CN117078676B - 基于图像处理的破碎锤外壳视觉检测方法 - Google Patents

基于图像处理的破碎锤外壳视觉检测方法 Download PDF

Info

Publication number
CN117078676B
CN117078676B CN202311330596.7A CN202311330596A CN117078676B CN 117078676 B CN117078676 B CN 117078676B CN 202311330596 A CN202311330596 A CN 202311330596A CN 117078676 B CN117078676 B CN 117078676B
Authority
CN
China
Prior art keywords
slope
breaking hammer
image
under
pixel points
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
Application number
CN202311330596.7A
Other languages
English (en)
Other versions
CN117078676A (zh
Inventor
张雷
林杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Shengxinda Machinery Co ltd
Original Assignee
Qingdao Shengxinda Machinery Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Shengxinda Machinery Co ltd filed Critical Qingdao Shengxinda Machinery Co ltd
Priority to CN202311330596.7A priority Critical patent/CN117078676B/zh
Publication of CN117078676A publication Critical patent/CN117078676A/zh
Application granted granted Critical
Publication of CN117078676B publication Critical patent/CN117078676B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像增强技术领域，具体涉及基于图像处理的破碎锤外壳视觉检测方法。该方法根据每个原始斜率下的破碎锤增强图像中灰度分布从原始斜率中筛选出优选斜率；获取优选斜率下的破碎锤增强图像中每个图像块内的异常像素点；依据优选斜率下的破碎锤增强图像中异常像素点的位置分布与灰度分布，获取优选斜率下破碎锤增强图像的特征表征度，并对优选斜率进行更新；根据更新后的优选斜率下的破碎锤增强图像的特征表征度的大小得到最优斜率，对最优斜率下的破碎锤增强图像进行视觉检测。本发明中自适应选取最优斜率，提高图像的增强效果。

Description

基于图像处理的破碎锤外壳视觉检测方法
技术领域
本发明涉及图像增强技术领域，具体涉及基于图像处理的破碎锤外壳视觉检测方法。
背景技术
当破碎锤外壳上存在损坏与缺陷时，破碎锤工作时可能出现卡滞、堵塞等异常现象，导致破碎锤的使用效率降低；若没有及时修理，可能加速机器质量退化，增加维护成本。因此，需要对破碎锤外壳进行视觉检测，及时发现破碎锤外壳上的损伤与缺陷。
现有技术基于预设的斜率参数利用Sigmoid函数进行图像增强，当预设的斜率参数选取不当时，在Sigmoid函数的极端值附近会出现饱和现象，导致像素值在增强过程中被压缩到较小的范围，导致图像中细节丢失和图像失真，降低图像的增强效果。
发明内容
为了解决Sigmoid函数中斜率参数选取不当，导致图像增强效果不佳的技术问题，本发明的目的在于提供一种基于图像处理的破碎锤外壳视觉检测方法，所采用的技术方案具体如下：
本发明提出了一种基于图像处理的破碎锤外壳视觉检测方法，该方法包括：
获取破碎锤灰度图像；从预设范围内选取至少两个数值作为原始斜率，利用Sigmoid函数基于每个原始斜率对破碎锤灰度图像进行图像增强，得到每个原始斜率下的破碎锤增强图像；
根据每个原始斜率下的破碎锤增强图像中每个灰度级的像素点个数分布，从原始斜率中筛选优选斜率；
将优选斜率下的破碎锤增强图像划分为预设第一值个图像块，基于像素点的密度分布与灰度分布，获取优选斜率下的破碎锤增强图像中每个图像块内的异常像素点；依据优选斜率下的破碎锤增强图像中异常像素点的位置分布与灰度分布，获取优选斜率下破碎锤增强图像的特征表征度，并对优选斜率进行更新；
当基于更新后的优选斜率进行图像增强得到的优选斜率下的破碎锤增强图像的特征表征度小于预设表征阈值时，对优选斜率继续进行更新，直至更新后的优选斜率下的破碎锤增强图像的特征表征度大于或者等于预设表征阈值，将优选斜率作为最优斜率；对最优斜率下的破碎锤增强图像进行视觉检测。
进一步地，在斜率序列中相邻的两个所述原始斜率之间的差异为固定值，将原始斜率从小到大排序得到所述斜率序列。
进一步地，所述从原始斜率中筛选出优选斜率的方法，包括：
对于每个原始斜率下的破碎锤增强图像，获取所述破碎锤增强图像的灰度直方图，将所述灰度直方图中每个灰度级的像素点数量依据灰度级从小到大顺序排列得到第一离散序列；
统计第一离散序列中数值为0的元素的个数作为离散特征值；
将所述第一离散序列中元素的数值按照从小到大排序得到第二离散序列；
结合每个原始斜率下的破碎锤增强图像对应的离散特征值与所述第二离散序列中元素之间的差异，获取每个原始斜率下的图像对比度判断值；
将最大的所述图像对比度判断值对应的原始斜率作为优选斜率。
进一步地，所述每个原始斜率下的图像对比度判断值的计算公式如下：
；式中，/>为第a个原始斜率下的图像对比度判断值；/>为第a个原始斜率下的破碎锤增强图像的离散特征值；为第a个原始斜率下的破碎锤增强图像的第二离散序列中第/>个元素的数值；/>为第a个原始斜率下的第二离散序列中第/>个元素的数值；L为第a个原始斜率下的破碎锤增强图像的第二离散序列中元素的个数；b为预设参考值。
进一步地，所述基于像素点的密度分布与灰度分布，获取优选斜率下的破碎锤增强图像中每个图像块内的异常像素点的方法，包括：
对于优选斜率下的破碎锤增强图像中像素点，基于任意两个像素点的灰度值之间的差异对两个像素点之间的欧式距离进行改进，得到任意两个像素点之间的改进距离；
对于优选斜率下的破碎锤增强图像的每个图像块内像素点，基于像素点之间的所述改进距离利用离群点检测算法，获取优选斜率下的破碎锤增强图像的每个图像块内的异常像素点。
进一步地，所述改进距离的计算公式如下：
；式中，/>为优选斜率下的破碎锤增强图像中第u个像素点与第v个像素点之间的改进距离；/>为优选斜率下的破碎锤增强图像中第u个像素点与第v个像素点之间的欧式距离；为优选斜率下的破碎锤增强图像中第u个像素点的灰度值；/>为优选斜率下的破碎锤增强图像中第v个像素点的灰度值；/>为预设第一权值；/>为预设第二权值；/>为绝对值函数。
进一步地，所述获取优选斜率下破碎锤增强图像的特征表征度的方法，包括：
将优选斜率下的破碎锤增强图像的图像坐标系中的异常像素点两两相连得到异常线段；将每条异常线段与所述图像坐标系的横轴的正半轴之间的角度作为每条异常线段的异常度；
获取优选斜率下的破碎锤增强图像中异常线段的异常度的信息熵作为异常混乱度；
根据异常像素点的位置分布，获取优选斜率下的破碎锤增强图像中每个异常像素点的临近像素点；
结合优选斜率下的破碎锤增强图像中异常像素点与其临近像素点的灰度值之间的差异，以及所述异常混乱度，获取优选斜率下破碎锤增强图像的特征表征度。
进一步地，所述获取优选斜率下的破碎锤增强图像中每个异常像素点的临近像素点的方法，包括：
选取优选斜率下的破碎锤增强图像中任意一个异常像素点作为目标点，计算目标点分别为优选斜率下的破碎锤增强图像中除目标点外的其他异常像素点之间的欧式距离，将最小的所述欧式距离对应的异常像素点作为目标点的临近像素点。
进一步地，所述优选斜率下破碎锤增强图像的特征表征度的计算公式如下：
；式中，/>为优选斜率下的破碎锤增强图像的特征表征度；H为优选斜率下的破碎锤增强图像的异常混乱度；N为优选斜率下的破碎锤增强图像中异常像素点的个数；/>为优选斜率下的破碎锤增强图像中第i个异常像素点的灰度值；/>为优选斜率下的破碎锤增强图像中第i个异常像素点的临近像素点的灰度值；exp为以自然常数e为底数的指数函数；/>为绝对值函数；Norm为归一化函数。
进一步地，所述优选斜率进行更新的方法，包括：
将更新前的优选斜率与预设第二值之间的差值作为更新后的优选斜率；
所述斜率序列中相邻的两个原始斜率之间的差异大于预设第二值。
本发明具有如下有益效果：
本发明实施例中，从预设范围内选取原始斜率为首次筛选最优斜率，减少后续分析的计算量，利用Sigmoid函数基于每个原始斜率对破碎锤灰度图像进行增强，得到每个原始斜率下的破碎锤增强图像；破碎锤增强图像中灰度级的像素点个数分布呈现图像中灰度值的分布情况，进行第二次筛选，粗略定位出最大对比度的破碎锤增强图像对应的优选斜率；优选斜率下的破碎锤增强图像中异常像素点的位置分布与灰度分布呈现缺陷特征的特点，描述当前的优选斜率下的区域呈现缺陷特征的程度；对优选斜率进行更新，对基于更新后的优选斜率下的破碎锤增强图像的特征表征度进行判断，小于预设表征阈值时说明图像的增强效果不佳，需要对优选斜率继续进行更新，直至大于预设表征阈值，将此时的优选斜率最优斜率，自适应选取最优斜率，提高最优斜率下的破碎锤增强图像中对比度，增加了图像中细节信息，提高图像的增强效果。
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为本发明一个实施例所提供的一种基于图像处理的破碎锤外壳视觉检测方法的方法流程图。
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一种基于图像处理的破碎锤外壳视觉检测方法，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。
本发明所针对的具体场景：对破碎锤图像使用Sigmoid函数进行增强的过程中，不同K值下，对图像的增强效果较差，甚至不如原图的对比效果。
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破碎锤外壳视觉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基于图像处理的破碎锤外壳视觉检测方法的方法流程图，该方法包括：
步骤S1：获取破碎锤灰度图像；从预设范围内选取至少两个数值作为原始斜率，利用Sigmoid函数基于每个原始斜率对破碎锤灰度图像进行图像增强，得到每个原始斜率下的破碎锤增强图像。
具体的，利用工业相机拍摄破碎锤得到破碎锤图像。图像采集过程中可能拍摄到背景区域，为消除背景对于确定优选斜率的影响，对破碎锤图像使用语义分割，去除背景部分，留下破碎锤区域得到破碎锤原始图像。对破碎锤原始图像进行灰度化处理，得到破碎锤灰度图像。需要说明的是，本发明实施例中选用加权平均化算法进行灰度化处理，具体方法在此不做介绍，均为本领域技术人员熟知的技术手段。
从预设范围内选取数值作为原始斜率。原始斜率的选取有一个限定条件：将原始斜率从小到大排序得到斜率序列，斜率序列中相邻的两个原始斜率之间的差异为固定值。本发明实施例中z取经验值10，选取的原始斜率为0,1,2,3,4,5,6,7,8,9,10，实施者可根据具体情况设置。
本发明实施例中利用的Sigmoid函数的表达式为：，x为函数的自变量，k为自变量x的系数，e为自然常数。
将原始斜率作为Sigmoid函数中自变量的系数k，利用Sigmoid函数对破碎锤灰度图像进行图像增强。将每个原始斜率代入Sigmoid函数中，并利用Sigmoid函数进行图像增强，得到每个原始斜率下的破碎锤增强图像。其中，利用Sigmoid函数进行图像增强的方法为本领域技术人员公知技术，在此不再赘述。
步骤S2：根据每个原始斜率下的破碎锤增强图像中每个灰度级的像素点个数分布，从原始斜率中筛选优选斜率。
破碎锤外观从视觉上表现为形状规整且分布规律，图像上图案与螺丝结构，都是较为规整的几何形状，且部分区域存在对称的情况；而破碎锤中存在缺陷区域的分布较为随机，不具体特定的几何形状或者对称性。
根据图像内破碎锤外观的形状的分布规律，获取每个原始斜率下的图像对比度判断值，衡量增强后的对比度效果。
优选地，图像对比度判断值的具体获取方法包括：对于每个原始斜率下的破碎锤增强图像，获取破碎锤增强图像的灰度直方图，将灰度直方图中每个灰度级的像素点数量依据灰度级从小到大顺序排列得到第一离散序列；统计第一离散序列中数值为0的元素的个数作为离散特征值；将第一离散序列中元素的数值按照从小到大排序得到第二离散序列；结合每个原始斜率下的破碎锤增强图像对应的离散特征值与第二离散序列中元素之间的差异，获取每个原始斜率下的图像对比度判断值。
每个原始斜率下的图像对比度判断值的计算公式如下：
式中，为第a个原始斜率下的图像对比度判断值；/>为第a个原始斜率下的破碎锤增强图像的离散特征值；/>为第a个原始斜率下的破碎锤增强图像的第二离散序列中第/>个元素的数值；/>为第a个原始斜率下的第二离散序列中第/>个元素的数值；L为第a个原始斜率下的破碎锤增强图像的第二离散序列中元素的个数；b为预设参考值，取经验值10，实施者可根据具体情况自行设置。
以第a个原始斜率下的破碎锤增强图像为例进行分析，将破碎锤增强图像的灰度直方图中每个灰度级的像素点数量依据灰度级从小到大顺序排列得到第一离散序列/>。将第一离散序列/>中数值为0的像素点的个数作为破碎锤增强图像/>的离散特征值/>，当/>越大时，破碎锤增强图像/>中不存在灰度值的像素点数量越多，说明破碎锤增强图像/>的灰度直方图分布越离散，图像的对比度越大，则图像对比度判断值/>越大。
将第一离散序列中元素的数值按照从小到大排序得到第二离散序列。第二离散序列/>中/>呈现破碎锤增强图像/>的灰度直方图中峰值的陡峭程度，当/>越大时，破碎锤增强图像的灰度直方图中峰值的越陡峭，图像的对比度越大，则图像对比度判断值/>越大。需要说明的是，破碎锤增强图像/>的第一离散序列/>与第二离散序列中元素的数值为灰度级的像素点数量。
若将原始斜率从小到大排序，则原始斜率下的破碎锤增强图像的图像对比度判断值呈现先增加后减少的趋势，即破碎锤增强图像的对比度先增加后减少。图像的对比度越大，说明图像的增强效果越佳，则将最大的图像对比度判断值对应的原始斜率作为优选斜率。
需要注意的是，优选斜率并不能表明优选斜率下的破碎锤增强图像的增强效果最好，而是优选斜率下的破碎锤增强图像接近增强效果最佳的破碎锤增强图像，即最优斜率位于优选斜率附近范围内，需要进一步确定。
步骤S3：将优选斜率下的破碎锤增强图像划分为预设第一值个图像块，基于像素点的密度分布与灰度分布，获取优选斜率下的破碎锤增强图像中每个图像块内的异常像素点；依据优选斜率下的破碎锤增强图像中异常像素点的位置分布与灰度分布，获取优选斜率下破碎锤增强图像的特征表征度，并对优选斜率进行更新。
为了精确识别出破碎锤增强图像中的细节信息，利用超像素块分割将优选斜率下的破碎锤增强图像划分为预设第一值个图像块，识别出每个图像块内的异常像素点，异常像素点位于破碎锤外壳的缺陷位置。本发明实施例中预设第一值取经验值20，实施者可根据具体情况自行设置。其中，超像素块分割为本领域技术人员公知技术，在此不再赘述。
优选地，异常像素点的具体获取方法为：对于优选斜率下的破碎锤增强图像中像素点，基于任意两个像素点的灰度值之间的差异对两个像素点之间的欧式距离进行改进，得到任意两个像素点之间的改进距离；对于优选斜率下的破碎锤增强图像的每个图像块内像素点，基于像素点之间的改进距离利用离群点检测算法，获取优选斜率下的破碎锤增强图像的每个图像块内的异常像素点。
本发明实施例选用离群点检测算法获取优选斜率下的破碎锤增强图像的每个图像块内的异常像素点，离群点检测算法基于像素点之间的距离确定像素点的局部密度，进而确定异常像素点。需要说明的是，本发明实施例中离群点检测算法中像素点之间的距离为欧式距离。其中，离群点检测算法为本领域技术人员公知技术，在此不再进行赘述。
当破碎锤增强图像中像素点与其周围像素点的灰度值之间的差异较大时，该像素点位于具有特征信息的边缘位置的可能性越大，像素点可能被识别为异常像素点。因此，像素点之间的灰度差异影响异常像素点选取的准确性。
根据像素点之间的灰度差异对像素点之间的欧式距离进行改进，得到像素点之间的改进距离。改进距离的计算公式如下：
式中，为优选斜率下的破碎锤增强图像中第u个像素点与第v个像素点之间的改进距离；/>为优选斜率下的破碎锤增强图像中第u个像素点与第v个像素点之间的欧式距离；/>为优选斜率下的破碎锤增强图像中第u个像素点的灰度值；/>为优选斜率下的破碎锤增强图像中第v个像素点的灰度值；/>为预设第一权值，取经验值0.3；/>为预设第二权值，取经验值0.7；/>为绝对值函数。
需要说明的是，由于破碎锤表面的缺陷区域的突出特征为缺陷区域内像素点与其他像素点之间的灰度差异较大，则获取像素点之间的改进距离时，像素点之间的灰度值差异的权重大于像素点之间的欧式距离的权重；预设第一权值小于预设第二权值/>。
基于改进后的像素点之间的改进距离，利用离群点检测算法获取优选斜率下的破碎锤图像中每个图像块内各像素点的LOF值，将LOF值大于预设异常阈值的像素点，作为优选斜率下的破碎锤图像中图像块的异常像素点。本发明实施例中预设异常阈值取经验值4，实施者可根据具体情况自行设置。
需要注意的是，利用离群点检测算法获取优选斜率下的破碎锤图像中图像块中异常像素点的过程中，仅将离群点检测算法中像素点之间的欧式距离替换为改进距离，离群点检测算法中其他内容不变。
特征表征度描述当前的优选斜率下的区域呈现缺陷特征的程度，图像中异常像素点的位置分布与灰度分布呈现缺陷特征的特点。
优选地，优选斜率下的破碎锤增强图像的特征表征度的具体获取方法为：将优选斜率下的破碎锤增强图像的图像坐标系中的异常像素点两两相连得到异常线段；将每条异常线段与图像坐标系的横轴的正半轴之间的角度作为每条异常线段的异常度；获取优选斜率下的破碎锤增强图像中异常线段的异常度的信息熵作为异常混乱度；根据异常像素点的位置分布，获取优选斜率下的破碎锤增强图像中每个异常像素点的临近像素点；结合优选斜率下的破碎锤增强图像中异常像素点与其临近像素点的灰度值之间的差异，以及异常混乱度，获取优选斜率下破碎锤增强图像的特征表征度。
缺陷区域呈现不规则形状，缺陷区域的形状越不规则，缺陷的特征表现的越明显，缺陷区域为破碎锤的缺陷的可能性越大。本发明通过异常线段的异常度的混乱情况衡量区域的形状，获取优选斜率下的破碎锤增强图像中异常线段的异常度的信息熵作为异常混乱度H。当异常度越杂乱时，区域越不规则，异常混乱度H越大，缺陷的特征表现越明显，越可能为破碎锤的缺陷区域。需要说明的是，异常度的取值范围为。其中，信息熵为本领域技术人员公知技术，在此不再赘述。
部分缺陷边缘的像素的灰度值处于渐变状态，即相邻的异常像素点的灰度值分布不连续，获取与每个异常像素点距离最近的异常像素点，即获取每个异常像素点的临近像素点。当异常像素点与其临近像素点的灰度值之间的差异越大，缺陷特征表现的越明显。异常像素点的临近像素点的具体获取方法如下：
选取优选斜率下的破碎锤增强图像中任意一个异常像素点作为目标点，计算目标点分别为优选斜率下的破碎锤增强图像中除目标点外的其他异常像素点之间的欧式距离，将最小的欧式距离对应的异常像素点作为目标点的临近像素点。需要说明的是，当存在目标点与多个异常像素点之间的欧式距离均为最小值时，随机选取一个异常像素点作为目标点的临近像素点。
结合异常混乱度与以及与异常像素点与其临近像素点的灰度值之间的差异，获取优选斜率下破碎锤增强图像的特征表征度，特征表征度的计算公式如下：
式中，为优选斜率下的破碎锤增强图像的特征表征度；H为优选斜率下的破碎锤增强图像的异常混乱度；N为优选斜率下的破碎锤增强图像中异常像素点的个数；/>为优选斜率下的破碎锤增强图像中第i个异常像素点的灰度值；/>为优选斜率下的破碎锤增强图像中第i个异常像素点的临近像素点的灰度值；exp为以自然常数e为底数的指数函数；为绝对值函数；Norm为归一化函数。
需要说明的是，当异常混乱度H越大时，说明异常像素点分布越杂乱，缺陷的特征表现越明显，则特征表征度越大；当/>越大时，说明异常像素点与其临近像素点之间的灰度差异越大，缺陷的特征表现越明显，则特征表征度/>越大。
需要注意的是，为进一步提高图像的对比度，需要对经过步骤S2筛选出的优选斜率进行更新。对优选斜率进行更新的方法为：将更新前的优选斜率与预设第二值之间的差值作为更新后的优选斜率；斜率序列中相邻的两个原始斜率之间的差异大于预设第二值。
最优斜率位于优选斜率附近范围内，为准确获取优选斜率，则需要保证斜率序列中相邻的两个原始斜率之间的差异大于预设第二值。由于优选斜率是在图像最大的对比度情况下确认，则对优选斜率进行更新时，需要减少优选斜率，让图像中颜色更加平滑。
本发明实施例中预设第二值取经验值0.1，实施者根据具体情况自行设置。若本发明实施例中经过步骤S2筛选出的优选斜率为7，对初始的优选斜率7进行第一次更新后的优选斜率为6.9。
步骤S4：当基于更新后的优选斜率进行图像增强得到的优选斜率下的破碎锤增强图像的特征表征度小于预设表征阈值时，对优选斜率继续进行更新，直至更新后的优选斜率下的破碎锤增强图像的特征表征度大于或者等于预设表征阈值，将优选斜率作为最优斜率；对最优斜率下的破碎锤增强图像进行视觉检测。
将更新后的优选斜率6.9带入Sigmoid函数中，并利用其对破碎锤灰度图像进行图像增强，得到优选斜率6.9下的破碎锤增强图像。根据步骤S3获取优选斜率6.9下的破碎锤增强图像的特征表征度，判断其与预设表征阈值的大小关系；当优选斜率6.9下的破碎锤增强图像的特征表征度小于预设表征阈值时，对优选斜率6.9进行更新，更新后的优选斜率为6.8。将优选斜率6.8代入Sigmoid函数中，并利用其对破碎锤灰度图像进行图像增强，得到优选斜率6.8下的破碎锤增强图像，根据步骤S3获取优选斜率6.8下的破碎锤增强图像的特征表征度，判断其与预设表征阈值的大小关系；当优选斜率6.8下的破碎锤增强图像的特征表征度小于预设表征阈值时，对优选斜率6.8进行更新，更新后的优选斜率为6.7。以此进行迭代，直至更新后的优选斜率下的破碎锤增强图像的特征表征度大于或者等于预设表征阈值，将此时的优选斜率作为最优斜率。
本发明实施例中预设表征阈值取经验值0.8，实施者可根据具体情况自行设置。
需要说明的是，本发明实施例中最优斜率在大于6且小于7。
最优斜率下的破碎锤增强图像为图像增强效果最好的图像，对最优斜率下的破碎锤增强图像进行视觉检测。
至此，本发明完成。
综上所述，本发明实施例中，根据每个原始斜率下的破碎锤增强图像中灰度分布从原始斜率中筛选出优选斜率；获取优选斜率下的破碎锤增强图像中每个图像块内的异常像素点；依据优选斜率下的破碎锤增强图像中异常像素点的位置分布与灰度分布，获取优选斜率下破碎锤增强图像的特征表征度，并对优选斜率进行更新；根据更新后的优选斜率下的破碎锤增强图像的特征表征度的大小得到最优斜率，对最优斜率下的破碎锤增强图像进行视觉检测。本发明中自适应选取最优斜率，提高图像的增强效果。
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 (5)

1.一种基于图像处理的破碎锤外壳视觉检测方法，其特征在于，该方法包括：
获取破碎锤灰度图像；从预设范围内选取至少两个数值作为原始斜率，利用Sigmoid函数基于每个原始斜率对破碎锤灰度图像进行图像增强，得到每个原始斜率下的破碎锤增强图像；
根据每个原始斜率下的破碎锤增强图像中每个灰度级的像素点个数分布，从原始斜率中筛选优选斜率；
将优选斜率下的破碎锤增强图像划分为预设第一值个图像块，基于像素点的密度分布与灰度分布，获取优选斜率下的破碎锤增强图像中每个图像块内的异常像素点；依据优选斜率下的破碎锤增强图像中异常像素点的位置分布与灰度分布，获取优选斜率下破碎锤增强图像的特征表征度，并对优选斜率进行更新；
当基于更新后的优选斜率进行图像增强得到的优选斜率下的破碎锤增强图像的特征表征度小于预设表征阈值时，对优选斜率继续进行更新，直至更新后的优选斜率下的破碎锤增强图像的特征表征度大于或者等于预设表征阈值，将优选斜率作为最优斜率；对最优斜率下的破碎锤增强图像进行视觉检测；
所述从原始斜率中筛选出优选斜率的方法，包括：
对于每个原始斜率下的破碎锤增强图像，获取所述破碎锤增强图像的灰度直方图，将所述灰度直方图中每个灰度级的像素点数量依据灰度级从小到大顺序排列得到第一离散序列；
统计第一离散序列中数值为0的元素的个数作为离散特征值；
将所述第一离散序列中元素的数值按照从小到大排序得到第二离散序列；
结合每个原始斜率下的破碎锤增强图像对应的离散特征值与所述第二离散序列中元素之间的差异，获取每个原始斜率下的图像对比度判断值；
将最大的所述图像对比度判断值对应的原始斜率作为优选斜率；
所述每个原始斜率下的图像对比度判断值的计算公式如下：
；式中，/>为第a个原始斜率下的图像对比度判断值；/>为第a个原始斜率下的破碎锤增强图像的离散特征值；为第a个原始斜率下的破碎锤增强图像的第二离散序列中第/>个元素的数值；/>为第a个原始斜率下的第二离散序列中第/>个元素的数值；L为第a个原始斜率下的破碎锤增强图像的第二离散序列中元素的个数；b为预设参考值；
所述获取优选斜率下破碎锤增强图像的特征表征度的方法，包括：
将优选斜率下的破碎锤增强图像的图像坐标系中的异常像素点两两相连得到异常线段；将每条异常线段与所述图像坐标系的横轴的正半轴之间的角度作为每条异常线段的异常度；
获取优选斜率下的破碎锤增强图像中异常线段的异常度的信息熵作为异常混乱度；
根据异常像素点的位置分布，获取优选斜率下的破碎锤增强图像中每个异常像素点的临近像素点；
结合优选斜率下的破碎锤增强图像中异常像素点与其临近像素点的灰度值之间的差异，以及所述异常混乱度，获取优选斜率下破碎锤增强图像的特征表征度；
所述获取优选斜率下的破碎锤增强图像中每个异常像素点的临近像素点的方法，包括：
选取优选斜率下的破碎锤增强图像中任意一个异常像素点作为目标点，计算目标点分别为优选斜率下的破碎锤增强图像中除目标点外的其他异常像素点之间的欧式距离，将最小的所述欧式距离对应的异常像素点作为目标点的临近像素点；
所述优选斜率下破碎锤增强图像的特征表征度的计算公式如下：
；式中，/>为优选斜率下的破碎锤增强图像的特征表征度；H为优选斜率下的破碎锤增强图像的异常混乱度；N为优选斜率下的破碎锤增强图像中异常像素点的个数；/>为优选斜率下的破碎锤增强图像中第i个异常像素点的灰度值；/>为优选斜率下的破碎锤增强图像中第i个异常像素点的临近像素点的灰度值；exp为以自然常数e为底数的指数函数；/>为绝对值函数；Norm为归一化函数。
2.根据权利要求1所述的一种基于图像处理的破碎锤外壳视觉检测方法，其特征在于，在斜率序列中相邻的两个所述原始斜率之间的差异为固定值，将原始斜率从小到大排序得到所述斜率序列。
3.根据权利要求1所述的一种基于图像处理的破碎锤外壳视觉检测方法，其特征在于，所述基于像素点的密度分布与灰度分布，获取优选斜率下的破碎锤增强图像中每个图像块内的异常像素点的方法，包括：
对于优选斜率下的破碎锤增强图像中像素点，基于任意两个像素点的灰度值之间的差异对两个像素点之间的欧式距离进行改进，得到任意两个像素点之间的改进距离；
对于优选斜率下的破碎锤增强图像的每个图像块内像素点，基于像素点之间的所述改进距离利用离群点检测算法，获取优选斜率下的破碎锤增强图像的每个图像块内的异常像素点。
4.根据权利要求3所述的一种基于图像处理的破碎锤外壳视觉检测方法，其特征在于，所述改进距离的计算公式如下：
；式中，为优选斜率下的破碎锤增强图像中第u个像素点与第v个像素点之间的改进距离；/>为优选斜率下的破碎锤增强图像中第u个像素点与第v个像素点之间的欧式距离；/>为优选斜率下的破碎锤增强图像中第u个像素点的灰度值；/>为优选斜率下的破碎锤增强图像中第v个像素点的灰度值；/>为预设第一权值；/>为预设第二权值；/>为绝对值函数。
5.根据权利要求2所述的一种基于图像处理的破碎锤外壳视觉检测方法，其特征在于，所述优选斜率进行更新的方法，包括：
将更新前的优选斜率与预设第二值之间的差值作为更新后的优选斜率；
所述斜率序列中相邻的两个原始斜率之间的差异大于预设第二值。
CN202311330596.7A 2023-10-16 2023-10-16 基于图像处理的破碎锤外壳视觉检测方法 Active CN117078676B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311330596.7A CN117078676B (zh) 2023-10-16 2023-10-16 基于图像处理的破碎锤外壳视觉检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311330596.7A CN117078676B (zh) 2023-10-16 2023-10-16 基于图像处理的破碎锤外壳视觉检测方法

Publications (2)

Publication Number Publication Date
CN117078676A CN117078676A (zh) 2023-11-17
CN117078676B true CN117078676B (zh) 2024-01-12

Family

ID=88717521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311330596.7A Active CN117078676B (zh) 2023-10-16 2023-10-16 基于图像处理的破碎锤外壳视觉检测方法

Country Status (1)

Country Link
CN (1) CN117078676B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118115398B (zh) * 2024-04-23 2024-08-13 宝鸡拓普达钛业有限公司 一种加工刀具的图像特征增强方法及系统

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06250693A (ja) * 1993-02-25 1994-09-09 N T T Data Tsushin Kk スペクトログラム出力システム
CA2385631A1 (en) * 1999-11-24 2001-05-31 Direct Radiography Corp. A method for generating gray scale transfer functions for use in displaying a digital radiogram
JP2011182189A (ja) * 2010-03-01 2011-09-15 Toshiba Teli Corp 画像処理装置および画像処理プログラム
DE102014221765A1 (de) * 2014-10-27 2016-04-28 Continental Automotive Systems, Inc. Auf extern bestimmtem SNR basierte Modifizierer für interne MMSE-Berechnungen
CN106228545A (zh) * 2016-07-14 2016-12-14 西北民族大学 一种佛像类唐卡一致性破损区域的自动分割方法
CN110956618A (zh) * 2019-11-25 2020-04-03 中国兵器科学研究院宁波分院 一种基于变异系数法的ct图像小缺陷定量方法
US10937130B1 (en) * 2018-06-25 2021-03-02 Shenzhen China Star Optoelectronics Technology Co., Ltd. Image color enhancement method and device
CN114581345A (zh) * 2022-05-07 2022-06-03 广州骏天科技有限公司 一种基于自适应线性灰度化的图像增强方法及系统
CN114937006A (zh) * 2022-04-29 2022-08-23 南通同欧智能装备科技有限公司 一种基于图像增强的锤头精细化缺陷检测方法
CN116012384A (zh) * 2023-03-28 2023-04-25 梁山水泊胶带股份有限公司 一种整芯阻燃输送带表面缺陷检测方法
CN116188327A (zh) * 2023-04-21 2023-05-30 济宁职业技术学院 一种用于安防监控视频的图像增强方法
CN116363157A (zh) * 2023-03-29 2023-06-30 上海大学 一种架空输电线边缘定位方法、系统、电子设备及介质
CN116630312A (zh) * 2023-07-21 2023-08-22 山东鑫科来信息技术有限公司 一种恒力浮动打磨头打磨质量视觉检测方法
CN116703931A (zh) * 2023-08-09 2023-09-05 山东津庭名企建材有限公司 一种用于建筑高分子材料的表面银纹检测方法
CN116805332A (zh) * 2023-02-27 2023-09-26 中冶华天南京工程技术有限公司 一种基于霍夫变换的型钢姿态判别方法
CN116843681A (zh) * 2023-08-30 2023-10-03 临沂鑫诺彩印包装有限公司 一种纸箱表面着色质量智能检测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7023580B2 (en) * 2001-04-20 2006-04-04 Agilent Technologies, Inc. System and method for digital image tone mapping using an adaptive sigmoidal function based on perceptual preference guidelines
US20220025449A1 (en) * 2018-12-14 2022-01-27 Seegene, Inc. Method for detecting a target analyte in a sample using an s-shaped function for a slope data set
TWI777136B (zh) * 2020-02-21 2022-09-11 幸記工業股份有限公司 用於破碎堅硬物件的鎚頭

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06250693A (ja) * 1993-02-25 1994-09-09 N T T Data Tsushin Kk スペクトログラム出力システム
CA2385631A1 (en) * 1999-11-24 2001-05-31 Direct Radiography Corp. A method for generating gray scale transfer functions for use in displaying a digital radiogram
JP2011182189A (ja) * 2010-03-01 2011-09-15 Toshiba Teli Corp 画像処理装置および画像処理プログラム
DE102014221765A1 (de) * 2014-10-27 2016-04-28 Continental Automotive Systems, Inc. Auf extern bestimmtem SNR basierte Modifizierer für interne MMSE-Berechnungen
CN106228545A (zh) * 2016-07-14 2016-12-14 西北民族大学 一种佛像类唐卡一致性破损区域的自动分割方法
US10937130B1 (en) * 2018-06-25 2021-03-02 Shenzhen China Star Optoelectronics Technology Co., Ltd. Image color enhancement method and device
CN110956618A (zh) * 2019-11-25 2020-04-03 中国兵器科学研究院宁波分院 一种基于变异系数法的ct图像小缺陷定量方法
CN114937006A (zh) * 2022-04-29 2022-08-23 南通同欧智能装备科技有限公司 一种基于图像增强的锤头精细化缺陷检测方法
CN114581345A (zh) * 2022-05-07 2022-06-03 广州骏天科技有限公司 一种基于自适应线性灰度化的图像增强方法及系统
CN116805332A (zh) * 2023-02-27 2023-09-26 中冶华天南京工程技术有限公司 一种基于霍夫变换的型钢姿态判别方法
CN116012384A (zh) * 2023-03-28 2023-04-25 梁山水泊胶带股份有限公司 一种整芯阻燃输送带表面缺陷检测方法
CN116363157A (zh) * 2023-03-29 2023-06-30 上海大学 一种架空输电线边缘定位方法、系统、电子设备及介质
CN116188327A (zh) * 2023-04-21 2023-05-30 济宁职业技术学院 一种用于安防监控视频的图像增强方法
CN116630312A (zh) * 2023-07-21 2023-08-22 山东鑫科来信息技术有限公司 一种恒力浮动打磨头打磨质量视觉检测方法
CN116703931A (zh) * 2023-08-09 2023-09-05 山东津庭名企建材有限公司 一种用于建筑高分子材料的表面银纹检测方法
CN116843681A (zh) * 2023-08-30 2023-10-03 临沂鑫诺彩印包装有限公司 一种纸箱表面着色质量智能检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于负修正和对比度拉伸的快速去雾算法;王琳;毕笃彦;李晓辉;何林远;;计算机应用(第04期);全文 *
数字图像增强中灰度变换方法研究;余章明;张元;廉飞宇;陈得民;王红民;;电子质量(第06期);全文 *
液压破碎锤动臂结构仿真分析研究;陈绪林;陶雪娟;陈思睿;张荣钢;;现代制造技术与装备(第06期);全文 *
结构化道路图像预处理技术;朱淑亮;刘卫国;于涛;李峻;冯擎峰;;现代制造工程(第12期);全文 *

Also Published As

Publication number Publication date
CN117078676A (zh) 2023-11-17

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
CN115829883B (zh) 一种异性金属结构件表面图像去噪方法
CN111383209B (zh) 一种基于全卷积自编码器网络的无监督瑕疵检测方法
CN116385439B (zh) 基于图像处理的电机橡胶减震垫质量检测方法
CN117078676B (zh) 基于图像处理的破碎锤外壳视觉检测方法
CN115345885A (zh) 一种金属健身器材外观质量检测方法
CN116934740B (zh) 基于图像处理的塑料模具表面缺陷分析检测方法
CN115082418B (zh) 一种汽车零部件精密识别方法
CN115082467A (zh) 基于计算机视觉的建材焊接表面缺陷检测方法
CN114219805B (zh) 一种玻璃缺陷智能检测方法
CN116071363B (zh) 一种自动化型钢智能生产监测系统
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN116091455A (zh) 基于机器视觉的钢网表面缺陷判定方法
CN115049671A (zh) 基于计算机视觉的布匹表面缺陷检测方法及系统
CN115131356B (zh) 一种基于丰富度的钢板缺陷分类方法
CN115294159A (zh) 金属紧固件腐蚀区域分割方法
CN118052823B (zh) 基于图像处理的钛板焊点缺陷检测方法
CN115797473B (zh) 一种土建工程用混凝土成型评估方法
CN115861307B (zh) 基于人工智能的筋膜枪供电驱动板焊接故障检测方法
CN107657620B (zh) 一种带纹理的金属凝固区域识别的方法及系统
CN118096761B (zh) 一种基于图像处理的电池箱生产缺陷检测方法
CN117808796B (zh) 一种基于计算机视觉的齿轮表面损伤检测方法
CN118470015A (zh) 一种钛合金棒生产质量视觉检测方法及系统
CN117237350A (zh) 一种铸钢件质量实时检测方法
CN112784922A (zh) 智能云端医疗影像的提取和分类方法

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