CN117237344B - 基于机器视觉的电子雾化器芯片外观质量检测方法 - Google Patents
基于机器视觉的电子雾化器芯片外观质量检测方法 Download PDFInfo
- Publication number
- CN117237344B CN117237344B CN202311498713.0A CN202311498713A CN117237344B CN 117237344 B CN117237344 B CN 117237344B CN 202311498713 A CN202311498713 A CN 202311498713A CN 117237344 B CN117237344 B CN 117237344B
- Authority
- CN
- China
- Prior art keywords
- analyzed
- image
- image block
- pixel points
- probability
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 239000004816 latex Substances 0.000 claims description 14
- 229920000126 latex Polymers 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 13
- 238000003709 image segmentation Methods 0.000 claims description 10
- 230000007547 defect Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 20
- 230000002708 enhancing effect Effects 0.000 description 4
- 239000000839 emulsion Substances 0.000 description 3
- 230000000452 restraining effect Effects 0.000 description 3
- 238000000889 atomisation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000006199 nebulizer Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009689 gas atomisation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000750 progressive effect Effects 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
本发明涉及图像增强技术领域,具体涉及一种基于机器视觉的电子雾化器芯片外观质量检测方法。该方法包括:获取电子雾化器芯片的灰度图像,图像分割得到待分析图像块;根据像素点的灰度值计算待分析图像块为阴影区域内图像块的第一概率,根据梯度方向变化计算第二概率;根据待分析图像块中所有像素点的梯度值确定待分析图像块的边缘约束特征值;根据第一概率、第二概率,以及边缘约束特征值,确定待分析图像块为阴影区域图像块的匹配度,进而对待分析图像块进行自适应图像增强处理,得到目标图像;对目标图像进行外观质量检测,得到检测结果。本发明能够有效提升电子雾化器芯片外观质量的检测效果,增强检测结果的准确性与可靠性。
Description
技术领域
本发明涉及图像增强技术领域,具体涉及一种基于机器视觉的电子雾化器芯片外观质量检测方法。
背景技术
电子雾化器是一种将液体进行气雾化的设备,对电子雾化器芯片的外观质量检测能够有效分析电子雾化器的雾化效果,为了具备较好的防水和雾化效果,通常会在电子雾化器芯片的外侧覆盖一层圆环状的乳胶套。
相关技术中,使用固定的图像增强方式对电子雾化器芯片的表面图像进行图像增强,并使用增强后的图像进行外观质量检测,这种方式下,由于乳胶套与芯片所处水平面的不同,且由于制造环境存在光照变化、噪声干扰等因素,使得图像在不同区域的灰度变化较大,固定的图像增强方式无法对灰度变化较大图像进行有效增强,导致对电子雾化器芯片的外观质量检测的影响较大,进而导致外观质量检测结果的准确性与可靠性不足。
发明内容
为了解决相关技术中无法对灰度变化较大图像进行有效增强,导致外观质量检测结果的准确性与可靠性不足的技术问题,本发明提供一种基于机器视觉的电子雾化器芯片外观质量检测方法,所采用的技术方案具体如下:
本发明提出了一种基于机器视觉的电子雾化器芯片外观质量检测方法,所述电子雾化器芯片上覆盖有半透明圆环状的乳胶组件,所述乳胶组件在芯片上映射出阴影区域,方法包括:
获取电子雾化器芯片的灰度图像,对所述灰度图像进行图像分割,将所述灰度图像划分为至少两个待分析图像块;
根据每个待分析图像块中所有像素点的灰度值,确定所述待分析图像块为阴影区域内图像块的第一概率;将每个待分析图像块的预设邻域范围内其他所有图像块作为相邻图像块,根据待分析图像块与对应相邻图像块中所有像素点的梯度方向,确定所述待分析图像块为阴影区域内图像块的第二概率;
根据待分析图像块中所有像素点的梯度值,确定阴影区域的边缘像素点,连接所有相距最近的边缘像素点组成边缘区域,根据所述待分析图像块的像素点总数量与属于边缘区域的像素点的数量,确定所述待分析图像块的边缘约束特征值;
根据所述第一概率、所述第二概率,以及所述边缘约束特征值,确定待分析图像块为阴影区域图像块的匹配度,根据每个待分析图像块的匹配度和所有像素点的灰度值,对待分析图像块进行自适应图像增强处理,得到增强图像块,所述增强图像块组成目标图像;
对所述目标图像进行外观质量检测,得到检测结果。
进一步地,所述根据每个待分析图像块中所有像素点的灰度值,确定所述待分析图像块为阴影区域内图像块的第一概率,包括:
基于大津法,对所述待分析图像块中所有像素点的灰度值进行阈值分析,确定所述待分析图像块的分割阈值;
对所述分割阈值进行反比例的归一化处理,得到所述待分析图像块为阴影区域内图像块的第一概率。
进一步地,所述根据待分析图像块与对应相邻图像块中所有像素点的梯度方向,确定所述待分析图像块为阴影区域内图像块的第二概率,包括:
计算所述待分析图像块中所有像素点的梯度方向的均值作为待分析方向均值;
计算任一相邻图像块中所有像素点的梯度方向的均值作为相邻方向均值;
计算待分析方向均值分别与每一相邻方向均值的差值绝对值作为对应的方向均值差异;将所有方向均值差异的方差作为目标方向差异;
对所述目标方向差异进行反比例的归一化处理得到待分析图像块为阴影区域内图像块的第二概率。
进一步地,所述根据待分析图像块中所有像素点的梯度值,确定阴影区域的边缘像素点,包括:
计算待分析图像块中所有像素点的梯度值的均值作为梯度均值,将所述梯度值大于梯度均值像素点作为待处理像素点;
对所述待处理像素点进行梯度值聚类,得到至少两个聚类簇,计算每个聚类簇中所有梯度值的均值作为聚类梯度均值;
根据所述聚类梯度均值确定阴影区域的边缘像素点。
进一步地,所述根据所述待分析图像块的像素点总数量与属于边缘区域的像素点的数量,确定所述待分析图像块的边缘约束特征值,包括:
计算所述待分析图像块中属于边缘区域的像素点的数量与待分析图像块中所有像素点的数量的比值作为待分析图像块的边缘约束特征值。
进一步地,所述根据所述第一概率、所述第二概率,以及所述边缘约束特征值,确定待分析图像块为阴影区域图像块的匹配度,包括:
计算所述第一概率、所述第二概率,以及所述边缘约束特征值的乘积作为目标概率;
对所述目标概率进行归一化处理得到待分析图像块为阴影区域图像块的匹配度。
进一步地,所述根据每个待分析图像块的匹配度和所有像素点的灰度值,对待分析图像块进行自适应图像增强处理,得到增强图像块,包括:
计算待分析图像块的匹配度与预设增强系数的乘积作为自适应增强系数;
计算所述待分析图像块中像素点的灰度值与自适应增强系数的乘积作为增强后的灰度值,根据增强后的灰度值得到增强图像块。
进一步地,所述对所述目标图像进行外观质量检测,得到检测结果,包括:
基于机器视觉的方式对所述目标图像进行外观质量检测,得到电子雾化器芯片的缺陷区域,将所述缺陷区域作为检测结果。
进一步地,所述对所述灰度图像进行图像分割,将所述灰度图像划分为至少两个待分析图像块,包括:
将所述灰度图像划分为至少两个预设大小的待分析图像块,其中,所述预设大小为5×5大小。
进一步地,所述根据所述聚类梯度均值确定阴影区域的边缘像素点,包括:
将所述聚类梯度均值最大的聚类簇所对应的待处理像素点作为阴影区域的边缘像素点。
本发明具有如下有益效果:
本发明通过获取电子雾化器芯片的灰度图像,对灰度图像进行图像分割确定待分析图像块;而后,对灰度值进行分析确定待分析图像块的第一概率;对待分析图像块及其邻域其他图像块的梯度方向进行分析确定第二概率;由于圆环状乳胶组件覆盖在电子雾化器芯片上锁产生的外观的特殊性,会导致其灰度值和梯度方向变化呈现对应的规律性,则本发明根据灰度值的大小确定第一概率,并根据梯度方向的变化确定第二概率,能够在保证第一概率与第二概率的可靠性的同时,减少白噪声的影响,提升分析效果;本发明通过像素点的梯度值分布确定待分析图像块的边缘约束特征值;也即结合灰度图像中像素点的灰度变化以及电子雾化器芯片和乳胶组件表面的灰度变化进行分析,对阴影区域的边缘进行有效约束,而后,结合第一概率、第二概率,以及边缘约束特征值,确定待分析图像块为阴影区域图像块的匹配度,使得匹配度的获取能够更为准确的表征待分析图像块为阴影区域图像块的概率,同样便于后续根据每个待分析图像块的匹配度和像素点的灰度值进行自适应图像增强处理,得到增强图像块,通过匹配度和灰度值进行图像增强,能够使得每一个图像块均能够进行自适应的图像增强,得到图像增强效果最优的目标图像,对不同灰度情况进行自适应分析,有效解决阴影区域所产生的检测影响,进而在对目标图像进行外观质量检测时,能够有效提升检测效果,增强检测结果的准确性与可靠性。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种基于机器视觉的电子雾化器芯片外观质量检测方法流程图;
图2为本发明一个实施例所提供的电子雾化器芯片灰度图像的示意图。
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电子雾化器芯片外观质量检测方法,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。
基于机器视觉的电子雾化器芯片外观质量检测方法实施例:
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电子雾化器芯片外观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一种基于机器视觉的电子雾化器芯片外观质量检测方法流程图,该方法包括:
S101:获取电子雾化器芯片的灰度图像,对灰度图像进行图像分割,将灰度图像划分为至少两个待分析图像块。
图2为本发明一个实施例所提供的电子雾化器芯片灰度图像的示意图,如图2所示,本发明的应用场景为对电子雾化器芯片进行外观质量检测,但是在检测过程中,由于电子雾化器芯片的外侧包裹有乳胶组件,且乳胶组件与电子雾化器芯片存在间隙,导致半透明的乳胶组件在电子雾化器芯片上具有对应的阴影区域,该部分阴影区域也包含有电子雾化器芯片对应的特征,在进行传统图像增强和图像去噪时,会平滑掉细节信息,导致该部分阴影区域内的电子雾化器芯片的外观质量无法被有效检测到,外观质量检测效果较差,因此,本发明实施例通过对电子雾化器芯片对应的图像进行自适应的图像增强,从而提升图像增强效果,保证质量检测的可靠性。
本发明实施例中,可以在电子雾化器芯片的正上方配置工业相机,从而基于工业相机获取原始图像,而后,对原始图像进行感兴趣(Region Of Interest,ROI)区域提取,获取到包含乳胶组件和电子雾化器芯片的ROI图像,而后,对ROI图像进行图像去噪和图像灰度化处理,得到灰度图像。
其中,ROI区域提取、图像去噪和图像灰度化均为本领域所熟知的技术,对此不作进一步赘述与限定。
可选地,在本发明的一些实施例中,对灰度图像进行图像分割,将灰度图像划分为至少两个待分析图像块,包括:将灰度图像划分为至少两个预设大小的待分析图像块,其中,预设大小为5×5大小。
为了便于分析,同时,也为了减小本方案的计算量,则本发明可以对灰度图像进行分块处理,将灰度图像划分为大小相等的待分析图像块,其中,预设大小为待分析图像块的大小,可以具体例如为5×5大小,或者,也可以根据实际情况调整预设大小为3×3,3×5等多种大小格式,以便于对灰度图像进行划分。
本发明在获取待分析图像块之后,可以结合多个待分析图像块的灰度特征和梯度特征,对每个待分析图像块是否为阴影区域进行分析,其具体分析增强的过程参见后续实施例。
S102:根据每个待分析图像块中所有像素点的灰度值,确定待分析图像块为阴影区域内图像块的第一概率;将每个待分析图像块的预设邻域范围内其他所有图像块作为相邻图像块,根据待分析图像块与对应相邻图像块中所有像素点的梯度方向,确定待分析图像块为阴影区域内图像块的第二概率。
其中,第一概率,为待分析图像块为阴影区域内图像块的概率,可以结合待分析图像块中所有像素点的灰度值进行分析,得到第一概率。
可选地,在本发明的一些实施例中,根据每个待分析图像块中所有像素点的灰度值,确定待分析图像块为阴影区域内图像块的第一概率,包括:基于大津法,对待分析图像块中所有像素点的灰度值进行阈值分析,确定待分析图像块的分割阈值;对分割阈值进行反比例的归一化处理,得到待分析图像块为阴影区域内图像块的第一概率。
其中,大津法,也即最大类间方差法,通过大津法能够确定图像的二值化分割阈值,则本发明实施例中基于大津法确定待分析图像块的分割阈值,可以理解的是,大津法为本领域所熟知的技术,对此不再赘述,不同待分析图像块中,像素点的灰度值和灰度分布均不同,因此,不同待分析图像块所对应的分割阈值也会有所差异,可以基于该分割阈值对不同待分析图像块进行分析,由于阴影区域表现为接近黑色的特征,也即阴影区域的灰度值较小,则大津法得到的分割阈值越小,越可能为阴影区域,也即对分割阈值进行反比例的归一化处理,得到待分析图像块为阴影区域内图像块的第一概率,分割阈值越小,第一概率越大,待分析图像块越可能为阴影区域内图像块。
其中,预设邻域范围,可以具体例如为8邻域范围,或者,也可以例如为4邻域范围,则本发明实施例中将每个待分析图像块的预设邻域范围内其他所有图像块作为相邻图像块,也即通过设置预设邻域范围对每个待分析图像块的邻域情况进行进一步分析。
可选地,在本发明的一些实施例中,根据待分析图像块与对应相邻图像块中所有像素点的梯度方向,确定待分析图像块为阴影区域内图像块的第二概率,包括:计算待分析图像块中所有像素点的梯度方向的均值作为待分析方向均值;计算任一相邻图像块中所有像素点的梯度方向的均值作为相邻方向均值;计算待分析方向均值分别与每一相邻方向均值的差值绝对值作为对应的方向均值差异;将所有方向均值差异的方差作为目标方向差异;对目标方向差异进行反比例的归一化处理得到待分析图像块为阴影区域内图像块的第二概率。
本发明实施例中,通过对比待分析图像块和相邻图像块中所有像素点的梯度方向的均值,从而对待分析图像块所处周围情况进行分析,可以理解的是,在灰度图像中,阴影区域为环形乳胶组件所投影出来的区域,由此,可以轻而易举得知,所投影出来的阴影区域,其投影形状更接近于环形或月牙形(由主光源位置决定),因此,其图像块在阴影区域内的梯度方向呈规律性变化,针对这种规律行变化,本发明实施例中则计算待分析图像块与其相邻图像块的方向均值差异,并根据方向均值差异的确定第二概率。
可以理解的是,芯片区域由于光的反射与折射等原因,其像素点的纹理更为复杂,而阴影区域内纹理较为简单,也即在待分析图像块中像素点的梯度方向变化越大时,越可能为纹理复杂的芯片区域,而在待分析图像块中像素点的梯度方向变化越小时,越可能为阴影区域。由此,本发明对目标方向差异进行反比例的归一化处理得到待分析图像块为阴影区域内图像块的第二概率,第二概率越大,待分析图像块越可能为阴影区域内的图像块。
本发明实施例中,仅通过灰度分析和梯度方向分析无法有效确定分析图像块是否为阴影区域内的图像块,因此,本发明对阴影区域的边缘特征进行进一步的分析,具体参见后续实施例。
S103:根据待分析图像块中所有像素点的梯度值,确定阴影区域的边缘像素点,连接所有相距最近的边缘像素点组成边缘区域,根据待分析图像块的像素点总数量与属于边缘区域的像素点的数量,确定待分析图像块的边缘约束特征值。
可选地,在本发明的一些实施例中,根据待分析图像块中所有像素点的梯度值,确定阴影区域的边缘像素点,包括:计算待分析图像块中所有像素点的梯度值的均值作为梯度均值,将梯度值大于梯度均值像素点作为待处理像素点;对待处理像素点进行梯度值聚类,得到至少两个聚类簇,计算每个聚类簇中所有梯度值的均值作为聚类梯度均值;根据聚类梯度均值确定阴影区域的边缘像素点。
本发明实施例中,由于芯片对应的区域和阴影区域具有明显的灰度差异,而在芯片表面的非阴影区域,其灰度变化较为平滑,因此本发明计算所有像素点的梯度值的均值作为梯度均值,并将梯度值大于梯度均值像素点作为待处理像素点,也即将灰度变化较为明显的像素点作为待处理像素点,可以理解的是,待处理像素点仅为灰度变化较为明显的像素点,需对待处理像素点进行进一步的分析。
本发明实施例中,采用聚类的方式对待处理像素点进行进一步的分析,其中,聚类可以是k均值聚类方法,或者,也可以是其他多种任意可能的聚类方式,对此不做限制。
本发明对待处理像素点进行梯度值聚类,得到至少两个聚类簇之后,计算每个聚类簇中所有梯度值的均值作为聚类梯度均值,因阴影区域边缘为灰度变化较为明显的边缘,其对应的梯度值较大,则本发明将聚类梯度均值最大的聚类簇所对应的待处理像素点作为阴影区域的边缘像素点。
本发明实施例在确定所有边缘像素点之后,可以使用平滑的曲线连接所有相距最近的边缘像素点组成边缘区域,需要说明的是,根据灰度变化得到的边缘区域,该边缘区域无法准确表征阴影区域,可以作为阴影区域的一个分析指标,也即根据边缘区域的特征对待分析图像块进行分析,因此,本发明实施例中,根据待分析图像块的像素点总数量与属于边缘区域的像素点的数量,确定待分析图像块的边缘约束特征值。
进一步地,在本发明的一些实施例中,计算待分析图像块中属于边缘区域的像素点的数量与待分析图像块中所有像素点的数量的比值作为待分析图像块的边缘约束特征值。
也即是说,计算每一个待分析图像块中属于边缘区域的像素点的数量与该待分析图像块中所有像素点的数量的比值,并将该比值作为边缘约束特征值。
本发明实施例中,边缘约束特征值越大,越可以说明对应的待分析图像块中像素点数据边缘区域的像素点的数量越多,也即待分析图像块越可能为阴影区域的图像块。
S104:根据第一概率、第二概率,以及边缘约束特征值,确定待分析图像块为阴影区域图像块的匹配度,根据每个待分析图像块的匹配度和所有像素点的灰度值,对待分析图像块进行自适应图像增强处理,得到增强图像块,增强图像块组成目标图像。
进一步地,本发明的一些实施例中,根据第一概率、第二概率,以及边缘约束特征值,确定待分析图像块为阴影区域图像块的匹配度,包括:计算第一概率、第二概率,以及边缘约束特征值的乘积作为目标概率;对目标概率进行归一化处理得到待分析图像块为阴影区域图像块的匹配度。
其中,待分析图像块为阴影区域图像块的匹配度,表示待分析图像块为阴影区域内的图像块概率,也即匹配度越大,待分析图像块越可能为阴影区域内的图像块。
由步骤S102和S103的内容可知,待分析图像块的第一概率越大,待分析图像块越可能为阴影区域内的图像块,待分析图像块的第二概率越大,待分析图像块越可能为阴影区域内的图像块,待分析图像块的边缘约束特征值越大,待分析图像块越可能为阴影区域内的图像块,也即是说,第一概率、第二概率,以及边缘约束特征值均与匹配度呈正相关关系。
则本发明可以计算第一概率、第二概率,以及边缘约束特征值的乘积作为目标概率,并对目标概率进行归一化处理得到待分析图像块为阴影区域图像块的匹配度,其中,归一化处理可以具体例如为最大最小值归一化处理,并且,后续步骤中的归一化均可以采用最大最小值归一化处理,在本发明的其他实施例中可以根据数值具体范围选择其他归一化方法,对此不再赘述。
本发明实施例在确定匹配度之后,可以根据每个待分析图像块的匹配度和所有像素点的灰度值,对待分析图像块进行自适应图像增强处理,得到增强图像块,包括:计算待分析图像块的匹配度与预设增强系数的乘积作为自适应增强系数;计算待分析图像块中像素点的灰度值与自适应增强系数的乘积作为增强后的灰度值,根据增强后的灰度值得到增强图像块。
可以理解的是,图像增强可以具体是线性灰度增强,本发明实施例中,由于芯片对应的区域和阴影对应的区域,其受光强度不同,导致在使用同样的线性增强系数进行增强时,若芯片对应的区域增强效果最优,则阴影区域增强效果不足,而若阴影区域增强效果最优,则芯片对应的区域会过度增强,因此,本发明对每一个待分析图像块均使用自适应的图像增强处理,从而保证每一图像块均能够进行有效的图像增强,得到图像增强效果最优的目标图像。
其中,预设增强系数,为图像线性增强的系数,可选地,预设增强系数可以具体例如为0.8,当然,本发明还可以根据实际检测情况对预设增强系数进行调整,对此不做限制。
本发明实施例中,计算待分析图像块的匹配度与预设增强系数的乘积作为自适应增强系数,也即在匹配度越大时,对应的自适应者增强系数越高,从而提升自适应增强系数的可靠性,计算待分析图像块中像素点的灰度值与自适应增强系数的乘积作为增强后的灰度值,由此,对所有待分析图像块进行处理,得到每个像素点对应的增强后的灰度值,而后,将像素点的灰度值调整为增强后的灰度值,得到目标图像。
S105:对目标图像进行外观质量检测,得到检测结果。
在本发明的一些实施例中,对目标图像进行外观质量检测,得到检测结果,包括:基于机器视觉的方式对目标图像进行外观质量检测,得到电子雾化器芯片的缺陷区域,将缺陷区域作为检测结果。
其中,基于机器视觉的方式对图像进行外观质量检测,确定缺陷区域的方式为本领域所熟知的技术,该缺陷可以具体例如为乳胶组件与芯片间的间隙大小,可以理解的是,通过目标图像可以准确分析阴影区域的大小,而间隙越大,对应乳胶组件与芯片贴合度越低,也即该电子雾化器芯片质量较差,而间隙越大,也可以表示为对应阴影区域越大,进一步表示电子雾化器芯片质量越差。
或者,也可以对被阴影区域所遮挡的芯片区域进行质量检测,由于对阴影区域对应的像素点进行更明显的线性增强,从而保证阴影区域内的芯片图像显示更为清晰,更便于基于机器视觉的方式进行质量检测,如表面涂层平整性等。
本发明通过获取电子雾化器芯片的灰度图像,对灰度图像进行图像分割确定待分析图像块;而后,对灰度值进行分析确定待分析图像块的第一概率;对待分析图像块及其邻域其他图像块的梯度方向进行分析确定第二概率;由于圆环状乳胶组件覆盖在电子雾化器芯片上锁产生的外观的特殊性,会导致其灰度值和梯度方向变化呈现对应的规律性,则本发明根据灰度值的大小确定第一概率,并根据梯度方向的变化确定第二概率,能够在保证第一概率与第二概率的可靠性的同时,减少白噪声的影响,提升分析效果;本发明通过像素点的梯度值分布确定待分析图像块的边缘约束特征值;也即结合灰度图像中像素点的灰度变化以及电子雾化器芯片和乳胶组件表面的灰度变化进行分析,对阴影区域的边缘进行有效约束,而后,结合第一概率、第二概率,以及边缘约束特征值,确定待分析图像块为阴影区域图像块的匹配度,使得匹配度的获取能够更为准确的表征待分析图像块为阴影区域图像块的概率,同样便于后续根据每个待分析图像块的匹配度和像素点的灰度值进行自适应图像增强处理,得到增强图像块,通过匹配度和灰度值进行图像增强,能够使得每一个图像块均能够进行自适应的图像增强,得到图像增强效果最优的目标图像,对不同灰度情况进行自适应分析,有效解决阴影区域所产生的检测影响,进而在对目标图像进行外观质量检测时,能够有效提升检测效果,增强检测结果的准确性与可靠性。
一种电子雾化器芯片的图像增强方法实施例:
由于相关技术中仅使用统一的增强系数对电子雾化器芯片的图像进行图像增强处理,而忽略了乳胶组件与芯片的间的间隙由于光照影响所产生的阴影区域,进而导致阴影区域内无法有效进行图像增强,使得增强后的图像显示清晰度不足,图像增强效果较差。
为了解决上述问题,本发明提出了一种电子雾化器芯片的图像增强方法,具体步骤包括:
S101:获取电子雾化器芯片的灰度图像,对灰度图像进行图像分割,将灰度图像划分为至少两个待分析图像块。
S102:根据每个待分析图像块中所有像素点的灰度值,确定待分析图像块为阴影区域内图像块的第一概率;将每个待分析图像块的预设邻域范围内其他所有图像块作为相邻图像块,根据待分析图像块与对应相邻图像块中所有像素点的梯度方向,确定待分析图像块为阴影区域内图像块的第二概率。
S103:根据待分析图像块中所有像素点的梯度值,确定阴影区域的边缘像素点,连接所有相距最近的边缘像素点组成边缘区域,根据待分析图像块的像素点总数量与属于边缘区域的像素点的数量,确定待分析图像块的边缘约束特征值。
S104:根据第一概率、第二概率,以及边缘约束特征值,确定待分析图像块为阴影区域图像块的匹配度,根据每个待分析图像块的匹配度和所有像素点的灰度值,对待分析图像块进行自适应图像增强处理,得到增强图像块,增强图像块组成目标图像。
其中,步骤S101~S104的具体解释说明在上述实施例中已给出,在此不再赘述。
本发明通过获取电子雾化器芯片的灰度图像,对灰度图像进行图像分割确定待分析图像块;而后,对灰度值进行分析确定待分析图像块的第一概率;对待分析图像块及其邻域其他图像块的梯度方向进行分析确定第二概率;由于圆环状乳胶组件覆盖在电子雾化器芯片上锁产生的外观的特殊性,会导致其灰度值和梯度方向变化呈现对应的规律性,则本发明根据灰度值的大小确定第一概率,并根据梯度方向的变化确定第二概率,能够在保证第一概率与第二概率的可靠性的同时,减少白噪声的影响,提升分析效果;本发明通过像素点的梯度值分布确定待分析图像块的边缘约束特征值;也即结合灰度图像中像素点的灰度变化以及电子雾化器芯片和乳胶组件表面的灰度变化进行分析,对阴影区域的边缘进行有效约束,而后,结合第一概率、第二概率,以及边缘约束特征值,确定待分析图像块为阴影区域图像块的匹配度,使得匹配度的获取能够更为准确的表征待分析图像块为阴影区域图像块的概率,同样便于后续根据每个待分析图像块的匹配度和像素点的灰度值进行自适应图像增强处理,得到增强图像块,通过匹配度和灰度值进行图像增强,能够使得每一个图像块均能够进行自适应的图像增强,得到图像增强效果最优的目标图像,提升目标图像的显示清晰度,进而提升图像增强效果。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种基于机器视觉的电子雾化器芯片外观质量检测方法,其特征在于,所述电子雾化器芯片上覆盖有半透明圆环状的乳胶组件,所述乳胶组件在芯片上映射出阴影区域,所述方法包括:
获取电子雾化器芯片的灰度图像,对所述灰度图像进行图像分割,将所述灰度图像划分为至少两个待分析图像块;
根据每个待分析图像块中所有像素点的灰度值,确定所述待分析图像块为阴影区域内图像块的第一概率;将每个待分析图像块的预设邻域范围内其他所有图像块作为相邻图像块,根据待分析图像块与对应相邻图像块中所有像素点的梯度方向,确定所述待分析图像块为阴影区域内图像块的第二概率;
根据待分析图像块中所有像素点的梯度值,确定阴影区域的边缘像素点,连接所有相距最近的边缘像素点组成边缘区域,根据所述待分析图像块的像素点总数量与属于边缘区域的像素点的数量,确定所述待分析图像块的边缘约束特征值;
根据所述第一概率、所述第二概率,以及所述边缘约束特征值,确定待分析图像块为阴影区域图像块的匹配度,根据每个待分析图像块的匹配度和所有像素点的灰度值,对待分析图像块进行自适应图像增强处理,得到增强图像块,所述增强图像块组成目标图像;
对所述目标图像进行外观质量检测,得到检测结果。
2.如权利要求1所述的一种基于机器视觉的电子雾化器芯片外观质量检测方法,其特征在于,所述根据每个待分析图像块中所有像素点的灰度值,确定所述待分析图像块为阴影区域内图像块的第一概率,包括:
基于大津法,对所述待分析图像块中所有像素点的灰度值进行阈值分析,确定所述待分析图像块的分割阈值;
对所述分割阈值进行反比例的归一化处理,得到所述待分析图像块为阴影区域内图像块的第一概率。
3.如权利要求1所述的一种基于机器视觉的电子雾化器芯片外观质量检测方法,其特征在于,所述根据待分析图像块与对应相邻图像块中所有像素点的梯度方向,确定所述待分析图像块为阴影区域内图像块的第二概率,包括:
计算所述待分析图像块中所有像素点的梯度方向的均值作为待分析方向均值;
计算任一相邻图像块中所有像素点的梯度方向的均值作为相邻方向均值;
计算待分析方向均值分别与每一相邻方向均值的差值绝对值作为对应的方向均值差异;将所有方向均值差异的方差作为目标方向差异;
对所述目标方向差异进行反比例的归一化处理得到待分析图像块为阴影区域内图像块的第二概率。
4.如权利要求1所述的一种基于机器视觉的电子雾化器芯片外观质量检测方法,其特征在于,所述根据待分析图像块中所有像素点的梯度值,确定阴影区域的边缘像素点,包括:
计算待分析图像块中所有像素点的梯度值的均值作为梯度均值,将所述梯度值大于梯度均值像素点作为待处理像素点;
对所述待处理像素点进行梯度值聚类,得到至少两个聚类簇,计算每个聚类簇中所有梯度值的均值作为聚类梯度均值;
根据所述聚类梯度均值确定阴影区域的边缘像素点。
5.如权利要求1所述的一种基于机器视觉的电子雾化器芯片外观质量检测方法,其特征在于,所述根据所述待分析图像块的像素点总数量与属于边缘区域的像素点的数量,确定所述待分析图像块的边缘约束特征值,包括:
计算所述待分析图像块中属于边缘区域的像素点的数量与待分析图像块中所有像素点的数量的比值作为待分析图像块的边缘约束特征值。
6.如权利要求1所述的一种基于机器视觉的电子雾化器芯片外观质量检测方法,其特征在于,所述根据所述第一概率、所述第二概率,以及所述边缘约束特征值,确定待分析图像块为阴影区域图像块的匹配度,包括:
计算所述第一概率、所述第二概率,以及所述边缘约束特征值的乘积作为目标概率;
对所述目标概率进行归一化处理得到待分析图像块为阴影区域图像块的匹配度。
7.如权利要求1所述的一种基于机器视觉的电子雾化器芯片外观质量检测方法,其特征在于,所述根据每个待分析图像块的匹配度和所有像素点的灰度值,对待分析图像块进行自适应图像增强处理,得到增强图像块,包括:
计算待分析图像块的匹配度与预设增强系数的乘积作为自适应增强系数;
计算所述待分析图像块中像素点的灰度值与自适应增强系数的乘积作为增强后的灰度值,根据增强后的灰度值得到增强图像块。
8.如权利要求1所述的一种基于机器视觉的电子雾化器芯片外观质量检测方法,其特征在于,所述对所述目标图像进行外观质量检测,得到检测结果,包括:
基于机器视觉的方式对所述目标图像进行外观质量检测,得到电子雾化器芯片的缺陷区域,将所述缺陷区域作为检测结果。
9.如权利要求1所述的一种基于机器视觉的电子雾化器芯片外观质量检测方法,其特征在于,所述对所述灰度图像进行图像分割,将所述灰度图像划分为至少两个待分析图像块,包括:
将所述灰度图像划分为至少两个预设大小的待分析图像块,其中,所述预设大小为5×5大小。
10.如权利要求4所述的一种基于机器视觉的电子雾化器芯片外观质量检测方法,其特征在于,所述根据所述聚类梯度均值确定阴影区域的边缘像素点,包括:
将所述聚类梯度均值最大的聚类簇所对应的待处理像素点作为阴影区域的边缘像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311498713.0A CN117237344B (zh) | 2023-11-13 | 2023-11-13 | 基于机器视觉的电子雾化器芯片外观质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311498713.0A CN117237344B (zh) | 2023-11-13 | 2023-11-13 | 基于机器视觉的电子雾化器芯片外观质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117237344A CN117237344A (zh) | 2023-12-15 |
CN117237344B true CN117237344B (zh) | 2024-01-19 |
Family
ID=89098644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311498713.0A Active CN117237344B (zh) | 2023-11-13 | 2023-11-13 | 基于机器视觉的电子雾化器芯片外观质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117237344B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557566B (zh) * | 2024-01-12 | 2024-04-12 | 深圳博上科技有限公司 | 基于图像特征的电子烟发热丝质量智能检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019144469A1 (zh) * | 2018-01-24 | 2019-08-01 | 华讯方舟科技有限公司 | 一种图像质量分类方法、系统及终端设备 |
WO2021008019A1 (zh) * | 2019-07-18 | 2021-01-21 | 平安科技(深圳)有限公司 | 姿态跟踪方法、装置及计算机可读存储介质 |
CN115375676A (zh) * | 2022-10-24 | 2022-11-22 | 微山三利特不锈钢有限公司 | 一种基于图像识别的不锈钢制品质量检测方法 |
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 |
-
2023
- 2023-11-13 CN CN202311498713.0A patent/CN117237344B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019144469A1 (zh) * | 2018-01-24 | 2019-08-01 | 华讯方舟科技有限公司 | 一种图像质量分类方法、系统及终端设备 |
WO2021008019A1 (zh) * | 2019-07-18 | 2021-01-21 | 平安科技(深圳)有限公司 | 姿态跟踪方法、装置及计算机可读存储介质 |
CN115375676A (zh) * | 2022-10-24 | 2022-11-22 | 微山三利特不锈钢有限公司 | 一种基于图像识别的不锈钢制品质量检测方法 |
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 |
Non-Patent Citations (1)
Title |
---|
灰度序列图像中基于纹理特征的移动阴影检测;韩延祥;张志胜;郝飞;陈平;;光学精密工程(11);第201-212页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117237344A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113781402B (zh) | 芯片表面划痕缺陷的检测方法、装置和计算机设备 | |
CN115082683B (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN112950508A (zh) | 一种基于计算机视觉的排水管道视频数据修复方法 | |
CN108876856B (zh) | 一种大型建筑火灾火源识别定位方法及系统 | |
CN117237344B (zh) | 基于机器视觉的电子雾化器芯片外观质量检测方法 | |
Yu et al. | A new edge detection approach based on image context analysis | |
US20090010546A1 (en) | Edge-Guided Morphological Closing in Segmentation of Video Sequences | |
CN111161222B (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
CN108898132B (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
CN109543686B (zh) | 基于自适应多阈值的字符识别预处理二值化方法 | |
CN117372432B (zh) | 基于图像分割的电子烟表面缺陷检测方法及系统 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
Liang et al. | Automatic defect detection of texture surface with an efficient texture removal network | |
CN117764986A (zh) | 基于图像处理的钛板表面缺陷检测方法 | |
CN112288780B (zh) | 多特征动态加权的目标跟踪算法 | |
Kim | Image enhancement using patch-based principal energy analysis | |
CN117557565A (zh) | 一种锂电池极片的检测方法及其装置 | |
Lee | 16‐4: Invited Paper: Region‐Based Machine Learning for OLED Mura Defects Detection | |
Huang et al. | Automatic generation of laser cutting paths in defective TFT-LCD panel images by using neutrosophic canny segmentation | |
CN115184362A (zh) | 一种基于结构光投影的快速缺陷检测方法 | |
Bhalla et al. | An adaptive thresholding based method to locate and segment defects on LCD panels | |
CN113674180A (zh) | 磨砂平面低对比度缺陷检测方法、装置、设备和存储介质 | |
CN113870342A (zh) | 外观缺陷检测方法、智能终端以及存储装置 |
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 |