CN117853483A - 一种混凝土搅拌质量智能分析方法 - Google Patents
一种混凝土搅拌质量智能分析方法 Download PDFInfo
- Publication number
- CN117853483A CN117853483A CN202410244707.0A CN202410244707A CN117853483A CN 117853483 A CN117853483 A CN 117853483A CN 202410244707 A CN202410244707 A CN 202410244707A CN 117853483 A CN117853483 A CN 117853483A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- window
- preset
- ith
- preset window
- 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
- 238000003756 stirring Methods 0.000 title claims abstract description 26
- 238000004458 analytical method Methods 0.000 title claims abstract description 20
- 230000005856 abnormality Effects 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 45
- 230000007547 defect Effects 0.000 claims abstract description 44
- 230000011218 segmentation Effects 0.000 claims abstract description 42
- 230000002159 abnormal effect Effects 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000003064 k means clustering Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000003711 image thresholding Methods 0.000 abstract description 2
- 239000000758 substrate Substances 0.000 description 4
- 230000002902 bimodal effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像阈值处理技术领域,具体涉及一种混凝土搅拌质量智能分析方法。该方法获取灰度图像,根据灰度图像中的原始灰度值,获取亮度衰减系数;根据亮度衰减系数,像素点与中心像素点的距离,获取像素点的预测灰度值;根据预测灰度值和原始灰度值,获取像素点的异常程度;根据第二预设窗口中的原始灰度值和异常程度,获取像素点的最佳窗口;通过自适应阈值分割对最佳窗口进行分割,获取气泡缺陷区域。本发明通过自适应获取每个像素点的最佳窗口,准确获取自适应阈值分割中的局部阈值,对灰度图像进行准确的分割,准确的获取气泡缺陷区域,对混凝土搅拌质量进行准确的检测。
Description
技术领域
本发明涉及图像阈值处理技术领域,具体涉及一种混凝土搅拌质量智能分析方法。
背景技术
在施工领域中,混凝土搅拌的质量直接影响着工程质量,因此对混凝土搅拌的质量进行检测十分重要。在混凝土搅拌过程中,由于不当的搅拌、振捣或者水泥固化过程中会产生气泡,气泡是混凝土中的空洞,会导致混凝土的体积减小并降低混凝土的密实性,将对混凝土的强度、耐久性和抗渗性产生负面影响,因此对混凝土进行气泡缺陷检测十分必要。
现有方法中,常用的混凝土气泡检测方法是数字图像处理中的自适应阈值分割,但自适应阈值分割在进行局部阈值计算时采用的是固定的窗口进行计算,这就可能导致在计算每个窗口的阈值时陷入局部最优,使得计算出的每个窗口阈值不准确,进而不能准确的检测出混凝土中的气泡缺陷。
发明内容
为了解决自适应阈值分割在进行局部阈值计算时采用的是固定的窗口进行计算,使得计算出的每个窗口阈值不准确,进而不能准确的检测出混凝土中的气泡缺陷的技术问题,本发明的目的在于提供一种混凝土搅拌质量智能分析方法,所采用的技术方案具体如下:
本发明提出了一种混凝土搅拌质量智能分析方法,该方法包括以下步骤:
获取混凝土浇筑样本的灰度图像;
根据灰度图像中像素点的原始灰度值分布,获取中心像素点和顶角像素点;构建中心像素点和每个顶角像素点的第一预设窗口,根据第一预设窗口中的原始灰度值,获取中心像素点和每个顶角像素点的目标灰度值;根据每个顶角像素点与中心像素点之间的目标灰度值差异和距离,获取亮度衰减系数;
根据中心像素点的目标灰度值和亮度衰减系数,以及灰度图像中每个像素点与中心像素点的距离,获取每个像素点的预测灰度值;根据每个像素点的预测灰度值和原始灰度值,获取每个像素点的异常程度;
构建灰度图像中每个像素点的第二预设窗口,根据第二预设窗口中每个像素点的异常程度,以及每个像素点与预设邻域像素点的异常程度的差异,获取每个第二预设窗口的整体异常程度;
根据第二预设窗口中每个像素点的原始灰度值,以及每个像素点与预设邻域像素点的异常程度的差异,获取每个第二预设窗口的阈值可信度;
根据每个第二预设窗口的整体异常程度和阈值可信度,对每个第二窗口的大小进行修正,获取灰度图像中每个像素点的最佳窗口;
通过自适应阈值分割对最佳窗口进行分割,获取灰度图像中的气泡缺陷区域。
进一步地,所述构建中心像素点和每个顶角像素点的第一预设窗口,根据第一预设窗口中的原始灰度值,获取中心像素点和每个顶角像素点的目标灰度值的方法为:
分别以中心像素点和每个顶角像素点为中心,构建第一预设窗口;
获取每个第一预设窗口中每个像素点的原始灰度值的均值,作为对应中心像素点和顶角像素点的目标灰度值。
进一步地,所述亮度衰减系数的计算公式为:
式中,k为亮度衰减系数;N为顶角像素点的数量;为中心像素点的目标灰度值;为第n个顶角像素点的目标灰度值;/>为中心像素点与第n个顶角像素点之间的欧式距离;/>为绝对值函数。
进一步地,所述预测灰度值的计算公式为:
式中,为第i个像素点的预测灰度值;/>为中心像素点的目标灰度值;k为亮度衰减系数;/>为中心像素点与第i个像素点之间的欧式距离。
进一步地,所述异常程度的获取方法为:
获取每个像素点的预测灰度值和原始灰度值的差值绝对值,作为对应像素点的异常程度。
进一步地,所述整体异常程度的计算公式为:
式中,为第i个第二预设窗口的整体异常程度;T为第i个第二预设窗口中像素点的总数量;/>为第i个第二预设窗口中第t个像素点的异常程度;Y为第i个第二预设窗口中第t个像素点的预设邻域像素点的数量;/>为第i个第二预设窗口中第t个像素点的第y个预设邻域像素点的异常程度;/>为第一预设常数,大于0;/>为绝对值函数。
进一步地,所述阈值可信度的计算公式为:
式中,为第i个第二预设窗口的阈值可信度;T为第i个第二预设窗口中像素点的总数量;/>为第i个第二预设窗口中第t个像素点的原始灰度值;/>为第i个第二预设窗口中像素点的原始灰度值的均值;/>为第i个第二预设窗口中第t个像素点的异常程度;Y为第i个第二预设窗口中第t个像素点的预设邻域像素点的数量;/>为第i个第二预设窗口中第t个像素点的第y个预设邻域像素点的异常程度;/>为第二预设常数,大于0;/>为绝对值函数。
进一步地,所述根据每个第二预设窗口的整体异常程度和阈值可信度,对每个第二预设窗口的大小进行修正,获取灰度图像中每个像素点的最佳窗口的方法为:
将每个第二预设窗口的整体异常程度与阈值可信度的比值,作为每个第二预设窗口的第一特征值;
将所述第一特征值进行归一化的结果,作为每个第二预设窗口的边长修正权重;
将每个第二预设窗口的边长与边长修正权重的乘积,作为每个第二预设窗口的修正边长;其中,第二预设窗口为边长相等的矩形区域;
获取每个第二预设窗口的边长与修正边长的相加结果,作为每个第二预设窗口的最佳边长;
根据每个第二预设窗口的最佳边长,获取灰度图像中每个像素点的最佳窗口;其中,最佳窗口为边长相等的矩形区域。
进一步地,所述通过自适应阈值分割对最佳窗口进行分割,获取灰度图像中的气泡缺陷区域的方法为:
通过自适应阈值分割,获取每个最佳窗口的分割阈值;
根据所述分割阈值将每个最佳窗口中的像素点进行二值化分割,获取每个最佳窗口对应像素点的二值化像素值;其中,最佳窗口的中心像素点即为最佳窗口对应的像素点;
将灰度图像中每个像素点的二值化像素值构成的图像,作为灰度图像二值化后的图像;
将灰度图像二值化后的图像中像素值为0的像素点对应的区域,作为灰度图像中的气泡缺陷区域。
进一步地,所述中心像素点和顶角像素点的获取方法为:
将灰度图像中的像素点根据原始灰度值从大到小的顺序进行排列,获得像素点序列;
选取像素点序列前预设数量个像素点作为参与像素点,将K-means聚类算法中的k值设定为1,通过K-means聚类算法对参与像素点进行聚类,将聚类中心对应的参与像素点,作为中心像素点;
通过边缘检测算法,获取灰度图像的最外侧边缘线;
将不在同一水平方向的两条最外侧边缘线的交点对应的像素点,作为顶角像素点。
本发明具有如下有益效果:
根据灰度图像中像素点的原始灰度值分布,获取中心像素点和顶角像素点,为获取灰度图像中每个像素点的预测灰度值做准备;为了更准确获取每个像素点的预测灰度值,进而构建中心像素点和每个顶角像素点的第一预设窗口,根据第一预设窗口中的原始灰度值,获取中心像素点和每个顶角像素点的目标灰度值,降低噪声点的干扰;进而根据每个顶角像素点与中心像素点之间的目标灰度值差异和距离,准确获取亮度衰减系数,确定灰度图像中的亮度衰减模型,进而准确获取灰度图像中每个像素点的预测灰度值;根据每个像素点的预测灰度值和原始灰度值,获取每个像素点的异常程度,使得计算出的异常程度更可靠;构建灰度图像中每个像素点的第二预设窗口,根据第二预设窗口中每个像素点的异常程度,以及每个像素点与预设邻域像素点的异常程度的差异,获取每个第二预设窗口的整体异常程度,确定每个第二预设窗口中的缺陷程度,初步确定每个第二预设窗口大小修正的程度;为了进一步确定每个第二预设窗口大小修正的程度,进而根据第二预设窗口中每个像素点的原始灰度值,以及每个像素点与预设邻域像素点的异常程度的差异,准确获取每个第二预设窗口的阈值可信度;因此,根据每个第二预设窗口的整体异常程度和阈值可信度,对每个第二预设窗口的大小进行准确的修正,进而自适应获取灰度图像中每个像素点的最佳窗口,避免了自适应阈值分割获取局部阈值时陷入局部最优阈值的情况,提高了自适应阈值分割计算出的局部阈值的可信度,优化了阈值分割结果,进而通过自适应阈值分割对最佳窗口进行分割,准确获取灰度图像中的气泡缺陷区域,进而对混凝土搅拌质量进行准确的检测与评估。
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混凝土搅拌质量智能分析方法的流程示意图。
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混凝土搅拌质量智能分析方法,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混凝土搅拌质量智能分析方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种混凝土搅拌质量智能分析方法的流程示意图,该方法包括一下步骤:
步骤S1:获取混凝土浇筑样本的灰度图像。
具体的,为了分析搅拌好后的混凝土中是否存在气泡,本发明实施例选取部分搅拌好后的混凝土浇筑在一个矩形模具上均匀的涂抹开,进而获取一个规则的矩形形状的混凝土浇筑样本。本发明实施例选取矩形模具为边长3米的正方形模具,实施者可根据实际情况选取矩形模具,在此不进行限定。由于混凝土中的气泡在混凝土浇筑样本的表面是凹陷的,对应凹陷的缺陷,使用点光源能更好的表现出缺陷的特征,因此本发明实施例在相机旁边布置一个点光源,使得相机和点光源均对准混凝土浇筑样本的正中心。通过相机采集混凝土浇筑样本的图像,并将混凝土浇筑样本的图像转换为灰度图像,便于准确的检测到气泡缺陷区域。其中,灰度化处理为现有技术,不再进行赘述。
本发明实施例的场景:混凝土浇筑样本的形状一定是一个规则的矩形区域,即灰度图像一定是一个矩形。同时,点光源一定在混凝土浇筑样本的正中心上方。
本发明实施例的目的:在使用自适应阈值分割来识别灰度图像中的气泡缺陷区域时,通过对灰度图像中像素点的灰度值进行分析,获取每个像素点的异常程度,进而获取自适应阈值分割中初始设定的每个固定窗口的整体异常程度和阈值可信度,对每个固定窗口的大小进行修正,再进行自适应阈值分割,使得灰度图像中的气泡缺陷区域准确的分割出来。其中,自适应阈值分割为现有技术,不再进行赘述。
步骤S2:根据灰度图像中像素点的原始灰度值分布,获取中心像素点和顶角像素点;构建中心像素点和每个顶角像素点的第一预设窗口,根据第一预设窗口中的原始灰度值,获取中心像素点和每个顶角像素点的目标灰度值;根据每个顶角像素点与中心像素点之间的目标灰度值差异和距离,获取亮度衰减系数。
具体的,由于本发明实施例是点光源进行照亮,这表示混凝土浇筑样本图像中存在特定规律的明暗变化,即距离点光源越远,混凝土浇筑样本图像越暗,因此,在不考虑气泡缺陷时,灰度图像中像素点的灰度值从灰度图像的中心开始,向四周逐渐变小,灰度图像中的光照亮度分布可以视为线性变化。通过提取灰度图像的中心点对应的像素点,作为起始点,来对灰度图像中像素点的灰度值进行预测。
由于点光源正对着灰度图像的中心,因此,在不存在气泡缺陷时,灰度图像的中心像素点的灰度值是最大的。为了准确获取灰度图像的中心像素点,本发明实施例将灰度图像中的像素点根据原始灰度值从大到小的顺序进行排列,获得像素点序列;选取像素点序列前预设数量个像素点作为参与像素点,将K-means聚类算法中的k值设定为1,通过K-means聚类算法对参与像素点进行聚类,将聚类中心对应的参与像素点,作为中心像素点,避免噪声的干扰,使得获取的中心像素点更准确。本发明实施例将预设数量设定为300,实施者可根据实际情况设定预设数量的大小,在此不进行限定。其中,K-means聚类算法为现有技术,不再进行赘述。至此获取灰度图像的中心像素点。
为了确定灰度图像中的灰度值是如何线性变化的,本发明实施例获取灰度图像的顶角像素点,因为灰度图像为矩形,因此灰度图像存在4个顶角像素点。本发明实施例通过边缘检测算法,获取灰度图像的最外侧边缘线;将不在同一水平方向的两条最外侧边缘线的交点对应的像素点,作为顶角像素点。其中,边缘检测算法为现有技术,不再进行赘述。至此获取灰度图像的4个顶角像素点。
为了避免中心像素点和顶角像素点的原始灰度值受到噪声的影响,导致无法准确的获取灰度图像中灰度值的线性变化规律,因此本发明实施例分别以中心像素点和每个顶角像素点为中心,构建第一预设窗口,获取每个第一预设窗口中每个像素点的原始灰度值即实际灰度值的均值,作为对应中心像素点和顶角像素点的目标灰度值。本发明实施例将第一预设窗口设定为,实施者可根据实际情况设定第一预设窗口的大小,在此不进行限定。由于顶角像素点位于灰度图像的边界,因此,只根据顶角像素点的第一预设窗口中在灰度图像的像素点进行计算,获取顶角像素点的目标灰度值。获取每个顶角像素点与中心像素带点之间的欧式距离,其中,欧式距离的获取方法为现有技术,在此不进行赘述。根据每个顶角像素点与中心像素点之间的欧式距离和目标灰度值的差异,获取亮度衰减系数的计算公式为:
式中,k为亮度衰减系数;N为顶角像素点的数量;为中心像素点的目标灰度值;为第n个顶角像素点的目标灰度值;/>为中心像素点与第n个顶角像素点之间的欧式距离;/>为绝对值函数。
需要说明的是,越大,说明中心像素点与第n个顶角像素点之间的目标灰度值的差异越大,/>越大,说明中心像素点到第n个顶角像素点之间的灰度值衰减程度越大,k越大;因此,k越大,说明光照产生的明暗变化越明显,从中心像素点到顶角像素点之间的灰度值衰减程度越大。
步骤S3:根据中心像素点的目标灰度值和亮度衰减系数,以及灰度图像中每个像素点与中心像素点的距离,获取每个像素点的预测灰度值;根据每个像素点的预测灰度值和原始灰度值,获取每个像素点的异常程度。
具体的,亮度衰减系数是在不考虑气泡缺陷的情况下获取的,因此根据中心像素点的目标灰度值和亮度衰减系数,以及灰度图像中每个像素点与中心像素点的距离,获取每个像素点的预测灰度值,若某个像素点的预测灰度值与原始灰度值的差异越大,则说明该像素点越可能为气泡缺陷像素点。
作为一个示例,以灰度图像中的第i个像素点为例,获取第i个像素点与中心像素点之间的欧式距离,根据中心像素点的目标灰度值、亮度衰减系数和第i个像素点与中心像素点之间的欧式距离,获取第i个像素点的预测灰度值的计算公式为:
式中,为第i个像素点的预测灰度值;/>为中心像素点的目标灰度值;k为亮度衰减系数;/>为中心像素点与第i个像素点之间的欧式距离。
需要说明的是,越小,说明第i个像素点距离中心像素点越近,则第i个像素点距离光源越近,第i个像素点的预测灰度值越大,/>越大;因此,/>越大,说明在不考虑气泡缺陷时,第i个像素点的预测灰度值越大。
根据获取第i个像素点的预测灰度值的方法,获取灰度图像中每个像素点的预测灰度值。进而获取灰度图像中每个像素点的预测灰度值和原始灰度值的差值绝对值,作为对应像素点的异常程度。其中,异常程度越大,说明对应像素点越可能为气泡缺陷像素点,当异常程度为0时,说明对应像素点不存在缺陷。
步骤S4:构建灰度图像中每个像素点的第二预设窗口,根据第二预设窗口中每个像素点的异常程度,以及每个像素点与预设邻域像素点的异常程度的差异,获取每个第二预设窗口的整体异常程度。
具体的,在自适应阈值分割中,本发明实施例根据经验设定每像素点的固定窗口大小为,实施者可根据实际情况进行设定,在此不进行限定。因此本发明实施例以灰度图像中每个像素点为中心,构建一个/>大小的第二预设窗口,在某个第二预设窗口中,像素点的异常程度越大,说明该第二预设窗口的整体异常程度越大,该第二预设窗口中越可能存在气泡缺陷。因为气泡缺陷是集中分布的,因此,某一像素点周围的异常程度分布越相似,说明该像素点越可能为气泡像素点,因此,本发明实施例根据第二预设窗口中每个像素点的异常程度,以及每个像素点与预设邻域像素点的异常程度的差异,获取每个第二预设窗口的整体异常程度。本发明实施例将每个像素点的预设邻域像素点设定为8邻域像素点,实施者可根据实际情况设定每个像素点的预设邻域像素点,在此不进行限定。
作为一个示例,以第i个第二预设窗口为例,以灰度图像中的第i个像素点为中心,构建一个大小的窗口,即为第i个第二预设窗口。根据第i个第二预设窗口中每个像素点的异常程度,以及每个像素点与对应的8邻域像素点的异常程度的差异,获取第i个第二预设窗口的整体异常程度的计算公式为:
式中,为第i个第二预设窗口的整体异常程度;T为第i个第二预设窗口中像素点的总数量;/>为第i个第二预设窗口中第t个像素点的异常程度;Y为第i个第二预设窗口中第t个像素点的预设邻域像素点的数量;/>为第i个第二预设窗口中第t个像素点的第y个预设邻域像素点的异常程度;/>为第一预设常数,大于0;/>为绝对值函数。
本发明实施例将设定为0.1,避免分母为0,实施者可根据实际情况设定/>的大小,在此不进行限定。
需要说明的是,越大,说明第i个第二预设窗口中第t个像素点越可能存在异常,/>越大,说明第i个第二预设窗口中越可能存在气泡缺陷,/>越大;越小,说明第i个第二预设窗口中第t个像素点与对应的第y个预设邻域像素点的异常程度越相同,/>越小,说明第i个第二预设窗口中第t个像素点周围的异常程度分布越相似,第t个像素点越可能为气泡缺陷像素点,第i个第二预设窗口中越可能存在气泡缺陷,/>越大;因此,/>越大,说明第i个第二预设窗口中越可能存在气泡缺陷。
根据获取第i个第二预设窗口的整体异常程度的方法,获取以每个像素点为中心构建的第二预设窗口的整体异常程度。
步骤S5:根据第二预设窗口中每个像素点的原始灰度值,以及每个像素点与预设邻域像素点的异常程度的差异,获取每个第二预设窗口的阈值可信度。
具体的,在自适应阈值分割中,每个第二预设窗口内的原始灰度值在灰度直方图中越符合双峰分布,说明每个第二预设窗口中的分割阈值越可信。当第二预设窗口内的原始灰度值在灰度直方图中不越符合双峰分布,说明该第二预设窗口的分割阈值可信度越低,该第二预设窗口的大小需要修正的程度越大。因此,本发明实施例根据每个第二预设窗口中每个像素点的原始灰度值的大小,以及每个像素点与预设邻域像素点的异常程度的差异,获取每个第二预设窗口的阈值可信度。
作为一个示例,以步骤S4中的第i个第二预设窗口为例,获取第i个第二预设窗口中每个像素点的原始灰度值的均值,进而获取第i个第二预设窗口中每个像素点的原始灰度值与/>的差异,作为第一差异;获取第一差异的均值,作为第一均值,第一均值越大,说明第i个第二预设窗口中的原始灰度值分布越离散,间接说明第i个第二预设窗口内的原始灰度值在灰度直方图中越可能符合双峰分布,第i个第二预设窗口的阈值可信度越大。已知,气泡缺陷在灰度图像中是集中分布的,因此,若第i个第二预设窗口中的像素点周围的异常程度差异越大,说明像素点的异常程度越不可能是气泡缺陷造成的,像素点的异常程度可能是混凝土表面的纹理造成的,进而导致第i个第二预设窗口的阈值可信度低。因此,根据第i个第二预设窗口中每个像素点的原始灰度值的大小,以及每个像素点与对应的预设邻域像素点的异常程度的差异,获取第i个第二预设窗口的阈值可信度的计算公式为:
式中,为第i个第二预设窗口的阈值可信度;T为第i个第二预设窗口中像素点的总数量;/>为第i个第二预设窗口中第t个像素点的原始灰度值;/>为第i个第二预设窗口中像素点的原始灰度值的均值;/>为第i个第二预设窗口中第t个像素点的异常程度;Y为第i个第二预设窗口中第t个像素点的预设邻域像素点的数量;/>为第i个第二预设窗口中第t个像素点的第y个预设邻域像素点的异常程度;/>为第二预设常数,大于0;/>为绝对值函数;/>为第一差异;/>为第一均值。
本发明实施例将设定为0.1,避免分母为0,实施者可根据实际情况设定/>的大小,在此不进行限定。
需要说明的是,第一差异越大,说明第i个第二预设窗口中第t个像素点的原始灰度值分布越离散,第一均值/>越大,说明第i个第二预设窗口中像素点的原始灰度值分布的越不集中,间接说明第i个第二预设窗口中的分割阈值越可信,越大;/>越大,说明第i个第二预设窗口中第t个像素点与对应的第y个预设邻域像素点的异常程度越不相同,/>越大,说明第i个第二预设窗口中第t个像素点周围的异常程度差异越大,第t个像素点越不可能为气泡缺陷像素点,越大,第i个第二预设窗口中的异常程度越不可能是气泡缺陷导致的,第i个第二预设窗口中异常程度不为0的像素点越可能为混凝土表面的纹理像素点,则第i个第二预设窗口的分割阈值越不可信,/>越小;因此,/>越大,说明第i个第二预设窗口中的分割阈值越准确,第i个第二预设窗口越不需要进行修正。
根据获取第i个第二预设窗口的阈值可信度的方法,获取以每个像素点为中心构建的第二预设窗口的阈值可信度。
步骤S6:根据每个第二预设窗口的整体异常程度和阈值可信度,对每个第二窗口的大小进行修正,获取灰度图像中每个像素点的最佳窗口。
具体的,第二预设窗口的整体异常程度越大,则越需要进行修正,且修正的程度越大。同时,第二预设窗口的阈值可信度越低,则越需要进行修正,且修正的程度越大。因此根据每个第二预设窗口的整体异常程度和阈值可信度,对每个第二预设窗口的大小进行修正,获取灰度图像中每个像素点的最佳窗口。
优选地,获取最佳窗口的方法为:将每个第二预设窗口的整体异常程度与阈值可信度的比值,作为每个第二预设窗口的第一特征值;将所述第一特征值进行归一化的结果,作为每个第二预设窗口的边长修正权重;将每个第二预设窗口的边长与边长修正权重的乘积,作为每个第二预设窗口的修正边长;其中,第二预设窗口为边长相等的矩形区域;获取每个第二预设窗口的边长与修正边长的相加结果,作为每个第二预设窗口的最佳边长;根据每个第二预设窗口的最佳边长,获取灰度图像中每个像素点的最佳窗口;其中,最佳窗口为边长相等的矩形区域。
作为一个示例,以步骤S4中的第i个第二预设窗口为例,根据第i个第二预设窗口的整体异常程度、阈值可信度和边长,获取第i个第二预设窗口的最佳边长的计算公式为:
式中,为第i个第二预设窗口的最佳边长;/>为第i个第二预设窗口的边长,本发明实施例中为5;/>为第i个第二预设窗口的整体异常程度;/>为第i个第二预设窗口的阈值可信度;norm为归一化函数;/>为第一特征值;/>为边长修正权重;为修正边长。
需要说明的是,越大,/>越小,即第一特征值/>越大,说明第i个第二预设窗口的大小需要修正的程度越大,/>越大;因此,/>越大,说明第i个像素点的最佳窗口越大。
根据获取的第i个第二预设窗口的最佳边长,进而确定第i个像素点的最佳窗口的大小为/>。其中,第i个像素点仍为最佳窗口/>的中心像素点。
根据获取第i个像素点的最佳窗口的方法,获取灰度图像中每个像素点的最佳窗口。
步骤S7:通过自适应阈值分割对最佳窗口进行分割,获取灰度图像中的气泡缺陷区域。
具体的,通过自适应阈值分割,获取每个最佳窗口的分割阈值,根据每个最佳窗口的分割阈值,将每个最佳窗口中的像素点进行二值化分割,获取每个最佳窗口对应像素点的二值化像素值;其中,最佳窗口的中心像素点即为最佳窗口对应的像素点。
作为一个示例,以第i个最佳窗口为例,将第i个最佳窗口中原始灰度值大于第i个最佳窗口的分割阈值的像素点的像素值设定为1,将第i个最佳窗口中原始灰度值小于或者等于第i个最佳窗口的分割阈值的像素点的像素值设定为0,完成对第i个最佳窗口的二值化处理,进而确定第i个最佳窗口对应像素点即第i个像素点的二值化像素值。其中,第i个像素点为第i个最佳窗口的中心像素点。
根据获取第i个像素点的二值化像素值的方法,获取灰度图像中每个像素点的二值化像素值,将灰度图像中每个像素点的二值化像素值构成的图像,作为灰度图像二值化后的图像。因为气泡缺陷为凹陷的,因此,气泡缺陷在灰度图像二值化后的图像中像素值为0,因此,将灰度图像二值化后的图像中像素值为0的像素点对应的区域,作为灰度图像中的气泡缺陷区域。至此,准确的将灰度图像中的气泡缺陷区域分割出来。
将分割出气泡缺陷区域后的灰度图像传输给系统,由系统根据分割出的气泡缺陷区域对混凝土搅拌质量进行准确的评估。
至此,本发明完成。
综上所述,本发明实施例获取灰度图像,根据灰度图像中的原始灰度值,获取亮度衰减系数;根据亮度衰减系数,像素点与中心像素点的距离,获取像素点的预测灰度值;根据预测灰度值和原始灰度值,获取像素点的异常程度;根据第二预设窗口中的原始灰度值和异常程度,获取像素点的最佳窗口;通过自适应阈值分割对最佳窗口进行分割,获取气泡缺陷区域。本发明通过自适应获取每个像素点的最佳窗口,准确获取自适应阈值分割中的局部阈值,对灰度图像进行准确的分割,准确的获取气泡缺陷区域,对混凝土搅拌质量进行准确的检测。
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)
1.一种混凝土搅拌质量智能分析方法,其特征在于,该方法包括以下步骤:
获取混凝土浇筑样本的灰度图像;
根据灰度图像中像素点的原始灰度值分布,获取中心像素点和顶角像素点;构建中心像素点和每个顶角像素点的第一预设窗口,根据第一预设窗口中的原始灰度值,获取中心像素点和每个顶角像素点的目标灰度值;根据每个顶角像素点与中心像素点之间的目标灰度值差异和距离,获取亮度衰减系数;
根据中心像素点的目标灰度值和亮度衰减系数,以及灰度图像中每个像素点与中心像素点的距离,获取每个像素点的预测灰度值;根据每个像素点的预测灰度值和原始灰度值,获取每个像素点的异常程度;
构建灰度图像中每个像素点的第二预设窗口,根据第二预设窗口中每个像素点的异常程度,以及每个像素点与预设邻域像素点的异常程度的差异,获取每个第二预设窗口的整体异常程度;
根据第二预设窗口中每个像素点的原始灰度值,以及每个像素点与预设邻域像素点的异常程度的差异,获取每个第二预设窗口的阈值可信度;
根据每个第二预设窗口的整体异常程度和阈值可信度,对每个第二窗口的大小进行修正,获取灰度图像中每个像素点的最佳窗口;
通过自适应阈值分割对最佳窗口进行分割,获取灰度图像中的气泡缺陷区域。
2.如权利要求1所述一种混凝土搅拌质量智能分析方法,其特征在于,所述构建中心像素点和每个顶角像素点的第一预设窗口,根据第一预设窗口中的原始灰度值,获取中心像素点和每个顶角像素点的目标灰度值的方法为:
分别以中心像素点和每个顶角像素点为中心,构建第一预设窗口;
获取每个第一预设窗口中每个像素点的原始灰度值的均值,作为对应中心像素点和顶角像素点的目标灰度值。
3.如权利要求1所述一种混凝土搅拌质量智能分析方法,其特征在于,所述亮度衰减系数的计算公式为:
式中,k为亮度衰减系数;N为顶角像素点的数量;为中心像素点的目标灰度值;/>为第n个顶角像素点的目标灰度值;/>为中心像素点与第n个顶角像素点之间的欧式距离;/>为绝对值函数。
4.如权利要求1所述一种混凝土搅拌质量智能分析方法,其特征在于,所述预测灰度值的计算公式为:
式中,为第i个像素点的预测灰度值;/>为中心像素点的目标灰度值;k为亮度衰减系数;/>为中心像素点与第i个像素点之间的欧式距离。
5.如权利要求1所述一种混凝土搅拌质量智能分析方法,其特征在于,所述异常程度的获取方法为:
获取每个像素点的预测灰度值和原始灰度值的差值绝对值,作为对应像素点的异常程度。
6.如权利要求1所述一种混凝土搅拌质量智能分析方法,其特征在于,所述整体异常程度的计算公式为:
式中,为第i个第二预设窗口的整体异常程度;T为第i个第二预设窗口中像素点的总数量;/>为第i个第二预设窗口中第t个像素点的异常程度;Y为第i个第二预设窗口中第t个像素点的预设邻域像素点的数量;/>为第i个第二预设窗口中第t个像素点的第y个预设邻域像素点的异常程度;/>为第一预设常数,大于0;/>为绝对值函数。
7.如权利要求1所述一种混凝土搅拌质量智能分析方法,其特征在于,所述阈值可信度的计算公式为:
式中,为第i个第二预设窗口的阈值可信度;T为第i个第二预设窗口中像素点的总数量;/>为第i个第二预设窗口中第t个像素点的原始灰度值;/>为第i个第二预设窗口中像素点的原始灰度值的均值;/>为第i个第二预设窗口中第t个像素点的异常程度;Y为第i个第二预设窗口中第t个像素点的预设邻域像素点的数量;/>为第i个第二预设窗口中第t个像素点的第y个预设邻域像素点的异常程度;/>为第二预设常数,大于0;/>为绝对值函数。
8.如权利要求1所述一种混凝土搅拌质量智能分析方法,其特征在于,所述根据每个第二预设窗口的整体异常程度和阈值可信度,对每个第二预设窗口的大小进行修正,获取灰度图像中每个像素点的最佳窗口的方法为:
将每个第二预设窗口的整体异常程度与阈值可信度的比值,作为每个第二预设窗口的第一特征值;
将所述第一特征值进行归一化的结果,作为每个第二预设窗口的边长修正权重;
将每个第二预设窗口的边长与边长修正权重的乘积,作为每个第二预设窗口的修正边长;其中,第二预设窗口为边长相等的矩形区域;
获取每个第二预设窗口的边长与修正边长的相加结果,作为每个第二预设窗口的最佳边长;
根据每个第二预设窗口的最佳边长,获取灰度图像中每个像素点的最佳窗口;其中,最佳窗口为边长相等的矩形区域。
9.如权利要求1所述一种混凝土搅拌质量智能分析方法,其特征在于,所述通过自适应阈值分割对最佳窗口进行分割,获取灰度图像中的气泡缺陷区域的方法为:
通过自适应阈值分割,获取每个最佳窗口的分割阈值;
根据所述分割阈值将每个最佳窗口中的像素点进行二值化分割,获取每个最佳窗口对应像素点的二值化像素值;其中,最佳窗口的中心像素点即为最佳窗口对应的像素点;
将灰度图像中每个像素点的二值化像素值构成的图像,作为灰度图像二值化后的图像;
将灰度图像二值化后的图像中像素值为0的像素点对应的区域,作为灰度图像中的气泡缺陷区域。
10.如权利要求1所述一种混凝土搅拌质量智能分析方法,其特征在于,所述中心像素点和顶角像素点的获取方法为:
将灰度图像中的像素点根据原始灰度值从大到小的顺序进行排列,获得像素点序列;
选取像素点序列前预设数量个像素点作为参与像素点,将K-means聚类算法中的k值设定为1,通过K-means聚类算法对参与像素点进行聚类,将聚类中心对应的参与像素点,作为中心像素点;
通过边缘检测算法,获取灰度图像的最外侧边缘线;
将不在同一水平方向的两条最外侧边缘线的交点对应的像素点,作为顶角像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410244707.0A CN117853483B (zh) | 2024-03-05 | 2024-03-05 | 一种混凝土搅拌质量智能分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410244707.0A CN117853483B (zh) | 2024-03-05 | 2024-03-05 | 一种混凝土搅拌质量智能分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117853483A true CN117853483A (zh) | 2024-04-09 |
CN117853483B CN117853483B (zh) | 2024-06-14 |
Family
ID=90540204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410244707.0A Active CN117853483B (zh) | 2024-03-05 | 2024-03-05 | 一种混凝土搅拌质量智能分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117853483B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102012403A (zh) * | 2010-11-01 | 2011-04-13 | 北京市市政工程研究院 | 超声法检测混凝土构筑物节点内部不密实性缺陷的判定方法 |
CN111429420A (zh) * | 2020-03-19 | 2020-07-17 | 中联重科股份有限公司 | 混凝土搅拌匀质度检测方法、系统及混凝土搅拌控制方法 |
CN113365400A (zh) * | 2021-05-31 | 2021-09-07 | 中建二局土木工程集团有限公司 | 基于人工智能和视频分析的多时段路灯控制系统 |
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 |
CN116626107A (zh) * | 2023-05-25 | 2023-08-22 | 西安交通大学 | 一种基于双向扫描线激光热成像的cfrp缺陷检测方法及系统 |
CN116749343A (zh) * | 2023-06-19 | 2023-09-15 | 沁水县著隆商砼有限公司 | 一种智能水泥混凝土搅拌站品质实时监控系统 |
CN116758059A (zh) * | 2023-08-10 | 2023-09-15 | 吉林交通职业技术学院 | 一种用于路基路面的视觉无损检测方法 |
CN117291919A (zh) * | 2023-11-27 | 2023-12-26 | 山东华盛中天工程机械有限责任公司 | 一种钢轨螺栓表面润滑脂视觉检测方法 |
CN117351019A (zh) * | 2023-12-06 | 2024-01-05 | 巴苏尼制造(江苏)有限公司 | 一种焊接缺陷检测方法 |
-
2024
- 2024-03-05 CN CN202410244707.0A patent/CN117853483B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102012403A (zh) * | 2010-11-01 | 2011-04-13 | 北京市市政工程研究院 | 超声法检测混凝土构筑物节点内部不密实性缺陷的判定方法 |
CN111429420A (zh) * | 2020-03-19 | 2020-07-17 | 中联重科股份有限公司 | 混凝土搅拌匀质度检测方法、系统及混凝土搅拌控制方法 |
CN113365400A (zh) * | 2021-05-31 | 2021-09-07 | 中建二局土木工程集团有限公司 | 基于人工智能和视频分析的多时段路灯控制系统 |
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 |
CN116626107A (zh) * | 2023-05-25 | 2023-08-22 | 西安交通大学 | 一种基于双向扫描线激光热成像的cfrp缺陷检测方法及系统 |
CN116749343A (zh) * | 2023-06-19 | 2023-09-15 | 沁水县著隆商砼有限公司 | 一种智能水泥混凝土搅拌站品质实时监控系统 |
CN116758059A (zh) * | 2023-08-10 | 2023-09-15 | 吉林交通职业技术学院 | 一种用于路基路面的视觉无损检测方法 |
CN117291919A (zh) * | 2023-11-27 | 2023-12-26 | 山东华盛中天工程机械有限责任公司 | 一种钢轨螺栓表面润滑脂视觉检测方法 |
CN117351019A (zh) * | 2023-12-06 | 2024-01-05 | 巴苏尼制造(江苏)有限公司 | 一种焊接缺陷检测方法 |
Non-Patent Citations (3)
Title |
---|
JOHN Y.CHIANG等: "underwater image enhancement by wavelength compensation and dehazing", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》, vol. 21, no. 4, 13 December 2011 (2011-12-13) * |
张明;王腾;李鹏;邓烈;郑永强;易时来;吕强;孙荣荣;: "基于区域亮度自适应校正算法的脐橙表面缺陷检测", 中国农业科学, no. 12, 16 June 2020 (2020-06-16) * |
张洪涛;段发阶;丁克勤;叶声华;: "带钢表面缺陷视觉检测系统关键技术研究", 计量学报, no. 03, 22 July 2007 (2007-07-22) * |
Also Published As
Publication number | Publication date |
---|---|
CN117853483B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116934740B (zh) | 基于图像处理的塑料模具表面缺陷分析检测方法 | |
CN116703910B (zh) | 一种混凝土预制底板质量智能检测方法 | |
CN117351019B (zh) | 一种焊接缺陷检测方法 | |
CN114494210A (zh) | 基于图像处理的塑料膜生产缺陷检测方法及系统 | |
CN116703911B (zh) | 一种led灯生产质量检测系统 | |
CN117764986A (zh) | 基于图像处理的钛板表面缺陷检测方法 | |
CN115170570B (zh) | 基于灰度游程矩阵的织物起毛起球检测方法 | |
CN115131354A (zh) | 一种基于光学手段的实验室用塑料薄膜缺陷检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN118037722B (zh) | 一种铜管生产缺陷检测方法及系统 | |
CN117611563B (zh) | 一种基于图像处理的塑胶模具生产缺陷检测方法 | |
CN116071363B (zh) | 一种自动化型钢智能生产监测系统 | |
CN118225803B (zh) | 一种推土机刀片表面外观视觉检测方法 | |
CN117635604A (zh) | 一种建筑工程钢结构焊接质量检测方法 | |
CN114782421A (zh) | 基于产蛋异常检测的家禽兽医辅助系统 | |
CN116310845A (zh) | 一种用于污水处理的智能监测系统 | |
CN115463844A (zh) | 一种基于双重识别的货物智能分拣方法及系统 | |
CN116309599A (zh) | 基于污水前置处理的水质视觉监测方法 | |
CN117237350B (zh) | 一种铸钢件质量实时检测方法 | |
CN117853483B (zh) | 一种混凝土搅拌质量智能分析方法 | |
CN117078678B (zh) | 基于图像识别的废硅片形状检测方法 | |
CN117372435A (zh) | 基于图像特征的连接器针脚检测方法 | |
CN114820597B (zh) | 一种基于人工智能的冶炼品缺陷检测方法、装置及系统 | |
CN117351433B (zh) | 基于计算机视觉的胶固砂浆饱满度监控系统 | |
CN118196097B (zh) | 基于图像处理的补强片裂纹缺陷智能检测方法 |
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 |