CN115115625B - 基于图像处理的电缆生产异常检测方法 - Google Patents
基于图像处理的电缆生产异常检测方法 Download PDFInfo
- Publication number
- CN115115625B CN115115625B CN202211028004.1A CN202211028004A CN115115625B CN 115115625 B CN115115625 B CN 115115625B CN 202211028004 A CN202211028004 A CN 202211028004A CN 115115625 B CN115115625 B CN 115115625B
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- bit
- layer
- 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.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims description 20
- 230000005856 abnormality Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 230000002950 deficient Effects 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000037311 normal skin Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 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
- G06T5/90—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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于图像处理的电缆生产异常检测方法,涉及图像处理领域,该方法包括:将电缆表皮的灰度图像分为多层比特图像;将每层比特图像分为多个图像块,根据图像块中像素点的灰度值得到图像块的灰度差异性和比特图像的灰度差异性;更改图像块的尺寸,将最小灰度差异度对应的尺寸记为该层比特图像的最佳形状单元;根据最佳形状单元将比特图像划分为多个图像块,获取图像块中每个位置的像素点的位置权值以及标准灰度值;根据像素点的灰度值和所在位置的标准灰度值得到异常图像块与正常图像块,获取每层比特图像的二值图并叠加,根据叠加后像素点的叠加灰度值确定灰度图像中的异常区域,本发明提高了电缆生产异常检测的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于图像处理的电缆生产异常检测方法。
背景技术
电缆行业作为全球机械工业中的第二大产业,近年来发展迅速,但是电缆实际生产中会存在一些产品质量问题,这些质量问题会影响企业的生产效率和生产成本。常见的产品质量问题为电缆生产过程中产生的表皮塑化不良的现象,塑化不良现象具体表现为电缆表皮的塑料层表面存在散乱凸起的小凸包的现象,在后续的使用过程中容易导致电缆表皮的过早风化以及开裂。
现有的电缆表皮的塑化不良现象的检测方式主要是通过canny算子检测,相较于传统的人工检测已经大幅提高了检测效率,降低了检测成本,但是由于塑化不良现象在图像中的分布散乱不集中,其中包含部分正常区域的像素点,所以塑化不良区域与正常区域的整体的灰度值差异不是很明显,所以在canny算子检测时可能会由于阈值选择不准确而导致塑化不良区域的划分不准确,即检测结果不准确,因此,本发明提出一种基于图像处理的电缆生产异常检测方法。
发明内容
本发明提供基于图像处理的电缆生产异常检测方法,以解决现有的问题。
本发明的基于图像处理的电缆生产异常检测方法,采用如下技术方案:
获取电缆表皮图像的灰度图像,将灰度图像分为多层比特图像;
将每层比特图像按照初始尺寸划分为多个相等的图像块,根据每个图像块中像素点的灰度值和所有图像块中每个位置的像素点的灰度值均值得到图像块的灰度差异性,根据该比特图像中所有图像块的灰度差异性得到该初始尺寸下每层比特图像的灰度差异性;
调整初始尺寸,得到不同尺寸下每层比特图像的灰度差异性,将不同尺寸下每层比特图像的最小灰度差异性作为每层比特图像的最佳形状单元;
利用每层比特图像的最佳形状单元的尺寸作为划分尺寸将对应的比特图像划分为多个图像块,根据每层比特图像的所有图像块中每个位置的像素点的灰度值均值得到每层比特图像的图像块中每个位置的像素点的位置权值;
利用灰度图像中像素点的灰度值均值和灰度值方差得到灰度图像中所有像素点的补偿灰度值;根据每层比特图像的图像块中每个位置的像素点的位置权值及该位置的像素点的补偿灰度值得到每层比特图像的图像块中每个位置的像素点的标准灰度值;
根据每层比特图像的每个图像块中像素点的灰度值和像素点所在位置的标准灰度值计算每层比特图像中每个图像块的异常程度,根据异常程度确定出每层比特图像中的异常图像块与正常图像块,并利用每层比特图像中的异常图像块与正常图像块对该层比特图像的进行二值化处理,得到每层比特图像的二值图;
将多层每层比特图像的二值图叠加,根据叠加后像素点的叠加灰度值确定灰度图像中的异常区域。
进一步,将灰度图像分为多个比特图像的步骤包括:
获取灰度图像中每个像素点的灰度值,将每个像素点的灰度值转换为二进制灰度值;
将所有像素点的二进制灰度值中相同位的数值重新组成一个比特层矩阵,则8位数值可以组成8个比特层矩阵;
利用每个比特层矩阵构建对应的比特图像。
进一步,根据每个图像块中像素点的灰度值和所有图像块中每个位置的像素点的灰度值均值得到图像块的灰度差异性的步骤包括:
获取图像块中每个像素点的灰度值与所有图像块中该像素点所在位置的所有像素点的灰度值均值的差值;
对图像块中每个像素点得到的差值求均值得到该图像块的灰度差异性。
进一步,对每层比特图像中的所有图像块的灰度差异性求均值得到该比特图像的灰度差异性。
进一步,根据每层比特图像的所有图像块中每个位置的像素点的灰度值均值得到每层比特图像的图像块中每个位置的像素点的位置权值的步骤包括:
将每层比特图像中图像块中每个位置的像素点的灰度值均值进行归一化;
将图像块中每个位置的像素点的归一化值作为图像块中该位置的像素点的位置权值。
进一步,利用灰度图像中像素点的灰度值均值和灰度值方差获得该图像中像素点的补偿灰度值的步骤包括:
对灰度图像中所有像素点的灰度值方差向上取整;
将向上取整后的方差与灰度图像中像素点的灰度值均值相加,得到灰度图像中像素点的补偿灰度值。
进一步,根据每层比特图像的图像块中每个位置的像素点的位置权值及该位置的像素点的补偿灰度值得到每层比特图像的图像块中每个位置的像素点的标准灰度值的步骤包括:
利用每层比特图像的图像块中每个位置的像素点的位置权值与像素点的补偿灰度值相乘得到图像块中每个位置的像素点的标准灰度值。
进一步,根据每层比特图像的每个图像块中像素点的灰度值和像素点所在位置的标准灰度值计算每层比特图像中每个图像块的异常程度的公式为:
其中,表示比特图像中第个图像块的异常程度;表示比特图像的图像块中第个位置的像素点的位置权值;表示比特图像的第个图像块中第个位置的像素点的灰度值;表示比特图像的图像块中第个位置的像素点的标准灰度值;表示图像块中的像素点数量。
进一步,利用每层比特图像中的异常图像块与正常图像块对该层比特图像的进行二值化处理的步骤包括:
将每层比特图像的异常图像块中像素点的灰度值标为1,将每层比特图像的正常图像块中像素点的灰度值标为0。
本发明的有益效果是:本发明的基于图像处理的电缆生产异常检测方法,通过对电缆表皮的灰度图像进行比特分层得到比特图像,利用比特图像进行后续异常程度的分析,避免了灰度图像中塑化不良区域的灰度值与正常区域的灰度值差异不明显,计算不准确的问题;根据每层比特图像中像素点的灰度值自适应得到最佳形状单元,使得后续分割得到的图像块结果更准确,每个图像块中的结构相似性更高;利用灰度图像中像素点的方差对灰度均值进行补偿得到补偿灰度值,避免了灰度图像中较大塑化不良区域或者极小塑化不良区域对均值的影响造成后续计算标准灰度值时不准确的情况,增大了异常检测的准确度。
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为本发明的基于图像处理的电缆生产异常检测方法的实施例总体步骤的流程图;
图2为图像采集装置的结构示意图。
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。
本发明的基于图像处理的电缆生产异常检测方法的实施例,如图1所示,该方法包括:
S1、获取电缆表皮图像的灰度图像,将灰度图像分为多个比特图像。
具体的,本实施例利用如图2所示的图像采集装置获取电缆表皮图像,根据获得的图像分析电缆表皮生产异常的情况。该图像采集装置包括拍摄相机,用于采集电缆表皮图像;该图像采集装置还包括夹持翻转装置,用于转动电缆,采集电缆表皮的完整图像,为了得到完整的电缆表皮的图像,需要利用夹持翻转装置对电缆进行多次翻转,将多次翻转采集到的图像利用现有技术进行图像匹配和拼接,得到电缆表皮的完整图像。
对得到的电缆表皮的完整图像利用神经网络进行分割,具体分割过程为:设置背景图像标签为“0”,电缆表皮图像标签为“1”;神经网络的任务为分类,利用交叉熵函数作为loss函数,分割出需要的电缆表皮图像。
需要说明的是,在采集电缆表皮图像时,是对多个电缆同时进行图像采集,为方便叙述,本实施例以一根电缆的表皮图像为例进行分析处理。
对电缆表皮图像进行灰度化处理得到电缆表皮的灰度图像,在灰度图像中,由于塑化不良区域中既包括正常表皮的像素点,又包括塑化不良的像素点,所以整体的塑化不良区域与正常的表皮区域的灰度值差异不是特别明显,因此直接利用灰度图像进行塑化不良检测,图像特征不明显。
对灰度图像利用比特分层技术进行分层,低比特层的图像在细节上更明显,高比特层的图像在视觉上包含大多数据。比特分层的具体步骤为:
获取灰度图像中每个像素点的灰度值,灰度图像中像素点的灰度值,将每个像素点的灰度值转换为二进制灰度值,即不论像素点的灰度值为多少,每个像素点的二进制灰度值都有8位数值;对每个像素点的二进制灰度值进行拆分,每个像素点的二进制灰度值的相同位的数值重新组成一个比特层矩阵,每个二进制灰度值共有8位数值,所以可以得到8个比特层矩阵;利用每个比特层矩阵构建对应的比特图像,比特层矩阵中的“0”表示灰度值为“0”,“1”表示灰度值为“255”,至此得到了灰度图像的8个比特图像。
S2、获取比特图像的灰度差异性。具体方式为:将每层比特图像按照初始尺寸划分为多个相等的图像块,根据每个图像块中像素点的灰度值和所有图像块中每个位置的像素点的灰度值均值得到图像块的灰度差异性,根据该比特图像中所有图像块的灰度差异性得到该初始尺寸下每层比特图像的灰度差异性。
需要说明的是,灰度图像中正常区域的像素点因为灰度值基本相同,所以在比特层图像中像素点的分布形状和灰度图像中基本相同,而塑化不良区域的像素点灰度值不同,二进制灰度值差异明显,在比特图像中分布形状就会出现不同,所以需要将灰度图像分为多个图像块,根据图像块中的灰度值差异筛选出正常区域的最小像素点分布形状作为最佳形状单元。电缆表皮图像不同比特层中塑化不良区域的像素点分布形状情况是随机的,但正常区域的像素点的分布形状具有高度相似性,所以对电缆表皮图像中不同比特层中正常区域的图像的最佳分布形状单元进行自适应大小的划分。
其中,表示以为尺寸得到的第层比特图像中第个图像块的灰度差异性;表示每层比特图像中图像块的数量;表示比特图像的图像块中的第个位置的像素点,以为尺寸则每个图像块中有9个像素点;表示比特图像的第个图像块中第个位置的像素点的灰度值。
需要说明的是,正常区域的图像块中具有相似的结构特性,具体表现为每个图像块的相同位置的像素点的灰度值具有高度相似性,塑化不良区域在比特图像中的占比较小,所以根据该特征构建公式,计算比特图像中所有图像块的每个相同位置的像素点的灰度值均值,即该层比特图像的所有图像块中第个位置的像素点的灰度值均值;以每层比特图像中每个图像块中相同位置的像素点的灰度值和该位置的像素点的灰度值均值进行差异计算,得到该图像块中该位置像素点的灰度差异性,对第个图像块中每个位置的像素点的差异性取均值,作为第层比特图像中第个图像块的灰度差异性。
S3、得到每层比特图像的最佳形状单元。具体方式为:调整初始尺寸,得到不同尺寸下每层比特图像的灰度差异性,将不同尺寸下每层比特图像的最小灰度差异性作为每层比特图像的最佳形状单元。
在步骤S2中得到了以为尺寸划分第层比特图像得到的比特图像的灰度差异性,得到的灰度差异性越小,表明该尺寸下的图像块最接近最佳形状单元,具体为每个图像块中每个位置的像素点与该层比特图像中所有图像块的同一位置的像素点的灰度值差异性越小,该比特图像的灰度差异性越小。
分别以、、…、为尺寸划分第层比特图像,根据计算以尺寸划分下的比特图像的灰度差异性的方法计算在不同尺寸划分下的比特图像的灰度差异性,从中获取最小灰度差异性对应的尺寸大小,将最小灰度差异性对应的尺寸大小作为最佳形状单元。
S4、获取图像块中每个位置的像素点的位置权值。具体方式为:利用每层比特图像的最佳形状单元的尺寸作为划分尺寸将对应的比特图像划分为多个图像块,根据每层比特图像的所有图像块中每个位置的像素点的灰度值均值得到每层比特图像的图像块中每个位置的像素点的位置权值。
具体的,将每层比特图像的最佳形状单元的尺寸作为划分尺寸,利用每层比特图像的划分尺寸将比特图像划分为多个图像块,计算每层比特图像中所有图像块的每个位置像素点的灰度值均值的公式为:
对该层比特图像的所有图像块中每个位置的像素点的灰度值均值进行归一化,将每个位置的归一化值作为该位置的像素点的位置权值。
至此,得到了每层比特图像中每个图像块的每个位置的像素点的位置权值。
S5、获取图像块中每个位置的像素点的标准灰度值。具体方式为:利用灰度图像中像素点的灰度值均值和灰度值方差得到灰度图像中所有像素点的补偿灰度值;根据每层比特图像的图像块中每个位置的像素点的位置权值及该位置的像素点的补偿灰度值得到每层比特图像的图像块中每个位置的像素点的标准灰度值。
需要说明的是,该公式是利用灰度图像中像素点的灰度值的方差作为补偿值对灰度值均值进行补偿,由于灰度图像中的塑化不良区域中,有与正常区域像素点的灰度值相同的像素点,也有与正常区域灰度值不相同的灰度值的像素点,若以灰度值均值进行比特层的筛选,灰度图像中较大塑化不良区域或者特别小的塑化不良区域容易造成信息的丢失,方差能够体现整体灰度值的差异程度,在较大塑化不良区域和极小塑化不良区域的两种极端情况下较为稳定;由于要得到的是补偿灰度值,方差可能会得到的小数,所以对方差进行向上取整得到整数再与灰度值均值相加得到补偿灰度值。
根据每层比特图像中图像块的每个位置的像素点的位置权值和补偿灰度值计算标准灰度值的公式为:
其中,表示比特图像的图像块中第个位置的像素点的标准灰度值;表示灰度图像中像素点的补偿灰度值,在此处表示比特图像的图像块中像素点的补偿灰度值,每个像素点的补偿灰度值相等;表示比特图像的图像块中第个位置的像素点的位置权值。利用图像块中每个位置的像素点的位置权值调整整体图像的补偿灰度值得到该位置的像素点的标准灰度值。
S6、确定灰度图像中的异常区域。具体方式为:根据每层比特图像的每个图像块中像素点的灰度值和像素点所在位置的标准灰度值计算每层比特图像中每个图像块的异常程度,根据异常程度确定出每层比特图像中的异常图像块与正常图像块,并利用每层比特图像中的异常图像块与正常图像块对该层比特图像的进行二值化处理,得到每层比特图像的二值图;将多层每层比特图像的二值图叠加,根据叠加后像素点的叠加灰度值确定灰度图像中的异常区域。
具体的,根据比特图像中每个图像块的每个像素点的灰度值和该像素点所在位置的标准灰度值计算每个图像块的异常程度的公式为:
其中,表示比特图像中第个图像块的异常程度;表示比特图像的图像块中第个位置的像素点的位置权值;表示比特图像的第个图像块中第个位置的像素点的灰度值;表示比特图像的图像块中第个位置的像素点的标准灰度值;表示图像块中的像素点数量。
需要说明的是,利用位置权值对图像块中每个位置的像素点进行位置加权,将加权后的值与标准灰度值进行做差对比,然后对图像块中每个位置得到的差值求均值得到该图像块的异常程度,异常程度越大,表明该图像块与正常区域的图像块的差异越大,是塑化不良缺陷的概率越大。
若比特图像中某个图像块的异常程度,则认为该图像块为异常图像块,将该异常图像块中所有像素点的灰度值标记为1;若某个图像块的异常程度,则认为该图像块为正常图像块,将该正常图像块中所有像素点的灰度值标记为0,得到每层比特图像的二值图。
将所有层的比特图像的二值图进行叠加,计算叠加后每个位置的像素点的叠加灰度值,若该灰度图像转换为比特图像,在层比特图像中有值,则像素点的叠加灰度值在时,认为该像素点为异常区域的像素点,像素点的叠加灰度值在时,认为该像素点为疑似异常区域的像素点,像素点的叠加灰度值为0表示该像素点为正常区域的像素点,对叠加后的图像中的像素点进行连通域分析,得到异常区域、疑似异常区域和正常区域。异常区域表明该区域一定为电缆表皮塑化不良的区域,疑似异常区域表明该区域可能为电缆表皮塑化不良的区域,有可能是存在误差,正常区域表明该区域不存在塑化不良现象。
至此,对电缆表皮的塑化不良现象进行了检测,获得了电缆塑化不良区域的图像以及位置信息,根据塑化不良区域的位置信息对塑化不良的电缆进行挑选,并进行报错,以便后续对设备故障、原材料问题或车间环境因素等进行技术检查。
综上所述,本发明提供基于图像处理的电缆生产异常检测方法,通过对电缆表皮的灰度图像进行比特分层得到比特图像,利用比特图像进行后续异常程度的分析,避免了灰度图像中塑化不良区域的灰度值与正常区域的灰度值差异不明显,计算不准确的问题;根据每层比特图像中像素点的灰度值自适应得到最佳形状单元,使得后续分割得到的图像块结果更准确,每个图像块中的结构相似性更高;利用灰度图像中像素点的方差对灰度均值进行补偿得到补偿灰度值,避免了灰度图像中较大塑化不良区域或者极小塑化不良区域对均值的影响造成后续计算标准灰度值时不准确的情况,增大了异常检测的准确度。
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 (9)
1.基于图像处理的电缆生产异常检测方法,其特征在于:
获取电缆表皮图像的灰度图像,将灰度图像分为多层比特图像;
将每层比特图像按照初始尺寸划分为多个相等的图像块,根据每个图像块中像素点的灰度值和所有图像块中每个位置的像素点的灰度值均值得到图像块的灰度差异性,根据该比特图像中所有图像块的灰度差异性得到该初始尺寸下每层比特图像的灰度差异性;
调整初始尺寸,得到不同尺寸下每层比特图像的灰度差异性,将不同尺寸下每层比特图像的最小灰度差异性作为每层比特图像的最佳形状单元;
利用每层比特图像的最佳形状单元的尺寸作为划分尺寸将对应的比特图像划分为多个图像块,根据每层比特图像的所有图像块中每个位置的像素点的灰度值均值得到每层比特图像的图像块中每个位置的像素点的位置权值;
利用灰度图像中像素点的灰度值均值和灰度值方差得到灰度图像中所有像素点的补偿灰度值;根据每层比特图像的图像块中每个位置的像素点的位置权值及该位置的像素点的补偿灰度值得到每层比特图像的图像块中每个位置的像素点的标准灰度值;
根据每层比特图像的每个图像块中像素点的灰度值和像素点所在位置的标准灰度值计算每层比特图像中每个图像块的异常程度,根据异常程度确定出每层比特图像中的异常图像块与正常图像块,并利用每层比特图像中的异常图像块与正常图像块对该层比特图像的进行二值化处理,得到每层比特图像的二值图;
将多层比特图像的二值图叠加,根据叠加后像素点的叠加灰度值确定灰度图像中的异常区域。
3.根据权利要求1所述的基于图像处理的电缆生产异常检测方法,其特征在于,根据每个图像块中像素点的灰度值和所有图像块中每个位置的像素点的灰度值均值得到图像块的灰度差异性的步骤包括:
获取图像块中每个像素点的灰度值与所有图像块中该像素点所在位置的所有像素点的灰度值均值的差值;
对图像块中每个像素点得到的差值求均值得到该图像块的灰度差异性。
4.根据权利要求1所述的基于图像处理的电缆生产异常检测方法,其特征在于,对每层比特图像中的所有图像块的灰度差异性求均值得到该比特图像的灰度差异性。
5.根据权利要求1所述的基于图像处理的电缆生产异常检测方法,其特征在于,根据每层比特图像的所有图像块中每个位置的像素点的灰度值均值得到每层比特图像的图像块中每个位置的像素点的位置权值的步骤包括:
将每层比特图像的图像块中每个位置的像素点的灰度值均值进行归一化;
将图像块中每个位置的像素点的归一化值作为图像块中该位置的像素点的位置权值。
6.根据权利要求1所述的基于图像处理的电缆生产异常检测方法,其特征在于,利用灰度图像中像素点的灰度值均值和灰度值方差获得该图像中像素点的补偿灰度值的步骤包括:
对灰度图像中所有像素点的灰度值方差向上取整;
将向上取整后的方差与灰度图像中像素点的灰度值均值相加,得到灰度图像中像素点的补偿灰度值。
7.根据权利要求1所述的基于图像处理的电缆生产异常检测方法,其特征在于,根据每层比特图像的图像块中每个位置的像素点的位置权值及该位置的像素点的补偿灰度值得到每层比特图像的图像块中每个位置的像素点的标准灰度值的步骤包括:
利用每层比特图像的图像块中每个位置的像素点的位置权值与像素点的补偿灰度值相乘得到图像块中每个位置的像素点的标准灰度值。
9.根据权利要求1所述的基于图像处理的电缆生产异常检测方法,其特征在于,利用每层比特图像中的异常图像块与正常图像块对该层比特图像的进行二值化处理的步骤包括:
将每层比特图像的异常图像块中像素点的灰度值标为1,将每层比特图像的正常图像块中像素点的灰度值标为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211028004.1A CN115115625B (zh) | 2022-08-26 | 2022-08-26 | 基于图像处理的电缆生产异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211028004.1A CN115115625B (zh) | 2022-08-26 | 2022-08-26 | 基于图像处理的电缆生产异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115115625A CN115115625A (zh) | 2022-09-27 |
CN115115625B true CN115115625B (zh) | 2022-11-04 |
Family
ID=83336341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211028004.1A Active CN115115625B (zh) | 2022-08-26 | 2022-08-26 | 基于图像处理的电缆生产异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115115625B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117079141B (zh) * | 2023-10-13 | 2024-01-26 | 济宁市金桥煤矿 | 一种矿山数据智能采集方法及系统 |
CN117115468B (zh) * | 2023-10-19 | 2024-01-26 | 齐鲁工业大学(山东省科学院) | 基于人工智能的图像识别方法及系统 |
CN117115152B (zh) * | 2023-10-23 | 2024-02-06 | 汉中禹龙科技新材料有限公司 | 基于图像处理的钢绞线生产监测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4578810A (en) * | 1983-08-08 | 1986-03-25 | Itek Corporation | System for printed circuit board defect detection |
JPH02292680A (ja) * | 1989-05-01 | 1990-12-04 | Nippon Seiko Kk | パターン欠陥判定装置及び方法 |
CN101424645A (zh) * | 2008-11-20 | 2009-05-06 | 上海交通大学 | 基于机器视觉的焊球表面缺陷检测装置与方法 |
CN102630299A (zh) * | 2009-10-30 | 2012-08-08 | 住友化学株式会社 | 缺陷检查用图像处理装置和缺陷检查用图像处理方法 |
CN109916914A (zh) * | 2019-04-10 | 2019-06-21 | 清华大学深圳研究生院 | 一种产品缺陷检测方法及装置 |
CN109916906A (zh) * | 2018-10-11 | 2019-06-21 | 乐人株式会社 | 缺陷检测装置及方法 |
CN111047573A (zh) * | 2019-12-11 | 2020-04-21 | 中国科学院沈阳自动化研究所 | 一种胶囊缺陷检测方法 |
CN114913178A (zh) * | 2022-07-19 | 2022-08-16 | 山东天宸塑业有限公司 | 一种熔喷布缺陷检测方法及系统 |
-
2022
- 2022-08-26 CN CN202211028004.1A patent/CN115115625B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4578810A (en) * | 1983-08-08 | 1986-03-25 | Itek Corporation | System for printed circuit board defect detection |
JPH02292680A (ja) * | 1989-05-01 | 1990-12-04 | Nippon Seiko Kk | パターン欠陥判定装置及び方法 |
CN101424645A (zh) * | 2008-11-20 | 2009-05-06 | 上海交通大学 | 基于机器视觉的焊球表面缺陷检测装置与方法 |
CN102630299A (zh) * | 2009-10-30 | 2012-08-08 | 住友化学株式会社 | 缺陷检查用图像处理装置和缺陷检查用图像处理方法 |
CN109916906A (zh) * | 2018-10-11 | 2019-06-21 | 乐人株式会社 | 缺陷检测装置及方法 |
CN109916914A (zh) * | 2019-04-10 | 2019-06-21 | 清华大学深圳研究生院 | 一种产品缺陷检测方法及装置 |
CN111047573A (zh) * | 2019-12-11 | 2020-04-21 | 中国科学院沈阳自动化研究所 | 一种胶囊缺陷检测方法 |
CN114913178A (zh) * | 2022-07-19 | 2022-08-16 | 山东天宸塑业有限公司 | 一种熔喷布缺陷检测方法及系统 |
Non-Patent Citations (4)
Title |
---|
《Image Processing Based Detection of Abnormal Tissue in Magnetic Resonance Images》;Ina Singh等;《2018 2nd International Conference on Trends in Electronics and Informatics (ICOEI)》;20181231;第1479-1483页 * |
《Localization of the Suspected Abnormal Region in Chest Radiograph Images》;Tej Bahadur Chandra等;《2020 First International Conference on Power, Control and Computing Technologies (ICPC2T)》;20201231;第204-209页 * |
《基于改进Canny算子的锂电池极片表面缺陷检测》;黄梦涛等;《仪器仪表学报》;20211031;第42卷(第10期);第199-209页 * |
《基于机器视觉的圆形马口铁罐罐口缺陷检测》;张宏钊等;《自动化与信息工程》;20160131;第37卷(第1期);第10-14,22页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115115625A (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115115625B (zh) | 基于图像处理的电缆生产异常检测方法 | |
CN109376792B (zh) | 基于多通道残差神经网络的光伏电池外观缺陷分类方法 | |
CN107945161B (zh) | 基于纹理特征提取的道路表面缺陷检测方法 | |
CN115239704B (zh) | 一种木材表面缺陷的精准检测修复方法 | |
EP3937128A3 (en) | Image defect detection method and apparatus, electronic device, storage medium and product | |
CN114757949A (zh) | 基于计算机视觉的电线电缆缺陷检测方法及系统 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
CN111383209A (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN109215009B (zh) | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 | |
CN113298757A (zh) | 一种基于u-net卷积神经网络的金属表面缺陷检测方法 | |
CN111179263B (zh) | 一种工业图像表面缺陷检测模型、方法、系统及装置 | |
CN110189297B (zh) | 一种基于灰度共生矩阵的磁性材料外观缺陷检测方法 | |
CN113506286A (zh) | 基于YOLOv5算法小样本数据集实现微波芯片缺陷检测方法 | |
US11315229B2 (en) | Method for training defect detector | |
CN112686890A (zh) | 一种基于奇异值分解的人造板表面缺陷检测方法 | |
CN112070751A (zh) | 木地板缺陷检测方法和装置 | |
CN113470005B (zh) | 一种圆柱电池盖帽的焊点检测装置和焊点检测方法 | |
CN112508950B (zh) | 异常检测方法和装置 | |
CN113643268A (zh) | 基于深度学习的工业制品缺陷质检方法、装置及存储介质 | |
CN114972894A (zh) | 一种基于计算机视觉的cpp薄膜缺陷分类方法 | |
Wah et al. | Analysis on feature extraction and classification of rice kernels for Myanmar rice using image processing techniques | |
CN115619708A (zh) | 基于图像识别主轴轴承润滑油油质变化判断故障的方法 | |
CN115861290A (zh) | 一种肤感木门表面缺陷检测方法 | |
TW201512649A (zh) | 偵測晶片影像瑕疵方法及其系統與電腦程式產品 | |
CN117495852B (zh) | 一种基于图像分析的数字印刷质量检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |