CN116740070A - 基于机器视觉的塑料管道外观缺陷检测方法 - Google Patents
基于机器视觉的塑料管道外观缺陷检测方法 Download PDFInfo
- Publication number
- CN116740070A CN116740070A CN202311020659.9A CN202311020659A CN116740070A CN 116740070 A CN116740070 A CN 116740070A CN 202311020659 A CN202311020659 A CN 202311020659A CN 116740070 A CN116740070 A CN 116740070A
- Authority
- CN
- China
- Prior art keywords
- plastic pipeline
- pixel point
- value
- image
- initial
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 52
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000002776 aggregation Effects 0.000 claims abstract description 20
- 238000004220 aggregation Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000009826 distribution Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 abstract description 9
- 230000000694 effects Effects 0.000 description 4
- 230000002950 deficient Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000001914 filtration 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
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process 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
- 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (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塑料管道外观缺陷检测方法,包括:获取图像并进行瓦片分割,根据窗口中像素点梯度大小和聚集程度获取像素点目标程度,计算目标程度的关联系数,根据目标程度和关联系数获取目标像素点的加权目标程度,根据加权目标程度确定窗口图像的分割双阈值,并确定缺陷区域。本发明通过对图像进行窗口分割,根据窗口内高梯度像素点的聚集程度和关联因子获取目标像素点,根据目标像素点的灰度值范围确定窗口双阈值进行局部自适应阈值分割。使阈值分割不会受到塑料管表面灰度变化的影响,能够更好地根据图像中缺陷的特征将其分割显示。
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塑料管道外观缺陷检测方法。
背景技术
塑料管道在使用过程中很容易出现损耗,由于其使用环境复杂,塑料制品可能会出现各种各样的缺陷,这些缺陷的产生很可能会影响使用效果,甚至造成对生产安全的危害。现有技术通过图像处理的方式进行塑料管道或塑料板表面的缺陷检测,通过阈值分割的方式将塑料表面缺陷分割出来,对其缺陷进行分析。
但是传统的阈值分割算法使用的是全局阈值,而塑料管道表面自身即存在一定的灰度变化,表面出现的缺陷很有可能与正常的灰度变化相似,无法通过全局阈值达到较好的分割效果。本发明通过对图像进行分割,在各窗口内通过分析像素点梯度变化以及高梯度像素点的聚集程度,自适应获取窗口内的双阈值对图像进行分割,获取目标缺陷区域。
发明内容
本发明提供基于机器视觉的塑料管道外观缺陷检测方法,以解决现有的问题。
本发明的基于机器视觉的塑料管道外观缺陷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机器视觉的塑料管道外观缺陷检测方法,该方法包括以下步骤:
获取塑料管道图像,对塑料管道图像进行窗口划分得到若干塑料管道窗口图像;
根据塑料管道窗口图像中像素点的梯度值得到初始目标像素点和初始灰度区间,根据塑料管道窗口图像中像素点和邻域半径范围内初始目标像素点的位置信息,得到塑料管道窗口图像中像素点的聚集程度;
根据塑料管道窗口图像中像素点的梯度和聚集程度得到塑料管道窗口图像中像素点的目标程度,获取塑料管道窗口图像的梯度矩阵直方图,根据初始灰度区间和梯度矩阵直方图得到塑料管道窗口图像中在初始灰度区间范围内像素点的关联系数;
根据初始灰度区间获取反比例系数,根据反比例系数得到塑料管道窗口图像中在初始灰度区间范围外像素点的关联系数,将塑料管道窗口图像中在初始灰度区间范围内像素点的关联系数和初始灰度区间范围外像素点的关联系数均记为塑料管道窗口图像中像素点的关联系数,根据塑料管道窗口图像中像素点的关联系数和目标程度,得到塑料管道窗口图像中像素点的加权目标程度;
根据加权目标程度得到目标像素点集,根据目标像素点集获取得到分割双阈值,利用分割双阈值对塑料管道窗口图像进行分割,得到塑料管道窗口图像中的缺陷区域。
进一步地,所述对塑料管道图像进行窗口划分得到若干塑料管道窗口图像,包括的具体步骤如下:
对塑料管道图像进行等区域划分,塑料管道图像/>通过等区域划分得到/>个塑料管道窗口图像,/>为等区域划分的比例,/>为图像长度,/>为图像宽度。
进一步地,所述根据塑料管道窗口图像中像素点的梯度值得到初始目标像素点和初始灰度区间,包括的具体步骤如下:
利用Sobel算子获取塑料管道窗口图像中像素点的梯度值并构建梯度矩阵,根据梯度矩阵构建梯度矩阵直方图,选取梯度矩阵直方图中的梯度最大值,记为Ma,将梯度矩阵中梯度值在th1×MaMa之间的像素点作为初始目标像素点,获取初始目标像素点的像素值,利用标准差法排除初始目标像素点中的离群值,根据剩余初始目标像素点的灰度值范围确定初始灰度区间/>,其中/>表示初始灰度区间的最小灰度值,/>表示初始灰度区间的最大灰度值,th1为预设数值。
进一步地,所述根据塑料管道窗口图像中像素点和邻域半径范围内初始目标像素点的位置信息,得到塑料管道窗口图像中像素点的聚集程度,包括的具体步骤如下:
其中,为塑料管道窗口图像中第d个像素点的聚集程度,/>为预设像素点的邻域半径,/>为第d个像素点的邻域半径范围内包含初始目标像素点的总个数,所述邻域半径范围是指以第d个像素点为圆心以r半径的圆构成的范围,/>为第d个像素点的邻域半径范围内第i个初始目标像素点的横坐标,/>为第d个像素点的邻域半径范围内第i个初始目标像素点的纵坐标,/>和/>分别为塑料管道窗口图像中第d个像素点的横坐标和纵坐标。
进一步地,所述根据初始灰度区间和梯度矩阵直方图得到塑料管道窗口图像中在初始灰度区间范围内像素点的关联系数,包括的具体步骤如下:
其中,为塑料管道窗口图像中初始灰度区间范围内第c个像素点的关联系数,所述第c个像素点的灰度值在初始灰度区间范围内,/>为塑料管道窗口图像中第c个像素点的灰度值,/>为梯度矩阵直方图中频数最大值对应的灰度值,/>为初始灰度区间的最小灰度值,/>为初始灰度区间的最大灰度值。
进一步地,所述根据初始灰度区间获取反比例系数,包括的具体步骤如下:
其中,为初始灰度区间的最大灰度值,/>为梯度矩阵直方图中频数最大值对应的灰度值,/>为初始灰度区间的最小灰度值。
进一步地,所述根据反比例系数得到塑料管道窗口图像中在初始灰度区间范围外像素点的关联系数,包括的具体步骤如下:
其中,为塑料管道窗口图像中第r个像素点的关联系数,所述第r个像素点的灰度值在初始灰度区间范围外,/>为反比例系数,/>为梯度矩阵直方图中频数最大值对应的灰度值,/>为塑料管道窗口图像中第r个像素点的灰度值,且/>,其中为初始灰度区间的最小灰度值,/>为初始灰度区间的最大灰度值。
进一步地,所述根据塑料管道窗口图像中像素点的关联系数和目标程度,得到塑料管道窗口图像中像素点的加权目标程度,包括的具体步骤如下:
其中,为塑料管道窗口图像中第/>个像素点的目标程度,/>为塑料管道窗口图像中第/>个像素点的关联系数,/>为塑料管道窗口图像中第/>个像素点的加权目标程度。
进一步地,所述根据目标像素点集获取得到分割双阈值,包括的具体步骤如下:
获取目标像素点集中像素点的灰度均值和目标像素点集中像素点的标准差,获取目标像素点集中像素点的个数,选取置信水平为th2,th2为预设百分比阈值,根据像素点的个数和置信水平确定正态分布的临界值,将目标像素点集中像素点的标准差与像素点的个数比值作为目标像素点集的标准误差,根据灰度均值、临界值以及标准误差得到目标像素点集的置信区间,将目标像素点集的置信区间的最小值向下取整作为双阈值分割的一个阈值,将目标像素点集的置信区间的最大值向上取整作为双阈值分割的另一个阈值。
进一步地,所述利用分割双阈值对塑料管道窗口图像进行分割,得到塑料管道窗口图像中的缺陷区域,包括的具体步骤如下:
利用双阈值对塑料管道窗口图像进行阈值分割,得到塑料管道窗口图像的二值图像,二值图像中像素点灰度值为0的区域为背景,像素点灰度值为1的区域为缺陷区域,获取二值图像中的所有灰度值为1的连通域以及获取每个连通域中像素点的个数,预设数量阈值,将连通域中像素点的个数小于预设数量阈值的连通域记为目标连通域,获取塑料管道窗口图像中所有目标连通域,将所有目标连通域中像素点的灰度值置为0,对所有塑料管道窗口图像进行相同处理,并将处理后的塑料管道窗口图像按照窗口顺序拼接得到处理后的塑料管道图像,处理后的塑料管道图像上的灰度值为1的连通域为缺陷区域。
本发明的技术方案的有益效果是:常规的阈值分割根据图像整体灰度情况确定全局阈值进行分割,会因为塑料管表面灰度变化导致缺陷区域无法分割完全或者对缺陷区域的欠分割。本发明通过对图像进行窗口分割,根据窗口内高梯度像素点的聚集程度和关联因子获取目标像素点,根据目标像素点的灰度值范围确定窗口双阈值进行局部自适应阈值分割。使阈值分割不会受到塑料管表面灰度变化的影响,能够更好地根据图像中缺陷的特征将其分割显示。
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为本发明一个实施例所提供的基于机器视觉的塑料管道外观缺陷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机器视觉的塑料管道外观缺陷检测方法,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,一个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塑料管道外观缺陷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塑料管道外观缺陷检测方法的步骤流程图,该方法包括以下步骤:
步骤S001、获取图像并进行预处理。
需要说明的是,本实施例是基于机器视觉的塑料管缺陷检测,首先需要获取塑料管道的表面图像并进行预处理。
具体的,利用工业相机对待检测的塑料管道进行拍摄,得到塑料管道表面图像,进一步地,对塑料管道表面图像进行灰度化和高斯滤波,得到塑料管道图像,/>为图像的大小,本实施例中以图像大小为/>进行说明,即图像长度/>,图像宽度/>,单位为像素,需要说明的是,塑料管道表面图像和塑料管道图像并不是同一图像。
至此,得到了塑料管道图像。
需要说明的是,塑料管道图像存在一定的灰度变化,对其使用全局阈值分割可能将非缺陷的塑料管道正常部分划分为缺陷区域。故将图像划分为窗口,分析窗口内的像素点梯度和灰度值特征,获取其作为目标像素点的概率,根据目标像素点的像素点灰度值范围进行双阈值的划分。
步骤S002、对图像进行瓦片分割。
需要说明的是,全局阈值不能很好的满足塑料管道图像阈值分割的要求,所以对塑料管道图像进行窗口化处理,根据图像大小选取合适的窗口大小对图像进行划分。
具体的,对塑料管道图像进行等区域划分,塑料管道图像/>通过等区域划分得到/>个塑料管道窗口图像,/>为等区域划分的比例,本实施例中以等区域划分的比例b=32进行叙述,具体实施时可以设置为其他值,当等区域划分的比例不能使得塑料管道图像等区域划分时,即对塑料管道图像中的元素进行划分操作时,可能会超出塑料管道图像的边界,本实施例利用二次线性插值的方法将塑料管道图像超出边界的部分进行插值填充数据。
至此,得到了若干塑料管道窗口图像。
步骤S003、根据窗口中像素点梯度大小和聚集程度获取像素点目标程度,再通过像素点灰度值计算目标程度的关联系数,根据目标程度和关联系数获取目标像素点的加权目标程度。
需要说明的是,正常塑料管道表面灰度图像可能存在一定的灰度过度变化,但其变化梯度较低,而缺陷区域梯度变化较为剧烈,且缺陷区域的存在是一块高梯度像素点的集合。根据经验阈值获取高梯度像素点的分布情况以及灰度值范围。根据像素点的梯度以及高梯度像素点的聚集程度可以初步判断缺陷区域。再根据像素点灰度值与高梯度像素点的离散程度可以判断像素点灰度与目标像素点灰度的关联系数,根据初始目标程度和关联系数可以从窗口中区分目标像素点。
具体的,以任意一个塑料管道窗口图像为例,利用Sobel算子获取塑料管道窗口图像中像素点的梯度值并构建梯度矩阵,根据梯度矩阵构建梯度矩阵直方图,选取梯度矩阵直方图中的梯度最大值,记为Ma,将梯度矩阵中梯度值在0.8×MaMa之间的像素点作为初始目标像素点,获取初始目标像素点的像素值,利用标准差法排除初始目标像素点中的离群值,根据剩余初始目标像素点的灰度值范围确定初始灰度区间/>,其中/>表示初始灰度区间的最小灰度值,/>表示初始灰度区间的最大灰度值。
进一步地,预设像素点的邻域半径,需要说明的是,本实施例中预设像素点的邻域半径为5,根据塑料管道窗口图像中像素点和邻域半径范围内初始目标像素点的位置信息,得到塑料管道窗口图像中像素点的聚集程度,具体如下:
其中,为塑料管道窗口图像中第d个像素点的聚集程度,/>为预设像素点的邻域半径,/>为第d个像素点的邻域半径范围内包含初始目标像素点的总个数,所述邻域半径范围是指以第d个像素点为圆心以r为半径的圆构成的范围,/>为第d个像素点的邻域半径范围内第i个初始目标像素点的横坐标,/>为第d个像素点的邻域半径范围内第i个初始目标像素点的纵坐标,/>,/>分别为塑料管道窗口图像中第d个像素点的横坐标和纵坐标。用每个像素点周围高梯度点的欧氏距离除以圆的半径,这个比值越小说明周围高梯度点距离像素点越近,聚集程度也就越大,用一减去圆内所有高梯度点对应的该比值求和,得到的指标即表示了像素点周围高梯度点的聚集程度。
具体的,根据塑料管道窗口图像中像素点的梯度和聚集程度得到像素点的目标程度,具体如下:
其中,为塑料管道窗口图像中第d个像素点的梯度值,/>为塑料管道窗口图像中第d个像素点的聚集程度,/>为塑料管道窗口图像中第d个像素点的目标程度。
需要说明的是,除了考虑像素点的目标程度外,还应该考虑像素点灰度值是否处于初始灰度区间范围内,由于初始灰度区间中灰度值的分布呈现类似正太分布的分布规律,若一个像素点灰度值处于初始灰度区间范围内,则其与缺陷区域像素点有着较高的关联度,其关联系数就偏高,否则如果像素点灰度值不在初始灰度区间范围内,说明该像素点与缺陷区域像素点关联程度低,像素点的关联系数也低。
具体的,从梯度矩阵直方图中获取频数最大值对应的灰度值,当塑料管道图像中像素点灰度值在初始灰度区间范围内时,则根据初始灰度区间的最值和梯度矩阵直方图中频数最大值对应的灰度值,得到塑料管道窗口图像中像素点的关联系数为:
其中,为塑料管道窗口图像中初始灰度区间范围内第c个像素点的关联系数,所述第c个像素点的灰度值在初始灰度区间范围内,/>为塑料管道窗口图像中第c个像素点的灰度值,/>为梯度矩阵直方图中频数最大值对应的灰度值,/>为初始灰度区间的最小灰度值,/>为初始灰度区间的最大灰度值。
进一步地,当塑料管道图像中像素点的灰度值处于初始灰度区间外时,应保持分段函数(1)中的连续性,即满足如下连续情况的等式:
其中,为塑料管道窗口图像中初始灰度区间范围内第c个像素点的关联系数,/>为塑料管道窗口图像中初始灰度区间范围外第j个像素点的关联系数,/>为塑料管道窗口图像中第c个像素点的灰度值,/>为塑料管道窗口图像中第j个像素点的灰度值,/>为初始灰度区间中最大灰度值的左极限值,左极限值等于初始灰度区间的最大灰度值,/>为初始灰度区域中最大灰度值的右极限值,右极限值等于初始灰度区间的最大灰度值,lim为求极限符号,/>表示/>从左侧趋近于/>,/>表示/>从右侧趋近于。
具体的,当初始灰度区间范围外的像素点灰度值与梯度矩阵直方图中频数最大值对应的灰度值相差越大,其关联系数越小,且关联系数的变化越平缓,并且关联系数与塑料管道图像中像素点灰度值和梯度矩阵直方图中频数最大值对应的灰度值之间的差值成反比例关系,所述反比例关系中包含反比例系数,即:
其中,为塑料管道窗口图像中第r个像素点的关联系数,所述第r个像素点的灰度值在初始灰度区间范围外,/>为反比例系数,/>为梯度矩阵直方图中频数最大值对应的灰度值,/>为塑料管道窗口图像中第r个像素点的灰度值,且/>,其中为初始灰度区间的最小灰度值,/>为初始灰度区间的最大灰度值。
由于在初始灰度区间范围外时,有上述(2)式保证在处的连续,因此当塑料管道图像中像素点的灰度值等于初始灰度区间的最大灰度值时,可以根据(2)式确定反比例关系中的反比例系数a,具体如下:
其中,为初始灰度区间的最大灰度值,/>为梯度矩阵直方图中频数最大值对应的灰度值,/>为初始灰度区间的最小灰度值,/>为反比例系数。
进一步地,确定反比例系数a,具体如下:
其中,为初始灰度区间的最大灰度值,/>为梯度矩阵直方图中频数最大值对应的灰度值,/>为初始灰度区间的最小灰度值。
进一步地,根据反比例系数得到塑料管道窗口图像中像素点灰度值在初始灰度区间范围外时对应像素点的关联系数,具体如下:
式中,具体如下:
其中,为塑料管道窗口图像中第r个像素点的关联系数,所述第r个像素点的灰度值在初始灰度区间范围外,/>为反比例系数,/>为梯度矩阵直方图中频数最大值对应的灰度值,/>为塑料管道窗口图像中第r个像素点的灰度值,且/>,其中为初始灰度区间的最小灰度值,/>为初始灰度区间的最大灰度值。
至此,得到了塑料管道窗口图像中初始灰度区间范围内和初始灰度区间范围外像素点的关联系数。
进一步地,根据塑料管道窗口图像中像素点的关联系数和塑料管道窗口图像中像素点的目标程度,得到塑料管道窗口图像中像素点的加权目标程度,具体如下:
其中,为塑料管道窗口图像中第/>个像素点的目标程度,/>为塑料管道窗口图像中第/>个像素点的关联系数,/>为塑料管道窗口图像中第/>个像素点的加权目标程度。
至此,得到了加权目标程度。
步骤S004、根据加权目标程度确定窗口图像的分割双阈值,并确定缺陷区域。
具体的,获取塑料管道窗口图像中所有像素点的加权目标程度,预设程度阈值,本实施例中以预设程度阈值为0.85进行叙述,将加权目标程度大于预设程度阈值的像素点记为目标像素点,获取所有目标像素点,将所有目标像素点构成的点集记为目标像素点集。
进一步地,获取目标像素点集中像素点的灰度均值和目标像素点集中像素点的标准差,获取目标像素点集中像素点的个数,选取置信水平为99%,根据像素点的个数和置信水平确定正态分布的临界值。需要说明的是,确定正态分布的临界值为现有方法,可通过查表或使用统计软件找到正态分布的临界值,本实施不再具体赘述,本实施例中选取置信水平为99%,更加提高了双阈值的精准性,实施者可根据场景具体要求选择合适的置信水平,但应注意的是,置信水平的选取应尽量合适,太高的置信水平会导致将大范围的正常区域分割为缺陷。
进一步地,将目标像素点集中像素点的标准差与像素点的个数比值作为目标像素点集的标准误差,根据灰度均值、临界值以及标准误差得到目标像素点集的置信区间,获得目标像素点集的置信区间为现有方法,本实施例不再赘述,将目标像素点集的置信区间的最小值向下取整作为双阈值分割的一个阈值,将目标像素点集的置信区间的最大值向上取整作为双阈值分割的另一个阈值,利用Canny算子对塑料管道窗口图像进行阈值分割,得到塑料管道窗口图像的二值图像,二值图像中像素点灰度值为0的区域为背景,像素点灰度值为1的区域为缺陷区域,需要说明的是,Canny算子为双阈值分割,获取二值图像中的所有灰度值为1的连通域以及获取每个连通域中像素点的个数,预设数量阈值,本实施例中以预设数量阈值为8进行叙述,将连通域中像素点的个数大于预设数量阈值的连通域记为目标连通域,获取塑料管道窗口图像中所有目标连通域,将所有目标连通域中像素点的灰度值置为0,目的是排除噪声点或者其他干扰的影响。
进一步地,上述步骤处理的都是一个塑料管道窗口图像,同理对所有塑料管道窗口图像进行上述步骤处理,并将处理后的塑料管道窗口图像按照窗口顺序拼接得到处理后的塑料管道图像,处理后的塑料管道图像上灰度值为1的连通域为缺陷区域。
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 (10)
1.基于机器视觉的塑料管道外观缺陷检测方法,其特征在于,该方法包括以下步骤:
获取塑料管道图像,对塑料管道图像进行窗口划分得到若干塑料管道窗口图像;
根据塑料管道窗口图像中像素点的梯度值得到初始目标像素点和初始灰度区间,根据塑料管道窗口图像中像素点和邻域半径范围内初始目标像素点的位置信息,得到塑料管道窗口图像中像素点的聚集程度;
根据塑料管道窗口图像中像素点的梯度和聚集程度得到塑料管道窗口图像中像素点的目标程度,获取塑料管道窗口图像的梯度矩阵直方图,根据初始灰度区间和梯度矩阵直方图得到塑料管道窗口图像中在初始灰度区间范围内像素点的关联系数;
根据初始灰度区间获取反比例系数,根据反比例系数得到塑料管道窗口图像中在初始灰度区间范围外像素点的关联系数,将塑料管道窗口图像中在初始灰度区间范围内像素点的关联系数和初始灰度区间范围外像素点的关联系数均记为塑料管道窗口图像中像素点的关联系数,根据塑料管道窗口图像中像素点的关联系数和目标程度,得到塑料管道窗口图像中像素点的加权目标程度;
根据加权目标程度得到目标像素点集,根据目标像素点集获取得到分割双阈值,利用分割双阈值对塑料管道窗口图像进行分割,得到塑料管道窗口图像中的缺陷区域。
2.根据权利要求1所述基于机器视觉的塑料管道外观缺陷检测方法,其特征在于,所述对塑料管道图像进行窗口划分得到若干塑料管道窗口图像,包括的具体步骤如下:
对塑料管道图像进行等区域划分,塑料管道图像/>通过等区域划分得到个塑料管道窗口图像,/>为等区域划分的比例,/>为图像长度,/>为图像宽度。
3.根据权利要求1所述基于机器视觉的塑料管道外观缺陷检测方法,其特征在于,所述根据塑料管道窗口图像中像素点的梯度值得到初始目标像素点和初始灰度区间,包括的具体步骤如下:
利用Sobel算子获取塑料管道窗口图像中像素点的梯度值并构建梯度矩阵,根据梯度矩阵构建梯度矩阵直方图,选取梯度矩阵直方图中的梯度最大值,记为Ma,将梯度矩阵中梯度值在th1×MaMa之间的像素点作为初始目标像素点,获取初始目标像素点的像素值,利用标准差法排除初始目标像素点中的离群值,根据剩余初始目标像素点的灰度值范围确定初始灰度区间/>,其中/>表示初始灰度区间的最小灰度值,/>表示初始灰度区间的最大灰度值,th1为预设数值。
4.根据权利要求1所述基于机器视觉的塑料管道外观缺陷检测方法,其特征在于,所述根据塑料管道窗口图像中像素点和邻域半径范围内初始目标像素点的位置信息,得到塑料管道窗口图像中像素点的聚集程度,包括的具体步骤如下:
其中,为塑料管道窗口图像中第d个像素点的聚集程度,/>为预设像素点的邻域半径,为第d个像素点的邻域半径范围内包含初始目标像素点的总个数,所述邻域半径范围是指以第d个像素点为圆心以r半径的圆构成的范围,/>为第d个像素点的邻域半径范围内第i个初始目标像素点的横坐标,/>为第d个像素点的邻域半径范围内第i个初始目标像素点的纵坐标,/>和/>分别为塑料管道窗口图像中第d个像素点的横坐标和纵坐标。
5.根据权利要求1所述基于机器视觉的塑料管道外观缺陷检测方法,其特征在于,所述根据初始灰度区间和梯度矩阵直方图得到塑料管道窗口图像中在初始灰度区间范围内像素点的关联系数,包括的具体步骤如下:
其中,为塑料管道窗口图像中初始灰度区间范围内第c个像素点的关联系数,所述第c个像素点的灰度值在初始灰度区间范围内,/>为塑料管道窗口图像中第c个像素点的灰度值,/>为梯度矩阵直方图中频数最大值对应的灰度值,/>为初始灰度区间的最小灰度值,为初始灰度区间的最大灰度值。
6.根据权利要求1所述基于机器视觉的塑料管道外观缺陷检测方法,其特征在于,所述根据初始灰度区间获取反比例系数,包括的具体步骤如下:
其中,为初始灰度区间的最大灰度值,/>为梯度矩阵直方图中频数最大值对应的灰度值,/>为初始灰度区间的最小灰度值。
7.根据权利要求1所述基于机器视觉的塑料管道外观缺陷检测方法,其特征在于,所述根据反比例系数得到塑料管道窗口图像中在初始灰度区间范围外像素点的关联系数,包括的具体步骤如下:
其中,为塑料管道窗口图像中第r个像素点的关联系数,所述第r个像素点的灰度值在初始灰度区间范围外,/>为反比例系数,/>为梯度矩阵直方图中频数最大值对应的灰度值,/>为塑料管道窗口图像中第r个像素点的灰度值,且/>,其中/>为初始灰度区间的最小灰度值,/>为初始灰度区间的最大灰度值。
8.根据权利要求1所述基于机器视觉的塑料管道外观缺陷检测方法,其特征在于,所述根据塑料管道窗口图像中像素点的关联系数和目标程度,得到塑料管道窗口图像中像素点的加权目标程度,包括的具体步骤如下:
其中,为塑料管道窗口图像中第/>个像素点的目标程度,/>为塑料管道窗口图像中第/>个像素点的关联系数,/>为塑料管道窗口图像中第/>个像素点的加权目标程度。
9.根据权利要求1所述基于机器视觉的塑料管道外观缺陷检测方法,其特征在于,所述根据目标像素点集获取得到分割双阈值,包括的具体步骤如下:
获取目标像素点集中像素点的灰度均值和目标像素点集中像素点的标准差,获取目标像素点集中像素点的个数,选取置信水平为th2,th2为预设百分比阈值,根据像素点的个数和置信水平确定正态分布的临界值,将目标像素点集中像素点的标准差与像素点的个数比值作为目标像素点集的标准误差,根据灰度均值、临界值以及标准误差得到目标像素点集的置信区间,将目标像素点集的置信区间的最小值向下取整作为双阈值分割的一个阈值,将目标像素点集的置信区间的最大值向上取整作为双阈值分割的另一个阈值。
10.根据权利要求1所述基于机器视觉的塑料管道外观缺陷检测方法,其特征在于,所述利用分割双阈值对塑料管道窗口图像进行分割,得到塑料管道窗口图像中的缺陷区域,包括的具体步骤如下:
利用双阈值对塑料管道窗口图像进行阈值分割,得到塑料管道窗口图像的二值图像,二值图像中像素点灰度值为0的区域为背景,像素点灰度值为1的区域为缺陷区域,获取二值图像中的所有灰度值为1的连通域以及获取每个连通域中像素点的个数,预设数量阈值,将连通域中像素点的个数小于预设数量阈值的连通域记为目标连通域,获取塑料管道窗口图像中所有目标连通域,将所有目标连通域中像素点的灰度值置为0,对所有塑料管道窗口图像进行相同处理,并将处理后的塑料管道窗口图像按照窗口顺序拼接得到处理后的塑料管道图像,处理后的塑料管道图像上的灰度值为1的连通域为缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311020659.9A CN116740070B (zh) | 2023-08-15 | 2023-08-15 | 基于机器视觉的塑料管道外观缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311020659.9A CN116740070B (zh) | 2023-08-15 | 2023-08-15 | 基于机器视觉的塑料管道外观缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116740070A true CN116740070A (zh) | 2023-09-12 |
CN116740070B CN116740070B (zh) | 2023-10-24 |
Family
ID=87908329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311020659.9A Active CN116740070B (zh) | 2023-08-15 | 2023-08-15 | 基于机器视觉的塑料管道外观缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116740070B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117058147A (zh) * | 2023-10-12 | 2023-11-14 | 深圳市卓昕精密科技有限公司 | 基于计算机视觉的环保塑料制品缺陷检测方法 |
CN117095009A (zh) * | 2023-10-20 | 2023-11-21 | 山东绿康装饰材料有限公司 | 一种基于图像处理的pvc装饰板缺陷检测方法 |
CN117274241A (zh) * | 2023-11-17 | 2023-12-22 | 四川赢信汇通实业有限公司 | 一种基于快速图像分析的制动鼓表面损坏检测方法及装置 |
CN117274247A (zh) * | 2023-11-20 | 2023-12-22 | 深圳市海里表面技术处理有限公司 | 一种ltcc导体表面镀层质量视觉检测方法 |
CN117422712A (zh) * | 2023-12-15 | 2024-01-19 | 青岛合丰新材料有限公司 | 基于图像滤波处理的塑料母粒视觉检测方法及系统 |
CN117745724A (zh) * | 2024-02-20 | 2024-03-22 | 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 |
CN117764992A (zh) * | 2024-02-22 | 2024-03-26 | 山东乔泰管业科技有限公司 | 基于图像处理的塑料管材质量检测方法 |
CN117975175A (zh) * | 2024-04-02 | 2024-05-03 | 西安亚大塑料制品有限公司 | 一种基于机器视觉的塑料管道外观缺陷检测方法 |
CN118096579A (zh) * | 2024-04-19 | 2024-05-28 | 陕西博越腾达科技有限责任公司 | 一种3d打印点阵结构缺陷检测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012152336A1 (en) * | 2011-05-12 | 2012-11-15 | Centre De Visió Per Computador (Cvc) | Method for detecting defects on yarns |
KR101711949B1 (ko) * | 2015-08-25 | 2017-03-06 | 아주대학교 산학협력단 | 이미지 융합 방법 및 장치 |
WO2019000653A1 (zh) * | 2017-06-30 | 2019-01-03 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
US20200364849A1 (en) * | 2018-01-03 | 2020-11-19 | Southeast University | Method and device for automatically drawing structural cracks and precisely measuring widths thereof |
CN112862834A (zh) * | 2021-01-14 | 2021-05-28 | 江南大学 | 一种基于视觉显著区域和主动轮廓的图像分割方法 |
US20210174489A1 (en) * | 2019-12-04 | 2021-06-10 | Beijing Boe Optoelectronics Technology Co., Ltd. | Method and apparatus for detecting a screen, and electronic device |
CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
CN115115613A (zh) * | 2022-07-26 | 2022-09-27 | 南通博莹机械铸造有限公司 | 基于机器视觉的喷漆缺陷检测方法及系统 |
CN115147414A (zh) * | 2022-09-01 | 2022-10-04 | 南通三信塑胶装备科技股份有限公司 | 一种双极型功率晶体管表面击穿缺陷检测方法 |
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 |
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 |
CN115511842A (zh) * | 2022-09-29 | 2022-12-23 | 郑州科技学院 | 一种基于机器视觉的电缆绝缘表皮破损检测方法 |
-
2023
- 2023-08-15 CN CN202311020659.9A patent/CN116740070B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012152336A1 (en) * | 2011-05-12 | 2012-11-15 | Centre De Visió Per Computador (Cvc) | Method for detecting defects on yarns |
KR101711949B1 (ko) * | 2015-08-25 | 2017-03-06 | 아주대학교 산학협력단 | 이미지 융합 방법 및 장치 |
WO2019000653A1 (zh) * | 2017-06-30 | 2019-01-03 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
US20200364849A1 (en) * | 2018-01-03 | 2020-11-19 | Southeast University | Method and device for automatically drawing structural cracks and precisely measuring widths thereof |
US20210174489A1 (en) * | 2019-12-04 | 2021-06-10 | Beijing Boe Optoelectronics Technology Co., Ltd. | Method and apparatus for detecting a screen, and electronic device |
CN112862834A (zh) * | 2021-01-14 | 2021-05-28 | 江南大学 | 一种基于视觉显著区域和主动轮廓的图像分割方法 |
CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
CN115115613A (zh) * | 2022-07-26 | 2022-09-27 | 南通博莹机械铸造有限公司 | 基于机器视觉的喷漆缺陷检测方法及系统 |
CN115147414A (zh) * | 2022-09-01 | 2022-10-04 | 南通三信塑胶装备科技股份有限公司 | 一种双极型功率晶体管表面击穿缺陷检测方法 |
CN115511842A (zh) * | 2022-09-29 | 2022-12-23 | 郑州科技学院 | 一种基于机器视觉的电缆绝缘表皮破损检测方法 |
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 |
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 |
Non-Patent Citations (1)
Title |
---|
杨如林;丑修建;李庆;梁艳菊;: "一种快速鲁棒的红外图像分割方法", 电视技术, no. 03, pages 17 - 21 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117058147A (zh) * | 2023-10-12 | 2023-11-14 | 深圳市卓昕精密科技有限公司 | 基于计算机视觉的环保塑料制品缺陷检测方法 |
CN117058147B (zh) * | 2023-10-12 | 2023-12-26 | 深圳市卓昕精密科技有限公司 | 基于计算机视觉的环保塑料制品缺陷检测方法 |
CN117095009A (zh) * | 2023-10-20 | 2023-11-21 | 山东绿康装饰材料有限公司 | 一种基于图像处理的pvc装饰板缺陷检测方法 |
CN117095009B (zh) * | 2023-10-20 | 2024-01-12 | 山东绿康装饰材料有限公司 | 一种基于图像处理的pvc装饰板缺陷检测方法 |
CN117274241A (zh) * | 2023-11-17 | 2023-12-22 | 四川赢信汇通实业有限公司 | 一种基于快速图像分析的制动鼓表面损坏检测方法及装置 |
CN117274241B (zh) * | 2023-11-17 | 2024-02-09 | 四川赢信汇通实业有限公司 | 一种基于快速图像分析的制动鼓表面损坏检测方法及装置 |
CN117274247A (zh) * | 2023-11-20 | 2023-12-22 | 深圳市海里表面技术处理有限公司 | 一种ltcc导体表面镀层质量视觉检测方法 |
CN117274247B (zh) * | 2023-11-20 | 2024-03-29 | 深圳市海里表面技术处理有限公司 | 一种ltcc导体表面镀层质量视觉检测方法 |
CN117422712B (zh) * | 2023-12-15 | 2024-03-01 | 青岛合丰新材料有限公司 | 基于图像滤波处理的塑料母粒视觉检测方法及系统 |
CN117422712A (zh) * | 2023-12-15 | 2024-01-19 | 青岛合丰新材料有限公司 | 基于图像滤波处理的塑料母粒视觉检测方法及系统 |
CN117745724A (zh) * | 2024-02-20 | 2024-03-22 | 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 |
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 |
CN117764992A (zh) * | 2024-02-22 | 2024-03-26 | 山东乔泰管业科技有限公司 | 基于图像处理的塑料管材质量检测方法 |
CN117764992B (zh) * | 2024-02-22 | 2024-04-30 | 山东乔泰管业科技有限公司 | 基于图像处理的塑料管材质量检测方法 |
CN117975175A (zh) * | 2024-04-02 | 2024-05-03 | 西安亚大塑料制品有限公司 | 一种基于机器视觉的塑料管道外观缺陷检测方法 |
CN118096579A (zh) * | 2024-04-19 | 2024-05-28 | 陕西博越腾达科技有限责任公司 | 一种3d打印点阵结构缺陷检测方法 |
CN118096579B (zh) * | 2024-04-19 | 2024-07-05 | 陕西博越腾达科技有限责任公司 | 一种3d打印点阵结构缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116740070B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN114862862B (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
CN116168026B (zh) | 基于计算机视觉的水质检测方法及系统 | |
CN116109644B (zh) | 用于铜铝转接排的表面缺陷检测方法 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN115330767B (zh) | 一种腐蚀箔生产异常识别方法 | |
CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN115690105B (zh) | 一种基于计算机视觉的铣刀划痕检测方法 | |
CN113362306A (zh) | 一种基于深度学习的封装芯片缺陷检测方法 | |
CN117058147B (zh) | 基于计算机视觉的环保塑料制品缺陷检测方法 | |
CN115775250A (zh) | 基于数字图像分析的金手指电路板缺陷快速检测系统 | |
CN115049664A (zh) | 基于视觉的船舶发动机配件缺陷检测方法 | |
CN116091504A (zh) | 基于图像处理的连接管连接头质量检测方法 | |
CN112288693A (zh) | 圆孔检测方法、装置、电子设备及存储介质 | |
CN115689948B (zh) | 用于检测建筑供水管道裂痕的图像增强方法 | |
CN115937216A (zh) | 一种新能源汽车用磁转子外观质量检测方法 | |
CN117557820B (zh) | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 | |
CN115359053A (zh) | 一种金属板材缺陷智能检测方法及系统 | |
CN117893532B (zh) | 基于图像处理的模锻索具用模具裂纹缺陷检测方法 | |
CN115274486B (zh) | 一种半导体表面缺陷识别方法 | |
CN116385450A (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN115511907B (zh) | 一种用于led屏幕的划痕检测方法 | |
CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN114926441A (zh) | 一种注塑件加工成型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 |