CN116485797B - 基于人工智能的涂料色差快速检测方法 - Google Patents
基于人工智能的涂料色差快速检测方法 Download PDFInfo
- Publication number
- CN116485797B CN116485797B CN202310744290.XA CN202310744290A CN116485797B CN 116485797 B CN116485797 B CN 116485797B CN 202310744290 A CN202310744290 A CN 202310744290A CN 116485797 B CN116485797 B CN 116485797B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- degree
- channel
- domain
- connected domain
- 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
- 239000003973 paint Substances 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 195
- 238000000034 method Methods 0.000 claims abstract description 59
- 230000011218 segmentation Effects 0.000 claims abstract description 47
- 238000004891 communication Methods 0.000 claims abstract description 45
- 238000005286 illumination Methods 0.000 claims abstract description 45
- 230000004075 alteration Effects 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000011248 coating agent Substances 0.000 abstract description 5
- 238000000576 coating method Methods 0.000 abstract description 5
- 241000669618 Nothes Species 0.000 description 23
- 238000005507 spraying Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 239000007788 liquid Substances 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 230000007704 transition Effects 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color 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
- G06T2207/30156—Vehicle coating
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于人工智能的涂料色差快速检测方法,包括:通过迭代分割阈值分割图像得到最佳分割阈值;对图像进行阈值分割并分析分割结果;计算异常连通域与正常区域的区分程度,再通过反光区域与异常连通域之间的距离,计算异常连通域受到光照的影响程度,结合二者,计算去除光照影响后异常连通域的区分程度;通过各个通道去除反光后异常连通域的区分程度,计算去除光照影响后各通道对图像异常连通域区分的贡献度,以此作为RGB图像灰度化的权值,将汽车喷漆图像进行灰度化处理。本发明避免了传统方法灰度化时,色差不明显导致阈值分割后的连通域不完整的情况。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于人工智能的涂料色差快速检测方法。
背景技术
在汽车制造产业中,汽车销售的首先被观察到的是汽车的外观,汽车外观包括车型和颜色。颜色的好坏对汽车的销售具有重大影响。汽车在喷漆时对其喷漆效果的检测,喷漆时可能由于喷漆搅拌不均匀或者喷涂不均匀造成车漆颜色有色差。产品存在色差会严重的产品的销售,对产品出厂前的质量检测至关重要。
通过机器视觉去对汽车喷漆色差进行检测相对比通过人眼感官来说更加精准,识别的效率更高。当汽车喷漆存在色差时其灰度会存在差异采用阈值分割时存在色差的汽车分割结果出斑块状,分析其斑块状出现情况可以判断是否存在色差,但是图像中存在色差时灰度波动较小一般检测不出来同时反光区域的存在也会影响斑块状连通域情况的分析。
本发明采用阈值分割不同通道下图像,分析其连通域在不同通道下的表现能力,分析连通域内窗口的像素值的分布情况,降低反光区域带来的影响程度,通过每个连通域在不同通道下的表现能力,确定每个通道对图像区分的贡献度,根据贡献度获得每个通道的灰度化权值,根据权值进行灰度化获得色差区分明显的灰度图像。
发明内容
本发明提供基于人工智能的涂料色差快速检测方法,以解决现有的问题。
本发明的基于人工智能的涂料色差快速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人工智能的涂料色差快速检测方法,该方法包括以下步骤:
采集汽车图像;
通过迭代分割阈值对汽车图像的灰度图像进行阈值分割,结合每个分割阈值对应的异常连通域的数量与异常连通域的面积,获取最佳分割阈值和异常连通域;
通过异常连通域中边缘像素点的分布情况,计算异常连通域中各个边缘像素点对异常连通域形状的贡献程度;
根据异常连通域中各个边缘像素点对异常连通域形状的贡献程度、异常连通域边界区域和正常区域的差异和异常连通域内像素点的像素值分布情况,计算异常连通域与正常区域的区分程度;
通过图像中各个异常连通域与反光区域之间的距离,计算图像中各个异常连通域受到反光区域的影响程度;
结合图像中各个异常连通域受到反光区域的影响程度与异常连通域与正常区域的区分程度,计算去除反光后异常连通域的区分程度;
通过每个通道去除反光后异常连通域的区分程度,计算去除光照影响后各通道对异常连通域的区分程度;
通过去除光照影响后各通道对异常连通域的贡献程度,计算去除光照影响后各通道对图像异常连通域区分的贡献度;
将每个通道对图像异常连通域区分的贡献度作为灰度化时每个通道的权值,对汽车图像进行灰度化处理;
根据灰度化处理后的汽车图像的连通域的分布位置信息,判断汽车喷漆是否存在色差。
优选的,所述获取最佳分割阈值和异常连通域,包括的具体步骤如下:
以分割阈值所分割出的连通域数量与连通域的面积的乘积达到最大时的分割阈值,作为分割汽车图像的最优分割阈值;
根据最优分割阈值对汽车图像的灰度图像进行阈值分割,得到所有异常连通域。
优选的,所述计算异常连通域中各个边缘像素点对异常连通域形状的贡献程度,包括的具体步骤如下:
通过设置一个3×3的滑动窗口,以异常连通域的边缘像素点为滑动窗口的中心点,沿异常连通域的边缘滑动,记录所有滑窗内异常边缘像素点的分布位置,根据相邻的两个滑窗内异常边缘像素点的分布位置,记录相邻的两个滑窗内异常边缘像素点的分布位置的差异数量,以此为依据计算这个两个窗口对异常域形状的贡献程度;
式中,表示第个边缘像素点上的窗口与第个窗口之间的连通域形状的贡
献程度;表示第个窗口内异常边缘像素点的分布位置;表示第个窗口内异常边缘
像素点的分布位置的分布位置;为异或运算符号;表示第个窗口内与第个
窗口内异常边缘像素点分布位置的差异数量;为Softmax归一化函数。
优选的,所述异常连通域与正常区域的区分程度的具体计算公式如下:
式中,表示在通道中的第个异常连通域内像素点的像素值的方差,表示
在通道中以第个异常连通域上的第个边缘像素点为中心点的3×3窗口中所有像素点的
像素值均值,表示在通道中的汽车图像内正常像素点的像素值的均值,表示在通
道中第个异常连通域的第个边缘像素点上的窗口与第个窗口之间的连通域形状的贡
献程度,表示在通道中第个异常连通域的边缘点数量,所计算的表示在通道中
第个异常连通域与正常区域的区分程度,为Softmax归一化函数;
同理,获得在通道中第个异常连通域与正常区域的区分程度和在通道中
第个异常连通域与正常区域的区分程度。
优选的,所述图像中各个位置受到反光区域的影响程度的具体计算公式如下:
式中,和和分别表示通道、通道和通的第个异常连通域的区分
程度,、和分别表示在通道、通道和通道中第个异常连通域内像素点的像素
值的方差,表示窗口内像素点像素值的平均值,表示窗口中心像素点到反光区域中心的
距离,所计算的表示在通道中第个异常连通域内窗口受到反光影响程度;
同理,获得在通道中第个异常连通域内窗口受到反光影响程度和在通道
中第个异常连通域内窗口受到反光影响程度。
优选的,所述窗口中心像素点到反光区域中心的距离,包括的具体步骤如下:
反光区域即为汽车图像中像素值最大的像素点所组成的区域,通过反光区域中的中心点的坐标与所选定的窗口的中心点的坐标,结合勾股定理,计算得窗口中心像素点到反光区域中心的距离。
优选的,所述去除反光后异常连通域的区分程度的具体计算公式如下:
式中,表示在通道中的第个异常连通域内像素点的像素值的方差,表示
在通道中以第个异常连通域上的第个边缘像素点为中心点的3×3窗口中所有像素点的
像素值均值,表示在通道中的汽车图像内正常像素点的像素值的均值,表示在通
道中第个异常连通域的第个边缘像素点上的窗口与第个窗口之间的连通域形状的贡
献程度,表示在通道中第个异常连通域的边缘点数量,表示在通道中第个连通
域受到光照的影响程度,所计算的表示在通道中第个异常连通域去除光照影响后
与正常区域的区分程度,为Softmax归一化函数;
同理,获得在通道中第个异常连通域去除光照影响后与正常区域的区分程度和在通道中第个异常连通域去除光照影响后与正常区域的区分程度。
优选的,所述计算去除光照影响后各通道对异常连通域的区分程度,包括的具体步骤如下:
将在各个通道中异常连通域去除光照影响后与正常区域的区分程度与所有通道中异常连通域去除光照影响后与正常区域的区分程度之和的比值,记为去除光照影响后各个通道对异常连通域的区分程度。
优选的,所述计算去除光照影响后各通道对图像异常连通域区分的贡献度,包括的具体步骤如下:
将去除光照影响后各个通道对所有异常连通域的区分程度的均值,记为去除光照影响后各个通道对图像异常连通域区分的贡献度。
本发明的技术方案的有益效果是:通过采用阈值分割不同通道下图像,分析其连通域在不同通道下的表现能力,分析连通域内窗口的像素值的分布情况,降低反光区域带来的影响程度,通过每个连通域在不同通道下的表现能力,确定每个通道对图像区分的贡献度,根据贡献度获得每个通道的灰度化权值,根据权值进行灰度化获得色差区分明显的灰度图像。避免了传统方法灰度化时色差不明显灰度化后的像素值近似,导致阈值分割后的连通域不完整,对汽车喷漆存在色差的情况判断不准确,导致产品出现质量问题。
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为本发明基于人工智能的涂料色差快速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基于人工智能的涂料色差快速检测方法,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人工智能的涂料色差快速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人工智能的涂料色差快速检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:通过相机拍摄汽车喷漆RGB图像,对RGB图像进行预处理。
需要说明的是,由于使用相机拍摄的汽车喷漆后的RGB图像内存在背景,而背景的存在会影响判断异常区域是否存在。为避免汽车喷漆后的RGB图像中的背景对判断异常产生影响,所以需要将汽车喷漆后的RGB图像中的背景分割出去。
具体的,使用相机拍摄的汽车喷漆后的RGB图像,采取语义分割将汽车喷漆后的RGB图像中的背景分割出去,由于语义分割是公知的现有技术,故不在本实施例中过多的赘述。
至此,得到了去除背景的汽车喷漆RGB图像,为方便本实施例后续的叙述,所以在本实施例中之后的去除背景的汽车喷漆RGB图像,简称为汽车图像。
步骤S002:通过分析汽车图像,生成汽车图像的最优分割阈值。
需要说明的是,当汽车图像内存在异常时,由于异常的颜色和正常的颜色有一定的区别,但这种区别在RGB图像中的区别不大,所以需要对图像进行灰度化处理,将图像灰度化处理后通过分析灰度的差异可以有效的区分差异性,但异常与正常颜色之间的区别仍然较小,寻常的阈值分割方法可能导致分割后的结果不理想,所以需要生成一个最优的分割阈值。具体的,对汽车图像进行灰度化处理,获得灰度图像;将[0,255]范围内的每个灰度值作为分割阈值,根据每个分割阈值对灰度图像进行阈值分割,将灰度图像中的所有像素点分为两个类别;将像素点数量较少的类别中的像素点记为异常像素点,对所有异常像素点进行连通域分析,将获得的所有连通域记为异常连通域,另一个类别中的像素点为正常像素点,正常像素点组成的区域为正常区域。
进一步,根据每个分割阈值对应的所有异常连通域的数量和面积,获得每个分割阈值的分割效果,具体计算公式为:
式中,表示分割阈值t的分割效果,表示分割阈值t对应的所有异常连通域的
数量,表示分割阈值t对应的所有异常连通域的总面积。
当经过阈值分割汽车图像后,所分割出的异常连通域数量越多,异常连通域的总
面积越大,则说明所选取的分割阈值越好,当阈值分割效果的值越大时,分割效果就越
好。
通过迭代分割阈值,选取分割效果最大时的分割阈值,作为分割汽车图像的最优分割阈值,根据最优分割阈值对汽车图像的灰度图像进行阈值分割,得到所有异常连通域。
步骤S003:分析异常连通域,计算异常连通域的区分程度。
需要说明的是,因为异常连通域边界区域和正常区域的差异越大,则表示异常连通域的区分程度就越好;且在异常连通域内像素点的像素值分布越均匀,则异常连通域的区分程度就越好。边缘上不同位置的像素点的重要程度不同,且拐点处像素点要比平滑边缘的像素点对连通域形状定位的贡献程度大。
具体的,可设置一个3×3的滑动窗口,以异常连通域的异常边缘像素点为滑动窗
口的中心点,沿异常连通域的边缘滑动,记录所有滑窗内异常边缘像素点的分布位置,根据
相邻的两个滑窗内异常边缘像素点的分布位置,记录相邻的两个滑窗内异常边缘像素点的
分布位置的差异数量,以此为依据计算这个两个窗口对异常连通域形状的贡献程度,具体
计算公式为:
式中,表示第个窗口与第个窗口之间的连通域形状的贡献程度;表示第
个窗口内异常边缘像素点的分布位置;表示第个窗口内异常边缘像素点的分布位
置的分布位置;为异或运算符号;所以表示第个窗口内与第个窗口内异常
边缘像素点分布位置的差异数量;为Softmax归一化函数。
至此,获得了这个两个窗口对连通域形状的贡献程度。
通过将异常连通域边界区域和正常区域的差距、异常连通域内像素点的像素值分布均匀情况和异常连通域边缘像素点的形状的贡献程度,计算每个异常连通域的区分程度,具体方法为:
式中,表示在通道中的第个异常连通域内像素点的像素值的方差,表示
在通道中以第个异常连通域上的第个边缘像素点为中心点的3×3窗口中所有像素点的
像素值均值,表示在通道中的汽车图像内正常像素点的像素值的均值,表示在通
道中第个异常连通域的第个边缘像素点上的窗口与第个窗口之间的连通域形状的贡
献程度,表示在通道中第个异常连通域的边缘点数量,所计算的表示在通道中
第个异常连通域与正常区域的区分程度,为Softmax归一化函数。
依照上述方法,获取汽车图像通道和通道的第个连通域的区分程度,分别记为和。
步骤S004:分析根据图像中反光区域与异常连通域的位置,计算异常连通域中各个位置受到光照的影响程度,并获取去除光照影响后异常连通域的区分程度。
需要说明的是,由于反光区域的存在会影响分割程度的判断,所以需要计算每个异常连通域受光照的影响程度。因为反光区域会形成光晕,汽车图像各个位置受到光照的影响程度和各个位置与反光区域之间的距离呈现类高斯模型分布,即在汽车图像中距离反光区域越近受到光照的影响就越大。为了降低光照的影响,计算每个通道下减小光照影响后相同位置的表现能力,判断每个区域有的区分程度。
进一步需要说明的是,因为反光区域的核心的像素值变化是均匀的,且在汽车图像中反光区域像素点的像素值是最高的,所述反光区域即为汽车图像中像素值最大的像素点所组成的区域,受到反光区域的影响的区域,其像素点值会呈现一个渐变的过程的,像素点值的过渡较为平滑。计算每个窗口内像素点的值越大受到的影响越大,其在三通道的表现能力越强说明受影响的程度越大,像素值的分布越均匀受到的影响越大。
具体的,通过建立窗口对异常连通域进行划分,计算每个异常连通域内窗口受到反光影响程度。
可设置一个3×3的滑窗,对异常连通域进行遍历,统计所有滑窗中心像素点与反光区域中心点的距离,计算异常连通域内窗口受到反光影响程度的具体公式有:
式中,和和分别表示通道、通道和通的第个异常连通域的区分
程度,、和分别表示在通道、通道和通道中第个异常连通域内像素点的像素
值的方差,表示窗口内像素点像素值的平均值,表示窗口中心像素点到反光区域中心的
距离,所计算的表示在通道中第个异常连通域内窗口受到反光影响程度。
依照上述方法,获取汽车图像通道和通道中第个异常连通域内窗口受到反光
影响程度,分别记为和。
根据上述计算得到的异常连通域内窗口受到反光区域的影响程度,结合异常连通域的区分程度,计算去除光照影响后异常连通域的区分程度。
;
式中,表示在通道中的第个异常连通域内像素点的像素值的方差,表示
在通道中以第个异常连通域上的第个边缘像素点为中心点的3×3窗口中所有像素点的
像素值均值,表示在通道中的汽车图像内正常像素点的像素值的均值,表示在通
道中第个异常连通域的第个边缘像素点上的窗口与第个窗口之间的连通域形状的贡
献程度,表示在通道中第个异常连通域的边缘点数量,表示在通道中第个异常
连通域受到光照的影响程度,所计算的表示在通道中第个异常连通域去除光照影
响后与正常区域的区分程度,为Softmax归一化函数。
依照上述方法,获取汽车图像各个通道内的异常连通域去除光照影响后与正常区
域的区分程度,将分别通道和通道中第个异常连通域去除光照影响后与正常区域的区
分程度记为和。
步骤S005:根据图像的各个通道的区分程度,判断每个通道对图像颜色的贡献程度,对图像进行灰度化处理。
具体的,计算每个通道下相同位置连通域的区分程度,根据区分程度获取这个连通域在不同窗口下的贡献程度。同理,可以获得不同通道下的区分程度,即:
式中,,和分别表示在通道,通道,通道中第个异常连通域
去除光照影响后与正常区域的区分程度,所计算的,和分别为去除光照影响后
通道,通道,通道对第j个异常连通域的区分程度。
然后计算每个通道对图像异常连通域区分的贡献度:
式中,、、分别为去除光照影响后通道,通道,通道对第j个异常连
通域的区分程度,表示汽车图像中所有连通域的个数,所计算的,,分别为
去除光照影响后通道,通道,通道对图像异常连通域区分的贡献度。
根据获得的RGB三通道下每个通道的对图像异常连通域区分的贡献程度作为RGB图像灰度化的权值,将汽车喷漆图像进行灰度化处理。
步骤S006:根据不同权值灰度化后的汽车灰度图像进行阈值分割,分析其连通域判断是否存在色差。
需要说明的是,汽车图像经过上述灰度化后存在色差的区域灰度区分度会较为明显,在汽车图像中会存在其纹理特征,同一种汽车的相同位置其纹理特征的分布情况应该是相同的,如果其连通域的分布情况和正常车辆的分布差异较大,汽车喷漆存在色差的可能性较大。
具体的,将灰度化后的图像采用阈值分割,转化为二值图并将其称为第一二值图;
将一份没有色差的汽车图像使用相同的方法转化成二值图,并称为第二二值图,对这两份
二值图做差求得差值,将得到的差值与第一二值图的一个比值,若所计算得的比值大于,则该汽车图像中存在色差,具体可根据实际情景进行设置的取值,在本实施例中设置进行叙述,即当算计算的比值时,该汽车喷漆是存在色差,反之则不存在
色差。
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 (3)
1.基于人工智能的涂料色差快速检测方法,其特征在于,该方法包括以下步骤:
采集汽车图像;
通过迭代分割阈值对汽车图像的灰度图像进行阈值分割,结合每个分割阈值对应的异常连通域的数量与异常连通域的面积,获取最佳分割阈值和异常连通域;
通过异常连通域中边缘像素点的分布情况,计算异常连通域中各个边缘像素点对异常连通域形状的贡献程度;
根据异常连通域中各个边缘像素点对异常连通域形状的贡献程度、异常连通域边界区域和正常区域的差异和异常连通域内像素点的像素值分布情况,计算异常连通域与正常区域的区分程度;
通过图像中各个异常连通域与反光区域之间的距离,计算图像中各个异常连通域受到反光区域的影响程度;
结合图像中各个异常连通域受到反光区域的影响程度与异常连通域与正常区域的区分程度,计算去除反光后异常连通域的区分程度;
通过每个通道去除反光后异常连通域的区分程度,计算去除光照影响后各通道对异常连通域的区分程度;
通过去除光照影响后各通道对异常连通域的贡献程度,计算去除光照影响后各通道对图像异常连通域区分的贡献度;
将每个通道对图像异常连通域区分的贡献度作为灰度化时每个通道的权值,对汽车图像进行灰度化处理;
根据灰度化处理后的汽车图像的连通域的分布位置信息,判断汽车喷漆是否存在色差;
所述计算异常连通域中各个边缘像素点对异常连通域形状的贡献程度,包括的具体步骤如下:
通过设置一个3×3的滑动窗口,以异常连通域的边缘像素点为滑动窗口的中心点,沿异常连通域的边缘滑动,记录所有滑窗内异常边缘像素点的分布位置,根据相邻的两个滑窗内异常边缘像素点的分布位置,记录相邻的两个滑窗内异常边缘像素点的分布位置的差异数量,以此为依据计算这个两个窗口对异常域形状的贡献程度;
;
式中,表示第/>个边缘像素点上的窗口与第/>个窗口之间的连通域形状的贡献程度;/>表示第/>个窗口内异常边缘像素点的分布位置;/>表示第/>个窗口内异常边缘像素点的分布位置的分布位置;/>为异或运算符号;/>表示第/>个窗口内与第/>个窗口内异常边缘像素点分布位置的差异数量;/>为Softmax归一化函数;
所述异常连通域与正常区域的区分程度的具体计算公式如下:
;
式中,表示/>在通道中的第/>个异常连通域内像素点的像素值的方差,/>表示在/>通道中以第/>个异常连通域上的第/>个边缘像素点为中心点的3×3窗口中所有像素点的像素值均值,/>表示在/>通道中的汽车图像内正常像素点的像素值的均值,/>表示在/>通道中第/>个异常连通域的第/>个边缘像素点上的窗口与第/>个窗口之间的连通域形状的贡献程度,/>表示在/>通道中第/>个异常连通域的边缘点数量,所计算的/>表示在/>通道中第/>个异常连通域与正常区域的区分程度,/>为Softmax归一化函数;
同理,获得在通道中第/>个异常连通域与正常区域的区分程度/>和在/>通道中第/>个异常连通域与正常区域的区分程度/>;
所述图像中各个位置受到反光区域的影响程度的具体计算公式如下:
;
式中,和/>和/>分别表示/>通道、/>通道和/>通的第/>个异常连通域的区分程度,/>、/>和/>分别表示在/>通道、/>通道和/>通道中第/>个异常连通域内像素点的像素值的方差,/>表示窗口内像素点像素值的平均值,/>表示窗口中心像素点到反光区域中心的距离,所计算的/>表示在/>通道中第/>个异常连通域内窗口受到反光影响程度;
同理,获得在通道中第/>个异常连通域内窗口受到反光影响程度/>和在/>通道中第/>个异常连通域内窗口受到反光影响程度/>;
所述去除反光后异常连通域的区分程度的具体计算公式如下:
;
式中,表示/>在通道中的第/>个异常连通域内像素点的像素值的方差,/>表示在/>通道中以第/>个异常连通域上的第/>个边缘像素点为中心点的3×3窗口中所有像素点的像素值均值,/>表示在/>通道中的汽车图像内正常像素点的像素值的均值,/>表示在/>通道中第/>个异常连通域的第/>个边缘像素点上的窗口与第/>个窗口之间的连通域形状的贡献程度,/>表示在/>通道中第/>个异常连通域的边缘点数量,/>表示在/>通道中第/>个连通域受到光照的影响程度,所计算的/>表示在/>通道中第/>个异常连通域去除光照影响后与正常区域的区分程度,/>为Softmax归一化函数;
同理,获得在通道中第/>个异常连通域去除光照影响后与正常区域的区分程度/>和在/>通道中第/>个异常连通域去除光照影响后与正常区域的区分程度/>;
所述计算去除光照影响后各通道对异常连通域的区分程度,包括的具体步骤如下:
将在各个通道中异常连通域去除光照影响后与正常区域的区分程度与所有通道中异常连通域去除光照影响后与正常区域的区分程度之和的比值,记为去除光照影响后各个通道对异常连通域的区分程度;
所述计算去除光照影响后各通道对图像异常连通域区分的贡献度,包括的具体步骤如下:
将去除光照影响后各个通道对所有异常连通域的区分程度的均值,记为去除光照影响后各个通道对图像异常连通域区分的贡献度。
2.根据权利要求1所述基于人工智能的涂料色差快速检测方法,其特征在于,所述获取最佳分割阈值和异常连通域,包括的具体步骤如下:
以分割阈值所分割出的连通域数量与连通域的面积的乘积达到最大时的分割阈值,作为分割汽车图像的最优分割阈值;
根据最优分割阈值对汽车图像的灰度图像进行阈值分割,得到所有异常连通域。
3.根据权利要求1所述基于人工智能的涂料色差快速检测方法,其特征在于,所述窗口中心像素点到反光区域中心的距离,包括的具体步骤如下:
反光区域即为汽车图像中像素值最大的像素点所组成的区域,通过反光区域中的中心点的坐标与所选定的窗口的中心点的坐标,结合勾股定理,计算得窗口中心像素点到反光区域中心的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310744290.XA CN116485797B (zh) | 2023-06-25 | 2023-06-25 | 基于人工智能的涂料色差快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310744290.XA CN116485797B (zh) | 2023-06-25 | 2023-06-25 | 基于人工智能的涂料色差快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116485797A CN116485797A (zh) | 2023-07-25 |
CN116485797B true CN116485797B (zh) | 2023-08-29 |
Family
ID=87219939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310744290.XA Active CN116485797B (zh) | 2023-06-25 | 2023-06-25 | 基于人工智能的涂料色差快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485797B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912260B (zh) * | 2023-09-15 | 2023-11-28 | 沂水友邦养殖服务有限公司 | 基于人工智能的肉鸡养殖健康状态检测方法 |
CN117095067B (zh) * | 2023-10-17 | 2024-02-02 | 山东虹纬纺织有限公司 | 基于人工智能的纺织品色差检测方法 |
CN117333503B (zh) * | 2023-11-30 | 2024-02-09 | 青岛合丰新材料有限公司 | 基于图像特征分析的塑料母粒检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014000261A1 (zh) * | 2012-06-29 | 2014-01-03 | 中国科学院自动化研究所 | 一种基于空间连通域预定位的商标检测方法 |
WO2021248915A1 (zh) * | 2020-06-10 | 2021-12-16 | 青岛理工大学 | 一种清水混凝土色差分析/检测方法及系统 |
CN115266736A (zh) * | 2022-09-29 | 2022-11-01 | 江苏宸洋食品有限公司 | 一种茂谷柑霉变的快速识别方法 |
CN115311304A (zh) * | 2022-10-12 | 2022-11-08 | 江苏明锋食品有限公司 | 一种铁板锈蚀缺陷检测方法 |
CN115601364A (zh) * | 2022-12-14 | 2023-01-13 | 惠州威尔高电子有限公司(Cn) | 基于图像分析的金手指电路板检测方法 |
-
2023
- 2023-06-25 CN CN202310744290.XA patent/CN116485797B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014000261A1 (zh) * | 2012-06-29 | 2014-01-03 | 中国科学院自动化研究所 | 一种基于空间连通域预定位的商标检测方法 |
WO2021248915A1 (zh) * | 2020-06-10 | 2021-12-16 | 青岛理工大学 | 一种清水混凝土色差分析/检测方法及系统 |
CN115266736A (zh) * | 2022-09-29 | 2022-11-01 | 江苏宸洋食品有限公司 | 一种茂谷柑霉变的快速识别方法 |
CN115311304A (zh) * | 2022-10-12 | 2022-11-08 | 江苏明锋食品有限公司 | 一种铁板锈蚀缺陷检测方法 |
CN115601364A (zh) * | 2022-12-14 | 2023-01-13 | 惠州威尔高电子有限公司(Cn) | 基于图像分析的金手指电路板检测方法 |
Non-Patent Citations (1)
Title |
---|
胡牡丹 ; 杨立敬 ; 朱双东 ; .基于三分量色差法的交通标志分割.机电工程.2009,(第10期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116485797A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116485797B (zh) | 基于人工智能的涂料色差快速检测方法 | |
CN114862862B (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
CN110097034B (zh) | 一种智能人脸健康程度的识别与评估方法 | |
CN115018853B (zh) | 基于图像处理的机械组件缺陷检测方法 | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
CN110728185B (zh) | 一种判别驾驶人存在手持手机通话行为的检测方法 | |
CN115330758B (zh) | 基于去噪处理的焊接质量检测方法 | |
CN115330767A (zh) | 一种腐蚀箔生产异常识别方法 | |
CN111507426A (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
CN110046565B (zh) | 一种基于Adaboost算法的人脸检测方法 | |
CN114972892B (zh) | 基于计算机视觉的汽车刹车片缺陷分类方法 | |
CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
CN117011292B (zh) | 一种复合板表面质量快速检测方法 | |
CN117422712B (zh) | 基于图像滤波处理的塑料母粒视觉检测方法及系统 | |
CN114529538A (zh) | 基于人工智能和高斯混合模型的纺织物表面缺陷检测方法 | |
CN115601368A (zh) | 一种建材装备钣金件缺陷检测方法 | |
CN111724376A (zh) | 一种基于纹理特征分析的纸病检测方法 | |
CN117315289B (zh) | 基于图像处理的航空发动机叶片轮廓边缘检测方法 | |
CN117218122B (zh) | 基于图像数据的手表外壳质量检测方法 | |
CN116823820B (zh) | 一种铝碳质整体塞棒轮廓弯曲检测方法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN115578390B (zh) | 一种用于除氧器的焊接控制方法 | |
CN111507347A (zh) | 一种基于偏微分方程的电力设备红外图像增强与分割方法 | |
Nie et al. | Machine vision-based apple external quality grading | |
CN115880280A (zh) | 一种钢结构焊缝质量的检测方法 |
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 |