CN115147424A - 基于图像特征解析的防火面料质量分析方法 - Google Patents

基于图像特征解析的防火面料质量分析方法 Download PDF

Info

Publication number
CN115147424A
CN115147424A CN202211081203.9A CN202211081203A CN115147424A CN 115147424 A CN115147424 A CN 115147424A CN 202211081203 A CN202211081203 A CN 202211081203A CN 115147424 A CN115147424 A CN 115147424A
Authority
CN
China
Prior art keywords
image
fireproof
area
fireproof fabric
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
CN202211081203.9A
Other languages
English (en)
Other versions
CN115147424B (zh
Inventor
刘洪林
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.)
Rugao Jinyi Textile Co ltd
Original Assignee
Rugao Jinyi Textile 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 Rugao Jinyi Textile Co ltd filed Critical Rugao Jinyi Textile Co ltd
Priority to CN202211081203.9A priority Critical patent/CN115147424B/zh
Publication of CN115147424A publication Critical patent/CN115147424A/zh
Application granted granted Critical
Publication of CN115147424B publication Critical patent/CN115147424B/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
    • 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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30124—Fabrics; Textile; Paper

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像特征解析的防火面料质量分析方法，涉及图像识别领域。主要包括：本发明提供了一种基于图像特征解析的防火面料质量分析方法，利用图像处理技术对防火实验前后防火面料的表面图像进行分析，通过分析后所获得的表面图像的特征，判断待检测防火面料是否能够满足防火的预设温度以及预设时长。本发明实施例避免了人为进行观察或测量可能带来的误差，使得对于防火面料的防火功能的测试结果更为准确。

Description

基于图像特征解析的防火面料质量分析方法
技术领域
本申请涉及图像识别领域，具体涉及一种基于图像特征解析的防火面料质量分析方法。
背景技术
目前，安全问题越来越成为被社会广泛关注的焦点，在各种灾害事故中，火灾是发生频率较高且造成后果较为严重的灾害之一。因此，进行针对包括阻燃窗帘以及防火毯在内的防火面料的防火性能的测试，从而辅助研发具有防火性能的防火面料，对于保证人民群众的生命及财产安全具有重要意义。
目前针对防火面料的防火质量或防火性能的测试，主要停留在利用肉眼进行观察，根据观察结果人为给出对于测试结果的判断，同时，在测试过程中还可能存在人工利用测量工具进行测量的情况。
发明人在实现本发明实施例的过程中，发现背景技术中至少存在以下缺陷：利用人工进行观察或者测量，所获得的测试结果的主观性较大，且可能存在较大的测量或者观察误差，从而无法获得准确且稳定的测试结果。
发明内容
针对上述技术问题，本发明提供了一种基于图像特征解析的防火面料质量分析方法，利用图像处理技术对防火实验前后防火面料的表面图像进行分析，通过分析所获得的表面图像的特征判断防火面料是否具有与防火实验环境相对应的防火功能，避免了人为进行观察或测量可能带来的误差，使得对于防火面料的防火功能的测试结果更为准确。
第一方面，本发明实施例提出了一种基于图像特征解析的防火面料质量分析方法，包括：
采集待测防火面料在防火实验前的第一表面图像以及防火实验后的第二表面图像，所述防火实验指的是将待测防火面料在预设温度的火焰中放置预设时长。
对第二表面图像进行灰度化获得第二灰度图像，并对第二灰度图像进行边缘检测，将边缘检测结果中各边缘线向边缘线两侧延展预设宽度，以将延展后的区域作为褶皱区域。
将第二灰度图像中灰度值在预设范围内的像素点组成的区域作为炭化区域，并根据炭化区域的面积、褶皱区域的面积以及第一表面图像的面积，获得待测防火面料的第一质量评价系数。
对第一表面图像进行灰度化获得第一灰度图像，并计算第一灰度图像的灰度均值与第二灰度图像的灰度均值之间的差值，利用该灰度均值之间的差值与炭化区域在第二灰度图像中所占的比例获得第二质量评价系数。
获取第一灰度图像与第二灰度图像的差分图像，并利用对差分图像进行图像分割得到其中存在的破洞区域，利用破洞区域面积、第一质量评价系数以及第二质量评价系数获得防火性能指标。
根据防火性能指标是否小于预设第一阈值，判断待检测防火面料是否能够满足防火的预设温度以及预设时长。
进一步的，基于图像特征解析的防火面料质量分析方法中，据炭化区域的面积、褶皱区域的面积以及第一表面图像的面积，获得待测防火面料的第一质量评价系数，包括：
Figure 100002_DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE004
为待测防火面料的第一质量评价系数，
Figure 100002_DEST_PATH_IMAGE006
表示第一表面图像的面积，
Figure 100002_DEST_PATH_IMAGE008
表示炭化区域的面积，
Figure 100002_DEST_PATH_IMAGE010
表示炭化区域面积。
进一步的，基于图像特征解析的防火面料质量分析方法中，利用灰度均值之间的差值与炭化区域在第二灰度图像中所占的比例获得第二质量评价系数，包括：
Figure 100002_DEST_PATH_IMAGE012
其中，
Figure 100002_DEST_PATH_IMAGE014
表示待测防火面料的第二质量评价系数，
Figure 100002_DEST_PATH_IMAGE016
表示第一灰度图像的灰度均值与第二灰度图像的灰度均值之间的差距，
Figure 871843DEST_PATH_IMAGE010
表示炭化区域面积，
Figure 100002_DEST_PATH_IMAGE018
表示第二灰度图像的面积，
Figure 100002_DEST_PATH_IMAGE020
代表炭化区域在第二灰度图像中所占的比例。
进一步的，基于图像特征解析的防火面料质量分析方法中，根据破洞区域面积、第一质量评价系数以及第二质量评价系数获得防火性能指标，包括：
Figure 100002_DEST_PATH_IMAGE022
其中，
Figure 100002_DEST_PATH_IMAGE024
表示防火性能指标，
Figure 100002_DEST_PATH_IMAGE026
为待测防火面料的第一质量评价系数，
Figure 100002_DEST_PATH_IMAGE028
表示待测防火面料的第二质量评价系数，
Figure 100002_DEST_PATH_IMAGE030
为破洞区域面积。
进一步的，基于图像特征解析的防火面料质量分析方法中，所述方法还包括：
在防火实验前利用待测防火面料包裹待测猪肉。
在判定待检测防火面料能够满足防火的预设时长以及预设时长的情况下，获取防火实验后待测猪肉的第三表面图像。
利用k-means聚类算法对第三表面图像中像素点聚类成3类，并根据所划分类别中所包含的像素点在RGB三通道中的像素值，将聚类后得到的3类划分为白色类别、黑色类别以及红色类别。
对白色类别、黑色类别以及红色类别中像素点的数量进行加权求和，将加权求和结果作为保护性能指标。
根据保护性能指标是否小于预设第二阈值，判断待测面料是否具有保护待测猪肉的功能。
进一步的，基于图像特征解析的防火面料质量分析方法中，对白色类别、黑色类别以及红色类别中像素点的数量进行加权求和，包括：
加权求和过程中红色类别对应的权重大于白色类别对应的权重，且白色类别对应的权重大于黑色类别对应的权重。
进一步的，基于图像特征解析的防火面料质量分析方法中，对第二表面图像进行灰度化获得第二灰度图像，包括：
将第二表面图像中像素点在RGB三个通道中像素值的最大值，作为所述第二灰度图像中的像素点的灰度值。
本发明实施例提供了一种基于图像特征解析的防火面料质量分析方法，相比于现有技术，本发明实施例的有益效果在于：利用图像处理技术对防火实验前后防火面料的表面图像进行分析，通过分析所获得的表面图像的特征判断防火面料是否具有与防火实验环境相对应的防火功能，避免了人为进行观察或测量可能带来的误差，使得对于防火面料的防火功能的测试结果更为准确。
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是本发明实施例提供的一种基于图像特征解析的防火面料质量分析方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征；在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
目前，安全问题越来越成为被社会广泛关注的焦点，在各种灾害事故中，火灾是发生频率较高且造成后果较为严重的灾害之一。因此，进行针对包括阻燃窗帘以及防火毯在内的防火面料的防火性能的测试，从而辅助研发具有防火性能的防火面料，对于保证人民群众的生命及财产安全具有重要意义。
目前针对防火面料的防火质量或防火性能的测试，主要停留在利用肉眼进行观察，根据观察结果给出对于测试结果的判断，同时，在测试过程中还可能人工利用测量工具进行测量。
发明人在实现本发明实施例的过程中，发现背景技术中至少存在以下缺陷：利用人工进行观察或者测量，所获得的测试结果的主观性较大，且可能存在较大的测量或者观察误差，从而无法获得准确且稳定的测试结果。
本发明实施例提供了一种基于图像特征解析的防火面料质量分析方法，如图1所示，包括：
步骤S101、采集待测防火面料在防火实验前的第一表面图像以及防火实验后的第二表面图像，所述防火实验指的是将待测防火面料在预设温度的火焰中放置预设时长。
步骤S102、对第二表面图像进行灰度化获得第二灰度图像，并对第二灰度图像进行边缘检测，将边缘检测结果中各边缘线向边缘线两侧延展预设宽度，以将延展后的区域作为褶皱区域。
步骤S103、将第二灰度图像中灰度值在预设范围内的像素点组成的区域作为炭化区域，并根据炭化区域的面积、褶皱区域的面积以及第一表面图像的面积，获得待测防火面料的第一质量评价系数。
步骤S104、对第一表面图像进行灰度化获得第一灰度图像，并计算第一灰度图像的灰度均值与第二灰度图像的灰度均值之间的差值，利用该灰度均值之间的差值与炭化区域在第二灰度图像中所占的比例获得第二质量评价系数。
步骤S105、获取第一灰度图像与第二灰度图像的差分图像，并利用对差分图像进行图像分割得到其中存在的破洞区域，利用破洞区域面积、第一质量评价系数以及第二质量评价系数获得防火性能指标。
步骤S106、根据防火性能指标是否小于预设第一阈值，判断待检测防火面料是否能够满足防火的预设温度以及预设时长。
本发明实施例的主要目的是：利用图像处理技术对防火实验前后防火面料的表面图像进行分析，通过分析所获得的表面图像的特征，判断防火面料是否具有与防火实验环境相对应的防火功能。
进一步的，步骤S101、采集待测防火面料在防火实验前的第一表面图像以及防火实验后的第二表面图像，所述防火实验指的是将待测防火面料在预设温度的火焰中放置预设时长。
防火面料所需的基本功能是阻燃，即防火面料在一定温度下不会发生燃烧现象，同时在防火测试前后防火面料的变化越小，说明防火面料的防火性能越好。
面料经过高温燃烧后表面会发生不同程度的变化，如紧缩褶皱，表面炭化，出现燃烧，表面有漏洞等。以上变化在图像特征的表现为图像大小的变化，灰度值的变化，边缘的变化。为了使得实验结果更具代表性，常见火灾的环境温度在400度-1000度，因此本发明实施例中防火实验可以在800度的预设温度的火焰下进行，且防火实验过程中燃烧预设时长可以为10秒。
需要说明的是，实施者可以根据实际对防火材料的防火性能的需求，改变防火实验过程中的预设时长以及火焰的预设温度。
进一步的，步骤S102、对第二表面图像进行灰度化获得第二灰度图像，并对第二灰度图像进行边缘检测，将边缘检测结果中各边缘线向边缘线两侧延展预设宽度，以将延展后的区域作为褶皱区域。
首先，对第二表面图像进行灰度化获得第二灰度图像，包括：对将第二表面图像中像素点在RGB三个通道中像素值的最大值，作为第二灰度图像中的像素点的灰度值。
其次，对第二灰度图像进行边缘检测，将边缘检测结果中各边缘线向边缘线两侧延展预设宽度，以将延展后的区域作为褶皱区域。
需要说明的是，图像边缘是图像最基本的特征，所谓边缘(Edge) 是指图像局部特性的不连续性。灰度或结构等信息的突变处称之为边缘。例如，灰度级的突变、颜色的突变,、纹理结构的突变等。边缘是一个区域的结束，也是另一个区域的开始，图像的边缘有方向和幅度两种属性。边缘检测可以通过一阶导数或二阶导数进行检测实现。其中，一阶导数是以最大值作为对应的边缘的位置，而二阶导数则以过零点作为对应边缘的位置。
一阶导数的边缘算子进行边缘检测的过程包括：通过模板作为核与图像的每个像素点做卷积和运算，然后选取合适的阈值来提取图像的边缘。常见的一阶导数的边缘算子有：Roberts算子、Sobel算子和Prewitt算子。二阶导数的边缘算子进行边缘检测的过程依据于二阶导数过零点这一特性，常见的有二阶导数的边缘算子有Laplacian 算子。
由于褶皱区域由图像中的边缘线及其周围区域组成，因此，可以通过对边缘检测后得到的各边缘线进行延展，获得防火实验后第二灰度图像中所存在的褶皱区域，其中延展过程中延展预设宽度，实施者可以根据待测防火面料的厚度具体确定延展所需的预设宽度。
进一步的，步骤S103、将第二灰度图像中灰度值在预设范围内的像素点组成的区域作为炭化区域，并根据炭化区域的面积、褶皱区域的面积以及第一表面图像的面积，获得待测防火面料的第一质量评价系数。
首先，将第二灰度图像中灰度值在预设范围内的像素点组成的区域作为炭化区域。
需要说明的是，由于经过防火实验后的待测防火面料中可能存在炭化区域，同时炭化区域相较于其他未发生炭化的区域更加趋近于黑色，即第二灰度图像中可能存在的炭化区域的灰度值更小，因此，可以通过对历史数据中该类防火面料炭化后区域的灰度图像的灰度值进行统计，从而获得与炭化区域的灰度值对应的预设范围，进而利用该预设范围获取本发明实施例中第二灰度图像中可能存在的炭化区域。
其次，根据炭化区域的面积、褶皱区域的面积以及第一表面图像的面积，获得待测防火面料的第一质量评价系数，包括：
Figure DEST_PATH_IMAGE032
，其中，
Figure 139488DEST_PATH_IMAGE004
为待测防火面料的第一质量评价系数，
Figure 986484DEST_PATH_IMAGE006
表示第一表面图像的面积，
Figure 74526DEST_PATH_IMAGE008
表示褶皱区域的面积，
Figure 669455DEST_PATH_IMAGE010
表示炭化区域面积。
需要说明的是，本发明实施例中所获得的第一质量评价系数，能够反映经过防火实验后待测防火面料的表面存在异常的程度，其中，第一质量评价系数越大，说明防火实验后的防火面料中存在异常的程度越大，进而说明防火面料在当前防火实验环境下的防火能力越低；相反，第一质量评价系数越小，说明防火实验后的防火面料中存在异常的程度越小，进而说明防火面料在当前防火实验环境下的防火能力越强，越有可能具备与当前防火实验环境相匹配的防火能力。
进一步的，步骤S104、对第一表面图像进行灰度化获得第一灰度图像，并计算第一灰度图像的灰度均值与第二灰度图像的灰度均值之间的差值，利用该灰度均值之间的差值与炭化区域在第二灰度图像中所占的比例获得第二质量评价系数。
首先，对第一表面图像进行灰度化获得第一灰度图像。
其次，计算第一灰度图像的灰度均值与第二灰度图像的灰度均值之间的差值。由于防火面料经过防火实验后面料的表面整体会发生变换，因此，可以通过灰度均值的变换表征其表面的变化。其中，灰度均值的变化越大，说明防火面料经过防火实验后出现异常的可能越大。
然后，可以利用灰度均值之间的差值与炭化区域在第二灰度图像中所占的比例获得第二质量评价系数，
Figure DEST_PATH_IMAGE034
，其中，
Figure 665093DEST_PATH_IMAGE014
表示待测防火面料的第二质量评价系数，
Figure 431842DEST_PATH_IMAGE016
表示第一灰度图像的灰度均值与第二灰度图像的灰度均值之间的差距，
Figure 753101DEST_PATH_IMAGE010
表示炭化区域面积，
Figure 38589DEST_PATH_IMAGE018
表示第二灰度图像的面积，
Figure 306760DEST_PATH_IMAGE020
代表炭化区域在第二灰度图像中所占的比例。
进一步的，步骤S105、获取第一灰度图像与第二灰度图像的差分图像，并利用对差分图像进行图像分割得到其中存在的破洞区域，利用破洞区域面积、第一质量评价系数以及第二质量评价系数获得防火性能指标。
由于差分图像能够较好的呈现两张图像中存在差异的部分，因此，本发明实施例中首先获取第一灰度图像与第二灰度图像的差分图像。
其次，对差分图像进行图像分割得到其中存在的破洞区域。由于破洞区域的表现为闭合的区域，同时破洞区域的灰度值与周围非破洞区域的灰度值存在差异，因此，对于差分图像中可能存在的破洞区域的分割，可以通过训练完成的DNN(Deep Neural Networks，深度神经网络)进行分割实现，也可以通过对其进行连通域分析实现分割。
需要说明的是，图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。
其次，利用破洞区域面积、第一质量评价系数以及第二质量评价系数获得防火性能指标，
Figure DEST_PATH_IMAGE036
，其中，
Figure 892462DEST_PATH_IMAGE024
表示防火性能指标，
Figure 886088DEST_PATH_IMAGE026
为待测防火面料的第一质量评价系数，
Figure 658872DEST_PATH_IMAGE028
表示待测防火面料的第二质量评价系数，
Figure 465154DEST_PATH_IMAGE030
为破洞区域面积。如此，得到了能够整体反映防火面料的防火性能的指标，其中本发明实施例中防火性能指标越大，防火面料的在当前防火环境条件下出现异常的可能越大，进而表面防火面料的防火性能差。
进一步的，步骤S106、根据防火性能指标是否小于预设第一阈值，判断待检测防火面料是否能够满足防火的预设温度以及预设时长。
需要说明的是，当防火性能指标小于预设第一阈值时，说明检测防火面料能够满足防火的预设时长以及预设时长，即防火面料具备在预设温度下持续预设时长的防火能力。
更进一步的，防火面料所需的基本功能是阻燃，但在防火面料具有防火功能的基础上，防火面料还可能被用于保护人体皮肤，例如，在人体表面遮盖防火面料，避免人员在火灾逃生过程中受到火灾的伤害。
在这种情况下，防火面料如果不具备保护人员免受火焰的伤害的能力，可能会使得人员被烧伤，同时，根据皮肤烧伤程度，可以将烧伤分为如下三个级别：Ⅰ级烧伤：皮肤发红，有渗出或水肿，没有水泡；Ⅱ级烧伤：皮肤出现水泡，水泡底部呈现红色或白色；Ⅲ级烧伤：皮肤表面成黑色，炭化皮革状；
由于猪肉能够较好的模拟人体皮肤，同时根据上述各级别烧伤的特性，本发明实施例中还可以在防火实验过程中，利用待测防火面料包裹猪肉，并通过防火实验后猪肉的表面的状态，反映待测防火面料对猪肉的保护情况，进而反映待测防火面料对人体的保护情况。
在判定待检测防火面料能够满足防火的预设时长以及预设时长的情况下，获取防火实验后待测猪肉的第三表面图像；并利用k-means聚类算法对第三表面图像中像素点聚类成3类，根据所划分类别中所包含的像素点在RGB三通道中的像素值，将聚类后得到的3类划分为白色类别、黑色类别以及红色类别。
需要说明的是，由于经过防火实验后的猪肉的第三表面图像中主要分为红色、白色以及黑色，因此本发明实施例中根据所划分类别中所包含的像素点在RGB三通道中的像素值，可以首先划分出其中的白色类别以及黑色类别，同时将剩余的1类作为红色类别。
最后，对白色类别、黑色类别以及红色类别中像素点的数量进行加权求和，将加权求和结果作为保护性能指标；根据保护性能指标是否小于预设第二阈值，判断待测面料是否具有保护待测猪肉的功能。其中，加权求和过程中红色类别对应的权重大于白色类别对应的权重，且白色类别对应的权重大于黑色类别对应的权重。
如此，在判定待检测防火面料能够满足防火的预设时长以及预设时长的情况下，能够进一步判定待检测面料是否具有保护人体免受火焰伤害的能力。
综上所述，本发明实施例提供了一种基于图像特征解析的防火面料质量分析方法，利用图像处理技术对防火实验前后防火面料的表面图像进行分析，通过分析所获得的表面图像的特征判断防火面料是否具有与防火实验环境相对应的防火功能，避免了人为进行观察或测量可能带来的误差，使得对于防火面料的防火功能的测试结果更为准确。
本发明中涉及诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本发明的方法和系统中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
上述实施例仅仅是为清楚地说明所做的举例，并不构成对本发明的保护范围的限制。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无需也无法对所有的实施方式予以穷举。凡是与本发明相同或相似的设计均属于本发明的保护范围之内。

Claims (7)

1.一种基于图像特征解析的防火面料质量分析方法，其特征在于，包括：
采集待测防火面料在防火实验前的第一表面图像以及防火实验后的第二表面图像，所述防火实验指的是将待测防火面料在预设温度的火焰中放置预设时长；
对第二表面图像进行灰度化获得第二灰度图像，并对第二灰度图像进行边缘检测，将边缘检测结果中各边缘线向边缘线两侧延展预设宽度，以将延展后的区域作为褶皱区域；
将第二灰度图像中灰度值在预设范围内的像素点组成的区域作为炭化区域，并根据炭化区域的面积、褶皱区域的面积以及第一表面图像的面积，获得待测防火面料的第一质量评价系数；
对第一表面图像进行灰度化获得第一灰度图像，并计算第一灰度图像的灰度均值与第二灰度图像的灰度均值之间的差值，利用该灰度均值之间的差值与炭化区域在第二灰度图像中所占的比例获得第二质量评价系数；
获取第一灰度图像与第二灰度图像的差分图像，并利用对差分图像进行图像分割得到其中存在的破洞区域，利用破洞区域面积、第一质量评价系数以及第二质量评价系数获得防火性能指标；
根据防火性能指标是否小于预设第一阈值，判断待检测防火面料是否能够满足防火的预设温度以及预设时长。
2.根据权利要求1所述的基于图像特征解析的防火面料质量分析方法，其特征在于，据炭化区域的面积、褶皱区域的面积以及第一表面图像的面积，获得待测防火面料的第一质量评价系数，包括：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为待测防火面料的第一质量评价系数，
Figure DEST_PATH_IMAGE006
表示第一表面图像的面积，
Figure DEST_PATH_IMAGE008
表示炭化区域的面积，
Figure DEST_PATH_IMAGE010
表示炭化区域面积。
3.根据权利要求1所述的基于图像特征解析的防火面料质量分析方法，其特征在于，根据灰度均值之间的差值与炭化区域在第二灰度图像中所占的比例获得第二质量评价系数，包括：
Figure DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE014
表示待测防火面料的第二质量评价系数，
Figure DEST_PATH_IMAGE016
表示第一灰度图像的灰度均值与第二灰度图像的灰度均值之间的差距，
Figure 762998DEST_PATH_IMAGE010
表示炭化区域面积，
Figure DEST_PATH_IMAGE018
表示第二灰度图像的面积，
Figure DEST_PATH_IMAGE020
代表炭化区域在第二灰度图像中所占的比例。
4.根据权利要求1所述的基于图像特征解析的防火面料质量分析方法，其特征在于，根据破洞区域面积、第一质量评价系数以及第二质量评价系数获得防火性能指标，包括：
Figure DEST_PATH_IMAGE022
其中，
Figure DEST_PATH_IMAGE024
表示防火性能指标，
Figure DEST_PATH_IMAGE026
为待测防火面料的第一质量评价系数，
Figure DEST_PATH_IMAGE028
表示待测防火面料的第二质量评价系数，
Figure DEST_PATH_IMAGE030
为破洞区域面积。
5.根据权利要求1所述的基于图像特征解析的防火面料质量分析方法，其特征在于，所述方法还包括：
在防火实验前利用待测防火面料包裹待测猪肉；
在判定待检测防火面料能够满足防火的预设时长以及预设时长的情况下，获取防火实验后待测猪肉的第三表面图像；
利用k-means聚类算法对第三表面图像中像素点聚类成3类，并根据所划分类别中所包含的像素点在RGB三通道中的像素值，将聚类后得到的3类划分为白色类别、黑色类别以及红色类别；
对白色类别、黑色类别以及红色类别中像素点的数量进行加权求和，将加权求和结果作为保护性能指标；
根据保护性能指标是否小于预设第二阈值，判断待测面料是否具有保护待测猪肉的功能。
6.根据权利要求1所述的基于图像特征解析的防火面料质量分析方法，其特征在于，对白色类别、黑色类别以及红色类别中像素点的数量进行加权求和，包括：
加权求和过程中红色类别对应的权重大于白色类别对应的权重，且白色类别对应的权重大于黑色类别对应的权重。
7.根据权利要求1所述的基于图像特征解析的防火面料质量分析方法，其特征在于，对第二表面图像进行灰度化获得第二灰度图像，包括：
将第二表面图像中像素点在RGB三个通道中像素值的最大值，作为所述第二灰度图像中的像素点的灰度值。
CN202211081203.9A 2022-09-06 2022-09-06 基于图像特征解析的防火面料质量分析方法 Active CN115147424B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211081203.9A CN115147424B (zh) 2022-09-06 2022-09-06 基于图像特征解析的防火面料质量分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211081203.9A CN115147424B (zh) 2022-09-06 2022-09-06 基于图像特征解析的防火面料质量分析方法

Publications (2)

Publication Number Publication Date
CN115147424A true CN115147424A (zh) 2022-10-04
CN115147424B CN115147424B (zh) 2023-01-03

Family

ID=83415653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211081203.9A Active CN115147424B (zh) 2022-09-06 2022-09-06 基于图像特征解析的防火面料质量分析方法

Country Status (1)

Country Link
CN (1) CN115147424B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210248734A1 (en) * 2018-05-31 2021-08-12 Goertek Inc. Method and apparatus for detecting pixel defect of optical module, and device
CN113989280A (zh) * 2021-12-28 2022-01-28 武汉市鑫景诚路桥钢模有限公司 基于图像处理技术的钢结构焊接裂纹缺陷检测方法
CN114612431A (zh) * 2022-03-13 2022-06-10 江苏荣鼎安防产品制造有限公司 防火门材质缺陷视觉检测方法
CN114842010A (zh) * 2022-07-04 2022-08-02 南通东方雨虹建筑材料有限公司 一种基于高斯滤波的建筑防火木材缺陷检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210248734A1 (en) * 2018-05-31 2021-08-12 Goertek Inc. Method and apparatus for detecting pixel defect of optical module, and device
CN113989280A (zh) * 2021-12-28 2022-01-28 武汉市鑫景诚路桥钢模有限公司 基于图像处理技术的钢结构焊接裂纹缺陷检测方法
CN114612431A (zh) * 2022-03-13 2022-06-10 江苏荣鼎安防产品制造有限公司 防火门材质缺陷视觉检测方法
CN114842010A (zh) * 2022-07-04 2022-08-02 南通东方雨虹建筑材料有限公司 一种基于高斯滤波的建筑防火木材缺陷检测方法

Also Published As

Publication number Publication date
CN115147424B (zh) 2023-01-03

Similar Documents

Publication Publication Date Title
Iakovidou et al. Content-aware detection of JPEG grid inconsistencies for intuitive image forensics
CN111242123B (zh) 一种基于红外图像的电力设备故障诊断方法
Valença et al. Characterisation of concrete cracking during laboratorial tests using image processing
US7970456B2 (en) Method and apparatus for detecting the presence of dermal melanin in epithelial tissue
Na et al. Assessing wrinkling using image analysis and replicate standards
JP2004509325A (ja) Ｐｃｂ検査における誤った警報の低減
CN106934328A (zh) 一种人脸检测算法的评估方法及装置
CN115240353B (zh) 一种基于物联传感的消防险情处理方法
Taib et al. Thermal imaging for enhancing inspection reliability: detection and characterization
KR20180045473A (ko) 이미지 분석을 이용한 흑색종 검사 시스템, 방법 및 컴퓨터 프로그램
CN114998352A (zh) 一种基于图像处理的生产设备故障检测方法
CN112734698A (zh) 基于红外图像的电缆终端异常诊断方法和装置
CN112260989A (zh) 电力系统及网络恶意数据攻击检测方法、系统及存储介质
Martín-Sotoca et al. Local 3D segmentation of soil pore space based on fractal properties using singularity maps
CN109948629B (zh) 一种基于sift特征的gis设备x射线图像故障检测方法
CN115147424B (zh) 基于图像特征解析的防火面料质量分析方法
Mir et al. Machine learning-based evaluation of the damage caused by cracks on concrete structures
CN116758056B (zh) 一种电器端子生产缺陷检测方法
Destruel et al. Color noise-based feature for splicing detection and localization
US7885453B1 (en) Image preprocessing for probe mark inspection
Dawood et al. Detection and quantification of spalling distress in subway networks
Kim Pothole region extraction based on similarity evaluation scale classification using image processing
Han et al. Egg shell inspection using global image analysis
Lee et al. Development of a manual crack quantification and automated crack measurement system
JPH0627035A (ja) 印刷物の汚損度判別装置

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