CN116309575A - 基于图像处理的电插头生产质量检测方法 - Google Patents

基于图像处理的电插头生产质量检测方法 Download PDF

Info

Publication number
CN116309575A
CN116309575A CN202310565625.1A CN202310565625A CN116309575A CN 116309575 A CN116309575 A CN 116309575A CN 202310565625 A CN202310565625 A CN 202310565625A CN 116309575 A CN116309575 A CN 116309575A
Authority
CN
China
Prior art keywords
edge pixel
pixel point
cluster
membership
image
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
Application number
CN202310565625.1A
Other languages
English (en)
Other versions
CN116309575B (zh
Inventor
姬忠勇
李殿雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jining Zhongdali Electrical Equipment Co ltd
Jining Technician College
Original Assignee
Jining Zhongdali Electrical Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jining Zhongdali Electrical Equipment Co ltd filed Critical Jining Zhongdali Electrical Equipment Co ltd
Priority to CN202310565625.1A priority Critical patent/CN116309575B/zh
Publication of CN116309575A publication Critical patent/CN116309575A/zh
Application granted granted Critical
Publication of CN116309575B publication Critical patent/CN116309575B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T2207/10116—X-ray 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理领域，具体涉及一种基于图像处理的电插头生产质量检测方法，包括获取图像中的簇类个数和中心点及像素点对于簇类的隶属度；利用非边缘像素点与对应的目标边缘像素点的距离、目标边缘像素点的重要程度、目标边缘像素点对于簇类的隶属度、目标边缘像素点和每个簇类的中心像素点的距离，得到非边缘像素点对于簇类的局部空间影响因子；并根据非边缘像素点与对应目标边缘像素点的灰度差值得到非边缘像素点对于簇类的局部灰度影响因子；进而得到每个非边缘像素点对于每个簇类的隶属度影响因子；利用隶属度影响因子对FLICM聚类算法进行校正，进行聚类分割，根据分割后的每类图像对电插头的生产质量进行检测，方法智能、精准。

Description

基于图像处理的电插头生产质量检测方法
技术领域
本申请涉及图像处理领域，具体涉及一种基于图像处理的电插头生产质量检测方法。
背景技术
在电插头的生产过程中，将插片与铜线通过注塑形成电插头之后，通常使用X光射线对电插头在注塑中是否出现质量问题进行检测，具体方法为，通过X光射线检测进行电插头的探伤成像之后，需要将图像中的插片与铜线区域进行分割，从而对插片与铜线的连通性进行质量检测。
现有技术是使用基于局部信息模糊聚类的图像分割方法FLICM对电插头的X光图像进聚类分割，根据分割后的每个簇类图像判断插头质量，但是，在FLICM传统算法中只考虑到像素点的邻域像素点灰度值和邻域像素点到簇类中心点的距离，以此对当前像素点进行隶属度的计算，忽略了边缘像素点的分布和边缘像素点的灰度信息对当前像素点的影响，导致在FLICM的聚类分割中无法将插片与铜线区域进行准确的划分，进而影响电插头的生产质量检测结果。
发明内容
针对FLICM的聚类分割中无法将插片与铜线区域进行准确的划分，进而影响电插头的生产质量检测结果的问题，本发明提供一种基于图像处理的电插头生产质量检测方法，包括：
获取待检测电插头的X光图像；
利用FLICM算法获取X光图像中的簇类个数、每个簇类的中心像素点、每个像素点对于每个簇类的隶属度；
根据X光图像的每个边缘像素点所在连通域的像素点数量，得到每个边缘像素点的重要程度；
将每个连通域中与每个非边缘像素点距离最近的边缘像素点，作为每个非边缘像素点对应的每个目标边缘像素点；
利用每个非边缘像素点与其对应的每个目标边缘像素点之间的距离、每个目标边缘像素点的重要程度、每个目标边缘像素点对于每个簇类的隶属度、每个目标边缘像素点和每个簇类的中心像素点之间的距离，得到X光图像中每个非边缘像素点对于每个簇类的局部空间影响因子；
利用每个非边缘像素点与其对应的每个目标边缘像素点的灰度差值、每个目标边缘像素点的重要程度、每个目标边缘像素点对于每个簇类的隶属度、每个目标边缘像素点和每个簇类的中心像素点之间的距离，得到X光图像中每个非边缘像素点对于每个簇类的局部灰度影响因子；
根据每个非边缘像素点对于每个簇类的局部空间影响因子和每个非边缘像素点对于每个簇类的局部灰度影响因子得到每个非边缘像素点对于每个簇类的隶属度影响因子；
利用每个非边缘像素点对于每个簇类的隶属度影响因子对FLICM聚类算法进行校正，并利用校正后的FLICM聚类算法对X光图像进行聚类分割，得到分割后的每类图像；
根据分割后的每类图像对电插头的生产质量进行检测。
所述每个非边缘像素点对于每个簇类的隶属度影响因子的获取方法为：
设置第一权重和第二权重；
将每个非边缘像素点对于每个簇类的局部空间影响因子和第一权重的乘积、每个非边缘像素点对于每个簇类的局部灰度影响因子和第二权重的乘积，进行累加得到的值作为每个非边缘像素点对于每个簇类的隶属度影响因子。
所述每个非边缘像素点对于每个簇类的局部空间影响因子的获取方法为：
Figure SMS_1
式中，
Figure SMS_2
为第
Figure SMS_9
个非边缘像素点对于第k个簇类的局部空间影响因子，
Figure SMS_13
为第
Figure SMS_5
个非 边缘像素点，
Figure SMS_8
为第i个非边缘像素点对应的目标边缘像素点总个数，j为第j个目标边缘像 素点，
Figure SMS_11
为第j个目标边缘像素点的重要程度，e为自然常数，
Figure SMS_14
为第i个非边缘像素点 与其对应的第j个目标边缘像素点之间的欧式距离，
Figure SMS_4
为第j个目标边缘像素点对于第
Figure SMS_6
个簇类的隶属度，
Figure SMS_10
为FLICM聚类算法的目标函数中的模糊因子的指数，
Figure SMS_15
为第
Figure SMS_3
个簇类的 中心像素点，
Figure SMS_7
为第j个边缘像素点与
Figure SMS_12
之间的欧式距离。
所述每个非边缘像素点对于每个簇类的局部灰度影响因子的获取方法为：
Figure SMS_16
式中，
Figure SMS_18
为第
Figure SMS_22
个非边缘像素点对于第k个簇类的局部灰度影响因子，
Figure SMS_26
为第
Figure SMS_19
个非 边缘像素点，
Figure SMS_23
为第i个非边缘像素点对应的目标边缘像素点总个数，j为第j个目标边缘像 素点，
Figure SMS_27
为第j个目标边缘像素点的重要程度，e为自然常数，
Figure SMS_30
为第i个非边缘像素点的灰 度值，
Figure SMS_17
为第j个目标边缘像素点的灰度值，
Figure SMS_20
为第j个边缘像素点对于第
Figure SMS_24
个簇类的隶属 度，
Figure SMS_28
为FLICM聚类算法的目标函数中的模糊因子的指数，
Figure SMS_21
为第
Figure SMS_25
个簇类的中心像素点，
Figure SMS_29
为第j个目标边缘像素点与
Figure SMS_31
之间的欧式距离。
所述每个边缘像素点的重要程度的获取方法为：
将每个连通域中包含的像素点数量进行归一化操作后得到的值，作为连通域内每个边缘像素点的重要程度。
所述利用每个非边缘像素点对于每个簇类的隶属度影响因子对FLICM聚类算法进行校正的方法为：
将FLICM聚类算法的目标函数中每个非边缘像素点对于每个簇类的原始隶属度影响因子，修改为每个非边缘像素点对于每个簇类的隶属度影响因子，得到校正后的目标函数；
根据校正后的目标函数，对X光图像进行聚类分割，得到分割后的每个簇类图像。
所述根据分割后的每类图像对电插头的生产质量进行检测的具体方法为：
获取大量电插头X图像进行FLICM聚类分割后的簇类图像作为数据集，并且对于生产质量合格的图像人工标注为0，生产质量不合格的图像标注为1；
利用数据集对LeNet网络进行训练；采用的损失函数为交叉熵损失函数；
训练完成后，将分割后的每个簇类图像输入LeNet网络，输出每个簇类图像对应的电插头的生产质量检测结果。
本发明的有益效果是：
本发明在每个连通域中选取与每个非边缘像素点距离最近的边缘像素点，作为每个非边缘像素点对应的目标边缘像素点；该方法考虑到由于FLICM算法的分割图像中将插片与铜线连接区域的一部分划分为同一簇类，分割不够准确，因此获取边缘像素点，得到图像的边缘信息，能够根据边缘信息进行更准确的分割；本发明根据利用每个非边缘像素点与其对应的每个目标边缘像素点之间的距离、每个目标边缘像素点的重要程度、每个目标边缘像素点对于每个簇类的隶属度、每个目标边缘像素点和每个簇类的中心像素点之间的距离，得到X光图像中每个非边缘像素点对于每个簇类的局部空间影响因子；该方法获取每个像素点距离最近的边缘像素点，距离越近，越有可能划分为同一簇类，将像素点最邻近的边缘像素点信息作为局部空间影响因子，能够提升后续判断像素点隶属度时的准确性；本发明利用每个非边缘像素点与其对应的每个目标边缘像素点的灰度差值、每个目标边缘像素点的重要程度、每个目标边缘像素点对于每个簇类的隶属度、每个目标边缘像素点和每个簇类的中心像素点之间的距离，得到X光图像中每个非边缘像素点对于每个簇类的局部灰度影响因子；该方法考虑到在实际情况中会出现存在一个边缘像素点两侧与其同距离的非边缘像素点，也就是一个在插片与铜线区域，一个在背景区域，对于插片与铜线区域边缘像素点距离是相同的，对于此问题，通过边缘像素点的灰度信息带来的局部灰度信息影响因子进行解决，从而避免距离影响过多导致分类错误的情况；本发明根据每个非边缘像素点对于每个簇类的局部空间影响因子和每个非边缘像素点对于每个簇类的局部灰度影响因子得到每个非边缘像素点对于每个簇类的隶属度影响因子；利用每个非边缘像素点对于每个簇类的隶属度影响因子对FLICM聚类算法进行校正，并利用校正后的FLICM聚类算法对X光图像进行聚类分割，得到分割后的每类图像；根据分割后的每类图像对电插头的生产质量进行检测；该方法通过非边缘像素点的灰度值与边缘像素点的灰度值差异对非边缘像素点的隶属度进行影响，使影响因子既能包含边缘像素点到非边缘像素点的距离信息，又能通过边缘像素点的灰度值差异信息对像素点的簇类隶属度进行校正，防止空间分布信息过于重要使得分类错误，解决了传统FLICM中只考虑像素点邻域灰度值与距聚类中心距离无法将电插头图像进行合适的分割的问题，得到精准的分割图像，基于精准的分割图像能够得到电插头的准确的质量检测结果。
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是本发明的一种基于图像处理的电插头生产质量检测方法的流程示意图；
图2是本发明的一种基于图像处理的电插头生产质量检测方法中的电插头X光示意图；
图3是本发明的一种基于图像处理的电插头生产质量检测方法中的电插头X光利用传统FLICM聚类分割后的图像的示意图；
图4是本发明的一种基于图像处理的电插头生产质量检测方法中的电插头X光利用传统FLICM聚类分割后插片与铜线连接区域的示意图；
图5是本发明的一种基于图像处理的电插头生产质量检测方法中的电插头X光利用传统FLICM聚类分割后插片与铜线连接区域的边缘示意图；
图6是本发明的一种基于图像处理的电插头生产质量检测方法中的电插头X光的边缘图像的示意图；
图7是本发明的一种基于图像处理的电插头生产质量检测方法中的电插头X光的边缘图像中两个像素点的最近邻边缘像素点属于同一边缘像素点连通域的示意图；
图8是本发明的一种基于图像处理的电插头生产质量检测方法中的电插头X光的边缘图像中的一圈边缘像素点、圈内像素点、圈外的像素点的示意图。
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。
本发明的一种基于图像处理的电插头生产质量检测方法的实施例，如图1所示，包括：
步骤一：获取待检测电插头的X光图像；利用FLICM算法获取X光图像中的簇类个数、每个簇类的中心像素点、每个像素点对于每个簇类的隶属度；根据X光图像的每个边缘像素点所在连通域的像素点数量，得到每个边缘像素点的重要程度；
该步骤的目的是，对于待检测电插头，先使用传统的FLICM聚类分割算法计算出X光图像中的簇类个数，聚类中心，每个像素点对于每个簇类的隶属度，这些作为原始分割信息，并且对X光图像进行边缘检测，计算出边缘像素点的重要程度，将其作为新增的信息，为后续将新增信息和原始信息相结合，对传统的FLICM聚类分割算法进行改进提供了基础。
本发明的具体场景为：
在电插头生产过程中完成插头注塑之后，要检测电插头是否可以正常使用，通常使用X光检测仪对电插头进行质量检测，通过X光检测仪器获取电插头的X光图像如图2所示。
传统的质量检测方法是，通过传统的FLICM聚类分割算法（基于局部信息模糊聚类 的图像分割方法）对待检测电插头的X光图像进行图像分割，分割效果如图3所示，FLICM聚 类分割算法的目标函数中的模糊因子
Figure SMS_32
的计算方法如下：
Figure SMS_33
公式中，
Figure SMS_44
为目标函数中第i个像素点对于第k个簇类的模糊因子，
Figure SMS_34
表示X光图像 中第
Figure SMS_40
个像素点，
Figure SMS_49
为
Figure SMS_52
的第
Figure SMS_50
个邻域像素点，
Figure SMS_51
表示X光图像中第i个像素点的邻域像素点的 总数，
Figure SMS_43
表示
Figure SMS_46
与
Figure SMS_35
之间的欧式距离，
Figure SMS_38
表示
Figure SMS_37
对于第
Figure SMS_39
个簇类的隶属度，
Figure SMS_42
表示FLICM聚类 过程中的模糊因子指数，
Figure SMS_48
表示第
Figure SMS_36
个簇类的聚类中心像素点，
Figure SMS_41
表示
Figure SMS_45
与
Figure SMS_47
的 欧式距离。
该公式通过像素点与邻域像素点的欧式距离大小作为邻域像素点影响像素点的 权重，距离越大影响越小，这个距离所影响的内容是邻域像素点不属于第
Figure SMS_53
个簇类的程度， 也就是
Figure SMS_54
，含义是一个像素点的邻域像素点如果不属于第
Figure SMS_55
个簇类的程度越高，则目 标函数就会越大，使得目标函数无法收敛，这样就通过正则因子影响目标函数，从而影响每 个像素点对于每个聚类中心的隶属度的计算，因为需要通过正则因子影响目标函数，所以 通过距离权重与隶属度权重最终需要使其影响距离计算，所以最后需要乘以邻域像素点到 聚类中心点的欧式距离，这里也是和目标函数的距离计算所对应。
传统FLICM聚类分割算法中的正则因子
Figure SMS_56
公式中的问题：
FLICM聚类分割算法的核心就在于正则因子
Figure SMS_57
，其中包含了像素点的局部信息， 但是在对电插头进行聚类分割时，邻域像素点并无法对非边缘像素点的正确聚类产生影 响，并且邻域信息中并不包含图像中的低级语义信息，所以在上述的分割效果中不能通过 单一簇类正确判断插片与铜线的连接情况，如图4所示，在原FLICM算法进行图像分割的效 果图中，可见其将插片与铜线连接区域的一部分划分为了一类，在聚类过程中若需要将这 一部分进行更准确的分割，则需要考虑到图像的边缘信息，在像素点进行隶属度计算时，考 虑到边缘像素点的信息，使得像素点分类时可以根据边缘信息将插片与铜线区域分割为一 类，便于后续的连通性检测，如图5所示，图5为图4对应的边缘图像。
因此，本发明首先对X光图像进行边缘检测，得到X光图像的边缘图像，如图6所示，并且对边缘图像中的边缘像素点进行连通域分析，得到多个连通域，然后根据边缘像素点所在连通域的像素点数量获取边缘像素点的重要程度，边缘图像中的边缘像素点形成的连通域中像素点数量越多则说明连通域中像素点的重要程度越高，这一部分对一些离散的边缘像素点进行了判断，降低了这部分边缘像素点对后续隶属度影响因子的影响；
其中，边缘像素点的重要程度的获取方法为：
将每个连通域中包含的像素点数量进行归一化操作后得到的值，作为连通域内每个边缘像素点的重要程度，具体计算公式为：
Figure SMS_58
公式中，
Figure SMS_60
为第j个边缘像素点的重要程度，
Figure SMS_65
表示边缘图像中边缘像素点形成 的连通域中的第
Figure SMS_66
个连通域，
Figure SMS_62
的取值范围为
Figure SMS_64
，
Figure SMS_68
表示
Figure SMS_69
中像素点的数 量，
Figure SMS_59
表示对所有
Figure SMS_63
进行归一化获取边缘像素点的重要程度，
Figure SMS_67
表示当 边缘图像中的第
Figure SMS_70
个像素点在第
Figure SMS_61
个连通域中时，这个边缘像素点的重要程度就是连通域中 像素点数量归一化所得的数值。该公式是通过边缘图像中连通域的像素点数量对边缘像素 点的重要程度进行衡量，在后续的计算过程中降低噪声边缘点对隶属度影响因子的影响。
步骤二：将每个连通域中与每个非边缘像素点距离最近的边缘像素点，作为每个非边缘像素点对应的每个目标边缘像素点；利用每个非边缘像素点与其对应的每个目标边缘像素点之间的距离、每个目标边缘像素点的重要程度、每个目标边缘像素点对于每个簇类的隶属度、每个目标边缘像素点和每个簇类的中心像素点之间的距离，得到X光图像中每个非边缘像素点对于每个簇类的局部空间影响因子；
该步骤的目的是，通过对每个非边缘像素点在每个连通域中距离最近的像素点进行分析，得到边缘像素点的分布信息带来的局部空间信息影响因子。
其中，X光图像中每个非边缘像素点对于每个簇类的局部空间影响因子的获取方法为：
（1）在每个连通域（边缘像素点的连通域）中选取与每个非边缘像素点距离最近的边缘像素点，作为每个非边缘像素点对应的目标边缘像素点；
（2）则每个非边缘像素点对于每个簇类的局部空间影响因子
Figure SMS_71
的计算方式为：
Figure SMS_72
式中，
Figure SMS_74
为第
Figure SMS_80
个非边缘像素点对于第k个簇类的局部空间影响因子，
Figure SMS_81
为第
Figure SMS_76
个非 边缘像素点，
Figure SMS_77
为第i个非边缘像素点对应的目标边缘像素点总个数，j为第j个目标边缘像 素点，
Figure SMS_82
为第j个目标边缘像素点的重要程度，e为自然常数，
Figure SMS_85
为第i个非边缘像素点 与其对应的第j个目标边缘像素点之间的欧式距离，
Figure SMS_73
为第j个目标边缘像素点对于第
Figure SMS_78
个簇类的隶属度，
Figure SMS_84
为FLICM聚类算法的目标函数中的模糊因子的指数，
Figure SMS_86
为第
Figure SMS_75
个簇类的 中心像素点，
Figure SMS_79
为第j个边缘像素点与
Figure SMS_83
之间的欧式距离。
该公式将边缘像素点的重要程度考虑在内，重要程度越大，也就是边缘像素点所在连通域的边缘像素点数量越多，则对非边缘像素点的影响越大，并且通过边缘像素点到非边缘像素点的距离作为局部空间信息影响因子的权重对目标函数中的距离计算进行影响，从而使得目标函数中包含电插头图像中边缘特征信息，通过边缘特征这一语义信息对聚类分割效果产生影响，使得像素点的隶属度收到边缘特征的影响，分类过程中对于有同样边缘信息特征的像素点被划分为同一类，也就是电插头中的插片与铜线区域；
该公式的是将图像中的每一个像素点都可以被认为是非边缘像素点，对于图像中 的所有像素点中的第
Figure SMS_88
个非边缘像素点，选取每个边缘像素点连通域中的一个距离最近的 边缘像素点，形成集合
Figure SMS_92
，对于
Figure SMS_94
中的每一个边缘像素点计算其到第
Figure SMS_89
个非边缘像素点的 距离，通过距离的长度进行归一化，作为隶属度的影响因子；在图像中，对于一个像素点的 隶属度的计算在原有算法中是通过像素点到每个聚类中心点的距离来计算，聚类中心点在 第一次迭代过程中通过随机投放的方式进行确定，在后续的每一次迭代过程中都会通过第
Figure SMS_91
个非边缘像素点的隶属度进行确定，找到一个点使得所有像素点对这个聚类中心的隶属 度最高。在电插头的图像中插片与铜线像素点会更可能与距其最近的边缘像素点为同一部 分。所以当这一组边缘像素点对于第
Figure SMS_93
类的隶属度更小时，也就是说，第
Figure SMS_96
个非边缘像素点对 于第
Figure SMS_87
类的隶属度也应该小一些。所以这个时候目标函数应该在影响因子的作用下增大， 所以通过
Figure SMS_90
进行表示，并在最后通过边缘像素点到第
Figure SMS_95
类的聚类中心点的欧式距 离作为影响目标，以在后续的目标函数计算中进行同等单位的相加。
需要说明的是，在电插头的X光射线检测图像中，因为是通过X光的衰减程度进行 感光成像，那么在电插头中插片与铜线都是铜制品所以X光在其中的衰减速度是相同的，不 同的是铜线的厚度与插片的厚度不同，所以会有衰减量的不同。但是在这个过程中所呈现 的图像进行边缘检测就会使得其中会包含插片与铜线的边缘。对于每一个像素点，其更可 能与距其最近的边缘像素点归属于同一簇类，这里的局部空间信息则是像素点到最近邻的 梯度特征点的距离，需要注意的是，获取到的边缘检测图像并不是完美的，也会出现某一些 边缘无法被检测出来，所以，对于像素点的局部空间信息影响因子还需要通过紧邻像素点 受到局部空间信息的影响进行空间信息的衡量，如图7所示，通过上述局部空间信息影响因 子的影响下，因为这两个像素点的最近邻边缘像素点所属于同一边缘像素点连通域，所以 其受到的边缘像素点的影响是相近的，并且对于其目标函数而言，这两个像素点对于第
Figure SMS_97
类的隶属度会与最近邻边缘像素点的隶属度相近，最后被划分为同一簇类。这样也就达成 了局部空间信息对像素点聚类隶属度的影响。
步骤三：利用每个非边缘像素点与其对应的每个目标边缘像素点的灰度差值、每个目标边缘像素点的重要程度、每个目标边缘像素点对于每个簇类的隶属度、每个目标边缘像素点和每个簇类的中心像素点之间的距离，得到X光图像中每个非边缘像素点对于每个簇类的局部灰度影响因子；
该步骤的目的是，对每个非边缘像素点及其对应的目标边缘像素点的灰度进行分析，计算得到X光图像中每个像素点的局部灰度影响因子。
其中，每个非边缘像素点对于每个簇类的局部灰度影响因子的获取方法为：
Figure SMS_98
式中，
Figure SMS_99
为第
Figure SMS_103
个非边缘像素点对于第k个簇类的局部灰度影响因子，
Figure SMS_107
为第
Figure SMS_100
个非 边缘像素点，
Figure SMS_106
为第i个非边缘像素点对应的目标边缘像素点总个数，j为第j个目标边缘像 素点，
Figure SMS_110
为第j个目标边缘像素点的重要程度，e为自然常数，
Figure SMS_113
为第i个非边缘像素点的灰 度值，
Figure SMS_101
为第j个目标边缘像素点的灰度值，
Figure SMS_104
为第j个边缘像素点对于第
Figure SMS_108
个簇类的隶属 度，
Figure SMS_112
为FLICM聚类算法的目标函数中的模糊因子的指数，
Figure SMS_102
为第
Figure SMS_105
个簇类的中心像素点，
Figure SMS_109
为第j个目标边缘像素点与
Figure SMS_111
之间的欧式距离。
该公式通过非边缘像素点的灰度值与边缘像素点的灰度值差异对非边缘像素点 的隶属度进行影响，使影响因子既能包含边缘像素点到非边缘像素点的距离信息，又能通 过边缘像素点灰度值差异信息对像素点的簇类隶属度进行校正，防止空间分布信息过于重 要使得分类错误。对于每一个非边缘像素点，在通过其最近邻边缘像素点的距离影响下同 时根据边缘像素点与非边缘像素点的灰度值差异进行影响因子的综合度量。在出现两个像 素点距离影响因子相近的情况，但是两个像素点分别为不同区域时，通过灰度值差异进行 隶属度影响的精确划分。当第
Figure SMS_114
个非边缘像素点与第
Figure SMS_115
个边缘像素点的灰度值差异大的时 候，其灰度差异归一化的数值就会比较大，对于差异大的边缘像素点，这个边缘像素点所造 成的隶属度影响就会比较大，如果这个边缘像素点对于第
Figure SMS_116
类的隶属度也比较大，那么就 说明第
Figure SMS_117
个非边缘像素点的隶属度应该进行变化，目标函数此时应该上升，最后将其作用于 边缘像素点到聚类中心点的距离，这样统一量纲，就可以与
Figure SMS_118
同样作用于目标函数，公式 效果在实际聚类过程中的示例如图8所示，图中圆圈这一组边缘像素点，其在空间信息中对 圆圈中和圆圈外的两个像素点的影响是相同的，此时通过灰度影响因子的作用，就会使得 内部的非边缘像素点会与圆圈边缘分类同一类，而外部的像素点则会被划分为插片与铜钱 区域这一类，在图像中可以更精确的进行分割。
需要说明的是，获取到的边缘像素点的距离信息带来的局部空间信息影响因子，在实际情况中会出现存在一个边缘像素点两侧与其同距离的非边缘像素点，也就是一个在插片与铜线区域，一个在背景区域，对于插片与铜线区域边缘像素点距离是相同的，对于这个问题，在此通过边缘像素点的灰度信息带来的局部灰度信息影响因子进行解决，对于上述情况的两个像素点则需要通过其与边缘像素点的灰度差异进行影响因子校正，从而避免距离影响过多导致分类错误的情况。
步骤四：根据每个非边缘像素点对于每个簇类的局部空间影响因子和每个非边缘像素点对于每个簇类的局部灰度影响因子得到每个非边缘像素点对于每个簇类的隶属度影响因子；利用每个非边缘像素点对于每个簇类的隶属度影响因子对FLICM聚类算法进行校正，并利用校正后的FLICM聚类算法对X光图像进行聚类分割，得到分割后的每类图像；
该步骤的目的是，通过电插头的形态特征结合局部信息影响因子与局部灰度信息影响因子获取隶属度影响因子，基于该隶属度影响因子进行FLICM聚类分割。
其中，X光图像中每个像素点的隶属度影响因子的获取方法为：
设置第一权重和第二权重，本发明中第一权重为
Figure SMS_119
，表示在隶属度影响因子中梯 度特征点的空间信息的重要程度，默认为
Figure SMS_120
，即空间信息与灰度信息的重要程度相同；第 二权重为
Figure SMS_121
，表示在隶属度影响因子中梯度特征点的灰度信息的重要程度，默认为
Figure SMS_122
；
将每个非边缘像素点对于每个簇类的局部空间影响因子和第一权重的乘积、每个非边缘像素点对于每个簇类的局部灰度影响因子和第二权重的乘积，进行累加得到的值作为每个非边缘像素点对于每个簇类的隶属度影响因子，公式为：
Figure SMS_123
公式中，
Figure SMS_124
为第
Figure SMS_128
个非边缘像素点对于第k个簇类的隶属度影响因子，
Figure SMS_129
表示第
Figure SMS_125
个非边缘像素点对于第k个簇类的局部空间影响因子，即第
Figure SMS_127
个非边缘像素点对于第第k个 簇类，所受到的梯度特征点的局部空间信息影响因子，
Figure SMS_130
为第
Figure SMS_131
个非边缘像素点对于第k个 簇类的局部灰度影响因子，即第
Figure SMS_126
个非边缘像素点所受到的梯度特征点的局部灰度信息影 响因子。
该公式是在获取到局部空间信息影响因子与局部灰度信息影响因子之后，通过这 两部分共同构建隶属度影响因子（也就是原算法中包含局部信息的正则因子
Figure SMS_132
），因为在 不同成像效果的电插头X射线检测图像中，边缘像素点的空间信息与灰度信息各自的重要 程度不同，所以在此通过超参数的形式进行先验调整，由于在局部空间信息影响因子与局 部灰度信息影响因子中，将
Figure SMS_133
计算了两次，通过权重
Figure SMS_134
与
Figure SMS_135
进行加权求和保证 隶属度影响因子在目标函数中不会出现重复相加导致数值过大的情况，并且可以根据使用 场景的不同通过两者不同的权重进行实际使用中的效果调优，综合两部分信息的影响因子 形成新的的隶属度影响因子（原算法中的正则因子），通过加入电插头图像中的边缘语义信 息，使得FLICM聚类可以将电插头中的插片与铜线区域聚为一类，通过其簇类进行后续的连 通性检测。
其中，利用每个非边缘像素点对于每个簇类的隶属度影响因子对FLICM聚类算法进行校正的方法为：
将FLICM聚类算法的目标函数中每个非边缘像素点对于每个簇类的原始隶属度影 响因子，修改为每个非边缘像素点对于每个簇类的隶属度影响因子，得到校正后的目标函 数，需要说明的是，原始隶属度影响因子也是原算法中的
Figure SMS_136
修改为
Figure SMS_137
，即将FLICM聚类算 法中目标函数中每个非边缘像素点对于每个簇类的隶属度影响因子
Figure SMS_138
修改为
Figure SMS_139
，得到 校正后的目标函数：
FLICM聚类算法中目标函数为：
Figure SMS_140
公式中，Jm为目标函数，
Figure SMS_141
为第i个非边缘像素点，
Figure SMS_142
为非边缘像素点总个数，
Figure SMS_143
为 第k个簇类的聚类中心像素点，c为簇类总数，
Figure SMS_144
为第i个非边缘像素点对第k个簇类的隶属 度，m为模糊因子指数；
目标函数中每个非边缘像素点对于每个簇类的原始隶属度影响因子
Figure SMS_145
的计算方 法为：
Figure SMS_146
公式中，
Figure SMS_157
为第
Figure SMS_147
个非边缘像素点对于第
Figure SMS_151
个簇类的隶属度影响因子，
Figure SMS_162
表示第
Figure SMS_164
个 非边缘像素点的第
Figure SMS_163
个邻域像素点，
Figure SMS_166
表示第
Figure SMS_158
个非边缘像素点的邻域像素点总数，
Figure SMS_160
表示
Figure SMS_148
与
Figure SMS_153
之间的欧式距离，
Figure SMS_150
表示
Figure SMS_152
对第
Figure SMS_155
个簇类的隶属度，
Figure SMS_159
表示FLICM聚类过程中的模糊因 子指数，
Figure SMS_154
表示第
Figure SMS_156
个簇类的聚类中心像素点，
Figure SMS_161
表示
Figure SMS_165
与
Figure SMS_149
之间的欧式距离；
则校正后的目标函数为：
Figure SMS_167
进一步的，得到FLICM聚类算法中：
隶属度表达式为：
Figure SMS_168
聚类中心点计算方式为：
Figure SMS_169
公式中，
Figure SMS_191
表示图像中的像素点总数，
Figure SMS_170
表示图像的像素点集合中的第
Figure SMS_185
个像素点， 也是计算隶属度影响因子中的非边缘像素点，
Figure SMS_173
表示FLICM聚类的先验簇类数，为保证在实 际使用中可以正确的对电插头图像进行簇类分割，此处建议将
Figure SMS_176
的值设置为
Figure SMS_178
，因为影 响因子的容错性，可以使受到边缘像素点影响的像素点正确分类，而受到影响弱的像素点 则会更强地受到原有目标函数与簇类个数的影响，
Figure SMS_181
表示第
Figure SMS_177
个簇类，
Figure SMS_180
表示第
Figure SMS_171
个像素点 对于第
Figure SMS_175
个簇类的隶属度，
Figure SMS_183
表示FLICM聚类中的模糊因子指数，
Figure SMS_186
表示第
Figure SMS_184
类的聚类中心 点，
Figure SMS_188
表示图像中第
Figure SMS_187
个像素点到第
Figure SMS_189
类的簇类中心点的欧式距离，
Figure SMS_190
表示第
Figure SMS_192
个非边缘像素点对于第
Figure SMS_172
个簇类的隶属度影响因子，
Figure SMS_174
表示第
Figure SMS_179
个边缘像素点对于第
Figure SMS_182
个 簇类的隶属度影响因子，需要说明的是边缘像素点对于每个簇类的隶属度影响因子，依然 是按照FLICM聚类算法的目标函数中每个边缘像素点对于每个簇类的原始隶属度影响因子 来计算获取。
该公式中的目标函数就是将算法原目标函数的
Figure SMS_193
换为本发明所述的隶属度影响 因子
Figure SMS_194
，其余部分不变，此处对于隶属度影响因子
Figure SMS_195
，则是通过梯度特征信息对像素点 的隶属度进行影响，使得在电插头的图像分割中可以讲电插头的插片与铜线区域划分为同 一簇类，便于后续对于插片与铜线的连通性检测。
其中，利用校正后的FLICM聚类算法对X光图像进行聚类分割，得到分割后的每类图像的方法具体为：
本发明使用更新后的目标函数与隶属度迭代计算函数通过原始的聚类过程进行聚类，获取聚类分割结果，其具体步骤如下：
（1）设置聚类的模糊指数，本发明中设置为2；设置算法的最大迭代次数根据使用的要求进行设置，本发明中设置100作为最大迭代次数；
（2）初始化隶属度矩阵：通过随机生成的方式生成每一个像素点对于每一个簇类的隶属度，一个像素点的所有隶属度和为1；
（3）计算聚类中心（第一次计算通过随机选取确定初始的聚类中心点）；
（4）计算目标函数；
（5）更新隶属度矩阵；
（6）判断是否满足目标函数收敛条件，此处收敛条件有人为设定，即目标函数变化大小小于设定阈值时则停止迭代，如果不满足则继续进行（3）（4）；
（7）如果满足终止条件则停止迭代并返回聚类的簇类结果，得到分割后的X光图像。
步骤五：根据分割后的每类图像对电插头的生产质量进行检测。
该步骤的目的是通过神经网络对分割后的每类图像进行分析，检测电插头的质量。
其中，根据分割后的每类图像对电插头的生产质量进行检测的方法为：
对于获取到的所有簇类，可由神经网络来进行插片与铜线区域簇类的识别，即通过目标识别神经网络，识别表示插片与铜线区域的簇类，所采用目标识别神经网络的具体内容为：
使用目标识别LeNet网络,输入每一个单独的簇类之后，返回对应的目标识别信 息，先通过卷积，池化来提取特征，而后通过全连接层与激活函数进行特征分析，最后通过
Figure SMS_196
函数计算目标识别结果。
搜集大量相应的电插头X射线检测图像通过本发明方法进行聚类后的簇类结果作为数据集，来训练神经网络；由人为标注图像中的类别信息，获得每个簇类对应的目标识别标签信息，其中标注无关簇类为0，插片与铜线区域簇类为1；由于是分类任务，所以网络采用交叉熵损失函数来监督训练；神经网络训练完成后，可把实时采集的图像送入网络中，由网络推理得到对应的语义分割图像，而后通过像素的类别标签得到聚类结果中的插片与铜线区域簇类；识别出该簇类之后，对这部分的连通性进行异常检测。
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 (7)

1.一种基于图像处理的电插头生产质量检测方法，其特征在于，该方法包括：
获取待检测电插头的X光图像；
利用FLICM算法获取X光图像中的簇类个数、每个簇类的中心像素点、每个像素点对于每个簇类的隶属度；
根据X光图像的每个边缘像素点所在连通域的像素点数量，得到每个边缘像素点的重要程度；
将每个连通域中与每个非边缘像素点距离最近的边缘像素点，作为每个非边缘像素点对应的每个目标边缘像素点；
利用每个非边缘像素点与其对应的每个目标边缘像素点之间的距离、每个目标边缘像素点的重要程度、每个目标边缘像素点对于每个簇类的隶属度、每个目标边缘像素点和每个簇类的中心像素点之间的距离，得到X光图像中每个非边缘像素点对于每个簇类的局部空间影响因子；
利用每个非边缘像素点与其对应的每个目标边缘像素点的灰度差值、每个目标边缘像素点的重要程度、每个目标边缘像素点对于每个簇类的隶属度、每个目标边缘像素点和每个簇类的中心像素点之间的距离，得到X光图像中每个非边缘像素点对于每个簇类的局部灰度影响因子；
根据每个非边缘像素点对于每个簇类的局部空间影响因子和每个非边缘像素点对于每个簇类的局部灰度影响因子得到每个非边缘像素点对于每个簇类的隶属度影响因子；
利用每个非边缘像素点对于每个簇类的隶属度影响因子对FLICM聚类算法进行校正，并利用校正后的FLICM聚类算法对X光图像进行聚类分割，得到分割后的每类图像；
根据分割后的每类图像对电插头的生产质量进行检测。
2.根据权利要求1所述的一种基于图像处理的电插头生产质量检测方法，其特征在于，所述每个非边缘像素点对于每个簇类的隶属度影响因子的获取方法为：
设置第一权重和第二权重；
将每个非边缘像素点对于每个簇类的局部空间影响因子和第一权重的乘积、每个非边缘像素点对于每个簇类的局部灰度影响因子和第二权重的乘积，进行累加得到的值作为每个非边缘像素点对于每个簇类的隶属度影响因子。
3.根据权利要求2所述的一种基于图像处理的电插头生产质量检测方法，其特征在于，所述每个非边缘像素点对于每个簇类的局部空间影响因子的获取方法为：
Figure QLYQS_1
式中，
Figure QLYQS_5
为第/>
Figure QLYQS_6
个非边缘像素点对于第k个簇类的局部空间影响因子，/>
Figure QLYQS_13
为第/>
Figure QLYQS_2
个非边缘像素点，/>
Figure QLYQS_9
为第i个非边缘像素点对应的目标边缘像素点总个数，j为第j个目标边缘像素点，/>
Figure QLYQS_12
为第j个目标边缘像素点的重要程度，e为自然常数，/>
Figure QLYQS_15
为第i个非边缘像素点与其对应的第j个目标边缘像素点之间的欧式距离，/>
Figure QLYQS_3
为第j个目标边缘像素点对于第/>
Figure QLYQS_7
个簇类的隶属度，/>
Figure QLYQS_10
为FLICM聚类算法的目标函数中的模糊因子的指数，/>
Figure QLYQS_14
为第/>
Figure QLYQS_4
个簇类的中心像素点，/>
Figure QLYQS_8
为第j个边缘像素点与/>
Figure QLYQS_11
之间的欧式距离。
4.根据权利要求2所述的一种基于图像处理的电插头生产质量检测方法，其特征在于，所述每个非边缘像素点对于每个簇类的局部灰度影响因子的获取方法为：
Figure QLYQS_16
式中，
Figure QLYQS_17
为第/>
Figure QLYQS_21
个非边缘像素点对于第k个簇类的局部灰度影响因子，/>
Figure QLYQS_26
为第/>
Figure QLYQS_19
个非边缘像素点，/>
Figure QLYQS_24
为第i个非边缘像素点对应的目标边缘像素点总个数，j为第j个目标边缘像素点，/>
Figure QLYQS_28
为第j个目标边缘像素点的重要程度，e为自然常数，/>
Figure QLYQS_31
为第i个非边缘像素点的灰度值，/>
Figure QLYQS_20
为第j个目标边缘像素点的灰度值，/>
Figure QLYQS_23
为第j个边缘像素点对于第/>
Figure QLYQS_25
个簇类的隶属度，/>
Figure QLYQS_29
为FLICM聚类算法的目标函数中的模糊因子的指数，/>
Figure QLYQS_18
为第/>
Figure QLYQS_22
个簇类的中心像素点，
Figure QLYQS_27
为第j个目标边缘像素点与/>
Figure QLYQS_30
之间的欧式距离。
5.根据权利要求1所述的一种基于图像处理的电插头生产质量检测方法，其特征在于，所述每个边缘像素点的重要程度的获取方法为：
将每个连通域中包含的像素点数量进行归一化操作后得到的值，作为连通域内每个边缘像素点的重要程度。
6.根据权利要求1所述的一种基于图像处理的电插头生产质量检测方法，其特征在于，所述利用每个非边缘像素点对于每个簇类的隶属度影响因子对FLICM聚类算法进行校正的方法为：
将FLICM聚类算法的目标函数中每个非边缘像素点对于每个簇类的原始隶属度影响因子，修改为每个非边缘像素点对于每个簇类的隶属度影响因子，得到校正后的目标函数；
根据校正后的目标函数，对X光图像进行聚类分割，得到分割后的每个簇类图像。
7.根据权利要求1所述的一种基于图像处理的电插头生产质量检测方法，其特征在于，所述根据分割后的每类图像对电插头的生产质量进行检测的具体方法为：
获取大量电插头X图像进行FLICM聚类分割后的簇类图像作为数据集，并且对于生产质量合格的图像人工标注为0，生产质量不合格的图像标注为1；
利用数据集对LeNet网络进行训练；采用的损失函数为交叉熵损失函数；
训练完成后，将分割后的每个簇类图像输入LeNet网络，输出每个簇类图像对应的电插头的生产质量检测结果。
CN202310565625.1A 2023-05-19 2023-05-19 基于图像处理的电插头生产质量检测方法 Active CN116309575B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310565625.1A CN116309575B (zh) 2023-05-19 2023-05-19 基于图像处理的电插头生产质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310565625.1A CN116309575B (zh) 2023-05-19 2023-05-19 基于图像处理的电插头生产质量检测方法

Publications (2)

Publication Number Publication Date
CN116309575A true CN116309575A (zh) 2023-06-23
CN116309575B CN116309575B (zh) 2023-07-28

Family

ID=86827295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310565625.1A Active CN116309575B (zh) 2023-05-19 2023-05-19 基于图像处理的电插头生产质量检测方法

Country Status (1)

Country Link
CN (1) CN116309575B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116485832A (zh) * 2023-06-25 2023-07-25 山东九思新材料科技有限责任公司 用于废硅片回收的不均布流体杂质边缘精准检测方法
CN116563296A (zh) * 2023-07-12 2023-08-08 吉林省禹语网络科技有限公司 一种用于腹部ct图像的识别方法
CN117115154A (zh) * 2023-10-23 2023-11-24 深圳市欧康精密技术有限公司 基于机器视觉的插座连接器精密检测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930519A (zh) * 2012-09-18 2013-02-13 西安电子科技大学 基于非局部均值的sar图像变化检测差异图生成方法
CN109272522A (zh) * 2018-10-19 2019-01-25 山东大学 一种基于局部特征的图像细化分割方法
CN110634141A (zh) * 2019-09-19 2019-12-31 南京邮电大学 基于改进直觉模糊c均值聚类的图像分割方法及存储介质
WO2020233084A1 (zh) * 2019-05-21 2020-11-26 深圳壹账通智能科技有限公司 一种图像分割方法、装置、存储介质及终端设备
CN113487578A (zh) * 2021-07-15 2021-10-08 南京中科智慧应急研究院有限公司 一种基于双边加权核图割的sar图像变化检测方法
WO2022041598A1 (zh) * 2020-08-24 2022-03-03 中国科学院深圳先进技术研究院 一种遥感影像分割方法、系统、终端以及存储介质
CN115049653A (zh) * 2022-08-15 2022-09-13 凤芯微电子科技(聊城)有限公司 基于计算机视觉的集成电路板质量检测系统
CN115272336A (zh) * 2022-09-29 2022-11-01 加力卡塞阀门(江苏)有限公司 基于梯度向量的金属零件缺陷精准检测方法
CN115294158A (zh) * 2022-09-26 2022-11-04 江苏万森绿建装配式建筑有限公司 一种基于机器视觉的热连轧带钢图像分割方法
CN116091504A (zh) * 2023-04-11 2023-05-09 山东泰和能源股份有限公司 基于图像处理的连接管连接头质量检测方法
CN116128880A (zh) * 2023-04-18 2023-05-16 东莞市京品精密模具有限公司 一种极耳模具表面开裂的识别方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930519A (zh) * 2012-09-18 2013-02-13 西安电子科技大学 基于非局部均值的sar图像变化检测差异图生成方法
CN109272522A (zh) * 2018-10-19 2019-01-25 山东大学 一种基于局部特征的图像细化分割方法
WO2020233084A1 (zh) * 2019-05-21 2020-11-26 深圳壹账通智能科技有限公司 一种图像分割方法、装置、存储介质及终端设备
CN110634141A (zh) * 2019-09-19 2019-12-31 南京邮电大学 基于改进直觉模糊c均值聚类的图像分割方法及存储介质
WO2022041598A1 (zh) * 2020-08-24 2022-03-03 中国科学院深圳先进技术研究院 一种遥感影像分割方法、系统、终端以及存储介质
CN113487578A (zh) * 2021-07-15 2021-10-08 南京中科智慧应急研究院有限公司 一种基于双边加权核图割的sar图像变化检测方法
CN115049653A (zh) * 2022-08-15 2022-09-13 凤芯微电子科技(聊城)有限公司 基于计算机视觉的集成电路板质量检测系统
CN115294158A (zh) * 2022-09-26 2022-11-04 江苏万森绿建装配式建筑有限公司 一种基于机器视觉的热连轧带钢图像分割方法
CN115272336A (zh) * 2022-09-29 2022-11-01 加力卡塞阀门(江苏)有限公司 基于梯度向量的金属零件缺陷精准检测方法
CN116091504A (zh) * 2023-04-11 2023-05-09 山东泰和能源股份有限公司 基于图像处理的连接管连接头质量检测方法
CN116128880A (zh) * 2023-04-18 2023-05-16 东莞市京品精密模具有限公司 一种极耳模具表面开裂的识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YONGCHEN ZHOU.ETC: "A Local Spatial Information and Lp-norm based Fuzzy C-means Clustering for Image Segmentation", IEEE *
朱占龙;: "融入邻域距离与隶属度模糊聚类图像分割算法", 微电子学与计算机, no. 04 *
杨梦;雷博;赵强;兰蓉;: "基于改进粒子群的二维模糊散度多阈值图像分割", 计算机应用与软件, no. 09 *
林相波;王新宁;郭冬梅;: "一种分割脑磁共振图像的改进FCM聚类算法", 中国生物医学工程学报, no. 06 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116485832A (zh) * 2023-06-25 2023-07-25 山东九思新材料科技有限责任公司 用于废硅片回收的不均布流体杂质边缘精准检测方法
CN116485832B (zh) * 2023-06-25 2023-08-29 山东九思新材料科技有限责任公司 用于废硅片回收的不均布流体杂质边缘精准检测方法
CN116563296A (zh) * 2023-07-12 2023-08-08 吉林省禹语网络科技有限公司 一种用于腹部ct图像的识别方法
CN116563296B (zh) * 2023-07-12 2023-09-05 吉林省禹语网络科技有限公司 一种用于腹部ct图像的识别方法
CN117115154A (zh) * 2023-10-23 2023-11-24 深圳市欧康精密技术有限公司 基于机器视觉的插座连接器精密检测方法
CN117115154B (zh) * 2023-10-23 2024-05-14 深圳市欧康精密技术有限公司 基于机器视觉的插座连接器精密检测方法

Also Published As

Publication number Publication date
CN116309575B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN116309575B (zh) 基于图像处理的电插头生产质量检测方法
CN115018828B (zh) 一种电子元器件的缺陷检测方法
CN114067109B (zh) 谷物检测方法及检测设备、存储介质
CN105787935B (zh) 一种基于Gamma分布的模糊聚类SAR图像分割方法
CN108537751B (zh) 一种基于径向基神经网络的甲状腺超声图像自动分割方法
CN112819821B (zh) 一种细胞核图像检测方法
CN115713533B (zh) 基于机器视觉的电力设备表面缺陷检测方法及装置
CN112001401B (zh) 用于实例分割的模型及训练方法，实例分割网络
CN116246174B (zh) 基于图像处理的甘薯种类识别方法
CN112396619A (zh) 一种基于语义分割的内部复杂组成的小型颗粒分割方法
CN111815640B (zh) 一种基于忆阻器的rbf神经网络医学图像分割算法
CN111291818B (zh) 一种面向云掩膜的非均匀类别的样本均衡化方法
CN113554638A (zh) 一种芯片表面缺陷检测模型建立方法和系统
CN114359288A (zh) 基于人工智能的医学影像脑动脉瘤检测和定位方法
CN111222546B (zh) 一种多尺度融合的食品图像分类模型训练及图像分类方法
CN114201632B (zh) 一种面向多标记目标检测任务的标签带噪数据集扩增方法
CN116823725A (zh) 一种基于支持向量机的航空发动机叶片表面缺陷检测方法
CN117705815B (zh) 一种基于机器视觉的印刷缺陷检测方法
CN117315380B (zh) 一种基于深度学习的肺炎ct图像分类方法及系统
CN116258864B (zh) 一种村庄规划建设大数据管理系统
CN116228776B (zh) 一种机电设备焊接缺陷识别方法及系统
CN110910497B (zh) 实现增强现实地图的方法和系统
CN114742849B (zh) 一种基于图像增强的水准仪距离测量方法
CN115861308A (zh) 一种元宝枫病害检测方法
CN112508900B (zh) 细胞病理图像分割方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20230825

Address after: 272500 south of west section of Quanhe Avenue, Wenshang County Economic Development Zone, Jining City, Shandong Province

Patentee after: Jining zhongdali Electrical Equipment Co.,Ltd.

Patentee after: JINING TECHNICIAN College

Address before: 272500 south of west section of Quanhe Avenue, Wenshang County Economic Development Zone, Jining City, Shandong Province

Patentee before: Jining zhongdali Electrical Equipment Co.,Ltd.

TR01 Transfer of patent right