CN115170853B - 一种玻璃瓶表面喷涂质量检测方法 - Google Patents

一种玻璃瓶表面喷涂质量检测方法 Download PDF

Info

Publication number
CN115170853B
CN115170853B CN202211087502.3A CN202211087502A CN115170853B CN 115170853 B CN115170853 B CN 115170853B CN 202211087502 A CN202211087502 A CN 202211087502A CN 115170853 B CN115170853 B CN 115170853B
Authority
CN
China
Prior art keywords
window
pixel point
image
pixel
side length
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
CN202211087502.3A
Other languages
English (en)
Other versions
CN115170853A (zh
Inventor
刘少韩
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.)
Nantong Yttrium Glass Products Co ltd
Original Assignee
Nantong Yttrium Glass Products 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 Nantong Yttrium Glass Products Co ltd filed Critical Nantong Yttrium Glass Products Co ltd
Priority to CN202211087502.3A priority Critical patent/CN115170853B/zh
Publication of CN115170853A publication Critical patent/CN115170853A/zh
Application granted granted Critical
Publication of CN115170853B publication Critical patent/CN115170853B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

本发明涉及喷涂质量分类领域，具体涉及为一种玻璃瓶表面喷涂质量检测方法；获取玻璃瓶喷漆位置的图像，并对图像进行预处理，得到灰度图像；根据图像较为复杂和积粉区域团絮状特征，改进聚类过程中相似度的度量方法，划分多个区域；将划分为不同区域的玻璃杯侧面图像输入神经网络，分析玻璃瓶表面喷涂质量。即本发明的方案能够在喷涂过程中出现的积粉问题的区域给予更宽松的比照区域和标准，解决了对喷涂复杂图案的质量分类和识别精度较低的问题。

Description

一种玻璃瓶表面喷涂质量检测方法
技术领域
本发明涉及喷涂质量分类领域，具体为一种玻璃瓶表面喷涂质量检测方法。
背景技术
由于玻璃瓶具有良好的抗腐蚀性，耐热耐压且美观，在饮品包装、化妆品外壳、艺术摆件等很多方面使用广泛。同时，由于玻璃瓶具有高度的透明性，为实现着色需要在烧制前添加着色剂，但是温度、时间等因素会影响颜色的呈现，想要实现成品上呈现出较为复杂的图案并不容易。但是由于现实中不同公司、不同产品对于玻璃瓶外观的个性化需求和产品高频率的更新换代，完全依靠玻璃烧制得到带有目的图像的玻璃制品并不现实，所以玻璃瓶上的图案往往采用喷涂得到。以此实现玻璃瓶外观的个性化需求，同时喷涂的油漆涂料也可对玻璃瓶达到保护作用。虽然喷涂由自动喷涂装置完成，但仍存在各种复杂多样的缺陷，需要对喷涂的质量进行分类和识别。
由于喷涂过程中的浮沉、悬浮物等会对人的身体健康造成不可逆转的影响，所以使用机器视觉完成对喷涂质量的分类成为趋势。现有的对于喷涂质量的分类主要基于模板匹配和阈值，对单一颜色的喷涂图案分类效果较好，但对于较复杂的图案精度较低，易受到更多样化的缺陷的影响。
发明内容
为了解决上述技术问题，本发明的目的在于提出一种玻璃瓶表面喷涂质量检测方法，所采用的技术方案具体如下：
本发明的一种玻璃瓶表面喷涂质量检测方法，包括以下步骤：
获取玻璃瓶喷漆位置的图像，并对图像进行预处理，得到灰度图像；
根据图像复杂性和积粉区域团絮状特征，改进聚类过程中相似度的度量方法，划分多个区域；
将划分为不同区域的玻璃杯侧面图像输入神经网络，分析玻璃瓶表面喷涂质量。
优选地，划分多个区域的过程为：
以图像中每个像素点为中心，分别建立5*5，7*7，9*9窗口；在每个窗口内，获取每个像素点的灰度值，将这些灰度值的最大值记为
Figure 828794DEST_PATH_IMAGE001
，最小值记为
Figure 781313DEST_PATH_IMAGE002
，标准差记为
Figure 776951DEST_PATH_IMAGE003
；
取这些灰度值的平均值，根据每个像素点对应的灰度值与平均值的大小关系，将窗口内像素点的灰度值大于等于平均值的像素点划分为一类，其余像素点划分为另一类，则每个窗口内像素点可以根据以上规则划分为两个类；
在每一类像素点中，若一像素点在另一像素点的四邻域内，则称像素点相邻，将所有相邻像素点划分为一族，则一类像素点中可以得到至少一个族；
计算窗口内两个类中分别得到的每个族内包含的像素点数量，将每个类中包含像素点数量最多的族内像素点数量分别记为
Figure 304885DEST_PATH_IMAGE004
，
Figure 626145DEST_PATH_IMAGE005
构建窗口边长辐射度
Figure 678676DEST_PATH_IMAGE006
：
Figure DEST_PATH_IMAGE007
式中
Figure 337060DEST_PATH_IMAGE008
为阈值系数，
Figure 149858DEST_PATH_IMAGE009
为窗口内像素点数量；以每个像素点为中心的每个窗口都可以获得一个对应的窗口边长辐射度
Figure 376440DEST_PATH_IMAGE006
；
当满足
Figure 477120DEST_PATH_IMAGE010
时，像素点附近的灰度值分布均匀；当满足
Figure 814561DEST_PATH_IMAGE011
时，即该像素点附近的灰度值分布存在差异，像素点位于出现积粉的区域或者位于不同色块之间相接的区域附近；
根据选取的5*5，7*7，9*9三个窗口，得到对应的窗口边长辐射度
Figure 756234DEST_PATH_IMAGE006
，当其中存在一个窗口边长辐射度小于
Figure 216035DEST_PATH_IMAGE012
时，则认为该像素点附近的灰度值分布均匀，确定窗口大小；否则，根据该像素点对应的三个窗口边长辐射度
Figure 476115DEST_PATH_IMAGE006
确定窗口边长；图像中每个像素点均对应一个确定的窗口边长；
以图像中每个像素点为中心，以对应的窗口边长为边长，建立窗口；获取窗口内所有像素点对应的灰度值，根据窗口位置按照从左至右，从上至下的顺序将这些灰度值排列成一组数列，将这组数列记为
Figure 381360DEST_PATH_IMAGE013
其中，
Figure 738392DEST_PATH_IMAGE014
为该点在图像中对应的坐标位置；
以
Figure 306777DEST_PATH_IMAGE015
为聚类中心数，在图像中均匀选取
Figure 319732DEST_PATH_IMAGE015
个像素点作为聚类中心，记聚类中心为
Figure 766019DEST_PATH_IMAGE016
，将聚类中心对应的数列记为
Figure 711979DEST_PATH_IMAGE017
，计算数列
Figure 451265DEST_PATH_IMAGE018
与数列
Figure 252648DEST_PATH_IMAGE017
的相似度系数；
以选取的
Figure 1161DEST_PATH_IMAGE015
个聚类中心为聚类中心，以每个像素点对应的聚类相似度系数作为每个像素点对应的相似度的系数，对图片进行模糊C均值聚类，将图像中不同色块划分为不同的区域。
优选地，所述相似度系数为：
Figure 4889DEST_PATH_IMAGE019
式中dtw（）函数为取括号内两组数列的dtw距离，
Figure 180656DEST_PATH_IMAGE020
为调节系数。
优选地，聚类相似度系数：
Figure 466406DEST_PATH_IMAGE021
式中
Figure 487452DEST_PATH_IMAGE022
，
Figure DEST_PATH_IMAGE023
为值域调节系数，
Figure 968855DEST_PATH_IMAGE024
为相似度系数。
优选地，所述神经网络采用卷积神经网络。
本发明的有益效果为：
本发明的复杂喷涂图案的喷涂质量分类方法，在划分图像中不同色块时，将像素点附近的分布特征也作为衡量指标，自适应的选择不同区域对应的像素点附近的分布特征的区域大小，在保证同一色块划分准确的基础上，在喷涂过程中出现的积粉问题的区域给予更宽松的比照区域和标准，解决了对喷涂复杂图案的质量分类和识别精度较低的问题。
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是本发明的一种玻璃瓶表面喷涂质量检测方法的流程图；
图2是获取玻璃瓶图像的相机相对位置俯视图；
图3是喷涂过程中可能出现的积粉示意图；
图4是喷涂后选取类和族的示意图。
具体实施方式
下面结合实施例对本发明进行详细描述。
为了实现本发明所述内容，本发明设计了一种玻璃瓶表面喷涂质量检测方法，请参阅图1所示，包括以下步骤：
步骤一：获取玻璃瓶喷漆位置的图像，并对图像进行预处理，得到灰度图像。
本实施例中，使用机械固定玻璃瓶上方未喷涂位置，按顺序将喷涂完成的玻璃瓶依次置于同一白色背景下，如图2所示，使用相机在四个垂直于瓶身的方向获取玻璃杯各侧面的图像，玻璃杯侧面图像为RGB图像。
为避免环境等原因产生的噪音的影响，使用高斯滤波，对RGB图像的三个通道分别进行卷积，消除图像中的噪声。将玻璃杯侧面图像转换为灰度图像。
步骤二：根据图像较为复杂和积粉区域团絮状特征，改进聚类过程中相似度的度量方法，划分多个区域。
由于现有算法对单一颜色的喷涂图案分类效果较好，但对于较复杂的图案精度较低，所以本算法以迷彩喷涂为例进行分析。由于不同油漆的遮盖力不同，在喷涂图案时，会选择由浅至深进行喷涂，先喷涂土色作为底色，其次依次喷涂浅绿色、中绿色、深绿色。在依次加入新的颜色时，由于新加入的颜色往往遮盖力更强，当喷枪积粉、供粉不均、喷枪雾化不好等问题出现时，会产生如图3所示的积粉问题。出现积粉的区域会呈现团絮状，表面粗糙而结构开放疏松，内部呈现出多个点状空隙。由于该喷涂图案较为复杂，且不同位置均可能存在积粉问题，所以对图像直接使用现有聚类算法进行聚类划分不同色块时，由于积粉位置结构开放疏松，所以不同位置像素点差异较大，一个积粉区域可能被划分为多个不同的区域，从而导致识别出的出现积粉的数量大大超过实际数量，影响到后续对玻璃瓶表面喷涂质量的判断。所以在进行聚类时，不能仅仅根据像素点之间的关系进行划分，还应该顾及到像素点附近的相关信息，以保证出现积粉问题的位置被完整划分到同一区域。同时，由于图案中颜色较为相近，也要在聚类过程中保证将不同颜色的色块划分为不同区域，即在色块相邻的边界位置附近，像素点的划分应该更加严谨。
所以，本实施例提出一种自适应的匹配每个像素点选取对应窗口边长的方法，在色块内部的像素点对应较小的窗口边长，以保证像素点对应聚类中心的准确性；而在色块边界位置以及出现积粉区域内的像素点，对应较大的窗口边长，更多地考虑像素点周边情况的匹配程度以防止同一区域被划分成为多个区域。
其具体步骤如下：
以图像中每个像素点为中心，分别建立5*5，7*7，9*9窗口。在每个窗口内，获取每个像素点的灰度值，将这些灰度值的最大值记为
Figure 112260DEST_PATH_IMAGE001
，最小值记为
Figure 321525DEST_PATH_IMAGE002
，标准差记为
Figure 647726DEST_PATH_IMAGE003
。取这些灰度值的平均值，根据每个像素点对应的灰度值与平均值的大小关系，将窗口内像素点的灰度值大于等于平均值的像素点划分为一类，其余像素点划分为另一类，则每个窗口内像素点可以根据以上规则划分为两个类。在每一类像素点中，若一像素点在另一像素点的四邻域内，则称像素点相邻，将所有相邻像素点划分为一族，则一类像素点中可以得到至少一个族，具体族的数量根据像素点的位置不同而不同。
计算窗口内两个类中分别得到的每个族内包含的像素点数量，将每个类中包含像素点数量最多的族内像素点数量分别记为
Figure 891626DEST_PATH_IMAGE004
，
Figure 205932DEST_PATH_IMAGE025
（其中，
Figure 168072DEST_PATH_IMAGE004
对应灰度值大于平均值的类）。每个像素点对应的每个窗口均可得到一组上述指标。如图4所示，示意图为5*5窗口，两个类对应的像素点分别以白色和暗色背景填充的正方形表示，白色对应灰度值大于平均值的类。其中，以白色填充表示的类有两个族，每个族内像素点数量分别为8,3；以暗色填充表示的类有三个族，每个族内像素点数量分别为8,5,1。即图中对应
Figure 47034DEST_PATH_IMAGE004
为8，
Figure 942177DEST_PATH_IMAGE025
为8，对应部分分别以向右下方向斜线和向左下方斜线标出。
根据以上相关指标，构建窗口边长辐射度
Figure 365069DEST_PATH_IMAGE006
：
Figure 847128DEST_PATH_IMAGE026
式中
Figure 13667DEST_PATH_IMAGE008
为阈值系数，经验值为7；
Figure 232159DEST_PATH_IMAGE009
为窗口内像素点数量。以每个像素点为中心的每个窗口都可以获得一个对应的窗口边长辐射度
Figure 386803DEST_PATH_IMAGE006
。
当满足
Figure 57956DEST_PATH_IMAGE010
时，即该像素点附近的灰度值分布较为均匀，没有明显的差异，该像素点位于某个色块的喷涂质量良好的内部，在后续比较超像素块间相似程度时应采取较为严格的标准。而当满足
Figure 762607DEST_PATH_IMAGE011
时，即该像素点附近的灰度值分布有明显的差异，该像素点位于出现积粉的区域或者位于不同色块之间相接的区域附近，在后续比较超像素块间相似程度时应给予适当的模糊区间。
当该像素点对应的窗口内的灰度值分布越均匀，最大值与最小值间差距越小，族内像素点数量越小时，该像素点对应的窗口边长辐射度
Figure 835605DEST_PATH_IMAGE006
越小。
当像素点在喷涂的图案中某色块偏向中心的内部时，该像素点对应的窗口内像素点间的灰度值差距较小，即该像素点对应的窗口边长辐射度
Figure 164080DEST_PATH_IMAGE006
较小；当像素点在喷涂的图案中不同色块交界的位置附近，或处于积粉的位置附近，则该像素点对应的窗口内像素点间的灰度值差距较大，即该像素点对应的窗口边长辐射度
Figure 56950DEST_PATH_IMAGE006
较大。
由于对每个像素点分别选取了5*5，7*7，9*9三个窗口，当这三个窗口对应的窗口边长辐射度
Figure 830871DEST_PATH_IMAGE006
中存在一个窗口边长辐射度小于
Figure 325087DEST_PATH_IMAGE012
时（
Figure 526261DEST_PATH_IMAGE012
为阈值系数，经验值为7），则认为该像素点附近的灰度值分布均匀，该像素点对应的窗口选取5*5，否则，根据该像素点对应的三个窗口边长辐射度
Figure 640848DEST_PATH_IMAGE006
确定窗口边长
Figure 15197DEST_PATH_IMAGE027
。
Figure 298673DEST_PATH_IMAGE028
式中
Figure 201907DEST_PATH_IMAGE029
分别为以该像素点为中心的5*5，7*7，9*9窗口对应的窗口边长辐射度；
Figure 866107DEST_PATH_IMAGE030
为取值函数，作用为取括号内的最大值；ln（）函数为以e为底的对数函数，即取括号内数值的e为底的对数；式中
Figure 214786DEST_PATH_IMAGE031
、
Figure 913621DEST_PATH_IMAGE032
为值域调节系数，作用为调节对应的函数值，经验值分别为2,4。式中A[]为取值函数，作用为根据括号内数值，输出5，7，9三个数字中与括号内数值最近的值，即输出的值为5,9,11中某一个数值；若括号内的值与某两个值之间的距离相同，则输出较大的值；例如，若括号内数值为5.8，因为5，7，9三个数字中与5.8最相近的数值为5，所以输出的对应的值为5。
当该像素点对应的三个窗口边长辐射度
Figure 987756DEST_PATH_IMAGE006
中最大的值越大，则该像素点对应的窗口边长
Figure 109558DEST_PATH_IMAGE027
越大。至此，图像中每个像素点均对应一个确定的窗口边长。
以图像中每个像素点为中心，以对应的窗口边长为边长，建立窗口。获取窗口内所有像素点对应的灰度值，根据窗口位置按照从左至右，从上至下的顺序将这些灰度值排列成一组数列，将这组数列记为
Figure 497814DEST_PATH_IMAGE018
（
Figure 316734DEST_PATH_IMAGE033
为该点在图像中对应的坐标）。
以
Figure 257709DEST_PATH_IMAGE015
（
Figure 896501DEST_PATH_IMAGE015
为常数系数，经验值为30）为聚类中心数，在图像中均匀选取
Figure 354027DEST_PATH_IMAGE015
个像素点作为聚类中心。记聚类中心为
Figure 965137DEST_PATH_IMAGE016
，将聚类中心对应的数列记为
Figure 148119DEST_PATH_IMAGE017
（
Figure 211890DEST_PATH_IMAGE034
为该点在图像中对应的坐标，由于在同一式子中出现，采用不同字母以示区分），根据上述相关指标构建喷涂点相似度系数
Figure 473107DEST_PATH_IMAGE035
。
Figure 499575DEST_PATH_IMAGE036
式中dtw（）函数为取括号内两组数列的dtw距离，可得到两组数列的相似程度，相似程度越大，则dtw距离越小，为公知技术。式中
Figure 289677DEST_PATH_IMAGE020
为调节系数，作用为防止分母为0，经验值为1。
至此，每个像素点与每个聚类中心均有一个喷涂点相似度系数
Figure 903061DEST_PATH_IMAGE035
。对于每个像素点，取该像素点的喷涂点相似度系数中最小的一个作为该点的最终喷涂点相似度系数。当某像素点的喷涂点相似度系数
Figure 203854DEST_PATH_IMAGE035
越大时，则该像素点附近灰度值分布特征与聚类中心的附近像素点分布特征越接近。
图像中每个像素点都有一个对应的最终喷涂点相似度系数，以这些值为依据将每个像素点对应的最终喷涂点相似度系数进行归一化，归一化值记为
Figure 586294DEST_PATH_IMAGE024
，进而得到每个像素点对应的聚类相似度系数
Figure 812876DEST_PATH_IMAGE037
：
Figure 851239DEST_PATH_IMAGE021
式中
Figure 755391DEST_PATH_IMAGE022
，
Figure 930021DEST_PATH_IMAGE023
为值域调节系数，作用为调节对应的函数值，经验值分别为2,0.5。
图像中每个像素点对应的聚类相似度系数
Figure 389821DEST_PATH_IMAGE037
值域为
Figure 151366DEST_PATH_IMAGE038
，聚类相似度系数
Figure 354814DEST_PATH_IMAGE037
的作用仅为调节值域。
以选取的
Figure 383950DEST_PATH_IMAGE015
个聚类中心为聚类中心，以每个像素点对应的聚类相似度系数
Figure 513186DEST_PATH_IMAGE037
作为每个像素点对应的相似度的系数，对图片进行模糊C均值聚类（相似度为原算法中原始定义，原算法中其余步骤不变，为公知技术）。该算法可将图像中不同色块划分为不同的区域，而同一色块对应同一区域，出现积粉的位置对应一个区域。
在原算法中加入聚类相似度系数
Figure 260562DEST_PATH_IMAGE037
作为相似度的系数可以在聚类的过程中考虑每个像素点附近的灰度值分布情况，在保证同一色块内的像素点划分为同一个区域的前提下，避免出现积粉的位置因为该瑕疵的松散结构而被划分为不同的区域。
步骤三：将划分为不同区域的玻璃杯侧面图像输入神经网络，分析玻璃瓶表面喷涂质量。
将划分为不同区域的玻璃杯侧面图像输入神经网络，分析每个区域是否对应积粉区域。神经网络采用卷积神经网络，如ResNet34、SENet,损失函数采用交叉熵损失函数,优化算法采用Adam；网络输出是图像对应的玻璃瓶表面喷涂质量，网络的标签数据通过人为标注，包括无瑕疵和积粉瑕疵区两种。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (4)

1.一种玻璃瓶表面喷涂质量检测方法，其特征在于，包括以下步骤：
获取玻璃瓶喷漆位置的图像，并对图像进行预处理，得到灰度图像；
根据图像复杂性和积粉区域团絮状特征，改进聚类过程中相似度的度量方法，划分多个区域；
将划分为不同区域的玻璃杯侧面图像输入神经网络，分析玻璃瓶表面喷涂质量；
划分多个区域的过程为：
以图像中每个像素点为中心，分别建立5*5，7*7，9*9窗口；在每个窗口内，获取每个像素点的灰度值，将这些灰度值的最大值记为
Figure DEST_PATH_IMAGE002
，最小值记为
Figure DEST_PATH_IMAGE004
，标准差记为S；
取这些灰度值的平均值，根据每个像素点对应的灰度值与平均值的大小关系，将窗口内像素点的灰度值大于等于平均值的像素点划分为一类，其余像素点划分为另一类，则每个窗口内像素点可以根据以上规则划分为两个类；
在每一类像素点中，若一像素点在另一像素点的四邻域内，则称像素点相邻，将所有相邻像素点划分为一族，则一类像素点中可以得到至少一个族；
计算窗口内两个类中分别得到的每个族内包含的像素点数量，将每个类中包含像素点数量最多的族内像素点数量分别记为
Figure DEST_PATH_IMAGE006
，
Figure DEST_PATH_IMAGE008
构建窗口边长辐射度
Figure DEST_PATH_IMAGE010
：
Figure DEST_PATH_IMAGE012
式中
Figure DEST_PATH_IMAGE014
为阈值系数，
Figure DEST_PATH_IMAGE016
为窗口内像素点数量；以每个像素点为中心的每个窗口都可以获得一个对应的窗口边长辐射度
Figure 242565DEST_PATH_IMAGE010
；
当满足
Figure DEST_PATH_IMAGE018
时，像素点附近的灰度值分布均匀；当满足
Figure DEST_PATH_IMAGE020
时，即该像素点附近的灰度值分布存在差异，像素点位于出现积粉的区域或者位于不同色块之间相接的区域附近；
根据选取的5*5，7*7，9*9三个窗口，得到对应的窗口边长辐射度
Figure 500984DEST_PATH_IMAGE010
，当其中存在一个窗口边长辐射度小于
Figure DEST_PATH_IMAGE022
时，则认为该像素点附近的灰度值分布均匀，确定窗口大小；否则，根据该像素点对应的三个窗口边长辐射度
Figure 687246DEST_PATH_IMAGE010
确定窗口边长；图像中每个像素点均对应一个确定的窗口边长；
以图像中每个像素点为中心，以对应的窗口边长为边长，建立窗口；获取窗口内所有像素点对应的灰度值，根据窗口位置按照从左至右，从上至下的顺序将这些灰度值排列成一组数列，将这组数列记为
Figure DEST_PATH_IMAGE024
，其中，
Figure DEST_PATH_IMAGE026
为该点在图像中对应的坐标位置；
以
Figure DEST_PATH_IMAGE028
为聚类中心数，在图像中均匀选取
Figure 285717DEST_PATH_IMAGE028
个像素点作为聚类中心，记聚类中心为
Figure DEST_PATH_IMAGE030
，将聚类中心对应的数列记为
Figure DEST_PATH_IMAGE032
，计算数列
Figure 444297DEST_PATH_IMAGE024
与数列
Figure 94458DEST_PATH_IMAGE032
的相似度系数；
以选取的
Figure 158228DEST_PATH_IMAGE028
个聚类中心为聚类中心，以每个像素点对应的聚类相似度系数作为每个像素点对应的相似度的系数，对图片进行模糊C均值聚类，将图像中不同色块划分为不同的区域。
2.根据权利要求1所述的一种玻璃瓶表面喷涂质量检测方法，其特征在于，所述相似度系数为：
Figure DEST_PATH_IMAGE034
式中dtw（）函数为取括号内两组数列的dtw距离，
Figure DEST_PATH_IMAGE036
为调节系数。
3.根据权利要求2所述的一种玻璃瓶表面喷涂质量检测方法，其特征在于，聚类相似度系数：
Figure DEST_PATH_IMAGE038
式中
Figure DEST_PATH_IMAGE040
，
Figure DEST_PATH_IMAGE042
为值域调节系数，
Figure DEST_PATH_IMAGE044
为相似度系数。
4.根据权利要求1所述的一种玻璃瓶表面喷涂质量检测方法，其特征在于，所述神经网络采用卷积神经网络。
CN202211087502.3A 2022-09-07 2022-09-07 一种玻璃瓶表面喷涂质量检测方法 Active CN115170853B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211087502.3A CN115170853B (zh) 2022-09-07 2022-09-07 一种玻璃瓶表面喷涂质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211087502.3A CN115170853B (zh) 2022-09-07 2022-09-07 一种玻璃瓶表面喷涂质量检测方法

Publications (2)

Publication Number Publication Date
CN115170853A CN115170853A (zh) 2022-10-11
CN115170853B true CN115170853B (zh) 2022-11-25

Family

ID=83482075

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211087502.3A Active CN115170853B (zh) 2022-09-07 2022-09-07 一种玻璃瓶表面喷涂质量检测方法

Country Status (1)

Country Link
CN (1) CN115170853B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115641331B (zh) * 2022-11-18 2023-03-28 山东天意装配式建筑装备研究院有限公司 一种墙板膜具喷涂效果的智能检测方法
CN116399267A (zh) * 2023-04-12 2023-07-07 宁波天一华邦粉末涂料有限公司 聚酯粉末涂料制品表面均匀等级鉴定***
CN116703893B (zh) * 2023-08-01 2023-09-29 四川深山农业科技开发有限公司 一种基于机器视觉的魔芋凝胶测控方法
CN117058142B (zh) * 2023-10-11 2023-12-19 贵州省畜牧兽医研究所 基于机器视觉的鹅舍消杀喷液图像检测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446914A (zh) * 2016-09-28 2017-02-22 天津工业大学 基于超像素和卷积神经网络的道路检测
CN108520274B (zh) * 2018-03-27 2022-03-11 天津大学 基于图像处理及神经网络分类的高反光表面缺陷检测方法
CN113724231B (zh) * 2021-09-01 2023-12-29 广东工业大学 一种基于语义分割和目标检测融合模型的工业缺陷检测方法

Also Published As

Publication number Publication date
CN115170853A (zh) 2022-10-11

Similar Documents

Publication Publication Date Title
CN115170853B (zh) 一种玻璃瓶表面喷涂质量检测方法
US20210201535A1 (en) Systems and methods for matching color and appearance of target coatings
CN109147005B (zh) 一种用于红外图像的自适应染色方法、***、存储介质、终端
CN108596891A (zh) 一种面向多种类混合蚕茧的计数方法
US20230349765A1 (en) Apparatus and Method for Effect Pigment Identification
MX2011003977A (es) Procedimiento y sistema para la identificacion de articulos.
WO2021098163A1 (zh) 一种基于角点的空中目标探测方法
CN108985337A (zh) 一种基于图像深度学习的产品表面划痕检测方法
US11978233B2 (en) Systems and methods for matching color and appearance of target coatings
CN116596924B (zh) 基于机器视觉的甜菊糖苷质量检测方法及***
CN116912261B (zh) 一种塑料模具注塑表面缺陷检测方法
CN110400278A (zh) 一种图像颜色和几何畸变的全自动校正方法、装置及设备
CN116805313B (zh) 一种喷雾机喷头的缺陷检测方法
CN108416814A (zh) 一种菠萝头部的快速定位与识别方法及***
CN109191429A (zh) 一种基于机器视觉的3d打印喷嘴检测方法
CN116958125B (zh) 基于图像处理的电竞主机电源元件缺陷视觉检测方法
CN116934763A (zh) 一种基于视觉特征的医用橡胶胶塞缺陷检测方法
CN117522864B (zh) 基于机器视觉的欧松板表面瑕疵检测方法
CN114092682A (zh) 基于机器学习的小金具类缺陷检测算法
EP3846130A1 (en) Systems and methods for matching color and appearance of target coatings
CN116485788B (zh) 图像处理方法及手机pet保护膜底涂工艺质量检测方法
CN109635809A (zh) 一种面向视觉退化图像的超像素分割方法
CN111105418A (zh) 一种针对图像中矩形目标的高精度图像分割方法
CN110322454B (zh) 一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法
CN117893531B (zh) 一种服装加工过程中服装质量智能检测方法

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
GR01 Patent grant
GR01 Patent grant