CN115082438B - 一种基于计算机视觉的拉深零件质检系统 - Google Patents

一种基于计算机视觉的拉深零件质检系统 Download PDF

Info

Publication number
CN115082438B
CN115082438B CN202210860990.0A CN202210860990A CN115082438B CN 115082438 B CN115082438 B CN 115082438B CN 202210860990 A CN202210860990 A CN 202210860990A CN 115082438 B CN115082438 B CN 115082438B
Authority
CN
China
Prior art keywords
image
pixel
image enhancement
pixel points
quality inspection
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
CN202210860990.0A
Other languages
English (en)
Other versions
CN115082438A (zh
Inventor
陈小宏
卞圣玮
孙小银
孟祥龙
张素文
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.)
Yuqin Precision Drawing Technology Suzhou Co ltd
Original Assignee
Yuqin Precision Drawing Technology Suzhou 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 Yuqin Precision Drawing Technology Suzhou Co ltd filed Critical Yuqin Precision Drawing Technology Suzhou Co ltd
Priority to CN202210860990.0A priority Critical patent/CN115082438B/zh
Publication of CN115082438A publication Critical patent/CN115082438A/zh
Application granted granted Critical
Publication of CN115082438B publication Critical patent/CN115082438B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于计算机视觉的拉深零件质检系统，包括图像增强模块；图像增强模块采用如下方式对拉深零件的外观图像进行增强处理：将外观图像转换到Lab颜色空间；分别获取L分量、a分量、b分量的图像igL、iga、igb；对igL中的每个像素点均进行改进的图像增强处理，获得对igL增强后的图像strigL；将strigL、iga、igb转换到RGB颜色空间，获得增强图像。本发明的质检系统在对拉深零件进行质检时，采用了改进的图像增强处理来对拉深零件进行图像增强处理，通过当前进行增强处理的像素点的8邻域的像素点的像素值等级来匹配数据库中预先设置好的图像增强参数，然后基于图像增强参数进行图像增强处理，提高了图像增强处理的结果的准确性和图像增强处理的效率。

Description

一种基于计算机视觉的拉深零件质检系统
技术领域
本发明涉及质检邻域，尤其涉及一种基于计算机视觉的拉深零件质检系统。
背景技术
拉深是一种钣金成型工艺，可产生高尺寸精度和光滑的表面光洁的零件，它使用冲头和模具将金属拉制成所需的形状。拉深零件比冲压零件更坚固，因为金属在深拉过程中被拉伸。 冲压零件的强度不如拉深零件，因为它们不会拉伸金属。需要高成型性的设计特征最适合拉深。拉深零件的成本通常高于冲压零件，但这种成本被它们更高的强度重量比和耐腐蚀性所抵消。
拉深零件生成出来后需要进行质检，现有技术中，一般采用计算机视觉中的图像识别的方式来进行质检，而在图像识别的过程中，会涉及图像的增强这一步骤，现有技术中的质检系统，在对图像进行增强时，并没有考虑不同区域的像素点周边的像素值分布的区别，往往对所有的像素点采用同一种增强方式进行图像增强，从而使得图像增强的结果不够准确，影响了后续对拉深零件进行质检的结果的准确性。
发明内容
本发明的目的在于公开一种基于计算机视觉的拉深零件质检系统，解决现有技术中，质检系统在对图像进行增强时，并没有考虑不同区域的像素点周边的像素值分布的区别，往往对所有的像素点采用同一种增强方式进行图像增强，从而使得图像增强的结果不够准确，影响了后续对拉深零件进行质检的结果的准确性的问题。
为了达到上述目的，本发明采用如下技术方案：
一种基于计算机视觉的拉深零件质检系统，包括图像增强模块；
图像增强模块采用如下方式对拉深零件的外观图像进行增强处理：
将外观图像转换到Lab颜色空间；
分别获取L分量、a分量、b分量的图像
Figure 852737DEST_PATH_IMAGE001
、
Figure 915371DEST_PATH_IMAGE002
、
Figure 727470DEST_PATH_IMAGE003
；
对
Figure 540442DEST_PATH_IMAGE001
中的每个像素点均进行改进的图像增强处理，获得对
Figure 82282DEST_PATH_IMAGE001
增强后的图像
Figure 456763DEST_PATH_IMAGE004
；
将
Figure 84053DEST_PATH_IMAGE005
、
Figure 530078DEST_PATH_IMAGE002
、
Figure 801791DEST_PATH_IMAGE003
转换到RGB颜色空间，获得增强图像；
改进的图像增强处理，包括：
对于
Figure 471806DEST_PATH_IMAGE001
中的像素点
Figure 461759DEST_PATH_IMAGE006
，获取
Figure 508213DEST_PATH_IMAGE006
的8邻域范围内的每个像素点的像素值的集合U；
基于集合U判断像素点
Figure 132967DEST_PATH_IMAGE006
的8邻域中的像素点的分布类型；
基于8邻域中的像素点的分布类型获取像素点
Figure 973884DEST_PATH_IMAGE006
的图像增强参数；
基于图像增强参数对像素点
Figure 451133DEST_PATH_IMAGE006
进行图像增强处理。
作为优选，基于计算机视觉的拉深零件质检系统还包括拍摄模块；
拍摄模块用于获取拉深零件的外观图像。
作为优选，基于计算机视觉的拉深零件质检系统还包括图像降噪模块；
图像降噪模块用于对所述增强图像进行降噪处理，获得处理图像。
作为优选，基于计算机视觉的拉深零件质检系统还包括图像识别模块；
图像识别模块用于获取所述处理图像中包含的特征信息。
作为优选，基于计算机视觉的拉深零件质检系统还包括质检模块；
质检模块用于将所述特征信息输入到预先训练好的神经网络模型中进行处理，获取所述拉深零件的质检结果。
作为优选，所述基于集合U判断像素点
Figure 35698DEST_PATH_IMAGE007
的8邻域中的像素点的分布类型，包括：
将
Figure 547582DEST_PATH_IMAGE007
以及
Figure 559400DEST_PATH_IMAGE007
的8邻域范围内的像素点记为矩阵Q，
Figure 523945DEST_PATH_IMAGE008
；
分别确定矩阵Q中每个像素点的像素值等级；
基于像素值等级确定像素点
Figure 646622DEST_PATH_IMAGE007
的8邻域中的像素点的分布类型。
作为优选，对于像素点
Figure 980389DEST_PATH_IMAGE009
，
Figure 428688DEST_PATH_IMAGE010
，采用如下公式计算
Figure 614950DEST_PATH_IMAGE011
的像素值等级：
Figure 806896DEST_PATH_IMAGE012
式中，
Figure 27793DEST_PATH_IMAGE013
表示像素点
Figure 381414DEST_PATH_IMAGE009
的像素值等级，
Figure 54972DEST_PATH_IMAGE014
表示像素点
Figure 785031DEST_PATH_IMAGE011
的像素值。
作为优选，所述基于像素值等级确定像素点
Figure 358969DEST_PATH_IMAGE007
的8邻域中的像素点的分布类型，包括：
将
Figure 883492DEST_PATH_IMAGE006
以及
Figure 44346DEST_PATH_IMAGE006
的8邻域范围内的像素点的等级存入矩阵P，
Figure 312516DEST_PATH_IMAGE015
；
从数据库中获取与矩阵P相同的矩阵
Figure 570322DEST_PATH_IMAGE016
；
从数据库中获取矩阵
Figure 406691DEST_PATH_IMAGE016
的分布类型
Figure 179475DEST_PATH_IMAGE017
，并将
Figure 861123DEST_PATH_IMAGE018
作为像素点
Figure 35752DEST_PATH_IMAGE019
的8邻域中的像素点的分布类型。
作为优选，所述基于8邻域中的像素点的分布类型获取像素点
Figure 275979DEST_PATH_IMAGE019
的图像增强参数，包括：
将
Figure 536059DEST_PATH_IMAGE017
的分布类型所对应的图像增强参数作为像素点
Figure 21398DEST_PATH_IMAGE019
的图像增强参数。
作为优选，所述图像增强参数包括伽马变换的参数g ；
所述基于图像增强参数对像素点
Figure 316113DEST_PATH_IMAGE019
进行图像增强处理，包括：
使用如下公式对像素点
Figure 228705DEST_PATH_IMAGE019
进行图像增强处理：
Figure 710502DEST_PATH_IMAGE020
式中，
Figure 999532DEST_PATH_IMAGE021
表示像素点
Figure 148754DEST_PATH_IMAGE022
在
Figure 996362DEST_PATH_IMAGE023
中的像素值，
Figure 965455DEST_PATH_IMAGE025
表示预设的常数参数，
Figure 792597DEST_PATH_IMAGE026
表示像素点
Figure 796325DEST_PATH_IMAGE022
在
Figure 644195DEST_PATH_IMAGE027
中的像素值，
Figure 772688DEST_PATH_IMAGE028
表示
Figure 731417DEST_PATH_IMAGE027
中的像素值的最大值。
本发明的质检系统在对拉深零件进行质检时，采用了改进的图像增强处理来对拉深零件进行图像增强处理，在增强的过程中，通过当前进行增强处理的像素点的8邻域的像素点的像素值等级来匹配数据库中预先设置好的图像增强参数，然后基于图像增强参数进行图像增强处理，有效地提高了图像增强处理的结果的准确性，也有效地提高了图像增强处理的处理效率。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1，为本发明对拉深零件的外观图像进行增强处理的一种示例性实施例图。
图2，为本发明获取拉深零件的外观图像的一种示例性实施例图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
如图1所示的一种实施例，本发明提供了一种基于计算机视觉的拉深零件质检系统，包括图像增强模块；
图像增强模块采用如下方式对拉深零件的外观图像进行增强处理：
将外观图像转换到Lab颜色空间；
分别获取L分量、a分量、b分量的图像
Figure 199438DEST_PATH_IMAGE001
、
Figure 14948DEST_PATH_IMAGE002
、
Figure 332534DEST_PATH_IMAGE003
；
对
Figure 891691DEST_PATH_IMAGE001
中的每个像素点均进行改进的图像增强处理，获得对
Figure 479799DEST_PATH_IMAGE001
增强后的图像
Figure 200630DEST_PATH_IMAGE004
；
将
Figure 506978DEST_PATH_IMAGE005
、
Figure 604247DEST_PATH_IMAGE002
、
Figure 312440DEST_PATH_IMAGE003
转换到RGB颜色空间，获得增强图像；
改进的图像增强处理，包括：
对于
Figure 469751DEST_PATH_IMAGE001
中的像素点
Figure 496351DEST_PATH_IMAGE007
，获取
Figure 662890DEST_PATH_IMAGE007
的8邻域范围内的每个像素点的像素值的集合U；
基于集合U判断像素点
Figure 960010DEST_PATH_IMAGE007
的8邻域中的像素点的分布类型；
基于8邻域中的像素点的分布类型获取像素点
Figure 22644DEST_PATH_IMAGE007
的图像增强参数；
基于图像增强参数对像素点
Figure 303584DEST_PATH_IMAGE007
进行图像增强处理。
本发明的质检系统在对拉深零件进行质检时，采用了改进的图像增强处理来对拉深零件进行图像增强处理，在增强的过程中，通过当前进行增强处理的像素点的8邻域的像素点的像素值等级来匹配数据库中预先设置好的图像增强参数，然后基于图像增强参数进行图像增强处理，有效地提高了图像增强处理的结果的准确性。
本发明在进行图像增强时，不是采用同一种增强方式对所有的像素点进行图像增强。而是考虑了当前进行增强处理的像素点在8邻域中的像素点的像素值等级，然后再获得增强参数，增强参数与当前进行增强处理的像素点的周边的像素值分布密切相关，从而提高了图像增强处理的结果的准确性。也有效地提高了图像增强处理的处理效率。
作为优选，基于计算机视觉的拉深零件质检系统还包括拍摄模块；
拍摄模块用于获取拉深零件的外观图像。
作为优选，如图2所示，所述获取拉深零件的外观图像，包括：
S1，根据设定的角度对拉深零件进行拍摄，获得拉深零件的外观图像；
S2，判断外观图像是否通过预筛选；
S3，若外观图像没有通过预筛选，进入S1，若外观图像通过预筛选，则将外观图像传输至图像增强模块。
进行预筛选是能够有效避免没有运算价值的外观图像进入到图像增强模块，影响本发明整体之间的效率。例如，若外观图像中的前景像素点的比例过低，那么显然是不具备运算价值的。
作为优选，所述判断外观图像是否通过预筛选，包括：
计算外观图像的筛选参数：
Figure 8235DEST_PATH_IMAGE029
式中，
Figure 425441DEST_PATH_IMAGE030
表示设定的比例参数，numfr表示外观图像中的前景像素点的数量，numt
表示外观图像中的像素点的总数，lsc表示外观图像中的前景像素点的灰度值的方差，alsc表示预设的标准灰度值方差，dsc表示外观图像中的前景像素点的梯度幅值的方差，adsc表示预设的标准梯度幅值方差，scadc表示筛选参数；
若筛选参数大于设定的筛选参数门槛值，则表示外观图像通过预筛选，否则，表示外观图像没有通过预筛选。
本发明在计算筛选参数时，主要是从前景像素点的数量、前景像素点的灰度值、前景像素点的梯度幅值这几个方面进行综合考虑。前景像素点的数量越大，前景像素点的灰度值的方差越小，前景像素点的梯度幅值的方差越小，则表示外观图像中的前景比例越大，图像的光照分布越均匀，图像越清晰。
作为优选，基于计算机视觉的拉深零件质检系统还包括图像降噪模块；
图像降噪模块用于对所述增强图像进行降噪处理，获得处理图像。
作为优选，通过如下方式对所述增强图像进行降噪处理，获得处理图像：
对增强图像进行灰度化处理，获得灰度图像；
对灰度图像进行K层小波分解处理，获得3K-1个小波高频系数和1个小波低频系数；
对每个小波高频系数分别进行如下处理，获得处理后的小波高频系数：
Figure 924555DEST_PATH_IMAGE031
式中，dlhc和lhc分别表示处理后的小波高频系数和处理前的小波高频系数，(x,y)表示坐标，dlhc(x, y)和lhc(x, y)分别表示在dlhc和lhc，坐标(x, y)处的像素点的像素值，ave(x, y)表示在lhc中，以坐标为(x, y)的像素点为中心的，半径为H的范围内的像素点的像素值的平均值；onlhc
表示以坐标为(x, y)的像素点为中心的，半径为H的范围内的像素点的像素值的标准差，twlhc
表示以坐标为(x, y)的像素点为中心的，半径为H的范围内的像素点的噪声估计值的标准差；
将1个小波低频系数和3K-1个处理后的小波高频系数进行小波重构，获得处理图像。
在本发明中，通过对灰度图像进行多次小波分解，然后分别对每个获得的小波高频系数进行上述自适应的处理，然后再将处理的结果进行重构获得处理图像。这样的处理方式，能够根据灰度图像的实际情况进行适应性的处理，避免了采用同样的变换对所有像素点进行统一处理，提高了降噪处理结果的准确性。
作为优选，所述层数K通过如下方式进行确定：
将第k层和第k+1层小波分解获得的小波低频系数分别记为
Figure 755108DEST_PATH_IMAGE032
和
Figure 371772DEST_PATH_IMAGE033
；
分别计算
Figure 768118DEST_PATH_IMAGE034
和
Figure 313500DEST_PATH_IMAGE035
的噪声估计方差
Figure 428087DEST_PATH_IMAGE036
和
Figure 84327DEST_PATH_IMAGE037
；
若
Figure 866338DEST_PATH_IMAGE038
，则停止进行小波分解，将层数K的值设置为k+1，stnsgh
表示设定的差异阈值。
在本发明中，小波分解的层数K也是自适应确定的，通过计算相邻两次分解获得的小波低频系数的方差来进行判断，当方差变化小于差异阈值时，就停止进行小波分解。从而避免了小波分解层数不足带来的影响降噪结果准确性，或者是小波分解层数过多带来的影响降噪的速度的问题的发生。
作为优选，基于计算机视觉的拉深零件质检系统还包括图像识别模块；
图像识别模块用于获取所述处理图像中包含的特征信息。
具体的，图像识别模块采用LBP算法等图像特征提取算法获取处理图像中包含的特征信息。
作为优选，基于计算机视觉的拉深零件质检系统还包括质检模块；
质检模块用于将所述特征信息输入到预先训练好的神经网络模型中进行处理，获取所述拉深零件的质检结果。
具体的，神经网络模型主要是以质检模块传输过来的特征信息作为输入，输出结果为通过质检或没有通过质检。
若没有通过之间，则还会输出没有通过质检的原因。例如表面有设计之外的孔洞，有裂缝等。
作为优选，所述基于集合U判断像素点
Figure 582622DEST_PATH_IMAGE039
的8邻域中的像素点的分布类型，包括：
将
Figure 184504DEST_PATH_IMAGE039
以及
Figure 142971DEST_PATH_IMAGE039
的8邻域范围内的像素点记为矩阵Q，
Figure 513909DEST_PATH_IMAGE040
；
分别确定矩阵Q中每个像素点的像素值等级；
基于像素值等级确定像素点
Figure 401094DEST_PATH_IMAGE041
的8邻域中的像素点的分布类型。
Figure 224693DEST_PATH_IMAGE042
表示的8邻域范围内的8个像素点。
作为优选，对于一个像素点
Figure 488316DEST_PATH_IMAGE043
，采用如下公式计算
Figure 713761DEST_PATH_IMAGE044
的像素值等级：
Figure 771846DEST_PATH_IMAGE045
式中，level( pix)表示像素点
Figure 348321DEST_PATH_IMAGE046
的像素值等级，igL( pix)表示像素点
Figure 672028DEST_PATH_IMAGE047
的像素值。
对于像素点
Figure 751979DEST_PATH_IMAGE048
，
Figure 246546DEST_PATH_IMAGE010
，采用如下公式计算
Figure 44737DEST_PATH_IMAGE049
的像素值等级：
Figure 978058DEST_PATH_IMAGE050
式中，
Figure 787883DEST_PATH_IMAGE051
表示像素点
Figure 577984DEST_PATH_IMAGE048
的像素值等级，
Figure 738838DEST_PATH_IMAGE052
表示像素点
Figure 7008DEST_PATH_IMAGE049
的像素值。
作为优选，所述基于像素值等级确定像素点
Figure 435453DEST_PATH_IMAGE019
的8邻域中的像素点的分布类型，包括：
将
Figure 396456DEST_PATH_IMAGE019
以及
Figure 779027DEST_PATH_IMAGE019
的8邻域范围内的像素点的等级存入矩阵P，
Figure 850888DEST_PATH_IMAGE053
；
从数据库中获取与矩阵P相同的矩阵
Figure 900884DEST_PATH_IMAGE054
；
从数据库中获取矩阵
Figure 32788DEST_PATH_IMAGE055
的分布类型
Figure 902655DEST_PATH_IMAGE017
，并将
Figure 512628DEST_PATH_IMAGE017
作为像素点
Figure 915665DEST_PATH_IMAGE019
的8邻域中的像素点的分布类型。
在本发明中，每种8邻域中的像素点的分布类型的像素值分布情况所对应的图像增强系数已经提前计算完成。当需要进行图像增强时，只需要根据当前进行增强的像素点所对应的8邻域中的像素点的分布类型，直接匹配对应的图像增强系数即可，极大地提高了图像增强的处理速度。有利于提高本发明的之间系统的处理速度，从而有效的提高了拉深零件的生产效率。
作为优选，所述基于8邻域中的像素点的分布类型获取像素点
Figure 218470DEST_PATH_IMAGE019
的图像增强参数，包括：
将
Figure 841213DEST_PATH_IMAGE056
的分布类型所对应的图像增强参数作为像素点
Figure 254877DEST_PATH_IMAGE057
的图像增强参数。
作为优选，所述图像增强参数包括伽马变换的参数g ；
所述基于图像增强参数对像素点
Figure 13885DEST_PATH_IMAGE019
进行图像增强处理，包括：
使用如下公式对像素点
Figure 487592DEST_PATH_IMAGE019
进行图像增强处理：
Figure 332051DEST_PATH_IMAGE058
式中，
Figure 487089DEST_PATH_IMAGE059
表示像素点
Figure 490817DEST_PATH_IMAGE022
在
Figure 243747DEST_PATH_IMAGE023
中的像素值，
Figure 700136DEST_PATH_IMAGE025
表示预设的常数参数，
Figure 330969DEST_PATH_IMAGE060
表示像素点
Figure 189203DEST_PATH_IMAGE022
在
Figure 880079DEST_PATH_IMAGE027
中的像素值，
Figure 823764DEST_PATH_IMAGE061
表示
Figure 258288DEST_PATH_IMAGE027
中的像素值的最大值。
作为优选，对于矩阵
Figure 971029DEST_PATH_IMAGE062
，其对应的伽马变换的参数g通过如下方式进行计算：
将矩阵
Figure 331341DEST_PATH_IMAGE063
记为
Figure 762322DEST_PATH_IMAGE064
；
计算
Figure 734957DEST_PATH_IMAGE065
的自适应比较值：
Figure 302205DEST_PATH_IMAGE066
式中，
Figure 334883DEST_PATH_IMAGE067
表示
Figure 253160DEST_PATH_IMAGE068
的自适应比较值，sneiu表示矩阵
Figure 763907DEST_PATH_IMAGE069
中除了元素
Figure 654503DEST_PATH_IMAGE070
之外的元素的集合，j表示sneiu中的元素，
Figure 982716DEST_PATH_IMAGE071
表示
Figure 496612DEST_PATH_IMAGE072
中的元素的方差，a 、b表示预设的权重系数，
若
Figure 201262DEST_PATH_IMAGE073
大于设定的判断参数，则采用如下公式计算g的值：
Figure 618468DEST_PATH_IMAGE074
若
Figure 117583DEST_PATH_IMAGE075
小于等于设定的判断参数，则采用如下公式计算
Figure 885819DEST_PATH_IMAGE077
的值：
Figure 597423DEST_PATH_IMAGE078
式中，mxp表示
Figure 134715DEST_PATH_IMAGE079
中的最大值，sc和sd分别表示预设的第一系数和第二系数；
Figure 70310DEST_PATH_IMAGE080
表示
Figure 558797DEST_PATH_IMAGE081
中的中间值。
本发明的伽马变换的参数
Figure 339672DEST_PATH_IMAGE082
并不是人为设定的，而是结合8邻域的像素点自适应计算得到的。在计算参数
Figure 731470DEST_PATH_IMAGE083
的过程中，先获取矩阵中央的像素点的自适应比较值，然后根据自适应比较值来选择不同的计算函数来计算自适应的参数值。这样的设置方式，有效地提高了参数
Figure 572387DEST_PATH_IMAGE084
的适应性，从而提高了图像增强结果的准确性。
作为优选，图像增强参数还可以是其它类型的图像增强算法的相关的系数，例如基于直方图的增强算法的相关的系数，基于对数变换的图像增强算法的相关的系数等。
尽管已经示出和描述了本发明的实施例，本领域技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的范围由权利要求及其等同物限定。
需要说明的是，在本发明各个实施例中的各功能单元/模块可以集成在一个处理单元/模块中，也可以是各个单元/模块单独物理存在，也可以是两个或两个以上单元/模块集成在一个单元/模块中。上述集成的单元/模块既可以采用硬件的形式实现，也可以采用软件功能单元/模块的形式实现。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解应当理解，可以以硬件、软件、固件、中间件、代码或其任何恰当组合来实现这里描述的实施例。对于硬件实现，处理器可以在一个或多个下列单元中实现：专用集成电路（ASIC）、数字信号处理器（DSP）、数字信号处理设备（DSPD）、可编程逻辑器件（PLD）、现场可编程门阵列（FPGA）、处理器、控制器、微控制器、微处理器、设计用于实现这里所描述功能的其他电子单元或其组合。对于软件实现，实施例的部分或全部流程可以通过计算机程序来指令相关的硬件来完成。
实现时，可以将上述程序存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。计算机可读介质可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。

Claims (3)

1.一种基于计算机视觉的拉深零件质检系统，其特征在于，包括图像增强模块；
图像增强模块采用如下方式对拉深零件的外观图像进行增强处理：
将外观图像转换到Lab颜色空间；
分别获取L分量、a分量、b分量的图像
Figure 296644DEST_PATH_IMAGE001
、
Figure 137561DEST_PATH_IMAGE002
、
Figure 349231DEST_PATH_IMAGE003
；
对
Figure 933796DEST_PATH_IMAGE004
中的每个像素点均进行改进的图像增强处理，获得对
Figure 180100DEST_PATH_IMAGE004
增强后的图像
Figure 191919DEST_PATH_IMAGE005
；
将
Figure 484360DEST_PATH_IMAGE006
、
Figure 980938DEST_PATH_IMAGE007
、
Figure 471962DEST_PATH_IMAGE003
转换到RGB颜色空间，获得增强图像；
改进的图像增强处理，包括：
对于
Figure 326786DEST_PATH_IMAGE004
中的像素点
Figure 513048DEST_PATH_IMAGE008
，获取
Figure 439415DEST_PATH_IMAGE008
的8邻域范围内的每个像素点的像素值的集合U；
基于集合U判断像素点
Figure 660312DEST_PATH_IMAGE008
的8邻域中的像素点的分布类型；
基于8邻域中的像素点的分布类型获取像素点
Figure 13933DEST_PATH_IMAGE008
的图像增强参数；
基于图像增强参数对像素点
Figure 186026DEST_PATH_IMAGE008
进行图像增强处理；
基于计算机视觉的拉深零件质检系统还包括图像降噪模块；
图像降噪模块用于对所述增强图像进行降噪处理，获得处理图像；
基于计算机视觉的拉深零件质检系统还包括图像识别模块；
图像识别模块用于获取所述处理图像中包含的特征信息；
基于计算机视觉的拉深零件质检系统还包括质检模块；
质检模块用于将所述特征信息输入到预先训练好的神经网络模型中进行处理，获取所述拉深零件的质检结果；
所述基于集合U判断像素点
Figure 119347DEST_PATH_IMAGE008
的8邻域中的像素点的分布类型，包括：
将
Figure 319384DEST_PATH_IMAGE008
以及
Figure 516010DEST_PATH_IMAGE008
的8邻域范围内的像素点记为矩阵Q，
Figure 676864DEST_PATH_IMAGE009
；
分别确定矩阵Q中每个像素点的像素值等级；
基于像素值等级确定像素点
Figure 210614DEST_PATH_IMAGE010
的8邻域中的像素点的分布类型；
对于像素点
Figure 140524DEST_PATH_IMAGE011
，
Figure 835947DEST_PATH_IMAGE012
，采用如下公式计算
Figure 811994DEST_PATH_IMAGE013
的像素值等级：
Figure 281194DEST_PATH_IMAGE014
式中，
Figure 190244DEST_PATH_IMAGE015
表示像素点
Figure 197514DEST_PATH_IMAGE011
的像素值等级，
Figure 192015DEST_PATH_IMAGE016
表示像素点
Figure 942933DEST_PATH_IMAGE013
的像素值；
所述基于像素值等级确定像素点
Figure 378594DEST_PATH_IMAGE010
的8邻域中的像素点的分布类型，包括：
将
Figure 681399DEST_PATH_IMAGE010
以及
Figure 366458DEST_PATH_IMAGE010
的8邻域范围内的像素点的等级存入矩阵P，
Figure 154024DEST_PATH_IMAGE017
；
从数据库中获取与矩阵P相同的矩阵
Figure 37666DEST_PATH_IMAGE018
；
从数据库中获取矩阵
Figure 386739DEST_PATH_IMAGE018
的分布类型
Figure 355832DEST_PATH_IMAGE019
，并将
Figure 448553DEST_PATH_IMAGE020
作为像素点
Figure 186702DEST_PATH_IMAGE010
的8邻域中的像素点的分布类型；
所述图像增强参数包括伽马变换的参数g ；
所述基于图像增强参数对像素点
Figure 706676DEST_PATH_IMAGE010
进行图像增强处理，包括：
使用如下公式对像素点
Figure 428644DEST_PATH_IMAGE010
进行图像增强处理：
Figure 292433DEST_PATH_IMAGE021
式中，
Figure 150667DEST_PATH_IMAGE022
表示像素点
Figure 575964DEST_PATH_IMAGE023
在
Figure 519649DEST_PATH_IMAGE024
中的像素值，
Figure 219752DEST_PATH_IMAGE026
表示预设的常数参数，
Figure 932493DEST_PATH_IMAGE027
表示像素点
Figure 794269DEST_PATH_IMAGE028
在
Figure 959672DEST_PATH_IMAGE029
中的像素值，
Figure 430842DEST_PATH_IMAGE030
表示
Figure 263669DEST_PATH_IMAGE029
中的像素值的最大值。
2.根据权利要求1所述的一种基于计算机视觉的拉深零件质检系统，其特征在于，还包括拍摄模块；
拍摄模块用于获取拉深零件的外观图像。
3.根据权利要求1所述的一种基于计算机视觉的拉深零件质检系统，其特征在于，所述基于8邻域中的像素点的分布类型获取像素点
Figure 296347DEST_PATH_IMAGE028
的图像增强参数，包括：
将
Figure 949045DEST_PATH_IMAGE031
的分布类型所对应的图像增强参数作为像素点
Figure 725371DEST_PATH_IMAGE028
的图像增强参数。
CN202210860990.0A 2022-07-22 2022-07-22 一种基于计算机视觉的拉深零件质检系统 Active CN115082438B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210860990.0A CN115082438B (zh) 2022-07-22 2022-07-22 一种基于计算机视觉的拉深零件质检系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210860990.0A CN115082438B (zh) 2022-07-22 2022-07-22 一种基于计算机视觉的拉深零件质检系统

Publications (2)

Publication Number Publication Date
CN115082438A CN115082438A (zh) 2022-09-20
CN115082438B true CN115082438B (zh) 2022-11-25

Family

ID=83241856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210860990.0A Active CN115082438B (zh) 2022-07-22 2022-07-22 一种基于计算机视觉的拉深零件质检系统

Country Status (1)

Country Link
CN (1) CN115082438B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104123697A (zh) * 2013-04-23 2014-10-29 华为技术有限公司 一种图像增强方法及设备
CN109544490A (zh) * 2018-10-17 2019-03-29 北京达佳互联信息技术有限公司 图像增强方法、装置和计算机可读存储介质
CN114287878A (zh) * 2021-10-18 2022-04-08 江西财经大学 一种基于注意力模型的糖尿病性视网膜病变病灶图像识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104123697A (zh) * 2013-04-23 2014-10-29 华为技术有限公司 一种图像增强方法及设备
CN109544490A (zh) * 2018-10-17 2019-03-29 北京达佳互联信息技术有限公司 图像增强方法、装置和计算机可读存储介质
CN114287878A (zh) * 2021-10-18 2022-04-08 江西财经大学 一种基于注意力模型的糖尿病性视网膜病变病灶图像识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于视觉特性的彩色图像增强算法研究;赵晓丽等;《计算机工程与设计》;20091016(第19期);第104-106页 *

Also Published As

Publication number Publication date
CN115082438A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN107301661B (zh) 基于边缘点特征的高分辨率遥感图像配准方法
CN109410127B (zh) 一种基于深度学习与多尺度图像增强的图像去噪方法
CN108805829B (zh) 影像数据处理方法、装置、设备及计算机可读存储介质
CN111583123A (zh) 一种基于小波变换的融合高低频信息的图像增强算法
CN112819772A (zh) 一种高精度快速图形检测识别方法
CN110458792B (zh) 人脸图像质量的评价方法及装置
CN115984134A (zh) 一种遥感测绘图像智能增强方法
CN112541869A (zh) 一种基于matlab实现的Retinex图像去雾方法
CN112907460B (zh) 一种遥感图像增强方法
CN103489168A (zh) 一种红外图像自适应转伪彩增强方法及系统
JP2020197915A (ja) 画像処理装置、画像処理方法、及びプログラム
CN111046893A (zh) 图像相似性确定方法和装置、图像处理方法和装置
CN117593193B (zh) 一种基于机器学习的钣金图像增强方法及系统
CN113705501B (zh) 一种基于图像识别技术的海上目标检测方法和系统
CN113450340B (zh) 一种皮肤纹理检测系统
CN111325685A (zh) 一种基于多尺度相对梯度直方图均衡化的图像增强算法
CN114998186A (zh) 基于图像处理的铜始极片表面结疤缺陷检测方法及系统
CN104616259A (zh) 一种噪声强度自适应的非局部均值图像去噪方法
CN116823677B (zh) 一种图像增强的方法、装置、存储介质及电子设备
CN112991224A (zh) 基于改进小波阈值函数的图像去噪算法
CN115082438B (zh) 一种基于计算机视觉的拉深零件质检系统
Malik et al. Contrast enhancement and smoothing of CT images for diagnosis
CN116228574A (zh) 一种灰度图像处理方法及装置
CN114359083B (zh) 一种面向干扰环境的高动态热红外图像自适应预处理方法
CN107680068A (zh) 一种考虑图像自然度的数字图像增强方法

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