CN117745724B - 基于视觉分析的石材打磨加工缺陷区域分割方法 - Google Patents
基于视觉分析的石材打磨加工缺陷区域分割方法 Download PDFInfo
- Publication number
- CN117745724B CN117745724B CN202410186629.3A CN202410186629A CN117745724B CN 117745724 B CN117745724 B CN 117745724B CN 202410186629 A CN202410186629 A CN 202410186629A CN 117745724 B CN117745724 B CN 117745724B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- pixel
- points
- local window
- pixel points
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 91
- 239000004575 stone Substances 0.000 title claims abstract description 89
- 238000005498 polishing Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012545 processing Methods 0.000 title claims abstract description 25
- 238000004458 analytical method Methods 0.000 title claims abstract description 19
- 230000011218 segmentation Effects 0.000 title claims abstract description 19
- 230000000007 visual effect Effects 0.000 title claims abstract description 17
- 241001632422 Radiola linoides Species 0.000 claims abstract 2
- 238000012937 correction Methods 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 3
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 claims description 2
- 238000007517 polishing process Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 241001632427 Radiola Species 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000003082 abrasive agent Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于视觉分析的石材打磨加工缺陷区域分割方法,包括:根据每个连通域的最小外接矩形的长和宽之间的差异和每个像素点的局部窗口内所有像素点的灰度值的均值,获得每个像素点为划痕缺陷像素点的可能性;根据每个像素点为划痕缺陷像素点的可能性、每个像素点的局部窗口内所有像素点的灰度分布、每个像素点的局部窗口内像素点的梯度幅值和梯度方向之间的差异,获得所有的种子点和任意两个像素点之间的相似程度;根据种子点和任意两个像素点之间的相似程度进行石材打磨加工缺陷区域的分割。本发明优化了区域生长算法中的相似性准则参数,提高了石材缺陷区域分割的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于视觉分析的石材打磨加工缺陷区域分割方法。
背景技术
石材打磨加工的主要目的是改善石材的外观、质感和性能,使其更适合于特定的用途,但是在石材打磨加工的过程可能由于使用不当的工具、磨料或者过于激烈的操作而导致石材表面出现划痕,会影响石材的整体外观,因此需要进行石材打磨的划痕缺陷区域进行识别分割。
在对石材打磨过程中出现的划痕的检测过程中可以区域生长算法进行划痕的缺陷检测,但是由于石材本身就有纹理,使得在通过区域生长算法过程中仍然使用像素点之间的灰度差异作为生长规则进行区域生长时,会将纹理误认为划痕区域,导致石材缺陷区域分割的准确性会降低。
发明内容
本发明提供基于视觉分析的石材打磨加工缺陷区域分割方法,以解决现有的问题。
本发明的基于视觉分析的石材打磨加工缺陷区域分割方法采用如下技术方案:
本发明一个实施例提供了基于视觉分析的石材打磨加工缺陷区域分割方法,该方法包括以下步骤:
采集石材打磨图像;
对石材打磨图像进行分割,获得石材打磨图像中的若干个连通域,获取每个连通域的最小外接矩形,获取石材打磨图像中每个像素点的局部窗口,根据每个连通域的最小外接矩形的长和宽之间的差异和每个像素点的局部窗口内所有像素点的灰度值的均值,获得每个像素点为划痕缺陷像素点的可能性;
根据每个像素点为划痕缺陷像素点的可能性、每个像素点的局部窗口内所有像素点的灰度分布、每个像素点的局部窗口内像素点的梯度幅值和梯度方向之间的差异,获得修正后每个像素点的邻域混乱程度;根据修正后每个像素点的邻域混乱程度获得所有的种子点,根据像素点为划痕缺陷像素点的可能性之间的差异、修正后像素点的邻域混乱程度之间的差异,获得任意两个像素点之间的相似程度;
根据种子点和任意两个像素点之间的相似程度进行石材打磨加工缺陷区域的分割。
进一步地,所述对石材打磨图像进行分割,获得石材打磨图像中的若干个连通域,包括的具体步骤如下:
对石材打磨图像通过大津阈值分割算法进行分割,获得若干个连通域。
进一步地,所述获取石材打磨图像中每个像素点的局部窗口,包括的具体步骤如下:
以石材打磨图像中任意一个像素点为局部窗口中心像素点,以为局部窗口大小,获得石材打磨图像中每个像素点的局部窗口;
其中,为预设参数。
进一步地,所述根据每个连通域的最小外接矩形的长和宽之间的差异和每个像素点的局部窗口内所有像素点的灰度值的均值,获得每个像素点为划痕缺陷像素点的可能性,包括的具体步骤如下:
将每个像素点对应的连通域的最小外接矩形的长和宽之间的比值,记为每个像素点的第一特征,将每个像素点的第一特征与每个像素点的局部窗口内所有像素点的灰度值的均值之间的乘积的结果,作为每个像素点为划痕缺陷像素点的可能性。
进一步地,所述修正后每个像素点的邻域混乱程度以及所述任意两个像素点之间的相似程度的具体获取步骤如下:
根据每个像素点的局部窗口内所有像素点的灰度值的方差、每个像素点的局部窗口内像素点的梯度幅值之间的差异、每个像素点的局部窗口内像素点为划痕缺陷像素点的可能性之间的差异,获得每个像素点的邻域混乱程度,根据每个像素点的梯度方向获得每个像素点的梯度夹角,根据每个像素点的局部窗口内像素点的梯度夹角之间的差异来对每个像素点的邻域混乱程度进行修正,获得修正后每个像素点的邻域混乱程度;
根据两个像素点为划痕缺陷像素点的可能性的差异和修正后像素点的邻域混乱程度的差异,获得任意两个像素点之间的相似程度。
进一步地,所述根据每个像素点的局部窗口内所有像素点的灰度值的方差、每个像素点的局部窗口内像素点的梯度幅值之间的差异、每个像素点的局部窗口内像素点为划痕缺陷像素点的可能性之间的差异,获得每个像素点的邻域混乱程度,包括的具体步骤如下:
将每个像素点的局部窗口内任意一个像素点为划痕缺陷像素点的可能性与中心像素点为划痕缺陷像素点的可能性之间差值的绝对值,记为每个像素点的局部窗口内任意一个像素点与中心像素点之间的第一数值;
将每个像素点的局部窗口内任意一个像素点的梯度幅值与中心像素点的梯度幅值之间差值的绝对值,记为每个像素点的局部窗口内任意一个像素点与中心像素点之间的第二数值;
将每个像素点的局部窗口内任意一个像素点与中心像素点之间的第一数值和第二数值之间的乘积,记为每个像素点的局部窗口内任意一个像素点与中心像素点之间的第三数值;
将每个像素点的局部窗口内所有像素点与中心像素点之间的第三数值的均值,记为每个像素点的第二特征;
将每个像素点的第二特征与每个像素点的局部窗口内的所有像素点的灰度值的方差之间乘积的结果,记为每个像素点的邻域混乱程度。
进一步地,所述根据每个像素点的梯度方向获得每个像素点的梯度夹角,根据每个像素点的局部窗口内像素点的梯度夹角之间的差异来对每个像素点的邻域混乱程度进行修正,获得修正后每个像素点的邻域混乱程度,包括的具体步骤如下:
以水平向右为目标方向,将每个像素点的梯度方向与目标方向之间的夹角记为每个像素点的梯度夹角;
将每个像素点的局部窗口内的任意一个像素点记为目标像素点,计算每个像素点的局部窗口内目标像素点的梯度夹角与除了目标像素点之外的所有像素点的梯度夹角之间差值的绝对值的均值,记为目标像素点的第四数值;
将每个像素点的局部窗口内所有像素点的第四数值的均值,记为每个像素点的第五数值;
将记为每个像素点的修正系数,将每个像素点的修正系数和每个像素点的邻域混乱程度之间的乘积结果,记为修正后每个像素点的邻域混乱程度;
其中,表示线性归一化函数。
进一步地,所述根据两个像素点为划痕缺陷像素点的可能性的差异和修正后像素点的邻域混乱程度的差异,获得任意两个像素点之间的相似程度,包括的具体步骤如下:
将任意两个像素点为划痕缺陷像素点的可能性之间的差值的绝对值,记为任意两个像素点之间的第三特征;将修正后任意两个像素点的邻域混乱程度之间的差值的绝对值,记为任意两个像素点之间的第四特征;
将任意两个像素点之间的第三特征和任意两个像素点之间的第四特征的乘积的结果,记为任意两个像素点之间的第五特征;
将作为任意两个像素点之间的相似程度。
进一步地,所述根据修正后每个像素点的邻域混乱程度获得所有的种子点,包括的具体步骤如下:
对修正后每个像素点的邻域混乱程度进行线性归一化,获得每个像素点的混乱度,将混乱度小于或者等于预设阈值B的所有像素点作为种子点。
进一步地,所述根据种子点和任意两个像素点之间的相似程度进行石材打磨加工缺陷区域的分割,包括的具体步骤如下:
根据种子点和每个像素点的八邻域中两个像素点之间的相似程度进行区域生长;当八邻域中的像素点与中心像素点之间的相似程度大于预设阈值U时,则进行生长,当八邻域中的任意一个像素点与中心像素点之间的相似程度都小于或者等于预设阈值U时,则停止生长,至此,区域生长结束,完成了石材打磨加工缺陷的分割。
本发明的技术方案的有益效果是:本发明根据每个连通域的最小外接矩形的长和宽之间的差异和每个像素点的局部窗口内所有像素点的灰度值的均值,获得每个像素点为划痕缺陷像素点的可能性,排除了纹理对划痕缺陷分析的影响;根据每个像素点为划痕缺陷像素点的可能性、每个像素点的局部窗口内所有像素点的灰度分布、每个像素点的局部窗口内像素点的梯度幅值和梯度方向之间的差异,获得所有的种子点和任意两个像素点之间的相似程度;根据种子点和任意两个像素点之间的相似程度进行石材打磨加工缺陷区域的分割,优化了区域生长算法中的相似性准则参数,提高了石材缺陷区域分割的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于视觉分析的石材打磨加工缺陷区域分割方法的步骤流程图;
图2为对石材打磨图像进行区域生长分割的流程图。
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基于视觉分析的石材打磨加工缺陷区域分割方法,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基于视觉分析的石材打磨加工缺陷区域分割方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于视觉分析的石材打磨加工缺陷区域分割方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集石材打磨图像。
需要说明的是,由于在石材打磨过程中会出现划痕,会影响石材的整体外观,因此需要进行石材打磨的划痕缺陷区域进行识别分割,所以需要采集石材打磨过程中的图像来进行划痕缺陷区域的分割。
具体地,采集石材打磨过程中的石材图像,然后对石材图像进行灰度化和高斯滤波去噪预处理,得到预处理后的石材打磨图像。
其中,灰度化和高斯滤波都为公知技术,此处不再进行具体赘述。
至此,得到石材打磨图像。
步骤S002:对石材打磨图像进行分割,获得石材打磨图像中的若干个连通域,获取每个连通域的最小外接矩形,获取石材打磨图像中每个像素点的局部窗口,根据每个连通域的最小外接矩形的长和宽之间的差异和每个像素点的局部窗口内所有像素点的灰度值的均值,获得每个像素点为划痕缺陷像素点的可能性。
需要说明的是,当石材打磨加工过程中出现划痕缺陷时,划痕缺陷区域的亮度会明显高于其他区域,即在石材打磨过程中划痕区域的灰度值会高于其他正常区域的灰度值,因此可以根据石材打磨图像中每个像素点的邻域范围内的像素点的灰度值来进行分析每个像素点为划痕缺陷区域像素点的可能性。
进一步需要说明的是,由于划痕缺陷区域的形状更偏向于长条形状,因此可以先通过阈值分割将划痕缺陷区域和正常区域的连通域划分出来,根据每个连通域的形状是否趋近于长条形状来获取石材打磨图像中每个像素点是划痕缺陷像素点的可能性。
具体地,先对石材打磨图像通过大津阈值分割算法进行分割,获得若干个连通域;其中,大津阈值分割算法为公知技术,此处不再进行具体赘述。对每个连通域作最小外接矩形,将每个最小外接矩形中最短的边作为最小外接矩形的宽,将每个最小外接矩形中最长的边作为最小外接矩形的长。
预设一个参数A,其中本实施例以A=5为例进行叙述,本实施例不进行具体限定,其中A可根据具体实施情况而定。以石材打磨图像中任意一个像素点为局部窗口中心像素点,以为局部窗口大小,获得石材打磨图像中每个像素点的局部窗口。
根据石材打磨图像中每个像素点的局部窗口内像素点的灰度分布,和每个像素点对应的连通域的最小外接矩形的长和宽之间的差异,获得石材打磨图像中每个像素点为划痕缺陷像素点的可能性,作为一种实施例,具体计算方法为:
式中,表示第/>个像素点的局部窗口内第/>个像素点的灰度值,/>表示每个像素点的局部窗口内所有像素点的个数,/>表示第/>个像素点对应的连通域的最小外接矩形的长,/>表示第/>个像素点对应的连通域的最小外接矩形的宽,/>表示第/>个像素点为划痕缺陷像素点的可能性。
其中,表示石材打磨图像中每个像素点对应的连通域的最小外接矩形的长和宽之间的比值,当该比值越大,表示该像素点对应的连通域的形状更趋近于长条形状,即该像素点为划痕缺陷像素点的可能性越大;当该比值越小,表示该像素点对应的连通域的形状不太趋近于长条形状,即该像素点为划痕缺陷像素点的可能性越小。/>表示石材打磨图像中每个像素点的局部窗口内所有像素点的灰度值的均值,当该均值越大,表示该像素点的局部窗口内更亮,即该像素点为划痕缺陷像素点的可能性越大;当该均值越小,表示该像素点的局部窗口内更暗,即该像素点为划痕缺陷像素点的可能性越小。
至此,得到每个像素点为划痕缺陷像素点的可能性。
步骤S003:根据每个像素点的局部窗口内所有像素点的灰度值的方差、每个像素点的局部窗口内像素点的梯度幅值之间的差异、每个像素点的局部窗口内像素点为划痕缺陷像素点的可能性之间的差异,获得每个像素点的邻域混乱程度,根据每个像素点的梯度方向获得每个像素点的梯度夹角,根据每个像素点的局部窗口内像素点的梯度夹角之间的差异来对每个像素点的邻域混乱程度进行修正,获得修正后每个像素点的邻域混乱程度。
需要说明的是,由于石材打磨过程中的划痕是具有一定连续性的,则在一个划痕区域内像素点的梯度幅值的差异较小,因此可以根据每个像素点的邻域内像素点的梯度幅值的差异来对每个像素点邻域内像素点的混乱程度进行分析。
进一步需要说明的是,当每个像素点的邻域内像素点为划痕缺陷像素点的可能性之间的差异越小,表示每个像素点的邻域内的像素点更趋近于同一个区域的像素点,即在差异越小时,邻域内的像素点可能都为划痕缺陷区域,或者都为正常区域,因此也可以根据每个像素点的邻域内像素点为划痕缺陷像素点的可能性之间的差异进行分析。
具体地,先根据soble算子获取石材打磨图像中每个像素点的梯度幅值和梯度方向;其中,用soble算子获取每个像素点的梯度幅值和梯度方向的过程为公知技术,此处不再进行具体赘述。
根据石材打磨图像中每个像素点的局部窗口内所有像素点的灰度值的方差、每个像素点的局部窗口内像素点的梯度幅值之间的差异、每个像素点的局部窗口内像素点为划痕缺陷像素点的可能性之间的差异,获得每个像素点的邻域混乱程度,作为一种实施例,具体计算方法为:
式中,表示第/>个像素点的局部窗口内的所有像素点的灰度值的方差,/>表示第个像素点为划痕缺陷像素点的可能性,/>表示第/>个像素点的局部窗口内第/>个像素点为划痕缺陷像素点的可能性,/>表示第/>个像素点的梯度幅值,/>表示第/>个像素点的局部窗口内第/>个像素点的梯度幅值,/>为绝对值符号,/>表示每个像素点的局部窗口内所有像素点的个数,/>表示第/>个像素点的邻域混乱程度。
其中,表示每个像素点的局部窗口内像素点的梯度幅值之间的差异和像素点为划痕缺陷像素点的可能性之间的差异的乘积,当差异的乘积越大,表示该像素点的局部窗口内的像素点越混乱,即是同一个区域的可能性越小;当差异的乘积越小,表示该像素点的局部窗口内的像素点越有序,即是同一个区域的可能性越大。当每个像素点的局部窗口内所有像素点的灰度值的方差越小,表示该像素点越有序,即在邻域内的像素点的混乱程度越小;当每个像素点的局部窗口内所有像素点的灰度值的方差越大,表示该像素点的邻域内的像素点的混乱程度越大。其中,差异表示差值的绝对值。
需要说明的是,由于石材打磨过程中的划痕是连续的,因此划痕区域内的像素点的灰度值的差异较小,且划痕区域内的像素点的梯度方向比较统一,因此可以根据像素点的梯度方向之间的差异来对每个像素点的邻域混乱程度进行修正。
具体地,以水平向右为目标方向,将每个像素点的梯度方向与目标方向之间的夹角记为每个像素点的梯度夹角,根据每个像素点的局部窗口内像素点的梯度夹角之间的差异来对每个像素点的邻域混乱程度进行修正,获得修正后每个像素点的邻域混乱程度,作为一种实施例,具体计算方法为:
式中,表示第/>个像素点的局部窗口内第/>个像素点的梯度夹角,/>表示第/>个像素点的局部窗口内第/>个像素点的梯度夹角,/>表示第/>个像素点的邻域混乱程度,/>表示每个像素点的局部窗口内所有像素点的个数,/>为绝对值符号,/>表示修正后第/>个像素点的邻域混乱程度,/>表示线性归一化函数。
其中,表示每个像素点的局部窗口内任意两个像素点的梯度夹角之间差异的均值,当该均值越大,表示每个像素点的邻域内的像素点的梯度方向越不统一,即对每个像素点的邻域混乱程度越大,因此需要修正的程度也越大;当该均值越小,表示每个像素点的邻域内的像素点的梯度方向越统一,即对每个像素点的邻域混乱程度越小,因此需要修正的程度也越小。
至此,得到修正后每个像素点的邻域混乱程度。
步骤S004:根据修正后每个像素点的邻域混乱程度获得所有的种子点,根据像素点为划痕缺陷像素点的可能性之间的差异、修正后像素点的邻域混乱程度之间的差异,获得任意两个像素点之间的相似程度,根据种子点和任意两个像素点之间的相似程度进行石材打磨加工缺陷区域的分割。
需要说明的是,当修正后每个像素点的邻域混乱程度越大,则所述像素点在划痕区域和正常区域中间的可能性越大,所述像素点作为种子点进行区域生长时效果不佳;当修正后每个像素点的邻域混乱程度越小,则所述像素点在划痕区域或者正常区域的正中间的可能性越大,所述像素点作为种子点进行区域生长时效果最佳。
具体地,预设一个阈值B,其中本实施例以B=0.1为例进行叙述,本实施例不进行具体限定,其中B可根据具体实施情况而定。对修正后每个像素点的邻域混乱程度进行线性归一化,获得每个像素点的混乱度,将混乱度小于或者等于预设阈值B的所有像素点作为种子点。
需要说明的是,当每个像素点的八邻域中的任意一个像素点和中心像素点为划痕缺陷像素点的可能性之间的差异越小,表示两个像素点越相似,则为同一个区域的可能性越大;当每个像素点的八邻域中的任意一个像素点和中心像素点为划痕缺陷像素点的可能性之间的差异越大,表示两个像素点越不相似,则为同一个区域的可能性越小。当修正后的两个像素点的邻域混乱程度之间的差异越小,表示两个像素点越相似,则为同一个区域的可能性越大;当修正后的两个像素点的邻域混乱程度之间的差异越大,表示两个像素点越不相似,则为同一个区域的可能性越小。因此可以根据两个像素点为划痕缺陷像素点的可能性的差异和修正后像素点的邻域混乱程度的差异来分析处石材打磨图像中两个像素点的相似程度。
根据两个像素点为划痕缺陷像素点的可能性的差异和修正后像素点的邻域混乱程度的差异,获得任意两个像素点之间的相似程度,作为一种实施例,具体计算方法为:
式中,表示第/>个像素点为划痕缺陷像素点的可能性,/>表示第/>个像素点为划痕缺陷像素点的可能性,/>表示修正后第/>个像素点的邻域混乱程度,/>表示修正后第个像素点的邻域混乱程度,/>为绝对值符号,/>表示以自然常数为底的指数函数,表示第/>个像素点和第/>个像素点之间的相似程度。
其中,表示任意两个像素点为划痕缺陷像素点的可能性之间的差异和修正后任意两个像素点的邻域混乱程度的差异乘积,当该差异的乘积越大,表示两个像素点之间的相似程度越低;当该差异的乘积越小,表示两个像素点之间的相似程度越高。
预设一个阈值U,其中本实施例以U=0.5为例进行叙述,本实施例不进行具体限定,其中U可根据具体实施情况而定。根据种子点和每个像素点的八邻域中两个像素点之间的相似程度进行区域生长;当八邻域中的像素点与中心像素点之间的相似程度大于预设阈值U时,则进行生长,当八邻域中的任意一个像素点与中心像素点之间的相似程度都小于或者等于预设阈值U时,则停止生长,至此,区域生长结束,完成了石材打磨加工缺陷的分割;其石材打磨加工缺陷区域分割的过程如图2所示。
至此,本实施例完成。
需要说明的是,本实施例中所用的模型仅用于表示负相关关系和约束模型输出的结果处于/>区间内,具体实施时,可替换成具有同样目的的其他模型,本实施例只是以/>模型为例进行叙述,不对其做具体限定,其中/>是指该模型的输入。
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 (6)
1.基于视觉分析的石材打磨加工缺陷区域分割方法,其特征在于,该方法包括以下步骤:
采集石材打磨图像;
对石材打磨图像进行分割,获得石材打磨图像中的若干个连通域,获取每个连通域的最小外接矩形,获取石材打磨图像中每个像素点的局部窗口,根据每个连通域的最小外接矩形的长和宽之间的差异和每个像素点的局部窗口内所有像素点的灰度值的均值,获得每个像素点为划痕缺陷像素点的可能性;
根据每个像素点为划痕缺陷像素点的可能性、每个像素点的局部窗口内所有像素点的灰度分布、每个像素点的局部窗口内像素点的梯度幅值和梯度方向之间的差异,获得修正后每个像素点的邻域混乱程度;根据修正后每个像素点的邻域混乱程度获得所有的种子点,根据像素点为划痕缺陷像素点的可能性之间的差异、修正后像素点的邻域混乱程度之间的差异,获得任意两个像素点之间的相似程度;
根据种子点和任意两个像素点之间的相似程度进行石材打磨加工缺陷区域的分割;
其中,所述修正后每个像素点的邻域混乱程度以及所述任意两个像素点之间的相似程度的具体获取步骤如下:根据每个像素点的局部窗口内所有像素点的灰度值的方差、每个像素点的局部窗口内像素点的梯度幅值之间的差异、每个像素点的局部窗口内像素点为划痕缺陷像素点的可能性之间的差异,获得每个像素点的邻域混乱程度,根据每个像素点的梯度方向获得每个像素点的梯度夹角,根据每个像素点的局部窗口内像素点的梯度夹角之间的差异来对每个像素点的邻域混乱程度进行修正,获得修正后每个像素点的邻域混乱程度;根据两个像素点为划痕缺陷像素点的可能性的差异和修正后像素点的邻域混乱程度的差异,获得任意两个像素点之间的相似程度;
其中,所述根据每个像素点的局部窗口内所有像素点的灰度值的方差、每个像素点的局部窗口内像素点的梯度幅值之间的差异、每个像素点的局部窗口内像素点为划痕缺陷像素点的可能性之间的差异,获得每个像素点的邻域混乱程度,包括的具体步骤如下:将每个像素点的局部窗口内任意一个像素点为划痕缺陷像素点的可能性与中心像素点为划痕缺陷像素点的可能性之间差值的绝对值,记为每个像素点的局部窗口内任意一个像素点与中心像素点之间的第一数值;
将每个像素点的局部窗口内任意一个像素点的梯度幅值与中心像素点的梯度幅值之间差值的绝对值,记为每个像素点的局部窗口内任意一个像素点与中心像素点之间的第二数值;
将每个像素点的局部窗口内任意一个像素点与中心像素点之间的第一数值和第二数值之间的乘积,记为每个像素点的局部窗口内任意一个像素点与中心像素点之间的第三数值;
将每个像素点的局部窗口内所有像素点与中心像素点之间的第三数值的均值,记为每个像素点的第二特征;
将每个像素点的第二特征与每个像素点的局部窗口内的所有像素点的灰度值的方差之间乘积的结果,记为每个像素点的邻域混乱程度;
其中,所述根据每个像素点的梯度方向获得每个像素点的梯度夹角,根据每个像素点的局部窗口内像素点的梯度夹角之间的差异来对每个像素点的邻域混乱程度进行修正,获得修正后每个像素点的邻域混乱程度,包括的具体步骤如下:
以水平向右为目标方向,将每个像素点的梯度方向与目标方向之间的夹角记为每个像素点的梯度夹角;
将每个像素点的局部窗口内的任意一个像素点记为目标像素点,计算每个像素点的局部窗口内目标像素点的梯度夹角与除了目标像素点之外的所有像素点的梯度夹角之间差值的绝对值的均值,记为目标像素点的第四数值;
将每个像素点的局部窗口内所有像素点的第四数值的均值,记为每个像素点的第五数值;
将记为每个像素点的修正系数,将每个像素点的修正系数和每个像素点的邻域混乱程度之间的乘积结果,记为修正后每个像素点的邻域混乱程度;
其中,表示线性归一化函数;
其中,所述根据两个像素点为划痕缺陷像素点的可能性的差异和修正后像素点的邻域混乱程度的差异,获得任意两个像素点之间的相似程度,包括的具体步骤如下:
将任意两个像素点为划痕缺陷像素点的可能性之间的差值的绝对值,记为任意两个像素点之间的第三特征;将修正后任意两个像素点的邻域混乱程度之间的差值的绝对值,记为任意两个像素点之间的第四特征;
将任意两个像素点之间的第三特征和任意两个像素点之间的第四特征的乘积的结果,记为任意两个像素点之间的第五特征;
将作为任意两个像素点之间的相似程度。
2.根据权利要求1所述基于视觉分析的石材打磨加工缺陷区域分割方法,其特征在于,所述对石材打磨图像进行分割,获得石材打磨图像中的若干个连通域,包括的具体步骤如下:
对石材打磨图像通过大津阈值分割算法进行分割,获得若干个连通域。
3.根据权利要求1所述基于视觉分析的石材打磨加工缺陷区域分割方法,其特征在于,所述获取石材打磨图像中每个像素点的局部窗口,包括的具体步骤如下:
以石材打磨图像中任意一个像素点为局部窗口中心像素点,以为局部窗口大小,获得石材打磨图像中每个像素点的局部窗口;
其中,为预设参数。
4.根据权利要求1所述基于视觉分析的石材打磨加工缺陷区域分割方法,其特征在于,所述根据每个连通域的最小外接矩形的长和宽之间的差异和每个像素点的局部窗口内所有像素点的灰度值的均值,获得每个像素点为划痕缺陷像素点的可能性,包括的具体步骤如下:
将每个像素点对应的连通域的最小外接矩形的长和宽之间的比值,记为每个像素点的第一特征,将每个像素点的第一特征与每个像素点的局部窗口内所有像素点的灰度值的均值之间的乘积的结果,作为每个像素点为划痕缺陷像素点的可能性。
5.根据权利要求1所述基于视觉分析的石材打磨加工缺陷区域分割方法,其特征在于,所述根据修正后每个像素点的邻域混乱程度获得所有的种子点,包括的具体步骤如下:
对修正后每个像素点的邻域混乱程度进行线性归一化,获得每个像素点的混乱度,将混乱度小于或者等于预设阈值B的所有像素点作为种子点。
6.根据权利要求1所述基于视觉分析的石材打磨加工缺陷区域分割方法,其特征在于,所述根据种子点和任意两个像素点之间的相似程度进行石材打磨加工缺陷区域的分割,包括的具体步骤如下:
根据种子点和每个像素点的八邻域中两个像素点之间的相似程度进行区域生长;当八邻域中的像素点与中心像素点之间的相似程度大于预设阈值U时,则进行生长,当八邻域中的任意一个像素点与中心像素点之间的相似程度都小于或者等于预设阈值U时,则停止生长,至此,区域生长结束,完成了石材打磨加工缺陷的分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410186629.3A CN117745724B (zh) | 2024-02-20 | 2024-02-20 | 基于视觉分析的石材打磨加工缺陷区域分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410186629.3A CN117745724B (zh) | 2024-02-20 | 2024-02-20 | 基于视觉分析的石材打磨加工缺陷区域分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117745724A CN117745724A (zh) | 2024-03-22 |
CN117745724B true CN117745724B (zh) | 2024-04-26 |
Family
ID=90261268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410186629.3A Active CN117745724B (zh) | 2024-02-20 | 2024-02-20 | 基于视觉分析的石材打磨加工缺陷区域分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117745724B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117974656B (zh) * | 2024-03-29 | 2024-07-12 | 深圳市众翔奕精密科技有限公司 | 基于电子辅料加工下的材料切片方法及系统 |
CN118225803B (zh) * | 2024-05-27 | 2024-07-23 | 山东聚宁机械有限公司 | 一种推土机刀片表面外观视觉检测方法 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1491879A2 (de) * | 2003-06-10 | 2004-12-29 | hema electronic GmbH | Verfahren zur adaptiven Fehlererkennung auf einer strukturierten Oberfläche |
JP2007147442A (ja) * | 2005-11-28 | 2007-06-14 | Meinan Mach Works Inc | 木材の検査方法及び装置及びプログラム |
WO2008066055A1 (fr) * | 2006-11-29 | 2008-06-05 | Sharp Kabushiki Kaisha | Dispositif de détection de défaut linéaire, dispositif de fabrication de substrat semi-conducteur, procédé de détection de défaut linéaire, procédé de fabrication de substrat semi-conducteur, programme pour amener un ordinateur à fonctionner en tant que d |
WO2021012735A1 (zh) * | 2019-07-25 | 2021-01-28 | 研祥智能科技股份有限公司 | 屏幕显示缺陷的检测方法及系统 |
WO2021147385A1 (zh) * | 2020-01-21 | 2021-07-29 | 上海万物新生环保科技集团有限公司 | 屏幕检测方法及装置 |
WO2022065621A1 (ko) * | 2020-09-28 | 2022-03-31 | (주)미래융합정보기술 | 제품 결함 이미지 원격 학습을 통한 비전 검사 시스템 |
CN216883202U (zh) * | 2022-03-08 | 2022-07-05 | 高唐县瑞景精密机械有限公司 | 一种花岗石弧形打磨设备 |
WO2022170706A1 (zh) * | 2021-02-09 | 2022-08-18 | 广东拓斯达科技股份有限公司 | 用于模具监视的缺陷检测方法、装置、设备及介质 |
CN114998350A (zh) * | 2022-08-04 | 2022-09-02 | 山东泗水泰和石材有限公司 | 基于图像处理的石材缺陷检测方法 |
CN115272335A (zh) * | 2022-09-29 | 2022-11-01 | 江苏万森绿建装配式建筑有限公司 | 基于显著性检测的冶金金属表面缺陷检测方法 |
CN116452598A (zh) * | 2023-06-20 | 2023-07-18 | 曼德惟尔(山东)智能制造有限公司 | 基于计算机视觉的车桥生产质量快速检测方法及系统 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
WO2023134793A2 (zh) * | 2022-12-13 | 2023-07-20 | 苏州迈创信息技术有限公司 | 基于机器视觉机床零件在线检测方法 |
CN116645373A (zh) * | 2023-07-27 | 2023-08-25 | 济宁名居木业有限公司 | 一种木材表面缺陷识别方法 |
CN116703251A (zh) * | 2023-08-08 | 2023-09-05 | 德润杰(山东)纺织科技有限公司 | 基于人工智能的胶圈生产质量检测方法 |
CN116740070A (zh) * | 2023-08-15 | 2023-09-12 | 青岛宇通管业有限公司 | 基于机器视觉的塑料管道外观缺陷检测方法 |
CN117132844A (zh) * | 2023-10-27 | 2023-11-28 | 江苏惠汕新能源集团有限公司 | 一种基于图像处理的光伏板裂纹与划痕的分类方法 |
CN117173189A (zh) * | 2023-11-03 | 2023-12-05 | 南通江华机械有限公司 | 一种铝合金表面抛光效果视觉检测系统 |
CN117173184A (zh) * | 2023-11-03 | 2023-12-05 | 济宁市市政园林养护中心 | 基于人工智能的道路施工质量检测方法及系统 |
CN117197140A (zh) * | 2023-11-07 | 2023-12-08 | 东莞市恒兴隆实业有限公司 | 基于机器视觉的不规则金属扣成型检测方法 |
CN117392469A (zh) * | 2023-12-11 | 2024-01-12 | 深圳市丰源升科技有限公司 | 基于机器视觉的钙钛矿电池表面涂膜检测方法及系统 |
CN117408995A (zh) * | 2023-12-11 | 2024-01-16 | 东莞市时实电子有限公司 | 基于多特征融合的电源适配器外观质量检测方法 |
-
2024
- 2024-02-20 CN CN202410186629.3A patent/CN117745724B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1491879A2 (de) * | 2003-06-10 | 2004-12-29 | hema electronic GmbH | Verfahren zur adaptiven Fehlererkennung auf einer strukturierten Oberfläche |
JP2007147442A (ja) * | 2005-11-28 | 2007-06-14 | Meinan Mach Works Inc | 木材の検査方法及び装置及びプログラム |
WO2008066055A1 (fr) * | 2006-11-29 | 2008-06-05 | Sharp Kabushiki Kaisha | Dispositif de détection de défaut linéaire, dispositif de fabrication de substrat semi-conducteur, procédé de détection de défaut linéaire, procédé de fabrication de substrat semi-conducteur, programme pour amener un ordinateur à fonctionner en tant que d |
WO2021012735A1 (zh) * | 2019-07-25 | 2021-01-28 | 研祥智能科技股份有限公司 | 屏幕显示缺陷的检测方法及系统 |
WO2021147385A1 (zh) * | 2020-01-21 | 2021-07-29 | 上海万物新生环保科技集团有限公司 | 屏幕检测方法及装置 |
WO2022065621A1 (ko) * | 2020-09-28 | 2022-03-31 | (주)미래융합정보기술 | 제품 결함 이미지 원격 학습을 통한 비전 검사 시스템 |
WO2022170706A1 (zh) * | 2021-02-09 | 2022-08-18 | 广东拓斯达科技股份有限公司 | 用于模具监视的缺陷检测方法、装置、设备及介质 |
CN216883202U (zh) * | 2022-03-08 | 2022-07-05 | 高唐县瑞景精密机械有限公司 | 一种花岗石弧形打磨设备 |
CN114998350A (zh) * | 2022-08-04 | 2022-09-02 | 山东泗水泰和石材有限公司 | 基于图像处理的石材缺陷检测方法 |
CN115272335A (zh) * | 2022-09-29 | 2022-11-01 | 江苏万森绿建装配式建筑有限公司 | 基于显著性检测的冶金金属表面缺陷检测方法 |
WO2023134793A2 (zh) * | 2022-12-13 | 2023-07-20 | 苏州迈创信息技术有限公司 | 基于机器视觉机床零件在线检测方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
CN116452598A (zh) * | 2023-06-20 | 2023-07-18 | 曼德惟尔(山东)智能制造有限公司 | 基于计算机视觉的车桥生产质量快速检测方法及系统 |
CN116645373A (zh) * | 2023-07-27 | 2023-08-25 | 济宁名居木业有限公司 | 一种木材表面缺陷识别方法 |
CN116703251A (zh) * | 2023-08-08 | 2023-09-05 | 德润杰(山东)纺织科技有限公司 | 基于人工智能的胶圈生产质量检测方法 |
CN116740070A (zh) * | 2023-08-15 | 2023-09-12 | 青岛宇通管业有限公司 | 基于机器视觉的塑料管道外观缺陷检测方法 |
CN117132844A (zh) * | 2023-10-27 | 2023-11-28 | 江苏惠汕新能源集团有限公司 | 一种基于图像处理的光伏板裂纹与划痕的分类方法 |
CN117173189A (zh) * | 2023-11-03 | 2023-12-05 | 南通江华机械有限公司 | 一种铝合金表面抛光效果视觉检测系统 |
CN117173184A (zh) * | 2023-11-03 | 2023-12-05 | 济宁市市政园林养护中心 | 基于人工智能的道路施工质量检测方法及系统 |
CN117197140A (zh) * | 2023-11-07 | 2023-12-08 | 东莞市恒兴隆实业有限公司 | 基于机器视觉的不规则金属扣成型检测方法 |
CN117392469A (zh) * | 2023-12-11 | 2024-01-12 | 深圳市丰源升科技有限公司 | 基于机器视觉的钙钛矿电池表面涂膜检测方法及系统 |
CN117408995A (zh) * | 2023-12-11 | 2024-01-16 | 东莞市时实电子有限公司 | 基于多特征融合的电源适配器外观质量检测方法 |
Non-Patent Citations (4)
Title |
---|
基于5×5邻域像素点相关性的划痕修复算法;徐敏;丁友东;于冰;李畅;吴彪;张婉莹;;上海大学学报(自然科学版);20181031(05);正文全文 * |
基于灰度共生矩阵的木材表面缺陷图像的纹理分割方法;白雪冰;王科俊;邹丽晖;;东北林业大学学报;20081225(12);正文全文 * |
基于颜色直方图和LBP-TD算子的木板材节疤缺陷区域检测;杜晓晨;尹建新;祁亨年;冯海林;;北京林业大学学报;20120515(03);正文全文 * |
白雪冰 ; 王科俊 ; 邹丽晖 ; .基于灰度共生矩阵的木材表面缺陷图像的纹理分割方法.东北林业大学学报.2008,(12),正文全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117745724A (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117745724B (zh) | 基于视觉分析的石材打磨加工缺陷区域分割方法 | |
CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
CN115272319B (zh) | 一种矿石粒度检测方法 | |
CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
CN116740070A (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN116152262B (zh) | 一种离子性中间膜外观缺陷检测方法 | |
CN113506246B (zh) | 基于机器视觉的混凝土3d打印构件精细检测方法 | |
CN117635609B (zh) | 一种塑胶产品生产质量视觉检测方法 | |
CN116703251B (zh) | 基于人工智能的胶圈生产质量检测方法 | |
CN115937216A (zh) | 一种新能源汽车用磁转子外观质量检测方法 | |
CN115511907B (zh) | 一种用于led屏幕的划痕检测方法 | |
CN111754538A (zh) | Usb表面缺陷检测的阈值分割方法 | |
CN115861313A (zh) | 一种用于磨头的磨损检测方法 | |
CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
CN117541605B (zh) | 一种钢结构锈蚀图像区域快速分割方法 | |
CN113763404B (zh) | 基于优化标记和边缘约束分水岭算法的泡沫图像分割方法 | |
CN115994870A (zh) | 一种用于增强去噪的图像处理方法 | |
CN117522864B (zh) | 基于机器视觉的欧松板表面瑕疵检测方法 | |
CN116823827B (zh) | 一种基于图像处理的矿石粉碎效果评价方法 | |
CN104268845A (zh) | 极值温差短波红外图像的自适应双局部增强方法 | |
CN116485787B (zh) | 一种数据线成型外模外观缺陷检测方法 | |
CN116703930B (zh) | 一种汽车后视镜模具成型检测方法 | |
CN118096740B (zh) | 一种基于人工智能的橡胶缺陷检测方法 |
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 |