CN116091498A - 用于铅酸蓄电池智能充电器的视觉缺陷检测方法 - Google Patents
用于铅酸蓄电池智能充电器的视觉缺陷检测方法 Download PDFInfo
- Publication number
- CN116091498A CN116091498A CN202310362462.7A CN202310362462A CN116091498A CN 116091498 A CN116091498 A CN 116091498A CN 202310362462 A CN202310362462 A CN 202310362462A CN 116091498 A CN116091498 A CN 116091498A
- Authority
- CN
- China
- Prior art keywords
- detected
- pixel
- probability
- inner hole
- determining
- 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
- 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
- G06T7/13—Edge detection
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数字图像处理技术领域,具体涉及一种用于铅酸蓄电池智能充电器的视觉缺陷检测方法。该方法包括:获取充电口的灰度图像,确定外孔区域和外孔中心点,确定待测像素点和外孔中心点的中心点距离;根据中心点距离确定待测像素点的内孔概率,根据待测像素点的特征向量均值和内孔概率确定待测像素点的初始边缘概率;根据待测邻域内所有像素点的特征向量均值确定偏态系数,确定目标边缘概率;根据待测邻域内像素点的目标边缘概率确定聚类调整值;根据聚类调整值对外孔区域内所有像素点进行聚类处理得到内孔边缘,对内孔边缘进行缺陷检测得到检测结果。本发明能够有效提升缺陷检测的可靠性。
Description
技术领域
本发明涉及数字图像处理技术领域,具体涉及一种用于铅酸蓄电池智能充电器的视觉缺陷检测方法。
背景技术
铅酸蓄电池因为较低的价格、良好的稳定性,以及技术相对成熟,所以长期以来都是世界产量最大、应用最广的二次电池产品。铅酸蓄电池在小中型电动汽车上的应用十分广泛。电动汽车的自动充电技术逐渐成熟。
自动充电技术中充电孔的识别基本为外孔识别,但仅通过外孔识别无法检测充电孔内部是否完好,而识别充电器内孔便可以有效的避免因充电孔内部损坏而造成的二次损伤,实现智能充电器的视觉缺陷检测。
相关技术中,直接通过内孔图像的采集并根据采集到的图像进行纹理缺陷检测,而由于电动汽车的充电场景多变,其不同电动汽车所对应充电孔规格也可能有所差异,光线在不同场景的表现会产生难以直接界定的模糊区域,因此,无法准确提取内孔边缘,进而导致缺陷检测的可靠性不足。
发明内容
为了解决无法准确提取内孔边缘,导致缺陷检测的可靠性不足的技术问题,本发明提供一种用于铅酸蓄电池智能充电器的视觉缺陷检测方法,所采用的技术方案具体如下:
本发明提出了一种用于铅酸蓄电池智能充电器的视觉缺陷检测方法,方法包括:
获取充电口的灰度图像,所述灰度图像包括至少一个外孔区域,分别确定每个所述外孔区域的中心点为外孔中心点,在所有所述外孔区域中任选某一像素点作为待测像素点,确定所述待测像素点和所述外孔中心点的中心点距离;
根据所述中心点距离确定所述待测像素点为内孔区域像素点的内孔概率,确定所述外孔区域中每个像素点的特征向量均值,其中,所述特征向量均值用于表征所述像素点的灰度梯度分布,根据所述待测像素点的特征向量均值和所述内孔概率确定所述待测像素点为内孔区域边缘像素点的初始边缘概率;
以所述待测像素点为中心,将预设第一大小范围内的邻域作为待测邻域,根据所述待测邻域内所有像素点的特征向量均值确定所述待测邻域的偏态系数,根据所述待测邻域的偏态系数和所述初始边缘概率确定所述待测像素点的目标边缘概率;
根据所述待测邻域内所有像素点的目标边缘概率确定所述待测像素点的聚类调整值;根据所述聚类调整值对所述外孔区域内所有像素点进行聚类处理得到内孔边缘,对所述内孔边缘进行缺陷检测得到检测结果。
进一步地,所述确定所述外孔区域中每个像素点的特征向量均值,包括:
将所有所述外孔区域按照预设第二大小划分为至少两个单元;
根据预设特征向量维度、所述单元中像素点的梯度方向构建所述单元的方向梯度直方图,其中,所述梯度方向直方图的横坐标为预设特征向量维度,所述梯度方向直方图的纵坐标为所述预设特征向量维度所对应的特征向量值,其中,所述特征向量值为单元中像素点的梯度方向满足预设特征向量维度的像素点的数量;
计算所述方向梯度直方图中每个维度的特征向量值的均值作为所述单元中每个像素点的特征向量均值。
进一步地,所述根据所述待测像素点的特征向量均值和所述内孔概率确定所述待测像素点为内孔区域边缘像素点的初始边缘概率,包括:
确定以所述待测像素点为中心点的预设第三大小的邻域为特征邻域,计算所述特征邻域内所有像素点的特征向量均值的标准差作为所述待测像素点的特征标准差;
计算所述内孔概率和预设第一权值的乘积作为第一概率系数,计算所述特征标准差和预设第二权值的乘积作为第二概率系数;
将所述第一概率系数作为分子,所述第二概率系数与预设常数系数的和值作为分母,计算得到所述初始边缘概率。
进一步地,所述根据所述待测邻域内所有像素点的特征向量均值确定所述待测邻域的偏态系数,包括:
计算所述待测邻域内所有像素点的特征向量均值的标准差为待测标准差;
根据所述待测邻域内所有像素点的特征向量标准差和所述特征向量均值,基于偏态系数公式计算得到所述待测邻域的偏态系数。
进一步地,所述根据所述待测邻域的偏态系数和所述初始边缘概率确定所述待测像素点的目标边缘概率,包括:
计算所述待测像素点的所述初始边缘概率和所述待测像素点所处待测邻域的偏态系数的乘积,得到所述待测像素点的目标边缘概率。
进一步地,所述根据所述待测邻域内所有像素点的目标边缘概率确定所述待测像素点的聚类调整值,包括:
基于游程矩阵对所述目标边缘概率进行特征提取,得到所述待测像素点的长游程强调值;
将所述长游程强调值作为所述待测像素点的聚类调整值。
进一步地,所述根据所述聚类调整值对所述外孔区域内所有像素点进行聚类处理得到内孔边缘,包括:
将所述聚类调整值作为自适应加权系数,根据所述自适应加权系数,基于加权FCM模糊聚类算法对所述外孔区域内所有像素点进行自适应加权模糊聚类处理,得到内孔边缘。
进一步地,所述对所述内孔边缘进行缺陷检测得到检测结果,包括:
将所述内孔边缘和预设标准内孔边缘进行对比,得到所述内孔边缘的缺陷程度,将所述缺陷程度作为所述检测结果。
进一步地,所述确定所述待测像素点和所述外孔中心点的中心点距离,包括:
确定所述待测像素点与所有所述外孔中心点的最小距离值作为中心点距离。
进一步地,所述根据所述中心点距离确定所述待测像素点为内孔区域像素点的内孔概率,包括:
对所述中心点距离进行反比例的归一化处理,得到所述待测像素点为内孔区域像素点的内孔概率。
本发明具有如下有益效果:
本发明通过确定待测像素点和外孔中心点的中心点距离,能够基于中心点距离有效确定待测像素点属于内孔区域的内孔概率,通过中心点距离确定内孔概率,能够有效避免充电器因大小规格的差异导致的内孔概率计算错误的问题,提升内孔概率的准确性;通过待测像素点的特征向量均值和内孔概率确定待测像素点的初始边缘概率,由于结合了待测像素点的特征向量值和内孔概率,也即能够有效结合待测像素点特征向量值的分布情况和待测像素点所处位置信息,从而提升初始边缘概率的可靠性;通过待测像素点所处待测邻域的偏态系数和初始边缘概率确定待测像素点的目标边缘概率,进一步结合偏态分析确定待测像素点特征向量均值的偏移情况,从而准确确定待测像素点与其周围像素点所对应的纹理信息,进而能够根据偏态系数和初始边缘概率准确确定目标边缘概率,同时,为消除内孔边缘难以界定的影响,本发明通过确定聚类调整值,并对外孔区域内所有像素点进行聚类处理,从而能够对外孔区域中的像素点进行自适应的模糊聚类处理,有效确定模糊难以界定的内孔边缘,实现对内孔边缘的自适应提取,从而提升内孔边缘的提取效果,进而提升缺陷检测的准确性与可靠性。
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为本发明一个实施例所提供的一种用于铅酸蓄电池智能充电器的视觉缺陷检测方法流程图;
图2为本发明一个实施例所提供的外孔区域示意图。
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用于铅酸蓄电池智能充电器的视觉缺陷检测方法,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用于铅酸蓄电池智能充电器的视觉缺陷检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于铅酸蓄电池智能充电器的视觉缺陷检测方法流程图,该方法包括:
S101:获取充电口的灰度图像,灰度图像包括至少一个外孔区域,分别确定每个外孔区域的中心点为外孔中心点,在所有外孔区域中任选某一像素点作为待测像素点,确定待测像素点和外孔中心点的中心点距离。
本发明实施例中,可以在充电桩位置设置图像采集装置,在检测到有设备待充电时,自动识别充电口位置的原始图像,而后,对原始图像进行图像预处理得到灰度图像,其中,图像预处理可以具体包括图像去噪和图像灰度化处理,图像预处理为本领域所熟知的技术,对此不再赘述。
本发明实施例中,可以使用边缘检测算法对灰度图像进行边缘检测得到至少一个外孔区域,边缘检测可以具体例如为使用边缘检测算子对灰度图像中的边缘纹理进行处理,为防止灰度图像中可能存在的由于日常损耗造成的不规则凹陷,从而影响后续分析,可以采用非极大值抑制算法根据充电外孔处灰度值对充电孔外孔进行筛选,保留对于特征描述贡献度较大的轮廓作为外孔区域的边缘,对应得到外孔区域,其中,边缘检测算子可以具体例如为Canny算子、Sobel算子等,对此不做限制。
可以理解的是,如图2所示,图2为本发明一个实施例所提供的外孔区域示意图,在充电器中包括由导电片等组成的内孔区域和由塑料、橡胶等绝缘材质包裹内孔所形成的包裹区域,则对应的包裹区域和内孔区域所组成的区域可以被称为外孔区域,也即是说,外孔区域包括内孔所对应的区域,由此,需要从外孔区域中确定内孔区域,以便于后续根据内孔区域实现缺陷检测。
进一步地,本发明实施例中,确定待测像素点和外孔中心点的中心点距离,包括:确定待测像素点与所有外孔中心点的最小距离值作为中心点距离。
在确定至少一个外孔区域之后,可以将每个外孔区域的中心点作为外孔中心点。任选外孔区域中的某一像素点作为待测像素点,使用两点间的距离计算公式计算待测像素点与外孔中心点间的距离作为中心点距离。其中,两点间的距离计算公式为本领域所熟知的技术,对此不再赘述。
由于外孔中心点的数量为多个,且每个外孔中心点所对应的位置不同,因此,计算待测像素点距离所有外孔中心点的距离的最小值作为中心点距离,该中心点距离大概率为待测像素点与其所处外孔区域中心点的距离。由此,可以根据中心点距离计算该待测像素点为内孔区域中的像素点的概率。
S102:根据中心点距离确定待测像素点为内孔区域像素点的内孔概率,确定外孔区域中每个像素点的特征向量均值,其中,特征向量均值用于表征像素点的灰度梯度分布,根据待测像素点的特征向量均值和内孔概率确定待测像素点为内孔区域边缘像素点的初始边缘概率。
进一步地,本发明实施例中,根据中心点距离确定待测像素点为内孔区域像素点的内孔概率,包括:对中心点距离进行反比例的归一化处理,得到待测像素点为内孔区域像素点的内孔概率。
可以理解的是,如图2所示,包裹区域均匀地包裹在内孔区域的周围,则对应的,待测像素点越靠近外孔区域的中心点位置,其越可能为内孔区域像素点,由此,对其进行反比例的归一化处理,得到内孔概率,对应的计算公式为:
式中,表示外孔区域中第个像素点的内孔概率,表示外孔区域中像素点的索引,表示第个像素点的中心点距离,表示归一化处理,在本发明的一个实施例中,归一化处理可以具体例如为最大最小值归一化处理,并且,后续步骤中的归一化均可以采用最大最小值归一化处理,在本发明的其他实施例中可以根据数值具体范围选择其他归一化方法,对此不再赘述。
本发明实施例中,在根据待测像素点与相距最近的中心点的距离计算得到内孔概率之后,由于在充电器中不同外孔区域大小可能不同,且不同型号的充电器对应外孔区域的分布、大小等均可能具有差异,则本发明实施例还可以根据待测像素点周围像素点的分布情况确定待测像素点为内孔区域边缘的可能性。
进一步地,本发明实施例中,确定外孔区域中每个像素点的特征向量均值,包括:将所有外孔区域按照预设第二大小划分为至少两个单元;根据预设特征向量维度、单元中像素点的梯度方向构建单元的方向梯度直方图,其中,梯度方向直方图的横坐标为预设特征向量维度,梯度方向直方图的纵坐标为预设特征向量维度所对应的特征向量值,其中,特征向量值为单元中像素点的梯度方向满足预设特征向量维度的像素点的数量;计算方向梯度直方图中每个维度的特征向量值的均值作为单元中每个像素点的特征向量均值。
由于像素点梯度方向则可以被用于表征该像素点在某个方向上灰度值变化最大。由此本发明可以基于方向梯度直方图(Histogram of Oriented Gradient,HOG)算法计算得到单元中每个像素点的特征向量均值。
其中,预设第二大小,为预设的单元的大小,可选地,预设第二大小可以具体例如为5×5大小,对此不做限制。
其中,预设特征向量维度,为将梯度方向按照特定的划分规则划分为的维度信息,举例而言,可以按照20度角度作为一个维度,由此,将梯度方向在0-180度上划分为9个维度,则方向梯度直方图即为每个维度中对应像素点的数量分布直方图,则对应的每个维度中像素点的数量作为该维度中对应的特征向量值,由此,求得所有维度的特征向量值的均值作为单元中每个像素点的特征向量均值。
进一步地,本发明实施例中,根据待测像素点的特征向量均值和内孔概率确定待测像素点为内孔区域边缘像素点的初始边缘概率,包括:确定以待测像素点为中心点的预设第三大小的邻域为特征邻域,计算特征邻域内所有像素点的特征向量均值的标准差作为待测像素点的特征标准差;计算内孔概率和预设第一权值的乘积作为第一概率系数,计算特征标准差和预设第二权值的乘积作为第二概率系数;将第一概率系数作为分子,第二概率系数与预设常数系数的和值作为分母,计算得到初始边缘概率。
由于充电器内孔边缘多为圆形,其周围灰度差异因其相同的结构较为一致,得到的每个像素点特征向量平均值在较小的范围内变化较小,因此,可以根据待测像素点和其周围像素点的标准差作为待测像素点的特征标准差。
其中,预设第三大小,为预设的特征邻域的大小,可选地,预设第三大小可以具体例如为3×3大小,由此,待测像素点周围3×3大小范围的像素点组成待测像素点的特征邻域,基于标准差计算公式计算特征邻域中所有像素点的特征向量均值的标准差作为待测像素点的特征标准差,其中,标准差计算公式为本领域所熟知的计算方式,对此不再赘述。
初始边缘概率对应的计算公式可以为:
式中,表示外孔区域中第个像素点的初始边缘概率,表示外孔区域中像素点的索引,表示外孔区域中第个像素点的内孔概率,表示外孔区域中第个像素点的特征标准差,表示预设第一权值,表示预设第二权值,可选地,,表示第个像素点的第一概率系数,表示第个像素点的第二概率系数,表示预设常数系数,其为防止分母为0所设置的安全系数,可选地,预设常数系数为0.01。
其中,预设第一权值为内孔概率的权重值,预设第二权值为特征标准差的权重值,预设第一权值和预设第二权值均为根据先验知识或历史检测情况设置的权重值,可选地,预设第一权值为0.3,预设第二权值为0.7,当然,本发明实施例的预设第一权值和预设第二权值可以根据实际需求进行调整,对此不做限制。
本发明实施例中,由于待测像素点越靠近外孔区域的中心点位置,其越可能为内孔区域像素点,也即在表现出边缘特征之后,内孔概率越大,则对应像素点的初始边缘概率越高,又由于在待测像素点与其周围像素点特征向量平均值在较小的范围内变化较小,则对应的该待测像素点为充电器内孔边缘的概率越大,也即特征标准差与初始边缘概率成反比。
其中,初始边缘概率可以用于表示待测像素点为内孔边缘的边缘概率,本发明可以在后续实施例中,对待测像素点进行进一步分析,得到更为精确地边缘概率。
S103:以待测像素点为中心,将预设第一大小范围内的邻域作为待测邻域,根据待测邻域内所有像素点的特征向量均值确定待测邻域的偏态系数,根据待测邻域的偏态系数和初始边缘概率确定待测像素点的目标边缘概率。
其中,预设第一大小,为预设的待测邻域的大小,可选地,预设第一大小可以具体例如为9×9大小,对此不做限制。
本发明实施例中,可以按照预设第一大小确定待测像素点周围的待测邻域,在预设第一大小为9×9时,将待测像素点与其周围9×9大小邻域内的像素点组成待测邻域。
进一步地,本发明实施例中,根据待测邻域内所有像素点的特征向量均值确定待测邻域的偏态系数,包括:计算待测邻域内所有像素点的特征向量均值的标准差为待测标准差;根据待测邻域内所有像素点的特征向量标准差和特征向量均值,基于偏态系数公式计算得到待测邻域的偏态系数。
本发明实施例中,可以计算待测邻域内所有像素点的特征向量均值的标准差为待测标准差,而后,使用偏态系数公式计算得到待测邻域的偏态系数,其中,偏态系数公式为本领域所熟知的技术,具体公式的意义不再赘述,对应的计算公式为:
式中,表示第个像素点所处待测邻域的偏态系数,表示外孔区域中像素点的索引,表示待测邻域中所有像素点的总数量,表示待测领域中像素点的索引,表示待测领域中第个像素点的特征向量均值,表示第个像素点所处待测邻域内所有像素点的特征向量均值的总平均值,表示第个像素点所处待测邻域的待测标准差。
通过偏态系数可以确定待测像素点特征向量平均值处于左偏状态或右偏状态,通过偏态系数的大小可得知与充电器内孔弧形边缘的相似度,待测像素点的偏态系数越大,则说明待测像素点越类似于圆弧状,越可能为充电器内孔边缘。
进一步地,本发明实施例中,根据待测邻域的偏态系数和初始边缘概率确定待测像素点的目标边缘概率,包括:计算待测像素点的初始边缘概率和待测像素点所处待测邻域的偏态系数的乘积,得到待测像素点的目标边缘概率,对应的计算公式为:
式中,表示第个像素点所处待测邻域的偏态系数,表示外孔区域中像素点的索引,表示外孔区域中第个像素点的初始边缘概率,表示第个像素点的目标边缘概率。
因充电器内孔区域和外孔区域在光线的照射下可能会造成一些边缘部分较为模糊,难以界定的问题。对于一些无法直接根据灰度值进行界定的边缘部分,则可以根据上述像素点的目标边缘概率作为指标,利用游程矩阵来分辨充电器内孔边缘,具体参见后续实施例。
S104:根据待测邻域内所有像素点的目标边缘概率确定待测像素点的聚类调整值;根据聚类调整值对外孔区域内所有像素点进行聚类处理得到内孔边缘,对内孔边缘进行缺陷检测得到检测结果。
进一步地,本发明实施例中,根据待测邻域内所有像素点的目标边缘概率确定待测像素点的聚类调整值,包括:基于游程矩阵对目标边缘概率进行特征提取,得到待测像素点的长游程强调值;将长游程强调值作为待测像素点的聚类调整值。
其中,长游程强调计算方式为游程矩阵所常用的计算方式,本发明实施例通过将像素点的目标边缘概率作为游程矩阵中的元素,从而确定待测像素点的长游程强调值,对长游程强调的计算为本领域技术人员熟知的技术手段,不再赘述。
结合游程矩阵的特点,也即是说,长游程强调值越大,可以说明待测像素点的相似度连续出现的次数越多,表明待测像素点周围均为和充电孔内孔边缘相似度较高的像素点,则表明待测像素点大概率为充电器内孔边缘。则本发明实施例中,将长游程强调值作为待测像素点的聚类调整值,对外孔区域中所有的像素点进行聚类处理。
进一步地,本发明实施例中,根据聚类调整值对外孔区域内所有像素点进行聚类处理得到内孔边缘,包括:将聚类调整值作为自适应加权系数,根据自适应加权系数,基于加权FCM模糊聚类算法对外孔区域内所有像素点进行自适应加权模糊聚类处理,得到内孔边缘。
本发明实施例所使用的聚类处理可以具体例如为加权模糊c均值(WeightingFuzzy C-Means,WFCM)聚类方式,通过将像素点属于内孔边缘和像素点属于内孔内部两个条件作为模糊聚类中心,根据预设的模糊规则对外孔区域中所有的像素点进行聚类处理。其中预设模糊规则可以具体包括预设模糊系数,可选地,本发明实施例中的预设模糊系数可以具体例如为2,对此不做限制。
在确定预设模糊系数和模糊聚类中心的数量之后,可以基于WFCM算法实现对像素点的聚类处理,其中,像素点属于不同聚类中心的隶属度值可以根据先验经验确定的隶属度函数计算得到,也即是说,本发明支持预先构建隶属度函数,而后,根据隶属度函数确定像素点属于不同聚类中心的隶属度值,对此不做限制。
其中,WFCM算法为本领域所熟知的算法,对应的计算公式包括:
式中,表示第个像素点的评价参数,表示模糊聚类中心的总数量,表示模糊聚类中心的索引,表示外孔区域中所有像素点的总数量,表示外孔区域中像素点的索引,表示第个像素点的聚类调整值,表示第个像素点所属第a个模糊聚类中心的隶属度值,表示预设模糊系数,可选地,,表示第个像素点和第a个模糊聚类中心的中心点间的欧氏距离。
由此,基于WFCM算法,将聚类调整值作为自适应的权值,计算得到每个像素点所属内孔边缘的评价参数,基于评价参数与预设评价参数阈值进行对比,可选地,预设评价参数阈值可以具体例如为0.8,将评价参数大于0.8的像素点作为内孔边缘像素点,由此,求得内孔边缘的像素点,将内孔边缘像素点组合作为内孔边缘。
本发明实施例中,对内孔边缘进行缺陷检测得到检测结果,包括:将内孔边缘和预设标准内孔边缘进行对比,得到内孔边缘的缺陷程度,将缺陷程度作为检测结果。
本发明在确定内孔边缘像素点之后,可以使用图像特征点匹配算法将内孔边缘和预设标准内孔边缘进行对比,得到对应的相似程度作为缺陷程度,其中,图像特征点匹配算法为本领域所熟知的技术,对此不再赘述,当然,本发明还可以使用多种其他任意可能的实现方式将内孔边缘和预设标准内孔边缘进行对比,对此不做限制。
可以理解的是,缺陷程度可以具体例如为被归一化后的数值大小,或者,也可为表示相应缺陷程度的系数等,对此不做限制。
本发明实施例中,可以将缺陷程度直接作为缺陷检测的检测结果,则缺陷程度越大,表示所对应内孔边缘与预设标准内孔边缘间的差异越大。
本发明通过确定待测像素点和外孔中心点的中心点距离,能够基于中心点距离有效确定待测像素点属于内孔区域的内孔概率,通过中心点距离确定内孔概率,能够有效避免充电器因大小规格的差异导致的内孔概率计算错误的问题,提升内孔概率的准确性;通过待测像素点的特征向量均值和内孔概率确定待测像素点的初始边缘概率,由于结合了待测像素点的特征向量值和内孔概率,也即能够有效结合待测像素点特征向量值的分布情况和待测像素点所处位置信息,从而提升初始边缘概率的可靠性;通过待测像素点所处待测邻域的偏态系数和初始边缘概率确定待测像素点的目标边缘概率,进一步结合偏态分析确定待测像素点特征向量均值的偏移情况,从而准确确定待测像素点与其周围像素点所对应的纹理信息,进而能够根据偏态系数和初始边缘概率准确确定目标边缘概率,同时,为消除内孔边缘难以界定的影响,本发明通过确定聚类调整值,并对外孔区域内所有像素点进行聚类处理,从而能够对外孔区域中的像素点进行自适应的模糊聚类处理,有效确定模糊难以界定的内孔边缘,实现对内孔边缘的自适应提取,从而提升内孔边缘的提取效果,进而提升缺陷检测的准确性与可靠性。
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。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。
Claims (10)
1.一种用于铅酸蓄电池智能充电器的视觉缺陷检测方法,其特征在于,所述方法包括:
获取充电口的灰度图像,所述灰度图像包括至少一个外孔区域,分别确定每个所述外孔区域的中心点为外孔中心点,在所有所述外孔区域中任选某一像素点作为待测像素点,确定所述待测像素点和所述外孔中心点的中心点距离;
根据所述中心点距离确定所述待测像素点为内孔区域像素点的内孔概率,确定所述外孔区域中每个像素点的特征向量均值,其中,所述特征向量均值用于表征所述像素点的灰度梯度分布,根据所述待测像素点的特征向量均值和所述内孔概率确定所述待测像素点为内孔区域边缘像素点的初始边缘概率;
以所述待测像素点为中心,将预设第一大小范围内的邻域作为待测邻域,根据所述待测邻域内所有像素点的特征向量均值确定所述待测邻域的偏态系数,根据所述待测邻域的偏态系数和所述初始边缘概率确定所述待测像素点的目标边缘概率;
根据所述待测邻域内所有像素点的目标边缘概率确定所述待测像素点的聚类调整值;根据所述聚类调整值对所述外孔区域内所有像素点进行聚类处理得到内孔边缘,对所述内孔边缘进行缺陷检测得到检测结果。
2.如权利要求1所述的一种用于铅酸蓄电池智能充电器的视觉缺陷检测方法,其特征在于,所述确定所述外孔区域中每个像素点的特征向量均值,包括:
将所有所述外孔区域按照预设第二大小划分为至少两个单元;
根据预设特征向量维度、所述单元中像素点的梯度方向构建所述单元的方向梯度直方图,其中,所述梯度方向直方图的横坐标为预设特征向量维度,所述梯度方向直方图的纵坐标为所述预设特征向量维度所对应的特征向量值,其中,所述特征向量值为单元中像素点的梯度方向满足预设特征向量维度的像素点的数量;
计算所述方向梯度直方图中每个维度的特征向量值的均值作为所述单元中每个像素点的特征向量均值。
3.如权利要求1所述的一种用于铅酸蓄电池智能充电器的视觉缺陷检测方法,其特征在于,所述根据所述待测像素点的特征向量均值和所述内孔概率确定所述待测像素点为内孔区域边缘像素点的初始边缘概率,包括:
确定以所述待测像素点为中心点的预设第三大小的邻域为特征邻域,计算所述特征邻域内所有像素点的特征向量均值的标准差作为所述待测像素点的特征标准差;
计算所述内孔概率和预设第一权值的乘积作为第一概率系数,计算所述特征标准差和预设第二权值的乘积作为第二概率系数;
将所述第一概率系数作为分子,所述第二概率系数与预设常数系数的和值作为分母,计算得到所述初始边缘概率。
4.如权利要求1所述的一种用于铅酸蓄电池智能充电器的视觉缺陷检测方法,其特征在于,所述根据所述待测邻域内所有像素点的特征向量均值确定所述待测邻域的偏态系数,包括:
计算所述待测邻域内所有像素点的特征向量均值的标准差为待测标准差;
根据所述待测邻域内所有像素点的特征向量标准差和所述特征向量均值,基于偏态系数公式计算得到所述待测邻域的偏态系数。
5.如权利要求1所述的一种用于铅酸蓄电池智能充电器的视觉缺陷检测方法,其特征在于,所述根据所述待测邻域的偏态系数和所述初始边缘概率确定所述待测像素点的目标边缘概率,包括:
计算所述待测像素点的所述初始边缘概率和所述待测像素点所处待测邻域的偏态系数的乘积,得到所述待测像素点的目标边缘概率。
6.如权利要求1所述的一种用于铅酸蓄电池智能充电器的视觉缺陷检测方法,其特征在于,所述根据所述待测邻域内所有像素点的目标边缘概率确定所述待测像素点的聚类调整值,包括:
基于游程矩阵对所述目标边缘概率进行特征提取,得到所述待测像素点的长游程强调值;
将所述长游程强调值作为所述待测像素点的聚类调整值。
7.如权利要求1所述的一种用于铅酸蓄电池智能充电器的视觉缺陷检测方法,其特征在于,所述根据所述聚类调整值对所述外孔区域内所有像素点进行聚类处理得到内孔边缘,包括:
将所述聚类调整值作为自适应加权系数,根据所述自适应加权系数,基于加权FCM模糊聚类算法对所述外孔区域内所有像素点进行自适应加权模糊聚类处理,得到内孔边缘。
8.如权利要求1所述的一种用于铅酸蓄电池智能充电器的视觉缺陷检测方法,其特征在于,所述对所述内孔边缘进行缺陷检测得到检测结果,包括:
将所述内孔边缘和预设标准内孔边缘进行对比,得到所述内孔边缘的缺陷程度,将所述缺陷程度作为所述检测结果。
9.如权利要求1所述的一种用于铅酸蓄电池智能充电器的视觉缺陷检测方法,其特征在于,所述确定所述待测像素点和所述外孔中心点的中心点距离,包括:
确定所述待测像素点与所有所述外孔中心点的最小距离值作为中心点距离。
10.如权利要求1所述的一种用于铅酸蓄电池智能充电器的视觉缺陷检测方法,其特征在于,所述根据所述中心点距离确定所述待测像素点为内孔区域像素点的内孔概率,包括:
对所述中心点距离进行反比例的归一化处理,得到所述待测像素点为内孔区域像素点的内孔概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310362462.7A CN116091498B (zh) | 2023-04-07 | 2023-04-07 | 用于铅酸蓄电池智能充电器的视觉缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310362462.7A CN116091498B (zh) | 2023-04-07 | 2023-04-07 | 用于铅酸蓄电池智能充电器的视觉缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116091498A true CN116091498A (zh) | 2023-05-09 |
CN116091498B CN116091498B (zh) | 2023-06-23 |
Family
ID=86199458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310362462.7A Active CN116091498B (zh) | 2023-04-07 | 2023-04-07 | 用于铅酸蓄电池智能充电器的视觉缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091498B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385976A (zh) * | 2023-05-29 | 2023-07-04 | 杭州芯业电子科技有限公司 | 基于计算机视觉的消防安防一体化监测*** |
CN116758061A (zh) * | 2023-08-11 | 2023-09-15 | 山东优奭趸泵业科技有限公司 | 基于计算机视觉的铸件表面缺陷检测方法 |
CN117152447A (zh) * | 2023-11-01 | 2023-12-01 | 东莞市京品精密模具有限公司 | 一种冲切模具智能管理方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805870A (zh) * | 2018-06-14 | 2018-11-13 | 安徽海思达机器人有限公司 | 一种带针座的接插件的检测方法 |
CN109685142A (zh) * | 2018-12-25 | 2019-04-26 | 国信优易数据有限公司 | 一种图像匹配方法及装置 |
CN109977954A (zh) * | 2019-04-01 | 2019-07-05 | 上海电气集团股份有限公司 | 电动汽车充电接口的识别及定位方法及*** |
US20190340782A1 (en) * | 2018-05-02 | 2019-11-07 | Diatom Digital, Inc. | Method and system for automated vehicle charging |
CN112686858A (zh) * | 2020-12-29 | 2021-04-20 | 熵智科技(深圳)有限公司 | 一种手机充电器视觉缺陷检测方法、装置、介质及设备 |
CN113096102A (zh) * | 2021-04-15 | 2021-07-09 | 深圳市玻尔智造科技有限公司 | 一种基于多尺度转移的充电器表面缺陷检测方法 |
CN113313701A (zh) * | 2021-06-10 | 2021-08-27 | 兰州智悦信息科技有限公司 | 基于形状先验的电动汽车充电口两阶段视觉检测定位方法 |
CN113689428A (zh) * | 2021-10-25 | 2021-11-23 | 江苏南通元辰钢结构制造有限公司 | 基于图像处理的机械零件应力腐蚀检测方法及*** |
CN115457130A (zh) * | 2022-09-14 | 2022-12-09 | 兰州智悦信息科技有限公司 | 一种基于深度关键点回归的电动汽车充电口检测定位方法 |
CN115880204A (zh) * | 2021-09-26 | 2023-03-31 | Tcl科技集团股份有限公司 | 图像检测方法、装置、终端设备及可读存储介质 |
-
2023
- 2023-04-07 CN CN202310362462.7A patent/CN116091498B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190340782A1 (en) * | 2018-05-02 | 2019-11-07 | Diatom Digital, Inc. | Method and system for automated vehicle charging |
CN108805870A (zh) * | 2018-06-14 | 2018-11-13 | 安徽海思达机器人有限公司 | 一种带针座的接插件的检测方法 |
CN109685142A (zh) * | 2018-12-25 | 2019-04-26 | 国信优易数据有限公司 | 一种图像匹配方法及装置 |
CN109977954A (zh) * | 2019-04-01 | 2019-07-05 | 上海电气集团股份有限公司 | 电动汽车充电接口的识别及定位方法及*** |
CN112686858A (zh) * | 2020-12-29 | 2021-04-20 | 熵智科技(深圳)有限公司 | 一种手机充电器视觉缺陷检测方法、装置、介质及设备 |
CN113096102A (zh) * | 2021-04-15 | 2021-07-09 | 深圳市玻尔智造科技有限公司 | 一种基于多尺度转移的充电器表面缺陷检测方法 |
CN113313701A (zh) * | 2021-06-10 | 2021-08-27 | 兰州智悦信息科技有限公司 | 基于形状先验的电动汽车充电口两阶段视觉检测定位方法 |
CN115880204A (zh) * | 2021-09-26 | 2023-03-31 | Tcl科技集团股份有限公司 | 图像检测方法、装置、终端设备及可读存储介质 |
CN113689428A (zh) * | 2021-10-25 | 2021-11-23 | 江苏南通元辰钢结构制造有限公司 | 基于图像处理的机械零件应力腐蚀检测方法及*** |
CN115457130A (zh) * | 2022-09-14 | 2022-12-09 | 兰州智悦信息科技有限公司 | 一种基于深度关键点回归的电动汽车充电口检测定位方法 |
Non-Patent Citations (2)
Title |
---|
纪柱: "电动汽车充电口识别及曝光算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》,电动汽车充电口识别及曝光算法研究, pages 1 - 67 * |
项博良,余粟: "基于椭圆检测的充电口识别", 《计算机技术与发展》,基于椭圆检测的充电口识别, pages 134 - 138 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385976A (zh) * | 2023-05-29 | 2023-07-04 | 杭州芯业电子科技有限公司 | 基于计算机视觉的消防安防一体化监测*** |
CN116385976B (zh) * | 2023-05-29 | 2023-08-11 | 杭州芯业电子科技有限公司 | 基于计算机视觉的消防安防一体化监测*** |
CN116758061A (zh) * | 2023-08-11 | 2023-09-15 | 山东优奭趸泵业科技有限公司 | 基于计算机视觉的铸件表面缺陷检测方法 |
CN116758061B (zh) * | 2023-08-11 | 2023-10-31 | 山东优奭趸泵业科技有限公司 | 基于计算机视觉的铸件表面缺陷检测方法 |
CN117152447A (zh) * | 2023-11-01 | 2023-12-01 | 东莞市京品精密模具有限公司 | 一种冲切模具智能管理方法及*** |
CN117152447B (zh) * | 2023-11-01 | 2024-02-02 | 东莞市京品精密模具有限公司 | 一种冲切模具智能管理方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116091498B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116091498B (zh) | 用于铅酸蓄电池智能充电器的视觉缺陷检测方法 | |
CN111428748B (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
CN116168026B (zh) | 基于计算机视觉的水质检测方法及*** | |
CN115018844B (zh) | 一种基于人工智能的塑料薄膜质量评估方法 | |
CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
CN116091504B (zh) | 基于图像处理的连接管连接头质量检测方法 | |
CN116309537A (zh) | 一种极耳模具表面油污的缺陷检测方法 | |
CN116092013B (zh) | 一种用于智慧监控的危险路况识别方法 | |
CN114749342B (zh) | 一种锂电池极片涂布缺陷识别方法、装置及介质 | |
CN115294140A (zh) | 一种五金零件缺陷检测方法及*** | |
CN112434562B (zh) | 口罩佩戴状态的检测方法、设备、电子装置和存储介质 | |
CN116452589B (zh) | 基于图像处理的人造板表面缺陷智能检测方法 | |
CN115937216A (zh) | 一种新能源汽车用磁转子外观质量检测方法 | |
CN102663723A (zh) | 一种基于颜色样本与电场模型的图像分割方法 | |
CN114594114A (zh) | 一种锂电芯全自动在线无损检测方法 | |
CN116128880A (zh) | 一种极耳模具表面开裂的识别方法 | |
CN117372436A (zh) | 基于图像数据的风电叶片故障检测方法 | |
CN114581446B (zh) | 一种叠片电池的电芯异常检测方法及*** | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及*** | |
CN115029704A (zh) | 一种用于不锈钢酸洗工艺的智能控制方法及装置 | |
CN117078688B (zh) | 一种用于强磁钕铁硼磁体的表面缺陷识别方法 | |
CN112419243B (zh) | 一种基于红外图像分析的配电房设备故障识别方法 | |
CN115855961B (zh) | 一种用于运行中的配电箱故障检测方法 | |
CN117218115A (zh) | 一种汽车配件漆面异常检测方法 | |
CN116563254A (zh) | 一种电子元器件表面印刷图案的纹理检测与匹配方法 |
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 |