CN115330767B - 一种腐蚀箔生产异常识别方法 - Google Patents

一种腐蚀箔生产异常识别方法 Download PDF

Info

Publication number
CN115330767B
CN115330767B CN202211248311.0A CN202211248311A CN115330767B CN 115330767 B CN115330767 B CN 115330767B CN 202211248311 A CN202211248311 A CN 202211248311A CN 115330767 B CN115330767 B CN 115330767B
Authority
CN
China
Prior art keywords
value
gray
pixel point
point
distance
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
CN202211248311.0A
Other languages
English (en)
Other versions
CN115330767A (zh
Inventor
李晓天
陈小兵
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.)
Nantong South Light Electronic Material Co ltd
Original Assignee
Nantong South Light Electronic 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 Nantong South Light Electronic Material Co ltd filed Critical Nantong South Light Electronic Material Co ltd
Priority to CN202211248311.0A priority Critical patent/CN115330767B/zh
Publication of CN115330767A publication Critical patent/CN115330767A/zh
Application granted granted Critical
Publication of CN115330767B publication Critical patent/CN115330767B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • 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
    • 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
    • G06T2207/20004—Adaptive image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种腐蚀箔生产异常识别方法，该方法获取腐蚀箔灰度图，根据像素点的灰度值和欧式距离将腐蚀箔灰度图分为三类区域，计算每个像素点的异常概率，选取灰度均值最大的类别作为目标类别，由目标类别中灰度值最大的像素点得到目标像素点，根据每个区域中每个像素点与目标像素点的位置关系计算每个像素点的距离调节权重值；结合距离调节权重值和灰度值获取像素点的调整权重值；利用调整权重值对异常概率进行调整得到新异常概率，基于新异常概率对腐蚀箔灰度图进行滤波处理，得到滤波图像，对滤波图像进行腐蚀箔凸点缺陷识别。本发明在保证图像信息不丢失的前提下，提高了腐蚀箔的凸点缺陷识别结果。

Description

一种腐蚀箔生产异常识别方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种腐蚀箔生产异常识别方法。
背景技术
腐蚀箔时经过腐蚀的铝箔，往往用于电容器制造，是最基本的电子元件材料之一，被广泛用于各类电子产品中。在腐蚀箔的生产过程中往往需要无尘清洁车间，很容易产生缺陷，尤其是腐蚀箔表面凸点缺陷会严重影响腐蚀箔成品的生产质量，因此对于腐蚀箔表面凸点缺陷精准检测是个亟待解决的问题。
在腐蚀箔的凸点缺陷精准识别过程中，通过表面凸点处的平面的凸出特性可以检测出大概方位，但是由于采集环境以及设备的影响，往往采集的图像会受到不同程度的噪声影响，这些噪声极大的影响着采集的图像的质量，进而会在凸点缺陷精准识别凸点边缘的过程中产生错误的识别结果。图像滤波是一种使用一定的窗口大小作为处理单元，通过计算每个窗口内的中心像素点和邻域像素点之间的灰度分布特性，重新计算得到中心像素点的灰度值。但是传统的滤波算法，并未考虑邻域像素点本身对中心像素点的影响权重值，因此获取的滤波后的结构，往往会丢失很多图像信息，并且滤波效果也不好。
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腐蚀箔生产异常识别方法，所采用的技术方案具体如下：
本发明实施例中提供了一种腐蚀箔生产异常识别方法，该方法包括以下步骤：
对腐蚀箔的表面进行图像采集，对采集的图像进行语义分割得到腐蚀箔图像，对腐蚀箔图像进行灰度化处理，得到对应的腐蚀箔灰度图；
分别计算每个像素点及其八邻域范围内其他像素点之间的灰度值方差，将灰度值方差作为对应像素点的异常概率；根据像素点的灰度值和欧式距离对腐蚀箔灰度图中的像素点进行聚类，得到多个类别，根据每个类别对应的灰度均值将腐蚀箔灰度图分为三类区域，分别为正常腐蚀箔表面区域、凸点起伏表面区域和凸点阴影表面区域；
选取灰度均值最大的类别作为目标类别，将目标类别中灰度值最大的像素点作为凸点顶点，任选一个凸点顶点作为目标像素点，对于凸点起伏表面区域中的当前像素点，计算当前像素点与目标类别中距离最近的第一边缘点，并得到当前像素点与第一边缘点的第一距离；获取当前像素点与第一边缘点所在直线与当前像素点所属类别的最外边缘相交的第二边缘点，分别计算第一边缘点和第二边缘点的第二距离、第一边缘点与目标像素点的第三距离，结合第一距离、第二距离和第三距离得到凸点起伏表面区域中的当前像素点的距离调节权重值；
将凸点阴影表面区域的每个像素点与目标像素点相连，根据连线上的灰度值变化将凸点阴影表面区域中的像素点分为两类，分别计算每类中每个像素点的距离调节权重值；令正常腐蚀箔表面区域中每个像素点的距离调节权重值为0；
结合腐蚀箔灰度图中每个像素点的距离调节权重值和灰度值获取对应像素点的调整权重值；利用调整权重值对异常概率进行调整得到每个像素点的新异常概率，基于新异常概率获取自适应滤波参数以对腐蚀箔灰度图进行滤波处理，得到滤波图像，对滤波图像进行腐蚀箔凸点缺陷识别。
进一步的，所述根据每个类别对应的灰度均值将腐蚀箔灰度图分为三类区域的方法，包括：
像素个数最多的类别初始划分为正常腐蚀箔表面区域；计算每个类别的灰度均值，计算每个类别的灰度均值与像素个数最多的类别的灰度均值之间的差值，当差值大于0，对应类别属于凸点起伏表面区域；当差值小于0，对应类别属于凸点阴影表面区域。
进一步的，所述结合第一距离、第二距离和第三距离得到凸点起伏表面区域中的当前像素点的距离调节权重值的方法，包括：
计算第一距离和第二距离的比值，将该比值与第三距离相加的结果的相反数输入以自然数e为底数的指数函数，得到的结果即为距离调节权重值。
进一步的，所述根据连线上的灰度值变化将凸点阴影表面区域中的像素点分为两类的方法，包括：
分别将每个像素点与目标像素点进行连线，若连线上的灰度值不是全部递减或全部递增，则将这些像素点划分为一类，反之划分为另一类。
进一步的，所述调整权重值的计算公式为：
Figure 459169DEST_PATH_IMAGE001
其中，
Figure 902657DEST_PATH_IMAGE002
为第
Figure 225054DEST_PATH_IMAGE003
个像素点的调整权重值，
Figure 461126DEST_PATH_IMAGE004
表示第
Figure 83737DEST_PATH_IMAGE003
个像素点的灰度值；
Figure 744132DEST_PATH_IMAGE005
表示第
Figure 22667DEST_PATH_IMAGE003
个像素点的距离调整权重值；
Figure 669286DEST_PATH_IMAGE006
为腐蚀箔灰度图中像素点的距离调节权重值和灰度值的乘积的最大值；
Figure 179027DEST_PATH_IMAGE007
为腐蚀箔灰度图中像素点的距离调节权重值和灰度值的乘积的最小值。
进一步的，所述新异常概率的获取方法，包括：
将常数1减去调整权重值的结果乘以对应像素点的异常概率得到新异常概率。
进一步的，所述对滤波图像进行腐蚀箔凸点缺陷识别的方法，包括：
通过OTSU阈值算法，得到第一阈值和第一阈值，其中第一阈值大于第二阈值；将小于第二阈值的像素点的像素值设置为0，小于第一阈值并且大于第二阈值的像素点的像素值设置为0.5，大于第一阈值的像素点的像素值设置为1，其中像素值为1和像素值为0的像素点代表腐蚀箔的精确凸点缺陷位置，进而得到滤波图像中腐蚀箔的凸点缺陷位置。
本发明实施例至少具有如下有益效果：本案中根据每个像素点本身在局部区域内的灰度分布特性，以及每个窗口内像素点的灰度分布特性，计算得到每个像素点的原始异常概率值，并根据每个像素点本身在局部区域内的灰度分布特性，对每个像素点的异常概率值进行调整，进而得到自适应的滤波核参数，避免了传统的滤波算法中，仅以设置固定权重的滤波窗口内像素点的灰度值的特征进行噪声去除，即而得到较好的滤波效果的同时，保证图像信息不丢失，进而为之后腐蚀箔的凸点缺陷精确识别过程中减少噪声的干扰。
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腐蚀箔生产异常识别方法的步骤流程图；
图2为像素点
Figure 308526DEST_PATH_IMAGE008
的距离调节权重值的计算示意图。
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腐蚀箔生产异常识别方法，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。
本发明所针对的情景为：在腐蚀箔表面凸点缺陷检测过程中，由于受到噪声的影响，会对凸点缺陷检测的结果中，区分不出精确的凸点缺陷的分区域范围。
下面结合附图具体的说明本发明所提供的一种腐蚀箔生产异常识别方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种腐蚀箔生产异常识别方法的步骤流程图，该方法包括以下步骤：
步骤S001，对腐蚀箔的表面进行图像采集，对采集的图像进行语义分割得到腐蚀箔图像，对腐蚀箔图像进行灰度化处理，得到对应的腐蚀箔灰度图。
具体的，本案中通过布置图像采集系统，采集腐蚀箔表面的图像，其中图像采集系统包括：高分辨率CCD工业相机，光源，支架，旋转托辊等。由于采集的腐蚀箔表面的图像中存在其余背景类的区域，因此对采集的腐蚀箔表面的图像进行语义分割处理，其中语义分割网络采用DNN网络，训练数据采用腐蚀箔表面的图像集，并采用人工标注的方式，将腐蚀箔表面的图像人工标注为1，背景类图像人工标注为0，所使用的损失函数为交叉熵函数。
通过语义分割得到腐蚀箔图像，对腐蚀箔图像进行灰度化预处理得到对应的腐蚀箔灰度图，用于之后分析。
需要说明的是，灰度化预处理为公知技术，本方案不再赘述。
步骤S002，根据像素点的灰度值和欧式距离对腐蚀箔灰度图中的像素点进行聚类，得到多个类别，根据每个类别对应的灰度均值将腐蚀箔灰度图分为三类区域，分别为正常腐蚀箔表面区域、凸点起伏表面区域和凸点阴影表面区域；分别计算每个像素点及其八邻域范围内其他像素点之间的灰度值方差，将灰度值方差作为对应像素点的异常概率。
具体的，首先进行采集的腐蚀箔灰度图的初始划分，需要对腐蚀箔灰度图中的像素点进行
Figure 385941DEST_PATH_IMAGE009
聚类，将腐蚀箔灰度图的像素点按照灰度值和欧式距离分为
Figure 695307DEST_PATH_IMAGE010
类，其中
Figure 292510DEST_PATH_IMAGE009
聚类为公知技术，在本方案中不再赘述。
根据任意两个像素点之间的灰度值差值和欧式距离得到对应两个像素点之间的差异距离，基于差异距离，利用
Figure 32058DEST_PATH_IMAGE009
聚类将腐蚀箔灰度图中的像素点分为K个类别，本方案中
Figure 347502DEST_PATH_IMAGE011
，其中
Figure 929399DEST_PATH_IMAGE010
值的具体大小可根据实施者具体实施情况而定，本案给出的为经验参考值。
由于本案需要检测腐蚀箔的凸点缺陷，因此腐蚀箔表面存在三类区域：正常腐蚀箔表面区域，凸点起伏表面区域，凸点阴影表面区域。其中正常的腐蚀箔表面区域为非凸点缺陷的区域，该正常腐蚀箔表面区域的灰度值表现为均一的背景灰度值，并且对应的像素点个数最多，虽然会受到噪声的影响，但是其整体的背景灰度值均值未发生较大的变化；凸点起伏表面区域为凸点缺陷区域，该凸点起伏表面区域的是由正常的腐蚀箔表面逐渐向凸点顶面，其灰度值逐渐从背景灰度值至较大的灰度值，呈现越趋近于凸点顶面灰度值越大的特性；凸点阴影表面区域为凸点缺陷侧面区域，该凸点缺陷侧面区域是由凸点顶面逐渐向正常的腐蚀箔表面，其灰度值逐渐从凸点顶面的灰度值至小于背景灰度值，然后至背景灰度值。因此，对于不同的区域，其中不同区域的像素点的灰度值表现不同，在不同区域中不同的像素点的影响权重值也不同。
对于腐蚀箔灰度图的K个类别，可能会存在多个类别属于同一个区域内，因此根据不同类的范围的像素点的灰度分布特性，判定哪些类别组成了正常腐蚀箔表面区域，凸点起伏表面区域，凸点阴影表面区域。由于正常腐蚀箔表面区域在所有类别中属于像素点个数最多的一类，因此将像素个数最多的类别初始划分为正常腐蚀箔表面区域，然后以像素个数最多的类别为划分标准，得到凸点起伏表面区域，和凸点阴影表面区域，具体的划分过程为：计算第
Figure 381109DEST_PATH_IMAGE012
类别的灰度均值
Figure 822717DEST_PATH_IMAGE013
与像素点个数最多的类别对应的灰度均值
Figure 625457DEST_PATH_IMAGE014
之间的差异
Figure 11046DEST_PATH_IMAGE015
，若
Figure 317262DEST_PATH_IMAGE016
，则表明
Figure 664192DEST_PATH_IMAGE017
，将第
Figure 95173DEST_PATH_IMAGE012
类别初始划分为凸点起伏表面区域；若
Figure 651549DEST_PATH_IMAGE018
，则表明
Figure 484376DEST_PATH_IMAGE019
，将第
Figure 500742DEST_PATH_IMAGE012
类别初始划分为凸点阴影表面区域。
上述得到的每个像素点的区域的仅为初始划分，划分区域的依据仅为受到噪声影响后的图像的划分，与实际的腐蚀箔凸点区域划分存在部分差异，因此本案需要根据划分后的像素点进行自适应滤波核参数，进而得到去噪后的图像，进而精准的确定腐蚀箔凸点表面缺陷的位置以及精准划分。
计算得到每个像素点的异常概率，进行自适应滤波核参数的计算，其中每个像素点的异常概率与其本身灰度值分布有关，通过该窗口内的异常概率来表征该窗口内的灰度值分布，其中，腐蚀箔灰度图中第
Figure 920484DEST_PATH_IMAGE008
个像素点的异常概率
Figure 946078DEST_PATH_IMAGE020
的计算表达式为：
Figure 633411DEST_PATH_IMAGE021
其中，
Figure 584793DEST_PATH_IMAGE022
表示第
Figure 724788DEST_PATH_IMAGE008
个像素点为中心像素点的窗口内第
Figure 55537DEST_PATH_IMAGE023
个像素点的灰度值；
Figure 597377DEST_PATH_IMAGE024
表示第
Figure 221125DEST_PATH_IMAGE008
个像素点为中心像素点的窗口内像素点的灰度均值。
需要说明的是，通过窗口内的灰度值方差来表征当前像素点的异常概率，灰度值方差越大，当前像素点的异常概率就越大。
利用异常概率的计算公式能够得到腐蚀箔灰度图中每个像素点的异常概率。
步骤S003，选取灰度均值最大的类别作为目标类别，将目标类别中灰度值最大的像素点作为凸点顶点，任选一个凸点顶点作为目标像素点，对于凸点起伏表面区域中的当前像素点，计算当前像素点与目标类别中距离最近的第一边缘点，并得到当前像素点与第一边缘点的第一距离；获取当前像素点与第一边缘点所在直线与当前像素点所属类别的最外边缘相交的第二边缘点，分别计算第一边缘点和第二边缘点的第二距离、第一边缘点与目标像素点的第三距离，结合第一距离、第二距离和第三距离得到凸点起伏表面区域中的当前像素点的距离调节权重值。
具体的，由先验知识得到，噪声与图像之间具有相关性，图像采集设备的光信号与噪声有关，黑暗部分噪声的影响程度较大，明亮部分噪声的影响程度小。由于腐蚀箔的凸点为椭圆形状，对于凸点起伏表面区域灰度值最大的类（凸点缺陷的最顶面类）被灰度值均值第二大的类包围起来，并且灰度值均值第二的类被下一类包围，依次类推，直到被正常腐蚀箔表面区域对应的类包围；对于凸点阴影表面区域灰度值最小的类被灰度值均值第二小的类包围起来，并且灰度值均值第二小的类被下一小的类包围，依次类推，直到被正常腐蚀箔表面区域对应的类包围，示意图如图所示。则若仅简单的以灰度值大的像素点的受噪声影响程度小作为影响权重值的计算会得到错误的结果，即对于灰度值较大的像素点，无法确定其是由于噪声引起的，还是由于本身的凸点分布引起，因此每个像素点的异常概率是指噪声影响下的异常概率值，故需要对步骤SOO2中获取的每个像素点的异常概率进行调整，而每个不同区域的像素点对应的调整量不同。
计算每个类别的灰度均值，最大的灰度均值对应的类别为凸点缺陷的最顶面区域，因此通过选取灰度均值最大的类别作为目标类别，将目标类别中灰度值最大的像素点作为凸点顶点，若存在多个灰度值最大的像素点，任意选择其中一个像素点为凸点顶点
Figure 346951DEST_PATH_IMAGE025
，并将凸点顶点
Figure 855293DEST_PATH_IMAGE025
作为目标像素点。
通过计算同一类别之间像素点与目标像素点
Figure 641852DEST_PATH_IMAGE025
的距离作为距离调节权重，距离越大表明当前像素点本身的灰度值越大，则其受到的噪声程度较小，对应的需要距离调节权重越小。
对于凸点起伏表面区域，由于该区域中的不同类别之间不存在其他区域的影响，因此仅需要通过计算凸点起伏表面区域中的像素点
Figure 78912DEST_PATH_IMAGE008
与目标类别中，距离像素点
Figure 193498DEST_PATH_IMAGE008
最近的目标类别的第一边缘点
Figure 364585DEST_PATH_IMAGE026
之间的第一距离
Figure 379553DEST_PATH_IMAGE027
，若像素点
Figure 345103DEST_PATH_IMAGE008
在目标类别中，则计算像素点
Figure 212565DEST_PATH_IMAGE008
和目标像素点
Figure 298595DEST_PATH_IMAGE025
之间的第一距离；延长像素点
Figure 794167DEST_PATH_IMAGE008
与第一边缘点
Figure 71565DEST_PATH_IMAGE026
所在的直线，获取直线与像素点
Figure 518333DEST_PATH_IMAGE008
所在类别的外边缘相交的第二边缘点
Figure 906590DEST_PATH_IMAGE028
，计算第一边缘点和第二边缘点之间的第二距离
Figure 758133DEST_PATH_IMAGE029
，若像素点
Figure 940853DEST_PATH_IMAGE008
在目标类别中，则计算目标像素点
Figure 641961DEST_PATH_IMAGE025
，和像素点
Figure 66864DEST_PATH_IMAGE008
与目标像素点
Figure 412395DEST_PATH_IMAGE025
所在的直线与目标类别的边缘相交的点之间的第二距离；计算第一边缘点
Figure 156229DEST_PATH_IMAGE026
与目标像素点
Figure 721465DEST_PATH_IMAGE030
之间的第三距离
Figure 310578DEST_PATH_IMAGE031
，如图2所示，结合第一距离、第二距离和第三距离得到凸点起伏表面区域中的像素点
Figure 245036DEST_PATH_IMAGE008
的距离调节权重值，则距离调节权重值的计算公式为：
Figure 658306DEST_PATH_IMAGE032
式中，
Figure 943794DEST_PATH_IMAGE033
表示以自然数e为底数的指数函数。
其中，第三距离
Figure 838063DEST_PATH_IMAGE031
越小，表明像素点
Figure 158186DEST_PATH_IMAGE008
距离目标像素点
Figure 384768DEST_PATH_IMAGE030
越近，对应的距离调节权重值就越大；
Figure 515142DEST_PATH_IMAGE034
值越小，表明像素点
Figure 852582DEST_PATH_IMAGE008
在其所属的类别中距离目标像素点
Figure 151845DEST_PATH_IMAGE030
越近，则对应的距离调节权重值就越大。
利用距离调节权重值的计算公式，能够得到凸点起伏表面区域中每个像素点的距离调节权重值。
步骤S004，将凸点阴影表面区域的每个像素点与目标像素点相连，根据连线上的灰度值变化将凸点阴影表面区域中的像素点分为两类，分别计算每类中每个像素点的距离调节权重值；令正常腐蚀箔表面区域中每个像素点的距离调节权重值为0。
具体的，对于凸点阴影表面区域，由于该区域中靠近凸点起伏表面区域的方向的灰度值变化与凸点起伏表面的灰度值变化相同，该方向上距离目标像素点
Figure 519635DEST_PATH_IMAGE030
越近，灰度值越大，首先需要对凸点阴影表面区域中的像素点进行方向划分，并根据划分时的准则计算距离调整权重值，其中像素点方向划分过程为：对于像素点
Figure 45294DEST_PATH_IMAGE023
，将像素点
Figure 779901DEST_PATH_IMAGE023
与目标像素点
Figure 596589DEST_PATH_IMAGE030
进行连线，判定该连线上灰度值的变化，若灰度值呈现不同的变化趋势，即灰度值不是全部递减，或全部递增，则表明像素点
Figure 492869DEST_PATH_IMAGE023
在靠近凸点起伏表面区域的方向，反之亦然。
对于凸点阴影表面区域中靠近凸点起伏表面区域的方向所对应的像素点，利用步骤S003中距离调节权重值的获取方法，计算凸点阴影表面区域中靠近凸点起伏表面区域的方向所对应的每个像素点的距离调节权重值。
将凸点阴影表面区域中靠近凸点起伏表面区域的方向所对应的像素点作为一类，剩余像素点作为另一类，也即将与凸点起伏表面区域的方向相反的像素点作为一类。对于另一类中每个像素点的距离调节权重值，其获取方法为：以像素点
Figure 240245DEST_PATH_IMAGE035
为例，获取像素点
Figure 14429DEST_PATH_IMAGE035
与目标像素点
Figure 22705DEST_PATH_IMAGE030
的连线与像素点
Figure 729367DEST_PATH_IMAGE035
所在类别的第三外边缘点
Figure 823094DEST_PATH_IMAGE036
，计算第三外边缘点与像素点
Figure 135389DEST_PATH_IMAGE035
之间的第一欧式距离
Figure 139117DEST_PATH_IMAGE037
、第三外边缘点与像素点
Figure 642780DEST_PATH_IMAGE035
所在类别的内边缘点
Figure 597704DEST_PATH_IMAGE038
之间的第二欧式距离
Figure 618750DEST_PATH_IMAGE039
、以及第三外边缘点
Figure 273722DEST_PATH_IMAGE036
与目标像素点
Figure 620390DEST_PATH_IMAGE030
之间的第三欧式距离
Figure 596698DEST_PATH_IMAGE040
，结合第一欧式距离、第二欧式距离和第三欧式距离得到像素点
Figure 421435DEST_PATH_IMAGE035
的距离调节权重值，则距离调节权重值的计算公式为：
Figure 930913DEST_PATH_IMAGE041
式中，
Figure 448482DEST_PATH_IMAGE033
表示以自然数e为底数的指数反函数。
同时，令正常腐蚀箔表面区域中每个像素点的距离调节权重值为0，进而得到腐蚀箔灰度图中每个像素点的距离调节权重值。
步骤S005，结合腐蚀箔灰度图中每个像素点的距离调节权重值和灰度值获取对应像素点的调整权重值；利用调整权重值对异常概率进行调整得到每个像素点的新异常概率，基于新异常概率获取自适应滤波参数以对腐蚀箔灰度图进行滤波处理，得到滤波图像，对滤波图像进行腐蚀箔凸点缺陷识别。
具体的，在考虑每个像素点的距离调整权重值之后，由于每个像素点的调节权重值还与其自身像素点的灰度值有关，因此，结合腐蚀箔灰度图中每个像素点的距离调节权重值和灰度值获取对应像素点的调整权重值，则第
Figure 909157DEST_PATH_IMAGE003
个像素点的调整权重值
Figure 537585DEST_PATH_IMAGE002
的计算表达式为：
Figure 635991DEST_PATH_IMAGE042
式中，
Figure 324461DEST_PATH_IMAGE004
表示第
Figure 275362DEST_PATH_IMAGE003
个像素点的灰度值；
Figure 707480DEST_PATH_IMAGE005
表示第
Figure 925972DEST_PATH_IMAGE003
个像素点的距离调整权重值；
Figure 926289DEST_PATH_IMAGE006
为腐蚀箔灰度图中像素点的距离调节权重值和灰度值的乘积的最大值；
Figure 863021DEST_PATH_IMAGE007
为腐蚀箔灰度图中像素点的距离调节权重值和灰度值的乘积的最小值。
其中，每个像素点的调节权重值与每个像素点的灰度值和距离调整权重值有关，若像素点的灰度值越大，距离调整权重值越大，对应的该像素点的异常概率就越小。
根据上述步骤计算得到的每个像素点的调整权重值，利用调整权重值对异常概率进行调整得到每个像素点的新异常概率，则对应的第
Figure 331786DEST_PATH_IMAGE003
个像素点的新异常概率的计算表达式为：
Figure 670364DEST_PATH_IMAGE043
式中，
Figure 700637DEST_PATH_IMAGE002
表示第
Figure 859085DEST_PATH_IMAGE003
个像素点的调整权重值；
Figure 134471DEST_PATH_IMAGE044
表示第
Figure 327555DEST_PATH_IMAGE003
个像素点的原始异常概率值。
根据每个像素点的调整后得到的新异常概率进行自适应滤波参数，即对于每个滤波窗口中，根据窗口中每个像素点的新异常概率给对应的像素点设置权重值，以对腐蚀箔灰度图进行滤波处理，得到滤波图像，其中具体的滤波算法为公知技术，在本案中不再赘述。
得到滤波处理后的滤波图像后，通过OTSU阈值算法，得到第一阈值
Figure 528729DEST_PATH_IMAGE045
和第一阈值
Figure 174474DEST_PATH_IMAGE046
，其中
Figure 985042DEST_PATH_IMAGE047
。将小于第二阈值
Figure 32633DEST_PATH_IMAGE046
的像素点的像素值设置为0，小于第一阈值
Figure 404708DEST_PATH_IMAGE045
并且大于第二阈值
Figure 537749DEST_PATH_IMAGE046
的像素点的像素值设置为0.5，大于第一阈值
Figure 420517DEST_PATH_IMAGE045
的像素点的像素值设置为1，其中像素值为1和像素值为0的像素点代表腐蚀箔的精确凸点缺陷位置，进而得到滤波图像中腐蚀箔的凸点缺陷位置。
综上所述，本发明实施例获取腐蚀箔灰度图，根据像素点的灰度值和欧式距离将腐蚀箔灰度图分为三类区域，计算每个像素点的异常概率，选取灰度均值最大的类别作为目标类别，将目标类别中灰度值最大的像素点作为凸点顶点，任选一个凸点顶点作为目标像素点，根据每个区域中每个像素点与目标像素点的位置关系计算每个像素点的距离调节权重值；结合距离调节权重值和灰度值获取对应像素点的调整权重值；利用调整权重值对异常概率进行调整得到每个像素点的新异常概率，基于新异常概率对腐蚀箔灰度图进行滤波处理，得到滤波图像，对滤波图像进行腐蚀箔凸点缺陷识别。本发明在保证图像信息不丢失的前提下，提高了腐蚀箔的凸点缺陷识别结果。
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 (5)

1.一种腐蚀箔生产异常识别方法，其特征在于，该方法包括以下步骤：
对腐蚀箔的表面进行图像采集，对采集的图像进行语义分割得到腐蚀箔图像，对腐蚀箔图像进行灰度化处理，得到对应的腐蚀箔灰度图；
分别计算每个像素点及其八邻域范围内其他像素点之间的灰度值方差，将灰度值方差作为对应像素点的异常概率；根据像素点的灰度值和欧式距离对腐蚀箔灰度图中的像素点进行聚类，得到多个类别，根据每个类别对应的灰度均值将腐蚀箔灰度图分为三类区域，分别为正常腐蚀箔表面区域、凸点起伏表面区域和凸点阴影表面区域；
选取灰度均值最大的类别作为目标类别，将目标类别中灰度值最大的像素点作为凸点顶点，任选一个凸点顶点作为目标像素点，对于凸点起伏表面区域中的当前像素点，计算当前像素点与目标类别中距离最近的第一边缘点，并得到当前像素点与第一边缘点的第一距离；获取当前像素点与第一边缘点所在直线与当前像素点所属类别的最外边缘相交的第二边缘点，分别计算第一边缘点和第二边缘点的第二距离、第一边缘点与目标像素点的第三距离，结合第一距离、第二距离和第三距离得到凸点起伏表面区域中的当前像素点的距离调节权重值；
将凸点阴影表面区域的每个像素点与目标像素点相连，根据连线上的灰度值变化将凸点阴影表面区域中的像素点分为两类，分别计算每类中每个像素点的距离调节权重值；令正常腐蚀箔表面区域中每个像素点的距离调节权重值为0；
结合腐蚀箔灰度图中每个像素点的距离调节权重值和灰度值获取对应像素点的调整权重值；利用调整权重值对异常概率进行调整得到每个像素点的新异常概率，基于新异常概率获取自适应滤波参数以对腐蚀箔灰度图进行滤波处理，得到滤波图像，对滤波图像进行腐蚀箔凸点缺陷识别；
所述调整权重值的计算公式为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为第
Figure DEST_PATH_IMAGE006
个像素点的调整权重值，
Figure DEST_PATH_IMAGE008
表示第
Figure 929287DEST_PATH_IMAGE006
个像素点的灰度值；
Figure DEST_PATH_IMAGE010
表示第
Figure 236641DEST_PATH_IMAGE006
个像素点的距离调整权重值；
Figure DEST_PATH_IMAGE012
为腐蚀箔灰度图中像素点的距离调节权重值和灰度值的乘积的最大值；
Figure DEST_PATH_IMAGE014
为腐蚀箔灰度图中像素点的距离调节权重值和灰度值的乘积的最小值；
所述新异常概率的获取方法，包括：
将常数1减去调整权重值的结果乘以对应像素点的异常概率得到新异常概率。
2.如权利要求1所述的一种腐蚀箔生产异常识别方法，其特征在于，所述根据每个类别对应的灰度均值将腐蚀箔灰度图分为三类区域的方法，包括：
像素个数最多的类别初始划分为正常腐蚀箔表面区域；计算每个类别的灰度均值，计算每个类别的灰度均值与像素个数最多的类别的灰度均值之间的差值，当差值大于0，对应类别属于凸点起伏表面区域；当差值小于0，对应类别属于凸点阴影表面区域。
3.如权利要求1所述的一种腐蚀箔生产异常识别方法，其特征在于，所述结合第一距离、第二距离和第三距离得到凸点起伏表面区域中的当前像素点的距离调节权重值的方法，包括：
计算第一距离和第二距离的比值，将该比值与第三距离相加的结果的相反数输入以自然数e为底数的指数函数，得到的结果即为距离调节权重值。
4.如权利要求1所述的一种腐蚀箔生产异常识别方法，其特征在于，所述根据连线上的灰度值变化将凸点阴影表面区域中的像素点分为两类的方法，包括：
分别将每个像素点与目标像素点进行连线，若连线上的灰度值不是全部递减或全部递增，则将这些像素点划分为一类，反之划分为另一类。
5.如权利要求1所述的一种腐蚀箔生产异常识别方法，其特征在于，所述对滤波图像进行腐蚀箔凸点缺陷识别的方法，包括：
通过OTSU阈值算法，得到第一阈值和第一阈值，其中第一阈值大于第二阈值；将小于第二阈值的像素点的像素值设置为0，小于第一阈值并且大于第二阈值的像素点的像素值设置为0.5，大于第一阈值的像素点的像素值设置为1，其中像素值为1和像素值为0的像素点代表腐蚀箔的凸点缺陷位置，进而得到滤波图像中腐蚀箔的凸点缺陷位置。
CN202211248311.0A 2022-10-12 2022-10-12 一种腐蚀箔生产异常识别方法 Active CN115330767B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211248311.0A CN115330767B (zh) 2022-10-12 2022-10-12 一种腐蚀箔生产异常识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211248311.0A CN115330767B (zh) 2022-10-12 2022-10-12 一种腐蚀箔生产异常识别方法

Publications (2)

Publication Number Publication Date
CN115330767A CN115330767A (zh) 2022-11-11
CN115330767B true CN115330767B (zh) 2023-03-31

Family

ID=83914845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211248311.0A Active CN115330767B (zh) 2022-10-12 2022-10-12 一种腐蚀箔生产异常识别方法

Country Status (1)

Country Link
CN (1) CN115330767B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115526890B (zh) * 2022-11-25 2023-03-24 深圳市腾泰博科技有限公司 一种电唱机唱头故障因素识别方法
CN116109604B (zh) * 2023-02-21 2023-11-07 天合光能(宿迁)光电有限公司 用于TOPCon结构太阳能电池板的栅线检测方法
CN116485832B (zh) * 2023-06-25 2023-08-29 山东九思新材料科技有限责任公司 用于废硅片回收的不均布流体杂质边缘精准检测方法
CN116664577B (zh) * 2023-08-01 2023-11-14 山东天亚达新材料科技有限公司 基于碳纤维连接头图像处理的异常识别提取方法
CN116758057A (zh) * 2023-08-10 2023-09-15 山东贺铭电气有限公司 基于人工智能的通信设备缺陷检测方法
CN117764893B8 (zh) * 2024-01-08 2024-07-19 广东上善精机有限公司 一种数控机床刀具磨损识别方法及系统
CN117853933B (zh) * 2024-03-07 2024-05-17 山东矿通智能装备有限公司 一种用于露天煤矿开采的煤层识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109961465B (zh) * 2017-12-21 2024-04-26 东莞东阳光科研发有限公司 一种基于多重分形的腐蚀箔表面隧道孔均匀性表征方法
CN111754413A (zh) * 2019-03-29 2020-10-09 北京京东尚科信息技术有限公司 图像处理方法、装置、设备及存储介质
CN115115642A (zh) * 2022-08-30 2022-09-27 启东万惠机械制造有限公司 基于图像处理的带钢结疤缺陷检测方法

Also Published As

Publication number Publication date
CN115330767A (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN115330767B (zh) 一种腐蚀箔生产异常识别方法
CN115829883B (zh) 一种异性金属结构件表面图像去噪方法
CN116168026B (zh) 基于计算机视觉的水质检测方法及系统
CN114359270B (zh) 基于计算机视觉的汽车发动机油路铜套缺陷检测方法
CN116740070B (zh) 基于机器视觉的塑料管道外观缺陷检测方法
CN113963042B (zh) 基于图像处理的金属零件缺陷程度评估方法
CN114372983B (zh) 一种基于图像处理的屏蔽盒涂装质量检测方法及系统
KR101901961B1 (ko) 부품을 인식하기 위한 장치 및 그 방법
CN113205063A (zh) 一种输电导线缺陷的视觉识别及定位方法
CN115018828A (zh) 一种电子元器件的缺陷检测方法
CN113781482B (zh) 一种复杂环境下机械零件裂纹缺陷检测方法及系统
CN116091504B (zh) 基于图像处理的连接管连接头质量检测方法
CN115511889A (zh) 一种太阳能电池板支架表面焊接缺陷检测方法
CN117197140B (zh) 基于机器视觉的不规则金属扣成型检测方法
CN115018846B (zh) 基于ai智能相机的多目标裂纹缺陷检测方法和装置
CN116228780B (zh) 基于计算机视觉的硅片缺陷检测方法及系统
CN115775250A (zh) 基于数字图像分析的金手指电路板缺陷快速检测系统
CN115311262A (zh) 一种印刷电路板缺陷识别方法
CN115601368A (zh) 一种建材装备钣金件缺陷检测方法
CN114119603A (zh) 基于图像处理的快餐盒短射缺陷检测方法
CN115330758A (zh) 基于去噪处理的焊接质量检测方法
CN114820625A (zh) 一种汽车顶块缺陷检测方法
CN117808799B (zh) 基于人工智能的倒角设备加工质量检测方法
CN117705815B (zh) 一种基于机器视觉的印刷缺陷检测方法
CN117808796B (zh) 一种基于计算机视觉的齿轮表面损伤检测方法

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