CN115205296B - 一种光伏磨轮磨料层生产缺陷识别方法 - Google Patents

一种光伏磨轮磨料层生产缺陷识别方法 Download PDF

Info

Publication number
CN115205296B
CN115205296B CN202211130233.4A CN202211130233A CN115205296B CN 115205296 B CN115205296 B CN 115205296B CN 202211130233 A CN202211130233 A CN 202211130233A CN 115205296 B CN115205296 B CN 115205296B
Authority
CN
China
Prior art keywords
pixel
abnormal
pixel point
value
cluster
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
CN202211130233.4A
Other languages
English (en)
Other versions
CN115205296A (zh
Inventor
郝宏铎
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.)
Haian Boke Superhard Material Co ltd
Original Assignee
Haian Boke Superhard Material 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 Haian Boke Superhard Material Co ltd filed Critical Haian Boke Superhard Material Co ltd
Priority to CN202211130233.4A priority Critical patent/CN115205296B/zh
Publication of CN115205296A publication Critical patent/CN115205296A/zh
Application granted granted Critical
Publication of CN115205296B publication Critical patent/CN115205296B/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
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Mechanical Treatment Of Semiconductor (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种光伏磨轮磨料层生产缺陷识别方法，该方法获取磨料层图像，得到磨料层图像中的环区域，对每个环的像素点进行分类，得到多个像素点簇，计算每个像素点簇的像素值分布异常值；根据像素点簇所包含的像素点数量和像素值均值计算每个像素点簇的局部对比性和分布均匀性，以得到对应像素点簇的异常相关性；异常相关性和像素值分布异常值之间的乘积作为对应像素点簇的最终异常程度，基于最终异常程度进行像素点簇合并，以得到合并的每个连通域的异常值，由异常值得到磨料层的整体异常程度，以确认磨损级别。本方案能够反应到异常的对比性特征，使得检测结果更准确。

Description

一种光伏磨轮磨料层生产缺陷识别方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种光伏磨轮磨料层生产缺陷识别方法。
背景技术
光伏磨轮主要应用于玻璃等精细材料的磨圆，即对光伏玻璃进行修磨，其原理为利用磨轮基体边缘的磨料层对材料进行打磨，所以磨料层的质量直接影响磨轮的品质，所以在磨轮的生产中必须要对磨料层进行检测。光伏磨轮的磨料层主要是由磨料混合料覆盖在磨轮基体边缘上，然后经过一系列的烧纸、加压、精车等工序形成的。所以对磨料层的缺陷检测主要基于磨料颗粒的均匀性与附着完整性。
对于颗粒的均匀性的检测，现有技术主要应用灰度共生矩阵进行纹理的识别，但是对于磨料层的颗粒细小，在构建灰度共生矩阵时，对灰度级压缩会造成颗粒信息的丢失，对灰度级不压缩则导致计算量过大，不利于缺陷的检测，同时灰度共生矩阵不具有位置信息，所识别的异常在图像中无法体现，且异常区域之间的关系无法获得，所以灰度共生矩阵的特征量对局部缺陷反应不明显，即无法体现缺陷的识别效果。
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光伏磨轮磨料层生产缺陷识别方法，所采用的技术方案具体如下：
获取磨料层图像；
利用霍夫圆检测得到所述磨料层图像中的环区域，根据每个像素点的像素值，对每个环的像素点进行分类，得到多个像素点簇，根据每个环的多个像素点簇所包含的像素点数量计算对应环的每个像素点簇的像素值分布异常值；
基于每个像素点簇对应的圆弧、半径和圆心角计算任意两个像素点簇之间的距离；将环区域对应的最大半径和最小半径之间差值作为半径范围，根据每个像素点簇的像素值均值和所述距离分别计算每个像素点簇在半径范围内的局部对比性；根据每个像素点簇所包含的像素点数量与所述磨料层图像中像素点总数量之间的差异，计算每个像素点簇的分布均匀性，结合每个像素点簇的局部对比性和分布均匀性计算对应像素点簇的异常相关性；
将每个像素点簇的异常相关性和像素值分布异常值之间的乘积作为对应像素点簇的最终异常程度；基于任意两个像素点簇之间最终异常程度的差值将像素点簇进行合并，得到多个连通域，计算每个连通域的异常值，根据每个连通域的异常值得到磨料层的整体异常程度，利用整体异常程度确认磨料层的磨损级别。
进一步的，所述像素值分布异常值的获取方法，包括：
获取当前像素点簇所在环对应所有像素点簇的平均像素点数量，计算当前像素点簇的像素点数量与所述平均像素点数量之间的差值绝对值，将差值绝对值与所述平均像素点数量之间的比值作为当前像素点簇的像素值分布异常值。
进一步的，所述根据每个像素点簇的像素值均值和所述距离分别计算每个像素点簇在半径范围内的局部对比性的方法，包括：
Figure DEST_PATH_IMAGE001
其中，
Figure 425278DEST_PATH_IMAGE002
为第
Figure 469326DEST_PATH_IMAGE003
环中第
Figure 570137DEST_PATH_IMAGE004
个像素点簇在
Figure 752857DEST_PATH_IMAGE005
范围内的局部对比性，
Figure 988054DEST_PATH_IMAGE006
表示第
Figure 789788DEST_PATH_IMAGE003
环中第
Figure 135318DEST_PATH_IMAGE004
个像素点簇在半径范围内的第
Figure 613573DEST_PATH_IMAGE007
个像素点簇的像素值均值，
Figure 146185DEST_PATH_IMAGE008
表示对应两个像素点簇之间的像素值均值的差值绝对值，
Figure 548348DEST_PATH_IMAGE009
表示第
Figure 873019DEST_PATH_IMAGE003
环中第
Figure 131962DEST_PATH_IMAGE004
个像素点簇在半径范围内像素点簇的数量；
Figure 292816DEST_PATH_IMAGE010
表示第
Figure 826566DEST_PATH_IMAGE003
环中第
Figure 5743DEST_PATH_IMAGE004
个像素点簇在半径范围内与第
Figure 373270DEST_PATH_IMAGE007
个像素点簇之间的所述距离。
进一步的，所述每个像素点簇的分布均匀性的获取方法为：
统计与第
Figure 146054DEST_PATH_IMAGE003
环中第
Figure 339620DEST_PATH_IMAGE004
个像素点簇的像素值均值的差值小于3所对应像素点簇的像素点数量总和，将所述像素点数量总和与所述磨料层图像中像素点总数量之间的比值作为第
Figure 983091DEST_PATH_IMAGE003
环中第
Figure 787099DEST_PATH_IMAGE004
个像素点簇的分布均匀性。
进一步的，所述像素点簇的异常相关性的获取方法，包括：
获取以分布均匀性为幂指数、自然数e为底数的结果，将所述结果与局部对比性之间的乘积作为对应像素点簇的异常相关性。
进一步的，所述计算每个连通域的异常值的方法，包括：
获取每个像素点簇中像素点的数量与对应最终异常程度之间的乘积，根据当前连通域中每个像素点簇的所述乘积，得到平均乘积，将平均乘积作为当前连通域的异常值。
进一步的，所述磨料层的整体异常程度的获取方法，包括：
对每个连通域的异常值进行归一化，得到对应的归一化异常值；统计每个连通域所包含像素点的总数量，获取每个连通域的归一化异常值与所包含像素点的总数量之间的乘积，将乘积累加后的结果作为磨料层的整体异常程度。
本发明实施例至少具有如下有益效果：基于环状的磨料层进行像素点的环状分布分析，确定了分布异常；然后分析不同环之间的联系，保证了缺陷的聚集性分布特点，获得异常区域，相比于常规的灰度共生矩阵，本发明方案在像素分布异常的基础上，具有位置信息，能够反应到异常的对比性特征，及能够反应到缺陷区域；同时本方案适用于不同目的磨轮，及应用范围更广。
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提供的一种光伏磨轮磨料层生产缺陷识别方法的步骤流程图；
图2为本发明实施例提供的磨料层在磨料层图像中表现为环状区域的示意图；
图3为本发明实施例提供的像素点簇所在当前位置与起点的位置分布示意图。
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光伏磨轮磨料层生产缺陷识别方法，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光伏磨轮磨料层生产缺陷识别方法的具体方案。
本发明所针对的情景为：光伏磨轮磨料层为磨料的精细颗粒覆盖在磨轮基体边缘形成环状的区域，在生产过程中，磨料层在生产中主要存在磨料覆盖不均匀、磨料颗粒不均匀等缺陷，为保证光伏磨轮的质量，需要在其生产过程中对磨料层的缺陷进行检测，所以本发明通过像素点分布特点，识别磨料层图像的异常区域，进而判断磨料层的缺陷。
请参阅图1，其示出了本发明一个实施例提供的一种光伏磨轮磨料层生产缺陷识别方法的步骤流程图，该方法包括以下步骤：
步骤S001，获取磨料层图像。
具体的，在磨轮磨料层生产完成后，需要进行磨料层的缺陷检测，所以首先在磨料层的检测平台上方安装相机，拍摄磨轮图像；然后根据语义分割获得磨轮图像中的磨料层区域，得到磨料层图像。
语义分割为公知技术，本发明不再赘述。
步骤S002，利用霍夫圆检测得到磨料层图像中的环区域，根据每个像素点的像素值，对每个环的像素点进行分类，得到多个像素点簇，根据每个环的多个像素点簇所包含的像素点数量计算对应环的每个像素点簇的像素值分布异常值。
具体的，对于磨料层的缺陷，主要是由磨料颗粒的分布引起的，磨料可以在磨料层的分布越均匀，越不存在缺陷，所以本方案通过颗粒引起的像素点像素值的变化，分析区域的异常性，最后对磨料层中的缺陷进行识别。
对于磨料层图像，磨料的分布引起磨料层图像中像素点的像素值的差异，此时像素点的像素值的差异表现磨料的分布特点，所以本方案根据磨料层图像中像素值的分布特点，反映磨料层的缺陷。
参照附图2，磨料层在磨料层图像中表现为一个环状区域图像，所以对磨料层图像进行霍夫圆检测，得到一个环区域，然后对每一环的像素分布进行统计。以第i环为例，对处于第i环的像素分布进行统计：以任意一个半径为起始位置，按照顺时针方向，令第i环中第j个像素点的像素值为
Figure 906233DEST_PATH_IMAGE011
，此时根据同一环中每个像素点的像素值进行像素点归类，因为在磨料中同一颗粒对应像素点的像素值基本不变，所以先将像素值接近的像素点进行聚簇运算，即设置像素差值阈值为3，可以根据实际场景对阈值进行调整，当相邻两个像素点之间的像素值差值小于像素差值阈值时，将这两个像素点归为一簇，令第i环对应第t个像素点簇表示为
Figure 781785DEST_PATH_IMAGE012
，其中，
Figure 420708DEST_PATH_IMAGE013
表示该簇中像素点的数量，
Figure 457934DEST_PATH_IMAGE014
表示该簇中像素点的像素值均值。通过对每一环中的像素点进行归类处理，分别得到每一环对应的多个像素点簇，像素点簇能够表示像素值的变换关系，反映了磨料层图像中圆环方向的像素值的分布趋势。
根据每一环中的多个像素点簇，对应计算该环内每个像素点簇的像素值分布异常值，像素值分布异常值的获取方法为：由于圆环穿过磨料颗粒时的位置是随机的，所以在磨料颗粒均匀分布时，同一环方向的像素值的变换是均匀的，以第i环对应第t个像素点簇
Figure 64365DEST_PATH_IMAGE012
为例，根据该像素点簇中像素点的数量为
Figure 478029DEST_PATH_IMAGE013
，计算该像素点簇的像素值分布异常值，像素值分布异常值的计算公式为
Figure 33775DEST_PATH_IMAGE015
，其中，
Figure 632115DEST_PATH_IMAGE016
为第i环对应第t个像素点簇的像素值分布异常值；
Figure 601209DEST_PATH_IMAGE017
为第i环对应第t个像素点簇中的像素点数量；
Figure 693929DEST_PATH_IMAGE018
为第i环对应所有像素点簇的平均像素点数量；
Figure 166499DEST_PATH_IMAGE019
值越大，表示第i环对应第t个像素点簇的像素值分布异常值越大。
因为像素点的异常反应了对应区域的缺陷，所以像素点簇的像素值分布异常值越大，表示像素点簇对应区域存在缺陷的可能性越高。利用上述像素值分布异常值的获取方法，得到了每个环中每个像素点簇的像素值分布异常值。
步骤S003，基于每个像素点簇对应的圆弧、半径和圆心角计算任意两个像素点簇之间的距离；将环区域对应的最大半径和最小半径之间差值作为半径范围，根据每个像素点簇的像素值均值分别计算每个像素点簇在半径范围内的局部对比性；根据每个像素点簇所包含的像素点数量与所述磨料层图像中像素点总数量之间的差异，计算每个像素点簇的分布均匀性，结合每个像素点簇的局部对比性和分布均匀性计算对应像素点簇的异常相关性。
具体的，对于磨料层的缺陷，在磨料层图像中表现为区域性的特征，即在磨料层图像中相邻圆环之间的异常像素点簇具有相关性，所以在完成圆环方向的分析后，需要分析相邻圆环之间异常的相关性。
为准确判断相邻圆环中像素点簇之间的联系，首先需要对像素点簇进行定位，即判断相邻圆环方向像素点簇之间的距离。如图3所示，像素点簇所在当前位置与起点的距离为一段圆弧，在相邻圆环中，像素点簇与起点形成的圆弧所对应的圆心角
Figure 938671DEST_PATH_IMAGE020
相同，即两个圆环中像素点簇位于同一半径方向上，认为此时对应两个像素点簇是相邻的，所以根据此关系分析相邻圆环方向像素点簇的位置分布。
对于第i环对应第t个像素点簇，其与起点所形成的圆弧长度为
Figure 67164DEST_PATH_IMAGE021
，第i环对应第t个像素点簇在圆环中的位置用圆心角表示为
Figure 822630DEST_PATH_IMAGE022
，其中，
Figure 805498DEST_PATH_IMAGE023
表示第i环对应的半径，此时对于相邻圆环中像素点簇之间的距离
Figure 89849DEST_PATH_IMAGE024
可以表示为
Figure 908901DEST_PATH_IMAGE025
，其，中
Figure 468058DEST_PATH_IMAGE026
表示第i环对应第t个像素点簇的圆心角，
Figure 102170DEST_PATH_IMAGE027
表示第
Figure 963947DEST_PATH_IMAGE028
环中第
Figure 129349DEST_PATH_IMAGE029
像素点簇对应的圆心角，
Figure 85673DEST_PATH_IMAGE030
表示相邻圆环之间不同的像素点簇，并且
Figure 918500DEST_PATH_IMAGE031
，
Figure 951178DEST_PATH_IMAGE032
为第
Figure 603876DEST_PATH_IMAGE028
环中像素点簇的数量；
Figure 423278DEST_PATH_IMAGE023
表示第
Figure 297562DEST_PATH_IMAGE003
环对应的半径。
根据以上原理，判断磨料层图像中随机的不同环中像素点簇的距离
Figure 268185DEST_PATH_IMAGE024
为
Figure 329551DEST_PATH_IMAGE033
，其中，
Figure 768622DEST_PATH_IMAGE026
表示第
Figure 185828DEST_PATH_IMAGE003
环中第
Figure 684943DEST_PATH_IMAGE004
个像素点簇对应的圆心角，
Figure 433937DEST_PATH_IMAGE034
表示第
Figure 676700DEST_PATH_IMAGE035
圆环中第
Figure 948412DEST_PATH_IMAGE029
个像素点簇对应的圆心角，
Figure 352849DEST_PATH_IMAGE023
表示第
Figure 372495DEST_PATH_IMAGE003
环对应的半径，
Figure 294315DEST_PATH_IMAGE036
第
Figure 469469DEST_PATH_IMAGE035
环对应的半径，
Figure 310386DEST_PATH_IMAGE030
表示圆环的差异，且
Figure 522055DEST_PATH_IMAGE037
，
Figure 106621DEST_PATH_IMAGE038
表示磨料层图像中磨料层构成的环数量。因为随着环半径的增大，相同圆心角对应的弧长增大，从而反映对应的像素点簇之间的距离增大，所以通过
Figure 602193DEST_PATH_IMAGE025
表示相邻环中像素点簇之间的距离。
通过上述相邻环中像素点簇之间的距离的获取步骤，利用圆弧、半径以及圆心角之间的关系，分析获得相邻环方向上像素点簇之间的距离，该方法考虑到环方向与半径方向的像素点分布，满足了缺陷区域像素点聚集分布的特点。
在获得了相邻环中像素点簇之间的关系后，又因为每一个像素点簇在对应环中都存在像素值分布异常值，此时需要结合相邻圆环中的像素点簇的关系，进行像素点簇之间异常相关性分析，进而确定磨料层的异常区域，即缺陷区域。
在磨料层图像中，像素点簇的分布直接反映着磨料颗粒的分布，像素点簇的分布特点主要表现为均匀性与对比性，像素点簇分布越均匀，磨料颗粒分布越均匀；像素点簇局部越突出，反映磨料颗粒分布越不均匀，因此根据上述像素点簇之间的位置关系进行局部突出性分析，即像素点簇的局部对比性，具体分析方法为：
1.作为磨料层图像中的异常区域，往往表现为较高的突出性，像素点簇的局部差异性越高，反映像素点簇在磨料层图像中越突出，所以对磨料层图像中像素点簇的局部差异性进行分析。
首先获取第i环中第t个像素点簇的像素均值
Figure 286115DEST_PATH_IMAGE039
，然后设置局部分析的距离
Figure 375294DEST_PATH_IMAGE005
，其中，
Figure 622604DEST_PATH_IMAGE040
表示环区域的最外圈半径，
Figure 848049DEST_PATH_IMAGE041
表示环区域的最内圈半径，所以
Figure 171714DEST_PATH_IMAGE005
表示磨料层宽度，故分析像素点簇在
Figure 217031DEST_PATH_IMAGE005
范围内的局部对比性：
Figure 268032DEST_PATH_IMAGE042
其中，
Figure 613563DEST_PATH_IMAGE002
为第
Figure 842550DEST_PATH_IMAGE003
环中第
Figure 640742DEST_PATH_IMAGE004
个像素点簇在
Figure 515942DEST_PATH_IMAGE005
范围内的局部对比性，
Figure 715979DEST_PATH_IMAGE006
表示第
Figure 115868DEST_PATH_IMAGE003
环中第
Figure 401356DEST_PATH_IMAGE004
个像素点簇在
Figure 263001DEST_PATH_IMAGE005
的范围内的第
Figure 442179DEST_PATH_IMAGE007
个像素点簇的像素值均值，
Figure 403181DEST_PATH_IMAGE008
表示对应两个像素点簇之间的像素值均值的差值绝对值，反映两个像素点簇的差异性；
Figure 848069DEST_PATH_IMAGE009
表示第
Figure 778985DEST_PATH_IMAGE003
环中第
Figure 953614DEST_PATH_IMAGE004
个像素点簇在
Figure 695305DEST_PATH_IMAGE005
的范围内像素点簇的数量；
Figure 689806DEST_PATH_IMAGE010
表示第
Figure 427343DEST_PATH_IMAGE003
环中第
Figure 456479DEST_PATH_IMAGE004
个像素点簇在
Figure 634650DEST_PATH_IMAGE005
的范围内与第
Figure 37818DEST_PATH_IMAGE007
个像素点簇之间的距离；
因为在分析像素点簇的异常时，越接近于当前像素点簇时，像素点簇的差异会更加明显，在磨料层图像中像素点簇会更加突出，同时作为异常的特征会更加明显，所以利用
Figure 185903DEST_PATH_IMAGE043
反映像素点簇之间的差异性。
利用上述局部对比性的计算公式，获得每个像素点簇的局部对比性，像素点簇的局部对比性越高，反映像素点簇在磨料层图像中越突出，而作为磨料层图像中的异常区域，往往表现为较高的突出性，所以上述像素点簇的局部对比性可以反映像素点簇的异常。
2.缺陷往往在图像中分布较少，且分布聚集，即在图像中的分布越不均匀，此时对于图像中的像素点簇，在磨料层图像中分布越少，其异常的可能性越高。
对于像素点簇之间的均匀性，表现为相同像素值的像素点簇在磨料层图像中的分布，此时计算相同的像素点簇的分布均匀性，则第
Figure 944912DEST_PATH_IMAGE003
环中第
Figure 339990DEST_PATH_IMAGE004
个像素点簇的分布均匀性为
Figure 309083DEST_PATH_IMAGE044
，其中，
Figure 870645DEST_PATH_IMAGE045
为第
Figure 874373DEST_PATH_IMAGE003
环中第
Figure 643615DEST_PATH_IMAGE004
个像素点簇的分布均匀性；
Figure 100004DEST_PATH_IMAGE046
表示磨料层图像中磨料层区域像素点的总数量；
Figure 730837DEST_PATH_IMAGE047
表示与第
Figure 241934DEST_PATH_IMAGE003
环中第
Figure 57443DEST_PATH_IMAGE004
个像素点簇的像素值均值的差值小于3所对应像素点簇的像素点数量总和，
Figure 876495DEST_PATH_IMAGE048
越大，反映分布均匀性在磨料层图像中的分布越多，即对应像素点簇异常的程度越小。
利用分布均匀性的获取方法，能够得到每个像素点簇的分布均匀性。
此时，根据第
Figure 435652DEST_PATH_IMAGE003
环中第
Figure 273027DEST_PATH_IMAGE004
个像素点簇的分布判断其异常相关性，异常相关性的计算公式为
Figure 993858DEST_PATH_IMAGE049
，其中,
Figure 34627DEST_PATH_IMAGE050
为第
Figure 131896DEST_PATH_IMAGE003
环中第
Figure 89356DEST_PATH_IMAGE004
个像素点簇的异常相关性；
Figure 981089DEST_PATH_IMAGE002
表示第
Figure 774732DEST_PATH_IMAGE003
环中第
Figure 786944DEST_PATH_IMAGE004
个像素点簇的局部对比性，
Figure 943119DEST_PATH_IMAGE045
表示第
Figure 395966DEST_PATH_IMAGE003
环中第
Figure 535960DEST_PATH_IMAGE004
个像素点簇的分布均匀性。其中，像素点簇的异常相关性反映了像素点簇的异常分布，因为对于磨料层图像中的缺陷，表现为像素点簇的异常，像素点簇的异常又与像素点簇之间的关系有关，所以像素点簇的异常相关性能够结合像素点的局部分布与整体分布反映像素点簇之间的关系，从而反映异常像素点簇的分布关系。
步骤S004，将每个像素点簇的异常相关性和像素值分布异常值之间的乘积作为对应像素点簇的最终异常程度；基于任意两个像素点簇之间最终异常程度的差值将像素点簇进行合并，得到多个连通域，计算每个连通域的异常值，根据每个连通域的异常值得到磨料层的整体异常程度，利用整体异常程度确认磨料层的磨损级别。
具体的，对于一个连通域中，可能存在多个像素点簇，不同像素点簇的异常程度不同，对整个连通域异常的影响不同，所以需要根据像素点簇的异常程度，判断整个连通域的异常程度。
根据步骤S002和步骤S003的方法，分别获得每个像素点簇在圆环方向的像素值分布异常值和在磨料层图像中的异常相关性，此时，结合像素值分布异常值和异常相关性计算对应每个像素点簇的最终异常程度，则最终异常程度的计算公式为：
Figure 912715DEST_PATH_IMAGE051
，其中
Figure 579189DEST_PATH_IMAGE050
表示第
Figure 78303DEST_PATH_IMAGE003
环中第
Figure 580960DEST_PATH_IMAGE004
个像素点簇的异常相关性，
Figure 823722DEST_PATH_IMAGE050
越大，表示异常像素点簇分布的异常程度，对应像素点簇的最终异常程度越大；
Figure 76193DEST_PATH_IMAGE016
表示第
Figure 746209DEST_PATH_IMAGE003
环中第
Figure 736162DEST_PATH_IMAGE004
个像素点簇在圆环方向的像素值分布异常值，主要反映像素点簇的大小在圆环方向的异常程度，
Figure 517036DEST_PATH_IMAGE016
越大，像素点簇的最终异常程度越大；
Figure 158102DEST_PATH_IMAGE052
表示第
Figure 999019DEST_PATH_IMAGE003
环中第
Figure 273005DEST_PATH_IMAGE004
个像素点簇的最终异常程度。
因为磨料层的缺陷具有聚集性分布的特点，即多个像素簇构成磨料层的缺陷区域，所以对当前所获得的异常像素点簇进行合并，合并方法为：分别计算任意两个像素点簇对应像素值均值之间的差值，当差值小于差值阈值时，将对应两个像素点簇进行合并，以此类推，根据每个像素点簇的像素值均值进行合并得到多个连通域。其中，差值阈值取经验值3。
根据连通域中每个像素点簇的最终异常程度计算每个连通域的异常值，异常值的计算公式为：
Figure 982204DEST_PATH_IMAGE053
，其中
Figure 353143DEST_PATH_IMAGE054
为第s个连通域的异常值，
Figure 974748DEST_PATH_IMAGE055
为第s个连通域所包含像素点簇的数量，
Figure 798348DEST_PATH_IMAGE056
为第
Figure 311237DEST_PATH_IMAGE057
个像素点簇中像素点的数量，
Figure 208786DEST_PATH_IMAGE058
为第
Figure 784649DEST_PATH_IMAGE057
个像素点簇的最终异常程度。
因为对于同一个连通域中，像素点簇越大，其异常特点越能反映整个连通域的异常程度，所以
Figure 361123DEST_PATH_IMAGE059
表示对应像素点簇的异常程度对整个连通域异常的影响，
Figure 162857DEST_PATH_IMAGE054
表示第s个连通域的异常值。
利用异常值的获取方法获得磨料层图像中每个连通域的异常值，此时对所获得的异常值进行归一化，根据每个连通域的归一化异常值获得磨轮磨料层存在缺陷的整体异常程度
Figure 242809DEST_PATH_IMAGE060
为：
Figure 986643DEST_PATH_IMAGE061
其中，
Figure 784834DEST_PATH_IMAGE062
表示连通域的数量；
Figure 186997DEST_PATH_IMAGE063
为第s个连通域的归一化异常值，
Figure 246089DEST_PATH_IMAGE064
为第s个连通域所包含像素点的总数量。
为方便计算首先对所获得的
Figure 36190DEST_PATH_IMAGE060
进行归一化处理，表示为
Figure 931465DEST_PATH_IMAGE065
,此时设置阈值
Figure 199635DEST_PATH_IMAGE066
，
Figure 378813DEST_PATH_IMAGE067
，在本发明中设置
Figure 11919DEST_PATH_IMAGE068
，
Figure 519124DEST_PATH_IMAGE069
，可根据实际场景进行调整，对磨轮磨料层缺陷程度进行分级：
Figure 712689DEST_PATH_IMAGE070
其中，
Figure 621740DEST_PATH_IMAGE071
表示磨轮磨料层不存在缺陷，
Figure 160168DEST_PATH_IMAGE072
表示磨轮磨料层存在可容许的缺陷，
Figure 138357DEST_PATH_IMAGE073
表示磨轮磨料层存在超过容许范围的缺陷。
综上所述，本发明实施例提供了该方法获取磨料层图像，得到磨料层图像中的环区域，对每个环的像素点进行分类，得到多个像素点簇，计算每个像素点簇的像素值分布异常值；根据像素点簇所包含的像素点数量和像素值均值计算每个像素点簇的局部对比性和分布均匀性，以得到对应像素点簇的异常相关性；异常相关性和像素值分布异常值之间的乘积作为对应像素点簇的最终异常程度，基于最终异常程度进行像素点簇合并，以得到合并的每个连通域的异常值，由异常值得到磨料层的整体异常程度，以确认磨损级别。本方案能够反应到异常的对比性特征，使得检测结果更准确。
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。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)

1.一种光伏磨轮磨料层生产缺陷识别方法，其特征在于，该方法包括以下步骤：
获取磨料层图像；
利用霍夫圆检测得到所述磨料层图像中的环区域，根据每个像素点的像素值，对每个环的像素点进行分类，得到多个像素点簇，根据每个环的多个像素点簇所包含的像素点数量计算对应环的每个像素点簇的像素值分布异常值；
基于每个像素点簇对应的圆弧、半径和圆心角计算任意两个像素点簇之间的距离；将环区域对应的最大半径和最小半径之间差值作为半径范围，根据每个像素点簇的像素值均值和所述距离分别计算每个像素点簇在半径范围内的局部对比性；根据每个像素点簇所包含的像素点数量与所述磨料层图像中像素点总数量之间的差异，计算每个像素点簇的分布均匀性，结合每个像素点簇的局部对比性和分布均匀性计算对应像素点簇的异常相关性；
将每个像素点簇的异常相关性和像素值分布异常值之间的乘积作为对应像素点簇的最终异常程度；基于任意两个像素点簇之间最终异常程度的差值将像素点簇进行合并，得到多个连通域，计算每个连通域的异常值，根据每个连通域的异常值得到磨料层的整体异常程度，利用整体异常程度确认磨料层的磨损级别；
所述根据每个像素点簇的像素值均值和所述距离分别计算每个像素点簇在半径范围内的局部对比性的方法，包括：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为第
Figure DEST_PATH_IMAGE006
环中第
Figure DEST_PATH_IMAGE008
个像素点簇在
Figure DEST_PATH_IMAGE010
范围内的局部对比性，
Figure DEST_PATH_IMAGE012
表示第
Figure 97058DEST_PATH_IMAGE006
环中第
Figure 279777DEST_PATH_IMAGE008
个像素点簇在半径范围内的第
Figure DEST_PATH_IMAGE014
个像素点簇的像素值均值，
Figure DEST_PATH_IMAGE016
表示对应两个像素点簇之间的像素值均值的差值绝对值，
Figure DEST_PATH_IMAGE018
表示第
Figure 918569DEST_PATH_IMAGE006
环中第
Figure 782620DEST_PATH_IMAGE008
个像素点簇在半径范围内像素点簇的数量；
Figure DEST_PATH_IMAGE020
表示第
Figure 82145DEST_PATH_IMAGE006
环中第
Figure 373449DEST_PATH_IMAGE008
个像素点簇在半径范围内与第
Figure 843745DEST_PATH_IMAGE014
个像素点簇之间的所述距离。
2.如权利要求1所述的一种光伏磨轮磨料层生产缺陷识别方法，其特征在于，所述像素值分布异常值的获取方法，包括：
获取当前像素点簇所在环对应所有像素点簇的平均像素点数量，计算当前像素点簇的像素点数量与所述平均像素点数量之间的差值绝对值，将差值绝对值与所述平均像素点数量之间的比值作为当前像素点簇的像素值分布异常值。
3.如权利要求1所述的一种光伏磨轮磨料层生产缺陷识别方法，其特征在于，所述每个像素点簇的分布均匀性的获取方法为：
统计与第
Figure 511487DEST_PATH_IMAGE006
环中第
Figure 445944DEST_PATH_IMAGE008
个像素点簇的像素值均值的差值小于3所对应像素点簇的像素点数量总和，将所述像素点数量总和与所述磨料层图像中像素点总数量之间的比值作为第
Figure 157417DEST_PATH_IMAGE006
环中第
Figure 115009DEST_PATH_IMAGE008
个像素点簇的分布均匀性。
4.如权利要求1所述的一种光伏磨轮磨料层生产缺陷识别方法，其特征在于，所述像素点簇的异常相关性的获取方法，包括：
获取以分布均匀性为幂指数、自然数e为底数的结果，将所述结果与局部对比性之间的乘积作为对应像素点簇的异常相关性。
5.如权利要求1所述的一种光伏磨轮磨料层生产缺陷识别方法，其特征在于，所述计算每个连通域的异常值的方法，包括：
获取每个像素点簇中像素点的数量与对应最终异常程度之间的乘积，根据当前连通域中每个像素点簇的所述乘积，得到平均乘积，将平均乘积作为当前连通域的异常值。
6.如权利要求1所述的一种光伏磨轮磨料层生产缺陷识别方法，其特征在于，所述磨料层的整体异常程度的获取方法，包括：
对每个连通域的异常值进行归一化，得到对应的归一化异常值；统计每个连通域所包含像素点的总数量，获取每个连通域的归一化异常值与所包含像素点的总数量之间的乘积，将乘积累加后的结果作为磨料层的整体异常程度。
CN202211130233.4A 2022-09-16 2022-09-16 一种光伏磨轮磨料层生产缺陷识别方法 Active CN115205296B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211130233.4A CN115205296B (zh) 2022-09-16 2022-09-16 一种光伏磨轮磨料层生产缺陷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211130233.4A CN115205296B (zh) 2022-09-16 2022-09-16 一种光伏磨轮磨料层生产缺陷识别方法

Publications (2)

Publication Number Publication Date
CN115205296A CN115205296A (zh) 2022-10-18
CN115205296B true CN115205296B (zh) 2022-12-13

Family

ID=83573454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211130233.4A Active CN115205296B (zh) 2022-09-16 2022-09-16 一种光伏磨轮磨料层生产缺陷识别方法

Country Status (1)

Country Link
CN (1) CN115205296B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004135868A (ja) * 2002-10-17 2004-05-13 Fuji Photo Film Co Ltd 異常陰影候補検出処理システム
CN109682839B (zh) * 2019-01-25 2021-01-15 中国船舶重工集团公司第七一六研究所 一种金属弧形工件表面缺陷在线检测方法
CN114372983B (zh) * 2022-03-22 2022-05-24 武汉市富甸科技发展有限公司 一种基于图像处理的屏蔽盒涂装质量检测方法及系统
CN114757900B (zh) * 2022-03-31 2023-04-07 绍兴柯桥奇诺家纺用品有限公司 基于人工智能的纺织品缺陷类型识别方法

Also Published As

Publication number Publication date
CN115205296A (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
CN116168026B (zh) 基于计算机视觉的水质检测方法及系统
CN115294140B (zh) 一种五金零件缺陷检测方法及系统
CN115330783A (zh) 一种钢丝绳缺陷检测方法
CN116740070B (zh) 基于机器视觉的塑料管道外观缺陷检测方法
CN109584281B (zh) 一种基于彩色图像和深度图像的重叠颗粒物分层计数方法
Wu et al. Watershed-based morphological separation of wear debris chains for on-line ferrograph analysis
CN116977358B (zh) 一种瓦楞纸生产品质视觉辅助检测方法
CN115311267B (zh) 一种格纹织物异常检测方法
CN116664559A (zh) 基于机器视觉的内存条损伤快速检测方法
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
CN114820625B (zh) 一种汽车顶块缺陷检测方法
CN111680704B (zh) 海洋红线新增人类活动斑块自动化快速提取方法和装置
CN116843692B (zh) 基于人工智能的再生活性炭状态检测方法
CN116523923B (zh) 一种电池外壳缺陷识别方法
CN116152242B (zh) 一种篮球用天然皮革缺陷可视化检测系统
CN115049667B (zh) 一种齿轮缺陷检测方法
Fathi et al. General rotation-invariant local binary patterns operator with application to blood vessel detection in retinal images
CN116703251B (zh) 基于人工智能的胶圈生产质量检测方法
CN115359053A (zh) 一种金属板材缺陷智能检测方法及系统
CN109886931A (zh) 基于bp神经网络的轮速传感器齿圈表面缺陷检测方法
CN114897773A (zh) 一种基于图像处理的扭曲木材检测方法及系统
CN117788467B (zh) 一种钛金属板材缺陷图像分类方法
CN115290663A (zh) 基于光学检测的Mini LED晶圆外观缺陷检测方法
CN110942444B (zh) 物体检测方法和装置
CN117876382B (zh) 一种汽车轮胎胎面花纹缺陷检测系统和方法

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