CN118229688B - 一种瓦楞纸褶皱缺陷检测方法及系统 - Google Patents
一种瓦楞纸褶皱缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN118229688B CN118229688B CN202410658195.2A CN202410658195A CN118229688B CN 118229688 B CN118229688 B CN 118229688B CN 202410658195 A CN202410658195 A CN 202410658195A CN 118229688 B CN118229688 B CN 118229688B
- Authority
- CN
- China
- Prior art keywords
- super
- pixel
- fold
- corrugated paper
- gradient
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 230000007547 defect Effects 0.000 title claims abstract description 35
- 230000011218 segmentation Effects 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 37
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000001629 suppression Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 abstract 1
- 239000000123 paper Substances 0.000 description 61
- 230000008859 change Effects 0.000 description 9
- 238000003708 edge detection Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000037303 wrinkles Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 239000011087 paperboard Substances 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- TVZRAEYQIKYCPH-UHFFFAOYSA-N 3-(trimethylsilyl)propane-1-sulfonic acid Chemical compound C[Si](C)(C)CCCS(O)(=O)=O TVZRAEYQIKYCPH-UHFFFAOYSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域，具体涉及一种瓦楞纸褶皱缺陷检测方法及系统。该检测方法包括：获取瓦楞纸区域的可见光图像；得到第一褶皱线二值图；将第一梯度图和第一褶皱线二值图融合得到边缘梯度图，将边缘梯度图输入神经网络得到超像素分割的最优分割数量；基于最优分割数量对可见光图像得到超像素分割图像；根据超像素分割图像中的超像素分界线得到第二褶皱线二值图像；将第二褶皱线二值图像与第一梯度图相乘，得到褶皱线梯度图；根据褶皱线梯度图得到褶皱点二值图像；将褶皱点二值图像与第一褶皱线二值图进行合并得到褶皱线二值图。本发明利用瓦楞纸材料的光学特征实现对褶皱缺陷的准确检测。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种瓦楞纸褶皱缺陷检测方法及系统。
背景技术
一般纸板出现褶皱现象都是张力控制不均匀引起的，其他方面为原纸本身的问题。因为瓦纸出现皱褶就会产生瓦楞的高低，在面纸粘合过程中就会出现褶皱现象。瓦楞纸板面纸褶皱，就是指面纸出现折痕，有褶皱现象会严重影响后工序的印刷品质，当印刷面遇到折痕的时候，印刷就可能会出现印刷缺陷如露白等现象，严重时会造成批量报废，导致生产损耗大。目前大多数基于视觉的缺陷检测采用的方式为利用待检测的瓦楞纸与标准的无褶皱的瓦楞纸之间的图像做对比判断该瓦楞纸是否存在缺陷。
现有技术中可利用图像处理算法检测瓦楞纸上是否存在缺陷，主要是通过利用边缘检测算法对图像进行处理，检查瓦楞纸表面的褶皱边缘，但是边缘检测算法容易出现阈值选取不恰当，检测出的边缘准确性较差的问题，进而无法将褶皱缺陷准确识别并分割出来，容易忽略掉特征不明显的褶皱线区域，导致瓦楞纸的褶皱缺陷检测不准确。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种瓦楞纸褶皱缺陷检测方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种瓦楞纸褶皱缺陷检测方法，该检测方法包括以下步骤：获取瓦楞纸区域的可见光图像；利用Sobel算子提取所述可见光图像的第一梯度图；对所述第一梯度图进行阈值分割处理得到第一褶皱线二值图；将所述第一梯度图和所述第一褶皱线二值图进行融合得到边缘梯度图，将所述边缘梯度图输入神经网络得到超像素分割的最优分割数量；利用可见光图像中邻域像素与种子点之间的颜色距离、空间距离和梯度差异之和得到最终的距离度量，根据所述距离度量和所述最优分割数量进行超像素分割，得到超像素分割图像；根据所述超像素分割图像中的超像素分界线进行二值化处理，得到第二褶皱线二值图像；将所述第二褶皱线二值图像与所述第一梯度图相乘，得到褶皱线梯度图；根据所述褶皱线梯度图中每个超像素块的质心，基于每个质心生成一个基准超像素块，所述基准像素块的尺寸是根据所述最优分割数量得到无褶皱的瓦楞纸的正常分割尺寸；比较同质心的超像素块与所述基准超像素块之间的差异得到差异度，保留差异度大的超像素块作为异常超像素块，根据所述异常超像素块中的梯度大小筛除正常像素点、保留褶皱点，得到褶皱点二值图像；将所述褶皱点二值图像与所述第一褶皱线二值图进行合并得到最终的褶皱线二值图，实现对瓦楞纸褶皱缺陷的检测。
进一步，所述获取瓦楞区域的可见光图像之前还包括对原始采集的可见光图像进行显著性检测得到瓦楞区域的可见光图像。
进一步，所述Sobel算子采用5*5大小的模板提取梯度。
进一步，所述模板包括X方向的模板和Y方向的模板，所述X方向的模板为：
所述Y方向的模板为：
。
进一步，对所述第一梯度图进行阈值分割处理得到第一褶皱线二值图的步骤包括：采用非极大值抑制法对所述第一梯度图进行处理得到褶皱点；基于双阈值分割算法对所述褶皱点进行处理得到强褶皱像素、弱褶皱像素和抑制像素，删除所述抑制像素；对所述弱褶皱像素的邻域像素进行筛选，删除所有邻域像素都属于弱褶皱的像素，得到所述第一褶皱线二值图。
进一步，所述双阈值分割算法中的阈值的获取步骤包括：对所述第一梯度图中的非零强度进行统计，将所述梯度图中所有的非零梯度进行排序，按照均匀分段的方式获取最大阈值和最小阈值。
进一步，所述最大阈值和最小阈值分别选取排序后得到的梯度序列中长度为梯度总数量的三分之一位置处的梯度值。
进一步，所述比较同质心的超像素块与所述基准超像素块之间的差异得到差异度的获取步骤包括：获取所述同质心的超像素块与所述基准超像素块之间的交并比，所述交并比与所述差异度呈负相关关系。
第二方面，本发明一个实施例提供了一种瓦楞纸褶皱缺陷检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明具有如下有益效果：
本发明实施例通过提取瓦楞区域可见光图像的第一梯度图，并将该第一梯度图进行处理得到第一褶皱线二值图，并将第一梯度图和第一褶皱线二值图得到边缘梯度图，利用神经网络对该边缘梯度图进行处理得到超像素分割的最优分割数量，基于该最优分割数量进行超像素分割，并对超像素分割后的图像进一步的进行处理得到最终的褶皱线二值图，实现对瓦楞纸褶皱缺陷的检测。通过超像素分割、边缘检测来共同实现瓦楞纸褶皱的检测，可以避免传统边缘检测方法中存在的阈值选取、准确性差的问题。通过超像素分割，可以有效的检测到特征不明显的褶皱线区域。
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瓦楞纸褶皱缺陷检测方法流程图；
图2为原始的瓦楞纸区域的可见光图像和第一褶皱线二值图的对比示意图。
图3为将褶皱区域的可见光图像分割为60个超像素的示意图；
图4为将无褶皱区域的可见光图像分割为60个超像素的示意图。
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瓦楞纸褶皱缺陷检测方法及系统，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瓦楞纸褶皱缺陷检测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种瓦楞纸褶皱缺陷检测方法流程图，该方法包括以下步骤：
步骤S001，获取瓦楞纸区域的可见光图像。
在瓦楞纸工业生产线中部署相机，用以拍摄生产线生产后的瓦楞纸图像，图像为RGB图像，即可见光图像。图像应能覆盖到瓦楞纸表面，且相机分辨率越大越好。
为了减少背景所造成的影响，使用显著性检测方法，检测可见光图像中的瓦楞纸区域，以排除背景区域，显著性检测指通过智能算法模拟人的视觉特点，提取图像中的显著区域(即人类感兴趣的区域)。此处优选的采用基于深度学习的视觉显著性检测方法，具体的有DSS：Deeply Supervised Salient Object Detection with Short Connections、Amulet:：Aggregating Multi-level Convolutional Features for Salient ObjectDetection、BDMP：A Bi-directional Message Passing Model for Salient ObjectDetection等方法，实施者可以任意采取，最终将瓦楞纸图像输入到显著性检测模型中，得到瓦楞纸二值图像，瓦楞纸二值图像中，255像素值为显著目标，0像素值为背景。
进一步的，将瓦楞纸二值图像进行归一化操作，然后将归一化的瓦楞纸二值图像与原可见光瓦楞纸图像进行相乘，得到瓦楞纸区域的可见光图像。
步骤S002，利用Sobel算子提取可见光图像的第一梯度图；对第一梯度图进行阈值分割处理得到第一褶皱线二值图。
请参阅图2，其示出了原始的瓦楞纸区域的可见光图像和第一褶皱线二值图的对比示意图。
优选的，采用Sobel算子算法，具体的，首先对图像进行灰度化处理，因为只有灰度图才能进行边缘检测，该处理操作即对瓦楞区域的可见光图像进行灰度转换，得到瓦楞区域灰度图；然后使用高斯滤波器，以平滑瓦楞灰度图像，滤除噪声，高斯滤波器的经验大小为7*7；最后利用Sobel算子计算瓦楞区域灰度图中每个像素点的梯度强度和方向，得到瓦楞区域梯度图。瓦楞区域梯度图也即为可见光图像的第一梯度图。
优选的，由于一条褶皱会影响一定范围的图像区域，导致该区域像素值发生变化，利用现有的3*3模板进行梯度检测的结果会由于模板较小使得像素梯度较小，由其在褶皱程度较小的情况下，进而进行阈值分割时会出现较少的强边缘，导致检测精度不高，利用扩展Sobel模板不考虑相邻邻域的梯度，容易受图像噪声的影响，进而进行阈值分割时会出现较多孤立和长度较小的边缘，因此对该模板进行了改进，改进为基于帕斯卡三角形的5*5的模板，利用改进后的模板进行检测能够增强褶皱程度较小的梯度强度同时消除噪声的影响，提高检测精度。也即Sobel算子采用5*5大小的模板提取梯度，可以提取更宽区域的梯度，进而更能反映出区域的褶皱。
其中，该5*5大小的模板具体为：X方向的模板：
Y方向的模板：
通过该Sobel模板可以检测更大区域的梯度信息，能更好的反映褶皱区域的梯度差异。
优选的，消除检测带来的杂散响应，采用非极大值（Non-Maximum Suppression）抑制对第一梯度图进行处理得到褶皱点。具体的，将当前像素的梯度强度与沿正负梯度方向上的两个像素进行比较。如果当前像素的梯度强度与另外两个像素相比最大，则该像素点保留为瓦楞褶皱点，否则该像素点将被抑制。
为了进一步的确定真实的和潜在的瓦楞褶皱点，采用双阈值（Double-Threshold）检测对褶皱点进行处理得到强褶皱像素、弱褶皱像素和抑制像素，删除抑制像素；对弱褶皱像素的邻域像素进行筛选，删除所有邻域像素都属于弱褶皱的像素，得到第一褶皱线二值图。具体的，检查一个弱瓦楞褶皱点的8连通领域像素，只要有强瓦楞褶皱点存在，那么这个弱瓦楞褶皱点被认为是真实瓦楞褶皱点保留下来。
具体的，在双阈值（Double-Threshold）的过程中，如果瓦楞褶皱点像素的梯度值高于高阈值，则将其标记为强瓦楞褶皱点像素；如果瓦楞褶皱点像素的梯度值小于高阈值并且大于低阈值，则将其标记为弱瓦楞褶皱点像素；如果瓦楞褶皱点像素的梯度值小于低阈值，则会被抑制，即删除。
优选的，为了自适应的找到阈值，避免了人为调参以及参数设置不当导致褶皱线检测不到的问题。双阈值分割算法中的阈值的获取步骤包括：对第一梯度图中的非零强度进行统计，将梯度图中所有的非零梯度进行排序，按照均匀分段的方式获取最大阈值和最小阈值。具体的，梯度强度为0的像素值通常为瓦楞正常区域或褶皱线区域；梯度强度非0的像素值可以认为是褶皱与瓦楞正常区域的边界或褶皱区域。因此对瓦楞区域梯度图中的非零梯度强度进行统计，然后将梯度图中的所有非零梯度强度按升序排序，得到所有非零梯度强度像素的排序梯度。此处采用均匀分段的方式，获取高低阈值。最大阈值和最小阈值分别选取排序后得到的梯度序列中长度为梯度总数量的三分之一位置处的梯度值。具体的，假设排序梯度序列长度为N，则低阈值为第位置处的梯度，高阈值为第位置处的梯度。
步骤S003，将第一梯度图和第一褶皱线二值图进行融合得到边缘梯度图，将边缘梯度图输入神经网络得到超像素分割的最优分割数量。
具体的，将第一褶皱线二值图与第一梯度图进行融合，融合方法采用Concatenate（联合），最终得到一张二通道的图像，称为边缘梯度图，然后输入到神经网络中。其中，采用第一褶皱线二值图，是因为边缘图像可以提供图像的边缘信息，当边缘越少时，代表瓦楞纸的褶皱较少，超像素块区域应较大，以更快的执行超像素分割，提高超像素分割的效率；采用梯度图像可以为神经网络提供梯度信息，学习到图像梯度变化的区域，梯度变化的区域可能为褶皱区域更应该执行超像素分割，变化区域越多，超像素数量就应越多。
神经网络的训练过程包括：获取训练样本，该训练样本为带有标签的边缘梯度图，标签的标注通过人为标注的方式，通过人为调试超像素分割的超像素数量，得到超像素的最优数量，数量采用模糊数量，例如超像素数量为6、12、18、24、30、36、42、48、54、60，总计十类；然后将分类的标注通过阿拉伯数字进行代替，分别用0-9代替，然后输入到神经网络中用独热编码进行表示。通过神经网络的编码器实现对边缘梯度图像的拟合、特征提取与下采样，输出为特征图，特征图的经验个数为32个，即表示编码器中最后一层卷积的卷积核个数为32个，然后再将特征图进行Flatten（展平）操作，得到特征向量，并将特征向量输入到全连接网络中进行样本标记空间的映射，最终输出分类概率。损失函数采用交叉熵损失，优化器采用Adam。神经网络的输出为最优的超像素数量。该最优的超像素数量即为超像素分割的分割数量。
优选的，在本发明实施例中神经网络的结构为卷积神经网络，具体结构为编码器和全连接网络，可采用ResNet、SENet、MobileNet等模型。
步骤S004，利用可见光图像中邻域像素与种子点之间的颜色距离、空间距离和梯度差异之和得到最终的距离度量，根据所述距离度量和所述最优分割数量进行超像素分割，得到超像素分割图像；根据超像素分割图像中的超像素分界线进行二值化处理，得到第二褶皱线二值图像。
具体的，对瓦楞区域的可见光图像进行超像素分割，以获取不同区域的分界线，该分界线可以认为是瓦楞纸褶皱线区域。超像素通常定义为位置相邻且颜色、亮度、纹理等特征相似的形状不规则，又有一定视觉意义的像素块。其中超像素分割的过程为：（a）初始化种子点：也即初始化也即聚类中心，首先在每个超像素块分配一个种子点，可随机分配；(b)在种子点的n*n邻域内重新选择种子点，n经验值为5。具体为：计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的地方。这样做的目的是为了避免种子点落在梯度较大的轮廓边界上，以免影响后续聚类效果。(c)在每个种子点周围的邻域内为每个像素点分配类标签，也即属于哪个聚类中心。（d）基于距离模型D来获取种子点与像素点的相似度，由于每个像素点都会被多个种子点搜索到，所以每个像素点都会有一个与周围种子点的距离，取最小值对应的种子点作为该像素点的聚类中心。
进一步的，利用SLIC超像素分割并基于上述像素点距离模型D和超像素分区进行迭代优化，理论上不断迭代直到误差收敛，也可以理解为每个像素点聚类中心不再发生变化为止，迭代次数经验值为10次，划分出比较相似的区域，最终得到众多区域，对于每一种区域内的像素点都是像素点距离D比较接近的。最终，得到超像素分割图像，其中图像中的超像素分界线即可认为是瓦楞纸皱褶线区域。然后将超像素分界线像素值变为255，其它位置变为0，得到第二褶皱线二值图像。
优选的，为了实现将将位置相近、颜色相似且梯度相似的像素划分为一类的目的。首先将原瓦楞纸的可见光图像从RGB空间转换为LAB空间，LAB颜色空间表现的颜色更全面。对于每个搜索到的像素点，分别计算被搜索到的像素点和相应的种子点的距离，假设第个像素点为种子点，第个像素点为被搜索到的像素点，构建像素距离模型，利用邻域像素与种子点之间的颜色距离、空间距离和梯度差异得到最终的距离度量，最终的距离度量为颜色距离、空间距离和梯度差异之和：
其中，表示在LAB空间的颜色差异，表示在LAB空间的坐标距离，表示梯度距离，表示距离度量，表示在L通道中第个像素点的亮度值、在L通道中第个像素点的亮度值、表示在A通道中第个像素点的分量、表示在A通道中第个像素点的分量、表示在B通道中第个像素点的分量、表示在B通道中第个像素点的分量、表示第个像素点的横坐标、表示第个像素点的纵坐标、表示第个像素点的横坐标、表示第个像素点的纵坐标、表示第个像素的梯度强度、表示第个像素的梯度强度。
通过参数A、B、C来协调三种距离的比例分配，经验值分别为4、3、2。
距离中由于瓦楞正常区域的梯度与邻近都接近0，对于瓦楞褶皱区域会有较大梯度变化，因此利用反距离形式，梯度变化越大，距离越小。
该像素距离模型考虑到lab空间的颜色差异、空间坐标的邻近性、梯度的差异，综合考虑三方面因素，来评估像素间的相似度。D的值越小，表示两个像素的相似度越大。
然后对原瓦楞纸的可见光图像进行分区，分区即超像素个数，超像素的个数会影响算法的执行速度以及对瓦楞褶皱的检测准确度，同时由于不同瓦楞纸的褶皱程度、大小、区域不同。请参阅图3和图4，其分别示出了将褶皱区域和无褶皱区域瓦楞纸的可见光图像分割为60个超像素的示意图。
步骤S005，将第二褶皱线二值图像与第一梯度图相乘，得到褶皱线梯度图；根据所述褶皱线梯度图中每个超像素块的质心，基于每个质心生成一个基准超像素块，所述基准像素块的尺寸是根据所述最优分割数量得到无褶皱的瓦楞纸的正常分割尺寸；比较同质心的超像素块与所述基准超像素块之间的差异得到差异度，保留差异度大的超像素块作为异常超像素块，根据异常超像素块中的梯度大小筛除正常像素点、保留褶皱点，得到褶皱点二值图像。
由于现有的超像素分割的优点为考虑到颜色信息，而本申请中由于边缘检测是基于灰度信息进行的检测方式，缺乏对颜色上的处理；因此通过融合超像素分界线与边缘检测图像，进而实现两种技术的互补，得到更准确的瓦楞纸褶皱线区域。因此，将第二褶皱线二值图像与所述第一梯度图相乘，得到褶皱线梯度图。
由于超像素分割为固定的区域，因此对于正常的瓦楞也都会有相应的线段区域。为了解决超像素分界线受超像素块影响，无论是否存在褶皱都会有分界线的存在的问题，对于褶皱线梯度图进行筛选，筛选的方法为：根据所述褶皱线梯度图中每个超像素块的质心，基于每个质心生成一个基准超像素块，所述基准像素块的尺寸是根据所述最优分割数量得到无褶皱的瓦楞纸的正常分割尺寸；比较同质心的超像素块与所述基准超像素块之间的差异得到差异度，保留差异度大的超像素块作为异常超像素块，根据所述异常超像素块中的梯度大小筛除正常像素点、保留褶皱点，得到褶皱点二值图像。
其中筛选的步骤具体包括：
（1）获取超像素块的基准边长：
其中，N表示褶皱线梯度图中的像素数量，K表示最优分割数量。
表示每个超像素的大小，由于正常的无褶皱区域的超像素块近似为正方形，表示开方操作。
以基准边长形成的超像素作为基准超像素块。
（2）获取褶皱线梯度图中所划分的每个超像素块的质心。由于超像素分割得到的每个超像素块可以认为是一个连通域，获取连通域的质心坐标。质心坐标的获取可在OpenCV库中进行调用。
（3）利用块匹配方法获取每个超像素块与基准超像素块的交并比。基于每个超像素块的质心生成基准超像素块，所述基准超像素块是以该质心为中心生成的边长为基准边长D的正方形，该正方形的中心即为超像素块的质心。求取超像素块与基准超像素块的差异度U：
其中为褶皱线梯度图中任意一个超像素块、表示以超像素块A的质心为中心的基准超像素块B。表示同质心的超像素块A和基准超像素块B之间的交并比。
（4）基于超像素块与基准超像素块的差异度可以判断超像素块进行迭代后的变化，包括超像素块像素数量以及超像素块形状上的变化。差异度越小代表超像素块基本未发生变化，越大代表超像素块发生了较大变化。基于变化度U进行筛选，此处设置有变化阈值GR，GR的经验值为0.05，然后将大于阈值GR的超像素块进行保留，获取异常超像素块，同时获取异常超像素块的分界线。也即获取到了异常超像素块，异常超像素块为超像素块内像素位置发生较大变化的超像素块。未发生变化的超像素块可以认为是瓦楞纸正常区域。
（5）对异常超像素块的超像素分界线像素进行阈值判断，由于超像素分界线是连通的，因此分界线上可能存在非褶皱线像素；因此采用梯度阈值筛选，当异常超像素块的超像素分界线像素的梯度大于阈值G，则认为该像素为瓦楞纸褶皱线像素，阈值G的经验值为，N为排序梯度序列长度。经过筛选后，瓦楞纸褶皱线像素称为第一瓦楞纸褶皱线点，但可能会存在孤立的异常点，由于对于褶皱来说基本不存在单独的褶皱点。因此获取每个第一瓦楞纸褶皱线点的8连通邻域像素，只要在该8邻域内有第一瓦楞纸褶皱线点存在，那么这个第一瓦楞纸褶皱线点被认为是真实瓦楞褶皱点，最终得到真实瓦楞褶皱点，得到真实瓦楞褶皱点二值图像。
步骤S006，将褶皱点二值图像与第一褶皱线二值图进行合并得到最终的褶皱区域图像，实现对瓦楞纸褶皱缺陷的检测。
将真实瓦楞的褶皱点二值图像与第一褶皱线二值图进行合并，得到最终的褶皱区域图像：
其中分别为真实瓦楞的褶皱点二值图像、第一褶皱线二值图。为交集操作。
通过取交集的操作得到真实的瓦楞褶皱点二值图像，进而得到最终的褶皱区域图像，实现瓦楞纸褶皱缺陷的检测。
综上所述，本发明实施例通过提取瓦楞区域可见光图像的第一梯度图，并将该第一梯度图进行处理得到第一褶皱线二值图，并将第一梯度图和第一褶皱线二值图得到边缘梯度图，利用神经网络对该边缘梯度图进行处理得到超像素分割的最优分割数量，基于该最优分割数量进行超像素分割，并对超像素分割后的图像进一步的进行处理得到最终的褶皱线二值图，实现对瓦楞纸褶皱缺陷的检测。通过超像素分割、边缘检测来共同实现瓦楞纸褶皱的检测，可以避免传统边缘检测方法中存在的阈值选取、准确性差的问题。通过超像素分割，可以有效的检测到特征不明显的褶皱线区域。
基于与上述方法实施例相同的发明构思，本发明实施例还提供了一种瓦楞纸褶皱缺陷检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上上述任意一个实施例所提供的方法的步骤。由于一种瓦楞纸褶皱缺陷检测方法在上述实施例中已经详细说明，不再赘述。
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。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。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 (9)
1.一种瓦楞纸褶皱缺陷检测方法，其特征在于，该检测方法包括以下步骤：
获取瓦楞纸区域的可见光图像；
利用Sobel算子提取所述可见光图像的第一梯度图；对所述第一梯度图进行阈值分割处理得到第一褶皱线二值图；
将所述第一梯度图和所述第一褶皱线二值图进行融合得到边缘梯度图，将所述边缘梯度图输入神经网络得到超像素分割的最优分割数量；
利用可见光图像中邻域像素与种子点之间的颜色距离、空间距离和梯度差异之和得到最终的距离度量，根据所述距离度量和所述最优分割数量进行超像素分割，得到超像素分割图像；根据所述超像素分割图像中的超像素分界线进行二值化处理，得到第二褶皱线二值图像；
将所述第二褶皱线二值图像与所述第一梯度图相乘，得到褶皱线梯度图；根据所述褶皱线梯度图中每个超像素块的质心，基于每个质心生成一个基准超像素块，所述基准像素块的尺寸是根据所述最优分割数量得到无褶皱的瓦楞纸的正常分割尺寸；比较同质心的超像素块与所述基准超像素块之间的差异得到差异度，保留差异度大的超像素块作为异常超像素块，根据所述异常超像素块中的梯度大小筛除正常像素点、保留褶皱点，得到褶皱点二值图像；
将所述褶皱点二值图像与所述第一褶皱线二值图进行合并得到最终的褶皱线二值图，实现对瓦楞纸褶皱缺陷的检测。
2.根据权利要求1所述的一种瓦楞纸褶皱缺陷检测方法，其特征在于，所述获取瓦楞区域的可见光图像之前还包括对原始采集的可见光图像进行显著性检测得到瓦楞区域的可见光图像。
3.根据权利要求1所述的一种瓦楞纸褶皱缺陷检测方法，其特征在于，所述Sobel算子采用5*5大小的模板提取梯度。
4.根据权利要求3所述的一种瓦楞纸褶皱缺陷检测方法，其特征在于，所述模板包括X方向的模板和Y方向的模板，所述X方向的模板为：
所述Y方向的模板为：
。
5.根据权利要求1所述的一种瓦楞纸褶皱缺陷检测方法，其特征在于，对所述第一梯度图进行阈值分割处理得到第一褶皱线二值图的步骤包括：
采用非极大值抑制法对所述第一梯度图进行处理得到褶皱点；
基于双阈值分割算法对所述褶皱点进行处理得到强褶皱像素、弱褶皱像素和抑制像素，删除所述抑制像素；
对所述弱褶皱像素的邻域像素进行筛选，删除所有邻域像素都属于弱褶皱的像素，得到所述第一褶皱线二值图。
6.根据权利要求5所述的一种瓦楞纸褶皱缺陷检测方法，其特征在于，所述双阈值分割算法中的阈值的获取步骤包括：对所述第一梯度图中的非零强度进行统计，将所述梯度图中所有的非零梯度进行排序，按照均匀分段的方式获取最大阈值和最小阈值。
7.根据权利要求6所述的一种瓦楞纸褶皱缺陷检测方法，其特征在于，所述最大阈值和最小阈值分别选取排序后得到的梯度序列中长度为梯度总数量的三分之一位置处的梯度值。
8.根据权利要求1所述的一种瓦楞纸褶皱缺陷检测方法，其特征在于，所述比较同质心的超像素块与所述基准超像素块之间的差异得到差异度的获取步骤包括：获取所述同质心的超像素块与所述基准超像素块之间的交并比，所述交并比与所述差异度呈负相关关系。
9.一种瓦楞纸褶皱缺陷检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-8任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410658195.2A CN118229688B (zh) | 2024-05-27 | 2024-05-27 | 一种瓦楞纸褶皱缺陷检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410658195.2A CN118229688B (zh) | 2024-05-27 | 2024-05-27 | 一种瓦楞纸褶皱缺陷检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118229688A CN118229688A (zh) | 2024-06-21 |
| CN118229688B true CN118229688B (zh) | 2024-08-06 |
Family
ID=91512146
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410658195.2A Active CN118229688B (zh) | 2024-05-27 | 2024-05-27 | 一种瓦楞纸褶皱缺陷检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118229688B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101799434A (zh) * | 2010-03-15 | 2010-08-11 | 深圳市中钞科信金融科技有限公司 | 一种印刷图像缺陷检测方法 |
| CN113763404A (zh) * | 2021-09-24 | 2021-12-07 | 湖南工业大学 | 基于优化标记和边缘约束分水岭算法的泡沫图像分割方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111199171B (zh) * | 2018-11-19 | 2022-09-23 | 荣耀终端有限公司 | 一种皱纹检测方法和终端设备 |
| CN113780259B (zh) * | 2021-11-15 | 2022-03-15 | 中移(上海)信息通信科技有限公司 | 一种路面缺陷检测方法、装置、电子设备和可读存储介质 |
| CN115249301B (zh) * | 2022-09-22 | 2022-12-20 | 精技精密部件(南通)有限公司 | 一种用于提取工件表面研磨褶皱的方法 |
-
2024
- 2024-05-27 CN CN202410658195.2A patent/CN118229688B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101799434A (zh) * | 2010-03-15 | 2010-08-11 | 深圳市中钞科信金融科技有限公司 | 一种印刷图像缺陷检测方法 |
| CN113763404A (zh) * | 2021-09-24 | 2021-12-07 | 湖南工业大学 | 基于优化标记和边缘约束分水岭算法的泡沫图像分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118229688A (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107833220B (zh) | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 | |
| CN108898610B (zh) | 一种基于mask-RCNN的物体轮廓提取方法 | |
| JP5546317B2 (ja) | 外観検査装置、外観検査用識別器の生成装置及び外観検査用識別器生成方法ならびに外観検査用識別器生成用コンピュータプログラム | |
| CN108918536B (zh) | 轮胎模具表面字符缺陷检测方法、装置、设备及存储介质 | |
| CN109255344B (zh) | 一种基于机器视觉的数显式仪表定位与读数识别方法 | |
| CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
| CN111667455B (zh) | 一种刷具多种缺陷的ai检测方法 | |
| CN108648168A (zh) | Ic晶圆表面缺陷检测方法 | |
| 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 | |
| CN114897816A (zh) | 基于改进掩膜的Mask R-CNN矿物颗粒识别以及粒度检测方法 | |
| CN109948625A (zh) | 文本图像清晰度评估方法及系统、计算机可读存储介质 | |
| CN111127417B (zh) | 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法 | |
| CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 | |
| CN113221881B (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
| CN111507426A (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
| CN114549507B (zh) | 改进Scaled-YOLOv4的织物瑕疵检测方法 | |
| CN112102224A (zh) | 一种基于深度卷积神经网络的布匹疵点识别方法 | |
| CN110415222A (zh) | 一种基于纹理特征的丝饼侧面缺陷识别方法 | |
| CN108288276B (zh) | 一种投影交互系统中触摸模式下的干扰滤除方法 | |
| CN115082776A (zh) | 一种基于图像识别的电能表自动检测系统及方法 | |
| CN112101283A (zh) | 一种交通标志智能识别方法及系统 | |
| CN118275449A (zh) | 铜带表面缺陷检测方法、装置及设备 | |
| CN111667465A (zh) | 一种基于远红外图像的金属洗手盆缺陷检测方法 | |
| CN117557565B (zh) | 一种锂电池极片的检测方法及其装置 | |
| CN111738931A (zh) | 光伏阵列无人机航拍图像的阴影去除算法 |
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 |