CN116823835B - 基于机器视觉的瓶装水杂质检测方法 - Google Patents
基于机器视觉的瓶装水杂质检测方法 Download PDFInfo
- Publication number
- CN116823835B CN116823835B CN202311100241.9A CN202311100241A CN116823835B CN 116823835 B CN116823835 B CN 116823835B CN 202311100241 A CN202311100241 A CN 202311100241A CN 116823835 B CN116823835 B CN 116823835B
- Authority
- CN
- China
- Prior art keywords
- bottled water
- pixel point
- pixel
- window
- image
- 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
- 235000012206 bottled water Nutrition 0.000 title claims abstract description 174
- 239000012535 impurity Substances 0.000 title claims abstract description 65
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 63
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 46
- 230000008569 process Effects 0.000 claims description 17
- 235000020112 bottled filtered water Nutrition 0.000 claims description 13
- 238000003708 edge detection Methods 0.000 claims description 7
- 229930014626 natural product Natural products 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002372 labelling 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
- 235000009566 rice Nutrition 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/90—Investigating the presence of flaws or contamination in a container or its contents
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理领域,具体涉及基于机器视觉的瓶装水杂质检测方法,包括:采集灰度瓶装水图像,获取瓶装水的边缘图像;根据瓶装水的边缘图像得到边缘像素点的拟合权值;然后得到瓶装水的气泡主要分布方向的直线;根据灰度瓶装水图像得到最佳邻域窗口宽度,并得到邻域分布参数;根据灰度瓶装水图像得到特征筛选参数;并得到每个像素点为气泡像素点的可能性;获取每个像素点的概率判定系数,根据可能性和概率判定系数得到滤波窗口的宽度;根据邻域窗口内像素点之间的距离得到窗口内每个像素点的滤波权值,然后得到滤波之后瓶装水的灰度图并进行瓶装水杂质的检测。本发明用图像处理对图像进行滤波,提高瓶装水中杂质检测的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于机器视觉的瓶装水杂质检测方法。
背景技术
随着科技的发展,人们的生活便捷性提高,瓶装水已经充斥在我们生活的每一个角落之中。而瓶装水作为直接供人饮用的产品,其质量和安全性至关重要。尤其是瓶装水的杂质的存在可能给消费者的健康带来潜在风险。通过进行杂质检测,可以确保瓶装水符合相关的质量标准和规定,提供高质量、安全可靠的产品给消费者。
现有技术在利用计算机视觉对瓶装水进行杂质检测的时候,往往是直接通过对应的图像识别算法进行检测,但是在检测的过程中,因为瓶装水中可能存在一定的程度的气泡,而气泡的存在会使得检测算法错误识别,使得进行杂质检测的时候出现误检的现象,从而造成不必要的影响。本发明提出了一种基于机器视觉的瓶装水杂质检测方法,具体过程为在利用图像识别算法进行瓶装水的杂质检测之前,利用滤波算法对瓶装水图像进行处理,滤除其中的气泡影响因素,而后利用无气泡影响的瓶装水图像进行对应的杂质检测。
发明内容
本发明提供基于机器视觉的瓶装水杂质检测方法,以解决现有的问题。
本发明的基于机器视觉的瓶装水杂质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瓶装水杂质检测方法,该方法包括以下步骤:
采集灰度瓶装水图像;
对灰度瓶装水图像进行边缘检测得到瓶装水的边缘图像;根据边缘图像中的所有边缘像素点得到边缘图像中每个边缘像素点的拟合权值;根据边缘图像中每个边缘像素点的拟合权值得到瓶装水的气泡主要分布方向的直线;
根据灰度瓶装水图像得到每个像素点的最佳邻域窗口宽度,根据每个像素点的最佳邻域窗口宽度得到每个像素点的邻域分布参数;根据灰度瓶装水图像中每个像素点的灰度值与所有像素点的灰度均值之间的差值的绝对值得到每个像素点的特征筛选参数;
根据邻域分布参数、特征筛选参数和瓶装水的气泡主要分布方向的直线得到灰度瓶装水图像中每个像素点为气泡像素点的可能性;
根据每个像素点为气泡像素点的可能性得到每个像素点的概率判定系数,根据每个像素点为气泡像素点的可能性和每个像素点的概率判定系数得到每个像素点滤波窗口的宽度;
将灰度瓶装水图像中任意一个像素点记为中心像素点;
根据中心像素点为气泡像素点的可能性和中心像素点与中心像素点窗口邻域内像素点之间的距离得到中心像素点窗口邻域内每个像素点的滤波权值;根据中心像素点窗口邻域内每个像素点的滤波权值和中心像素点滤波窗口的宽度进行滤波处理得到滤波之后瓶装水的灰度图;
根据滤波之后瓶装水的灰度图进行瓶装水杂质的检测。
进一步地,所述边缘图像中每个边缘像素点的拟合权值的具体获取步骤如下:
拟合权值的公式为:
式中,和/>表示第n个边缘像素点的水平方向和竖直方向的位置坐标,/>和/>表示除了第n个边缘像素点之外的所有边缘像素点中的第t个边缘像素点的水平方向和竖直方向的位置坐标,/>表示瓶装水的边缘图像中的所有边缘像素点的数量,/>表示自然常数,表示第n个边缘像素点的拟合权值。
进一步地,所述瓶装水的气泡主要分布方向的直线的具体获取步骤如下:
对瓶装水的边缘图像中每个边缘像素点的水平和竖直方向上的位置坐标都乘以每个像素点对应的拟合权值,得到每个边缘像素点新的位置坐标,根据所有边缘像素点新的位置坐标通过最小二乘法进行直线拟合,得到瓶装水的气泡主要分布方向的直线。
进一步地,所述每个像素点的最佳邻域窗口宽度的具体获取步骤如下:
获取以第i个像素点为窗口中心像素点,以m为窗口宽度的一个邻域窗口,记为窗口m,计算窗口m内除了中心像素点之外所有像素点灰度均值,记为,将窗口m的中心像素点的灰度值记为/>,获取/>与/>比值,记为/>;再获取以第i个像素点为窗口中心像素点,以m+1为窗口宽度的一个邻域窗口,记为窗口m+1,计算窗口m+1内除了中心像素点之外所有像素点灰度均值,记为/>,将窗口m+1的中心像素点的灰度值记为/>,获取/>与/>比值,记为/>;计算所有以第i个像素点为窗口中心像素点,以窗口宽度差1的/>和/>之间差值的绝对值,记为H,获取H最大时所对应的窗口宽度差1的两个窗口中最小窗口宽度作为最佳邻域窗口宽度。
进一步地,所述每个像素点的邻域分布参数的具体获取步骤如下:
每个像素点的邻域分布参数的公式为:
式中,表示在灰度瓶装水图像中以第/>个像素点为中心像素点的最佳邻域窗口宽度,/>表示在灰度瓶装水图像中以第/>个像素点为中心像素点的邻域分布参数,/>表示自然常数。
进一步地,所述灰度瓶装水图像中每个像素点为气泡像素点的可能性的具体获取步骤如下:
灰度瓶装水图像中每个像素点为气泡像素点的可能性的公式为:
式中,表示在灰度瓶装水图像中第/>个像素点的特征筛选参数,/>表示在灰度瓶装水图像中以第/>个像素点为中心像素点的邻域分布参数,/>表示在灰度瓶装水图像中第/>个像素点为气泡像素点的可能性,/>表示第/>个像素点到瓶装水的气泡主要分布方向直线/>之间的欧式距离。
进一步地,所述每个像素点的概率判定系数的具体获取步骤如下:
根据所有像素点为气泡像素点的可能性求均值得到灰度瓶装水图像中的所有的像素点对应为气泡像素点的可能性均值,用表示;根据/>与/>之间的关系获取每个像素点对应的概率判定系数,具体为:当/>时,则第/>个像素点的概率判定系数置为0,当时,则第/>个像素点的概率判定系数置为1,/>表示在灰度瓶装水图像中第/>个像素点为气泡像素点的可能性。
进一步地,所述每个像素点滤波窗口的宽度的具体获取步骤如下:
每个像素点滤波窗口的宽度的公式为:
式中,表示在灰度瓶装水图像中第/>个像素点为气泡像素点的可能性,/>表示灰度瓶装水图像中的所有的像素点对应为气泡像素点的可能性均值,/>表示第i个像素点的概率判定系数,/>表示窗口调节参数,/>表示第i个像素点滤波窗口的宽度,/>表示自然常数,表示向下取整。
进一步地,所述根据中心像素点为气泡像素点的可能性和中心像素点与中心像素点窗口邻域内像素点之间的距离得到中心像素点窗口邻域内每个像素点的滤波权值,包括的具体步骤如下:
以第i个像素点为窗口中心像素点,且以每个像素点滤波窗口的宽度获取滤波窗口,计算第i个像素点和滤波窗口内第/>个像素点之间的距离,记为R,计算R和第i个像素点为气泡像素点的可能性的比值,记为/>,表示以第i个像素点为中心像素点的滤波窗口内第/>个像素点的滤波权值。
进一步地,所述根据滤波之后瓶装水的灰度图进行瓶装水杂质的检测,包括的具体步骤如下:
对滤波之后瓶装水的灰度图利用canny边缘检测算法得到滤波之后瓶装水的边缘图像;
获取滤波之后瓶装水的边缘图像中边缘像素点的个数,记为gg,获取滤波之后瓶装水的边缘图像所有像素点的个数,记为Gg,计算gg与Gg的比值,记为瓶装水中的杂质占比,用bb表示;
当瓶装水中的杂质占比bb大于等于预设阈值B,则瓶装水中的杂质多,不能够饮用;当瓶装水中的杂质占比bb小于预设阈值B,则瓶装水中的杂质少,能够饮用。
本发明的技术方案的有益效果是:通过利用气泡的方向以及灰度值特征,进而计算每个像素点为气泡像素点的可能性,并且通过可能性进行不同像素点的自适应滤波参数的计算,以此来进行瓶装水中的气泡图像的滤除,使得在进行瓶装水的杂质检测的时候整体图像不受气泡的影响,从而检测的速度更快,检测的精度越高。
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为本发明基于机器视觉的瓶装水杂质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瓶装水杂质检测方法,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机器视觉的瓶装水杂质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瓶装水杂质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瓶装水的图像,并对其进行预处理获得处理之后的瓶装水的灰度图。
需要说明的是,本实施例进行瓶装水的杂质检测所采用的方式为图像检测的方式,所以需要对瓶装水的图像进行采集,为了后续的使用,并对其进行预处理获取灰度图。
具体地,首先布置纯属背景板使其垂直于传送带方向,其次布置侧面灯光提供在进行瓶装水拍照时光源,最后利用平行于传送带方向的工业相机对传送带上的瓶装水进行图像拍摄获得未处理的瓶装水图像;瓶装水的图像包含了大量的背景信息以及图像为多通道图像,在进行后续的水中杂质检测的时候,会进行无关的大量信息的计算,所以需要对其进行预处理,具体的预处理过程为:首先利用人工标注以及神经网络计算对所采集的瓶装水的原始图像进行背景分离,仅保留瓶装水图像,而后对瓶装水原始分割图进行灰度化处理获得瓶装水的灰度图,记为灰度瓶装水图像。
至此,得到灰度瓶装水图像。
步骤S002:对灰度瓶装水图像进行滤波处理,获得滤波之后无气泡影响的瓶装水图像。
需要说明的是,在瓶装水中,气泡是因为传送带的运动使得瓶中的水体发生运动,从而混入一定程度的气泡,整体气泡较为细密,且具有一定的方向性;而其中杂质在瓶装水的分布中较为随机,且整体的杂质相较于气泡而言面积更大,所以本实施例基于此特征,对瓶装水的灰度图进行每个像素点为气泡像素点的可能性计算,而后通过其对应的可能性获取不同像素点的滤波参数来对瓶装水图像进行滤波。
(1)对灰度瓶装水图像进行边缘检测,并根据边缘像素点进行拟合获得瓶装水的气泡主要分布方向。
进一步需要说明的是,瓶装水中的杂质与气泡在灰度图上具有较为相似的灰度特征,所以仅利用灰度特征对气泡进行滤除的时候往往较为复杂,且在进行滤波的时候容易将杂质信息滤除掉,但是气泡在瓶装水中的分布具有一定的方向性,而杂质则是随机分布,所以本实施例利用这一特征首先对瓶装水的气泡主要分布方向进行获取,而后在气泡的主要分布方向上进行瓶装水对应的气泡滤波。其中瓶装水的气泡主要分布方向的获取方式为利用图像的边缘信息进行加权拟合。因为瓶装水的灰度图中,杂质与气泡在灯光下与背景信息都有着明显的差别,所以根据气泡特征获取气泡的主要分布方向。
具体地,首先,对瓶装水的灰度图进行canny边缘检测,获得瓶装水的边缘图像,其中,边缘信息包括气泡边缘和杂质边缘。其次,对瓶装水的边缘图像中的所有的边缘像素点进行位置标记,获得每个边缘像素点的位置信息,以第个边缘像素点为例,其对应的位置信息为/>,其中规定图像的左下角像素点为坐标原点,将水平向右方向记为/>方向,将竖直向上记为/>方向,则/>和/>表示第n个像素点的水平方向和竖直方向的位置坐标;而后对每个边缘像素点进行位置拟合权值的计算,以瓶装水的第/>个边缘像素点为例,其对应的拟合权值/>计算方式如下所示:
式中,和/>表示第n个边缘像素点的水平方向和竖直方向的位置坐标,/>和/>表示除了第n个边缘像素点之外的所有边缘像素点中的第t个边缘像素点的水平方向和竖直方向的位置坐标,/>表示瓶装水的边缘图像中的所有边缘像素点的数量,/>表示自然常数,表示第n个边缘像素点的拟合权值。
其中,在瓶装水中,气泡的分布较为集中且比较多,而杂质是十分少量的,即在边缘图像中,属于气泡的边缘像素点是较多的,且较为集中,所以本实施例对第个边缘像素点与其余所有的边缘像素点的位置信息进行对应的欧式距离计算并求取均值,该均值越大,则说明这个边缘像素点与其余边缘像素点而言,整体的分布越不集中,则其为气泡对应的边缘像素点的概率也就越大,所以该边缘像素点在进行气泡主要分布方向的方向直线拟合的时候其对应的位置信息的权值应该越大,反之则相反。
根据每个边缘像素点的拟合权值对每个边缘像素点的位置坐标的水平和竖直方向的值都乘以拟合权值,即获取每个边缘像素点新的位置坐标,根据所有边缘像素点新的位置坐标根据最小二乘法进行直线拟合,得到瓶装水的气泡主要分布方向的直线。
至此,得到瓶装水的气泡主要分布方向的直线。
(2)利用瓶装水的气泡主要分布方向直线结合瓶装水的灰度图灰度特征进行每个像素点为气泡的可能性计算。
需要说明的是,本实施例是通过滤波的方式对于瓶装水图像中的气泡进行滤除,而在进行滤波的时候首先需要进行计算所有的像素点为气泡像素点的可能性,而在计算所有的像素点为气泡像素点的可能性时需要计算每个像素点的邻域分布参数和每个像素点的特征筛选参数。
进一步需要说明的是,在瓶装水的图像中,气泡与杂质区域的像素点的灰度值在邻域内都是较为接近的;虽然气泡和杂质的像素点的灰度值是较为相似的,但是气泡对于杂质而言,整体在图像中表现的较小。所以本实施例通过对第个像素点的邻域像素点与第/>个像素点进行最大相似灰度值的邻域分析,该邻域越大则说明,则说明其为气泡像素点的可能想越小,反之则相反。
具体地,最大相似邻域计算为:通过量化相邻的窗口大小(例如与则为相邻的窗口大小)内的像素点的灰度值的均值与第/>个像素点的比值的差异值,如果在相邻的窗口内所有的像素点的灰度值与第/>个像素点的灰度值较为接近,则说明第/>个像素点的最大相似灰度值邻域要大于该窗口,即在第/>的窗口大小内,反之则相反。对应得量化出来的窗口大小越大,则说明第/>个像素点为气泡像素点的可能性越小。
获取每个像素点的最佳邻域窗口宽度,获取方法如下:
式中,表示在灰度瓶装水图像中第i个像素点灰度值,/>表示在灰度瓶装水图像中以第i个像素点为中心像素点,其/>邻域内的除了中心像素点之外的所有像素点的灰度值的均值,/>表示在灰度瓶装水图像中以第i个像素点为中心像素点,其邻域内的除了中心像素点之外的所有像素点的灰度值的均值,/>表示邻域窗口的宽度,/>表示取最大值函数,/>表示在灰度瓶装水图像中以第/>个像素点为中心像素点的最佳邻域窗口宽度,/>表示为条件最大值,即在条件/>最大时对应的/>值,则/>表示在条件/>最大时对应的m值。
其中,预设一个最大宽度阈值M,其中本实施例以M=50为例进行叙述,本实施例不进行具体限定,其中M可根据具体实施情况而定。结合具体给定窗口宽度范围为,其中/>表示邻域窗口的选择的最大宽度阈值。
每个像素点的邻域分布参数的计算方式如下所示:
式中,表示在灰度瓶装水图像中以第/>个像素点为中心像素点的最佳邻域窗口宽度,/>表示在灰度瓶装水图像中以第/>个像素点为中心像素点的邻域分布参数,/>表示自然常数。其中,当/>越大时,说明第/>个像素点通过邻域特征分析其为气泡的可能性就越大。
需要说明的是,瓶装水图像中的像素点具体分为两个明显的部分,一个是瓶装水图像中的背景信息所对应的像素点,另一个部分是气泡或者杂质信息对应的像素点。而在整体的图像之中,背景信息在整体的图像中占据大量的部分,相较于气泡或者杂质信息对应的像素点而言,其整体数量远远的超出,所以对瓶装水的所有的像素点进行灰度值平均值,获得的平均值灰度值更偏向于背景部分的像素点,而后通过对第个像素点的灰度值与平均像素点的灰度值进行差异计算。
具体地,则第个像素点的特征筛选参数/>的计算方式如下所示:
式中,表示灰度瓶装水图像中第i个像素点的灰度值,/>表示灰度瓶装水图像中所有像素点的总个数,/>表示第/>个像素点的特征筛选参数。其中,当/>越大,说明第/>个像素点为气泡或者杂质像素点的可能性越大,反之则相反。
根据每个像素点的特征筛选参数和每个像素点的邻域分布参数得到每个像素点为气泡的可能性,则计算公式如下:
式中,表示在灰度瓶装水图像中第/>个像素点的特征筛选参数,/>表示在灰度瓶装水图像中以第/>个像素点为中心像素点的邻域分布参数,/>表示在灰度瓶装水图像中第/>个像素点为气泡像素点的可能性,/>表示第/>个像素点到瓶装水的气泡主要分布方向直线/>之间的欧式距离。
其中,当越大,说明第/>个像素点通过邻域特征分析其为气泡的可能性就越大,但是仅用此方式进行时计算时容易有偶然现象的发生,所以在此引入了第/>个像素点的位置与瓶装水气泡主要分布方向直线/>之间的欧式距离对其进行限制,若是通过邻域与分析计算之后第/>个像素点为气泡像素点的可能性越大,且距离越小,即/>越大,则说明第/>个像素点有着极高的概率为气泡像素点,反之则相反。
至此,获取每个像素点为气泡像素点的可能性。
(3)根据每个像素点为气泡像素点可能性进行图像滤波。
需要说明的是,上述中通过对灰度瓶装水图像中的每个像素点进行了为气泡像素点的可能性的计算,先利用其进行饭对应的滤波算法的参数的设置,具体对应的滤波参数为滤波窗口的大小以及窗口内不同的像素点的滤波权值,具体计算方式以第个像素点为例,其对应的滤波窗口的宽度记为/>。
具体地,根据所有像素点为气泡像素点的可能性求均值得到灰度瓶装水图像中的所有的像素点对应为气泡像素点的可能性均值,用表示;根据/>与/>之间的关系获取每个像素点对应的概率判定系数,具体为:当/>时,则第/>个像素点的概率判定系数置为0,当/>时,则第/>个像素点的概率判定系数置为1。其中,/>表示在灰度瓶装水图像中第个像素点为气泡像素点的可能性。预设一个窗户调节参数阈值/>,其中本实施例以/>=20为例进行叙述,本实施例不进行具体限定,其中/>可根据具体实施情况而定。
则以第i个像素点为滤波窗口的宽度的计算公式为:
式中,表示在灰度瓶装水图像中第/>个像素点为气泡像素点的可能性,/>表示灰度瓶装水图像中的所有的像素点对应为气泡像素点的可能性均值,/>表示第i个像素点的概率判定系数,/>表示窗口调节参数,/>表示第i个像素点滤波窗口的宽度,/>表示自然常数,表示向下取整。
其中,整体的逻辑为第个像素点为气泡像素点的可能性越大,则其对应的滤波窗口也就需要更大,以此来对该像素点对应的灰度值进行滤波后使其与原本的第/>个像素点的灰度值差距更大,更加的接近背景像素点。采用连通域的均值作为窗口调节参数的原因为,整体灰度图中所有的连通域对应的为杂质以及气泡的大小区域,所以以此作为基础,能够仅可能的使得每个窗口包含每一个气泡所在的完整区域的同时达到最小的计算量;公式中+3的目的为使得滤波窗口的初始大小为/>;公式中的概率判定系数的逻辑为:当第/>个像素点为气泡像素点的概率小于平均概率时,则有第/>和像素点大概率为背景像素点或者杂质像素点,无需进行大窗口的滤波。
利用上述方式对灰度瓶装水图像中的所有的像素点进行计算,可以获得灰度瓶装水图像中所有像素点的滤波窗口大小。
其次对应每个像素点对应的滤波窗口中的像素点进行滤波权值的计算,以第个像素点对应的大小为/>中的第/>个像素点为例,其对应的滤波权值/>计算方式如下所示:
式中,表示在灰度瓶装水图像中第/>个像素点为气泡像素点的可能性,/>表示第/>个像素点对应的窗口大小为/>内的第/>个像素点与第/>个像素点之间的欧式距离,/>表示以第i个像素点为中心像素点的窗口内第/>个像素点的滤波权值。
其中,第个像素点为气泡像素点的可能性越大,则在滤波窗口内距离第/>个像素点越近的像素点的灰度值与第/>个像素点的灰度值越相似,在滤波时给与其较大的权值对第/>个像素点进行滤波时滤波前后的效果差别不大;而第/>个像素点为气泡像素点的可能性越大,则在滤波窗口内距离第/>个像素点越远的像素点的灰度值与第/>个像素点的灰度值越不相似,在滤波时给与其较大的权值对第/>个像素点进行滤波时滤波前后的效果差越大。
通过第i个像素点为中心像素点的窗口内第个像素点的滤波权值/>对窗口内第/>个像素点的灰度值乘以/>得到第/>个像素点加权之后的灰度值,根据加权之后的灰度值使用均值滤波得到第i个像素点滤波之后的灰度值。
最后利用滤波窗口大小以及滤波窗口内的每个像素点对应的滤波权值对灰度瓶装水图像采用加权均值滤波处理得到滤波之后瓶装水的灰度图。
步骤S003:利用滤波之后瓶装水的灰度图进行瓶装水中的杂质检测。
对滤波之后瓶装水的灰度图利用canny边缘检测算法得到滤波之后瓶装水的边缘图像,获取滤波之后瓶装水的边缘图像中边缘像素点的个数,记为gg,获取滤波之后瓶装水的边缘图像所有像素点的个数,记为Gg,计算gg与Gg的比值,记为瓶装水中的杂质占比,用bb表示。预设一个占比阈值B,其中本实施例以B=0.5为例进行叙述,本实施例不进行具体限定,其中B可根据具体实施情况而定。
当瓶装水中的杂质占比bb大于等于占比阈值B,认为瓶装水中的杂质较多,不能够饮用;当瓶装水中的杂质占比bb小于占比阈值B,认为瓶装水中的杂质较少,能够饮用。
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 (6)
1.基于机器视觉的瓶装水杂质检测方法,其特征在于,该方法包括以下步骤:
采集灰度瓶装水图像;
对灰度瓶装水图像进行边缘检测得到瓶装水的边缘图像;根据边缘图像中的所有边缘像素点得到边缘图像中每个边缘像素点的拟合权值;根据边缘图像中每个边缘像素点的拟合权值得到瓶装水的气泡主要分布方向的直线;
根据灰度瓶装水图像得到每个像素点的最佳邻域窗口宽度,根据每个像素点的最佳邻域窗口宽度得到每个像素点的邻域分布参数;根据灰度瓶装水图像中每个像素点的灰度值与所有像素点的灰度均值之间的差值的绝对值得到每个像素点的特征筛选参数;
根据邻域分布参数、特征筛选参数和瓶装水的气泡主要分布方向的直线得到灰度瓶装水图像中每个像素点为气泡像素点的可能性;
根据每个像素点为气泡像素点的可能性得到每个像素点的概率判定系数,根据每个像素点为气泡像素点的可能性和每个像素点的概率判定系数得到每个像素点滤波窗口的宽度;
将灰度瓶装水图像中任意一个像素点记为中心像素点;
根据中心像素点为气泡像素点的可能性和中心像素点与中心像素点窗口邻域内像素点之间的距离得到中心像素点窗口邻域内每个像素点的滤波权值;根据中心像素点窗口邻域内每个像素点的滤波权值和中心像素点滤波窗口的宽度进行滤波处理得到滤波之后瓶装水的灰度图;
根据滤波之后瓶装水的灰度图进行瓶装水杂质的检测;
所述边缘图像中每个边缘像素点的拟合权值的具体获取步骤如下:
拟合权值的公式为:
式中,和/>表示第n个边缘像素点的水平方向和竖直方向的位置坐标,/>和/>表示除了第n个边缘像素点之外的所有边缘像素点中的第t个边缘像素点的水平方向和竖直方向的位置坐标,/>表示瓶装水的边缘图像中的所有边缘像素点的数量,/>表示自然常数,/>表示第n个边缘像素点的拟合权值;
所述每个像素点的最佳邻域窗口宽度的具体获取步骤如下:
获取以第i个像素点为窗口中心像素点,以m为窗口宽度的一个邻域窗口,记为窗口m,计算窗口m内除了中心像素点之外所有像素点灰度均值,记为,将窗口m的中心像素点的灰度值记为/>,获取/>与/>比值,记为/>;再获取以第i个像素点为窗口中心像素点,以m+1为窗口宽度的一个邻域窗口,记为窗口m+1,计算窗口m+1内除了中心像素点之外所有像素点灰度均值,记为/>,将窗口m+1的中心像素点的灰度值记为/>,获取/>与/>比值,记为;计算所有以第i个像素点为窗口中心像素点,以窗口宽度差1的/>和/>之间差值的绝对值,记为H,获取H最大时所对应的窗口宽度差1的两个窗口中最小窗口宽度作为最佳邻域窗口宽度;
所述灰度瓶装水图像中每个像素点为气泡像素点的可能性的具体获取步骤如下:
灰度瓶装水图像中每个像素点为气泡像素点的可能性的公式为:
式中,表示在灰度瓶装水图像中第/>个像素点的特征筛选参数,/>表示在灰度瓶装水图像中以第/>个像素点为中心像素点的邻域分布参数,/>表示在灰度瓶装水图像中第/>个像素点为气泡像素点的可能性,/>表示第/>个像素点到瓶装水的气泡主要分布方向直线/>之间的欧式距离;
所述每个像素点滤波窗口的宽度的具体获取步骤如下:
每个像素点滤波窗口的宽度的公式为:
式中,表示在灰度瓶装水图像中第/>个像素点为气泡像素点的可能性,/>表示灰度瓶装水图像中的所有的像素点对应为气泡像素点的可能性均值,/>表示第i个像素点的概率判定系数,/>表示窗口调节参数,/>表示第i个像素点滤波窗口的宽度,/>表示自然常数,表示向下取整。
2.根据权利要求1所述基于机器视觉的瓶装水杂质检测方法,其特征在于,所述瓶装水的气泡主要分布方向的直线的具体获取步骤如下:
对瓶装水的边缘图像中每个边缘像素点的水平和竖直方向上的位置坐标都乘以每个像素点对应的拟合权值,得到每个边缘像素点新的位置坐标,根据所有边缘像素点新的位置坐标通过最小二乘法进行直线拟合,得到瓶装水的气泡主要分布方向的直线。
3.根据权利要求1所述基于机器视觉的瓶装水杂质检测方法,其特征在于,所述每个像素点的邻域分布参数的具体获取步骤如下:
每个像素点的邻域分布参数的公式为:
式中,表示在灰度瓶装水图像中以第/>个像素点为中心像素点的最佳邻域窗口宽度,表示在灰度瓶装水图像中以第/>个像素点为中心像素点的邻域分布参数,/>表示自然常数。
4.根据权利要求1所述基于机器视觉的瓶装水杂质检测方法,其特征在于,所述每个像素点的概率判定系数的具体获取步骤如下:
根据所有像素点为气泡像素点的可能性求均值得到灰度瓶装水图像中的所有的像素点对应为气泡像素点的可能性均值,用表示;根据/>与/>之间的关系获取每个像素点对应的概率判定系数,具体为:当/>时,则第/>个像素点的概率判定系数置为0,当时,则第/>个像素点的概率判定系数置为1,/>表示在灰度瓶装水图像中第/>个像素点为气泡像素点的可能性。
5.根据权利要求1所述基于机器视觉的瓶装水杂质检测方法,其特征在于,所述根据中心像素点为气泡像素点的可能性和中心像素点与中心像素点窗口邻域内像素点之间的距离得到中心像素点窗口邻域内每个像素点的滤波权值,包括的具体步骤如下:
以第i个像素点为窗口中心像素点,且以每个像素点滤波窗口的宽度获取滤波窗口,计算第i个像素点和滤波窗口内第/>个像素点之间的距离,记为R,计算R和第i个像素点为气泡像素点的可能性的比值,记为/>,表示以第i个像素点为中心像素点的滤波窗口内第/>个像素点的滤波权值。
6.根据权利要求1所述基于机器视觉的瓶装水杂质检测方法,其特征在于,所述根据滤波之后瓶装水的灰度图进行瓶装水杂质的检测,包括的具体步骤如下:
对滤波之后瓶装水的灰度图利用canny边缘检测算法得到滤波之后瓶装水的边缘图像;
获取滤波之后瓶装水的边缘图像中边缘像素点的个数,记为gg,获取滤波之后瓶装水的边缘图像所有像素点的个数,记为Gg,计算gg与Gg的比值,记为瓶装水中的杂质占比,用bb表示;
当瓶装水中的杂质占比bb大于等于预设阈值B,则瓶装水中的杂质多,不能够饮用;当瓶装水中的杂质占比bb小于预设阈值B,则瓶装水中的杂质少,能够饮用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311100241.9A CN116823835B (zh) | 2023-08-30 | 2023-08-30 | 基于机器视觉的瓶装水杂质检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311100241.9A CN116823835B (zh) | 2023-08-30 | 2023-08-30 | 基于机器视觉的瓶装水杂质检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116823835A CN116823835A (zh) | 2023-09-29 |
CN116823835B true CN116823835B (zh) | 2023-11-10 |
Family
ID=88139607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311100241.9A Active CN116823835B (zh) | 2023-08-30 | 2023-08-30 | 基于机器视觉的瓶装水杂质检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116823835B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117523589B (zh) * | 2023-12-29 | 2024-03-26 | 济宁职业技术学院 | 基于计算机视觉的图书信息自动检测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004354100A (ja) * | 2003-05-27 | 2004-12-16 | Matsushita Electric Works Ltd | 容器内液体中の異物検出方法及びその装置 |
JP2006138814A (ja) * | 2004-11-15 | 2006-06-01 | Matsushita Electric Works Ltd | 液面検出方法 |
JP2008102027A (ja) * | 2006-10-19 | 2008-05-01 | Denso Corp | 異物検出装置及び異物検出方法 |
CN108171705A (zh) * | 2018-01-20 | 2018-06-15 | 南京理工大学 | 一种透明玻璃瓶内液体的异物检测算法 |
CN109360195A (zh) * | 2018-09-28 | 2019-02-19 | 长沙湘计海盾科技有限公司 | 一种瓶装溶液中异物颗粒的视觉检测方法 |
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 |
CN113554632A (zh) * | 2021-07-30 | 2021-10-26 | 沭阳天勤工具有限公司 | 基于人工智能的浑浊水体中工件检测优化方法 |
WO2022138643A1 (ja) * | 2020-12-24 | 2022-06-30 | シンテゴンテクノロジー株式会社 | 気泡識別装置、気泡識別方法及び異物検出システム |
CN114998205A (zh) * | 2022-04-24 | 2022-09-02 | 南通富莱克流体装备有限公司 | 基于光学手段的液体灌装过程瓶中异物检测方法 |
CN116363133A (zh) * | 2023-06-01 | 2023-06-30 | 无锡斯达新能源科技股份有限公司 | 基于机器视觉的照明器配件缺陷检测方法 |
CN116416252A (zh) * | 2023-06-12 | 2023-07-11 | 山东德圣源新材料有限公司 | 一种勃姆石生产工艺废水沉降图像检测方法 |
CN116597392A (zh) * | 2023-07-19 | 2023-08-15 | 山东天力润滑油有限公司 | 基于机器视觉的液压油杂质识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7463771B2 (en) * | 2005-09-08 | 2008-12-09 | Kun Shan University | Method for retrieving original intact characteristics of heavily polluted images and its image processing |
-
2023
- 2023-08-30 CN CN202311100241.9A patent/CN116823835B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004354100A (ja) * | 2003-05-27 | 2004-12-16 | Matsushita Electric Works Ltd | 容器内液体中の異物検出方法及びその装置 |
JP2006138814A (ja) * | 2004-11-15 | 2006-06-01 | Matsushita Electric Works Ltd | 液面検出方法 |
JP2008102027A (ja) * | 2006-10-19 | 2008-05-01 | Denso Corp | 異物検出装置及び異物検出方法 |
CN108171705A (zh) * | 2018-01-20 | 2018-06-15 | 南京理工大学 | 一种透明玻璃瓶内液体的异物检测算法 |
CN109360195A (zh) * | 2018-09-28 | 2019-02-19 | 长沙湘计海盾科技有限公司 | 一种瓶装溶液中异物颗粒的视觉检测方法 |
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 |
WO2022138643A1 (ja) * | 2020-12-24 | 2022-06-30 | シンテゴンテクノロジー株式会社 | 気泡識別装置、気泡識別方法及び異物検出システム |
CN113554632A (zh) * | 2021-07-30 | 2021-10-26 | 沭阳天勤工具有限公司 | 基于人工智能的浑浊水体中工件检测优化方法 |
CN114998205A (zh) * | 2022-04-24 | 2022-09-02 | 南通富莱克流体装备有限公司 | 基于光学手段的液体灌装过程瓶中异物检测方法 |
CN116363133A (zh) * | 2023-06-01 | 2023-06-30 | 无锡斯达新能源科技股份有限公司 | 基于机器视觉的照明器配件缺陷检测方法 |
CN116416252A (zh) * | 2023-06-12 | 2023-07-11 | 山东德圣源新材料有限公司 | 一种勃姆石生产工艺废水沉降图像检测方法 |
CN116597392A (zh) * | 2023-07-19 | 2023-08-15 | 山东天力润滑油有限公司 | 基于机器视觉的液压油杂质识别方法 |
Non-Patent Citations (5)
Title |
---|
Detection of Glass Chips in Liquid Injection Based on Computer Vision;Sirui Wang;2015 International Conference on Computational Intelligence and Communication Networks (CICN);全文 * |
中药口服液瓶可见异物移动检测系统研究;姚冠宇;钟芳松;;计算机测量与控制(第10期);全文 * |
基于X射线的盒装水饺异物自动检测与分类;王强;武凯;王新宇;孙宇;杨晓燕;楼晓华;;计算机辅助设计与图形学学报(第12期);全文 * |
基于二级修复的多方向加权均值滤波算法;马洪晋;聂玉峰;;计算机科学(第10期);全文 * |
基于数学形态学的气泡水平尺自动检测系统研究;喻婷;朱善安;;机电工程(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116823835A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106296612B (zh) | 一种图像质量评价和天气状况引导的分级式监控视频清晰化系统及方法 | |
CN105069394B (zh) | 二维码加权平均灰度法解码方法及系统 | |
CN116823835B (zh) | 基于机器视觉的瓶装水杂质检测方法 | |
CN104417490B (zh) | 一种汽车安全带检测方法及装置 | |
CN105046700B (zh) | 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统 | |
CN108108761A (zh) | 一种基于深度特征学习的快速交通信号灯检测方法 | |
CN109242870A (zh) | 一种基于图像划分和纹理特征的海天线检测方法 | |
CN114820773B (zh) | 基于计算机视觉的筒仓运输车辆车厢位置检测方法 | |
CN108765336A (zh) | 基于暗亮原色先验与自适应参数优化的图像去雾方法 | |
CN103593670A (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
CN116309559B (zh) | 一种中硼硅玻璃生产瑕疵智能识别方法 | |
CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
CN106815560A (zh) | 一种应用于自适应驾座的人脸识别方法 | |
CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
CN115082465B (zh) | 基于扫描电镜图像处理的羊毛羊绒分类方法 | |
CN116563799B (zh) | 基于视频监控的粉尘在线监测方法 | |
CN116310845B (zh) | 一种用于污水处理的智能监测系统 | |
CN110008968A (zh) | 一种基于图像视觉的机器人结算自动触发方法 | |
CN117392733B (zh) | 一种痤疮分级检测方法、装置、电子设备及存储介质 | |
CN111753749A (zh) | 一种基于特征匹配的车道线检测方法 | |
CN111507391A (zh) | 一种基于机器视觉的有色金属破碎料智能识别方法 | |
CN115690105A (zh) | 一种基于计算机视觉的铣刀划痕检测方法 | |
CN116309599A (zh) | 基于污水前置处理的水质视觉监测方法 | |
CN110334631B (zh) | 一种基于人脸检测与二值运算的坐姿检测方法 | |
CN113516627A (zh) | 一种酒瓶中异物检测装置及方法 |
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 |