CN116309559A - 一种中硼硅玻璃生产瑕疵智能识别方法 - Google Patents
一种中硼硅玻璃生产瑕疵智能识别方法 Download PDFInfo
- Publication number
- CN116309559A CN116309559A CN202310551713.6A CN202310551713A CN116309559A CN 116309559 A CN116309559 A CN 116309559A CN 202310551713 A CN202310551713 A CN 202310551713A CN 116309559 A CN116309559 A CN 116309559A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- image
- color
- value
- window
- 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
- 239000005388 borosilicate glass Substances 0.000 title claims abstract description 55
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 21
- 238000012937 correction Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000005764 inhibitory process Effects 0.000 claims abstract description 30
- 230000003044 adaptive effect Effects 0.000 claims description 25
- 238000010606 normalization Methods 0.000 claims description 12
- 230000002950 deficient Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000011521 glass Substances 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 12
- 238000012545 processing Methods 0.000 abstract description 7
- 230000007547 defect Effects 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 10
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- CFOAUMXQOCBWNJ-UHFFFAOYSA-N [B].[Si] Chemical compound [B].[Si] CFOAUMXQOCBWNJ-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000000750 progressive effect 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T2207/10024—Color 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域，具体涉及一种中硼硅玻璃生产瑕疵智能识别方法。该方法包括：获得中硼硅玻璃灰度图像和颜色空间图像；通过灰度图像中不同像素点的灰度特征得到自适应反光窗口；根据颜色空间图像中每个像素点的各个分量值得到像素点的颜色特征数值；根据像素点的颜色特征数值与整体颜色特征的差异得到像素点的反光抑制贡献指数；在自适应反光窗口中根据各个像素点的反光抑制贡献指数得到中心像素点的颜色修正数值，进而得到颜色修正图像；根据颜色修正图像对中硼硅玻璃进行瑕疵识别。本发明分析图像中的颜色特征及反光特性，通过邻域特征消除反光影响，提高后续瑕疵识别过程的准确率。
Description
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种中硼硅玻璃生产瑕疵智能识别方法。
背景技术
中硼硅玻璃在生产过程中，由于操作人员操作不当或生产加工设备出现异常故障，导致生产得到的中硼硅玻璃表面出现划痕瑕疵缺陷，这种划痕瑕疵不利于医疗药物运输过程中药物性质的稳定性维持，对医疗药物的安全性质造成较大的影响。
在中硼硅玻璃表面划痕瑕疵识别过程中，由于中硼硅玻璃特殊的物理性质相较于普通玻璃更容易出现反光现象，在对反光现象的处理过程中，现有技术主要利用对整个图像进行灰度值平均化的方法来处理反光现象，但由于反光区域的不确定性，可能出现在划痕区域处也可能出现在非划痕区域处，而直接对整个图像进行灰度值平均化处理会降低对中硼硅玻璃表面划痕瑕疵识别的准确性效果，得不到精准的划痕瑕疵区域。
发明内容
为了解决在中硼硅玻璃表面划痕识别过程中，由于反光现象对识别出的划痕区域不准确的技术问题，本发明的目的在于提供一种中硼硅玻璃生产瑕疵智能识别方法，所采用的技术方案具体如下：
本发明提出了一种中硼硅玻璃生产瑕疵智能识别方法所述方法包括：
获取中硼硅玻璃表面图像，对所述表面图像进行颜色空间转换，获得颜色空间图像及灰度图像；
针对所述灰度图像中每个像素点，基于以像素点为中心的预设初始反光窗口中每个像素点的灰度值，获得自适应缩放策略，根据所述自适应缩放策略对所述初始反光窗口的预设初始尺寸进行调整，获得自适应反光窗口，所述自适应反光窗口为正方形窗口，尺寸为奇数；
基于所述颜色空间图像中每个像素点的各个分量值获取对应像素点的颜色特征数值，从而得到颜色特征图像；
根据所述颜色特征图像中每个像素点的颜色特征数值与整体颜色特征数值的差异，获取对应像素点的反光抑制贡献指数；
根据以像素点为中心的所述自适应反光窗口中每个像素点的所述颜色特征数值和所述反光抑制贡献指数，获取所述自适应反光窗口中心像素点的颜色修正数值，从而得到颜色修正图像；
根据所述颜色修正图像进行中硼硅玻璃的瑕疵识别。
进一步地，所述获得自适应缩放策略包括：
计算所述初始反光窗口的灰度均值，将所述灰度均值归一化，获得反光缩放系数；
当所述灰度均值大于预设阈值时，所述自适应缩放策略为：将常数1与所述缩放系数相加，获得扩大系数，将所述扩大系数与所述初始尺寸相乘后向上取整，获得所述自适应反光窗口的尺寸；
当所述灰度均值小于或等于预设阈值时，所述自适应缩放策略为：将常数1与所述缩放系数相减，获得缩小系数，将所述缩小系数与所述初始尺寸相乘后向上取整，获得所述自适应反光窗口的尺寸。
进一步地，所述颜色空间图像对应的颜色空间为HSV颜色空间。
进一步地，所述颜色特征数值的获取方法包括：
将所述颜色空间图像中每个像素点的各个分量值进行归一化；
计算归一化后各个分量值的分量和值；
将所述分量和值经过以自然常数为底的对数函数的映射，得到对应像素点的所述颜色特征数值。
进一步地，所述获取像素点对应的反光抑制贡献指数包括：
获得所述颜色特征图像中的颜色特征数值的均值作为整体颜色特征数值；
若所述颜色特征图像中像素点的所述颜色特征数值大于所述整体颜色特征数值，则获取所述颜色特征数值与所述整体颜色特征数值的差异并归一化，将归一化的结果进行负相关映射并归一化，获得所述反光抑制贡献指数；
若所述颜色特征图像中像素点的所颜色特征数值不大于所述整体颜色特征数值，则获取所述颜色特征数值与所述整体颜色特征数值的差异并归一化，获得所述反光抑制贡献指数。
进一步地，所述获取像素点对应的颜色修正数值，包括：
对以像素点为中心的所述自适应反光窗口中每个像素点的所述反光抑制贡献指数进行归一化，得到对应的权重，在所述自适应反光窗口中，所述权重的累加和为1；
根据自适应反光窗口中的权重对自适应反光窗口中每个像素点的颜色特征数值进行加权求和，得到所述自适应反光窗口中心像素点的所述颜色修正数值。
进一步地，所述根据所述颜色修正图像进行中硼硅玻璃的瑕疵识别包括：
计算所述自适应反光窗口内所有像素点的颜色修正数值均值；
用所述颜色修正数值均值代替所述自适应反光窗口中心像素点的颜色修正数值，获取颜色修正均值图像；
分别对颜色修正图像和颜色修正均值图像进行阈值分割获取两个维度下的分割图像，每个所述分割图像中每个像素点包含标签信息，所述标签包含正常标签和瑕疵标签；
若两个所述分割图像相同位置的像素点的标签信息均为所述瑕疵标签，则将对应像素点认定为瑕疵像素点；
若两个所述分割图像相同位置的像素点的标签信息不同，则获取对应像素点在两个所述分割图像中预设邻域范围内的所述瑕疵标签的数量，作为参考数量；若两个所述分割图像中所述参考数量均大于预设数量阈值，则对应像素点认定为瑕疵像素点。
进一步地，所述获得灰度图像包括：
使用加权平均法将所述中硼硅玻璃表面图像转化为灰度图像。
进一步地，获得所述灰度图像之后，还包括：
对所述灰度图像进行滤波去噪处理。
本发明具有如下有益效果：
本发明实施例根据中硼硅玻璃灰度图像中不同像素点位置处的灰度特征对初始反光窗口进行缩放，得到自适应反光窗口。通过缩放后的自适应反光窗口中包含的信息对于中心像素点而言具有强烈的参考性，因此在后续处理过程中，针对每个自适应反光窗口都进行独立的分析，避免了现有技术中对图像全局进行均衡化分析导致局部细节信息的丢失。根据各像素点的颜色特征数值和整体颜色特征数值的差异得到的反光抑制贡献指数可以有效的抑制高强度反光像素点较大的颜色特征数值并尽可能保留划痕瑕疵像素点的颜色特征信息；在以像素点为中心的自适应反光窗口中，根据每个像素点的颜色特征数值和反光抑制贡献指数对中心像素点的颜色特征数值进行修正，从而降低了中硼硅玻璃图像中的反光区域对划痕瑕疵识别的影响，提高了后续对中硼硅玻璃划痕瑕疵识别的准确性。本发明实施例通过构建每个像素点对应的自适应窗口，进而实现对像素点邻域的反光分析，针对邻域内的反光特征和颜色特征对窗口中心像素点的颜色修正值进行修正，进而获得图像质量高的颜色修正图像，对图像质量高的颜色修正图像进行瑕疵识别，提高了瑕疵识别的准确度。
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中硼硅玻璃生产瑕疵智能识别方法流程图。
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中硼硅玻璃生产瑕疵智能识别方法，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一种中硼硅玻璃生产瑕疵智能识别方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种中硼硅玻璃生产瑕疵智能识别方法流程图，该方法包括：
步骤S1：获取中硼硅玻璃表面图像，对表面图像进行颜色空间转换，获得颜色空间图像及灰度图像。
CCD相机具有成像质量清晰无拖影的特点，因此本发明实施例中使用CCD相机对生产得到的中硼硅玻璃表面进行拍摄采集，获取得到中硼硅玻璃表面图像。
通过CCD相机拍摄后获取得到的中硼硅玻璃表面图像具有RGB三个不同的通道，为了避免后续对RGB三个不同通道的重复计算，使用加权平均法将RGB通道下的中硼硅玻璃图像转化得到中硼硅玻璃表面灰度图像，然后使用高斯滤波法对其进行处理，尽可能减弱甚至消除拍摄采集过程中出现的噪声噪点对后续中硼硅玻璃瑕疵识别过程中精确程度的影响。需要说明的是，加权平均法和高斯滤波法为本领域技术人员熟知的技术手段，在此不做赘述。
在对图像表面划痕瑕疵的识别过程中需要对像素点的颜色特征进行分析，RGB图像不适合机器识别，不能很有效的体现出由于反光而造成的各个像素点颜色特征的区别，不利于提取不同像素点位置处的颜色特征，需要将RGB颜色空间的图像转化到便于提取像素点颜色特征的颜色空间中。
优选地，为了更清楚的分析反光对图像中像素点位置处的影响，本发明一个实施例中将颜色空间图像对应颜色空间选用为HSV颜色空间，即颜色空间图像中包含H、S、V三个分量，其中H表示色调，S表示饱和度，V表示明度。
在本发明实施例中具体通过OpenCV中相应函数对中硼硅玻璃表面图像进行转化，得到对应的HSV颜色空间下的图像。需要说明的是，OpenCV为本领域技术人员熟知的技术手段，在此不做赘述。
需要说明的是，在本发明其他实施例中也可选用HIS颜色空间作为颜色空间转换的颜色空间，在此不做限定。
步骤S2：针对灰度图像中每个像素点，基于以像素点为中心的预设初始反光窗口中每个像素点的灰度值，获得自适应缩放策略，根据自适应缩放策略对预设初始反光窗口的初始尺寸进行调整，获得自适应反光窗口。
由于像素点可能处于反光区域中也可能处于非反光区域中，为了使反光窗口中包含的信息对中心像素点具有更好的参考性，需要根据相应的自适应缩放策略对初始反光窗口进行缩放。
优选地，在本发明的一个实施例中，根据以像素点为中心的初始反光窗口中每个像素点的灰度值计算灰度均值，根据灰度均值来判断像素点是否处于反光区域，然后采取相应的自适应缩放策略对初始反光窗口进行缩放。具体包括：
（1）计算初始反光窗口的灰度均值，将灰度均值归一化，获得反光缩放系数。在本发明一个实施例中，归一化方法是以初始反光窗口的灰度均值与灰度图像中的最大灰度级的比值作为反光缩放系数，即通过最大灰度级作为分母实现归一化。反光缩放系数的表达式为：
其中
为像素点的位置；
为像素点
的反光缩放系数；
为初始反光
窗口中灰度均值的数值大小；
为灰度图像中的最大灰度级；在本发明的一个实施例中灰度
图像中最大灰度级为255，初始反光窗口设置为7×7的窗口。
（2）比较初始反光窗口灰度均值与预设阈值的大小，当灰度均值大于预设阈值时，说明初始反光窗口中心像素点处于反光区域，则需要扩大初始反光窗口，通过常数1与反光缩放系数相加得到扩大系数，计算扩大系数与初始反光出窗口尺寸的乘积得到扩大后的反光窗口尺寸；当灰度均值小于预设阈值时，说明反光窗口中心像素点处于非反光区域，则需要缩小初始反光窗口，通过常数1与反光缩放系数相减得到缩小系数，计算缩小系数与初始反光窗口尺寸的乘积得到缩小后的反光窗口尺寸，具体的表达式为：
其中
为调整后的像素点
的自适应反光窗口尺寸；
为像素点
的反
光缩放系数；
为以像素点
为中心的初始反光窗口中灰度均值的数值大小；Z为初
始反光窗口的尺寸；T为预设阈值；
表示向上取整，并且向上取整的值应为奇数，以保证像
素点
处于自适应反光窗口的中心位置；在本发明的一个实施例中初始反光窗口的尺寸
Z设置为7，阈值T设置为185。
需要说明的是，由于中硼硅玻璃比较容易出现反光现象，对于处于反光区域位置的像素点，应扩大初始反光窗口，使用较大的窗口对中硼硅玻璃反光图像进行分析，以减弱后续滤波过程中反光像素点对中心像素点的影响；对于处于非反光区域的像素点应缩小初始反光窗口，使用较小的窗口进行计算分析，保留窗口中信息的参考性的同时，减少了后续滤波计算量。
步骤S3：基于所述颜色空间图像中每个像素点的各个分量值获取对应像素点的颜色特征数值，从而得到颜色特征图像。
为了更清楚的分析反光对图像中像素点位置处的影响，可通过结合颜色空间图像中像素点各个分量通道下的分量值计算像素点的颜色特征数值，根据颜色特征数值可判断像素点是否位于反光区域，为后续的计算提供依据。
优选地，为了避免颜色空间图像中各分量数值量纲不一致导致的计算误差影响，需要先使用归一化算法将颜色空间图像中每个像素点的各个分量的数值进行归一化，需要说明的是，归一化算法为本领域技术人员熟知的技术手段，在此不做赘述。计算归一化后各个分量值的分量和值；将分量和值经过以自然常数e为底的对数函数的映射，得到对应像素点的颜色特征数值，即颜色特征数值的表达式为：
其中，
为坐标位置为
的像素点的颜色特征数值；
，
，
为HSV
图像中坐标位置为
的像素点的三个分量经过归一化后的数值；
为以自然数
为底的
对数函数，通过对数化处理将减少计算获取得到的数值较大对中硼硅颜色变化情况计算的
误差，同时对数函数的数值变化更符合自然中人眼对色彩的感知变化规律。在本发明的一
个实施例中，各个分量值归一化后的区间为
。
需要说明的是，通过步骤S1得到的颜色空间图像中，中硼硅玻璃表面出现划痕，则划痕位置处的像素点由于光照强度有所减弱，并且中硼硅玻璃表面的原有结构发生变化，导致划痕区域位置处的像素点颜色特征较暗，则像素点的颜色特征数值较小；而正常无划痕或反光区域处的像素点的颜色特征则较为明亮，则像素点的颜色特征数值较大。
步骤S4：根据所述特征图像中每个像素点的颜色特征数值与整体颜色特征数值的差异，获取对应像素点的反光抑制贡献指数。
通过步骤S3得到了每个像素点对应的颜色特征数值，从而得到对应的颜色特征图像，在颜色特征图像中，可通过比较像素点的颜色特征数值与图像整体的颜色特征数值的差异判断像素点是否位于反光区域，进而获得对应像素点的反光抑制贡献指数。
优选地，在本发明一个实施例中，将颜色特征图像中的颜色特征数值的均值作为整体颜色特征数值。如果颜色特征图像中像素点的颜色特征数值大于整体颜色特征数值，则获取像素点的颜色特征数值和整体颜色特征数值的差异并进行归一化，将归一化的结果进行负相关映射并归一化，获得反光抑制贡献指数；如果颜色特征图像中像素点的颜色特征数值不大于整体颜色特征数值，则将颜色特征数值与整体颜色特征数值的差异并进行归一化，获得反光抑制贡献指数。在本发明的一个实施例中使用像素点的颜色特征数值和整体颜色特征数值的差值的绝对值表示两者的差异，以差异数值与整体颜色特征数值的比值来对差异进行归一化，在本发明的一个实施例中将差异归一化的结果经过以自然常数e为底的指数函数的负相关映射进行第二次归一化，具体的反光抑制贡献指数表达式为：
其中，
为坐标位置为
的像素点的反光抑制贡献指数；
为坐标位置
为
的像素点的颜色特征数值；
为中硼硅玻璃表面颜色特征图像中，所有像素点颜色
特征数值的均值。
需要说明的是，当像素点的颜色特征数值大于整体颜色特征数值时，说明此位置处的像素点为反光区域像素点，且差值越大，说明对应的像素点的反光现象越严重，则计算得到的反光抑制贡献指数就越小，这是为了避免反光位置像素点过大的颜色特征数值对后续进一步计算中准确性效果的影响；反之，当像素点的颜色特征数值不大于整体颜色特征数值时，则通过计算获取得到的反光抑制贡献指数较大，且差值越大，计算得到的反光抑制贡献指数也越大，这是为了尽可能保留中硼硅玻璃原始图像中划痕瑕疵像素点位置处的颜色特征信息。
步骤S5：根据以像素点为中心的自适应反光窗口中每个像素点的所述颜色特征数值和反光抑制贡献指数，获取自适应反光窗口中心像素点的颜色修正数值，从而得到颜色修正图像。
由于本发明的反光窗口是根据像素点是否处于反光区域进行自适应调整的，即自适应反光窗口内的信息对于中心像素点而言具有更多的参考性。因此可基于窗口滤波的思想在自适应反光窗口中根据各像素点的反光抑制贡献指数对中心像素点的颜色特征数值进行修正，获得颜色修正数值，从而可以有效的降低由于反光使得像素点的颜色特征数值过大所造成的影响，也能有效的保留划痕瑕疵像素点的颜色特征信息。
优选地，本发明一个实施例中具体获取颜色修正数值包括：
（1）根据自适应反光窗口中各像素点的反光抑制指数对中心像素点的颜色特征数值进行修正，但考虑到自适应反光窗口中各像素点的反光抑制指数相加不等于1，所以需要对窗口中各像素点的反光抑制贡献指数进行归一化，计算窗口中各像素点的权重，本发明一个实施例归一化的具体表达式为：
其中，
为自适应反光窗口中像素点的权重；
为自适应反光窗口中像素点的反
光抑制贡献指数；N为自适应反光窗口中像素点的总数；k为自适应反光窗口中各像素点的
位置索引。
在本发明其他实施例中也可选用其他归一化方法，在此不做限定。
（2）由于自适应反光窗口中各个像素点的权重不同，所以各个像素点对中心像素点的影响程度不同，可通过对反光窗口中各个像素点的颜色特征数值加权求和，得到中心像素点对应的颜色修正数值，颜色修正数值的表达式为：
其中，
为自适应反光窗口中心像素点的颜色修正数值；
为自适应反光窗口中
像素点对应的权重；
为自适应反光窗口中像素点对应的颜色特征数值；N为自适应反光
窗口中像素点的总数；s为自适应反光窗口中各像素点的位置索引。
步骤S6：根据颜色修正图像进行中硼硅玻璃的瑕疵识别。
对于通过步骤S5得到的颜色修正图像，图像中的各个像素点的颜色特征数值经过修正以后消除了反光对像素点造成的影响，同时也有效的保留划痕瑕疵像素点的颜色特征信息，图像的质量得到明显的提升，为后续在划痕瑕疵识别的过程中得到更加精确的划痕瑕疵区域提供了支持。因此可直接根据颜色修正图像表示出的明显缺陷特征对瑕疵进行识别，需要说明的是，因为缺陷区域与正常区域存在较大的特征差异，因此可直接选用图像分割、神经网络识别等图像处理手段对瑕疵进行识别。
优选地，为了避免传统最大类间方差法在进行分割时，由于忽视像素点周围领域变化情况而导致某些细节缺陷难以较好划分的缺陷，本发明实施例通过在两个不同维度上对颜色修正图像进行图像分割，具体包括：
在颜色修正图像中，计算以像素点为中心的自适应反光窗口内所有像素点的颜色修正数值均值；用颜色修正数值均值代替自适应反光窗口中心像素点的颜色修正数值，从而得到颜色修正均值图像，使用最大类间方差法分别对颜色修正图像和颜色修正均值图像进行分割，得到两个维度下的分割图像，对分割图像中各个像素点赋予一个标签信息，标签分为正常标签和瑕疵标签，并结合两幅分割图像中相同位置的像素点的标签信息来判断该位置的像素点是否为瑕疵像素点；如果两幅分割图像相同位置的像素点的标签信息均为瑕疵标签，则该位置的像素点为瑕疵像素点，如果两幅分割图像相同位置的像素点的标签信息不同，则当两幅分割图像的该位置像素点的预设邻域范围内有瑕疵标签的像素点数量均大于预设数量阈值时，则该位置的像素点为瑕疵像素点，其余情况的像素点均为正常像素点，在本发明的一个实施例中，预设邻域范围设置为8邻域，预设数量阈值设置为4。
需要说明的是，最大类间方差法为本领域技术人员熟知的技术手段，在此不做赘述。对于分割后的图像，假设像素点的数值为0时赋予正常标签，数值为1时赋予瑕疵标签。
综上所述，本发明实施例先是获得中硼硅玻璃灰度图像和颜色空间图像，通过灰度图像中不同像素点的灰度特征对初始反光窗口进行缩放，从而得到自适应反光窗口，根据颜色空间图像中每个像素点的各个分量值得到像素点的颜色特征数值，根据像素点的颜色特征数值与颜色空间图像的整体颜色特征数值的差异得到像素点对应的反光抑制贡献指数，在自适应反光窗口中根据各个像素点的反光抑制贡献指数对中心像素点的颜色特征数值进行修正，得到颜色修正图像，降低了中硼硅玻璃图像中反光区域对后续划痕瑕疵识别的影响，进而得到精确的中硼硅玻璃划痕瑕疵像素点的区域位置。
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 (9)
1.一种中硼硅玻璃生产瑕疵智能识别方法，其特征在于，所述方法包括：
获取中硼硅玻璃表面图像，对所述表面图像进行颜色空间转换，获得颜色空间图像及灰度图像；
针对所述灰度图像中每个像素点，基于以像素点为中心的预设初始反光窗口中每个像素点的灰度值，获得自适应缩放策略，根据所述自适应缩放策略对所述初始反光窗口的预设初始尺寸进行调整，获得自适应反光窗口，所述自适应反光窗口为正方形窗口，尺寸为奇数；
基于所述颜色空间图像中每个像素点的各个分量值获取对应像素点的颜色特征数值，从而得到颜色特征图像；
根据所述颜色特征图像中每个像素点的颜色特征数值与整体颜色特征数值的差异，获取对应像素点的反光抑制贡献指数；
根据以像素点为中心的所述自适应反光窗口中每个像素点的所述颜色特征数值和所述反光抑制贡献指数，获取所述自适应反光窗口中心像素点的颜色修正数值，从而得到颜色修正图像；
根据所述颜色修正图像进行中硼硅玻璃的瑕疵识别。
2.根据权利要求1所述的一种中硼硅玻璃生产瑕疵智能识别方法，其特征在于,所述获得自适应缩放策略包括：
计算所述初始反光窗口的灰度均值，将所述灰度均值归一化，获得反光缩放系数；
当所述灰度均值大于预设阈值时，所述自适应缩放策略为：将常数1与所述缩放系数相加，获得扩大系数，将所述扩大系数与所述初始尺寸相乘后向上取整，获得所述自适应反光窗口的尺寸；
当所述灰度均值小于或等于预设阈值时，所述自适应缩放策略为：将常数1与所述缩放系数相减，获得缩小系数，将所述缩小系数与所述初始尺寸相乘后向上取整，获得所述自适应反光窗口的尺寸。
3.根据权利要求1所述的一种中硼硅玻璃生产瑕疵智能识别方法，其特征在于,所述颜色空间图像对应的颜色空间为HSV颜色空间。
4.根据权利要求1所述的一种中硼硅玻璃生产瑕疵智能识别方法，其特征在于,所述颜色特征数值的获取方法包括：
将所述颜色空间图像中每个像素点的各个分量值进行归一化；
计算归一化后各个分量值的分量和值；
将所述分量和值经过以自然常数为底的对数函数的映射，得到对应像素点的所述颜色特征数值。
5.根据权利要求1所述的一种中硼硅玻璃生产瑕疵智能识别方法，其特征在于,所述反光抑制贡献指数的获取方法包括：
获得所述颜色特征图像中的颜色特征数值的均值作为整体颜色特征数值；
若所述颜色特征图像中像素点的所述颜色特征数值大于所述整体颜色特征数值，则获取所述颜色特征数值与所述整体颜色特征数值的差异并归一化，将归一化的结果进行负相关映射并归一化，获得所述反光抑制贡献指数；
若所述颜色特征图像中像素点的所颜色特征数值不大于所述整体颜色特征数值，则获取所述颜色特征数值与所述整体颜色特征数值的差异并归一化，获得所述反光抑制贡献指数。
6.根据权利要求1所述的一种中硼硅玻璃生产瑕疵智能识别方法，其特征在于,所述颜色修正数值的获取方法包括：
对以像素点为中心的所述自适应反光窗口中每个像素点的所述反光抑制贡献指数进行归一化，得到对应的权重，在所述自适应反光窗口中，所述权重的累加和为1；
根据自适应反光窗口中的权重对自适应反光窗口中每个像素点的颜色特征数值进行加权求和，得到所述自适应反光窗口中心像素点的所述颜色修正数值。
7.根据权利要求1所述的一种中硼硅玻璃生产瑕疵智能识别方法，其特征在于,所述根据所述颜色修正图像进行中硼硅玻璃的瑕疵识别包括：
计算所述自适应反光窗口内所有像素点的颜色修正数值均值；
用所述颜色修正数值均值代替所述自适应反光窗口中心像素点的颜色修正数值，获取颜色修正均值图像；
分别对颜色修正图像和颜色修正均值图像进行阈值分割获取两个维度下的分割图像，每个所述分割图像中每个像素点包含标签信息，所述标签包含正常标签和瑕疵标签；
若两个所述分割图像相同位置的像素点的标签信息均为所述瑕疵标签，则将对应像素点认定为瑕疵像素点；
若两个所述分割图像相同位置的像素点的标签信息不同，则获取对应像素点在两个所述分割图像中预设邻域范围内的所述瑕疵标签的数量，作为参考数量；若两个所述分割图像中所述参考数量均大于预设数量阈值，则对应像素点认定为瑕疵像素点。
8.根据权利要求1所述的一种中硼硅玻璃生产瑕疵智能识别方法，其特征在于,所述灰度图像的获取方法包括：
使用加权平均法将所述中硼硅玻璃表面图像转化为灰度图像。
9.根据权利要求1所述的一种中硼硅玻璃生产瑕疵智能识别方法，其特征在于,获得所述灰度图像之后，还包括：
对所述灰度图像进行滤波去噪处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310551713.6A CN116309559B (zh) | 2023-05-17 | 2023-05-17 | 一种中硼硅玻璃生产瑕疵智能识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310551713.6A CN116309559B (zh) | 2023-05-17 | 2023-05-17 | 一种中硼硅玻璃生产瑕疵智能识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116309559A true CN116309559A (zh) | 2023-06-23 |
| CN116309559B CN116309559B (zh) | 2023-08-04 |
Family
ID=86794465
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310551713.6A Active CN116309559B (zh) | 2023-05-17 | 2023-05-17 | 一种中硼硅玻璃生产瑕疵智能识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116309559B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116503404A (zh) * | 2023-06-27 | 2023-07-28 | 梁山县创新工艺品股份有限公司 | 塑料玩具质量检测方法、装置、电子设备及存储介质 |
| CN116542966A (zh) * | 2023-06-28 | 2023-08-04 | 贵州医科大学附属医院 | 用于儿童内分泌异常检测的骨龄智能分析方法 |
| CN116883395A (zh) * | 2023-09-06 | 2023-10-13 | 山东荣信集团有限公司 | 一种基于图像处理的硫铵生产颜色检测方法与系统 |
| CN116740065B (zh) * | 2023-08-14 | 2023-11-21 | 山东伟国板业科技有限公司 | 基于大数据的人造板瑕疵品快速溯源方法及系统 |
| CN117571745A (zh) * | 2023-12-12 | 2024-02-20 | 山东鲁玻玻璃科技有限公司 | 一种低硼硅玻璃缺陷检测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1812569A (zh) * | 2005-12-30 | 2006-08-02 | 浙江工业大学 | 基于全方位视觉传感器的智能安保装置 |
| CN105044119A (zh) * | 2015-08-27 | 2015-11-11 | 李明英 | 一种基于灰度均值分析的玻璃瑕疵分类方法 |
| US20180164225A1 (en) * | 2015-06-03 | 2018-06-14 | Saint-Gobain Glass France | Optical device for detecting an internal flaw of a transparent substrate and method for the same |
| CN111257348A (zh) * | 2020-03-27 | 2020-06-09 | 河海大学常州校区 | 一种基于机器视觉的led导光板缺陷检测方法 |
| CN112037440A (zh) * | 2020-07-31 | 2020-12-04 | 天津联信电子科技有限公司 | 一种基于机器学习的智能结算系统及结算方法 |
| WO2022057897A1 (zh) * | 2020-09-21 | 2022-03-24 | 安翰科技(武汉)股份有限公司 | 胶囊内窥镜无参考图像评价方法、电子设备及介质 |
| CN114693673A (zh) * | 2022-04-24 | 2022-07-01 | 睿云奇智(重庆)科技有限公司 | 玻璃检测的方法、装置、电子设备及计算机可读存储介质 |
| CN115311294A (zh) * | 2022-10-12 | 2022-11-08 | 启东金耀億华玻纤材料有限公司 | 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法 |
| CN115375686A (zh) * | 2022-10-25 | 2022-11-22 | 山东鲁玻玻璃科技有限公司 | 一种基于图像处理的玻璃边缘瑕疵检测方法 |
-
2023
- 2023-05-17 CN CN202310551713.6A patent/CN116309559B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1812569A (zh) * | 2005-12-30 | 2006-08-02 | 浙江工业大学 | 基于全方位视觉传感器的智能安保装置 |
| US20180164225A1 (en) * | 2015-06-03 | 2018-06-14 | Saint-Gobain Glass France | Optical device for detecting an internal flaw of a transparent substrate and method for the same |
| CN105044119A (zh) * | 2015-08-27 | 2015-11-11 | 李明英 | 一种基于灰度均值分析的玻璃瑕疵分类方法 |
| CN111257348A (zh) * | 2020-03-27 | 2020-06-09 | 河海大学常州校区 | 一种基于机器视觉的led导光板缺陷检测方法 |
| CN112037440A (zh) * | 2020-07-31 | 2020-12-04 | 天津联信电子科技有限公司 | 一种基于机器学习的智能结算系统及结算方法 |
| WO2022057897A1 (zh) * | 2020-09-21 | 2022-03-24 | 安翰科技(武汉)股份有限公司 | 胶囊内窥镜无参考图像评价方法、电子设备及介质 |
| CN114693673A (zh) * | 2022-04-24 | 2022-07-01 | 睿云奇智(重庆)科技有限公司 | 玻璃检测的方法、装置、电子设备及计算机可读存储介质 |
| CN115311294A (zh) * | 2022-10-12 | 2022-11-08 | 启东金耀億华玻纤材料有限公司 | 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法 |
| CN115375686A (zh) * | 2022-10-25 | 2022-11-22 | 山东鲁玻玻璃科技有限公司 | 一种基于图像处理的玻璃边缘瑕疵检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| ZHANGYU HUANG, LONG LING: "" Short"Research on surface defect detection of glass wafer based on visual inspection"", 《ENERGY REPORTS》, vol. 8, no. 8 * |
| 周荣富，赵光宇，蒋仕龙，陈方涵: ""基于二值条纹动态照明的透明平滑曲面缺陷识别"", 《光电子·激光》, vol. 31, no. 04 * |
| 蔡志强;肖军;文立伟;王东立;吴瑶平;: ""基于预浸纱自动铺放缺陷的分割算法"", 《航空材料学报》, no. 02 * |
| 金剑光，魏平: ""一种适用于玻璃生产线的瑕疵检测算法"", 《光学技术》, vol. 32, no. 1 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116503404A (zh) * | 2023-06-27 | 2023-07-28 | 梁山县创新工艺品股份有限公司 | 塑料玩具质量检测方法、装置、电子设备及存储介质 |
| CN116503404B (zh) * | 2023-06-27 | 2023-09-01 | 梁山县创新工艺品股份有限公司 | 塑料玩具质量检测方法、装置、电子设备及存储介质 |
| CN116542966A (zh) * | 2023-06-28 | 2023-08-04 | 贵州医科大学附属医院 | 用于儿童内分泌异常检测的骨龄智能分析方法 |
| CN116542966B (zh) * | 2023-06-28 | 2023-09-08 | 贵州医科大学附属医院 | 用于儿童内分泌异常检测的骨龄智能分析方法 |
| CN116740065B (zh) * | 2023-08-14 | 2023-11-21 | 山东伟国板业科技有限公司 | 基于大数据的人造板瑕疵品快速溯源方法及系统 |
| CN116883395A (zh) * | 2023-09-06 | 2023-10-13 | 山东荣信集团有限公司 | 一种基于图像处理的硫铵生产颜色检测方法与系统 |
| CN116883395B (zh) * | 2023-09-06 | 2023-11-21 | 山东荣信集团有限公司 | 一种基于图像处理的硫铵生产颜色检测方法与系统 |
| CN117571745A (zh) * | 2023-12-12 | 2024-02-20 | 山东鲁玻玻璃科技有限公司 | 一种低硼硅玻璃缺陷检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116309559B (zh) | 2023-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116309559B (zh) | 一种中硼硅玻璃生产瑕疵智能识别方法 | |
| CN105976330B (zh) | 一种嵌入式雾天实时视频稳像方法 | |
| CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
| CN111968065B (zh) | 一种亮度不均匀图像的自适应增强方法 | |
| CN108898132A (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
| CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
| CN116740061B (zh) | 一种爆珠生产质量视觉检测方法 | |
| CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
| CN117437219B (zh) | 基于计算机视觉的磁胶电感不规则外观缺陷检测方法 | |
| CN116245880B (zh) | 基于红外识别的电动车充电桩火灾风险检测方法 | |
| CN117557820B (zh) | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 | |
| CN113436081A (zh) | 数据处理方法、图像增强方法及其模型训练方法 | |
| CN117314766B (zh) | 一种手机钢化玻璃膜表面图像增强方法和系统 | |
| CN117152135B (zh) | 一种道路施工裂缝缺陷评估检测方法 | |
| CN117011291B (zh) | 一种手表外壳质量视觉检测方法 | |
| KR102277005B1 (ko) | 비지도 학습을 이용한 저조도 영상 처리 방법 및 장치 | |
| CN113674231A (zh) | 基于图像增强的轧制过程中氧化铁皮检测方法与系统 | |
| CN110674737B (zh) | 一种虹膜识别的增强方法 | |
| CN116109511A (zh) | 红外图像边缘增强的方法和系统 | |
| CN117710245B (zh) | 一种天体望远镜误差快速检测方法 | |
| CN116883401B (zh) | 一种工业产品生产质量检测系统 | |
| CN117649439B (zh) | 一种海草床面积的获取方法、系统、设备和存储介质 | |
| CN113160073B (zh) | 一种滚动深度学习与Retinex理论结合的遥感图像雾霾去除方法 | |
| CN116681703B (zh) | 一种智能开关质量快速检测方法 | |
| CN117253144B (zh) | 一种火灾风险分级管控方法 |
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 |