CN115082451A - 一种基于图像处理的不锈钢汤勺缺陷检测方法 - Google Patents
一种基于图像处理的不锈钢汤勺缺陷检测方法 Download PDFInfo
- Publication number
- CN115082451A CN115082451A CN202210885361.3A CN202210885361A CN115082451A CN 115082451 A CN115082451 A CN 115082451A CN 202210885361 A CN202210885361 A CN 202210885361A CN 115082451 A CN115082451 A CN 115082451A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- illumination
- spoon
- pixel point
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 56
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 229910001220 stainless steel Inorganic materials 0.000 title claims abstract description 18
- 239000010935 stainless steel Substances 0.000 title claims abstract description 18
- 235000014347 soups Nutrition 0.000 title claims description 32
- 238000005286 illumination Methods 0.000 claims abstract description 118
- 238000001914 filtration Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000000694 effects Effects 0.000 claims description 26
- 238000012216 screening Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 241000287196 Asthenes Species 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000003384 imaging method 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
- 230000000750 progressive effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
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)
- Image Analysis (AREA)
Abstract
本发明涉及汤勺缺陷检测技术领域,具体涉及一种基于图像处理的不锈钢汤勺缺陷检测方法,采集汤勺的表面图像;根据光照分布提取表面图像的第一光照图像;提取表面图像的亮度图像,利用每个像素点所对应的综合滤波核对亮度图像进行滤波得到第二光照图像;综合滤波核是根据每个像素点的第一滤波核和预设的高斯滤波核的乘积得到的综合滤波核;将第一光照图像和第二光照图像进行叠加得到最终的目标光照图像;利用目标光照图像去除表面图像中的光照,得到去光照图像;利用去光照图像进行缺陷检测,以得到汤勺的缺陷区域。本发明综合考虑了图像中光照分布和亮度图像的影响,进而得到准确的去光照图像,基于去除光照的图像能够准确进行缺陷检测。
Description
技术领域
本发明涉及汤勺缺陷检测技术领域,具体涉及一种基于图像处理的不锈钢汤勺缺陷检测方法。
背景技术
在不锈钢汤勺生产完成之后,为了保证产品的质量,对汤勺的缺陷检测分析是必不可少的一步。生产出的汤勺表面出现划痕、斑点、异常凸起凹陷、表面不均匀等状况时,不仅影响汤勺的外观质量,同时会对汤勺的使用寿命造成很大的影响。目前对于汤勺表面缺陷检测大多精度不够高,且需要人为参与检测过程,误检率高,耗时长检测效率低下。
现有技术的对于不锈钢汤勺的缺陷检测中,为避免光照影响,打光方式采用红色隧道型光源,同时使用雅马哈机械手作为运动控制,该方法获取的汤勺表面图像数据仍然无法避免其表面出现反射等现象,图像中的光照信息会对后续的缺陷检测产生影响,检测准确度较低。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于图像处理的不锈钢汤勺缺陷检测方法,所采用的技术方案具体如下:
第一方面,一种基于图像处理的不锈钢汤勺缺陷检测方法,该方法包括:采集汤勺的表面图像;根据光照分布提取所述表面图像的第一光照图像;提取所述表面图像的亮度图像,利用每个像素点所对应的综合滤波核对所述亮度图像进行滤波得到第二光照图像;所述综合滤波核是根据每个像素点的第一滤波核和预设的高斯滤波核的乘积得到的综合滤波核,其中所述预设的高斯滤波核与所述第一滤波核的尺度相同;其中所述第一滤波核是以所述表面图像中的任意一个像素点为中心像素点,根据所述中心像素点与邻域像素之间像素值的均方误差得到相应像素点对应的第一滤波核;将所述第一光照图像和所述第二光照图像进行叠加得到最终的目标光照图像;利用所述目标光照图像去除所述表面图像中的光照,得到去光照图像;利用所述去光照图像进行缺陷检测,以得到汤勺的缺陷区域。
进一步,所述根据所述中心像素点与邻域像素之间像素值的均方误差得到相应像素点对应的第一滤波核的步骤包括:获取所述均方误差与预设方差之间的比值,计算以所述比值为指数的幂函数;所述第一滤波核中的元素值与所述幂函数呈负相关关系。
进一步,所述利用所述去光照图像进行缺陷检测的步骤还包括:对所述去光照图像中的像素值进行分类,得到多个不同的像素类别,根据所述像素类别对所述汤勺进行缺陷检测。
进一步,在所述根据所述像素类别对所述汤勺进行缺陷检测之前还包括:计算每个像素类别的聚类效果指标,所述聚类效果指标与相应像素类别中像素值的平均差异呈负相关关系;根据所述聚类效果指标筛选聚类效果差的待分类类别,将所有待分类类别组合为一个像素集合,对所述像素集合中的像素值再次分类,根据再次分类得到的像素类别对原有的像素类别进行更新。
进一步,所述对所述像素集合中的像素值再次分类的步骤包括:对于初次分类所得到的多个不同的像素类别,对各类别所包含像素的灰度值构建相应的高斯模型,得到每个类别所对应的高斯模型;获取相应像素点与每个高斯模型的均值之间的距离,筛选距离最小的高斯模型所对应的类别,将相应的像素点重新归属于所筛选的类别中。
进一步,所述根据所述像素类别对所述汤勺进行缺陷检测的步骤为:计算每个像素类别中所包含的像素点数量,所述像素点数量最多的像素类别为汤勺本体,其他的像素点为疑似缺陷点。
进一步,所述根据光照分布提取所述表面图像的第一光照图像之前,还包括对所述表面图像进行去噪处理的步骤。
进一步,所述根据光照分布提取所述表面图像的第一光照图像的步骤包括:获取所述表面图像的三通道分量,所述三通道分量包括红色分量、绿色分量和蓝色分量;基于所述表面图像中任意一个像素点的邻域,获取邻域中的各个邻域像素在三通分量中的最大分量,所有邻域像素的最大分量的最大值为相应像素点的光照分量;遍历所述表面图像中的所有像素点,获取每个像素点对应的光照分量,得到与所述表面图像尺度相同且以所述光照分量为像素值的第一光照图像。
进一步,所述预设的高斯滤波核为多尺度高斯模型的加权求和得到的混合滤波核,所述尺度为相应高斯模型的标准差。
本发明具有如下有益效果:
本发明实施例提供了一种基于图像处理的不锈钢汤勺缺陷检测方法,该方法通过采集汤勺的表面图像,利用不同的提取光照的方法分别提取表面图像的第一光照图像和第二光照图像,通过将所提取得到的第一光照图像和第二光照图像进行融合得到最终的目标光照图像,进而根据目标光照图像和表面图像获取汤勺表面的去光照图像,利用该去光照图像进行缺陷检测。由于本方法综合考虑了光照对图像中光照分布的影响和光照对亮度图像的影响,能够准确的从表面图像中提取到目标光照图像,因此其所得到的去光照图像更加准确,基于去除光照的图像进行缺陷检测能够得到更加准确的结果。
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为本发明一个实施例所提供的一种基于图像处理的不锈钢汤勺缺陷检测方法流程图。
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一种基于图像处理的不锈钢汤勺缺陷检测方法,其具体实施方式、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”指的不一定是同一实施例。此外,一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。
下面结合附图具体的说明本发明所提供的一种基于图像处理的不锈钢汤勺缺陷检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于图像处理的不锈钢汤勺缺陷检测方法流程图,该方法包括以下步骤:
步骤S001,采集汤勺的表面图像。
在生产工作区域内布置图像采集设备,用于采集汤勺的表面图像。常用的图像采集设备为相机。本方案所针对的汤勺的表面图像为任意一个角度的表面图像,在实际应用过程中可以采集不同角度的多张表面图像,每张表面图像利用该实施例所提供的方法进行处理,以检测汤勺的表面缺陷。
优选的,所述根据光照分布提取所述表面图像的第一光照图像之前,还包括对所述表面图像进行去噪处理的步骤。本发明实施例采用高斯滤波器对所采集的表面图像进行去噪处理,消除图像表面的噪点,提高图像质量,得到去噪之后的汤勺的表面图像。
步骤S002,根据光照分布提取所述表面图像的第一光照图像。
在图像采集的过程中,由于光照的影响,采集得到的图像中汤勺的表面会出现反射现象,导致采集的汤勺图像与实际相比存在较大差异。为避免由于光照的影响所导致的后续汤勺缺陷检测精度低问题,本发明实施例需要分解出汤勺的表面图像中的光照图像,以消除光照因素的影响。由于在步骤S001中已经对表面图像进行了去噪处理,因此在该步骤中可以认为表面图像是由汤勺本身的颜色信息和光照信息两种类型的信息叠加而成,不存在其他噪声的影响。由于光照对于汤勺表面原始的颜色图像来说是一种变化缓慢的乘性噪声,则汤勺的图像模型可以表示为:
为了提取去光照图像,本发明实施例首先对汤勺表面在RGB三个通道的光照信息进行分析,提取汤勺表面的光照图像。由于光照在局部区域中的某一个像素总会有至少一个颜色通道具有较大的强度,所述根据光照分布提取所述表面图像的第一光照图像的步骤包括:
步骤一,获取所述表面图像的三通道分量,所述三通道分量包括红色分量、绿色分量和蓝色分量;
步骤二,基于所述表面图像中任意一个像素点的邻域,获取邻域中的各个邻域像素在三通分量中的最大分量,所有邻域像素的最大分量的最大值为相应像素点的光照分量;
步骤三,遍历所述表面图像中的所有像素点,获取每个像素点对应的光照分量,得到与所述表面图像尺度相同且以所述光照分量为像素值的第一光照图像。
具体的,将第一光照图像中第个像素点的取值记为,以第个像素点为中心的邻域窗口记为,在窗口中的第个像素点记为,表面图像在相应通道的取值记为,其中c为变量,c=R,G,B;其中R为红色通道、G为绿色通道、B为蓝色通道,则光照图像的提取模型为:
步骤S003,提取所述表面图像的亮度图像,利用每个像素点所对应的综合滤波核对所述亮度图像进行滤波得到第二光照图像;所述综合滤波核是根据每个像素点的第一滤波核和预设的高斯滤波核的乘积得到的综合滤波核,其中所述预设的高斯滤波核与所述第一滤波核的尺度相同;其中所述第一滤波核是以所述表面图像中的任意一个像素点为中心像素点,根据所述中心像素点与邻域像素之间像素值的均方误差得到相应像素点对应的第一滤波核。
当汤勺的表面图像出现难以去除的异常噪点时,根据步骤S002的方法提取相应的光照图像将会受到影响,导致提取的光照分量不准确,又由于光照对HSV颜色空间中的亮度分量的影响较大,因此为进一步提高光照图像的提取精度,本发明实施例利用综合滤波核对光照信息进行进一步的精细提取。
其中,第二光照图像是对亮度图像滤波之后得到的图像,能够反映图像本身的亮度信息。
优选的,为提高光照信息的估计精度,避免边缘光照分量提取的不准确等问题,本发明实施例预设高斯滤波核对图像进行滤波,所述预设的高斯滤波核为多尺度高斯模型的加权求和得到的混合滤波核,所述尺度为相应高斯模型的标准差。具体的,将第个二维高斯函数记为、第个二维高斯函数对应的权值记为,高斯函数的数量记为,则混合滤波核的核函数,也即高斯滤波核的表达方式为:
在其他实施例中,实施者可根据实际情况进行取值,也可以根据经验取值。
优选的,由于利用常规的高斯滤波核对图像进行高斯滤波的原理是基于图像是连续的,越靠近中心点的像素之间的关系越密切,越远离的中心点的像素之间的关系越疏远;因此,利用邻域像素与中心像素之间的距离分配权重,通过加权平均的方式进行滤波,也即距离中心点越近的点权重越大,距离中心点越远的点权重越小。但是对于图像中的边缘像素点,利用上述高斯滤波的方式会导致边缘像素点会被周围像素的均值取代掉,边缘像素会变得模糊,然而图像中边缘位置的亮度信息往往会更强,在边缘位置处会呈现出较快的明暗变化或者说突变,利用常规的高斯模型进行滤波处理,显然是不合适的,因此为了解决该问题,本发明实施例进一步结合第一滤波核进行滤波,其中所述根据所述中心像素与邻域像素之间像素值的均方误差得到相应像素对应的第一滤波核的步骤包括:获取所述均方误差与预设方差之间的比值,获取以所述比值为指数的幂函数;所述第一滤波核中的元素值与所述幂函数呈负相关关系。具体的,将中心像素记为,邻域像素记为,中心像素与邻域像素之间像素值的均方误差为,则第一滤波核为:
步骤S004,将所述第一光照图像和所述第二图像进行叠加得到最终的目标光照图像。
利用该方法提取出的光照分量能够封号的表征汤勺表面的光照信息,相比传统的简单利用高斯模型提取光照的方法更加准确,并且能够更好的保留图像中边缘位置的光照信息。
步骤S005,利用所述目标光照图像去除所述表面图像中的光照,得到去光照图像;利用所述去光照图像进行缺陷检测,以得到汤勺的缺陷区域。
由汤勺的图像模型可知,根据汤勺的表面图像和目标光照图像能够得到汤勺的去光照图像。
优选的,所述利用所述去光照图像进行缺陷检测的步骤还包括:对所述去光照图像中的像素值进行分类,得到多个不同的像素类别,根据所述像素类别对所述汤勺进行缺陷检测。本发明实施例采用均值飘移聚类算法对去光照图像进行聚类分析,在其他实施例中实施例可根据实际情况选择具有相同分类功能的算法进行缺陷检测。
优选的,由于通过聚类所获取的不同类别中元素的密度不同,为了获取更加准确的缺陷检测结果,在所述根据所述像素类别对所述汤勺进行缺陷检测之前还包括:计算每个像素类别的聚类效果指标,所述聚类效果指标与相应像素类别中像素值的平均差异呈负相关关系;根据所述聚类效果指标筛选聚类效果差的待分类类别,将所有待分类类别组合为一个像素集合,对所述像素集合中的像素值再次分类,根据再次分类得到的像素类别对原有的像素类别进行更新。
其中,表示第k个类别中像素值的平均差异,表示像素值差异的数量。对聚类效果指标进行归一化处理,使其取值范围处于(0,1]。聚类效果指标的值越大,对应类别的分类效果越好。按照相同的方法获取分类结果中每个类别的聚类效果指标,得到聚类效果指标序列。
根据所述聚类效果指标筛选聚类效果差的待分类类别的方法包括:预设效果阈值,为了保证缺陷像素点的检测精度,将效果阈值设为0.9,当聚类效果指标低于预设效果阈值时,将认为相应类别的分类精度低,将分类精度低的类别记为待分类类别,其他分类精度高的类别记为已分类簇。
再次分类的方法为:对于初次分类所得到的多个不同的像素类别,对各类别所包含像素的灰度值构建相应的高斯模型,得到每个类别所对应的高斯模型。将待分类类别中的每个像素点分别代入每个高斯模型,获取相应像素点距离每个高斯模型的均值的距离,将与均值距离最小的高斯模型所对应的类别筛选出来,将相应的像素点重新归属于所筛选的类别中,实现对像素点的准确划分,保证像素点的划分精度。
优选的,所述根据所述像素类别对所述汤勺进行缺陷检测的步骤为:计算每个像素类别中所包含的像素点数量,所述像素点数量最多的像素类别为汤勺本体,其他的像素点为疑似缺陷点。具体的,由于缺陷占汤勺总面积的比例较小,因此将包含像素点数量最多的一类认为是汤勺本体的像素点,其他类别的像素认为是缺陷。
综上所述,本发明实施例提供了一种基于图像处理的不锈钢汤勺缺陷检测方法,该方法通过采集汤勺的表面图像,利用不同的提取光照的方法分别提取表面图像的第一光照图像和第二光照图像,通过将所提取得到的第一光照图像和第二光照图像进行融合得到最终的目标光照图像,进而根据目标光照图像和表面图像获取汤勺表面的去光照图像,利用该去光照图像进行缺陷检测。由于本方法综合考虑了光照对图像中光照分布和光照对亮度图像的影响,能够准确的从表面图像中提取到目标光照图像,因此其所得到的去光照图像更加准确,基于去除光照的图像进行缺陷检测能够得到更加准确的结果。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,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 (9)
1.一种基于图像处理的不锈钢汤勺缺陷检测方法,其特征在于,该方法包括:
采集汤勺的表面图像;
根据光照分布提取所述表面图像的第一光照图像;
提取所述表面图像的亮度图像,利用每个像素点所对应的综合滤波核对所述亮度图像进行滤波得到第二光照图像;所述综合滤波核是根据每个像素点的第一滤波核和预设的高斯滤波核的乘积得到的综合滤波核,其中所述预设的高斯滤波核与所述第一滤波核的尺度相同;其中所述第一滤波核是以所述表面图像中的任意一个像素点为中心像素点,根据所述中心像素点与邻域像素之间像素值的均方误差得到相应像素点对应的第一滤波核;
将所述第一光照图像和所述第二光照图像进行叠加得到最终的目标光照图像;
利用所述目标光照图像去除所述表面图像中的光照,得到去光照图像;利用所述去光照图像进行缺陷检测,以得到汤勺的缺陷区域。
2.根据权利要求1所述的一种基于图像处理的不锈钢汤勺缺陷检测方法,其特征在于,所述根据所述中心像素点与邻域像素之间像素值的均方误差得到相应像素点对应的第一滤波核的步骤包括:获取所述均方误差与预设方差之间的比值,计算以所述比值为指数的幂函数;所述第一滤波核中的元素值与所述幂函数呈负相关关系。
3.根据权利要求1所述的一种基于图像处理的不锈钢汤勺缺陷检测方法,其特征在于,所述利用所述去光照图像进行缺陷检测的步骤还包括:对所述去光照图像中的像素值进行分类,得到多个不同的像素类别,根据所述像素类别对所述汤勺进行缺陷检测。
4.根据权利要求3所述的一种基于图像处理的不锈钢汤勺缺陷检测方法,其特征在于,在所述根据所述像素类别对所述汤勺进行缺陷检测之前还包括:计算每个像素类别的聚类效果指标,所述聚类效果指标与相应像素类别中像素值的平均差异呈负相关关系;根据所述聚类效果指标筛选聚类效果差的待分类类别,将所有待分类类别组合为一个像素集合,对所述像素集合中的像素值再次分类,根据再次分类得到的像素类别对原有的像素类别进行更新。
5.根据权利要求4所述的一种基于图像处理的不锈钢汤勺缺陷检测方法,其特征在于,所述对所述像素集合中的像素值再次分类的步骤包括:对于初次分类所得到的多个不同的像素类别,对各类别所包含像素的灰度值构建相应的高斯模型,得到每个类别所对应的高斯模型;获取相应像素点与每个高斯模型的均值之间的距离,筛选距离最小的高斯模型所对应的类别,将相应的像素点重新归属于所筛选的类别中。
6.根据权利要求3~5任意一项所述的一种基于图像处理的不锈钢汤勺缺陷检测方法,其特征在于,所述根据所述像素类别对所述汤勺进行缺陷检测的步骤为:计算每个像素类别中所包含的像素点数量,所述像素点数量最多的像素类别为汤勺本体,其他的像素点为疑似缺陷点。
7.根据权利要求1所述的一种基于图像处理的不锈钢汤勺缺陷检测方法,其特征在于,所述根据光照分布提取所述表面图像的第一光照图像之前,还包括对所述表面图像进行去噪处理的步骤。
8.根据权利要求1所述的一种基于图像处理的不锈钢汤勺缺陷检测方法,其特征在于,所述根据光照分布提取所述表面图像的第一光照图像的步骤包括:
获取所述表面图像的三通道分量,所述三通道分量包括红色分量、绿色分量和蓝色分量;
基于所述表面图像中任意一个像素点的邻域,获取邻域中的各个邻域像素在三通分量中的最大分量,所有邻域像素的最大分量的最大值为相应像素点的光照分量;
遍历所述表面图像中的所有像素点,获取每个像素点对应的光照分量,得到与所述表面图像尺度相同且以所述光照分量为像素值的第一光照图像。
9.根据权利要求1所述的一种基于图像处理的不锈钢汤勺缺陷检测方法,其特征在于,所述预设的高斯滤波核为多尺度高斯模型的加权求和得到的混合滤波核,所述尺度为相应高斯模型的标准差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210885361.3A CN115082451B (zh) | 2022-07-26 | 2022-07-26 | 一种基于图像处理的不锈钢汤勺缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210885361.3A CN115082451B (zh) | 2022-07-26 | 2022-07-26 | 一种基于图像处理的不锈钢汤勺缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115082451A true CN115082451A (zh) | 2022-09-20 |
CN115082451B CN115082451B (zh) | 2022-12-13 |
Family
ID=83242478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210885361.3A Active CN115082451B (zh) | 2022-07-26 | 2022-07-26 | 一种基于图像处理的不锈钢汤勺缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082451B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115410016A (zh) * | 2022-10-27 | 2022-11-29 | 南通海阳节能环保科技有限公司 | 基于图像频域分析的微生物污水池污水高效处理方法 |
CN116385448A (zh) * | 2023-06-07 | 2023-07-04 | 深圳市华伟精密陶瓷有限公司 | 基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法 |
CN116777917A (zh) * | 2023-08-24 | 2023-09-19 | 山东东方智光网络通信有限公司 | 一种光缆生产用缺陷检测方法及系统 |
CN117095008A (zh) * | 2023-10-20 | 2023-11-21 | 深圳市高进实业有限公司 | 一种钟表钢巴管缺陷智能检测方法 |
CN117710365A (zh) * | 2024-02-02 | 2024-03-15 | 中国电建集团华东勘测设计研究院有限公司 | 缺陷管道图像的处理方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109001212A (zh) * | 2018-07-17 | 2018-12-14 | 五邑大学 | 一种基于机器视觉的不锈钢汤勺缺陷检测方法 |
CN111105405A (zh) * | 2019-12-24 | 2020-05-05 | 刘甜甜 | 基于自适应深度学习的新能源锂电池表面缺陷检测方法 |
CN112098416A (zh) * | 2020-08-21 | 2020-12-18 | 深圳大学 | 一种基于机器视觉的风机叶片缺陷检测方法及系统 |
-
2022
- 2022-07-26 CN CN202210885361.3A patent/CN115082451B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109001212A (zh) * | 2018-07-17 | 2018-12-14 | 五邑大学 | 一种基于机器视觉的不锈钢汤勺缺陷检测方法 |
CN111105405A (zh) * | 2019-12-24 | 2020-05-05 | 刘甜甜 | 基于自适应深度学习的新能源锂电池表面缺陷检测方法 |
CN112098416A (zh) * | 2020-08-21 | 2020-12-18 | 深圳大学 | 一种基于机器视觉的风机叶片缺陷检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
吉登清: "不锈钢汤勺表面缺陷检测系统设计", 《自动化博览》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115410016A (zh) * | 2022-10-27 | 2022-11-29 | 南通海阳节能环保科技有限公司 | 基于图像频域分析的微生物污水池污水高效处理方法 |
CN115410016B (zh) * | 2022-10-27 | 2023-01-24 | 南通海阳节能环保科技有限公司 | 基于图像频域分析的微生物污水池污水高效处理方法 |
CN116385448A (zh) * | 2023-06-07 | 2023-07-04 | 深圳市华伟精密陶瓷有限公司 | 基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法 |
CN116385448B (zh) * | 2023-06-07 | 2023-08-25 | 深圳市华伟精密陶瓷有限公司 | 基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法 |
CN116777917A (zh) * | 2023-08-24 | 2023-09-19 | 山东东方智光网络通信有限公司 | 一种光缆生产用缺陷检测方法及系统 |
CN116777917B (zh) * | 2023-08-24 | 2023-11-21 | 山东东方智光网络通信有限公司 | 一种光缆生产用缺陷检测方法及系统 |
CN117095008A (zh) * | 2023-10-20 | 2023-11-21 | 深圳市高进实业有限公司 | 一种钟表钢巴管缺陷智能检测方法 |
CN117095008B (zh) * | 2023-10-20 | 2024-02-06 | 深圳市高进实业有限公司 | 一种钟表钢巴管缺陷智能检测方法 |
CN117710365A (zh) * | 2024-02-02 | 2024-03-15 | 中国电建集团华东勘测设计研究院有限公司 | 缺陷管道图像的处理方法、装置及电子设备 |
CN117710365B (zh) * | 2024-02-02 | 2024-05-03 | 中国电建集团华东勘测设计研究院有限公司 | 缺陷管道图像的处理方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115082451B (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
CN114723701B (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN112308832B (zh) | 一种基于机器视觉的轴承质量检测方法 | |
CN113808138B (zh) | 一种基于人工智能的电线电缆表面缺陷检测方法 | |
CN114494259B (zh) | 一种基于人工智能的布匹缺陷检测方法 | |
JP2021043203A (ja) | コロニーコントラスト収集 | |
CN110084150B (zh) | 一种基于深度学习的白细胞自动分类方法及系统 | |
US9239281B2 (en) | Method and device for dividing area of image of particle in urine | |
CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
CN112215790A (zh) | 基于深度学习的ki67指数分析方法 | |
CN109975196B (zh) | 一种网织红细胞检测方法及其系统 | |
JP2024050880A (ja) | 文字分割方法、装置、および、コンピュータ可読記憶媒体 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN115311484B (zh) | 一种焊缝数据的优化聚类分割方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN115272312B (zh) | 基于机器视觉的塑料手机外壳缺陷检测方法 | |
CN111738931B (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
CN115131359A (zh) | 一种金属加工件表面麻点缺陷检测方法 | |
CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
CN117274113B (zh) | 基于图像增强的碎硅片清洗效果视觉检测方法 | |
CN113657335A (zh) | 基于hsv颜色空间的矿相识别方法 | |
WO2024016632A1 (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
JP2022514427A (ja) | バクテリアコロニーのバクテリア増殖を監視しコロニーバイオマスを予測するシステム及び方法 |
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 |