CN115564705A - 用于精密标准件的毛刺检测精度增强方法及系统 - Google Patents
用于精密标准件的毛刺检测精度增强方法及系统 Download PDFInfo
- Publication number
- CN115564705A CN115564705A CN202210801058.0A CN202210801058A CN115564705A CN 115564705 A CN115564705 A CN 115564705A CN 202210801058 A CN202210801058 A CN 202210801058A CN 115564705 A CN115564705 A CN 115564705A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- threshold
- denoising
- frequency
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 15
- 230000007547 defect Effects 0.000 claims abstract description 25
- 230000009466 transformation Effects 0.000 claims abstract description 21
- 238000001228 spectrum Methods 0.000 claims description 70
- 230000003044 adaptive effect Effects 0.000 claims description 33
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 abstract description 18
- 238000012545 processing Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 230000010354 integration Effects 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000003909 pattern recognition Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种用于精密标准件的毛刺检测精度增强方法及系统。该方法能够实现生产领域人工智能系统等信息系统集成服务、人工智能优化操作系统、人工智能中间件、函数库等功能,还可以用于计算机视觉软件等应用软件开发;该方法采用相关的电子设备进行图形识别以获取精密标准件的初始图像,通过自适应尺度因子系数的小波变换得到该初始图像中的高频图像和低频图像,基于该高频图像和低频图像识别精密标准件的毛刺缺陷区域,提高了对精密标准件表面缺陷识别的精度。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种用于精密标准件的毛刺检测精度增强方法及系统。
背景技术
随着全国产业的升级换代,自动化设备制造业的蓬勃发展,对精密标准件的需求更大,随之对精密标准件的质量要求也越来越高。现有技术中通常采用光学筛选机、机器视觉检测等手段检测精密标准件上存在的缺陷情况。
但现有技术中用机器视觉检测精密标准件表面的缺陷时,会受到各种环境因素的影响,例如光源与相机的位置关系、CCD图像光电转换、传输电路以及电子元件等都会对视觉处理中的图像产生噪声影响,而由于图像中的噪声点部分纹理点的相似从而使得对图像的去噪处理效果较差,以至于后续对精密标准件表面不明显的缺陷检测不准确。
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用于精密标准件的毛刺检测精度增强方法及系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种用于精密标准件的毛刺检测精度增强方法,该方法包括以下步骤:
获取精密标准件的表面图像;对所述表面图像进行语义分割得到初始图像;
基于小波变换得到所述初始图像内的高频图像和低频图像,所述小波变换中的尺度因子系数为自适应尺度因子系数,基于所述自适应尺度因子系数得到自适应第一阈值;
对所述高频图像进行多角度变换得到多张旋转图像,对每张所述旋转图像进行傅里叶变换得到对应的频谱图像,基于所述频谱图像中每个极大值点的自适应第一阈值对所述频谱图像进行分割得到多个去噪阈值;
根据每个所述去噪阈值对所述高频图像以及每个所述旋转图像进行噪声去除得到多张去噪图像,计算每个所述去噪阈值下所有所述去噪图像与其去噪前图像之间的纹理结构一致性,所述纹理结构一致性最小时对应的所述去噪阈值为最优阈值;
基于所述最优阈值对所述高频图像进行噪声去除后的去噪图像为最优去噪图像,基于所述最优去噪图像得到所述精密标准件的毛刺缺陷区域。
优选的,所述小波变换的自适应尺度因子系数的获取步骤,包括:
对所述初始图像进行傅里叶变换得到对应的初始频谱图像,获取所述初始频谱图像中所有极大值点的幅值;
基于任意所述极大值点与其相邻前一个极大值点之间的频域差异得到所述极大值点的自适应尺度因子系数。
优选的,所述基于任意所述极大值点与其相邻前一个极大值点之间的频域差异得到所述极大值点的自适应尺度因子系数的步骤,包括:
所述自适应尺度因子系数为:
其中,α表示自适应尺度因子系数;Wi表示初始频谱图像中第i个极大值点对应的幅值;Wi-1表示初始频谱图像中第i-1个极大值点对应的幅值;C表示第i个极大值点与第i-1个极大值点之间频率的差值。
优选的,所述基于所述自适应尺度因子系数得到自适应第一阈值的步骤,包括:
基于所述初始频谱图像中所有极大值点的幅值构建降序排列的点序列,基于所述点序列以及所述自适应尺度因子系数得到所述自适应第一阈值为:
M1=Wn+α(W1-Wn)
其中,M1表示第一阈值;Wn表示点序列中所有极大值点中幅值最小的点;W1表示点序列中所有极大值点中幅值最大的点;α表示尺度因子系数。
优选的,所述基于所述频谱图像中每个极大值点的自适应第一阈值对所述频谱图像进行分割得到多个去噪阈值的步骤,包括:
获取所述频谱图像中每个极大值点对应的所述自适应第一阈值,所述极大值点幅值大于对应所述自适应第一阈值时,所述极大值点标记为第一点;所述极大值点幅值小于对应所述自适应第一阈值时,所述极大值点标记为第二点;
基于所有所述第一点与所述第二点将所述频谱图像分为多个频谱区间,根据相邻两个所述频谱区间之间的差异得到模型系数;
选取所述模型系数小于零时对应的所述频谱区间为候选频谱区间,获取所有所述候选频谱区间中所有所述极大值点的幅值构建去噪阈值区间,根据所述去噪阈值区间得到多个所述去噪阈值。
优选的,所述计算每个所述去噪阈值下所有所述去噪图像与其去噪前图像之间的纹理结构一致性的步骤,包括:
获取每个所述去噪阈值下每张所述去噪图像与其去噪前图像之间的纹理一致性为:
其中,Z表示纹理一致性;表示第u个旋转图像中第n个窗口内像素点与对应去噪图像中n个窗口内像素点之间的协方差;表示第u个旋转图像中第n个窗口内像素点的标准差;表示去噪图像中第n个窗口内像素点的标准差;Max(mat)表示去噪图像中第n个窗口内像素点的最大灰度值;Min(mat)表示去噪图像中第n个窗口内像素点的最小灰度值;N表示去噪图像中所有窗口的数量;
所述去噪阈值下所有所述去噪图像与其去噪前图像之间的纹理一致性的和为所述纹理结构一致性。
优选的,所述基于所述最优去噪图像得到所述精密标准件的毛刺缺陷区域的步骤,包括:
将所述最优去噪图像与所述低频图像进行拼接得到优化初始图像,根据深度神经网络得到所述优化初始图像中的毛刺缺陷区域。
第二方面,本发明另一个实施例提供了一种用于精密标准件的毛刺检测精度增强系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上述方法所述的步骤。
本发明具有如下有益效果:本发明实施例能够实现生产领域人工智能系统等信息系统集成服务、人工智能优化操作系统、人工智能中间件、函数库等功能,还可以用于计算机视觉软件等应用软件开发;该方法采用相关的电子设备进行图形识别以获取精密标准件的初始图像,通过自适应尺度因子系数的小波变换对初始图像进行处理得到高频图像和低频图像,增加了对图像信息识别的准确度;基于高频图像对应的多角度变换的旋转图像得到多个去噪阈值,基于每个去噪阈值对应去噪效果的纹理结构一致性得到最优阈值,自适应的对图像进行增强,避免了将噪声点误认为纹理点的情况,减少了后续对毛刺缺陷分析的误差,提高了检测的准确性。
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所提供的一种用于精密标准件的毛刺检测精度增强的方法流程图。
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精密标准件的毛刺检测精度增强方法及系统,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。
本申请适用于对精密标准件表面缺陷的检测,为了解决拍摄图像质量对最终检测精度的影响,通过对精密标准件表面的初始图像进行自适应尺度因子系数的小波变换得到对应的高频图像和低频图像,对该高频图像进行多角度变换得到多张旋转图像,对每张旋转图像对应的频谱图像进行分析得到多个去噪阈值,从所有去噪阈值中选取最优阈值对高频图像去噪处理后,从而得到优化初始图像;基于该优化初始图像得到该精密标准件表面的毛刺缺陷区域。提高了图像的清晰度,从而使得对精密标准件的毛刺缺陷识别更加准确。
下面结合附图具体的说明本发明所提供的一种用于精密标准件的毛刺检测精度增强方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于精密标准件的毛刺检测精度增强的方法流程图,该方法包括以下步骤:
步骤S100,获取精密标准件的表面图像;对表面图像进行语义分割得到初始图像。
具体的,通过CCD相机对精密标准件表面的图像进行采集,相机采集位置由实施者根据实际情况自行设定,采集到的图像应包括精密标准件表面的全部区域;进一步对该图像进行灰度化处理,从而得到该精密标准件对应的灰度图记为表面图像。本发明实施例中灰度化手法采用加权灰度化,具体手段不再详细描述。
进一步的,为减少图像分析的计算量,对该表面图像的背景区域进行分割,本发明实施例中采用语义分割网络对表面图像的背景区域进行分割,具体过程为:
(1)语义分割网络的输入为表面图像;
(2)将表面图像中的精密标准件对应像素点标记为1,背景区域像素点标记为0;
(3)损失函数采用均方差损失函数;
(4)语义分割网络的输出为不存在背景区域的初始图像。
由此得到只包括精密标准件区域的初始图像,对该初始图像进行后续分析。
步骤S200,基于小波变换得到初始图像内的高频图像和低频图像,小波变换中的尺度因子系数为自适应尺度因子系数,基于自适应尺度因子系数得到自适应第一阈值。
由步骤S100中获取到精密标准件对应的初始图像,由于精密标准件表面出现的毛刺缺陷属于高频信息,因此需要对初始图像的高频信息和低频信息进行初步识别。本发明实施例中利用小波变换算法对该初始图像进行频域分割;小波变换算法的原理是将图像信号分解为原始小波位移和缩放之后的一组小波;利用多分辨手段对图像频域和时域之间的特征相关程度进行分析,实现对图像的高频信息和低频信息的提取。利用小波变换能够保留图像中的边缘信息,减少噪声的影响且能够获取时域的局部特征信息;但是现有的小波变换常采用固定大小尺度因子系数,无法针对性的对图像的高频信息和低频信息进行分析。
本发明实施例中对小波变换算法构建自适应尺度因子系数,用于提高小波变换在对初始图像进行高频部分和低频部分的局部信息的提取精度。对初始图像进行傅里叶变换得到对应的初始频谱图像,获取初始频谱图像中所有极大值点的幅值;基于任意极大值点与其相邻前一个极大值点之间的频域差异得到极大值点的自适应尺度因子系数。
获取自适应尺度因子系数的具体方法为:
首先,对该初始图像进行傅里叶变换得到对应的傅里叶频谱图,本发明实施例中对该傅里叶频谱图进行归一化得到在2范围内的初始频谱图像,该初始频谱图像的横坐标表示频率,纵坐标表示幅值;统计该初始频谱图像中所有极大值点,将所有极大值点根据幅值进行排序,本发明实施例中将所有极大值点的幅值按照降序排序得到点序列为:
{W1,W2,…,Wn}
其中,W1表示所有极大值点中幅值最大的点;Wn表示所有极大值点中幅值最小的点。
然后,初始频谱图像中极大值点对应的自适应尺度因子系数具体为:
其中,α表示自适应尺度因子系数;Wi表示初始频谱图像中第i个极大值点对应的幅值,i=1,2,…,n;Wi-1表示初始频谱图像中第i-1个极大值点对应的幅值;C表示第i个极大值点与第i-1个极大值点之间频率的差值。
进一步的,根据获取到的每个极大值点的自适应尺度因子系数得到对应的自适应第一阈值为:
M1=Wn+α(W1-Wn)
其中,M1表示自适应第一阈值;Wn表示点序列中所有极大值点中幅值最小的点;W1表示所有极大值点中幅值最大的点;α表示自适应尺度因子系数。
由此,基于不同的极大值点得到自适应尺度因子系数,基于该每个极大值点对应的自适应尺度因子系数得到自适应第一阈值,基于每个极大值点对应的自适应第一阈值对该极大值点属于高频区域或是低频区域进行分析。当该极大值点的幅值大于该自适应第一阈值时,该极大值点为高频点;当该极大值点的幅值小于该自适应第一阈值时,该极大值点为低频点。
进一步的,利用小波函数和尺度函数分别与该初始图像的频谱图计算内积,即通过小波函数和尺度函数对自适应第一阈值划分的频谱图像进行滤波计算,从而基于小波函数与初始图像的频谱图的内积得到高频信息,基于尺度函数与该初始图像的频谱图的内积得到低频信息。小波函数和尺度函数均采用公知的度量函数,尺度函数为小波函数的父函数,可通过伸缩平移得到,再对滤波后的高频信息和低频信息分别进行小波重构还原对应的频谱信号,从而得到对应的高频图像和低频图像。
步骤S300,对高频图像进行多角度变换得到多张旋转图像,对每张旋转图像进行傅里叶变换得到对应的频谱图像,基于频谱图像中每个极大值点的自适应第一阈值对频谱图像进行分割得到多个去噪阈值。
具体的,由步骤S200中得到所述初始图像中的高频图像和低频图像,由于高频图像中所包含的细节信息较多,因此对高频图像进行进一步的分析处理;为提高后续缺陷检测的精度,对该高频图像进行去噪处理,本发明实施例中利用自适应去噪的方法对该高频图像进行处理。
由于小波变换对点的信息表达的较好,对线的信息表达较差,因此首先对该高频图像中的纹理像素点进行旋转扭曲处理,由于经过旋转扭曲后不会改变纹理的结构特性,但是噪声点经过旋转扭曲会发生较大的变化,因此对高频图像进行旋转扭曲以避免在去噪处理时将与纹理相近的噪声点误认为纹理点的情况。
具体的,本发明实施例中以3×3大小的窗口为例,将该窗口的中心像素点作为旋转中心,将该旋转中心像素点八邻域内的其他像素点分别旋转,即以该窗口的长边的中值和该窗口短边的中值将该窗口分为四个区域分别为左上、左下、右上和右下。左上区域包括该旋转中心像素点的左相邻像素点以及旋转中心像素点的左上相邻像素点;左下区域包括该旋转中心像素点的左下相邻像素点以及旋转中心像素点的下相邻像素点;右上区域包括该旋转中心像素点的上相邻像素点以及旋转中心像素点的右上相邻像素点;右下区域包括该旋转中心像素点的右下相邻像素点以及旋转中心像素点的右相邻像素点。将左上区域和右下区域的像素点标记为第一组进行相同角度的旋转,将左下区域和右上区域的像素点标记为第二组进行相同角度的旋转。
需要说明的是,本发明实施例中第一组和第二组像素点进行旋转时分别对应的不同角度。
作为优选,本发明实施例中将旋转角度设置为45°,90°,180°,即第一组和第二组像素点分别按照这三个角度进行旋转,设置每个角度组合只出现一次,因此可得到三组旋转角度对第一组和第二组的像素点进行旋转扭曲。
利用该窗口对高频图像进行滑窗处理,得到所有像素点进行旋转扭曲变换后的旋转图像,由于本发明实施例中为三组旋转角度,则由该高频图像得到三张旋转扭曲变换后的旋转图像。
进一步的,对每张旋转图像进行傅里叶变换得到对应的频谱图像,获取频谱图像中每个极大值点对应的自适应第一阈值,极大值点幅值大于对应自适应第一阈值时,极大值点标记为第一点;极大值点幅值小于对应自适应第一阈值时,极大值点标记为第二点;基于所有第一点与第二点将频谱图像分为多个频谱区间,根据相邻两个频谱区间之间的差异得到模型系数;选取模型系数小于零时对应的频谱区间为候选频谱区间,获取所有候选频谱区间中所有极大值点的幅值构建去噪阈值区间,根据去噪阈值区间得到多个去噪阈值。
具体的,利用步骤S200中获取每个极大值点自适应第一阈值的方法得到该频谱图像中每个极大值点的自适应第一阈值,进而利用同样的方法基于该自适应第一阈值对每张频谱图像进行分割从而得到多个频谱区间。在傅里叶变换后的频域方向上,图像频谱信号的极大值随着尺度因子的增大而增大,以此构建每个频谱区间的尺度因子与频谱信号极大值的关系模型为:
基于模型系数的大小对每张旋转图像对应的频谱区间进行选取,由于噪声频谱信号的极大值随着尺度因子的增大而减小,因此将模型系数k小于零时对应的频谱区间进行筛选,标记所有模型系数k小于零时对应的频谱区间为候选频谱区间,获取所有候选频谱区间内所有极大值点中幅值最大值Wmax和幅值最小值Wmin,以得到的幅值最大值和幅值最小值构建去噪阈值区间M2∈(Wmin,Wmax)。
进一步的,将该去噪阈值区间等分为多个区间段,以每个区间段的端点值作为阈值,则根据该去噪阈值区间得到多个阈值。以此类推,获取每张旋转图像的去噪阈值区间,将每个旋转图像对应的去噪阈值区间均等分为数量一致的多个区间段,从而得到三组相同数量的阈值。
本发明实施例中将三组相同数量的阈值分别对应求均值,每个均值即为一个去噪阈值,从而得到多个去噪阈值。
步骤S400,根据每个去噪阈值对高频图像以及每个旋转图像进行噪声去除得到多张去噪图像,计算每个去噪阈值下所有去噪图像与其去噪前图像之间的纹理结构一致性,纹理结构一致性最小时对应的去噪阈值为最优阈值。
具体的,由步骤S300中得到多个去噪阈值,基于每个去噪阈值对高频图像以及每行旋转图像进行去噪处理,从而得到高频图像以及三张旋转图像分别去噪后的去噪图像;基于每张图像在不同去噪阈值处理下的前后结构一致性得到最优阈值,具体的:获取任意一个去噪阈值下任意一张旋转图像的去噪图像,基于旋转图像以及去噪图像得到纹理一致性为:
其中,Z表示纹理一致性;表示第u个旋转图像中第n个窗口内像素点与对应去噪图像中n个窗口内像素点之间的协方差;表示第u个旋转图像中第n个窗口内像素点的标准差;表示去噪图像中第n个窗口内像素点的标准差;Max(mat)表示去噪图像中第n个窗口内像素点的最大灰度值;Min(mat)表示去噪图像中第n个窗口内像素点的最小灰度值;N表示去噪图像中所有窗口的数量,也即旋转图像中所有窗口的数量。
以此类推,获取在该去噪阈值下每张旋转图像以及高频图像去噪处理前后的纹理一致性,计算该四张图像对应纹理一致性的和作为该去噪阈值下的纹理结构一致性。基于相同的方法,获取每个去噪阈值下对应的纹理结构一致性,选取纹理结构一致性最小时对应的去噪阈值为最优阈值。
步骤S500,基于最优阈值对高频图像进行噪声去除后的去噪图像为最优去噪图像,基于最优去噪图像得到精密标准件的毛刺缺陷区域。
具体的,由步骤S400中获取到最优阈值,基于该最优阈值对高频图像进行去噪处理得到的去噪图像为最优去噪图像,具体的噪声去除手段常用的包括中值滤波、均值滤波等,实施者可根据实际情况进行选取。
进一步的,本发明实施例中利用训练完成的深度神经网络对毛刺缺陷进行识别,将最优去噪图像与低频图像进行拼接得到优化初始图像,根据深度神经网络得到优化初始图像中的毛刺缺陷区域。即将去噪完成的最优去噪图像与步骤S200中得到的低频图像进行拼接重构得到优化初始图像,将该优化初始图像作为该深度神经网络的输入图像,对优化初始图像中存在毛刺缺陷的区域进行检测,深度神经网络的输出为该优化初始图像中存在毛刺缺陷区域的图像。
综上所述,本发明实施例中首先获取精密标准件表面的初始图像,对该初始图像进行自适应尺度因子系数的小波变换得到对应的高频图像和低频图像,对该高频图像进行多角度变换得到多张旋转图像,对每张旋转图像对应的频谱图像进行分析得到多个去噪阈值,计算每个去噪阈值下所有旋转图像以及高频图像在去噪前后的纹理一致性从而得到每个去噪阈值对应的纹理结构一致性,纹理结构一致性最小时对应的去噪阈值为最优阈值,该最优阈值对高频图像去噪处理后的去噪图像为最优去噪图像,从而将最优去噪图像与低频图像进行拼接得到完整的优化初始图像,基于该优化初始图像得到该精密标准件表面的毛刺缺陷区域。提高了图像的清晰度,从而使得对精密标准件的毛刺缺陷识别更加准确。
基于与上述方法实施例相同的发明构思,本发明实施例还提供了一种用于精密标准件的毛刺检测精度增强系统,该系统包括:存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种用于精密标准件的毛刺检测精度增强方法实施例中的步骤,例如图1所示的步骤。该一种用于精密标准件的毛刺检测精度增强方法在上述实施例中已经详细说明,不再赘述。
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。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。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 (8)
1.一种用于精密标准件的毛刺检测精度增强方法,其特征在于,该方法包括以下步骤:
获取精密标准件的表面图像;对所述表面图像进行语义分割得到初始图像;
基于小波变换得到所述初始图像内的高频图像和低频图像,所述小波变换中的尺度因子系数为自适应尺度因子系数,基于所述自适应尺度因子系数得到自适应第一阈值;
对所述高频图像进行多角度变换得到多张旋转图像,对每张所述旋转图像进行傅里叶变换得到对应的频谱图像,基于所述频谱图像中每个极大值点的自适应第一阈值对所述频谱图像进行分割得到多个去噪阈值;
根据每个所述去噪阈值对所述高频图像以及每个所述旋转图像进行噪声去除得到多张去噪图像,计算每个所述去噪阈值下所有所述去噪图像与其去噪前图像之间的纹理结构一致性,所述纹理结构一致性最小时对应的所述去噪阈值为最优阈值;
基于所述最优阈值对所述高频图像进行噪声去除后的去噪图像为最优去噪图像,基于所述最优去噪图像得到所述精密标准件的毛刺缺陷区域。
2.根据权利要求1所述的一种用于精密标准件的毛刺检测精度增强方法,其特征在于,所述小波变换的自适应尺度因子系数的获取步骤,包括:
对所述初始图像进行傅里叶变换得到对应的初始频谱图像,获取所述初始频谱图像中所有极大值点的幅值;
基于任意所述极大值点与其相邻前一个极大值点之间的频域差异得到所述极大值点的自适应尺度因子系数。
4.根据权利要求3所述的一种用于精密标准件的毛刺检测精度增强方法,其特征在于,所述基于所述自适应尺度因子系数得到自适应第一阈值的步骤,包括:
基于所述初始频谱图像中所有极大值点的幅值构建降序排列的点序列,基于所述点序列以及所述自适应尺度因子系数得到所述自适应第一阈值为:
M1=Wn+α(W1-Wn)
其中,M1表示第一阈值;Wn表示点序列中所有极大值点中幅值最小的点;W1表示点序列中所有极大值点中幅值最大的点;α表示尺度因子系数。
5.根据权利要求1所述的一种用于精密标准件的毛刺检测精度增强方法,其特征在于,所述基于所述频谱图像中每个极大值点的自适应第一阈值对所述频谱图像进行分割得到多个去噪阈值的步骤,包括:
获取所述频谱图像中每个极大值点对应的所述自适应第一阈值,所述极大值点幅值大于对应所述自适应第一阈值时,所述极大值点标记为第一点;所述极大值点幅值小于对应所述自适应第一阈值时,所述极大值点标记为第二点;
基于所有所述第一点与所述第二点将所述频谱图像分为多个频谱区间,根据相邻两个所述频谱区间之间的差异得到模型系数;
选取所述模型系数小于零时对应的所述频谱区间为候选频谱区间,获取所有所述候选频谱区间中所有所述极大值点的幅值构建去噪阈值区间,根据所述去噪阈值区间得到多个所述去噪阈值。
6.根据权利要求1所述的一种用于精密标准件的毛刺检测精度增强方法,其特征在于,所述计算每个所述去噪阈值下所有所述去噪图像与其去噪前图像之间的纹理结构一致性的步骤,包括:
获取每个所述去噪阈值下每张所述去噪图像与其去噪前图像之间的纹理一致性为:
其中,Z表示纹理一致性;表示第u个旋转图像中第n个窗口内像素点与对应去噪图像中n个窗口内像素点之间的协方差;表示第u个旋转图像中第n个窗口内像素点的标准差;表示去噪图像中第n个窗口内像素点的标准差;Max(mat)表示去噪图像中第n个窗口内像素点的最大灰度值;Min(mat)表示去噪图像中第n个窗口内像素点的最小灰度值;N表示去噪图像中所有窗口的数量;
所述去噪阈值下所有所述去噪图像与其去噪前图像之间的纹理一致性的和为所述纹理结构一致性。
7.根据权利要求1所述的一种用于精密标准件的毛刺检测精度增强方法,其特征在于,所述基于所述最优去噪图像得到所述精密标准件的毛刺缺陷区域的步骤,包括:
将所述最优去噪图像与所述低频图像进行拼接得到优化初始图像,根据深度神经网络得到所述优化初始图像中的毛刺缺陷区域。
8.一种用于精密标准件的毛刺检测精度增强系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器在执行所述计算机程序时实现如权利要求1~7任意一项方法所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210801058.0A CN115564705B (zh) | 2022-07-08 | 2022-07-08 | 用于精密标准件的毛刺检测精度增强方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210801058.0A CN115564705B (zh) | 2022-07-08 | 2022-07-08 | 用于精密标准件的毛刺检测精度增强方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115564705A true CN115564705A (zh) | 2023-01-03 |
CN115564705B CN115564705B (zh) | 2023-07-07 |
Family
ID=84738457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210801058.0A Active CN115564705B (zh) | 2022-07-08 | 2022-07-08 | 用于精密标准件的毛刺检测精度增强方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115564705B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115880289A (zh) * | 2023-02-21 | 2023-03-31 | 深圳普菲特信息科技股份有限公司 | 一种基于大数据处理的钢卷毛刺识别方法、系统及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296600A (zh) * | 2016-08-01 | 2017-01-04 | 大连理工大学 | 一种基于小波变换图像分解的对比度增强方法 |
CN111798396A (zh) * | 2020-07-01 | 2020-10-20 | 中通服咨询设计研究院有限公司 | 一种基于小波变换的多功能图像处理方法 |
CN114325598A (zh) * | 2021-12-10 | 2022-04-12 | 网络通信与安全紫金山实验室 | 信号去噪的方法及装置 |
-
2022
- 2022-07-08 CN CN202210801058.0A patent/CN115564705B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296600A (zh) * | 2016-08-01 | 2017-01-04 | 大连理工大学 | 一种基于小波变换图像分解的对比度增强方法 |
CN111798396A (zh) * | 2020-07-01 | 2020-10-20 | 中通服咨询设计研究院有限公司 | 一种基于小波变换的多功能图像处理方法 |
CN114325598A (zh) * | 2021-12-10 | 2022-04-12 | 网络通信与安全紫金山实验室 | 信号去噪的方法及装置 |
Non-Patent Citations (1)
Title |
---|
游斌相: "基于小波变换的磁粉缺陷图像特征提取与检测" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115880289A (zh) * | 2023-02-21 | 2023-03-31 | 深圳普菲特信息科技股份有限公司 | 一种基于大数据处理的钢卷毛刺识别方法、系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115564705B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114842017B (zh) | 一种hdmi线缆表面质量检测方法及系统 | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
Priyadharsini et al. | Object detection in underwater acoustic images using edge based segmentation method | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN111738256B (zh) | 基于改进分水岭算法的复合材料ct图像分割方法 | |
CN116630329B (zh) | 用于多轴多通道数控系统的在线视觉检测方法 | |
CN115311507B (zh) | 基于数据处理的建筑板材分类方法 | |
CN112508913B (zh) | 基于图像检测的电缆截面边沿检测方法 | |
CN116152115B (zh) | 基于计算机视觉的垃圾图像去噪处理方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN111223063A (zh) | 基于纹理特征和双核函数的手指静脉图像nlm去噪方法 | |
CN115564705B (zh) | 用于精密标准件的毛刺检测精度增强方法及系统 | |
CN112634159A (zh) | 基于盲噪声估计的高光谱图像去噪方法 | |
CN116758336A (zh) | 一种基于人工智能的医学图像智能分析系统 | |
CN117689655A (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
CN109829902B (zh) | 一种基于广义S变换和Teager属性的肺部CT图像结节筛选方法 | |
CN114998311A (zh) | 一种基于同态滤波的零件精密度检测方法 | |
CN114863189A (zh) | 一种基于大数据的图像智能识别方法 | |
CN115994870B (zh) | 一种用于增强去噪的图像处理方法 | |
CN115294314B (zh) | 一种电子元器件表面缺陷识别方法 | |
CN110349129B (zh) | 一种高密度柔性ic基板外观缺陷检测方法 | |
CN114627164A (zh) | 一种图像局部结构差异评估方法及系统 | |
CN117474897B (zh) | 一种充电器表面缺陷视觉检测方法 | |
CN116958182B (zh) | 基于图像数据的混凝土裂缝快速检测方法 | |
Kale et al. | Lung cancer prognosis by implementing various evolutionary Image processing steps |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230613 Address after: Room 3137, Building B, No. 555 Dongchuan Road, Minhang District, Shanghai, 201100 Applicant after: Youceng Intelligent Technology (Shanghai) Co.,Ltd. Address before: Room 168, No. 15, Minghua New Village, Gulou District, Nanjing, Jiangsu Province, 210000 Applicant before: Nanjing Jingfengsheng Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |