CN115457037B - 一种用于阿胶制品生产的原材料质检方法 - Google Patents

一种用于阿胶制品生产的原材料质检方法 Download PDF

Info

Publication number
CN115457037B
CN115457037B CN202211402373.2A CN202211402373A CN115457037B CN 115457037 B CN115457037 B CN 115457037B CN 202211402373 A CN202211402373 A CN 202211402373A CN 115457037 B CN115457037 B CN 115457037B
Authority
CN
China
Prior art keywords
image block
defect
image
gray
donkey
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
CN202211402373.2A
Other languages
English (en)
Other versions
CN115457037A (zh
Inventor
杨凯
李坤全
孟丽
李作华
尹宁宁
张力
刘敏
王秋兰
李尚银
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.)
Aorun Shandong Pharmaceutical Co ltd
Original Assignee
Aorun Shandong Pharmaceutical 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 Aorun Shandong Pharmaceutical Co ltd filed Critical Aorun Shandong Pharmaceutical Co ltd
Priority to CN202211402373.2A priority Critical patent/CN115457037B/zh
Publication of CN115457037A publication Critical patent/CN115457037A/zh
Application granted granted Critical
Publication of CN115457037B publication Critical patent/CN115457037B/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
    • 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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种用于阿胶制品生产的原材料质检方法，该方法俯视采集鲜驴皮表面图像，提取目标连通域并划分为预设数量的图像块；获取每个图像块的光泽变化剧烈程度和距离离散程度；结合光泽变化剧烈程度、距离离散程度以及图像块中灰度级的数量获取图像块的第一缺陷概率；获取每个图像块的第一连通域和结构元素尺寸；利用该尺寸的结构元素对图像块进行闭运算得到新图像块，基于第一连通域在图像块和新图像块中对应位置的灰度值差异获取图像块的非缺陷概率；进而获取每个图像块的缺陷概率，依据缺陷概率分割出缺陷区域；进而评估驴皮表面质量。本发明能够在无损检测的基础上提高缺陷检测的准确性。

Description

一种用于阿胶制品生产的原材料质检方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种用于阿胶制品生产的原材料质检方法。
背景技术
阿胶是由驴皮经过煎煮、浓缩等工艺制成的固体胶。因此主要原材料驴皮的质量是影响阿胶制品的成品质量的关键因素之一。由于驴之间的打斗、摔伤等原因产生的伤疤，以及受蚊虫叮咬和疾病影响造成的虫斑和病斑，严重影响屠宰后的驴皮鲜皮质量。因此需要在鲜驴皮制胶加工前对其进行质量检测，进而对鲜驴皮进行质量分级，用于不同品质阿胶的制造。
传统的鲜驴皮质量检测通过人工检验，其精准度低、劳动量大。随着技术的发展，出现了利用气味成分评估驴皮质量的方法，通过采样少量洗净的驴皮，然后加热利用快速气相电子鼻进行成分测定，来评估驴皮的质量，这种质检方法对驴皮造成了损伤，只能进行抽样检查，对于整张驴皮的质检来说，准确性和全面性较差。
而对于基于机器视觉的缺陷检测技术来说，虽然能够实现对驴皮表面的无损检测，但是驴皮表面含有丰富的褶皱纹理，传统的缺陷检测方法很容易将驴皮表面褶皱纹理误分为缺陷，造成误检测，令鲜驴皮质量检测结果的可信度降低，造成阿胶制品生产原材料的浪费。
发明内容
为了解决利用传统的基于机器视觉的缺陷检测技术对驴皮进行质量检测时，可信度低的问题，本发明提供一种用于阿胶制品生产的原材料质检方法，该方法包括以下步骤：
俯视采集鲜驴皮表面图像，在表面图像的灰度图像中提取驴皮区域的连通域作为目标连通域；获取目标连通域的外接矩形并划分为预设数量的矩形，每个矩形作为一个图像块；
基于图像块中灰度级的差异获取每个图像块的光泽变化剧烈程度；根据最小的预设比例的灰度级对应的坐标与图像块中心点之间的距离获取距离离散程度；结合所述光泽变化剧烈程度、所述距离离散程度以及图像块中灰度级的数量获取图像块的第一缺陷概率；
对于每个图像块，通过二值化和闭运算获取包括纹理和缺陷的第一连通域，根据二值化后的图像块中每行每列的像素点连续为零的链码长度获取结构元素尺寸；利用该尺寸的结构元素对图像块进行闭运算得到去除纹理的新图像块，基于第一连通域在图像块和新图像块中对应位置的灰度值差异获取图像块的非缺陷概率；
根据所述第一缺陷概率和所述非缺陷概率获取每个图像块的缺陷概率，依据所述缺陷概率筛选出含有缺陷的图像块，并分割出缺陷区域；基于缺陷区域的面积评估驴皮表面质量。
进一步的，所述目标连通域的提取过程为：
获取无鲜驴皮的背景图像，通过将所述灰度图像与所述背景图像的灰度图像进行差分，得到所述驴皮区域，对所述驴皮区域进行连通域分析得到所述目标连通域。
进一步的，所述光泽变化剧烈程度的获取方法为：
统计图像块内所有像素点的灰度级，并按照大小排序，获取前预设比例的灰度级的平均值，以及后预设比例的平均值，将两个平均值中的较大值减去较小值的差值作为所述光泽变化剧烈程度。
进一步的，所述距离离散程度的获取方法为：
将图像块内的灰度级从小到大排列，选取前预设比例的灰度级对应的像素点，根据坐标得到选取的像素点与图像块中心点的距离，计算所有距离的方差即为所述距离离散程度。
进一步的，所述第一缺陷概率的获取方法为：
计算灰度级的数量与光泽变化剧烈程度的乘积，以该乘积与所述距离离散程度的比值作为所述第一缺陷概率。
进一步的，所述第一连通域的获取方法为：
获取图像块内所有像素点灰度值的均值作为灰度阈值，将灰度值小于灰度阈值的像素点的灰度值置零，剩余像素点的灰度值置1，得到二值化图像块；利用预设大小的窗口对二值化图像块进行闭运算，去除孤立点，得到包括纹理和缺陷的所述第一连通域。
进一步的，所述结构元素尺寸的获取方法为：
逐行逐列统计二值化图像块的每行或者每列像素点中连续为0的链码长度，选取所有链码长度的众数作为所述结构元素尺寸。
进一步的，所述非缺陷概率的获取方法为：
计算每个第一连通域在图像块和新图像块中对应位置的灰度值的差值绝对值，所有差值绝对值的平均值为对应第一连通域的缺陷表征值，在图像块中的所有缺陷表征值中选取最小值作为所述非缺陷概率。
进一步的，所述缺陷概率的获取方法为：
基于每个图像块的非缺陷概率获取对应的第二缺陷概率，所述非缺陷概率和所述第二缺陷概率的和为预设值；获取所述外接矩形内的所有图像块的第二缺陷概率的和，以每个图像块的第二缺陷概率在所述和中的占比作为校正参数，乘上所述第一缺陷概率得到所述缺陷概率。
进一步的，所述依据所述缺陷概率筛选出含有缺陷的图像块，并分割出缺陷区域，包括：
预先选取一张无缺陷的鲜驴皮的表面图像作为标准图像，计算标准图像内每个标准图像块的标准缺陷概率，以所有标准缺陷概率的平均值的预设倍数作为缺陷阈值；将所述缺陷概率大于所述缺陷阈值的图像块筛选出来，即为含有缺陷的图像块；基于含有缺陷的图像块内所有像素点的灰度值筛选出缺陷像素点，由缺陷像素点组成所述缺陷区域。
本发明至少具有如下有益效果：
首先对采集的驴皮表面图像进行灰度处理以及连通域提取，得到去除背景的驴皮区域；对驴皮区域分块，得到预设数量的图像块，减少了每次运算的数据量，并且基于小块的图像块进行缺陷检测能够提高检测的准确性。然后根据图像块内的灰度特征获取光泽变化剧烈程度，分析驴皮表面的光泽变化情况；基于灰度值较小的位置与中心点的距离获取距离离散程度，灰度值较小的像素点很有可能是光泽较暗的缺陷区域，结合光泽变化剧烈程度获取图像块的第一缺陷概率，通过驴皮表面的光泽变化判断各图像块内含有缺陷的概率。之后通过自适应获取每个图像块的结构元素尺寸对图像块进行闭运算，去除图像块中包含的纹理，利用纹理特征和缺陷特征的不同去除纹理，避免后续检测过程中的误检；计算去除纹理后的新图像块与原图像块在第一连通域位置上的灰度差异，获取图像块的非缺陷概率，去除纹理后，剩余的异常区域均为缺陷区域，通过与原图像块的灰度对比判断存在缺陷的概率；最后结合第一缺陷概率和非缺陷概率共同获取缺陷概率，依据缺陷概率筛选出含有缺陷的图像块，并分割出缺陷区域；基于缺陷区域的面积评估驴皮表面质量，以驴皮表面的褶皱纹理特征得到的第二纹理概率对依据光泽特征计算出的第一缺陷概率进行校正，减小鲜驴皮表面图像内褶皱纹理区域被误分为缺陷的概率，在无损检测的基础上提高缺陷检测的准确性。
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用于阿胶制品生产的原材料质检方法的步骤流程图。
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用于阿胶制品生产的原材料质检方法，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。
下面结合附图具体的说明本发明所提供的一种用于阿胶制品生产的原材料质检方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种用于阿胶制品生产的原材料质检方法的步骤流程图，该方法包括以下步骤：
步骤S001，俯视采集鲜驴皮表面图像，在表面图像的灰度图像中提取驴皮区域的连通域作为目标连通域；获取目标连通域的外接矩形并划分为预设数量的矩形，每个矩形作为一个图像块。
获取无鲜驴皮的背景图像，通过将灰度图像与背景图像的灰度图像进行差分，得到驴皮区域，对驴皮区域进行连通域分析得到目标连通域。
通过摄像机俯视采集运输机图像，设定该图像为背景图像，然后将收购的完整鲜驴皮展开放置在运输机上，摄像机俯视采集含有鲜驴皮的运输机图像作为鲜驴皮表面图像，对表面图像进行灰度化，得到灰度图像，同样的对背景图像进行灰度化，得到背景图像的灰度图像，使用当前采集的表面图像的灰度图像与背景图像的灰度图像进行图像差分，提取驴皮区域，对驴皮区域进行连通域分析得到目标连通域。
完整的鲜驴皮面积较大，而驴皮表面的伤疤、虫蛀斑和霉病斑等缺陷区域分布无序且微小，因此需要先对图像进行分块处理，用以减少每次运算的数据量和计算压力以及提高缺陷检测的准确性。
获取目标连通域的外接矩形并划分为预设数量的矩形，每个矩形作为一个图像块。
利用自适应中值滤波去除目标连通域内的噪声，再取目标连通域的起始和终止的行和列，做目标连通域的外接矩形，获得矩形面积为M×N，其中M为矩形横向长度，N为矩形纵向长度。
在本发明实施例中将此矩形等分为100个小矩形即预设数量为100，小矩形的面积为
Figure 84223DEST_PATH_IMAGE001
。由于驴皮实际面积较大，约为几平方米，故等分为100块后，各块面积仍较大，各块内一定不全为缺陷。将目标连通域内的每个小矩形记为一个图像块，共得到100个图像块。
步骤S002，基于图像块中灰度级的差异获取每个图像块的光泽变化剧烈程度；根据最小的预设比例的灰度级对应的坐标与图像块中心点之间的距离获取距离离散程度；结合光泽变化剧烈程度、距离离散程度以及图像块中灰度级的数量获取图像块的第一缺陷概率。
相较于正常鲜驴皮区域，含有伤疤、虫蛀斑和霉病斑等缺陷区域光泽发暗，呈灰暗色或者灰青色。对于步骤S001中分成的图像块可分为两类，分别为图像块内只有正常驴皮，或既有正常驴皮也有缺陷驴皮。因此含有缺陷的鲜驴皮图像块相较于正常驴皮图像块，其像素灰度级数量较多、灰度差异较大。
因此，统计图像块内所有像素点的灰度级，并按照大小排序，获取前预设比例的灰度级的平均值，以及后预设比例的平均值，将两个平均值中的较大值减去较小值的差值作为光泽变化剧烈程度。
以任意一个图像块为例，统计该图像块内像素的灰度级，得到m个灰度级，并按照从小到大的顺序排列，记为
Figure 345440DEST_PATH_IMAGE002
。其中，/>
Figure 748740DEST_PATH_IMAGE003
为最小的灰度级，/>
Figure 53688DEST_PATH_IMAGE004
为最大的灰度级。在本发明实施例中预设比例为5%，则该图像块内驴皮的光泽变化剧烈程度B为：
Figure 604755DEST_PATH_IMAGE005
其中，
Figure 420396DEST_PATH_IMAGE006
表示该图像块内从小至大第i个灰度级，/>
Figure 740519DEST_PATH_IMAGE007
表示灰度值较大的前5%的灰度级的灰度均值，/>
Figure 275755DEST_PATH_IMAGE008
表示灰度值较小的前5%的灰度级的灰度均值，/>
Figure 314118DEST_PATH_IMAGE009
表示向下取整。
鲜驴皮表面存在大量丰富的天然纹理信息，正常驴皮图像块内灰度值最大的前5%的灰度级对应的像素点大概率为高亮度的表皮平整区域，灰度值最小的前5%的灰度级对应的像素点大概率为低亮度表皮褶皱的纹理区域。而对于含有缺陷的驴皮图像块，灰度值最小的前5%的灰度级对应的像素点大概率为比表皮褶皱的纹理区域亮度更低的缺陷区域。因此图像块内的光泽变化剧烈程度B值越大，该图像块内含有缺陷的概率越大。
将图像块内的灰度级从小到大排列，选取前预设比例的灰度级对应的像素点，根据坐标得到选取的像素点与图像块中心点的距离，计算所有距离的方差即为距离离散程度。
在该图像块内标记灰度值最小的前5%的灰度级对应的像素点的位置坐标，计算该图像块中心点至各标记像素点位置坐标的距离，获得距离集合
Figure 402291DEST_PATH_IMAGE010
，其中x表示标记的像素点数量。计算该集合的方差为/>
Figure 780183DEST_PATH_IMAGE011
，表示标记的像素点之间的距离离散程度。
鲜驴皮表面的褶皱纹理像素点在图像内无序随机分布，分布位置散乱，而缺陷像素点大量集中在同一区域。故方差
Figure 177666DEST_PATH_IMAGE011
的值越小，标记的此类像素点为缺陷的概率越大，因此该图像块在驴皮光泽上表现为含有缺陷的概率D，即第一缺陷概率的计算方法为：
计算灰度级的数量与光泽变化剧烈程度的乘积，以该乘积与距离离散程度的比值作为第一缺陷概率。
具体的计算公式为：
Figure 952593DEST_PATH_IMAGE012
，含有缺陷的图像块内像素灰度级数量较多、灰度差异较大，故灰度级数量m和光泽变化剧烈程度B的值越大，距离集合的方差/>
Figure 890462DEST_PATH_IMAGE013
的值越小，该图像块在驴皮光泽上表现为含有缺陷的概率D，即第一缺陷概率越大。
以同样的方法计算每个图像块的第一缺陷概率，获得第一缺陷概率集合
Figure 935910DEST_PATH_IMAGE014
，其中n为图像块数量，在本发明实施例中n为100。
图像块的第一缺陷概率越大，该图像块在驴皮光泽上越有可能表现为含有缺陷，即存在缺陷的概率越大。
步骤S003，对于每个图像块，通过二值化和闭运算获取包括纹理和缺陷的第一连通域，根据二值化后的图像块中每行每列的像素点连续为零的链码长度获取结构元素尺寸；利用该尺寸的结构元素对图像块进行闭运算得到去除纹理的新图像块，基于第一连通域在图像块和新图像块中对应位置的灰度值差异获取图像块的非缺陷概率。
由于驴皮表面褶皱纹理区域为脉络状、表现细长，且各纹理区域脉络的粗细相似，而缺陷区域会破坏纹理，其相较于纹理更为粗壮，因此选取一个适当尺寸大小的结构元素，对图像进行形态学闭运算处理，能够在去除大量纹理区域的情况下，保留缺陷区域，然后根据经闭运算后的图像块内的像素灰度变化，计算图像块在纹理方面含有缺陷的概率。
获取图像块内所有像素点灰度值的均值作为灰度阈值，将灰度值小于灰度阈值的像素点的灰度值置零，剩余像素点的灰度值置1，得到二值化图像块；利用预设大小的窗口对二值化图像块进行闭运算，去除孤立点，得到包括纹理和缺陷的第一连通域。
已知图像块内纹理和缺陷区域相较于正常区域像素点的灰度值较小。以任意一个图像块为例，计算该图像块内的像素灰度均值E作为灰度阈值，取该图像块内灰度值小于E的像素点，该部分像素点表示纹理和缺陷像素点，标记该部分像素点为0，其余像素点为1，获得二值化图像块。再以预设大小的窗口对该二值图像块进行闭运算，去除孤立的像素点，获得包括像素点为0的纹理和缺陷的第一连通域，通过闭运算之后，将轻微粘连的纹理区域和缺陷区域分开，即第一连通域中包括多个纹理连通域和缺陷连通域。
作为一个示例，在本发明实施例中预设大小为3×3。
逐行逐列统计二值化图像块的每行或者每列像素点中连续为0的链码长度，选取所有链码长度的众数作为结构元素尺寸。
在此时的二值化图像块内，横向逐行统计各像素点连续为0的链码长度，纵向逐列统计各像素点连续为0的链码长度，获得链码长度集合
Figure 769873DEST_PATH_IMAGE015
，其中h表示横向和纵向上像素点连续为0的链码数量。
已知纹理连通域相较于缺陷连通域在形状上表现更为细长，且图像块内纹理区域比缺陷区域更大、分布范围更广。因此为了最大程度去除该图像块内的纹理区域，保留缺陷区域，取集合
Figure 454933DEST_PATH_IMAGE016
中的众数作为结构元素尺寸T，若存在多个极大值数量的众数，则取这些众数中的最大值作为结构元素的尺寸T，由此获得该图像块的结构元素尺寸为T×T。利用该结构元素对原图像块进行闭运算，能够去除大部分纹理，使纹理损失较多，同时保留缺陷，令缺陷损失较小。
以T×T的结构元素对未进行二值化的原图像块进行闭运算，具体的，先进行膨胀运算，即取结构元素内的最大像素灰度值替换结构元素中心像素点的灰度值，再进行腐蚀运算，即取结构元素内的最小像素灰度值替换结构元素中心像素点的灰度值。由此获得去除大量纹理区域后的新图像块，将第一连通域内所有像素点的坐标位置映射至此时的新图像块内。
缺陷连通域相较于纹理连通域较为粗壮，因此闭运算后缺陷连通域的面积不会发生变化或者面积变化较小，故连通域内像素灰度值的变化较小。而纹理连通域经过闭运算后纹理连通域的面积变小，部分区域的像素灰度值被正常像素点的灰度值替换，故纹理连通域内像素灰度值的变化较大。
因此，计算每个第一连通域在图像块和新图像块中对应位置的灰度值的差值绝对值，所有差值绝对值的平均值为对应第一连通域的缺陷表征值，在图像块中的所有缺陷表征值中选取最小值作为非缺陷概率。
通过闭运算后的新图像块，第一连通域中的纹理大部分被去除，即纹理像素点已经变换为正常像素点，此时新图像块与原图像块进行同位置灰度值相减时，缺陷区域依然保留，对应的灰度值变化较小，而纹理区域大部分被去除，对应的灰度值变化较大，因此通过新图像块与原图像块进行第一连通域的同位置灰度值相减，反映驴皮表面褶皱纹理上表现为缺陷的概率，以第一连通域中第e个连通域为例，缺陷表征值的具体的计算公式为：
Figure 651952DEST_PATH_IMAGE017
其中，
Figure 801174DEST_PATH_IMAGE018
表示第e个连通域的缺陷表征值，/>
Figure 822351DEST_PATH_IMAGE019
表示该新图像块内第e个连通域中第t个像素点的灰度值，/>
Figure 57023DEST_PATH_IMAGE020
表示未进行闭运算的该图像块内与/>
Figure 585962DEST_PATH_IMAGE021
相同坐标位置的像素点灰度值，/>
Figure 120849DEST_PATH_IMAGE022
表示新图像块内第e个连通域中像素点的数量。
缺陷表征值
Figure 47347DEST_PATH_IMAGE018
的值越大，表示该连通域经闭运算后的变化越大，越有可能为纹理连通域，反之越有可能为缺陷连通域。
由此获得第一连通域中每个连通域的缺陷表征值，取其中的最小值
Figure 34895DEST_PATH_IMAGE023
，即变化最小的连通域对应的缺陷表征值作为非缺陷概率，表示该图像块在驴皮表面褶皱纹理上不含缺陷的概率，即该值越小，非缺陷概率越小，说明在驴皮表面褶皱纹理上含缺陷的概率越大。
图像块内的像素点经闭运算后，缺陷连通域相较于纹理连通域变化较小，因此最小值
Figure 302279DEST_PATH_IMAGE023
对应的连通域在该图像块内最有可能为缺陷。故非缺陷概率的值越小，该图像块含缺陷的概率越大。
同理计算其它图像块在驴皮表面褶皱纹理上不含缺陷的概率，获得非缺陷概率集合
Figure 98196DEST_PATH_IMAGE024
，其中n为图像块数量，在本发明实施例中n为100。
步骤S004，根据第一缺陷概率和非缺陷概率获取每个图像块的缺陷概率，依据缺陷概率筛选出含有缺陷的图像块，并分割出缺陷区域；基于缺陷区域的面积评估驴皮表面质量。
当图像块的第一缺陷概率越大，该图像块内存在缺陷的概率越大。但是由于光泽度会受驴皮表面本身色泽和褶皱纹理特征的影响，鲜驴皮表面会存在一些光泽较暗，但不是缺陷的区域，其会造成这些区域的图像块的第一缺陷概率较大，但该图像块不存在缺陷。
因此需要进一步根据驴皮表面褶皱纹理的变化获取校正参数，对基于驴皮光泽的第一缺陷概率进行调整，识别出这些第一缺陷概率较大，但不存在缺陷的图像块，获取真正含有缺陷的图像块。
对于光泽较暗，即第一缺陷概率的值较大，但不含有缺陷的图像块，其驴皮表面褶皱纹理不变。而对于光泽较暗，即第一缺陷概率的值较大，含有缺陷的图像块，伤疤或者病斑会破坏驴皮表面褶皱纹理。
基于此，计算每个图像块的缺陷概率：
基于每个图像块的非缺陷概率获取对应的第二缺陷概率，非缺陷概率和第二缺陷概率的和为预设值；获取外接矩形内的所有图像块的第二缺陷概率的和，以每个图像块的第二缺陷概率在和中的占比作为校正参数，乘上第一缺陷概率得到缺陷概率。
以第y个图像块为例，计算缺陷概率的公式为：
Figure 444864DEST_PATH_IMAGE025
其中，
Figure 670440DEST_PATH_IMAGE026
表示第y个图像块的缺陷概率，/>
Figure 495177DEST_PATH_IMAGE027
表示第y个图像块的非缺陷概率，/>
Figure 988344DEST_PATH_IMAGE028
表示第y个图像块的第二缺陷概率，1为预设值，/>
Figure 240333DEST_PATH_IMAGE029
表示第y个图像块的第一缺陷概率，n表示图像块的数量，/>
Figure 953206DEST_PATH_IMAGE030
表示校正参数。
基于反映驴皮表面褶皱纹理变化的非缺陷概率计算校正参数，对驴皮光泽上的第一缺陷概率进行调整，
Figure 378371DEST_PATH_IMAGE031
表示/>
Figure 728974DEST_PATH_IMAGE032
越小，赋予/>
Figure 886286DEST_PATH_IMAGE033
的校正参数越大，以减小驴皮表面褶皱纹理的影响。故缺陷概率/>
Figure 883192DEST_PATH_IMAGE026
越大，对应图像块内的含有缺陷概率越大。
以同样的方法获取每个图像块的缺陷概率。
预先选取一张无缺陷的鲜驴皮的表面图像作为标准图像，计算标准图像内每个标准图像块的标准缺陷概率，以所有标准缺陷概率的平均值的预设倍数作为缺陷阈值；将缺陷概率大于缺陷阈值的图像块筛选出来，即为含有缺陷的图像块；基于含有缺陷的图像块内所有像素点的灰度值筛选出缺陷像素点，由缺陷像素点组成缺陷区域。
首先人工选取一张无缺陷的鲜驴皮表面图像作为标准图像，根据上述计算缺陷概率的步骤计算这张标准图像中每个标注图像块的标准缺陷概率，取这组标准缺陷概率的均值为
Figure 830157DEST_PATH_IMAGE034
，以/>
Figure 596119DEST_PATH_IMAGE034
的预设倍数作为缺陷阈值。作为一个示例，本发明实施例中预设倍数为1.5，即以1.5/>
Figure 189911DEST_PATH_IMAGE034
作为缺陷阈值。
若当前鲜驴皮表面图像内的任意一个图像块的缺陷概率
Figure 372981DEST_PATH_IMAGE035
，则该图像块内含有缺陷。鲜驴皮表面图像内褶皱纹理和缺陷区域的像素点灰度值小于正常区域的像素点灰度值，且缺陷区域的像素点灰度值比褶皱纹理区域的灰度值更小。因此通过筛选灰度值较小的像素点提取缺陷像素点。
以一个含有缺陷的图像块为例，计算该图像块内的灰度均值为K，取该图像块内灰度值小于K的像素点为疑似缺陷像素点，疑似缺陷像素点包含褶皱纹理像素点和缺陷像素点。因此再计算疑似缺陷像素点的灰度均值
Figure 687419DEST_PATH_IMAGE036
，取疑似像素点中灰度值小于/>
Figure 760417DEST_PATH_IMAGE037
的像素点为缺陷像素点。由缺陷像素点组成缺陷区域。
基于缺陷区域的面积评估驴皮表面质量：通过统计像素点的数量获取完整鲜驴皮表面的面积为R，以及其表面缺陷区域面积为
Figure 305537DEST_PATH_IMAGE038
，由此获得当前完整鲜驴皮表面质量U为：
Figure 667248DEST_PATH_IMAGE039
。缺陷面积越大，缺陷程度越大，驴皮的质量越差。
进一步的，本实施例设定当
Figure 988639DEST_PATH_IMAGE040
时，认定当前的完整鲜驴皮为优质驴皮；当
Figure 384985DEST_PATH_IMAGE041
时，认定当前的完整鲜驴皮为合格驴皮；当/>
Figure 510461DEST_PATH_IMAGE042
时，认定当前的完整鲜驴皮为不合格驴皮。由此完成鲜驴皮的分级，对不同等级的驴皮进行分拣加工。
综上所述，本发明实施例俯视采集鲜驴皮表面图像，在表面图像的灰度图像中提取驴皮区域的连通域作为目标连通域；获取目标连通域的外接矩形并划分为预设数量的矩形，每个矩形作为一个图像块；基于图像块中灰度级的差异获取每个图像块的光泽变化剧烈程度；根据最小的预设比例的灰度级对应的坐标与图像块中心点之间的距离获取距离离散程度；结合光泽变化剧烈程度、距离离散程度以及图像块中灰度级的数量获取图像块的第一缺陷概率；对于每个图像块，通过二值化和闭运算获取包括纹理和缺陷的第一连通域，根据二值化后的图像块中每行每列的像素点连续为零的链码长度获取结构元素尺寸；利用该尺寸的结构元素对图像块进行闭运算得到去除纹理的新图像块，基于第一连通域在图像块和新图像块中对应位置的灰度值差异获取图像块的非缺陷概率；根据第一缺陷概率和非缺陷概率获取每个图像块的缺陷概率，依据缺陷概率筛选出含有缺陷的图像块，并分割出缺陷区域；基于缺陷区域的面积评估驴皮表面质量。本发明能够在无损检测的基础上提高缺陷检测的准确性。
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或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。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；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，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 (10)

1.一种用于阿胶制品生产的原材料质检方法，其特征在于，该方法包括以下步骤：
俯视采集鲜驴皮表面图像，在表面图像的灰度图像中提取驴皮区域的连通域作为目标连通域；获取目标连通域的外接矩形并划分为预设数量的矩形，每个矩形作为一个图像块；
基于图像块中灰度级的差异获取每个图像块的光泽变化剧烈程度；将图像块内的灰度级从小到大排列，选取前预设比例的灰度级对应的像素点，根据选取的像素点对应的坐标与图像块中心点之间的距离获取距离离散程度；结合所述光泽变化剧烈程度、所述距离离散程度以及图像块中灰度级的数量获取图像块的第一缺陷概率；
对于每个图像块，通过二值化和闭运算获取包括纹理和缺陷的第一连通域，根据二值化后的图像块中每行每列的像素点连续为零的链码长度获取结构元素尺寸；利用该尺寸的结构元素对图像块进行闭运算得到去除纹理的新图像块，基于第一连通域在图像块和新图像块中对应位置的灰度值差异获取图像块的非缺陷概率；
根据所述第一缺陷概率和所述非缺陷概率获取每个图像块的缺陷概率，依据所述缺陷概率筛选出含有缺陷的图像块，并分割出缺陷区域；基于缺陷区域的面积评估驴皮表面质量。
2.根据权利要求1所述的一种用于阿胶制品生产的原材料质检方法，其特征在于，所述目标连通域的提取过程为：
获取无鲜驴皮的背景图像，通过将所述灰度图像与所述背景图像的灰度图像进行差分，得到所述驴皮区域，对所述驴皮区域进行连通域分析得到所述目标连通域。
3.根据权利要求1所述的一种用于阿胶制品生产的原材料质检方法，其特征在于，所述光泽变化剧烈程度的获取方法为：
统计图像块内所有像素点的灰度级，并按照大小排序，获取前预设比例的灰度级的平均值，以及后预设比例的平均值，将两个平均值中的较大值减去较小值的差值作为所述光泽变化剧烈程度。
4.根据权利要求1所述的一种用于阿胶制品生产的原材料质检方法，其特征在于，所述距离离散程度的获取方法为：
根据坐标得到选取的像素点与图像块中心点的距离，计算所有距离的方差即为所述距离离散程度。
5.根据权利要求1所述的一种用于阿胶制品生产的原材料质检方法，其特征在于，所述第一缺陷概率的获取方法为：
计算灰度级的数量与光泽变化剧烈程度的乘积，以该乘积与所述距离离散程度的比值作为所述第一缺陷概率。
6.根据权利要求1所述的一种用于阿胶制品生产的原材料质检方法，其特征在于，所述第一连通域的获取方法为：
获取图像块内所有像素点灰度值的均值作为灰度阈值，将灰度值小于灰度阈值的像素点的灰度值置零，剩余像素点的灰度值置1，得到二值化图像块；利用预设大小的窗口对二值化图像块进行闭运算，去除孤立点，得到包括纹理和缺陷的所述第一连通域。
7.根据权利要求6所述的一种用于阿胶制品生产的原材料质检方法，其特征在于，所述结构元素尺寸的获取方法为：
逐行逐列统计二值化图像块的每行或者每列像素点中连续为0的链码长度，选取所有链码长度的众数作为所述结构元素尺寸。
8.根据权利要求1所述的一种用于阿胶制品生产的原材料质检方法，其特征在于，所述非缺陷概率的获取方法为：
计算每个第一连通域在图像块和新图像块中对应位置的灰度值的差值绝对值，所有差值绝对值的平均值为对应第一连通域的缺陷表征值，在图像块中的所有缺陷表征值中选取最小值作为所述非缺陷概率。
9.根据权利要求1所述的一种用于阿胶制品生产的原材料质检方法，其特征在于，所述缺陷概率的获取方法为：
基于每个图像块的非缺陷概率获取对应的第二缺陷概率，所述非缺陷概率和所述第二缺陷概率的和为预设值；获取所述外接矩形内的所有图像块的第二缺陷概率的和，以每个图像块的第二缺陷概率在所述和中的占比作为校正参数，乘上所述第一缺陷概率得到所述缺陷概率。
10.根据权利要求1所述的一种用于阿胶制品生产的原材料质检方法，其特征在于，所述依据所述缺陷概率筛选出含有缺陷的图像块，并分割出缺陷区域，包括：
预先选取一张无缺陷的鲜驴皮的表面图像作为标准图像，计算标准图像内每个标准图像块的标准缺陷概率，以所有标准缺陷概率的平均值的预设倍数作为缺陷阈值；将所述缺陷概率大于所述缺陷阈值的图像块筛选出来，即为含有缺陷的图像块；基于含有缺陷的图像块内所有像素点的灰度值筛选出缺陷像素点，由缺陷像素点组成所述缺陷区域。
CN202211402373.2A 2022-11-10 2022-11-10 一种用于阿胶制品生产的原材料质检方法 Active CN115457037B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211402373.2A CN115457037B (zh) 2022-11-10 2022-11-10 一种用于阿胶制品生产的原材料质检方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211402373.2A CN115457037B (zh) 2022-11-10 2022-11-10 一种用于阿胶制品生产的原材料质检方法

Publications (2)

Publication Number Publication Date
CN115457037A CN115457037A (zh) 2022-12-09
CN115457037B true CN115457037B (zh) 2023-03-24

Family

ID=84295710

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211402373.2A Active CN115457037B (zh) 2022-11-10 2022-11-10 一种用于阿胶制品生产的原材料质检方法

Country Status (1)

Country Link
CN (1) CN115457037B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116091506B (zh) * 2023-04-12 2023-06-16 湖北工业大学 一种基于yolov5的机器视觉缺陷质检方法
CN116862911B (zh) * 2023-09-04 2023-12-15 山东本草堂中药饮片有限公司 一种中药饮片质量视觉检测分析系统
CN116883403B (zh) * 2023-09-07 2023-11-14 山东国宏生物科技有限公司 一种基于机器视觉的大豆品质检测方法
CN117115172B (zh) * 2023-10-25 2024-01-12 山东鲁润阿胶药业有限公司 一种基于机器视觉的阿胶品质检测方法及系统
CN117784721A (zh) * 2023-11-14 2024-03-29 东莞德芳油墨科技有限公司 一种生产水性环保油墨智能控制系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082683A (zh) * 2022-08-22 2022-09-20 南通三信塑胶装备科技股份有限公司 一种基于图像处理的注塑缺陷检测方法
CN115239704A (zh) * 2022-09-19 2022-10-25 南通友联新材料科技有限公司 一种木材表面缺陷的精准检测修复方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005308464A (ja) * 2004-04-20 2005-11-04 Dainippon Screen Mfg Co Ltd 欠陥検出装置および欠陥検出方法
CN103778624A (zh) * 2013-12-20 2014-05-07 中原工学院 一种基于最优阈值分割的织物疵点检测方法
JP2016058465A (ja) * 2014-09-08 2016-04-21 株式会社日立ハイテクノロジーズ 欠陥定量化方法、欠陥定量化装置、および欠陥評価値表示装置
TWI603074B (zh) * 2015-07-03 2017-10-21 元智大學 光學薄膜缺陷辨識方法及其系統
CN106338520A (zh) * 2016-09-18 2017-01-18 南京林业大学 一种表板为拼板的多层实木复合地板表面缺陷的识别方法
US10430938B2 (en) * 2017-07-20 2019-10-01 Applied Materials Israel Ltd. Method of detecting defects in an object
CN107451595A (zh) * 2017-08-04 2017-12-08 河海大学 基于混合算法的红外图像显著性区域检测方法
CN112348773B (zh) * 2020-09-28 2022-09-23 歌尔股份有限公司 屏幕缺陷检测方法、装置和电子设备
CN112365450A (zh) * 2020-10-23 2021-02-12 安徽启新明智科技有限公司 基于图像识别的物品分类计数的方法、装置和存储介质
CN115294113B (zh) * 2022-09-30 2023-10-27 南通佳木汇木制品有限公司 一种木饰面板质量检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082683A (zh) * 2022-08-22 2022-09-20 南通三信塑胶装备科技股份有限公司 一种基于图像处理的注塑缺陷检测方法
CN115239704A (zh) * 2022-09-19 2022-10-25 南通友联新材料科技有限公司 一种木材表面缺陷的精准检测修复方法

Also Published As

Publication number Publication date
CN115457037A (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
CN115457037B (zh) 一种用于阿胶制品生产的原材料质检方法
CN114549522B (zh) 基于目标检测的纺织品质量检测方法
CN113538433B (zh) 基于人工智能的机械铸件缺陷检测方法及系统
CN114937055B (zh) 基于人工智能的图像自适应分割方法与系统
CN109191459B (zh) 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法
Blasco et al. Recognition and classification of external skin damage in citrus fruits using multispectral data and morphological features
CN111402226A (zh) 一种基于级联卷积神经网络的表面疵点检测方法
CN114757900A (zh) 基于人工智能的纺织品缺陷类型识别方法
CN109215009B (zh) 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法
CN111753794B (zh) 水果品质分类方法、装置、电子设备及可读存储介质
CN111861990B (zh) 一种产品不良外观检测的方法、系统及存储介质
CN111242185A (zh) 一种基于深度学习的缺陷快速初筛方法及系统
CN114219794B (zh) 基于机器视觉的刨花板表面质量评估方法及系统
CN111986195B (zh) 一种外观缺陷检测方法及系统
CN111122590B (zh) 一种陶瓷表面缺陷检测装置及检测方法
CN115100206B (zh) 用于具有周期图案纺织物的印花缺陷识别方法
CN116703911B (zh) 一种led灯生产质量检测系统
CN116559111A (zh) 一种基于高光谱成像技术的高粱品种识别方法
EP3896650A1 (en) Quality control system for series production
CN109859199B (zh) 一种sd-oct图像的淡水无核珍珠质量检测的方法
Agustin et al. Automatic milled rice quality analysis
CN112419278A (zh) 一种基于深度学习的实木地板分类方法
CN112396580A (zh) 一种圆形零件缺陷检测方法
CN113935981A (zh) 一种基于aoi检测的瑕疵量化评估方法
CN113269251A (zh) 基于机器视觉和深度学习融合的水果瑕疵分类方法、装置、存储介质及计算机设备

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20221209

Assignee: SHANDONG DONGE XINAORUN EJIAO PRODUCTS CO.,LTD.

Assignor: Aorun (Shandong) Pharmaceutical Co.,Ltd.

Contract record no.: X2023980044745

Denomination of invention: A quality inspection method for raw materials used in the production of ass hide glue products

Granted publication date: 20230324

License type: Common License

Record date: 20231026

EE01 Entry into force of recordation of patent licensing contract