CN117495849A - 基于图像特征的电源适配器质量检测方法 - Google Patents
基于图像特征的电源适配器质量检测方法 Download PDFInfo
- Publication number
- CN117495849A CN117495849A CN202311825865.7A CN202311825865A CN117495849A CN 117495849 A CN117495849 A CN 117495849A CN 202311825865 A CN202311825865 A CN 202311825865A CN 117495849 A CN117495849 A CN 117495849A
- Authority
- CN
- China
- Prior art keywords
- gray
- value
- pixel points
- segmentation
- threshold
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims abstract description 113
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012937 correction Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims description 16
- 230000007547 defect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005192 partition Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002310 reflectometry 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
- G06T7/11—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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像阈值分割技术领域,具体涉及一种基于图像特征的电源适配器质量检测方法,包括:获取电源适配器的表面灰度图像,根据表面灰度图像中像素点的灰度值分布以及每种灰度值下的灰度差异分布情况得到待分割像素点;根据聚类结果中不同聚类簇内待分割像素点的灰度值之间的灰度差异以及灰度波动差异,得到阈值调整系数;在阈值迭代过程中,根据相邻次迭代对应的分割阈值之间的差异以及所述阈值调整系数,得到每次迭代的修正阈值,获得不同分割区域;根据每个分割区域的边缘分布信息和分割区域内像素点的灰度变化情况,确定划痕区域;根据划痕区域获得电源适配器质量检测结果。本发明使得电源适配器的质量检测结果更加准确。
Description
技术领域
本发明涉及图像阈值分割技术领域,具体涉及一种基于图像特征的电源适配器质量检测方法。
背景技术
电源适配器是将交流电转换为直流电供应给电子设备的装置,广泛应用于各种电子产品,如电脑、手机、家电等。由于电源适配器的功能性和安全性对于使用设备的正常运行至关重要,因此保证电源适配器的质量具有重要的意义。但是在生产过程中会因为不当操作导致电源适配器的表面出现划痕等缺陷。在生产流水线中提取电源适配器划痕缺陷来实现对电源适配器进行质量检测的目的,可以保证电源适配器产品的品质。现有的常通过阈值分割的方法提取电源适配器表面图像中的划痕部分,但是由于划痕缺陷过于细小,较难选取准确的阈值进行区域分割,导致缺陷部分的分割结果较不准确,进而使得电源适配器的质量检测结果较不准确。
发明内容
为了解决现有的方法使得电源适配器的质量检测结果较不准确的技术问题,本发明的目的在于提供一种基于图像特征的电源适配器质量检测方法,所采用的技术方案具体如下:
获取电源适配器的表面灰度图像,根据表面灰度图像中像素点的灰度值分布以及每种灰度值下的灰度差异分布情况,对像素点进行筛选,得到待分割像素点;
根据待分割像素点的灰度值对待分割像素点进行聚类,根据聚类结果中不同聚类簇内待分割像素点的灰度值之间的灰度差异以及灰度波动差异,得到阈值调整系数;
利用阈值迭代算法对待分割像素点的灰度值进行处理,在阈值迭代过程中,根据相邻次迭代对应的分割阈值之间的差异以及所述阈值调整系数,得到每次迭代的修正阈值;利用所述修正阈值对待分割像素点进行阈值迭代分割得到不同分割区域;
根据每个分割区域的边缘分布信息和分割区域内像素点的灰度变化情况,确定划痕区域;根据划痕区域获得电源适配器质量检测结果。
优选地,所述根据表面灰度图像中像素点的灰度值分布以及每种灰度值下的灰度差异分布情况,对像素点进行筛选,得到待分割像素点,具体包括:
获取表面灰度图像中相同灰度值的像素点数量的最大值对应的灰度值记为特征灰度值;将任意一种灰度值记为选定灰度值;
根据表面灰度图像中最小的灰度值至选定灰度值之间的数量分布差异、以及选定灰度值至特征灰度值之间的数量分布差异,得到选定灰度值的分割可能性;
根据表面灰度图像中所有种核对至的分割可能性,确定分割灰度值,利用分割灰度值对像素点进行筛选,得到待分割像素点。
优选地,所述分割可能性的计算公式具体为:
;
其中,表示第n种灰度值的分割可能性,n表示灰度值的取值种类的索引,/>和分别表示表面灰度图像中包含的第i种灰度值的像素点数量和灰度值取值,/>和/>分别表示表面灰度图像中包含的第i+1种灰度值的像素点数量和灰度值取值,/>和/>分别表示表面灰度图像中包含的第r种灰度值的像素点数量和灰度值取值,/>和/>分别表示表面灰度图像中包含的第r+1种灰度值的像素点数量和灰度值取值,m表示特征灰度值的取值种类的索引,k为超参数。
优选地,所述根据表面灰度图像中所有种核对至的分割可能性,确定分割灰度值,利用分割灰度值对像素点进行筛选,得到待分割像素点,具体包括:
根据特征灰度值确定灰度系数,所述灰度系数和特征灰度值呈正相关关系;
在表面灰度图像中灰度值小于或等于灰度系数的所有种灰度值中,获取分割可能性的最大值对应的灰度值记为第一分割灰度值;在表面灰度图像中灰度值大于或等于灰度系数的所有种灰度值中,获取分割可能性的最大值对应的灰度值记为第二分割灰度值;所述分割灰度值包括第一分割灰度值和第二分割灰度值;
获取表面灰度图像中灰度值大于第一分割灰度值,小于第二分割灰度值的像素点,记为待分割像素点。
优选地,所述根据聚类结果中不同聚类簇内待分割像素点的灰度值之间的灰度差异以及灰度波动差异,得到阈值调整系数,具体包括:
所述聚类结果中包含三个聚类簇,分别计算每个聚类簇中所有待分割像素点的灰度值的均值,将除最小的均值对应的聚类簇之外的两个聚类簇分别记为第一特征聚类簇和第二特征聚类簇;
根据第一特征聚类簇和第二特征聚类簇对应的待分割像素点的灰度值的均值之间的差异、以及第一特征聚类簇和第二特征聚类簇内待分割像素点的灰度值的波动程度,得到阈值调整系数。
优选地,所述阈值调整系数的计算公式具体为:
;
其中,W表示阈值调整系数,表示第一特征聚类簇中所有待分割像素点的灰度值的均值,/>表示第二特征聚类簇中所有待分割像素点的灰度值的均值,/>表示第一特征聚类簇中所有待分割像素点的灰度值的方差,/>表示第二特征聚类簇中所有待分割像素点的灰度值的方差,exp( )表示以自然常数e为底的指数函数,Norm( )表示归一化函数。
优选地,所述根据每个分割区域的边缘分布信息和分割区域内像素点的灰度变化情况,确定划痕区域,具体包括:
对于任意一个分割区域,获取分割区域的边缘像素点,基于每相邻两个边缘像素点的像素坐标,计算每个边缘像素点的斜率;计算分割区域内所有边缘像素点的斜率的均值记为特征斜率;计算分割区域内所有边缘像素点的梯度值的均值记为特征梯度值;
对每个边缘像素点的斜率与特征斜率之间的差异进行累加求和得到第一系数;对每个边缘像素点的梯度值与特征梯度值之间的差异进行累加求和得到第二系数;根据第一系数和第二系数的乘积得到分割区域的图案置信度,所述乘积与置信度呈负相关关系;
根据每个分割区域的图案置信度,对分割区域进行筛选,获得划痕区域。
优选地,所述根据每个分割区域的图案置信度,对分割区域进行筛选,获得划痕区域,具体包括:
将图案置信度小于或等于预设的缺陷阈值对应的分割区域,记为划痕区域。
优选地,所述根据相邻次迭代对应的分割阈值之间的差异以及所述阈值调整系数,得到每次迭代的修正阈值,具体包括:
将任意一次迭代记为目标迭代次序,将与目标迭代次序相邻的上一次迭代记为参考迭代次序,计算目标迭代次序与参考迭代次序对应的分割阈值之间的差值记为阈值差值;计算阈值差值与阈值调整系数的乘积与参考迭代次序对应的分割阈值的累加和,得到目标迭代次序的修正阈值。
优选地,所述根据划痕区域获得电源适配器质量检测结果,具体包括:
获取所有划痕区域内像素点的总数量,若所述总数量大于或等于预设的面积阈值,则电源适配器的质量检测结果为不合格;若所述总数量小于预设的面积阈值,则电源适配器的质量检测结果为合格。
本发明实施例至少具有如下有益效果:
本发明首先获取电源适配器的表面灰度图像,对表面灰度图像中灰度值分布以及每种灰度值下的灰度差异分布情况进行分析,考虑到电源适配器表面图案部分对划痕缺陷分割的干扰因素,结合每种不同灰度的分布情况,对像素点进行筛选得到待分割像素点,即待分割像素点排除了部分像素点的干扰,使得后续区域分割结果更加准确。然后,根据待分割像素点的聚类结果中不同聚类簇内待分割像素点的灰度值之间的灰度差异以及灰度波动差异,得到阈值调整系数,不同聚类簇表征了表面灰度图像中不同区域的部分,即通过不同区域之间的灰度差异情况,设置对阈值进行调整的系数。进一步的,在阈值迭代算法进行阈值迭代的过程中,利用阈值调整系数对相邻次迭代之间的分割阈值差异进行调整,获得修正阈值,即充分考虑了不同区域之间的灰度差异以及灰度波动情况,使得阈值迭代分割的过程能够更加准确,获得更加准确的分割区域。最后,通过分割区域的边缘分布信息和边缘灰度变化情况,对分割区域进行筛选,区分划痕部分和背景部分,使得能够获得更加完整且更加准确的划痕区域,进而使得电源适配器的质量检测结果更加准确。
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是本发明实施例提供的一种基于图像特征的电源适配器质量检测方法的方法流程图;
图2是本发明实施例中存在凹陷图案的电源适配器的图像。
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特征的电源适配器质量检测方法,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特征的电源适配器质量检测方法的具体方案。
本发明所针对的具体场景为:在对电源适配器进行质量检测时,通过先对电源适配器进行划痕检测,由于电源适配器表面存在表面纹理或者图案等因素对划痕检测存在的一定的干扰,因此需要对电源适配器的表面划痕以及背景部分的图案纹理进行分析,对划痕分割过程进行优化,从而获得更加完整准确的划痕区域,以对电源适配器的质量进行准确的评价。
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特征的电源适配器质量检测方法的方法流程图,该方法包括以下步骤:
步骤一,获取电源适配器的表面灰度图像,根据表面灰度图像中像素点的灰度值分布以及每种灰度值下的灰度差异分布情况,对像素点进行筛选,得到待分割像素点。
首先,利用相机采集电源适配器的表面图像,并对其进行灰度化处理,获得电源适配器的表面灰度图像。其中,对图像进行灰度化处理的方法是多种多样的,在此不再过多介绍,实施者可根据具体实施场景进行选择。
需要说明的是,在对电源适配器的表面划痕部分进行分割提取时,电源适配器表面存在的图案部分可能会对划痕分割的过程产生影响。而电源适配器表面的图案是向内凹陷的图案,如图2,其示出了存在凹陷图案的电源适配器的图像。在进行图像采集时,图案边缘部分的反光性相较于电源适配器表面其他部分较低,即图案边缘部分的灰度值也较低。
同时,电源适配器在生产过程中为了保证其表面的耐磨性和美观性等因素,对其表面进行磨砂工艺处理,即电源适配器的壳体表面呈现出一种粗糙感,但是在电源适配器的表面图案部分的表面是相对平整,即图案部分的反光线高于壳体表面,其灰度值较高。
传统的阈值迭代分割算法中,常基于灰度最大值和灰度最小值获取初始阈值进行迭代分割,在电源适配器的表面灰度图像中灰度值最大值往往可能处于电源适配器的图案凹陷部分,灰度值最小值往往可能处于电源适配器的图案边缘棱角部分,基于此获得的初始阈值分割目标主要集中在壳体的图案区域,在后续进行阈值迭代更新时,可能存在一定的误差。因此,需要对划痕的分割提取存在影响的灰度值进行筛除,使得在对表面灰度图像进行迭代阈值分割的结果更加准确。
根据表面灰度图像中像素点的灰度值分布以及每种灰度值下的灰度差异分布情况,对像素点进行筛选,得到待分割像素点。具体地,获取表面灰度图像中相同灰度值的像素点数量的最大值对应的灰度值记为特征灰度值;将任意一种灰度值记为选定灰度值;根据表面灰度图像中最小的灰度值至选定灰度值之间的数量分布差异、以及选定灰度值至特征灰度值之间的数量分布差异,得到选定灰度值的分割可能性;根据表面灰度图像中所有种核对至的分割可能性,确定分割灰度值,利用分割灰度值对像素点进行筛选,得到待分割像素点。
其中,特征灰度值表征了在表面灰度图像中像素点数量最多的灰度值,可以理解的是,通过统计表面灰度图像中的灰度直方图,获取灰度直方图中像素点数量最多的灰度值,即为特征灰度值,即特征灰度值表征了基于灰度直方图拟合的曲线的拐点位置。电源适配器表面的灰度直方图对应的曲线呈现单峰的形状,以特征灰度值为基准,将在表面灰度图像中特征灰度值的两侧分别进行灰度分析。
在本实施例中,相同取值的灰度值为同一种灰度值,例如灰度值的取值范围为[0,255],即存在256种灰度值,以小于或等于灰度系统中的任意一种灰度值为例进行说明,将表面灰度图像中的第n种灰度值作为选定灰度值,则第n种灰度值的分割可能性的计算公式可以表示为:
;
其中,表示第n种灰度值的分割可能性,n表示灰度值的取值种类的索引,/>和分别表示表面灰度图像中包含的第i种灰度值的像素点数量和灰度值取值,/>和/>分别表示表面灰度图像中包含的第i+1种灰度值的像素点数量和灰度值取值,/>和/>分别表示表面灰度图像中包含的第r种灰度值的像素点数量和灰度值取值,/>和/>分别表示表面灰度图像中包含的第r+1种灰度值的像素点数量和灰度值取值,m表示特征灰度值的取值种类的索引,k为超参数,在本实施例中的取值为4。
反映了第i种灰度值在灰度直方图拟合的曲线上第i个点的变化率,/>进而表征了相邻两种灰度值对应的变化率之间的差异情况,/>表示从第一种灰度值开始直至第n种灰度值的灰度变化率的均衡差异情况。同理,/>表示从第n种灰度值开始直至第m种灰度值之间相邻两种灰度值变化率的均衡差异情况。
需要说明的是,电源适配器表面图案部分的竖直边缘的灰度值较暗,且数量占比较小,分布在灰度直方图中主要集中在灰度值较小的靠前部分区域,故首先对小于或等于灰度系数的部分种类灰度值进行分析,以筛除这部分中属于图案边缘部分的灰度值,避免其对后续的分析存在干扰。
表示灰度系数,k的取值实施者可根据具体实施场景进行设置。当选定灰度值小于或等于灰度系数时,若第n种灰度值之前的灰度变化率和n到m之间的灰度变化率之间的差异变化最大时,对应的分割可能性的取值最大,此时说明n是最佳的分割点。即在表面灰度图像中灰度值小于或等于灰度系数的所有种灰度值中,获取分割可能性的最大值对应的灰度值记为第一分割灰度值,则第一分割灰度值可以表示为小于灰度系数的最佳分割点,能够将小于第一分割灰度值的部分看作电源适配器的图案边缘部分的灰度值范围。
当选定灰度值大于灰度系数,按照与上述公式相同的计算方法,获取第m种灰度值开始直至第n种灰度值的灰度变化率的均衡差异情况,然后获取第n种灰度值直至最后一种灰度值的灰度变化率的均衡差异情况,获取两种差异情况的最大时对应的灰度值取值,即在表面灰度图像中灰度值大于或等于灰度系数的所有种灰度值中,获取分割可能性的最大值对应的灰度值记为第二分割灰度值。则第二分割灰度值可以表示为大于灰度系数的最佳分割点,能够将大于第二分割灰度值的部分看作电源适配器的图案部分。
灰度值对应的分割可能性表征了该种灰度值作为灰度分割点的可能性大小,反映了在对应灰度范围内以该种灰度值为灰度分割点进行分割后两个类别的灰度变化率的差异情况,当差异情况达到了最大值,则此时的灰度值作为灰度分割点的效果最佳,即小于或等于第一分割灰度值的部分可能是电源适配器的图案边缘部分,大于或等于第二分割灰度值的部分可能是电源适配器的图案部分,需要将这两部分的灰度值对应的像素点在表面灰度图像中进行筛除。
具体地,分割灰度值包括第一分割灰度值和第二分割灰度值。获取表面灰度图像中灰度值大于第一分割灰度值,小于第二分割灰度值的像素点,记为待分割像素点。
步骤二,根据待分割像素点的灰度值对待分割像素点进行聚类,根据聚类结果中不同聚类簇内待分割像素点的灰度值之间的灰度差异以及灰度波动差异,得到阈值调整系数。
利用迭代阈值分割算法对表面灰度图像进行阈值分割处理,经过步骤一的处理步骤,将存在干扰的部分已经筛除,使得表面灰度图像进行迭代阈值分割的初始分割阈值进行了调整,更加有利于分割结果的确定。但是,在每次进行迭代分割时,由于部分划痕区域可能较浅,与背景中部分区域较为接近,会导致每次迭代分割的效果并不理想。因此,为了达到更好的分割效果,对相邻迭代次序的阈值差异进行调整。
待分割像素点主要是电源适配器整体外壳部分、划痕较深区域部分和划痕较浅区域部分,划痕较深部分的灰度值较暗,较为容易区分,而外壳部分可能存在部分区域与划痕较浅部分较为接近,进而影响划痕区域整体提取的完整性和准确性。故对待分割像素点的灰度值取值范围进行分析,将待分割像素点划分为三个类别,三个类别部分分别表示了深划痕区域、浅划痕区域和背景区域,该背景区域表征的是电源适配器表面的外壳部分。
具体地,根据待分割像素点的灰度值对待分割像素点进行聚类,在本实施例中,采用K-means聚类算法对待分割像素点的灰度值进行聚类,K的取值为3,即聚类簇的取值为3,则聚类结果包含三个聚类簇,分别表示深划痕聚类簇、浅划痕聚类簇和背景部分聚类簇。
进一步的,通过每个簇类簇中灰度值特征对聚类簇进行筛选,深划痕部分的像素点灰度值最暗,故在三个聚类簇中属于深划痕聚类簇的灰度值特征最小,为了后续分析浅划痕部分和背景部分之间的灰度差异情况,需将这两部分的待分析像素点筛选出来,即分别计算每个聚类簇中所有待分割像素点的灰度值的均值,将除最小的均值对应的聚类簇之外的两个聚类簇分别记为第一特征聚类簇和第二特征聚类簇,第一特征聚类簇和第二特征聚类簇即表示了浅划痕区域和背景部分区域。
最后,根据第一特征聚类簇和第二特征聚类簇对应的待分割像素点的灰度值的均值之间的差异、以及第一特征聚类簇和第二特征聚类簇内待分割像素点的灰度值的波动程度,得到阈值调整系数。在本实施例中,阈值调整系数的计算公式可以表示为:
;
其中,W表示阈值调整系数,表示第一特征聚类簇中所有待分割像素点的灰度值的均值,/>表示第二特征聚类簇中所有待分割像素点的灰度值的均值,/>表示第一特征聚类簇中所有待分割像素点的灰度值的方差,/>表示第二特征聚类簇中所有待分割像素点的灰度值的方差,exp( )表示以自然常数e为底的指数函数,Norm( )表示归一化函数。
反映了第一特征聚类簇与第二特征聚类簇中待分割像素点的整体灰度之间的差异情况,该差异越小,说明第一特征聚类簇和第二特征聚类簇之间的灰度差异较小,越不容易被区分开,故需要赋予其越大的灰度调整值,即对应的阈值调整系数的取值越大。
反映了第一特征聚类簇和第二特征聚类簇中待分割像素点的灰度波动情况之间的差异,该差异越小,说明第一特征聚类簇和第二特征聚类簇之间的灰度波动情况较为接近,越不容易被区分开,故需要赋予其越大的灰度调整值,则对应的阈值调整系数的取值越大。
阈值调整系数表征了迭代阈值分割过程中阈值被调整的程度,两个特征聚类簇中的灰度差异越小,对应的阈值被调整的程度越大。两个特征聚类簇中的灰度差异越大,对应的阈值被调整的程度越小。
步骤三,利用阈值迭代算法对待分割像素点的灰度值进行处理,在阈值迭代过程中,根据相邻次迭代对应的分割阈值之间的差异以及所述阈值调整系数,得到每次迭代的修正阈值;利用所述修正阈值对待分割像素点进行阈值迭代分割得到不同分割区域。
首先,利用阈值迭代算法对待分割像素点的灰度值进行处理,即按照现有的阈值迭代算法获取初始分割阈值,进而依次进行阈值迭代的过程分析,获取每次迭代过程进行分割的分割阈值。进而通过分析每次迭代对应的分割阈值与其相邻的上一次迭代对应的分割阈值之间的差异情况,并结合阈值调整系数,对当前次迭代对应的分割阈值进行调整,以获取当前次迭代对应的调整后的阈值,使得阈值分割结果更加准确,避免出现将电源适配器外壳部分与浅划痕部分较为接近的部分误分割为划痕部分的情况。需要说明的是,利用现有的阈值迭代算法均需要获取每一次迭代过程中所用到的分割阈值,进而根据阈值之间的差异情况再对分割阈值进行不同程度的调整。
具体地,将任意一次迭代记为目标迭代次序,将与目标迭代次序相邻的上一次迭代记为参考迭代次序,计算目标迭代次序与参考迭代次序对应的分割阈值之间的差值记为阈值差值;计算阈值差值与阈值调整系数的乘积与参考迭代次序对应的分割阈值的累加和,得到目标迭代次序的修正阈值。
在本实施例中,将第t次迭代作为目标迭代次序,进而以第t次迭代为例进行说明,则目标次迭代次序的修正阈值的计算公式可以表示为:
;
其中,表示目标迭代次序的修正阈值,/>表示目标迭代次序对应的分割阈值,t表示第t次迭代,/>表示参考迭代次序对应的分割阈值,t-1表示第t-1次迭代,W表示阈值调整系数,/>表示阈值差值。
阈值差值反映了相邻两次迭代时的分割阈值之间的差异情况,利用阈值调整系数对阈值差值进行调整,从而获得调整后的阈值,能够更好的区分电源适配器上外壳部分与较浅划痕部分。
需要说明的是,在本实施例需要根据阈值的变化情况进行判断迭代分割过程是否收敛,即计算每次迭代对应的分割阈值与修正阈值之间的差值绝对值,当该差值绝对值小于或等于截止阈值时,认为迭代分割过程已经足够稳定,判定为收敛,从而完成对电源适配器表面纹理的分割提取操作,获得多个不同的分割区域。其中,在本实施例中将截止阈值设置为所有次迭代对应的差值绝对值的均值,实施者可根据具体实施场景进行设置。
步骤四,根据每个分割区域的边缘分布信息和分割区域内像素点的灰度变化情况,确定划痕区域;根据划痕区域获得电源适配器质量检测结果。
由于分割结果中的每个分割区域包含了电源适配器的图案区域和外壳区域的背景部分、以及划痕区域的目标部分,但是电源适配器表面是有制造工艺得到的,其纹理变化和灰度变化具有一致性的特点,而划痕则是由于生产或者运输过程中的不定因素造成的缺陷部分,其纹理特征大多为曲线分布,且灰度变化较为复杂,即划痕的深浅存在不确定的变化因素。故需要对每个分割区域分别进行灰度以及纹理特征分析,以确定背景部分和目标部分。
基于此,根据每个分割区域的边缘分布信息和分割区域内像素点的灰度变化情况,确定划痕区域,具体地,对于任意一个分割区域,获取分割区域的边缘像素点,基于每相邻两个边缘像素点的像素坐标,计算每个边缘像素点的斜率;计算分割区域内所有边缘像素点的斜率的均值记为特征斜率;计算分割区域内所有边缘像素点的梯度值的均值记为特征梯度值。
具体地,对分割后的表面灰度图像进行边缘特征提取操作,获取表面灰度图像中的每个分割区域的边缘像素点、以及边缘像素点的梯度信息。在表面灰度图像中,根据每个边缘像素点的像素坐标,可以计算获得每个边缘像素点与其相邻的下一个像素点之间的斜率,表征了相邻两个像素点之间的方向位置的变化情况,其中,像素坐标为公知技术,在此不再过多介绍。
进一步的,对每个边缘像素点的斜率与特征斜率之间的差异进行累加求和得到第一系数;对每个边缘像素点的梯度值与特征梯度值之间的差异进行累加求和得到第二系数;根据第一系数和第二系数的乘积得到分割区域的图案置信度,所述乘积与置信度呈负相关关系。
在本实施例中,以第u个分割区域为例进行说明,则第u个分割区域的图案置信度的计算公式可以表示为:
;
其中,表示第u个分割区域的图案置信度,/>表示第u个分割区域包含的边缘像素点的数量,/>表示第u个分割区域的第s个边缘像素点与第s+1个边缘像素点计算获得的斜率,/>和/>分别表示第u个分割区域的第s个边缘像素点与第s+1个边缘像素点,/>表示第u个分割区域内所有斜率的均值,即特征斜率;/>表示第u个分割区域的第s个边缘像素点的梯度值,/>表示第u个分割区域内所有边缘像素点的梯度值的均值,即特征梯度值,exp( )表示以自然常数e为底的指数函数。
为第一系数,表示第u个分割区域内每个边缘像素点对应的斜率与整体分布之间的差异情况,分割区域内每个边缘像素点对应的斜率与整体均衡情况之间的差异较小时,说明分割区域的相邻边缘的纹理变化一致性较强,进而说明该分割区域越不可能是划痕区域,对应的图案置信度取值越大,说明对应的属于背景部分的可能性越大。
为第二系数,表示第u个分割区域内每个边缘像素点的梯度值与整体梯度值的均衡值之间的差异情况,该差异越小,说明分割区域内每个边缘像素点的梯度变化较小,即颜色统一,进而说明该分割区域越不可能是划痕区域,对应的图案置信度取值越大,说明对应的属于背景部分的可能性越大。
图案置信度表征了分割区域可能是背景部分的可能性大小,即其取值越大,说明分割区域为划痕区域的可能性越小,为背景部分的可能性越大;其取值越小,说明分割区域为划痕区域的可能性越大,为背景部分的可能性越小。基于此,根据每个分割区域的图案置信度,对分割区域进行筛选,获得划痕区域。即将图案置信度小于或等于预设的缺陷阈值对应的分割区域,记为划痕区域。在本实施例中,缺陷阈值的取值为0.8,实施者可根据具体实施场景进行设置。
最后,根据划痕区域的数量和划痕区域的大小对充电器质量进行评价,划痕区域的数量越多,且划痕区域的面积越大,即像素点的总数越多,电源适配器的质量越不合格。即根据划痕区域获得电源适配器质量检测结果。具体地,获取所有划痕区域内像素点的总数量,若所述总数量大于或等于预设的面积阈值,则电源适配器的质量检测结果为不合格;若所述总数量小于预设的面积阈值,则电源适配器的质量检测结果为合格。即将划痕区域内像素点的总数量作为面积表征值进行质量结果的判断,划痕区域的面积超过电源适配器的表面面积一定的占比,则说明划痕区域面积较大,其电源适配器的质量较差。其中,面积阈值的取值为电源适配器的表面灰度图像面积大小的30%,实施者可根据具体实施场景进行设置。
综上所述,本发明对电源适配器表面的划痕进行迭代阈值分割提取时,由于电源适配器表面的图案的特殊性,电源适配器表面灰度图中的最大灰度值和最小灰度值都集中在图案区域,在对划痕进行分割选取初始阈值时,使得关注特征主要集中在图案区域,因此将选取初始阈值的干扰因素进行分析并排除存在干扰的部分像素点,从而对划痕区域进行分割提取更加准确。进一步的,考虑到划痕较浅部分和背景部分之间存在较为相似的部分,故通过将排除干扰的待分割像素点进行分类,进一步通过聚类结果分析较浅的划痕区域和背景部分之间的关系,对迭代过程中相邻次迭代对应的分割阈值差异进行调整,得到当前次迭代调整后的分割阈值,进而得到更完整、更准确的区域分割结果。通过对划痕区域和背景区域进行分析,筛选获得划痕区域,能够获得较为准确且较为完整的划痕区域,最终通过对划痕的分析完成对电源适配器的质量检测。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于图像特征的电源适配器质量检测方法,其特征在于,该方法包括以下步骤:
获取电源适配器的表面灰度图像,根据表面灰度图像中像素点的灰度值分布以及每种灰度值下的灰度差异分布情况,对像素点进行筛选,得到待分割像素点;
根据待分割像素点的灰度值对待分割像素点进行聚类,根据聚类结果中不同聚类簇内待分割像素点的灰度值之间的灰度差异以及灰度波动差异,得到阈值调整系数;
利用阈值迭代算法对待分割像素点的灰度值进行处理,在阈值迭代过程中,根据相邻次迭代对应的分割阈值之间的差异以及所述阈值调整系数,得到每次迭代的修正阈值;利用所述修正阈值对待分割像素点进行阈值迭代分割得到不同分割区域;
根据每个分割区域的边缘分布信息和分割区域内像素点的灰度变化情况,确定划痕区域;根据划痕区域获得电源适配器质量检测结果。
2.根据权利要求1所述的一种基于图像特征的电源适配器质量检测方法,其特征在于,所述根据表面灰度图像中像素点的灰度值分布以及每种灰度值下的灰度差异分布情况,对像素点进行筛选,得到待分割像素点,具体包括:
获取表面灰度图像中相同灰度值的像素点数量的最大值对应的灰度值记为特征灰度值;将任意一种灰度值记为选定灰度值;
根据表面灰度图像中最小的灰度值至选定灰度值之间的数量分布差异、以及选定灰度值至特征灰度值之间的数量分布差异,得到选定灰度值的分割可能性;
根据表面灰度图像中所有种核对至的分割可能性,确定分割灰度值,利用分割灰度值对像素点进行筛选,得到待分割像素点。
3.根据权利要求2所述的一种基于图像特征的电源适配器质量检测方法,其特征在于,所述分割可能性的计算公式具体为:
;
其中,表示第n种灰度值的分割可能性,n表示灰度值的取值种类的索引,/>和/>分别表示表面灰度图像中包含的第i种灰度值的像素点数量和灰度值取值,/>和/>分别表示表面灰度图像中包含的第i+1种灰度值的像素点数量和灰度值取值,/>和/>分别表示表面灰度图像中包含的第r种灰度值的像素点数量和灰度值取值,/>和/>分别表示表面灰度图像中包含的第r+1种灰度值的像素点数量和灰度值取值,m表示特征灰度值的取值种类的索引,k为超参数。
4.根据权利要求2所述的一种基于图像特征的电源适配器质量检测方法,其特征在于,所述根据表面灰度图像中所有种核对至的分割可能性,确定分割灰度值,利用分割灰度值对像素点进行筛选,得到待分割像素点,具体包括:
根据特征灰度值确定灰度系数,所述灰度系数和特征灰度值呈正相关关系;
在表面灰度图像中灰度值小于或等于灰度系数的所有种灰度值中,获取分割可能性的最大值对应的灰度值记为第一分割灰度值;在表面灰度图像中灰度值大于或等于灰度系数的所有种灰度值中,获取分割可能性的最大值对应的灰度值记为第二分割灰度值;所述分割灰度值包括第一分割灰度值和第二分割灰度值;
获取表面灰度图像中灰度值大于第一分割灰度值,小于第二分割灰度值的像素点,记为待分割像素点。
5.根据权利要求1所述的一种基于图像特征的电源适配器质量检测方法,其特征在于,所述根据聚类结果中不同聚类簇内待分割像素点的灰度值之间的灰度差异以及灰度波动差异,得到阈值调整系数,具体包括:
所述聚类结果中包含三个聚类簇,分别计算每个聚类簇中所有待分割像素点的灰度值的均值,将除最小的均值对应的聚类簇之外的两个聚类簇分别记为第一特征聚类簇和第二特征聚类簇;
根据第一特征聚类簇和第二特征聚类簇对应的待分割像素点的灰度值的均值之间的差异、以及第一特征聚类簇和第二特征聚类簇内待分割像素点的灰度值的波动程度,得到阈值调整系数。
6.根据权利要求5所述的一种基于图像特征的电源适配器质量检测方法,其特征在于,所述阈值调整系数的计算公式具体为:
;
其中,W表示阈值调整系数,表示第一特征聚类簇中所有待分割像素点的灰度值的均值,/>表示第二特征聚类簇中所有待分割像素点的灰度值的均值,/>表示第一特征聚类簇中所有待分割像素点的灰度值的方差,/>表示第二特征聚类簇中所有待分割像素点的灰度值的方差,exp( )表示以自然常数e为底的指数函数,Norm( )表示归一化函数。
7.根据权利要求1所述的一种基于图像特征的电源适配器质量检测方法,其特征在于,所述根据每个分割区域的边缘分布信息和分割区域内像素点的灰度变化情况,确定划痕区域,具体包括:
对于任意一个分割区域,获取分割区域的边缘像素点,基于每相邻两个边缘像素点的像素坐标,计算每个边缘像素点的斜率;计算分割区域内所有边缘像素点的斜率的均值记为特征斜率;计算分割区域内所有边缘像素点的梯度值的均值记为特征梯度值;
对每个边缘像素点的斜率与特征斜率之间的差异进行累加求和得到第一系数;对每个边缘像素点的梯度值与特征梯度值之间的差异进行累加求和得到第二系数;根据第一系数和第二系数的乘积得到分割区域的图案置信度,所述乘积与置信度呈负相关关系;
根据每个分割区域的图案置信度,对分割区域进行筛选,获得划痕区域。
8.根据权利要求7所述的一种基于图像特征的电源适配器质量检测方法,其特征在于,所述根据每个分割区域的图案置信度,对分割区域进行筛选,获得划痕区域,具体包括:
将图案置信度小于或等于预设的缺陷阈值对应的分割区域,记为划痕区域。
9.根据权利要求1所述的一种基于图像特征的电源适配器质量检测方法,其特征在于,所述根据相邻次迭代对应的分割阈值之间的差异以及所述阈值调整系数,得到每次迭代的修正阈值,具体包括:
将任意一次迭代记为目标迭代次序,将与目标迭代次序相邻的上一次迭代记为参考迭代次序,计算目标迭代次序与参考迭代次序对应的分割阈值之间的差值记为阈值差值;计算阈值差值与阈值调整系数的乘积与参考迭代次序对应的分割阈值的累加和,得到目标迭代次序的修正阈值。
10.根据权利要求1所述的一种基于图像特征的电源适配器质量检测方法,其特征在于,所述根据划痕区域获得电源适配器质量检测结果,具体包括:
获取所有划痕区域内像素点的总数量,若所述总数量大于或等于预设的面积阈值,则电源适配器的质量检测结果为不合格;若所述总数量小于预设的面积阈值,则电源适配器的质量检测结果为合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311825865.7A CN117495849A (zh) | 2023-12-28 | 2023-12-28 | 基于图像特征的电源适配器质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311825865.7A CN117495849A (zh) | 2023-12-28 | 2023-12-28 | 基于图像特征的电源适配器质量检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117495849A true CN117495849A (zh) | 2024-02-02 |
Family
ID=89676732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311825865.7A Pending CN117495849A (zh) | 2023-12-28 | 2023-12-28 | 基于图像特征的电源适配器质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117495849A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117788464A (zh) * | 2024-02-26 | 2024-03-29 | 卡松科技股份有限公司 | 一种工业齿轮油杂质视觉检测方法 |
CN117830319A (zh) * | 2024-03-06 | 2024-04-05 | 陕西星辰电子技术有限责任公司 | 基于图像处理的电源适配器产品检测方法 |
CN117934468A (zh) * | 2024-03-22 | 2024-04-26 | 泰安中联水泥有限公司 | 基于图像处理的篦冷机故障预测方法及系统 |
CN117830319B (zh) * | 2024-03-06 | 2024-05-31 | 陕西星辰电子技术有限责任公司 | 基于图像处理的电源适配器产品检测方法 |
-
2023
- 2023-12-28 CN CN202311825865.7A patent/CN117495849A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117788464A (zh) * | 2024-02-26 | 2024-03-29 | 卡松科技股份有限公司 | 一种工业齿轮油杂质视觉检测方法 |
CN117788464B (zh) * | 2024-02-26 | 2024-04-30 | 卡松科技股份有限公司 | 一种工业齿轮油杂质视觉检测方法 |
CN117830319A (zh) * | 2024-03-06 | 2024-04-05 | 陕西星辰电子技术有限责任公司 | 基于图像处理的电源适配器产品检测方法 |
CN117830319B (zh) * | 2024-03-06 | 2024-05-31 | 陕西星辰电子技术有限责任公司 | 基于图像处理的电源适配器产品检测方法 |
CN117934468A (zh) * | 2024-03-22 | 2024-04-26 | 泰安中联水泥有限公司 | 基于图像处理的篦冷机故障预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117495849A (zh) | 基于图像特征的电源适配器质量检测方法 | |
CN115829883A (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN116843678B (zh) | 一种硬碳电极生产质量检测方法 | |
CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
CN115937204A (zh) | 一种焊管生产质量检测方法 | |
CN116309537A (zh) | 一种极耳模具表面油污的缺陷检测方法 | |
CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
CN116912261B (zh) | 一种塑料模具注塑表面缺陷检测方法 | |
CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
CN117372432B (zh) | 基于图像分割的电子烟表面缺陷检测方法及系统 | |
CN117557820B (zh) | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 | |
CN116309599B (zh) | 基于污水前置处理的水质视觉监测方法 | |
CN115511907B (zh) | 一种用于led屏幕的划痕检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115018835B (zh) | 一种汽车起动机齿轮检测方法 | |
CN114119603A (zh) | 基于图像处理的快餐盒短射缺陷检测方法 | |
CN115953409A (zh) | 基于图像处理的注塑件表面缺陷检测方法 | |
CN117705815B (zh) | 一种基于机器视觉的印刷缺陷检测方法 | |
CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
CN116883674B (zh) | 多光谱图像去噪装置及使用该装置的食品品质检测系统 | |
CN116432052B (zh) | 一种新能源汽车模具用夹具质量检测方法 | |
CN116228776B (zh) | 一种机电设备焊接缺陷识别方法及系统 | |
CN115311288B (zh) | 一种汽车贴膜破损检测方法 | |
CN115330785B (zh) | 一种纺织鞋面质量检测方法 |
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 |