CN116416251B - 基于图像处理的整芯阻燃输送带质量检测方法及相关装置 - Google Patents
基于图像处理的整芯阻燃输送带质量检测方法及相关装置 Download PDFInfo
- Publication number
- CN116416251B CN116416251B CN202310685060.0A CN202310685060A CN116416251B CN 116416251 B CN116416251 B CN 116416251B CN 202310685060 A CN202310685060 A CN 202310685060A CN 116416251 B CN116416251 B CN 116416251B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- pixel
- image
- gray value
- combination
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000003063 flame retardant Substances 0.000 title claims abstract description 23
- RNFJDJUURJAICM-UHFFFAOYSA-N 2,2,4,4,6,6-hexaphenoxy-1,3,5-triaza-2$l^{5},4$l^{5},6$l^{5}-triphosphacyclohexa-1,3,5-triene Chemical compound N=1P(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP=1(OC=1C=CC=CC=1)OC1=CC=CC=C1 RNFJDJUURJAICM-UHFFFAOYSA-N 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 230000007547 defect Effects 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012549 training 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
-
- 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
- G06V10/70—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
Abstract
本发明涉及图像处理技术领域,具体涉及基于图像处理的整芯阻燃输送带质量检测方法及相关装置,包括:获取输送带的检测待测图像,并基于待测图像中各个像素点在第一预设方向上的梯度幅值将像素点分为第一像素点组合和第二像素点组合;计算第一像素点组合中每一像素点的第一灰度值;计算第二像素点组合中每一像素点在第二预设方向上的权重和像素点在每一方向上的灰度值对应的预测值,并基于权重和预测值计算得到第二像素点组合中每一像素点的第二灰度值;基于第一灰度值和第二灰度值得到待测图像对应的超分辨率图像;基于超分辨率图像进行质量检测。该方法可以提高质量检测的准确率。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种基于图像处理的整芯阻燃输送带质量检测方法以及相关装置。
背景技术
整芯阻燃输送带的表面是否存在缺陷是衡量其安全性能的主要指标之一,其表面缺陷越多,阻燃效果越差,即安全性能越差。而图像的采集过程中常常会受到各种干扰,造成图像质量较差,通过图像对整芯阻燃输送带进行质量检测时,效果往往不理想,因此对采集到的图像使用图像超分辨率技术,增大图像的分辨率,提高图像质量,对其进行质量检测时的结果更准确。
传统的图像超分辨率算法都有其局限性,对图像质量的提高并不明显,无法达到质量检测的目的。传统的超分辨率算法有基于插值的超分辨率算法,如最邻近插值法,会造成图像的不连续,在灰度变化的地方会出现明显的锯齿状,双线性插值法与双三次插值法,对图像超分辨的效果较好,整体上较为平滑,但没有考虑边缘的特性,图像经过处理后存在模糊的现象,影响图像质量,增大了质量检测的难度;有基于神经网络的超分辨率算法,如SRCNN神经网络模型,相对于传统的识别算法,对图像边缘的处理更清晰,细节恢复效果好一些,但前期需要花费大量的人力物力对大量图像进行打标签,且在神经网络中进行训练也需要大量时间。因此,现有技术亟待改进。
发明内容
为解决上述技术问题,本发明提供一种基于图像处理的整芯阻燃输送带质量检测方法以及相关装置。
第一方面,本申请提供一种基于图像处理的整芯阻燃输送带质量检测方法,包括:获取输送带的检测待测图像,并基于所述待测图像中各个像素点在第一预设方向上的梯度幅值将所述像素点分为第一像素点组合和第二像素点组合,所述第一像素点组合包括无梯度幅值的像素点,所述第二像素点组合包括有梯度幅值的像素点;计算所述第一像素点组合中每一像素点的第一灰度值;计算所述第二像素点组合中每一像素点在第二预设方向上的权重和所述像素点在每一方向上的灰度值对应的预测值,并基于所述权重和所述预测值计算得到所述第二像素点组合中每一像素点的第二灰度值;基于第一灰度值和所述第二灰度值得到所述待测图像对应的超分辨率图像;基于所述超分辨率图像进行质量检测。
在一可选实施例中,所述获取输送带的检测待测图像,包括:获取输送带的初始图像;提取所述初始图像中的感兴趣区域,并将所述感兴趣区域转化为灰度图像,以得到所述待测图像。
在一可选实施例中,所述第一预设方向包括所述像素点的0°、45°、90°、135°方向;所述基于所述待测图像中各个像素点在第一预设方向上的梯度幅值将所述像素点分为第一像素点组合和第二像素点组合,包括:利用索伯算子计算每一像素点在0°、90°、180°方向上的梯度幅值;通过所述像素点在0°、90°方向上的梯度幅值的比值计算所述像素点在45°方向的梯度幅值,通过所述像素点在90°、180°方向上的梯度幅值的比值计算所述像素点在135°方向的梯度幅值;确定每一像素点在所述第一预设方向上的梯度幅值的最大值,如果所述最大值大于或等于梯度幅值阈值,则确定所述像素点为有梯度幅值的像素点;如果所述最大值小于所述梯度幅值阈值,则确定所述像素点为无梯度幅值的像素点。
在一可选实施例中,所述计算所述第二像素点组合中每一像素点在第二预设方向上的权重和所述像素点在第二预设方向上的灰度值对应的预测值,包括:计算所述第二像素点组合中每一像素点在第二预设方向上的灰度值对应的预测值;其中,所述第二预设方向包括:0°、45°、90°、135°、180°、225°、270°、315°;基于所述第二像素点组合中每一像素点的灰度值以及纹理特征值对所述第二像素点组合中的像素点进行聚类,确定每一像素点的类跳变数;基于所述类跳变数以及相邻两个像素点的灰度值差值确定所述第二像素点组合中每一像素点在所述第二预设方向上权重。
在一可选实施例中,所述计算所述第二像素点组合中每一像素点在第二预设方向上的灰度值对应的预测值,包括:使用最小二乘法对每一像素点在所述第二预设方向上距离最近的多个像素点进行线性拟合,进而得到每一像素点在第二预设方向上的灰度值对应的预测值。
在一可选实施例中,所述基于所述类跳变数以及相邻两个像素点的灰度值差值确定所述第二像素点组合中每一像素点在所述第二预设方向上权重,包括:
通过如下公式(1)确定所述权重:
(1);
其中,表示权重,d表示方向,D表示方向的数量,/>表示在d方向上的类跳变数,类跳变数加一是为了防止当类跳变数为零时,出现系数为零的情况;/>表示在d方向上第i个像素点的灰度值,/>表示d方向上相邻两点像素点灰度值之差的绝对值,用于表征梯度变化情况。
在一可选实施例中,所述基于所述超分辨率图像进行质量检测,包括:利用最大类间方差算法对超分辨率图像进行二值化处理,提取表面缺陷部分;基于缺陷部分的面积和输送带的总面积确定缺陷面占比;基于所述缺陷面占比进行质量检测。
第二方面,本申请提供一种基于图像处理的整芯阻燃输送带的质量检测装置,包括:获取模块,用于获取输送带的检测待测图像,并基于所述待测图像中各个像素点在第一预设方向上的梯度幅值将所述像素点分为第一像素点组合和第二像素点组合,所述第一像素点组合包括无梯度幅值的像素点,所述第二像素点组合包括有梯度幅值的像素点;第一计算模块,用于计算所述第一像素点组合中每一像素点的第一灰度值;第二计算模块,用于计算所述第二像素点组合中每一像素点在第二预设方向上的权重和所述像素点在每一方向上的灰度值对应的预测值,并基于所述权重和所述预测值计算得到所述第二像素点组合中每一像素点的第二灰度值;图像确定模块,用于基于第一灰度值和所述第二灰度值得到所述待测图像对应的超分辨率图像;质量检测模块,用于基于所述超分辨率图像进行质量检测。
第三方面,本申请提供一种电子设备,包括相互藕接的处理器及存储器,其中,存储器用于存储实现上述任意一项的方法的程序指令;处理器用于执行存储器存储的程序指令。
第四方面,本申请提供一种存储介质,存储有程序文件,程序文件能够被执行以实现上述任意一项的方法。
本发明的有益效果是:区别于现有技术,本发明提出的整芯阻燃输送带的质量检测方法,包括:获取输送带的检测待测图像,并基于所述待测图像中各个像素点在第一预设方向上的梯度幅值将所述像素点分为第一像素点组合和第二像素点组合,所述第一像素点组合包括无梯度幅值的像素点,所述第二像素点组合包括有梯度幅值的像素点;计算所述第一像素点组合中每一像素点的第一灰度值;计算所述第二像素点组合中每一像素点在第二预设方向上的权重和所述像素点在每一方向上的灰度值对应的预测值,并基于所述权重和所述预测值计算得到所述第二像素点组合中每一像素点的第二灰度值;基于第一灰度值和所述第二灰度值得到所述待测图像对应的超分辨率图像;基于所述超分辨率图像进行质量检测。解决了在对图像进行超分辨率时导致的边缘细节部分模糊的问题,使超分辨率后的图像细节部分依然比较清晰,在后续识别缺陷部分时,识别结果更准确,质量检测的准确率更高。
附图说明
图1是本发明整芯阻燃输送带的质量检测方法的第一实施例的流程示意图;
图2是本发明整芯阻燃输送带的质量检测装置的一实施例的结构示意图;
图3是本发明电子设备的一实施例的结构示意图;
图4是本发明存储介质的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
下面结合附图和实施例对本发明进行详细的说明。
请参见图1,为本申请整芯阻燃输送带的质量检测方法的第一实施例的流程示意图,具体包括:
步骤S11:获取输送带的检测待测图像,并基于所述待测图像中各个像素点在第一预设方向上的梯度幅值将所述像素点分为第一像素点组合和第二像素点组合,所述第一像素点组合包括无梯度幅值的像素点,所述第二像素点组合包括有梯度幅值的像素点。
具体的,获取输送带的初始图像;提取所述初始图像中的感兴趣区域,并将所述感兴趣区域转化为灰度图像,以得到所述待测图像。
在一实施例中,记整芯阻燃输送带在输送机上的传输速度为,输送机上输送带长度为/>,则使用CCD(电荷耦合器件)相机每隔时间/>拍摄一次输送机的输送带部分,得到初始图像A,其中t=l/v,对整芯阻燃输送带进行质量检测,即每次的检测长度为l,本发明中取的输送机的传输速度为1.0m/s,输送带部分的长度为4m,则可得拍摄时间间隔为4s。由于对每张图像的分析都是相同的,因此本申请只对一张图像的处理过程进行描述,其余不再赘述。
在对输送带图像的采集过程中,相机与输送机的位置都是固定的,通过相机得到输送带的初始图像,提取所述初始图像中的感兴趣区域,将图像中的输送带部分从原始图像A中检测出来,并将其转换为灰度图像得到待测图像F。
基于待测图像F中各个像素点在第一预设方向上的梯度幅值将所述像素点分为第一像素点组合和第二像素点组合,所述第一像素点组合包括无梯度幅值的像素点,所述第二像素点组合包括有梯度幅值的像素点。具体的,所述第一预设方向包括所述像素点的0°、45°、90°、135°方向。利用索伯算子计算每一像素点在0°、90°、180°方向上的梯度幅值;通过所述像素点在0°、90°方向上的梯度幅值的比值计算所述像素点在45°方向的梯度幅值,通过所述像素点在90°、180°方向上的梯度幅值的比值计算所述像素点在135°方向的梯度幅值;确定每一像素点在所述第一预设方向上的梯度幅值的最大值,如果所述最大值大于或等于梯度幅值阈值,则确定所述像素点为有梯度幅值的像素点;如果所述最大值小于所述梯度幅值阈值,则确定所述像素点为无梯度幅值的像素点。
在一具体实施例中,记待测图像F中像素点的位置为,像素点/>的4个方向分别为0°、45°、90°、135°,使用Sobel算子计算各像素点在0°、90°、180°方向上的梯度幅值,并通过0°、90°方向上梯度幅值的比值计算45方向上的梯度幅值,通过90°、180°方向上梯度幅值的比值计算135°方向上的梯度幅值。记4个方向上的梯度幅值/>,e表示方向,e取1表示0°方向,e取2表示45°方向,e取3表示90°方向,e取4表示135°方向。像素点/>在4个方向上梯度幅值的最大值记为/>,梯度幅值阈值记为/>,若/>,则将该像素点标记为无梯度像素点,其构成的第一像素点组合记为R,若/>,则将该像素点标记为有梯度像素点,其构成的第二像素点组合记为T,在本申请的一实施例中,取放大倍数m为2,梯度幅值阈值/>为10。放大倍数指待测图像到超分辨率图像的放大倍数。
步骤S12:计算所述第一像素点组合中每一像素点的第一灰度值。
具体的利用双三次插值法计算第一像素点组合中每一像素点的第一灰度值。双三次插值法是现有的,在此不再赘述。
步骤S13:计算所述第二像素点组合中每一像素点在第二预设方向上的权重和所述像素点在每一方向上的灰度值对应的预测值,并基于所述权重和所述预测值计算得到所述第二像素点组合中每一像素点的第二灰度值。
计算所述第二像素点组合中每一像素点在第二预设方向上的灰度值对应的预测值;其中,所述第二预设方向包括:0°、45°、90°、135°、180°、225°、270°、315°。在一实施例中,使用最小二乘法对每一像素点在所述第二预设方向上距离最近的多个像素点进行线性拟合,进而得到每一像素点在第二预设方向上的灰度值对应的预测值。具体的,记待测图像F中的像素点的8个方向(即第二预设方向)分别为0°、45°、90°、135°、180°、225°、270°、315°,对各方向上距离当前像素点/>最近的n个像素点使用最小二乘法进行线性拟合,得到8方向上对像素点/>灰度值的预测值/>,其中d表示方向,d取1到8分别代表0°到315°方向,间隔角度为45°,如在0°方向上,距离像素点/>最近的n个点分别为/>、、…、/>,通过对这n个像素点的灰度值使用最小二乘法进行线性拟合,计算得到/>在0方向上的预测值/>,本发明中取n的经验值为5。
基于所述第二像素点组合中每一像素点的灰度值以及纹理特征值对所述第二像素点组合中的像素点进行聚类,确定每一像素点的类跳变数。具体的,根据待测图像F可以计算得到各像素点的LBP(局部二值模式)特征值,LBP特征值反映了3×3窗口内的中心像素点与该像素点周围区域的纹理信息。从待测图像F可以看出,图像中的像素点主要有三部分:第一部分为左边边缘阴影较重的区域,第二部分为中间较明亮的区域,第三部分为右边边缘阴影较轻的区域。据此可以将各像素点的灰度值与LBP特征值当作x轴与y轴,建立二维平面直角坐标系,使用K均值算法进行聚类,聚类结果为三类,分别记为Ⅰ、Ⅱ、Ⅲ。进一步确定每一像素点的类跳变数。具体的,类跳变数是指在该方向上的像素点所属类的变化次数,如在0°方向上的5个像素点,在聚类结果中分别属于Ⅰ、Ⅰ、Ⅲ、Ⅱ、Ⅱ类,则类跳变数为2,因为类的归属发生了两次变化,一次为Ⅰ变化到Ⅲ,一次为Ⅲ变化到Ⅱ。
基于所述类跳变数以及相邻两个像素点的灰度值差值确定所述第二像素点组合中每一像素点在所述第二预设方向上权重。
具体的,通过如下公式(1)确定所述权重:
(1);
其中,表示权重,d表示方向,D表示方向的数量,/>表示在d方向上的类跳变数,类跳变数加一是为了防止当类跳变数为零时,出现系数为零的情况;/>表示在d方向上第i个像素点的灰度值,/>表示d方向上相邻两点像素点灰度值之差的绝对值,用于表征梯度变化情况。可以理解的,/>值越大,从微观上表明该方向上的灰度值变化越大,类跳变数越大,从宏观上表明该方向上的灰度值变化越复杂,包含的边缘信息越丰富,类跳变数与梯度变化乘积则表示将宏观与微观结合,更加准确的描述其边缘信息。
步骤S14:基于第一灰度值和所述第二灰度值得到所述待测图像对应的超分辨率图像。
具体的,超分辨率图像C中像素点的灰度值,计算公式如下:
其中表示通过原始双三次插值法计算出的结果,即第一像素点组合中每一像素点的第一灰度值。R表示待测图像F中无梯度像素点的集合(即第一像素点组合),T表示待测图像F中有梯度像素点的集合(即第二像素点组合)。超分辨率图像C中的像素点的灰度值/>通过双三次插值法的映射步骤,映射到待测图像F中,对应的像素点为/>,若为无梯度像素点,则使用原始双三次插值法进行计算,即灰度值/>=/>;若为有梯度像素点,则灰度值/>=/>。至此,可以计算得到超分辨率图像C中每一个像素点的灰度值,完成对待测图像F的超分辨率,将待测图像F的分辨率提高至原来的2倍,且保留了边缘信息。
步骤S15:基于所述超分辨率图像进行质量检测。
具体的,利用最大类间方差算法对超分辨率图像进行二值化处理,提取表面缺陷部分;基于缺陷部分的面积和输送带的总面积确定缺陷面占比;基于所述缺陷面占比进行质量检测。
在一具体实施例中,使用OTSU(最大类间方差)算法对超分辨率图像C进行二值化处理,提取其表面缺陷部分,记缺陷部分面积为s,输送带面积为S,则可以计算出缺陷面积占比z=s/S,根据缺陷面积占比作为质量检测依据进行质量检测。例如,如果缺陷面积占比大于或等于预设值,则确定质量不合格,如果缺陷面积小于预设值,则确定质量合格,预设值可根据经验设定,在此不做限定。
本申请的方法,解决了在对图像进行超分辨率时导致的边缘细节部分模糊的问题,使超分辨率后的图像细节部分依然比较清晰,在后续使用OTSU算法识别缺陷部分时,识别结果更准确,质量检测的准确率更高。
请参见图2,图2是本申请整芯阻燃输送带的质量检测装置的一实施例的结构示意图,包括:获取模块21、第一计算模块22、第二计算模块23、图像确定模块24以及质量检测模块24。
其中,获取模块21用于获取输送带的检测待测图像,并基于所述待测图像中各个像素点在第一预设方向上的梯度幅值将所述像素点分为第一像素点组合和第二像素点组合,所述第一像素点组合包括无梯度幅值的像素点,所述第二像素点组合包括有梯度幅值的像素点。第一计算模块22用于计算所述第一像素点组合中每一像素点的第一灰度值。第二计算模块23用于计算所述第二像素点组合中每一像素点在第二预设方向上的权重和所述像素点在每一方向上的灰度值对应的预测值,并基于所述权重和所述预测值计算得到所述第二像素点组合中每一像素点的第二灰度值。图像确定模块24用于基于第一灰度值和所述第二灰度值得到所述待测图像对应的超分辨率图像。质量检测模块25用于基于所述超分辨率图像进行质量检测。
本申请的整芯阻燃输送带的质量检测装置中每一模块具体执行的方法步骤请参见上述图1的具体方法,在此不再赘述。
本申请的装置,解决了在对图像进行超分辨率时导致的边缘细节部分模糊的问题,使超分辨率后的图像细节部分依然比较清晰,在后续使用OTSU算法识别缺陷部分时,识别结果更准确,质量检测的准确率更高。
请参见图3,为本发明电子设备的一实施例的结构示意图。电子设备包括相互连接的存储器52和处理器51。
存储器52用于存储实现上述任意一项的方法的程序指令。
处理器51用于执行存储器52存储的程序指令。
其中,处理器51还可以称为CPU(Central Processing Unit,中央处理单元)。处理器51可能是一种集成电路芯片,具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器52可以为内存条、TF卡等,可以存储电子设备中全部信息,包括输入的原始数据、计算机程序、中间运行结果和最终运行结果都保存在存储器中。它根据控制器指定的位置存入和取出信息。有了存储器,电子设备才有记忆功能,才能保证正常工作。电子设备中的存储器按用途存储器可分为主存储器(内存)和辅助存储器(外存),也有分为外部存储器和内部存储器的分类方法。外存通常是磁性介质或光盘等,能长期保存信息。内存指主板上的存储部件,用来存放当前正在执行的数据和程序,但仅用于暂时存放程序和数据,关闭电源或断电,数据会丢失。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,系统服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。
请参阅图4,为本发明存储介质的结构示意图。本申请的存储介质存储有能够实现上述所有方法的程序文件61,其中,该程序文件61可以以软件产品的形式存储在上述存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储装置包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等终端设备。
以上仅为本发明的实施方式,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种基于图像处理的整芯阻燃输送带质量检测方法,其特征在于,包括:
获取输送带的检测待测图像,并基于所述待测图像中各个像素点在第一预设方向上的梯度幅值将所述像素点分为第一像素点组合和第二像素点组合,所述第一像素点组合包括无梯度幅值的像素点,所述第二像素点组合包括有梯度幅值的像素点;
计算所述第一像素点组合中每一像素点的第一灰度值;
计算所述第二像素点组合中每一像素点在第二预设方向上的权重和所述像素点在每一方向上的灰度值对应的预测值,并基于所述权重和所述预测值计算得到所述第二像素点组合中每一像素点的第二灰度值;
基于第一灰度值和所述第二灰度值得到所述待测图像对应的超分辨率图像;
基于所述超分辨率图像进行质量检测;
所述计算所述第二像素点组合中每一像素点在第二预设方向上的权重和所述像素点在第二预设方向上的灰度值对应的预测值,包括:
计算所述第二像素点组合中每一像素点在第二预设方向上的灰度值对应的预测值;其中,所述第二预设方向包括:0°、45°、90°、135°、180°、225°、270°、315°;
基于所述第二像素点组合中每一像素点的灰度值以及纹理特征值对所述第二像素点组合中的像素点进行聚类,确定每一像素点的类跳变数;
基于所述类跳变数以及相邻两个像素点的灰度值差值确定所述第二像素点组合中每一像素点在所述第二预设方向上权重;
所述计算所述第二像素点组合中每一像素点在第二预设方向上的灰度值对应的预测值,包括:
使用最小二乘法对每一像素点在所述第二预设方向上距离最近的多个像素点进行线性拟合,进而得到每一像素点在第二预设方向上的灰度值对应的预测值;
所述基于所述类跳变数以及相邻两个像素点的灰度值差值确定所述第二像素点组合中每一像素点在所述第二预设方向上权重,包括:
通过如下公式(1)确定所述权重:
(1);
其中,表示权重,d表示方向,D表示方向的数量,/>表示在d方向上的类跳变数,类跳变数加一是为了防止当类跳变数为零时,出现系数为零的情况;/>表示在d方向上第i个像素点的灰度值,/>表示d方向上相邻两点像素点灰度值之差的绝对值,用于表征梯度变化情况。
2.根据权利要求1所述的基于图像处理的整芯阻燃输送带质量检测方法,其特征在于,所述获取输送带的检测待测图像,包括:
获取输送带的初始图像;
提取所述初始图像中的感兴趣区域,并将所述感兴趣区域转化为灰度图像,以得到所述待测图像。
3.根据权利要求1所述的基于图像处理的整芯阻燃输送带质量检测方法,其特征在于,所述第一预设方向包括所述像素点的0°、45°、90°、135°方向;
所述基于所述待测图像中各个像素点在第一预设方向上的梯度幅值将所述像素点分为第一像素点组合和第二像素点组合,包括:
利用索伯算子计算每一像素点在0°、90°、180°方向上的梯度幅值;
通过所述像素点在0°、90°方向上的梯度幅值的比值计算所述像素点在45°方向的梯度幅值,通过所述像素点在90°、180°方向上的梯度幅值的比值计算所述像素点在135°方向的梯度幅值;
确定每一像素点在所述第一预设方向上的梯度幅值的最大值,如果所述最大值大于或等于梯度幅值阈值,则确定所述像素点为有梯度幅值的像素点;如果所述最大值小于所述梯度幅值阈值,则确定所述像素点为无梯度幅值的像素点。
4.根据权利要求1所述的基于图像处理的整芯阻燃输送带质量检测方法,其特征在于,所述基于所述超分辨率图像进行质量检测,包括:
利用最大类间方差算法对超分辨率图像进行二值化处理,提取表面缺陷部分;
基于缺陷部分的面积和输送带的总面积确定缺陷面占比;
基于所述缺陷面占比进行质量检测。
5.一种基于图像处理的整芯阻燃输送带的质量检测装置,其特征在于,包括:
获取模块,用于获取输送带的检测待测图像,并基于所述待测图像中各个像素点在第一预设方向上的梯度幅值将所述像素点分为第一像素点组合和第二像素点组合,所述第一像素点组合包括无梯度幅值的像素点,所述第二像素点组合包括有梯度幅值的像素点;
第一计算模块,用于计算所述第一像素点组合中每一像素点的第一灰度值;
第二计算模块,用于计算所述第二像素点组合中每一像素点在第二预设方向上的权重和所述像素点在每一方向上的灰度值对应的预测值,并基于所述权重和所述预测值计算得到所述第二像素点组合中每一像素点的第二灰度值;
图像确定模块,用于基于第一灰度值和所述第二灰度值得到所述待测图像对应的超分辨率图像;
质量检测模块,用于基于所述超分辨率图像进行质量检测;
所述计算所述第二像素点组合中每一像素点在第二预设方向上的权重和所述像素点在第二预设方向上的灰度值对应的预测值,包括:
计算所述第二像素点组合中每一像素点在第二预设方向上的灰度值对应的预测值;其中,所述第二预设方向包括:0°、45°、90°、135°、180°、225°、270°、315°;
基于所述第二像素点组合中每一像素点的灰度值以及纹理特征值对所述第二像素点组合中的像素点进行聚类,确定每一像素点的类跳变数;
基于所述类跳变数以及相邻两个像素点的灰度值差值确定所述第二像素点组合中每一像素点在所述第二预设方向上权重;
所述计算所述第二像素点组合中每一像素点在第二预设方向上的灰度值对应的预测值,包括:
使用最小二乘法对每一像素点在所述第二预设方向上距离最近的多个像素点进行线性拟合,进而得到每一像素点在第二预设方向上的灰度值对应的预测值;
所述基于所述类跳变数以及相邻两个像素点的灰度值差值确定所述第二像素点组合中每一像素点在所述第二预设方向上权重,包括:
通过如下公式(1)确定所述权重:
(1);
其中,表示权重,d表示方向,D表示方向的数量,/>表示在d方向上的类跳变数,类跳变数加一是为了防止当类跳变数为零时,出现系数为零的情况;/>表示在d方向上第i个像素点的灰度值,/>表示d方向上相邻两点像素点灰度值之差的绝对值,用于表征梯度变化情况。
6.一种电子设备,其特征在于,所述电子设备包括:相互藕接的处理器及存储器,其中,
所述存储器用于存储实现如权利要求1~4任意一项所述的方法的程序指令;
所述处理器用于执行所述存储器存储的所述程序指令。
7.一种存储介质,其特征在于,存储有程序文件,所述程序文件能够被执行以实现如权利要求1~4任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310685060.0A CN116416251B (zh) | 2023-06-12 | 2023-06-12 | 基于图像处理的整芯阻燃输送带质量检测方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310685060.0A CN116416251B (zh) | 2023-06-12 | 2023-06-12 | 基于图像处理的整芯阻燃输送带质量检测方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116416251A CN116416251A (zh) | 2023-07-11 |
CN116416251B true CN116416251B (zh) | 2023-08-25 |
Family
ID=87052980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310685060.0A Active CN116416251B (zh) | 2023-06-12 | 2023-06-12 | 基于图像处理的整芯阻燃输送带质量检测方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116416251B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020228111A1 (zh) * | 2019-05-16 | 2020-11-19 | 枣庄学院 | 一种基于x光图像的钢丝绳芯输送带接头抽动检测方法 |
CN112150368A (zh) * | 2019-06-27 | 2020-12-29 | 北京金山云网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN113034525A (zh) * | 2021-03-18 | 2021-06-25 | 河北工程大学 | 图像边缘检测方法、装置及设备 |
-
2023
- 2023-06-12 CN CN202310685060.0A patent/CN116416251B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020228111A1 (zh) * | 2019-05-16 | 2020-11-19 | 枣庄学院 | 一种基于x光图像的钢丝绳芯输送带接头抽动检测方法 |
CN112150368A (zh) * | 2019-06-27 | 2020-12-29 | 北京金山云网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN113034525A (zh) * | 2021-03-18 | 2021-06-25 | 河北工程大学 | 图像边缘检测方法、装置及设备 |
Non-Patent Citations (1)
Title |
---|
基于单幅图像的保边插值超分辨率优化算法;戴瑾;武欣仪;;计算机应用(S1);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116416251A (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8983200B2 (en) | Object segmentation at a self-checkout | |
CN109886928B (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
CN111008961B (zh) | 一种输电线路设备缺陷检测方法及其系统、设备、介质 | |
CN108986152B (zh) | 一种基于差分图像的异物检测方法及装置 | |
CN110335204B (zh) | 一种热成像图像增强方法 | |
CN114529459B (zh) | 一种对图像边缘进行增强处理的方法和系统及介质 | |
CN110335233B (zh) | 基于图像处理技术的高速公路护栏板缺陷检测系统和方法 | |
CN108961262B (zh) | 一种复杂场景下的条码定位方法 | |
CN115375917B (zh) | 一种目标边缘特征提取方法、装置、终端及存储介质 | |
CN114444565A (zh) | 一种图像篡改检测方法、终端设备及存储介质 | |
Ying et al. | Research on an automatic counting method for steel bars' image | |
CN116416251B (zh) | 基于图像处理的整芯阻燃输送带质量检测方法及相关装置 | |
CN111445510A (zh) | 一种图像中直线的检测方法 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
Xiang et al. | Recognition of characters on curved metal workpiece surfaces based on multi-exposure image fusion and deep neural networks | |
CN112101058B (zh) | 一种试卷条码自动识别方法及装置 | |
Xu et al. | Object detection based on co-occurrence gmulbp features | |
CN114943720A (zh) | 一种电力图像处理方法及装置 | |
CN111507177B (zh) | 一种用于计量周转柜的识别方法及装置 | |
CN114663681A (zh) | 用于对指针式仪表进行读数的方法及其相关产品 | |
CN113705660A (zh) | 目标识别方法及相关设备 | |
Suryawanshi et al. | Detection of contrast enhancement forgery in previously and post compressed jpeg images | |
CN113344905A (zh) | 一种带材跑偏量检测方法及系统 | |
CN113159027A (zh) | 基于最小外接矩形变体的七段式数显仪表识别方法 | |
CN111178111A (zh) | 二维码检测方法、电子设备、存储介质及系统 |
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 |