CN114708325A - 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法 - Google Patents
一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法 Download PDFInfo
- Publication number
- CN114708325A CN114708325A CN202210346734.XA CN202210346734A CN114708325A CN 114708325 A CN114708325 A CN 114708325A CN 202210346734 A CN202210346734 A CN 202210346734A CN 114708325 A CN114708325 A CN 114708325A
- Authority
- CN
- China
- Prior art keywords
- defect
- frosting
- image
- rubber
- gray
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 240
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000010092 rubber production Methods 0.000 title claims abstract description 26
- 238000012937 correction Methods 0.000 claims abstract description 43
- 238000009826 distribution Methods 0.000 claims abstract description 33
- 238000004519 manufacturing process Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 9
- 239000003795 chemical substances by application Substances 0.000 claims description 8
- 238000013329 compounding Methods 0.000 claims description 8
- 229910052717 sulfur Inorganic materials 0.000 claims description 7
- 239000011593 sulfur Substances 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 238000013040 rubber vulcanization Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 abstract description 15
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000001788 irregular Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000004636 vulcanized rubber Substances 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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- 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
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法,涉及人工智能领域,主要用于橡胶产生喷霜缺陷的问题定位。包括:采集橡胶图像并进行灰度化处理,绘制灰度直方图;计算像素点的初始缺陷概率;计算每个区域与其相邻区域的灰度均值差异度和梯度方向众数差异度;计算每个区域对比度;计算像素点的修正度对初始缺陷概率进行修正,得到最终缺陷概率;判断灰度图像是否存在喷霜缺陷;计算喷霜缺陷二值图像中喷霜缺陷的分布度,定位产生喷霜缺陷的生产环节。根据本发明提出的技术手段,通过对橡胶图像进行特征分析,提高了对橡胶缺陷检测的效率,通过像素点的喷霜缺陷概率进行判断,忽略光照因素的干扰,有效提升了检测准确度。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法。
背景技术
在橡胶制品的生产过程中,往往会因为生产工艺问题导致混炼胶或硫化胶内部的液体或固体配合剂因迁移而在橡胶制品表面析出形成云雾状或白色粉末物质,即喷霜缺陷。对该缺陷的分布特征进行分析,即可定位产生该缺陷的具体生产环节。
对于该缺陷的检测与特征分析,目前通常采用人工检查或图像处理的方式,人工检查效率低下,普通图像处理的方式会受到光照干扰,无法判断缺陷存在的区域,进而无法通过缺陷存在的区域判断缺陷是在哪个生产环节出现问题,导致漏检误检率高,准确度很低。
发明内容
本发明提供一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法,以解决现有的问题,包括:采集橡胶图像并进行灰度化处理,绘制灰度直方图;计算像素点的初始缺陷概率;计算每个区域与其相邻区域的灰度均值差异度和梯度方向众数差异度;计算每个区域对比度;计算像素点的修正度对初始缺陷概率进行修正,得到最终缺陷概率;判断灰度图像是否存在喷霜缺陷;计算喷霜缺陷二值图像中喷霜缺陷的分布度,定位产生喷霜缺陷的生产环节。
根据本发明提出的技术手段,通过对橡胶图像进行特征分析,根据图像特征计算图像中每个像素点为喷霜缺陷的概率,排除了光照的干扰,进而对喷霜缺陷图像进行分析,能够快速准确的得到喷霜缺陷的分布区域,显著提高了检查效率,从而精准定位产生喷霜缺陷的具体生产环节。
本发明采用如下技术方案,一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法,包括:
采集橡胶图像,并进行灰度化处理,得到橡胶灰度图像,根据所述灰度图像绘制灰度直方图;
根据所述灰度直方图中每个像素点的灰度值以及预设概率值计算每个像素点的初始缺陷概率;
以设定的窗口对所述灰度图像进行滑窗,将所述灰度图像分割为多个区域,计算每个区域与其相邻区域的灰度均值差异度以及梯度方向众数差异度;
根据所述灰度均值差异度以及所述梯度方向众数差异度计算每个区域与其相邻区域的对比度;
根据所述对比度计算对应区域内每个像素点的修正度;
根据所述修正度对所述每个像素点的初始缺陷概率进行修正,得到所述灰度图像中每个像素点的最终缺陷概率;
将所述最终缺陷概率与所述预设概率值进行比较,判断所述灰度图像中每个像素点是否存在喷霜缺陷;
对所述灰度图像中存在喷霜缺陷的像素点进行标记,将标记后的灰度图像转化为二值图像,得到喷霜缺陷二值图像;
将所述喷霜缺陷二值图像分割为多个区域,根据所述喷霜缺陷二值图中每个区域是否存在标记的喷霜缺陷像素点计算所述二值图喷霜缺陷的分布度,根据所述分布度定位产生喷霜缺陷的生产环节。
进一步的,一种基于橡胶喷霜的橡胶生产问题快速定位方法,根据所述灰度直方图中每个像素点的灰度值以及预设概率值计算每个像素点的初始缺陷概率,包括:
对所述灰度直方图进行平滑处理,以直方图左侧的峰值为均值μ;
使用最小二乘法,对灰度直方图左侧的波峰进行高斯拟合,得到高斯模型的标准差参数σ;
结合所述灰度图像中每个像素点的灰度值,计算所有像素点的初始缺陷概率,表达式为:
其中,psr表示第r个像素点的初始缺陷概率,jr表示第r个像素点的灰度值,μ表示所述直方图左侧的峰值,σ表示所述高斯模型的标准差参数,β表示预设概率值。
进一步的,一种基于橡胶喷霜的橡胶生产问题快速定位方法,以设定的窗口对所述灰度图像进行滑窗,将所述灰度图像分割为多个区域,计算每个区域与其相邻区域的灰度均值差异度以及梯度方向众数差异度,包括:
分别计算每个区域与其相邻区域的灰度均值差异度dli以及梯度方向众数差异度dgi。
进一步的,一种基于橡胶喷霜的橡胶生产问题快速定位方法,根据所述灰度均值差异度以及所述梯度方向众数差异度计算每个区域与其相邻区域的对比度,包括:
结合灰度均值差异度与梯度方向差异度,计算第i个区域与其相邻区域的对比度asi,表达式为:
asi=10×dli×dgi
其中,asi表示第i个区域与其相邻区域的对比度,dli表示第i个区域与其相邻区域的灰度均值差异度,dgi表示第i个区域与其相邻区域的梯度方向差异度。
进一步的,一种基于橡胶喷霜的橡胶生产问题快速定位方法,根据所述对比度计算对应区域内每个像素点的修正度,包括:
综合该区域及相邻区域的所有像素值,将像素值均值作为区域标准灰度gi,第i个区域中第r个像素点的灰度值为jr,计算对应区域内每个像素点的修正度cr(n),表达式为:
其中,cr(n)表示在大小为n×n的区域内,第r个像素点的修正度,asi表示该第i个区域与其相邻区域的对比度,jr表示第r个像素点的灰度值,gi表示第i个区域的标准灰度。
进一步的,一种基于橡胶喷霜的橡胶生产问题快速定位方法,在计算对应区域内每个像素点的修正度之后,还包括:
改变设定窗口n×n的大小,通过改变后的窗口重新分割所述灰度图像,计算改变大小后区域中每个像素点的修正度,获取其中绝对值最大的修正度作为最终修正度cr。
进一步的,一种基于橡胶喷霜的橡胶生产问题快速定位方法,根据所述修正度对所述每个像素点的初始缺陷概率进行修正,得到所述灰度图像中每个像素点的最终缺陷概率;将所述最终缺陷概率与所述预设概率值进行比较,判断所述灰度图像中每个像素点是否存在喷霜缺陷,包括:
对所述每个像素点的初始缺陷概率进行修正,得到所述灰度图像中第r个像素点的最终缺陷概率per的表达式为:
其中,per表示所述灰度图像中第r个像素点的最终缺陷概率,psr表示所述灰度图像中第r个像素点的初始缺陷概率,cr表示所述灰度图像中第r个像素点的修正度;
将所述最终缺陷概率与所述预设概率值进行比较,判断所述灰度图像中每个像素点是否存在喷霜缺陷:
若per≥β,则该像素点为喷霜缺陷;
若per<β,则该像素点不为喷霜缺陷;其中,β为预设概率值。
进一步的,一种基于橡胶喷霜的橡胶生产问题快速定位方法,将所述喷霜缺陷二值图像分割为多个区域,根据所述喷霜缺陷二值图中每个区域是否存在标记的喷霜缺陷像素点计算所述二值图喷霜缺陷的分布度,根据所述分布度定位产生喷霜缺陷的生产环节,包括:
将图像分割成M个不同的二值区域,根据所述喷霜缺陷二值图中每个区域是否存在标记的缺陷像素点计算所述二值图缺陷的分布度dg,表达式为:
其中,fun(v)为将所述喷霜缺陷二值图分割后,第v个区域中是否存在喷霜缺陷的像素点的判断常数,M表示将所述喷霜缺陷二值图分割的二值区域数量;
根据所述分布度定位产生喷霜缺陷的生产环节:
若dg<α,橡胶喷霜缺陷集中在橡胶局部,橡胶喷霜缺陷为橡胶硫化过程中欠硫;
若dg≥α,橡胶喷霜缺陷大面积分布在橡胶表面,橡胶喷霜缺陷为配合剂超量;
其中,α为设定阈值。
本发明的有益效果是:根据本发明提出的技术手段,通过对橡胶图像进行特征分析,根据图像特征计算图像中每个像素点为喷霜缺陷的概率,排除了光照的干扰,进而对喷霜缺陷图像进行分析,能够快速准确的得到喷霜缺陷的分布区域,显著提高了检查效率,从而精准定位产生喷霜缺陷的具体生产环节。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法流程示意图;
图2为本发明另一个实施例的一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法流程示意图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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他实施例,都属于本发明保护的范围。
实施例1
如图1所示,给出了本发明实施例的一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法流程示意图,包括:
101.采集橡胶图像,并进行灰度化处理,得到橡胶灰度图像,根据所述灰度图像绘制灰度直方图。
本实施例所针对的具体场景为:橡胶生产过程中,由于生产工艺问题导致橡胶表面产生喷霜缺陷。需要对喷霜缺陷进行检测并分析,进而定位产生喷霜缺陷的生产环节。
本实施例需要根据橡胶图像特征来检测喷霜缺陷,所以需先采集橡胶图像,并识别图中的橡胶连通域信息。在橡胶正上方放置相机,拍摄橡胶图像,图像中包含背景及橡胶。
为便于分析,首先将图像转化为灰度图,绘制灰度直方图,根据灰度直方图分布规律获取喷霜缺陷初始概率。
102.根据所述灰度直方图中每个像素点的灰度值以及预设概率值计算每个像素点的初始缺陷概率。
对灰度直方图进行分析,橡胶底色颜色整体较深,且分布在整个橡胶上,在直方图上集中在直方图左侧,喷霜缺陷颜色整体较亮,在直方图上分布在右侧。因此在直方图上从左到右,喷霜缺陷概率越大,即像素点灰度值越大,像素点为喷霜缺陷的概率越大。
103.以设定的窗口对所述灰度图像进行滑窗,将所述灰度图像分割为多个区域,计算每个区域与其相邻区域的灰度均值差异度以及梯度方向众数差异度。
利用Sobel算子计算图像A中每个像素的梯度方向。以n×n大小的窗口对图像进行步长为n的滑窗操作,将图像分割成不同的区域,用i表示第i个区域。
区域与其八邻域内的区域相邻,则与第i个区域相邻的f个区域分别为图像中第i(1),i(2),…,i(f)个区域。若区域内不存在喷霜缺陷,则区域内均为橡胶底色,受光照影响,区域内橡胶底色呈一个方向由暗到亮均匀过度,该方向则为局部范围内的光照方向,区域及其相邻区域的光照方向一致,此时梯度方向众数为光照方向。若区域内存在喷霜缺陷,则该区域较相邻不存在喷霜缺陷的区域亮,即区域灰度均值较相邻不存在喷霜缺陷的区域的灰度均值大,且区域内灰度变化不符合沿一个方向由暗到亮均匀过度的规律。则其梯度方向不规则,与相邻区域的梯度方向众数差异较大。
104.根据所述灰度均值差异度以及所述梯度方向众数差异度计算每个区域与其相邻区域的对比度。
结合灰度均值差异度与梯度方向差异度,计算第i个区域与其相邻的f个区域的对比度asi。
105.根据所述对比度计算对应区域内每个像素点的修正度;
综合该区域及相邻区域的所有像素值,计算像素值均值,作为区域标准灰度gi。图像A中第r个像素点属于第i个区域,其灰度值为jr,计算第r个像素点的修正度cr(n)。
106.根据所述修正度对所述每个像素点的初始缺陷概率进行修正,得到所述灰度图像中每个像素点的最终缺陷概率;将所述最终缺陷概率与所述预设概率值进行比较,判断所述灰度图像中每个像素点是否存在喷霜缺陷。
图像中每个像素点都有一个喷霜缺陷的最终概率,根据最终概率大小判断像素点是否为喷霜缺陷:
若pe≥β,则该像素点为喷霜缺陷;
若pe<β,则该像素点不为喷霜缺陷。其中β为预设概率值。
107.对所述灰度图像中存在喷霜缺陷的像素点进行标记,将标记后的灰度图像转化为二值图像,得到喷霜缺陷二值图像。
将图像中所有不为喷霜缺陷的像素点灰度值置为0,将所有喷霜缺陷的像素点灰度值置为1,转为二值图像,则得到了喷霜缺陷的二值图像。
108.将所述喷霜缺陷二值图像分割为多个区域,根据所述喷霜缺陷二值图中每个区域是否存在标记的喷霜缺陷像素点计算所述二值图喷霜缺陷的分布度,根据所述分布度定位产生喷霜缺陷的生产环节。
产生橡胶喷霜缺陷的生产环节包含欠硫、配合剂超量,其中欠硫导致的橡胶喷霜缺陷集中在橡胶局部,而配合剂超量导致的橡胶喷霜缺陷为大面积喷霜。
将二值图像分割成M个不同的二值区域,根据二值区域中是否存在喷霜缺陷计算,计算喷霜缺陷分布度dg。
根据喷霜缺陷分布度dg定位产生喷霜缺陷的生产环节。
根据本发明提出的技术手段,通过对橡胶图像进行特征分析,根据图像特征计算图像中每个像素点为喷霜缺陷的概率,排除了光照的干扰,进而对喷霜缺陷图像进行分析,能够快速准确的得到喷霜缺陷的分布区域,显著提高了检查效率,从而精准定位产生喷霜缺陷的具体生产环节。
实施例2
如图2所示,给出了本发明另一个实施例的一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法流程示意图,包括:
201.采集橡胶图像,并进行灰度化处理,得到橡胶灰度图像,根据所述灰度图像绘制灰度直方图。
在橡胶正上方放置相机,拍摄橡胶图像,图像中包含背景及橡胶。
本发明采用DNN语义分割的方式来识别分割图像中的目标。
该DNN网络的相关内容如下:
使用的数据集为俯视采集的橡胶图像数据集。
需要分割的像素,共分为2类,即训练集对应标签标注过程为:单通道的语义标签,对应位置像素属于背景类的标注为0,属于橡胶的标注为1。
网络的任务是分类,所以使用的loss函数为交叉熵损失函数。
通过DNN实现了橡胶图像的处理,获得图像中橡胶连通域信息。
202.根据所述灰度直方图中每个像素点的灰度值以及预设概率值计算每个像素点的初始缺陷概率。
为便于分析,首先将图像转化为灰度图,绘制灰度直方图,根据灰度直方图分布规律设置喷霜缺陷初始概率。
对灰度直方图进行分析,橡胶底色颜色整体较深,且分布在整个橡胶上,在直方图上集中在直方图左侧,喷霜缺陷颜色整体较亮,在直方图上分布在右侧。因此在直方图上从左到右,喷霜缺陷概率越大,即像素点灰度值越大,像素点为喷霜缺陷的概率越大。
橡胶底色分布在整个橡胶上,忽略光照影响,橡胶底色在直方图中符合高斯分布。对灰度直方图进行平滑处理,以直方图左侧的峰值为均值μ,使用最小二乘法,对灰度直方图左侧的波峰进行高斯拟合,得到高斯模型的标准差参数σ。对于高斯分布,变量落在三个标准差内的比率为99%。因此忽略光照影响的情况下,橡胶底色分布在[0,μ+3σ)内,喷霜缺陷分布在(μ+3σ,255]区间内。以μ+3σ为分界线,将像素点灰度值为μ+3σ时喷霜缺陷的初始概率设置为0.5,结合像素点灰度值越大像素点为喷霜缺陷的概率越大的特点,计算灰度值为j的像素点的喷霜缺陷的初始概率。
根据所述灰度直方图中每个像素点的灰度值以及预设概率值计算每个像素点的初始缺陷概率,包括:
对所述灰度直方图进行平滑处理,以直方图左侧的峰值为均值μ;
使用最小二乘法,对灰度直方图左侧的波峰进行高斯拟合,得到高斯模型的标准差参数σ;
结合所述灰度图像中每个像素点的灰度值,计算所有像素点的初始缺陷概率,表达式为:
其中,psr表示第r个像素点的初始缺陷概率,jr表示第r个像素点的灰度值,μ表示所述直方图左侧的峰值,σ表示所述高斯模型的标准差参数,β表示预设概率值。
当灰度值j越大,灰度值为j的像素点的喷霜缺陷的初始概率就越大。
2031.以设定的窗口对所述灰度图像进行滑窗,将所述灰度图像分割为多个区域,计算每个区域与其相邻区域的灰度均值差异度以及梯度方向众数差异度。
利用Sobel算子计算图像A中每个像素的梯度方向。以n×n大小的窗口对图像进行步长为n的滑窗操作,将图像分割成不同的区域,用i表示第i个区域。计算每个区域内像素灰度均值梯度方向众数θ,第i个区域的像素灰度均值为梯度方向众数为θi。
以设定的窗口对所述灰度图像进行滑窗,将所述灰度图像分割为多个区域,计算每个区域与其相邻区域的灰度均值差异度以及梯度方向众数差异度,包括:
分别计算每个区域与其相邻区域的灰度均值差异度dli以及梯度方向众数差异度dgi。
区域与其八邻域内的区域相邻,则与第i个区域相邻的f个区域分别为图像A中第i(1),i(2),…,i(f)个区域。若区域内不存在喷霜缺陷,则区域内均为橡胶底色,受光照影响,区域内橡胶底色呈一个方向由暗到亮均匀过度,该方向则为局部范围内的光照方向,区域及其相邻区域的光照方向一致,此时梯度方向众数为光照方向。若区域内存在喷霜缺陷,则该区域较相邻不存在喷霜缺陷的区域亮,即区域灰度均值较相邻不存在喷霜缺陷的区域的灰度均值大,且区域内灰度变化不符合沿一个方向由暗到亮均匀过度的规律。则其梯度方向不规则,与相邻区域的梯度方向众数差异较大。
计算第i个区域与相邻区域的灰度均值差异度dli:
其中为与第i个区域相邻的第h个区域(即图像中第i(h)个区域)的灰度均值。若灰度均值差异度为正,表示第i个区域较相邻的区域亮,该区域内可能存在喷霜缺陷;若灰度均值差异度为负,表示第i个区域较相邻的区域暗,该区域可能为橡胶底色;若灰度均值差异度绝对值越大,则表示该区域与相邻区域像素差异越大。
计算第i个区域与相邻区域的梯度方向众数差异度dgi:
2032.根据所述灰度均值差异度以及所述梯度方向众数差异度计算每个区域与其相邻区域的对比度。
根据所述灰度均值差异度以及所述梯度方向众数差异度计算每个区域与其相邻区域的对比度,包括:
结合灰度均值差异度与梯度方向差异度,计算第i个区域与其相邻区域的对比度asi,表达式为:
asi=10×dli×dgi
其中,asi表示第i个区域与其相邻区域的对比度,dli表示第i个区域与其相邻区域的灰度均值差异度,dgi表示第i个区域与其相邻区域的梯度方向差异度。
2033.根据所述对比度计算对应区域内每个像素点的修正度。
根据所述对比度计算对应区域内每个像素点的修正度,包括:
综合该区域及相邻区域的所有像素值,将像素值均值作为区域标准灰度gi,第i个区域中第r个像素点的灰度值为jr,计算对应区域内每个像素点的修正度cr(n),表达式为:
其中,cr(n)表示在大小为n×n的区域内,第r个像素点的修正度,asi表示该第i个区域与其相邻区域的对比度,jr表示第r个像素点的灰度值,gi表示第i个区域的标准灰度。
在计算对应区域内每个像素点的修正度之后,还包括:
改变设定窗口n×n的大小,通过改变后的窗口重新分割所述灰度图像,计算改变大小后区域中每个像素点的修正度,获取其中绝对值最大的修正度作为最终修正度cr。
若区域及其相邻区域均为喷霜缺陷,或区域及其相邻区域均为橡胶底色,小尺度窗口下,计算该区域内像素修正度无法准确进行修正。因此结合不同尺度大小的窗口,扩大区域计算区域内像素修正度。
采用不同尺度大小的窗口,即n∈(3,5,7,9),对图像进行区域分割,则图像A中每个像素点,在不同尺度窗口下,均有对应的一个区域。对于图像A中第r个像素点计算不同尺度窗口下的像素修正度{cr(3),cr(5),cr(7),cr(9)},取其中绝对值最大的修正度作为最终修正度cr。
204.根据所述修正度对所述每个像素点的初始缺陷概率进行修正,得到所述灰度图像中每个像素点的最终缺陷概率;将所述最终缺陷概率与所述预设概率值进行比较,判断所述灰度图像中每个像素点是否存在喷霜缺陷。
根据所述修正度对所述每个像素点的初始缺陷概率进行修正,得到所述灰度图像中每个像素点的最终缺陷概率;将所述最终缺陷概率与所述预设概率值进行比较,判断所述灰度图像中每个像素点是否存在喷霜缺陷,包括:
对所述每个像素点的初始缺陷概率进行修正,得到所述灰度图像中第r个像素点的最终缺陷概率per的表达式为:
其中,per表示所述灰度图像中第r个像素点的最终缺陷概率,psr表示所述灰度图像中第r个像素点的初始缺陷概率,cr表示所述灰度图像中第r个像素点的修正度;
min(psr+cr,1)用来设置像素点为喷霜概率的上限,最大为1。max(psr+cr,0)用来设置像素点为喷霜概率的下限,最小为0。
根据最终概率大小判断像素点是否为喷霜缺陷:
若per≥β,则该像素点为喷霜缺陷;
若per≥β,则该像素点不为喷霜缺陷;其中,β为预设概率值。
本实施例中,β的取值为0.5。
205.对所述灰度图像中存在喷霜缺陷的像素点进行标记,将标记后的灰度图像转化为二值图像,得到喷霜缺陷二值图像。
将橡胶灰度图像中所有不为喷霜缺陷的像素点灰度值置为0,将所有喷霜缺陷的像素点灰度值置为1,转为二值图像,则得到了喷霜缺陷的二值图像。
206.将所述喷霜缺陷二值图像分割为多个区域,根据所述喷霜缺陷二值图中每个区域是否存在标记的喷霜缺陷像素点计算所述二值图喷霜缺陷的分布度,根据所述分布度定位产生喷霜缺陷的生产环节。
产生橡胶喷霜缺陷的生产环节包含欠硫、配合剂超量,其中欠硫导致的橡胶喷霜缺陷集中在橡胶局部,而配合剂超量导致的橡胶喷霜缺陷为大面积喷霜。以5×5大小的窗口对喷霜缺陷二值图像进行步长为5的滑窗操作,将图像分割成M个不同的二值区域。
以设定的窗口对所述喷霜缺陷二值图进行滑窗,将所述喷霜缺陷二值图像分割为多个区域,计算所述喷霜缺陷二值图像的每个区域中喷霜缺陷的分布度,根据所述分布度定位产生喷霜缺陷的生产环节,包括:
以设定大小的窗口对所述喷霜缺陷二值图进行滑窗操作,将图像分割成M个不同的二值区域,根据二值区域中是否存在喷霜缺陷计算,计算喷霜缺陷分布度dg,表达式为:
其中,fun(v)为将所述喷霜缺陷二值图分割后,第v个区域中是否存在喷霜缺陷的像素点的判断常数值,M表示将所述喷霜缺陷二值图分割的二值区域数量;
若第v个二值区域中存在灰度值为1的像素值,则该二值区域中存在喷霜缺陷,此时fun(v)=1。若第v个二值区域中不存在灰度值为1的像素值,则该二值区域中不存在喷霜缺陷,此时fun(v)=0。
根据所述分布度定位产生喷霜缺陷的生产环节:
若dg<α,橡胶喷霜缺陷集中在橡胶局部,橡胶喷霜缺陷为橡胶硫化过程中欠硫;
若dg≥α,橡胶喷霜缺陷大面积分布在橡胶表面,橡胶喷霜缺陷为配合剂超量;
其中,α为设定阈值。
本实施例中,α的取值为0.1。
根据本发明提出的技术手段,通过对橡胶图像进行特征分析,根据图像特征计算图像中每个像素点为喷霜缺陷的概率,排除了光照的干扰,进而对喷霜缺陷图像进行分析,能够快速准确的得到喷霜缺陷的分布区域,显著提高了检查效率,从而精准定位产生喷霜缺陷的具体生产环节。
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、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于橡胶喷霜的橡胶生产问题快速定位方法,其特征在于包括:
采集橡胶图像,并进行灰度化处理,得到橡胶灰度图像,根据所述灰度图像绘制灰度直方图;
根据所述灰度直方图中每个像素点的灰度值以及预设概率值计算每个像素点的初始缺陷概率;
以设定的窗口对所述灰度图像进行滑窗,将所述灰度图像分割为多个区域,计算每个区域与其相邻区域的灰度均值差异度以及梯度方向众数差异度;
根据所述灰度均值差异度以及所述梯度方向众数差异度计算每个区域与其相邻区域的对比度;
根据所述对比度计算对应区域内每个像素点的修正度;
根据所述修正度对所述每个像素点的初始缺陷概率进行修正,得到所述灰度图像中每个像素点的最终缺陷概率;
将所述最终缺陷概率与所述预设概率值进行比较,判断所述灰度图像中每个像素点是否存在喷霜缺陷;
对所述灰度图像中存在喷霜缺陷的像素点进行标记,将标记后的灰度图像转化为二值图像,得到喷霜缺陷二值图像;
将所述喷霜缺陷二值图像分割为多个区域,根据所述喷霜缺陷二值图中每个区域是否存在标记的喷霜缺陷像素点计算所述二值图喷霜缺陷的分布度,根据所述分布度定位产生喷霜缺陷的生产环节。
4.根据权利要求3所述的一种基于橡胶喷霜的橡胶生产问题快速定位方法,其特征在于,根据所述灰度均值差异度以及所述梯度方向众数差异度计算每个区域与其相邻区域的对比度,包括:
结合灰度均值差异度与梯度方向差异度,计算第i个区域与其相邻区域的对比度asi,表达式为:
asi=10×dli×dgi
其中,asi表示第i个区域与其相邻区域的对比度,dli表示第i个区域与其相邻区域的灰度均值差异度,dgi表示第i个区域与其相邻区域的梯度方向差异度。
6.根据权利要求5所述的一种基于橡胶喷霜的橡胶生产问题快速定位方法,其特征在于,在计算对应区域内每个像素点的修正度之后,还包括:
改变设定窗口n×n的大小,通过改变后的窗口重新分割所述灰度图像,计算改变大小后区域中每个像素点的修正度,获取其中绝对值最大的修正度作为最终修正度cr。
7.根据权利要求1所述的一种基于橡胶喷霜的橡胶生产问题快速定位方法,其特征在于,根据所述修正度对所述每个像素点的初始缺陷概率进行修正,得到所述灰度图像中每个像素点的最终缺陷概率;将所述最终缺陷概率与所述预设概率值进行比较,判断所述灰度图像中每个像素点是否存在喷霜缺陷,包括:
对所述每个像素点的初始缺陷概率进行修正,得到所述灰度图像中第r个像素点的最终缺陷概率per的表达式为:
其中,per表示所述灰度图像中第r个像素点的最终缺陷概率,psr表示所述灰度图像中第r个像素点的初始缺陷概率,cr表示所述灰度图像中第r个像素点的修正度;
将所述最终缺陷概率与所述预设概率值进行比较,判断所述灰度图像中每个像素点是否存在喷霜缺陷:
若per≥β,则该像素点为喷霜缺陷;
若per<β,则该像素点不为喷霜缺陷;其中,β为预设概率值。
8.根据权利要求1所述的一种基于橡胶喷霜的橡胶生产问题快速定位方法,其特征在于,将所述喷霜缺陷二值图像分割为多个区域,根据所述喷霜缺陷二值图中每个区域是否存在标记的喷霜缺陷像素点计算所述二值图喷霜缺陷的分布度,根据所述分布度定位产生喷霜缺陷的生产环节,包括:
将图像分割成M个不同的二值区域,根据所述喷霜缺陷二值图中每个区域是否存在标记的缺陷像素点计算所述二值图缺陷的分布度dg,表达式为:
其中,fun(v)为将所述喷霜缺陷二值图分割后,第v个区域中是否存在喷霜缺陷的像素点的判断常数,M表示将所述喷霜缺陷二值图分割的二值区域数量;
根据所述分布度定位产生喷霜缺陷的生产环节:
若dg<α,橡胶喷霜缺陷集中在橡胶局部,橡胶喷霜缺陷为橡胶硫化过程中欠硫;
若dg≥α,橡胶喷霜缺陷大面积分布在橡胶表面,橡胶喷霜缺陷为配合剂超量;
其中,α为设定阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210346734.XA CN114708325A (zh) | 2022-03-31 | 2022-03-31 | 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210346734.XA CN114708325A (zh) | 2022-03-31 | 2022-03-31 | 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114708325A true CN114708325A (zh) | 2022-07-05 |
Family
ID=82173471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210346734.XA Pending CN114708325A (zh) | 2022-03-31 | 2022-03-31 | 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708325A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998355A (zh) * | 2022-08-08 | 2022-09-02 | 江苏京德新材料有限公司 | 一种密封橡胶圈的生产缺陷识别方法及装置 |
CN115082418A (zh) * | 2022-07-14 | 2022-09-20 | 山东聊城富锋汽车部件有限公司 | 一种汽车零部件精密识别方法 |
CN115222735A (zh) * | 2022-09-20 | 2022-10-21 | 左成(江苏)新材料技术有限公司 | 一种基于麻点缺陷的金属模具质量检测方法 |
CN116934761A (zh) * | 2023-09-18 | 2023-10-24 | 张家港宝翔机械有限公司 | 一种乳胶手套缺陷自适应检测方法 |
CN117351021A (zh) * | 2023-12-06 | 2024-01-05 | 东莞市南谷第电子有限公司 | 一种光伏连接线生产质量智能检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140233843A1 (en) * | 2013-02-18 | 2014-08-21 | Kateeva, Inc. | Systems, devices and methods for the quality assessment of oled stack films |
CN104197836A (zh) * | 2014-09-13 | 2014-12-10 | 江南大学 | 基于机器视觉的汽车门锁装配尺寸检测方法 |
CN107618533A (zh) * | 2017-09-29 | 2018-01-23 | 兰州交通大学 | 一种钢轨表面离散缺陷的机器视觉检测装置及方法 |
CN108647693A (zh) * | 2018-04-20 | 2018-10-12 | 华中科技大学 | 一种基于二元显著性特征的海面红外目标检测方法 |
CN109377485A (zh) * | 2018-10-12 | 2019-02-22 | 龙口味美思环保科技有限公司 | 一种方便面包装缺陷机器视觉检测方法 |
CN113469971A (zh) * | 2021-06-30 | 2021-10-01 | 深圳中科飞测科技股份有限公司 | 一种图像匹配方法及检测装置、存储介质 |
CN113674180A (zh) * | 2021-07-22 | 2021-11-19 | 华南理工大学 | 磨砂平面低对比度缺陷检测方法、装置、设备和存储介质 |
CN113934190A (zh) * | 2021-12-17 | 2022-01-14 | 武汉春田纸品包装有限公司 | 一种基于机器视觉的瓦楞纸板生产质量调控方法 |
CN114140462A (zh) * | 2021-12-10 | 2022-03-04 | 江苏牛犇轴承有限公司 | 一种基于图像处理的轴承磨损程度评估方法 |
CN114240888A (zh) * | 2021-12-17 | 2022-03-25 | 沭阳安宏木制品厂 | 一种基于图像处理的家具组件喷漆缺陷修复方法及*** |
-
2022
- 2022-03-31 CN CN202210346734.XA patent/CN114708325A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140233843A1 (en) * | 2013-02-18 | 2014-08-21 | Kateeva, Inc. | Systems, devices and methods for the quality assessment of oled stack films |
CN104197836A (zh) * | 2014-09-13 | 2014-12-10 | 江南大学 | 基于机器视觉的汽车门锁装配尺寸检测方法 |
CN107618533A (zh) * | 2017-09-29 | 2018-01-23 | 兰州交通大学 | 一种钢轨表面离散缺陷的机器视觉检测装置及方法 |
CN108647693A (zh) * | 2018-04-20 | 2018-10-12 | 华中科技大学 | 一种基于二元显著性特征的海面红外目标检测方法 |
CN109377485A (zh) * | 2018-10-12 | 2019-02-22 | 龙口味美思环保科技有限公司 | 一种方便面包装缺陷机器视觉检测方法 |
CN113469971A (zh) * | 2021-06-30 | 2021-10-01 | 深圳中科飞测科技股份有限公司 | 一种图像匹配方法及检测装置、存储介质 |
CN113674180A (zh) * | 2021-07-22 | 2021-11-19 | 华南理工大学 | 磨砂平面低对比度缺陷检测方法、装置、设备和存储介质 |
CN114140462A (zh) * | 2021-12-10 | 2022-03-04 | 江苏牛犇轴承有限公司 | 一种基于图像处理的轴承磨损程度评估方法 |
CN113934190A (zh) * | 2021-12-17 | 2022-01-14 | 武汉春田纸品包装有限公司 | 一种基于机器视觉的瓦楞纸板生产质量调控方法 |
CN114240888A (zh) * | 2021-12-17 | 2022-03-25 | 沭阳安宏木制品厂 | 一种基于图像处理的家具组件喷漆缺陷修复方法及*** |
Non-Patent Citations (3)
Title |
---|
GUODONG SUN 等: "A Fast Fabric Defect Detection Framework for Multi-Layer Convolutional Neural Network Based on Histogram Back-Projection", 《IEICE TRANS. INF. & SYST》, vol. 102, no. 12, 31 December 2019 (2019-12-31), pages 2504 - 2514 * |
ZHONGHE REN 等: "State of the Art in Defect Detection Based on Machine Vision", 《INTERNATIONAL JOURNAL OF PRECISION ENGINEERING AND MANUFACTURING-GREEN TECHNOLOGY (2022) 》, 26 May 2021 (2021-05-26), pages 661 - 691 * |
李晨: "基于机器视觉的不同属性表面中微弱缺陷的检测技术研究", 《中国博士学位论文全文数据库 信息科技辑》, no. 4, 15 April 2019 (2019-04-15), pages 138 - 14 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082418A (zh) * | 2022-07-14 | 2022-09-20 | 山东聊城富锋汽车部件有限公司 | 一种汽车零部件精密识别方法 |
CN115082418B (zh) * | 2022-07-14 | 2022-11-04 | 山东聊城富锋汽车部件有限公司 | 一种汽车零部件精密识别方法 |
CN114998355A (zh) * | 2022-08-08 | 2022-09-02 | 江苏京德新材料有限公司 | 一种密封橡胶圈的生产缺陷识别方法及装置 |
CN114998355B (zh) * | 2022-08-08 | 2023-06-30 | 江苏京德新材料有限公司 | 一种密封橡胶圈的生产缺陷识别方法及装置 |
CN115222735A (zh) * | 2022-09-20 | 2022-10-21 | 左成(江苏)新材料技术有限公司 | 一种基于麻点缺陷的金属模具质量检测方法 |
CN115222735B (zh) * | 2022-09-20 | 2022-12-27 | 左成(江苏)新材料技术有限公司 | 一种基于麻点缺陷的金属模具质量检测方法 |
CN116934761A (zh) * | 2023-09-18 | 2023-10-24 | 张家港宝翔机械有限公司 | 一种乳胶手套缺陷自适应检测方法 |
CN116934761B (zh) * | 2023-09-18 | 2023-12-08 | 张家港宝翔机械有限公司 | 一种乳胶手套缺陷自适应检测方法 |
CN117351021A (zh) * | 2023-12-06 | 2024-01-05 | 东莞市南谷第电子有限公司 | 一种光伏连接线生产质量智能检测方法 |
CN117351021B (zh) * | 2023-12-06 | 2024-03-26 | 东莞市南谷第电子有限公司 | 一种光伏连接线生产质量智能检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114708325A (zh) | 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与*** | |
CN109377485B (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
CN107945200B (zh) | 图像二值化分割方法 | |
CN111079747B (zh) | 铁路货车转向架侧架断裂故障图像识别方法 | |
CN107578409B (zh) | 一种太阳能电池片外观断栅缺陷检测的方法 | |
CN114419025A (zh) | 一种基于图像处理的纤维板质量评估方法 | |
CN107389693B (zh) | 一种基于机器视觉的印刷品缺陷自动检测方法 | |
CN107490582B (zh) | 一种流水线工件检测*** | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN108491788A (zh) | 一种用于财务报表单元格的智能提取方法及装置 | |
CN105046700A (zh) | 基于亮度校正与颜色分类的水果表面缺陷检测方法及*** | |
CN112686890B (zh) | 一种基于奇异值分解的人造板表面缺陷检测方法 | |
CN108805862B (zh) | 一种基于改进结构相似度的标签鉴别方法 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测*** | |
CN115294116B (zh) | 基于人工智能的纺织材料染色质量评估方法、装置及*** | |
CN106097368A (zh) | 一种单板裂缝的识别方法 | |
CN110210316B (zh) | 基于灰度图像的交通信号灯数字识别方法 | |
CN116630309A (zh) | 一种布匹断纬瑕疵检测方法 | |
CN113487563B (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 | |
CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
CN104700423A (zh) | 一种瓶盖检测方法和装置 | |
CN115131348A (zh) | 一种纺织品表面缺陷的检测方法及*** | |
CN112233111A (zh) | 一种基于数字图像处理的隧道缝隙检测方法 |
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 |