CN116128880A - 一种极耳模具表面开裂的识别方法 - Google Patents
一种极耳模具表面开裂的识别方法 Download PDFInfo
- Publication number
- CN116128880A CN116128880A CN202310408862.7A CN202310408862A CN116128880A CN 116128880 A CN116128880 A CN 116128880A CN 202310408862 A CN202310408862 A CN 202310408862A CN 116128880 A CN116128880 A CN 116128880A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- pixel
- neighborhood
- energy
- initial
- 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 65
- 238000005336 cracking Methods 0.000 title claims abstract description 28
- 238000004891 communication Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 12
- 230000007547 defect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000000452 restraining effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012216 screening 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
- 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
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30148—Semiconductor; IC; Wafer
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理领域,具体涉及一种极耳模具表面开裂的识别方法。获取极耳模具表面图像及其前景像素点簇类中的多个连通域;将相邻两个连通域之间最短欧式距离对应的两个像素点分别作为起始像素点和终止像素点;获取起始像素点邻域内每个像素点的剩余能量值,将剩余能量最大值对应的邻域像素点作为路径像素点;以路径像素点为新的起始像素点,依次迭代,直至下一个路径像素点为终止像素点;利用终止像素点的剩余能量值获取连通程度,当连通程度大于预设阈值时,将对应的两个连通域合并后进行开裂识别。本发明通过像素点延伸合并连通域,能够还原图像中的完整开裂区域,保证了开裂检测的准确度。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种极耳模具表面开裂的识别方法。
背景技术
极耳是从电池电芯中将正负极引出来的金属导电体,通俗的讲电池的极耳就是在进行充放电时的接触点,在极耳的生产过程中需要通过极耳模具对极耳进行冲压与切割,由于其线切割加工方式可能会导致模具表面出现开裂的情况,如果极耳模具存在缺陷,则会导致极耳出现缺陷,如:毛刺,飞边等,从而导致电池无法正常使用与其它安全问题,所以在极耳模具的生产过程中需要对其进行严格的质量检测。
现有技术中存在通过图像处理对极耳模具进行质量检测的方法,如利用SVM机器学习方法对图像中的连通域进行裂缝识别,然而由于极耳模具中出现的缺陷通常为裂纹缺陷,且裂纹缺陷延伸不规则,表面裂纹在光照,噪声,裂纹分布情况随机的影响下,在聚类提取前景像素点的过程中会出现前景簇类中同一个异常区域被划分为多个连通域的情况,即连通域出现断开的情况,此时通过SVM机器学习方法对极耳模具图像中的连通域进行裂纹识别时,可能会因为同一个裂纹区域被划分为多个簇类,导致对极耳模具中裂纹识别的精确度下降。
发明内容
为了解决现有技术进行裂纹识别时将同一个裂纹区域划分为多个簇类,使得对极耳模具中裂纹识别的精确度下降的问题,本发明提供一种极耳模具表面开裂的识别方法,包括:获取极耳模具表面图像及其前景像素点簇类中的多个连通域;将相邻两个连通域之间最短欧式距离对应的两个像素点分别作为起始像素点和终止像素点;获取起始像素点邻域内每个像素点的剩余能量值,将剩余能量最大值对应的邻域像素点作为路径像素点;以路径像素点为新的起始像素点,依次迭代,直至下一个路径像素点为终止像素点;利用终止像素点的剩余能量值获取连通程度,当连通程度大于预设阈值时,将对应的两个连通域合并后进行开裂识别。本发明通过像素点延伸合并连通域,能够还原图像中的完整开裂区域,保证了开裂检测的准确度。
本发明采用如下技术方案,一种极耳模具表面开裂的识别方法,包括:
S1.获取极耳模具表面图像,获取极耳模具表面图像的前景像素点簇类中的多个连通域;
S2.任意选取一个连通域作为目标连通域,获取目标连通域与其相邻连通域之间最短欧式距离对应的两个像素点,将目标连通域对应的像素点作为起始像素点,另一个像素点为终止像素点;获取起始像素点的初始能量;
利用起始像素点邻域内每个像素点的灰度特征影响因子以及纹理特征影响因子获取起始像素点邻域内每个像素点的特征奖励能量;
根据起始像素点邻域内每个像素点与终止像素点之间的欧式距离,获取起始像素点邻域内每个像素点的路径惩罚能量;
S3.根据起始像素点的初始能量、起始像素点邻域内每个像素点的特征奖励能量以及路径惩罚能量获取起始像素点的每个邻域像素点对应的剩余能量值,将剩余能量最大值对应的邻域像素点作为路径像素点;
以路径像素点为新的起始像素点,该路径像素点对应的剩余能量值为新的初始能量,依次迭代,直至下一个路径像素点为终止像素点;
S4.获取下一个路径像素点为终止像素点时对应的剩余能量值,利用终止像素点的剩余能量值获取连通程度,当连通程度大于预设阈值时,将目标连通域与其相邻连通域合并,并以合并后的连通域作为新的目标连通域;
S5.依次重复S2-S4,直至前景像素点簇类中不存在可以合并的连通域;
S6.对前景像素点簇类中完成合并后的所有连通域进行开裂识别。
进一步的,一种极耳模具表面开裂的识别方法,起始像素点邻域内每个像素点的灰度特征影响因子的灰度特征影响因子的获取方法如下:
获取起始像素点邻域内每个像素点对前景像素点簇类的隶属度;
获取前景像素点簇类中每个像素点对前景像素点簇类的隶属度均值;
根据起始像素点邻域内每个像素点对前景像素点簇类的隶属度与前景像素点簇类中每个像素点对前景像素点簇类的隶属度均值的比值,对该比值进行归一化得到起始像素点邻域内每个像素点的灰度特征影响因子。
进一步的,一种极耳模具表面开裂的识别方法,起始像素点邻域内每个像素点的纹理特征影响因子的获取方法为:
其中,为起始像素点邻域内第t个像素点的纹理特征影响因子,为起始像素点邻域内第t个像素点与其八邻域内像素点最大灰度差值对应的方向,表示连通域与连通域之间最短欧式距离对应的两个像素点所在直线的斜率,为反三角函数,为归一化函数,为弧度。
进一步的,一种极耳模具表面开裂的识别方法,获取起始像素点邻域内每个像素点的特征奖励能量的方法为:
获取起始像素点邻域内每个像素点的灰度特征影响因子与纹理特征影响因子之和,利用该和值与能量系数的乘积得到起始像素点邻域内每个像素点的特征奖励能量。
进一步的,一种极耳模具表面开裂的识别方法,获取起始像素点邻域内每个像素点的路径惩罚能量的方法为:
获取起始像素点和终止像素点之间的欧式距离,与起始像素点邻域内每个像素点和终止像素点之间的欧式距离的差值,对该差值进行归一化,得到起始像素点邻域内每个像素点的距离变化因子;
根据起始像素点邻域内每个像素点的距离变化因子与能量系数的乘积,得到起始像素点邻域内每个像素点的路径惩罚能量。
进一步的,一种极耳模具表面开裂的识别方法,获取起始像素点的每个邻域像素点对应的剩余能量值的方法为:
利用起始像素点的初始能量与能量系数、起始像素点的每个邻域像素点的路径惩罚能量的差值,根据该差值加上起始像素点的每个邻域像素点的特征奖励能量,得到起始像素点的每个邻域像素点对应的剩余能量值。
进一步的,一种极耳模具表面开裂的识别方法,利用终止像素点的剩余能量值获取连通程度的方法为:
对终止像素点的剩余能量值进行归一化处理,得到连通程度。
进一步的,一种极耳模具表面开裂的识别方法,以路径像素点为新的起始像素点,该路径像素点对应的剩余能量值为新的初始能量,依次迭代,还包括:
当下一个路径像素点对应的剩余能量值为0时,停止迭代。
本发明的有益效果是:本发明首先基于连通域之间的最小欧式距离来确定起始像素点和终止像素点,使得在进行连通域合并的判断时准确度更高,即连通域合并时不会将其他多余的像素点合并进来,进而通过灰度特征影响因子与纹理特征影响因子综合考虑了裂纹的形貌特征与延伸方向特征,以此得到的特征奖励能量是判断两个连通域是否能够连接的重要项,从而确保将同为裂纹的连通域连接起来,同时通过路径惩罚能量对像素点游走过程中的路径进行约束,有助于对两个连通域之间最优连通路径的选择,最终通过得到的剩余能量值对两个连通域之间是否能够合并进行判断,能够实现将图像中所有因为像素点断裂导致划分为多个的连通域重新进行合并,有效提高裂缝识别的准确度。
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为本发明实施例的一种极耳模具表面开裂的识别方法结构示意图。
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。
本发明所针对的具体场景为:
在对极耳模具进行表面开裂识别的过程中,因为表面裂纹在光照,噪声,裂纹分布情况随机的影响下,对水平集分割后的每个区域聚类提取前景像素点的过程中,会出现前景簇类中同一个异常区域被划分为多个连通域的情况,使得在通过SVM机器学习方法对裂纹进行识别时,由于连通域出现断开情况会导致裂纹识别精度下降,甚至出现无法正确识别裂纹的情况。
如图1所示,给出了本发明实施例的一种应急救援指挥中心管理方法结构示意图,包括:
101.获取极耳模具表面图像前景像素点簇类中的多个连通域;
本发明在极耳模具生产过程中通过工业相机获取极耳模具的表面图像,通过水平集方法对图像进行同质化区域的分割,获得若干个同质化的区域,通过模糊聚类方法对每个同质化的区域进行二分类,形成二值图像,提取其中像素点数量少的簇类作为前景像素点簇类,此时能够得到前景像素点簇类中像素点形成的多个连通域。
102.获取起始像素点的初始能量;
本发明在获取到前景像素点簇类中的连通域后(此时连通域像素点所示是否为裂纹是未知的),所以需要通过连通域的延伸方向来确定两个连通域的最近端点,根据实际场景中的裂纹形貌特征与延伸特点定义能量函数,通过能量函数所表述的像素点在两个连通域的最近端点间进行游走,通过能量函数的最优解来判断两个连通域是否可以进行连接,若满足连接条件,则通过像素点游走的最短路径作为连接方案。
由于本发明是根据数值关系来判断像素点是否可以在裂纹特征的限制下从一个连通域到达另一个连通域,因此初始能量与每一步消耗的能量就是一个衡量刻度,因此首先计算两个连通域之间的最短曼哈顿距离(本发明通过像素点在四邻域中进行下一个位置的选择,所以通过曼哈顿距离来衡量初始能量与每一步的消耗能量),因为两个连通域不一定是可以连通的(前景簇类中的连通域也不一定表示的就是裂纹)所以对于初始能量本发明通过欧式距离(两点之间欧式距离小于等于曼哈顿距离,本发明中通过两个距离的差异来表示根据初始能量两个连通域是无法连接的,一定需要裂纹特征所带来的奖励才能到达,而当两个连通域的欧式距离与曼哈顿距离均为一时,此时认为两个连通域之间只有一个像素点的间隔,距离过小所以可以将其直接进行连接)来计算初始能量。
首先对本发明中像素点每走一步所需要消耗的能量,即能量系数进行设定,由于其为常数,不影响计算,且目的是为了将距离数值映射到能量数值,本发明将能量系数的值设定为10,该值可根据实际情况进行改变,本发明中所给出的值仅为一种示例,对此不作限制;
然后本发明选取前景像素点簇类中相邻的两个连通域,获取两个连通域之间的最小欧式距离对应的两个像素点,由于本发明需要从一个连通域的像素点游走至另一个连通域的像素点,因此随机选择两个连通域之间的最小欧式距离对应的两个像素点中的任意一个作为起始像素点,则另一个像素点为终止像素点,从而获取起始像素点的初始能量为:
其中,表示起始像素点的初始能量,表示连通域与连通域之间的最小欧式距离,为能量系数,本发明通过最小欧式距离与能量系数的乘积,从而将距离数值映射到能量数值,表示为初始能量,同时能量系数为固定常数,因此不影响计算。
103.获取起始像素点邻域内每个像素点的特征奖励能量;
在极耳模具表面裂纹中,其在图像上的特征可以分为裂纹灰度特征与裂纹纹理特征;
对于像素点在灰度上的数值特征:在极耳模具表面图像的前景簇类连通域中如果是因为光照原因被错误分为两个簇类,因为裂纹的像素值一定是有差异的,所以可以根据聚类迭代过程结束时的像素点隶属度与前景簇类中像素点平均隶属度之间的差异大小判断灰度特征的符合度,本发明中以聚类方法为模糊聚类为例,相应的如果聚类方法为硬聚类方法则通过第二个衡量方法进行衡量。
起始像素点邻域内每个像素点的灰度特征影响因子的灰度特征影响因子的获取方法如下:
获取起始像素点邻域内每个像素点对前景像素点簇类的隶属度;
获取前景像素点簇类中每个像素点对前景像素点簇类的隶属度均值;
根据起始像素点邻域内每个像素点对前景像素点簇类的隶属度与前景像素点簇类中每个像素点对前景像素点簇类的隶属度均值的比值,对该比值进行归一化得到起始像素点邻域内每个像素点的灰度特征影响因子,表达式为:
其中,表示起始像素点邻域内第t个像素点的灰度特征影响因子,为起始像素点邻域内第t个像素点对前景像素点簇类的隶属度,为前景像素点簇类中每个像素点对前景像素点簇类的隶属度均值,为归一化函数。
在模糊聚类中,在迭代过程结束时,聚类算法获取到的是图像中每一个像素点对于各个簇类的隶属度矩阵,之后通过选择隶属度最高的簇类作为其最终分类,达成去模糊的效果,那么在最终收敛的隶属度矩阵中即可以获得像素点对于每一个簇类的最终隶属度结果,该隶属度结果即为像素点属于每一个簇类的可能性,连通域之间像素点对于裂纹簇类的可能性越高,那么在行走过程中,在这个像素点上获取的能量也就越高,即本发明中计算的灰度特征影响因子。
对于像素点在纹理上的数值特征,本发明通过像素点与其邻域像素点的梯度方向判断当前像素点的主要梯度方向,如果两个连通域为同一裂纹,那么对于纹理上的数值特征则可以通过当前像素点的主要梯度方向与连通域最短距离方向的差异进行纹理特征上的衡量。
起始像素点邻域内每个像素点的纹理特征影响因子的获取方法为:
其中,为起始像素点邻域内第t个像素点的纹理特征影响因子,为起始像素点邻域内第t个像素点与其八邻域内像素点最大灰度差值对应的方向,表示连通域与连通域之间最短欧式距离对应的两个像素点所在直线的斜率,代表的是两个连通域的延伸方向,可以将其理解为如果裂纹从延伸到,那么这个直线就是其最快的延伸方向,为反三角函数,表示将斜率通过反函数映射为角度值,通过角度的差异衡量初始像素点邻域内第个像素点与最优方向的偏差,为归一化函数,为弧度。
对于路径上的像素点,如果该像素点的梯度方向是符合两个连通域的连接方向的则说明路径更符合裂纹的延伸方向,所以本发明根据路径中像素点的梯度方向与连通域最短连接线方向的符合程度来判断梯度方向特征所获得的能量,即本发明中计算的纹理特征影响因子。
获取起始像素点邻域内每个像素点的特征奖励能量的方法为:
获取起始像素点邻域内每个像素点的灰度特征影响因子与纹理特征影响因子之和,利用该和值与能量系数的乘积得到起始像素点邻域内每个像素点的特征奖励能量,表达式为:
其中,表示起始像素点邻域内每个像素点的特征奖励能量,表示起始像素点邻域内第t个像素点的灰度特征影响因子,为起始像素点邻域内第t个像素点的纹理特征影响因子,为能量系数,本发明通过将起始像素点邻域内每个像素点的灰度特征影响因子和纹理特征影响因子相加作为权重,并根据能量系数映射为能量数值,从而表示初始像素点在其每个邻域像素点上所能获取的能量。
104.获取起始像素点邻域内每个像素点的路径惩罚能量;
在像素点的游走过程中,像素点单次移动距离就是曼哈顿距离的1,在这个单位步长下,如果像素点与终点的欧式距离缩小的越大则说明像素点在向着最优的方向进行移动,当其选择其它像素点时,则需要对其进行惩罚,由此,获取起始像素点邻域内每个像素点的路径惩罚能量的方法为:
获取起始像素点和终止像素点之间的欧式距离,与起始像素点邻域内每个像素点和终止像素点之间的欧式距离的差值,对该差值进行归一化,得到起始像素点邻域内每个像素点的距离变化因子,表达式为:
其中,表示起始像素点邻域内第t个像素点的距离变化因子,表示起始像素点与终止像素点之间的欧式距离,表示起始像素点邻域内第t个像素点与终止像素点之间的欧式距离,为归一化函数;
根据起始像素点邻域内每个像素点的距离变化因子与能量系数的乘积,得到起始像素点邻域内每个像素点的路径惩罚能量,表达式为:
其中,为起始像素点邻域内每个像素点的路径惩罚能量,为起始像素点邻域内第t个像素点的距离变化因子,为能量系数;
本发明通过对比每一个待选择的移动点,即起始像素点的每一个邻域像素点与终点的距离差异来判断路径惩罚能量,游走过程中像素点每一步的步长为1,即曼哈顿距离变化为1,在每走一步时,如果欧式距离缩小的最多的话,那么即可说明是距离上的最优选项,从而通过路径惩罚能量可以在游走过程中约束像素点的最优化距离,有助于对于最优连通路径的选择。
105.获取起始像素点的每个邻域像素点对应的剩余能量值;
本发明中判断两个连通域是否可以进行连接的过程,就是判断一个像素点是否可以从一个连通域走到另一个连通域的过程,当一个像素点从一个连通域出发向着另一个连通域游走时,路程中每走一步就需要消耗一些能量,若走到的像素点符合裂纹的形貌与纹理特征,则会给行走的像素点补充能量,在游走的过程中,如果像素点的下一步路径使得像素点与终点的距离增加,那么就需要消耗更多的能量,同时像素点所能行走的方向也要根据前面所有路径进行确定,综合来看,能量函数需要包括路径距离与路径方向的限制因子,裂纹像素点奖励因子与间断情况的惩罚因子。根据上述模型,对于一个像素点从一个连通域走到另一个连通域过程中要确保全局最优,根据最优的剩余能量来评估所判断的两个连通域是否需要进行连接。
获取起始像素点的每个邻域像素点对应的剩余能量值的方法为:
利用起始像素点的初始能量与能量系数、起始像素点的每个邻域像素点的路径惩罚能量的差值,根据该差值加上起始像素点的每个邻域像素点的特征奖励能量,得到起始像素点的每个邻域像素点对应的剩余能量值,表达式为:
其中,表示起始像素点的第t个邻域像素点对应的剩余能量值,表示起始像素点的初始能量,为能量系数,为起始像素点的每个邻域像素点的特征奖励能量,为起始像素点的每个邻域像素点的路径惩罚能量。
根据起始像素点的每个邻域像素点对应的剩余能量值,对一个像素点从一个连通域向另一个连通域游走过程中每一步的行走进行判断,在每一步的选择中,通过在四邻域选择剩余能量最大值的像素点作为下一个移动位置,通过像素点是否能够到达另一个连通域与到达后的剩余能量来判断两个连通域的可连通程度。
106.以路径像素点为新的起始像素点依次迭代,直至下一个路径像素点为终止像素点;
以下一个路径像素点为新的起始像素点,依次迭代,还包括:
当下一个路径像素点对应的剩余能量值为0时,停止迭代。
在获取到像素点游走时每个邻域像素点对应的剩余能量值之后,使所有同簇类的连通域进行可连通程度的检测,具体过程为,获取到两个连通域的最短距离对应的两个像素点,以其中一个作为起始像素点,另一个作为终止像素点,起始像素点获取初始能量并开始计算四邻域中能使其有剩余能量最大值对应的像素点作为下一步的移动位置,每次移动后都进行计算,直到其能量为0或是到达终点;对于未能到达终点能量为0的连通域判定其可连通程度为0,即认为选取的两个连通域无法进行合并,此时选取其他相邻连通域进行合并;对于能够到达终点的两个连通域,通过剩余能量即可获取其可连通程度。
107.对前景像素点簇类中完成合并后的所有连通域进行开裂识别。
获取下一个路径像素点为终止像素点时对应的剩余能量值,利用终止像素点的剩余能量值获取连通程度,当连通程度大于预设阈值时,将目标连通域与其相邻连通域合并,并以合并后的连通域作为新的目标连通域,重复步骤102-106,依次进行合并,直至前景像素点簇类中不存在可以合并的连通域。
获取下一个路径像素点为终止像素点时对应的剩余能量值,利用终止像素点的剩余能量值获取连通程度,当连通程度大于预设阈值时,将对应的两个连通域进行合并;
利用终止像素点的剩余能量值获取连通程度的方法为:
对终止像素点的剩余能量值进行归一化处理,得到连通程度。
剩余能量值表示在间隔区域像素点游走过程所获取的能量大小,只有当邻域像素点符合裂纹特时才会有剩余能量,同时由于路径惩罚能量的约束,保证了其游走的方向是最优方向,从而可以判断当其剩余能量越高时,说明两个连通域的可连通程度越高,对于获取到的两个相邻连通域的可连通程度,本发明设定阈值来筛选出需要连通的连通域,该阈值表示着对于连通标准的量化,通过一个阈值涵盖了路径选择与间隔区域像素点特征的确定,该阈值可根据实际情况进行更改,阈值的设定并不唯一,本发明仅给出参考示例,不做任何限制。
在游走过程中,因为每一步的选择都是通过了对于裂纹特征的判断,移动方向,整体移动距离的最优化选择,所以可以将游走过程中选择的每一个路径像素点作为连通路径将两个连通域进行连通,即通过路径像素点的簇类表面转换为前景簇类,从而完成连通域的连通。
至此,本发明通过剩余能量值的最优选择衡量一个区域中前景簇类中的连通域间隔区域是否应该进行连接,并获取连接路径将连通域进行了连通,在获取到完成连通的簇类连通域之后,将连通域像素点放入识别极耳模具表面开裂的SVM支持向量机模型,SVM支持向量机模型为现有技术,即任何利用SVM支持向量机模型进行缺陷检测的方法均可以应用于本发明中,本发明对此不作赘述,对连通域像素点是否为裂纹做出识别,并将识别的结果标注在极耳模具图像上,完成对极耳模具表面开裂的识别。
本发明首先基于连通域之间的最小欧式距离来确定起始像素点和终止像素点,使得在进行连通域合并的判断时准确度更高,即连通域合并时不会将其他多余的像素点合并进来,进而通过灰度特征影响因子与纹理特征影响因子综合考虑了裂纹的形貌特征与延伸方向特征,以此得到的特征奖励能量是判断两个连通域是否能够连接的重要项,从而确保将同为裂纹的连通域连接起来,同时通过路径惩罚能量对像素点游走过程中的路径进行约束,有助于对两个连通域之间最优连通路径的选择,最终通过得到的剩余能量值对两个连通域之间是否能够合并进行判断,能够实现将图像中所有因为像素点断裂导致划分为多个的连通域重新进行合并,有效提高裂缝识别的准确度。
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 (8)
1.一种极耳模具表面开裂的识别方法,其特征在于,包括:
S1.获取极耳模具表面图像,获取极耳模具表面图像的前景像素点簇类中的多个连通域;
S2.任意选取一个连通域作为目标连通域,获取目标连通域与其相邻连通域之间最短欧式距离对应的两个像素点,将目标连通域对应的像素点作为起始像素点,另一个像素点为终止像素点;获取起始像素点的初始能量;
利用起始像素点邻域内每个像素点的灰度特征影响因子以及纹理特征影响因子获取起始像素点邻域内每个像素点的特征奖励能量;
根据起始像素点邻域内每个像素点与终止像素点之间的欧式距离,获取起始像素点邻域内每个像素点的路径惩罚能量;
S3.根据起始像素点的初始能量、起始像素点邻域内每个像素点的特征奖励能量以及路径惩罚能量获取起始像素点的每个邻域像素点对应的剩余能量值,将剩余能量最大值对应的邻域像素点作为路径像素点;
以路径像素点为新的起始像素点,该路径像素点对应的剩余能量值为新的初始能量,依次迭代,直至下一个路径像素点为终止像素点;
S4.获取下一个路径像素点为终止像素点时对应的剩余能量值,利用终止像素点的剩余能量值获取连通程度,当连通程度大于预设阈值时,将目标连通域与其相邻连通域合并,并以合并后的连通域作为新的目标连通域;
S5.依次重复S2-S4,直至前景像素点簇类中不存在可以合并的连通域;
S6.对前景像素点簇类中完成合并后的所有连通域进行开裂识别。
2.根据权利要求1所述的一种极耳模具表面开裂的识别方法,其特征在于,起始像素点邻域内每个像素点的灰度特征影响因子的灰度特征影响因子的获取方法如下:
获取起始像素点邻域内每个像素点对前景像素点簇类的隶属度;
获取前景像素点簇类中每个像素点对前景像素点簇类的隶属度均值;
根据起始像素点邻域内每个像素点对前景像素点簇类的隶属度与前景像素点簇类中每个像素点对前景像素点簇类的隶属度均值的比值,对该比值进行归一化得到起始像素点邻域内每个像素点的灰度特征影响因子。
3.根据权利要求1所述的一种极耳模具表面开裂的识别方法,其特征在于,起始像素点邻域内每个像素点的纹理特征影响因子的获取方法为:
其中,为起始像素点邻域内第t个像素点的纹理特征影响因子,为起始像素点邻域内第t个像素点与其八邻域内像素点最大灰度差值对应的方向,表示连通域与连通域之间最短欧式距离对应的两个像素点所在直线的斜率,为反三角函数,为归一化函数,为弧度。
4.根据权利要求1所述的一种极耳模具表面开裂的识别方法,其特征在于,获取起始像素点邻域内每个像素点的特征奖励能量的方法为:
获取起始像素点邻域内每个像素点的灰度特征影响因子与纹理特征影响因子之和,利用和值与能量系数的乘积得到起始像素点邻域内每个像素点的特征奖励能量。
5.根据权利要求1所述的一种极耳模具表面开裂的识别方法,其特征在于,获取起始像素点邻域内每个像素点的路径惩罚能量的方法为:
获取起始像素点和终止像素点之间的欧式距离,与起始像素点邻域内每个像素点和终止像素点之间的欧式距离的差值,对该差值进行归一化,得到起始像素点邻域内每个像素点的距离变化因子;
根据起始像素点邻域内每个像素点的距离变化因子与能量系数的乘积,得到起始像素点邻域内每个像素点的路径惩罚能量。
6.根据权利要求1所述的一种极耳模具表面开裂的识别方法,其特征在于,获取起始像素点的每个邻域像素点对应的剩余能量值的方法为:
利用起始像素点的初始能量与能量系数、起始像素点的每个邻域像素点的路径惩罚能量的差值,根据该差值加上起始像素点的每个邻域像素点的特征奖励能量,得到起始像素点的每个邻域像素点对应的剩余能量值。
7.根据权利要求1所述的一种极耳模具表面开裂的识别方法,其特征在于,利用终止像素点的剩余能量值获取连通程度的方法为:
对终止像素点的剩余能量值进行归一化处理,得到连通程度。
8.根据权利要求1所述的一种极耳模具表面开裂的识别方法,其特征在于,以路径像素点为新的起始像素点,该路径像素点对应的剩余能量值为新的初始能量,依次迭代,还包括:
当下一个路径像素点对应的剩余能量值为0时,停止迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310408862.7A CN116128880B (zh) | 2023-04-18 | 2023-04-18 | 一种极耳模具表面开裂的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310408862.7A CN116128880B (zh) | 2023-04-18 | 2023-04-18 | 一种极耳模具表面开裂的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116128880A true CN116128880A (zh) | 2023-05-16 |
CN116128880B CN116128880B (zh) | 2023-06-16 |
Family
ID=86312149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310408862.7A Active CN116128880B (zh) | 2023-04-18 | 2023-04-18 | 一种极耳模具表面开裂的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116128880B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309575A (zh) * | 2023-05-19 | 2023-06-23 | 济宁众达利电气设备有限公司 | 基于图像处理的电插头生产质量检测方法 |
CN116664584A (zh) * | 2023-08-02 | 2023-08-29 | 东莞市旺佳五金制品有限公司 | 一种薄壁类锌合金压铸模具生产智能反馈调节系统 |
CN116703892A (zh) * | 2023-08-01 | 2023-09-05 | 东莞市京品精密模具有限公司 | 一种基于图像数据的锂电池切刀磨损评估预警方法 |
CN117710399A (zh) * | 2024-02-06 | 2024-03-15 | 山东省地质测绘院 | 一种基于视觉的地质调查中裂缝轮廓提取方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011039690A (ja) * | 2009-08-07 | 2011-02-24 | Nippon Telegr & Teleph Corp <Ntt> | 画像処理方法、画像処理装置及びひび割れ検知システム |
CN111260759A (zh) * | 2020-01-10 | 2020-06-09 | 北京金山安全软件有限公司 | 一种路径确定方法及装置 |
CN112649793A (zh) * | 2020-12-29 | 2021-04-13 | 西安科锐盛创新科技有限公司 | 海面目标雷达点迹凝聚方法、装置、电子设备及存储介质 |
CN114565607A (zh) * | 2022-04-01 | 2022-05-31 | 南通沐沐兴晨纺织品有限公司 | 基于神经网络的织物缺陷图像分割方法 |
CN115830022A (zh) * | 2023-02-15 | 2023-03-21 | 山东梁山酿酒总厂有限公司 | 基于机器视觉的过滤机滤网缺陷检测方法 |
-
2023
- 2023-04-18 CN CN202310408862.7A patent/CN116128880B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011039690A (ja) * | 2009-08-07 | 2011-02-24 | Nippon Telegr & Teleph Corp <Ntt> | 画像処理方法、画像処理装置及びひび割れ検知システム |
CN111260759A (zh) * | 2020-01-10 | 2020-06-09 | 北京金山安全软件有限公司 | 一种路径确定方法及装置 |
CN112649793A (zh) * | 2020-12-29 | 2021-04-13 | 西安科锐盛创新科技有限公司 | 海面目标雷达点迹凝聚方法、装置、电子设备及存储介质 |
CN114565607A (zh) * | 2022-04-01 | 2022-05-31 | 南通沐沐兴晨纺织品有限公司 | 基于神经网络的织物缺陷图像分割方法 |
CN115830022A (zh) * | 2023-02-15 | 2023-03-21 | 山东梁山酿酒总厂有限公司 | 基于机器视觉的过滤机滤网缺陷检测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309575A (zh) * | 2023-05-19 | 2023-06-23 | 济宁众达利电气设备有限公司 | 基于图像处理的电插头生产质量检测方法 |
CN116309575B (zh) * | 2023-05-19 | 2023-07-28 | 济宁众达利电气设备有限公司 | 基于图像处理的电插头生产质量检测方法 |
CN116703892A (zh) * | 2023-08-01 | 2023-09-05 | 东莞市京品精密模具有限公司 | 一种基于图像数据的锂电池切刀磨损评估预警方法 |
CN116703892B (zh) * | 2023-08-01 | 2023-11-14 | 东莞市京品精密模具有限公司 | 一种基于图像数据的锂电池切刀磨损评估预警方法 |
CN116664584A (zh) * | 2023-08-02 | 2023-08-29 | 东莞市旺佳五金制品有限公司 | 一种薄壁类锌合金压铸模具生产智能反馈调节系统 |
CN116664584B (zh) * | 2023-08-02 | 2023-11-28 | 东莞市旺佳五金制品有限公司 | 一种薄壁类锌合金压铸模具生产智能反馈调节系统 |
CN117710399A (zh) * | 2024-02-06 | 2024-03-15 | 山东省地质测绘院 | 一种基于视觉的地质调查中裂缝轮廓提取方法 |
CN117710399B (zh) * | 2024-02-06 | 2024-04-30 | 山东省地质测绘院 | 一种基于视觉的地质调查中裂缝轮廓提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116128880B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116128880B (zh) | 一种极耳模具表面开裂的识别方法 | |
WO2021238455A1 (zh) | 数据处理方法、设备及计算机可读存储介质 | |
CN109523518B (zh) | 一种轮胎x光病疵检测方法 | |
CN116092013B (zh) | 一种用于智慧监控的危险路况识别方法 | |
CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
CN114913176A (zh) | 基于人工智能的柔性皮革材料疥癣缺陷检测方法及系统 | |
CN116091498B (zh) | 用于铅酸蓄电池智能充电器的视觉缺陷检测方法 | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理系统 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN116452589B (zh) | 基于图像处理的人造板表面缺陷智能检测方法 | |
CN115311275B (zh) | 一种电子元器件表面缺陷检测方法及系统 | |
CN114972356A (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
CN114897896A (zh) | 基于灰度变换的建筑木材缺陷检测方法 | |
CN111783721A (zh) | 一种激光点云的车道线提取方法及电子设备 | |
CN115861987A (zh) | 一种用于输电线路在线监测的智能电力金具缺陷识别方法 | |
CN116597343A (zh) | 基于集成学习算法的高速公路气象识别方法及装置 | |
CN110246131A (zh) | 基于卷积神经网络的导线分股缺陷图像识别方法 | |
CN103544473A (zh) | 一种基于机器视觉的电子连接器检测方法 | |
CN116432052B (zh) | 一种新能源汽车模具用夹具质量检测方法 | |
CN110443790B (zh) | 一种医学影像中软骨识别方法和识别系统 | |
CN117173416A (zh) | 基于图像处理的铁路货运车号图像清晰化处理方法 | |
CN115830641B (zh) | 一种员工识别方法、装置、电子设备及存储介质 | |
CN109815887B (zh) | 一种基于多智能体协作的复杂光照下人脸图像的分类方法 | |
CN116206208A (zh) | 一种基于人工智能的林业病虫害快速分析系统 | |
CN114897863A (zh) | 一种缺陷的检测方法、装置以及设备 |
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 |