CN114998215A - 一种缝纫机表面喷漆异常检测方法及系统 - Google Patents
一种缝纫机表面喷漆异常检测方法及系统 Download PDFInfo
- Publication number
- CN114998215A CN114998215A CN202210476128.XA CN202210476128A CN114998215A CN 114998215 A CN114998215 A CN 114998215A CN 202210476128 A CN202210476128 A CN 202210476128A CN 114998215 A CN114998215 A CN 114998215A
- Authority
- CN
- China
- Prior art keywords
- sewing machine
- gray level
- detected
- coding
- image
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/005—Statistical coding, e.g. Huffman, run length 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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)
- Multimedia (AREA)
- Sewing Machines And Sewing (AREA)
Abstract
本发明公开了一种缝纫机表面喷漆异常检测方法及系统,涉及人工智能领域。包括:获取待检测缝纫机器械表面灰度图像;对中心像素点的梯度幅值进行重构;计算各灰度级的优先级系数,根据灰度级的编码优先级确定编码序列;对霍夫曼编码进行优化计算图像的平均比特率,根据图像的平均比特率计算缝纫机器械表面喷漆缺陷概率,判断缝纫机器械表面喷漆是否存在缺陷;获取存在缺陷的待检测缝纫机器械表面灰度图像的异常灰度级,对异常灰度级进行解码得到喷漆缺陷位置。本发明通过压缩的方式快速确定是否存在缺陷,优化的霍夫曼编码算法提高了编码的效率,实现快速压缩与解码,更适应高速生产线。
Description
技术领域
本申请涉及人工智能领域,具体涉及一种缝纫机表面喷漆异常检测方法及系统。
背景技术
油漆是机械设备表面重要的保护伞,喷漆的质量决定了产品的价值与使用寿命。喷漆质量差会影响产品的美观,使其观赏性大打折扣,且容易使金属结构与空气接触发生腐蚀,影响产品的使用寿命。
由于环境与工艺的影响,会导致产品表面出现各种喷漆缺陷,常见的明显缺陷如流挂、波浪纹、针孔等。
传统的漆面缺陷检测过程中,通常通过人工观察进行检测筛选的,这种方法效率低、成本高,检测效果易受工作人员状态影响;采用阈值分割进行缺陷检测时只能针对空域特征明显的缺陷,对于空域特征不明显的缺陷难以做到有效的检测,采用图像压缩的方式可以有效解决对不同类型的缺陷进行检测的目的,但传统压缩方法例如霍夫曼编码文件头部信息冗余,导致压缩效率不高,同时解码时解码效率不高。
发明内容
针对上述技术问题,本发明提供了一种缝纫机表面喷漆异常检测方法及系统。
第一方面,本发明实施例提供了一种缝纫机表面喷漆异常检测方法,包括:
获取待检测缝纫机器械表面灰度图像;
获取待检测缝纫机器械表面灰度图像中每个像素点的梯度幅值,以各像素点为中心像素点进行滑窗遍历,利用每一个滑窗内除中心像素点的其他像素点的梯度幅值获取该滑窗内中心像素点的重构梯度幅值,得到所有像素点的重构梯度幅值;
利用每个像素点的重构梯度幅值进行游程编码,根据各灰度级中所有像素点所在游程编码中的长度计算各灰度级的优先级系数;
利用各灰度级的优先级系数获取的编码优先级对各灰度级按照从小到大的顺序进行编码排列,得到灰度级编码序列;
按照得到的灰度级编码序列对待检测缝纫机器械表面灰度图像进行霍夫曼编码,利用各灰度级在待检测缝纫机器械表面灰度图像中的频率和该灰度级的码长计算待检测缝纫机器械表面灰度图像的平均比特率;
根据待检测缝纫机器械表面灰度图像的平均比特率计算待检测缝纫机器械表面喷漆缺陷概率;
利用获取的待检测缝纫机器械表面喷漆缺陷概率对待检测缝纫机器械表面喷漆是否存在缺陷进行判断。
根据待检测缝纫机器械表面灰度图像的平均比特率计算待检测缝纫机器械表面喷漆缺陷概率的公式如下:
Pq=1-e-(|Q-Q′|)
式中:Pq表示待检测缝纫机器械表面灰度图像表面的喷漆缺陷概率,Q为该待检测缝纫机器械表面灰度图像的平均比特率,Q′为多张无缺陷待检测缝纫机器械表面灰度图像的平均比特率均值,e为自然对数底数;
其中,无缺陷待检测缝纫机器械表面灰度图像的平均比特率按照待检测缝纫机器械表面灰度图像的方法获取,对多张无缺陷待检测缝纫机器械表面灰度图像的平均比特率计算均值得到Q′。
计算待检测缝纫机器械表面灰度图像的平均比特率的过程为:
获取待检测缝纫机器械表面灰度图像的灰度级,计算各灰度级的频率,提取各灰度级经过优化后的霍夫曼编码的码长;
将各灰度级的频率与优化后的霍夫曼码长的乘积之和作为该待检测缝纫机器械表面灰度图像的平均比特率。
灰度级的码长的获取方法如下:
根据各灰度级的编码优先级系数构建初始霍夫曼树,将同层的叶子节点调整到左边,按照灰度级的频率值进行从小到大排序,将频率最小的放在霍夫曼树的左侧得到改进后的霍夫曼树;
根据改进后的霍夫曼树按照从小到大的优先级进行排序得到优化后的霍夫曼编码表,提取优化后的霍夫曼编码表中各灰度级的码长。
灰度级的编码优先级系数的计算公式如下:
式中:Ob表示第b个灰度级的编码优先级系数,Lb为第b个灰度级的平均游程编码长度,e为自然对数底数;
其中,灰度级的平均游程编码长度的计算公式如下:
式中:ab为第b个灰度级对应的像素点的数量,K表示第b个灰度级对应的第j个像素点对应的游程编码长度,j为第b个灰度级对应的像素点的序号。
像素点对应的游程编码长度的获取方法为:
根据待检测缝纫机器械表面灰度图像中的每个像素点的梯度幅值进行重构,根据各像素点的重构梯度幅值进行游程编码,根据得到的游程编码获取每个像素点重构梯度幅值对应的游程编码的长度,将像素点的重构梯度幅值对应的游程编码的长度作为该像素点的游程编码长度。
像素点的重构梯度幅值的重构过程如下:
以每个像素点为中心像素点进行N×N大小的滑窗,根据滑窗内像素点的梯度幅值的一阶差分的均值对滑窗的梯度值进行计算,将滑窗的梯度值作为中心像素点的重构梯度幅值,计算公式如下:
式中:h表示像素点的重构梯度幅值,表示对h的向下取整,N2表示滑窗内像素点的数量,fH表示中心像素点的梯度幅值,fHN表示除中心像素点滑窗内其他像素点的梯度幅值,i表示除中心像素点滑窗内其他像素点的序号。
第二方面,本发明实施例提供了一种缝纫机表面喷漆异常检测系统,包括:
图像处理模块:用于对相机采集的生产过程中的待检测缝纫机器械表面灰度图像进行语义分割,对分割后的图像进行灰度化处理得到待检测缝纫机器械表面灰度图像;
算法优化模块:通过对待检测缝纫机器械表面灰度图像中每个像素点的梯度幅值进行重构,根据每个像素点的重构梯度幅值进行游程编码,根据游程编码的长度对编码优先级进行排序,根据编码优先级系数对霍夫曼编码算法进行优化;
图像压缩模块:根据优化后的霍夫曼编码对图像进行压缩传输;
缺陷定位模块:根据优化后的霍夫曼编码算法得到霍夫曼编码表,根据霍夫曼编码表计算缝纫机器械的平均比特率,利用待检测缝纫机器械表面灰度图像的平均比特率对缝纫机器械是否存在缺陷,对存在缺陷的待检测缝纫机器械表面灰度图像进行缺陷匹配,通过解码定位缝纫机器械喷漆缺陷位置。
相比于现有技术,本发明实施例的有益效果在于:
1、通过压缩的方式进行缺陷检测,可以快速确定缺陷存在与否,解决传统针对单种缺陷进行检测时泛化能力弱的问题。
2、通过对传统霍夫曼编码进行优化,通过获取灰度级的优先级对趋近于缺陷的灰度级优先传输,防止缺陷数据的丢失同时保证压缩率不变。
3、通过修改压缩方式,使得每个灰度级所对应的编码中仅仅包含自身信息,降低了传统霍夫曼编码码头数据冗余的问题,增加了编码效率与解码效率,达到快速压缩与解码的目的,使其更加适应高速生产的产线。
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为本发明实施例一种缝纫机表面喷漆异常检测方法提供的方法流程图;
图2为本发明实施例一种缝纫机表面喷漆异常检测方法提供的霍夫曼编码表示意图;
图3为本发明实施例一种缝纫机表面喷漆异常检测方法提供的改进后的霍夫曼树示意图;
图4为本发明实施例一种缝纫机表面喷漆异常检测方法提供的霍夫曼编码示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。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。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征;在本实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
实施例1
本发明实施例提供了一种缝纫机表面喷漆异常检测方法,如图1所示,包括:
S101、获取待检测缝纫机器械表面灰度图像
本实施例需要对缝纫机器械表面缺陷进行检测并定位,需要先获取缝纫机器械表面的灰度图像,采集到的图像中往往存在缝纫机器械之外的背景,该背景会干扰后续缺陷检测及定位的准确性,故需对背景进行去除,得到待检测缝纫机器械表面灰度图像。
S102、对像素点的梯度幅值进行重构
正常的缝纫机器械喷涂完成后表面光滑,由于光照或器械位姿的原因其表面像素点存在灰度梯度,但其梯度幅值均较小且均匀;而当发生缺陷时,其表面的平整度遭到破坏,故缺陷区域的梯度幅值远远大于正常区域的梯度幅值,因此对待检测缝纫机器械表面灰度图像中像素点的梯度幅值进行重构。
S103、得到待检测缝纫机器械表面灰度图像的编码序列
通过重构梯度幅值对待检测缝纫机器械表面灰度图像的灰度级的编码优先级进行分析,将灰度级的编码优先级按照从小到大的顺序进行排序,这种排序方法不仅会使编码更明确,同时也会使重复的灰度级尽可能不同,通过优先级约束后,灰度级的重复率会大大降低。由于我们需要对缺陷区域进行检测,因此按照从小到大的排序方式,将优先级小的灰度级优先进行编码,能够降低感兴趣信息的丢失程度。
S104、得到优化后霍夫曼编码表
根据待检测缝纫机器械表面灰度图像的编码序列以及编码优先级系数构建优化后的霍夫曼编码表,优化后的霍夫曼编码表我们只需要知道同层中任一灰度级的位长即可知道其在霍夫曼树中的位置,编码表只需要保存每个符号的编码长度即可,对于相同位长的灰度级的编码相差为1,优化的霍夫曼编码表在解码的过程中,解码效率将会大大提高。
S105、判断缝纫机器械表面喷漆是否存在缺陷
根据各灰度级的频率以及该灰度级在优化后的霍夫曼编码的码长计算待检测缝纫机器械表面灰度图像的平均比特率,利用大数据获取的多张无异常待检测缝纫机器械表面灰度图像的平均比特率均值的差值对缝纫机器械表面的喷漆进行缺陷判断。
S106、得到喷漆缺陷位置
对存在喷漆缺陷的缝纫机器械的图像进行编码匹配,当出现缺陷时,灰度级的权重与优先级均会出现变化,即对应灰度级的编码会发生变化,将存在缺陷的待检测缝纫机器械表面灰度图像的每个灰度级的编码与大数据统计结果进行匹配,即可得到异常灰度级,通过对异常灰度级进行解码,即可得到缺陷的位置,便于快速得到缺陷类型。
实施例2
本发明实施例提供了一种缝纫机表面喷漆异常检测方法,如图1所示,具体内容包括:
S201、获取待检测缝纫机器械表面灰度图像
本实施例需要对缝纫机器械表面缺陷进行检测并定位,需要先获取缝纫机器械表面的灰度图像,采集到的图像中往往存在缝纫机器械之外的背景,背景会干扰后续缺陷检测及定位的准确性,故需对背景进行去除,得到待检测缝纫机器械表面灰度图像。
为了去除背景对后续缺陷检测的干扰,本发明首先采用DNN技术来识别图像中的缝纫机器械。
该DNN网络的相关内容如下:
1)使用的数据集为本发明所述采集过程得到的待检测缝纫机器械表面图像数据集,待检测缝纫机器械的样式类型为多种多样的。
2)需要分割的像素共分为两类,即训练集对应标签标注过程为:单通道的语义标签,对应位置像素属于背景类的标注为0,属于待检测缝纫机器械的标注为1。
3)网络的任务是分类,所有使用的loss函数为交叉熵损失函数。
将分割完成后的图像进行灰度化处理,得到待检测缝纫机器械表面灰度图像。
S202、对像素点的梯度幅值进行重构
正常的缝纫机器械喷涂完成后表面光滑,由于光照或器械位姿的原因其表面像素点存在灰度梯度,但其梯度幅值均较小且均匀;而当发生缺陷时,其表面的平整度遭到破坏,故缺陷区域的梯度幅值远远大于正常区域的梯度幅值,因此对待检测缝纫机器械表面灰度图像中像素点的梯度幅值进行重构。
对待检测缝纫机器械表面灰度图像获取其梯度幅值,利用Sobel算子计算待检测缝纫机器械表面灰度图像中各个像素点x,y方向的梯度fx,fy,则梯度幅值由于正常的缝纫机器械喷涂完成后表面光滑,由于光照或器械位姿的原因其表面像素点存在灰度梯度,但其梯度幅值均较小且均匀;而当发生缺陷时,其表面的平整度遭到破坏,故缺陷区域的梯度幅值远远大于正常区域的梯度幅值,故以图像中各像素点为中心点建立N×N大小的滑窗,计算滑窗内像素点梯度幅值的一阶差分的均值,将其赋予中心像素点,即:
式中:h表示像素点的重构梯度幅值,表示对h的向下取整,即当滑窗内像素点的梯度幅值存在微小差异或存在噪声点时也不会对游程编码造成致命影响,N2表示滑窗内像素点的数量,fH表示中心像素点的梯度幅值,fHN表示除中心像素点滑窗内其他像素点的梯度幅值,i表示除中心像素点滑窗内其他像素点的序号。
其中,N表示滑窗边长,该值为大于等于3的奇数。
S203、得到待检测缝纫机器械表面灰度图像的编码序列
通过重构梯度幅值对待检测缝纫机器械表面灰度图像的灰度级的编码优先级进行分析,将灰度级的编码优先级按照从小到大的顺序进行排序,这种排序方法不仅会使编码更明确,同时也会使重复的灰度级尽可能不同,通过优先级约束后,灰度级的重复率会大大降低。由于我们需要对缺陷区域进行检测,因此按照从小到大的排序方式,将优先级小的灰度级优先进行编码,能够降低感兴趣信息的丢失程度。
1)建立灰度直方图,统计待检测缝纫机器械表面灰度图像中各灰度级像素点的频率,即:
式中:pb表示第b个灰度级的频率,ab表示图像中第b个灰度级像素点的数量,m、n表示图像的长宽。将图像中的所有灰度级的频率按照从小到大进行排序,若两个或多个灰度级的频率相同,则按照灰度级的大小顺序进行排序,得到序列
C=[pb,min,pb,min+1,pb,min+2,…,pb,min+d…,pb,max]
对灰度级进行编号,按照序列C进行排序,例如pb,min编号为0,pb,max编号为255,由此得到每个灰度级的编号,传统霍夫曼编码进行编码压缩时是将编号为0,1的最小的两个灰度级进行相加编码压缩的,此时编码解码均需要霍夫曼树进行对应,我们期望每一个灰度级仅仅对于自身的信息,故对传统霍夫曼进行调整。
2)对图像中所有像素点的重构梯度值进行游程编码,即对于同一行或同一列的像素点,其重构梯度差值有连续K1个相同,重构梯度差值有连续Kk个相同,则该行或该列的编码为其中为单独的没有连续出现的重构梯度差值。
3)计算灰度级的优先级,遍历所有游程编码,计算每一个灰度级的游程编码序列的平均长度,将其作为该灰度级的优先级系数,即:
式中:Lb表示第b个灰度级的平均游程编码长度,ab表示第b个灰度级像素点的数量,K表示第j个像素点所对应的游程编码长度,第b个灰度级的平均游程编码长度Lb越长,说明该灰度级所对应的区域越可能为正常区域。
4)所述第b个灰度级的优先级计算方法为:
式中:Ob表示第b个灰度级的优先级系数,e为自然对数的底数,Lb表示第b个灰度级的平均游程编码长度,第b个灰度级的优先级系数Ob的值越大,说明该灰度级越不重要,需要优先编码,优先编码意味着编码长度较长,即传输时存在丢失的风险,故越重要的需要编码长度越短,避免传输时信息丢失。
5)通过优先级系数Ob调整灰度级大小顺序进行排序的序列C,即加入优先级判断,将优先级最大的灰度级调整到序列的第一个,优先级最小的调整到序列的最后,调整后的序列记为C’,调整后不仅会使编码更明确,同时会使重复的灰度级尽可能不同,即原序列C中存在若干个灰度级相同的灰度级,排序时是根据先后顺序排列,通过优先级约束后重复率大大降低。
S204、得到优化后霍夫曼编码表
根据待检测缝纫机器械表面灰度图像的编码序列以及编码优先级系数构建优化后的霍夫曼编码表,优化后的霍夫曼编码表我们只需要知道同层中任一灰度级的位长即可知道其在霍夫曼树中的位置,编码表只需要保存每个符号的编码长度即可,对于相同位长的灰度级的编码相差为1,优化的霍夫曼编码表在解码的过程中,解码效率将会大大提高。
传统霍夫曼编码示意图如图2所示,传统霍夫曼编码是先对每个灰度级的像素点的频率进行统计,得到每个灰度级的概率值,再将每个灰度级的概率值从小到大进行排列,将两最小概率值相加得到值继续重复上述操作,直至概率值为1时停止。
按照序列C’的大小顺序进行编码,即将序列的第一第二元素的优先级系数进行相加,与第三第四元素的优先级系数进行比较,若相加结果均大于第三第四原始的优先级系数,则将第三第四元素的优先级系数相加,若相加结果大于第三元素小于第四元素,则将相加结果与第三元素相加,重复迭代直至所有元素相加完成,对于同一层的的元素,将同一层的叶子节点调整到左边,按照灰度级的频率值进行从小到大排序,将频率最小的放在树的左侧,此时得到改进后的霍夫曼树,其构建示意图如图3所示。
根据改进后的霍夫曼树得到优化后的霍夫曼编码表,霍夫曼编码表示意图如图4所示,由此对图像的编码完成,此时我们仅仅需要知道一个灰度级的位长即可知道其在改进霍夫曼树中的位置,编码表只需要保存每个符合的编码长度即可,对于相同位长的编码之间都只相差1,故在进行解码时第n层的编码可以根据上层推算出来,解码效率将会大大提高,且优于传统霍夫曼编码解码之处在于不用构建霍夫曼树。
S205、判断缝纫机器械表面喷漆是否存在缺陷
根据各灰度级的频率以及该灰度级在优化后的霍夫曼编码的码长计算待检测缝纫机器械表面灰度图像的平均比特率,利用大数据获取的多张无异常待检测缝纫机器械表面灰度图像的平均比特率均值的差值对缝纫机器械表面的喷漆进行缺陷判断。
1.计算待检测缝纫机器械表面灰度图像的平均比特率
获取待检测缝纫机器械表面灰度图像的灰度级,计算各灰度级的频率,提取各灰度级经过优化后的霍夫曼编码的码长;
将各灰度级的频率与优化后的霍夫曼码长的乘积之和作为该待检测缝纫机器械表面灰度图像的平均比特率。
具体计算公式如下:
式中:Q为待检测缝纫机器械表面灰度图像的平均比特率,v表示灰度级的数量,pb为第b个灰度级的频率,Rb表示第b个灰度级的码长。
优化后的霍夫曼编码改变的是编码效率与解码效率,以便于适应快速生产的产线。
2.计算缝纫机器械表面喷漆的缺陷概率
通过大数据获取多张生产正常的缝纫机器械的平均比特率均值,根据图像的平均比特率与多张生产正常的缝纫机器械的平均比特率均值之间的差异判断是否存在缺陷,即:
Pq=1-e-(|Q-Q′|)
式中:Pq表示待检测缝纫机器械表面灰度图像表面的喷漆缺陷概率,Q为该待检测缝纫机器械表面灰度图像的平均比特率,Q′为大数据获取的多张无缺陷待检测缝纫机器械表面灰度图像的平均比特率均值,e为自然对数底数。
3.判断缝纫机器械表面喷漆是否存在缺陷
设置缺陷阈值,本实施例中的缺陷阈值为0.7,实施者可根据实际情况自行设置,当缝纫机器械表面的喷漆缺陷概率的值Pq≥0.7时,判定该缝纫机器械存在喷漆缺陷,当缝纫机器械表面的喷漆缺陷概率的值Pq<0.7时,判定该缝纫机器械没有喷漆缺陷。
S206、得到喷漆缺陷位置
对存在喷漆缺陷的缝纫机器械的图像进行编码匹配,当出现缺陷时,灰度级的权重与优先级均会出现变化,即对应灰度级的编码会发生变化,将存在缺陷的待检测缝纫机器械表面灰度图像的每个灰度级的编码与大数据统计结果进行匹配,即可得到异常灰度级,通过对异常灰度级进行解码,即可得到缺陷的位置,便于快速得到缺陷类型。
基于与上述方法相同的发明构思,本实施例还提供了一种缝纫机表面喷漆异常检测系统,本实施例中一种缝纫机表面喷漆异常检测方法及系统系统包括图像处理模块、算法优化模块、图像压缩模块和缺陷定位模块,所述图像处理模块、算法优化模块、图像压缩模块和缺陷定位模块,以实现如一种缝纫机表面喷漆异常检测方法及系统的实施例中所描述的利用相机获取待检测缝纫机器械表面灰度图像;对中心像素点的梯度幅值进行重构;计算各灰度级的优先级系数,根据灰度级的编码优先级确定编码序列;对霍夫曼编码进行优化,结合优化后的霍夫曼编码表计算图像的平均比特率,根据图像的平均比特率计算缝纫机器械表面喷漆缺陷概率,判断缝纫机器械表面喷漆是否存在缺陷;获取存在缺陷的待检测缝纫机器械表面灰度图像的异常灰度级,对异常灰度级进行解码得到喷漆缺陷位置。
由于一种缝纫机表面喷漆异常检测方法的实施例中已经对利用相机获取待检测缝纫机器械表面灰度图像;对中心像素点的梯度幅值进行重构;计算各灰度级的优先级系数,根据灰度级的编码优先级确定编码序列;对霍夫曼编码进行优化,结合优化后的霍夫曼编码表计算图像的平均比特率,根据图像的平均比特率计算缝纫机器械表面喷漆缺陷概率,判断缝纫机器械表面喷漆是否存在缺陷;获取存在缺陷的待检测缝纫机器械表面灰度图像的异常灰度级,对异常灰度级进行解码得到喷漆缺陷位置方法进行了说明,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 (8)
1.一种缝纫机表面喷漆异常检测方法,其特征在于,包括:
获取待检测缝纫机器械表面灰度图像;
获取待检测缝纫机器械表面灰度图像中每个像素点的梯度幅值,以各像素点为中心像素点进行滑窗遍历,利用每个滑窗内除中心像素点的其他像素点的梯度幅值获取该滑窗内中心像素点的重构梯度幅值,得到所有像素点的重构梯度幅值;
利用每个像素点的重构梯度幅值进行游程编码,根据各灰度级中所有像素点所在游程编码的长度计算各灰度级的优先级系数;
利用各灰度级的优先级系数获取的编码优先级对各灰度级按照从小到大的顺序进行编码排列,得到灰度级编码序列;
对待检测缝纫机器械表面灰度图像按照得到的灰度级编码序列进行霍夫曼编码,利用各灰度级在待检测缝纫机器械表面灰度图像中的频率和该灰度级的码长计算待检测缝纫机器械表面灰度图像的平均比特率;
根据待检测缝纫机器械表面灰度图像的平均比特率计算待检测缝纫机器械表面喷漆缺陷概率;
利用获取的待检测缝纫机器械表面喷漆缺陷概率对待检测缝纫机器械表面喷漆是否存在缺陷进行判断。
2.根据权利要求1所述的一种缝纫机表面喷漆异常检测方法,其特征在于,所述根据待检测缝纫机器械表面灰度图像的平均比特率计算待检测缝纫机器械表面喷漆缺陷概率的公式如下:
Pq=1-e-(|Q-Q′|)
式中:Pq表示待检测缝纫机器械表面灰度图像表面的喷漆缺陷概率,Q为待检测缝纫机器械表面灰度图像的平均比特率,Q′为多张无缺陷缝纫机器械表面灰度图像的平均比特率均值,e为自然对数底数;
其中,无缺陷缝纫机器械表面灰度图像的平均比特率按照待检测缝纫机器械表面灰度图像的方法获取,对多张无缺陷缝纫机器械表面灰度图像的平均比特率计算均值得到Q′。
3.根据权利要求2所述的一种缝纫机表面喷漆异常检测方法,其特征在于,所述计算待检测缝纫机器械表面灰度图像的平均比特率的过程为:
获取待检测缝纫机器械表面灰度图像的灰度级,计算各灰度级的频率,提取各灰度级经过优化后的霍夫曼编码的码长;
将各灰度级的频率与优化后的霍夫曼码长的乘积之和作为该待检测缝纫机器械表面灰度图像的平均比特率。
4.根据权利要求1所述的一种缝纫机表面喷漆异常检测方法,其特征在于,所述灰度级的码长的获取方法如下:
根据各灰度级的编码优先级系数构建初始霍夫曼树,将同层的叶子节点调整到左边,按照灰度级的频率值进行从小到大排序,将频率最小的放在霍夫曼树的左侧得到改进后的霍夫曼树;
根据改进后的霍夫曼树按照从小到大的优先级进行排序得到优化后的霍夫曼编码表,提取优化后的霍夫曼编码表中各灰度级的码长。
6.根据权利要求5所述的一种缝纫机表面喷漆异常检测方法,其特征在于,所述像素点对应的游程编码长度的获取方法为:
根据待检测缝纫机器械表面灰度图像中的每个像素点的梯度幅值进行重构,根据各像素点的重构梯度幅值进行游程编码,根据得到的游程编码获取每个像素点重构梯度幅值对应的游程编码的长度,将像素点的重构梯度幅值对应的游程编码的长度作为该像素点的游程编码长度。
8.一种缝纫机表面喷漆异常检测系统,包括:图像处理模块、算法优化模块、图像压缩模块和缺陷定位模块,其特征在于:
图像处理模块:用于对相机采集的生产过程中的待检测缝纫机器械表面灰度图像进行语义分割,对分割后的图像进行灰度化处理得到待检测缝纫机器械表面灰度图像;
算法优化模块:通过对待检测缝纫机器械表面灰度图像中每个像素点的梯度幅值进行重构,根据每个像素点的重构梯度幅值进行游程编码,根据游程编码的长度对编码优先级进行排序,根据编码优先级系数对霍夫曼编码算法进行优化;
图像压缩模块:根据优化后的霍夫曼编码对图像进行压缩传输;
缺陷定位模块:根据优化后的霍夫曼编码算法得到霍夫曼编码表,根据霍夫曼编码表计算缝纫机器械的平均比特率,利用待检测缝纫机器械表面灰度图像的平均比特率计算缝纫机器械的缺陷概率,根据得到的缺陷概率对待检测缝纫机器械进行异常判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210476128.XA CN114998215A (zh) | 2022-04-29 | 2022-04-29 | 一种缝纫机表面喷漆异常检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210476128.XA CN114998215A (zh) | 2022-04-29 | 2022-04-29 | 一种缝纫机表面喷漆异常检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114998215A true CN114998215A (zh) | 2022-09-02 |
Family
ID=83025227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210476128.XA Pending CN114998215A (zh) | 2022-04-29 | 2022-04-29 | 一种缝纫机表面喷漆异常检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998215A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205165A (zh) * | 2022-09-16 | 2022-10-18 | 山东联博新材料科技有限公司 | 用于工业机械外壳的防腐材料喷涂方法 |
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 |
-
2022
- 2022-04-29 CN CN202210476128.XA patent/CN114998215A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205165A (zh) * | 2022-09-16 | 2022-10-18 | 山东联博新材料科技有限公司 | 用于工业机械外壳的防腐材料喷涂方法 |
CN115205165B (zh) * | 2022-09-16 | 2022-12-09 | 山东联博新材料科技有限公司 | 用于工业机械外壳的防腐材料喷涂方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402248B (zh) | 一种基于机器视觉的输电线路导线缺陷检测方法 | |
CN114998215A (zh) | 一种缝纫机表面喷漆异常检测方法及系统 | |
CN110796637A (zh) | 图像缺陷检测模型的训练、测试方法、装置及存储介质 | |
CN111402226A (zh) | 一种基于级联卷积神经网络的表面疵点检测方法 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN111179263B (zh) | 一种工业图像表面缺陷检测模型、方法、系统及装置 | |
CN114820610B (zh) | 基于图像处理的新材料医疗器械缺陷检测方法 | |
CN111369526B (zh) | 基于半监督深度学习的多类型旧桥裂痕识别方法 | |
CN114581692B (zh) | 一种基于智能图形识别的防振锤故障检测方法及系统 | |
CN115861290B (zh) | 一种肤感木门表面缺陷检测方法 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
CN117094916B (zh) | 一种市政桥梁支座视觉检测方法 | |
CN113936132B (zh) | 基于计算机视觉的化工厂水体污染检测方法与系统 | |
CN115082719B (zh) | 一种木材质量分级方法 | |
CN114972894A (zh) | 一种基于计算机视觉的cpp薄膜缺陷分类方法 | |
CN111753794A (zh) | 水果品质分类方法、装置、电子设备及可读存储介质 | |
CN113870202A (zh) | 一种基于深度学习技术的远端芯片缺陷检测系统 | |
CN114565607A (zh) | 基于神经网络的织物缺陷图像分割方法 | |
CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 | |
CN109829879B (zh) | 维管束的检测方法及装置 | |
CN113763384B (zh) | 工业质检中的缺陷检测方法、缺陷检测装置 | |
CN113793327B (zh) | 一种基于token的高铁异物检测方法 | |
CN115457323A (zh) | 基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法 | |
CN112150434A (zh) | 一种轮胎缺陷的检测方法、装置、设备及存储介质 | |
CN117830300B (zh) | 一种基于视觉的燃气管道外观质量检测方法 |
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 |