CN116883402B - 基于计算机视觉的瓦楞纸生产质量实时检测方法 - Google Patents
基于计算机视觉的瓦楞纸生产质量实时检测方法 Download PDFInfo
- Publication number
- CN116883402B CN116883402B CN202311146273.2A CN202311146273A CN116883402B CN 116883402 B CN116883402 B CN 116883402B CN 202311146273 A CN202311146273 A CN 202311146273A CN 116883402 B CN116883402 B CN 116883402B
- Authority
- CN
- China
- Prior art keywords
- corrugated paper
- defect
- local area
- area
- degree
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 26
- 238000011897 real-time detection Methods 0.000 title claims abstract description 10
- 230000007547 defect Effects 0.000 claims abstract description 200
- 239000010410 layer Substances 0.000 claims abstract description 85
- 230000000737 periodic effect Effects 0.000 claims abstract description 71
- 239000002356 single layer Substances 0.000 claims abstract description 47
- 230000005856 abnormality Effects 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 4
- 230000002950 deficient Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/30124—Fabrics; Textile; Paper
-
- 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)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于计算机视觉的瓦楞纸生产质量实时检测方法,包括:采集图像并得到待处理的边缘图像;利用单层瓦楞纸区域的上下层边缘点得到每个单层瓦楞纸区域的异常程度;获取目标区域,根据目标区域的上下层边缘点获得目标区域的若干局部区域块;得到每个目标区域中的每个局部区域块的缺陷程度;划分缺陷级别,根据缺陷级别得到整体周期性缺陷概率;根据整体周期性缺陷概率判断质量检测结果。本发明结合瓦楞纸区域像素点的分布情况,对区域进行划分并提取区域信息,通过区域信息在整体中的分布情况来检测瓦楞纸生产过程中周期性缺陷的,实现了对瓦楞纸周期性缺陷的自适应实时检测。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于计算机视觉的瓦楞纸生产质量实时检测方法。
背景技术
针对瓦楞纸生产过程中的缺陷检测显得尤为重要,而瓦楞纸生产器械使用过久会导致其表面存在微小缺口,从而造成瓦楞纸出现周期性缺陷。周期性缺陷的出现会使瓦楞纸的生产过程变得复杂棘手。
现有的智能检测方法可通过图像信息进行缺陷检测,但是瓦楞纸具有特殊的结构分布,现有技术中又无法针对瓦楞纸的周期性缺陷进行准确检测。
发明内容
本发明提供基于计算机视觉的瓦楞纸生产质量实时检测方法,以解决现有的问题。
本发明的基于计算机视觉的瓦楞纸生产质量实时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计算机视觉的瓦楞纸生产质量实时检测方法,该方法包括以下步骤:
采集瓦楞纸图像并将其进行预处理得到待处理的边缘图像;
根据待处理的边缘图像得到单层瓦楞纸区域,利用单层瓦楞纸区域的上下层边缘点得到每个单层瓦楞纸区域的异常程度;
获取异常程度大于第一预设阈值的单层瓦楞纸区域,记为目标区域,根据目标区域的上下层边缘点获得目标区域的若干局部区域块;
获得每个目标区域中的每个局部区域块的缺陷深度、每个局部区域块上下两边缘层的平行程度以及每个目标区域的每个局部区域块中所含完整空洞区域的圆度与标准圆度的偏差均值,根据每个目标区域的每个局部区域块的缺陷深度、平行程度以及偏差均值得到每个目标区域中的每个局部区域块的缺陷程度;
根据得到的所有目标区域内所有局部区域块的缺陷程度划分缺陷级别,根据缺陷级别相同的局部区域块在同一类似位置的分布差异度得出每个缺陷级别的周期性缺陷概率,利用划分出的每个缺陷级别的周期性缺陷概率求和得到瓦楞纸的整体周期性缺陷概率;
根据瓦楞纸的整体周期性缺陷概率判断瓦楞纸的质量检测结果。
优选的,所述根据待处理的边缘图像得到单层瓦楞纸区域,利用单层瓦楞纸区域的上下层边缘点得到每个单层瓦楞纸区域的异常程度,包括的具体步骤如下:
根据瓦楞纸边缘图像中的边缘线段得到两层边缘的直线拟合度,将两层边缘分成瓦楞纸上下层,进而在边缘线段上进行最小二乘法得到单层瓦楞纸上下两层边缘点与拟合直线的偏离程度,最后根据拟合直线的偏离程度获得每个单层瓦楞纸的异常程度。
优选的,所述根据目标区域的上下层边缘点获得目标区域的若干局部区域块,包括的具体步骤如下:
在每个目标区域内,设上层边缘点组成的曲线与对应拟合得到的直线有个交点,同样的,对于下层边缘点组成的曲线与其对应拟合得到的直线段有/>个交点,则从/>交点集和/>交点集中样本数量少的集合点出发,假设/>交点集为样本数量少的交点集,则从/>出发从左至右依次与/>交点集中最近且不重复的样本点进行点对点的线段连接,由交点连接线段和上下层边缘曲线得到若干个局部区域块。
优选的,所述获得每个目标区域中的每个局部区域块的缺陷深度、每个局部区域块上下两边缘层的平行程度以及每个目标区域的每个局部区域块中所含完整空洞区域的圆度与标准圆度的偏差均值,包括的具体步骤如下:
统计图像中目标区域总数和每个目标区域中局部区域块的总数;
对局部区域块上下边缘层分别拟合直线段,将两直线段延长后的交点角度记为两直线段的平行程度;
根据上层边缘曲线与拟合直线构成闭合区域,同理下层边缘也可得到相应的闭合区域,记每个目标区域的每个局部区域块中所含所有闭合区域的面积为该局部区域块的缺陷深度;
统计图像中目标区域总数和每个目标区域中局部区域块的总数;
对局部区域块上下边缘层分别拟合直线段,将两直线段延长后的交点角度记为两直线段的平行程度;
根据上层边缘曲线与拟合直线/>构成闭合区域,同理下层边缘也可得到相应的闭合区域,记每个目标区域的每个局部区域块中所含所有闭合区域的面积为该局部区域块的缺陷深度;
获取局部区域块中所含完整空洞区域的数量,计算每个完整空洞区域的圆度,采集每个目标区域内无异常空洞区域并计算所有无异常空洞区域圆度并取算数均值,将算数均值记为标准圆度,将每个完整空洞区域的圆度与每个目标区域内空洞区域标准圆度作差,并对所有完整空洞区域与标准圆度的差值取均值,得到每个目标区域的每个局部区域块中所含完整空洞区域的圆度与标准圆度的偏差均值。
优选的,所述根据每个目标区域的每个局部区域块的缺陷深度、平行程度以及偏差均值得到每个目标区域中的每个局部区域块的缺陷程度的具体计算公式为:
其中,为第/>行目标区域的第/>个局部区域块的缺陷程度,且有,/>为第/>行目标区域的第/>个局部区域块上下两边缘层的平行程度,/>为第/>行目标区域的第/>个局部区域块的缺陷深度,/>表示第/>行目标区域的第/>个局部区域块中所含完整空洞区域的圆度与标准圆度的偏差均值,/>为局部区域块中所含完整空洞区域的数量,/>为其中第/>个完整空洞区域的圆度,且有,/>为第/>行目标区域的第/>个局部区域块的标准圆度。
优选的,所述根据得到的所有目标区域内所有局部区域块的缺陷程度划分缺陷级别,根据缺陷级别相同的局部区域块在同一类似位置的分布差异度得出每个缺陷级别的周期性缺陷概率,利用划分出的每个缺陷级别的周期性缺陷概率求和得到瓦楞纸的整体周期性缺陷概率,包括的具体步骤如下:
根据得到的局部区域块的缺陷程度划分缺陷级别,并将不同的局部区域块分级,对缺陷级别相同的局部区域块之间纵坐标差值的绝对值求和,同时对缺陷级别相同的局部区域块之间距离的绝对值,将每个缺陷级别的局部区域块的两个缺陷级别相同的局部区域块之间距离的绝对值进行相乘得到每两个局部区域块的乘数结果,将所有每两个局部区域块的乘数结果求和得到每个缺陷级别的周期性缺陷概率,利用每个缺陷级别的周期性缺陷概率求和得出瓦楞纸的周期性缺陷概率。
优选的,所述同一类似位置的分布差异度具体指代的是:
根据每个目标区域内上层边缘曲线和下层边缘曲线上下起伏所确定的周期性分布得到的在每个周期性分布中起伏凹凸位置相同的点。
优选的,所述每个缺陷级别的周期性缺陷概率的具体计算公式为:
其中,为缺陷程度为/>级的局部区域块组是周期缺陷的概率,/>为缺陷程度为第/>级的局部区域块组中的第/>个局部区域块的形心纵坐标,/>为缺陷程度为第/>级的局部区域块组中的相互邻近局部区域块的形心纵坐标差值的绝对值,/>为缺陷程度为第/>级的局部区域块组中的第/>个局部区域块的形心横坐标,/>为缺陷程度为第/>级的局部区域块组中的相互邻近局部区域块的形心横坐标差值的绝对值,表示缺陷程度为第k级的局部区域块组的总数,且有/>。
优选的,所述根据瓦楞纸的整体周期性缺陷概率判断瓦楞纸的质量检测结果包括:
若瓦楞纸的所述整体周期性缺陷概率与标准的瓦楞纸的整体周期性缺陷概率之间的差值小于预设概率阈值,则判断对应瓦楞纸质量合格,否则不合格。
优选的,所述概率阈值设置为标准的瓦楞纸的整体周期性缺陷概率的百分之6。
本发明的技术方案的有益效果是:对于瓦楞纸检测过程中无法针对瓦楞纸周期性缺陷情况进行检测的问题,本发明通过分析堆积瓦楞纸图像中上下边缘层趋于直线程度得到异常单层瓦楞纸,根据异常单层瓦楞纸特征将其分成多个局部区域块进而分析局部区域块得到局部区域块的缺陷程度,最终根据局部区域块的缺陷程度判断出周期性缺陷,实现了自适应的针对瓦楞纸图像中周期性缺陷的检测方法,使缺陷检测的准确程度得到了进一步提升。
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为本发明基于计算机视觉的瓦楞纸生产质量实时检测方法的步骤流程图;
图2为边缘效果更好的瓦楞纸边缘图像;
图3为分局部处理原理图像。
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计算机视觉的瓦楞纸生产质量实时检测方法,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计算机视觉的瓦楞纸生产质量实时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计算机视觉的瓦楞纸生产质量实时检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:利用流水线上工业实时采集瓦楞纸图像并转灰度图,在灰度图的基础上进行图像边缘检测和形态学处理得到待处理的边缘图像。
需要说明的是,RGB三通道到单灰度通道的转换提高了后续操作运算效率,且后续处理过程中主要针对图像中瓦楞纸区域的边缘像素点,故需要在预处理过程中对边缘像素点进行采集。
具体的,采集瓦楞纸RGB图像并转灰度图,对灰度图使用边缘检测算法得到瓦楞纸边缘图像,并对得到的瓦楞纸边缘图像使用形态学腐蚀膨胀处理去除噪点、连接相近边缘点,得到边缘效果更好的瓦楞纸边缘图像如图2所示。
至此,通过采集瓦楞纸图像并进行一系列处理得到了待处理的边缘图像。
步骤S002:根据待处理的边缘图像中的边缘线段得到两层边缘的直线拟合度,将其分成瓦楞纸上下层,进而利用曲线上的最小二乘法得到单层瓦楞纸上下两层边缘点与拟合直线的偏离程度,最后获得每个单层瓦楞纸区域的异常程度。
需要说明的是,根据异常瓦楞纸区域上下层之间排列的不整齐性即边缘像素点较大的离散程度的特性,可以量化每个单层瓦楞纸区域的异常程度。
具体的,遍历图像中的瓦楞纸边缘,得到行单层瓦楞纸区域,该区域包括上下两层边缘点以及上下层之间的像素区域。本实例在前步骤基础上通过分析单层瓦楞纸区域上下层边缘点特征得到两层边缘的直线程度,进而得到判断单层瓦楞纸区域的异常程度的公式如下:
其中为图像中第/>行单层瓦楞纸区域的异常程度,/>、/>分别为图像中第/>行单层瓦楞纸区域上下两层边缘点与拟合直线的偏离程度。本实施例异常程度可用上下层边缘点的线段直线程度表示,若第/>行单层瓦楞纸区域的上下两层边缘点越趋向于直线段,即线段直线程度越高,则第/>行单层瓦楞纸区域的异常程度越低;反之异常程度/>越高。在计算单层瓦楞纸区域上层边缘点与拟合直线的偏离程度/>时,用最小二乘法原理得到第/>行单层瓦楞纸区域上层边缘点的拟合直线段,将上层边缘点到拟合直线段的距离之和记为/>。用同样的方法计算下层边缘点到对应拟合直线段的距离之和得到/>。则/>、/>可分别反映上下层边缘点构成的线段直线程度,若上下层边缘点的线段直线程度越高,则图像中第/>行单层瓦楞纸区域的异常程度/>越低;反之异常程度/>越高。
至此,通过分析瓦楞纸区域的上下层边缘点的直线拟合度,得到了每行单层瓦楞纸区域的异常程度。
步骤S003:在目标区域利用线性拟合得到上下边缘拟合直线,并根据边缘拟合直线和边缘拟合直线与原瓦楞纸上下两层边缘点的交点划分局部区域得到多个局部区域块。
需要说明的是,为了方便衡量每个瓦楞纸区域中的信息,需要对瓦楞纸目标区域进行划分得到局部区域块,同时也方便后续对周期性缺陷进行周期性构建。
具体的,遍历有行单层瓦楞纸区域得到所有行单层瓦楞纸的异常程度数值集合,当单层瓦楞纸区域的异常程度值高于由工业实际情景给出并设置的阈值时,将区域记为目标区域,其中由工业实际情景给出并设置的阈值在本实例中被设置为数值集合的算术均值,因此当单层瓦楞纸的异常程度大于数值集合/>的算术均值时,该单层瓦楞纸区域即为目标区域,遍历图像中所有的单层瓦楞纸区域,根据前述判定得到目标区域共/>行。对这些目标区域上下边缘点进行分局部处理,为方便理解,给出分局部处理原理图像如图3所示。其中,上层边缘点组成的曲线/>与对应拟合直线/>有/>个交点,同样的,对于下层边缘点组成的曲线/>与其对应拟合直线段/>有/>个交点,则从/>交点集和/>交点集中样本数量较少的集合点出发,假设p交点集为样本较少交点集,则从/>出发从左至右依次与交点集中最近且不重复的样本点进行点对点的线段连接,由交点连接线段和上下层边缘曲线得到/>个局部区域块,图3中的1、2、3、4分别表示不同的局部区域块。
至此,在目标区域利用线性拟合得到上下边缘拟合直线,并根据边缘拟合直线和边缘拟合直线与原瓦楞纸上下两层边缘点的交点划分局部区域得到多个局部区域块。
步骤S004:利用每个目标区域每个局部区域块得到缺陷深度、平行程度以及偏差均值,根据每个目标区域的每个局部区域块的缺陷深度、平行程度以及偏差均值得到每个目标区域中每个局部区域块的缺陷程度。
需要说明的是,瓦楞纸的缺陷主要体现在其上下层瓦楞纸之间的走向趋势是否一致,在经过先前粗略的估计后,需要对其具体的缺陷深度、平行程度和偏差均值进行衡量,并统一量化为一个缺陷程度的表征量。
具体的,本实施例在得到多个局部区域块的基础上,获取瓦楞纸上的所有无异常空洞区域并计算所有无异常空洞区域的圆度并对圆度取均值,记为每行目标区域的每个局部区域块中的标准圆度,通过分析局部区域块特征得到局部区域块的缺陷程度的公式如下:
其中,为第/>行目标区域的第/>个局部区域块的缺陷程度,且有,/>为第/>行目标区域的第/>个局部区域块上下两边缘层的平行程度,/>为第/>行目标区域的第/>个局部区域块的缺陷深度,/>表示第/>行目标区域的第/>个局部区域块中所含完整空洞区域的圆度与标准圆度的偏差均值,/>为局部区域块中所含完整空洞区域的数量,/>为其中第/>个完整空洞区域的圆度,且有,/>为第/>行目标区域的第/>个局部区域块的标准圆度。当缺陷程度/>越大时,则对应第/>行目标区域的第/>个局部区域块中为缺陷的概率越大;反之概率越小。对局部区域块上下边缘层分别拟合直线段,将两直线段延长后的交点角度记为两直线段的平行程度,若角度越大,则表示上下两边缘层越平行,则局部区域块的缺陷程度越高,反之缺陷程度越低。需要说明的是这里拟合的边缘层直线段与步骤S002中拟合直线段有所区分,这里为区域块上下层边缘,步骤S002中为整个单层瓦楞纸上下层边缘。步骤S003中单层瓦楞纸上下两层的边缘曲线与其对应的拟合直线构成闭合区域,如图3中上层边缘曲线/>与拟合直线/>构成闭合区域,同理下层边缘也可得到相应的闭合区域,记第/>行目标区域的第/>个局部区域块中所含所有闭合区域的面积为该局部区域块的缺陷深度/>。若缺陷深度/>越大,则第/>行目标区域的第/>个局部区域块的缺陷程度/>越大,反之缺陷程度/>越小。将与瓦楞纸空洞区域标准圆度/>作差,并对所有完整空洞区域与标准圆度的差值取均值。第/>行目标区域的第/>个局部区域块中所含完整空洞区域的圆度与标准圆度的偏差均值越大,则第/>行目标区域的第/>个局部区域块的缺陷程度/>越大,反之缺陷程度/>越小。上述的提取轮廓、计算圆度为现有技术方法,本实施例不再赘述。综合缺陷深度、上下两边缘层的平行程度以及区域块中所含完整空洞区域的圆度与标准圆度的偏差均值,得到第/>行目标区域的第/>个局部区域块的缺陷程度/>,缺陷程度越高,则对应异常局部区域块的为缺陷的可能性越大,反之对应异常局部区域块的为缺陷的可能性越小。
至此,通过分析每个目标区域的每个局部区域块的缺陷深度、平行程度以及偏差均值得到每个目标区域中每个局部区域块的缺陷程度。
步骤S005:根据缺陷程度划分缺陷级别,根据缺陷级别得出每个缺陷级别的周期性缺陷概率,利用缺陷级别的周期性缺陷概率得到瓦楞纸的整体周期性缺陷概率。
需要说明的是,实际中瓦楞纸的周期性缺陷分布得知所谓周期性缺陷指的是在同一类似位置处局部区域块缺陷程度的差异是否满足周期性变化,即周期性缺陷的特征,这个差异值的波动程度可以判断同程度缺陷在同一类似位置的分布差异度得到。本实施例规定同一类似位置指的是根据瓦楞纸的所在层和每一层中上下起伏所确定的周期性分布导致的周期性特征,例如起伏凹凸位置等位置特征相同的点。
具体的,将所有目标区域的所有局部区域块的缺陷程度划分为S个级别,即将所有缺陷程度的分布区间等分成个子区间,每个子区间就是一个级别,本实施例以S=10为例进行叙述。本实施例不对其进行限定,其中/>可根据实际实施情况而定;划分各局部区域块的缺陷级别,即对缺陷级别相似的同一类似位置的局部区域块设定为缺陷级别相同的局部块组,在本实施例中缺陷级别的判定设置为两个局部区域块的缺陷程度差值的绝对值不超过两者缺陷程度数量级的百分之三。则分析缺陷级别为/>的局部区域块组是周期缺陷的概率,将周期缺陷的概率记为/>,且有/>。
进一步,将缺陷程度为第级的局部区域块组中的局部区域块按照从左到右的顺序进行排序,将排序中的任意一个局部区域块记为第/>个局部区域块,/>表示缺陷程度为第k级的局部区域块组的总数,且有/>,根据局部区域块的缺陷级别结合周期性缺陷的特征判断出局部区域块为周期性缺陷的概率的公式如下:
其中,为缺陷程度为/>级的局部区域块组是周期缺陷的概率,/>表示缺陷程度为第/>级的局部区域块组中的第/>个局部区域块的形心纵坐标,/>表示缺陷程度为第级的局部区域块组中的第/>个局部区域块的形心纵坐标,/>为缺陷程度为第/>级的局部区域块组中的相互邻近局部区域块的形心纵坐标差值的绝对值,/>为缺陷程度为第/>级的局部区域块组中的第/>个局部区域块的形心横坐标,/>表示缺陷程度为第/>级的局部区域块组中的第/>个局部区域块的形心横坐标,为缺陷程度为第/>级的局部区域块组中的相互邻近局部区域块的形心横坐标差值的绝对值,/>表示缺陷程度为第/>级的局部区域块组的总数。对所有共同级缺陷程度中共/>个局部区域块之间纵坐标差值的绝对值求和,求和值越小,则说明缺陷级别为的局部区域块组内的各局部区域块的纵坐标差异越小,则缺陷级别为/>的局部区域块组为周期性缺陷的概率越大;反之则概率越小。至此,纵坐标差异用以衡量第/>行内同一类似位置的竖直方向上的差异量。对所有共同级缺陷程度中共/>个局部区域块之间距离的绝对值求和,求和值越小,则说明缺陷级别为/>的局部区域块组内的各局部区域块的间距越相似,则缺陷级别为/>的局部区域块组为周期性缺陷的概率越大;反之则概率越小。至此,横向间隔用以衡量第/>行目标区域内同一类似位置的水平方向上的差异量。当缺陷级别为/>的局部区域块组内各局部区域块之间的同一类似位置的位置(竖直与水平位置信息累计值)差异性越大时,则缺陷级别为/>的局部区域块组为周期性缺陷的概率越高;反之则概率越低。分别求出第/>行目标区域内缺陷级别为k的周期性缺陷概率。
进一步,计算所有行所有级别的周期性缺陷概率的加和值,将加和值记为整体周期性缺陷概率。
至此,根据局部区域块的缺陷程度以及周期性缺陷特征得到了瓦楞纸的周期性缺陷概率。
步骤S006:通过分析瓦楞纸的周期性缺陷概率完成瓦楞纸的质量检测。
具体的,获得瓦楞纸的整体周期性缺陷概率,
若瓦楞纸的整体周期性缺陷概率与标准的瓦楞纸的整体周期性缺陷概率之间的差值小于预设概率阈值,则判断对应瓦楞纸质量合格,否则不合格。在本发明一个实施例中,概率阈值设置为标准的瓦楞纸的整体周期性缺陷概率的百分之6。
至此,本实施例完成了对瓦楞纸生产质量检测的判断。
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 (8)
1.基于计算机视觉的瓦楞纸生产质量实时检测方法,其特征在于,该方法包括以下步骤:
采集瓦楞纸图像并将其进行预处理得到待处理的边缘图像;
根据待处理的边缘图像得到单层瓦楞纸区域,利用单层瓦楞纸区域的上下层边缘点得到每个单层瓦楞纸区域的异常程度;
获取异常程度大于第一预设阈值的单层瓦楞纸区域,记为目标区域,根据目标区域的上下层边缘点获得目标区域的若干局部区域块;
根据每个目标区域中的每个局部区域块的缺陷深度、每个局部区域块上下两边缘层的平行程度、每个目标区域的每个局部区域块中所含完整空洞区域的圆度与标准圆度的偏差均值,得到每个目标区域中的每个局部区域块的缺陷程度;
根据得到的所有目标区域内所有局部区域块的缺陷程度划分缺陷级别,根据缺陷级别相同的局部区域块的分布差异度得出每个缺陷级别的周期性缺陷概率,利用划分出的每个缺陷级别的周期性缺陷概率求和得到瓦楞纸的整体周期性缺陷概率;
根据瓦楞纸的整体周期性缺陷概率判断瓦楞纸的质量检测结果;
获得每个目标区域中的每个局部区域块的缺陷深度、每个局部区域块上下两边缘层的平行程度、每个目标区域的每个局部区域块中所含完整空洞区域的圆度与标准圆度的偏差均值,包括的具体步骤如下:
统计图像中目标区域总数和每个目标区域中局部区域块的总数;
对局部区域块上下边缘层分别拟合直线段,将两直线段延长后的交点角度记为两直线段的平行程度;
根据上层边缘曲线与拟合直线构成闭合区域,同理下层边缘也可得到相应的闭合区域,记每个目标区域的每个局部区域块中所含所有闭合区域的面积为该局部区域块的缺陷深度;
统计图像中目标区域总数和每个目标区域中局部区域块的总数;
对局部区域块上下边缘层分别拟合直线段,将两直线段延长后的交点角度记为两直线段的平行程度;
根据上层边缘曲线与拟合直线/>构成闭合区域,同理下层边缘也可得到相应的闭合区域,记每个目标区域的每个局部区域块中所含所有闭合区域的面积为该局部区域块的缺陷深度;
获取局部区域块中所含完整空洞区域的数量,计算每个完整空洞区域的圆度,采集每个目标区域内无异常空洞区域并计算所有无异常空洞区域圆度并取算数均值,将算数均值记为标准圆度,将每个完整空洞区域的圆度与每个目标区域内空洞区域标准圆度作差,并对所有完整空洞区域与标准圆度的差值取均值,得到每个目标区域的每个局部区域块中所含完整空洞区域的圆度与标准圆度的偏差均值;
所述缺陷程度的具体计算公式为:
其中,为第/>行目标区域的第/>个局部区域块的缺陷程度,且有,/>为第/>行目标区域的第/>个局部区域块上下两边缘层的平行程度,/>为第/>行目标区域的第/>个局部区域块的缺陷深度,/>表示第/>行目标区域的第/>个局部区域块中所含完整空洞区域的圆度与标准圆度的偏差均值,/>为局部区域块中所含完整空洞区域的数量,/>为其中第/>个完整空洞区域的圆度,且有,/>为第/>行目标区域的第/>个局部区域块的标准圆度。
2.根据权利要求1所述基于计算机视觉的瓦楞纸生产质量实时检测方法,其特征在于,所述根据待处理的边缘图像得到单层瓦楞纸区域,利用单层瓦楞纸区域的上下层边缘点得到每个单层瓦楞纸区域的异常程度,包括的具体步骤如下:
根据瓦楞纸边缘图像中的边缘线段得到两层边缘的直线拟合度,将两层边缘分成瓦楞纸上下层,进而在边缘线段上进行最小二乘法得到单层瓦楞纸上下两层边缘点与拟合直线的偏离程度,最后根据拟合直线的偏离程度获得每个单层瓦楞纸的异常程度。
3.根据权利要求1所述基于计算机视觉的瓦楞纸生产质量实时检测方法,其特征在于,所述根据目标区域的上下层边缘点获得目标区域的若干局部区域块,包括的具体步骤如下:
在每个目标区域内,设上层边缘点组成的曲线与对应拟合得到的直线有个交点,同样的,对于下层边缘点组成的曲线与其对应拟合得到的直线段有/>个交点,则从/>交点集和/>交点集中样本数量少的集合点出发,假设/>交点集为样本数量少的交点集,则从/>出发从左至右依次与/>交点集中最近且不重复的样本点进行点对点的线段连接,由交点连接线段和上下层边缘曲线得到若干个局部区域块。
4.根据权利要求1所述基于计算机视觉的瓦楞纸生产质量实时检测方法,其特征在于,所述根据得到的所有目标区域内所有局部区域块的缺陷程度划分缺陷级别,根据缺陷级别相同的局部区域块的分布差异度得出每个缺陷级别的周期性缺陷概率,利用划分出的每个缺陷级别的周期性缺陷概率求和得到瓦楞纸的整体周期性缺陷概率,包括的具体步骤如下:
根据得到的局部区域块的缺陷程度划分缺陷级别,并将不同的局部区域块分级,对缺陷级别相同的局部区域块之间纵坐标差值的绝对值求和,同时对缺陷级别相同的局部区域块之间距离的绝对值,将每个缺陷级别的局部区域块的两个缺陷级别相同的局部区域块之间距离的绝对值进行相乘得到每两个局部区域块的乘数结果,将所有每两个局部区域块的乘数结果求和得到每个缺陷级别的周期性缺陷概率,利用每个缺陷级别的周期性缺陷概率求和得出瓦楞纸的周期性缺陷概率。
5.根据权利要求4所述基于计算机视觉的瓦楞纸生产质量实时检测方法,其特征在于,所述分布差异度具体指代的是:
根据每个目标区域内上层边缘曲线和下层边缘曲线上下起伏所确定的周期性分布得到的在每个周期性分布中起伏凹凸位置相同的点。
6.根据权利要求4所述基于计算机视觉的瓦楞纸生产质量实时检测方法,其特征在于,所述每个缺陷级别的周期性缺陷概率的具体计算公式为:
其中,为缺陷程度为/>级的局部区域块组是周期缺陷的概率,/>为缺陷程度为第/>级的局部区域块组中的第/>个局部区域块的形心纵坐标,/>为缺陷程度为第/>级的局部区域块组中的相互邻近局部区域块的形心纵坐标差值的绝对值,/>为缺陷程度为第/>级的局部区域块组中的第/>个局部区域块的形心横坐标,/>为缺陷程度为第/>级的局部区域块组中的相互邻近局部区域块的形心横坐标差值的绝对值,/>表示缺陷程度为第k级的局部区域块组的总数,且有/>。
7.根据权利要求1所述基于计算机视觉的瓦楞纸生产质量实时检测方法,其特征在于,所述根据瓦楞纸的整体周期性缺陷概率判断瓦楞纸的质量检测结果包括:
若瓦楞纸的所述整体周期性缺陷概率与标准的瓦楞纸的整体周期性缺陷概率之间的差值小于预设概率阈值,则判断对应瓦楞纸质量合格,否则不合格。
8.根据权利要求7所述基于计算机视觉的瓦楞纸生产质量实时检测方法,其特征在于,所述概率阈值设置为标准的瓦楞纸的整体周期性缺陷概率的百分之6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311146273.2A CN116883402B (zh) | 2023-09-07 | 2023-09-07 | 基于计算机视觉的瓦楞纸生产质量实时检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311146273.2A CN116883402B (zh) | 2023-09-07 | 2023-09-07 | 基于计算机视觉的瓦楞纸生产质量实时检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116883402A CN116883402A (zh) | 2023-10-13 |
CN116883402B true CN116883402B (zh) | 2023-11-21 |
Family
ID=88262593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311146273.2A Active CN116883402B (zh) | 2023-09-07 | 2023-09-07 | 基于计算机视觉的瓦楞纸生产质量实时检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116883402B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115163B (zh) * | 2023-10-24 | 2024-02-06 | 济宁百良纸制品有限公司 | 一种瓦楞纸质量检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113934190A (zh) * | 2021-12-17 | 2022-01-14 | 武汉春田纸品包装有限公司 | 一种基于机器视觉的瓦楞纸板生产质量调控方法 |
WO2022027949A1 (zh) * | 2020-08-04 | 2022-02-10 | 湖南大学 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及系统 |
CN115311262A (zh) * | 2022-10-09 | 2022-11-08 | 南通如东依航电子研发有限公司 | 一种印刷电路板缺陷识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102015205994A1 (de) * | 2015-04-02 | 2016-10-06 | Bhs Corrugated Maschinen- Und Anlagenbau Gmbh | Vorrichtung zur Bestimmung der Qualität einer Wellpappe-Bahn |
-
2023
- 2023-09-07 CN CN202311146273.2A patent/CN116883402B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022027949A1 (zh) * | 2020-08-04 | 2022-02-10 | 湖南大学 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及系统 |
CN113934190A (zh) * | 2021-12-17 | 2022-01-14 | 武汉春田纸品包装有限公司 | 一种基于机器视觉的瓦楞纸板生产质量调控方法 |
CN115311262A (zh) * | 2022-10-09 | 2022-11-08 | 南通如东依航电子研发有限公司 | 一种印刷电路板缺陷识别方法 |
Non-Patent Citations (1)
Title |
---|
基于机器视觉的金属边缘细微缺陷检测方法的研究;刘建春;林海森;黄勇杰;江骏杰;;制造技术与机床(11);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116883402A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN116883402B (zh) | 基于计算机视觉的瓦楞纸生产质量实时检测方法 | |
CN113838054B (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN109215009B (zh) | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 | |
CN115100199B (zh) | 一种晶圆低纹理缺陷的检测方法 | |
CN115797354B (zh) | 用于检测激光焊接焊缝外观缺陷的方法 | |
CN110441305B (zh) | 一种二次喷丸的表面覆盖率检验方法 | |
US20230184703A1 (en) | Quantitative statistical characterization method of micron-level second phase in aluminum alloy based on deep learning | |
CN115345876B (zh) | 一种基于超声图像的螺栓螺纹缺陷检测方法 | |
CN115290053B (zh) | 一种高层建筑施工建设异常快速检测方法 | |
CN116452589A (zh) | 基于图像处理的人造板表面缺陷智能检测方法 | |
CN117437223B (zh) | 一种高速板对板连接器缺陷智能检测方法 | |
CN116416252B (zh) | 一种勃姆石生产工艺废水沉降图像检测方法 | |
CN116580024A (zh) | 一种基于图像处理的焦炭质量检测方法 | |
CN114817228A (zh) | 一种湖泊水位长时间序列监测数据的异常值剔除方法 | |
CN117218124A (zh) | 一种铜铝转接表面加工质量检测方法 | |
CN117522864B (zh) | 基于机器视觉的欧松板表面瑕疵检测方法 | |
CN115018790A (zh) | 一种基于异常检测的工件表面缺陷检测方法 | |
CN116740053B (zh) | 一种锻造加工智能生产线的管理系统 | |
CN110146027B (zh) | 一种sd-oct图像的青瓷釉层厚度测量方法 | |
CN112784922A (zh) | 智能云端医疗影像的提取和分类方法 | |
CN114549403A (zh) | 一种机械零部件侧剖面多单体智能精密几何圆心检测方法 | |
CN112750119A (zh) | 一种面向白玻璃盖板表面微弱缺陷的检测与测量方法 | |
CN117314899B (zh) | 基于图像特征的碳纤维板质量检测方法 |
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 |