CN115272345A - 基于图像处理的防火面料质量分析方法 - Google Patents
基于图像处理的防火面料质量分析方法 Download PDFInfo
- Publication number
- CN115272345A CN115272345A CN202211205323.5A CN202211205323A CN115272345A CN 115272345 A CN115272345 A CN 115272345A CN 202211205323 A CN202211205323 A CN 202211205323A CN 115272345 A CN115272345 A CN 115272345A
- Authority
- CN
- China
- Prior art keywords
- frequency
- point
- highlight
- abnormal
- image
- 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
- 239000004744 fabric Substances 0.000 title claims abstract description 93
- 238000004458 analytical method Methods 0.000 title claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 189
- 238000001228 spectrum Methods 0.000 claims abstract description 80
- 230000008859 change Effects 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000013441 quality evaluation Methods 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000000576 coating method Methods 0.000 description 4
- 239000011248 coating agent Substances 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- RNFJDJUURJAICM-UHFFFAOYSA-N 2,2,4,4,6,6-hexaphenoxy-1,3,5-triaza-2$l^{5},4$l^{5},6$l^{5}-triphosphacyclohexa-1,3,5-triene Chemical compound N=1P(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP=1(OC=1C=CC=CC=1)OC1=CC=CC=C1 RNFJDJUURJAICM-UHFFFAOYSA-N 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003063 flame retardant Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000004753 textile 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
- G06T5/10—Image enhancement or restoration by non-spatial domain filtering
-
- G06T5/90—
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明涉及基于图像处理的防火面料质量分析方法,属于防火面料质量分析技术领域。方法包括以下步骤:根据边缘轮廓图像和频谱图像,得到频谱图像上的高频区域;根据像素值和方向夹角,得到第一高频高亮点和第二高频高亮点;将除第一高频高亮点和第二高频高亮点之外的其它高频区域中的高频高亮点记为异常高亮点;根据各异常高亮点与第一高频高亮点和第二高频高亮点之间的差异,得到各异常高亮点对应的像素值异常程度、灰度变化频率异常程度和方向夹角异常程度;根据像素值异常程度、灰度变化频率异常程度以及方向夹角异常程度,得到综合异常程度;根据综合异常程度,评判防火面料的质量。本发明能够可靠的分析判断防火面料的质量。
Description
技术领域
本发明涉及防火面料质量分析技术领域,具体涉及基于图像处理的防火面料质量分析方法。
背景技术
在生活中,火灾一直是威胁人类生命安全以及财产安全的一个主要因素,并且一旦发生火灾所造成的伤害和损失都是不可估量的,而为了保护人类的生命财产安全,减少火灾造成的损失,防火面料应运而生;防火面料是纺织品表面进行防火阻燃材料涂装后制成的,当发生火灾时,能够阻止火焰的蔓延,并且能起到一定的防护作用,降低伤亡和损失;因此当防火面料在涂装中出现涂装不当等异常现象时,可能会影响防火面料的使用效果,因此对防火面料质量分析至关重要。
现有的一般是基于人工目检的方式来对防火面料的质量进行分析判断,而这种方式主观性较强,效率和准确性较低,并且容易出现误检或者漏检的现象,因此这种基于人工目检的方式来对防火面料质量进行分析判断的方法可靠性较低。
发明内容
本发明提供基于图像处理的防火面料质量分析方法,用于解决现有方法对防火面料质量进行分析判断可靠性较低的问题,所采用的技术方案具体如下:
本发明实施例提供了一种基于图像处理的防火面料质量分析方法包括以下步骤:
获取防火面料表面灰度图像;利用傅里叶变换和边缘检测算子,得到所述灰度图像对应的频谱图像和边缘轮廓图像;获得所述频谱图像中的低频中心点和频谱图像中的各点与低频中心点之间的距离;
根据所述边缘轮廓图像和频谱图像,得到所述频谱图像中的高频区域;
获得所述高频区域中的各高频高亮点对应的像素值和对应的方向夹角;根据所述像素值和方向夹角,得到第一高频高亮点和第二高频高亮点;将除第一高频高亮点和第二高频高亮点之外的其它的高频区域中的高频高亮点记为异常高亮点;
根据各异常高亮点对应的像素值与第一高频高亮点和第二高频高亮点对应的像素值之间的差异,得到各异常高亮点对应的像素值异常程度;根据各异常高亮点与低频中心点之间的距离、第一高频高亮点与低频中心点之间的距离以及第二高频高亮点与低频中心点之间的距离,得到各异常高亮点对应的灰度变化频率异常程度;根据各异常高亮点对应的方向夹角、第一高频高亮点对应的方向夹角以及第二高频高亮点对应的方向夹角,得到各异常高亮点对应的方向夹角异常程度;根据所述像素值异常程度、灰度变化频率异常程度以及方向夹角异常程度,得到各异常高亮点对应的综合异常程度;
根据所述综合异常程度,评判防火面料的质量。
有益效果:本发明基于防火面料表面灰度图像对应的频谱图像和边缘轮廓图像,得到频谱图像中的高频区域;然后根据高频区域中的各高频高亮点对应的像素值和各高频高亮点对应的方向夹角,得到第一高频高亮点和第二高频高亮点,所述第一高频高亮点和第二高频高亮点关于低频中心点对称,即第一高频高亮点和第二高频高亮点为正常的高频高亮点,并将除第一高频高亮点和第二高频高亮点之外的其它高频区域中的高频高亮点记为异常高亮点;之后根据各异常高亮点与第一高频高亮点和第二高频高亮点之间的差异,得到各异常高亮点对应的像素值异常程度、灰度变化频率异常程度和方向夹角异常程度;最后基于像素值异常程度、灰度变化频率异常程度和方向夹角异常程度,评判防火面料的质量。本发明提供的基于图像处理的防火面料质量分析方法可以减少人工检测所花费的时间,能快速的评判防火面料的质量,同时也提高了检测的精度,降低了残次品流入市场的概率;并且该方法还能够较准确的区分频谱图像中的高频区域和低频区域,更进一步的提高了后续评判防火面料质量的准确性和可靠性。
优选的,获得所述频谱图像中的低频中心点和频谱图像中的各点与低频中心点之间的距离的方法,包括:
获得频谱图像中的低频中心点和频谱图像中的各点对应的最小正周期;
将频谱图像中的各点对应的最小正周期的倒数记为频谱图像中的各点与低频中心点之间的距离。
优选的,根据所述边缘轮廓图像和频谱图像,得到所述频谱图像中的高频区域的方法,包括:
获得半径序列;所述半径序列中的最大值小于频谱图像对应的距离序列中的最大值,半径序列中的最小值大于频谱图像对应的距离序列中的最小值;所述距离序列是由频谱图像中的各点与低频中心点之间的距离构建得到的;
以低频中心点为圆心,构建得到半径序列中各半径对应的候选圆;
对于半径序列中的任一半径对应的候选圆:
将频谱图像中该候选圆中的各点的像素值置为0,并记为第一频谱图像;
对第一频谱图像进行傅里叶逆变换和二值化处理,得到该候选圆对应的第一边缘轮廓图像;
对于第一边缘轮廓图像中的任一像素点,计算该像素点与所述灰度图像对应的边缘轮廓图像中与该像素点对应的像素点之间的灰度值差值,记为该像素点对应的特征差异值;
统计特征差异值为第一特征差异值的第一边缘轮廓图像中的像素点的数量,记为第一边缘轮廓图像对应的第一像素点数量;
统计特征差异值为第二特征差异值的第一边缘轮廓图像中的像素点的数量,记为第一边缘轮廓图像对应的第二像素点数量;
获得所述灰度图像中像素点的总数量;
根据所述灰度图像中像素点的总数量、所述第一像素点数量和所述第二像素点数量,得到半径序列中该半径对应的候选圆对应的第一边缘轮廓图像与所述灰度图像对应的边缘轮廓图像之间的匹配值;
将所述匹配值小于预设匹配阈值的候选圆记为第一候选圆;
从各第一候选圆中选取半径最小的第一候选圆记为目标圆;
将频谱图像中除目标圆区域之外的区域记为高频区域,并将高频区域中的各点记为高频高亮点。
优选的,根据所述像素值和方向夹角,得到第一高频高亮点和第二高频高亮点的方法,包括:
将各第二候选高频高亮点中像素值最大的第二候选高频高亮点记为第二高频高亮点。
优选的,对于任一异常高亮点,根据如下公式计算该异常高亮点对应的像素值异常程度:
优选的,对于任一异常高亮点,根据如下公式计算该异常高亮点对应的灰度变化频率异常程度:
优选的,对于任一异常高亮点,根据如下公式计算该异常高亮点对应的方向夹角异常程度:
优选的,得到各异常高亮点对应的综合异常程度的方法,包括:
对各异常高亮点对应的像素值异常程度、灰度变化频率异常程度以及方向夹角异常程度进行求和,将求和的结果记为各异常高亮点对应的综合异常程度。
优选的,根据所述综合异常程度,评判防火面料的质量的方法,包括:
根据各异常高亮点对应的综合异常程度,得到防火面料的质量评价指标;根据如下公式计算防火面料的质量评价指标:
判断所述质量评价指标是否大于预设质量阈值,若是,则判定该防火面料的质量不合格;否则,则判定该防火面料的质量合格。
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为本发明的基于图像处理的防火面料质量分析方法的流程图。
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、完整的描述,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,基于本发明实施例,本领域普通技术人员所获得的所有其它实施例,都属于本发明实施例保护的范围。
除非另有定义,本文所使用的所有的技术和科学技术术语与属于本发明的技术人员通常理解的含义相同。
本实施例提供了基于图像处理的防火面料质量分析方法,详细说明如下:
如图1所示,该基于图像处理的防火面料质量分析方法,包括以下步骤:
步骤S001,获取防火面料表面灰度图像;利用傅里叶变换和边缘检测算子,得到所述灰度图像对应的频谱图像和边缘轮廓图像;获得所述频谱图像中的低频中心点和频谱图像中的各点与低频中心点之间的距离。
本实施例主要基于防火面料表面灰度图像对应的频谱图像对防火面料的质量进行分析;一般情况下涂装后的防火面料表面整体纹理沿固定方向分布,且凹凸程度应相当,即涂装正常的防火面料表面的纹理方向一致,表面灰度图像的灰度值会呈现规律且剧烈变化的现象;由于纹理方向一致且灰度变化剧烈程度相当,因此反映到频谱图中,应当会出现关于低频中心点对称的两个最亮高频高亮点,且这两个关于低频中心点对称的两个最亮高频高亮点是正常的高频高亮点,即这两个关于低频中心点对称的两个最亮高频高亮点是正常的防火面料区域,而除了这两个关于低频中心点对称的两个最亮高频高亮点之外的其它的高频高亮点都有可能是异常的防火面料区域,因此本实施例主要是基于防火面料表面灰度图像对应的频谱图像和边缘轮廓图像,得到频谱图像中的高频区域;然后根据高频区域中的各高频高亮点对应的像素值和各高频高亮点对应的方向夹角,得到第一高频高亮点和第二高频高亮点,所述第一高频高亮点和第二高频高亮点关于低频中心点对称,即第一高频高亮点和第二高频高亮点为正常的高频高亮点,并将除第一高频高亮点和第二高频高亮点之外的其它高频区域中的高频高亮点记为异常高亮点;之后根据各异常高亮点与第一高频高亮点和第二高频高亮点之间的差异,得到各异常高亮点对应的像素值异常程度、灰度变化频率异常程度和方向夹角异常程度;最后基于像素值异常程度、灰度变化频率异常程度和方向夹角异常程度,评判防火面料的质量。因此本实施例提供的基于图像处理的防火面料质量分析方法可以减少人工检测所花费的时间,能快速的评判防火面料的质量,同时也提高了检测的精度,降低了残次品流入市场的概率;并且该方法还能够较准确的区分频谱图像中的高频区域和低频区域,更进一步的提高了后续评判防火面料质量的准确性和可靠性。
本实施例利用相机采集工厂涂装后所生产出的防火面料表面图像;然后对防火面料表面图像进行灰度化处理,得到防火面料表面灰度图像;利用canny算子对防火面料表面灰度图像进行检测,得到灰度图像对应的边缘轮廓图像;所述canny算子为公知技术,因此不再详细描述。由于灰度图像上的各像素点对应的灰度值可以看作一个灰度分布函数,因此对灰度图像进行傅里叶变换,得到灰度图像对应的频谱图像;所述频谱图像可以反映灰度图像中灰度变化的剧烈程度;并且频谱图像中高频高亮点位于四周而低频高亮点位于中心部分;所述高频高亮点是灰度剧烈变化的区域,且高频高亮点距离低频中心点越远则说明其灰度变化程度越剧烈。
由于频谱图像中的每个点都可以经傅里叶变换(IFT)变换得到一个三角函数,并且距离低频中心点越近的点频率越低,最小正周期越大;相反的距离低频中心点越远的点频率越高,最小正周期越小,因此本实施例首先获得频谱图像中的低频中心点和频谱图像中的各点对应的最小正周期,将频谱图像中的各点对应的最小正周期的倒数记为频谱图像中的各点与低频中心点之间的距离;所述频谱图像上各点与低频中心点之间的距离为后续分析得到高频区域和各异常高亮点对应的综合异常程度的基础。
步骤S002,根据所述边缘轮廓图像和频谱图像,得到所述频谱图像中的高频区域。
由于防火面料质量需要通过高频区域反映,但是高频区域与低频区域之间的划分界限不易确定,因此本实施例通过对边缘轮廓图像和频谱图像进行分析,得到频谱图像中的高频区域;具体过程为:
获得频谱图像中的低频中心点和半径序列;以低频中心点为圆心,构建得到半径序列中各半径对应的候选圆,即所述候选圆的圆心为低频中心点,所述候选圆的半径为该候选圆对应的半径;所述半径序列中的最大值和最小值需要根据实际情况设置,但是需满足半径序列中的最大值小于频谱图像对应的距离序列中的最大值,半径序列中的最小值大于频谱图像对应的距离序列中的最小值;所述距离序列是由频谱图像中的各点与低频中心点之间的距离构建得到的。
对于半径序列中的任一半径对应的候选圆:
将频谱图像中该候选圆中的各点的像素值置为0,并记为第一频谱图像;所述频谱图像中该候选圆中的各点的像素值表示各点处(一定方向、一定频率)的平面波比重;对第一频谱图像进行傅里叶逆变换,并进行二值化处理,得到该半径对应的候选圆对应的第一边缘轮廓图像;由于所述灰度图像对应的边缘轮廓图像是二值图像,因此才需要对进行傅里叶逆变换后的图像进行二值化处理;因此所述第一边缘轮廓图像和所述灰度图像对应的边缘轮廓图像中的各像素点的灰度值为0或255,并且所述第一边缘轮廓图像和所述灰度图像对应的边缘轮廓图像中的各像素点一一对应;对于第一边缘轮廓图像中的任一像素点,计算该像素点与所述灰度图像对应的边缘轮廓图像中与该像素点对应的像素点之间的灰度值差值,记为该像素点对应的特征差异值,所述特征差异值为255、0或-255,将为255的特征差异值记为第一特征差异值,将为-255的特征差异值记为第二特征差异值,将为0的特征差异值记为第三特征差异值;之后统计特征差异值为第一特征差异值的第一边缘轮廓图像中的像素点的数量,记为第一边缘轮廓图像对应的第一像素点数量;统计特征差异值为第二特征差异值的第一边缘轮廓图像中的像素点的数量,记为第一边缘轮廓图像对应的第二像素点数量;获得防火面料表面灰度图像中像素点的总数量;根据防火面料表面灰度图像中像素点的总数量、第一边缘轮廓图像对应的第一像素点数量和第一边缘轮廓图像对应的第二像素点数量,得到半径序列中该半径对应的候选圆对应的第一边缘轮廓图像与所述灰度图像对应的边缘轮廓图像之间的匹配值;根据如下公式计算半径序列中该半径对应的候选圆对应的第一边缘轮廓图像与所述灰度图像对应的边缘轮廓图像之间的匹配值:
其中,为半径序列中该半径对应的候选圆对应的第一边缘轮廓图像与所述灰度图像对应的边缘轮廓图像之间的匹配值,为第一边缘轮廓图像对应的第一像素点数量,为第一边缘轮廓图像对应的第二像素点数量,为防火面料表面灰度图像中像素点的总数量。
因此通过上述过程可以得到半径序列中各半径对应的候选圆对应的第一边缘轮廓图像与所述灰度图像对应的边缘轮廓图像之间的匹配值;将半径序列中各半径对应的候选圆对应的第一边缘轮廓图像与所述灰度图像对应的边缘轮廓图像之间的匹配值中小于预设匹配阈值的候选圆记为第一候选圆;然后从各第一候选圆中选取半径最小的第一候选圆记为目标圆;将频谱图像中目标圆对应的区域记为低频区域,将频谱图像中除目标圆区域之外的区域记为高频区域,并将高频区域中的各点记为高频高亮点;本实施例设置预设匹配阈值为0.001。
步骤S003,获得所述高频区域中的各高频高亮点对应的像素值和对应的方向夹角;根据所述像素值和方向夹角,得到第一高频高亮点和第二高频高亮点;将除第一高频高亮点和第二高频高亮点之外的其它的高频区域中的高频高亮点记为异常高亮点。
本实施例中通过上述过程得到了频谱图像中的高频区域,接下来将对高频区域的各高频高亮点进行分析,具体过程为:
获得高频区域中的各高频高亮点对应的方向夹角;所述方向夹角为各高频高亮点与低频中心点的连线的极坐标系角度;并且极坐标系是以低频中心点为中心,右向水平直线为正方向建立的;由于在防火面料表面涂装后,整体纹理沿固定方向分布,且凹凸程度应相当,则反映到频谱图像中,关于低频中心点对称的两个最亮高频高亮点为正常的高频高亮点,即为正常的防火面料区域,因此本实施例将最大像素值对应的高频高亮点记为第一高频高亮点;将所述第一高频高亮点的像素值记为,所述第一高频高亮点对应的方向夹角记为,所述第一高频高亮点与低频中心点之间的距离记为;若,则第二高频高亮点的方向夹角为;若,则第二高频高亮点的方向夹角为;因此获得方向夹角为的各高频高亮点,记为第二候选高频高亮点;将各第二候选高频高亮点中像素值最大的第二候选高频高亮点记为第二高频高亮点;并将第二高频高亮点对应的像素值记为,将第二高频高亮点与低频中心点之间的距离记为;所述第一高频高亮点和第二高频高亮点关于低频中心点对称,因此将第一高频高亮点和第二高频高亮点记为正常高频高亮点,将除第一高频高亮点和第二高频高亮点之外的其它高频高亮点记为异常高亮点,并且第一高频高亮点和第二高频高亮点对应的和差异较小。
步骤S004,根据各异常高亮点对应的像素值与第一高频高亮点和第二高频高亮点对应的像素值之间的差异,得到各异常高亮点对应的像素值异常程度;根据各异常高亮点与低频中心点之间的距离、第一高频高亮点与低频中心点之间的距离以及第二高频高亮点与低频中心点之间的距离,得到各异常高亮点对应的灰度变化频率异常程度;根据各异常高亮点对应的方向夹角、第一高频高亮点对应的方向夹角以及第二高频高亮点对应的方向夹角,得到各异常高亮点对应的方向夹角异常程度;根据所述像素值异常程度、灰度变化频率异常程度以及方向夹角异常程度,得到各异常高亮点对应的综合异常程度。
本实施例中通过步骤S003得到了高频区域中的各异常高亮点和正常的高频高亮点,因此后续将对高频区域中的各异常高亮点和正常的高频高亮点进行分析,得到各异常高亮点对应的综合异常程度。具体过程为:
对于任一异常高亮点:
根据该异常高亮点对应的像素值与第一高频高亮点和第二高频高亮点对应的像素值之间的差异,得到该异常高亮点对应的灰度异常程度;根据如下公式计算该异常高亮点对应的像素值异常程度:
根据该异常高亮点与低频中心点之间的距离、第一高频高亮点与低频中心点之间的距离以及第二高频高亮点与低频中心点之间的距离,得到该异常高亮点对应的灰度变化频率异常程度;根据如下公式计算该异常高亮点对应的灰度变化频率异常程度:
其中,为该异常高亮点对应的灰度变化频率异常程度,为该异常高亮点与低频中心点之间的距离;越大,表明该异常高亮点对应的灰度变化频率与正常的高频高亮点对应的灰度变化频率之间的差异越大,进而表明防火面料质量越不好。
根据该异常高亮点对应的方向夹角、第一高频高亮点对应的方向夹角以及第二高频高亮点对应的方向夹角,得到该异常高亮点对应的方向夹角异常程度;根据如下公式计算该异常高亮点对应的方向夹角异常程度:
其中,为该异常高亮点对应的方向夹角异常程度,为该异常高亮点对应的方向夹角;越大,表明该异常高亮点对应的方向夹角与正常的高频高亮点对应的方向夹角之间的差异越大,即该异常高亮点对应的纹理方向与正常的高频高亮点对应的纹理方向差异较大,进而表明防火面料质量越不好。
对该异常高亮点对应的像素值异常程度、灰度变化频率异常程度以及方向夹角异常程度进行求和,将求和的结果记为该异常高亮点对应的综合异常程度;所述该异常高亮点对应的综合异常程度越大,表明该异常高亮点与正常的高频高亮点之间的差异越大,进而表明防火面料质量越不好。
因此通过上述过程可以得到各该异常高亮点对应的像素值异常程度、灰度变化频率异常程度以及方向夹角异常程度;然后根据各该异常高亮点对应的像素值异常程度、灰度变化频率异常程度以及方向夹角异常程度又可以得到各异常高亮点对应的综合异常程度。
步骤S005,根据所述综合异常程度,评判防火面料的质量。
本实施例中通过步骤S004得到了各异常高亮点对应的综合异常程度,接下来将对各异常高亮点对应的综合异常程度进行分析,评判防火面料的质量;具体为:
根据各异常高亮点对应的综合异常程度,得到防火面料的质量评价指标;根据如下公式计算防火面料的质量评价指标:
因此本实施例通过上述过程得到了防火面料的质量评价指标,然后判断防火面料的质量评价指标是否大于预设质量阈值,若是,则判定该防火面料的质量不合格,并对该防火面料进行标记;否则,则判定该防火面料的质量合格;所述预设质量阈值需要相关专业人员根据需求进行设置。
本实施例基于防火面料表面灰度图像对应的频谱图像和边缘轮廓图像,得到频谱图像中的高频区域;然后根据高频区域中的各高频高亮点对应的像素值和各高频高亮点对应的方向夹角,得到第一高频高亮点和第二高频高亮点,所述第一高频高亮点和第二高频高亮点关于低频中心点对称,即第一高频高亮点和第二高频高亮点为正常的高频高亮点,并将除第一高频高亮点和第二高频高亮点之外的其它高频区域中的高频高亮点记为异常高亮点;之后根据各异常高亮点与第一高频高亮点和第二高频高亮点之间的差异,得到各异常高亮点对应的像素值异常程度、灰度变化频率异常程度和方向夹角异常程度;最后基于像素值异常程度、灰度变化频率异常程度和方向夹角异常程度,评判防火面料的质量。本实施例提供的基于图像处理的防火面料质量分析方法可以减少人工检测所花费的时间,能快速的评判防火面料的质量,同时也提高了检测的精度,降低了残次品流入市场的概率;并且该方法还能够较准确的区分频谱图像中的高频区域和低频区域,更进一步的提高了后续评判防火面料质量的准确性和可靠性。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (9)
1.一种基于图像处理的防火面料质量分析方法,其特征在于,该方法包括如下步骤:
获取防火面料表面灰度图像;利用傅里叶变换和边缘检测算子,得到所述灰度图像对应的频谱图像和边缘轮廓图像;获得所述频谱图像中的低频中心点和频谱图像中的各点与低频中心点之间的距离;
根据所述边缘轮廓图像和频谱图像,得到所述频谱图像中的高频区域;
获得所述高频区域中的各高频高亮点对应的像素值和对应的方向夹角;根据所述像素值和方向夹角,得到第一高频高亮点和第二高频高亮点;将除第一高频高亮点和第二高频高亮点之外的其它的高频区域中的高频高亮点记为异常高亮点;
根据各异常高亮点对应的像素值与第一高频高亮点和第二高频高亮点对应的像素值之间的差异,得到各异常高亮点对应的像素值异常程度;根据各异常高亮点与低频中心点之间的距离、第一高频高亮点与低频中心点之间的距离以及第二高频高亮点与低频中心点之间的距离,得到各异常高亮点对应的灰度变化频率异常程度;根据各异常高亮点对应的方向夹角、第一高频高亮点对应的方向夹角以及第二高频高亮点对应的方向夹角,得到各异常高亮点对应的方向夹角异常程度;根据所述像素值异常程度、灰度变化频率异常程度以及方向夹角异常程度,得到各异常高亮点对应的综合异常程度;
根据所述综合异常程度,评判防火面料的质量。
2.如权利要求1所述的基于图像处理的防火面料质量分析方法,其特征在于,所述获得所述频谱图像中的低频中心点和频谱图像中的各点与低频中心点之间的距离的方法,包括:
获得频谱图像中的低频中心点和频谱图像中的各点对应的最小正周期;
将频谱图像中的各点对应的最小正周期的倒数记为频谱图像中的各点与低频中心点之间的距离。
3.如权利要求1所述的基于图像处理的防火面料质量分析方法,其特征在于,所述根据所述边缘轮廓图像和频谱图像,得到所述频谱图像中的高频区域的方法,包括:
获得半径序列;所述半径序列中的最大值小于频谱图像对应的距离序列中的最大值,半径序列中的最小值大于频谱图像对应的距离序列中的最小值;所述距离序列是由频谱图像中的各点与低频中心点之间的距离构建得到的;
以低频中心点为圆心,构建得到半径序列中各半径对应的候选圆;
对于半径序列中的任一半径对应的候选圆:
将频谱图像中该候选圆中的各点的像素值置为0,并记为第一频谱图像;
对第一频谱图像进行傅里叶逆变换和二值化处理,得到该候选圆对应的第一边缘轮廓图像;
对于第一边缘轮廓图像中的任一像素点,计算该像素点与所述灰度图像对应的边缘轮廓图像中与该像素点对应的像素点之间的灰度值差值,记为该像素点对应的特征差异值;
统计特征差异值为第一特征差异值的第一边缘轮廓图像中的像素点的数量,记为第一边缘轮廓图像对应的第一像素点数量;
统计特征差异值为第二特征差异值的第一边缘轮廓图像中的像素点的数量,记为第一边缘轮廓图像对应的第二像素点数量;
获得所述灰度图像中像素点的总数量;
根据所述灰度图像中像素点的总数量、所述第一像素点数量和所述第二像素点数量,得到半径序列中该半径对应的候选圆对应的第一边缘轮廓图像与所述灰度图像对应的边缘轮廓图像之间的匹配值;
将所述匹配值小于预设匹配阈值的候选圆记为第一候选圆;
从各第一候选圆中选取半径最小的第一候选圆记为目标圆;
将频谱图像中除目标圆区域之外的区域记为高频区域,并将高频区域中的各点记为高频高亮点。
8.如权利要求1所述的基于图像处理的防火面料质量分析方法,其特征在于,得到各异常高亮点对应的综合异常程度的方法,包括:
对各异常高亮点对应的像素值异常程度、灰度变化频率异常程度以及方向夹角异常程度进行求和,将求和的结果记为各异常高亮点对应的综合异常程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211205323.5A CN115272345B (zh) | 2022-09-30 | 2022-09-30 | 基于图像处理的防火面料质量分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211205323.5A CN115272345B (zh) | 2022-09-30 | 2022-09-30 | 基于图像处理的防火面料质量分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115272345A true CN115272345A (zh) | 2022-11-01 |
CN115272345B CN115272345B (zh) | 2022-12-27 |
Family
ID=83758006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211205323.5A Active CN115272345B (zh) | 2022-09-30 | 2022-09-30 | 基于图像处理的防火面料质量分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115272345B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115862539A (zh) * | 2023-03-02 | 2023-03-28 | 深圳市柯达科电子科技有限公司 | 一种oled显示面板的发光光源调节方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140257114A1 (en) * | 2011-11-25 | 2014-09-11 | Olympus Corporation | Image processing apparatus, image processing method, and computer-readable recording device |
CN114998343A (zh) * | 2022-08-04 | 2022-09-02 | 南通广信塑料机械有限公司 | 基于视觉的模具表面抛光程度检测方法 |
CN115115615A (zh) * | 2022-07-26 | 2022-09-27 | 南通好心情家用纺织品有限公司 | 一种基于图像识别的纺织面料质量评估方法及系统 |
-
2022
- 2022-09-30 CN CN202211205323.5A patent/CN115272345B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140257114A1 (en) * | 2011-11-25 | 2014-09-11 | Olympus Corporation | Image processing apparatus, image processing method, and computer-readable recording device |
CN115115615A (zh) * | 2022-07-26 | 2022-09-27 | 南通好心情家用纺织品有限公司 | 一种基于图像识别的纺织面料质量评估方法及系统 |
CN114998343A (zh) * | 2022-08-04 | 2022-09-02 | 南通广信塑料机械有限公司 | 基于视觉的模具表面抛光程度检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115862539A (zh) * | 2023-03-02 | 2023-03-28 | 深圳市柯达科电子科技有限公司 | 一种oled显示面板的发光光源调节方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115272345B (zh) | 2022-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114943739B (zh) | 一种铝管质量检测方法 | |
CN115222733B (zh) | 基于图像识别的金属构件表面缺陷检测方法 | |
CN103543394A (zh) | 一种高压电气设备放电紫外成像量化参数提取方法 | |
CN116758083B (zh) | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 | |
CN115205290B (zh) | 一种pcb板生产过程在线检测方法及系统 | |
CN115272345B (zh) | 基于图像处理的防火面料质量分析方法 | |
CN117095004B (zh) | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 | |
CN115526889B (zh) | 基于图像处理的锅炉压力管道的无损检测方法 | |
CN116758057A (zh) | 基于人工智能的通信设备缺陷检测方法 | |
CN115994904B (zh) | 基于计算机视觉的挂烫机面板生产质量检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
TWI765442B (zh) | 瑕疵等級判定的方法及存儲介質 | |
CN116030060A (zh) | 一种塑料颗粒质量检测方法 | |
CN116958144B (zh) | 一种新能源连接线表面瑕疵区域快速定位方法及系统 | |
CN115239728A (zh) | 一种消防器材识别方法 | |
CN116721096B (zh) | 基于人工智能的新能源线束质量在线检测方法 | |
CN117351017A (zh) | 一种光伏钢结构组件缺陷视觉检测方法 | |
Wu et al. | Experimental analysis of image dehazing algorithms for pelletization process images | |
CN114998346B (zh) | 一种防水布质量数据处理、识别方法 | |
CN115424008A (zh) | 一种激光投影仪产线调光聚焦检测方法及系统 | |
TW201418671A (zh) | 水位量測方法 | |
CN116883401B (zh) | 一种工业产品生产质量检测系统 | |
CN117351019B (zh) | 一种焊接缺陷检测方法 | |
CN117197442B (zh) | 一种走天输送机的故障排查系统 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 |
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 |