵。
106、利用每层采样图像中的像素点个数和该采样图像对应的梯度方向游程矩阵中的元素分别得到每层采样图像的游程集中程度和梯度方向集中程度。
107、通过每层采样图像的游程集中程度和梯度方向集中程度得到纹理方向-游程集中偏移量。
108、通过所有层采样图像的纹理方向-游程集中偏移量得到玻纤增强塑料件表面缺陷灰度图像的缺陷分析指示量。
109、根据玻纤增强塑料件表面缺陷灰度图像的缺陷分析指示量对玻纤增强塑料件表面的缺陷类型进行判断。
本发明提供一种生产领域人工智能的方法和电子设备，构建梯度方向游程矩阵，通过梯度方向游程矩阵计算游程集中程度和梯度方向集中程度，确定缺陷分析指示量，根据其大小区分银纹缺陷和浮纤缺陷，相对于现有技术，本发明实现对银纹缺陷和浮纤缺陷的准确区分；进一步可以对缺陷成因进行分析，从而进行缺陷排除，提高生产效益。
实施例2
本发明的一种玻纤增强材料表面浮纤识别方法的实施例，如图2所示，包括：
201、获取玻纤增强塑料件表面缺陷灰度图像。
通过工业相机获取玻纤增强塑料件表面RGB图像并将其灰度化，得到灰度图像，这里的玻纤增强塑料件表面RGB图像以及灰度图像是对玻纤增强塑料件表面图像进行缺陷检测后得到的缺陷图像。
202、对玻纤增强塑料件表面缺陷灰度图像进行金字塔下采样获得每次下采样后的采样图像。
然后对灰度图像进行多尺度的金字塔下采样，将原图像的采样尺度定义为0，第一层金字塔下采样获得的采样图像的采样尺度定义为1，第二层金字塔下采样获得的采样图像的采样尺度定义为2，以此类推进行采样直至采样尺度为
Figure 491805DEST_PATH_IMAGE004
，则至此一共获得了
Figure 948195DEST_PATH_IMAGE022
张图像，其中有一张为原图，其它为采样图像，将原图也看作采样图像，则一共获得
Figure 703661DEST_PATH_IMAGE022
张采样图像，其尺度分别为
Figure 499579DEST_PATH_IMAGE023
。则采样图像以
Figure 862558DEST_PATH_IMAGE024
表示。
例如，获取一张灰度图像，该图像记为
Figure 9506DEST_PATH_IMAGE025
对获取的灰度图像
Figure 365401DEST_PATH_IMAGE026
先进行一次下采样，得到的下采样图像为
Figure 327409DEST_PATH_IMAGE027
，该下采样图像
Figure 48241DEST_PATH_IMAGE027
对应的采样尺度定义为1，接着对图像
Figure 479222DEST_PATH_IMAGE027
进行下采样，得到的下采样图像记为
Figure 576491DEST_PATH_IMAGE028
，该下采样图像
Figure 160050DEST_PATH_IMAGE028
对应的采样尺度定义为2，以此类推，得到的下采样图像
Figure 51783DEST_PATH_IMAGE008
对应的采样尺度定义为
Figure 173322DEST_PATH_IMAGE003
，直至得到下采样图像
Figure 871020DEST_PATH_IMAGE029
。
至此，通过上述步骤获得了采样图像
Figure 542042DEST_PATH_IMAGE024
。
203、获取每层采样图像中每个像素点的梯度方向，对每层采样图像得到的所有像素点的梯度方向进行分级，得到每层采样图像中每个像素点的梯度方向级别。
利用sobel算子计算各尺度采样图像上各像素点的梯度方向，以
Figure 870255DEST_PATH_IMAGE030
表示，所述一像素点的梯度方向如图3所示，以图像的
Figure 213512DEST_PATH_IMAGE031
方向为基准向，则
Figure 918162DEST_PATH_IMAGE030
的取值范围为
Figure 460002DEST_PATH_IMAGE032
。
对于一个采样尺度为
Figure 709849DEST_PATH_IMAGE003
的采样图像
Figure 602719DEST_PATH_IMAGE008
，在利用sobel算子获取其上所有像素点的梯度方向后，构建该尺度采样图像的梯度方向游程矩阵，过程如下：
将采样图像
Figure 579902DEST_PATH_IMAGE008
上各像素点的梯度方向进行分级，分级方式为将
Figure 241827DEST_PATH_IMAGE032
均分成
Figure 895532DEST_PATH_IMAGE014
个（自定参数，推荐可为10）区间，
Figure 275697DEST_PATH_IMAGE033
区间为级别1，
Figure 56571DEST_PATH_IMAGE034
区间为级别2，…，以此类推，区间
Figure 573003DEST_PATH_IMAGE035
区间为级别
Figure 164653DEST_PATH_IMAGE014
。
204、统计每层采样图像中每个梯度方向级别连续出现的个数，作为该梯度方向级别的游程长。
205、根据每层采样图像中每个梯度方向级别和该梯度方向级别的游程长构建每层采样图像的梯度方向游程矩阵。
建立如图4所示的梯度方向游程矩阵：如图4所示，矩阵中位置为
Figure 766536DEST_PATH_IMAGE017
处的值表示的是梯度方向级别为
Figure 351101DEST_PATH_IMAGE013
的像素点在图像上连续出现
Figure 925301DEST_PATH_IMAGE012
个这样的梯度点排列方式一共在图像上存在的次数，记为
Figure 937120DEST_PATH_IMAGE016
，即矩阵上位置为
Figure 9987DEST_PATH_IMAGE017
处的值。
Figure 823612DEST_PATH_IMAGE036
为当前采样图像
Figure 783478DEST_PATH_IMAGE008
上最大的游程长度。
例如：对于采样图像
Figure 966198DEST_PATH_IMAGE008
的梯度方向游程矩阵，矩阵中位置为
Figure 791940DEST_PATH_IMAGE037
处的值表示的是梯度方向级别为2在图像上连续出现3个的次数，记为
Figure 718308DEST_PATH_IMAGE038
。
对于一个采样图像
Figure 594997DEST_PATH_IMAGE008
，以上述方式构建了其对应的梯度方向游程矩阵。矩阵上位置为
Figure 964929DEST_PATH_IMAGE017
处的值以
Figure 763121DEST_PATH_IMAGE016
表示。
至此，通过上述方法可获得所有尺度采样图像
Figure 696442DEST_PATH_IMAGE024
的梯度方向游程矩阵。
对于浮纤缺陷，其是由于玻纤在随着熔体流动的过程中从熔体内部浮至熔体表面导致的，由于玻纤的作用是增强塑料的强度，因此就需要其在熔体内部分布是各个方向上均有分布，且玻纤的长度均匀，这样才能有较好的增强效果。这就导致当浮纤缺陷出现在塑体表面时其长度一定，但表现出的方向各不相同，即塑件表面出现长度集中但方向随机分布的平直细小纹理。体现在梯度方向游程矩阵上就是在梯度方向上离散分布，但是在游程长度上均处于较为集中的水平。
对于银纹缺陷，其是由于熔体中含有的水气、降解气等气体在熔体的流动过程中挥发导致的，其产生的纹理是小气泡拉伸所致，而小气泡的拉伸是大体遵循熔体的流动反方向的，因此方向较为集中，但由于气泡大小的不同，其气泡拉伸的长度也不同。因此银纹缺陷的外在表现就是游程长度随机出现，但梯度方向均符合熔体流动的方向。
基于上述缺陷的形成过程，对其分析可知浮纤缺陷产生的细小纹理其梯度方向是随机分布的但形成的游程长度集中。而银纹缺陷产生的细小纹理其梯度方向是集中的，但其形成的游程长度随机分布。因此以这个逻辑来进行如下的纹理方向-游程集中偏移量的计算。
206、所述梯度方向游程矩阵中的元素为：
获取该元素在梯度方向游程矩阵所对应的梯度方向级别和游程长；
统计在对应采样图像中该梯度方向级别连续出现的个数为游程长的次数；
将该次数作为梯度方向游程矩阵的元素。
对于一个采样图像
Figure 427638DEST_PATH_IMAGE008
，其梯度方向游程矩阵上
Figure 467007DEST_PATH_IMAGE017
处的值为
Figure 752495DEST_PATH_IMAGE016
。
207、利用每层采样图像中的像素点个数和该采样图像对应的梯度方向游程矩阵中的元素分别得到每层采样图像的游程集中程度和梯度方向集中程度。
则计算采样图像
Figure 223927DEST_PATH_IMAGE008
的游程集中程度
Figure 75209DEST_PATH_IMAGE007
的表达式如下：
Figure 786944DEST_PATH_IMAGE039
式中：
Figure 294149DEST_PATH_IMAGE007
表示采样图像
Figure 366010DEST_PATH_IMAGE008
的游程集中程度，其表示的是采样图像上各梯度方向游程的长度集中在某一个游程长的程度，其为归一化数值，
Figure 540639DEST_PATH_IMAGE036
表示采样图像
Figure 656232DEST_PATH_IMAGE008
中对应的最大游程长度，
Figure 916312DEST_PATH_IMAGE012
表示游程长，
Figure 526284DEST_PATH_IMAGE013
表示像素点的梯度方向级别，
Figure 555420DEST_PATH_IMAGE014
表示采样图像
Figure 343379DEST_PATH_IMAGE008
中像素点的最大梯度方向级别，
Figure 825176DEST_PATH_IMAGE015
表示采样图像
Figure 238840DEST_PATH_IMAGE008
中像素点的个数，
Figure 388061DEST_PATH_IMAGE016
表示采样图像
Figure 845456DEST_PATH_IMAGE008
的梯度方向游程矩阵中
Figure 80128DEST_PATH_IMAGE017
处的值。
计算该采样图像
Figure 31904DEST_PATH_IMAGE008
的梯度方向集中程度
Figure 35632DEST_PATH_IMAGE009
的表达式如下：
Figure 165393DEST_PATH_IMAGE040
式中：
Figure 621782DEST_PATH_IMAGE009
为采样图像
Figure 377249DEST_PATH_IMAGE008
的梯度方向集中程度，其表示的是采样图像上各长度游程集中在某一个梯度方向的程度，其为归一化数值。
208、通过每层采样图像的游程集中程度和梯度方向集中程度得到纹理方向-游程集中偏移量。
则对于一个采样图像
Figure 235483DEST_PATH_IMAGE008
，计算其纹理方向-游程集中偏移量
Figure 300260DEST_PATH_IMAGE005
的表达式如下：
Figure 243945DEST_PATH_IMAGE041
式中：
Figure 537524DEST_PATH_IMAGE005
为属于
Figure 73766DEST_PATH_IMAGE042
的数值，其趋近于
Figure 840603DEST_PATH_IMAGE043
时说明该尺度采样图像
Figure 537163DEST_PATH_IMAGE008
的梯度方向集中程度远大于游程集中程度。当其趋近于1时说明该尺度采样图像的游程集中程度远大于梯度方向集中程度。
至此，对于一个采样图像
Figure 368853DEST_PATH_IMAGE008
，可以通过上述方式获取其纹理方向-游程集中偏移量
Figure 936101DEST_PATH_IMAGE005
。则获取所有采样图像
Figure 109724DEST_PATH_IMAGE024
的纹理方向-游程集中偏移量
Figure 762422DEST_PATH_IMAGE044
。
209、通过所有层采样图像的纹理方向-游程集中偏移量得到玻纤增强塑料件表面缺陷灰度图像的缺陷分析指示量。
对于原图像来说，其采样尺度不同，所能采集的信息也就不同，当采样尺度较小时其更能体现细节信息，图像更加准确，但是有些特征也仅能在采样尺度大的时候出现，因此不能忽视大尺度的信息。因此根据其提供信息的准确性，进行如下缺陷分析指示量
Figure 397803DEST_PATH_IMAGE002
的计算：
Figure 85136DEST_PATH_IMAGE045
式中：
Figure 662617DEST_PATH_IMAGE002
为一个属于
Figure 599349DEST_PATH_IMAGE042
的数值。
至此，对于一个玻纤增强塑料件表面灰度图像，计算其每一个尺度采样图像的纹理方向-游程集中偏移量，通过其所有尺度采样图像的纹理方向-游程集中偏移量计算出该灰度图像的缺陷分析指示量
Figure 507262DEST_PATH_IMAGE002
。
210、根据玻纤增强塑料件表面缺陷灰度图像的缺陷分析指示量对玻纤增强塑料件表面的缺陷类型进行判断。
对于一个玻纤增强塑料件表面灰度图像，根据其缺陷分析指示量
Figure 49102DEST_PATH_IMAGE002
的值分析其上缺陷类型，过程如下：
设定阈值
Figure 298949DEST_PATH_IMAGE046
（一个推荐值为0.4）：
当
Figure 191819DEST_PATH_IMAGE047
时，指示量
Figure 169002DEST_PATH_IMAGE002
趋近于-1，判断图像上缺陷为银纹缺陷。进行注塑模具的清洗与烘干，降低熔融体温度等操作。
当
Figure 830927DEST_PATH_IMAGE048
时，指示量
Figure 750211DEST_PATH_IMAGE002
趋近于1，判断图像上缺陷为浮纤缺陷。进行升高模具温度的操作。
当
Figure 864797DEST_PATH_IMAGE049
，指示量
Figure 645671DEST_PATH_IMAGE002
不趋近于任意一方，判断图像上二者缺陷均存在，同时进行上述排查操作。
本发明提供一种生产领域人工智能的方法和电子设备，构建梯度方向游程矩阵，通过梯度方向游程矩阵计算游程集中程度和梯度方向集中程度，确定缺陷分析指示量，根据其大小区分银纹缺陷和浮纤缺陷，相对于现有技术，本发明实现对银纹缺陷和浮纤缺陷的准确区分；进一步可以对缺陷成因进行分析，从而进行缺陷排除，提高生产效益。
实施例3
基于与上述方法相同的发明构思，本实施例还提供了一种玻纤增强材料表面浮纤识别电子设备，本实施例中一种玻纤增强材料表面浮纤识别电子设备包括图像采集模块、图像处理模块、矩阵构建模块、缺陷分析指示量计算模块、缺陷识别模块，所述图像采集模块、图像处理模块、矩阵构建模块、缺陷分析指示量计算模块、缺陷识别模块，以实现如一种玻纤增强材料表面浮纤识别方法的实施例中所描述的对银纹缺陷和浮纤缺陷进行准确区分的具体方法。
由于一种玻纤增强材料表面浮纤识别方法实施例中已经对银纹缺陷和浮纤缺陷进行准确区分的具体方法进行了说明，此处不再赘述。
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 (4)

1.一种玻纤增强材料表面浮纤识别方法，其特征在于，包括：
获取玻纤增强塑料件表面缺陷灰度图像；
对玻纤增强塑料件表面缺陷灰度图像进行金字塔下采样获得每次下采样后的采样图像；
获取每层采样图像中每个像素点的梯度方向，对每层采样图像得到的所有像素点的梯度方向进行分级，得到每层采样图像中每个像素点的梯度方向级别；
统计每层采样图像中每个梯度方向级别连续出现的个数，作为该梯度方向级别的游程长；
根据每层采样图像中每个梯度方向级别和该梯度方向级别的游程长构建每层采样图像的梯度方向游程矩阵；
利用每层采样图像中的像素点个数和该采样图像对应的梯度方向游程矩阵中的元素分别得到每层采样图像的游程集中程度和梯度方向集中程度；
游程集中程度的表达式为：
Figure 92774DEST_PATH_IMAGE002
式中：
Figure DEST_PATH_IMAGE003
表示采样图像
Figure 638025DEST_PATH_IMAGE004
的游程集中程度，
Figure DEST_PATH_IMAGE005
表示采样图像
Figure 471114DEST_PATH_IMAGE004
中对应的最大游程长度，
Figure 381301DEST_PATH_IMAGE006
表示游程长，
Figure DEST_PATH_IMAGE007
表示像素点的梯度方向级别，
Figure 634428DEST_PATH_IMAGE008
表示采样图像
Figure 148149DEST_PATH_IMAGE004
中像素点的最大梯度方向级别，
Figure DEST_PATH_IMAGE009
表示采样图像
Figure 599859DEST_PATH_IMAGE004
中像素点的个数，
Figure 244730DEST_PATH_IMAGE010
表示采样图像
Figure 985153DEST_PATH_IMAGE004
的梯度方向游程矩阵中
Figure DEST_PATH_IMAGE011
处的值；
梯度方向集中程度的表达式为：
Figure DEST_PATH_IMAGE013
式中：
Figure 433058DEST_PATH_IMAGE014
表示采样图像
Figure 411378DEST_PATH_IMAGE004
的梯度方向集中程度；
通过每层采样图像的游程集中程度和梯度方向集中程度得到纹理方向-游程集中偏移量；
纹理方向-游程集中偏移量的表达式为：
Figure 397789DEST_PATH_IMAGE016
式中：
Figure DEST_PATH_IMAGE017
表示纹理方向-游程集中偏移量；
通过所有层采样图像的纹理方向-游程集中偏移量得到玻纤增强塑料件表面缺陷灰度图像的缺陷分析指示量；所述缺陷分析指示量的表达式为：
Figure DEST_PATH_IMAGE019
式中：
Figure 156666DEST_PATH_IMAGE020
表示缺陷分析指示量，
Figure DEST_PATH_IMAGE021
表示采样图像的采样尺度，
Figure 20979DEST_PATH_IMAGE022
表示采样图像的最大采样尺度，
Figure 384965DEST_PATH_IMAGE017
表示纹理方向-游程集中偏移量；
根据玻纤增强塑料件表面缺陷灰度图像的缺陷分析指示量对玻纤增强塑料件表面的缺陷类型进行判断。
2.根据权利要求1所述的一种玻纤增强材料表面浮纤识别方法，其特征在于，所述梯度方向游程矩阵中的元素为：
获取该元素在梯度方向游程矩阵所对应的梯度方向级别和游程长；
统计在对应采样图像中该梯度方向级别连续出现的个数为游程长的次数；
将该次数作为梯度方向游程矩阵的元素。
3.根据权利要求1所述的一种玻纤增强材料表面浮纤识别方法，其特征在于，根据玻纤增强塑料件表面缺陷灰度图像的缺陷分析指示量对玻纤增强塑料件表面的缺陷类型进行判断的方法为：
若缺陷分析指示量在
Figure DEST_PATH_IMAGE023
之间，判断对应玻纤增强塑料件表面的缺陷为银纹缺陷；
若缺陷分析指示量在
Figure 339014DEST_PATH_IMAGE024
之间，判断对应玻纤增强塑料件表面的缺陷为浮纤缺陷；
若缺陷分析指示量在
Figure DEST_PATH_IMAGE025
之间，判断对应玻纤增强塑料件表面的缺陷为银纹缺陷和浮纤缺陷。
4.一种玻纤增强材料表面浮纤识别电子设备，其特征在于，包括：
图像采集模块，获取玻纤增强塑料件表面缺陷灰度图像；
图像处理模块，对玻纤增强塑料件表面缺陷灰度图像进行金字塔下采样获得每次下采样后的采样图像；
矩阵构建模块，获取每层采样图像中每个像素点的梯度方向，对每层采样图像得到的所有像素点的梯度方向进行分级，得到每层采样图像中每个像素点的梯度方向级别；统计每层采样图像中每个梯度方向级别连续出现的个数，作为该梯度方向级别的游程长；根据每层采样图像中每个梯度方向级别和该梯度方向级别的游程长构建每层采样图像的梯度方向游程矩阵；
缺陷分析指示量计算模块，利用每层采样图像中的像素点个数和该采样图像对应的梯度方向游程矩阵中的元素分别得到每层采样图像的游程集中程度和梯度方向集中程度；
所述游程集中程度的表达式为：
Figure 620741DEST_PATH_IMAGE002
式中：
Figure 318438DEST_PATH_IMAGE003
表示采样图像
Figure 5772DEST_PATH_IMAGE004
的游程集中程度，
Figure 599564DEST_PATH_IMAGE005
表示采样图像
Figure 241023DEST_PATH_IMAGE004
中对应的最大游程长度，
Figure 945674DEST_PATH_IMAGE006
表示游程长，
Figure 753093DEST_PATH_IMAGE007
表示像素点的梯度方向级别，
Figure 252207DEST_PATH_IMAGE008
表示采样图像
Figure 879498DEST_PATH_IMAGE004
中像素点的最大梯度方向级别，
Figure 122260DEST_PATH_IMAGE009
表示采样图像
Figure 518607DEST_PATH_IMAGE004
中像素点的个数，
Figure 687158DEST_PATH_IMAGE010
表示采样图像
Figure 801744DEST_PATH_IMAGE004
的梯度方向游程矩阵中
Figure 582618DEST_PATH_IMAGE011
处的值；
所述梯度方向集中程度的表达式为：
Figure 99050DEST_PATH_IMAGE013
式中：
Figure 939967DEST_PATH_IMAGE014
表示采样图像
Figure 541850DEST_PATH_IMAGE004
的梯度方向集中程度；
通过每层采样图像的游程集中程度和梯度方向集中程度得到纹理方向-游程集中偏移量；所述纹理方向-游程集中偏移量的表达式为：
Figure 126415DEST_PATH_IMAGE016
式中：
Figure 497353DEST_PATH_IMAGE017
表示纹理方向-游程集中偏移量；
通过所有层采样图像的纹理方向-游程集中偏移量得到玻纤增强塑料件表面缺陷灰度图像的缺陷分析指示量；
所述缺陷分析指示量的表达式为：
Figure 10637DEST_PATH_IMAGE019
式中：
Figure 99815DEST_PATH_IMAGE020
表示缺陷分析指示量，
Figure 488071DEST_PATH_IMAGE021
表示采样图像的采样尺度，
Figure 713516DEST_PATH_IMAGE022
表示采样图像的最大采样尺度，
Figure 896236DEST_PATH_IMAGE017
表示纹理方向-游程集中偏移量；
缺陷识别模块，根据玻纤增强塑料件表面缺陷灰度图像的缺陷分析指示量对玻纤增强塑料件表面的缺陷类型进行判断。
CN202210807528.4A 2022-07-11 2022-07-11 一种玻纤增强材料表面浮纤识别方法及电子设备 Active CN114882029B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210807528.4A CN114882029B (zh) 2022-07-11 2022-07-11 一种玻纤增强材料表面浮纤识别方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210807528.4A CN114882029B (zh) 2022-07-11 2022-07-11 一种玻纤增强材料表面浮纤识别方法及电子设备

Publications (2)

Publication Number Publication Date
CN114882029A CN114882029A (zh) 2022-08-09
CN114882029B true CN114882029B (zh) 2022-09-20

Family

ID=82683306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210807528.4A Active CN114882029B (zh) 2022-07-11 2022-07-11 一种玻纤增强材料表面浮纤识别方法及电子设备

Country Status (1)

Country Link
CN (1) CN114882029B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100213B (zh) * 2022-08-29 2022-12-09 海门喜满庭纺织品有限公司 纺织工艺中材料漂白识别方法及数据处理系统
CN115147421B (zh) * 2022-09-05 2023-04-25 深圳市洪桦环保科技有限公司 一种用于建筑垃圾回收的再生骨料分级评价方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11423306B2 (en) * 2019-05-16 2022-08-23 Illumina, Inc. Systems and devices for characterization and performance analysis of pixel-based sequencing
CN113449839A (zh) * 2020-03-25 2021-09-28 阿里巴巴集团控股有限公司 一种分布式训练方法、梯度通信方法、装置以及计算设备
CN113949386B (zh) * 2021-09-03 2024-05-28 国网冀北电力有限公司计量中心 对称游程分布的电能表压缩感知动态测试信号构建方法

Also Published As

Publication number Publication date
CN114882029A (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
CN114882029B (zh) 一种玻纤增强材料表面浮纤识别方法及电子设备
CN115345885B (zh) 一种金属健身器材外观质量检测方法
CN110286124B (zh) 基于机器视觉的耐火砖测量系统
CN115100221B (zh) 一种玻璃缺陷分割方法
Wang et al. Comparison analysis on present image-based crack detection methods in concrete structures
CN114445387A (zh) 一种基于机器视觉的纤维板质量分类方法
CN113936000B (zh) 基于图像处理的注塑件波流痕识别方法
CN114387233A (zh) 一种基于机器视觉的砂型缺陷检测方法及系统
CN115861317A (zh) 基于机器视觉的塑胶模具生产缺陷检测方法
CN114972203A (zh) 基于分水岭分割的机械零件轧制异常检测方法
CN114694144B (zh) 一种基于深度学习的钢中非金属夹杂物的智能识别和评级方法
CN109035232A (zh) 一种基于深度学习和机器视觉融合的夹片缺陷检测方法
US20230184703A1 (en) Quantitative statistical characterization method of micron-level second phase in aluminum alloy based on deep learning
CN115049657A (zh) 一种玻璃缺陷检测方法
CN108534802A (zh) 基于图像处理技术的管水准器气泡偏移量测量方法
CN116309577B (zh) 一种高强传送带物料智能检测方法及系统
CN107657620B (zh) 一种带纹理的金属凝固区域识别的方法及系统
Dong et al. A rapid detection method for the surface defects of mosaic ceramic tiles
CN117115161B (zh) 一种塑料缺陷检查方法
CN110728677B (zh) 一种基于滑动窗口算法的纹理粗糙度定义方法
CN110728253B (zh) 一种基于颗粒粗糙度的纹理特征度量方法
CN117291967A (zh) 一种基于单目图像的内河船舶干舷像素高度自动测量方法
CN117152180A (zh) 基于人工智能的矿物铸件缺陷检测方法
CN111192261A (zh) 一种镜片疵病类型识别的方法
CN112750119B (zh) 一种面向白玻璃盖板表面微弱缺陷的检测与测量方法

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