CN117455904A - 基于图像处理的电子烟生产质量检测方法 - Google Patents
基于图像处理的电子烟生产质量检测方法 Download PDFInfo
- Publication number
- CN117455904A CN117455904A CN202311743437.XA CN202311743437A CN117455904A CN 117455904 A CN117455904 A CN 117455904A CN 202311743437 A CN202311743437 A CN 202311743437A CN 117455904 A CN117455904 A CN 117455904A
- Authority
- CN
- China
- Prior art keywords
- edge line
- detected
- value
- pixel points
- edge
- 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.)
- Pending
Links
- 239000003571 electronic cigarette Substances 0.000 title claims abstract description 85
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 title claims abstract description 12
- 230000007547 defect Effects 0.000 claims abstract description 158
- 238000000034 method Methods 0.000 claims abstract description 65
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 58
- 230000002159 abnormal effect Effects 0.000 claims abstract description 37
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000005856 abnormality Effects 0.000 claims description 26
- 238000007373 indentation Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 description 9
- 238000001914 filtration Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 239000000758 substrate Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000001502 supplementing effect Effects 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- 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
- G06T2207/20032—Median 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
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于图像处理的电子烟生产质量检测方法。该方法获取电子烟外壳表面的灰度图像,根据灰度值的分布,获取种子像素点;根据边缘线的位置、形状和种子像素点的位置,获取待测边缘线,确定待测边缘线的灰度等级;根据待测边缘线上边缘像素点相邻像素点的灰度值,获取待测边缘线的两侧差异程度值;根据分水岭算法,向种子像素点进行注水,获取参考区域,进而获取待测边缘线的变化异常程度值;根据灰度等级、两侧差异程度值和变化异常程度值,获取异常程度值,筛选凹痕缺陷边缘,获取凹痕缺陷区域。本发明通过获取异常程度值,准确的检测出凹痕缺陷区域,进而对电子烟生产质量进行准确的检测。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于图像处理的电子烟生产质量检测方法。
背景技术
电子烟是一种电子设备,由电池、加热线圈和一个装有液体的容器组成。作为一种新兴产品,电子烟的外观在很大程度上影响了产品的受欢迎程度,拥有精美外观的电子烟有较高的市场占有率。然而在电子烟的生产、运输等过程中,可能会因为工艺缺陷、操作不当等原因导致电子烟的表面出现瑕疵,其中电子烟外壳上的凹痕缺陷就是常见的一种缺陷。电子烟外壳上的凹痕缺陷不仅影响电子烟的外观,还影响电子烟的使用手感,甚至可能对电子烟内部构造产生影响,导致电子烟无法正常使用,所以在电子烟产品进入市场前,需要对电子烟的外观进行检测,及时发现凹痕缺陷进行回收修复,确保电子烟产品的生产质量。
现有方法中通过分水岭算法对电子烟的凹痕缺陷进行检测,即利用分水岭算法对电子烟外壳的灰度图像进行分割,获取凹痕缺陷区域。但在实际情况中,电子烟外壳大多平滑且有一定弧度,这就导致电子烟外壳不同部分的光照强度存在差异,使得电子烟外壳的凹痕缺陷区域难以通过直接手段区分出来,进而导致分水岭算法对凹痕缺陷区域的分割不准确,不能准确的检测出凹痕缺陷区域,不能对电子烟产品的生产质量进行准确的检测。
发明内容
为了解决分水岭算法对电子烟外壳的凹痕缺陷区域的分割不准确的技术问题,本发明的目的在于提供一种基于图像处理的电子烟生产质量检测方法,所采用的技术方案具体如下:
本发明提出了一种基于图像处理的电子烟生产质量检测方法,该方法包括以下步骤:
获取电子烟外壳表面的灰度图像;
构建灰度图像中每个像素点的第一预设窗口,根据每个第一预设窗口中灰度值的分布,获取种子像素点;根据灰度图像中边缘线的位置和形状,以及种子像素点的位置,获取待测边缘线;根据每条待测边缘线的每个边缘像素点的第二预设窗口内灰度值的分布,获取每条待测边缘线的灰度等级;
根据每条待测边缘线上预设数量个边缘像素点相邻像素点的灰度值,获取每条待测边缘线的两侧差异程度值;
根据分水岭算法,向每条待测边缘线对应的种子像素点进行注水,获取每条待测边缘线首次淹没和淹没前一刻对应灰度图像的差异,确定每条待测边缘线的参考区域;根据每条待测边缘线的参考区域的形状和位置,获取每条待测边缘线的变化异常程度值;
根据每条待测边缘线的灰度等级、两侧差异程度值和变化异常程度值,获取每条待测边缘线的异常程度值;
根据异常程度值筛选出凹痕缺陷边缘,获取凹痕缺陷区域。
进一步地,所述构建灰度图像中每个像素点的第一预设窗口,根据每个第一预设窗口中灰度值的分布,获取种子像素点的方法为:
以灰度图像中的每个像素点为中心,构建第一预设窗口;
获取每个第一预设窗口中像素点的灰度值方差,作为对应第一预设窗口中心像素点的邻域灰度分布离散程度;
将每个邻域灰度分布离散程度从大到小进行排序,获得邻域灰度分布离散程度序列;
将邻域灰度分布离散程度序列中的前第一预设数量个邻域灰度分布离散程度,作为目标离散程度;
将目标离散程度对应的像素点,作为种子像素点。
进一步地,所述根据灰度图像中边缘线的位置和形状,以及种子像素点的位置,获取待测边缘线的方法为:
通过边缘检测算法,获取灰度图像中的边缘线;
将边缘线构成的闭合区域,作为目标区域;
将含有种子像素点的目标区域,作为特殊区域;
获取每个特殊区域中像素点的灰度值方差,作为目标方差;
当目标方差大于预设的第一阈值时,将对应的特殊区域作为疑似缺陷区域;
获取每个疑似缺陷区域中灰度值的均值,作为第一均值;
获取共线的两个疑似缺陷区域之间的第一均值的差值绝对值,作为第一特征值;
当第一特征值大于预设的第二阈值时,将共线的两个疑似缺陷区域中第一均值小的疑似缺陷区域,作为目标疑似缺陷区域;
将目标疑似缺陷区域的非共线部分的边缘线,作为待测边缘线。
进一步地,所述根据每条待测边缘线的每个边缘像素点的第二预设窗口内灰度值的分布,获取每条待测边缘线的灰度等级的方法为:
将灰度图像中的灰度值从小到大等分为第二预设数量个组,从小到大进行标号;
对于任一条待测边缘线,以该条待测边缘线的每个边缘像素点为中心,构建对应边缘像素点的第二预设窗口;
获取每个第二预设窗口内像素点的灰度值均值,作为第二值;
获取第二值的均值,作为第二特征值;
将第二特征值所在组对应的标号,作为该条待测边缘线的灰度等级。
进一步地,所述根据每条待测边缘线上预设数量个边缘像素点相邻像素点的灰度值,获取每条待测边缘线的两侧差异程度值的方法为:
从每条待测边缘线上均匀选出预设数量个边缘像素点,作为参与像素点;
将每个参与像素点两侧相邻的两个非边缘像素点的像素点,作为目标像素点;
将每条待测边缘线的参与像素点同一侧的目标像素点,作为一组目标像素点,其中,每条待测边缘线的参与像素点对应两组目标像素点;
获取每组目标像素点的灰度值均值和灰度值方差,依次作为每组目标像素点的第一目标值和第二目标值;
获取每条待测边缘线的参与像素点对应两组目标像素点之间的第一目标值的差异,作为每条待测边缘线的参与像素点两侧的第一差异;
获取每条待测边缘线的参与像素点对应两组目标像素点之间的第二目标值的差异,作为每条待测边缘线的参与像素点两侧的第二差异;
获取每条待测边缘线的参与像素点两侧的第一差异与第二差异的乘积,作为每条待测边缘线的参与像素点两侧的差异值;
将每条待测边缘线的参与像素点两侧的差异值进行归一化的结果,作为每条待测边缘线的两侧差异程度值。
进一步地,所述根据分水岭算法,向每条待测边缘线对应的种子像素点进行注水,获取每条待测边缘线首次淹没和淹没前一刻对应灰度图像的差异,确定每条待测边缘线的参考区域的方法为:
将位于每条待测边缘线所在的目标疑似缺陷区域内的种子像素点,作为每条待测边缘线对应的种子像素点;
将每条待测边缘线首次淹没对应的灰度图像作为第一图像;
将每条待测边缘线淹没前一刻对应的灰度图像作为第二图像;
获取每条待测边缘线对应的第一图像与第二图像中的差异部分构成的图像,作为每条待测边缘线对应的残差图像;
将所述残差图像中第一图像的水位线,作为第一水位线;将所述残差图像中第二图像的水位线,作为第二水位线;其中,第一水位线与第二水位线平行;
将所述残差图像中第二水位线进行延伸,直至与第一水位线相等;其中,延伸后的第二水位线与第一水位线同一侧端点的连线与水位线垂直;
将所述残差图像中延伸后的第二水位线与第一水位线同侧的端点进行连接,将构成的闭合区域,作为对应待测边缘线的参考区域。
进一步地,所述根据每条待测边缘线的参考区域的形状和位置,获取每条待测边缘线的变化异常程度值的方法为:
对于任一条待测边缘线,获取该条待测边缘线的参考区域中像素点的数量,作为该条待测边缘线的参考区域的面积;
将该条待测边缘线的参考区域中最大的边长大小,作为该条待测边缘线的参考区域的长;
将该条待测边缘线的参考区域中与长垂直的最长线段的大小,作为该条待测边缘线的参考区域的宽;
获取该条待测边缘线的参考区域的长所在方向与灰度图像的最长边所在方向的夹角,作为该条待测边缘线的参考区域的第一夹角;
根据该条待测边缘线的参考区域的面积、长、宽和第一夹角,获取该条待测边缘线的变化异常程度值。
进一步地,所述变化异常程度值的计算公式为:
式中,为第i条待测边缘线的变化异常程度值;/>为第i条待测边缘线的参考区域的面积;/>为第i条待测边缘线的参考区域的长;/>为第i条待测边缘线的参考区域的宽;/>为第i条待测边缘线的参考区域的第一夹角;/>为第一预设常数,大于0;norm为归一化函数。
进一步地,所述异常程度值的计算公式为:
式中,为第i条待测边缘线的异常程度值;/>为第i条待测边缘线的灰度等级;/>为第i条待测边缘线的两侧差异程度值;/>为第i条待测边缘线的变化异常程度值;/>为第二预设数量;/>为第二预设常数,大于/>;norm为归一化函数。
进一步地,所述根据异常程度值筛选出凹痕缺陷边缘,获取凹痕缺陷区域的方法为:
当异常程度值大于或者等于预设的异常程度值阈值时,将对应的待测边缘线作为凹痕缺陷边缘;
将凹痕缺陷边缘上每个边缘像素点的灰度值进行调整,通过分水岭算法对灰度图像进行分割,获取凹痕缺陷区域。
本发明具有如下有益效果:
构建灰度图像中每个像素点的第一预设窗口,根据每个第一预设窗口中灰度值的分布,获取种子像素点,避免种子像素点选取的不合理,增加了分割凹痕缺陷区域的准确性;根据灰度图像中边缘线的位置和形状,以及种子像素点的位置,获取待测边缘线,提高获取凹痕缺陷区域的效率;为了准确的判断待测边缘线是否为凹痕缺陷边缘,初步根据每条待测边缘线的每个边缘像素点的第二预设窗口内灰度值的分布,获取每条待测边缘线的灰度等级,进一步根据每条待测边缘线上预设数量个边缘像素点相邻像素点的灰度值,获取每条待测边缘线的两侧差异程度值,再一步根据分水岭算法,向每条待测边缘线对应的种子像素点进行注水,获取每条待测边缘线首次淹没和淹没前一刻对应灰度图像的差异,确定每条待测边缘线的参考区域,根据每条待测边缘线的参考区域的形状和位置,获取每条待测边缘线的变化异常程度值,最后根据每条待测边缘线的灰度等级、两侧差异程度值和变化异常程度值,获取每条待测边缘线的异常程度值,确定每条待测边缘线为凹痕缺陷边缘的可能性,进而准确筛选出凹痕缺陷边缘,避免了光照对获取凹痕缺陷边缘的影响,准确的获取凹痕缺陷区域,对电子烟的生产质量进行准确的检测,确保进入市场的电子烟外壳不存在凹痕缺陷。
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处理的电子烟生产质量检测方法的流程示意图;
图2为本发明一个实施例所提供的存在明亮区域和阴影区域的灰度图像。
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处理的电子烟生产质量检测方法,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。
下面结合附图具体的说明本发明所提供的一种基于图像处理的电子烟生产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图像处理的电子烟生产质量检测方法的流程示意图,该方法包括以下步骤:
步骤S1:获取电子烟外壳表面的灰度图像。
具体的,电子烟的外观在很大程度上影响了产品的受欢迎程度,外观精美的电子烟具有较高的市场占有率。然而在电子烟的生产、运输等过程中,电子烟可能会因为工艺缺陷、操作不当等原因导致出现表面瑕疵,影响电子烟的外观。其中,电子烟外壳上的凹痕缺陷就是常见的一种缺陷。电子烟外壳上的凹痕缺陷不仅影响电子烟的外观,还影响电子烟的使用手感,甚至可能对电子烟内部构造产生影响,导致电子烟无法正常使用,所以在电子烟产品进入市场前,需要对电子烟的外观进行检测,及时发现电子烟外壳上的凹痕缺陷进行回收修复,确保电子烟产品的生产质量。
为了对电子烟的外观是否存在凹痕缺陷进行准确的分析,本发明实施例以电子烟外观的一个面为例进行分析。已知电子烟的形状大致为细长的椭圆柱体,为了稳定的采集电子烟外壳表面图像,本发明实施例将电子烟在流水线上横向排放,从正面看电子烟的形状为矩形,从侧面看电子烟的形状为椭圆。本发明实施例将光源和相机镜头均放置在流水线的正上方,获取电子烟外壳表面图像,其中,相机每次获取的电子烟外壳表面图像中只含有一个电子烟。为了准确的检测出电子烟外壳上的凹痕缺陷,本发明实施例将获取的电子烟外壳表面图像进行灰度化处理,获取电子烟外壳表面的灰度图像。其中,灰度化处理为现有技术,不再进行过多赘述。
为了降低噪声对检测凹痕缺陷区域的影响,本发明实施例通过高斯滤波对灰度图像进行去噪,在另一实施例中可以使用中值滤波、全变分(Total Variation,TV)法等其他方法对灰度图像进行去噪处理。其中,高斯滤波、中值滤波以及全变分(Total Variation,TV)法均为现有技术,不再进行过多赘述。
在获取电子烟外壳表面图像时,由于电子烟外壳光滑且具有弧度,难以避免光照不均匀带来的影响,因此在灰度图像中会出现光照较强的明亮区域和光照较差的阴影区域,明亮区域和阴影区域之间的灰度值差异较大。因为凹痕缺陷区域的内部不平整,当凹痕缺陷区域完全在明亮区域或者阴影区域中均是灰度值小且灰度值分布差异大的区域。因此,完全位于明亮区域或者阴影区域中的凹痕缺陷区域可以通过分水岭算法准确的分割出来,需要说明的是,明亮区域和阴影区域中的分水岭阈值不同,本发明实施例获取明亮区域和阴影区域中的灰度值众数,依次作为明亮区域和阴影区域中的分水岭阈值,实施者可根据实际情况获取明亮区域和阴影区域中的分水岭阈值,在此不进行限定。其中,分水岭算法为公知技术,不再进行赘述。
但在实际情况中会存在凹痕缺陷区域位于光照变化较大的位置,即凹痕缺陷区域跨越了明亮区域和阴影区域的交界线,此时位于明亮区域的凹痕缺陷区域部分的灰度值与凹痕缺陷区域外的阴影区域的灰度值接近,通过分水岭算法对灰度图像进行分割获取跨越明亮区域和阴影区域交界的凹痕缺陷区域时,跨越明亮区域和阴影区域交界的凹痕缺陷区域中的水会溢出到阴影区域,导致阴影区域被误认为凹痕缺陷区域,使得分割结果错误。因此本发明实施例主要针对跨越明亮区域和阴影区域交界的凹痕缺陷区域进行分析,避免分水岭算法在模拟注水时溢出到阴影区域的情况发生,对跨越明亮区域和阴影区域交界的凹痕缺陷区域进行准确的分割,进而准确的对电子烟的生产质量进行检测。
需要说明的是,本发明实施例获取明亮区域和阴影区域方法为:通过边缘检测算法,获取灰度图像中的边缘线,将与灰度图像的最长边平行且相等,但不是灰度图像边界的边缘线作为目标边缘线,将距离最远的两条目标边缘线构成的闭合区域作为明亮区域,将灰度图像中除明亮区域外的其他区域作为阴影区域,如图2所示,白色区域为明亮区域,灰色区域为阴影区域。其中,边缘检测算法为现有技术,不再进行赘述。
步骤S2:构建灰度图像中每个像素点的第一预设窗口,根据每个第一预设窗口中灰度值的分布,获取种子像素点;根据灰度图像中边缘线的位置和形状,以及种子像素点的位置,获取待测边缘线;根据每条待测边缘线的每个边缘像素点的第二预设窗口内灰度值的分布,获取每条待测边缘线的灰度等级。
具体的,分水岭算法本身对种子像素点的选择比较敏感,种子像素点作为分水岭算法的输入,指定了起始的区域或对象,因此种子像素点选取的是否准确,直接导致分水岭算法分割结果的好坏,因此为了准确的分割出灰度图像中的凹痕缺陷区域,应在每个可能为凹痕缺陷区域中都设置一个种子像素点。由于电子烟外壳通常为光滑的金属材质,在电子烟外壳的小范围内光照强度是相对比较均匀的,当电子烟外壳不存在凹痕缺陷时,灰度图像内的每个像素点与周围一定区域内的其它像素点的灰度值是相近的。当电子烟外壳存在凹痕缺陷时,由于凹痕缺陷区域的内部不光滑,因此凹痕缺陷区域内的像素点灰度值分布离散。因此,本发明实施例设定第一预设窗口的大小为,实施者可根据实际情况设定第一预设窗口的大小,在此不进行限定。以灰度图像中的每个像素点为中心,构建每个像素点的第一预设窗口;获取每个第一预设窗口中像素点的灰度值方差,作为对应第一预设窗口中心像素点的邻域灰度分布离散程度。对于灰度图像中的边界像素点,将边界像素点的第一预设窗口不在灰度图像的部分像素点的灰度值用0进行补充。将每个邻域灰度分布离散程度从大到小进行排序,获得邻域灰度分布离散程度序列;将邻域灰度分布离散程度序列中的前第一预设数量个邻域灰度分布离散程度,作为目标离散程度。本发明实施例将第一预设数量设定为灰度图像中所有像素点数量的10%,实施者可根据实际情况设定第一预设数量的大小,在此不进行限定。将目标离散程度对应的像素点,作为种子像素点。若同一个第一预设窗口中至少存在两个种子像素点,则将灰度值最小的种子像素点作为该第一预设窗口对应的种子像素点,若灰度值最小的种子像素点至少存在两个,则任选一个种子像素点作为该第一预设窗口对应的种子像素点。需要说明的是,一个第一预设窗口中最多只能存在一个种子像素点。
已知本发明实施例针对的是跨越明亮区域和阴影区域交界的凹痕缺陷区域,提高该种凹痕缺陷区域与阴影区域的边缘线上的边缘像素点的灰度值,以达到“建坝”的效果,避免利用分水岭算法获取凹痕缺陷区域时,导致跨越明亮区域和阴影区域交界的凹痕缺陷区域中的水溢出到阴影区域,使得跨越明亮区域和阴影区域交界的凹痕缺陷区域分割不准确。因此,本发明实施例根据灰度图像中边缘线的位置和形状,以及种子像素点的位置,获取可能为跨越明亮区域和阴影区域交界的凹痕缺陷区域处于阴影区域的凹痕缺陷边缘的待测边缘线。需要说明的是,后续出现的凹痕缺陷边缘的两侧均为阴影区域和凹痕缺陷区域,即后续出现的凹痕缺陷边缘均指跨越明亮区域和阴影区域交界的凹痕缺陷区域处于阴影区域的凹痕缺陷边缘。
优选地,获取待测边缘线的方法为:通过边缘检测算法,获取灰度图像中的边缘线;将边缘线构成的闭合区域,作为目标区域;将含有种子像素点的目标区域,作为特殊区域;获取每个特殊区域中像素点的灰度值方差,作为目标方差;当目标方差大于预设的第一阈值时,将对应的特殊区域作为疑似缺陷区域;获取每个疑似缺陷区域中灰度值的均值,作为第一均值;获取共线的两个疑似缺陷区域之间的第一均值的差值绝对值,作为第一特征值;当第一特征值大于预设的第二阈值时,将共线的两个疑似缺陷区域中第一均值小的疑似缺陷区域,作为目标疑似缺陷区域;将目标疑似缺陷区域的非共线部分的边缘线,作为待测边缘线。
已知凹痕缺陷区域为一个闭合区域,因此,本发明实施例获取边缘线构成的闭合区域,即目标区域。已知凹痕缺陷区域中一定存在种子像素点,因此将含有种子像素点的目标区域,作为特殊区域。已知凹痕缺陷区域内的灰度值分布波动程度大,因此,获取每个特殊区域中像素点的灰度值方差,即目标方差,目标方差越大,说明特殊区域内像素点的灰度值分布越离散,特殊区域越可能为凹痕缺陷区域。本发明实施例将预设的第一阈值设定为0.5,实施者可根据实际情况设定预设的第一阈值的大小,在此不进行限定。当目标方差大于预设的第一阈值时,将对应的特殊区域作为疑似缺陷区域。明亮区域和阴影区域的交界线即目标边缘线,可以将跨越明亮区域和阴影区域的凹痕缺陷区域分割为共线的两个凹痕缺陷区域,因为共线的两个凹痕缺陷区域分别处于明亮区域和阴影区域,因此共线的两个凹痕缺陷区域之间的灰度值差异比较大。因此,本发明实施例获取每个疑似缺陷区域中灰度值的均值,即第一均值;获取共线的两个疑似缺陷区域之间的第一均值的差值绝对值,即第一特征值。本发明实施例将预设的第二阈值设定为20,实施者可根据实际情况设定预设的第二阈值的大小,在此不进行限定。当第一特征值大于预设的第二阈值时,将共线的两个疑似缺陷区域中第一均值小的疑似缺陷区域,作为目标疑似缺陷区域;将目标疑似缺陷区域的非共线部分的边缘线作为待测边缘线。至此,获取灰度像中的待测边缘线。
已知凹痕缺陷边缘的两侧分别为凹痕缺陷区域和阴影区域,其中,凹痕缺陷区域和阴影区域在灰度图像中均为灰度值较小的区域,因此,待测边缘线周围像素点的灰度值越低,待测边缘线越可能为凹痕缺陷边缘。因此,本发明实施例根据每条待测边缘线的每个边缘像素点的第二预设窗口内灰度值的分布,获取每条待测边缘线的灰度等级。
优选地,获取灰度等级的方法为:将灰度图像中的灰度值从小到大等分为第二预设数量个组,从小到大进行标号;对于任一条待测边缘线,以该条待测边缘线的每个边缘像素点为中心,构建对应边缘像素点的第二预设窗口;获取每个第二预设窗口内像素点的灰度值均值,作为第二值;获取第二值的均值,作为第二特征值;将第二特征值所在组对应的标号,作为该条待测边缘线的灰度等级。
作为一个示例,本发明实施例将第二预设数量设定为10,实施者可根据实际情况设定第二预设数量的大小,在此不进行限定。将灰度图像中的灰度值从小到大等分为10个组,从1开始进行标号,直至标号10。以第i条待测边缘线为例,以第i条待测边缘线的每个边缘像素点为中心,构建对应边缘像素点的第二预设窗口。本发明实施例将第二预设窗口的大小设定为,实施者可根据实际情况设定第二预设窗口的大小,在此不进行限定。获取每个第二预设窗口内像素点的灰度值均值即第二值;获取第二值的均值,即第二特征值,将第二特征值所在组对应的标号,作为第i条待测边缘线的灰度等级。
根据获取第i条待测边缘线的灰度等级的方法,获取每条待测边缘线的灰度等级。需要说明的是,灰度等级越小,说明对应的待测边缘线越可能为凹痕缺陷边缘。
步骤S3:根据每条待测边缘线上预设数量个边缘像素点相邻像素点的灰度值,获取每条待测边缘线的两侧差异程度值。
具体的,已知凹痕缺陷边缘两侧分别为凹痕缺陷区域和阴影区域,其中,阴影区域内的像素点灰度值分布的更加集中,凹痕缺陷区域内的像素点灰度值分布的更加离散。同时,处于阴影区域的凹痕缺陷区域的光照强度要弱于阴影区域,所以凹痕缺陷边缘对应的凹痕缺陷区域中的像素点灰度值更低。因此,本发明实施例对每条待测边缘线两侧像素点的灰度值进行分析,获取每条待测边缘线的两侧差异程度值。其中,两侧差异程度值越大,说明对应的待测边缘线越可能为凹痕缺陷边缘。为了提高获取每条待测边缘线的两侧差异程度值的效率,本发明实施例从每条待测边缘线上均匀选出预设数量个边缘像素点,作为参与像素点。本发明实施例将预设数量设定为30,实施者可根据实际情况设定预设数量的大小,在此不进行限定。为了更清楚的说明获取两侧差异程度值的方法,本发明实施例以步骤S2中的第i条待测边缘线为例,从第i条待测边缘线上均匀选出30个边缘像素点,即为第i条待测边缘线的参与像素点。将第i条待测边缘线的每个参与像素点两侧相邻的两个非边缘像素点的像素点,作为目标像素点;将第i条待测边缘线的参与像素点同一侧的目标像素点,作为一组目标像素点,其中,同一组目标像素点在同一个区域。第i条待测边缘线的参与像素点对应两组目标像素点,分别在阴影区域和凹痕缺陷区域。获取第i条待测边缘线的参与像素点对应的每组目标像素点的灰度值均值和灰度值方差,依次作为第i条待测边缘线的参与像素点对应的每组像素点的第一目标值和第二目标值,获取第i条待测边缘线的参与像素点对应两组目标像素点之间的第一目标值的差异,作为第i条待测边缘线的参与像素点两侧的第一差异;获取第i条待测边缘线的参与像素点对应两组目标像素点之间的第二目标值的差异,作为第i条待测边缘线的参与像素点两侧的第二差异;获取第i条待测边缘线的参与像素点两侧的第一差异与第二差异的乘积,作为第i条待测边缘线的参与像素点两侧的差异值;将第i条待测边缘线的参与像素点两侧的差异值进行归一化的结果,作为第i条待测边缘线的两侧差异程度值。因此,获取第i条待测边缘线的两侧差异程度值的计算公式为:
式中,为第i条待测边缘线的两侧差异程度值;/>为第i条待测边缘线的参与像素点对应的第一组目标像素点的第二目标值;/>为第i条待测边缘线的参与像素点对应的第二组目标像素点的第二目标值;/>为第i条待测边缘线的参与像素点对应的第一组目标像素点的第一目标值;/>为第i条待测边缘线的参与像素点对应的第二组目标像素点的第一目标值;/>为绝对值函数;norm为归一化函数;/>为第二差异;为第一差异;/>为差异值。
需要说明的是,第一差异越大,说明第i条待测边缘线的参与像素点对应的两组目标像素点之间的灰度值的差异越大,/>越大;第二差异/>越大,说明第i条待测边缘线的参与像素点对应的两组目标像素点之间的灰度值波动程度的差异越大,/>越大;因此,/>越大,第i条待测边缘线越可能为凹痕缺陷边缘。
根据获取第i条待测边缘线的两侧差异程度值的方法,获取每条待测边缘线的两侧差异程度值。
步骤S4:根据分水岭算法,向每条待测边缘线对应的种子像素点进行注水,获取每条待测边缘线首次淹没和淹没前一刻对应灰度图像的差异,确定每条待测边缘线的参考区域;根据每条待测边缘线的参考区域的形状和位置,获取每条待测边缘线的变化异常程度值。
具体的,分水岭算法对图像分割的过程可以模拟为向盆地中注水的过程,凹痕缺陷边缘可以看作是堤坝。向盆地不断的注水,当水位线高于堤坝时,溢出的水就会向阴影区域流去,覆盖阴影区域。在同一时刻被淹没的阴影区域各部分的光照强度是相同的,即灰度值是相同的,因此可以推断出,凹痕缺陷边缘一旦被淹没,在灰度图像中整个阴影区域都将被分水岭算法默认为凹痕缺陷区域。为了进一步确定待测边缘线是否为凹痕缺陷边缘,本发明实施例获取每条待测边缘线首次淹没和淹没前一刻对应灰度图像的差异,确定每条待测边缘线的参考区域,根据每条待测边缘线的参考区域的形状和位置,获取每条待测边缘线的变化异常程度值。其中,变化异常程度值越大,对应的待测边缘线越可能为凹痕缺陷边缘。获取变化异常程度值的具体方法如下:
(1)获取参考区域。
优选地,获取参考区域的方法为:将位于每条待测边缘线所在的目标疑似缺陷区域内的种子像素点,作为每条待测边缘线对应的种子像素点;根据分水岭算法,向每条待测边缘线对应的种子像素点进行注水,将每条待测边缘线首次淹没对应的灰度图像作为第一图像;将每条待测边缘线淹没前一刻对应的灰度图像作为第二图像;获取每条待测边缘线对应的第一图像与第二图像中的差异部分构成的图像,作为每条待测边缘线对应的残差图像;将残差图像中第一图像的水位线,作为第一水位线;将残差图像中第二图像的水位线,作为第二水位线;其中,第一水位线与第二水位线平行;将残差图像中第二水位线进行延伸,直至与第一水位线相等;其中,延伸后的第二水位线与第一水位线同一侧端点的连线与水位线垂直;将残差图像中延伸后的第二水位线与第一水位线同侧的端点进行连接,将构成的闭合区域,作为对应待测边缘线的参考区域。
其中,每条待测边缘线对应一个参考区域,参考区域的形状为矩形。参考区域的最长边与灰度图像的最长边越相近,对应的待测边缘线越可能为凹陷缺陷边缘。
(2)获取变化异常程度值。
优选地,获取变化异常程度值的方法为:对于任一条待测边缘线,获取该条待测边缘线的参考区域中像素点的数量,作为该条待测边缘线的参考区域的面积;将该条待测边缘线的参考区域中最大的边长,作为该条待测边缘线的参考区域的长;将该条待测边缘线的参考区域中与长垂直的最长线段,作为该条待测边缘线的参考区域的宽;获取该条待测边缘线的参考区域的长所在方向与灰度图像的最长边所在方向的夹角,作为该条待测边缘线的参考区域的第一夹角;根据该条待测边缘线的参考区域的面积、长、宽和第一夹角,获取该条待测边缘线的变化异常程度值。
作为一个示例,以步骤S2中的第i条待测边缘线为例,获取第i条待测边缘线的参考区域中像素点的数量,即为第i条待测边缘线的参考区域的面积。获取第i条待测边缘线的参考区域中最大的边长的大小,即为第i条待测边缘线的参考区域的长。将第i条待测边缘线的参考区域中与长垂直的最长线段的大小,作为第i条待测边缘线的参考区域的宽;获取第i条待测边缘线的参考区域的长所在方向与灰度图像的最长边所在方向的夹角,即为第i条待测边缘线的参考区域的第一夹角;根据第i条待测边缘线的参考区域的面积、长、宽和第一夹角,获取第i条待测边缘线的变化异常程度值的计算公式为:
式中,为第i条待测边缘线的变化异常程度值;/>为第i条待测边缘线的参考区域的面积;/>为第i条待测边缘线的参考区域的长;/>为第i条待测边缘线的参考区域的宽;/>为第i条待测边缘线的参考区域的第一夹角;/>为第一预设常数,大于0;norm为归一化函数。
本发明实施例将设定为1,避免分母为0,实施者可根据实际情况设定/>的大小,在此不进行限定。
需要说明的是,越大,说明第i条待测边缘线的参考区域越大,间接说明第i条待测边缘线的参考区域的形状越细长,第i条待测边缘线首次淹没越可能覆盖了阴影区域,/>越大;/>越大,/>越小,即/>越大,说明第i条待测边缘线的参考区域的形状越细长,第i条待测边缘线首次淹没越可能覆盖了阴影区域,/>越大;/>越小,说明第i条待测边缘线的参考区域的长与灰度图像的最长边越接近平行,/>越大,/>越大;因此,/>越大,说明第i条待测边缘线越可能为凹痕缺陷边缘。
根据获取第i条待测边缘线的变化异常程度值的方法,获取每条待测边缘线的变化异常程度值。
步骤S5:根据每条待测边缘线的灰度等级、两侧差异程度值和变化异常程度值,获取每条待测边缘线的异常程度值。
具体的,根据每条待测边缘线的灰度等级、两侧差异程度值和变化异常程度值,可以准确反映出每条待测边缘线的特征,因此,根据每条待测边缘线的灰度等级、两侧差异程度值和变化异常程度值,获取每条待测边缘线的异常程度值,确定每条待测边缘线是否为凹痕缺陷边缘。
作为一个示例,以步骤S2中的第i条待测边缘线为例,根据第i条待测边缘线的灰度等级、两侧差异程度值和变化异常程度值,获取第i条待测边缘线的异常程度值的计算公式为:
式中,为第i条待测边缘线的异常程度值;/>为第i条待测边缘线的灰度等级;/>为第i条待测边缘线的两侧差异程度值;/>为第i条待测边缘线的变化异常程度值;/>为第二预设数量,在本发明实施例中为10;/>为第二预设常数,大于/>;norm为归一化函数。
本发明实施例将设定为11,实施者可根据实际情况设定/>的大小,在此不进行限定。
需要说明的是,越小,第i条待测边缘线的周围的灰度值越下,第i条待测边缘线越可能为凹痕缺陷边缘,/>越大;/>越大,第i条待测边缘线两侧区域之间的灰度值差异越大,第i条待测边缘线越可能为凹痕缺陷边缘,/>越大;/>越大,说明第i条待测边缘线越可能为凹痕缺陷边缘,/>越大;因此,/>越大,第i条待测边缘线越可能为凹痕缺陷边缘。
根据获取第i条待测边缘线的异常程度值的方法,获取每条待测边缘线的异常程度值。
步骤S6:根据异常程度值筛选出凹痕缺陷边缘,获取凹痕缺陷区域。
本发明实施例设定预设的异常程度值阈值为0.8,当异常程度值大于或者等于预设的异常程度值阈值时,将对应的待测边缘线作为凹痕缺陷边缘。至此,获取灰度图像中的凹痕缺陷边缘。
确定凹痕缺陷边缘后,对凹痕缺陷边缘进行筑坝,避免分水岭算法错误的将阴影区域分割为凹痕缺陷区域。由于凹痕缺陷边缘是凹痕缺陷区域与阴影区域的交界处,因此可以直接将该处的像素灰度值设置为最大值255,这样可以确保分割时无论截止阈值多大都可以准确获取灰度图像中的凹痕缺陷区域。因此,本发明实施例将凹痕缺陷边缘上每个边缘像素点的灰度值均调整为255,实施者可根据实际情况对凹痕缺陷边缘上每个边缘像素点的灰度值进行调整,在此不进行限定。通过分水岭算法对灰度图像进行分割,准确获取凹痕缺陷区域。
将存在凹痕缺陷区域的电子烟进行回收再次加工,完成对电子烟生产质量的检测。
至此,本发明完成。
综上所述,本发明实施例获取电子烟外壳表面的灰度图像,根据灰度值的分布,获取种子像素点;根据边缘线的位置、形状和种子像素点的位置,获取待测边缘线,确定待测边缘线的灰度等级;根据待测边缘线上边缘像素点相邻像素点的灰度值,获取待测边缘线的两侧差异程度值;根据分水岭算法,向种子像素点进行注水,获取参考区域,进而获取待测边缘线的变化异常程度值;根据灰度等级、两侧差异程度值和变化异常程度值,获取异常程度值,筛选凹痕缺陷边缘,获取凹痕缺陷区域。本发明通过获取异常程度值,准确的检测出凹痕缺陷区域,进而对电子烟生产质量进行准确的检测。
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)
1.一种基于图像处理的电子烟生产质量检测方法,其特征在于,该方法包括以下步骤:
获取电子烟外壳表面的灰度图像;
构建灰度图像中每个像素点的第一预设窗口,根据每个第一预设窗口中灰度值的分布,获取种子像素点;根据灰度图像中边缘线的位置和形状,以及种子像素点的位置,获取待测边缘线;根据每条待测边缘线的每个边缘像素点的第二预设窗口内灰度值的分布,获取每条待测边缘线的灰度等级;
根据每条待测边缘线上预设数量个边缘像素点相邻像素点的灰度值,获取每条待测边缘线的两侧差异程度值;
根据分水岭算法,向每条待测边缘线对应的种子像素点进行注水,获取每条待测边缘线首次淹没和淹没前一刻对应灰度图像的差异,确定每条待测边缘线的参考区域;根据每条待测边缘线的参考区域的形状和位置,获取每条待测边缘线的变化异常程度值;
根据每条待测边缘线的灰度等级、两侧差异程度值和变化异常程度值,获取每条待测边缘线的异常程度值;
根据异常程度值筛选出凹痕缺陷边缘,获取凹痕缺陷区域。
2.如权利要求1所述一种基于图像处理的电子烟生产质量检测方法,其特征在于,所述构建灰度图像中每个像素点的第一预设窗口,根据每个第一预设窗口中灰度值的分布,获取种子像素点的方法为:
以灰度图像中的每个像素点为中心,构建第一预设窗口;
获取每个第一预设窗口中像素点的灰度值方差,作为对应第一预设窗口中心像素点的邻域灰度分布离散程度;
将每个邻域灰度分布离散程度从大到小进行排序,获得邻域灰度分布离散程度序列;
将邻域灰度分布离散程度序列中的前第一预设数量个邻域灰度分布离散程度,作为目标离散程度;
将目标离散程度对应的像素点,作为种子像素点。
3.如权利要求1所述一种基于图像处理的电子烟生产质量检测方法,其特征在于,所述根据灰度图像中边缘线的位置和形状,以及种子像素点的位置,获取待测边缘线的方法为:
通过边缘检测算法,获取灰度图像中的边缘线;
将边缘线构成的闭合区域,作为目标区域;
将含有种子像素点的目标区域,作为特殊区域;
获取每个特殊区域中像素点的灰度值方差,作为目标方差;
当目标方差大于预设的第一阈值时,将对应的特殊区域作为疑似缺陷区域;
获取每个疑似缺陷区域中灰度值的均值,作为第一均值;
获取共线的两个疑似缺陷区域之间的第一均值的差值绝对值,作为第一特征值;
当第一特征值大于预设的第二阈值时,将共线的两个疑似缺陷区域中第一均值小的疑似缺陷区域,作为目标疑似缺陷区域;
将目标疑似缺陷区域的非共线部分的边缘线,作为待测边缘线。
4.如权利要求1所述一种基于图像处理的电子烟生产质量检测方法,其特征在于,所述根据每条待测边缘线的每个边缘像素点的第二预设窗口内灰度值的分布,获取每条待测边缘线的灰度等级的方法为:
将灰度图像中的灰度值从小到大等分为第二预设数量个组,从小到大进行标号;
对于任一条待测边缘线,以该条待测边缘线的每个边缘像素点为中心,构建对应边缘像素点的第二预设窗口;
获取每个第二预设窗口内像素点的灰度值均值,作为第二值;
获取第二值的均值,作为第二特征值;
将第二特征值所在组对应的标号,作为该条待测边缘线的灰度等级。
5.如权利要求1所述一种基于图像处理的电子烟生产质量检测方法,其特征在于,所述根据每条待测边缘线上预设数量个边缘像素点相邻像素点的灰度值,获取每条待测边缘线的两侧差异程度值的方法为:
从每条待测边缘线上均匀选出预设数量个边缘像素点,作为参与像素点;
将每个参与像素点两侧相邻的两个非边缘像素点的像素点,作为目标像素点;
将每条待测边缘线的参与像素点同一侧的目标像素点,作为一组目标像素点,其中,每条待测边缘线的参与像素点对应两组目标像素点;
获取每组目标像素点的灰度值均值和灰度值方差,依次作为每组目标像素点的第一目标值和第二目标值;
获取每条待测边缘线的参与像素点对应两组目标像素点之间的第一目标值的差异,作为每条待测边缘线的参与像素点两侧的第一差异;
获取每条待测边缘线的参与像素点对应两组目标像素点之间的第二目标值的差异,作为每条待测边缘线的参与像素点两侧的第二差异;
获取每条待测边缘线的参与像素点两侧的第一差异与第二差异的乘积,作为每条待测边缘线的参与像素点两侧的差异值;
将每条待测边缘线的参与像素点两侧的差异值进行归一化的结果,作为每条待测边缘线的两侧差异程度值。
6.如权利要求3所述一种基于图像处理的电子烟生产质量检测方法,其特征在于,所述根据分水岭算法,向每条待测边缘线对应的种子像素点进行注水,获取每条待测边缘线首次淹没和淹没前一刻对应灰度图像的差异,确定每条待测边缘线的参考区域的方法为:
将位于每条待测边缘线所在的目标疑似缺陷区域内的种子像素点,作为每条待测边缘线对应的种子像素点;
将每条待测边缘线首次淹没对应的灰度图像作为第一图像;
将每条待测边缘线淹没前一刻对应的灰度图像作为第二图像;
获取每条待测边缘线对应的第一图像与第二图像中的差异部分构成的图像,作为每条待测边缘线对应的残差图像;
将所述残差图像中第一图像的水位线,作为第一水位线;将所述残差图像中第二图像的水位线,作为第二水位线;其中,第一水位线与第二水位线平行;
将所述残差图像中第二水位线进行延伸,直至与第一水位线相等;其中,延伸后的第二水位线与第一水位线同一侧端点的连线与水位线垂直;
将所述残差图像中延伸后的第二水位线与第一水位线同侧的端点进行连接,将构成的闭合区域,作为对应待测边缘线的参考区域。
7.如权利要求6所述一种基于图像处理的电子烟生产质量检测方法,其特征在于,所述根据每条待测边缘线的参考区域的形状和位置,获取每条待测边缘线的变化异常程度值的方法为:
对于任一条待测边缘线,获取该条待测边缘线的参考区域中像素点的数量,作为该条待测边缘线的参考区域的面积;
将该条待测边缘线的参考区域中最大的边长大小,作为该条待测边缘线的参考区域的长;
将该条待测边缘线的参考区域中与长垂直的最长线段的大小,作为该条待测边缘线的参考区域的宽;
获取该条待测边缘线的参考区域的长所在方向与灰度图像的最长边所在方向的夹角,作为该条待测边缘线的参考区域的第一夹角;
根据该条待测边缘线的参考区域的面积、长、宽和第一夹角,获取该条待测边缘线的变化异常程度值。
8.如权利要求7所述一种基于图像处理的电子烟生产质量检测方法,其特征在于,所述变化异常程度值的计算公式为:
式中,为第i条待测边缘线的变化异常程度值;/>为第i条待测边缘线的参考区域的面积;/>为第i条待测边缘线的参考区域的长;/>为第i条待测边缘线的参考区域的宽;/>为第i条待测边缘线的参考区域的第一夹角;/>为第一预设常数,大于0;norm为归一化函数。
9.如权利要求4所述一种基于图像处理的电子烟生产质量检测方法,其特征在于,所述异常程度值的计算公式为:
式中,为第i条待测边缘线的异常程度值;/>为第i条待测边缘线的灰度等级;/>为第i条待测边缘线的两侧差异程度值;/>为第i条待测边缘线的变化异常程度值;/>为第二预设数量;/>为第二预设常数,大于/>;norm为归一化函数。
10.如权利要求1所述一种基于图像处理的电子烟生产质量检测方法,其特征在于,所述根据异常程度值筛选出凹痕缺陷边缘,获取凹痕缺陷区域的方法为:
当异常程度值大于或者等于预设的异常程度值阈值时,将对应的待测边缘线作为凹痕缺陷边缘;
将凹痕缺陷边缘上每个边缘像素点的灰度值进行调整,通过分水岭算法对灰度图像进行分割,获取凹痕缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311743437.XA CN117455904A (zh) | 2023-12-19 | 2023-12-19 | 基于图像处理的电子烟生产质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311743437.XA CN117455904A (zh) | 2023-12-19 | 2023-12-19 | 基于图像处理的电子烟生产质量检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117455904A true CN117455904A (zh) | 2024-01-26 |
Family
ID=89591221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311743437.XA Pending CN117455904A (zh) | 2023-12-19 | 2023-12-19 | 基于图像处理的电子烟生产质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117455904A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117689659A (zh) * | 2024-02-02 | 2024-03-12 | 深圳市未尔科技有限公司 | 一种基于平板电子产品的生产质量监控方法 |
CN118014993A (zh) * | 2024-04-08 | 2024-05-10 | 中机凯博表面技术江苏有限公司 | 一种超细涂层粉末筛选质量检测方法 |
-
2023
- 2023-12-19 CN CN202311743437.XA patent/CN117455904A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117689659A (zh) * | 2024-02-02 | 2024-03-12 | 深圳市未尔科技有限公司 | 一种基于平板电子产品的生产质量监控方法 |
CN117689659B (zh) * | 2024-02-02 | 2024-04-19 | 深圳市未尔科技有限公司 | 一种基于平板电子产品的生产质量监控方法 |
CN118014993A (zh) * | 2024-04-08 | 2024-05-10 | 中机凯博表面技术江苏有限公司 | 一种超细涂层粉末筛选质量检测方法 |
CN118014993B (zh) * | 2024-04-08 | 2024-06-11 | 中机凯博表面技术江苏有限公司 | 一种超细涂层粉末筛选质量检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117455904A (zh) | 基于图像处理的电子烟生产质量检测方法 | |
CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和系统 | |
CN101901342B (zh) | 影像目标区域的提取方法和装置 | |
KR20090066212A (ko) | 결함 검출 방법 및 결함 검출 장치 | |
CN115578389B (zh) | 一种沟槽mos器件的缺陷检测方法 | |
CN116843678A (zh) | 一种硬碳电极生产质量检测方法 | |
CN112577969B (zh) | 一种基于机器视觉的缺陷检测方法以及缺陷检测系统 | |
CN115272321B (zh) | 一种基于机器视觉的纺织品缺陷检测方法 | |
CN115115644A (zh) | 一种基于人工智能的车辆焊接缺陷检测方法 | |
CN114881915A (zh) | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 | |
CN109671058A (zh) | 一种大分辨率图像的缺陷检测方法及系统 | |
CN115994904B (zh) | 基于计算机视觉的挂烫机面板生产质量检测方法 | |
CN117408995B (zh) | 基于多特征融合的电源适配器外观质量检测方法 | |
CN109949725B (zh) | 一种aoi系统图像灰度标准化方法及系统 | |
CN116758057A (zh) | 基于人工智能的通信设备缺陷检测方法 | |
CN114792314B (zh) | 基于激光束的金属丝网缺陷检测方法及人工智能系统 | |
EP3876195A1 (en) | Image processor and method for evaluating dyeing quality of knit fabric | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN108830851B (zh) | 一种lcd粗糙斑缺陷检测方法 | |
CN113628161A (zh) | 缺陷检测方法、装置及计算机可读存储介质 | |
CN115049736A (zh) | 用于电缆表面缺陷精准定位的方法 | |
CN107037053A (zh) | 用于检测斑缺陷的设备和方法 | |
CN108171691B (zh) | 一种塑料容器的检测方法 | |
CN115984360A (zh) | 一种基于图像处理的计算干滩长度的方法及系统 | |
JP2000199745A (ja) | 色ムラの検査方法及び装置 |
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 |