CN116228777B - 一种混凝土搅拌均匀度检测方法 - Google Patents
一种混凝土搅拌均匀度检测方法 Download PDFInfo
- Publication number
- CN116228777B CN116228777B CN202310518636.4A CN202310518636A CN116228777B CN 116228777 B CN116228777 B CN 116228777B CN 202310518636 A CN202310518636 A CN 202310518636A CN 116228777 B CN116228777 B CN 116228777B
- Authority
- CN
- China
- Prior art keywords
- gray value
- fused
- gray
- pixel point
- edge
- 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
- 238000003756 stirring Methods 0.000 title claims abstract description 147
- 238000001514 detection method Methods 0.000 title description 7
- 230000004927 fusion Effects 0.000 claims abstract description 170
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000003708 edge detection Methods 0.000 claims abstract description 12
- 230000000875 corresponding effect Effects 0.000 claims description 326
- 230000002596 correlated effect Effects 0.000 claims description 21
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000002156 mixing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011426 transformation method 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
-
- 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
- G06T2207/30132—Masonry; Concrete
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/50—Reuse, recycling or recovery technologies
- Y02W30/91—Use of waste materials as fillers for mortars or concrete
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种混凝土搅拌均匀度检测方法,该方法包括:获取待检测混凝土的目标搅拌图像;对目标搅拌图像进行边缘检测;从非边缘像素点集合中筛选出待融合像素点集合;对待融合像素点集合中的待融合像素点对应的灰度值进行分组处理;对待融合灰度值组集合中的每个待融合灰度值进行纹理贡献分析处理和边缘纹理影响分析处理;确定待融合灰度值对应的非融合权值;对目标搅拌图像进行灰度融合更新;生成目标融合图像对应的目标灰度共生矩阵,对待检测混凝土的搅拌均匀度进行检测。本发明通过对目标搅拌图像进行数据处理,提高了对混凝土的搅拌均匀度进行检测的效率,主要应用于对混凝土的搅拌均匀度进行检测。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种混凝土搅拌均匀度检测方法。
背景技术
随着我国经济的发展,基础建设越来越重要,而混凝土在基础建设中扮演着一个重要的角色,无论是楼层的建立还是道路的铺设往往都需要混凝土的参与。然而当混凝土搅拌不均匀时往往影响混凝土的强度以及易性,使得建筑的强度有所下降,对生产建设有着较为严重的影响,因此对混凝土的搅拌均匀度进行检测至关重要。目前,对物体的搅拌均匀性进行检测时,通常采用的方式为:采用神经网络,对物体的搅拌均匀性进行检测。
然而,当采用神经网络,对混凝土的搅拌均匀度进行检测时,经常会存在如下技术问题:
训练神经网络时,往往需要大量标注了搅拌均匀度的混凝土图像,这些图像的收集往往需要耗费大量的时间,并且训练神经网络的时间往往也较长,因此,往往导致对混凝土的搅拌均匀度进行检测的效率低下。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
为了解决对混凝土的搅拌均匀度进行检测的效率低下的技术问题,本发明提出了一种混凝土搅拌均匀度检测方法。
本发明提供了一种混凝土搅拌均匀度检测方法,该方法包括:
获取待检测混凝土的目标搅拌图像;
对所述目标搅拌图像进行边缘检测,确定边缘像素点集合和非边缘像素点集合;
基于所述边缘像素点集合,从所述非边缘像素点集合中筛选出待融合像素点集合;
对所述待融合像素点集合中的待融合像素点对应的灰度值进行分组处理,得到待融合灰度值组集合;
对所述待融合灰度值组集合中的每个待融合灰度值进行纹理贡献分析处理,得到所述待融合灰度值对应的纹理贡献指标;
对所述待融合灰度值组集合中的每个待融合灰度值进行边缘纹理影响分析处理,得到所述待融合灰度值对应的边缘纹理影响指标;
根据所述待融合灰度值组集合中的每个待融合灰度值对应的纹理贡献指标和边缘纹理影响指标,确定所述待融合灰度值对应的非融合权值;
根据所述待融合灰度值组集合中的各个待融合灰度值对应的非融合权值,对所述目标搅拌图像进行灰度融合更新,得到目标融合图像;
生成所述目标融合图像对应的目标灰度共生矩阵,并根据所述目标灰度共生矩阵,对所述待检测混凝土的搅拌均匀度进行检测。
进一步地,所述基于所述边缘像素点集合,从所述非边缘像素点集合中筛选出待融合像素点集合,包括:
将所述边缘像素点集合中的边缘像素点对应的灰度值,组合为边缘灰度值集合;
将所述非边缘像素点集合中的非边缘像素点对应的灰度值,组合为非边缘灰度值集合;
从所述非边缘灰度值集合中筛选出不属于所述边缘灰度值集合的灰度值,作为待融合灰度值,得到待融合灰度值集合;
从所述非边缘像素点集合中筛选出灰度值属于所述待融合灰度值集合的非边缘像素点,作为待融合像素点,得到待融合像素点集合。
进一步地,所述对所述待融合像素点集合中的待融合像素点对应的灰度值进行分组处理,得到待融合灰度值组集合,包括:
对所述边缘灰度值集合中的边缘灰度值进行排序,得到边缘灰度值序列;
将所述边缘灰度值序列中每相邻的两个边缘灰度值,作为一个灰度值区间的两个端点,若所述边缘灰度值序列中最小的边缘灰度值大于第一预设灰度值,则将第一预设灰度值和最小的边缘灰度值作为一个灰度值区间的两个端点,若所述边缘灰度值序列中最大的边缘灰度值小于第二预设灰度值,则将第二预设灰度值和最大的边缘灰度值作为一个灰度值区间的两个端点;
从所述待融合灰度值集合中筛选出属于同一个灰度值区间的待融合灰度值,组合为待融合灰度值组,得到所述待融合灰度值集合对应的待融合灰度值组集合。
进一步地,所述对所述待融合灰度值组集合中的每个待融合灰度值进行纹理贡献分析处理,得到所述待融合灰度值对应的纹理贡献指标,包括:
从所述待融合像素点集合中筛选出灰度值等于所述待融合灰度值的待融合像素点,作为第一像素点,得到所述待融合灰度值对应的第一像素点集合;
根据所述待融合灰度值和第一像素点集合中的每个第一像素点对应的第一预设邻域,确定所述第一像素点对应的第一贡献指标;
根据第一像素点集合中的各个第一像素点对应的第一贡献指标,确定所述待融合灰度值对应的纹理贡献指标,其中,第一像素点集合中的各个第一像素点对应的第一贡献指标与纹理贡献指标呈正相关。
进一步地,所述根据所述待融合灰度值和第一像素点集合中的每个第一像素点对应的第一预设邻域,确定所述第一像素点对应的第一贡献指标,包括:
从所述第一像素点对应的第一预设邻域内筛选出非边缘像素点,作为参考像素点,得到所述第一像素点对应的参考像素点集合;
将所述待融合灰度值与所述第一像素点对应的参考像素点集合中的每个参考像素点对应的灰度值的差值的绝对值,确定为所述参考像素点对应的第一差异;
根据所述第一像素点对应的参考像素点集合中的各个参考像素点对应的第一差异,确定所述第一像素点对应的第二差异,其中,参考像素点集合中的各个参考像素点对应的第一差异与第二差异呈正相关;
对所述第一像素点对应的第二差异进行归一化,得到所述第一像素点对应的差异权重;
根据所述第一像素点对应的差异权重和第二差异,确定所述第一像素点对应的第一贡献指标,其中,差异权重和第二差异均与第一贡献指标呈正相关。
进一步地,所述对所述待融合灰度值组集合中的每个待融合灰度值进行边缘纹理影响分析处理,得到所述待融合灰度值对应的边缘纹理影响指标,包括:
从第一像素点集合中所有第一像素点对应的第二预设邻域内筛选出边缘像素点,作为第二像素点,得到所述待融合灰度值对应的第二像素点集合;
对所述待融合灰度值与第二像素点集合中灰度值不同的每种第二像素点对应的灰度值的差值的绝对值进行负相关映射,得到所述待融合灰度值与灰度值不同的每种第二像素点之间的第一影响指标;
将第一像素点集合中第一像素点的数量与第二预设邻域中邻域像素点的数量的乘积,确定为所述待融合灰度值对应的第一数量;
将灰度值不同的每种第二像素点中第二像素点的数量与第一数量的比值,确定为所述待融合灰度值与灰度值不同的每种第二像素点之间的数量占比指标;
根据所述待融合灰度值与灰度值不同的每种第二像素点之间的第一影响指标与数量占比指标,确定所述待融合灰度值与灰度值不同的每种第二像素点之间的第二影响指标,其中,第一影响指标和数量占比指标均与第二影响指标呈正相关;
根据所述待融合灰度值与第二像素点集合中灰度值不同的各种第二像素点之间的第二影响指标,确定所述待融合灰度值对应的边缘纹理影响指标,其中,所述待融合灰度值与第二像素点集合中灰度值不同的各种第二像素点之间的第二影响指标与边缘纹理影响指标呈正相关。
进一步地,所述根据所述待融合灰度值组集合中的每个待融合灰度值对应的纹理贡献指标和边缘纹理影响指标,确定所述待融合灰度值对应的非融合权值,包括:
根据所述待融合灰度值对应的纹理贡献指标和边缘纹理影响指标,确定所述待融合灰度值对应的第一非融合指标,其中,纹理贡献指标与第一非融合指标呈正相关,边缘纹理影响指标与第一非融合指标呈负相关;
对所述待融合灰度值对应的第一非融合指标进行归一化,得到所述待融合灰度值对应的非融合权值。
进一步地,所述根据所述待融合灰度值组集合中的各个待融合灰度值对应的非融合权值,对所述目标搅拌图像进行灰度融合更新,得到目标融合图像,包括:
对所述待融合灰度值组集合中的每个待融合灰度值组中的待融合灰度值进行排序,确定所述待融合灰度值组对应的待融合灰度值序列,得到所述待融合灰度值组集合对应的待融合灰度值序列集合;
对于所述待融合灰度值序列集合中的每个待融合灰度值序列,对所述待融合灰度值序列中最大和最小的待融合灰度值的均值进行取整,得到所述待融合灰度值序列对应的灰度融合趋势;
以每个待融合灰度值序列对应的灰度融合趋势为分割点,将所述待融合灰度值序列划分为两个子灰度值序列;
对于得到的每个子灰度值序列中的每个待融合灰度值,将所述待融合灰度值对应的非融合权值与所述待融合灰度值之前的各个待融合灰度值对应的非融合权值的累加和,确定为所述待融合灰度值对应的整体非融合权重;
从每个子灰度值序列中筛选出整体非融合权重大于或等于预设非融合阈值的待融合灰度值,作为第一候选灰度值,得到所述子灰度值序列对应的第一候选灰度值集合;
若子灰度值序列对应的第一候选灰度值集合不是空集,则确定子灰度值序列对应的目标灰度值集合;
对子灰度值序列对应的目标灰度值集合中的目标灰度值进行排序,得到子灰度值序列对应的目标灰度值序列;
将子灰度值序列对应的目标灰度值序列中每相邻的两个目标灰度值,作为一个融合区间的两个端点;
将子灰度值序列中属于同一个融合区间中的待融合灰度值,组合为目标候选灰度值组;
将所述目标搅拌图像中灰度值属于得到的每个目标候选灰度值组的像素点对应的灰度值,更新为所述目标候选灰度值组中所有目标候选灰度值的均值;
将最终更新完成的目标搅拌图像,确定为目标融合图像。
进一步地,所述若子灰度值序列对应的第一候选灰度值集合不是空集,则确定子灰度值序列对应的目标灰度值集合,包括:
将第一候选灰度值集合中整体非融合权重最小的第一候选灰度值,确定为目标灰度值;
将第一候选灰度值集合中除了整体非融合权重最小的第一候选灰度值之外的第一候选灰度值,作为第二候选灰度值,得到子灰度值序列对应的第二候选灰度值集合;
将第二候选灰度值集合中的每个第二候选灰度值对应的整体非融合权重,更新为所述第二候选灰度值对应的整体非融合权重与预设非融合阈值的差值;
从第二候选灰度值集合中筛选出更新后的整体非融合权重大于或等于预设非融合阈值的第二候选灰度值,作为第三候选灰度值,得到第三候选灰度值集合;
将第一候选灰度值集合更新为第三候选灰度值集合;
若最新更新后的第一候选灰度值集合不是空集,则重复第一候选灰度值集合更新步骤,直至最新更新后的第一候选灰度值集合为空集,将子灰度值序列中最大和最小的待融合灰度值,确定为目标灰度值,并将确定的所有的目标灰度值,组合为子灰度值序列对应的目标灰度值集合。
进一步地,所述根据所述目标灰度共生矩阵,对所述待检测混凝土的搅拌均匀度进行检测,包括:
根据所述目标灰度共生矩阵,确定目标均匀指标;
当所述目标均匀指标大于或等于预设均匀阈值时,判定所述待检测混凝土的搅拌均匀度合格;
当所述目标均匀指标小于预设均匀阈值时,判定所述待检测混凝土的搅拌均匀度不合格。
本发明具有如下有益效果:
本发明的一种混凝土搅拌均匀度检测方法,通过对目标搅拌图像进行数据处理,解决了对混凝土的搅拌均匀度进行检测的效率低下的技术问题,提高了对混凝土的搅拌均匀度进行检测的效率。首先,由于待检测混凝土的目标搅拌图像上包含表征待检测混凝土搅拌情况的信息,因此获取目标搅拌图像,可以便于后续对待检测混凝土的搅拌均匀度进行检测。然后,由于待检测混凝土的搅拌均匀度往往与目标搅拌图像的边缘有关,因此对目标搅拌图像进行边缘检测,可以便于确定目标搅拌图像的边缘情况。其次,由于边缘像素点与非边缘像素点对目标搅拌图像的纹理贡献是不相同的,因此从目标搅拌图像中划分出边缘像素点集合和非边缘像素点集合,可以便于后续对目标搅拌图像中的灰度值进行精确融合。接着,由于边缘像素点相较于非边缘像素点,对待检测混凝土的搅拌均匀度的影响程度往往较大,边缘像素点往往不需要进行融合,因此基于边缘像素点集合,从非边缘像素点集合中筛选出待融合像素点集合,可以在保留边缘纹理细节的情况下更加精确的筛选出待融合像素点。再者,对待融合像素点集合中的待融合像素点对应的灰度值进行分组处理,可以便于后续对每个待融合灰度值进行分析处理。继续,由于待检测混凝土的搅拌均匀度往往与纹理有关,因此对每个待融合灰度值进行纹理贡献分析处理,得到待融合灰度值对应的纹理贡献指标,可以便于后续判断待融合灰度值是否需要融合。其次,由于待检测混凝土的搅拌均匀度往往与边缘纹理有关,因此对每个待融合灰度值进行边缘纹理影响分析处理,得到待融合灰度值对应的边缘纹理影响指标,可以便于后续判断待融合灰度值是否需要融合。之后,综合考虑待融合灰度值对应的纹理贡献指标和边缘纹理影响指标,确定待融合灰度值对应的非融合权值,可以提高非融合权值确定的准确度。而后,综合考虑待融合灰度值组集合中的各个待融合灰度值对应的非融合权值,对目标搅拌图像进行灰度融合更新,可以提高灰度融合更新的精确性。其次,由于目标融合图像是进行灰度融合更新后的目标搅拌图像,所以目标融合图像中灰度值的种数往往比目标搅拌图像中灰度值的种数要少,因此生成目标融合图像对应的目标灰度共生矩阵,相较于直接生成目标搅拌图像的灰度共生矩阵,需要的计算量往往较少,占用的计算资源往往较少,从而可以提高对混凝土的搅拌均匀度进行检测的效率。最后,基于目标灰度共生矩阵,对待检测混凝土的搅拌均匀度进行检测,可以实现对待检测混凝土搅拌均匀度的检测,并且本发明不需进行神经网络的训练,从而可以提高对混凝土的搅拌均匀度进行检测的效率。
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为根据本发明的一种混凝土搅拌均匀度检测方法的流程图。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外,一个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。
本发明提供了一种混凝土搅拌均匀度检测方法,该方法包括以下步骤:
获取待检测混凝土的目标搅拌图像;
对目标搅拌图像进行边缘检测,确定边缘像素点集合和非边缘像素点集合;
基于边缘像素点集合,从非边缘像素点集合中筛选出待融合像素点集合;
对待融合像素点集合中的待融合像素点对应的灰度值进行分组处理,得到待融合灰度值组集合;
对待融合灰度值组集合中的每个待融合灰度值进行纹理贡献分析处理,得到待融合灰度值对应的纹理贡献指标;
对待融合灰度值组集合中的每个待融合灰度值进行边缘纹理影响分析处理,得到待融合灰度值对应的边缘纹理影响指标;
根据待融合灰度值组集合中的每个待融合灰度值对应的纹理贡献指标和边缘纹理影响指标,确定待融合灰度值对应的非融合权值;
根据待融合灰度值组集合中的各个待融合灰度值对应的非融合权值,对目标搅拌图像进行灰度融合更新,得到目标融合图像;
生成目标融合图像对应的目标灰度共生矩阵,并根据目标灰度共生矩阵,对待检测混凝土的搅拌均匀度进行检测。
下面对上述各个步骤进行详细展开:
参考图1,示出了根据本发明的一种混凝土搅拌均匀度检测方法的一些实施例的流程。该混凝土搅拌均匀度检测方法,包括以下步骤:
步骤S1,获取待检测混凝土的目标搅拌图像。
在一些实施例中,可以获取待检测混凝土的目标搅拌图像。
其中,待检测混凝土可以是待进行搅拌均匀情况检测的混凝土。目标搅拌图像可以是搅拌后的待检测混凝土的图像。
需要说明的是,由于待检测混凝土的目标搅拌图像上包含表征待检测混凝土搅拌情况的信息,因此获取目标搅拌图像,可以便于后续对待检测混凝土的搅拌均匀度进行检测。
作为示例,本步骤可以包括以下步骤:
第一步,通过相机,采集搅拌后的待检测混凝土的表面图像,作为初始图像。
其中,初始图像可以是RGB(Red Green Blue,颜色标准)图像。
第二步,对初始图像进行视角矫正,得到矫正图像。
其中,矫正图像可以是进行视角矫正后的初始图像。
例如,可以采用图像视角矫正中的线性变换法,对初始图像进行视角矫正,得到矫正图像。
需要说明的是,利用相机拍摄搅拌后的待检测混凝土的表面图像时,往往存在一定的视角偏差,在视角偏差情况下往往会导致局部细节失真,从而往往导致后续对混凝土的搅拌均匀度确定的准确度低下,因此对初始图像进行视角矫正,可以提高后续对混凝土的搅拌均匀度确定的准确度。
第三步,对矫正图像进行灰度化,得到目标搅拌图像。
其中,目标搅拌图像中像素点对应的灰度值的取值范围可以为[0,255]。
需要说明的是,灰度化可以使原本三个通道的图像转变为一个通道,从而可以减少整体的计算量。
步骤S2,对目标搅拌图像进行边缘检测,确定边缘像素点集合和非边缘像素点集合。
在一些实施例中,可以对上述目标搅拌图像进行边缘检测,确定边缘像素点集合和非边缘像素点集合。
需要说明的是,由于待检测混凝土的搅拌均匀度往往与目标搅拌图像的边缘有关,因此对目标搅拌图像进行边缘检测,可以便于确定目标搅拌图像的边缘情况。其次,由于边缘像素点与非边缘像素点对目标搅拌图像的纹理贡献是不相同的,因此从目标搅拌图像中划分出边缘像素点集合和非边缘像素点集合,可以便于后续对目标搅拌图像中的灰度值进行精确融合。
作为示例,本步骤可以包括以下步骤:
第一步,利用Canny边缘检测算子,对目标搅拌图像进行边缘检测,并将得到的边缘图像作为初始边缘图像。
第二步,利用形态学闭运算(先膨胀后腐蚀),对初始边缘图像进行边缘拼接,并将边缘拼接后的初始边缘图像,确定为目标边缘图像。
需要说明的是,使用Canny边缘检测算子所检测出的初始边缘图像由于丢失了部分边缘信息,往往导致初始边缘图像中的边缘不连续,使用形态学闭运算对初始边缘图像进行处理,可以获得边缘连续的目标边缘图像,可以便于后续判断目标搅拌图像中的像素点是否为边缘像素点。
第三步,将目标边缘图像中边缘上像素点,确定为边缘像素点,并将确定的所有边缘像素点组成边缘像素点集合。
例如,可以将目标边缘图像中边缘上像素点,标记为边缘像素点。
第四步,将目标边缘图像中除了边缘之外的像素点,确定为非边缘像素点,并将确定的所有非边缘像素点组成非边缘像素点集合。
步骤S3,基于边缘像素点集合,从非边缘像素点集合中筛选出待融合像素点集合。
在一些实施例中,可以基于上述边缘像素点集合,从上述非边缘像素点集合中筛选出待融合像素点集合。
需要说明的是,由于边缘像素点相较于非边缘像素点,对待检测混凝土的搅拌均匀度的影响程度往往较大,边缘像素点往往不需要进行融合,因此基于边缘像素点集合,从非边缘像素点集合中筛选出待融合像素点集合,可以在保留边缘纹理细节的情况下更加精确的筛选出待融合像素点。
作为示例,本步骤可以包括以下步骤:
第一步,将上述边缘像素点集合中的边缘像素点对应的灰度值,组合为边缘灰度值集合。
其中,边缘灰度值集合可以包括:边缘像素点集合中所有边缘像素点对应的灰度值。边缘灰度值集合可以是进行去重后的集合。
例如,若边缘像素点集合包括3个边缘像素点,并且这3个边缘像素点对应的灰度值分别为11、12和11,则边缘灰度值集合可以包括:11和12。
第二步,将上述非边缘像素点集合中的非边缘像素点对应的灰度值,组合为非边缘灰度值集合。
其中,非边缘灰度值集合可以包括:非边缘像素点集合中所有非边缘像素点对应的灰度值。非边缘灰度值集合可以是进行去重后的集合。
第三步,从上述非边缘灰度值集合中筛选出不属于上述边缘灰度值集合的灰度值,作为待融合灰度值,得到待融合灰度值集合。
第四步,从上述非边缘像素点集合中筛选出灰度值属于上述待融合灰度值集合的非边缘像素点,作为待融合像素点,得到待融合像素点集合。
需要说明的是,将非边缘像素点集合中灰度值属于待融合灰度值集合的非边缘像素点,作为待融合像素点,可以便于后续对待融合像素点对应的灰度值进行融合。其次,由于待融合像素点对应的灰度值与边缘像素点对应的灰度值不同,可以便于后续基于边缘像素点对应的灰度值,对待融合像素点对应的灰度值进行融合。
步骤S4,对待融合像素点集合中的待融合像素点对应的灰度值进行分组处理,得到待融合灰度值组集合。
在一些实施例中,可以对上述待融合像素点集合中的待融合像素点对应的灰度值进行分组处理,得到待融合灰度值组集合。
需要说明的是,对待融合像素点集合中的待融合像素点对应的灰度值进行分组处理,可以便于后续对每个待融合灰度值进行分析处理。
作为示例,本步骤可以包括以下步骤:
第一步,对上述边缘灰度值集合中的边缘灰度值进行排序,得到边缘灰度值序列。
例如,可以按照从小到大的顺序,对边缘灰度值集合中的边缘灰度值进行排序,得到边缘灰度值序列。
第二步,将上述边缘灰度值序列中每相邻的两个边缘灰度值,作为一个灰度值区间的两个端点,若上述边缘灰度值序列中最小的边缘灰度值大于第一预设灰度值,则将第一预设灰度值和最小的边缘灰度值作为一个灰度值区间的两个端点,若上述边缘灰度值序列中最大的边缘灰度值小于第二预设灰度值,则将第二预设灰度值和最大的边缘灰度值作为一个灰度值区间的两个端点。
其中,第一预设灰度值可以是预先设置的灰度值。第一预设灰度值可以是目标搅拌图像中最小的灰度值。比如,第一预设灰度值可以是0。第二预设灰度值可以是预先设置的灰度值。第二预设灰度值可以是目标搅拌图像中最大的灰度值。比如,第二预设灰度值可以是255。
例如,首先可以将上述边缘灰度值序列中每相邻的两个边缘灰度值,作为一个灰度值区间的两个端点,此时得到的灰度值区间可以是开区间。接着,若上述边缘灰度值序列中最小的边缘灰度值大于第一预设灰度值,则将第一预设灰度值和最小的边缘灰度值作为一个灰度值区间的两个端点,此时得到的灰度值区间可以是左闭右开的区间。然后,若上述边缘灰度值序列中最大的边缘灰度值小于第二预设灰度值,则将第二预设灰度值和最大的边缘灰度值作为一个灰度值区间的两个端点,此时得到的灰度值区间可以是左开右闭的区间。
又如,若边缘灰度值序列为{15,20,29,36},第一预设灰度值为0,并且第二预设灰度值为255,由于15>0,36<255,则可以得到5个灰度值区间,这5个灰度值区间可以分别为:[0,15)、(15,20)、(20,29)、(29,36)和(36,255]。
第三步,从上述待融合灰度值集合中筛选出属于同一个灰度值区间的待融合灰度值,组合为待融合灰度值组,得到上述待融合灰度值集合对应的待融合灰度值组集合。
其中,待融合灰度值组可以由待融合灰度值集合中属于同一个灰度值区间的待融合灰度值组成。
例如,若待融合灰度值集合为{2,10,21,30,35},边缘灰度值序列为{20},第一预设灰度值为0,并且第二预设灰度值为255,由于255>20>0,则可以得到2个灰度值区间,这2个灰度值区间可以分别为:[0,20)和(20,255],可以将{2,10,21,30,35}划分为2个待融合灰度值组,这2个待融合灰度值组可以分别为:{2,10}和{21,30,35}。
步骤S5,对待融合灰度值组集合中的每个待融合灰度值进行纹理贡献分析处理,得到待融合灰度值对应的纹理贡献指标。
在一些实施例中,可以对上述待融合灰度值组集合中的每个待融合灰度值进行纹理贡献分析处理,得到上述待融合灰度值对应的纹理贡献指标。
需要说明的是,由于待检测混凝土的搅拌均匀度往往与纹理有关,因此对每个待融合灰度值进行纹理贡献分析处理,得到待融合灰度值对应的纹理贡献指标,可以便于后续判断待融合灰度值是否需要融合。其次,不同灰度值的非边缘像素点对纹理的贡献度往往是不同的,即有一部分非边缘像素点可能对于纹理来说是不重要的,而另一部分非边缘像素点可能对于纹理来说是重要的,因此确定待融合灰度值对应的纹理贡献指标,可以量化灰度值为待融合灰度值的非边缘像素点对纹理的贡献度。
作为示例,本步骤可以包括以下步骤:
第一步,从上述待融合像素点集合中筛选出灰度值等于上述待融合灰度值的待融合像素点,作为第一像素点,得到上述待融合灰度值对应的第一像素点集合。
其中,待融合灰度值对应的第一像素点集合可以包括:待融合像素点集合中灰度值等于该待融合灰度值的待融合像素点。
第二步,根据上述待融合灰度值和第一像素点集合中的每个第一像素点对应的第一预设邻域,确定上述第一像素点对应的第一贡献指标。
其中,第一预设邻域可以是预先设置的领域。比如,第一预设邻域可以是八邻域。
例如,根据上述待融合灰度值和第一像素点集合中的每个第一像素点对应的第一预设邻域,确定上述第一像素点对应的第一贡献指标可以包括以下子步骤:
第一子步骤,从上述第一像素点对应的第一预设邻域内筛选出非边缘像素点,作为参考像素点,得到上述第一像素点对应的参考像素点集合。
第二子步骤,将上述待融合灰度值与上述第一像素点对应的参考像素点集合中的每个参考像素点对应的灰度值的差值的绝对值,确定为上述参考像素点对应的第一差异。
第三子步骤,根据上述第一像素点对应的参考像素点集合中的各个参考像素点对应的第一差异,确定上述第一像素点对应的第二差异。
其中,参考像素点集合中的各个参考像素点对应的第一差异可以与第二差异呈正相关。
第四子步骤,对上述第一像素点对应的第二差异进行归一化,得到上述第一像素点对应的差异权重。
第五子步骤,根据上述第一像素点对应的差异权重和第二差异,确定上述第一像素点对应的第一贡献指标。
其中,差异权重和第二差异均可以与第一贡献指标呈正相关。
第三步,根据第一像素点集合中的各个第一像素点对应的第一贡献指标,确定上述待融合灰度值对应的纹理贡献指标。
其中,第一像素点集合中的各个第一像素点对应的第一贡献指标可以与纹理贡献指标呈正相关。
例如,确定待融合灰度值组集合中的待融合灰度值对应的纹理贡献指标对应的公式可以为:
其中,是待融合灰度值组集合中的第i个待融合灰度值组中的第j个待融合灰度
值对应的纹理贡献指标。是第i个待融合灰度值组中的第j个待融合灰度值对应的第一
像素点集合中的第n个第一像素点对应的第二差异。是第i个待融合灰度值组中的第j
个待融合灰度值对应的第一像素点集合中,第n个第一像素点对应的参考像素点集合中参
考像素点的数量。是第i个待融合灰度值组中的第j个待融合灰度值。是第i个待融
合灰度值组中的第j个待融合灰度值对应的第一像素点集合中,第n个第一像素点对应的参
考像素点集合中的第m个参考像素点对应的灰度值。是自然常数的次方。是第i个待融合灰度值组中的第j个待融合灰度值对应的第一像素点集合中的第n个第
一像素点对应的差异权重。是第i个待融合灰度值组中的第j个待融合灰度值对应的第
一像素点集合中第一像素点的数量。是第i个待融合灰度值组中第j个待融合
灰度值对应的第一像素点集合中,第n个第一像素点对应的参考像素点集合中的第m个参考
像素点对应的第一差异。是的绝对值。是第i个待融合灰
度值组中的第j个待融合灰度值对应的第一像素点集合中的第n个第一像素点对应的第一
贡献指标。和均与呈正相关。是第i个待融合灰
度值组中的第j个待融合灰度值对应的第一像素点集合中所有第一像素点对应的第一贡献
指标的均值。与呈正相关。是第n个第一像素点对应的
参考像素点集合中所有参考像素点对应的第一差异的均值。与第二差异呈
正相关。可以实现对的归一化。i是待融合灰度值组集合中待融合灰度
值组的序号。j是第i个待融合灰度值组中待融合灰度值的序号。n是第j个待融合灰度值对
应的第一像素点集合中第一像素点的序号。m是第n个第一像素点对应的参考像素点集合中
参考像素点的序号。
需要说明的是,当越大时,往往说明第j个待融合灰度值与第m个参考
像素点对应的灰度值之间的灰度差异越大。当越大时,往往说明第n个第一像素点与第
n个第一像素点对应的参考像素点集合之间的灰度差异越大,往往说明第n个第一像素点与
第n个第一像素点对应的第一预设邻域内的非边缘像素点之间的灰度差异越大。由于
越大时,越大,所以越大时,往往说明第n个第一像素点与第一预设邻域内的非边
缘像素点之间的灰度差异越大。其次由于的取值范围为[0,1],因此可以表征第n
个第一像素点与第一预设邻域内的非边缘像素点之间的灰度差异权重。越大,
往往说明第n个第一像素点与第一预设邻域内的非边缘像素点之间的灰度差异越大。因此,越大时,往往说明第一像素点集合中所有第一像素点与各自第一预设邻域内的非边缘像
素点之间的灰度差异越大,往往说明灰度值等于第j个待融合灰度值的非边缘像素点与各
自第一预设邻域内的非边缘像素点之间的灰度差异越大,往往说明第j个待融合灰度值对
纹理的贡献度越高,往往说明第j个待融合灰度值越不需要进行融合,以保留第j个待融合
灰度值对纹理的贡献。
步骤S6,对待融合灰度值组集合中的每个待融合灰度值进行边缘纹理影响分析处理,得到待融合灰度值对应的边缘纹理影响指标。
在一些实施例中,可以对上述待融合灰度值组集合中的每个待融合灰度值进行边缘纹理影响分析处理,得到上述待融合灰度值对应的边缘纹理影响指标。
需要说明的是,由于待检测混凝土的搅拌均匀度往往与边缘纹理有关,因此对每个待融合灰度值进行边缘纹理影响分析处理,得到待融合灰度值对应的边缘纹理影响指标,可以便于后续判断待融合灰度值是否需要融合。其次不同灰度值的非边缘像素点对边缘像素点的纹理影响情况往往是不同的,即有一部分非边缘像素点可能对边缘像素点的纹理影响比较大,而另一部分非边缘像素点可能对边缘像素点的纹理影响比较小,因此确定待融合灰度值对应的边缘纹理影响指标,可以量化灰度值为待融合灰度值的非边缘像素点对边缘纹理的影响情况。
作为示例,本步骤可以包括以下步骤:
第一步,从第一像素点集合中所有第一像素点对应的第二预设邻域内筛选出边缘像素点,作为第二像素点,得到上述待融合灰度值对应的第二像素点集合。
其中,第一像素点集合对应的第二像素点集合可以包括:该第一像素点集合中所有第一像素点对应的第二预设邻域内的边缘像素点。第二预设邻域可以是预先设置的邻域。例如,第二预设邻域可以是八邻域。
第二步,对上述待融合灰度值与第二像素点集合中灰度值不同的每种第二像素点对应的灰度值的差值的绝对值进行负相关映射,得到上述待融合灰度值与灰度值不同的每种第二像素点之间的第一影响指标。
其中,第二像素点集合中灰度值相同的第二像素点可以是同一种第二像素点。第二像素点集合中灰度值不同的第二像素点可以是不同种类的第二像素点。
第三步,将第一像素点集合中第一像素点的数量与第二预设邻域中邻域像素点的数量的乘积,确定为上述待融合灰度值对应的第一数量。
第四步,将灰度值不同的每种第二像素点中第二像素点的数量与第一数量的比值,确定为上述待融合灰度值与灰度值不同的每种第二像素点之间的数量占比指标。
第五步,根据上述待融合灰度值与灰度值不同的每种第二像素点之间的第一影响指标与数量占比指标,确定上述待融合灰度值与灰度值不同的每种第二像素点之间的第二影响指标。
其中,第一影响指标和数量占比指标均可以与第二影响指标呈正相关。
第六步,根据上述待融合灰度值与第二像素点集合中灰度值不同的各种第二像素点之间的第二影响指标,确定上述待融合灰度值对应的边缘纹理影响指标。
其中,上述待融合灰度值可以与第二像素点集合中灰度值不同的各种第二像素点之间的第二影响指标与边缘纹理影响指标呈正相关。
例如,确定待融合灰度值组集合中的待融合灰度值对应的边缘纹理影响指标对应的公式可以为:
其中,是待融合灰度值组集合中的第i个待融合灰度值组中的第j个待融合灰度
值对应的边缘纹理影响指标。是第i个待融合灰度值组中的第j个待融合灰度值对应的
第二像素点集合中灰度值不同的第二像素点的种数。是第i个待融合灰度值组中的第j
个待融合灰度值。是第i个待融合灰度值组中的第j个待融合灰度值对应的第二像素点
集合中灰度值不同的第b种第二像素点对应的灰度值。是第i个待融合灰度值组中的第j
个待融合灰度值对应的第二像素点集合中灰度值不同的第b种第二像素点中第二像素点的
数量。是第i个待融合灰度值组中的第j个待融合灰度值对应的第一像素点集合中第一
像素点的数量。c是第二预设邻域中邻域像素点的数量。比如,若第二预设邻域是八邻域,则
c为8。是的绝对值。是自然常数的次方。可以实现对的负相关映射。是第j个待融合
灰度值与灰度值不同的第b种第二像素点之间的第一影响指标。是第i个待融合灰度
值组中的第j个待融合灰度值对应的第一数量。是第j个待融合灰度值与灰度值不同的
第b种第二像素点之间的数量占比指标。是第j个待融合灰度值与
灰度值不同的第b种第二像素点之间的第二影响指标。与均与呈正相关。是第j个待融合
灰度值与第二像素点集合中所有灰度值不同的第二像素点之间的第二影响指标的均值。与呈正相关。i是待融合灰度值组集合中待融合灰度值组的序
号。j是第i个待融合灰度值组中待融合灰度值的序号。b是第j个待融合灰度值对应的第二
像素点集合中灰度值不同的第二像素点的种号。
需要说明的是,当越小时,往往说明第j个待融合灰度值与第b种第二像
素点对应的灰度值之间的灰度差异越小,往往说明第j个待融合灰度值与第b种第二像素点
对应的灰度值越相似,往往说明灰度值为第j个待融合灰度值的非边缘像素点越会使第b种
第二像素点的边缘情况不明显,往往说明灰度值为第j个待融合灰度值的非边缘像素点与
第b种第二像素点之间的对比度越不明显,往往说明第j个待融合灰度值对第b种第二像素
点的影响程度越大。越大,往往说明灰度值为第j个待融合灰度值的所有非边缘像素点
对应的第二预设邻域内第b种第二像素点的占比越大,往往说明灰度值为第j个待融合灰度
值的非边缘像素点对第b种第二像素点的伴随程度越大,往往说明第j个待融合灰度值对第
b种第二像素点的影响程度越大。因此当越大时,往往说明灰度值为第j个待融合灰度值
的非边缘像素点越会使边缘像素点的边缘情况不明显,并且对边缘像素点的伴随程度越
大,从而往往说明第j个待融合灰度值对边缘像素点的影响程度越大,往往说明第j个待融
合灰度值越需要进行融合,以放大第j个待融合灰度值与边缘像素点对应的灰度值之间的
差异,从而增强边缘的对比度。
步骤S7,根据待融合灰度值组集合中的每个待融合灰度值对应的纹理贡献指标和边缘纹理影响指标,确定待融合灰度值对应的非融合权值。
在一些实施例中,可以根据上述待融合灰度值组集合中的每个待融合灰度值对应的纹理贡献指标和边缘纹理影响指标,确定上述待融合灰度值对应的非融合权值。
需要说明的是,由于待融合灰度值对应的纹理贡献指标量化了灰度值为待融合灰度值的非边缘像素点对纹理的贡献度,边缘纹理影响指标量化了灰度值为待融合灰度值的非边缘像素点对边缘纹理的影响情况,因此综合考虑待融合灰度值对应的纹理贡献指标和边缘纹理影响指标,确定待融合灰度值对应的非融合权值,可以量化待融合灰度值不需要进行融合的程度,并且提高了非融合权值确定的准确度。
作为示例,本步骤可以包括以下步骤:
第一步,根据上述待融合灰度值对应的纹理贡献指标和边缘纹理影响指标,确定上述待融合灰度值对应的第一非融合指标。
其中,纹理贡献指标可以与第一非融合指标呈正相关。边缘纹理影响指标可以与第一非融合指标呈负相关。
第二步,对上述待融合灰度值对应的第一非融合指标进行归一化,得到上述待融合灰度值对应的非融合权值。
例如,确定待融合灰度值组集合中的待融合灰度值对应的非融合权值对应的公式可以为:
其中,是待融合灰度值组集合中的第i个待融合灰度值组中的第j个待融合灰
度值对应的非融合权值。是待融合灰度值组集合中的第i个待融合灰度值组中的第j个待
融合灰度值对应的边缘纹理影响指标。是待融合灰度值组集合中的第i个待融合灰度值
组中的第j个待融合灰度值对应的纹理贡献指标。是预先设置的因子,主要用于防止分母
为0。比如,可以为0.01。是自然常数的次方。是待融合灰度值组
集合中的第i个待融合灰度值组中的第j个待融合灰度值对应的第一非融合指标。与呈负相关。与呈正相关。的取值范围为[0,1],可以实现对的归一化。i是待融合灰度值组集合中待融合灰度值组的序号。j是第i个待融合灰度
值组中待融合灰度值的序号。
需要说明的是,由于越大时,往往说明第j个待融合灰度值越不需要进行融合,
以保留第j个待融合灰度值对纹理的贡献。当越大时,往往说明第j个待融合灰度值越需
要进行融合,以放大第j个待融合灰度值与边缘像素点对应的灰度值之间的差异。因此
越大,往往说明第j个待融合灰度值越不需要与相邻的待融合灰度值进行融合,可以便于后
续保留对纹理贡献度较高,并且对边缘影响比较小的待融合灰度值。越小,往往说明第j
个待融合灰度值越需要与相邻的待融合灰度值进行融合。可以用于防止分母为0,并且为
了防止本发明中的分母为0,可以为本发明中所有的分母加上一个预先设置的大于0的因
子,比如,可以取0.01。
步骤S8,根据待融合灰度值组集合中的各个待融合灰度值对应的非融合权值,对目标搅拌图像进行灰度融合更新,得到目标融合图像。
在一些实施例中,可以根据上述待融合灰度值组集合中的各个待融合灰度值对应的非融合权值,对上述目标搅拌图像进行灰度融合更新,得到目标融合图像。
需要说明的是,由于目标融合图像是进行灰度融合更新后的目标搅拌图像,所以目标融合图像中灰度值的种数往往比目标搅拌图像中灰度值的种数要少,因此生成目标融合图像对应的目标灰度共生矩阵,相较于直接生成目标搅拌图像的灰度共生矩阵,需要的计算量往往较少,占用的计算资源往往较少,从而可以提高对混凝土的搅拌均匀度进行检测的效率。
作为示例,本步骤可以包括以下步骤:
第一步,对上述待融合灰度值组集合中的每个待融合灰度值组中的待融合灰度值进行排序,确定上述待融合灰度值组对应的待融合灰度值序列,得到上述待融合灰度值组集合对应的待融合灰度值序列集合。
其中,待融合灰度值组集合中的待融合灰度值组可以与待融合灰度值序列集合中的待融合灰度值序列一一对应。待融合灰度值组对应的待融合灰度值序列可以是对该待融合灰度值组中的待融合灰度值进行排序后,得到的序列。
例如,可以按照从小到大的顺序,对待融合灰度值组中的待融合灰度值进行排序,得到待融合灰度值组对应的待融合灰度值序列。
第二步,对于上述待融合灰度值序列集合中的每个待融合灰度值序列,对上述待融合灰度值序列中最大和最小的待融合灰度值的均值进行取整,得到上述待融合灰度值序列对应的灰度融合趋势。
例如,确定待融合灰度值序列对应的灰度融合趋势对应的公式可以为:
其中,是待融合灰度值序列集合中的第i个待融合灰度值序列对应的灰度融合
趋势。是第i个待融合灰度值序列中最大的待融合灰度值。是第i个待融合灰度值序列
中最小的待融合灰度值。是和的均值。是对的取整。由于i是待融合灰度值组集合中待融合灰度值组的序号,并且待融合
灰度值组集合中的待融合灰度值组与待融合灰度值序列集合中的待融合灰度值序列一一
对应,因此i还可以是待融合灰度值序列集合中待融合灰度值序列的序号。
需要说明的是,确定第i个待融合灰度值序列对应的灰度融合趋势,可以便于后
续将第i个待融合灰度值序列划分为两个子灰度值序列。
第三步,以每个待融合灰度值序列对应的灰度融合趋势为分割点,将上述待融合灰度值序列划分为两个子灰度值序列。
例如,首先可以截取待融合灰度值序列中大于或等于灰度融合趋势的待融合灰度值所在的子序列,作为一个子灰度值序列。接着可以截取待融合灰度值序列中小于灰度融合趋势的待融合灰度值所在的子序列,作为另一个子灰度值序列。
比如,若待融合灰度值序列是{8,10,20,22,26},则该待融合灰度值序列对应的灰
度融合趋势可以为,以17为分割点,对待融合灰度值序列进行划分,得
到的两个子灰度值序列可以分别为{8,10}和{20,22,26}。
第四步,对于得到的每个子灰度值序列中的每个待融合灰度值,将上述待融合灰度值对应的非融合权值与上述待融合灰度值之前的各个待融合灰度值对应的非融合权值的累加和,确定为上述待融合灰度值对应的整体非融合权重。
例如,确定每个子灰度值序列中的待融合灰度值对应的整体非融合权重对应的公式可以为:
其中,是第x个子灰度值序列中的第k个待融合灰度值对应的整体非融合权重。是第x个子灰度值序列中的第t个待融合灰度值对应的非融合权值。x是得到的子灰度值
序列的序号。k是第x个子灰度值序列中待融合灰度值的序号。t的取值范围可以为[1,k]。t
是子灰度值序列中前k个待融合灰度值中待融合灰度值的序号。
需要说明的是,可以表征第x个子灰度值序列中前k个待融合灰度值不需要与
第x个子灰度值序列中第k个待融合灰度值之后的待融合灰度值进行融合的权重。越小,
往往说明第k个待融合灰度值可能越需要与第k个待融合灰度值之后的待融合灰度值进行
融合。越大,往往说明第x个子灰度值序列中前k个待融合灰度值越可能已经达到了需要
融合的数量。因此确定待融合灰度值对应的整体非融合权重,可以便于后续对待融合灰度
值进行融合。
第五步,从每个子灰度值序列中筛选出整体非融合权重大于或等于预设非融合阈值的待融合灰度值,作为第一候选灰度值,得到上述子灰度值序列对应的第一候选灰度值集合。
其中,预设非融合阈值可以是预先设置的认为待融合灰度值不需要继续与后面的待融合灰度值进行融合时,所设置的最小的整体非融合权重。例如,预设非融合阈值可以是1。
第六步,若子灰度值序列对应的第一候选灰度值集合不是空集,则确定子灰度值序列对应的目标灰度值集合。
例如,若子灰度值序列对应的第一候选灰度值集合不是空集,则确定子灰度值序列对应的目标灰度值集合可以包括以下子步骤:
第一子步骤,将第一候选灰度值集合中整体非融合权重最小的第一候选灰度值,确定为目标灰度值。
第二子步骤,将第一候选灰度值集合中除了整体非融合权重最小的第一候选灰度值之外的第一候选灰度值,作为第二候选灰度值,得到子灰度值序列对应的第二候选灰度值集合。
第三子步骤,将第二候选灰度值集合中的每个第二候选灰度值对应的整体非融合权重,更新为上述第二候选灰度值对应的整体非融合权重与预设非融合阈值的差值。
比如,首先可以将第二候选灰度值对应的整体非融合权重与预设非融合阈值的差值,确定为该第二候选灰度值对应的第一整体权重。接着,可以将第二候选灰度值对应的整体非融合权重,更新为该第二候选灰度值对应的第一整体权重。
第四子步骤,从第二候选灰度值集合中筛选出更新后的整体非融合权重大于或等于预设非融合阈值的第二候选灰度值,作为第三候选灰度值,得到第三候选灰度值集合。
第五子步骤,将第一候选灰度值集合更新为第三候选灰度值集合。
比如,可以将第三候选灰度值对应的最新的整体非融合权重,作为该第三候选灰度值对应的整体非融合权重,并将第三候选灰度值作为第一候选灰度值。
第六子步骤,若最新更新后的第一候选灰度值集合不是空集,则重复第一候选灰度值集合更新步骤,直至最新更新后的第一候选灰度值集合为空集,将子灰度值序列中最大和最小的待融合灰度值,确定为目标灰度值,并将确定的所有的目标灰度值,组合为子灰度值序列对应的目标灰度值集合。
其中,第一候选灰度值集合更新步骤可以包括:步骤S8包括的作为示例包括的第六步包括的第一子步骤至第五子步骤。
比如,某个子灰度值序列可以为{1,2,3,4,5,6,7,8,9,10}。预设非融合阈值可以为1,该子灰度值序列中的待融合灰度值对应的整体非融合权重可以依次为:0.2,0.8,1.1,1.2,1.6,2,2.1,2.3,2.5和2.6。由于该子灰度值序列中后8个待融合灰度值对应的整体非融合权重大于或等于1,所以该子灰度值序列对应的第一候选灰度值集合可以为{3,4,5,6,7,8,9,10},筛选出的目标灰度值可以为3,该子灰度值序列对应的第二候选灰度值集合可以为{4,5,6,7,8,9,10}。对该子灰度值序列对应的第二候选灰度值集合中的各个第二候选灰度值对应的整体非融合权重进行更新,得到的该子灰度值序列对应的第二候选灰度值集合中的第二候选灰度值对应的更新后的整体非融合权重可以依次为:0.2,0.6,1,1.1,1.3,1.5和1.6。由于该子灰度值序列对应的第二候选灰度值集合中后5个待融合灰度值对应的整体非融合权重大于或等于1,所以该子灰度值序列对应的第三候选灰度值集合可以为{6,7,8,9,10},筛选出的目标灰度值可以为6。将第一候选灰度值集合更新为第三候选灰度值集合,重复第一候选灰度值集合更新步骤,直至最新更新后的第一候选灰度值集合为空集,将该子灰度值序列中最大和最小的待融合灰度值,确定为目标灰度值,并将确定的所有的目标灰度值,组合为子灰度值序列对应的目标灰度值集合。因此最终该子灰度值序列对应的目标灰度值集合可以为{1,3,6,10}。
第七步,对子灰度值序列对应的目标灰度值集合中的目标灰度值进行排序,得到子灰度值序列对应的目标灰度值序列。
例如,可以按照从小到大的顺序,对子灰度值序列对应的目标灰度值集合中的目标灰度值进行排序,得到该子灰度值序列对应的目标灰度值序列。
第八步,将子灰度值序列对应的目标灰度值序列中每相邻的两个目标灰度值,作为一个融合区间的两个端点。
其中,目标灰度值序列中的任意一个目标灰度值可以只存在于一个融合区间中。
例如,若目标灰度值序列为{11,16,26,30,36},则可以得到4个融合区间,这4个融合区间可以分别为:[11,16]、(16,26]、(26,30]和(30,36]。
第九步,将子灰度值序列中属于同一个融合区间中的待融合灰度值,组合为目标候选灰度值组。
其中,目标候选灰度值组可以包括:子灰度值序列中属于同一个融合区间中的待融合灰度值。
第十步,将上述目标搅拌图像中灰度值属于得到的每个目标候选灰度值组的像素点对应的灰度值,更新为上述目标候选灰度值组中所有目标候选灰度值的均值。
例如,可以将目标搅拌图像中灰度值属于某个目标候选灰度值组的像素点对应的灰度值,更新为该目标候选灰度值组中所有目标候选灰度值的均值。
第十一步,将最终更新完成的目标搅拌图像,确定为目标融合图像。
可选地,对于每个子灰度值序列,首先可以从该子灰度值序列中的第一个待融合灰度值开始进行非融合权值的累加,直到累加到某个待融合灰度值(记为第一融合灰度值)时,其累加的非融合权值大于或等于1,则对参与累加的这些待融合灰度值(该子灰度值序列中的第一个待融合灰度值至第一融合灰度值)进行融合,具体可以为:将目标搅拌图像中灰度值属于这些待融合灰度值的像素点对应的灰度值,更新为这些待融合灰度值的均值。接着,可以从第一融合灰度值的后一个待融合灰度值开始重复上述过程,直至该子灰度值序列中的待融合灰度值融合完成。最后,可以将最终更新完成的目标搅拌图像,确定为目标融合图像。
需要说明的是,由于目标搅拌图像中灰度值的分布范围往往为[0,255],所以当直接生成目标搅拌图像的灰度共生矩阵时,需要的计算量往往十分庞大,从而往往导致对待检测混凝土的搅拌均匀度进行检测时的计算量较大,进而往往导致对待检测混凝土的搅拌均匀度进行检测的效率较低。因此,对目标搅拌图像进行灰度融合更新,可以减少灰度值的数量,所以目标融合图像中灰度值的种数往往比目标搅拌图像中灰度值的种数要少,因此生成目标融合图像对应的目标灰度共生矩阵,相较于直接生成目标搅拌图像的灰度共生矩阵,需要的计算量往往较少,占用的计算资源往往较少,从而可以提高对混凝土的搅拌均匀度进行检测的效率。
步骤S9,生成目标融合图像对应的目标灰度共生矩阵,并根据目标灰度共生矩阵,对待检测混凝土的搅拌均匀度进行检测。
在一些实施例中,可以生成上述目标融合图像对应的目标灰度共生矩阵,并根据上述目标灰度共生矩阵,对上述待检测混凝土的搅拌均匀度进行检测。
需要说明的是,基于目标灰度共生矩阵,对待检测混凝土的搅拌均匀度进行检测,可以实现对待检测混凝土搅拌均匀度的检测。
作为示例,本步骤可以包括以下步骤:
第一步,生成上述目标融合图像对应的目标灰度共生矩阵。
例如,可以将目标融合图像的灰度共生矩阵,确定为目标灰度共生矩阵。
第二步,根据上述目标灰度共生矩阵,确定目标均匀指标。
例如,可以对目标灰度共生矩阵的对比度进行负相关映射,并进行归一化,得到目标均匀指标。
需要说明的是,目标灰度共生矩阵的对比度越大,往往说明目标融合图像中的灰度值越不均匀,因此对目标灰度共生矩阵的对比度进行负相关映射,可以使得到的目标均匀指标越大,代表对待检测混凝土的搅拌越均匀。其次,进行归一化,可以便于后续的处理。
又如,可以对目标灰度共生矩阵的熵进行负相关映射,并进行归一化,得到目标均匀指标。
需要说明的是,目标灰度共生矩阵的熵越大,往往说明目标融合图像中的灰度值越不均匀,因此对目标灰度共生矩阵的熵进行负相关映射,可以使得到的目标均匀指标越大,代表对待检测混凝土的搅拌越均匀。其次,进行归一化,可以便于后续的处理。
第三步,当上述目标均匀指标大于或等于预设均匀阈值时,判定上述待检测混凝土的搅拌均匀度合格。
其中,预设均匀阈值可以是预先设置的认为待检测混凝土的搅拌均匀度合格时,所设置的最大的搅拌均匀度。例如,预设均匀阈值可以是0.7。
第四步,当上述目标均匀指标小于预设均匀阈值时,判定上述待检测混凝土的搅拌均匀度不合格。
需要说明的是,当判断待检测混凝土的搅拌均匀度不合格时,可以提醒工作人员继续对待检测混凝土进行搅拌。
综上,首先由于待检测混凝土的目标搅拌图像上包含表征待检测混凝土搅拌情况的信息,因此获取目标搅拌图像,可以便于后续对待检测混凝土的搅拌均匀度进行检测。接着,由于待检测混凝土的搅拌均匀度往往与目标搅拌图像的边缘有关,因此对目标搅拌图像进行边缘检测,可以便于确定目标搅拌图像的边缘情况。其次,由于边缘像素点与非边缘像素点对目标搅拌图像的纹理贡献是不相同的,因此从目标搅拌图像中划分出边缘像素点集合和非边缘像素点集合,可以便于后续对目标搅拌图像中的灰度值进行精确融合。然后,由于边缘像素点相较于非边缘像素点,对待检测混凝土的搅拌均匀度的影响程度往往较大,边缘像素点往往不需要进行融合,因此基于边缘像素点集合,从非边缘像素点集合中筛选出待融合像素点集合,可以在保留边缘纹理细节的情况下更加精确的筛选出待融合像素点。再然后,对待融合像素点集合中的待融合像素点对应的灰度值进行分组处理,可以便于后续对每个待融合灰度值进行分析处理。再者,由于待检测混凝土的搅拌均匀度往往与纹理有关,因此对每个待融合灰度值进行纹理贡献分析处理,得到待融合灰度值对应的纹理贡献指标,可以便于后续判断待融合灰度值是否需要融合。其次,不同灰度值的非边缘像素点对纹理的贡献度往往是不同的,即有一部分非边缘像素点可能对于纹理来说是不重要的,而另一部分非边缘像素点可能对于纹理来说是重要的,因此确定待融合灰度值对应的纹理贡献指标,可以量化灰度值为待融合灰度值的非边缘像素点对纹理的贡献度。继续,由于待检测混凝土的搅拌均匀度往往与边缘纹理有关,因此对每个待融合灰度值进行边缘纹理影响分析处理,得到待融合灰度值对应的边缘纹理影响指标,可以便于后续判断待融合灰度值是否需要融合。其次不同灰度值的非边缘像素点对边缘像素点的纹理影响情况往往是不同的,即有一部分非边缘像素点可能对边缘像素点的纹理影响比较大,而另一部分非边缘像素点可能对边缘像素点的纹理影响比较小,因此确定待融合灰度值对应的边缘纹理影响指标,可以量化灰度值为待融合灰度值的非边缘像素点对边缘纹理的影响情况。之后,由于待融合灰度值对应的纹理贡献指标量化了灰度值为待融合灰度值的非边缘像素点对纹理的贡献度,边缘纹理影响指标量化了灰度值为待融合灰度值的非边缘像素点对边缘纹理的影响情况,因此综合考虑待融合灰度值对应的纹理贡献指标和边缘纹理影响指标,确定待融合灰度值对应的非融合权值,可以量化待融合灰度值不需要进行融合的程度,并且提高了非融合权值确定的准确度。而后,由于目标融合图像是进行灰度融合更新后的目标搅拌图像,所以目标融合图像中灰度值的种数往往比目标搅拌图像中灰度值的种数要少,因此生成目标融合图像对应的目标灰度共生矩阵,相较于直接生成目标搅拌图像的灰度共生矩阵,需要的计算量往往较少,占用的计算资源往往较少,从而可以提高对混凝土的搅拌均匀度进行检测的效率。最后,基于目标灰度共生矩阵,对待检测混凝土的搅拌均匀度进行检测,可以实现对待检测混凝土搅拌均匀度的检测。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (5)
1.一种混凝土搅拌均匀度检测方法,其特征在于,包括以下步骤:
获取待检测混凝土的目标搅拌图像;
对所述目标搅拌图像进行边缘检测,确定边缘像素点集合和非边缘像素点集合;
基于所述边缘像素点集合,从所述非边缘像素点集合中筛选出待融合像素点集合;
对所述待融合像素点集合中的待融合像素点对应的灰度值进行分组处理,得到待融合灰度值组集合;
对所述待融合灰度值组集合中的每个待融合灰度值进行纹理贡献分析处理,得到所述待融合灰度值对应的纹理贡献指标;
对所述待融合灰度值组集合中的每个待融合灰度值进行边缘纹理影响分析处理,得到所述待融合灰度值对应的边缘纹理影响指标;
根据所述待融合灰度值组集合中的每个待融合灰度值对应的纹理贡献指标和边缘纹理影响指标,确定所述待融合灰度值对应的非融合权值;
根据所述待融合灰度值组集合中的各个待融合灰度值对应的非融合权值,对所述目标搅拌图像进行灰度融合更新,得到目标融合图像;
生成所述目标融合图像对应的目标灰度共生矩阵,并根据所述目标灰度共生矩阵,对所述待检测混凝土的搅拌均匀度进行检测;
所述基于所述边缘像素点集合,从所述非边缘像素点集合中筛选出待融合像素点集合,包括:
将所述边缘像素点集合中的边缘像素点对应的灰度值,组合为边缘灰度值集合;
将所述非边缘像素点集合中的非边缘像素点对应的灰度值,组合为非边缘灰度值集合;
从所述非边缘灰度值集合中筛选出不属于所述边缘灰度值集合的灰度值,作为待融合灰度值,得到待融合灰度值集合;
从所述非边缘像素点集合中筛选出灰度值属于所述待融合灰度值集合的非边缘像素点,作为待融合像素点,得到待融合像素点集合;
所述对所述待融合灰度值组集合中的每个待融合灰度值进行纹理贡献分析处理,得到所述待融合灰度值对应的纹理贡献指标,包括:
从所述待融合像素点集合中筛选出灰度值等于所述待融合灰度值的待融合像素点,作为第一像素点,得到所述待融合灰度值对应的第一像素点集合;
根据所述待融合灰度值和第一像素点集合中的每个第一像素点对应的第一预设邻域,确定所述第一像素点对应的第一贡献指标;
根据第一像素点集合中的各个第一像素点对应的第一贡献指标,确定所述待融合灰度值对应的纹理贡献指标,其中,第一像素点集合中的各个第一像素点对应的第一贡献指标与纹理贡献指标呈正相关;
所述根据所述待融合灰度值和第一像素点集合中的每个第一像素点对应的第一预设邻域,确定所述第一像素点对应的第一贡献指标,包括:
从所述第一像素点对应的第一预设邻域内筛选出非边缘像素点,作为参考像素点,得到所述第一像素点对应的参考像素点集合;
将所述待融合灰度值与所述第一像素点对应的参考像素点集合中的每个参考像素点对应的灰度值的差值的绝对值,确定为所述参考像素点对应的第一差异;
根据所述第一像素点对应的参考像素点集合中的各个参考像素点对应的第一差异,确定所述第一像素点对应的第二差异,其中,参考像素点集合中的各个参考像素点对应的第一差异与第二差异呈正相关;
对所述第一像素点对应的第二差异进行归一化,得到所述第一像素点对应的差异权重;
根据所述第一像素点对应的差异权重和第二差异,确定所述第一像素点对应的第一贡献指标,其中,差异权重和第二差异均与第一贡献指标呈正相关;
所述对所述待融合灰度值组集合中的每个待融合灰度值进行边缘纹理影响分析处理,得到所述待融合灰度值对应的边缘纹理影响指标,包括:
从第一像素点集合中所有第一像素点对应的第二预设邻域内筛选出边缘像素点,作为第二像素点,得到所述待融合灰度值对应的第二像素点集合;
对所述待融合灰度值与第二像素点集合中灰度值不同的每种第二像素点对应的灰度值的差值的绝对值进行负相关映射,得到所述待融合灰度值与灰度值不同的每种第二像素点之间的第一影响指标;
将第一像素点集合中第一像素点的数量与第二预设邻域中邻域像素点的数量的乘积,确定为所述待融合灰度值对应的第一数量;
将灰度值不同的每种第二像素点中第二像素点的数量与第一数量的比值,确定为所述待融合灰度值与灰度值不同的每种第二像素点之间的数量占比指标;
根据所述待融合灰度值与灰度值不同的每种第二像素点之间的第一影响指标与数量占比指标,确定所述待融合灰度值与灰度值不同的每种第二像素点之间的第二影响指标,其中,第一影响指标和数量占比指标均与第二影响指标呈正相关;
根据所述待融合灰度值与第二像素点集合中灰度值不同的各种第二像素点之间的第二影响指标,确定所述待融合灰度值对应的边缘纹理影响指标,其中,所述待融合灰度值与第二像素点集合中灰度值不同的各种第二像素点之间的第二影响指标与边缘纹理影响指标呈正相关;
所述根据所述待融合灰度值组集合中的每个待融合灰度值对应的纹理贡献指标和边缘纹理影响指标,确定所述待融合灰度值对应的非融合权值,包括:
根据所述待融合灰度值对应的纹理贡献指标和边缘纹理影响指标,确定所述待融合灰度值对应的第一非融合指标,其中,纹理贡献指标与第一非融合指标呈正相关,边缘纹理影响指标与第一非融合指标呈负相关;
对所述待融合灰度值对应的第一非融合指标进行归一化,得到所述待融合灰度值对应的非融合权值。
2.根据权利要求1所述的一种混凝土搅拌均匀度检测方法,其特征在于,所述对所述待融合像素点集合中的待融合像素点对应的灰度值进行分组处理,得到待融合灰度值组集合,包括:
对所述边缘灰度值集合中的边缘灰度值进行排序,得到边缘灰度值序列;
将所述边缘灰度值序列中每相邻的两个边缘灰度值,作为一个灰度值区间的两个端点,若所述边缘灰度值序列中最小的边缘灰度值大于第一预设灰度值,则将第一预设灰度值和最小的边缘灰度值作为一个灰度值区间的两个端点,若所述边缘灰度值序列中最大的边缘灰度值小于第二预设灰度值,则将第二预设灰度值和最大的边缘灰度值作为一个灰度值区间的两个端点;
从所述待融合灰度值集合中筛选出属于同一个灰度值区间的待融合灰度值,组合为待融合灰度值组,得到所述待融合灰度值集合对应的待融合灰度值组集合。
3.根据权利要求1所述的一种混凝土搅拌均匀度检测方法,其特征在于,所述根据所述待融合灰度值组集合中的各个待融合灰度值对应的非融合权值,对所述目标搅拌图像进行灰度融合更新,得到目标融合图像,包括:
对所述待融合灰度值组集合中的每个待融合灰度值组中的待融合灰度值进行排序,确定所述待融合灰度值组对应的待融合灰度值序列,得到所述待融合灰度值组集合对应的待融合灰度值序列集合;
对于所述待融合灰度值序列集合中的每个待融合灰度值序列,对所述待融合灰度值序列中最大和最小的待融合灰度值的均值进行取整,得到所述待融合灰度值序列对应的灰度融合趋势;
以每个待融合灰度值序列对应的灰度融合趋势为分割点,将所述待融合灰度值序列划分为两个子灰度值序列;
对于得到的每个子灰度值序列中的每个待融合灰度值,将所述待融合灰度值对应的非融合权值与所述待融合灰度值之前的各个待融合灰度值对应的非融合权值的累加和,确定为所述待融合灰度值对应的整体非融合权重;
从每个子灰度值序列中筛选出整体非融合权重大于或等于预设非融合阈值的待融合灰度值,作为第一候选灰度值,得到所述子灰度值序列对应的第一候选灰度值集合;
若子灰度值序列对应的第一候选灰度值集合不是空集,则确定子灰度值序列对应的目标灰度值集合;
对子灰度值序列对应的目标灰度值集合中的目标灰度值进行排序,得到子灰度值序列对应的目标灰度值序列;
将子灰度值序列对应的目标灰度值序列中每相邻的两个目标灰度值,作为一个融合区间的两个端点;
将子灰度值序列中属于同一个融合区间中的待融合灰度值,组合为目标候选灰度值组;
将所述目标搅拌图像中灰度值属于得到的每个目标候选灰度值组的像素点对应的灰度值,更新为所述目标候选灰度值组中所有目标候选灰度值的均值;
将最终更新完成的目标搅拌图像,确定为目标融合图像。
4.根据权利要求3所述的一种混凝土搅拌均匀度检测方法,其特征在于,所述若子灰度值序列对应的第一候选灰度值集合不是空集,则确定子灰度值序列对应的目标灰度值集合,包括:
将第一候选灰度值集合中整体非融合权重最小的第一候选灰度值,确定为目标灰度值;
将第一候选灰度值集合中除了整体非融合权重最小的第一候选灰度值之外的第一候选灰度值,作为第二候选灰度值,得到子灰度值序列对应的第二候选灰度值集合;
将第二候选灰度值集合中的每个第二候选灰度值对应的整体非融合权重,更新为所述第二候选灰度值对应的整体非融合权重与预设非融合阈值的差值;
从第二候选灰度值集合中筛选出更新后的整体非融合权重大于或等于预设非融合阈值的第二候选灰度值,作为第三候选灰度值,得到第三候选灰度值集合;
将第一候选灰度值集合更新为第三候选灰度值集合;
若最新更新后的第一候选灰度值集合不是空集,则重复第一候选灰度值集合更新步骤,直至最新更新后的第一候选灰度值集合为空集,将子灰度值序列中最大和最小的待融合灰度值,确定为目标灰度值,并将确定的所有的目标灰度值,组合为子灰度值序列对应的目标灰度值集合。
5.根据权利要求1所述的一种混凝土搅拌均匀度检测方法,其特征在于,所述根据所述目标灰度共生矩阵,对所述待检测混凝土的搅拌均匀度进行检测,包括:
根据所述目标灰度共生矩阵,确定目标均匀指标;
当所述目标均匀指标大于或等于预设均匀阈值时,判定所述待检测混凝土的搅拌均匀度合格;
当所述目标均匀指标小于预设均匀阈值时,判定所述待检测混凝土的搅拌均匀度不合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310518636.4A CN116228777B (zh) | 2023-05-10 | 2023-05-10 | 一种混凝土搅拌均匀度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310518636.4A CN116228777B (zh) | 2023-05-10 | 2023-05-10 | 一种混凝土搅拌均匀度检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116228777A CN116228777A (zh) | 2023-06-06 |
CN116228777B true CN116228777B (zh) | 2023-07-21 |
Family
ID=86571698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310518636.4A Active CN116228777B (zh) | 2023-05-10 | 2023-05-10 | 一种混凝土搅拌均匀度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116228777B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693650A (zh) * | 2022-03-31 | 2022-07-01 | 南通俊朗智能科技有限公司 | 一种基于机器视觉的混合机智能控制方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100955180B1 (ko) * | 2008-04-11 | 2010-04-30 | 엔에이치엔(주) | 이미지 품질지수 산출 방법 및 시스템 |
US20100008576A1 (en) * | 2008-07-11 | 2010-01-14 | Robinson Piramuthu | System and method for segmentation of an image into tuned multi-scaled regions |
CN102615716B (zh) * | 2012-03-31 | 2014-09-10 | 中联重科股份有限公司 | 一种混凝土搅拌站搅拌控制的方法、装置及*** |
CN102831427B (zh) * | 2012-09-06 | 2015-03-25 | 湖南致尚科技有限公司 | 一种融合视觉显著性和灰度共生矩的纹理特征提取方法 |
CN111986069A (zh) * | 2019-05-22 | 2020-11-24 | 三星电子株式会社 | 图像处理装置及其图像处理方法 |
CN113989262A (zh) * | 2021-11-09 | 2022-01-28 | 南方电网科学研究院有限责任公司 | 基于图像检测的环氧填料均匀度检测方法 |
CN115683225A (zh) * | 2022-11-10 | 2023-02-03 | 杭州信之威信息技术有限公司 | 一种基于机器视觉的混凝土检测方法与装置 |
CN115908411B (zh) * | 2023-01-06 | 2023-05-30 | 山东水利建设集团有限公司 | 基于视觉检测的混凝土养护质量分析方法 |
-
2023
- 2023-05-10 CN CN202310518636.4A patent/CN116228777B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693650A (zh) * | 2022-03-31 | 2022-07-01 | 南通俊朗智能科技有限公司 | 一种基于机器视觉的混合机智能控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116228777A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及*** | |
US7979212B2 (en) | Method and system for morphology based mitosis identification and classification of digital images | |
CN113723573B (zh) | 基于自适应比例学习的肿瘤组织病理分类***及方法 | |
CN105335963A (zh) | 一种边缘缺陷检测方法及装置 | |
CN112884712B (zh) | 一种显示面板缺陷分类的方法及相关装置 | |
CN111709901B (zh) | 基于FCM聚类匹配+Wallis滤波的无重多/高光谱遥感图像匀色方法 | |
EP2803015A2 (en) | Two stage categorization of objects in images | |
CN109903282B (zh) | 一种细胞计数方法、***、装置和存储介质 | |
WO2005076197A2 (en) | Method and system for morphology based mitosis identification and classification of digital images | |
CN116542972B (zh) | 基于人工智能的墙板表面缺陷快速检测方法 | |
CN104331714A (zh) | 基于图像数据提取和神经网络建模的铂浮选品位估算方法 | |
CN110910372B (zh) | 基于深度卷积神经网络的匀光板缺陷检测方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及*** | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测*** | |
CN107610119A (zh) | 基于直方图分解的带钢表面缺陷精准检测方法 | |
CN114758222A (zh) | 一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法 | |
CN116740579B (zh) | 一种国土空间规划数据智能采集方法 | |
CN112763466B (zh) | 一种聚合物改性沥青相态分布特性识别方法 | |
CN116228777B (zh) | 一种混凝土搅拌均匀度检测方法 | |
CN116597029B (zh) | 一种针对色盲的图像重着色方法 | |
CN108647711A (zh) | 基于引力模型的多标签分类方法 | |
CN114820597B (zh) | 一种基于人工智能的冶炼品缺陷检测方法、装置及*** | |
CN108830834B (zh) | 一种爬索机器人视频缺陷信息自动提取方法 | |
CN106886609A (zh) | 街区式农村居民地遥感快速标注方法 | |
CN116342495B (zh) | 基于图像处理的布匹缺陷检测方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Method for Testing the Uniformity of Concrete Mixing Effective date of registration: 20230824 Granted publication date: 20230721 Pledgee: Shandong Yutai Rural Commercial Bank Co.,Ltd. Pledgor: Yutai Huijin New Building Materials Co.,Ltd. Registration number: Y2023980053686 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |