CN115375688A - 一种用于带式输送设备的自动检测方法 - Google Patents

一种用于带式输送设备的自动检测方法 Download PDF

Info

Publication number
CN115375688A
CN115375688A CN202211308242.8A CN202211308242A CN115375688A CN 115375688 A CN115375688 A CN 115375688A CN 202211308242 A CN202211308242 A CN 202211308242A CN 115375688 A CN115375688 A CN 115375688A
Authority
CN
China
Prior art keywords
gray
defect area
pixel points
edge
suspected defect
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
Application number
CN202211308242.8A
Other languages
English (en)
Other versions
CN115375688B (zh
Inventor
周军
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.)
Suzhou Desmil Intelligent Technology Co Ltd
Original Assignee
Suzhou Desmil Intelligent Technology 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 Suzhou Desmil Intelligent Technology Co Ltd filed Critical Suzhou Desmil Intelligent Technology Co Ltd
Priority to CN202211308242.8A priority Critical patent/CN115375688B/zh
Publication of CN115375688A publication Critical patent/CN115375688A/zh
Priority to PCT/CN2023/085832 priority patent/WO2023134789A1/zh
Priority to LU504264A priority patent/LU504264B1/en
Application granted granted Critical
Publication of CN115375688B publication Critical patent/CN115375688B/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
    • G06T7/10—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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20061—Hough transform
    • 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
    • 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

Abstract

本发明涉及图像处理技术领域，具体涉及一种用于带式输送设备的自动检测方法，包括：获取疑似缺陷区域，根据每个疑似缺陷区域的边缘上相邻像素点间的特征距离得到对应疑似缺陷区域的边缘毛边率，获取每个疑似缺陷区域边缘像素点及边缘外围多圈像素点的灰度序列，利用每个灰度序列中像素点的灰度值得到对应灰度序列的突变程度，根据每个灰度序列的突变程度和灰度突变点个数得到每个疑似缺陷区域边缘像素点的扩张程度，根据每个疑似缺陷区域边缘像素点的扩张程度及对应疑似缺陷区域的边缘毛边率判断该疑似缺陷区域是否为真实缺陷区域。本发明提高了传送带裂缝检测的准确性。

Description

一种用于带式输送设备的自动检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种用于带式输送设备的自动检测方法。
背景技术
传送带在工业生产中应用极为广泛，是一种物料搬运系统机械化和自动化传送用具，具有高效运输，使用简易等特点，能极大的节省人工成本，但是在长时间的使用过程中，会因为物料摩擦使传送带受到的张力过大，长时间处于较大的负重状态，导致传送带的表面出现裂缝等异常情况，严重时会造成传送带横向拉断，影响安全生产，因此，需要对传送带的裂缝进行检测。
现有技术是根据传送带局部区域图像的获取可靠程度值和各个疑似裂缝连通域所对应的撕裂像素个数，确定各个疑似裂缝连通域对应的霍夫变换阈值，进而确定各个疑似裂缝连通域是否为裂缝区域，从而判断传送带是否存在裂缝，该方法通过对疑似缺陷的区域的分割得到疑似缺陷的区域，再对疑似缺陷的区域进行霍夫直线检测得到裂缝；但是该方法没有考虑到传送带在长时间的使用过程中，表面会形成与裂缝特征较为相似的污染物，造成对裂缝缺陷的识别的不准确，从而导致传送带裂缝检测不准确。
发明内容
本发明提供一种用于带式输送设备的自动检测方法，以解决现有的传送带裂缝检测不准确的问题。
本发明的一种用于带式输送设备的自动检测方法，采用如下技术方案：
S1、获取传送带表面的灰度图像，根据Otsu阈值分割法对灰度图像进行分割得到疑似缺陷区域；
S2、获取每个疑似缺陷区域的边缘上每个像素点的灰度值的黑塞矩阵，获取每个黑塞矩阵对应的特征向量及特征值，根据每个黑塞矩阵对应的特征向量及特征值得到每个像素点的特征量；
S3、根据每个像素点的特征量得到每个疑似缺陷区域的边缘上相邻像素点间的特征距离，根据每个疑似缺陷区域的边缘上相邻像素点间的特征距离和对应疑似缺陷区域的边缘像素点的个数得到对应疑似缺陷区域的边缘毛边率；
S4、分别获取每个疑似缺陷区域边缘像素点及边缘外围多圈像素点的灰度序列，利用每个灰度序列得到每个疑似缺陷区域边缘像素点的扩张程度；
S5、根据每个疑似缺陷区域边缘像素点的扩张程度及对应疑似缺陷区域的边缘毛边率判断该疑似缺陷区域是否为真实缺陷区域。
进一步的，所述每个像素点的特征量是按如下方法确定的：
获取每个黑塞矩阵中两个对应的特征向量和特征值的乘积；
根据每个黑塞矩阵中两个对应的特征向量和特征值的乘积得到每个像素点的特征量。
进一步的，所述相邻像素点间的特征距离的具体表达式为：
Figure DEST_PATH_IMAGE002
式中：
Figure DEST_PATH_IMAGE004
表示相邻两个像素点
Figure DEST_PATH_IMAGE006
，
Figure DEST_PATH_IMAGE008
之间的特征距离，
Figure DEST_PATH_IMAGE010
、
Figure DEST_PATH_IMAGE012
均表示分配的权重，
Figure DEST_PATH_IMAGE014
表示两个像素点的欧式距离，
Figure DEST_PATH_IMAGE016
表示像素点
Figure 948849DEST_PATH_IMAGE006
的在黑塞矩阵中的特征量，
Figure DEST_PATH_IMAGE018
表示像素点
Figure 679039DEST_PATH_IMAGE008
的在黑塞矩阵中的特征量，
Figure DEST_PATH_IMAGE020
表示像素点
Figure 599721DEST_PATH_IMAGE006
，
Figure 463772DEST_PATH_IMAGE008
在黑塞矩阵中的特征距离。
进一步的，所述疑似缺陷区域的边缘毛边率是按如下方法确定的：
对疑似缺陷区域边缘上相邻像素点之间的特征距离求和得到特征距离累加和；
对特征距离累加和求平均得到该疑似缺陷区域的边缘毛边率。
进一步的，所述疑似缺陷区域边缘外围多圈像素点的灰度序列是按如下方法确定的：
再沿着疑似缺陷像素点区域边缘向外延伸
Figure DEST_PATH_IMAGE022
圈，其中，
Figure 340461DEST_PATH_IMAGE022
的截止条件应为最外圈相邻像素点之间的距离不再发生变化，获取最外侧圈层像素点的灰度序列后停止向外延伸圈层；
获取疑似缺陷区域边缘外围多圈像素点的灰度序列。
进一步的，所述灰度序列的突变程度是按如下方法确定的：
获取每个灰度序列中像素点的灰度均值和像素点个数；
对每个灰度序列中每个像素点的灰度值与对应灰度序列中像素点的灰度均值的差值求和得到累加和；
对该累加和求平均得到该灰度序列的突变程度。
进一步的，所述疑似缺陷区域边缘像素点的扩张程度是按如下方法确定的：
获取每个灰度序列中像素点的灰度均值和像素点个数；
对每个灰度序列中每个像素点的灰度值与对应灰度序列中像素点的灰度均值的差值求和得到累加和；
对该累加和求平均得到该灰度序列的突变程度；
获取每个灰度序列中灰度值突变像素点的个数，根据每个灰度序列的突变程度和每个灰度序列中灰度值突变像素点的个数得到该疑似缺陷区域边缘像素点的扩张程度。
进一步的，所述判断该疑似缺陷区域是否为真实缺陷区域的方法是：
根据每个疑似缺陷区域边缘像素点的扩张程度及对应疑似缺陷区域的边缘毛边率得到该疑似缺陷区域的异常程度；
设置异常程度阈值，当疑似缺陷区域的异常程度大于异常程度阈值该疑似缺陷区域为真实缺陷区域。
进一步的，所述疑似缺陷区域是按如下方法确定的：
获取Otsu阈值分割法分割灰度图像的分割阈值，将灰度图像划分为多个区域，获取小于分割阈值的所有区域，将小于分割阈值的所有区域作为疑似缺陷区域。
本发明的有益效果是：本发明首先利用大津阈值分割法获取了疑似缺陷区域，缩小了识别裂缝缺陷的范围，对疑似缺陷区域进行判断，提高了检测效率的同时，保证了检测的准确性；其次，本发明获取了疑似缺陷区域的毛边率和边缘像素点的扩张程度，其中，传送带在传送过程中如果出现裂缝，则裂缝区域的毛边率和扩张程度都会较大，因此，结合毛边率和扩张程度判断疑似缺陷区域是否为真实缺陷区域，使最终得到的结果更加准确。
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，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种用于带式输送设备的自动检测方法的实施例的结构示意图；
图2为本发明的一种用于带式输送设备的自动检测方法的实施例中图像采集装置示意图。
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、完整地描述，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的一种用于带式输送设备的自动检测方法的实施例，如图1所示，包括：
S1、获取传送带启动时表面的灰度图像，获取Otsu阈值分割法分割灰度图像的分割阈值，将灰度图像划分为多个区域，获取小于分割阈值的所有区域，将小于分割阈值的所有区域作为疑似缺陷区域。
获取传送带启动时表面的灰度图像的具体步骤为：如图2所示，在传送带一侧的正上方设置相机，利用相机采集多张传送带表面图像，采集的图像的长宽比例为
Figure DEST_PATH_IMAGE024
，将每张传送带表面图像转化为灰度图像得到多张灰度图像，本发明以其中一张灰度图像为例。
得到疑似缺陷区域的具体步骤为：将灰度图像均分为N个区域，对各个区域进行标号，标号序列为
Figure DEST_PATH_IMAGE026
，标号的目的是为了方便后续缺陷位置的确定。获取Otsu阈值分割法分割灰度图像的分割阈值，获取小于分割阈值的所有区域，将小于分割阈值的所有区域作为疑似缺陷区域。
S2、获取每个疑似缺陷区域的边缘上每个像素点的黑塞矩阵，获取每个黑塞矩阵对应的特征向量及特征值，根据每个黑塞矩阵对应的特征向量及特征值得到每个像素点的特征量。
获得每一个像素点的黑塞矩阵，进一步求得黑塞矩阵的两个特征向量
Figure DEST_PATH_IMAGE028
,
Figure DEST_PATH_IMAGE030
以及对应的特征值
Figure DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE034
；因为在黑塞矩阵中，最大的特征值及其特征向量表示曲线最大的曲率以及曲率方向，同样最小的特征值表示曲线最小的曲率以及曲率方向，可以反映该像素点邻域范围内的纹理走向；因此根据每一个像素点的两个特征值与特征向量作为该像素点的特征量，则像素点的特征量可表示为
Figure DEST_PATH_IMAGE036
。
S3、根据每个像素点的特征量得到每个疑似缺陷区域的边缘上相邻像素点间的特征距离，根据每个疑似缺陷区域的边缘上相邻像素点间的特征距离和对应疑似缺陷区域的边缘像素点的个数得到对应疑似缺陷区域的边缘毛边率。
得到每个疑似缺陷区域的边缘上相邻像素点间的特征距离的具体步骤为：利用每个像素点的特征量得到每个疑似缺陷区域的边缘上相邻像素点间的特征距离，具体表达式为：
Figure DEST_PATH_IMAGE002A
式中：
Figure 780233DEST_PATH_IMAGE004
表示相邻两个像素点
Figure 391474DEST_PATH_IMAGE006
，
Figure 324795DEST_PATH_IMAGE008
之间的特征距离，
Figure 587149DEST_PATH_IMAGE010
、
Figure 49355DEST_PATH_IMAGE012
均表示分配的权重，
Figure DEST_PATH_IMAGE038
，
Figure DEST_PATH_IMAGE040
，
Figure 413471DEST_PATH_IMAGE014
表示两个像素点的欧式距离，
Figure 960603DEST_PATH_IMAGE016
表示像素点
Figure 749567DEST_PATH_IMAGE006
的在黑塞矩阵中的特征量，
Figure 976149DEST_PATH_IMAGE018
表示像素点
Figure 561982DEST_PATH_IMAGE008
的在黑塞矩阵中的特征量，
Figure 305947DEST_PATH_IMAGE020
表示像素点
Figure 542894DEST_PATH_IMAGE006
，
Figure 691109DEST_PATH_IMAGE008
在黑塞矩阵中的特征距离。
其中，根据相邻边缘像素点之间的特征距离来表示边缘的变化程度，因为如果边缘越不平整，则相邻两个像素点之间的距离就会越远，因此黑塞矩阵中特征值与特征向量的乘积就会越大，边缘的曲率就会越大，并且根据边缘曲率可以判断边缘像素点的变化程度，因此通过像素点的欧式距离与黑塞矩阵中的特征距离来表示两个边缘相似点的特征距离，是一个综合特征值；根据像素点的空间距离与和黑塞矩阵中的特征距离计算得到相邻两个边缘像素点的特征距离，若特征距离
Figure 888872DEST_PATH_IMAGE004
越大，则表明相邻两个像素点之间的跨度越大，则表示此处的边缘的越不平整，存在毛刺的可能越大，并且当
Figure 561162DEST_PATH_IMAGE020
的值越大时，表示边缘曲线的曲率越大，进而也能得到边缘越不平整。
得到疑似缺陷区域的边缘毛边率的具体步骤为：获取每个疑似缺陷区域的边缘像素点的个数，根据每个疑似缺陷区域的边缘上相邻像素点间的特征距离和对应疑似缺陷区域的边缘像素点的个数得到对应疑似缺陷区域的边缘毛边率，具体表达式为：
Figure DEST_PATH_IMAGE042
式中：
Figure 341031DEST_PATH_IMAGE004
表示像素点
Figure 706153DEST_PATH_IMAGE006
，
Figure 125633DEST_PATH_IMAGE008
之间的特征距离，
Figure DEST_PATH_IMAGE044
表示该疑似缺陷区域
Figure DEST_PATH_IMAGE046
的边缘像素点个数，
Figure DEST_PATH_IMAGE048
表示第
Figure 230642DEST_PATH_IMAGE046
个疑似缺陷区域的边缘毛边率。
其中，该公式是对两点之间的特征距离求平均值，如果边缘的毛刺较多，则
Figure 51967DEST_PATH_IMAGE048
较大，即该公式对疑似缺陷区域中的两两相邻像素点求均值表征了该疑似缺陷区域边缘的毛刺情况，因此通过
Figure 587991DEST_PATH_IMAGE048
的数值变化就能够反映边缘的毛边率。
S4、获取每个疑似缺陷区域边缘像素点及边缘外围多圈像素点的灰度序列，利用每个灰度序列中像素点的灰度值得到对应灰度序列的突变程度和灰度突变像素点个数，根据每个灰度序列的突变程度和灰度突变像素点个数得到每个疑似缺陷区域边缘像素点的扩张程度。
获得疑似缺陷区域边缘的毛边率对该疑似缺陷区域进行判断会存在误差，因为脏污区域也会形成毛边，因此仅根据毛边率进行区分不够准确，因此在边缘毛边率的基础上，再进行污染物的特征区分。当传送带出现裂缝后，在传送带的运动过程中，受到张力的作用，裂缝会变大，但是污染物的大小不会随着传送带出现变化，所以通过计算疑似缺陷的边缘扩张程度，将污染物与裂纹缺陷进行区分。因为有裂缝的传送带在运动的过程中会受到张力的作用，随着运动的进行，裂缝会有逐渐增大的趋势，虽然在短时间的运动中其变化不是特别的明显，但是裂缝的边缘会出现拉丝状散开的线条，就相当于处于过拉状态后，横向的线条之间的空隙增大了。因此根据疑似裂缝缺陷处的扩张程度来判断是否裂痕缺陷。当出现拉丝状的线条时，原本纹理之间就会掺杂不属于该区域的像素点，并且根据先验知识，传送带表面像素点的灰度值比空隙间的像素点的灰度大，根据相邻像素点之间的灰度的变化来判断是否出现上述的拉丝状的线条。
获取每个疑似缺陷区域边缘像素点及边缘外围多圈像素点的灰度序列的具体步骤为：首先获得疑似缺陷像素点区域边缘像素点的灰度序列
Figure DEST_PATH_IMAGE050
，然后再沿着边缘向外延伸的
Figure 104554DEST_PATH_IMAGE022
圈的像素点，其灰度序列为
Figure DEST_PATH_IMAGE052
。因为是描述像素点的扩张程度，因此
Figure 790750DEST_PATH_IMAGE022
的截止条件应为最外圈相邻像素点之间的距离不再发生变化，获取最外侧圈层像素点的灰度序列后停止向外延伸圈层，因此计算同一圈的灰度相似的相邻像素点之间的距离，当距离为0时，
Figure 607528DEST_PATH_IMAGE022
即截止，即当
Figure DEST_PATH_IMAGE054
，
Figure DEST_PATH_IMAGE056
表示第
Figure 252136DEST_PATH_IMAGE006
圈相同灰度像素点之间的距离，
Figure DEST_PATH_IMAGE058
表示第
Figure 253065DEST_PATH_IMAGE006
圈的像素点，上述表达式的逻辑为：当相同灰度的像素点之间的距离为0时，传送带不再出现扩张，即该圈的像素点为截止像素点。
需要说明的是，每个疑似缺陷区域的边缘像素点组成的灰度序列为第一圈灰度序列，共有
Figure 70848DEST_PATH_IMAGE022
个灰度序列。
利用每个灰度序列中像素点的灰度值得到对应灰度序列的突变程度的具体步骤为：获取每个灰度序列中像素点的灰度均值，根据每个灰度序列中像素点的灰度均值，每个像素点的灰度值得到每个灰度序列的突变程度，具体表达式为：
Figure DEST_PATH_IMAGE060
式中：
Figure DEST_PATH_IMAGE062
表示第
Figure 210974DEST_PATH_IMAGE022
个灰度序列的突变程度,
Figure DEST_PATH_IMAGE064
表示第
Figure 308374DEST_PATH_IMAGE022
个灰度序列中第
Figure DEST_PATH_IMAGE066
个像素点的灰度值，
Figure DEST_PATH_IMAGE068
表示第
Figure 127425DEST_PATH_IMAGE022
灰度序列中像素点的灰度均值，
Figure DEST_PATH_IMAGE070
表示第
Figure 483320DEST_PATH_IMAGE022
灰度序列中像素点的个数。
其中，该公式由方差公式转化而来，利用灰度序列像素点的灰度值与灰度均值的差值的平均值反映该该灰度序列中灰度值的离散程度，即表征了每个灰度序列的突变程度。
获得每个灰度序列中像素点的灰度值的突变个数，即获取每个灰度序列中相邻像素点灰度值的差值，设置差值阈值，根据具体情况设定，本发明不给出经验参考值，当相邻像素点灰度值的差值大于差值阈值时，相邻的两个像素点为突变像素点，灰度序列中每个像素点只统计一次，因此可得到每个灰度序列中灰度值突变像素点的个数。
利用每个灰度序列中像素点的灰度值得到对应灰度序列的突变程度的具体步骤为：根据每个灰度序列中像素点的灰度值获取每个灰度序列中灰度值突变像素点的个数
Figure DEST_PATH_IMAGE072
，根据每个灰度序列中灰度值突变像素点的个数
Figure 695863DEST_PATH_IMAGE072
、每个灰度序列的突变程度
Figure 479011DEST_PATH_IMAGE062
得到疑似缺陷区域边缘像素点的扩张程度，具体表达式如下：
Figure DEST_PATH_IMAGE074
式中：
Figure 660725DEST_PATH_IMAGE072
表示每个灰度序列中灰度值突变像素点的个数，
Figure 820311DEST_PATH_IMAGE062
表示第
Figure 590821DEST_PATH_IMAGE022
个灰度序列的突变程度，
Figure 561182DEST_PATH_IMAGE022
表示第
Figure 417143DEST_PATH_IMAGE022
个灰度序列，
Figure DEST_PATH_IMAGE076
表示疑似缺陷区域边缘像素点的扩张程度。
其中，根据每一条灰度序列中发生灰度突变的像素点的个数与灰度的突变程度得到边缘的扩散程度，因为边缘出现灰度突变点越多，灰度的变化程度越大，说明此区域的边缘像素点在运动的过程中出现了变化，因此能够判断此区域的异常，边缘出现灰度突变点越多，灰度的变化程度越大，则边缘像素点的扩张程度越大，该疑似缺陷区域越有可能是真实缺陷区域。
S5、根据每个疑似缺陷区域边缘像素点的扩张程度及对应疑似缺陷区域的边缘毛边率判断该疑似缺陷区域是否为真实缺陷区域。
根据每个疑似缺陷区域边缘像素点的扩张程度及对应疑似缺陷区域的边缘毛边率得到该疑似缺陷区域的异常程度，具体表达式如下：
Figure DEST_PATH_IMAGE078
式中：
Figure DEST_PATH_IMAGE080
表示第
Figure 459048DEST_PATH_IMAGE046
个疑似缺陷区域的异常程度，
Figure 690922DEST_PATH_IMAGE076
表示第
Figure 222397DEST_PATH_IMAGE046
个疑似缺陷区域边缘像素点的扩张程度，
Figure 424708DEST_PATH_IMAGE048
表示第
Figure 67042DEST_PATH_IMAGE046
个疑似缺陷区域的边缘毛边率。
其中，疑似缺陷区域边缘像素点的扩张程度及边缘毛边率两者的数值越大，疑似裂纹缺陷的异常程度越高，因此利用双曲正切函数将其按正比例逻辑关系归一化，即
Figure DEST_PATH_IMAGE082
、
Figure 218669DEST_PATH_IMAGE076
越大，
Figure DEST_PATH_IMAGE084
、
Figure DEST_PATH_IMAGE086
在0-1内越大，
Figure DEST_PATH_IMAGE088
则是利用欧几里得公式对两个归一化后的特征参数值进行整合，得到该区域疑似裂纹缺陷的异常程度。
根据每个疑似缺陷区域边缘像素点的扩张程度及对应疑似缺陷区域的边缘毛边率得到该疑似缺陷区域的异常程度，设置异常程度阈值，根据具体情况设定，本发明不给出经验参考值，当疑似缺陷区域的异常程度大于异常程度阈值该疑似缺陷区域为真实缺陷区域，将真是缺陷区域对应到灰度图像中得到传送带上的裂缝区域。
本发明的有益效果是：本发明首先利用大津阈值分割法获取了疑似缺陷区域，缩小了识别裂缝缺陷的范围，对疑似缺陷区域进行判断，提高了检测效率的同时，保证了检测的准确性；其次，本发明获取了疑似缺陷区域的毛边率和边缘像素点的扩张程度，其中，传送带在传送过程中如果出现裂缝，则裂缝区域的毛边率和扩张程度都会较大，因此，结合毛边率和扩张程度判断疑似缺陷区域是否为真实缺陷区域，使最终得到的结果更加准确。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，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 (9)

1.一种用于带式输送设备的自动检测方法，其特征在于，包括：
S1、获取传送带表面的灰度图像，根据Otsu阈值分割法对灰度图像进行分割得到疑似缺陷区域；
S2、获取每个疑似缺陷区域的边缘上每个像素点的灰度值的黑塞矩阵，获取每个黑塞矩阵对应的特征向量及特征值，根据每个黑塞矩阵对应的特征向量及特征值得到每个像素点的特征量；
S3、根据每个像素点的特征量得到每个疑似缺陷区域的边缘上相邻像素点间的特征距离，根据每个疑似缺陷区域的边缘上相邻像素点间的特征距离和对应疑似缺陷区域的边缘像素点的个数得到对应疑似缺陷区域的边缘毛边率；
S4、分别获取每个疑似缺陷区域边缘像素点及边缘外围多圈像素点的灰度序列，利用每个灰度序列得到每个疑似缺陷区域边缘像素点的扩张程度；
S5、根据每个疑似缺陷区域边缘像素点的扩张程度及对应疑似缺陷区域的边缘毛边率判断该疑似缺陷区域是否为真实缺陷区域。
2.根据权利要求1所述的一种用于带式输送设备的自动检测方法，其特征在于，所述每个像素点的特征量是按如下方法确定的：
获取每个黑塞矩阵中两个对应的特征向量和特征值的乘积；
根据每个黑塞矩阵中两个对应的特征向量和特征值的乘积得到每个像素点的特征量。
3.根据权利要求1所述的一种用于带式输送设备的自动检测方法，其特征在于，所述相邻像素点间的特征距离的具体表达式为：
Figure 767677DEST_PATH_IMAGE002
式中：
Figure DEST_PATH_IMAGE003
表示相邻两个像素点
Figure 80846DEST_PATH_IMAGE004
，
Figure DEST_PATH_IMAGE005
之间的特征距离，
Figure 843135DEST_PATH_IMAGE006
、
Figure DEST_PATH_IMAGE007
均表示分配的权重，
Figure 976176DEST_PATH_IMAGE008
表示两个像素点的欧式距离，
Figure DEST_PATH_IMAGE009
表示像素点
Figure 560741DEST_PATH_IMAGE004
的在黑塞矩阵中的特征量，
Figure 993997DEST_PATH_IMAGE010
表示像素点
Figure 209077DEST_PATH_IMAGE005
的在黑塞矩阵中的特征量，
Figure DEST_PATH_IMAGE011
表示像素点
Figure 157311DEST_PATH_IMAGE004
，
Figure 483250DEST_PATH_IMAGE005
在黑塞矩阵中的特征距离。
4.根据权利要求1所述的一种用于带式输送设备的自动检测方法，其特征在于，所述疑似缺陷区域的边缘毛边率是按如下方法确定的：
对疑似缺陷区域边缘上相邻像素点之间的特征距离求和得到特征距离累加和；
对特征距离累加和求平均得到该疑似缺陷区域的边缘毛边率。
5.根据权利要求1所述的一种用于带式输送设备的自动检测方法，其特征在于，所述疑似缺陷区域边缘外围多圈像素点的灰度序列是按如下方法确定的：
再沿着疑似缺陷像素点区域边缘向外延伸
Figure 974274DEST_PATH_IMAGE012
圈，其中，
Figure 547207DEST_PATH_IMAGE012
的截止条件应为最外圈相邻像素点之间的距离不再发生变化，获取最外侧圈层像素点的灰度序列后停止向外延伸圈层；
获取疑似缺陷区域边缘外围多圈像素点的灰度序列。
6.根据权利要求1所述的一种用于带式输送设备的自动检测方法，其特征在于，所述灰度序列的突变程度是按如下方法确定的：
获取每个灰度序列中像素点的灰度均值和像素点个数；
对每个灰度序列中每个像素点的灰度值与对应灰度序列中像素点的灰度均值的差值求和得到累加和；
对该累加和求平均得到该灰度序列的突变程度。
7.根据权利要求1所述的一种用于带式输送设备的自动检测方法，其特征在于，所述疑似缺陷区域边缘像素点的扩张程度是按如下方法确定的：
获取每个灰度序列中像素点的灰度均值和像素点个数；
对每个灰度序列中每个像素点的灰度值与对应灰度序列中像素点的灰度均值的差值求和得到累加和；
对该累加和求平均得到该灰度序列的突变程度；
获取每个灰度序列中灰度值突变像素点的个数，根据每个灰度序列的突变程度和每个灰度序列中灰度值突变像素点的个数得到该疑似缺陷区域边缘像素点的扩张程度。
8.根据权利要求1所述的一种用于带式输送设备的自动检测方法，其特征在于，所述判断该疑似缺陷区域是否为真实缺陷区域的方法是：
根据每个疑似缺陷区域边缘像素点的扩张程度及对应疑似缺陷区域的边缘毛边率得到该疑似缺陷区域的异常程度；
设置异常程度阈值，当疑似缺陷区域的异常程度大于异常程度阈值该疑似缺陷区域为真实缺陷区域。
9.根据权利要求1所述的一种用于带式输送设备的自动检测方法，其特征在于，所述疑似缺陷区域是按如下方法确定的：
获取Otsu阈值分割法分割灰度图像的分割阈值，将灰度图像划分为多个区域，获取小于分割阈值的所有区域，将小于分割阈值的所有区域作为疑似缺陷区域。
CN202211308242.8A 2022-10-25 2022-10-25 一种用于带式输送设备的自动检测方法 Active CN115375688B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202211308242.8A CN115375688B (zh) 2022-10-25 2022-10-25 一种用于带式输送设备的自动检测方法
PCT/CN2023/085832 WO2023134789A1 (zh) 2022-10-25 2023-04-03 一种用于带式输送设备的自动检测方法
LU504264A LU504264B1 (en) 2022-10-25 2023-04-03 Automatic Detection Method for Belt Conveyor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211308242.8A CN115375688B (zh) 2022-10-25 2022-10-25 一种用于带式输送设备的自动检测方法

Publications (2)

Publication Number Publication Date
CN115375688A true CN115375688A (zh) 2022-11-22
CN115375688B CN115375688B (zh) 2023-04-28

Family

ID=84074296

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211308242.8A Active CN115375688B (zh) 2022-10-25 2022-10-25 一种用于带式输送设备的自动检测方法

Country Status (3)

Country Link
CN (1) CN115375688B (zh)
LU (1) LU504264B1 (zh)
WO (1) WO2023134789A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115861291A (zh) * 2023-01-06 2023-03-28 曲阜天博汽车电器有限公司 基于机器视觉的贴片电路板生产缺陷检测方法
CN116091499A (zh) * 2023-04-07 2023-05-09 山东中胜涂料有限公司 一种涂料生产异常识别系统
WO2023134789A1 (zh) * 2022-10-25 2023-07-20 苏州德斯米尔智能科技有限公司 一种用于带式输送设备的自动检测方法
CN116503397A (zh) * 2023-06-26 2023-07-28 山东天通汽车科技股份有限公司 基于图像数据的车内传输带缺陷检测方法
CN116630332A (zh) * 2023-07-26 2023-08-22 山东华航高分子材料有限公司 一种基于图像处理的pvc塑料管口缺陷检测方法
CN117611589A (zh) * 2024-01-24 2024-02-27 深圳市格瑞邦科技有限公司 一种平板电脑质量检测方法及系统

Families Citing this family (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116630315B (zh) * 2023-07-24 2023-09-29 山东东阿亿福缘阿胶制品有限公司 基于计算机视觉的饮料包装缺陷智能检测方法
CN116630815B (zh) * 2023-07-25 2023-09-22 济南玖通志恒信息技术有限公司 一种智慧农业病虫害检测方法
CN116630329B (zh) * 2023-07-26 2023-09-29 山东山森数控技术有限公司 用于多轴多通道数控系统的在线视觉检测方法
CN116681695B (zh) * 2023-07-27 2023-12-01 山东阁林板建材科技有限公司 一种抗变形模板端面的质量检测方法
CN116664569B (zh) * 2023-07-31 2023-10-10 山东正华建筑科技有限公司 一种焊瘤缺陷检测方法
CN116682107B (zh) * 2023-08-03 2023-10-10 山东国宏生物科技有限公司 基于图像处理的大豆视觉检测方法
CN116740056B (zh) * 2023-08-10 2023-11-07 梁山水泊胶带股份有限公司 用于整芯高花纹输送带涂覆层的缺陷检测方法
CN116740057B (zh) * 2023-08-11 2023-12-01 深圳市鹏基精密工业有限公司 一种圆柱形工件毛刺在线检测方法及系统
CN116721106B (zh) * 2023-08-11 2023-10-20 山东明达圣昌铝业集团有限公司 一种基于图像处理的型材瑕疵视觉检测方法
CN116735612B (zh) * 2023-08-15 2023-11-07 山东精亿机械制造有限公司 一种精密电子元器件焊接缺陷检测方法
CN116883407B (zh) * 2023-09-08 2023-11-24 山东省永星食品饮料有限公司 基于人工智能的瓶装水杂质检测方法
CN116883415B (zh) * 2023-09-08 2024-01-05 东莞市旺佳五金制品有限公司 基于图像数据的薄壁锌合金压铸件质量检测方法
CN117197741B (zh) * 2023-09-12 2024-02-13 杭州万禾电力科技有限公司 基于人工智能的开关柜运行异常监测方法
CN116912254B (zh) * 2023-09-14 2023-12-08 山东博诚电气有限公司 基于数据增强预处理的电缆缺陷识别方法
CN116912261B (zh) * 2023-09-15 2023-12-08 张家港市神舟机械有限公司 一种塑料模具注塑表面缺陷检测方法
CN116958136B (zh) * 2023-09-19 2024-01-30 惠州市金箭精密部件有限公司 基于图像处理的丝杆螺纹生产缺陷检测方法
CN116958144B (zh) * 2023-09-20 2024-01-12 东莞市南谷第电子有限公司 一种新能源连接线表面瑕疵区域快速定位方法及系统
CN116993726B (zh) * 2023-09-26 2023-12-19 山东克莱蒙特新材料科技有限公司 一种矿物铸件检测方法及系统
CN116993722B (zh) * 2023-09-26 2023-12-08 山东奥斯登房车有限公司 一种拖挂式房车车身缺陷视觉检测方法
CN116993966B (zh) * 2023-09-27 2023-12-12 诺伯特智能装备（山东）有限公司 一种铸件打磨视觉智能定位方法及系统
CN117058130B (zh) * 2023-10-10 2024-01-09 威海威信光纤科技有限公司 一种光纤拉丝表面涂覆质量视觉检测方法
CN117115153B (zh) * 2023-10-23 2024-02-02 威海坤科流量仪表股份有限公司 基于视觉辅助的印制线路板质量智能检测方法
CN117237333B (zh) * 2023-11-07 2024-02-20 江苏森力威冶金设备有限公司 一种不锈钢材料表面酸洗程度检测方法
CN117218549B (zh) * 2023-11-07 2024-03-05 山东力加力钢结构有限公司 一种公路桥梁的状态评估方法及系统
CN117314912B (zh) * 2023-11-29 2024-01-30 山东贞元汽车车轮有限公司 一种焊管表面焊接缺陷视觉检测方法及系统
CN117314920B (zh) * 2023-11-30 2024-02-02 江苏高特高金属科技有限公司 一种金属管道x光焊缝表面焊瘤检测方法
CN117437233B (zh) * 2023-12-21 2024-03-26 山东润通齿轮集团有限公司 一种基于图像处理的齿轮缺陷检测方法及系统
CN117455908B (zh) * 2023-12-22 2024-04-09 山东济矿鲁能煤电股份有限公司阳城煤矿 一种皮带机跑偏视觉检测方法及系统
CN117455800B (zh) * 2023-12-22 2024-03-15 肥城新查庄地质勘查有限公司 基于计算机视觉的煤矿钻探定位方法
CN117455916B (zh) * 2023-12-25 2024-03-15 山东太阳耐磨件有限公司 一种钢板表面缺陷视觉检测方法
CN117557566B (zh) * 2024-01-12 2024-04-12 深圳博上科技有限公司 基于图像特征的电子烟发热丝质量智能检测方法
CN117593303B (zh) * 2024-01-18 2024-04-09 浙江锦德光电材料有限公司 一种量子点光学膜的缺陷检测方法及系统
CN117611583B (zh) * 2024-01-22 2024-04-19 张家港飞腾复合新材料股份有限公司 基于人工智能的铝复合板缺陷检测方法及系统
CN117635604B (zh) * 2024-01-23 2024-04-05 华航检测认证(青岛)有限公司 一种建筑工程钢结构焊接质量检测方法
CN117689659B (zh) * 2024-02-02 2024-04-19 深圳市未尔科技有限公司 一种基于平板电子产品的生产质量监控方法
CN117764992B (zh) * 2024-02-22 2024-04-30 山东乔泰管业科技有限公司 基于图像处理的塑料管材质量检测方法
CN117788464B (zh) * 2024-02-26 2024-04-30 卡松科技股份有限公司 一种工业齿轮油杂质视觉检测方法
CN117893532A (zh) * 2024-03-14 2024-04-16 山东神力索具有限公司 基于图像处理的模锻索具用模具裂纹缺陷检测方法
CN117893541A (zh) * 2024-03-18 2024-04-16 济南玖通志恒信息技术有限公司 一种基于边缘检测的果树叶部花叶病分析方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114937039A (zh) * 2022-07-21 2022-08-23 阿法龙(山东)科技有限公司 一种钢管缺陷智能检测方法
CN114972357A (zh) * 2022-08-03 2022-08-30 南通恒立机械设备有限公司 一种基于图像处理的轧辊表面缺陷检测方法及系统
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
CN115082482A (zh) * 2022-08-23 2022-09-20 山东优奭趸泵业科技有限公司 一种金属表面缺陷检测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108387587B (zh) * 2018-01-22 2020-07-31 京东方科技集团股份有限公司 缺陷检测方法及缺陷检测设备
CN114419025A (zh) * 2022-01-27 2022-04-29 江苏泰和木业有限公司 一种基于图像处理的纤维板质量评估方法
CN115375688B (zh) * 2022-10-25 2023-04-28 苏州德斯米尔智能科技有限公司 一种用于带式输送设备的自动检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114937039A (zh) * 2022-07-21 2022-08-23 阿法龙(山东)科技有限公司 一种钢管缺陷智能检测方法
CN114972357A (zh) * 2022-08-03 2022-08-30 南通恒立机械设备有限公司 一种基于图像处理的轧辊表面缺陷检测方法及系统
CN115082482A (zh) * 2022-08-23 2022-09-20 山东优奭趸泵业科技有限公司 一种金属表面缺陷检测方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023134789A1 (zh) * 2022-10-25 2023-07-20 苏州德斯米尔智能科技有限公司 一种用于带式输送设备的自动检测方法
CN115861291A (zh) * 2023-01-06 2023-03-28 曲阜天博汽车电器有限公司 基于机器视觉的贴片电路板生产缺陷检测方法
CN116091499A (zh) * 2023-04-07 2023-05-09 山东中胜涂料有限公司 一种涂料生产异常识别系统
CN116503397A (zh) * 2023-06-26 2023-07-28 山东天通汽车科技股份有限公司 基于图像数据的车内传输带缺陷检测方法
CN116503397B (zh) * 2023-06-26 2023-09-01 山东天通汽车科技股份有限公司 基于图像数据的车内传输带缺陷检测方法
CN116630332A (zh) * 2023-07-26 2023-08-22 山东华航高分子材料有限公司 一种基于图像处理的pvc塑料管口缺陷检测方法
CN116630332B (zh) * 2023-07-26 2023-09-26 山东华航高分子材料有限公司 一种基于图像处理的pvc塑料管口缺陷检测方法
CN117611589A (zh) * 2024-01-24 2024-02-27 深圳市格瑞邦科技有限公司 一种平板电脑质量检测方法及系统
CN117611589B (zh) * 2024-01-24 2024-04-12 深圳市格瑞邦科技有限公司 一种平板电脑质量检测方法及系统

Also Published As

Publication number Publication date
CN115375688B (zh) 2023-04-28
WO2023134789A1 (zh) 2023-07-20
LU504264B1 (en) 2023-07-31

Similar Documents

Publication Publication Date Title
CN115375688A (zh) 一种用于带式输送设备的自动检测方法
CN115423813B (zh) 焊管表面焊接缺陷检测方法
CN114419025A (zh) 一种基于图像处理的纤维板质量评估方法
CN116611748B (zh) 一种钛合金家具生产质量监控系统
CN115100203B (zh) 一种钢筋打磨除锈质量检测方法
CN115170576A (zh) 基于机器视觉的铝管表面缺陷检测方法
CN116703907B (zh) 一种基于机器视觉的汽车铸件表面缺陷检测方法
WO2021168733A1 (zh) 缺陷图像的缺陷检测方法、装置及计算机可读存储介质
CN115018850B (zh) 基于图像处理的精密电子零部件冲压孔毛刺检测方法
CN116091504B (zh) 基于图像处理的连接管连接头质量检测方法
CN115063430B (zh) 基于图像处理的电气管道裂纹检测方法
CN116503397B (zh) 基于图像数据的车内传输带缺陷检测方法
CN115311267B (zh) 一种格纹织物异常检测方法
CN115375686A (zh) 一种基于图像处理的玻璃边缘瑕疵检测方法
CN115684174A (zh) 一种农产品运输传送带安全运行监测方法
CN116342598B (zh) 基于机器视觉的钢绞线质量检测方法
CN115861310B (zh) 一种床单表面纺织缺陷检测方法
CN108550135B (zh) 一种基于x光图像的钢丝绳芯输送带接头伸长自动检测方法
CN115063407A (zh) 一种用于环形铜垫片的划痕及裂纹识别方法
CN115272336A (zh) 基于梯度向量的金属零件缺陷精准检测方法
CN116485764A (zh) 一种结构表面缺陷识别方法、系统、终端及介质
CN115032202A (zh) 一种甜菊糖苷产品的残留杂质去除方法
CN114926404A (zh) 基于边缘检测的挤出成型橡胶密封圈表面异常检测方法
CN114693651A (zh) 基于图像处理的橡胶圈流痕检测方法及装置
CN115159027B (zh) 一种皮带撕裂监测方法

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