CN116485787B - 一种数据线成型外模外观缺陷检测方法 - Google Patents
一种数据线成型外模外观缺陷检测方法 Download PDFInfo
- Publication number
- CN116485787B CN116485787B CN202310706434.2A CN202310706434A CN116485787B CN 116485787 B CN116485787 B CN 116485787B CN 202310706434 A CN202310706434 A CN 202310706434A CN 116485787 B CN116485787 B CN 116485787B
- Authority
- CN
- China
- Prior art keywords
- image
- gray level
- pixel point
- outer mold
- data line
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000000465 moulding Methods 0.000 title claims abstract description 37
- 238000009826 distribution Methods 0.000 claims abstract description 33
- 230000003014 reinforcing effect Effects 0.000 claims abstract description 8
- 230000001105 regulatory effect Effects 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 9
- 230000000873 masking effect Effects 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 description 14
- 230000008859 change Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种数据线成型外模外观缺陷检测方法，属于图像数据处理技术领域；包括以下步骤：获取待检测数据线成型外模在不同角度和光线下的多个灰度图像；获取目标灰度图像上每个像素点的综合稳定程度；获取目标灰度图像上每个像素点所在区域线性分布的稳定程度；获取调节后的增强系数；根据调节后的增强系数对目标灰度图像进行增强获取增强后的图像；根据增强后的图像对数据线成型外模外观缺陷进行识别。本发明结合图像中像素的灰度以及空间关系对非线性反锐化掩模算法中的增强系数进行调整，使可以对图像中缺陷部分进行非线性增强；从而能够准备的识别出数据线成型外模外观的缺陷。
Description
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种数据线成型外模外观缺陷检测方法。
背景技术
在数据线生产工艺流程中，数据线外模在成型后为了达到生产厂家的数据线生产外观质量标准，需要对其进行外观检测获取各个待检测数据线外模的外观缺陷检测的相关指标数据，指导数据线已成型外模的质检工作，提高数据线成型外模的外观质量，保证产品品质。目前，数据线所成型的外模处常见的外观缺陷是划痕，由于外模表面的细微纹理信息的干扰且划痕部分的梯度虽然大于其他部分像素的梯度，但是差异不是特别大，属于一种弱缺陷。现有技术中常常非线性反锐化掩模算法对待检测数据线外模检测时，根据图像中灰度分布的常规方法对图像中所有高频像素不加区分地进行增强，会将图像中正常细微纹理的非缺陷部分也凸显出来，这样会干扰后续对划痕缺陷程度的测定，影响对数据线产品外观质量的检测。
发明内容
为了解决现有技术中利用非线性反锐化掩模算法检测时，根据图像中灰度分布的常规方法对图像中所有高频像素不加区分地进行增强，会将图像中正常细微纹理的非缺陷部分也凸显出来，这样会干扰后续对划痕缺陷程度的测定，影响对数据线产品外观质量的检测的不足，本发明提供一种数据线成型外模外观缺陷检测方法，该方法结合图像中像素的灰度以及空间关系对非线性反锐化掩模算法中的增强系数进行调整，使可以对图像中缺陷部分进行非线性增强。
本发明的目的是提供一种数据线成型外模外观缺陷检测方法，包括以下步骤：
获取待检测数据线成型外模在不同角度和光线下的多个灰度图像；
对每个灰度图像进行多次低通滤波获取每个灰度图像对应的第一图像；
根据每个灰度图像与其对应的第一图像相减获取每个灰度图像对应第二图像；
根据每个灰度图像对应于成型外模所处同位置的像素点的梯度值和灰度值，以及目标灰度图像上每个像素点对应每个第一图像中所处同位置像素点的梯度值，获取目标灰度图像上每个像素点的综合稳定程度；其中，所述目标灰度图像是从多个灰度图像选取的；
获取目标灰度图像上每个像素点对应于第二图像中像素点所在的连通域；根据每个连通域质心位置以及最小外接矩形的矩形度，获取目标灰度图像上每个像素点所在区域线性分布的稳定程度；
利用目标灰度图像上每个像素点的综合稳定程度及每个像素点所在区域线性分布的稳定程度，对反锐化掩模增强系数进行调节，获取调节后的增强系数；
根据调节后的增强系数对目标灰度图像进行增强获取增强后的图像；根据增强后的图像对数据线成型外模外观缺陷进行识别。
在一实施例中，所述目标灰度图像上每个像素点的综合稳定程度是按照以下步骤获取：
根据每个灰度图像对应于成型外模所处同位置的像素点的灰度值获取目标灰度图像上每个像素点的灰度稳定程度；
根据每个灰度图像对应于成型外模所处同位置的像素点的梯度值，以及目标灰度图像上每个像素点对应每个第一图像中所处同位置像素点的梯度值，获取目标灰度图像上每个像素点的梯度稳定程度；
根据目标灰度图像上每个像素点的灰度稳定程度和梯度稳定程度获取目标灰度图像上每个像素点的综合稳定程度。
在一实施例中，所述目标灰度图像上每个像素点的灰度稳定程度是将所有灰度图像中对应于成型外模所处同位置的像素点的灰度值的相对平均偏差值作为目标灰度图像上每个像素点的灰度稳定程度。
在一实施例中，所述目标灰度图像上每个像素点的梯度稳定程度是将所有灰度图像中对应于成型外模所处同位置的像素点的梯度值的相对平均偏差值与所有第一图像中对应于成型外模所处同位置的像素点的梯度值的相对平均偏差值的加和值，作为目标灰度图像上每个像素点的梯度稳定程度。
在一实施例中，将目标灰度图像上每个像素点的灰度稳定程度和梯度稳定程度的均值作为目标灰度图像上每个像素点的综合稳定程度。
在一实施例中，所述目标灰度图像上每个像素点对应第二图像中像素点所在连通域是通过对每个第二图像进行连通域检测而获取的。
在一实施例中，所述调节后的增强系数是按照以下步骤获取：
获取目标灰度图像上每个像素点的综合稳定程度与目标灰度图像上每个像素点所在区域线性分布的稳定程度的比值；将比值归一化后作为调节参数，对反锐化掩模增强系数进行调节，获取调节后的增强系数。
在一实施例中，所述对每个灰度图像进行多次低通滤波过程中分别对单个灰度图像进行至少5次的低通滤波处理。
本发明的有益效果是：本发明提供的一种数据线成型外模外观缺陷检测方法，该方法通过对每个灰度图像进行多次低通滤波获取每个灰度图像对应的第一图像；主要是利用高斯低通滤波对获取的数据线成型外模灰度图像进行模糊处理获取对应的低频图像；再根据每个灰度图像与其对应的第一图像相减获取每个灰度图像对应第二图像；也就是利用未滤波前图像和滤波后图像相减的方法获取原始图像中的高频部分的图像；能够有效利用不同位置处以及不同截止频率的低通滤波下划痕缺陷的像素相对稳定的特点，获取其在灰度、梯度和划痕的线性分布相关特征，也就是通过第一图像和第二图像以及灰度图像中的特征获取目标灰度图像上每个像素点的综合稳定程度以及获取目标灰度图像上每个像素点所在区域线性分布的稳定程度；最后利用在灰度、梯度和划痕的线性分布相关特征对非线性反锐化掩模算法中的增强系数进行像素级智能调节，能够对图像中的划痕缺陷进行重点锐化增强，实现可视化缺陷智能检测。避免其他非缺陷区域的检测干扰，以及对外观缺陷的误识别。从而能够准备的识别出数据线成型外模外观的缺陷。
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为本发明的一种数据线成型外模外观缺陷检测方法的实施例总体步骤的流程示意图。
图2为本发明中待检测数据线成型外模的图像采集设备示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明结合待检测数据线成型外模的图像中像素灰度和空间关系特征来增强非线性反锐化掩模算法对图像的划痕缺陷对应的像素进行较大程度的增强。
本发明主要针对数据线成型外模图像进行非线性锐化掩模算法的边缘细节增强时，增强系数预设不合适会导致不需要增强突出的正常部分也进行了增强。
本发明提供的一种数据线成型外模外观缺陷检测方法，参见图1所示，包括以下步骤：
S1、获取待检测数据线成型外模在不同角度和光线下的多个灰度图像；
对每个灰度图像进行多次低通滤波获取每个灰度图像对应的第一图像；
根据每个灰度图像与其对应的第一图像相减获取每个灰度图像对应第二图像；
对每个灰度图像进行多次低通滤波过程中分别对单个灰度图像进行至少5次的低通滤波处理。
在本实施例中，参见图2所示，对待检测数据线成型外模的图像采集设备，通过侧向的直射光源和多位置工业相机采集待检测数据线外模部分在不同位置的近距离图像，根据传送带的传送速度设置相机的拍照时间和顺序，使得能够获取到各位置处数据线外模表面在不同光源角度照射下的正面清晰纹理信息。由此通过多位置工业相机采集多个数据线成型外模图像，并将处于中间的工业相机采集的图像作为目标图像。
对所采集的多个图像记为，表示共N 个数据线外模图像/>，在采集过程中，可对在传送带上连续运动的数据线外模采集3次，即/>，进行灰度化预处理，获得灰度化后的原始图像序列/>。为了便于对数据线外模灰度图像上对应的同一个像素点进行分析处理，首先利用Sift算法将采集的多个数据线外模灰度图像进行匹配将不同位置的外模灰度图像对应起来；并将近距离图像采集设备获取的数据线成型外模表面灰度图像作为已完成训练的语义分割网络的输入，输出得到外模表面灰度图像，最后利用语义分割网络标注的外模区域进行灰度图像裁剪，获得数据线的外模灰度图像序列，记为/>。
需要说明的是，为了对外模灰度图像进行有针对性的增强，具体进行反锐化掩模算法中获取数据线外模灰度图像对应的低频图像和高频图像的常规实现步骤，利用高斯低通滤波对获取的数据线成型外模灰度图像/>进行模糊处理。其中，在本实施例中为了获取图像中的稳定高频像素，利用高斯低通滤波器对单个灰度图像进行M次的不同截止频率的滤波处理，其中，滤波处理过程中，截至频率/>，即设置截至频率以10为增加基数，每对原始图像滤波一次之后，截至频率增加10，再对原始图像进行滤波，m表示第m次滤波处理，记多次滤波处理所得图像序列为/>；将滤波处理所得图像作为第一图像；其中，M表示对图像共进行M次滤波，选取经验值/>，可根据实际进行调整，获取其对应的低频图像，并利用未滤波前图像和滤波后图像相减的方法获取原始图像中的高频部分的图像序列，记为/>；为此，将高频部分的图像作为第二图像。
S2、根据每个灰度图像对应于成型外模所处同位置的像素点的梯度值和灰度值，以及目标灰度图像上每个像素点对应每个第一图像中所处同位置像素点的梯度值，获取目标灰度图像上每个像素点的综合稳定程度；
其中，所述目标灰度图像是从多个灰度图像选取的。
需要说明的是，数据线外模出现划痕缺陷时，数据线外模表面通常有两种纹理，一种表面光滑，另一种是磨砂纹理的表面，这两种表面在数据线外模表面出现划痕时都会因为对光线的反射和散射使得划痕在图像中的梯度大小虽然较其他部分稍大，在利用工业相机对数据线外模多次在不同位置处获取其表面图像，正常不存在缺陷的区域会因为处于不同位置使得在侧向直射光的照射下，区域内像素会发生明暗变化，而图像中缺陷对应的像素梯度或灰度保持相对稳定。其中，划痕是一种呈线性分布的特征区域，即在划痕所在区域，其较高梯度的像素呈线性聚集分布的空间特征，因此对图像中像素进行梯度和空间分布的特征，构建对划痕缺陷像素的高程度增强，对其他像素进行削弱或低程度增强模型，实现对划痕缺陷的凸显和检测。为此可以对灰度图像利用Sobel算子先获取图像中像素的梯度大小，根据梯度分布获取图像中像素的梯度特征。需要说明的是，每个灰度图像对应于成型外模所处同位置的像素点，指的是成型外模上的一点对应于每个灰度图像上相同的像素点。
具体的，目标灰度图像上每个像素点的综合稳定程度是按照以下步骤获取：
根据每个灰度图像对应于成型外模所处同位置的像素点的灰度值获取目标灰度图像上每个像素点的灰度稳定程度；
根据每个灰度图像对应于成型外模所处同位置的像素点的梯度值，以及目标灰度图像上每个像素点对应每个第一图像中所处同位置像素点的梯度值，获取目标灰度图像上每个像素点的梯度稳定程度；
根据目标灰度图像上每个像素点的灰度稳定程度和梯度稳定程度获取目标灰度图像上每个像素点的综合稳定程度。
进一步，目标灰度图像上每个像素点的灰度稳定程度是将所有灰度图像中对应于成型外模所处同位置的像素点的灰度值的相对平均偏差值作为目标灰度图像上每个像素点的灰度稳定程度。
进一步，目标灰度图像上每个像素点的梯度稳定程度是将所有灰度图像中对应于成型外模所处同位置的像素点的梯度值的相对平均偏差值与所有第一图像中对应于成型外模所处同位置的像素点的梯度值的相对平均偏差值的加和值，作为目标灰度图像上每个像素点的梯度稳定程度。
进一步，将目标灰度图像上每个像素点的灰度稳定程度和梯度稳定程度的均值作为目标灰度图像上每个像素点的综合稳定程度。
在本实施例中，根据对划痕缺陷在相对位置变化和多次迭代中存在的稳定性特征，提出其对应的灰度-梯度稳定性模型，也就是目标灰度图像上每个像素点的综合稳定程度计算公式如下：
式中，表示目标灰度图像上位置坐标为/>的像素点的综合稳定程度；表示获取待检测数据线在不同位置处的N个灰度图像/>中位于i行、j列像素的灰度稳定程度，H值越小，对应的像素灰度值序列之间的差异越小，稳定程度越高；其中，表示位于在N个灰度图像/>中位于i行、j列的像素灰度值p；norm ( )函数表示归一化函数，将括号内所得数值映射到区间/>内；/>表示获取待检测数据线在不同位置处的N个灰度图像/>中位于i行、j列像素的梯度稳定程度和N *M个滤波结果第一图像中像素的梯度稳定程度；因为对N个位置图像分别都进行了M次滤波，故共有N*M个滤波结果第一图像；其中，/>表示在N个灰度图像/>中位于i行、j列像素的梯度值，分别表示在N个灰度图像/>经过M次高斯低通滤波后的第一图像/>中位于i行、j列像素的梯度值；/>函数表示获取括号中序列的相对平均偏差，所得值表示括号中序列元素值的偏离程度，用以反映括号中元素波动变化的稳定程度；需要说明的是，图像中划痕缺陷对应的像素灰度和梯度在不同位置处采集的图像和多次迭代滤波的结果图像中虽然程度大小相较于其他无缺陷区域差异较小，但是在经过相对位置变化和多次迭代滤波后，属于较高频的划痕缺陷部分的像素在灰度和梯度上保持了一定程度的稳定。为此，通过划痕缺陷在图像中的相关特征，比如：在外模表面图像中，划痕缺陷边缘的像素点相较于其他非缺陷区域像素点的梯度较大，划痕边缘的较高梯度像素呈线性特征分布，且划痕在多次相对位置的变化下其灰度、梯度相较于其他区域更为稳定，也就通过将目标灰度图像上每个像素点的灰度稳定程度和梯度稳定程度的均值作为目标灰度图像上每个像素点的综合稳定程度。通过综合稳定程度分析划痕缺陷的灰度和梯度稳定性。同时分析获取图像中高频像素在梯度和空间上的相关特征参数，利用所得的相关特征参数构建增强系数的调整参数，使算法对外模图像中划痕缺陷对应像素增强程度最高，以实现对图像的非线性锐化增强。
S3、获取目标灰度图像上每个像素点对应于第二图像中像素点所在的连通域；根据每个连通域质心位置以及最小外接矩形的矩形度，获取目标灰度图像上每个像素点所在区域线性分布的稳定程度；
需要说明的是，当在高频部分的图像序列中，各图像中的高频部分含有划痕对应的高频像素点，而划痕部分的高频像素点在同一空间位置中呈较为稳定的线性特征分布。
具体的，目标灰度图像上每个像素点对应第二图像中像素点所在连通域是通过对每个第二图像进行连通域检测而获取的。
在本实施例中，首先，获取在第二图像序列中像素点所在连通域的质心位置，以及该连通域最小外接矩形的长c、宽k和矩形度/>。然后，获取目标灰度图像上每个像素点所在区域线性分布的稳定程度。
具体的，目标灰度图像上每个像素点所在区域线性分布的稳定程度的计算公式如下：
式中，表示目标灰度图像上位置坐标为/>的像素点所在区域线性分布的稳定程度；
表示目标灰度图像上位置坐标为/>的像素点对应多个第二图像中位于i行、j列的像素所在连通域的平均矩形度，矩形度越大，连通域越接近与矩形；需要说明的是，由于对数据线外模图像在不同截至频率的高斯低通滤波下，利用低通滤波后图像和原外模图像作差后得到的高频部分图像中部分像素点在较低截止频率对应的高频图像中存在，而在较高截止频率对应的高频图像中不存在，故当出现上述情况时，设定对应图像中像素的矩形度/>；/>表示目标灰度图像上位置坐标为/>的像素点对应多个第二图像中像素点所在连通域的质心位置/>；/>表示获取括号中序列的相对平均偏差，所得值表示括号中序列元素值的偏离程度，用以反映括号中元素波动变化的稳定程度；/>表示获取第二图像序列/>中像素点所在连通域的质心位置之间的差异程度，差异程度越小，表示该连通域的范围或形状越不容易受到直射光照射角度变化而变化，越有可能属于划痕缺陷。norm ( )为归一化函数，将括号内的数值映射到区间/>范围内；/>表示第m个第二图像中对应连通域最小外接矩形的长宽比，长宽比越大，该连通域越狭长，越具有线性分布特征；M表示有M个第二图像。由此可见，获取的目标灰度图像上每个像素点所在区域线性分布的稳定程度/>表示位于i行、j列的像素所在连通域的形状趋近于线性分布的稳定程度，该像素所在连通域越趋近于线性特征，即狭长的矩形形状，则/>的值越大，且在N*M个图像中线性分布特征越稳定，即的值越小，且统计值/>越大，该连通域所含的像素越有可能是组成了划痕缺陷的像素，则该像素对应的所在区域线性分布的稳定程度/>的值就越大。为此，通过获取/>反映了图像中位于i行、j列的像素属于划痕缺陷的可能性，根据该可能性程度可以作为后续中对图像中属于划痕缺陷的像素进行锐化增强系数的调节参数，对这些像素大幅度增强锐化，凸显出缺陷区域，实现划痕缺陷的检测和可视化。
由此可见，通过对不同位置的数据线外模图像进行多次高斯低通滤波结合图像减法获取到多个数据线外模图像的高频信息图像，并经过对数据线外模图像的灰度特征和高频信息图像的梯度特征分析，得到图像中各位置处像素点的综合稳定程度，另外，结合划痕缺陷呈线状分布的空间特征，得到线性分布的稳定程度，为后续对反锐化掩模参数提供了相关调节参数。
S4、利用目标灰度图像上每个像素点的综合稳定程度及每个像素点所在区域线性分布的稳定程度，对反锐化掩模增强系数进行调节，获取调节后的增强系数；根据调节后的增强系数对目标灰度图像进行增强获取增强后的图像；
需要说明的是，常规的非线性反锐化掩模算法仅仅是考虑了图像中灰度值和密度，未能考虑到图像中像素的变化特征和空间关系特征，无法重点突出对图像中需要重点增强的部分未能进行更大幅度的增强凸显。因此，需要结合对图像中像素的灰度、梯度和线性空间分布的特征描述参数作为对非线性掩模算法中增强系数的调节参数，实现对图像中划痕缺陷像素的凸显增强。
具体的，调节后的增强系数是按照以下步骤获取：
获取目标灰度图像上每个像素点的综合稳定程度与目标灰度图像上每个像素点所在区域线性分布的稳定程度的比值；将比值归一化后作为调节参数，对反锐化掩模增强系数进行调节，获取调节后的增强系数。
在本实施例中，调节后的增强系数计算公式如下：
式中，表示目标灰度图像上位置坐标为/>的像素点所在区域线性分布的稳定程度；
表示目标灰度图像上位置坐标为/>的像素点的综合稳定程度；norm ( )函数为归一化函数，为了避免括号中/>数值过大，造成对图像中像素的过增强，将括号内计算结果值映射到区间/>中；/>表示未进行调节的反锐化掩模增强系数；/>表示调节后的增强系数。其中，未进行调节的反锐化掩模增强系数的计算公式如下：，式中，/>表示目标灰度图；/>表示目标灰度图的最大灰阶；为此，/>的值越接近1，图像中某高频区域图像中所含像素组成的连通域外形越近似于线性，即狭长矩形的形状分布特征，且该连通域的外形变化越小，这些像素越有可能是属于划痕缺陷的像素，对/>值的增强幅度就越大；/>的值越接近0时，图像中的像素灰度和梯度越稳定，表示该像素越不容易受到光源照射角度变化的影响，即灰度和梯度越是稳定，越有可能属于划痕缺陷的像素，则/>值的增强幅度就越大。
在本实施例中，根据调节后的增强系数对目标灰度图像进行增强获取增强后的图像；具体增强的计算公式如下：
式中，表示增强后的图像；/>表示目标灰度图；/>表示调节后的增强系数；/>表示目标灰度图通过低通滤波后的图像；由于增幅程度不同的高频像素都存在于第一次，即截止频率/>的高斯低通滤波后图像中，因此本实施例中目标灰度图像通过低通滤波后的图像/>可选用高斯低通滤波的截止频率/>对应的滤波结果图像。可见，利用调节后的反锐化掩模增强系数对数据线外模图像中像素进行不同程度的增强，重点突出图像中的划痕缺陷的像素，实现对图像中划痕缺陷的可视化智能检测。为此，通过对获取的像素灰度、梯度以及空间特征描述参数对反锐化掩模中的增强系数进行精细化调节，实现了对图像中的划痕缺陷像素的重点突出增强。
在本实施例中，通过利用多位置采集图像和多截止频率的高斯低通滤波对图像中像素进行灰度、梯度以及线性分布的特征分析，根据分析结果对图像中像素进行精细化智能增强，重点突出图像中划痕缺陷的像素，实现对数据线成型外模外观缺陷的智能检测。
S5、根据增强后的图像对数据线成型外模外观缺陷进行识别。
在本实施例中，通过对增强后的图像的处理分析，获得对非线性反锐化掩模算法中的增强系数的精细调节，对划痕缺陷区域像素重点增强突出，以此实现对外模上划痕缺陷的可视化以及像素级智能检测。
以上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 (8)
1.一种数据线成型外模外观缺陷检测方法，其特征在于，包括以下步骤：
获取待检测数据线成型外模在不同角度和光线下的多个灰度图像；
对每个灰度图像进行多次低通滤波获取每个灰度图像对应的第一图像；
根据每个灰度图像与其对应的第一图像相减获取每个灰度图像对应第二图像；
根据每个灰度图像对应于成型外模所处同位置的像素点的梯度值和灰度值，以及目标灰度图像上每个像素点对应每个第一图像中所处同位置像素点的梯度值，获取目标灰度图像上每个像素点的综合稳定程度；其中，所述目标灰度图像是从多个灰度图像选取的；
获取目标灰度图像上每个像素点对应于第二图像中像素点所在的连通域；根据每个连通域质心位置以及最小外接矩形的矩形度，获取目标灰度图像上每个像素点所在区域线性分布的稳定程度；
利用目标灰度图像上每个像素点的综合稳定程度及每个像素点所在区域线性分布的稳定程度，对反锐化掩模增强系数进行调节，获取调节后的增强系数；
根据调节后的增强系数对目标灰度图像进行增强获取增强后的图像；根据增强后的图像对数据线成型外模外观缺陷进行识别。
2.根据权利要求1所述的数据线成型外模外观缺陷检测方法，其特征在于，所述目标灰度图像上每个像素点的综合稳定程度是按照以下步骤获取：
根据每个灰度图像对应于成型外模所处同位置的像素点的灰度值获取目标灰度图像上每个像素点的灰度稳定程度；
根据每个灰度图像对应于成型外模所处同位置的像素点的梯度值，以及目标灰度图像上每个像素点对应每个第一图像中所处同位置像素点的梯度值，获取目标灰度图像上每个像素点的梯度稳定程度；
根据目标灰度图像上每个像素点的灰度稳定程度和梯度稳定程度获取目标灰度图像上每个像素点的综合稳定程度。
3.根据权利要求2所述的数据线成型外模外观缺陷检测方法，其特征在于，所述目标灰度图像上每个像素点的灰度稳定程度是将所有灰度图像中对应于成型外模所处同位置的像素点的灰度值的相对平均偏差值作为目标灰度图像上每个像素点的灰度稳定程度。
4.根据权利要求2所述的数据线成型外模外观缺陷检测方法，其特征在于，所述目标灰度图像上每个像素点的梯度稳定程度是将所有灰度图像中对应于成型外模所处同位置的像素点的梯度值的相对平均偏差值与所有第一图像中对应于成型外模所处同位置的像素点的梯度值的相对平均偏差值的加和值，作为目标灰度图像上每个像素点的梯度稳定程度。
5.根据权利要求2所述的数据线成型外模外观缺陷检测方法，其特征在于，将目标灰度图像上每个像素点的灰度稳定程度和梯度稳定程度的均值作为目标灰度图像上每个像素点的综合稳定程度。
6.根据权利要求1所述的数据线成型外模外观缺陷检测方法，其特征在于，所述目标灰度图像上每个像素点对应第二图像中像素点所在连通域是通过对每个第二图像进行连通域检测而获取的。
7.根据权利要求1所述的数据线成型外模外观缺陷检测方法，其特征在于，所述调节后的增强系数是按照以下步骤获取：
获取目标灰度图像上每个像素点的综合稳定程度与目标灰度图像上每个像素点所在区域线性分布的稳定程度的比值；将比值归一化后作为调节参数，对反锐化掩模增强系数进行调节，获取调节后的增强系数。
8.根据权利要求1所述的数据线成型外模外观缺陷检测方法，其特征在于，所述对每个灰度图像进行多次低通滤波过程中分别对单个灰度图像进行至少5次的低通滤波处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310706434.2A CN116485787B (zh) | 2023-06-15 | 2023-06-15 | 一种数据线成型外模外观缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310706434.2A CN116485787B (zh) | 2023-06-15 | 2023-06-15 | 一种数据线成型外模外观缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116485787A CN116485787A (zh) | 2023-07-25 |
| CN116485787B true CN116485787B (zh) | 2023-08-22 |
Family
ID=87223527
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310706434.2A Active CN116485787B (zh) | 2023-06-15 | 2023-06-15 | 一种数据线成型外模外观缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116485787B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117197783B (zh) * | 2023-11-07 | 2024-01-23 | 深圳捷渡科技有限公司 | 基于智能感知的行车记录仪数据分析系统 |
| CN118411367B (zh) * | 2024-07-03 | 2024-09-10 | 浙江一鸣包装印刷有限公司 | 用于塑料包装的印刷图案缺陷检测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110286126A (zh) * | 2019-06-17 | 2019-09-27 | 浙江大学 | 一种基于视觉图像的晶圆表面缺陷分区域检测方法 |
| WO2022089079A1 (zh) * | 2020-10-30 | 2022-05-05 | 湖北锐世数字医学影像科技有限公司 | 图像处理方法、装置、设备、系统及计算机可读存储介质 |
| CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
| EP4174766A1 (en) * | 2021-10-29 | 2023-05-03 | Siemens Aktiengesellschaft | Generating segmentation masks for training a semantic segmentation model |
-
2023
- 2023-06-15 CN CN202310706434.2A patent/CN116485787B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110286126A (zh) * | 2019-06-17 | 2019-09-27 | 浙江大学 | 一种基于视觉图像的晶圆表面缺陷分区域检测方法 |
| WO2022089079A1 (zh) * | 2020-10-30 | 2022-05-05 | 湖北锐世数字医学影像科技有限公司 | 图像处理方法、装置、设备、系统及计算机可读存储介质 |
| EP4174766A1 (en) * | 2021-10-29 | 2023-05-03 | Siemens Aktiengesellschaft | Generating segmentation masks for training a semantic segmentation model |
| CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于机器视觉和PNN神经网络的鸭蛋表面缺陷检测研究;郑梓瀚 等;《现代农业装备》;第44卷(第1期);第56-63页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116485787A (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116485787B (zh) | 一种数据线成型外模外观缺陷检测方法 | |
| CN110992329B (zh) | 一种产品表面缺陷检测方法、电子设备及可读存储介质 | |
| CN107657606B (zh) | 一种显示装置的亮度缺陷检测方法与装置 | |
| CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
| CN105976330B (zh) | 一种嵌入式雾天实时视频稳像方法 | |
| CN109242853A (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
| CN114399522A (zh) | 一种基于高低阈值的Canny算子的边缘检测方法 | |
| CN103175844A (zh) | 一种金属零部件表面划痕缺陷检测方法 | |
| CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
| CN106157264B (zh) | 基于经验模式分解的大幅面图像不均匀光照校正方法 | |
| CN108133462B (zh) | 一种基于梯度场区域分割的单幅图像的复原方法 | |
| CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
| CN113610850B (zh) | 一种基于图像处理的装饰纸纹理异常检测方法 | |
| CN117611563B (zh) | 一种基于图像处理的塑胶模具生产缺陷检测方法 | |
| CN111445490B (zh) | 一种显微操作系统目标前景提取方法及系统 | |
| CN115439494A (zh) | 用于喷雾机质检的喷雾图像处理方法 | |
| CN117745724B (zh) | 基于视觉分析的石材打磨加工缺陷区域分割方法 | |
| CN115359044A (zh) | 一种基于图像增强的金属件表面划痕检测方法 | |
| CN108830851B (zh) | 一种lcd粗糙斑缺陷检测方法 | |
| CN113344810A (zh) | 基于动态数据分布的图像增强方法 | |
| CN107895371B (zh) | 基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法 | |
| CN111754538A (zh) | Usb表面缺陷检测的阈值分割方法 | |
| CN117036205A (zh) | 基于图像增强的注塑件生产质量检测方法 | |
| Calderón et al. | Dewaff: A novel image abstraction approach to improve the performance of a cell tracking system | |
| George et al. | Automatic defect detection inspectacles and glass bottles based on Fuzzy C Means Clustering |
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 |