CN115035113A - 基于x射线的手机数据线生产缺陷无损检测方法 - Google Patents

基于x射线的手机数据线生产缺陷无损检测方法 Download PDF

Info

Publication number
CN115035113A
CN115035113A CN202210958104.8A CN202210958104A CN115035113A CN 115035113 A CN115035113 A CN 115035113A CN 202210958104 A CN202210958104 A CN 202210958104A CN 115035113 A CN115035113 A CN 115035113A
Authority
CN
China
Prior art keywords
gray value
contrast
enhancement
mobile phone
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.)
Granted
Application number
CN202210958104.8A
Other languages
English (en)
Other versions
CN115035113B (zh
Inventor
郑荣华
吴四明
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.)
Baise Baixiang Technology Co ltd
Shenzhen Tongtaixiang Special Wire And Cable Co ltd
Original Assignee
Baise Baixiang Technology Co ltd
Shenzhen Tongtaixiang Special Wire And Cable 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 Baise Baixiang Technology Co ltd, Shenzhen Tongtaixiang Special Wire And Cable Co ltd filed Critical Baise Baixiang Technology Co ltd
Priority to CN202210958104.8A priority Critical patent/CN115035113B/zh
Publication of CN115035113A publication Critical patent/CN115035113A/zh
Application granted granted Critical
Publication of CN115035113B publication Critical patent/CN115035113B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • 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
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明公开了一种基于X射线的手机数据线生产缺陷无损检测方法，属于图像处理技术领域；包括以下步骤：获取手机数据线的X射线图像；并获取X射线图像中每个像素点的对比度；构建对比度‑灰度矩阵；获取每个对比度的增强权重分布；获取增强因子曲线上所有的截断点；利用增强后的灰度值替换X射线图像中原本的灰度值，获取增强后的图像；根据增强后的图像利用DNN神经网络识别手机数据线的生产缺陷。本发明通过对手机数据线X射线图像进行增强，根据增强后的X射线图像检测手机数据线的生产缺陷，以便根据手机数据线的生产缺陷调整生产工艺提高手机数据线的合格率。

Description

基于X射线的手机数据线生产缺陷无损检测方法
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X射线的手机数据线生产缺陷无损检测方法。
背景技术
手机数据线是连接手机到电脑的线缆，用来实现手机和电脑之间的数据通信。随着科技与经济的发展，手机已成为人们生活中不可或缺的一部分，而手机数据线作为手机的标配也成为人们生活中不可或缺的一部分。
在手机数据线的生产过程中，可能会因为工艺不当导致手机数据线存在断线、短路等缺陷。此些缺陷会导致手机数据线数据传输效率低或无法传输，严重时损坏手机甚至会引起火灾。因此在手机数据线出厂前需对手机数据线进行生产缺陷检测。目前生产上对手机数据线进行检测时普遍是由人工将手机数据线的接头插入到检测装置中，进行额定电压电流等测试。但该测试方法仅能检测手机数据线是否存在质量问题，而无法检测到产生质量问题的具体生产缺陷，也就无法根据生产缺陷调整生产工艺提高手机数据线的合格率。
为了实现上述目的，本领域技术人员通常采用X射线探测手机数据线内部的生产缺陷，但是大部分X射线仪检测精度低，得到的X射线图像不清晰，导致直接根据手机数据线X射线图像检测结果准确率低。若要通过X射线图像准确检测手机数据线的生产缺陷，则需要对X射线图像增强，而现有的图像增强方法如直方图均衡化，通过将图像的直方图转换为均匀分布的形式增强图像整体对比度从而实现图像增强，但该方法存在频率大的灰度值过度增强、频率小的灰度值被合并吞噬的问题。手机数据线的细节以及缺陷对应的灰度值可能较少，通过直方图均衡化的方法可能会导致缺陷所在的灰度值被吞噬合并，此时无法达到增强图像细节和缺陷的效果。因此，为了增强手机数据线的X射线图，并准确检测出手机数据线的生产缺陷，本发明提供一种基于X射线的手机数据线生产缺陷无损检测方法。
发明内容
为了解决现有技术中的不足，本发明提供一种基于X射线的手机数据线生产缺陷无损检测方法，该方法通过对手机数据线X射线图像进行增强，根据增强后的X射线图像检测手机数据线的生产缺陷，以便根据手机数据线的生产缺陷调整生产工艺提高手机数据线的合格率。
本发明的目的是提供一种基于X射线的手机数据线生产缺陷无损检测方法，包括以下步骤：
获取手机数据线的X射线图像；并获取X射线图像中每个像素点的对比度；
根据每个像素点的对比度及灰度值构建对比度-灰度矩阵；
根据每个像素点的对比度设定对比度的增强区间；
根据对比度的增强区间，结合高斯分布函数获取每个对比度的增强权重分布；
根据每个对比度的增强权重分布及对比度-灰度矩阵中的元素值获取每个灰度值的增强因子；其中，对比度-灰度矩阵中的元素值为相同对比度和灰度值对应像素点的频数；
根据每个灰度值的增强因子绘制增强因子曲线；统计增强因子曲线上多个极大值对应的极大灰度值获取灰度值序列；
根据灰度值序列中任一极大灰度值与其相邻的一极大灰度值，和在增强因子曲线中所述任一极大灰度值与其相邻的一极大灰度值之间的每个灰度值，及每个灰度值在对比度-灰度矩阵中对应的像素点的频数，获取所述任一极大灰度值与其相邻的一极大灰度值之间的每个灰度值的截断点概率，将最大截断点概率对应的灰度值作为截断点；依次类比获取增强因子曲线上所有的截断点；
根据每个灰度值是否为截断点获取每个灰度值的增强频率；再根据每个灰度值的增强频率获取每个灰度值的增强概率；根据每个灰度值的增强概率及最大灰度值获取每个灰度值增强后的灰度值；利用增强后的灰度值替换X射线图像中原本的灰度值，获取增强后的图像；
根据增强后的图像利用DNN神经网络识别手机数据线的生产缺陷。
在一实施例中，所述每个灰度值的截断点概率是按照以下步骤获取：
获取灰度值序列中任一极大灰度值在对比度-灰度矩阵中，并在对比度的增强区间内最大元素值对应的第一对比度；
根据任一极大灰度值在灰度值序列中与其相邻的两个极大灰度值及第一对比度确定任一极大灰度值与其相邻的一极大灰度值之间存在截断点；
根据任一极大灰度值与其相邻的一极大灰度值和其之间的每个灰度值，及每个灰度值在对比度-灰度矩阵中对应的像素点的频数获取任一极大灰度值与其相邻的一极大灰度值之间每个灰度值的截断点概率。
在一实施例中，所述对比度-灰度矩阵中，对比度-灰度矩阵每一行为一个灰度值；对比度-灰度矩阵每一列为一个对比度值。
在一实施例中，所述每个对比度的增强权重分布是按照以下步骤获取：
基于高斯分布函数，根据对比度的增强区间中的下限值和上限值，获取高斯分布函数的幅值参数，标准差参数及均值参数；将幅值参数，标准差参数及均值参数输入高斯分布函数中获取每个对比度的增强权重分布。
在一实施例中，所述每个对比度的增强权重分布计算公式如下：
Figure DEST_PATH_IMAGE001
式中，
Figure 79418DEST_PATH_IMAGE002
表示对比度为
Figure 199821DEST_PATH_IMAGE003
的增强权重分布；
Figure 670904DEST_PATH_IMAGE004
表示对比度的增强区间；
Figure 3796DEST_PATH_IMAGE003
表示对比度值为
Figure 739540DEST_PATH_IMAGE003
。
在一实施例中，所述每个灰度值的增强因子计算公式如下：
Figure 499685DEST_PATH_IMAGE005
式中，
Figure 455134DEST_PATH_IMAGE006
表示灰度值为
Figure 591717DEST_PATH_IMAGE007
的增强因子；
Figure 713126DEST_PATH_IMAGE002
表示对比度为
Figure 378594DEST_PATH_IMAGE003
的增强权重分布；
Figure 818409DEST_PATH_IMAGE008
表示对比度-灰度矩阵中灰度值为
Figure 758683DEST_PATH_IMAGE007
及对比度为
Figure 469019DEST_PATH_IMAGE003
的像素点的频数。
在一实施例中，每个灰度值的增强频率计算公式如下：
Figure 570967DEST_PATH_IMAGE009
式中，
Figure 501008DEST_PATH_IMAGE010
表示灰度值为
Figure 979394DEST_PATH_IMAGE007
的增强频率，
Figure DEST_PATH_IMAGE011
表示截断点的集合；
Figure 481919DEST_PATH_IMAGE012
表示对比度的增强区间中的上限值。
在一实施例中，所述每个灰度值增强后的灰度值计算公式如下：
Figure 496712DEST_PATH_IMAGE013
式中，
Figure 163317DEST_PATH_IMAGE014
表示灰度值
Figure 429082DEST_PATH_IMAGE007
增强后的灰度值；
Figure 864743DEST_PATH_IMAGE015
为灰度值为r的增强概率；
Figure 370810DEST_PATH_IMAGE016
表示灰度值
Figure 9864DEST_PATH_IMAGE017
的累积增强概率；255表示最大的灰度值。
在一实施例中，所述每个像素点的对比度是按照以下步骤获取：
设置尺寸
Figure 830053DEST_PATH_IMAGE018
的窗口对X射线图像进行遍历，对每个窗口内的像素点经K均值聚类算法分成两类，根据两类像素点的灰度值均值获取每个窗口中心像素点的对比度；依次类比获取每个像素点的对比度。
在一实施例中，所述手机数据线的生产缺陷是按照以下步骤识别：
DNN神经网络是基于均方差损失函数，和采集的手机数据线X射线增强图像作为训练集，获取训练后的DNN神经网络；网络的输入为手机数据线X射线增强图像，网络输出为包围框的中心点及长宽尺寸；所述包围框为手机数据线的生产缺陷区域；
将待检测的手机数据线X射线增强图像输入至DNN神经网络获取手机数据线的生产缺陷区域。
本发明的有益效果是：
本发明提供的一种基于X射线的手机数据线生产缺陷无损检测方法，该方法通过获取X射线图像中每个像素点的对比度，构建对比度-灰度矩阵，通过对比度-灰度矩阵获取每个对比度值的增强权重，用来反应对应像素点需要增强的程度，再根据每个对比度值的增强权重获取每个灰度值的增强因子，对手机数据线X射线图像中不同特征灰度值区分的边界，实现对不明显的特征进行整体增强，从而提高图像整体的对比度的同时，提高图像局部的对比度，可避免频率大的灰度值过度增强、频率小的灰度值被吞噬合并，对手机数据线细节及缺陷有着较好的增强效果。根据手机数据线X射线增强图像进行手机数据线生产缺陷检测，检测结果更加准确。可根据手机数据生产缺陷的检测结果对手机数据线进行分拣，确保出厂的手机数据线的合格率。
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为本发明的一种基于X射线的手机数据线生产缺陷无损检测方法的实施例总体步骤的流程示意图。
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。
本发明所针对的具体场景为：X射线图像不清晰，需要对X射线图像进行增强，使得手机数据线中的生产缺陷更加清晰易于检测。本发明通过结合获取每个像素点的对比度，构建对比度-灰度矩阵，根据对比度-灰度矩阵获取每个灰度值的增强因子，结合增强因子对X射线图像进行增强。本发明可提高图像整体的对比度同时提高图像局部的对比度，避免频率大的灰度值过度增强、频率小的灰度值丢失的问题。
本发明的主要目的是：通过对手机数据线X射线图像进行增强，根据增强后的X射线图像检测手机数据线的生产缺陷，以便根据手机数据线的生产缺陷调整生产工艺提高手机数据线的合格率。
本发明提供的一种基于X射线的手机数据线生产缺陷无损检测方法，参见图1所示，包括以下步骤：
S1、获取手机数据线的X射线图像；
在本实施例中，通过传送带将手机数据线传送至X射线仪，通过X射线仪对手机数据线进行扫描，获得手机数据线X射线图像。手机数据线X射线图像为灰度图像。
需要说明的是，X射线图像是利用X射线对不同物质穿透能力不同获得的。X射线对手机数据线内部不同部分的穿透能力差异可能较小，或X射线手机数据线内部缺陷与其他正常部分的穿透能力差异可能较小，导致手机数据线X射线图像不清晰。此时需要对手机数据线X射线图像进行增强。
现有的图像增强方法如直方图均衡化，通过将图像的直方图转换为均匀分布的形式增强图像整体对比度从而实现图像增强，但该方法存在频率大的灰度值过度增强、频率小的灰度值被合并吞噬的问题。手机数据线的细节以及缺陷对应的灰度值可能较少，通过直方图均衡化的方法可能会导致缺陷所在的灰度值被吞噬合并，此时无法达到增强图像细节和缺陷的效果。
本实施例通过计算每个像素点的对比度，构建对比度-灰度矩阵，结合对比度-灰度矩阵获取每个灰度值的增强因子。根据增强因子对手机数据线X射线图像进行增强。可提高图像的整体对比度，同时提高图像的局部对比度，可避免频率大的灰度值过度增强、频率小的灰度值被吞噬合并。对手机数据线细节及缺陷有着较好的增强效果。具体如下：
S2、获取X射线图像中每个像素点的对比度；
根据每个像素点的对比度及灰度值构建对比度-灰度矩阵；
需要说明的是，图像不清晰可以认为是由于图像中细节、边缘等部分的对比度较低造成的。因此，本实施例中首先计算每个像素点的对比度，以便后续根据像素点的对比度构建像素点对比度-灰度矩阵，获取每个灰度值需要增强的程度。
所述每个像素点的对比度是按照以下步骤获取：
设置尺寸
Figure 369487DEST_PATH_IMAGE018
的窗口对X射线图像进行遍历，对每个窗口内的像素点经K均值聚类算法分成两类，根据两类像素点的灰度值均值获取每个窗口中心像素点的对比度；依次类比获取每个像素点的对比度。
在本实施例中，以手机数据线X射线图像中每个像素点为中心，构建一个
Figure 249719DEST_PATH_IMAGE018
的窗口，在实施例中
Figure 373139DEST_PATH_IMAGE019
，以窗口内每个像素点的灰度值为数据样本，对数据样本进行聚类，将其分成两类；获取每一类像素点的灰度值均值，计算两类像素点的灰度值均值的差值绝对值，作为该窗口中心像素点的对比度；对比度可以反映局部像素点灰度的变化，当对比度较大时，可能为清晰的边缘，当对比度较小时，可能为模糊的边缘，当对比度非常小时，可能为平坦区域；当窗口内包含X射线图像中两个图像特征时，对比度实际可看作是连哥哥图像特征的灰度差异。需要说明的是，在本实施例中采用K均值聚类算法，设置聚类的类别为2，则最终聚类的结果就是两类。
所述对比度-灰度矩阵中，对比度-灰度矩阵每一行为一个灰度值；对比度-灰度矩阵每一列为一个对比度值。对比度-灰度矩阵中的元素值为相同对比度和灰度值对应像素点的频数。
为了获取对比度-灰度矩阵，在本实施例中，统计手机数据线X射线图像中所有灰度值的对应的所有对比度出现的频率，构建一个
Figure 731439DEST_PATH_IMAGE020
大小的对比度-灰度矩阵。对比度-灰度矩阵每一行表示一个灰度值，如对比度-灰度矩阵中第
Figure 390960DEST_PATH_IMAGE021
行表示灰度值
Figure 442092DEST_PATH_IMAGE007
；对比度-灰度矩阵每一列表示一个对比度值，如对比度-灰度矩阵中第
Figure 790159DEST_PATH_IMAGE022
行表示对比度值
Figure 952150DEST_PATH_IMAGE003
；对比度-灰度矩阵中的值表示该行灰度值该列对比度在手机数据线X射线图像中的像素点频率。如对比度-灰度矩阵中第
Figure 200598DEST_PATH_IMAGE021
行第
Figure 219370DEST_PATH_IMAGE022
列的值
Figure 323242DEST_PATH_IMAGE008
为手机数据线X射线图像中灰度值为
Figure 23344DEST_PATH_IMAGE007
对比度为
Figure 391878DEST_PATH_IMAGE003
的像素点的频数。
S3、根据每个像素点的对比度设定对比度的增强区间；
根据对比度的增强区间，结合高斯分布函数获取每个对比度的增强权重分布；
需要说明的是，对于对比度非常小的像素点，可能为平坦区域的像素点，无需对其进行增强，对于对比度大的像素点，可能为清晰的边缘的像素点，无需对其进行增强；对于对比度较小的像素点，可能为不明显的边缘或缺陷的像素点，需要对其进行增强。因此对比度的大小决定了像素点是否需要增强。
在本实施例中，当对比度非常小或较大时，无需进行增强，当对比度较小时，需要进行增强，此时对比度的增强权重应较大。此时由操作人员基于每个像素点的对比度，根据实际情况设置阈值
Figure 519234DEST_PATH_IMAGE023
、
Figure 373051DEST_PATH_IMAGE012
，使得小于阈值
Figure 611266DEST_PATH_IMAGE023
对比度值的增强权重为0，大于阈值
Figure 99885DEST_PATH_IMAGE012
的对比度值的增强权重为0，即将
Figure 194880DEST_PATH_IMAGE024
区间作为对比度的增强区间；在本实施例中，基于实际情况将
Figure 519682DEST_PATH_IMAGE025
，
Figure 778231DEST_PATH_IMAGE026
。
所述每个对比度的增强权重分布是按照以下步骤获取：
基于高斯分布函数，根据对比度的增强区间中的下限值和上限值，获取高斯分布函数的幅值参数，标准差参数及均值参数；将幅值参数，标准差参数及均值参数输入高斯分布函数中获取每个对比度的增强权重分布。具体如下：
在本实施例中，对于
Figure 855778DEST_PATH_IMAGE024
增强区间内的对比度值，该增强区间内较小的对比度值较大可能对应灰度平坦区域内的噪声点，较小可能为不明显的边缘，此时为了避免对噪声点过度增强，该增强区间内较小的对比度值的增强权重应较小；该增强区间内较大的对比度值，对比度值越大，图像中对应的位置越清晰，因此当增强区间内对比度值越大时，需要增强的程度就越小，增强权重应较小；该增强区间内处于中间的对比度值较大可能对应图像中不明显的边缘，此时需要重点增强，其增强权重应较大。该规律与高斯分布相似，因此可用高斯分布函数来拟合
Figure 590515DEST_PATH_IMAGE024
增强区间内对比度增强权重分布，高斯分布函数为：
Figure 933772DEST_PATH_IMAGE027
式中，
Figure 795680DEST_PATH_IMAGE028
为幅值参数，
Figure 744044DEST_PATH_IMAGE029
为标准差参数，
Figure 102214DEST_PATH_IMAGE030
为均值参数。
根据对比度的增强区间中的下限值和上限值，获取高斯分布函数的幅值参数，标准差参数及均值参数；具体如下：
以
Figure 901409DEST_PATH_IMAGE024
强区间的中值作为高斯分布的均值，即
Figure DEST_PATH_IMAGE031
；
高斯分布自变量
Figure 737647DEST_PATH_IMAGE032
落在
Figure 540518DEST_PATH_IMAGE033
中的概率约为
Figure 367791DEST_PATH_IMAGE034
，因此将
Figure 888902DEST_PATH_IMAGE024
落在范围
Figure 325569DEST_PATH_IMAGE035
上，此时
Figure 248525DEST_PATH_IMAGE036
；
为使得对比度增强权重范围处于
Figure 292705DEST_PATH_IMAGE037
之间，使得幅值参数
Figure 48915DEST_PATH_IMAGE038
；
将参数
Figure 774425DEST_PATH_IMAGE028
、
Figure 597894DEST_PATH_IMAGE029
、
Figure 16237DEST_PATH_IMAGE030
的取值带入到高斯分布函数中得到每个对比度的增强权重分布
Figure 731514DEST_PATH_IMAGE002
：
Figure 323032DEST_PATH_IMAGE001
式中，
Figure 955002DEST_PATH_IMAGE002
表示对比度为
Figure 527935DEST_PATH_IMAGE003
的增强权重分布；
Figure 307672DEST_PATH_IMAGE004
表示对比度的增强区间；
Figure 128647DEST_PATH_IMAGE003
表示对比度值为
Figure 411861DEST_PATH_IMAGE003
。
S4、根据每个对比度的增强权重分布及对比度-灰度矩阵中的元素值获取每个灰度值的增强因子；
根据每个灰度值的增强因子绘制增强因子曲线；统计增强因子曲线上多个极大值对应的极大灰度值获取灰度值序列；其中，极大灰度值是增强因子曲线上极大值对应的灰度值，也就将获取灰度值序列中的每个灰度值记为极大灰度值；
在本实施例中，每个灰度值对应多个对比度，结合对比度增强权重及对比度-灰度矩阵中的频率，获取每个灰度值的增强因子。所述每个灰度值的增强因子计算公式如下：
Figure 172006DEST_PATH_IMAGE005
式中，
Figure 625990DEST_PATH_IMAGE006
表示灰度值为
Figure 559311DEST_PATH_IMAGE007
的增强因子；
Figure 385447DEST_PATH_IMAGE002
表示对比度为
Figure 582073DEST_PATH_IMAGE003
的增强权重分布；
Figure 70823DEST_PATH_IMAGE008
表示对比度-灰度矩阵中灰度值为
Figure 994786DEST_PATH_IMAGE007
及对比度为
Figure 190275DEST_PATH_IMAGE003
的像素点的频数，即为对比度-灰度矩阵中第
Figure 305605DEST_PATH_IMAGE021
行第
Figure 16072DEST_PATH_IMAGE022
列的元素值；当灰度值
Figure 478147DEST_PATH_IMAGE007
对比度处于
Figure 59301DEST_PATH_IMAGE024
范围内的像素点频率越大，灰度值
Figure 128888DEST_PATH_IMAGE007
的增强因子越大。
根据上述获取的所有灰度值的增强因子。以灰度值为横轴，增强因子为纵轴，绘制增强因子曲线。由于手机数据线中同一特征（如芯线）在手机数据线X射线图像中灰度较为平坦，同一特征包含的灰度值的频率呈现高斯分布的形式。若该特征不明显即与其他特征相近，则根据上述步骤，该特征对应灰度值中，频率最大的灰度值处于对比度的增强区间
Figure 749487DEST_PATH_IMAGE024
范围内的像素点频率最大，其增强因子最大。则获取增强因子曲线上所有局部极大值对应的极大灰度值，也就是获取增强因子曲线上所有峰值对应的极大灰度值，统计增强因子曲线上多个极大值对应的极大灰度值获取灰度值序列；将灰度值序列的个数记为
Figure 15252DEST_PATH_IMAGE039
。
根据灰度值序列对不明显的特征进行整体增强，具体如下：
S5、根据灰度值序列中任一极大灰度值与其相邻的一极大灰度值，和在增强因子曲线中所述任一极大灰度值与其相邻的一极大灰度值之间的每个灰度值，及每个灰度值在对比度-灰度矩阵中对应的像素点的频数，获取所述任一极大灰度值与其相邻的一极大灰度值之间的每个灰度值的截断点概率，将最大截断点概率对应的灰度值作为截断点；依次类比获取增强因子曲线上所有的截断点；
所述每个灰度值的截断点概率是按照以下步骤获取：
获取灰度值序列中任一极大灰度值在对比度-灰度矩阵中，并在对比度的增强区间内最大元素值对应的第一对比度；
根据任一极大灰度值在灰度值序列中与其相邻的两个极大灰度值及第一对比度确定任一极大灰度值与其相邻的一极大灰度值之间存在截断点；
根据任一极大灰度值与其相邻的一极大灰度值和其之间的每个灰度值，及每个灰度值在对比度-灰度矩阵中对应的像素点的频数获取任一极大灰度值与其相邻的一极大灰度值之间每个灰度值的截断点概率。
在本实施例中，为对每个不明显的特征进行整体增强，则需要将增强因子曲线分段，增加每段之间的对比度。对灰度值序列中除第一个极大灰度值及最后一个极大灰度值之外的每个极大灰度值进行分析（第一个极大灰度值、最后一个极大灰度值默认分别属于增强因子曲线分段后第一段、最后一段，因此无需对其分析），获取增强因子曲线分段的截断点。如对灰度值序列中第
Figure 450913DEST_PATH_IMAGE040
个极大灰度值（
Figure 636607DEST_PATH_IMAGE041
）进行分析的过程如下：
首先获取灰度值序列中第
Figure 790508DEST_PATH_IMAGE040
个极大灰度值在对比度-灰度矩阵中，对比度的增强区间
Figure 407434DEST_PATH_IMAGE042
范围内频率最大的对比度，记为
Figure 150131DEST_PATH_IMAGE043
。该值极大可能为灰度值序列中第
Figure 781095DEST_PATH_IMAGE040
个极大灰度值所表示特征的边缘的对比度。则与该特征通过所述边缘相邻特征的边缘也不清晰，所述相邻特征的边缘的对比度也处于
Figure 156712DEST_PATH_IMAGE024
范围内，所述相邻特征的主要灰度值也位于灰度值序列中，且与第
Figure 764280DEST_PATH_IMAGE040
个极大灰度值在灰度值序列中相邻。且当
Figure 971271DEST_PATH_IMAGE043
为灰度值序列中第
Figure 756824DEST_PATH_IMAGE040
个极大灰度值所表示特征的边缘的对比度时，相邻特征的主要灰度值与灰度值序列中第
Figure 367540DEST_PATH_IMAGE040
个极大灰度值之间的差异近似
Figure 263952DEST_PATH_IMAGE043
；同时
Figure 777979DEST_PATH_IMAGE043
有较小可能为灰度值序列中第
Figure 13DEST_PATH_IMAGE040
个极大灰度值所表示特征中噪声的对比度，而所述特征与周围相邻特征对比度较大，此时周围相邻特征的主要灰度值与灰度值序列中第
Figure 897693DEST_PATH_IMAGE040
个极大灰度值之间的差异远大于
Figure 332217DEST_PATH_IMAGE043
。
其次，获取灰度值序列中第
Figure 248220DEST_PATH_IMAGE044
个极大灰度值、第
Figure 890423DEST_PATH_IMAGE045
个极大灰度值分别与第
Figure 727929DEST_PATH_IMAGE040
个极大灰度值的差值绝对值，判断所述差异绝对值是否小于
Figure 985384DEST_PATH_IMAGE046
。若所述差异绝对值均大于等于
Figure 959157DEST_PATH_IMAGE046
，则
Figure 975523DEST_PATH_IMAGE043
为灰度值序列中第
Figure 51058DEST_PATH_IMAGE040
个极大灰度值所表示特征中噪声的对比度，此时灰度值序列中第
Figure 92963DEST_PATH_IMAGE040
个极大灰度值所表示特征与周围相邻特征的对比度较大，无需进行重点增强，无需根据第
Figure 436089DEST_PATH_IMAGE040
个极大灰度值在增强因子曲线中分段，即在第
Figure 967564DEST_PATH_IMAGE040
个极大灰度值与第
Figure 248504DEST_PATH_IMAGE044
个极大灰度值之间、第
Figure 107482DEST_PATH_IMAGE045
个极大灰度值与第
Figure 852584DEST_PATH_IMAGE040
个极大灰度值之间不存在截断点；
若仅存在一个所述差异绝对值小于1.5
Figure 7491DEST_PATH_IMAGE043
，则该差异绝对值对应的灰度值为灰度值序列中第
Figure 41306DEST_PATH_IMAGE040
个极大灰度值所表示特征相邻特征的主要灰度值，该灰度值与第
Figure 175746DEST_PATH_IMAGE040
个极大灰度值之间存在截断点。若该极大灰度值为灰度值序列中第
Figure 978617DEST_PATH_IMAGE045
个极大灰度值，则将其记为
Figure 304425DEST_PATH_IMAGE047
，将第
Figure 825536DEST_PATH_IMAGE040
个极大灰度值记为
Figure 778316DEST_PATH_IMAGE048
。若该灰度值为灰度值序列中第
Figure 966852DEST_PATH_IMAGE044
个极大灰度值，则将其记为
Figure 197982DEST_PATH_IMAGE048
，将第
Figure 206389DEST_PATH_IMAGE040
个极大灰度值记为
Figure 994217DEST_PATH_IMAGE047
；
若两个所述差异绝对值均小于1.5
Figure 522412DEST_PATH_IMAGE043
，则获取与
Figure 675176DEST_PATH_IMAGE043
更接近的差异绝对值对应的灰度值。该灰度值即为灰度值序列中第
Figure 154568DEST_PATH_IMAGE040
个极大灰度值所表示特征相邻特征的主要灰度值，该灰度值与第
Figure 746086DEST_PATH_IMAGE040
个极大灰度值之间存在截断点。若该灰度值为灰度值序列中第
Figure 125858DEST_PATH_IMAGE045
个极大灰度值，则将其记为
Figure 715103DEST_PATH_IMAGE047
，将第
Figure 681791DEST_PATH_IMAGE040
个极大灰度值记为
Figure 14683DEST_PATH_IMAGE048
。若该灰度值为灰度值序列中第
Figure 251892DEST_PATH_IMAGE044
个极大灰度值，则将其记为
Figure 74354DEST_PATH_IMAGE048
，将第
Figure 279070DEST_PATH_IMAGE040
个极大灰度值记为
Figure 133763DEST_PATH_IMAGE047
。
最后，获取
Figure 740325DEST_PATH_IMAGE047
与
Figure 487351DEST_PATH_IMAGE048
之间的截断点：在噪声的干扰下，极大灰度值
Figure 913784DEST_PATH_IMAGE047
所表示的特征还包含了极大灰度值
Figure 837746DEST_PATH_IMAGE047
相邻的灰度值，且包含的灰度值频率呈现高斯分布的形式，因此距离极大灰度值
Figure 298815DEST_PATH_IMAGE047
越远且频率越小的灰度值越可能为截断点。同理距离极大灰度值
Figure 197501DEST_PATH_IMAGE048
越远且频率越小的灰度值越可能为截断点。综合以上，越靠近极大灰度值
Figure 127542DEST_PATH_IMAGE047
与
Figure 605927DEST_PATH_IMAGE048
中值的灰度值且频率越小的灰度值越可能为截断点。计算极大灰度值
Figure 170770DEST_PATH_IMAGE047
与
Figure 443619DEST_PATH_IMAGE048
之间的每个灰度值为截断点的概率，如极大灰度值
Figure 592448DEST_PATH_IMAGE047
与
Figure 140104DEST_PATH_IMAGE048
之间的灰度值
Figure 559452DEST_PATH_IMAGE049
为截断点的概率
Figure 3203DEST_PATH_IMAGE050
为：
Figure 704574DEST_PATH_IMAGE051
式中，
Figure 524763DEST_PATH_IMAGE052
表示极大灰度值
Figure 64197DEST_PATH_IMAGE047
与
Figure 413270DEST_PATH_IMAGE048
的中值；
Figure 585625DEST_PATH_IMAGE053
为极大灰度值
Figure 154711DEST_PATH_IMAGE047
与
Figure 96122DEST_PATH_IMAGE048
之间的灰度值
Figure 865363DEST_PATH_IMAGE049
和
Figure 479010DEST_PATH_IMAGE047
与
Figure 375422DEST_PATH_IMAGE048
的中值之间的差异，当该差异越小，灰度值
Figure 889448DEST_PATH_IMAGE049
越靠近
Figure 111482DEST_PATH_IMAGE047
与
Figure 943916DEST_PATH_IMAGE048
的中值；
Figure 909598DEST_PATH_IMAGE054
为对比度-灰度矩阵中灰度值为
Figure 278131DEST_PATH_IMAGE049
对比度值为
Figure 936645DEST_PATH_IMAGE003
的像素点频率；
Figure 196988DEST_PATH_IMAGE055
为灰度值为
Figure 215628DEST_PATH_IMAGE049
的像素点频率；
Figure 923821DEST_PATH_IMAGE056
为负相关函数；只有当灰度值
Figure 241320DEST_PATH_IMAGE049
越靠近
Figure 300543DEST_PATH_IMAGE047
与
Figure 857295DEST_PATH_IMAGE048
的中值且灰度值为
Figure 747890DEST_PATH_IMAGE049
的像素点频率越小时，灰度值
Figure 482628DEST_PATH_IMAGE049
为截断点的概率越大，灰度值
Figure 779880DEST_PATH_IMAGE049
越可能为截断点。
计算极大灰度值
Figure 359897DEST_PATH_IMAGE047
与
Figure 557529DEST_PATH_IMAGE048
之间所有灰度值为截断点概率，以其中概率最大的灰度值作为截断点。
同理，对增强因子曲线中除第一个极大灰度值、最后一个极大灰度值之外的其余极大灰度值进行分析，获取增强因子曲线所有截断点，构成截断点集合
Figure 259905DEST_PATH_IMAGE011
。截断点为手机数据线X射线图像中不同特征灰度值区分的边界，为增强不同特征灰度值之间的对比度，则需要为边界设置较大的增强概率。根据灰度值是否为截断点，为每个灰度值设置增强概率。具体如下：
S6、根据每个灰度值是否为截断点获取每个灰度值的增强频率；再根据每个灰度值的增强频率获取每个灰度值的增强概率；根据每个灰度值的增强概率及最大灰度值获取每个灰度值增强后的灰度值；利用增强后的灰度值替换X射线图像中原本的灰度值，获取增强后的图像；
根据灰度值是否为截断点，获取每个灰度值的增强频率；每个灰度值的增强频率计算公式如下：
Figure 41523DEST_PATH_IMAGE009
式中，
Figure 425231DEST_PATH_IMAGE010
表示灰度值为
Figure 8528DEST_PATH_IMAGE007
的增强频率，
Figure 85069DEST_PATH_IMAGE011
表示截断点的集合；
Figure 825754DEST_PATH_IMAGE012
表示对比度的增强区间中的上限值；
Figure 75469DEST_PATH_IMAGE007
为灰度值大小。需要说明的是，在未进行增强前，每个灰度值占所有灰度值的
Figure 998426DEST_PATH_IMAGE057
，因此当灰度值
Figure 698398DEST_PATH_IMAGE007
不是截断点时，将
Figure 237963DEST_PATH_IMAGE057
设为灰度值
Figure 806934DEST_PATH_IMAGE007
的增强频率；当灰度值
Figure 584397DEST_PATH_IMAGE007
为截断点时，为了将不同特征的灰度值进行区分，灰度值
Figure 252008DEST_PATH_IMAGE007
的频率应设置较大的数值，而认为对比度大于
Figure 747711DEST_PATH_IMAGE012
时，图像中对应的特征较为清晰，要求灰度值
Figure 27645DEST_PATH_IMAGE007
与前一个灰度值增强后之间距离较大，使得图像的两个特征区分较为明显，则将灰度值
Figure 784249DEST_PATH_IMAGE007
的增强频率设置为
Figure 121296DEST_PATH_IMAGE058
；
再根据每个灰度值的增强频率获取每个灰度值的增强概率，其计算公式如下：
Figure 838716DEST_PATH_IMAGE059
式中，
Figure 420876DEST_PATH_IMAGE010
为灰度值
Figure 969669DEST_PATH_IMAGE007
的增强频率；
Figure 480547DEST_PATH_IMAGE060
表示灰度值为
Figure 685263DEST_PATH_IMAGE007
的增强概率；将灰度值
Figure 805535DEST_PATH_IMAGE007
的增强频率除以所有灰度值的增强频率之和进行归一化得到灰度值
Figure 412097DEST_PATH_IMAGE007
的增强概率。依次获取每个灰度值的增强概率。
在本实施例中，根据上述获取了每个灰度值的增强概率，将所述概率映射到
Figure 96806DEST_PATH_IMAGE061
范围，所得结果即为灰度值的增强结果。所述每个灰度值增强后的灰度值计算公式如下：
Figure 788818DEST_PATH_IMAGE062
式中，
Figure 525830DEST_PATH_IMAGE014
表示灰度值
Figure 236166DEST_PATH_IMAGE007
增强后的灰度值；
Figure 338114DEST_PATH_IMAGE015
为灰度值为r的增强概率；
Figure 268155DEST_PATH_IMAGE016
表示灰度值
Figure 480962DEST_PATH_IMAGE017
的累积增强概率；255表示最大的灰度值。由此，将灰度值从0至每个灰度值的增强概率的累积率在最大灰度值所占的比值作为每个灰度值增强后的灰度值，能够提高图像整体的对比度的同时，提高图像局部的对比度，可避免频率大的灰度值过度增强、频率小的灰度值被吞噬合并，对手机数据线细节及缺陷有着较好的增强效果。
最后，利用增强后的灰度值替换手机数据线X射线图像中原本的灰度值，得到手机数据线X射线增强图像。本实施例中的图像增强方法提高图像的整体对比度，同时提高图像的局部对比度，可避免频率大的灰度值过度增强、频率小的灰度值被吞噬合并。对手机数据线细节及缺陷有着较好的增强效果。
S7、根据增强后的图像利用DNN神经网络识别手机数据线的生产缺陷。
所述手机数据线的生产缺陷是按照以下步骤识别：
DNN神经网络是基于均方差损失函数，和采集的手机数据线X射线增强图像作为训练集，获取训练后的DNN神经网络；网络的输入为手机数据线X射线增强图像，网络输出为包围框的中心点及长宽尺寸；所述包围框为手机数据线的生产缺陷区域；其中，DNN神经网络采用编码器-解码器（Encoder-Decoder）形式；将待检测的手机数据线X射线增强图像输入至DNN神经网络获取手机数据线的生产缺陷区域。
上述步骤获取了手机数据线X射线增强图像，根据手机数据线X射线增强图像进行手机数据线生产缺陷检测，检测结果更加准确。
在本实施例中，通过DNN神经网络识别手机数据线生产缺陷。DNN网络的具体内容如下：
（1）网络采用Encoder-Decoder的形式，先对手机数据线X射线增强图像进行编码，而后进行解码。网络的输入为手机数据线X射线增强图像，输出为包围框中心点、回归出的包围框长宽尺寸，缺陷类别；所述包围框为手机数据线的生产缺陷区域。
（2）网络的输入为手机数据线X射线增强图像，先对手机数据线X射线增强图像进行编码，即使用卷积和池化操作在对手机数据线X射线增强图像下采样的过程中，提取手机数据线X射线增强图像的特征，编码器的输出为提取到的特征向量。
（3）解码器的输入为编码器的输出特征向量，解码器经过上采样，回归出手机数据线X射线增强图像中目标对应包围框的中心点和长宽尺寸；解码器的输出为网络的输出。
（4）网络的训练所用数据集为手机数据线X射线增强图像数据集。
（5）手机数据线X射线增强图像的标签为手机数据线生产缺陷类别、缺陷类别对应的包围框，包括包围框中心点坐标和包围框的长宽尺寸。
（6）loss损失函数为均方差损失函数。
至此，完成了手机数据线生产缺陷的检测与识别。
可根据手机数据生产缺陷的检测结果对手机数据线进行分拣，确保出厂的手机数据线的合格率。同时操作人员可根据手机数据线生产缺陷检测结果对生产工艺进行调整，提高后续生产的手机数据线的合格率。
综上，本发明提供的一种基于X射线的手机数据线生产缺陷无损检测方法，该方法通过获取X射线图像中每个像素点的对比度，构建对比度-灰度矩阵，通过对比度-灰度矩阵获取每个对比度值的增强权重，用来反应对应像素点需要增强的程度，再根据每个对比度值的增强权重获取每个灰度值的增强因子，对手机数据线X射线图像中不同特征灰度值区分的边界，实现对不明显的特征进行整体增强，从而提高图像整体的对比度的同时，提高图像局部的对比度，可避免频率大的灰度值过度增强、频率小的灰度值被吞噬合并，对手机数据线细节及缺陷有着较好的增强效果。根据手机数据线X射线增强图像进行手机数据线生产缺陷检测，检测结果更加准确。可根据手机数据生产缺陷的检测结果对手机数据线进行分拣，确保出厂的手机数据线的合格率。
以上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 (10)

1.一种基于X射线的手机数据线生产缺陷无损检测方法，其特征在于，包括以下步骤：
获取手机数据线的X射线图像；并获取X射线图像中每个像素点的对比度；
根据每个像素点的对比度及灰度值构建对比度-灰度矩阵；
根据每个像素点的对比度设定对比度的增强区间；
根据对比度的增强区间，结合高斯分布函数获取每个对比度的增强权重分布；
根据每个对比度的增强权重分布及对比度-灰度矩阵中的元素值获取每个灰度值的增强因子；其中，对比度-灰度矩阵中的元素值为相同对比度和灰度值对应像素点的频数；
根据每个灰度值的增强因子绘制增强因子曲线；统计增强因子曲线上多个极大值对应的极大灰度值获取灰度值序列；
根据灰度值序列中任一极大灰度值与其相邻的一极大灰度值，和在增强因子曲线中所述任一极大灰度值与其相邻的一极大灰度值之间的每个灰度值，及每个灰度值在对比度-灰度矩阵中对应的像素点的频数，获取所述任一极大灰度值与其相邻的一极大灰度值之间的每个灰度值的截断点概率，将最大截断点概率对应的灰度值作为截断点；依次类比获取增强因子曲线上所有的截断点；
根据每个灰度值是否为截断点获取每个灰度值的增强频率；再根据每个灰度值的增强频率获取每个灰度值的增强概率；根据每个灰度值的增强概率及最大灰度值获取每个灰度值增强后的灰度值；利用增强后的灰度值替换X射线图像中原本的灰度值，获取增强后的图像；
根据增强后的图像利用DNN神经网络识别手机数据线的生产缺陷。
2.根据权利要求1所述的一种基于X射线的手机数据线生产缺陷无损检测方法，其特征在于，所述每个灰度值的截断点概率是按照以下步骤获取：
获取灰度值序列中任一极大灰度值在对比度-灰度矩阵中，并在对比度的增强区间内最大元素值对应的第一对比度；
根据任一极大灰度值在灰度值序列中与其相邻的两个极大灰度值及第一对比度确定任一极大灰度值与其相邻的一极大灰度值之间存在截断点；
根据任一极大灰度值与其相邻的一极大灰度值和其之间的每个灰度值，及每个灰度值在对比度-灰度矩阵中对应的像素点的频数获取任一极大灰度值与其相邻的一极大灰度值之间每个灰度值的截断点概率。
3.根据权利要求1所述的一种基于X射线的手机数据线生产缺陷无损检测方法，其特征在于，所述对比度-灰度矩阵中，对比度-灰度矩阵每一行为一个灰度值；对比度-灰度矩阵每一列为一个对比度值。
4.根据权利要求1所述的一种基于X射线的手机数据线生产缺陷无损检测方法，其特征在于，所述每个对比度的增强权重分布是按照以下步骤获取：
基于高斯分布函数，根据对比度的增强区间中的下限值和上限值，获取高斯分布函数的幅值参数，标准差参数及均值参数；将幅值参数，标准差参数及均值参数输入高斯分布函数中获取每个对比度的增强权重分布。
5.根据权利要求4所述的一种基于X射线的手机数据线生产缺陷无损检测方法，其特征在于，所述每个对比度的增强权重分布计算公式如下：
Figure 44314DEST_PATH_IMAGE002
式中，
Figure DEST_PATH_IMAGE003
表示对比度为
Figure 205037DEST_PATH_IMAGE004
的增强权重分布；
Figure DEST_PATH_IMAGE005
表示对比度的增强区间；
Figure 194639DEST_PATH_IMAGE004
表示对比度值为
Figure 378496DEST_PATH_IMAGE004
。
6.根据权利要求5所述的一种基于X射线的手机数据线生产缺陷无损检测方法，其特征在于，所述每个灰度值的增强因子计算公式如下：
Figure DEST_PATH_IMAGE007
式中，
Figure 341773DEST_PATH_IMAGE008
表示灰度值为
Figure DEST_PATH_IMAGE009
的增强因子；
Figure 124046DEST_PATH_IMAGE003
表示对比度为
Figure 717839DEST_PATH_IMAGE004
的增强权重分布；
Figure 388991DEST_PATH_IMAGE010
表示对比度-灰度矩阵中灰度值为
Figure 388915DEST_PATH_IMAGE009
及对比度为
Figure 461913DEST_PATH_IMAGE004
的像素点的频数。
7.根据权利要求1所述的一种基于X射线的手机数据线生产缺陷无损检测方法，其特征在于，每个灰度值的增强频率计算公式如下：
Figure 757765DEST_PATH_IMAGE012
式中，
Figure DEST_PATH_IMAGE013
表示灰度值为
Figure 479996DEST_PATH_IMAGE009
的增强频率，
Figure 988338DEST_PATH_IMAGE014
表示截断点的集合；
Figure DEST_PATH_IMAGE015
表示对比度的增强区间中的上限值。
8.根据权利要求7所述的一种基于X射线的手机数据线生产缺陷无损检测方法，其特征在于，所述每个灰度值增强后的灰度值计算公式如下：
Figure DEST_PATH_IMAGE017
式中，
Figure 353327DEST_PATH_IMAGE018
表示灰度值
Figure 288922DEST_PATH_IMAGE009
增强后的灰度值；
Figure DEST_PATH_IMAGE019
为灰度值为r的增强概率；
Figure 996984DEST_PATH_IMAGE020
表示灰度值
Figure DEST_PATH_IMAGE021
的累积增强概率；255表示最大的灰度值。
9.根据权利要求1所述的一种基于X射线的手机数据线生产缺陷无损检测方法，其特征在于，所述每个像素点的对比度是按照以下步骤获取：
设置尺寸
Figure 607219DEST_PATH_IMAGE022
的窗口对X射线图像进行遍历，对每个窗口内的像素点经K均值聚类算法分成两类，根据两类像素点的灰度值均值获取每个窗口中心像素点的对比度；依次类比获取每个像素点的对比度。
10.根据权利要求1所述的一种基于X射线的手机数据线生产缺陷无损检测方法，其特征在于，所述手机数据线的生产缺陷是按照以下步骤识别：
DNN神经网络是基于均方差损失函数，和采集的手机数据线X射线增强图像作为训练集，获取训练后的DNN神经网络；网络的输入为手机数据线X射线增强图像，网络输出为包围框的中心点及长宽尺寸；所述包围框为手机数据线的生产缺陷区域；
将待检测的手机数据线X射线增强图像输入至DNN神经网络获取手机数据线的生产缺陷区域。
CN202210958104.8A 2022-08-11 2022-08-11 基于x射线的手机数据线生产缺陷无损检测方法 Active CN115035113B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210958104.8A CN115035113B (zh) 2022-08-11 2022-08-11 基于x射线的手机数据线生产缺陷无损检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210958104.8A CN115035113B (zh) 2022-08-11 2022-08-11 基于x射线的手机数据线生产缺陷无损检测方法

Publications (2)

Publication Number Publication Date
CN115035113A true CN115035113A (zh) 2022-09-09
CN115035113B CN115035113B (zh) 2022-10-25

Family

ID=83130062

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210958104.8A Active CN115035113B (zh) 2022-08-11 2022-08-11 基于x射线的手机数据线生产缺陷无损检测方法

Country Status (1)

Country Link
CN (1) CN115035113B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115861321A (zh) * 2023-02-28 2023-03-28 深圳市玄羽科技有限公司 应用于工业互联网的生产环境检测方法及系统
CN116703888A (zh) * 2023-07-28 2023-09-05 菏泽城建新型工程材料有限公司 一种钻孔灌注桩施工辅助异常检测方法及其系统
CN117593295A (zh) * 2024-01-18 2024-02-23 东莞市立时电子有限公司 一种手机数据线生产缺陷无损检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6236751B1 (en) * 1998-09-23 2001-05-22 Xerox Corporation Automatic method for determining piecewise linear transformation from an image histogram
US7164787B1 (en) * 2003-06-26 2007-01-16 The United States Of America As Represented By The Secretary Of The Navy Enhancing two-dimensional contrast images rendered from three-dimensional streak tube imaging lidar (STIL) data
US20170169548A1 (en) * 2015-09-25 2017-06-15 Shenzhen China Star Optoelectronics Technology Co. Ltd. Image contrast enhancement method
CN110930425A (zh) * 2019-10-21 2020-03-27 中国科学院西安光学精密机械研究所 基于邻域向量内积局部对比度图像增强的损伤目标检测方法
CN114494098A (zh) * 2022-04-01 2022-05-13 武汉工程大学 一种锂电池x射线图像增强方法、装置以及存储介质
CN114511471A (zh) * 2022-04-18 2022-05-17 广州骏天科技有限公司 基于灰度共生矩阵的图像优化方法及系统
CN114842007A (zh) * 2022-07-04 2022-08-02 南通东德纺织科技有限公司 一种基于图像处理的纺织品磨损缺陷检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6236751B1 (en) * 1998-09-23 2001-05-22 Xerox Corporation Automatic method for determining piecewise linear transformation from an image histogram
US7164787B1 (en) * 2003-06-26 2007-01-16 The United States Of America As Represented By The Secretary Of The Navy Enhancing two-dimensional contrast images rendered from three-dimensional streak tube imaging lidar (STIL) data
US20170169548A1 (en) * 2015-09-25 2017-06-15 Shenzhen China Star Optoelectronics Technology Co. Ltd. Image contrast enhancement method
CN110930425A (zh) * 2019-10-21 2020-03-27 中国科学院西安光学精密机械研究所 基于邻域向量内积局部对比度图像增强的损伤目标检测方法
CN114494098A (zh) * 2022-04-01 2022-05-13 武汉工程大学 一种锂电池x射线图像增强方法、装置以及存储介质
CN114511471A (zh) * 2022-04-18 2022-05-17 广州骏天科技有限公司 基于灰度共生矩阵的图像优化方法及系统
CN114842007A (zh) * 2022-07-04 2022-08-02 南通东德纺织科技有限公司 一种基于图像处理的纺织品磨损缺陷检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙斌等: "基于多尺度Retinex的缺陷图像增强算法", 《无损检测》 *
王付军等: "基于微焦点X射线的SMT焊点缺陷检测仿真", 《计算机仿真》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115861321A (zh) * 2023-02-28 2023-03-28 深圳市玄羽科技有限公司 应用于工业互联网的生产环境检测方法及系统
CN115861321B (zh) * 2023-02-28 2023-09-05 深圳市玄羽科技有限公司 应用于工业互联网的生产环境检测方法及系统
CN116703888A (zh) * 2023-07-28 2023-09-05 菏泽城建新型工程材料有限公司 一种钻孔灌注桩施工辅助异常检测方法及其系统
CN116703888B (zh) * 2023-07-28 2023-10-20 菏泽城建新型工程材料有限公司 一种钻孔灌注桩施工辅助异常检测方法及其系统
CN117593295A (zh) * 2024-01-18 2024-02-23 东莞市立时电子有限公司 一种手机数据线生产缺陷无损检测方法
CN117593295B (zh) * 2024-01-18 2024-05-28 东莞市立时电子有限公司 一种手机数据线生产缺陷无损检测方法

Also Published As

Publication number Publication date
CN115035113B (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN115035113B (zh) 基于x射线的手机数据线生产缺陷无损检测方法
CN106875381B (zh) 一种基于深度学习的手机外壳缺陷检测方法
CN115082481B (zh) 一种用于齿轮的图像增强方法
CN114842017A (zh) 一种hdmi线缆表面质量检测方法及系统
CN115082418B (zh) 一种汽车零部件精密识别方法
CN114757900B (zh) 基于人工智能的纺织品缺陷类型识别方法
CN111402248A (zh) 一种基于机器视觉的输电线路导线缺陷检测方法
CN115294140B (zh) 一种五金零件缺陷检测方法及系统
CN111507426B (zh) 基于视觉融合特征的无参考图像质量分级评价方法及装置
CN113498528A (zh) 图像缺陷确定方法与装置、电子设备及存储介质
CN115049669A (zh) 金属缺陷识别方法
CN115063430B (zh) 基于图像处理的电气管道裂纹检测方法
CN115689948B (zh) 用于检测建筑供水管道裂痕的图像增强方法
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
CN115330791A (zh) 一种零件毛刺检测方法
CN115311484B (zh) 一种焊缝数据的优化聚类分割方法
CN115018835B (zh) 一种汽车起动机齿轮检测方法
CN116630329B (zh) 用于多轴多通道数控系统的在线视觉检测方法
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN117011292B (zh) 一种复合板表面质量快速检测方法
CN114359288A (zh) 基于人工智能的医学影像脑动脉瘤检测和定位方法
CN116246174B (zh) 基于图像处理的甘薯种类识别方法
CN114820625A (zh) 一种汽车顶块缺陷检测方法
CN114998356A (zh) 一种基于图像处理的车桥缺陷检测方法
CN115330796A (zh) 一种铜线镀锡缺陷识别方法

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