CN116993715A - 一种玻璃瓶气密性检测方法 - Google Patents
一种玻璃瓶气密性检测方法 Download PDFInfo
- Publication number
- CN116993715A CN116993715A CN202311198294.9A CN202311198294A CN116993715A CN 116993715 A CN116993715 A CN 116993715A CN 202311198294 A CN202311198294 A CN 202311198294A CN 116993715 A CN116993715 A CN 116993715A
- Authority
- CN
- China
- Prior art keywords
- edge
- connected domain
- interference
- optimal
- chain code
- 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
- 239000011521 glass Substances 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 33
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 8
- 238000007789 sealing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
- G01M3/32—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for containers, e.g. radiators
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种玻璃瓶气密性检测方法,包括:对玻璃瓶的气密性检测视频进行等距采样获得灰度图像,获得每个灰度图像的所有连通域和每个连通域的端点和多连通点;获得每个连通域的最优边缘和干扰边缘以及最优边缘和干扰边缘的链码;计算每个边缘像素点处的曲率;根据连通域的目标程度和干扰因子获得连通域的气泡边缘概率,根据气泡边缘概率获得灰度图像的气泡区域;根据气密性检测视频中连续存在气泡区域的灰度图像的数量,判断玻璃瓶的气密性是否合格。本发明更加充分地考虑干扰边缘对气泡的影响,从而在图像中更加准确地提取出气泡边缘,排除了场景中非气泡边缘的干扰,使玻璃瓶气密性检测结果更准确。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种玻璃瓶气密性检测方法。
背景技术
玻璃瓶的生产过程中,气密性是极其重要的一项质量指标。如果玻璃瓶气密性不好,会因为透气大大影响内容物的保质期,影响产品质量。因此需要对玻璃瓶的气密性进行严密的检测。
工业生产中通过密封测试仪对玻璃瓶的气密性进行检测,通过判断仪器中是否有连续的气泡产生对玻璃瓶包装的气密性进行检测。
在使用密封测试仪进行玻璃瓶气密性检测的过程中通过边缘检测判断图像中是否有气泡的存在,由于场景干扰因素过多,容易将一些不属于气泡区域的图像误以为是气泡,或者由于气泡边缘受到场景中其他部分的干扰被误识别为非气泡,造成对气泡的误判。
通过对边缘检测图像中各连通域最接近气泡边缘一系列像素点的目标程度衡量以及对干扰边缘干扰程度的衡量,计算图像中连通域作为气泡的概率,由此判断图像中是否有气泡的存在。
发明内容
本发明提供一种玻璃瓶气密性检测方法,以解决现有的问题。
本发明的一种玻璃瓶气密性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玻璃瓶气密性检测方法,该方法包括以下步骤:
对玻璃瓶的气密性检测视频进行等距采样获得灰度图像,获得每个灰度图像的所有连通域和每个连通域的端点和多连通点;
根据每个连通域的端点和多连通点,获得每个连通域的最优边缘和干扰边缘以及最优边缘和干扰边缘的链码;根据最优边缘和干扰边缘的链码计算每个边缘像素点处的曲率;
根据连通域中所有边缘像素点的曲率的差异获得连通域的目标程度,根据干扰边缘的平均曲率与最优边缘的平均曲率的偏离指标和干扰边缘内边缘像素点的数量获取连通域的干扰因子;
根据连通域的目标程度和干扰因子获得连通域的气泡边缘概率,根据气泡边缘概率获得灰度图像的气泡区域;
根据气密性检测视频中连续存在气泡区域的灰度图像的数量,判断玻璃瓶的气密性是否合格。
进一步地,所述获得每个灰度图像的所有连通域和每个连通域的端点和多连通点,包括的具体步骤如下:
对每个灰度图像进行边缘检测获得边缘二值图像,对边缘二值图像进行连通域分析,获得每个灰度图像的若干个连通域;对于每个连通域,如果连通域中的所有边缘像素点形成一个闭合曲线,则将该连通域记为闭合连通域,否则,将该连通域记为非闭合连通域;
对于每个边缘像素点,如果该边缘像素点的8邻域内存在一个边缘像素点,则将该边缘像素点记为端点,如果该边缘像素点的8邻域内存在两个以上的边缘像素点,则将该边缘像素点记为多连通点。
进一步地,所述获得每个连通域的最优边缘和干扰边缘以及最优边缘和干扰边缘的链码,包括的具体步骤如下:
如果连通域是非闭合连通域且不存在多连通点,将连通域的边缘作为连通域的最优边缘;将该连通域的最优边缘上的任意一个端点作为起点,通过弗里曼链码提取该连通域的最优边缘的链码;
如果连通域是闭合连通域且不存在多连通点,将连通域的边缘作为连通域的最优边缘;将该连通域的最优边缘上的任意一个边缘像素点作为起点,通过弗里曼链码提取该连通域的最优边缘的链码;
如果连通域是非闭合连通域且存在多连通点,根据连通域中的所有多连通点和端点将连通域的边缘划分为多个子边缘,将每个子边缘上所有边缘像素点的斜率的平均值记为每个子边缘的平均曲率,对于每个多连通点对应的多个子边缘,将平均曲率的差值的绝对值最小的两个子边缘连接在一起,对于每个拼接后的子边缘上的每个多连通点,将相邻两个边缘像素点的斜率的差值的绝对值作为多连通点的斜率差,将每个拼接后的子边缘上的所有多连通点的斜率差的平均值记为子边缘的平均斜率差,将平均斜率差最小的子边缘作为连通域的最优边缘,将剩余的子边缘作为连通域的干扰边缘;将该连通域的最优边缘上的任意一个端点作为起点,通过弗里曼链码提取该连通域的最优边缘的链码,将该连通域的干扰边缘上的任意一个端点或多连通点作为起点,通过弗里曼链码提取该连通域的干扰边缘的链码;
如果连通域是闭合连通域且存在多连通点,获得多连通点在每个方向的斜率,将斜率最小的方向作为边缘在该多连通点处的连通方向,将边缘沿每个多连通点处的连通方向进行连接,将连接后的边缘作为连通域的最优边缘,将剩余的子边缘作为连通域的干扰边缘;将该连通域的最优边缘上的任意一个边缘像素点作为起点,通过弗里曼链码提取该连通域的最优边缘的链码,将该连通域的干扰边缘上的多连通点作为起点,通过弗里曼链码提取该连通域的干扰边缘的链码。
进一步地,所述计算每个边缘像素点处的曲率,包括的具体步骤如下:
对于每个连通域的最优边缘上的每个边缘像素点,根据连通域的最优边缘的链码计算连通域的最优边缘上每个边缘像素点处的偏转弧度;根据连通域的最优边缘上每个边缘像素点处的偏转弧度和相邻两个链码值的奇偶性,计算连通域的最优边缘上每个边缘像素点处的曲率;
同理,根据连通域的每个干扰边缘的链码计算连通域的每个干扰边缘上每个边缘像素点处的偏转弧度,根据连通域的每个干扰边缘上每个边缘像素点处的偏转弧度和相邻两个链码值的奇偶性,计算连通域的每个干扰边缘上每个边缘像素点处的曲率。
进一步地,所述计算连通域的最优边缘上每个边缘像素点处的偏转弧度,包括的具体步骤如下:
式中,表示连通域的最优边缘上第i个边缘像素点处的偏转弧度,记为连通域
的最优边缘上第i个边缘像素点的弧度差,和分别为连通域的最优边缘的链码上的
第i个链码值和第i+1个链码值。
进一步地,所述计算连通域的最优边缘上每个边缘像素点处的曲率,包括的具体步骤如下:
式中,表示连通域的最优边缘上第i个边缘像素点处的曲率,表示连通域的
最优边缘上第i个边缘像素点处的偏转弧度,表示连通域的最优边缘的链码上第i个链
码值相邻两个链码值中奇数的数量,表示连通域的最优边缘的链码上第i个链码值相邻
两个链码值中偶数的数量。
进一步地,所述获得连通域的目标程度,包括的具体步骤如下:
将每个连通域的最优边缘上的所有边缘像素点的曲率的标准差记为每个连通域的曲率标准差,将归一化后的曲率标准差作为连通域的曲率标准差;计算连通域的目标程度:
式中,T表示连通域的目标程度,S表示连通域的曲率标准差,表示所有连通
域的曲率标准差的最小值。
进一步地,所述获取连通域的干扰因子,包括的具体步骤如下:
式中,I表示连通域的干扰因子,表示连通域的第j个干扰边缘的平均曲率,
表示连通域的最优边缘的平均曲率,表示连通域的第j个干扰边缘的边缘像素点的数量,
N表示连通域的干扰边缘的数量。
进一步地,所述根据连通域的目标程度和干扰因子获得连通域的气泡边缘概率,根据气泡边缘概率获得灰度图像的气泡区域,包括的具体步骤如下:
将连通域的目标程度和干扰因子的乘积作为连通域的气泡边缘概率;灰度图像中气泡边缘概率大于预设阈值y的连通域为灰度图像的气泡区域。
进一步地,所述判断玻璃瓶的气密性是否合格,包括的具体步骤如下:
当气密性检测视频中至少存在连续张存在气泡区域的灰度图像
时,t表示预设连续时间,n表示预设间隔,则判断玻璃瓶的气密性不合格;否则,判断玻璃瓶
的气密性合格。
本发明的技术方案的有益效果是:针对由于场景干扰因素过多,容易将一些不属于气泡区域的图像误以为是气泡,或者由于气泡边缘受到场景中其他部分的干扰被误识别为非气泡,造成对气泡的误判的问题;本发明通过对气密性检测视频进行边缘检测,根据弗里曼链码提取各连通域中最优边缘和干扰边缘,根据最优边缘的目标程度和干扰边缘的干扰因子获取连通域中包含气泡的概率,更加充分地考虑干扰边缘对气泡的影响,从而在图像中更加准确地提取出气泡边缘,排除了场景中非气泡边缘的干扰,使玻璃瓶气密性检测结果更准确。
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为本发明的一种玻璃瓶气密性检测方法的步骤流程图;
图2为边缘二值图像示意图;
图3为连通域的最优边缘和干扰边缘示意图。
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玻璃瓶气密性检测方法,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玻璃瓶气密性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玻璃瓶气密性检测方法的步骤流程图,该方法包括以下步骤:
S001.对气密性检测视频进行采样,获得灰度图像,获得所有闭合连通域和非闭合连通域,以及每个连通域的端点和多连通点。
1、对气密性检测视频进行采样,获得灰度图像。
需要说明的是,在对气密性检测视频进行等距采样时,采样间隔的选取应恰到好处,采样间隔太大容易导致提取的图像信息不连贯,影响实验的结果,采样间隔值太小则需要较大的计算量,造成计算资源的浪费。
预设一个间隔n,其中本实施例以n=6为例进行叙述,本实施例不进行具体限定,其中n根据具体实施情况而定。
具体的,在通过密封测试仪检测玻璃瓶的气密性的过程中,通过安装的相机采集气密性检测视频;从气密性检测视频的所有帧图像中进行等距采样,获得采样图像,其中,等距采样的间隔等于预设间隔n;对所有采样图像进行灰度化处理,获得若干个灰度图像。
2、获得所有闭合连通域和非闭合连通域,以及每个连通域的端点和多连通点。
具体的,对每个灰度图像进行边缘检测获得边缘二值图像,其中,白色像素点为边缘像素点,黑色像素点为正常像素点,请参阅图2,其示出了边缘二值图像;对边缘二值图像进行连通域分析,获得每个灰度图像的若干个连通域;对于每个连通域,如果连通域中的所有边缘像素点形成一个闭合曲线,则将该连通域记为闭合连通域,否则,将该连通域记为非闭合连通域。
进一步,对于每个边缘像素点,如果该边缘像素点的8邻域内存在一个边缘像素点,则将该边缘像素点记为端点,如果该边缘像素点的8邻域内存在两个以上的边缘像素点,则将该边缘像素点记为多连通点。
S002.获得每个连通域的最优边缘及其链码,计算每个边缘像素点处的曲率。
1、基于连通域中是否为闭合连通域以及是否存在多连通点,获得每个连通域的最优边缘及其链码。
需要说明的是,连通域中的闭合曲线段最有可能是气泡边缘,结合连通域中闭合曲线的存在情况在连通域中选取起点和终点提取链码,在连通域中,包含气泡边缘的连通域可能受到干扰边缘的影响,应对两部分分别进行考虑,优先找到连通域中近似气泡边缘的最优边缘,将连通域中未被划分为最优边缘的像素点作为干扰边缘。
具体的,基于连通域中是否为闭合连通域以及是否存在多连通点,获得每个连通域的最优边缘及其链码,具体为:
(1)如果连通域中是非闭合连通域且不存在多连通点,则将连通域的边缘表现为一条线性结构,其本身就是最优边缘,即将连通域的边缘作为连通域的最优边缘,请参阅图3中的1,其示出了连通域的最优边缘;将该连通域的最优边缘上的任意一个端点作为起点,通过弗里曼链码提取该连通域的最优边缘的链码,本实施例中的弗里曼链码均为8连通链码。
(2)如果连通域中是闭合连通域且不存在多连通点,则将连通域的边缘表现为一条环形结构,其本身就是最优边缘,即将连通域的边缘作为连通域的最优边缘,请参阅图3中的2,其示出了连通域的最优边缘;将该连通域的最优边缘上的任意一个边缘像素点作为起点,通过弗里曼链码提取该连通域的最优边缘的链码。
(3)如果连通域中是非闭合连通域且存在多连通点,连通域的边缘表现为具有多个分支的结构,则根据连通域中的所有多连通点和端点将连通域的边缘划分为多个子边缘,将每个子边缘上所有边缘像素点的斜率的平均值记为每个子边缘的平均斜率,对于每个多连通点对应的多个子边缘,将平均斜率的差值的绝对值最小的两个子边缘连接在一起;对于每个拼接后的子边缘上的每个多连通点,将相邻两个边缘像素点的斜率的差值的绝对值作为多连通点的斜率差,将每个拼接后的子边缘上的所有多连通点的斜率差的平均值记为子边缘的平均斜率差,将平均斜率差最小的子边缘作为连通域的最优边缘,将剩余的子边缘作为连通域的干扰边缘,请参阅图3中的3,其示出了连通域的最优边缘和干扰边缘,其中,黑色线的为最优边缘,灰色的为干扰边缘;将该连通域的最优边缘上的任意一个端点作为起点,通过弗里曼链码提取该连通域的最优边缘的链码,将该连通域的干扰边缘上的任意一个端点或多连通点作为起点,通过弗里曼链码提取该连通域的干扰边缘的链码。
(4)如果连通域中是闭合连通域且存在多连通点,则将连通域的边缘表现为一条环形且存在多个分支的结构,每个多连通点具有多个方向,获得多连通点在每个方向的斜率,将斜率最小的方向作为边缘在该多连通点处的连通方向,将边缘沿每个多连通点处的连通方向进行连接,将连接后的边缘作为连通域的最优边缘,将剩余的子边缘作为连通域的干扰边缘,请参阅图3中的4,其示出了连通域的最优边缘和干扰边缘,其中,黑色线的为最优边缘,灰色的为干扰边缘;将该连通域的最优边缘上的任意一个边缘像素点作为起点,通过弗里曼链码提取该连通域的最优边缘的链码,将该连通域的干扰边缘上的多连通点作为起点,通过弗里曼链码提取该连通域的干扰边缘的链码。
2、根据每个边缘像素点处的偏转弧度和相邻两个链码值的奇偶性,计算每个边缘像素点处的曲率。
具体的,对于每个连通域的最优边缘上的每个边缘像素点,根据连通域的最优边缘的链码计算连通域的最优边缘上每个边缘像素点处的偏转弧度,具体计算公式为:
式中,表示连通域的最优边缘上第i个边缘像素点处的偏转弧度,记为连通域
的最优边缘上第i个边缘像素点的弧度差,和分别为连通域的最优边缘的链码上的
第i个链码值和第i+1个链码值。
表示第i个边缘像素点的链码差分值,表征相邻两链码值之间偏转
的角度,当后一个链码值小于前一个链码值时,通过链码差分值加8(8连通链码)将负的链
码差分值转换为正的偏转角度;链码差分值分别为0到7,链码差分值为0时,对应的是偏转
弧度为0,而后链码差分值每增加1,对应的偏转弧度便增加,因此,链码差分值0到7对应的
偏转角度分别为0、、、、、、、。
根据连通域的最优边缘上每个边缘像素点处的偏转弧度和相邻两个链码值的奇偶性,计算连通域的最优边缘上每个边缘像素点处的曲率,具体计算公式为:
式中,表示连通域的最优边缘上第i个边缘像素点处的曲率,表示连通域的
最优边缘上第i个边缘像素点处的偏转弧度,表示连通域的最优边缘的链码上第i个链
码值相邻两个链码值中奇数的数量,表示连通域的最优边缘的链码上第i个链码值相邻
两个链码值中偶数的数量。
同理,根据连通域的每个干扰边缘的链码计算连通域的每个干扰边缘上每个边缘像素点处的偏转弧度,根据连通域的每个干扰边缘上每个边缘像素点处的偏转弧度和相邻两个链码值的奇偶性,计算连通域的每个干扰边缘上每个边缘像素点处的曲率。
S003.分别获得连通域的目标程度和干扰因子,进而获得连通域的气泡边缘概率,根据气泡边缘概率获得灰度图像的气泡区域。
需要说明的是,边缘检测图像中可能存在受其他边缘干扰的气泡边缘,也可能存在一些非气泡边缘局部呈现出与气泡边缘相近的情况。将各连通域分割为最优边缘以及干扰边缘两部分后,分别计算其作为气泡边缘的目标程度以及干扰因子,将两者结合判断连通域作为气泡边缘的概率。
1、根据连通域的曲率标准差获得连通域的目标程度。
具体的,将每个连通域的最优边缘上的所有边缘像素点的曲率的标准差记为每个连通域的曲率标准差,通过线性归一化对所有连通域的曲率标准差进行归一化操作,将归一化后的曲率标准差作为连通域的曲率标准差。
进一步,根据连通域的曲率标准差获得连通域的目标程度,具体计算公式为:
式中,T表示连通域的目标程度,S表示连通域的曲率标准差,表示所有连通
域的曲率标准差的最小值。
连通域的曲率标准差可以用来衡量连通域的最优边缘上的所有边缘像素点的曲率的分布情况,曲率标准差越小说明该连通域的最优边缘整体曲率相近,越可能是气泡边缘,连通域的目标程度T越大;标准差越大说明该连通域的最优边缘整体曲率相差较大,越不可能为气泡边缘,连通域的目标程度T越小。
2、根据干扰边缘的平均曲率与最优边缘的平均曲率的偏离指标和干扰边缘内边缘像素点的数量获取连通域的干扰因子。
需要说明的是,对于任意一个连通域,干扰边缘的大小以及走势的相似程度都在一定程度上影响着气泡边缘的质量,一般来说,干扰边缘内像素点数量越多,其干扰因子越大,再根据干扰边缘与最优边缘的曲率走势的相似度,量化获取干扰因子。
具体的,根据干扰边缘的平均曲率与最优边缘的平均曲率的偏离指标和干扰边缘内边缘像素点的数量获取连通域的干扰因子,具体计算公式为:
式中,I表示连通域的干扰因子,表示连通域的第j个干扰边缘的平均曲率,
表示连通域的最优边缘的平均曲率,表示连通域的第j个干扰边缘的边缘像素点的数量,
N表示连通域的干扰边缘的数量。
干扰边缘中可能存在包含像素点极少的情况,这样的干扰边缘曲率波动较大,很可能得到错误的曲率判断,故根据干扰边缘内包含的像素点数量对干扰因子进行修正。在这里可以通过反正切函数计算获得;当干扰边缘包含的像素点个数极少时,可能是图像中的噪声,减少对其的考虑,可以使其干扰因子程度较低,当干扰边缘包含像素点个数足够多时,认为其为图像中对气泡边缘存在干扰的边缘,干扰因子程度较高。
3、根据连通域的目标程度和干扰因子计算连通域的气泡边缘概率,根据气泡边缘概率获得灰度图像的气泡区域。
预设一个阈值y,其中本实施例以y=0.9为例进行叙述,本实施例不进行具体限定,其中y根据具体实施情况而定。
具体的,将连通域的目标程度和干扰因子的乘积作为连通域的气泡边缘概率;灰度图像中气泡边缘概率大于预设阈值y的连通域为灰度图像的气泡区域。
根据干扰边缘的特征为连通域的目标程度,即连通域的最优边缘的目标程度附加干扰因子,修正了可能存在的干扰边缘对气泡边缘的目标程度判断的干扰,更加准确的计算连通域属于气泡边缘的概率。
S004.根据气密性检测视频中连续存在气泡区域的灰度图像的数量,判断玻璃瓶的气密性是否合格。
需要说明的是,根据气密性检测视频中连续存在气泡区域的灰度图像的数量,获得玻璃瓶在进行气密性检测时,产生的气泡的特征,进而判断玻璃瓶的气密性。
预设一个连续时间t,其中本实施例以t=20为例进行叙述,本实施例不进行具体限定,其中t根据具体实施情况而定。
具体的,当气密性检测视频中连续t秒的视频中连续出现气泡时,说明玻璃瓶的气
密性不好,气密性检测视频中每秒种的视频包含24帧图像,为了减少计算量,本实施例对气
密性检测视频的所有帧图像中进行间隔等于预设间隔n的等距采样,因此,当气密性检测视
频中至少存在连续张存在气泡区域的灰度图像时,则认为气密性检测视频
中有连续且均匀的气泡生成,则判断玻璃瓶的气密性不合格;否则,认为气密性检测视频中
只有单个气泡偶尔生成,该气泡并不是由玻璃瓶气密性不好造成的,则判断玻璃瓶的气密
性合格。
针对由于场景干扰因素过多,容易将一些不属于气泡区域的图像误以为是气泡,或者由于气泡边缘受到场景中其他部分的干扰被误识别为非气泡,造成对气泡的误判的问题;本发明通过对气密性检测视频进行边缘检测,根据弗里曼链码提取各连通域中最优边缘和干扰边缘,根据最优边缘的目标程度和干扰边缘的干扰因子获取连通域中包含气泡的概率,更加充分地考虑干扰边缘对气泡的影响,从而在图像中更加准确地提取出气泡边缘,排除了场景中非气泡边缘的干扰,使玻璃瓶气密性检测结果更准确。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种玻璃瓶气密性检测方法,其特征在于,该方法包括以下步骤:
对玻璃瓶的气密性检测视频进行等距采样获得灰度图像,获得每个灰度图像的所有连通域和每个连通域的端点和多连通点;
根据每个连通域的端点和多连通点,获得每个连通域的最优边缘和干扰边缘以及最优边缘和干扰边缘的链码;根据最优边缘和干扰边缘的链码计算每个边缘像素点处的曲率;
根据连通域中所有边缘像素点的曲率的差异获得连通域的目标程度,根据干扰边缘的平均曲率与最优边缘的平均曲率的偏离指标和干扰边缘内边缘像素点的数量获取连通域的干扰因子;
根据连通域的目标程度和干扰因子获得连通域的气泡边缘概率,根据气泡边缘概率获得灰度图像的气泡区域;
根据气密性检测视频中连续存在气泡区域的灰度图像的数量,判断玻璃瓶的气密性是否合格。
2.根据权利要求1所述的一种玻璃瓶气密性检测方法,其特征在于,所述获得每个灰度图像的所有连通域和每个连通域的端点和多连通点,包括的具体步骤如下:
对每个灰度图像进行边缘检测获得边缘二值图像,对边缘二值图像进行连通域分析,获得每个灰度图像的若干个连通域;对于每个连通域,如果连通域中的所有边缘像素点形成一个闭合曲线,则将该连通域记为闭合连通域,否则,将该连通域记为非闭合连通域;
对于每个边缘像素点,如果该边缘像素点的8邻域内存在一个边缘像素点,则将该边缘像素点记为端点,如果该边缘像素点的8邻域内存在两个以上的边缘像素点,则将该边缘像素点记为多连通点。
3.根据权利要求1所述的一种玻璃瓶气密性检测方法,其特征在于,所述获得每个连通域的最优边缘和干扰边缘以及最优边缘和干扰边缘的链码,包括的具体步骤如下:
如果连通域是非闭合连通域且不存在多连通点,将连通域的边缘作为连通域的最优边缘;将该连通域的最优边缘上的任意一个端点作为起点,通过弗里曼链码提取该连通域的最优边缘的链码;
如果连通域是闭合连通域且不存在多连通点,将连通域的边缘作为连通域的最优边缘;将该连通域的最优边缘上的任意一个边缘像素点作为起点,通过弗里曼链码提取该连通域的最优边缘的链码;
如果连通域是非闭合连通域且存在多连通点,根据连通域中的所有多连通点和端点将连通域的边缘划分为多个子边缘,将每个子边缘上所有边缘像素点的斜率的平均值记为每个子边缘的平均曲率,对于每个多连通点对应的多个子边缘,将平均曲率的差值的绝对值最小的两个子边缘连接在一起,对于每个拼接后的子边缘上的每个多连通点,将相邻两个边缘像素点的斜率的差值的绝对值作为多连通点的斜率差,将每个拼接后的子边缘上的所有多连通点的斜率差的平均值记为子边缘的平均斜率差,将平均斜率差最小的子边缘作为连通域的最优边缘,将剩余的子边缘作为连通域的干扰边缘;将该连通域的最优边缘上的任意一个端点作为起点,通过弗里曼链码提取该连通域的最优边缘的链码,将该连通域的干扰边缘上的任意一个端点或多连通点作为起点,通过弗里曼链码提取该连通域的干扰边缘的链码;
如果连通域是闭合连通域且存在多连通点,获得多连通点在每个方向的斜率,将斜率最小的方向作为边缘在该多连通点处的连通方向,将边缘沿每个多连通点处的连通方向进行连接,将连接后的边缘作为连通域的最优边缘,将剩余的子边缘作为连通域的干扰边缘;将该连通域的最优边缘上的任意一个边缘像素点作为起点,通过弗里曼链码提取该连通域的最优边缘的链码,将该连通域的干扰边缘上的多连通点作为起点,通过弗里曼链码提取该连通域的干扰边缘的链码。
4.根据权利要求1所述的一种玻璃瓶气密性检测方法,其特征在于,所述计算每个边缘像素点处的曲率,包括的具体步骤如下:
对于每个连通域的最优边缘上的每个边缘像素点,根据连通域的最优边缘的链码计算连通域的最优边缘上每个边缘像素点处的偏转弧度;根据连通域的最优边缘上每个边缘像素点处的偏转弧度和相邻两个链码值的奇偶性,计算连通域的最优边缘上每个边缘像素点处的曲率;
同理,根据连通域的每个干扰边缘的链码计算连通域的每个干扰边缘上每个边缘像素点处的偏转弧度,根据连通域的每个干扰边缘上每个边缘像素点处的偏转弧度和相邻两个链码值的奇偶性,计算连通域的每个干扰边缘上每个边缘像素点处的曲率。
5.根据权利要求4所述的一种玻璃瓶气密性检测方法,其特征在于,所述计算连通域的最优边缘上每个边缘像素点处的偏转弧度,包括的具体步骤如下:
式中,表示连通域的最优边缘上第i个边缘像素点处的偏转弧度,记为连通域的最优边缘上第i个边缘像素点的弧度差,/>和/>分别为连通域的最优边缘的链码上的第i个链码值和第i+1个链码值。
6.根据权利要求4所述的一种玻璃瓶气密性检测方法,其特征在于,所述计算连通域的最优边缘上每个边缘像素点处的曲率,包括的具体步骤如下:
式中,表示连通域的最优边缘上第i个边缘像素点处的曲率,/>表示连通域的最优边缘上第i个边缘像素点处的偏转弧度,/>表示连通域的最优边缘的链码上第i个链码值相邻两个链码值中奇数的数量,/>表示连通域的最优边缘的链码上第i个链码值相邻两个链码值中偶数的数量。
7.根据权利要求1所述的一种玻璃瓶气密性检测方法,其特征在于,所述获得连通域的目标程度,包括的具体步骤如下:
将每个连通域的最优边缘上的所有边缘像素点的曲率的标准差记为每个连通域的曲率标准差,将归一化后的曲率标准差作为连通域的曲率标准差;计算连通域的目标程度:
式中,T表示连通域的目标程度,S表示连通域的曲率标准差,表示所有连通域的曲率标准差的最小值。
8.根据权利要求1所述的一种玻璃瓶气密性检测方法,其特征在于,所述获取连通域的干扰因子,包括的具体步骤如下:
式中,I表示连通域的干扰因子,表示连通域的第j个干扰边缘的平均曲率,/>表示连通域的最优边缘的平均曲率,/>表示连通域的第j个干扰边缘的边缘像素点的数量,N表示连通域的干扰边缘的数量。
9.根据权利要求1所述的一种玻璃瓶气密性检测方法,其特征在于,所述根据连通域的目标程度和干扰因子获得连通域的气泡边缘概率,根据气泡边缘概率获得灰度图像的气泡区域,包括的具体步骤如下:
将连通域的目标程度和干扰因子的乘积作为连通域的气泡边缘概率;灰度图像中气泡边缘概率大于预设阈值y的连通域为灰度图像的气泡区域。
10.根据权利要求1所述的一种玻璃瓶气密性检测方法,其特征在于,所述判断玻璃瓶的气密性是否合格,包括的具体步骤如下:
当气密性检测视频中至少存在连续张存在气泡区域的灰度图像时,t表示预设连续时间,n表示预设间隔,则判断玻璃瓶的气密性不合格;否则,判断玻璃瓶的气密性合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311198294.9A CN116993715B (zh) | 2023-09-18 | 2023-09-18 | 一种玻璃瓶气密性检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311198294.9A CN116993715B (zh) | 2023-09-18 | 2023-09-18 | 一种玻璃瓶气密性检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116993715A true CN116993715A (zh) | 2023-11-03 |
CN116993715B CN116993715B (zh) | 2023-12-19 |
Family
ID=88528597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311198294.9A Active CN116993715B (zh) | 2023-09-18 | 2023-09-18 | 一种玻璃瓶气密性检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993715B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117367688A (zh) * | 2023-12-08 | 2024-01-09 | 江苏众成复合材料有限责任公司 | 一种玻璃钢管气密性检测分析方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1380994A2 (en) * | 2002-07-10 | 2004-01-14 | Northrop Grumman Corporation | System and method for image analysis using a chain code |
CN102305798A (zh) * | 2011-08-02 | 2012-01-04 | 上海交通大学 | 基于机器视觉的玻璃缺陷的检测与分类方法 |
TW201516397A (zh) * | 2013-10-29 | 2015-05-01 | Univ Nat Kaohsiung Applied Sci | 玻璃氣泡瑕疵檢測系統 |
CN105637320A (zh) * | 2013-08-19 | 2016-06-01 | 巴斯夫欧洲公司 | 光学检测器 |
CN106918602A (zh) * | 2017-04-13 | 2017-07-04 | 北京海风智能科技有限责任公司 | 一种鲁棒的基于机器视觉的表面缺陷检测方法 |
CN109115417A (zh) * | 2018-07-12 | 2019-01-01 | 浙江工业大学 | 一种基于连通域判断的压力容器气密性检测方法 |
CN109544527A (zh) * | 2018-11-16 | 2019-03-29 | 凌云光技术集团有限责任公司 | 一种基于硬卡编程的玻璃表面缺陷的检测方法及装置 |
CN114926404A (zh) * | 2022-04-28 | 2022-08-19 | 南通三杰石墨制品有限公司 | 基于边缘检测的挤出成型橡胶密封圈表面异常检测方法 |
CN115294025A (zh) * | 2022-07-05 | 2022-11-04 | 深圳市商汤科技有限公司 | 缺陷检测方法及装置、电子设备和存储介质 |
CN115311294A (zh) * | 2022-10-12 | 2022-11-08 | 启东金耀億华玻纤材料有限公司 | 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法 |
CN115375686A (zh) * | 2022-10-25 | 2022-11-22 | 山东鲁玻玻璃科技有限公司 | 一种基于图像处理的玻璃边缘瑕疵检测方法 |
CN116612125A (zh) * | 2023-07-21 | 2023-08-18 | 山东庆葆堂生物科技有限公司 | 基于人工智能的食药品胶囊质量检测方法 |
-
2023
- 2023-09-18 CN CN202311198294.9A patent/CN116993715B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1380994A2 (en) * | 2002-07-10 | 2004-01-14 | Northrop Grumman Corporation | System and method for image analysis using a chain code |
CN102305798A (zh) * | 2011-08-02 | 2012-01-04 | 上海交通大学 | 基于机器视觉的玻璃缺陷的检测与分类方法 |
CN105637320A (zh) * | 2013-08-19 | 2016-06-01 | 巴斯夫欧洲公司 | 光学检测器 |
TW201516397A (zh) * | 2013-10-29 | 2015-05-01 | Univ Nat Kaohsiung Applied Sci | 玻璃氣泡瑕疵檢測系統 |
CN106918602A (zh) * | 2017-04-13 | 2017-07-04 | 北京海风智能科技有限责任公司 | 一种鲁棒的基于机器视觉的表面缺陷检测方法 |
CN109115417A (zh) * | 2018-07-12 | 2019-01-01 | 浙江工业大学 | 一种基于连通域判断的压力容器气密性检测方法 |
CN109544527A (zh) * | 2018-11-16 | 2019-03-29 | 凌云光技术集团有限责任公司 | 一种基于硬卡编程的玻璃表面缺陷的检测方法及装置 |
CN114926404A (zh) * | 2022-04-28 | 2022-08-19 | 南通三杰石墨制品有限公司 | 基于边缘检测的挤出成型橡胶密封圈表面异常检测方法 |
CN115294025A (zh) * | 2022-07-05 | 2022-11-04 | 深圳市商汤科技有限公司 | 缺陷检测方法及装置、电子设备和存储介质 |
CN115311294A (zh) * | 2022-10-12 | 2022-11-08 | 启东金耀億华玻纤材料有限公司 | 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法 |
CN115375686A (zh) * | 2022-10-25 | 2022-11-22 | 山东鲁玻玻璃科技有限公司 | 一种基于图像处理的玻璃边缘瑕疵检测方法 |
CN116612125A (zh) * | 2023-07-21 | 2023-08-18 | 山东庆葆堂生物科技有限公司 | 基于人工智能的食药品胶囊质量检测方法 |
Non-Patent Citations (2)
Title |
---|
刘畅;张剑;林建平;: "基于改进全卷积神经网络的图像单像素边缘提取", 计算机工程, no. 01 * |
赵一兵;张明恒;郭烈;李琳辉;: "基于视觉图像边缘特征的灌木丛或高草识别", 大连理工大学学报, no. 01 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117367688A (zh) * | 2023-12-08 | 2024-01-09 | 江苏众成复合材料有限责任公司 | 一种玻璃钢管气密性检测分析方法 |
CN117367688B (zh) * | 2023-12-08 | 2024-02-23 | 江苏众成复合材料有限责任公司 | 一种玻璃钢管气密性检测分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116993715B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115311270B (zh) | 一种塑料制品表面缺陷检测方法 | |
CN106529537B (zh) | 一种数字仪表读数图像识别方法 | |
CN112949564B (zh) | 一种基于深度学习的指针式仪表自动读数方法 | |
CN116993715B (zh) | 一种玻璃瓶气密性检测方法 | |
CN106446896B (zh) | 一种字符分割方法、装置及电子设备 | |
CN110598686B (zh) | 发票的识别方法、系统、电子设备和介质 | |
CN111046881B (zh) | 基于计算机视觉和深度学习的指针式仪表读数识别方法 | |
CN101114335A (zh) | 全角度快速指纹识别方法 | |
CN107016394B (zh) | 一种交叉纤维特征点匹配方法 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN105740872B (zh) | 图像特征提取方法及其装置 | |
CN114742788A (zh) | 一种基于机器视觉的铜排缺陷检测方法及系统 | |
CN115311262A (zh) | 一种印刷电路板缺陷识别方法 | |
CN116863253B (zh) | 基于大数据分析的运维风险预警方法 | |
CN115184380A (zh) | 基于机器视觉的印刷电路板焊点异常检测方法 | |
CN114758125B (zh) | 基于深度学习的齿轮表面缺陷检测方法与系统 | |
CN116310845A (zh) | 一种用于污水处理的智能监测系统 | |
CN115880566A (zh) | 一种基于视觉分析的智能阅卷系统 | |
CN115082922A (zh) | 基于深度学习的水表数字图片处理方法及系统 | |
CN116452580A (zh) | 一种笔记本外观质量检测方法 | |
CN111445386A (zh) | 基于文本内容四点检测的图像校正方法 | |
CN111950452A (zh) | 一种人脸识别方法 | |
CN115457563A (zh) | 一种零漏检兼低误识的船体水尺读取方法 | |
CN115937862A (zh) | 一种端到端的集装箱号码识别方法及系统 | |
CN113378847B (zh) | 字符分割方法、系统、计算机设备和存储介质 |
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 |