CN116188468B - 一种hdmi线缆传输分拣智能控制*** - Google Patents
一种hdmi线缆传输分拣智能控制*** Download PDFInfo
- Publication number
- CN116188468B CN116188468B CN202310465715.3A CN202310465715A CN116188468B CN 116188468 B CN116188468 B CN 116188468B CN 202310465715 A CN202310465715 A CN 202310465715A CN 116188468 B CN116188468 B CN 116188468B
- Authority
- CN
- China
- Prior art keywords
- edge
- pixel point
- pixel
- pixel points
- obtaining
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 19
- 230000007547 defect Effects 0.000 claims abstract description 66
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 230000000694 effects Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Multimedia (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HDMI线缆传输分拣智能控制***,该***包括:数据获取模块,用于获取线缆表面灰度图像,基于边缘像素点对应的特征角度计算边缘像素点的置信度;数据处理模块,用于获取边缘像素点对应的关联像素点,利用关联像素点的特征角度获得优选置信度;根据边缘像素点的优选置信度获得边缘的形变程度;缺陷分析模块,用于获取像素点的局部形变程度,根据像素点的邻域像素差异获得差异程度,进而得到像素点的优选值;获得优选值最大的像素点作为初始点进行区域生长,得到缺陷区域;传输分拣模块,用于根据边缘的形变程度和缺陷区域获得缺陷的种类,进而对线缆进行分拣。本发明提高了缺陷识别的效率与精度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种HDMI线缆传输分拣智能控制***。
背景技术
HDMI(High Definition Multimedia Interface),也叫高清晰多媒体接口,是一种全数字位化影像与声音的传输线,可以用来传送无进行任何压缩的音频信号及视频信号。在线缆的生产过程中,由于加工设备、生产工艺、生产原料等因素,会不可避免地造成划痕、破洞等缺陷,这些缺陷不仅有损产品性能、影响商业用途,而且严重的外观缺陷往往会造成后期的安全隐患,故将含有缺陷的线缆分拣出来进行相应处理具有重要意义。
现有的对于线缆的表面进行缺陷检测时常采用阈值分割的方法,该方法容易受到光照不均和颜色不均等问题而干扰阈值的选取,使得阈值分割结果并不准确,进而无法精确的获得含有缺陷的线缆。
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HDMI线缆传输分拣智能控制***,所采用的技术方案具体如下:
数据获取模块,用于获取线缆表面灰度图像,提取图像中的边缘像素点,获取两个相邻的边缘像素点对应的特征角度;根据边缘像素点对应的特征角度和所有特征角度计算边缘像素点的置信度;
数据处理模块,用于过边缘像素点作该点对应的边缘的垂线记为特征直线,特征直线与另一侧边缘的交点为该边缘像素点的关联像素点;利用关联像素点的特征角度对该边缘像素点的置信度进行修正得到优选置信度;根据边缘像素点的优选置信度获得边缘的形变程度;
缺陷分析模块,用于按照设定规则选择线缆表面灰度图像中的像素点,过选择的像素点作边缘的垂线与边缘相交于两个边缘像素点,根据两个边缘像素点获得该像素点对应的局部形变程度;根据像素点的邻域像素差异获得差异程度;根据局部形变程度和差异程度计算像素点的优选值,选择优选值最大的像素点作为初始点进行区域生长,进而获得缺陷区域;
传输分拣模块,用于根据线缆表面灰度图像中边缘的形变程度和缺陷区域获得缺陷的种类,根据缺陷的种类对线缆进行分拣。
优选地,所述获取两个相邻的边缘像素点对应的特征角度具体为:将两个相邻的边缘像素点构成的直线的倾斜角记为特征角度。
优选地,所述边缘像素点的置信度的获取方法具体为:
统计不同的特征角度出现的频数,将最大频数对应的特征角度记为边缘轮廓的特征角度;根据边缘像素点对应的特征角度与边缘轮廓的特征角度的差值得到边缘像素点的置信度。
优选地,所述优选置信度的获取方法具体为:
获取边缘像素点与其对应的关联像素点的灰度值之差和特征角度之差,根据所述灰度值之差和特征角度之差对边缘像素点的置信度进行修正,得到边缘像素点的优选置信度。
优选地,所述根据边缘像素点的优选置信度获得边缘的形变程度具体为:
设置置信度阈值,优选置信度大于置信度阈值,则对应的边缘像素点为异常像素点,否则为正常像素点;获取边缘轮廓的特征角度对应的直线,根据异常像素点到该直线的距离计算边缘的形变程度。
优选地,所述设定规则具体为:
统计线缆表面灰度图像的灰度直方图,获取最大频数的灰度级对应的像素点,在其中不属于边缘部分的像素点中任意进行选择。
优选地,所述局部形变程度具体为两个边缘像素点到对应边缘轮廓的特征角度对应的直线的距离均值。
优选地,所述根据像素点的邻域像素差异获得差异程度具体为:
计算像素点与其8邻域内各邻域像素点的灰度值差值,若灰度值差值小于阈值,则对应的邻域像素点与该像素点属于同一类别,记为第一类别;若灰度值差值大于或等于阈值,则对应的邻域像素点与该像素点不属于同一类别,将该邻域像素点记为第二类别;分别计算该像素点到与其对应的两个边缘像素点的距离,根据其中最短的距离获取该像素点的周围像素点,并获取周围像素点的8邻域内各邻域像素点所属的类别;根据像素点与周围像素点的8邻域内类别发生变化的邻域像素点的灰度值获得像素点对应的差异程度。
本发明实施例至少具有如下有益效果:
本发明通过线缆表面灰度图像获取两个相邻的边缘像素点之间对应的特征角度,并结合边缘像素点对应的特征角度与所有的特征角度进行分析,考虑了线缆边缘在边缘像素点处的局部与线缆边缘的整体之间的关系,进而获得边缘像素点的置信度;通过边缘像素点对应的特征直线与另一侧边缘的交点获得关联像素点,通过线缆的对称特性获取线缆边缘上边缘像素点的关联性,对像素点的异常程度进行对称分析,进而对边缘像素点的置信度进行修正,以获得准确的边缘形变程度,根据像素点的局部形变程度以及邻域像素点差异获得的差异程度计算像素点的优选值,并获取优选值最大的像素点作为初始点进行区域生长,考虑了像素点位置处线缆的局部变化情况以及像素点相邻的灰度变化情况,能够自适应的获取进行区域生长效果较优的初始点,提高了缺陷识别效率与精度,进而结合边缘的形变程度与缺陷区域使得能够根据缺陷种类准确地对线缆进行分拣。
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HDMI线缆传输分拣智能控制***的***框图。
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HDMI线缆传输分拣智能控制***,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HDMI线缆传输分拣智能控制***的具体方案。
实施例:
本发明所针对的具体场景为:生产出的线缆在进行传输过程中通过采集线缆图像进行缺陷检测,并根据缺陷种类控制机械臂进行分拣。
请参阅图1,其示出了本发明一个实施例提供的一种HDMI线缆传输分拣智能控制***的***框图,该***包括:
数据获取模块,用于获取线缆表面灰度图像,提取图像中的边缘像素点,获取两个相邻的边缘像素点对应的特征角度;根据边缘像素点对应的特征角度和所有的特征角度计算边缘像素点的置信度。
首先,通过工业相机,固定光源的形式采集线缆表面图像,通过相机采集的图像为RGB图像,使用加权灰度化的方法对线缆表面图像进行灰度化处理。其中,实施者可根据实际情况选择其他方法对图像进行灰度化处理。对灰度化后的图像进行线缆区域的提取,在本实施例中,由于线缆表面和传送带等背景部分之间的灰度差异较大,故可采用大津阈值分割法对图像进行处理,排除背景的干扰,得到线缆表面灰度图像,实施者可根据实际情况选择其他方法对图像进行处理,排除背景的干扰,例如语义分割法。
然后,需要说明的是,线缆往往是贯穿整张图像,一般情况下,线缆不存在外形缺陷时,图像中线缆的边缘轮廓部分是长度较长且较为平整的两条直线,且分别位于图像两侧,过任意一侧的边缘轮廓线上一点作该边缘轮廓线的垂线,一定会与另一侧边缘轮廓线相较于一点。基于此,对线缆表面灰度图像进行分析。
对线缆表面灰度图像进行边缘检测,并获取边缘像素点。针对任意一个边缘像素点q,获取与其相邻的边缘像素点p,则可以获取边缘像素点q与其相邻的边缘像素点p构成的直线的倾斜角,记为边缘像素点q的特征角度,用公式表示为:
其中,为边缘像素点q的特征角度,和分别为边缘像素点q和边缘
像素点p的像素坐标,arctan为反正切函数。其中,像素点的像素坐标的获取方法为公知技
术,实施者可根据实际情况选择合适的方法进行获取。
进而按照相同的方法获取所有边缘像素点对应的特征角度,例如,获取边缘像素点q与其相邻的边缘像素点p构成的直线的倾斜角得到特征角度,接着获取边缘像素点p除边缘像素点q之外的相邻的边缘像素点,进行相应的计算,以此类推,直到获取所有边缘像素点对应的特征角度。而需要说明的是,除了最后一次获取的边缘像素点外均可得到对应的特征角度。其中,在本实施例中,相邻的含义指的是边缘像素点之间的距离最近。
最后,统计所有特征角度出现的频数,将最大频数对应的特征角度记为边缘轮廓的特征角度。由于边缘像素点对应的特征角度能够表征线缆边缘在该边缘像素点处的倾斜角度,而线缆边缘不存在外形缺陷时呈现出较为平整的两条直线,故可将所有边缘像素点对应的出现次数最多的特征角度看作线缆边缘对应的直线的倾斜角度,记为边缘轮廓的特征角度,该特征角度能够在较大程度上反映线缆边缘的倾斜角度。
进而可以将边缘像素点对应的特征角度与边缘轮廓对应的特征角度进行对比,分析线缆边缘在边缘像素点处的局部倾斜角度与整体倾斜角度之间的差异,两者的特征角度之间的差异越大,说明线缆边缘在边缘像素点处的倾斜角度与线缆边缘对应的直线的倾斜角度之间的差异越大,说明该边缘像素点可能越偏离线缆的整体边缘,则在该边缘像素点处越可能出现外形缺陷,故可根据边缘像素点与边缘轮廓对应的特征角度的差异获得边缘像素点为异常像素点的置信度,用公式表示为:
其中,表示边缘像素点q对应的置信度,表示边缘像素点q对应的特征角度,表示边缘轮廓的特征角度,max()表示求最大值的函数。
表示边缘像素点q的特征角度与边缘轮廓的特征角度的差值,该差值越
大,置信度的取值越大,说明线缆边缘在边缘像素点q的位置处的倾斜角度与线缆边缘整体
的倾斜角度之间的差异越大,则边缘像素点q异常的可能性越大,在该边缘像素点处越可能
出现外形缺陷。
数据处理模块,用于过边缘像素点作该点对应的边缘的垂线记为特征直线,特征直线与另一侧边缘的交点为该边缘像素点的关联像素点;利用关联像素点的特征角度对该边缘像素点的置信度进行修正得到优选置信度;根据边缘像素点的优选置信度获得边缘的形变程度。
需要说明的是,由于生产合格的线缆在形状上一般较为规整,且在线缆表面灰度图像中,线缆部分具有一定的对称特性。则可通过线缆的对称特性获取线缆边缘上边缘像素点的关联性,对像素点的异常程度进行对称分析,进而对边缘像素点的置信度进行修正。
具体地,过边缘像素点作该点对应的边缘的垂线记为特征直线,特征直线与另一侧边缘的交点为该边缘像素点的关联像素点。即对于任意一个边缘像素点,其对应的特征直线均与该边缘像素点所在的线缆边缘垂直。由于线缆的边缘轮廓为长度较长且较为平整的两条直线,则边缘像素点的特征直线会与另一侧的线缆轮廓的边缘相交于一点,边缘像素点与其对应的关联像素点可以看作近似对称的两个像素点。
若线缆不存在外形缺陷,则在线缆边缘的对称位置处各边缘像素点的特征角度以及灰度值之间较为接近,即差异较小,若线缆存在外形缺陷,则在缺陷部分的边缘像素点与其互相对称的关联像素点之间的特征角度以及灰度值存在一定的差异。则本发明通过对具有一定关联性的边缘像素点的异常程度进行对称分析,获取修正后的边缘像素点为异常像素点的置信度,即根据边缘像素点与其对应的关联像素点的灰度值之差和特征角度之差对边缘像素点的置信度进行修正,得到优选置信度,用公式表示为:
其中,表示边缘像素点q的优选置信度,表示边缘像素点q对应的置信度,和分别表示边缘像素点q的灰度值和特征角度,和分别表示边缘像素点q对应的
关联像素点q'的灰度值和特征角度,e为自然常数。
和分别表示边缘像素点q与其对应的关联像素点q'之间的灰
度值的差异和特征角度的差异,所述灰度值的差异和特征角度的差异越大时,说明具有对
称关联的边缘像素点q和关联像素点q'之间存在差异的可能性越大,则边缘像素点q为异常
像素点的可能性就越大,即边缘像素点q的优选置信度的取值就越大。
设置置信度阈值,优选置信度大于置信度阈值,则对应的边缘像素点为异常像素点,否则为正常像素点。在本实施例中,置信度阈值的取值为0.85,实施者可根据实际情况进行设置。
由于边缘轮廓的特征角度表示线缆边缘对应的直线的倾斜角度,则可通过特征角度与边缘轮廓的特征角度相同的边缘像素点,获取边缘轮廓的特征角度对应的直线。若边缘像素点到对应边缘的直线的距离越大,说明线缆在该边缘像素点的位置处发生了较大的形变;若边缘像素点到对应边缘的直线的距离越小,说明线缆在该边缘像素点的位置处发生了较小的形变。故可根据异常像素点到对应边缘的直线的距离计算边缘的形变程度,用公式表示为:
其中,B表示线缆外形边缘的形变程度,表示第i个异常像素点到对应边缘的直
线的距离,表示异常像素点的数量,表示异常像素点到对应边缘直线的距离的最大
值。表示所有异常像素点到对应边缘直线的距离的均值,利用均值与最大值的比值表
示线缆的边缘像素点到对应直线的变化程度,该取值越大,说明线缆外形边缘的形变程度
越大。
缺陷分析模块,用于按照设定规则选择线缆表面灰度图像中的像素点,过选择的像素点作边缘的垂线与边缘相交于两个边缘像素点,根据两个边缘像素点获得该像素点对应的局部形变程度;根据像素点的邻域像素差异获得差异程度;根据局部形变程度和差异程度计算像素点的优选值,选择优选值最大的像素点作为初始点进行区域生长,进而获得缺陷区域。
首先,需要说明的是,上述步骤已经对线缆的外形进行分析,获得线缆边缘轮廓可能存在外形缺陷的形变程度,进而则需对线缆轮廓内部区域进行缺陷分析,在利用区域生长法对线缆表面灰度图像进行处理时,首先需要获取初始点。在传统算法中,初始点往往是通过人为进行选取的,而选取的初始点的好坏直接影响了区域生长的结果,故本发明通过自适应选取较优的初始点进行区域生长,提高区域生长结果的准确性。
具体地,按照设定规则选择线缆表面灰度图像中的像素点,所述设定规则具体为:获取像素点灰度值对应的灰度级,统计线缆表面灰度图像的灰度直方图,获取最大频数的灰度级对应的像素点,在其中不属于边缘部分的像素点中任意进行选择。对于选择的任意一个像素点,过该像素点作对应边缘直线的垂线,该垂线分别与线缆边缘轮廓相交于两个边缘像素点,计算两个边缘线像素点到对应边缘直线的距离的均值,将所述均值作为该像素点对应的局部形变程度。
由于在本实施例中,利用区域生长算法获取线缆表面灰度图像中不存在缺陷的区域,而像素点对应的局部形变程度反映了该像素点在两侧轮廓边缘位置处发生形变的程度,局部形变程度的取值越大,说明像素点在线缆的宽度方向上的形变程度越大,表示线缆轮廓边缘在该像素点对应的两个边缘像素点位置处越可能存在缺陷,则该像素点作为区域生长的初始点的效果越不好。
然后,通过比较像素点与其邻域内各像素点的灰度值,能够获取邻域像素点与该像素点的灰度值的差异,即计算像素点与其8邻域内各邻域像素点的灰度值差值,若灰度值差值小于阈值,则对应的邻域像素点与该像素点属于同一类别,记为第一类别;若灰度值差值大于或等于阈值,则对应的邻域像素点与该像素点不属于同一类别,将该邻域像素点所属类别记为第二类别。
例如,获取像素点a与该像素点的8邻域内的邻域像素点的灰度值差值,记为,为像素点a的灰度值,为像素点a的8邻域内第u个邻域像素点的灰度值,设
置阈值T,在本实施例中阈值T的取值为10,当所述灰度值差值小于阈值时,即
,则第u个邻域像素点与像素点a属于同一类别像素点,记为第一类别;当所述灰度值差值大
于或等于阈值时,即,则第u个邻域像素点与像素点a不属于同一类别像素点,
将第u个邻域像素点所属类别记为第二类别。
由于过像素点作线缆边缘对应直线的垂线与线缆两侧轮廓对应的边缘相交于两个边缘像素点,分别计算像素点到与其对应的两个边缘像素点的距离,根据其中最短的距离获取该像素点的周围像素点,即在像素点的任意一侧与所述最短的距离相同长度的位置处获取像素点记为周围像素点,同时,获取的周围像素点应当保证不处于线缆边缘轮廓上。
例如,过像素点a作线缆边缘对应直线的垂线与线缆两侧轮廓对应的边缘相交于
两个边缘像素点,分别记为边缘像素点b和边缘像素点c,分别计算像素点a与边缘像素点b
和边缘像素点c之间的欧氏距离记为和,获取其中较小的值,在本实施例中,假设,则说明像素点a与边缘像素点b的距离更近,则在像素点a和边缘像素点b以及边
缘像素点c所在的直线上,在像素点a的一侧与相等距离的位置处获取像素点,记为周围
像素点v,且周围像素点v与边缘像素点b分别位于像素点a的两侧。
并获取周围像素点的8邻域内各邻域像素点所属的类别;根据像素点与周围像素点的8邻域内类别发生变化的邻域像素点的灰度值获得像素点对应的差异程度。在本实施例中,获取类别发生变化的邻域像素点的数量的具体方法为,像素点与周围像素点的8邻域内的邻域像素点总数量为8,代表了8个方向上相邻的像素点,令m=0,按照该8个方向依次进行判断,像素点与周围像素点对应的邻域像素点的所属类别是否相同,若相同,则m的数值不变,若不相同,则m的数值加一,最终m为类别发生变化的邻域像素点的数量。
由于线缆不存在缺陷时,则在线缆表面灰度图像中各像素点的灰度值较为接近,即各像素点的邻域像素点之间的灰度值也较为接近,为了获取进行区域生长的初始点的效果较好,故结合与像素点距离较近的位置处的像素点邻域内的变化情况,可以获得像素点对应的差异程度,进而对选择该像素点为初始点的优选程度进行分析。
对于像素点a和周围像素点v的8邻域内各邻域像素点所属的类别均已经确定,若像素点a和周围像素点v在8邻域内对应位置邻域像素点的类别发生变化,说明线缆在对应位置处可能存在缺陷,再对发生变化的邻域像素点之间的灰度值差异进行分析,该差异越大,则说明灰度变化越大,像素点a和周围像素点v的周围越可能存在缺陷,而周围像素点v距离像素点a较近,且处于同一条直线上,能够反映线缆在宽度方向上的缺陷情况,则像素点a作为区域生长的初始点的效果越差。
则差异程度的计算方法用公式表示为:
其中,表示像素点a对应的差异程度,和分别表示像素点a和周围像素点v
的灰度值,max()表示求最大值的函数,和分别表示像素点a和周围像素点v的8邻域内
第u个邻域像素点的灰度值,m表示像素点a和周围像素点v的8邻域内对应位置类别发生变
化的数量。
表示像素点a与周围像素点v的灰度值差值,利用灰度值差值与
较大的值相比较,反映两个像素点之间的灰度差异,该差异越大,说明像素点a与周围像素
点v位置处越可能存在缺陷。表示类别发生变化的像素点的数量占比,该占比越大,说明像
素点a和周围像素点v邻域内对应位置处发生变化的情况越剧烈,则对应位置差异程度越
大,故将作为常数系数进行差异程度的计算。
表示像素点a与周围像素点v对应位置的邻域像素点的灰度值之间的差
异,表示像素点a与周围像素点v对应位置的邻域像素点的灰度值之间差异的
均值,该取值越大,说明在像素点a与周围像素点v的邻域内的像素点灰度差异变化较大,则
像素点a与周围像素点v位置处越可能存在缺陷。
最后,像素点对应的局部形变程度反映了该像素点在两侧轮廓边缘位置处发生形变的程度,局部形变程度的取值越大,说明像素点在线缆的宽度方向上的形变程度越大,表示线缆轮廓边缘在该像素点对应的两个边缘像素点位置处越可能存在缺陷,则该像素点作为区域生长的初始点的效果越不好。
像素点对应的差异程度反映了该像素点距离较近位置处的像素点之间的灰度差异,该差异越大,说明像素点在线缆的宽度方向上的灰度变化越大,表示在像素点与周围像素点的位置处越可能存在缺陷,且两者的距离较近,则像素点作为区域生长的初始点的效果越不好。
进而根据像素点对应的局部形变程度和差异程度计算像素点的优选值,用公式表示为:
其中,表示像素点a的优选值,表示像素点a对应的局部形变程度,表示像
素点a的差异程度,像素点的局部形变程度取值越大,像素点的差异程度取值越大,则像素
点的优选值越小,说明像素点a及像素点所在的宽度方向上越可能存在缺陷,则像素点作为
区域生长的初始点的效果越不好。
进一步的,选择优选值最大的像素点作为不存在缺陷的正常区域的初始生长点进行生长,生长的准则为,灰度值差异小于阈值时进行生长,否则不进行生长,在本实施例中,阈值的取值为10,实施者可根据实际情况进行设置,且区域生长算法为公知技术,在此不再过多介绍。根据区域生长获得的区域记为正常区域,则线缆表面灰度图像被区域生长结果分割为正常区域与缺陷区域。
传输分拣模块,用于根据线缆表面灰度图像中边缘的形变程度和缺陷区域获得缺陷的种类,根据缺陷的种类对线缆进行分拣。
具体地,获取缺陷区域的最小外接矩形的长和宽,并计算缺陷区域对应的长宽比,所述长宽比可以表征缺陷区域的形状特征。线缆对应的形变程度能够表征线缆轮廓边缘发生形变的情况。再获取缺陷区域对应的熵值ENT和能量ASM,能够表征缺陷区域内的纹理特征,且熵值ENT和能量ASM的获取方法为公知技术,在此不再过多介绍。将所述长宽比、形变程度以及熵值ENT和能量ASM构成缺陷特征向量,输入线缆的缺陷识别神经网络中,输出缺陷的类别,网络的损失函数为交叉熵损失函数,所述神经网络为常见的分类网络,实施者可根据实际情况进行选择,网络的训练过程为公知技术,在此不再过多介绍。
进一步的,根据线缆表面缺陷识别的结果对线缆进行分拣,若线缆不存在缺陷,则对该线缆进行正常运输,若线缆存在缺陷,则根据线缆缺陷的种类选取不同的机械臂完成线缆的分拣工作。
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范围,均应包含在本申请的保护范围之内。
Claims (4)
1.一种HDMI线缆传输分拣智能控制***,其特征在于,该***包括:
数据获取模块,用于获取线缆表面灰度图像,提取图像中的边缘像素点,获取两个相邻的边缘像素点对应的特征角度;根据边缘像素点对应的特征角度和所有特征角度计算边缘像素点的置信度;
数据处理模块,用于过边缘像素点作该点对应的边缘的垂线记为特征直线,特征直线与另一侧边缘的交点为该边缘像素点的关联像素点;利用关联像素点的特征角度对该边缘像素点的置信度进行修正得到优选置信度;根据边缘像素点的优选置信度获得边缘的形变程度;
缺陷分析模块,用于按照设定规则选择线缆表面灰度图像中的像素点,过选择的像素点作边缘的垂线与边缘相交于两个边缘像素点,根据两个边缘像素点获得该像素点对应的局部形变程度;根据像素点的邻域像素差异获得差异程度;根据局部形变程度和差异程度计算像素点的优选值,选择优选值最大的像素点作为初始点进行区域生长,进而获得缺陷区域;
传输分拣模块,用于根据线缆表面灰度图像中边缘的形变程度和缺陷区域获得缺陷的种类,根据缺陷的种类对线缆进行分拣;
所述获取两个相邻的边缘像素点对应的特征角度具体为:将两个相邻的边缘像素点构成的直线的倾斜角记为特征角度;
所述优选置信度的获取方法具体为:
获取边缘像素点与其对应的关联像素点的灰度值之差和特征角度之差,根据所述灰度值之差和特征角度之差对边缘像素点的置信度进行修正,得到边缘像素点的优选置信度;
所述设定规则具体为:
统计线缆表面灰度图像的灰度直方图,获取最大频数的灰度级对应的像素点,在其中不属于边缘部分的像素点中任意进行选择;
所述局部形变程度具体为两个边缘像素点到对应边缘轮廓的特征角度对应的直线的距离均值;
所述根据像素点对应的局部形变程度和差异程度计算像素点的优选值,具体为:
其中,表示像素点a的优选值,/>表示像素点a对应的局部形变程度,/>表示像素点a的差异程度,e为自然常数。
2.根据权利要求1所述的一种HDMI线缆传输分拣智能控制***,其特征在于,所述边缘像素点的置信度的获取方法具体为:
统计不同的特征角度出现的频数,将最大频数对应的特征角度记为边缘轮廓的特征角度;根据边缘像素点对应的特征角度与边缘轮廓的特征角度的差值得到边缘像素点的置信度。
3.根据权利要求2所述的一种HDMI线缆传输分拣智能控制***,其特征在于,所述根据边缘像素点的优选置信度获得边缘的形变程度具体为:
设置置信度阈值,优选置信度大于置信度阈值,则对应的边缘像素点为异常像素点,否则为正常像素点;获取边缘轮廓的特征角度对应的直线,根据异常像素点到该直线的距离计算边缘的形变程度。
4.根据权利要求1所述的一种HDMI线缆传输分拣智能控制***,其特征在于,所述根据像素点的邻域像素差异获得差异程度具体为:
计算像素点与其8邻域内各邻域像素点的灰度值差值,若灰度值差值小于阈值,则对应的邻域像素点与该像素点属于同一类别,记为第一类别;若灰度值差值大于或等于阈值,则对应的邻域像素点与该像素点不属于同一类别,将该邻域像素点记为第二类别;
分别计算该像素点到与其对应的两个边缘像素点的距离,根据其中最短的距离获取该像素点的周围像素点,并获取周围像素点的8邻域内各邻域像素点所属的类别;
根据像素点与周围像素点的8邻域内类别发生变化的邻域像素点的灰度值获得像素点对应的差异程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310465715.3A CN116188468B (zh) | 2023-04-27 | 2023-04-27 | 一种hdmi线缆传输分拣智能控制*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310465715.3A CN116188468B (zh) | 2023-04-27 | 2023-04-27 | 一种hdmi线缆传输分拣智能控制*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116188468A CN116188468A (zh) | 2023-05-30 |
CN116188468B true CN116188468B (zh) | 2023-07-21 |
Family
ID=86446598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310465715.3A Active CN116188468B (zh) | 2023-04-27 | 2023-04-27 | 一种hdmi线缆传输分拣智能控制*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116188468B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116721096B (zh) * | 2023-08-08 | 2023-11-14 | 东莞市南谷第电子有限公司 | 基于人工智能的新能源线束质量在线检测方法 |
CN116824516B (zh) * | 2023-08-30 | 2023-11-21 | 中冶路桥建设有限公司 | 一种涉路施工安全监测及管理*** |
CN117934455B (zh) * | 2024-03-19 | 2024-06-11 | 江苏盖亚环境科技股份有限公司 | 一种基于河道水流净化效果的检测方法及*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658381A (zh) * | 2018-11-16 | 2019-04-19 | 华南理工大学 | 一种基于超像素的柔性ic封装基板的铜面缺陷检测方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5859698A (en) * | 1997-05-07 | 1999-01-12 | Nikon Corporation | Method and apparatus for macro defect detection using scattered light |
CN104820986B (zh) * | 2015-04-28 | 2017-06-16 | 电子科技大学 | 一种基于机器视觉的线缆在线检测方法 |
CN108918542B (zh) * | 2018-08-29 | 2020-04-14 | 成都理工大学 | 一种光缆表面缺陷检测装置及方法 |
CN110853010B (zh) * | 2019-11-11 | 2022-05-13 | 江苏君英天达人工智能研究院有限公司 | 基于fwa和sm的高速铁路线缆检测方法 |
CN114842017B (zh) * | 2022-07-06 | 2022-09-27 | 济宁市海富电子科技有限公司 | 一种hdmi线缆表面质量检测方法及*** |
CN115115612B (zh) * | 2022-07-26 | 2022-11-04 | 山东安德机械科技有限公司 | 一种用于机械配件的表面缺陷检测方法及*** |
CN115629066A (zh) * | 2022-09-06 | 2023-01-20 | 华南理工大学 | 一种基于视觉引导的面向自动配线的方法及装置 |
CN115239735B (zh) * | 2022-09-23 | 2022-12-27 | 探长信息技术(苏州)有限公司 | 基于计算机视觉的通信柜表面缺陷检测方法 |
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 |
CN115375676B (zh) * | 2022-10-24 | 2023-01-24 | 微山三利特不锈钢有限公司 | 一种基于图像识别的不锈钢制品质量检测方法 |
CN115861351A (zh) * | 2022-12-07 | 2023-03-28 | 苏州镁伽科技有限公司 | 边缘检测方法、缺陷检测方法及检测装置 |
-
2023
- 2023-04-27 CN CN202310465715.3A patent/CN116188468B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658381A (zh) * | 2018-11-16 | 2019-04-19 | 华南理工大学 | 一种基于超像素的柔性ic封装基板的铜面缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116188468A (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116188468B (zh) | 一种hdmi线缆传输分拣智能控制*** | |
CN114862862B (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与*** | |
CN115170576B (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
CN115311270B (zh) | 一种塑料制品表面缺陷检测方法 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与*** | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN113689428A (zh) | 基于图像处理的机械零件应力腐蚀检测方法及*** | |
CN115239704B (zh) | 一种木材表面缺陷的精准检测修复方法 | |
CN116934740B (zh) | 基于图像处理的塑料模具表面缺陷分析检测方法 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN108734704B (zh) | 基于灰度方差归一化的输电导线断股检测方法 | |
CN117764986B (zh) | 基于图像处理的钛板表面缺陷检测方法 | |
CN115631116B (zh) | 基于双目视觉的飞行器电力巡检*** | |
CN116721107B (zh) | 一种电缆生产质量智能监控*** | |
CN116630813B (zh) | 一种公路路面施工质量智能检测*** | |
CN117315289B (zh) | 基于图像处理的航空发动机叶片轮廓边缘检测方法 | |
CN109359604B (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
CN118037722B (zh) | 一种铜管生产缺陷检测方法及*** | |
CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
CN114821158A (zh) | 一种基于图像处理的干枣质量分类方法及*** | |
CN117314940B (zh) | 基于人工智能的激光切割零件轮廓快速分割方法 | |
CN116152255B (zh) | 一种改性塑料生产瑕疵判断方法 | |
CN117078678A (zh) | 基于图像识别的废硅片形状检测方法 | |
CN114937042B (zh) | 基于机器视觉的塑料制品质量评估方法 | |
CN115994870A (zh) | 一种用于增强去噪的图像处理方法 |
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 |