CN116703251B - 基于人工智能的胶圈生产质量检测方法 - Google Patents
基于人工智能的胶圈生产质量检测方法 Download PDFInfo
- Publication number
- CN116703251B CN116703251B CN202310986324.6A CN202310986324A CN116703251B CN 116703251 B CN116703251 B CN 116703251B CN 202310986324 A CN202310986324 A CN 202310986324A CN 116703251 B CN116703251 B CN 116703251B
- Authority
- CN
- China
- Prior art keywords
- production quality
- pixel point
- quality defect
- target pixel
- rubber ring
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 185
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 12
- 230000007547 defect Effects 0.000 claims abstract description 188
- 230000005856 abnormality Effects 0.000 claims abstract description 83
- 230000002159 abnormal effect Effects 0.000 claims abstract description 49
- 238000001914 filtration Methods 0.000 claims abstract description 32
- 238000012216 screening Methods 0.000 claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 238000010586 diagram Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 42
- 238000012545 processing Methods 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 11
- 230000012010 growth Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000002950 deficient Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000007789 sealing Methods 0.000 description 3
- 230000003746 surface roughness Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000000463 material 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
- 238000011002 quantification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000035040 seed growth Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- G06T7/90—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
- G06V10/70—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
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理领域,具体涉及基于人工智能的胶圈生产质量检测方法,包括:获取胶圈滤波图像;根据目标像素点的邻域相似度和目标像素点在全局中的相似性差异累加值得到目标像素点的生产质量缺陷异常可能性;根据目标像素点的生产质量缺陷异常可能性、窗口大小、目标像素点邻域像素点对应的生产质量缺陷异常可能性筛选系数得到目标像素点的次特征参数,得到次特征参数矩阵;由次特征参数得到次特征参数候选值;由次特征参数候选值得到种子点,并得到胶圈的生产质量缺陷分割图;最后进行生产质量检测。本发明用图像处理对异常像素点提取,提高生产质量检测结果。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于人工智能的胶圈生产质量检测方法。
背景技术
O型密封橡胶圈是一种重要的工业产品,为了保证胶圈的密封性能,产品出厂前需要经过一系列的质量检测,例如最为常见的因为模板分离、材料原因、环境影响以及模具磨损从而导致的胶圈的表面出现凹凸不平的生产质量问题;而胶圈的表面出现凹凸不平的生产质量缺陷对于胶圈的密封性有着极其严重的影响,所以胶圈在出厂之前,需要进行表面凹凸不平的生产质量问题缺陷的检测。
现有技术中对于胶圈的表面凹凸不平一般是使用区域生长算法进行检测分割。而区域生长算法进行胶圈表面凹凸不平的质量缺陷分割的时候,是基于像素点的灰度值相似性进行分割的,如果凹凸不平区域的像素点的灰度值较为相似,利用区域生长算法可以进行较好的检测;但是凹凸不平缺陷内部的像素点具有较高的随机性,即使缺陷内部的相邻的两个像素点的灰度值也是有较大的可能不相似的,利用区域生长算法进行胶圈的表面缺陷分割的时候,往往导致表面的缺陷分割不准确使得胶圈的质量检测存在较大的误差。
发明内容
本发明提供基于人工智能的胶圈生产质量检测方法,以解决现有的问题。
本发明的基于人工智能的胶圈生产质量检测方法采用如下技术方案:
本发明一个实施例提供了基于人工智能的胶圈生产质量检测方法,该方法包括以下步骤:
采集胶圈图像,并对胶圈图像灰度化和滤波预处理得到胶圈滤波图像;
将胶圈滤波图像中任意一个像素点记为目标像素点,根据目标像素点和目标像素点邻域内像素点之间的差异得到目标像素点灰度值的邻域相似度;根据目标像素点灰度值的邻域相似度得到目标像素点灰度值在全局中的相似性差异累加值;根据目标像素点灰度值的邻域相似度和目标像素点灰度值在全局中的相似性差异累加值得到目标像素点的生产质量缺陷异常可能性;
根据目标像素点的生产质量缺陷异常可能性得到生产质量缺陷异常可能性高低判定阈值;
根据生产质量缺陷异常可能性高低判定阈值和目标像素点的生产质量缺陷异常可能性得到目标像素点邻域窗口内像素点对应的生产质量缺陷异常可能性筛选系数;根据目标像素点的生产质量缺陷异常可能性得到目标像素点对应的生产质量缺陷异常可能性筛选系数;根据目标像素点对应的生产质量缺陷异常可能性筛选系数和目标像素点的生产质量缺陷异常可能性得到目标像素点的窗口大小;根据目标像素点的生产质量缺陷异常可能性、目标像素点邻域窗口内像素点对应的生产质量缺陷异常可能性筛选系数和目标像素点的窗口大小得到目标像素点的次特征参数;根据目标像素点的次特征参数得到胶圈滤波图像的次特征参数矩阵;
根据目标像素点的次特征参数得到目标像素点的次特征参数候选值;
根据目标像素点的次特征参数候选值得到种子点;根据种子点和胶圈滤波图像的次特征参数矩阵得到胶圈的生产质量缺陷分割图;
根据胶圈的生产质量缺陷分割图进行对胶圈的生产质量进行检测。
进一步地,所述目标像素点灰度值的邻域相似度具体获取步骤如下:
根据目标像素点的灰度值与目标像素点邻域内的所有像素点灰度值得到差值的平方,记为第一特征数值,获取第一特征数值的均值的倒数,记为目标像素点灰度值的邻域相似度。
进一步地,所述目标像素点灰度值在全局中的相似性差异累加值具体获取步骤如下:
获取胶圈滤波图像中所有和目标像素点灰度值相同的像素点,记为标记像素点;计算所有标记像素点和目标像素点的差值的和,记为目标像素点灰度值在全局中的相似性差异累加值。
进一步地,所述目标像素点的生产质量缺陷异常可能性具体获取步骤如下:
目标像素点的生产质量缺陷异常可能性的公式为:
式中,表示第n个像素点灰度值在全局中的相似性差异累加值,/>表示第n个像素点的生产质量缺陷异常可能性,/>表示第n个像素点的灰度值与其对应的八邻域像素点的灰度值的邻域相似度,/>表示以自然常数为底的指数函数。
进一步地,所述生产质量缺陷异常可能性高低判定阈值具体获取步骤如下:
计算目标像素点的生产质量缺陷异常可能性与胶圈滤波图像中所有像素点的生产质量缺陷异常可能性均值的差值的绝对值,记为第二特征值;再计算胶圈滤波图像中所有第二特征值的均值得到生产质量缺陷异常可能性高低判定阈值。
进一步地,所述目标像素点邻域窗口内像素点对应的生产质量缺陷异常可能性筛选系数具体获取步骤如下:
计算目标像素点邻域窗口内任意一个像素点的生产质量缺陷异常可能性与胶圈滤波图像中所有像素点的生产质量缺陷异常可能性均值的差值的绝对值,记为第三特征值;比较第三特征值与生产质量缺陷异常可能性高低判定阈值之间的大小,当第三特征值大于生产质量缺陷异常可能性高低判定阈值时,目标像素点邻域窗口内像素点对应的生产质量缺陷异常可能性筛选系数为1;当第三特征值小于等于生产质量缺陷异常可能性高低判定阈值时,目标像素点邻域窗口内像素点对应的生产质量缺陷异常可能性筛选系数为0。
进一步地,所述目标像素点的窗口大小具体获取步骤如下:
目标像素点的窗口大小的公式为:
式中,表示第n个像素点的生产质量缺陷异常可能性,N表示胶圈滤波图像中的所有像素点个数,/>表示第/>个像素点对应的生产质量缺陷异常筛选系数,/>表示以第n个像素点为中心的窗口宽度,/>表示向上取整。
进一步地,所述目标像素点的次特征参数具体获取步骤如下:
目标像素点的次特征参数的公式为:
式中,表示第n个像素点的生产质量缺陷异常可能性,/>表示以第/>个像素点作为中心的以大小为/>的窗口内的第/>个像素点的生产质量缺陷异常可能性,/>表示以第n个像素点为中心的窗口内的第i个像素点对应的生产质量缺陷异常可能性筛选系数,/>表示以第n个像素点为中心的窗口内的所有像素点数量,/>表示以第n个像素点为中心的窗口宽度,/>表示第/>个像素点对应的生产质量缺陷异常筛选系数,/>表示第n个像素点的次特征参数。
进一步地,所述目标像素点的次特征参数候选值具体获取步骤如下:
目标像素点的次特征参数候选值的公式为:
式中,表示第n个像素点的次特征参数,N表示胶圈滤波图像中的所有像素点个数,/>表示第n个像素点的次特征参数候选值。
进一步地,所述根据胶圈的生产质量缺陷分割图进行对胶圈的生产质量进行检测,包括的具体步骤如下:
生产质量缺陷分割图中灰度值为1的区域为缺陷区域,统计出胶圈的生产质量缺陷分割图中缺陷区域的所有像素点个数,然后计算缺陷区域的所有像素点个数与胶圈的生产质量缺陷分割图中所有像素点个数的比值,记为生产质量缺陷系数;当生产质量缺陷系数大于异常阈值G时,认为对应的胶圈上生产质量缺陷严重;当生产质量缺陷系数小于等于异常阈值G时,认为对应的胶圈上生产质量缺陷不严重。
本发明的技术方案的有益效果是:相较于现有技术,本发明通过对胶圈的像素点进行次特征矩阵的处理,使得不相似的灰度值在经过次特征参数的计算后也能具有较高的相似度,从而使得区域生长算法进行缺陷分割的时候不会因为像素点的灰度值的相似性过低从而导致胶圈的凹凸不平生产质量缺陷分割不完整。
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为本发明基于人工智能的胶圈生产质量检测方法的步骤流程图。
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基于人工智能的胶圈生产质量检测方法,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人工智能的胶圈生产质量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人工智能的胶圈生产质量检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:通过生产线上布置的相机采集胶圈的表面俯视图像,并对其预处理获得胶圈滤波图像。
需要说明的是,由于要对胶圈的生产质量进行检测,所以需要采集胶圈的图像。而拍摄完成的胶圈图像为防止噪声因素的影响使得检测结果不准确,所以需要对其进行预处理,在去噪过程中为了不影响生产质量的检测,将采用具有较强的保留边缘的能力的中值滤波算法,进行缺陷检测时需要在滤波的同时更好的保留胶圈的边缘。
具体地,首先需要对胶圈的图像进行采集,具体的采集方式为布置工业相机对胶圈图像以俯视垂直的角度进行拍摄,获取胶圈图像,并对其进行灰度化得到灰度图像,然后用中值滤波对灰度图滤波得到胶圈滤波图像。
至此,得到胶圈滤波图像。
步骤S002:对胶圈滤波图像中的像素点进行次特征参数的计算生成胶圈次特征参数矩阵,并选择合适的种子生长点进行生产质量缺陷的分割。
需要说明的是,在胶圈滤波图像中,正常的部分对应的像素点的灰度值是较为相似的,而凹凸不平的生产质量的缺陷部分,其中像素点的灰度值分布具有随机性,而区域生长算法对于胶圈进行凹凸不平的缺陷进行分割的时候,是基于像素点的灰度值的相似性进行分割的,即相似的灰度值对应的像素点会被分割出来,而上述中凹凸不平的生产质量的缺陷部分,像素点的灰度值波动较大,像素点对应的灰度值的相似性较为随机,所以利用区域生长算法对其进行分割的时候往往达不到较好的缺陷检测效果。但是胶圈异常区域的像素点相对正常区域的像素点而言,不论是在空间位置上还是像素点的灰度值上都有着一定的差异,所以本实施例利用此特征,对胶圈的表面图像中的每个像素点进行次特征参数的计算,以次特征参数代替胶圈图像中的像素点的灰度值生成胶圈的次特征参数矩阵,而后利用区域生长算法对胶圈的次特征参数矩阵进行分割,以此来实现胶圈的凹凸不平的生产质量缺陷的检测。
(1)对预处理的胶圈滤波图像中的像素点进行次特征参数的计算生成胶圈次特征参数矩阵。
进一步需要说明的是,区域生长算法对于胶圈表面的凹凸不平生产质量缺陷进行分割不准确的最大问题时因为凹凸不平区域的像素点的灰度值具有高度的随机性,即对应区域的像素点的灰度值是不相似的,而较为异常的像素点与正常的像素点在空间内的灰度值分布是有着一定的差异的,所以本实施例基于此特征对每个像素点进行次特征参数的生成,利用次特征参数对原本胶圈表面图像中的像素点的灰度值进行替代,生成次特征参数矩阵,使得较为异常区域的高度随机性的像素点的灰度值对应的次特征参数具有较高的相似性,在利用区域生长算法进行生产质量缺陷分割的时候可以完整的进行分割。具体过程为:首先对胶圈表面图像中的像素点利用灰度值特征进行像素点的生产质量缺陷异常可能性量化,而后通过空间位置上的像素点生产质量缺陷异常的可能性进行像素点的次特征参数的生成。
具体地,首先进行胶圈表面图像中像素点的生产质量缺陷异常可能性的量化。将胶圈滤波图像中任意一个像素点记为目标像素点,获取胶圈滤波图像中所有和目标像素点灰度值相同的像素点,记为标记像素点。以胶圈滤波图像中的第个像素点为例,其对应的生产质量缺陷异常可能性/>的计算公式如下所示:
式中,表示第n个像素点的灰度值,/>表示以第n个像素点为中心的八邻域内的第m个像素点的灰度值,/>表示第n个像素点的灰度值与其对应的八邻域像素点的灰度值的邻域相似度,简称为第n个像素点的邻域相似度,/>表示和第n个像素点灰度值相同的第/>个像素点,/>表示第/>个像素点的邻域相似度,/>表示和第n个像素点灰度值相同的像素点个数,/>表示第n个像素点灰度值在全局中的相似性差异累加值,/>表示第n个像素点的生产质量缺陷异常可能性。
其中,对于胶圈表面的第个像素点而言,判断其为生产质量缺陷对应的像素点时,本实施例是通过该像素点自身的特征以及整体空间分布的特征综合进行判断的,如上述逻辑说明,一般而言胶圈表面的凹凸不平生产质量缺陷对应的像素点灰度值分布是较为随机的,而正常区域的像素点的灰度值是高度相似的,所以本实施例首先对第/>个像素点与自身邻域内的像素点进行相似性判断,该像素点与自身邻域内的像素点的灰度值相似性越高,则说明其为生产质量缺陷异常的可能性越低,但是因为缺陷区域像素点灰度值高随机性的原因,第/>个像素点存在可能为生产质量缺陷的像素点,但是其与邻域有限域内的像素点的灰度值较为相似,所以本实施例在整体胶圈表面图像中所有的像素点进行量化分析,通过以第/>个像素点对应的灰度值出现的次数占比,以及每次出现与第/>个像素点灰度值相同的像素点的邻域像素点的灰度值相似性与第/>个像素点与邻域像素点的相似性的差异值累加值判断,如果第/>个像素点为正常像素点,那么其对应的灰度值在全局中与周围邻域内像素点的灰度值对应的相似性应该时高度一致的,相似性的差异累加值应该越小,反之的则相反。所以本实施例利用这两个方面建立逻辑关系对第/>个像素是生产缺陷异常的可能性进行量化获得/>,/>越大,说明第/>个像素点是生产质量缺陷异常的可能性越大,反之则相反。
至此,得到所有像素点的生产质量缺陷异常可能性。
首先,通过像素点的生产质量缺陷异常可能性,获取胶圈滤波图像中任意一个像素点的生产质量缺陷异常可能性与胶圈滤波图像中所有像素点的生产质量缺陷异常可能性的平均值的差异的绝对值,记为像素点的第一可能性的差异,再获取胶圈滤波图像中所有像素点的可能性的差异的均值作为生产质量缺陷异常可能性高低判定阈值。具体可用如下公式表示:
式中,表示第n个像素点的生产质量缺陷异常可能性,N表示胶圈滤波图像中的所有像素点个数,/>表示生产质量缺陷异常可能性高低判定阈值。
其次,通过生产质量缺陷异常可能性高低判定阈值,获取胶圈滤波图像中任意一个像素点邻域内的任意像素点与胶圈滤波图像中所有像素点的生产质量缺陷异常可能性的平均值的差异的绝对值,先将其记为像素点的第二可能性的差异,再通过像素点的第二可能性的差异和生产质量缺陷异常可能性高低判定阈值进行判断每个像素点的高低可能性,当像素点的第二可能性的差异大于生产质量缺陷异常可能性高低判定阈值,则表明像素点为高可能性,如果其为高可能性的缺陷异常像素点,则需要对生产质量缺陷异常筛选系数设置为1,当像素点的第二可能性的差异小于等于生产质量缺陷异常可能性高低判定阈值,则表明像素点为低可能性,如果其为高可能性的缺陷异常像素点,则需要对像素点对应的生产质量缺陷异常筛选系数设置为0。具体判别可用如下公式表示为:
式中,表示第n个像素点的生产质量缺陷异常可能性,N表示胶圈滤波图像中的所有像素点个数,/>表示生产质量缺陷异常可能性高低判定阈值,/>表示以第/>个像素点作为中心的窗口内的第/>个像素点的生产质量缺陷异常可能性,/>表示以第n个像素点为中心的窗口内的第i个像素点对应的生产质量缺陷异常可能性筛选系数。
然后通过像素点的生产质量缺陷异常可能性和像素点对应的生产质量缺陷异常可能性筛选系数得到每个像素点对应的窗口大小,可以如下公式表示:
式中,表示第n个像素点的生产质量缺陷异常可能性,N表示胶圈滤波图像中的所有像素点个数,/>表示第/>个像素点对应的生产质量缺陷异常筛选系数,计算方式和相同,/>表示以第n个像素点为中心的窗口宽度,公式中乘10的目的为因为可能性值域为/>,而窗口大小需为大于1的整数,公式中加3的原因为设定的初始窗口大小/>,/>表示向上取整。
最后,当像素点对应的生产质量缺陷异常筛选系数为1时,需要对像素点的次特征参数进行修正;当像素点对应的生产质量缺陷异常筛选系数为0时,不需要对像素点的次特征参数进行修正,直接用像素点的生产质量缺陷异常可能性表示像素点的次特征参数。每个像素点对应的窗口大小、每个像素点的生产质量缺陷异常可能性和每个像素点对应的生产质量缺陷异常可能性筛选系数得到每个像素点的次特征参数。
而后利用胶圈所有像素点的生产质量缺陷异常可能性进行空间位置分析来获得每个像素点的次特征参数,具体以胶圈滤波图像中的第个像素点为例,其对应的次特征参数/>的计算公式如下所示:
式中,表示第n个像素点的生产质量缺陷异常可能性,/>表示以第n个像素点为中心的窗口内的第i个像素点对应的生产质量缺陷异常可能性筛选系数,/>表示第/>个像素点对应的生产质量缺陷异常筛选系数,计算方式和/>相同,/>表示以第n个像素点为中心的窗口内的所有像素点数量,/>表示第n个像素点的次特征参数。
其中,本实施例通过对于第个像素点的次特征参数的生成方式为利用第/>个像素点作为中心,而后通过/>判断第/>个像素点是否为高可能性的缺陷异常像素点,如果其为高可能性的则对其根据其为缺陷异常像素点的可能性大小进行窗口大小的调节获得最终空间位置分析窗口/>,利用该窗口内的所有的高可能性异常像素点对应的可能性对其进行均值求和生成次特征参数/>。在此过程中,首先通过/>去判断第/>个像素为高可能性异常像素点还是低可能性异常像素点;如果第/>个像素点为低可能性的缺陷异常像素点,即大概率为正常像素点,则其对应的次特征参数为原本的生产缺陷异常可能性;如果其为高可能性的缺陷异常像素点,则根据其对应的可能性大小通过调整窗口对其生成次特征参数,如果其对应的缺陷异常可能性越大,则其对应的空间位置分析窗口也就越大,而窗口越大,其进行次特征参数计算时参与的高可能性异常像素点个数也就越多,利用/>进行空间位置分析窗口内的像素点的判断,因为次特征参数的作用是进行异常的分割,所以低可能性的像素点不参与计算,即分析计算完毕之后其生成的次特征参数与邻域内其余的高可能性缺陷异常像素点的次特征参数越相似,利用区域生长算法进行分割缺陷时也就越准确,反之则相反。利用每个像素点对应的可能性与平均可能性进行差异值的总体求取平均值,因为在实际的生产中,表面凹凸不平区域的像素点相较于正常像素点而言是较少的,所以可能性的均值更偏向于正常像素点对应的可能性,所以通过求取每个像素点对应的可能性与可能性均值的差距的平均值,即在/>的区间内大部分为正常的像素点,超过该区间的大部分为异常的像素点。空间位置分析窗口大小:利用第/>个像素点与全局中的高可能性像素点可能性进行差异值计算,该值越大,说明第/>个像素点异常性相较于全局而言更为严重,所以进行特征参数计算式需要用到更多的高异常像素点的可能性对其进行平滑,反之则相反。
利用上述方式可以获得胶圈滤波图像所有像素点对应的次特征参数,而后对所有的次特征参数依据原本像素点的位置进行排列即可获得胶圈表面图像对应的次特征参数矩阵。
至此,胶圈滤波图像的像素点的次特征参数计算完毕,获得了胶圈滤波图像对应的次特征参数矩阵。
(2)在胶圈次特征参数矩阵中选择合适的生长种子,利用区域生长算法进行胶圈凹凸不平生产质量缺陷部位的分割。
上述中获得了胶圈滤波图像的次特征矩阵,现利用区域生长算法对次特征矩阵进行图像分割来获取胶圈滤波图像的凹凸不平区域生长质量缺陷区域。
首先进行区域生长种子点的确认,具体确认方式为计算次特征矩阵中的次特征参数的候选值,以次特征矩阵中的第个次特征参数为例,其对应的次特征参数候选值/>的计算公式如下所示:
式中,表示第n个像素点的次特征参数,N表示胶圈滤波图像中的所有像素点个数,/>表示第n个像素点的次特征参数候选值。
其中,在进行区域生长的种子候选点获取的时候,因为本实施例是对凹凸不平的生产质量缺陷区域进行分割的,所以需要选择的种子点应该为大概率为异常像素点,所以本实施例通过对次特征参数进行计算获得第个次特征参数的候选值,如果该值大于0则说明其在次特征矩阵中较为突出,也就是相较于低可能性的像素点对应的次特征参数;让其作为种子生长点时可以有着较好的分割效果,反之则相反。
而后利用次特征矩阵中的每个次特征参数的次特征参数候选值进行区域生长种子点的选择,具体获取方式为判断每个次特征参数候选值大小,如果其大于0则选择其为种子点,反之则不进行处理。最后利用所有的种子点对次特征矩阵进行区域生长算法的分割,获得分割图像,该图像即为胶圈表面凹凸不平生产质量缺陷图像,记为胶圈的生产质量缺陷分割图。将胶圈的生产质量缺陷分割图中种子点生长的区域灰度值标记为1,记为缺陷区域,则其余区域灰度值标记为0,记为非缺陷区域。
至此,获得了胶圈的生产质量缺陷分割图。
步骤S003:利用胶圈的生产质量缺陷分割图进行生产质量缺陷系数的计算完成胶圈的生产质量检测。
上述中对胶圈的凹凸不平的生产质量缺陷进行了分割,获得了胶圈的生产质量缺陷分割图,现通过进行生产质量缺陷系数的计算进行胶圈的生产质量检测。预设一个异常阈值G,其中本实施例以G=0.5为例进行叙述,本实施例不进行具体限定,其中G可根据具体实施情况而定。具体计算方式为:首先统计出胶圈的生产质量缺陷分割图缺陷区域的所有像素点个数,然后计算缺陷区域的所有像素点个数与胶圈的生产质量缺陷分割图中所有像素点个数的比值,记为生产质量缺陷系数。当生产质量缺陷系数大于异常阈值G时,认为对应的胶圈上生产质量缺陷严重;当生产质量缺陷系数小于等于异常阈值G时,认为对应的胶圈上生产质量缺陷不严重。
至此,本实施例完成。
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 (1)
1.基于人工智能的胶圈生产质量检测方法,其特征在于,该方法包括以下步骤:
采集胶圈图像,并对胶圈图像灰度化和滤波预处理得到胶圈滤波图像;
将胶圈滤波图像中任意一个像素点记为目标像素点,根据目标像素点和目标像素点邻域内像素点之间的差异得到目标像素点灰度值的邻域相似度;根据目标像素点灰度值的邻域相似度得到目标像素点灰度值在全局中的相似性差异累加值;根据目标像素点灰度值的邻域相似度和目标像素点灰度值在全局中的相似性差异累加值得到目标像素点的生产质量缺陷异常可能性;
根据目标像素点的生产质量缺陷异常可能性得到生产质量缺陷异常可能性高低判定阈值;
根据生产质量缺陷异常可能性高低判定阈值和目标像素点的生产质量缺陷异常可能性得到目标像素点邻域窗口内像素点对应的生产质量缺陷异常可能性筛选系数;根据目标像素点的生产质量缺陷异常可能性得到目标像素点对应的生产质量缺陷异常可能性筛选系数;根据目标像素点对应的生产质量缺陷异常可能性筛选系数和目标像素点的生产质量缺陷异常可能性得到目标像素点的窗口大小;根据目标像素点的生产质量缺陷异常可能性、目标像素点邻域窗口内像素点对应的生产质量缺陷异常可能性筛选系数和目标像素点的窗口大小得到目标像素点的次特征参数;根据目标像素点的次特征参数得到胶圈滤波图像的次特征参数矩阵;
根据目标像素点的次特征参数得到目标像素点的次特征参数候选值;
选取次特征参数候选值大于0所对应的像素点作为种子点;根据种子点和胶圈滤波图像的次特征参数矩阵得到胶圈的生产质量缺陷分割图;
根据胶圈的生产质量缺陷分割图进行对胶圈的生产质量进行检测;
所述目标像素点灰度值的邻域相似度具体获取步骤如下:
根据目标像素点的灰度值与目标像素点邻域内的所有像素点灰度值得到差值的平方,记为第一特征数值,获取第一特征数值的均值的倒数,记为目标像素点灰度值的邻域相似度;
所述目标像素点灰度值在全局中的相似性差异累加值具体获取步骤如下:
获取胶圈滤波图像中所有和目标像素点灰度值相同的像素点,记为标记像素点;计算所有标记像素点和目标像素点的差值的和,记为目标像素点灰度值在全局中的相似性差异累加值;
所述目标像素点的生产质量缺陷异常可能性具体获取步骤如下:
目标像素点的生产质量缺陷异常可能性的公式为:
,
式中,表示第n个像素点灰度值在全局中的相似性差异累加值,/>表示第n个像素点的生产质量缺陷异常可能性,/>表示第n个像素点的灰度值与其对应的八邻域像素点的灰度值的邻域相似度,/>表示以自然常数为底的指数函数;
所述生产质量缺陷异常可能性高低判定阈值具体获取步骤如下:
计算目标像素点的生产质量缺陷异常可能性与胶圈滤波图像中所有像素点的生产质量缺陷异常可能性均值的差值的绝对值,记为第二特征值;再计算胶圈滤波图像中所有第二特征值的均值得到生产质量缺陷异常可能性高低判定阈值;
所述目标像素点邻域窗口内像素点对应的生产质量缺陷异常可能性筛选系数具体获取步骤如下:
计算目标像素点邻域窗口内任意一个像素点的生产质量缺陷异常可能性与胶圈滤波图像中所有像素点的生产质量缺陷异常可能性均值的差值的绝对值,记为第三特征值;比较第三特征值与生产质量缺陷异常可能性高低判定阈值之间的大小,当第三特征值大于生产质量缺陷异常可能性高低判定阈值时,目标像素点邻域窗口内像素点对应的生产质量缺陷异常可能性筛选系数为1;当第三特征值小于等于生产质量缺陷异常可能性高低判定阈值时,目标像素点邻域窗口内像素点对应的生产质量缺陷异常可能性筛选系数为0;
所述目标像素点的窗口大小具体获取步骤如下:
目标像素点的窗口大小的公式为:
,
式中,表示第n个像素点的生产质量缺陷异常可能性,N表示胶圈滤波图像中的所有像素点个数,/>表示第/>个像素点对应的生产质量缺陷异常筛选系数,/>表示以第n个像素点为中心的窗口宽度,/>表示向上取整;
所述目标像素点的次特征参数具体获取步骤如下:
目标像素点的次特征参数的公式为:
,
式中,表示第n个像素点的生产质量缺陷异常可能性,/>表示以第/>个像素点作为中心的以大小为/>的窗口内的第/>个像素点的生产质量缺陷异常可能性,/>表示以第n个像素点为中心的窗口内的第i个像素点对应的生产质量缺陷异常可能性筛选系数,/>表示以第n个像素点为中心的窗口内的所有像素点数量,/>表示以第n个像素点为中心的窗口宽度,/>表示第/>个像素点对应的生产质量缺陷异常筛选系数,/>表示第n个像素点的次特征参数;
所述目标像素点的次特征参数候选值具体获取步骤如下:
目标像素点的次特征参数候选值的公式为:
,
式中,表示第n个像素点的次特征参数,N表示胶圈滤波图像中的所有像素点个数,表示第n个像素点的次特征参数候选值;
所述根据胶圈的生产质量缺陷分割图进行对胶圈的生产质量进行检测,包括的具体步骤如下:
生产质量缺陷分割图中灰度值为1的区域为缺陷区域,统计出胶圈的生产质量缺陷分割图中缺陷区域的所有像素点个数,然后计算缺陷区域的所有像素点个数与胶圈的生产质量缺陷分割图中所有像素点个数的比值,记为生产质量缺陷系数;当生产质量缺陷系数大于异常阈值G时,认为对应的胶圈上生产质量缺陷严重;当生产质量缺陷系数小于等于异常阈值G时,认为对应的胶圈上生产质量缺陷不严重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310986324.6A CN116703251B (zh) | 2023-08-08 | 2023-08-08 | 基于人工智能的胶圈生产质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310986324.6A CN116703251B (zh) | 2023-08-08 | 2023-08-08 | 基于人工智能的胶圈生产质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116703251A CN116703251A (zh) | 2023-09-05 |
CN116703251B true CN116703251B (zh) | 2023-11-17 |
Family
ID=87832599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310986324.6A Active CN116703251B (zh) | 2023-08-08 | 2023-08-08 | 基于人工智能的胶圈生产质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703251B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173168B (zh) * | 2023-11-02 | 2024-02-23 | 深圳福禄山科技有限公司 | 基于人工智能的oled显示屏质量检测方法 |
CN117593303B (zh) * | 2024-01-18 | 2024-04-09 | 浙江锦德光电材料有限公司 | 一种量子点光学膜的缺陷检测方法及系统 |
CN117745724B (zh) * | 2024-02-20 | 2024-04-26 | 高唐县瑞景精密机械有限公司 | 基于视觉分析的石材打磨加工缺陷区域分割方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072483A1 (zh) * | 2016-10-17 | 2018-04-26 | 京东方科技集团股份有限公司 | 图像分割方法、图像分割系统和存储介质及包括其的设备 |
CN111932501A (zh) * | 2020-07-13 | 2020-11-13 | 太仓中科信息技术研究院 | 一种基于语义分割的密封圈表面缺陷检测方法 |
WO2021000524A1 (zh) * | 2019-07-03 | 2021-01-07 | 研祥智能科技股份有限公司 | 孔位保护门检测方法、装置、计算机设备和存储介质 |
EP3798975A1 (en) * | 2019-09-29 | 2021-03-31 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method and apparatus for detecting subject, electronic device, and computer readable storage medium |
CN114565607A (zh) * | 2022-04-01 | 2022-05-31 | 南通沐沐兴晨纺织品有限公司 | 基于神经网络的织物缺陷图像分割方法 |
WO2022204788A1 (en) * | 2021-03-29 | 2022-10-06 | Musashi Auto Parts Canada Inc. | System, method, and computer device for automated visual inspection using adaptive region of interest segmentation |
CN115311270A (zh) * | 2022-10-11 | 2022-11-08 | 南通至顺聚氨酯材料有限公司 | 一种塑料制品表面缺陷检测方法 |
CN115457041A (zh) * | 2022-11-14 | 2022-12-09 | 安徽乾劲企业管理有限公司 | 一种道路质量识别检测方法 |
-
2023
- 2023-08-08 CN CN202310986324.6A patent/CN116703251B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072483A1 (zh) * | 2016-10-17 | 2018-04-26 | 京东方科技集团股份有限公司 | 图像分割方法、图像分割系统和存储介质及包括其的设备 |
WO2021000524A1 (zh) * | 2019-07-03 | 2021-01-07 | 研祥智能科技股份有限公司 | 孔位保护门检测方法、装置、计算机设备和存储介质 |
EP3798975A1 (en) * | 2019-09-29 | 2021-03-31 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method and apparatus for detecting subject, electronic device, and computer readable storage medium |
CN111932501A (zh) * | 2020-07-13 | 2020-11-13 | 太仓中科信息技术研究院 | 一种基于语义分割的密封圈表面缺陷检测方法 |
WO2022204788A1 (en) * | 2021-03-29 | 2022-10-06 | Musashi Auto Parts Canada Inc. | System, method, and computer device for automated visual inspection using adaptive region of interest segmentation |
CN114565607A (zh) * | 2022-04-01 | 2022-05-31 | 南通沐沐兴晨纺织品有限公司 | 基于神经网络的织物缺陷图像分割方法 |
CN115311270A (zh) * | 2022-10-11 | 2022-11-08 | 南通至顺聚氨酯材料有限公司 | 一种塑料制品表面缺陷检测方法 |
CN115457041A (zh) * | 2022-11-14 | 2022-12-09 | 安徽乾劲企业管理有限公司 | 一种道路质量识别检测方法 |
Non-Patent Citations (1)
Title |
---|
基于区域亮度自适应校正算法的脐橙表面缺陷检测;张明;王腾;李鹏;邓烈;郑永强;易时来;吕强;孙荣荣;;中国农业科学(12);46-56 * |
Also Published As
Publication number | Publication date |
---|---|
CN116703251A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116703251B (zh) | 基于人工智能的胶圈生产质量检测方法 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN115018828B (zh) | 一种电子元器件的缺陷检测方法 | |
CN115294338A (zh) | 一种叶轮表面缺陷识别方法 | |
CN110648310B (zh) | 基于注意力机制的弱监督铸件缺陷识别方法 | |
CN109685760B (zh) | 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法 | |
CN116091504B (zh) | 基于图像处理的连接管连接头质量检测方法 | |
CN115063409A (zh) | 一种机械刀具表面材质检测方法及系统 | |
CN115311304B (zh) | 一种铁板锈蚀缺陷检测方法 | |
CN116777907A (zh) | 一种钣金件质量检测方法 | |
CN109359604B (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
CN115131359B (zh) | 一种金属加工件表面麻点缺陷检测方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN110749598A (zh) | 一种融合颜色、形状和纹理特征的蚕茧表面缺陷检测方法 | |
CN113469951A (zh) | 一种基于级联区域卷积神经网络的轮毂缺陷检测方法 | |
CN115272336A (zh) | 基于梯度向量的金属零件缺陷精准检测方法 | |
CN116152247A (zh) | 一种聚氨酯涂膜的质量评估方法 | |
CN116309577A (zh) | 一种高强传送带物料智能检测方法及系统 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN116205923A (zh) | 基于x-ray的汽车轮毂内部缺陷无损检测方法 | |
CN114926360A (zh) | 基于噪声估计的图像降噪处理工作方法 | |
CN115423765A (zh) | 一种基于模板图像的晶粒缺陷量化分割方法 | |
CN114937004A (zh) | 一种基于计算机视觉的机械零件表面气孔缺陷检测方法 | |
CN117541832B (zh) | 异常检测方法、系统、电子设备及存储介质 | |
CN117474916B (zh) | 一种图像检测方法、电子设备及存储介质 |
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 |