CN117952980A - 一种中硼硅玻璃管精切工艺视觉检测方法 - Google Patents
一种中硼硅玻璃管精切工艺视觉检测方法 Download PDFInfo
- Publication number
- CN117952980A CN117952980A CN202410353846.7A CN202410353846A CN117952980A CN 117952980 A CN117952980 A CN 117952980A CN 202410353846 A CN202410353846 A CN 202410353846A CN 117952980 A CN117952980 A CN 117952980A
- Authority
- CN
- China
- Prior art keywords
- edge
- pixel
- optional
- transverse
- connecting line
- 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
- 239000005388 borosilicate glass Substances 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005520 cutting process Methods 0.000 title claims abstract description 25
- 238000011179 visual inspection Methods 0.000 title claims description 17
- 238000009826 distribution Methods 0.000 claims abstract description 56
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 238000003708 edge detection Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 1
- 230000000007 visual effect Effects 0.000 abstract description 2
- 230000007547 defect Effects 0.000 description 14
- 230000003247 decreasing effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种中硼硅玻璃管精切工艺视觉检测方法。该方法包括:获取中硼硅玻璃管的灰度图像;获取灰度图像中的若干可选连接线;计算每个可选连接线的横向分布混乱程度和纵向分布混乱程度;计算每个可选连接线的第一渐变程度和第二渐变程度;根据横向分布混乱程度和纵向分布混乱程度,第一渐变程度和第二渐变程度得到每个可选连接线的气泡边缘评价值;根据气泡边缘评价值对灰度图像中可选连接线上的边缘像素进行增强处理得到增强后灰度图像,对增强后灰度图像进行边缘检测得到气泡边缘线。从而通过分析边缘线符合气泡边缘线的情况来对边缘像素增强处理,从而提高气泡边缘检测的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种中硼硅玻璃管精切工艺视觉检测方法。
背景技术
中硼硅玻璃管常用于药用领域。在精切工艺中,中性硼硅玻璃管存在的缺陷如气泡、裂纹、凸起等会影响精切时玻璃的受力大小,导致切割效果很差,所以在精切工艺中需及时判断玻璃管缺陷。
对于中性硼硅玻璃管中的气泡缺陷,其气泡中不同区域的灰度值差异较大,气泡区域的灰度值与其他区域的灰度值存在重叠,因而利用阈值分割很难准确分割出气泡区域。由于气泡缺陷具有清晰的边缘线,因而可以通过气泡缺陷的边缘来实现气泡缺陷检测。而在中性硼硅玻璃管上不仅气泡缺陷具有清晰的边缘线,同时其他结构也具有清理的边缘线。其他结构的边缘线会干扰气泡缺陷的检测。因而如何通过准确的区分出气泡缺陷的边缘线,进而实现气泡缺陷的检测,成为亟待解决的问题。
发明内容
为了解决上述技术问题,本发明提供一种中硼硅玻璃管精切工艺视觉检测方法,所采用的技术方案具体如下:
获取中硼硅玻璃管的灰度图像;
根据灰度图像中像素间的灰度差异得到横向差值曲线、斜向差值曲线和纵向差值曲线,根据横向差值曲线、斜向差值曲线和纵向差值曲线中极大值点得到边缘像素,对边缘像素进行连接处理得到若干可选连接线;
根据每个可选连接线上边缘像素的坐标分布得到每个可选连接线的横向分布混乱程度和纵向分布混乱程度;根据每个可选连接线的两侧像素的灰度值变化特征得到每个可选连接线的第一渐变程度和第二渐变程度;根据每个可选连接线的横向分布混乱程度和纵向分布混乱程度,每个可选连接线的第一渐变程度和第二渐变程度得到每个可选连接线的气泡边缘评价值;
根据每个可选连接线的气泡边缘评价值对灰度图像中可选连接线上的边缘像素进行增强处理得到增强后灰度图像,对增强后灰度图像进行边缘检测得到气泡边缘线。
优选的,所述根据灰度图像中像素间的灰度差异得到横向差值曲线、斜向差值曲线和纵向差值曲线,包括的具体步骤为:
利用a*a的窗口,从灰度图像的第一个像素开始,以1个像素为步长,在灰度图像的水平方向上滑动,直至滑动至灰度图像的最后一个像素时结束,将每次滑动时得到的包含灰度图像中像素的窗口,记为横向滑动窗口;
利用a*a的窗口,从灰度图像的第一个像素开始,以1个像素为步长,在灰度图像的45度方向的上滑动,直至滑动至灰度图像的最后一个像素时结束,将每次滑动时得到的包含灰度图像中像素的窗口,记为斜向滑动窗口;
利用a*a的窗口,从灰度图像的第一个像素开始,以1个像素为步长,在灰度图像上竖直方向滑动,直至滑动至灰度图像的最后一个像素时结束,将每次滑动时得到的包含灰度图像中像素的窗口,记为纵向滑动窗口;a表示预设窗口边长;
将每个横向滑动窗口中所有像素的灰度值的均值记为每个横向滑动窗口的灰度值,将每个横向滑动窗口的灰度值与前一个滑动窗口的灰度值的差值记为每个横向滑动窗口的灰度差值,将所有横向滑动窗口的灰度差值构成的序列得到横向灰度差值序列;根据斜向滑动窗口和纵向滑动窗口获得斜向灰度差值序列和纵向灰度差值序列;
拟合横向灰度差值序列的曲线,记为横向差值曲线,根据斜向灰度差值序列和纵向灰度差值序列获得斜向差值曲线和纵向差值曲线。
优选的,所述根据横向差值曲线、斜向差值曲线和纵向差值曲线中极大值点得到边缘像素,包括的具体步骤为:
获取横向差值曲线的极大值点;
根据横向差值曲线的极大值点的灰度差值得到横向差值曲线中每个极大值点的边缘有效度的计算方法为:
其中,表示横向差值曲线的第i个极大值点的灰度差值,/>表示横向差值曲线的所有极大值点的灰度差值的均值,/>表示横向差值曲线的第i个极大值点的边缘有效度;
根据横向差值曲线的每个极大值点的边缘有效度,利用ISODATA聚类算法对横向差值曲线的所有极大值点进行聚类分析,得到多个类簇,计算每个类簇中所有极大值点的边缘有效度均值,将边缘有效度均值最大的类簇中极大值点,记为横向差值曲线的最佳极大值点;
获取斜向差值曲线的最佳极大值点和纵向差值曲线的最佳极大值点;
将横向差值曲线的最佳极大值点,纵向差值曲线的最佳极大值点以及斜向差值曲线的最佳极大值点对应的滑动窗口中的像素,记为边缘像素。
优选的,所述对边缘像素进行连接处理得到若干可选连接线,包括的具体步骤为:
获取每个边缘像素最近的边缘像素,获取每个边缘像素与最近的边缘像素的欧氏距离;当边缘像素与最近的边缘像素的欧氏距离小于等于F时,将最近的边缘像素与该边缘像素连接,完成所有边缘像素的连接处理得到若干连接线,记为可选连接线;F表示预设连接距离。
优选的,所述根据每个可选连接线上边缘像素的坐标分布得到每个可选连接线的横向分布混乱程度和纵向分布混乱程度,包括的具体步骤为:
获取每个可选连接线的横向差值序列的若干横向区间以及纵向差值序列的若干纵向区间;
根据每个可选连接线的横向差值序列的若干个横向区间得到每个可选连接线的横向分布混乱程度的计算方法为:
其中,表示第k个可选连接线的横向差值序列的横向区间的数量,/>表示第k个可选连接线的横向差值序列中等于1的数据数量,/>表示第k个可选连接线的横向差值序列中等于-1的数据数量,/>表示第k个可选连接线的横向差值序列的第j+1个横向区间对应的所有边缘像素的横坐标的均值,/>表示第k个可选连接线的横向差值序列的第j个横向区间对应的所有边缘像素的横坐标的均值,/>表示线性归一化函数,/>表示第k个可选连接线的横向分布混乱程度;
根据每个可选连接线的纵向差值序列的若干纵向区间得到纵向分布混乱程度。
优选的,所述获取每个可选连接线的横向差值序列的若干横向区间以及纵向差值序列的若干纵向区间,包括的具体步骤为:
以灰度图像中左上角像素为原点,以水平向右为横轴正方向,以竖直向下为纵轴正方向,构建坐标系,在坐标系中获取每个边缘像素的坐标;
对于每个可选连接线,从一个端点开始到另一个端点结束,将可选连接线上所有边缘像素构成的序列记为边缘像素序列;将边缘像素序列中每个边缘像素的横坐标与前一个边缘像素的横坐标的差值构成的序列,记为横向差异序列;将边缘像素序列中每个边缘像素点的纵坐标与前一个边缘像素的纵坐标的差值构成的序列,记为纵向差值序列;
将每个可选连接线的横向差异序列中连续取值相同的数据划分在一个区间,得到每个可选连接线的横向差值序列的若干横向区间;获取每个可选连接线的纵向差值序列的若干纵向区间。
优选的,所述根据每个可选连接线的两侧像素的灰度值变化特征得到每个可选连接线的第一渐变程度和第二渐变程度,包括的具体步骤为:
获取每个可选连接线的每个边缘像素对的第一参考像素和第二参考像素;
根据每个可选连接线的所有边缘像素对的第一参考像素得到每个可选连接线的第一渐变程度的方法为:
将每个可选连接线的每个边缘像素对的所有第一参考像素构成的序列记为每个可选连接线的每个边缘像素对的第一参考像素序列;将每个可选连接线的每个边缘像素对的第一参考像素序列中每个第一参考像素与前一个第一参考像素的差值作为每个可选连接线的每个边缘像素对的每个第一参考像素的斜率,将每个可选连接线的每个边缘像素对的所有第一参考像素的斜率的均值记为每个可选连接线的每个边缘像素对的第一斜率;
其中,表示第k个可选连接线的第t个边缘像素对的第一斜率,/>表示第k个可选连接线的边缘像素对的数量,/>表示第k个可选连接线的第t个边缘像素对的所有第一参考像素的离差平方和,/>表示第k个可选连接线的第一渐变程度;
根据每个可选连接线的所有边缘像素对的第二参考像素得到每个可选连接线的第二渐变程度。
优选的,所述获取每个可选连接线的每个边缘像素对的第一参考像素和第二参考像素,包括的具体步骤为:
对于每个可选连接线,以可选连接线中每个边缘像素为中心,在垂直于可选连接线的方向上,获取连续的Q个像素构成的垂线段,可选连接线将每个边缘像素的垂线段分割成两个子垂线段,将分布在可选连接线的任意一侧的子垂线段记为每个边缘像素的第一子垂线段,将分布在可选连接线的另外一侧的子垂线段,记为每个边缘像素的第二子垂线段;将可选连接线上每两个相邻边缘像素构成边缘像素对,每个边缘像素对中每个边缘像素的第一子垂线段通过的像素记为每个边缘像素对的第一参考像素;将每个边缘像素对中每个边缘像素的第二子垂线段通过的像素记为每个边缘像素对的第二参考像素;Q表示预设连续长度。
优选的,所述根据每个可选连接线的横向分布混乱程度和纵向分布混乱程度,每个可选连接线的第一渐变程度和第二渐变程度得到每个可选连接线的气泡边缘评价值,包括的具体步骤为:
其中,表示第k个可选连接线的横向分布混乱程度,/>表示第k个可选连接线的纵向分布混乱程度,/>表示第k个可选连接线的第一渐变程度,/>表示第k个可选连接线的第二渐变程度,/>表示第k个可选连接线的一个端点与另外一个端点的欧氏距离,/>表示第k个可选连接线的气泡边缘评价值。
优选的,所述根据每个可选连接线的气泡边缘评价值对灰度图像中可选连接线上的边缘像素进行增强处理得到增强后灰度图像,对增强后灰度图像进行边缘检测得到气泡边缘线,包括的具体步骤为:
其中,表示第k个可选连接线上第v个边缘像素的灰度值,/>表示第k个可选连接线的气泡边缘评价值,R表示可选连接线的数量,/>表示第k个可选连接线上第v个边缘像素的修正后灰度值;
将灰度图像中可选边缘线上每个边缘像素的灰度值替换为修正后灰度值,将不属于可选边缘线的像素的灰度值保持不变,得到增强后灰度图像;
利用canny检测算法对增强后灰度图像进行边缘检测得到气泡边缘线。
本发明具有如下有益效果:
获取中硼硅玻璃管的灰度图像,获取灰度图像中的可选连接线,可选连接线为灰度图像中的边缘线,通过分析每个可选边缘线的像素坐标的分布情况得到每个可选边缘线的横向分布混乱程度和纵向分布混乱程度,通过横向分布混乱程度和纵向分布混乱程度能够反映每个可选边缘线的坐标分布特征符合气泡边缘的情况。根据每个可选边缘线的两侧像素的灰度变化得到每个可选边缘线的第一渐变程度和第二渐变程度,由于中硼硅玻璃管的结构边缘线和气泡边缘线在渐变特征上存在差异,因而通过第一渐变程度和第二渐变程度可以对中硼硅玻璃管的结构边缘线和气泡边缘线进行区分。根据每个可选边缘线的第一渐变程度和第二渐变程度,横向分布混乱程度和纵向分布混乱程度得到每个可选边缘线的气泡边缘评价值,通过气泡边缘评价值能够反映每个可选边缘线为气泡边缘的情况,根据每个可选边缘线的气泡边缘评价值实现图像增强和气泡边缘检测。
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中硼硅玻璃管精切工艺视觉检测方法流程图;
图2为本发明一个实施例所提供的中硼硅玻璃管的灰度图像;
图3为本发明一个实施例所提供的横向差值曲线;
图4为本发明一个实施例所提供的可选连接线的形状示意图。
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中硼硅玻璃管精切工艺视觉检测方法,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。
一种中硼硅玻璃管精切工艺视觉检测方法实施例:
下面结合附图具体的说明本发明所提供的一种中硼硅玻璃管精切工艺视觉检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种中硼硅玻璃管精切工艺视觉检测方法流程图,该方法包括:
S001:采集中硼硅玻璃管的灰度图像。
具体的,在中硼硅玻璃管精切工艺产线上布置的相机,采集中硼硅玻璃管的图像,将中硼硅玻璃管的图像进行灰度化处理得到中硼硅玻璃管的灰度图像,图2中展示了中硼硅玻璃管的灰度图像。
S002:获取灰度图像中的若干可选连接线。
需要说明的是,为了获取气泡缺陷的边缘线,需先获取灰度图像中的所有边缘线,然后在判断哪个边缘线为气泡边缘线。首先获取灰度图像中的边缘线。
具体的,利用a*a的窗口,从灰度图像的第一个像素开始,以1个像素为步长,在灰度图像的水平方向上滑动,直至滑动至灰度图像的最后一个像素时结束。将每次滑动时得到的包含灰度图像中像素的窗口,记为横向滑动窗口。
利用a*a的窗口,从灰度图像的第一个像素开始,以1个像素为步长,在灰度图像的45度方向的上滑动,直至滑动至灰度图像的最后一个像素时结束。将每次滑动时得到的包含灰度图像中像素的窗口,记为斜向滑动窗口。
利用a*a的窗口,从灰度图像的第一个像素开始,以1个像素为步长,在灰度图像上竖直方向滑动,直至滑动至灰度图像的最后一个像素时结束。将每次滑动时得到的包含灰度图像中像素的窗口,记为纵向滑动窗口。
a表示预设窗口边长,本实施例以a取2为例进行叙述,其他实施例可以取其他值,本实施例不进行具体限制。
需要说明的是,边缘处的像素的灰度值与周围像素的灰度值的差异较大,因而可以基于此来获取边缘线。
进一步的,将每个横向滑动窗口中所有像素的灰度值的均值记为每个横向滑动窗口的灰度值。将每个横向滑动窗口的灰度值与前一个滑动窗口的灰度值的差值记为每个横向滑动窗口的灰度差值,将所有横向滑动窗口的灰度差值构成的序列得到横向灰度差值序列。同理根据斜向滑动窗口和纵向滑动窗口获得斜向灰度差值序列和纵向灰度差值序列。
拟合横向灰度差值序列的曲线,记为横向差值曲线,同理根据斜向灰度差值序列和纵向灰度差值序列获得斜向差值曲线和纵向差值曲线。
进一步的,获取横向差值曲线的极大值点,图3展示了横向差值曲线,图3中每个圆圈中的点为横向差值曲线的极大值点。在图3中,横坐标为横向灰度差值序列中每个数据的序号,纵坐标为横向灰度差值序列中的每个横向滑动窗口的灰度差值。
根据横向差值曲线的极大值点的灰度差值得到横向差值曲线中每个极大值点的边缘有效度的计算公式为:
其中,表示横向差值曲线的第i个极大值点的灰度差值,该值越大说明第i个极大值点对应的横向滑动窗口中像素的灰度值比前面一个横向滑动窗口中像素的灰度值大的越多,因而第i个极大值点对应的横向滑动窗口中像素为边缘像素的可能性越大,/>表示横向差值曲线的所有极大值点的灰度差值的均值。/>反映了第i个极大值点的灰度差值相较于其他极大值点的灰度差值的大小,该值越大说明第i个极大值点的灰度差值比其他极大值点的灰度差值大越多,因而第i个极大值点对应的横向滑动窗口中像素的灰度值比前面一个横向滑动窗口中像素的灰度值大的越多,因而第i个极大值点对应的横向滑动窗口中像素为边缘像素的可能性越大,/>表示横向差值曲线的第i个极大值点的边缘有效度。
根据横向差值曲线的每个极大值点的边缘有效度,利用ISODATA聚类算法对横向差值曲线的所有极大值点进行聚类分析,得到多个类簇。计算每个类簇中所有极大值点的边缘有效度均值,将边缘有效度均值最大的类簇中极大值点,记为横向差值曲线的最佳极大值点。
同理获取斜向差值曲线的最佳极大值点和纵向差值曲线的最佳极大值点。
进一步的,将横向差值曲线的最佳极大值点,纵向差值曲线的最佳极大值点以及斜向差值曲线的最佳极大值点对应的滑动窗口中的像素,记为边缘像素。
获取每个边缘像素最近的边缘像素,获取每个边缘像素与最近的边缘像素的欧氏距离。当边缘像素与最近的边缘像素的欧氏距离小于等于F时,将最近的边缘像素与该边缘像素连接,同理完成所有边缘像素的连接处理得到若干连接线,记为可选连接线。F表示预设连接距离,本实施例以F取为例进行叙述,其他实施例可以取其他值,本实施例不进行具体限制。
至此,得到可选连接线,所述可选连接线即为边缘线。
S003:计算每个可选连接线的横向分布混乱程度和纵向分布混乱程度,计算每个可选连接线的第一渐变程度和第二渐变程度,根据每个可选连接线的横向分布混乱程度和纵向分布混乱程度,每个可选连接线的第一渐变程度和第二渐变程度得到每个可选连接线的气泡边缘评价值。
需要说明的是,为了判断可选连接线中哪些为气泡边缘线,需根据气泡边缘线的特征来对这些可选连接线进行区分。
需要进一步说明的是,气泡边缘线一般为圆形或者是椭圆形的闭合曲线。而硼硅玻璃管的结构边缘线,一般为直线或者是弧度较小的曲线。直线或者弧度较小的曲线,其像素坐标分布一般具有线性特征,而气泡边缘线不具有线性特征。因而气泡边缘线上像素坐标分布相对较为混乱。因而可以基于此来对每个可选连接线进行分析。
具体的,以灰度图像中左上角像素为原点,以水平向右为横轴正方向,以竖直向下为纵轴正方向,构建坐标系。在坐标系中获取每个边缘像素的坐标。
对于每个可选连接线,从一个端点开始到另一个端点结束,将可选连接线上所有边缘像素构成的序列记为边缘像素序列。将边缘像素序列中每个边缘像素的横坐标与前一个边缘像素的横坐标的差值构成的序列,记为横向差异序列。将边缘像素序列中每个边缘像素点的纵坐标与前一个边缘像素的纵坐标的差值构成的序列,记为纵向差值序列。
需要说明的是,由于每个可选连接线的边缘像素序列中相邻边缘像素之间没有存在其他像素,因而边缘像素序列中边缘像素坐标是连续渐变的,因而边缘像素序列中相邻两个像素之间,无论是横坐标还是纵坐标的差值只能是1或者是-1。
将每个可选连接线的横向差异序列中连续取值相同的数据划分在一个区间,得到每个可选连接线的横向差值序列的若干横向区间。同理得到每个可选连接线的纵向差值序列的若干纵向区间。
根据每个可选连接线的横向差值序列的若干个横向区间得到每个可选连接线的横向分布混乱程度的计算方法为:
其中,表示第k个可选连接线的横向差值序列的横向区间的数量,该值越大说明第k个可选连接线中边缘像素的横坐标增减单调性变化较为频繁,结合示意图4所示,可选连接线为图4中圆形或者椭圆形的气泡边缘线时,该可选连接线中横坐标很容易从单调递增变化为单调递减,或者是从单调递减变化为单调递增,因而其增减单调性变化较为频繁。因而可选连接线中每个边缘像素与前一个边缘像素的横坐标差值,一会等于1,一会等于-1,因而将可选连接线的横向差值序列就会被划分为多个横向区间。可选连接线为图4中直线时,其横坐标一直呈现的是单调递增的趋势,因而可选连接线中每个边缘像素的横坐标与前一个边缘像素的横坐标的差值始终等于1,因而可选连接线的横向差值序列的横向区间的数量等于1。/>表示第k个可选连接线的横向差值序列中等于1的数据数量,/>表示第k个可选连接线的横向差值序列中等于-1的数据数量。如示意图4所示,当可选连接线为图4中圆形或者椭圆形的气泡边缘线时,该可选连接线的闭合程度较大,该可选连接线中横坐标递增变化的边缘像素点数量和递减变化的边缘像素点数量差异较小,即可选连接线的横向差值序列中取-1的数量和取1的数量差异较小。当可选连接线为图4中直线时,其横坐标一直呈现的是单调递增的趋势,因而该可选连接线的横向差值序列存在的均是取1的数据。因而当可选连接线为气泡边缘线时,/>取值较小。当可选连接线为结构边缘线时,/>取值较大。/>表示第k个可选连接线的横向差值序列的第j+1个横向区间对应的所有边缘像素的横坐标的均值,/>表示第k个可选连接线的横向差值序列的第j个横向区间对应的所有边缘像素的横坐标的均值。结合示意图4所示,当可选连接线为图4中圆形或者椭圆形的气泡边缘线时,该可选连接线的闭合程度较大,可选连接线中横坐标既有单调递增变化的边缘像素也有单调递减变化的边缘像素,因而不同横向区间对应的边缘像素的横坐标均值差异既有小于0,也有大于0的。因而所有的不同横向区间对应边缘像素的横坐标均值差异的累加和应该较小,即/>应该越小。当可选连接线为图4中直线时,该可选连接线中横坐标只有单调递增变化的边缘像素,因而该可选连接线只存在一个横向区间。此时不存在和该横向区间对应的边缘像素的横坐标差值作差的其他横向区间,此时无法利用公式/>计算该可选连接线的横向分布混乱程度,为了解决该状况,下面给出了特殊情况下的计算公式。/>表示线性归一化函数。/>表示第k个可选连接线的横向分布混乱程度。其中,图4对应的坐标系为灰度图像的笛卡尔坐标系,横坐标为灰度图像中每个像素点在水平方向的位置,纵坐标为灰度图像中每个像素点在竖直方向的位置。
特殊的,当可选连接线的横向差值序列的横向区间的数量等于1时,该可选连接线的横向分布混乱程度的计算公式为:
其中,表示第k个可选连接线的横向差值序列对应的所有边缘像素的横坐标的均值。
同理根据每个可选连接线的纵向差值序列的若干个纵向区间得到每个可选连接线的纵向分布混乱程度。
需要说明的是,由于硼硅玻璃管的结构边缘线两侧的灰度值具有渐变特征,而气泡缺陷的边缘线两侧的灰度值不具有渐变特征。因而可以基于此来对气泡缺陷的边缘线进行区分。
进一步的,对于每个可选连接线,以可选连接线中每个边缘像素为中心,在垂直于可选连接线的方向上,获取连续的Q个像素构成的垂线段。可选连接线将每个边缘像素的垂线段分割成两个子垂线段,将分布在可选连接线的任意一侧的子垂线段记为每个边缘像素的第一子垂线段,将分布在可选连接线的另外一侧的子垂线段,记为每个边缘像素的第二子垂线段。将可选连接线上每两个相邻边缘像素构成边缘像素对,每个边缘像素对中每个边缘像素的第一子垂线段通过的像素记为每个边缘像素对的第一参考像素。将每个边缘像素对中每个边缘像素的第二子垂线段通过的像素记为每个边缘像素对的第二参考像素;Q表示预设连续长度。本实施例以Q取11为例进行叙述,其他实施例可以取其他值,本实施例不进行具体限制。
根据每个可选连接线的所有边缘像素对的第一参考像素得到每个可选连接线的第一渐变程度的方法为:
将每个可选连接线的每个边缘像素对的所有第一参考像素构成的序列记为每个可选连接线的每个边缘像素对的第一参考像素序列。将每个可选连接线的每个边缘像素对的第一参考像素序列中每个第一参考像素与前一个第一参考像素的差值作为每个可选连接线的每个边缘像素对的每个第一参考像素的斜率。将每个可选连接线的每个边缘像素对的所有第一参考像素的斜率的均值记为每个可选连接线的每个边缘像素对的第一斜率。
每个可选连接线的第一渐变程度的计算方法为:
其中,表示第k个可选连接线的第t个边缘像素对的第一斜率,该值越大说明第k个可选连接线其中一侧的相邻像素之间存在较大的灰度差异,因而第k个可选连接线一侧存在灰度渐变现象,因而第k个可选连接线的第一渐变程度越大。/>表示第k个可选连接线的边缘像素对的数量。/>表示第k个可选连接线的第t个边缘像素对的所有第一参考像素的离差平方和,该值越大说明第k个可选连接线其中一侧的像素之间存在较大的灰度差异,因而第k个可选连接线一侧存在灰度渐变现象,因而第k个可选连接线的第一渐变程度越大。/>表示第k个可选连接线的第一渐变程度。
同理根据每个可选连接线的所有边缘像素对的第二参考像素得到每个可选连接线的第二渐变程度。
进一步的,根据每个可选连接线的横向分布混乱程度和纵向分布混乱程度,每个可选连接线的第一渐变程度和第二渐变程度得到每个可选连接线的气泡边缘评价值的计算方法为:
其中,表示第k个可选连接线的横向分布混乱程度,/>表示第k个可选连接线的纵向分布混乱程度,/>反映了第k个可选连接线上坐标分布混乱程度,该值越大说明第k个可选连接线为圆型或椭圆型边缘线的可能性越大,并且第k个可选连接线的闭合程度越大,因而第k个可选连接线为气泡边缘线的可能性越大。/>表示第k个可选连接线的第一渐变程度,/>表示第k个可选连接线的第二渐变程度,/>反映了第k个可选连接线两侧像素的渐变情况,该值说明第k个可选连接线两侧像素的渐变性越大。由于硼硅玻璃管的结构边缘线两侧的灰度值具有渐变特征,而气泡缺陷的边缘线两侧的灰度值不具有渐变特征,因而当/>越大,第k个可选连接线为气泡边缘线的可能性越小。/>表示第k个可选连接线的一个端点与另外一个端点的欧氏距离,该值越大说明第k个可选连接线的闭合程度越大,因而第k个可选连接线为气泡边缘线的可能性越大,/>表示第k个可选连接线的气泡边缘评价值。
S004:根据每个可选连接线的气泡边缘评价值进行图像增强得到增强后灰度图像,根据增强后灰度图像得到气泡边缘线。
需要说明的是,为了准确获取气泡边缘线,需根据每个可选连接线的气泡边缘评价值对灰度图像中每个可选连接线上像素进行增强。
具体的,每个可选连接线上每个边缘像素的修正后灰度值的计算方法为:
其中,表示第k个可选连接线上第v个边缘像素的灰度值,/>表示第k个可选连接线的气泡边缘评价值,R表示可选连接线的数量,/>表示第k个可选连接线上第v个边缘像素的修正后灰度值。
将灰度图像中可选边缘线上每个像素的灰度值替换为修正后灰度值,将不属于可选边缘线的像素的灰度值保持不变,得到增强后灰度图像。
进一步的,利用canny检测算法对增强后灰度图像进行边缘检测得到气泡边缘线。
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)
1.一种中硼硅玻璃管精切工艺视觉检测方法,其特征在于,所述方法包括:
获取中硼硅玻璃管的灰度图像;
根据灰度图像中像素间的灰度差异得到横向差值曲线、斜向差值曲线和纵向差值曲线,根据横向差值曲线、斜向差值曲线和纵向差值曲线中极大值点得到边缘像素,对边缘像素进行连接处理得到若干可选连接线;
根据每个可选连接线上边缘像素的坐标分布得到每个可选连接线的横向分布混乱程度和纵向分布混乱程度;根据每个可选连接线的两侧像素的灰度值变化特征得到每个可选连接线的第一渐变程度和第二渐变程度;根据每个可选连接线的横向分布混乱程度和纵向分布混乱程度,每个可选连接线的第一渐变程度和第二渐变程度得到每个可选连接线的气泡边缘评价值;
根据每个可选连接线的气泡边缘评价值对灰度图像中可选连接线上的边缘像素进行增强处理得到增强后灰度图像,对增强后灰度图像进行边缘检测得到气泡边缘线。
2.如权利要求1所述的一种中硼硅玻璃管精切工艺视觉检测方法,其特征在于,所述根据灰度图像中像素间的灰度差异得到横向差值曲线、斜向差值曲线和纵向差值曲线,包括的具体步骤为:
利用a*a的窗口,从灰度图像的第一个像素开始,以1个像素为步长,在灰度图像的水平方向上滑动,直至滑动至灰度图像的最后一个像素时结束,将每次滑动时得到的包含灰度图像中像素的窗口,记为横向滑动窗口;
利用a*a的窗口,从灰度图像的第一个像素开始,以1个像素为步长,在灰度图像的45度方向的上滑动,直至滑动至灰度图像的最后一个像素时结束,将每次滑动时得到的包含灰度图像中像素的窗口,记为斜向滑动窗口;
利用a*a的窗口,从灰度图像的第一个像素开始,以1个像素为步长,在灰度图像上竖直方向滑动,直至滑动至灰度图像的最后一个像素时结束,将每次滑动时得到的包含灰度图像中像素的窗口,记为纵向滑动窗口;a表示预设窗口边长;
将每个横向滑动窗口中所有像素的灰度值的均值记为每个横向滑动窗口的灰度值,将每个横向滑动窗口的灰度值与前一个滑动窗口的灰度值的差值记为每个横向滑动窗口的灰度差值,将所有横向滑动窗口的灰度差值构成的序列得到横向灰度差值序列;根据斜向滑动窗口和纵向滑动窗口获得斜向灰度差值序列和纵向灰度差值序列;
拟合横向灰度差值序列的曲线,记为横向差值曲线,根据斜向灰度差值序列和纵向灰度差值序列获得斜向差值曲线和纵向差值曲线。
3.如权利要求1所述的一种中硼硅玻璃管精切工艺视觉检测方法,其特征在于,所述根据横向差值曲线、斜向差值曲线和纵向差值曲线中极大值点得到边缘像素,包括的具体步骤为:
获取横向差值曲线的极大值点;
根据横向差值曲线的极大值点的灰度差值得到横向差值曲线中每个极大值点的边缘有效度的计算方法为:
其中,表示横向差值曲线的第i个极大值点的灰度差值,/>表示横向差值曲线的所有极大值点的灰度差值的均值,/>表示横向差值曲线的第i个极大值点的边缘有效度;
根据横向差值曲线的每个极大值点的边缘有效度,利用ISODATA聚类算法对横向差值曲线的所有极大值点进行聚类分析,得到多个类簇,计算每个类簇中所有极大值点的边缘有效度均值,将边缘有效度均值最大的类簇中极大值点,记为横向差值曲线的最佳极大值点;
获取斜向差值曲线的最佳极大值点和纵向差值曲线的最佳极大值点;
将横向差值曲线的最佳极大值点,纵向差值曲线的最佳极大值点以及斜向差值曲线的最佳极大值点对应的滑动窗口中的像素,记为边缘像素。
4.如权利要求1所述的一种中硼硅玻璃管精切工艺视觉检测方法,其特征在于,所述对边缘像素进行连接处理得到若干可选连接线,包括的具体步骤为:
获取每个边缘像素最近的边缘像素,获取每个边缘像素与最近的边缘像素的欧氏距离;当边缘像素与最近的边缘像素的欧氏距离小于等于F时,将最近的边缘像素与该边缘像素连接,完成所有边缘像素的连接处理得到若干连接线,记为可选连接线;F表示预设连接距离。
5.如权利要求1所述的一种中硼硅玻璃管精切工艺视觉检测方法,其特征在于,所述根据每个可选连接线上边缘像素的坐标分布得到每个可选连接线的横向分布混乱程度和纵向分布混乱程度,包括的具体步骤为:
获取每个可选连接线的横向差值序列的若干横向区间以及纵向差值序列的若干纵向区间;
根据每个可选连接线的横向差值序列的若干个横向区间得到每个可选连接线的横向分布混乱程度的计算方法为:
其中,表示第k个可选连接线的横向差值序列的横向区间的数量,/>表示第k个可选连接线的横向差值序列中等于1的数据数量,/>表示第k个可选连接线的横向差值序列中等于-1的数据数量,/>表示第k个可选连接线的横向差值序列的第j+1个横向区间对应的所有边缘像素的横坐标的均值,/>表示第k个可选连接线的横向差值序列的第j个横向区间对应的所有边缘像素的横坐标的均值,/>表示线性归一化函数,/>表示第k个可选连接线的横向分布混乱程度;
根据每个可选连接线的纵向差值序列的若干纵向区间得到纵向分布混乱程度。
6.如权利要求5所述的一种中硼硅玻璃管精切工艺视觉检测方法,其特征在于,所述获取每个可选连接线的横向差值序列的若干横向区间以及纵向差值序列的若干纵向区间,包括的具体步骤为:
以灰度图像中左上角像素为原点,以水平向右为横轴正方向,以竖直向下为纵轴正方向,构建坐标系,在坐标系中获取每个边缘像素的坐标;
对于每个可选连接线,从一个端点开始到另一个端点结束,将可选连接线上所有边缘像素构成的序列记为边缘像素序列;将边缘像素序列中每个边缘像素的横坐标与前一个边缘像素的横坐标的差值构成的序列,记为横向差异序列;将边缘像素序列中每个边缘像素点的纵坐标与前一个边缘像素的纵坐标的差值构成的序列,记为纵向差值序列;
将每个可选连接线的横向差异序列中连续取值相同的数据划分在一个区间,得到每个可选连接线的横向差值序列的若干横向区间;获取每个可选连接线的纵向差值序列的若干纵向区间。
7.如权利要求1所述的一种中硼硅玻璃管精切工艺视觉检测方法,其特征在于,所述根据每个可选连接线的两侧像素的灰度值变化特征得到每个可选连接线的第一渐变程度和第二渐变程度,包括的具体步骤为:
获取每个可选连接线的每个边缘像素对的第一参考像素和第二参考像素;
根据每个可选连接线的所有边缘像素对的第一参考像素得到每个可选连接线的第一渐变程度的方法为:
将每个可选连接线的每个边缘像素对的所有第一参考像素构成的序列记为每个可选连接线的每个边缘像素对的第一参考像素序列;将每个可选连接线的每个边缘像素对的第一参考像素序列中每个第一参考像素与前一个第一参考像素的差值作为每个可选连接线的每个边缘像素对的每个第一参考像素的斜率,将每个可选连接线的每个边缘像素对的所有第一参考像素的斜率的均值记为每个可选连接线的每个边缘像素对的第一斜率;
其中,表示第k个可选连接线的第t个边缘像素对的第一斜率,/>表示第k个可选连接线的边缘像素对的数量,/>表示第k个可选连接线的第t个边缘像素对的所有第一参考像素的离差平方和,/>表示第k个可选连接线的第一渐变程度;
根据每个可选连接线的所有边缘像素对的第二参考像素得到每个可选连接线的第二渐变程度。
8.如权利要求7所述的一种中硼硅玻璃管精切工艺视觉检测方法,其特征在于,所述获取每个可选连接线的每个边缘像素对的第一参考像素和第二参考像素,包括的具体步骤为:
对于每个可选连接线,以可选连接线中每个边缘像素为中心,在垂直于可选连接线的方向上,获取连续的Q个像素构成的垂线段,可选连接线将每个边缘像素的垂线段分割成两个子垂线段,将分布在可选连接线的任意一侧的子垂线段记为每个边缘像素的第一子垂线段,将分布在可选连接线的另外一侧的子垂线段,记为每个边缘像素的第二子垂线段;将可选连接线上每两个相邻边缘像素构成边缘像素对,每个边缘像素对中每个边缘像素的第一子垂线段通过的像素记为每个边缘像素对的第一参考像素;将每个边缘像素对中每个边缘像素的第二子垂线段通过的像素记为每个边缘像素对的第二参考像素;Q表示预设连续长度。
9.如权利要求1所述的一种中硼硅玻璃管精切工艺视觉检测方法,其特征在于,所述根据每个可选连接线的横向分布混乱程度和纵向分布混乱程度,每个可选连接线的第一渐变程度和第二渐变程度得到每个可选连接线的气泡边缘评价值,包括的具体步骤为:
其中,表示第k个可选连接线的横向分布混乱程度,/>表示第k个可选连接线的纵向分布混乱程度,/>表示第k个可选连接线的第一渐变程度,/>表示第k个可选连接线的第二渐变程度,/>表示第k个可选连接线的一个端点与另外一个端点的欧氏距离,/>表示第k个可选连接线的气泡边缘评价值。
10.如权利要求1所述的一种中硼硅玻璃管精切工艺视觉检测方法,其特征在于,所述根据每个可选连接线的气泡边缘评价值对灰度图像中可选连接线上的边缘像素进行增强处理得到增强后灰度图像,对增强后灰度图像进行边缘检测得到气泡边缘线,包括的具体步骤为:
其中,表示第k个可选连接线上第v个边缘像素的灰度值,/>表示第k个可选连接线的气泡边缘评价值,R表示可选连接线的数量,/>表示第k个可选连接线上第v个边缘像素的修正后灰度值;
将灰度图像中可选边缘线上每个边缘像素的灰度值替换为修正后灰度值,将不属于可选边缘线的像素的灰度值保持不变,得到增强后灰度图像;
利用canny检测算法对增强后灰度图像进行边缘检测得到气泡边缘线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410353846.7A CN117952980B (zh) | 2024-03-27 | 2024-03-27 | 一种中硼硅玻璃管精切工艺视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410353846.7A CN117952980B (zh) | 2024-03-27 | 2024-03-27 | 一种中硼硅玻璃管精切工艺视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117952980A true CN117952980A (zh) | 2024-04-30 |
CN117952980B CN117952980B (zh) | 2024-06-11 |
Family
ID=90798161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410353846.7A Active CN117952980B (zh) | 2024-03-27 | 2024-03-27 | 一种中硼硅玻璃管精切工艺视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117952980B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113450307A (zh) * | 2021-05-12 | 2021-09-28 | 西安电子科技大学 | 一种产品边缘缺陷检测方法 |
CN115294379A (zh) * | 2022-09-29 | 2022-11-04 | 南通甘雨钢化玻璃制品有限公司 | 基于光学信息的浮选法泡沫识别方法 |
CN115311283A (zh) * | 2022-10-12 | 2022-11-08 | 山东鲁玻玻璃科技有限公司 | 一种玻璃拉管缺陷检测方法及系统 |
CN116309559A (zh) * | 2023-05-17 | 2023-06-23 | 山东鲁玻玻璃科技有限公司 | 一种中硼硅玻璃生产瑕疵智能识别方法 |
CN116363140A (zh) * | 2023-06-02 | 2023-06-30 | 山东鲁玻玻璃科技有限公司 | 一种中硼硅玻璃缺陷的检测方法、系统、装置及存储介质 |
CN116630314A (zh) * | 2023-07-24 | 2023-08-22 | 日照元鼎包装有限公司 | 基于图像处理的保鲜纸箱覆膜检测方法 |
CN116843757A (zh) * | 2023-08-29 | 2023-10-03 | 山东千颐科技有限公司 | 基于计算机视觉的贴标机智能定位方法 |
CN117095004A (zh) * | 2023-10-20 | 2023-11-21 | 金成技术股份有限公司 | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 |
CN117232985A (zh) * | 2023-11-15 | 2023-12-15 | 内蒙古医科大学附属医院(内蒙古自治区心血管研究所) | 一种水凝胶颗粒强度测定装置及测定方法 |
-
2024
- 2024-03-27 CN CN202410353846.7A patent/CN117952980B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113450307A (zh) * | 2021-05-12 | 2021-09-28 | 西安电子科技大学 | 一种产品边缘缺陷检测方法 |
CN115294379A (zh) * | 2022-09-29 | 2022-11-04 | 南通甘雨钢化玻璃制品有限公司 | 基于光学信息的浮选法泡沫识别方法 |
CN115311283A (zh) * | 2022-10-12 | 2022-11-08 | 山东鲁玻玻璃科技有限公司 | 一种玻璃拉管缺陷检测方法及系统 |
CN116309559A (zh) * | 2023-05-17 | 2023-06-23 | 山东鲁玻玻璃科技有限公司 | 一种中硼硅玻璃生产瑕疵智能识别方法 |
CN116363140A (zh) * | 2023-06-02 | 2023-06-30 | 山东鲁玻玻璃科技有限公司 | 一种中硼硅玻璃缺陷的检测方法、系统、装置及存储介质 |
CN116630314A (zh) * | 2023-07-24 | 2023-08-22 | 日照元鼎包装有限公司 | 基于图像处理的保鲜纸箱覆膜检测方法 |
CN116843757A (zh) * | 2023-08-29 | 2023-10-03 | 山东千颐科技有限公司 | 基于计算机视觉的贴标机智能定位方法 |
CN117095004A (zh) * | 2023-10-20 | 2023-11-21 | 金成技术股份有限公司 | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 |
CN117232985A (zh) * | 2023-11-15 | 2023-12-15 | 内蒙古医科大学附属医院(内蒙古自治区心血管研究所) | 一种水凝胶颗粒强度测定装置及测定方法 |
Non-Patent Citations (2)
Title |
---|
刘东昕 等: ""不同收缩段宽度条件下硼硅酸盐玻璃全电熔窑的模拟研究"", 《技术交流》, 31 December 2022 (2022-12-31), pages 31 - 37 * |
高睿喆 等: ""复合式二次边缘检测的红宝石球直径高精度测量"", 《光学精密工程》, 30 June 2023 (2023-06-30), pages 1741 - 1751 * |
Also Published As
Publication number | Publication date |
---|---|
CN117952980B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114862862B (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
CN116168039B (zh) | 一种环保节能硅酸铝板质量检测方法 | |
CN107255641B (zh) | 一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法 | |
CN115222733B (zh) | 基于图像识别的金属构件表面缺陷检测方法 | |
CN115082462B (zh) | 一种流体输送管外观质量检测方法及系统 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN115063423B (zh) | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 | |
CN115330645B (zh) | 一种焊接图像增强方法 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
CN115984148B (zh) | 一种高通量基因测序数据的去噪增强方法 | |
CN111754422A (zh) | 一种基于EDLines和LSM的视觉巡边方法 | |
CN116993742B (zh) | 基于机器视觉的镍合金轧制缺陷检测方法 | |
CN115689948B (zh) | 用于检测建筑供水管道裂痕的图像增强方法 | |
CN116309600A (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN116990323A (zh) | 一种高精密印刷版视觉检测系统 | |
CN116612123B (zh) | 一种花生油加工质量视觉检测方法 | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN104112123A (zh) | 一种用于子弹表观缺陷检测的aoi系统的缺陷特征提取与识别方法 | |
CN117576104B (zh) | 一种提纯过程中超滤膜健康状态视觉检测方法 | |
CN117952980B (zh) | 一种中硼硅玻璃管精切工艺视觉检测方法 | |
CN111161264B (zh) | 一种对含有缺陷的tft电路图像的分割方法 | |
CN111192261A (zh) | 一种镜片疵病类型识别的方法 | |
CN114511534B (zh) | 一种基于图像处理的pc板裂纹判断方法及系统 | |
CN109063689B (zh) | 人脸图像发型检测方法 |
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 |