CN116630307B - 石墨拖杆打磨质量评估系统、装置及计算机可读存储介质 - Google Patents
石墨拖杆打磨质量评估系统、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN116630307B CN116630307B CN202310891367.6A CN202310891367A CN116630307B CN 116630307 B CN116630307 B CN 116630307B CN 202310891367 A CN202310891367 A CN 202310891367A CN 116630307 B CN116630307 B CN 116630307B
- Authority
- CN
- China
- Prior art keywords
- graphite
- edge
- tow bar
- determining
- linear
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 275
- 239000010439 graphite Substances 0.000 title claims abstract description 274
- 229910002804 graphite Inorganic materials 0.000 title claims abstract description 274
- 238000005498 polishing Methods 0.000 title claims abstract description 65
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 24
- 230000032798 delamination Effects 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 12
- 238000001303 quality assessment method Methods 0.000 claims description 10
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000000227 grinding Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 description 12
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000010365 information processing Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007517 polishing process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
- 238000004383 yellowing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
- G01B11/306—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces for measuring evenness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/543—Depth or shape recovery from line drawings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请公开了一种石墨拖杆打磨质量评估系统、装置及计算机可读存储介质，该系统包括：获取包括石墨拖杆的目标图像；基于目标图像，确定石墨拖杆的表面平整度和表面颜色一致度；利用石墨拖杆的表面平整度和表面颜色一致度对石墨拖杆打磨质量进行评估，得到打磨质量评估结果。通过上述方式，本申请能够对石墨拖杆的打磨质量进行评估。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种石墨拖杆打磨质量评估系统、装置及计算机可读存储介质。
背景技术
石墨是碳元素的结晶矿物之一，具有润滑性、化学稳定性、耐高温、导电、特殊的导热性和可塑性、涂敷性等优良性能，其应用领域也十分广泛。
其中，石墨拖杆为石墨的一个具体应用。在制造和加工石墨拖杆的过程中，其表面的质量和光洁度对其性能和使用寿命有着至关重要的影响，而石墨拖杆的打磨质量会直接影响其表面光洁度、硬度、粗糙度等性能。合格的打磨质量可以提高产品的抗疲劳性和机械性能等，提高产品的实用价值。反之，打磨质量不合格会导致产品表面不光滑、粗糙度大、缺陷明显，从而影响了产品的外观和性能。通过评估和控制石墨拖杆的打磨质量，可以确保其表面质量和机械性能保持一致，从而保证其质量的稳定性。此外，打磨质量评估也是对生产设备、制造工艺、工作人员等方面管控和改进的重要手段，有助于进一步提高生产效率和生产经济效益。
因此，石墨拖杆打磨质量的评估具有非常重要的现实意义，可以帮助生产厂家有效控制和改善石墨拖杆的表面质量，提高其使用寿命，降低生产成本，减少质量问题的发生率。
发明内容
本申请主要解决的技术问题是提供一种石墨拖杆打磨质量评估系统、装置及计算机可读存储介质，能够对石墨拖杆的打磨质量进行评估。
为解决上述技术问题，本申请采用的一个技术方案是：提供一种石墨拖杆打磨质量评估系统，该系统包括：获取包括石墨拖杆的目标图像；基于目标图像，确定石墨拖杆的表面平整度和表面颜色一致度；利用石墨拖杆的表面平整度和表面颜色一致度对石墨拖杆打磨质量进行评估，得到打磨质量评估结果；
所述基于所述目标图像，确定所述石墨拖杆的表面平整度和表面颜色一致度，包括：
对所述目标图像进行边缘检测，得到所述目标图像中存在的线形边缘和闭合边缘；
基于所述线形边缘，确定所述石墨拖杆的表面平整度；以及，基于所述闭合边缘，确定所述石墨拖杆的表面颜色一致度；
所述线形边缘包括第一类线形边缘和第二类线形边缘，所述第二类线形边缘的长度大于所述第一类线形边缘的长度；所述基于所述线形边缘，确定所述石墨拖杆的表面平整度，包括：
基于所述第一类线形边缘，确定所述石墨拖杆的表面分层严重程度；以及，基于所述第二类线形边缘，确定所述石墨拖杆的表面纹理粗糙度；
利用所述石墨拖杆的表面分层严重程度和表面纹理粗糙度，确定所述石墨拖杆的表面平整度；
所述基于所述第一类线形边缘，确定所述石墨拖杆的表面分层严重程度，包括：
获取各所述第一类线形边缘的宽度和长度；
至少基于各所述第一类线形边缘的宽度和长度，确定所述石墨拖杆的表面分层严重程度；
所述至少基于各所述第一类线形边缘的宽度和长度，确定所述石墨拖杆的表面分层严重程度，包括：
获取各所述第一类线形边缘的深度；
基于各所述第一类线形边缘的深度、宽度和长度，确定所述石墨拖杆的表面分层严重程度。
其中，闭合边缘包括至少一个；基于闭合边缘，确定石墨拖杆的表面颜色一致度，包括：对于各闭合边缘，获取闭合边缘所围设的闭合边缘区域对应的色块颜色差异程度以及获取闭合边缘区域的面积；其中，颜色差异程度为闭合边缘区域与闭合边缘区域以外的其他区域之间的差异；利用各闭合边缘区域对应的颜色差异程度和面积，得到石墨拖杆的表面颜色一致度。
其中，获取闭合边缘所围设的闭合边缘区域对应的色块颜色差异程度，包括：获取闭合边缘区域的最小外接矩形与闭合边缘区域之间的间隔区域；基于闭合边缘区域和对应的间隔区域之间的颜色差异程度，得到闭合边缘区域对应的色块颜色差异程度。
为解决上述技术问题，本申请采用的另一个技术方案是：提供一种石墨拖杆打磨质量评估装置，该装置包括获取模块、确定模块和评估模块；获取模块用于获取包括石墨拖杆的目标图像；确定模块用于基于目标图像，确定石墨拖杆的表面平整度和表面颜色一致度；评估模块用于利用石墨拖杆的表面平整度和表面颜色一致度对石墨拖杆打磨质量进行评估，得到打磨质量评估结果；
所述基于所述目标图像，确定所述石墨拖杆的表面平整度和表面颜色一致度，包括：
对所述目标图像进行边缘检测，得到所述目标图像中存在的线形边缘和闭合边缘；
基于所述线形边缘，确定所述石墨拖杆的表面平整度；以及，基于所述闭合边缘，确定所述石墨拖杆的表面颜色一致度；
所述线形边缘包括第一类线形边缘和第二类线形边缘，所述第二类线形边缘的长度大于所述第一类线形边缘的长度；所述基于所述线形边缘，确定所述石墨拖杆的表面平整度，包括：
基于所述第一类线形边缘，确定所述石墨拖杆的表面分层严重程度；以及，基于所述第二类线形边缘，确定所述石墨拖杆的表面纹理粗糙度；
利用所述石墨拖杆的表面分层严重程度和表面纹理粗糙度，确定所述石墨拖杆的表面平整度；
所述基于所述第一类线形边缘，确定所述石墨拖杆的表面分层严重程度，包括：
获取各所述第一类线形边缘的宽度和长度；
至少基于各所述第一类线形边缘的宽度和长度，确定所述石墨拖杆的表面分层严重程度；
所述至少基于各所述第一类线形边缘的宽度和长度，确定所述石墨拖杆的表面分层严重程度，包括：
获取各所述第一类线形边缘的深度；
基于各所述第一类线形边缘的深度、宽度和长度，确定所述石墨拖杆的表面分层严重程度。
为解决上述技术问题，本申请采用的另一个技术方案是：提供一种计算机可读存储介质，该计算机可读存储介质存储有程序指令，程序指令能够被执行以实现上述的石墨拖杆打磨质量评估系统执行的方法。
上述技术方案，石墨拖杆的表面平整度和表面颜色一致度能够直观地反映出石墨拖杆的打磨情况，所以利用石墨拖杆的表面平整度和表面颜色一致度对石墨拖杆的打磨质量进行评估，能够提高对石墨拖杆打磨质量的评估准确性。另外，由于石墨拖杆的表面平整度和表面颜色一致度是直接基于包括石墨拖杆的目标图像分析确定得到的，所以，对石墨拖杆的表面平整度和表面颜色一致度的确定效率高，从而提高对石墨拖杆打磨质量的评估效率。故，本申请提供的基于机器视觉的石墨拖杆打磨质量评估系统，一方面，能够保证对石墨拖杆打磨质量的评估准确性，另一方面，能够保证对石墨拖杆打磨质量的评估效率。
附图说明
图1是本申请提供的基于机器视觉的石墨拖杆打磨质量评估系统一实施例的流程示意图；
图2是图1所示步骤S12一实施例的流程示意图；
图3是本申请提供的目标图像一实施例的示意图；
图4是本申请提供的基于线形边缘确定石墨拖杆的表面平整度一实施例的流程示意图；
图5是本申请提供的基于第一类线形边缘确定石墨拖杆的表面分层严重程度一实施例的流程示意图；
图6是本申请提供的基于闭合边缘确定石墨拖杆的表面颜色一致度一实施例的流程示意图；
图7是本申请提供的石墨拖杆打磨质量的评估装置一实施例的结构示意图；
图8是本申请提供的电子设备一实施例的结构示意图；
图9是本申请提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
下面结合说明书附图，对本申请实施例的方案进行详细说明。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
请参阅图1，图1是本申请提供的基于机器视觉的石墨拖杆打磨质量评估系统一实施例的流程示意图。需注意的是，若有实质上相同的结果，本申请的实施例并不以图1所示的流程顺序为限。如图1所示，本实施例包括：
步骤S11：获取包括石墨拖杆的目标图像。
本实施例的系统用于对石墨拖杆的打磨质量进行评估，对石墨拖杆的打磨质量进行评估，能够帮助石墨拖杆的生产厂商有效控制和改善石墨拖杆的表面质量，从而提高石墨拖杆的抗疲劳性、机械性能和寿命，降低生产成本，减少质量问题的发生率。
本实施方式中，获取包括石墨拖杆的目标图像。
在一实施方式中，具体可以从云端存储或者本地存储中获取包括石墨拖杆的目标图像。当然，在其他实施方式中，也可以利用图像采集设备实时对石墨拖杆进行拍摄而得到包括石墨拖杆的目标图像，在此不做具体限定。
在一具体实施方式中，可以利用CCD相机对石墨拖杆进行拍摄而得到包括石墨拖杆的目标图像。当然，在其他具体实施方式中，也可以利用数码相机等其他类型相机对石墨拖杆进行拍摄而得到包括石墨拖杆的目标图像，在此不做限定。
步骤S12：基于目标图像，确定石墨拖杆的表面平整度和表面颜色一致度。
根据打磨质量标准，打磨后的石墨拖杆，表面纹路要线条流畅、纹路清晰，不能有乱纹、分层等明显视觉色差，而且表面光亮度要一致，不能存有发黄、发白等不良现象。反之，打磨质量不合格会导致石墨拖杆的表面不光滑、表面光亮度不一致等。
所以，本实施方式中，基于目标图像，确定石墨拖杆的表面平整度和表面颜色一致度，以便于后续基于石墨拖杆的表面平整度和表面颜色一致度确定石墨拖杆的打磨质量。由于石墨拖杆的表面平整度和表面颜色一致度是能够通过石墨拖杆的表面相关信息确定的，石墨拖杆的表面相关信息能够直接获取到，所以，基于目标图像确定石墨拖杆的表面平整度和表面颜色一致度的效率和准确性更高。
为了提高确定的石墨拖杆的表面平整度和表面颜色一致度的准确性，在一实施方式中，在基于目标图像确定石墨拖杆的表面平整度和表面颜色一致度之前，对目标图像进行预处理，以对目标图像中的噪声进行滤除，从而消除部分噪声和外界干扰造成的影响，进而提高确定的表面平整度和表面颜色一致度的准确性。
在一具体实施方式中，在基于目标图像确定石墨拖杆的表面平整度和表面颜色一致度之前，可以利用双边滤波对目标图像进行预处理。当然，在其他具体实施方式中，也可以利用其他滤波算法对目标图像进行预处理，在此不做具体限定。
在一实施方式中，在基于目标图像，确定石墨拖杆的表面平整度和表面颜色一致度之前，将目标图像转换为灰度图像。
步骤S13：利用石墨拖杆的表面平整度和表面颜色一致度对石墨拖杆打磨质量进行评估，得到打磨质量评估结果。
本实施方式中，利用石墨拖杆的表面平整度和表面颜色一致度对石墨拖杆的打磨质量进行评估，得到打磨质量评估结果。石墨拖杆的表面平整度和表面颜色一致度能够直观地反映出石墨拖杆的打磨情况，所以利用石墨拖杆的表面平整度和表面颜色一致度对石墨拖杆的打磨质量进行评估，能够提高对石墨拖杆打磨质量的评估准确性。另外，由于石墨拖杆的表面平整度和表面颜色一致度是直接基于包括石墨拖杆的目标图像分析确定得到的，所以，对石墨拖杆的表面平整度和表面颜色一致度的确定效率高，从而提高对石墨拖杆打磨质量的评估效率。故，本申请提供的基于机器视觉的石墨拖杆打磨质量评估系统，一方面，能够保证对石墨拖杆打磨质量的评估准确性，另一方面，能够保证对石墨拖杆打磨质量的评估效率。
在一具体实施方式中，在确定了石墨拖杆的表面平整度和表面颜色一致度之后，使用全连接神经网络对石墨拖杆的打磨质量进行训练分类，该网络有两个输入神经元，分别为表面平整度和表面颜色一致度，隐含层使用ReLU激活函数，最终输出为全连接层，神经元个数为4，对应石墨拖杆打磨质量的优秀、良好、中等、较差4个等级，输出层使用Softmax函数，用于对石墨拖杆的打磨质量进行分类。
上述实施方式，石墨拖杆的表面平整度和表面颜色一致度能够直观地反映出石墨拖杆的打磨情况，所以利用石墨拖杆的表面平整度和表面颜色一致度对石墨拖杆的打磨质量进行评估，能够提高对石墨拖杆打磨质量的评估准确性。另外，由于石墨拖杆的表面平整度和表面颜色一致度是直接基于包括石墨拖杆的目标图像分析确定得到的，所以，对石墨拖杆的表面平整度和表面颜色一致度的确定效率高，从而提高对石墨拖杆打磨质量的评估效率。故，本申请提供的基于机器视觉的石墨拖杆打磨质量评估系统，一方面，能够保证对石墨拖杆打磨质量的评估准确性，另一方面，能够保证对石墨拖杆打磨质量的评估效率。
请参阅图2，图2是图1所示步骤S12一实施例的流程示意图，需注意的是，若有实质上相同的结果，本实施例并不以图2所示的流程顺序为限。如图2所示，本实施例包括：
步骤S21：对目标图像进行边缘检测，得到目标图像中存在的线形边缘和闭合边缘。
对于石墨拖杆表面存在的影响石墨拖杆的表面平整度的线形边缘（如，使得石墨拖杆表面出现分层的边缘、使得石墨拖杆表面出现划痕的边缘等）是不闭合的，对于石墨拖杆表面存在的影响石墨拖杆的表面颜色一致度的色块边缘是闭合的。
所以，本实施方式中，如图3所示，图3是本申请提供的目标图像一实施例的示意图，对目标对象进行边缘检测，得到目标图像中存在的线形边缘和闭合边缘。具体地，使用canny算子提取包括石墨拖杆的目标图像中的线形边缘图像和闭合边缘图像，在边缘图像中，边缘像素点值为1，其余像素点值为0。需要说明的是，线形边缘的最小外接矩形作为线形边缘图像，闭合边缘的最小外接矩形为闭合边缘图像。
在一实施方式中，线形边缘包括第一类线形边缘和第二类线形边缘；即，对图像进行边缘检测，会检测到目标图像中存在的第一类线形边缘和第二类线形边缘，使得后续同时利用第一类线形边缘和第二类线形边缘确定石墨拖杆的表面平整度，确定的表面平整度的准确性更高。例如，第一类线形边缘为使得石墨拖杆表面出现分层的边缘，第二类线形边缘为使得石墨拖杆表面出现划痕的边缘。
在其他实施方式中，线形边缘仅包括第一类线形边缘或者第二类线形边缘；即，仅对目标图像中的第一类线形边缘或者第二类线形边缘进行检测，使得后续仅利用第一类线形边缘或者第二类线形边缘确定石墨拖杆的表面平整度，确定表面平整度的效率更高。
步骤S22：基于线形边缘，确定石墨拖杆的表面平整度；以及，基于闭合边缘，确定石墨拖杆的表面颜色一致度。
本实施方式中，基于线形边缘，确定石墨拖杆的表面平整度；以及，基于闭合边缘，确定石墨拖杆的表面颜色一致度。当然，在其他实施方式中，也可以通过石墨拖杆表面的其他信息确定石墨拖杆的表面平整度和表面颜色一致度，在此不做具体限定。
在石墨拖杆的表面存在分层或者在石墨拖杆的表面存在划痕，都会对石墨拖杆的表面平整性产生影响。所以，在一实施方式中，如图4所示，图4是本申请提供的基于线形边缘确定石墨拖杆的表面平整度一实施例的流程示意图，基于线形边缘，确定石墨拖杆的表面平整度，具体包括如下子步骤：
步骤S41：基于第一类线形边缘，确定石墨拖杆的表面分层严重程度；以及，基于第二类线形边缘，确定石墨拖杆的表面纹理粗糙度。
本实施方式中，基于第一类线形边缘，确定石墨拖杆的表面分层严重程度；以及，基于第二类线形边缘，确定石墨拖杆的表面纹理粗糙度；其中，线形边缘图像为线形边缘的最小外接矩阵所围设形成的图像。
在一实施方式中，如图5所示，图5是本申请提供的基于第一类线形边缘确定石墨拖杆的表面分层严重程度一实施例的流程示意图，基于第一类线形边缘，确定石墨拖杆的表面分层严重程度，具体包括如下子步骤：
步骤S51：获取各第一类线形边缘的宽度和长度。
由于石墨拖杆的表面出现分层情况时，往往至少具有一定的层长和层宽，且使得石墨拖杆的表面出现分层情况的第一类线形边缘的两侧像素值有所区别，将第一类线形边缘（分层）看作一个个的条状区域的叠加，计算其宽度，以及，将第一类线形边缘的像素点的个数作为其长度（分层长度），至少利用第一类线形边缘的宽度和长度确定石墨拖杆的表面分层严重程度。
本实施方式中，获取各第一类线形边缘的宽度和长度。
具体地，获取各第一类线形边缘的最小外接矩形，并将最小外接矩形对应的灰度图像作为对应的第一类线形边缘的线形边缘图像；假定共有M个第一类线形边缘，第k1个第一类线形边缘的线形边缘图像为LEPk1，k1取值1-M。
对于各个第一类线形边缘，首先使用Sobel算子与第一类线形边缘对应的线形边缘图像卷积，计算其梯度的幅值和方向，即，第一类线形边缘的方向θ和大小；然后，再将梯度的方向和幅值进行投票统计形成梯度直方图，梯度直方图的横坐标是角度的范围，纵坐标是对应角度的加权幅度，该第一类线形边缘的边缘方向θ与梯度直方图中值最大的方向垂直。然后，在边缘方向上构建灰度游程矩阵P，矩阵的大小为K×L，矩阵的行数K为灰阶数，为了方便计算，将灰度值平均划分为K个灰阶，K经验取值32，即将灰度值0-255，每8个划分为一个灰阶；矩阵的列数L为灰阶沿着边缘方向θ上游走长度的最大值，矩阵元素P（i,j）为第i个灰阶沿着边缘方向θ游走长度为j的连通域的个数。
在石墨拖杆的表面出现分层时，分层处的像素点灰度相差较小，在灰度游程矩阵中与属于第一类线形边缘的像素点灰阶相同的矩阵元素，即为分层处的连通域的个数。因此，与属于第一类线形边缘的像素点灰阶相同的矩阵元素的列数之和为分层宽度（即，第一类线性边缘的宽度），若第k1个线形边缘图像中属于第一类线形边缘的像素点的灰阶为i，则第k1个线形边缘图像中的第一类线形边缘的宽度LWH（k1）的计算如下：
其中，LWH（k1）表示第k1个线形边缘图像中的第一类线形边缘的宽度；P（i,j）表示沿着第一类线形边缘方向构建的灰度游程矩阵中第i行、第j列元素，表示第i个灰阶沿着第一类线形边缘方向游走长度为j的连通域的个数。若该第一类线形边缘是由分层导致的边缘，则将与边缘方向相同，且与像素点灰阶也相同的线段的条数近似为分层的层宽。当P（i,j）越大时，分层越宽，分层层宽（第一类线形边缘的宽度）LWH越大。
步骤S52：至少基于各第一类线形边缘的宽度和长度，确定石墨拖杆的表面分层严重程度。
本实施方式中，至少基于各第一类线形边缘的宽度和长度，确定石墨拖杆的表面分层严重程度。
在一实施方式中，仅基于各第一类线形边缘的宽度和长度，确定石墨拖杆的表面分层严重程度。其中，具体公式如下所示：
其中，DLL（k1）表示第k1个线形边缘图像中的第一类线形边缘的分层严重程度；nk1表示第k1个线形边缘图像中的第一类线形边缘的像素点的个数，可以近似表示为该第一类线形边缘的长度；LWH（k1）表示第k1个线形边缘图像中的第一类线形边缘的宽度。需要说明的是，当nk1、LWH（k1）越大时，说明该线形边缘图像中的分层长度和分层宽度越大，其分层严重程度DLL（k1）就越高。
由于石墨拖杆的表面出现分层情况时，往往至少具有一定的层长和层宽，且使得石墨拖杆的表面出现分层情况的第一类线形边缘的两侧像素值有所区别。将第一类线形边缘（分层）看作一个个的条状区域的叠加，计算其宽度；将第一类线形边缘的像素点的个数作为其长度；将第一类线形边缘的像素点与周围像素点的灰度值相比较，计算其深度。利用第一类线形边缘的宽度、长度和深度综合衡量石墨拖杆的表面分层严重程度。所以，在一实施方式中，也可基于第一类线形边缘的宽度、长度和深度，确定石墨拖杆的表面分层严重程度；具体地，先获取各第一类线形边缘的深度，然后基于各第一类线形边缘的深度、宽度和长度，确定石墨拖杆的表面分层严重程度。由于出现分层时，不仅分层会有一定的宽度、长度，还会因凹凸程度的不同具有一定的深度，通过综合考虑各第一类线形边缘的深度、宽度和长度确定石墨拖杆的表面分层严重程度，使得确定的石墨拖杆的表面分层严重程度更加准确。
首先，先确定各第一类线形边缘的深度。
当石墨拖杆的表面出现分层时，由于距离图像采集设备的距离不同，第一类线形边缘两侧的灰度值会有所差别，可以通过第一类线形边缘两侧的灰度值差异衡量第一类线形边缘的深度。为了方便计算，先将线形边缘图像按照其内的第一类线形边缘的方向θ旋转至与第一类线形边缘垂直。由于第一类线形边缘具有一定的宽度，为了防止计算第一类线形边缘的深度时，取到第一类线形边缘处的灰度值，可以在距离第一类线形边缘的像素点一倍层宽的距离处选择像素点参与计算，假设第k1个线形边缘图像中共有nk1个属于第一类线形边缘的像素点，旋转之后第j个属于第一类线形边缘的像素点的坐标为(xj, yj)，j取值1-nk1，其灰度值为f(xj, yj)。其中，第一类线形边缘的深度LDP（k1）的计算公式如下所示：
其中，LDP（k1）表示第k1个线形边缘图像中的第一类线形边缘的深度；LWH（k1）表
示第k1个线形边缘图像中的第一类线形边缘的宽度；、分别表示将第k1个线形边缘图像旋转之后，距离第j个属于第一类
线形边缘的像素点左、右一倍层宽处像素点的灰度值。与的差值表示第一类线形边缘两侧的灰度值之差，差值越大，说明该
第一类线形边缘处越是凹凸不平，分层越深，该第一类线形边缘的深度的值越大。
其次，利用各第一类线形边缘的深度、宽度和长度确定石墨拖杆的表面分层严重程度。其中，具体公式如下所示：
其中，DLL（k1）表示第k1个线形边缘图像中的第一类线形边缘的分层严重程度；nk1表示第k1个线形边缘图像中的第一类线形边缘的像素点的个数，可以近似表示为该第一类线形边缘的长度；LWH（k1）表示第k1个线形边缘图像中的第一类线形边缘的宽度；LDP（k1）表示第k1个线形边缘图像中的第一类线形边缘的深度。需要说明的是，当nk1、LWH（k1）、LDP（k1）越大时，说明该线形边缘图像中的分层长度、分层宽度和分层深度越大，其分层严重度DLL（k1）就越高。
包括石墨拖杆的目标图像中出现的第二类线形边缘，为对石墨拖杆打磨过程中研磨粒子对石墨拖杆造成的划痕。在一实施方式中，基于第二类线形边缘确定石墨拖杆的表面纹理粗糙度具体包括：由于第二线形边缘的纹理是朝着各个方向的，根据构建灰度游程矩阵P的方法分别构建各个方向的灰度游程矩阵，并对各个方向取平均，再将矩阵元素归一化得到最终的频率形式的灰度游程矩阵，矩阵元素p（i,j）表示第i个灰阶沿着某一方向游走长度为j的连通域的频率。其中，第k1个线形边缘图像中的第二类线形边缘的表面纹理粗糙度WLC（k1）计算公式如下所示：
其中，WLC（k1）表示第k1个线形边缘图像中的第二类线形边缘的表面纹理粗糙度；j表示游走的长度，当j越大时，该连通域为一个长条状的子区域，划痕的长度越长，说明该第二类线形边缘表面纹理越粗糙；p（i,j）表示第i个灰阶沿着某一方向游走长度为j的连通域的出现频率，p（i,j）越大，说明划痕出现的次数越多，该第二类线形边缘对应的石墨拖杆表面的纹理越粗糙。
步骤S42：利用石墨拖杆的表面分层严重程度和表面纹理粗糙度，确定石墨拖杆的表面平整度。
本实施方式中，利用石墨拖杆的表面分层严重程度和表面纹理粗糙度，确定石墨拖杆的表面平整度。也就是说，综合考虑石墨拖杆的表面分层严重程度和石墨拖杆的表面纹理粗糙度，确定石墨拖杆的表面平整度，使得确定的石墨拖杆的表面平整度更加准确。
具体地，由于在石墨拖杆的打磨过程中，可能产生划痕、分层等，严重影响了石墨拖杆的美观和表面平整度，综合分层严重程度和表面纹理粗糙度，确定石墨拖杆的表面平整度的具体计算公式如下所示：
其中，FS表示石墨拖杆的表面平整度；DLL（k1）表示第k1个线形边缘图像中的第一类线形边缘的分层严重程度；WLC（k1）表示第k1个线形边缘图像中的第二类线形边缘的表面纹理粗糙度。需要说明的是，当第一类线形边缘的分层严重程度越高时，该第一类线形边缘表面出现的凹凸不平的现象越严重，其表面就越不平整，石墨拖杆的表面平整度FS就越低；当第二类线形边缘的表面纹理越粗糙时，该第二类线形边缘表面出现的划痕区域就越粗糙，石墨拖杆的表面平整度FS就越低。
在一实施方式中，如图6所示，图6是本申请提供的基于闭合边缘确定石墨拖杆的表面颜色一致度一实施例的流程示意图，基于闭合边缘确定石墨拖杆的表面颜色一致度，具体包括如下子步骤：
步骤S61：对于各闭合边缘，获取闭合边缘所围设的闭合边缘区域对应的色块颜色差异程度以及获取闭合边缘区域的面积。
本实施方式中，对于各闭合边缘，获取闭合边缘所围设的闭合边缘区域对应的色块颜色差异程度以及获取闭合边缘区域的面积。具体地，对于各闭合边缘区域的面积，将闭合边缘区域内的像素点的个数近似表示该闭合边缘区域的面积。
在一实施方式中，获取闭合边缘所围设的闭合边缘区域对应的色块颜色差异程度，具体为：获取闭合边缘区域的最小外接矩形与闭合边缘区域之间的间隔区域；然后，基于闭合边缘区域和对应的间隔区域之间的颜色差异，得到闭合边缘区域对应的色块颜色差异。
具体地，获取各闭合边缘区域的最小外接矩形，并将最小外接矩形对应的区域作为对应闭合边缘的闭合边缘图像；假定共有N个闭合边缘，第k2个闭合边缘的闭合边缘图像为BEPk2，k2取值1-N。
由于闭合边缘区域内外存在颜色相异，可以根据闭合边缘区域内外的灰度值之差衡量闭合边缘区域对应的色块颜色差异程度。假设第k2个闭合边缘图像的闭合边缘区域内部共有nin个像素点，其对应的最小外接矩形（即，闭合边缘图像）与闭合边缘区域之间的间隔区域内共有nout个像素点，则该闭合边缘区域对应的色块颜色差异程度由闭合边缘区域内部与外部灰度值均值之差以及闭合边缘区域的面积决定，第k2个闭合边缘区域对应的色块颜色差异程度GD（k2）的具体公式如下所示：
其中，GD（k2）表示第k2个闭合边缘图像中的闭合边缘区域对应的色块颜色差异程度；nin（k2）表示闭合边缘区域内的像素点的个数；nout（k2）表示间隔区域内的像素点的个数；f（xi,yi）表示闭合边缘区域内的像素点的灰度值；f（xj,yj）表示间隔区域内的像素点的灰度值。需要说明的是，第k2个闭合边缘图像对应的色块颜色差异程度为闭合边缘区域内部与外部灰度值均值差值的平方，当其灰度均值差值越大时，说明闭合边缘区域内外色差越大，其色块颜色差异程度GD（k2）就越大。
在其他实施方式中，也可以基于闭合边缘区域与闭合边缘区域以外的其他任何区域之间的颜色差异，确定闭合边缘区域对应的色块颜色差异程度。
步骤S62：利用各闭合边缘区域对应的色块颜色差异程度和面积，得到石墨拖杆的表面颜色一致度。
本实施方式中，利用各闭合边缘区域对应的色块颜色差异程度和面积，得到石墨拖杆的表面颜色一致度。
具体地，利用如下公式基于各闭合边缘区域对应的色块颜色差异程度和面积得到石墨拖杆的表面颜色一致度：
其中，CA表示石墨拖杆的表面颜色一致度；nin（k2）表示第k2个闭合边缘图像中的闭合边缘区域内的像素点的个数，可以近似表示闭合边缘区域内部的面积；GD（k2）表示第k2个闭合边缘图像中的闭合边缘区域对应的色块颜色差异程度。需要说明的是，当闭合边缘区域内部的面积越大时，说明闭合边缘区域越大，石墨拖杆上的异常颜色越多，石墨拖杆的表面颜色一致度CA越低；GD（k2）为第k2个闭合边缘图像中的闭合边缘区域对应的色块颜色差异程度，当闭合边缘区域对应的色块颜色差异程度越大时，说明闭合边缘区域的颜色与石墨拖杆的正常颜色相差越大，其颜色一致度越低。
请参阅图7，图7是本申请提供的石墨拖杆打磨质量的评估装置一实施例的结构示意图。石墨拖杆打磨质量的评估装置70包括获取模块71、确定模块72和评估模块73。获取模块71用于获取包括石墨拖杆的目标图像；确定模块72用于基于目标图像，确定石墨拖杆的表面平整度和表面颜色一致度；评估模块73用于利用石墨拖杆的表面平整度和表面颜色一致度对石墨拖杆打磨质量进行评估，得到打磨质量评估结果。
其中，确定模块72用于基于目标图像，确定石墨拖杆的表面平整度和表面颜色一致度，具体包括：对目标图像进行边缘检测，得到目标图像中存在的线形边缘和闭合边缘；基于线形边缘，确定石墨拖杆的表面平整度；以及，基于闭合边缘，确定石墨拖杆的表面颜色一致度。
其中，上述线形边缘包括第一类线形边缘和第二类线形边缘，第二类线形边缘的长度大于第一类线形边缘的长度；确定模块72用于基于线形边缘，确定石墨拖杆的表面平整度，具体包括：基于第一类线形边缘，确定石墨拖杆的表面分层严重程度；以及，基于第二类线形边缘，确定石墨拖杆的表面纹理粗糙度；利用石墨拖杆的表面分层严重程度和表面纹理粗糙度，确定石墨拖杆的表面平整度。
其中，确定模块72用于基于第一类线形边缘，确定石墨拖杆的表面分层严重程度，具体包括：获取各第一类线形边缘的宽度和长度；至少基于各第一类线形边缘的宽度和长度，确定石墨拖杆的表面分层严重程度。
其中，确定模块72用于至少基于各第一类线形边缘的宽度和长度，确定石墨拖杆的表面分层严重程度，具体包括：获取各第一类线形边缘的深度；基于各第一类线形边缘的深度、宽度和长度，确定石墨拖杆的表面分层严重程度。
其中，上述闭合边缘包括至少一个；确定模块72用于基于闭合边缘，确定石墨拖杆的表面颜色一致度，具体包括：对于各闭合边缘，获取闭合边缘所围设的闭合边缘区域对应的色块颜色差异程度以及获取闭合边缘区域的面积；其中，颜色差异程度为闭合边缘区域与闭合边缘区域以外的其他区域之间的差异；利用各闭合边缘区域对应的色块颜色差异程度和面积，得到石墨拖杆的表面颜色一致度。
其中，确定模块72用于获取闭合边缘所围设的闭合边缘区域对应的色块颜色差异程度，具体包括：获取闭合边缘区域的最小外接矩形与闭合边缘区域之间的间隔区域；基于闭合边缘区域和对应的间隔区域之间的颜色差异程度，得到闭合边缘区域对应的色块颜色差异程度。
请参阅图8，图8是本申请提供的电子设备一实施例的结构示意图。电子设备80包括相互耦接的存储器81和处理器82，处理器82用于执行存储器81中存储的程序指令，以实现上述任一基于机器视觉的石墨拖杆打磨质量评估系统实施例的步骤。在一个具体的实施场景中，电子设备80可以包括但不限于：微型计算机、服务器，此外，电子设备80还可以包括笔记本电脑、平板电脑等移动设备，在此不做限定。
具体而言，处理器82用于控制其自身以及存储器81以实现上述任一基于机器视觉的石墨拖杆打磨质量评估系统实施例的步骤。处理器82还可以称为CPU（CentralProcessing Unit，中央处理单元）。处理器82可能是一种集成电路芯片，具有信号的处理能力。处理器82还可以是通用处理器、数字信号处理器（DigitalSignal Processor, DSP）、专用集成电路（Application Specific Integrated Circuit, ASIC）、现场可编程门阵列（Field-ProgrammableGate Array, FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器82可以由集成电路芯片共同实现。
请参阅图9，图9是本申请提供的计算机可读存储介质一实施例的结构示意图。本申请实施例的计算机可读存储介质90存储有程序指令91，该程序指令91被执行时实现本申请基于机器视觉的石墨拖杆打磨质量评估系统任一实施例以及任意不冲突的组合所提供的方法。其中，该程序指令91可以形成程序文件以软件产品的形式存储在上述计算机可读存储介质90中，以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施方式方法的全部或部分步骤。而前述的计算机可读存储介质90包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random AccessMemory）、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
若本申请技术方案涉及个人信息，应用本申请技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本申请技术方案涉及敏感个人信息，应用本申请技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (5)
1.一种石墨拖杆打磨质量评估系统，其特征在于，所述系统包括：
获取包括石墨拖杆的目标图像；
基于所述目标图像，确定所述石墨拖杆的表面平整度和表面颜色一致度；
利用所述石墨拖杆的表面平整度和表面颜色一致度对所述石墨拖杆打磨质量进行评估，得到打磨质量评估结果；
所述基于所述目标图像，确定所述石墨拖杆的表面平整度和表面颜色一致度，包括：
对所述目标图像进行边缘检测，得到所述目标图像中存在的线形边缘和闭合边缘；
基于所述线形边缘，确定所述石墨拖杆的表面平整度；以及，基于所述闭合边缘，确定所述石墨拖杆的表面颜色一致度；
所述线形边缘包括第一类线形边缘和第二类线形边缘，所述第二类线形边缘的长度大于所述第一类线形边缘的长度；所述基于所述线形边缘，确定所述石墨拖杆的表面平整度，包括：
基于所述第一类线形边缘，确定所述石墨拖杆的表面分层严重程度；以及，基于所述第二类线形边缘，确定所述石墨拖杆的表面纹理粗糙度；
利用所述石墨拖杆的表面分层严重程度和表面纹理粗糙度，确定所述石墨拖杆的表面平整度；
所述基于所述第一类线形边缘，确定所述石墨拖杆的表面分层严重程度，包括：
获取各所述第一类线形边缘的宽度和长度；
至少基于各所述第一类线形边缘的宽度和长度，确定所述石墨拖杆的表面分层严重程度；
所述至少基于各所述第一类线形边缘的宽度和长度，确定所述石墨拖杆的表面分层严重程度，包括：
获取各所述第一类线形边缘的深度；
基于各所述第一类线形边缘的深度、宽度和长度，确定所述石墨拖杆的表面分层严重程度。
2.根据权利要求1所述的石墨拖杆打磨质量评估系统，其特征在于，所述闭合边缘包括至少一个；所述基于所述闭合边缘，确定所述石墨拖杆的表面颜色一致度，包括：
对于各所述闭合边缘，获取所述闭合边缘所围设的闭合边缘区域对应的色块颜色差异程度以及获取所述闭合边缘区域的面积；其中，所述颜色差异程度为所述闭合边缘区域与所述闭合边缘区域以外的其他区域之间的差异；
利用各所述闭合边缘区域对应的色块颜色差异程度和面积，得到所述石墨拖杆的表面颜色一致度。
3.根据权利要求2所述的石墨拖杆打磨质量评估系统，其特征在于，所述获取所述闭合边缘所围设的闭合边缘区域对应的色块颜色差异程度，包括：
获取所述闭合边缘区域的最小外接矩形与所述闭合边缘区域之间的间隔区域；
基于所述闭合边缘区域和对应的间隔区域之间的颜色差异程度，得到所述闭合边缘区域对应的色块颜色差异程度。
4.一种石墨拖杆打磨质量评估装置，其特征在于，所述装置包括：
获取模块，用于获取包括石墨拖杆的目标图像；
确定模块，用于基于所述目标图像，确定所述石墨拖杆的表面平整度和表面颜色一致度；
评估模块，用于利用所述石墨拖杆的表面平整度和表面颜色一致度对所述石墨拖杆打磨质量进行评估，得到打磨质量评估结果；
所述基于所述目标图像，确定所述石墨拖杆的表面平整度和表面颜色一致度，包括：
对所述目标图像进行边缘检测，得到所述目标图像中存在的线形边缘和闭合边缘；
基于所述线形边缘，确定所述石墨拖杆的表面平整度；以及，基于所述闭合边缘，确定所述石墨拖杆的表面颜色一致度；
所述线形边缘包括第一类线形边缘和第二类线形边缘，所述第二类线形边缘的长度大于所述第一类线形边缘的长度；所述基于所述线形边缘，确定所述石墨拖杆的表面平整度，包括：
基于所述第一类线形边缘，确定所述石墨拖杆的表面分层严重程度；以及，基于所述第二类线形边缘，确定所述石墨拖杆的表面纹理粗糙度；
利用所述石墨拖杆的表面分层严重程度和表面纹理粗糙度，确定所述石墨拖杆的表面平整度；
所述基于所述第一类线形边缘，确定所述石墨拖杆的表面分层严重程度，包括：
获取各所述第一类线形边缘的宽度和长度；
至少基于各所述第一类线形边缘的宽度和长度，确定所述石墨拖杆的表面分层严重程度；
所述至少基于各所述第一类线形边缘的宽度和长度，确定所述石墨拖杆的表面分层严重程度，包括：
获取各所述第一类线形边缘的深度；
基于各所述第一类线形边缘的深度、宽度和长度，确定所述石墨拖杆的表面分层严重程度。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序指令，所述程序指令能够被执行以实现如权利要求1-3任一项所述的石墨拖杆打磨质量评估系统执行的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310891367.6A CN116630307B (zh) | 2023-07-20 | 2023-07-20 | 石墨拖杆打磨质量评估系统、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310891367.6A CN116630307B (zh) | 2023-07-20 | 2023-07-20 | 石墨拖杆打磨质量评估系统、装置及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116630307A CN116630307A (zh) | 2023-08-22 |
| CN116630307B true CN116630307B (zh) | 2023-09-19 |
Family
ID=87617412
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310891367.6A Active CN116630307B (zh) | 2023-07-20 | 2023-07-20 | 石墨拖杆打磨质量评估系统、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116630307B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018187917A1 (zh) * | 2017-04-10 | 2018-10-18 | 深圳市柔宇科技有限公司 | 图片质量评估方法及装置 |
| CN114820459A (zh) * | 2022-03-31 | 2022-07-29 | 江苏本峰新材料科技有限公司 | 基于计算机辅助的铝单板打磨质量评估方法及系统 |
| CN114943733A (zh) * | 2022-07-20 | 2022-08-26 | 张家港华程机车精密制管有限公司 | 一种钢管打磨质量评估方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11724404B2 (en) * | 2019-02-21 | 2023-08-15 | Canvas Construction, Inc. | Surface finish quality evaluation system and method |
-
2023
- 2023-07-20 CN CN202310891367.6A patent/CN116630307B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018187917A1 (zh) * | 2017-04-10 | 2018-10-18 | 深圳市柔宇科技有限公司 | 图片质量评估方法及装置 |
| CN114820459A (zh) * | 2022-03-31 | 2022-07-29 | 江苏本峰新材料科技有限公司 | 基于计算机辅助的铝单板打磨质量评估方法及系统 |
| CN114943733A (zh) * | 2022-07-20 | 2022-08-26 | 张家港华程机车精密制管有限公司 | 一种钢管打磨质量评估方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于KNN算法的铝合金阳极化层打磨质量检测系统研究;李明洋;唐国宝;李乾;刘尔彬;高永卓;;机械与电子(06);全文 * |
| 自动目标识别算法性能评估中的图像度量;刘剑飞;;信息通信(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116630307A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Steel surface defect detection using a new Haar–Weibull-variance model in unsupervised manner | |
| Wang et al. | A simple guidance template-based defect detection method for strip steel surfaces | |
| CN103593670B (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
| TW200844429A (en) | An automatic optical inspection approach for detecting and classifying the surface defects on coating brightness enhancement film | |
| CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
| Zhang et al. | An accurate fuzzy measure-based detection method for various types of defects on strip steel surfaces | |
| CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
| CN109461141A (zh) | 一种工件缺胶检测方法 | |
| CN115294140A (zh) | 一种五金零件缺陷检测方法及系统 | |
| CN105701495B (zh) | 图像纹理特征提取方法 | |
| CN115222743B (zh) | 基于视觉的家具表面喷漆缺陷检测方法 | |
| Lin | Computer-aided visual inspection of surface defects in ceramic capacitor chips | |
| CN113221881B (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
| 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 | |
| Tolba et al. | Multiscale image quality measures for defect detection in thin films | |
| Miao et al. | Online inspection of narrow overlap weld quality using two-stage convolution neural network image recognition | |
| CN108921819A (zh) | 一种基于机器视觉的验布装置及方法 | |
| CN116342597B (zh) | 一种汽车配件表面电镀加工缺陷检测方法和系统 | |
| CN105931225A (zh) | 一种基于实时图像检测技术分析晶体生长形状和尺寸分布的方法 | |
| CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
| Peng et al. | Automated product boundary defect detection based on image moment feature anomaly | |
| CN108830851B (zh) | 一种lcd粗糙斑缺陷检测方法 | |
| CN118115497B (zh) | 一种石英砂的粉碎磨粉检测方法及装置 | |
| CN115239736A (zh) | 用于金刚石磨轮生产的磨料层混料质量监测方法 | |
| CN117314901B (zh) | 一种尺度自适应的芯片检测神经网络系统 |
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 |