CN117197127B - 一种基于机器视觉的汽车端子检测方法 - Google Patents
一种基于机器视觉的汽车端子检测方法 Download PDFInfo
- Publication number
- CN117197127B CN117197127B CN202311444195.4A CN202311444195A CN117197127B CN 117197127 B CN117197127 B CN 117197127B CN 202311444195 A CN202311444195 A CN 202311444195A CN 117197127 B CN117197127 B CN 117197127B
- Authority
- CN
- China
- Prior art keywords
- flatness
- automobile terminal
- image
- rust
- gradient
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000005260 corrosion Methods 0.000 claims abstract description 75
- 230000007797 corrosion Effects 0.000 claims abstract description 75
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims abstract description 71
- 230000000007 visual effect Effects 0.000 claims abstract description 37
- 238000010586 diagram Methods 0.000 claims abstract description 29
- 238000004891 communication Methods 0.000 claims abstract description 28
- 230000004913 activation Effects 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 26
- 108091006146 Channels Proteins 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 230000008485 antagonism Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 230000008054 signal transmission Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器视觉的汽车端子检测方法,包括:确定汽车端子图像中像素点的光洁平整度和锈蚀递变程度指数;基于全连通无向图确定锈蚀度相异系数并计算全连通无向图中各个节点的边权;基于边权得到激活图并得到汽车端子锈蚀视觉显著图;对汽车端子锈蚀视觉显著图进行分割,获得汽车端子锈蚀区域图像。通过汽车端子图像的光洁平整度、锈蚀递变程度指数结合视觉显著性算法获得特征图,进而构建无向图,基于无向图中的边权获得激活图,将激活图叠加获得锈蚀视觉显著图,并基于锈蚀视觉显著图确定汽车端子检测结果,提高了汽车端子锈蚀情况检测的准确性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于机器视觉的汽车端子检测方法。
背景技术
汽车端子是汽车信号传输的纽带,在汽车的各种功能中起到至关重要的作用。比如,对于汽车音响、汽车鸣笛,通过连接线路与模块之间的信号传输实现音频播放或鸣笛的功能,其中汽车端子普遍作为传输的纽带,以实现汽车的各种功能。
在潮湿天气或者洗车时汽车端子可能被淋水,在汽车端子上的水分未干的情况下继续使用汽车端子,很容易导致汽车端子被锈蚀。汽车端子锈蚀会导致汽车信号传输的间断,从而导致其相关功能受阻,这会带来很大的安全隐患。随着机器视觉的发展,利用图像分割技术识别汽车端子的锈蚀情况成为主流方法。当前的GBVS(Graph Based VisualSaliency,基于图的视觉显著性)检测算法主要基于图像内部颜色、纹理以及边缘计算显著性值。主要是根据像素点间的像素值相似度以及像素点位置间的欧氏距离计算边权,而汽车端子的锈蚀会导致不同部位的汽车端子亮度不同,汽车端子正常区域表面较为光洁,其光洁的金属表面容易产生曝光效应,所以传统GBVS视觉显著性检测算法有较大的可能会产生误判,也即传统显著性检测算法区分汽车端子的正常区域与锈蚀区域的准确性不够高。
发明内容
本发明提供一种基于机器视觉的汽车端子检测方法,旨在提高汽车端子锈蚀情况检测的准确性。
为实现上述目的,本发明提供一种基于机器视觉的汽车端子检测方法,所述方法包括:
基于待检测汽车端子的汽车端子图像确定像素点的锈蚀递变程度指数;
基于汽车端子的全连通无向图中每个节点的锈蚀递变程度指数确定锈蚀度相异系数;
基于所述锈蚀递变程度指数、欧式距离、所述锈蚀度相异系数计算各个节点的边权;
基于全连通无向图的边权得到对应全连通无向图的激活图;
各个特征通道的激活图相加,并把亮度和方向特征通道激活图叠加,就得到的汽车端子锈蚀视觉显著图;
基于大津阈值分割算法对所述汽车端子锈蚀视觉显著图进行分割,获得汽车端子锈蚀区域图像。
可选地,所述基于待检测汽车端子的汽车端子图像确定像素点的锈蚀递变程度指数包括:
获取待检测汽车端子的汽车端子图像,基于所述汽车端子图像确定每个像素点的灰度值和亮度值;
基于所述灰度值和所述亮度值确定各个像素点的光洁平整度,并基于所述光洁平整度确定像素点的锈蚀递变程度指数。
可选地,所述获取待检测汽车端子的汽车端子图像,基于所述汽车端子图像确定每个像素点的灰度值和亮度值包括:
获取汽车端子图像,对所述汽车端子图像进行去噪,将去噪后的汽车端子图像转换成汽车端子灰度图像,获取每个像素点的灰度值;
将所述汽车端子图像转化为lab颜色空间图像,并获取每个像素点的亮度值。
可选地,所述基于所述灰度值和所述亮度值确定各个像素点的光洁平整度,并基于所述光洁平整度确定像素点的锈蚀递变程度指数包括:
在汽车端子灰度图像中分别以各个像素点为中心像素点设置预设大小的滑动窗口;
基于所述滑动窗口内像素点的亮度值、灰度值以及预设亮度权重、预设灰度权重确定各个像素点的光洁平整度;
利用Sobel算子获取每个像素点的平整度梯度,基于所述光洁平整度和所述平整度梯度确定锈蚀递变程度指数。
可选地,所述方法利用Sobel算子获取每个像素点的平整度梯度,基于所述光洁平整度和所述平整度梯度确定锈蚀递变程度指数包括:
基于所述光洁平整度和所述平整度梯度确定各个像素点属于锈蚀区域边缘的锈蚀边缘概率;
基于所述滑动窗口矩阵,获得相邻光洁平整度差分矩阵;
基于所述相邻光洁平整度差分矩阵中的相关数据以及各个像素点的光洁平整度、锈蚀边缘概率确定锈蚀递变程度指数。
可选地,所述基于所述光洁平整度和所述平整度梯度确定各个像素点属于锈蚀区域边缘的锈蚀边缘概率包括:
对所述滑动窗口内的各个像素点的平整度梯度进行随机采样,将采样结果表示为平整度梯度矩阵;
对所述平整度梯度矩阵中的平整度梯度进行随机采样,获得平整度梯度序列;
基于所述光洁平整度和所述平整度梯度序列计算每个像素点的锈蚀边缘概率。
可选地,所述基于所述滑动窗口矩阵,获得相邻光洁平整度差分矩阵包括:
获取每个像素点的光洁平整度,并对所述光洁平整度进行统计,将获得的光洁平整度级别确定为所述相邻光洁平整度差分矩阵的第一列;
统计所述第一列中各个光洁平整度出现的第一频数,将所述第一频数确定为所述相邻光洁平整度差分矩阵的第二列;
将所述滑动窗口内各个光洁平整度出现的第二频数,将所述第二频数确定为所述相邻光洁平整度差分矩阵的第三列;
计算所述滑动窗口中各个相邻像素点的光洁平整度差异之和,将光洁平整度差异之和保存至所述相邻光洁平整度差分矩阵的第四列。
可选地,所述基于汽车端子的全连通无向图中每个节点的锈蚀递变程度指数确定锈蚀度相异系数之前,还包括:
基于视觉显著性算法提取汽车端子灰度图像的图像特征,获得若干个汽车端子特征图;
对每一幅汽车端子特征图,均以每个像素点为节点,构建全连通无向图。
可选地,所述基于视觉显著性算法提取所述汽车端子灰度图像的图像特征,获得若干个汽车端子特征图包括:
根据得到的汽车端子灰度图像,利用预设尺度的高斯金字塔进行下采样,获得多张下采样图像;
将最后三次下采样获得的下采样图像确定为下采样目标图像;
计算每张下采样图像的图像特征,其中所述图像特征包括颜色特征和方向特征,其中所述颜色特征包括红色、绿色、蓝色和黄色特征;
基于所述颜色特征获得亮度特征图、多张颜色拮抗特征图,基于所述方向特征获得多张方向特征图;
将所述亮度特征图和所述方向特征图进行归一化操作,获得汽车端子特征图。
可选地,所述基于大津阈值分割算法对所述汽车端子锈蚀视觉显著图进行分割,获得汽车端子锈蚀区域图像包括:
统计所述汽车端子锈蚀视觉显著图的灰度值区间;
将所述灰度值区间内的每一个灰度值作为初始阈值,基于所述初始阈值将所述灰度值区间分为第一区间和第二区间;
统计所述第一区间、第二区间内灰度值的个数占灰度值总个数的比例获得第一比例和第二比例,并计算所述第一区间第一灰度值均值、计算所述第二区间第二灰度值均值、总灰度均值;
基于所述第一比例、第二比例、第一灰度值均值、第二灰度值均值以及总灰度均值计算各个初始阈值对应的类间方差;
将类间方差最大的初始阈值确定为分割阈值,基于所述分割阈值对所述汽车端子锈蚀视觉显著图进行分割,获得汽车端子锈蚀区域图像。
相比现有技术,本发明提出的一种基于机器视觉的汽车端子检测方法,方法包括:基于待检测汽车端子的汽车端子图像确定像素点的锈蚀递变程度指数;基于汽车端子的全连通无向图中每个节点的锈蚀递变程度指数确定锈蚀度相异系数;基于所述锈蚀递变程度指数、欧式距离、所述锈蚀度相异系数计算各个节点的边权;基于全连通无向图的边权得到对应全连通无向图的激活图;各个特征通道的激活图相加,并把亮度和方向特征通道激活图叠加,就得到的汽车端子锈蚀视觉显著图;基于大津阈值分割算法对所述汽车端子锈蚀视觉显著图进行分割,获得汽车端子锈蚀区域图像。如此,根据锈蚀递变程度指数、欧式距离、锈蚀度相异系数获得边权,然后基于全连通无向图中各个节点的边权获得多个激活图,将激活图叠加获得汽车端子锈蚀视觉显著图,并基于汽车端子锈蚀视觉显著图确定汽车端子检测结果,提高了汽车端子锈蚀情况检测的准确性。
附图说明
图1是本发明基于机器视觉的汽车端子检测方法第一实施例的流程示意图;
图2是本发明基于机器视觉的汽车端子检测方法第一实施例的第一细化流程示意图;
图3是本发明基于机器视觉的汽车端子检测方法第一实施例的涉及的场景示意图;
图4是本发明基于机器视觉的汽车端子检测方法第一实施例的第二细化流程示意图;
图5是本发明基于机器视觉的汽车端子检测方法第一实施例的又一流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参照图1,图1是本发明基于机器视觉的汽车端子检测方法第一实施例的流程示意图。如图1所示,本发明第一实施例提出一种基于机器视觉的汽车端子检测方法,所述方法包括:
步骤S101,基于待检测汽车端子的汽车端子图像确定像素点的锈蚀递变程度指数;
具体地,参照图2,图2是本发明基于机器视觉的汽车端子检测方法第一实施例的第一细化流程示意图,如图2所示,步骤S101包括,
步骤S1011,获取待检测汽车端子的汽车端子图像,基于所述汽车端子图像确定每个像素点的灰度值和亮度值;
本实施例中,获取汽车端子图像,对所述汽车端子图像进行去噪,将去噪后的汽车端子图像转换成汽车端子灰度图像,获取每个像素点的灰度值;将所述汽车端子图像转化为lab颜色空间图像,并获取每个像素点的亮度值。
具体地,通过CCD(Charge Coupled Device,电荷耦合元件)相机对待检测汽车端子进行拍摄,为了对待检测汽车端子进行全面检测可以从不同角度拍摄多张照片,获得待检测汽车端子在RGB(Red Green Blue,红绿蓝)色彩模式下的汽车端子图像。参考图3,图3是本发明基于机器视觉的汽车端子检测方法第一实施例的涉及的场景示意图,图3所示为一个待检测的汽车端子的汽车端子图像。
通过高斯滤波对汽车端子图像进行去噪,然后将RGB色差模式的汽车端子图像转换成汽车端子灰度图像,基于该汽车端子灰度图像获得每个像素点的灰度值。
根据汽车端子灰度图像,由于没有发生锈蚀的汽车端子,其端子表面较为光洁,并且端子表面属于金属材质,所以没有发生锈蚀的汽车端子表面会有反光效应,即亮度较高。而发生锈蚀的汽车端子,锈蚀区域表面较为粗糙且不具备反光效应,会导致锈蚀区域表面亮度较低。此外,汽车端子的拍摄场景下,属于背景的区域具备较弱的反光效应,其亮度较高,并且背景区域灰度较为均匀。因此,将原图像转化为lab颜色空间上的图像,获取亮度维度的像素值。
Lab是由一个亮度通道(channel)和两个颜色通道组成的。在Lab颜色空间中,每个颜色用L、a、b三个数字表示,L代表亮度,a表示红色减绿色,b表示绿色减蓝色,一般地,L越大亮度越高,L为0时代表黑色,为100时代表白色。本实施例将汽车端子图像转化为lab颜色空间图像,并基于Lab颜色空间图像获得每个像素点的亮度值。
步骤S1012,基于所述灰度值和所述亮度值确定各个像素点的光洁平整度,并基于所述光洁平整度确定像素点的锈蚀递变程度指数;
图4是本发明基于机器视觉的汽车端子检测方法第一实施例的第二细化流程示意图。如图4所示,步骤S1012包括:
步骤S10121:在汽车端子灰度图像中分别以各个像素点为中心像素点设置预设大小的滑动窗口;
本实施例基于汽车端子灰度图像中的每一个像素点划定一个滑动窗口,其中,滑动窗口的大小可以是5×5。
步骤S10122:基于所述滑动窗口内像素点的亮度值、灰度值以及预设亮度权重、预设灰度权重确定各个像素点的光洁平整度;
基于灰度值计算滑动窗口内像素点的灰度均值,将光洁平整度表示为,则:
;
其中,表示归一化函数,/>表示像素点x的滑动窗口内像素点的个数,/>表示像素点x的滑动窗口内第/>个像素点的灰度值,/>表示像素点x滑动窗口内的灰度均值,表示滑动窗口内第/>个像素点的亮度值,/>表示预设灰度值权重,/>表示预设亮度值权重,本实施例中,/>为3,/>为7。
像素点x的滑动窗口内灰度均值差异越大,说明像素点x的滑动窗口内灰度越不均匀,对应的光洁平整度/>越小。由于汽车端子锈蚀区域有较大的灰度变化,使得该滑动窗口内的光洁平整度较小,对应的像素点越有可能是锈蚀区域内的像素点。像素点x的滑动窗口内的亮度/>越小,说明该滑动窗口内包含较多的不具备反光效应的像素点,对应的光洁平整度/>越小,即像素点越有可能为锈蚀区域内的像素点。另外,由于锈蚀区域像素点不具备反光效应,亮度值较低,即亮度值与锈蚀现象关系较为密切,所以赋予累计亮度较大的权重。
步骤S10123:利用Sobel算子获取每个像素点的平整度梯度,基于所述光洁平整度和所述平整度梯度确定锈蚀递变程度指数。
可以理解地,光洁平整度越小,越具备锈蚀区域的特征。此外,由于光洁平整度主要通过亮度值计算得到,而汽车端子正常区域以及背景区域都存在一定程度上的反光效应,所以一定程度上弱化了汽车端子与背景形成的边缘,相对地更加突出锈蚀区域的边缘。
由于汽车端子锈蚀,会出现大小不同的锈蚀斑块,锈蚀斑块的边缘区域变化较大,即梯度较大。因此,基于计算每个像素点的光洁平整度,利用Sobel(索贝尔)算子获取每个像素点的平整度梯度幅值。根据计算得到的光洁平整度的效果,可以得到锈蚀区域边缘上平整度梯度较大且边缘区域平整度梯度变化较大。Sobel算子是计算机视觉领域的一种重要处理方法。主要用于获得数字图像的一阶梯度,常见的应用和物理意义是边缘检测。本实施例基于Sobel算子的公知技术手段获取每个像素点的平整度梯度。
首先,基于所述光洁平整度和所述平整度梯度确定各个像素点属于锈蚀区域边缘的锈蚀边缘概率;
具体地,对所述滑动窗口内的各个像素点的平整度梯度进行随机采样,将采样结果表示为平整度梯度矩阵b;其中:
;
平整度梯度矩阵中的每个元素/>均表示表示一个像素点的平整度梯度。
对所述平整度梯度矩阵中的平整度梯度进行随机采样,获得平整度梯度序列c,其中;平整度梯度序列c中每个平整度梯度序列元素/>表示矩阵中的不同位置上的平整度梯度。
基于所述光洁平整度和所述平整度梯度序列c计算每个像素点的锈蚀边缘概率;将锈蚀边缘概率表示为/>,则:
;
其中,表示归一化函数,/>表示像素点x滑动窗口内的光洁平整度均值,表示像素点x滑动窗口内的平整度梯度方差,/>表示平整度梯度序列c中元素的个数,/>表示像素点x滑动窗口的平整度梯度序列中第/>个元素的平整度梯度。
根据平整度梯度变化规律、平整度梯度方差以及光洁平整度均值,综合性地度量每个像素点属于锈蚀区域边缘上的概率。平整度梯度序列c中的平整度梯度变化规律越大,则锈蚀边缘概率/>越大,由于锈蚀区域包含较多的锈蚀边缘,而锈蚀边缘附近的平整度梯度变化较大,所以越具有锈蚀边缘特征,对应的像素点x越有可能处于锈蚀边缘上。式中/>充当自适应区域比重系数,是对锈蚀边缘概率的补充。光洁平整度均值/>越小,表示汽车端子图像上的锈蚀区域上较不光洁,即锈蚀区域上的光洁平整度较小,则锈蚀边缘概率/>越大,越具有锈蚀区域的特征。平整度梯度方差越大,表示锈蚀区域边缘上平整度梯度分布较为离散,即锈蚀边缘平整度梯度较高,而其他区域平整度梯度较低,对应的锈蚀边缘概率/>越大,即像素点x越有可能处于锈蚀边缘上。
汽车端子图像上每个像素点都能计算得到对应的光洁平整度以及锈蚀边缘概率/>。汽车端子图像上属于背景区域的位置上像素点的锈蚀边缘概率/>较小,而越靠近锈蚀区域边缘,锈蚀边缘概率/>就会越大。因此,每个像素点的锈蚀边缘概率一定程度上可以反应一种锈蚀的递变规律。
其次,基于所述滑动窗口矩阵,获得相邻光洁平整度差分矩阵;
具体地,基于相邻灰度差分矩阵原理确定平整度差分矩阵:
获取每个像素点的光洁平整度,并对所述光洁平整度进行统计,将获得的光洁平整度级别确定为所述相邻光洁平整度差分矩阵的第一列;每个光洁平整度的值表示一个光洁平整度级别。
统计所述第一列中各个光洁平整度出现的第一频数,将所述第一频数确定为所述相邻光洁平整度差分矩阵的第二列;也即统计汽车端子图像中各个光洁平整度出现的次数。
将所述滑动窗口内各个光洁平整度出现的第二频数,将所述第二频数确定为所述相邻光洁平整度差分矩阵的第三列;第三列的值对应于当前滑动窗口。
计算所述滑动窗口中各个相邻像素点的光洁平整度差异之和,将光洁平整度差异之和保存至所述相邻光洁平整度差分矩阵的第四列。先计算该滑动窗口内相邻像素点的光洁平整度差异,再确定各个光洁平整度差异的和,将光洁平整度差异的和确定为第四列数值。
然后,基于所述相邻光洁平整度差分矩阵中的相关数据以及各个像素点的光洁平整度/>、锈蚀边缘概率/>确定锈蚀递变程度指数。
根据5×5的滑动窗口,将相邻光洁平整度差分矩阵中的第一列和第四列数据作为相关数据,将锈蚀递变程度指数/>,则:
;
其中,表示像素点x的滑动窗口的相邻平整度差分矩阵中第一列的平整度级别的个数,/>表示像素点x的滑动窗口的相邻平整度差分矩阵中第一列平整度级别为/>的平均平整度差异之和,n表示像素点x的滑动窗口内像素点的个数,/>表示像素点x的滑动窗口内第/>个像素点的锈蚀边缘概率,/>表示像素点x的光洁平整度。
像素点x的滑动窗口的相邻平整度差分矩阵中平整度级别为的平均平整度差异之和/>越大,由于汽车端子锈蚀区域内部以及锈蚀区域与无锈蚀区域的有较大的平整度变化,对应的锈蚀递变程度指数/>越大,其像素点越有可能为锈蚀区域的像素点。滑动窗口内像素点的锈蚀边缘概率越大,越靠近锈蚀区域边缘,锈蚀边缘概率/>就会越大,对应的锈蚀递变程度指数/>越大,越有可能为锈蚀边缘像素点。另外,光洁平整度/>越小,如果汽车端子出现锈蚀现象导致汽车端子表面不光洁,对应的锈蚀递变程度指数/>越大,该像素点越有可能为锈蚀区域的像素点。因此,锈蚀区域以及锈蚀区域边缘上的锈蚀递变程度指数/>较大,而未发生锈蚀的汽车端子区域以及背景区域上的锈蚀递变程度指数/>较小。
步骤S102,基于所述全连通无向图中每个节点的锈蚀递变程度指数确定锈蚀度相异系数;
可以理解地,汽车端子图像中锈蚀区域较为粗糙,即光洁平整度较低,并且锈蚀边缘变化差异较大,因此可以计算锈蚀递变程度指数,从而抑制其他的边缘特征,并加强锈蚀区域边缘特征。
在确定锈蚀度相异系数之前需要构建全连通无向图。具体地,参考图5,图5是本发明基于机器视觉的汽车端子检测方法第一实施例的又一流程示意图。如图5所示,所述步骤S102之前还包括:
步骤S1021,基于视觉显著性算法提取所述汽车端子灰度图像的图像特征,获得若干个汽车端子特征图;
具体地根据得到的汽车端子灰度图像,利用预设尺度的高斯金字塔进行下采样,获得多张下采样图像;
预设尺度可以是4,也即进行4次下采样,获得4张下采样图像。
将最后三次下采样获得的下采样图像确定为下采样目标图像;
计算每张下采样图像的图像特征,其中所述图像特征包括颜色特征和方向特征,其中所述颜色特征包括红色、绿色、蓝色和黄色特征;
将亮度特征I,在RGB图下表示为:
;
其中,R,G,B分别表示RGB通道下的像素。
在提取颜色特征时,由于颜色特征中包含了亮度特征,因此,将RGB三基色通道装换为广义调谐的红、绿、蓝和黄色的颜色特征,分别表示为r,g,b和y,其中:
;
;
;
B;
其中,r,g,b和y分别表示红、绿、蓝和黄四种颜色的灰度值。
本实施例基于Gabor滤波器提取方向特征。通过Gabor滤波器在四个方向进行滤波。
基于所述颜色特征获得亮度特征图、多张颜色拮抗特征图,基于所述方向特征获得多张方向特征图;
其中,c为图像尺度,;s为图像粗尺度,/>,/>。由于不同尺度特征图的尺寸大小是不同的,需要先对尺度小的图像进行插值,然后再与尺度大的图像点对点作差,这个过程用Θ表示。
亮度特征图的计算公式为:
;
红绿拮抗特征图的计算公式为:
;
蓝黄拮抗特征图的计算公式为:
;
方向特征图的计公式为:
;
将所述亮度特征图和所述方向特征图进行归一化操作,获得汽车端子特征图。
由于特征图具有不同的尺度,需要对同一特征不同尺度下下获得的特征图进行归一化操作。在归一化操作后将这些特征按照特征通道分别相加获得对应的特征图,对3张采样图像,提取的亮度特征以及方向特征,方向显著特征是四维的,亮度是一维的,3张亮度特征图、12张方向特征图以及6张颜色特征图。本实施例将3张亮度特征图、12张方向特征图确定为汽车端子特征图,也即获得15张汽车端子特征图。
步骤S1022,对每一幅汽车端子特征图,均以每个像素点为节点,构建全连通无向图;
无向图是边没有方向的图,依次连接各个节点即可获得任意节点可连通的全连接无向图。
根据每一幅全连通无向图,基于每个节点的锈蚀递变程度指数,计算锈蚀度相异系数,即:
;
式子中,表示节点p的锈蚀递变程度指数,/>表示节点q的锈蚀递变程度指数。节点p和节点q的锈蚀特征差异越大,锈蚀度相异系数越大。
步骤S106,基于所述锈蚀递变程度指数D、欧式距离F、所述锈蚀度相异G系数计算各个节点的边权;
结合锈蚀度相异系数计算边权,即:
;
其中,表示节点p和节点q形成的边的边权,/>表示节点p和节点q的像素值差异程度,/>表示节点p和节点q之间的欧氏距离。
节点p和节点q之间的像素值异程度以及位置间欧氏距离/>通过公知技术计算,在此不做多余的赘述。锈蚀度相异系数/>越小,说明节点之间越相似,则边权/>越小;反之,锈蚀度相异系数/>越大,说明节点之间越不相似,则边权/>越大。同理,像素值异程度/>以及欧氏距离/>逻辑相同,越大,/>越大,说明节点之间越不相似,则边权/>越大;反之,边权越小。
步骤S104,基于全连通无向图的边权得到对应全连通无向图的激活图;
具体地,根据每一幅汽车端子特征图的全连通无向图无向图,根据每条边上的边权,形成连接权值矩阵,并通过归一化权值矩阵操作形成马尔科夫状态转移矩阵,然后对马尔科夫状态转移矩阵进行多次迭代,使马尔科夫链达到平稳分布,从而找到马尔科夫链的主特征向量以及对应汽车端子图像的显著节点,进而得到与全连通无向图对应的归一化激活图。
步骤S105,各个特征通道的激活图相加,并把亮度和方向特征通道激活图叠加,就得到的汽车端子锈蚀视觉显著图;
图像叠加是将图像或者图像中的一部分放置在另一幅图像中,使得它们能够和指定的区域或者标记物对齐。本实施例采用线性加权的方式将各个图像全部叠加,以获得汽车端子锈蚀视觉显著图。
步骤S106,基于大津阈值分割算法对所述汽车端子锈蚀视觉显著图进行分割,获得汽车端子锈蚀区域图像。
为了将前景(汽车端子锈蚀区域)与背景完全区分开,本实施例基于大津阈值分割算法对汽车端子锈蚀视觉显著图进行分割。
具体地,统计所述汽车端子锈蚀视觉显著图的灰度值区间;将获得的灰度值区间表示为[0,m]。
将所述灰度值区间内的每一个灰度值作为初始阈值,基于所述初始阈值将所述灰度值区间分为第一区间和第二区间;例如将灰度值区间内的灰度值t确定为初始阈值,如此则有[0,t]和[t+1,m]。
统计所述第一区间、第二区间内灰度值的个数占灰度值总个数的比例获得第一比例和第二比例,并计算所述第一区间第一灰度值均值、计算所述第二区间第二灰度值均值、总灰度均值;
基于所述第一比例、第二比例、第一灰度值均值、第二灰度值均值以及总灰度均值计算各个初始阈值对应的类间方差;
将类间方差表示为,则有:
+/>=/>;
其中,表示第一比例,/>表示第二比例,/>表示第一灰度值均值,/>表示第二灰度值均值。
将类间方差最大的初始阈值确定为分割阈值,基于所述分割阈值对所述汽车端子锈蚀视觉显著图进行分割,获得汽车端子锈蚀区域图像。
如此,将存在汽车端子锈蚀区域图像的汽车端子确定为锈蚀汽车端子,将未获得汽车端子锈蚀区域图像的汽车端子确定为非锈蚀汽车端子,如此得以完成对汽车端子的机器视觉检测。
本实施例通过上述方案,基于待检测汽车端子的汽车端子图像确定像素点的锈蚀递变程度指数;基于汽车端子的全连通无向图中每个节点的锈蚀递变程度指数确定锈蚀度相异系数;基于所述锈蚀递变程度指数、欧式距离、所述锈蚀度相异系数计算各个节点的边权;基于全连通无向图的边权得到对应全连通无向图的激活图;各个特征通道的激活图相加,并把亮度和方向特征通道激活图叠加,就得到的汽车端子锈蚀视觉显著图;基于大津阈值分割算法对所述汽车端子锈蚀视觉显著图进行分割,获得汽车端子锈蚀区域图像。如此,根据锈蚀递变程度指数、欧式距离、锈蚀度相异系数获得边权,然后基于全连通无向图中各个节点的边权获得多个激活图,将激活图叠加获得汽车端子锈蚀视觉显著图,并基于汽车端子锈蚀视觉显著图确定汽车端子检测结果,提高了汽车端子锈蚀情况检测的准确性。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (3)
1.一种基于机器视觉的汽车端子检测方法,其特征在于,所述方法包括:
基于待检测汽车端子的汽车端子图像确定像素点的锈蚀递变程度指数;
基于汽车端子的全连通无向图中每个节点的锈蚀递变程度指数确定锈蚀度相异系数;
基于所述锈蚀递变程度指数、欧式距离、所述锈蚀度相异系数计算各个节点的边权;
基于全连通无向图的边权得到对应全连通无向图的激活图;
各个特征通道的激活图相加,并把亮度和方向特征通道激活图叠加,就得到汽车端子锈蚀视觉显著图;
基于大津阈值分割算法对所述汽车端子锈蚀视觉显著图进行分割,获得汽车端子锈蚀区域图像;
所述基于待检测汽车端子的汽车端子图像确定像素点的锈蚀递变程度指数包括:
获取待检测汽车端子的汽车端子图像,基于所述汽车端子图像确定每个像素点的灰度值和亮度值;
基于所述灰度值和所述亮度值确定各个像素点的光洁平整度,并基于所述光洁平整度确定像素点的锈蚀递变程度指数;
所述获取待检测汽车端子的汽车端子图像,基于所述汽车端子图像确定每个像素点的灰度值和亮度值包括:
获取汽车端子图像,对所述汽车端子图像进行去噪,将去噪后的汽车端子图像转换成汽车端子灰度图像,获取每个像素点的灰度值;
将所述汽车端子图像转化为lab颜色空间图像,并获取每个像素点的亮度值;
所述基于所述灰度值和所述亮度值确定各个像素点的光洁平整度,并基于所述光洁平整度确定像素点的锈蚀递变程度指数包括:
在汽车端子灰度图像中分别以各个像素点为中心像素点设置预设大小的滑动窗口;
基于所述滑动窗口内像素点的亮度值、灰度值以及预设亮度权重、预设灰度权重确定各个像素点的光洁平整度;
利用Sobel算子获取每个像素点的平整度梯度,基于所述光洁平整度和所述平整度梯度确定锈蚀递变程度指数;
所述方法利用Sobel算子获取每个像素点的平整度梯度,基于所述光洁平整度和所述平整度梯度确定锈蚀递变程度指数包括:
基于所述光洁平整度和所述平整度梯度确定各个像素点属于锈蚀区域边缘的锈蚀边缘概率;
基于所述滑动窗口矩阵,获得相邻光洁平整度差分矩阵;
基于所述相邻光洁平整度差分矩阵中的相关数据以及各个像素点的光洁平整度、锈蚀边缘概率确定锈蚀递变程度指数;
所述基于所述光洁平整度和所述平整度梯度确定各个像素点属于锈蚀区域边缘的锈蚀边缘概率包括:
对所述滑动窗口内的各个像素点的平整度梯度进行随机采样,将采样结果表示为平整度梯度矩阵;
对所述平整度梯度矩阵中的平整度梯度进行随机采样,获得平整度梯度序列;
基于所述光洁平整度和所述平整度梯度序列计算每个像素点的锈蚀边缘概率;
所述基于所述滑动窗口矩阵,获得相邻光洁平整度差分矩阵包括:
获取每个像素点的光洁平整度,并对所述光洁平整度进行统计,将获得的光洁平整度级别确定为所述相邻光洁平整度差分矩阵的第一列;
统计所述第一列中各个光洁平整度出现的第一频数,将所述第一频数确定为所述相邻光洁平整度差分矩阵的第二列;
将所述滑动窗口内各个光洁平整度出现的第二频数确定为所述相邻光洁平整度差分矩阵的第三列;
计算所述滑动窗口中各个相邻像素点的光洁平整度差异之和,将光洁平整度差异之和保存至所述相邻光洁平整度差分矩阵的第四列;
所述基于汽车端子的全连通无向图中每个节点的锈蚀递变程度指数确定锈蚀度相异系数之前,还包括:
基于视觉显著性算法提取汽车端子灰度图像的图像特征,获得若干个汽车端子特征图;
对每一幅汽车端子特征图,均以每个像素点为节点,构建全连通无向图;
根据每一幅全连通无向图,基于每个节点的锈蚀递变程度指数,计算锈蚀度相异系数,即:
式子中,表示节点p的锈蚀递变程度指数,/>表示节点q的锈蚀递变程度指数。
2.根据权利要求1所述的方法,其特征在于,所述基于视觉显著性算法提取所述汽车端子灰度图像的图像特征,获得若干个汽车端子特征图包括:
根据得到的汽车端子灰度图像,利用预设尺度的高斯金字塔进行下采样,获得多张下采样图像;
将最后三次下采样获得的下采样图像确定为下采样目标图像;
计算每张下采样目标图像的图像特征,其中所述图像特征包括颜色特征和方向特征,其中所述颜色特征包括红色、绿色、蓝色和黄色特征;
基于所述颜色特征获得亮度特征图、多张颜色拮抗特征图,基于所述方向特征获得多张方向特征图;
将所述亮度特征图和所述方向特征图进行归一化操作,获得汽车端子特征图。
3.根据权利要求1所述的方法,其特征在于,所述基于大津阈值分割算法对所述汽车端子锈蚀视觉显著图进行分割,获得汽车端子锈蚀区域图像包括:
统计所述汽车端子锈蚀视觉显著图的灰度值区间;
将所述灰度值区间内的每一个灰度值作为初始阈值,基于所述初始阈值将所述灰度值区间分为第一区间和第二区间;
统计所述第一区间、第二区间内灰度值的个数占灰度值总个数的比例获得第一比例和第二比例,并计算所述第一区间第一灰度值均值、计算所述第二区间第二灰度值均值、总灰度均值;
基于所述第一比例、第二比例、第一灰度值均值、第二灰度值均值以及总灰度均值计算各个初始阈值对应的类间方差;
将类间方差最大的初始阈值确定为分割阈值,基于所述分割阈值对所述汽车端子锈蚀视觉显著图进行分割,获得汽车端子锈蚀区域图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311444195.4A CN117197127B (zh) | 2023-11-02 | 2023-11-02 | 一种基于机器视觉的汽车端子检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311444195.4A CN117197127B (zh) | 2023-11-02 | 2023-11-02 | 一种基于机器视觉的汽车端子检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117197127A CN117197127A (zh) | 2023-12-08 |
CN117197127B true CN117197127B (zh) | 2024-02-20 |
Family
ID=88985391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311444195.4A Active CN117197127B (zh) | 2023-11-02 | 2023-11-02 | 一种基于机器视觉的汽车端子检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117197127B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557572B (zh) * | 2024-01-12 | 2024-03-19 | 大连傲盈科技有限公司 | 基于计算机视觉的公路施工质量检测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010048723A (ja) * | 2008-08-22 | 2010-03-04 | Kobe Steel Ltd | 鉄筋腐食検査方法,鉄筋腐食検査装置 |
CN104700412A (zh) * | 2015-03-17 | 2015-06-10 | 苏州大学 | 一种视觉显著图的计算方法 |
CN110110667A (zh) * | 2019-05-08 | 2019-08-09 | 广东工业大学 | 一种硅藻图像的处理方法、系统及相关组件 |
CN110648342A (zh) * | 2019-09-30 | 2020-01-03 | 福州大学 | 基于nsst显著性检测及图割的泡沫红外图像分割方法 |
CN112329680A (zh) * | 2020-11-13 | 2021-02-05 | 重庆邮电大学 | 基于类激活图的半监督遥感影像目标检测和分割方法 |
CN112419298A (zh) * | 2020-12-04 | 2021-02-26 | 中冶建筑研究总院(深圳)有限公司 | 一种螺栓节点板锈蚀检测方法、装置、设备及存储介质 |
CN112417931A (zh) * | 2019-08-23 | 2021-02-26 | 河海大学常州校区 | 一种基于视觉显著性的水面物体检测和分类的方法 |
JP2021086379A (ja) * | 2019-11-27 | 2021-06-03 | 東京電力ホールディングス株式会社 | 情報処理装置、情報処理方法、プログラム及び学習モデルの生成方法 |
CN113378883A (zh) * | 2021-05-12 | 2021-09-10 | 山东科技大学 | 一种基于通道分组注意力模型的细粒度车辆分类方法 |
CN113808014A (zh) * | 2021-07-30 | 2021-12-17 | 华南师范大学 | 基于动态能量调整的图像缩放方法及装置 |
CN115128080A (zh) * | 2021-03-29 | 2022-09-30 | 宝武装备智能科技有限公司 | 基于机器视觉的压型金属板屋面腐蚀状态检测方法 |
CN115908399A (zh) * | 2022-12-30 | 2023-04-04 | 浙江工业大学 | 一种基于改进视觉注意机制的磁片瑕疵检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7186539B2 (ja) * | 2018-08-03 | 2022-12-09 | Automagi株式会社 | 錆検出プログラム、錆検出システム及び錆検出方法 |
US20220122250A1 (en) * | 2020-10-19 | 2022-04-21 | Northwestern University | Brain feature prediction using geometric deep learning on graph representations of medical image data |
CN113554717A (zh) * | 2021-07-30 | 2021-10-26 | 重庆予胜远升网络科技有限公司 | 基于机器视觉的电力设备锈蚀识别系统及方法 |
CN115311304B (zh) * | 2022-10-12 | 2023-04-14 | 江苏明锋食品有限公司 | 一种铁板锈蚀缺陷检测方法 |
CN115345875B (zh) * | 2022-10-17 | 2023-03-24 | 江苏煵笙重工有限公司 | 一种船舶外板锈蚀区域识别及分析方法 |
-
2023
- 2023-11-02 CN CN202311444195.4A patent/CN117197127B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010048723A (ja) * | 2008-08-22 | 2010-03-04 | Kobe Steel Ltd | 鉄筋腐食検査方法,鉄筋腐食検査装置 |
CN104700412A (zh) * | 2015-03-17 | 2015-06-10 | 苏州大学 | 一种视觉显著图的计算方法 |
CN110110667A (zh) * | 2019-05-08 | 2019-08-09 | 广东工业大学 | 一种硅藻图像的处理方法、系统及相关组件 |
CN112417931A (zh) * | 2019-08-23 | 2021-02-26 | 河海大学常州校区 | 一种基于视觉显著性的水面物体检测和分类的方法 |
CN110648342A (zh) * | 2019-09-30 | 2020-01-03 | 福州大学 | 基于nsst显著性检测及图割的泡沫红外图像分割方法 |
JP2021086379A (ja) * | 2019-11-27 | 2021-06-03 | 東京電力ホールディングス株式会社 | 情報処理装置、情報処理方法、プログラム及び学習モデルの生成方法 |
CN112329680A (zh) * | 2020-11-13 | 2021-02-05 | 重庆邮电大学 | 基于类激活图的半监督遥感影像目标检测和分割方法 |
CN112419298A (zh) * | 2020-12-04 | 2021-02-26 | 中冶建筑研究总院(深圳)有限公司 | 一种螺栓节点板锈蚀检测方法、装置、设备及存储介质 |
CN115128080A (zh) * | 2021-03-29 | 2022-09-30 | 宝武装备智能科技有限公司 | 基于机器视觉的压型金属板屋面腐蚀状态检测方法 |
CN113378883A (zh) * | 2021-05-12 | 2021-09-10 | 山东科技大学 | 一种基于通道分组注意力模型的细粒度车辆分类方法 |
CN113808014A (zh) * | 2021-07-30 | 2021-12-17 | 华南师范大学 | 基于动态能量调整的图像缩放方法及装置 |
CN115908399A (zh) * | 2022-12-30 | 2023-04-04 | 浙江工业大学 | 一种基于改进视觉注意机制的磁片瑕疵检测方法 |
Non-Patent Citations (1)
Title |
---|
基于视觉技术的船舶船身锈蚀检测;李强 等;舰船科学技术(第02期);第194-196页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117197127A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679520B (zh) | 一种适用于复杂条件下的车道线视觉检测方法 | |
CN108549874B (zh) | 一种目标检测方法、设备及计算机可读存储介质 | |
US9269001B2 (en) | Illumination invariant and robust apparatus and method for detecting and recognizing various traffic signs | |
CN117197127B (zh) | 一种基于机器视觉的汽车端子检测方法 | |
CN109741356B (zh) | 一种亚像素边缘检测方法及系统 | |
CN110287884B (zh) | 一种辅助驾驶中压线检测方法 | |
CN111080661A (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
CN112488046B (zh) | 一种基于无人机高分辨率影像的车道线提取方法 | |
CN110866926B (zh) | 一种红外遥感图像快速精细海陆分割方法 | |
Krishnan et al. | A survey on different edge detection techniques for image segmentation | |
CN109635733B (zh) | 基于视觉显著性和队列修正的停车场和车辆目标检测方法 | |
CN111382658B (zh) | 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法 | |
CN111047615A (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
CN115797473B (zh) | 一种土建工程用混凝土成型评估方法 | |
CN104680553A (zh) | 基于双边滤波的可变核函数目标跟踪方法 | |
CN111652033A (zh) | 基于OpenCV的车道线检测方法 | |
CN115511907B (zh) | 一种用于led屏幕的划痕检测方法 | |
Somawirata et al. | Road detection based on the color space and cluster connecting | |
CN113239733A (zh) | 一种多车道车道线检测方法 | |
CN105139344A (zh) | 基于频域及相位一致性的单幅图像去除雨滴影响的方法和系统 | |
CN113421215A (zh) | 一种基于人工智能的汽车自动循迹系统 | |
JP7236857B2 (ja) | 画像処理装置および画像処理方法 | |
CN111241911B (zh) | 一种自适应的车道线检测方法 | |
CN111723805A (zh) | 一种信号灯的前景区域识别方法及相关装置 |
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 |