CN117808801A - 一种钢针排针植入视觉检测方法及系统 - Google Patents
一种钢针排针植入视觉检测方法及系统 Download PDFInfo
- Publication number
- CN117808801A CN117808801A CN202410223946.8A CN202410223946A CN117808801A CN 117808801 A CN117808801 A CN 117808801A CN 202410223946 A CN202410223946 A CN 202410223946A CN 117808801 A CN117808801 A CN 117808801A
- Authority
- CN
- China
- Prior art keywords
- image
- steel needle
- detected
- abnormal
- evaluation
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 134
- 239000010959 steel Substances 0.000 title claims abstract description 134
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000002513 implantation Methods 0.000 title claims abstract description 25
- 230000000007 visual effect Effects 0.000 title abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 90
- 230000002159 abnormal effect Effects 0.000 claims abstract description 89
- 230000005856 abnormality Effects 0.000 claims abstract description 49
- 230000008722 morphological abnormality Effects 0.000 claims abstract description 20
- 230000000877 morphologic effect Effects 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 42
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000011179 visual inspection Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 9
- 230000002950 deficient Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Classifications
-
- 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
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及异常样本识别技术领域，具体涉及一种钢针排针植入视觉检测方法及系统。该方法根据绝缘塑胶连通域的分布特征，获得每个排针样本图像中的多个待测图像；每个待测图像包括多个钢针连通域；根据每个待测图像中不同钢针连通域的方向特征和长度特征，获得每个待测图像的相对分布异常评价；根据每个待测图像中不同钢针连通域的边缘形态特征，获得每个待测图像的形态异常评价；进一步获得每个待测图像的综合异常评价；筛选出疑似异常排针样本图像；对排针样本进行异常检测。本发明通过获得可能存在异常的排针样本，减小大量冗余识别成本，提高异常识别的准确率与效率。
Description
技术领域
本发明涉及异常样本识别技术领域，具体涉及一种钢针排针植入视觉检测方法及系统。
背景技术
在工业制造中，排针通常是将针状物按照一定的顺序或排列方式进行布置或者组装后的机械工具。通过实时监测排针的制造过程，可以精准地识别异常和缺陷，有助于提高产品质量，及时对残次品采取纠正措施，提高整体生产效率。因此，需要对排针中的残次品进行检测。
现有技术中，基于视觉图像对钢针排针进行残次品检测时，一般将生产线上所有的排针样本图像直接输入神经网络进行异常缺陷识别，但由于存在异常缺陷的排针在总体产品批次中所占比例较小，未能获取可能存在异常的排针样本，直接将所有的排针样本输入神经网络中，会产生大量的冗余识别样本，导致异常识别的准确率和效率较差。
发明内容
为了解决未能获取可能存在异常的排针样本，导致异常识别的准确率和效率较差的技术问题，本发明的目的在于提供一种钢针排针植入视觉检测方法及系统，所采用的技术方案具体如下：
本发明提出了一种钢针排针植入视觉检测方法，所述方法包括：
获取排针样本图像；所述排针样本图像包括绝缘塑胶连通域和钢针连通域；
根据所述绝缘塑胶连通域的分布特征，获得每个排针样本图像中的多个待测图像；每个所述待测图像包括多个钢针连通域；根据每个待测图像中不同钢针连通域的方向特征和长度特征，获得每个待测图像的相对分布异常评价；根据每个待测图像中不同钢针连通域的边缘形态特征，获得每个待测图像的形态异常评价；
根据每个待测图像的所述相对分布异常评价和所述形态异常评价，获得每个待测图像的综合异常评价；根据每个排针样本图像中每个待测图像的所述综合异常评价筛选出疑似异常排针样本图像；
根据所述疑似异常排针样本图像对排针样本进行异常检测。
进一步地，所述绝缘塑胶连通域的获取方法包括：
采用连通域检测算法获得每个排针样本图像的多个连通域；
获取绝缘塑胶连通域的先验标准灰度值；计算每个连通域内像素灰度值的平均值，作为第一灰度值；将所有所述第一灰度值中与所述先验标准灰度值差异最小对应的连通域，作为绝缘塑胶连通域。
进一步地，所述待测图像的获取方法包括：
采用PCA算法获得每个绝缘塑胶连通域的最大主成分向量；
延长每个所述最大主成分向量至与排针样本图像的边缘相交，将对应的线段作为分割线，获得多条分割线；
去除每个排针样本图像中的绝缘塑胶连通域，并使用分割线将排针样本图像分割，获得多个待测图像。
进一步地，所述相对分布异常评价的获取方法包括：
采用PCA算法获得每个钢针连通域的主成分向量；
获取每个钢针连通域的最小外接矩形，将所述最小外接矩形中最大边长作为每个钢针连通域的长度；
根据所述相对分布异常评价的获取公式获得相对分布异常评价，相对分布异常评价的获取公式为：
；其中，/>表示每个待测图像的相对分布异常评价；/>为钢针连通域/>的最大主成分向量；/>表示钢针连通域/>的相邻钢针连通域的最大主成分向量；/>表示钢针连通域/>与相邻钢针连通域/>之间最大主成分向量的方向夹角的余弦值；/>表示钢针连通域/>的长度；/>表示钢针连通域/>的相邻钢针连通域/>的长度；/>表示每个待测图像中钢针连通域的数量；/>表示取绝对值。
进一步地，所述形态异常评价的获取方法包括：
在每个待测图像中，使用8方向链码对每个钢针连通域的边缘像素点进行连接，计算每个相邻链码之间的夹角，并进行余弦变换，获得链码夹角余弦值；
计算所述链码夹角余弦值与预设常数之和，作为第一特征值；将每个钢针连通域中所有所述第一特征值求均值，作为边缘特征值；
计算每个待测图像中所有相邻钢针连通域之间边缘特征值的差异，并将差异结果求均值，获得每个待测图像的形态异常评价。
进一步地，所述综合异常评价的获取方法包括：
计算每个待测图像的所述相对分布异常评价和所述形态异常评价的乘积，并进行归一化，获得每个待测图像的综合异常评价。
进一步地，所述疑似异常排针样本图像的获取方法包括：
若排针样本图像中存在待测图像的所述综合异常评价大于或者等于预设异常阈值，将排针样本图像作为疑似异常排针样本图像。
进一步地，所述根据所述疑似异常排针样本图像对排针样本进行异常检测包括：
将所有所述疑似异常排针样本图像输入到预设神经网络中进行异常检测，输出带标签的排针样本图像；将标签为二值数字0的排针样本图像，作为实际异常排针样本图像。
进一步地，所述预设异常阈值为0.8。
本发明还提出了一种钢针排针植入视觉检测系统，包括存储器、处理器以及存储在所述存储器中并可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，实现任意一项所述一种钢针排针植入视觉检测方法的步骤。
本发明具有如下有益效果：
本发明获取排针样本图像；排针样本图像包括绝缘塑胶连通域和钢针连通域，识别出图像中的两个主要区域，有助于后续针对不同区域进行特征提取和异常检测；根据绝缘塑胶连通域的分布特征，获得每个排针样本图像中的多个待测图像，有助于对每个区域进行单独处理和分析，提高处理的精确度和针对性；每个待测图像包括多个钢针连通域；根据每个待测图像中不同钢针连通域的方向特征和长度特征，获得每个待测图像的相对分布异常评价，评价钢针的排列出现钢针排列歪斜、上下不能平齐的异常程度；根据每个待测图像中不同钢针连通域的边缘形态特征，获得每个待测图像的形态异常评价，评价存在部分钢针的针尖朝向不统一的异常程度；进一步获得每个待测图像的综合异常评价，使得异常检测更为准确和全面；根据每个排针样本图像中每个待测图像的综合异常评价筛选出疑似异常排针样本图像，缩减识别的样本数据量，避免了误判或漏判的情况；对排针样本进行异常检测，全面地评估所有排针样本的状态。本发明通过获得可能存在异常的排针样本，减小大量冗余识别成本，提高异常识别的准确率与效率。
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为本发明一个实施例所提供的一种钢针排针植入视觉检测方法的流程图；
图2为本发明一个实施例所提供的一种钢针不同排列分布的示意图；
图3为本发明一个实施例所提供的一种针尖不同朝向情况的示意图。
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一种钢针排针植入视觉检测方法及系统，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钢针排针植入视觉检测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种钢针排针植入视觉检测方法的流程图，具体方法包括：
步骤S1：获取排针样本图像；排针样本图像包括绝缘塑胶连通域和钢针连通域。
在本发明的实施例中，考虑到在排针制造过程中，由于机器参数设置不当或模具老化等因素会导致排针存在偏移、参差不齐等缺陷残次品，为了对残次品迅速采取纠正措施，精确的识别异常和缺陷，以提高整体生产效率，首先布设采集装置：将高分辨率摄像机固定于传送带正上方，将排针放于匀速传送带上，保证每个排针样本水平放置且整体针尖朝向相同，对生产线上的钢针排针样本进行拍摄采集，使得拍摄可以得到完整的排针样本图像。
在本发明的一个实施例中，为了方便后续图像处理过程，对采集的排针样本图像进行预处理操作，增强图像的质量，然后对处理后的图像进行分析。需要说明的是图像预处理操作为本领域技术人员熟知的一个技术手段，可根据具体实施场景具体设置。在本发明一个实施例中采用小波去噪算法对图像进行处理，在保证图像细节的同时，更好地抑制噪声，提高图像质量。具体小波去噪算法为本领域技术人员熟知的技术手段，在此不做赘述。
需要说明的是，排针一般由多个排列钢针与绝缘塑胶组成；对排针进行制造时，会先将多个钢针植入绝缘塑胶模具腔内，再进行注塑从而合成排针样本。所以排针样本图像包括绝缘塑胶连通域和钢针连通域。
优选地，在本发明的一个实施例中，绝缘塑胶连通域的获取方法包括：
连通域检测算法可以减少噪声对分析的干扰，有助于后续对每个区域进行单独处理和分析。采用连通域检测算法获得每个排针样本图像的多个连通域；获取绝缘塑胶连通域的先验标准灰度值；计算每个连通域像素灰度值的平均值，作为第一灰度值；将所有第一灰度值中与先验标准灰度值差异最小对应的连通域，作为绝缘塑胶连通域；区分钢针区域和绝缘塑胶区域。
需要说明的是，在本发明的一个实施例中，绝缘塑胶连通域的先验标准灰度值的获取方法为：在排针样本图像相同的采集条件下，获取绝缘塑胶区域图像，计算绝缘塑胶区域图像中像素点的灰度均值，作为先验标准灰度值。在本发明的其他实施例中，先验标准灰度值也可根据已知的绝缘塑胶材料属性和经验，预先确定的用于识别和区分绝缘塑胶区域的灰度值范围；实施人员可根据具体情况具体设置，在此不做赘述。具体连通域检测算法为本领域技术人员熟知的技术手段，在此不做赘述。
步骤S2：根据绝缘塑胶连通域的分布特征，获得每个排针样本图像中的多个待测图像；每个待测图像包括多个钢针连通域；根据每个待测图像中不同钢针连通域的方向特征和长度特征，获得每个待测图像的相对分布异常评价；根据每个待测图像中不同钢针连通域的边缘形态特征，获得每个待测图像的形态异常评价。
由于绝缘塑胶的存在，会将钢针分为两部分，为了提高检测的准确性与易操作性，可以对排针样本图像进行部分分析，根据绝缘塑胶连通域的分布特征，获得每个排针样本图像中的多个待测图像；每个待测图像包括多个钢针连通域。
优选地，在本发明的一个实施例中，待测图像的获取方法包括：
PCA算法可以更好地理解和分析连通域的主要结构和变化趋势。采用PCA算法获得每个绝缘塑胶连通域的最大主成分向量；延长每个最大主成分向量至与排针样本图像的边缘相交，将对应的线段作为分割线，获得多条分割线；
为了排除绝缘塑胶部分的影响，去除每个排针样本图像中的绝缘塑胶连通域，并使用分割线将排针样本图像分割，获得多个待测图像。
需要说明的是，在本发明的一个实施例中，绝缘塑胶将钢针分为两部分，每个排针样本图像存在两个待测图像，即包含钢针上半部分连通域的待测图像和下半部分连通域的待测图像。
需要说明的是，具体PCA算法为本领域技术人员熟知的技术手段，在此不做赘述。
在正常排列的排针样本中，每个钢针都是相互平行且排列整齐，但在生产过程中，由于机器参数设置不当或者模具老化等因素，不可避免的会导致排针存在偏移、歪斜和参差不齐等异常分布现象，如图2所示，给出了一种钢针不同排列分布的示意图。当排针样本图像中钢针排列存在偏移和歪斜，钢针之间会存在异常的夹角，对应连通域的延伸方向发生变化，夹角差异越大，方向变化越大，相对分布异常评价越大；当排针样本图像中钢针排列存在参差不齐，即上下不对应的情况，钢针连通域的长度会相差较大，相对分布异常评价越大；因此，根据每个待测图像中不同钢针连通域的方向特征和长度特征，获得每个待测图像的相对分布异常评价。
优选地，在本发明的一个实施例中，相对分布异常评价的获取方法包括：
采用PCA算法获得每个钢针连通域的主成分向量；获取每个钢针连通域的最小外接矩形，将最小外接矩形中最大边长作为每个钢针连通域的长度；
根据相对分布异常评价的获取公式获得相对分布异常评价，相对分布异常评价的获取公式为：
；
其中，表示每个待测图像的相对分布异常评价；/>为钢针连通域/>的最大主成分向量；/>表示钢针连通域/>的相邻钢针连通域/>的最大主成分向量；/>表示钢针连通域/>与相邻钢针连通域/>之间最大主成分向量的方向夹角的余弦值；/>表示钢针连通域/>的长度；/>表示钢针连通域/>的相邻钢针连通域/>的长度；/>表示每个待测图像中钢针连通域的数量；/>表示取绝对值。
在相对分布异常评价的获取公式中，由于正常钢针平行分布，相邻钢针连通域之间的方向夹角的余弦值接近于1，而钢针排列存在歪斜越大，异常夹角越大，对应余弦值会越小于1，即越大，出现夹角越大，越存在歪斜，相对分布异常评价越大；表示钢针连通域/>与相邻钢针连通域/>之间的长度差异，差异越大，待测图像中的钢针越是参差不齐，相对分布异常评价越大。
需要说明的是，为了避免遗漏或跳过重要信息，需要对每个待测图像内的钢针连通域进行全面分析，在本发明的一个实施例中，由左向右遍历任意两相邻连通域。
排针样本除了在相对分布方面存在差异，也可能出现针尖朝向不一致的情况，如图3所示，给出了一种针尖不同朝向情况的示意图；因此，只对钢针连通域之间的分布关系无法全面识别，进而对钢针针尖朝向的情况进行分析。若部分钢针针尖与标准朝向相反，对应位置钢针的形状、大小和方向等信息会出现差别，即对应的连通域会出现边缘形态不一致的情况，所以，通过对钢针连通域边缘的细致分析，可以有效地检测出异常的钢针；根据每个待测图像中不同钢针连通域的边缘形态特征，获得每个待测图像的形态异常评价。
优选地，在本发明的一个实施例中，形态异常评价的获取方法包括：
在图像处理中，8方向链码是一种用于描述边缘像素点连接性的方法，每个像素点都有一个与之关联的链码。通过计算相邻链码之间的夹角，可以得到像素点之间的相对方向，能够提高目标边缘轮廓的识别效率，从而提高目标的识别率。
在每个待测图像中，使用8方向链码对每个钢针连通域的边缘像素点进行连接，计算每个相邻链码之间的夹角，并进行余弦变换，获得链码夹角余弦值；计算链码夹角余弦值与预设常数之和，作为第一特征值；将每个钢针连通域中所有第一特征值求均值，作为边缘特征值；计算每个待测图像中所有相邻钢针连通域之间边缘特征值的差异，并将差异结果求均值，获得每个待测图像的形态异常评价。在本发明的一个实施例中，形态异常评价的公式表示为：
；
其中，表示每个待测图像的形态异常评价；/>表示钢针连通域/>的链码个数；/>表示钢针连通域/>的相邻钢针连通域/>的链码个数；/>表示每个钢针连通域内第/>个相邻链码之间的夹角，/>；/>表示每个钢针连通域内的第/>个相邻链码之间的链码夹角余弦值；/>表示每个待测图像中钢针连通域的数量；/>表示预设常数。
在形态异常评价的公式中，表示第一特征值，第一特征值越大，相邻链码之间的夹角越小，越可能是不是钢针针尖方向；第一特征值越小，相邻链码之间的夹角越大，越可能是钢针针尖方向；/>表示钢针连通域/>与相邻钢针连通域之间所有第一特征值的均值差异，差异越大，对应位置处链码之间的第一特征值之间差异越大，越可能是不同边缘的形态，钢针存在朝向异常，形态异常评价越大。
需要说明的是，由于相邻链码之间的夹角，为了避免链码夹角余弦值出现负值影响计算结果，对/>进行映射到/>，使得计算结果在整数区间内，在本发明的一个实施例中，预设常数/>取经验值为1；在本发明的其他实施例中，预设常数的大小可根据具体情况具体设置，在此不做限定及赘述。具体8方向链码为本领域技术人员熟知的技术手段，在此不做赘述。
步骤S3：根据每个待测图像的相对分布异常评价和形态异常评价，获得每个待测图像的综合异常评价；根据每个排针样本图像中每个待测图像的综合异常评价筛选出疑似异常排针样本图像。
相对分布异常评价和形态异常评价分别从不同的角度对钢针进行了分析，相对分布异常评价主要关注钢针在图像中的相对分布情况，而形态异常评价则关注针尖的朝向情况；综合考虑两种评价，可以降低单一评价的误判率，从而提高整体识别的准确性。所以，根据每个待测图像的相对分布异常评价和形态异常评价，获得每个待测图像的综合异常评价。
优选地，在本发明的一个实施例中，综合异常评价的获取方法包括：
计算每个待测图像的相对分布异常评价和形态异常评价的乘积，并进行归一化，获得每个待测图像的综合异常评价。在本发明的一个实施例中，综合异常评价的公式表示为：
；
其中，表示每个待测图像的综合异常评价；/>表示每个待测图像的相对分布异常评价；/>表示每个待测图像的形态异常评价；/>表示逻辑斯谛函数。
在综合异常评价的公式中，函数将/>进行归一化，每个待测图像的相对分布异常评价越大，每个待测图像的形态异常评价越大，每个待测图像的综合异常评价越大，越有可能是异常排针样本图像。
需要说明的是，在本发明的其他实施例中也可通过其他基础数学运算构建正负相关关系与归一化方法，具体手段为本领域技术人员熟知的技术手段，在此不做赘述。
对待测图像进行综合异常评价后，可以评估图像中的各种特征或模式是否与正常排针样本相似；与正常模式存在越大差异的排针样本图像，综合异常评价越大，越可能是异常排针样本图像，可以快速地从大量图像中找出可能存在问题的图像，能有效地进行批量处理。所以根据每个排针样本图像中每个待测图像的综合异常评价筛选出疑似异常排针样本图像。
优选地，在本发明的一个实施例中，疑似异常排针样本图像的获取方法包括：
由于每个样品存在多个待测图像，都旨在捕捉和呈现排针样品的某些特征或属性；若排针样本图像中存在待测图像的综合异常评价大于或者等于预设异常阈值，将排针样本图像作为疑似异常排针样本图像。
需要说明的是，在本发明的一个实施例中，预设异常阈值为0.8；在本发明的其他实施例中，预设异常阈值的大小可根据具体情况具体设置，在此不做限定及赘述。
步骤S4：根据疑似异常排针样本图像对排针样本进行异常检测。
对大量的排针样本图像进行初步筛选，获取到疑似异常排针样本图像，缩减样本数据量，减少全部样本识别产生的大量冗余识别样本，减少将正常样本错误地识别为异常的情况，提高处理效率；所以根据疑似异常排针样本图像对排针样本进行异常检测。
优选地，在本发明的一个实施例中，根据疑似异常排针样本图像对排针样本进行异常检测包括：
将所有疑似异常排针样本图像输入到预设神经网络中进行异常检测，输出带标签的排针样本图像；其中，标签为二值数字0表示排针样本图像中存在缺陷，标签为二值数字1表示排针样本图像中不存在缺陷；将标签为二值数字0的排针样本图像，作为实际异常排针样本图像。通过获得的实际存在异常缺陷的排针样本，进而排除残次品排针或改进机器参数以提高良品率。
需要说明的是，在本发明的一个实施例中，预设神经网络采用的为Mask-RCNN网络，其中网络结构为Encoder-Decoder；采用的损失函数为：交叉熵损失函数。具体神经网络算法为本领域技术人员熟知的技术手段，在此不做赘述。
综上所述，本发明根据绝缘塑胶连通域的分布特征，获得每个排针样本图像中的多个待测图像；每个待测图像包括多个钢针连通域；根据每个待测图像中不同钢针连通域的方向特征和长度特征，获得每个待测图像的相对分布异常评价；根据每个待测图像中不同钢针连通域的边缘形态特征，获得每个待测图像的形态异常评价；进一步获得每个待测图像的综合异常评价；筛选出疑似异常排针样本图像；对排针样本进行异常检测。本发明通过获得可能存在异常的排针样本，减小大量冗余识别成本，提高异常识别的准确率与效率。
本发明还提出了一种钢针排针植入视觉检测系统，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现任意一项一种钢针排针植入视觉检测方法的步骤。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种钢针排针植入视觉检测方法，其特征在于，所述方法包括：
获取排针样本图像；所述排针样本图像包括绝缘塑胶连通域和钢针连通域；
根据所述绝缘塑胶连通域的分布特征，获得每个排针样本图像中的多个待测图像；每个所述待测图像包括多个钢针连通域；根据每个待测图像中不同钢针连通域的方向特征和长度特征，获得每个待测图像的相对分布异常评价；根据每个待测图像中不同钢针连通域的边缘形态特征，获得每个待测图像的形态异常评价；
根据每个待测图像的所述相对分布异常评价和所述形态异常评价，获得每个待测图像的综合异常评价；根据每个排针样本图像中每个待测图像的所述综合异常评价筛选出疑似异常排针样本图像；
根据所述疑似异常排针样本图像对排针样本进行异常检测。
2.根据权利要求1所述的一种钢针排针植入视觉检测方法，其特征在于，所述绝缘塑胶连通域的获取方法包括：
采用连通域检测算法获得每个排针样本图像的多个连通域；
获取绝缘塑胶连通域的先验标准灰度值；计算每个连通域内像素灰度值的平均值，作为第一灰度值；将所有所述第一灰度值中与所述先验标准灰度值差异最小对应的连通域，作为绝缘塑胶连通域。
3.根据权利要求1所述的一种钢针排针植入视觉检测方法，其特征在于，所述待测图像的获取方法包括：
采用PCA算法获得每个绝缘塑胶连通域的最大主成分向量；
延长每个所述最大主成分向量至与排针样本图像的边缘相交，将对应的线段作为分割线，获得多条分割线；
去除每个排针样本图像中的绝缘塑胶连通域，并使用分割线将排针样本图像分割，获得多个待测图像。
4.根据权利要求1所述的一种钢针排针植入视觉检测方法，其特征在于，所述相对分布异常评价的获取方法包括：
采用PCA算法获得每个钢针连通域的主成分向量；
获取每个钢针连通域的最小外接矩形，将所述最小外接矩形中最大边长作为每个钢针连通域的长度；
根据所述相对分布异常评价的获取公式获得相对分布异常评价，相对分布异常评价的获取公式为：
；其中，/>表示每个待测图像的相对分布异常评价；/>为钢针连通域/>的最大主成分向量；/>表示钢针连通域/>的相邻钢针连通域/>的最大主成分向量；/>表示钢针连通域/>与相邻钢针连通域/>之间最大主成分向量的方向夹角的余弦值；/>表示钢针连通域/>的长度；/>表示钢针连通域/>的相邻钢针连通域的长度；/>表示每个待测图像中钢针连通域的数量；/>表示取绝对值。
5.根据权利要求1所述的一种钢针排针植入视觉检测方法，其特征在于，所述形态异常评价的获取方法包括：
在每个待测图像中，使用8方向链码对每个钢针连通域的边缘像素点进行连接，计算每个相邻链码之间的夹角，并进行余弦变换，获得链码夹角余弦值；
计算所述链码夹角余弦值与预设常数之和，作为第一特征值；将每个钢针连通域中所有所述第一特征值求均值，作为边缘特征值；
计算每个待测图像中所有相邻钢针连通域之间边缘特征值的差异，并将差异结果求均值，获得每个待测图像的形态异常评价。
6.根据权利要求1所述的一种钢针排针植入视觉检测方法，其特征在于，所述综合异常评价的获取方法包括：
计算每个待测图像的所述相对分布异常评价和所述形态异常评价的乘积，并进行归一化，获得每个待测图像的综合异常评价。
7.根据权利要求1所述的一种钢针排针植入视觉检测方法，其特征在于，所述疑似异常排针样本图像的获取方法包括：
若排针样本图像中存在待测图像的所述综合异常评价大于或者等于预设异常阈值，将排针样本图像作为疑似异常排针样本图像。
8.根据权利要求1所述的一种钢针排针植入视觉检测方法，其特征在于，所述根据所述疑似异常排针样本图像对排针样本进行异常检测包括：
将所有所述疑似异常排针样本图像输入到预设神经网络中进行异常检测，输出带标签的排针样本图像；将标签为二值数字0的排针样本图像，作为实际异常排针样本图像。
9.根据权利要求7所述的一种钢针排针植入视觉检测方法，其特征在于，所述预设异常阈值为0.8。
10.一种钢针排针植入视觉检测系统，所述系统包括存储器、处理器以及存储在所述存储器中并可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1~9任意一项所述一种钢针排针植入视觉检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410223946.8A CN117808801B (zh) | 2024-02-29 | 2024-02-29 | 一种钢针排针植入视觉检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410223946.8A CN117808801B (zh) | 2024-02-29 | 2024-02-29 | 一种钢针排针植入视觉检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117808801A true CN117808801A (zh) | 2024-04-02 |
| CN117808801B CN117808801B (zh) | 2024-05-17 |
Family
ID=90420327
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410223946.8A Active CN117808801B (zh) | 2024-02-29 | 2024-02-29 | 一种钢针排针植入视觉检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117808801B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190236345A1 (en) * | 2017-08-31 | 2019-08-01 | Boe Technology Group Co., Ltd. | Hand detection method and system, image detection method and system, hand segmentation method, storage medium, and device |
| CN112712045A (zh) * | 2021-01-05 | 2021-04-27 | 周婷婷 | 基于人工智能的无人机果冻效应严重程度检测方法及系统 |
| KR102403768B1 (ko) * | 2020-12-28 | 2022-05-30 | 현대제철 주식회사 | 용접 품질 평가 시스템 및 용접 품질 평가 방법 |
| CN114972357A (zh) * | 2022-08-03 | 2022-08-30 | 南通恒立机械设备有限公司 | 一种基于图像处理的轧辊表面缺陷检测方法及系统 |
| CN115601670A (zh) * | 2022-12-12 | 2023-01-13 | 合肥恒宝天择智能科技有限公司（Cn） | 基于人工智能和高分辨率遥感影像的松材线虫病监测方法 |
| CN116433672A (zh) * | 2023-06-15 | 2023-07-14 | 山东九思新材料科技有限责任公司 | 基于图像处理的硅片表面质量检测方法 |
| CN116843678A (zh) * | 2023-08-28 | 2023-10-03 | 青岛冠宝林活性炭有限公司 | 一种硬碳电极生产质量检测方法 |
| US20230326006A1 (en) * | 2020-08-28 | 2023-10-12 | Goertek Inc. | Defect detection method and device for an lcd screen |
| CN117593294A (zh) * | 2024-01-18 | 2024-02-23 | 中化学西部新材料有限公司 | 基于图像特征分析的离心风机风叶裂纹视觉检测方法 |
-
2024
- 2024-02-29 CN CN202410223946.8A patent/CN117808801B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190236345A1 (en) * | 2017-08-31 | 2019-08-01 | Boe Technology Group Co., Ltd. | Hand detection method and system, image detection method and system, hand segmentation method, storage medium, and device |
| US20230326006A1 (en) * | 2020-08-28 | 2023-10-12 | Goertek Inc. | Defect detection method and device for an lcd screen |
| KR102403768B1 (ko) * | 2020-12-28 | 2022-05-30 | 현대제철 주식회사 | 용접 품질 평가 시스템 및 용접 품질 평가 방법 |
| CN112712045A (zh) * | 2021-01-05 | 2021-04-27 | 周婷婷 | 基于人工智能的无人机果冻效应严重程度检测方法及系统 |
| CN114972357A (zh) * | 2022-08-03 | 2022-08-30 | 南通恒立机械设备有限公司 | 一种基于图像处理的轧辊表面缺陷检测方法及系统 |
| CN115601670A (zh) * | 2022-12-12 | 2023-01-13 | 合肥恒宝天择智能科技有限公司（Cn） | 基于人工智能和高分辨率遥感影像的松材线虫病监测方法 |
| CN116433672A (zh) * | 2023-06-15 | 2023-07-14 | 山东九思新材料科技有限责任公司 | 基于图像处理的硅片表面质量检测方法 |
| CN116843678A (zh) * | 2023-08-28 | 2023-10-03 | 青岛冠宝林活性炭有限公司 | 一种硬碳电极生产质量检测方法 |
| CN117593294A (zh) * | 2024-01-18 | 2024-02-23 | 中化学西部新材料有限公司 | 基于图像特征分析的离心风机风叶裂纹视觉检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| JINGRU ZHANG 等: "Principal component analysis for high-dimensional compositional", ARXIV, 13 September 2021 (2021-09-13), pages 1 - 34 * |
| 王义文;屈冠彤;刘献礼;付鹏强;李博;: "钢球表面缺陷的图像差分检测算法", 计算机辅助设计与图形学学报, no. 10, 15 October 2016 (2016-10-15), pages 90 - 95 * |
| 黄晓妹;田绪红;: "无参考的模糊图像清晰度评价方法", 小型微型计算机系统, no. 05, 15 May 2015 (2015-05-15), pages 223 - 227 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117808801B (zh) | 2024-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
| CN110349145B (zh) | 缺陷检测方法、装置、电子设备以及存储介质 | |
| CN116843688B (zh) | 一种纺织品质量视觉检测方法 | |
| CN110781913B (zh) | 一种拉链布带缺陷检测方法 | |
| CN115294113A (zh) | 一种木饰面板质量检测方法 | |
| Wang et al. | Surface defects detection using non-convex total variation regularized RPCA with kernelization | |
| CN114878574A (zh) | 基于机器视觉的布匹缺陷检测方法、装置及系统 | |
| CN115239711B (zh) | 一种缝制设备的在线运行异常识别系统 | |
| CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
| CN116912248B (zh) | 基于计算机视觉的不规则五金件表面缺陷检测方法 | |
| CN109949287A (zh) | 一种基于自适应分割与模板校正的织物瑕疵检测方法 | |
| CN115861310B (zh) | 一种床单表面纺织缺陷检测方法 | |
| 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 | |
| CN114004790A (zh) | 一种电池盖质量检测方法、装置、计算机设备及存储介质 | |
| CN117576100B (zh) | 一种fpc连接器表面缺陷分级检测评价方法 | |
| CN117808801B (zh) | 一种钢针排针植入视觉检测方法及系统 | |
| KR102470422B1 (ko) | 합성곱 신경망 특징맵 기반 봉제 스티치 불량 자동 검출 방법 및 시스템 | |
| CN116342456A (zh) | 连接器件检测方法、电子设备及存储介质 | |
| CN117218114B (zh) | 一种基于图像数据处理的网状织物缺陷快速检测方法 | |
| Zhou et al. | Fabric defect detection using a hybrid and complementary fractal feature vector and FCM-based novelty detector | |
| CN115205295B (zh) | 一种服装面料拉伸强度检测方法 | |
| CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
| CN113436135A (zh) | 图像处理装置以及编织物的染色品质评价方法 | |
| Chaudhari et al. | A hybrid method of textile defect detection using GLCM, LBP, SVD and Wavelet Transform | |
| CN117372435B (zh) | 基于图像特征的连接器针脚检测方法 |
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 |