CN116664559A - 基于机器视觉的内存条损伤快速检测方法 - Google Patents
基于机器视觉的内存条损伤快速检测方法 Download PDFInfo
- Publication number
- CN116664559A CN116664559A CN202310934400.9A CN202310934400A CN116664559A CN 116664559 A CN116664559 A CN 116664559A CN 202310934400 A CN202310934400 A CN 202310934400A CN 116664559 A CN116664559 A CN 116664559A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- pixel points
- target pixel
- memory bank
- obtaining
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000009826 distribution Methods 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 45
- 238000004220 aggregation Methods 0.000 claims description 16
- 230000002776 aggregation Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 12
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract 1
- 238000013527 convolutional neural network Methods 0.000 description 5
- 239000006185 dispersion Substances 0.000 description 3
- 238000003466 welding Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000010187 selection method Methods 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
- 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
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于机器视觉的内存条损伤快速检测方法,包括:根据内存条图像中局部范围内像素点的灰度差异以及相关分布特征,获得像素点的规律性因子以及连续性因子;根据像素点的规律性因子和连续性因子,进行坐标转换和聚类操作,获得若干个第二聚类簇,根据第二聚类簇获取尺度优选程度,根据尺度优选程度大小获得若干个尺度,结合多尺度Retinex算法对内存条图像进行增强,并实现内存条损伤检测。本发明避免了传统的多尺度的Retinex算法由于尺度不合适使得无法增强内存条图像的关键信息,影响图像增强效果的缺点,提高了图像增强效果以及尺度自适应性,进而提高了内存条损伤检测结果的准确性。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于机器视觉的内存条损伤快速检测方法。
背景技术
在当今数字化时代,计算机硬件设备发挥着越来越重要的作用。尤其是内存条,它是计算机中不可或缺的部分,负责临时存储和处理数据。然而,内存条由于生产过程、使用环境、运行时间等多种原因可能会出现损伤,进而影响到整个系统的稳定性和效率;因此,找到一种能够快速准确检测内存条损伤的方法显得尤为重要,工业CT扫描技术通过X射线穿透物体来扫描物体,可以得到物体的内部的三维结构信息,可以实现内存条损伤的快速检测;然而,由于扫描参数设置不当以及本身的成像原理,会造成获取的内存条CT图像不清晰,影响后续的检测效果。
现有技术中通常使用多尺度Retinex算法来增强内存条图像,多尺度Retinex算法能够有效地提高内存条的CT图像的显示效果,增强图像的细节信息,提高损伤检测的准确性;常规多尺度Retinex算法需要根据不同尺度下的高斯滤波的图像处理效果进行叠加,由于尺度选取问题,使得内存条CT图像的关键信息增强效果不理想,导致后续的叠加权重的设置过程中出现误差,影响到处理效果。
本发明提出了一种基于机器视觉的内存条损伤快速检测方法,通过不同尺度下的图像表征信息的能力,获取准确的尺度信息,并且根据尺度信息进行准确的叠加处理,获取对于内存条CT图像的关键信息较为清晰化的图像处理结果,提高内存条损伤的快速检测的准确性。
发明内容
本发明提供基于机器视觉的内存条损伤快速检测方法,以解决现有的问题。
本发明的基于机器视觉的内存条损伤快速检测方法采用如下技术方案:
本发明提供了基于机器视觉的内存条损伤快速检测方法,该方法包括以下步骤:
采集内存条图像;
将内存条图像中任意像素点记为目标像素点;获取内存条图像中所有像素点的梯度方向;获取目标像素点与相邻像素点之间的灰度差异,根据灰度差异大小获得目标像素点的相似像素点;根据目标像素点和相似像素点的梯度方向获得目标像素点的梯度方向曲线;根据梯度方向曲线获得目标像素点的方向聚集性特征,利用目标像素点与相似像素点的平均灰度差异对方向聚集性特征进行调节,获得目标像素点的走向分布特征;根据走向分布特征获得目标像素点的规律性因子;根据目标像素点和相似像素点获得目标像素点的连续性因子;
根据目标像素点的规律性因子和连续性因子,获得第二聚类簇,将第二聚类簇进行组合,获得聚类组合,根据聚类组合所含像素点的数量和灰度值,获得尺度优选程度,根据尺度优选程度的大小获得若干个尺度;
结合尺度对内存条图像进行处理,并实现内存条损伤检测。
进一步的,所述相似像素点获取方法如下:
获取目标像素点与目标像素点的8邻域范围内任意一个像素点之间的灰度差值绝对值,记为灰度差异;
预设灰度差异阈值,将灰度差异小于灰度差异阈值的像素点,记为目标像素点的相似像素点。
进一步的,所述梯度方向曲线获取方法如下:
首先,利用Sobel算子获取内存条图像中所有像素点的梯度方向;
然后,获取目标像素点在8邻域范围中的所有相似像素点,将目标像素点与任意相似像素点所形成直线与水平方向形成的夹角记为特殊角度,将目标像素点在8邻域范围内任意相似像素点记为第一像素点,获取目标像素点与第一像素点对应的特殊角度,记为第一特殊角度,再获取第一像素点在第一像素点的8邻域范围内,与第一特殊角度差值绝对值最小时,第一像素点对应的相似像素点,将第一像素点与第一特殊角度差值绝对值最小时第一像素点对应的相似像素点进行连接,获得对应的直线,依次类推,直到没有相似像素点可选,获得若干个连线,根据连线顺序将像素点对应的梯度方向进行排序,获得梯度方向序列;
最后,构建二维直角坐标系,将梯度方向序列中像素点的序数作为横轴,将像素点的梯度方向作为纵轴;另外,利用线性归一化方法,将梯度方向序列中所有像素点的梯度方向进行归一化处理;根据梯度方向序列中像素点的序数以及梯度方向,获得目标像素点的梯度方向曲线。
进一步的,所述方向聚集性特征获取方法如下:
获取各像素点在梯度方向曲线中对应的斜率,获取梯度方向曲线中斜率连续为正值或连续为负值的数量,记为连续值数量;获得若干个连续值数量,将连续值数量最大值记为梯度方向曲线的斜率特征;
将目标像素点的所有梯度方向曲线中,梯度方向曲线中像素点的数量与梯度方向曲线的斜率特征的比值平均值,记为目标像素点的方向聚集性特征。
进一步的,所述走向分布特征获取方法如下:
获得内存条图像中目标像素点的走向分布特征,具体计算方法为:
其中,表示内存条图像中目标像素点的走向分布特征;/>表示目标像素点的所有相似像素点的数量,/>表示目标像素点的第/>个相似像素点,与目标像素点之间灰度值的差值绝对值;/>表示目标像素点的方向聚集性特征。
进一步的,所述规律性因子获取方法如下:
首先,利用线性归一化方法,对所有走向分布特征进行归一化处理,将归一化后的走向分布特征记为归一化走向分布特征,预设局部范围超参数/>;根据归一化走向分布特征获得任意像素点的局部范围,具体获取方法为:
其中,表示像素点的局部范围;/>表示像素点的归一化走向分布特征;/>表示局部范围超参数;
然后,在目标像素点的局部范围内,获取目标像素点的所有相似像素点,并将所有相似像素点进行相连,围成一个最大面积的区域,记为目标像素点的特殊区域,将特殊区域的最小外接矩形记为目标像素点的像素结构,获得内存条图像中所有像素点的像素结构;
最后,利用DBSCAN聚类算法,根据像素结构的长边和短边的长度比值,对像素结构进行聚类,得到多个聚类簇,记为第一聚类簇,将第一聚类簇中所有的任意两个像素结构的距离平均值,记为第一聚类簇的密度;将目标像素点所在第一聚类簇的密度记为第一密度,将所在第一聚类簇删除目标像素点的像素结构之后第一聚类簇的密度记为第二密度;将第一密度与第二密度之间的比值减1的绝对值,记为目标像素点的规律性因子。
进一步的,所述连续性因子获取方法如下:
首先,通过分析目标像素点与同聚类簇内像素点的局部范围之间的变化,获得目标像素点的连续性因子,具体过程为:在同一个聚类簇中,获取所有像素结构对应的像素点内,与目标像素点的欧氏距离最近的像素点,记为最近像素点,获取目标像素点与最近像素点连线上所经过的像素点,记为目标像素点的经过像素点,将经过像素点的数量记为目标像素点的特殊数量;
然后,目标像素点的连续性因子的具体计算方法为:
其中,表示目标像素点的连续性因子;/>表示目标像素点的经过像素点中,相似像素点的数量;/>表示目标像素点的经过像素点中,相似像素点之间欧式距离的方差;/>表示目标像素点的经过像素点的数量,/>表示自然常数。
进一步的,所述根据尺度优选程度的大小获得若干个尺度,包括的具体步骤如下:
首先,构建二维直角坐标系,将规律性因子作为横轴,将连续性因子作为纵轴,将获取的所有像素点根据规律性因子以及连续性因子,进行坐标转换,获得坐标转换后的数据点;利用DBSCAN聚类算法,对坐标系转换后的数据点进行聚类,获得若干个聚类簇,记为第二聚类簇;
然后,预设高斯函数的标准差参数数值范围,预设迭代步长,则由1开始结合迭代步长进行迭代,将迭代过程中每一个标准差参数作为一个尺度,得到多个尺度;再对内存条图像进行高斯模糊处理,获得若干个内存条模糊图像,每一个内存条模糊图像对应一个尺度,并获得每个尺度对应的内存条模糊图像的若干个第二聚类簇,将任意尺度下的若干个第二聚类簇进行两两组合,获得若干个聚类组合;
最后,尺度优选程度的具体计算方法为:
其中,表示第/>个尺度优选程度;/>表示第/>个尺度下聚类组合的数量;/>表示第/>个聚类组合中第一个第二聚类簇所含像素点的数量,与第/>个聚类组合所含像素点数量比值;/>表示第/>个聚类组合中第一个第二聚类簇所含像素点的灰度值均值;/>表示第/>个尺度下对应内存条模糊图像中所有像素点的灰度值均值;
将优选程度最大的3个尺度作为多尺度的Retinex算法的尺度。
进一步的,所述结合尺度对内存条图像进行处理,包括的具体步骤如下:
结合获得的优选程度最大的3个尺度,利用多尺度Retinex算法对内存条图像进行处理,获得增强图像。
本发明的技术方案的有益效果是:通过采用自适应的尺度的多尺度Retinex算法对内存条的CT图像进行处理,为了获取准确的不同尺度的叠加结果,通过选取多个不同尺度的图像来进行叠加,在确定最优尺度的过程中,为了使得每个尺度中含有不同类别的内存条的CT图像中的关键信息,即同一个尺度下仅含有一个类别的信息,在后续进行叠加的过程种,叠加权重的计算方法更加简单,且最终的叠加效果更好;避免了传统的多尺度Retinex算法中由于尺度选取不合适,使得部分尺度中无法表征内存条CT图像的关键信息,导致后续叠加权重的设置过程中出现误差,影响多尺度Retinex算法的最终处理效果,保证内存条CT图像处理效果更加理想,进而提高了后续通过特征提取,获取识别内存条损伤的检测结果的准确性。
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为本发明基于机器视觉的内存条损伤快速检测方法的步骤流程图;
图2为内存条图像;
图3为增强图像。
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基于机器视觉的内存条损伤快速检测方法,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基于机器视觉的内存条损伤快速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基于机器视觉的内存条损伤快速检测方法的步骤流程图,该方法包括以下步骤:
步骤S001,利用工业CT机采集内存条图像。
利用工业生产线中布置的工业CT机采集内存条的CT图像,记为内存条图像,如图2所示。
步骤S002,根据内存条图像中局部范围内像素点的灰度差异以及相关分布特征,获得像素点的规律性因子以及连续性因子。
本实施例为了确定Retinex算法的最优尺度,首先与内存条图像中每个像素点的规律性因子以及连续性因子有关,然后将每个像素点的规律性因子和连续性因子进行坐标转换,将转换后的点进行聚类分析,得到聚类结果,所获取的聚类结果即为内存条图像中的关键信息。
所述规律性因子反映每个像素点在局部范围内的规律性特征,例如内存条中的焊点以及孔洞是具有规律性特征,焊点的大小以及孔洞的大小具有很强的规律性特征;而像素点的连续性因子反映每个像素点的在一定方向上的连续性,即焊点以及孔洞中的分布位置以及走线等都是在一定方向上连续排列。
由于在分析像素点的规律性因子以及连续性因子的过程中,需要对局部范围内具有相似性的像素点内进行分析,根据内存条自身的结构特征进行分析,根据像素点与周围像素点的走向分布特征进行局部范围的量化,其中走向分布特征越聚集则对应的目标像素点的局部范围越小,走向分布特征越离散则对应的目标像素点的局部范围越大。
所述走向分布特征通过计算像素点的灰度值分布来获取,根据任意像素点与8邻域像素点之间的灰度值相似程度,以及灰度值相似程度大的像素点之间的走向分布特征。
所述的走向分布特征具体获取方法为:
步骤(1),首先利用Sobel算子获取内存条图像中所有像素点的梯度方向,将任意像素点记为目标像素点,则获取目标像素点与目标像素点的任意一个8邻域像素点之间的灰度差值绝对值,记为灰度差异;根据经验预设灰度差异阈值为10,将灰度差异小于灰度差异阈值的8邻域像素点,记为目标像素点的相似像素点;
另外,本事实例中相似像素点存在传递性,即将任意目标像素点的相似像素点记为一级相似像素点,将一级相似像素点在一级相似像素点的8邻域范围内的相似像素点,也是目标像素点的相似像素点;
则获得目标像素点的所有相似像素点,将目标像素点的所有相似像素点的数量记为;
需要说明的是,灰度差异阈值为根据经验预设的超参数,可根据具体情况进行数值调整,本实施例不作具体限定;
然后,获取目标像素点在8邻域范围中的所有相似像素点,将目标像素点与任意相似像素点所形成直线与水平方向形成的夹角记为特殊角度,将目标像素点在8邻域范围内任意相似像素点记为第一像素点,获取目标像素点与第一像素点对应的特殊角度,记为第一特殊角度,再获取第一像素点在第一像素点的8邻域范围内,与第一特殊角度差值绝对值最小时,第一像素点对应的相似像素点,将第一像素点与第一特殊角度差值绝对值最小时第一像素点对应的相似像素点进行连接,获得对应的直线,依次类推,直到没有相似像素点可选,获得若干个连线,根据连线顺序将像素点对应的梯度方向进行排序,获得梯度方向序列;
并构建二维直角坐标系,将梯度方向序列中像素点的序数作为横轴,将像素点的梯度方向作为纵轴;另外,利用线性归一化方法,将梯度方向序列中所有像素点的梯度方向进行归一化处理;则根据梯度方向序列中像素点的序数以及梯度方向,获得梯度方向曲线;
需要说明的是,目标像素点存在若干个相似像素点,因此第一像素点存在若干个,则目标像素点存在若干个梯度方向曲线,一个梯度方向序列对应一个梯度方向曲线;
需要说明的是,当获取连线的过程中,与特殊角度差值绝对值最小时,存在多个相似像素点,本实施例规定选取最靠近左侧的相似像素点,选取方法可根据具体情况进行调整,本实施例不作具体限定;
则任意目标像素点获得若干个梯度方向曲线。
最后,获取任意梯度方向曲线中各像素点对应的斜率,获取梯度方向曲线中斜率连续为正值或连续为负值的数量,记为连续值数量,获得若干个连续值数量,将连续值数量最大值记为梯度方向曲线的斜率特征;根据目标像素点对应的若干个梯度方向曲线,获得任意目标像素点的方向聚集性特征,具体计算方法为:
其中,表示目标像素点的方向聚集性特征;/>表示目标像素点对应梯度方向曲线的数量;/>表示目标像素点的第/>个梯度方向曲线中像素点的数量,/>表示第/>个梯度方向曲线的斜率特征;
其中梯度方向曲线的斜率特征越大,则表明像素点的梯度方向相近的数量也多,则对应的方向聚集性特征越大。
步骤(2),首先,根据目标像素点的相似像素点数量、目标像素点与相似像素点的灰度差异以及方向聚集性特征,获得内存条图像中目标像素点的走向分布特征,具体计算方法为:
其中,表示内存条图像中目标像素点的走向分布特征;/>表示目标像素点的所有相似像素点的数量,/>表示目标像素点的第/>个相似像素点,与目标像素点之间灰度值的差值绝对值;/>表示目标像素点的方向聚集性特征;
通过获取目标像素点与所有相似像素点的灰度值的平均差值绝对值,获取方向聚集性特征的权重值,若灰度值的差值绝对值越大,则表明目标像素点的走向分布特征越准确,进而获取得到目标像素点的走向分布特征越聚集,即对应的走向分布特征越大。
然后,利用线性归一化方法,对所有走向分布特征进行归一化处理,将归一化后的走向分布特征记为归一化走向分布特征;另外,根据经验预设局部范围超参数/>,其中/>表示内存条图像的行数和列数中的最小值,/>表示取整函数;
需要说明的是,局部范围超参数为经验值,可根据具体情况进行调整,本实施例不作具体限定;
根据归一化走向分布特征获得任意像素点的局部范围,具体获取方法为:
其中,表示像素点的局部范围;/>表示像素点的归一化走向分布特征;/>表示局部范围超参数;
需要说明的是,若像素点的局部范围为偶数,则进行加1处理。
最后,在获取像素点的规律性因子的过程中,需要分析每个像素点的局部范围内所有像素点,具体过程为:
在目标像素点的局部范围内,获取目标像素点的所有相似像素点,并将所有相似像素点进行相连,围成一个最大面积的区域,记为目标像素点的特殊区域,将特殊区域的最小外接矩形记为目标像素点的像素结构,获得内存条图像中所有像素点的像素结构;
则一个像素点对应一个像素结构;
利用DBSCAN聚类算法,根据像素结构的长边和短边的长度比值,对像素结构进行聚类,得到多个聚类簇,记为第一聚类簇,将第一聚类簇中所有的任意两个像素结构的距离平均值,记为第一聚类簇的密度;将目标像素点所在第一聚类簇的密度记为第一密度,将所在第一聚类簇删除目标像素点的像素结构之后第一聚类簇的密度记为第二密度;将第一密度与第二密度之间的比值减1的绝对值,记为目标像素点的规律性因子。
步骤(3),首先,通过分析目标像素点与同聚类簇内像素点的局部范围之间的变化,获得目标像素点的连续性因子,具体过程为:在同一个聚类簇中,获取所有像素结构对应的像素点内,与目标像素点的欧氏距离最近的像素点,记为最近像素点,获取目标像素点与最近像素点连线上所经过的像素点,记为目标像素点的经过像素点,将经过像素点的数量记为目标像素点的特殊数量;
需要说明的是,目标像素点的经过像素点中,存在部分经过像素点为目标像素点的相似像素点;
然后,根据经过像素点中相似像素点的数量以及相似像素点的分布特征,获得目标像素点的连续性因子,具体计算方法为:
其中,表示目标像素点的连续性因子;/>表示目标像素点的经过像素点中,相似像素点的数量;/>表示目标像素点的经过像素点中,相似像素点之间欧式距离的方差;/>表示目标像素点的经过像素点的数量,/>表示自然常数。
其中,目标像素点的经过像素点中,相似像素点之间欧式距离的方差越大,表明目标像素点的经过像素点中,相似像素点的空间分布随机性强,即连续性较小。
需要说明的是,当目标像素点的最近像素点存在多个时,将对应的多个连续性因子的平均值,作为目标像素点的连续性因子。
至此,获得内存条图像中每个像素点的规律性因子和连续性因子。
步骤S003,根据像素点的规律性因子和连续性因子,进行坐标转换和聚类操作,获得若干个第二聚类簇,根据第二聚类簇获取尺度优选程度。
首先,构建二维直角坐标系,将规律性因子作为横轴,将连续性因子作为纵轴,将获取的所有像素点根据规律性因子以及连续性因子,进行坐标转换,获得坐标转换后的数据点;
然后,利用DBSCAN聚类算法,对坐标系转换后的数据点进行聚类,获得若干个聚类簇,记为第二聚类簇;
本实施例构建不同尺度对应的优选程度,以反映各第二聚类簇中像素点的离散程度,若离散程度越大,则对应的尺度优选程度越大,越可能作为多尺度Retinex算法的尺度参数。
最后,预设高斯函数的标准差参数数值范围为,预设迭代步长为1,则由1开始进行迭代,将一个标准差参数作为一个尺度,得到多个尺度;再对内存条图像进行高斯模糊处理,获得若干个内存条模糊图像,每一个内存条模糊图像对应一个标准差参数,即对应一个尺度,并结合步骤S002获得每个尺度对应的内存条模糊图像的若干个第二聚类簇;
将任意尺度下的若干个第二聚类簇进行两两组合,获得若干个聚类组合;
例如:存在第二聚类簇为、/>、/>,则聚类组合为/>,/>和/>,聚类组合数量为3。
理想的尺度中各个第二聚类簇中像素点的离散程度较大,即像素点的区分较为明显,则对应尺度优选程度越大。
所述尺度优选程度,具体计算方法为:
其中,表示第/>个尺度优选程度;/>表示第/>个尺度下聚类组合的数量;/>表示第/>个聚类组合中第一个第二聚类簇所含像素点的数量,与第/>个聚类组合所含像素点数量比值;/>表示第/>个聚类组合中第一个第二聚类簇所含像素点的灰度值均值;/>表示第/>个尺度下对应内存条模糊图像中所有像素点的灰度值均值。
优选程度的数值越大,表明对应尺度下内存条模糊图像中像素点的区分明显,则对应尺度优选程度越大。
获得所有尺度优选程度,并选取优选程度最大的3个尺度作为多尺度的Retinex算法的尺度,其中每个尺度的叠加权重本实施例中设置均为三分之一。
至此,获得各个尺度优选程度,并获得多尺度的Retinex算法的尺度。
步骤S004,利用多尺度Retinex算法获得增强图像,并实现内存条损伤检测。
步骤(1),结合获得的优选程度最大的3个尺度,利用多尺度Retinex算法对内存条图像进行处理,获得增强图像,如图3所示,并对增强图像进行Canny边缘检测,获得边缘图像;
步骤(2),获得大量正常的内存条对应的内存条图像,以及不同损伤程度的内存条对应的内存条图像,获得所有内存条图像的边缘图像,并由相关领域专业人员将内存条是否存在损伤,以及具体的损伤程度作为对应边缘图像的人工标签,将带有人工标签的边缘图像作为一个样本,则由大量样本形成用来训练ResNet卷积神经网络的数据集;
步骤(3)将数据集作为ResNet卷积神经网络的输入数据,采用交叉熵损失函数,输出边缘图像的损失检测结果,完成对ResNet卷积神经网络的训练过程,获得训练完成的ResNet卷积神经网络,利用训练完成的ResNet卷积神经网络实现内存条损伤检测。
需要说明的是,本实施例中所用的exp(-x)模型仅用于表示负相关关系和约束模型输出的结果处于区间内,具体实施时,可替换成具有同样目的的其他模型,本实施例只是以exp(-x)模型为例进行叙述,不对其做具体限定,其中x是指该模型的输入。
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 (9)
1.基于机器视觉的内存条损伤快速检测方法,其特征在于,该方法包括以下步骤:
采集内存条图像;
将内存条图像中任意像素点记为目标像素点;获取内存条图像中所有像素点的梯度方向;获取目标像素点与相邻像素点之间的灰度差异,根据灰度差异大小获得目标像素点的相似像素点;根据目标像素点和相似像素点的梯度方向获得目标像素点的梯度方向曲线;根据梯度方向曲线获得目标像素点的方向聚集性特征,利用目标像素点与相似像素点的平均灰度差异对方向聚集性特征进行调节,获得目标像素点的走向分布特征;根据走向分布特征获得目标像素点的规律性因子;根据目标像素点和相似像素点获得目标像素点的连续性因子;
根据目标像素点的规律性因子和连续性因子,获得第二聚类簇,将第二聚类簇进行组合,获得聚类组合,根据聚类组合所含像素点的数量和灰度值,获得尺度优选程度,根据尺度优选程度的大小获得若干个尺度;
结合尺度对内存条图像进行处理,并实现内存条损伤检测。
2.根据权利要求1所述基于机器视觉的内存条损伤快速检测方法,其特征在于,所述相似像素点获取方法如下:
获取目标像素点与目标像素点的8邻域范围内任意一个像素点之间的灰度差值绝对值,记为灰度差异;
预设灰度差异阈值,将灰度差异小于灰度差异阈值的像素点,记为目标像素点的相似像素点。
3.根据权利要求1所述基于机器视觉的内存条损伤快速检测方法,其特征在于,所述梯度方向曲线获取方法如下:
首先,利用Sobel算子获取内存条图像中所有像素点的梯度方向;
然后,获取目标像素点在8邻域范围中的所有相似像素点,将目标像素点与任意相似像素点所形成直线与水平方向形成的夹角记为特殊角度,将目标像素点在8邻域范围内任意相似像素点记为第一像素点,获取目标像素点与第一像素点对应的特殊角度,记为第一特殊角度,再获取第一像素点在第一像素点的8邻域范围内,与第一特殊角度差值绝对值最小时,第一像素点对应的相似像素点,将第一像素点与第一特殊角度差值绝对值最小时第一像素点对应的相似像素点进行连接,获得对应的直线,依次类推,直到没有相似像素点可选,获得若干个连线,根据连线顺序将像素点对应的梯度方向进行排序,获得梯度方向序列;
最后,构建二维直角坐标系,将梯度方向序列中像素点的序数作为横轴,将像素点的梯度方向作为纵轴;另外,利用线性归一化方法,将梯度方向序列中所有像素点的梯度方向进行归一化处理;根据梯度方向序列中像素点的序数以及梯度方向,获得目标像素点的梯度方向曲线。
4.根据权利要求1所述基于机器视觉的内存条损伤快速检测方法,其特征在于,所述方向聚集性特征获取方法如下:
获取各像素点在梯度方向曲线中对应的斜率,获取梯度方向曲线中斜率连续为正值或连续为负值的数量,记为连续值数量;获得若干个连续值数量,将连续值数量最大值记为梯度方向曲线的斜率特征;
将目标像素点的所有梯度方向曲线中,梯度方向曲线中像素点的数量与梯度方向曲线的斜率特征的比值平均值,记为目标像素点的方向聚集性特征。
5.根据权利要求1所述基于机器视觉的内存条损伤快速检测方法,其特征在于,所述走向分布特征获取方法如下:
获得内存条图像中目标像素点的走向分布特征,具体计算方法为:
其中,表示内存条图像中目标像素点的走向分布特征;/>表示目标像素点的所有相似像素点的数量,/>表示目标像素点的第/>个相似像素点,与目标像素点之间灰度值的差值绝对值;/>表示目标像素点的方向聚集性特征。
6.根据权利要求1所述基于机器视觉的内存条损伤快速检测方法,其特征在于,所述规律性因子获取方法如下:
首先,利用线性归一化方法,对所有走向分布特征进行归一化处理,将归一化后的走向分布特征记为归一化走向分布特征,预设局部范围超参数/>;根据归一化走向分布特征获得任意像素点的局部范围,具体获取方法为:
其中,表示像素点的局部范围;/>表示像素点的归一化走向分布特征;/>表示局部范围超参数;
然后,在目标像素点的局部范围内,获取目标像素点的所有相似像素点,并将所有相似像素点进行相连,围成一个最大面积的区域,记为目标像素点的特殊区域,将特殊区域的最小外接矩形记为目标像素点的像素结构,获得内存条图像中所有像素点的像素结构;
最后,利用DBSCAN聚类算法,根据像素结构的长边和短边的长度比值,对像素结构进行聚类,得到多个聚类簇,记为第一聚类簇,将第一聚类簇中所有的任意两个像素结构的距离平均值,记为第一聚类簇的密度;将目标像素点所在第一聚类簇的密度记为第一密度,将所在第一聚类簇删除目标像素点的像素结构之后第一聚类簇的密度记为第二密度;将第一密度与第二密度之间的比值减1的绝对值,记为目标像素点的规律性因子。
7.根据权利要求1所述基于机器视觉的内存条损伤快速检测方法,其特征在于,所述连续性因子获取方法如下:
首先,通过分析目标像素点与同聚类簇内像素点的局部范围之间的变化,获得目标像素点的连续性因子,具体过程为:在同一个聚类簇中,获取所有像素结构对应的像素点内,与目标像素点的欧氏距离最近的像素点,记为最近像素点,获取目标像素点与最近像素点连线上所经过的像素点,记为目标像素点的经过像素点,将经过像素点的数量记为目标像素点的特殊数量;
然后,目标像素点的连续性因子的具体计算方法为:
其中,表示目标像素点的连续性因子;/>表示目标像素点的经过像素点中,相似像素点的数量;/>表示目标像素点的经过像素点中,相似像素点之间欧式距离的方差;/>表示目标像素点的经过像素点的数量,/>表示自然常数。
8.根据权利要求1所述基于机器视觉的内存条损伤快速检测方法,其特征在于,所述根据尺度优选程度的大小获得若干个尺度,包括的具体步骤如下:
首先,构建二维直角坐标系,将规律性因子作为横轴,将连续性因子作为纵轴,将获取的所有像素点根据规律性因子以及连续性因子,进行坐标转换,获得坐标转换后的数据点;利用DBSCAN聚类算法,对坐标系转换后的数据点进行聚类,获得若干个聚类簇,记为第二聚类簇;
然后,预设高斯函数的标准差参数数值范围,预设迭代步长,则由1开始结合迭代步长进行迭代,将迭代过程中每一个标准差参数作为一个尺度,得到多个尺度;再对内存条图像进行高斯模糊处理,获得若干个内存条模糊图像,每一个内存条模糊图像对应一个尺度,并获得每个尺度对应的内存条模糊图像的若干个第二聚类簇,将任意尺度下的若干个第二聚类簇进行两两组合,获得若干个聚类组合;
最后,尺度优选程度的具体计算方法为:
其中,表示第/>个尺度优选程度;/>表示第/>个尺度下聚类组合的数量;/>表示第/>个聚类组合中第一个第二聚类簇所含像素点的数量,与第/>个聚类组合所含像素点数量比值;表示第/>个聚类组合中第一个第二聚类簇所含像素点的灰度值均值;/>表示第/>个尺度下对应内存条模糊图像中所有像素点的灰度值均值;
将优选程度最大的3个尺度作为多尺度的Retinex算法的尺度。
9.根据权利要求1所述基于机器视觉的内存条损伤快速检测方法,其特征在于,所述结合尺度对内存条图像进行处理,包括的具体步骤如下:
结合获得的优选程度最大的3个尺度,利用多尺度Retinex算法对内存条图像进行处理,获得增强图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310934400.9A CN116664559B (zh) | 2023-07-28 | 2023-07-28 | 基于机器视觉的内存条损伤快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310934400.9A CN116664559B (zh) | 2023-07-28 | 2023-07-28 | 基于机器视觉的内存条损伤快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116664559A true CN116664559A (zh) | 2023-08-29 |
CN116664559B CN116664559B (zh) | 2023-11-03 |
Family
ID=87724511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310934400.9A Active CN116664559B (zh) | 2023-07-28 | 2023-07-28 | 基于机器视觉的内存条损伤快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116664559B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116993720A (zh) * | 2023-09-25 | 2023-11-03 | 深圳市希格莱特科技有限公司 | 用于电子烟pcb板的生产缺陷识别方法 |
CN117421620A (zh) * | 2023-12-18 | 2024-01-19 | 北京云摩科技股份有限公司 | 一种张力状态数据的交互方法 |
CN117455916A (zh) * | 2023-12-25 | 2024-01-26 | 山东太阳耐磨件有限公司 | 一种钢板表面缺陷视觉检测方法 |
CN117557820A (zh) * | 2024-01-08 | 2024-02-13 | 浙江锦德光电材料有限公司 | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 |
CN117593301A (zh) * | 2024-01-18 | 2024-02-23 | 深圳市奥斯珂科技有限公司 | 基于机器视觉的内存条损伤快速检测方法及系统 |
CN117788459A (zh) * | 2024-02-23 | 2024-03-29 | 青岛正大正电力环保设备有限公司 | 基于图像特征的链条磨损检测方法 |
CN117808796A (zh) * | 2024-02-23 | 2024-04-02 | 陕西长空齿轮有限责任公司 | 一种基于计算机视觉的齿轮表面损伤检测方法 |
CN118090808A (zh) * | 2024-04-28 | 2024-05-28 | 陕西润泽博泽科技有限公司 | 基于数据处理的油封热稳定性检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090919A (zh) * | 2018-01-02 | 2018-05-29 | 华南理工大学 | 一种基于超像素光流和自适应学习因子改进的核相关滤波跟踪方法 |
WO2022199583A1 (zh) * | 2021-03-26 | 2022-09-29 | 影石创新科技股份有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
WO2023065792A1 (zh) * | 2021-10-22 | 2023-04-27 | 杭州睿胜软件有限公司 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
CN116385448A (zh) * | 2023-06-07 | 2023-07-04 | 深圳市华伟精密陶瓷有限公司 | 基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法 |
WO2023134793A2 (zh) * | 2022-12-13 | 2023-07-20 | 苏州迈创信息技术有限公司 | 基于机器视觉机床零件在线检测方法 |
-
2023
- 2023-07-28 CN CN202310934400.9A patent/CN116664559B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090919A (zh) * | 2018-01-02 | 2018-05-29 | 华南理工大学 | 一种基于超像素光流和自适应学习因子改进的核相关滤波跟踪方法 |
WO2022199583A1 (zh) * | 2021-03-26 | 2022-09-29 | 影石创新科技股份有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
WO2023065792A1 (zh) * | 2021-10-22 | 2023-04-27 | 杭州睿胜软件有限公司 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
WO2023134793A2 (zh) * | 2022-12-13 | 2023-07-20 | 苏州迈创信息技术有限公司 | 基于机器视觉机床零件在线检测方法 |
CN116385448A (zh) * | 2023-06-07 | 2023-07-04 | 深圳市华伟精密陶瓷有限公司 | 基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
李兆霞;王滢;吴佰建;王春苗;陈志文;: "桥梁结构劣化与损伤过程的多尺度分析方法及其应用", 固体力学学报, no. 06, pages 152 - 177 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116993720B (zh) * | 2023-09-25 | 2024-01-09 | 深圳市希格莱特科技有限公司 | 用于电子烟pcb板的生产缺陷识别方法 |
CN116993720A (zh) * | 2023-09-25 | 2023-11-03 | 深圳市希格莱特科技有限公司 | 用于电子烟pcb板的生产缺陷识别方法 |
CN117421620B (zh) * | 2023-12-18 | 2024-02-27 | 北京云摩科技股份有限公司 | 一种张力状态数据的交互方法 |
CN117421620A (zh) * | 2023-12-18 | 2024-01-19 | 北京云摩科技股份有限公司 | 一种张力状态数据的交互方法 |
CN117455916A (zh) * | 2023-12-25 | 2024-01-26 | 山东太阳耐磨件有限公司 | 一种钢板表面缺陷视觉检测方法 |
CN117455916B (zh) * | 2023-12-25 | 2024-03-15 | 山东太阳耐磨件有限公司 | 一种钢板表面缺陷视觉检测方法 |
CN117557820A (zh) * | 2024-01-08 | 2024-02-13 | 浙江锦德光电材料有限公司 | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 |
CN117557820B (zh) * | 2024-01-08 | 2024-04-16 | 浙江锦德光电材料有限公司 | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 |
CN117593301A (zh) * | 2024-01-18 | 2024-02-23 | 深圳市奥斯珂科技有限公司 | 基于机器视觉的内存条损伤快速检测方法及系统 |
CN117593301B (zh) * | 2024-01-18 | 2024-04-30 | 深圳市奥斯珂科技有限公司 | 基于机器视觉的内存条损伤快速检测方法及系统 |
CN117788459A (zh) * | 2024-02-23 | 2024-03-29 | 青岛正大正电力环保设备有限公司 | 基于图像特征的链条磨损检测方法 |
CN117808796A (zh) * | 2024-02-23 | 2024-04-02 | 陕西长空齿轮有限责任公司 | 一种基于计算机视觉的齿轮表面损伤检测方法 |
CN117788459B (zh) * | 2024-02-23 | 2024-04-30 | 青岛正大正电力环保设备有限公司 | 基于图像特征的链条磨损检测方法 |
CN117808796B (zh) * | 2024-02-23 | 2024-05-28 | 陕西长空齿轮有限责任公司 | 一种基于计算机视觉的齿轮表面损伤检测方法 |
CN118090808A (zh) * | 2024-04-28 | 2024-05-28 | 陕西润泽博泽科技有限公司 | 基于数据处理的油封热稳定性检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116664559B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN115861135B (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
CN110378313B (zh) | 细胞团识别方法、装置及电子设备 | |
CN111723721A (zh) | 基于rgb-d的三维目标检测方法、系统及装置 | |
CN110472479B (zh) | 一种基于surf特征点提取和局部lbp编码的指静脉识别方法 | |
CN110070531B (zh) | 用于检测眼底图片的模型训练方法、眼底图片的检测方法及装置 | |
CN111369523B (zh) | 显微图像中细胞堆叠的检测方法、系统、设备及介质 | |
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 | |
CN117333489B (zh) | 一种薄膜破损检测装置及检测系统 | |
CN108596176B (zh) | 一种对提取的硅藻区域进行硅藻类型识别方法及装置 | |
CN111783885A (zh) | 一种基于局部增强的毫米波图像的质量分类模型构建方法 | |
CN113516619A (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN117314901B (zh) | 一种尺度自适应的芯片检测神经网络系统 | |
CN104268550A (zh) | 特征提取方法及装置 | |
CN117315670A (zh) | 一种基于计算机视觉的水表读数区域检测方法 | |
US10115195B2 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
CN116703895A (zh) | 基于生成对抗网络的小样本3d视觉检测方法及其系统 | |
CN108985294B (zh) | 一种轮胎模具图片的定位方法、装置、设备及存储介质 | |
CN111160142A (zh) | 一种基于数值预测回归模型的证件票据定位检测方法 | |
CN114548250A (zh) | 一种基于数据分析的手机外观检测方法及装置 | |
CN112801950A (zh) | 一种基于几何失真度量的图像适配质量评价方法 | |
CN117635615B (zh) | 基于深度学习实现冲孔模具的缺陷检测方法及系统 |
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 |