CN115393564A - 机器视觉识别产品表观质量检测鉴别方法 - Google Patents

机器视觉识别产品表观质量检测鉴别方法 Download PDF

Info

Publication number
CN115393564A
CN115393564A CN202210964205.6A CN202210964205A CN115393564A CN 115393564 A CN115393564 A CN 115393564A CN 202210964205 A CN202210964205 A CN 202210964205A CN 115393564 A CN115393564 A CN 115393564A
Authority
CN
China
Prior art keywords
defect
gray
product
image
pixels
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.)
Withdrawn
Application number
CN202210964205.6A
Other languages
English (en)
Inventor
李元乔
杨沛泉
王温馨
左腊梅
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.)
Hunan Zuoyuan Information Technology Co ltd
Original Assignee
Hunan Zuoyuan Information 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 Hunan Zuoyuan Information Technology Co ltd filed Critical Hunan Zuoyuan Information Technology Co ltd
Priority to CN202210964205.6A priority Critical patent/CN115393564A/zh
Publication of CN115393564A publication Critical patent/CN115393564A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明属于质量检测领域，公开了一种机器视觉识别产品表观质量检测鉴别方法及控制方法，其特征在于，该机器视觉识别产品表观质量检测鉴别方法具体包括：将待检测产品放置在传送带上，通过摄像设备对待检测产品进行拍照、摄像或扫描得到待检测图像；对待检测图像进行降噪，并通过图像增强算法对待检测图像进行增强处理；识别纤维走向、纤维缺陷并进行质量检测、表面质量指数的定义；根据识别结果将无缺陷与缺陷特征的图像进行分类处理；检测系统的调试与验证。本发明机器视觉识别产品表观质量检测鉴别方法以机器视觉检测为手段，通过对待检测产品表观纤维走向，表面质量、表面缺陷识别完成产品的质量检测鉴别，提高了质量检测水平。

Description

机器视觉识别产品表观质量检测鉴别方法
技术领域
本发明属于质量检测技术领域，尤其涉及一种机器视觉识别产品表观质量检测鉴别方法。
背景技术
近年来，随着材料工业的发展，复合材料已经广泛应用在航空航天、汽车工业、化工纺织、建筑以及医学等领域，具有广泛的应用背景和广阔的发展前途。复合材料具有比强度高、比模量大、膨胀系数低以及抗疲劳性能好等一系列的优点的同时，相比于传统的金属材料具有更强的耐腐蚀能力。重要的是，复合材料具有轻质的优点，相比于金属材料可以使结构重量减轻30％-40％。
但是我国在利用机器视觉进行复合材料检测方面刚刚起步，检测精度低、检测速度慢，导致自动化生产线的检测效率较低。
通过上述分析，现有技术存在的问题及缺陷为：
我国在利用机器视觉进行复合材料检测方面刚刚起步，检测精度低、检测速度慢，导致自动化生产线的检测效率较低。
发明内容
针对现有技术存在的问题，本发明提供了一种机器视觉识别产品表观质量检测鉴别方法及控制方法。
本发明是这样实现的，一种机器视觉识别产品表观质量检测鉴别方法，其特征在于，该机器视觉识别产品表观质量检测鉴别方法具体包括：
步骤一，将待检测产品放置在传送带上，通过摄像设备对待检测产品进行拍照、摄像或扫描得到待检测图像；
步骤二，对待检测图像进行降噪，并通过图像增强算法对待检测图像进行增强处理；识别纤维走向、纤维缺陷并进行质量检测、表面质量指数的定义；
步骤三，根据识别结果将无缺陷与缺陷特征的图像进行分类处理；
步骤四：检测系统的调试与验证。
进一步，所述步骤一还包括根据待检测产品的纹理特征和凹凸特性选择合适的光源配置方案，根据待检测产品表面的纹理特性和检测精度的要求选择合适的相机和镜头，根据大量图像信息的传输要求选择合适的PC机，根据机械结构以及运动要求选择合适的运动控制端，并完成相机图像采集端—PC图像处理端—机械运动控制端的通信。
进一步，所述对待检测图像进行降噪，具体包括：
1)、提供一由呈矩阵式排布的多个像素组成的图像，并将该图像转换为灰阶图；
2)、计算每同一列相邻两行像素的灰阶值的差的绝对值Q1和第一灰阶值权重k1；
每同一列相邻两行像素的灰阶值的差的绝对值Q1的计算公式为：
Q1＝abs(Gray(i，j)－Gray(i+1，j))；
第一灰阶值权重k1的计算公式为：
Figure BDA0003794108850000021
其中，同一列相邻两行像素的灰阶值的差的绝对值Q1的取值范围为0至255，n为大于1的正整数；
依据第一灰阶值权重k1与每同一列相邻两行像素的灰阶值进行累加计算，计算公式为：
Figure BDA0003794108850000022
其中，i、j为正整数，分别代表像素所在的行数与列数，Gray(i,j)为第i行第j列像素的灰阶值，Gray(i+1,j)为第i+1行第j列像素的灰阶值，H1(a)为灰阶值为a的像素数量，C1(X)为从灰阶值Gray(i,j)到灰阶值Gray(i+1，j)之间各个灰阶值对应的像素数量之和；
3)、计算每同一行相邻两列像素的灰阶值的差的绝对值Q2和第二灰阶值权重k2；
每同一行相邻两列像素的灰阶值的差的绝对值Q2的计算公式为：
Q2＝abs(Gray(i，j)－Gray(i，j+1))；
第二灰阶值权重k2的计算公式为：
Figure BDA0003794108850000031
其中，同一行相邻两列像素的灰阶值的差的绝对值Q2的取值范围为0至255，n为大于1的正整数且与步骤2)中的取值相同；
依据第二灰阶值权重k2与每同一行相邻两列像素的灰阶值进行累加计算，计算公式为：
Figure BDA0003794108850000032
其中，i、j为正整数，分别代表像素所在的行数与列数，Gray(i,j)为第i行第j列像素的灰阶值，Gray(i,j+1)为第i行第j+1列像素的灰阶值，H3(a)为灰阶值为a的像素数量，C3(X)为从灰阶值Gray(i,j)到灰阶值Gray(i，j+1)之间各个灰阶值对应的像素数量之和；
4)、将步骤2)中的C1(X)与步骤3)中C3(x)相加得到C(X)；
C(X)＝C1(X)+C3(X)；
5)、最大值归一化，计算公式为：
Figure BDA0003794108850000033
再将N(X)乘以255计算得到增强灰阶表out(X)，并通过查表得到新的输出灰阶值out_gray(i,j)。
进一步，所述识别纤维走向、纤维缺陷并进行质量检测、表面质量指数的定义具体包括对经过预处理的图片进行边缘检测，提出纤维的轮廓，采用梯度向量局部内积的方式检测直线纤维的走向，采用霍夫变换的方式检测弯曲纤维的走向，提取孔洞及纤维分布不均两种常见的纤维缺陷的多种特征，并对这两种常见的缺陷进行识别、分类与标定，使用自定义表面质量指数来衡量复合材料表面质量，确定物理尺寸与像素之间的换算关系并完成复合材料预成型体的成型尺寸检测。
进一步，所述步骤四具体包括：利用OpenCV+VS2012和Matlab两种编程语言实现图像算法的开发，并用计算机编程设计检测系统的用户交互界面，最后进行实验验证与分析，证明检测系统的可靠性。
进一步，所述根据识别结果将无缺陷与缺陷特征的图像进行分类处理：
从缺陷产品图像中提取缺陷区域的低层特征；构建产品缺陷字典，利用缺陷词典，对所述低层特征进行编码，以得到与所述低层特征对应的中层语义特征；
基于所述中层语义特征，将所述缺陷产品图像中的缺陷区域的缺陷分类为多个缺陷类之一。
进一步，所述缺陷词典包括缺陷类内词典和缺陷类间词典；
其中，每个缺陷类的缺陷类内词典针对于该缺陷类特有的低层特征，并且是对预定缺陷产品图像集中属于该缺陷类的所有缺陷区域的低层特征进行聚类而得到的，所述缺陷类内词典是通过将每个缺陷类的缺陷类内词典组合而得到的；
其中，所述缺陷类间词典针对于各缺陷类共有的低层特征，并且是对预定缺陷产品图像集中的所有缺陷产品图像的缺陷区域的低层特征进行聚类而得到的；
其中，所述缺陷词典是通过将所述缺陷类间词典和所述缺陷类内词典组合而得到的，并且所提取的所述缺陷区域的低层特征的每个低层特征向量在通过所述缺陷词典编码后能够与所述缺陷词典中的多个视觉单词相对应。
进一步，所述从缺陷产品图像中提取缺陷区域的低层特征包括：
对缺陷产品图像进行产品图像分割，以提取缺陷区域；以及
提取所述缺陷区域的低层特征；
所述低层特征包括：方向梯度直方图特征、尺度不变特征变换特征和加速的具有鲁棒特性的特征；
利用所述缺陷词典，对所述低层特征进行编码，以获得与所述低层特征对应的中层语义特征包括：
基于缺陷词典，利用下式对所述低层特征进行编码，得到与所述低层特征对应的特征编码矩阵V：
Figure BDA0003794108850000051
其中，
Figure BDA0003794108850000052
表示向量的2范数的平方，对应于向量中每个元素的平方和；||·||1表示向量的1范数，对应于向量中每个元素的绝对值的和；p是缺陷区域的特征区域数量；xi是缺陷区域的单个特征区域i(1≤i≤p)的低层特征向量；U是缺陷词典矩阵；vi是与每个xi对应的每个向量，p个vi构成了特征编码矩阵V；λ||vi||1是约束条件，使得vi的每个元素的绝对值的和不能太大；
其中，所述特征编码矩阵V使得上式取得最小值；
所述中层语义特征包括词包模型，所述利用所述缺陷词典，对所述低层特征进行编码，以获得与所述低层特征对应的中层语义特征还包括：
根据所述特征编码矩阵V得到所述缺陷区域的词包模型。
进一步，所述缺陷类包括暗点类、亮点类、划痕类、玻璃破类、漏液类、膜不良类。
进一步，所述将所述缺陷产品图像中的缺陷区域的缺陷分类为多个缺陷类之一包括：将所述缺陷产品图像中的缺陷区域的缺陷分类为暗点类、亮点类、划痕类、玻璃破类、漏液类、膜不良类之一。
结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
本发明通过降噪算法能够充分提高含噪图片的清晰度，提高待检测产品的质量检测能力。
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
本发明机器视觉识别产品表观质量检测鉴别方法以机器视觉检测为手段，通过对待检测产品表观纤维走向，表面质量、表面缺陷识别完成产品的质量检测鉴别，提高了质量检测水平。
附图说明
图1是本发明实施例提供的一种机器视觉识别产品表观质量检测鉴别方法流程图。
图2是本发明实施例提供的对待检测图像进行降噪方法流程图。
图3是本发明实施例提供的根据识别结果将无缺陷与缺陷特征的图像进行分类处理方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示，一种机器视觉识别产品表观质量检测鉴别方法及控制方法，其特征在于，该机器视觉识别产品表观质量检测鉴别方法具体包括：
S101，将待检测产品放置在传送带上，通过摄像设备对待检测产品进行拍照、摄像或扫描得到待检测图像；
S102，对待检测图像进行降噪，并通过图像增强算法对待检测图像进行增强处理；识别纤维走向、纤维缺陷并进行质量检测、表面质量指数的定义；
S103，根据识别结果将无缺陷与缺陷特征的图像进行分类处理；
S104：检测系统的调试与验证。
所述S101还包括根据待检测产品的纹理特征和凹凸特性选择合适的光源配置方案，根据待检测产品表面的纹理特性和检测精度的要求选择合适的相机和镜头，根据大量图像信息的传输要求选择合适的PC机，根据机械结构以及运动要求选择合适的运动控制端，并完成相机图像采集端—PC图像处理端—机械运动控制端的通信。
如图2所示，所述对待检测图像进行降噪，具体包括：
S201，提供一由呈矩阵式排布的多个像素组成的图像，并将该图像转换为灰阶图；
S202，计算每同一列相邻两行像素的灰阶值的差的绝对值Q1和第一灰阶值权重k1；
每同一列相邻两行像素的灰阶值的差的绝对值Q1的计算公式为：
Q1＝abs(Gray(i，j)－Gray(i+1，j))；
第一灰阶值权重k1的计算公式为：
Figure BDA0003794108850000071
其中，同一列相邻两行像素的灰阶值的差的绝对值Q1的取值范围为0至255，n为大于1的正整数；
依据第一灰阶值权重k1与每同一列相邻两行像素的灰阶值进行累加计算，计算公式为：
Figure BDA0003794108850000081
其中，i、j为正整数，分别代表像素所在的行数与列数，Gray(i,j)为第i行第j列像素的灰阶值，Gray(i+1,j)为第i+1行第j列像素的灰阶值，H1(a)为灰阶值为a的像素数量，C1(X)为从灰阶值Gray(i,j)到灰阶值Gray(i+1，j)之间各个灰阶值对应的像素数量之和；
S203，计算每同一行相邻两列像素的灰阶值的差的绝对值Q2和第二灰阶值权重k2；
每同一行相邻两列像素的灰阶值的差的绝对值Q2的计算公式为：
Q2＝abs(Gray(i，j)－Gray(i，j+1))；
第二灰阶值权重k2的计算公式为：
Figure BDA0003794108850000082
其中，同一行相邻两列像素的灰阶值的差的绝对值Q2的取值范围为0至255，n为大于1的正整数且与步骤2)中的取值相同；
依据第二灰阶值权重k2与每同一行相邻两列像素的灰阶值进行累加计算，计算公式为：
Figure BDA0003794108850000083
其中，i、j为正整数，分别代表像素所在的行数与列数，Gray(i,j)为第i行第j列像素的灰阶值，Gray(i,j+1)为第i行第j+1列像素的灰阶值，H3(a)为灰阶值为a的像素数量，C3(X)为从灰阶值Gray(i,j)到灰阶值Gray(i，j+1)之间各个灰阶值对应的像素数量之和；
S204，将S202中的C1(X)与步骤3)中C3(x)相加得到C(X)；
C(X)＝C1(X)+C3(X)；
S205，最大值归一化，计算公式为：
Figure BDA0003794108850000091
再将N(X)乘以255计算得到增强灰阶表out(X)，并通过查表得到新的输出灰阶值out_gray(i,j)。
所述识别纤维走向、纤维缺陷并进行质量检测、表面质量指数的定义具体包括对经过预处理的图片进行边缘检测，提出纤维的轮廓，采用梯度向量局部内积的方式检测直线纤维的走向，采用霍夫变换的方式检测弯曲纤维的走向，提取孔洞及纤维分布不均两种常见的纤维缺陷的多种特征，并对这两种常见的缺陷进行识别、分类与标定，使用自定义表面质量指数来衡量复合材料表面质量，确定物理尺寸与像素之间的换算关系并完成复合材料预成型体的成型尺寸检测。
所述S104具体包括：利用OpenCV+VS2012和Matlab两种编程语言实现图像算法的开发，并用计算机编程设计检测系统的用户交互界面，最后进行实验验证与分析，证明检测系统的可靠性。
如图3所示，本发明提供的根据识别结果将无缺陷与缺陷特征的图像进行分类处理：
S301，从缺陷产品图像中提取缺陷区域的低层特征；构建产品缺陷字典，利用缺陷词典，对所述低层特征进行编码，以得到与所述低层特征对应的中层语义特征；
S302，基于所述中层语义特征，将所述缺陷产品图像中的缺陷区域的缺陷分类为多个缺陷类之一。
本发明提供的缺陷词典包括缺陷类内词典和缺陷类间词典；
其中，每个缺陷类的缺陷类内词典针对于该缺陷类特有的低层特征，并且是对预定缺陷产品图像集中属于该缺陷类的所有缺陷区域的低层特征进行聚类而得到的，所述缺陷类内词典是通过将每个缺陷类的缺陷类内词典组合而得到的；
其中，所述缺陷类间词典针对于各缺陷类共有的低层特征，并且是对预定缺陷产品图像集中的所有缺陷产品图像的缺陷区域的低层特征进行聚类而得到的；
其中，所述缺陷词典是通过将所述缺陷类间词典和所述缺陷类内词典组合而得到的，并且所提取的所述缺陷区域的低层特征的每个低层特征向量在通过所述缺陷词典编码后能够与所述缺陷词典中的多个视觉单词相对应。
本发明提供的从缺陷产品图像中提取缺陷区域的低层特征包括：
对缺陷产品图像进行产品图像分割，以提取缺陷区域；以及
提取所述缺陷区域的低层特征；
所述低层特征包括：方向梯度直方图特征、尺度不变特征变换特征和加速的具有鲁棒特性的特征；
利用所述缺陷词典，对所述低层特征进行编码，以获得与所述低层特征对应的中层语义特征包括：
基于缺陷词典，利用下式对所述低层特征进行编码，得到与所述低层特征对应的特征编码矩阵V：
Figure BDA0003794108850000101
其中，
Figure BDA0003794108850000102
表示向量的2范数的平方，对应于向量中每个元素的平方和；||·||1表示向量的1范数，对应于向量中每个元素的绝对值的和；p是缺陷区域的特征区域数量；xi是缺陷区域的单个特征区域i(1≤i≤p)的低层特征向量；U是缺陷词典矩阵；vi是与每个xi对应的每个向量，p个vi构成了特征编码矩阵V；λ||vi||1是约束条件，使得vi的每个元素的绝对值的和不能太大；
其中，所述特征编码矩阵V使得上式取得最小值；
所述中层语义特征包括词包模型，所述利用所述缺陷词典，对所述低层特征进行编码，以获得与所述低层特征对应的中层语义特征还包括：
根据所述特征编码矩阵V得到所述缺陷区域的词包模型。
本发明提供的缺陷类包括暗点类、亮点类、划痕类、玻璃破类、漏液类、膜不良类。
本发明提供的将所述缺陷产品图像中的缺陷区域的缺陷分类为多个缺陷类之一包括：将所述缺陷产品图像中的缺陷区域的缺陷分类为暗点类、亮点类、划痕类、玻璃破类、漏液类、膜不良类之一。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种机器视觉识别产品表观质量检测鉴别方法，其特征在于，该机器视觉识别产品表观质量检测鉴别方法具体包括：
步骤一，将待检测产品放置在传送带上，通过摄像设备对待检测产品进行拍照、摄像或扫描得到待检测图像；
步骤二，对待检测图像进行降噪，并通过图像增强算法对待检测图像进行增强处理；识别纤维走向、纤维缺陷并进行质量检测、表面质量指数的定义；
步骤三，根据识别结果将无缺陷与缺陷特征的图像进行分类处理；
步骤四：检测系统的调试与验证。
2.如权利要求1所述的机器视觉识别产品表观质量检测鉴别方法，其特征在于，所述步骤一还包括根据待检测产品的纹理特征和凹凸特性选择合适的光源配置方案，根据待检测产品表面的纹理特性和检测精度的要求选择合适的相机和镜头，根据大量图像信息的传输要求选择合适的PC机，根据机械结构以及运动要求选择合适的运动控制端，并完成相机图像采集端—PC图像处理端—机械运动控制端的通信。
3.如权利要求1所述的机器视觉识别产品表观质量检测鉴别方法，其特征在于，所述对待检测图像进行降噪，具体包括：
1)、提供一由呈矩阵式排布的多个像素组成的图像，并将该图像转换为灰阶图；
2)、计算每同一列相邻两行像素的灰阶值的差的绝对值Q1和第一灰阶值权重k1；
每同一列相邻两行像素的灰阶值的差的绝对值Q1的计算公式为：
Q1＝abs(Gray(i，j)－Gray(i+1，j))；
第一灰阶值权重k1的计算公式为：
Figure FDA0003794108840000011
其中，同一列相邻两行像素的灰阶值的差的绝对值Q1的取值范围为0至255，n为大于1的正整数；
依据第一灰阶值权重k1与每同一列相邻两行像素的灰阶值进行累加计算，计算公式为：
Figure FDA0003794108840000021
其中，i、j为正整数，分别代表像素所在的行数与列数，Gray(i,j)为第i行第j列像素的灰阶值，Gray(i+1,j)为第i+1行第j列像素的灰阶值，H1(a)为灰阶值为a的像素数量，C1(X)为从灰阶值Gray(i,j)到灰阶值Gray(i+1，j)之间各个灰阶值对应的像素数量之和；
3)、计算每同一行相邻两列像素的灰阶值的差的绝对值Q2和第二灰阶值权重k2；
每同一行相邻两列像素的灰阶值的差的绝对值Q2的计算公式为：
Q2＝abs(Gray(i，j)－Gray(i，j+1))；
第二灰阶值权重k2的计算公式为：
Figure FDA0003794108840000022
其中，同一行相邻两列像素的灰阶值的差的绝对值Q2的取值范围为0至255，n为大于1的正整数且与步骤2)中的取值相同；
依据第二灰阶值权重k2与每同一行相邻两列像素的灰阶值进行累加计算，计算公式为：
Figure FDA0003794108840000023
其中，i、j为正整数，分别代表像素所在的行数与列数，Gray(i,j)为第i行第j列像素的灰阶值，Gray(i,j+1)为第i行第j+1列像素的灰阶值，H3(a)为灰阶值为a的像素数量，C3(X)为从灰阶值Gray(i,j)到灰阶值Gray(i，j+1)之间各个灰阶值对应的像素数量之和；
4)、将步骤2)中的C1(X)与步骤3)中C3(x)相加得到C(X)；
C(X)＝C1(X)+C3(X)；
5)、最大值归一化，计算公式为：
Figure FDA0003794108840000031
再将N(X)乘以255计算得到增强灰阶表out(X)，并通过查表得到新的输出灰阶值out_gray(i,j)。
4.如权利要求1所述的机器视觉识别产品表观质量检测鉴别方法，其特征在于，所述识别纤维走向、纤维缺陷并进行质量检测、表面质量指数的定义具体包括对经过预处理的图片进行边缘检测，提出纤维的轮廓，采用梯度向量局部内积的方式检测直线纤维的走向，采用霍夫变换的方式检测弯曲纤维的走向，提取孔洞及纤维分布不均两种常见的纤维缺陷的多种特征，并对这两种常见的缺陷进行识别、分类与标定，使用自定义表面质量指数来衡量复合材料表面质量，确定物理尺寸与像素之间的换算关系并完成复合材料预成型体的成型尺寸检测。
5.如权利要求1所述的机器视觉识别产品表观质量检测鉴别方法，其特征在于，所述步骤四具体包括：利用OpenCV+VS2012和Matlab两种编程语言实现图像算法的开发，并用计算机编程设计检测系统的用户交互界面，最后进行实验验证与分析，证明检测系统的可靠性。
6.如权利要求1所述的机器视觉识别产品表观质量检测鉴别方法，其特征在于，所述根据识别结果将无缺陷与缺陷特征的图像进行分类处理：
从缺陷产品图像中提取缺陷区域的低层特征；构建产品缺陷字典，利用缺陷词典，对所述低层特征进行编码，以得到与所述低层特征对应的中层语义特征；
基于所述中层语义特征，将所述缺陷产品图像中的缺陷区域的缺陷分类为多个缺陷类之一。
7.如权利要求6所述的机器视觉识别产品表观质量检测鉴别方法，其特征在于，所述缺陷词典包括缺陷类内词典和缺陷类间词典；
其中，每个缺陷类的缺陷类内词典针对于该缺陷类特有的低层特征，并且是对预定缺陷产品图像集中属于该缺陷类的所有缺陷区域的低层特征进行聚类而得到的，所述缺陷类内词典是通过将每个缺陷类的缺陷类内词典组合而得到的；
其中，所述缺陷类间词典针对于各缺陷类共有的低层特征，并且是对预定缺陷产品图像集中的所有缺陷产品图像的缺陷区域的低层特征进行聚类而得到的；
其中，所述缺陷词典是通过将所述缺陷类间词典和所述缺陷类内词典组合而得到的，并且所提取的所述缺陷区域的低层特征的每个低层特征向量在通过所述缺陷词典编码后能够与所述缺陷词典中的多个视觉单词相对应。
8.如权利要求6所述的机器视觉识别产品表观质量检测鉴别方法，其特征在于，所述从缺陷产品图像中提取缺陷区域的低层特征包括：
对缺陷产品图像进行产品图像分割，以提取缺陷区域；以及
提取所述缺陷区域的低层特征；
所述低层特征包括：方向梯度直方图特征、尺度不变特征变换特征和加速的具有鲁棒特性的特征；
利用所述缺陷词典，对所述低层特征进行编码，以获得与所述低层特征对应的中层语义特征包括：
基于缺陷词典，利用下式对所述低层特征进行编码，得到与所述低层特征对应的特征编码矩阵V：
Figure FDA0003794108840000041
其中，
Figure FDA0003794108840000042
表示向量的2范数的平方，对应于向量中每个元素的平方和；||·||1表示向量的1范数，对应于向量中每个元素的绝对值的和；p是缺陷区域的特征区域数量；xi是缺陷区域的单个特征区域i(1≤i≤p)的低层特征向量；U是缺陷词典矩阵；vi是与每个xi对应的每个向量，p个vi构成了特征编码矩阵V；λ||vi||1是约束条件，使得vi的每个元素的绝对值的和不能太大；
其中，所述特征编码矩阵V使得上式取得最小值；
所述中层语义特征包括词包模型，所述利用所述缺陷词典，对所述低层特征进行编码，以获得与所述低层特征对应的中层语义特征还包括：
根据所述特征编码矩阵V得到所述缺陷区域的词包模型。
9.如权利要求6所述的机器视觉识别产品表观质量检测鉴别方法，其特征在于，所述缺陷类包括暗点类、亮点类、划痕类、玻璃破类、漏液类、膜不良类。
10.如权利要求6所述的机器视觉识别产品表观质量检测鉴别方法，其特征在于，所述将所述缺陷产品图像中的缺陷区域的缺陷分类为多个缺陷类之一包括：将所述缺陷产品图像中的缺陷区域的缺陷分类为暗点类、亮点类、划痕类、玻璃破类、漏液类、膜不良类之一。
CN202210964205.6A 2022-08-11 2022-08-11 机器视觉识别产品表观质量检测鉴别方法 Withdrawn CN115393564A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210964205.6A CN115393564A (zh) 2022-08-11 2022-08-11 机器视觉识别产品表观质量检测鉴别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210964205.6A CN115393564A (zh) 2022-08-11 2022-08-11 机器视觉识别产品表观质量检测鉴别方法

Publications (1)

Publication Number Publication Date
CN115393564A true CN115393564A (zh) 2022-11-25

Family

ID=84118365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210964205.6A Withdrawn CN115393564A (zh) 2022-08-11 2022-08-11 机器视觉识别产品表观质量检测鉴别方法

Country Status (1)

Country Link
CN (1) CN115393564A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116721074A (zh) * 2023-06-07 2023-09-08 昊泽吉顺新材料(深圳)有限公司 基于图像分析的手机保护膜生产质量检测系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116721074A (zh) * 2023-06-07 2023-09-08 昊泽吉顺新材料(深圳)有限公司 基于图像分析的手机保护膜生产质量检测系统
CN116721074B (zh) * 2023-06-07 2024-02-13 昊泽吉顺新材料(深圳)有限公司 基于图像分析的手机保护膜生产质量检测系统

Similar Documents

Publication Publication Date Title
CN111179251B (zh) 基于孪生神经网络利用模板比对的缺陷检测系统及方法
Zhou et al. Automated visual inspection of glass bottle bottom with saliency detection and template matching
CN110414538B (zh) 缺陷分类方法、缺陷分类训练方法及其装置
He et al. Deep regression neural network for industrial surface defect detection
Kuo et al. Automated optical inspection system for surface mount device light emitting diodes
Yang et al. An accurate mura defect vision inspection method using outlier-prejudging-based image background construction and region-gradient-based level set
CN111951232A (zh) 一种金属粉末注射成型外观缺陷检测方法及系统
CN115775236B (zh) 基于多尺度特征融合的表面微小缺陷视觉检测方法及系统
CN111340796A (zh) 一种缺陷检测方法、装置、电子设备及存储介质
CN115393564A (zh) 机器视觉识别产品表观质量检测鉴别方法
CN115880298A (zh) 一种基于无监督预训练的玻璃表面缺陷检测方法及系统
Hou et al. Combining prior knowledge with CNN for weak scratch inspection of optical components
CN114723677A (zh) 图像缺陷检测方法、检测装置、检测设备及存储介质
CN115752969A (zh) 一种铝箔封口密封性检测方法及系统和设备
CN116523922B (zh) 一种轴承表面缺陷识别方法
CN116740572A (zh) 一种基于改进yolox的海上船舰目标检测方法和系统
Cai et al. An efficient method for electric meter readings automatic location and recognition
CN116205881A (zh) 一种基于轻量级语义分割的数码喷印图像缺陷检测方法
Wang et al. Improved morphological band-pass filtering algorithm and its application in circle detection
Gao et al. Vehicle Tire Text Reader: Text Spotting and Rectifying for Small, Curved, and Rotated Characters
CN114943738A (zh) 一种基于视觉识别的传感器封装固化胶缺陷识别方法
Nguyen et al. Detection of weak micro-scratches on aspherical lenses using a Gabor neural network and transfer learning
CN114418951A (zh) 一种焊盘检测方法、装置、计算机设备及存储介质
CN112633327B (zh) 分阶段金属表面缺陷检测方法、系统、介质、设备及应用
CN113051901A (zh) 一种身份证文本识别方法、系统、介质及电子终端

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20221125

WW01 Invention patent application withdrawn after publication