CN117422712A - 基于图像滤波处理的塑料母粒视觉检测方法及系统 - Google Patents
基于图像滤波处理的塑料母粒视觉检测方法及系统 Download PDFInfo
- Publication number
- CN117422712A CN117422712A CN202311722852.7A CN202311722852A CN117422712A CN 117422712 A CN117422712 A CN 117422712A CN 202311722852 A CN202311722852 A CN 202311722852A CN 117422712 A CN117422712 A CN 117422712A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- master batch
- pixel
- plastic master
- 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
- 239000004594 Masterbatch (MB) Substances 0.000 title claims abstract description 184
- 239000004033 plastic Substances 0.000 title claims abstract description 156
- 238000001914 filtration Methods 0.000 title claims abstract description 107
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 title claims abstract description 26
- 230000000007 visual effect Effects 0.000 title claims description 16
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000002146 bilateral effect Effects 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000003044 adaptive effect Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011179 visual inspection Methods 0.000 claims 5
- 230000000694 effects Effects 0.000 abstract description 5
- 230000036039 immunity Effects 0.000 abstract 1
- 238000012549 training Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000004597 plastic additive Substances 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
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
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 Processing (AREA)
Abstract
本发明涉及计算机视觉技术领域,具体涉及基于图像滤波处理的塑料母粒视觉检测方法及系统,包括:设置滑动窗口,根据滑动窗口内的母粒分布得到滑动窗口内的母粒堆叠程度,根据母粒堆叠程度调节以每个像素点为中心的双边滤波尺寸;然后根据滤波窗口内的纹理复杂度与边缘闭合完整度,得到以每个像素点为中心的双边滤波的灰度权重系数,利用灰度权重系数自适应调节双边滤波的灰度域权重与空间域权重,得到以每个像素点为中心的自适应双边滤波。本发明改进后的自适应双边滤波对母粒边缘保留的效果更好,且获取自适应参数的过程抗噪性更强。
Description
技术领域
本发明涉及计算机视觉技术领域,具体涉及基于图像滤波处理的塑料母粒视觉检测方法及系统。
背景技术
塑料母粒是把所需的各种塑料助剂、填料超常量地载附于树脂中而制成的浓缩体,具有染色、增强塑料性能、保护塑料免受光照和氧化的效果。随着塑料母粒的应用越来越广泛,针对其生产质量及检测手段的精度需求也越来越高,当前出现了一些基于机器视觉的塑料母粒自动检测方法。在检测处理过程中常需要利用双边滤波对相机图像进行去噪平滑处理,但是由于塑料母粒密集且体积较小,在相机图像中容易与一些干扰噪点混淆,导致双边滤波参数设定不准确,时常会将部分母粒图像过度平滑,使检测过程中误检率较高。
发明内容
本发明提供基于图像滤波处理的塑料母粒视觉检测方法及系统,以解决现有的双边滤波算法参数无法适应塑料母粒图像的检测需求,经常出现过度平滑导致检测结果误检率较高的问题。
本发明的基于图像滤波处理的塑料母粒视觉检测方法及系统采用如下技术方案:
本发明一个实施例提供了基于图像滤波处理的塑料母粒视觉检测方法,该方法包括以下步骤:
采集塑料母粒图像,根据塑料母粒图像得到塑料母粒二值化图像;
预设滑动窗口,获取塑料母粒二值化图像中每个像素点的滑动窗口内的所有连通域以及每个连通域的面积,根据每个连通域的面积得到每个连通域的近圆度,根据塑料母粒二值化图像中每个像素点的滑动窗口内的所有连通域以及每个连通域的近圆度得到塑料母粒二值化图像中每个像素点的滑动窗口内的母粒堆叠程度,根据塑料母粒二值化图像中每个像素点的滑动窗口内的母粒堆叠程度得到塑料母粒图像中每个像素点的滤波尺寸;
对于塑料母粒图像中的每个像素点,根据塑料母粒二值化图像中每个像素点的滤波尺寸得到塑料母粒图像中每个像素点的滤波窗口,获取每个像素点的滤波窗口内的所有像素点的梯度值以及所有边缘线的斜率值,根据每个像素点的滤波窗口内的所有像素点的梯度值得到每个像素点的滤波窗口内的纹理复杂度,根据每个像素点的滤波窗口内的所有边缘线的斜率值得到每个像素点的滤波窗口内的边缘闭合完整度,根据塑料母粒图像中每个像素点的滤波窗口内的纹理复杂度与边缘闭合完整度得到每个像素点的灰度权重系数,根据每个像素点的灰度权重系数得到每个像素点自适应双边滤波的灰度域权重与空间域权重,根据每个像素点自适应双边滤波的灰度域权重与空间域权重得到滤波后的塑料母粒图像,根据滤波后的塑料母粒图像得到异常塑料母粒。
进一步的,所述根据每个连通域的面积得到每个连通域的近圆度,包括的具体步骤如下:
获取每个连通域的最小外接圆,将每个连通域的最小外接圆面积与连通域面积的差值绝对值,与连通域的最小外接圆面积的比值,作为每个连通域的近圆度。
进一步的,所述根据塑料母粒二值化图像中每个像素点的滑动窗口内的所有连通域以及每个连通域的近圆度得到塑料母粒二值化图像中每个像素点的滑动窗口内的母粒堆叠程度,包括的具体步骤如下:
获取所有每个像素点的滑动窗口内的所有连通域的近圆度,将数值相同的近圆度作为同一类近圆度;
其中,S表示塑料母粒二值化图像中任意一个像素点的滑动窗口内的母粒堆叠程
度,u代表第u类近圆度,W代表每个像素点的滑动窗口内的所有近圆度的类别数量,为第u
类近圆度的数值,表示数值为的近圆度出现的概率;表示每个像素点的滑动窗口
内的连通域数量,i代表每个像素点的滑动窗口内的第i个连通域,表示每个像素点的滑
动窗口内的第i个连通域的面积,表示每个像素点的滑动窗口内所有连通域面积的平均
值,代表以2为底的对数函数;n代表塑料母粒二值化图像中任意一个像素点的滑动窗
口内的像素点总数量,表示塑料母粒二值化图像中任意一个像素点的滑动窗口内像素值
非零的像素点数量,代表双曲正切函数。
进一步的,所述根据塑料母粒二值化图像中每个像素点的滑动窗口内的母粒堆叠程度得到塑料母粒图像中每个像素点的滤波尺寸,包括的具体步骤如下:
其中,v代表第v个像素点,表示塑料母粒二值化图像中第v个像素点的滑动窗口
内的母粒堆叠程度,代表塑料母粒二值化图像中第v个像素点的预设滑动窗口尺寸,
代表塑料母粒图像中第v个像素点的滤波尺寸。
进一步的,所述根据每个像素点的滤波窗口内的所有像素点的梯度值得到每个像素点的滤波窗口内的纹理复杂度,包括的具体步骤如下:
其中,v代表第v个像素点,代表塑料母粒图像中第v个像素点的滤波窗口内的纹
理复杂度,r代表第v个像素点的滤波窗口内梯度值不为0的第r个像素点,代表塑料母粒
图像中第v个像素点的滤波窗口内梯度值不为0的像素点总数量,代表塑料母粒图像中
第v个像素点的滤波尺寸,表示第v个像素点的滤波窗口内的第r个像素点的梯度值,代
表第v个像素点的滤波窗口内梯度值不为0的像素点的梯度平均值。
进一步的,所述根据每个像素点的滤波窗口内的所有边缘线的斜率值得到每个像素点的滤波窗口内的边缘闭合完整度,包括的具体步骤如下:
其中,v代表第v个像素点,代表塑料母粒图像中第v个像素点的滤波窗口内的边
缘闭合完整度,表示第v个像素点的滤波窗口内的边缘线的数量,j代表第v个像素点的滤
波窗口内的第j条边缘线,表示第v个像素点的滤波窗口内的第j条边缘线上的像素点数
量,s为每条边缘线上的第s个像素点,表示第v个像素点的滤波窗口内第j条边缘线上第s
个像素点的斜率。
进一步的,所述根据塑料母粒图像中每个像素点的滤波窗口内的纹理复杂度与边缘闭合完整度得到每个像素点的灰度权重系数,包括的具体步骤如下:
其中,v代表第v个像素点,表示塑料母粒图像中第v个像素点的灰度权重系数,代表塑料母粒图像中第v个像素点的滤波窗口内的纹理复杂度,代表塑料母粒图像中
第v个像素点的滤波窗口内的边缘闭合完整度,代表离差归一化函数。
进一步的,所述灰度域权重的获取方法如下:
将滤波窗口中处于中心的像素点称为中心像素点,将滤波窗口中除中心像素点之外的其他像素点称为非中心像素点;
其中,v代表第v个像素点,表示塑料母粒图像中第v个像素点的灰度权重系数,代表第v个像素点自适应双边滤波的灰度域权重,代表在第v个像素点的滤波窗口内所
有像素点灰度值的方差;q表示第v个像素点的滤波窗口内的第q个非中心像素点,代表第
v个像素点的灰度值,表示第v个像素点的滤波窗口内的第q个非中心像素点的灰度值,代表以自然常数为底的指数函数。
进一步的,所述空间域权重的获取方法如下:
将滤波窗口中处于中心的像素点称为中心像素点,将滤波窗口中除中心像素点之外的其他像素点称为非中心像素点;
其中,v代表第v个像素点,表示塑料母粒图像中第v个像素点的灰度权重系数,代表第v个像素点自适应双边滤波的空间域权重,q表示第v个像素点的滤波窗口内的第q
个非中心像素点,代表在第v个像素点的滤波窗口内中心像素点v与第q个非中心像
素点的欧式距离,代表在第v个像素点的滤波窗口内所有非中心像素点与中心像素点之
间欧式距离的方差,代表以自然常数为底的指数函数。
基于图像滤波处理的塑料母粒视觉检测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序执行并实现以上所有方法。
本发明的技术方案的有益效果是:
本申请关于塑料母粒图像自适应双边滤波的参数获取方法,通过对母粒分布形式的分析以及现有降噪方法的缺陷进行参数设置,与现有滤波方法相比,对母粒边缘保留的效果更好,且获取自适应参数的过程抗噪性更强;且降低了由于预处理过程的降噪步骤导致母粒边缘被过度平滑的概率,同时降低了后续检测过程的误检率,提高塑料母粒的整体生产效率和生产质量。
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为本发明基于图像滤波处理的塑料母粒视觉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滤波处理的塑料母粒视觉检测方法及系统,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基于图像滤波处理的塑料母粒视觉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滤波处理的塑料母粒视觉检测方法的步骤流程图,该方法包括以下步骤:
步骤S001、采集塑料母粒图像,根据塑料母粒图像得到塑料母粒二值化图像,再对塑料母粒二值化图像进行边缘检测得到边缘信息。
利用高分辨率工业相机采集塑料母粒图像,为降低计算复杂度,对图像做灰度化处理,然后利用塑料母粒灰度经验阈值或大津阈值法得到塑料母粒二值化图像;
视觉检测的主要的目的是判断塑料母粒的颜色和大小是否符合生产标准,而传统滤波算法容易出现过度平滑的问题,导致塑料母粒图像之间的边缘信息表达被抑制,影响后续检测结果,因此可以先利用Canny边缘检测算法获取塑料母粒二值化图像中的边缘信息,包括塑料母粒二值化图像中的所有边缘线,以及所有边缘线的斜率;
步骤S002、预设滑动窗口,根据每个像素点的滑动窗口内母粒分布得到塑料母粒二值化图像中每个像素点的滑动窗口内的母粒堆叠程度,进而得到塑料母粒图像中每个像素点的滤波尺寸。
在塑料母粒二值化图像上设置滑动窗口,预设滑动窗口尺寸,本实施例依据经验值预设L=25。然后在塑料母粒二值化图像上使用滑动窗口遍历图像,滑动窗口以任意一个塑料母粒二值化图像上的像素点为中心像素点;
在各个滑动窗口内部,由于塑料母粒二值化图像中存在较多闭合的连通域,这些连通域可能是噪声点或母粒自身的连通域。其中母粒堆叠在一起的情况下,少部分母粒的形态相对完整,大部分母粒由于堆叠被遮挡其形态差异相对较大,因此可以通过这些塑料母粒二值化图像上滑动窗口内各连通域的形状、大小差异及边缘像素点密度等因素判断各滑动窗口内部的母粒堆叠程度;具体为:
获取塑料母粒二值化图像上的每个连通域的最小外接圆,将每个连通域的最小外接圆面积与该连通域的面积的差值绝对值,与该连通域的最小外接圆面积的比值,作为每个连通域的近圆度;
获取所有每个像素点的滑动窗口内的所有连通域的近圆度,将数值相同的近圆度作为同一类近圆度;
计算塑料母粒二值化图像中每个像素点的滑动窗口内的母粒堆叠程度,具体为:
其中,S表示塑料母粒二值化图像中任意一个像素点的滑动窗口内的母粒堆叠程
度,u代表第u类近圆度,W代表每个像素点的滑动窗口内的所有近圆度的类别数量,为第u
类近圆度的数值,表示数值为的近圆度出现的概率;表示每个像素点的滑动窗口
内的连通域数量,i代表每个像素点的滑动窗口内的第i个连通域,表示每个像素点的滑
动窗口内的第i个连通域的面积,表示每个像素点的滑动窗口内所有连通域面积的平均
值,代表以2为底的对数函数;n代表塑料母粒二值化图像中任意一个像素点的滑动窗
口内的像素点总数量,表示塑料母粒二值化图像中任意一个像素点的滑动窗口内像素值
非零的像素点数量,代表双曲正切函数。
代表当前滑动窗口内各连通域近圆度的信息熵,滑动窗口
内各连通域的形状越混乱,该熵值越高;代表当前滑动窗口内所有连通域面积的
方差,滑动窗口内所有连通域近圆度的信息熵与连通域面积的方差相加之和越大,则滑动
窗口内母粒分布越不均匀,利用双曲正切函数对滑动窗口内所有连通域近圆度的信息熵与
连通域面积的方差之和归一化后,得到该滑动窗口内的母粒分布非均匀度。
代表塑料母粒二值化图像上每个滑动窗口内像素值非零的像素点占据总像素点
的比例,作为每个滑动窗口内的边缘像素点密度,通过该特征判断母粒密集程度;将母粒分
布非均匀度与母粒密集程度相乘,得到最终关于该滑动窗口部分的母粒堆叠程度S,滑动窗
口每滑动一个位置滑动窗口中心像素点均会改变,每个像素点作为滑动窗口中心像素点时
均可得到一个母粒堆叠程度。
母粒堆叠程度越高区域的边缘信息越容易丢失,因此需要在滤波处理时,参照预设滑动窗口尺寸将滤波尺寸调小,具体为:
其中,v代表第v个像素点,表示塑料母粒二值化图像中第v个像素点的滑动窗口
内的母粒堆叠程度,代表塑料母粒二值化图像中第v个像素点的预设滑动窗口尺寸,
代表塑料母粒图像中第v个像素点的滤波尺寸;
代表第v个像素点的滑动窗口内母粒堆叠程度乘以预设滑动窗口尺寸,将
乘积向下取整,然后向上取奇数后,得到第v个像素点在塑料母粒图像中的最优滤波尺寸,
根据塑料母粒二值化图像中每个像素点的预设滑动窗口获取该像素点在塑料母粒图像中
的滤波尺寸,可以避免局部母粒堆叠程度较大导致滤波平滑尺度过大的问题,最大程度保
留第v个像素点处的边缘信息。
进一步的,得到塑料母粒图像中所有像素点为中心的最优滤波尺寸。
步骤S003、根据塑料母粒图像中每个像素点的滤波窗口内的纹理复杂度与边缘闭合完整度,得到每个像素点的灰度权重系数,根据每个像素点的灰度权重系数得到每个像素点自适应双边滤波的灰度域权重与空间域权重。
获取塑料母粒图像中每个像素点的最优滤波尺寸后,还需要设置滤波窗口内各像素点的双边权重,对于双边滤波而言,需要结合距离和灰度分别设置空间域权重和灰度域权重。
塑料母粒不存在复杂花纹,图像构成相对简单,当前滤波尺寸已经根据母粒堆叠程度进行了调整,若内部仍存在较多纹理,则表示当前窗口内部的噪声点可能较多;另外,边缘二值图像中,由于母粒大多处于堆叠状态,滤波窗口内部存在完整连通域的可能性较低,因此如果窗口内存在大量完整连通域,则该滤波窗口内存在噪声的可能性较高,因此还可以通过每个像素点为中心滤波窗口内部边缘线的闭合完整程度表示当前窗口内部噪声程度。
对于噪声程度较高的图像区域,双边滤波的空间域权重应该更低,灰度域权重应该更高;
计算每个像素点的滤波窗口内的纹理复杂度,具体为:
其中,v代表第v个像素点,代表塑料母粒图像中第v个像素点的滤波窗口内的纹
理复杂度,r代表第v个像素点的滤波窗口内梯度值不为0的第r个像素点,代表塑料母粒
图像中第v个像素点的滤波窗口内梯度值不为0的像素点总数量,代表塑料母粒图像中
第v个像素点的滤波尺寸,表示第v个像素点的滤波窗口内的第r个像素点的梯度值,代
表第v个像素点的滤波窗口内梯度值不为0的像素点的梯度平均值;
代表以第v个像素点为中心的滤波窗口内存在梯度的像素点数量除以滤波窗
口面积,该比值越大代表滤波窗口内纹理信息越多,表示滤波窗口内梯度像素点
的梯度方差,将梯度方差乘以得到当前滤波窗口的纹理复杂度;那么当前滤波窗口内梯
度像素点的数量越多,且各梯度像素点之间的差异越大,表示滤波窗口内纹理信息越复杂,
因此灰度权重需要越大;
进一步的,计算每个像素点的滤波窗口内的边缘闭合完整度:
其中,v代表第v个像素点,代表塑料母粒图像中第v个像素点的滤波窗口内的边
缘闭合完整度,表示第v个像素点的滤波窗口内的边缘线的数量,j代表第v个像素点的滤
波窗口内的第j条边缘线,表示第v个像素点的滤波窗口内的第j条边缘线上的像素点数
量,s为每条边缘线上的第s个像素点,表示第v个像素点的滤波窗口内第j条边缘线上第s
个像素点的斜率;
代表第v个像素点为中心的滤波窗口内的边缘线上的像素点总数量除以边
缘线数量,该比值越大代表平均每条边缘上的像素点数量越多;代表第j条边缘线
上所有像素点的斜率之和,代表滤波窗口内所有边缘线的平均斜率之和;的乘积越小则代表滤波窗口内的边缘线密集且闭合完整度高,利
用常数1用来矫正逻辑关系,那么就代表当前滤波窗口内的边
缘闭合完整度,滤波窗口内的边缘闭合完整度越高,则存在噪声的概率越大;
进一步的,根据滤波窗口内的纹理复杂度以及边缘闭合完整度,计算双边滤波的灰度权重系数,具体为:
其中,v代表第v个像素点,表示塑料母粒图像中第v个像素点的灰度权重系数,代表塑料母粒图像中第v个像素点的滤波窗口内的纹理复杂度,代表塑料母粒图像中
第v个像素点的滤波窗口内的边缘闭合完整度,代表离差归一化函数;
越大代表滤波窗口内的纹理复杂度越高,且边缘闭合完整度更高,
这代表当塑料母粒堆叠密集的区域中纹理复杂度高,正常而言堆叠密集的区域中每个塑料
母粒由于堆叠而不应该具有较高的边缘闭合完整度,因此若纹理复杂度和边缘闭合完整度
均较高时,代表该滤波窗口内存在噪声的概率较大,因此灰度权重系数需要更高,以保证中
心像素点的像素信息不会丢失;
进一步的,根据每个像素点的灰度权重系数得到自适应双边滤波的每个像素点双边滤波的空间域权重、灰度域权重,具体为:
将滤波窗口中处于中心的像素点称为中心像素点,将滤波窗口中除中心像素点之外的其他像素点称为非中心像素点;
利用常数1减去每个像素点的灰度权重系数,得到该像素点的空间权重系数,记为;
其中,v代表第v个像素点,表示塑料母粒图像中第v个像素点的灰度权重系数,代表第v个像素点自适应双边滤波的灰度域权重,代表在第v个像素点的滤波窗口内所
有像素点灰度值的方差;q表示第v个像素点的滤波窗口内的第q个非中心像素点,代表第
v个像素点的灰度值,表示第v个像素点的滤波窗口内的第q个非中心像素点的灰度值;表示塑料母粒图像中第v个像素点的空间权重系数,代表第v个像素点自适应双边
滤波的空间域权重,代表在第v个像素点的滤波窗口内中心像素点v与第q个非中心
像素点的欧式距离,代表在第v个像素点的滤波窗口内所有非中心像素点与中心像素点
之间欧式距离的方差,代表以自然常数为底的指数函数。
代表第v个像素点的传统双边滤波的灰度域权重,对第v个像素点
的传统双边滤波的灰度域权重乘以第v个像素点的灰度权重系数,得到自适应调整后的第v
个像素点自适应双边滤波的灰度域权重;代表第v个像素点的传统双边滤波
的空间域权重,对第v个像素点的传统双边滤波的空间域权重乘以第v个像素点的空间权重
系数,得到自适应调整后的第v个像素点自适应双边滤波的空间域权重。
在传统双边滤波权重计算的基础上增加了自适应权重系数的影响,灰度权重系数越大,灰度域的权重越大,空间域权重越小。
步骤S004、利用自适应滤波尺寸以及自适应双边滤波权重后的双边滤波对塑料母粒检测图像进行滤波平滑,然后训练神经网络实现批量检测。
获取双边滤波尺寸、灰度域权重、空间域权重等滤波参数后,即可将这些滤波参数输入双边滤波中,利用双边滤波的对塑料母粒检测图像进行自适应滤波,具体滤波过程为公知技术,不多赘述;
经过滤波后的塑料母粒图像消除了噪声干扰且保留了原始图像信息完整度,可以更清晰的检测出塑料母粒中大小、尺寸异常的母粒,大幅降低了误检率;检测方法可通过训练神经网络进行高效检测,神经网络训练方法如下:
利用大数据获取大量塑料母粒图像并进行人工标注图像中异常的母粒,然后将图像集按照7:3的比例分为训练集和验证集,利用DNN网络进行训练,将交叉熵函数作为损失函数,利用最小梯度法训练至损失函数收敛,然后输入验证集进行验证,最后完成神经网络的训练,将滤波后的塑料母粒图像输入已训练神经网络中,即可批量识别异常塑料母粒。
本实施例还提供了基于图像滤波处理的塑料母粒视觉检测系统,包括:
存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,该计算机程序用于执行本实施例步骤S001~S004的方法。对于计算机程序具体的处理逻辑已经在上述内容中进行了详细阐述,因此不再进行赘述。
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.基于图像滤波处理的塑料母粒视觉检测方法,其特征在于,该方法包括以下步骤:
采集塑料母粒图像,根据塑料母粒图像得到塑料母粒二值化图像;
预设滑动窗口,获取塑料母粒二值化图像中每个像素点的滑动窗口内的所有连通域以及每个连通域的面积,根据每个连通域的面积得到每个连通域的近圆度,根据塑料母粒二值化图像中每个像素点的滑动窗口内的所有连通域以及每个连通域的近圆度得到塑料母粒二值化图像中每个像素点的滑动窗口内的母粒堆叠程度,根据塑料母粒二值化图像中每个像素点的滑动窗口内的母粒堆叠程度得到塑料母粒图像中每个像素点的滤波尺寸;
对于塑料母粒图像中的每个像素点,根据塑料母粒二值化图像中每个像素点的滤波尺寸得到塑料母粒图像中每个像素点的滤波窗口,获取每个像素点的滤波窗口内的所有像素点的梯度值以及所有边缘线的斜率值,根据每个像素点的滤波窗口内的所有像素点的梯度值得到每个像素点的滤波窗口内的纹理复杂度,根据每个像素点的滤波窗口内的所有边缘线的斜率值得到每个像素点的滤波窗口内的边缘闭合完整度,根据塑料母粒图像中每个像素点的滤波窗口内的纹理复杂度与边缘闭合完整度得到每个像素点的灰度权重系数,根据每个像素点的灰度权重系数得到每个像素点自适应双边滤波的灰度域权重与空间域权重,根据每个像素点自适应双边滤波的灰度域权重与空间域权重得到滤波后的塑料母粒图像,根据滤波后的塑料母粒图像得到异常塑料母粒。
2.根据权利要求1所述基于图像滤波处理的塑料母粒视觉检测方法,其特征在于,所述根据每个连通域的面积得到每个连通域的近圆度,包括的具体步骤如下:
获取每个连通域的最小外接圆,将每个连通域的最小外接圆面积与连通域面积的差值绝对值,与连通域的最小外接圆面积的比值,作为每个连通域的近圆度。
3.根据权利要求1所述基于图像滤波处理的塑料母粒视觉检测方法,其特征在于,所述根据塑料母粒二值化图像中每个像素点的滑动窗口内的所有连通域以及每个连通域的近圆度得到塑料母粒二值化图像中每个像素点的滑动窗口内的母粒堆叠程度,包括的具体步骤如下:
获取所有每个像素点的滑动窗口内的所有连通域的近圆度,将数值相同的近圆度作为同一类近圆度;
;
其中,S表示塑料母粒二值化图像中任意一个像素点的滑动窗口内的母粒堆叠程度,u代表第u类近圆度,W代表每个像素点的滑动窗口内的所有近圆度的类别数量,为第u类近圆度的数值,/>表示数值为/>的近圆度出现的概率;/>表示每个像素点的滑动窗口内的连通域数量,i代表每个像素点的滑动窗口内的第i个连通域,/>表示每个像素点的滑动窗口内的第i个连通域的面积,/>表示每个像素点的滑动窗口内所有连通域面积的平均值,代表以2为底的对数函数;n代表塑料母粒二值化图像中任意一个像素点的滑动窗口内的像素点总数量,/>表示塑料母粒二值化图像中任意一个像素点的滑动窗口内像素值非零的像素点数量,/>代表双曲正切函数。
4.根据权利要求1所述基于图像滤波处理的塑料母粒视觉检测方法,其特征在于,所述根据塑料母粒二值化图像中每个像素点的滑动窗口内的母粒堆叠程度得到塑料母粒图像中每个像素点的滤波尺寸,包括的具体步骤如下:
;
其中,v代表第v个像素点,表示塑料母粒二值化图像中第v个像素点的滑动窗口内的母粒堆叠程度,/>代表塑料母粒二值化图像中第v个像素点的预设滑动窗口尺寸,/>代表塑料母粒图像中第v个像素点的滤波尺寸。
5.根据权利要求1所述基于图像滤波处理的塑料母粒视觉检测方法,其特征在于,所述根据每个像素点的滤波窗口内的所有像素点的梯度值得到每个像素点的滤波窗口内的纹理复杂度,包括的具体步骤如下:
;
其中,v代表第v个像素点,代表塑料母粒图像中第v个像素点的滤波窗口内的纹理复杂度,r代表第v个像素点的滤波窗口内梯度值不为0的第r个像素点,/>代表塑料母粒图像中第v个像素点的滤波窗口内梯度值不为0的像素点总数量,/>代表塑料母粒图像中第v个像素点的滤波尺寸,/>表示第v个像素点的滤波窗口内的第r个像素点的梯度值,/>代表第v个像素点的滤波窗口内梯度值不为0的像素点的梯度平均值。
6.根据权利要求1所述基于图像滤波处理的塑料母粒视觉检测方法,其特征在于,所述根据每个像素点的滤波窗口内的所有边缘线的斜率值得到每个像素点的滤波窗口内的边缘闭合完整度,包括的具体步骤如下:
;
其中,v代表第v个像素点,代表塑料母粒图像中第v个像素点的滤波窗口内的边缘闭合完整度,/>表示第v个像素点的滤波窗口内的边缘线的数量,j代表第v个像素点的滤波窗口内的第j条边缘线,/>表示第v个像素点的滤波窗口内的第j条边缘线上的像素点数量,s为每条边缘线上的第s个像素点,/>表示第v个像素点的滤波窗口内第j条边缘线上第s个像素点的斜率。
7.根据权利要求1所述基于图像滤波处理的塑料母粒视觉检测方法,其特征在于,所述根据塑料母粒图像中每个像素点的滤波窗口内的纹理复杂度与边缘闭合完整度得到每个像素点的灰度权重系数,包括的具体步骤如下:
;
其中,v代表第v个像素点,表示塑料母粒图像中第v个像素点的灰度权重系数,/>代表塑料母粒图像中第v个像素点的滤波窗口内的纹理复杂度,/>代表塑料母粒图像中第v个像素点的滤波窗口内的边缘闭合完整度,/>代表离差归一化函数。
8.根据权利要求1所述基于图像滤波处理的塑料母粒视觉检测方法,其特征在于,所述灰度域权重的获取方法如下:
将滤波窗口中处于中心的像素点称为中心像素点,将滤波窗口中除中心像素点之外的其他像素点称为非中心像素点;
;
其中,v代表第v个像素点,表示塑料母粒图像中第v个像素点的灰度权重系数,/>代表第v个像素点自适应双边滤波的灰度域权重,/>代表在第v个像素点的滤波窗口内所有像素点灰度值的方差;q表示第v个像素点的滤波窗口内的第q个非中心像素点,/>代表第v个像素点的灰度值,/>表示第v个像素点的滤波窗口内的第q个非中心像素点的灰度值,/>代表以自然常数为底的指数函数。
9.根据权利要求1所述基于图像滤波处理的塑料母粒视觉检测方法,其特征在于,所述空间域权重的获取方法如下:
将滤波窗口中处于中心的像素点称为中心像素点,将滤波窗口中除中心像素点之外的其他像素点称为非中心像素点;
;
其中,v代表第v个像素点,表示塑料母粒图像中第v个像素点的灰度权重系数,/>代表第v个像素点自适应双边滤波的空间域权重,q表示第v个像素点的滤波窗口内的第q个非中心像素点,/>代表在第v个像素点的滤波窗口内中心像素点v与第q个非中心像素点的欧式距离,/>代表在第v个像素点的滤波窗口内所有非中心像素点与中心像素点之间欧式距离的方差,/>代表以自然常数为底的指数函数。
10.基于图像滤波处理的塑料母粒视觉检测系统,包括存储器、处理器以及存储在存储器上并可在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1~9任意一项所述基于图像滤波处理的塑料母粒视觉检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311722852.7A CN117422712B (zh) | 2023-12-15 | 2023-12-15 | 基于图像滤波处理的塑料母粒视觉检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311722852.7A CN117422712B (zh) | 2023-12-15 | 2023-12-15 | 基于图像滤波处理的塑料母粒视觉检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117422712A true CN117422712A (zh) | 2024-01-19 |
CN117422712B CN117422712B (zh) | 2024-03-01 |
Family
ID=89526981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311722852.7A Active CN117422712B (zh) | 2023-12-15 | 2023-12-15 | 基于图像滤波处理的塑料母粒视觉检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117422712B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117635507A (zh) * | 2024-01-26 | 2024-03-01 | 深圳市精森源科技有限公司 | 一种塑胶颗粒在线视觉检测方法及系统 |
CN117786429A (zh) * | 2024-02-28 | 2024-03-29 | 齐鲁工业大学(山东省科学院) | 基于可穿戴设备的老人健康监测数据处理方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11153585A (ja) * | 1997-11-19 | 1999-06-08 | Yamaguchi Prefecture | 繊維強化プラスチック中における繊維の3次元配向の測定法 |
US20080037853A1 (en) * | 2006-08-11 | 2008-02-14 | Sylvain Bernard | Method for the processing of radiology images for a detection of opacities |
CN114549441A (zh) * | 2022-02-14 | 2022-05-27 | 中船重工鹏力(南京)智能装备系统有限公司 | 基于图像处理的吸管缺陷检测方法 |
CN116030060A (zh) * | 2023-03-29 | 2023-04-28 | 高唐县红发塑业有限公司 | 一种塑料颗粒质量检测方法 |
CN116740070A (zh) * | 2023-08-15 | 2023-09-12 | 青岛宇通管业有限公司 | 基于机器视觉的塑料管道外观缺陷检测方法 |
CN116805316A (zh) * | 2023-08-25 | 2023-09-26 | 深圳市鹏顺兴包装制品有限公司 | 基于图像增强的可降解塑料加工质量检测方法 |
CN117095005A (zh) * | 2023-10-20 | 2023-11-21 | 山东龙拓新材料有限公司 | 一种基于机器视觉的塑料母粒质检方法及系统 |
CN117132506A (zh) * | 2023-10-23 | 2023-11-28 | 深圳市高进实业有限公司 | 基于视觉技术的钟表零配件质量检测方法 |
-
2023
- 2023-12-15 CN CN202311722852.7A patent/CN117422712B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11153585A (ja) * | 1997-11-19 | 1999-06-08 | Yamaguchi Prefecture | 繊維強化プラスチック中における繊維の3次元配向の測定法 |
US20080037853A1 (en) * | 2006-08-11 | 2008-02-14 | Sylvain Bernard | Method for the processing of radiology images for a detection of opacities |
CN114549441A (zh) * | 2022-02-14 | 2022-05-27 | 中船重工鹏力(南京)智能装备系统有限公司 | 基于图像处理的吸管缺陷检测方法 |
CN116030060A (zh) * | 2023-03-29 | 2023-04-28 | 高唐县红发塑业有限公司 | 一种塑料颗粒质量检测方法 |
CN116740070A (zh) * | 2023-08-15 | 2023-09-12 | 青岛宇通管业有限公司 | 基于机器视觉的塑料管道外观缺陷检测方法 |
CN116805316A (zh) * | 2023-08-25 | 2023-09-26 | 深圳市鹏顺兴包装制品有限公司 | 基于图像增强的可降解塑料加工质量检测方法 |
CN117095005A (zh) * | 2023-10-20 | 2023-11-21 | 山东龙拓新材料有限公司 | 一种基于机器视觉的塑料母粒质检方法及系统 |
CN117132506A (zh) * | 2023-10-23 | 2023-11-28 | 深圳市高进实业有限公司 | 基于视觉技术的钟表零配件质量检测方法 |
Non-Patent Citations (2)
Title |
---|
PAUL L. GIBSON: "Stereoscopic Distance Filtering Plus Thermal Imaging Glasses Design", 《2022 44TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE & BIOLOGY SOCIETY (EMBC)》, 8 September 2022 (2022-09-08), pages 894 - 897 * |
恽鸿峰;: "激光诱导击穿光谱塑料损坏区域的图像识别", 激光杂志, no. 09, 25 September 2016 (2016-09-25) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117635507A (zh) * | 2024-01-26 | 2024-03-01 | 深圳市精森源科技有限公司 | 一种塑胶颗粒在线视觉检测方法及系统 |
CN117635507B (zh) * | 2024-01-26 | 2024-04-09 | 深圳市精森源科技有限公司 | 一种塑胶颗粒在线视觉检测方法及系统 |
CN117786429A (zh) * | 2024-02-28 | 2024-03-29 | 齐鲁工业大学(山东省科学院) | 基于可穿戴设备的老人健康监测数据处理方法 |
CN117786429B (zh) * | 2024-02-28 | 2024-05-07 | 齐鲁工业大学(山东省科学院) | 基于可穿戴设备的老人健康监测数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117422712B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117422712B (zh) | 基于图像滤波处理的塑料母粒视觉检测方法及系统 | |
CN116310360B (zh) | 一种电抗器表面缺陷检测方法 | |
CN116168026B (zh) | 基于计算机视觉的水质检测方法及系统 | |
CN107392866B (zh) | 一种光照鲁棒的人脸图像局部纹理增强方法 | |
CN108921800A (zh) | 基于形状自适应搜索窗口的非局部均值去噪方法 | |
CN112579823B (zh) | 基于特征融合和增量滑动窗口的视频摘要生成方法及系统 | |
CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
CN114782432A (zh) | 一种基于纹理特征的改进canny算子的边缘检测方法 | |
CN115511907B (zh) | 一种用于led屏幕的划痕检测方法 | |
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 | |
CN115937216A (zh) | 一种新能源汽车用磁转子外观质量检测方法 | |
CN116485797B (zh) | 基于人工智能的涂料色差快速检测方法 | |
CN104463814A (zh) | 基于局部纹理方向性的图像增强方法 | |
CN116110053A (zh) | 基于图像识别的集装箱表面信息检测方法 | |
CN111738931B (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
CN115272303A (zh) | 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 | |
CN117218029A (zh) | 基于神经网络的夜间暗光图像智能处理方法 | |
CN116934763A (zh) | 一种基于视觉特征的医用橡胶胶塞缺陷检测方法 | |
CN116228804A (zh) | 一种基于图像分割的矿产资源识别方法 | |
CN116681696B (zh) | 一种用于自动化生产设备的模具质量监测方法 | |
CN115994870B (zh) | 一种用于增强去噪的图像处理方法 | |
CN117237245B (zh) | 一种基于人工智能与物联网的工业物料质量监测方法 | |
CN116958134B (zh) | 基于图像处理的塑料膜挤出质量评估方法 | |
CN116958126B (zh) | 基于计算机视觉的模具注塑检测方法及系统 | |
CN116912235B (zh) | 基于计算机视觉的脱水蒜状态智能检测方法 |
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 |