CN116030055A - 一种电梯相关配件质量检测方法 - Google Patents
一种电梯相关配件质量检测方法 Download PDFInfo
- Publication number
- CN116030055A CN116030055A CN202310315277.2A CN202310315277A CN116030055A CN 116030055 A CN116030055 A CN 116030055A CN 202310315277 A CN202310315277 A CN 202310315277A CN 116030055 A CN116030055 A CN 116030055A
- Authority
- CN
- China
- Prior art keywords
- traction motor
- image
- motor rotor
- linear function
- elevator traction
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000012886 linear function Methods 0.000 claims abstract description 79
- 238000000034 method Methods 0.000 claims abstract description 71
- 230000008859 change Effects 0.000 claims abstract description 46
- 238000001914 filtration Methods 0.000 claims abstract description 29
- 230000007547 defect Effects 0.000 claims description 22
- 238000003709 image segmentation Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 8
- 230000002950 deficient Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 18
- 230000008569 process Effects 0.000 abstract description 9
- 238000004364 calculation method Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种电梯相关配件质量检测方法,该方法通过电梯曳引电机转子的结构特征在搜索窗口中得到至少两个直线函数模型,根据每个直线函数模型对应的纹理变化特征序列与目标像素点对应的纹理变化特征序列之间的相似度,得到目标像素点对应的窗口遍历区域,通过滑窗在窗口遍历区域进行遍历完成对目标像素点灰度值的更新,进一步得到电梯曳引电机转子去噪图像,完成去噪过程。本发明基于NLM非局部均值滤波方法的思想,根据滑窗遍历窗口遍历区域完成电梯曳引电机转子图像的去噪,在减少计算量的同时去噪效果优秀。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种电梯相关配件质量检测方法。
背景技术
电梯作为日常生活中经常使用的设备,其驱动方式主要包括螺杆驱动、液压驱动和曳引驱动,其中大多数的电梯的驱动方式为曳引驱动。对于曳引驱动电梯,其主要的动力来源为曳引电机,而曳引电机的转子承担了整个电机的动力输出工作,其质量问题与曳引电梯的安全息息相关,所以在电梯曳引电机转子生产过程中需要进行准确的质量检测以保证曳引电梯的安全性。对电梯曳引电机转子质量检测的传统方法主要为:通过人眼借助观测介质例如显微镜以及X射线等对电梯曳引电机转子进行质量检测,但是传统的质量检测方法存在人工主观因素、大型仪器检测成本过高、检测效率慢等局限性。
现有技术通常通过NLM非局部均值滤波方法检测电梯曳引电机转子图像的缺陷完成质量检测,但是现有技术中的NLM非局部均值滤波方法对电梯曳引电机转子图像进行去噪时,遍历区域过大,导致计算量大且由于电梯曳引电机转子结构的特殊性,导致所去噪的信息容易受到其他无关信息的影响,造成对应的去噪效果较差。
发明内容
为了解决现有技术中的NLM非局部均值滤波方法对电梯曳引电机转子图像进行去噪时,遍历区域过大,导致计算量大且由于电梯曳引电机转子结构的特殊性,导致所去噪的信息容易受到其他无关信息的影响,造成对应的去噪效果较差的技术问题,本发明的目的在于提供一种电梯相关配件质量检测方法,所采用的技术方案具体如下:
本发明提出了一种电梯相关配件质量检测方法,所述方法包括:
获取电梯曳引电机转子图像;
在所述电梯曳引电机转子图像中以每个像素点为中心建立预设第一尺寸大小的窗口得到对应的邻域窗口,以目标像素点为中心建立预设第二尺寸大小的窗口得到搜索窗口,根据电梯曳引电机转子的结构特征在所述搜索窗口中得到至少两个直线函数模型,根据每个直线函数模型所经过像素点组成的区域的纹理变化特征得到对应的纹理变化特征序列,计算所述目标像素点所处直线函数模型与其他直线函数模型对应的纹理变化特征序列的序列相似度,以所述序列相似度最高的直线函数模型所经过所有像素点的邻域窗口组成的区域作为目标像素点对应的窗口遍历区域;
基于NLM非局部均值滤波方法通过预设第一尺寸大小的滑窗在窗口遍历区域进行遍历,完成目标像素点灰度值的更新,改变目标像素点完成电梯曳引电机转子图像中各个像素点灰度值的更新,得到电梯曳引电机转子去噪图像;
对所述电梯曳引电机转子去噪图像采用图像分割法检测出缺陷区域,根据所述缺陷区域完成电梯曳引电机转子的质量检测。
进一步地,所述直线函数模型的获取方法包括:
以目标像素点为中心建立坐标系,对所述电梯曳引电机转子图像进行霍夫直线变换拟合出至少两条霍夫直线,在所述坐标系中获得至少两个与所述霍夫直线平行的直线函数模型。
进一步地,所述纹理变化特征序列的获取方法包括:
通过LBP算法计算目标直线函数模型在所述电梯曳引电机转子图像经过的所有像素点对应的LBP值,统计目标直线函数模型所有像素点的LBP值并顺序排列得到目标直线函数模型对应的LBP值序列,计算所述LBP值序列的标准差,通过二阶差分法得到所述LBP值序列对应的二阶差分序列,通过二阶差分序列和标准差的乘积得到目标直线函数模型对应的纹理变化特征序列;
改变目标直线函数模型得到所有直线函数模型对应的纹理变化特征序列。
进一步地,所述对所述电梯曳引电机转子去噪图像采用图像分割法检测出缺陷区域包括:
采用直方图均衡化对所述电梯曳引电机转子去噪图像进行图像增强得到增强曳引电机转子去噪图像,对所述增强曳引电机转子去噪图像通过最大类间方差法进行阈值分割得到电梯曳引电机转子二值图像,对所述电梯曳引电机转子二值图像进行开运算操作后进行图像分割检测出缺陷区域。
进一步地,所述计算所述目标像素点所处直线函数模型与其他直线函数模型对应的纹理变化特征序列的序列相似度包括:
通过DTW序列算法计算所述目标像素点所处直线函数模型与其他直线函数模型对应的纹理变化特征序列的序列相似度。
本发明具有如下有益效果:
考虑到NLM非局部均值滤波方法在去噪的同时能够最大程度的保持图像的细节特征,本发明根据电梯曳引电机转子的结构特征得到至少两个直线函数模型,根据每个直线函数模型的纹理变化特征对应的纹理变化特征序列之间的相似度得到窗口遍历区域,本发明将窗口遍历区域缩小为直线区域,并且通过纹理变化特征序列的序列相似度筛选出窗口遍历区域,避免了目标像素点邻域窗口内噪声对灰度值更新的影响,在减少计算量的同时,使得本发明对电梯曳引转子图像的去噪效果相比于NLM非局部均值滤波方法更加优秀。综上所述,本发明基于NLM非局部均值滤波方法的思想,根据滑窗遍历窗口遍历区域完成电梯曳引电机转子图像的去噪,在减少计算量的同时去噪效果优秀。
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电梯相关配件质量检测方法流程图;
图2为本发明一个实施例所提供的一种非局部均值滤波算法原理示意图;
图3为本发明一个实施例所提供的一种电梯曳引电机转子表面局部图像;
图4为本发明一个实施例所提供的一种电梯曳引电机转子霍夫直线变换前图像;
图5为本发明一个实施例所提供的一种电梯曳引电机转子霍夫直线变换后图像;
图6为本发明一个实施例所提供的一种LBP算子特征图。
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电梯相关配件质量检测方法,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。
实施例:
下面结合附图具体的说明本发明所提供的一种电梯相关配件质量检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种电梯相关配件质量检测方法流程图,该方法包括:
步骤S1:获取电梯曳引电机转子图像。
本发明实施例目的在于提供一种电梯相关配件质量检测方法,针对电梯曳引电机转子的质量检测问题,采用图像数据处理的方法对电梯曳引电机转子图像中出现的缺陷进行检测,本发明实施例主要对电梯曳引电机转子图像的去噪方法进行改进,提高后续对电梯曳引电机转子图像缺陷检测的准确度,从而提高电梯曳引电机转子的质量检测精度。所以首先需要获取本发明实施例的检测对象,即获取电梯曳引电机转子图像。需要说明的是,本发明实施例所提供的质量检测方法能够检测所有与电梯曳引电机转子结构相似的电梯相关配件,即表面图像对应的纹理存在鲜明直线特征的电梯相关配件。
本发明实施例通过工业高清相机采集电梯曳引电机转子图像,考虑到图像采集过程会受到光照影响,本发明实施例为了保证光源稳定性,采用LED灯组成LED灯带,进一步将发光角度固定,使得光源能够均匀铺照在电机转子上,进一步提升工业高清相机拍摄图像的信噪比。由于通过不同的拍摄角度拍摄同一区域的电梯曳引电机转子图像的效果不同,所以为了控制拍摄角度这一变量,本发明实施例将工业高清相机固定,在单幅拍摄完成后根据所拍摄的图像对电梯曳引电机转子滚动角度进行确定,转动电梯曳引电机转子继续下次拍摄直至把转子的外表所有区域都拍摄完成,获取高清相机中电梯曳引电机转子的RGB图像继续进行后续的检测。
为了便于后续的图像处理操作,本发明实施例将采集到的电梯曳引电机转子的RGB图像转化为灰度图像,并且考虑到应用场景,本发明实施例将电梯曳引电机转子的灰度图像整体亮度进行提高,根据最大值法灰度化图像,选择电梯曳引电机转子的RGB图像中RGB三通道中的最大值进行灰度化处理。需要说明的是,后续过程的描述中所有的电梯曳引电机转子图像均为灰度化后的电梯曳引电机转子图像。
步骤S2:在电梯曳引电机转子图像中以每个像素点为中心建立预设第一尺寸大小的窗口得到对应的邻域窗口,以目标像素点为中心建立预设第二尺寸大小的窗口得到搜索窗口,根据电梯曳引电机转子的结构特征在搜索窗口中得到至少两个直线函数模型,根据每个直线函数模型所经过像素点组成的区域的纹理变化特征得到对应的纹理变化特征序列,计算目标像素点所处直线函数模型与其他直线函数模型对应的纹理变化特征序列的序列相似度,以序列相似度最高的直线函数模型所经过所有像素点的邻域窗口组成的区域作为目标像素点对应的窗口遍历区域。
电梯曳引电机转子的生产流程一般都在车间内进行,对应环境空间比较复杂,密封性较差,对应的所采集到的电梯曳引电机转子图像的噪声相对较大,在通过图像数据处理的方法对电梯曳引电机转子图像进行缺陷检测时受到噪声的影响较为严重。因此本发明实施例通过提高图像处理的去噪处理效果进一步提高后续对电梯曳引电机转子图像缺陷检测的准确性。
现有技术对图像的去噪方法包括但不限于均值滤波、方框滤波、高斯滤波、中值滤波。考虑到电梯曳引电机转子表面纹理特征较为明显,本发明实施例针对该特点,通过对表面纹理特征明显的图像去噪效果较好的NLM非局部均值滤波算法。
传统NLM非局部均值滤波方法的具体过程:
请参阅图2,其示出了本发明一个实施例提供的一种非局部均值滤波算法原理示意图。图2中x为待降噪像素点即目标像素点,最大的外边框是根据待降噪像素点x确定的搜索窗口,待降噪像素点x与其八邻域范围内的像素点共同组成一个邻域窗口X,Y为图像中一个可以滑动的邻域窗口Y,该滑窗Y由图中任意一像素点y与其八邻域范围内的像素点共同组成。进一步通过滑窗Y遍历图中每个像素点,计算每次滑动时滑窗Y对应的邻域窗口与待降噪像素点的邻域窗口X的相似度,根据相似度进行权值计算,根据相似度权值对图像中每个像素点的灰度值进行加权求和得出待降噪点的灰度值。进一步地将每个像素点作为待降噪点计算对应的灰度值完成对图像的去噪。
但是考虑到本发明实施例通过工业高清相机拍摄电梯曳引电机转子图像,对应的电梯曳引电机转子中像素点密度很高,而NLM非局部均值滤波方法需要遍历整张图像的像素点,对应的计算量十分巨大,且通过NLM非局部均值滤波方法遍历整张图像时待降噪点本身邻域范围内的噪声也会对最终的去噪效果产生影响,从而降低去噪质量。
考虑到电梯曳引电机转子的构造具有一定规模的规则性和纹理性,因此本发明实施例将电梯曳引电机转子图像根据电梯曳引电机转子的结构划分为多个层次。请参阅图3,其示出了本发明一个实施例提供的一种电梯曳引电机转子表面局部图像,图3中的电梯曳引电机转子表面由结构矩形构成,同一结构矩形内像素点的纹理特征相似,结构矩形之间具有一定的规则性和层次性,且存在相同宽度大小的空隙,但是矩形的边界并没有处于水平或者垂直,其具有一定的倾斜角度。对于不同型号的电梯曳引电机转子,可能存在不同的结构矩形之间不存在空隙的情况,但是由于不同型号的电梯曳引电机转子结构是相似的,在电梯曳引电机转子图像中同样存在一定规则性和层次性的结构特征,即在平行于结构矩形的直线对应的表面区域纹理具有较高的重复性和相似度。本发明实施例针对电梯曳引电机转子的结构特征进行分析。
本发明实施例对电梯曳引电机转子图像的去噪方法是基于NLM非局部均值滤波方法原理进行的,所以首先需要在电梯曳引电机转子图像中以每个像素点为中心建立预设第一尺寸大小的窗口得到对应的邻域窗口。在本发明实施例中预设第一尺寸大小设置为3×3,即以每个像素点与其八邻域范围内其他像素点组成的区域记为对应的邻域窗口。进一步地以目标像素点为中心建立预设第二尺寸大小的窗口得到搜索窗口。在本发明实施例中,第二尺寸大小设置为21×21。需要说明的是,第一尺寸大小和第二尺寸大小在NLM非局部均值滤波方法中是根据图像平均灰度值来确定的,实施者可根据具体的实施情况对第一尺寸大小和第二尺寸大小进行调整。
由于平行于结构矩形的直线对应的表面区域纹理具有较高的重复性和相似度,因此本发明实施例以电梯曳引电机转子的结构矩形的边界对应直线的方向作为向量方向提出数学模型,在搜索窗口中以相同的向量方向确定y值采样点,即本发明实施例以与结构矩形的边界对应直线平行的直线与搜索窗口相交的所有像素点邻域窗口组成的区域作为待选择窗口遍历区域,相比于传统的NLM非局部均值滤波方法需要遍历搜索窗口内所有像素点,在达到相同降噪效果的同时初步减少了整体的计算量。由于目标像素点对应领域窗口内存在噪声会对目标像素点最终灰度值的计算造成影响,并且不同直线对应的待选择窗口遍历区域对目标像素点的去噪效果不同,所以需要对待选择窗口遍历区域进行进一步地筛选,进而获得最终的窗口遍历区域。本发明实施例根据电梯曳引电机转子的结构特征在搜索窗口中得到至少两个直线函数模型。
优选地,直线函数模型的获取方法包括:
以目标像素点为中心建立坐标系,对电梯曳引电机转子图像进行霍夫直线变换拟合出至少两条霍夫直线。通过霍夫直线变换拟合出电梯曳引电机转子结构矩形间隙所处的直线,对应的电梯曳引电机转子不同结构矩形间隙所处的直线之间互相平行,对应的不同霍夫直线之间倾斜程度一致。请参阅图4,其示出了本发明一个实施例提供的一种电梯曳引电机转子霍夫直线变换前图像,图4中电梯曳引电机转子的不同结构矩形间隙之间的直线之间平行且存在一定的倾斜角度。请参阅图5,其示出了本发明一个实施例提供的一种电梯曳引电机转子霍夫直线变换后图像,将图4通过霍夫直线变换得到图5,在图5中不同结构矩形之间的间隙通过平行的直线表示,其中任意一条直线与水平方向的夹角记为。
根据所有直线在坐标系中的对应的函数模型得到至少两个直线函数模型。进一步地,根据结构矩形间隙对应直线在坐标系中进行平移,将坐标系的y轴上的像素点到目标像素点之间的距离作为截距,以结构矩形间隙所拟合直线的倾斜角度作为斜率拟合直线函数模型。在坐标系的y轴上每个像素点即可对应一条直线函数模型,在本发明实施例中,在搜索窗口中得到21条直线函数模型。直线函数模型在公式上表现为:
其中,为像素点的纵坐标,为像素点的横坐标,为结构矩形间隙所拟合直线与水平方向的夹角,为直线函数模型在坐标系中的斜率;为垂直平移量即直线函数模型在坐标系中的截距,其取值范围为搜索窗口的宽度,在本发明实施例中,的取值范围为,单位长度为像素点的宽度。对应该直线上任意一个像素点坐标值,通过直线函数模型能够快速的定位每条直线在搜索窗口中经过的像素点。
目标像素点对应的直线函数模型在公式上表现出为0的特殊情况,由于目标像素点为搜索窗口的中心,且为坐标系的中心,所以在目标像素点对应的直线函数模型的基础上改变的取值,即可得到多条不同的直线函数模型。在本发明实施例中,通过改变的取值在目标像素点对应的搜索窗口中得到21条不同的直线函数模型。
进一步地,将滑窗遍历区域缩小至每条直线函数模型经过的像素点的邻域窗口对应的直线区域,考虑到如果直接将目标像素点所在直线模型对应的直线区域作为窗口遍历区域,对应的由于窗口遍历区域较小,目标像素点的邻域窗口内原本的噪声对目标像素点最终灰度值的计算造成的影响较大,对应的去噪效果较差。因此本发明实施例在目标像素点对应的搜索窗口中选取与目标像素点对应直线模型相似度最高的直线模型对应的直线区域作为窗口遍历区域。如果仅根据灰度值计算不同直线模型之间的相似度,则目标像素点的邻域窗口内噪声的存在会对相似度计算造成影响,进一步影响最终的计算结果。
因此基于电梯曳引电机转子纹理特征明显的特点,本发明实施例根据每个直线函数模型所经过像素点组成的区域的纹理变化特征得到对应的纹理变化特征序列。通过计算目标像素点所处直线函数模型与其他直线函数模型对应的纹理变化特征序列的序列相似度,以序列相似度最高的直线函数模型所经过所有像素点的邻域窗口组成的区域作为目标像素点对应的窗口遍历区域。通过计算每个直线函数模型对应的纹理变化特征进行相似度计算,减少目标像素点邻域窗口内的噪声影响,进一步将所计算出与目标像素点对应直线模型相似度最高的直线模型对应的区域作为窗口遍历区域,相比于现有的NLM非局部均值滤波方法避免了冗余窗口的遍历,显著的减少了计算量。并且由于电梯曳引电机转子的纹理特征明显,对应的同一直线区域下像素点的相似度和重复度较高,受到噪声的影响普遍较小,在最终的窗口遍历区域进行滑窗遍历对应的去噪效果相比于NLM非局部均值滤波方法对应的去噪效果更好。
优选地,纹理变化特征序列的获取方法包括:
通过局部二值化算法即LBP算法计算目标直线函数模型在电梯曳引电机转子图像经过的所有像素点对应的LBP值。通过LBP值能够表征每个像素点对应邻域范围内像素点的灰度值分布特征。在本发明实施例中,选用的LBP算子为十字形算子,即将每个像素点作为中心像素点与其四邻域范围内其他像素点的灰度值进行比较,将四邻域中大于中心像素点灰度值的像素点记为1,小于等于中心像素点灰度值的像素点记为0。进一步地每个像素点对应的都能得到4个二进制数,将二进制数按照一定顺序进行排列后转化为十进制数即可得到每个像素点对应的LBP值。
对于本发明一个实施例采用的LBP算法,请参阅图6,其示出了本发明一个实施例提供的一种LBP算子特征图,图6展示了一个3×3大小的窗口,窗口中每个正方体表示一个像素点,窗口最中间的像素点即中心像素点为需要计算LBP值的像素点,通过比较中心像素点与其四邻域内其他像素点的灰度值得到4个二进制数,将4个二进制数按照图6所示的顺序排列组合为一个二进制数,进一步将组合得到的二进制数转化为十进制数得到中心像素点对应的LBP值。
进一步地统计目标直线函数模型所有像素点的LBP值并顺序排列得到目标直线函数模型对应的LBP值序列。本发明实施例将每个直线函数模型的经过的所有像素点对应的LBP值,在目标像素点对应的搜索窗口中按照从上到下、从左到右的顺序依次排列得到对应的LBP值序列。
进一步地对每个直线函数模型对应的LBP序列进行分析,确定每个直线函数模型所经过的区域内纹理特征向量的变化。本发明实施例计算LBP值序列的标准差,标准差能够表现出LBP值序列的波动程度变化。通过二阶差分法得到LBP值序列对应的二阶差分序列,二阶差分序列能够体现出波动程度的大小,即向量变化的大小。通过二阶差分序列和标准差的乘积得到目标直线函数模型对应的纹理变化特征序列;改变目标直线函数模型得到所有直线函数模型对应的纹理变化特征序列。由于纹理变化特征序列通过表征波动程度变化的标准差和表征波动程度大小的二阶差分序列得到,所以该纹理变化特征序列能够表征直线函数模型所经过区域内纹理向量波动程度以及变化大小。进一步地使得到的窗口遍历区域对应的去噪效果更加优秀。
优选地,考虑到在目标像素点对应的搜索窗口中,不同直线函数模型在搜索窗口中经过的像素点数量可能不一致,即对应的不同纹理变化特征序列的长度不一致,为了进一步计算目标像素点所处直线函数模型与其他直线函数模型对应的纹理变化特征序列的序列相似度,本发明实施例通过动态时间规整算法即DTW序列算法计算目标像素点所处直线函数模型与其他直线函数模型对应的纹理变化特征序列的序列相似度。需要说明的是,DTW序列算法为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
进一步地统计目标像素点的直线函数模型对应的纹理变化特征序列与其他纹理变化特征序列之间的序列相似度,将序列相似度最高的纹理变化特征序列对应的直线函数模型所经过的所有像素点的邻域窗口组成的区域作为窗口遍历区域。进一步地在该窗口遍历区域上通过滑窗进行遍历计算目标像素点的灰度值,相较于传统的NLM非局部均值滤波方法中遍历搜索窗口中所有像素点的过程大幅度降低了计算量并且对应的去噪效果更好。
至此,得到与目标像素点匹配的窗口遍历区域。
步骤S3:基于NLM非局部均值滤波方法通过预设第一尺寸大小的滑窗在窗口遍历区域进行遍历,完成目标像素点灰度值的更新,改变目标像素点完成电梯曳引电机转子图像中各个像素点灰度值的更新,得到电梯曳引电机转子去噪图像。
进一步地基于NLM非局部均值滤波方法的思想,通过滑窗在目标像素点对应的窗口遍历区域进行遍历,完成对目标像素点灰度值的更新完成去噪。本发明实施例基于NLM非局部均值滤波方法通过预设第一尺寸大小的滑窗在窗口遍历区域进行遍历,完成目标像素点灰度值的更新。
对目标像素点灰度值的更新过程包括:
统计目标像素点对应的窗口遍历区域中滑窗遍历的所有窗口,根据像素点的灰度值计算滑窗遍历的每个窗口与目标像素点的邻域窗口之间的窗口相似度,将窗口相似度归一化后得到滑窗遍历的每个窗口对应的相似度权值,根据滑窗遍历的每个窗口中像素点的灰度值与对应相似度权值乘积的累加和得到目标像素点的灰度值。需要说明的是,该目标像素点灰度值的更新过程与NLM非局部均值滤波方法的思想一致,在此不对目标像素点灰度值的更新过程的意义做进一步赘述。
进一步地改变目标像素点完成电梯曳引电机转子图像中各个像素点灰度值的更新,得到电梯曳引电机转子去噪图像。
至此,通过得到电梯曳引电机转子去噪图像完成对电梯曳引电机转子图像的去噪。
步骤S4:对电梯曳引电机转子去噪图像采用图像分割法检测出缺陷区域,根据缺陷区域完成电梯曳引电机转子的质量检测。
进一步地在完成对电梯曳引电机转子图像的去噪的基础上,继续进行电梯曳引电机转子缺陷的检测,本发明实施例对电梯曳引电机转子去噪图像采用图像分割法检测出缺陷区域。
优选地,采用直方图均衡化对电梯曳引电机转子去噪图像进行图像增强得到增强曳引电机转子去噪图像。进一步对增强曳引电机转子去噪图像通过最大类间方差法进行阈值分割得到电梯曳引电机转子二值图像。通过直方图均衡化和最大类间方差法对电梯曳引电机转子去噪图像进行处理,能够使得电梯曳引电机转子去噪图像的细节更加突出并且能够改善视觉效果。需要说明的是,直方图均衡化和最大类间方差法均为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
对电梯曳引电机转子二值图像进行开运算操作后进行图像分割检测出缺陷区域。开运算的目的是将电梯曳引电机转子表面的缺陷区域进行放大使得缺陷特征更加明显。图像分割方法的选择包括但不限于区域生长法、区域分裂合并法、分水岭法以及边缘检测法,实施者可根据实施情况自由选取。在本发明实施例中,图像分割方法选用边缘检测法。需要说明的是,开运算操作和包括边缘检测法在内的图像分割方法均为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
最后根据缺陷区域完成电梯曳引电机转子的质量检测。在图像数据处理阶段筛选出存在问题的缺陷电梯曳引电机转子,进一步对缺陷电梯曳引电机转子进行人工筛检进一步确定缺陷电梯曳引电机转子的具体缺陷情况,包括但不限于缺陷电梯曳引电机转子表面存在凹坑、脏点、裂纹缺陷。进一步针对缺陷的具体情况对缺陷电梯曳引电机转子进行维修或报废处理完成电梯曳引电机转子的质量检测。
综上所述,本发明通过电梯曳引电机转子的结构特征在搜索窗口中得到至少两个直线函数模型,根据每个直线函数模型对应的纹理变化特征序列与目标像素点对应的纹理变化特征序列之间的相似度,得到目标像素点对应的窗口遍历区域,通过滑窗在窗口遍历区域进行遍历完成对目标像素点灰度值的更新,进一步得到电梯曳引电机转子去噪图像,完成去噪过程。本发明基于NLM非局部均值滤波方法的思想,根据滑窗遍历窗口遍历区域完成电梯曳引电机转子图像的去噪,在减少计算量的同时去噪效果优秀。
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。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。
Claims (5)
1.一种电梯相关配件质量检测方法,其特征在于,所述方法包括:
获取电梯曳引电机转子图像;
在所述电梯曳引电机转子图像中以每个像素点为中心建立预设第一尺寸大小的窗口得到对应的邻域窗口,以目标像素点为中心建立预设第二尺寸大小的窗口得到搜索窗口,根据电梯曳引电机转子的结构特征在所述搜索窗口中得到至少两个直线函数模型,根据每个直线函数模型所经过像素点组成的区域的纹理变化特征得到对应的纹理变化特征序列,计算所述目标像素点所处直线函数模型与其他直线函数模型对应的纹理变化特征序列的序列相似度,以所述序列相似度最高的直线函数模型所经过所有像素点的邻域窗口组成的区域作为目标像素点对应的窗口遍历区域;
基于NLM非局部均值滤波方法通过预设第一尺寸大小的滑窗在窗口遍历区域进行遍历,完成目标像素点灰度值的更新,改变目标像素点完成电梯曳引电机转子图像中各个像素点灰度值的更新,得到电梯曳引电机转子去噪图像;
对所述电梯曳引电机转子去噪图像采用图像分割法检测出缺陷区域,根据所述缺陷区域完成电梯曳引电机转子的质量检测。
2.根据权利要求1所述的一种电梯相关配件质量检测方法,其特征在于,所述直线函数模型的获取方法包括:
以目标像素点为中心建立坐标系,对所述电梯曳引电机转子图像进行霍夫直线变换拟合出至少两条霍夫直线,在所述坐标系中获得至少两个与所述霍夫直线平行的直线函数模型。
3.根据权利要求1所述的一种电梯相关配件质量检测方法,其特征在于,所述纹理变化特征序列的获取方法包括:
通过LBP算法计算目标直线函数模型在所述电梯曳引电机转子图像经过的所有像素点对应的LBP值,统计目标直线函数模型所有像素点的LBP值并顺序排列得到目标直线函数模型对应的LBP值序列,计算所述LBP值序列的标准差,通过二阶差分法得到所述LBP值序列对应的二阶差分序列,通过二阶差分序列和标准差的乘积得到目标直线函数模型对应的纹理变化特征序列;
改变目标直线函数模型得到所有直线函数模型对应的纹理变化特征序列。
4.根据权利要求1所述的一种电梯相关配件质量检测方法,其特征在于,所述对所述电梯曳引电机转子去噪图像采用图像分割法检测出缺陷区域包括:
采用直方图均衡化对所述电梯曳引电机转子去噪图像进行图像增强得到增强曳引电机转子去噪图像,对所述增强曳引电机转子去噪图像通过最大类间方差法进行阈值分割得到电梯曳引电机转子二值图像,对所述电梯曳引电机转子二值图像进行开运算操作后进行图像分割检测出缺陷区域。
5.根据权利要求1所述的一种电梯相关配件质量检测方法,其特征在于,所述计算所述目标像素点所处直线函数模型与其他直线函数模型对应的纹理变化特征序列的序列相似度包括:
通过DTW序列算法计算所述目标像素点所处直线函数模型与其他直线函数模型对应的纹理变化特征序列的序列相似度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310315277.2A CN116030055B (zh) | 2023-03-29 | 2023-03-29 | 一种电梯相关配件质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310315277.2A CN116030055B (zh) | 2023-03-29 | 2023-03-29 | 一种电梯相关配件质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116030055A true CN116030055A (zh) | 2023-04-28 |
CN116030055B CN116030055B (zh) | 2023-07-11 |
Family
ID=86077957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310315277.2A Active CN116030055B (zh) | 2023-03-29 | 2023-03-29 | 一种电梯相关配件质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116030055B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116862907A (zh) * | 2023-08-30 | 2023-10-10 | 无锡市明通动力工业有限公司 | 基于图像特征的电机配件质量检测方法 |
CN116993742A (zh) * | 2023-09-28 | 2023-11-03 | 中色(天津)新材料科技有限公司 | 基于机器视觉的镍合金轧制缺陷检测方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6285801B1 (en) * | 1998-05-29 | 2001-09-04 | Stmicroelectronics, Inc. | Non-linear adaptive image filter for filtering noise such as blocking artifacts |
CN102117482A (zh) * | 2011-04-13 | 2011-07-06 | 西安电子科技大学 | 结合结构信息的非局部均值图像去噪方法 |
CN103927730A (zh) * | 2014-01-22 | 2014-07-16 | 西安电子科技大学 | 基于Primal Sketch修正及矩阵填充的图像降噪方法 |
CN107644210A (zh) * | 2017-09-22 | 2018-01-30 | 哈尔滨工业大学(威海) | 基于图像处理的微生物数量估算方法 |
CN108765332A (zh) * | 2018-05-23 | 2018-11-06 | 成都信息工程大学 | 一种椭圆搜索窗口和参数自适应的非局部均值去噪方法 |
CN108921800A (zh) * | 2018-06-26 | 2018-11-30 | 成都信息工程大学 | 基于形状自适应搜索窗口的非局部均值去噪方法 |
CN110648290A (zh) * | 2019-09-06 | 2020-01-03 | 西安交通大学 | 一种基于sure参数优化的双核非局部均值图像去噪方法 |
CN111223063A (zh) * | 2020-01-12 | 2020-06-02 | 杭州电子科技大学 | 基于纹理特征和双核函数的手指静脉图像nlm去噪方法 |
CN111339822A (zh) * | 2017-07-17 | 2020-06-26 | Oppo广东移动通信有限公司 | 活体检测方法及相关产品 |
KR20200143597A (ko) * | 2019-06-14 | 2020-12-24 | 경북대학교 산학협력단 | 라인 검출 방법 |
CN112330566A (zh) * | 2020-11-12 | 2021-02-05 | 武汉工程大学 | 图像去噪的方法、装置及计算机存储介质 |
CN115206334A (zh) * | 2022-06-30 | 2022-10-18 | 哈尔滨工程大学 | 一种极地声信号增强和识别方法 |
CN115803787A (zh) * | 2021-07-07 | 2023-03-14 | 柯镂虚拟时尚股份有限公司 | 纹理图像生成方法及装置 |
CN115830513A (zh) * | 2022-12-31 | 2023-03-21 | 浙江大华技术股份有限公司 | 一种图像场景变化确定的方法、装置、系统及存储介质 |
-
2023
- 2023-03-29 CN CN202310315277.2A patent/CN116030055B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6285801B1 (en) * | 1998-05-29 | 2001-09-04 | Stmicroelectronics, Inc. | Non-linear adaptive image filter for filtering noise such as blocking artifacts |
CN102117482A (zh) * | 2011-04-13 | 2011-07-06 | 西安电子科技大学 | 结合结构信息的非局部均值图像去噪方法 |
CN103927730A (zh) * | 2014-01-22 | 2014-07-16 | 西安电子科技大学 | 基于Primal Sketch修正及矩阵填充的图像降噪方法 |
CN111339822A (zh) * | 2017-07-17 | 2020-06-26 | Oppo广东移动通信有限公司 | 活体检测方法及相关产品 |
CN107644210A (zh) * | 2017-09-22 | 2018-01-30 | 哈尔滨工业大学(威海) | 基于图像处理的微生物数量估算方法 |
CN108765332A (zh) * | 2018-05-23 | 2018-11-06 | 成都信息工程大学 | 一种椭圆搜索窗口和参数自适应的非局部均值去噪方法 |
CN108921800A (zh) * | 2018-06-26 | 2018-11-30 | 成都信息工程大学 | 基于形状自适应搜索窗口的非局部均值去噪方法 |
KR20200143597A (ko) * | 2019-06-14 | 2020-12-24 | 경북대학교 산학협력단 | 라인 검출 방법 |
CN110648290A (zh) * | 2019-09-06 | 2020-01-03 | 西安交通大学 | 一种基于sure参数优化的双核非局部均值图像去噪方法 |
CN111223063A (zh) * | 2020-01-12 | 2020-06-02 | 杭州电子科技大学 | 基于纹理特征和双核函数的手指静脉图像nlm去噪方法 |
CN112330566A (zh) * | 2020-11-12 | 2021-02-05 | 武汉工程大学 | 图像去噪的方法、装置及计算机存储介质 |
CN115803787A (zh) * | 2021-07-07 | 2023-03-14 | 柯镂虚拟时尚股份有限公司 | 纹理图像生成方法及装置 |
CN115206334A (zh) * | 2022-06-30 | 2022-10-18 | 哈尔滨工程大学 | 一种极地声信号增强和识别方法 |
CN115830513A (zh) * | 2022-12-31 | 2023-03-21 | 浙江大华技术股份有限公司 | 一种图像场景变化确定的方法、装置、系统及存储介质 |
Non-Patent Citations (6)
Title |
---|
M. LI ET AL: "Improved Non-local Means Algorithm for Image Denosing", 《ICCSN》, pages 358 - 361 * |
XIANG-SONG ZHANG ET AL: "Research on Noise Reduction and Enhancement Algorithm of Girth Weld Image", 《SIGNAL & IMAGE PROCESSING》, vol. 12, no. 1, pages 9 - 21 * |
李志远等: "测井图像的多级中值滤波算法及其FPGA实现", 《电子设计工程》, vol. 23, no. 20, pages 169 - 172 * |
杨洲等: "基于超像素分割的非局部均值去噪方法", 《计算机应用研究》, vol. 35, no. 5, pages 1573 - 7577 * |
萧澍等: "椭圆窗口和参数自适应的非局部均值算法", 《计算机辅助设计与图形学学报》, vol. 32, no. 1, pages 79 - 89 * |
陈强云等: "基于增强邻域结构方向信息的图像去噪算法", 《合肥工业大学学报(自然科学版)》, vol. 38, no. 10, pages 1358 - 1362 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116862907A (zh) * | 2023-08-30 | 2023-10-10 | 无锡市明通动力工业有限公司 | 基于图像特征的电机配件质量检测方法 |
CN116862907B (zh) * | 2023-08-30 | 2023-11-03 | 无锡市明通动力工业有限公司 | 基于图像特征的电机配件质量检测方法 |
CN116993742A (zh) * | 2023-09-28 | 2023-11-03 | 中色(天津)新材料科技有限公司 | 基于机器视觉的镍合金轧制缺陷检测方法 |
CN116993742B (zh) * | 2023-09-28 | 2023-12-22 | 中色(天津)新材料科技有限公司 | 基于机器视觉的镍合金轧制缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116030055B (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116030055B (zh) | 一种电梯相关配件质量检测方法 | |
CN113450307B (zh) | 一种产品边缘缺陷检测方法 | |
CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
CN112950508A (zh) | 一种基于计算机视觉的排水管道视频数据修复方法 | |
CN111612737B (zh) | 一种人造板表面瑕疵检测装置及检测方法 | |
CN110596116B (zh) | 一种车辆表面瑕疵检测方法及检测系统 | |
CN115797342B (zh) | 一种工业控制电容触摸lcd显示总成缺陷检测方法 | |
CN116990323B (zh) | 一种高精密印刷版视觉检测系统 | |
CN115131354B (zh) | 一种基于光学手段的实验室用塑料薄膜缺陷检测方法 | |
CN116758083A (zh) | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 | |
CN116486091B (zh) | 基于人工智能的风机叶片缺陷区域快速分割方法及系统 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115620061A (zh) | 一种基于图像识别技术的五金零件缺陷检测方法及系统 | |
CN115272256A (zh) | 亚像素级传感光纤路径高斯提取方法及系统 | |
CN114881965A (zh) | 一种基于人工智能和图像处理的木板节子检测方法 | |
Rekik et al. | Review of satellite image segmentation for an optimal fusion system based on the edge and region approaches | |
CN115131336B (zh) | 一种显示屏四色背景画面下的暗线缺陷检测方法 | |
CN100371944C (zh) | 基于反射或透射光强分布特性的灰度图像分割方法 | |
CN116152255A (zh) | 一种改性塑料生产瑕疵判断方法 | |
CN113284158B (zh) | 一种基于结构约束聚类的图像边缘提取方法及系统 | |
CN115222730A (zh) | 一种基于线扫光谱共聚焦相机的缺陷检测算法 | |
CN115393290A (zh) | 边缘缺陷检测方法、装置及设备 | |
CN212646436U (zh) | 一种人造板表面瑕疵检测装置 | |
CN114548250A (zh) | 一种基于数据分析的手机外观检测方法及装置 |
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 |