CN117173160A - 基于图像处理的房车部件质量检测方法 - Google Patents
基于图像处理的房车部件质量检测方法 Download PDFInfo
- Publication number
- CN117173160A CN117173160A CN202311424310.1A CN202311424310A CN117173160A CN 117173160 A CN117173160 A CN 117173160A CN 202311424310 A CN202311424310 A CN 202311424310A CN 117173160 A CN117173160 A CN 117173160A
- Authority
- CN
- China
- Prior art keywords
- gray level
- occurrence matrix
- image
- gray
- carbon fiber
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 239000011159 matrix material Substances 0.000 claims abstract description 243
- 229920000049 Carbon (fiber) Polymers 0.000 claims abstract description 130
- 239000004917 carbon fiber Substances 0.000 claims abstract description 130
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 130
- 230000006835 compression Effects 0.000 claims abstract description 45
- 238000007906 compression Methods 0.000 claims abstract description 45
- 230000007547 defect Effects 0.000 claims abstract description 35
- 238000009825 accumulation Methods 0.000 claims description 27
- 230000002950 deficient Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000835 fiber Substances 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
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Treatment Of Fiber Materials (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于图像处理的房车部件质量检测方法,包括:获取碳纤维滚轴表面灰度图像;根据横向灰度共生矩阵中每个灰度级的列重要程度权重和行重要程度权重,获取每个灰度级的对图像纹理的重要程度;根据纵向灰度共生矩阵中每个元素的反光导致灰度变化的重要程度,获取纵向灰度共生矩阵中每个灰度级对于反光导致灰度变化的重要程度;根据碳纤维滚轴表面灰度图像的每个灰度级对图像纹理的重要程度,获取灰度级压缩区间;根据灰度级压缩区间获取缺陷灰度共生矩阵,根据缺陷灰度共生矩阵,对碳纤维滚轴进行质量检测。本发明提高了对碳纤维滚轴质量检测的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于图像处理的房车部件质量检测方法。
背景技术
碳纤维滚轴作为一种轻量且高强度的关键汽车部件,在房车行业中得到广泛应用。然而,为了确保房车的外观质量和性能,对碳纤维滚轴进行有效的质量检测至关重要。其中,可通过灰度共生矩阵技术实现对碳纤维滚轴的质量进行快速和准确的检测。
通过灰度共生矩阵技术能够量化地评估碳纤维滚轴表面的纹理特征,提供准确的统计数据。该技术方法可以快速自动地检测并分类出碳纤维滚轴表面的缺陷,提高检测的准确性和效率。在对碳纤维滚轴进行灰度共生矩阵的构建时,由于传统的灰度级压缩是均匀压缩,导致灰度共生矩阵的灰度级压缩时会受到碳纤维滚轴表面泛光的影响,使得压缩效果不好,对纹理的表现程度低。
发明内容
为了解决上述问题,本发明提供基于图像处理的房车部件质量检测方法,所述方法包括:
获取碳纤维滚轴表面灰度图像;
获取碳纤维滚轴表面灰度图像的横向灰度共生矩阵和纵向灰度共生矩阵;获取横向灰度共生矩阵中每个灰度级的行重要程度权重和列重要程度权重;根据横向灰度共生矩阵中每个灰度级的行重要程度权重和列重要程度权重,获取横向灰度共生矩阵中每个灰度级的对图像纹理的重要程度;
获取碳纤维滚轴表面灰度图像的差值灰度共生矩阵;根据差值灰度共生矩阵,获取纵向灰度共生矩阵中每个元素的反光导致灰度变化的重要程度;根据纵向灰度共生矩阵中每个元素的反光导致灰度变化的重要程度,获取纵向灰度共生矩阵中每个灰度级对于反光导致灰度变化的重要程度;根据横向灰度共生矩阵中每个灰度级的对图像纹理的重要程度和纵向灰度共生矩阵中每个灰度级对于反光导致灰度变化的重要程度,获取每个灰度级对图像纹理的重要程度;
根据每个灰度级对图像纹理的重要程度,获取所有灰度级压缩区间;根据灰度级压缩区间,获取碳纤维滚轴表面灰度图像的缺陷灰度共生矩阵;根据缺陷灰度共生矩阵,获取碳纤维滚轴表面灰度图像的缺陷区域。
优选的,所述获取横向灰度共生矩阵中每个灰度级的行重要程度权重和列重要程度权重,包括的具体方法为:
横向灰度共生矩阵中第个灰度级的行重要程度权重的计算表达式为:
式中,表示横向灰度共生矩阵中第个灰度级的行重要程度权重;表示横向灰度共生矩阵中与第个灰度级对应行的所有元素的标准差;表示横向灰度共生矩阵中与第个灰度级对应行的最大值元素;表示横向灰度共生矩阵的最大值元素;表示横向灰度共生矩阵中与第个灰度级对应行的最大值元素与横向灰度共生矩阵的最大值元素之间的距离;表示线性归一化函数;表示以自然常数为底的指数函数;
横向灰度共生矩阵中第个灰度级的列重要程度权重的计算表达式为:
式中,表示横向灰度共生矩阵中第个灰度级的列重要程度权重;表示横向灰度共生矩阵中与第个灰度级对应列的所有元素的标准差;表示横向灰度共生矩阵中与第个灰度级对应列的最大值元素;表示横向灰度共生矩阵中与第个灰度级对应列的最大值元素与横向灰度共生矩阵的最大值元素之间的距离。
优选的,所述根据横向灰度共生矩阵中每个灰度级的行重要程度权重和列重要程度权重,获取横向灰度共生矩阵中每个灰度级的对图像纹理的重要程度的具体公式为:
式中,表示横向灰度共生矩阵中第个灰度级的对图像纹理的重要程度;表示横向灰度共生矩阵中第个灰度级的列重要程度权重;表示横向灰度共生矩阵中第个灰度级的行重要程度权重;表示横向灰度共生矩阵中第个灰度级;表示横向灰度共生矩阵中与第个灰度级对应行上第列;表示横向灰度共生矩阵中与第个灰度级对应行上第列的元素;表示横向灰度共生矩阵中与第个灰度级对应列上第行;表示横向灰度共生矩阵中与第个灰度级对应列上第行的元素;表示取绝对值。
优选的,所述获取碳纤维滚轴表面灰度图像的差值灰度共生矩阵,包括的具体方法为:
将碳纤维滚轴表面灰度图像的横向灰度共生矩阵中每个元素与纵向灰度共生矩阵中每个元素的差值绝对值,作为碳纤维滚轴表面灰度图像的差值灰度共生矩阵的元素,进而获得碳纤维滚轴表面灰度图像的差值灰度共生矩阵。
优选的,所述根据差值灰度共生矩阵,获取纵向灰度共生矩阵中每个元素的反光导致灰度变化的重要程度的具体公式为:
式中,表示纵向灰度共生矩阵中第行第列元素的反光导致灰度变化的重要程度;表示差值灰度共生矩阵中第行第列元素;表示纵向灰度共生矩阵中第行第列元素;表示横向灰度共生矩阵中第行第列元素;表示取绝对值;表示第行的序号;表示第列的序号。
优选的,所述根据纵向灰度共生矩阵中每个元素的反光导致灰度变化的重要程度,获取纵向灰度共生矩阵中每个灰度级对于反光导致灰度变化的重要程度的具体公式为:
式中,表示纵向灰度共生矩阵中第个灰度级对于反光导致灰度变化的重要程度;表示纵向灰度共生矩阵中第行第列元素的反光导致灰度变化的重要程度;表示纵向灰度共生矩阵中第行第列元素的反光导致灰度变化的重要程度。
优选的,所述根据横向灰度共生矩阵中每个灰度级的对图像纹理的重要程度和纵向灰度共生矩阵中每个灰度级对于反光导致灰度变化的重要程度,获取每个灰度级对图像纹理的重要程度,包括的具体方法为:
将横向灰度共生矩阵中每个灰度级的对图像纹理的重要程度与纵向灰度共生矩阵中每个灰度级对于反光导致灰度变化的重要程度的比值,记为第一比值;将第一比值线性归一化后,作为碳纤维滚轴表面灰度图像的每个灰度级对图像纹理的重要程度。
优选的,所述根据每个灰度级对图像纹理的重要程度,获取碳纤维滚轴表面灰度图像的所有灰度级压缩区间,包括的具体方法为:
预设参数,将碳纤维滚轴表面灰度图像的所有灰度级对图像纹理的重要程度之和,记为第一和值,将第一和值与的乘积,记为第一阈值;以碳纤维滚轴表面灰度图像内值为0的灰度级作为起点,步长为1对灰度级对图像纹理的重要程度进行累加,并将每次累加结果记为第一累加值,直至第一累加值大于或等于,则将第一累加值所累加的所有灰度级,作为碳纤维滚轴表面灰度图像的第一个灰度级压缩区间;以碳纤维滚轴表面灰度图像的第一个灰度级压缩区间之后的第一个灰度级为起点,步长为1对灰度级对图像纹理的重要程度进行累加,并将每次累加结果记为第一累加值,直至第一累加值大于或等于,则将第一累加值所累加的所有灰度级,作为碳纤维滚轴表面灰度图像的第二个灰度级压缩区间;以碳纤维滚轴表面灰度图像的第二个灰度级压缩区间之后的第一个灰度级为起点,步长为1对灰度级对图像纹理的重要程度进行累加,并将每次累加结果记为第一累加值,直至第一累加值大于或等于,则将第一累加值所累加的所有灰度级,作为碳纤维滚轴表面灰度图像的第三个灰度级压缩区间;以此类推,直至累加完碳纤维滚轴表面灰度图像的所有灰度级为止,进而获得碳纤维滚轴表面灰度图像的所有灰度级压缩区间。
优选的,所述根据灰度级压缩区间,获取碳纤维滚轴表面灰度图像的缺陷灰度共生矩阵,包括的具体方法为:
将碳纤维滚轴表面灰度图像的每个灰度级压缩区间,作为纵向压缩灰度共生矩阵的灰度级,进而构建碳纤维滚轴表面灰度图像的纵向压缩灰度共生矩阵;其中,构建纵向压缩灰度共生矩阵的像素对的距离为1,构建纵向压缩灰度共生矩阵的方向为垂直方向;
将纵向压缩灰度共生矩阵内每个元素与所有元素的之和的比值,作为碳纤维滚轴表面灰度图像的缺陷灰度共生矩阵的元素,进而获得碳纤维滚轴表面灰度图像的缺陷灰度共生矩阵。
优选的,所述根据缺陷灰度共生矩阵,获取碳纤维滚轴表面灰度图像的缺陷区域,包括的具体方法为:
对于碳纤维滚轴表面灰度图像的缺陷灰度共生矩阵任意一个元素,所述元素大于或等于预设阈值,则将所述元素记为缺陷元素,进而获得所有缺陷元素,将缺陷元素对应至碳纤维滚轴表面灰度图像的像素点对,并记为标记像素点,进而获得碳纤维滚轴表面灰度图像的所有标记像素点,将所有标记像素点组成的区域,记为碳纤维滚轴表面灰度图像的缺陷区域。
本发明的技术方案的有益效果是:本发明根据横向灰度共生矩阵中每个灰度级的列重要程度权重和行重要程度权重,获取每个灰度级的对图像纹理的重要程度,以此得到每个灰度级对图像的纹理特征表现更明显,从而提高了质量检测准确性;根据纵向灰度共生矩阵中每个元素的反光导致灰度变化的重要程度,获取纵向灰度共生矩阵中每个灰度级对于反光导致灰度变化的重要程度,以此得到每个灰度级对反光的表现程度,从而得到每个灰度级对图像纹理的重要程度;从而提高了对碳纤维滚轴质量检测的准确性。
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为本发明基于图像处理的房车部件质量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基于图像处理的房车部件质量检测方法,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基于图像处理的房车部件质量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基于图像处理的房车部件质量检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取碳纤维滚轴表面灰度图像。
需要说明的是,由于碳纤维滚轴的制造过程中的纤维排列和树脂固化的原因,碳纤维滚轴的表面往往具有规律的纹理,而碳纤维滚轴上的表面缺陷会对这个纹理造成破坏,因此本实施例使用灰度共生矩阵来对碳纤维滚轴表面灰度图像进行缺陷检测。
具体的,为了实现本实施例提出的基于图像处理的房车部件质量检测方法,首先需要采集碳纤维滚轴表面灰度图像,具体过程为:
将碳纤维滚轴水平放置在工作台上,在其正上方放置工业相机对其进行图像采集,获得碳纤维滚轴表面图像;对碳纤维滚轴表面图像进行中值滤波去噪和灰度化操作得到碳纤维滚轴表面灰度图像。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。
至此,通过上述方法得到碳纤维滚轴表面灰度图像。
步骤S002:根据横向灰度共生矩阵中每个灰度级的列重要程度权重和行重要程度权重,获取横向灰度共生矩阵中每个灰度级的对图像纹理的重要程度。
1.获取碳纤维滚轴表面灰度图像的横向灰度共生矩阵和纵向灰度共生矩阵。
需要说明的是,由于碳纤维滚轴的表面反光导致的灰度变化主要集中在碳纤维滚轴表面灰度图像的水平方向上;而碳纤维滚轴自身的纹理主要集中在碳纤维滚轴表面灰度图像的垂直方向上;进而需要获取碳纤维滚轴表面灰度图像的横向灰度共生矩阵和纵向灰度共生矩阵。
具体的,根据碳纤维滚轴表面灰度图像,构建碳纤维滚轴表面灰度图像的横向灰度共生矩阵和纵向灰度共生矩阵;其中,构建横向灰度共生矩阵的像素对的距离为1,构建横向灰度共生矩阵的方向为水平方向;构建纵向灰度共生矩阵的像素对的距离为1,构建纵向灰度共生矩阵的方向为垂直方向。
至此,获得碳纤维滚轴表面灰度图像的横向灰度共生矩阵和纵向灰度共生矩阵。
2.获取横向灰度共生矩阵中每个灰度级的行重要程度权重和列重要程度权重。
需要说明的是,再对碳纤维滚轴表面灰度图像的横向灰度共生矩阵中每个灰度级进行分析时,对于图像的任意一个灰度级,在矩阵中分析与该灰度级有关的行和列,所述行和列上的元素越集中,则所述灰度级越重要;该灰度级有关的行和列中最大元素和矩阵中最大元素之间的位置距离越近,则所述灰度级越重要。
具体的,横向灰度共生矩阵中第个灰度级的行重要程度权重的计算表达式为:
式中,表示横向灰度共生矩阵中第个灰度级的行重要程度权重;表示横向灰度共生矩阵中与第个灰度级对应行的所有元素的标准差;表示横向灰度共生矩阵中与第个灰度级对应行的最大值元素;表示横向灰度共生矩阵的最大值元素;表示横向灰度共生矩阵中与第个灰度级对应行的最大值元素与横向灰度共生矩阵的最大值元素之间的距离;表示线性归一化函数;表示以自然常数为底的指数函数。
横向灰度共生矩阵中第个灰度级的列重要程度权重的计算表达式为:
式中,表示横向灰度共生矩阵中第个灰度级的列重要程度权重;表示横向灰度共生矩阵中与第个灰度级对应列的所有元素的标准差;表示横向灰度共生矩阵中与第个灰度级对应列的最大值元素;表示横向灰度共生矩阵中与第个灰度级对应列的最大值元素与横向灰度共生矩阵的最大值元素之间的距离。
至此,获得横向灰度共生矩阵中每个灰度级的行重要程度权重和列重要程度权重。
3.获取横向灰度共生矩阵中每个灰度级的对图像纹理的重要程度。
需要说明的是,对于横向灰度共生矩阵中任意一个灰度级,在矩阵中获取每个灰度级的对应列和行所有元素,在获取每个元素对应至碳纤维滚轴表面灰度图像的像素点对,若每个灰度级的对应列和行元素值越大,则说明该灰度级对图像纹理的重要程度越大,其像素点对之间的灰度值差值越大,则说明该灰度级对图像纹理的重要程度越大。
具体的,根据横向灰度共生矩阵中第个灰度级的列重要程度权重和行重要程度权重,获取第个灰度级的对图像纹理的重要程度的计算表达式为:
式中,表示横向灰度共生矩阵中第个灰度级的对图像纹理的重要程度;表示横向灰度共生矩阵中第个灰度级的列重要程度权重;表示横向灰度共生矩阵中第个灰度级的行重要程度权重;表示横向灰度共生矩阵中第个灰度级;表示横向灰度共生矩阵中与第个灰度级对应行上第列;表示横向灰度共生矩阵中与第个灰度级对应行上第列的元素;表示横向灰度共生矩阵中与第个灰度级对应列上第行;表示横向灰度共生矩阵中与第个灰度级对应列上第行的元素;表示取绝对值。
至此,获得横向灰度共生矩阵中每个灰度级的对图像纹理的重要程度。
步骤S003:根据纵向灰度共生矩阵中每个元素的反光导致灰度变化的重要程度,获取纵向灰度共生矩阵中每个灰度级对于反光导致灰度变化的重要程度。
需要说明的是,由于图像的纹理是均匀的,且在横向和纵向上的灰度变化差距不大,若碳纤维滚轴表面没有光照的影响导致的灰度变化,那么图像的横向和纵向的灰度共生矩阵计算出的纹理信息基本相同。实际中横向的灰度共生矩阵中比纵轴中主要多了碳纤维滚轴表面的反光导致的灰度变化信息,那么在横纵方向上的灰度共生矩阵中的差异就表示了碳纤维滚轴表面的反光导致的灰度变化信息。同一个位置,横向的灰度共生矩阵比纵向的矩阵的频数越高,他越能表示反光导致的灰度变化信息;横向的灰度共生矩阵比纵向的矩阵的频数越低,越说明此处的纹理信息被反光导致灰度变化所遮挡。
1.获取碳纤维滚轴表面灰度图像的差值灰度共生矩阵。
具体的,将碳纤维滚轴表面灰度图像的横向灰度共生矩阵中每个元素与纵向灰度共生矩阵中每个元素的差值绝对值,作为碳纤维滚轴表面灰度图像的差值灰度共生矩阵的元素,进而获得碳纤维滚轴表面灰度图像的差值灰度共生矩阵。
至此,获得碳纤维滚轴表面灰度图像的差值灰度共生矩阵。
2.获取纵向灰度共生矩阵中每个元素的反光导致灰度变化的重要程度。
需要说明的是,对于纵向灰度共生矩阵中第行第列元素,若该元素值越大,则该元素的反光导致灰度变化的重要程度越高,该元素对应至碳纤维滚轴表面灰度图像的像素点对之间的灰度差值越大,则该元素的反光导致灰度变化的重要程度越低;若差值灰度共生矩阵中第行第列元素值越大,则该元素的反光导致灰度变化的重要程度越高;若横向灰度共生矩阵中第行第列元素的值越大,则该元素的反光导致灰度变化的重要程度越低。
具体的,纵向灰度共生矩阵中第行第列元素的反光导致灰度变化的重要程度的计算表达式为:
式中,表示纵向灰度共生矩阵中第行第列元素的反光导致灰度变化的重要程度;表示差值灰度共生矩阵中第行第列元素;表示纵向灰度共生矩阵中第行第列元素;表示横向灰度共生矩阵中第行第列元素;表示取绝对值;表示第行的序号;表示第列的序号。
至此,获得纵向灰度共生矩阵中每个元素的反光导致灰度变化的重要程度。
3.获取纵向灰度共生矩阵中每个灰度级对于反光导致灰度变化的重要程度。
需要说明的是,纵向灰度共生矩阵中第行第列元素的反光导致灰度变化的重要程度越大;则说明纵向灰度共生矩阵中第行第列元素所对应的灰度级对于反光导致灰度变化的重要程度越大。
具体的,纵向灰度共生矩阵中第个灰度级对于反光导致灰度变化的重要程度的计算表示为:
式中,表示纵向灰度共生矩阵中第个灰度级对于反光导致灰度变化的重要程度;表示纵向灰度共生矩阵中第行第列元素的反光导致灰度变化的重要程度;表示纵向灰度共生矩阵中第行第列元素的反光导致灰度变化的重要程度。
至此,通过上述方法得到纵向灰度共生矩阵中每个灰度级对于反光导致灰度变化的重要程度。
步骤S004:根据碳纤维滚轴表面灰度图像的每个灰度级对图像纹理的重要程度,获取灰度级压缩区间;根据灰度级压缩区间获取缺陷灰度共生矩阵,根据缺陷灰度共生矩阵,对碳纤维滚轴进行质量检测。
需要说明的是,由于碳纤维滚轴表面较为光滑,且表面具有弧度变化,因此它的表面光照分布不均匀,导致表面的灰度值分布不均匀,这导致在进行灰度共生矩阵时灰度级的压缩较为困难,需要进行手动调参。因此本实施例根据纵向灰度共生矩阵中每个灰度级对于反光导致灰度变化的重要程度和横向灰度共生矩阵中每个灰度级的对图像纹理的重要程度,获取碳纤维滚轴表面灰度图像的每个灰度级对图像纹理的重要程度,根据每个灰度级对图像纹理的重要程度,将碳纤维滚轴表面灰度图像的灰度级进行分级压缩,使得灰度共生矩阵的灰度级压缩更能表现图像纹理。
进一步需要说明的是,若纵向灰度共生矩阵中灰度级对于反光导致灰度变化的重要程度越小,则该灰度级对图像纹理的重要程度越低,若横向灰度共生矩阵中灰度级的对图像纹理的重要程度越大,则该灰度级对图像纹理的重要程度越高。
具体的,碳纤维滚轴表面灰度图像的第个灰度级对图像纹理的重要程度的计算表达式为:
式中,表示碳纤维滚轴表面灰度图像的第个灰度级对图像纹理的重要程度;表示横向灰度共生矩阵中第个灰度级的第个灰度级的对图像纹理的重要程度;表示纵向灰度共生矩阵中第个灰度级对于反光导致灰度变化的重要程度;表示线性归一化函数。
至此,获得碳纤维滚轴表面灰度图像的每个灰度级对图像纹理的重要程度。
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。
将碳纤维滚轴表面灰度图像的所有灰度级对图像纹理的重要程度之和,记为第一和值,将第一和值与的乘积,记为第一阈值;以碳纤维滚轴表面灰度图像内值为0的灰度级作为起点,步长为1对灰度级对图像纹理的重要程度进行累加,并将每次累加结果记为第一累加值,直至第一累加值大于或等于,则将第一累加值所累加的所有灰度级,作为碳纤维滚轴表面灰度图像的第一个灰度级压缩区间;以碳纤维滚轴表面灰度图像的第一个灰度级压缩区间之后的第一个灰度级为起点,步长为1对灰度级对图像纹理的重要程度进行累加,并将每次累加结果记为第一累加值,直至第一累加值大于或等于,则将第一累加值所累加的所有灰度级,作为碳纤维滚轴表面灰度图像的第二个灰度级压缩区间;以碳纤维滚轴表面灰度图像的第二个灰度级压缩区间之后的第一个灰度级为起点,步长为1对灰度级对图像纹理的重要程度进行累加,并将每次累加结果记为第一累加值,直至第一累加值大于或等于,则将第一累加值所累加的所有灰度级,作为碳纤维滚轴表面灰度图像的第三个灰度级压缩区间;以此类推,直至累加完碳纤维滚轴表面灰度图像的所有灰度级为止,进而获得碳纤维滚轴表面灰度图像的所有灰度级压缩区间。其中,最后一次累加时,第一累加值不满足大于或等于,也将其视为一个灰度级压缩区间。
构建碳纤维滚轴表面灰度图像的纵向压缩灰度共生矩阵;其中,构建纵向压缩灰度共生矩阵的像素对的距离为1和方向为垂直方向;将碳纤维滚轴表面灰度图像的每个灰度级压缩区间,作为纵向压缩灰度共生矩阵的灰度级;将纵向压缩灰度共生矩阵内每个元素与所有元素的之和的比值,作为碳纤维滚轴表面灰度图像的缺陷灰度共生矩阵的元素,进而获得碳纤维滚轴表面灰度图像的缺陷灰度共生矩阵。
预设一个阈值,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。
对于碳纤维滚轴表面灰度图像的缺陷灰度共生矩阵任意一个元素,所述元素大于或等于预设阈值,则将所述元素记为缺陷元素,进而获得所有缺陷元素,将缺陷元素对应至碳纤维滚轴表面灰度图像的像素点对,并记为标记像素点,进而获得碳纤维滚轴表面灰度图像的所有标记像素点,将所有标记像素点组成的区域,记为碳纤维滚轴表面灰度图像的缺陷区域,进而完成碳纤维滚轴的质量检测。
至此,本实施例完成。
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 (10)
1.基于图像处理的房车部件质量检测方法,其特征在于,该方法包括以下步骤:
获取碳纤维滚轴表面灰度图像;
获取碳纤维滚轴表面灰度图像的横向灰度共生矩阵和纵向灰度共生矩阵;获取横向灰度共生矩阵中每个灰度级的行重要程度权重和列重要程度权重;根据横向灰度共生矩阵中每个灰度级的行重要程度权重和列重要程度权重,获取横向灰度共生矩阵中每个灰度级的对图像纹理的重要程度;
获取碳纤维滚轴表面灰度图像的差值灰度共生矩阵;根据差值灰度共生矩阵,获取纵向灰度共生矩阵中每个元素的反光导致灰度变化的重要程度;根据纵向灰度共生矩阵中每个元素的反光导致灰度变化的重要程度,获取纵向灰度共生矩阵中每个灰度级对于反光导致灰度变化的重要程度;根据横向灰度共生矩阵中每个灰度级的对图像纹理的重要程度和纵向灰度共生矩阵中每个灰度级对于反光导致灰度变化的重要程度,获取每个灰度级对图像纹理的重要程度;
根据每个灰度级对图像纹理的重要程度,获取所有灰度级压缩区间;根据灰度级压缩区间,获取碳纤维滚轴表面灰度图像的缺陷灰度共生矩阵;根据缺陷灰度共生矩阵,获取碳纤维滚轴表面灰度图像的缺陷区域。
2.根据权利要求1所述基于图像处理的房车部件质量检测方法,其特征在于,所述获取横向灰度共生矩阵中每个灰度级的行重要程度权重和列重要程度权重,包括的具体方法为:
横向灰度共生矩阵中第个灰度级的行重要程度权重的计算表达式为:
式中,表示横向灰度共生矩阵中第个灰度级的行重要程度权重;表示横向灰度共生矩阵中与第个灰度级对应行的所有元素的标准差;表示横向灰度共生矩阵中与第个灰度级对应行的最大值元素;表示横向灰度共生矩阵的最大值元素;表示横向灰度共生矩阵中与第个灰度级对应行的最大值元素与横向灰度共生矩阵的最大值元素之间的距离;表示线性归一化函数;表示以自然常数为底的指数函数;
横向灰度共生矩阵中第个灰度级的列重要程度权重的计算表达式为:
式中,表示横向灰度共生矩阵中第个灰度级的列重要程度权重;表示横向灰度共生矩阵中与第个灰度级对应列的所有元素的标准差;表示横向灰度共生矩阵中与第个灰度级对应列的最大值元素;表示横向灰度共生矩阵中与第个灰度级对应列的最大值元素与横向灰度共生矩阵的最大值元素之间的距离。
3.根据权利要求1所述基于图像处理的房车部件质量检测方法,其特征在于,所述根据横向灰度共生矩阵中每个灰度级的行重要程度权重和列重要程度权重,获取横向灰度共生矩阵中每个灰度级的对图像纹理的重要程度的具体公式为:
式中,表示横向灰度共生矩阵中第个灰度级的对图像纹理的重要程度;表示横向灰度共生矩阵中第个灰度级的列重要程度权重;表示横向灰度共生矩阵中第个灰度级的行重要程度权重;表示横向灰度共生矩阵中第个灰度级;表示横向灰度共生矩阵中与第个灰度级对应行上第列;表示横向灰度共生矩阵中与第个灰度级对应行上第列的元素;表示横向灰度共生矩阵中与第个灰度级对应列上第行;表示横向灰度共生矩阵中与第个灰度级对应列上第行的元素;表示取绝对值。
4.根据权利要求1所述基于图像处理的房车部件质量检测方法,其特征在于,所述获取碳纤维滚轴表面灰度图像的差值灰度共生矩阵,包括的具体方法为:
将碳纤维滚轴表面灰度图像的横向灰度共生矩阵中每个元素与纵向灰度共生矩阵中每个元素的差值绝对值,作为碳纤维滚轴表面灰度图像的差值灰度共生矩阵的元素,进而获得碳纤维滚轴表面灰度图像的差值灰度共生矩阵。
5.根据权利要求1所述基于图像处理的房车部件质量检测方法,其特征在于,所述根据差值灰度共生矩阵,获取纵向灰度共生矩阵中每个元素的反光导致灰度变化的重要程度的具体公式为:
式中,表示纵向灰度共生矩阵中第行第列元素的反光导致灰度变化的重要程度;表示差值灰度共生矩阵中第行第列元素;表示纵向灰度共生矩阵中第行第列元素;表示横向灰度共生矩阵中第行第列元素;表示取绝对值;表示第行的序号;表示第列的序号。
6.根据权利要求1所述基于图像处理的房车部件质量检测方法,其特征在于,所述根据纵向灰度共生矩阵中每个元素的反光导致灰度变化的重要程度,获取纵向灰度共生矩阵中每个灰度级对于反光导致灰度变化的重要程度的具体公式为:
式中,表示纵向灰度共生矩阵中第个灰度级对于反光导致灰度变化的重要程度;表示纵向灰度共生矩阵中第行第列元素的反光导致灰度变化的重要程度;表示纵向灰度共生矩阵中第行第列元素的反光导致灰度变化的重要程度。
7.根据权利要求1所述基于图像处理的房车部件质量检测方法,其特征在于,所述根据横向灰度共生矩阵中每个灰度级的对图像纹理的重要程度和纵向灰度共生矩阵中每个灰度级对于反光导致灰度变化的重要程度,获取每个灰度级对图像纹理的重要程度,包括的具体方法为:
将横向灰度共生矩阵中每个灰度级的对图像纹理的重要程度与纵向灰度共生矩阵中每个灰度级对于反光导致灰度变化的重要程度的比值,记为第一比值;将第一比值线性归一化后,作为碳纤维滚轴表面灰度图像的每个灰度级对图像纹理的重要程度。
8.根据权利要求1所述基于图像处理的房车部件质量检测方法,其特征在于,所述根据每个灰度级对图像纹理的重要程度,获取碳纤维滚轴表面灰度图像的所有灰度级压缩区间,包括的具体方法为:
预设参数,将碳纤维滚轴表面灰度图像的所有灰度级对图像纹理的重要程度之和,记为第一和值,将第一和值与的乘积,记为第一阈值;以碳纤维滚轴表面灰度图像内值为0的灰度级作为起点,步长为1对灰度级对图像纹理的重要程度进行累加,并将每次累加结果记为第一累加值,直至第一累加值大于或等于,则将第一累加值所累加的所有灰度级,作为碳纤维滚轴表面灰度图像的第一个灰度级压缩区间;以碳纤维滚轴表面灰度图像的第一个灰度级压缩区间之后的第一个灰度级为起点,步长为1对灰度级对图像纹理的重要程度进行累加,并将每次累加结果记为第一累加值,直至第一累加值大于或等于,则将第一累加值所累加的所有灰度级,作为碳纤维滚轴表面灰度图像的第二个灰度级压缩区间;以碳纤维滚轴表面灰度图像的第二个灰度级压缩区间之后的第一个灰度级为起点,步长为1对灰度级对图像纹理的重要程度进行累加,并将每次累加结果记为第一累加值,直至第一累加值大于或等于,则将第一累加值所累加的所有灰度级,作为碳纤维滚轴表面灰度图像的第三个灰度级压缩区间;以此类推,直至累加完碳纤维滚轴表面灰度图像的所有灰度级为止,进而获得碳纤维滚轴表面灰度图像的所有灰度级压缩区间。
9.根据权利要求1所述基于图像处理的房车部件质量检测方法,其特征在于,所述根据灰度级压缩区间,获取碳纤维滚轴表面灰度图像的缺陷灰度共生矩阵,包括的具体方法为:
将碳纤维滚轴表面灰度图像的每个灰度级压缩区间,作为纵向压缩灰度共生矩阵的灰度级,进而构建碳纤维滚轴表面灰度图像的纵向压缩灰度共生矩阵;其中,构建纵向压缩灰度共生矩阵的像素对的距离为1,构建纵向压缩灰度共生矩阵的方向为垂直方向;
将纵向压缩灰度共生矩阵内每个元素与所有元素的之和的比值,作为碳纤维滚轴表面灰度图像的缺陷灰度共生矩阵的元素,进而获得碳纤维滚轴表面灰度图像的缺陷灰度共生矩阵。
10.根据权利要求1所述基于图像处理的房车部件质量检测方法,其特征在于,所述根据缺陷灰度共生矩阵,获取碳纤维滚轴表面灰度图像的缺陷区域,包括的具体方法为:
对于碳纤维滚轴表面灰度图像的缺陷灰度共生矩阵任意一个元素,所述元素大于或等于预设阈值,则将所述元素记为缺陷元素,进而获得所有缺陷元素,将缺陷元素对应至碳纤维滚轴表面灰度图像的像素点对,并记为标记像素点,进而获得碳纤维滚轴表面灰度图像的所有标记像素点,将所有标记像素点组成的区域,记为碳纤维滚轴表面灰度图像的缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311424310.1A CN117173160B (zh) | 2023-10-31 | 2023-10-31 | 基于图像处理的房车部件质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311424310.1A CN117173160B (zh) | 2023-10-31 | 2023-10-31 | 基于图像处理的房车部件质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117173160A true CN117173160A (zh) | 2023-12-05 |
CN117173160B CN117173160B (zh) | 2024-01-26 |
Family
ID=88943391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311424310.1A Active CN117173160B (zh) | 2023-10-31 | 2023-10-31 | 基于图像处理的房车部件质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117173160B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117974639A (zh) * | 2024-03-28 | 2024-05-03 | 山东正为新材料科技有限公司 | 基于图像数据的密封胶异常状态检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108682040A (zh) * | 2018-05-21 | 2018-10-19 | 努比亚技术有限公司 | 一种素描图像生成方法、终端及计算机可读存储介质 |
CN110189297A (zh) * | 2019-04-18 | 2019-08-30 | 杭州电子科技大学 | 一种基于灰度共生矩阵的磁性材料外观缺陷检测方法 |
CN112950526A (zh) * | 2019-11-25 | 2021-06-11 | 合肥欣奕华智能机器有限公司 | 一种显示缺陷的检测方法及装置 |
KR20210100992A (ko) * | 2020-02-07 | 2021-08-18 | 광주과학기술원 | 금형 표면검사장치를 이용한 표면검사방법 |
CN115019066A (zh) * | 2022-06-30 | 2022-09-06 | 合肥工业大学 | 基于加权平均处理的三元灰度共生矩阵图像识别方法 |
CN115239730A (zh) * | 2022-09-23 | 2022-10-25 | 南通梦洁家纺有限公司 | 一种基于图像处理的纺织毛刷辊磨损分析的寿命预测方法 |
CN115272303A (zh) * | 2022-09-26 | 2022-11-01 | 睿贸恒诚(山东)科技发展有限责任公司 | 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 |
CN115830023A (zh) * | 2023-02-16 | 2023-03-21 | 山东中都机器有限公司 | 基于图像处理的胶带输送机传输带缺陷检测方法 |
CN116757972A (zh) * | 2023-08-23 | 2023-09-15 | 山东鑫成源服装有限公司 | 一种抗光影噪声影响的织物缺陷检测方法 |
-
2023
- 2023-10-31 CN CN202311424310.1A patent/CN117173160B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108682040A (zh) * | 2018-05-21 | 2018-10-19 | 努比亚技术有限公司 | 一种素描图像生成方法、终端及计算机可读存储介质 |
CN110189297A (zh) * | 2019-04-18 | 2019-08-30 | 杭州电子科技大学 | 一种基于灰度共生矩阵的磁性材料外观缺陷检测方法 |
CN112950526A (zh) * | 2019-11-25 | 2021-06-11 | 合肥欣奕华智能机器有限公司 | 一种显示缺陷的检测方法及装置 |
KR20210100992A (ko) * | 2020-02-07 | 2021-08-18 | 광주과학기술원 | 금형 표면검사장치를 이용한 표면검사방법 |
CN115019066A (zh) * | 2022-06-30 | 2022-09-06 | 合肥工业大学 | 基于加权平均处理的三元灰度共生矩阵图像识别方法 |
CN115239730A (zh) * | 2022-09-23 | 2022-10-25 | 南通梦洁家纺有限公司 | 一种基于图像处理的纺织毛刷辊磨损分析的寿命预测方法 |
CN115272303A (zh) * | 2022-09-26 | 2022-11-01 | 睿贸恒诚(山东)科技发展有限责任公司 | 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 |
CN115830023A (zh) * | 2023-02-16 | 2023-03-21 | 山东中都机器有限公司 | 基于图像处理的胶带输送机传输带缺陷检测方法 |
CN116757972A (zh) * | 2023-08-23 | 2023-09-15 | 山东鑫成源服装有限公司 | 一种抗光影噪声影响的织物缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
XIAOMING JIANG 等: "Texture Segmentation of Urinary Sediment Image based on a Weighted Gaussian Mixture Model with Markov Random Fields", 《PROCEEDINGS OF THE 2018 7TH INTERNATIONAL CONFERENCE ON BIOINFORMATICS AND BIOMEDICAL SCIENCE》, pages 82 * |
邓拥军 等: "一种基于机器视觉的石材缺陷检测方法", 《机械设计与制造》, pages 150 - 154 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117974639A (zh) * | 2024-03-28 | 2024-05-03 | 山东正为新材料科技有限公司 | 基于图像数据的密封胶异常状态检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117173160B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402226A (zh) | 一种基于级联卷积神经网络的表面疵点检测方法 | |
CN117173160B (zh) | 基于图像处理的房车部件质量检测方法 | |
CN111383209A (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN112651968A (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN115684176B (zh) | 一种薄膜表面缺陷在线视觉检测系统 | |
CN117437223B (zh) | 一种高速板对板连接器缺陷智能检测方法 | |
CN115100203A (zh) | 一种钢筋打磨除锈质量检测方法 | |
CN116580021B (zh) | 一种环保混凝土降碳制品生产及质量检测方法 | |
CN114972194B (zh) | 一种从不一致标签中检测缺陷的方法 | |
CN117635609B (zh) | 一种塑胶产品生产质量视觉检测方法 | |
CN115147418B (zh) | 缺陷检测模型的压缩训练方法和装置 | |
CN115797361B (zh) | 一种铝模板表面缺陷检测方法 | |
CN118096796B (zh) | 基于机器学习的径锻钛棒外观视觉检测方法 | |
CN116993742A (zh) | 基于机器视觉的镍合金轧制缺陷检测方法 | |
CN114881960A (zh) | 基于特征增强的布匹直线型缺陷检测方法和系统 | |
CN117808796B (zh) | 一种基于计算机视觉的齿轮表面损伤检测方法 | |
CN110458809B (zh) | 一种基于亚像素边缘检测的纱线条干均匀度检测方法 | |
CN117372422B (zh) | 用于零件生产的材料折弯程度检测方法 | |
CN109934231B (zh) | 基于多方向灰度共生矩阵的棒材端面字符图像识别方法 | |
CN116168024B (zh) | 基于计算机视觉的瓦楞纸生产质量实时检测方法 | |
CN117252874A (zh) | 一种塑胶模具生产质量视觉检测方法 | |
CN112750119A (zh) | 一种面向白玻璃盖板表面微弱缺陷的检测与测量方法 | |
CN117274203B (zh) | 一种环保塑料制品表面质量视觉检测方法 | |
CN116452587B (zh) | 一种环保建筑结构钢板缺陷识别方法 |
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 |