CN117474910A - 一种用于电机质量的视觉检测方法 - Google Patents
一种用于电机质量的视觉检测方法 Download PDFInfo
- Publication number
- CN117474910A CN117474910A CN202311810179.2A CN202311810179A CN117474910A CN 117474910 A CN117474910 A CN 117474910A CN 202311810179 A CN202311810179 A CN 202311810179A CN 117474910 A CN117474910 A CN 117474910A
- Authority
- CN
- China
- Prior art keywords
- pixel
- noise
- paint
- point
- block
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 230000000007 visual effect Effects 0.000 title claims abstract description 26
- 239000003973 paint Substances 0.000 claims abstract description 295
- 238000001914 filtration Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims description 103
- 238000000034 method Methods 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000011179 visual inspection Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 11
- 230000007547 defect Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 10
- 230000000739 chaotic effect Effects 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 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
- 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像增强技术领域,具体涉及一种用于电机质量的视觉检测方法,包括:获取电机区域的灰度图像中的各个油漆噪声点,进而确定各个油漆噪声点对应的像素块及其噪声程度;根据噪声程度在水平方向和垂直方向上的差异,确定各个油漆噪声点的搜索方向;根据搜索方向、噪声程度以及各个像素点的灰度值,确定各个油漆噪声点对应的各邻域块;根据各邻域块、灰度图像中每个像素点的灰度值,确定各个油漆噪声点的滤波结果,获得新的灰度图像;对新的灰度图像进行视觉检测。本发明通过确定油漆噪声点的搜索方向提高了滤波处理的效率,进一步提升了电机质量视觉检测的效率。
Description
技术领域
本发明涉及图像增强技术领域,具体涉及一种用于电机质量的视觉检测方法。
背景技术
在对电机外观质量进行检测时,需要对电机表面可能存在的凹坑和腐蚀点进行检测。但是电机的金属外壳在喷涂油漆时,受电机外壳形状的影响使电机表面存在一部分油漆点,如凹槽。油漆点的存在将会对电机凹坑和腐蚀的质量检测产生一定程度的干扰,因此有必要对电机表面存在的油漆噪声点进行去除处理。传统对于油漆噪声点的去除方式为非局部均值滤波,但是该去除方式对于邻域块的搜索为全局搜索,搜索过程复杂且计算量很大,导致电机表面油漆噪声点去除效率低下,进一步造成电机质量视觉检测效率低下。
发明内容
为了解决上述电机表面油漆噪声点去除效率低下,导致电机质量视觉检测效率低下的技术问题,本发明的目的在于提供一种用于电机质量的视觉检测方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种用于电机质量的视觉检测方法,该方法包括以下步骤:
获取待检测电机的表面图像,对表面图像进行图像处理,获得电机区域的灰度图像;
根据灰度图像中每个像素点的位置和灰度值,筛选出灰度图像中的各个油漆噪声点,并确定各个油漆噪声点对应的像素块及其噪声程度;
根据各个油漆噪声点对应的像素块的噪声程度在水平方向和垂直方向上的差异,确定各个油漆噪声点对应的像素块在确定邻域块时的搜索方向;
根据各个油漆噪声点对应的像素块在确定邻域块时的搜索方向、各个油漆噪声点对应的像素块的噪声程度以及各个像素点的灰度值,确定各个油漆噪声点对应的像素块的各邻域块;
根据各个油漆噪声点对应的像素块及其对应的各邻域块、灰度图像中每个像素点的灰度值,确定各个油漆噪声点的滤波结果,获得新的灰度图像;
对新的灰度图像进行视觉检测,根据视觉检测结果判断待检测电机是否存在外观缺陷。
进一步地,根据灰度图像中每个像素点的位置和灰度值,筛选出灰度图像中的各个油漆噪声点,包括:
对灰度图像进行边缘检测,获得各个凹槽边缘;将任意一个像素点确定为待定像素点,根据待定像素点的位置和各个凹槽边缘,计算待定像素点与各个凹槽边缘之间的距离,确定待定像素点的第一油漆噪声评价因子;
构建灰度直方图,确定频次最小的灰度级为目标灰度级;计算位于目标灰度级与灰度图像的最小灰度值之间的所有灰度值的平均灰度值为目标灰度值,分析待定像素点的灰度值与目标灰度值之间的差异,确定待定像素点的第二油漆噪声评价因子;
以待定像素点为中心构建第一预设尺寸的窗口区域,根据待定像素点的窗口区域内每个像素点的灰度值,分析窗口区域的混乱程度,确定待定像素点的第三油漆噪声评价因子;
根据待定像素点的第一油漆噪声评价因子、第二油漆噪声评价因子以及第三油漆噪声评价因子,确定待定像素点的油漆噪声评价值;
获取灰度图像中每个像素点的油漆噪声评价值,将油漆噪声评价值大于第一预设阈值的像素点作为油漆噪声点,获得各个油漆噪声点。
进一步地,对灰度图像进行边缘检测,获得各个凹槽边缘,包括:
对灰度图像进行边缘检测,获得各个边缘;将边缘数目大于预设数目、且方向一致的所有边缘作为凹槽边缘,获得各个凹槽边缘。
进一步地,待定像素点的油漆噪声评价值的计算公式为:
;式中,/>为待定像素点的油漆噪声评价值,i为待定像素点在灰度图像中的序号,/>为待定像素点的窗口区域,/>为待定像素点的窗口区域的图像熵,其也为待定像素点的第三油漆噪声评价因子,/>为待定像素点的灰度值,/>为目标灰度值,/>为求绝对值符号,/>为自然常数为底的指数函数,/>为待定像素点的第二油漆噪声评价因子,/>为待定像素点与所有凹槽边缘之间的最小距离,/>为待定像素点的第一油漆噪声评价因子,norm为线性归一化函数;其中,待定像素点与所有凹槽边缘之间的最小距离为待定像素点与所有凹槽边缘的拟合直线之间的最小距离。
进一步地,确定各个油漆噪声点对应的像素块及其噪声程度,包括:
对于任意一个油漆噪声点,确定以油漆噪声点为中心点构建第二预设尺寸的窗口区域为油漆噪声点对应的像素块;
基于油漆噪声点对应的像素块内每个像素点的灰度值,确定油漆噪声点的第三油漆噪声评价因子,进而获取油漆噪声点的第二油漆噪声评价因子,计算第二油漆噪声评价因子和第三油漆噪声评价因子的乘积,将两者乘积的归一化值作为油漆噪声点对应的像素块的噪声程度。
进一步地,根据各个油漆噪声点对应的像素块的噪声程度在水平方向和垂直方向上的差异,确定各个油漆噪声点对应的像素块在确定邻域块时的搜索方向,包括:
对于任意一个油漆噪声点对应的像素块,像素块的两个水平边缘左右延伸获得水平区域,确定水平区域上相邻两个像素块之间的噪声程度差异,将对应的所有噪声程度差异的累加和作为水平噪声差异指标;像素块的两个竖直边缘上下延伸获得竖直区域,确定竖直区域上的相邻两个像素块之间的噪声程度差异,将对应的所有噪声程度差异的累加和作为竖直噪声差异指标;其中,所述水平区域的延伸长度等于所有凹槽边缘对应的最大边缘长度,所述竖直区域的延伸长度等于最大凹槽边缘距离,所述凹槽边缘距离等于灰度图像中任意两个凹槽边缘之间的距离;
若水平噪声差异指标大于竖直噪声差异指标,则判定像素块在确定邻域块时的搜索方向为竖直方向;若水平噪声差异指标小于竖直噪声差异指标,则判定像素块在确定邻域块时的搜索方向为水平方向。
进一步地,根据各个油漆噪声点对应的像素块在确定邻域块时的搜索方向、各个油漆噪声点对应的像素块的噪声程度以及各个像素点的灰度值,确定各个油漆噪声点对应的像素块的各邻域块,包括:
将任意一个油漆噪声点对应的像素块作为选定像素块,若选定像素块在确定邻域块时的搜索方向为竖直方向,则根据选定像素块对应的各个竖直像素块中每个像素点的灰度值和油漆噪声点个数、以及选定像素块及其对应的各个竖直像素块的噪声程度,确定各个竖直像素块的邻域相似程度;其中,所述竖直像素块为选定像素块对应的竖直区域上的各个油漆噪声点对应的像素块;
若选定像素块在确定邻域块时的搜索方向为水平方向,则根据选定像素块对应的各个水平像素块中每个像素点的灰度值和油漆噪声点个数、以及选定像素块及其对应的各个水平像素块的噪声程度,确定各个水平像素块的邻域相似程度;其中,所述水平像素块为选定像素块对应的水平区域上的各个油漆噪声点对应的像素块;
将邻域相似程度大于第二预设阈值的竖直像素块或水平像素块作为邻域块,获得选定像素块的各邻域块。
进一步地,确定竖直像素块或水平像素块的邻域相似程度,包括:
确定竖直像素块或水平像素块内油漆噪声点个数,根据选定像素块对应的噪声程度、竖直像素块或水平像素块对应的噪声程度、竖直像素块或水平像素块内每个像素点的灰度值和油漆噪声点个数,确定竖直像素块或水平像素块的邻域相似程度;
竖直像素块或水平像素块的邻域相似程度的计算公式为:
;式中,/>为选定像素块的第j个竖直像素块或水平像素块的邻域相似程度,j为竖直像素块或水平像素块的序号,/>为选定像素块的第j个竖直像素块或水平像素块内油漆噪声像素点的个数,N为第j个竖直像素块或水平像素块内像素点的个数,/>为第j个竖直像素块或水平像素块内第k个邻域像素点的灰度值,k为邻域像素点的序号,/>为第j个竖直像素块或水平像素块内中心像素点的灰度值,/>为第j个竖直像素块或水平像素块的噪声程度,/>为选定像素块的噪声程度,norm为线性归一化函数,/>为求绝对值符号;其中,所述邻域像素点为像素块内除中心点以外的其他像素点。
进一步地,根据各个油漆噪声点对应的像素块及其对应的各邻域块、灰度图像中每个像素点的灰度值,确定各个油漆噪声点的滤波结果,包括:
将任意一个油漆噪声点对应的像素块作为参考块,对于参考块与其对应的任意一个邻域块,确定参考块与其对应的邻域块之间的图像相似度;将图像相似度作为相似评估值,获取参考块对应的各个相似评估值,将最大相似评估值对应的邻域块作为参考块的相似块;
设置相似块对应的第三预设尺寸的窗口区域为局部区域,确定局部区域内每个像素点的像素块;根据局部区域内每个像素点的像素块中每个像素点的灰度值和参考块内每个像素点的灰度值,计算均方误差,确定局部区域内每个像素点的像素块与参考块之间的相似度;确定局部区域内每个像素点的像素块与参考块之间的距离的反比例值,将距离的反比例值和相似度相加后的归一化值作为局部区域内对应像素点的滤波权重;其中,所述局部区域的中心点为相似块的中心点;
根据局部区域内每个像素点的滤波权重和灰度值,计算加权平均值,将加权平均值作为参考块内中心点对应的滤波结果。
进一步地,对表面图像进行图像处理,获得电机区域的灰度图像,包括:
利用语义分割技术,对待检测电机的表面图像进行分割处理,获得电机区域的图像;对电机区域的图像进行灰度化处理,获得电机区域的灰度图像。
本发明具有如下有益效果:
本发明提供了一种用于电机质量的视觉检测方法,该视觉检测方法先基于油漆点在灰度图像中的特征确定油漆噪声点,确定油漆噪声点也就是确定灰度图像中待滤波噪声点,其便于后续基于待滤波噪声点进行滤波处理;量化油漆噪声点的噪声程度,有助于确定搜索方向,避免全局搜索导致的滤波效率低下,确定搜索方向对于邻域块的搜索会更加准确;在确定滤波结果时,考虑到油漆噪声点对应的像素块的所有邻域块的图像特征,更加符合图像的特征变化规律,获得的滤波结果的准确性更高;基于新的灰度图像进行电机质量的视觉检测,其不仅克服了油漆点对视觉检测结果的影响提高了检测准确性,还在滤波处理实现过程中结合油漆噪声点的噪声程度确定搜索方向有效提高了检测效率。
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为本发明一种用于电机质量的视觉检测方法的流程图。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外,一个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。
本发明所针对的应用场景可以为:
在进行电机质量的视觉检测时,电机表面图像中存在的油漆噪声点对腐蚀、凹坑等缺陷检测产生一定程度的影响,而现有非局部均值滤波的滤波效率低下,为了提高油漆噪声点的滤波效率,进而提升电机质量检测的效率,基于图像的噪声表现对油漆噪声点进行去除,进而实现高效率的电机质量检测。
具体,本实施例提供了一种用于电机质量的视觉检测方法,如图1所示,包括以下步骤:
S1,获取待检测电机的表面图像,对表面图像进行图像处理,获得电机区域的灰度图像。
采集待检测电机的表面图像,利用语义分割技术,对待检测电机的表面图像进行分割处理,获得电机区域的图像;对电机区域的图像进行灰度化处理,获得电机区域的灰度图像。
在本实施例中,首先,采集待检测电机的外壳图像,即为表面图像。其次,在采集待检测电机的外壳图像时,不可避免地采集到非电机区域的背景图像,为了仅对电机区域进行分析,利用语义分割技术,对待检测电机的表面图像进行图像处理,获得仅包含电机区域的图像,可以称为电机灰度图像。然后,对电机区域的图像进行灰度化处理,可以获得电机区域的灰度图像。图像的语义分割和灰度化实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
至此,本实施例获得了待检测电机的电机灰度图像。
S2,根据灰度图像中每个像素点的位置和灰度值,筛选出灰度图像中的各个油漆噪声点,并确定各个油漆噪声点对应的像素块及其噪声程度。
需要说明的是,电机上的油漆点是由于喷涂油漆时的流平性差异产生的,因此油漆点主要分布于电机外壳凹槽的槽底。油漆点的存在,对电机表面进行视觉缺陷检测的检测结果产生一定程度的影响,为了克服油漆点的不良影响,需要对油漆点对应的噪声点进行滤波处理。
首先,基于油漆点的图像特征从电机灰度图像中筛选出待滤波像素点,即油漆噪声点。其次,为每个油漆噪声点确定对应的像素块,并量化每个油漆噪声点对应的像素块的异常程度,即噪声程度。
第一步,根据灰度图像中每个像素点的位置和灰度值,筛选出灰度图像中的各个油漆噪声点。
第一子步骤,通过分析每个像素点距离凹槽边缘的远近,确定像素点的第一油漆噪声评价因子。
在本实施例中,油漆点大多分布在凹槽边缘之间,也就是油漆点对应区域内的像素点距离凹槽边缘较近,故可以基于此距离特征,量化像素点的油漆噪声评价值,具体实现步骤可以包括:
对灰度图像进行边缘检测,获得各个凹槽边缘;将任意一个像素点确定为待定像素点,根据待定像素点的位置和各个凹槽边缘,计算待定像素点与各个凹槽边缘之间的距离,确定待定像素点的第一油漆噪声评价因子。
对于各个凹槽边缘,利用Sobel算子(Sobeloperator,索贝尔算子)对电机灰度图像进行边缘检测,可以获得图像上的所有边缘,凹槽边缘大多分布在同一区域内,数量较多且方向一致,故可以将边缘数目大于预设数目、且方向一致的所有边缘作为凹槽边缘,获得各个凹槽边缘。
其中,预设数目可以根据待检测电机凹槽类型和图像拍摄的电机表面范围设置,取经验值为15;若通过正视角度拍摄,则凹槽边缘的方向可以为水平方向;实施者根据具体实际情况设置预设数目的大小,这里不作具体限定。
对于第一油漆噪声评价因子,基于点与直线之间距离的计算公式,计算待定像素点与各个凹槽边缘之间的距离,可以将最小距离的反比例值作为待定像素点的第一油漆噪声评价因子。最小距离的数值越小,说明待定像素点与凹槽边缘的距离越近,待定像素点为油漆点对应区域内油漆噪声点的可能性越大,故最小距离与第一油漆噪声评价因子为负相关关系,需要对最小距离取反比例值。
需要说明的是,为了避免电机凹槽边缘为不规则边缘的情况,本实施例在对凹槽边缘进行分析时,需要先确定凹槽边缘的拟合直线再进行后续的分析。确定拟合直线的方式可以为最小二乘法,当然,实施者也可以通过其他方式实现边缘拟合直线的过程。最小二乘法的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
第二子步骤,通过分析每个像素点的灰度值的大小,确定像素点的第二油漆噪声评价因子。
在本实施例中,油漆点对应区域较为粗糙,其导致油漆噪声点的灰度值较小,故可以基于电机灰度图像上每个像素点与自适应确定的目标灰度值之间的差异情况,量化像素点的油漆噪声评价值,具体实现步骤可以包括:
构建灰度直方图,确定频次最小的灰度级为目标灰度级;计算位于目标灰度级与灰度图像的最小灰度值之间的所有灰度值的平均灰度值为目标灰度值,分析待定像素点的灰度值与目标灰度值之间的差异,确定待定像素点的第二油漆噪声评价因子。
对于目标灰度值,油漆噪声点的灰度值较小,但考虑到电机灰度图像中还存在其他灰度值最小的像素点,为了量化电机灰度图像中每个像素点灰度值大小程度,需要一个可以衡量整体灰度较小程度的数值,即目标灰度值。其中,灰度直方图的构建过程为现有技术,不在本发明保护范围内,此处不再赘述。
对于第二油漆噪声评价因子,待定像素点的灰度值越趋近目标灰度值,则说明待定像素点的灰度值在灰度图像中较小,待定像素点的油漆噪声评价值越大。因此,在分析待定像素点的灰度值与目标灰度值之间的差异时,可以计算待定像素点的灰度值与目标灰度值之间的差值绝对值,并对差值绝对值进行反比例分析,可以将差值绝对值的反比例值作为待定像素点的第二油漆噪声评价因子。
第三子步骤,通过分析每个像素点附近其他像素点的混乱程度,确定像素点的第三油漆噪声评价因子。
在本实施例中,以油漆噪声点为中心构成的窗口区域内既包含其他油漆点噪声点,又包含正常像素点,所以可以基于每个像素点对应的窗口区域内像素点灰度,量化混乱程度,确定待定像素点的第三油漆噪声评价因子,具体实现步骤可以包括:
以待定像素点为中心构建第一预设尺寸的窗口区域,根据待定像素点的窗口区域内每个像素点的灰度值,分析窗口区域的混乱程度,确定待定像素点的第三油漆噪声评价因子。
其中,第一预设尺寸可以设置为5,即待定像素点的窗口区域为的局部区域,实施者可以根据具体实际情况设置第一预设尺寸的大小,这里不做具体限定。可以通过计算窗口区域的图像熵,量化窗口区域内像素灰度分布混乱程度,将计算获得的图像熵作为第三油漆噪声评价因子。图像熵越大,像素灰度分布越混乱,第三油漆噪声评价因子越大。当然,实施者也可以采用其他方法量化窗口区域内像素灰度分布混乱程度。
第四子步骤,基于每个像素点的第一油漆噪声评价因子、第二油漆噪声评价因子以及第三油漆噪声评价因子,确定灰度图像中的各个油漆噪声点。
在本实施例中,油漆点的图像特征包含多个方面,所以通过融合第一油漆噪声评价因子、第二油漆噪声评价因子以及第三油漆噪声评价因子,确定像素点的油漆噪声评价值,基于油漆噪声评价值与阈值的比较情况,筛选出油漆噪声点,具体实现步骤可以包括:
首先,确定待定像素点的油漆噪声评价值,计算公式可以为:
;式中,/>为待定像素点的油漆噪声评价值,i为待定像素点在灰度图像中的序号,/>为待定像素点的窗口区域,/>为待定像素点的窗口区域的图像熵,其也为待定像素点的第三油漆噪声评价因子,/>为待定像素点的灰度值,/>为目标灰度值,/>为求绝对值符号,/>为自然常数为底的指数函数,/>为待定像素点的第二油漆噪声评价因子,/>为待定像素点与所有凹槽边缘之间的最小距离,/>为待定像素点的第一油漆噪声评价因子,norm为线性归一化函数。
在待定像素点的油漆噪声评价值的计算公式中,油漆噪声评价值的取值范围受线性归一化函数的影响,其值的取值范围为0到1之间;自然常数为底的指数函数exp可以避免发生分式分母为零的特殊情况;待定像素点与所有凹槽边缘之间的最小距离为待定像素点与所有凹槽边缘的拟合直线之间的最小距离;第一油漆噪声评价因子和第二油漆噪声评价因子均与油漆噪声评价值为负相关关系,而第三油漆噪声评价因子和油漆噪声评价值为正相关关系;从三个角度量化像素点的油漆噪声评价值,可以有效提高油漆噪声评价值/>的数值精确性,有助于后续获得可靠程度较高的油漆噪声点。
其次,获取灰度图像中每个像素点的油漆噪声评价值,将油漆噪声评价值大于第一预设阈值的像素点作为油漆噪声点,获得各个油漆噪声点。
通过参考上述第一子步骤至第四子步骤对应的待定像素点的油漆噪声评价值的确定过程,可以获得灰度图像中每个像素点的油漆噪声评价值。第一预设阈值可以设置为0.5,将油漆噪声评价值大于0.5的像素点作为油漆噪声点,从而获得各个油漆噪声点。
第二步,确定各个油漆噪声点对应的像素块及其噪声程度。
需要说明的是,为了便于后续实现非局部均匀滤波,需要确定各个油漆噪声点对应的像素块;为了量化各个油漆噪声点对应的像素块内像素点的油漆异常程度,需要确定各个油漆噪声点对应的像素块的噪声程度。为了便于描述,从所有油漆噪声点中任取一个油漆噪声点为例,确定油漆噪声点对应的像素块的噪声程度,具体实现步骤可以包括:
第一子步骤,确定以油漆噪声点为中心点构建第二预设尺寸的窗口区域为油漆噪声点对应的像素块。
第二预设尺寸可以设置为3,那么油漆噪声点对应的像素块为的局部区域,实施者可以根据具体实际情况设置像素块的尺寸大小,这里不做具体限定。
第二子步骤,根据油漆噪声点对应的像素块内每个像素点的灰度值,确定油漆噪声点对应的像素块的噪声程度。
基于油漆噪声点对应的像素块内每个像素点的灰度值,确定油漆噪声点的第三油漆噪声评价因子,进而获取油漆噪声点的第二油漆噪声评价因子,计算第二油漆噪声评价因子和第三油漆噪声评价因子的乘积,将两者乘积的归一化值作为油漆噪声点对应的像素块的噪声程度。
参考上述第一步的第三子步骤对应的像素点的第三油漆噪声评价因子的计算过程,可以获得油漆噪声点的第三油漆噪声评价因子,第三油漆噪声评价因子可用于衡量油漆噪声点对应的像素块的混乱程度,像素块内像素灰度分布越混乱,像素块的噪声程度越严重,即油漆噪声点对应的像素块的噪声程度的数值越大;
参考上述第一步的第二子步骤对应的像素点的第二油漆噪声评价因子的计算过程,基于油漆噪声点的灰度值和目标灰度值,可以获得油漆噪声点的第二油漆噪声评价因子,第二油漆噪声评价因子可用于衡量油漆噪声点的灰度较小程度,油漆噪声点的灰度值越小,像素块的噪声程度越严重。
至此,本实施例获得了各个油漆噪声点、油漆噪声点对应的像素块及其对应的噪声程度。
S3,根据各个油漆噪声点对应的像素块的噪声程度在水平方向和垂直方向上的差异,确定各个油漆噪声点对应的像素块在确定邻域块时的搜索方向。
需要说明的是,现有非局部均值滤波对于邻域块的搜索为全局搜索,计算量大,无法在确保滤波效果的同时提升滤波效率,为了克服该缺陷,基于各个油漆噪声点对应的像素块的噪声程度在水平方向和垂直方向上的差异,量化不同方向的噪声关联程度,确定每个油漆噪声点对应的像素块在确定邻域块时的搜索方向,具体实现步骤可以包括:
第一步,确定各个油漆噪声点对应的像素块的水平噪声差异指标和竖直噪声差异指标。
第一子步骤,对于任意一个油漆噪声点对应的像素块,像素块的两个水平边缘左右延伸获得水平区域,确定水平区域上相邻两个像素块之间的噪声程度差异,将对应的所有噪声程度差异的累加和作为水平噪声差异指标。
在本实施例中,像素块可以为的窗口区域,像素块的两个水平边缘也就是对应窗口区域的上下两个边,水平区域的宽度可以为3,水平区域的延伸长度可以等于凹槽边缘的最大长度,即所有凹槽边缘的最大边缘长度,边缘长度是指边缘上的像素点个数;水平区域上的相邻像素块可以包含其本身窗口区域的像素块,计算相邻两个像素块之间的噪声程度的差值绝对值,将噪声程度的差值绝对值作为噪声程度差异。
第二子步骤,像素块的两个竖直边缘上下延伸获得竖直区域,确定竖直区域上的相邻两个像素块之间的噪声程度差异,将对应的所有噪声程度差异的累加和作为竖直噪声差异指标。
在本实施例中,像素块的两个竖直边缘也就是对应窗口区域的左右两个边,竖直区域的宽度也可以为3,竖直区域的延伸长度可以等于两个凹槽边缘之间的最大距离,最大距离即为最大凹槽边缘距离,凹槽边缘距离是指灰度图像中任意两个凹槽边缘之间的距离。其中,在计算两个凹槽边缘之间的距离时,为了避免出现凹槽边缘不规则的特殊情况,可以先对两个凹槽边缘进行直线拟合,获得两个拟合直线,将两个拟合直线之间的垂直距离作为对应两个凹槽边缘之间的距离。
需要说明的是,关于水平区域或竖直区域上的像素块,若某个油漆噪声点对应的像素块的百分之五十的区域面积位于水平区域或竖直区域上,则判定该像素块位于对应的水平区域或竖直区域上。
第二步,基于水平噪声差异指标和竖直噪声差异指标,确定各个油漆噪声点对应的像素块在确定邻域块时的搜索方向。
在本实施例中,噪声差异指标越小,说明对应搜索方向上各个油漆噪声点的像素块之间的噪声关联度高,在对应搜索方向上确定的邻域块的参考价值更好,故通过比较水平噪声差异指标和竖直噪声差异指标,将噪声差异指标较小的方向作为油漆噪声点对应的像素块在确定邻域块时的搜索方向。
若水平噪声差异指标大于竖直噪声差异指标,则判定像素块在确定邻域块时的搜索方向为竖直方向;若水平噪声差异指标小于竖直噪声差异指标,则判定像素块在确定邻域块时的搜索方向为水平方向。
需要说明的是,一般不会存在水平噪声差异指标完全等于竖直噪声差异指标的极端情况,但若出现极端情况,则对应的油漆噪声点在确定邻域块时的搜索方向为水平、竖直方向。在确定搜索方向时,只有在像素块的水平方向和竖直方向上才会产生相应的变化关系,故不会存在某个油漆噪声点对应的像素块的噪声程度未被考虑的情况。
至此,本实施例获得了各个油漆噪声点对应的像素块在确定邻域块时的搜索方向。
S4,根据各个油漆噪声点对应的像素块在确定邻域块时的搜索方向、各个油漆噪声点对应的像素块的噪声程度以及各个像素点的灰度值,确定各个油漆噪声点对应的像素块的各邻域块。
需要说明的是,根据同一搜索方向上的各个油漆噪声点对应的像素块的噪声表现关系,量化油漆噪声点对应的像素块的邻域相似程度,噪声表现关系包括:像素块内噪声分布密度,中心像素点与邻域像素点之间的灰度差异以及噪声程度差异。
在本实施例中,将任意一个油漆噪声点对应的像素块作为选定像素块,以确定选定像素块的各邻域块为例,先确定选定像素块在确定邻域块时的搜索方向为水平方向或竖直方向,当搜索方向为水平方向时,确定选定像素块对应的各个水平像素块的邻域相似程度;当搜索方向为竖直方向时,确定选定像素点对应的各个竖直像素块的邻域相似程度。其中,所述竖直像素块为选定像素块对应的竖直区域上的各个油漆噪声点对应的像素块;所述水平像素块为选定像素块对应的水平区域上的各个油漆噪声点对应的像素块。
第一步,若选定像素块在确定邻域块时的搜索方向为竖直方向,则根据选定像素块对应的各个竖直像素块中每个像素点的灰度值和油漆噪声点个数、以及选定像素块及其对应的各个竖直像素块的噪声程度,确定各个竖直像素块的邻域相似程度。
作为示例,竖直像素块的邻域相似程度的计算公式可以为:
;式中,/>为选定像素块的第j个竖直像素块的邻域相似程度,j为竖直像素块的序号,/>为选定像素块的第j个竖直像素块内油漆噪声像素点的个数,N为第j个竖直像素块内像素点的个数,/>为第j个竖直像素块内第k个邻域像素点的灰度值,k为邻域像素点的序号,/>为第j个竖直像素块内中心像素点的灰度值,/>为第j个竖直像素块的噪声程度,/>为选定像素块的噪声程度,norm为线性归一化函数,/>为求绝对值符号;其中,所述邻域像素点为像素块内除中心点以外的其他像素点。
在竖直像素块的邻域相似程度的计算公式中,油漆噪声像素点的个数可以表征竖直像素块的噪声分布密度,噪声分布密度越大,第j个竖直像素块的邻域相似程度越大,第j个竖直像素块越有可能是选定像素块的邻域块;/>可以表征竖直像素块内中心像素点与其邻域像素点之间的灰度差异,灰度差异越大,第j个竖直像素块越有可能是邻域块;/>可以表征选定像素块与其对应的第j个竖直像素块之间的噪声程度差异,噪声程度差异越小,说明选定像素块与第j个竖直像素块之间的相似性越高,第j个竖直像素块是选定像素块的邻域块的可能性就会越大;参考第j个竖直像素块的邻域相似程度的计算过程,可以获得各个竖直像素块的邻域相似程度。
第二步,若选定像素块在确定邻域块时的搜索方向为水平方向,则根据选定像素块对应的各个水平像素块中每个像素点的灰度值和油漆噪声点个数、以及选定像素块及其对应的各个水平像素块的噪声程度,确定各个水平像素块的邻域相似程度。
在本实施例中,参考上述各个竖直像素块的邻域相似程度的计算过程,基于选定像素块对应的各个水平像素块中每个像素点的灰度值和油漆噪声点个数、以及选定像素块及其对应的各个水平像素块的噪声程度,可以获得各个水平像素块的邻域相似程度。水平像素块的邻域相似程度与竖直像素块的邻域相似程度的计算过程一致,此处不再赘述。
第三步,将邻域相似程度大于第二预设阈值的竖直像素块或水平像素块作为邻域块,获得选定像素块的各邻域块。
在本实施例中,第二预设阈值可以设置为0.85,实施者可以根据具体实际情况设置第二预设阈值的数值大小。
至此,本实施例获得了各个油漆噪声点对应的像素块的各邻域块。
S5,根据各个油漆噪声点对应的像素块及其对应的各邻域块、每个像素点的灰度值,确定各个油漆噪声点的滤波结果,获得新的灰度图像。
第一步,确定各个油漆噪声点对应的像素块的相似块。
需要说明的是,电机灰度图像中不同位置的油漆噪声点的像素块的噪声程度不同,其对应的存在较高相似性的相似块也不同,基于各个油漆噪声点对应的像素块的各邻域块的图像特征,确定各个油漆噪声点对应的像素块的相似块,相似块可以用于滤波对应油漆噪声点的灰度值,进而降低油漆噪声点在进行电机视觉检测时的影响。以任意一个油漆噪声点对应的像素块为例,确定油漆噪声点对应的像素块的相似块,具体实现步骤可以包括:
将任意一个油漆噪声点对应的像素块作为参考块,对于参考块与其对应的任意一个邻域块,确定参考块与其对应的邻域块之间的图像相似度;将图像相似度作为相似评估值,获取参考块对应的各个相似评估值,将最大相似评估值对应的邻域块作为参考块的相似块。
在本实施例中,通过余弦相似度量化参考块与其对应的邻域块之间的相似性,余弦相似度的计算过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
第二步,确定各个油漆噪声点的滤波结果,获得新的灰度图像。
第一子步骤,确定局部区域内每个像素点的滤波权重。
设置相似块对应的第三预设尺寸的窗口区域为局部区域,确定局部区域内每个像素点的像素块;根据局部区域内每个像素点的像素块中每个像素点的灰度值和参考块内每个像素点的灰度值,计算均方误差,确定局部区域内每个像素点的像素块与参考块之间的相似度;确定局部区域内每个像素点的像素块与参考块之间的距离的反比例值,将距离的反比例值和相似度相加后的归一化值作为局部区域内对应像素点的滤波权重;其中,所述局部区域的中心点为相似块的中心点。
在本实施例中,第三预设尺寸设置为8,局部区域可以为的窗口区域,实施者可以根据具体实际情况设置第三预设尺寸的数值大小;局部区域内每个像素点的像素块,即以局部区域内的像素点为中心构成的/>的窗口区域。上述步骤的归一化值可以通过线性归一化函数实现归一化处理,也就是利用线性归一化函数对距离的反比例值和相似度相加后数值进行归一化处理获得归一化值。
为了量化局部区域内每个像素点距离参考块的远近程度,可以计算局部区域内每个像素点的像素块与参考块之间的距离,距离越小,说明局部区域内对应像素点的像素块与参考块之间的噪声关联越大,其对应的滤波权重越大;关于像素块与参考块之间的距离,可以计算像素块的中心点与参考块的中心点之间的欧氏距离,基于两个中心点的位置可以获得欧氏距离;将距离的倒数作为距离的反比例值;当然,实施者也可以通过其他手段衡量像素块与参考块之间的远近程度和确定距离的反比例值。确定局部区域是为了在一定程度上扩大非局部平均的计算范围,降低了相似块内的油漆噪声点的灰度值对参考块内中心点滤波结果的影响。
需要说明的是,在计算局部区域内每个像素点的滤波权重时,不仅考虑到局部区域内每个像素点对应的像素块与参考块之间的相似度,还考虑到像素块与参考块之间的距离,其有效提高了获得的滤波权重的准确度和完整度。
第二子步骤,根据局部区域内每个像素点的滤波权重和灰度值,计算加权平均值,将加权平均值作为参考块内中心点对应的滤波结果。
在本实施例中,参考块的中心点是指参考块的中心油漆噪声点。
需要说明的是,基于参考块内中心点对应的滤波结果的确定过程,可以获得电机灰度图像中每个油漆噪声点的滤波结果,最终获得滤波后的电机灰度图像,即新的灰度图像。新的灰度图像有效克服了电机表面油漆点在视觉检测时产生的影响,其在提高滤波效率的同时,进一步提升了电机质量视觉检测的效率和准确性。
S6,对新的灰度图像进行视觉检测,根据视觉检测结果判断待检测电机是否存在外观缺陷。
在本实施例中,获得待检测电机对应的新的灰度图像后,参考公开号为CN115963397A的专利文件,一种电机定子内轮廓表面缺陷快速在线检测方法及装置记载的采用YOLO v6(You Only Look Once version 6,基于深度学习的目标检测)算法构建缺陷预测模型,可以获得电机质量检测模型。将新的灰度图像输入到电机质量检测模型中,输出视觉检测结果以判断待检测电机是否存在外观缺陷。电机质量检测模型的具体构建过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
当然,实施者也可以采用其他方法实现对新的灰度图像进行视觉检测。
本发明提供了一种用于电机质量的视觉检测方法,该视觉检测方法通过基于噪声程度,确定油漆噪声点的像素块在确定邻域块时的搜索方向,一定程度上在保证图像细节信息的同时,缩小了油漆噪声点在确定相似度时的搜索范围,提高了滤波油漆噪声点的效率;通过确定的各个油漆噪声点对应的像素块的相似块,有助于获得更精准的滤波结果;基于新的灰度图像进行电机质量的视觉检测,有效增强了视觉检测结果的准确度。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于电机质量的视觉检测方法,其特征在于,包括以下步骤:
获取待检测电机的表面图像,对表面图像进行图像处理,获得电机区域的灰度图像;
根据灰度图像中每个像素点的位置和灰度值,筛选出灰度图像中的各个油漆噪声点,并确定各个油漆噪声点对应的像素块及其噪声程度;
根据各个油漆噪声点对应的像素块的噪声程度在水平方向和垂直方向上的差异,确定各个油漆噪声点对应的像素块在确定邻域块时的搜索方向;
根据各个油漆噪声点对应的像素块在确定邻域块时的搜索方向、各个油漆噪声点对应的像素块的噪声程度以及各个像素点的灰度值,确定各个油漆噪声点对应的像素块的各邻域块;
根据各个油漆噪声点对应的像素块及其对应的各邻域块、灰度图像中每个像素点的灰度值,确定各个油漆噪声点的滤波结果,获得新的灰度图像;
对新的灰度图像进行视觉检测,根据视觉检测结果判断待检测电机是否存在外观缺陷。
2.根据权利要求1所述的一种用于电机质量的视觉检测方法,其特征在于,根据灰度图像中每个像素点的位置和灰度值,筛选出灰度图像中的各个油漆噪声点,包括:
对灰度图像进行边缘检测,获得各个凹槽边缘;将任意一个像素点确定为待定像素点,根据待定像素点的位置和各个凹槽边缘,计算待定像素点与各个凹槽边缘之间的距离,确定待定像素点的第一油漆噪声评价因子;
构建灰度直方图,确定频次最小的灰度级为目标灰度级;计算位于目标灰度级与灰度图像的最小灰度值之间的所有灰度值的平均灰度值为目标灰度值,分析待定像素点的灰度值与目标灰度值之间的差异,确定待定像素点的第二油漆噪声评价因子;
以待定像素点为中心构建第一预设尺寸的窗口区域,根据待定像素点的窗口区域内每个像素点的灰度值,分析窗口区域的混乱程度,确定待定像素点的第三油漆噪声评价因子;
根据待定像素点的第一油漆噪声评价因子、第二油漆噪声评价因子以及第三油漆噪声评价因子,确定待定像素点的油漆噪声评价值;
获取灰度图像中每个像素点的油漆噪声评价值,将油漆噪声评价值大于第一预设阈值的像素点作为油漆噪声点,获得各个油漆噪声点。
3.根据权利要求2所述的一种用于电机质量的视觉检测方法,其特征在于,对灰度图像进行边缘检测,获得各个凹槽边缘,包括:
对灰度图像进行边缘检测,获得各个边缘;将边缘数目大于预设数目、且方向一致的所有边缘作为凹槽边缘,获得各个凹槽边缘。
4.根据权利要求2所述的一种用于电机质量的视觉检测方法,其特征在于,待定像素点的油漆噪声评价值的计算公式为:
;式中,/>为待定像素点的油漆噪声评价值,i为待定像素点在灰度图像中的序号,/>为待定像素点的窗口区域,/>为待定像素点的窗口区域的图像熵,其也为待定像素点的第三油漆噪声评价因子,/>为待定像素点的灰度值,/>为目标灰度值,/>为求绝对值符号,/>为自然常数为底的指数函数,/>为待定像素点的第二油漆噪声评价因子,/>为待定像素点与所有凹槽边缘之间的最小距离,/>为待定像素点的第一油漆噪声评价因子,norm为线性归一化函数;其中,待定像素点与所有凹槽边缘之间的最小距离为待定像素点与所有凹槽边缘的拟合直线之间的最小距离。
5.根据权利要求2所述的一种用于电机质量的视觉检测方法,其特征在于,确定各个油漆噪声点对应的像素块及其噪声程度,包括:
对于任意一个油漆噪声点,确定以油漆噪声点为中心点构建第二预设尺寸的窗口区域为油漆噪声点对应的像素块;
基于油漆噪声点对应的像素块内每个像素点的灰度值,确定油漆噪声点的第三油漆噪声评价因子,进而获取油漆噪声点的第二油漆噪声评价因子,计算第二油漆噪声评价因子和第三油漆噪声评价因子的乘积,将两者乘积的归一化值作为油漆噪声点对应的像素块的噪声程度。
6.根据权利要求3所述的一种用于电机质量的视觉检测方法,其特征在于,根据各个油漆噪声点对应的像素块的噪声程度在水平方向和垂直方向上的差异,确定各个油漆噪声点对应的像素块在确定邻域块时的搜索方向,包括:
对于任意一个油漆噪声点对应的像素块,像素块的两个水平边缘左右延伸获得水平区域,确定水平区域上相邻两个像素块之间的噪声程度差异,将对应的所有噪声程度差异的累加和作为水平噪声差异指标;像素块的两个竖直边缘上下延伸获得竖直区域,确定竖直区域上的相邻两个像素块之间的噪声程度差异,将对应的所有噪声程度差异的累加和作为竖直噪声差异指标;其中,所述水平区域的延伸长度等于所有凹槽边缘对应的最大边缘长度,所述边缘长度为凹槽边缘上的像素点个数;所述竖直区域的延伸长度等于最大凹槽边缘距离,所述凹槽边缘距离等于灰度图像中任意两个凹槽边缘的拟合直线之间的距离;
若水平噪声差异指标大于竖直噪声差异指标,则判定像素块在确定邻域块时的搜索方向为竖直方向;若水平噪声差异指标小于竖直噪声差异指标,则判定像素块在确定邻域块时的搜索方向为水平方向。
7.根据权利要求6所述的一种用于电机质量的视觉检测方法,其特征在于,根据各个油漆噪声点对应的像素块在确定邻域块时的搜索方向、各个油漆噪声点对应的像素块的噪声程度以及各个像素点的灰度值,确定各个油漆噪声点对应的像素块的各邻域块,包括:
将任意一个油漆噪声点对应的像素块作为选定像素块,若选定像素块在确定邻域块时的搜索方向为竖直方向,则根据选定像素块对应的各个竖直像素块中每个像素点的灰度值和油漆噪声点个数、以及选定像素块及其对应的各个竖直像素块的噪声程度,确定各个竖直像素块的邻域相似程度;其中,所述竖直像素块为选定像素块对应的竖直区域上的各个油漆噪声点对应的像素块;
若选定像素块在确定邻域块时的搜索方向为水平方向,则根据选定像素块对应的各个水平像素块中每个像素点的灰度值和油漆噪声点个数、以及选定像素块及其对应的各个水平像素块的噪声程度,确定各个水平像素块的邻域相似程度;其中,所述水平像素块为选定像素块对应的水平区域上的各个油漆噪声点对应的像素块;
将邻域相似程度大于第二预设阈值的竖直像素块或水平像素块作为邻域块,获得选定像素块的各邻域块。
8.根据权利要求7所述的一种用于电机质量的视觉检测方法,其特征在于,确定竖直像素块或水平像素块的邻域相似程度,包括:
确定竖直像素块或水平像素块内油漆噪声点个数,根据选定像素块对应的噪声程度、竖直像素块或水平像素块对应的噪声程度、竖直像素块或水平像素块内每个像素点的灰度值和油漆噪声点个数,确定竖直像素块或水平像素块的邻域相似程度;
竖直像素块或水平像素块的邻域相似程度的计算公式为:
;式中,/>为选定像素块的第j个竖直像素块或水平像素块的邻域相似程度,j为竖直像素块或水平像素块的序号,/>为选定像素块的第j个竖直像素块或水平像素块内油漆噪声像素点的个数,N为第j个竖直像素块或水平像素块内像素点的个数,/>为第j个竖直像素块或水平像素块内第k个邻域像素点的灰度值,k为邻域像素点的序号,/>为第j个竖直像素块或水平像素块内中心像素点的灰度值,/>为第j个竖直像素块或水平像素块的噪声程度,/>为选定像素块的噪声程度,norm为线性归一化函数,/>为求绝对值符号;其中,所述邻域像素点为像素块内除中心点以外的其他像素点。
9.根据权利要求1所述的一种用于电机质量的视觉检测方法,其特征在于,根据各个油漆噪声点对应的像素块及其对应的各邻域块、灰度图像中每个像素点的灰度值,确定各个油漆噪声点的滤波结果,包括:
将任意一个油漆噪声点对应的像素块作为参考块,对于参考块与其对应的任意一个邻域块,确定参考块与其对应的邻域块之间的图像相似度;将图像相似度作为相似评估值,获取参考块对应的各个相似评估值,将最大相似评估值对应的邻域块作为参考块的相似块;
设置相似块对应的第三预设尺寸的窗口区域为局部区域,确定局部区域内每个像素点的像素块;根据局部区域内每个像素点的像素块中每个像素点的灰度值和参考块内每个像素点的灰度值,计算均方误差,确定局部区域内每个像素点的像素块与参考块之间的相似度;确定局部区域内每个像素点的像素块与参考块之间的距离的反比例值,将距离的反比例值和相似度相加后的归一化值作为局部区域内对应像素点的滤波权重;其中,所述局部区域的中心点为相似块的中心点;
根据局部区域内每个像素点的滤波权重和灰度值,计算加权平均值,将加权平均值作为参考块内中心点对应的滤波结果。
10.根据权利要求1所述的一种用于电机质量的视觉检测方法,其特征在于,对表面图像进行图像处理,获得电机区域的灰度图像,包括:
利用语义分割技术,对待检测电机的表面图像进行分割处理,获得电机区域的图像;对电机区域的图像进行灰度化处理,获得电机区域的灰度图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311810179.2A CN117474910B (zh) | 2023-12-27 | 2023-12-27 | 一种用于电机质量的视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311810179.2A CN117474910B (zh) | 2023-12-27 | 2023-12-27 | 一种用于电机质量的视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117474910A true CN117474910A (zh) | 2024-01-30 |
CN117474910B CN117474910B (zh) | 2024-03-12 |
Family
ID=89633302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311810179.2A Active CN117474910B (zh) | 2023-12-27 | 2023-12-27 | 一种用于电机质量的视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117474910B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110033431A (zh) * | 2019-02-26 | 2019-07-19 | 北方工业大学 | 钢桥表面锈蚀区域检测的非接触式检测装置及检测方法 |
CN112288681A (zh) * | 2019-07-10 | 2021-01-29 | 国际商业机器公司 | 对象缺陷检测 |
US20210325860A1 (en) * | 2020-04-17 | 2021-10-21 | Primeconcept S.R.L. | Quality control system for series production |
CN114202532A (zh) * | 2021-12-14 | 2022-03-18 | 苏州精思博智人工智能科技有限公司 | 一种喷涂缺陷的检测方法、装置、设备及存储介质 |
CN115115613A (zh) * | 2022-07-26 | 2022-09-27 | 南通博莹机械铸造有限公司 | 基于机器视觉的喷漆缺陷检测方法及系统 |
CN115222743A (zh) * | 2022-09-21 | 2022-10-21 | 山东汇智家具股份有限公司 | 基于视觉的家具表面喷漆缺陷检测方法 |
CN115829883A (zh) * | 2023-02-16 | 2023-03-21 | 汶上县恒安钢结构有限公司 | 一种异性金属结构件表面图像去噪方法 |
CN115984255A (zh) * | 2023-02-17 | 2023-04-18 | 江苏天南电力股份有限公司 | 一种在线取能可移动智慧防振锤的缺陷识别方法 |
CN116309579A (zh) * | 2023-05-19 | 2023-06-23 | 惠州市宝惠电子科技有限公司 | 一种用图像处理的变压器焊缝质量检测方法 |
CN116363133A (zh) * | 2023-06-01 | 2023-06-30 | 无锡斯达新能源科技股份有限公司 | 基于机器视觉的照明器配件缺陷检测方法 |
CN116385448A (zh) * | 2023-06-07 | 2023-07-04 | 深圳市华伟精密陶瓷有限公司 | 基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法 |
CN116542972A (zh) * | 2023-07-04 | 2023-08-04 | 山东阁林板建材科技有限公司 | 基于人工智能的墙板表面缺陷快速检测方法 |
CN116777916A (zh) * | 2023-08-24 | 2023-09-19 | 济宁安泰矿山设备制造有限公司 | 基于泵机金属外壳的缺陷检测方法 |
-
2023
- 2023-12-27 CN CN202311810179.2A patent/CN117474910B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110033431A (zh) * | 2019-02-26 | 2019-07-19 | 北方工业大学 | 钢桥表面锈蚀区域检测的非接触式检测装置及检测方法 |
CN112288681A (zh) * | 2019-07-10 | 2021-01-29 | 国际商业机器公司 | 对象缺陷检测 |
US20210325860A1 (en) * | 2020-04-17 | 2021-10-21 | Primeconcept S.R.L. | Quality control system for series production |
CN114202532A (zh) * | 2021-12-14 | 2022-03-18 | 苏州精思博智人工智能科技有限公司 | 一种喷涂缺陷的检测方法、装置、设备及存储介质 |
CN115115613A (zh) * | 2022-07-26 | 2022-09-27 | 南通博莹机械铸造有限公司 | 基于机器视觉的喷漆缺陷检测方法及系统 |
CN115222743A (zh) * | 2022-09-21 | 2022-10-21 | 山东汇智家具股份有限公司 | 基于视觉的家具表面喷漆缺陷检测方法 |
CN115829883A (zh) * | 2023-02-16 | 2023-03-21 | 汶上县恒安钢结构有限公司 | 一种异性金属结构件表面图像去噪方法 |
CN115984255A (zh) * | 2023-02-17 | 2023-04-18 | 江苏天南电力股份有限公司 | 一种在线取能可移动智慧防振锤的缺陷识别方法 |
CN116309579A (zh) * | 2023-05-19 | 2023-06-23 | 惠州市宝惠电子科技有限公司 | 一种用图像处理的变压器焊缝质量检测方法 |
CN116363133A (zh) * | 2023-06-01 | 2023-06-30 | 无锡斯达新能源科技股份有限公司 | 基于机器视觉的照明器配件缺陷检测方法 |
CN116385448A (zh) * | 2023-06-07 | 2023-07-04 | 深圳市华伟精密陶瓷有限公司 | 基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法 |
CN116542972A (zh) * | 2023-07-04 | 2023-08-04 | 山东阁林板建材科技有限公司 | 基于人工智能的墙板表面缺陷快速检测方法 |
CN116777916A (zh) * | 2023-08-24 | 2023-09-19 | 济宁安泰矿山设备制造有限公司 | 基于泵机金属外壳的缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
孙创开: ""基于机器视觉的彩钢板缺陷检测和智能分类研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 7, 15 July 2017 (2017-07-15) * |
陈松赟: ""高亮异型曲面表面缺陷检测系统研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 2, 15 February 2018 (2018-02-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117474910B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115170576B (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
CN111292305B (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
US11580647B1 (en) | Global and local binary pattern image crack segmentation method based on robot vision | |
CN109816644A (zh) | 一种基于多角度光源影像的轴承缺陷自动检测系统 | |
CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和系统 | |
CN115187548A (zh) | 一种基于人工智能的机械零件缺陷检测方法 | |
CN112017223B (zh) | 基于改进SIFT-Delaunay的异源图像配准方法 | |
CN116823822B (zh) | 基于视觉特征的船艇钣金件焊接缺陷检测方法 | |
CN107292879B (zh) | 一种基于图像分析的金属板材表面异常检测方法 | |
CN114943739A (zh) | 一种铝管质量检测方法 | |
CN111667470B (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
CN103440644A (zh) | 一种基于最小描述长度的多尺度图像弱边缘检测方法 | |
CN116563279B (zh) | 基于计算机视觉的量测开关检测方法 | |
Daniel et al. | Automatic road distress detection and analysis | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN117094916B (zh) | 一种市政桥梁支座视觉检测方法 | |
CN105184792B (zh) | 一种圆锯片磨损量在线测量方法 | |
CN117893527B (zh) | 一种新能源储能箱体表面缺陷检测方法 | |
CN115656182A (zh) | 基于张量投票主成分分析的板材点云缺陷检测方法 | |
Berwo et al. | Automotive engine cylinder head crack detection: Canny edge detection with morphological dilation | |
CN116309561B (zh) | 一种基于防漏电绝缘材料的表面缺陷识别方法 | |
CN117474910B (zh) | 一种用于电机质量的视觉检测方法 | |
CN116188826A (zh) | 一种复杂光照条件下的模板匹配方法及装置 | |
CN115330705A (zh) | 一种基于自适应加权模板ncc的蒙皮漆面缺陷检测方法 |
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 |