CN116703931A - 一种用于建筑高分子材料的表面银纹检测方法 - Google Patents
一种用于建筑高分子材料的表面银纹检测方法 Download PDFInfo
- Publication number
- CN116703931A CN116703931A CN202310993361.XA CN202310993361A CN116703931A CN 116703931 A CN116703931 A CN 116703931A CN 202310993361 A CN202310993361 A CN 202310993361A CN 116703931 A CN116703931 A CN 116703931A
- Authority
- CN
- China
- Prior art keywords
- linear region
- gray
- value
- enhancement coefficient
- 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.)
- Granted
Links
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 title claims abstract description 45
- 229910052709 silver Inorganic materials 0.000 title claims abstract description 45
- 239000004332 silver Substances 0.000 title claims abstract description 45
- 239000002861 polymer material Substances 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 title abstract description 14
- 210000003462 vein Anatomy 0.000 title abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims abstract description 60
- 238000001746 injection moulding Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000002708 enhancing effect Effects 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 18
- 238000004544 sputter deposition Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 9
- 230000003014 reinforcing effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 5
- 239000004033 plastic Substances 0.000 description 5
- 229920003023 plastic Polymers 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000000465 moulding Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000243 solution Substances 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
- 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
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- 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
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像增强技术领域,具体涉及一种用于建筑高分子材料的表面银纹检测方法,该方法包括:采集注塑件表面的灰度图像以筛选出灰度异常区域;进而根据灰度异常区域中每个异常点的梯度特征获取线性区域;根据每个线性区域的端点获取拟合浇口位置,从而得到每个线性区域的第一增强系数和第二增强系数;根据每个线性区域内每个像素点的灰度特征获取调整权重,结合第一增强系数以及第二增强系数得到线性区域的增强系数;获取线性区域中每个像素点的调整值,根据调整值以及增强系数对线性区域中每个像素点进行增强得到增强图像,基于增强图像检测注塑件表面的银纹区域;检测的结果更加可靠准确,且计算效率较高。
Description
技术领域
本发明涉及图像增强技术领域,具体涉及一种用于建筑高分子材料的表面银纹检测方法。
背景技术
高分子材料具有质轻,易于加工,美观等特点;随着科技水平的发展,高分子材料的优点进一步被发掘,如今以高分子材料为主的新型建筑材料也越来越多;其中高分子材料在建筑业中的主要应用为建筑塑料,主要代表为塑料管件,塑料门窗以及一些建筑用保温,隔热材料。
但在塑料制品的生产中,主要生产手段为直接注射并塑化成型。其中因为塑料流体还未完全充满塑件内部或塑件模具,会在流体前段产生银纹缺陷。而银纹不仅会导致产品的外观不佳,同时会对产品的质量强度造成严重影响,进而导致注塑件的产品价值受到影响,所以对于银纹的检测是非常重要的。
常规的银纹检测手段是对产品表面进行阈值分割或边缘检测等,根据银纹区域与背景区域在灰度值上的差异,获得银纹区域的特征信息,从而对银纹区域进行识别并定位,但在生产过程中,因各种不可避免的光线,会使得注塑件较光滑的表面上产生一定程度上的反光问题,其会导致其银纹区域与背景区域的差异减弱,从而使得常规阈值分割等手段检测不准确,甚至检测不到。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种用于建筑高分子材料的表面银纹检测方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种用于建筑高分子材料的表面银纹检测方法,该方法包括以下步骤:
采集注塑件表面的灰度图像,获取所述灰度图像的灰度均值,以筛选出所述灰度图像中的灰度异常区域;
获取所述灰度异常区域中每个异常点的梯度值以及梯度方向,根据每个异常点与其八邻域像素点之间梯度方向的比值获取标记点,所述灰度异常区域中所有的标记点构成线性区域;
根据每个线性区域的端点获取拟合浇口位置,基于每个线性区域的端点与所述拟合浇口位置之间的连线获取线性区域的第一增强系数;获取每个线性区域的质心点,根据所述质心点与所述拟合浇口位置之间的欧式距离得到线性区域的第二增强系数;计算每个线性区域内每个像素点对应的八邻域像素点的灰度均值,以得到线性区域的整体邻域灰度均值,根据所述整体邻域灰度均值获取调整权重,根据所述调整权重、所述第一增强系数以及所述第二增强系数得到线性区域的增强系数;
构建所述灰度图像的灰度直方图得到正常灰度值,基于所述正常灰度值以及所述增强系数得到调整值,根据所述调整值以及所述增强系数对线性区域中每个像素点进行增强;
灰度图像中所有线性区域增强后的图像为增强图像,基于所述增强图像检测注塑件表面的银纹区域。
优选的,所述基于每个线性区域的端点与所述拟合浇口位置之间的连线获取线性区域的第一增强系数的步骤,包括:
获取每个线性区域的两个端点与所述拟合浇口位置之间的连线的斜率,根据两个端点与所述拟合浇口位置之间的连线的斜率的比值得到溅射状程度;
根据所述溅射状程度得到所述第一增强系数,所述第一增强系数的计算为:
其中,表示线性区域的第一增强系数;/>表示线性区域的溅射状程度。
优选的,所述根据所述质心点与所述拟合浇口位置之间的欧式距离得到线性区域的第二增强系数的步骤,包括:
获取所有线性区域的所述质心点与所述拟合浇口位置之间的欧式距离的最大值和最小值,以所述最大值和最小值的差值作为分母;
计算当前线性区域的所述质心点与所述拟合浇口位置之间的欧式距离,与所述最小值的差值作为分子,所述分子与所述分母的比值为当前线性区域的所述第二增强系数。
优选的,所述根据每个线性区域的端点获取拟合浇口位置的步骤,包括:
以每个线性区域的两个端点连接构建直线,所有线性区域对应的所有直线存在至少一个交点,利用LOF算法计算每一个交点在其K邻域内的局部可达密度,K为正整数;
以局部可达密度的最大值所对应的交点作为拟合浇口位置。
优选的,所述根据所述整体邻域灰度均值获取调整权重的步骤,包括:
所述调整权重的计算方法为:
其中,表示线性区域的调整权重;/>表示第/>个线性区域对应的整体邻域灰度均值;/>表示灰度图像对应的灰度均值。
优选的,所述根据所述调整权重、所述第一增强系数以及所述第二增强系数得到线性区域的增强系数的步骤,包括:
计算所述第一增强系数与所述第二增强系数的比值,所述比值与所述调整权重的乘积为所述增强系数。
优选的,所述构建所述灰度图像的灰度直方图得到正常灰度值的步骤,包括:
选取所述灰度直方图中最高的波峰所对应的灰度值,最高的波峰所对应的灰度值为所述正常灰度值。
优选的,所述基于所述正常灰度值以及所述增强系数得到调整值的步骤,包括:
计算所述正常灰度值与线性区域中当前像素点的灰度值的灰度差值,所述灰度差值与所述增强系数的倒数的乘积为当前像素点的调整值。
优选的,所述根据每个异常点与其八邻域像素点之间梯度方向的比值获取标记点的步骤,包括:
当每个异常点与其八邻域像素点之间梯度方向的比值均满足预设条件时,异常点为标记点;
所述预设条件为比值处于预设范围内。
优选的,所述根据所述调整值以及所述增强系数对线性区域中每个像素点进行增强的步骤,包括:
以当前像素点的灰度值与所述增强系数相乘得到乘积,将所述乘积与所述调整值相加得到当前像素点增强后的灰度值。
本发明具有如下有益效果:本发明实施例首先筛选出灰度图像中的灰度异常区域,然后对灰度异常区域中的像素点进行筛选得到多个线性区域进行分析,有针对性的进行分析处理,减少计算量;根据每个线性区域的端点获取拟合浇口位置,结合每个线性区域端点的位置特征获取对应的第一增强系数和第二增强系数,结合灰度特征获取调整权重,最终得到每个线性区域的增强系数,多方面特征分析得到的增强系数更加准确可靠;然后基于正常灰度值获取线性区域中每个像素点的调整值,基于每个像素点的调整值以及像素点所在线性区域的增强系数进行适应性增强得到增强图像,增强图像的效果更好且特征更明显,进而使得基于增强图像获取的银纹区域的结果更加准确。
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为本发明一个实施例所提供的一种用于建筑高分子材料的表面银纹检测方法流程图。
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用于建筑高分子材料的表面银纹检测方法,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用于建筑高分子材料的表面银纹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一种用于建筑高分子材料的表面银纹检测方法流程图,该方法包括以下步骤:
步骤S100,采集注塑件表面的灰度图像,获取灰度图像的灰度均值,以筛选出灰度图像中的灰度异常区域。
具体的,利用相机采集注塑件表面的图像,并对该图像进行常规的滤波处理进行噪声的去除,然后对该图像进行灰度化处理得到注塑件表面的灰度图像,灰度化处理的方法为现有公知技术,不再赘述。
银纹的产生是由于浇口注塑速度过快,导致注塑件表面产生一片呈扇形散射的灰白色图案,其与正常区域的灰度差值较大,但在反光区域下会导致灰度差异变弱;因此需要对注塑件灰度图像中的银纹区域和反光区域进行区分。
在对灰度图像进行检测时,首先对灰度图像中的灰度异常区域进行分析,灰度异常区域的获取方法为:
计算灰度图像中所有像素点的灰度均值,也即是灰度图像中所有像素点对应的灰度值的平均值,基于该灰度均值进行灰度异常区域的判定;选取灰度图像中所有灰度值大于该灰度均值的像素点,将灰度值大于灰度均值的像素点记为异常点,所有异常点构成的区域为灰度异常区域。
步骤S200,获取灰度异常区域中每个异常点的梯度值以及梯度方向,根据每个异常点与其八邻域像素点之间梯度方向的比值获取标记点,灰度异常区域中所有的标记点构成线性区域。
获取到灰度图像中的灰度异常区域后,对灰度异常区域进一步的进行分析,反光区域和银纹区域的灰度值都较高,但银纹区域保留了其以浇口为中心的散射分布的特征,且呈现多个条状区域的分布,因此对灰度异常区域中的像素点进行拟合条状区域。
首先获取灰度异常区域中每个异常点对应的梯度特征,本发明实施例中采用Sobel算子计算每个异常点在方向上的梯度值,并根据/>方向上的梯度值获取异常点的梯度方向,梯度方向的计算为:
其中,表示第i个异常点的梯度方向;/>表示第i个异常点在/>方向上的梯度值;表示第i个异常点在/>方向上的梯度值;/>表示反正切函数。
然后,根据获取每个异常点的梯度方向相同的方法,获取每个异常点对应的八邻域像素点的梯度方向,计算异常点的梯度方向与其八邻域像素点的梯度方向的比值,则每个异常点可对应八个梯度方向的比值,判断比值是否满足预设条件,若满足,则继续判断该异常点的邻域像素点;若不满足,则判断结束。
本发明实施例中预设条件为比值处于范围内,当异常点与其八邻域像素点之间的比值均处于该范围内时,则该异常点满足预设条件,将该异常点记为标记点,对该标记点的邻域像素点进行分析,即以邻域像素点作为中心像素点,计算中心像素点对应的8个比值是否满足预设条件,以此类推,直至所有的邻域像素点都不满足预设条件时,一个线性区域寻找完毕,线性区域中每个像素点均是满足预设条件的标记点。
以此类推,对灰度异常区域中所有的异常点进行遍历分析,得到灰度异常区域中所有的线性区域。
步骤S300,根据每个线性区域的端点获取拟合浇口位置,基于每个线性区域的端点与拟合浇口位置之间的连线获取线性区域的第一增强系数;获取每个线性区域的质心点,根据质心点与拟合浇口位置之间的欧式距离得到线性区域的第二增强系数;计算每个线性区域内每个像素点对应的八邻域像素点的灰度均值,以得到线性区域的整体邻域灰度均值,根据整体邻域灰度均值获取调整权重,根据调整权重、第一增强系数以及第二增强系数得到线性区域的增强系数。
由步骤S200中得到灰度异常区域的多个线性区域,寻找每个线性区域的端点,利用线性区域的两个端点构建一条直线,则每个线性区域均可对应一条直线,所有的线性区域对应的直线之间会存在多个交点,所有的交点构成交点集合。
则对于交点集合中的每个交点,利用LOF算法计算每一个交点在其K邻域内的局部可达密度,LOF算法为现有公知技术,不再赘述,K的值由实施者根据实际情况设定,本实施例中K为3;然后以局部可达密度最大值所对应的交点作为拟合浇口位置,记为;除银纹区域形成的线性区域外,还会有各种干扰点形成少量的线性区域,这部分对于我们求得的拟合浇口位置存在干扰信息,如果不排除这部分干扰信息,我们后续的结果准确性也会受影响,所以通过LOF算法选出最大密度位置,即可信程度最高的交点,以提高分析的准确性。
考虑到银纹缺陷的成因是由浇口位置处呈溅射状,扇形区域扩散开,因此线性区域的线性方向,越指向拟合浇口位置,其溅射状程度越异常,同时其线性区域整体越接近浇口位置,其表现在异常区域的凹凸特征越明显,即灰度异常程度越大;因此对每个线性区域与拟合浇口位置的情况再次进行分析。
获取每个线性区域的两个端点与拟合浇口位置之间的连线,分别计算两个连线的斜率,根据斜率获取线性区域的溅射状程度为:
其中,表示线性区域的溅射状程度;/>表示线性区域的第一个端点与拟合浇口位置之间连线的斜率;/>表示线性区域的第二个端点与拟合浇口位置之间连线的斜率。
根据线性区域的溅射状程度获取线性区域的第一增强系数,第一增强系数的计算为:
其中,表示线性区域的第一增强系数;/>表示线性区域的溅射状程度。
分母项加1的目的是为了防止分母项为0公式无意义,当溅射状程度的取值为1时的第一增强系数最大;当溅射状程度的取值与1偏离越大时,线性区域的第一增强系数越小。
进一步的,获取每个线性区域的质心点以及质心点的坐标,计算每个线性区域的之心点与拟合浇口位置之间的欧式距离为:
其中,表示第/>个线性区域的质心点与拟合浇口位置之间的欧式距离;/>表示第/>个线性区域的质心点的坐标;/>表示拟合浇口位置的坐标。
然后,根据每个线性区域的质心点与拟合浇口位置之间的欧式距离计算该线性区域的第二增强系数,则第二增强系数的计算为:
其中,表示第/>个线性区域的第二增强系数;/>表示第/>个线性区域的质心点与拟合浇口位置之间的欧式距离;/>表示所有线性区域的质心点与拟合浇口位置之间的欧式距离的最小值;/>表示所有线性区域的质心点与拟合浇口位置之间的欧式距离的最大值。
质心点与拟合浇口位置之间的欧式距离越大,其表面的凹凸程度越小,则该线性区域的第二增强系数越大。
至此得到了每个线性区域对应的第一增强系数和第二增强系数;进一步计算每个线性区域中每个像素点对应的八邻域像素点的灰度均值,则线性区域中所有像素点对应的八邻域像素点的灰度均值的平均值记为整体邻域灰度均值,即整体邻域灰度均值的计算为:
其中,表示第/>个线性区域对应的整体邻域灰度均值;/>表示线性区域中第t个像素点对应的八邻域像素点的灰度均值;/>表示第/>个线性区域中所有像素点的数量。
则根据灰度图像的灰度均值以及每个线性区域对应的整体邻域灰度均值获取每个线性区域的调整权重,调整权重的计算为:
其中,表示线性区域的调整权重;/>表示第/>个线性区域对应的整体邻域灰度均值;/>表示灰度图像对应的灰度均值。
调整权重越小,表明对应的线性区域所在位置的灰度值越高,其受到反光影响程度越大;因此结合调整权重、第一增强系数以及第二增强系数得到每个线性区域的增强系数为:
其中,表示线性区域的增强系数;/>表示线性区域的第一增强系数;/>表示线性区域的第二增强系数;/>表示线性区域的调整权重。
由于第一增强系数与第二增强系数/>所表示的逻辑关系相反,因为利用比值的形式进行计算,以此类推,得到每个线性区域对应的增强函数。
步骤S400,构建灰度图像的灰度直方图得到正常灰度值,基于正常灰度值以及增强系数得到调整值,根据调整值以及增强系数对线性区域中每个像素点进行增强。
若仅仅通过增强系数对像素点的灰度特征进行增强,增强后的灰度值相同的增大或缩小,仍然不能很好的区分银纹区域和反光区域,因此需要根据像素点本身的灰度情况调整本身的灰度值,使得银纹区域进行不同程度的增强,反光区域恢复为正常区域。
具体的,构建灰度图像对应的灰度直方图,根据灰度直方图的最高的波峰所对应的灰度级得到正常灰度值,波峰所对应的灰度值为灰度图像中存在最多的灰度级,因此以此作为正常灰度值进行调整值的获取,线性区域中每个像素点对应不同的调整值,调整值的计算为:
其中,表示调整值;/>表示正常灰度值;/>表示线性区域中第i个像素点的灰度值;/>表示线性区域的增强系数。
调整值的取值为负数,即抑制值,目的是为了区分反光区域与银纹区域等高灰度值区域,因此选择增强系数的倒数作为限制,增强系数越接近于1同时也表示这一线性区域是银纹区域的概率越大,越需要保留,则需要抑制的程度越小。
以此类推,获取每个线性区域中每个像素点对应的调整值,根据调整值以及增强系数构建每个像素点对应的灰度线性变化公式为:
其中,表示像素点增强后的灰度值;/>表示像素点增强前的灰度值;/>表示像素点所在线性区域的增强系数;/>表示像素点对应的调整值。
基于所有线性区域中每个像素点对应的线性变化公式对像素点的灰度值进行增强,得到每个像素点对应的增强后的灰度值。
步骤S500,灰度图像中所有线性区域增强后的图像为增强图像,基于增强图像检测注塑件表面的银纹区域。
根据所有线性区域中所有像素点增强后的灰度值可得到对应的增强后的灰度图像的增强图像,该增强图像中去掉了反光区域的影响,并且增强了溅射状线性区域与背景的差异。
对增强图像进行边缘检测,标注出注塑件表面呈现明显线性边缘特征的像素点,并对这部分像素点通过连通域检测,得到灰度值异常于背景区域同时存在线性边缘特征的像素点,此类像素点所组成的区域即为银纹区域。
综上所述,本发明实施例通过采集注塑件表面的灰度图像,获取灰度图像的灰度均值,以筛选出灰度图像中的灰度异常区域;获取灰度异常区域中每个异常点的梯度值以及梯度方向,根据每个异常点与其八邻域像素点之间梯度方向的比值获取标记点,灰度异常区域中所有的标记点构成线性区域;获取每个线性区域的第一增强系数与第二增强系数;计算每个线性区域内每个像素点对应的八邻域像素点的灰度均值,以得到线性区域的整体邻域灰度均值,根据整体邻域灰度均值获取调整权重,根据调整权重、第一增强系数以及第二增强系数得到线性区域的增强系数;构建灰度图像的灰度直方图得到正常灰度值,基于正常灰度值以及增强系数得到调整值,根据调整值以及增强系数对线性区域中每个像素点进行增强;灰度图像中所有线性区域增强后的图像为增强图像,基于增强图像检测注塑件表面的银纹区域;检测效率更高且检测的结果更加准确。
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。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。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,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 (10)
1.一种用于建筑高分子材料的表面银纹检测方法,其特征在于,该方法包括以下步骤:
采集注塑件表面的灰度图像,获取所述灰度图像的灰度均值,以筛选出所述灰度图像中的灰度异常区域;
获取所述灰度异常区域中每个异常点的梯度值以及梯度方向,根据每个异常点与其八邻域像素点之间梯度方向的比值获取标记点,所述灰度异常区域中所有的标记点构成线性区域;
根据每个线性区域的端点获取拟合浇口位置,基于每个线性区域的端点与所述拟合浇口位置之间的连线获取线性区域的第一增强系数;获取每个线性区域的质心点,根据所述质心点与所述拟合浇口位置之间的欧式距离得到线性区域的第二增强系数;计算每个线性区域内每个像素点对应的八邻域像素点的灰度均值,以得到线性区域的整体邻域灰度均值,根据所述整体邻域灰度均值获取调整权重,根据所述调整权重、所述第一增强系数以及所述第二增强系数得到线性区域的增强系数;
构建所述灰度图像的灰度直方图得到正常灰度值,基于所述正常灰度值以及所述增强系数得到调整值,根据所述调整值以及所述增强系数对线性区域中每个像素点进行增强;
灰度图像中所有线性区域增强后的图像为增强图像,基于所述增强图像检测注塑件表面的银纹区域。
2.根据权利要求1所述的一种用于建筑高分子材料的表面银纹检测方法,其特征在于,所述基于每个线性区域的端点与所述拟合浇口位置之间的连线获取线性区域的第一增强系数的步骤,包括:
获取每个线性区域的两个端点与所述拟合浇口位置之间的连线的斜率,根据两个端点与所述拟合浇口位置之间的连线的斜率的比值得到溅射状程度;
根据所述溅射状程度得到所述第一增强系数,所述第一增强系数的计算为:
其中,表示线性区域的第一增强系数;/>表示线性区域的溅射状程度。
3.根据权利要求1所述的一种用于建筑高分子材料的表面银纹检测方法,其特征在于,所述根据所述质心点与所述拟合浇口位置之间的欧式距离得到线性区域的第二增强系数的步骤,包括:
获取所有线性区域的所述质心点与所述拟合浇口位置之间的欧式距离的最大值和最小值,以所述最大值和最小值的差值作为分母;
计算当前线性区域的所述质心点与所述拟合浇口位置之间的欧式距离,与所述最小值的差值作为分子,所述分子与所述分母的比值为当前线性区域的所述第二增强系数。
4.根据权利要求2所述的一种用于建筑高分子材料的表面银纹检测方法,其特征在于,所述根据每个线性区域的端点获取拟合浇口位置的步骤,包括:
以每个线性区域的两个端点连接构建直线,所有线性区域对应的所有直线存在至少一个交点,利用LOF算法计算每一个交点在其K邻域内的局部可达密度,K为正整数;
以局部可达密度的最大值所对应的交点作为拟合浇口位置。
5.根据权利要求1所述的一种用于建筑高分子材料的表面银纹检测方法,其特征在于,所述根据所述整体邻域灰度均值获取调整权重的步骤,包括:
所述调整权重的计算方法为:
其中,表示线性区域的调整权重;/>表示第/>个线性区域对应的整体邻域灰度均值;/>表示灰度图像对应的灰度均值。
6.根据权利要求1所述的一种用于建筑高分子材料的表面银纹检测方法,其特征在于,所述根据所述调整权重、所述第一增强系数以及所述第二增强系数得到线性区域的增强系数的步骤,包括:
计算所述第一增强系数与所述第二增强系数的比值,所述比值与所述调整权重的乘积为所述增强系数。
7.根据权利要求1所述的一种用于建筑高分子材料的表面银纹检测方法,其特征在于,所述构建所述灰度图像的灰度直方图得到正常灰度值的步骤,包括:
选取所述灰度直方图中最高的波峰所对应的灰度值,最高的波峰所对应的灰度值为所述正常灰度值。
8.根据权利要求1所述的一种用于建筑高分子材料的表面银纹检测方法,其特征在于,所述基于所述正常灰度值以及所述增强系数得到调整值的步骤,包括:
计算所述正常灰度值与线性区域中当前像素点的灰度值的灰度差值,所述灰度差值与所述增强系数的倒数的乘积为当前像素点的调整值。
9.根据权利要求1所述的一种用于建筑高分子材料的表面银纹检测方法,其特征在于,所述根据每个异常点与其八邻域像素点之间梯度方向的比值获取标记点的步骤,包括:
当每个异常点与其八邻域像素点之间梯度方向的比值均满足预设条件时,异常点为标记点;
所述预设条件为比值处于预设范围内。
10.根据权利要求1所述的一种用于建筑高分子材料的表面银纹检测方法,其特征在于,所述根据所述调整值以及所述增强系数对线性区域中每个像素点进行增强的步骤,包括:
以当前像素点的灰度值与所述增强系数相乘得到乘积,将所述乘积与所述调整值相加得到当前像素点增强后的灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310993361.XA CN116703931B (zh) | 2023-08-09 | 2023-08-09 | 一种用于建筑高分子材料的表面银纹检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310993361.XA CN116703931B (zh) | 2023-08-09 | 2023-08-09 | 一种用于建筑高分子材料的表面银纹检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116703931A true CN116703931A (zh) | 2023-09-05 |
CN116703931B CN116703931B (zh) | 2023-10-24 |
Family
ID=87831607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310993361.XA Active CN116703931B (zh) | 2023-08-09 | 2023-08-09 | 一种用于建筑高分子材料的表面银纹检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703931B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078567A (zh) * | 2023-10-18 | 2023-11-17 | 江苏惠汕新能源集团有限公司 | 基于图像处理的光伏板图像自适应增强方法 |
CN117078676A (zh) * | 2023-10-16 | 2023-11-17 | 青岛盛鑫达机械有限公司 | 基于图像处理的破碎锤外壳视觉检测方法 |
CN117173187A (zh) * | 2023-11-03 | 2023-12-05 | 南通银河水泵有限公司 | 一种阀门故障智能检测系统 |
CN117437129A (zh) * | 2023-12-18 | 2024-01-23 | 山东心传矿山机电设备有限公司 | 一种矿用智能水泵叶轮故障图像细节增强方法 |
CN117893540A (zh) * | 2024-03-18 | 2024-04-16 | 乳山市创新新能源科技有限公司 | 用于压力容器的圆度智能检测方法及系统 |
CN117893540B (zh) * | 2024-03-18 | 2024-05-31 | 乳山市创新新能源科技有限公司 | 用于压力容器的圆度智能检测方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050154563A1 (en) * | 2001-08-27 | 2005-07-14 | Ulf Hassler | Device and method for evaluating a characteristic of an object |
WO2014081046A1 (ja) * | 2012-11-21 | 2014-05-30 | キヤノン株式会社 | 画像形成装置及び電子写真感光体 |
EP2759959A2 (en) * | 2013-01-25 | 2014-07-30 | Ricoh Company, Ltd. | Method and system for detecting multi-lanes |
US20190228515A1 (en) * | 2018-01-22 | 2019-07-25 | Boe Technology Group Co., Ltd. | Method and apparatus for detecting defects, and computer readable storage medium |
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 |
CN114998198A (zh) * | 2022-04-24 | 2022-09-02 | 南通夏克塑料包装有限公司 | 一种注塑件表面缺陷识别方法 |
CN115082445A (zh) * | 2022-07-25 | 2022-09-20 | 山东鲁泰防水科技有限公司 | 一种建筑防水卷材表面缺陷检测方法 |
CN115311301A (zh) * | 2022-10-12 | 2022-11-08 | 江苏银生新能源科技有限公司 | 一种pcb板焊点缺陷检测方法 |
CN116402808A (zh) * | 2023-05-31 | 2023-07-07 | 山东华禹威达机电科技有限公司 | 一种电缆夹板模具制造智能化检测方法 |
-
2023
- 2023-08-09 CN CN202310993361.XA patent/CN116703931B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050154563A1 (en) * | 2001-08-27 | 2005-07-14 | Ulf Hassler | Device and method for evaluating a characteristic of an object |
WO2014081046A1 (ja) * | 2012-11-21 | 2014-05-30 | キヤノン株式会社 | 画像形成装置及び電子写真感光体 |
EP2759959A2 (en) * | 2013-01-25 | 2014-07-30 | Ricoh Company, Ltd. | Method and system for detecting multi-lanes |
US20190228515A1 (en) * | 2018-01-22 | 2019-07-25 | Boe Technology Group Co., Ltd. | Method and apparatus for detecting defects, and computer readable storage medium |
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 |
CN114998198A (zh) * | 2022-04-24 | 2022-09-02 | 南通夏克塑料包装有限公司 | 一种注塑件表面缺陷识别方法 |
CN115082445A (zh) * | 2022-07-25 | 2022-09-20 | 山东鲁泰防水科技有限公司 | 一种建筑防水卷材表面缺陷检测方法 |
CN115311301A (zh) * | 2022-10-12 | 2022-11-08 | 江苏银生新能源科技有限公司 | 一种pcb板焊点缺陷检测方法 |
CN116402808A (zh) * | 2023-05-31 | 2023-07-07 | 山东华禹威达机电科技有限公司 | 一种电缆夹板模具制造智能化检测方法 |
Non-Patent Citations (2)
Title |
---|
PINGYUE LV: "A Method for Weak Target Detection Based on Human Visual Contrast Mechanism", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
孔岩;管庶安;江峰;孙莉红;: "基于二阶梯度的图像增强算法研究", 计算机与数字工程, no. 04 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078676A (zh) * | 2023-10-16 | 2023-11-17 | 青岛盛鑫达机械有限公司 | 基于图像处理的破碎锤外壳视觉检测方法 |
CN117078676B (zh) * | 2023-10-16 | 2024-01-12 | 青岛盛鑫达机械有限公司 | 基于图像处理的破碎锤外壳视觉检测方法 |
CN117078567A (zh) * | 2023-10-18 | 2023-11-17 | 江苏惠汕新能源集团有限公司 | 基于图像处理的光伏板图像自适应增强方法 |
CN117078567B (zh) * | 2023-10-18 | 2024-01-26 | 江苏惠汕新能源集团有限公司 | 基于图像处理的光伏板图像自适应增强方法 |
CN117173187A (zh) * | 2023-11-03 | 2023-12-05 | 南通银河水泵有限公司 | 一种阀门故障智能检测系统 |
CN117173187B (zh) * | 2023-11-03 | 2024-03-05 | 南通银河水泵有限公司 | 一种阀门故障智能检测系统 |
CN117437129A (zh) * | 2023-12-18 | 2024-01-23 | 山东心传矿山机电设备有限公司 | 一种矿用智能水泵叶轮故障图像细节增强方法 |
CN117437129B (zh) * | 2023-12-18 | 2024-03-08 | 山东心传矿山机电设备有限公司 | 一种矿用智能水泵叶轮故障图像细节增强方法 |
CN117893540A (zh) * | 2024-03-18 | 2024-04-16 | 乳山市创新新能源科技有限公司 | 用于压力容器的圆度智能检测方法及系统 |
CN117893540B (zh) * | 2024-03-18 | 2024-05-31 | 乳山市创新新能源科技有限公司 | 用于压力容器的圆度智能检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116703931B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116703931B (zh) | 一种用于建筑高分子材料的表面银纹检测方法 | |
EP2085928B1 (en) | Detection of blobs in images | |
CN105654501B (zh) | 基于模糊阈值的自适应图像分割方法 | |
CN115861317B (zh) | 基于机器视觉的塑胶模具生产缺陷检测方法 | |
CN116934740B (zh) | 基于图像处理的塑料模具表面缺陷分析检测方法 | |
CN117095009B (zh) | 一种基于图像处理的pvc装饰板缺陷检测方法 | |
CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN115294410B (zh) | 一种基于图形识别的塑料制品成型控制方法 | |
CN116188468B (zh) | 一种hdmi线缆传输分拣智能控制系统 | |
CN114758222B (zh) | 一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
CN104574417B (zh) | 一种图像边缘灰度起伏性度量与自适应检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116542968A (zh) | 一种基于模板匹配的钢筋智能计数方法 | |
CN117237646A (zh) | 基于图像分割的pet高温阻燃胶带瑕疵提取方法及系统 | |
CN112258536B (zh) | 一种胼胝体及小脑蚓部的一体化定位及分割方法 | |
CN116152255B (zh) | 一种改性塑料生产瑕疵判断方法 | |
Khalifa et al. | A new image-based model for predicting cracks in sewer pipes | |
CN111524143A (zh) | 一种泡沫粘连图像区域分割的处理方法 | |
CN115578390A (zh) | 一种用于除氧器的焊接控制方法 | |
CN111191534B (zh) | 一种模糊航空图像中的道路提取方法 | |
CN107153823B (zh) | 一种基于视觉关联双空间的车道线特征提取方法 | |
CN116934753B (zh) | 基于遥感影像的水土保持监测方法 | |
CN117252877B (zh) | 基于图像特征的二极体导线架质量检测方法 | |
CN116310354B (zh) | 基于红外图像处理的漂浮危化品识别方法 |
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 |