CN116385450A - 基于图像处理的ps片材抗耐磨性检测方法 - Google Patents
基于图像处理的ps片材抗耐磨性检测方法 Download PDFInfo
- Publication number
- CN116385450A CN116385450A CN202310669145.XA CN202310669145A CN116385450A CN 116385450 A CN116385450 A CN 116385450A CN 202310669145 A CN202310669145 A CN 202310669145A CN 116385450 A CN116385450 A CN 116385450A
- Authority
- CN
- China
- Prior art keywords
- window
- windows
- difference
- value
- abrasion
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 238000005299 abrasion Methods 0.000 claims abstract description 116
- 238000011156 evaluation Methods 0.000 claims abstract description 101
- 238000005498 polishing Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000000739 chaotic effect Effects 0.000 claims description 43
- 238000003708 edge detection Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 3
- 239000004793 Polystyrene Substances 0.000 description 52
- 230000008859 change Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007517 polishing process Methods 0.000 description 1
- 229920002223 polystyrene Polymers 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/02—Details
- G01N3/06—Special adaptations of indicating or recording means
- G01N3/068—Special adaptations of indicating or recording means with optical indicating or recording means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/56—Investigating resistance to wear or abrasion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Control Or Security For Electrophotography (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的PS片材抗耐磨性检测方法,该方法包括:获取PS片材打磨后的磨损灰度图像与其对应的打磨前的原始灰度图像;在磨损灰度图像中,获取不同尺寸的窗口的混乱程度评价,获取不同尺寸的窗口的模糊程度评价;获取不同尺寸的窗口的粗糙程度评价,获取不同尺寸的窗口的惩罚因子;进而得到不同尺寸的窗口的评价指标,根据评价指标对不同尺寸的窗口进行筛选得到优选尺寸窗口;根据优选尺寸窗口利用HOG算法分别对磨损灰度图像和原始灰度图像进行处理,根据处理结果之间的差异获得PS片材的磨损程度。本发明能够获得PS片材的磨损程度更加准确的检测结果。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的PS片材抗耐磨性检测方法。
背景技术
PS片材即聚苯乙烯片材具有好的耐磨性并实现高效率利用,可以减少能源浪费和损失。因此,对PS片材进行抗耐磨性检测就显得尤为重要。目前在PS片材应用场景中对PS片材的耐磨性能要求较高,故需要在PS片材制作完成后对其进行抗耐磨性检测。在通过耐磨试验对PS片材进行抗耐磨性检测时,对比摩擦前后PS片材表面的变化差异,获得PS片材的磨损程度。现有常采用HOG算法来描述PS片材表面的纹理特征,对比摩擦前后PS片材表面纹理特征的变化差异,获得PS片材的磨损程度。但是该方法中HOG算法的窗口的尺寸影响纹理特征描述的准确性,进而导致获取的PS片材的磨损程度的准确性较低。
发明内容
为了解决现有的方法获取PS片材的磨损程度的准确性较低技术问题,本发明的目的在于提供一种基于图像处理的PS片材抗耐磨性检测方法,所采用的技术方案具体如下:
获取PS片材打磨后的磨损灰度图像与其对应的打磨前的原始灰度图像;
在磨损灰度图像中,分别根据不同尺寸的窗口内像素点灰度值的分布情况得到不同尺寸的窗口的混乱程度评价,分别根据不同尺寸的窗口内的边缘信息得到不同尺寸的窗口的模糊程度评价;
在磨损灰度图像中,分别根据不同尺寸的窗口内像素点的梯度信息得到不同尺寸的窗口的粗糙程度评价,分别根据不同尺寸的窗口内像素点的灰度差异的分布情况得到不同尺寸的窗口的惩罚因子;
根据所述混乱程度评价、模糊程度评价、粗糙程度评价和惩罚因子,得到不同尺寸的窗口的评价指标,根据评价指标对不同尺寸的窗口进行筛选得到优选尺寸窗口;根据优选尺寸窗口利用HOG算法分别对磨损灰度图像和原始灰度图像进行处理,根据处理结果之间的差异获得PS片材的磨损程度。
优选地,所述在磨损灰度图像中,分别根据不同尺寸的窗口内像素点灰度值的分布情况得到不同尺寸的窗口的混乱程度评价,具体包括:
对于任意一种尺寸的窗口,将磨损灰度图像中任意一个窗口内的任意一个像素点记为选定像素点,以选定像素点为中心像素点,在设定方向上获取预设数量个像素点的灰度值构成待分析序列,根据待分析序列计算选定像素点对应的排列熵;
根据一个窗口内所有像素点对应的排列熵的均值得到第一混乱系数,获取一个窗口内每两个像素点对应的排列熵之间的差异,将所有差异的均值作为第二混乱系数;根据第一混乱系数和第二混乱系数得到一个窗口对应的混乱系数,所述第一混乱系数、第二混乱系数与窗口对应的混乱系数之间均呈正相关关系;
将磨损灰度图像中所有窗口对应的混乱系数的和值作为该种尺寸的窗口的混乱程度评价。
优选地,所述以选定像素点为中心像素点,在设定方向上获取预设数量个像素点的灰度值构成待分析序列,根据待分析序列计算选定像素点对应的排列熵,具体包括:
以选定像素点为中心像素点,在横向上获取预设数量个像素点的灰度值构成第一待分析序列,在纵向上获取预设数量个像素点的灰度值构成第二待分析序列,所述待分析序列包括第一待分析序列和第二待分析序列;
根据第一待分析序列计算选定像素点的第一排列熵,根据第二待分析序列计算选定像素点的第二排列熵,根据第一排列熵和第二排列熵得到选定像素点对应的排列熵;
所述第一排列熵、第二排列熵与选定像素点对应的排列熵之间呈正相关关系。
优选地,所述获取一个窗口内每两个像素点对应的排列熵之间的差异具体为:
对于一个窗口内任意两个像素点,计算两个像素点对应的第一排列熵之间的差值绝对值,计算两个像素点对应的第二排列熵之间的差值绝对值,两个差值绝对值之间的乘积为两个像素点对应的排列熵之间的差异。
优选地,所述分别根据不同尺寸的窗口内像素点的灰度差异的分布情况得到不同尺寸的窗口的惩罚因子具体为:
对于任意一种尺寸的窗口,在磨损灰度图像中任意一个窗口内,根据像素点之间的灰度值差异对窗口内所有像素点进行聚类,获取每个聚类簇中所有的任意两个像素点之间灰度值的差值绝对值的均值,将均值最小的聚类簇记为选定聚类簇;根据选定聚类簇中像素点的位置拟合圆记为一个窗口对应的拟合圆,获取拟合圆的直径;
将磨损灰度图像中所有窗口对应的拟合圆的直径的均值记为特征直径;当该种尺寸的窗口的边长与特征直径之间的差异小于预设的长度阈值时,该种尺寸的窗口的惩罚因子的取值为第一预设值;
当该种尺寸的窗口的边长与特征直径之间的差异大于或者等于预设的长度阈值时,根据该种尺寸的窗口的边长与特征直径之间的差值绝对值得到该种尺寸的窗口的惩罚因子,边长与特征直径之间的差值绝对值与惩罚因子之间呈正相关关系,第一预设值小于此时的惩罚因子。
优选地,所述分别根据不同尺寸的窗口内的边缘信息得到不同尺寸的窗口的模糊程度评价具体为:
对于任意一种尺寸的窗口,在磨损灰度图像中任意一个窗口内,利用canny算子对窗口进行边缘检测,设置canny算子中低阈值的预设范围;
将预设范围内任意一个低阈值的取值记为选定低阈值,计算选定低阈值与其相邻的低阈值对应的边缘检测结果中,窗口内所有边缘线上像素点的总数量之间的差值绝对值,记为选定低阈值的特征差值;将选定低阈值的特征差值与选定低阈值的乘积作为选定低阈值的特征乘积;
将预设范围内所有低阈值的特征乘积之和作为一个窗口的模糊系数,将磨损灰度图像中所有窗口的模糊系数的和值作为该种尺寸的窗口的模糊程度评价。
优选地,所述分别根据不同尺寸的窗口内像素点的梯度信息得到不同尺寸的窗口的粗糙程度评价具体为:
对于任意一种尺寸的窗口,在磨损灰度图像中任意一个窗口内,将任意一个像素点记为目标像素点,计算目标像素点与其邻域内像素点之间的梯度值的差值绝对值,对所有梯度值的差值绝对值的均值进行归一化得到目标像素点的第一差异系数;计算目标像素点与其邻域内像素点之间的梯度角度的差值绝对值,对所有梯度角度的差值绝对值的均值进行归一化得到目标像素点的第二差异系数;计算目标像素点的第一差异系数和第二差异系数的乘积得到目标像素点的差异系数;
将一个窗口内所有像素点的差异系数的和值作为一个窗口的差异系数,将磨损灰度图像中所有窗口的差异系数的和值作为该种尺寸的窗口的粗糙程度评价。
优选地,所述根据所述混乱程度评价、模糊程度评价、粗糙程度评价和惩罚因子,得到不同尺寸的窗口的评价指标,具体包括:
对于任意一种尺寸的窗口,计算该种尺寸的窗口的混乱程度评价、模糊程度评价和粗糙程度评价的乘积,计算该乘积与惩罚因子的和值,将和值的负相关映射值作为该种尺寸的窗口的评价指标。
优选地,所述根据评价指标对不同尺寸的窗口进行筛选得到优选尺寸窗口具体为:
将评价指标的最大值对应的尺寸的窗口作为优选尺寸窗口。
本发明实施例至少具有如下有益效果:
本发明首先获取PS片材打磨前后的图像,后续通过对比打磨前后图像中纹理特征描述之间的差异获得更加准确的PS片材的磨损程度。然后根据不同尺寸的窗口内像素点灰度值的分布情况得到不同尺寸的窗口的混乱程度评价,从窗口内像素点的灰度分布情况方面反映了磨损灰度图像在窗口内的平滑程度;根据不同尺寸的窗口内的边缘信息得到不同尺寸的窗口的模糊程度评价,从窗口内的边缘信息的变化程度方面反映了窗口内的平滑程度。进一步的,根据不同尺寸的窗口内像素点的梯度信息得到不同尺寸的窗口的粗糙程度评价,从窗口内像素点的梯度信息的差异情况方面反映了的窗口内的平滑程度;根据不同尺寸的窗口内像素点的灰度差异的分布情况得到不同尺寸的窗口的惩罚因子,从窗口内像素点的灰度差异分布情况方面反映了窗口尺寸的合适程度。最后结合多个方面的特征信息,获得利用每种尺寸的窗口进行纹理特征描述的最终效果的评价指标,基于评价指标对窗口的尺寸进行筛选获得最优尺寸窗口,并利用最优尺寸窗口对图像进行HOG纹理特征描述,使得获得的纹理描述更能准确的反映PS片材打磨前后的纹理变化,进而能够获得使PS片材的磨损程度更加准确的检测结果。
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是本发明的一种基于图像处理的PS片材抗耐磨性检测方法的方法流程图。
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图像处理的PS片材抗耐磨性检测方法,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基于图像处理的PS片材抗耐磨性检测方法的具体方案。
实施例
请参阅图1,其示出了本发明一个实施例提供的一种基于图像处理的PS片材抗耐磨性检测方法的方法流程图,该方法包括以下步骤:
步骤一,获取PS片材打磨后的磨损灰度图像与其对应的打磨前的原始灰度图像。
在本实施例中,使用工业相机拍摄PS片材打磨前的表面图像以及打磨后的表面图像,分别对两张表面图像进行去噪处理以及灰度化处理,得到打磨后的表面灰度图像和打磨前的表面灰度图像,其中,采用高斯滤波对表面图像进行去噪处理,采用均值灰度化的方法对表面图像进行灰度化处理,均为公知技术,在此不再过多介绍。
在PS片材的打磨过程中,会破坏PS片材表面纹理信息,故可以通过分析PS片材在打磨前后的表面纹理信息的变化情况,对PS片材的表面进行检测,进而获得PS片材的磨损程度。基于此,需要对PS片材打磨后的表面灰度图像进行预处理,获取图像中的磨损部分。
在本实施例中,采用语义分割获取PS片材打磨后的表面灰度图像中的磨损部分所在区域。其中语义分割网络使用U-net神经网络,神经网络的输入为PS片材打磨后的表面灰度图像,输入为仅包含PS片材磨损区域的图像。通过人工打标签的方式,将磨损区域标记为1,其他区域标记为0,神经网络的损失函数采用交叉熵损失函数。
为了方便后续利用HOG算法获取图像中磨损的纹理特征描述,在本实施例将通过语义分割网络获取的磨损区域使用最小拟合矩形进行拟合,获得最终的磨损区域构成的图像,记为磨损灰度图像。同时,获取PS片材打磨前的表面灰度图像中与磨损灰度图像对应的图像,记为打磨前的原始灰度图像。其中,获取PS片材打磨前的表面灰度图像中与磨损灰度图像对应的图像是指,在PS片材打磨前的表面灰度图像中获取与磨损灰度图像中对应位置处的像素点构成的图像。
步骤二,在磨损灰度图像中,分别根据不同尺寸的窗口内像素点灰度值的分布情况得到不同尺寸的窗口的混乱程度评价,分别根据不同尺寸的窗口内的边缘信息得到不同尺寸的窗口的模糊程度评价。
由于传统的HOG特征描述算法中的cell子窗口的尺寸过小,会弱化平滑效果使得降噪效果较差,从而降低了最终识别的准确率。因此,在本实施例中,利用不同尺寸的窗口作为HOG算法中cell子窗口尺寸,通过分析磨损灰度图像中不同尺寸的窗口内的多个方面的特征信息,获取图像纹理特征对应的最优选的窗口尺寸。
在本实施例中,窗口尺寸设置为(2n+1)×(2n+1),其中,n的取值范围为[1,N],n为正整数,N为正整数,为了防止窗口尺寸过大,导致纹理特征描述较不准确,在本实施例中N的取值为7。
对磨损灰度图像进行HOG特征分析时,当磨损灰度图像中各个窗口内较为平滑时,对应的磨损灰度图像的窗口内灰度值变化差异较小,故可以根据窗口内像素点的灰度值的分布情况判断窗口内像素点的灰度值的混乱程度,进而能够获得磨损灰度图像在窗口内的平滑程度。
基于此,根据不同尺寸的窗口内像素点灰度值的分布情况得到不同尺寸的窗口的混乱程度评价。具体地,对于任意一种尺寸的窗口,将磨损灰度图像中任意一个窗口内的任意一个像素点记为选定像素点,以选定像素点为中心像素点,在设定方向上获取预设数量个像素点的灰度值构成待分析序列,根据待分析序列计算选定像素点对应的排列熵;
以选定像素点为中心像素点,在横向上获取预设数量个像素点的灰度值构成第一待分析序列,在纵向上获取预设数量个像素点的灰度值构成第二待分析序列,所述待分析序列包括第一待分析序列和第二待分析序列;根据第一待分析序列计算选定像素点的第一排列熵,根据第二待分析序列计算选定像素点的第二排列熵,根据第一排列熵和第二排列熵得到选定像素点对应的排列熵;所述第一排列熵、第二排列熵与选定像素点对应的排列熵之间呈正相关关系。
在本实施例中,预设数量的取值为15,实施者可根据具体实施场景进行设置,即以选定像素点为中心像素点,在横向上,选定像素点的左右两侧分别获取7个像素点,左右两侧获取的像素点加上选定像素点共15个像素点构成第一待分析序列。同理,以选定像素点为中心像素点,在纵向上,选定像素点的上下两侧分别获取7个像素点,上下两侧获取的像素点加上选定像素点共15个像素点构成第二待分析序列。同时,计算序列的排列熵为公知技术,在此不再过多介绍。
根据一个窗口内所有像素点对应的排列熵的均值得到第一混乱系数,获取一个窗口内每两个像素点对应的排列熵之间的差异,将所有差异的均值作为第二混乱系数。其中,对于一个窗口内任意两个像素点,计算两个像素点对应的第一排列熵之间的差值绝对值,计算两个像素点对应的第二排列熵之间的差值绝对值,两个差值绝对值之间的乘积为两个像素点对应的排列熵之间的差异。
根据第一混乱系数和第二混乱系数得到一个窗口对应的混乱系数,所述第一混乱系数、第二混乱系数与窗口对应的混乱系数之间均呈正相关关系;将磨损灰度图像中所有窗口对应的混乱系数的和值作为该种尺寸的窗口的混乱程度评价。
其中,Q A 表示第A种尺寸的窗口的混乱程度评价,N1 A 表示第A种尺寸下磨损灰度图
像中包含的窗口的总数量,表示第A种尺寸下磨损灰度图像中第t个窗口的第一混乱
系数,表示第A种尺寸下磨损灰度图像中第t个窗口的第一混乱系数,N A 表示第A种尺
寸的窗口的边长,表示第A种尺寸下磨损灰度图像中第t个窗口内第i个像素点的第
一排列熵,表示第A种尺寸下磨损灰度图像中第t个窗口内第i个像素点的第二排列
熵,S A,t 表示第A种尺寸下磨损灰度图像中第t个窗口内所有像素点构成的集合,表示
第A种尺寸下磨损灰度图像中第t个窗口内第j个像素点的第一排列熵,表示第A种尺
寸下磨损灰度图像中第t个窗口内第j个像素点的第二排列熵。
表示一个窗口内两个像素点对应的排列熵之间的差异,分别从横向和纵向上反映了像素点的灰度分布之间的差异,差异越大,说明像素点周围的灰度分布越复杂和越混乱,对应的第二混乱系数的取值越大,对应的混乱程度评价的取值越大。窗口的混乱程度评价从窗口内像素点周围的灰度分布情况方面反映了磨损灰度图像在窗口内的平滑程度。
进一步的,对磨损灰度图像中窗口内的边缘变化特征进行分析,根据窗口内边缘变化情况表征窗口内边缘线的模糊情况。由于canny边缘检测算法是基于双阈值进行边界跟踪,阈值的选择不同,边缘检测结果也就不同,在本实施例中通过调整canny边缘检测算法中的低阈值,观察窗口中边缘的变化情况。
若磨损灰度图像中窗口内较为平滑,则每次调整低阈值时,磨损灰度图像中窗口内边缘的数量变化较小。若磨损灰度图像中窗口内较不平滑,则每次调整低阈值时,磨损灰度图像中窗口内边缘的数量变化较大。在本实施例中,通过统计边缘线上像素点的数量变化表征窗口内边缘的数量变化。
基于此,根据不同尺寸的窗口内的边缘信息得到不同尺寸的窗口的模糊程度评价。具体地,对于任意一种尺寸的窗口,在磨损灰度图像中任意一个窗口内,利用canny算子对窗口进行边缘检测,设置canny算子中低阈值的预设范围,在本实施例中,低阈值的预设范围为[100,120],实施者可根据具体实施场景进行设置。
将预设范围内任意一个低阈值的取值记为选定低阈值,计算选定低阈值与其相邻的低阈值对应的边缘检测结果中,窗口内所有边缘线上像素点的总数量之间的差值绝对值,记为选定低阈值的特征差值;将选定低阈值的特征差值与选定低阈值的乘积作为选定低阈值的特征乘积;将预设范围内所有低阈值的特征乘积之和作为一个窗口的模糊系数,将磨损灰度图像中所有窗口的模糊系数的和值作为该种尺寸的窗口的模糊程度评价。
在本实施例中,以预设范围[a,b]为例进行说明,将低阈值u作为选定低阈值,低阈值u-1作为与低阈值u的相邻的低阈值,实施者可根据具体实施场景进行设置,则第A种尺寸的窗口的模糊程度评价的计算公式可以表示为:
其中,W A 表示第A种尺寸的窗口的模糊程度评价,N1 A 表示第A种尺寸下磨损灰度图
像中包含的窗口的总数量,a为低阈值的预设范围的下限,b为低阈值的预设范围的上限,表示第A种尺寸下磨损灰度图像中第t个窗口内低阈值u的特征差值,u表示低阈值
的取值,表示第A种尺寸下磨损灰度图像中第t个窗口的模糊系数。
表示特征乘积,特征差值的取值越大,低阈值的取值越大,对应的特征乘积越大,说明调整低阈值后窗口内的边缘的数量变化越大,对应的模糊程度评价越大,说明磨损灰度图像中窗口内较不平滑。窗口的模糊程度评价从窗口内的边缘信息的变化程度方面反映了窗口内的平滑程度。
步骤三,在磨损灰度图像中,分别根据不同尺寸的窗口内像素点的梯度信息得到不同尺寸的窗口的粗糙程度评价,分别根据不同尺寸的窗口内像素点的灰度差异的分布情况得到不同尺寸的窗口的惩罚因子。
若磨损灰度图像中窗口内较为平滑,则在磨损灰度图像中的窗口内像素点的梯度信息之间的差异较小,若磨损灰度图像中窗口内较不平滑,则在磨损灰度图像中的窗口内像素点的梯度信息之间的差异较大。基于此,根据不同尺寸的窗口内像素点的梯度信息得到不同尺寸的窗口的粗糙程度评价。
具体地,对于任意一种尺寸的窗口,在磨损灰度图像中任意一个窗口内,将任意一个像素点记为目标像素点,计算目标像素点与其邻域内像素点之间的梯度值的差值绝对值,对所有梯度值的差值绝对值的均值进行归一化得到目标像素点的第一差异系数;计算目标像素点与其邻域内像素点之间的梯度角度的差值绝对值,对所有梯度角度的差值绝对值的均值进行归一化得到目标像素点的第二差异系数;计算目标像素点的第一差异系数和第二差异系数的乘积得到目标像素点的差异系数;将一个窗口内所有像素点的差异系数的和值作为一个窗口的差异系数,将磨损灰度图像中所有窗口的差异系数的和值作为该种尺寸的窗口的粗糙程度评价。
在本实施例中,将第A种尺寸下磨损灰度图像中第t个窗口内第v个像素点作为目标像素点,进而分别计算第v个像素点与其8邻域内的8个邻域像素点之间的梯度值的差值绝对值,对8个梯度值的差值绝对值的均值进行归一化得到目标像素点的第一差异系数;分别计算第v个像素点与其8邻域内的8个邻域像素点之间的梯度角度的差值绝对值,对8个梯度角度的差值绝对值的均值进行归一化得到目标像素点的第二差异系数。
第A种尺寸的窗口的粗糙程度评价的计算公式可以表示为:
其中,表示第A种尺寸的窗口的粗糙程度评价,表示第A种尺寸下磨损
灰度图像中包含的窗口的总数量,表示第A种尺寸的窗口的边长,表示第A种尺
寸下磨损灰度图像中第t个窗口内第v个像素点的第一差异系数,表示第A种尺寸下
磨损灰度图像中第t个窗口内第v个像素点的第二差异系数。
第一差异系数反映了像素点与其周围像素点之间的梯度值的差异情况,第
二差异系数反映了像素点与其周围像素点之间的梯度角度的差异情况, 表示差异系数,其取值越大,说明第t个窗口内的像素点的梯度信息的差异越大,说
明磨损灰度图像中的窗口内越粗糙,对应的粗糙程度评价的取值越大。窗口的粗糙程度评
价从窗口内像素点的梯度信息的差异情况方面反映了的窗口内的平滑程度。
进一步的,分析在磨损灰度图像中窗口内像素点之间的灰度差异的分布情况,若窗口内较为平滑,则磨损灰度图像中窗口内灰度差异较小的像素点的分布与窗口区域较为吻合。若窗口内较不平滑,则磨损灰度图像中窗口内灰度差异较小的像素点的分布与窗口区域差异较大。基于此,根据不同尺寸的窗口内像素点的灰度差异的分布情况得到不同尺寸的窗口的惩罚因子。
具体地,对于任意一种尺寸的窗口,在磨损灰度图像中任意一个窗口内,根据像素点之间的灰度值差异对窗口内所有像素点进行聚类,获取每个聚类簇中所有的任意两个像素点之间灰度值的差值绝对值的均值,将均值最小的聚类簇记为选定聚类簇;根据选定聚类簇中像素点的位置拟合圆记为一个窗口对应的拟合圆,获取拟合圆的直径。
在本实施例中,采用DBSCAN聚类算法对窗口内所有像素点进行聚类,其中,像素点之间的灰度值差异是指,任意两个像素点之间灰度值的差值绝对值,实施者可根据具体实施场景进行设置。根据窗口内像素点的聚类结果分析像素点的灰度差异的分布情况,当灰度差异较小的聚类簇中像素点的分布越接近于窗口大小时,说明窗口内越平滑。
将磨损灰度图像中所有窗口对应的拟合圆的直径的均值记为特征直径;当该种尺寸的窗口的边长与特征直径之间的差异小于预设的长度阈值时,该种尺寸的窗口的惩罚因子的取值为第一预设值;当该种尺寸的窗口的边长与特征直径之间的差异大于或者等于预设的长度阈值时,根据该种尺寸的窗口的边长与特征直径之间的差值绝对值得到该种尺寸的窗口的惩罚因子,边长与特征直径之间的差值绝对值与惩罚因子之间呈正相关关系,第一预设值小于此时的惩罚因子。
在本实施例中,以第A种尺寸的窗口为例进行说明,则第A种尺寸的窗口的惩罚因子的计算公式可以表示为:
其中,表示第A种尺寸的窗口的惩罚因子,表示第A种尺寸的窗口的边
长,表示第A种尺寸的窗口的特征直径,exp( )表示以自然常数e为底的指数函数,ε表
示长度阈值,在本实施例中长度阈值的取值为3,实施者可根据具体实施场景进行设置。
当时,说明窗口内灰度差异较小的聚类簇中像素点的分布与窗口大小之间差异越大,说明窗口内越不平滑,对应的惩罚因子的取值越大,进而说明该窗口的尺寸选择较不合适。当/>时,说明较小的聚类簇中像素点的分布越接近于窗口大小,说明窗口内越平滑,对应的惩罚因子的取值越小,进而说明该窗口的尺寸选择较为合适。
需要说明的是,在本实施例中,第一预设值的取值为0,实施者可根据具体实施场景设置较为接近0的其他数值,例如0.01,使得惩罚因子的取值小于/>时的惩罚因子的取值即可。窗口的惩罚因子/>从窗口内像素点的灰度差异分布情况方面反映了窗口尺寸的合适程度。
步骤四,根据所述混乱程度评价、模糊程度评价、粗糙程度评价和惩罚因子,得到不同尺寸的窗口的评价指标,根据评价指标对不同尺寸的窗口进行筛选得到优选尺寸窗口;根据优选尺寸窗口利用HOG算法分别对磨损灰度图像和原始灰度图像进行处理,根据处理结果之间的差异获得PS片材的磨损程度。
窗口的混乱程度评价从窗口内像素点周围的灰度分布情况方面反映了磨损灰度图像在窗口内的平滑程度,窗口的模糊程度评价从窗口内的边缘信息的变化程度方面反映了窗口内的平滑程度,窗口的粗糙程度评价从窗口内像素点的梯度信息的差异情况方面反映了的窗口内的平滑程度,窗口的惩罚因子从窗口内像素点的灰度差异分布情况方面反映了窗口尺寸的合适程度,进而结合多个方面的特征信息,获取每种尺寸的窗口对应的效果评价值,即根据所述混乱程度评价、模糊程度评价、粗糙程度评价和惩罚因子,得到不同尺寸的窗口的评价指标。
具体地,对于任意一种尺寸的窗口,计算该种尺寸的窗口的混乱程度评价、模糊程度评价和粗糙程度评价的乘积,计算该乘积与惩罚因子的和值,将和值的负相关映射值作为该种尺寸的窗口的评价指标,用公式可以表示为:
其中,表示第A种尺寸的窗口的评价指标,表示第A种尺寸的窗口的混乱
程度评价,表示第A种尺寸的窗口的模糊程度评价,表示第A种尺寸的窗口的粗
糙程度评价,表示第A种尺寸的窗口的惩罚因子,exp( )表示以自然常数e为底的指数
函数。
第A种尺寸的窗口的评价指标表征了利用第A种尺寸的窗口对磨损灰度图像中的纹理信息进行分析的效果的好坏,进而可以根据评价指标对不同尺寸的窗口进行筛选得到优选尺寸窗口,即将评价指标的最大值对应的尺寸的窗口作为优选尺寸窗口。
最后,根据优选尺寸窗口利用HOG算法分别对磨损灰度图像和原始灰度图像进行处理,根据处理结果之间的差异获得PS片材的磨损程度。
其中,利用HOG算法对图像进行纹理特征描述时,是将图像划分为cell单元,在本实施例中,将优选尺寸窗口作为cell单元,将2×2个cell单元作为一组,即一个块(block),最终可以获得每个块对应的HOG描述子,HOG算法为公知技术,在此不再过多介绍。分别计算磨损灰度图像和原始灰度图像中对应位置的块的HOG描述子之间的差值绝对值,将所有块对应的差值绝对值求和得到PS片材的磨损程度。
通过比较PS片材打磨前的原始灰度图像与打磨后的磨损灰度图像中,纹理特征信息之间的差异情况,获得PS片材的磨损程度,即打磨前后的图像中纹理特征信息之间的差异越大,说明PS片材的磨损程度越大。
综上所述,本发明通过结合不同尺寸的窗口下窗口内的混乱程度、模糊程度以及粗糙程度,获取利用窗口进行特征描述的描述效果,同时结合窗口内像素点的灰度差异分布情况,获得最终效果的评价指标,基于评价指标对窗口的尺寸进行筛选获得最优尺寸窗口,并利用最优尺寸窗口对图像进行HOG纹理特征描述,使得获得的纹理描述更能准确的反映PS片材打磨前后的纹理变化,进而能够对PS片材的磨损程度进行更加准确的检测。
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;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以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;而这些修改或者替换,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 (9)
1.一种基于图像处理的PS片材抗耐磨性检测方法,其特征在于,该方法包括以下步骤:
获取PS片材打磨后的磨损灰度图像与其对应的打磨前的原始灰度图像;
在磨损灰度图像中,分别根据不同尺寸的窗口内像素点灰度值的分布情况得到不同尺寸的窗口的混乱程度评价,分别根据不同尺寸的窗口内的边缘信息得到不同尺寸的窗口的模糊程度评价;
在磨损灰度图像中,分别根据不同尺寸的窗口内像素点的梯度信息得到不同尺寸的窗口的粗糙程度评价,分别根据不同尺寸的窗口内像素点的灰度差异的分布情况得到不同尺寸的窗口的惩罚因子;
根据所述混乱程度评价、模糊程度评价、粗糙程度评价和惩罚因子,得到不同尺寸的窗口的评价指标,根据评价指标对不同尺寸的窗口进行筛选得到优选尺寸窗口;根据优选尺寸窗口利用HOG算法分别对磨损灰度图像和原始灰度图像进行处理,根据处理结果之间的差异获得PS片材的磨损程度。
2.根据权利要求1所述的一种基于图像处理的PS片材抗耐磨性检测方法,其特征在于,所述在磨损灰度图像中,分别根据不同尺寸的窗口内像素点灰度值的分布情况得到不同尺寸的窗口的混乱程度评价,具体包括:
对于任意一种尺寸的窗口,将磨损灰度图像中任意一个窗口内的任意一个像素点记为选定像素点,以选定像素点为中心像素点,在设定方向上获取预设数量个像素点的灰度值构成待分析序列,根据待分析序列计算选定像素点对应的排列熵;
根据一个窗口内所有像素点对应的排列熵的均值得到第一混乱系数,获取一个窗口内每两个像素点对应的排列熵之间的差异,将所有差异的均值作为第二混乱系数;根据第一混乱系数和第二混乱系数得到一个窗口对应的混乱系数,所述第一混乱系数、第二混乱系数与窗口对应的混乱系数之间均呈正相关关系;
将磨损灰度图像中所有窗口对应的混乱系数的和值作为该种尺寸的窗口的混乱程度评价。
3.根据权利要求2所述的一种基于图像处理的PS片材抗耐磨性检测方法,其特征在于,所述以选定像素点为中心像素点,在设定方向上获取预设数量个像素点的灰度值构成待分析序列,根据待分析序列计算选定像素点对应的排列熵,具体包括:
以选定像素点为中心像素点,在横向上获取预设数量个像素点的灰度值构成第一待分析序列,在纵向上获取预设数量个像素点的灰度值构成第二待分析序列,所述待分析序列包括第一待分析序列和第二待分析序列;
根据第一待分析序列计算选定像素点的第一排列熵,根据第二待分析序列计算选定像素点的第二排列熵,根据第一排列熵和第二排列熵得到选定像素点对应的排列熵;
所述第一排列熵、第二排列熵与选定像素点对应的排列熵之间呈正相关关系。
4.根据权利要求3所述的一种基于图像处理的PS片材抗耐磨性检测方法,其特征在于,所述获取一个窗口内每两个像素点对应的排列熵之间的差异具体为:
对于一个窗口内任意两个像素点,计算两个像素点对应的第一排列熵之间的差值绝对值,计算两个像素点对应的第二排列熵之间的差值绝对值,两个差值绝对值之间的乘积为两个像素点对应的排列熵之间的差异。
5.根据权利要求1所述的一种基于图像处理的PS片材抗耐磨性检测方法,其特征在于,所述分别根据不同尺寸的窗口内像素点的灰度差异的分布情况得到不同尺寸的窗口的惩罚因子具体为:
对于任意一种尺寸的窗口,在磨损灰度图像中任意一个窗口内,根据像素点之间的灰度值差异对窗口内所有像素点进行聚类,获取每个聚类簇中所有的任意两个像素点之间灰度值的差值绝对值的均值,将均值最小的聚类簇记为选定聚类簇;根据选定聚类簇中像素点的位置拟合圆记为一个窗口对应的拟合圆,获取拟合圆的直径;
将磨损灰度图像中所有窗口对应的拟合圆的直径的均值记为特征直径;当该种尺寸的窗口的边长与特征直径之间的差异小于预设的长度阈值时,该种尺寸的窗口的惩罚因子的取值为第一预设值;
当该种尺寸的窗口的边长与特征直径之间的差异大于或者等于预设的长度阈值时,根据该种尺寸的窗口的边长与特征直径之间的差值绝对值得到该种尺寸的窗口的惩罚因子,边长与特征直径之间的差值绝对值与惩罚因子之间呈正相关关系,第一预设值小于此时的惩罚因子。
6.根据权利要求1所述的一种基于图像处理的PS片材抗耐磨性检测方法,其特征在于,所述分别根据不同尺寸的窗口内的边缘信息得到不同尺寸的窗口的模糊程度评价具体为:
对于任意一种尺寸的窗口,在磨损灰度图像中任意一个窗口内,利用canny算子对窗口进行边缘检测,设置canny算子中低阈值的预设范围;
将预设范围内任意一个低阈值的取值记为选定低阈值,计算选定低阈值与其相邻的低阈值对应的边缘检测结果中,窗口内所有边缘线上像素点的总数量之间的差值绝对值,记为选定低阈值的特征差值;将选定低阈值的特征差值与选定低阈值的乘积作为选定低阈值的特征乘积;
将预设范围内所有低阈值的特征乘积之和作为一个窗口的模糊系数,将磨损灰度图像中所有窗口的模糊系数的和值作为该种尺寸的窗口的模糊程度评价。
7.根据权利要求1所述的一种基于图像处理的PS片材抗耐磨性检测方法,其特征在于,所述分别根据不同尺寸的窗口内像素点的梯度信息得到不同尺寸的窗口的粗糙程度评价具体为:
对于任意一种尺寸的窗口,在磨损灰度图像中任意一个窗口内,将任意一个像素点记为目标像素点,计算目标像素点与其邻域内像素点之间的梯度值的差值绝对值,对所有梯度值的差值绝对值的均值进行归一化得到目标像素点的第一差异系数;计算目标像素点与其邻域内像素点之间的梯度角度的差值绝对值,对所有梯度角度的差值绝对值的均值进行归一化得到目标像素点的第二差异系数;计算目标像素点的第一差异系数和第二差异系数的乘积得到目标像素点的差异系数;
将一个窗口内所有像素点的差异系数的和值作为一个窗口的差异系数,将磨损灰度图像中所有窗口的差异系数的和值作为该种尺寸的窗口的粗糙程度评价。
8.根据权利要求1所述的一种基于图像处理的PS片材抗耐磨性检测方法,其特征在于,所述根据所述混乱程度评价、模糊程度评价、粗糙程度评价和惩罚因子,得到不同尺寸的窗口的评价指标,具体包括:
对于任意一种尺寸的窗口,计算该种尺寸的窗口的混乱程度评价、模糊程度评价和粗糙程度评价的乘积,计算该乘积与惩罚因子的和值,将和值的负相关映射值作为该种尺寸的窗口的评价指标。
9.根据权利要求1所述的一种基于图像处理的PS片材抗耐磨性检测方法,其特征在于,所述根据评价指标对不同尺寸的窗口进行筛选得到优选尺寸窗口具体为:
将评价指标的最大值对应的尺寸的窗口作为优选尺寸窗口。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310669145.XA CN116385450B (zh) | 2023-06-07 | 2023-06-07 | 基于图像处理的ps片材抗耐磨性检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310669145.XA CN116385450B (zh) | 2023-06-07 | 2023-06-07 | 基于图像处理的ps片材抗耐磨性检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116385450A true CN116385450A (zh) | 2023-07-04 |
CN116385450B CN116385450B (zh) | 2023-10-10 |
Family
ID=86971717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310669145.XA Active CN116385450B (zh) | 2023-06-07 | 2023-06-07 | 基于图像处理的ps片材抗耐磨性检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385450B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116645368A (zh) * | 2023-07-27 | 2023-08-25 | 青岛伟东包装有限公司 | 一种流延膜卷边在线视觉检测方法 |
CN116703892A (zh) * | 2023-08-01 | 2023-09-05 | 东莞市京品精密模具有限公司 | 一种基于图像数据的锂电池切刀磨损评估预警方法 |
CN117058153A (zh) * | 2023-10-13 | 2023-11-14 | 南通星光检测科技有限公司 | 基于电子元器件的二极管质量识别方法 |
CN117495862A (zh) * | 2024-01-03 | 2024-02-02 | 深圳家红齿科技术有限公司 | 一种义齿耐磨性检测装置 |
CN117788459A (zh) * | 2024-02-23 | 2024-03-29 | 青岛正大正电力环保设备有限公司 | 基于图像特征的链条磨损检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080668A (zh) * | 2019-12-13 | 2020-04-28 | 武汉华目信息技术有限责任公司 | 一种闸片磨损故障检测的方法及系统 |
US20210358160A1 (en) * | 2020-05-18 | 2021-11-18 | Zhejiang University | Method and system for determining plant leaf surface roughness |
CN114445407A (zh) * | 2022-04-11 | 2022-05-06 | 季华实验室 | 材料的耐磨性能检测方法和装置 |
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 |
-
2023
- 2023-06-07 CN CN202310669145.XA patent/CN116385450B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080668A (zh) * | 2019-12-13 | 2020-04-28 | 武汉华目信息技术有限责任公司 | 一种闸片磨损故障检测的方法及系统 |
US20210358160A1 (en) * | 2020-05-18 | 2021-11-18 | Zhejiang University | Method and system for determining plant leaf surface roughness |
CN114445407A (zh) * | 2022-04-11 | 2022-05-06 | 季华实验室 | 材料的耐磨性能检测方法和装置 |
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 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116645368A (zh) * | 2023-07-27 | 2023-08-25 | 青岛伟东包装有限公司 | 一种流延膜卷边在线视觉检测方法 |
CN116645368B (zh) * | 2023-07-27 | 2023-10-03 | 青岛伟东包装有限公司 | 一种流延膜卷边在线视觉检测方法 |
CN116703892A (zh) * | 2023-08-01 | 2023-09-05 | 东莞市京品精密模具有限公司 | 一种基于图像数据的锂电池切刀磨损评估预警方法 |
CN116703892B (zh) * | 2023-08-01 | 2023-11-14 | 东莞市京品精密模具有限公司 | 一种基于图像数据的锂电池切刀磨损评估预警方法 |
CN117058153A (zh) * | 2023-10-13 | 2023-11-14 | 南通星光检测科技有限公司 | 基于电子元器件的二极管质量识别方法 |
CN117058153B (zh) * | 2023-10-13 | 2023-12-19 | 南通星光检测科技有限公司 | 基于电子元器件的二极管质量识别方法 |
CN117495862A (zh) * | 2024-01-03 | 2024-02-02 | 深圳家红齿科技术有限公司 | 一种义齿耐磨性检测装置 |
CN117495862B (zh) * | 2024-01-03 | 2024-03-12 | 深圳家红齿科技术有限公司 | 一种义齿耐磨性检测装置 |
CN117788459A (zh) * | 2024-02-23 | 2024-03-29 | 青岛正大正电力环保设备有限公司 | 基于图像特征的链条磨损检测方法 |
CN117788459B (zh) * | 2024-02-23 | 2024-04-30 | 青岛正大正电力环保设备有限公司 | 基于图像特征的链条磨损检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116385450B (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN114862862B (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
CN115170576B (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
CN114140462B (zh) | 一种基于图像处理的轴承磨损程度评估方法 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN116611748B (zh) | 一种钛合金家具生产质量监控系统 | |
CN115330783A (zh) | 一种钢丝绳缺陷检测方法 | |
CN109035274B (zh) | 基于背景估计与u型卷积神经网络的文档图像二值化方法 | |
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 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN115018845B (zh) | 一种润滑油磨粒质量检测方法 | |
CN116977358B (zh) | 一种瓦楞纸生产品质视觉辅助检测方法 | |
CN117011292B (zh) | 一种复合板表面质量快速检测方法 | |
CN115131359B (zh) | 一种金属加工件表面麻点缺陷检测方法 | |
CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理系统 | |
CN114782432A (zh) | 一种基于纹理特征的改进canny算子的边缘检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN115115637B (zh) | 基于图像金字塔思想的布匹缺陷检测方法 | |
CN115359053A (zh) | 一种金属板材缺陷智能检测方法及系统 | |
CN116309600A (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN116630813A (zh) | 一种公路路面施工质量智能检测系统 | |
CN114596551A (zh) | 一种车载前视图像裂缝检测的方法 |
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 |