CN116385448B - 基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法 - Google Patents
基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法 Download PDFInfo
- Publication number
- CN116385448B CN116385448B CN202310664978.7A CN202310664978A CN116385448B CN 116385448 B CN116385448 B CN 116385448B CN 202310664978 A CN202310664978 A CN 202310664978A CN 116385448 B CN116385448 B CN 116385448B
- Authority
- CN
- China
- Prior art keywords
- pixel
- range
- points
- point
- 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
- PNEYBMLMFCGWSK-UHFFFAOYSA-N Alumina Chemical compound [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 title claims abstract description 39
- 230000007547 defect Effects 0.000 title claims abstract description 29
- 238000003754 machining Methods 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 title abstract description 16
- 238000005286 illumination Methods 0.000 claims abstract description 139
- 238000000034 method Methods 0.000 claims abstract description 93
- 238000009826 distribution Methods 0.000 claims abstract description 88
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 9
- 229910052574 oxide ceramic Inorganic materials 0.000 claims description 6
- 239000011224 oxide ceramic Substances 0.000 claims description 6
- TWNQGVIAIRXVLR-UHFFFAOYSA-N oxo(oxoalumanyloxy)alumane Chemical compound O=[Al]O[Al]=O TWNQGVIAIRXVLR-UHFFFAOYSA-N 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 8
- 238000006243 chemical reaction Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 5
- 238000003708 edge detection Methods 0.000 description 15
- 239000000919 ceramic Substances 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910010293 ceramic material Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000748 compression moulding Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000000605 extraction Methods 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
- 239000005445 natural material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000005245 sintering 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
- G06T7/13—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/30—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)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法,包括:首先根据图像中像素点的灰度分布特征来量化不同区域的光照影响程度,根据不同区域的光照影响程度的变化趋势,来获取图像中不同方向的光照渐变性分布,并在确定像素点的局部范围大小之后,在每个像素点的局部范围内获取像素点的第一分布因子和第二分布因子来构建坐标系进行坐标转换,通过坐标系中所有像素点的分布来获取每个像素点的最终拟合权重值。本发明避免了使用亚像素边缘检测氧化铝陶瓷亮斑区域受光照不均匀影响检测结果,使得获取的氧化铝陶瓷表面的亮斑缺陷的边缘更加精细化,使得后续在构建缺陷分类网络中更加准确,提高缺陷检测效果。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法。
背景技术
氧化铝陶瓷是一种常用的高性能的陶瓷材料,具有很好的绝缘性、耐磨性、耐腐蚀性等特点,由于氧化铝是一种天然材料,且陶瓷制品不含有任何有害物质,因此氧化铝陶瓷被广泛应用于机械、电子、化工等领域。氧化铝陶瓷在生产过程中会经历很多生产工序,例如模压成型、烘干、烧结等,而在这些过程中物料会与设备、工具、环境等直接接触,会出现污染氧化铝陶瓷表面产生质量问题,其中在氧化铝陶瓷烧成后表面经常会出现亮斑等斑块问题是很容易出现的氧化铝陶瓷表面缺陷,精确的得到氧化铝陶瓷表面亮斑,判断其是否符合产品标准,可以避免不必要的损失,并为后续的产品加工和使用提供保障。
为了获取氧化铝陶瓷表面亮斑的边缘,现在传统的方法为通过机器视觉方法来采集氧化铝陶瓷表面图像,并进行边缘检测处理获取边缘信息,然而由于相机的分辨率的影响以及亮斑区域的不规则性,会使得亮斑区域的边缘信息在成像过程中丢失,使得获取的边缘信息不准确。亚像素边缘检测是提高边缘检测精度的方法,其中通过插值法是常见的亚像素边缘检测的方法,通过进行插值来增加边缘信息,以实现亚像素边缘检测。然而传统的插值方法是通过传统的像素级边缘检测算法检测区域的初始边缘,并根据初始边缘的梯度信息来进行插值拟合,然而由于图像中噪声点的影响以及光照因素的影响,会使得插值拟合得到的亚像素边缘信息不准确。
发明内容
本发明提供基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法,以解决现有的问题。
本发明的基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法采用如下技术方案:
本发明一个实施例提供了基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法,该方法包括以下步骤:
获取氧化铝陶瓷表面图像的灰度图像;
获取灰度图像上的待定点的归类程度;根据灰度图像中像素点的灰度值和归类程度获取不同光照影响程度范围的光照影响程度;
根据光照影响程度范围的光照影响程度得到各个方向上像素点的光照影响程度的分布曲线;获取每个方向角度下每个像素点记为目标像素点;获取每个方向角度下每个像素点的波动特征;根据每个方向角度下每个像素点的波动特征得到每个方向角度下每个像素点的初始局部范围;根据每个方向角度下每个像素点的初始局部范围得到目标像素点的最终局部范围;
根据目标像素点的最终局部范围获取像素点的第一分布因和第二分布因子;
根据所有像素点的第一分布因子、第二分布进行局部离群因子检测,进而获取每个像素点的拟合权重值,根据拟合权重值进行亚像素边缘检测获得缺陷区域。
优选的,所述获取灰度图像上的待定点的归类程度,包括的具体方法如下:
对灰度图进行聚类获得若干待定点和同一个光照影响程度的点,第个待定点的
归类程度的计算表达式为:
式中,表示待定点方向角度的数量;表示第个方向角度下的第个待定
点与此方向下的同一个光照影响程度的点的灰度差值的绝对值的平均值;表示第
个方向角度下的第个待定点与此方向下的同一个光照影响程度的点的灰度差值的绝对值
的平均值;表示第个方向角度下的同一个光照影响程度的点之间的欧式距离的平均
值;表示以自然常数为底数的指数函数;
所述待定点方向角度是指以待定点为起点的射线的方向角度。
优选的,所述待定点和同一个光照影响程度的点的获取方法如下:
获取图像中的灰度直方图对其进行聚类处理,将对每一类中纵坐标最大的点对应的像素点集中任意一个像素点为起始点在图像中进行区域扩张,在该点的邻域中进行灰度差值的绝对值计算与预设阈值进行比较,若大于等于预设阈值,则记该像素点为同一光照影响程度下的点,若小于阈值,则记该像素点为待定点,进而获得若干待定点和同一个光照影响程度的点。
优选的,所述根据灰度图像中像素点的灰度值和归类程度获取不同光照影响程度范围的光照影响程度,包括的具体方法如下:
根据归类程度获取光照影响程度范围,根据光照影响程度范围获取光照影响程度的具体公式为:
式中,表示第个光照影响程度范围的光照影响程度,表示第个光照影响程度
范围内的灰度值的方差;表示所有光照影响程度范围内的灰度值的方差的最大值;表示第个光照影响程度范围内的灰度值均值。
优选的,所述光照影响程度范围的获取方法如下:
预设归类程度阈值,若待定点的归类程度大于归类程度阈值,则将大于归类程度阈值的待定点所对应的所有邻域构成的区域记为同一个光照影响程度范围。
优选的,所述每个方向角度下每个像素点的波动特征的获取方法如下:
在同一光照影响程度范围分析,则过第个像素点第个方向角度下的波动特征的
计算方法为:
式中,表示过第个像素点第个方向角度下的波动特征,表示过第个像素点
第个方向角度下的临近范围的所有像素点的个数;表示在分析过第个像素点第个方
向角度上的光照影响程度的分布曲线中临近范围内第个像素点,与前一个像素点的直线
连线的斜率值;表示在分析过第个像素点第个方向角度上的光照影响程度的分布
曲线中临近范围内每个像素点与前一个像素点的直线连线的斜率值均值;
所述临近范围的获取方法为:预设临近范围大小,在过第个像素点第个方向角
度下,距离第个像素点最近的个像素点构成的范围记为临近范围。
优选的,所述每个方向角度下每个像素点的初始局部范围的获取方法如下:
过第个像素点第个方向角度下的方向初始局部范围的计算方法为:
式中,表示过第个像素点第个方向角度下的初始局部范围的大小,表示过
第个像素点第个方向角度下的像素点所属的光照影响程度范围的光照影响程度,表示
过第个像素点第个方向角度下的波动特征,表示预设的临近范围值;
将四舍五入取整,将过第个像素点第个方向角度下的且距离第个像素点最近
的个像素点构成的范围记为过第个像素点第个方向角度下的方向初始局部范围。
优选的,所述目标像素点的最终局部范围的获取方法如下:
获取过第个像素点第个方向角度的所有方向角度,分别记为、,分别获
取、以及上过第个像素点的初始局部范围集合,再获取初始局部范围集合中的所
有初始局部范围相连组成的区域的最小外接矩形,记为过第个像素点第个方向角度的最
终局部范围,即为目标像素点的最终局部范围。
优选的,所述每个像素点的局部范围内获取像素点的第一分布因子和第二分布因子的获取方法如下:
灰度图像中第个像素点的第一分布因子的计算方法为:
式中,表示灰度图像中第个像素点的最终局部范围内像素点的灰度值均值;
表示灰度图像中第个像素点的所处的同一个光照影响程度范围内像素点的灰度值均值;
灰度图像中第个像素点的第二分布因子的计算方法为:
式中,表示灰度图像中第个像素点的各个方向角度下的灰度分布曲线之间
的两两组合的DTW距离的均值,其中DTW距离通过DTW匹配获取。
优选的,所述每个像素点的拟合权重值的获取方法如下:
将所有像素点转换到以第一分布因子为横坐标、以第二分布因子为纵坐标的二维坐标系,根据转换到二维坐标系后的图像中的所有像素点,对二维坐标系所有像素点进行局部离群因子检测得到每个像素点的局部离群因子值,并作为每个像素点的拟合权重值。
本发明的技术方案的有益效果是:采用亚像素边缘检测来获取氧化铝陶瓷表面亮斑缺陷的精细的边缘,其中首先根据图像中图像像素点的灰度分布特征来量化不同区域的光照影响程度,根据不同区域的光照影响程度的变化趋势,来获取图像中不同方向的光照渐变性分布,并在确定了像素点的局部范围大小之后,在每个像素点的局部范围内获取像素点的第一分布因子,以及第二分布因子来构建坐标系进行坐标转换,通过坐标系中所有像素点的分布来获取每个像素点的最终拟合权重值,避免了传统的亚像素边缘检测方法中由于氧化铝陶瓷在进行亮斑检测过程中,由于亮斑在图像上的为高亮显示,因此会受到光照分布不均匀的影响,并且光照不均匀极大的影响着图像中灰度值的分布特征,同样影响着图像中亚像素边缘检测的结果的缺点,使得获取的氧化铝陶瓷表面的亮斑缺陷的边缘更加精细化,使得后续在构建缺陷分类网络中更加准确,提高缺陷检测效果。
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为本发明基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法的步骤流程图。
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基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法,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基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:通过生产线上布置的相机采集氧化铝陶瓷表面图像并将其灰度化。
本实施例通过在氧化铝陶瓷烧成后,布置图像采集装置来采集氧化铝陶瓷表面图像。其中图像采集装置包括:高分辨率工业CCD相机、固定光源、检测平台、驱动电机、连接支架等。其中将烧成后的氧化铝陶瓷制品放置于检测平台上,通过固定光源打到制品表面来进行采集表面图像。将采集的图像进行灰度化预处理,得到氧化铝陶瓷表面图像的灰度图像。
步骤S002: 根据灰度图像中图像像素点的灰度分布特征获取不同区域的光照影响程度。
由于相机的分辨率的影响以及亮斑区域的不规则性,会使得亮斑区域的边缘信息在成像过程中丢失,使得获取的边缘信息不准确。亚像素边缘检测是提高边缘检测精度的方法,其中通过插值法是常见的亚像素边缘检测的方法,通过进行插值来增加边缘信息,以实现亚像素边缘检测。然而传统的插值方法是通过传统的像素级边缘检测算法检测区域的初始边缘,并根据初始边缘的梯度信息来进行插值拟合,然而由于图像中噪声点的影响以及光照因素的影响,会使得插值拟合得到的亚像素边缘信息不准确。在进行亚像素检测中的插值拟合过程中,由于图像中噪声点的影响以及光照的影响,会使得插值拟合过程中出现错误的结果,损失亚像素边缘的提取精度。其中对于噪声点而言,由于在获取初始边缘的过程中以及根据梯度信息拟合过程中均会产生影响,因此在拟合过程中会使得拟合误差不断的积累;而对于光照的影响,由于氧化铝陶瓷在进行亮斑检测过程中,需要打光检测,由于亮斑在图像上的为高亮显示,因此会受到光照分布不均匀的影响,并且光照不均匀极大的影响着图像中灰度值的分布特征,同样影响着图像中亚像素边缘检测的结果。
由于光照不均匀的影响,会使得采集的氧化铝陶瓷表面陶瓷图像的灰度值分布不均匀,进而在后续获取光照渐变性分布的过程时,出现较大的误差,并且在后续分析时会产出错误的分析结果(由于光照分布不均匀问题造成的),即光照对每个像素点的局部范围的高亮分布特征和纹理分布特征均会产生影响。其中在获取不同区域的光照影响程度时,应该综合考虑为大范围的像素点的分布,即虽然区域中可能存在噪声点以及亮斑区域,但是其受到的光照影响程度是相同的。
(1)具体的,首先获取采集的图像中的灰度直方图,其中灰度直方图可以看作整体的图像的灰度分布趋势,对灰度直方图进行聚类处理(灰度直方图上的数据理解为横坐标为灰度值,纵坐标为灰度值出现的频率的坐标系中的点即可),采用DBSCAN聚类方法,minPts设置为5,半径为3,可根据实施者具体实施情况而定,本实施例不进行具体限定,在每一类中选取纵坐标最大的点对应的所有灰度值,对其求其灰度均值,然后在图像中任意选取该灰度均值对应的像素点集,记为集合S。
(2)以集合S中的任意一个像素点为例,该点为起始点在图像中进行区域扩张,在
该点(作为中心点)的3*3邻域中进行灰度差值的绝对值计算(该点的3*3邻域内的点作为目
标点),若灰度差值的绝对值大于等于阈值,则此目标点与中心点为同一光照影响程度
下的点,若灰度差值的绝对值小于阈值则此目标点作为待定点,待该点的3*3邻域中的
目标点计算完毕后,进行邻域扩张(扩张为以该点为中心的5*5邻域),继续判定同一光照影
响程度下的点以及待定点,继续扩张邻域判断,下一次扩张为以该点为中心的7*7邻域,直
到不存在同一光照影响程度下的点则停止,得到扩张范围区域,且扩张范围区域内包含的
若干待定点(本实施例选取为10)。
(3)根据上述分析得知,为了获取扩张范围内的相同光照影响程度,因为存在部分
待定点为噪声点或者亮斑区域点,但是其又属于同一个光照影响程度下的点,因此需要计
算上述的扩张范围内待定点的归类程度,进而通过计算待定点的多个角度下的灰度分布特
征来进行待定点的归类程度的表征,则其中第个待定点的归类程度的计算表达式为:
式中,表示待定点方向角度的数量;表示第n个方向角度下的第个待定
点与此方向下的同一个光照影响程度的点的灰度差值的绝对值的平均值;表示第
个方向角度下的第个待定点与此方向下的同一个光照影响程度的点的灰度差值的绝对值
的平均值;表示第个方向角度下的同一个光照影响程度的点之间的欧式距离的平均
值;表示以自然常数为底数的指数函数。其中待定点的方向角度为以待定点为中心起
始点,每15°为一个角度方向(图像中横坐标所指方向为0°方向,从0°方向开始)形成一条直
线,该直线上的同一个光照影响程度下的点之间的欧式距离的平均值越大,表明该待定点
各个邻域范围之间的点分布越离散,则对应的该待定点属于同一个光照影响程度下的程度
就越低;其中由于各个方向上的灰度值分布特征不同,因此以不同方向角度下的待定点与
同一个光照影响程度下的点的灰度值差值的绝对值均值为参考权重值,若灰度值差值的绝
对值均值越大,则表明该方向角度下的越体现着待定点对光照影响程度的影响,则对应的
参考权重值就越大。
(4)设置归类程度阈值,获取待定点的过程中是根据像素点的邻域不断扩张得
到的,若待定点的归类程度大于设置的阈值,则表明得到所有大于阈值的待定点所对应的
所有邻域构成的区域记为同一个光照影响程度范围。
至此,对于步骤S002中子步骤(1)中的集合S,根据集合S中的任意一个像素点获得
了一个光照影响程度范围,进而根据集合S中的所有像素点获得了多个光照影响程度范围,
然后对其进行求并集操作,进而得到最终的同一个光照影响程度范围。即步骤S002中子步
骤(1)中的一个类别对应一个集合S,一个集合S对应一个最终的光照影响程度范围,进而多
个类别得到多个最终的光照影响程度范围(本实施例选取为0.68)。
在同一个光照影响程度范围内计算光照影响程度,其中第个光照影响程度范围
的光照影响程度的计算表达式为:
式中,表示第个光照影响程度范围的光照影响程度,表示第个光照影响程度
范围内的灰度值的方差;表示所有光照影响程度范围内的灰度值的方差的最大值;表示第个光照影响程度范围内的灰度值均值。其中若当前光照影响程度范围内的灰度
值均值越大,则表明该范围内为主要受到光照的影响,以其灰度值的方差作为校正因子,其
中若该范围内的灰度值的方差越大,表明光照影响下该范围内的灰度分布波动较大,则对
应的光照影响程度调小一些。
至此,完成根据灰度图像中图像像素点的灰度分布特征获取不同光照影响程度范围的光照影响程度。
步骤S003: 根据不同区域的光照影响程度的变化趋势,获取图像中不同方向的光照渐变性分布,并确定像素点的局部范围大小。
本实施例根据上述步骤计算得到了不同光照影响程度范围的光照影响程度,对其进行线性归一化处理,将任意像素点所属的光照影响程度范围对应的光照影响程度记为该像素点的光照影响程度。
以图像中各个方向确定光照影响程度的分布,即对应的获取各个方向上像素点的光照影响程度的分布曲线,横坐标为方向上图像中像素点的次序坐标,纵坐标为光照影响程度。每行的光照影响程度的分布曲线表征的为光照信息在图像中的分布,同样,可以得到所有方向上的像素点的光照影响程度分布(同步骤S002中的方向角度相同,其中特别说明以每个方向上的某一像素点为起始点,所以由于0°和180°都是表征的为一条直线,仅是两个方向,在步骤S003的两个角度表征的为同一个光照影响程度的分布曲线进行分析)。
其中以一个方向角度上的光照影响程度的分布曲线进行分析,获取每个像素点的当前方向上的局部范围:其中在确定局部范围的过程中,在确定局部范围的过程中,需要考虑光照影响程度的影响,其中对于光照影响程度较大的区域,基于光照的波动变化在图像中的表征效果较小(类似高亮的区域,区域内灰度值变化后,在图像中仍体现为高亮的),并且同样考虑图像中各个方向角度的影响,通过比较不同方向角度下像素点的变化程度来进行局部范围的量化。
具体的,获取与过第个像素点的第个方向上距离最近的个像素点(包括第个
像素点),这些像素点记为第个像素点的临近范围,本实施例以为例进行叙述,在相
同的光照影响程度下分析即可,因此过第个像素点第个方向角度下的初始局部范围的
计算方法为:
公式(1)中,表示过第个像素点第个方向角度下的波动特征,表示过第个
像素点第个方向角度下的临近范围的所有像素点的个数;表示在分析过第个像素点第个方向角度上的光照影响程度的分布曲线中临近范围内第个像素点,与前一个像素点
的直线连线的斜率值;表示在分析过第个像素点第个方向角度上的光照影响程度
的分布曲线中临近范围内每个像素点与前一个像素点(第一个像素点没有前一个像素点,
就设置为0)的直线连线的斜率值均值。
公式(2)中,表示过第个像素点第个方向角度下的初始局部范围的大小(四舍
五入法取整数),那么的第个像素点的初始局部范围是指:在过第个像素点在第个方向角
度下的最近的个像素低点构成的范围(包括第j个像素点)。
表示过第个像素点第个方向角度下的像素点所属的光照影响程度范围的光
照影响程度,表示过第个像素点第个方向角度下的波动特征,表示设置的临近范围
值,表示防止初始局部范围过小设置的超参数值;需要特别说明的是,需要保证为奇
数,如果上述计算的不是奇数,则将的取值加一,保证为奇数。
初始局部范围的所有像素点位于同一个光照影响程度下,若同一个光照影响程度
越大,则表明该方向角度下图像光照的波动变化在图像中的表征效果较小,则对应的在根
据波动特征来表征像素点的局部范围时,需要进行校正;而对于像素点的波动特征来说,若
过第个像素点第个方向角度下的波动特征越大,则表明局部范围内的像素点的灰度变化
较为频繁,则对应的需要设置较小的局部范围,来保证过第个像素点第个方向角度下的
局部范围内的较为相似。
根据上述步骤获取过第个像素点第个方向角度的所有方向角度,分别记为、,分别获取、以及上过第个像素点的初始局部范围,再获取这些初始局部
范围左边界和右边界组成相连接的区域最小外接矩形,记为过第个像素点第个方向角度
的最终局部范围。
至此,获得了每个像素点的最终局部范围。
步骤S004: 在每个像素点的最终局部范围内获取像素点的第一分布因子,第二分布因子来构建坐标系进行坐标转换。
在光照影响程度相同的范围内量化每个像素点的第一分布因子和第二分布因子时,首先要确定每个像素点的局部范围,其中所述的局部范围内像素点的灰度分布特征应较为相似,例如亮斑区域中的像素点在一定范围内均相较于其他像素点呈现高亮特征,而噪点在一定范围内与其他像素点呈现随机灰度分布特征,因此在分析第一分布因子和第二分布因子之前需要确定局部范围大小。其中由于图像中的光照影响程度的变化具有规律性特征,即从图像中亮的区域到暗的区域,或者从暗的区域到亮的区域均具有规律性特征,因此为了获取每个像素点在亚像素边缘的插值拟合过程的拟合权重时,需要分析每个像素点在对光照渐变性分布过程中的像素点影响程度。
进而通过量化最终局部范围的第一分布因子和第二分布因子。
具体的,其中第一分布因子,通过计算所有方向上每个像素点的最终局部范围内
外的灰度值的差异来量化(位于同一个光照影响程度下的计算),则图像中第个像素点的
第一分布因子的计算方法为:
式中,表示图像中第个像素点的最终局部范围内像素点的灰度值均值;表示
图像中第个像素点所处的最终同一个光照影响程度范围内像素点的灰度值均值。
其中第二分布因子,由于亮斑相较于其他区域其存在凹坑的特征,因此通过计算
所有方向上每个像素点的最终局部范围内像素点的灰度分布变化的规律性特征来表征,其
中灰度分布变化的规律性通过计算所有方向上每个像素点的最终局部范围内不同方向角
度下的灰度值分布曲线的相似性来确定,则图像中第个像素点的第二分布因子的计算
方法为:
式中,表示图像中第个像素点的各个方向角度下的灰度分布曲线之间的两
两组合的DTW距离的均值,其中DTW距离通过DTW匹配获取。
根据获取的图像中所有像素点的第一分布因子和第二分布因子,进行坐标系的转换,其中x坐标为第一分布因子,y坐标为第二分布因子,在转换得到的坐标系中进行进一步分析。
至此,获取所有方向上每个像素点的最终局部范围,并在最终局部范围内进行像素点的第一分布因子和第二分布因子的坐标转换。
步骤S005: 在转换后的坐标系中对每个像素点进行局部离群因子检测,进而得到每个像素点的拟合权重值。
根据上述步骤计算得到转换到二维坐标系后的图像中的像素点,对这些像素点进
行局部离群因子检测得到每个像素点的局部离群因子值,其中设置的第K距离邻域为,
可根据实施者具体实施情况而定,本实施例对于邻域选取不进行具体限定。其中每个像素
点的局部离群因子值即为本实施例中的拟合权重值,其中在进行亚像素边缘检测过程中,
在得到的初始边缘像素点的局部离群因子值即为每个像素点的拟合权重值。 (本实施例选取为5)。
至此,在转换后的坐标系中对每个像素点进行局部离群因子检测,进而得到每个像素点的拟合权重值。
最终完成氧化铝陶瓷表面加工的缺陷检测,具体的,通过对图像进行结合每个像素点的拟合权重值的改进后亚像素边缘检测(亚像素边缘检测为现有方法,因此不加以赘述)获取精细的轮廓边缘,然后根据获取的精细的轮廓边缘进行缺陷检测,获取的精细的轮廓边缘所包围的联通即为图像中氧化铝陶瓷表面亮斑缺陷所在的区域,进而获取区域的形状、位置、大小等参数,采用构建缺陷分类网络的方式进行产品分类,其中采用的分类网络为DNN网络,数据集为采集的氧化铝陶瓷表面图像,采用人工标注的方式,将氧化铝陶瓷表面亮斑区域标注为1,其他区域标注为0,神经网络的损失函数为交叉熵函数。
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.基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法,其特征在于,该方法包括以下步骤:
获取氧化铝陶瓷表面图像的灰度图像;
获取灰度图像上的待定点的归类程度;根据灰度图像中像素点的灰度值和归类程度获取不同光照影响程度范围的光照影响程度;
根据光照影响程度范围的光照影响程度得到各个方向上像素点的光照影响程度的分布曲线;获取每个方向角度下每个像素点记为目标像素点;获取每个方向角度下每个像素点的波动特征;根据每个方向角度下每个像素点的波动特征得到每个方向角度下每个像素点的初始局部范围;根据每个方向角度下每个像素点的初始局部范围得到目标像素点的最终局部范围;
根据目标像素点的最终局部范围获取像素点的第一分布因子和第二分布因子;
根据所有像素点的第一分布因子、第二分布因子进行局部离群因子检测,进而获取每个像素点的拟合权重值,根据拟合权重值进行亚像素边缘检测获得缺陷区域;
所述获取灰度图像上的待定点的归类程度,包括的具体方法如下:
对灰度图进行聚类获得若干待定点和同一个光照影响程度的点,第个待定点的归类程度/>的计算表达式为:
式中,表示待定点方向角度的数量;/>表示第/>个方向角度下的第/>个待定点与此方向下的同一个光照影响程度的点的灰度差值的绝对值的平均值;/>表示第/>个方向角度下的第/>个待定点与此方向下的同一个光照影响程度的点的灰度差值的绝对值的平均值;/>表示第/>个方向角度下的同一个光照影响程度的点之间的欧式距离的平均值;表示以自然常数为底数的指数函数;
所述待定点方向角度是指以待定点为起点的射线的方向角度;
所述根据灰度图像中像素点的灰度值和归类程度获取不同光照影响程度范围的光照影响程度,包括的具体方法如下:
根据归类程度获取光照影响程度范围,根据光照影响程度范围获取光照影响程度的具体公式为:
式中,表示第/>个光照影响程度范围的光照影响程度,/>表示第/>个光照影响程度范围内的灰度值的方差;/>表示所有光照影响程度范围内的灰度值的方差的最大值;/>表示第/>个光照影响程度范围内的灰度值均值;
所述每个像素点的局部范围内获取像素点的第一分布因子和第二分布因子的获取方法如下:
灰度图像中第个像素点的第一分布因子/>的计算方法为:
式中,表示灰度图像中第/>个像素点的最终局部范围内像素点的灰度值均值;/>表示灰度图像中第/>个像素点的所处的同一个光照影响程度范围内像素点的灰度值均值;
灰度图像中第个像素点的第二分布因子/>的计算方法为:
式中,表示灰度图像中第/>个像素点的各个方向角度下的灰度分布曲线之间的两两组合的DTW距离的均值,其中DTW距离通过DTW匹配获取。
2.根据权利要求1所述基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法,其特征在于,所述待定点和同一个光照影响程度的点的获取方法如下:
获取图像中的灰度直方图对其进行聚类处理,将对每一类中纵坐标最大的点对应的像素点集中任意一个像素点为起始点在图像中进行区域扩张,在该点的邻域中进行灰度差值的绝对值计算与预设阈值进行比较,若大于等于预设阈值,则记该像素点为同一光照影响程度下的点,若小于阈值,则记该像素点为待定点,进而获得若干待定点和同一个光照影响程度的点。
3.根据权利要求1所述基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法,其特征在于,所述光照影响程度范围的获取方法如下:
预设归类程度阈值,若待定点的归类程度大于归类程度阈值,则将大于归类程度阈值的待定点所对应的所有邻域构成的区域记为同一个光照影响程度范围。
4.根据权利要求1所述基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法,其特征在于,所述每个方向角度下每个像素点的波动特征的获取方法如下:
在同一光照影响程度范围分析,则过第个像素点第/>个方向角度下的波动特征的计算方法为:
式中,表示过第/>个像素点第/>个方向角度下的波动特征,/>表示过第/>个像素点第/>个方向角度下的临近范围的所有像素点的个数;/>表示在分析过第/>个像素点第/>个方向角度上的光照影响程度的分布曲线中临近范围内第/>个像素点,与前一个像素点的直线连线的斜率值;/>表示在分析过第/>个像素点第/>个方向角度上的光照影响程度的分布曲线中临近范围内每个像素点与前一个像素点的直线连线的斜率值均值;
所述临近范围的获取方法为:预设临近范围大小,在过第/>个像素点第/>个方向角度下,距离第/>个像素点最近的/>个像素点构成的范围记为临近范围。
5.根据权利要求1所述基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法,其特征在于,所述每个方向角度下每个像素点的初始局部范围的获取方法如下:
过第个像素点第/>个方向角度下的方向初始局部范围/>的计算方法为:
式中,表示过第/>个像素点第/>个方向角度下的初始局部范围的大小,/>表示过第/>个像素点第/>个方向角度下的像素点所属的光照影响程度范围的光照影响程度,/>表示过第/>个像素点第/>个方向角度下的波动特征,/>表示预设的临近范围值;
将四舍五入取整,将过第/>个像素点第/>个方向角度下的且距离第/>个像素点最近的/>个像素点构成的范围记为过第/>个像素点第/>个方向角度下的方向初始局部范围。
6.根据权利要求1所述基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法,其特征在于,所述目标像素点的最终局部范围的获取方法如下:
获取过第个像素点第/>个方向角度的所有方向角度,分别记为/>分别获取以及/>上过第/>个像素点的初始局部范围集合,再获取初始局部范围集合中的所有初始局部范围相连组成的区域的最小外接矩形,记为过第/>个像素点第/>个方向角度的最终局部范围,即为目标像素点的最终局部范围。
7.根据权利要求1所述基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法,其特征在于,所述每个像素点的拟合权重值的获取方法如下:
将所有像素点转换到以第一分布因子为横坐标、以第二分布因子为纵坐标的二维坐标系,根据转换到二维坐标系后的图像中的所有像素点,对二维坐标系所有像素点进行局部离群因子检测得到每个像素点的局部离群因子值,并作为每个像素点的拟合权重值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310664978.7A CN116385448B (zh) | 2023-06-07 | 2023-06-07 | 基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310664978.7A CN116385448B (zh) | 2023-06-07 | 2023-06-07 | 基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116385448A CN116385448A (zh) | 2023-07-04 |
CN116385448B true CN116385448B (zh) | 2023-08-25 |
Family
ID=86975492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310664978.7A Active CN116385448B (zh) | 2023-06-07 | 2023-06-07 | 基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385448B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116645363B (zh) * | 2023-07-17 | 2023-10-13 | 山东富鹏生物科技有限公司 | 一种基于视觉的淀粉生产质量实时检测方法 |
CN116612123B (zh) * | 2023-07-21 | 2023-10-13 | 山东金胜粮油食品有限公司 | 一种花生油加工质量视觉检测方法 |
CN116664567B (zh) * | 2023-07-26 | 2023-09-29 | 山东艾迈科思电气有限公司 | 一种固体绝缘开关柜质量评估方法及系统 |
CN116664559B (zh) * | 2023-07-28 | 2023-11-03 | 深圳市金胜电子科技有限公司 | 基于机器视觉的内存条损伤快速检测方法 |
CN116797599B (zh) * | 2023-08-22 | 2023-11-21 | 山东奥晶生物科技有限公司 | 甜菊糖苷质量在线检测方法和主控设备 |
CN116823809B (zh) * | 2023-08-23 | 2023-11-24 | 威海迈尼生物科技有限公司 | 一种微针贴片技术淡斑效果视觉检测方法 |
CN116993723B (zh) * | 2023-09-26 | 2023-12-15 | 山东弘密新材料科技有限公司 | 基于图像处理的壁纸质量检测方法 |
CN117115153B (zh) * | 2023-10-23 | 2024-02-02 | 威海坤科流量仪表股份有限公司 | 基于视觉辅助的印制线路板质量智能检测方法 |
CN117115173B (zh) * | 2023-10-25 | 2024-01-16 | 泰安金冠宏油脂工业有限公司 | 一种基于视觉特征的油料搅拌检测方法 |
CN117197141B (zh) * | 2023-11-07 | 2024-01-26 | 山东远盾网络技术股份有限公司 | 一种汽车零部件表面缺陷检测方法 |
CN117219248B (zh) * | 2023-11-09 | 2024-02-23 | 南通林德安全设备科技有限公司 | 一种用于消毒供应室的医疗器械管理方法 |
CN117237619B (zh) * | 2023-11-16 | 2024-02-02 | 数聚(山东)医疗科技有限公司 | 基于机器视觉技术的水上救援探测系统及方法 |
CN117419650B (zh) * | 2023-12-18 | 2024-02-27 | 湖南西欧新材料有限公司 | 基于视觉分析的氧化铝陶瓷表面釉层厚度测量方法 |
CN117474910B (zh) * | 2023-12-27 | 2024-03-12 | 陕西立拓科源科技有限公司 | 一种用于电机质量的视觉检测方法 |
CN117974657B (zh) * | 2024-03-29 | 2024-06-14 | 浙江高盛输变电设备股份有限公司 | 一种基于计算机视觉的电缆表面缺陷检测方法 |
CN118090808A (zh) * | 2024-04-28 | 2024-05-28 | 陕西润泽博泽科技有限公司 | 基于数据处理的油封热稳定性检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913415A (zh) * | 2016-04-06 | 2016-08-31 | 吴晓军 | 一种具有广泛适应性的图像亚像素边缘提取方法 |
CN112330628A (zh) * | 2020-11-03 | 2021-02-05 | 南通斯迈尔精密设备有限公司 | 一种金属工件表面缺陷图像检测方法 |
CN115082451A (zh) * | 2022-07-26 | 2022-09-20 | 南通剑烽机械有限公司 | 一种基于图像处理的不锈钢汤勺缺陷检测方法 |
CN116205919A (zh) * | 2023-05-05 | 2023-06-02 | 深圳市智宇精密五金塑胶有限公司 | 基于人工智能的五金零件生产质量检测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013160629A (ja) * | 2012-02-06 | 2013-08-19 | Hitachi High-Technologies Corp | 欠陥検査方法、欠陥検査装置、プログラムおよび出力部 |
-
2023
- 2023-06-07 CN CN202310664978.7A patent/CN116385448B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913415A (zh) * | 2016-04-06 | 2016-08-31 | 吴晓军 | 一种具有广泛适应性的图像亚像素边缘提取方法 |
CN112330628A (zh) * | 2020-11-03 | 2021-02-05 | 南通斯迈尔精密设备有限公司 | 一种金属工件表面缺陷图像检测方法 |
CN115082451A (zh) * | 2022-07-26 | 2022-09-20 | 南通剑烽机械有限公司 | 一种基于图像处理的不锈钢汤勺缺陷检测方法 |
CN116205919A (zh) * | 2023-05-05 | 2023-06-02 | 深圳市智宇精密五金塑胶有限公司 | 基于人工智能的五金零件生产质量检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116385448A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116385448B (zh) | 基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法 | |
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN112308832B (zh) | 一种基于机器视觉的轴承质量检测方法 | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
CN117351008A (zh) | 一种智能手机面板表面缺陷检测方法 | |
CN115861291B (zh) | 基于机器视觉的贴片电路板生产缺陷检测方法 | |
CN109612888B (zh) | 基于图像技术的粉体混合均匀性检测方法 | |
CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN116758077B (zh) | 一种冲浪板表面平整度在线检测方法及系统 | |
CN115830015B (zh) | 基于计算机视觉的五金冲压配件质量检测方法 | |
CN115131354B (zh) | 一种基于光学手段的实验室用塑料薄膜缺陷检测方法 | |
CN117011292B (zh) | 一种复合板表面质量快速检测方法 | |
CN110544235B (zh) | 一种基于微分几何的柔性电路板图像区域识别方法 | |
CN116542972B (zh) | 基于人工智能的墙板表面缺陷快速检测方法 | |
CN116703898B (zh) | 一种精密机械轴承端面的质量检测方法 | |
CN115331119B (zh) | 一种固体废弃物识别方法 | |
CN116703251B (zh) | 基于人工智能的胶圈生产质量检测方法 | |
CN116958125B (zh) | 基于图像处理的电竞主机电源元件缺陷视觉检测方法 | |
CN117252874B (zh) | 一种塑胶模具生产质量视觉检测方法 | |
CN117173160B (zh) | 基于图像处理的房车部件质量检测方法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN116823827B (zh) | 一种基于图像处理的矿石粉碎效果评价方法 | |
CN116740053B (zh) | 一种锻造加工智能生产线的管理系统 |
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 |