CN116385446B - 一种用于勃姆石生产的晶体杂质检测方法 - Google Patents
一种用于勃姆石生产的晶体杂质检测方法 Download PDFInfo
- Publication number
- CN116385446B CN116385446B CN202310659693.4A CN202310659693A CN116385446B CN 116385446 B CN116385446 B CN 116385446B CN 202310659693 A CN202310659693 A CN 202310659693A CN 116385446 B CN116385446 B CN 116385446B
- Authority
- CN
- China
- Prior art keywords
- neighborhood
- pixel point
- pixel
- crystal
- information entropy
- 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
- 239000013078 crystal Substances 0.000 title claims abstract description 99
- 229910001593 boehmite Inorganic materials 0.000 title claims abstract description 32
- FAHBNUUHRFUEAI-UHFFFAOYSA-M hydroxidooxidoaluminium Chemical compound O[Al]=O FAHBNUUHRFUEAI-UHFFFAOYSA-M 0.000 title claims abstract description 32
- 239000012535 impurity Substances 0.000 title claims abstract description 31
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 title abstract description 13
- 238000009826 distribution Methods 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000008859 change Effects 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 229910001570 bauxite Inorganic materials 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 239000003054 catalyst Substances 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 125000002887 hydroxy group Chemical group [H]O* 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及图像处理领域，具体公开了一种用于勃姆石生产的晶体杂质检测方法。该方法包括采集包括目标晶体图像的原始图像；通过预设的Canny算子识别原始图像中的边缘信息，得到非边缘点；基于以非边缘点为中心的多个邻域像素点与以非边缘点作为的中心像素点，确定多个邻域像素点与中心像素点的晶体像素分布相似度、邻域晶体像素梯度变化程度以及窗口信息熵比；得到多个邻域像素点与中心像素点的生长匹配度；基于多个邻域像素点与中心像素点的生长匹配度进行生长，将原始图像划分为多个区域，对划分后的区域与预设的模板图像进行匹配，基于对应区域的匹配程度确定杂质晶体。本发明实施例能够准确检测用于勃姆石生产的晶体杂质。
Description
技术领域
本发明涉及图像处理领域，尤其涉及一种用于勃姆石生产的晶体杂质检测方法。
背景技术
勃姆石是铝土矿的主要组成部分，表面含有大量羟基基团，以及其独特的晶体结构，具有零点电荷高、界面自由能高等特点，广泛应用于催化剂及载体、锂电池隔膜涂层材料等多个领域。
现有的分割算法例如聚类算法、水平集、阈值分割等都需要人工设定参数与迭代准则，不能满足现代自动化生产的需求，且分割效率与精度受参数影响较大，若参数设置错误会对最终成像结果产生较大影响。区域生长法是根据同一区域内像素点的相似性来聚集像素点的方法，在没有先验知识可以利用时，有较好的分割效果，可以用来分割比较复杂的图像，但区域生长的好坏取决于初始种子点的选取、生长准则以及终止条件，其中生长准则尤为重要，若生长准则设定不符合场景特点，可能会导致错误的生长，造成对结果分析的不准确，进而导致杂质检测不准确。
发明内容
本发明实施例提供了一种用于勃姆石生产的晶体杂质检测方法，解决了目前的技术方案中存在的结果分析不准确，杂质检测不准确的问题。
为了解决上述技术问题，本发明：
提供了一种用于勃姆石生产的晶体杂质检测方法，该方法包括：
采集包括目标晶体图像的原始图像；
通过预设的Canny算子识别所述原始图像中的边缘信息，得到非边缘点；
基于以所述非边缘点为中心的多个邻域像素点与以非边缘点作为的中心像素点，确定多个邻域像素点与中心像素点的晶体像素分布相似度、邻域晶体像素梯度变化程度以及窗口信息熵比；
并基于多个邻域像素点与中心像素点的晶体像素分布相似度、邻域晶体像素梯度变化程度以及窗口信息熵比，得到多个邻域像素点与中心像素点的生长匹配度；
基于多个邻域像素点与中心像素点的生长匹配度进行生长，将所述原始图像划分为多个区域；
根据预设的模版匹配算法对划分后的区域与预设的模板图像进行匹配，基于对应区域的匹配程度确定杂质晶体。
本发明实施例提供了一种用于勃姆石生产的晶体杂质检测方法。通过分析非边缘像素点与其邻域像素点的灰度值分布差异情况，构建晶体像素分布相似度指标，检测分别以两个像素点为中心的窗口内像素点的分布规律是否相同，构建邻域晶体像素梯度变化程度指标，检测两个像素点梯度大小关系，构建窗口信息熵比指标，检测分别以两个像素点为中心的窗口内像素点的分布混乱程度是否相同，并基于此构建生长匹配度，使其对灰度值变化的敏感程度更高，进而确定生长规则。当邻域像素点与非边缘像素点存在一定差异时，生长匹配度将发生较大变化，更精准地选择邻域像素点进行生长，避免灰度值发生较小变化时，区域生长错误的问题，进而实现准确检测杂质晶体。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，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他的附图。
图1是本发明实施例提供的一种用于勃姆石生产的晶体杂质检测方法的流程示意图；
图2是本发明实施例提供的一种去噪后的勃姆石图像转换为灰度图像；
图3是本发明实施例还提供的一种归一化的直方图描述子。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
勃姆石是铝土矿的主要组成部分，表面含有大量羟基基团，以及其独特的晶体结构，具有零点电荷高、界面自由能高等特点，广泛应用于催化剂及载体、锂电池隔膜涂层材料等多个领域。
现有的分割算法例如聚类算法、水平集、阈值分割等都需要人工设定参数与迭代准则，不能满足现代自动化生产的需求，且分割效率与精度受参数影响较大，若参数设置错误会对最终成像结果产生较大影响。区域生长法是根据同一区域内像素点的相似性来聚集像素点的方法，在没有先验知识可以利用时，有较好的分割效果，可以用来分割比较复杂的图像，但区域生长的好坏取决于初始种子点的选取、生长准则以及终止条件，其中生长准则尤为重要，若生长准则设定不符合场景特点，可能会导致错误的生长，造成对结果分析的不准确。
为了解决现有的方案中，存在的检测结果不准确的问题，本发明实施例提供了一种用于勃姆石生产的晶体杂质检测方法、装置、设备以及存储介质，通过分析非边缘像素点与其邻域像素点的灰度值分布差异情况，构建晶体像素分布相似度指标，检测分别以两个像素点为中心的窗口内像素点的分布规律是否相同，构建邻域晶体像素梯度变化程度指标，检测两个像素点梯度大小关系，构建窗口信息熵比指标，检测分别以两个像素点为中心的窗口内像素点的分布混乱程度是否相同，并基于此构建生长匹配度，使其对灰度值变化的敏感程度更高，进而确定生长规则。当邻域像素点与非边缘像素点存在一定差异时，生长匹配度将发生较大变化，更精准地选择邻域像素点进行生长，避免灰度值发生较小变化时，区域生长错误的问题，进而实现准确检测杂质晶体。
下面结合附图对本发明实施例提供的技术方案进行描述。
图1是本发明实施例提供的一种用于勃姆石生产的晶体杂质检测方法的流程示意图，如图1所示，用于勃姆石生产的晶体杂质检测方法可以包括：
S101：采集包括目标晶体图像的原始图像；
S102：通过预设的Canny算子识别原始图像中的边缘信息，得到非边缘点；
S103：基于以非边缘点为中心的多个邻域像素点与以非边缘点作为的中心像素点，确定多个邻域像素点与中心像素点的晶体像素分布相似度、邻域晶体像素梯度变化程度以及窗口信息熵比；
S104：基于多个邻域像素点与中心像素点的晶体像素分布相似度、邻域晶体像素梯度变化程度以及窗口信息熵比，得到多个邻域像素点与中心像素点的生长匹配度；
S105：基于多个邻域像素点与中心像素点的生长匹配度进行生长，将原始图像划分为多个区域；
S106：根据预设的模版匹配算法对划分后的区域与预设的模板图像进行匹配，基于对应区域的匹配程度确定杂质晶体。
需要说明的是，在一些实施例中，S101中，还可以对目标晶体图像的原始图像进行预处理，通过使用工业相机拍摄得到原始勃姆石图像，在图像的获取过程中，常常会由于各种干扰因素产生噪声，进而影响图像质量，导致对图像的分析结果不准确，因此要对图像进行去噪处理，常见的图像去噪方法包括：高斯滤波去噪、双边滤波去噪，为了保留更多的图像信息，本发明利用双边滤波去噪技术对勃姆石图像进行处理，双边滤波去噪为公知技术，具体过程不再赘述。其中，该目标晶体即为包括用于勃姆石生产的晶体。
将去噪后的勃姆石图像转换为灰度图像，至此得到勃姆石灰度图像，如图2所示。
在S102中，所述通过预设的Canny算子识别所述原始图像中的边缘信息，得到非边缘点，包括：
使用预设的Canny算子识别所述原始图像中的边缘细节信息，得到二值图像；
并对二值图像中的非边缘像素点与原始图像中的像素点一一对应并标记，得到非边缘像素点。
具体地，可以使用Canny算子识别勃姆石灰度图像中的边缘细节信息，得到二值图像，将二值图像中的非边缘像素点与勃姆石灰度图像中的像素点一一对应并标记，例如，二值图像中第3行第2列的像素点为非边缘像素点，则将勃姆石灰度图像中第3行第2列的像素点标记为非边缘像素点，便于后续步骤中确定初始种子点。
在S103中，确定多个邻域像素点与中心像素点的晶体像素分布相似度，可以包括：
基于以中心像素点为中心的窗口内像素点的灰度值，计算得到该窗口内像素点灰度值出现的概率；
将各灰度值及其出现的概率作为一个灰度分布特征描述子；
将窗口内的各灰度分布特征描述子按照灰度值从下到大进行排序，将排序后的各灰度分布特征描述子依次放入矩阵中，得到直方图描述子；
将至少两个像素点的直方图描述子中的灰度值使用Z-score方法进行归一化处理，得到归一化的直方图描述子；
基于预设的DTW算法，确定至少两个归一化的直方图描述子中灰度值的最短路径，得到至少两个归一化的直方图描述子中各灰度分布特征描述子的匹配结果；
基于至少两个归一化的直方图描述子中各灰度分布特征描述子的匹配结果，计算对应的像素点与其中心像素点的晶体像素分布相似度。
在一些实施例中，S103中所述基于至少两个归一化的直方图描述子中各灰度分布特征描述子的匹配结果，计算对应的像素点与其中心像素点的晶体像素分布相似度，满足公式：
其中表示匹配路径中第个点的匹配结果中，像素点归一化直
方图描述子中的灰度值，表示匹配路径中第个点的匹配结果中，像素点的直方图描述子中归一化灰度值出现的概率；表示晶体像素分布相似度协调系
数，将晶体像素分布相似度的取值范围限制为。
具体地，在S103计算晶体像素分布相似度的过程中，记勃姆石灰度图像中非边缘
像素点为，表示勃姆石灰度图像中第行第列的像素点，像素点8邻域内第i
个像素点记为。首先计算像素点、的直方图描述子，具体计算过程如
下，以计算像素点的直方图描述子为例：
根据以像素点为中心的窗口内像素点的灰度值，计算得到该窗口内
像素点灰度值出现的概率，其中的大小通常取经验值7，将各灰度值及其出现的概率作为
一个灰度分布特征描述子，记为，其中表示像素点的灰度值，表示像素点的灰度值在该窗口内出现的概率，据此可以计
算窗口内像素点灰度值的灰度分布特征描述子，由于存在窗口内两个或多个像素点的灰度
值相同的情况，故窗口内像素点的灰度分布特征描述子的数量小于等于窗口内像素点
的数量。将窗口内的各灰度分布特征描述子按照灰度值从小到大进行排序，将排序后的各
灰度分布特征描述子依次放入矩阵中，得到一个维度为的矩阵，矩阵中的每一行
表示一个灰度分布特征描述子，矩阵中的第一列表示各灰度分布特征描述子的灰度值，矩
阵中的第二列表示各灰度分布特征描述子灰度值出现的概率，该矩阵即为像素点直
方图描述子。按照上述步骤可以得到像素点的直方图描述子。
将像素点、的直方图描述子中的灰度值使用Z-score方法进行归一
化处理，得到归一化的直方图描述子如图3所示，其中Z-score方法为公知技术，本发明不再
赘述。由于像素点、的直方图描述子的维度可能不同，故本发明使用DTW算法
找到两个直方图描述子中灰度值的最短路径，即得到两个直方图描述子中各灰度分布特征
描述子的匹配结果。
通过上述步骤得到的匹配结果，可以计算像素点与其中心像素点的
晶体像素分布相似度，其计算公式如下：
其中表示匹配路径中第个点的匹配结果中，像素点归一化直
方图描述子中的灰度值，表示匹配路径中第个点的匹配结果中，像素点的直方图描述子中该归一化灰度值出现的概率。表示晶体像素分布相似度协调
系数，通常取经验值1，用于防止分母为零，且将晶体像素分布相似度的取值范围限制为。指标值越大，表明中心像素点与其8邻域内第i个像素点的窗
口内像素的灰度值分布越接近，即像素点与像素点的差异性越小；指标值越
大，表明中心像素点与其8邻域内第i个像素点的窗口内像素的灰度
值分布差异越大，即像素点与像素点的差异性越大。
至此可以得到8邻域像素点与其中心像素点的晶体像素分布相似
度。
在S103中，确定多个邻域像素点与中心像素点的邻域晶体像素梯度变化程度，包括：
基于邻域像素点与中心像素点之间的灰度值之差，与预设的梯度阈值计算像素点与中心像素点的邻域晶体像素梯度变化程度。
具体地，记像素点与其中心像素点的梯度为，即两个像素点之间
的灰度值之差，记梯度阈值为，则当梯度大于等于阈值，视为两个像素点有一定差
异，当梯度小于阈值，则视为两个像素点差异性较小，根据梯度与阈值的关系计算像素点与其中心像素点的邻域晶体像素梯度变化程度，梯度阈值
通常取经验值6，计算公式如下：
邻域晶体像素梯度变化程度值越大，表明像素点与其中心像素点的
梯度变化越小，即像素点与其中心像素点越可能属于同一区域；邻域晶体像
素梯度变化程度值越小，表明像素点与其中心像素点的梯度变化越大，即像
素点与其中心像素点越可能属于不同区域。
至此，得到8邻域像素点与其中心像素点的邻域晶体像素梯度变化
程度。
在S103中，确定多个邻域像素点与中心像素点的窗口信息熵比，包括：
以邻域像素点为中心，窗口大小为m×m, 将该窗口作为邻域像素点的近邻域，并确定对应的近邻域的信息熵为E1；
以中心像素点为中心，窗口大小为m×m, 将该窗口作为邻域像素点的近邻域，并确定对应的近邻域的信息熵为E2；
基于E1与加窗口信息熵比协调系数之和，E2与窗口信息熵比协调系数之和以及信息熵最大值确定多个邻域像素点与中心像素点的窗口信息熵比。
在一些实施例中，所述基于E1与加窗口信息熵比协调系数之和，E2与窗口信息熵比协调系数之和以及信息熵最大值确定多个邻域像素点与中心像素点的窗口信息熵比，满足公式：
其中表示窗口信息熵比协调系数，用于防止分母为零，且将窗口信息熵比的
范围限制到，通常取经验值3.56，表示信息熵的最大值，由于像素点
与像素点的近邻域大小相同，故信息熵最大值均为。
具体地，在计算窗口信息熵比的过程中，可以以8邻域像素点为中心、窗口
大小为，将该窗口记为像素点的近邻域，记该近邻域内的信息熵为，以中
心像素点为中心、窗口大小为，将该窗口记为中心像素点的近邻域，记
该近邻域内的信息熵为，据此可以计算8邻域像素点窗口与中心像素点窗
口的窗口信息熵比，计算公式如下：
其中表示窗口信息熵比协调系数，用于防止分母为零，且将窗口信息熵比的
范围限制到，通常取经验值3.56，表示信息熵的最大值，由于像素点
与像素点的近邻域大小相同，故信息熵最大值均为。窗口信息熵比越大，表
明像素点近邻域灰度值的混乱程度比中心像素点近邻域灰度值的混乱程度
越小；窗口信息熵比越小，表明像素点近邻域灰度值的混乱程度比中心像素点近邻域灰度值的混乱程度越大。
至此，得到像素点与其中心像素点的窗口信息熵比。
在S104中，基于多个邻域像素点与中心像素点的晶体像素分布相似度、邻域晶体像素梯度变化程度以及窗口信息熵比，得到多个邻域像素点与中心像素点的生长匹配度，满足公式：
其中表示像素点与中心像素点的晶体像素分布相似度，表示像素点与中心像素点的邻域晶体像素梯度变化程度，表示像素点与中心像素点的窗口信息熵比，、、分别表
示像素点与中心像素点晶体像素分布相似度、邻域晶体像素梯度变化程度、
窗口信息熵比的权重，通常取经验值0.4、0.3、0.3。晶体像素分布相似度与窗口信息熵比相
结合，能够反映分别以像素点与像素点为中心、窗口内像素点的相似
程度，邻域晶体像素梯度变化程度能够反映像素点与像素点的相似程度。晶
体像素分布相似度、邻域晶体像素梯度变化程度与窗口信息熵比综合计算得到生长匹配
度，能够反映像素点与像素点自身及周围分布的相似程度，匹配结果更准确。
至此，得到像素点与其中心像素点的生长匹配度。
进行区域生长并识别晶体区域。在勃姆石灰度图像中，按照从左到右、从上到下的
顺序选取未被划分区域的非边缘像素点作为初始种子点，记生长匹配度阈值为，
计算以初始种子点为中心8邻域内第i个像素点与中心像素点的生长匹配度，若8邻域内第i个像素点与初始种子点的生长匹配度小于阈值,则该像素点不进行生长，若8邻域内某像素点与初始种子点的生长匹配度大于等于阈值，则将该像素点进行生长，即该像素点被划
分为初始种子点所在的区域，生长匹配度阈值通常取经验值0.66。
重复上述过程，可以将勃姆石灰度图像分割为若干区域，这些区域中可能包含黑
色背景部分，需要对其进行筛选，通过计算区域内的灰度均值，设定阈值，若某区域的
灰度均值小于阈值，则视为黑色背景区域，若某区域的灰度均值大于等于阈值，则视为晶体
部分，阈值的大小通常取经验值20。
至此，得到晶体部分区域。
之后使用模板匹配算法对晶体区域进行匹配，得到各晶体区域的匹配程度，进而对杂质晶体进行检测。
通过上述步骤得到的晶体部分区域，对各晶体区域使用NCC归一化互相关匹配算
法与模板图像进行匹配，得到各区域晶体与模板的相似程度，并将相似程度小于阈值的晶体区域标记为杂质晶体，阈值的大小通常取经验值0.8。
至此，完成对勃姆石灰度图像中杂质晶体的检测。
本发明实施例提供的用于勃姆石生产的晶体杂质检测方法，通过分析非边缘像素点与其邻域像素点的灰度值分布差异情况，构建晶体像素分布相似度指标，检测分别以两个像素点为中心的窗口内像素点的分布规律是否相同，构建邻域晶体像素梯度变化程度指标，检测两个像素点梯度大小关系，构建窗口信息熵比指标，检测分别以两个像素点为中心的窗口内像素点的分布混乱程度是否相同，并基于此构建生长匹配度，使其对灰度值变化的敏感程度更高，进而确定生长规则。当邻域像素点与非边缘像素点存在一定差异时，生长匹配度将发生较大变化，更精准地选择邻域像素点进行生长，避免灰度值发生较小变化时，区域生长错误的问题，进而实现准确检测杂质晶体。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路（Application SpecificIntegrated Circuit，ASIC）、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、只读存储器（Read-OnlyMemory，ROM）、闪存、可消除的只读存储器（ErasableRead Only Memory，EROM）、软盘、只读光盘（Compact Disc Read-Only Memory，CD-ROM）、光盘、硬盘、光纤介质、射频（RadioFrequency ，RF）链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种用于勃姆石生产的晶体杂质检测方法，其特征在于，所述方法包括：
采集包括目标晶体图像的原始图像；
通过预设的Canny算子识别所述原始图像中的边缘信息，得到非边缘点；
基于以所述非边缘点为中心的多个邻域像素点与以非边缘点作为的中心像素点，确定多个邻域像素点与中心像素点的晶体像素分布相似度、邻域晶体像素梯度变化程度以及窗口信息熵比；
基于多个邻域像素点与中心像素点的晶体像素分布相似度、邻域晶体像素梯度变化程度以及窗口信息熵比，得到多个邻域像素点与中心像素点的生长匹配度；
基于多个邻域像素点与中心像素点的生长匹配度进行生长，将所述原始图像划分为多个区域；
根据预设的模版匹配算法对划分后的区域与预设的模板图像进行匹配，基于对应区域的匹配程度确定杂质晶体；
确定多个邻域像素点与中心像素点的晶体像素分布相似度，包括：
基于以中心像素点为中心的窗口内像素点的灰度值，计算得到该窗口内像素点灰度值出现的概率；
将各灰度值及其出现的概率作为一个灰度分布特征描述子；
将窗口内的各灰度分布特征描述子按照灰度值从下到大进行排序，将排序后的各灰度分布特征描述子依次放入矩阵中，得到直方图描述子；
将至少两个像素点的直方图描述子中的灰度值使用Z-score方法进行归一化处理，得到归一化的直方图描述子；
基于预设的DTW算法，确定至少两个归一化的直方图描述子中灰度值的最短路径，得到至少两个归一化的直方图描述子中各灰度分布特征描述子的匹配结果；
基于至少两个归一化的直方图描述子中各灰度分布特征描述子的匹配结果，计算对应的像素点与其中心像素点的晶体像素分布相似度；
所述基于至少两个归一化的直方图描述子中各灰度分布特征描述子的匹配结果，计算对应的像素点与其中心像素点的晶体像素分布相似度，满足公式：
其中表示匹配路径中第/>个点的匹配结果中，像素点/>归一化直方图描述子中的灰度值，/>表示匹配路径中第/>个点的匹配结果中，像素点/>的直方图描述子中归一化灰度值出现的概率；/>表示晶体像素分布相似度协调系数，将晶体像素分布相似度的取值范围限制为/>；
确定多个邻域像素点与中心像素点的邻域晶体像素梯度变化程度，包括：
基于邻域像素点与中心像素点之间的灰度值之差，与预设的梯度阈值计算像素点与中心像素点的邻域晶体像素梯度变化程度；
所述基于邻域像素点与中心像素点之间的灰度值之差，与预设的梯度阈值计算像素点与中心像素点的邻域晶体像素梯度变化程度，满足公式：
其中，为邻域晶体像素梯度变化程度，/>为邻域像素点，/>为梯度阈值，/>为临域像素点/>与其中心像素点/>的梯度；
确定多个邻域像素点与中心像素点的窗口信息熵比，包括：
以邻域像素点为中心，窗口大小为m×m, 将该窗口作为邻域像素点的近邻域，并确定对应的近邻域的信息熵为E1；
以中心像素点为中心，窗口大小为m×m, 将该窗口作为邻域像素点的近邻域，并确定对应的近邻域的信息熵为E2；
基于E1与加窗口信息熵比协调系数之和，E2与窗口信息熵比协调系数之和以及信息熵最大值确定多个邻域像素点与中心像素点的窗口信息熵比；
所述基于E1与加窗口信息熵比协调系数之和，E2与窗口信息熵比协调系数之和以及信息熵最大值确定多个邻域像素点与中心像素点的窗口信息熵比，满足公式：
其中表示窗口信息熵比协调系数，用于防止分母为零，且将窗口信息熵比的范围限制到/>，/>表示信息熵的最大值，由于像素点/>与像素点/>的近邻域大小相同，故信息熵最大值均为/>。
2.根据权利要求1所述的用于勃姆石生产的晶体杂质检测方法，其特征在于，所述通过预设的Canny算子识别所述原始图像中的边缘信息，得到非边缘点，包括：
使用预设的Canny算子识别所述原始图像中的边缘细节信息，得到二值图像；
并对二值图像中的非边缘像素点与原始图像中的像素点一一对应并标记，得到非边缘像素点。
3.根据权利要求1所述的用于勃姆石生产的晶体杂质检测方法，其特征在于，所述基于多个邻域像素点与中心像素点的晶体像素分布相似度、邻域晶体像素梯度变化程度以及窗口信息熵比，得到多个邻域像素点与中心像素点的生长匹配度，满足公式：
其中表示像素点/>与中心像素点/>的晶体像素分布相似度，表示像素点/>与中心像素点/>的邻域晶体像素梯度变化程度，表示像素点/>与中心像素点/>的窗口信息熵比，/>、/>、/>分别表示像素点/>与中心像素点/>晶体像素分布相似度、邻域晶体像素梯度变化程度、窗口信息熵比的权重。
4.根据权利要求1所述的用于勃姆石生产的晶体杂质检测方法，其特征在于，所述根据预设的模版匹配算法对划分后的区域进行匹配，基于对应区域的匹配程度确定杂质晶体，包括：
对划分后的区域使用预设的NCC归一化互相关匹配算法与预设的模板图像进行匹配，得到各区域晶体与模板图像的相似程度，并将相似程度小于阈值/>的晶体区域标记为杂质晶体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310659693.4A CN116385446B (zh) | 2023-06-06 | 2023-06-06 | 一种用于勃姆石生产的晶体杂质检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310659693.4A CN116385446B (zh) | 2023-06-06 | 2023-06-06 | 一种用于勃姆石生产的晶体杂质检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116385446A CN116385446A (zh) | 2023-07-04 |
| CN116385446B true CN116385446B (zh) | 2023-08-15 |
Family
ID=86979153
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310659693.4A Active CN116385446B (zh) | 2023-06-06 | 2023-06-06 | 一种用于勃姆石生产的晶体杂质检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116385446B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117237747B (zh) * | 2023-11-14 | 2024-01-26 | 深圳市明鸿五金制品有限公司 | 基于人工智能的五金件缺陷分类识别方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416789A (zh) * | 2018-06-04 | 2018-08-17 | 武汉斑马快跑科技有限公司 | 图像边缘检测方法及系统 |
| CN109146816A (zh) * | 2018-08-22 | 2019-01-04 | 浙江大华技术股份有限公司 | 一种图像滤波方法、装置、电子设备和存储介质 |
| CN109416749A (zh) * | 2017-11-30 | 2019-03-01 | 深圳配天智能技术研究院有限公司 | 一种图像的灰阶分类方法、装置以及可读存储介质 |
| CN109857254A (zh) * | 2019-01-31 | 2019-06-07 | 京东方科技集团股份有限公司 | 瞳孔定位方法和装置、vr/ar设备以及计算机可读介质 |
| CN111931794A (zh) * | 2020-09-16 | 2020-11-13 | 中山大学深圳研究院 | 一种基于草图的图像匹配方法 |
| CN112164086A (zh) * | 2020-10-12 | 2021-01-01 | 华雁智能科技(集团)股份有限公司 | 一种精细化的图像边缘信息确定方法、系统及电子设备 |
| CN112365494A (zh) * | 2020-11-30 | 2021-02-12 | 北京理工大学 | 一种基于深度学习预测边缘的矿石物料图像分割方法 |
| CN115797300A (zh) * | 2022-12-06 | 2023-03-14 | 珠海市睿晶聚源科技有限公司 | 一种基于自适应梯度阈值canny算子的边缘检测方法及其装置 |
| CN116030280A (zh) * | 2023-02-22 | 2023-04-28 | 青岛创新奇智科技集团股份有限公司 | 一种模板匹配方法、装置、存储介质及设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111951290B (zh) * | 2019-05-16 | 2023-11-03 | 杭州睿琪软件有限公司 | 一种图像中物体的边缘检测方法及装置 |
| US10984504B2 (en) * | 2019-06-26 | 2021-04-20 | Intel Corporation | Advanced demosaicing with angle compensation and defective pixel correction |
-
2023
- 2023-06-06 CN CN202310659693.4A patent/CN116385446B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109416749A (zh) * | 2017-11-30 | 2019-03-01 | 深圳配天智能技术研究院有限公司 | 一种图像的灰阶分类方法、装置以及可读存储介质 |
| CN108416789A (zh) * | 2018-06-04 | 2018-08-17 | 武汉斑马快跑科技有限公司 | 图像边缘检测方法及系统 |
| CN109146816A (zh) * | 2018-08-22 | 2019-01-04 | 浙江大华技术股份有限公司 | 一种图像滤波方法、装置、电子设备和存储介质 |
| CN109857254A (zh) * | 2019-01-31 | 2019-06-07 | 京东方科技集团股份有限公司 | 瞳孔定位方法和装置、vr/ar设备以及计算机可读介质 |
| CN111931794A (zh) * | 2020-09-16 | 2020-11-13 | 中山大学深圳研究院 | 一种基于草图的图像匹配方法 |
| CN112164086A (zh) * | 2020-10-12 | 2021-01-01 | 华雁智能科技(集团)股份有限公司 | 一种精细化的图像边缘信息确定方法、系统及电子设备 |
| CN112365494A (zh) * | 2020-11-30 | 2021-02-12 | 北京理工大学 | 一种基于深度学习预测边缘的矿石物料图像分割方法 |
| CN115797300A (zh) * | 2022-12-06 | 2023-03-14 | 珠海市睿晶聚源科技有限公司 | 一种基于自适应梯度阈值canny算子的边缘检测方法及其装置 |
| CN116030280A (zh) * | 2023-02-22 | 2023-04-28 | 青岛创新奇智科技集团股份有限公司 | 一种模板匹配方法、装置、存储介质及设备 |
Non-Patent Citations (1)
| Title |
|---|
| Cold-container_crystal_growth_of_last-to-freeze_silicon_samples_and_enhanced_detection_of_metallic_impurities_by_ICP-MS;T.F.Ciszek;《2014 IEEE 40th Photovoltaic Specialist Conference（PVSC）》;第2969-2973页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116385446A (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
| CN115861135B (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
| CN110443128B (zh) | 一种基于surf特征点精确匹配的指静脉识别方法 | |
| CN113362306B (zh) | 一种基于深度学习的封装芯片缺陷检测方法 | |
| CN106780522B (zh) | 一种基于深度学习的骨髓液细胞分割方法 | |
| CN116385446B (zh) | 一种用于勃姆石生产的晶体杂质检测方法 | |
| CN117611583B (zh) | 基于人工智能的铝复合板缺陷检测方法及系统 | |
| CN116777907A (zh) | 一种钣金件质量检测方法 | |
| CN111369526B (zh) | 基于半监督深度学习的多类型旧桥裂痕识别方法 | |
| 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 | |
| CN114972339B (zh) | 用于推土机结构件生产异常检测的数据增强系统 | |
| CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
| CN113781515A (zh) | 细胞图像分割方法、装置和计算机可读存储介质 | |
| CN114677525B (zh) | 一种基于二值图像处理的边缘检测方法 | |
| CN117974633B (zh) | 基于图像处理的番茄病虫害智能检测方法 | |
| CN117853722A (zh) | 一种融合超像素信息的钢材金相组织分割方法 | |
| CN117705815B (zh) | 一种基于机器视觉的印刷缺陷检测方法 | |
| CN112836726B (zh) | 一种基于视频信息的指针类仪表示数读取方法及装置 | |
| CN116579985A (zh) | 一种基于RefineDet模型的晶圆缺陷检测方法 | |
| CN115689929A (zh) | 基于畸变补偿和自适应均值模糊的孔径测量方法及装置 | |
| CN109389134B (zh) | 一种肉制品加工生产线监控信息系统的图像处理方法 | |
| CN118506110B (zh) | 一种基于深度学习模型的作物识别和分类方法 | |
| CN115115664B (zh) | 计量器具信息采集系统 | |
| CN118396885B (zh) | 用于地热资源探测数据的智能分析方法 | |
| CN112541913B (zh) | 一种基于列率谱分析且噪声鲁棒的图像局部模糊检测与提取方法 |
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 |