CN116309578B - 一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法 - Google Patents
一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法 Download PDFInfo
- Publication number
- CN116309578B CN116309578B CN202310566381.9A CN202310566381A CN116309578B CN 116309578 B CN116309578 B CN 116309578B CN 202310566381 A CN202310566381 A CN 202310566381A CN 116309578 B CN116309578 B CN 116309578B
- Authority
- CN
- China
- Prior art keywords
- image
- polished
- plastic
- structural features
- pixel point
- 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
- 239000004033 plastic Substances 0.000 title claims abstract description 139
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 239000006087 Silane Coupling Agent Substances 0.000 title claims abstract description 25
- 238000005498 polishing Methods 0.000 claims abstract description 34
- 230000004044 response Effects 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 230000003044 adaptive effect Effects 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 45
- 239000013598 vector Substances 0.000 claims description 36
- 238000000227 grinding Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 abstract description 16
- 238000012545 processing Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000005299 abrasion Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 229910010293 ceramic material Inorganic materials 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 239000007822 coupling agent Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000003733 fiber-reinforced composite Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/50—Reuse, recycling or recovery technologies
- Y02W30/62—Plastics recycling; Rubber recycling
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理领域,具体涉及一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法,采集打磨前后塑料表面的原始图像和打磨图像;确定打磨图像各像素点的自适应Gabor滤波方向角;获取打磨图像各像素点的自适应多尺度Gabor滤波器,进而得到打磨图像的数张Gabor滤波响应图;根据所有Gabor滤波响应图计算打磨图像的全局结构特征;根据像素点海森矩阵获取打磨图像各像素点的局部结构系数,并计算打磨图像的局部结构特征;获取原始图像的全局结构特征和局部结构特征;根据原始图像和打磨图像的全局结构特征、局部结构特征计算塑料耐磨性定量检测值,对塑料耐磨性进行检测。本发明实现了塑料耐磨性视觉检测,具有较高检测精度。
Description
技术领域
本申请涉及图像处理领域,具体涉及一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法。
背景技术
在众多的偶联剂中,硅烷偶联剂是研究最早且应用最广的一种。在塑料研究和生产过程中,硅烷偶联剂能改善纤维和树脂的粘合性能,大大提高纤维增强复合材料的强度、电气、抗水、抗气候等性能。塑料凭其抗化学腐蚀性,对异物的包容性、吸声吸振性和自润滑性纵多优点,在机器制造、交通运输、化工、电器、日用等领域中得到日益广泛的应用。
塑料的耐磨能力是反映塑料抵抗外来破坏作用的一种能力,耐磨性较高的塑料减少了磨耗所带来的损失,减少维修成本与维护成本,减少人员浪费,降低生产成本,提高了生产效率。目前对于塑料耐磨性检测的研究较少,多为打磨之后技术人员进行相应的评估,为实现对应用硅烷偶联剂的塑料耐磨性进行准确检测。
本发明提出一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法,通过视觉特征对塑料的耐磨性进行检测,结合图像数据对塑料耐磨性进行辅助检测,通过打磨电机装置对塑料表面进行打磨,获取打磨前后塑料表面图像,并对打磨前后塑料表面进行提取,得到塑料特征因子,基于所提取的塑料特征因子对塑料的耐磨性进行精确检测。
发明内容
为了解决上述技术问题,本发明提供一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法,以解决现有的问题。
本发明的一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法采用如下技术方案:
本发明一个实施例提供了一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法,该方法包括以下步骤:
通过打磨电机装置对塑料表面进行打磨;采集打磨前后塑料表面图像,分别记为原始图像和打磨图像;
根据打磨图像中各像素点纹理走向得到打磨图像各像素点的自适应Gabor滤波方向角;根据打磨图像各像素点的多尺度波长尺寸及自适应Gabor滤波方向角得到各像素点的自适应多尺度Gabor滤波器;通过打磨图像各像素点的自适应多尺度Gabor滤波器对打磨图像各像素点进行滤波,得到打磨图像对应的数张Gabor滤波响应图;将每张Gabor滤波响应图展平成一个一维向量,根据所有Gabor滤波响应图对应的一维向量得到打磨图像的全局结构特征;
根据打磨图像各像素点海森矩阵得到打磨图像各像素点的局部结构系数;根据打磨图像中所有像素点的局部结构系数得到打磨图像的局部结构特征;
获取原始图像的全局结构特征以及局部结构特征;
根据原始图像以及打磨图像的全局结构特征、局部结构特征得到塑料耐磨性定量检测值;根据塑料耐磨性定量检测值对塑料耐磨性进行检测。
优选的,所述根据打磨图像中各像素点纹理走向得到打磨图像各像素点的自适应Gabor滤波方向角,具体为:
计算打磨图像中各像素点的海森矩阵,获取海森矩阵绝对值较大的特征值对应的特征向量,将该特征向量的方向作为打磨图像各像素点的变异方向;
以打磨图像像素点的变异方向为中心,从像素点的变异方向左右两边各旋转度
分别获取一个方向向量,记为像素点的左近邻方向、右近邻方向,将像素点的变异方向以及
左近邻方向、右近邻方向依次作为像素点的第一方向角、第二方向角、第三方向角,像素点
的第一方向角、第二方向角、第三方向角均为像素点的自适应Gabor滤波方向角;
获取打磨图像中各像素点的自适应Gabor滤波方向角。
优选的,所述根据所有Gabor滤波响应图对应的一维向量得到打磨图像的全局结构特征,表达式为:
式中,分别为打磨图像的Gabor滤波响应图1对应的一维向量、
Gabor滤波响应图2对应的一维向量、Gabor滤波响应图12对应的一维向量,为向量点乘符
号,为打磨图像的全局结构特征。
优选的,所述根据打磨图像各像素点海森矩阵得到打磨图像各像素点的局部结构系数,表达式为:
式中,为打磨图像中位置处像素点的局部结构系数,分别
为打磨图像中位置处像素点海森矩阵的两个特征值,为乘法操作。
优选的,所述根据打磨图像中所有像素点的局部结构系数得到打磨图像的局部结构特征,表达式为:
式中,为打磨图像的局部结构特征,为打磨图像中位置处像
素点的局部结构系数,为打磨图像中位置处像素点的局部结构系数,为打磨图像中位置处像素点的局部结构系数,为打磨图像中
位置处像素点的局部结构系数,为打磨图像中位置处像素点的局部结构系
数,为打磨图像中位置处像素点的局部结构系数。
优选的,所述根据原始图像以及打磨图像的全局结构特征、局部结构特征得到塑料耐磨性定量检测值,表达式为:
式中,为塑料耐磨性定量检测值,为结构差异因子,为自然常数,为乘法操
作,分别为打磨图像全局结构特征、原始图像全局结构特征,分别为打磨图像局部结构特征、原始图像局部结构特征,为
打磨图像局部结构特征对应矩阵中所有元素之和,为打
磨图像全局结构特征与原始图像全局结构特征之间的皮尔逊系数,为打磨图像局部结构特征与原始图像局部结构特征之间的
皮尔逊系数,为权值系数。
本发明至少具有如下有益效果:
本发明方法可实现对应用硅烷偶联剂的塑料耐磨性进行检测,对打磨前后塑料表面变化状况进行分析,基于视觉特征对塑料耐磨性进行检测,可降低人力资源的浪费以及人工参与的检测误差,自动实现对塑料耐磨性的定量检测;
本发明结合自适应多尺度Gabor滤波器对图像的全局结构特征进行提取,通过图像中塑料表面的纹理结构信息获取多尺度Gabor滤波器的自适应方向角,提高原始图像以及打磨图像的全局结构特征提取精度,同时缩小Gabor滤波器的方向角的取值范围,降低计算成本;根据图像中像素点的海森矩阵提取原始图像以及打磨图像的局部结构特征,对塑料表面的纹理细节信息进行准确检测,结合图像的全局结构特征以及局部结构特征对塑料表面状况进行视觉检测,解决了塑料表面纹理细节信息检测精度低的问题,实现对塑料耐磨性的视觉检测。
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为本发明提供的一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法的流程图。
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应用硅烷偶联剂的塑料耐磨性图像辅助检测方法,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一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法的具体方案。
本发明一个实施例提供的一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法。
具体的,提供了如下的一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法,请参阅图1,该方法包括以下步骤:
步骤S001,通过打磨电机装置对塑料表面进行打磨,采用图像采集设备获取打磨前后塑料表面的图像。
本实施例主要通过打磨前后塑料表面的变化情况提取视觉特征,结合图像数据基于视觉特征对应用硅烷偶联剂的塑料耐磨性进行检测分析。首先,在对塑料表面打磨之前通过图像采集设备对塑料表面进行图像采集,获取未打磨时的塑料表面图像,记为原始图像。然后,通过打磨电机装置对塑料表面进行多次打磨处理,同样通过图像采集设备获取打磨之后的塑料表面图像,记为打磨图像。需要说明的是,图像采集设备包括相机、光源以及放置台等,需要说明的是,图像采集过程中相机的角度以及拍摄范围实施者根据实际情况而定,本实施例中图像采集设备中的相机俯视拍摄塑料表面的图像。
而传统均是保持塑料固定,通过打磨电机装置带动打磨件进行打磨,进而对塑料耐磨性进行检测,但是考虑到在实际使用过程中塑料件也是在运动的,使得传统的耐磨性检测结果不能够完全的表达塑料制品的耐磨性能,因此,本实施例将采用专利CN112067484A一种塑料制品耐磨性能快速测试装置及测试方法中的装置和方法对本实施例中的塑料进行打磨,保持塑料能够随受力情况产生一定的运动,更加接近实际使用情况,然后通过盐雾发生器和热风吹送结构模拟使用环境,使得测得结果更加接近现实使用情况。需要说明的是,打磨件打磨塑料的时长实施者可自行设定,本发明中将打磨时长设定为10min。
至此,即可通过打磨电机装置对塑料表面进行打磨处理,并通过图像采集设备获取塑料打磨前后的图像,以便基于视觉特征对塑料打磨前后的表面变化状况进行分析以及特征提取。
步骤S002,对打磨前后塑料表面进行特征提取,得到打磨前后图像的全局结构特征以及局部结构特征。
对于塑料表面,制造完成的塑料表面经处理后均为表面光滑、光泽度好、纹理均匀等特征,而在对塑料进行耐磨性检测时,通过打磨电机装置带动打磨件对塑料表面进行打磨之后,其表面会发生变化,耐磨性较差的塑料表面会出现大量的打磨痕迹,且本实施例中对塑料的打磨方向是不规律的,塑料也会产生一定运动,故打磨后塑料表面纹理分布较为杂乱,因此,本实施例对原始图像以及打磨图像进行分析,根据打磨前后塑料表面视觉特征的变化,检测打磨前后塑料表面的变化状况并进行特征提取,对打磨前后塑料表面特征提取进行提取。
本实施例以打磨图像为例详细说明塑料表面特征的提取过程,首先分析打磨图像的综合纹理细节信息,提取打磨图像的全局结构特征,用于对打磨图像中塑料表面的整体纹理细节信息进行表征,打磨图像全局结构特征提取过程具体为:
为提高打磨图像中塑料表面全局结构特征的提取精度,本实施例将通过多尺度
Gabor滤波器对打磨图像进行多尺度卷积,对于多尺度Gabor滤波器,其波长以及方向角为
Gabor滤波器中的可调参数,通过调节波长和方向角可得到多个Gabor滤波器,Gabor滤波器
的波长以及方向角对打磨图像纹理细节特征的提取影响较大,且方向角范围为,当人
为设定方向角尺寸过多,将导致Gabor滤波器数量多,纹理细节提取过程中的计算量大;且
Gabor滤波器在进行纹理细节提取过程中,只有与方向角相垂直的纹理细节才能够被Gabor
滤波器完全地保留,而其他方向的纹理细节将会被滤除,当方向角设定不准确时,将会导致
塑料表面的纹理细节提取不完整,造成塑料表面纹理信息的丢失,因此,对于多尺度Gabor
滤波器,本实施例将设置四个波长尺寸,波长尺寸实施者也可自行设定,为避免
Gabor滤波器方向角设定随机以及精度不高的问题,本实施例将对Gabor滤波器的方向角进
行自适应设定;
对于打磨图像,本实施例将基于打磨图像中塑料表面各像素点的纹理走向对多尺
度Gabor滤波器的方向角进行自适应选取,对于打磨图像中的各像素点,获取各像素点的海
森矩阵,并计算各像素点海森矩阵的特征值以及特征向量,特征值的大小表示在对应特征
向量的方向上像素点的灰度变化程度大小,特征值绝对值较大对应的特征向量垂直于此像
素点的纹理细节走向,因此,获取绝对值较大的特征值所对应的特征向量,将该特征向量的
方向作为像素点的变异方向。为保证对打磨图像中塑料表面整体纹理细节特征的准确提
取,根据像素点的变异方向对像素点滤波时对应的Gabor滤波器方向角进行自适应设定,以
像素点的变异方向为中心,从像素点的变异方向左右两边各旋转度分别获取一个方向向
量,并分别记为左近邻方向、右近邻方向,将像素点的变异方向以及左近邻方向、右近邻方
向依次作为像素点Gabor滤波器的第一方向角、第二方向角、第三方向角,均为像素点的自
适应Gabor滤波方向角。本实施例中每个像素点可自适应的获取三个Gabor滤波器方向角,
每个方向角下可得到四个不同波长尺寸的Gabor滤波器,因此可得到12个Gabor滤波器,记
为自适应多尺度Gabor滤波器。本实施例中通过缩小Gabor滤波器的方向角的取值范围,可
降低计算成本,同时可根据像素点的局部纹理走向信息获取对应的Gabor滤波器方向角,提
高像素点局部纹理细节特征的提取精度;
重复上述方法,获取打磨图像中每个像素点的自适应多尺度Gabor滤波器,根据每个像素点的自适应多尺度Gabor滤波器得到每个像素点对应的各Gabor滤波响应值,因此,每个波长尺寸下可得到三张Gabor滤波响应图,本实施例中采用四个波长尺寸,故打磨图像经过自适应多尺度Gabor滤波器的滤波操作后可得到12张Gabor滤波响应图;
为实现准确提取打磨图像中的塑料表面特征,对不同尺度Gabor滤波器响应之间的相关性进行准确分析,将对各Gabor滤波响应图之间的特征关联性进行分析,以便准确提取打磨图像的整体纹理细节信息。首先,将每张Gabor滤波响应图进行展平,得到每张Gabor滤波响应图对应的一维向量,则本实施例中打磨图像可得到12个一维向量。需要说明的是图像展平成一维向量的过程为Flatten整平操作,具体的展平过程为现有公知技术,不在本实施例做详细阐述;然后,考虑到向量的点乘能够体现向量之间的相似性,因此,结合打磨图像的所有一维向量,本实施例将对打磨图像的全局结构特征进行提取,全局结构特征表达式为:
式中,分别为打磨图像的Gabor滤波响应图1对应的一维向量、
Gabor滤波响应图2对应的一维向量、Gabor滤波响应图12对应的一维向量,为向量点乘符
号,为打磨图像的全局结构特征,用于对打磨图像的整体纹理细节信息进行表征,
能够体现打磨图像的综合纹理信息。
然后,为提高塑料表面纹理细节信息的提取精度,本实施例将对塑料表面的局部结构特征进行提取,同样以打磨图像为例详细说明局部结构特征提取过程:获取打磨图像中各像素点的海森矩阵后,考虑到像素点的海森矩阵为该位置处的二阶偏导数,能够对该位置处像素点的局部曲率特征进行表征,对像素点的局部形状特征进行检测,因此,本实施例将根据像素点的海森矩阵对每个像素点的局部结构系数进行提取,用于对像素点的局部纹理信息进行表征,像素点的局部结构系数表达式具体为:
式中,为打磨图像中位置处像素点的局部结构系数,为打
磨图像中位置处像素点海森矩阵的两个特征值,像素点的局部结构系数用于检测像素
点的局部结构纹理信息,像素点局部结构系数越大,则像素点局部的结构纹理信息越复杂,
局部灰度变化越剧烈;
重复上述方法,获取打磨图像中每个像素点的局部结构系数;
根据打磨图像中所有像素点的局部结构系数,得到打磨图像的局部结构特征,打磨图像局部结构特征表达式为:
式中,为打磨图像的局部结构特征,为打磨图像中位置处像
素点的局部结构系数,为打磨图像中位置处像素点的局部结构系数,为打磨图像中位置处像素点的局部结构系数,为打磨图像中
位置处像素点的局部结构系数,为打磨图像中位置处像素点的局部结构系
数,为打磨图像中位置处像素点的局部结构系数,M为打磨图像中像素点总
行数,N为打磨图像中像素点总列数,根据打磨图像中各像素点的局部结构系数,对打磨图
像中塑料表面状况进行视觉检测;
重复上述方法,获取原始图像的全局结构特征以及局部结构特征,用于表征原始图像中塑料表面的视觉特征,检测打磨前塑料表面的纹理细节信息。
至此,即可提取原始图像以及打磨图像的全局结构特征、局部结构特征,实现对塑料表面的纹理细节信息进行准确检测。
步骤S003,根据打磨前后图像的全局结构特征及局部结构特征,对塑料耐磨性进行视觉检测。
根据上述方法可获取塑料打磨前后图像的全局结构特征以及局部结构特征,用于对塑料表面的视觉特征进行表征,能够对塑料表面的结构信息以及纹理细节信息进行检测,基于打磨图像与原始图像对应结构特征之间的差异情况,本实施例将对塑料的耐磨性进行定量分析,实现根据视觉特征对塑料的耐磨性进行检测,塑料耐磨性定量分析表达式为:
式中,为塑料耐磨性定量检测值,为结构差异因子,为自然常数,为乘法操
作,分别为打磨图像全局结构特征、原始图像全局结构特征,分别为打磨图像局部结构特征、原始图像局部结构特征,为
打磨图像局部结构特征对应矩阵中所有元素之和,为打
磨图像全局结构特征与原始图像全局结构特征之间的皮尔逊系数,为打磨图像局部结构特征与原始图像局部结构特征之间的
皮尔逊系数,为权值系数,实施者可自行设定,本实施例设置为。
越大,则打磨图像灰度变化越剧烈,包含的边缘纹理细节信息越多,局部纹理细节信息也越
复杂,对应塑料的耐磨性越差,为对的归一化处理函数,实施者也
可自行选取其他的归一化函数对进行归一化处理。塑料耐磨性定量检测值越
大,对应塑料的耐磨性越好。
为便于对塑料耐磨性状况分析,本实施例将设置耐磨性检测阈值,当塑料耐磨性定量检测值高于耐磨性检测阈值时,则对应塑料的耐磨性较佳,满足后期使用需求;当塑料耐磨性定量检测值低于耐磨性检测阈值时,则对应塑料的耐磨性较差,后期使用过程中磨损速度快,维修成本高,不满足后期使用需求。对不满足后期使用需求的塑料发出预警提示,以便相关检修人员对该塑料进行再次加工处理,以满足后期使用需求,提高生产效率,保证塑料生产质量。需要说明的是,对于耐磨性检测阈值实施者可自行设定,本实施例设置为0.65。
至此,可根据本实施例的方法对应用硅烷偶联剂的塑料耐磨性进行视觉检测。
综上所述,本发明实施例可实现对应用硅烷偶联剂的塑料耐磨性进行检测,对打磨前后塑料表面变化状况进行分析,基于视觉特征对塑料耐磨性进行检测,可降低人力资源的浪费以及人工参与的检测误差,自动实现对塑料耐磨性的定量检测。
本发明实施例结合自适应多尺度Gabor滤波器对图像的全局结构特征进行提取,通过图像中塑料表面的纹理结构信息获取多尺度Gabor滤波器的自适应方向角,提高原始图像以及打磨图像的全局结构特征提取精度,同时缩小Gabor滤波器的方向角的取值范围,降低计算成本;根据图像中像素点的海森矩阵提取原始图像以及打磨图像的局部结构特征,对塑料表面的纹理细节信息进行准确检测,结合图像的全局结构特征以及局部结构特征对塑料表面状况进行视觉检测,解决了塑料表面纹理细节信息检测精度低的问题,实现对塑料耐磨性的视觉检测。
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。且上述对本说明书特定实施例进行了描述。另外,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或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。
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;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,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 (5)
1.一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法,其特征在于,该方法包括以下步骤:
通过打磨电机装置对塑料表面进行打磨;采集打磨前后塑料表面图像,分别记为原始图像和打磨图像;
根据打磨图像中各像素点纹理走向得到打磨图像各像素点的自适应Gabor滤波方向角;根据打磨图像各像素点的多尺度波长尺寸及自适应Gabor滤波方向角得到各像素点的自适应多尺度Gabor滤波器;通过打磨图像各像素点的自适应多尺度Gabor滤波器对打磨图像各像素点进行滤波,得到打磨图像对应的数张Gabor滤波响应图;将每张Gabor滤波响应图展平成一个一维向量,根据所有Gabor滤波响应图对应的一维向量得到打磨图像的全局结构特征;
根据打磨图像各像素点海森矩阵得到打磨图像各像素点的局部结构系数;根据打磨图像中所有像素点的局部结构系数得到打磨图像的局部结构特征;
获取原始图像的全局结构特征以及局部结构特征;
根据原始图像以及打磨图像的全局结构特征、局部结构特征得到塑料耐磨性定量检测值;根据塑料耐磨性定量检测值对塑料耐磨性进行检测;
所述根据原始图像以及打磨图像的全局结构特征、局部结构特征得到塑料耐磨性定量检测值,表达式为:
式中,为塑料耐磨性定量检测值,/>为结构差异因子,/>为自然常数,/>为乘法操作,分别为打磨图像全局结构特征、原始图像全局结构特征,分别为打磨图像局部结构特征、原始图像局部结构特征,/>为打磨图像局部结构特征对应矩阵中所有元素之和, />为打磨图像全局结构特征与原始图像全局结构特征之间的皮尔逊系数,为打磨图像局部结构特征与原始图像局部结构特征之间的皮尔逊系数,/>为权值系数。
2.如权利要求1所述的一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法,其特征在于,所述根据打磨图像中各像素点纹理走向得到打磨图像各像素点的自适应Gabor滤波方向角,具体为:
计算打磨图像中各像素点的海森矩阵,获取海森矩阵绝对值较大的特征值对应的特征向量,将该特征向量的方向作为打磨图像各像素点的变异方向;
以打磨图像像素点的变异方向为中心,从像素点的变异方向左右两边各旋转度分别获取一个方向向量,记为像素点的左近邻方向、右近邻方向,将像素点的变异方向以及左近邻方向、右近邻方向依次作为像素点的第一方向角、第二方向角、第三方向角,像素点的第一方向角、第二方向角、第三方向角均为像素点的自适应Gabor滤波方向角;
获取打磨图像中各像素点的自适应Gabor滤波方向角。
3.如权利要求1所述的一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法,其特征在于,所述根据所有Gabor滤波响应图对应的一维向量得到打磨图像的全局结构特征,表达式为:
式中,分别为打磨图像的Gabor滤波响应图1对应的一维向量、Gabor滤波响应图2对应的一维向量、Gabor滤波响应图12对应的一维向量,/>为向量点乘符号,为打磨图像的全局结构特征。
4.如权利要求1所述的一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法,其特征在于,所述根据打磨图像各像素点海森矩阵得到打磨图像各像素点的局部结构系数,表达式为:
式中,为打磨图像中/>位置处像素点的局部结构系数,/>分别为打磨图像中/>位置处像素点海森矩阵的两个特征值,/>为乘法操作。
5.如权利要求1所述的一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法,其特征在于,所述根据打磨图像中所有像素点的局部结构系数得到打磨图像的局部结构特征,表达式为:
式中,为打磨图像的局部结构特征,/>为打磨图像中/>位置处像素点的局部结构系数,/>为打磨图像中/>位置处像素点的局部结构系数,/>为打磨图像中/>位置处像素点的局部结构系数,/>为打磨图像中/>位置处像素点的局部结构系数,/>为打磨图像中/>位置处像素点的局部结构系数,为打磨图像中/>位置处像素点的局部结构系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310566381.9A CN116309578B (zh) | 2023-05-19 | 2023-05-19 | 一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310566381.9A CN116309578B (zh) | 2023-05-19 | 2023-05-19 | 一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116309578A CN116309578A (zh) | 2023-06-23 |
CN116309578B true CN116309578B (zh) | 2023-08-04 |
Family
ID=86820620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310566381.9A Active CN116309578B (zh) | 2023-05-19 | 2023-05-19 | 一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309578B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834909A (zh) * | 2015-05-07 | 2015-08-12 | 长安大学 | 一种基于Gabor综合特征的图像特征描述方法 |
AU2015203571A1 (en) * | 2015-06-26 | 2017-01-19 | Canon Kabushiki Kaisha | A method and image processing device for automatically adjusting images |
CN109115785A (zh) * | 2018-08-08 | 2019-01-01 | 长沙理工大学 | 一种铸件打磨质量检测方法、装置及其使用方法 |
CN110766689A (zh) * | 2019-11-06 | 2020-02-07 | 深圳微品致远信息科技有限公司 | 基于卷积神经网络进行物品图像缺陷检测的方法及装置 |
CN115018844A (zh) * | 2022-08-09 | 2022-09-06 | 南通三信塑胶装备科技股份有限公司 | 一种基于人工智能的塑料薄膜质量评估方法 |
CN115115598A (zh) * | 2022-06-30 | 2022-09-27 | 南通大学 | 一种基于全局Gabor滤波和局部LBP特征喉癌细胞图像分类方法 |
CN115496918A (zh) * | 2022-11-16 | 2022-12-20 | 山东高速股份有限公司 | 基于计算机视觉的高速公路路况异常检测方法及系统 |
CN115690105A (zh) * | 2022-12-30 | 2023-02-03 | 无锡康贝电子设备有限公司 | 一种基于计算机视觉的铣刀划痕检测方法 |
CN115797347A (zh) * | 2023-02-06 | 2023-03-14 | 临沂农业科技职业学院(筹) | 基于计算机视觉的自动化生产线异常监控方法 |
CN115937204A (zh) * | 2023-01-09 | 2023-04-07 | 江苏惠汕新能源集团有限公司 | 一种焊管生产质量检测方法 |
CN116030058A (zh) * | 2023-03-29 | 2023-04-28 | 无锡斯达新能源科技股份有限公司 | 一种用于抛光垫表面粗糙度的质量评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6358351B1 (ja) * | 2017-03-21 | 2018-07-18 | Jfeスチール株式会社 | 表面欠陥検査方法及び表面欠陥検査装置 |
-
2023
- 2023-05-19 CN CN202310566381.9A patent/CN116309578B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834909A (zh) * | 2015-05-07 | 2015-08-12 | 长安大学 | 一种基于Gabor综合特征的图像特征描述方法 |
AU2015203571A1 (en) * | 2015-06-26 | 2017-01-19 | Canon Kabushiki Kaisha | A method and image processing device for automatically adjusting images |
CN109115785A (zh) * | 2018-08-08 | 2019-01-01 | 长沙理工大学 | 一种铸件打磨质量检测方法、装置及其使用方法 |
CN110766689A (zh) * | 2019-11-06 | 2020-02-07 | 深圳微品致远信息科技有限公司 | 基于卷积神经网络进行物品图像缺陷检测的方法及装置 |
CN115115598A (zh) * | 2022-06-30 | 2022-09-27 | 南通大学 | 一种基于全局Gabor滤波和局部LBP特征喉癌细胞图像分类方法 |
CN115018844A (zh) * | 2022-08-09 | 2022-09-06 | 南通三信塑胶装备科技股份有限公司 | 一种基于人工智能的塑料薄膜质量评估方法 |
CN115496918A (zh) * | 2022-11-16 | 2022-12-20 | 山东高速股份有限公司 | 基于计算机视觉的高速公路路况异常检测方法及系统 |
CN115690105A (zh) * | 2022-12-30 | 2023-02-03 | 无锡康贝电子设备有限公司 | 一种基于计算机视觉的铣刀划痕检测方法 |
CN115937204A (zh) * | 2023-01-09 | 2023-04-07 | 江苏惠汕新能源集团有限公司 | 一种焊管生产质量检测方法 |
CN115797347A (zh) * | 2023-02-06 | 2023-03-14 | 临沂农业科技职业学院(筹) | 基于计算机视觉的自动化生产线异常监控方法 |
CN116030058A (zh) * | 2023-03-29 | 2023-04-28 | 无锡斯达新能源科技股份有限公司 | 一种用于抛光垫表面粗糙度的质量评价方法 |
Non-Patent Citations (1)
Title |
---|
Detection and classification of lung cancer computed tomography images using a novel improved deep belief network with Gabor filters;Ebtasam Ahmad Siddiqui 等;《Chemometrics and Intelligent Laboratory Systems》;第1-15页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116309578A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117173189B (zh) | 一种铝合金表面抛光效果视觉检测系统 | |
CN105447512B (zh) | 一种精粗结合的光学表面缺陷的检测方法及装置 | |
CN103913468B (zh) | 生产线上大尺寸lcd玻璃基板的多视觉缺陷检测设备及方法 | |
CN109118471A (zh) | 一种适用于复杂环境下的打磨工件缺陷检测方法 | |
CN103175844A (zh) | 一种金属零部件表面划痕缺陷检测方法 | |
CN107941808A (zh) | 基于机器视觉的3d打印成型质量检测系统及方法 | |
CN106815819B (zh) | 多策略粮虫视觉检测方法 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN113252568A (zh) | 基于机器视觉的镜片表面缺陷检测方法、系统、产品、终端 | |
CN110097537A (zh) | 一种基于三维纹理特征的肉质定量分析评价方法 | |
CN106651882A (zh) | 一种基于机器视觉的燕窝杂质识别与检测方法及装置 | |
CN111462092A (zh) | 一种基于深度学习的保温杯表面的缺陷检测方法 | |
CN111402238A (zh) | 一种通过机器视觉实现的缺陷标识系统 | |
Chen et al. | Evaluating fabric pilling with light-projected image analysis | |
CN116109637B (zh) | 基于视觉的涡轮增压器叶轮外观缺陷检测的系统及其方法 | |
CN113376172B (zh) | 一种基于视觉与涡流的焊缝缺陷检测系统及其检测方法 | |
CN112258444A (zh) | 一种电梯钢丝绳检测方法 | |
CN110619146A (zh) | 基于结构相似性度量的多晶硅电池片裂纹缺陷检测方法 | |
CN116309578B (zh) | 一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
CN111256596B (zh) | 基于cv技术的尺寸测量方法、装置、计算机设备及介质 | |
Yeh et al. | Establishing a demerit count reference standard for the classification and grading of leather hides | |
CN117197700A (zh) | 智能化无人巡检接触网缺陷识别系统 | |
CN108986088A (zh) | 一种基于matlab的图像自动提取优化方法及设备 | |
Luo et al. | Fluorescent magnetic particle inspection device based on digital image processing |
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 |