CN117197140A - 基于机器视觉的不规则金属扣成型检测方法 - Google Patents
基于机器视觉的不规则金属扣成型检测方法 Download PDFInfo
- Publication number
- CN117197140A CN117197140A CN202311466433.1A CN202311466433A CN117197140A CN 117197140 A CN117197140 A CN 117197140A CN 202311466433 A CN202311466433 A CN 202311466433A CN 117197140 A CN117197140 A CN 117197140A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- target pixel
- gradient
- degree
- 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.)
- Granted
Links
- 239000002184 metal Substances 0.000 title claims abstract description 86
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 230000001788 irregular Effects 0.000 title claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 49
- 230000002159 abnormal effect Effects 0.000 claims abstract description 40
- 238000009826 distribution Methods 0.000 claims abstract description 33
- 230000008859 change Effects 0.000 claims abstract description 17
- 230000007547 defect Effects 0.000 claims abstract description 9
- 230000002776 aggregation Effects 0.000 claims description 26
- 238000004220 aggregation Methods 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005192 partition Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000003709 image segmentation Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000000994 depressogenic effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process 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
- 230000008569 process Effects 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
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于机器视觉的不规则金属扣成型检测方法,包括:将金属扣图像划分为若干分块,根据分块中像素点的灰度值差异获得像素点的异常可能性;根据异常可能性的分布情况获得方向‑异常特征和异常分布特征,利用方向‑异常特征对异常分布特征调节获得像素点的渐变程度;利用梯度方向对渐变程度加权获得像素点的渐变性,根据渐变性的差异获得像素点的渐变影响度,将像素点的距离和梯度方向融合并对渐变影响度调节获得像素点的凹陷程度,以进行金属扣成型检测。本发明结合不同灰度值作为阈值分割后连通域的凹陷情况提高了对金属扣图像的分割效果,进一步提高了金属扣成型缺陷的检测结果的准确性。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于机器视觉的不规则金属扣成型检测方法。
背景技术
随着时代的发展,人们对于着装的要求也越来越高,对衣服的品质也有着更多的要求,在不规则的金属扣生产过程中容易出现表面凹陷的外观缺陷,因此需要再金属扣成型后对其进行外观检测,保证外观成型合格。
为了保证产品的质量,需要对产品进行缺陷检测,当使用传统的阈值分割的方法对金属扣图像进行阈值分割时,因为受到噪声干扰,大津法阈值分割无法分割出凹陷缺陷对应的区域,使得金属扣凹陷缺陷的检测结果不准确。
发明内容
本发明提供基于机器视觉的不规则金属扣成型检测方法,以解决现有的问题。
本发明的基于机器视觉的不规则金属扣成型检测方法采用如下技术方案:
本发明一个实施例提供了基于机器视觉的不规则金属扣成型检测方法,该方法包括以下步骤:
获取金属扣图像;
将金属扣图像中任意像素点记为目标像素点,将金属扣图像均匀划分获得若干个分块,根据目标像素点所在分块中所有像素点的灰度值差异获得目标像素点的局部灰度特征,根据目标像素点的灰度值和局部灰度特征获得目标像素点的异常可能性;构建邻域区域,将目标像素点作为邻域区域的中心,根据邻域区域内像素点的灰度值大小获得目标像素点的特殊像素点,根据目标像素点和特殊像素点获得目标像素点的像素点集,根据像素点集中所有像素点的异常可能性的分布情况分别获得目标像素点的方向-异常特征和异常分布特征,利用方向-异常特征对异常分布特征进行调节获得目标像素点的渐变程度;
获取像素点集中所有像素点的梯度方向,根据梯度方向获得目标像素点的方向权重,利用方向权重对渐变程度加权获得目标像素点的渐变性,根据像素点集中像素点的渐变性的差异获得目标像素点的渐变影响度,将像素点集中像素点的距离和梯度方向的融合获得目标像素点的聚集程度,利用聚集程度对渐变影响度调节获得目标像素点的凹陷程度;
根据凹陷程度的大小进行金属扣成型检测。
进一步的,所述将金属扣图像均匀划分获得若干个分块,根据目标像素点所在分块中所有像素点的灰度值差异获得目标像素点的局部灰度特征,包括的具体方法为:
将金属扣图像均匀划分为若干个大小的图像块,将一个图像块记为一个分块,其中/>为预设的超参数;获取目标像素点所在分块中所有像素点的灰度值,并将所有像素点的灰度值按照从小到大的顺序进行排列,将排列后得到的序列记为灰度值序列,将灰度值序列的一阶差分序列记为灰度差分序列,将灰度差分序列中所有元素绝对值的累加值记为目标像素点的局部灰度特征。
进一步的,所述根据目标像素点的灰度值和局部灰度特征获得目标像素点的异常可能性,包括的具体方法为:
将目标像素点的灰度值和局部灰度特征的乘积结果记为目标像素点的异常可能性。
进一步的,所述构建邻域区域,将目标像素点作为邻域区域的中心,根据邻域区域内像素点的灰度值大小获得目标像素点的特殊像素点,根据目标像素点和特殊像素点获得目标像素点的像素点集,根据像素点集中所有像素点的异常可能性的分布情况分别获得目标像素点的方向-异常特征和异常分布特征,包括的具体方法为:
首先,选取任意灰度值作为分割阈值对金属扣图像进行阈值分割获得对应的二值图像,并对二值图像进行连通域检测获得若干个连通域;
然后,构建大小为的邻域区域,将目标像素点作为邻域区域的中心,获取邻域区域中与目标像素点属于同一个连通域且灰度值最小的像素点,记为目标像素点的特殊像素点;获取从目标像素点到特殊像素点的最短路径上的所有像素点形成的集合,记为目标像素点的像素点集;将像素点集中所有像素点的异常可能性的均值记为目标像素点的方向-异常特征,其中/>为预设的超参数;将像素点集中所有像素点的异常可能性的方差记为目标像素点的异常分布特征。
进一步的,所述利用方向-异常特征对异常分布特征调节获得目标像素点的渐变程度,包括的具体方法为:
将目标像素点的方向-异常特征与异常分布特征的比值记为目标像素点的渐变程度。
进一步的,所述获取像素点集中所有像素点的梯度方向,根据梯度方向获得目标像素点的方向权重,包括的具体方法为:
利用Sobel算子获取像素点集中所有像素点的梯度方向,将任意像素点的梯度方向与水平方向之间的夹角记为像素点的梯度夹角,将像素点集中所有像素点的梯度夹角的累加值记为目标像素点的特殊角度,将目标像素点的梯度夹角与目标像素点的特殊角度之间的比值记为目标像素点的方向权重。
进一步的,所述利用方向权重对渐变程度加权获得目标像素点的渐变性,根据像素点集中像素点的渐变性的差异获得目标像素点的渐变影响度,包括的具体方法为:
首先,将目标像素点的渐变程度和方向权重的乘积结果记为目标像素点的渐变性;
然后,在金属扣图像中,按照从目标像素点到对应特殊像素点的顺序将目标像素点的像素点集中各像素点对应的渐变性进行排序,将排序后对应的序列记为目标像素点的渐变性序列,获取渐变性序列的一阶差分序列记为渐变性差分序列,将渐变性差分序列中所有元素的绝对值的累加值记为目标像素点的渐变影响度。
进一步的,所述将像素点集中像素点的距离和梯度方向的融合获得目标像素点的聚集程度,包括的具体方法为:
首先,获取目标像素点的特殊像素点与目标像素点的像素点集中除特殊像素点以外的像素点之间的欧氏距离,记为目标像素点的距离因子,获得目标像素点的若干个距离因子,将目标像素点的所有距离因子的累加值记为目标像素点的特殊距离;
然后,目标像素点的聚集程度的具体计算方法为:
其中,表示目标像素点的聚集程度;/>表示目标像素点的特殊距离;/>表示目标像素点的特殊角度;/>表示以自然常数为底数的指数函数。
进一步的,所述利用聚集程度对渐变影响度调节获得目标像素点的凹陷程度,包括的具体方法为:
目标像素点的凹陷程度的具体计算方法为:
其中,表示目标像素点的凹陷程度;/>表示目标像素点的聚集程度;/>表示目标像素点的渐变影响度;/>表示以目标像素点的聚集程度为底数的对数函数。
进一步的,所述根据凹陷程度的大小进行金属扣成型检测,包括的具体方法为:
首先,获取任意灰度值作为分割阈值时对应二值图像中任意连通域内所有像素点的平均凹陷程度记为连通域的第一凹陷系数,将所有连通域的第一凹陷系数的均值记为对应二值图像的第二凹陷系数,当所有灰度值作为分割阈值时对应二值图像的第二凹陷系数最大时,将二值图像对应的分割阈值作为对应金属扣图像的最佳分割阈值;
然后,将金属扣图像记为第一图像,将任意第一图像的灰度分布直方图记为第一直方图,将未检测的金属扣图像记为第二图像,将第二图像的灰度分布直方图记为第二直方图,利用巴氏系数算法获取第一直方图和第二直方图之间的相似性,若相似性大于相似性阈值,将第一图像的最佳分割阈值作为第二图像的最佳分割阈值;若相似性小于相似性阈值,利用第一图像的最佳分割阈值的获取方法获取第二图像的最佳分割阈值;
最后,利用最佳分割阈值对金属扣图像进行阈值分割,获得对应的二值图像,将二值图像中第一凹陷系数最大的个连通域进行标注,以完成对金属扣的缺陷检测,其中/>为预设的超参数。
本发明的技术方案的有益效果是:通过对金属扣图像进行分块并在邻域区域内分析像素点之间的灰度差异以及梯度方向的变化,得到了反映像素点受到凹陷区域影响的凹陷程度特征,根据不同灰度下的二值图像中连通域内所有像素点的凹陷程度的变化情况,获得分割效果最好时对应的最佳分割阈值,提高了对金属扣图像的分割效果,进一步提高了金属扣成型缺陷的检测结果的准确性。
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为本发明基于机器视觉的不规则金属扣成型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机器视觉的不规则金属扣成型检测方法,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机器视觉的不规则金属扣成型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机器视觉的不规则金属扣成型检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集金属扣正面表面图像,并进行处理获得金属扣图像。
具体的,为了实现本实施例提出的基于机器视觉的不规则金属扣成型检测方法,首先需要采集金属扣图像,具体过程为:
使用工业相机采集金属扣正面表面图像,并进行灰度化处理得到金属扣图像。
至此,通过上述方法得到金属扣图像。
步骤S002:将金属扣图像划分为若干个分块,根据分块中灰度值差异以及像素点的灰度值获得异常可能性;根据异常可能性的分布情况获得方向-异常特征和异常分布特征,利用方向-异常特征对异常分布特征调节获得渐变程度。
需要说明的是,本实施例通过遍历各灰度值作为分割阈值对金属扣图像进行分割处理得到对应的二值图像并将图像进行分块,对各分块内的连通域进行分析,分块内存在凹陷区域影响时,分块内的像素点灰度差异较大,分块内像素点的灰度值较小。又因为分块内受凹陷区域的影响越大,其分块内的灰度变化也就越大,则分块内像素点灰度差值也就越大,根据连通域像素点的连续性得到渐变程度。当像素点为凹陷区域所对应的像素点时,像素点与凹陷中心的像素点之间的灰度值差异逐渐减小,因此像素点的邻域范围内灰度值最小的像素点所在方向中,灰度递减至最小且在连通域内的像素点,即该像素点对应的灰度最小点,同时对应方向的路径上所有像素点的渐变程度具有连续性,因此根据渐变程度的关联性得到渐变影响度。另外,可能存在渐变影响度恰好与凹陷区域像素点的渐变影响度近似,但不是凹陷区域对应像素点的情况;因为在凹陷区域中的边缘的像素点的渐变方向都向中心聚集,其聚集的程度越高则说明该像素点为凹陷区域的像素点的可能性越大,所以根据渐变影响度得到凹陷程度,之后根据凹陷程度得到金属扣图像的最佳分割阈值。
具体的,步骤(1),首先,选取任意灰度值作为分割阈值对金属扣图像进行阈值分割获得对应的二值图像,并对二值图像进行连通域检测获得若干个连通域。
根据凹陷区域的特征进行分析,当金属扣存在凹陷时,凹陷区域由凹陷边缘到凹陷中心的灰度值逐渐下降,因此根据连通域内的灰度值得到连通域内各像素点对应的渐变程度,因为在不同的二值图像中各连通域内可能存在着噪声影响,因此,将各阈值对应的二值图像的连通域对应到图像中。
之后对各分块内的连通域进行分析,分块内存在凹陷区域影响时,分块内的像素点灰度差异较大,且因受到凹陷影响分块内的像素灰度值与正常区域相比较小。又因为分块内受凹陷区域的影响越大,其分块内的灰度变化也就越大,则分块内像素点灰度差值也就越大。
然后,将金属扣图像均匀划分为若干个大小的图像块,将一个图像块记为一个分块,其中/>为预设的超参数;将金属扣图像中任意像素点记为目标像素点,获取目标像素点所在分块中所有像素点的灰度值,并将所有像素点的灰度值按照从小到大的顺序进行排列,将排列后得到的序列记为灰度值序列,将灰度值序列的一阶差分序列记为灰度差分序列,将灰度差分序列中所有元素绝对值的累加值记为目标像素点的局部灰度特征。
需要说明的是,局部灰度特征的数值越大则说明目标像素点的灰度发生渐变的程度越大,受金属扣的凹陷区域产生影响的程度就越大。
需要说明的是,根据经验预设超参数为5,可根据实际情况进行调整,本实施例不进行具体限定。
最后,根据目标像素点的灰度值和局部灰度特征获得目标像素点的异常可能性,具体计算方法为:
其中,表示目标像素点的异常可能性;/>表示目标像素点的灰度值;/>表示目标像素点的局部灰度特征。
需要说明的是,当像素点为凹陷区域的像素点时,像素点的灰度向凹陷中心逐渐减小,因此像素点的邻域中,灰度值最小的像素点的方向中,灰度递减至最小且在连通域内的像素点,即该像素点对应的灰度最小点,路径之中所有像素点的渐变程度具有连续性。
步骤(2),首先,构建大小为的邻域区域,将目标像素点作为邻域区域的中心,获取邻域区域中与目标像素点同属于同一个连通域且灰度值最小的像素点,记为目标像素点的特殊像素点;获取从目标像素点到特殊像素点的最短路径上的所有像素点形成的集合,记为目标像素点的像素点集;将像素点集中所有像素点的异常可能性的均值记为目标像素点的方向-异常特征,其中/>为预设的超参数;将像素点集中所有像素点的异常可能性的方差记为目标像素点的异常分布特征。
需要说明的是,获取目标像素点的方向-异常特征和异常分布特征时,所述目标像素点和特殊像素点之间所有像素点包含目标像素点和特殊像素点。
需要说明的是,根据经验预设超参数为5,可根据实际情况进行调整,本实施例不进行具体限定。
需要说明的是,目标像素点的方向-异常特征越大,说明目标像素点所在局部范围内像素点的灰度值变化的程度越大,则目标像素点受到凹陷区域的影响的可能性就越大;另外,异常分布特征越小则说明渐变程度越强,则目标像素点受到凹陷区域的影响的可能性就越大。
然后,根据方向-异常特征和异常分布特征获得目标像素点的渐变程度,具体计算方法为:
其中,表示目标像素点的渐变程度;/>表示目标像素点的方向-异常特征;/>表示目标像素点的异常分布特征。
需要说明的是,目标像素点的渐变程度越强,则目标像素点受到凹陷区域的影响的可能性就越大。
至此,通过上述方法得到金属扣图像中任意像素点的渐变程度。
步骤S003:根据梯度方向获得目标像素点的方向权重,利用方向权重对渐变程度加权获得目标像素点的渐变性;将像素点的距离和梯度方向融合获得聚集程度,利用聚集程度对渐变性的差异调节获得目标像素点的凹陷程度。
需要说明的是,根据上步骤得到各像素点的渐变程度,因为上步骤为根据分块内的灰度渐变得到,因为在分块中可能存在未受到凹陷区域影响的像素点,所以使用渐变程度判断像素点的是否为凹陷区域可能存在误差。所以再根据渐变程度的关联性将判断标准进一步深化。
凹陷区域像素点的渐变程度具有关联性,当像素点受到凹陷区域影响时,像素点的渐变方向上的像素点的梯度方向的较为统一,且在凹陷区域中的边缘的像素点的渐变方向都向中心聚集。因此根据渐变程度的关联性得到渐变影响度。
具体的,步骤(1),首先,利用Sobel算子获取像素点集中所有像素点的梯度方向,将任意像素点的梯度方向与水平方向之间的夹角记为像素点的梯度夹角,将像素点集中所有像素点的梯度夹角的累加值记为目标像素点的特殊角度,将目标像素点的梯度夹角与目标像素点的特殊角度之间的比值记为目标像素点的方向权重。
需要说明的是,Sobel算子为现有算法,因此本实施例不进行赘述。
然后,根据渐变程度和方向权重获得目标像素点的渐变性,具体计算方法为:
其中,表示目标像素点的渐变性;/>表示目标像素点的渐变程度;/>表示目标像素点的方向权重。
最后,在金属扣图像中,按照从目标像素点到对应特殊像素点的顺序将目标像素点的像素点集中各像素点对应的渐变性进行排序,将排序后对应的序列记为目标像素点的渐变性序列,获取渐变性序列的一阶差分序列记为渐变性差分序列,将渐变性差分序列中所有元素的绝对值的累加值记为目标像素点的渐变影响度。
需要说明的是,渐变影响度的数值越小,说明目标像素点的像素点集中所有像素点的渐变性的变化统一,则目标像素点受凹陷区域影响的可能性就越大。
另外,但可能存在目标像素点的渐变影响度恰好与凹陷区域像素点的渐变影响度近似,但不是裂缝的像素点的情况,为了解决此问题进行分析。因为在凹陷区域中的边缘的像素点的渐变方向都向中心聚集,其聚集的程度越高则说明该像素点为凹陷区域的像素点的可能性越大。
步骤(2),首先,获取目标像素点的特殊像素点与目标像素点的像素点集中除特殊像素点以外的像素点之间的欧氏距离,记为目标像素点的距离因子,获得目标像素点的若干个距离因子,将目标像素点的所有距离因子的累加值记为目标像素点的特殊距离。
然后,按照从目标像素点到对应特殊像素点的顺序,获取相邻两个像素点对应梯度方向在顺时针方向上的夹角,记为目标像素点的夹角因子,获得目标像素点的若干个夹角因子,将目标像素点的所有夹角因子的平均值记为目标像素点的特殊角度。
最后,根据特殊距离和特殊角度获得目标像素点的聚集程度,具体计算方法为:
其中,表示目标像素点的聚集程度;/>表示目标像素点的特殊距离;/>表示目标像素点的特殊角度;/>表示以自然常数为底数的指数函数。
需要说明的是,特殊距离和特殊角度越小表示像素点的聚集程度越高,则像素点受到凹陷区域的影响的可能性就越大。
步骤(3),因为当渐变影响度相同时,聚集程度越高凹陷程度也就越大,利用像素点对应的聚集程度通过对数函数对渐变影响度进行调整,得到像素点的凹陷程度。
根据聚集程度和渐变影响度获得目标像素点的凹陷程度,具体计算方法为:
其中,表示目标像素点的凹陷程度;/>表示目标像素点的聚集程度;/>表示目标像素点的渐变影响度;/>表示以目标像素点的聚集程度为底数的对数函数。
需要说明的是,凹陷程度越大,目标像素点越有可能属于金属扣的凹陷区域的像素点,是为了保证所得出的凹陷程度的值为正数。
至此,通过上述方法得到凹陷程度。
步骤S004:根据凹陷程度的大小进行金属扣成型检测。
需要说明的是,由于对金属扣图像进行阈值分割后,得到的二值图像中噪声产生的连通域越少分割效果越好,且连通域尽可能全部为凹陷区域,因此选择连通域内像素点的平均凹陷程度最大的二值图像对应的分割阈值作为最佳分割阈值。
具体的,首先,获取任意灰度值作为分割阈值时对应二值图像中任意连通域内所有像素点的平均凹陷程度记为连通域的第一凹陷系数,将所有连通域的第一凹陷系数的均值记为对应二值图像的第二凹陷系数,当所有灰度值作为分割阈值时对应二值图像的第二凹陷系数最大时,将二值图像对应的分割阈值作为对应金属扣图像的最佳分割阈值。
然后,将已经得到最佳分割阈值的金属扣图像记为第一图像,将任意第一图像的灰度分布直方图记为第一直方图,将未得到最佳分割阈值的金属扣图像记为第二图像,将第二图像的灰度分布直方图记为第二直方图,利用巴氏系数算法获取第一直方图和第二直方图之间的相似性,若相似性大于相似性阈值,将第一图像的最佳分割阈值作为第二图像的最佳分割阈值;若相似性小于相似性阈值,利用第一图像的最佳分割阈值的获取方法获取第二图像的最佳分割阈值。
需要说明的是,巴氏系数算法为现有的获取直方图相似性的算法,因此本实施例不进行赘述。
最后,利用最佳分割阈值对金属扣图像进行阈值分割,获得对应的二值图像,将二值图像中第一凹陷系数最大的个连通域进行标注,以完成对金属扣的缺陷检测,其中/>为预设的超参数。
需要说明的是,根据经验预设为3,可根据实际情况进行调整,本实施例不进行具体限定。
至此,本实施例完成。
需要说明的是,本实施例中所用的模型仅用于表示负相关关系和约束模型输出的结果处于/>区间内,具体实施时,可替换成具有同样目的的其他模型,本实施例只是以/>模型为例进行叙述,不对其做具体限定,其中/>是指该模型的输入。
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.基于机器视觉的不规则金属扣成型检测方法,其特征在于,该方法包括以下步骤:
获取金属扣图像;
将金属扣图像中任意像素点记为目标像素点,将金属扣图像均匀划分获得若干个分块,根据目标像素点所在分块中所有像素点的灰度值差异获得目标像素点的局部灰度特征,根据目标像素点的灰度值和局部灰度特征获得目标像素点的异常可能性;构建邻域区域,将目标像素点作为邻域区域的中心,根据邻域区域内像素点的灰度值大小获得目标像素点的特殊像素点,根据目标像素点和特殊像素点获得目标像素点的像素点集,根据像素点集中所有像素点的异常可能性的分布情况分别获得目标像素点的方向-异常特征和异常分布特征,利用方向-异常特征对异常分布特征进行调节获得目标像素点的渐变程度;
获取像素点集中所有像素点的梯度方向,根据梯度方向获得目标像素点的方向权重,利用方向权重对渐变程度加权获得目标像素点的渐变性,根据像素点集中像素点的渐变性的差异获得目标像素点的渐变影响度,将像素点集中像素点的距离和梯度方向的融合获得目标像素点的聚集程度,利用聚集程度对渐变影响度调节获得目标像素点的凹陷程度;
根据凹陷程度的大小进行金属扣成型检测。
2.根据权利要求1所述基于机器视觉的不规则金属扣成型检测方法,其特征在于,所述将金属扣图像均匀划分获得若干个分块,根据目标像素点所在分块中所有像素点的灰度值差异获得目标像素点的局部灰度特征,包括的具体方法为:
将金属扣图像均匀划分为若干个大小的图像块,将一个图像块记为一个分块,其中/>为预设的超参数;获取目标像素点所在分块中所有像素点的灰度值,并将所有像素点的灰度值按照从小到大的顺序进行排列,将排列后得到的序列记为灰度值序列,将灰度值序列的一阶差分序列记为灰度差分序列,将灰度差分序列中所有元素绝对值的累加值记为目标像素点的局部灰度特征。
3.根据权利要求1所述基于机器视觉的不规则金属扣成型检测方法,其特征在于,所述根据目标像素点的灰度值和局部灰度特征获得目标像素点的异常可能性,包括的具体方法为:
将目标像素点的灰度值和局部灰度特征的乘积结果记为目标像素点的异常可能性。
4.根据权利要求1所述基于机器视觉的不规则金属扣成型检测方法,其特征在于,所述构建邻域区域,将目标像素点作为邻域区域的中心,根据邻域区域内像素点的灰度值大小获得目标像素点的特殊像素点,根据目标像素点和特殊像素点获得目标像素点的像素点集,根据像素点集中所有像素点的异常可能性的分布情况分别获得目标像素点的方向-异常特征和异常分布特征,包括的具体方法为:
首先,选取任意灰度值作为分割阈值对金属扣图像进行阈值分割获得对应的二值图像,并对二值图像进行连通域检测获得若干个连通域;
然后,构建大小为的邻域区域,将目标像素点作为邻域区域的中心,获取邻域区域中与目标像素点属于同一个连通域且灰度值最小的像素点,记为目标像素点的特殊像素点;获取从目标像素点到特殊像素点的最短路径上的所有像素点形成的集合,记为目标像素点的像素点集;将像素点集中所有像素点的异常可能性的均值记为目标像素点的方向-异常特征,其中/>为预设的超参数;将像素点集中所有像素点的异常可能性的方差记为目标像素点的异常分布特征。
5.根据权利要求1所述基于机器视觉的不规则金属扣成型检测方法,其特征在于,所述利用方向-异常特征对异常分布特征调节获得目标像素点的渐变程度,包括的具体方法为:
将目标像素点的方向-异常特征与异常分布特征的比值记为目标像素点的渐变程度。
6.根据权利要求1所述基于机器视觉的不规则金属扣成型检测方法,其特征在于,所述获取像素点集中所有像素点的梯度方向,根据梯度方向获得目标像素点的方向权重,包括的具体方法为:
利用Sobel算子获取像素点集中所有像素点的梯度方向,将任意像素点的梯度方向与水平方向之间的夹角记为像素点的梯度夹角,将像素点集中所有像素点的梯度夹角的累加值记为目标像素点的特殊角度,将目标像素点的梯度夹角与目标像素点的特殊角度之间的比值记为目标像素点的方向权重。
7.根据权利要求1所述基于机器视觉的不规则金属扣成型检测方法,其特征在于,所述利用方向权重对渐变程度加权获得目标像素点的渐变性,根据像素点集中像素点的渐变性的差异获得目标像素点的渐变影响度,包括的具体方法为:
首先,将目标像素点的渐变程度和方向权重的乘积结果记为目标像素点的渐变性;
然后,在金属扣图像中,按照从目标像素点到对应特殊像素点的顺序将目标像素点的像素点集中各像素点对应的渐变性进行排序,将排序后对应的序列记为目标像素点的渐变性序列,获取渐变性序列的一阶差分序列记为渐变性差分序列,将渐变性差分序列中所有元素的绝对值的累加值记为目标像素点的渐变影响度。
8.根据权利要求6所述基于机器视觉的不规则金属扣成型检测方法,其特征在于,所述将像素点集中像素点的距离和梯度方向的融合获得目标像素点的聚集程度,包括的具体方法为:
首先,获取目标像素点的特殊像素点与目标像素点的像素点集中除特殊像素点以外的像素点之间的欧氏距离,记为目标像素点的距离因子,获得目标像素点的若干个距离因子,将目标像素点的所有距离因子的累加值记为目标像素点的特殊距离;
然后,目标像素点的聚集程度的具体计算方法为:
其中,表示目标像素点的聚集程度;/>表示目标像素点的特殊距离;/>表示目标像素点的特殊角度;/>表示以自然常数为底数的指数函数。
9.根据权利要求1所述基于机器视觉的不规则金属扣成型检测方法,其特征在于,所述利用聚集程度对渐变影响度调节获得目标像素点的凹陷程度,包括的具体方法为:
目标像素点的凹陷程度的具体计算方法为:
其中,表示目标像素点的凹陷程度;/>表示目标像素点的聚集程度;/>表示目标像素点的渐变影响度;/>表示以目标像素点的聚集程度为底数的对数函数。
10.根据权利要求4所述基于机器视觉的不规则金属扣成型检测方法,其特征在于,所述根据凹陷程度的大小进行金属扣成型检测,包括的具体方法为:
首先,获取任意灰度值作为分割阈值时对应二值图像中任意连通域内所有像素点的平均凹陷程度记为连通域的第一凹陷系数,将所有连通域的第一凹陷系数的均值记为对应二值图像的第二凹陷系数,当所有灰度值作为分割阈值时对应二值图像的第二凹陷系数最大时,将二值图像对应的分割阈值作为对应金属扣图像的最佳分割阈值;
然后,将金属扣图像记为第一图像,将任意第一图像的灰度分布直方图记为第一直方图,将未检测的金属扣图像记为第二图像,将第二图像的灰度分布直方图记为第二直方图,利用巴氏系数算法获取第一直方图和第二直方图之间的相似性,若相似性大于相似性阈值,将第一图像的最佳分割阈值作为第二图像的最佳分割阈值;若相似性小于相似性阈值,利用第一图像的最佳分割阈值的获取方法获取第二图像的最佳分割阈值;
最后,利用最佳分割阈值对金属扣图像进行阈值分割,获得对应的二值图像,将二值图像中第一凹陷系数最大的个连通域进行标注,以完成对金属扣的缺陷检测,其中/>为预设的超参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311466433.1A CN117197140B (zh) | 2023-11-07 | 2023-11-07 | 基于机器视觉的不规则金属扣成型检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311466433.1A CN117197140B (zh) | 2023-11-07 | 2023-11-07 | 基于机器视觉的不规则金属扣成型检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117197140A true CN117197140A (zh) | 2023-12-08 |
CN117197140B CN117197140B (zh) | 2024-02-20 |
Family
ID=88998330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311466433.1A Active CN117197140B (zh) | 2023-11-07 | 2023-11-07 | 基于机器视觉的不规则金属扣成型检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117197140B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117456285A (zh) * | 2023-12-21 | 2024-01-26 | 宁波微科光电股份有限公司 | 基于tof相机与深度学习模型的地铁屏蔽门异物检测方法 |
CN117689655A (zh) * | 2024-01-31 | 2024-03-12 | 东莞市恒兴隆实业有限公司 | 基于计算机视觉的金属钮扣表面缺陷检测方法 |
CN117745724A (zh) * | 2024-02-20 | 2024-03-22 | 高唐县瑞景精密机械有限公司 | 基于视觉分析的石材打磨加工缺陷区域分割方法 |
CN118015000A (zh) * | 2024-04-09 | 2024-05-10 | 陕西思诺特精密科技有限公司 | 一种基于图像处理的导轨用表面缺陷检测方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6014461A (en) * | 1994-11-30 | 2000-01-11 | Texas Instruments Incorporated | Apparatus and method for automatic knowlege-based object identification |
CN114383506A (zh) * | 2022-01-12 | 2022-04-22 | 江苏省沙钢钢铁研究院有限公司 | 一种基于红外技术的高速线材盘卷形状与位置检测方法 |
CN114882026A (zh) * | 2022-07-08 | 2022-08-09 | 山东科尔自动化仪表股份有限公司 | 基于人工智能的传感器外壳缺陷检测方法 |
CN114913365A (zh) * | 2022-04-22 | 2022-08-16 | 海门王巢家具制造有限公司 | 基于机器视觉的人造板质量分类方法及系统 |
CN115063689A (zh) * | 2022-06-16 | 2022-09-16 | 安徽大学 | 一种基于局部显著性增强的cfar舰船目标检测方法 |
CN115100199A (zh) * | 2022-08-24 | 2022-09-23 | 宁波鑫芯微电子科技有限公司 | 一种晶圆低纹理缺陷的检测方法 |
CN115457035A (zh) * | 2022-11-10 | 2022-12-09 | 山东鲁旺机械设备有限公司 | 基于机器视觉的建筑吊篮焊接质量检测方法 |
CN115861261A (zh) * | 2022-12-19 | 2023-03-28 | 南通正德医疗科技有限公司 | 一种医用无纺布的缺陷识别方法 |
CN116523923A (zh) * | 2023-07-05 | 2023-08-01 | 加百裕(南通)电子有限公司 | 一种电池外壳缺陷识别方法 |
CN116542966A (zh) * | 2023-06-28 | 2023-08-04 | 贵州医科大学附属医院 | 用于儿童内分泌异常检测的骨龄智能分析方法 |
CN116883446A (zh) * | 2023-09-08 | 2023-10-13 | 鲁冉光电(微山)有限公司 | 一种车载摄像头镜片碾磨程度实时监测系统 |
CN116912248A (zh) * | 2023-09-13 | 2023-10-20 | 惠州市耀盈精密技术有限公司 | 基于计算机视觉的不规则五金件表面缺陷检测方法 |
CN117011297A (zh) * | 2023-10-07 | 2023-11-07 | 惠州市凯默金属制品有限公司 | 基于图像处理的铝合金汽配件模具缺陷检测方法 |
CN117173184A (zh) * | 2023-11-03 | 2023-12-05 | 济宁市市政园林养护中心 | 基于人工智能的道路施工质量检测方法及系统 |
-
2023
- 2023-11-07 CN CN202311466433.1A patent/CN117197140B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6014461A (en) * | 1994-11-30 | 2000-01-11 | Texas Instruments Incorporated | Apparatus and method for automatic knowlege-based object identification |
CN114383506A (zh) * | 2022-01-12 | 2022-04-22 | 江苏省沙钢钢铁研究院有限公司 | 一种基于红外技术的高速线材盘卷形状与位置检测方法 |
CN114913365A (zh) * | 2022-04-22 | 2022-08-16 | 海门王巢家具制造有限公司 | 基于机器视觉的人造板质量分类方法及系统 |
CN115063689A (zh) * | 2022-06-16 | 2022-09-16 | 安徽大学 | 一种基于局部显著性增强的cfar舰船目标检测方法 |
CN114882026A (zh) * | 2022-07-08 | 2022-08-09 | 山东科尔自动化仪表股份有限公司 | 基于人工智能的传感器外壳缺陷检测方法 |
CN115100199A (zh) * | 2022-08-24 | 2022-09-23 | 宁波鑫芯微电子科技有限公司 | 一种晶圆低纹理缺陷的检测方法 |
CN115457035A (zh) * | 2022-11-10 | 2022-12-09 | 山东鲁旺机械设备有限公司 | 基于机器视觉的建筑吊篮焊接质量检测方法 |
CN115861261A (zh) * | 2022-12-19 | 2023-03-28 | 南通正德医疗科技有限公司 | 一种医用无纺布的缺陷识别方法 |
CN116542966A (zh) * | 2023-06-28 | 2023-08-04 | 贵州医科大学附属医院 | 用于儿童内分泌异常检测的骨龄智能分析方法 |
CN116523923A (zh) * | 2023-07-05 | 2023-08-01 | 加百裕(南通)电子有限公司 | 一种电池外壳缺陷识别方法 |
CN116883446A (zh) * | 2023-09-08 | 2023-10-13 | 鲁冉光电(微山)有限公司 | 一种车载摄像头镜片碾磨程度实时监测系统 |
CN116912248A (zh) * | 2023-09-13 | 2023-10-20 | 惠州市耀盈精密技术有限公司 | 基于计算机视觉的不规则五金件表面缺陷检测方法 |
CN117011297A (zh) * | 2023-10-07 | 2023-11-07 | 惠州市凯默金属制品有限公司 | 基于图像处理的铝合金汽配件模具缺陷检测方法 |
CN117173184A (zh) * | 2023-11-03 | 2023-12-05 | 济宁市市政园林养护中心 | 基于人工智能的道路施工质量检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
翟伟良 等: "基于机器视觉的金属表面缺陷检测方法研究", 科技传播, no. 09, pages 65 - 66 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117456285A (zh) * | 2023-12-21 | 2024-01-26 | 宁波微科光电股份有限公司 | 基于tof相机与深度学习模型的地铁屏蔽门异物检测方法 |
CN117689655A (zh) * | 2024-01-31 | 2024-03-12 | 东莞市恒兴隆实业有限公司 | 基于计算机视觉的金属钮扣表面缺陷检测方法 |
CN117689655B (zh) * | 2024-01-31 | 2024-04-19 | 东莞市恒兴隆实业有限公司 | 基于计算机视觉的金属钮扣表面缺陷检测方法 |
CN117745724A (zh) * | 2024-02-20 | 2024-03-22 | 高唐县瑞景精密机械有限公司 | 基于视觉分析的石材打磨加工缺陷区域分割方法 |
CN117745724B (zh) * | 2024-02-20 | 2024-04-26 | 高唐县瑞景精密机械有限公司 | 基于视觉分析的石材打磨加工缺陷区域分割方法 |
CN118015000A (zh) * | 2024-04-09 | 2024-05-10 | 陕西思诺特精密科技有限公司 | 一种基于图像处理的导轨用表面缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117197140B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
CN115294158A (zh) | 一种基于机器视觉的热连轧带钢图像分割方法 | |
CN100550037C (zh) | 利用改进Hausdorff距离提取识别人耳特征的方法 | |
CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
CN116091504B (zh) | 基于图像处理的连接管连接头质量检测方法 | |
CN114399522A (zh) | 一种基于高低阈值的Canny算子的边缘检测方法 | |
CN107038444A (zh) | 一种指针式表盘的图像识别方法 | |
CN115330767A (zh) | 一种腐蚀箔生产异常识别方法 | |
CN112907460B (zh) | 一种遥感图像增强方法 | |
CN114529538A (zh) | 基于人工智能和高斯混合模型的纺织物表面缺陷检测方法 | |
CN106600610B (zh) | 一种fcm图像分割方法及装置 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
CN117689655B (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
CN114119603A (zh) | 基于图像处理的快餐盒短射缺陷检测方法 | |
CN108805826B (zh) | 改善去雾效果的方法 | |
CN117495849A (zh) | 基于图像特征的电源适配器质量检测方法 | |
CN116630813A (zh) | 一种公路路面施工质量智能检测系统 | |
CN115205289A (zh) | 基于视觉的软木地板原材料分级方法 | |
CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
CN114943744A (zh) | 基于局部Otsu阈值化的边缘检测方法 | |
CN115841600B (zh) | 基于深度学习的甘薯外观品质分类方法 | |
CN115063679B (zh) | 一种基于深度学习的路面质量评估方法 | |
CN113160214B (zh) | 一种图像局部邻域像素相似性衡量新方法 |
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 |