CN116485801A - 基于计算机视觉的胶管质量在线检测方法及系统 - Google Patents
基于计算机视觉的胶管质量在线检测方法及系统 Download PDFInfo
- Publication number
- CN116485801A CN116485801A CN202310753320.3A CN202310753320A CN116485801A CN 116485801 A CN116485801 A CN 116485801A CN 202310753320 A CN202310753320 A CN 202310753320A CN 116485801 A CN116485801 A CN 116485801A
- Authority
- CN
- China
- Prior art keywords
- category
- pixel
- region
- feature
- area
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 230000011218 segmentation Effects 0.000 claims abstract description 39
- 238000005315 distribution function Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 17
- 239000000203 mixture Substances 0.000 claims description 8
- 241001632427 Radiola Species 0.000 claims description 6
- 238000009331 sowing Methods 0.000 claims description 5
- 238000009795 derivation Methods 0.000 claims description 3
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000005286 illumination Methods 0.000 description 31
- 230000000694 effects Effects 0.000 description 17
- 230000007547 defect Effects 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 230000000007 visual effect 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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- 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
- G06T2207/10—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
- G06T2207/30204—Marker
-
- 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)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于计算机视觉的胶管质量在线检测方法及系统,包括:将胶管图像划分为多个区域,获取每个区域的重要性,进而得到单特征区域以及多特征区域,根据单特征区域的高斯分布函数中的均值参数与标准差参数进行聚类,获取每个类别的代表高斯模型,根据所有类别的代表高斯模型对多特征区域进行拟合,将目标多特征区域中的像素点划分为多个独立像素类别,根据独立像素类别获取种子点,根据种子点进行超像素分割,根据分割结果进行胶管质量检测。本发明自适应获取种子点,确保了细小的裂缝可单独分割到一个超像素块内,对于胶管质量检测更加准确。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于计算机视觉的胶管质量在线检测方法及系统。
背景技术
胶管是一种用于输送气体、液体浆状或者粒状物料的一类管状橡胶制品,它被应用于生活生产的诸多领域,在胶管的生产过程中,其外胶层表面会产生一些缺陷,例如裂缝,这些缺陷严重影响了胶管的质量,为了避免不达标的胶管应用于各领域中,在其生产过程中对其缺陷进行检测为重中之重。
使用超像素分割进行裂缝缺陷的检测,由于其初始种子点是均匀的分布在图像中,对于较大的裂缝来说,种子点落在其区域的可能性比较大,超像素分割对其有较好的分割效果,对于一些细小的裂缝,种子点落在其区域的可能性较小,超像素分割对其有不好的分割效果,可能将细小的裂缝与图像的其他特征分割到同一像素块内,导致一些细小的裂缝不能被分割出来,影响裂缝识别,导致胶管质量检测不准确。
发明内容
本发明提供基于计算机视觉的胶管质量在线检测方法及系统,以解决现有的问题。
本发明的基于计算机视觉的胶管质量在线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计算机视觉的胶管质量在线检测方法,该方法包括以下步骤:
采集胶管图像;将胶管图像划分为多个区域,获取每个区域的主要灰度值;根据每个区域的主要灰度值获取每个区域的重要性;根据重要性获取单特征区域以及多特征区域;
对单特征区域的灰度直方图进行单高斯拟合,将每个单特征区域的高斯分布函数中的均值参数与标准差参数构成每个单特征区域的参数对;对所有单特征区域的参数对进行聚类,得到多个类别;获取每个类别的代表高斯模型;
将任意一个多特征区域作为目标多特征区域,设置目标多特征区域包含每个类别的特征的比例的未知数;根据未知数以及每个类别的代表高斯模型,构建目标特征区域的拟合误差方程;根据拟合误差方程对目标多特征区域包含每个类别的特征的比例进行求解;根据目标多特征区域包含每个类别的特征的比例对目标多特征区域进行混合高斯模型拟合,根据拟合结果将目标多特征区域中的像素点划分为多个独立像素类别;将每个独立像素类别中所有像素点的中心点作为目标多特征区域的一个种子点;
将每个单特征区域的中心像素点作为每个单特征区域的种子点;获取每个多特征区域中的所有种子点;
根据种子点对胶管图像进行超像素分割,得到胶管超像素图像;根据胶管超像素图像识别胶管裂缝。
优选的,所述获取每个区域的主要灰度值,包括的具体步骤如下:
获取每个区域中每种灰度值对应的像素点的个数,将每个区域中像素点的个数最多的灰度值作为每个区域的主要灰度值。
优选的,所述根据每个区域的主要灰度值获取每个区域的重要性,包括的具体步骤如下:
其中,为第个区域的重要性;为第个区域的主要灰度值对应的像素点的个
数;为第个区域包含的所有像素点的个数;为第个区域中所有像素点的灰度值的信息
熵;是以自然常数为底的指数函数。
优选的,所述根据重要性获取单特征区域以及多特征区域,包括的具体步骤如下:
当区域的重要性小于或等于重要性阈值时,将区域作为单特征区域;当区域的重要性大于重要性阈值时,将区域作为多特征区域。
优选的,所述获取每个类别的代表高斯模型,包括的具体步骤如下:
将每个类别中包含的所有参数对中的均值参数的均值作为每个类别的代表均值参数,将每个类别中包含的所有参数对中的标准差参数的均值作为每个类别的代表标准差参数;
构建每个类别的代表高斯模型:
其中,为第个类别的代表高斯模型,为第个类别的代表均值参数;为第
个类别的代表标准差参数;为以自然常数为底的指数函数。
优选的,所述构建目标特征区域的拟合误差方程,包括的具体步骤如下:
其中,为目标特征区域的拟合误差;第个类别的代表高斯模型;为目标多
特征区域包含第1个类别的特征的比例,为未知数;第个类别的代表高斯模型;为目
标多特征区域包含第2个类别的特征的比例,为未知数;第个类别的代表高斯模型;
为目标多特征区域包含第3个类别的特征的比例,为未知数;第个类别的代表高斯模
型;为目标多特征区域包含第4个类别的特征的比例;为目标特征区域
中灰度值的频率。
优选的,所述根据拟合误差方程对目标多特征区域包含每个类别的特征的比例进行求解,包括的具体步骤如下:
利用目标特征区域的拟合误差分别对、以及进行求偏导,令导数为0,求解出、以及,得到目标多特征区域包含每个类别的特征的比例、、、。
优选的,所述根据目标多特征区域包含每个类别的特征的比例对目标多特征区域进行混合高斯模型拟合,包括的具体步骤如下:
当目标多特征区域包含的一个类别的特征的比例小于或等于占比阈值时,目标多
特征区域不包含该类别的特征;当目标多特征区域包含的一个类别的特征的比例大于占比
阈值时,目标多特征区域包含该类别的特征;获取多目标特征区域包含类别的特征的个数,
记为;对多目标特征区域的灰度直方图进行高斯混合模型拟合,所拟合的高斯混合模型
包含的子高斯模型的个数为。
优选的,所述根据拟合结果将目标多特征区域中的像素点划分为多个独立像素类别,包括的具体步骤如下:
将混合高斯模型的子高斯模型的均值参数和标准差参数分别记为和,将作为对应子高斯模型的代表灰度区间;将每个子高斯模型的代表灰度区间中
的灰度值在目标多特征区域中对应的所有像素点作为一个像素类别,得到个像素类别;
将每个像素类别中的所有像素点两两相连;若像素类别中任意两个像素点的连线上均不存在其他像素类别中的像素点,将该像素类别作为独立像素类别;若像素类别中存在两个像素点的连线上包含其他像素类别中的像素点,将此两个像素点进一步划分为两个像素类别;对每个像素类别进行划分,得到多个独立像素类别。
本发明实施例提出基于计算机视觉的胶管质量在线检测系统,所述系统包括:
图像采集模块:采集胶管图像;
区域重要性获取模块:将胶管图像划分为多个区域,获取每个区域的主要灰度值;根据每个区域的主要灰度值获取每个区域的重要性;
种子点播撒模块:根据重要性获取单特征区域以及多特征区域;对单特征区域的灰度直方图进行单高斯拟合,将每个单特征区域的高斯分布函数中的均值参数与标准差参数构成每个单特征区域的参数对;对所有单特征区域的参数对进行聚类,得到多个类别;获取每个类别的代表高斯模型;
将任意一个多特征区域作为目标多特征区域,设置目标多特征区域包含每个类别的特征的比例的未知数;根据未知数以及每个类别的代表高斯模型,构建目标特征区域的拟合误差方程;根据拟合误差方程对目标多特征区域包含每个类别的特征的比例进行求解;根据目标多特征区域包含每个类别的特征的比例对目标多特征区域进行混合高斯模型拟合,根据拟合结果将目标多特征区域中的像素点划分为多个独立像素类别;将每个独立像素类别中所有像素点的中心点作为目标多特征区域的一个种子点;
将每个单特征区域的中心像素点作为每个单特征区域的种子点;获取每个多特征区域中的所有种子点;
超像素分割模块:根据种子点对胶管图像进行超像素分割,得到胶管超像素图像;
胶管质量检测模块:根据胶管超像素图像识别胶管裂缝。
本发明的技术方案的有益效果是:本发明将胶管图像划分为多个区域,获取每个区域的重要性,进而得到单特征区域以及多特征区域,根据单特征区域的高斯分布函数中的均值参数与标准差参数进行聚类,获取每个类别的代表高斯模型,根据所有类别的代表高斯模型对多特征区域进行拟合,将目标多特征区域中的像素点划分为多个独立像素类别,根据独立像素类别获取种子点,根据种子点进行超像素分割,根据分割结果进行胶管质量检测。本发明自适应获取种子点的个数以及位置,确保了细小的裂缝可单独分割到一个超像素块内,传统的超像素分割均匀设置种子点导致细小的裂缝与图像的其他特征分割到同一个超像素块内,影响裂缝检测的准确性,本发明相较于传统的超像素分割方法,可识别细小的裂缝,对于胶管质量检测更加准确。
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为本发明的基于计算机视觉的胶管质量在线检测方法的步骤流程图;
图2为胶管图像;
图3为胶管的阈值分割图像;
图4为胶管的边缘检测图像;
图5为胶管的超像素分割图像;
图6为本发明的基于计算机视觉的胶管质量在线检测系统的结构框图。
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计算机视觉的胶管质量在线检测方法,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计算机视觉的胶管质量在线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计算机视觉的胶管质量在线检测方法的步骤流程图,该方法包括以下步骤:
S001.采集胶管图像。
在胶管生产的传送带上方架设工业相机,通过工业相机俯视拍摄传送带上的胶管的RGB图像。通过调整工业相机的角度和焦距,使得拍摄的胶管的RGB图像仅包含胶管部分,不包含其他的背景。
工业相机采集到的胶管的RGB图像是三通道彩色图像,色彩信息比较多,图像的细节被弱化,为了便于后续分析,对胶管的RGB图像进行灰度化处理,将三通道图像数据转化为单通道数据,得到只保留亮度信息的灰度图像,记为胶管图像。本发明实施例中的一个胶管图像参见图2。
至此,获取了胶管图像。
S002.对胶管图像进行分割,获取每个区域的重要性。
需要说明的是,由于胶管表面存在弧度,与工业相机镜头并不平行,导致拍摄的胶管图像中存在光照影响,利用现有的阈值分割方法获取胶管图像中的裂缝缺陷时,由于光照影响导致部分胶管区域灰度值与裂缝区域的灰度值近似,使得分割出的裂缝不完整,对图2所示的胶管图像进行阈值分割得到的结果参见图3。利用现有的边缘检测方法获取胶管图像中的裂缝边缘时,由于光照影响区域与正常区域也存在着梯度变化,裂缝边缘处的梯度与受光照影响区域的梯度近似,采用边缘检测算法时会检测出非裂缝边缘的像素点,对裂缝的识别造成干扰,对图2所示的胶管图像进行边缘检测得到的结果参见图4。
需要进一步说明的是,超像素分割算法是指将具有相同纹理、颜色、亮度等特征的相邻像素构成的具有一定视觉意义的不规则像素块,现有的超像素分割算法在图像中均匀的选取种子点进行分割,在胶管图像中,对于较大的裂缝来说,种子点落在其区域的可能性比较大,超像素分割对其有较好的分割效果,对于一些细小的裂缝,种子点落在其区域的可能性较小,超像素分割对其有不好的分割效果,可能将细小的裂缝与图像的其他特征分割到同一像素块内,导致裂缝不易被识别,对图像2所示的胶管图像进行超像素分割得到的结果参见图5。因此,本发明实施例对胶管图像划分区域,获取每个区域的重要性,以便后续根据重要性自适应获取每个区域的种子点,确保裂缝能够被完整的分割出来。
在本发明实施例中,将胶管图像划分为多个大小的区域,在本发明实施例中在其他实施例中,实施人员可根据实际实施情况设置的大小。
需要说明的是,得到的每个区域可能仅包含无光照影响的裂缝或胶管,或仅包含受光照影响的裂缝或胶管,还可能同时包含裂缝和胶管。当区域中仅包含无光照影响的裂缝或胶管时,区域中灰度较为统一,包含的灰度值的信息量较少,由于区域仅包含了一个特征,此时该区域的重要性较小。当区域中同时包含裂缝和胶管时,裂缝和胶管的灰度相差较大,区域中包含的信息量较大,由于区域同时包含了多个特征,此时该区域的重要性较大。当区域中仅包含受光照影响的裂缝或胶管时,区域中仅包含一个特征,此时该区域的重要性较小。光照影响区域存在灰度渐变,光照影响区域的局部区域灰度变化程度较小,由于本发明实施例划分的区域较小,使得存在光照影响的区域内的灰度渐变程度较小,此时区域中灰度存在较小的波动,包含的灰度值的信息量处于中间。因此可根据每个区域中包含的信息量,获取每个区域的重要性。
在本发明实施例中,获取每个区域中每种灰度值对应的像素点的个数,将每个区域中像素点的个数最多的灰度值作为每个区域的主要灰度值。
根据每个区域的主要灰度值获取每个区域的重要性:
其中,为第个区域的重要性;为第个区域的主要灰度值对应的像素点的个
数;为第个区域包含的所有像素点的个数;为第个区域中所有像素点的灰度值的信息
熵;是以自然常数为底的指数函数;第个区域中所有像素点的灰度值的信息熵反
映了该区域中灰度值的信息量,当越大,第个区域的灰度值的信息量越大,第个区域越
可能为同时包含裂缝和胶管的区域,当越小,第个区域的灰度值的信息量越小,第个区
域越可能仅包含无光照影响的裂缝或胶管,当处于中间时,第个区域的灰度值的信息量
处于中间,第个区域越可能仅包含受光照影响的裂缝或胶管;区域中信息熵最大可能为,因此用对进行归一化;为第个区域的主要灰度值的占比,在噪声的干扰
下,裂缝或胶管的灰度值呈现高斯分布的趋势,主要灰度值的占比最大,同时包含裂缝和胶
管的区域的主要灰度值可能为裂缝的灰度值,也可能为胶管的灰度值,受另外一种特征的
影响,主要灰度值的占比较小,因此将作为的权重,对第个区域的灰度值的信
息量进行修正,得第个区域的重要性。
至此,实现了胶管图像的分割,获取了每个区域的重要性。
S003.根据每个区域的重要性,为每个区域播撒种子点。
需要说明的是,重要性较小的区域可能为无光照影响的裂缝、无光照影响的胶管或存在光照影响的裂缝、存在光照影响的胶管,此些区域中包含的仅为单个特征,因此在后续为每个区域播撒种子点时,为此些重要性较小的区域仅设置一个种子点。重要性较大的区域至少包含了两种特征,可能同时存在无光照影响的裂缝和胶管、或同时存在有光照影响的裂缝和胶管、或同时存在无光照影响的裂缝和有光照影响的胶管、或同时存在以上多种特征,此时为了确保裂缝和胶管被分割到不同的超像素块中,需要在重要性较大的区域中设置多个种子点。由于重要性较大的区域中包含的特征个数不确定,种子点的个数也不确定,此时可结合重要性较小的区域的特征,自适应获取重要性较大的区域中包含的特征个数。
在本发明实施例中,预设一个重要性阈值,其中本实施例以=0.3为例进行叙
述,本实施例不进行具体限定,其中可根据具体实施情况而定。
当区域的重要性小于或等于重要性阈值时,将区域作为单特征区域。当区域的
重要性大于重要性阈值时,将区域作为多特征区域。获取每个区域中出现的所有灰度值
的频率,以灰度值为横轴,频率为纵轴构建每个区域的灰度直方图。
对单特征区域的灰度直方图进行单高斯拟合,得到每个单特征区域的高斯分布函
数,将每个单特征区域的高斯分布函数中的均值参数与标准差参数构成每个单特征区域的
参数对,例如第个单特征区域的参数对为,其中为第个单特征区域的高斯分布
函数中的均值参数;为第个单特征区域的高斯分布函数中的标准差参数。
对所有单特征区域的参数对进行K-Means聚类,将所有单特征区域的参数对聚为4类。将每个类别中包含的所有参数对中的均值参数的均值作为每个类别的代表均值参数,将每个类别中包含的所有参数对中的标准差参数的均值作为每个类别的代表标准差参数,将代表均值参数与代表标准差参数作为每个类别的代表参数对。
需要说明的是,无光照影响的单个裂缝区域的灰度值整体较低,无光照影响的单个胶管区域整体较亮,存在光照影响的单个裂缝区域的灰度值较低但存在灰度波动,存在光照影响的单个胶管区域灰度值较亮但存在灰度波动。因此聚类得到的4个类别分别对应无光照影响的单个裂缝区域、无光照影响的单个胶管区域、存在光照影响的单个裂缝区域、存在光照影响的单个胶管区域4种情况,因此每个类别的代表参数对可以反映对应的单个特征的灰度值分布情况。而每个多特征区域中包含了无光照影响的单个裂缝区域、无光照影响的单个胶管区域、存在光照影响的单个裂缝区域、存在光照影响的单个胶管区域中的2-4种特征,在不知道每个多特征区域中包含的特征种类数的情况下,无法为多特征区域播撒种子点。此时,可结合单特征区域聚类得到的4个类别的代表参数对,对每个多特征区域进行拟合。
在本发明实施例中,根据每个类别的代表参数对构建每个类别的代表高斯模型:
其中,为第个类别的代表高斯模型,,为第个类别的代表均值
参数;为第个类别的代表标准差参数;为以自然常数为底的指数函数。
将任意一个多特征区域作为目标多特征区域,设目标多特征区域包含每个类别的
特征的比例分别为、、、。
根据每个类别的比例以及代表高斯模型获取目标特征区域的拟合误差:
其中,为目标特征区域的拟合误差;第个类别的代表高斯模型;为目标多
特征区域包含第1个类别的特征的比例;第个类别的代表高斯模型;为目标多特征
区域包含第2个类别的特征的比例;第个类别的代表高斯模型;为目标多特征区域
包含第3个类别的特征的比例;第个类别的代表高斯模型;为目标多
特征区域包含第4个类别的特征的比例;为目标特征区域的灰度值的分布函数,即目标
特征区域中灰度值的频率;当拟合误差越小时,拟合效果越好,当拟合误差越大时,拟合效
果越差。为得到最佳的拟合效果,需要获取拟合误差最小时对应的、、、。
利用目标特征区域的拟合误差分别对、、进行求偏导,当导数为0时,得到的拟
合误差最小。求解出导数为0时的、、,即为拟合误差最小时对应的、、的结果。
至此,得到了目标多特征区域包含每个类别的特征的比例、、、。
预设一个占比阈值,其中本实施例以=0.01为例进行叙述,本实施例不进行具
体限定,其中可根据具体实施情况而定。当目标多特征区域包含的一个类别的特征的比
例小于或等于占比阈值时,则认为目标多特征区域不包含该类别的特征,当目标多特征
区域包含的一个类别的特征的比例大于占比阈值时,则认为目标多特征区域包含该类别
的特征。获取多目标特征区域包含类别的特征的个数,记为。
需要说明的是,多目标特征区域包含的类别的特征的个数为多目标特征区域中包含的特征的个数,但同一个特征在多目标特征区域中可能被另一个特征分割成多个区域,因此需要结合每个特征在多目标特征区域中的分布获取多目标特征的种子点。
在本发明实施例中,利用EM算法对多目标特征区域的灰度直方图进行高斯混合模
型拟合,所拟合的高斯混合模型包含的子高斯模型的个数为。每个子高斯模型对应一种
特征,将子高斯模型的均值参数和标准差参数分别记为和,在高斯分布中,大部分灰度值
在范围内,因此将作为对应子高斯模型的代表灰度区间。将每
个子高斯模型的代表灰度区间中的灰度值在目标多特征区域中对应的所有像素点作为一
个像素类别,得到个像素类别。
将每个像素类别中的所有像素点两两相连。若像素类别中任意两个像素点的连线上均不存在其他像素类别中的像素点,则将该像素类别作为独立像素类别。若像素类别中存在两个像素点的连线上包含其他像素类别中的像素点,则将此两个像素点进一步划分为两个像素类别。通过对每个像素类别进行划分,确保最终得到的每个像素类别均为一个独立像素类别。
将每个独立像素类别中所有像素点的中心点作为目标多特征区域的一个种子点。
同理,获取每个多特征区域中的所有种子点。
将每个单特征区域的中心像素点作为每个单特征区域的种子点。
至此,实现了每个区域种子点的播撒。
S004.根据种子点对胶管图像进行超像素分割,根据分割结果识别胶管裂缝。
根据种子点对胶管图像进行超像素分割,得到胶管超像素图像。本发明实施例使用语义分割的方法来识别胶管超像素图像中的裂缝区域,具体为:
网络的输入图像为胶管超像素图像,输出为裂缝区域图像;使用的数据集为胶管超像素图像数据集;需要分割的超像素为2类,对应位置的超像素块为裂缝区域的标记为1,非裂缝区域的标记为0;网络使用的loss函数为交叉熵损失函数。
需要说明的是,胶管图像中的像素点个数多,若直接使用胶管图像进行语义分割,会导致语义分割网络复杂,计算量大。对胶管图像数据集进行标注时,需要对每个像素点进行标注,标注量大,成本高。对胶管超像素图像进行语义分割,语义分割网络简单,能够降低计算量。对胶管超像素图像数据集进行标注时,仅需对超像素块进行标注,减少了人工标注的时间,使得标注成本降低,识别效率提高。
通过以上步骤,完成了胶管质量检测。
请参阅图6,其示出了本发明一个实施例所提供的基于计算机视觉的胶管质量在线检测系统的结构框图,该系统包括:
图像采集模块S101:采集胶管图像。
区域重要性获取模块S102:将胶管图像划分为多个区域,获取每个区域的主要灰度值;根据每个区域的主要灰度值获取每个区域的重要性。
种子点播撒模块S103:根据重要性获取单特征区域以及多特征区域;对单特征区域的灰度直方图进行单高斯拟合,将每个单特征区域的高斯分布函数中的均值参数与标准差参数构成每个单特征区域的参数对;对所有单特征区域的参数对进行聚类,得到多个类别;获取每个类别的代表高斯模型。
将任意一个多特征区域作为目标多特征区域,设置目标多特征区域包含每个类别的特征的比例的未知数;根据未知数以及每个类别的代表高斯模型,构建目标特征区域的拟合误差方程;根据拟合误差方程对目标多特征区域包含每个类别的特征的比例进行求解;根据目标多特征区域包含每个类别的特征的比例对目标多特征区域进行混合高斯模型拟合,根据拟合结果将目标多特征区域中的像素点划分为多个独立像素类别;将每个独立像素类别中所有像素点的中心点作为目标多特征区域的一个种子点。
将每个单特征区域的中心像素点作为每个单特征区域的种子点;获取每个多特征区域中的所有种子点。
超像素分割模块S104:根据种子点对胶管图像进行超像素分割,得到胶管超像素图像。
胶管质量检测模块S105:根据胶管超像素图像识别胶管裂缝。
本发明实施例通过将胶管图像划分为多个区域,获取每个区域的重要性,进而得到单特征区域以及多特征区域,根据单特征区域的高斯分布函数中的均值参数与标准差参数进行聚类,获取每个类别的代表高斯模型,根据所有类别的代表高斯模型对多特征区域进行拟合,将目标多特征区域中的像素点划分为多个独立像素类别,根据独立像素类别获取种子点,根据种子点进行超像素分割,根据分割结果进行胶管质量检测。本发明自适应获取种子点的个数以及位置,确保了细小的裂缝可单独分割到一个超像素块内,传统的超像素分割均匀设置种子点导致细小的裂缝与图像的其他特征分割到同一个超像素块内,影响裂缝检测的准确性,本发明相较于传统的超像素分割方法,可识别细小的裂缝,对于胶管质量检测更加准确。
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 (10)
1.基于计算机视觉的胶管质量在线检测方法,其特征在于,该方法包括以下步骤:
采集胶管图像;将胶管图像划分为多个区域,获取每个区域的主要灰度值;根据每个区域的主要灰度值获取每个区域的重要性;根据重要性获取单特征区域以及多特征区域;
对单特征区域的灰度直方图进行单高斯拟合,将每个单特征区域的高斯分布函数中的均值参数与标准差参数构成每个单特征区域的参数对;对所有单特征区域的参数对进行聚类,得到多个类别;获取每个类别的代表高斯模型;
将任意一个多特征区域作为目标多特征区域,设置目标多特征区域包含每个类别的特征的比例的未知数;根据未知数以及每个类别的代表高斯模型,构建目标特征区域的拟合误差方程;根据拟合误差方程对目标多特征区域包含每个类别的特征的比例进行求解;根据目标多特征区域包含每个类别的特征的比例对目标多特征区域进行混合高斯模型拟合,根据拟合结果将目标多特征区域中的像素点划分为多个独立像素类别;将每个独立像素类别中所有像素点的中心点作为目标多特征区域的一个种子点;
将每个单特征区域的中心像素点作为每个单特征区域的种子点;获取每个多特征区域中的所有种子点;
根据种子点对胶管图像进行超像素分割,得到胶管超像素图像;根据胶管超像素图像识别胶管裂缝。
2.根据权利要求1所述的基于计算机视觉的胶管质量在线检测方法,其特征在于,所述获取每个区域的主要灰度值,包括的具体步骤如下:
获取每个区域中每种灰度值对应的像素点的个数,将每个区域中像素点的个数最多的灰度值作为每个区域的主要灰度值。
3.根据权利要求1所述的基于计算机视觉的胶管质量在线检测方法,其特征在于,所述根据每个区域的主要灰度值获取每个区域的重要性,包括的具体步骤如下:
其中,为第/>个区域的重要性;/>为第/>个区域的主要灰度值对应的像素点的个数;/>为第/>个区域包含的所有像素点的个数;/>为第/>个区域中所有像素点的灰度值的信息熵;是以自然常数为底的指数函数。
4.根据权利要求1所述的基于计算机视觉的胶管质量在线检测方法,其特征在于,所述根据重要性获取单特征区域以及多特征区域,包括的具体步骤如下:
当区域的重要性小于或等于重要性阈值时,将区域作为单特征区域;当区域的重要性大于重要性阈值时,将区域作为多特征区域。
5.根据权利要求1所述的基于计算机视觉的胶管质量在线检测方法,其特征在于,所述获取每个类别的代表高斯模型,包括的具体步骤如下:
将每个类别中包含的所有参数对中的均值参数的均值作为每个类别的代表均值参数,将每个类别中包含的所有参数对中的标准差参数的均值作为每个类别的代表标准差参数;
构建每个类别的代表高斯模型:
其中,为第/>个类别的代表高斯模型,/>为第/>个类别的代表均值参数;/>为第/>个类别的代表标准差参数;/>为以自然常数为底的指数函数。
6.根据权利要求1所述的基于计算机视觉的胶管质量在线检测方法,其特征在于,所述构建目标特征区域的拟合误差方程,包括的具体步骤如下:
其中,为目标特征区域的拟合误差;/>第/>个类别的代表高斯模型;/>为目标多特征区域包含第1个类别的特征的比例,为未知数;/>第/>个类别的代表高斯模型;/>为目标多特征区域包含第2个类别的特征的比例,为未知数;/>第/>个类别的代表高斯模型;/>为目标多特征区域包含第3个类别的特征的比例,为未知数;/>第/>个类别的代表高斯模型;为目标多特征区域包含第4个类别的特征的比例;/>为目标特征区域中灰度值/>的频率。
7.根据权利要求6所述的基于计算机视觉的胶管质量在线检测方法,其特征在于,所述根据拟合误差方程对目标多特征区域包含每个类别的特征的比例进行求解,包括的具体步骤如下:
利用目标特征区域的拟合误差分别对、/>以及/>进行求偏导,令导数为0,求解出/>、/>以及/>,得到目标多特征区域包含每个类别的特征的比例/>、/>、/>、/>。
8.根据权利要求1所述的基于计算机视觉的胶管质量在线检测方法,其特征在于,所述根据目标多特征区域包含每个类别的特征的比例对目标多特征区域进行混合高斯模型拟合,包括的具体步骤如下:
当目标多特征区域包含的一个类别的特征的比例小于或等于占比阈值时,目标多特征区域不包含该类别的特征;当目标多特征区域包含的一个类别的特征的比例大于占比阈值时,目标多特征区域包含该类别的特征;获取多目标特征区域包含类别的特征的个数,记为;对多目标特征区域的灰度直方图进行高斯混合模型拟合,所拟合的高斯混合模型包含的子高斯模型的个数为/>。
9.根据权利要求1所述的基于计算机视觉的胶管质量在线检测方法,其特征在于,所述根据拟合结果将目标多特征区域中的像素点划分为多个独立像素类别,包括的具体步骤如下:
将混合高斯模型的子高斯模型的均值参数和标准差参数分别记为和/>,将作为对应子高斯模型的代表灰度区间;将每个子高斯模型的代表灰度区间中的灰度值在目标多特征区域中对应的所有像素点作为一个像素类别,得到/>个像素类别;
将每个像素类别中的所有像素点两两相连;若像素类别中任意两个像素点的连线上均不存在其他像素类别中的像素点,将该像素类别作为独立像素类别;若像素类别中存在两个像素点的连线上包含其他像素类别中的像素点,将此两个像素点进一步划分为两个像素类别;对每个像素类别进行划分,得到多个独立像素类别。
10.基于计算机视觉的胶管质量在线检测系统,其特征在于,所述系统包括:
图像采集模块:采集胶管图像;
区域重要性获取模块:将胶管图像划分为多个区域,获取每个区域的主要灰度值;根据每个区域的主要灰度值获取每个区域的重要性;
种子点播撒模块:根据重要性获取单特征区域以及多特征区域;对单特征区域的灰度直方图进行单高斯拟合,将每个单特征区域的高斯分布函数中的均值参数与标准差参数构成每个单特征区域的参数对;对所有单特征区域的参数对进行聚类,得到多个类别;获取每个类别的代表高斯模型;
将任意一个多特征区域作为目标多特征区域,设置目标多特征区域包含每个类别的特征的比例的未知数;根据未知数以及每个类别的代表高斯模型,构建目标特征区域的拟合误差方程;根据拟合误差方程对目标多特征区域包含每个类别的特征的比例进行求解;根据目标多特征区域包含每个类别的特征的比例对目标多特征区域进行混合高斯模型拟合,根据拟合结果将目标多特征区域中的像素点划分为多个独立像素类别;将每个独立像素类别中所有像素点的中心点作为目标多特征区域的一个种子点;
将每个单特征区域的中心像素点作为每个单特征区域的种子点;获取每个多特征区域中的所有种子点;
超像素分割模块:根据种子点对胶管图像进行超像素分割,得到胶管超像素图像;
胶管质量检测模块:根据胶管超像素图像识别胶管裂缝。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310753320.3A CN116485801B (zh) | 2023-06-26 | 2023-06-26 | 基于计算机视觉的胶管质量在线检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310753320.3A CN116485801B (zh) | 2023-06-26 | 2023-06-26 | 基于计算机视觉的胶管质量在线检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116485801A true CN116485801A (zh) | 2023-07-25 |
CN116485801B CN116485801B (zh) | 2023-09-12 |
Family
ID=87223621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310753320.3A Active CN116485801B (zh) | 2023-06-26 | 2023-06-26 | 基于计算机视觉的胶管质量在线检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485801B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664572A (zh) * | 2023-07-31 | 2023-08-29 | 聊城市瀚格智能科技有限公司 | 基于图像数据的公路路面裂缝快速检测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070081712A1 (en) * | 2005-10-06 | 2007-04-12 | Xiaolei Huang | System and method for whole body landmark detection, segmentation and change quantification in digital images |
CN107748256A (zh) * | 2017-10-11 | 2018-03-02 | 上海医盈网络科技有限公司 | 一种循环肿瘤细胞的液体活检检测方法 |
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN110378879A (zh) * | 2019-06-26 | 2019-10-25 | 杭州电子科技大学 | 一种桥梁裂缝检测方法 |
WO2022027949A1 (zh) * | 2020-08-04 | 2022-02-10 | 湖南大学 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及系统 |
CN114913138A (zh) * | 2022-04-24 | 2022-08-16 | 南通飞旋智能科技有限公司 | 一种基于人工智能的移印机产品缺陷检测方法及系统 |
CN114972329A (zh) * | 2022-07-13 | 2022-08-30 | 江苏裕荣光电科技有限公司 | 基于图像处理的表面缺陷检测仪的图像增强方法及系统 |
CN115239718A (zh) * | 2022-09-22 | 2022-10-25 | 江苏盾王科技集团有限公司 | 一种基于图像处理的塑料制品缺陷检测方法与系统 |
CN115439481A (zh) * | 2022-11-09 | 2022-12-06 | 青岛平电锅炉辅机有限公司 | 基于图像处理的除氧器焊接质量检测方法 |
CN115457041A (zh) * | 2022-11-14 | 2022-12-09 | 安徽乾劲企业管理有限公司 | 一种道路质量识别检测方法 |
CN116030061A (zh) * | 2023-03-29 | 2023-04-28 | 深圳市捷超行模具有限公司 | 一种基于视觉的硅胶成型效果检测方法 |
CN116310845A (zh) * | 2023-05-19 | 2023-06-23 | 青岛国源中创电气自动化工程有限公司 | 一种用于污水处理的智能监测系统 |
-
2023
- 2023-06-26 CN CN202310753320.3A patent/CN116485801B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070081712A1 (en) * | 2005-10-06 | 2007-04-12 | Xiaolei Huang | System and method for whole body landmark detection, segmentation and change quantification in digital images |
CN107748256A (zh) * | 2017-10-11 | 2018-03-02 | 上海医盈网络科技有限公司 | 一种循环肿瘤细胞的液体活检检测方法 |
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN110378879A (zh) * | 2019-06-26 | 2019-10-25 | 杭州电子科技大学 | 一种桥梁裂缝检测方法 |
WO2022027949A1 (zh) * | 2020-08-04 | 2022-02-10 | 湖南大学 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及系统 |
CN114913138A (zh) * | 2022-04-24 | 2022-08-16 | 南通飞旋智能科技有限公司 | 一种基于人工智能的移印机产品缺陷检测方法及系统 |
CN114972329A (zh) * | 2022-07-13 | 2022-08-30 | 江苏裕荣光电科技有限公司 | 基于图像处理的表面缺陷检测仪的图像增强方法及系统 |
CN115239718A (zh) * | 2022-09-22 | 2022-10-25 | 江苏盾王科技集团有限公司 | 一种基于图像处理的塑料制品缺陷检测方法与系统 |
CN115439481A (zh) * | 2022-11-09 | 2022-12-06 | 青岛平电锅炉辅机有限公司 | 基于图像处理的除氧器焊接质量检测方法 |
CN115457041A (zh) * | 2022-11-14 | 2022-12-09 | 安徽乾劲企业管理有限公司 | 一种道路质量识别检测方法 |
CN116030061A (zh) * | 2023-03-29 | 2023-04-28 | 深圳市捷超行模具有限公司 | 一种基于视觉的硅胶成型效果检测方法 |
CN116310845A (zh) * | 2023-05-19 | 2023-06-23 | 青岛国源中创电气自动化工程有限公司 | 一种用于污水处理的智能监测系统 |
Non-Patent Citations (1)
Title |
---|
张小凤;刘向阳;: "基于图像超像素分析的图像分割方法", 计算机技术与发展, no. 07 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664572A (zh) * | 2023-07-31 | 2023-08-29 | 聊城市瀚格智能科技有限公司 | 基于图像数据的公路路面裂缝快速检测方法 |
CN116664572B (zh) * | 2023-07-31 | 2023-10-13 | 聊城市瀚格智能科技有限公司 | 基于图像数据的公路路面裂缝快速检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116485801B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612763B (zh) | 手机屏幕缺陷检测方法、装置及系统、计算机设备及介质 | |
CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
CN113362306B (zh) | 一种基于深度学习的封装芯片缺陷检测方法 | |
CN115908411B (zh) | 基于视觉检测的混凝土养护质量分析方法 | |
CN110517265B (zh) | 一种产品表面缺陷的检测方法、装置及存储介质 | |
CN107133623B (zh) | 一种基于背景差和圆心定位的指针位置精确检测方法 | |
CN110232389A (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
CN116485801B (zh) | 基于计算机视觉的胶管质量在线检测方法及系统 | |
CN108896278A (zh) | 一种滤光片丝印缺陷检测方法、装置及终端设备 | |
CN116228780B (zh) | 基于计算机视觉的硅片缺陷检测方法及系统 | |
CN109829856B (zh) | 一种桥梁裂缝信息融合方法 | |
CN112102238B (zh) | 基于计算机视觉的糊化过程中淀粉颗粒溶胀能力的检测方法 | |
CN116310845B (zh) | 一种用于污水处理的智能监测系统 | |
CN113313107B (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
CN115131346B (zh) | 基于人工智能的发酵罐加工工序检测方法及系统 | |
CN115861307B (zh) | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 | |
CN110852207A (zh) | 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法 | |
CN114359288A (zh) | 基于人工智能的医学影像脑动脉瘤检测和定位方法 | |
CN113808153A (zh) | 番茄成熟检测方法、装置、计算机设备及存储介质 | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN103500457A (zh) | 一种视频图像偏色检测的方法 | |
CN117351472A (zh) | 烟叶信息检测方法、装置及电子设备 | |
CN115984360B (zh) | 一种基于图像处理的计算干滩长度的方法及系统 | |
CN113436120B (zh) | 一种图像模糊值识别方法及装置 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method and system for online quality inspection of rubber hoses based on computer vision Effective date of registration: 20231121 Granted publication date: 20230912 Pledgee: China Postal Savings Bank Limited by Share Ltd. Wenshang County sub branch Pledgor: Shandong Lantong electromechanical Co.,Ltd. Registration number: Y2023980066783 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |