CN118014993A - 一种超细涂层粉末筛选质量检测方法 - Google Patents
一种超细涂层粉末筛选质量检测方法 Download PDFInfo
- Publication number
- CN118014993A CN118014993A CN202410411101.1A CN202410411101A CN118014993A CN 118014993 A CN118014993 A CN 118014993A CN 202410411101 A CN202410411101 A CN 202410411101A CN 118014993 A CN118014993 A CN 118014993A
- Authority
- CN
- China
- Prior art keywords
- edge line
- target
- pixel point
- image block
- reference edge
- 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
- 239000000843 powder Substances 0.000 title claims abstract description 100
- 239000011248 coating agent Substances 0.000 title claims abstract description 63
- 238000000576 coating method Methods 0.000 title claims abstract description 63
- 238000012216 screening Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000005286 illumination Methods 0.000 claims abstract description 54
- 238000011156 evaluation Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 38
- 230000008859 change Effects 0.000 claims description 23
- 238000009826 distribution Methods 0.000 claims description 9
- 230000000903 blocking effect Effects 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 2
- 239000002245 particle Substances 0.000 description 59
- 238000003708 edge detection Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 239000012535 impurity Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000005054 agglomeration Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种超细涂层粉末筛选质量检测方法,包括:获取待检测超细涂层粉末的灰度图像;获取每个图像块内每个边缘线的加权曲率因子;根据光照阴影评价因子获取每个图像块内所有目标边缘线;根据图像块内任意两个目标边缘线的连接必要性对图像块内目标边缘线进行连接,获取处理后灰度图像;根据处理后灰度图像进行质量检测。本发明提高了超细涂层粉末质量检测结果的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种超细涂层粉末筛选质量检测方法。
背景技术
超细涂层粉末颗粒具有尺寸小、密度低、表面粘附性强等特点,因此在筛选过程中易受到静电吸附、颗粒团聚等影响,导致筛选结果不稳定、难以控制;随着超细涂层粉末在汽车、航空航天等领域的广泛应用,对其质量要求日益提高;在对超细涂层粉末质量检测时,由于在图像中难以分辨出不完整的粉末颗粒与被遮挡住部分的粉末颗粒和光照影响,造成不完整的粉末颗粒的边缘类似圆形,导致被遮挡住部分的粉末颗粒在质量检测中被误分为不完整的粉末颗粒,使得质量检测结果不准确。
发明内容
为了解决上述问题,本发明提供一种超细涂层粉末筛选质量检测方法,所述方法包括:
获取待检测超细涂层粉末的灰度图像;
对灰度图像进行分块处理,获取灰度图像的若干个图像块;对每个图像块的边缘检测,获取每个图像块内若干个边缘线;根据每个边缘线的端点位置上像素点的梯度,获取每个边缘线的加权曲率因子;
根据加权曲率因子以及每个边缘线上像素点的梯度幅值,获取每个边缘线的光照阴影评价因子;根据光照阴影评价因子获取每个图像块内所有目标边缘线;根据任意两个目标边缘线之间光照阴影评价因子的差异和端点位置上像素点的分布差异,获取任意两个目标边缘线的连接必要性;根据连接必要性对每个图像块内目标边缘线进行连接,获取处理后灰度图像;
根据处理后灰度图像进行质量检测;
其中,根据任意两个目标边缘线之间光照阴影评价因子的差异和端点位置上像素点的分布差异,获取任意两个目标边缘线的连接必要性,包括的具体方法为:
对于任意一个图像块内第个目标边缘线和第/>个目标边缘线,将第/>个目标边缘线和第/>个目标边缘线的四个端点位置的像素点进行两两组合,得到若干个组合方式;将每个组合方式中两个像素点之间的欧式距离,记为每个组合方式的距离参数;将最大的距离参数作为第/>个目标边缘线与第/>个目标边缘线之间的第一目标距离;将最小的距离参数作为第/>个目标边缘线与第/>个目标边缘线之间的第二目标距离;
将第个目标边缘线的光照阴影评价因子与第/>个目标边缘线的光照阴影评价因子的差值的绝对值,记为第三差值绝对值;将第/>个目标边缘线与第/>个目标边缘线之间的第二目标距离与第/>个目标边缘线与第/>个目标边缘线之间的第一目标距离的比值,记为第三比值;将第三差值绝对值与第三比值的乘积的反比例值,作为第/>个目标边缘线和第/>个目标边缘线的连接必要性。
优选的,所述对灰度图像进行分块处理,获取灰度图像的若干个图像块,包括的具体方法为:
预设一个分块参数,使用大小为/>的滑窗在灰度图像上进行步长为1的滑窗操作,其中,将灰度图像中每个像素点作为每个滑窗的中心像素点,将每个滑窗作为灰度图像的图像块。
优选的,所述根据每个边缘线的端点位置上像素点的梯度,获取每个边缘线的加权曲率因子,包括的具体方法为:
将任意一个图像块内任意一个边缘线记为参考边缘线;
根据参考边缘线上像素点的总数量,获取参考边缘线的占比权重因子;
将所述图像块内所有边缘线上所有像素点的数量的累加和,记为第一累加和;将参考边缘线的上所有像素点的数量与第一累加和的比值,作为参考边缘线的曲率因子;
将参考边缘线的占比权重因子与参考边缘线的曲率因子的乘积,作为参考边缘线的加权曲率因子。
优选的,所述根据参考边缘线上像素点的总数量,获取参考边缘线的占比权重因子,包括的具体方法为:
将所述图像块内参考边缘线的两个端点位置上像素点的梯度方向的差值与参考边缘线的上所有像素点的数量的比值,记为第一比值;将第一比值的绝对值,作为参考边缘线的曲率因子。
优选的,所述根据加权曲率因子以及每个边缘线上像素点的梯度幅值,获取每个边缘线的光照阴影评价因子,包括的具体方法为:
将任意一个图像块内任意一个边缘线记为第一参考边缘线,对于第一参考边缘线上任意一个像素点,在所述图像块内,将所述像素点作为起点,沿所述像素点的梯度方向作射线,将射线第一次经过的边缘线,记为所述像素点的第一目标边缘线;将第一目标边缘线与射线的交点,记为目标像素点;将所述像素点与目标像素点之间连线上的所有像素点构成的像素点序列,记为所述像素点的灰度变化序列;将灰度变化序列中灰度值最大的像素点,记为所述像素点的第一像素点;将灰度变化序列中灰度值最小的像素点,记为所述像素点的第二像素点;将所述像素点的第一像素点与第二像素点之间的欧式距离,记为所述像素点的目标灰度距离;
将所述图像块内所有边缘线的加权曲率因子的累加和,记为第二累加和;将第一参考边缘线的加权曲率因子与第二累加和的比值,作为第一参考边缘线的曲率权重因子;
根据第一参考边缘线上像素点的梯度幅值,获取第一参考边缘线的梯度波动因子;
根据第一参考边缘线上像素点的目标灰度距离,获取第一参考边缘线的灰度变化率;
将第一参考边缘线的灰度变化率的倒数、第一参考边缘线的梯度波动因子和第一参考边缘线的曲率权重因子这三者的乘积,作为第一参考边缘线的光照阴影评价因子。
优选的,所述根据第一参考边缘线上像素点的梯度幅值,获取第一参考边缘线的梯度波动因子,包括的具体方法为:
将在第一参考边缘线上所有像素点的灰度梯度幅值中,梯度幅值的最大值与最小值的差值的绝对值记为第一差值绝对值;将第一参考边缘线上所有像素点的梯度幅值的均值与第一差值绝对值的比值,作为第一参考边缘线的梯度波动因子。
优选的,所述根据第一参考边缘线上像素点的目标灰度距离,获取第一参考边缘线的灰度变化率,包括的具体方法为:
将第一参考边缘线上第个像素点的第一像素点与第二像素点之间灰度值的差值的绝对值,记为第/>个像素点的第二差值绝对值;将第/>个像素点的第二差值绝对值与第一参考边缘线上第/>个像素点的目标灰度距离的比值,记为第/>个像素点的第二比值;将第一参考边缘线上所有像素点的第二比值的均值,作为第一参考边缘线的灰度变化率。
优选的,所述根据光照阴影评价因子获取每个图像块内所有目标边缘线,包括的具体方法为:
对于任意一个图像块内任意一个边缘线,若所述边缘线的光照阴影评价因子大于或等于所述图像块内所有边缘线的光照阴影评价因子的均值,将所述边缘线记为所述图像块的目标边缘线。
优选的,所述根据连接必要性对每个图像块内目标边缘线进行连接,获取处理后灰度图像,包括的具体方法为:
预设一个阈值参数,对于任意一个图像块内第/>个目标边缘线和第/>个目标边缘线,若第/>个目标边缘线和第/>个目标边缘线的连接必要性大于或等于阈值参数/>,将第/>个目标边缘线和第/>个目标边缘线的组合,记为待连接目标边缘线组合;将所述待连接目标边缘线组合中的两个目标边缘线进行连接,获得连接后图像块;将所有连接后图像块进行融合,获得处理后灰度图像。
本发明的技术方案的有益效果是:根据加权曲率因子以及每个边缘线上像素点的梯度幅值,获取每个边缘线的光照阴影评价因子;根据光照阴影评价因子获取每个图像块内所有目标边缘线,以此避免光照影响造成不完整的粉末颗粒的边缘类似圆形,进而区分出不完整的粉末颗粒与被遮挡住部分的粉末颗粒;根据任意两个目标边缘线之间光照阴影评价因子的差异和端点位置上像素点的分布差异,获取任意两个目标边缘线的连接必要性;根据连接必要性对每个图像块内目标边缘线进行连接,获取处理后灰度图像;根据处理后灰度图像进行质量检测,以此提高了超细涂层粉末质量检测结果的准确性。
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为本发明一种超细涂层粉末筛选质量检测方法的步骤流程图;
图2为本发明一种超细涂层粉末筛选质量检测方法的特征关系流程图。
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一种超细涂层粉末筛选质量检测方法,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一种超细涂层粉末筛选质量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超细涂层粉末筛选质量检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取待检测超细涂层粉末的灰度图像。
需要说明的是,本实施例主要针对在对超细涂层粉末质量检测时,在图像中难以分辨出不完整的粉末颗粒与被遮挡住部分的粉末颗粒,导致被遮挡住部分的粉末颗粒在质量检测中被误分为不完整的粉末颗粒,使得质量检测结果不准确;由于超细涂层粉末过于细小,则需要使用电子显微镜将超细涂层粉末颗粒放大,去获取超细涂层粉末的图像;由于超细涂层粉末颗粒表面较为粗糙,需要对图像进行降噪滤波处理,减少对边缘检测的影响。
具体的,首先需要采集待检测超细涂层粉末的灰度图像,具体过程为:
将待检测超细涂层粉末放置在显微镜检测设备上,获取待检测超细涂层粉末图像,对待检测超细涂层粉末图像进行中值滤波去噪和灰度化操作,得到待检测超细涂层粉末的灰度图像。其中,本实施例以获取的待检测超细涂层粉末的灰度图像大小为800×800进行叙述;中值滤波和灰度化操作为现有技术,本实施例此处不做过多赘述。
至此,通过上述方法得到待检测超细涂层粉末的灰度图像。
步骤S002:获取每个图像块内每个边缘线的加权曲率因子。
需要说明的是,对整个灰度图像进行分块操作可以根据图像的尺寸和处理需求进行调整,每个图像块包含一定数量的超细涂层粉末颗粒;这有助于局部特征的分析,同时也有利于分布不均匀或密度变化的区域的检测;通过对每个图像块进行独立的特征提取,可以更准确地捕捉图像中局部区域的特征。
预设一个分块参数,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>根据具体实施情况而定。
具体的,使用大小为的滑窗在灰度图像上进行步长为1的滑窗操作,其中,将灰度图像中每个像素点作为每个滑窗的中心像素点,将每个滑窗作为灰度图像的图像块,进而获得灰度图像的若干个图像块。
至此,获得灰度图像的若干个图像块。
需要说明的是,在图像块内超细涂层粉末颗粒远多于杂质颗粒或是形态不同的聚团,这也是造成了构成超细涂层粉末颗粒形成的边缘线,在图像块内所有边缘线中的占比更大的原因,而其他的杂质颗粒形成的边缘线的在图像块内的占比会较小;由于超细涂层粉末颗粒是球状的,而杂质颗粒和不合格粉末的形状大多不太规则,这也导致了这些颗粒进行边缘检测时,超细涂层粉末颗粒的边缘普遍呈现为圆弧状态,而其他干扰物的边缘大多不为圆弧形态;所以可以通过对图像块的边缘检测后结果中获取每个边缘线的加权曲率,用于区分超细涂层粉末颗粒和其他干扰物。
具体的,对于任意一个图像块,利用Canny边缘检测算法对所述图像块进行边缘检测,获取所述图像块内若干个边缘线。
其中,Canny边缘检测算法为现有技术,本实施例此处不作过多赘述。
需要说明的是,超细涂层粉末颗粒的边缘检测结果中的边缘线普遍呈现圆弧状,因此这些边缘线在边缘检测结果中分布占比大,也即图像块中各个边缘线的圆弧曲率相似,所以会形成某个边缘线曲率值高频次出现;由于其他干扰粉末粒子的形态不一,且超细涂层粉末颗粒堆叠等因素的影响,导致其边缘线不会接近圆弧状,也即当前边缘线的曲率值与圆弧状的边缘线的曲率值差异较大;进而需要获取每个边缘线的长度在图像块内所有边缘线的总长度的所占比例,占比越小,说明该边缘线在图像块内的所占权重越小,以此通过边缘线的长度对边缘线的曲率进行加权平均处理。
具体的,根据每个边缘线的端点位置上像素点的梯度,获取每个边缘线的加权曲率因子。
作为一种示例,将任意一个图像块内任意一个边缘线记为参考边缘线,获取参考边缘线的加权曲率因子的计算方法为:
式中,表示任意一个图像块内参考边缘线的加权曲率因子;/>表示所述图像块内所有边缘线的总数量;/>表示所述图像块内第/>个边缘线上所有像素点的数量;/>表示所述图像块内参考边缘线的两个端点位置上像素点的梯度方向的差值;/>表示所述图像块内参考边缘线的上所有像素点的数量;/>表示取绝对值。
需要说明的是,表示参考边缘线的占比权重因子,该值越大,说明与参考边缘线相同长度的边缘线在图像块内的占比越大,则参考边缘线越属于超细涂层粉末颗粒的边缘;/>表示参考边缘线的曲率因子,该值越大,说明参考边缘线的形态越属于圆弧状,则参考边缘线越属于超细涂层粉末颗粒的边缘。
至此,通过上述方法得到每个图像块内每个边缘线的加权曲率因子。
步骤S003:根据光照阴影评价因子获取每个图像块内所有目标边缘线;根据图像块内任意两个目标边缘线的连接必要性对图像块内目标边缘线进行连接,获取处理后灰度图像。
1.获取每个图像块内每个边缘线的光照阴影评价因子。
需要说明的是,由于光照从上向下照射,若超细涂层粉末颗粒越靠近上层,超细涂层粉末颗粒接受光照越充分,则超细涂层粉末颗粒的中心最亮,靠近边缘处亮度逐渐减小,变化过程较为缓慢;所以对靠近上层的粉末颗粒边缘进行分析,其边缘线上的各个像素点在梯度方向上的灰度值变化相对平缓,且灰度值的最大最小值之间的差值较小;因此在上层粉末边缘梯度方向上的从最大值到最小值的平均变化率较小;而对于靠近下层的粉末颗粒由于受到光照不充分,其图像较暗,从内部向外亮度递减,亮度变化较上层粉末颗粒更快;所以对下层的粉末颗粒边缘分析,在其边缘梯度方向上的各像素点的灰度值变化相对剧烈,且边缘线上像素点灰度值的最大最小值之间的差值较大;因此在下层粉末颗粒边缘梯度方向上最大值到最小值的平均变化率较大。
进一步需要说明的是,由于光照形成阴影的角度不同,阴影会落在多个粉末颗粒表面,这些粉末颗粒处在不同的层级,所以这些粉末颗粒产生的阴影颜色会有深有浅,导致了阴影的边缘上各像素点的灰度梯度幅值有大有小,梯度幅值的波动更加明显;即粉末颗粒的边缘各处颜色差异基本相同,粉末颗粒边缘的灰度梯度的分布表现将会具有单一峰值,也即因光照与阴影遮挡形成的光照对比不同,光照与阴影形成的边缘的灰度梯度表现分布区间范围更广泛;因此通过灰度波动参数对图像块边缘检测结果进行分析,分辨出图像块内边缘线是粉末颗粒形成的边缘,还是因光照阴影等因素形成的边缘线。
具体的,根据加权曲率因子以及每个边缘线上像素点的梯度幅值,获取每个边缘线的光照阴影评价因子。
作为一种示例,将任意一个图像块内任意一个边缘线记为第一参考边缘线,对于第一参考边缘线上任意一个像素点,在所述图像块内,将所述像素点作为起点,沿所述像素点的梯度方向作射线,将射线第一次经过的边缘线,记为所述像素点的第一目标边缘线;将第一目标边缘线与射线的交点,记为目标像素点;将所述像素点与目标像素点之间连线上的所有像素点构成的像素点序列,记为所述像素点的灰度变化序列;将灰度变化序列中灰度值最大的像素点,记为所述像素点的第一像素点;将灰度变化序列中灰度值最小的像素点,记为所述像素点的第二像素点;将所述像素点的第一像素点与第二像素点之间的欧式距离,记为所述像素点的目标灰度距离;获取第一参考边缘线的光照阴影评价因子的计算方法为:
式中,表示任意一个图像块内第一参考边缘线的光照阴影评价因子;/>表示内第一参考边缘线的加权曲率因子;/>表示所述图像块内所有边缘线的总数量;/>表示所述图像块内第/>个边缘线的加权曲率因子;/>表示第一参考边缘线上所有像素点的梯度幅值的均值;/>表示在第一参考边缘线上所有像素点的灰度梯度幅值中,梯度幅值的最大值与最小值的差值的绝对值;/>表示在第一参考边缘线上所有像素点的总数量;/>表示第一参考边缘线上第/>个像素点的第一像素点与第二像素点之间灰度值的差值的绝对值;/>表示第一参考边缘线上第/>个像素点的目标灰度距离。
需要说明的是,表示第一参考边缘线的曲率权重因子,该值越大,说明第一参考边缘线的形态越接近圆弧状,则第一参考边缘线越属于超细涂层粉末颗粒的边缘;/>表示第一参考边缘线的梯度波动因子,该值越小,说明第一参考边缘线上像素点的梯度变化差异越大,属于阴影边缘的可能性越小,则第一参考边缘线越属于超细涂层粉末颗粒的边缘;/>表示第一参考边缘线的灰度变化率,该值越大,说明第一参考边缘线越属于底层粉末颗粒,该值越小,则第一参考边缘线越属于超细涂层粉末颗粒的边缘。
至此,获得每个图像块内每个边缘线的光照阴影评价因子。
2.获取每个图像块内所有目标边缘线。
需要说明的是,对图像块内每个边缘线计算光照阴影评价因子,将图像块内所有边缘线的光照阴影评价因子的均值作为参考,若边缘线的光照阴影评价因子大于图像块内所有边缘线的光照阴影评价因子的均值,则说明该边缘线属于粉末颗粒形成的边缘;反之若小于图像块内所有边缘线的光照阴影评价因子的均值,说明此边缘属于阴影边缘或为非圆弧状边缘;以此去除不是粉末颗粒形成的边缘。
具体的,对于任意一个图像块内任意一个边缘线,若所述边缘线的光照阴影评价因子大于或等于所述图像块内所有边缘线的光照阴影评价因子的均值,将所述边缘线记为所述图像块的目标边缘线。
至此,获得每个图像块内所有目标边缘线。
3.获取每个图像块内任意两个目标边缘线的连接必要性。
需要说明的是,通过综合考虑图像块内边缘线的形态表现和边缘线周围的灰度变化情况,可以有效排除因杂质、光照等因素形成的非圆形的、类圆形的边缘线;则剩下的边缘线为完整粉末颗粒形成的边缘线、无法完全显示的粉末颗粒形成的边缘线和被遮挡部分的粉末颗粒形成的边缘线;由于图像获取时的失误和边缘检测时划分等因素影响,导致边缘线难以形成完整区域,而获取粉末颗粒需要完整区域,所以需要将两段乃至多段边缘线进行连接,以形成完整的区域。
具体的,根据任意两个目标边缘线之间光照阴影评价因子的差异和端点位置上像素点的分布差异,获取任意两个目标边缘线的连接必要性。
作为一种示例,对于任意一个图像块内第个目标边缘线和第/>个目标边缘线,将第/>个目标边缘线和第/>个目标边缘线的四个端点位置的像素点进行两两组合,得到若干个组合方式,将每个组合方式中两个像素点之间的欧式距离,记为每个组合方式的距离参数;将最大的距离参数作为第/>个目标边缘线与第/>个目标边缘线之间的第一目标距离;将最小的距离参数作为第/>个目标边缘线与第/>个目标边缘线之间的第二目标距离;获取第/>个目标边缘线和第/>个目标边缘线的连接必要性的计算方法为:
式中,表示第/>个目标边缘线和第/>个目标边缘线的连接必要性;/>表示第/>个目标边缘线的光照阴影评价因子;/>表示第/>个目标边缘线的光照阴影评价因子;/>表示第/>个目标边缘线与第/>个目标边缘线之间的第二目标距离;/>表示第/>个目标边缘线与第/>个目标边缘线之间的第一目标距离;/>表示取绝对值;/>表示以自然常数为底数的指数函数,实施例采用/>模型来呈现反比例关系及归一化处理,/>为模型的输入,实施者可根据实际情况选择反比例函数及归一化函数。
至此,获得每个图像块内任意两个目标边缘线的连接必要性。
预设一个阈值参数,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>根据具体实施情况而定。
具体的,对于任意一个图像块内第个目标边缘线和第/>个目标边缘线,若第/>个目标边缘线和第/>个目标边缘线的连接必要性大于或等于阈值参数/>,将第/>个目标边缘线和第/>个目标边缘线的组合,记为待连接目标边缘线组合;将所述待连接目标边缘线组合中的两个目标边缘线进行连接,获得连接后图像块;将所有连接后图像块进行融合,获得处理后灰度图像。
至此,通过上述方法得到处理后灰度图像。
步骤S004:根据处理后灰度图像进行质量检测。
具体的,通过大数据获取大量质量合格的超细涂层粉末的灰度图像和质量不合格的超细涂层粉末的灰度图像,将所有张质量合格的超细涂层粉末的灰度图像和质量不合格的超细涂层粉末的灰度图像记为样本图像集;将样本图像集作为神经网络的数据集,采用交叉熵损失函数来监督训练,在神经网络训练完成后,将处理后灰度图像输入CNN神经网络,神经网络输出待检测超细涂层粉末的检测结果,其中,本实施例中神经网络是卷积神经网络(Convolutional Neural Network,CNN),其他实施例中可以使用其他神经网络模型,本实施例不进行限定。
至此,本实施例完成;请参阅图2,其示出了一种超细涂层粉末筛选质量检测方法的特征关系流程图。
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 (9)
1.一种超细涂层粉末筛选质量检测方法,其特征在于,该方法包括以下步骤:
获取待检测超细涂层粉末的灰度图像;
对灰度图像进行分块处理,获取灰度图像的若干个图像块;对每个图像块的边缘检测,获取每个图像块内若干个边缘线;根据每个边缘线的端点位置上像素点的梯度,获取每个边缘线的加权曲率因子;
根据加权曲率因子以及每个边缘线上像素点的梯度幅值,获取每个边缘线的光照阴影评价因子;根据光照阴影评价因子获取每个图像块内所有目标边缘线;根据任意两个目标边缘线之间光照阴影评价因子的差异和端点位置上像素点的分布差异,获取任意两个目标边缘线的连接必要性;根据连接必要性对每个图像块内目标边缘线进行连接,获取处理后灰度图像;
根据处理后灰度图像进行质量检测;
其中,根据任意两个目标边缘线之间光照阴影评价因子的差异和端点位置上像素点的分布差异,获取任意两个目标边缘线的连接必要性,包括的具体方法为:
对于任意一个图像块内第个目标边缘线和第/>个目标边缘线,将第/>个目标边缘线和第/>个目标边缘线的四个端点位置的像素点进行两两组合,得到若干个组合方式;将每个组合方式中两个像素点之间的欧式距离,记为每个组合方式的距离参数;将最大的距离参数作为第/>个目标边缘线与第/>个目标边缘线之间的第一目标距离;将最小的距离参数作为第个目标边缘线与第/>个目标边缘线之间的第二目标距离;
将第个目标边缘线的光照阴影评价因子与第/>个目标边缘线的光照阴影评价因子的差值的绝对值,记为第三差值绝对值;将第/>个目标边缘线与第/>个目标边缘线之间的第二目标距离与第/>个目标边缘线与第/>个目标边缘线之间的第一目标距离的比值,记为第三比值;将第三差值绝对值与第三比值的乘积的反比例值,作为第/>个目标边缘线和第/>个目标边缘线的连接必要性。
2.根据权利要求1所述一种超细涂层粉末筛选质量检测方法,其特征在于,所述对灰度图像进行分块处理,获取灰度图像的若干个图像块,包括的具体方法为:
预设一个分块参数,使用大小为/>的滑窗在灰度图像上进行步长为1的滑窗操作,其中,将灰度图像中每个像素点作为每个滑窗的中心像素点,将每个滑窗作为灰度图像的图像块。
3.根据权利要求1所述一种超细涂层粉末筛选质量检测方法,其特征在于,所述根据每个边缘线的端点位置上像素点的梯度,获取每个边缘线的加权曲率因子,包括的具体方法为:
将任意一个图像块内任意一个边缘线记为参考边缘线;
根据参考边缘线上像素点的总数量,获取参考边缘线的占比权重因子;
将所述图像块内所有边缘线上所有像素点的数量的累加和,记为第一累加和;将参考边缘线的上所有像素点的数量与第一累加和的比值,作为参考边缘线的曲率因子;
将参考边缘线的占比权重因子与参考边缘线的曲率因子的乘积,作为参考边缘线的加权曲率因子。
4.根据权利要求3所述一种超细涂层粉末筛选质量检测方法,其特征在于,所述根据参考边缘线上像素点的总数量,获取参考边缘线的占比权重因子,包括的具体方法为:
将所述图像块内参考边缘线的两个端点位置上像素点的梯度方向的差值与参考边缘线的上所有像素点的数量的比值,记为第一比值;将第一比值的绝对值,作为参考边缘线的曲率因子。
5.根据权利要求1所述一种超细涂层粉末筛选质量检测方法,其特征在于,所述根据加权曲率因子以及每个边缘线上像素点的梯度幅值,获取每个边缘线的光照阴影评价因子,包括的具体方法为:
将任意一个图像块内任意一个边缘线记为第一参考边缘线,对于第一参考边缘线上任意一个像素点,在所述图像块内,将所述像素点作为起点,沿所述像素点的梯度方向作射线,将射线第一次经过的边缘线,记为所述像素点的第一目标边缘线;将第一目标边缘线与射线的交点,记为目标像素点;将所述像素点与目标像素点之间连线上的所有像素点构成的像素点序列,记为所述像素点的灰度变化序列;将灰度变化序列中灰度值最大的像素点,记为所述像素点的第一像素点;将灰度变化序列中灰度值最小的像素点,记为所述像素点的第二像素点;将所述像素点的第一像素点与第二像素点之间的欧式距离,记为所述像素点的目标灰度距离;
将所述图像块内所有边缘线的加权曲率因子的累加和,记为第二累加和;将第一参考边缘线的加权曲率因子与第二累加和的比值,作为第一参考边缘线的曲率权重因子;
根据第一参考边缘线上像素点的梯度幅值,获取第一参考边缘线的梯度波动因子;
根据第一参考边缘线上像素点的目标灰度距离,获取第一参考边缘线的灰度变化率;
将第一参考边缘线的灰度变化率的倒数、第一参考边缘线的梯度波动因子和第一参考边缘线的曲率权重因子这三者的乘积,作为第一参考边缘线的光照阴影评价因子。
6.根据权利要求5所述一种超细涂层粉末筛选质量检测方法,其特征在于,所述根据第一参考边缘线上像素点的梯度幅值,获取第一参考边缘线的梯度波动因子,包括的具体方法为:
将在第一参考边缘线上所有像素点的灰度梯度幅值中,梯度幅值的最大值与最小值的差值的绝对值记为第一差值绝对值;将第一参考边缘线上所有像素点的梯度幅值的均值与第一差值绝对值的比值,作为第一参考边缘线的梯度波动因子。
7.根据权利要求5所述一种超细涂层粉末筛选质量检测方法,其特征在于,所述根据第一参考边缘线上像素点的目标灰度距离,获取第一参考边缘线的灰度变化率,包括的具体方法为:
将第一参考边缘线上第个像素点的第一像素点与第二像素点之间灰度值的差值的绝对值,记为第/>个像素点的第二差值绝对值;将第/>个像素点的第二差值绝对值与第一参考边缘线上第/>个像素点的目标灰度距离的比值,记为第/>个像素点的第二比值;将第一参考边缘线上所有像素点的第二比值的均值,作为第一参考边缘线的灰度变化率。
8.根据权利要求1所述一种超细涂层粉末筛选质量检测方法,其特征在于,所述根据光照阴影评价因子获取每个图像块内所有目标边缘线,包括的具体方法为:
对于任意一个图像块内任意一个边缘线,若所述边缘线的光照阴影评价因子大于或等于所述图像块内所有边缘线的光照阴影评价因子的均值,将所述边缘线记为所述图像块的目标边缘线。
9.根据权利要求1所述一种超细涂层粉末筛选质量检测方法,其特征在于,所述根据连接必要性对每个图像块内目标边缘线进行连接,获取处理后灰度图像,包括的具体方法为:
预设一个阈值参数,对于任意一个图像块内第/>个目标边缘线和第/>个目标边缘线,若第/>个目标边缘线和第/>个目标边缘线的连接必要性大于或等于阈值参数/>,将第/>个目标边缘线和第/>个目标边缘线的组合,记为待连接目标边缘线组合;将所述待连接目标边缘线组合中的两个目标边缘线进行连接,获得连接后图像块;将所有连接后图像块进行融合,获得处理后灰度图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410411101.1A CN118014993B (zh) | 2024-04-08 | 2024-04-08 | 一种超细涂层粉末筛选质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410411101.1A CN118014993B (zh) | 2024-04-08 | 2024-04-08 | 一种超细涂层粉末筛选质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118014993A true CN118014993A (zh) | 2024-05-10 |
CN118014993B CN118014993B (zh) | 2024-06-11 |
Family
ID=90945609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410411101.1A Active CN118014993B (zh) | 2024-04-08 | 2024-04-08 | 一种超细涂层粉末筛选质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118014993B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023134791A2 (zh) * | 2022-12-16 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种环境安防工程监测数据管理方法及系统 |
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 |
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 |
CN117455904A (zh) * | 2023-12-19 | 2024-01-26 | 深圳市希格莱特科技有限公司 | 基于图像处理的电子烟生产质量检测方法 |
-
2024
- 2024-04-08 CN CN202410411101.1A patent/CN118014993B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2023134791A2 (zh) * | 2022-12-16 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种环境安防工程监测数据管理方法及系统 |
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 |
CN117455904A (zh) * | 2023-12-19 | 2024-01-26 | 深圳市希格莱特科技有限公司 | 基于图像处理的电子烟生产质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN118014993B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114842017B (zh) | 一种hdmi线缆表面质量检测方法及系统 | |
CN109410230B (zh) | 一种可抗噪声的改进Canny图像边缘检测方法 | |
CN114372983B (zh) | 一种基于图像处理的屏蔽盒涂装质量检测方法及系统 | |
CN115829883A (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN115601362B (zh) | 一种基于图像处理的焊接质量评估方法 | |
CN115294140A (zh) | 一种五金零件缺陷检测方法及系统 | |
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN108389216A (zh) | 面向在线铁谱图像磨粒识别的局部自适应阈值分割方法 | |
CN115601368B (zh) | 一种建材装备钣金件缺陷检测方法 | |
CN115222743B (zh) | 基于视觉的家具表面喷漆缺陷检测方法 | |
CN117011292B (zh) | 一种复合板表面质量快速检测方法 | |
CN116503394B (zh) | 基于图像的印刷制品表面粗糙度检测方法 | |
CN116503393B (zh) | 基于图像处理的线路板等离子纳米镀膜质量检测方法 | |
CN113781482A (zh) | 一种复杂环境下机械零件裂纹缺陷检测方法及系统 | |
CN115115637B (zh) | 基于图像金字塔思想的布匹缺陷检测方法 | |
CN116612112B (zh) | 一种水桶表面缺陷视觉检测方法 | |
CN116993742B (zh) | 基于机器视觉的镍合金轧制缺陷检测方法 | |
CN115311484B (zh) | 一种焊缝数据的优化聚类分割方法 | |
CN113610850A (zh) | 一种基于图像处理的装饰纸纹理异常检测方法 | |
CN112215865A (zh) | 一种荧光显微图像下的微液滴自动检测方法 | |
CN117437226A (zh) | 一种半导体加工质量视觉自动在线检测系统 | |
CN116246174A (zh) | 基于图像处理的甘薯种类识别方法 | |
CN116416252A (zh) | 一种勃姆石生产工艺废水沉降图像检测方法 | |
CN117237245B (zh) | 一种基于人工智能与物联网的工业物料质量监测方法 | |
CN118014993B (zh) | 一种超细涂层粉末筛选质量检测方法 |
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 |