CN116758071A - 一种视觉辅助下碳电极脏污智能检测方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及一种视觉辅助下碳电极脏污智能检测方法，包括：采集碳电极柱面图像，获取去噪后的碳电极柱面灰度图像并记为灰度图像；根据灰度图像，获取所有区域的异常程度；通过构建滑动窗口，得到各个窗口内的所有区域，并获取各个窗口内所有区域内脏污边缘存在概率；根据所有区域内脏污边缘存在概率，获取灰度图像中所有像素点新的梯度值；通过得到的灰度图像中所有像素点新的梯度值使用边缘检测算子进行边缘检测，获取灰度图中的脏污边缘。本发明通过对碳电极图像的梯度值进行增强，获取碳电极图像中的脏污边缘部分，达到准确检测碳电极内脏污的目的。

Description

一种视觉辅助下碳电极脏污智能检测方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种视觉辅助下碳电极脏污智能检测方法。

背景技术

碳电极是由碳元素组成的电极。碳电极具有导热导电、耐热、耐腐蚀等优点，被应用于冶金、化工等工业领域。在碳电极的生产或保存过程中，会由于机器油液滴漏或灰尘使得碳电极表面出现脏污现象，影响其工作性能。

但传统的碳电极脏污检测方法有图像减除方法、光反射法等；其中，图像减除方法需要获取与待检测碳电极相同规格的样品，使用场景限制比较大，而光反射法因利用了光线反射的原理，受光源影响较大，所以需要配备光源设备以及光纤接收设备，检测成本较高。

发明内容

本发明提供一种视觉辅助下碳电极脏污智能检测方法，以解决现有的问题。

本发明的一种视觉辅助下碳电极脏污智能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视觉辅助下碳电极脏污智能检测方法，该方法包括以下步骤：

采集碳电极柱面图像，获取去噪后的碳电极柱面灰度图像并记为灰度图像；

根据灰度图像，获取灰度图像中所有像素点的灰度值与梯度值，再对灰度图像进行区域划分，得到各个区域，根据区域中所有像素点的灰度值与梯度值、灰度图像中所有像素点的灰度均值，获取区域的异常程度；

构建滑动窗口，根据每个窗口内所有区域的异常程度与窗口内像素点的梯度方向，获取所有区域内脏污边缘存在概率；

根据所有区域内脏污边缘存在概率，对灰度图像中所有区域进行聚类，根据聚类结果，获取梯度增强系数，根据梯度增强系数、区域内脏污边缘存在概率以及区域内像素点的梯度值，获取灰度图像中所有像素点新的梯度值；

通过对得到的灰度图像中所有像素点新的梯度值使用边缘检测算子进行边缘检测，获取灰度图中的脏污边缘。

优选的，所述采集碳电极柱面图像，获取去噪后的碳电极柱面灰度图像，包括的具体步骤如下：

将碳电极放置于待检测区域，保证待检测区域的光照均匀，以白色背景作为待检测区域的背景颜色，在碳电极的正前方布置相机，采集碳电极柱面图像；然后将采集的碳电极柱面图像进行灰度化处理，得到碳电极柱面灰度图像，再对碳电极柱面灰度图像进行滤波处理去除图像噪声得到去噪后的碳电极柱面灰度图像。

优选的，所述获取灰度图像中所有像素点的灰度值与梯度值，再对灰度图像进行区域划分，包括的具体步骤如下：

通过sobel算子获取灰度图像中所有像素点的梯度大小，再将灰度图像均匀划分成个区域，/>为预设的划分灰度图像的区域范围。

优选的，所述获取区域的异常程度，包括的具体计算公式如下：

式中，为区域的异常程度；/>为区域内第/>个像素点的灰度值；/>为灰度图像的灰度均值；/>为区域内第/>个像素点的梯度大小；/>为区域内像素点梯度大小的均值；/>为区域内像素点的数量。

优选的，所述构建滑动窗口，包括的具体步骤如下：

构建一个大小的滑动窗口，以/>为滑动步长，利用滑动窗口对灰度图进行滑动。

优选的，所述获取所有区域内脏污边缘存在概率，包括的具体计算公式如下：

式中，为窗口内第/>个区域内脏污边缘存在概率；/>为窗口内第/>个区域的异常程度，/>为灰度图像中所有区域的异常程度均值，/>为窗口内所有区域的异常程度的方差，/>为窗口内第/>个区域内的第/>个像素点的梯度方向，/>为窗口内第/>个区域内所有像素点梯度方向的均值。

优选的，所述根据所有区域内脏污边缘存在概率，对灰度图像中所有区域进行聚类，包括的具体步骤如下：

通过k-means聚类将灰度图像中所有区域内脏污边缘存在概率进行分类，k-means聚类的K值设定为2，得到灰度图像中所有区域的聚类结果。

优选的，所述获取梯度增强系数，包括的具体步骤如下：

将脏污边缘存在概率大的聚类结果中最小的脏污边缘存在概率记为第一系数；将脏污边缘存在概率小的聚类结果中最大的脏污边缘存在概率记为第二系数；以第一系数与第二系数的均值作为梯度增强系数记为。

优选的，所述获取灰度图像中所有像素点新的梯度值，包括的具体步骤如下：

通过根据各个区域内脏污边缘存在概率与梯度增强系数的比值乘以各个区域内所有像素点的梯度值的积，作为灰度图像中所有像素点新的梯度值。

优选的，所述获取灰度图中的脏污边缘，包括的具体步骤如下：

通过canny边缘检测算子对所有像素点新的梯度值进行边缘检测，获得边缘像素点，若在边缘像素点的八邻域内，存在两个及两个以上的边缘像素点，则边缘像素点是连续的，反之若在边缘像素点的八邻域内，不存在两个及两个以上的边缘像素点，则边缘像素点是不连续的；

最后若连续的边缘像素点能够形成一个闭合图形，则由连续的边缘像素点所形成的闭合图形为脏污边缘。

本发明的技术方案的有益效果是：常规的碳电极脏污检测方法有图像减除方法、光反射法等。其中，图像减除方法需要获取与待检测碳电极相同规格的样品，使用场景限制比较大；光反射法因利用了光线反射的原理，受光源影响较大，所以需要配备光源设备以及光纤接收设备，检测成本较高。

而本发明利用图像处理对脏污进行边缘检测，通过对碳电极图像的梯度值进行增强，获取碳电极图像中的脏污边缘部分，以较低的检测成本达到准确检测碳电极内脏污的目的。

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为本发明一种视觉辅助下碳电极脏污智能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一种视觉辅助下碳电极脏污智能检测方法，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视觉辅助下碳电极脏污智能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视觉辅助下碳电极脏污智能检测方法的步骤流程图，该方法包括以下步骤：

步骤S001：采集碳电极柱面图像，对图像进行预处理操作得到碳电极柱面灰度图像。

需要说明的是，在采集碳电极柱面图像时，需要在采集碳电极柱面图像尽量减少光照对碳电极柱面上的脏污检测的干扰，同时由于碳电极表面存在一些纹理较弱的非边缘区域，所以需要对碳电极柱面灰度图像进行去噪。

具体的，将碳电极放置于待检测区域，保证待检测区域的光照均匀，且待检测区域的背景与碳电极柱面有明显的色彩差异，在本实施例中以白色背景作为待检测区域的背景颜色，待检测区域的背景颜色可以根据具体实际情况自行设置，本实施例不做具体限制，然后在碳电极的正前方布置相机，采集碳电极柱面图像。

然后将采集的碳电极柱面图像进行灰度化处理，得到碳电极柱面灰度图像，再对碳电极柱面灰度图像进行高斯滤波处理去除图像噪声，而高斯滤波作为一种公知的技术，故在本实施例中不进行详细描述。

至此，得到了去噪后的碳电极柱面灰度图像，记为灰度图像。

步骤S002：获取灰度图像中像素点的梯度方向与梯度大小，再对灰度图像划分区域，计算每个区域的异常程度。

需要说明的是，由于碳电极表面上的脏污形状、大小、位置具有不确定性，所以需要对图像进行区域划分；而在碳电极表面中，脏污的灰度值和正常区域的灰度值会有明显的差异，且存在脏污的区域内灰度分布不均匀，导致存在脏污的区域的灰度梯度的方差较大，所以可以根据每个区域内的灰度值与灰度梯度，计算每个区域与灰度图像的差异程度记为异常程度。

具体的，首先通过Sobel算子获取灰度图像中所有像素点的梯度大小与梯度方向，将像素点梯度大小与梯度方向分别记为记为与/>，再将灰度图像均匀划分成/>个区域，/>为本实施例预设的划分灰度图像的区域范围，其中/>的取值可根据具体情况自行设置，本实施例不做具体限制，在本实施例中以/>进行描述；在对灰度图像进行区域划分时，若剩下的的区域的长或宽小于/>时，则以剩下区域的长或宽作为划分剩下区域的长或宽；最后根据每个区域中像素点的灰度值与梯度值、灰度图像的灰度值以及每个区域的梯度值，得到每个区域的异常程度，其具体公式为：

式中，为区域的异常程度；/>为区域内第/>个像素点的灰度值；/>为灰度图像的灰度均值；/>为区域内第/>个像素点的梯度大小；/>为区域内像素点梯度大小的均值；/>为区域内像素点的数量。

需要进行说明的是，表征的是区域内的像素点灰度值相对灰度图像的灰度值的偏离程度，当/>越大，区域的异常程度越大；/>表征的是区域内像素点的梯度大小的方差，当/>越大时，区域内的像素点梯度大小越离散，区域的异常程度越大；当区域的异常程度/>越大时，区域内存在脏污的可能性就越大。

至此，得到每个区域的异常程度。

步骤S003：根据区域的异常程度获取所有区域内脏污边缘存在概率。

需要说明的是，通常情况下，脏污出现在碳电极表面时为区域性分布，在脏污区域与正常区域交界处，区域异常程度会发生变化，即当区域内存在脏污边界时，区域内的异常程度方差大，同时区域的梯度方向与区域内各个像素点的梯度方向差异大；而当区域内不存在脏污边界时，区域内的异常程度方差小，同时区域的梯度方向与区域内各个像素点的梯度方向差异小；根据区域的异常程度计算区域内脏污边缘存在概率。

具体的，构建一个大小的滑动窗口，在本实施例中取/>，其中/>的取值可根据具体的实际情况自行设置，本实施例不做具体限制，以/>为滑动步长，利用滑动窗口对灰度图进行滑动，通过每个窗口内区域的异常程度与窗口内像素点的梯度方向，计算所有区域内脏污边缘存在概率，具体的计算公式如下：

式中，为窗口内第/>个区域内脏污边缘存在概率；/>为窗口内第/>个区域的异常程度，/>为灰度图像中所有区域的异常程度均值，/>为窗口内所有区域的异常程度的方差，/>为窗口内第/>个区域内的第/>个像素点的梯度方向，/>为窗口内第/>个区域内所有像素点梯度方向的均值。

至此，窗口滑动过程中获得每个窗口内每个区域的异常程度以及每个区域中像素点的梯度方向，从而获取所有区域内脏污边缘存在概率。

步骤S004：通过所有区域内脏污边缘存在概率，对灰度图像中所有区域进行分类，根据分类结果，获取灰度图像中所有像素点新的梯度值。

需要说明的是，当区域内脏污边缘存在概率越大，就越需要对该区域内所有像素点进行增强，即该区域内所有像素点的新梯度值就应该越大，反之当区域内脏污边缘存在概率越小，就越不需要对该区域内所有像素点进行增强，即该区域内所有像素点的新梯度值就应该越小，故首先需要将灰度图像中的各个区域分为两类。

具体的，首先通过k-means聚类将灰度图像中所有区域内脏污边缘存在概率进行分类，其中k-means聚类的K值设定为2，得到灰度图像中所有区域的聚类结果，由于k-means聚类方法作为一种公知的现有技术，故在本实施例中不进行详细叙述；

然后将平均脏污边缘存在概率大的聚类结果中最小的脏污边缘存在概率记为第一系数；将平均脏污边缘存在概率小的聚类结果中最大的脏污边缘存在概率记为第二系数；以第一系数与第二系数的均值作为梯度增强系数记为。

最后，通过每个区域内脏污边缘存在概率、梯度增强系数以及每个像素点的梯度值得到新的梯度值，其具体计算式为：

式中，为第/>个区域内第/>个像素点新梯度值；/>为第/>个区域内脏污边缘存在概率，/>为梯度增强系数，/>为第/>个区域内第/>个像素点的梯度值。

同理获得所有像素点新的梯度值。

至此，所有像素点新的梯度值。

步骤S005：对得到的所有像素点新的梯度值通过现有的边缘检测算子进行边缘检测，获取灰度图中的脏污边缘。

传统的canny边缘检测算子是通过sobel算子获取图像中像素点的梯度，然后根据图像中像素点的梯度，检测图像中的边缘；而本实施例通过灰度图像中每个区域内脏污边缘存在概率、梯度增强系数以及每个像素点的梯度值得到新的梯度值，直接以新的梯度值作为canny边缘检测算子检测边缘的依据，获取灰度图像中的脏污边缘，其中由于canny边缘检测算子作为一种公知的现有技术，故在本实施例中不进行描述；

若在灰度图像中经边缘检测结果显示有连续闭合的边缘，则判断为存在脏污缺陷，边缘处即为脏污位置。

其中判断边缘像素点是否连续，可通过边缘像素点的八邻域内是否存在两个及两个以上的边缘像素点，若在边缘像素点的八邻域内，存在两个及两个以上的边缘像素点则认为该边缘像素点是连续的，反之若在边缘像素点的八邻域内，不存在两个及两个以上的边缘像素点则认为该边缘像素点是不连续的；

最后若连续的边缘像素点能够形成一个闭合图形，则认为由连续的边缘像素点所形成的闭合图形为脏污边缘。

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)

1.一种视觉辅助下碳电极脏污智能检测方法，其特征在于，该方法包括以下步骤：

采集碳电极柱面图像，获取去噪后的碳电极柱面灰度图像并记为灰度图像；

根据灰度图像，获取灰度图像中所有像素点的灰度值与梯度值，再对灰度图像进行区域划分，得到各个区域，根据区域中所有像素点的灰度值与梯度值、灰度图像中所有像素点的灰度均值，获取区域的异常程度；

构建滑动窗口，根据每个窗口内所有区域的异常程度与窗口内像素点的梯度方向，获取所有区域内脏污边缘存在概率；

根据所有区域内脏污边缘存在概率，对灰度图像中所有区域进行聚类，根据聚类结果，获取梯度增强系数，根据梯度增强系数、区域内脏污边缘存在概率以及区域内像素点的梯度值，获取灰度图像中所有像素点新的梯度值；

通过对得到的灰度图像中所有像素点新的梯度值使用边缘检测算子进行边缘检测，获取灰度图中的脏污边缘。

2.根据权利要求1所述一种视觉辅助下碳电极脏污智能检测方法，其特征在于，所述采集碳电极柱面图像，获取去噪后的碳电极柱面灰度图像，包括的具体步骤如下：

将碳电极放置于待检测区域，保证待检测区域的光照均匀，以白色背景作为待检测区域的背景颜色，在碳电极的正前方布置相机，采集碳电极柱面图像；然后将采集的碳电极柱面图像进行灰度化处理，得到碳电极柱面灰度图像，再对碳电极柱面灰度图像进行滤波处理去除图像噪声得到去噪后的碳电极柱面灰度图像。

3.根据权利要求1所述一种视觉辅助下碳电极脏污智能检测方法，其特征在于，所述获取灰度图像中所有像素点的灰度值与梯度值，再对灰度图像进行区域划分，包括的具体步骤如下：

通过sobel算子获取灰度图像中所有像素点的梯度大小，再将灰度图像均匀划分成个区域，/>为预设的划分灰度图像的区域范围。

4.根据权利要求1所述一种视觉辅助下碳电极脏污智能检测方法，其特征在于，所述获取区域的异常程度，包括的具体计算公式如下：

式中，为区域的异常程度；/>为区域内第/>个像素点的灰度值；/>为灰度图像的灰度均值；/>为区域内第/>个像素点的梯度大小；/>为区域内像素点梯度大小的均值；/>为区域内像素点的数量。

5.根据权利要求1所述一种视觉辅助下碳电极脏污智能检测方法，其特征在于，所述构建滑动窗口，包括的具体步骤如下：

构建一个大小的滑动窗口，以/>为滑动步长，利用滑动窗口对灰度图进行滑动。

6.根据权利要求1所述一种视觉辅助下碳电极脏污智能检测方法，其特征在于，所述获取所有区域内脏污边缘存在概率，包括的具体计算公式如下：

式中，为窗口内第/>个区域内脏污边缘存在概率；/>为窗口内第/>个区域的异常程度，/>为灰度图像中所有区域的异常程度均值，/>为窗口内所有区域的异常程度的方差，为窗口内第/>个区域内的第/>个像素点的梯度方向，/>为窗口内第/>个区域内所有像素点梯度方向的均值。

7.根据权利要求1所述一种视觉辅助下碳电极脏污智能检测方法，其特征在于，所述根据所有区域内脏污边缘存在概率，对灰度图像中所有区域进行聚类，包括的具体步骤如下：

通过k-means聚类将灰度图像中所有区域内脏污边缘存在概率进行分类，k-means聚类的K值设定为2，得到灰度图像中所有区域的聚类结果。

8.根据权利要求1所述一种视觉辅助下碳电极脏污智能检测方法，其特征在于，所述获取梯度增强系数，包括的具体步骤如下：

将脏污边缘存在概率大的聚类结果中最小的脏污边缘存在概率记为第一系数；将脏污边缘存在概率小的聚类结果中最大的脏污边缘存在概率记为第二系数；以第一系数与第二系数的均值作为梯度增强系数记为。

9.根据权利要求1所述一种视觉辅助下碳电极脏污智能检测方法，其特征在于，所述获取灰度图像中所有像素点新的梯度值，包括的具体步骤如下：

通过根据各个区域内脏污边缘存在概率与梯度增强系数的比值乘以各个区域内所有像素点的梯度值的积，作为灰度图像中所有像素点新的梯度值。

10.根据权利要求1所述一种视觉辅助下碳电极脏污智能检测方法，其特征在于，所述获取灰度图中的脏污边缘，包括的具体步骤如下：

通过canny边缘检测算子对所有像素点新的梯度值进行边缘检测，获得边缘像素点，若在边缘像素点的八邻域内，存在两个及两个以上的边缘像素点，则边缘像素点是连续的，反之若在边缘像素点的八邻域内，不存在两个及两个以上的边缘像素点，则边缘像素点是不连续的；

最后若连续的边缘像素点能够形成一个闭合图形，则由连续的边缘像素点所形成的闭合图形为脏污边缘。