CN116523900A - 一种五金件加工质量检测方法 - Google Patents
一种五金件加工质量检测方法 Download PDFInfo
- Publication number
- CN116523900A CN116523900A CN202310721593.XA CN202310721593A CN116523900A CN 116523900 A CN116523900 A CN 116523900A CN 202310721593 A CN202310721593 A CN 202310721593A CN 116523900 A CN116523900 A CN 116523900A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- gradient
- hardware
- pixel
- gradient amplitude
- 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 34
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 230000001629 suppression Effects 0.000 claims description 57
- 238000012937 correction Methods 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 15
- 230000007547 defect Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 abstract description 5
- 230000035772 mutation Effects 0.000 description 17
- 238000003708 edge detection Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 229910052718 tin Inorganic materials 0.000 description 1
- 239000011135 tin Substances 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
- G06T5/70—Denoising; Smoothing
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种五金件加工质量检测方法,包括:获取五金件去噪图像,根据五金件去噪图像中像素点的梯度幅值和梯度方向获取像素点的梯度幅值显著性以及梯度方向显著性,根据梯度幅值显著性以及梯度方向显著性获取像素点非极大值抑制的可信度,根据可信度对像素点的梯度幅值进行修正,根据修正梯度幅值获取五金件去噪图像对应的边缘图像,根据边缘图像进行五金件加工质量检测。本发明对微小的边缘的响应程度更好,避免了边缘像素点的漏检,使得五金件加工质量检测更加准确。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种五金件加工质量检测方法。
背景技术
五金件,是指用金、银、铜、铁、锡等金属通过加工,铸造得到的工具,用来固定东西、加工东西、装饰等,是现代工业生产必不可少的制造工具。在五金件的生产中,受介质腐蚀、冲刷、温度、压力、震动等因素的影响,会不可避免的出现变形问题,从而影响五金件的使用。因此对五金件加工质量的检测至关重要。
常用的边缘检测方法包括缺陷检测,而Canny算子边缘检测则是迄今为止理论上相对最完善的一种边缘检测算法。在使用Canny算子进行边缘检测时,需要对像素点梯度进行非极大值抑制,获取初始边缘像素点,这种方法相对简单,但无法达到最好的效果,只保留一定区域内梯度值最大即变化程度最大的像素点作为边缘,抑制了突变程度小的其他像素点,极有可能遗漏突变程度小但却是边缘像素点的像素点,造成边缘的缺失,从而影响缺陷提取。
发明内容
本发明提供一种五金件加工质量检测方法,以解决现有的问题。
本发明的一种五金件加工质量检测方法采用如下技术方案:
本发明一个实施例提供了一种五金件加工质量检测方法,该方法包括以下步骤:
采集五金件图像;对五金件图像进行滤波,得到五金件去噪图像;
获取五金件去噪图像中每个像素点的梯度幅值和梯度方向;根据梯度幅值和梯度方向获取每个像素点的梯度幅值显著性以及梯度方向显著性;
根据梯度幅值显著性以及梯度方向显著性获取每个像素点非极大值抑制的可信度;根据非极大值抑制的可信度对每个像素点的梯度幅值进行修正,获取每个像素点的修正梯度幅值;
根据修正梯度幅值获取五金件去噪图像对应的边缘图像,根据边缘图像进行五金件加工质量检测。
优选的,所述根据梯度幅值和梯度方向获取每个像素点的梯度幅值显著性以及梯度方向显著性,包括的具体步骤如下:
获取每个像素点的梯度幅值显著性:
其中为第/>个像素点的梯度幅值显著性;/>为第/>个像素点的梯度幅值;/>为第/>个像素点的梯度方向上前后相邻的两个像素点的梯度幅值中的最大值;
获取每个像素点的梯度方向显著性:
其中为第/>个像素点的梯度方向显著性;/>为第/>个像素点的梯度方向;/>为第/>个像素点的梯度方向上前后相邻的两个像素点中梯度幅值较大的像素点的梯度方向。
优选的,所述根据梯度幅值显著性以及梯度方向显著性获取每个像素点非极大值抑制的可信度,包括的具体步骤如下:
当时,第/>个像素点非极大值抑制的可信度为:
当时,若:
第个像素点非极大值抑制的可信度为:
若:
第个像素点非极大值抑制的可信度为:
其中,为第/>个像素点非极大值抑制的可信度,/>为第/>个像素点的梯度幅值显著性,/>为第/>个像素点的梯度幅值;/>为第/>个像素点的梯度方向上前后相邻的两个像素点的梯度幅值中的最小值;/>为双曲正切函数;/>为第/>个像素点的梯度方向显著性;/>为以自然常数为底的指数函数;/>为绝对值符号。
优选的,所述根据非极大值抑制的可信度对每个像素点的梯度幅值进行修正,获取每个像素点的修正梯度幅值,包括的具体步骤如下:
根据每个像素点的非极大值抑制的可信度获取每个像素点的修正系数:
其中,为第/>个像素点的修正系数;/>为第/>个像素点的非极大值抑制可信度;/>为自然常数;
对所有像素点的修正系数进行线性归一化,得到每个像素点的归一化修正系数;获取每个像素点的修正梯度幅值:
其中,为第/>个像素点的修正梯度幅值;/>为第/>个像素点的梯度幅值;/>为第个像素点的梯度方向上前后相邻的两个像素点的梯度幅值中的最大值;/>为第/>个像素点的归一化修正系数。
优选的,所述根据修正梯度幅值获取五金件去噪图像对应的边缘图像,包括的具体步骤如下:
根据五金件去噪图像中每个像素点的修正梯度幅值对五金件去噪图像进行非极大值抑制,得到初始边缘像素点;对五金件去噪图像中所有的初始边缘像素点进行双阈值筛选,获取五金件去噪图像中的边缘,得到五金件去噪图像对应的边缘图像。
优选的,所述根据边缘图像进行五金件加工质量检测,包括的具体步骤如下:
拍摄无缺陷的五金件的图像,作为模板图像;获取模板图像对应的边缘图像,作为模板边缘图像,根据模板边缘图像对五金件去噪图像对应的边缘图像进行模板匹配,将未匹配的边缘作为五金件上缺陷的边缘,根据缺陷的边缘获取五金件上的缺陷区域,实现五金件加工质量检测。
本发明的技术方案的有益效果是:本发明通过计算各像素点梯度幅值显著性和梯度方向显著性,在像素点梯度方向上通过前后相邻像素点梯度幅值和梯度方向求取像素点非极大值抑制的可信度,对可信度小的像素点通过其梯度方向上相邻像素点的梯度幅值与该可信度小的像素点的关系,对该可信度小的像素点梯度幅值进行修正,既考虑了相邻像素点梯度幅值的影响,又兼顾了像素点本身的梯度幅值大小,避免了只关注像素点自身梯度幅值而忽视了在周围环境下其为边缘像素点的可能性。本发明根据像素点的修正梯度幅值进行非极大值抑制,确保了突变程度较小但边缘发生可能性较大的像素点的识别,本发明对微小的边缘的响应程度更好,避免了边缘像素点的漏检,使得五金件加工质量检测更加准确。
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为本发明的一种五金件加工质量检测方法的步骤流程图;
图2为五金件图像;
图3为五金件去噪图像。
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五金件加工质量检测方法,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五金件加工质量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一种五金件加工质量检测方法的步骤流程图,该方法包括以下步骤:
S001.采集五金件图像。
通过部署在五金件传送带上方的相机,俯视拍摄传送带上的五金件的RGB图像,为了便于五金件加工质量的检测,将RGB图像转换为灰度图像,记为五金件图像,本发明实施例的一个五金件图像如图2所示。
至此,获取了五金件图像。
S002.获取每个像素点非极大值抑制的可信度。
需要说明的是,在Canny算子边缘检测方法中,求取了各像素点梯度幅值和梯度方向后,需要在梯度方向上对像素点梯度幅值进行非极大值抑制,对每个像素点与其梯度方向上前后两个像素点梯度幅值进行比较,若当前像素点梯度幅值为最大,则将该像素点保留,作为初始边缘像素点,进行后续的双阈值筛选,若当前像素点的梯度幅值不是最大,则将像素点抑制点,则不对该像素点进行后续的双阈值筛选。像素点梯度幅值大小表示了其突变程度,而非极大值抑制方法只保留了局部梯度幅值最大也就是局部突变程度最大的像素点作为初始边缘像素点,该方法能够得到细化的边缘,忽视了突变程度相对较小但却是边缘像素点的像素点,这会造成边缘像素点的漏检,造成边缘的缺失。因此需要根据像素点梯度方向上梯度幅值和梯度方向的差异获取像素点非极大值抑制的可信度,对可信度大的像素点直接进行非极大值抑制,保证了突变程度大的像素点的边缘可能性,对可信度小的像素点进行梯度幅值修正,而后进行非极大值抑制,保证突变程度相对较小但仍为边缘像素点的像素点的边缘可能性,从而避免边缘像素点漏检,造成边缘缺失。在噪声的影响下,边缘检测算法都不能在没有经过处理的原始图像上很好地检测边缘,所以首先需要消除五金件图像中的噪声,以便后续处理。
在本发明实施例中,对五金件图像进行高斯滤波,去除五金件图像中的噪声,得到五金件去噪图像,参见图3。在其他实施例中,实施人员采用其他滤波方法。
利用Sobel算子获取五金件去噪图像中每个像素点的梯度幅值和梯度方向。获取每个像素点的梯度幅值显著性:
其中为第/>个像素点的梯度幅值显著性,即第/>个像素点与其梯度方向上前后相邻的两个像素点的梯度幅值差异;/>为第/>个像素点的梯度幅值;/>为第/>个像素点的梯度方向上前后相邻的两个像素点的梯度幅值中的最大值。
获取每个像素点的梯度方向显著性:
其中为第/>个像素点的梯度方向显著性,即第/>个像素点与其梯度方向上前后相邻的两个像素点的梯度方向差异;/>为第/>个像素点的梯度方向;/>为第/>个像素点的梯度方向上前后相邻的两个像素点中梯度幅值较大的像素点的梯度方向;/>为绝对值符号。
需要说明的是,当时,第/>个像素点在其梯度方向上与前后相邻的两个像素点梯度幅值相比是最大的,即第/>个像素点突变程度最大,根据非极大值抑制的原理,此时不对第/>个像素点进行抑制,将其非极大值抑制的可信度置为1;当/>时,第/>个像素点的梯度幅值与其梯度方向上相邻的两个像素点的梯度幅值相比,不是最大的,说明第/>个像素点不是突变程度最大的点,如果第/>个像素点为突变程度相对较小但仍是边缘像素点,进行非极大值抑制会将其抑制,造成边缘像素点的漏检,此时需结合第/>个像素点的梯度幅值显著性以及梯度方向显著性,计算该像素点的非极大值抑制的可信度,以便后续根据可信度修正该像素点的梯度幅值,根据修正后的梯度幅值再进行非极大值抑制。
在本发明实施例中,当时,第/>个像素点非极大值抑制的可信度为:
其中,为第/>个像素点非极大值抑制的可信度,/>为第/>个像素点的梯度幅值显著性。
当时,若:
第个像素点非极大值抑制的可信度为:
其中,为第/>个像素点非极大值抑制的可信度,/>为第/>个像素点的梯度幅值显著性,/>为第/>个像素点的梯度幅值;/>为第/>个像素点的梯度方向上前后相邻的两个像素点的梯度幅值中的最小值;/>为双曲正切函数;/>为绝对值符号;/>,当第/>个像素点梯度幅值为非极大值且与相邻两个像素点中梯度幅值较大的像素点差异/>较大时,即第/>个像素点的梯度幅值显著性较小/>时,该像素点的突变程度较小,因此其边缘发生可能性较小,因此其非极大值抑制的可信度较大。
若:
第个像素点非极大值抑制的可信度为:
其中,为第/>个像素点非极大值抑制的可信度,/>为第/>个像素点的梯度幅值显著性,/>为第/>个像素点的梯度幅值;/>为第/>个像素点的梯度方向上前后相邻的两个像素点的梯度幅值中的最小值;/>为第/>个像素点的梯度方向显著性;/>为以自然常数为底的指数函数;/>为绝对值符号;第/>个像素点的梯度幅值与其梯度方向上相邻两个像素点梯度幅值相比不是最大时,不能直接用非极大值抑制,若该像素点与其梯度方向上像素点梯度幅值相差较小,第/>个像素点以及其梯度方向上相邻两个像素点中梯度幅值最大的像素点是抑制第/>个像素点的对象,该对象的梯度幅值在局部相对较大,其可能为边缘像素点,若第/>像素点的梯度方向与该对象的梯度方向差异较小时,即第/>个像素点的梯度方向显著性较小时,第/>个像素点很可能与该对象位于同一条边缘上,此时可被该对象抑制掉,以达到边缘细化的效果,第/>个像素点非极大值抑制的可信度较大。若第/>像素点的梯度方向与该对象的梯度方向差异较大时,即第/>个像素点的梯度方向显著性较大时,第/>个像素点很可能与该对象位于不同的边缘上,为了避免第/>个像素点所处的边缘丢失,此时第/>个像素点需要保留,不能被该对象抑制掉,第/>个像素点非极大值抑制的可信度较小。
同理,获取五金件去噪图像中每个像素点非极大值抑制的可信度。
需要说明的是,本发明实施例通过计算各像素点梯度幅值和梯度方向,在像素点梯度方向上通过前后相邻像素点梯度幅值和梯度方向求取像素点非极大值抑制可信度,后续根据可信度大小对像素点的梯度幅值进行修正,确保了梯度较小的微弱边缘也能够保留,不会被抑制掉。
S003.根据非极大值抑制的可信度对每个像素点的梯度幅值进行修正。
需要说明的是,对非极大值抑制的可信度小的像素点进行非极大值抑制可能会造成梯度较小的微小边缘被滤除,导致五金件上不明显的缺陷难以被识别。因此,需要结合像素点的非极大值抑制的可信度对像素点的梯度幅值进行修正,根据修正后的梯度幅值进行边缘的检测。
在本发明实施例中,根据每个像素点的非极大值抑制的可信度获取每个像素点的修正系数:
其中,为第/>个像素点的修正系数;/>为第/>个像素点的非极大值抑制可信度;/>为自然常数;若像素点的非极大值抑制的可信度越小,说明该像素点本身突变程度相对较小但边缘发生可能性较大,该像素点越有可能是边缘像素点,因此需要对该像素点的梯度幅值进行较大程度的修正,使得该像素点的梯度幅值改变较大,进行非极大值抑制后被识别为初始边缘像素点的可能性变大,此时该像素点的修正系数较大;反之较小。
对所有像素点的修正系数进行线性归一化,得到每个像素点的归一化修正系数。
根据每个像素点的归一化修正系数对每个像素点的梯度幅值进行修正,获取每个像素点的修正梯度幅值:
其中,为第/>个像素点的修正梯度幅值;/>为第/>个像素点的梯度幅值;/>为第个像素点的梯度方向上前后相邻的两个像素点的梯度幅值中的最大值;/>为第/>个像素点的归一化修正系数;根据第/>个像素点的归一化修正系数对第/>个像素点的梯度幅值进行修正,修正系数越大,第/>个像素点的梯度幅值改变程度越大,修正后的修正梯度幅值越大,进行非极大值抑制越有可能被识别为初始边缘像素点。
至此,实现了每个像素点的梯度幅值的修正,获取了每个像素点的修正梯度幅值。
需要说明的是,本发明实施例通过计算各像素点梯度幅值和梯度方向,在像素点梯度方向上通过前后相邻像素点梯度幅值和梯度方向求取像素点非极大值抑制可信度,对可信度小的像素点通过其梯度方向上相邻像素点的梯度幅值与该可信度小的像素点的关系,对该可信度小的像素点梯度幅值进行修正,既考虑了相邻像素点梯度幅值的影响,又兼顾了像素点本身的梯度幅值大小,避免了只关注像素点自身梯度幅值而忽视了在周围环境下其为边缘像素点的可能性。使得后续对修正后的像素点进行非极大值抑制时,保证了突变程度相对较小但仍为边缘像素点的像素点的识别,而不是只识别突变程度最大的像素点作为边缘像素点。
S004.根据修正梯度幅值进行五金件加工质量检测。
根据五金件去噪图像中每个像素点的修正梯度幅值对五金件去噪图像进行非极大值抑制,若一个像素点的修正梯度幅值比其梯度方向上前后相邻的两个像素点的修正梯度幅值更大,则将像素点作为初始边缘像素点。对五金件去噪图像中所有的初始边缘像素点进行双阈值筛选,获取五金件去噪图像中的边缘,得到五金件去噪图像对应的边缘图像。需要说明的是,非极大值抑制以及双阈值筛选均为Canny边缘检测算法中的公知技术,在此不再详细赘述。
拍摄无缺陷的五金件的图像,作为模板图像,利用步骤S002到S004中的方法获取模板图像对应的边缘图像,记为模板边缘图像,根据模板边缘图像对五金件去噪图像对应的边缘图像进行模板匹配,对于未匹配的边缘即为五金件上缺陷的边缘。根据缺陷的边缘获取五金件上的缺陷区域。
需要说明的是,Canny算子边缘检测方法使用非极大值抑制来识别初始边缘像素点,保留梯度方向上梯度幅值最大的像素点,即突变程度最大的像素点作为初始边缘像素点,该方法能够得到细化的边缘,但可能造成梯度方向上梯度幅值较小但仍是边缘像素点的像素点的漏检,造成边缘的缺失。本发明实施例根据像素点的非极大值抑制的可信度,对像素点的梯度幅值进行修正,根据修正梯度幅值进行非极大值抑制,确保了突变程度较小但边缘发生可能性较大的像素点的识别,避免了边缘像素点的漏检,使得五金件加工质量检测更加准确。
通过以上步骤,完成了五金件加工质量的检测。
本发明实施例通过计算各像素点梯度幅值显著性和梯度方向显著性,在像素点梯度方向上通过前后相邻像素点梯度幅值和梯度方向求取像素点非极大值抑制的可信度,对可信度小的像素点通过其梯度方向上相邻像素点的梯度幅值与该可信度小的像素点的关系,对该可信度小的像素点梯度幅值进行修正,既考虑了相邻像素点梯度幅值的影响,又兼顾了像素点本身的梯度幅值大小,避免了只关注像素点自身梯度幅值而忽视了在周围环境下其为边缘像素点的可能性。本发明根据像素点的修正梯度幅值进行非极大值抑制,确保了突变程度较小但边缘发生可能性较大的像素点的识别,本发明对微小的边缘的响应程度更好,避免了边缘像素点的漏检,使得五金件加工质量检测更加准确。
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 (6)
1.一种五金件加工质量检测方法,其特征在于,该方法包括以下步骤:
采集五金件图像;对五金件图像进行滤波,得到五金件去噪图像;
获取五金件去噪图像中每个像素点的梯度幅值和梯度方向;根据梯度幅值和梯度方向获取每个像素点的梯度幅值显著性以及梯度方向显著性;
根据梯度幅值显著性以及梯度方向显著性获取每个像素点非极大值抑制的可信度;根据非极大值抑制的可信度对每个像素点的梯度幅值进行修正,获取每个像素点的修正梯度幅值;
根据修正梯度幅值获取五金件去噪图像对应的边缘图像,根据边缘图像进行五金件加工质量检测。
2.根据权利要求1所述的一种五金件加工质量检测方法,其特征在于,所述根据梯度幅值和梯度方向获取每个像素点的梯度幅值显著性以及梯度方向显著性,包括的具体步骤如下:
获取每个像素点的梯度幅值显著性:
其中为第/>个像素点的梯度幅值显著性;/>为第/>个像素点的梯度幅值;/>为第/>个像素点的梯度方向上前后相邻的两个像素点的梯度幅值中的最大值;
获取每个像素点的梯度方向显著性:
其中为第/>个像素点的梯度方向显著性;/>为第/>个像素点的梯度方向;/>为第/>个像素点的梯度方向上前后相邻的两个像素点中梯度幅值较大的像素点的梯度方向。
3.根据权利要求1所述的一种五金件加工质量检测方法,其特征在于,所述根据梯度幅值显著性以及梯度方向显著性获取每个像素点非极大值抑制的可信度,包括的具体步骤如下:
当时,第/>个像素点非极大值抑制的可信度为:
当时,若:
第个像素点非极大值抑制的可信度为:
若:
第个像素点非极大值抑制的可信度为:
其中,为第/>个像素点非极大值抑制的可信度,/>为第/>个像素点的梯度幅值显著性,为第/>个像素点的梯度幅值;/>为第/>个像素点的梯度方向上前后相邻的两个像素点的梯度幅值中的最小值;/>为双曲正切函数;/>为第/>个像素点的梯度方向显著性;为以自然常数为底的指数函数;/>为绝对值符号。
4.根据权利要求1所述的一种五金件加工质量检测方法,其特征在于,所述根据非极大值抑制的可信度对每个像素点的梯度幅值进行修正,获取每个像素点的修正梯度幅值,包括的具体步骤如下:
根据每个像素点的非极大值抑制的可信度获取每个像素点的修正系数:
其中,为第/>个像素点的修正系数;/>为第/>个像素点的非极大值抑制可信度;/>为自然常数;
对所有像素点的修正系数进行线性归一化,得到每个像素点的归一化修正系数;获取每个像素点的修正梯度幅值:
其中,为第/>个像素点的修正梯度幅值;/>为第/>个像素点的梯度幅值;/>为第/>个像素点的梯度方向上前后相邻的两个像素点的梯度幅值中的最大值;/>为第/>个像素点的归一化修正系数。
5.根据权利要求1所述的一种五金件加工质量检测方法,其特征在于,所述根据修正梯度幅值获取五金件去噪图像对应的边缘图像,包括的具体步骤如下:
根据五金件去噪图像中每个像素点的修正梯度幅值对五金件去噪图像进行非极大值抑制,得到初始边缘像素点;对五金件去噪图像中所有的初始边缘像素点进行双阈值筛选,获取五金件去噪图像中的边缘,得到五金件去噪图像对应的边缘图像。
6.根据权利要求1所述的一种五金件加工质量检测方法,其特征在于,所述根据边缘图像进行五金件加工质量检测,包括的具体步骤如下:
拍摄无缺陷的五金件的图像,作为模板图像;获取模板图像对应的边缘图像,作为模板边缘图像,根据模板边缘图像对五金件去噪图像对应的边缘图像进行模板匹配,将未匹配的边缘作为五金件上缺陷的边缘,根据缺陷的边缘获取五金件上的缺陷区域,实现五金件加工质量检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310721593.XA CN116523900B (zh) | 2023-06-19 | 2023-06-19 | 一种五金件加工质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310721593.XA CN116523900B (zh) | 2023-06-19 | 2023-06-19 | 一种五金件加工质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116523900A true CN116523900A (zh) | 2023-08-01 |
CN116523900B CN116523900B (zh) | 2023-09-08 |
Family
ID=87396078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310721593.XA Active CN116523900B (zh) | 2023-06-19 | 2023-06-19 | 一种五金件加工质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523900B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912250A (zh) * | 2023-09-13 | 2023-10-20 | 山东众成菌业股份有限公司 | 基于机器视觉的菌包生产质量检测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040037465A1 (en) * | 2002-08-21 | 2004-02-26 | Krause Larry G. | System and method for detection of image edges using a polar algorithm process |
US20100165207A1 (en) * | 2008-12-29 | 2010-07-01 | Stmicroelectronics Asia Pacific Pte, Ltd. | Apparatus and method of motion detection for temporal mosquito noise reduction in video sequences |
CN103426004A (zh) * | 2013-07-04 | 2013-12-04 | 西安理工大学 | 基于纠错输出编码的车型识别方法 |
CN104778721A (zh) * | 2015-05-08 | 2015-07-15 | 哈尔滨工业大学 | 一种双目图像中显著性目标的距离测量方法 |
CN106228568A (zh) * | 2016-10-11 | 2016-12-14 | 北京京东尚科信息技术有限公司 | 模糊图片检测方法和装置 |
CN107133598A (zh) * | 2017-05-11 | 2017-09-05 | 南宁市正祥科技有限公司 | 一种非结构化道路的检测方法 |
CN108364291A (zh) * | 2018-03-13 | 2018-08-03 | 钟国韵 | 基于计算机视觉技术的原坯布快速检测方法 |
CN109215020A (zh) * | 2018-08-30 | 2019-01-15 | 国网黑龙江省电力有限公司佳木斯供电公司 | 基于计算机视觉的高压输电线路故障识别方法 |
CN109800683A (zh) * | 2018-12-30 | 2019-05-24 | 昆明物理研究所 | 一种基于fpga的红外行人检测方法及装置 |
CN113296095A (zh) * | 2021-05-21 | 2021-08-24 | 东南大学 | 一种用于脉冲探地雷达的目标双曲线边缘提取方法 |
CN114022441A (zh) * | 2021-11-03 | 2022-02-08 | 佛山市南海区广工大数控装备协同创新研究院 | 一种不规则五金件的缺陷检测方法 |
CN114972397A (zh) * | 2022-06-21 | 2022-08-30 | 湘潭大学 | 一种用于风电叶片复合材料的红外图像缺陷轮廓检测方法 |
-
2023
- 2023-06-19 CN CN202310721593.XA patent/CN116523900B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040037465A1 (en) * | 2002-08-21 | 2004-02-26 | Krause Larry G. | System and method for detection of image edges using a polar algorithm process |
US20100165207A1 (en) * | 2008-12-29 | 2010-07-01 | Stmicroelectronics Asia Pacific Pte, Ltd. | Apparatus and method of motion detection for temporal mosquito noise reduction in video sequences |
CN103426004A (zh) * | 2013-07-04 | 2013-12-04 | 西安理工大学 | 基于纠错输出编码的车型识别方法 |
CN104778721A (zh) * | 2015-05-08 | 2015-07-15 | 哈尔滨工业大学 | 一种双目图像中显著性目标的距离测量方法 |
CN106228568A (zh) * | 2016-10-11 | 2016-12-14 | 北京京东尚科信息技术有限公司 | 模糊图片检测方法和装置 |
CN107133598A (zh) * | 2017-05-11 | 2017-09-05 | 南宁市正祥科技有限公司 | 一种非结构化道路的检测方法 |
CN108364291A (zh) * | 2018-03-13 | 2018-08-03 | 钟国韵 | 基于计算机视觉技术的原坯布快速检测方法 |
CN109215020A (zh) * | 2018-08-30 | 2019-01-15 | 国网黑龙江省电力有限公司佳木斯供电公司 | 基于计算机视觉的高压输电线路故障识别方法 |
CN109800683A (zh) * | 2018-12-30 | 2019-05-24 | 昆明物理研究所 | 一种基于fpga的红外行人检测方法及装置 |
CN113296095A (zh) * | 2021-05-21 | 2021-08-24 | 东南大学 | 一种用于脉冲探地雷达的目标双曲线边缘提取方法 |
CN114022441A (zh) * | 2021-11-03 | 2022-02-08 | 佛山市南海区广工大数控装备协同创新研究院 | 一种不规则五金件的缺陷检测方法 |
CN114972397A (zh) * | 2022-06-21 | 2022-08-30 | 湘潭大学 | 一种用于风电叶片复合材料的红外图像缺陷轮廓检测方法 |
Non-Patent Citations (2)
Title |
---|
KARTIKA CANDRA KIRANA等: "DIGITAL IMAGE EDGE DETECTION USING DIRECTIONAL ANT COLONY OPTIMIZATION BASED ON GRADIENT MAGNITUDE AND DIRECTION", 《INTERNATIONAL JOURNAL OF LATEST RESEARCH IN SCIENCE AND TECHNOLOGY》, pages 121 - 129 * |
叶鑫龙: "基于机器视觉的金属表面缺陷检测方法研究与系统实现", 《国优秀硕士学位论文全文数据库》, pages 022 - 54 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912250A (zh) * | 2023-09-13 | 2023-10-20 | 山东众成菌业股份有限公司 | 基于机器视觉的菌包生产质量检测方法 |
CN116912250B (zh) * | 2023-09-13 | 2023-11-28 | 山东众成菌业股份有限公司 | 基于机器视觉的菌包生产质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116523900B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
CN108827969B (zh) | 金属零件表面缺陷检测与识别方法及装置 | |
CN116523900B (zh) | 一种五金件加工质量检测方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN108876768B (zh) | 导光板暗影缺陷检测方法 | |
CN109146860B (zh) | 全自动机械设备安装泄露检测方法及装置 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN110954553B (zh) | 一种镜片光学检测系统 | |
CN115984148B (zh) | 一种高通量基因测序数据的去噪增强方法 | |
CN106918602B (zh) | 一种鲁棒的基于机器视觉的表面缺陷检测方法 | |
CN111612773B (zh) | 一种红外热像仪及实时自动盲元检测处理方法 | |
CN115908415A (zh) | 基于边缘的缺陷检测方法、装置、设备及存储介质 | |
CN116740058A (zh) | 一种固态硬盘配套晶圆的质量检测方法 | |
CN110648330A (zh) | 摄像头玻璃的缺陷检测方法 | |
CN107230200A (zh) | 一种提取电机转子中线圈轮廓特征的方法 | |
CN117437219A (zh) | 基于计算机视觉的磁胶电感不规则外观缺陷检测方法 | |
CN113781413B (zh) | 一种基于Hough梯度法的电解电容定位方法 | |
CN117408905A (zh) | 基于多模态特征提取的医学图像融合方法 | |
CN105809677B (zh) | 一种基于双边滤波器的图像边缘检测方法及系统 | |
CN109949292B (zh) | 一种带钢表面缺陷的检测方法及装置 | |
CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 | |
US8811741B2 (en) | Differentiated processing method of image zones | |
CN114240920A (zh) | 一种外观缺陷检测方法 | |
CN114486934A (zh) | 一种用于管道内部裂纹图像识别系统 | |
CN111462053A (zh) | 一种图像形态学处理方法和系统 |
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 |