CN118037724A - 一种基于图像处理的多孔陶瓷表面粗糙度检测方法及系统 - Google Patents
一种基于图像处理的多孔陶瓷表面粗糙度检测方法及系统 Download PDFInfo
- Publication number
- CN118037724A CN118037724A CN202410435645.1A CN202410435645A CN118037724A CN 118037724 A CN118037724 A CN 118037724A CN 202410435645 A CN202410435645 A CN 202410435645A CN 118037724 A CN118037724 A CN 118037724A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- transverse
- pixel point
- gray level
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 40
- 239000000919 ceramic Substances 0.000 title claims abstract description 35
- 230000003746 surface roughness Effects 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000001228 spectrum Methods 0.000 claims abstract description 98
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种基于图像处理的多孔陶瓷表面粗糙度检测方法及系统,其中,所述方法包括:获取多孔陶瓷的表面图像,并对所述表面图像进行灰度处理,得到所述表面图像的灰度图像;生成所述灰度图像的横向特征图谱和纵向特征图谱,并将所述横向特征图谱和所述纵向特征图谱分别拆分为横向图谱子块和纵向图谱子块;计算所述横向图谱子块对应的横向残差,并计算所述纵向图谱子块对应的纵向残差;融合所述横向残差和所述纵向残差,并根据融合后的残差信息确定所述多孔陶瓷的表面粗糙度。本发明能够提高表面粗糙度检测的便利性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于图像处理的多孔陶瓷表面粗糙度检测方法及系统。
背景技术
目前在检测多孔陶瓷表面粗糙度时,往往会基于精密仪器进行表面检测。精密仪器的造价相对较高,设备的购买和维护都会消耗较多的资源。同时,精密仪器的操作具备技术门槛,检测人员需要经过一定时间的学习,才能够掌握表面检测的流程。
鉴于此,目前需要一种更加简便的表面粗糙度检测方法。
发明内容
本发明提供了一种基于图像处理的多孔陶瓷表面粗糙度检测方法及系统,能够提高表面粗糙度检测的便利性。
本发明一方面提供一种基于图像处理的多孔陶瓷表面粗糙度检测方法,所述方法包括:
步骤S1、获取多孔陶瓷的表面图像,并对所述表面图像进行灰度处理,得到所述表面图像的灰度图像;
步骤S2、生成所述灰度图像的横向特征图谱和纵向特征图谱,并将所述横向特征图谱和所述纵向特征图谱分别拆分为横向图谱子块和纵向图谱子块;
步骤S3、计算所述横向图谱子块对应的横向残差,并计算所述纵向图谱子块对应的纵向残差;
步骤S4、融合所述横向残差和所述纵向残差,并根据融合后的残差信息确定所述多孔陶瓷的表面粗糙度;
在执行步骤S2之前,还需要对步骤S1得到的灰度图像进行如下处理:
步骤S11、针对所述灰度图像中的任一像素点,获取所述像素点的邻域像素,并计算所述邻域像素的像素均值;
步骤S12、利用所述像素均值替代所述像素点的像素值,得到像素平均化处理后的灰度图像。
在一个实施方式中,生成所述灰度图像的横向特征图谱包括:
对所述灰度图像进行逐行采样,并将采样得到的像素点按照采样顺序进行排列,形成横向采样序列;
生成所述横向采样序列的序列特征图谱,并将所述序列特征图谱作为所述灰度图像的横向特征图谱。
在一个实施方式中,计算所述横向图谱子块对应的横向残差包括:
针对所述横向图谱子块中任意相邻的两个目标子块,计算所述目标子块之间的差值数据;
构建包含各个差值数据的残差向量,并将所述残差向量作为所述横向图谱子块对应的横向残差。
在一个实施方式中,根据融合后的残差信息确定所述多孔陶瓷的表面粗糙度包括:
将融合后的残差信息输入粗糙度识别模型,以通过所述粗糙度识别模型输出粗糙度预测信息;
其中,所述粗糙度识别模型在训练时,训练样本集中包括样本图像的残差信息和所述样本图像的粗糙度标签,所述样本图像的残差信息基于所述样本图像中的横向图谱子块和纵向图谱子块确定。
本发明还提供一种基于图像处理的多孔陶瓷表面粗糙度检测系统,所述系统包括:
灰度处理单元,用于获取多孔陶瓷的表面图像,并对所述表面图像进行灰度处理,得到所述表面图像的灰度图像;
图谱处理单元,用于生成所述灰度图像的横向特征图谱和纵向特征图谱,并将所述横向特征图谱和所述纵向特征图谱分别拆分为横向图谱子块和纵向图谱子块;
残差计算单元,用于计算所述横向图谱子块对应的横向残差,并计算所述纵向图谱子块对应的纵向残差;
粗糙度确定单元,用于融合所述横向残差和所述纵向残差,并根据融合后的残差信息确定所述多孔陶瓷的表面粗糙度。
在一个实施方式中,所述系统还包括:
平均处理单元,用于针对所述灰度图像中的任一像素点,获取所述像素点的邻域像素,并计算所述邻域像素的像素均值;利用所述像素均值替代所述像素点的像素值,得到像素平均化处理后的灰度图像;
相应地,所述图谱处理单元,用于生成所述像素平均化处理后的灰度图像的横向特征图谱和纵向特征图谱。
在一个实施方式中,所述图谱处理单元具体用于,对所述灰度图像进行逐行采样,并将采样得到的像素点按照采样顺序进行排列,形成横向采样序列;生成所述横向采样序列的序列特征图谱,并将所述序列特征图谱作为所述灰度图像的横向特征图谱。
在一个实施方式中,所述残差计算单元,具体用于针对所述横向图谱子块中任意相邻的两个目标子块,计算所述目标子块之间的差值数据;构建包含各个差值数据的残差向量,并将所述残差向量作为所述横向图谱子块对应的横向残差。
在一个实施方式中,所述粗糙度确定单元具体用于,将融合后的残差信息输入粗糙度识别模型,以通过所述粗糙度识别模型输出粗糙度预测信息;其中,所述粗糙度识别模型在训练时,训练样本集中包括样本图像的残差信息和所述样本图像的粗糙度标签,所述样本图像的残差信息基于所述样本图像中的横向图谱子块和纵向图谱子块确定。
本发明提供的技术方案,将图像处理技术和深度学习技术相结合,通过对多孔陶瓷表面的灰度图像进行处理,从而提取出特征图谱,后续通过模型对残差特征进行预测,可以准确地得到多孔陶瓷的表面粗糙度。上述方式无需购买精密仪器,检测人员只需要拍摄清晰的表面图像即可完成粗糙度的检测,不仅节省了成本,同时还极大地提高了检测的便利性。
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。其中:
图1为本发明提供的一种基于图像处理的多孔陶瓷表面粗糙度检测方法的结构示意图;
图2为本发明提供的一种基于图像处理的多孔陶瓷表面粗糙度检测系统的功能模块示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更为明显易懂,下面结合附图,对本申请的具体实施方式做详细的说明。可以理解的是,此处所描述的具体实施例仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
请参阅图1所示,本申请一实施例提供的一种基于图像处理的多孔陶瓷表面粗糙度检测方法,所述方法包括:
S1:获取多孔陶瓷的表面图像,并对所述表面图像进行灰度处理,得到所述表面图像的灰度图像;
S2:生成所述灰度图像的横向特征图谱和纵向特征图谱,并将所述横向特征图谱和所述纵向特征图谱分别拆分为横向图谱子块和纵向图谱子块;
S3:计算所述横向图谱子块对应的横向残差,并计算所述纵向图谱子块对应的纵向残差;
S4:融合所述横向残差和所述纵向残差,并根据融合后的残差信息确定所述多孔陶瓷的表面粗糙度。
在一个实施方式中,在得到所述表面图像的灰度图像之后,所述方法还包括:
针对所述灰度图像中的任一像素点,获取所述像素点的邻域像素,并计算所述邻域像素的像素均值;
利用所述像素均值替代所述像素点的像素值,得到像素平均化处理后的灰度图像,其具体步骤包括,
步骤A1:利用公式(1)根据所述灰度图像中的任一像素点在图像中的位置得到所述灰度图像中的任一像素点计算所述邻域像素的像素均值时需要补充的数值个数:
(1),
其中C表示所述灰度图像中的任一像素点计算所述邻域像素的像素均值时需要补充的数值个数; a表示所述灰度图像中的任一像素点在其图像矩阵的行数; b表示所述灰度图像中的任一像素点在其图像矩阵中的列数; n表示所述灰度图像的图像矩阵的总行数; m表示所述灰度图像的图像矩阵的总列数; 均表示判断函数,若括号内的算式成立则函数值为1,若括号内的算式不成立则函数值为0;
步骤A2:利用公式(2)根据所述灰度图像中的任一像素点的邻域像素点的位置关系得到所述灰度图像中的任一像素点的邻域像素点的位置权重:
(2),
其中表示所述灰度图像中的任一像素点的第/>个邻域像素点的位置权重值; />表示所述灰度图像中的任一像素点的第/>个邻域像素点在其图像矩阵中的行数; />表示所述灰度图像中的任一像素点的第/>个邻域像素点在其图像矩阵中的列数; />表示求取绝对值;
步骤A3:利用公式(3)根据所述灰度图像中的任一像素点的邻域像素点的位置权重和所述像素点的邻域像素点的像素值以及是否需要补充数值得到所述灰度图像中的任一像素点的邻域像素的像素均值:
(3),
其中表示所述灰度图像中的任一像素点的邻域像素的像素均值; />表示所述灰度图像中的任一像素点的第/>个邻域像素点的像素值;D表示所述灰度图像中的任一像素点的邻域像素点总个数;
上述技术方案的有益效果是:利用步骤A1的公式(1)根据所述灰度图像中的任一像素点在图像中的位置得到所述灰度图像中的任一像素点计算所述邻域像素的像素均值时需要补充的数值个数,从而避免顶点和边缘像素点像素均值化的不彻底,增强像素均值化的计算;再利用步骤A2的公式(2)根据所述灰度图像中的任一像素点的邻域像素点的位置关系得到所述灰度图像中的任一像素点的邻域像素点的位置权重,从而邻域内离得近的像素点权重高,离得远的像素点权重低,确保像素整体效果偏差不会过大;最后利用步骤A3的公式(3)根据所述灰度图像中的任一像素点的邻域像素点的位置权重和所述像素点的邻域像素点的像素值以及是否需要补充数值得到所述灰度图像中的任一像素点的邻域像素的像素均值,从而自动计算出所述像素均值,体现系统的智能化。
相应地,生成所述像素平均化处理后的灰度图像的横向特征图谱和纵向特征图谱。
其中,邻域像素可以是包含所述像素点的像素区域,例如,该像素区域可以是3*3的像素区域。通过邻域像素对像素点的像素值进行平均,可以避免由于拍摄角度或者光照条件引起的检测误差。
在一个实施方式中,生成所述灰度图像的横向特征图谱包括:
对所述灰度图像进行逐行采样,并将采样得到的像素点按照采样顺序进行排列,形成横向采样序列;
生成所述横向采样序列的序列特征图谱,并将所述序列特征图谱作为所述灰度图像的横向特征图谱。
在本实施方式中,在生成横向特征图谱和纵向特征图谱时,可以分别从横向和纵向对像素点进行采样。采样后的像素点,并不会遵循图像中横纵的排列规则,而是直接展平为一维数据,成为横向采样序列或者纵向采样序列。在生成序列特征图谱时,可以基于预先完成训练的图谱生成模型来实现。图谱生成模型在训练过程中,可以将采样序列作为训练样本,同时通过人工标注的方式,标注出采样序列的序列特征图谱,后续通过计算损失函数来完成模型的训练。
通过上述方式,可以生成横向特征图谱和纵向特征图谱。为了有效检测粗糙度,可以进行局部检测的方式,将特征图谱拆分为图谱子块,然后计算图谱子块的残差。
具体地,在一个实施方式中,计算所述横向图谱子块对应的横向残差包括:
针对所述横向图谱子块中任意相邻的两个目标子块,计算所述目标子块之间的差值数据;
构建包含各个差值数据的残差向量,并将所述残差向量作为所述横向图谱子块对应的横向残差。
其中,各个差值数据按照计算顺序进行排列,便可以得到残差向量。
在一个实施方式中,根据融合后的残差信息确定所述多孔陶瓷的表面粗糙度包括:
将融合后的残差信息输入粗糙度识别模型,以通过所述粗糙度识别模型输出粗糙度预测信息;
其中,所述粗糙度识别模型在训练时,训练样本集中包括样本图像的残差信息和所述样本图像的粗糙度标签,所述样本图像的残差信息基于所述样本图像中的横向图谱子块和纵向图谱子块确定。
通过将横向残差和纵向残差进行拼接,可以得到融合后的残差信息。通过完成训练的粗糙度识别模型,可以准确地预测出残差信息对应的粗糙度。
请参阅图2,本发明还提供一种基于图像处理的多孔陶瓷表面粗糙度检测系统,所述系统包括:
灰度处理单元,用于获取多孔陶瓷的表面图像,并对所述表面图像进行灰度处理,得到所述表面图像的灰度图像;
图谱处理单元,用于生成所述灰度图像的横向特征图谱和纵向特征图谱,并将所述横向特征图谱和所述纵向特征图谱分别拆分为横向图谱子块和纵向图谱子块;
残差计算单元,用于计算所述横向图谱子块对应的横向残差,并计算所述纵向图谱子块对应的纵向残差;
粗糙度确定单元,用于融合所述横向残差和所述纵向残差,并根据融合后的残差信息确定所述多孔陶瓷的表面粗糙度。
在一个实施方式中,所述系统还包括:
平均处理单元,用于针对所述灰度图像中的任一像素点,获取所述像素点的邻域像素,并计算所述邻域像素的像素均值;利用所述像素均值替代所述像素点的像素值,得到像素平均化处理后的灰度图像;
相应地,所述图谱处理单元,用于生成所述像素平均化处理后的灰度图像的横向特征图谱和纵向特征图谱。
在一个实施方式中,所述图谱处理单元具体用于,对所述灰度图像进行逐行采样,并将采样得到的像素点按照采样顺序进行排列,形成横向采样序列;生成所述横向采样序列的序列特征图谱,并将所述序列特征图谱作为所述灰度图像的横向特征图谱。
在一个实施方式中,所述残差计算单元,具体用于针对所述横向图谱子块中任意相邻的两个目标子块,计算所述目标子块之间的差值数据;构建包含各个差值数据的残差向量,并将所述残差向量作为所述横向图谱子块对应的横向残差。
在一个实施方式中,所述粗糙度确定单元具体用于,将融合后的残差信息输入粗糙度识别模型,以通过所述粗糙度识别模型输出粗糙度预测信息;其中,所述粗糙度识别模型在训练时,训练样本集中包括样本图像的残差信息和所述样本图像的粗糙度标签,所述样本图像的残差信息基于所述样本图像中的横向图谱子块和纵向图谱子块确定。粗糙度识别模型可以采用现有技术。
本发明提供的技术方案,将图像处理技术和深度学习技术相结合,通过对多孔陶瓷表面的灰度图像进行处理,从而提取出特征图谱,后续通过模型对残差特征进行预测,可以准确地得到多孔陶瓷的表面粗糙度。上述方式无需购买精密仪器,检测人员只需要拍摄清晰的表面图像即可完成粗糙度的检测,不仅节省了成本,同时还极大地提高了检测的便利性。
上述仅为本发明的一个具体实施方式,其它基于本发明构思的前提下做出的任何改进都视为本发明的保护范围。
Claims (9)
1.一种基于图像处理的多孔陶瓷表面粗糙度检测方法,其特征在于,包括:
步骤S1、获取多孔陶瓷的表面图像,并对所述表面图像进行灰度处理,得到所述表面图像的灰度图像;
步骤S2、生成所述灰度图像的横向特征图谱和纵向特征图谱,并将所述横向特征图谱和所述纵向特征图谱分别拆分为横向图谱子块和纵向图谱子块;
步骤S3、计算所述横向图谱子块对应的横向残差,并计算所述纵向图谱子块对应的纵向残差;
步骤S4、融合所述横向残差和所述纵向残差,并根据融合后的残差信息确定所述多孔陶瓷的表面粗糙度;
在执行步骤S2之前,还需要对步骤S1得到的灰度图像进行如下处理:
步骤S11、针对所述灰度图像中的任一像素点,获取所述像素点的邻域像素,并计算所述邻域像素的像素均值;
步骤S12、利用所述像素均值替代所述像素点的像素值,得到像素平均化处理后的灰度图像。
2.根据权利要求1所述的方法,其特征在于,步骤S11具体步骤包括:
步骤A1:利用公式(1)根据所述灰度图像中的任一像素点在图像中的位置得到所述灰度图像中的任一像素点计算所述邻域像素的像素均值时需要补充的数值个数:
(1),
其中C表示所述灰度图像中的任一像素点计算所述邻域像素的像素均值时需要补充的数值个数;a表示所述灰度图像中的任一像素点在其图像矩阵中的行数;b表示所述灰度图像中的任一像素点在其图像矩阵中的列数;n表示所述灰度图像的图像矩阵的总行数;m表示所述灰度图像的图像矩阵的总列数; 均表示判断函数,若括号内的算式成立则函数值为1,若括号内的算式不成立则函数值为0;
步骤A2:利用公式(2)根据所述灰度图像中的任一像素点的邻域像素点的位置关系得到所述灰度图像中的任一像素点的邻域像素点的位置权重:
(2),
其中表示所述灰度图像中的任一像素点的第/>个邻域像素点的位置权重值;表示所述灰度图像中的任一像素点的第/>个邻域像素点在其图像矩阵中的行数;表示所述灰度图像中的任一像素点的第/>个邻域像素点在其图像矩阵中的列数;/>表示求取绝对值;
步骤A3:利用公式(3)根据所述灰度图像中的任一像素点的邻域像素点的位置权重和所述像素点的邻域像素点的像素值以及是否需要补充数值得到所述灰度图像中的任一像素点的邻域像素的像素均值:
(3),
其中表示所述灰度图像中的任一像素点的邻域像素的像素均值;/>表示所述灰度图像中的任一像素点的第/>个邻域像素点的像素值;D表示所述灰度图像中的任一像素点的邻域像素点总个数。
3.根据权利要求1所述的方法,其特征在于,生成所述灰度图像的横向特征图谱包括:
对所述灰度图像进行逐行采样,并将采样得到的像素点按照采样顺序进行排列,形成横向采样序列;
生成所述横向采样序列的序列特征图谱,并将所述序列特征图谱作为所述灰度图像的横向特征图谱。
4.根据权利要求1所述的方法,其特征在于,计算所述横向图谱子块对应的横向残差包括:
针对所述横向图谱子块中任意相邻的两个目标子块,计算所述目标子块之间的差值数据;
构建包含各个差值数据的残差向量,并将所述残差向量作为所述横向图谱子块对应的横向残差。
5.根据权利要求1所述的方法,其特征在于,根据融合后的残差信息确定所述多孔陶瓷的表面粗糙度包括:
将融合后的残差信息输入粗糙度识别模型,以通过所述粗糙度识别模型输出粗糙度预测信息;
其中,所述粗糙度识别模型在训练时,训练样本集中包括样本图像的残差信息和所述样本图像的粗糙度标签,所述样本图像的残差信息基于所述样本图像中的横向图谱子块和纵向图谱子块确定。
6.一种基于图像处理的多孔陶瓷表面粗糙度检测系统,其特征在于,所述系统包括:
灰度处理单元,用于获取多孔陶瓷的表面图像,并对所述表面图像进行灰度处理,得到所述表面图像的灰度图像;
图谱处理单元,用于生成所述灰度图像的横向特征图谱和纵向特征图谱,并将所述横向特征图谱和所述纵向特征图谱分别拆分为横向图谱子块和纵向图谱子块;
残差计算单元,用于计算所述横向图谱子块对应的横向残差,并计算所述纵向图谱子块对应的纵向残差;
粗糙度确定单元,用于融合所述横向残差和所述纵向残差,并根据融合后的残差信息确定所述多孔陶瓷的表面粗糙度;
平均处理单元,在灰度处理单元得到灰度图像后,平均处理单元还对所述灰度图像进行如下处理:
针对所述灰度图像中的任一像素点,获取所述像素点的邻域像素,并计算所述邻域像素的像素均值;
利用所述像素均值替代所述像素点的像素值,得到像素平均化处理后的灰度图像,其具体步骤包括,
步骤A1:利用公式(1)根据所述灰度图像中的任一像素点在图像中的位置得到所述灰度图像中的任一像素点计算所述邻域像素的像素均值时需要补充的数值个数:
(1),
其中C表示所述灰度图像中的任一像素点计算所述邻域像素的像素均值时需要补充的数值个数;a表示所述灰度图像中的任一像素点在其图像矩阵中的行数;b表示所述灰度图像中的任一像素点在其图像矩阵中的列数;n表示所述灰度图像的图像矩阵的总行数;m表示所述灰度图像的图像矩阵的总列数; 均表示判断函数,若括号内的算式成立则函数值为1,若括号内的算式不成立则函数值为0;
步骤A2:利用公式(2)根据所述灰度图像中的任一像素点的邻域像素点的位置关系得到所述灰度图像中的任一像素点的邻域像素点的位置权重:
(2),
其中表示所述灰度图像中的任一像素点的第/>个邻域像素点的位置权重值;表示所述灰度图像中的任一像素点的第/>个邻域像素点在其图像矩阵中的行数;表示所述灰度图像中的任一像素点的第/>个邻域像素点在其图像矩阵中的列数;/>表示求取绝对值;
步骤A3:利用公式(3)根据所述灰度图像中的任一像素点的邻域像素点的位置权重和所述像素点的邻域像素点的像素值以及是否需要补充数值得到所述灰度图像中的任一像素点的邻域像素的像素均值:
(3),
其中表示所述灰度图像中的任一像素点的邻域像素的像素均值;/>表示所述灰度图像中的任一像素点的第/>个邻域像素点的像素值;D表示所述灰度图像中的任一像素点的邻域像素点总个数。
7.根据权利要求6所述的系统,其特征在于,所述图谱处理单元具体用于,对所述灰度图像进行逐行采样,并将采样得到的像素点按照采样顺序进行排列,形成横向采样序列;生成所述横向采样序列的序列特征图谱,并将所述序列特征图谱作为所述灰度图像的横向特征图谱。
8.根据权利要求6所述的系统,其特征在于,所述残差计算单元,具体用于针对所述横向图谱子块中任意相邻的两个目标子块,计算所述目标子块之间的差值数据;构建包含各个差值数据的残差向量,并将所述残差向量作为所述横向图谱子块对应的横向残差。
9.根据权利要求6所述的系统,其特征在于,所述粗糙度确定单元具体用于,将融合后的残差信息输入粗糙度识别模型,以通过所述粗糙度识别模型输出粗糙度预测信息;其中,所述粗糙度识别模型在训练时,训练样本集中包括样本图像的残差信息和所述样本图像的粗糙度标签,所述样本图像的残差信息基于所述样本图像中的横向图谱子块和纵向图谱子块确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410435645.1A CN118037724B (zh) | 2024-04-11 | 2024-04-11 | 一种基于图像处理的多孔陶瓷表面粗糙度检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410435645.1A CN118037724B (zh) | 2024-04-11 | 2024-04-11 | 一种基于图像处理的多孔陶瓷表面粗糙度检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118037724A true CN118037724A (zh) | 2024-05-14 |
CN118037724B CN118037724B (zh) | 2024-06-11 |
Family
ID=90993517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410435645.1A Active CN118037724B (zh) | 2024-04-11 | 2024-04-11 | 一种基于图像处理的多孔陶瓷表面粗糙度检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118037724B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530321A (zh) * | 2016-10-28 | 2017-03-22 | 南方医科大学 | 一种基于方向和尺度描述子的多图谱图像分割方法 |
CN107157447A (zh) * | 2017-05-15 | 2017-09-15 | 精诚工坊电子集成技术(北京)有限公司 | 基于图像rgb颜色空间的皮肤表面粗糙度的检测方法 |
CN113449784A (zh) * | 2021-06-18 | 2021-09-28 | 宜通世纪科技股份有限公司 | 基于先验属性图谱的图像多分类方法、装置、设备及介质 |
CN113989233A (zh) * | 2021-10-28 | 2022-01-28 | 太原理工大学 | 基于图像的零件表面粗糙度支持向量机检测方法及系统 |
CN114169372A (zh) * | 2021-12-10 | 2022-03-11 | 北京航空航天大学 | 一种物体表面粗糙度识别方法、系统及设备 |
US20220153048A1 (en) * | 2012-03-05 | 2022-05-19 | Landa Corporation Ltd. | Printing system |
-
2024
- 2024-04-11 CN CN202410435645.1A patent/CN118037724B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220153048A1 (en) * | 2012-03-05 | 2022-05-19 | Landa Corporation Ltd. | Printing system |
CN106530321A (zh) * | 2016-10-28 | 2017-03-22 | 南方医科大学 | 一种基于方向和尺度描述子的多图谱图像分割方法 |
CN107157447A (zh) * | 2017-05-15 | 2017-09-15 | 精诚工坊电子集成技术(北京)有限公司 | 基于图像rgb颜色空间的皮肤表面粗糙度的检测方法 |
CN113449784A (zh) * | 2021-06-18 | 2021-09-28 | 宜通世纪科技股份有限公司 | 基于先验属性图谱的图像多分类方法、装置、设备及介质 |
CN113989233A (zh) * | 2021-10-28 | 2022-01-28 | 太原理工大学 | 基于图像的零件表面粗糙度支持向量机检测方法及系统 |
CN114169372A (zh) * | 2021-12-10 | 2022-03-11 | 北京航空航天大学 | 一种物体表面粗糙度识别方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN118037724B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112598001B (zh) | 一种基于多模型融合的船舶水尺读数自动识别方法 | |
CN107543828B (zh) | 一种工件表面缺陷检测方法及系统 | |
CN109785385B (zh) | 视觉目标跟踪方法及系统 | |
CN111260615B (zh) | 基于激光和机器视觉融合的无人机桥梁表观病害检测方法 | |
CN109543665B (zh) | 图像定位方法及装置 | |
CN106920245B (zh) | 一种边界检测的方法及装置 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN113554667B (zh) | 一种基于图像识别的三维位移检测方法及装置 | |
CN113592839A (zh) | 基于改进Faster RCNN的配网线路典型缺陷诊断方法及系统 | |
CN102184396A (zh) | 基于ocr识别反馈的文档图像倾斜校正方法 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN113970560A (zh) | 一种基于多传感融合的缺陷三维检测方法 | |
CN118037724B (zh) | 一种基于图像处理的多孔陶瓷表面粗糙度检测方法及系统 | |
CN117635421A (zh) | 图像拼接融合的方法及装置 | |
CN117333860A (zh) | 一种基于深度学习的船舶水尺读数方法及装置 | |
CN113591705B (zh) | 巡检机器人仪表识别系统及方法、存储介质 | |
CN116452965A (zh) | 一种基于声光融合的水下目标检测识别方法 | |
CN116310263A (zh) | 一种指针式航空地平仪示数自动读取实现方法 | |
CN115330705A (zh) | 一种基于自适应加权模板ncc的蒙皮漆面缺陷检测方法 | |
CN115330743A (zh) | 基于双光检测缺陷的方法及相应的系统 | |
KR20220095831A (ko) | 구조물 균열 측정 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 | |
CN102143378B (zh) | 一种图像品质的判断方法 | |
CN116309418B (zh) | 桥梁悬臂施工主梁变形的智能监测方法及装置 | |
CN110427982A (zh) | 一种基于图像处理的自动布线机路线校正方法及系统 | |
CN118154524A (zh) | 一种图像缺陷检测方法、装置、介质和电子设备 |
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 |