CN115601630A - 用于墙板模具自动清理机的污渍识别方法 - Google Patents
用于墙板模具自动清理机的污渍识别方法 Download PDFInfo
- Publication number
- CN115601630A CN115601630A CN202211609040.7A CN202211609040A CN115601630A CN 115601630 A CN115601630 A CN 115601630A CN 202211609040 A CN202211609040 A CN 202211609040A CN 115601630 A CN115601630 A CN 115601630A
- Authority
- CN
- China
- Prior art keywords
- pixel points
- points
- abnormal
- superpixel
- pixel
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Nonlinear Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像识别领域,具体涉及一种用于墙板模具自动清理机的污渍识别方法,包括:根据最小可达范围和同类数量获得异常像素点的密度,根据密度获得所有种子像素点以及对应的超像素块;计算超像素块的空间结构参数和灰度结构参数,根据聚类标签获得两个超像素块的合并必要度;对所有超像素块进行合并获得所有可信区域;根据所有噪声像素点的所有方向噪声点获得中值滤波核的尺寸;根据中值滤波核对墙板模具图像滤波去噪,根据污渍像素点的附着度获得喷洗点并进行清洗。本发明准确地去除料浆分散区域中的噪声像素点而保留属于料浆的像素点,保留细节信息同时提高后续污渍区域识别的准确度,避免了反复清洗和全局清洗而造成的资源浪费。
Description
技术领域
本发明涉及图像识别领域,具体涉及一种用于墙板模具自动清理机的污渍识别方法。
背景技术
新型高分子材料轻质墙板成型需要使用金属模具进行浇筑,尽管在浇筑前模具上涂有脱模剂,但浇筑后难免有料浆残留形成污渍,若清洗不完全会影响下批浇筑墙板的质量。由于纯人工清洗的效率低下,通常采用设备进行自动清洗,自动清洗需要借助厂房正上方的监控***来辅助自动清洗设备完成清理作业,监控***搭载的图像传感器会自动将墙板模具上残留的料浆识别为污渍区域,然后控制清洗设备对污渍区域进行冲水、擦洗。识别污渍区域的目的是为了精准的定位污渍位置,控制水枪喷头对污渍区域进行冲洗,避免了反复清洗和全局清洗造成的资源浪费。
监控***运行时间较长产生白噪声是普遍发生的问题,因此大部分监控***都包含图像预处理的功能。通过常规的降噪、去噪算法对监控图像进行预处理,只是提高了监控图像在人眼视觉的辨识度,只适用于监控***辅助人工清洗作业时;在基于监控***进行自动清洗时,通过常规滤波、去噪算法对监控图像进行预处理时,会将监控图像中的部分细节信息一并去除,极大影响了后续污渍区域识别的准确度。
如何对监控图像进行滤波,保证去除噪声的同时,保留监控图像中的细节信息,提高后续污渍区域识别的准确度,精准的定位污渍位置,避免了反复清洗和全局清洗造成的资源浪费。
发明内容
为了解决上述问题,本发明提供用于墙板模具自动清理机的污渍识别方法,所述方法包括:
获取墙板模具图像所有异常像素点;
对于任意一个异常像素点,根据异常像素点的局部可达范围半径获得异常像素点的最小可达范围和同类数量,根据异常像素点的最小可达范围和同类数量获得异常像素点的密度,将密度大于密度阈值的异常像素点作为种子像素点;获得所有种子像素点,根据所有种子像素点的最小可达范围获得所有超像素块;
对于任意一个超像素块,计算超像素块的空间结构参数和灰度结构参数,将超像素块的空间结构参数和灰度结构参数作为超像素块的聚类标签;获得所有超像素块的聚类标签;
对于任意两个超像素块,根据两个超像素块的聚类标签获得两个超像素块的合并必要度;将合并必要度大于合并阈值的两个超像素块进行合并,根据任意两个超像素块的合并必要度对所有种子像素点对应的超像素块进行合并,将合并后的每个超像素块对应的区域记为可信区域,获得墙板模具图像上的所有可信区域;
将所有可信区域中梯度幅值大于梯度阈值的像素点记为噪声像素点,获取噪声像素点在所有邻域方向上的方向噪声点,根据所有噪声像素点的所有方向噪声点获得中值滤波核的尺寸;
根据所述尺寸的中值滤波核对墙板模具图像进行滤波去噪,获得去噪后的墙板模具图像上的所有污渍像素点;计算所有污渍像素点的附着度,将附着度大于附着阈值的污渍像素点作为喷洗点,并利用水枪喷头进行清洗。
进一步地,所述根据异常像素点的局部可达范围半径获得异常像素点的最小可达范围和同类数量的步骤包括:
将灰度值的差值不大于5的两个像素点为同类像素点;将异常像素点的8个邻域方
向分别记为1邻域方向到8邻域方向,对异常像素点按照邻域方向进行搜索,获得在邻域
方向上距离该异常像素点距离最近且和该异常像素点属于同类像素点的异常像素点,记为
该异常像素点的方向同类点;获得该异常像素点在8个邻域方向上的方向同类点;
将8个方向同类点与该异常像素点的所有欧式距离中的最大值作为该异常像素点的局部可达范围半径,将以像素点为中心且以该像素点的局部可达范围半径为半径的圆形区域,作为该异常像素点的最小可达范围;
统计获得在该异常像素点的最小可达范围内且和该异常像素点属于同类像素点的所有异常像素点的数量,记为该异常像素点的同类数量。
进一步地,所述根据异常像素点的最小可达范围和同类数量获得异常像素点的密度的步骤包括:
进一步地,所述计算超像素块的空间结构参数的步骤包括:
式中,表示第个种子像素点对应的超像素块的空间结构参数,表示在超像
素块内,第个种子像素点的邻域方向上的和第个种子像素点属于同类像素点的第个
异常像素点,,表示异常像素点的坐标,,为第个种子像素点的坐标,表示第个种子像素点的邻域方向上的和第个种子像素点属于同类像素点的异常像素
点的数量。
进一步地,所述计算超像素块的灰度结构参数的步骤包括:
进一步地,所述根据两个超像素块的聚类标签获得两个超像素块的合并必要度的步骤包括:
式中,表示超像素块和超像素块的合并必要度,表示第个种子像素
点对应的超像素块的空间结构参数,表示第个种子像素点对应的超像素块的空间
结构参数,表示第个种子像素点对应的超像素块的灰度结构参数,表示第个种子像
素点对应的超像素块的灰度结构参数,表示第个种子像素点与第个种子像素点
的欧式距离,表示双曲正切函数,表示L2范数。
进一步地,所述根据所有噪声像素点的所有方向噪声点获得中值滤波核的尺寸的步骤包括:
中值滤波核的尺寸的计算公式为:
进一步地,所述计算所有污渍像素点的附着度的步骤包括:
获得以污渍像素点为中心以喷水半径为半径的圆形区域,统计获得该圆形区域中所有污渍像素点的数量,将圆形区域中所有污渍像素点的数量与圆形区域的面积的比值作为污渍像素点的附着度。
本发明实施例至少具有如下有益效果:
1、由于受到噪声干扰,常规方法如超像素分割算法无法将料浆密集区域从墙板模具图像上完整地分割出来,本发明根据异常像素点的密度从所有异常像素点中筛选种子像素点,保证了所有种子像素点都属于墙板模具图像中料浆密集区域中属于料浆的像素点,则基于种子像素点获得超像素块属于料浆密集区域,能够将料浆密集区域从墙板模具图像上完整地分割出来,进而保证能够准确地获得噪声像素点在料浆密集区域的分布特性。
2、由于料浆分散区域中属于料浆的像素点与噪声像素点的分布都比较分散,现有方法如阈值分割等对料浆分散区域中属于料浆的像素点与噪声像素点难以区分,本发明结合噪声像素点在料浆密集区域和料浆分散区域具有相同的分布特性,以及噪声像素点在料浆密集区域容易与噪声像素点进行区分的特点,根据噪声像素点在料浆密集区域的分布特性获得噪声像素点在料浆分散区域的分布特性,进而结合噪声像素点的分布特性对墙板模具图像进行去噪,去除噪声像素点而保留料浆分散区域中属于料浆的像素点,准确地保留墙板模具图像的细节信息。
3、本发明根据噪声像素点的分布特性获得合适尺寸的中值滤波核,进而通过中值滤波核对墙板模具图像进行去噪,相较于通过常规的去噪方法对墙板模具图像进行预处理导致墙板模具图像的细节信息丢失,本发明去除噪声像素点而保留料浆分散区域中属于料浆的像素点,准确地保留墙板模具图像的细节信息,提高后续污渍区域识别的准确度,精准的定位污渍位置,获得准确的喷洗点,避免了反复清洗和全局清洗而造成的资源浪费。
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提供的用于墙板模具自动清理机的污渍识别方法的步骤流程图;
图2为本发明一个实施例提供的像素点的8个邻域方向。
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用于墙板模具自动清理机的污渍识别方法,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用于墙板模具自动清理机的污渍识别方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的用于墙板模具自动清理机的污渍识别方法的步骤流程图,该方法包括以下步骤:
步骤S001,利用厂房监视***获得墙板模具图像。
在墙板加工区域正上方安装视频监控***,调节室内环境光,灯光选用漫反射灯源,避免光线直射带来的反光干扰。
将监控***与自动清洗机联网,当进行墙板模具清洗时,从监控***中截取静态帧的墙板模具图像,预处理模块先将图像进行灰度化处理,加快后续算法运行速度并消除冗余色彩信息的干扰。
获取墙板模具的标准图像,根据像素点的灰度值计算墙板模具图像与标准图像的峰值信噪比,根据墙板模具图像与标准图像的峰值信噪比判断墙板模具图像是否需要进行去噪处理。如果监控图像与标准图像的峰值信噪比大于第一阈值,则对监控图像进行降噪处理。
步骤S002,获取墙板模具图像所有异常像素点,根据异常像素点的局部可达范围半径获得异常像素点的最小可达范围和同类数量,根据异常像素点的最小可达范围和同类数量获得异常像素点的密度,根据异常像素点的密度筛选获得所有种子像素点。
需要说明的是,监控***运行时间较长产生白噪声是普遍发生的问题,因此大部分监控***都包含图像预处理的功能。墙板模具表面的浆料残留,在识别墙板表面污渍的时候,需要水枪喷射的位置尽可能覆盖最多面积的污渍,才可以最高效的清除污渍并且节省清洁资源,而实际中墙板模具上的料浆的既有密集状态也有分散状态,即墙板模具图像中存在料浆密集区域和料浆分散区域。
由于料浆分散区域中属于料浆的像素点与噪声像素点的分布都比较分散,因此,料浆分散区域中属于料浆的像素点与噪声像素点难以区分,通过常规的降噪方法会将料浆分散区域中属于料浆的像素点滤除,导致墙板模具图像丢失细节信息,进而导致后续污渍区域识别的准确度较低,无法精准的定位污渍位置,出现反复清洗和全局清洗而造成的资源浪费。
考虑到料浆密集区域中属于料浆的像素点分布密集,即料浆密集区域中属于料浆的像素点连成一片,和噪声像素点的分布特性不同,因此,在料浆密集区域能够更准确的获得噪声像素点的分布特性。而白噪声在图像上具有随机均匀离散分布的特点,因此,噪声像素点在料浆密集区域和料浆分散区域具有相同的分布特性,因此,可以根据噪声像素点在料浆密集区域的分布特性获得噪声像素点在料浆分散区域的分布特性,进而结合噪声像素点的分布特性对墙板模具图像进行去噪,去除噪声像素点而保留料浆分散区域中属于料浆的像素点,准确地保留墙板模具图像的细节信息,提高后续污渍区域识别的准确度,精准的定位污渍位置,避免了反复清洗和全局清洗而造成的资源浪费。
本发明通过中值滤波对墙板模具图像进行滤波,为了准确地去除噪声像素点而保留料浆分散区域中属于料浆的像素点,本发明需要获得墙板模具图像中的料浆密集区域,根据噪声像素点在料浆密集区域的分布特性获得合适尺寸的中值滤波核;但是由于受到噪声干扰,料浆密集区域无法直接通过阈值分割从墙板模具图像上完整地分割出来,因此,本发明考虑通过超像素分割算法获得墙板模具图像中的料浆密集区域,而噪声像素点会干扰超像素分割算法中初始种子点的获取以及聚类步长的设置。
为了避免在设置超像素分割算法中的初始种子点时,将噪声像素点或料浆分散区域中属于料浆的像素点设置为初始种子点,进而出现异常的超像素块,本发明根据异常像素点的密度从所有异常像素点中筛选种子像素点,保证了所有种子像素点都属于墙板模具图像中料浆密集区域中属于料浆的像素点,进而保证了基于种子像素点获得超像素块属于料浆密集区域。
在本实施例中,获取所有异常像素点,计算异常像素点的密度,根据异常像素点的密度筛选获得种子像素点的具体步骤为:
1、获取异常像素点。
计算墙板模具图像与标准图像中相同位置的像素点的灰度值的差值,将墙板模具图像中差值不为0的像素点记为异常像素点。
2、根据异常像素点的局部可达范围半径获得异常像素点的最小可达范围和同类数量。
考虑到墙板模具图像上同类像素点之间存在较小的亮度差异,因此,设置灰度值的差值不大于灰度阈值的两个像素点为同类像素点;对于任意一个异常像素点都有如图2所示的8个邻域方向,分别记录为1邻域方向到8邻域方向。
在本实施例中,灰度阈值为5,在其他实施例中,实施人员可根据需要设置灰度阈值。
将8个方向同类点与该异常像素点的所有欧式距离中的最大值作为该异常像素点的局部可达范围半径,将以像素点为中心且以该像素点的局部可达范围半径为半径的圆形区域,作为该异常像素点的最小可达范围,统计获得在该异常像素点的最小可达范围内且和该异常像素点属于同类像素点的所有异常像素点的数量,记为该异常像素点的同类数量。
3、根据异常像素点的最小可达范围和同类数量获得异常像素点的密度,根据异常像素点的密度筛选获得所有种子像素点。
根据该异常像素点的最小可达范围和该异常像素点的同类数量获得该异常像素点的密度,具体计算公式为:
如果异常像素点的密度大于密度阈值,则该异常像素点的最小可达范围属于墙板模具图像中料浆密集区域的核心区域,即料浆像素点分布密集的区域的核心区域,否则该异常像素点的最小可达范围属于墙板模具图像中的边缘区域或者料浆分散区域,即料浆像素点分布分散的区域,因此,将密度大于密度阈值的异常像素点作为种子像素点,获取所有种子像素点。
在本实施例中,密度阈值为0.75,在其他实施例中,实施人员可根据需要设置密度阈值。
由于受到噪声干扰,常规方法如超像素分割算法无法将料浆密集区域从墙板模具图像上完整地分割出来,本发明的超像素分割算法相对于常规超像素分割算法而言,适用于存在的噪声的墙板模具图像,根据异常像素点的密度从所有异常像素点中筛选种子像素点,保证了所有种子像素点都属于墙板模具图像中料浆密集区域中属于料浆的像素点,则基于种子像素点获得超像素块属于料浆密集区域,能够将料浆密集区域从墙板模具图像上完整地分割出来,进而保证能够准确地获得噪声像素点在料浆密集区域的分布特性。
步骤S003,获得所有种子像素点对应的所有超像素块,计算超像素块的空间结构参数和灰度结构参数,获得所有超像素块的聚类标签;根据超像素块的聚类标签获得合并必要度,根据合并必要度对超像素块进行合并,获得所有可信区域。
1、获得所有种子像素点对应的所有超像素块。
需要说明的是,常规的超像素分割是以单个像素点为基本单位进行聚类,但是墙板模具图像上存在的噪声会导致超像素分割的结果存在覆盖范围较大且连通性较差的特点,无法获得墙板模具图像上完整的料浆密集区域。因此,本发明通过分布在料浆密集区域的种子像素点获得超像素块,保证了超像素块属于墙板模具图像上完整的料浆密集区域。
2、计算超像素块的空间结构参数和灰度结构参数,获得所有超像素块的聚类标签。
需要说明的是,在料浆像素点密集成片的区域内仅存在料浆像素点和噪声像素点,而在料浆像素点分布分散的区域存在料浆、背景、噪声像素点,因此两个区域的灰度值结构存在差异。
在本实施例中,由于在步骤S002获得种子像素点时,保证了所有种子像素点的最
小可达范围属于墙板模具图像中料浆密集区域的核心区域,即料浆像素点分布密集的区域
的核心区域,因此,对于第个种子像素点对应的超像素块,能够根据超像素块内的灰度
值结构来获得超像素块的聚类标签,超像素块的聚类标签有两个,分别是空间结构参数
和灰度结构参数。
式中,表示第个种子像素点对应的超像素块的空间结构参数,表示在超像
素块内,第个种子像素点的邻域方向上的和第个种子像素点属于同类像素点的第个
异常像素点,,表示异常像素点的坐标,,为第个种子像素点的坐标,表示第个种子像素点的邻域方向上的和第个种子像素点属于同类像素点的异常像素
点的数量,表示在超像素块内,第个种子像素点的所有邻域方向上的和第个种子
像素点属于同类像素点的所有异常像素点的数量。
3、根据超像素块的聚类标签获得合并必要度。
式中,表示超像素块和超像素块的合并必要度,表示第个种子像素
点对应的超像素块的空间结构参数,表示第个种子像素点对应的超像素块的空间
结构参数,表示第个种子像素点对应的超像素块的灰度结构参数,表示第个种子像
素点对应的超像素块的灰度结构参数,表示第个种子像素点与第个种子像素点
的欧式距离,表示双曲正切函数,表示L2范数。
对于超像素块和超像素块,两个超像素块的聚类标签越相似且距离越近,则
两个超像素块越可能属于墙板模具图像中的同一个料浆密集区域,则越需要对两个超像素
块进行合并。超像素块的聚类标签包括空间结构参数和灰度结构参数,超像素块和超像
素块的空间结构参数越相似,则越趋近于0,超像素块和超像素块的灰度结
构参数越相似,则越趋近于0,第个种子像素点与第个种子像素点的距离越近,则
两个种子像素点的欧式距离越小;因此,、以及越小,两个超像
素块的聚类标签越相似且距离越近,则超像素块和超像素块的合并必要度越大。
4、根据合并必要度对超像素块进行合并,获得所有可信区域。
如果两个超像素块的合并必要度大于合并阈值,则两个超像素块属于墙板模具图像中的同一个料浆密集区域,对两个超像素块进行合并,否则两个超像素块不属于墙板模具图像中的同一个料浆密集区域,不对两个超像素块进行合并。需要说明的是,合并操作即将两个需要合并的超像素块之间的共同边缘取消,使得两个超像素块合并为一个超像素块。
在本实施例中,合并阈值为0.8,在其他实施例中,实施人员可根据需要设置合并阈值。
根据任意两个超像素块的合并必要度对所有种子像素点对应的超像素块进行合并,将合并后的每个超像素块对应的区域记为可信区域,获得墙板模具图像上的所有可信区域。
本发明的超像素分割算法相对于常规超像素分割算法而言,适用于存在的噪声的墙板模具图像,保证了分割出的超像素块在料浆密集区域的核心区域,并通过对具有相同的空间结构参数和灰度结构参数的超像素块进行合并,获得可信区域,使可信区域具有较大的连通性,最终使基于可信区域获得的噪声分布特征更具可信度。
步骤S004,获得可信区域的所有噪声像素点,根据所有噪声像素点获得中值滤波核的尺寸,根据中值滤波核对墙板模具图像进行滤波,计算污渍像素点的附着度,获得所有喷洗点。
1、获得可信区域的所有噪声像素点。
利用sobel算子获得可信区域中所有像素点的梯度幅值,将梯度幅值大于梯度阈值的像素点记为可信区域的噪声像素点,获得可信区域的所有噪声像素点。
在本实施例中,梯度阈值为10,在其他实施例中,实施人员可根据需要设置梯度阈值。
本发明结合噪声像素点在料浆密集区域和料浆分散区域具有相同的分布特性,以及噪声像素点在料浆密集区域容易与噪声像素点进行区分的特点,根据噪声像素点在料浆密集区域的分布特性获得噪声像素点在料浆分散区域的分布特性,进而结合噪声像素点的分布特性对墙板模具图像进行去噪,去除噪声像素点而保留料浆分散区域中属于料浆的像素点,准确地保留墙板模具图像的细节信息。
2、根据所有噪声像素点获得中值滤波核的尺寸。
对于任意一个噪声像素点都有如图2所示的8个邻域方向,分别记录为1邻域方向
到8邻域方向,对噪声像素点按照邻域方向进行搜索,获得在邻域方向上距离该异常像素
点距离最近的噪声像素点,记为该噪声像素点的方向噪声点;获得该噪声像素点在8个
邻域方向上的方向噪声点。
中值滤波核的尺寸的计算公式为:
由于噪声点的分布在整张图像上具有均匀分布的特点,因此该中值滤波核适用于整张图像,至此我们对噪声的平滑效果进行了约束,即该中值滤波为根据图像上噪声分布所得的自适应滤波,对于其他分布特征的像素点而言,例如离散分布的料浆像素点,在一定程度上可以被保留。
3、根据中值滤波核对墙板模具图像进行滤波,计算污渍像素点的附着度,获得所有喷洗点。
根据中值滤波核对墙板模具图像进行滤波去噪,获得去噪后的墙板模具图像;对去噪后的墙板模具图像进行阈值分割,获取墙板模具图像上的所有污渍像素点;获得水枪的喷水半径,遍历所有污渍像素点,对于任意一个污渍像素点,获得以该污渍像素点为中心以喷水半径为半径的圆形区域,统计获得该圆形区域中所有污渍像素点的数量,将该圆形区域中所有污渍像素点的数量与该圆形区域的面积的比值作为污渍像素点的附着度。
污渍像素点的附着度较大,说明污渍像素点所在区域的污渍较多且分布较为集中,浆料的附着力较强,需要通过水枪喷头进行清洗;污渍像素点的附着度较小,说明污渍像素点所在区域的污渍较少且分布较为分散,浆料的附着力较弱,利用附带的水流进行清洗;因此,本发明将附着度大于附着阈值的污渍像素点作为喷洗点,并利用水枪喷头进行清洗,对于附着度小于附着阈值的污渍像素点不作为喷洗点,利用附带的水流进行清洗即可,减少了不必要的清洁资源浪费。
在本实施例中,附着阈值为0.2,在其他实施例中,实施人员可根据需要设置合并阈值。
本发明根据噪声像素点的分布特性获得合适尺寸的中值滤波核,进而通过中值滤波核对墙板模具图像进行去噪,相较于通过常规的去噪方法对墙板模具图像进行预处理导致墙板模具图像的细节信息丢失,本发明去除噪声像素点而保留料浆分散区域中属于料浆的像素点,准确地保留墙板模具图像的细节信息,提高后续污渍区域识别的准确度,精准的定位污渍位置,获得准确的喷洗点,避免了反复清洗和全局清洗而造成的资源浪费。
本发明根据噪声像素点在料浆密集区域的分布特性获得合适尺寸的中值滤波核,由于噪声像素点在料浆密集区域和料浆分散区域具有相同的分布特性,因此,根据中值滤波核对墙板模具图像进行去噪,去除噪声像素点而保留料浆分散区域中属于料浆的像素点,准确地保留墙板模具图像的细节信息,提高后续污渍区域识别的准确度,精准的定位污渍位置,避免了反复清洗和全局清洗而造成的资源浪费。
综上所述,本发明根据异常像素点的密度从所有异常像素点中筛选种子像素点,保证了基于种子像素点获得超像素块属于料浆密集区域,能够将料浆密集区域从墙板模具图像上完整地分割出来;根据噪声像素点在料浆密集区域的分布特性获得噪声像素点在料浆分散区域的分布特性,进而结合噪声像素点的分布特性对墙板模具图像进行去噪,去除噪声像素点而保留料浆分散区域中属于料浆的像素点,准确地保留墙板模具图像的细节信息;根据噪声像素点的分布特性获得合适尺寸的中值滤波核,进而通过中值滤波核对墙板模具图像进行去噪,去除噪声像素点而保留料浆分散区域中属于料浆的像素点,准确地保留墙板模具图像的细节信息,提高后续污渍区域识别的准确度,精准的定位污渍位置,获得准确的喷洗点,避免了反复清洗和全局清洗而造成的资源浪费。
Claims (8)
1.用于墙板模具自动清理机的污渍识别方法,其特征在于,所述方法包括:
获取墙板模具图像所有异常像素点;
对于任意一个异常像素点,根据异常像素点的局部可达范围半径获得异常像素点的最小可达范围和同类数量,根据异常像素点的最小可达范围和同类数量获得异常像素点的密度,将密度大于密度阈值的异常像素点作为种子像素点;获得所有种子像素点,根据所有种子像素点的最小可达范围获得所有超像素块;
对于任意一个超像素块,计算超像素块的空间结构参数和灰度结构参数,将超像素块的空间结构参数和灰度结构参数作为超像素块的聚类标签;获得所有超像素块的聚类标签;
对于任意两个超像素块,根据两个超像素块的聚类标签获得两个超像素块的合并必要度;将合并必要度大于合并阈值的两个超像素块进行合并,根据任意两个超像素块的合并必要度对所有种子像素点对应的超像素块进行合并,将合并后的每个超像素块对应的区域记为可信区域,获得墙板模具图像上的所有可信区域;
将所有可信区域中梯度幅值大于梯度阈值的像素点记为噪声像素点,获取噪声像素点在所有邻域方向上的方向噪声点,根据所有噪声像素点的所有方向噪声点获得中值滤波核的尺寸;
根据所述尺寸的中值滤波核对墙板模具图像进行滤波去噪,获得去噪后的墙板模具图像上的所有污渍像素点;计算所有污渍像素点的附着度,将附着度大于附着阈值的污渍像素点作为喷洗点,并利用水枪喷头进行清洗。
2.根据权利要求1所述的用于墙板模具自动清理机的污渍识别方法,其特征在于,所述根据异常像素点的局部可达范围半径获得异常像素点的最小可达范围和同类数量的步骤包括:
将灰度值的差值不大于灰度阈值的两个像素点为同类像素点;将异常像素点的8个邻
域方向分别记为1邻域方向到8邻域方向,对异常像素点按照邻域方向进行搜索,获得在
邻域方向上距离该异常像素点距离最近且和该异常像素点属于同类像素点的异常像素点,
记为该异常像素点的方向同类点;获得该异常像素点在8个邻域方向上的方向同类点;
将8个方向同类点与该异常像素点的所有欧式距离中的最大值作为该异常像素点的局部可达范围半径,将以像素点为中心且以该像素点的局部可达范围半径为半径的圆形区域,作为该异常像素点的最小可达范围;
统计获得在该异常像素点的最小可达范围内且和该异常像素点属于同类像素点的所有异常像素点的数量,记为该异常像素点的同类数量。
8.根据权利要求1所述的用于墙板模具自动清理机的污渍识别方法,其特征在于,所述计算所有污渍像素点的附着度的步骤包括:
获得以污渍像素点为中心以喷水半径为半径的圆形区域,统计获得该圆形区域中所有污渍像素点的数量,将圆形区域中所有污渍像素点的数量与圆形区域的面积的比值作为污渍像素点的附着度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211609040.7A CN115601630B (zh) | 2022-12-15 | 2022-12-15 | 用于墙板模具自动清理机的污渍识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211609040.7A CN115601630B (zh) | 2022-12-15 | 2022-12-15 | 用于墙板模具自动清理机的污渍识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115601630A true CN115601630A (zh) | 2023-01-13 |
CN115601630B CN115601630B (zh) | 2023-03-28 |
Family
ID=84853841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211609040.7A Active CN115601630B (zh) | 2022-12-15 | 2022-12-15 | 用于墙板模具自动清理机的污渍识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115601630B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830106A (zh) * | 2023-02-16 | 2023-03-21 | 智联信通科技股份有限公司 | 一种用于机房设备带电清洗的辅助定位方法 |
CN118097310A (zh) * | 2024-04-24 | 2024-05-28 | 陕西丰京建材有限公司 | 一种数字化检测混凝土表面缺陷的方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201713345D0 (en) * | 2017-08-21 | 2017-10-04 | Nokia Technologies Oy | A Method, an apparatus and a computer program product for object detection |
US20190180137A1 (en) * | 2017-12-07 | 2019-06-13 | Qualcomm Incorporated | Methods and devices for image change detection |
KR20200134813A (ko) * | 2019-05-23 | 2020-12-02 | 삼성에스디에스 주식회사 | 기계 학습을 위한 이미지 처리 장치 및 방법 |
CN113052859A (zh) * | 2021-04-20 | 2021-06-29 | 哈尔滨理工大学 | 基于自适应种子点密度聚类超像素分割方法 |
CN113724243A (zh) * | 2021-09-14 | 2021-11-30 | 首都医科大学附属北京天坛医院 | 图像处理方法、装置、电子设备及存储介质 |
CN114792329A (zh) * | 2021-11-29 | 2022-07-26 | 安徽工业大学 | 一种基于中智聚类和超像素的彩色图像分割方法和装置 |
CN114882468A (zh) * | 2022-07-13 | 2022-08-09 | 山东施卫普环保科技有限公司 | 清扫车清扫刷角度自适应调整方法 |
CN115049835A (zh) * | 2022-08-16 | 2022-09-13 | 众烁精密模架(南通)有限公司 | 基于压铸模具缺陷识别的数据预处理方法 |
CN115147710A (zh) * | 2022-07-15 | 2022-10-04 | 杭州电子科技大学 | 基于异质滤波探测与水平集分割的声纳图像目标处理方法 |
CN115294159A (zh) * | 2022-09-30 | 2022-11-04 | 南通市博洋铸造有限公司 | 金属紧固件腐蚀区域分割方法 |
CN115294338A (zh) * | 2022-09-29 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种叶轮表面缺陷识别方法 |
-
2022
- 2022-12-15 CN CN202211609040.7A patent/CN115601630B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201713345D0 (en) * | 2017-08-21 | 2017-10-04 | Nokia Technologies Oy | A Method, an apparatus and a computer program product for object detection |
US20190180137A1 (en) * | 2017-12-07 | 2019-06-13 | Qualcomm Incorporated | Methods and devices for image change detection |
KR20200134813A (ko) * | 2019-05-23 | 2020-12-02 | 삼성에스디에스 주식회사 | 기계 학습을 위한 이미지 처리 장치 및 방법 |
CN113052859A (zh) * | 2021-04-20 | 2021-06-29 | 哈尔滨理工大学 | 基于自适应种子点密度聚类超像素分割方法 |
CN113724243A (zh) * | 2021-09-14 | 2021-11-30 | 首都医科大学附属北京天坛医院 | 图像处理方法、装置、电子设备及存储介质 |
CN114792329A (zh) * | 2021-11-29 | 2022-07-26 | 安徽工业大学 | 一种基于中智聚类和超像素的彩色图像分割方法和装置 |
CN114882468A (zh) * | 2022-07-13 | 2022-08-09 | 山东施卫普环保科技有限公司 | 清扫车清扫刷角度自适应调整方法 |
CN115147710A (zh) * | 2022-07-15 | 2022-10-04 | 杭州电子科技大学 | 基于异质滤波探测与水平集分割的声纳图像目标处理方法 |
CN115049835A (zh) * | 2022-08-16 | 2022-09-13 | 众烁精密模架(南通)有限公司 | 基于压铸模具缺陷识别的数据预处理方法 |
CN115294338A (zh) * | 2022-09-29 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种叶轮表面缺陷识别方法 |
CN115294159A (zh) * | 2022-09-30 | 2022-11-04 | 南通市博洋铸造有限公司 | 金属紧固件腐蚀区域分割方法 |
Non-Patent Citations (4)
Title |
---|
LITHIN CHANDRAN等: "Identification of Stain on White Fabric and Data Set Generation" * |
刘安琪;刘华勇;王焕宝;: "改进的SLIC超像素图像分割与合并算法" * |
吴粉侠;李红;段群;: "基于信号分析的椒盐噪声滤波算法" * |
荆辰未;李启顺;朱玉全;: "基于改进视觉显著性的布匹瑕疵检测方法" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830106A (zh) * | 2023-02-16 | 2023-03-21 | 智联信通科技股份有限公司 | 一种用于机房设备带电清洗的辅助定位方法 |
CN118097310A (zh) * | 2024-04-24 | 2024-05-28 | 陕西丰京建材有限公司 | 一种数字化检测混凝土表面缺陷的方法 |
CN118097310B (zh) * | 2024-04-24 | 2024-07-09 | 陕西丰京建材有限公司 | 一种数字化检测混凝土表面缺陷的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115601630B (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115601630B (zh) | 用于墙板模具自动清理机的污渍识别方法 | |
CN109636732B (zh) | 一种深度图像的空洞修复方法以及图像处理装置 | |
US11443437B2 (en) | Vibe-based three-dimensional sonar point cloud image segmentation method | |
CN107704844B (zh) | 基于无人机双目视差图像的输电线路覆冰厚度辨识方法 | |
CN110517288A (zh) | 基于全景多路4k视频图像的实时目标检测跟踪方法 | |
CN110415208B (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN115049835A (zh) | 基于压铸模具缺陷识别的数据预处理方法 | |
CN110414355A (zh) | 基于视觉的右方位空停车位与泊车过程中车位线检测方法 | |
CN115330767B (zh) | 一种腐蚀箔生产异常识别方法 | |
JP2023505663A (ja) | 文字分割方法、装置、および、コンピュータ可読記憶媒体 | |
CN116703913B (zh) | 一种喷雾机喷雾质量检测方法 | |
CN115115612A (zh) | 一种用于机械配件的表面缺陷检测方法及*** | |
CN115661173B (zh) | 一种基于遥感图像的地块分割方法 | |
CN116012357A (zh) | 基于机器视觉的汽车圆形拖车孔气纹缺陷检测方法 | |
CN115100174B (zh) | 一种船舶钣金件漆面缺陷检测方法 | |
CN114140384A (zh) | 基于轮廓拟合与形心跟踪的提升钢丝绳横向振动图像识别算法 | |
CN107220647A (zh) | 一种叶片交叉条件下作物中心点定位方法及*** | |
CN110659547A (zh) | 物体识别方法、装置、车辆和计算机可读存储介质 | |
CN115147710A (zh) | 基于异质滤波探测与水平集分割的声纳图像目标处理方法 | |
CN117557626B (zh) | 一种气雾喷雾器喷头安装辅助定位方法 | |
CN113723314A (zh) | 一种基于YOLOv3算法的甘蔗茎节识别方法 | |
CN116758423A (zh) | 一种基于白点率法的输电线路异物检测方法 | |
CN110689553A (zh) | 一种rgb-d图像的自动分割方法 | |
CN113505811A (zh) | 一种轮毂生产用机器视觉成像方法 | |
CN111462080A (zh) | 玻璃平坦区的缺陷检测方法 |
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 |