CN114494256B - 基于图像处理的电线生产缺陷检测方法 - Google Patents
基于图像处理的电线生产缺陷检测方法 Download PDFInfo
- Publication number
- CN114494256B CN114494256B CN202210391674.3A CN202210391674A CN114494256B CN 114494256 B CN114494256 B CN 114494256B CN 202210391674 A CN202210391674 A CN 202210391674A CN 114494256 B CN114494256 B CN 114494256B
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- equalization
- gray level
- pixel points
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 41
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 26
- 238000012545 processing Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 230000000694 effects Effects 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000003709 image segmentation Methods 0.000 claims abstract description 5
- 239000006185 dispersion Substances 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 6
- 241001270131 Agaricus moelleri Species 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- 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
- G06T2207/30108—Industrial image inspection
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的电线生产缺陷检测方法。该方法包括:通过第一灰度图中灰度级的突出程度和像素点的突出程度获得像素点均衡必要性,并根据像素点均衡必要性选择第一灰度图中的像素点连续均衡化,获得均衡图像;选择均衡效果最大的均衡图像中像素点的均衡效果,对未满足均衡要求的像素点重新进行均衡化获得最终均衡图像;根据最终均衡图像进行图像分割获得电线缺陷区域。本发明通过对第一灰度图中部分像素点均衡化,使得包含电线的灰度图的对比度的得到了提高,提高了对电线表面的缺陷检测的准确率,也降低了检测的难度;同时获得了均衡效果最好的最终均衡图像,进一步的提高了检测的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的电线生产缺陷检测方法。
背景技术
生活中,电线的使用越来越多,因此电线的生产规模越来越大,但是电线在生产过程中可能会产生一些缺陷,比如生产完的电线塑料外壳存在线身起包的情况或者开裂的情况,如果不及时对这些电线生产过程的产生的缺陷进行检测并及时排除,对于电线后续的使用会造成很大的影响,甚至会造成一定的危险。
传统的检测方法多是利用人工进行检测,但通常生产的电线的缺陷利用人眼观察检测的话会受主观的影响,并且非常容易视觉疲劳。因此随着机器视觉的发展,使用图像采集设备采集电线的图像,对图像进行检测逐渐成为了主流的检测方法;但是图片在采集与传输过程中,可能会受到噪声、图像压缩等影响,最终到机器观测的时候,图像的对比度不够清晰,需要对图像进行增强,而常规的直方图均衡化对全局像素都进行拉伸或合并,会导致图像过均衡或欠均衡的情况,导致对电线进行检测的结果并不准确。
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基于图像处理的电线生产缺陷检测方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种基于图像处理的电线生产缺陷检测方法,该方法包括:获得只包含电线的灰度图和其灰度直方图,各灰度级的像素点的数量与所有像素点均分到各灰度级的数量的差值绝对值的均值为灰度直方图的失衡程度;灰度图中灰度级的极差为灰度图的灰度级的离散程度;基于由失衡程度和离散程度获得的图像均衡必要性获得需要均衡化的灰度图,记为第一灰度图;
第一灰度图的灰度直方图中每个灰度级对应的顶点与左右相邻灰度级顶点的斜率的绝对值的均值为灰度级的突出程度;选择频率大于预设阈值的像素点,计算与其邻域内像素点的灰度值差值的均值,为选择的像素点的突出程度;利用由像素点的突出程度和像素点对应的灰度级的突出程度获得的像素点均衡必要性选择第一灰度图中的像素点连续进行均衡化,获得多个均衡图像;
将第一灰度图中像素点的均衡必要性作为热图中像素点的权值获得均衡需求热图;基于第一灰度图中频率大于预设阈值的像素点在各均衡图像中的突出程度和像素点在均衡需求热图中的权值获得均衡图像的均衡效果;选择均衡效果最大的均衡图像,获得其中像素点的均衡效果,基于均衡效果对未满足均衡要求的像素点重新进行均衡化获得最终均衡图像;根据最终均衡图像进行图像分割获得电线缺陷区域。
优选地,所述所有像素点均分到各灰度级的数量包括:将只包含电线的灰度图中像素点的数量与所有灰度级的比值为所有像素点均分到各灰度级的数量。
优选地,所述图像均衡必要性包括:灰度直方图的失衡程度与图像均衡必要性成正相关关系;灰度级的离散程度与图像均衡必要性成负相关关系。
优选地,所述基于由失衡程度和离散程度获得的图像均衡必要性获得需要均衡化的灰度图包括:设定均衡阈值,图像均衡必要性大于均衡阈值的只包含电线的灰度图为需要均衡化的灰度图。
优选地,所述第一灰度图的灰度直方图中每个灰度级对应的顶点与左右相邻灰度级顶点的斜率的绝对值的均值为灰度级的突出程度包括:获得第一灰度图中每个灰度级对应的顶点的坐标,根据灰度级对应的顶点的坐标左右相邻的灰度级对应的顶点的坐标获得灰度级与左右相邻的灰度级的斜率。
优选地,所述像素点均衡必要性包括:像素点的突出程度、灰度级的突出程度与像素点均衡必要性成正相关关系。
优选地,所述选择第一灰度图中的像素点连续进行均衡化,获得多个均衡图像包括:设定像素点均衡阈值,选择第一灰度图中像素点均衡必要行大于像素点均衡阈值的像素点进行均衡化;设定均衡化次数,基于第一灰度图进行均衡化后,获得均衡图像,再次进行均衡化时基于上一次获得均衡图像进行均衡化,均衡图像的数量与均衡化次数相同。
优选地,所述将第一灰度图中像素点的均衡必要性作为热图中像素点的权值获得均衡需求热图包括:对第一灰度图中各像素点的均衡必要性归一化作为均衡需求热图中各像素点的权值。
优选地,所述均衡图像的均衡效果为:
其中,表示均衡图像的均衡效果;表示第一灰度图中频率大于预设阈值的第a个像素点在均衡需求热图中对应像素点的权值;表示第一灰度图中频率大于预设阈值的第a个像素点在均衡图像中的突出程度;e表示自然对数,c表示均衡图像中频率大于预设阈值的像素点数量。
本发明实施例至少具有如下有益效果:本发明通过获得只包含电线的灰度图,对其进行分析,获得需要均衡化的第一灰度图;根据第一灰度图中灰度级的突出程度和像素点的突出程度获得像素点均衡必要性并选择第一灰度图中的像素点进行均衡化,获得均衡图像;并对均衡图像的均衡效果和其中像素点的均衡效果进行评价,选择均衡效果最好的均衡图像然后对根据图像像素点的均衡效果对未满足均衡要求的像素点重新进行均衡化获得最终均衡图像;根据最终均衡图像进行图像分割获得电线缺陷区域。本发明实施例对图像中更能凸显电线缺陷的像素点进行了均衡化,使得包含电线的灰度图的对比度进一步的提高,能够将存在缺陷的电线图像将缺陷区域和正常区域明显的分别开,提高了对电线表面缺陷检测的准确率,也降低了检测的难度;同时,在均衡化的过程中,对均衡化的效果进行了评价,并根据均衡化效果进行了进一步的处理使得最终均衡图像效果更佳,进一步的提高了检测的准确性。
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为一种基于图像处理的电线生产缺陷检测方法流程图。
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基于图像处理的电线生产缺陷检测方法,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基于图像处理的电线生产缺陷检测方法的具体方案。
实施例1
本发明的主要应用场景为:电线在生产过程中,塑料外壳可能上会出现颗粒,鼓包或者划伤等缺陷,出现缺陷的电线说明生产不合格,因此需要结合计算机与图像处理技术获得电线的表面图像,对电线的生产缺陷进行检测。
请参阅图1,其示出了本发明一个实施例提供的一种基于图像处理的电线生产缺陷检测方法流程图,该方法包括以下步骤:
步骤一:获得只包含电线的灰度图和其灰度直方图,各灰度级的像素点的数量与所有像素点均分到各灰度级的数量的差值绝对值的均值为灰度直方图的失衡程度;灰度图中灰度级的极差为灰度图的灰度级的离散程度;基于由失衡程度和离散程度获得的图像均衡必要性获得需要均衡化的灰度图,记为第一灰度图。
首先,在电线包装塑料层的生产线上放置采集装置,采集生产过程中电线的图像。由于图像采集过程存在噪声以及光线等的干扰,因此需要将采集到的图像先进行高斯滤波降噪处理。获得白色背景上的各色电线图像,将图像转换为灰度图像,对图像进行阈值分割,选取灰度值低于255的像素点集,将所有灰度值异于白色背景区域的点值标注为1,对白色背景点值标注为0,获得二值图像。将二值图像与原图像相乘,得到只包含电线的图像,将只包含电线的图像灰度化,获得灰度图。
进一步的,自然环境下,光照是连续渐变的,所以对于纯色的电线,其灰度值也应是连续渐变的。对于异常缺陷往往表现为灰度值及灰度统计值上的差异。直方图均衡化的增强原理是让图像区域内的灰度分布更加均衡,对于不均衡的像素点,往往对其改变程度更大。本实施例首先从灰度图的灰度直方图的灰度级上获得灰度级对应的增强需求判断只包含电线的灰度图是否需要均衡化,同时,实施例中均衡化为直方图均衡化。
获得只包含电线的灰度直方图,其中x轴表示0-255的灰度级,y轴表示灰度图中灰度级m所对应的像素点数量;一张对比度较高的图像的灰度直方图,其灰度级的分布时较为均匀的、像素点的频率分布也是较为均匀的,但是对于只包含电线的灰度图,像素点的频率和灰度级的分布可能并不均匀,因此需要根据灰度直方图中的灰度级判断是否需要对图像进行均衡化。获得灰度图的灰度直方图的失衡程度:
其中,S表示灰度图的灰度直方图失衡程度;表示灰度图中灰度级为m的像素点的数量;M为灰度图中像素点的总数量;256表示所有灰度级的数量,也即是0-255;N表示灰度图中灰度级的数量;表示将灰度图中所有像素点的均分到256个灰度级中每个灰度级的像素点的数量。S越大说明灰度直方图失衡程度越大,越不平滑,说明灰度图进行直方图均衡的必要性越大。
同时,获得灰度图中灰度级的离散程度:
其中, 表示灰度图中最大的灰度级,表示灰度图中最小的灰度级;如果只包含电线的灰度图的灰度级分布越密集,即的值越小,则需要对灰度图进行均衡化的必要性越大,让0-255共256个灰度级中每个灰度级分布的像素点的数量更加均匀。
最后,获得只包含电线的灰度图的图像均衡必要性:
其中,C表示灰度图的图像均衡必要性,通过图像均衡必要性判断灰度图是否需要进行均衡化,设定均衡阈值,优选地,本实施例中均衡阈值为0.3,若灰度图的图像均衡必要性大于均衡阈值,则对灰度图进行均衡化;至此,根据灰度图的图像均衡必要性和均衡阈值获得需要均衡化的灰度图,记为第一灰度图。
步骤二:第一灰度图的灰度直方图中每个灰度级对应的顶点与左右相邻灰度级顶点的斜率的绝对值的均值为灰度级的突出程度;选择频率大于预设阈值的像素点,计算与其邻域内像素点的灰度值差值的均值,为选择的像素点的突出程度;利用由像素点的突出程度和像素点对应的灰度级的突出程度获得的像素点均衡必要性选择第一灰度图中的像素点连续进行均衡化,获得多个均衡图像。
首先,理想均衡条件下,第一灰度图的灰度直方图中每个灰度级的频率应该是相等的,也即是每个灰度级对应的像素点的数量应该是相等的,将像素点均分到各个灰度级;而实际第一灰度图中每个灰度级的频率相较于理想条件下灰度级的频率是有差异的,且差异程度是不同的,所以对不同的灰度级进行均衡化的必要性和程度都是不同的。
获得第一灰度图的灰度直方图中,每个灰度级对应的顶点的坐标,也即是横坐标为灰度级纵坐标为灰度级相对应的像素点的数量;根据一个灰度级与其左边相邻灰度级对应的顶点的坐标获得两者之间的斜率,同时,根据该灰度级与其右边相邻灰度级对应的顶点的坐标获得两者之间的斜率,其中,和的计算公式为:
其中,表示处于中间的灰度级与相邻的左边的灰度级之间的斜率,表示相邻的左边的灰度级对应的像素点的数量,N表示相邻的左边的灰度级;表示处于中间的灰度级与相邻的右边的灰度级之间的斜率,表示相邻的右边的灰度级对应的像素点的数量,O表示相邻的右边的灰度级;表示处于中间的灰度级对应的像素点的数量,M表示处于中间的灰度级。
则每个灰度级的突出程度为:
处于中间灰度级与其左右相邻的灰度级构成的斜率越大,即处于中间的灰度级对应的突出程度越大时,说明处于中间的灰度级与其左右相邻的灰度级之间的差异越大,其均衡化的必要性越大。
进一步的,还需要考虑每个像素点与其周围邻域的像素点的差异,如果像素点相对于其邻域的像素点来说有差异则需要对其进行均衡化,且在选择像素点,需要选择频率较大的像素点,因为频率较小的像素点,即数量较小的像素点其分布大概率是较为离散的与周围的像素点的差异程度已经够大,均衡化的必要性不大,优选地设定预设阈值,本实施例中预设阈值取值为0.03,选择频率大于0.03的像素点计算其突出程度。设定邻域的大小,优选地,本实施例中邻域的大小为8邻域,根据频率大于0.03的像素点和其8邻域内的像素点的灰度值差异获得像素点的突出程度:
其中,D表示频率大于0.03的像素点的突出程度;表示频率大于0.03的像素点的灰度值;表示频率大于0.03的像素点的8邻域内第i个像素点的灰度值。计算频率大于0.03的像素点与其邻域内像素点的灰度值的差异,当其与邻域像素点之间有差异说明该像素点肯定是需要进行均衡化的,差异越大需要均衡化的程度也越大,因为如果不考虑电线的边缘,第一灰度图中像素点之间都是没有差异的,而现在有差异的像素点为缺陷区域边缘点或者缺陷区域内部的点的概率非常大,所以需要对这些有差异的像素点进行均衡化。
最后,获得第一灰度图中频率大于0.03的像素点的像素点均衡必要性:
其中,表示第一灰度图中频率大于0.03的像素点中的第a个像素点的像素点均衡必要性;表示频率大于0.03的像素点中的第a个像素点的突出程度;表示频率大于0.03的像素点中的第a个像素点对应的灰度级的突出程度;e表示自然对数。
设定像素点均衡阈值,优选地,本实施例中像素点均衡阈值的取值为0.5,因此在第一灰度图中频率大于0.03的像素点中选择像素点均衡必要性大于像素点均衡阈值0.5的像素点进行均衡化,经过一次均衡化后的图像并不一定满足需求,均衡化的效果也并不一定达到要求,所以要连续均衡化,获得均衡化效果最好的图像,在本实施例中,设定均衡化次数为5次,每次均衡化都在上次均衡化后的图像上进行均衡化,获得5张均衡图像。
步骤三:将第一灰度图中像素点的均衡必要性作为热图中像素点的权值获得均衡需求热图;基于第一灰度图中频率大于预设阈值的像素点在各均衡图像中的突出程度和像素点在均衡需求热图中的权值获得均衡图像的均衡效果;选择均衡效果最大的均衡图像,获得其中像素点的均衡效果,基于均衡效果对未满足均衡要求的像素点重新进行均衡化获得最终均衡图像;根据最终均衡图像进行图像分割获得电线缺陷区域。
首先,对于步骤二获得的5张均衡图像需要结合均衡需求和均衡化后的均衡效果对其进行筛选处理,获得效果最好的均衡图像进行后续处理,达到对电线生产过程中外表皮出现的缺陷检测的目的。
根据第一灰度图中频率大于0.03的像素点的像素点均衡必要性获得均衡需求热图,其中第一灰度图中像素点的像素点均衡必要性为均衡需求热图中像素点的权值,将第一灰度图中像素点的像素点均衡必要性转化为均衡需求热图中的像素点时需要将均衡必要性进行归一化,权值越大对其均衡化的需求越大。
其中,表示均衡图像的均衡效果;表示第一灰度图中频率大于预设阈值的第a个像素点在均衡需求热图中对应像素点的权值;表示第一灰度图中频率大于预设阈值的第a个像素点在均衡图像中的突出程度;e表示自然对数,c表示均衡图像中频率大于预设阈值的像素点数量。
当QP的值越大时,说明像素点的均衡效果越明显,其与周围像素的差异增大。反之说明像素与其邻域像素的差异并未增大,均衡效果并不理想,也未满足均衡化的需求,从5次均衡化获得的均衡图像中选取最优均衡图像,即选取均衡效果最大的均衡图像。
进一步地,获得均衡效果最大的均衡图像后,该图像整体的均衡效果已经很好了,且满足均衡需求了,但图像中部分像素点还是可能在多次均衡化后被合并或抑制。但此时再对于整个图像中的大部分像素点进行均衡化会使部分像素点出现过均衡的情况,所以对于一些在多次均衡化后被合并或抑制的像素点需要单独找出来再进行处理,获得均衡效果最大的均衡图像中大于在第一灰度图中频率大于0.03的像素点的均衡效果:
均衡效果最大的均衡图像中像素点的像素点的均衡效果大于0小于0.3时,认为这一部分像素点在均衡化过程中被合并或抑制,需要重新对这部分像素点进行均衡化,将这部分像素点重新进行均衡化后,获得最终均衡图像。
最后,最终均衡图像内对比度增强,无缺陷区域与缺陷区域的对比度增强,电线生产过程中表面的缺陷更加明显。
使用语义分割的方式提取最终均衡图像中的缺陷区域:利用DNN网络进行语义分割,DNN网络训练使用的数据集为最终均衡图像数据集;需要分割的像素点共有两类,即训练数据集对应的标签标注过程为:对应语义分割为单通道,最终均衡图像中无缺陷区域的像素点标注为0,缺陷区域像素点标注为1;网络的任务是分类,损失函数为交叉熵损失函数。
通过网络输出的语义分割图像中无缺陷区域的像素点的灰度值为0,缺陷区域的灰度值为1,将该图像作为掩膜,与最终均衡图像进行计算,得到缺陷区域的二值图像,从而得到电线表面出现缺陷的区域,即电线缺陷区域。
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。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于图像处理的电线生产缺陷检测方法,其特征在于,该方法包括:获得只包含电线的灰度图和其灰度直方图,各灰度级的像素点的数量与所有像素点均分到各灰度级的数量的差值绝对值的均值为灰度直方图的失衡程度;灰度图中灰度级的极差为灰度图的灰度级的离散程度;基于由失衡程度和离散程度获得的图像均衡必要性获得需要均衡化的灰度图,记为第一灰度图;
第一灰度图的灰度直方图中每个灰度级对应的顶点与左右相邻灰度级顶点的斜率的绝对值的均值为灰度级的突出程度;选择频率大于预设阈值的像素点,计算与其邻域内像素点的灰度值差值的均值,为选择的像素点的突出程度;利用由像素点的突出程度和像素点对应的灰度级的突出程度获得的像素点均衡必要性选择第一灰度图中的像素点连续进行均衡化,获得多个均衡图像;
将第一灰度图中像素点的均衡必要性作为热图中像素点的权值获得均衡需求热图;基于第一灰度图中频率大于预设阈值的像素点在各均衡图像中的突出程度和像素点在均衡需求热图中的权值获得均衡图像的均衡效果;选择均衡效果最大的均衡图像,获得其中像素点的均衡效果,基于均衡效果对未满足均衡要求的像素点重新进行均衡化获得最终均衡图像;根据最终均衡图像进行图像分割获得电线缺陷区域。
2.根据权利要求1所述的基于图像处理的电线生产缺陷检测方法,其特征在于,所述所有像素点均分到各灰度级的数量包括:将只包含电线的灰度图中像素点的数量与所有灰度级的比值为所有像素点均分到各灰度级的数量。
3.根据权利要求1所述的基于图像处理的电线生产缺陷检测方法,其特征在于,所述图像均衡必要性包括:灰度直方图的失衡程度与图像均衡必要性成正相关关系;灰度级的离散程度与图像均衡必要性成负相关关系。
4.根据权利要求1所述的基于图像处理的电线生产缺陷检测方法,其特征在于,所述基于由失衡程度和离散程度获得的图像均衡必要性获得需要均衡化的灰度图包括:设定均衡阈值,图像均衡必要性大于均衡阈值的只包含电线的灰度图为需要均衡化的灰度图。
5.根据权利要求1所述的基于图像处理的电线生产缺陷检测方法,其特征在于,所述第一灰度图的灰度直方图中每个灰度级对应的顶点与左右相邻灰度级顶点的斜率的绝对值的均值为灰度级的突出程度包括:获得第一灰度图中每个灰度级对应的顶点的坐标,根据灰度级对应的顶点的坐标左右相邻的灰度级对应的顶点的坐标获得灰度级与左右相邻的灰度级的斜率。
6.根据权利要求1所述的基于图像处理的电线生产缺陷检测方法,其特征在于,所述像素点均衡必要性包括:像素点的突出程度、灰度级的突出程度与像素点均衡必要性成正相关关系。
7.根据权利要求1所述的基于图像处理的电线生产缺陷检测方法,其特征在于,所述选择第一灰度图中的像素点连续进行均衡化,获得多个均衡图像包括:设定像素点均衡阈值,选择第一灰度图中像素点均衡必要行大于像素点均衡阈值的像素点进行均衡化;设定均衡化次数,基于第一灰度图进行均衡化后,获得均衡图像,再次进行均衡化时基于上一次获得均衡图像进行均衡化,均衡图像的数量与均衡化次数相同。
8.根据权利要求1所述的基于图像处理的电线生产缺陷检测方法,其特征在于,所述将第一灰度图中像素点的均衡必要性作为热图中像素点的权值获得均衡需求热图包括:对第一灰度图中各像素点的均衡必要性归一化作为均衡需求热图中各像素点的权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210391674.3A CN114494256B (zh) | 2022-04-14 | 2022-04-14 | 基于图像处理的电线生产缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210391674.3A CN114494256B (zh) | 2022-04-14 | 2022-04-14 | 基于图像处理的电线生产缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114494256A CN114494256A (zh) | 2022-05-13 |
CN114494256B true CN114494256B (zh) | 2022-06-14 |
Family
ID=81489105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210391674.3A Active CN114494256B (zh) | 2022-04-14 | 2022-04-14 | 基于图像处理的电线生产缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114494256B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638827B (zh) * | 2022-05-18 | 2022-08-05 | 卡松科技股份有限公司 | 一种润滑油机械杂质视觉检测方法及装置 |
CN114693682B (zh) * | 2022-06-01 | 2022-08-26 | 青岛大学附属医院 | 一种基于图像处理的脊椎特征识别方法 |
CN115049672B (zh) * | 2022-08-17 | 2022-11-25 | 南通源钰新材料科技有限公司 | 基于计算机视觉的金属铝表面磷化膜缺陷的检测方法 |
CN115471486A (zh) * | 2022-09-28 | 2022-12-13 | 探长信息技术(苏州)有限公司 | 一种交换机接口完好性检测方法 |
CN115294107B (zh) * | 2022-09-29 | 2022-12-27 | 江苏三通科技有限公司 | 一种基于图像识别的二极管引脚表面氧化检测方法 |
CN116152133B (zh) * | 2023-04-20 | 2023-07-07 | 山东超越纺织有限公司 | 基于人工智能的混纺缺陷检测方法 |
CN117437238B (zh) * | 2023-12-22 | 2024-03-29 | 深圳宝铭微电子有限公司 | 一种封装ic表面缺陷视觉检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101212611A (zh) * | 2007-12-25 | 2008-07-02 | 青岛海信信芯科技有限公司 | 一种对比度增强方法 |
CN101706953A (zh) * | 2009-11-13 | 2010-05-12 | 北京中星微电子有限公司 | 基于直方图均衡的图像增强方法和装置 |
CN102314673A (zh) * | 2011-08-02 | 2012-01-11 | 中国科学院长春光学精密机械与物理研究所 | 一种自适应图像增强方法 |
CN105374018A (zh) * | 2015-12-18 | 2016-03-02 | 厦门大学 | 一种对图像进行区域增强的方法 |
CN105654438A (zh) * | 2015-12-27 | 2016-06-08 | 西南技术物理研究所 | 基于局部直方图均衡的灰度图像拟合增强方法 |
CN107742301A (zh) * | 2017-10-25 | 2018-02-27 | 哈尔滨理工大学 | 基于图像分类的复杂背景下输电线路图像处理方法 |
CN107886493A (zh) * | 2016-09-29 | 2018-04-06 | 成都思晗科技股份有限公司 | 一种输电线路的导线分股缺陷检测方法 |
CN108230321A (zh) * | 2018-01-19 | 2018-06-29 | 深圳市亿图视觉自动化技术有限公司 | 缺陷检测方法及装置 |
CN112053309A (zh) * | 2020-10-24 | 2020-12-08 | 北方民族大学 | 一种图像增强方法及图像增强装置 |
CN112686120A (zh) * | 2020-12-25 | 2021-04-20 | 国家电网有限公司 | 一种基于无人机航拍图像的输电线异常检测方法 |
-
2022
- 2022-04-14 CN CN202210391674.3A patent/CN114494256B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101212611A (zh) * | 2007-12-25 | 2008-07-02 | 青岛海信信芯科技有限公司 | 一种对比度增强方法 |
CN101706953A (zh) * | 2009-11-13 | 2010-05-12 | 北京中星微电子有限公司 | 基于直方图均衡的图像增强方法和装置 |
CN102314673A (zh) * | 2011-08-02 | 2012-01-11 | 中国科学院长春光学精密机械与物理研究所 | 一种自适应图像增强方法 |
CN105374018A (zh) * | 2015-12-18 | 2016-03-02 | 厦门大学 | 一种对图像进行区域增强的方法 |
CN105654438A (zh) * | 2015-12-27 | 2016-06-08 | 西南技术物理研究所 | 基于局部直方图均衡的灰度图像拟合增强方法 |
CN107886493A (zh) * | 2016-09-29 | 2018-04-06 | 成都思晗科技股份有限公司 | 一种输电线路的导线分股缺陷检测方法 |
CN107742301A (zh) * | 2017-10-25 | 2018-02-27 | 哈尔滨理工大学 | 基于图像分类的复杂背景下输电线路图像处理方法 |
CN108230321A (zh) * | 2018-01-19 | 2018-06-29 | 深圳市亿图视觉自动化技术有限公司 | 缺陷检测方法及装置 |
CN112053309A (zh) * | 2020-10-24 | 2020-12-08 | 北方民族大学 | 一种图像增强方法及图像增强装置 |
CN112686120A (zh) * | 2020-12-25 | 2021-04-20 | 国家电网有限公司 | 一种基于无人机航拍图像的输电线异常检测方法 |
Non-Patent Citations (4)
Title |
---|
Contrast Limited Adaptive Histogram Equalization;Karel Zuiderveld;《 Graphics Gems IV》;19941231;479-484 * |
Nonlinear Exposure Intensity Based Modification Histogram Equalization for Non-Uniform Illumination Image Enhancement;NOR HIDAYAH SAAD 等;《IEEE access》;20210706;93033-93061 * |
低照度水下堤坝裂缝图像检测算法的研究;邱贞光;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20220315(第03期);C037-149 * |
彩色图像增强算法的研究与实现;任洁;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140615(第06期);I138-907 * |
Also Published As
Publication number | Publication date |
---|---|
CN114494256A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114494256B (zh) | 基于图像处理的电线生产缺陷检测方法 | |
CN113538433B (zh) | 基于人工智能的机械铸件缺陷检测方法及*** | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与*** | |
CN109342456B (zh) | 一种焊点缺陷检测方法、装置、设备及可读存储介质 | |
CN109596634B (zh) | 电缆缺陷的检测方法及装置、存储介质、处理器 | |
CN113808138B (zh) | 一种基于人工智能的电线电缆表面缺陷检测方法 | |
CN114972357A (zh) | 一种基于图像处理的轧辊表面缺陷检测方法及*** | |
CN115601362B (zh) | 一种基于图像处理的焊接质量评估方法 | |
CN115147409B (zh) | 基于机器视觉的手机壳生产品质检测方法 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
CN114757900A (zh) | 基于人工智能的纺织品缺陷类型识别方法 | |
CN113610862B (zh) | 一种屏幕内容图像质量评估方法 | |
CN114897896B (zh) | 基于灰度变换的建筑木材缺陷检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理*** | |
CN115330767A (zh) | 一种腐蚀箔生产异常识别方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及*** | |
CN105869135A (zh) | 轮胎缺陷的检测方法和装置 | |
CN115272303B (zh) | 基于高斯模糊的纺织物缺陷程度评估方法、装置及*** | |
CN115205289B (zh) | 基于视觉的软木地板原材料分级方法 | |
CN117058147A (zh) | 基于计算机视觉的环保塑料制品缺陷检测方法 | |
CN115272350A (zh) | 一种计算机pcb主板生产质量检测方法 | |
Arya et al. | Development of a seed analyzer using the techniques of computer vision | |
CN114550167B (zh) | 一种基于人工智能的梨的品质分类方法及装置 |
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 |