CN116385414A - 零部件多尺度缺陷特征提取方法、计算设备及存储介质 - Google Patents
零部件多尺度缺陷特征提取方法、计算设备及存储介质 Download PDFInfo
- Publication number
- CN116385414A CN116385414A CN202310378389.2A CN202310378389A CN116385414A CN 116385414 A CN116385414 A CN 116385414A CN 202310378389 A CN202310378389 A CN 202310378389A CN 116385414 A CN116385414 A CN 116385414A
- Authority
- CN
- China
- Prior art keywords
- processing unit
- value
- neighborhood
- image
- region
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000000605 extraction Methods 0.000 title claims description 13
- 238000012545 processing Methods 0.000 claims abstract description 116
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000001514 detection method Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 abstract description 11
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种零部件多尺度缺陷特征提取方法、计算设备及存储介质，涉及视觉识别技术领域，所述方法包括：使用特征窗口对图像进行扫描，将特征窗口每次扫描到的区域作为一个处理单元，获取所述处理单元内每个像素点的灰度值；计算中心处理单元的所述平均值与其相邻的八个邻域处理单元的所述平均值之间的差值，并判断所述差值的绝对值与预设阈值的大小关系，分析邻域区域的纹理结构，得到每个邻域区域的编码串，提取出邻域区域的灰度值分布特征和纹理结构特征，无需对图像进行分割，也不需要利用大量图像进行预训练，即可对汽车发动机图像中存在的缺陷进行有效识别。
Description
技术领域
本发明涉及视觉识别技术领域，具体而言，涉及一种零部件多尺度缺陷特征提取方法、计算设备及存储介质。
背景技术
汽车在生产过程中的一些关键工件，结构尺寸、型面形状复杂，对尺寸精度和型面的质量要求较高。随着图像处理技术的提高，机器视觉技术也被应用到了工业工件的表面缺陷检测上。它主要是通过工业相机等图像采集设备对目标进行图像采集，经传输设备传至计算机或者其他的图像处理设备进行数字化的处理，来获得可视化的工件信息。
机器视觉技术以机器来替代人眼对产品进行缺陷检测，减轻了企业高昂的人工成本，在提高检测精度和速度同时还可以解放大量的劳动力，提高了企业的利润和效益。然而，目前绝大多数基于数字图像处理的视觉识别检测方法要先对图像进行分割，在此基础上来判断图像是否有划痕或其它缺陷，因此图像的分割是影响现有方法检测精度的关键因素之一。
发明内容
本发明所要解决的问题是如何避免图像分割对工件表面检测造成的潜在影响。
为解决上述问题，一方面，本发明提供了一种零部件多尺度缺陷特征提取方法，包括：
使用特征窗口对图像进行扫描，将特征窗口每次扫描到的区域作为一个处理单元，并获取所述处理单元内每个像素点的灰度值；
计算所述处理单元内所述像素点的平均值；
计算中心处理单元的所述平均值与其相邻的八个邻域处理单元的所述平均值之间的差值，其中，以一个所述处理单元作为中心处理单元，与所述中心处理单元相邻的八个所述处理单元作为邻域处理单元；
判断所述差值的绝对值是否小于预设阈值；
当所述差值的绝对值小于所述预设阈值时，将所述差值对应的邻域处理单元编码为1；
当所述差值的绝对值大于或等于所述预设阈值时，将所述差值对应的邻域处理单元编码为0；
将所有所述邻域处理单元的编码依序排列，获得每个邻域区域的编码串，其中所述邻域区域为与一个相同所述中心处理单元相邻的八个所述邻域处理单元组成的区域；
根据所述编码串，获得所述图像的分类结果。
可选地，所述使用特征窗口对图像进行扫描，将特征窗口每次扫描到的区域作为一个处理单元，并获取所述处理单元内每个像素点的灰度值之前，所述零部件多尺度缺陷特征提取方法还包括：
采用滤波方法去除所述图像的噪声。
可选地，所述使用特征窗口对图像进行扫描，将特征窗口每次扫描到的区域作为一个处理单元，并获取所述处理单元内每个像素点的灰度值之前，所述零部件多尺度缺陷特征提取方法还包括：
采用阈值化方法对所述图像进行分析定位，确定所述图像中的感兴趣区域和目标检测区域；
根据所述感兴趣区域的尺寸确定所述特征窗口的尺寸。
可选地，所述根据所述感兴趣区域的尺寸确定所述特征窗口的尺寸包括：
根据所述感兴趣区域的外接矩形获得所述特征窗口的预估尺寸；
将所述预估尺寸中最长边的尺寸值作为所述特征窗口的边长尺寸值，将所述特征窗口设置为正方形区域。
可选地，所述使用特征窗口对图像进行扫描，将特征窗口每次扫描到的区域作为一个处理单元，并获取所述处理单元内每个像素点的灰度值包括：
使用所述特征窗口逐步移动，扫描所述目标检测区域，获得所述目标检测区域内所有所述处理单元中的每个所述像素点的所述灰度值，其中所述特征窗口移动的步长等于其边长。
可选地，所述判断所述差值的绝对值是否小于预设阈值之前，所述零部件多尺度缺陷特征提取方法还包括：
将所述邻域区域内的八个所述邻域处理单元对应的所述差值相加，计算所述差值的平均值；
将所述差值的平均值乘以预设权值，得到所述预设阈值。
可选地，所述根据所述编码串，获得所述图像的分类结果包括：
对所有所述邻域区域的所述编码串进行加权处理；
将加权后的所述编码串进行累加，得到所述目标检测区域的纹理特性直方图；
对所述纹理特征直方图进行分析，获得所述目标检测区域的图像分类结果。
可选地，所述对所有所述邻域区域的所述编码串进行加权处理包括：
分析所述邻域区域的所述编码串中编码为1的数量；
根据所述编码串中1的数量，设置一个编码串权值乘以所述编码串，其中所述编码串中1的数量越多，所述编码串权值越大。
另外一方面，本发明还提供了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的零部件多尺度缺陷特征提取方法。
另外一方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的零部件多尺度缺陷特征提取方法。
与现有技术相比，本发明具有如下有益效果：
本发明提供的一种零部件多尺度缺陷特征提取方法，通过使用特征窗口对图像进行扫描，将特征窗口每次扫描到的区域作为一个处理单元，获取所述处理单元内每个像素点的灰度值；计算中心处理单元的所述平均值与其相邻的八个邻域处理单元的所述平均值之间的差值，并判断所述差值的绝对值与预设阈值的大小关系，分析邻域区域的纹理结构，得到每个邻域区域的编码串，提取出邻域区域的灰度值分布特征和纹理结构特征，无需对图像进行分割，也不需要利用大量图像进行预训练，即可对汽车发动机图像中存在的缺陷进行有效识别。
附图说明
图1示出了本发明实施例中零部件多尺度缺陷特征提取方法的流程示意图；
图2示出了本发明实施例中每个像素点的灰度值分布示意图；
图3示出了本发明实施例中多个处理单元的灰度值分布示意图；
图4示出了本发明实施例中邻域区域的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。
应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”；术语“可选地”表示“可选的实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
图1示出了本发明实施例中零部件多尺度缺陷特征提取方法的流程示意图，所述零部件多尺度缺陷特征提取方法包括：
S100：使用特征窗口对图像进行扫描，将特征窗口每次扫描到的区域作为一个处理单元，并获取所述处理单元内每个像素点的灰度值。如图2所示，使用2*2的特征窗口对图像进行逐步的扫描，获得图像中每个像素点的灰度值。
S200：计算所述处理单元内所述像素点的平均值。例如图2，左上角的四个像素点，将四个像素点的灰度值相加求平均值，得到如图3左上角所示的灰度值为7的处理单元。对图2中每一个处理单元进行同样的分析处理，得到图3。
S300：计算中心处理单元的所述平均值与其相邻的八个邻域处理单元的所述平均值之间的差值。如图4，以一个所述处理单元作为中心处理单元，与所述中心处理单元相邻的八个所述处理单元作为邻域处理单元(分别为邻域处理单元1-邻域处理单元8)，以八个所述邻域处理单元作为一个邻域区域，将图像有规律且严密的划分为多个所述邻域区域，需要说明的是，在划分多个所述邻域区域时，可以要求多个邻域区域之间相互不重合，且相邻两个邻域区域之前不间隔任何处理单元，相邻两个邻域区域贴合；也可以要求多个邻域区域之间重合，例如3*3的邻域区域，两个相邻的邻域区域之间有一行或者一列处理单元重合等；但是当划分后剩余的处理单元不足以组成邻域区域时，可与相邻的邻域区域中的处理单元组成另一个邻域区域。在所述邻域区域内，将与所述中心处理单元相邻的每个所述邻域处理单元的灰度平均值与所述中心处理单元的灰度平均值相减，获得每个所述邻域处理单元对应的差值。
S400：判断所述差值的绝对值是否小于预设阈值。所述预设阈值是一个提前设置的值，用来判断差值是否处于一个合理的范围内，当差值在预设阈值的范围内的时候，说明邻域处理单元与中心处理单元的灰度值相差不大，也就是说两个处理单元相似，通过求差值，然后对差值进行判断，分析邻域区域的纹理结构，还能够看出8个邻域处理单元与中心处理单元之间的灰度分布关系和空间纹理结构关系。纹理是图像中普遍存在而又难以描述的特征，可看作是一种反映图像像素空间分布特征的属性，常表现为在局部不规则而宏观上又有一定规律。图像的纹理反映了图像中物体的结构特征，具有尺度性、异向性、韵律性等特点。
S500：当所述差值的绝对值小于所述预设阈值时，将所述差值对应的邻域处理单元编码为1；
S600：当所述差值的绝对值大于或等于所述预设阈值时，将所述差值对应的邻域处理单元编码为0；
S700：将所有所述邻域处理单元的编码依序排列，获得每个邻域区域的编码串，其中所述邻域区域为与一个相同所述中心处理单元相邻的八个所述邻域处理单元组成的区域；编码串表示局部的纹理排列规律，作为特征被提取，本方法无需对图像分割的前提下，提取图像的全局和局部纹理特征，用于检测图像中是否存在缺陷。例如当图4的邻域处理单元3位置处存在一个缺陷为气孔或者凸起黑点等，其余位置均正常，此时通过分析判断，只有邻域处理单元3对应的差值大于预设阈值，邻域处理单元3对应的编码为0，由此可以判断邻域处理单元3与周围区域的区别较大，存在缺陷或者存在缺陷的概率较大。
S800：根据所述编码串，获得所述图像的分类结果。可以将编码串输入到机器学习分类器中进行分类识别，得到图像的分类结果。
在本实施例中，通过使用特征窗口对图像进行扫描，将特征窗口每次扫描到的区域作为一个处理单元，获取所述处理单元内每个像素点的灰度值；计算中心处理单元的所述平均值与其相邻的八个邻域处理单元的所述平均值之间的差值，并判断所述差值的绝对值与预设阈值的大小关系，分析邻域区域的纹理结构，得到每个邻域区域的编码串，提取出邻域区域的灰度值分布特征和纹理结构特征，无需对图像进行分割，也不需要利用大量图像进行预训练，即可对汽车发动机图像中存在的缺陷进行有效识别。
在本发明的一种实施例中，所述使用特征窗口对图像进行扫描，将特征窗口每次扫描到的区域作为一个处理单元，并获取所述处理单元内每个像素点的灰度值之前，还包括：
采用滤波方法去除所述图像的噪声。所述的滤波方法可以是高斯滤波器、中值滤波器或伪中值滤波器执行的滤波方法。
在本发明的一种实施例中，所述使用特征窗口对图像进行扫描，将特征窗口每次扫描到的区域作为一个处理单元，并获取所述处理单元内每个像素点的灰度值之前，还包括：
采用阈值化方法对所述图像进行分析定位，确定所述图像中的感兴趣区域和目标检测区域。阈值化实则是旨在提取图像中的目标物体，将背景以及噪声区分开来。通常会设定一个阈值，通过阈值将图像的像素划分为两类：大于阈值的像素群和小于阈值的像素群。利用阈值化，我们就可以从一副图像中分割出我们需要的物体部分(这里的物体可以是一部分或者整体)。此方法是基于图像中物体与背景之间的灰度差异且此分割属于像素级的分割。
根据所述感兴趣区域的尺寸确定所述特征窗口的尺寸。其中，所述感兴趣区域即可能是缺陷的位置，所述目标检测区域是想要检测的零部件表面的某一块区域，例如检测汽车发动机的上半部分等。
具体的，所述根据所述感兴趣区域的尺寸确定所述特征窗口的尺寸包括：
根据所述感兴趣区域的外接矩形获得所述特征窗口的预估尺寸。不同的感兴趣区域的外接矩形的尺寸不同，对应的特征窗口的预估尺寸也不相同，例如感兴趣区域的外接矩形预估尺寸为5*3，则特征窗口的预估尺寸为5*3。
将所述预估尺寸中最长边的尺寸值作为所述特征窗口的边长尺寸值，将所述特征窗口设置为正方形区域，所述特征窗口的尺寸可以是5*5。通过调节特征窗口的大小，可以改变每次感受野的大小，提取的特征信息量也随之改变。
在本发明的一种实施例中，所述使用特征窗口对图像进行扫描，将特征窗口每次扫描到的区域作为一个处理单元，并获取所述处理单元内每个像素点的灰度值包括：
使用所述特征窗口逐步移动，扫描所述目标检测区域，获得所述目标检测区域内所有所述处理单元中的每个所述像素点的所述灰度值，其中所述特征窗口移动的步长等于其边长。例如图2中，特征窗口的尺寸是2*2，每次向周围(向右、向下等)移动的距离是2。在每个邻域处理单元里面提取纹理特征，包括计算灰度值的均值、方差等多种纹理特征，将计算结果替换邻域处理单元的纹理特征，得到邻域区域纹理分布图，形成如图4所示的3*3的邻域区域。
在本发明的一种实施例中，所述判断所述差值的绝对值是否小于预设阈值之前，还包括：
将所述邻域区域内的八个所述邻域处理单元对应的所述差值相加，计算所述差值的平均值；
将所述差值的平均值乘以预设权值，得到所述预设阈值。其中预设权值表示筛选的精度，预设权值大，则对应的预设阈值就会变大，对于邻域处理单元对应的差值的判断就宽松，导致大多数邻域处理单元的编号均为1，此时可能将本应该存在缺陷的邻域处理单元识别成与中心处理单元相似的区域，从而将该邻域处理单元误认成正常区域；反之，也有可能将正常的区域误认为有缺陷的区域，因此需要适当大小的预设权值，对于预设权值的大小可以通过试错法结合中值缩限法相结合，逐步找到合适的预设权值。
在本发明的一种实施例中，所述根据所述编码串，获得所述图像的分类结果包括：
对所有所述邻域区域的所述编码串进行加权处理。对于相似度较大的邻域区域设置较大的权值，对于相似度低的邻域区域设置较小的权值，这样对不同的区域进行不同程度的强化，增大不同区域之间的差异性，最终目标检测区域中正常区域与缺陷区域的对比增强，便于快速识别。
将加权后的每个所述编码串进行累加，得到所述目标检测区域的纹理特性直方图，得到目标检测区域的特征分布情况，由于缺陷的面积较小，因此直方图中编码串累加值出现的次数较小的数值对应的邻域区域就可能是缺陷所在位置。
对所述纹理特征直方图进行分析，获得所述目标检测区域的图像分类结果。采用如均值、方差、偏度、峰态、能量、熵等局部灰度分布特征和局部多尺度编码串对图像特征进行表征，得到基于多种特征的局部纹理结构分布图。最后采用机器学习方法进行识别并得到分类结果。
在本发明的一种实施例中，所述对所有所述邻域区域的所述编码串进行加权处理包括：
分析所述邻域区域的所述编码串中编码为1的数量。
根据所述编码串中1的数量，设置一个编码串权值乘以所述编码串，其中所述编码串中1的数量越多，说明邻域处理单元与中心处理单元相似的数量越多，说明该邻域区域存在缺陷的概率较小，因此编码串权值越大。
通过邻域处理单元与中心处理单元之间的差异信息提取纹理特征，该算法计算简单，抗干扰性较好；根据感兴趣区域的外接矩形的大小不同时，自动调整特征窗口(即感受野)的大小，自动提取多尺度特征，适应性较强；无需通过图像分割步骤和深度学习的大样本训练，即可对发动机表面图像中缺陷进行检测。
本发明通过采用多尺度特征窗口提取图像不同尺度下的灰度属性特征，同时利用多尺度还能够获取图像更大感受野的特征，然后利用邻域区域的编码串获得图像的局部纹理特征信息，增强了所提取特征对图像的表征能力，进而构成蕴含图像纹理空间结构特征和多尺度灰度特征的综合图像特征，实现对各类汽车工件缺陷图像灰度和纹理结构特征提取能力的改善，更全面地描述了图像的本征特征，无需通过对图像进行分割，也不用利用大量图像进行预训练，即可对汽车发动机图像，尤其对不同尺度的工业图像缺陷进行有效识别。
本发明另一实施例的一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的零部件多尺度缺陷特征提取方法。
本发明实施例中的计算设备与上述零部件多尺度缺陷特征提取方法的技术效果相近似，在此不再进行赘述。
本发明另一实施例的一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的零部件多尺度缺陷特征提取方法。
本发明所述的计算机可读存储介质与上述零部件多尺度缺陷特征提取方法的技术效果相近似，在此不再进行赘述。
一般来说，用于实现本发明方法的计算机指令可以采用一个或多个计算机可读存储介质任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质，除了临时性地传播中的信号本身。
计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言，特别是可以使用适于神经网络计算的Python语言和基于TensorFlow、PyTorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
虽然本公开披露如上，但本公开的保护范围并非仅限于此。本领域技术人员在不脱离本公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。
Claims (10)
1.一种零部件多尺度缺陷特征提取方法，其特征在于，包括：
使用特征窗口对图像进行扫描，将特征窗口每次扫描到的区域作为一个处理单元，并获取所述处理单元内每个像素点的灰度值；
计算所述处理单元内所述像素点的平均值；
计算中心处理单元的所述平均值与其相邻的八个邻域处理单元的所述平均值之间的差值，其中以一个所述处理单元作为中心处理单元，与所述中心处理单元相邻的八个所述处理单元作为邻域处理单元；
判断所述差值的绝对值是否小于预设阈值；
当所述差值的绝对值小于所述预设阈值时，将所述差值对应的邻域处理单元编码为1；
当所述差值的绝对值大于或等于所述预设阈值时，将所述差值对应的邻域处理单元编码为0；
将所有所述邻域处理单元的编码依序排列，获得每个邻域区域的编码串，其中所述邻域区域为与一个相同所述中心处理单元相邻的八个所述邻域处理单元组成的区域；
根据所述编码串，获得所述图像的分类结果。
2.根据权利要求1所述的零部件多尺度缺陷特征提取方法，其特征在于，所述使用特征窗口对图像进行扫描，将特征窗口每次扫描到的区域作为一个处理单元，并获取所述处理单元内每个像素点的灰度值之前，还包括：
采用滤波方法去除所述图像的噪声。
3.根据权利要求1所述的零部件多尺度缺陷特征提取方法，其特征在于，所述使用特征窗口对图像进行扫描，将特征窗口每次扫描到的区域作为一个处理单元，并获取所述处理单元内每个像素点的灰度值之前，还包括：
采用阈值化方法对所述图像进行分析定位，确定所述图像中的感兴趣区域和目标检测区域；
根据所述感兴趣区域的尺寸确定所述特征窗口的尺寸。
4.根据权利要求3所述的零部件多尺度缺陷特征提取方法，其特征在于，所述根据所述感兴趣区域的尺寸确定所述特征窗口的尺寸包括：
根据所述感兴趣区域的外接矩形获得所述特征窗口的预估尺寸；
将所述预估尺寸中最长边的尺寸值作为所述特征窗口的边长尺寸值，将所述特征窗口设置为正方形区域。
5.根据权利要求3所述的零部件多尺度缺陷特征提取方法，其特征在于，所述使用特征窗口对图像进行扫描，将特征窗口每次扫描到的区域作为一个处理单元，并获取所述处理单元内每个像素点的灰度值包括：
使用所述特征窗口逐步移动，扫描所述目标检测区域，获得所述目标检测区域内所有所述处理单元中的每个所述像素点的所述灰度值，其中所述特征窗口移动的步长等于其边长。
6.根据权利要求1所述的零部件多尺度缺陷特征提取方法，其特征在于，所述判断所述差值的绝对值是否小于预设阈值之前，还包括：
将所述邻域区域内的八个所述邻域处理单元对应的所述差值相加，计算所述差值的平均值；
将所述差值的平均值乘以预设权值，得到所述预设阈值。
7.根据权利要求1-6任一所述的零部件多尺度缺陷特征提取方法，其特征在于，所述根据所述编码串，获得所述图像的分类结果包括：
对所有所述邻域区域的所述编码串进行加权处理；
将加权后的所述编码串进行累加，得到所述目标检测区域的纹理特性直方图；
对所述纹理特征直方图进行分析，获得所述目标检测区域的图像分类结果。
8.根据权利要求7所述的零部件多尺度缺陷特征提取方法，其特征在于，所述对所有所述邻域区域的所述编码串进行加权处理包括：
分析所述邻域区域的所述编码串中编码为1的数量；
根据所述编码串中1的数量，设置一个编码串权值乘以所述编码串，其中所述编码串中1的数量越多，所述编码串权值越大。
9.一种计算设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如权利要求1-8中任一所述的零部件多尺度缺陷特征提取方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1-8中任一所述的零部件多尺度缺陷特征提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310378389.2A CN116385414B (zh) | 2023-04-10 | 2023-04-10 | 零部件多尺度缺陷特征提取方法、计算设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310378389.2A CN116385414B (zh) | 2023-04-10 | 2023-04-10 | 零部件多尺度缺陷特征提取方法、计算设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116385414A true CN116385414A (zh) | 2023-07-04 |
| CN116385414B CN116385414B (zh) | 2023-11-07 |
Family
ID=86964177
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310378389.2A Active CN116385414B (zh) | 2023-04-10 | 2023-04-10 | 零部件多尺度缺陷特征提取方法、计算设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116385414B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06164939A (ja) * | 1992-11-16 | 1994-06-10 | Fuji Xerox Co Ltd | 画像信号の符号化装置 |
| JPH09121346A (ja) * | 1995-10-24 | 1997-05-06 | Sharp Corp | 画像符号化装置及び画像復号装置 |
| WO2013105513A1 (ja) * | 2012-01-12 | 2013-07-18 | パナソニック株式会社 | 特徴抽出装置、特徴抽出方法、および特徴抽出プログラム |
| WO2013108684A1 (ja) * | 2012-01-19 | 2013-07-25 | 三菱電機株式会社 | 動画像復号装置、動画像符号化装置、動画像復号方法及び動画像符号化方法 |
| CN103299637A (zh) * | 2011-01-12 | 2013-09-11 | 三菱电机株式会社 | 运动图像编码装置、运动图像译码装置、运动图像编码方法以及运动图像译码方法 |
| CN106575364A (zh) * | 2014-04-11 | 2017-04-19 | 英特尔公司 | 使用定向滤波的目标检测 |
| CN108154510A (zh) * | 2018-01-17 | 2018-06-12 | 深圳市亿图视觉自动化技术有限公司 | 产品表面缺陷检测方法、装置及计算机可读存储介质 |
| CN109284744A (zh) * | 2018-11-02 | 2019-01-29 | 张彦龙 | 一种从眼部灰度图像似然图对虹膜图像编码检索的方法 |
| CN110287780A (zh) * | 2019-05-17 | 2019-09-27 | 长安大学 | 一种光照下人脸图像特征提取方法 |
| CN112464908A (zh) * | 2020-12-18 | 2021-03-09 | 杭州电子科技大学 | 一种吸引局部二阶梯度轮廓模式人脸特征提取方法 |
| CN112488123A (zh) * | 2020-11-27 | 2021-03-12 | 江苏科技大学 | 一种基于细化局部模式的纹理图像分类方法及系统 |
| CN112789650A (zh) * | 2019-09-06 | 2021-05-11 | 谷歌有限责任公司 | 检测半透明图像水印 |
| US20210174489A1 (en) * | 2019-12-04 | 2021-06-10 | Beijing Boe Optoelectronics Technology Co., Ltd. | Method and apparatus for detecting a screen, and electronic device |
| CN113111878A (zh) * | 2021-04-30 | 2021-07-13 | 中北大学 | 一种复杂背景下的红外弱小目标检测方法 |
| WO2021258699A1 (zh) * | 2020-06-23 | 2021-12-30 | 珠海格力电器股份有限公司 | 一种图像识别方法、装置、电子设备和计算机可读介质 |
| CN113888747A (zh) * | 2021-09-18 | 2022-01-04 | 武汉工程大学 | 一种基于环向局部三值模式的图像纹理特征提取方法 |
| CN114972894A (zh) * | 2022-07-26 | 2022-08-30 | 南通三信塑胶装备科技股份有限公司 | 一种基于计算机视觉的cpp薄膜缺陷分类方法 |
| CN115351598A (zh) * | 2022-10-17 | 2022-11-18 | 南通钜德智能科技有限公司 | 一种数控机床轴承检测方法 |
-
2023
- 2023-04-10 CN CN202310378389.2A patent/CN116385414B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06164939A (ja) * | 1992-11-16 | 1994-06-10 | Fuji Xerox Co Ltd | 画像信号の符号化装置 |
| JPH09121346A (ja) * | 1995-10-24 | 1997-05-06 | Sharp Corp | 画像符号化装置及び画像復号装置 |
| CN103299637A (zh) * | 2011-01-12 | 2013-09-11 | 三菱电机株式会社 | 运动图像编码装置、运动图像译码装置、运动图像编码方法以及运动图像译码方法 |
| WO2013105513A1 (ja) * | 2012-01-12 | 2013-07-18 | パナソニック株式会社 | 特徴抽出装置、特徴抽出方法、および特徴抽出プログラム |
| US20150016679A1 (en) * | 2012-01-12 | 2015-01-15 | Panasonic Corporation | Feature extraction device, feature extraction method, and feature extraction program |
| WO2013108684A1 (ja) * | 2012-01-19 | 2013-07-25 | 三菱電機株式会社 | 動画像復号装置、動画像符号化装置、動画像復号方法及び動画像符号化方法 |
| CN106575364A (zh) * | 2014-04-11 | 2017-04-19 | 英特尔公司 | 使用定向滤波的目标检测 |
| CN108154510A (zh) * | 2018-01-17 | 2018-06-12 | 深圳市亿图视觉自动化技术有限公司 | 产品表面缺陷检测方法、装置及计算机可读存储介质 |
| CN109284744A (zh) * | 2018-11-02 | 2019-01-29 | 张彦龙 | 一种从眼部灰度图像似然图对虹膜图像编码检索的方法 |
| CN110287780A (zh) * | 2019-05-17 | 2019-09-27 | 长安大学 | 一种光照下人脸图像特征提取方法 |
| CN112789650A (zh) * | 2019-09-06 | 2021-05-11 | 谷歌有限责任公司 | 检测半透明图像水印 |
| US20210174489A1 (en) * | 2019-12-04 | 2021-06-10 | Beijing Boe Optoelectronics Technology Co., Ltd. | Method and apparatus for detecting a screen, and electronic device |
| WO2021258699A1 (zh) * | 2020-06-23 | 2021-12-30 | 珠海格力电器股份有限公司 | 一种图像识别方法、装置、电子设备和计算机可读介质 |
| CN112488123A (zh) * | 2020-11-27 | 2021-03-12 | 江苏科技大学 | 一种基于细化局部模式的纹理图像分类方法及系统 |
| CN112464908A (zh) * | 2020-12-18 | 2021-03-09 | 杭州电子科技大学 | 一种吸引局部二阶梯度轮廓模式人脸特征提取方法 |
| CN113111878A (zh) * | 2021-04-30 | 2021-07-13 | 中北大学 | 一种复杂背景下的红外弱小目标检测方法 |
| CN113888747A (zh) * | 2021-09-18 | 2022-01-04 | 武汉工程大学 | 一种基于环向局部三值模式的图像纹理特征提取方法 |
| CN114972894A (zh) * | 2022-07-26 | 2022-08-30 | 南通三信塑胶装备科技股份有限公司 | 一种基于计算机视觉的cpp薄膜缺陷分类方法 |
| CN115351598A (zh) * | 2022-10-17 | 2022-11-18 | 南通钜德智能科技有限公司 | 一种数控机床轴承检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 贾磊;鲁旭涛;孙运强;: "基于改进的局部二值模式算法的表情识别", 国外电子测量技术, no. 10 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116385414B (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Asphalt pavement pothole detection and segmentation based on wavelet energy field | |
| CN111292305B (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
| CN111862064B (zh) | 一种基于深度学习的银质丝材表面瑕疵识别方法 | |
| CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
| CN110781839A (zh) | 一种基于滑窗的大尺寸图像中小目标识别方法 | |
| CN111382704A (zh) | 基于深度学习的车辆压线违章判断方法、装置及存储介质 | |
| Mukherjee et al. | Enhancement of image resolution by binarization | |
| CN115205223B (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
| CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
| Antar et al. | Automatic number plate recognition of Saudi license car plates | |
| CN116485779B (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
| CN113240623A (zh) | 一种路面病害检测方法及装置 | |
| CN114241370A (zh) | 基于数字孪生变电站的入侵识别方法、装置和计算机设备 | |
| CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
| CN111626104B (zh) | 一种基于无人机红外热像的电缆隐患点检测方法和装置 | |
| CN111062415B (zh) | 基于对比差异的目标对象图像提取方法、系统及存储介质 | |
| CN115797314B (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
| CN116385414B (zh) | 零部件多尺度缺陷特征提取方法、计算设备及存储介质 | |
| CN116523871A (zh) | 一种加工件缺陷检测方法、装置、电子设备及存储介质 | |
| CN110751623A (zh) | 基于联合特征的缺陷检测方法、装置、设备及存储介质 | |
| CN116030056A (zh) | 一种钢表面裂缝的检测方法及系统 | |
| CN110634124A (zh) | 一种区域检测的方法及设备 | |
| KR102585146B1 (ko) | 딥러닝 기반의 도로손상 탐지 장치 및 방법 | |
| CN109886133B (zh) | 一种基于光学遥感图像的船只检测方法及系统 | |
| CN112329783B (zh) | 基于图像处理的钩尾框折断识别方法 |
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 |