CN117974663A - 基于图像特征的玻璃纤维套管质量检测方法 - Google Patents
基于图像特征的玻璃纤维套管质量检测方法 Download PDFInfo
- Publication number
- CN117974663A CN117974663A CN202410381639.2A CN202410381639A CN117974663A CN 117974663 A CN117974663 A CN 117974663A CN 202410381639 A CN202410381639 A CN 202410381639A CN 117974663 A CN117974663 A CN 117974663A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- flatness
- pixel
- glass fiber
- value
- 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
- 239000003365 glass fiber Substances 0.000 title claims abstract description 92
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 239000002245 particle Substances 0.000 claims abstract description 76
- 230000000007 visual effect Effects 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 239000006185 dispersion Substances 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 50
- 230000007547 defect Effects 0.000 claims description 29
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013139 quantization Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 239000011152 fibreglass Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 238000007619 statistical method Methods 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
- Image Analysis (AREA)
Abstract
本发明涉及图像处理领域,具体涉及基于图像特征的玻璃纤维套管质量检测方法,计算套管表面图像中各像素点的颜色显著值;根据像素点及局部邻域内像素点的LBP值获取像素点的纹理平整度;提取各像素点的纹理平整度共生矩阵,结合各像素点纹理平整度及局部邻域像素点的平整对比度获取各像素点的破损度;根据各像素点及相邻像素点的平整度熵得到各像素点的平整度熵相关性,进而得到各像素点的颗粒值;同时计算各像素点的颗粒离散度;根据各像素点的颗粒值及颗粒离散度得到各像素点的颗粒显著值,获取各像素点的视觉显著值;提取异常区域,根据异常区域像素点数量完成玻璃纤维套管质量检测。从而实现玻璃纤维套管质量检测,具有较高检测精度。
Description
技术领域
本申请涉及图像处理领域,具体涉及基于图像特征的玻璃纤维套管质量检测方法。
背景技术
玻璃纤维套管是一种用于保护电线、电缆和其他管道的产品。它通常由玻璃纤维和树脂构成,具有优异的绝缘性能、耐腐蚀性和耐热性能。玻璃纤维套管常用于电力、通信、石油化工、航空航天等行业,玻璃纤维套管在保护电线、电缆和管道方面具有重要作用,能够提供安全、可靠的保护,并广泛应用于各种工业领域。
图像处理技术可以对玻璃纤维套管进行非接触式的快速检测,能够实现高效的自动化检测,大大提高了检测效率。同时,由于图像处理技术能够精确分析和提取图像特征,能够准确地检测出套管表面的缺陷、破损、污染等问题。图像处理技术也可以捕捉和分析玻璃纤维套管表面的图像细节,从而能够对各种类型的缺陷进行准确的检测。可以检测出表面的裂纹、气泡、结渣、断丝、破损等问题,避免了这些缺陷对套管性能和安全性的影响。
综上所述,本发明提出基于图像特征的玻璃纤维套管质量检测方法,采集纤维套管表面图像,获取各像素点的颜色显著特征以及邻域纹理平整度,进而对玻璃纤维套管破损度进行计算,同时对玻璃纤维套管图像中各像素点的颗粒显著特征进行提取,准确获取各像素点的显著性,得到视觉显著度,并结合各像素点的视觉显著值提取异常区域,实现玻璃纤维套管质量的精确检测。
发明内容
为了解决上述技术问题,本发明提供基于图像特征的玻璃纤维套管质量检测方法,以解决现有的问题。
本发明的基于图像特征的玻璃纤维套管质量检测方法采用如下技术方案:
本发明一个实施例提供了基于图像特征的玻璃纤维套管质量检测方法,该方法包括以下步骤:
获取套管表面图像并进行预处理;
根据套管表面图像中各像素点与局部邻域内各像素点的灰度差异得到各像素点的颜色显著值;根据像素点及局部邻域内像素点的LBP值获取像素点的纹理平整度;结合各像素点局部邻域内像素点的纹理平整度获取各像素点的纹理平整度共生矩阵,将各像素点的纹理平整度共生矩阵的对比度作为各像素点的平整对比度,结合各像素点纹理平整度及局部邻域像素点的平整对比度获取各像素点的破损度;将各像素点纹理平整度共生矩阵的熵值作为各像素点的平整度熵,根据各像素点及相邻像素点的平整度熵得到各像素点的平整度熵相关性;根据各像素点的破损度及平整度熵相关性得到各像素点的颗粒值;根据各像素点与图像中心像素点的位置关系得到各像素点的颗粒离散度;根据各像素点的颗粒值及颗粒离散度得到各像素点的颗粒显著值;
根据各像素点的颜色显著值以及颗粒显著值得到各像素点的视觉显著值;将视觉显著值大于阈值的像素点作为异常区域,根据异常区域像素点数量得到玻璃纤维套管缺陷比,所述缺陷比大于预设阈值时,玻璃纤维套管质量不合格,完成玻璃纤维套管质量检测。
优选的,所述根据套管表面图像中各像素点与局部邻域内各像素点的灰度差异得到各像素点的颜色显著值,表达式为:
式中,分别表示像素点i、j的坐标位置,/>表示像素点i坐标位置与局部邻域像素点j坐标位置的欧式距离,/>和/>分别表示像素点i、j的灰度值,/>为控制参数。
优选的,所述根据像素点及局部邻域内像素点的LBP值获取像素点的纹理平整度包括:计算像素点及局部邻域内像素点的LBP值的方差,将所述方差作为像素点的纹理平整度。
优选的,所述结合各像素点纹理平整度及局部邻域像素点的平整对比度获取各像素点的破损度包括:
对于各像素点,所述破损度与像素点的平整对比度成正相关关系,与像素点的纹理平整度成负相关关系,计算像素点纹理平整度与局部邻域内各像素点纹理平整度之和的和值,将像素点平整对比度与所述和值的比值作为像素点的破损度。
优选的,所述根据各像素点及相邻像素点的平整度熵得到各像素点的平整度熵相关性包括:计算像素点与左、右相邻像素点的平整度熵差值绝对值,取差值绝对值的最大值,将所述最大值作为像素点的平整度熵相关性。
优选的,所述根据各像素点的破损度及平整度熵相关性得到各像素点的颗粒值,包括:
获取各像素点的破损度与平整度熵相关性的乘积,将所述乘积与所有像素点纹理平整度均值的比值作为各像素点的颗粒值。
优选的,所述根据各像素点与图像中心像素点的位置关系得到各像素点的颗粒离散度,表达式为:
式中,为像素点i的颗粒离散度,/>为套管表面图像中心点坐标,/>为像素点i的坐标,/>、/>均为距离控制因子,/>为以自然常数e为底数的指数函数。
优选的,所述各像素点的颗粒显著值为各像素点的颗粒值与颗粒离散度的乘积。
优选的,所述各像素点的视觉显著值为各像素点的颜色显著值与颗粒显著值的加权求和。
优选的,所述根据异常区域像素点数量得到玻璃纤维套管缺陷比,包括:
统计异常区域像素点数量以及套管表面图像像素点总数,将异常区域像素点数量与套管表面图像像素点总数的比值作为玻璃纤维套管缺陷比。
本发明至少具有如下有益效果:
本发明通过采用计算机视觉领域的图像处理技术,对玻璃纤维套管质量进行检测,对玻璃纤维套管表面出现颗粒缺陷处的纹理特征进行提取分析,提高了玻璃纤维套管质量检测的准确率;
本发明通过分析套管表面图像中各像素点的颜色显著性以及颗粒显著性,获取各像素点的视觉显著值,提高了各像素点显著性的检测精度,能够对各像素点的特征进行准确表征,提高了套管表面图像中异常区域的检测精度,进而保证玻璃纤维套管质量检测准确性。
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为本发明提供的基于图像特征的玻璃纤维套管质量检测方法的流程图。
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图像特征的玻璃纤维套管质量检测方法,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基于图像特征的玻璃纤维套管质量检测方法的具体方案。
本发明一个实施例提供的基于图像特征的玻璃纤维套管质量检测方法。
具体的,提供了如下的基于图像特征的玻璃纤维套管质量检测方法,请参阅图1,该方法包括以下步骤:
步骤S001,利用CCD相机获取套管表面图像,并对采集的图像预处理。
本实施例旨在根据玻璃纤维套管的图像特征对玻璃纤维套管质量进行检测,因此,本实施例将首先通过利用CCD相机获取套管表面RGB图像。需要说明的是,套管表面图像采集过程实施者可自行设定,相机位置以及拍摄范围、视角等本实施例不做限制,需保证能够对待检测的玻璃纤维套管表面进行采集。由于图像在拍摄过程中,不可避免的会存在一定噪声,影响图像质量,因此首先需要对套管表面图像进行去噪处理。本实施例采用均值滤波的方法实现对套管表面图像去噪。其中均值滤波去噪过程为现有公知技术,不在本实施例保护范围内,不做详细阐述,同时,实施者也可采用其他去噪方法对套管表面图像进行滤波处理。
至此,即可通过本实施例上述方法获取。
步骤S002:获取套管表面图像中各像素点的显著性特征,得到视觉显著图,作为玻璃纤维套管缺陷检测的基础数据。
对玻璃纤维套管进行分析,发现其在生产过程中可能会因为过漆时未过滤干净或者原胶品质有异常等原因造成套管表面出现颗粒,凸起这种不合格的缺陷、破损现象,具体如图1所示。对于图像而言,颜色是其中的一大显著性特征,同时,对玻璃纤维套管图像进行分析可以发现,其表面出现颗粒的破损部位颜色与其他区域颜色具有一定差异,因此首先对颜色的显著性进行计算,对于像素点,获取像素点的颜色显著值。为实现对像素点颜色显著性的精确检测,本实施例根据像素点与局部邻域像素点之间的色彩特征获取各像素点的颜色差异系数,所述颜色显著值表达式为:
式中表示邻域像素点位置,/>表示像素点i坐标位置与局部邻域像素点j坐标位置的欧式距离,所述局部邻域范围实施者可自行设定,本实施例中选取以像素点i为中心的7*7的窗口作为像素点i的局部邻域范围,/>和/>分别表示像素点i、j的灰度值,欧氏距离的计算可通过现有技术实现,不在本实施例保护范围内,在此不进行详细阐述,/>是距离邻域像素点的控制参数,这里取经验值2.5,实施者可根据实际情况进行调整。颜色显著值越大,则像素点的色彩突显特征越明显,与其他像素点的色彩差异越大,像素点显著性也对应越高。
重复本实施例上述方法,获取套管表面图像中各像素点的颜色显著值,作为像素点显著性分析的基础特征。
除颜色特征外,纹理特征作为一种不依赖于图像颜色和亮度的反映图像局部现象的视觉特征,同样具有重要的作用。针对套管表面图像,其表面具有大小均匀、分布规律的细小凹陷,而当表面出现颗粒缺陷时,就会产生一个相对较大的凸起,相较于其他区域,纹理特征具有显著差异,因此对图像的纹理显著性进行分析。鉴于玻璃纤维套管表面具有均匀分布的凹陷与凸起的特性,像素点在凹陷处与在凸起处存在不一样的视觉感受,即若玻璃纤维套管表面若不出现颗粒缺陷时,其纹理是非常均匀和规整的,因此根据这些特征对图像进行分析。
首先,针对套管表面图像,本实施例将对图像中的纹理信息进行检测分析。对于任意像素点,本实施例以像素点i为例,获取局部邻域范围内各像素点的LBP值,需要说明的是,所述局部邻域范围实施者可自行设定,本实施例中选取以像素点i为中心的7*7的窗口作为像素点i的局部邻域范围,对中心像素点的纹理平整度进行计算:
式中,为像素点i的纹理平整度,/>为像素点局部邻域内的像素点总数,/>表示像素点j的LBP值,/>为像素点i局部邻域范围内所有像素点的LBP均值。纹理平整度的构建逻辑为统计像素点的局部范围内的纹理分布特性,对像素点的纹理平整度进行表征,纹理平整度越大,则对应像素点的局部邻域纹理越均匀,表面越平滑。
然后,重复上述方法依次计算各像素点的纹理平整度,得到玻璃纤维套管纹理平整度图像。对于所述纹理平整度图像,以各像素点为中心,获取各像素点的局部邻域范围,需要说明的是,像素点局部邻域尺寸本实施例不做限制,实施者可自行设定。根据邻域内各像素点的纹理平整度,对中心像素点的纹理平整度共生矩阵进行构建,本实施例以像素点i为例进行详细说明纹理平整度共生矩阵构建过程:根据邻域内各像素点的纹理平整度值,得到纹理平整度共生矩阵,对于纹理平整度共生矩阵的参数定义具体如下:纹理平整度量化级别本实施例中设定为8个级别,实施者可根据实际情况自行设定,步距s本实施例定为1,对于方向,本实施例选取0°方向进行统计分析,得到对应的纹理平整度共生矩阵。需要说明的是,对于所述量化级别、步距以及方向的选取本实施例不做限制,实施者可自行设定,同时,对于纹理平整度共生矩阵的构建可根据现有技术灰度共生矩阵的构建过程实现,仅将灰度共生矩阵构建过程中的灰度值代替为纹理平整度即可,具体的共生矩阵构建过程不在本实施例保护范围内,在此不做详细阐述。
重复上述方法,以各像素点为中心,获取各像素点的纹理平整度共生矩阵,用于对各像素点的邻域范围内的纹理分布特征进行检测分析。
进一步,根据纹理平整度矩阵对中心像素点的局部分布状况进行检测,计算纹理平整度共生矩阵得到平整对比度,作为中心像素点i的平整对比度,根据像素点邻域内的纹理平整对比度以及像素点的纹理平整度对中心像素点的破损度进行计算,所述破损度表达式为:
式中,为像素点i的破损度,/>为像素点i的平整对比度,/>表示像素点i的纹理平整度,/>表示像素点j的纹理平整度,/>表示像素点i邻域范围内的像素点个数,像素点破损度的构建逻辑为平整对比度/>越高,代表玻璃纤维套管表面局部纹理越不一致,越可能出现凸起,对应玻璃纤维套管破损度/>也就越高,/>值越大,代表玻璃纤维套管表面的纹理越平整,即玻璃纤维套管表面出现凸起缺陷的概率就越小。平整度共生矩阵中的平整度值之和越大,代表平整度分布越均匀,玻璃纤维套管表面出现缺陷的概率就越小。
同时,本实施例计算所述纹理平整度共生矩阵的熵值,将所述熵值作为中心像素点的平整度熵,获取套管表面图像中各像素点的平整度熵。然后根据各像素点的平整度熵计算各像素点的平整度熵相关性,记作平整度熵相关性,表达式为:
由于玻璃纤维套管表面出现颗粒缺陷时,会产生一个较大的凸起,而凸起处与正常处的边界上纹理会出现较大差异,而在整个凸起的表面纹理却相对一致,因此需要通过判断相邻像素点之间的纹理差异,以实现玻璃纤维套管表面凸起颗粒的精确判定,故根据上述指标构建玻璃纤维套管表面各像素点的颗粒值,表达式为:
式中,表示像素点i的平整度熵相关性,/>为套管表面图像中所有像素点的纹理平整度均值,/>为像素点i的破损度,/>为像素点i的颗粒值。像素点颗粒值构建逻辑为越大,代表玻璃纤维套管表面出现破损的可能性越大,相对/>值也应越大,/>越大,代表该像素点的纹理越复杂,越可能发生突变,且像素点之间平整度熵的相关性也越强,因此/>值也就越大。
重复本实施例上述方法,获取套管表面图像中各像素点的颗粒值,颗粒值越大,则像素点为破损像素点的可能性也越高。
分析发现玻璃纤维套管表面出现的凸起颗粒缺陷,并不完全集中在一个区域,同一根玻璃纤维套管可能在多个区域分布颗粒缺陷,因此需要对玻璃纤维套管颗粒离散度进行计算,根据人眼视觉特征可知,本实施例中破损区域越处于图像中心附近,则对应的显著性也相应越高。本实施例将对各像素点的颗粒离散度进行计算,表达式为:
式中,为像素点i的颗粒离散度,/>为套管表面图像中心点坐标,/>为套管表面图像中像素点i的坐标,/>、/>均为距离控制因子,实施者可自行设定,本实施例中,/>,/>和/>分别表示图像的宽和高,/>为控制参数,本实施例取经验值3,实施者可根据实际情况进行调整。
最后根据上述指标对玻璃纤维套管表面各像素点的颗粒显著值进行计算,用于对各像素点属于玻璃纤维套管表面破损像素点的可能性进行表征,颗粒显著值越大,则对应像素点属于破损区域的可能性越高,破损程度也相应越高,显著性越大。所述像素点的颗粒显著值表达式具体为:
式中,为像素点i的颗粒显著值,/>为像素点i的颗粒离散度,/>为像素点i的颗粒值,其中颗粒显著值越大,则对应像素点在玻璃纤维套管表面的颗粒突显程度越大,为破损颗粒像素点的可能性越高。
重复本实施例上述方法,获取各像素点的颗粒显著值,得到对应的颗粒显著图;
由此得到套管表面图像的颗粒显著图,将颗粒显著图与颜色显著图进行融合,得到最终的视觉显著图,也即根据各像素点的颜色显著值以及颗粒显著值计算各像素点的视觉显著值,所述视觉显著图中像素点的视觉显著值表达式为:
其中,、/>分别为像素点/>的颜色显著值、颗粒显著值,/>为像素点i的视觉显著值,、/>为权值因子,满足/>的常系数,实施者可自行设定所述权值因子的具体取值。由于针对玻璃纤维套管表面出现颗粒的缺陷现象,颗粒特征比颜色特征更为显著,因此本实施例将权值因子/>和/>分别取0.2和 0.8。
至此,通过本实施例上述方法可获取各像素点的颜色显著值以及颗粒显著值,并基于此得到各像素点的视觉显著性,得到对应的视觉显著图,用于对玻璃纤维套管表面各像素点的显著特征进行表征。
步骤S003:根据视觉显著图对玻璃纤维套管表面异常区域进行提取,构建玻璃纤维套管缺陷比,对玻璃纤维套管表面质量进行评估。
对于视觉显著图中各像素点,本实施例根据视觉显著值对异常区域进行提取,本实施例中将图像中的显著值大于阈值的部分即为玻璃纤维套管出现颗粒的异常区域,显著值小于阈值的部分为玻璃纤维套管的正常区域。所述阈值的设定实施者可自行选取,本实施例中阈值为0.5,本实施例对此不做限制。然后统计套管表面图像中异常区域内像素点的总数,记为sum,统计套管表面图像中所有的像素点数量,记为num,据此得到玻璃纤维套管缺陷比fin,表达式为:
根据玻璃纤维套管缺陷比fin对其表面质量进行评价,所述缺陷比越大,则玻璃纤维套管表面异常区域越多,缺陷越严重,对应玻璃纤维套管质量越不好,因此,本实施例设定预设阈值,若fin缺陷比大于预设阈值时,则直接判定为玻璃纤维套管质量不合格,需要进行再次加工检修,以保证套管质量;否则,对应玻璃纤维套管质量合格,能够满足后期使用需求。需要说明的是,所述预设阈值实施者可自行设定,本实施例将预设阈值设定为0.4。
至此,通过本发明实施例上述方法可实现对玻璃纤维套管表面质量进行评估,可实现采用计算机视觉领域的图像处理技术对玻璃纤维套管质量进行检测。本发明实施例对玻璃纤维套管表面出现颗粒缺陷处的纹理特征进行提取分析,提高了玻璃纤维套管质量检测的准确率;
同时,本发明实施例通过分析套管表面图像中各像素点的颜色显著性以及颗粒显著性,获取各像素点的视觉显著值,提高了各像素点显著性的检测精度,能够对各像素点的特征进行准确表征,提高了套管表面图像中异常区域的检测精度,进而保证玻璃纤维套管质量检测准确性。
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。且上述对本说明书特定实施例进行了描述。另外,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或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。
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;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,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.基于图像特征的玻璃纤维套管质量检测方法,其特征在于,该方法包括以下步骤:
获取套管表面图像并进行预处理;
根据套管表面图像中各像素点与局部邻域内各像素点的灰度差异得到各像素点的颜色显著值;根据像素点及局部邻域内像素点的LBP值获取像素点的纹理平整度;结合各像素点局部邻域内像素点的纹理平整度获取各像素点的纹理平整度共生矩阵,将各像素点的纹理平整度共生矩阵的对比度作为各像素点的平整对比度,结合各像素点纹理平整度及局部邻域像素点的平整对比度获取各像素点的破损度;将各像素点纹理平整度共生矩阵的熵值作为各像素点的平整度熵,根据各像素点及相邻像素点的平整度熵得到各像素点的平整度熵相关性;根据各像素点的破损度及平整度熵相关性得到各像素点的颗粒值;根据各像素点与图像中心像素点的位置关系得到各像素点的颗粒离散度;根据各像素点的颗粒值及颗粒离散度得到各像素点的颗粒显著值;
根据各像素点的颜色显著值以及颗粒显著值得到各像素点的视觉显著值;将视觉显著值大于阈值的像素点作为异常区域,根据异常区域像素点数量得到玻璃纤维套管缺陷比,所述缺陷比大于预设阈值时,玻璃纤维套管质量不合格,完成玻璃纤维套管质量检测。
2.如权利要求1所述的基于图像特征的玻璃纤维套管质量检测方法,其特征在于,所述根据套管表面图像中各像素点与局部邻域内各像素点的灰度差异得到各像素点的颜色显著值,表达式为:
式中,分别表示像素点i、j的坐标位置,/>表示像素点i坐标位置与局部邻域像素点j坐标位置的欧式距离,/>和/>分别表示像素点i、j的灰度值,/>为控制参数。
3.如权利要求1所述的基于图像特征的玻璃纤维套管质量检测方法,其特征在于,所述根据像素点及局部邻域内像素点的LBP值获取像素点的纹理平整度包括:计算像素点及局部邻域内像素点的LBP值的方差,将所述方差作为像素点的纹理平整度。
4.如权利要求1所述的基于图像特征的玻璃纤维套管质量检测方法,其特征在于,所述结合各像素点纹理平整度及局部邻域像素点的平整对比度获取各像素点的破损度包括:
对于各像素点,所述破损度与像素点的平整对比度成正相关关系,与像素点的纹理平整度成负相关关系,计算像素点纹理平整度与局部邻域内各像素点纹理平整度之和的和值,将像素点平整对比度与所述和值的比值作为像素点的破损度。
5.如权利要求1所述的基于图像特征的玻璃纤维套管质量检测方法,其特征在于,所述根据各像素点及相邻像素点的平整度熵得到各像素点的平整度熵相关性包括:计算像素点与左、右相邻像素点的平整度熵差值绝对值,取差值绝对值的最大值,将所述最大值作为像素点的平整度熵相关性。
6.如权利要求1所述的基于图像特征的玻璃纤维套管质量检测方法,其特征在于,所述根据各像素点的破损度及平整度熵相关性得到各像素点的颗粒值,包括:
获取各像素点的破损度与平整度熵相关性的乘积,将所述乘积与所有像素点纹理平整度均值的比值作为各像素点的颗粒值。
7.如权利要求1所述的基于图像特征的玻璃纤维套管质量检测方法,其特征在于,所述根据各像素点与图像中心像素点的位置关系得到各像素点的颗粒离散度,表达式为:
式中,为像素点i的颗粒离散度,/>为套管表面图像中心点坐标,/>为像素点i的坐标,/>、/>均为距离控制因子,/>为以自然常数e为底数的指数函数。
8.如权利要求1所述的基于图像特征的玻璃纤维套管质量检测方法,其特征在于,所述各像素点的颗粒显著值为各像素点的颗粒值与颗粒离散度的乘积。
9.如权利要求1所述的基于图像特征的玻璃纤维套管质量检测方法,其特征在于,所述各像素点的视觉显著值为各像素点的颜色显著值与颗粒显著值的加权求和。
10.如权利要求1所述的基于图像特征的玻璃纤维套管质量检测方法,其特征在于,所述根据异常区域像素点数量得到玻璃纤维套管缺陷比,包括:
统计异常区域像素点数量以及套管表面图像像素点总数,将异常区域像素点数量与套管表面图像像素点总数的比值作为玻璃纤维套管缺陷比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410381639.2A CN117974663B (zh) | 2024-04-01 | 2024-04-01 | 基于图像特征的玻璃纤维套管质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410381639.2A CN117974663B (zh) | 2024-04-01 | 2024-04-01 | 基于图像特征的玻璃纤维套管质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117974663A true CN117974663A (zh) | 2024-05-03 |
CN117974663B CN117974663B (zh) | 2024-06-07 |
Family
ID=90855016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410381639.2A Active CN117974663B (zh) | 2024-04-01 | 2024-04-01 | 基于图像特征的玻璃纤维套管质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117974663B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884708A (zh) * | 2021-01-15 | 2021-06-01 | 深圳市悦创进科技有限公司 | 一种圆形注塑件毛边检测方法 |
CN114998198A (zh) * | 2022-04-24 | 2022-09-02 | 南通夏克塑料包装有限公司 | 一种注塑件表面缺陷识别方法 |
US20220292645A1 (en) * | 2021-03-12 | 2022-09-15 | China University Of Mining & Technology, Beijing | Method for restoring video data of drainage pipe based on computer vision |
CN115272317A (zh) * | 2022-09-27 | 2022-11-01 | 南通佳之锦纺织有限公司 | 一种自适应纺织坯布烧毛控制方法 |
CN116503393A (zh) * | 2023-06-26 | 2023-07-28 | 深圳市创智捷科技有限公司 | 基于图像处理的线路板等离子纳米镀膜质量检测方法 |
CN116577351A (zh) * | 2023-07-14 | 2023-08-11 | 深圳市深卓越光电有限公司 | 基于图像数据的液晶玻璃基板偏光片质量检测方法 |
US20240037699A1 (en) * | 2022-01-11 | 2024-02-01 | Dalian University Of Technology | High-throughput microstructure characterization and reconstruction method of heterogeneous materials |
-
2024
- 2024-04-01 CN CN202410381639.2A patent/CN117974663B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884708A (zh) * | 2021-01-15 | 2021-06-01 | 深圳市悦创进科技有限公司 | 一种圆形注塑件毛边检测方法 |
US20220292645A1 (en) * | 2021-03-12 | 2022-09-15 | China University Of Mining & Technology, Beijing | Method for restoring video data of drainage pipe based on computer vision |
US20240037699A1 (en) * | 2022-01-11 | 2024-02-01 | Dalian University Of Technology | High-throughput microstructure characterization and reconstruction method of heterogeneous materials |
CN114998198A (zh) * | 2022-04-24 | 2022-09-02 | 南通夏克塑料包装有限公司 | 一种注塑件表面缺陷识别方法 |
CN115272317A (zh) * | 2022-09-27 | 2022-11-01 | 南通佳之锦纺织有限公司 | 一种自适应纺织坯布烧毛控制方法 |
CN116503393A (zh) * | 2023-06-26 | 2023-07-28 | 深圳市创智捷科技有限公司 | 基于图像处理的线路板等离子纳米镀膜质量检测方法 |
CN116577351A (zh) * | 2023-07-14 | 2023-08-11 | 深圳市深卓越光电有限公司 | 基于图像数据的液晶玻璃基板偏光片质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117974663B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111383209B (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN115100221B (zh) | 一种玻璃缺陷分割方法 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
CN113628189B (zh) | 一种基于图像识别的快速带钢划痕缺陷检测方法 | |
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 | |
CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN115601347A (zh) | 基于灰度纹理分析的钢板表面缺陷检测方法 | |
CN113689426B (zh) | 基于图像处理的消防器械缺陷检测方法 | |
CN116258722B (zh) | 基于图像处理的桥梁建筑智能检测方法 | |
CN110866915A (zh) | 基于度量学习的圆形砚台质量检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN117011292A (zh) | 一种复合板表面质量快速检测方法 | |
CN115272350A (zh) | 一种计算机pcb主板生产质量检测方法 | |
CN116612123A (zh) | 一种花生油加工质量视觉检测方法 | |
CN111667473A (zh) | 基于改进Canny算法的绝缘子憎水性等级判断方法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN117974663B (zh) | 基于图像特征的玻璃纤维套管质量检测方法 | |
CN116703903B (zh) | 一种基于机器视觉的锚杆修复质量检测方法 | |
CN116721096B (zh) | 基于人工智能的新能源线束质量在线检测方法 | |
CN116452613B (zh) | 一种地质调查中裂缝轮廓提取方法 | |
CN112132820A (zh) | 基于YOLOv2算法接触网定位管斜拉线故障检测方法 | |
CN117710873A (zh) | 一种基于双目视觉的新型翻板状态检测方法 | |
CN116758085A (zh) | 一种气体污染红外图像视觉辅助检测方法 | |
CN114581407B (zh) | 一种光伏模块的自适应缺陷检测方法 |
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 |