CN116934761B - 一种乳胶手套缺陷自适应检测方法 - Google Patents
一种乳胶手套缺陷自适应检测方法 Download PDFInfo
- Publication number
- CN116934761B CN116934761B CN202311202500.9A CN202311202500A CN116934761B CN 116934761 B CN116934761 B CN 116934761B CN 202311202500 A CN202311202500 A CN 202311202500A CN 116934761 B CN116934761 B CN 116934761B
- Authority
- CN
- China
- Prior art keywords
- gray level
- gray
- probability
- pixel
- contrast
- 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
- 239000004816 latex Substances 0.000 title claims abstract description 82
- 229920000126 latex Polymers 0.000 title claims abstract description 82
- 230000007547 defect Effects 0.000 title claims abstract description 70
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 41
- 239000002245 particle Substances 0.000 claims abstract description 30
- 238000012937 correction Methods 0.000 claims abstract description 27
- 238000009826 distribution Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 16
- 239000000203 mixture Substances 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 5
- 230000002950 deficient Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 abstract description 11
- 238000012545 processing Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000007863 gel particle Substances 0.000 description 3
- 239000002002 slurry Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012549 training 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
- 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
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- 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
-
- 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领域,具体涉及一种乳胶手套缺陷自适应检测方法,包括:获取乳胶手套灰度图及其灰度直方图;对灰度直方图进行高斯拟合,得到各灰度级别;获取像素点属于各灰度级别的概率;根据像素点及其八邻域像素点的灰度值和属于各灰度级别的概率,得到像素点属于各灰度级别概率的修正量;根据修正量得到像素点属于各灰度级别修正后的概率;根据修正后的概率得到每个像素点的灰度级别;根据每个像素点的灰度级别计算灰度图的灰度共生矩阵,获得对比度矩阵及对比度曲线,识别胶粒缺陷并提取缺陷边缘。本发明用于对乳胶手套的缺陷进行检测,可实现乳胶手套的自适应缺陷检测。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种乳胶手套缺陷自适应检测方法。
背景技术
在乳胶手套的生产制造过程中,往往会因为生产工艺或生产材料问题导致乳胶手套产生胶粒缺陷。胶粒为乳胶手套成品上凝胶颗粒或浆块。胶粒缺陷的存在会影响乳胶手套的使用情况,因此,需要对生产后的乳胶手套进行缺陷检测。
现有技术中可通过图像处理方法识别手套表面的缺陷,但是在实际情况中,图像中乳胶手套表面存在多个灰度级,直接通过灰度级信息进行缺陷检测容易造成误检,无法保证缺陷检测的准确度。
发明内容
本发明提供了一种乳胶手套缺陷自适应检测方法,包括:获取乳胶手套灰度图及其灰度直方图;对灰度直方图进行高斯拟合,得到各灰度级别;获取像素点属于各灰度级别的概率;根据像素点及其八邻域像素点的灰度值和属于各灰度级别的概率,得到像素点属于各灰度级别概率的修正量;根据修正量得到像素点属于各灰度级别修正后的概率;根据修正后的概率得到每个像素点的灰度级别;根据每个像素点的灰度级别计算灰度图的灰度共生矩阵,获得对比度矩阵及对比度曲线,识别胶粒缺陷并提取缺陷边缘,相比于现有技术,结合计算机视觉和图像处理,通过对乳胶手套的灰度图进行分析,得到灰度分级,根据灰度图中各像素点的分布情况,将灰度图中的各像素点划分到各个灰度级别中,使得胶粒边缘和手套处于不同的灰度级别,实现了最优灰度分级;根据最优灰度分级,计算灰度图的灰度共生矩阵,利用灰度共生矩阵分析图像的对比度,利用对比度实现对胶粒缺陷的识别和提取,实现了乳胶手套的自适应检测。
为达到上述目的,本发明采用以下技术方案,一种乳胶手套缺陷自适应检测方法,包括:
获取乳胶手套图像及其灰度图。
根据灰度图中的像素灰度值和像素个数,得到乳胶手套的灰度直方图。
对灰度直方图进行高斯混合模型拟合,根据高斯混合模型中的各子高斯模型对其分布下的灰度值的灰度级别进行划分,得到各个灰度级别。
根据各个子高斯模型的参数和像素点的灰度值,得到每个像素点属于不同灰度级别的概率。
根据每个像素点及其八邻域像素点的灰度值和每个像素点及其八邻域像素点属于不同灰度级别的概率,计算得到每个像素点属于不同灰度级别的概率的修正量。
根据修正量对每个像素点属于不同灰度级别的概率进行修正,得到每个像素点属于不同灰度级别修正后的概率。
根据每个像素点属于不同灰度级别修正后的概率,对灰度图中所有像素点进行灰度级别划分,得到每个像素点的灰度级别。
对灰度图进行滑窗操作,根据每个像素点的灰度级别计算每个窗口的灰度共生矩阵及灰度共生矩阵对比度,得到对比度曲线。
根据对比度曲线得到灰度图中可能缺陷区域,计算可能缺陷区域的缺陷概率,获取乳胶手套的缺陷区域。
进一步的,所述一种乳胶手套缺陷自适应检测方法,所述各个灰度级别是按照如下方式得到:
对乳胶手套的灰度直方图进行平滑处理,计算平滑曲线上每个点的切线的斜率的绝对值,得到斜率绝对值序列。
统计斜率绝对值序列中局部最小值个数,作为子高斯模型个数;
以灰度直方图中灰度值及子高斯模型个数为样本数据,利用EM算法拟合一维高斯混合模型,得到各个子高斯模型。
将每个子高斯模型分布下的灰度值划分为一个灰度级别,得到各个灰度级别。
进一步的,所述一种乳胶手套缺陷自适应检测方法,所述每个像素点属于不同灰度级别的概率的表达式如下:
;
式中,pf为像素点属于灰度级别f的概率,wf为第f个子高斯模型的权重,σf²为第f个子高斯模型的方差,μf为第f个子高斯模型的均值,pix为像素点灰度值。
进一步的,所述一种乳胶手套缺陷自适应检测方法,所述每个像素点属于不同灰度级别的概率的修正量的表达式如下:
;
式中,rf(l)为第l个像素点属于灰度级别f的概率的修正量,u表示第l个像素点八邻域内第u个像素点,s表示第l个像素点八邻域内共s个像素点,l(u)表示第l个像素点八邻域内第u个像素点为灰度图像中第l(u)个像素点,Pl(u)为第l(u)个像素点的概率序列,pixl为第l个像素点的灰度值,pixl(u)为第l(u)个像素点的灰度值,f( Pl(u),f )是关于灰度图像中第l(u)个像素点的概率序列Pl(u)以及灰度级别f的函数,max(s,1)表示在s与1之间取最大值。
进一步的,所述一种乳胶手套缺陷自适应检测方法,所述每个像素点属于不同灰度级别修正后的概率的表达式如下:
;
式中,hf(l)为修正后的第l个像素点属于灰度级别f的概率,rf(l)为第l个像素点属于灰度级别f的概率的修正量,pf(l)为第l个像素点属于灰度级别f的概率。
进一步的,所述一种乳胶手套缺陷自适应检测方法,所述每个像素点的灰度级别是按照如下方式得到:
根据每个像素点属于不同灰度级别修正后的概率得到每个像素点修正后的概率序列。
获取每个像素点修正后的概率序列中的概率最大值,得到每个概率最大值对应的灰度级别。
将每个像素点划分到其概率最大值对应的灰度级别中,得到每个像素点的灰度级别。
进一步的,所述一种乳胶手套缺陷自适应检测方法,所述获取乳胶手套的缺陷区域的过程如下:
对乳胶手套灰度图进行滑窗操作,将灰度图划分为多个图像。
结合每个像素点的灰度级别计算每个图像0°、45°、90°、135°方向的灰度共生矩阵。
计算每个灰度共生矩阵的对比度,得到每个图像的对比度。
根据每个图像的对比度,得到对比度矩阵。
统计对比度矩阵中的对比度大小与数目,得到对比度曲线。
获取对比度曲线的局部最小值,根据局部最小值对对比度曲线进行分割,将对比度曲线分割为三部分。
遍历对比度矩阵,对处于第二部分对比度曲线上的对比度进行判断并标记,得到可能缺陷区域。
计算每个可能缺陷区域为胶粒缺陷的概率,获取乳胶手套的缺陷区域。
进一步的,所述对比度曲线的获取方法包括:
以对比度大小为横轴,对比度矩阵中对比度的数目为纵轴构建坐标系,根据对比度矩阵中的对比度信息绘制对比度曲线。
进一步的,所述滑窗大小为5×5。
进一步的,所述计算每个可能缺陷区域为胶粒缺陷的概率包括:
;
其中dng为第g个标记中包含的对比度总数,(m-4)、(n-4)为对比度矩阵长宽。pjg表示第g个标记为胶粒缺陷的概率。
本发明的有益效果在于:
结合计算机视觉和图像处理,通过对乳胶手套的灰度图进行分析,得到灰度分级,根据灰度图中各像素点的分布情况,将灰度图中的各像素点划分到各个灰度级别中,使得胶粒边缘和手套处于不同的灰度级别,实现了最优灰度分级;根据最优灰度分级,计算灰度图的灰度共生矩阵,利用灰度共生矩阵分析图像的对比度,利用对比度实现对胶粒缺陷的识别和提取,实现了乳胶手套的自适应检测。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种乳胶手套缺陷自适应检测方法流程图;
图2为本发明实施例提供的一种乳胶手套灰度图示意图;
图3为本发明实施例提供的一种乳胶手套灰度直方图示意图;
图4为本发明实施例提供的一种高斯混合模型拟合灰度直方图示意图;
图5为本发明实施例提供的一种对比图曲线示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种乳胶手套缺陷自适应检测方法,如图1所示,包括:
S201、获取乳胶手套图像。
在乳胶手套脱模前对乳胶手套胶粒缺陷进行检测。然后采用自适应灰度分级灰度共生矩阵对乳胶手套图像进行对比度分析,识别并提取胶粒缺陷边缘。
本实施例需要根据乳胶手套图像特性来分析胶粒缺陷的位置,所以需要先采集乳胶手套生产图像,并识别图中乳胶手套图像特征信息。
在乳胶手套生产流程中,水冷、脱模为乳胶手套生产的最后两道工序。为获得清晰且无皱褶的手套图像,需在脱模之前采集乳胶手套图像。在水冷工序和脱模工序之间放置相机,使相机镜头正对乳胶手套,拍摄包含一个完整乳胶手套的图像,图像分辨率大小为m×n。
本实施例采用DNN语义分割的方式来识别分割图像中的目标。
该DNN网络的相关内容如下:
使用的数据集为相机镜头正对乳胶手套拍摄得到一个完整乳胶手套图像的数据集。
需要分割的像素,共分为2类,即训练集对应标签标注过程为:单通道的语义标签,对应位置像素属于背景类的标注为0,属于乳胶手套的标注为1。
网络的任务是分类,所以使用的loss函数为交叉熵损失函数。
至此,通过DNN实现了乳胶手套图像的处理,获得图像中乳胶手套连通域信息。将DNN语义分割得到的图像作为遮罩,与原图进行相乘,得到背景为黑色(灰度值为0)的乳胶手套图像。
S202、获取乳胶手套灰度直方图。
上一步得到的乳胶手套图像为RGB图像,为了便于分析,首先将图像转换为灰度图像,如图2所示。
乳胶手套胶粒缺陷为手套表面的凝胶颗粒或浆块,凝胶颗粒或浆块与乳胶手套自身颜色一致,胶粒为立体叠加在手套表面。在图像中,由于光源作用,胶粒朝着光源方向的边缘反光,颜色较浅,背离光源方向的边缘颜色较暗。胶粒边缘与手套形成较弱的对比度。为便于下一步使用灰度共生矩阵分析图像的对比度,本步骤对灰度直方图进行分析,结合像素点分布,选取最优灰度分级策略,使得胶粒边缘和手套处于不同的灰度级别。
为便于分析,将RGB图像转换为灰度图像,灰度图像分辨率大小为m×n。统计灰度图像中的像素灰度值及像素个数,以灰度值为横轴,像素个数为纵轴,绘制灰度直方图,参见图3。
S203、分析灰度直方图,获取像素点灰度级别概率序列。
对灰度直方图进行分析,灰度值为0的像素点为图像背景部分,首先将灰度值为0的像素划分为灰度级别0级。其次根据非0灰度值个数的分布,划分其他不同的灰度级别。
在灰度直方图中,灰度图像上的同一图像特征的灰度值集中分布,且由于噪声干扰呈现高斯分布的趋势,多个图像特征(如手套底色、手套阴影、手套胶粒缺陷等)的灰度值符合不同的高斯分布。为便于下一步根据灰度共生矩阵计算图像对比度,需将不同图像特征划分至不同的灰度级别。
高斯分布呈钟型,两头低,中间高。对灰度直方图中灰度值分布进行分析,首先对灰度直方图进行平滑处理,绘制平滑曲线,计算曲线上每个点的切线的斜率的绝对值,得到斜率绝对值序列,统计序列中局部最小值的个数,记为k。则有k个图像特征。
以灰度直方图中非0灰度值及其对应的个数为样本数据,根据该样本数据利用EM算法拟合一维高斯混合模型(如图4所示),所述高斯混合模型中的子高斯模型个数为k,即统计的斜率绝对值序列的局部最小值的个数。得到所有子高斯模型的权重、均值参数及方差参数。每个子高斯模型对应灰度图像上一个图像特征,将不同图像特征划分至不同的灰度级别,则将每个子高斯模型分布下灰度值划分成不同的灰度级别,第1个子高斯模型分布下的灰度值划分为灰度级别1级,第2个子高斯模型分布下的灰度值划分为灰度级别2级,以此类推,得到k个灰度级别{1,2,…,k}。
每个非0灰度值服从多个子高斯模型分布,通过每个非0灰度值在不同子高斯模型下的概率密度函数表示其属于对应灰度级别的概率,如非0灰度值属于灰度级别f的概率pf为:
;
其中wf为第f个子高斯模型的权重,σf ²为第f个子高斯模型的方差,μf为第f个子高斯模型的均值,pix为非0灰度值。计算每个非0灰度值分别属于k个灰度级别的概率,得到概率序列{p1,p2,…,pk}。灰度图像中每个像素点对应一个灰度值,则每个非0像素点都有一个概率序列P={p1,p2,…,pk},表示该像素点属于不同灰度级别的概率,灰度图像中第l个非0像素点的概率序列为Pl={p1(l),p2(l),…,pk(l)}。
S204、结合像素点分布,对概率序列进行修正,完成灰度级别调整。
根据灰度值获得每个像素点的概率序列,若概率序列中第f个概率较大,其余概率都较小,则该像素点属于灰度级别f的可能性越大;若概率序列中第f、f+1个概率都较大,其余概率较小,则该像素点可能为灰度值f对应的图像特征,也可能为灰度值f+1对应的图像特征,因此需结合像素点周围像素点的概率序列,对像素点概率序列中概率进行修正,使得像素点属于其中一个灰度级别的可能性较大,属于其余灰度级别的可能性较小。
若一个非0像素点周围点与该像素点的概率序列中概率最大的灰度级别一致,且灰度差异小,则此些像素点为同一图像特征的可能性越大。若一个非0像素点周围点与该像素点的概率序列中概率最大的灰度级别不一致,但灰度差异较小,则该像素点可能与周围像素点为同一图像特征,此时需要对该像素点的灰度级别进行修正。第l个非0像素点属于灰度级别f的概率的修正量rf(l)为:
;
公式解释:
1、u表示第l个非0像素点八邻域内第u个非0像素点;s表示第l个非0像素点八邻域内共s个非0像素点;l(u)表示第l个非0像素点八邻域内第u个非0像素点为灰度图像中第l(u)个非0像素点;Pl(u)为第l(u)个非0像素点的概率序列;pixl为第l个非0像素点的灰度值,pixl(u)为第l(u)个非0像素点的灰度值。
2、f( Pl(u),f )是关于灰度图像中第l(u)个非0像素点的概率序列Pl(u)以及灰度级别f的函数,用于判断概率序列Pl中概率最大的灰度级别是否为f,若是则为1,若不是,则为0。具体为:
;
其中argmax函数用来获取序列中数值最大的数据的序号(序号从0开始),上式中argmax(Pl(u))+1用来获取概率序列中概率最大的灰度级别。
3、为第l个非0像素点八邻域内非0像素点中概率序列里概率最大的灰度级别为f的非0像素点个数。/>表示第l个非0像素点八邻域内所有概率序列中概率最大的灰度级别为f的非0像素点与第l个非0像素点的灰度值的差异之和,加1是为了防止分母为0。max(s,1)表示在s与1之间取最大值,目的是为了防止分母为0。
4、当第l个非0像素点八邻域内概率序列中概率最大的灰度级别为f的非0像素点越多,且与第l个非0像素点灰度差异越小,则第l个非0像素点属于灰度级别f的可能性越大,此时修正量rf(l)越大。反之修正量越小。
根据修正量对第l个非0像素点属于灰度级别f的概率进行修正,得到修正后的第l个非0像素点属于灰度级别f的概率hf(l):
;
计算修正后第l个非0像素点属于分布灰度级别{1,2,3,…,k}的概率,得到修正后的概率序列Hl={h1(l),h2(l),…,hk(l)}。对于每个非0像素点,都得到一个修正后的概率序列。
对于每个非0像素点,将其划分至其修正后的概率序列中概率最大值对应的灰度级别。综合灰度级别为0的像素点,至此将所有像素点划分至k+1个灰度级别:{0,1,2,…,k}。
S205、根据灰度级别,计算灰度共生矩阵,获得对比度矩阵及对比度曲线,识别胶粒缺陷并提取缺陷边缘。
以5×5大小的窗口对乳胶手套灰度图进行滑窗操作,将乳胶手套灰度图划分成((m-4)×(n-4))个大小的图像,结合步骤二得到的k+1个灰度级别,计算每个图像0°、45°、90°、135°方向的灰度共生矩阵,计算每个灰度共生矩阵的对比度(灰度共生矩阵对比度计算为公知技术,此处不再赘述),以四个灰度共生矩阵对比度的平均值作为该图像的对比度。
共有((m-4)×(n-4))个图像,得到((m-4)×(n-4))大小的对比度矩阵。统计对比度矩阵中的对比度大小与数目,以对比度大小con为横轴,数目cn为纵轴,绘制对比度曲线,参见图5。
对对比度曲线进行分析,当对比度较小时,表示灰度图像中灰度级别变化缓慢的部分,当对比度较大时,表示灰度图像中灰度级别差异较大的部分。统计分析得到对比度曲线的局部最小值,以第一个局部最小值和最后一个局部最小值作为分割点,将对比度曲线分割成三部分。第一部分曲线对比度小,表示灰度图像中大面积色块,如背景内部、乳胶手套内部无缺陷的部分。第三部分曲线对比度大,表示灰度图像中乳胶手套朝向光源的边缘。第二部分曲线表示灰度图像中乳胶手套背向光源的边缘、乳胶手套内部由于光线造成的阴影部分边界以及乳胶手套胶粒缺陷边缘等。
对第二部分曲线上的对比度进行分析:在对比度矩阵中进行遍历,ci表示对比度矩阵中第i个对比度,若ci的值位于第二部分曲线上,判断该ci八邻域内其他对比度值是否在第二部分曲线上,若是,则将此些对比度标记为同一个特征。遍历对比度矩阵,对所有处于第二部分曲线上的对比度完成标记。共有d个标记,每个标记中所包含的对比度总数分别为dn1、dn2、…、dnd。
乳胶手套背向光源的边缘较长、乳胶手套内部由于光线造成的阴影部分的边界也较长,而胶粒面积较小,其边缘也较短。根据以上特性计算每个标记为胶粒缺陷的概率pj:
;
其中dng为第g个标记中包含的对比度总数。(m-4)、(n-4)为对比度矩阵长宽。pjg表示第g个标记为胶粒缺陷的概率。
若pj>α,则对应的标记为胶粒缺陷。
若pj≤α,则对应的标记不为胶粒缺陷。
α由人工根据实际生产情况进行设定,经验值为0.9。
对于判定为胶粒缺陷的标记,将该标记包含对比度位置对应到乳胶手套灰度图像上,则获取到胶粒缺陷的边缘图像。
本实施例的有益效果在于:
结合计算机视觉和图像处理,通过对乳胶手套的灰度图进行分析,得到灰度分级,根据灰度图中各像素点的分布情况,将灰度图中的各像素点划分到各个灰度级别中,使得胶粒边缘和手套处于不同的灰度级别,实现了最优灰度分级;
进一步的,本实施例根据最优灰度分级,计算灰度图的灰度共生矩阵,利用灰度共生矩阵分析图像的对比度,利用对比度实现对胶粒缺陷的识别和提取,实现了乳胶手套的自适应检测。
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)
1.一种乳胶手套缺陷自适应检测方法,其特征在于,包括:
获取乳胶手套图像及其灰度图;
根据灰度图中的像素灰度值和像素个数,得到乳胶手套的灰度直方图;
对灰度直方图进行高斯混合模型拟合,根据高斯混合模型中的各子高斯模型对其分布下的灰度值的灰度级别进行划分,得到各个灰度级别;
根据各个子高斯模型的参数和像素点的灰度值,得到每个像素点属于不同灰度级别的概率;
根据每个像素点及其八邻域像素点的灰度值和每个像素点及其八邻域像素点属于不同灰度级别的概率,计算得到每个像素点属于不同灰度级别的概率的修正量;
根据修正量对每个像素点属于不同灰度级别的概率进行修正,得到每个像素点属于不同灰度级别修正后的概率;
根据每个像素点属于不同灰度级别修正后的概率,对灰度图中所有像素点进行灰度级别划分,得到每个像素点的灰度级别;
对灰度图进行滑窗操作,根据每个像素点的灰度级别计算每个窗口的灰度共生矩阵及灰度共生矩阵对比度,得到对比度曲线;
根据对比度曲线得到灰度图中可能缺陷区域,计算可能缺陷区域的缺陷概率,获取乳胶手套的缺陷区域;
所述每个像素点属于不同灰度级别的概率的表达式如下:
;
式中,pf为像素点属于灰度级别f的概率,wf为第f个子高斯模型的权重,σf²为第f个子高斯模型的方差,μf为第f个子高斯模型的均值,pix为像素点灰度值;
所述每个像素点属于不同灰度级别的概率的修正量的表达式如下:
;
式中,rf(l)为第l个像素点属于灰度级别f的概率的修正量,u表示第l个像素点八邻域内第u个像素点,s表示第l个像素点八邻域内共s个像素点,l(u)表示第l个像素点八邻域内第u个像素点为灰度图像中第l(u)个像素点,Pl(u)为第l(u)个像素点的概率序列,pixl为第l个像素点的灰度值,pixl(u)为第l(u)个像素点的灰度值,f( Pl(u),f )是关于灰度图像中第l(u)个像素点的概率序列Pl(u)以及灰度级别f的函数,max(s,1)表示在s与1之间取最大值;
所述获取乳胶手套的缺陷区域的过程如下:
对乳胶手套灰度图进行滑窗操作,将灰度图划分为多个图像;
结合每个像素点的灰度级别计算每个图像0°、45°、90°、135°方向的灰度共生矩阵;
计算每个灰度共生矩阵的对比度,得到每个图像的对比度;
根据每个图像的对比度,得到对比度矩阵;
统计对比度矩阵中的对比度大小与数目,得到对比度曲线;
获取对比度曲线的局部最小值,根据局部最小值对对比度曲线进行分割,将对比度曲线分割为三部分;
遍历对比度矩阵,对处于第二部分对比度曲线上的对比度进行判断并标记,得到可能缺陷区域;
计算每个可能缺陷区域为胶粒缺陷的概率,获取乳胶手套的缺陷区域;
所述计算每个可能缺陷区域为胶粒缺陷的概率包括:
;
其中dng为第g个标记中包含的对比度总数,(m-4)、(n-4)为对比度矩阵长宽;pjg表示第g个标记为胶粒缺陷的概率。
2.根据权利要求1所述的一种乳胶手套缺陷自适应检测方法,其特征在于,所述各个灰度级别是按照如下方式得到:
对乳胶手套的灰度直方图进行平滑处理,计算平滑曲线上每个点的切线的斜率的绝对值,得到斜率绝对值序列;
统计斜率绝对值序列中局部最小值个数,作为子高斯模型个数;
以灰度直方图中灰度值及子高斯模型个数为样本数据,利用EM算法拟合一维高斯混合模型,得到各个子高斯模型;
将每个子高斯模型分布下的灰度值划分为一个灰度级别,得到各个灰度级别。
3.根据权利要求1所述的一种乳胶手套缺陷自适应检测方法,其特征在于,所述每个像素点属于不同灰度级别修正后的概率的表达式如下:
;
式中,hf(l)为修正后的第l个像素点属于灰度级别f的概率,rf(l)为第l个像素点属于灰度级别f的概率的修正量,pf(l)为第l个像素点属于灰度级别f的概率。
4.根据权利要求1所述的一种乳胶手套缺陷自适应检测方法,其特征在于,所述每个像素点的灰度级别是按照如下方式得到:
根据每个像素点属于不同灰度级别修正后的概率得到每个像素点修正后的概率序列;
获取每个像素点修正后的概率序列中的概率最大值,得到每个概率最大值对应的灰度级别;
将每个像素点划分到其概率最大值对应的灰度级别中,得到每个像素点的灰度级别。
5.根据权利要求1所述的一种乳胶手套缺陷自适应检测方法,其特征在于,所述对比度曲线的获取方法包括:
以对比度大小为横轴,对比度矩阵中对比度的数目为纵轴构建坐标系,根据对比度矩阵中的对比度信息绘制对比度曲线。
6.根据权利要求1所述的一种乳胶手套缺陷自适应检测方法,其特征在于,所述滑窗大小为5×5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311202500.9A CN116934761B (zh) | 2023-09-18 | 2023-09-18 | 一种乳胶手套缺陷自适应检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311202500.9A CN116934761B (zh) | 2023-09-18 | 2023-09-18 | 一种乳胶手套缺陷自适应检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116934761A CN116934761A (zh) | 2023-10-24 |
CN116934761B true CN116934761B (zh) | 2023-12-08 |
Family
ID=88388276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311202500.9A Active CN116934761B (zh) | 2023-09-18 | 2023-09-18 | 一种乳胶手套缺陷自适应检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934761B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576089B (zh) * | 2024-01-15 | 2024-03-22 | 山东恒力源精密机械制造有限公司 | 一种活塞环缺陷检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111982916A (zh) * | 2020-08-20 | 2020-11-24 | 南京中车浦镇城轨车辆有限责任公司 | 一种基于机器视觉的焊缝表面缺陷检测方法及系统 |
CN114708325A (zh) * | 2022-03-31 | 2022-07-05 | 南通华烨塑料工业有限公司 | 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法 |
CN115294120A (zh) * | 2022-10-08 | 2022-11-04 | 誉隆半导体设备(江苏)有限公司 | 基于图像识别的阀门表面质量检测方法 |
CN115330780A (zh) * | 2022-10-13 | 2022-11-11 | 山东盛世恒机械制造有限公司 | 一种金属焊接夹渣缺陷快速检测方法 |
CN116109644A (zh) * | 2023-04-14 | 2023-05-12 | 东莞市佳超五金科技有限公司 | 用于铜铝转接排的表面缺陷检测方法 |
-
2023
- 2023-09-18 CN CN202311202500.9A patent/CN116934761B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111982916A (zh) * | 2020-08-20 | 2020-11-24 | 南京中车浦镇城轨车辆有限责任公司 | 一种基于机器视觉的焊缝表面缺陷检测方法及系统 |
CN114708325A (zh) * | 2022-03-31 | 2022-07-05 | 南通华烨塑料工业有限公司 | 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法 |
CN115294120A (zh) * | 2022-10-08 | 2022-11-04 | 誉隆半导体设备(江苏)有限公司 | 基于图像识别的阀门表面质量检测方法 |
CN115330780A (zh) * | 2022-10-13 | 2022-11-11 | 山东盛世恒机械制造有限公司 | 一种金属焊接夹渣缺陷快速检测方法 |
CN116109644A (zh) * | 2023-04-14 | 2023-05-12 | 东莞市佳超五金科技有限公司 | 用于铜铝转接排的表面缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116934761A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113538433B (zh) | 基于人工智能的机械铸件缺陷检测方法及系统 | |
CN107833220B (zh) | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 | |
CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
CN111814867A (zh) | 缺陷检测模型的训练方法、缺陷检测方法及相关装置 | |
CN116934761B (zh) | 一种乳胶手套缺陷自适应检测方法 | |
CN111652213A (zh) | 一种基于深度学习的船舶水尺读数识别方法 | |
CN113723573B (zh) | 基于自适应比例学习的肿瘤组织病理分类系统及方法 | |
CN115100221A (zh) | 一种玻璃缺陷分割方法 | |
CN109241867B (zh) | 采用人工智能算法识别数字岩心图像的方法及装置 | |
CN111754538B (zh) | Usb表面缺陷检测的阈值分割方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN113888536B (zh) | 一种基于计算机视觉的印刷品重影检测方法及系统 | |
CN114037691A (zh) | 一种基于图像处理的碳纤维板裂纹检测方法 | |
CN117058147B (zh) | 基于计算机视觉的环保塑料制品缺陷检测方法 | |
CN115908371A (zh) | 基于优化分割的植物叶片病虫害程度检测方法 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN112288726A (zh) | 一种井下带式输送机带面异物检测方法 | |
CN109448010B (zh) | 一种基于内容特征的四方连续纹样自动生成方法 | |
CN107704864A (zh) | 基于图像对象性语义检测的显著目标检测方法 | |
CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
CN113963161A (zh) | 基于ResNet模型特征嵌入UNet的X射线图像分割识别系统及方法 | |
CN113313678A (zh) | 一种基于多尺度特征融合的精子形态学自动分析方法 | |
CN113537037A (zh) | 路面病害识别方法、系统、电子设备及存储介质 | |
CN117557565B (zh) | 一种锂电池极片的检测方法及其装置 |
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 |