CN116703903B - 一种基于机器视觉的锚杆修复质量检测方法 - Google Patents
一种基于机器视觉的锚杆修复质量检测方法 Download PDFInfo
- Publication number
- CN116703903B CN116703903B CN202310973487.0A CN202310973487A CN116703903B CN 116703903 B CN116703903 B CN 116703903B CN 202310973487 A CN202310973487 A CN 202310973487A CN 116703903 B CN116703903 B CN 116703903B
- Authority
- CN
- China
- Prior art keywords
- anchor rod
- point
- contour
- gray
- pixel point
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000010586 diagram Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims description 56
- 230000002159 abnormal effect Effects 0.000 claims description 33
- 238000004891 communication Methods 0.000 claims description 13
- 238000013441 quality evaluation Methods 0.000 claims description 7
- 238000005286 illumination Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 230000000007 visual effect Effects 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (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)
Abstract
本发明涉及图像处理领域,具体涉及一种基于机器视觉的锚杆修复质量检测方法,采集锚杆灰度图像和边缘轮廓二值图;根据锚杆灰度图像中各像素点邻域窗口内像素点的灰度信息得到各像素点的锚杆区域优势;根据边缘轮廓二值图中各轮廓点及周围轮廓点的斜率得到各轮廓点的锚杆形变指数;根据锚杆灰度图像中各像素点的锚杆区域优势及边缘轮廓二值图中各轮廓点的锚杆形变指数得到锚杆灰度图像中各像素点的锚杆形貌估计;根据锚杆灰度图像及标准锚杆模板图像中各像素点的锚杆形貌估计得到锚杆灰度图像中各滑动窗口的锚杆差异估计。实现了锚杆修复质量检测,消除了光照、锚杆表面纹理对检测锚杆质量的影响,提升算法的鲁棒性,有较高检测精度。
Description
技术领域
本申请涉及图像处理领域,具体涉及一种基于机器视觉的锚杆修复质量检测方法。
背景技术
随着智能化矿井建设的不断推进以及企业节支降耗的推崇,回收锚杆的修复利用对企业修旧利废的宗旨也具有重要意义。现有的主要修复方式是人工锤砸和机械拉伸两种修复方法,但是这两种修复方法各有其缺点。而使用锚杆压直机对回收的锚杆进行修复可以很大程度节约人工成本和采购成本,同时锚杆压直机对锚杆是挤压式修复,不会对锚杆的抗拉强度造成破坏,且不用提前对锚杆整形,这种锚杆压直机修复率高。为了进一步检测锚杆压直机对锚杆的修复质量是否达到符合继续使用的标准,需要对锚杆进行质量检测。
传统的基于机器视觉的锚杆质量检测方法根据图像中锚杆的灰度值来对待检测锚杆与标准锚杆进行模板匹配,但是这种方法对于表面复杂、纹理特征丰富的锚杆来说并不能准确检测锚杆的修复质量,且光照对锚杆表面灰度值影响较大,算法鲁棒性较差。
本发明提出一种基于机器视觉的锚杆修复质量检测方法,通过采用模板匹配技术对修复后的锚杆表面进行特征分析,结合锚杆形变指数与标准锚杆进行匹配,评估了锚杆修复后质量的优劣,避免了因锚杆表面复杂、纹理特征丰富导致匹配结果不准确的问题,降低了光照对算法的鲁棒性的影响,提升了匹配算法的准确率。
发明内容
为了解决上述技术问题,本发明提供一种基于机器视觉的锚杆修复质量检测方法,以解决现有的问题。
本发明的一种基于机器视觉的锚杆修复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一种基于机器视觉的锚杆修复质量检测方法,该方法包括以下步骤:
采集锚杆灰度图像;通过对锚杆灰度图像使用Canny算子得到锚杆边缘轮廓二值图;
根据锚杆灰度图像中各像素点邻域窗口内像素点的灰度值得到各像素点的异常点数量;根据锚杆灰度图像中各像素点的异常点得到各像素点的灰度信息;根据锚杆灰度图像中各像素点的异常点数量及灰度信息得到各像素点的锚杆区域优势;根据锚杆边缘轮廓二值图中各轮廓点的法线以及各轮廓点所在连通域边缘获取各轮廓点对应的目标轮廓点;根据锚杆边缘轮廓二值图中各轮廓点及对应目标轮廓点得到与所在连通域对侧边缘点连线的距离信息;根据锚杆边缘轮廓二值图中各轮廓点的左、右两侧的轮廓点及目标轮廓点的斜率和距离信息得到各轮廓点的锚杆形变指数;根据锚杆灰度图像中各像素点的锚杆区域优势及锚杆边缘轮廓二值图中各轮廓点的锚杆形变指数得到锚杆灰度图像中各像素点的锚杆形貌估计;
根据锚杆灰度图像中各像素点及标准锚杆模板图像中各像素点的锚杆形貌估计得到锚杆灰度图像中各滑动窗口的锚杆差异估计;根据锚杆灰度图像中各滑动窗口的锚杆差异估计及锚杆质量阈值得到锚杆灰度图像中各滑动窗口的锚杆修复质量评价结果。
优选的,根据锚杆灰度图像中各像素点邻域窗口内像素点的灰度值得到各像素点的异常点数量的表达式为:
式中,为统计所取邻域窗口中符合括号内条件的像素点的数量,/>为锚杆灰度图像中各像素点的灰度值,/>为各像素点邻域窗口内第/>个像素点的灰度值,/>为各像素点邻域窗口内所有像素点灰度值均值,/>为锚杆灰度图像中各像素点的异常点数量。
优选的,根据锚杆灰度图像中各像素点的异常点得到各像素点的灰度信息的具体方法为:
根据锚杆灰度图像中各像素邻域窗口内的异常点,计算异常点与非异常点之间的灰度差值,得到各像素点的灰度信息。
优选的,根据锚杆灰度图像中各像素点的异常点数量及灰度信息得到各像素点的锚杆区域优势的表达式为:
式中,为以/>为底的指数函数,/>为锚杆灰度图像中各像素点邻域窗口大小,/>为锚杆灰度图像中各像素点邻域窗口内符合灰度值差距在一定范围之外的异常点数量,/>为锚杆灰度图像中各像素点的灰度值,/>为锚杆灰度图像中各像素点邻域窗口内与窗口中心像素点灰度值差距较大的/>个像素点中的第/>个像素点的灰度值,/>为锚杆灰度图像中各像素点邻域窗口内与窗口中心像素点灰度值差距较小的/>个像素点中的第/>个像素点的灰度值,/>为锚杆灰度图像中各像素点的锚杆区域优势。
优选的,根据锚杆边缘轮廓二值图中各轮廓点的法线以及各轮廓点所在连通域边缘获取各轮廓点对应的目标轮廓点的具体方法为:
针对锚杆边缘轮廓二值图中的每个轮廓点,计算各轮廓点切线垂直的法线,每条法线与其对应的各轮廓点所在连通域边缘相交的点记为目标轮廓点。
优选的,根据锚杆边缘轮廓二值图中各轮廓点及对应目标轮廓点得到与所在连通域对侧边缘点连线的距离信息的具体方法为:
根据锚杆边缘轮廓二值图中各轮廓点与对应目标轮廓点的连线得到各轮廓点的第一距离;
根据各轮廓点对应目标轮廓点切线垂直的法线与所在连通域对侧边缘线上相交的点的连线得到各轮廓点的第二距离;
将锚杆边缘轮廓二值图中各轮廓点的第一距离和第二距离作为各轮廓点的距离信息。
优选的,根据锚杆边缘轮廓二值图中各轮廓点的左、右两侧的轮廓点及目标轮廓点的斜率和距离信息得到各轮廓点的锚杆形变指数的表达式为:
式中,为锚杆边缘轮廓二值图中各轮廓点的切线斜率,/>为与各轮廓点切线垂直的法线相交于其所在连通域边缘的目标轮廓点的切线斜率,/>、/>分别为与各轮廓点相邻的左、右两侧的轮廓点的切线斜率,/>为各轮廓点的切线垂直的法线相交于所在连通域边缘的对侧轮廓点之间的距离,/>为与其对应的目标轮廓点的切线垂直的法线相交于所在连通域边缘的对侧轮廓点之间的距离,/>为锚杆边缘轮廓二值图中各轮廓点的锚杆形变指数。
优选的,根据锚杆灰度图像中各像素点的锚杆区域优势及锚杆边缘轮廓二值图中各轮廓点的锚杆形变指数得到锚杆灰度图像中各像素点的锚杆形貌估计的表达式为:
式中,为锚杆灰度图像中各像素点的锚杆区域优势,/>为锚杆边缘轮廓二值图中各轮廓点的锚杆形变指数,/>表示锚杆边缘轮廓二值图中的像素点集合,/>表示锚杆灰度图像中的各像素点,/>为锚杆灰度图像中各像素点的锚杆形貌估计。
优选的,根据锚杆灰度图像中各像素点及标准锚杆模板图像中各像素点的锚杆形貌估计得到锚杆灰度图像中各滑动窗口的锚杆差异估计的表达式为:
式中,为标准锚杆模板的像素点行数,/>为标准锚杆模板的像素点列数,为锚杆灰度图像中第/>个滑动窗口中第/>行第/>列像素点的锚杆形貌估计,/>为标准锚杆模板图像中第/>行第/>列像素点的锚杆形貌估计,/>为锚杆灰度图像中第/>个滑动窗口的锚杆差异估计。
优选的,根据锚杆灰度图像中各滑动窗口的锚杆差异估计及锚杆质量阈值得到锚杆灰度图像中各滑动窗口的锚杆修复质量评价结果的具体方法为:
根据锚杆灰度图像中各滑动窗口与标准锚杆模板进行模板匹配得到的锚杆灰度图像中各滑动窗口的锚杆差异估计,并设置锚杆质量阈值,将锚杆灰度图像中各滑动窗口的锚杆差异估计小于锚杆质量阈值的滑动窗口标记为质量较好的锚杆,得到锚杆灰度图像中各滑动窗口所对应的锚杆修复质量评价结果。
本发明至少具有如下有益效果:
本发明方法可实现对锚杆修复情况进行质量检测,通过采用模板匹配技术对修复后的锚杆表面进行特征分析,结合锚杆形变指数与标准锚杆进行匹配,评估了锚杆修复后质量的优劣,避免了因锚杆表面复杂、纹理特征丰富导致匹配结果不准确的问题,降低了光照对算法的鲁棒性的影响,提升了匹配算法的准确率;
本发明结合锚杆灰度图像中各像素点的异常点数量及灰度信息得到各像素点的锚杆区域优势,不针对锚杆表面的螺纹等细节纹理进行分析,消除了光照、因拍摄时未调整好与标准锚杆模板相同角度的螺纹纹理等细节在灰度上的影响,提升了算法的鲁棒性;根据锚杆的边缘轮廓二值图中各轮廓点与所在连通域内目标轮廓点及左、右两侧相邻轮廓点的斜率和距离得到边缘轮廓二值图中各轮廓点的锚杆形变指数,对锚杆灰度图像中各像素点的锚杆区域优势结合锚杆的边缘轮廓二值图中各轮廓点的锚杆形变指数得到锚杆灰度图像中各像素点的锚杆形貌估计,针对锚杆修复后形状的边缘更进一步分析,提高了算法检测锚杆修复质量的准确性。
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和优点,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的介绍,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它附图。
图1为本发明提供的一种基于机器视觉的锚杆修复质量检测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于机器视觉的锚杆修复质量检测方法,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一种基于机器视觉的锚杆修复质量检测方法的具体方案。
本发明一个实施例提供的一种基于机器视觉的锚杆修复质量检测方法。
具体的,提供了如下的一种基于机器视觉的锚杆修复质量检测方法,请参阅图1,该方法包括以下步骤:
步骤S001,通过CCD相机采集修复后的锚杆图像,采用中值滤波技术对图像去噪。
本实施例旨在针对经过锚杆压直机修复后的锚杆进行质量检测,利用模板匹配算法获取修复后锚杆图像与标准锚杆图像的匹配结果,基于图像匹配结果得到锚杆修复质量的检测结果。
首先,使用CCD相机采集得到锚杆RGB图像,将锚杆RGB图像转换为锚杆灰度图像。对锚杆灰度图像进行预处理,选用中值滤波方法对图像进行处理,消除噪声和部分外界干扰造成的影响,同时保留图像的边缘信息,增强后续分析的准确性。需要说明的是,图像采集设备包括相机、光源以及放置台等。需要说明的是,图像采集过程中相机的角度以及拍摄范围实施者根据实际情况而定,本实施例中图像采集设备中的相机俯视拍摄锚杆表面的图像。
至此,通过图像采集设备获取锚杆灰度图像,以便基于视觉特征对锚杆修复后的情况进行分析以及特征提取。
步骤S002,对修复后的锚杆进行特征分析,构建锚杆形貌特征指标。
由于锚杆的颜色与背景的差别较为明显,且锚杆边缘像素点周围的灰度值具有一定的分布规律,即锚杆边缘点周围邻域内的像素点与锚杆边缘点的灰度值具有数值上十分接近的相似灰度值。
针对这种情况,对锚杆灰度图像中的每个像素点,计算各像素点邻域窗口内剩余像素点与该像素点的灰度值差距较大的像素点数量,/>为实施者自行设定,这里设定为/>。由此得到锚杆灰度图像中每个像素点的异常点数量/>,表达式为:
式中,为统计所取邻域窗口中符合括号内条件的像素点的数量,/>为锚杆灰度图像中各像素点的灰度值,/>为各像素点邻域窗口内第/>个像素点的灰度值,/>为各像素点邻域窗口内所有像素点灰度值均值,/>为锚杆灰度图像中各像素点的异常点数量。如果锚杆灰度图像中各像素点邻域窗口内第/>个像素点的灰度值与窗口中心像素点灰度值差值的绝对值比窗口中心像素点灰度值与邻域窗口内所有像素点灰度值均值差值的绝对值还要大时,表示该像素点邻域窗口内有/>个像素点与该像素点灰度值差距较大,即有/>个像素点与该像素点不属于同一区域内,说明该像素点越大可能为锚杆边缘点。
重复上述方法,获取锚杆灰度图像中每个像素点的异常点数量;
由于相比较于锚杆内部纹理来说,光照等其他因素对锚杆表面纹理产生较大的影响,如果只考虑锚杆表面的灰度就会导致算法鲁棒性较差。且锚杆表面会出现一些螺纹,如果在拍摄前未按照标准锚杆模板图像中的螺纹形状准确放置,就会使得模板匹配结果出现误差。所以针对锚杆灰度图像中纹理细节并不能够准确检测锚杆质量,而针对锚杆表面的区域情况,在灰度的基础上构建锚杆区域优势,就能更好凸显锚杆区域相较于背景区域的优势情况。
针对这种情况,计算锚杆灰度图像中各像素点邻域窗口内异常点数量以及灰度信息来判断像素点是否为锚杆边缘点或锚杆内部像素点。由此得到锚杆灰度图像中每个像素点的锚杆区域优势,表达式为:
式中,为以/>为底的指数函数,/>为锚杆灰度图像中各像素点邻域窗口大小,/>为锚杆灰度图像中各像素点邻域窗口内符合灰度值差距在一定范围之外的异常点数量,/>为锚杆灰度图像中各像素点的灰度值,/>为锚杆灰度图像中各像素点邻域窗口内与窗口中心像素点灰度值差距较大的/>个像素点中的第/>个像素点的灰度值,/>为锚杆灰度图像中各像素点邻域窗口内与窗口中心像素点灰度值差距较小的/>个像素点中的第/>个像素点的灰度值,/>为锚杆灰度图像中各像素点的锚杆区域优势。越大,表示与该像素点差距较大的/>个像素点的灰度值和与窗口中心像素点差距较小的/>个像素点的灰度值和之间的差距越大,即/>越大,说明该像素越可能为锚杆边缘点;/>越大,表示当锚杆边缘平滑时,锚杆边缘点邻域窗口内至少有大于估计值/>的异常点数量,而异常点数量越大就说明该像素点越可能为锚杆边缘点,同时锚杆内部会存在螺纹状纹理,即当该像素点位于锚杆内部时异常点数量也相对于背景区域较大,通过计算该像素点邻域窗口内的异常点数量与估计值之间的差值/>,小于0时说明该像素点可能为背景区域,大于0时,值越接近0说明该像素点可能为锚杆内部区域,值越大即/>越大,说明该像素点可能为锚杆边缘区域;/>越小,表示不仅从该像素点邻域窗口来表征该像素点是否为锚杆边缘像素点,还依据该像素点的灰度值来约束该像素点是否为锚杆区域内的像素点。
重复上述方法,获取锚杆灰度图像中每个像素点的锚杆区域优势;
由于在对修复后锚杆的质量进行检测时,相对于锚杆表面的螺纹等复杂的纹理,尤其需要检测锚杆在使用锚杆压直机后的锚杆形变修复效果,而这种形变检测就需要针对锚杆边缘点做进一步计算。
针对这种情况,采用Canny算子提取锚杆灰度图像中锚杆的边缘轮廓二值图,Canny算子为公知技术。针对边缘轮廓二值图中的任意一个轮廓点,首先获取轮廓点的切线斜率,其次获取与轮廓点切线垂直的法线,将此法线与轮廓点所在连通域边缘相交的点作为轮廓点的目标轮廓点,获取目标轮廓点的法线与其所在边缘线的交点,进一步的,分别计算轮廓点与其对应交点、目标轮廓点与其对应交点之间的欧式距离,同时结合与当前轮廓点相邻的左右两侧轮廓点的切线斜率之间的差异,得到锚杆形变指数,表达式为:
式中,为锚杆边缘轮廓二值图中各轮廓点的切线斜率,/>为与各轮廓点切线垂直的法线相交于其所在连通域边缘的目标轮廓点的切线斜率,/>、/>分别为与各轮廓点相邻的左、右两侧的轮廓点的切线斜率,/>为各轮廓点的切线垂直的法线相交于所在连通域边缘的对侧轮廓点之间的距离,/>为与其对应的目标轮廓点的切线垂直的法线相交于所在连通域边缘的对侧轮廓点之间的距离,/>为边缘轮廓二值图中各轮廓点的锚杆形变指数。/>越大,表示当前轮廓点与当前轮廓点相邻的左右两侧的轮廓点、当前轮廓点所在连通域内经过当前轮廓点法线的目标轮廓点之间的斜率差距越大,且当前轮廓点切线垂直的法线与目标轮廓点切线垂直的法线分别相交于所在连通域内的对侧轮廓点之间的距离差距越大,说明当前轮廓点处越大可能出现形变。
重复上述方法,获取锚杆边缘轮廓二值图中每个像素点的锚杆形变指数;
由于在对修复后的锚杆质量进行检测时,重点在于标准锚杆与修复锚杆之间形变程度的评估,可以在灰度以及锚杆纹理的优势下,增加形变指数对锚杆边缘点系数的加权,从而在模板匹配时增加该锚杆边缘点的判别重要性。
针对这种情况,结合锚杆形变指数与锚杆区域优势,得到锚杆灰度图像中每个像素点的锚杆形貌估计,表达式为:
式中,为锚杆灰度图像中各像素点的锚杆区域优势,/>为边缘轮廓二值图中各轮廓点的锚杆形变指数,/>表示边缘轮廓二值图中的像素点集合,/>表示锚杆灰度图像中的各像素点,/>为锚杆灰度图像中各像素点的锚杆形貌估计。如果锚杆灰度图像中的像素点/>不属于边缘轮廓二值图中的像素点集合/>,就判定像素点/>为锚杆边缘的可能性越小,在计算锚杆形貌估计/>时只根据像素点/>邻域窗口内的锚杆区域优势来判断像素点/>是否为锚杆区域;如果锚杆灰度图像中的像素点/>属于边缘轮廓二值图中的像素点集合/>,就判定像素点/>为锚杆边缘的可能性越大,结合锚杆区域优势和锚杆形变指数对像素点/>计算锚杆形貌估计/>。/>越大,表示像素点/>相较于其他非轮廓点,在计算锚杆区域优势的基础上又结合了锚杆发生形变的程度,更准确表征了像素点/>的形貌估计值。
重复上述方法,获取锚杆灰度图像中每个像素点的锚杆形貌估计;
至此,即可提取锚杆灰度图像各像素点的锚杆形貌估计,实现对锚杆修复情况的质量信息进行准确检测。
步骤S003,根据修复后的锚杆形貌特征与标准锚杆进行模板匹配,评估修复后锚杆的质量。
对锚杆灰度图像中每个像素点计算锚杆形貌估计。通过采用相同步长的滑动窗口使得标准锚杆在锚杆灰度图像中左上角第一个像素点为起点,从左到右、从上到下依次进行滑动,根据标准锚杆图像与锚杆灰度图像中的滑动窗口进行模板匹配,BBS模板匹配算法及具体匹配过程可通过现有技术实现。需要说明的是,滑动窗口的步长实施者可自行设定,本发明实施例中将步长设定为1。计算对应像素点之间的锚杆形貌估计差异,得到锚杆灰度图像中每个滑动窗口的锚杆差异估计/>,表达式为:
式中,为标准锚杆模板的像素点行数,/>为标准锚杆模板的像素点列数,为锚杆灰度图像中第/>个滑动窗口中第/>行第/>列像素点的锚杆形貌估计,/>为标准锚杆模板图像中第/>行第/>列像素点的锚杆形貌估计,/>为锚杆灰度图像中第/>个滑动窗口的锚杆差异估计。/>越小,表示锚杆图像第/>个滑动窗口与标准锚杆模板图像之间的差异越小,说明锚杆图像第/>个滑动窗口内的锚杆质量越好。
重复上述方法,获取锚杆灰度图像中各滑动窗口与标准锚杆模板进行匹配得到的锚杆差异估计,并设置锚杆质量阈值/>,将锚杆差异估计小于锚杆质量阈值/>的滑动窗口内标记为修复质量较好的锚杆,得到各滑动窗口所对应的锚杆修复质量评价,完成对锚杆修复质量的检测。需要说明的是,锚杆质量阈值的取值实施者自行设定,本发明实施例将锚杆质量阈值设定为0.2。
至此,可根据本实施例的方法对锚杆修复情况进行质量检测。
综上所述,本发明实施例方法可实现对锚杆修复情况进行质量检测,通过采用BBS模板匹配技术对修复后的锚杆表面进行特征分析,结合锚杆形变指数与标准锚杆进行匹配,评估了锚杆修复后质量的优劣,避免了因锚杆表面复杂、纹理特征丰富导致匹配结果不准确的问题,降低了光照对算法的鲁棒性的影响,提升了匹配算法的准确率。
本发明实施例结合锚杆灰度图像中各像素点的异常点数量及灰度信息得到各像素点的锚杆区域优势,不针对锚杆表面的螺纹等细节纹理进行分析,消除了光照、因拍摄时未调整好与标准锚杆模板相同角度的螺纹纹理等细节在灰度上的影响,提升了算法的鲁棒性;根据锚杆的边缘轮廓二值图中各轮廓点与所在连通域内目标轮廓点及左、右两侧相邻轮廓点的斜率和距离得到边缘轮廓二值图中各轮廓点的锚杆形变指数,对锚杆灰度图像中各像素点的锚杆区域优势结合锚杆的边缘轮廓二值图中各轮廓点的锚杆形变指数得到锚杆灰度图像中各像素点的锚杆形貌估计,针对锚杆修复后形状的边缘更进一步分析,提高了算法检测锚杆修复质量的准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (2)
1.一种基于机器视觉的锚杆修复质量检测方法,其特征在于,该方法包括以下步骤:
采集锚杆灰度图像;通过对锚杆灰度图像使用Canny算子得到锚杆边缘轮廓二值图;
根据锚杆灰度图像中各像素点邻域窗口内像素点的灰度值得到各像素点的异常点数量;根据锚杆灰度图像中各像素点的异常点得到各像素点的灰度信息;根据锚杆灰度图像中各像素点的异常点数量及灰度信息得到各像素点的锚杆区域优势;根据锚杆边缘轮廓二值图中各轮廓点的法线以及各轮廓点所在连通域边缘获取各轮廓点对应的目标轮廓点;根据锚杆边缘轮廓二值图中各轮廓点及对应目标轮廓点得到与所在连通域对侧边缘点连线的距离信息;根据锚杆边缘轮廓二值图中各轮廓点的左、右两侧的轮廓点及目标轮廓点的斜率和距离信息得到各轮廓点的锚杆形变指数;根据锚杆灰度图像中各像素点的锚杆区域优势及锚杆边缘轮廓二值图中各轮廓点的锚杆形变指数得到锚杆灰度图像中各像素点的锚杆形貌估计;
根据锚杆灰度图像中各像素点及标准锚杆模板图像中各像素点的锚杆形貌估计得到锚杆灰度图像中各滑动窗口的锚杆差异估计;根据锚杆灰度图像中各滑动窗口的锚杆差异估计及锚杆质量阈值得到锚杆灰度图像中各滑动窗口的锚杆修复质量评价结果;
所述根据锚杆灰度图像中各像素点邻域窗口内像素点的灰度值得到各像素点的异常点数量的表达式为:
式中,为统计所取邻域窗口中符合括号内条件的像素点的数量,/>为锚杆灰度图像中各像素点的灰度值,/>为各像素点邻域窗口内第/>个像素点的灰度值,/>为各像素点邻域窗口内所有像素点灰度值均值,/>为锚杆灰度图像中各像素点的异常点数量;
所述根据锚杆灰度图像中各像素点的异常点得到各像素点的灰度信息的具体方法为:
根据锚杆灰度图像中各像素邻域窗口内的异常点,计算异常点与非异常点之间的灰度差值,得到各像素点的灰度信息;
所述根据锚杆灰度图像中各像素点的异常点数量及灰度信息得到各像素点的锚杆区域优势的表达式为:
式中,为以/>为底的指数函数,/>为锚杆灰度图像中各像素点邻域窗口大小,为锚杆灰度图像中各像素点邻域窗口内符合灰度值差距在一定范围之外的异常点数量,为锚杆灰度图像中各像素点的灰度值,/>为锚杆灰度图像中各像素点邻域窗口内与窗口中心像素点灰度值差距较大的/>个像素点中的第/>个像素点的灰度值,/>为锚杆灰度图像中各像素点邻域窗口内与窗口中心像素点灰度值差距较小的/>个像素点中的第/>个像素点的灰度值,/>为锚杆灰度图像中各像素点的锚杆区域优势;
所述根据锚杆边缘轮廓二值图中各轮廓点的法线以及各轮廓点所在连通域边缘获取各轮廓点对应的目标轮廓点的具体方法为:
针对锚杆边缘轮廓二值图中的每个轮廓点,计算各轮廓点切线垂直的法线,每条法线与其对应的各轮廓点所在连通域边缘相交的点记为目标轮廓点;
所述根据锚杆边缘轮廓二值图中各轮廓点及对应目标轮廓点得到与所在连通域对侧边缘点连线的距离信息的具体方法为:
根据锚杆边缘轮廓二值图中各轮廓点与对应目标轮廓点的连线得到各轮廓点的第一距离;
根据各轮廓点对应目标轮廓点切线垂直的法线与所在连通域对侧边缘线上相交的点的连线得到各轮廓点的第二距离;
将锚杆边缘轮廓二值图中各轮廓点的第一距离和第二距离作为各轮廓点的距离信息;
所述根据锚杆边缘轮廓二值图中各轮廓点的左、右两侧的轮廓点及目标轮廓点的斜率和距离信息得到各轮廓点的锚杆形变指数的表达式为:
式中,为锚杆边缘轮廓二值图中各轮廓点的切线斜率,/>为与各轮廓点切线垂直的法线相交于其所在连通域边缘的目标轮廓点的切线斜率,/>、/>分别为与各轮廓点相邻的左、右两侧的轮廓点的切线斜率,/>为各轮廓点的切线垂直的法线相交于所在连通域边缘的对侧轮廓点之间的距离,/>为与其对应的目标轮廓点的切线垂直的法线相交于所在连通域边缘的对侧轮廓点之间的距离,/>为锚杆边缘轮廓二值图中各轮廓点的锚杆形变指数;
所述根据锚杆灰度图像中各像素点的锚杆区域优势及锚杆边缘轮廓二值图中各轮廓点的锚杆形变指数得到锚杆灰度图像中各像素点的锚杆形貌估计的表达式为:
式中,为锚杆灰度图像中各像素点的锚杆区域优势,/>为锚杆边缘轮廓二值图中各轮廓点的锚杆形变指数,/>表示锚杆边缘轮廓二值图中的像素点集合,/>表示锚杆灰度图像中的各像素点,/>为锚杆灰度图像中各像素点的锚杆形貌估计;
所述根据锚杆灰度图像中各像素点及标准锚杆模板图像中各像素点的锚杆形貌估计得到锚杆灰度图像中各滑动窗口的锚杆差异估计的表达式为:
式中,为标准锚杆模板的像素点行数,/>为标准锚杆模板的像素点列数,/>为锚杆灰度图像中第/>个滑动窗口中第/>行第/>列像素点的锚杆形貌估计,/>为标准锚杆模板图像中第/>行第/>列像素点的锚杆形貌估计,/>为锚杆灰度图像中第/>个滑动窗口的锚杆差异估计。
2.如权利要求1所述的一种基于机器视觉的锚杆修复质量检测方法,其特征在于,所述根据锚杆灰度图像中各滑动窗口的锚杆差异估计及锚杆质量阈值得到锚杆灰度图像中各滑动窗口的锚杆修复质量评价结果的具体方法为:
根据锚杆灰度图像中各滑动窗口与标准锚杆模板进行模板匹配得到的锚杆灰度图像中各滑动窗口的锚杆差异估计,并设置锚杆质量阈值,将锚杆灰度图像中各滑动窗口的锚杆差异估计小于锚杆质量阈值的滑动窗口标记为质量较好的锚杆,得到锚杆灰度图像中各滑动窗口所对应的锚杆修复质量评价结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310973487.0A CN116703903B (zh) | 2023-08-04 | 2023-08-04 | 一种基于机器视觉的锚杆修复质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310973487.0A CN116703903B (zh) | 2023-08-04 | 2023-08-04 | 一种基于机器视觉的锚杆修复质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116703903A CN116703903A (zh) | 2023-09-05 |
CN116703903B true CN116703903B (zh) | 2023-10-20 |
Family
ID=87843613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310973487.0A Active CN116703903B (zh) | 2023-08-04 | 2023-08-04 | 一种基于机器视觉的锚杆修复质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703903B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115161B (zh) * | 2023-10-24 | 2024-01-02 | 四川新康意众申新材料有限公司 | 一种塑料缺陷检查方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5960104A (en) * | 1996-08-16 | 1999-09-28 | Virginia Polytechnic & State University | Defect detection system for lumber |
US6018590A (en) * | 1997-10-07 | 2000-01-25 | Eastman Kodak Company | Technique for finding the histogram region of interest based on landmark detection for improved tonescale reproduction of digital radiographic images |
US6721461B1 (en) * | 1997-11-24 | 2004-04-13 | Cognex Technology And Investment Corporation | Method and apparatus using image subtraction and dynamic thresholding |
CN107228723A (zh) * | 2017-05-22 | 2017-10-03 | 中国矿业大学 | 一种锚杆托盘载荷数字成像测量技术 |
CN107808378A (zh) * | 2017-11-20 | 2018-03-16 | 浙江大学 | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 |
WO2021003824A1 (zh) * | 2019-07-11 | 2021-01-14 | 平安科技(深圳)有限公司 | 基于图像识别的违章建筑识别方法、装置 |
WO2021248270A1 (zh) * | 2020-06-08 | 2021-12-16 | 上海交通大学 | 一种异源图像配准方法及系统 |
CN114022856A (zh) * | 2021-10-27 | 2022-02-08 | 北京机械设备研究所 | 一种非结构化道路可行驶区域识别方法、电子设备及介质 |
CN115082508A (zh) * | 2022-08-18 | 2022-09-20 | 山东省蓝睿科技开发有限公司 | 一种海洋浮标生产质量检测方法 |
CN115115644A (zh) * | 2022-08-31 | 2022-09-27 | 启东市德立神起重运输机械有限公司 | 一种基于人工智能的车辆焊接缺陷检测方法 |
CN115115612A (zh) * | 2022-07-26 | 2022-09-27 | 山东安德机械科技有限公司 | 一种用于机械配件的表面缺陷检测方法及系统 |
WO2023070593A1 (zh) * | 2021-10-29 | 2023-05-04 | 京东方科技集团股份有限公司 | 线宽测量方法、装置、计算处理设备、计算机程序及计算机可读介质 |
CN116168039A (zh) * | 2023-04-26 | 2023-05-26 | 济宁市新华电力特种材料有限公司 | 一种环保节能硅酸铝板质量检测方法 |
CN116452596A (zh) * | 2023-06-20 | 2023-07-18 | 深圳市捷超行模具有限公司 | 一种硅胶玩具注塑溢胶视觉检测方法 |
-
2023
- 2023-08-04 CN CN202310973487.0A patent/CN116703903B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5960104A (en) * | 1996-08-16 | 1999-09-28 | Virginia Polytechnic & State University | Defect detection system for lumber |
US6018590A (en) * | 1997-10-07 | 2000-01-25 | Eastman Kodak Company | Technique for finding the histogram region of interest based on landmark detection for improved tonescale reproduction of digital radiographic images |
US6721461B1 (en) * | 1997-11-24 | 2004-04-13 | Cognex Technology And Investment Corporation | Method and apparatus using image subtraction and dynamic thresholding |
CN107228723A (zh) * | 2017-05-22 | 2017-10-03 | 中国矿业大学 | 一种锚杆托盘载荷数字成像测量技术 |
CN107808378A (zh) * | 2017-11-20 | 2018-03-16 | 浙江大学 | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 |
WO2021003824A1 (zh) * | 2019-07-11 | 2021-01-14 | 平安科技(深圳)有限公司 | 基于图像识别的违章建筑识别方法、装置 |
WO2021248270A1 (zh) * | 2020-06-08 | 2021-12-16 | 上海交通大学 | 一种异源图像配准方法及系统 |
CN114022856A (zh) * | 2021-10-27 | 2022-02-08 | 北京机械设备研究所 | 一种非结构化道路可行驶区域识别方法、电子设备及介质 |
WO2023070593A1 (zh) * | 2021-10-29 | 2023-05-04 | 京东方科技集团股份有限公司 | 线宽测量方法、装置、计算处理设备、计算机程序及计算机可读介质 |
CN115115612A (zh) * | 2022-07-26 | 2022-09-27 | 山东安德机械科技有限公司 | 一种用于机械配件的表面缺陷检测方法及系统 |
CN115082508A (zh) * | 2022-08-18 | 2022-09-20 | 山东省蓝睿科技开发有限公司 | 一种海洋浮标生产质量检测方法 |
CN115115644A (zh) * | 2022-08-31 | 2022-09-27 | 启东市德立神起重运输机械有限公司 | 一种基于人工智能的车辆焊接缺陷检测方法 |
CN116168039A (zh) * | 2023-04-26 | 2023-05-26 | 济宁市新华电力特种材料有限公司 | 一种环保节能硅酸铝板质量检测方法 |
CN116452596A (zh) * | 2023-06-20 | 2023-07-18 | 深圳市捷超行模具有限公司 | 一种硅胶玩具注塑溢胶视觉检测方法 |
Non-Patent Citations (6)
Title |
---|
A new text location method in natural scene images based on color reduction and AdaBoost;Jiakai Gao 等;《2016 3rd International Conference on Systems and Informatics 》;全文 * |
Zuwena Musoromy 等.Edge detection comparison for license plate detection.《2010 11th International Conference on Control Automation Robotics & Vision》.2011,全文. * |
伍济钢;宾鸿赞.薄片零件机器视觉图像亚像素边缘检测.中国机械工程.2009,(03),全文. * |
基于Sobel算子的工件圆弧轮廓特征提取;化春键;熊雪梅;陈莹;;激光与光电子学进展(02);全文 * |
基于边缘切线方向连接的线段检测方法;丁宾;邵晓根;孙天凯;杨明浩;;计算机仿真(12);全文 * |
显微模式下多种共混纱线的横纵向分类识别;陆帅钢;《硕士学位论文电子期刊》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116703903A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN108629343B (zh) | 一种基于边缘检测和改进Harris角点检测的车牌定位方法和系统 | |
CN116703903B (zh) | 一种基于机器视觉的锚杆修复质量检测方法 | |
CN111179232A (zh) | 基于图像处理的钢筋尺寸检测系统及方法 | |
CN109781737A (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN116703911B (zh) | 一种led灯生产质量检测系统 | |
CN116385472B (zh) | 一种五金冲压件去毛刺效果评估方法 | |
CN110298344A (zh) | 一种基于机器视觉的仪表旋钮定位与检测方法 | |
CN116758077A (zh) | 一种冲浪板表面平整度在线检测方法及系统 | |
CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及系统 | |
JP5812705B2 (ja) | ひび割れ検出方法 | |
CN106530273B (zh) | 高精度fpc直线线路检测与缺陷定位方法 | |
CN117274240A (zh) | 一种承台基础混凝土表面裂缝识别方法 | |
CN109671084B (zh) | 一种工件形状的测量方法 | |
CN116630312B (zh) | 一种恒力浮动打磨头打磨质量视觉检测方法 | |
CN116823820B (zh) | 一种铝碳质整体塞棒轮廓弯曲检测方法 | |
CN117745724A (zh) | 基于视觉分析的石材打磨加工缺陷区域分割方法 | |
Tabatabaei et al. | A novel method for binarization of badly illuminated document images | |
CN111738934B (zh) | 基于mtcnn的红眼自动修复方法 | |
CN113763491A (zh) | 一种烟丝桶残余物的视觉检测方法 | |
CN113643290A (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
CN105300998A (zh) | 一种基于位平面的纸病检测方法 | |
CN117197534B (zh) | 一种基于特征识别的电缆表面缺陷自动检测方法 | |
CN117764989B (zh) | 一种视觉辅助的显示屏缺陷检测方法 | |
CN112258548B (zh) | 基于改进ViBe算法的运动目标提取方法 |
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 |