CN116168024B - 基于计算机视觉的瓦楞纸生产质量实时检测方法 - Google Patents
基于计算机视觉的瓦楞纸生产质量实时检测方法 Download PDFInfo
- Publication number
- CN116168024B CN116168024B CN202310437755.7A CN202310437755A CN116168024B CN 116168024 B CN116168024 B CN 116168024B CN 202310437755 A CN202310437755 A CN 202310437755A CN 116168024 B CN116168024 B CN 116168024B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- jump
- core paper
- surface image
- lbp
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 32
- 238000011897 real-time detection Methods 0.000 title claims abstract description 8
- 238000012937 correction Methods 0.000 claims abstract description 37
- 235000008694 Humulus lupulus Nutrition 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 13
- 238000012545 processing Methods 0.000 abstract description 2
- 239000000123 paper Substances 0.000 description 158
- 238000004458 analytical method Methods 0.000 description 9
- 230000000737 periodic effect Effects 0.000 description 9
- 238000004049 embossing Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 239000011087 paperboard Substances 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004026 adhesive bonding Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
-
- G06T5/70—
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/30124—Fabrics; Textile; Paper
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Inspection Of Paper Currency And Valuable Securities (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于计算机视觉的瓦楞纸生产质量实时检测方法,包括:采集芯纸表面图像,根据每个像素点的LBP二值序列获取噪声程度;根据每一行像素点的LBP二值序列获取横向一致性程度,进一步得到校正行,对校正行上每个像素点的LBP二值序列中的跳变位置进行校正,获取每个像素点的邻域跳变点稳定程度,对噪声程度进行校正,进而得到去噪LBP特征值,将每一列利用不同的窗口长度分割成多个窗口段,根据每个窗口段的纹理特征值,获取不同的窗口长度下每一列的周期差异性,进而获取每一列的周期长度,根据周期长度获取芯纸的厚度均匀程度,实现瓦楞纸生产质量检测。本发明排除了噪声的干扰,检测结果更加准确。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于计算机视觉的瓦楞纸生产质量实时检测方法。
背景技术
在瓦楞纸的生产过程中,芯纸是用于制作瓦楞纸芯层的纸板,其表面经过压花加工形成瓦楞形状。通常使用流水线式芯纸生产设备,将纸板逐步压花、粘接并切割成一定长度,形成芯纸。在其中芯纸进行压花形成瓦楞形状之后需要对瓦楞纸表面进行厚度检测。从而避免因芯纸厚度不一致导致生产出的瓦楞纸的质量下降,影响到后续制备成产品的性能与使用寿命。在流水线中,芯纸压花之后,可以通过在其上方架设高清摄像头采集瓦棱状纸板的表面图像。通过图像中像素点的纹理特征来分析瓦棱状纸板厚度的一致性。
目前通常通过瓦楞纸芯纸表面图像的LBP纹理特征值的周期性判断芯纸的厚度均匀。当纹理特征的周期性出现变化时,则说明芯纸的厚度存在变化,因此现有技术通过纹理特征的周期性的变化情况进行芯纸厚度均匀性的判断。在通过芯纸表面图像的LBP纹理特征进行芯纸表面厚度均匀性判断时,因为芯纸材质粗糙,在其表面会存在噪声点,这些噪声点会使得对于芯纸表面图像中像素点的纹理特征的周期性判断的过程中出现误差,导致对于芯纸厚度均匀性的判断出现误差。
发明内容
本发明提供基于计算机视觉的瓦楞纸生产质量实时检测方法,以解决现有的问题。
本发明的基于计算机视觉的瓦楞纸生产质量实时检测方法采用如下技术方案:
本发明一个实施例提供了基于计算机视觉的瓦楞纸生产质量实时检测方法,该方法包括以下步骤:
采集芯纸表面图像;获取芯纸表面图像中每个像素点的LBP二值序列,根据每个像素点的LBP二值序列获取每个像素点的噪声程度;根据芯纸表面图像中每一行中所有像素点的LBP二值序列中的每个位置跳变的次数获取每个位置的第一跳变概率,根据第一跳变概率以及每一行中所有像素点的灰度值获取每一行的横向一致性程度;
将横向一致性程度大于预设阈值的行作为校正行,对校正行上每个像素点的LBP二值序列中的跳变位置进行校正;根据芯纸表面图像中每个像素点的邻域内所有像素点的LBP二值序列中的每个位置跳变的次数获取每个位置的第二跳变概率,根据第二跳变概率获取芯纸表面图像中每个像素点的邻域跳变点稳定程度;
将每个像素点的邻域跳变点稳定程度与噪声程度的积作为校正噪声程度;获取每个像素点的LBP特征值,利用每个像素点的LBP特征值乘以每个像素点的校正噪声程度,得到每个像素点的去噪LBP特征值;
根据芯纸表面图像的行数获取多个窗口长度,将任意一个窗口长度作为目标窗口长度,将芯纸表面图像的任意一列作为目标列,将目标列分割为多个长度为目标窗口长度的窗口段,将每个窗口段内所有像素点的去噪LBP特征值的均值作为每个窗口段的纹理特征值;根据每个窗口段的纹理特征值获取目标窗口长度下目标列的周期差异性;
根据每个窗口长度下目标列的周期差异性获取目标列的周期长度,将芯纸表面图像的所有列的周期长度的方差作为芯纸的厚度均匀程度;
根据厚度均匀程度进行瓦楞纸生产质量检测。
优选的,所述根据每个像素点的LBP二值序列获取每个像素点的噪声程度,包括的具体步骤如下:
将芯纸表面图像中每个像素点的R邻域范围内的每个邻域像素点在自身的R邻域范围内的LBP二值序列作为芯纸表面图像中每个像素点的邻域LBP二值序列;将每个像素点在邻域LBP二值序列中对应的位置作为每个像素点的匹配位置,统计每个像素点的所有邻域LBP二值序列中匹配位置发生跳变的个数,作为每个像素点的第一跳变次数;利用每个像素点的第一跳变次数除以邻域范围大小R,得到每个像素点的噪声程度。
优选的,所述根据芯纸表面图像中每一行中所有像素点的LBP二值序列中的每个位置跳变的次数获取每个位置的第一跳变概率,包括的具体步骤如下:
将芯纸表面图像中每一行中所有像素点的LBP二值序列中的每个位置跳变的次数,分别除以每一行像素点的个数,得到每个位置跳变的第一频率;将每个位置跳变的第一频率除以所有位置跳变的第一频率总和,得到每个位置的第一跳变概率。
优选的,所述根据第一跳变概率以及每一行中所有像素点的灰度值获取每一行的横向一致性程度,包括的具体步骤如下:
优选的,所述对校正行上每个像素点的LBP二值序列中的跳变位置进行校正,包括的具体步骤如下:
获取校正行中每个像素点的LBP二值序列的跳变次数,获取其中最小的跳变次数对应的像素点作为标准像素点;将标准像素点的LBP二值序列中跳变的位置作为标准跳变位置,将校正行中每个像素点的LBP二值序列中的跳变位置校正为标准跳变位置。
优选的,所述根据第二跳变概率获取芯纸表面图像中每个像素点的邻域跳变点稳定程度,包括的具体步骤如下:
优选的,所述根据芯纸表面图像的行数获取多个窗口长度,包括的具体步骤如下:
优选的,所述根据每个窗口段的纹理特征值获取目标窗口长度下目标列的周期差异性,包括的具体步骤如下:
计算目标列的任意两个窗口段之间的纹理特征值的差值的绝对值,作为两个窗口段的纹理差异,获取目标列的所有窗口段两两之间的纹理差异,将目标列的所有窗口段两两之间的纹理差异的均值作为目标窗口长度下目标列的周期差异性。
优选的,所述根据每个窗口长度下目标列的周期差异性获取目标列的周期长度,包括的具体步骤如下:
将周期差异性最小的窗口长度作为目标列的周期长度。
本发明的技术方案的有益效果是:本发明根据每个像素点的LBP二值序列获取噪声程度,根据每一行像素点的LBP二值序列获取横向一致性程度,进一步得到校正行,对校正行上每个像素点的LBP二值序列中的跳变位置进行校正。获取每个像素点的邻域跳变点稳定程度,对噪声程度进行校正,进而得到去噪LBP特征值。传统方法的通过像素点的局部区域中的邻域像素点与中心像素点的差异来进行像素点的噪声程度的判断,本发明将芯纸表面图像中每个像素点所在行的所有像素点中的像素值的稳定性与纹理特征中跳变点位置的稳定性作为横向一致性程度的判断标准,对于一个像素点来说,不只是其本身会带来噪声点的影响,在厚度均匀性分析中,会影响到厚度判断的横向一致性程度也是像素点的噪声性质,因此本发明在芯纸表面厚度一致性的判断中,根据横向一致性程度来排除影响纹理周期性判断的周期特征的横向像素点不一致的问题,相较于传统的方法,本发明对于芯纸的厚度均匀性的判断更加准确;本发明将每一列利用不同的窗口长度分割成多个窗口段,根据每个窗口段的纹理特征值,获取不同的窗口长度下每一列的周期差异性,进而获取每一列的周期长度,根据周期长度获取芯纸的厚度均匀程度,实现瓦楞纸生产质量检测。本发明在周期分析的过程中降低噪声点的影响,获取到准确的纹理特征周期变化的稳定程度,使得芯纸的厚度均匀程度检测结果更加准确。
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为本发明的基于计算机视觉的瓦楞纸生产质量实时检测方法的步骤流程图;
图2为瓦楞状示意图。
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基于计算机视觉的瓦楞纸生产质量实时检测方法,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。
下面结合附图具体的说明本发明所提供的基于计算机视觉的瓦楞纸生产质量实时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基于计算机视觉的瓦楞纸生产质量实时检测方法的步骤流程图,该方法包括以下步骤:
S001.采集芯纸表面图像。
需要说明的是,在瓦楞纸生产过程中,需要对芯纸进行压花,使得芯纸形成瓦棱状,如图2所示,之后在芯纸表面涂胶进行衬纸的粘合,如果芯纸的厚度不均匀,就会导致粘合后的瓦棱纸板的质量不达标,使用寿命降低。因此需要对瓦楞状芯纸的厚度进行检测,通过厚度的均匀性对芯纸的质量进行判断。
在本发明实施例中,在瓦楞纸生产流水线中,在芯纸压花工艺之后的传送带上方架设高清摄像头,通过摄像头采集芯纸表面图像。
至此,获取了芯纸表面图像。
需要说明的是,芯纸表面图像中的芯纸为压花后具有瓦楞状的芯纸,在对芯纸表面图像中芯纸的厚度进行评估过程中,需要结合芯纸表面图像中像素点纹理特征纵向分布的周期性进行厚度均匀性的判断,这是因为压花后的芯纸厚度就是瓦棱的高度。在生产的检测过程中,通过芯纸表面图像进行检测相较于通过芯纸侧面的图像检测,可以省去对芯纸侧面的图像进行芯纸区域提取的计算成本。
S002.获取芯纸表面图像中像素点的噪声程度。
需要说明的是,在芯纸表面图像中,当瓦棱的纹理特征分布均匀且规律,则说明瓦棱的厚度是均匀的。而当芯纸表面图像中像素点的纹理特征分布出现不均匀的情况,则说明瓦棱不规律,也就是出现了厚度的变化。在对芯纸表面图像中像素点的纹理特征分布的周期性进行分析的过程中,由于芯纸表面较为粗糙,芯纸表面图像中存在噪声像素点,这些噪声像素点会影响纹理周期性分析的准确性,从而导致错误的检测结果。传统的去噪方法是对芯纸表面图像通过滤波实现像素值的平滑,从而去除噪声点,但是在该过程中,会出现噪声点像素值将其滤波核范围内的其他像素点的像素值改变。这样就会出现在纹理特征值的周期性变化中出现周期变化不均匀的情况,从而发生错误判断。因此可在根据纹理特征值的周期性的判断过程中,结合像素点多尺度下的LBP特征值进行像素点对周期性分析过程中影响程度的判断,以此降低噪声数据点的影响,即在周期性分析的过程中通过像素点的影响程度来对数据点的周期性进行评估。对于像素点影响程度大小的判断,可以通过多个邻域半径范围的LBP特征值判断LBP特征值的一致性,当像素点的多尺度LBP特征值是相同的,则说明该像素点是正常的像素点。对于多尺度LBP特征值出现变化的像素点,则说明该像素点可能是噪声像素点。对于噪声像素点,可以通过图像横向的像素点一致性评估来确定瓦棱的排列是否正常。芯纸表面图像中同一行的像素点的像素值应该是一致的,并且同一行中像素点的纹理特征值应该是处于一致性的情况。所以可以通过同一行的像素点进一步的对像素点的噪声程度进行判断。在获取到像素点的噪声程度之后,则可以用其通过纵向曲线中的纹理特征偏离大小进行噪声影响程度评估。并在周期性分析中,将纹理特征值通过噪声影响程度进行校正。从而消除噪声对于芯纸厚度均匀程度判断的影响。
需要进一步说明的是,芯纸的压花过程是规律的,即压花模板是瓦棱均匀的,所以正常的芯纸表面图像中像素点的半径范围中的其他像素点的纹理特征所呈现出的纹理变化应该是具有单方向相似的情况。其中对于横向相邻的像素点,局部二值模式所获取的二进制序列是相似的(同一行像素点在瓦棱中处于同样的变化位置),而纵向的像素点的二进制序列是存在相同的二进制序列中0,1分布的。
LBP算法在每个像素点八邻域内,比较邻域像素点与中心像素的灰度值,若邻域像素点的灰度值大于中心像素点的灰度值,则邻域像素点的位置被标记为1,否则标记为0。通过对像素点八邻域内所有邻域像素点中心像素点进行比较,可产生8位二进制数,得到中心像素点的LBP二值序列。在LBP算法中,将LBP二值序列中0到1或1到0记为一次跳变。在本发明实施例中,通过每个像素点的LBP二值序列的跳变数量对像素点进行噪声判断,芯纸表面图像中同一行像素点的纹理特征相似,当同一行中的像素点中某个像素点的LBP二值序列的跳变数量相对于其他像素点的跳变数量更多,该像素点越可能为噪声像素点。
在本发明实施例中,首先获取芯纸表面图像中每个像素点在R邻域范围内的LBP二值序列,在本发明实施例中邻域范围大小R=8,在其他实施例中,实施人员可根据实际实施情况设置邻域范围大小。将芯纸表面图像中每个像素点的R邻域范围内的每个邻域像素点在其自身的R邻域范围内的LBP二值序列作为芯纸表面图像中每个像素点的邻域LBP二值序列,则每个像素点有R个邻域LBP二值序列。将每个像素点在其邻域LBP二值序列中对应的位置作为每个像素点的匹配位置,统计每个像素点的所有邻域LBP二值序列中匹配位置发生跳变的个数,作为每个像素点的第一跳变次数。
其中为芯纸表面图像第个像素点的噪声程度;为芯纸表面图像第个像素点
的第一跳变次数;为邻域范围大小;第个像素点的邻域范围内有R个邻域像素点,则对应
的有R个邻域LBP二值序列,在每个邻域LBP二值序列中有一个匹配位置,当在越多匹配位置
发生跳变时,第个像素点的跳变次数越大,第i个像素点越不符合邻域像素点的灰度变化
趋势,第i个像素点为噪声点的可能性越大,第个像素点的噪声程度越大。
S003.对芯纸表面图像中像素点的噪声程度进行校正。
需要说明的是,在获取像素点的噪声程度的过程中,每个像素点的噪声程度是通过其局部区域(即R邻域)中邻域像素点的LBP二值序列来确定的。因为芯纸表面粗糙,像素点会存在较多的异常变化,当局部区域中的邻域像素点的LBP二值序列中本身就存在跳变点不稳定的情况时,像素点的噪声程度在该局部区域内应该是较小的。所以需要在噪声程度的基础上进一步通过像素点局部区域中邻域像素点的LBP二值序列中跳变点的稳定性进行评估,从而优化对于像素点噪声程度的判断。
需要进一步说明的是,由于瓦楞纸芯纸表面粗糙,像素点会出现波动,这就会导致像素点局部区域中邻域像素点的LBP二值序列中跳变点的位置出现变化,若直接根据像素点局部区域中邻域像素点的LBP二值序列中跳变点的位置来衡量跳变点稳定程度不准确,此时可根据芯纸表面图像的粗糙程度来进行跳变点位置出现概率的校正,从而获取准确的跳变点稳定程度。每一个瓦棱在正确的压花后的图像中应该是处于横向相同的状态,因此本发明实施例对于芯纸表面图像中同一行的像素点的跳变位置进行分析,若因为横向的不一致而导致跳变点稳定程度低,就需要通过芯纸表面图像中每个像素点所在行的整体的跳变点稳定程度对每个像素点的跳变点稳定程度进行校正,使得在对于厚度均匀性的判断过程中将横向不一致的行对于像素点噪声程度的影响降低。
在本发明实施例中,像素点的LBP二值序列的长度为R,则LBP二值序列中一共有R个位置,获取芯纸表面图像中每一行中所有像素点的LBP二值序列中的每个位置跳变的次数,分别除以该行像素点的个数,得到每个位置跳变的第一频率。将每个位置跳变的第一频率除以R个位置跳变的第一频率总和,实现每个位置跳变的第一频率的归一化,将归一化后的每个位置跳变的第一频率记为每个位置的第一跳变概率。
获取芯纸表面图像中每一行的横向一致性程度,如芯纸表面图像中第j行的横向一致性程度:
其中为芯纸表面图像中第j行的横向一致性程度;为芯纸表面图像中第j行
所有像素点的LBP二值序列中第k个位置的第一跳变概率;为邻域范围大小;为芯纸表面
图像中第j行的所有像素点的灰度值的方差,用来表示第j行像素点的灰度值稳定性;为芯纸表面图像中第j行所有像素点的LBP二值序列中所有位置跳变
的熵,用来表示芯纸表面图像中第j行跳变点位置的稳定性;芯纸表面图像中每一个像素点
的噪声程度不仅受到局部区域的纹理特征的影响,在后续芯纸厚度均匀性的判断中,横向
的像素点分布也会影响到芯纸厚度的判断,因此需要根据每一行的横向一致性程度降低每
一行中像素点的横向分布特征的影响,本发明实施例根据横向像素点的灰度值稳定性与
跳变点位置的稳定性获取芯纸表面图像中第j行的横向一致性程度。
同理,获取芯纸表面图像中每一行的横向一致性程度,利用所有行的横向一致性程度对每一行的横向一致性程度进行线性归一化,将每一行归一化之后的横向一致性程度仍然记为每一行的横向一致性程度,后续本发明实施例中出现的所有横向一致性程度均为归一化后的横向一致性程度。
需要说明的是,传统方法的通过像素点的局部区域中的邻域像素点与中心像素点的差异来进行像素点的噪声程度的判断,本发明实施例将芯纸表面图像中每个像素点所在行的所有像素点中的像素值的稳定性与纹理特征中跳变点位置的稳定性作为横向一致性程度的判断标准,对于一个像素点来说,不只是其本身会带来噪声点的影响,在厚度均匀性分析中,会影响到厚度判断的横向一致性程度也是像素点的噪声性质,因此本发明实施例在芯纸表面厚度一致性的判断中,根据横向一致性程度来排除影响纹理周期性判断的周期特征的横向像素点不一致的问题,相较于传统的方法,本发明实施例对于芯纸的厚度均匀性的判断更加准确。
在本发明实施例中,将横向一致性程度大于预设阈值的行作为校正行,其中预设阈值为0.7,在其他实施例中,实施人员可根据实际实施情况设置预设阈值。
对于芯纸表面图像中的校正行上每个像素点的LBP二值序列中的跳变位置进行校正,具体为:获取校正行中每个像素点的LBP二值序列的跳变次数,获取其中最小的跳变次数对应的像素点作为标准像素点,需要说明的是,当有多个像素点的LBP二值序列的跳变次数最小时,选择其中最左侧的像素点作为标准像素点。将标准像素点的LBP二值序列中跳变的位置作为标准跳变位置,将校正行中每个像素点的LBP二值序列中的跳变位置校正为标准跳变位置。
至此,完成了校正行中每个像素点的跳变位置的校正。
需要说明的是,本发明实施例通过对校正行中每个像素点的跳变位置进行校正,使得在后续计算邻域跳变点稳定程度的过程中,认为校正行的像素点的跳变位置是相同的,从而消除芯纸表面粗糙对于芯纸表面图像中像素点噪声程度的影响。本发明实施例根据横向一致性程度来约束局部区域内校正行上像素点的LBP二值序列中每个位置的跳变概率,避免由于芯纸表面粗糙形成的像素变化对芯纸厚度分析的影响。
在本发明实施例中,像素点的LBP二值序列的长度为R,则LBP二值序列中一共有R个位置,获取芯纸表面图像中每个像素点的R邻域内所有像素点的LBP二值序列中的每个位置跳变的次数,分别除以R,得到每个位置跳变的第二频率。将每个位置跳变的第二频率除以R个位置跳变的第二频率总和,实现每个位置跳变的第二频率的归一化,将归一化后的每个位置跳变的第二频率记为每个位置的第二跳变概率。需要说明的是,在获取芯纸表面图像中每个像素点的R邻域内所有像素点的LBP二值序列中的每个位置跳变的次数时,当R邻域内存在校正行上的像素点时,依据的是校正之后的跳变位置来获取。
同理,获取芯纸表面图像中每个像素点的邻域跳变点稳定程度,利用所有像素点的邻域跳变点稳定程度对每个像素点的邻域跳变点稳定程度进行线性归一化,将每个像素点的归一化之后的邻域跳变点稳定程度仍然记为每个像素点的邻域跳变点稳定程度,后续本发明实施例中出现的所有邻域跳变点稳定程度均为归一化后的邻域跳变点稳定程度。
根据芯纸表面图像中每个像素点的邻域跳变点稳定程度,对每个像素点的噪声程度进行校准,获取校正噪声程度,用来表示消除芯纸表面粗糙影响后准确的噪声程度,具体为:
同理,获取芯纸表面图像中每个像素点的校正噪声程度。
需要说明的是,本发明实施例根据每个像素点的邻域跳变点稳定程度对该像素点的噪声程度进行校正,得到校正噪声程度,校正噪声程度相较于噪声程度,可以在对芯纸表面进行分析时排除局部区域的不一致而导致的噪声点判断,从而使得像素点的噪声程度更加准确。
至此,实现了对芯纸表面图像中像素点的噪声程度的校正,获取了每个像素点的校正噪声程度。
S004.获取芯纸的厚度均匀程度。
在本发明实施例中,在获取到图像中每一个像素点准确的噪声程度(即校正噪声程度)之后,则可以通过像素点纹理特征纵向排列的周期性进行厚度均匀性的判断。对于图像中每一列像素点的LBP纹理特征序列,通过窗口长度的连续变化,判断每个窗口之间的LBP纹理特征值的差异,找到每一列纹理特征序列的最小平均差异下的窗口长度,即为纹理特征序列的周期长度。再通过所有列之间的纹理特征序列周期长度的方差值作为芯纸厚度均匀程度的判断。
在本发明实施例中,将每个像素点的LBP二值序列转换为十进制,作为每个像素点的LBP特征值,利用每个像素点的LBP特征值乘以每个像素点的校正噪声程度,得到每个像素点的去噪LBP特征值。
将芯纸表面图像的行数记为M,将之间的每个整数分别作为一个窗口长度。
以任意一个窗口长度为目标窗口长度,记为L。将芯纸表面图像的任意一列作为目标列,根
据目标窗口长度L将目标列分割成个窗口段,其中前个窗口段的长度均为L,最后
一个窗口段的长度为;为向上取整符号。将目标窗口长度L下的每个窗
口段内所有像素点的去噪LBP特征值的均值作为每个窗口段的纹理特征值。计算目标列的
任意两个窗口段之间的纹理特征值的差值的绝对值,作为此两个窗口段的纹理差异,获取
目标列的所有窗口段两两之间的纹理差异,将目标列的所有窗口段两两之间的纹理差异的
均值作为目标窗口长度L下目标列的周期差异性。
同理,获取所有窗口长度下目标列的周期差异性,以周期差异性最小的窗口长度作为目标列的周期长度。
同理,获取芯纸表面图像的每一列的周期长度,计算芯纸表面图像的所有列的周期长度的方差,将所得结果作为芯纸的厚度均匀程度。
需要说明的是,本发明实施例,在像素点纵向排列的纹理特征序列中通过像素点的噪声程度根据其在序列中的离群情况程度进行校正,使得后续获得的芯纸的厚度均匀程度更加准确。
S005.进行瓦楞纸生产质量检测。
在通过芯纸表面图像获取到芯纸的厚度均匀程度后,通过芯纸生产过程中的质量
要求对每一段芯纸的质量进行评定。根据生产需要设定厚度均匀程度度量阈值,厚度
均匀程度低于阈值的芯纸的厚度不均匀,将厚度均匀程度低于厚度均匀程度度量阈值的
芯纸进行标注,完成瓦楞纸生产过程中的芯纸厚度一致性的检测。
通过以上步骤,完成了瓦楞纸生产质量检测。
本发明实施例根据每个像素点的LBP二值序列获取噪声程度,根据每一行像素点的LBP二值序列获取横向一致性程度,进一步得到校正行,对校正行上每个像素点的LBP二值序列中的跳变位置进行校正。获取每个像素点的邻域跳变点稳定程度,对噪声程度进行校正,进而得到去噪LBP特征值。传统方法的通过像素点的局部区域中的邻域像素点与中心像素点的差异来进行像素点的噪声程度的判断,本发明实施例将芯纸表面图像中每个像素点所在行的所有像素点中的像素值的稳定性与纹理特征中跳变点位置的稳定性作为横向一致性程度的判断标准,对于一个像素点来说,不只是其本身会带来噪声点的影响,在厚度均匀性分析中,会影响到厚度判断的横向一致性程度也是像素点的噪声性质,因此本发明实施例在芯纸表面厚度一致性的判断中,根据横向一致性程度来排除影响纹理周期性判断的周期特征的横向像素点不一致的问题,相较于传统的方法,本发明实施例对于芯纸的厚度均匀性的判断更加准确;本发明实施例将每一列利用不同的窗口长度分割成多个窗口段,根据每个窗口段的纹理特征值,获取不同的窗口长度下每一列的周期差异性,进而获取每一列的周期长度,根据周期长度获取芯纸的厚度均匀程度,实现瓦楞纸生产质量检测。本发明实施例在周期分析的过程中降低噪声点的影响,获取到准确的纹理特征周期变化的稳定程度,使得芯纸的厚度均匀程度检测结果更加准确。
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 (4)
1.基于计算机视觉的瓦楞纸生产质量实时检测方法,其特征在于,该方法包括以下步骤:
采集芯纸表面图像;获取芯纸表面图像中每个像素点的LBP二值序列,根据每个像素点的LBP二值序列获取每个像素点的噪声程度;根据芯纸表面图像中每一行中所有像素点的LBP二值序列中的每个位置跳变的次数获取每个位置的第一跳变概率,根据第一跳变概率以及每一行中所有像素点的灰度值获取每一行的横向一致性程度;
将横向一致性程度大于预设阈值的行作为校正行,对校正行上每个像素点的LBP二值序列中的跳变位置进行校正;根据芯纸表面图像中每个像素点的邻域内所有像素点的LBP二值序列中的每个位置跳变的次数获取每个位置的第二跳变概率,根据第二跳变概率获取芯纸表面图像中每个像素点的邻域跳变点稳定程度;
将每个像素点的邻域跳变点稳定程度与噪声程度的积作为校正噪声程度;获取每个像素点的LBP特征值,利用每个像素点的LBP特征值乘以每个像素点的校正噪声程度,得到每个像素点的去噪LBP特征值;
根据芯纸表面图像的行数获取多个窗口长度,将任意一个窗口长度作为目标窗口长度,将芯纸表面图像的任意一列作为目标列,将目标列分割为多个长度为目标窗口长度的窗口段,将每个窗口段内所有像素点的去噪LBP特征值的均值作为每个窗口段的纹理特征值;根据每个窗口段的纹理特征值获取目标窗口长度下目标列的周期差异性;
根据每个窗口长度下目标列的周期差异性获取目标列的周期长度,将芯纸表面图像的所有列的周期长度的方差作为芯纸的厚度均匀程度;
根据厚度均匀程度进行瓦楞纸生产质量检测;
所述根据每个像素点的LBP二值序列获取每个像素点的噪声程度,包括的具体步骤如下:
将芯纸表面图像中每个像素点的R邻域范围内的每个邻域像素点在自身的R邻域范围内的LBP二值序列作为芯纸表面图像中每个像素点的邻域LBP二值序列;将每个像素点在邻域LBP二值序列中对应的位置作为每个像素点的匹配位置,统计每个像素点的所有邻域LBP二值序列中匹配位置发生跳变的个数,作为每个像素点的第一跳变次数;利用每个像素点的第一跳变次数除以邻域范围大小R,得到每个像素点的噪声程度;
所述根据第一跳变概率以及每一行中所有像素点的灰度值获取每一行的横向一致性程度,包括的具体步骤如下:
所述根据第二跳变概率获取芯纸表面图像中每个像素点的邻域跳变点稳定程度,包括的具体步骤如下:
所述根据每个窗口段的纹理特征值获取目标窗口长度下目标列的周期差异性,包括的具体步骤如下:
计算目标列的任意两个窗口段之间的纹理特征值的差值的绝对值,作为两个窗口段的纹理差异,获取目标列的所有窗口段两两之间的纹理差异,将目标列的所有窗口段两两之间的纹理差异的均值作为目标窗口长度下目标列的周期差异性;
所述根据每个窗口长度下目标列的周期差异性获取目标列的周期长度,包括的具体步骤如下:
将周期差异性最小的窗口长度作为目标列的周期长度。
2.根据权利要求1所述的基于计算机视觉的瓦楞纸生产质量实时检测方法,其特征在于,所述根据芯纸表面图像中每一行中所有像素点的LBP二值序列中的每个位置跳变的次数获取每个位置的第一跳变概率,包括的具体步骤如下:
将芯纸表面图像中每一行中所有像素点的LBP二值序列中的每个位置跳变的次数,分别除以每一行像素点的个数,得到每个位置跳变的第一频率;将每个位置跳变的第一频率除以所有位置跳变的第一频率总和,得到每个位置的第一跳变概率。
3.根据权利要求1所述的基于计算机视觉的瓦楞纸生产质量实时检测方法,其特征在于,所述对校正行上每个像素点的LBP二值序列中的跳变位置进行校正,包括的具体步骤如下:
获取校正行中每个像素点的LBP二值序列的跳变次数,获取其中最小的跳变次数对应的像素点作为标准像素点;将标准像素点的LBP二值序列中跳变的位置作为标准跳变位置,将校正行中每个像素点的LBP二值序列中的跳变位置校正为标准跳变位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310437755.7A CN116168024B (zh) | 2023-04-23 | 2023-04-23 | 基于计算机视觉的瓦楞纸生产质量实时检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310437755.7A CN116168024B (zh) | 2023-04-23 | 2023-04-23 | 基于计算机视觉的瓦楞纸生产质量实时检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116168024A CN116168024A (zh) | 2023-05-26 |
CN116168024B true CN116168024B (zh) | 2023-07-14 |
Family
ID=86422191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310437755.7A Active CN116168024B (zh) | 2023-04-23 | 2023-04-23 | 基于计算机视觉的瓦楞纸生产质量实时检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116168024B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117252874B (zh) * | 2023-11-16 | 2024-03-19 | 深圳市京鼎工业技术股份有限公司 | 一种塑胶模具生产质量视觉检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115272331A (zh) * | 2022-09-29 | 2022-11-01 | 南通华烽纸业有限公司 | 基于图像处理的瓦楞纸质量检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107665324B (zh) * | 2016-07-27 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 一种图像识别方法及终端 |
CN110006907A (zh) * | 2019-04-10 | 2019-07-12 | 清华大学深圳研究生院 | 一种基于机器视觉的压铸件表面缺陷检测方法及系统 |
CN113934190B (zh) * | 2021-12-17 | 2022-03-22 | 武汉春田纸品包装有限公司 | 一种基于机器视觉的瓦楞纸板生产质量调控方法 |
CN115810005B (zh) * | 2022-12-21 | 2024-04-02 | 广州科盛隆纸箱包装机械有限公司 | 基于并行计算的瓦楞纸箱缺陷检测加速方法、系统、设备及存储介质 |
-
2023
- 2023-04-23 CN CN202310437755.7A patent/CN116168024B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115272331A (zh) * | 2022-09-29 | 2022-11-01 | 南通华烽纸业有限公司 | 基于图像处理的瓦楞纸质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116168024A (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN116168024B (zh) | 基于计算机视觉的瓦楞纸生产质量实时检测方法 | |
CN116071387B (zh) | 基于机器视觉的枕轨生产质量检测方法 | |
CN115294123B (zh) | 一种基于图像视觉的瓦楞纸板质量检测方法 | |
CN116977358B (zh) | 一种瓦楞纸生产品质视觉辅助检测方法 | |
CN117132506B (zh) | 基于视觉技术的钟表零配件质量检测方法 | |
CN115578389A (zh) | 一种沟槽mos器件的缺陷检测方法 | |
CN116735612B (zh) | 一种精密电子元器件焊接缺陷检测方法 | |
CN112361977B (zh) | 一种基于权重分配的直线间距测量方法 | |
CN115049671A (zh) | 基于计算机视觉的布匹表面缺陷检测方法及系统 | |
CN115290663B (zh) | 基于光学检测的Mini LED晶圆外观缺陷检测方法 | |
CN116580024B (zh) | 一种基于图像处理的焦炭质量检测方法 | |
CN115861310B (zh) | 一种床单表面纺织缺陷检测方法 | |
CN116993742B (zh) | 基于机器视觉的镍合金轧制缺陷检测方法 | |
CN114881960A (zh) | 基于特征增强的布匹直线型缺陷检测方法和系统 | |
CN117437223B (zh) | 一种高速板对板连接器缺陷智能检测方法 | |
CN115100208A (zh) | 一种基于直方图和动态光源的薄膜表面缺陷评估方法 | |
CN115423807B (zh) | 一种基于离群点检测的布匹缺陷检测方法 | |
CN115311266B (zh) | 一种纺织品印染工艺中印染识别方法 | |
CN116152224A (zh) | 一种用于计算机显示器坏点检测方法 | |
CN115272331A (zh) | 基于图像处理的瓦楞纸质量检测方法 | |
CN115205317A (zh) | 一种桥梁监测光电标靶图像光斑中心点提取方法 | |
CN112446912B (zh) | 一种金融票据宽度计算方法 | |
CN111627053B (zh) | 通用喷丝孔清洗洁净度检测方法及系统 | |
CN117372422B (zh) | 用于零件生产的材料折弯程度检测方法 |
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 |