CN117152140A - 基于图像处理的钢绞线质量检测方法 - Google Patents
基于图像处理的钢绞线质量检测方法 Download PDFInfo
- Publication number
- CN117152140A CN117152140A CN202311414844.6A CN202311414844A CN117152140A CN 117152140 A CN117152140 A CN 117152140A CN 202311414844 A CN202311414844 A CN 202311414844A CN 117152140 A CN117152140 A CN 117152140A
- Authority
- CN
- China
- Prior art keywords
- steel strand
- steel
- image
- connected domain
- strand
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 445
- 239000010959 steel Substances 0.000 title claims abstract description 445
- 238000012545 processing Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000005260 corrosion Methods 0.000 claims description 8
- 230000007797 corrosion Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000001788 irregular Effects 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
- 238000012797 qualification Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及图像处理领域,尤其涉及一种基于图像处理的钢绞线质量检测方法。所述方法包括:采集钢绞线图像,所述钢绞线图像包括多根加工完毕的钢绞线;获取所述钢绞线图像中每根钢丝的连通域和每根钢绞线的连通域;对钢丝的连通域进行距离变换以计算钢丝的形变度,进而计算每根钢绞线的形变度;获取钢绞线图像中钢绞线区域的灰度共生矩阵,并将灰度共生矩阵的能量作为钢绞线的平滑度;计算任意两根钢绞线之间的相似度以计算稳定性;将所述稳定性以及每根钢绞线的形变度和平滑度输入分类器,输出所述钢绞线图像中每根钢绞线的质量检测结果。通过本申请的技术方案,能够提高钢绞线质量检测的准确性和检测效率。
Description
技术领域
本申请一般地涉及图像处理领域,尤其涉及一种基于图像处理的钢绞线质量检测方法。
背景技术
钢绞线是由多根钢丝绞合构成的钢铁制品,钢绞线常常作为承力索、拉线、加强芯、预应力材料、阻拦索、地线等被广泛应用于桥梁、电力、水利、建筑及道路围栏等多个工程领域。钢绞线作为承重部件,其质量与工作安全密切相关,故加工过程中钢绞线的质量检测尤为重要。
目前,公开号为CN116342598A的专利申请文件公开了一种基于机器视觉的钢绞线质量检测方法,获取钢绞线图像的边缘图像,对所述边缘图像进行分割得到多个局部区域;利用每一个局部区域中边缘像素点的位置得到每一个局部区域的边缘密集性;根据每个局部区域中所包含目标边缘像素点对集合中每对目标边缘像素点的距离、目标边缘像素点对的数量及局部区域的边缘密集性得到每个局部区域的腐蚀程度,依据腐蚀程度实现钢绞线的质量检测。
然而,上述方法仅依据边缘信息获取腐蚀程度,并依据腐蚀程度这一单一特征实现钢绞线的质量检测,质量检测不全面,导致钢绞线质量检测的准确性较低。
发明内容
为了解决现有技术中的上述技术问题,本申请提供了一种基于图像处理的钢绞线质量检测方法,以提高钢绞线质量检测的准确性。
本发明提供了一种基于图像处理的钢绞线质量检测方法,包括:采集钢绞线图像,所述钢绞线图像包括多根加工完毕的钢绞线;获取所述钢绞线图像中每根钢丝的连通域,并对所有钢丝的连通域进行形态学处理,得到每根钢绞线的连通域;对一根钢丝的连通域进行距离变换,获得所述连通域中间一条像素值最大的目标线的像素值序列,计算所述像素值序列的方差以作为所述钢丝的形变度,其中所述像素值为像素点与连通域边缘的最小距离;对于一根钢绞线的连通域,计算所述钢绞线中所有钢丝的形变度的均值以作为所述钢绞线的形变度;将一根钢绞线的连通域与所述钢绞线图像相乘得到所述钢绞线的钢绞线区域,获取所述钢绞线区域的灰度共生矩阵,并将所述灰度共生矩阵的能量作为所述钢绞线的平滑度;计算任意两根钢绞线之间的相似度以计算稳定性,所述稳定性用于表征钢绞线加工过程中的加工质量的稳定程度,所述稳定性满足关系式:
其中,为所述钢绞线图像中钢绞线的数量,/>为钢绞线/>和钢绞线/>的相似度;将所述稳定性以及每根钢绞线的形变度和平滑度输入训练完毕的分类器,输出所述钢绞线图像中每根钢绞线的质量检测结果。
在一些实施例中,所述获取所述钢绞线图像中每根钢丝的连通域包括:利用连通域提取算法对所述钢绞线图像进行连通域提取,得到钢丝连通域图像,所述钢丝连通域图像包括所述钢绞线图像中每根钢丝的连通域;其中所述连通域提取算法为分水岭算法或漫水填充算法。
在一些实施例中,所述对所有钢丝的连通域进行形态学处理,得到每根钢绞线的连通域包括:对所述钢丝连通域图像进行膨胀处理后,再进行腐蚀处理,得到钢绞线连通域图像,所述钢绞线连通域图像包括所述钢绞线图像中每根钢绞线的连通域。
在一些实施例中,所述对一根钢丝的连通域进行距离变换包括:对于所述钢丝的连通域内的任意像素点,计算所述像素点与连通域边缘的最小距离,作为所述像素点的像素值;其中所述最小距离为最小欧氏距离或最小棋盘距离或最小曼哈顿距离。
在一些实施例中,所述对于一根钢绞线的连通域,计算所述钢绞线中所有钢丝的形变度的均值以作为所述钢绞线的形变度包括:计算一根钢丝的连通域与所述钢绞线的连通域之间的交集,响应于所述交集不为空集,将所述钢丝作为所述钢绞线的目标钢丝;遍历所有钢丝的连通域,得到所述钢绞线的所有目标钢丝;计算所有目标钢丝的形变度的均值,作为所述钢绞线的形变度。
在一些实施例中,所述将一根钢绞线的连通域与所述钢绞线图像相乘得到所述钢绞线的钢绞线区域包括:对于一根钢绞线的连通域,将所述连通域内像素点的像素值置为1,所述连通域外像素点的像素值置为0,得到所述钢绞线的掩码信息;将所述掩码信息与所述钢绞线图像相乘,得到所述钢绞线的钢绞线区域。
在一些实施例中,所述方法还包括:统计所述钢绞线图像中钢绞线数量;响应于所述钢绞线数量大于设定数量,计算所述钢绞线图像中所有钢绞线的平滑度总和;对于一根钢绞线,将所述钢绞线的平滑度与所述平滑度总和的比值作为所述钢绞线更新后的平滑度,所述钢绞线更新后的平滑度满足关系式:
其中,为钢绞线/>的平滑度,/>为所述平滑度总和,/>为钢绞线/>更新后的平滑度。
在一些实施例中,所述计算任意两根钢绞线之间的相似度以计算稳定性包括:按照设定顺序对每根钢绞线的连通域进行编号;获取每根钢绞线对应的钢绞线区域,所述钢绞线区域包括对应钢绞线的灰度图像信息;对于任意两根钢绞线,计算对应钢绞线区域之间的相似度,所述相似度满足关系式:
其中,为钢绞线/>的钢绞线区域,/>为钢绞线/>的钢绞线区域,/>为钢绞线/>和钢绞线/>的相似度;基于任意两根钢绞线之间的相似度计算稳定性。
在一些实施例中,所述分类器为分类神经网络,所述分类器的训练方法包括:采集多张钢绞线图像,计算每张钢绞线图像稳定性以及每根钢绞线的形变度和平滑度,标注每张钢绞线图像中每根钢绞线的质量标签,所述质量标签为合格或不合格;将任意钢绞线图像输入所述分类器以获取输出结果,基于所述输出结果和所述钢绞线图像每根钢绞线的质量标签计算交叉熵损失函数;利用梯度下降法更新所述分类器以降低所述交叉熵损失函数,完成一次训练;执行多次训练直至所述交叉熵损失函数小于设定损失,得到训练完毕的分类器。
本申请实施例提供的上述基于图像处理的钢绞线质量检测系统,获取钢绞线图像中每根钢丝和每根钢绞线的连通域,计算每根钢丝连通域的形变度进而得到每根钢绞线的形变度;依据灰度共生矩阵的能量计算每根钢绞线表面的平滑度;考虑到钢绞线生产加工时加工质量的稳定程度,依据任意钢绞线之间的相似度计算稳定性;综合稳定性、每根钢绞线的形变度和平滑度获取钢绞线图像中每根钢绞线的质量检测结果,提高钢绞线质量检测的准确性和检测效率。
附图说明
通过参考附图阅读下文的详细描述,本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本申请的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是根据本申请实施例的一种基于图像处理的钢绞线质量检测方法的流程图;
图2是根据本申请实施例的分类器的训练方法的流程图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
应当理解,当本申请的权利要求、说明书及附图使用术语“第一”、“第二”等时,其仅是用于区别不同对象,而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
请参阅图1所示,为本申请较佳实施方式提供的基于图像处理的钢绞线质量检测方法的流程图。根据不同的需求,所述流程图中步骤的顺序可以改变,某些步骤可以省略。
S11,采集钢绞线图像,所述钢绞线图像包括多根加工完毕的钢绞线。
在一个可选的实施例中,在钢绞线生产加工的过程中,加工完毕的多根钢绞线平铺在检测台上,在多根钢绞线的上方部署有图像采集装置,用于采集钢绞线图像,所述钢绞线图像中包括多根加工完毕的钢绞线。所述钢绞线图像为单通道的灰度图像。
S12,获取所述钢绞线图像中每根钢丝的连通域,并对所有钢丝的连通域进行形态学处理,得到每根钢绞线的连通域。
在一个实施例中,一个钢绞线包括多根钢丝,不同钢丝之间有绞合在一起,即不同钢丝间具有明显的边缘,换句话说,不同钢丝间具有明显的梯度变化,故利用连通域提取算法对所述钢绞线图像进行连通域提取,得到钢丝连通域图像,所述钢丝连通域图像包括所述钢绞线图像中每根钢丝的连通域,所述连通域提取算法为分水岭算法或漫水填充算法。
可以理解地,钢丝连通域图像为二值图,在钢丝连通域图像中,属于钢丝的像素点的像素值为1,不属于钢丝的像素点的像素值为0。
在一个实施例中,由于一根钢绞线的多根钢丝在图像中的间隔较小,不同钢绞线的钢丝在图像中的间隔较大,故可依据每根钢丝的连通域获取每根钢绞线的连通域。具体地,所述对所有钢丝的连通域进行形态学处理,得到每根钢绞线的连通域包括:对所述钢丝连通域图像进行膨胀处理后,再进行腐蚀处理,得到钢绞线连通域图像,所述钢绞线连通域图像包括所述钢绞线图像中每根钢绞线的连通域。
由于先进行膨胀处理,再进行腐蚀处理可闭合钢丝连通域图像中的细小间隔,保留较大的间隔,故可将属于同一根钢绞线的多根钢丝的连通域闭合为对应钢绞线的连通域。
如此,同时获取钢绞线图像中每根钢丝的连通域,以及每根钢绞线的连通域。
S13,对一根钢丝的连通域进行距离变换,获得所述连通域中间一条像素值最大的目标线的像素值序列,计算所述像素值序列的方差以作为所述钢丝的形变度,其中所述像素值为像素点与连通域边缘的最小距离。
在一个可选的实施例中,所述对一根钢丝的连通域进行距离变换包括:对于所述钢丝的连通域内的任意像素点,计算所述像素点与连通域边缘的最小距离,作为所述像素点的像素值;其中所述最小距离为最小欧氏距离或最小棋盘距离或最小曼哈顿距离。
可以理解地,距离变换后的连通域中,靠近连通域中心位置的像素点的像素值较大,靠近连通域边缘位置的像素点的像素值较小,故可以获得所述连通域中间一条像素值最大的目标线的像素值序列,该像素值序列可以反映连通域的形状。可以理解地,若连通域为一个矩形区域时,该连通域对应目标线的像素值序列中,像素值大小相同;若连通域为不规则的区域时,该连通域对应目标线的像素值序列中,像素值大小不同;故可以依据像素值序列的方差表征钢丝是否发生了形变。
其中,所述钢丝的形变度满足关系式:
其中,为像素值序列中所有像素值的数量,/>为像素值序列中第/>个像素值,/>为像素值序列中所有像素值的均值,/>为钢丝的形变度。
如此,得到钢绞线图像中每根钢丝的形变度。
S14,对于一根钢绞线的连通域,计算所述钢绞线中所有钢丝的形变度的均值以作为所述钢绞线的形变度。
在一个可选的实施例中,所述对于一根钢绞线的连通域,计算所述钢绞线中所有钢丝的形变度的均值以作为所述钢绞线的形变度包括:计算一根钢丝的连通域与所述钢绞线的连通域之间的交集,响应于所述交集不为空集,将所述钢丝作为所述钢绞线的目标钢丝;遍历所有钢丝的连通域,得到所述钢绞线的所有目标钢丝;计算所有目标钢丝的形变度的均值,作为所述钢绞线的形变度。
可以理解地,响应于所述交集为空集,表示所述钢丝不属于所述钢绞线,即所述钢丝不为所述钢绞线的目标钢丝。
S15,将一根钢绞线的连通域与所述钢绞线图像相乘得到所述钢绞线的钢绞线区域,获取所述钢绞线区域的灰度共生矩阵,并将所述灰度共生矩阵的能量作为所述钢绞线的平滑度。
在一个实施例中,所述将一根钢绞线的连通域与所述钢绞线图像相乘得到所述钢绞线的钢绞线区域包括:对于一根钢绞线的连通域,将所述连通域内像素点的像素值置为1,所述连通域外像素点的像素值置为0,得到所述钢绞线的掩码信息;将所述掩码信息与所述钢绞线图像相乘,得到所述钢绞线的钢绞线区域。
可以理解地,所述钢绞线的钢绞线区域包括所述钢绞线的灰度图像信息。
基于所述钢绞线区域可构建灰度共生矩阵,并将灰度共生矩阵的能量作为所述钢绞线的平滑度。灰度共生矩阵的能量反映了钢绞线区域中灰度分布均匀程度和纹理的粗细度,能量越小,则所述钢绞线越平滑。
其中,灰度共生矩阵实质上是一幅图像中两个灰度等级的联合直方图,是一种二阶统计量。获取所述钢绞线区域的灰度共生矩阵的过程包括:首先将所述钢绞线区域中所有像素点划分为个灰度等级,像素点/>处的对应的灰度等级/>满足关系式:
其中,为像素点/>对应的灰度等级,/>为像素点/>的像素值,/>为灰度等级的数量,/>为向下取整函数。示例性地,灰度等级的数量/>;进一步,在设定方向和设定间隔上统计每一种灰度等级组合的出现次数,并对所述出现次数进行归一化后填入设定矩阵,得到灰度共生矩阵;其中,灰度等级组合包括任意两个灰度等级,共有/>种。
示例性地,设定方向为0度,即水平向右的方向,设定间隔为1,对于像素点而言,像素点/>和像素点/>构成一组匹配点,其中像素点/>的位置为/>则像素点/>为;将像素点/>和像素点/>的灰度等级构成了一组灰度等级组合/>,其中分别为像素点/>和像素点/>的灰度等级;按照相同的方法统计每一种灰度等级组合的出现数量后,即可构建灰度共生矩阵,灰度共生矩阵为/>行/>列的方阵,第/>行第/>列的数值表示灰度等级组合/>出现的概率,其中/>,/>。
在另一个可选的实施例中,所述方法还包括:统计所述钢绞线图像中钢绞线数量;响应于所述钢绞线数量大于设定数量,计算所述钢绞线图像中所有钢绞线的平滑度总和;对于一根钢绞线,将所述钢绞线的平滑度与所述平滑度总和的比值作为所述钢绞线更新后的平滑度。
其中,所述设定数量为10。所述钢绞线更新后的平滑度满足关系式:
其中,为钢绞线/>的平滑度,/>为所述平滑度总和,/>为钢绞线/>更新后的平滑度。
可以理解地,由于钢绞线出现质量问题为小概率事件,当所述钢绞线数量大于设定数量时,大部分钢绞线是满足质量要求的,此时钢绞线更新后的平滑度可表征对应钢绞线的平滑度与正常钢绞线的平滑度之间的差异。
S16,计算任意两根钢绞线之间的相似度以计算稳定性,所述稳定性用于表征钢绞线加工过程中的加工质量的稳定程度。
在一个实施例中,钢绞线图像中的多根钢绞线为连续生产的多根钢绞线,通过计算任意两根钢绞线之间的相似度,可获取钢绞线加工过程中的加工质量的稳定程度,为钢绞线的质量检测提供辅助信息。
具体地,所述计算任意两根钢绞线之间的相似度以计算稳定性包括:按照设定顺序对每根钢绞线的连通域进行编号;获取每根钢绞线对应的钢绞线区域,所述钢绞线区域包括对应钢绞线的灰度图像信息;对于任意两根钢绞线,计算对应钢绞线区域之间的相似度,所述相似度满足关系式:
其中,为钢绞线/>的钢绞线区域,/>为钢绞线/>的钢绞线区域,/>为钢绞线/>和钢绞线/>的相似度;基于任意两根钢绞线之间的相似度计算稳定性。其中,设定顺序为从左到右或从右到左。
其中,钢绞线区域中,钢绞线/>的连通域范围内像素点的像素值与所述钢绞线图像中的像素值相同,钢绞线/>的连通域范围外像素点的像素值为0;钢绞线区域/>和钢绞线区域/>的尺寸相同。
在一个实施例中,所述稳定性满足关系式:
其中,为所述钢绞线图像中钢绞线的数量,/>为钢绞线/>和钢绞线/>的相似度;/>为所有相似度的总数。
如此,获取钢绞线图像中每根钢绞线的形变度和平滑度,以及钢绞线图像的稳定性。
S17,将所述稳定性以及每根钢绞线的形变度和平滑度输入训练完毕的分类器,输出所述钢绞线图像中每根钢绞线的质量检测结果。
在一个实施例中,所述训练完毕的分类器可为支持向量机、分类神经网络等现有的分类算法。所述分类器的输入为任意钢绞线图像的稳定性以及钢绞线图像中每根钢绞线的形变度和平滑度,输出为所述钢绞线图像中每根钢绞线的质量检测结果,所述质量检测结果包括合格和不合格。
在一个实施例中,以所述分类器为分类神经网络为示例。图2是根据本申请实施例的分类器的训练方法的流程图。所述分类器的训练方法包括:S21,采集多张钢绞线图像,计算每张钢绞线图像稳定性以及每根钢绞线的形变度和平滑度,标注每张钢绞线图像中每根钢绞线的质量标签,所述质量标签为合格或不合格;S22,将任意钢绞线图像输入所述分类器以获取输出结果,基于所述输出结果和所述钢绞线图像每根钢绞线的质量标签计算交叉熵损失函数;S23,利用梯度下降法更新所述分类器以降低所述交叉熵损失函数,完成一次训练;S24,执行多次训练直至所述交叉熵损失函数小于设定损失,得到训练完毕的分类器。其中,设定损失为0.001。
如此,得到所述钢绞线图像中每根钢绞线的质量检测结果。
本申请实施例提供的上述基于图像处理的钢绞线质量检测系统,获取钢绞线图像中每根钢丝和每根钢绞线的连通域,计算每根钢丝连通域的形变度进而得到每根钢绞线的形变度;依据灰度共生矩阵的能量计算每根钢绞线表面的平滑度;考虑到钢绞线生产加工时加工质量的稳定程度,依据任意钢绞线之间的相似度计算稳定性;综合稳定性、每根钢绞线的形变度和平滑度获取钢绞线图像中每根钢绞线的质量检测结果,提高钢绞线质量检测的准确性和检测效率。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于图像处理的钢绞线质量检测方法,一根钢绞线包括多根钢丝,其特征在于:
采集钢绞线图像,所述钢绞线图像包括多根加工完毕的钢绞线;
获取所述钢绞线图像中每根钢丝的连通域,并对所有钢丝的连通域进行形态学处理,得到每根钢绞线的连通域;
对一根钢丝的连通域进行距离变换,获得所述连通域中间一条像素值最大的目标线的像素值序列,计算所述像素值序列的方差以作为所述钢丝的形变度,其中所述像素值为像素点与连通域边缘的最小距离;
对于一根钢绞线的连通域,计算所述钢绞线中所有钢丝的形变度的均值以作为所述钢绞线的形变度;
将一根钢绞线的连通域与所述钢绞线图像相乘得到所述钢绞线的钢绞线区域,获取所述钢绞线区域的灰度共生矩阵,并将所述灰度共生矩阵的能量作为所述钢绞线的平滑度;
计算任意两根钢绞线之间的相似度以计算稳定性,所述稳定性用于表征钢绞线加工过程中的加工质量的稳定程度,所述稳定性满足关系式:
其中,为所述钢绞线图像中钢绞线的数量,/>为钢绞线/>和钢绞线/>的相似度;
将所述稳定性以及每根钢绞线的形变度和平滑度输入训练完毕的分类器,输出所述钢绞线图像中每根钢绞线的质量检测结果。
2.如权利要求1所述的一种基于图像处理的钢绞线质量检测方法,其特征在于,所述获取所述钢绞线图像中每根钢丝的连通域包括:
利用连通域提取算法对所述钢绞线图像进行连通域提取,得到钢丝连通域图像,所述钢丝连通域图像包括所述钢绞线图像中每根钢丝的连通域;
其中所述连通域提取算法为分水岭算法或漫水填充算法。
3.如权利要求2所述的一种基于图像处理的钢绞线质量检测方法,其特征在于,所述对所有钢丝的连通域进行形态学处理,得到每根钢绞线的连通域包括:
对所述钢丝连通域图像进行膨胀处理后,再进行腐蚀处理,得到钢绞线连通域图像,所述钢绞线连通域图像包括所述钢绞线图像中每根钢绞线的连通域。
4.如权利要求1所述的一种基于图像处理的钢绞线质量检测方法,其特征在于,所述对一根钢丝的连通域进行距离变换包括:
对于所述钢丝的连通域内的任意像素点,计算所述像素点与连通域边缘的最小距离,作为所述像素点的像素值;
其中所述最小距离为最小欧氏距离或最小棋盘距离或最小曼哈顿距离。
5.如权利要求1所述的一种基于图像处理的钢绞线质量检测方法,其特征在于,所述对于一根钢绞线的连通域,计算所述钢绞线中所有钢丝的形变度的均值以作为所述钢绞线的形变度包括:
计算一根钢丝的连通域与所述钢绞线的连通域之间的交集,响应于所述交集不为空集,将所述钢丝作为所述钢绞线的目标钢丝;
遍历所有钢丝的连通域,得到所述钢绞线的所有目标钢丝;
计算所有目标钢丝的形变度的均值,作为所述钢绞线的形变度。
6.如权利要求1所述的一种基于图像处理的钢绞线质量检测方法,其特征在于,所述将一根钢绞线的连通域与所述钢绞线图像相乘得到所述钢绞线的钢绞线区域包括:
对于一根钢绞线的连通域,将所述连通域内像素点的像素值置为1,所述连通域外像素点的像素值置为0,得到所述钢绞线的掩码信息;
将所述掩码信息与所述钢绞线图像相乘,得到所述钢绞线的钢绞线区域。
7.如权利要求6所述的一种基于图像处理的钢绞线质量检测方法,其特征在于,所述方法还包括:
统计所述钢绞线图像中钢绞线数量;
响应于所述钢绞线数量大于设定数量,计算所述钢绞线图像中所有钢绞线的平滑度总和;
对于一根钢绞线,将所述钢绞线的平滑度与所述平滑度总和的比值作为所述钢绞线更新后的平滑度,所述钢绞线更新后的平滑度满足关系式:
其中,为钢绞线/>的平滑度,/>为所述平滑度总和,/>为钢绞线/>更新后的平滑度。
8.如权利要求7所述的一种基于图像处理的钢绞线质量检测方法,其特征在于,所述计算任意两根钢绞线之间的相似度以计算稳定性包括:
按照设定顺序对每根钢绞线的连通域进行编号;获取每根钢绞线对应的钢绞线区域,所述钢绞线区域包括对应钢绞线的灰度图像信息;
对于任意两根钢绞线,计算对应钢绞线区域之间的相似度,所述相似度满足关系式:
其中,为钢绞线/>的钢绞线区域,/>为钢绞线/>的钢绞线区域,/>为钢绞线/>和钢绞线/>的相似度;
基于任意两根钢绞线之间的相似度计算稳定性。
9.如权利要求1所述的一种基于图像处理的钢绞线质量检测方法,其特征在于,所述分类器为分类神经网络,所述分类器的训练方法包括:
采集多张钢绞线图像,计算每张钢绞线图像稳定性以及每根钢绞线的形变度和平滑度,标注每张钢绞线图像中每根钢绞线的质量标签,所述质量标签为合格或不合格;
将任意钢绞线图像输入所述分类器以获取输出结果,基于所述输出结果和所述钢绞线图像每根钢绞线的质量标签计算交叉熵损失函数;
利用梯度下降法更新所述分类器以降低所述交叉熵损失函数,完成一次训练;
执行多次训练直至所述交叉熵损失函数小于设定损失,得到训练完毕的分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311414844.6A CN117152140B (zh) | 2023-10-30 | 2023-10-30 | 基于图像处理的钢绞线质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311414844.6A CN117152140B (zh) | 2023-10-30 | 2023-10-30 | 基于图像处理的钢绞线质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117152140A true CN117152140A (zh) | 2023-12-01 |
CN117152140B CN117152140B (zh) | 2024-02-13 |
Family
ID=88906484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311414844.6A Active CN117152140B (zh) | 2023-10-30 | 2023-10-30 | 基于图像处理的钢绞线质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152140B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090188294A1 (en) * | 2006-03-03 | 2009-07-30 | Thyssenkrupp Steel Ag | Method and Device for Testing the Quality of a Metallic Coating |
CN104359506A (zh) * | 2014-11-06 | 2015-02-18 | 中国石油大学(北京) | 用于钢缆生产质量监测的装置和方法 |
KR101756263B1 (ko) * | 2016-03-25 | 2017-07-11 | 심성수 | 회전형 자기 탐상 장치 |
CN107506768A (zh) * | 2017-10-11 | 2017-12-22 | 电子科技大学 | 一种基于全卷积神经网络的输电线路导线断股识别方法 |
CN111707685A (zh) * | 2020-06-24 | 2020-09-25 | 海南电网有限责任公司海口供电局 | 一种绞合型碳纤维导线耐张线夹压接缺陷检测装置及方法 |
CN114937035A (zh) * | 2022-07-19 | 2022-08-23 | 江苏苏能森源电气有限公司 | 基于图像处理的电力变压器硅钢片质量检测方法及系统 |
CN116071363A (zh) * | 2023-03-27 | 2023-05-05 | 山东中济鲁源机械有限公司 | 一种自动化型钢智能生产监测系统 |
CN116342598A (zh) * | 2023-05-29 | 2023-06-27 | 天维云筑预应力科技(天津)有限公司 | 基于机器视觉的钢绞线质量检测方法 |
-
2023
- 2023-10-30 CN CN202311414844.6A patent/CN117152140B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090188294A1 (en) * | 2006-03-03 | 2009-07-30 | Thyssenkrupp Steel Ag | Method and Device for Testing the Quality of a Metallic Coating |
CN104359506A (zh) * | 2014-11-06 | 2015-02-18 | 中国石油大学(北京) | 用于钢缆生产质量监测的装置和方法 |
KR101756263B1 (ko) * | 2016-03-25 | 2017-07-11 | 심성수 | 회전형 자기 탐상 장치 |
CN107506768A (zh) * | 2017-10-11 | 2017-12-22 | 电子科技大学 | 一种基于全卷积神经网络的输电线路导线断股识别方法 |
CN111707685A (zh) * | 2020-06-24 | 2020-09-25 | 海南电网有限责任公司海口供电局 | 一种绞合型碳纤维导线耐张线夹压接缺陷检测装置及方法 |
CN114937035A (zh) * | 2022-07-19 | 2022-08-23 | 江苏苏能森源电气有限公司 | 基于图像处理的电力变压器硅钢片质量检测方法及系统 |
CN116071363A (zh) * | 2023-03-27 | 2023-05-05 | 山东中济鲁源机械有限公司 | 一种自动化型钢智能生产监测系统 |
CN116342598A (zh) * | 2023-05-29 | 2023-06-27 | 天维云筑预应力科技(天津)有限公司 | 基于机器视觉的钢绞线质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117152140B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5167442B2 (ja) | 画像識別装置およびプログラム | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN112508090B (zh) | 一种外包装缺陷检测方法 | |
CN109214420A (zh) | 基于视觉显著性检测的高纹理图像分类方法及系统 | |
CN105608459B (zh) | 商品图片的分割方法及其装置 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN108875727B (zh) | 图文标识的检测方法及装置、存储介质、处理器 | |
CN108875803A (zh) | 一种基于视频图像的危化品运输车辆检测与识别方法 | |
CN111062381B (zh) | 一种基于深度学习的车牌位置检测方法 | |
CN112347970A (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN115641327A (zh) | 一种基于大数据的建筑工程质量监理和预警系统 | |
CN110766708A (zh) | 基于轮廓相似度的图像比较方法 | |
CN106557758A (zh) | 一种沙粒显微图像的多目标自动鉴别方法 | |
Bhatia et al. | A new measure of fuzzy directed divergence and its application in image segmentation | |
CN114596463A (zh) | 一种基于图像的地块类型分类方法 | |
CN112070116B (zh) | 一种基于支持向量机的艺术画作自动分类系统及方法 | |
CN117152140B (zh) | 基于图像处理的钢绞线质量检测方法 | |
CN112037174B (zh) | 染色体异常检测方法、装置、设备及计算机可读存储介质 | |
CN111091540B (zh) | 一种基于马尔科夫随机场的主动悬架控制方法 | |
CN111199228B (zh) | 一种车牌定位的方法及装置 | |
CN116091801B (zh) | 一种基于深度学习的降雨图像相似性搜索方法 | |
CN117253150A (zh) | 一种基于高分辨率遥感图像的船舶轮廓提取方法及系统 | |
CN113192018B (zh) | 基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法 | |
CN115456113A (zh) | 一种基于星座图多特征提取算法的调制格式识别方法 | |
Das et al. | Binarization of stone inscripted documents |
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 |