CN115100196B - 一种基于图像分割的冲压件除锈效果评估方法 - Google Patents
一种基于图像分割的冲压件除锈效果评估方法 Download PDFInfo
- Publication number
- CN115100196B CN115100196B CN202211015516.4A CN202211015516A CN115100196B CN 115100196 B CN115100196 B CN 115100196B CN 202211015516 A CN202211015516 A CN 202211015516A CN 115100196 B CN115100196 B CN 115100196B
- Authority
- CN
- China
- Prior art keywords
- color
- rust
- image
- pixel point
- stamping part
- 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
Links
- 230000000694 effects Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000003709 image segmentation Methods 0.000 title claims abstract description 15
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims abstract description 81
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 229910052742 iron Inorganic materials 0.000 claims abstract description 8
- 238000005422 blasting Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 5
- 238000009825 accumulation Methods 0.000 abstract 1
- 239000003086 colorant Substances 0.000 description 15
- 238000010606 normalization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012549 training 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30164—Workpiece; Machine component
-
- 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
Abstract
本发明涉及图像处理领域，具体涉及一种基于图像分割的冲压件除锈效果评估方法，包括：获取冲压件的HSV图像和冲压件的灰度图像，获取HSV图像的S‑V通道图像的像素直方图中每个波峰点颜色，对HSV图像中每个像素点进行颜色分类，设置滑窗，获取灰度图像中的所有梯度平滑的区域，进而得到种子像素点，利用种子像素点进行区域生长得到铁锈的连通域，对铁锈的连通域进行除锈，获取除锈后冲压件的灰度图像，获取同一连通域中像素点灰度值累加和除锈前后的比值，根据该比值对除锈效果进行评估。本发明提高了冲压件除锈效果评估的准确度。
Description
技术领域
本发明涉及图像处理领域，具体涉及一种基于图像分割的冲压件除锈效果评估方法。
背景技术
冲压件是靠压力机和模具对板材、带材、管材和型材等施加外力，使之产生塑性变形或分离，从而获得所需形状和尺寸的冲压件，冲压件在五金加工中使用最为广泛，日用及家用类冲压件如锅碗瓢盆、水槽、水壶等日用品，以及如洗衣机、空调、冰箱、电饭锅等家用电器，但是冲压件久置存储会使其表面产生锈蚀，从而影响冲压件的使用。
现有技术往往是通过获取除锈后的冲压件的图像数据，将除锈后的冲压件的图像数据与标准等级数据库进行比对，直接得到除锈等级，并对除锈的结果进行评估，但是该方法直接利用整个除锈后的冲压件的图像数据，会将铁锈区域的特征缩小，导致除锈后的冲压件的图像数据不准确，从而造成了冲压件除锈效果评估不准确。
因此，本发明提出一种基于图像分割的冲压件除锈效果评估方法，予以解决上述冲压件除锈效果评估不准确的问题。
发明内容
本发明提供一种基于图像分割的冲压件除锈效果评估方法，以解决现有的冲压件除锈效果评估不准确的问题。
本发明的用于冲压件除锈效果评估的方法，采用如下技术方案：
S1：获取冲压件的HSV图像及冲压件的灰度图像；
S2：获取HSV图像中S-V通道图像的像素直方图中所有波峰点的饱和度和亮度，设置颜色阈值，获取每个波峰点的饱和度和亮度归一化后的值，将归一化后的值与颜色阈值进行匹配得到每个波峰点颜色；
S3：将像素直方图中除波峰点外的像素点作为目标像素点，获取与目标像素点相距最近的波峰点间的饱和度和亮度的差值，利用该差值确定出目标像素点所属的颜色类别，完成对所有像素点的颜色类别分类，获取颜色类别中的每种铁锈颜色及每种铁锈颜色中的所有像素点；
S4：获取每种铁锈颜色中的每个像素点在灰度图像中的位置，以每种铁锈颜色中的每个像素点在灰度图中对应的像素点作为滑窗的中心像素点建立滑窗，利用每个滑窗的中心像素点及其它像素点的梯度得到每个滑窗的平滑程度，利用每个滑窗的平滑程度确定出所有目标滑窗，获取所有目标滑窗中梯度值最小的像素点，获取所有目标滑窗中梯度值最小的像素点中相同灰度值最多的像素点作为种子像素点进行区域生长得到所有铁锈连通域；
S5：获取除锈后的冲压件灰度图像，利用所有铁锈连通域在除锈前后灰度图像中像素点灰度值累加的比值对除锈效果进行评估。
进一步的，所述设置波峰点颜色阈值的方法是：
获取波峰点颜色的饱和度区间和亮度区间；
将波峰点颜色的饱和度区间和亮度区间作为波峰点颜色的阈值。
进一步的，所述确定出目标像素点所属的颜色类别的方法是：
设置波峰点颜色阈值；
根据与目标像素点相距最近的波峰点间的饱和度和亮度的差值和波峰点颜色阈值确定出目标像素点所处的颜色类别。
进一步的，所述每个滑窗的平滑程度的表达式为：
式中：
表示中心像素点的梯度，
表示每个滑窗中除中心像素点外其它像素点的梯度。
进一步的，所述目标滑窗是按如下方法确定的：
设置阈值0.2；
当滑窗的平滑程度大于0.2时，该滑窗为非目标滑窗；
当滑窗的平滑程度小于0.2时，该滑窗为目标滑窗。
进一步的，所述所有铁锈连通域是按如下方法确定的：
获取每个种子像素点在冲压件灰度图像中的坐标；
利用每个种子像素点在冲压件灰度图像中的坐标得到每个种子像素点在冲压件HSV图像中的坐标，进而确定每个种子像素点在冲压件HSV图像中的位置；
获取HSV图像中每个种子像素点与其8邻域像素点的饱和度与亮度的和的一半，将HSV图像中每个种子像素点与其8邻域像素点的饱和度与亮度的和的一半作为HSV图像中每个种子像素点与其8邻域像素点的标准值；
设置阈值，获取该标准值小于阈值时对应的8邻域像素点，将所得8邻域像素点与对应的种子像素点连通，同理，对所得8邻域像素点继续搜索其8邻域，直到将所有满足阈值条件的像素点连通得到所有铁锈连通域。
进一步的，所述对除锈效果进行评估的表达式为：
式中：
表示铁锈连通域的数量，
表示第
个铁锈连通域的除锈效果，
表示整个冲压件的除锈效果；
设置经验值0.36，当
时认为除锈效果不理想，当
时认为效果理想，不需要二次除锈。
本发明的有益效果是：本发明通过利用图像处理技术获取冲压件HSV图像，依据冲压件HSV图像中每个像素点的饱和度和亮度对每个像素点进行颜色分类，得到了冲压件表面不同颜色的连通域，根据颜色区分出正常区域和铁锈区域，并利用除锈前后冲压件灰度图像中同一铁锈连通域灰度累加和的比值评估除锈效果，该方法精准的获取了除锈前后冲压件表面的铁锈区域的灰度信息，利用除锈前后冲压件表面的铁锈区域的灰度信息对冲压件的除锈效果进行评估，使评估结果更加准确。
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图像分割的冲压件除锈效果评估方法的流程图；
图2为本发明一种基于图像分割的冲压件除锈效果评估方法的实施例提供S-V通道图像的像素直方图。
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。
本发明的一种基于图像分割的冲压件除锈效果评估方法的实施例，如图1所示，包括：
S1：获取冲压件的HSV图像及冲压件的灰度图像。
S2：获取HSV图像中S-V通道图像的像素直方图中所有波峰点的饱和度和亮度，设置颜色阈值，获取每个波峰点的饱和度和亮度归一化后的值，将归一化后的值与颜色阈值进行匹配得到每个波峰点颜色。
采集冲压件图像的具体步骤为：水平放置冲压件，布置相机从正上方采集原始冲压件图像，由于采集环境为除锈工业场地，故采集过程可能受到一些机器噪声、光照信息的干扰，对采集到的图像先进行高斯滤波降噪处理，避免后续图像分析时避免由于噪声干扰造成分析错误。由于采集到的原始冲压件图像包含冲压件的整幅图像，而我们的目标图像为冲压件表面，故使用DNN语义分割提取冲压件图像。
其中，所述DNN网络具体步骤为：使用的数据集为本发明所述采集过程中得到的冲压件图像数据集。需要分割的像素有两类，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，属于冲压件的标注为1。网络的任务是分类，所以使用的loss函数为交叉熵损失函数。
至此，得到了冲压件图像。
本实施例基于冲压件HSV图像选取冲压件铁锈颜色的种子像素点进行区域生长分割冲压件的铁锈区域，因此，首先需要将冲压件图像转化为冲压件HSV图像，利用HSV图像中的S通道图像和V通道图像获取铁锈颜色的种子像素点，因此首先要将所得冲压件图像转化为HSV图像。
被锈蚀的冲压件表面颜色呈现多种颜色，本实施例中以锈蚀严重的褐色，锈蚀轻微的棕黄色、以及未被锈蚀的暗灰色为主要色划分区域,所有区域都随机分布，没有任何规则。但是区域生长是根据相似性准则进行聚类，即属于同一颜色且连通的像素期望最终被生长为一个区域，故分析冲压件HSV图像表面颜色信息，其中H表示色调，S表示饱和度，V表示亮度，对于冲压件表面的锈蚀特征来说，不论是褐色还是棕黄色，锈蚀颜色的不同主要是饱和度和亮度不同造成的，故后续我们只需分析颜色像素的饱和度和亮度信息。
获取HSV图像中S-V通道图像三维直方图，如图2所示。冲压件表面由锈蚀区域和正常区域组成，选取S-V直方图中所有波峰点所对应的饱和度值和亮度值，首先，根据现有技术已知生锈后的冲压件表面的颜色对应的SV值分别为：暗灰色[0,66],褐色[75，65],棕黄色[100，90]，故S-V直方图中所有波峰点所对应的饱和度值和亮度值对应的颜色为暗灰色、褐色和棕黄色，其中，三种颜色的饱和度区间即
为（100，0），亮度区间即
为（90，65），通过计算每个波峰点所对应的饱和度值和亮度值归一化后的值与颜色阈值比较，判断S-V通道图像直方图中的波峰点对应的颜色属于上述哪种颜色，其中每个波峰点所对应的饱和度值和亮度值归一化的表达式为：
式中：
表示三种颜色饱和度的最大值，
表示三种颜色饱和度的最小值，
表示三种颜色亮度的最大值，
表示三种颜色亮度的最小值，
表示第
个波峰点的饱和度，
表示第
个波峰点的亮度，
表示第
个波峰点的亮度和饱和度归一化后的值。
根据暗灰色、褐色和棕黄色的饱和度和亮度设置颜色阈值，即暗灰色的颜色阈值为：
,褐色的颜色阈值为：
,棕黄色的颜色阈值为：
，将所述每个波峰点的饱和度和亮度代入亮度和饱和度归一化公式得到每个波峰点的亮度和饱和度归一化的值，利用每个波峰点的亮度和饱和度归一化的值与三种颜色的颜色阈值进行匹配得到每个波峰点对应的颜色，即每个波峰点颜色。
S3：将像素直方图中除波峰点外的像素点作为目标像素点，获取与目标像素点相距最近的波峰点间的饱和度和亮度的差值，利用该差值确定出目标像素点所属的颜色类别，完成对所有像素点的颜色类别分类，获取颜色类别中的每种铁锈颜色及每种铁锈颜色中的所有像素点。
由于要对冲压件HSV图像进行区域生长，所以需要选择种子像素点，种子像素点的选择基于HSV图像中S-V通道图像内的不同颜色的像素点，因此需要对S-V通道直方图中对应的像素点进行分类，具体步骤为：
由于每种颜色的饱和度与亮度都有一定的区间范围，故我们选择本实施例中获取三种颜色的饱和度区间
和亮度区间
同时作为对应波峰点颜色阈值
，该波峰点颜色阈值的具体应用为：将S-V通道图像的直方图中除波峰点外的其余像素点作为目标像素点，计算S-V通道图像的直方图中目标像素点与其相距最近的波峰点颜色阈值的饱和度和亮度的差值，当所得饱和度和亮度的差值同时属于该波峰点颜色阈值，则该目标像素点的颜色为该波峰点对应颜色，当所得饱和度和亮度的差值不属于该波峰点颜色阈值时，则该目标像素点的颜色不属于该波峰点对应颜色；依此目标像素点进行分类，此时获取所有无法分类的像素点，即不属于与其相距最近波峰点对应颜色的像素点，计算每个未分类的目标像素点与其他未分类的目标像素点饱和度和亮度的差值，将该饱和度和亮度的差值的和小于等于10的目标像素点归为一类，至此将所有像素点的颜色类别分类，获取除暗灰色之外的每种铁锈颜色，根据每种铁锈颜色选取种子像素点。
S4：获取每种铁锈颜色中的每个像素点在灰度图像中的位置，以每种铁锈颜色中的每个像素点在灰度图中对应的像素点作为滑窗的中心像素点建立滑窗，利用每个滑窗的中心像素点及其它像素点的梯度得到每个滑窗的平滑程度，利用每个滑窗的平滑程度确定出所有目标滑窗，获取所有目标滑窗中梯度值最小的像素点，获取所有目标滑窗中梯度值最小的像素点中相同灰度值最多的像素点作为种子像素点进行区域生长得到所有铁锈连通域。
理想的种子像素点应选取平滑的区域，如果将种子像素点选取到梯度较大的区域，在后续进行区域生长时很难搜索到合适的满足阈值的点，进而影响生长速度。故分析图像中的梯度，选取梯度平滑的区域作为预选种子像素点的区域。因此，获取冲压件灰度图像，获取每种铁锈颜色中的每个像素点在冲压件灰度图像中的位置，以每种铁锈颜色中的每个像素点在灰度图中对应的像素点作为滑窗的中心像素点建立3×3滑窗，利用每个滑窗中每个像素点的梯度得到每个滑窗的平滑程度，具体表达式为：
式中：
表示滑窗中心像素点的梯度，
表示滑窗中除中心像素点外其它像素点的梯度。
其中，通过对滑窗中的中心像素点与其8邻域像素点之间的梯度做差，反映了滑窗中的中心像素点与其8邻域像素点的梯度差异，再对整体差异进行求和取均值反映了每个滑窗区域的平滑度。设置阈值0.2，当
时，认为滑窗区域不平滑，反之当
时，则滑窗区域平滑，获取冲压件灰度图像中所有的平滑的滑窗作为目标滑窗，并在所有目标滑窗内选取
即最小梯度对应的像素点（每个平滑的区域都对应一个梯度最小的像素点
），获取所有目标滑窗中梯度值最小的像素点中相同灰度值最多的像素点作为种子像素点。至此得到了种子像素点。
利用种子像素点进行区域生长的具体步骤为：获取每种铁锈颜色类别的饱和度区间和亮度区间，获取冲压件灰度图像中种子像素点的坐标，将冲压件灰度图像中种子像素点的坐标对应到冲压件HSV图像，利用冲压件HSV图像中的种子像素点进行区域生长，其中种子像素点进行区域生长的阈值的具体表达式为：
式中：
表示第
种颜色的饱和度区间，
表示第
种颜色的亮度区间，
表示区域生长的阈值。
获取种子像素点的8邻域内每个像素点的亮度与饱和度和的一半，将种子像素点的8邻域内每个像素点的亮度与饱和度和的一半作为种子像素点的8邻域内每个像素点的标准值，获取该标准值小于阈值时对应的8邻域像素点，将所得8邻域像素点与对应的种子像素点连通，同理，对所得8邻域像素点继续搜索其8邻域，直到将所有满足阈值条件的像素点连通得到不同颜色的连通域。暗灰色为冲压件表面的正常颜色，因此将其排除，得到铁锈的连通域。
S5：获取除锈后的冲压件灰度图像，利用所有铁锈连通域在除锈前后灰度图像中像素点灰度值累加的比值对除锈效果进行评估。
利用抛丸除锈的方法对铁锈的连通域进行除锈，获取冲压件除锈后的灰度图像，获取除锈前后灰度图像中同一连通域
中像素点灰度值累加和的比值
，当
的值越大于1时，说明该连通域除锈效果越好，反之当
越趋近于1时说明该连通域除锈效果越差。因此，计算整个冲压件的除锈效果的表达式为：
式中：
表示铁锈的连通域的数量，
表示第
个连通域的除锈效果，
表示整个冲压件的除锈效果。
设置经验值0.36，当
时认为除锈效果不理想，需进行二次除锈,且
越小时后续除锈力度要越大。当
时认为效果理想，不需要二次除锈。
本发明的有益效果是：本发明通过利用图像处理技术获取冲压件HSV图像，依据冲压件HSV图像中每个像素点的饱和度和亮度对每个像素点进行颜色分类，得到了冲压件表面不同颜色的连通域，根据颜色可区分出正常区域和铁锈区域，并利用除锈前后冲压件灰度图像中同一铁锈连通域灰度累加和的比值评估除锈效果，该方法精准的获取了除锈前后冲压件表面的铁锈区域的灰度信息，利用除锈前后冲压件表面的铁锈区域的灰度信息对冲压件的除锈效果进行评估，使评估结果更加准确。
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 (6)
1.一种基于图像分割的冲压件除锈效果评估方法，其特征在于，包括：
S1：获取冲压件的HSV图像及冲压件的灰度图像；
S2：获取HSV图像中S-V通道图像的像素直方图中所有波峰点的饱和度和亮度，设置颜色阈值，获取每个波峰点的饱和度和亮度归一化后的值，将归一化后的值与颜色阈值进行匹配得到每个波峰点颜色；
S3：将像素直方图中除波峰点外的像素点作为目标像素点，获取与目标像素点相距最近的波峰点间的饱和度和亮度的差值，利用该差值确定出目标像素点所属的颜色类别，完成对所有像素点的颜色类别分类，获取颜色类别中的每种铁锈颜色及每种铁锈颜色中的所有像素点；
S4：获取每种铁锈颜色中的每个像素点在灰度图像中的位置，以每种铁锈颜色中的每个像素点在灰度图中对应的像素点作为滑窗的中心像素点建立滑窗，利用每个滑窗的中心像素点及其它像素点的梯度得到每个滑窗的平滑程度，利用每个滑窗的平滑程度确定出所有目标滑窗，获取所有目标滑窗中梯度值最小的像素点，获取所有目标滑窗中梯度值最小的像素点中相同灰度值最多的像素点作为种子像素点进行区域生长得到所有铁锈连通域；
S5：获取除锈后的冲压件灰度图像，利用抛丸除锈的方法对所有铁锈连通域进行除锈得到冲压件除锈后的灰度图像，获取除锈前后灰度图像中同一连通域
中像素点灰度值累加和的比值
，根据该比值得到整个冲压件的除锈效果，所述整个冲压件的除锈效果具体表达式为：
式中：
表示铁锈的连通域的数量，
表示第
个连通域的除锈效果，
表示整个冲压件的除锈效果；其中，当
的值越大于1时，说明该铁锈连通域除锈效果越好，反之当
越趋近于1时说明该铁锈连通域除锈效果越差。
2.根据权利要求1所述的一种基于图像分割的冲压件除锈效果评估方法，其特征在于，所述颜色阈值是按如下方法确定的：
获取每种铁锈颜色对应的饱和度和亮度；
根据每种铁锈颜色对应的饱和度和亮度得到每种铁锈颜色对应的颜色阈值。
3.根据权利要求2所述的一种基于图像分割的冲压件除锈效果评估方法，其特征在于，所述确定出目标像素点所属的颜色类别的方法是：
设置波峰点颜色阈值；
根据与目标像素点相距最近的波峰点间的饱和度和亮度的差值和波峰点颜色阈值确定出目标像素点所处的颜色类别。
4.根据权利要求1所述的一种基于图像分割的冲压件除锈效果评估方法，其特征在于，所述每个滑窗的平滑程度的表达式为：
式中：
表示中心像素点的梯度，
表示每个滑窗中除中心像素点外其它像素点的梯度。
5.根据权利要求4所述的一种基于图像分割的冲压件除锈效果评估方法，其特征在于，所述目标滑窗是按如下方法确定的：
设置阈值0.2；
当滑窗的平滑程度大于0.2时，该滑窗为非目标滑窗；
当滑窗的平滑程度小于0.2时，该滑窗为目标滑窗。
6.根据权利要求1所述的一种基于图像分割的冲压件除锈效果评估方法，其特征在于，所述所有铁锈连通域是按如下方法确定的：
获取每个种子像素点在冲压件灰度图像中的坐标；
利用每个种子像素点在冲压件灰度图像中的坐标得到每个种子像素点在冲压件HSV图像中的坐标，进而确定每个种子像素点在冲压件HSV图像中的位置；
获取HSV图像中每个种子像素点与其8邻域像素点的饱和度与亮度的和的一半，将HSV图像中每个种子像素点与其8邻域像素点的饱和度与亮度的和的一半作为HSV图像中每个种子像素点与其8邻域像素点的标准值；
设置阈值，获取该标准值小于阈值时对应的8邻域像素点，将所得8邻域像素点与对应的种子像素点连通，同理，对所得8邻域像素点继续搜索其8邻域，直到将所有满足阈值条件的像素点连通得到所有铁锈连通域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211015516.4A CN115100196B (zh) | 2022-08-24 | 2022-08-24 | 一种基于图像分割的冲压件除锈效果评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211015516.4A CN115100196B (zh) | 2022-08-24 | 2022-08-24 | 一种基于图像分割的冲压件除锈效果评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115100196A CN115100196A (zh) | 2022-09-23 |
| CN115100196B true CN115100196B (zh) | 2022-11-18 |
Family
ID=83300336
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211015516.4A Active CN115100196B (zh) | 2022-08-24 | 2022-08-24 | 一种基于图像分割的冲压件除锈效果评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115100196B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115272376B (zh) * | 2022-09-27 | 2022-12-20 | 山东鑫科来信息技术有限公司 | 基于机器视觉的浮动打磨头控制方法 |
| CN115330758B (zh) * | 2022-10-11 | 2023-12-22 | 青岛信和钢结构有限公司 | 基于去噪处理的焊接质量检测方法 |
| CN115601690B (zh) * | 2022-12-13 | 2023-05-05 | 山东常生源生物科技股份有限公司 | 一种基于智慧农业的食用菌环境检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114445387A (zh) * | 2022-01-29 | 2022-05-06 | 泗阳富艺木业股份有限公司 | 一种基于机器视觉的纤维板质量分类方法 |
| CN114937055A (zh) * | 2022-03-31 | 2022-08-23 | 江苏益捷思信息科技有限公司 | 基于人工智能的图像自适应分割方法与系统 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102009009572B3 (de) * | 2009-02-19 | 2010-06-17 | Eads Deutschland Gmbh | Verfahren zur entropiebasierten Bestimmung von Objektrandkurven |
| CN103473788B (zh) * | 2013-07-31 | 2016-09-07 | 中国电子科技集团公司第三十八研究所 | 一种基于高清视频图像的室内火灾火焰检测方法 |
| CN106485199A (zh) * | 2016-09-05 | 2017-03-08 | 华为技术有限公司 | 一种车身颜色识别的方法及装置 |
| CN109753953B (zh) * | 2017-11-03 | 2022-10-11 | 腾讯科技（深圳）有限公司 | 图像中定位文本的方法、装置、电子设备和存储介质 |
| CN109544562B (zh) * | 2018-11-09 | 2022-03-22 | 北京工业大学 | 基于图像的钢筋端面自动识别计数算法 |
| CN113989299A (zh) * | 2021-10-27 | 2022-01-28 | 北方魏家峁煤电有限责任公司 | 一种基于k均值聚类的露天矿岩层图像分割方法 |
| CN114219932A (zh) * | 2021-12-17 | 2022-03-22 | 国家石油天然气管网集团有限公司 | 用于定位环焊缝中心线的方法、处理器及存储介质 |
| CN113962994B (zh) * | 2021-12-21 | 2022-03-15 | 武汉智能兴运铁路配件有限公司 | 基于图像处理的三连杆上锁销清洁度检测方法 |
| CN114882034B (zh) * | 2022-07-11 | 2022-09-27 | 南通世森布业有限公司 | 基于图像处理的面料染色质量评估方法 |
-
2022
- 2022-08-24 CN CN202211015516.4A patent/CN115100196B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114445387A (zh) * | 2022-01-29 | 2022-05-06 | 泗阳富艺木业股份有限公司 | 一种基于机器视觉的纤维板质量分类方法 |
| CN114937055A (zh) * | 2022-03-31 | 2022-08-23 | 江苏益捷思信息科技有限公司 | 基于人工智能的图像自适应分割方法与系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115100196A (zh) | 2022-09-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115100196B (zh) | 一种基于图像分割的冲压件除锈效果评估方法 | |
| Oliveira et al. | CrackIT—An image processing toolbox for crack detection and characterization | |
| CN102426649B (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
| CN114882265B (zh) | 一种成品油质量检测方法 | |
| CN108734131B (zh) | 一种图像中的交通标志对称性检测方法 | |
| CN107230188B (zh) | 一种视频运动阴影消除的方法 | |
| CN104794502A (zh) | 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法 | |
| Sun et al. | Recognition of green apples based on fuzzy set theory and manifold ranking algorithm | |
| CN101526994B (zh) | 一种与采集设备无关的指纹图像分割方法 | |
| CN103034838A (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
| CN115331119B (zh) | 一种固体废弃物识别方法 | |
| CN115311507B (zh) | 基于数据处理的建筑板材分类方法 | |
| CN102214290B (zh) | 车牌定位方法及车牌定位模板训练方法 | |
| CN114926410A (zh) | 制动盘外观缺陷检测方法 | |
| CN115239718B (zh) | 一种基于图像处理的塑料制品缺陷检测方法与系统 | |
| CN109871900A (zh) | 一种基于图像处理的复杂背景下苹果的识别定位方法 | |
| CN107516315B (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
| CN115330795A (zh) | 布匹毛刺缺陷检测方法 | |
| CN113344047A (zh) | 基于改进K-means算法的压板状态识别方法 | |
| CN108765426A (zh) | 自动图像分割方法及装置 | |
| CN109636794B (zh) | 一种基于机器学习的地铁高度调节阀紧固螺母定位方法 | |
| Dornaika et al. | A comparative study of image segmentation algorithms and descriptors for building detection | |
| CN110516666A (zh) | 基于mser和isodata相结合的车牌定位方法 | |
| CN113435444B (zh) | 免疫层析检测方法、装置、存储介质及计算机设备 | |
| CN113034454B (zh) | 一种基于人类视觉感官的水下图像质量评价方法 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method for evaluating the rust removal effect of stamping parts based on image segmentation Granted publication date: 20221118 Pledgee: Liaocheng high tech Zone Luxi small loan Co.,Ltd. Pledgor: Liaocheng Luoxi Information Technology Co.,Ltd. Registration number: Y2024980009553 |