CN116645354B - 一种面向多功能分选系统的表面瑕疵图像检测方法 - Google Patents

一种面向多功能分选系统的表面瑕疵图像检测方法 Download PDF

Info

Publication number
CN116645354B
CN116645354B CN202310646755.8A CN202310646755A CN116645354B CN 116645354 B CN116645354 B CN 116645354B CN 202310646755 A CN202310646755 A CN 202310646755A CN 116645354 B CN116645354 B CN 116645354B
Authority
CN
China
Prior art keywords
pixel point
color code
image
color
class
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
Application number
CN202310646755.8A
Other languages
English (en)
Other versions
CN116645354A (zh
Inventor
朱二
朱壹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lvmeng Technology Co ltd
Original Assignee
Lvmeng Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lvmeng Technology Co ltd filed Critical Lvmeng Technology Co ltd
Priority to CN202310646755.8A priority Critical patent/CN116645354B/zh
Publication of CN116645354A publication Critical patent/CN116645354A/zh
Application granted granted Critical
Publication of CN116645354B publication Critical patent/CN116645354B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种面向多功能分选系统的表面瑕疵图像检测方法，由被检测图像中某个像素点到某类的聚类中心的最短路径像素点集合中各像素点到下一跳像素点的距离与各像素点与对应聚类中心的色码差异状况的平方加权和因素给出该像素点归属于某类的权重系数的优化取值，对于该像素点可选择在不同类的权重系数的优化取值中数值最大且超过权重系数门限对应的类作为需要加入的类，有利于在图像检测中考虑聚类区域的连续性以提高检测精度，从而实现对表面瑕疵进行图像检测的边缘区分效果。

Description

一种面向多功能分选系统的表面瑕疵图像检测方法
技术领域
本发明属于图像检测技术领域，具体涉及通过分析某个像素点到某类的聚类中心的最短可达路径像素点集合中各像素点到下一跳像素点的距离与各像素点到对应聚类中心的色码差异状况来判定该像素点归属于该类的权重系数的优化取值，从而为图像中像素点在选择类时提供依据以实现表面瑕疵图像检测。
背景技术
经典的图像分割方法在处理超像素等不规则图像时，存在处理过程较为繁琐问题，且效率低下，无法满足高性能预处理的要求。因此，通过具有优越预处理能力的超像素分割算法在处理图像分割时具有良好的处理性能和较好的精度，但在处理超像素大小不均匀、形状不规则等问题时，仍存在着处理效率低下、效果不佳等现象。考虑到多功能分选系统通过传统图像检测的方法对果蔬进行表面瑕疵时大多采用颜色相近和距离相近作为超像素聚类的依据，而未考虑到由于长条状表面瑕疵对聚类区域可能造成的割裂找出区域边缘的区分效果不佳，因此需在图像检测中考虑各类色彩区域的连续性有利于提高检测精度。
发明内容
本发明的目的在于由被检测图像中某个像素点到某类的聚类中心的最短路径像素点集合中各像素点到下一跳像素点的距离与各像素点与对应聚类中心的色码差异状况的平方加权和对于被检测图像中不同像素点到不同类的聚类中心之权重和在取极小值时给出某个像素点归属于某类的权重系数的优化取值，为某个像素点在选择类时以数值最大提供依据，以实现将所有的像素点归类进行图像分割，从而完成表面瑕疵图像检测。
按照本发明如图1中所提供的设计方案，一种面向多功能分选系统的表面瑕疵图像检测方法，包含如下步骤：
步骤1，设多功能分选系统中果蔬彩色图像的像素点可通过某个颜色模型的色码来表示颜色，则某个像素点与另一个像素点的色码差异状况可通过色码最高位数一半数量的由色码进制数转化为十进制的差异绝对值和来确定；若从果蔬彩色图像中某个像素点可达到某类的聚类中心且存在多条路径，可由其中某条路径中由该像素点到该类的聚类中心的各个像素点来构建若干个路径像素点集合，则在若干个路径像素点集合中满足其中各个像素点与该类的聚类中心的色码差异状况在色码差异门限范围内的条件时，获取元素个数最少的路径像素点集合设为该像素点到该类的聚类中心的最短可达路径像素点集合；
步骤2，由某个像素点到某类的聚类中心的最短可达路径像素点集合中各像素点到下一跳像素点的距离与各像素点与对应聚类中心的色码差异状况的平方加权和对于在果蔬彩色图像权重训练集的各图像中不同像素点到不同类的聚类中心之和来构建距离色码差异状况平衡权重优化函数，其中加权系数为距离色码差异状况平衡权重；当距离色码差异状况平衡权重优化函数对距离色码差异状况平衡权重的二阶导数大于零且一阶导数为零时，可给出距离色码差异状况平衡权重使得距离色码差异状况平衡权重优化函数取极小值时距离色码差异状况平衡权重的优化取值；
步骤3，当多功能分选系统给出的被检测图像被设定聚类中心后，由被检测图像中某个像素点到某类的聚类中心的最短路径像素点集合中各像素点到下一跳像素点的距离与各像素点与对应聚类中心的色码差异状况的平方加权和对于被检测图像中不同像素点到不同类的聚类中心之权重和来构建被检测图像聚类检测优化函数，其中加权系数为步骤2所得距离色码差异状况平衡权重的优化取值且某个像素点归属于某类的权重系数需满足在所有类时的归一化条件；当被检测图像聚类检测优化函数对所述权重系数的二阶导数大于零且一阶导数为零时，可给出所述权重系数使得被检测图像聚类检测优化函数取极小值时权重系数的优化取值；对于某个像素点，选择在不同类的权重系数的优化取值中数值最大且超过权重系数门限对应的类作为需要加入的类，则将该类的聚类中心的色码相对应的颜色可作为该类的颜色；若某些像素点无法归类，可重新设置聚类中心至将所有的像素点归类，则完成表面瑕疵图像检测；
优选的，步骤1中具体包括：
设多功能分选系统中果蔬彩色图像的像素点可通过某个颜色模型的色码来表示颜色，设E为色码最高位数以及d为色码进制数，可确定像素点(i,j)与像素点(i′,j′)的色码差异状况SMCY[(i,j),(i′,j′)]，具体计算公式如下：
其中，sl(i,j)为像素点(i,j)在色码位数为l时的取值，i,j分别为像素点(i,j)在图像中的横纵坐标；
若从果蔬彩色图像中像素点k到第c类的聚类中心存在一条经由中间若干个像素点的路径则可称k可达c，当k可达c存在R条路径，可以用R条路径中第r条路径中由像素点(ik,jk)到第c类的聚类中心(ic,jc)的各个像素点来构建路径像素点集合Ξk,c(r)，其中1≤r≤R，在满足Ξk,c(r)中各个像素点(i,j)与(ic,jc)的色码差异状况SMCY[(i,j),(ic,jc)]在色码差异门限δ范围内的条件时，获取元素个数最少的路径像素点集合设为像素点(ik,jk)到第c类的聚类中心(ic,jc)的最短可达路径像素点集合Θk,c，具体计算公式如下：
其中，count为计算集合中元素个数的函数，min为取最小值的函数，表示任意；
优选的，步骤2具体步骤为：
步骤2-1：设α为距离色码差异状况平衡权重，由像素点(ik,jk)到第c类的聚类中心(ic,jc)的最短可达路径像素点集合Θk,c中各像素点到下一跳像素点的距离与各像素点与(ic,jc)的色码差异状况的平方加权和对于在果蔬彩色图像权重训练集Q的各图像中不同像素点到不同类的聚类中心之和来构建以所述α为自变量和加权系数的距离色码差异状况平衡权重优化函数F(α)，具体计算公式如下：
其中，Bq为所述Q中图像q的聚类中心集合，Aq为所述Q中图像q的像素点集合，为在最短路径像素点集合Θk,c中由(ik,jk)往(ic,jc)方向像素点(i,j)的下一跳像素点；
步骤2-2：给出所述F(α)对所述α的一阶偏导数和二阶偏导数具体计算公式如下：
步骤2-3：在大于零且为零时，给出F(α)取极小值时α的优化取值具体计算公式如下：
优选的，步骤3具体步骤为：
步骤3-1：当多功能分选系统给出的被检测图像被设定聚类中心后，设加权系数为且像素点(ik,jk)归属于第c类的权重系数为ωk,c，由被检测图像中像素点(ik,jk)到第c类的聚类中心(ic,jc)的最短路径像素点集合Θk,c中各像素点到下一跳像素点的距离与各像素点与(ic,jc)的色码差异状况的平方加权和对于被检测图像中不同像素点到不同类的聚类中心之权重和且包含归一化条件以及拉格朗日乘数θ来构建被检测图像聚类检测优化函数H(ωk,c,θ)，具体计算公式如下：
其中，Y为所述被检测图像的聚类中心集合，X为所述被检测图像的像素点集合；
步骤3-2：给出所述H(ωk,c,θ)对所述ωk,c的一阶偏导数和二阶偏导数具体计算公式如下：
步骤3-3：由于明显大于零，则在为零时可给出H(ωk,c,θ)取极小值时ωk,c的优化取值具体计算公式如下：
步骤3-4：对于像素点(ik,jk)，选择数值最大且超过权重系数门限τ对应的c作为需要加入的类，则将该类的聚类中心(ic,jc)色码相对应的颜色可作为该类的颜色；若某些像素点无法归类，可重新设置聚类中心至将所有的像素点归类，则完成表面瑕疵图像检测；
附图说明
图1：面向多功能分选系统的表面瑕疵图像检测步骤图；
图2：多功能分选系统输出的西柚彩色图像；
图3：西柚彩色图像经表面瑕疵图像检测后划分的聚类区域状况。
具体实施方式
以下将对多功能分选系统输出的西柚彩色图像进行表面瑕疵图像检测的具体实施例对本发明提供的技术方案进行详细说明，具体包括以下内容：
步骤1中具体包括：
设多功能分选系统中西柚彩色图像的像素点可通过RGB颜色模型的色码#××××来表示颜色，设置色码最高位数E为6，并设色码进制数d为16，则×为16进制数并使用××××进行计算，可确定像素点(i,j)与像素点(i′,j′)的色码差异状况SMCY[(i,j),(i′,j′)]，具体计算公式如下：
设色码差异门限δ为10，在满足Ξk,c(r)中各个像素点(i,j)与(ic,jc)的色码差异状况SMCY[(i,j),(ic,jc)]在色码差异门限δ范围内的条件时，获取元素个数最少的路径像素点集合设为像素点(ik,jk)到第c类的聚类中心(ic,jc)的最短可达路径像素点集合Θk,c，具体计算公式如下：
步骤2中具体包括：
步骤2-1：设可由200张西柚彩色图像来构造Q，由像素点(ik,jk)到第c类的聚类中心(ic,jc)的最短可达路径像素点集合Θk,c中各像素点到下一跳像素点的距离与各像素点与(ic,jc)的色码差异状况的平方加权和对于在果蔬彩色图像权重训练集Q的各图像中不同像素点到不同类的聚类中心之和来构建以所述α为自变量和加权系数的距离色码差异状况平衡权重优化函数F(α)，具体计算公式如下：
步骤2-2：给出所述F(α)对所述α的一阶偏导数和二阶偏导数具体计算公式如下：
步骤2-3：在大于零且为零时，给出F(α)取极小值时α的优化取值具体计算公式如下：
由于色码差异门限δ设置为10，可知此时SMCY函数输出的最大值为10，而同时最短可达路径像素点集合Θk,c中各像素点到下一跳像素点的距离为1或1.414，可见色码差异状况的取值状况远大于距离的取值状况，若不考虑引入权重则在应用中会忽略掉距离因素，在此通过F(α)取极小值时α的优化取值的具体计算公式给出为0.965，从而平衡色码差异状况和距离两个因素；
步骤3中具体包括：
步骤3-1：对于多功能分选系统给出的被检测图像，可利用密度峰值算法自动确定聚类数目来根据西柚轮廓边缘来设置聚类中心，设加权系数为且像素点(ik,jk)归属于第c类的权重系数为ωk,c，由被检测图像中像素点(ik,jk)到第c类的聚类中心(ic,jc)的最短路径像素点集合Θk,c中各像素点到下一跳像素点的距离与各像素点与(ic,jc)的色码差异状况的平方加权和对于被检测图像中不同像素点到不同类的聚类中心之权重和且包含归一化条件以及拉格朗日乘数θ来构建被检测图像聚类检测优化函数H(ωk,c,θ)，具体计算公式如下：
步骤3-2：给出所述H(ωk,c,θ)对所述ωk,c的一阶偏导数和二阶偏导数具体计算公式如下：
步骤3-3：由于明显大于零，则在为零时可给出H(ωk,c,θ)取极小值时ωk,c的优化取值具体计算公式如下：
考虑到在较多的相近颜色区域场景中，像素点(ik,jk)到第c类的聚类中心(ic,jc)的最短路径像素点集合Θk,c应包含像素点到第c类的聚类中心(ic,jc)的最短路径像素点集合则此时像素点(ik,jk)与像素点相比，只需要计算和SMCY2[(i,j),(ic,jc)]从而大幅降低计算量；
步骤3-4：对于像素点(ik,jk)，可选择数值最大且超过权重系数门限τ＝0.6对应的c作为需要加入的类，则将该类的聚类中心(ic,jc)色码相对应的颜色可作为该类的颜色；若某些像素点无法归类，可重新设置聚类中心至将所有的像素点归类，则完成表面瑕疵图像检测；
图2中给出了两张多功能分选系统输出的西柚彩色图像，从图2(a)和图2(b)中可以看出西柚彩色图像中表面缺陷分布不均匀且表面缺陷区域与正常区域的边缘存在较多交互，可能造成较难分析表面缺陷占比从而为西柚进行分级；图3给出了图2中两张西柚彩色图像经表面瑕疵图像检测后划分的聚类区域状况，其中表面瑕疵区域被标注为绿色，果脐部分被标注为红色，可以看出图3(a)和图3(b)中绿色区域与图2(a)和图2(b)中表面缺陷区域较为一致，且图3(a)和图3(b)中绿色区域对于表面瑕疵区域的边缘勾画得较为细腻，较好地反映表面瑕疵区域的真实状况，通过有效采集西柚的表皮情况从而为西柚品质分级提供依据。
本实施例中未明确的部分均可用现有技术加以实现。
对于本领域的普通技术人员而言，根据本发明的教导，在不脱离本发明的原理与精神的情况下，对实施方式所进行的改变、修改、替换和变型仍落入本发明的保护范围之内。

Claims (4)

1.一种面向多功能分选系统的表面瑕疵图像检测方法，其特征在于，所述方法包括以下步骤：
步骤1，设多功能分选系统中果蔬彩色图像的像素点通过某个颜色模型的色码来表示颜色，则某个像素点与另一个像素点的色码差异状况通过色码最高位数一半数量的由色码进制数转化为十进制的差异绝对值和来确定；若从果蔬彩色图像中某个像素点可达到某类的聚类中心且存在多条路径，由其中某条路径中由该像素点到该类的聚类中心的各个像素点来构建若干个路径像素点集合，则在若干个路径像素点集合中满足其中各个像素点与该类的聚类中心的色码差异状况在色码差异门限范围内的条件时，获取元素个数最少的路径像素点集合设为该像素点到该类的聚类中心的最短可达路径像素点集合，具体的，确定像素点(i,j)与像素点(i′,j′)的色码差异状况函数SMCY[(i,j),(i′,j′)]，计算公式如下：
其中，sl(i,j)为像素点(i,j)在色码位数为l时的取值，i,j分别为像素点(i,j)在图像中的横纵坐标，E为色码最高位数，d为色码进制数；
步骤2，由某个像素点到某类的聚类中心的最短可达路径像素点集合中各像素点到下一跳像素点的距离与各像素点与对应聚类中心的色码差异状况的平方加权和对于在果蔬彩色图像权重训练集的各图像中不同像素点到不同类的聚类中心之和来构建距离色码差异状况平衡权重优化函数，其中加权系数为距离色码差异状况平衡权重；当距离色码差异状况平衡权重优化函数对距离色码差异状况平衡权重的二阶导数大于零且一阶导数为零时，给出距离色码差异状况平衡权重使得距离色码差异状况平衡权重优化函数取极小值时距离色码差异状况平衡权重的优化取值，具体的，构建以α为自变量和加权系数的距离色码差异状况平衡权重优化函数F(α)，计算公式如下：
F(α)＝
其中，Bq为所述Q中图像q的聚类中心集合，Aq为所述Q中图像q的像素点集合，为在最短路径像素点集合Θk,c中由(ik,jk)往(ic,jc)方向像素点(i,j)的下一跳像素点，Q为果蔬彩色图像权重训练集；
步骤3，当多功能分选系统给出的被检测图像被设定聚类中心后，由被检测图像中某个像素点到某类的聚类中心的最短路径像素点集合中各像素点到下一跳像素点的距离与各像素点与对应聚类中心的色码差异状况的平方加权和对于被检测图像中不同像素点到不同类的聚类中心之权重和来构建被检测图像聚类检测优化函数，其中加权系数为步骤2所得距离色码差异状况平衡权重的优化取值且某个像素点归属于某类的权重系数需满足在所有类时的归一化条件；当被检测图像聚类检测优化函数对所述权重系数的二阶导数大于零且一阶导数为零时，给出所述权重系数使得被检测图像聚类检测优化函数取极小值时权重系数的优化取值；对于某个像素点，选择在不同类的权重系数的优化取值中数值最大且超过权重系数门限对应的类作为需要加入的类，则将该类的聚类中心的色码相对应的颜色作为该类的颜色；若某些像素点无法归类，重新设置聚类中心至将所有的像素点归类，则完成表面瑕疵图像检测，具体的，构建被检测图像聚类检测优化函数H(ωk,c,θ)，具体计算公式如下：
其中，Y为所述被检测图像的聚类中心集合，X为所述被检测图像的像素点集合，θ为拉格朗日乘数，为加权系数，像素点(ik,jk)归属于第c类的权重系数为ωk,c。
2.根据权利要求1所述的一种面向多功能分选系统的表面瑕疵图像检测方法，其特征在于，所述步骤1中具体包括：
设多功能分选系统中果蔬彩色图像的像素点通过某个颜色模型的色码来表示颜色，设E为色码最高位数以及d为色码进制数，确定像素点(i,j)与像素点(i′,j′)的色码差异状况SMCY[(i,j),(i′,j′)]，具体计算公式如下：
其中，sl(i,j)为像素点(i,j)在色码位数为l时的取值，i,j分别为像素点(i,j)在图像中的横纵坐标；
若从果蔬彩色图像中像素点k到第c类的聚类中心存在一条经由中间若干个像素点的路径则称k可达c，当k可达c存在R条路径，用R条路径中第r条路径中由像素点(ik,jk)到第c类的聚类中心(ic,jc)的各个像素点来构建路径像素点集合Ξk,c(r)，其中1≤r≤R，在满足Ξk,c(r)中各个像素点(i,j)与(ic,jc)的色码差异状况SMCY[(i,j),(ic,jc)]在色码差异门限δ范围内的条件时，获取元素个数最少的路径像素点集合设为像素点(ik,jk)到第c类的聚类中心(ic,jc)的最短达路径像素点集合Θk,c，具体计算公式如下：
3.根据权利要求2所述的一种面向多功能分选系统的表面瑕疵图像检测方法，其特征在于，所述步骤2具体步骤为：
步骤2-1：设α为距离色码差异状况平衡权重，由像素点(ik,jk)到第c类的聚类中心(ic,jc)的最短可达路径像素点集合Θk,c中各像素点到下一跳像素点的距离与各像素点与(ic,jc)的色码差异状况的平方加权和对于在果蔬彩色图像权重训练集Q的各图像中不同像素点到不同类的聚类中心之和来构建以所述α为自变量和加权系数的距离色码差异状况平衡权重优化函数F(α)，具体计算公式如下：
其中，Bq为所述Q中图像q的聚类中心集合，Aq为所述Q中图像q的像素点集合，为在最短路径像素点集合Θk,c中由(ik,jk)往(ic,jc)方向像素点(i,j)的下一跳像素点；
步骤2-2：给出所述F(α)对所述α的一阶偏导数和二阶偏导数具体计算公式如下：
步骤2-3：在大于零且为零时，给出F(α)取极小值时α的优化取值具体计算公式如下：
4.根据权利要求2所述的一种面向多功能分选系统的表面瑕疵图像检测方法，其特征在于，所述步骤3具体步骤为：
步骤3-1：当多功能分选系统给出的被检测图像被设定聚类中心后，设加权系数为且像素点(ik,jk)归属于第c类的权重系数为ωk,c，由被检测图像中像素点(ik,jk)到第c类的聚类中心(ic,jc)的最短路径像素点集合Θk,c中各像素点到下一跳像素点的距离与各像素点与(ic,jc)的色码差异状况的平方加权和对于被检测图像中不同像素点到不同类的聚类中心之权重和且包含归一化条件以及拉格朗日乘数θ来构建被检测图像聚类检测优化函数H(ωk,c,θ)，具体计算公式如下：
其中，Y为所述被检测图像的聚类中心集合，X为所述被检测图像的像素点集合；
步骤3-2：给出所述H(ωk,c,θ)对所述ωk,c的一阶偏导数和二阶偏导数具体计算公式如下：
步骤3-3：由于明显大于零，则在为零时给出H(ωk,c,θ)取极小值时ωk,c的优化取值具体计算公式如下：
步骤3-4：对于像素点(ik,jk)，选择数值最大且超过权重系数门限τ对应的c作为需要加入的类，则将该类的聚类中心(ic,jc)色码相对应的颜色作为该类的颜色；若某些像素点无法归类，重新设置聚类中心至将所有的像素点归类，则完成表面瑕疵图像检测。
CN202310646755.8A 2023-06-02 2023-06-02 一种面向多功能分选系统的表面瑕疵图像检测方法 Active CN116645354B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310646755.8A CN116645354B (zh) 2023-06-02 2023-06-02 一种面向多功能分选系统的表面瑕疵图像检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310646755.8A CN116645354B (zh) 2023-06-02 2023-06-02 一种面向多功能分选系统的表面瑕疵图像检测方法

Publications (2)

Publication Number Publication Date
CN116645354A CN116645354A (zh) 2023-08-25
CN116645354B true CN116645354B (zh) 2024-08-30

Family

ID=87618588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310646755.8A Active CN116645354B (zh) 2023-06-02 2023-06-02 一种面向多功能分选系统的表面瑕疵图像检测方法

Country Status (1)

Country Link
CN (1) CN116645354B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018838A (zh) * 2022-08-08 2022-09-06 和诚精密管业(南通)有限公司 用于被氧化钢管材料表面麻点瑕疵的识别方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809651B (zh) * 2014-12-16 2019-02-22 吉林大学 基于边缘非相似性对比的图像显著性检测方法
CN105989594B (zh) * 2015-02-12 2019-02-12 阿里巴巴集团控股有限公司 一种图像区域检测方法及装置
CN106778635A (zh) * 2016-12-19 2017-05-31 江苏慧眼数据科技股份有限公司 一种基于视觉显著性的人体区域检测方法
US10423855B2 (en) * 2017-03-09 2019-09-24 Entit Software Llc Color recognition through learned color clusters
CN113469270B (zh) * 2021-07-16 2023-08-11 西安邮电大学 基于分解多目标差分进化超像素的半监督直觉聚类方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018838A (zh) * 2022-08-08 2022-09-06 和诚精密管业(南通)有限公司 用于被氧化钢管材料表面麻点瑕疵的识别方法

Also Published As

Publication number Publication date
CN116645354A (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN108549891B (zh) 基于背景与目标先验的多尺度扩散显著目标检测方法
CN102289680B (zh) 图像中肤色区域的分割方法和装置
CN106295656B (zh) 基于图像色块内容的图像轮廓特征提取方法和装置
CN107392919B (zh) 基于自适应遗传算法的灰度阈值获取方法、图像分割方法
CN106851437A (zh) 一种提取视频摘要的方法
Huang et al. Foreground/background segmentation of color images by integration of multiple cues
CN108960404B (zh) 一种基于图像的人群计数方法及设备
CN103366178A (zh) 一种用于对目标图像进行颜色分类的方法与设备
CN109145848B (zh) 一种麦穗计数方法
CN109063619A (zh) 一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通信号灯检测方法和系统
CN106651966B (zh) 图片颜色识别方法和系统
US8953877B2 (en) Noise estimation for images
CN111476153A (zh) 一种水果成熟度计算方法
CN108230340A (zh) 一种基于mmtd的slic超像素提取权值确定方法及超像素提取方法
CN102509097A (zh) 一种图像分割方法和装置
CN106373096A (zh) 一种多特征权值自适应的阴影消除方法
CN111339924A (zh) 一种基于超像素和全卷积网络的极化sar图像分类方法
CN114745532A (zh) 混合色温场景白平衡处理方法、装置、存储介质及终端
CN100565584C (zh) 一种具有纠偏性的自然图像抠图的全局优化方法
CN106228172B (zh) 基于聚类分析的破损绝缘子图像提取方法
CN116645354B (zh) 一种面向多功能分选系统的表面瑕疵图像检测方法
CN104299234B (zh) 视频数据中雨场去除的方法和系统
CN113240017A (zh) 一种基于注意力机制的多光谱和全色图像分类方法
CN115984546B (zh) 一种针对固定场景的异常检测用的样本底库生成方法
CN110020673A (zh) 一种hsv色彩空间颜色识别与噪声过滤的方法

Legal Events

Date Code Title Description
CB02 Change of applicant information

Address after: 341600 No. 9, Shuanglong Avenue, High tech Zone, Xinfeng County, Ganzhou, Jiangxi Province

Applicant after: Lvmeng Technology Co.,Ltd.

Address before: 341600 Chengxin Avenue, Industrial Park, Xinfeng County, Ganzhou City, Jiangxi Province

Applicant before: JIANGXI REEMOON TECHNOLOGY HOLDINGS Co.,Ltd.

CB02 Change of applicant information
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