CN116912256A - 基于图像处理的瓦楞纸排骨纹缺陷程度评估方法 - Google Patents
基于图像处理的瓦楞纸排骨纹缺陷程度评估方法 Download PDFInfo
- Publication number
- CN116912256A CN116912256A CN202311181194.5A CN202311181194A CN116912256A CN 116912256 A CN116912256 A CN 116912256A CN 202311181194 A CN202311181194 A CN 202311181194A CN 116912256 A CN116912256 A CN 116912256A
- Authority
- CN
- China
- Prior art keywords
- cluster set
- connected domain
- corrugated paper
- evaluation index
- rib
- 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 67
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012545 processing Methods 0.000 title claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 134
- 238000004220 aggregation Methods 0.000 claims abstract description 66
- 230000002776 aggregation Effects 0.000 claims abstract description 66
- 238000012216 screening Methods 0.000 claims abstract description 51
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000007639 printing Methods 0.000 claims description 11
- 238000003064 k means clustering Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 5
- 239000000123 paper Substances 0.000 description 55
- 210000003462 vein Anatomy 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000011087 paperboard Substances 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003854 Surface Print Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013507 mapping 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
Abstract
本发明涉及图像处理技术领域,具体涉及基于图像处理的瓦楞纸排骨纹缺陷程度评估方法。方法包括:根据待检测的瓦楞纸图像像素点的灰度值对像素点进行聚类,计算各初始聚类集合的聚集程度评价指标;将聚集程度评价指标小于阈值的各初始聚类集合记为各第一聚类集合,根据各连通域的筛选评价指标得到各第一聚类集合的子区域;将聚集程度评价指标大于等于阈值的各初始聚类集合记为各第二子区域;利用不同波长的Gabor滤波器对待检测的瓦楞纸图像进行处理,得到各波长的纹理图;对各波长的纹理图进行排骨纹直线检测,计算各子区域的排骨纹缺陷程度,进而得到待检测的瓦楞纸的排骨纹缺陷程度。本发明提高了排骨纹缺陷程度评估的合理性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于图像处理的瓦楞纸排骨纹缺陷程度评估方法。
背景技术
瓦楞纸排骨纹是指成型瓦楞纸板的表面不平整,在瓦楞楞峰的地方高,而两个楞峰之间低的现象。瓦楞纸上的排骨纹缺陷会影响瓦楞纸板后续的印刷效果,带来印刷质量问题。因此,需要对瓦楞纸上的排骨纹进行缺陷程度的评估,以此指导后续的生产过程,提高生产效率和生产质量。
现阶段主要基于排骨纹的整体数量和深度进行排骨纹缺陷程度的评估,而忽略了相同排骨纹缺陷程度对不同印刷图像的影响程度不同,没有结合印刷图像的不同对排骨纹缺陷程度进行针对性评估,导致对排骨纹缺陷程度的评估合理性较低。
发明内容
为了解决现有方法对瓦楞纸排骨纹缺陷程度评估时存在的合理性较低的问题,本发明的目的在于提供一种基于图像处理的瓦楞纸排骨纹缺陷程度评估方法,所采用的技术方案具体如下:
本发明提供了一种基于图像处理的瓦楞纸排骨纹缺陷程度评估方法,该方法包括以下步骤:
获取待检测的瓦楞纸图像,所述瓦楞纸图像上包含印刷图案;根据像素点的灰度值,对待检测的瓦楞纸图像上的像素点进行聚类,得到各初始聚类集合,计算各初始聚类集合的聚集程度评价指标;
将聚集程度评价指标小于聚集程度评价指标阈值的各初始聚类集合记为各第一聚类集合,计算各第一聚类集合中各连通域的筛选评价指标,根据所述筛选评价指标得到各第一聚类集合的子区域;将聚集程度评价指标大于等于聚集程度评价指标阈值的各初始聚类集合记为各第二子区域;
利用不同波长的Gabor滤波器对待检测的瓦楞纸图像进行处理,得到待检测的瓦楞纸对应的各波长的纹理图;对待检测的瓦楞纸对应的各波长的纹理图进行排骨纹直线检测,得到各第一聚类集合的子区域和各第二子区域的排骨纹直线;
计算各第一聚类集合的子区域和各第二子区域的排骨纹缺陷程度;根据所述各第一聚类集合的子区域和各第二子区域的排骨纹缺陷程度,得到待检测的瓦楞纸的排骨纹缺陷程度。
优选的,所述根据像素点的灰度值,对待检测的瓦楞纸图像上的像素点进行聚类,得到各初始聚类集合,包括:
获取待检测的瓦楞纸图像上像素点的灰度直方图,计算相邻灰度值之间像素点数量的差值;
统计各差值中大于等于阈值的差值的数量,根据所述数量,设置K-means聚类算法中的K值;采用K-means聚类算法对待检测的瓦楞纸图像进行聚类,得到各初始聚类集合。
优选的,所述计算各初始聚类集合的聚集程度评价指标,包括:
统计各初始聚类集合中像素点的数量,计算各初始聚类集合的面积;
将各初始聚类集合中像素点的数量和各初始聚类集合的面积的比值作为各初始聚类集合的聚集程度评价指标。
优选的,所述计算各第一聚类集合中各连通域的筛选评价指标,包括:
根据各第一聚类集合中各连通域内各像素点到其所在连通域质心的距离的方差,得到各连通域的空域离散程度评价指标;
根据各第一聚类集合中各连通域内各像素点在待检测的瓦楞纸图像中的像素值的方差,得到各连通域的灰度离散程度评价指标;
计算各第一聚类集合中各连通域对其所在初始聚类集合的聚集程度评价的影响指标;
根据各第一聚类集合中各连通域的空域离散程度评价指标、灰度离散程度评价指标和各连通域对其所在初始聚类集合的聚集程度评价的影响指标,计算各第一聚类集合中各连通域的筛选评价指标。
优选的,采用如下公式计算各第一聚类集合中各连通域对其所在初始聚类集合的聚集程度评价的影响指标:
其中,为第/>个初始聚类集合中第/>个连通域所在初始聚类集合的聚集程度评价指标,/>为第/>个初始聚类集合将第/>个连通域忽略的情况下计算得到的聚集程度评价指标,/>为该连通域对其所在初始聚类集合的聚集程度评价的影响指标。
优选的,采用如下公式计算各第一聚类集合中各连通域的筛选评价指标:
其中,为第/>个连通域的筛选评价指标,/>为第/>个连通域对其所在初始聚类集合的聚集程度评价的影响指标,/>为第/>个连通域的空域离散程度评价指标,/>为第/>个连通域的灰度离散程度评价指标,/>为自然常数。
优选的,所述根据所述筛选评价指标得到各第一聚类集合的子区域,包括:
将筛选评价指标最小的连通域作为各第一聚类集合的第一待筛选连通域,计算各第一聚类集合中除筛选评价指标最小的连通域之外其它各连通域的筛选评价指标,将各第一聚类集合中除筛选评价指标最小的连通域之外筛选评价指标最小的连通域作为各第一聚类集合的第二待筛选连通域,依次筛选,直至各第一聚类集合中仅包含单个连通域;
根据各第一聚类集合中各待筛选连通域的筛选评价指标,构建各第一聚类集合对应的散点图;
根据所述各第一聚类集合对应的散点图,得到各第一聚类集合的子区域。
优选的,采用如下公式计算各第一聚类集合的子区域和各第二子区域的排骨纹缺陷程度:
其中,为某一子区域的排骨纹缺陷程度,/>为该子区域对应的初始滤波器的波长,为该子区域排骨纹上像素点的数量,/>为自然常数。
优选的,所述聚集程度评价指标阈值为所有聚类集合对应的聚集程度评价指标平均值。
优选的,所述波长的数量的设置方法包括:
计算图像尺度的十分之一并取整,获得所述波长的数量。本发明具有如下有益效果:本发明考虑了相同排骨纹缺陷程度对不同印刷图像的影响程度不同,根据待检测的瓦楞纸图像中像素点的灰度值对待检测的瓦楞纸图像进行聚类,由于各初始聚类集合中各连通域存在一定的差异性,使得部分聚类集合的聚集程度评价指标较小,本发明为了提高准确性,又对聚集程度评价指标小于聚集程度评价指标阈值的各初始聚类集合进行划分,得到各初始聚类集合的子区域,根据各子区域的排骨纹缺陷程度,得到待检测的瓦楞纸的排骨纹缺陷程度。本发明结合印刷图像的不同对排骨纹缺陷程度进行针对性评估,提高了排骨纹缺陷程度评估的合理性。
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为本发明提供的一种基于图像处理的瓦楞纸排骨纹缺陷程度评估方法的流程图。
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,对本发明提出的一种基于图像处理的瓦楞纸排骨纹缺陷程度评估方法进行详细说明如下。
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基于图像处理的瓦楞纸排骨纹缺陷程度评估方法的具体方案。
基于图像处理的瓦楞纸排骨纹缺陷程度评估方法实施例
现有方法对瓦楞纸排骨纹缺陷程度评估时存在合理性较低的问题。为了解决上述问题,本实施例提出了基于图像处理的瓦楞纸排骨纹缺陷程度评估方法,如图1所示,本实施例的基于图像处理的瓦楞纸排骨纹缺陷程度评估方法包括以下步骤:
步骤S1,获取待检测的瓦楞纸图像,所述瓦楞纸图像上包含印刷图案;根据像素点的灰度值,对待检测的瓦楞纸图像上的像素点进行聚类,得到各初始聚类集合,计算各初始聚类集合的聚集程度评价指标。
将待检测的带有印刷图案的瓦楞纸板放置于水平面,用相机采集瓦楞纸板表面的正视图像,得到待检测的瓦楞纸表面图像;本实施例利用相机采集图像时对瓦楞纸板和相机的相对位置关系有所要求,需使得到的待检测的瓦楞纸表面图像中的排骨纹为竖直方向。对待检测的瓦楞纸表面图像进行灰度化、图像滤波去噪以及图像增强等一系列图像预处理,通过提高图像质量来提高后续检测结果的准确性。具体预处理过程为公知技术,在此不作具体阐述。
由于印刷图案中不同的颜色受到纸板排骨纹的影响程度不同,本实施例基于像素点灰度值将表面印刷图像划分为多个子区域,进行每个子区域的针对性分析和计算,提高瓦楞纸排骨纹缺陷程度的评估合理性。印刷图案和灰度信息复杂多样,本实施例首先基于像素点的灰度值进行初始聚类,进而将初始聚类结果与像素点空域信息结合进行子区域的进一步划分,以获得更精确的区域划分结果,作为后续分析的基础。
具体聚类方法如下:
首先确定初始分类数量K,根据像素点灰度进行表面印刷图像像素点的初始聚类:
统计待检测的带有印刷图案的瓦楞纸板中像素点灰度直方图,计算相邻大小灰度值之间的差值,灰度值为的像素点数量和灰度值为/>的像素点的数量之差记为/>,/>为/>范围内的整数。将/>按照从大到小的顺序进行排列,并将最大值记为/>,本实施例以/>为阈值,统计大于等于阈值的/>的数量/>,并将后续K-means聚类算法的初始/>值设置为/>。
针对像素点灰度值之间的差异,基于上述初始值对应的K-means聚类算法进行像素点聚类,得到/>个初始聚类集合。K-means聚类算法是公知技术,在此不作赘述。
对于每个初始聚类集合,将其集合内的像素点数量记为XS,并基于凸包算法计算其凸包面积ST,其中,凸包面积即为凸包内的像素点数量。本实施例用该初始聚类集合内的像素点数量与对应凸包面积的比值表征该初始聚类集合像素点的聚集程度评价指标,FX值越小,说明该初始聚类集合的聚集程度越差。
步骤S2,将聚集程度评价指标小于聚集程度评价指标阈值的各初始聚类集合记为各第一聚类集合,计算各第一聚类集合中各连通域的筛选评价指标,根据所述筛选评价指标得到各第一聚类集合的子区域;将聚集程度评价指标大于等于聚集程度评价指标阈值的各初始聚类集合记为各第二子区域。
在步骤S1中,得到了每个初始聚类集合的聚集程度,本实施例设置聚集程度评价指标阈值,其中,/>为/>个聚类集合对应/>的均值。若某个初始聚类集合的聚集程度评价指标大于等于对应阈值,则将该初始聚类集合记为一个子区域;若某个初始聚类集合的聚集程度评价指标小于对应阈值,则需要根据像素点的空域信息对该初始聚类集合进行进一步的像素点类别划分。
具体划分方式为:
对于每个初始聚类集合,本实施例采用Two Pass方法,基于集合内像素点的空域信息进行连通域的提取,为避免空域上的离散点过多导致连通域数量过多,本实施例设置距离阈值和数量阈值/>,对所有连通域内像素点数量小于等于数量阈值/>的连通域,进一步判断是否存在与其距离小于距离阈值/>内的连通域,该处距离为每个像素点到其所在连通域质心点的欧式距离,若存在,则将该连通域看作待处理连通域,并将待处理连通域加入到与其距离最小的连通域集合内进行合并;若不存在,则保持该待处理连通域独立,不与其他连通域进行合并。最终,进行所有连通域的合并判断,完成每个初始聚集集合的连通域合并,并将合并后第/>个聚类集合的第/>个连通域记为/>,其中/>,/>为第/>个聚类集合中连通域的个数。需要说明的是,距离阈值和数量阈值可根据具体聚类结果以及样本对象数量进行具体设置,在此不做限定。
对于每个完成连通域合并的初始聚类集合,其中第个聚类集合的第/>个连通域对集合聚集程度评价的影响可表示为:
其中,为第/>个初始聚类集合中第/>个连通域所在初始聚类集合的聚集程度评价指标,/>为该连通域所在初始聚类集合将该连通域忽略的情况下计算得到的聚集程度评价指标,/>为该连通域对其所在初始聚类集合的聚集程度评价的影响指标。聚集程度评价的影响指标越大,表示该连通域对最终分类的影响越大。
对于单个连通域,基于其中各像素点到质心点的距离的方差,获得该连通域的空域离散程度评价指标;同时基于其中各像素点在待检测的瓦楞纸图像中的像素值的方差,获得该连通域的灰度离散程度评价指标/>,本实施例根据各连通域的空域离散程度评价指标和灰度离散程度评价指标,构建各连通域筛选评价指标。第/>个连通域筛选评价指标的计算公式为:
其中,为第/>个连通域的筛选评价指标,/>为该连通域对其所在初始聚类集合的聚集程度评价的影响指标,/>为聚集程度评价指标影响的映射函数,/>为自然常数,/>为该连通域的空域离散程度评价指标,/>为该连通域的灰度离散程度评价指标。
至此,得到各连通域的筛选评价指标。聚集程度评价的影响指标越大,表示该连通域对最终分类的影响越大,则筛选评价指标越小;空域离散程度评价指标和灰度离散程度评价指标越大,表示该连通域是噪声的可能性越大,则筛选评价指标越小;筛选评价指标越小,对应的连通域越应当被筛选出来。本实施例将单个连通域对集合聚集程度评价的影响指标作为空域离散程度评价指标和灰度离散程度评价指标的系数;将空域离散程度评价指标和灰度离散程度评价指标作为并列项进行计算分析,只有当连通域空域方差和灰度方差均较大时,对应连通域才被认定为噪声进行筛除,避免了误判,提高结果的合理性。
对于聚集程度评价指标小于对应阈值的初始聚类集合,选择对应的连通域作为待筛选连通域,并将该连通域信息忽略,再次采用上述方法重新计算聚集程度评价指标,基于聚集程度评价指标,得到单个连通域对集合聚集程度评价的影响指标,基于单个连通域对集合聚集程度评价的影响指标,得到其余连通域的筛选评价指标,再次选择筛选评价指标最小的连通域作为待筛选连通域。依次筛选,直至聚集程度评价指标小于对应阈值的所有初始聚类集合中仅包含单个连通域。
通过上述处理,对于聚集程度评价指标小于对应阈值的一个初始聚类集合,得到T-1个待筛选连通域。基于待筛选连通域对应的筛选轮次与连通域筛选评价指标构建散点图,且由于每次忽略连通域信息时,所计算的凸包信息均不同,因此待筛选连通域对应的筛选轮次与连通域筛选评价指标/>独立对应。将横轴相邻的散点直接相连,计算出相邻散点的梯度值,进而获取到多个梯度极大值点,选择距离原点距离最近的极大值点,将原点到该极大值点之间对应的待筛选连通域均进行筛除处理,其他待筛选连通域均保留。
经过上述处理,即可将聚集程度评价指标小于对应阈值的所有初始聚类集合中保留的连通域作为对应的子区域。至此,得到了待检测的瓦楞纸图像的各子区域,本实施例将子区域的数量记为,作为后续排骨纹缺陷程度的检测基础。
步骤S3,利用不同波长的Gabor滤波器对待检测的瓦楞纸图像进行处理,得到待检测的瓦楞纸对应的各波长的纹理图;对待检测的瓦楞纸对应的各波长的纹理图进行排骨纹直线检测,得到各第一聚类集合的子区域和各第二子区域的排骨纹直线。
Gabor滤波是一个用于边缘提取的线性滤波器,且对光照变化不敏感,十分适用于纹理分析,因此,本实施例基于二维Gabor滤波器对待检测的瓦楞纸图像进行纹理提取。
Gabor滤波器的常用参数为,对于/>参数均相同而波长参数/>不同的多个Gabor滤波器,随着其对应波长数值的增大,滤波器对待检测的瓦楞纸图像排骨纹纹理的表征程度逐渐增大,对应地,排骨纹初始出现的纹理图像对应的波长越小,该排骨纹的纹理深度越大,缺陷程度越大。
本实施例用多个不同波长的Gabor滤波器分别与待检测的瓦楞纸图像进行卷积,得到对应的纹理图像,通过对各纹理图像中的纹理分析,获得各子区域对应的排骨纹直线纹理,进而根据各排骨纹初始出现的纹理图像的对应波长完成排骨纹缺陷程度的分析,具体方法为:
Gabor滤波器参数设置:
由先验知识可知波长取值范围为/> (M为图像尺度),本实施例设定第i个波长的数值为/>,可取/>,其中/>,[*]为取整函数,设定其他参数的值分别为/>。
得到m个不同波长的Gabor滤波器,分别与待检测的瓦楞纸图像进行卷积处理,得到m张待检测的瓦楞纸的纹理图。
本实施例基于LSD算法对每张待检测的瓦楞纸的纹理图进行排骨纹直线纹理的检测,该算法为公知技术,在此不作具体阐述。
排骨纹直线筛选具体过程:
由于LSD算法精度较高,会受到噪声的干扰,检测到的直线中除了包括排骨纹直线之外,还包括印刷图案直线以及部分干扰直线。因此,对于每张待检测的瓦楞纸的纹理,首先需要进行直线的筛选,获得排骨纹直线,以提高后续检测结果的准确性。
由于排骨纹直线为竖直直线,首先根据各直线的像素点坐标获得其与竖直方向的夹角,并将/>的直线筛除。由于待检测的瓦楞纸板中排骨纹长度与纸板宽度一致,对于纹理图中的排骨纹直线,其长度应符合该直线所在子区域的高度信息。因此,本实施例进一步为/>的直线设定自适应的长度阈值:首先根据各直线的像素点位置判断其所属子区域,并获得该直线的延长线与其所属子区域边界的两个交点,两交点之间的距离h表征该直线在所属子区域对应位置处的极限高度。极限高度h越大,该直线判断为排骨纹直线的长度阈值也越大。因此,设定各直线的自适应长度阈值为/>,其中,/>可基于实际情况自行设定,本实施例设定/>。将各直线中像素点数量小于对应长度阈值的直线筛除,对于像素点数量不小于对应长度阈值的直线,进一步检测这些直线是否为排骨纹直线。
排骨纹直线检测具体过程:
由于瓦楞纸排骨纹为等距的条纹,对于筛除后的直线,进一步基于直线的分布情况判定其是否为排骨纹直线:
由于各子区域的排骨纹深浅程度不同,其在纹理图上的表征程度不同,因此在部分纹理图像中,筛除后的直线为实际纸板瓦楞上的子段。
对于每个子区域,计算筛选后的各直线与图像左边缘之间的垂直距离,进而将垂直距离/>按照由小到大的顺序排列,计算两相邻距离之间的距离差值/>,进而统计各距离差值出现次数/>,则最大出现次数对应的距离差值即为该待检测的瓦楞纸板图像中的排骨纹间距,记作/>。对于待判断的每条直线,若其存在与其距离为/>的另一待判断直线,则该直线符合排骨纹直线的排列规律,属于排骨纹直线,否则,该待判断直线不是排骨纹直线。其中,/>和/>的值可基于实际情况自行设定,本实施例设定/>。
至此,完成每张待检测的瓦楞纸的纹理图中排骨纹直线的检测。
步骤S4,计算各第一聚类集合的子区域和各第二子区域的排骨纹缺陷程度;根据所述各第一聚类集合的子区域和各第二子区域的排骨纹缺陷程度,得到待检测的瓦楞纸的排骨纹缺陷程度。
对于每张待检测的瓦楞纸的纹理图中检测到的排骨纹直线,可基于其像素点坐标判断其所属区域。对每个子区域在每张纹理图像中的排骨纹直线进行分析,可知子区域中排骨纹直线初始出现时对应的滤波器波长。
根据子区域中排骨纹直线初始出现时对应的滤波器波长可知该子区域中的排骨纹深度,进而根据该子区域中的排骨纹像素点数量z计算其缺陷程度w:
其中,为该子区域的排骨纹缺陷程度,/>为该子区域中排骨纹直线初始出现时对应的滤波器波长,/>为该子区域排骨纹上像素点的数量,/>为自然常数。
其它子区域的排骨纹缺陷程度均可采用上述方法获得,进一步对各子区域的排骨纹缺陷程度进行归一化处理,使得各子区域中排骨纹缺陷程度值在[0,1]范围内。
本实施例根据各子区域的排骨纹缺陷程度,计算待检测的瓦楞纸的排骨纹的缺陷程度:
其中,为待检测的瓦楞纸图像中排骨纹的缺陷程度,/>为第/>个子区域的排骨纹缺陷程度,/>为子区域的数量。/>越大,待检测的瓦楞纸的排骨纹缺陷程度越大。
至此,本实施例得到了待检测的瓦楞纸的排骨纹缺陷程度。
本实施例考虑了相同排骨纹缺陷程度对不同印刷图像的影响程度不同,根据待检测的瓦楞纸图像中像素点的灰度值对待检测的瓦楞纸图像进行聚类,由于各初始聚类集合中各连通域存在一定的差异性,使得部分聚类集合的聚集程度评价指标较小,本实施例为了提高准确性,又对聚集程度评价指标小于聚集程度评价指标阈值的各初始聚类集合进行划分,得到各初始聚类集合的子区域,根据各子区域的排骨纹缺陷程度,得到待检测的瓦楞纸的排骨纹缺陷程度。本实施例结合印刷图像的不同对排骨纹缺陷程度进行针对性评估,提高了排骨纹缺陷程度评估的合理性。
需要说明的是: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)
1.一种基于图像处理的瓦楞纸排骨纹缺陷程度评估方法,其特征在于,该方法包括以下步骤:
获取待检测的瓦楞纸图像,所述瓦楞纸图像上包含印刷图案;根据像素点的灰度值,对待检测的瓦楞纸图像上的像素点进行聚类,得到各初始聚类集合,计算各初始聚类集合的聚集程度评价指标;
将聚集程度评价指标小于聚集程度评价指标阈值的各初始聚类集合记为各第一聚类集合,计算各第一聚类集合中各连通域的筛选评价指标,根据所述筛选评价指标得到各第一聚类集合的子区域;将聚集程度评价指标大于等于聚集程度评价指标阈值的各初始聚类集合记为各第二子区域;
利用不同波长的Gabor滤波器对待检测的瓦楞纸图像进行处理,得到待检测的瓦楞纸对应的各波长的纹理图;对待检测的瓦楞纸对应的各波长的纹理图进行排骨纹直线检测,得到各第一聚类集合的子区域和各第二子区域的排骨纹直线;
计算各第一聚类集合的子区域和各第二子区域的排骨纹缺陷程度;根据所述各第一聚类集合的子区域和各第二子区域的排骨纹缺陷程度,得到待检测的瓦楞纸的排骨纹缺陷程度。
2.根据权利要求1所述的一种基于图像处理的瓦楞纸排骨纹缺陷程度评估方法,其特征在于,所述根据像素点的灰度值,对待检测的瓦楞纸图像上的像素点进行聚类,得到各初始聚类集合,包括:
获取待检测的瓦楞纸图像上像素点的灰度直方图,计算相邻灰度值之间像素点数量的差值;
统计各差值中大于等于阈值的差值的数量,根据所述数量,设置K-means聚类算法中的K值;采用K-means聚类算法对待检测的瓦楞纸图像进行聚类,得到各初始聚类集合。
3.根据权利要求1所述的一种基于图像处理的瓦楞纸排骨纹缺陷程度评估方法,其特征在于,所述计算各初始聚类集合的聚集程度评价指标,包括:
统计各初始聚类集合中像素点的数量,计算各初始聚类集合的面积;
将各初始聚类集合中像素点的数量和各初始聚类集合的面积的比值作为各初始聚类集合的聚集程度评价指标。
4.根据权利要求1所述的一种基于图像处理的瓦楞纸排骨纹缺陷程度评估方法,其特征在于,所述计算各第一聚类集合中各连通域的筛选评价指标,包括:
根据各第一聚类集合中各连通域内各像素点到其所在连通域质心的距离的方差,得到各连通域的空域离散程度评价指标;
根据各第一聚类集合中各连通域内各像素点在待检测的瓦楞纸图像中的像素值的方差,得到各连通域的灰度离散程度评价指标;
计算各第一聚类集合中各连通域对其所在初始聚类集合的聚集程度评价的影响指标;
根据各第一聚类集合中各连通域的空域离散程度评价指标、灰度离散程度评价指标和各连通域对其所在初始聚类集合的聚集程度评价的影响指标,计算各第一聚类集合中各连通域的筛选评价指标。
5.根据权利要求4所述的一种基于图像处理的瓦楞纸排骨纹缺陷程度评估方法,其特征在于,采用如下公式计算各第一聚类集合中各连通域对其所在初始聚类集合的聚集程度评价的影响指标:
其中,为第/>个初始聚类集合中第/>个连通域所在初始聚类集合的聚集程度评价指标,/>为第/>个初始聚类集合将第/>个连通域忽略的情况下计算得到的聚集程度评价指标,为该连通域对其所在初始聚类集合的聚集程度评价的影响指标。
6.根据权利要求4所述的一种基于图像处理的瓦楞纸排骨纹缺陷程度评估方法,其特征在于,采用如下公式计算各第一聚类集合中各连通域的筛选评价指标:
其中,为第/>个连通域的筛选评价指标,/>为第/>个连通域对其所在初始聚类集合的聚集程度评价的影响指标,/>为第/>个连通域的空域离散程度评价指标,/>为第/>个连通域的灰度离散程度评价指标,/>为自然常数。
7.根据权利要求1所述的一种基于图像处理的瓦楞纸排骨纹缺陷程度评估方法,其特征在于,所述根据所述筛选评价指标得到各第一聚类集合的子区域,包括:
将筛选评价指标最小的连通域作为各第一聚类集合的第一待筛选连通域,计算各第一聚类集合中除筛选评价指标最小的连通域之外其它各连通域的筛选评价指标,将各第一聚类集合中除筛选评价指标最小的连通域之外筛选评价指标最小的连通域作为各第一聚类集合的第二待筛选连通域,依次筛选,直至各第一聚类集合中仅包含单个连通域;
根据各第一聚类集合中各待筛选连通域的筛选评价指标,构建各第一聚类集合对应的散点图;
根据所述各第一聚类集合对应的散点图,得到各第一聚类集合的子区域。
8.根据权利要求1所述的一种基于图像处理的瓦楞纸排骨纹缺陷程度评估方法,其特征在于,采用如下公式计算各第一聚类集合的子区域和各第二子区域的排骨纹缺陷程度:
其中,为某一子区域的排骨纹缺陷程度,/>为该子区域对应的初始滤波器的波长,/>为该子区域排骨纹上像素点的数量,/>为自然常数。
9.根据权利要求1所述的一种基于图像处理的瓦楞纸排骨纹缺陷程度评估方法,其特征在于,所述聚集程度评价指标阈值为所有聚类集合对应的聚集程度评价指标平均值。
10.根据权利要求1所述的一种基于图像处理的瓦楞纸排骨纹缺陷程度评估方法,其特征在于,所述波长的数量的设置方法包括:
计算图像尺度的十分之一并取整,获得所述波长的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311181194.5A CN116912256B (zh) | 2023-09-14 | 2023-09-14 | 基于图像处理的瓦楞纸排骨纹缺陷程度评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311181194.5A CN116912256B (zh) | 2023-09-14 | 2023-09-14 | 基于图像处理的瓦楞纸排骨纹缺陷程度评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116912256A true CN116912256A (zh) | 2023-10-20 |
CN116912256B CN116912256B (zh) | 2023-11-28 |
Family
ID=88355078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311181194.5A Active CN116912256B (zh) | 2023-09-14 | 2023-09-14 | 基于图像处理的瓦楞纸排骨纹缺陷程度评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912256B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115163A (zh) * | 2023-10-24 | 2023-11-24 | 济宁百良纸制品有限公司 | 一种瓦楞纸质量检测方法 |
CN117788469A (zh) * | 2024-02-27 | 2024-03-29 | 广东世腾智慧科技有限公司 | 基于模拟图像的瓦楞纸板表面缺陷智能识别方法 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0313850A (ja) * | 1989-06-13 | 1991-01-22 | Nippon Steel Corp | ウエハ欠陥検査の画像処理方法 |
EP0524348A1 (de) * | 1991-07-20 | 1993-01-27 | Tencor Instruments | Einrichtung für Oberflächeninspektionen |
JPH08156921A (ja) * | 1994-12-06 | 1996-06-18 | Nippon Nohyaku Co Ltd | ケース内の袋不良検出装置 |
JPH10101028A (ja) * | 1996-09-30 | 1998-04-21 | Opt Kk | ホットメルト付着品質判定方法及びその装置 |
JP2004212311A (ja) * | 2003-01-08 | 2004-07-29 | Seiko Epson Corp | ムラ欠陥の検出方法及び装置 |
JP2004318693A (ja) * | 2003-04-18 | 2004-11-11 | Konica Minolta Photo Imaging Inc | 画像処理方法、画像処理装置及び画像処理プログラム |
KR20090121612A (ko) * | 2008-05-22 | 2009-11-26 | 충북대학교 산학협력단 | 골판지 품질 불량 자동 검사 방법 및 장치 |
US20170140522A1 (en) * | 2015-11-12 | 2017-05-18 | Research & Business Foundation Sungkyunkwan University | Method of analysing images of rod-like particles |
JP2017133998A (ja) * | 2016-01-29 | 2017-08-03 | 三菱重工印刷紙工機械株式会社 | 段ボールシートの不良検出装置及び段ボールシートの不良除去装置並びに段ボールシートの製造装置 |
CN109711405A (zh) * | 2018-12-25 | 2019-05-03 | 于兴虎 | 一种基于骨架自校正的瓦楞纸板非监督提取方法 |
CN112669279A (zh) * | 2020-12-25 | 2021-04-16 | 展影影 | 一种基于人工智能的器件缺陷程度评估方法及系统 |
CN113688807A (zh) * | 2021-10-26 | 2021-11-23 | 中科慧远视觉技术(北京)有限公司 | 一种自适应缺陷检测方法、装置、识别系统及存储介质 |
CN113850808A (zh) * | 2021-12-01 | 2021-12-28 | 武汉泰盛包装材料有限公司 | 基于图像处理的多层瓦楞纸排列缺陷检测方法及装置 |
CN113920120A (zh) * | 2021-12-14 | 2022-01-11 | 武汉市欣诚详包装有限公司 | 基于人工智能的瓦楞纸板印刷效果评估方法及系统 |
WO2022042579A1 (zh) * | 2020-08-28 | 2022-03-03 | 歌尔股份有限公司 | 一种用于lcd屏幕的缺陷检测方法、装置 |
WO2022110219A1 (zh) * | 2020-11-30 | 2022-06-02 | 京东方科技集团股份有限公司 | 一种显示面板的检测方法、装置及系统 |
WO2022129805A1 (fr) * | 2020-12-17 | 2022-06-23 | Electricite De France | Procede, dispositif et programme de detection par ultrasons de defauts dans un materiau |
CN115294123A (zh) * | 2022-10-08 | 2022-11-04 | 淄博永丰环保科技有限公司 | 一种基于图像视觉的瓦楞纸板质量检测方法 |
CN115345894A (zh) * | 2022-10-17 | 2022-11-15 | 南通通力油泵有限公司 | 一种焊缝射线检测图像分割方法 |
CN115690108A (zh) * | 2023-01-04 | 2023-02-03 | 山东元旺电工科技有限公司 | 一种基于图像处理的铝合金杆生产质量评估方法 |
CN115830022A (zh) * | 2023-02-15 | 2023-03-21 | 山东梁山酿酒总厂有限公司 | 基于机器视觉的过滤机滤网缺陷检测方法 |
WO2023083059A1 (zh) * | 2021-11-15 | 2023-05-19 | 中移(上海)信息通信科技有限公司 | 一种路面缺陷检测方法、装置、电子设备和可读存储介质 |
-
2023
- 2023-09-14 CN CN202311181194.5A patent/CN116912256B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0313850A (ja) * | 1989-06-13 | 1991-01-22 | Nippon Steel Corp | ウエハ欠陥検査の画像処理方法 |
EP0524348A1 (de) * | 1991-07-20 | 1993-01-27 | Tencor Instruments | Einrichtung für Oberflächeninspektionen |
JPH08156921A (ja) * | 1994-12-06 | 1996-06-18 | Nippon Nohyaku Co Ltd | ケース内の袋不良検出装置 |
JPH10101028A (ja) * | 1996-09-30 | 1998-04-21 | Opt Kk | ホットメルト付着品質判定方法及びその装置 |
JP2004212311A (ja) * | 2003-01-08 | 2004-07-29 | Seiko Epson Corp | ムラ欠陥の検出方法及び装置 |
JP2004318693A (ja) * | 2003-04-18 | 2004-11-11 | Konica Minolta Photo Imaging Inc | 画像処理方法、画像処理装置及び画像処理プログラム |
KR20090121612A (ko) * | 2008-05-22 | 2009-11-26 | 충북대학교 산학협력단 | 골판지 품질 불량 자동 검사 방법 및 장치 |
US20170140522A1 (en) * | 2015-11-12 | 2017-05-18 | Research & Business Foundation Sungkyunkwan University | Method of analysing images of rod-like particles |
JP2017133998A (ja) * | 2016-01-29 | 2017-08-03 | 三菱重工印刷紙工機械株式会社 | 段ボールシートの不良検出装置及び段ボールシートの不良除去装置並びに段ボールシートの製造装置 |
CN109711405A (zh) * | 2018-12-25 | 2019-05-03 | 于兴虎 | 一种基于骨架自校正的瓦楞纸板非监督提取方法 |
WO2022042579A1 (zh) * | 2020-08-28 | 2022-03-03 | 歌尔股份有限公司 | 一种用于lcd屏幕的缺陷检测方法、装置 |
WO2022110219A1 (zh) * | 2020-11-30 | 2022-06-02 | 京东方科技集团股份有限公司 | 一种显示面板的检测方法、装置及系统 |
WO2022129805A1 (fr) * | 2020-12-17 | 2022-06-23 | Electricite De France | Procede, dispositif et programme de detection par ultrasons de defauts dans un materiau |
CN112669279A (zh) * | 2020-12-25 | 2021-04-16 | 展影影 | 一种基于人工智能的器件缺陷程度评估方法及系统 |
CN113688807A (zh) * | 2021-10-26 | 2021-11-23 | 中科慧远视觉技术(北京)有限公司 | 一种自适应缺陷检测方法、装置、识别系统及存储介质 |
WO2023083059A1 (zh) * | 2021-11-15 | 2023-05-19 | 中移(上海)信息通信科技有限公司 | 一种路面缺陷检测方法、装置、电子设备和可读存储介质 |
CN113850808A (zh) * | 2021-12-01 | 2021-12-28 | 武汉泰盛包装材料有限公司 | 基于图像处理的多层瓦楞纸排列缺陷检测方法及装置 |
CN113920120A (zh) * | 2021-12-14 | 2022-01-11 | 武汉市欣诚详包装有限公司 | 基于人工智能的瓦楞纸板印刷效果评估方法及系统 |
CN115294123A (zh) * | 2022-10-08 | 2022-11-04 | 淄博永丰环保科技有限公司 | 一种基于图像视觉的瓦楞纸板质量检测方法 |
CN115345894A (zh) * | 2022-10-17 | 2022-11-15 | 南通通力油泵有限公司 | 一种焊缝射线检测图像分割方法 |
CN115690108A (zh) * | 2023-01-04 | 2023-02-03 | 山东元旺电工科技有限公司 | 一种基于图像处理的铝合金杆生产质量评估方法 |
CN115830022A (zh) * | 2023-02-15 | 2023-03-21 | 山东梁山酿酒总厂有限公司 | 基于机器视觉的过滤机滤网缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
王家晨;王新房;: "基于背景重构X射线钢管焊缝缺陷检测方法", 计算机系统应用, no. 02 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115163A (zh) * | 2023-10-24 | 2023-11-24 | 济宁百良纸制品有限公司 | 一种瓦楞纸质量检测方法 |
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 |
CN117788469A (zh) * | 2024-02-27 | 2024-03-29 | 广东世腾智慧科技有限公司 | 基于模拟图像的瓦楞纸板表面缺陷智能识别方法 |
CN117788469B (zh) * | 2024-02-27 | 2024-05-03 | 广东世腾智慧科技有限公司 | 基于模拟图像的瓦楞纸板表面缺陷智能识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116912256B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116912256B (zh) | 基于图像处理的瓦楞纸排骨纹缺陷程度评估方法 | |
CN112630222B (zh) | 一种基于机器视觉的手机盖板玻璃缺陷检测方法 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN107657606B (zh) | 一种显示装置的亮度缺陷检测方法与装置 | |
CN113034452B (zh) | 一种焊件轮廓检测方法 | |
Tan et al. | Segmentation and counting algorithm for touching hybrid rice grains | |
CN115439494B (zh) | 用于喷雾机质检的喷雾图像处理方法 | |
CN114140669B (zh) | 焊接缺陷识别模型训练方法、装置和计算机终端 | |
CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
CN109975196B (zh) | 一种网织红细胞检测方法及其系统 | |
CN116735612B (zh) | 一种精密电子元器件焊接缺陷检测方法 | |
CN113506246B (zh) | 基于机器视觉的混凝土3d打印构件精细检测方法 | |
WO2020140198A1 (zh) | 指甲图像分割方法、装置、设备和存储介质 | |
CN111709964B (zh) | 一种pcba目标边缘检测方法 | |
CN112085675A (zh) | 深度图像去噪方法、前景分割方法及人体运动监测方法 | |
CN116862917B (zh) | 一种纺织品表面质量检测方法及系统 | |
CN115272305A (zh) | 一种纽扣孔洞缺陷检测方法 | |
CN113592811B (zh) | 一种基于图像处理的熔喷布厚度一致性检测方法 | |
CN111951347B (zh) | 一种页岩油气储层砂质纹层参数提取方法 | |
CN112102189A (zh) | 一种线结构光光条中心线提取方法 | |
CN116468689A (zh) | 一种基于灰度特征的瑕疵识别方法 | |
CN113920121B (zh) | 基于图像处理的工艺品印刷条痕检测方法和系统 | |
CN106295642B (zh) | 一种基于容错率和纹理特征的车牌定位方法 | |
CN110827272B (zh) | 一种基于图像处理的轮胎x光图像缺陷检测方法 |
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 |