CN118037734B - 一种全降解塑料制品质量检测方法 - Google Patents
一种全降解塑料制品质量检测方法 Download PDFInfo
- Publication number
- CN118037734B CN118037734B CN202410438391.9A CN202410438391A CN118037734B CN 118037734 B CN118037734 B CN 118037734B CN 202410438391 A CN202410438391 A CN 202410438391A CN 118037734 B CN118037734 B CN 118037734B
- Authority
- CN
- China
- Prior art keywords
- window
- pixel point
- edge
- gradient
- pixel
- 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.)
- Active
Links
- 229920006238 degradable plastic Polymers 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 230000004044 response Effects 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007306 functionalization reaction Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种全降解塑料制品质量检测方法,包括:采集待检测图像,构建待检测图像中像素点的窗口;根据像素点的窗口内各像素点的梯度值,得到像素点为裂纹边缘可能性;根据像素点的窗口内各像素点的灰度值,得到像素点的窗口内的规整程度;进一步得到像素点为裂纹边缘的最终可能性;根据海森矩阵得到像素点的最终边缘响应程度,得到待检测图像中的裂纹边缘,完成全降解塑料制品质量检测方法。本发明依据像素点为裂纹边缘的最终可能性,对依据海森矩阵得到的像素点的边缘响应程度进行调整,得到像素点的最终边缘响应程度,由此得到了待检测图像中更为精准的裂纹边缘,提高了检测结果的准确性。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种全降解塑料制品质量检测方法。
背景技术
全降解塑料制品是在自然环境中经过一定时间后可以被微生物降解的特殊类型的塑料制品。在制造过程中由于温度控制不当、成型压力不均匀或工艺参数设置错误等原因,可能导致塑料制品某些区域结构不稳定产生裂纹。因此对于全降解塑料制品的质量检测是有必要的,当前常通过海森矩阵将塑料制品的裂纹分割出来,以进行质量检测。
在利用传统海森矩阵进行图像分割的过程中,往往通过计算图像中每个像素点的边缘响应程度来实现对目标的分割,但是在全降解塑料制品的缺陷检测过程中,由于塑料制品自身也带有一些纹理,并且塑料制品自身纹理与待检测的缺陷有较为相似的特征,使得在通过海森矩阵分割裂纹过程中可能无法将塑料制品自身纹理边缘和裂纹边缘区分开来,从而降低了全降解塑料制品质量检测的准确性。
发明内容
本发明提供一种全降解塑料制品质量检测方法,以解决现有的问题。
本发明的一种全降解塑料制品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一种全降解塑料制品质量检测方法,该方法包括以下步骤:
获取全降解塑料制品的待检测图像;构建待检测图像中每个像素点的窗口;
根据待检测图像中每个像素点的窗口内像素点的梯度值大小,得到每个像素点为裂纹边缘可能性;
根据像素点的窗口内所有像素点灰度值,得到像素点的窗口内的规整程度;
根据每一像素点的窗口内的规整程度以及为裂纹边缘可能性,得到每一像素点为裂纹边缘的最终可能性;
根据海森矩阵,获得待检测图像中每一像素点的边缘响应程度;
根据每一像素点的边缘响应程度以及每一像素点为裂纹边缘的最终可能性,得到每一像素点的最终边缘响应程度;
根据每一像素点的最终边缘响应程度,完成全降解塑料制品的质量检测。
进一步地,所述构建待检测图像中每个像素点的窗口,包括的具体步骤如下:
将待检测图像中的第个像素点记为/>,在待检测图像中,以/>为中心,构建大小为/>的窗口,记为/>的窗口,所述/>为预设的窗口边长。
进一步地,所述根据待检测图像中每个像素点的窗口内像素点的梯度值大小,得到每个像素点为裂纹边缘可能性,包括的具体步骤如下:
使用sobel算子计算的窗口内的所有像素点的梯度值,统计不同的梯度值,得到一个梯度值集合/>;/>为待检测图像中的第/>个像素点;
当梯度阈值为梯度值集合中第/>个梯度值时,将/>的窗口内梯度值大于等于梯度阈值的像素点记为/>的窗口内的边缘像素点;
使用Prim算法获得的窗口内边缘像素点的最小生成树;所述最小生成树中每个顶点对应一个边缘像素点;
将最小生成树中经过顶点个数最多且顶点不重复的一条路径上的顶点个数与长度,分别记为梯度值集合中第y个梯度值对应的最多的顶点个数和第y个梯度值对应的最长路径长度;
根据梯度值集合中每个梯度值对应的最多的顶点个数和最长路径长度,得到梯度值集合/>中每个梯度值对应的边缘程度;
根据梯度值集合中每个梯度值对应的边缘程度和梯度值集合/>中所含梯度值的个数,得到/>为裂纹边缘可能性。
进一步地,所述根据梯度值集合中每个梯度值对应的最多的顶点个数和最长路径长度,得到梯度值集合/>中每个梯度值对应的边缘程度,包括的具体公式如下:
式中:为梯度值集合/>中第j个梯度值对应的边缘响应程度,/>为梯度值/>集合中第j个梯度值对应的最多的顶点个数,/>表示梯度值集合/>中所含梯度值的个数,表示以自然常数为底的指数函数,/>表示/>的窗口内像素点的梯度值大于或等于/>的梯度值集合中第/>个梯度值的像素点个数,/>为预设的数量阈值,/>为预设的常数,/>预设的窗口边长。
进一步地,所述根据梯度值集合中每个梯度值对应的边缘响应程度和梯度值集合/>中所含梯度值的个数,得到/>为裂纹边缘可能性,包括的具体步骤如下:
统计梯度值集合中所有梯度值对应的边缘程度中的最大值,将所述最大值与梯度值集合/>中所含梯度值的个数的乘积,记为/>为裂纹边缘可能性。
进一步地,所述根据像素点的窗口内所有像素点灰度值,得到像素点的窗口内的规整程度,包括的具体步骤如下:
在的窗口内,以左下角像素点作为坐标原点,以水平向右为横轴,以竖直向上为纵轴,构建/>的窗口的坐标系;/>为待检测图像中的第/>个像素点;
在的窗口的坐标系上,使用最小二乘法,根据/>的窗口内所有像素点的灰度值、横坐标值以及纵坐标值进行曲面拟合,得到/>的窗口对应的拟合误差以及/>的窗口每个像素点的曲率;
根据的窗口对应的拟合误差以及/>的窗口每个像素点的曲率,得到/>的窗口内的规整程度。
进一步地,所述根据的窗口对应的拟合误差以及/>的窗口每个像素点的曲率,得到/>的窗口内的规整程度,包括的具体步骤如下:
将的窗口对应的拟合误差的倒数与/>的窗口内所有像素点的曲率的方差的倒数的乘积,记为/>的窗口内的规整程度,/>为待检测图像中的第/>个像素点。
进一步地,所述根据每一像素点的窗口内的规整程度以及为裂纹边缘可能性,得到每一像素点为裂纹边缘的最终可能性,包括的具体步骤如下:
计算的窗口内的规整程度的反比例的归一化值,将所述归一化值与/>为裂纹边缘可能性的乘积,记为/>为裂纹边缘的最终可能性,/>为待检测图像中的第/>个像素点。
进一步地,所述根据每一像素点的边缘响应程度以及每一像素点为裂纹边缘的最终可能性,得到每一像素点的最终边缘响应程度,包括的具体步骤如下:
将的边缘响应程度与/>为裂纹边缘的最终可能性的乘积的归一化值,记为/>的最终边缘响应程度;/>为待检测图像中的第/>个像素点。
进一步地,所述根据每一像素点的最终边缘响应程度,完成全降解塑料制品的质量检测,包括的具体步骤如下:
将最终边缘响应程度大于等于预设的程度阈值的像素点,记为裂纹边缘像素点;当裂纹边缘像素点的数量大于等于预设的面积阈值时,判定待检测图像所对应的全降解塑料制品质量不合格;当裂纹边缘像素点的数量小于预设的面积阈值时,判定待检测图像所对应的全降解塑料制品质量不合格。
本发明的技术方案的有益效果是:获取全降解塑料制品的待检测图像;构建待检测图像中每个像素点的窗口,在获取待检测图像时通过小波阈值滤波去除全降解塑料制品灰度图中的噪声,降低了噪声对检测结果的影响程度;根据待检测图像中每个像素点的窗口内像素点的梯度值大小,得到每个像素点为裂纹边缘可能性;根据像素点的窗口内所有像素点灰度值,得到像素点的窗口内的规整程度;根据每一像素点的窗口内的规整程度以及为裂纹边缘可能性,得到每一像素点为裂纹边缘的最终可能性,在计算每一像素点为裂纹边缘的最终可能性时降低了待检测图像中纹理边缘像素点为裂纹边缘的可能性,使得每个像素点为裂纹边缘的最终可能性更接近真实情况;根据海森矩阵,获得待检测图像中每一像素点的边缘响应程度;根据每一像素点的边缘响应程度以及每一像素点为裂纹边缘的最终可能性,得到每一像素点的最终边缘响应程度,使得裂纹边缘像素点的最终边缘响应程度较小而裂缝边缘像素点的最终边缘响应程度,得到更为精确的裂纹边缘,从而使得检测结果更加准确。
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为本发明一种全降解塑料制品质量检测方法的步骤流程图。
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全降解塑料制品质量检测方法,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全降解塑料制品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全降解塑料制品质量检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取全降解塑料制品的待检测图像;构建待检测图像中每个像素点的窗口;根据待检测图像中每个像素点的窗口内像素点的梯度值大小,得到每个像素点为裂纹边缘可能性。
利用高分辨率相机采集全降解塑料制品的图像,并对图像进行灰度化,得到全降解塑料制品的灰度图。通过小波阈值滤波去除全降解塑料制品灰度图中的噪声,得到待检测图像。
通过海森算法对图像进行分割时,是根据每个像素点的边缘响应程度判断像素点是否为裂纹像素点。其中每个像素点的边缘响应程度的基本计算过程如下:通过计算待检测图像中各个像素点的一阶导数和二阶导数信息,通过这些信息计算得到每个像素点的海森矩阵,然后基于海森矩阵得到每个像素点的边缘响应程度。
算法中边缘响应程度也被称为角点响应程度,在海森算法(Harris算法)通常用于检测图像中的角点。它基于图像中像素灰度值的变化和相邻像素之间的空间关系来计算每个像素的角点响应程度,角点通常对应于图像中的边缘和纹理变化的位置。
因为部分裂纹像素点与部分纹理像素点都与其周围像素点的灰度值有较大差异,从而使得通过传统的海森算法得到待检测图像中每一像素点的边缘响应程度时,可能会将部分纹理边缘识别为裂纹边缘。因此本方法根据待检测图像中每个像素点为裂纹边缘可能性,得到待检测图像中每个像素点的边缘响应程度的调整参数。因此需要先计算待检测图像中每一像素点为裂纹边缘可能性,之后得到像素点的边缘响应程度的调整参数。
在待检测图像中每一纹理边缘像素点的梯度值较为接近,因此根据每一像素点的窗口内含有相同梯度值的个数,得到待检测图像中每一像素点为裂纹边缘可能性。虽然在待检测图像中裂纹的形状通常呈现为直线、曲线和分叉形状,但是在裂纹边缘像素点所在窗口内裂纹边缘像素点所组成的形状为一条直线。因此可利用像素点的窗口内体现为边缘的像素点即梯度值较高的像素点所组成的形状与直线的相似性即像素点的边缘程度,得到像素点为裂纹边缘可能性,因此本实施例通过分析像素点的窗口内梯度值较高的像素点所组成的形状以及像素点的窗口内各像素点的梯度值,来计算像素点为裂纹边缘可能性。
以待检测图像中的第个像素点为例,将待检测图像中的第/>个像素点记为/>。/>为裂纹边缘可能性的具体过程如下:
获取的窗口时在待检测图像中,以/>为中心,构建大小为/>的窗口,得到/>的窗口将所得窗口记为/>的窗口。本实施例预设的窗口边长/>,并以此为例进行叙述,其他实施方式中可设置为其他值,本实施例不进行限定。通过sobel算子计算/>的窗口内的所有像素点的梯度值,统计不同的梯度值,得到一个/>的窗口的梯度值集合,将此梯度值集合记为/>,其中集合/>内含有梯度值的个数为A。所需说明的是sobel算子为公知技术,在本实施例中不进行描述。
在待检测图像中裂纹边缘像素点的梯度值较大即梯度值较大的像素点可能为裂纹边缘像素点,在本实施例中设置梯度阈值,即当的窗口内一个像素点的梯度值大于或等于梯度阈值,说明此像素点为边缘像素点,当/>的窗口内一个像素点的梯度值小于梯度阈值,说明此像素点不为边缘像素点。因此本实施例通过将梯度阈值为集合/>中每一像素点的梯度值,得到不同梯度阈值情况下,/>的窗口内梯度值较大的像素点的分布,将其记为像素点/>的边缘程度,选择不同梯度阈值情况下像素点/>的最大边缘程度作为/>的边缘程度。
当梯度阈值为梯度值集合中第/>个梯度值时,得到/>的边缘程度的具体获取步骤如下:首先将梯度值集合/>中的第/>个梯度值定义为梯度阈值,则/>的窗口内梯度值大于或等于梯度阈值的像素点为/>的窗口内的边缘像素点,使用Prim算法求得/>的窗口内边缘像素点的最小生成树,其中两个边缘像素点之间的欧式距离作为两个顶点构成边的边权。在所述最小生成树中找到一条经过顶点个数最多且顶点不重复的一条路径,统计该路径上的顶点个数与长度,得到第y个梯度值对应的最长路径长度/>与第y个梯度值对应的最多的顶点个数/>。通过第y个梯度值对应的最长路径长度与第y个梯度值对应的最多的顶点个数,得到梯度阈值为梯度值集合/>中第/>个梯度值时/>的边缘程度。对梯度值集合/>中每一个梯度值都进行下述操作,得到梯度阈值不同的情况下,/>的边缘程度。选择不同梯度阈值情况下/>的最大边缘程度作为/>的边缘程度。
因为待检测图像中每一裂纹像素点的梯度值与其余裂纹像素点的梯度值可能有较大差异,因此根据梯度值集合中所含数据的多少,计算/>为裂纹边缘可能性。即当梯度值集合/>中所含数据越多时,/>为裂纹边缘可能性越大;即当梯度值集合/>中所含数据越少时,/>为裂纹边缘可能性越小。
所需说明的是:Prim算法即普里姆算法用于在加权连通图中搜索最小生成树,其为公知技术在本实施例中不进行描述。
根据的边缘程度与集合/>的个数得到/>为裂纹边缘可能性,将其记为/>,其计算公式如下:
式中,表示/>为裂纹边缘可能性,/>为待检测图像中的第/>个像素点,/>为梯度值集合/>中第j个梯度值对应的边缘程度,/>为梯度值集合/>中第j个梯度值对应的最多的顶点个数,/>表示梯度值集合/>中所含梯度值的个数,exp()为以自然常数e为底的指数函数,实施例以/>来呈现反比例关系及归一化处理,实施者可根据实际情况设置反比例函数及归一化函数,/>表示/>的窗口内像素点的梯度值大于或等于/>的梯度值集合中第/>个梯度值的像素点个数,需要说明的是如果在/>的窗口内梯度值大于或等于梯度阈值的像素点个数即/>的值小于等于数量阈值/>,则/>,因为参与最小生成树的个数太少没有意义,在本实施例中预设的数量阈值/>,预设的常数/>,其它实施方式中m,b可设置为其它值,本实施例不进行限定;/>预设的窗口边长,/>预设的窗口边长即/>的窗口边长,/>为/>的窗口的对角线长度,/>表示梯度值集合/>中第j个梯度值对应的最长路径长度,/>与/>分别表示了当梯度阈值为梯度值集合/>中第j个梯度值时,在边缘像素点的最小生成树中经过顶点个数最多且顶点不重复的一条路径上的顶点个数、路径长度与直线的接近程度,表示当梯度阈值为梯度值集合/>中第j个梯度值时梯度值大于或等于梯度阈值的像素点分布接近直线的程度,/>则表示了梯度阈值为不同值时的最大边缘程度,其中A为梯度值集合/>中的个数,为/>为裂纹边缘可能性。/>预设的窗口边长即/>的窗口边长,/>为/>的窗口的对角线长度。
对待检测图像中的每一像素点都进行上述操作,得到待检测图像中每一像素点为裂纹边缘可能性。
步骤S002:根据像素点的窗口内所有像素点灰度值,得到像素点的窗口内的规整程度。
因为全降解塑料制品自身也存在纹理,可能导致部分塑料制品自身纹理边缘像素点有较强的裂纹边缘可能性。因此该步骤将通过塑料制品自身纹理的特征,得到每一像素点为裂纹边缘可能性的修正参数,修正像素点为裂纹边缘可能性。因为塑料制品自身纹理中各像素点的灰度值较为接近,即塑料制品自身纹理边缘像素点的梯度值较为接近,因此可利用像素点的窗口内的规整程度即像素点灰度值的相似性来得到像素点为裂纹边缘可能性的修正参数。
因为塑料制品自身纹理中各像素点的灰度值较为接近,因此对像素点的窗口内所有像素点进行曲面积分时:如果此像素点为塑料制品自身纹理边缘像素点则像素点的窗口内的像素点的曲面为光滑的、且变化单一稳定的曲面,即是一个平滑的弧面,当像素点为裂纹边缘像素点时则像素点的窗口内的像素点的曲面为不光滑、且变化剧烈的曲面,因此可利用像素点的窗口内的像素点的曲面的光滑性和导数变化的稳定程度计算像素点的窗口内的规整程度,从而对像素点为裂纹边缘可能性做出修正。具体实现为:
对于,在其/>的窗口范围内,以/>的/>窗口的左下角像素点作为坐标原点,以水平向右为横轴,以竖直向上为纵轴,构建/>的窗口的坐标系,得到/>的窗口内每一像素点的坐标,将每一像素点的横坐标与纵坐标作为此像素点的自变量,将每一像素点的灰度值作为此像素点的因变量,利用最小二乘法对该窗口范围内的像素点进行曲面拟合,并得到拟合误差,记为/>的拟合误差,并通过曲率公式,得到此拟合曲面上每一个像素点的曲率。需要说明的是:拟合误差的公式为/>,其中为该窗口内第j行第z列像素点的灰度值,/>为该窗口内的拟合曲线在第/>行第/>列像素点的灰度值,并计算拟合曲面上每一像素点的曲率,并进一步得到曲面上每一像素点的曲率方差。需要说明的是计算曲面上每一像素点的曲率为公知技术,本实施例不对其进行描写。
那么的窗口内的规整程度为/>,计算公式如下:
式中,为/>的窗口内的规整程度,/>为/>的窗口对应的拟合误差,/>为/>的窗口内所有像素点的曲率的方差,/>表示待检测图像中的第/>个像素点。
步骤S003:根据每一像素点的窗口内的规整程度以及为裂纹边缘可能性,得到每一像素点为裂纹边缘的最终可能性。
为裂纹边缘可能性的修正参数为/>。对图像中每一像素点都进行上述操作,得到图像中每一像素点为裂纹边缘可能性的修正参数。
为裂纹边缘的最终可能性为/>,计算公式如下:
其中为/>为裂纹边缘的最终可能性,/>为/>为裂纹边缘可能性,/>表示待检测图像中的第/>个像素点,/>为像素点/>的窗口内的规整程度,/>表示/>为裂纹边缘可能性的修正参数,/>为以自然常数为底的指数函数,本实施例以/>来呈现反比例关系及归一化处理,实施者可根据实际情况设置反比例函数及归一化函数。
修正的逻辑关系为点的窗口内像素点的像素点的规整程度越高,则像素点/>为裂纹边缘可能性越小,反之同理。至此便完成了对/>为裂纹边缘可能性的修正,得到了像素点/>为裂纹边缘的最终可能性。
步骤S004:根据海森矩阵,获得待检测图像中每一像素点的边缘响应程度;根据每一像素点的边缘响应程度以及每一像素点为裂纹边缘的最终可能性,得到每一像素点的最终边缘响应程度;根据每一像素点的最终边缘响应程度,完成全降解塑料制品的质量检测。
使用海森算法对待检测图像进行运算,得到每一像素点的边缘响应程度,将第个像素点的边缘响应程度记为/>,则/>的最终边缘响应程度:/>,式中/>表示/>的最终边缘响应程度,/>为/>的边缘响应程度,/>表示/>为裂纹边缘的最终可能性,为待检测图像中的第/>个像素点,/>函数为一个归一化函数。对待检测图像中每一像素点都进行上述操作,得到待检测图像中每一像素点的最终边缘响应程度。
当像素点的最终边缘响应程度大于等于程度阈值T时,说明此像素点为裂纹边缘像素点;当像素点的最终边缘响应程度小于程度阈值T时,说明此像素点为正常像素点,对待检测图像中的所有像素点都进行上述操作,得到待检测图像中的裂纹边缘,当裂纹边缘像素点的数量大于等于面积阈值时,判定待检测图像所对应的全降解塑料制品不合格;当裂纹边缘像素点的数量小于面积阈值/>时,判定待检测图像所对应的全降解塑料制品合格。
需要说明的是,在本实施例中预设的程度阈值T=0.5,预设的面积阈值,其他实施方式中可设置为其他值,本实施例不进行限定。
至此,本发明完成。
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 (7)
1.一种全降解塑料制品质量检测方法,其特征在于,该方法包括以下步骤:
获取全降解塑料制品的待检测图像;构建待检测图像中每个像素点的窗口;
根据待检测图像中每个像素点的窗口内像素点的梯度值大小,得到每个像素点为裂纹边缘可能性;
根据像素点的窗口内所有像素点灰度值,得到像素点的窗口内的规整程度;
根据每一像素点的窗口内的规整程度以及为裂纹边缘可能性,得到每一像素点为裂纹边缘的最终可能性;
根据海森矩阵,获得待检测图像中每一像素点的边缘响应程度;
根据每一像素点的边缘响应程度以及每一像素点为裂纹边缘的最终可能性,得到每一像素点的最终边缘响应程度;
根据每一像素点的最终边缘响应程度,完成全降解塑料制品的质量检测;
所述根据待检测图像中每个像素点的窗口内像素点的梯度值大小,得到每个像素点为裂纹边缘可能性,包括的具体步骤如下:
使用sobel算子计算的窗口内的所有像素点的梯度值,统计不同的梯度值,得到一个梯度值集合/>;/>为待检测图像中的第/>个像素点;
当梯度阈值为梯度值集合中第/>个梯度值时,将/>的窗口内梯度值大于等于梯度阈值的像素点记为/>的窗口内的边缘像素点;
使用Prim算法获得的窗口内边缘像素点的最小生成树;所述最小生成树中每个顶点对应一个边缘像素点;
将最小生成树中经过顶点个数最多且顶点不重复的一条路径上的顶点个数与长度,分别记为梯度值集合中第y个梯度值对应的最多的顶点个数和第y个梯度值对应的最长路径长度;
根据梯度值集合中每个梯度值对应的最多的顶点个数和最长路径长度,得到梯度值集合/>中每个梯度值对应的边缘程度;
根据梯度值集合中每个梯度值对应的边缘程度和梯度值集合/>中所含梯度值的个数,得到/>为裂纹边缘可能性;
所述根据像素点的窗口内所有像素点灰度值,得到像素点的窗口内的规整程度,包括的具体步骤如下:
在的窗口内,以左下角像素点作为坐标原点,以水平向右为横轴,以竖直向上为纵轴,构建/>的窗口的坐标系;/>为待检测图像中的第/>个像素点;
在的窗口的坐标系上,使用最小二乘法,根据/>的窗口内所有像素点的灰度值、横坐标值以及纵坐标值进行曲面拟合,得到/>的窗口对应的拟合误差以及/>的窗口每个像素点的曲率;
根据的窗口对应的拟合误差以及/>的窗口每个像素点的曲率,得到/>的窗口内的规整程度;
所述根据的窗口对应的拟合误差以及/>的窗口每个像素点的曲率,得到/>的窗口内的规整程度,包括的具体步骤如下:
将的窗口对应的拟合误差的倒数与/>的窗口内所有像素点的曲率的方差的倒数的乘积,记为/>的窗口内的规整程度,/>为待检测图像中的第/>个像素点。
2.根据权利要求1所述一种全降解塑料制品质量检测方法,其特征在于,所述构建待检测图像中每个像素点的窗口,包括的具体步骤如下:
将待检测图像中的第个像素点记为/>,在待检测图像中,以/>为中心,构建大小为的窗口,记为/>的窗口,所述/>为预设的窗口边长。
3.根据权利要求1所述一种全降解塑料制品质量检测方法,其特征在于,所述根据梯度值集合中每个梯度值对应的最多的顶点个数和最长路径长度,得到梯度值集合/>中每个梯度值对应的边缘程度,包括的具体公式如下:
式中:为梯度值集合/>中第j个梯度值对应的边缘程度,/>为梯度值/>集合中第j个梯度值对应的最多的顶点个数,/>表示梯度值集合/>中所含梯度值的个数,/>表示以自然常数为底的指数函数,/>表示/>的窗口内像素点的梯度值大于或等于/>的梯度值集合中第/>个梯度值的像素点个数,/>为预设的数量阈值,/>为预设的常数,/>预设的窗口边长。
4.根据权利要求1所述一种全降解塑料制品质量检测方法,其特征在于,所述根据梯度值集合中每个梯度值对应的边缘程度和梯度值集合/>中所含梯度值的个数,得到/>为裂纹边缘可能性,包括的具体步骤如下:
统计梯度值集合中所有梯度值对应的边缘程度中的最大值,将所述最大值与梯度值集合/>中所含梯度值的个数的乘积,记为/>为裂纹边缘可能性。
5.根据权利要求1所述一种全降解塑料制品质量检测方法,其特征在于,所述根据每一像素点的窗口内的规整程度以及为裂纹边缘可能性,得到每一像素点为裂纹边缘的最终可能性,包括的具体步骤如下:
计算的窗口内的规整程度的反比例的归一化值,将所述归一化值与/>为裂纹边缘可能性的乘积,记为/>为裂纹边缘的最终可能性,/>为待检测图像中的第/>个像素点。
6.根据权利要求1所述一种全降解塑料制品质量检测方法,其特征在于,所述根据每一像素点的边缘响应程度以及每一像素点为裂纹边缘的最终可能性,得到每一像素点的最终边缘响应程度,包括的具体步骤如下:
将的边缘响应程度与/>为裂纹边缘的最终可能性的乘积的归一化值,记为/>的最终边缘响应程度;/>为待检测图像中的第/>个像素点。
7.根据权利要求1所述一种全降解塑料制品质量检测方法,其特征在于,所述根据每一像素点的最终边缘响应程度,完成全降解塑料制品的质量检测,包括的具体步骤如下:
将最终边缘响应程度大于等于预设的程度阈值的像素点,记为裂纹边缘像素点;当裂纹边缘像素点的数量大于等于预设的面积阈值时,判定待检测图像所对应的全降解塑料制品质量不合格;当裂纹边缘像素点的数量小于预设的面积阈值时,判定待检测图像所对应的全降解塑料制品质量不合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410438391.9A CN118037734B (zh) | 2024-04-12 | 2024-04-12 | 一种全降解塑料制品质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410438391.9A CN118037734B (zh) | 2024-04-12 | 2024-04-12 | 一种全降解塑料制品质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118037734A CN118037734A (zh) | 2024-05-14 |
CN118037734B true CN118037734B (zh) | 2024-06-18 |
Family
ID=90986190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410438391.9A Active CN118037734B (zh) | 2024-04-12 | 2024-04-12 | 一种全降解塑料制品质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118037734B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463324A (zh) * | 2022-02-23 | 2022-05-10 | 中国石油大学(华东) | 基于海森矩阵滤波的岩心图像裂缝识别方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504727B (zh) * | 2015-01-26 | 2018-01-12 | 广州广电运通金融电子股份有限公司 | 钞票裂缝检测方法及装置 |
CN109584185B (zh) * | 2018-12-19 | 2020-10-16 | 深圳市华星光电半导体显示技术有限公司 | 图像处理方法 |
CN115187552B (zh) * | 2022-07-14 | 2023-04-25 | 南京思飞捷软件科技有限公司 | 一种基于边缘检测的车身门缝检测方法 |
CN116029941B (zh) * | 2023-03-27 | 2023-06-09 | 湖南融城环保科技有限公司 | 一种建筑垃圾的视觉图像增强处理方法 |
CN117078672A (zh) * | 2023-10-13 | 2023-11-17 | 深圳市凯尔文电子有限公司 | 基于计算机视觉的手机屏幕缺陷智能检测方法 |
CN117218122B (zh) * | 2023-11-09 | 2024-03-29 | 深圳市金三维实业有限公司 | 基于图像数据的手表外壳质量检测方法 |
CN117808806B (zh) * | 2024-02-29 | 2024-05-03 | 德睦熙睿生物科技(天津)有限公司 | 基于图像特征分析的饲料生产质量精细化检测方法 |
-
2024
- 2024-04-12 CN CN202410438391.9A patent/CN118037734B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463324A (zh) * | 2022-02-23 | 2022-05-10 | 中国石油大学(华东) | 基于海森矩阵滤波的岩心图像裂缝识别方法 |
Non-Patent Citations (1)
Title |
---|
基于海森矩阵增强与局部裂缝拼接相结合的桥梁裂缝提取算法;贺福强;罗红;平安;姚学练;;贵州大学学报(自然科学版);20200331(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN118037734A (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111640157B (zh) | 一种基于神经网络的棋盘格角点检测方法及其应用 | |
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
CN108038883B (zh) | 一种应用于公路路面视频图像的裂缝检测及识别方法 | |
CN111862194B (zh) | 基于计算机视觉的深度学习植物生长模型分析方法及系统 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN117237368B (zh) | 一种桥梁裂缝检测方法及系统 | |
CN116912261B (zh) | 一种塑料模具注塑表面缺陷检测方法 | |
CN116735612B (zh) | 一种精密电子元器件焊接缺陷检测方法 | |
CN117315289B (zh) | 基于图像处理的航空发动机叶片轮廓边缘检测方法 | |
CN111754538A (zh) | Usb表面缺陷检测的阈值分割方法 | |
CN117557820B (zh) | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 | |
CN117437223B (zh) | 一种高速板对板连接器缺陷智能检测方法 | |
CN114387329B (zh) | 基于高分遥感影像的建筑物轮廓递进式规则化方法 | |
CN117557565B (zh) | 一种锂电池极片的检测方法及其装置 | |
CN112102189B (zh) | 一种线结构光光条中心线提取方法 | |
CN116934761B (zh) | 一种乳胶手套缺陷自适应检测方法 | |
CN118037734B (zh) | 一种全降解塑料制品质量检测方法 | |
CN115880683B (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 | |
CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
CN111768385B (zh) | Usb表面缺陷检测的神经网络检测方法 | |
CN115423807A (zh) | 一种基于离群点检测的布匹缺陷检测方法 | |
CN112819717A (zh) | 一种刨花板图像灰度值校正方法及装置 | |
CN117197682B (zh) | 一种长波红外遥感影像进行盲元检测与去除的方法 | |
CN116740065B (zh) | 基于大数据的人造板瑕疵品快速溯源方法及系统 |
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 |