CN116580021A - 一种环保混凝土降碳制品生产及质量检测方法 - Google Patents
一种环保混凝土降碳制品生产及质量检测方法 Download PDFInfo
- Publication number
- CN116580021A CN116580021A CN202310796901.5A CN202310796901A CN116580021A CN 116580021 A CN116580021 A CN 116580021A CN 202310796901 A CN202310796901 A CN 202310796901A CN 116580021 A CN116580021 A CN 116580021A
- Authority
- CN
- China
- Prior art keywords
- value
- clustering
- pixel points
- center
- texture
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 63
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 63
- 230000009467 reduction Effects 0.000 title claims abstract description 61
- 239000004567 concrete Substances 0.000 title claims abstract description 48
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 title claims abstract description 11
- 238000005259 measurement Methods 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 47
- 230000008569 process Effects 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 description 7
- 239000000463 material Substances 0.000 description 5
- 239000002994 raw material Substances 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000011497 hempcrete Substances 0.000 description 2
- 239000011398 Portland cement Substances 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000010881 fly ash Substances 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
- 238000005070 sampling Methods 0.000 description 1
- 229910021487 silica fume Inorganic materials 0.000 description 1
- 239000010959 steel 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
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- 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
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- 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
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,提出了一种环保混凝土降碳制品生产及质量检测方法,包括:获取表面灰度图像;获取聚类中心的中心窗口,根据中心窗口内灰度值差异获取取值序列;根据取值序列获取取值序列相似度;将取值序列相似度进行划分获取标记像素点,根据取值序列相似度和标记像素点的数量获取聚类中心的纹理均匀性;根据中心窗口内灰度差异获取色彩变化度,根据色彩变化度和纹理均匀性获取聚类中心的纹理特征;更具纹理特征及聚类中心间欧氏距离获取距离度量;根据距离度量完成聚类,并进行质量检测。本发明解决了自然纹理与产品本身纹理不一致导致错检问题,提升其生产及质量检测的准确性。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种环保混凝土降碳制品生产及质量检测方法。
背景技术
混凝土是世界上使用最广泛的建筑材料,硅酸盐水泥是混凝土的主要成分,由于该主要成分的物理特性,在混凝土制品的生产过程中产生的碳排放量较高,占全球人为二氧化碳排放量的6-10%。环保混凝土降碳制品是一种新型的混凝土制品,使用替代材料来取代传统混凝土中导致高排放的材料,这些替代材料包括粉煤灰、硅灰、Ashcrete、HEMPCRETE、钢尘等,可以减少对应产品在生产过程中所需的能源和CO2排放。这种新型的环保混凝土降碳制品可以用于建筑、道路、桥梁等结构的建设,减少对环境的负面影响。但是,由于使用的材料不同,HEMPCRETE、菌丝体等材料制造的环保混凝土降碳制品的表面往往会出现一定的自然纹理,在对生产完成的环保混凝土降碳制品表面进行质量检测时,这些纹理的存在会导致自然纹理部分易被判断为环保混凝土降碳制品表面出现质量问题的部分,所以,需要一种可将自然纹理的干扰降低的对环保混凝土降碳制品表面进行质量检测的方法。
发明内容
本发明提供一种环保混凝土降碳制品生产及质量检测方法,以解决自然纹理部分易被判断为环保混凝土降碳制品表面出现质量问题的问题,所采用的技术方案具体如下:
本发明一个实施例一种环保混凝土降碳制品生产及质量检测方法,该方法包括以下步骤:
获取表面灰度图像;
在表面灰度图像上获取若干聚类中心,根据聚类中心获取中心窗口,根据中心窗口内像素点的灰度值差异获取中心窗口内像素点的取值序列;根据像素点的取值序列获取两个像素点的取值序列相似度;将所有取值序列相似度进行划分获取划分阈值,根据划分阈值获取标记像素点,将中心窗口划分,根据取值序列相似度和中心窗口划分区域内的标记像素点数量获取聚类中心的纹理均匀性;
根据中心窗口内像素点的灰度差异获取聚类中心的色彩变化度,根据聚类中心的色彩变化度和纹理均匀性获取聚类中心的纹理特征;根据聚类中心的纹理特征的差异和聚类中心之间的欧氏距离获取聚类中心的距离度量;
根据距离度量完成对表面灰度图完成聚类,根据聚类结果进行质量检测。
优选的,所述根据中心窗口内像素点的灰度值差异获取中心窗口内像素点的取值序列的方法为:
中心窗口每个像素点以自身为中心得到一个标准窗口,根据标准窗口内像素点与标准窗口中心点的灰度值差异对像素点标记,根据标记获取取值序列。
优选的,所述根据标准窗口内像素点与标准窗口中心点的灰度值差异对像素点标记的方法为:
将标准窗口的中心点记为标准点,在标准窗口内,将标准点与标准窗口内每个像素点的灰度值比较,若各位置像素点的灰度值相对于标准点的灰度值较大或者相等时,则为该位置像素点的取值赋值为0,当标准店的灰度值相对于各位置像素点的灰度值较大时,则为该位置像素点的取值赋值为1。
优选的,所述根据标记获取取值序列的方法为:
对标准窗口内像素点打上标记后,按照从左到右从上到下的顺序依次读取像素点的标记,将读取完的标记按照读取顺序组合为一个取值序列,取值序列由若干0和1组成。
优选的,所述将所有取值序列相似度进行划分获取划分阈值,根据划分阈值获取标记像素点的方法为:
对所有的取值序列相似度使用OTSU算法进行划分得到划分阈值,将所有取值序列相似度中大于划分阈值的取值序列相似度提取出来,将提取出来的取值序列相似度对应的俩个像素点进行标记作为标记像素点。
优选的,所述将中心窗口划分,根据取值序列相似度和中心窗口划分区域内的标记像素点数量获取聚类中心的纹理均匀性的方法为:
将中心窗口过聚类中心做水平直线和竖直直线将中心窗口分为了四份,之后在做过聚类中心的两条对角线,由此将中心窗口分为了八份;
式中,表示中心窗口内取值序列相似度的划分阈值,/>表示序列相似度中大于阈值的部分的均值,/>表示中心窗口内第u个区域内标记像素点的数量,/>表示中心窗口内所有区域标记像素点数量的均值,/>表示聚类中心对应的纹理均匀性。
优选的,所述根据中心窗口内像素点的灰度差异获取聚类中心的色彩变化度的方法为:
获取中心窗口内每个像素点的灰度值,计算中心窗口内所有像素点的灰度值均值,将中心窗口内灰度值最大值与灰度值最小值作差获取灰度值极差,将所有像素点的灰度值与均值作差的绝对值累加,将累加结果和灰度值极差相乘获取聚类中心的色彩变化度。
优选的,所述根据聚类中心的纹理特征的差异和聚类中心之间的欧氏距离获取聚类中心的距离度量的方法为:
将正在计算度量距离的两个聚类中心记为标准聚类中心;
式中,表示第p个聚类中心的纹理特征值,/>表示第q个聚类中心的纹理特征值,表示第p个聚类中心和第q个聚类中心的欧氏距离,/>表示在层次聚类过程中,此时表面灰度图像中除了标准聚类中心外的所有聚类中心的数量,/>表示第w个聚类中心的纹理特征值,/>表示第p个聚类中心与第w个聚类中心的欧氏距离,/>表示第q个聚类中心与第w个聚类中心的欧氏距离,/>表示最小值函数,/>表示第p个聚类中心和第q个聚类中心的距离度量。
优选的,所述根据距离度量完成对表面灰度图完成聚类的方法为:
使用层次聚类当聚类簇数量为3时进行判断,此时根据所计算的度量距离,若所有度量距离大于预设阈值时,不进行聚类,此时存在三个聚类簇,若所有度量距离小于预设阈值时,继续距离到只存在两个聚类簇位置。
优选的,所述获取表面灰度图像的方法为:
使用相机采集表面图像,利用中值滤波去噪,对去噪后的表面图像使用GrabCut图割划分出图像中的环保混凝土降碳制品对应的区域,并将该区域保留并灰度化得到表面灰度图像。
本发明的有益效果是:本发明通过对环保混凝土降碳制品的图像中像素点在层次聚类的过程中提取聚类中心的纹理特征后构建距离度量,将对应环保混凝土降碳制品表面的像素点划分为三类,分别对应降碳制品本身纹理位置、原材料原因导致的区别于降碳制品本身纹理的自然纹理位置和缺陷部分位置,进而判断环保混凝土降碳制品表面的质量,解决了该产品的原材料本身带来的自然纹理与产品本身纹理不一致导致的正常的自然纹理位置易被识别为降碳制品表面缺陷的问题,提升其生产及质量检测的准确性;在提取聚类中心的纹理特征构建距离度量的过程中,根据聚类中心周围的像素点灰度值提取取值序列相似度作为纹理提取的基础,然后对纹理的一致性和均匀性提取,进而结合聚类中心处的色彩变化度得到纹理特征值,根据两个聚类中心之间的欧氏距离和纹理特征值的差异确定距离度量,可达到根据欧氏距离和纹理特征对各个像素点进行聚类的目的,解决了层次聚类过程中仅仅将距离较近的簇合并为一类导致无法达到对环保混凝土降碳制品表面的像素点根据纹理特征划分为既定三类的问题。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种环保混凝土降碳制品生产及质量检测方法的流程示意图;
图2为中心窗口划分示意图。
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。
请参阅图1,其示出了本发明一个实施例提供的一种环保混凝土降碳制品生产及质量检测方法流程图,该方法包括以下步骤:
步骤S001,使用图像采集设备采集图像,并预处理得到表面灰度图像。
使用CCD相机获取环保混凝土降碳制品各个表面的图像,记为降碳制品表面图像,降碳制品表面图像为RGB图像。对降碳制品表面图像使用中值滤波进行去噪,提升图像质量,减少噪声对图像的干扰。其中,中值滤波去噪为公知技术,此处不再赘述。对降碳制品表面图像使用GrabCut图割划分出图像中的环保混凝土降碳制品对应的区域,将对降碳制品表面图像中属于该区域的像素点保留,其余像素点删除,对降碳制品表面图像进行更新。将降碳制品表面图像转换为灰度图像,记为表面灰度图像。
至此,获取表面灰度图像。
步骤S002,获取聚类中心,根据聚类中心获取周围像素点的取值序列相似度,并根据取值序列相似度获取划分阈值和标记像素点,以此获取聚类中心的纹理均匀性。
由于环保混凝土降碳制品在生产过程中数量较多、体积较大,所以在对环保混凝土降碳制品表面进行质量检测、排除原材料产生的自然纹理干扰的过程中需要在处理大规模数据集的同时保持准确性和运行效率,所以本实施例使用CURE层次聚类算法对表面灰度图像中的像素点进行聚类,得到的聚类簇为对应环保混凝土降碳制品正常纹理类、环保混凝土降碳制品自然纹理类和异常纹理类共计三类。
其中,环保混凝土降碳制品正常纹理类对应该产品表面本身对应的纹理处;环保混凝土降碳制品自然纹理类对应由于对混凝土产品的原材料的更换导致的现有的产品表面出现的自然纹理,该纹理与产品表面本身对应的纹理存在差异,但这是不同原材料导致的正常现象;异常纹理类对应产品表面出现的裂纹、污损、空洞等瑕疵对应的纹理位置。
若直接使用CURE层次聚类算法对降碳制品表面灰度图像内各个像素点进行聚类,在聚类的过程中,会根据不同聚类中心之间的距离确定是否将不同聚类簇进行合并,而本实施例的目的为根据上述三类不同纹理的特征进行聚类,仅仅通过不同聚类中心之间的距离无法达到上述的目的,所以需要根据本方案的目的将不同聚类中心之间的距离度量进行调整。
具体的,首先使用分层抽样法在表面灰度图中获取数个不同的聚类中心,以每个聚类中心作为中心像素点得到大小的窗口记为中心窗口,以中心窗口内每个像素点为中心得到/>大小的窗口记为标准窗口,获取标准窗口内每个像素点的灰度值,将标准窗口的中心点记为标准点,在标准窗口内,将标准点与标准窗口内每个像素点的灰度值比较,若各位置像素点的灰度值相对于标准点的灰度值较大或者相等时,则为该位置像素点的取值赋值为0,当标准店的灰度值相对于各位置像素点的灰度值较大时,则为该位置像素点的取值赋值为1。
按照上述步骤获取每个标准窗口中除标准点外各像素点对应的取值,将这些取值按照从左至右、从上至下的顺序排列为长度为长度的取值序列,将该取值序列作为该标准窗口的标准点对应的取值序列,在各聚类中心作为中心像素点建立的中心窗口中的每个像素点均有一个对应的取值序列。根据这些像素点对应的取值序列,提取聚类中心对应的纹理特征。其中,/>的经验值分别为13,3。
在中心窗口中,计算任意两个像素点对应的取值序列相似度,首先对于两个像素点对应的取值序列,计算两个取值序列的汉明距离,根据两个取值序列的汉明距离获取两个像素点的取值序列相似度,公式如下:
式中,表示中心窗口内第/>个像素点取值序列,/>表示中心窗口内第/>个像素点取值序列,/>表示中心窗口内第/>个像素点取值序列与第/>个像素点取值序列的汉明距离,/>表示标准窗口的大小,/>表示中心窗口内第/>个像素点取值序列与第/>个像素点取值序列的取值序列相似度。由于汉明距离计算的是两个序列中相同位置不同字符的数量,因此得到的汉明距离小于等于序列长度,因此/>的作用是汉明距离归一化,汉明距离越大,表示两个序列相同位置不同字符的数量越多,因此汉明距离越小,两个序列的相似性越大。
当两个像素点对应的取值序列越为接近时,则两个像素点之间的取值序列相似度越大。至此,以聚类中心作为中心像素点建立的中心窗口内每两个像素点之间都有一个对应的序列相似度。
对于每一个中心窗口,对于中心窗口内所有取值序列相似度使用OTSU算法进行划分,得到划分的阈值,对于所有的取值序列相似度,将其中大于阈值/>的取值序列相似度选取出来,并计算提取出来的取值序列相似度的均值,均值越大时,该聚类中心处的纹理一致性越强。
对于所有大于阈值的取值序列相似度,将取值序列相似度对应的俩个像素点进行标记作为标记像素点,在中心窗口内统计所有标记像素点的数量以及获取标记像素点的位置,若不同的序列相似度得到相同的标记像素点,标记像素点只标记不变。将中心窗口以聚类中心为中心分为八份,过聚类中心做水平直线和竖直直线将中心窗口分为了四份,之后在做过聚类中心的两条对角线,由此将中心窗口分为了八份,如图2所示;获取每一份中标记像素点的数量。当聚类中心处纹理越为均匀时,选取出的这些像素点在窗口内每一份中的个数越为接近。
基于中心窗口内取值序列相似度以及中心窗口内不同区域标记像素点的数量得到聚类中心对应的纹理均匀性,公式如下:
式中,表示中心窗口内取值序列相似度的划分阈值,/>表示序列相似度中大于阈值的部分的均值,/>表示中心窗口内第u个区域内标记像素点的数量,/>表示中心窗口内所有区域标记像素点数量的均值,/>表示聚类中心对应的纹理均匀性。/>为聚类中心处对应的纹理宏观均匀性,纹理宏观均匀性越大说明两者的乘积越大,说明阈值以及大于阈值的取值序列相似度越大,说明中心窗口内整体纹理越均匀,/>为聚类中心处对应的纹理微观离散性,当纹理微观离散性越小时,说明中心窗口内各区域像素点的数量相仿,说明中心区域的纹理越均匀。当聚类中心处纹理越为均匀一致时,聚类中心处对应的纹理宏观均匀性越大,纹理微观离散性越小,即纹理均匀性越大。
至此,获取了每个聚类中心处的纹理均匀性。
步骤S003,根据中心窗口内灰度值差异获取聚类中心的色彩变化度,并结合纹理均匀性获取聚类中心的纹理特征,根据纹理特征和聚类中心的欧氏距离获取距离度量。
对于上述获取到的聚类中,除了聚类中心处的纹理均匀性外,还需要提取聚类中心处的色彩变化度,进而得到该位置的纹理特征值,获取聚类中心对应的中心窗口内每个像素点的灰度值,并且获取中心窗口内所有像素点的灰度值均值和灰度值极差。基于上述获取到的灰度值特征得到聚类中心对应的色彩变化度,公式如下:
式中,表示聚类中心对应的中心窗口内所有像素点的灰度值极差,灰度值极差为中心窗口内所有像素点最大灰度值和最小灰度值的差值,/>表示中心窗口内第v个像素点的灰度值,/>表示中心窗口内所有像素点的灰度值均值,/>表示中心窗口的边长,/>表示中心窗口内像素点的数量,/>表示聚类中心对应的色彩变化度。其中灰度值极差越大,中心窗口内灰度差异越大,像素点灰度值与灰度值均值的差异越大,表示中心窗口内灰度变化越明显,因此两者越大聚类中心的色彩变化度越大。
将聚类中心处的纹理均匀性比上聚类中心处的色彩变化度得到聚类中心对应的纹理特征值。
对于任意两个聚类中心计算两个聚类中心的距离度量,将此时的两个聚类中心作为标准聚类中心,获取两个聚类中心的欧氏距离,根据聚类中心的欧氏距离以及每个聚类中心的纹理特征值获取不同聚类中心之间的距离度量,公式如下:
式中,表示第p个聚类中心的纹理特征值,/>表示第q个聚类中心的纹理特征值,表示第p个聚类中心和第q个聚类中心的欧氏距离,/>表示在层次聚类过程中,此时表面灰度图像中除了标准聚类中心外的所有聚类中心的数量,/>表示第w个聚类中心的纹理特征值,/>表示第p个聚类中心与第w个聚类中心的欧氏距离,/>表示第q个聚类中心与第w个聚类中心的欧氏距离,/>表示最小值函数,/>表示第p个聚类中心和第q个聚类中心的距离度量。
式中的作用为分辨异常纹理。当两个标准聚类中心之间的距离度量越小时,则这两个聚类中心对应的簇越应该合并为一个簇。距离度量结合了度量的两个聚类中心之间的纹理特征的一致性,在进行聚类的过程中不仅仅考虑聚类中心之间的欧氏距离,可达到根据欧氏距离和纹理特征对各个像素点进行聚类的目的。
步骤S004,根据聚类的距离度量对表面灰度图聚类完成质量检测。
以上述确定的距离度量替换CURE层次聚类算法中原先仅仅以聚类中心间的欧氏距离作为距离度量的方法,对降碳制品表面灰度图像中的像素点进行聚类,分别聚类为对应环保混凝土降碳制品正常纹理类、环保混凝土降碳制品自然纹理类和异常纹理类共计三类。
在本实施例中,当聚类结果为三类时,进行判断,由于异常纹理类和其余的差距,在距离度量公式中,此时分子和分母都是两个点的欧氏距离和纹理特征差,若分子明显比分母大,则说明其中存在一个聚类中心的纹理特征与其余两种差距较大,若存在度量距离大于K时,认为此时存在异常纹理,在本实施例中令K为3;当聚类结果为得到三类像素点时,则认为该降碳制品表面灰度图像对应的降碳制品的该侧面存在裂纹、污损、空洞等瑕疵,瑕疵位置即为异常纹理类包含的各像素点组成的区域,该降碳制品的质量存在问题。当在聚类过程中仅仅得到两类像素点时,则认为降碳制品表面灰度图像对应的降碳制品的该侧面不存在瑕疵,当降碳制品的各个侧面对应的结论均为该侧面不存在瑕疵时,则认为该降碳制品的表面质量良好。
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)
1.一种环保混凝土降碳制品生产及质量检测方法,其特征在于,该方法包括以下步骤:
获取表面灰度图像;
在表面灰度图像上获取若干聚类中心,根据聚类中心获取中心窗口,根据中心窗口内像素点的灰度值差异获取中心窗口内像素点的取值序列;根据像素点的取值序列获取两个像素点的取值序列相似度;将所有取值序列相似度进行划分获取划分阈值,根据划分阈值获取标记像素点,将中心窗口划分,根据取值序列相似度和中心窗口划分区域内的标记像素点数量获取聚类中心的纹理均匀性;
根据中心窗口内像素点的灰度差异获取聚类中心的色彩变化度,根据聚类中心的色彩变化度和纹理均匀性获取聚类中心的纹理特征;根据聚类中心的纹理特征的差异和聚类中心之间的欧氏距离获取聚类中心的距离度量;
根据距离度量完成对表面灰度图完成聚类,根据聚类结果进行质量检测。
2.根据权利要求1所述的一种环保混凝土降碳制品生产及质量检测方法,其特征在于,所述根据中心窗口内像素点的灰度值差异获取中心窗口内像素点的取值序列的方法为:
中心窗口每个像素点以自身为中心得到一个标准窗口,根据标准窗口内像素点与标准窗口中心点的灰度值差异对像素点标记,根据标记获取取值序列。
3.根据权利要求2所述的一种环保混凝土降碳制品生产及质量检测方法,其特征在于,所述根据标准窗口内像素点与标准窗口中心点的灰度值差异对像素点标记的方法为:
将标准窗口的中心点记为标准点,在标准窗口内,将标准点与标准窗口内每个像素点的灰度值比较,若各位置像素点的灰度值相对于标准点的灰度值较大或者相等时,则为该位置像素点的取值赋值为0,当标准店的灰度值相对于各位置像素点的灰度值较大时,则为该位置像素点的取值赋值为1。
4.根据权利要求2所述的一种环保混凝土降碳制品生产及质量检测方法,其特征在于,所述根据标记获取取值序列的方法为:
对标准窗口内像素点打上标记后,按照从左到右从上到下的顺序依次读取像素点的标记,将读取完的标记按照读取顺序组合为一个取值序列,取值序列由若干0和1组成。
5.根据权利要求1所述的一种环保混凝土降碳制品生产及质量检测方法,其特征在于,所述将所有取值序列相似度进行划分获取划分阈值,根据划分阈值获取标记像素点的方法为:
对所有的取值序列相似度使用OTSU算法进行划分得到划分阈值,将所有取值序列相似度中大于划分阈值的取值序列相似度提取出来,将提取出来的取值序列相似度对应的俩个像素点进行标记作为标记像素点。
6.根据权利要求1所述的一种环保混凝土降碳制品生产及质量检测方法,其特征在于,所述将中心窗口划分,根据取值序列相似度和中心窗口划分区域内的标记像素点数量获取聚类中心的纹理均匀性的方法为:
将中心窗口过聚类中心做水平直线和竖直直线将中心窗口分为了四份,之后在做过聚类中心的两条对角线,由此将中心窗口分为了八份;
式中,表示中心窗口内取值序列相似度的划分阈值,/>表示序列相似度中大于阈值的部分的均值,/>表示中心窗口内第u个区域内标记像素点的数量,/>表示中心窗口内所有区域标记像素点数量的均值,/>表示聚类中心对应的纹理均匀性。
7.根据权利要求1所述的一种环保混凝土降碳制品生产及质量检测方法,其特征在于,所述根据中心窗口内像素点的灰度差异获取聚类中心的色彩变化度的方法为:
获取中心窗口内每个像素点的灰度值,计算中心窗口内所有像素点的灰度值均值,将中心窗口内灰度值最大值与灰度值最小值作差获取灰度值极差,将所有像素点的灰度值与均值作差的绝对值累加,将累加结果和灰度值极差相乘获取聚类中心的色彩变化度。
8.根据权利要求1所述的一种环保混凝土降碳制品生产及质量检测方法,其特征在于,所述根据聚类中心的纹理特征的差异和聚类中心之间的欧氏距离获取聚类中心的距离度量的方法为:
将正在计算度量距离的两个聚类中心记为标准聚类中心;
式中,表示第p个聚类中心的纹理特征值,/>表示第q个聚类中心的纹理特征值,/>表示第p个聚类中心和第q个聚类中心的欧氏距离,/>表示在层次聚类过程中,此时表面灰度图像中除了标准聚类中心外的所有聚类中心的数量,/>表示第w个聚类中心的纹理特征值,/>表示第p个聚类中心与第w个聚类中心的欧氏距离,/>表示第q个聚类中心与第w个聚类中心的欧氏距离,/>表示最小值函数,/>表示第p个聚类中心和第q个聚类中心的距离度量。
9.根据权利要求1所述的一种环保混凝土降碳制品生产及质量检测方法,其特征在于,所述根据距离度量完成对表面灰度图完成聚类的方法为:
使用层次聚类当聚类簇数量为3时进行判断,此时根据所计算的度量距离,若所有度量距离大于预设阈值时,不进行聚类,此时存在三个聚类簇,若所有度量距离小于预设阈值时,继续距离到只存在两个聚类簇位置。
10.根据权利要求1所述的一种环保混凝土降碳制品生产及质量检测方法,其特征在于,所述获取表面灰度图像的方法为:
使用相机采集表面图像,利用中值滤波去噪,对去噪后的表面图像使用GrabCut图割划分出图像中的环保混凝土降碳制品对应的区域,并将该区域保留并灰度化得到表面灰度图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310796901.5A CN116580021B (zh) | 2023-07-03 | 2023-07-03 | 一种环保混凝土降碳制品生产及质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310796901.5A CN116580021B (zh) | 2023-07-03 | 2023-07-03 | 一种环保混凝土降碳制品生产及质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116580021A true CN116580021A (zh) | 2023-08-11 |
CN116580021B CN116580021B (zh) | 2023-09-22 |
Family
ID=87538101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310796901.5A Active CN116580021B (zh) | 2023-07-03 | 2023-07-03 | 一种环保混凝土降碳制品生产及质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116580021B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116821834A (zh) * | 2023-08-29 | 2023-09-29 | 浙江北岛科技有限公司 | 基于内嵌传感器的真空断路器检修管理系统 |
CN117058111A (zh) * | 2023-08-21 | 2023-11-14 | 大连亚明汽车部件股份有限公司 | 一种汽车铝合金压铸模具质量检查方法及系统 |
CN117150333A (zh) * | 2023-10-31 | 2023-12-01 | 南通双耀冲压有限公司 | 一种冲压成型设备的运维监管方法及系统 |
CN117934452A (zh) * | 2024-03-14 | 2024-04-26 | 中国建筑第五工程局有限公司 | 基于人工智能的蒸压混凝土板材质量快速检测方法 |
CN117953044A (zh) * | 2024-03-27 | 2024-04-30 | 锦州九泰药业有限责任公司 | 基于扫描电镜的甘露醇粒径检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951210A (zh) * | 2019-05-14 | 2020-11-17 | 阿里巴巴集团控股有限公司 | 数据的处理方法、装置及设备 |
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 |
CN114913176A (zh) * | 2022-07-18 | 2022-08-16 | 江苏启航箱包有限公司 | 基于人工智能的柔性皮革材料疥癣缺陷检测方法及系统 |
CN114998227A (zh) * | 2022-05-20 | 2022-09-02 | 江苏博腾家用纺织品有限公司 | 基于图像处理的布匹印染缺陷检测方法及系统 |
CN115294158A (zh) * | 2022-09-26 | 2022-11-04 | 江苏万森绿建装配式建筑有限公司 | 一种基于机器视觉的热连轧带钢图像分割方法 |
CN115311292A (zh) * | 2022-10-12 | 2022-11-08 | 南通创铭伊诺机械有限公司 | 基于图像处理的带钢表面缺陷检测方法及系统 |
CN115937204A (zh) * | 2023-01-09 | 2023-04-07 | 江苏惠汕新能源集团有限公司 | 一种焊管生产质量检测方法 |
CN116030034A (zh) * | 2023-02-21 | 2023-04-28 | 青岛精锐机械制造有限公司 | 阀门表面缺陷的视觉识别方法 |
WO2023102952A1 (zh) * | 2021-12-06 | 2023-06-15 | 浙江大学台州研究院 | 一种实时检测的卷材检测装置、系统及方法 |
CN116309600A (zh) * | 2023-05-24 | 2023-06-23 | 山东金佳成工程材料有限公司 | 基于图像处理的环保纺织品质量检测方法 |
-
2023
- 2023-07-03 CN CN202310796901.5A patent/CN116580021B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951210A (zh) * | 2019-05-14 | 2020-11-17 | 阿里巴巴集团控股有限公司 | 数据的处理方法、装置及设备 |
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 |
WO2023102952A1 (zh) * | 2021-12-06 | 2023-06-15 | 浙江大学台州研究院 | 一种实时检测的卷材检测装置、系统及方法 |
CN114998227A (zh) * | 2022-05-20 | 2022-09-02 | 江苏博腾家用纺织品有限公司 | 基于图像处理的布匹印染缺陷检测方法及系统 |
CN114913176A (zh) * | 2022-07-18 | 2022-08-16 | 江苏启航箱包有限公司 | 基于人工智能的柔性皮革材料疥癣缺陷检测方法及系统 |
CN115294158A (zh) * | 2022-09-26 | 2022-11-04 | 江苏万森绿建装配式建筑有限公司 | 一种基于机器视觉的热连轧带钢图像分割方法 |
CN115311292A (zh) * | 2022-10-12 | 2022-11-08 | 南通创铭伊诺机械有限公司 | 基于图像处理的带钢表面缺陷检测方法及系统 |
CN115937204A (zh) * | 2023-01-09 | 2023-04-07 | 江苏惠汕新能源集团有限公司 | 一种焊管生产质量检测方法 |
CN116030034A (zh) * | 2023-02-21 | 2023-04-28 | 青岛精锐机械制造有限公司 | 阀门表面缺陷的视觉识别方法 |
CN116309600A (zh) * | 2023-05-24 | 2023-06-23 | 山东金佳成工程材料有限公司 | 基于图像处理的环保纺织品质量检测方法 |
Non-Patent Citations (2)
Title |
---|
林森等: "彩色图像的聚类分析在地板砖质量检测中的应用", 微型电脑应用, no. 11 * |
郭慧等: "基于灰度共生矩阵和分层聚类的刨花板表面图像缺陷提取方法", 林业科学, no. 11 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117058111A (zh) * | 2023-08-21 | 2023-11-14 | 大连亚明汽车部件股份有限公司 | 一种汽车铝合金压铸模具质量检查方法及系统 |
CN117058111B (zh) * | 2023-08-21 | 2024-02-09 | 大连亚明汽车部件股份有限公司 | 一种汽车铝合金压铸模具质量检查方法及系统 |
CN116821834A (zh) * | 2023-08-29 | 2023-09-29 | 浙江北岛科技有限公司 | 基于内嵌传感器的真空断路器检修管理系统 |
CN116821834B (zh) * | 2023-08-29 | 2023-11-24 | 浙江北岛科技有限公司 | 基于内嵌传感器的真空断路器检修管理系统 |
CN117150333A (zh) * | 2023-10-31 | 2023-12-01 | 南通双耀冲压有限公司 | 一种冲压成型设备的运维监管方法及系统 |
CN117150333B (zh) * | 2023-10-31 | 2023-12-26 | 南通双耀冲压有限公司 | 一种冲压成型设备的运维监管方法及系统 |
CN117934452A (zh) * | 2024-03-14 | 2024-04-26 | 中国建筑第五工程局有限公司 | 基于人工智能的蒸压混凝土板材质量快速检测方法 |
CN117934452B (zh) * | 2024-03-14 | 2024-06-07 | 中国建筑第五工程局有限公司 | 基于人工智能的蒸压混凝土板材质量快速检测方法 |
CN117953044A (zh) * | 2024-03-27 | 2024-04-30 | 锦州九泰药业有限责任公司 | 基于扫描电镜的甘露醇粒径检测方法 |
CN117953044B (zh) * | 2024-03-27 | 2024-06-07 | 锦州九泰药业有限责任公司 | 基于扫描电镜的甘露醇粒径检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116580021B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116580021B (zh) | 一种环保混凝土降碳制品生产及质量检测方法 | |
CN108364280B (zh) | 结构裂缝自动化描绘及宽度精准测量方法与设备 | |
CN108759973B (zh) | 一种水位测量方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN113450307A (zh) | 一种产品边缘缺陷检测方法 | |
CN115294139B (zh) | 基于图像的边坡裂缝监测方法 | |
CN115082419A (zh) | 一种吹塑箱包生产缺陷检测方法 | |
JP2008139285A (ja) | 映像処理技法を利用した構造物及び製品のクラック幅測定方法 | |
CN115063400B (zh) | 利用视觉手段的乐器生产缺陷检测方法 | |
CN113012124B (zh) | 一种鞋印孔洞和嵌入物特征检测及描述方法 | |
CN116363127B (zh) | 基于图像处理的全降解塑料制品质量检测方法 | |
CN109540925A (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN116563262A (zh) | 基于多模态的建筑裂缝检测算法 | |
CN117058137A (zh) | 一种夹胶玻璃生产质量视觉检测方法 | |
CN115639248A (zh) | 一种用于建筑外墙质量检测的系统及方法 | |
CN117115161B (zh) | 一种塑料缺陷检查方法 | |
CN117152180B (zh) | 基于人工智能的矿物铸件缺陷检测方法 | |
CN115880683B (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 | |
CN117173160A (zh) | 基于图像处理的房车部件质量检测方法 | |
CN112288726A (zh) | 一种井下带式输送机带面异物检测方法 | |
CN111815625A (zh) | 基于深度学习的早期肺癌预测方法 | |
CN108010076B (zh) | 一种面向密集工业棒材图像检测的端面外观建模方法 | |
CN116883373A (zh) | 一种岩体裂隙识别方法 | |
CN116385268A (zh) | 一种遥感图像增强方法 | |
CN114972354A (zh) | 基于图像处理的蒸压加气混凝土砌块生产控制方法及系统 |
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 |