CN116152234A - 基于图像处理的模板端面缺陷识别方法 - Google Patents
基于图像处理的模板端面缺陷识别方法 Download PDFInfo
- Publication number
- CN116152234A CN116152234A CN202310409456.2A CN202310409456A CN116152234A CN 116152234 A CN116152234 A CN 116152234A CN 202310409456 A CN202310409456 A CN 202310409456A CN 116152234 A CN116152234 A CN 116152234A
- Authority
- CN
- China
- Prior art keywords
- edge
- sub
- target class
- edges
- pixel points
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000005587 bubbling Effects 0.000 claims abstract description 165
- 238000009826 distribution Methods 0.000 claims abstract description 88
- 230000035772 mutation Effects 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 6
- 108091026890 Coding region Proteins 0.000 claims description 3
- 241001123248 Arma Species 0.000 claims 1
- 239000003292 glue Substances 0.000 abstract description 20
- 230000000875 corresponding effect Effects 0.000 description 247
- 230000008569 process Effects 0.000 description 17
- 239000002023 wood Substances 0.000 description 10
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 7
- 235000017491 Bambusa tulda Nutrition 0.000 description 7
- 241001330002 Bambuseae Species 0.000 description 7
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 7
- 239000011425 bamboo Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000003892 spreading Methods 0.000 description 6
- 230000007480 spreading Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007731 hot pressing Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000004026 adhesive bonding Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000007598 dipping method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
-
- 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
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种基于图像处理的模板端面缺陷识别方法,获取待识别建筑模板的每个端面区域对应的各一类边缘和各二类边缘,确定空间分布平整度;确定各个目标一类子边缘及其对应的目标二类子边缘,根据各个目标一类子边缘及其对应的目标二类子边缘中的每个边缘像素点的位置,确定各个目标一类子边缘的凸起特征值;确定各个目标一类子边缘的鼓泡特征值,利用鼓泡特征值,判断待识别建筑模板端面是否存在鼓泡缺陷。本发明有效提高了模板端面缺陷识别的准确性,有效区分了开胶缺陷和鼓泡缺陷,可以应用于建筑模板缺陷识别领域。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种基于图像处理的模板端面缺陷识别方法。
背景技术
制作建筑模板的材料大多数采用竹木材,竹木材相对于其他材料具有重量轻、强度大、易于加工、脱模容易、耐腐蚀等优势,竹木材采用涂胶方式进行粘连,形成建筑模板。建筑模板常见缺陷主要为鼓泡、局部开胶、边缘翘曲和边角开胶等,当降压速度过快、胶压时间不足、建筑模板的原材料单板潮湿度高或者热压机的温度过高时,建筑模板表面可能会出现鼓泡和局部开胶。为了实现建筑模板的缺陷类别检测,需要对生产好的建筑模板进行缺陷识别。
现有建筑模板的鼓泡缺陷检测方法,获取建筑模板的表面图像,根据表面图像的图像特征信息进行缺陷检测。但是,建筑模板表面可能存在印制的木纹、花纹等图案,图案的图像特征会对缺陷检测造成干扰,而且开胶缺陷与鼓泡缺陷存在相似图像特征信息,其导致无法准确区分开胶缺陷和鼓泡缺陷,模板鼓泡缺陷识别的准确性较低。
发明内容
为了解决上述现有模板端面缺陷识别准确性较低的技术问题,本发明的目的在于提供一种基于图像处理的模板端面缺陷识别方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种基于图像处理的模板端面缺陷识别方法,该方法包括以下步骤:
获取待识别建筑模板的每个端面区域对应的各一类边缘和各二类边缘,利用预设划分像素数目,将各一类边缘中的边缘像素点平分为各组边缘像素点,一类边缘为端面区域最外侧的边缘,一类边缘邻近的边缘为二类边缘;
根据所述各组边缘像素点的坐标信息,确定各一类边缘对应的各组边缘像素点对应的空间分布平整度;
判断任意一个一类边缘对应的各组边缘像素点对应的空间分布平整度是否存在突变值连续分布且突变值个数大于预设数目的各突变值,若存在,则将突变值连续分布且突变值个数大于预设数目的各突变值确定为该一类边缘的异常组;
将各个异常组内的各个边缘像素点构成的边缘确定为目标一类子边缘,获得各个目标一类子边缘,根据各个目标一类子边缘和各二类边缘确定各个目标一类子边缘对应的目标二类子边缘;
根据各个目标一类子边缘及其对应的目标二类子边缘中的每个边缘像素点的位置,确定各个目标一类子边缘的凸起特征值;
获取各个目标一类子边缘及其对应的目标二类子边缘对应的空间分布平整度,根据各个目标一类子边缘的凸起特征值、各个目标一类子边缘对应的目标二类子边缘、各个目标一类子边缘及其对应的目标二类子边缘对应的空间分布平整度,确定各个目标一类子边缘的鼓泡特征值;
根据各个目标一类子边缘的鼓泡特征值,判断待识别建筑模板端面是否存在鼓泡缺陷。
进一步地,所述获取待识别建筑模板的每个端面区域对应的各一类边缘和各二类边缘的步骤包括:
获取水平放置的待识别建筑模板的每个端面图像,将每个端面图像转换为灰度图像,获得每个端面图像对应的灰度图像;
对每个端面图像对应的灰度图像进行去噪处理,获得去噪处理后的灰度图像;
对去噪处理后的灰度图像进行背景分割处理,获得待识别建筑模板的每个端面区域;
对每个端面区域进行边缘检测,获得每个端面区域对应的各个边缘;
将每个端面区域对应的水平方向的第一个边缘和最后一个边缘确定为对应端面区域的一类边缘,将每个端面区域中距离一类边缘最近的水平方向的边缘确定为对应端面区域的二类边缘。
进一步地,根据所述各组边缘像素点的坐标信息,确定各一类边缘对应的各组边缘像素点对应的空间分布平整度,包括:
对各组边缘像素点进行拟合处理,获得各组边缘像素点对应的拟合直线、拟合优度以及拟合直线的倾斜角;
计算各一类边缘对应的各组边缘像素点中的每个边缘像素点与其对应的拟合直线之间的距离值,根据距离值确定各组边缘像素点对应的距离均值;
根据各组边缘像素点对应的拟合优度、拟合直线的倾斜角、各组边缘像素点中的每个像素点与其对应的拟合直线之间的距离值以及各组边缘像素点对应的距离均值,确定各组边缘像素点对应的空间分布平整度。
进一步地,所述空间分布平整度的计算公式为:
其中,为第v个一类边缘对应的第l组边缘像素点对应的空间分布平整度,为
第v个一类边缘对应的第l组边缘像素点对应的拟合优度,为超参数,为第v个一类边
缘对应的第l组边缘像素点对应的拟合直线的倾斜角,为第v个一类边缘对应的第l组边
缘像素点对应的边缘像素点数量,i为第v个一类边缘对应的第l组边缘像素点对应的边缘
像素点序号,为第v个一类边缘对应的第l组边缘像素点中的第i个边缘像素点与其对应
的拟合直线之间的距离值,为第v个一类边缘对应的第l组边缘像素点对应的距离均值,为从和中选取的最小值,为自然常
数e的次方。
进一步地,根据各个目标一类子边缘和各二类边缘确定各个目标一类子边缘对应的目标二类子边缘,包括:
对于任意一个目标一类子边缘,选取距离该目标一类子边缘最近的二类边缘确定为该目标一类子边缘对应的目标二类边缘,从目标二类边缘中选取与该目标一类子边缘中的各个边缘像素点的横坐标相同的边缘像素点,确定为对应目标二类边缘的目标边缘像素点,将目标边缘像素点构成的边缘确定为对应目标二类边缘的目标二类子边缘,获得该目标一类子边缘对应的目标二类子边缘;获得各个目标一类子边缘对应的目标二类子边缘。
进一步地,根据各个目标一类子边缘及其对应的目标二类子边缘中的每个边缘像素点的位置,确定各个目标一类子边缘的凸起特征值,包括:
根据各个目标一类子边缘及其对应的目标二类子边缘中的每个边缘像素点的横坐标,将两个横坐标相同的边缘像素点组成边缘像素点对,根据边缘像素点对中每个边缘像素点的纵坐标,计算边缘像素点对之间的距离值,将距离值确定为对应目标一类子边缘中的边缘像素点的实际距离值;
将各个目标一类子边缘中的每个边缘像素点的实际距离值按照角标编码顺序排列为实际距离值序列,获得各个目标一类子边缘对应的实际距离值序列;
根据各个目标一类子边缘对应的实际距离值序列,利用ARMA自回归滑动平均模型,获得各个目标一类子边缘对应的各预测距离值;
计算各个目标一类子边缘对应的各预测距离值与其对应的实际距离值之间的差值绝对值的平均值,将差值绝对值的平均值确定为对应目标一类子边缘的第一凸起特征指标;
计算各个目标一类子边缘对应的各预测距离值与其对应的实际距离值之间的差值,获得各个目标一类子边缘对应的差值序列,统计差值序列中数值连续为正的个数和连续为负的个数,计算连续为正的个数与差值序列中所有差值个数的比值,并计算连续为负的个数与差值序列中所有差值个数的比值,将两个比值相加后的数值确定为对应目标一类子边缘的第二凸起特征指标;
计算各个目标一类子边缘的第一凸起特征指标和第二凸起特征指标的乘积,将乘积确定为对应目标一类子边缘的凸起特征值。
进一步地,根据各个目标一类子边缘的凸起特征值、各个目标一类子边缘对应的目标二类子边缘、各个目标一类子边缘及其对应的目标二类子边缘对应的空间分布平整度,确定各个目标一类子边缘的鼓泡特征值,包括:
对各个目标一类子边缘对应的目标二类子边缘进行霍夫直线检测,统计目标二类子边缘中在直线上的边缘像素点数量,将在直线上的边缘像素点数量与对应目标二类子边缘的边缘像素点数量的比值,确定为对应目标一类子边缘的第一鼓泡特征指标;
将各个目标一类子边缘的空间分布平整度与其对应的目标二类子边缘对应的空间分布平整度之间的差值绝对值,确定为对应目标一类子边缘的第二鼓泡特征指标;
将各个目标一类子边缘的第一鼓泡特征指标、第二鼓泡特征指标和凸起特征值的乘积,确定为对应目标一类子边缘的鼓泡特征值。
进一步地,根据各个目标一类子边缘的鼓泡特征值,判断待识别建筑模板端面是否存在鼓泡缺陷,包括:
获取鼓泡缺陷阈值,若大于或等于预设数目个端面区域内存在鼓泡特征值大于鼓泡缺陷阈值的目标一类子边缘,则判定待识别建筑模板端面存在鼓泡缺陷,否则,判定待识别建筑模板端面不存在鼓泡缺陷。
本发明具有如下有益效果:
本发明提供了一种基于图像处理的模板端面缺陷识别方法,该方法利用图像数据处理技术,对待识别建筑模板端面区域图像进行处理,获得每个端面区域的一类边缘和二类边缘,一类边缘和二类边缘是后续进行缺陷识别的基准图像数据,将整张图像缺陷识别转化为目标边缘的缺陷识别,可以有效提高模板端面缺陷识别的效率;同时,采集端面区域图像,与上或下表面图像相比,可以有效排除建筑模板中图案对后续缺陷特征提取的影响,有助于提高模板端面缺陷识别的精准性;将一类边缘中的边缘像素点平分为各组边缘像素点,不但有助于后续定位缺陷位置,还减少数据计算量。对各一类边缘对应的各组边缘像素点进行图像特征分析,获得可以表征一类边缘空间分布平整情况的指标,该指标为空间分布平整度,空间分布平整度可以用于评估一类边缘存在异常边缘的可能性,这里的异常边缘是指空间分布平整度连续为突变值的边缘;获取各个目标一类子边缘及其对应的目标二类子边缘,是为了便于比对各个目标一类子边缘及其对应的目标二类子边缘,区分鼓泡缺陷和开胶缺陷,提高缺陷识别的准确度;结合鼓泡缺陷特征信息,从多个角度考虑得到的鼓泡特征值的参考价值更高;根据鼓泡特征值判断待识别建筑模板端面是否存在鼓泡缺陷,有利于提高模板端面缺陷识别准确性。
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为本发明一种基于图像处理的模板端面缺陷识别方法的流程图;
图2为本发明实施例中存在鼓泡缺陷的一类边缘和二类边缘的示意图;
图3为本发明实施例中鼓泡缺陷示意图;
图4为本发明实施例中开胶缺陷示意图;
图5为本发明实施例中鼓泡缺陷位置处的边缘与其拟合直线之间的距离示意图。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外,一个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。
本实施例可以针对生产好的建筑模板进行鼓泡缺陷检测,以分析建筑模板中是否存在鼓泡缺陷,进而确定鼓泡缺陷在建筑模板中的具体位置。为了实现建筑模板缺陷类型的识别,本实施例提供了一种基于图像处理的模板端面缺陷识别方法,如图1所示,包括以下步骤:
S1,获取待识别建筑模板的每个端面区域对应的各一类边缘和各二类边缘,利用预设划分像素数目,将各一类边缘中的边缘像素点平分为各组边缘像素点。
第一步,获取待识别建筑模板的每个端面区域对应的各一类边缘和各二类边缘。
在本实施例中,建筑模板由多层竹木材构成,故在制作过程中需要进行覆膜,而覆膜热压时受原纸质量、热压温度和浸胶均匀度的影响,建筑模板表面容易出现鼓泡缺陷。对于鼓泡缺陷,鼓泡缺陷位于建筑模板的表面,获取建筑模板的表面图像可以实现后续的缺陷识别。但是,建筑模板表面通常会存在一些木纹或花纹的图案,这些图案在形态方面存在较大差异,对后续的鼓泡缺陷识别造成较大的影响,由于不易去除图案对缺陷检测的影响,可能导致无法精准识别部分鼓泡,鼓泡缺陷识别准确性低。由于不同类别的缺陷后续的处理方式不同,故需要准确地识别出建筑模板中存在的不同类别的缺陷。为了避免建筑模板表面的图案对鼓泡缺陷检测的影响,可以从待识别建筑模板的端面获取端面图像,这里的端面图像就是侧面图像,侧面图像的数量为4,根据采集的端面图像的鼓泡缺陷特征信息,分析待识别建筑模板是否存在鼓泡缺陷。首先,获取待识别建筑模板的每个端面区域对应的各一类边缘和各二类边缘,一类边缘为端面区域最外侧的边缘,一类边缘邻近的边缘为二类边缘,其步骤包括:
第一子步骤,获得待识别建筑模板的每个端面区域的灰度图像。
在本实施例中,为了降低图案对缺陷检测结果准确性的影响,在拍摄待识别建筑模板的表面图像时,对水平放置待识别建筑模板的每个侧面均设置CCD(charge coupleddevice,电荷耦合器件)相机,以采集待识别建筑模板的每个端面图像,这里的端面图像为RGB图像。为了便于后续分析端面图像的图像特征信息,利用加权平均法将每个端面图像进行灰度化处理,获得待识别建筑模板的每个端面图像的灰度图像。加权平均法的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
第二子步骤,对每个端面区域的灰度图像进行去噪处理,获得去噪处理后的灰度图像。
在本实施例中,受环境光、相机超负荷工作导致的温度升高等因素的影响,待识别建筑模板的每个端面图像可能存在噪声影响,为了避免噪声对后续缺陷识别准确性的影响,使用高斯滤波对每个侧面图像的灰度图像进行去噪处理,获得去噪处理后的灰度图像,去噪处理可以有效提高端面图像的灰度图像的图像质量和精度。高斯滤波的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
第三子步骤,对去噪处理后的灰度图像进行背景分割处理,获得待识别建筑模板的每个端面区域。
在本实施例中,由于端面图像的灰度图像中存在背景,为了提高后续建筑模板缺陷检测的效率,需要将属于建模模板的区域分割出来。建筑模板是由竹木材制成的,属于建筑模板的像素点在灰度图像中的亮度比较高,故利用otsu最大类间方差法获得分割阈值,将灰度值大于分割阈值的像素点划分出来,并将划分出来的像素点构成的区域作为端面区域。otsu最大类间方差法的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
第四子步骤,对每个端面区域进行边缘检测,获得每个端面区域对应的各个边缘。
在本实施例中,质量良好、表面不存在鼓泡缺陷的建筑模板端面的边缘呈现较为平整和水平分布的图像特征,为了便于后续分析每个端面区域的鼓泡缺陷特征,需要获取每个端面区域对应的各个边缘。利用canny边缘检测算子,对待识别建筑模板的每个端面区域进行边缘检测,获得待识别建筑模板的每个端面区域对应的各个边缘。canny边缘检测算子的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
第五子步骤,获取待识别建筑模板的每个端面区域对应的各一类边缘和各二类边缘。
在本实施例中,将每个端面区域对应的水平方向的第一个边缘和最后一个边缘确定为对应端面区域的一类边缘,将每个端面区域中距离一类边缘最近的水平方向的边缘确定为对应端面区域的二类边缘。每个端面内存在两个一类边缘和两个二类边缘,存在鼓泡缺陷的一类边缘和二类边缘的示意图如图2所示。
需要说明的是,若建筑模板的上表面存在鼓泡缺陷,建筑模板的端面区域内的第一个边缘(一类边缘)呈现凸起状态,鼓泡缺陷示意图如图3所示;若建筑模板的上表面存在开胶缺陷,建筑模板的端面区域内的第一个边缘(一类边缘)和第二个边缘(二类边缘)均呈现凸起状态,开胶缺陷示意图如图4所示。为了分析待识别建筑模板的鼓泡缺陷特征信息,需要获取待识别建筑模板的每个端面区域对应的各一类边缘和各二类边缘。这里的鼓泡缺陷特征信息是指建筑模板发生鼓泡缺陷后,只有最外层的竹木材呈现凸起状态,而内层的各竹木材仍保持平整。
第二步,利用预设划分像素数目,将各一类边缘中的边缘像素点平分为各组边缘像素点。
需要说明的是,为了准确定位鼓泡缺陷在端面区域中的具体位置,提高鼓泡缺陷
特征信息提取的效率,对各一类边缘进行分析,将一类边缘中的各个边缘像素点划分为不
同的边缘像素点组。这里的预设划分像素数目记为,可以设置为150,实施者可以根据
不同一类边缘的实际情况自行设置预设划分像素数目,每个一类边缘均会对应多个边缘像
素点组。
在本实施例中,以每个一类边缘的一端的边缘像素点为起始像素点,每个一类边
缘的前个边缘像素点作为第一组边缘像素点,第一组边缘像素点也可以称为第一个边缘
像素点组,第个边缘像素点至第个边缘像素点作为第二组边缘像素点,逐个获取
每个一类边缘的各组边缘像素点,实现将各一类边缘中的边缘像素点平分为各组边缘像素
点。每个一类边缘内的边缘像素点的个数保持一致,各组边缘像素点的组数也同样保持一
致,每个一类边缘对应的边缘像素点的组数可以记为k,每个一类边缘均会对应k组边缘像
素点。
S2,根据各组边缘像素点的坐标信息,确定各一类边缘对应的各组边缘像素点对应的空间分布平整度。
需要说明的是,待识别建筑模板水平放置,质量好、表面无鼓泡的建筑模板端面应为较为平整且呈现水平分布,当建筑模板的表面出现鼓泡时,一类边缘中的鼓泡缺陷位置处呈现凸起,凸起位置呈现弧形。因此,基于各一类边缘对应的各组边缘像素点的图像特征信息,分析鼓泡位置处与未鼓泡位置处的不同平整程度,其步骤包括:
第一步,对各组边缘像素点进行拟合处理,获得各组边缘像素点对应的拟合直线、拟合优度以及拟合直线的倾斜角。
在本实施例中,为了便于后续分析各组边缘像素点的分布集中情况,使用最小二乘法将各一类边缘对应的各组边缘像素点进行拟合,获得各组边缘像素点对应的拟合直线、拟合优度以及拟合直线的倾斜角。获取拟合直线是为了便于后续计算各组边缘像素点中的每个边缘像素点与其对应的拟合直线之间的距离值,分析各组边缘像素点的空间分布情况;拟合优度可以表征回归直线对观测值的拟合程度,拟合优度越大拟合程度越好,拟合优度的取值范围为0到1之间;当某组边缘像素点属于未发生鼓泡缺陷的一组边缘像素点时,该组边缘像素点的位置会比较接近其对应的拟合直线,拟合优度比较大,倾斜角会比较接近0度或180度,反之,该组边缘像素点的位置与对应拟合直线之间的距离比较大,拟合优度比较小,倾斜角与0度或180度之间的差距会比较大。最小二乘法的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
第二步,计算各一类边缘对应的各组边缘像素点中的每个边缘像素点与其对应的拟合直线之间的距离值,根据距离值确定各组边缘像素点对应的距离均值。
在本实施例中,当某组边缘像素点为发生鼓泡缺陷的一组边缘像素点时,该组边缘像素点构成的边缘呈现凸起状态,当该组边缘像素点的拟合直线穿过该组边缘像素点构成的边缘时,该组边缘像素点中部分边缘像素点与其对应的拟合直线之间的距离较远,鼓泡缺陷位置处的边缘与其拟合直线之间的距离示意图如图5所示;而当某组边缘像素点为未发生鼓泡缺陷的一组边缘像素点时,该组边缘像素点构成的边缘呈现平整状态,该组边缘像素点在拟合直线附近,距离较近。
因此,为了分析各一类边缘对应的各组边缘像素点的分布稳定情况,需要计算各一类边缘对应的各组边缘像素点中的每个边缘像素点与其对应的拟合直线之间的距离值以及各组边缘像素点对应的距离均值。距离值和距离均值的计算过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
第三步,根据各组边缘像素点对应的拟合优度、拟合直线的倾斜角、各组边缘像素点中的每个像素点与其对应的拟合直线之间的距离值以及各组边缘像素点对应的距离均值,确定各组边缘像素点对应的空间分布平整度。
在本实施例中,各一类边缘对应的各组边缘像素点对应的空间分布平整度的计算公式可以为:
其中,为第v个一类边缘对应的第l组边缘像素点对应的空间分布平整度,为
第v个一类边缘对应的第l组边缘像素点对应的拟合优度,为超参数,为第v个一类边
缘对应的第l组边缘像素点对应的拟合直线的倾斜角,为第v个一类边缘对应的第l组边
缘像素点对应的边缘像素点数量,i为第v个一类边缘对应的第l组边缘像素点对应的边缘
像素点序号,为第v个一类边缘对应的第l组边缘像素点中的第i个边缘像素点与其对应
的拟合直线之间的距离值,为第v个一类边缘对应的第l组边缘像素点对应的距离均值,为从和中选取的最小值,为自然常
数e的次方。
在空间分布平整度的计算公式中,为超参数,经验值为180度,可
以表征第v个一类边缘对应的第l组边缘像素点对应的分布集中程度,分布集中程度中的拟
合优度与空间分布平整度为正相关,与空间分布平整度为负相
关,可以表征从两个数值中选取最小值,选取最小值是为了准确分析倾
斜角与平角之间的差异情况,提高空间分布平整度的计算精准性;
可以表征第v个一类边缘对应的第l组边缘像素点对应的分布稳定程度,与
空间分布平整度为负相关,越大,空间分布平整度越小;空间分布平整
度衡量了第v个一类边缘对应的第l组边缘像素点的空间位置分布的平整程度,当第l组边
缘像素点呈现水平直线分布特征越明显、波动程度越小时,第l组边缘像素点的空间分布平
整度越大,第l组边缘像素点越有可能属于未发生鼓泡缺陷的一组边缘像素点。
S3,判断任意一个一类边缘对应的各组边缘像素点对应的空间分布平整度是否存在突变值连续分布且突变值个数大于预设数目的各突变值,若存在,则将突变值连续分布且突变值个数大于预设数目的各突变值确定为该一类边缘的异常组。
需要说明的是,建筑模板表面一般较为平整,即使建筑模板表面出现鼓泡缺陷,鼓泡缺陷区域相对于建筑模板表面所占范围较小,鼓泡位置对应的各组边缘像素点的空间分布平整度明显小于无鼓泡位置对应的各组边缘像素点的空间分布平整度。当建筑模板表面出现鼓泡时,鼓泡位置处对应的各组边缘像素点对应的空间分布平整度,相比未发生鼓泡缺陷位置处对应的各组边缘像素点对应的空间分布平整度,鼓泡位置处对应的各组边缘像素点会被识别为异常组。因此,鼓泡位置处对应的各组边缘像素点的空间分布平整度将被识别为突变值。
在本实施例中,为了便于理解,分析待识别建筑模板的每个端面区域的每个一类边缘,也就是每个一类边缘均需要进行后续鼓泡缺陷识别判断步骤。具体,按照各一类边缘对应的各组边缘像素点的编号顺序,将各组对应的空间分布平整度排列为空间分布平整度序列,获得每个一类边缘对应的空间分布平整度序列。利用BG(Bernaola Galvan,分割算法)分割算法,检测每个一类边缘对应的空间分布平整度序列中的突变值,进而判断每个一类边缘对应的空间分布平整度序列是否存在连续分布且突变值个数大于预设数目的各突变值。BG分割算法的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
若任意一个一类边缘对应的空间分布平整度序列存在连续分布且突变值个数大于预设数目的各突变值,则说明该一类边缘中很有可能存在鼓泡缺陷,这里的突变值的预设数目可以取经验值10。若所有类边缘对应的空间分布平整度序列均不存在突变值或存在突变值并非连续分布或连续分布的突变值个数不大于预设数目,则后续无需分析鼓泡缺陷的图像特征,直接判定待识别建筑模板不存在鼓泡缺陷。
需要说明的是,鼓泡缺陷的突变值为连续分布,且连续分布的突变值个数较多,对于连续分布但连续分布的突变值个数不大于预设数目的一类边缘,说明建筑模板的制作精度较低导致一类边缘内存在突变值。
S4,将各个异常组内的各个边缘像素点构成的边缘确定为目标一类子边缘,获得各个目标一类子边缘,根据各个目标一类子边缘和各二类边缘确定各个目标一类子边缘对应的目标二类子边缘。
在本实施例中,为了便于后续确定各个目标一类子边缘的凸起特征值,需要获取各个目标一类子边缘及其对应的目标二类子边缘,其步骤包括:
对于目标一类子边缘,根据各个异常组内的各个边缘像素点的坐标位置,可以将各异常组内的各个边缘像素点构成的边缘确定为目标一类子边缘。目标一类子边缘可以表征待识别建筑模板表面可能出现的鼓泡缺陷边缘,每个异常组均会有其对应的目标一类子边缘。
对于目标二类子边缘,选取距离各个目标一类子边缘最近的二类边缘确定为对应目标一类子边缘对应的目标二类边缘,由于待识别建筑模板处于水平放置,可以从目标二类边缘中选取与对应目标一类子边缘中的各个边缘像素点的横坐标相同的边缘像素点。将在目标二类边缘中选取横坐标相同的边缘像素点确定为对应目标二类边缘的目标边缘像素点,根据目标二类边缘中每个目标边缘像素点的横坐标位置,构建目标边缘像素点对应的边缘,进而将目标边缘像素点对应的边缘确定为对应目标二类边缘的目标二类子边缘,获得各个目标一类子边缘对应的目标二类子边缘。
至此,本实施例获得了各个目标一类子边缘及其对应的目标二类子边缘。
S5,根据各个目标一类子边缘及其对应的目标二类子边缘中的每个边缘像素点的位置,确定各个目标一类子边缘的凸起特征值。
需要说明的是,对于鼓泡缺陷,建筑模板端面的最外侧附着的外层在与内层粘贴时,降压速度过快、胶压时间不足、建筑模板的原材料单板的潮湿度高或使用热压机的温度过高等原因导致建筑模板端面表面的最外层出现凸起,而内层的各木材仍保持平整;对于开胶缺陷,建筑模板的内层开胶呈现出从内层向外层凸起的现象,开胶缺陷对应的各内层与最外层的凸起程度基本保持一致。为了便于区分鼓泡缺陷和开胶缺陷,防止将开胶缺陷误判定为鼓泡缺陷,需要比较一类边缘(最外层)和二类边缘(内层)在同一位置的凸起程度,即相对于各个目标一类子边缘对应的目标二类子边缘,确定各个目标一类子边缘的凸起程度,其步骤包括:
第一步,根据各个目标一类子边缘及其对应的目标二类子边缘中的每个边缘像素点的横坐标,将两个横坐标相同的边缘像素点组成边缘像素点对,根据边缘像素点对中每个边缘像素点的纵坐标,计算边缘像素点对之间的距离值,将距离值确定为对应目标一类子边缘中的边缘像素点的实际距离值。
在本实施例中,各个目标一类子边缘中边缘像素点的数量与其对应的目标二类子边缘中边缘像素点的数量保持一致,也就是目标子边缘中的边缘像素点在其对应的目标二类子边缘中存在与其横坐标相同的边缘像素点。对于鼓泡缺陷,目标一类子边缘与其对应的目标二类子边缘之间的间隔距离呈现递增到递减的变化趋势,对于开胶缺陷,目标一类子边缘与其对应的目标二类子边缘之间的间隔距离呈现基本保持不变的趋势。因此,计算每个边缘像素点对的欧式距离是为了分析目标一类子边缘与其对应的目标二类子边缘之间的相隔距离情况,相隔距离情况可以作为计算各个目标一类子边缘的凸起程度的重要指标之一。实际距离值的计算过程通过欧式距离的计算方式实现,欧式距离的计算实现过程为现有技术,此处不再进行详细阐述。
第二步,将各个目标一类子边缘中的每个边缘像素点的实际距离值按照角标编码顺序排列为实际距离值序列,获得各个目标一类子边缘对应的实际距离值序列。
在本实施例中,为了便于后续步骤确定预测距离值,需要将各个目标一类子边缘中的每个边缘像素点的实际距离值在标记上角标序号的基础上,排列在一起,形成实际距离值序列,每个目标一类子边缘均有其对应的实际距离值序列。
第三步,根据各个目标一类子边缘对应的实际距离值序列,利用ARMA自回归滑动平均模型,获得各个目标一类子边缘对应的各预测距离值。
需要说明的是,为了便于后续分析预测距离值与实际距离值之间的差异情况,需要获取每个实际距离值序列对应的多个预测距离值,预测距离值可以表征根据部分实际距离值,线性估计预测该部分实际距离值的下一个距离值。
在本实施例中,利用ARMA自回归滑动平均模型,根据各个目标一类子边缘对应的
实际距离值序列中的前n个实际距离值,确定第n+1个实际距离值的预测距离值,根据实际
距离值序列的前n+1个实际距离值,确定第n+2个实际距离值的预测距离值,不断重复上述
确定预测距离值的步骤,直至获得各个目标一类子边缘对应的各预测距离值。这里的n为从
实际距离值序列中选取的实际距离值的个数,经验值为30。从每个实际距离值序列的第30
个实际距离值开始,使用ARMA(Autoregressive moving average model)自回归滑动平均
模型,根据每个实际距离值序列中的前30个实际距离值,预测第31个实际距离值的预测距
离值。预测距离值与部分实际距离值为一一对应关系,即预测距离值的角标与实际距离值
的角标相同,将每个实际距离值序列中各个预测距离值记为,其中,为
实际距离值序列中实际距离值的个数,为第n+1个预测距离值,为第n+2个预测距
离值,为第个预测距离值;将每个实际距离值序列中与预测距离值对照的各个实际距
离值记为,其中,为实际距离值序列中第n+1个实际距离值,为实
际距离值序列中第n+2个实际距离值,为实际距离值序列中第个实际距离值。ARMA自
回归滑动平均模型的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐
述。
第四步,计算每个目标一类子边缘对应的各个预测距离值与其对应的实际距离值之间的差值绝对值的平均值,将差值绝对值的平均值确定为对应目标一类子边缘的第一凸起特征指标。
需要说明的是,鼓泡缺陷位置处对应的实际距离值的变化趋势为先增大后减小,ARMA自回归滑动平均模型为线性估计,所以根据实际距离值序列中的前n个实际距离值来预测后一个距离值时,预测距离值与实际距离值的差异较大。
在本实施例中,基于鼓泡缺陷对应的预测距离值与实际距离值之间的差异特征,通过每个目标一类子边缘对应的差值绝对值的平均值,得到可以表征目标一类子边缘凸起程度的第一凸起特征指标。第一凸起特征指标通过预测距离值与实际距离值之间的差异程度,反映目标一类子边缘的凸起程度。
第五步,计算每个目标一类子边缘对应的各个预测距离值与其对应的实际距离值之间的差值,获得每个目标一类子边缘对应的差值序列,统计差值序列中数值连续为正的个数和连续为负的个数,计算连续为正的个数与差值序列中所有差值个数的比值,并计算连续为负的个数与差值序列中所有差值个数的比值,将两个比值相加后的数值确定为对应目标一类子边缘的第二凸起特征指标。
需要说明的是,鼓泡缺陷位置处对应的各个实际距离值存在较大差别,两者之间的差异呈现正负连续分布。开胶缺陷位置处对应的各个实际距离值基本一致,所以实际距离值与预测距离值的差异较小,且两者之间的差异呈现正负随机分布。
在本实施例中,基于上述鼓泡缺陷和开胶缺陷的图像数据分布特征,通过差值序列中连续为正的个数与差值序列中所有差值个数的比值、连续为负的个数与差值序列中所有差值个数的比值,可以得到表征目标一类子边缘凸起程度的第二凸起特征指标。第二凸起特征指标通过预测距离值与实际距离值之间的差异分布情况,反映目标一类子边缘对应的距离变化趋势与鼓泡缺陷位置处对应的距离趋势之间的相似程度,进而分析目标一类子边缘的凸起程度。
第六步,计算各个目标一类子边缘的第一凸起特征指标和第二凸起特征指标的乘积,将乘积确定为对应目标一类子边缘的凸起特征值。
在本实施例中,凸起特征值可以反映鼓泡缺陷对应的实际距离值呈现逐渐增加到逐渐减小的特征。第一凸起特征指标、第二凸起特征指标与目标一类子边缘的凸起程度均为正相关,故通过两个不同角度计算得到的凸起特征指标的乘积,可以得到目标一类子边缘的凸起特征值。从两个角度分析目标一类子边缘的凸起程度,可以有效提高凸起特征值在后续步骤中的参考价值。
基于本步骤的第一步至第六步,可以得到各个目标一类子边缘的凸起特征值的计算公式,其计算公式可以为:
其中,为各个目标一类子边缘的凸起特征值,为各个目标一类子边缘对应的实
际距离值序列中实际距离值的个数,n为各个目标一类子边缘对应的实际距离值序列中选
取的实际距离值的个数,为各个目标一类子边缘对应的实际距离值和预测距离值的角标
序号,为各个目标一类子边缘对应的实际距离值序列中第j个实际距离值,为各个目标
一类子边缘对应的第j个预测距离值,为各个目标一类子边缘对应的第j个距离差
值绝对值,为的个数,为各个目标一类子边缘对应的第一凸起特
征指标,为各个目标一类子边缘对应的距离差值连续为正的个数与所有距离差值
个数的比值,为各个目标一类子边缘对应的距离差值连续为负的个数与所有距离
差值个数的比值,为各个目标一类子边缘对应的第二凸起特征指标。
需要说明的是,鼓泡缺陷对应的第一凸起特征指标较大,而开胶缺陷
对应的第一凸起特征指标较小;鼓泡缺陷对应的第二凸起特征指标较
大且接近于1,而开胶缺陷对应的第二凸起特征指标较小;第一凸起特征指标、第二凸起特征指标与凸起特征值为均为正相关,且鼓泡缺陷对应的
凸起特征值较大。
至此,本实施例得到了各个目标一类子边缘的凸起特征值。
S6,获取各个目标一类子边缘及其对应的目标二类子边缘对应的空间分布平整度,根据各个目标一类子边缘的凸起特征值、各个目标一类子边缘对应的目标二类子边缘、各个目标一类子边缘及其对应的目标二类子边缘对应的空间分布平整度,确定各个目标一类子边缘的鼓泡特征值,其步骤包括:
第一步,获取各个目标一类子边缘及其对应的目标二类子边缘对应的空间分布平整度。
在本实施例中,确定各个目标一类子边缘及其对应的目标二类子边缘对应的空间分布平整度是为了便于后续分析目标一类子边缘与其对应的目标二类子边缘两者之间的差异情况。
获取各个目标一类子边缘及其对应的目标二类子边缘对应的空间分布平整度,根据各个目标一类子边缘及其对应的目标二类子边缘中的各个边缘像素点,参考步骤S2对应的确定各一类边缘对应的各组边缘像素点对应的空间分布平整度的实现过程,可以得到各个目标一类子边缘及其对应的目标二类子边缘的空间分布平整度。目标一类子边缘和目标二类子边缘的空间分布平整度的实现过程与步骤S2的实现过程一致,此处不再赘述其实现步骤。
第二步,确定各个目标一类子边缘的鼓泡特征值,其步骤包括:
第一子步骤,对各个目标一类子边缘对应的目标二类子边缘进行霍夫直线检测,统计目标二类子边缘中在直线上的边缘像素点数量,将在直线上的边缘像素点数量与对应目标一类子边缘对应的目标二类子边缘的边缘像素点数量的比值,确定为对应目标一类子边缘的第一鼓泡特征指标。
需要说明的是,当目标一类子边缘为鼓泡缺陷位置处的边缘时,待识别建筑模板的最外层呈现凸起状态但与最外层相邻的内层仍较为平整,该目标一类子边缘对应的目标二类子边缘在直线上的边缘像素点个数与目标二类子边缘的总边缘像素点数量的比例较大;当目标一类子边缘为开胶缺陷位置处的边缘时,待识别建筑模板的最外层和与最外层相邻的内层均呈现凸起状态,该目标一类子边缘对应的目标二类子边缘在直线上的边缘像素点个数与目标二类子边缘的总边缘像素点数量的比例较小。霍夫直线检测的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
第二子步骤,将各个目标一类子边缘的空间分布平整度与对应的目标二类子边缘对应的空间分布平整度之间的差值绝对值,确定为对应目标一类子边缘的第二鼓泡特征指标。
需要说明的是,鼓泡缺陷对应的目标一类子边缘对应的空间分布平整度与其对应的目标二类子边缘对应的空间分布平整度的相似程度低,也就是在计算目标一类子边缘与其对应的目标二类子边缘在空间分布平整度方面的差异时,两者的差异程度较大。
第三子步骤,将各个目标一类子边缘的第一鼓泡特征指标、第二鼓泡特征指标和凸起特征值的乘积,确定为对应目标一类子边缘的鼓泡特征值。
在本实施例中,从三个角度分析目标一类子边缘的鼓泡特征值,可以有效提高鼓泡特征值的准确度,提高建筑模板端面缺陷识别的精准性,各个目标一类子边缘的鼓泡特征值的计算公式可以为:
其中,为各个目标一类子边缘的鼓泡特征值,为各个目标一类子边缘对应的目
标二类子边缘中在直线上的边缘像素点数量,为各个目标一类子边缘对应的目标二类子
边缘的边缘像素点数量,为各个目标一类子边缘的第一鼓泡特征指标,为各个目标一
类子边缘对应的空间分布平整度,为各个目标一类子边缘对应的目标二类子边缘对应的
空间分布平整度,为各个目标一类子边缘的第二鼓泡特征指标,为各个目标一类
子边缘的凸起特征值。
在鼓泡特征值的计算公式中,鼓泡特征值可以表征目标一类子边缘的图像特征
为鼓泡缺陷特征的可能性,鼓泡特征值越大,该目标一类子边缘出现鼓泡缺陷的可能性就
会越大;第一鼓泡特征指标、第二鼓泡特征指标以及凸起特征值与鼓泡特征值
均为正相关,当第一鼓泡特征指标、第二鼓泡特征指标以及凸起特征值越大时,
鼓泡特征值越大。
至此,本实施例获得了待识别建筑模板对应的各个目标一类子边缘的鼓泡特征值。
S7,根据各个目标一类子边缘的鼓泡特征值,判断待识别建筑模板端面是否存在鼓泡缺陷,其步骤包括:
获取鼓泡缺陷阈值,首先,获取多个存在鼓泡缺陷的建筑模板,参考上述步骤S1至步骤S6对应的计算目标一类子边缘的鼓泡特征值的实现过程,获得多个存在鼓泡缺陷的建筑模板对应的各目标一类子边缘的鼓泡特征值,从此时的各目标一类子边缘的鼓泡特征值中筛选出最小值,将最小值作为鼓泡缺陷第一阈值。这里存在鼓泡缺陷的建筑模板的数目可以为10个,存在鼓泡缺陷的建筑模板的数目可以由实施者根据具体情况,这里不做具体限定。然后,获取不存在任何缺陷但制造工艺精确度不足的建筑模板,参考上述步骤S1至步骤S6对应的计算目标一类子边缘的鼓泡特征值的实现过程,获得不存在任何缺陷但制造工艺精确度不足的建筑模板对应的各目标一类子边缘的鼓泡特征值,从此时的各目标一类子边缘的鼓泡特征值中选取最大值,将最大值作为鼓泡缺陷第二阈值。最后,将鼓泡缺陷第一阈值和鼓泡缺陷第二阈值的均值作为最终的鼓泡缺陷阈值。当然,也可以通过其他方式确定鼓泡缺陷阈值,不做具体限定。
在本实施例中,若大于或等于预设数目个端面区域内存在鼓泡特征值大于鼓泡缺陷阈值的目标一类子边缘,则判定待识别建筑模板端面存在鼓泡缺陷,且鼓泡特征值大于鼓泡缺陷阈值的目标一类子边缘为存在鼓泡缺陷阈值的边缘位置处,否则,判定待识别建筑模板端面不存在鼓泡缺陷,这里的端面区域的预设数目取经验值2。
需要说明的是,在获取待识别建筑模板的端面图像时,对待识别建筑模板的各端面分别获取端面图像,为了提升缺陷识别精度,只有大于或等于2个端面区域内存在鼓泡特征值大于鼓泡缺陷阈值的目标一类子边缘时,才判定待识别建筑模板端面存在鼓泡缺陷。
本发明提供了一种基于图像处理的模板端面缺陷识别方法,该方法通过对建筑模板的各端面区域进行图像数据处理,获得鼓泡特征值,利用鼓泡特征值作为鼓泡缺陷识别的判定指标,识别建筑模板是否存在鼓泡缺陷。本发明有效提高端面缺陷识别的精准性,便于区分开胶缺陷和鼓泡缺陷,可以应用于建模模板缺陷识别领域。
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;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以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;而这些修改或者替换,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 (8)
1.一种基于图像处理的模板端面缺陷识别方法,其特征在于,包括以下步骤:
获取待识别建筑模板的每个端面区域对应的各一类边缘和各二类边缘,利用预设划分像素数目,将各一类边缘中的边缘像素点平分为各组边缘像素点,一类边缘为端面区域最外侧的边缘,一类边缘邻近的边缘为二类边缘;
根据所述各组边缘像素点的坐标信息,确定各一类边缘对应的各组边缘像素点对应的空间分布平整度;
判断任意一个一类边缘对应的各组边缘像素点对应的空间分布平整度是否存在突变值连续分布且突变值个数大于预设数目的各突变值,若存在,则将突变值连续分布且突变值个数大于预设数目的各突变值确定为该一类边缘的异常组;
将各个异常组内的各个边缘像素点构成的边缘确定为目标一类子边缘,获得各个目标一类子边缘,根据各个目标一类子边缘和各二类边缘确定各个目标一类子边缘对应的目标二类子边缘;
根据各个目标一类子边缘及其对应的目标二类子边缘中的每个边缘像素点的位置,确定各个目标一类子边缘的凸起特征值;
获取各个目标一类子边缘及其对应的目标二类子边缘对应的空间分布平整度,根据各个目标一类子边缘的凸起特征值、各个目标一类子边缘对应的目标二类子边缘、各个目标一类子边缘及其对应的目标二类子边缘对应的空间分布平整度,确定各个目标一类子边缘的鼓泡特征值;
根据各个目标一类子边缘的鼓泡特征值,判断待识别建筑模板端面是否存在鼓泡缺陷。
2.根据权利要求1所述的一种基于图像处理的模板端面缺陷识别方法,其特征在于,所述获取待识别建筑模板的每个端面区域对应的各一类边缘和各二类边缘的步骤包括:
获取水平放置的待识别建筑模板的每个端面图像,将每个端面图像转换为灰度图像,获得每个端面图像对应的灰度图像;
对每个端面图像对应的灰度图像进行去噪处理,获得去噪处理后的灰度图像;
对去噪处理后的灰度图像进行背景分割处理,获得待识别建筑模板的每个端面区域;
对每个端面区域进行边缘检测,获得每个端面区域对应的各个边缘;
将每个端面区域对应的水平方向的第一个边缘和最后一个边缘确定为对应端面区域的一类边缘,将每个端面区域中距离一类边缘最近的水平方向的边缘确定为对应端面区域的二类边缘。
3.根据权利要求1所述的一种基于图像处理的模板端面缺陷识别方法,其特征在于,根据所述各组边缘像素点的坐标信息,确定各一类边缘对应的各组边缘像素点对应的空间分布平整度,包括:
对各组边缘像素点进行拟合处理,获得各组边缘像素点对应的拟合直线、拟合优度以及拟合直线的倾斜角;
计算各一类边缘对应的各组边缘像素点中的每个边缘像素点与其对应的拟合直线之间的距离值,根据距离值确定各组边缘像素点对应的距离均值;
根据各组边缘像素点对应的拟合优度、拟合直线的倾斜角、各组边缘像素点中的每个像素点与其对应的拟合直线之间的距离值以及各组边缘像素点对应的距离均值,确定各组边缘像素点对应的空间分布平整度。
4.根据权利要求3所述的一种基于图像处理的模板端面缺陷识别方法,其特征在于,所述空间分布平整度的计算公式为:
5.根据权利要求1所述的一种基于图像处理的模板端面缺陷识别方法,其特征在于,根据各个目标一类子边缘和各二类边缘确定各个目标一类子边缘对应的目标二类子边缘,包括:
对于任意一个目标一类子边缘,选取距离该目标一类子边缘最近的二类边缘确定为该目标一类子边缘对应的目标二类边缘,从目标二类边缘中选取与该目标一类子边缘中的各个边缘像素点的横坐标相同的边缘像素点,确定为对应目标二类边缘的目标边缘像素点,将目标边缘像素点构成的边缘确定为对应目标二类边缘的目标二类子边缘,获得该目标一类子边缘对应的目标二类子边缘;获得各个目标一类子边缘对应的目标二类子边缘。
6.根据权利要求1所述的一种基于图像处理的模板端面缺陷识别方法,其特征在于,根据各个目标一类子边缘及其对应的目标二类子边缘中的每个边缘像素点的位置,确定各个目标一类子边缘的凸起特征值,包括:
根据各个目标一类子边缘及其对应的目标二类子边缘中的每个边缘像素点的横坐标,将两个横坐标相同的边缘像素点组成边缘像素点对,根据边缘像素点对中每个边缘像素点的纵坐标,计算边缘像素点对之间的距离值,将距离值确定为对应目标一类子边缘中的边缘像素点的实际距离值;
将各个目标一类子边缘中的每个边缘像素点的实际距离值按照角标编码顺序排列为实际距离值序列,获得各个目标一类子边缘对应的实际距离值序列;
根据各个目标一类子边缘对应的实际距离值序列,利用ARMA自回归滑动平均模型,获得各个目标一类子边缘对应的各预测距离值;
计算各个目标一类子边缘对应的各预测距离值与其对应的实际距离值之间的差值绝对值的平均值,将差值绝对值的平均值确定为对应目标一类子边缘的第一凸起特征指标;
计算各个目标一类子边缘对应的各预测距离值与其对应的实际距离值之间的差值,获得各个目标一类子边缘对应的差值序列,统计差值序列中数值连续为正的个数和连续为负的个数,计算连续为正的个数与差值序列中所有差值个数的比值,并计算连续为负的个数与差值序列中所有差值个数的比值,将两个比值相加后的数值确定为对应目标一类子边缘的第二凸起特征指标;
计算各个目标一类子边缘的第一凸起特征指标和第二凸起特征指标的乘积,将乘积确定为对应目标一类子边缘的凸起特征值。
7.根据权利要求1所述的一种基于图像处理的模板端面缺陷识别方法,其特征在于,根据各个目标一类子边缘的凸起特征值、各个目标一类子边缘对应的目标二类子边缘、各个目标一类子边缘及其对应的目标二类子边缘对应的空间分布平整度,确定各个目标一类子边缘的鼓泡特征值,包括:
对各个目标一类子边缘对应的目标二类子边缘进行霍夫直线检测,统计目标二类子边缘中在直线上的边缘像素点数量,将在直线上的边缘像素点数量与对应目标二类子边缘的边缘像素点数量的比值,确定为对应目标一类子边缘的第一鼓泡特征指标;
将各个目标一类子边缘的空间分布平整度与其对应的目标二类子边缘对应的空间分布平整度之间的差值绝对值,确定为对应目标一类子边缘的第二鼓泡特征指标;
将各个目标一类子边缘的第一鼓泡特征指标、第二鼓泡特征指标和凸起特征值的乘积,确定为对应目标一类子边缘的鼓泡特征值。
8.根据权利要求1所述的一种基于图像处理的模板端面缺陷识别方法,其特征在于,根据各个目标一类子边缘的鼓泡特征值,判断待识别建筑模板端面是否存在鼓泡缺陷,包括:
获取鼓泡缺陷阈值,若大于或等于预设数目个端面区域内存在鼓泡特征值大于鼓泡缺陷阈值的目标一类子边缘,则判定待识别建筑模板端面存在鼓泡缺陷,否则,判定待识别建筑模板端面不存在鼓泡缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310409456.2A CN116152234B (zh) | 2023-04-18 | 2023-04-18 | 基于图像处理的模板端面缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310409456.2A CN116152234B (zh) | 2023-04-18 | 2023-04-18 | 基于图像处理的模板端面缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116152234A true CN116152234A (zh) | 2023-05-23 |
CN116152234B CN116152234B (zh) | 2023-08-01 |
Family
ID=86352733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310409456.2A Active CN116152234B (zh) | 2023-04-18 | 2023-04-18 | 基于图像处理的模板端面缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116152234B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117252870A (zh) * | 2023-11-15 | 2023-12-19 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印模具的图像处理方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106053479A (zh) * | 2016-07-21 | 2016-10-26 | 湘潭大学 | 一种基于图像处理的工件外观缺陷的视觉检测系统 |
WO2020144200A1 (en) * | 2019-01-09 | 2020-07-16 | Trinamix Gmbh | Detector for determining a position of at least one object |
CN112767326A (zh) * | 2021-01-07 | 2021-05-07 | 湖南大学 | 钢轨表面缺陷检测方法、装置、设备及存储介质 |
CN113592845A (zh) * | 2021-08-10 | 2021-11-02 | 深圳市华汉伟业科技有限公司 | 一种电池涂布的缺陷检测方法及装置、存储介质 |
CN115115612A (zh) * | 2022-07-26 | 2022-09-27 | 山东安德机械科技有限公司 | 一种用于机械配件的表面缺陷检测方法及系统 |
CN115239737A (zh) * | 2022-09-26 | 2022-10-25 | 淄博永丰环保科技有限公司 | 基于图像处理的瓦楞纸缺陷检测方法 |
CN115239727A (zh) * | 2022-09-23 | 2022-10-25 | 南通荣茂电子科技有限公司 | 一种pcb板表面缺陷检测方法 |
CN115829984A (zh) * | 2022-12-14 | 2023-03-21 | 南通恒绮纺织有限公司 | 一种棉织品丝光处理缺陷识别方法 |
-
2023
- 2023-04-18 CN CN202310409456.2A patent/CN116152234B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106053479A (zh) * | 2016-07-21 | 2016-10-26 | 湘潭大学 | 一种基于图像处理的工件外观缺陷的视觉检测系统 |
WO2020144200A1 (en) * | 2019-01-09 | 2020-07-16 | Trinamix Gmbh | Detector for determining a position of at least one object |
CN112767326A (zh) * | 2021-01-07 | 2021-05-07 | 湖南大学 | 钢轨表面缺陷检测方法、装置、设备及存储介质 |
CN113592845A (zh) * | 2021-08-10 | 2021-11-02 | 深圳市华汉伟业科技有限公司 | 一种电池涂布的缺陷检测方法及装置、存储介质 |
CN115115612A (zh) * | 2022-07-26 | 2022-09-27 | 山东安德机械科技有限公司 | 一种用于机械配件的表面缺陷检测方法及系统 |
CN115239727A (zh) * | 2022-09-23 | 2022-10-25 | 南通荣茂电子科技有限公司 | 一种pcb板表面缺陷检测方法 |
CN115239737A (zh) * | 2022-09-26 | 2022-10-25 | 淄博永丰环保科技有限公司 | 基于图像处理的瓦楞纸缺陷检测方法 |
CN115829984A (zh) * | 2022-12-14 | 2023-03-21 | 南通恒绮纺织有限公司 | 一种棉织品丝光处理缺陷识别方法 |
Non-Patent Citations (2)
Title |
---|
ZHANG JIAN-FEI等: "Research on Method in Detecting Cavity of the Cross-section of Fiberboard Based on Image Processing", IEEE:2010 INTERNATIONAL SYMPOSIUM ON INTELLIGENCE INFORMATION PROCESSING AND TRUSTED COMPUTING, pages 539 - 542 * |
王奔: "圆柱形锂电池端面缺陷检测方法研究", 中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑), no. 02, pages 042 - 3367 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117252870A (zh) * | 2023-11-15 | 2023-12-19 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印模具的图像处理方法 |
CN117252870B (zh) * | 2023-11-15 | 2024-02-02 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印模具的图像处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116152234B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116363133B (zh) | 基于机器视觉的照明器配件缺陷检测方法 | |
CN110097034B (zh) | 一种智能人脸健康程度的识别与评估方法 | |
CN115018828B (zh) | 一种电子元器件的缺陷检测方法 | |
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN116030060B (zh) | 一种塑料颗粒质量检测方法 | |
CN116152234B (zh) | 基于图像处理的模板端面缺陷识别方法 | |
CN105046700A (zh) | 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统 | |
CN115063423B (zh) | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 | |
CN114972356B (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
CN116205919A (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
CN116977358B (zh) | 一种瓦楞纸生产品质视觉辅助检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN116523923B (zh) | 一种电池外壳缺陷识别方法 | |
CN114219794A (zh) | 基于机器视觉的刨花板表面质量评估方法及系统 | |
CN115359053A (zh) | 一种金属板材缺陷智能检测方法及系统 | |
CN115861307B (zh) | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 | |
CN117011292B (zh) | 一种复合板表面质量快速检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN114119603A (zh) | 基于图像处理的快餐盒短射缺陷检测方法 | |
CN115359047A (zh) | 用于pcb板智能焊接的异常缺陷检测方法 | |
CN111950654A (zh) | 基于svm分类的魔方色块颜色还原方法 | |
CN115330796A (zh) | 一种铜线镀锡缺陷识别方法 | |
CN116152242A (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN115311288B (zh) | 一种汽车贴膜破损检测方法 |
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 |