CN115272737B - 一种橡胶圈流痕识别方法 - Google Patents
一种橡胶圈流痕识别方法 Download PDFInfo
- Publication number
- CN115272737B CN115272737B CN202211205325.4A CN202211205325A CN115272737B CN 115272737 B CN115272737 B CN 115272737B CN 202211205325 A CN202211205325 A CN 202211205325A CN 115272737 B CN115272737 B CN 115272737B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- gray
- entropy
- window
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 abstract description 2
- 238000003672 processing method Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种橡胶圈流痕识别方法。该方法对经由图像识别电子设备识别得到的橡胶圈表面灰度图像进行数据获取,然后对获取的数据进行处理分析,侧重点是对获取数据后的数据处理方法进行改进,在以像素点设定范围内的灰度值的熵值作为像素点的熵值的基础上,结合像素点设定范围内的灰度值的分布均匀性对像素点的熵值进行修正,得到更符合人眼视觉的,受到图像获取过程中干扰程度更小的像素点的新的熵值,以所确定的新的熵值确定了更为准确的橡胶圈的流痕区域,解决了现有技术以局部熵聚类分析确定橡胶圈流痕区域的准确度不足的问题。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种橡胶圈流痕识别方法。
背景技术
流痕为橡胶圈的外观缺陷,在流痕处会降低橡胶圈的表面机械性能,影响橡胶圈的使用质量,容易导致开裂,形变等问题,并会影响橡胶圈的密封性,降低有效使用年限,所以需对橡胶圈的流痕缺陷进行检测。
现有的橡胶圈留痕检测方法常采用局部熵进行聚类分析,完成橡胶圈流痕识别检测,但是受局部噪声影响,比如说虽然橡胶圈流痕处相对平滑,但并非绝对平滑,从而导致橡胶圈流痕识别效果不佳。
发明内容
本发明提供了一种橡胶圈流痕识别方法,用以解决现有技术对橡胶圈流痕检测不准确的问题,所采用的技术方案具体如下:
本发明的一种橡胶圈流痕识别方法,包括以下步骤:
获取橡胶圈表面灰度图像,以像素点为中心点设置设定大小的窗口并计算窗口内所有像素点的灰度值的熵,以所得灰度值的熵作为该像素点的熵值;
对像素点设定大小的窗口内的灰度值进行聚类,确定灰度值个数最多的聚类类别,计算灰度值个数最多的聚类类别中灰度值的熵,以及灰度值个数最多的聚类类别中灰度值个数占该像素点设定大小的窗口内灰度值总数的占比,然后得到像素点的新的熵值:
其中,为第i个像素点的新的熵值,/>为第i个像素点对应设定大小的窗口内所有灰度值聚类后灰度值数量最多的聚类类别的熵值,/>为第i个像素点对应设定大小的窗口内所有灰度值聚类后灰度值数量最多的聚类类别中灰度值的个数占第i个像素点对应设定大小的窗口内灰度值的个数的占比,/>为第i个像素点对应设定大小的窗口内灰度值的熵值,max()表示取最大值;
根据各个像素点的新的熵值对所有像素点进行聚类,确定新的熵值的平均值最小的聚类类别并以该聚类类别所在区域作为橡胶圈表面流痕区域。
本发明的有益效果为:
常规的像素点设定范围内灰度值的熵值作为像素点熵值从而确定橡胶圈流痕区域的方法,在计算像素点设定范围内灰度值的熵值时容易受噪声干扰的影响,从而导致像素点设定范围内灰度值的熵值计算结果较差相应地导致所确定的各个像素点的熵值较不准确,最终影响橡胶圈流痕识别准确度,而本发明在计算像素点设定范围内灰度值的熵值后并未直接将其作为像素点的熵值,而是还根据像素点设定范围内灰度值的分布均匀性对该计算结果进行了改进,以占较大占比的灰度值聚类类别的熵值作为像素点的新的熵值,减少了所受干扰的程度,使像素点的新的熵值较为符合人眼视觉,提高了对橡胶圈流痕识别的准确度。
进一步的,在得到橡胶圈表面流痕区域后还根据橡胶圈表面流痕区域的形态对其进行孔洞填充。
进一步的,采用均值漂移算法对像素点设定大小的窗口内的灰度值进行聚类。
进一步的,所述设定大小的窗口为10*10的窗口。
附图说明
图1是本发明该种橡胶圈流痕识别方法的流程图。
具体实施方式
本发明的构思为:
本发明在通过对各个像素点设定范围进行灰度值的熵值计算从而得到每个像素点的熵值之后,还对像素点设定范围内区域中所有灰度值的分布均匀性进行了判断,根据每个像素点设定范围内灰度值的分布均匀性,对各个像素点的熵值进行修正得到各个像素点的新的熵值,以新的熵值完成橡胶圈上流痕区域的确定。
下面结合附图及实施例,对本发明的一种橡胶圈流痕识别方法进行详细说明。
方法实施例:
本发明的一种橡胶圈流痕识别方法实施例,其整体流程如图1所示,具体过程如下:
步骤一,获取橡胶圈表面灰度图像,通过计算每个像素点设定范围内的灰度值的熵值确定灰度图像中各个像素点的熵值。
采用相关电子设备,如工业相机以获取橡胶圈的表面图像,并对所获取的表面图像数据进行处理得到橡胶圈表面灰度图像数据。
在得到橡胶圈的表面灰度图像的数据后,以各个像素点为中心点设置设定大小的窗口,根据各个像素点对应窗口内的灰度值确定该像素点的信息熵值,作为该像素点的熵值,其中设定大小的窗口的具体大小可根据具体实施场景进行设置,本实施例优选设定大小的窗口为10*10的窗口。
由于设定大小范围内的熵值的计算为现有技术,故本实施例此处不再赘述。
步骤二,根据每个像素点设定范围内灰度值的分布均匀性,对各个像素点的熵值进行修正得到各个像素点的新的熵值。
在确定灰度图像中各个像素点的熵值后,如果第i个像素点的局部熵值越小,则表示第i个像素点在窗口区域内的灰度值分布越统一,表示当前第i个像素点的窗口区域内橡胶圈表面月光滑,该部分越可能是图像中的流痕近似区域。
其中在进行各个像素点的熵值计算时,由于灰度值分布在实际中并不可能是绝对一致的,进而导致熵值的计算效果较差,得到流痕近似区域效果不好。比如当灰度分布为1,2,200时以及1,100,200时,两种情况下计算出的熵值是一样的。
所以为了得到更好的局部熵的计算效果,可以使得像素点的熵值在进行计算时能够拥有一定的宽容度,使得1,2,200情况下对应所得的信息熵值小于1,100,200对应的熵值,从而使所得熵值的大小更加符合人眼视觉上认为1,2,200灰度情况相较于1,100,200灰度情况更加稳定的观察结果,也即符合1,100,200灰度情况相较于1,2,200灰度情况更为混乱的观察结果。由于1,2两种灰度值是相对均匀一致的,差异不大的,所以可以将两者归为一个灰度值进行分析。
由此,获取像素点的窗口内的各个像素点的灰度直方图,如果灰度直方图中,大部分灰度值为相对统一的,只有少部分为混乱的,则可以将混乱的灰度值进行统一,在计算窗口内的图像熵值,得到比较合适人眼视觉检测需求的局部熵值特征。
如果第i个像素点的对应窗口内的熵值也即第i个像素点的熵值越大,表示第i个像素点对应窗口内的灰度值越混乱,也即灰度值种类数越多,说明可能需要对其中的部分灰度值进行合并,但是也要考虑窗口内的灰度分布差异,如果差异很大,即使熵值很大也不能合并,否则会导致灰度值分布信息丢失过多,如果窗口内的灰度分布中,大部分就灰度值相对统一,只有小部分的灰度值差异较大,则可以将具有较大差异的小部分灰度值与较小差异的大部分灰度值进行合并,其中合并方式为采用大部分具有较小差异分布的灰度值作为当前第i个像素点的对应窗口内的熵值。
对第i个像素点对应窗口内的灰度值进行合并并确定第i个像素点的新的熵值的过程为:
对当前第i个像素点的对应窗口内的所有灰度值利用均值漂移算法进行聚类,共得到K个类别,获取灰度值个数最多的聚类类别并将其称为类别,计算/>类别中的灰度值分布的信息熵值/>,/>类别中的灰度值分布比较统一,则/>类别对应的灰度值分布的信息熵值偏小。/>的值越小,则表示/>类别对应的灰度值分布越统一。其中在对第i个像素点的对应窗口内的灰度值利用均值漂移算法进行灰度值分类时,本实施例优选均值漂移算法的聚类半径为3,在其它实施例中,实施者可根据具体实施场景对均值漂移算法的聚类半径进行调整。
虽然考虑了灰度值个数最多的类别,但并不能说明/>类别就是大部分,所以为了衡量/>类别对应的熵值是否能够作为第i个像素点的对应窗口内灰度值的熵值,需要获取/>类别中灰度值个数在第i个像素点的对应窗口内灰度值个数的占比/>,如果占比越大,则越可以用/>类别中灰度值对应的熵值,表示第i个像素点的对应窗口内灰度值熵值。
所以得到第i个像素点的对应窗口内灰度值熵值:
其中,为第i个像素点的新的熵值,/>为第i个像素点对应设定大小的窗口内所有灰度值聚类后灰度值数量最多的聚类类别的熵值,其越小,表示第i个像素点的对应窗口内,具有最大灰度值个数的类别内灰度值分布越统一,/>为第i个像素点对应设定大小的窗口内所有灰度值聚类后灰度值数量最多的聚类类别中灰度值的个数占第i个像素点对应设定大小的窗口内灰度值的个数的占比,其值越接近1,说明占比越大,则/>越能代表第i个像素点对应窗口内灰度值的熵值,用/>代表第i个像素点对应窗口内灰度值的熵值越可信,并减少了小部分第i个像素点对应窗口内不属于/>类别的灰度值干扰,使得最终的新的熵值计算效果较好,/>为第i个像素点对应设定大小的窗口内灰度值的熵值,/>越小,表示第i个像素点对应设定大小的窗口内的灰度值分布越统一,max()表示取最大值。
选用max()函数进行与/>的选取作为灰度值合并后新的熵值是因为,熵值越大,则表示灰度分布越混乱,而为了得到好的局部熵计算效果,则需要得到能够表示符合视觉的灰度分布熵值计算结果,则选择最差的才能更好将不同灰度分布差异进行区分开来,如果取最小,则会丢失过多的灰度分布混乱信息,导致最终效果并非所期望的。
进而得到第i个像素点的对应窗口内灰度值部分合并后的新的熵值.其越小,表示第i个像素点的对应窗口内灰度值分布越统一,并且其更加符合人眼视觉的灰度分布熵值计算结果,有利于降低部分噪声干扰,提高橡胶圈的流痕识别准确率。
最终,得到了橡胶圈图像中各个像素点新的局部熵值。
步骤三,根据所得到的灰度图像中各个像素点的新的熵值确定灰度图像中的流痕区域,完成橡胶圈流痕识别。
根据像素点的新的熵值对所有像素点进行聚类,将新的熵值近似的像素点聚为一类,确定出新的熵值的平均值最小的聚类类别,以该聚类类别所在区域作为橡胶圈表面流痕所在区域。本实施例在使用均值漂移算法进行聚类时,优选窗口大小为3*3,在其它实施例中实施者可根据具体实施场景对窗口大小进行调整而取其它大小值。
优选的,在得到橡胶圈表面流痕所在区域后,还通过橡胶圈表面流痕所在区域的形态对其进行孔洞填充,得到最终的橡胶圈流痕。
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范围,均应包含在本申请的保护范围之内。
Claims (3)
1.一种橡胶圈流痕识别方法,其特征在于,包括以下步骤:
获取橡胶圈表面灰度图像,以像素点为中心点设置设定大小的窗口并计算窗口内所有像素点的灰度值的熵,以所得灰度值的熵作为该像素点的熵值;
对像素点设定大小的窗口内的灰度值进行聚类,确定灰度值个数最多的聚类类别,计算灰度值个数最多的聚类类别中灰度值的熵,以及灰度值个数最多的聚类类别中灰度值个数占该像素点设定大小的窗口内灰度值总数的占比,然后得到像素点的新的熵值:
其中,为第i个像素点的新的熵值,/>为第i个像素点对应设定大小的窗口内所有灰度值聚类后灰度值数量最多的聚类类别的熵值,/>为第i个像素点对应设定大小的窗口内所有灰度值聚类后灰度值数量最多的聚类类别中灰度值的个数占第i个像素点对应设定大小的窗口内灰度值的个数的占比,/>为第i个像素点对应设定大小的窗口内灰度值的熵值,max()表示取最大值;
根据各个像素点的新的熵值对所有像素点进行聚类,确定新的熵值的平均值最小的聚类类别并以该聚类类别所在区域作为橡胶圈表面流痕区域;
采用均值漂移算法对像素点设定大小的窗口内的灰度值进行聚类。
2.根据权利要求1所述的橡胶圈流痕识别方法,其特征在于,在得到橡胶圈表面流痕区域后还根据橡胶圈表面流痕区域的形态对其进行孔洞填充。
3.根据权利要求1所述的橡胶圈流痕识别方法,其特征在于,所述设定大小的窗口为10*10的窗口。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211205325.4A CN115272737B (zh) | 2022-09-30 | 2022-09-30 | 一种橡胶圈流痕识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211205325.4A CN115272737B (zh) | 2022-09-30 | 2022-09-30 | 一种橡胶圈流痕识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115272737A CN115272737A (zh) | 2022-11-01 |
CN115272737B true CN115272737B (zh) | 2023-10-20 |
Family
ID=83757958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211205325.4A Active CN115272737B (zh) | 2022-09-30 | 2022-09-30 | 一种橡胶圈流痕识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115272737B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115841624B (zh) * | 2023-02-23 | 2023-05-23 | 山东洲蓝环保科技有限公司 | 基于红外图像的高炉煤气流分布识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6332937B2 (ja) * | 2013-10-23 | 2018-05-30 | キヤノン株式会社 | 画像処理装置、画像処理方法及びプログラム |
CN114387272B (zh) * | 2022-03-23 | 2022-05-24 | 武汉富隆电气有限公司 | 基于图像处理的电缆桥架残次品检测方法 |
CN115115616B (zh) * | 2022-07-26 | 2022-11-18 | 南通浩盛汽车科技有限公司 | 基于可变光源的汽车冲压配件缺陷检测方法 |
CN115019077A (zh) * | 2022-08-09 | 2022-09-06 | 江苏思伽循环科技有限公司 | 一种废旧电池回收工艺中的摇床分选机识别及控制方法 |
-
2022
- 2022-09-30 CN CN202211205325.4A patent/CN115272737B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115272737A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116363133B (zh) | 基于机器视觉的照明器配件缺陷检测方法 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
CN116309579A (zh) | 一种用图像处理的变压器焊缝质量检测方法 | |
CN115330767B (zh) | 一种腐蚀箔生产异常识别方法 | |
CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN115984148B (zh) | 一种高通量基因测序数据的去噪增强方法 | |
CN115272737B (zh) | 一种橡胶圈流痕识别方法 | |
CN116503394B (zh) | 基于图像的印刷制品表面粗糙度检测方法 | |
CN116309559B (zh) | 一种中硼硅玻璃生产瑕疵智能识别方法 | |
CN116912261B (zh) | 一种塑料模具注塑表面缺陷检测方法 | |
CN113989266B (zh) | 基于图像处理的机械配件表面缺陷检测方法 | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理系统 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN111612773B (zh) | 一种红外热像仪及实时自动盲元检测处理方法 | |
CN116245880A (zh) | 基于红外识别的电动车充电桩火灾风险检测方法 | |
CN117058147A (zh) | 基于计算机视觉的环保塑料制品缺陷检测方法 | |
CN116863253A (zh) | 基于大数据分析的运维风险预警方法 | |
CN115880280A (zh) | 一种钢结构焊缝质量的检测方法 | |
CN117705815B (zh) | 一种基于机器视觉的印刷缺陷检测方法 | |
CN117078688B (zh) | 一种用于强磁钕铁硼磁体的表面缺陷识别方法 | |
CN116843581B (zh) | 一种多场景图的图像增强方法、系统、设备和存储介质 | |
CN108965749A (zh) | 基于纹理识别的缺陷像素检测和校正装置及方法 | |
CN115254674B (zh) | 一种轴承缺陷分选方法 | |
CN108876845B (zh) | 菲涅尔纹中心的确定方法和装置 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230912 Address after: 528325, Building 9, Building 102, CIMC Intelligent Manufacturing Center, No. 15 Shunye West Road, Xingtan Town, Shunde District, Foshan City, Guangdong Province (Residence Application) Applicant after: Foshan Shunde Hexu Rubber Industry Technology Co.,Ltd. Address before: No. 29, Gudong Road, Nantong Economic and Technological Development Zone, Jiangsu Province, 226000 Applicant before: Jiangsu junrongsheng New Material Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |