CN116597188A - 一种基于视觉的固废资源化利用方法及系统 - Google Patents
一种基于视觉的固废资源化利用方法及系统 Download PDFInfo
- Publication number
- CN116597188A CN116597188A CN202310868563.1A CN202310868563A CN116597188A CN 116597188 A CN116597188 A CN 116597188A CN 202310868563 A CN202310868563 A CN 202310868563A CN 116597188 A CN116597188 A CN 116597188A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- local area
- clustering
- pixel
- solid waste
- 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
- 239000002910 solid waste Substances 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 29
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims abstract description 137
- 239000002184 metal Substances 0.000 claims abstract description 81
- 230000008439 repair process Effects 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 10
- 238000004064 recycling Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 3
- 239000003973 paint Substances 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 4
- 238000005507 spraying Methods 0.000 description 3
- 230000008961 swelling Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于视觉的固废资源化利用方法及系统,包括:将固废金属图像聚为多个类别,获取像素点的局部区域,进而获取每个聚类类别的锈迹程度,进而获取像素点的局部锈迹程度,根据像素点的重叠程度和其到聚类类别中心之间的距离获取聚类类别的锈迹程度权重,进而获取像素点修正过的局部锈迹程度,基于像素点的修正过的局部锈迹程度对固废金属图像聚类,根据聚类结果获取各个区域的类型对其使用不同的修补手段进行修补。本发明基于像素点的局部锈迹程度使用聚类算法对固废金属图像进行聚类,确保了锈迹区域及鼓包区域能够聚类为不同的区域,便于区分各个区域的类型并对不同的类型区域采用不同的修补方式。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于视觉的固废资源化利用方法及系统。
背景技术
固废资源是指不能够自然分解、无法进一步回收利用、处理过程中没有价值或难以处理的固体废弃物中存在着可以回收再利用的资源,其中一类固废资源是指金属类的固废资源,对于金属类的固废资源可以经过回收再利用,成为新的金属制品,该举措有效的减少了废弃物对环境的污染,降低垃圾填埋场和焚烧厂对环境的负面影响,能够产生良好的社会经济效益,而固废金属其表面喷漆掉落后的部分由于长期暴露在环境中会形成锈斑,还有部分喷漆呈现鼓包现象,该区域的锈迹程度较小,若要使得固废金属能够回收利用,需要对锈斑和鼓包区域采用不同的修补手段,对于锈斑区域其需要锈斑污垢后对该区域进行喷漆,对于鼓包区域需要对其进行原始喷漆进行铲除后重新喷漆。
使用现有的阈值分割算法或者边缘检测算法对图像中的锈迹区域及鼓包区域进行提取时,由于两者区域之间存在较大的灰度值差异,无法同时将两种类型区域提取出来,故后续无法区分各个区域的类型并对不同的类型区域采用不同的修补方式。
发明内容
本发明提供一种基于视觉的固废资源化利用方法及系统,以解决现有的问题。
本发明的一种基于视觉的固废资源化利用方法及系统采用如下技术方案:
一方面,本发明一个实施例提供了一种基于视觉的固废资源化利用方法,该方法包括以下步骤:
采集固废金属图像;对固废金属图像进行聚类,获取多个聚类类别;
获取固废金属图像中每个像素点的局部区域,获取固废金属图像中每个像素点的局部区域中每个聚类类别的平均灰度值;获取固废金属图像中每个像素点的局部区域中的每个聚类类别的像素点个数占局部区域中像素点个数的比值,记为第一比值;获取固废金属图像中每个像素点的局部区域中每个聚类类别的像素点的分布集中程度;根据平均灰度值、第一比值以及像素点的分布集中程度,获取每个像素点的局部区域中每个聚类类别的锈迹程度;根据每个像素点的局部区域中每个聚类类别的锈迹程度,获取每个像素点的局部锈迹程度;
对每个像素点的局部区域中每个聚类类别进行凸包检测得到各个凸包区域,在每个像素点的局部区域中获取属于多个凸包区域的像素点个数,将像素点个数/>与局部区域中的像素点个数的比值作为每个像素点的重叠程度;获取每个像素点到其局部区域中每个聚类类别中心之间的距离值;根据每个像素点的重叠程度和每个像素点到其局部区域中每个聚类类别中心之间的距离值获取每个像素点的局部区域中每个聚类类别的锈迹程度的权重;
根据每个像素点的局部区域中每个聚类类别的锈迹程度的权重,对每个像素点的局部区域中每个聚类类别的锈迹程度进行修正,获取每个像素点修正过后的局部锈迹程度;
基于每个像素点的修正过后的局部锈迹程度对固废金属图像进行聚类,获取聚类结果;根据聚类结果获取各个区域的类型;根据各个区域类型对其使用不同的修补手段进行修补。
优选的,所述获取多个聚类类别,包括的具体步骤如下:
使用DBSCAN聚类算法根据像素点的坐标以及灰度值将图像中的像素点聚为多个聚类类别,其中DBSCAN聚类算法所使用的度量距离的计算方法为:获取任意两个像素点的欧式距离,以及两个像素点之间的灰度值差值的绝对值/>,令/>,将作为DBSCAN聚类算法中任意两个像素点的度量距离,其中,/>为预设权重。
优选的,所述获取固废金属图像中每个像素点的局部区域,包括的具体步骤如下:
以固废金属图像中的各像素点为中心像素点获取其大小的区域作为其局部区域,/>为预设数值。
优选的,所述获取每个像素点的局部区域中每个聚类类别的锈迹程度,包括的具体步骤如下:
其中,代表每个像素点的局部区域中的第/>个聚类类别;/>为每个像素点的局部区域中第/>个聚类类别的像素点个数;/>为每个像素点的局部区域中的像素点个数;/>表示第一比值;/>为每个像素点的局部区域中第/>个聚类类别中的第/>个像素点;/>为每个像素点的局部区域中第/>个聚类类别的像素点个数;/>为每个像素点的局部区域中第/>个聚类类别中的像素点的平均灰度值;/>为预设的灰度值阈值;/>表示以自然常数为底的指数函数;/>为每个像素点其局部区域中第/>个聚类类别的第/>个像素点到当前类别中的距离最近的像素点之间的距离;/>表示每个像素点其局部区域中第/>个聚类类别的像素点的分布集中程度。
优选的,所述获取每个像素点的局部锈迹程度,包括的具体步骤如下:
其中,代表每个像素点的局部区域中的第/>个聚类类别;/>代表每个像素点的局部区域中共有/>个聚类类别;/>为每个像素点的局部区域中第/>个聚类类别的锈迹程度;/>为每个像素点的局部锈迹程度。
优选的,所述获取每个像素点的局部区域中每个聚类类别的锈迹程度的权重,包括的具体步骤如下:
式中,为每个像素点的局部区域中统计出的属于多个凸包区域的像素点个数;为每个像素点的重叠程度;/>的获取方法为:计算出每个像素点到其局部区域中第/>个聚类类别中心的距离值,/>为归一化后的距离值;/>为每个像素点的局部区域中的第/>个聚类类别的锈迹程度的权重;/>表示以自然常数为底的指数函数;
优选的,所述获取每个像素点修正过后的局部锈迹程度,包括的具体步骤如下:
其中,代表每个像素点的局部区域中的第/>个聚类类别;/>代表每个像素点的局部区域中共有/>个聚类类别;/>为每个像素点修正过后的局部锈迹程度;/>为每个像素点局部区域中第/>个聚类类别的锈迹程度;/>为每个像素点局部区域中第/>个聚类类别的锈迹程度的权重。
优选的,所述获取聚类结果,包括的具体步骤如下:
根据每个像素点的修正过后的局部锈迹程度使用DBSCAN聚类算法对固废金属图像进行聚类,得到聚类结果。
优选的,所述获取各个区域的类型,包括的具体步骤如下:
对聚类结果使用凸包检测算法获取各个区域以及各个区域的平均灰度值,使用k-means聚类算法对所得的各个区域的平均灰度值进行聚类得到所有类别。其中平均灰度值最大的类别区域为正常区域,平均灰度值最小的类别区域为锈迹区域,其余类别为鼓包区域。
另一方面,本发明实施例提供了一种基于视觉的固废资源化利用系统,该系统包括以下模块:
图像采集模块:采集固废金属图像;
聚类类别获取模块:对固废金属图像进行聚类,获取多个聚类类别;
像素点的局部锈迹程度获取模块:获取固废金属图像中每个像素点的局部区域,获取固废金属图像中每个像素点的局部区域中每个聚类类别的平均灰度值;获取固废金属图像中每个像素点的局部区域中的每个聚类类别的像素点个数占局部区域中像素点个数的比值,记为第一比值;获取固废金属图像中每个像素点的局部区域中每个聚类类别的像素点的分布集中程度;根据平均灰度值、第一比值以及像素点的分布集中程度,获取每个像素点的局部区域中每个聚类类别的锈迹程度;根据每个像素点的局部区域中每个聚类类别的锈迹程度,获取每个像素点的锈迹程度;
对每个像素点的局部区域中每个聚类类别进行凸包检测得到各个凸包区域,在每个像素点的局部区域中获取属于多个凸包区域的像素点个数,将像素点个数/>与局部区域中的像素点个数的比值作为每个像素点的重叠程度;获取每个像素点到其局部区域中每个聚类类别中心之间的距离值;根据每个像素点的重叠程度和每个像素点到其局部区域中每个聚类类别中心之间的距离值获取每个像素点的局部区域中每个聚类类别的锈迹程度的权重;
根据每个像素点的局部区域中每个聚类类别的锈迹程度的权重,对每个像素点的局部区域中每个聚类类别的锈迹程度进行修正,获取每个像素点修正过后的局部锈迹程度;
区域类型获取模块:基于每个像素点的修正过后的局部锈迹程度对固废金属图像进行聚类,根据聚类结果获取各个区域的类型;
修补手段获取模块:根据各个区域类型对其使用不同的修补手段进行修补。
本发明的技术方案的有益效果是:本方案首先使用DBSCAN算法将图像中的像素点聚集成多个聚类类别,在对固废金属图像中的每个像素点获取其局部区域,进而根据各像素点其局部区域中各类别的分布情况获取各像素点的局部锈迹程度,再根据各像素点的重叠程度和其到局部区域中每个聚类类别中心之间的距离值获取每个像素点的局部区域中每个聚类类别的锈迹程度的权重,对各像素点的局部锈迹程度进行修正,基于各像素点修正过后的局部锈迹程度对固废金属图像图像进行聚类,根据聚类后各个区域的类型采用不同的修补方式对其进行修补。本发明基于各像素点的局部锈迹程度结合DBSCAN聚类算法完成了对固废金属图像的聚类,确保了将锈迹区域及鼓包区域聚为不同的区域,便于区分各个区域的类型并对不同的类型区域采用不同的修补方式。
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为本发明一种基于视觉的固废资源化利用方法的步骤流程图。
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一种基于视觉的固废资源化利用方法及系统,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基于视觉的固废资源化利用方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于视觉的固废资源化利用方法的步骤流程图,该方法包括以下步骤:
S001.采集固废金属图像。
使用相机俯视拍摄固废金属的RGB图像,为了便于后续分析,对固废金属的RGB图像进行灰度化处理,得到灰度图像,记为固废金属图像。
S002.对固废金属图像进行聚类,获取多个聚类类别。
需要说明的是,固废金属其表面喷漆掉落后长期暴露在空气中会使得喷漆掉落区域形成锈迹,记为锈迹区域,还有其表面喷漆呈现鼓包现象,记为鼓包区域,其余区域记为正常区域,若要使得此种金属类的固废资源能够重复利用,需要对其锈迹区域和鼓包区域采用不同的修补手段进行处理后重新喷漆,故首先需要对于锈迹区域和鼓包区域进行提取后分析,由于锈迹区域与鼓包区域的灰度值不一致,利用现有的阈值分割算法或者边缘检测算法对图像中的锈迹区域及鼓包区域进行提取时,无法同时将两种类型区域提取出来,故后续也无法区分各个区域的类型并对其使用不同的修补手段。
需要进一步说明的是,本发明实施例提出一种基于各像素点的局部锈迹程度对图像进行聚类的方法,能够将锈迹区域、鼓包区域以及正常区域聚集成各自的区域,便于后续分析,因此,需要获取每个像素点的局部锈迹程度,故首先根据固废金属图像中各种类型区域的灰度值特征,使用DBSCAN聚类算法根据图像中像素点的坐标以及灰度值将图像中像素点聚为锈迹区域、鼓包区域以及正常区域,由于鼓包区域的阴影部分与正常区域的灰度值存在差异但是差异较小,为了使得聚类的结果能够将像素点聚类为上述三种区域。其中本实施例中的DBSCAN聚类算法所使用的度量距离的计算方法如下:
获取任意两个像素点的欧式距离,以及这两个像素点之间的灰度值差值的绝对值/>,令/>,将/>作为DBSCAN聚类算法中任意两个像素点的度量距离。在本发明实施例中设置/>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。
至此,实现了对固废金属图像的聚类,得到多个聚类类别。
S003.根据固废金属图像中每个像素点的局部区域中聚类类别的分布情况,获取每个像素点的局部锈迹程度。
需要说明的是,由于要计算出各像素点的局部锈迹程度,首先需要对固废金属图像中的各像素点获取其局部区域进行分析。
在本发明实施例中,以固废金属图像中的各像素点为中心像素点获取其局部区域中的像素点进行分析,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,通过DBSCAN聚类算法将固废金属图像中的像素点聚集成多个类别,所得的多个类别的有三种类型,分别为锈迹区域、鼓包区域以及正常区域,其中锈迹区域的像素点的灰度值较低、鼓包区域的像素点灰度值处于中间以及正常区域的像素点的灰度值较高,对于固废金属图像中的任意一个像素点来说,其局部区域中可能包含一种或多种类型的聚类类别,因此当像素点的局部区域中含有灰度值较低的聚类类别,且该聚类类别的像素点分布集中以及像素点的个数占局部区域像素点个数的比值越大,则该像素点的局部锈迹程度就越大。
在本发明实施例中,获取固废金属图像中任意一个像素点,记为当前像素点,计算出当前像素点的局部锈迹程度:
式中,代表当前像素点的局部区域中的第/>个聚类类别;/>代表当前像素点的局部区域中共有n个聚类类别;/>为当前像素点的局部区域中第/>个聚类类别的像素点个数,为当前像素点的局部区域中的像素点个数,/>为当前像素点的局部区域中第/>个聚类类别的像素点个数与局部区域像素点个数的比值;/>为当前像素点的局部区域中第/>个聚类类别中的第/>个像素点,/>为当前像素点的局部区域中第/>个聚类类别的像素点个数,/>为当前像素点的局部区域中第/>个聚类类别中的像素点的平均灰度值,/>为归一化后的灰度值阈值,本发明实施例中使用线性归一化的方法对灰度值进行归一化处理并设置,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;/>表示以自然常数为底的指数函数;/>为当前像素点其邻域区域中第/>个聚类类别的第/>个像素点到当前类别中的距离最近的像素点之间的距离;/>为当前像素点其局部区域中第/>个聚类类别的每个像素点到当前类别中的距离最近的像素点之间的平均距离,代表了当前像素点其局部区域中第/>个聚类类别的像素点的分布集中程度;/>为当前像素点的局部区域中第/>个聚类类别的锈迹程度;/>为当前像素点的局部锈迹程度,当该像素点的局部区域中存在着平均灰度值较低、分布集中并且占比较大的聚类类别,则该像素点的局部锈迹程度较大。
需要说明的是,获取的每个像素点的局部锈迹程度只关注每个像素点的局部区域的锈迹程度,未关注到每个像素点的位置分布情况,当像素点与其局部区域中的任一聚类类别的距离最近,则在计算该像素点局部区域的锈迹程度时应该主要关注该聚类类别的锈迹程度对于局部锈迹程度的影响,需对该聚类类别的锈迹程度设置较大的权重,其余聚类类别的锈迹程度设置较小的权重,使得该像素点的锈迹程度的计算更为准确。
需要进一步说明的是,由于鼓包区域的阴影部分的灰度值相较于鼓包区域中间位置处的灰度值较低并且锈迹区域中的灰度值也存在分布不均匀的情况,因此使用DBSCAN算法对图像中的像素点进行聚类后,会将鼓包区域或者锈迹区域的像素点聚成多个聚类类别,这种情况下的聚类类别的像素点分布较为分散,因此如果对像素点其局部区域中的聚类结果进行凸包检测形成各个凸包区域,如果凸包区域之间出现重叠现象,则说明将鼓包区域或者锈迹区域的像素点聚成多个聚类类别且各聚类类别的像素点分布离散,故对该像素点根据像素点的局部锈迹程度的计算公式计算当前像素点的锈迹程度时对其结果适当的进行了降低,得到的局部锈迹程度较为准确,此时不需要关注该像素点的位置分布,对各聚类类别的锈迹程度设置一致的权重,而像素点其局部区域中聚类类别形成的凸包区域之间无重叠现象时,说明该像素点其局部区域中各聚类类别的像素点分布集中,此时需要关注该像素点的位置分布,即该像素点距离哪个聚类类别的距离最近,则对其聚类类别的锈迹程度设置较大的权重,其余聚类类别的锈迹程度设置较小的权重对像素点的局部锈迹程度进行修正。
本方案实施例中,对每个像素点其局部区域中的每个聚类类别进行凸包检测,得到各个凸包区域,在每个像素点的局部区域中统计出属于多个凸包区域的像素点个数,将属于多个凸包区域的像素点个数与局部区域中的所有像素点的比值作为每个像素点的重叠程度,计算出每个像素点到其局部区域中各个聚类类别中心之间的距离值;
获取固废金属图像中任意一个像素点,记为当前像素点,计算出当前像素点的局部区域中的第个聚类类别的锈迹程度的权重/>:
式中,为当前像素点的局部区域中统计出的属于多个凸包区域的像素点个数;为当前像素点的重叠程度;/>的获取方法为:计算出当前像素点到其局部区域中第/>个聚类类别中心的距离值,/>为归一化后的距离值,本发明实施例中使用线性归一化的方法对距离值进行归一化处理,/>为当前像素点的局部区域中的第/>个聚类类别的锈迹程度的权重;/>表示以自然常数为底的指数函数;当前像素点的重叠程度较小时,重点关注当前像素点与其局部区域中各聚类类别的距离,对于距离较小的聚类类别的锈迹程度赋予较大的权重,对于距离较大的聚类类别的距离权重赋予较小的权重,当前像素点重叠程度较大时,不关注像素点与各聚类类别的距离,得到各个聚类类别的锈迹程度的权重较为一致。
根据所获得的当前像素点的局部区域中各个聚类类别的锈迹程度的权重,对当前像素点的局部锈迹程度进行修正,得到当前像素点修正后的局部锈迹程度:
式中,为当前像素点修正过后的局部锈迹程度,/>为当前像素点局部区域中第i个聚类类别的锈迹程度,/>为当前像素点局部区域中第i个聚类类别的锈迹程度的权重。
至此,根据固废金属图像中每个像素点的局部区域中聚类类别的分布情况,获取每个像素点的局部锈迹程度。
S004.根据每个像素点修正过后的局部锈迹程度,对固废金属图像进行聚类。
基于每个像素点的修正过后的局部锈迹程度使用DBSCAN聚类算法对固废金属图像进行聚类,得到聚类后的结果。
S005.根据聚类结果识别各个区域的类型。
需要说明的是,基于每个像素点的局部锈迹程度对固废金属图像进行聚类得到了准确的聚类结果,将固废金属图像聚集为锈迹区域、鼓包区域以及正常区域,为了便于对不同类型的区域使用不同的修补方式,已知锈迹区域的灰度值较低,鼓包区域的灰度值较低以及正常区域的灰度值较高,因此根据锈迹区域、鼓包区域以及正常区域的灰度值特征,获取各个区域的类型。
本发明实施例中,对上述所得聚类结果使用凸包检测算法获取各个区域以及各个区域的平均灰度值,设置,使用k-means聚类算法对所得的各个区域的平均灰度值进行聚类。其中平均灰度值最大的一类区域为正常区域,平均灰度值最小的一类区域为锈迹区域,平均灰度值处于中间的一类区域为鼓包区域。
至此,根据聚类结果识别了各个区域的类型。
S006. 根据各个区域类型对其使用不同的修补手段。
根据各个区域的类型使用不同的修补手段对固废金属进行修补后循环利用。
本实施例提供的一种基于视觉的固废资源化利用系统,该系统包括以下模块:
图像采集模块:采集固废金属图像;
聚类类别获取模块:对固废金属图像进行聚类,获取多个聚类类别;
像素点的局部锈迹程度获取模块:获取固废金属图像中每个像素点的局部区域,获取固废金属图像中每个像素点的局部区域中每个聚类类别的平均灰度值;获取固废金属图像中每个像素点的局部区域中的每个聚类类别的像素点个数占局部区域中像素点个数的比值,记为第一比值;获取固废金属图像中每个像素点的局部区域中每个聚类类别的像素点的分布集中程度;根据平均灰度值、第一比值以及像素点的分布集中程度,获取每个像素点的局部区域中每个聚类类别的锈迹程度;根据每个像素点的局部区域中每个聚类类别的锈迹程度,获取每个像素点的锈迹程度;
对每个像素点的局部区域中每个聚类类别进行凸包检测得到各个凸包区域,在每个像素点的局部区域中获取属于多个凸包区域的像素点个数,将像素点个数/>与局部区域中的像素点个数的比值作为每个像素点的重叠程度;获取每个像素点到其局部区域中每个聚类类别中心之间的距离值;根据每个像素点的重叠程度和每个像素点到其局部区域中每个聚类类别中心之间的距离值获取每个像素点的局部区域中每个聚类类别的锈迹程度的权重;
根据每个像素点的局部区域中每个聚类类别的锈迹程度的权重,对每个像素点的局部区域中每个聚类类别的锈迹程度进行修正,获取每个像素点修正过后的局部锈迹程度;
区域类型获取模块:基于每个像素点的修正过后的局部锈迹程度对固废金属图像进行聚类,根据聚类结果获取各个区域的类型;
修补手段获取模块:根据各个区域类型对其使用不同的修补手段进行修补。
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)
1.一种基于视觉的固废资源化利用方法,其特征在于,该方法包括以下步骤:
采集固废金属图像;对固废金属图像进行聚类,获取多个聚类类别;
获取固废金属图像中每个像素点的局部区域,获取固废金属图像中每个像素点的局部区域中每个聚类类别的平均灰度值;获取固废金属图像中每个像素点的局部区域中的每个聚类类别的像素点个数占局部区域中像素点个数的比值,记为第一比值;获取固废金属图像中每个像素点的局部区域中每个聚类类别的像素点的分布集中程度;根据平均灰度值、第一比值以及像素点的分布集中程度,获取每个像素点的局部区域中每个聚类类别的锈迹程度;根据每个像素点的局部区域中每个聚类类别的锈迹程度,获取每个像素点的局部锈迹程度;
对每个像素点的局部区域中每个聚类类别进行凸包检测得到各个凸包区域,在每个像素点的局部区域中获取属于多个凸包区域的像素点个数,将像素点个数/>与局部区域中的像素点个数的比值作为每个像素点的重叠程度;获取每个像素点到其局部区域中每个聚类类别中心之间的距离值;根据每个像素点的重叠程度和每个像素点到其局部区域中每个聚类类别中心之间的距离值获取每个像素点的局部区域中每个聚类类别的锈迹程度的权重;
根据每个像素点的局部区域中每个聚类类别的锈迹程度的权重,对每个像素点的局部区域中每个聚类类别的锈迹程度进行修正,获取每个像素点修正过后的局部锈迹程度;
基于每个像素点的修正过后的局部锈迹程度对固废金属图像进行聚类,获取聚类结果;根据聚类结果获取各个区域的类型;根据各个区域类型对其使用不同的修补手段进行修补。
2.根据权利要求1所述一种基于视觉的固废资源化利用方法,其特征在于,所述获取多个聚类类别,包括的具体步骤如下:
使用DBSCAN聚类算法根据像素点的坐标以及灰度值将图像中的像素点聚为多个聚类类别,其中DBSCAN聚类算法所使用的度量距离的计算方法为:获取任意两个像素点的欧式距离,以及两个像素点之间的灰度值差值的绝对值/>,令/>,将/>作为DBSCAN聚类算法中任意两个像素点的度量距离,其中,/>为预设权重。
3.根据权利要求1所述一种基于视觉的固废资源化利用方法,其特征在于,所述获取固废金属图像中每个像素点的局部区域,包括的具体步骤如下:
以固废金属图像中的各像素点为中心像素点获取其大小的区域作为其局部区域,/>为预设数值。
4.根据权利要求1所述一种基于视觉的固废资源化利用方法,其特征在于,所述获取每个像素点的局部区域中每个聚类类别的锈迹程度,包括的具体步骤如下:
其中,代表每个像素点的局部区域中的第/>个聚类类别;/>为每个像素点的局部区域中第/>个聚类类别的像素点个数;/>为每个像素点的局部区域中的像素点个数;/>表示第一比值;/>为每个像素点的局部区域中第/>个聚类类别中的第/>个像素点;/>为每个像素点的局部区域中第/>个聚类类别的像素点个数;/>为每个像素点的局部区域中第/>个聚类类别中的像素点的平均灰度值;/>为预设的灰度值阈值;/>表示以自然常数为底的指数函数;/>为每个像素点其局部区域中第/>个聚类类别的第/>个像素点到当前类别中的距离最近的像素点之间的距离;/>表示每个像素点其局部区域中第/>个聚类类别的像素点的分布集中程度。
5.根据权利要求1所述一种基于视觉的固废资源化利用方法,其特征在于,所述获取每个像素点的局部锈迹程度,包括的具体步骤如下:
其中,代表每个像素点的局部区域中的第/>个聚类类别;/>代表每个像素点的局部区域中共有/>个聚类类别;/>为每个像素点的局部区域中第/>个聚类类别的锈迹程度;/>为每个像素点的局部锈迹程度。
6.根据权利要求1所述一种基于视觉的固废资源化利用方法,其特征在于,所述获取每个像素点的局部区域中每个聚类类别的锈迹程度的权重,包括的具体步骤如下:
式中,为每个像素点的局部区域中统计出的属于多个凸包区域的像素点个数;/>为每个像素点的重叠程度;/>的获取方法为:计算出每个像素点到其局部区域中第/>个聚类类别中心的距离值,/>为归一化后的距离值;/>为每个像素点的局部区域中的第/>个聚类类别的锈迹程度的权重;/>表示以自然常数为底的指数函数。
7.根据权利要求1所述一种基于视觉的固废资源化利用方法,其特征在于,所述获取每个像素点修正过后的局部锈迹程度,包括的具体步骤如下:
其中,代表每个像素点的局部区域中的第/>个聚类类别;/>代表每个像素点的局部区域中共有/>个聚类类别;/>为每个像素点修正过后的局部锈迹程度;/>为每个像素点局部区域中第/>个聚类类别的锈迹程度;/>为每个像素点局部区域中第/>个聚类类别的锈迹程度的权重。
8.根据权利要求1所述一种基于视觉的固废资源化利用方法,其特征在于,所述获取聚类结果,包括的具体步骤如下:
根据每个像素点的修正过后的局部锈迹程度使用DBSCAN聚类算法对固废金属图像进行聚类,得到聚类结果。
9.根据权利要求1所述一种基于视觉的固废资源化利用方法,其特征在于,所述获取各个区域的类型,包括的具体步骤如下:
对聚类结果使用凸包检测算法获取各个区域以及各个区域的平均灰度值,使用k-means聚类算法对所得的各个区域的平均灰度值进行聚类得到所有类别,其中平均灰度值最大的类别区域为正常区域,平均灰度值最小的类别区域为锈迹区域,其余类别为鼓包区域。
10.一种基于视觉的固废资源化利用系统,其特征在于,所述系统包括:
图像采集模块:采集固废金属图像;
聚类类别获取模块:对固废金属图像进行聚类,获取多个聚类类别;
像素点的局部锈迹程度获取模块:获取固废金属图像中每个像素点的局部区域,获取固废金属图像中每个像素点的局部区域中每个聚类类别的平均灰度值;获取固废金属图像中每个像素点的局部区域中的每个聚类类别的像素点个数占局部区域中像素点个数的比值,记为第一比值;获取固废金属图像中每个像素点的局部区域中每个聚类类别的像素点的分布集中程度;根据平均灰度值、第一比值以及像素点的分布集中程度,获取每个像素点的局部区域中每个聚类类别的锈迹程度;根据每个像素点的局部区域中每个聚类类别的锈迹程度,获取每个像素点的锈迹程度;
对每个像素点的局部区域中每个聚类类别进行凸包检测得到各个凸包区域,在每个像素点的局部区域中获取属于多个凸包区域的像素点个数,将像素点个数/>与局部区域中的像素点个数的比值作为每个像素点的重叠程度;获取每个像素点到其局部区域中每个聚类类别中心之间的距离值;根据每个像素点的重叠程度和每个像素点到其局部区域中每个聚类类别中心之间的距离值获取每个像素点的局部区域中每个聚类类别的锈迹程度的权重;
根据每个像素点的局部区域中每个聚类类别的锈迹程度的权重,对每个像素点的局部区域中每个聚类类别的锈迹程度进行修正,获取每个像素点修正过后的局部锈迹程度;
区域类型获取模块:基于每个像素点的修正过后的局部锈迹程度对固废金属图像进行聚类,根据聚类结果获取各个区域的类型;
修补手段获取模块:根据各个区域类型对其使用不同的修补手段进行修补。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868563.1A CN116597188B (zh) | 2023-07-17 | 2023-07-17 | 一种基于视觉的固废资源化利用方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868563.1A CN116597188B (zh) | 2023-07-17 | 2023-07-17 | 一种基于视觉的固废资源化利用方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116597188A true CN116597188A (zh) | 2023-08-15 |
CN116597188B CN116597188B (zh) | 2023-09-05 |
Family
ID=87601220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310868563.1A Active CN116597188B (zh) | 2023-07-17 | 2023-07-17 | 一种基于视觉的固废资源化利用方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116597188B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114387272A (zh) * | 2022-03-23 | 2022-04-22 | 武汉富隆电气有限公司 | 基于图像处理的电缆桥架残次品检测方法 |
CN115100203A (zh) * | 2022-08-25 | 2022-09-23 | 山东振鹏建筑钢品科技有限公司 | 一种钢筋打磨除锈质量检测方法 |
CN115311277A (zh) * | 2022-10-11 | 2022-11-08 | 南通美乐柯材料科技有限公司 | 一种不锈钢制品的凹坑缺陷识别方法 |
WO2023108933A1 (zh) * | 2021-12-14 | 2023-06-22 | 江苏航天大为科技股份有限公司 | 一种基于聚类算法的车辆检测方法 |
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
- 2023-07-17 CN CN202310868563.1A patent/CN116597188B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023108933A1 (zh) * | 2021-12-14 | 2023-06-22 | 江苏航天大为科技股份有限公司 | 一种基于聚类算法的车辆检测方法 |
CN114387272A (zh) * | 2022-03-23 | 2022-04-22 | 武汉富隆电气有限公司 | 基于图像处理的电缆桥架残次品检测方法 |
CN115100203A (zh) * | 2022-08-25 | 2022-09-23 | 山东振鹏建筑钢品科技有限公司 | 一种钢筋打磨除锈质量检测方法 |
CN115311277A (zh) * | 2022-10-11 | 2022-11-08 | 南通美乐柯材料科技有限公司 | 一种不锈钢制品的凹坑缺陷识别方法 |
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 * |
Also Published As
Publication number | Publication date |
---|---|
CN116597188B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN110389127B (zh) | 一种金属陶瓷零件识别及表面缺陷检测系统和方法 | |
CN110619333B (zh) | 一种文本行分割方法、文本行分割装置及电子设备 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN111080691A (zh) | 一种光伏组件红外热斑检测方法、装置 | |
CN111401418A (zh) | 一种基于改进Faster r-cnn的员工着装规范检测方法 | |
CN111553310B (zh) | 基于毫米波雷达的安检图像获取方法、系统及安检设备 | |
CN116205919A (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
CN115660647B (zh) | 一种建筑外墙的维护方法 | |
CN113781585B (zh) | 一种增材制造零件表面缺陷在线检测方法及系统 | |
CN106960196B (zh) | 基于模板匹配和svm的工业视频小数字识别方法 | |
CN115797361B (zh) | 一种铝模板表面缺陷检测方法 | |
CN111340041A (zh) | 一种基于深度学习的车牌识别方法及装置 | |
CN116958503B (zh) | 一种基于图像处理的污泥干化等级识别方法及系统 | |
CN115018872B (zh) | 一种用于市政施工的吸尘设备智能控制方法 | |
CN114972258A (zh) | 基于机器视觉的电池表面缺陷检测方法、系统及相关设备 | |
CN111753794A (zh) | 水果品质分类方法、装置、电子设备及可读存储介质 | |
CN112561875A (zh) | 一种基于人工智能的光伏电池板粗栅检测方法 | |
CN107944453A (zh) | 基于Hu不变矩和支持向量机SVM的高压套管检测方法 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
CN116597188B (zh) | 一种基于视觉的固废资源化利用方法及系统 | |
CN114119959A (zh) | 一种基于视觉的垃圾桶满溢检测方法及装置 | |
CN113421223A (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
CN112132823A (zh) | 一种基于人工智能的光伏电池图像局部光照不均处理方法 | |
CN112150487A (zh) | 米粒分割方法、终端及存储介质 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Visual Based Solid Waste Resource Utilization Method and System Granted publication date: 20230905 Pledgee: Qilu bank Limited by Share Ltd. Ji'nan Shun Hua North Road subbranch Pledgor: SHANDONG BEIGUO DEVELOPMENT GROUP CO.,LTD. Registration number: Y2024370000010 |