CN117372432B - 基于图像分割的电子烟表面缺陷检测方法及系统 - Google Patents
基于图像分割的电子烟表面缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN117372432B CN117372432B CN202311674513.6A CN202311674513A CN117372432B CN 117372432 B CN117372432 B CN 117372432B CN 202311674513 A CN202311674513 A CN 202311674513A CN 117372432 B CN117372432 B CN 117372432B
- Authority
- CN
- China
- Prior art keywords
- edge
- target
- edges
- acquiring
- points
- 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
- 239000003571 electronic cigarette Substances 0.000 title claims abstract description 51
- 230000007547 defect Effects 0.000 title claims abstract description 48
- 238000003709 image segmentation Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 239000003973 paint Substances 0.000 claims abstract description 123
- 238000000034 method Methods 0.000 claims abstract description 52
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 241000283070 Equus zebra Species 0.000 claims abstract description 21
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000012163 sequencing technique Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006578 abscission Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000005507 spraying Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000004381 surface treatment Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012549 training Methods 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及表面缺陷区域分割技术领域,具体涉及一种基于图像分割的电子烟表面缺陷检测方法及系统。通过分析电子烟表面图像中每两条闭合边缘上的角点数量及特征差异,得到边缘相似度,进而结合两条闭合边缘的差异获取所有目标边缘、目标区域与参考边缘;分析参考边缘两侧灰度信息及目标边缘与参考边缘对应中心的位置偏移情况,结合目标边缘与参考边缘上所有角点分别到对应中心的灰度变化差异,获取斑状脱落显著系数并筛选出所有疑似斑状脱漆区域;根据疑似斑状脱漆区域的区域中心对表面图像进行超像素分割,获取斑状脱漆缺陷区域。本发明通过获取具有明显斑状脱漆特征区域的区域中心为超像素分割的种子点,提高了缺陷区域的检测准确性。
Description
技术领域
本发明涉及表面缺陷区域分割技术领域,具体涉及一种基于图像分割的电子烟表面缺陷检测方法及系统。
背景技术
电子烟表面的缺陷可能影响电子烟的结构完整性和密封性,导致电子泄露、液体泄露等安全问题;同时,粗糙的表面或者锋利的棱角可能会增加用户的不适感及对影响产品美观,降低用户对产品的满意度。
电子烟在生产过程中需要进行喷漆处理,但喷漆工艺控制不良易导致电子烟表面出现斑状脱落缺陷,在传统的图像分割算法对电子烟表面缺陷进行检测时,由于电子烟表面的标识、外壳结构及缺陷特征较为复杂从而导致表面缺陷区域的部分边界模糊,分割效果较差,对质检过程带来了不便。
发明内容
为了解决现有图像分割算法对表面缺陷区域分割效果较差的技术问题,本发明的目的在于提供一种基于图像分割的电子烟表面缺陷检测方法及系统,所采用的技术方案具体如下:
本发明提出了一种基于图像分割的电子烟表面缺陷检测方法,所述方法包括:
获取待测电子烟的表面图像;
获取所述表面图像中的所有闭合边缘及每条所述闭合边缘上的所有角点;根据不同所述闭合边缘上所述角点的数量差异及特征差异,获取所有所述闭合边缘中每两条所述闭合边缘的边缘相似度;根据所述边缘相似度及对应两条所述闭合边缘的差异,获取所述表面图像中的所有目标边缘、参考边缘及所述目标边缘围成的目标区域;
根据所述参考边缘两侧像素点的灰度信息,及所述目标边缘与所述参考边缘对应中心的位置偏移情况,获取每个所述目标区域的斑状裸露显著系数;在每个所述目标区域中,根据所述目标边缘上所有所述角点到对应中心的灰度变化与所述参考边缘上所有所述角点到对应中心的灰度变化的变化差异,获取油漆剥离显著系数;根据所述斑状裸露显著系数与所述油漆剥离显著系数,获取每个所述目标区域的所述斑状脱落显著系数;
根据所述斑状脱落显著系数在所有所述目标区域中筛选出所有疑似斑状脱漆区域;根据每个所述疑似斑状脱漆区域的所述目标边缘与所述参考边缘对应中心获取对应所述疑似斑状脱漆区域的区域中心;根据所述区域中心对所述表面图像进行超像素分割,获取斑状脱漆缺陷区域。
进一步地,所述边缘相似度的获取方法包括:
任选一条所述闭合边缘为待分析边缘,获取所述待分析边缘上任一所述角点为待分析首点,沿所述闭合边缘的任意方向依次将对应所述待分析边缘上的所有所述角点进行排序标号;获取其他每条所述闭合边缘上的首点并进行排序标号,所述首点与所述待分析首点在所述表面图像上的位置差异最小,且其他每条所述闭合边缘上的所述角点的排序方向与所述待分析边缘上的所述角点的排序方向的一致;
获取每个所述角点在对应预设窗口内的特征描述子;在所有所述闭合边缘中的每两条所述闭合边缘中,获取所有相同排序标号所述角点间的距离方差及对应所述特征描述子间的第一DTW距离均值,将对应两条所述闭合边缘上所述角点的数量比值减去预设第一正常数后的绝对值进行负相关映射并归一化,将归一化值作为分子,将所述距离方差与所述第一DTW距离均值的乘积加上预设第二正常数后作为分母,得到对应两条所述闭合边缘的边缘相似度。
进一步地,所述目标边缘及所述参考边缘的获取方法包括:
在所有所述闭合边缘中筛选出与所述待分析边缘的所述边缘相似度最大的所述闭合边缘作为配套边缘,比较所述待分析边缘与所述配套边缘上像素点的数量差异,将两条所述闭合边缘上像素点数量最多的所述闭合边缘作为目标边缘,另一条所述闭合边缘为对应的参考边缘;
在其余所有所述闭合边缘中,任选一所述闭合边缘作为待分析边缘,获取相应的目标边缘及参考边缘,不断迭代直至获取所有目标边缘及参考边缘为止。
进一步地,所述斑状裸露显著系数的获取方法包括:
获取预设标准脱漆灰度值;在每个所述目标区域中,获取所述参考边缘内侧所有像素点的灰度均值与所述预设标准脱漆灰度值的第一灰度差异,获取所述目标边缘与所述参考边缘的质心距离,将所述质心距离乘以所述第一灰度差异后加上预设第三正常数后作为分母,获取所述参考边缘外侧所有所述参考边缘相邻像素点的灰度均值与所述参考边缘内侧所有像素点的灰度均值的第二灰度差异,将所述第二灰度差异作为分子,得到对应所述目标区域的斑状裸露显著系数。
进一步地,所述油漆剥离显著系数的获取方法包括:
以所述目标边缘的质心为第一起点,获取所述第一起点至所述目标边缘上每个所述角点对应方向上的所有第一射线,将每条所述第一射线上所述第一起点至对应所述角点后预设数量个像素点的所有像素点的灰度值依次作为第一序列元素,得到对应的第一灰度变化序列;
以所述参考边缘的质心为第二起点,获取所述第二起点至所述参考边缘上每个所述角点对应方向上的所有第二射线,将每条所述第二射线上所述第二起点至对应所述角点的所有像素点的灰度值依次作为第二序列元素,得到对应的第二灰度变化序列;
在每个所述目标区域中,获取所述目标边缘上相邻所述角点对应所有第一灰度变化序列间的第二DTW距离均值,将所述第二DTW距离均值加上预设第四正常数作为分母,获取所述目标边缘与对应所述参考边缘上所有相同排序标号所述角点对应所述第一灰度变化序列与所述第二灰度变化序列间的相关系数均值,将所述相关系数均值作为分子,得到对应所述目标区域的油漆剥离显著系数。
进一步地,所述斑状脱落显著系数的获取方法包括:
将每个所述目标区域的所述斑状裸露显著系数与所述油漆剥离显著系数相乘后进行归一化,得到对应所述目标区域的所述斑状脱落显著系数。
进一步地,所述目标区域的筛选方法包括:
将所述斑状脱落显著系数大于预设阈值的所述目标区域作为疑似斑状脱漆区域。
进一步地,所述区域中心的获取方法包括:
在每个所述疑似斑状脱漆区域中,获取所述目标边缘的质心与所述参考边缘的质心间的中点,将所述中点作为对应所述疑似斑状脱漆区域的区域中心。
进一步地,所述预设数量为10。
本发明还提出一种基于图像分割的电子烟表面缺陷检测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任意一项所述一种基于图像分割的电子烟表面缺陷检测方法的步骤。
本发明具有如下有益效果:
本发明获取待测电子烟表面图像中的所有闭合边缘及每条闭合边缘上的所有角点,角点的独特特征可以帮助边缘的形状比较与匹配分析,通过分析每两条闭合边缘上角点的数量及特征差异,获取其边缘相似度,进而根据边缘相似度及对应两条闭合边缘的差异,获取所有目标边缘及对应的目标区域与参考边缘;然后根据参考边缘两侧像素点的灰度信息,及目标边缘与参考边缘对应中心的位置偏移情况,获取每个目标区域的斑状裸露显著系数,斑状裸露显著系数的大小反映了目标区域中的颜色特征及区域中心重合度是否符合斑状脱漆特征;在每个目标区域中,根据目标边缘与参考边缘上所有角点分别到对应中心的灰度变化差异,获取油漆剥离显著系数,油漆剥离显著系数则反映了每个目标区域内是否符合斑状脱漆特征的阶段灰度变化;进一步综合两个反映符合斑状脱漆特征的显著系数获取每个目标区域的斑状脱落显著系数并筛选出所有疑似斑状脱漆区域,进而根据疑似斑状脱漆区域的区域中心进行超像素分割,获取斑状脱漆缺陷区域。本发明通过获取具有明显斑状脱漆特征区域的区域中心为超像素分割的种子点,能够有效识别斑状脱漆区域,提高了缺陷区域的检测准确性。
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图像分割的电子烟表面缺陷检测方法的流程图;
图2为本发明一个实施例所提供的一种电子烟表面中的一个斑状脱漆区域的示意图。
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图像分割的电子烟表面缺陷检测方法及系统,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一种基于图像分割的电子烟表面缺陷检测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于图像分割的电子烟表面缺陷检测方法的方法流程图,该方法包括以下步骤:
步骤S1,获取待测电子烟的表面图像。
为对电子烟表面是否存在缺陷进行检测,本发明通过采集待测电子烟的表面图像,并结合电子烟表面缺陷的斑状脱漆特征对所采集的表面图像进行处理分析,获取与斑状脱漆特征相似的疑似斑状脱漆区域,进而将疑似斑状脱漆区域的区域中心作为超像素分割的种子点进行表面图像的分割,提高了对缺陷区域的分割和检测的准确性。
在本发明的一个实施例中,具体通过CCD相机获取电子烟的表面图像,需要说明的是,本发明实施例针对的是椭圆柱体结构的电子烟,在进行图像采集时,需要获取待测电子烟两个长轴侧面、两个短轴侧面及两个端面共计六张表面图像,由于每张表面图像的分析处理方法相同,在此仅以其中一张长轴侧面的表面图像作为待分析表面图像进行分析,进而获取表面图像中的缺陷区域。
为了方便图像后续分析处理,需对获取待测电子烟的待分析表面图像进行预处理。考虑到后续需结合电子烟斑状脱漆的特点对表面图像中的边缘特征进行分析,故在本发明的一个实施例中,首先选用双边滤波对获取待测电子烟的待分析表面图像进行去噪处理,并对去噪后的待分析表面图像采用加权平均法进行灰度化处理,在处理过程中区分边缘和噪声,减少对边缘的影响,抑制噪声的同时保持边缘的清晰度,实施者也可根据实际情况选用其他去噪方式及灰度化方式。需要说明的是,双边滤波及加权平均法灰度化是本领域技术人员所熟知的技术手段,在此不再赘述。
步骤S2,获取表面图像中的所有闭合边缘及每条闭合边缘上的所有角点;根据不同闭合边缘上角点的数量差异及特征差异,获取所有闭合边缘中每两条闭合边缘的边缘相似度;根据边缘相似度及对应两条闭合边缘的差异,获取表面图像中的所有目标边缘、参考边缘及目标边缘围成的目标区域。
考虑到电子烟的外壳加工工艺流程通常为在铝合金材质的电子烟外壳上喷涂双组份的PU漆后再喷涂UV漆,由于喷涂工艺控制不良或铝合金外壳表面处理不当等随机因素,可能导致喷漆在铝合金外壳表面附着力较低而产生脱漆的情况,通常呈现出不规则的斑状或者块状脱落,且脱落部分的边缘通常会出现剥离起翘现象,形成明显的边界,其剥离起翘的边缘通常会在电子烟表面产生阴影,故会在斑状脱漆区域内即脱漆造成的铝合金裸露表面影射出一条与脱漆区域边缘形状高度相似的阴影边缘,请参阅图2,其示出了本发明一个实施例所提供的一种电子烟表面中的一个斑状脱漆区域的示意图,图2中外边缘线为斑状脱漆区域的脱漆边缘,内边缘线为脱漆边缘起翘影射出的一条阴影边缘,外边缘线内侧所围区域为斑状脱漆区域,也即脱漆造成的铝合金裸露区域,但由于边缘起翘,使得内边缘线与外边缘线间的铝合金裸露区域成为阴影区域。
由于斑状脱漆区域的内边缘与外边缘都为形状相似的闭合边缘,本发明实施例首先获取表面图像中的所有闭合边缘,进一步分析每两条闭合边缘间的相似度,从而可以判断对应两条闭合边缘是否符合斑状脱漆特征。在本发明的一个实施例中,具体通过Canny算子对待分析表面图像进行边缘检测,然后通过边缘跟踪算法判断边缘的闭合性。又考虑到斑状脱漆区域的不规则闭合边缘上通常存在较多角点,待测电子烟表面的按钮、充电孔或结构线条等闭合边缘可能干扰最终分析结果,而角点的独特性可以帮助边缘的形状比较与匹配分析,故本发明实施例进一步获取每条闭合边缘上的所有角点。在本发明的一个实施例中,具体采用Harris角点检测算法获取所有角点。Canny算子、边缘跟踪算法及Harris角点检测算法均为现有技术,此处不再过多赘述。
在获取每条闭合边缘上的所有角点后,可根据不同闭合边缘上角点的数量差异及特征差异,获取所有闭合边缘中每两条闭合边缘的边缘相似度。
优选地,在本发明的一个实施例中,考虑到斑状脱漆区域内的脱漆边缘与阴影边缘上相同方位的角点应当具有相似的方向梯度;又由于阴影边缘是由脱漆边缘起翘所影射的,脱漆边缘与阴影边缘上的角点数量、及所有对应相同排序序号的角点间的距离均应当大致相同;基于此,边缘相似度的获取方法包括,任选一条闭合边缘为待分析边缘,获取待分析边缘上任一角点为待分析首点,沿闭合边缘的任意方向依次将对应待分析边缘上的所有角点进行排序标号;获取其他每条闭合边缘上的首点并进行排序标号,首点与待分析首点在表面图像上的位置差异最小,且其他每条闭合边缘上的角点的排序方向与待分析边缘上的角点的排序方向的一致;获取每个角点在对应预设窗口内的特征描述子;在所有闭合边缘中的每两条闭合边缘中,获取所有相同排序标号角点间的距离方差及对应特征描述子间的第一DTW距离均值,将对应两条闭合边缘上角点的数量比值减去预设第一正常数后的绝对值进行负相关映射并归一化,将归一化值作为分子,将距离方差与第一DTW距离均值的乘积加上预设第二正常数后作为分母,得到对应两条闭合边缘的边缘相似度。
在本发明实施例中,通过将每条闭合边缘上的角点进行顺序排序后,具体以每个角点为中心,构建一个尺寸为的预设窗口,并在窗口内获取每个角点对应的方向梯度直方图(Histogram of Oriented Gradient,HOG)特征描述子,然后获取两条闭合边缘上相同排序序号角点对应特征描述子间的动态时间规整(Dynamic Time Warping,DTW)距离,进而得到第一DTW距离均值,并获取所有相同序号角点间的欧氏距离进而计算距离方差。在本发明的其他实施例中,实施者可以根据具体情况设置预设窗口尺寸、选取其他距离度量方法及其他特征描述子,并通过其他相似性分析方法获取特征描述子之间的相似度。HOG特征描述子、DTW距离与欧氏距离的获取方法为本领域技术人员熟知的技术手段,在此不再赘述。
需要说明的是,在获取两条闭合边缘上相同排序序号角点对应特征描述子间的DTW距离时,可能存在两条闭合边缘上角点数量不一致的情况,在本发明实施例中仅需将两条闭合边缘上具有相同排序序号的角点进行分析处理即可。
边缘相似度的计算公式表示为:
式中,为第/>条闭合边缘与第/>条闭合边缘的边缘线相似度;/>为第/>条闭合边缘上角点个数;/>为第/>条闭合边缘上的角点个数;/>为第/>条闭合边缘与第条闭合边缘上排序序号均为/>的角点间的欧氏距离,/>为第/>条闭合边缘与第/>条闭合边缘上所有相同排序序号角点间的欧氏距离均值,/>为第/>条闭合边缘与第/>条闭合边缘上相同排序序号角点的总个数;/>为所有相同排序序号角点对应特征描述子间的第一DTW距离均值;/>为自然常数,/>为预设第一正常数,/>为预设第二正常数,在本发明实施例中,由于闭合边缘上的角点数量比值越接近于1,其边缘相似度越高,故将预设第一正常数设置为1,同时为保证分母有意义,设置预设第二正常数,预设第二正常数取1。
边缘相似度公式中,角点的数量差异越小,其边缘相似度越高;若两条闭合边缘上所有相同序号的角点间的距离波动即距离方差越小;同时若相同排序序号角点对应的特征描述子间的DTW距离越小,角点间的方向梯度变化越相似,对应的所有相同排序序号角点对应的特征描述子间的第一DTW距离均值越小,则第一DTW距离均值与距离方差相乘后加上预设第二正常数作为分母使得对应两条闭合边缘的边缘相似度越大。
获取所有闭合边缘中每两条闭合边缘的边缘相似度后,可根据边缘相似度及对应两条闭合边缘的差异,获取表面图像中的所有目标边缘、参考边缘及目标边缘围成的目标区域。
优选地,在本发明的一个实施例中,考虑到斑状脱落区域的脱漆边缘与阴影边缘具有相似的边缘轮廓且边缘上每个角点具有相似的方向梯度变化情况,同时由于脱漆边缘上的像素点数量多余阴影边缘上的像素点数量,故在所有闭合边缘中筛选出与待分析边缘的边缘相似度最大的闭合边缘作为配套边缘,比较待分析边缘与配套边缘上像素点的数量差异,将两条闭合边缘上像素点数量最多的闭合边缘作为目标边缘,另一条闭合边缘为对应的参考边缘;在其余所有闭合边缘中,任选一闭合边缘作为待分析边缘,获取相应的目标边缘与参考边缘,不断迭代直至获取所有目标边缘及参考边缘为止。
至此将所有闭合区域进行相似度分析及像素点数量比较,获取所有目标边缘及与其对应的参考边缘,其中目标边缘对应的目标区域为可能符合斑状脱落特征的区域,对应的目标边缘则可能为对应的脱漆边缘,参考边缘可能为对应的阴影边缘,但仅根据边缘相似度无法准确判断目标区域是否为斑状脱漆区域,故需在后续的分析过程中进一步结合斑状脱落显著系数判断。
步骤S3,根据参考边缘两侧像素点的灰度信息,及目标边缘与参考边缘对应中心的位置偏移情况,获取每个目标区域的斑状裸露显著系数;在每个目标区域中,根据目标边缘上所有角点到对应中心的灰度变化与参考边缘上所有角点到对应中心的灰度变化的变化差异,获取油漆剥离显著系数;根据斑状裸露显著系数与油漆剥离显著系数,获取每个目标区域的斑状脱落显著系数。
斑状脱漆区域中的铝合金裸露区域为亮度值较高的银白色,未脱漆区域及脱漆边缘起翘引起的阴影区域的像素值与铝合金裸露区域的像素值存在巨大差异;同时脱漆边缘与阴影边缘不仅具有较高的边缘相似度,其对应中心位置也大致重合;故本发明实施例根据参考边缘两侧像素点的灰度信息,及目标边缘与参考边缘对应中心的位置偏移情况,获取每个目标区域的斑状裸露显著系数。
优选地,在本发明的一个实施例中,斑状裸露显著系数的获取方法包括:获取预设标准脱漆灰度值;在每个目标区域中,获取参考边缘内侧所有像素点的灰度均值与预设标准脱漆灰度值的第一灰度差异,获取目标边缘与参考边缘的质心距离,将质心距离乘以第一灰度差异后加上预设第三正常数后作为分母,获取参考边缘外侧所有参考边缘相邻像素点的灰度均值与参考边缘内侧所有像素点的灰度均值的第二灰度差异,将第二灰度差异作为分子,得到对应目标区域的斑状裸露显著系数。斑状裸露显著系数的计算公式为:
式中,为第/>条参考边缘对应的目标区域的斑状裸露显著系数;/>为第/>条参考边缘外侧所有参考边缘相邻像素点的灰度均值,/>为第/>条参考边缘内侧所有像素点的灰度均值,/>为预设标准脱漆灰度值;/>为第/>条参考边缘的质心点与对应的第/>条目标边缘的质心点/>间的欧氏距离,即质心距离;/>为预设第三正常数。在本发明实施例中,将待测电子烟未进行喷漆前的银灰色铝合金外壳的灰度值作为预设标准脱漆灰度值,具体设置为127;预设第三正常数取1,防止分母为零。
斑状裸露显著系数的计算公式中,第一灰度差异即参考边缘内侧对应区域的灰度值均值与预设标准脱漆灰度值的差异越小,若参考边缘的质心点与对应目标边缘的质心点间的欧氏距离也越小,说明两边缘的中心重合可能性越高,该参考边缘对应的目标区域符合斑状脱漆特征的程度越大,是缺陷区域的可能性也越大,将质心距离乘以第一灰度差异后加上预设第三正常数后作为分母后使得斑状裸露显著系数越大;同时第二灰度差异越大,即参考边缘内侧区域的灰度值均值与参考边缘外侧对应的疑似阴影区域内的部分相邻像素点的灰度均值的差异越大,该参考边缘所围区域是铝合金裸露区域的可能性越大,对应的目标区域符合斑状脱漆特征的程度越大,对应的斑状裸露显著系数也越大。
又考虑到在每个斑状脱漆区域中,脱漆边缘的起翘造成的阴影区域,会使得每个斑状脱漆区域内从铝合金裸露区域到阴影区域再到未脱漆区域形成明显的阶段灰度变化,而待测电子烟表面图像的其他区域中具有该阶段灰度变化特征的可能性极低,故本发明实施例在每个目标区域中,根据目标边缘上所有角点到对应中心的灰度变化与参考边缘上所有角点到对应中心的灰度变化的变化差异,获取油漆剥离显著系数。
优选地,在本发明的一个实施例中,油漆剥离显著系数的获取方法包括,以目标边缘的质心为第一起点,获取第一起点至目标边缘上每个角点对应方向上的所有第一射线,将每条第一射线上第一起点至对应角点后预设数量个像素点的所有像素点的灰度值依次作为第一序列元素,得到对应的第一灰度变化序列;以参考边缘的质心为第二起点,获取第二起点至参考边缘上每个角点对应方向上的所有第二射线,将每条第二射线上第二起点至对应角点的所有像素点的灰度值依次作为第二序列元素,得到对应的第二灰度变化序列;在每个目标区域中,获取目标边缘上相邻角点对应所有第一灰度变化序列间的第二DTW距离均值,将第二DTW距离均值加上预设第四正常数作为分母,获取目标边缘与对应参考边缘上所有相同排序标号角点对应第一灰度变化序列与第二灰度变化序列间的相关系数均值,将相关系数均值作为分子,得到对应目标区域的油漆剥离显著系数。
在本发明实施例中,预设数量取10,即将每条第一射线上第一起点至对应角点后再取10个像素点获取第一序列元素,然后将目标边缘上相邻角点对应所有第一灰度变化序列间的DTW距离的均值作为第二DTW距离均值,将目标边缘与对应参考边缘上所有相同排序标号角点对应第一灰度变化序列与第二灰度变化序列间的Jaccard-Tanimoto系数的均值作为相关系数均值。DTW距离与Jaccard-Tanimoto系数为本领域技术人员熟知的现有技术,在此不在赘述。在本发明的其他实施例中,实施者可根据具体实施情况设置预设数量,并采用其他相似度度量手段获取相应的相似度或相关系数,通过调整对应的公式相关关系获取油漆剥离显著系数。
需要说明的是,在获取目标边缘与对应参考边缘上所有相同排序标号角点对应第一灰度变化序列与第二灰度变化序列间的Jaccard-Tanimoto系数时,由于目标边缘对应第一灰度变化序列中元素多于参考边缘对应第二灰度变化序列中的元素,故需将第一灰度变化序列中的元素在序列尾部剔除,使第一灰度变化序列与第二灰度变化序列中的元素个数相同;但在获取第一灰度变化序列间的DTW距离时,无需剔除。
油漆剥离显著系数的计算公式为:
式中,为第/>条参考边缘对应的目标区域的油漆剥离显著系数;/>为第/>条参考边缘对应的目标区域中的相关系数均值,/>为第/>条参考边缘对应的目标区域中的第二DTW距离均值,/>为预设第四正常数,在本发明实施例中,预设第四正常数取0.01,防止分母为0。
油漆剥离显著系数的计算公式中,当相关系数均值越接近1,说明无论是从参考边缘的角度还是目标边缘的角度来看,目标区域中的目标边缘到参考边缘再到边缘区域中心的灰度变化与斑状脱漆区域内从铝合金裸露区域到阴影区域的阶段灰度变化特征越相似;同时第二DTW距离均值越小,说明所有相邻第一灰度序列间的相似度越高,其加上预设第四正常数后作为分母使得油漆剥离显著系数越大,该目标区域中灰度变化越符合斑状脱漆区域内从铝合金裸露区域到阴影区域再到未脱漆区域形成明显的阶段灰度变化特征。
获取每个目标区域的斑状裸露显著系数与油漆剥离显著系数后,考虑到二者均能反映目标区域的斑状脱落特征的符合程度,故本发明实施例根据斑状裸露显著系数与油漆剥离显著系数,获取每个目标区域的斑状脱落显著系数,综合评估目标区域的斑状脱落特征符合程度。
优选地,在本发明的一个实施例中,斑状脱落显著系数的获取方法包括,将每个目标区域的斑状裸露显著系数与油漆剥离显著系数相乘后进行归一化,得到对应目标区域的斑状脱落显著系数。斑状脱落显著系数的计算公式为:
式中,为斑状脱落显著系数;/>为油漆剥离显著系数;/>为斑状裸露显著系数,/>为标准归一化函数。
斑状脱落显著系数的计算公式中,具体将二者通过相乘的方式合并,斑状裸露显著系数与油漆剥离显著系数均与斑状脱落显著系数呈正相关关系;在本发明的其他实施例中,还可以通过相加或指数函数关系进行合并,实施者可根据具体实施情况进行设置。
步骤S4,根据斑状脱落显著系数在所有目标区域中筛选出所有疑似斑状脱漆区域;根据每个疑似斑状脱漆区域的目标边缘与参考边缘对应中心获取对应疑似斑状脱漆区域的区域中心;根据区域中心对表面图像进行超像素分割,获取斑状脱漆缺陷区域。
由于斑状脱落显著系数反映了目标区域的斑状脱落特征的符合程度,侧面反映了该目标区域为斑状脱漆区域的可能性,故本发明实施例根据斑状脱落显著系数在所有目标区域中筛选出所有疑似斑状脱漆区域。
优选地,在本发明的一个实施例中,考虑到斑状脱落显著系数越大,该目标区域为斑状脱漆区域的可能性越大,故将斑状脱落显著系数大于预设阈值的目标区域作为疑似斑状脱漆区域。
在本发明的一个实施例中,设置预设阈值为0.9,将所有斑状脱落显著系数大于0.9的目标区域作为疑似斑状脱漆区域,便于后续通过分析获取疑似斑状脱漆区域的中心,进而以疑似斑状脱漆区域的中心对缺陷区域进行检测分割。
优选地,在本发明的一个实施例中,在每个疑似斑状脱漆区域中,获取目标边缘的质心与参考边缘的质心间的中点,将中点作为对应目标区域的区域中心。
由于疑似斑状脱漆区域的相关特征与斑状脱漆特征高度相似,其区域中心也极为可能为斑状脱漆的缺陷区域中心,故本发明实施例在获取区域中心后,根据区域中心对表面图像进行超像素分割,获取斑状脱漆区域。在本发明的一个实施例中,将滤波后未进行灰度化处理的待分析表面图像转换到LAB颜色空间中,以区域中心为种子点对获取的LAB颜色空间图像采用简单线性迭代聚类法(Simple Linear Iterative Clustering,SLIC)进行超像素分割,进而将获取的超像素分割图像输入至预先训练好的支持向量机(SupportVector Machine,SVM)中,SVM将自动将表面图像中的斑状脱漆的缺陷区域进行标记,至此检测出待测电子烟的表面缺陷。LAB颜色空间的转换、SLIC超像素分割及SVM支持向量机的训练与使用均为本领域技术人员熟知的技术手段,在此不在赘述。在本发明的其他实施例中,实施者也可将表面图像转换至其他颜色空间中,也可采用其他如神经网络的监督学习模型对缺陷区域进行识别标注。
需要说明的是,本发明实施例中设置种子点数量为20个,若目标区域的区域中心大于等于20个时,将在区域中点中随机选取20个作为种子点进行超像素分割;若区域中心小于20个时,则将所有区域中心作为种子点,并在表面图像中均匀选取剩余空缺种子点。均匀选取超像素分割的种子点为本领域技术人员所熟知的技术手段,在此不在赘述。
至此,获取具有明显斑状脱漆特征区域的区域中心为超像素分割的种子点,更好地捕捉到缺陷区域的特征,使得分割结果更符合缺陷的实际形状和大小,从而更准确地检测缺陷。
综上所述,本发明获取待测电子烟表面图像中的所有闭合边缘及每条闭合边缘上的所有角点,通过分析每两条闭合边缘上角点的数量差异及特征差异,获取其边缘相似度,进而根据边缘相似度及对应两条闭合边缘的差异,获取所有目标边缘及对应的目标区域与参考边缘;然后根据参考边缘两侧像素点的灰度信息,及目标边缘与参考边缘对应中心的位置偏移情况,获取每个目标区域的斑状裸露显著系数;在每个目标区域中,根据目标边缘上所有角点到对应中心的灰度变化与参考边缘上所有角点到对应中心的灰度变化的变化差异,获取油漆剥离显著系数;进一步可获取每个目标区域的斑状脱落显著系数并筛选出所有疑似斑状脱漆区域;根据疑似斑状脱漆区域的区域中心对表面图像进行超像素分割,获取斑状脱漆缺陷区域。本发明通过获取具有明显斑状脱漆特征区域的区域中心为超像素分割的种子点,能够有效识别斑状脱漆区域,提高了缺陷区域的检测准确性。
本发明还提出一种基于图像分割的电子烟表面缺陷检测系统,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现任意一项一种基于图像分割的电子烟表面缺陷检测方法的步骤。
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 (6)
1.一种基于图像分割的电子烟表面缺陷检测方法,其特征在于,所述方法包括:
获取待测电子烟的表面图像;
获取所述表面图像中的所有闭合边缘及每条所述闭合边缘上的所有角点;根据不同所述闭合边缘上所述角点的数量差异及特征差异,获取所有所述闭合边缘中每两条所述闭合边缘的边缘相似度;根据所述边缘相似度及对应两条所述闭合边缘的差异,获取所述表面图像中的所有目标边缘、参考边缘及所述目标边缘围成的目标区域;
根据所述参考边缘两侧像素点的灰度信息,及所述目标边缘与所述参考边缘对应中心的位置偏移情况,获取每个所述目标区域的斑状裸露显著系数;在每个所述目标区域中,根据所述目标边缘上所有所述角点到对应中心的灰度变化与所述参考边缘上所有所述角点到对应中心的灰度变化的变化差异,获取油漆剥离显著系数;根据所述斑状裸露显著系数与所述油漆剥离显著系数,获取每个所述目标区域的斑状脱落显著系数;
根据所述斑状脱落显著系数在所有所述目标区域中筛选出所有疑似斑状脱漆区域;根据每个所述疑似斑状脱漆区域的所述目标边缘与所述参考边缘对应中心获取对应所述疑似斑状脱漆区域的区域中心;根据所述区域中心对所述表面图像进行超像素分割,获取斑状脱漆缺陷区域;
所述边缘相似度的获取方法包括:
任选一条所述闭合边缘为待分析边缘,获取所述待分析边缘上任一所述角点为待分析首点,沿所述闭合边缘的任意方向依次将对应所述待分析边缘上的所有所述角点进行排序标号;获取其他每条所述闭合边缘上的首点并进行排序标号,所述首点与所述待分析首点在所述表面图像上的位置差异最小,且其他每条所述闭合边缘上的所述角点的排序方向与所述待分析边缘上的所述角点的排序方向的一致;
获取每个所述角点在对应预设窗口内的特征描述子;在所有所述闭合边缘中的每两条所述闭合边缘中,获取所有相同排序标号所述角点间的距离方差及对应所述特征描述子间的第一DTW距离均值,将对应两条所述闭合边缘上所述角点的数量比值减去预设第一正常数后的绝对值进行负相关映射并归一化,将归一化值作为分子,将所述距离方差与所述第一DTW距离均值的乘积加上预设第二正常数后作为分母,得到对应两条所述闭合边缘的边缘相似度;
所述斑状裸露显著系数的获取方法包括:
获取预设标准脱漆灰度值;在每个所述目标区域中,获取所述参考边缘内侧所有像素点的灰度均值与所述预设标准脱漆灰度值的第一灰度差异,获取所述目标边缘与所述参考边缘的质心距离,将所述质心距离乘以所述第一灰度差异后加上预设第三正常数后作为分母,获取所述参考边缘外侧所有所述参考边缘相邻像素点的灰度均值与所述参考边缘内侧所有像素点的灰度均值的第二灰度差异,将所述第二灰度差异作为分子,得到对应所述目标区域的斑状裸露显著系数;
所述油漆剥离显著系数的获取方法包括:
以所述目标边缘的质心为第一起点,获取所述第一起点至所述目标边缘上每个所述角点对应方向上的所有第一射线,将每条所述第一射线上所述第一起点至对应所述角点后预设数量个像素点的所有像素点的灰度值依次作为第一序列元素,得到对应的第一灰度变化序列;
以所述参考边缘的质心为第二起点,获取所述第二起点至所述参考边缘上每个所述角点对应方向上的所有第二射线,将每条所述第二射线上所述第二起点至对应所述角点的所有像素点的灰度值依次作为第二序列元素,得到对应的第二灰度变化序列;
在每个所述目标区域中,获取所述目标边缘上相邻所述角点对应所有第一灰度变化序列间的第二DTW距离均值,将所述第二DTW距离均值加上预设第四正常数作为分母,获取所述目标边缘与对应所述参考边缘上所有相同排序标号所述角点对应所述第一灰度变化序列与所述第二灰度变化序列间的相关系数均值,将所述相关系数均值作为分子,得到对应所述目标区域的油漆剥离显著系数;
所述斑状脱落显著系数的获取方法包括:
将每个所述目标区域的所述斑状裸露显著系数与所述油漆剥离显著系数相乘后进行归一化,得到对应所述目标区域的所述斑状脱落显著系数。
2.根据权利要求1所述的一种基于图像分割的电子烟表面缺陷检测方法,其特征在于,所述目标边缘及所述参考边缘的获取方法包括:
在所有所述闭合边缘中筛选出与所述待分析边缘的所述边缘相似度最大的所述闭合边缘作为配套边缘,比较所述待分析边缘与所述配套边缘上像素点的数量差异,将两条所述闭合边缘上像素点数量最多的所述闭合边缘作为目标边缘,另一条所述闭合边缘为对应的参考边缘;
在其余所有所述闭合边缘中,任选一所述闭合边缘作为待分析边缘,获取相应的目标边缘及参考边缘,不断迭代直至获取所有目标边缘及参考边缘为止。
3.根据权利要求1所述的一种基于图像分割的电子烟表面缺陷检测方法,其特征在于,所述目标区域的筛选方法包括:
将所述斑状脱落显著系数大于预设阈值的所述目标区域作为疑似斑状脱漆区域。
4.根据权利要求1所述的一种基于图像分割的电子烟表面缺陷检测方法,其特征在于,所述区域中心的获取方法包括:
在每个所述疑似斑状脱漆区域中,获取所述目标边缘的质心与所述参考边缘的质心间的中点,将所述中点作为对应所述疑似斑状脱漆区域的区域中心。
5.根据权利要求1所述的一种基于图像分割的电子烟表面缺陷检测方法,其特征在于,所述预设数量为10。
6.一种基于图像分割的电子烟表面缺陷检测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-5任意一项所述一种基于图像分割的电子烟表面缺陷检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311674513.6A CN117372432B (zh) | 2023-12-08 | 2023-12-08 | 基于图像分割的电子烟表面缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311674513.6A CN117372432B (zh) | 2023-12-08 | 2023-12-08 | 基于图像分割的电子烟表面缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117372432A CN117372432A (zh) | 2024-01-09 |
CN117372432B true CN117372432B (zh) | 2024-02-09 |
Family
ID=89400649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311674513.6A Active CN117372432B (zh) | 2023-12-08 | 2023-12-08 | 基于图像分割的电子烟表面缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117372432B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117764992B (zh) * | 2024-02-22 | 2024-04-30 | 山东乔泰管业科技有限公司 | 基于图像处理的塑料管材质量检测方法 |
CN117788470B (zh) * | 2024-02-27 | 2024-05-24 | 咸阳黄河轮胎橡胶有限公司 | 一种基于人工智能的轮胎缺陷检测方法 |
CN117934468A (zh) * | 2024-03-22 | 2024-04-26 | 泰安中联水泥有限公司 | 基于图像处理的篦冷机故障预测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385445A (zh) * | 2023-06-06 | 2023-07-04 | 东莞市希锐自动化科技股份有限公司 | 一种基于视觉技术的电镀五金件瑕疵检测方法 |
CN116735612A (zh) * | 2023-08-15 | 2023-09-12 | 山东精亿机械制造有限公司 | 一种精密电子元器件焊接缺陷检测方法 |
-
2023
- 2023-12-08 CN CN202311674513.6A patent/CN117372432B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385445A (zh) * | 2023-06-06 | 2023-07-04 | 东莞市希锐自动化科技股份有限公司 | 一种基于视觉技术的电镀五金件瑕疵检测方法 |
CN116735612A (zh) * | 2023-08-15 | 2023-09-12 | 山东精亿机械制造有限公司 | 一种精密电子元器件焊接缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117372432A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117372432B (zh) | 基于图像分割的电子烟表面缺陷检测方法及系统 | |
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN116168026B (zh) | 基于计算机视觉的水质检测方法及系统 | |
US8331650B2 (en) | Methods, systems and apparatus for defect detection | |
US20180075603A1 (en) | Automated tattoo recognition techniques | |
CN111161222B (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
CN108615239B (zh) | 基于阈值技术和灰度投影的舌图像分割方法 | |
CN110991389B (zh) | 判断目标行人在非重叠相机视角中出现的匹配方法 | |
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 | |
CN110472081B (zh) | 一种基于度量学习的鞋图片跨域检索方法 | |
CN116912248B (zh) | 基于计算机视觉的不规则五金件表面缺陷检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN107341793A (zh) | 一种靶面图像处理方法及装置 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN110766657B (zh) | 一种激光干扰图像质量评价方法 | |
Li et al. | Sublingual vein extraction algorithm based on hyperspectral tongue imaging technology | |
CN111814852A (zh) | 图像检测方法、装置、电子设备和计算机可读存储介质 | |
CN116612306B (zh) | 基于计算机视觉的法兰盘智能对位方法及系统 | |
CN116883674A (zh) | 多光谱图像去噪装置及使用该装置的食品品质检测系统 | |
CN109871779B (zh) | 掌纹识别的方法及电子设备 | |
CN116596899A (zh) | 基于荧光图像识别循环肿瘤细胞方法、装置、终端及介质 | |
CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
Saparudin et al. | Segmentation of fingerprint image based on gradient magnitude and coherence | |
CN114529515A (zh) | 一种自动识别太阳能电池内部缺陷的方法 | |
CN117474916B (zh) | 一种图像检测方法、电子设备及存储介质 |
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 |