CN117455911B - 一种网线水晶头生产测试方法及系统 - Google Patents

一种网线水晶头生产测试方法及系统 Download PDF

Info

Publication number
CN117455911B
CN117455911B CN202311780733.7A CN202311780733A CN117455911B CN 117455911 B CN117455911 B CN 117455911B CN 202311780733 A CN202311780733 A CN 202311780733A CN 117455911 B CN117455911 B CN 117455911B
Authority
CN
China
Prior art keywords
region
crystal head
gray level
point
obtaining
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
Application number
CN202311780733.7A
Other languages
English (en)
Other versions
CN117455911A (zh
Inventor
李磊
李军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Shenggao Communications Co ltd
Original Assignee
Guangdong Shenggao Communications Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Shenggao Communications Co ltd filed Critical Guangdong Shenggao Communications Co ltd
Priority to CN202311780733.7A priority Critical patent/CN117455911B/zh
Publication of CN117455911A publication Critical patent/CN117455911A/zh
Application granted granted Critical
Publication of CN117455911B publication Critical patent/CN117455911B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，提出了一种网线水晶头生产测试方法及系统，包括：获取网线水晶头图像；根据网线水晶头图像中相邻行的灰度分布，获取若干划分行并将网线水晶头划分为若干区域；通过小波分解获取每行的灰度变化曲线的若干频率的分量；得到每个区域的若干目标频率；获取每个区域每个目标频率的信息分布图；根据信息分布图与网线水晶头图像的差异，获取每个区域每个目标频率的若干变化像素点及每个变化像素点的离群程度；得到噪声分布图；通过对网线水晶头图像与噪声分布图作差，得到去噪后的图像并进行网线水晶头的缺陷检测。本发明旨在解决水晶头图像存在噪声而导致检测结果出现误差的问题。

Description

一种网线水晶头生产测试方法及系统
技术领域
本发明涉及图像处理技术领域，具体涉及一种网线水晶头生产测试方法及系统。
背景技术
在现代电信技术中，网线水晶头通常被用于让电缆与设备相连接，以完成数据和信息的传输。然而网线水晶头的生产过程中可能会出现各种问题，包括但不限于划痕、裂纹、形状偏差等；这些问题可能会影响到网线水晶头的性能和寿命。其中，划痕是生产过程中常见的一种质量问题；虽然划痕看似细微，但实际上可能会对网线水晶头的性能产生显著影响，使得网线水晶头的接触面积减小，从而增加连接电阻，降低其传输效率。
由于网线水晶头体积较小，在采集图像时对分辨率的要求很高，进而容易受到摄像头的影响，使得采集的图像中包含了很多噪声，导致网线水晶头上的划痕显著程度大大降低，进而导致检测结果出现误差；因此在检测之前，需要对图像进行去噪预处理。传统的去噪方法中，通过获取噪声分布图，将原图与噪声分布图作差，得到去噪后的图像，但噪声分布图难以准确进行估计，因此需要结合图像中信息表征的变化，来获取准确的噪声分布图，进而去噪并进行后续检测。
发明内容
本发明提供一种网线水晶头生产测试方法及系统，以解决现有的水晶头图像存在噪声而导致检测结果出现误差的问题，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种网线水晶头生产测试方法，该方法包括以下步骤：
获取网线水晶头图像；
根据网线水晶头图像中相邻行的灰度分布，获取每行的灰度变化曲线并得到分布相似性变化曲线；对分布相似性变化曲线获取若干极值点，根据极值点分布获取每个极小值点对应行的划分程度，通过划分程度获取若干划分行并将网线水晶头划分为若干区域；
通过小波分解获取每行的灰度变化曲线的若干频率的分量；根据同一区域内相邻两行灰度变化曲线的相同频率的分量，获取每个区域内每个频率的贡献程度，得到每个区域的若干目标频率；
根据每个区域中每行灰度变化曲线每个目标频率的分量，获取每个区域每个目标频率的信息分布图；根据信息分布图与网线水晶头图像的差异，获取每个区域每个目标频率的若干变化像素点及每个变化像素点的离群程度；根据变化像素点的离群程度及各区域目标频率对应的分量，得到噪声分布图；
通过对网线水晶头图像与噪声分布图作差，得到去噪后的图像并进行网线水晶头的缺陷检测。
可选的，所述获取每行的灰度变化曲线并得到分布相似性变化曲线，包括的具体方法为：
对于网线水晶头图像中任意一行像素点，以该行像素点从左到右的次序为横坐标，每个像素点的灰度值为纵坐标，构建坐标系并得到该行的灰度变化曲线；
获取每行的灰度变化曲线，获取每行的灰度变化曲线与相邻下一行的灰度变化曲线的皮尔逊相关系数，记为每行的灰度分布相似性；以横坐标为各行从上到下的次序，纵坐标为各行的灰度分布相似性，构建坐标系，得到分布相似性变化曲线。
可选的，所述每个极小值点对应行的划分程度，具体的获取方法为：
对每个极小值点根据邻域数量，获取每个极小值点的邻域范围，以及邻域范围中相邻两个极小值点组成的若干组合；第个极小值点对应行的划分程度/>的计算方法为：
；其中，/>表示第/>个极小值点的邻域范围中组合的数量，/>表示第/>个极小值点的邻域范围中第/>个组合中两个极小值点的横坐标距离，/>表示分布相似性变化曲线的横坐标最大值；/>表示第/>个极小值点的邻域范围中第/>个组合中第一个极小值点与该组合对应的极大值点之间的斜率的绝对值；/>表示第/>个极小值点的邻域范围中第/>个组合中第二个极小值点与该组合对应的极大值点之间的斜率的绝对值；/>表示第/>个极小值点的邻域范围中第/>个组合中两个极小值点与该组合对应的极大值点之间的斜率的绝对值均值；/>表示分布相似性变化曲线中所有组合中极小值点与对应的极大值点之间斜率的绝对值最大值；/>表示求绝对值；表示以自然常数为底的指数函数。
可选的，所述通过划分程度获取若干划分行并将网线水晶头划分为若干区域，包括的具体方法为：
若划分程度大于划分阈值，将对应行作为一个划分行，得到若干划分行；将每个划分行作为每个区域的最后一行，网线水晶头图像的最后一行作为一个区域的最后一行，将网线水晶头图像划分为若干区域。
可选的，所述每个区域内每个频率的贡献程度，具体的获取方法为：
；其中，/>表示任意一个区域中第/>个频率的贡献程度，/>表示该区域的行数，/>表示网线水晶头图像所有灰度分布相似性的均值，/>表示该区域中第/>行对应的第/>个频率的分量与第/>行对应的第/>个频率的分量的皮尔逊相关系数，/>表示第/>行对应的第/>个频率的分量的变异系数与第/>行对应的第/>个频率的分量的变异系数的均值，/>表示以自然常数为底的指数函数。
可选的，所述每个区域每个目标频率的信息分布图，具体的获取方法为：
对于任意一个区域的任意一个目标频率，对该区域中每行的灰度变化曲线分别去除目标频率的分量，并重构得到每行的灰度变化曲线，记为每行的重构灰度曲线；通过重构灰度曲线的横纵坐标，得到该区域该目标频率下的重构图像，对网线水晶头图像中该区域，与重构图像进行差分，差分方法为像素点的差值绝对值为0的记为0，不为0的用1进行表示，将差分结果记为该区域该目标频率的信息分布图。
可选的，所述每个区域每个目标频率的若干变化像素点及每个变化像素点的离群程度，具体的获取方法为：
将任意一个区域的任意一个目标频率的信息分布图中不为0的像素点记为该区域该目标频率的变化像素点；对信息分布图中变化像素点进行DBSCAN聚类，距离度量采用变化像素点之间的欧式距离，得到若干类簇；根据预设的方向区间的数量，将0°到360°均匀划分为若干方向区间；获取每个类簇的中心，根据每个类簇的中心及方向区间，将每个类簇划分为若干方向块；
获取若干邻域尺度，以任意一个变化像素点为中心，邻域尺度为边长，得到该变化像素点每个邻域尺度下的邻域窗口；根据变化像素点所属类簇、方向块及其各邻域尺度下的邻域窗口中其他变化像素点的分布，得到每个区域每个目标频率的每个变化像素点的离群程度。
可选的，所述得到每个区域每个目标频率的每个变化像素点的离群程度，包括的具体方法为：
对于任意一个区域的任意一个目标频率的信息分布图，其中第个变化像素点的离群程度/>的计算方法为：
；/>；其中，/>表示第/>个变化像素点的初始离群程度，/>表示邻域尺度的数量，/>表示第/>个变化像素点第/>个邻域尺度下的邻域窗口中变化像素点的数量，/>表示所有变化像素点所有邻域尺度下的邻域窗口中变化像素点的数量的最大值，/>表示包含第/>个变化像素点所属类簇的类簇组合的数量，类簇组合为任意两个类簇作为一个类簇组合，将任意一个包含第/>个变化像素点所属类簇的类簇组合中另一个类簇记为第/>个变化像素点在该类簇组合中的参考类簇；/>表示第/>个变化像素点第/>个邻域尺度下的邻域窗口的平均密度值，所述平均密度值的具体计算方法为：获取邻域窗口中除中心像素点之外每个变化像素点与中心像素点的距离，将所有距离的均值的倒数作为平均密度值；/>表示在包含第/>个变化像素点所属类簇的第/>个类簇组合的参考类簇中，与第/>个变化像素点所属类簇的方向块属于同一方向区间的方向块中的若干变化像素点中，与第/>个变化像素点距离最近的变化像素点第/>个邻域尺度下的邻域窗口的平均密度值；/>表示以自然常数为底的指数函数；/>表示第/>个变化像素点与所属类簇的中心的距离，/>表示每个变化像素点与其所属类簇的中心的距离的最大值。
可选的，所述得到噪声分布图，包括的具体方法为：
对于任意一个区域的任意一个目标频率，获取该区域该目标频率下每个变化像素点的离群程度，将离群程度大于离群阈值的像素点，记为该区域该目标频率下的离群像素点；对该区域每行的灰度变化曲线中该目标频率的分量中，除离群像素点之外的纵坐标值调整为0，离群像素点的纵坐标值不变，调整后的分量记为该区域每行的灰度变化曲线中该目标频率的调整分量；
获取该区域每行的灰度变化曲线中每个目标频率的调整分量，根据每行的灰度变化曲线中若干目标频率的调整分量，重构灰度变化曲线，记为每行的调整灰度曲线；通过各行调整灰度曲线的横纵坐标，得到该区域的调整后图像；
获取每个区域的调整后图像，所有区域的调整后图像组成噪声分布图。
第二方面，本发明另一个实施例提供了一种网线水晶头生产测试系统，该系统包括存储器、处理器以及存储在所述存储器中并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上述方法的步骤。
本发明的有益效果是：本发明通过获取噪声分布图，并与网线水晶头图像作差的方式，实现自适应去噪处理。其中通过图像中灰度变化曲线的灰度分布相似性，获取分布相似性变化的极小值点，并对极小值点进行划分程度获取，以实现对网线水晶头图像的区域划分，避免网线水晶头不同组件的灰度特征存在差异而影响去噪结果；在同一区域中对每行的灰度变化曲线进行小波分解得到若干频率的分量，并通过对不同频率计算贡献程度，获取每个区域的目标频率，通过目标频率表征包含非区域本身特征信息，即可能得噪声信息的频率；在每个目标频率的分量中，通过对各区域获取不同目标频率下的重构图像，并通过重构图像与网线水晶头图像差分，获取信息像素点，并根据信息像素点的分布是否集中且规律，量化离群程度，通过离群程度得到离群像素点并调整目标频率下的分量，进而得到噪声分布图，通过对目标频率下的分量进行调整，避免将正常像素点的信息误识别为噪声信息，提高噪声分布图的准确性；以实现网络水晶头图像的精准去噪，最终得到准确的网线水晶头生产过程中的缺陷检测结果。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种网线水晶头生产测试流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，其示出了本发明一个实施例所提供的一种网线水晶头生产测试方法流程图，该方法包括以下步骤：
步骤S001、获取网线水晶头图像。
本实施例的目的是在网线水晶头生产过程中，通过计算机视觉对网线水晶头进行测试即缺陷检测，因此需要在网线水晶头生产完成前通过布置高精度工业相机，对网线水晶头进行图像采集并完成缺陷检测。
具体的，本实施例在生产过程的出料口前布置高精度工业相机，对体积较小的网线水晶头进行图像采集，得到若干水晶头图像；由于水晶头图像中存在大量背景区域，因此本实施例通过对水晶头图像进行语义分割，对水晶头图像中网线水晶头部分进行分割，分割出的图像记为网线水晶头图像，其中语义分割采用DNN网络，训练集为大量水晶头图像，损失函数采用交叉熵损失函数，语义分割为公知技术，本实施例不再赘述；则得到若干网线水晶头图像，后续以任意一张网线水晶头图像为例进行说明。
至此，获取到了网线水晶头图像。
步骤S002、根据网线水晶头图像中相邻行的灰度分布，获取每行的灰度变化曲线并得到分布相似性变化曲线；对分布相似性变化曲线获取若干极值点，根据极值点分布获取每个极小值点对应行的划分程度，通过划分程度获取若干划分行并将网线水晶头划分为若干区域。
需要说明的是，由于网线水晶头中存在多个不同组件，例如接触片、插头壳体及导线夹等，而不同组件所表现出来的灰度存在差异，因此需要对网线水晶头图像进行分区域分析，同一区域中灰度表现特征基本相近；则通过对每行像素点构建灰度变化曲线，根据相邻行之间灰度变化曲线的相似性，得到每行的分布相似性以及分布相似性变化曲线；通过获取分布相似性变化曲线中的极小值点，极小值点表征相邻行发生较大灰度特征变化的行，结合极小值点之间的极大值点，对各行进行划分程度的量化，并基于划分程度对网线水晶头图像进行区域划分。
具体的，对于网线水晶头图像中任意一行像素点，以该行像素点从左到右的次序为横坐标，每个像素点的灰度值为纵坐标，构建坐标系并得到该行的灰度变化曲线；获取每行的灰度变化曲线，获取每行的灰度变化曲线与相邻下一行的灰度变化曲线的皮尔逊相关系数，记为每行的灰度分布相似性，其中最后一行不计算灰度分布相似性；以横坐标为各行从上到下的次序，纵坐标为各行的灰度分布相似性，构建坐标系，得到分布相似性变化曲线；对分布相似性变化曲线获取若干极值点，其中对曲线获取极值点为公知技术，本实施例不再赘述。
进一步的，对于任意一个极小值点，预设一个邻域数量，本实施例邻域数量采用5进行叙述，将该极小值点之前5个及之后5个极小值点以及该极小值点，作为该极小值点的邻域范围，将邻域范围中按照横坐标次序，即对应行的次序上相邻的两个极小值点作为一个组合，则得到该极小值点的邻域范围中的若干组合；按照上述方法获取每个极小值点的邻域范围的若干组合，特别说明的是，若某个极小值点无法完整的获取邻域范围，即该极小值点之前或之后的极小值点的数量不足5个，则以实际获取到的极小值点构建邻域范围。
进一步需要说明的是，由于作为组合的相邻两个极小值点之间存在一个极大值点，则根据邻域范围内综合中极小值点之间的横坐标距离、两个极小值点与极大值点的斜率，能够综合反映极小值点对应行的划分程度，即斜率之间差异越小，两个极小值点对应行越可能处于同一区域的上下边界，同时横坐标距离越大，为区域边界的可能性越大；而极小值点本身即有较大可能为区域边界，通过对其邻域范围中各组合为区域边界的可能性求均值，综合反映极小值点作为区域边界的可能性，即作为行的划分程度，进而得到划分行。
具体的，对于第个极小值点，其对应行的划分程度/>的计算方法为：
；其中，/>表示第/>个极小值点的邻域范围中组合的数量，/>表示第/>个极小值点的邻域范围中第/>个组合中两个极小值点的横坐标距离，/>表示分布相似性变化曲线的横坐标最大值，即网线水晶头的行数减1；/>表示第/>个极小值点的邻域范围中第/>个组合中第一个极小值点与该组合对应的极大值点之间的斜率的绝对值；/>表示第/>个极小值点的邻域范围中第/>个组合中第二个极小值点与该组合对应的极大值点之间的斜率的绝对值；/>表示第/>个极小值点的邻域范围中第/>个组合中两个极小值点与该组合对应的极大值点之间的斜率的绝对值均值；表示分布相似性变化曲线中所有组合中极小值点与对应的极大值点之间斜率的绝对值最大值；/>表示求绝对值；/>表示以自然常数为底的指数函数，本实施例采用模型来呈现反比例关系，/>为模型的输入，实施者可根据实际情况设置反比例函数。
所需说明的是，通过极小值点的邻域范围内各组合作为区域边界的可能性，同时避免噪声存在导致极小值点不准确的问题；组合中两极小值点对应斜率越相近，越接近1，作为区域边界的可能性越大，同时斜率绝对值较大，且两极小值点的横坐标距离较大，以此来调整作为区域边界的可能性，避免异常的噪声点导致极小值点的短距离异常出现，从而得到较为准确的区域边界划分；而后通过邻域范围中各组合区域边界的可能性均值，均值越大，该极小值点对应行越可能为区域边界，则划分程度越大。
进一步的，按照上述方法获取每个极小值点对应行的划分程度，预设一个划分阈值，本实施例划分阈值采用0.68进行叙述，若划分程度大于划分阈值，将对应行作为一个划分行，则得到若干划分行；将每个划分行作为每个区域的最后一行，网线水晶头图像的最后一行也作为一个区域的最后一行，则将网线水晶头图像划分为若干区域。
至此，通过相邻行的灰度分布的相似性，将网线水晶头划分为若干区域，不同区域的灰度特征存在差异，便于后续分区域进行目标频率的获取。
步骤S003、通过小波分解获取每行的灰度变化曲线的若干频率的分量；根据同一区域内相邻两行灰度变化曲线的相同频率的分量，获取每个区域内每个频率的贡献程度，得到每个区域的若干目标频率。
需要说明的是，同一区域内通过对不同行的灰度变化曲线进行小波分解，而相邻行之间相同频率的分量的相似性较大，则对同一区域各频率的分量进行贡献程度的量化，不同相邻行的相同频率的分量之间的相似性均较大，则相应频率的贡献程度越大，即均表现了该区域的一个特征；而若存在相似性较小，则存在不包含该区域特征的分量，相应该频率的贡献程度就越小，越可能包含噪声信息。
具体的，对于任意一个区域，对该区域内每行的灰度变化曲线进行小波分解，得到每行的灰度变化曲线的若干频率的分量；其中分解的频率相同，且频率按照分解顺序进行排列，小波分解为公知技术，本实施例不再赘述；则该区域中第个频率的贡献程度/>的计算方法为：
；其中，/>表示该区域的行数，/>表示网线水晶头图像所有灰度分布相似性的均值，/>表示该区域中第行对应的第/>个频率的分量与第/>行对应的第/>个频率的分量的皮尔逊相关系数，表示第/>行对应的第/>个频率的分量的变异系数与第/>行对应的第/>个频率的分量的变异系数的均值，其中变异系数基于各频率的分量中各数据点的纵坐标值计算，变异系数为公知技术，本实施例不再赘述；/>表示以自然常数为底的指数函数，本实施例采用/>模型来呈现正比例关系及归一化处理，/>为模型的输入，实施者可根据实际情况设置正比例函数及归一化函数。
所需说明的是，相邻行相同频率的分量之间相似性越大，该频率包含不属于该区域的信息的可能性越小，贡献程度越大；同时通过变异系数均值进行调整，避免各频率的分量中局部变化较大的情况被忽略，则变异系数均值越大，分量的波动程度越大，首先将波动程度进行正比例归一化，波动程度越大则需要调小相似性，则通过1减去正比例归一化后的变异系数均值来实现，最终得到贡献程度。
进一步的，按照上述方法获取该区域中每个频率的贡献程度，预设一个贡献阈值，本实施例贡献阈值采用0.38进行叙述，若贡献程度小于贡献阈值，将对应的频率作为该区域的一个目标频率，表明目标频率的分量中可能包含非该区域本身的特征信息；按照上述方法获取每个区域的若干目标频率。
至此，对每个区域通过小波分解得到的各频率的分量，得到可能包含噪声信息的目标频率。
步骤S004、根据每个区域中每行灰度变化曲线每个目标频率的分量，获取每个区域每个目标频率的信息分布图；根据信息分布图与网线水晶头图像的差异，获取每个区域每个目标频率的若干变化像素点及每个变化像素点的离群程度；根据变化像素点的离群程度及各区域目标频率对应的分量，得到噪声分布图。
需要说明的是，各区域的目标频率的分量中，仍存在正常像素点所包含的信息，因此需要对目标频率的分量去除并重构得到对应区域的重构图像，通过重构图像与原图像进行差分，对差分中发生变化的像素点进行分布信息的量化，根据分布进行聚类，得到能够反映分布规律性的离群程度，离群程度越大，越可能为噪声像素点，进而得到噪声分布图。
具体的，对于任意一个区域的任意一个目标频率，对该区域中每行的灰度变化曲线分别去除目标频率的分量，并重构得到每行的灰度变化曲线，记为每行的重构灰度曲线；通过重构灰度曲线的横纵坐标，得到该区域该目标频率下的重构图像，对网线水晶头图像中该区域，与重构图像进行差分，差分方法为像素点的差值绝对值为0的则记为0，不为0的用1进行表示，将差分结果记为该区域该目标频率的信息分布图，信息分布图中不为0的像素点记为该区域该目标频率的变化像素点。
进一步的，对信息分布图中变化像素点进行DBSCAN聚类，距离度量采用变化像素点之间的欧式距离，得到若干类簇；获取每个类簇的中心，预设方向区间的数量，本实施例方向区间的数量采用8进行叙述，将0°到360°均匀划分为8个方向区间，则根据每个类簇的中心及方向区间，将每个类簇划分为8个方向块；预设一个初始邻域尺度、增长步长及最大邻域尺度，本实施例采用初始邻域尺度为5、增长步长为2及最大邻域尺度为11进行叙述，则得到共4个邻域尺度，以任意一个变化像素点为中心，邻域尺度为边长，得到该变化像素点每个邻域尺度下的邻域窗口；获取每个变化像素点每个邻域尺度下的邻域窗口，则第个变化像素点的离群程度/>的计算方法为：
；/>；其中，/>表示第/>个变化像素点的初始离群程度，/>表示邻域尺度的数量，/>表示第/>个变化像素点第/>个邻域尺度下的邻域窗口中变化像素点的数量，/>表示所有变化像素点所有邻域尺度下的邻域窗口中变化像素点的数量的最大值，/>表示包含第/>个变化像素点所属类簇的类簇组合的数量，类簇组合为任意两个类簇作为一个类簇组合，将任意一个包含第/>个变化像素点所属类簇的类簇组合中另一个类簇记为第/>个变化像素点在该类簇组合中的参考类簇；/>表示第/>个变化像素点第/>个邻域尺度下的邻域窗口的平均密度值，具体计算方法为：获取邻域窗口中除中心像素点之外每个变化像素点与中心像素点（第/>个变化像素点）的距离（欧式距离），将所有距离的均值的倒数作为平均密度值；/>表示在包含第/>个变化像素点所属类簇的第/>个类簇组合的参考类簇中，与第/>个变化像素点所属类簇的方向块属于同一方向区间的方向块中的若干变化像素点中，与第/>个变化像素点距离最近的变化像素点第/>个邻域尺度下的邻域窗口的平均密度值；/>表示以自然常数为底的指数函数，本实施例采用/>模型来呈现正比例关系及归一化处理，/>为模型的输入，实施者可根据实际情况设置正比例函数及归一化函数；/>表示第/>个变化像素点与所属类簇的中心的距离，/>表示每个变化像素点与其所属类簇的中心的距离的最大值。
所需说明的是，在初始离群程度计算过程中，变化像素点邻域窗口中变化像素点的数量越多，其分布越集中，相应的初始离群程度越小；而通过类簇组合中相同方向块且距离最近的变化像素点的平均密度值进行比较，差异越小，该变化像素点的分布规律性越大，越不可能为离群的变化像素点，即存在分布相近的其他变化像素点，则初始离群程度越小；通过对不同邻域尺度量化求均值，得到初始离群程度；同时离群程度需要考虑变化像素点本身在类簇中的分布，则通过其与类簇中心的距离，即离群距离，离群距离越大，离群程度也应越大，最终得到离群程度。
进一步的，按照上述方法获取该区域该目标频率下每个变化像素点的离群程度，预设一个离群阈值，本实施例离群阈值采用0.38进行叙述，将离群程度大于离群阈值的像素点，记为该区域该目标频率下的离群像素点；对该区域每行的灰度变化曲线中该目标频率的分量中，除离群像素点之外的纵坐标值都调整为0，离群像素点的纵坐标值不变，调整后的分量记为该区域每行的灰度变化曲线中该目标频率的调整分量；按照上述方法获取该区域每行的灰度变化曲线中每个目标频率的调整分量，根据每行的灰度变化曲线中若干目标频率的调整分量，重构灰度变化曲线，记为每行的调整灰度曲线；通过各行调整灰度曲线的横纵坐标，得到该区域的调整后图像；按照上述方法获取每个区域的调整后图像，所有区域的调整后图像组成噪声分布图。
所需说明的是，调整后图像实际即为该区域的噪声分布图像，通过对离群像素点的纵坐标值进行保留，并基于调整分量进行重构，即是对目标频率的分量中正常像素点的信息进行去除，重构后的调整后图像仅包含噪声像素点的信息，则调整后图像即可作为噪声分布图。
至此，基于各区域每行的灰度曲线在目标频率下的分量，通过对其中正常像素点的信息进行筛除，最终重构得到噪声分布图。
步骤S005、通过对网线水晶头图像与噪声分布图作差，得到去噪后的图像并进行网线水晶头的缺陷检测。
获取到噪声分布图后，由于噪声分布图中仅有噪声像素点的像素值保留，其他像素点的像素值均为0，因此将网线水晶头图像与噪声分布图作差，即网线水晶头图像减去噪声分布图，得到的结果记为去噪后的图像。
进一步的，对大量网线水晶头图像均获取去噪后的图像，将若干去噪后的图像作为训练数据集，通过人工标注的形式对去噪后的图像进行缺陷标记，包括划痕、裂纹及形状偏差缺陷，分别标记为1、2和3，去噪后的图像中正常区域的像素点标记为0，缺陷区域的像素点根据对应缺陷进行标记，损失函数采用交叉熵损失函数，采用DNN神经网络并进行训练，将训练完成的网络作为缺陷检测模型；对网线水晶头进行检测过程中，按照上述方法获取去噪后的图像，输入到缺陷检测模型中，输出得到网线水晶头存在的缺陷标记；则在网线水晶头生产过程中，通过计算机视觉实现快速的缺陷检测，保证网线水晶头的生产效率。
至此，通过对网线水晶头图像根据其中各行的灰度分布，通过小波分解获取其中包含与图像本身信息差异较大的噪声像素点，从而得到噪声分布图并进行去噪，进而提升网线水晶头的缺陷检测结果的准确性。
本发明另一个实施例提供了一种网线水晶头生产测试系统，该系统包括存储器、处理器以及存储在所述存储器中并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，执行以下操作：
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 (3)

1.一种网线水晶头生产测试方法，其特征在于，该方法包括以下步骤：
获取网线水晶头图像；
根据网线水晶头图像中相邻行的灰度分布，获取每行的灰度变化曲线并得到分布相似性变化曲线；对分布相似性变化曲线获取若干极值点，根据极值点分布获取每个极小值点对应行的划分程度，通过划分程度获取若干划分行并将网线水晶头划分为若干区域；
所述获取每行的灰度变化曲线并得到分布相似性变化曲线，包括的具体方法为：
对于网线水晶头图像中任意一行像素点，以该行像素点从左到右的次序为横坐标，每个像素点的灰度值为纵坐标，构建坐标系并得到该行的灰度变化曲线；
获取每行的灰度变化曲线，获取每行的灰度变化曲线与相邻下一行的灰度变化曲线的皮尔逊相关系数，记为每行的灰度分布相似性；以横坐标为各行从上到下的次序，纵坐标为各行的灰度分布相似性，构建坐标系，得到分布相似性变化曲线；
所述每个极小值点对应行的划分程度，具体的获取方法为：
对每个极小值点根据邻域数量，获取每个极小值点的邻域范围，以及邻域范围中相邻两个极小值点组成的若干组合；第a个极小值点对应行的划分程度γa的计算方法为：
其中，Sa表示第a个极小值点的邻域范围中组合的数量，da,s表示第a个极小值点的邻域范围中第s个组合中两个极小值点的横坐标距离，D表示分布相似性变化曲线的横坐标最大值；k1α,s表示第a个极小值点的邻域范围中第s个组合中第一个极小值点与该组合对应的极大值点之间的斜率的绝对值；k2a,s表示第a个极小值点的邻域范围中第s个组合中第二个极小值点与该组合对应的极大值点之间的斜率的绝对值；表示第a个极小值点的邻域范围中第s个组合中两个极小值点与该组合对应的极大值点之间的斜率的绝对值均值；kmax表示分布相似性变化曲线中所有组合中极小值点与对应的极大值点之间斜率的绝对值最大值；表示求绝对值；exp()表示以自然常数为底的指数函数；
所述通过划分程度获取若干划分行并将网线水晶头划分为若干区域，包括的具体方法为：
若划分程度大于划分阈值，将对应行作为一个划分行，得到若干划分行；将每个划分行作为每个区域的最后一行，网线水晶头图像的最后一行作为一个区域的最后一行，将网线水晶头图像划分为若干区域；
通过小波分解获取每行的灰度变化曲线的若干频率的分量；根据同一区域内相邻两行灰度变化曲线的相同频率的分量，获取每个区域内每个频率的贡献程度，得到每个区域的若干目标频率；
所述每个区域内每个频率的贡献程度，具体的获取方法为：
其中，εl表示任意一个区域中第l个频率的贡献程度，N表示该区域的行数，表示网线水晶头图像所有灰度分布相似性的均值，Rl(i,i+1)表示该区域中第i行对应的第l个频率的分量与第i+1行对应的第l个频率的分量的皮尔逊相关系数，/>表示第i行对应的第l个频率的分量的变异系数与第i+1行对应的第l个频率的分量的变异系数的均值；
根据每个区域中每行灰度变化曲线每个目标频率的分量，获取每个区域每个目标频率的信息分布图；根据信息分布图与网线水晶头图像的差异，获取每个区域每个目标频率的若干变化像素点及每个变化像素点的离群程度；根据变化像素点的离群程度及各区域目标频率对应的分量，得到噪声分布图；
所述每个区域每个目标频率的信息分布图，具体的获取方法为：
对于任意一个区域的任意一个目标频率，对该区域中每行的灰度变化曲线分别去除目标频率的分量，并重构得到每行的灰度变化曲线，记为每行的重构灰度曲线；通过重构灰度曲线的横纵坐标，得到该区域该目标频率下的重构图像，对网线水晶头图像中该区域，与重构图像进行差分，差分方法为像素点的差值绝对值为0的记为0，不为0的用1进行表示，将差分结果记为该区域该目标频率的信息分布图；
所述每个区域每个目标频率的若干变化像素点及每个变化像素点的离群程度，具体的获取方法为：
将任意一个区域的任意一个目标频率的信息分布图中不为0的像素点记为该区域该目标频率的变化像素点；对信息分布图中变化像素点进行DBSCAN聚类，距离度量采用变化像素点之间的欧式距离，得到若干类簇；根据预设的方向区间的数量，将0°到360°均匀划分为若干方向区间；获取每个类簇的中心，根据每个类簇的中心及方向区间，将每个类簇划分为若干方向块；
获取若干邻域尺度，以任意一个变化像素点为中心，邻域尺度为边长，得到该变化像素点每个邻域尺度下的邻域窗口；根据变化像素点所属类簇、方向块及其各邻域尺度下的邻域窗口中其他变化像素点的分布，得到每个区域每个目标频率的每个变化像素点的离群程度；
所述得到每个区域每个目标频率的每个变化像素点的离群程度，包括的具体方法为：
对于任意一个区域的任意一个目标频率的信息分布图，其中第n个变化像素点的离群程度τ'n的计算方法为：
其中，τn表示第n个变化像素点的初始离群程度，M表示邻域尺度的数量，un,m表示第n个变化像素点第m个邻域尺度下的邻域窗口中变化像素点的数量，umax表示所有变化像素点所有邻域尺度下的邻域窗口中变化像素点的数量的最大值，Hn表示包含第n个变化像素点所属类簇的类簇组合的数量，类簇组合为任意两个类簇作为一个类簇组合，将任意一个包含第n个变化像素点所属类簇的类簇组合中另一个类簇记为第n个变化像素点在该类簇组合中的参考类簇；ρn,m表示第n个变化像素点第m个邻域尺度下的邻域窗口的平均密度值，所述平均密度值的具体计算方法为：获取邻域窗口中除中心像素点之外每个变化像素点与中心像素点的距离，将所有距离的均值的倒数作为平均密度值；ρ'n,m(h表示在包含第n个变化像素点所属类簇的第h个类簇组合的参考类簇中，与第n个变化像素点所属类簇的方向块属于同一方向区间的方向块中的若干变化像素点中，与第n个变化像素点距离最近的变化像素点第,个邻域尺度下的邻域窗口的平均密度值；ln表示第n个变化像素点与所属类簇的中心的距离，lmax表示每个变化像素点与其所属类簇的中心的距离的最大值；
通过对网线水晶头图像与噪声分布图作差，得到去噪后的图像并进行网线水晶头的缺陷检测。
2.根据权利要求1所述的一种网线水晶头生产测试方法，其特征在于，所述得到噪声分布图，包括的具体方法为：
对于任意一个区域的任意一个目标频率，获取该区域该目标频率下每个变化像素点的离群程度，将离群程度大于离群阈值的像素点，记为该区域该目标频率下的离群像素点；对该区域每行的灰度变化曲线中该目标频率的分量中，除离群像素点之外的纵坐标值调整为0，离群像素点的纵坐标值不变，调整后的分量记为该区域每行的灰度变化曲线中该目标频率的调整分量；
获取该区域每行的灰度变化曲线中每个目标频率的调整分量，根据每行的灰度变化曲线中若干目标频率的调整分量，重构灰度变化曲线，记为每行的调整灰度曲线；通过各行调整灰度曲线的横纵坐标，得到该区域的调整后图像；
获取每个区域的调整后图像，所有区域的调整后图像组成噪声分布图。
3.一种网线水晶头生产测试系统，包括存储器、处理器以及存储在所述存储器中并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1-2任意一项所述一种网线水晶头生产测试方法的步骤。
CN202311780733.7A 2023-12-22 2023-12-22 一种网线水晶头生产测试方法及系统 Active CN117455911B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311780733.7A CN117455911B (zh) 2023-12-22 2023-12-22 一种网线水晶头生产测试方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311780733.7A CN117455911B (zh) 2023-12-22 2023-12-22 一种网线水晶头生产测试方法及系统

Publications (2)

Publication Number Publication Date
CN117455911A CN117455911A (zh) 2024-01-26
CN117455911B true CN117455911B (zh) 2024-05-10

Family

ID=89589499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311780733.7A Active CN117455911B (zh) 2023-12-22 2023-12-22 一种网线水晶头生产测试方法及系统

Country Status (1)

Country Link
CN (1) CN117455911B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260616A (zh) * 2020-01-13 2020-06-09 三峡大学 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法
CN114792314A (zh) * 2022-06-21 2022-07-26 南通永卓金属制品有限公司 基于激光束的金属丝网缺陷检测方法及人工智能系统
CN115222741A (zh) * 2022-09-20 2022-10-21 江苏昱恒电气有限公司 一种电缆表面缺陷检测方法
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
CN219997143U (zh) * 2023-05-31 2023-11-10 广东胜高通信有限公司 一种网线的测试模块及使用该测试模块的压线钳

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260616A (zh) * 2020-01-13 2020-06-09 三峡大学 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法
CN114792314A (zh) * 2022-06-21 2022-07-26 南通永卓金属制品有限公司 基于激光束的金属丝网缺陷检测方法及人工智能系统
CN115222741A (zh) * 2022-09-20 2022-10-21 江苏昱恒电气有限公司 一种电缆表面缺陷检测方法
CN219997143U (zh) * 2023-05-31 2023-11-10 广东胜高通信有限公司 一种网线的测试模块及使用该测试模块的压线钳
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
CN117455911A (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
CN115082467B (zh) 基于计算机视觉的建材焊接表面缺陷检测方法
CN114494259B (zh) 一种基于人工智能的布匹缺陷检测方法
CN114723705B (zh) 一种基于图像处理的布匹瑕疵的检测方法
CN107742307A (zh) 基于改进帧差法的输电线路舞动特征提取及参数分析方法
CN113012105B (zh) 基于图像处理的纱线毛羽检测评级方法
CN117173158B (zh) 一种精密连接器质量智能检测方法及系统
CN116721391B (zh) 一种基于计算机视觉的原料油分离效果检测方法
CN115841624A (zh) 基于红外图像的高炉煤气流分布识别方法
CN108873401B (zh) 基于大数据的液晶显示器响应时间预测方法
CN114881960A (zh) 基于特征增强的布匹直线型缺陷检测方法和系统
CN116402824B (zh) 基于儿童骨龄x光片的内分泌异常检测方法
CN110598613A (zh) 一种高速公路团雾监测方法
CN115797551B (zh) 基于两步无监督聚类算法的激光点云数据自动建模方法
CN114581805A (zh) 一种采用3d线激光轮廓技术的涂敷辊面缺陷检测方法
CN115346126A (zh) 一种边坡裂纹识别方法
CN116030052A (zh) 电脑显示板层压工序蚀刻质量检测方法
CN117635609A (zh) 一种塑胶产品生产质量视觉检测方法
CN117437223A (zh) 一种高速板对板连接器缺陷智能检测方法
CN110458809B (zh) 一种基于亚像素边缘检测的纱线条干均匀度检测方法
CN117522864B (zh) 基于机器视觉的欧松板表面瑕疵检测方法
CN117437228B (zh) 基于图像特征的光伏钢结构组件断裂检测方法
CN116109613A (zh) 一种基于分布表征的缺陷检测方法和系统
CN117455911B (zh) 一种网线水晶头生产测试方法及系统
CN117351214A (zh) 一种基于图像处理的伴热电缆检测方法及系统
CN115641335B (zh) 基于时差培养箱的胚胎异常多级联智能综合分析系统

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