CN117115172B - 一种基于机器视觉的阿胶品质检测方法及系统 - Google Patents
一种基于机器视觉的阿胶品质检测方法及系统 Download PDFInfo
- Publication number
- CN117115172B CN117115172B CN202311385454.0A CN202311385454A CN117115172B CN 117115172 B CN117115172 B CN 117115172B CN 202311385454 A CN202311385454 A CN 202311385454A CN 117115172 B CN117115172 B CN 117115172B
- Authority
- CN
- China
- Prior art keywords
- matrix
- image block
- glszm
- donkey
- image
- 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
- 108010010803 Gelatin Proteins 0.000 title claims abstract description 118
- 229920000159 gelatin Polymers 0.000 title claims abstract description 118
- 239000008273 gelatin Substances 0.000 title claims abstract description 118
- 235000019322 gelatine Nutrition 0.000 title claims abstract description 118
- 235000011852 gelatine desserts Nutrition 0.000 title claims abstract description 118
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 200
- 239000002245 particle Substances 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/30128—Food products
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于机器视觉的阿胶品质检测方法及系统,包括:获取阿胶产品灰度图像;获取阿胶产品灰度图像的若干个图像块;根据每个图像块的GLSZM矩阵和标准特征模板矩阵的相似度,获取每个图像块的颗粒特征表现度;根据每个图像块的颗粒特征表现度,对阿胶产品进行品质检测。本发明提高了对阿胶产品品质检测的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于机器视觉的阿胶品质检测方法及系统。
背景技术
区分阿胶产品其自身品质的好坏分为多种表现情况,如:颜色一致性、纹理细腻程度、形状完整性等,颜色一致性主要指没有色差或者较为明显的色块,纹理细腻程度主要指阿胶产品没有明显的颗粒状。上述特征均可通过机器视觉检测出其满足程度。现有技术中,通过灰度尺寸区域矩阵(GLSZM矩阵)算法计算得到每张阿胶产品图像其表面的具体粗糙程度及包含噪点与否,从而依据此算法得到阿胶产品的品质检测结果。
使用GLSZM矩阵算法对阿胶产品图像进行分析处理,根据GLSZM矩阵所表现出的信息得到阿胶产品图像的粗糙程度、连通域的排布复杂程度等。在这个过程中,由于阿胶产品图像具有的噪点较为复杂,无法确定出矩阵表现出何种信息,能够表明阿胶产品图像中存在着较为明显的颗粒状缺陷。
发明内容
为了解决上述问题,本发明提供一种基于机器视觉的阿胶品质检测方法及系统。
本发明一个实施例提供了一种基于机器视觉的阿胶品质检测方法,该方法包括以下步骤:
获取阿胶产品灰度图像;
对阿胶产品灰度图像进行分块处理,获得阿胶产品灰度图像的若干个图像块;
通过对每个图像块的灰度级划分和每个灰度级中连通域的等级划分,获取每个图像块的GLSZM矩阵;获取阿胶产品灰度图像的标准特征模板矩阵;获取每个图像块的GLSZM矩阵和标准特征模板矩阵的颗粒特征位置差异性;获取每个图像块的GLSZM矩阵和标准特征模板矩阵的每行最大值位置差异;获取每个图像块的GLSZM矩阵和标准特征模板矩阵的每行最大值差异;根据每个图像块的GLSZM矩阵和标准特征模板矩阵的颗粒特征位置差异性、每行最大值位置差异和每行最大值差异,获取每个图像块的GLSZM矩阵和标准特征模板矩阵的相似度;根据每个图像块的GLSZM矩阵和标准特征模板矩阵的相似度,获取每个图像块的颗粒特征表现度;
根据每个图像块的颗粒特征表现度,对阿胶产品进行品质检测。
优选的,所述对每个图像块的灰度级划分和每个灰度级中连通域的等级划分,包括的具体方法为:
对于阿胶产品灰度图像的任意一个图像块,将所述图像块的灰度值为的像素点划分至第一灰度级中;将所述图像块的灰度值为/>的像素点划分至第二灰度级中;将所述图像块的灰度值为/>的像素点划分至第三灰度级中;将所述图像块的灰度值为/>的像素点划分至第四灰度级中;以此类推,直至将所述图像块的灰度值为的像素点划分至第十三灰度级中,进而将所述图像块的灰度级共划分为/>级,其中,/>为预设参数,/>表示向上取整;
若所述图像块的第一灰度级中任意一种连通域的像素点数量为之间,则将所述图像块的第一灰度级中所述连通域,记为第一级连通域;若所述图像块的第一灰度级中任意一种连通域的像素点数量为/>之间,则将所述图像块的第一灰度级中所述连通域,记为第二级连通域;若所述图像块的第一灰度级中任意一种连通域的像素点数量为之间,则将所述图像块的第一灰度级中所述连通域,记为第三级连通域;以此类推,直至若所述图像块的第一灰度级中任意一种连通域的像素点数量为/>之间,则将所述图像块的第一灰度级中所述连通域,记为第八级连通域;以此完成对所述图像块的每个灰度级中每个连通域的等级划分。
优选的,所述获取每个图像块的GLSZM矩阵,包括的具体方法为:
对于阿胶产品灰度图像的任意一个图像块,将所述图像块的灰度级作为所述图像块的GLSZM矩阵的行,将所述图像块的每个灰度级中连通域的等级作为所述图像块的GLSZM矩阵的列,进而获取每个图像块的GLSZM矩阵。
优选的,所述获取阿胶产品灰度图像的标准特征模板矩阵,包括的具体方法为:
对于任意一个图像块的GLSZM矩阵,若所述图像块的GLSZM矩阵同时满足以下三个条件,则将所述图像块的GLSZM矩阵,作为阿胶产品灰度图像的标准特征模板矩阵;具体条件一为:在图像块的GLSZM矩阵中的第六行和第七行中,当且仅当第一列、第二列和第三列为非0元素,并且在第一列、第二列和第三列的三个元素中第二列的元素最大;条件二为:在图像块的GLSZM矩阵中的第八行和第九行中,当且仅当第一列和第二列为非0元素,并且在第一列的元素小于第二列的元素;条件三为:在图像块的GLSZM矩阵中的第十行、第十一行、第十二行和第十三行中,当且仅当第一列为非0元素。
优选的,所述获取每个图像块的GLSZM矩阵和标准特征模板矩阵的颗粒特征位置差异性,包括的具体方法为:
将第个图像块的GLSZM矩阵和标准特征模板矩阵中第六行到第十三行中每行的最大值的元素位置进行两两相连,得到第/>个图像块的GLSZM矩阵的向量序列和标准特征模板矩阵向量序列,将第/>个图像块的GLSZM矩阵的向量序列和标准特征模板矩阵向量序列的余弦相似度,作为第/>个图像块的GLSZM矩阵和标准特征模板矩阵的颗粒特征位置差异性。
优选的,所述获取每个图像块的GLSZM矩阵和标准特征模板矩阵的每行最大值位置差异,包括的具体方法为:
将第个图像块的GLSZM矩阵和标准特征模板矩阵中第六行到第十三行中每行中最大值的元素位置之间的欧式距离,作为第/>个图像块的GLSZM矩阵和标准特征模板矩阵每行最大值位置差异。
优选的,所述获取每个图像块的GLSZM矩阵和标准特征模板矩阵的每行最大值差异,包括的具体方法为:
将第个图像块的GLSZM矩阵中第六行到第十三行中第/>行中最大值的元素,记为第/>个图像块的GLSZM矩阵中第/>行的第一元素,将所有标准特征模板矩阵中第六行到第十三行中第/>行中最大值的元素均值,记为标准特征模板矩阵中第/>行的第二元素;将第个图像块的GLSZM矩阵中第/>行的第一元素与标准特征模板矩阵中第/>行的第二元素的差值绝对值,作为第/>个图像块的GLSZM矩阵和标准特征模板矩阵第/>行最大值差异。
优选的,所述根据每个图像块的GLSZM矩阵和标准特征模板矩阵的颗粒特征位置差异性、每行最大值位置差异和每行最大值差异,获取每个图像块的GLSZM矩阵和标准特征模板矩阵的相似度具体公式为:
式中,表示第/>个图像块的GLSZM矩阵和标准特征模板矩阵的相似度;/>表示第/>个图像块的GLSZM矩阵和标准特征模板矩阵的颗粒特征位置差异性;/>表示第/>个图像块的GLSZM矩阵和标准特征模板矩阵第/>行最大值位置差异;/>表示第/>个图像块的GLSZM矩阵和标准特征模板矩阵第/>行最大值差异;/>表示以自然常数为底数的指数函数;/>表示线性归一化函数。
优选的,所述根据每个图像块的颗粒特征表现度,对阿胶产品进行品质检测,包括的具体方法为:
对于阿胶产品灰度图像的任意一个图像块,若所述图像块的颗粒特征表现度大于或等于预设阈值,则将所述图像块记为颗粒图像块,进而获取阿胶产品灰度图像的所有颗粒图像块,若阿胶产品灰度图像的所有颗粒图像块的数量大于或等于预设参数/>,则将阿胶产品灰度图像中阿胶产品记为品质不合格;反之,将阿胶产品灰度图像中阿胶产品记为品质合格。
本发明还提出一种基于机器视觉的阿胶品质检测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任意一项所述一种基于机器视觉的阿胶品质检测方法的步骤。
本发明的技术方案的有益效果是:针对由于阿胶产品图像具有的噪点较为复杂,无法确定出矩阵表现出何种信息,能够表明阿胶产品图像中存在着较为明显的颗粒状缺陷的问题;本发明通过分析GLSZM矩阵其非零数排布方式,得到此类排布方式对于阿胶产品图像缺陷的表现度,表现度越大,则证明阿胶产品图像中存在此类缺陷的可能性越大,相应地,阿胶产品品质的检测结果可以通过分析得到,进而避免了因为无法准确分析矩阵所表现出的具体信息与阿胶产品缺陷的特征是否相对应,影响对于阿胶产品品质的检测结果的判断;进而提高了对阿胶产品品质检测的准确性。
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,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为本发明的一种基于机器视觉的阿胶品质检测方法的步骤流程图。
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机器视觉的阿胶品质检测方法及系统,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基于机器视觉的阿胶品质检测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于机器视觉的阿胶品质检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取阿胶产品灰度图像。
需要说明的是,针对阿胶产品图像具有的噪点较为复杂,本实施例对阿胶产品图像进行GLSZM算法,得到其粗糙程度及连通域分布复杂程度,进而得出矩阵非零数如何排布时,能够反映出阿胶产品图像的主要缺陷为颗粒缺陷,以此确定阿胶产品图像存在缺陷与否,得出阿胶产品的品质。
具体的,为了实现本实施例提出的一种基于机器视觉的阿胶品质检测方法,首先需要采集阿胶产品灰度图像,具体过程为:
使用高分辨相机设备拍摄生产线上的阿胶产品,获得阿胶产品图像;对阿胶产品图像进行中值滤波去噪和灰度化操作得到阿胶产品灰度图像。其中,中值滤波和灰度化操作为现有技术,此处不做过多赘述;本实施例以获取的阿胶产品灰度图像大小为800×800进行叙述。
至此,通过上述方法得到阿胶产品灰度图像。
步骤S002:获取阿胶产品灰度图像的若干个图像块。
需要说明的是,对阿胶产品灰度图像进行分块的目的为计算每一图像块内的GLSZM矩阵,得到不同图像块的单一矩阵,由于阿胶产品灰度图像的整体GLSZM矩阵的尺寸较大,若对阿胶产品灰度图像的整体GLSZM矩阵进行分析,则其具体粗糙度及与之对应的连通域分布复杂度都会难以分析,且矩阵的非零数其分布规律不能有效地通过阿胶产品灰度图像的整体GLSZM矩阵反映出,从而使得通过分析整体GLSZM矩阵,得不出阿胶中是否存在相应特征的缺陷,不能够起到理想的效果,因此需要对阿胶产品灰度图像进行分块处理。
具体的,预设一个参数,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>根据具体实施情况而定。
具体的,使用预设大小的滑窗在阿胶产品灰度图像上进行步长为/>的滑窗操作,得到若干个窗口,将每个窗口作为一个图像块,进而得到阿胶产品灰度图像的若干个图像块。其中,为了使得滑窗能把阿胶产品灰度图像均匀分成若干个窗口,滑窗的大小设置为阿胶产品灰度图像大小的公因数。
至此,通过上述方法得到阿胶产品灰度图像的若干个图像块。
步骤S003:根据每个图像块的GLSZM矩阵和标准特征模板矩阵的相似度,获取每个图像块的颗粒特征表现度。
1. 获取每个图像块的GLSZM矩阵。
需要说明的是,由于阿胶产品灰度图像表现为整体灰度值偏低,且其缺陷部分呈现高亮的特征。则需要对每个图像块的灰度阶进行进一步地划分,并且同时需要根据同一灰度阶内其连通域数量划分为不同等级。
具体的,预设两个参数,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>根据具体实施情况而定。
对于阿胶产品灰度图像的任意一个图像块,将所述图像块的灰度值为的像素点划分至第一灰度级中;将所述图像块的灰度值为/>的像素点划分至第二灰度级中;将所述图像块的灰度值为/>的像素点划分至第三灰度级中;将所述图像块的灰度值为/>的像素点划分至第四灰度级中;以此类推,直至将所述图像块的灰度值为的像素点划分至第十三灰度级中,进而将所述图像块的灰度级共划分为/>级,其中,/>为预设参数,/>表示向上取整。
若所述图像块的第一灰度级中任意一种连通域的像素点数量为之间,则将所述图像块的第一灰度级中所述连通域,记为第一级连通域;若所述图像块的第一灰度级中任意一种连通域的像素点数量为/>之间,则将所述图像块的第一灰度级中所述连通域,记为第二级连通域;若所述图像块的第一灰度级中任意一种连通域的像素点数量为之间,则将所述图像块的第一灰度级中所述连通域,记为第三级连通域;以此类推,直至若所述图像块的第一灰度级中任意一种连通域的像素点数量为/>之间,则将所述图像块的第一灰度级中所述连通域,记为第八级连通域;以此完成对所述图像块的每个灰度级中每个连通域的等级划分。
至此,完成对每个图像块的灰度级划分和每个灰度级中连通域的等级划分。
对于阿胶产品灰度图像的任意一个图像块,将所述图像块的灰度级作为所述图像块的GLSZM矩阵的行,将所述图像块的每个灰度级中连通域的等级作为所述图像块的GLSZM矩阵的列,进而获取每个图像块的GLSZM矩阵。
至此,获得每个图像块的GLSZM矩阵。
2.获取阿胶产品灰度图像的标准特征模板矩阵。
需要说明的是,阿胶产品灰度图像中颗粒状特征的具体表现形式为:其具体颗粒状特征的像素点的灰度值与其周围环境灰度值具有明显差异,其分布特征为环状,在环中心的像素点的灰度值越高,距离环中心越远的像素点的灰度值越低,并且每个环中心的像素点灰度值相似,每个环状颗粒特征的像素集具有孤立特征。
具体的,对于任意一个图像块的GLSZM矩阵,若所述图像块的GLSZM矩阵同时满足以下三个条件,则将所述图像块的GLSZM矩阵,作为阿胶产品灰度图像的标准特征模板矩阵;具体条件一为:在图像块的GLSZM矩阵中的第六行和第七行中,当且仅当第一列、第二列和第三列为非0元素,并且在第一列、第二列和第三列的三个元素中第二列的元素最大;条件二为:在图像块的GLSZM矩阵中的第八行和第九行中,当且仅当第一列和第二列为非0元素,并且在第一列的元素小于第二列的元素;条件三为:在图像块的GLSZM矩阵中的第十行、第十一行、第十二行和第十三行中,当且仅当第一列为非0元素。
至此,获得阿胶产品灰度图像的标准特征模板矩阵。
3.获取每个图像块的颗粒特征表现度。
需要说明的是,因为原GLSZM矩阵其对于粗糙程度的判断为非零数集中于矩阵右侧,且其数值普遍较大。而经过划分后结合缺陷特征,其变为集中于矩阵的左下角,并且数值普遍较大,所以使用原矩阵的逻辑,不能够很好地体现和检测出颗粒特征的具体存在,进而造成误判。在得到标准特征排布模板后,需要分析每个图像块的GLSZM矩阵得到的非零值排布方式和标准特征模板矩阵排布方式的差异,从而根据差异程度得到颗粒特征表现度。当每个图像块的GLSZM矩阵的非零值排布方式和标准特征排布模板矩阵的差异越小,那么,在此图像块内,其颗粒特征表现度越高。所以,通过分析两矩阵之间的差异,分析矩阵内非零数之间的差值、空间位置差及分布趋势差,得到每个图像块的颗粒特征表现度。
具体的,对于阿胶产品灰度图像的第个图像块的GLSZM矩阵,将第/>个图像块的GLSZM矩阵和标准特征模板矩阵中第六行到第十三行中每行的最大值的元素位置进行两两相连,得到第/>个图像块的GLSZM矩阵的向量序列和标准特征模板矩阵向量序列,将第/>个图像块的GLSZM矩阵的向量序列和标准特征模板矩阵向量序列的余弦相似度,作为第/>个图像块的GLSZM矩阵和标准特征模板矩阵的颗粒特征位置差异性;将第/>个图像块的GLSZM矩阵和标准特征模板矩阵中第六行到第十三行中每行中最大值的元素位置之间的欧式距离,作为第/>个图像块的GLSZM矩阵和标准特征模板矩阵每行最大值位置差异;将第/>个图像块的GLSZM矩阵中第六行到第十三行中第/>行中最大值的元素,记为第/>个图像块的GLSZM矩阵中第/>行的第一元素,将所有标准特征模板矩阵中第六行到第十三行中第/>行中最大值的元素均值,记为标准特征模板矩阵中第/>行的第二元素;将第/>个图像块的GLSZM矩阵中第/>行的第一元素与标准特征模板矩阵中第/>行的第二元素的差值绝对值,作为第/>个图像块的GLSZM矩阵和标准特征模板矩阵第/>行最大值差异;则第/>个图像块的GLSZM矩阵和标准特征模板矩阵的相似度的计算表达式为:
式中,表示第/>个图像块的GLSZM矩阵和标准特征模板矩阵的相似度;/>表示第/>个图像块的GLSZM矩阵和标准特征模板矩阵的颗粒特征位置差异性;/>表示第/>个图像块的GLSZM矩阵和标准特征模板矩阵第/>行最大值位置差异;/>表示第/>个图像块的GLSZM矩阵和标准特征模板矩阵第/>行最大值差异;/>表示以自然常数为底数的指数函数;/>表示线性归一化函数。
将第个图像块的GLSZM矩阵和标准特征模板矩阵的相似度,作为第/>个图像块的颗粒特征表现度;同理,获得每个图像块的颗粒特征表现度。
步骤S004:根据每个图像块的颗粒特征表现度,对阿胶产品进行品质检测。
预设一个参数和一个阈值/>,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>根据具体实施情况而定。
具体的,对于阿胶产品灰度图像的任意一个图像块,若所述图像块的颗粒特征表现度大于或等于预设阈值,则将所述图像块记为颗粒图像块,进而获取阿胶产品灰度图像的所有颗粒图像块,若阿胶产品灰度图像的所有颗粒图像块的数量大于或等于预设参数,则将阿胶产品灰度图像中阿胶产品记为品质不合格;反之,将阿胶产品灰度图像中阿胶产品记为品质合格。
通过以上步骤,完成一种基于机器视觉的阿胶品质检测方法。
本发明还提出一种基于机器视觉的阿胶品质检测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任意一项所述一种基于机器视觉的阿胶品质检测方法的步骤。
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)
1.一种基于机器视觉的阿胶品质检测方法,其特征在于,该方法包括以下步骤:
获取阿胶产品灰度图像;
对阿胶产品灰度图像进行分块处理,获得阿胶产品灰度图像的若干个图像块;
通过对每个图像块的灰度级划分和每个灰度级中连通域的等级划分,获取每个图像块的GLSZM矩阵;获取阿胶产品灰度图像的标准特征模板矩阵;获取每个图像块的GLSZM矩阵和标准特征模板矩阵的颗粒特征位置差异性;获取每个图像块的GLSZM矩阵和标准特征模板矩阵的每行最大值位置差异;获取每个图像块的GLSZM矩阵和标准特征模板矩阵的每行最大值差异;根据每个图像块的GLSZM矩阵和标准特征模板矩阵的颗粒特征位置差异性、每行最大值位置差异和每行最大值差异,获取每个图像块的GLSZM矩阵和标准特征模板矩阵的相似度;根据每个图像块的GLSZM矩阵和标准特征模板矩阵的相似度,获取每个图像块的颗粒特征表现度;
根据每个图像块的颗粒特征表现度,对阿胶产品进行品质检测;
所述获取阿胶产品灰度图像的标准特征模板矩阵,包括的具体方法为:
对于任意一个图像块的GLSZM矩阵,若所述图像块的GLSZM矩阵同时满足以下三个条件,则将所述图像块的GLSZM矩阵,作为阿胶产品灰度图像的标准特征模板矩阵;具体条件一为:在图像块的GLSZM矩阵中的第六行和第七行中,当且仅当第一列、第二列和第三列为非0元素,并且在第一列、第二列和第三列的三列元素中第二列的元素最大;条件二为:在图像块的GLSZM矩阵中的第八行和第九行中,当且仅当第一列和第二列为非0元素,并且在第一列的元素小于第二列的元素;条件三为:在图像块的GLSZM矩阵中的第十行、第十一行、第十二行和第十三行中,当且仅当第一列为非0元素;
所述获取每个图像块的GLSZM矩阵和标准特征模板矩阵的颗粒特征位置差异性,包括的具体方法为:
将第个图像块的GLSZM矩阵和标准特征模板矩阵中第六行到第十三行中每行的最大值的元素位置进行两两相连,得到第/>个图像块的GLSZM矩阵的向量序列和标准特征模板矩阵向量序列,将第/>个图像块的GLSZM矩阵的向量序列和标准特征模板矩阵向量序列的余弦相似度,作为第/>个图像块的GLSZM矩阵和标准特征模板矩阵的颗粒特征位置差异性;
所述获取每个图像块的GLSZM矩阵和标准特征模板矩阵的每行最大值位置差异,包括的具体方法为:
将第个图像块的GLSZM矩阵和标准特征模板矩阵中第六行到第十三行中每行中最大值的元素位置之间的欧式距离,作为第/>个图像块的GLSZM矩阵和标准特征模板矩阵每行最大值位置差异;
所述获取每个图像块的GLSZM矩阵和标准特征模板矩阵的每行最大值差异,包括的具体方法为:
将第个图像块的GLSZM矩阵中第六行到第十三行中第/>行中最大值的元素,记为第/>个图像块的GLSZM矩阵中第/>行的第一元素,将所有标准特征模板矩阵中第六行到第十三行中第/>行中最大值的元素均值,记为标准特征模板矩阵中第/>行的第二元素;将第/>个图像块的GLSZM矩阵中第/>行的第一元素与标准特征模板矩阵中第/>行的第二元素的差值绝对值,作为第/>个图像块的GLSZM矩阵和标准特征模板矩阵第/>行最大值差异。
2.根据权利要求1所述一种基于机器视觉的阿胶品质检测方法,其特征在于,所述对每个图像块的灰度级划分和每个灰度级中连通域的等级划分,包括的具体方法为:
对于阿胶产品灰度图像的任意一个图像块,将所述图像块的灰度值为的像素点划分至第一灰度级中;将所述图像块的灰度值为/>的像素点划分至第二灰度级中;将所述图像块的灰度值为/>的像素点划分至第三灰度级中;将所述图像块的灰度值为的像素点划分至第四灰度级中;以此类推,直至将所述图像块的灰度值为的像素点划分至第十三灰度级中,进而将所述图像块的灰度级共划分为/>级,其中,/>为预设参数,/>表示向上取整;
若所述图像块的第一灰度级中任意一种连通域的像素点数量为之间,则将所述图像块的第一灰度级中所述连通域,记为第一级连通域;若所述图像块的第一灰度级中任意一种连通域的像素点数量为/>之间,则将所述图像块的第一灰度级中所述连通域,记为第二级连通域;若所述图像块的第一灰度级中任意一种连通域的像素点数量为之间,则将所述图像块的第一灰度级中所述连通域,记为第三级连通域;以此类推,直至若所述图像块的第一灰度级中任意一种连通域的像素点数量为/>之间,则将所述图像块的第一灰度级中所述连通域,记为第八级连通域;以此完成对所述图像块的每个灰度级中每个连通域的等级划分。
3.根据权利要求1所述一种基于机器视觉的阿胶品质检测方法,其特征在于,所述获取每个图像块的GLSZM矩阵,包括的具体方法为:
对于阿胶产品灰度图像的任意一个图像块,将所述图像块的灰度级作为所述图像块的GLSZM矩阵的行,将所述图像块的每个灰度级中连通域的等级作为所述图像块的GLSZM矩阵的列,进而获取每个图像块的GLSZM矩阵。
4.根据权利要求1所述一种基于机器视觉的阿胶品质检测方法,其特征在于,所述根据每个图像块的GLSZM矩阵和标准特征模板矩阵的颗粒特征位置差异性、每行最大值位置差异和每行最大值差异,获取每个图像块的GLSZM矩阵和标准特征模板矩阵的相似度具体公式为:
式中,表示第/>个图像块的GLSZM矩阵和标准特征模板矩阵的相似度;/>表示第/>个图像块的GLSZM矩阵和标准特征模板矩阵的颗粒特征位置差异性;/>表示第/>个图像块的GLSZM矩阵和标准特征模板矩阵第/>行最大值位置差异;/>表示第/>个图像块的GLSZM矩阵和标准特征模板矩阵第/>行最大值差异;/>表示以自然常数为底数的指数函数;/>表示线性归一化函数。
5.根据权利要求1所述一种基于机器视觉的阿胶品质检测方法,其特征在于,所述根据每个图像块的颗粒特征表现度,对阿胶产品进行品质检测,包括的具体方法为:
对于阿胶产品灰度图像的任意一个图像块,若所述图像块的颗粒特征表现度大于或等于预设阈值,则将所述图像块记为颗粒图像块,进而获取阿胶产品灰度图像的所有颗粒图像块,若阿胶产品灰度图像的所有颗粒图像块的数量大于或等于预设参数/>,则将阿胶产品灰度图像中阿胶产品记为品质不合格;反之,将阿胶产品灰度图像中阿胶产品记为品质合格。
6.一种基于机器视觉的阿胶品质检测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-5任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311385454.0A CN117115172B (zh) | 2023-10-25 | 2023-10-25 | 一种基于机器视觉的阿胶品质检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311385454.0A CN117115172B (zh) | 2023-10-25 | 2023-10-25 | 一种基于机器视觉的阿胶品质检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117115172A CN117115172A (zh) | 2023-11-24 |
CN117115172B true CN117115172B (zh) | 2024-01-12 |
Family
ID=88795192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311385454.0A Active CN117115172B (zh) | 2023-10-25 | 2023-10-25 | 一种基于机器视觉的阿胶品质检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117115172B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114588031A (zh) * | 2022-03-11 | 2022-06-07 | 山东鲁润阿胶健康产业有限公司 | 一种阿胶珠智能加工装备及工艺 |
CN115131354A (zh) * | 2022-08-31 | 2022-09-30 | 江苏森信达生物科技有限公司 | 一种基于光学手段的实验室用塑料薄膜缺陷检测方法 |
CN115222761A (zh) * | 2022-09-20 | 2022-10-21 | 相国新材料科技江苏有限公司 | 一种基于计算机视觉技术的聚苯颗粒产品质量检测方法 |
CN115457037A (zh) * | 2022-11-10 | 2022-12-09 | 澳润(山东)药业有限公司 | 一种用于阿胶制品生产的原材料质检方法 |
CN116091499A (zh) * | 2023-04-07 | 2023-05-09 | 山东中胜涂料有限公司 | 一种涂料生产异常识别系统 |
CN116452596A (zh) * | 2023-06-20 | 2023-07-18 | 深圳市捷超行模具有限公司 | 一种硅胶玩具注塑溢胶视觉检测方法 |
CN116527407A (zh) * | 2023-07-04 | 2023-08-01 | 贵州毅丹恒瑞医药科技有限公司 | 一种用于眼底图像的加密传输方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463890B (zh) * | 2014-12-19 | 2017-05-24 | 北京工业大学 | 一种立体图像显著性区域检测方法 |
KR102510221B1 (ko) * | 2020-12-24 | 2023-03-15 | 연세대학교 산학협력단 | 골절 위험 예측 방법 및 장치 |
KR102540320B1 (ko) * | 2021-07-20 | 2023-06-07 | 연세대학교 산학협력단 | 적응적 샘플링 기반 cbct 영상 획득 방법 및 장치 |
-
2023
- 2023-10-25 CN CN202311385454.0A patent/CN117115172B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114588031A (zh) * | 2022-03-11 | 2022-06-07 | 山东鲁润阿胶健康产业有限公司 | 一种阿胶珠智能加工装备及工艺 |
CN115131354A (zh) * | 2022-08-31 | 2022-09-30 | 江苏森信达生物科技有限公司 | 一种基于光学手段的实验室用塑料薄膜缺陷检测方法 |
CN115222761A (zh) * | 2022-09-20 | 2022-10-21 | 相国新材料科技江苏有限公司 | 一种基于计算机视觉技术的聚苯颗粒产品质量检测方法 |
CN115457037A (zh) * | 2022-11-10 | 2022-12-09 | 澳润(山东)药业有限公司 | 一种用于阿胶制品生产的原材料质检方法 |
CN116091499A (zh) * | 2023-04-07 | 2023-05-09 | 山东中胜涂料有限公司 | 一种涂料生产异常识别系统 |
CN116452596A (zh) * | 2023-06-20 | 2023-07-18 | 深圳市捷超行模具有限公司 | 一种硅胶玩具注塑溢胶视觉检测方法 |
CN116527407A (zh) * | 2023-07-04 | 2023-08-01 | 贵州毅丹恒瑞医药科技有限公司 | 一种用于眼底图像的加密传输方法 |
Non-Patent Citations (4)
Title |
---|
Treatment response prediction using MRI-based pre-, post-, and delta-radiomic features and machine learning algorithms in colorectal cancer;Sajad Shayesteh等;2021 American Association of Physicists in Medicine;第3691-3701页 * |
分割算法对非小细胞肺癌患者~(18)F-FDGPET/CT图像纹理参数测量的影响;张星;吴婷婷;;中国医刊(第08期);全文 * |
基于MR影像组学的肝细胞癌与血管瘤鉴别诊断的应用研究;陈茂东;中国优秀硕士学位论文全文数据库医学卫生科技辑;第E072-1968页 * |
基于像素点的机器视觉系统能力评价;施亮星;王洁;;工业工程(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117115172A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
CN106846316B (zh) | 一种gis内部典型缺陷图像自动识别方法 | |
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
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 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN112837303A (zh) | 一种用于模具监视的缺陷检测方法、装置、设备及介质 | |
CN107292310A (zh) | 一种圆形指针式表盘视觉定位及自动读数方法 | |
Niu et al. | Image segmentation algorithm for disease detection of wheat leaves | |
CN113781406B (zh) | 电子元器件的划痕检测方法、装置及计算机设备 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN113838054A (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
CN116703251B (zh) | 基于人工智能的胶圈生产质量检测方法 | |
CN107590512A (zh) | 一种模板匹配中参数的自适应方法和系统 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
CN111415339A (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN111753794A (zh) | 水果品质分类方法、装置、电子设备及可读存储介质 | |
CN111814852A (zh) | 图像检测方法、装置、电子设备和计算机可读存储介质 | |
CN117314940B (zh) | 基于人工智能的激光切割零件轮廓快速分割方法 | |
CN104268845A (zh) | 极值温差短波红外图像的自适应双局部增强方法 | |
CN117115172B (zh) | 一种基于机器视觉的阿胶品质检测方法及系统 | |
CN114065798A (zh) | 基于机器识别的视觉识别方法及装置 | |
CN110827272B (zh) | 一种基于图像处理的轮胎x光图像缺陷检测方法 | |
CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 |
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 |