CN115294159A - 金属紧固件腐蚀区域分割方法 - Google Patents
金属紧固件腐蚀区域分割方法 Download PDFInfo
- Publication number
- CN115294159A CN115294159A CN202211210977.7A CN202211210977A CN115294159A CN 115294159 A CN115294159 A CN 115294159A CN 202211210977 A CN202211210977 A CN 202211210977A CN 115294159 A CN115294159 A CN 115294159A
- Authority
- CN
- China
- Prior art keywords
- super
- gray
- pixel
- pixel block
- superpixel
- 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
Images
Classifications
-
- 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
- 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
- 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
-
- 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
- G06T2207/30164—Workpiece; Machine component
Abstract
本发明涉及数据处理技术领域,具体涉及一种金属紧固件腐蚀区域分割方法。该方法对经由图像识别电子设备识别到的金属紧固件表面图像进行数据获取,进而对获取的数据进行处理分析,该方法的侧重点是对获取数据后的数据处理方法进行改进,额外在数据处理中引入了基于光照的自适应阈值、跨区域融合以及基于金属紧固件表面腐蚀形态结构和灰度的超像素块分类。本发明提供的该方法经过对数据处理方法的改进,解决了现有技术无法准确确定金属紧固件表面腐蚀区域的技术问题,提高了金属紧固件表面腐蚀区域的识别准确度。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种金属紧固件腐蚀区域分割方法。
背景技术
金属紧固件是机械设备中最为常见的零部件,其在使用过程中常出现孔蚀的腐蚀形态。孔蚀是金属表面的小范围区域,并呈现向深处发展的腐蚀小孔,严重影响了金属紧固件结构安全性。
但由于金属紧固件属于金属材料,所以其表面会产生反光,导致所获取的金属紧固件表面图像因反光影响而存在部分区域亮度相较于其它区域明显更高的现象,且随着位置的不同,反光程度也会有明显差异。
那么,若孔蚀区域位于所获取的金属紧固件表面图像的反光区域,由于不同位置上反光程度的不同,便会导致同一个孔蚀区域中不同位置因反光程度不同而存在明显的亮度差异,这种因反光程度不同而导致的亮度差异,会直接影响对孔蚀区域的图像分割提取准确度。
同时,即使孔蚀区域并不位于所获取的金属紧固件表面图像的反光区域,但孔蚀区域本身便存在内部腐蚀程度不同的特点,孔蚀区域内部腐蚀程度的不同,会导致在对孔蚀区域的图形进行分割提取时,将不同腐蚀程度的区域识别成为不同的类别,同样会直接影响对孔蚀区域的图像分割提取准确度。
反光问题的存在、孔蚀区域内腐蚀严重程度的不同,对完成金属紧固件腐蚀区域的准确提取带来了巨大的困难。
发明内容
为解决现有技术无法准确识别金属紧固件腐蚀区域的问题,本发明提供了一种金属紧固件腐蚀区域分割方法,所采用的技术方案具体如下:
一种金属紧固件腐蚀区域分割方法,包括以下步骤:
识别金属紧固件表面,得到金属紧固件表面灰度图像;
对金属紧固件表面灰度图像进行超像素分割,得到设定个数的超像素块;
根据各个超像素块的灰度跳变指数、灰度均值以及空间位置坐标,确定对应的超像素块是否为生长种子点,所述生长种子点作为由超像素块聚类得到孔蚀区域的聚类过程中的生长起始点;
根据生长种子点内所有像素点处的灰度值梯度方向之间的相似性,判断生长种子点是否处于反光区域内;
若生长种子点处于反光区域内,则以自适应阈值约束为生长准则完成孔蚀区域的聚类;
若生长种子点不处于反光区域内,则采用跨域聚类方法进行聚类,并基于腐蚀的形态结构和灰度对跨域聚类过程中不确定的超像素块求解分类概率,根据所得分类概率对不确定的超像素块进行类别划分。
本发明的有益效果为:
本发明对经由图像识别电子设备识别到的金属紧固件表面图像进行数据获取,进而对获取的数据进行处理分析,额外在数据处理中引入了基于光照的自适应阈值、跨区域融合以及基于金属紧固件表面腐蚀形态结构和灰度的超像素块分类,相较于现有技术未考虑反光对金属件表面灰度值影响的聚类方法,本申请有效消除了因反光对金属件表面腐蚀缺陷聚类分割的不准确影响。本发明该方法经过对数据处理方法的改进,解决了现有技术无法准确确定金属紧固件表面腐蚀区域的技术问题,提高了金属紧固件表面腐蚀区域的识别准确度。
进一步的,根据所得设定个数的超像素块的灰度跳变指数、灰度均值以及空间位置坐标,确定由超像素块聚类得到孔蚀区域的聚类过程中的生长种子点的具体过程为:
其中为超像素块的序号,为第i个超像素块,为与第i个超像素块相邻
的超像素块,和分别代表的是第i个超像素块所包含的所有像素的灰
度均值以及超像素块所包含的所有像素的灰度均值,为第i个超像素块
的中心坐标,为超像素块的中心坐标,
代表的是中心坐标与的空间位置距离,为第i个超像素块以
及与其相邻的超像素块之间的重合线,代表的是重合线上所有像素点处灰度
值的梯度幅值的均值,表示相邻两个超像素块各自的灰度均值之间的差值对灰度跳变指
数的取值影响权重,表示相邻两个超像素块的重合线上所有像素点处灰度值的梯度幅
值的均值对灰度跳变指数的取值影响权重;
计算筛选后的预分拣生长种子点中任意两个生长种子点之间的空间距离,若两个
筛选后的预分拣生长种子点之间的空间距离小于设定的最小空间距离,则保留其中灰度
均值较小的筛选后的预分拣生长种子点,舍弃其中灰度均值较大的筛选后的预分拣生长种
子点,得到由超像素块聚类得到孔蚀区域的聚类过程中的生长种子点。
进一步的,根据生长种子点内所有像素点处的灰度值梯度方向之间的相似性,判断生长种子点是否处于反光区域内的具体过程为:
判断所述生长种子点内每个像素点处灰度值的梯度方向角与所述平均梯度方向
角的差值是否小于角度阈值,即,若所述生长种子点内存在大于像素点数量
占比阈值的像素点处的灰度值的梯度方向角与平均梯度方向角的差值小于角度阈值,则该生长种子点处于反光区域内,若所述生长种子点内不存在大于像素点数量占比阈
值的像素点处的灰度值的梯度方向角与平均梯度方向角的差值小于角度阈值,则该
生长种子点不处于反光区域内。
进一步的,以自适应阈值约束为生长准则完成孔蚀区域的聚类的具体过程为:
以所述生长种子点为生长起点,将任意两个相邻超像素块的中心点连线,计算两
个相邻超像素块的中心点连线路径上所有像素点处的灰度值的梯度幅值,并求取所有像素
点处的灰度值的梯度幅值的均值;然后计算所述任意两个相邻超像素块的中心点连
线在平均梯度方向角上的投影,得到基于光照的自适应阈值:
其中,表示超像素块的中心坐标,表示与超像素块相
邻的超像素块的中心坐标,表示中心坐标与中心坐标连线上所有像素点处
灰度值的梯度幅值的均值,表示中心坐标与中心坐标的连线角度,表示生长种子点
的平均梯度方向角,该平均梯度方向角通过对生长种子点中的每一个像素点处的灰度值梯
度方向角取中值得到;
进一步的,采用跨域聚类方法进行聚类,并基于腐蚀的形态结构和灰度对跨域聚类过程中不确定的超像素块求解分类概率,根据所得分类概率对不确定的超像素块进行类别划分的具体过程为:
以所述生长种子点为生长起点,判断与当前超像素块相邻的超像素块中是否存在与当前超像素块之间满足灰度均值相似性准则的相邻超像素块,将与当前超像素块之间满足灰度均值相似性准则的相邻超像素块与当前超像素块合并;并将与当前超像素块之间不满足灰度均值相似性准则的相邻超像素块作为待筛选超像素块;
继续在与待筛选超像素块相邻的超像素块中寻找是否有与所述当前超像素块之间满足灰度均值相似性准则的超像素块,将与当前超像素块之间满足灰度均值相似性准则的所述与待筛选超像素块相邻的超像素块与当前超像素块合并;
计算待筛选超像素块属于孔蚀区域的概率评价值:
其中,为待筛选超像素块,为与待筛选超像素块近邻的且属于
孔蚀区域的所有超像素块合并得到的超像素块区域,和分别代表的是
合并的超像素块区域和待筛选超像素块各自所包含的所有像素点的灰度均
值,为待筛选超像素块与近邻孔蚀区域重合的边界长度,为待筛选超像素块的
边界长度,λ为表征合并的超像素块区域的灰度均值与待筛选超像素块的灰度
均值的结构相似度的调节参数;
附图说明
图1是本发明的金属紧固件腐蚀区域分割方法的流程图;
图2是出现了孔蚀的金属紧固件的表面灰度图像。
具体实施方式
本发明整体构思为:金属紧固件表面腐蚀区域呈圆孔结构,所以金属紧固件表面腐蚀区域也称为孔蚀区域。本发明获取金属紧固件表面图像并得到金属紧固件表面灰度图像后,对其进行超像素分割得到一系列超像素块,然后根据灰度跳变程度和灰度均值,确定哪些超像素块位于孔蚀区域边界且属于孔蚀区域内部,将所确定的这些超像素块作为生长种子点;后续,判断各个生长种子点是否属于反光区域,若属于,则结合光照对灰度图像中各部分影响趋势一致的特性,设置基于光照的自适应阈值约束作为生长准则完成孔蚀区域的聚类;若不属于,则采用跨域聚类方法进行聚类,并基于孔蚀的形态结构和灰度对跨域聚类过程中不确定的超像素块求解分类概率,完成不确定超像素块的类别划分。最终,完成对金属紧固件表面孔蚀区域的聚类分割,从而完成对孔蚀区域的准确确定。
下面结合附图及实施例,对本发明的一种金属紧固件腐蚀区域分割方法进行详细说明。
方法实施例:
本发明的一种金属紧固件腐蚀区域分割方法实施例,其流程如图1所示,过程如下:
步骤一,采集金属紧固件表面灰度图像,并对得到的金属紧固件表面灰度图像进行预处理。
采用相关的电子设备,如工业相机进行图形识别并获取金属紧固件表面灰度图像。在得到金属紧固件表面灰度图像后,采用中值滤波器对所获取的表面灰度图像进行噪声过滤,滤除图像噪声;接着采用伽马变换方法对表面灰度图像的灰度值进行修正,改善图像过曝或者曝光不足的情况。
当然,在其它实施例中还可以采用任意的图像处理技术,以滤除图像噪声或者改善图像过曝或者曝光不足的情况;当然,也可以不对所获取的表面灰度图像进行去噪和图像改善处理。
步骤二,采用超像素分割法对金属紧固件表面图像进行分割,得到一系列超像素块。
步骤三,对分割所得所有超像素块进行聚类操作,完成金属紧固件孔蚀区域的聚类分割。
1、基于所确定的一系列超像素块,确定由超像素块聚类得到孔蚀区域的聚类过程中的生长种子点。
可以确定的是,在金属紧固件表面灰度图像中,孔蚀区域与正常区域之间的灰度值会存在明显的不同,所以,在孔蚀区域与正常区域之间存在较大灰度差异的基础上,即使所获取的金属紧固件表面灰度图像受到反光影响,但由于反光影响对孔蚀区域和正常区域的影响趋势是一样的,也即对两个区域来说都是提高其亮度的,所以受到反光影响后的孔蚀区域和正常区域,其灰度差异依然是较大的。
所以可以确定,不论受到反光影响与否,孔蚀区域均发生在灰度变化比较剧烈的边缘附近,本申请由此对超像素块聚类得到孔蚀区域的聚类过程中的生长种子点进行确定。且容易理解的是,该由超像素块聚类得到孔蚀区域的聚类过程中的生长种子点,实际上便是经超像素分割而得到的一系列超像素块中的某些超像素块。
灰度跳变值是由相邻两个超像素块各自的灰度均值之间的差值,以及相邻两个超
像素块的重合线上,所有像素点处灰度值的梯度幅值来综合表征的,可以同时反应两个超
像素块之间整体的灰度变化情况和重合线处局部的灰度变化情况,如果相邻两个超像素块
各自的灰度均值之间的差值越大,且它们之间重合线上所有像素点处灰度值的梯度幅值越
大,则灰度跳变指数越大:
其中为超像素块的序号,为第i个超像素块,为与第i个超像素块近邻
的超像素块,和分别代表的是第i个超像素块所包含的所有像素的灰度均
值以及超像素块所包含的所有像素的灰度均值,为第i个超像素块的中
心坐标,为超像素块的中心坐标,代表
的是中心坐标与的空间位置距离,为第i个超像素块以及与
其临近的超像素块之间的重合线,代表的是重合线上所有像素点处灰度值的
梯度幅值的均值,表示相邻两个超像素块各自的灰度均值之间的差值对灰度跳变指数
的取值影响权重,表示相邻两个超像素块的重合线上所有像素点处灰度值的梯度幅值
的均值对灰度跳变指数的取值影响权重。
然后,由于位于孔蚀区域边缘的超像素块的灰度跳变指数与其它位于比较平缓
区域的超像素块的灰度跳变指数的差距较大,所以可采用OTSU大津法根据超像素块的灰
度跳变指数对超像素块进行筛选,选择灰度跳变指数大于所有灰度跳变指数均值的设定
倍数的超像素块作为预分拣的生长种子点,优选的,本申请选择灰度跳变指数大于所有灰
度跳变指数均值的超像素块作为预分拣的生长种子点。
而考虑到孔蚀区域边缘会同时存在属于孔蚀区的超像素块和属于非孔蚀区的超
像素块,所以继续设置一个可区分灰度均值较大的超像素块与灰度均值较小的超像素块的
灰度阈值,以实现对位于孔蚀区边缘但属于非孔蚀区的预分拣生长种子点的剔除,并保
留灰度均值小于灰度阈值的预分拣生长种子点;优选的,本实施例设置。
由于每个孔蚀区应只设置一个生长种子点,所以本实施例继续设置一个最小空间
距离,并计算经灰度阈值筛选所得的预分拣生长种子点中任意两个预分拣生长种子点
之间的空间距离,若两个预分拣生长种子点之间的空间距离小于最小空间距离,则只保留
其中灰度均值较小的预分拣生长种子点;优选的,本实施例设置。
最终,本发明根据超像素块的灰度跳变指数、灰度均值以及空间位置坐标,完成了对超像素块的分拣筛选,得到了在由超像素块聚类得到孔蚀区域的聚类过程中的生长种子点。
2、根据生长种子点是否处于反光区域,确定聚类方法,完成金属紧固件腐蚀区域的提取分割。
a)、确定生长种子点是否处于反光区域内。
如图2所示,由于金属紧固件属于金属材料,所以在光照条件下其表面会存在反光区域,且反光程度会随着位置的不同而发生变化,在图2中呈现中间区域反光严重而上下两侧区域反光轻微或者不反光的现象。
由于反光现象的存在且不同位置反光程度不同,便会导致处于反光区域内的同一个孔蚀区域中,不同超像素块的灰度均值存在较大差异。不过,即使因反光影响而导致同一个孔蚀区域中的不同超像素块的灰度均值存在较大差异,但由于光的照射方向是固定的,所以对应的反光的方向也同样是固定的,这便导致了处于反光区域内的超像素块中各个像素点处的灰度值梯度方向也是基本一致的。
所以,本发明便可通过判断生长种子点内所有像素点处的灰度值梯度方向之间的相似性,来判断生长种子点是否处于反光区域内。
设置像素点数量占比阈值以及角度阈值,判断该超像素块中每个像素点处灰
度值的梯度方向角与平均梯度方向角的差值是否小于角度阈值,即,若该
超像素块中存在大于像素点数量占比阈值的像素点处的灰度值的梯度方向角与平均梯
度方向角的差值小于角度阈值,则说明该作为生长种子点的超像素块处于反光区域
内,否则,说明该作为生长种子点的超像素块不处于反光区域内;优选的,在本实施例中设
置,。
b)、若生长种子点处于反光区域内,则设置自适应阈值约束作为生长准则完成孔蚀区域的聚类。
将任意两个相邻超像素块的中心点连线,计算两个相邻超像素块的中心点连线路
径上所有像素点处的灰度值的梯度幅值,并求取所有像素点处的灰度值的梯度幅值的均值;然后计算该任意两个相邻超像素块的中心点连线在平均梯度方向角上的投影,得
到基于光照的自适应阈值:
其中,表示超像素块的中心坐标,表示与超像素块相
邻的超像素块的中心坐标,表示中心坐标与中心坐标连线上所有像素点处
灰度值的梯度幅值的均值,表示中心坐标与中心坐标的连线角度,表示生长种子点
的平均梯度方向角,该平均梯度方向角通过对生长种子点中的每一个像素点处的灰度值梯
度方向角取中值得到。
任意两个相邻超像素块所对应的自适应阈值的大小,与这两个相邻超像素
块之间的中心位置距离、中心位置连线与平均梯度方向角的夹角大小以及中心位置连线上
的像素的最大灰度值的梯度幅值大小呈正相关,如果超像素块与其近邻的超像素块的灰度
均值之间的差值小于这两个相邻超像素块所对应的自适应阈值,则将两个超像素块
合并,否则不进行合并操作。
由于各个作为生长种子点的超像素块均处于同一个光照环境下,所以由这些生长
种子点所得到的平均梯度方向角近似相同。那么,关于确定自适应阈值过程中所使
用的平均梯度方向角,便既可以在基于某个生长种子点进行聚类的过程中采用该生长种
子点所对应的平均梯度方向角,也可以求取所有生长种子点所对应的平均梯度方向角
后求均值,然后以所得均值作为最终的新的平均梯度方向角并用于任意两个相邻超像素
块所对应的自适应阈值的计算。
c)、若生长种子点不处于反光区域内,则采用跨域聚类方法进行聚类,并基于腐蚀的形态结构和灰度对跨域聚类过程中不确定的超像素块求解分类概率,完成不确定超像素块的类别划分。
若作为生长种子点的超像素块不处于反光区域内,则可排除反光对孔蚀区域的影
响,此时以作为生长种子点的超像素块为生长起点,在当前超像素块的近邻超像素块中寻
找与当前超像素块之间符合灰度均值相似准则的近邻超像素块,即当前超像素块与近邻超
像素块的灰度均值之间的差值小于灰度均值阈值时,将这两个超像素块进行合并。
而对于那些不满足灰度均值相似准则的近邻超像素块,本实施例并不将其直接排除,而是将其认定为待筛选超像素块,然后在待判断超像素块的近邻超像素块中继续寻找是否有与当前超像素块之间符合灰度均值相似准则的超像素块,如果有则将符合灰度均值相似准则的近邻超像素块合并到当前超像素块所属类,最终实现“跨域”聚类得到孔蚀区域。
聚类完成后对跨域聚类过程中的所有待筛选超像素块进行概率评价:
如果待筛选超像素块与孔蚀区域重合的边界长度越大,其属于孔蚀区域的概率越大,此外待筛选超像素块与近邻的孔蚀区域的灰度差值越小,其越有可能属于近邻的孔蚀区域。由此得出待筛选超像素块属于孔蚀区域的概率评价值为:
其中,为待筛选超像素块,为与待筛选超像素块近邻的且属于孔
蚀区域的所有超像素块合并得到的超像素块区域,和分别代表的是合
并的超像素块区域和待筛选超像素块各自所包含的所有像素点的灰度均值,为待筛选超像素块与近邻孔蚀区域重合的边界长度,为待筛选超像素块的边
界长度,λ为表征合并的超像素块区域的灰度均值与待筛选超像素块的灰度
均值的结构相似度的调节参数,本发明优选设置。
最终,通过上述首选判断所得生长种子点是否处于反光区域内,然后再根据生长种子点是否处于反光区域内分别采用不同的生长聚类手段的过程,本发明便可完成对金属紧固件表面孔蚀区域的准确分割确定,提高对金属紧固件表面腐蚀区域的分割准确度,方便后续化工专家对腐蚀区域进行腐蚀情况分析。
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 (5)
1.一种金属紧固件腐蚀区域分割方法,其特征在于,包括以下步骤:
识别金属紧固件表面,得到金属紧固件表面灰度图像;
对金属紧固件表面灰度图像进行超像素分割,得到设定个数的超像素块;
根据各个超像素块的灰度跳变指数、灰度均值以及空间位置坐标,确定对应的超像素块是否为生长种子点,所述生长种子点作为由超像素块聚类得到孔蚀区域的聚类过程中的生长起始点;
根据生长种子点内所有像素点处的灰度值梯度方向之间的相似性,判断生长种子点是否处于反光区域内;
若生长种子点处于反光区域内,则以自适应阈值约束为生长准则完成孔蚀区域的聚类;
若生长种子点不处于反光区域内,则采用跨域聚类方法进行聚类,并基于腐蚀的形态结构和灰度对跨域聚类过程中不确定的超像素块求解分类概率,根据所得分类概率对不确定的超像素块进行类别划分。
2.根据权利要求1所述一种金属紧固件腐蚀区域分割方法,其特征在于,根据所得设定个数的超像素块的灰度跳变指数、灰度均值以及空间位置坐标,确定由超像素块聚类得到孔蚀区域的聚类过程中的生长种子点的具体过程为:
其中为超像素块的序号,为第i个超像素块,为与第i个超像素块相邻的超
像素块,和分别代表的是第i个超像素块所包含的所有像素的灰度
均值以及超像素块所包含的所有像素的灰度均值,为第i个超像素块的
中心坐标,为超像素块的中心坐标,
代表的是中心坐标与的空间位置距离,为第i个超像素块以
及与其相邻的超像素块之间的重合线,代表的是重合线上所有像素点处灰度
值的梯度幅值的均值,表示相邻两个超像素块各自的灰度均值之间的差值对灰度跳变指
数的取值影响权重,表示相邻两个超像素块的重合线上所有像素点处灰度值的梯度幅
值的均值对灰度跳变指数的取值影响权重;
3.根据权利要求2所述一种金属紧固件腐蚀区域分割方法,其特征在于,根据生长种子点内所有像素点处的灰度值梯度方向之间的相似性,判断生长种子点是否处于反光区域内的具体过程为:
4.根据权利要求3所述一种金属紧固件腐蚀区域分割方法,其特征在于,以自适应阈值约束为生长准则完成孔蚀区域的聚类的具体过程为:
以所述生长种子点为生长起点,将任意两个相邻超像素块的中心点连线,计算两个相
邻超像素块的中心点连线路径上所有像素点处的灰度值的梯度幅值,并求取所有像素点处
的灰度值的梯度幅值的均值;然后计算所述任意两个相邻超像素块的中心点连线在
平均梯度方向角上的投影,得到基于光照的自适应阈值:
其中,表示超像素块的中心坐标,表示与超像素块相邻的
超像素块的中心坐标,表示中心坐标与中心坐标连线上所有像素点处灰度
值的梯度幅值的均值,表示中心坐标与中心坐标的连线角度,表示生长种子点的平
均梯度方向角,该平均梯度方向角通过对生长种子点中的每一个像素点处的灰度值梯度方
向角取中值得到;
5.根据权利要求3所述一种金属紧固件腐蚀区域分割方法,其特征在于,采用跨域聚类方法进行聚类,并基于腐蚀的形态结构和灰度对跨域聚类过程中不确定的超像素块求解分类概率,根据所得分类概率对不确定的超像素块进行类别划分的具体过程为:
以所述生长种子点为生长起点,判断与当前超像素块相邻的超像素块中是否存在与当前超像素块之间满足灰度均值相似性准则的相邻超像素块,将与当前超像素块之间满足灰度均值相似性准则的相邻超像素块与当前超像素块合并;并将与当前超像素块之间不满足灰度均值相似性准则的相邻超像素块作为待筛选超像素块;
继续在与待筛选超像素块相邻的超像素块中寻找是否有与所述当前超像素块之间满足灰度均值相似性准则的超像素块,将与当前超像素块之间满足灰度均值相似性准则的所述与待筛选超像素块相邻的超像素块与当前超像素块合并;
计算待筛选超像素块属于孔蚀区域的概率评价值:
其中,为待筛选超像素块,为与待筛选超像素块近邻的且属于孔蚀区
域的所有超像素块合并得到的超像素块区域,和分别代表的是合并的
超像素块区域和待筛选超像素块各自所包含的所有像素点的灰度均值,为待筛选超像素块与近邻孔蚀区域重合的边界长度,为待筛选超像素块的边
界长度,λ为表征合并的超像素块区域的灰度均值与待筛选超像素块的灰度
均值的结构相似度的调节参数;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211210977.7A CN115294159B (zh) | 2022-09-30 | 2022-09-30 | 金属紧固件腐蚀区域分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211210977.7A CN115294159B (zh) | 2022-09-30 | 2022-09-30 | 金属紧固件腐蚀区域分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115294159A true CN115294159A (zh) | 2022-11-04 |
CN115294159B CN115294159B (zh) | 2022-12-23 |
Family
ID=83833504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211210977.7A Active CN115294159B (zh) | 2022-09-30 | 2022-09-30 | 金属紧固件腐蚀区域分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294159B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115601630A (zh) * | 2022-12-15 | 2023-01-13 | 山东天意装配式建筑装备研究院有限公司(Cn) | 用于墙板模具自动清理机的污渍识别方法 |
CN116342598A (zh) * | 2023-05-29 | 2023-06-27 | 天维云筑预应力科技(天津)有限公司 | 基于机器视觉的钢绞线质量检测方法 |
CN117237396A (zh) * | 2023-11-16 | 2023-12-15 | 山东华盛中天工程机械有限责任公司 | 基于图像特征的钢轨螺栓锈蚀区域分割方法 |
CN117541605A (zh) * | 2024-01-09 | 2024-02-09 | 山东华中重钢有限公司 | 一种钢结构锈蚀图像区域快速分割方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598726A (zh) * | 2018-10-26 | 2019-04-09 | 哈尔滨理工大学 | 一种基于slic的自适应图像目标区域分割方法 |
CN114972329A (zh) * | 2022-07-13 | 2022-08-30 | 江苏裕荣光电科技有限公司 | 基于图像处理的表面缺陷检测仪的图像增强方法及系统 |
CN114998198A (zh) * | 2022-04-24 | 2022-09-02 | 南通夏克塑料包装有限公司 | 一种注塑件表面缺陷识别方法 |
CN115018838A (zh) * | 2022-08-08 | 2022-09-06 | 和诚精密管业(南通)有限公司 | 用于被氧化钢管材料表面麻点瑕疵的识别方法 |
-
2022
- 2022-09-30 CN CN202211210977.7A patent/CN115294159B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598726A (zh) * | 2018-10-26 | 2019-04-09 | 哈尔滨理工大学 | 一种基于slic的自适应图像目标区域分割方法 |
CN114998198A (zh) * | 2022-04-24 | 2022-09-02 | 南通夏克塑料包装有限公司 | 一种注塑件表面缺陷识别方法 |
CN114972329A (zh) * | 2022-07-13 | 2022-08-30 | 江苏裕荣光电科技有限公司 | 基于图像处理的表面缺陷检测仪的图像增强方法及系统 |
CN115018838A (zh) * | 2022-08-08 | 2022-09-06 | 和诚精密管业(南通)有限公司 | 用于被氧化钢管材料表面麻点瑕疵的识别方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115601630A (zh) * | 2022-12-15 | 2023-01-13 | 山东天意装配式建筑装备研究院有限公司(Cn) | 用于墙板模具自动清理机的污渍识别方法 |
CN116342598A (zh) * | 2023-05-29 | 2023-06-27 | 天维云筑预应力科技(天津)有限公司 | 基于机器视觉的钢绞线质量检测方法 |
CN116342598B (zh) * | 2023-05-29 | 2023-08-01 | 天维云筑预应力科技(天津)有限公司 | 基于机器视觉的钢绞线质量检测方法 |
CN117237396A (zh) * | 2023-11-16 | 2023-12-15 | 山东华盛中天工程机械有限责任公司 | 基于图像特征的钢轨螺栓锈蚀区域分割方法 |
CN117237396B (zh) * | 2023-11-16 | 2024-02-06 | 山东华盛中天工程机械有限责任公司 | 基于图像特征的钢轨螺栓锈蚀区域分割方法 |
CN117541605A (zh) * | 2024-01-09 | 2024-02-09 | 山东华中重钢有限公司 | 一种钢结构锈蚀图像区域快速分割方法 |
CN117541605B (zh) * | 2024-01-09 | 2024-03-29 | 山东华中重钢有限公司 | 一种钢结构锈蚀图像区域快速分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115294159B (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115294159B (zh) | 金属紧固件腐蚀区域分割方法 | |
CN114723701B (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN115457041B (zh) | 一种道路质量识别检测方法 | |
CN114419025A (zh) | 一种基于图像处理的纤维板质量评估方法 | |
US10489903B2 (en) | Stepwise refinement detection method for pavement cracks | |
CN113538433A (zh) | 基于人工智能的机械铸件缺陷检测方法及系统 | |
CN117173184B (zh) | 基于人工智能的道路施工质量检测方法及系统 | |
CN115690108B (zh) | 一种基于图像处理的铝合金杆生产质量评估方法 | |
CN103778627B (zh) | 一种基于sar图像的海域溢油检测方法 | |
CN115222733A (zh) | 基于图像识别的金属构件表面缺陷检测方法 | |
CN115082466B (zh) | 一种pcb表面焊点缺陷检测方法及系统 | |
CN115063400B (zh) | 利用视觉手段的乐器生产缺陷检测方法 | |
CN108038838A (zh) | 一种棉麻纤维种类自动检测方法和系统 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN116740072B (zh) | 基于机器视觉的道路表面缺陷检测方法及系统 | |
CN116823822B (zh) | 基于视觉特征的船艇钣金件焊接缺陷检测方法 | |
TW202127371A (zh) | 基於圖像的瑕疵檢測方法及電腦可讀存儲介質 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN112964712A (zh) | 一种快速检测沥青路面状态的方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN115100174B (zh) | 一种船舶钣金件漆面缺陷检测方法 | |
CN112085699A (zh) | 一种基于二维图像的路面裂缝提取方法 |
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 |