CN116363127A - 基于图像处理的全降解塑料制品质量检测方法 - Google Patents
基于图像处理的全降解塑料制品质量检测方法 Download PDFInfo
- Publication number
- CN116363127A CN116363127A CN202310626501.XA CN202310626501A CN116363127A CN 116363127 A CN116363127 A CN 116363127A CN 202310626501 A CN202310626501 A CN 202310626501A CN 116363127 A CN116363127 A CN 116363127A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- region
- obtaining
- sector
- areas
- 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
- 229920006238 degradable plastic Polymers 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 190
- 230000005856 abnormality Effects 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000007547 defect Effects 0.000 claims abstract description 35
- 230000000737 periodic effect Effects 0.000 abstract description 4
- 238000009826 distribution Methods 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect 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
- 230000000704 physical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003908 quality control method 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像数据处理技术领域,提出了基于图像处理的全降解塑料制品质量检测方法,包括:获取塑料表面图像及若干扇形区域,获取扇形区域的灰度差异因子和梯度差异因子,得到扇形区域的相似性;根据扇形区域相似性得到整合图像;由此得到若干异常区域;获取不同尺寸的表面图像;根据异常区域中心点得到匹配区域;根据异常区域和匹配区域的中心点距离差异以及面积差异得到异常区域的异常程度;获得相似异常组,根据相似异常组内异常区域的异常程度、异常区域之间的距离、异常区域距离图像中间的距离得到周期性概率,并获得缺陷区域及缺陷程度;根据缺陷程度完成塑料制品的质量检测。本发明通过杯盖周期性得到模板图像,增加了检测效率。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于图像处理的全降解塑料制品质量检测方法。
背景技术
全降解塑料是一种环保材料,广泛用于如各种制品生产中。然而,由于其特殊的物理性质和制备过程中的复杂性,导致其表面容易出现瑕疵、缺陷等问题,对品质检测方法提出了更高的要求。基于图像处理的全降解塑料制品质量检测方法能够对这些问题进行有效处理,并且具备自动化、快速、精度高等优点,在制品生产、品质控制等方面得到了广泛应用。
现有对全降解塑料制品的检测常用模板匹配方法,而模板匹配常需采集大量缺陷图像,通过采集的缺陷图像作为模板与待测图像进行检测,匹配得到缺陷区域的缺陷情况。模板匹配的模板图像收集工作量巨大,耗费时间成本过大,工作效率低。
本发明所针对的产品为塑料杯盖,对塑料杯盖的形状灰度进行分析,通过高斯金字塔确定异常区域。
发明内容
本发明提供基于图像处理的全降解塑料制品质量检测方法,以解决时间成本过大,工作效率低的问题,所采用的技术方案具体如下:
本发明一个实施例提供了基于图像处理的全降解塑料制品质量检测方法,该方法包括以下步骤:
获取塑料表面图像;
对塑料表面图像进行霍夫圆检测得到霍夫圆,将霍夫圆等分为若干扇形区域,根据扇形区域的灰度值差异和LBP值差异得到每个扇形区域的灰度差异因子和梯度差异因子,根据扇形区域的灰度差异因子和梯度差异因子得到扇形区域的相似性;根据扇形区域相似性得到高度相似的扇形区域,将最多高度相似的扇形区域得到整合图像;将整合图像和塑料表面图像作差得到若干异常区域;
对塑料表面图像使用金字塔算法得到若干不同尺寸的图像,将不同尺寸的图像等比扩大为塑料表面图像的大小记为表面图像;获得异常区域的中心点,根据异常区域中心点得到塑料表面图像异常区域在不同尺寸下表面图像的匹配区域;根据塑料表面图像的异常区域和其所有匹配区域的中心点距离差异以及面积差异得到异常区域的异常程度;
获得每个异常区域的相似异常区域,并组成相似异常组,根据相似异常组内异常区域的异常程度、异常区域之间的距离、异常区域距离图像中间的距离得到异常程度影响因子、圆心距离影响因子、相邻距离影响因子;格局相似异常组的异常程度影响因子、圆心距离影响因子、相邻距离影响因子得到相似异常组满足周期性的概率,基于满足周期性的概率得到缺陷区域及缺陷程度;
根据缺陷区域的缺陷程度完成塑料制品的质量检测。
优选的,所述根据扇形区域的灰度值差异和LBP值差异得到每个扇形区域的灰度差异因子和梯度差异因子的方法为:
计算两个扇形区域的所有像素点的灰度值均值,将两个灰度值均值作差取绝对值记为灰度差异因子;计算每个扇形区域每个像素点的LBP值,将两个扇形区域对应像素点的LBP值作差取绝对值,将所有LBP值作差的绝对值取均值得到梯度差异因子。
优选的,所述将最多高度相似的扇形区域得到整合图像的方法为:
统计每个扇形区域的高度相似的扇形区域的数量,将拥有最多高度相似扇形区域数量的扇形区域记为基准扇形区域,将基准扇形区域的高度相似扇形区域记为整合扇形区域,根据基准扇形区域和整合扇形区域加权得到标准扇形区域,将标准扇形区域复制一定数量,将其整合为霍夫圆大小的图像得到整合图形。
优选的,所述根据基准扇形区域和整合扇形区域加权得到标准扇形区域的方法为:
将基准扇形区域和整合扇形区域的数量统计记为O,将权重1等分为O份得到基准扇形区域和每个整合扇形区域的权重,将基准扇形区域和每个整合扇形区域对应像素点灰度值和权重相乘后进行累加得到标准扇形区域。
优选的,所述异常区域的中心点为异常区域内所有像素点的坐标横纵坐标的均值的向上取整后的坐标对应的像素点。
优选的,所述根据异常区域中心点得到塑料表面图像异常区域在不同尺寸下表面图像的匹配区域的方法为:
对于塑料表面图像的每个异常区域,计算该异常区域的中心点与每个不同尺度下表面图像的每个异常区域的中心点的欧式距离,将塑料表面图像的每个异常区域的中心点和每个尺度下表面图像的每个异常区域的中心点的欧氏距离最小值作为该异常区域在每个尺度下表面图像中匹配的异常区域,将匹配的异常区域记为塑料表面图像异常区域的匹配区域。
优选的,所述根据塑料表面图像的异常区域和其所有匹配区域的中心点距离差异以及面积差异得到异常区域的异常程度的方法为:
式中,表示塑料表面图像的第m个异常区域与第n个尺度下的表面图像对应的匹配区域的距离影响因子,/>表示第m个异常区域与匹配区域的距离影响因子的最大值,/>表示塑料表面图像的第m个异常区域与第n个尺度下的表面图像对应的匹配区域的面积影响因子,/>表示第m个异常区域与匹配区域的面积影响因子的最大值,/>为以自然常数为底的指数函数,/>表示第m个异常区域的异常程度。
优选的,所述根据相似异常组内异常区域的异常程度、异常区域之间的距离、异常区域距离图像中间的距离得到异常程度影响因子、圆心距离影响因子、相邻距离影响因子的方法为:
对于每个相似异常组,将相似异常组内的所有异常区域的异常程度两两作差取绝对值,将所有差值的绝对值取均值记为该相似异常组的异常程度影响因子;将每个相似异常组的每个异常区域的中心点与霍夫圆圆心求欧式距离记为区域距离,将每个相似异常组内的所有区域距离两两作差取绝对值,将所有差值的绝对值取均值记为该相似异常组的圆心距离影响因子;对于每个相似异常组,将异常区域的轮廓像素点与其余异常区域的轮廓像素点求欧氏距离,取最小值作为相邻距离,将每个相似异常组内的所有相邻距离两两作差取绝对值,将所有差值的绝对值之和相加记为相邻距离影响因子。
本发明的有益效果是:基于本申请通过对杯盖区域进行扇形分块,通过分析各扇形分块的相似程度得到整合,将塑料表面图像与整合图像进行作差得到异常区域;根据异常区域在高斯金字塔不同尺度层中的变动程度进而得到异常程度;根据异常程度结合缺陷和自身纹理的分布规律得到属于缺陷的异常程度,即缺陷程度。
本发明通过对不同杯盖自适应得到不同的模板图像,相较于原版匹配算法中人为收集模板图像效率更高,且根据异常区域的周期性排除了杯盖纹理的影响,算法效果也不会受到影响。
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为本发明一个实施例所提供的基于图像处理的全降解塑料制品质量检测方法的流程示意图。
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。
本发明所针对的塑料制品为塑料杯盖。
请参阅图1,其示出了本发明一个实施例提供的基于图像处理的全降解塑料制品质量检测方法流程图,该方法包括以下步骤:
步骤S001,使用图像采集设备和神经网络获取塑料表面图像。
通过图像采集设备俯视角采集全降解塑料杯盖图像,对全降解塑料杯盖图像使用语义分割去除全降解塑料杯盖图像的背景部分只保留塑料部分。
本实施例对含背景的全降解塑料杯盖图像的感知采用语义分割的方式,DNN网络为Encode-Decoder的结构,具体训练内容为:
网络的输入数据为俯视角采集下的全降解塑料杯盖图像;对全降解塑料杯盖图像进行打标,打标签的方式为像素级,将塑料部分的像素点标记为1,将背景部分的像素点标记为0。该网络所使用的loss函数为交叉熵损失函数。
语义分割网络训练完成后,将使用图像采集设备采集到的全降解塑料杯盖图像输入到神经网络当中,输出为只包含塑料部分的图像。
至此,获得了塑料表面图像。
步骤S002,对塑料表面图像进行霍夫圆检测得到若干扇形区域,根据灰度差异因子和梯度差异因子得到扇形区域的相似性,并得到整合图像,根据整合图像和塑料表面图像得到异常区域。
因塑料表面图像呈现为圆形外观,故可进行扇形分块,且因杯盖大部分的自身纹理在圆中呈现为规律性的中心对称的分布,缺陷呈现为随机分布,故若存在相似程度较高的多个扇形,则认为相似扇形近似为无缺陷,则可根据相似扇形还原成一个完整的圆形,记为整合图像,根据整合图像和塑料表面图像作差得到异常区域。
具体的,对塑料表面图像进行霍夫圆检测,得到霍夫圆检测中最大的圆,将最大的圆进行扇形分块,利用霍夫圆的半径将霍夫圆等分成H份,在本实施例中H为360,其中每个等份都是相同形状的扇形。
对于每一个扇形区域,得到每个扇形区域所有像素点的灰度值均值,对于任意两个扇形区域,计算两个扇形区域的灰度值均值之差的绝对值,将差值的绝对值记为灰度差异因子。对于每个扇形区域,计算每个扇形区域内每个像素点的LBP值,其中LBP算法为公知计算,在此不多做赘述,由于每个扇形的形状是根据霍夫圆进行分割的,因此扇形中的像素点是一一对应的,根据任意两个扇形区域内所有对应像素点的LBP值作差的绝对值记为梯度差异因子,根据灰度差异因子和梯度差异因子得到两个扇形区域的相似性,公式如下:
式中,表示为第i个扇形区域的第k个像素点的LBP值,/>表示为第j个扇形区域的第k个像素点的LBP值,/>表示为扇形区域内像素点的数量,/>表示第i个扇形区域与第j个扇形区域的灰度差异因子,/>表示第i个扇形区域与第j个扇形区域的梯度差异因子,/>为以自然常数为底的指数函数,/>表示第i个扇形区域与第j个扇形区域的相似性。
若灰度差异因子越小,则说明构成两扇形区域的像素点灰度值均值越相近,则两扇形的相似程度越大;反之则越小。LBP编码值可反映像素点的局部梯度信息,梯度差异因子越小,则说明构成两扇形区域的像素点局部梯度差异越小,则两扇形的相似程度越大;反之则越小。
根据上式计算出两个扇形区域的相似度后,由于上式使用的指数函数具有将数据归一化的作用,因此在本实施例中设定相似阈值,在本实施例中令相似阈值/>,当扇形区域的相似性大于相似阈值时,认为两个扇形区域高度相似。
对于任意一个扇形区域,得到该扇形区域与其他所有扇形区域的相似性,得到每个扇形区域高度相似的扇形区域的数量,得到高度相似的扇形区域数量的最大值对应的扇形区域,将该扇形区域作为基准扇形区域,基准扇形区域的高度相似的扇形区域记为整合扇形区域,给定标准权重1,将基准扇形区域和每个整合扇形区域拥有相同的权重,例如基准扇形区域拥有4个整合扇形区域,那么就将标准权重1分为5份,每份为0.2。将基准扇形区域和整合扇形区域根据每个像素点的灰度值根据权重加权得到一个新的扇形区域记为标准扇形区域,将标准扇形区域复制H份,并将其组合为一个圆,将组合为的圆记为整合图像。
将整合图像和塑料表面图像的每个像素点作差得到差值图像,若塑料表面中存在缺陷,那么得到的差值是较大的,因此使用大津阈值法对差值图像进行分割,并使用连通域分析得到异常区域。
至此,得到了塑料表面图像中的异常区域。
步骤S003,获得塑料表面图像不同尺寸的表面图像,根据不同尺寸表面图像的异常区域得到塑料表面图像异常区域的异常程度。
得到异常区域后,异常区域的纹理突兀程度可表示异常程度,故可对图像进行高斯金字塔分层,图像中纹理越突兀的异常区域在高斯金字塔不同尺度层中的变动程度越小,进而由变动程度反映各异常区域的异常程度。
对塑料表面图像使用高斯金字塔处理,首先对塑料表面图像进行一次高斯模糊,得到一张平滑后的图像,之后对平滑后的图像进行下采样,下采样后的图像为尺寸减半的图像,对下采样后的图像再次进行高斯模糊得到一张新的平滑图像。
上述所示高斯金字塔和下采样都是公知技术,在此只做简单概述。
通过高斯金字塔算法得到U张不同尺寸的表面图像,在本实施例中,将所得到的表面图像数量设置为10张。
通过上述步骤获得每个尺寸的表面图像的异常区域,将不同尺寸的表面图像等比例扩大为塑料表面图像的尺寸大小,对于塑料表面图像的每个异常区域,计算该异常区域的中心点与每个不同尺度下每个异常区域的中心点的欧式距离,其中所述中心点为异常区域内所有像素点的坐标横纵坐标的均值的向上取整后的坐标对应的像素点,将塑料表面图像的每个异常区域的中心点和每个尺度表面图像的每个异常区域的中心点的欧氏距离最小值作为该异常区域在每个尺度的表面图像中匹配的异常区域。其中塑料表面图像中的每个异常区域在每个尺度的表面图像下有且只有一个对应的异常区域,将其在不同尺度表面图像下对应的异常区域记为匹配区域。指的说明的是此时所指的不同尺寸的表面图像是已经等比例扩大后的。
得到塑料表面图像的异常区域的匹配区域后,得到该异常区域与其匹配区域的面积,其面积为区域内像素点的数量,将异常区域与匹配区域中心点的欧氏距离记为距离影响因子,将异常区域与匹配区域的面积差值记为面积影响因子,根据异常区域与其所有匹配区域的距离影响因子和面积影响因子得到异常区域的异常程度,公式如下:
式中,表示塑料表面图像的第m个异常区域与第n个尺度下的表面图像对应的匹配区域的距离影响因子,/>表示第m个异常区域与匹配区域的距离影响因子的最大值,/>表示塑料表面图像的第m个异常区域与第n个尺度下的表面图像对应的匹配区域的面积影响因子,/>表示第m个异常区域与匹配区域的面积影响因子的最大值,/>为以自然常数为底的指数函数,/>表示第m个异常区域的异常程度。
若距离影响因子越小,说明塑料表面图像异常区域与对应的匹配区域的中心点相对距离越近,说明变动程度越小,说明异常区域的异常程度越大;反之则越小。若面积影响因子越小,说明塑料表面图像异常区域与对应的匹配区域的面积越接近,说明变动程度越小,说明异常区域的异常程度越大;反之则越小。
至此,获得了塑料表面图像中异常区域的异常程度。
步骤S004,根据异常区域的异常程度分组,并计算每组的概率,根据概率从所有异常区域中选出缺陷区域,根据缺陷区域的缺陷程度完成质量检测。
得到的异常程度分为两类,分别是可能为缺陷的异常程度,即缺陷程度,也可能是杯盖自身设计的纹理,属于杯盖自身纹理的异常程度并不属于缺陷程度。
从分布特征上看,杯盖自身设计的纹理常常具有周期性分布规律,而缺陷的分布则具有随机性,故可根据自身纹理的周期性分布规律得到属于自身纹理的异常程度,进而筛去属于自身纹理的异常程度,得到属于缺陷的异常程度,即缺陷程度。
具体的,对于每个异常区域的异常程度,计算该异常区域的异常程度与其余异常区域的异常程度的差值,若差值小于0.05,则认为该异常区域与其余异常区域是相似异常区域,将每个异常区域与其相似异常区域作为一组,记为相似异常组。
对于每个相似异常组,将相似异常组内的所有异常区域的异常程度两两作差取绝对值,将所有差值的绝对值取均值记为该相似异常组的异常程度影响因子;将每个相似异常组的每个异常区域的中心点与霍夫圆圆心求欧式距离记为区域距离,将每个相似异常组内的所有区域距离两两作差取绝对值,将所有差值的绝对值取均值记为该相似异常组的圆心距离影响因子/>;对于每个相似异常组,计算其中的异常区域的轮廓像素点距离最近的异常区域的轮廓像素点的距离,即将异常区域的轮廓像素点与其余异常区域的轮廓像素点求欧氏距离,取最小值作为相邻距离,将每个相似异常组内的所有相邻距离两两作差取绝对值,将所有差值的绝对值之和相加记为相邻距离影响因子/>。
根据异常程度影响因子、圆心距离影响因子、相邻距离影响因子构建每个相似异常组的周期性概率,公式如下:
式中,表示第t个相似异常组的异常程度影响因子,/>表示表示第t个相似异常组的圆心距离影响因子,/>表示第t个相似异常组的相邻距离影响因子,/>为以自然常数为底的指数函数,/>表示第t个相似异常组的周期性概率。
若第t个相似异常组的异常程度影响因子越小,则说明构成第t个相似异常组的异常程度越相似,则第t个相似异常组满足周期性的概率越大;反之则越小。若第t个相似异常组的圆心距离影响因子越小,则说明构成第t个相似异常组的异常程度对应的异常区域的位置信息越可能满足周期性,则第t个相似异常组满足周期性的概率越大;反之则越小。第t个相似异常组的相邻距离影响因子越小,则说明构成第t个相似异常组的异常程度对应的异常区域的位置信息越可能满足周期性,则第t个相似异常组满足周期性的概率越大;反之则越小。
将所有异常区域中删除概率大于概率阈值的异常区域,所剩下的异常区域即为缺陷区域,其对应的异常程度即为缺陷程度。
根据得到的缺陷区域的缺陷程度对杯盖质量进行分级,若缺陷程度小于0.2则认为是高质量,缺陷程度在0.2-0.4之间认为是中质量,缺陷程度在0.4以上被认为是低质量不可拿出售卖,由此完成了塑料制品的质量检测。
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 (8)
1.基于图像处理的全降解塑料制品质量检测方法,其特征在于,该方法包括以下步骤:
获取塑料表面图像;
对塑料表面图像进行霍夫圆检测得到霍夫圆,将霍夫圆等分为若干扇形区域,根据扇形区域的灰度值差异和LBP值差异得到每个扇形区域的灰度差异因子和梯度差异因子,根据扇形区域的灰度差异因子和梯度差异因子得到扇形区域的相似性;根据扇形区域相似性得到高度相似的扇形区域,将最多高度相似的扇形区域得到整合图像;将整合图像和塑料表面图像作差得到若干异常区域;
对塑料表面图像使用金字塔算法得到若干不同尺寸的图像,将不同尺寸的图像等比扩大为塑料表面图像的大小记为表面图像;获得异常区域的中心点,根据异常区域中心点得到塑料表面图像异常区域在不同尺寸下表面图像的匹配区域;根据塑料表面图像的异常区域和其所有匹配区域的中心点距离差异以及面积差异得到异常区域的异常程度;
获得每个异常区域的相似异常区域,并组成相似异常组,根据相似异常组内异常区域的异常程度、异常区域之间的距离、异常区域距离图像中间的距离得到异常程度影响因子、圆心距离影响因子、相邻距离影响因子;格局相似异常组的异常程度影响因子、圆心距离影响因子、相邻距离影响因子得到相似异常组满足周期性的概率,基于满足周期性的概率得到缺陷区域及缺陷程度;
根据缺陷区域的缺陷程度完成塑料制品的质量检测。
2.根据权利要求1所述的基于图像处理的全降解塑料制品质量检测方法,其特征在于,所述根据扇形区域的灰度值差异和LBP值差异得到每个扇形区域的灰度差异因子和梯度差异因子的方法为:
计算两个扇形区域的所有像素点的灰度值均值,将两个灰度值均值作差取绝对值记为灰度差异因子;计算每个扇形区域每个像素点的LBP值,将两个扇形区域对应像素点的LBP值作差取绝对值,将所有LBP值作差的绝对值取均值得到梯度差异因子。
3.根据权利要求1所述的基于图像处理的全降解塑料制品质量检测方法,其特征在于,所述将最多高度相似的扇形区域得到整合图像的方法为:
统计每个扇形区域的高度相似的扇形区域的数量,将拥有最多高度相似扇形区域数量的扇形区域记为基准扇形区域,将基准扇形区域的高度相似扇形区域记为整合扇形区域,根据基准扇形区域和整合扇形区域加权得到标准扇形区域,将标准扇形区域复制一定数量,将其整合为霍夫圆大小的图像得到整合图形。
4.根据权利要求3所述的基于图像处理的全降解塑料制品质量检测方法,其特征在于,所述根据基准扇形区域和整合扇形区域加权得到标准扇形区域的方法为:
将基准扇形区域和整合扇形区域的数量统计记为O,将权重1等分为O份得到基准扇形区域和每个整合扇形区域的权重,将基准扇形区域和每个整合扇形区域对应像素点灰度值和权重相乘后进行累加得到标准扇形区域。
5.根据权利要求1所述的基于图像处理的全降解塑料制品质量检测方法,其特征在于,所述异常区域的中心点为异常区域内所有像素点的坐标横纵坐标的均值的向上取整后的坐标对应的像素点。
6.根据权利要求1所述的基于图像处理的全降解塑料制品质量检测方法,其特征在于,所述根据异常区域中心点得到塑料表面图像异常区域在不同尺寸下表面图像的匹配区域的方法为:
对于塑料表面图像的每个异常区域,计算该异常区域的中心点与每个不同尺度下表面图像的每个异常区域的中心点的欧式距离,将塑料表面图像的每个异常区域的中心点和每个尺度下表面图像的每个异常区域的中心点的欧氏距离最小值作为该异常区域在每个尺度下表面图像中匹配的异常区域,将匹配的异常区域记为塑料表面图像异常区域的匹配区域。
8.根据权利要求1所述的基于图像处理的全降解塑料制品质量检测方法,其特征在于,所述根据相似异常组内异常区域的异常程度、异常区域之间的距离、异常区域距离图像中间的距离得到异常程度影响因子、圆心距离影响因子、相邻距离影响因子的方法为:
对于每个相似异常组,将相似异常组内的所有异常区域的异常程度两两作差取绝对值,将所有差值的绝对值取均值记为该相似异常组的异常程度影响因子;将每个相似异常组的每个异常区域的中心点与霍夫圆圆心求欧式距离记为区域距离,将每个相似异常组内的所有区域距离两两作差取绝对值,将所有差值的绝对值取均值记为该相似异常组的圆心距离影响因子;对于每个相似异常组,将异常区域的轮廓像素点与其余异常区域的轮廓像素点求欧氏距离,取最小值作为相邻距离,将每个相似异常组内的所有相邻距离两两作差取绝对值,将所有差值的绝对值之和相加记为相邻距离影响因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310626501.XA CN116363127B (zh) | 2023-05-31 | 2023-05-31 | 基于图像处理的全降解塑料制品质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310626501.XA CN116363127B (zh) | 2023-05-31 | 2023-05-31 | 基于图像处理的全降解塑料制品质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116363127A true CN116363127A (zh) | 2023-06-30 |
CN116363127B CN116363127B (zh) | 2023-07-28 |
Family
ID=86923550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310626501.XA Active CN116363127B (zh) | 2023-05-31 | 2023-05-31 | 基于图像处理的全降解塑料制品质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116363127B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116824516A (zh) * | 2023-08-30 | 2023-09-29 | 中冶路桥建设有限公司 | 一种涉路施工安全监测及管理系统 |
CN116883413A (zh) * | 2023-09-08 | 2023-10-13 | 山东鲁抗医药集团赛特有限责任公司 | 一种剔废接料滞留视觉检测方法 |
CN117058111A (zh) * | 2023-08-21 | 2023-11-14 | 大连亚明汽车部件股份有限公司 | 一种汽车铝合金压铸模具质量检查方法及系统 |
CN118014989A (zh) * | 2024-04-02 | 2024-05-10 | 东莞市时实电子有限公司 | 一种电源适配器表面缺陷智能检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070167801A1 (en) * | 2005-12-02 | 2007-07-19 | Webler William E | Methods and apparatuses for image guided medical procedures |
CN111652845A (zh) * | 2020-04-27 | 2020-09-11 | 平安科技(深圳)有限公司 | 异常细胞自动标注方法、装置、电子设备及存储介质 |
CN115294338A (zh) * | 2022-09-29 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种叶轮表面缺陷识别方法 |
-
2023
- 2023-05-31 CN CN202310626501.XA patent/CN116363127B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070167801A1 (en) * | 2005-12-02 | 2007-07-19 | Webler William E | Methods and apparatuses for image guided medical procedures |
CN111652845A (zh) * | 2020-04-27 | 2020-09-11 | 平安科技(深圳)有限公司 | 异常细胞自动标注方法、装置、电子设备及存储介质 |
CN115294338A (zh) * | 2022-09-29 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种叶轮表面缺陷识别方法 |
Non-Patent Citations (2)
Title |
---|
杜晓晨;尹建新;祁亨年;冯海林;: "基于颜色直方图和LBP-TD算子的木板材节疤缺陷区域检测", 北京林业大学学报, no. 03 * |
陈廉清;高立国;史永杰;李波岚;: "基于图像识别的微小塑料齿轮检测研究", 中国机械工程, no. 13 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117058111A (zh) * | 2023-08-21 | 2023-11-14 | 大连亚明汽车部件股份有限公司 | 一种汽车铝合金压铸模具质量检查方法及系统 |
CN117058111B (zh) * | 2023-08-21 | 2024-02-09 | 大连亚明汽车部件股份有限公司 | 一种汽车铝合金压铸模具质量检查方法及系统 |
CN116824516A (zh) * | 2023-08-30 | 2023-09-29 | 中冶路桥建设有限公司 | 一种涉路施工安全监测及管理系统 |
CN116824516B (zh) * | 2023-08-30 | 2023-11-21 | 中冶路桥建设有限公司 | 一种涉路施工安全监测及管理系统 |
CN116883413A (zh) * | 2023-09-08 | 2023-10-13 | 山东鲁抗医药集团赛特有限责任公司 | 一种剔废接料滞留视觉检测方法 |
CN116883413B (zh) * | 2023-09-08 | 2023-12-01 | 山东鲁抗医药集团赛特有限责任公司 | 一种剔废接料滞留视觉检测方法 |
CN118014989A (zh) * | 2024-04-02 | 2024-05-10 | 东莞市时实电子有限公司 | 一种电源适配器表面缺陷智能检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116363127B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116363127B (zh) | 基于图像处理的全降解塑料制品质量检测方法 | |
CN107945161B (zh) | 基于纹理特征提取的道路表面缺陷检测方法 | |
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN116168026B (zh) | 基于计算机视觉的水质检测方法及系统 | |
CN108288271A (zh) | 基于三维残差网络的图像检测系统及方法 | |
CN109784204B (zh) | 一种用于并联机器人的堆叠串类水果主果梗识别和提取方法 | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN108830326A (zh) | 一种mri图像的自动分割方法及装置 | |
CN110472479B (zh) | 一种基于surf特征点提取和局部lbp编码的指静脉识别方法 | |
CN107292310A (zh) | 一种圆形指针式表盘视觉定位及自动读数方法 | |
CN105277567B (zh) | 一种织物瑕疵检测方法 | |
CN102609904A (zh) | 双变量非局部平均滤波x射线图像消噪方法 | |
CN107784288A (zh) | 一种基于深度神经网络的迭代定位式人脸检测方法 | |
CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
CN109191418A (zh) | 一种基于收缩自编码器特征学习的遥感图像变化检测方法 | |
CN116402825B (zh) | 轴承故障红外诊断方法、系统、电子设备及存储介质 | |
CN113506246A (zh) | 基于机器视觉的混凝土3d打印构件精细检测方法 | |
CN111814852A (zh) | 图像检测方法、装置、电子设备和计算机可读存储介质 | |
CN111008649A (zh) | 一种基于三支决策的缺陷检测数据集预处理方法 | |
CN112396580B (zh) | 一种圆形零件缺陷检测方法 | |
CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
CN117315670A (zh) | 一种基于计算机视觉的水表读数区域检测方法 | |
CN112348750A (zh) | 基于阈值融合和邻域投票的sar图像变化检测方法 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 |
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 |