CN110687121B - 一种陶瓦智能在线检测与自动分级方法和*** - Google Patents

一种陶瓦智能在线检测与自动分级方法和*** Download PDF

Info

Publication number
CN110687121B
CN110687121B CN201910888799.5A CN201910888799A CN110687121B CN 110687121 B CN110687121 B CN 110687121B CN 201910888799 A CN201910888799 A CN 201910888799A CN 110687121 B CN110687121 B CN 110687121B
Authority
CN
China
Prior art keywords
image
defect
detection
image data
ceramic tiles
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
Application number
CN201910888799.5A
Other languages
English (en)
Other versions
CN110687121A (zh
Inventor
朱加云
郑胜
涂远江
肖焱山
曾曙光
苏陈颖
王啸
程军林
张书文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei Sanjiang Aerospace Wanfeng Technology Development Co Ltd
Original Assignee
Hubei Sanjiang Aerospace Wanfeng Technology Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei Sanjiang Aerospace Wanfeng Technology Development Co Ltd filed Critical Hubei Sanjiang Aerospace Wanfeng Technology Development Co Ltd
Priority to CN201910888799.5A priority Critical patent/CN110687121B/zh
Publication of CN110687121A publication Critical patent/CN110687121A/zh
Application granted granted Critical
Publication of CN110687121B publication Critical patent/CN110687121B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种陶瓦智能在线检测与自动分级方法和***，其通过获取待检测陶瓦的图像数据，分别对所述图像数据进行裂纹缺陷检测、缺角缺陷检测、色差缺陷检测、缺釉缺陷检测和鼓包缺陷检测，依据上述缺陷检测结果获取待检测陶瓦的等级，依据其检测需要分别对采集图像进行第一预处理或第二预处理，同时，采用不同的滤波及缺陷提取方式，尤其是在进行缺釉检测时进行颜色判别，并采用不同算法对不同颜色的待检测陶瓦进行图像预处理、图像分割、特征提取及对应的缺陷等级，可以实现多种缺陷检测，并实现多种复杂外形结构的陶瓦检测智能分级。

Description

一种陶瓦智能在线检测与自动分级方法和***
技术领域
本发明属于图像检测领域，具体涉及一种陶瓦智能在线检测与自动分级方法和***。
背景技术
对陶瓦进行质量检测是陶瓦生产过程中十分重要且必不可少的环节，目前很多陶瓦生产企业仍然采用人工检测的方法完成质量检测和产品分级，检测误差大、漏检率高的问题。
国内外已有一些机构采用机器视觉技术对陶瓷产品质量检测展开了研究。机器视觉技术，是一门涉及人工智能、神经生物学、心理物理学、计算机科学、图像处理、模式识别等诸多领域的交叉学科。机器视觉主要用计算机来模拟人的视觉功能，从客观事物的图像中提取信息，进行处理并加以理解，最终用于实际检测、测量和控制。机器视觉技术最大的特点是速度快、信息量大、功能多。
然而，已有研究大多是针对裂纹、缺釉、色差等某单一缺陷进行的，不够***和智能。其次，已有研究主要集中在几何外形比较简单的瓷砖、陶瓦、陶瓷碗等陶瓷产品上，对于几何外形较为复杂多样的陶瓦产品的缺陷检测，无法实现同时检测多种缺陷，无法实现多种复杂外形结构的陶瓦检测智能分级。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种陶瓦智能在线检测与自动分级方法和***，其通过获取待检测陶瓦的图像数据，分别对所述图像数据进行裂纹缺陷检测、缺角缺陷检测、色差缺陷检测、缺釉缺陷检测和鼓包缺陷检测，依据上述缺陷检测结果获取待检测陶瓦的等级，依据其检测需要分别对采集图像进行第一预处理或第二预处理，同时，采用不同的滤波及缺陷提取方式，可以实现多种缺陷检测，并实现多种复杂外形结构的陶瓦检测智能分级。
为实现上述目的，按照本发明的一个方面，提供了一种陶瓦智能在线检测与自动分级方法，包括如下步骤：
获取待检测陶瓦的图像数据，分别对图像数据进行裂纹缺陷检测、缺角缺陷检测、色差缺陷检测、缺釉缺陷检测和鼓包缺陷检测，依据上述缺陷检测结果获取待检测陶瓦的等级，其中，
裂纹缺陷检测为对图像数据进行第一预处理，采用自定义滑动滤波和自动区域生长法提取缺陷特征，依据提取的缺陷特征判断待检测陶瓦是否存在裂纹缺陷及对应的缺陷等级；
缺角缺陷检测为对图像数据进行第二预处理，采用自适应阈值分割算法提取陶瓦缺角特征并计算缺角面积；
色差缺陷检测为对图像数据进行第二预处理，采用自适应阈值分割算法提取陶瓦色差特征并计算色差面积；
缺釉缺陷检测为依据图像数据对待检测陶瓦进行颜色判别，采用不同算法对不同颜色的待检测陶瓦进行图像预处理、图像分割、特征提取及对应的缺陷等级；
鼓包缺陷检测为对图像数据进行第二预处理，分别采用自定义滑动滤波器滤波、线性中值滤波和插值低通滤波对预处理后的图像进行滤波，采用阈值分割法提取缺陷特征，依据提取的缺陷特征判断待检测陶瓦是否存在裂纹缺陷及对应的缺陷等级。
作为本发明的进一步改进，第一预处理为对图像数据进行颜色空间变换，采用RGB图像中红色通道的图像，选取预设模板对红色通道的图像进行中值滤波。
作为本发明的进一步改进，自定义滑动滤波为采用双窗模型对第一预处理后的图像进行滑动滤波，双窗模型的外窗为背景区域，内窗为检测区域。
作为本发明的进一步改进，自动区域生长法具体为，对裂纹区域进行局部窗口扫描，通过比较局部窗口的均值和中心值的数值确定种子点；设定终止生长的阈值，计算待标记点与邻点的像素差的绝对值，则待标记点为种子点，对待标记点继续区域生长，遍历所有待标记点提取种子点。
作为本发明的进一步改进，第二预处理为对图像数据进行灰度化。
作为本发明的进一步改进，颜色判别具体为：
将图像数据转换为HSV格式的图像，对比三个通道的均值大小，以判断待检测陶瓦的颜色。
作为本发明的进一步改进，待检测陶瓦为第一颜色，将图像数据转换为NTSV格式的图像，对NTSV格式的图像的三个通道分别做高斯滤波，再对二通道图像和三通道图像分别做全局阈值分割得到待检测图像的二值化图像，对二值化图像做腐蚀运算以实现缺陷特征提取；
待检测陶瓦为第二颜色，将图像数据转换为HSV格式的图像，采用明暗异常检测算法对HSV格式的图像进行分割，以实现缺陷特征提取。
为实现上述目的，按照本发明的另一个方面，提供了一种陶瓦智能在线检测与自动分级***，其包括图像采集***和图像处理***，图像采集***用于采集待检测陶瓦的图像，图像处理***用于接收图像采集***的采集图像数据并实现上述方法。
作为本发明的进一步改进，图像采集***包括分布式LED无阴影照明***、光电开关、面阵CMOS相机和光学镜头。
作为本发明的进一步改进，分布式LED无阴影照明***包括暗箱和光源，光源包括置于暗箱内部顶端平行排列的多个LED灯带。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
本发明的一种陶瓦智能在线检测与自动分级方法和***，其通过对采集的陶瓦图像依次进行行裂纹缺陷检测、缺角缺陷检测、色差缺陷检测、缺釉缺陷检测和鼓包缺陷检测，依据上述缺陷检测结果获取待检测陶瓦的等级，可以筛选出各种类型缺陷的陶瓦。比起传统的人工检测，本发明的技术方案采用机器视觉的方法，利用彩色面阵CCD对生产线上陶瓦进行拍照，获取陶瓦表面图像，再通过图像处理技术完成其表面缺陷的检测与识别，最后根据检测结果对陶瓦进行自动分级，可以快速高效地对所有陶瓦进行逐一检测，而且分类效果良好，可以极大地提高生产效率，同时显著提高出厂陶瓦的合格率。
本发明的一种陶瓦智能在线检测与自动分级方法和***，依据其检测需要分别对采集图像进行第一预处理及第二预处理，同时，采用不同的滤波及缺陷提取方式，尤其是在进行缺釉检测时进行颜色判别，并采用不同算法对不同颜色的待检测陶瓦进行图像预处理、图像分割、特征提取及对应的缺陷等级，从而可以实现多种缺陷检测，并实现多种复杂外形结构的陶瓦检测智能分级。
附图说明
图1是本发明实施例的一种陶瓦智能在线检测与自动分级方法的示意图；
图2是本发明实施例的一种陶瓦智能在线检测与自动分级***的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面结合具体实施方式对本发明进一步详细说明。
图1是本发明实施例的一种陶瓦智能在线检测与自动分级方法的示意图。如图1所示，一种陶瓦智能在线检测与自动分级方法，其包括如下步骤：
获取待检测陶瓦的图像数据，分别对图像数据进行裂纹缺陷检测、缺角缺陷检测、色差缺陷检测、缺釉缺陷检测和鼓包缺陷检测，依据上述缺陷检测结果获取待检测陶瓦的等级，其中，
裂纹缺陷检测为对图像数据进行第一预处理，采用自定义滑动滤波和自动区域生长法提取缺陷特征，依据提取的缺陷特征判断待检测陶瓦是否存在裂纹缺陷及对应的缺陷等级；
第一预处理具体为，对图像数据进行颜色空间变换，采用RGB图像中红色通道的图像，选取预设模板对红色通道的图像进行中值滤波，以滤除图像数据中的噪声点，增加对比度，便于裂纹提取；
自定义滑动滤波具体为，采用双窗模型对第一预处理后的图像进行滑动滤波，双窗模型的外窗为背景区域，内窗为检测区域，可增加裂纹缺陷的对比度，采用全局阈值分割，提取裂纹区域；
自动区域生长法具体为，对裂纹区域进行局部窗口扫描，通过比较局部窗口的均值和中心值的数值确定种子点；设定终止生长的阈值，计算待标记点与邻点的像素差的绝对值，则待标记点为种子点，对待标记点继续区域生长，否则停止生长，遍历所有待标记点，直到种子点生长结束，提取所有种子点。
将提取到的缺陷，对其长宽比，面积进行计算，判断其是否存在缺陷，缺陷面积的计算公式为：
Figure BDA0002208092930000041
其中，f(x,y)为缺陷的像素点，I为缺陷区域，A为缺陷的总像素点，
长宽比的计算公式为：
Figure BDA0002208092930000042
其中，Nx为缺陷的最长的长度，Ny为缺陷区域的最大宽度，B为长宽比。
当A大于50像素同时B大于5，可判断为此处缺陷为裂纹缺陷。
缺角缺陷检测为对图像数据进行第二预处理，采用自适应阈值分割算法提取陶瓦缺角特征并计算缺角面积；
第二预处理为对图像数据进行灰度化；
色差缺陷检测为对图像数据进行第二预处理，采用自适应阈值分割算法提取陶瓦色差特征并计算色差面积；
缺釉缺陷检测为依据图像数据对待检测陶瓦进行颜色判别，采用不同算法对不同颜色的待检测陶瓦进行图像预处理、图像分割、特征提取及对应的缺陷等级；
依据图像数据对待检测陶瓦进行颜色判别具体为：
将图像数据转换为HSV格式的图像，对比三个通道的均值大小，以判断待检测陶瓦的颜色；
待检测陶瓦为第一颜色，作为一个示例第一颜色为红色，将图像数据转换为NTSV格式的图像，对NTSV格式的图像的三个通道分别做高斯滤波，再对二通道图像和三通道图像分别做全局阈值分割得到待检测图像的二值化图像，对二值化图像做腐蚀运算以实现缺陷特征提取，将二通道与三通道的图像做逻辑与运算，可以去除三通道中背景区域的干扰点，三通道中缺陷与背景部分明显区分，得到最终的二值化图像；
待检测陶瓦为第二颜色，作为一个示例第二颜色为蓝色，将图像数据转换为HSV格式的图像，采用明暗异常检测算法对HSV格式的图像进行分割，以实现缺陷特征提取；
具体为，先将图像进行归一化后，再对陶瓦区域等间距分割，分割区域进行均值和方差计算，f(x,y)为像素值，其中A×B表示分割区域尺寸。
Figure BDA0002208092930000051
Figure BDA0002208092930000052
d＝μ-3σ
在正态分布的假设下，区域μ±3σ包含了99.7％的数据，如果某个值距离分布的均值μ超过了3σ，那么f(x，y)小于时，则该像素点为异常点；
判断对应的缺釉缺陷等级具体为，对二值化图像的每个连通域进行长度的特征提取；
通过对特征值的分析判断得出陶瓦表面有无缺釉缺陷存在；
设Nx为x方向上的像素总和，Ny为y方向上的像素总和，缺陷的长度L为：
Figure BDA0002208092930000061
L小于30个像素，判断不存在缺釉，否则，有缺釉存在，输出缺釉参数。
f(x，y)为缺陷像素值，缺釉的面积S为：
Figure BDA0002208092930000062
鼓包缺陷检测为对图像数据进行第二预处理，分别采用自定义滑动滤波器滤波、线性中值滤波和插值低通滤波对预处理后的图像进行滤波，以提高陶瓦表面鼓包区域与背景区域的对比度，采用阈值分割法提取缺陷特征，依据提取的缺陷特征判断待检测陶瓦是否存在裂纹缺陷及对应的缺陷等级；
采用阈值分割法提取缺陷具体为，在预处理后的图像中选取陶瓦待检测区域：利用预处理后灰度图像的行和列均值与总的均值相比较，得到待检测陶瓦区域W1，计算公式如下：
Figure BDA0002208092930000063
Figure BDA0002208092930000064
Figure BDA0002208092930000065
其中，原始图像灰度图的大小为m×n；W0(i，j)为灰度图像W0的像素值。
对选取待检测区域进行左右边缘扩展：设待检测陶瓦区域为大小m1×n1的灰度矩阵W1，则由W1的行均值对W1左右进行扩展。设W1的行均值为K1＝[K1(1)；...；K1(l)](l＝1，2，...，m1)，设D＝[1，...，1]，D大小为1×N；又由L＝K1D，其大小为m1×N。设扩展后矩阵为W2，即W2＝[L，W1，L]，其大小为m1×(n1+2N)；
构造滤波器H，其大小为1×N。公式如下：
Figure BDA0002208092930000071
H＝[H1，H2，H1]＝[h(1)，...，h(N)]
其中H1的大小为1×N1，H2的大小为1×N2，且有2N1+N2＝N
对W2进行水平方向滑动滤波处理生成W3：设W2＝[X(1)；...；X(m1)]；其中
Figure BDA0002208092930000075
Figure BDA0002208092930000076
W3＝[Y(1)；...；Y(m1)]，
Figure BDA0002208092930000077
Figure BDA0002208092930000078
其计算公式为：
yk(j)＝h(1)xk(j)+h(2)xk-1(j)+…+h(N)xk-N+1(j)
(k＝1，...，n1+2N；j＝1，...，m1)
再对W3进行上下边沿的扩展得到W4：由W3的列均值为
S＝[S(1)，...，S(r)](r＝1，2，...，n1+2N)
得到L1＝DTS，其大小为N×(n1+2N)。则W4＝[L1；W3；L1]，其大小为(m1+2N)×(n1+2N)。
利用线性滤波器HT对W4进行垂直方向的滑动滤波处理生成矩阵W5：设W4＝[A(1)，...，A(n1+2N)]，
其中，
Figure BDA0002208092930000072
W5＝[B(1)，...，B(n1+2N)]
Figure BDA0002208092930000073
则其计算公式为：
bk(j)＝h(1)ak(j)+h(2)ak-1(j)+…+h(N)ak-N+1(j)
(k＝1，...，m1+2N；j＝1，...，n1+2N)
对W5进行水平方向的一维中值滤波处理得到W6；再由W5与W6相减得到W7；并再对W7进行区域选择，其计算公式如下：
W7＝W5-W6
其中W5，W6，W7的大小为(m1+2N)×(n1+2N)。
对W7进行区域选择得到W8，W8的大小为m1×n1，计算公式如下：
W8＝W7(i，j)
Figure BDA0002208092930000074
N为奇数
Figure BDA0002208092930000081
N为偶数
经过上述运算已经将陶瓦鼓包区域与背景区域的对比度增大了很多，再利用灰度阈值T1对W8进行二值化，实现鼓包的初步分割。计算公式：
Figure BDA0002208092930000082
得到对应的二值化图像，即为：
Figure BDA0002208092930000083
i＝1，...，m1；j＝1，...，n1
鼓包区域的二次分割：由W9判断陶瓷瓦表面是否存在鼓包。若存在鼓包则返回W3鼓包区域得到A0，对A0通过插值低通滤波器Fk进行R次滤波处理，每次滤波处理前后图像大小相同。计算公式如下：
Figure BDA0002208092930000084
第k次滤波对应的插值低通滤波器为：
Figure BDA0002208092930000085
Figure BDA0002208092930000086
Fk＝Fk2 k＝1，2，...，R
其中：q＝1，2，...，(k+1)*j-k；w＝1，2，...，(k+1)*i-k；i＝1，2，...，5；j＝1，2，...，5；k＝1，2，...，R。
则对鼓包区域A0进行第k次滤波得：
A{0}＝A0
A{k}＝A{k-1}-A{k-1}*Fk k＝1，2，...，R
由滤波后图像A{k}，k＝1，2，...，R得到
Figure BDA0002208092930000091
对B可由阈值T2进行二值化处理得到B1，其中阈值为T2取0.06，滤波次数R取15。最后，再通过形态学腐蚀和膨胀处理得到其鼓包面积。
图2是本发明实施例的一种陶瓦智能在线检测与自动分级***的结构示意图。如图2所示，一种陶瓦智能在线检测与自动分级***，其包括图像采集***和图像处理***，图像采集***用于采集待检测陶瓦的图像，图像处理***用于接收图像采集***的采集图像数据并实现上述方法；
图像采集***包括分布式LED无阴影照明***、光电开关、面阵CMOS相机和光学镜头；
其中，分布式LED无阴影照明***由暗箱和光源组成。暗箱为一立体结构的箱子，为图像采集提供了一个暗室环境；光源由置于暗箱内部顶端平行排列的多个LED灯带组成，消除了陶瓦曲面阴影及釉质反射，为图像采集***提供均匀的光照，达到图像高质量采集要求。
图像采集***还包括光电开关、面阵CMOS相机及相应光学镜头组成。获取高清、高质量的陶瓦图像，便于图像处理***的快速准确处理。当光电开关探测到陶瓦后，触发CMOS相机对陶瓦正面自动拍照。
图像处理***可由工控机实现，根据分级标准以及分级数据库，结合软件实现准确分级。当CMOS相机对陶瓦正面自动拍照后，通过千兆以太网口将拍摄的图像传输到工控机进行分级检测，工控机将分级结果通过I/O口分4路信号传出(1路信号对应陶瓦1个等级)。
作为一个示例，陶瓦缺陷检测分类结果分别为：优等品、一等品、合格品、废品；
废品，包括：裂纹，若裂纹长度和宽度大于预设的陶瓦的裂纹长度和宽度的最大值为废品；鼓包，若鼓包面积大于预设的陶瓦的鼓包面积最大值为废品；缺釉，若缺釉面积大于预设的陶瓦的缺釉面积最大值为废品；色差，若色差面积大于预设的陶瓦的色差面积最大值为废品；缺角，若缺角缺角面积占整个陶瓦的比例大于预设的陶瓦的缺角面积占整个陶瓦的比例最大值为废品。
为了验证本***的性能，展开了一系列的测试实验，包括检测速度测试、漏检率测试、分级准确率测试等。测试结果如下：
(1)陶瓦检测速度小于1.05s/片；
(2)成品漏检率小于3％；
(3)分级准确率大于95％；
(4)可实现优等品、一等品、合格品和废品的自动分级。
本领域的技术人员容易理解，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，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种陶瓦智能在线检测与自动分级方法，其特征在于，包括如下步骤：
获取待检测陶瓦的图像数据，分别对所述图像数据进行裂纹缺陷检测、缺角缺陷检测、色差缺陷检测、缺釉缺陷检测和鼓包缺陷检测，依据上述缺陷检测结果获取待检测陶瓦的等级，其中，
所述裂纹缺陷检测为对图像数据进行第一预处理，采用自定义滑动滤波和自动区域生长法提取缺陷特征，依据提取的缺陷特征判断待检测陶瓦是否存在裂纹缺陷及对应的缺陷等级；
将提取到的缺陷特征，对其长宽比，面积进行计算，判断其是否存在缺陷，缺陷面积的计算公式为：
Figure FDA0003589250290000011
其中，f(x,y)为缺陷的像素点，I为缺陷区域，A为缺陷的总像素点，
长宽比的计算公式为：
Figure FDA0003589250290000012
其中，Nx为缺陷区域的最长的长度，Ny为缺陷区域的最大的宽度，B为长宽比；
当A大于50像素同时B大于5时，判断此处缺陷为裂纹缺陷；
所述缺角缺陷检测为对图像数据进行第二预处理，采用自适应阈值分割算法提取陶瓦缺角特征并计算缺角面积；
所述色差缺陷检测为对图像数据进行第二预处理，采用自适应阈值分割算法提取陶瓦色差特征并计算色差面积；
所述缺釉缺陷检测为依据图像数据对待检测陶瓦进行颜色判别，采用不同算法对不同颜色的待检测陶瓦进行图像预处理、图像分割、特征提取及对应的缺陷等级；
所述颜色判别具体为：
将图像数据转换为HSV格式的图像，对比三个通道的均值大小，以判断待检测陶瓦的颜色；
待检测陶瓦为第一颜色，将图像数据转换为NTSV格式的图像，对NTSV格式的图像的三个通道分别做高斯滤波，再对二通道图像和三通道图像分别做全局阈值分割得到待检测图像的二值化图像，对二值化图像做腐蚀运算以实现缺陷特征提取；
待检测陶瓦为第二颜色，将图像数据转换为HSV格式的图像，采用明暗异常检测算法对HSV格式的图像进行分割，以实现缺陷特征提取；
具体为，先将图像进行归一化后，再对陶瓦区域等间距分割，分割区域进行均值和方差计算，f(x,y)为像素值，其中A×B表示分割区域尺寸；
Figure FDA0003589250290000021
Figure FDA0003589250290000022
d＝μ-3σ
如果某个值距离分布的均值μ超过了3σ，那么f(x,y)小于时，则该像素点为异常点；
判断对应的缺釉缺陷等级具体为，对二值化图像的每个连通域进行长度的特征提取；
通过对特征值的分析判断得出陶瓦表面有无缺釉缺陷存在；
设Nx为x方向上的像素总和，Ny为y方向上的像素总和，缺陷的长度L为：
Figure FDA0003589250290000023
L小于30个像素，判断不存在缺釉，否则，有缺釉存在，输出缺釉参数；
所述鼓包缺陷检测为对图像数据进行第二预处理，分别采用自定义滑动滤波器滤波、线性中值滤波和插值低通滤波对预处理后的图像进行滤波，采用阈值分割法提取缺陷特征，依据提取的缺陷特征判断待检测陶瓦是否存在裂纹缺陷及对应的缺陷等级。
2.根据权利要求1所述的一种陶瓦智能在线检测与自动分级方法，其特征在于，所述第一预处理为对图像数据进行颜色空间变换，采用RGB图像中红色通道的图像，选取预设模板对红色通道的图像进行中值滤波。
3.根据权利要求1或2所述的一种陶瓦智能在线检测与自动分级方法，其特征在于，所述自定义滑动滤波为采用双窗模型对第一预处理后的图像进行滑动滤波，双窗模型的外窗为背景区域，内窗为检测区域。
4.根据权利要求3所述的一种陶瓦智能在线检测与自动分级方法，其特征在于，所述自动区域生长法具体为，对裂纹区域进行局部窗口扫描，通过比较局部窗口的均值和中心值的数值确定种子点；设定终止生长的阈值，计算待标记点与邻点的像素差的绝对值，则待标记点为种子点，对待标记点继续区域生长，遍历所有待标记点提取种子点。
5.根据权利要求1所述的一种陶瓦智能在线检测与自动分级方法，其特征在于，所述第二预处理为对图像数据进行灰度化。
6.一种陶瓦智能在线检测与自动分级***，其包括图像采集***和图像处理***，其特征在于，所述图像采集***用于采集待检测陶瓦的图像，所述图像处理***用于接收图像采集***的采集图像数据并实现权利要求1-5任一项所述的方法。
7.根据权利要求6所述的一种陶瓦智能在线检测与自动分级***，其特征在于，所述图像采集***包括分布式LED无阴影照明***、光电开关、面阵CMOS相机和光学镜头。
8.根据权利要求7所述的一种陶瓦智能在线检测与自动分级***，其特征在于，所述分布式LED无阴影照明***包括暗箱和光源，所述光源包括置于暗箱内部顶端平行排列的多个LED灯带。
CN201910888799.5A 2019-09-19 2019-09-19 一种陶瓦智能在线检测与自动分级方法和*** Active CN110687121B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910888799.5A CN110687121B (zh) 2019-09-19 2019-09-19 一种陶瓦智能在线检测与自动分级方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910888799.5A CN110687121B (zh) 2019-09-19 2019-09-19 一种陶瓦智能在线检测与自动分级方法和***

Publications (2)

Publication Number Publication Date
CN110687121A CN110687121A (zh) 2020-01-14
CN110687121B true CN110687121B (zh) 2022-06-17

Family

ID=69109641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910888799.5A Active CN110687121B (zh) 2019-09-19 2019-09-19 一种陶瓦智能在线检测与自动分级方法和***

Country Status (1)

Country Link
CN (1) CN110687121B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111558542A (zh) * 2020-06-24 2020-08-21 重庆视智迪科技有限公司 一种陶瓷瓦表面质量在线检测分拣***及方法
CN112884740A (zh) * 2021-02-20 2021-06-01 联想(北京)有限公司 一种图像检测方法、装置、电子设备及存储介质
CN113405950B (zh) * 2021-07-22 2022-07-05 福建恒安集团有限公司 一种一次性卫生用品扩散度的测量方法
CN113744263B (zh) * 2021-09-17 2023-10-27 景德镇陶瓷大学 一种小尺寸马赛克陶瓷表面缺陷快速检测的方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104101600A (zh) * 2013-04-15 2014-10-15 宝山钢铁股份有限公司 连铸坯断面微小裂纹检测方法及装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440674B (zh) * 2013-06-13 2016-06-22 厦门美图网科技有限公司 一种数字图像蜡笔特效的快速生成方法
CN103872983B (zh) * 2014-04-04 2016-05-25 天津市鑫鼎源科技发展有限公司 太阳能电池表面缺陷检测方法
CN106204614B (zh) * 2016-07-21 2019-01-08 湘潭大学 一种基于机器视觉的工件外观缺陷检测方法
CN106353324B (zh) * 2016-08-10 2019-01-18 浙江理工大学 磁环表面缺陷提取方法
CN107871302A (zh) * 2016-09-23 2018-04-03 电子科技大学 一种基于yuv颜色空间的红外图像伪彩色处理方法
CN108694711A (zh) * 2018-02-19 2018-10-23 江苏新时高温材料股份有限公司 基于机器视觉技术实现陶瓷膜表面缺陷二维检测方法
CN108445009B (zh) * 2018-03-06 2021-03-16 大连海事大学 一种太阳能电池板裂纹检测方法
CN109523505B (zh) * 2018-09-18 2021-06-11 深圳市智信精密仪器有限公司 一种基于机器视觉的陶瓷砖表面花纹缺陷检测方法
CN109727244B (zh) * 2019-01-18 2020-12-08 深圳至汉装备科技有限公司 一种磁瓦表面裂纹检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104101600A (zh) * 2013-04-15 2014-10-15 宝山钢铁股份有限公司 连铸坯断面微小裂纹检测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于非下采样Shearlet变换的磁瓦表面裂纹检测;杨成立等;《农业机械学报》;20170331;第48卷(第03期);第405-412页 *
磁瓦表面缺陷自动检测***的研究;严俊龙等;《计算机工程与应用》;20091231;第45卷(第36期);第228-231页 *

Also Published As

Publication number Publication date
CN110687121A (zh) 2020-01-14

Similar Documents

Publication Publication Date Title
CN110687121B (zh) 一种陶瓦智能在线检测与自动分级方法和***
CN109269951B (zh) 基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法
CN110415181B (zh) 一种开放环境下烤烟rgb图像智能识别及等级判定方法
CN108181316B (zh) 一种基于机器视觉的竹条缺陷检测方法
CN109872300B (zh) 一种摩擦片外观缺陷的视觉显著性检测方法
CN104715239B (zh) 一种基于去雾处理和权重分块的车辆颜色识别方法
CN109191459A (zh) 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法
CN108765402B (zh) 无纺布缺陷检测与分类方法
CN104537651B (zh) 一种路面图像中裂缝比例检测方法及***
CN112149543B (zh) 一种基于计算机视觉的建筑扬尘识别***与方法
CN109781737A (zh) 一种软管表面缺陷的检测方法及其检测***
CN111667475B (zh) 一种基于机器视觉的大枣分级检测方法
CN108197521A (zh) 一种多相位二维码获取识别装置及方法
CN110807763A (zh) 一种陶瓦表面鼓包检测方法及***
CN115082451A (zh) 一种基于图像处理的不锈钢汤勺缺陷检测方法
CN110687122A (zh) 一种陶瓦表面裂纹检测方法及***
CN115100206A (zh) 用于具有周期图案纺织物的印花缺陷识别方法
CN112561875A (zh) 一种基于人工智能的光伏电池板粗栅检测方法
CN111985435A (zh) 一种基于机器视觉的无人机水域监测巡航方法
CN115330868A (zh) 一种基于深度学习与深度信息融合的葡萄采摘方法
CN111738931A (zh) 光伏阵列无人机航拍图像的阴影去除算法
CN110443166A (zh) 一种雾霾天气的车牌识别方法
CN111985436A (zh) 一种基于lsd的车间地标线识别拟合方法
CN107239761A (zh) 基于骨架角点检测的果树拉枝效果评价方法
CN111192332B (zh) 一种基于烟雾检测的烟机控制方法以及烟机

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