CN116309537B - 一种极耳模具表面油污的缺陷检测方法 - Google Patents
一种极耳模具表面油污的缺陷检测方法 Download PDFInfo
- Publication number
- CN116309537B CN116309537B CN202310443245.0A CN202310443245A CN116309537B CN 116309537 B CN116309537 B CN 116309537B CN 202310443245 A CN202310443245 A CN 202310443245A CN 116309537 B CN116309537 B CN 116309537B
- Authority
- CN
- China
- Prior art keywords
- actual edge
- edge line
- point
- actual
- value
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000012216 screening Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims description 60
- 238000010606 normalization Methods 0.000 claims description 26
- 238000013507 mapping Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004551 spreading oil Substances 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
本发明涉及图像处理技术领域,具体涉及一种极耳模具表面油污的缺陷检测方法。该方法通过canny算子的预设高阈值检测获得初始边缘线,通过初始边缘线的灰度变化差异和相对位置筛除异常点获得实际边缘线,并根据位置分布和灰度差异匹配获得实际边缘线组,根据实际边缘线组中实际边缘线的梯度变化调整预设高阈值获得优化高阈值,根据优化高阈值获得实际边缘点,继续调整预设高阈值完成连接,得到实际边缘组的待检测实际边缘线并迭代匹配连接,直至获得封闭区域并根据灰度值变化规律筛选出油污区域。本发明通过图像处理,通过梯度信息和空间信息对高阈值进行局部自适应优化,获得更完整更精确的油污区域。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种极耳模具表面油污的缺陷检测方法。
背景技术
电池极耳是锂离子电池中的一种重要组件,电池分为正极与负极,极耳就是从电芯中将正负极引出来的金属导电体,是电池进行充放电的关键部件。电池电极通过极耳连接到外部电路,而极耳是使用各种金属制造的,又薄又软,并且非常容易损坏。当生产极耳的模具中出现缺陷时,会极大的程度地影响极耳的质量,因此对极耳模具需要检测表面的缺陷情况,避免因凸起或划痕等因素的影响,使生产的极耳质量不合格。
在极耳模具表面缺陷检测时,因为表面中存在的油污亮斑会对缺陷的识别产生干扰,使检测出的缺陷精度较低。一般地,常采用canny算子检测对缺陷区域进行提取,为了能更好的去除油污的干扰,需要将油污区域分割出来,而油污与背景的对比度较低,完全将油污从背景中分割出来,是较为困难的。而传统的算法中canny算子阈值往往通过人工进行设置,也有通过遗传算法进行获取,但是遗传算法在搜索过程中出现的退化现象可能使种群的多样性变差,收敛速度变慢,最终得到的阈值是局部最优解而非全局最优解,且搜索时间长,效率低下。现有对canny算子的优化也仅限于对整体边缘的自适应优化,对局部阈值的调整也并没有考虑到灰度值不同的变化特征,使得到的边缘并不准确,在局部中是并不连续的边缘段,使区域的提取不够精确和完整。
发明内容
为了解决现有技术中使得到的边缘并不准确,在局部中是并不连续的边缘段,使区域的提取不够精确和完整技术问题,本发明的目的在于提供一种极耳模具表面油污的缺陷检测方法,所采用的技术方案具体如下:
本发明提供了一种极耳模具表面油污的缺陷检测方法,所述方法包括:
获得极耳模具表面灰度图像,通过预设高阈值对所述极耳模具表面灰度图像进行canny算法边缘检测,获得初始边缘线;通过所述初始边缘线上每个像素点与其他像素点之间的灰度值变化差异和相对距离获得每个像素点的异常点概率,通过所述异常点概率筛除所述初始边缘线上的异常点,获得实际边缘线;
通过所述实际边缘线之间的灰度值差异和位置分布获得匹配度,根据所述匹配度筛选出由两条相似所述实际边缘线构成的实际边缘线组;
将任意所述实际边缘线组作为检测组,在所述检测组内所述实际边缘线间的未连接区域中,从所述检测组中一条所述实际边缘线的端点开始,根据所述实际边缘线上相邻像素点的梯度变化调整预设高阈值,获得所述端点的优化高阈值;通过所述优化高阈值进行筛选,获得与所述端点在所述未连接区域中相邻的实际边缘点,获得新实际边缘线;从所述新实际边缘线的所述实际边缘点开始,继续调整预设高阈值获得所有实际边缘点,完成连接,获得检测组的待检测实际边缘线;获得每个所述实际边缘线组对应的所述待检测实际边缘线;
将所有所述待检测实际边缘线迭代匹配连接,直至获取到封闭区域;根据所述封闭区域内灰度值变化规律筛选出油污区域。
进一步地,所述每个像素点的异常点概率的获取包括:
获得所述初始边缘线上每个像素点在预设邻域范围内与邻域像素点之间的最大灰度值差异;
将所述初始边缘线上的一个像素点作为参考像素点,计算所述参考像素点与所述初始边缘线上其他像素点间的灰度值差异并归一化,获得参考灰度值差异;
将所述参考像素点与所述初始边缘线上其他像素点的所述最大灰度值差异的差异作为梯度差异;将所述参考灰度值差异与所述梯度差异相乘,乘积作为灰度值变化差异;
将所述参考像素点与所述初始边缘线上其他像素点之间的欧氏距离进行负相关映射并归一化,获得调整权重;获得参考像素点与所有其他像素点的所述灰度值变化差异,通过所述调整权重调整灰度值变化差异,将所有加权所述灰度值变化差异的均值作为异常点概率。
进一步地,所述匹配度的获取包括:
获取每个所述实际边缘线的端点,将两个所述实际边缘线端点之间欧氏距离的最小值进行负相关映射并归一化处理,获得距离分布特征值;
获得两条所述实际边缘线上像素点的平均灰度值,将所述平均灰度值的差值绝对值负相关映射并归一化,获得灰度值差异特征值;
将两条所述实际边缘线的所述距离分布特征值和所述灰度值差异特征值相乘,乘积作为两条所述实际边缘线的匹配度。
进一步地,所述优化高阈值的获取包括:
所述优化高阈值的计算公式为:
式中,表示为端点的优化高阈值,表示为预设高阈值,表示为实际边缘线
的像素点总数量,表示为实际边缘线上第个像素点的最大灰度值差异,表示为实际
边缘线上第个像素点的最大灰度值差异,表示为实际边缘线上第个像素点与
端点的欧氏距离,表示为归一化函数。
进一步地,所述实际边缘点和新实际边缘线的获取包括:
根据所述端点的优化高阈值,筛选在所述未连接区域中与所述端点相邻的预选实际边缘点,当根据所述优化高阈值无法筛选出所述预选实际边缘点时,选择所述未连接区域中的另一个端点进行筛选;
当所述预选实际边缘点仅有一个时,将所述预选实际边缘点作为实际边缘点,与所述端点进行连接,获得新实际边缘线;
当所述预选实际边缘点存在两个及以上时,获得所述端点与所述实际边缘线上相邻像素点的第一斜率,计算所有预选实际边缘点与所述端点的第二斜率,将所述第一斜率和所述第二斜率差异最小的对应预选实际边缘点作为实际边缘点,与所述端点进行连接,获得新实际边缘线;
所述实际边缘点为新实际边缘线的端点。
进一步地,所述根据所述封闭区域内灰度值变化规律筛选出油污区域包括:
获得所述封闭区域内像素点的灰度值熵值,将所述灰度值熵值进行归一化处理,获得灰度规律特征值,当灰度规律特征值大于预设的灰度阈值时,对应所述封闭区域记为缺陷区域;当灰度规律特征值小于等于预设的灰度值阈值时,对应所述封闭区域记为油污区域。
进一步地,所述通过所述异常点概率筛除所述初始边缘线上的异常点,获得实际边缘线包括:
获得所述初始边缘线上每个像素点的异常点概率,当所述异常点概率大于预设异常阈值时,将对应像素点作为异常点筛除;当所述异常点概率小于等于预设异常阈值时,对应像素点作为实际边缘线上的点,获得实际边缘线。
进一步地,所述根据所述匹配度筛选出由两条相似所述实际边缘线构成的实际边缘线组包括:
获得任意两条所述实际边缘线的匹配度,当匹配度大于预设匹配阈值时,将对应两条所述实际边缘线作为一个匹配组;当匹配度小于等于预设匹配阈值时,对应两条所述实际边缘线继续与其他所述实际边缘线进行匹配;
若一条所述实际边缘线仅与另一条所述实际边缘线存在一个所述匹配组,则将对应两条所述实际边缘线的匹配组作为实际边缘线组;若存在一条所述实际边缘线与两条及以上的所述实际边缘线组成两个及以上的匹配组时,将所述匹配组对应所述匹配度最大的匹配组作为对应两条所述实际边缘线的实际边缘线组。
本发明具有如下有益效果:
本发明通过针对油污边缘灰度特征和蔓延性的特点分析,在canny算子检测时的双阈值选取部分,对局部边缘进行分析,优化高阈值,实现高阈值的局部自适应选取。首先通过预设高阈值完成初始边缘线的选取,通过初始边缘线中像素点之间的灰度变化差异和相对距离对初始边缘线上的异常点进行筛除,异常点的产生是由于预设高阈值的选取过低,筛除异常点使获得的实际边缘线更为真实且精确,使后续对实际边缘线匹配的结果更加准确。进一步地,根据实际边缘线的位置分布和灰度值差异得到匹配的实际边缘线组,将实际边缘线组进行连接,此时匹配的实际边缘线之间存在的边缘点未检测出的情况,是由于预设高阈值的选取过高。此时对需要连接的实际边缘线分析相邻像素点的梯度变化,调整预设高阈值,获得优化高阈值,该优化高阈值为需要连接的实际边缘线端点处对应的最优高阈值,通过优化高阈值逐像素点分析的获得新实际边缘线,完成连接获得待检测实际边缘线,待检测实际边缘线即为一条连接后的准确边缘线。迭代匹配连接,最终获得封闭的区域,完成边缘检测,因为每次迭代过程中寻找实际边缘点时都需要自适应更新优化高阈值,所以不会因为单一调整阈值造成局部最优解的问题。根据得到的包含连续边缘的封闭区域中灰度值的变化规律获得油污区域,使油污区域的提取更加精确且完整,进而对缺陷的检测更加准确,提高极耳模具的质量。
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极耳模具表面油污的缺陷检测方法流程图。
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一种极耳模具表面油污的缺陷检测方法,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极耳模具表面油污的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极耳模具表面油污的缺陷检测方法流程图,该方法步骤包括:
S1:获得极耳模具表面灰度图像,通过预设高阈值对极耳模具表面灰度图像进行canny算法边缘检测,获得初始边缘线;通过初始边缘线上每个像素点与其他像素点之间的灰度值变化差异和相对距离获得每个像素点的异常点概率,通过异常点概率筛除初始边缘线上的异常点,获得实际边缘线。
本发明主要通过对极耳模具表面进行canny算子边缘检测,将油污区域提取出来,完成初步缺陷检测,对于极耳模具来说,光滑表面的油污缺陷属于可简易清除的表面缺陷,而一些划痕、凸起或孔等缺陷是需要进一步维修的主要缺陷,所以在缺陷检测时,油污区域会对主要缺陷的识别造成干扰,且一般的油斑相较于背景图像对比度较低,不易将油污从背景中分割出来。所以本发明通过对油污区域的灰度变化特征和蔓延性特点进行分析,采用改进canny算子方法进行检测,因此在进行极耳模具表面检测时,需要首先获取极耳模具表面灰度图像。
在本发明实施例中,使用工业相机,采用固定光源对极耳模具表面进行图像采集,获得的极耳模具表面图像为RGB图像,对极耳模具表面图像采用加权灰度化法进行灰度化处理,得到极耳模具表面灰度图像,需要说明的是,加权灰度化法为本领域技术人员熟知的技术手段,灰度化处理还有平均值法和最大值法等等,在此不做限定。
获得极耳模具表面灰度图像后,通过预设高阈值对极耳模具表面灰度图像进行canny算法边缘检测,获得初始边缘线。根据经验可知,油污在接触到模具表面进行污染时,油污会在接触点向四周蔓延,而由于油污的深浅和蔓延趋势不同,油污区域表面的灰度值变化也可能不同,故在不同位置的油污边缘像素点的梯度也是不同的,因此使用预设高阈值进行canny算子检测时,没有考虑到油污的蔓延变化特性,得到的边缘像素点并不准确。在本发明实施例中,根据经验设置预设高阈值为50,具体数值实施者可根据具体情况进行调节。
由于预设高阈值为人工设置的,所以初始边缘线上可能存在误检测出来的异常边缘点,而在初始边缘线之间会有部分真实的边缘点未被检测出来,导致边缘轮廓围成的区域并非一个封闭区域,即存在缺陷信息丢失,缺陷识别结果不完整。所以为了获取到真实的封闭区域,首先对初始边缘线进行分析,根据真实边缘点与虚假边缘点的梯度特性筛选出异常点,获得所有真实的边缘线,便于后续对真实的边缘线进行连接获得完整的封闭区域。因此,通过初始边缘线上每个像素点与其他像素点之间的灰度值变化差异和相对距离获得每个像素点的异常点概率,异常点概率可以反映每个像素点在梯度信息上与其他像素点的差异,通过异常点概率筛除初始边缘线上的异常点,获得实际边缘线,具体包括:
异常点是由于canny算子检测时预设高阈值的选取过低导致的,因此虽然异常点的灰度值变化明显,但与其他正常边缘线上的像素点差异较大,所以可通过梯度信息,即灰度值变化程度,来判断每个像素点为异常点的概率。
像素点梯度信息,即灰度值变化程度的获取方法为:获取初始边缘线上每个像素点预设邻域范围内邻域像素点的灰度值,将每个像素点与邻域像素点灰度值的差值最大值作为最大灰度值差异,即每个像素点的梯度信息。在本发明实施例中,预设邻域范围为像素点周围的八邻域范围,需要说明的是,公知技术中,梯度值的计算是结合多个方向的灰度值变化获得的,在本发明中为了更清楚明确的反映灰度值变化程度,采用每个像素点与邻域像素点间的最大灰度值差值作为梯度信息,可使获得的差异更加明显,便于对结果进行分析。
将初始边缘线上的一个像素点作为参考像素点,以参考像素点为例,求每个像素点为异常点的概率。在参考像素点对应的初始边缘线上,计算参考像素点与其他像素点的最大灰度值差异,将最大灰度值差异的差值绝对值作为梯度差异。计算参考像素点与其他像素点的灰度值差值绝对值并归一化,获得参考灰度值差异。
同时考虑到其他像素点与参考像素的相对位置不同,影响也不同。因此采用欧氏距离作为权重,将参考像素点与其他像素点的欧氏距离进行负相关映射并归一化,获得调整权重,当其他像素点距离参考像素点越近时,其差异影响越大。需要说明的是,欧氏距离是本领域技术人员熟知的技术手段,在此不做赘述。
将参考灰度值差异和梯度差异相乘获得灰度值变化差异,通过调整权重获得参考像素点与每个其他像素点加权后的灰度值变化差异,求所有加权后的灰度值变化差异的均值,获得异常点概率。异常点概率反映了参考像素点与其他像素点在灰度变化和相对位置上的相似程度,当参考像素点与其他像素点越不相似,即差异越大,异常点概率越大。在发明实施例中,为了后续计算的准确性,异常点概率公式为:
式中,表示为参考像素点的异常点概率,表示为参考像素点对应初始边缘线
的像素点总数量,表示为参考像素点的灰度值,表示为参考像素点对应初始边缘线
上第个其他像素点的灰度值,表示为参考像素点与对应初始边缘线上第个其他像
素点间的欧氏距离,表示为参考像素点的最大灰度值差异,也即梯度信息;表示为参
考像素点对应初始边缘线上第个其他像素点的最大灰度值差异,也即梯度信息;
表示为归一化函数,需要说明的是,归一化为本领域技术人员熟知的技术手段,归一化函数
的选择可以为线性归一化或标准归一化等,具体的归一化方法在此不做限定。
采用平均值的方法分析参考像素点与其他像素点的整体灰度值变化差异,表示为灰度值差值绝对值,表示为对灰度值差值绝对值进行归一
化处理,获得参考灰度值差异,当参考灰度值差异越大,说明参考像素点与其他像素点越可
能不在同一条边缘上,因此参考像素点为异常点的概率越大,表示为参考像素点与
其他像素点间的梯度差异,当梯度差异越大,说明参考像素点与其他像素点的变化程度越
不一致,因此参考像素点为异常点的概率越大。参考灰度值差异和梯度差异均与异常点概
率呈正相关关系。
加入欧氏距离作为调整权重,考虑其他像素点的相对位置对参考像素点的影响,
对距离参考像素点较近的其他像素点,其影响程度也是越大的,因此表示
为对欧氏距离进行负相关映射并归一化获得的调整权重,当距离越近,其他像素点的影响
越大,所以赋予的权重也越大。此时考虑位置关系后对所有的灰度变化差异求均值,得到的
异常点概率可以表征参考像素点与其他像素点的灰度值变化差异。
当参考像素点的异常点概率越大,说明参考像素点与其他像素点的灰度值变化差异越大,进而说明参考像素点不符合对应初始边缘线的边缘特征,其为误检测边缘点的概率越大。因此,获得初始边缘线上每个像素点的异常点概率,在本发明实施例中,设置预设异常阈值为0.8。当异常点概率大于预设异常阈值时,说明对应像素点与其他边缘像素点差异较大,将对应像素点作为异常点筛除;当异常点概率小于等于预设异常阈值时,说明对应像素点与其他边缘像素点差异较小,将对应像素点作为实际边缘线上的点。
完成异常点筛除后,会获得至少一条实际边缘线。因为,当异常点筛除后并不影响初始边缘线的连续性时,获得的实际边缘线为一条,当异常点的筛除影响到初始边缘线的连续性时,初始边缘线会被分为多条实际边缘线,此时,需要后续对实际边缘线分析进行连接。
至此,完成对边缘线的初步筛选,将因为预设高阈值过低而产生的异常点进行筛除,获得更精确的实际边缘线。
S2:通过实际边缘线之间的灰度值差异和位置分布获得匹配度,根据匹配度筛选出由两条相似实际边缘线构成的实际边缘线组。
在获得实际边缘线后,因为canny算子检测后的边缘线均为分段的边缘线,在分段的边缘线间存在因为预设高阈值过高而导致真实边缘未被检测出来的情况,为了能更准确的将油污区域提取出来,需要获得精确的封闭区域。因此,进一步需要将所有的边缘线进行连接,获得封闭区域。
在进行边缘线连接时,需要判断两条边缘是否对应为一条边缘,根据S1筛选后,可获得多条实际边缘线,对实际边缘线之间的灰度值差异和位置分布进行分析,获得匹配度。匹配度可以表征两个实际边缘线的相似程度,越相似的实际边缘线,越可能对应同一条边缘线,两个相似的实际边缘线中间存在真实边缘点的可能性极大。因此,具体匹配度的获得方法包括:
获得两条实际边缘线上像素点的平均灰度值,将平均灰度值的差值绝对值进行负相关映射并归一化,获得灰度值差异特征值。灰度值差异特征值反映实际边缘线的灰度相似性,越相似的实际边缘线,灰度值差异特征值越大,匹配程度越大。
获取每条实际边缘线的端点,将两条实际边缘线端点之间欧氏距离的最小值进行负相关映射并归一化处理,获得距离分布特征值。距离分布特征值反映了两条实际边缘线的位置分布特征,当两条实际边缘线之间的距离是越接近的,对应距离分布特征值是越大的,其对应的匹配程度也是越大的。
将两条实际边缘线的距离分布特征值和灰度值差异特征值相乘,乘积作为两条实际边缘线的匹配度。通过匹配度可以反映出两条实际边缘线间存在真实边缘点的可能性,匹配度越大的两条实际边缘线,对应两条实际边缘线之间越可能存在真实边缘点。在本发明实施例中,为了后续计算的准确性,具体匹配度公式为:
式中,表示为实际边缘线与实际边缘线之间的匹配度,表示为实际边缘
线与实际边缘线之间的欧氏距离,表示为实际边缘线的平均灰度值,表示为实际
边缘线的平均灰度值,表示为最小值提取函数,表示为自然常数,表示为
归一化函数。
通过乘积的形式结合灰度值差异特征值和距离分布特征值分析,表示
为欧氏距离的最小值,也即两条实际边缘线间的最小距离。表示
为对欧氏距离最小值进行负相关映射并归一化处理,获得距离分布特征值,当距离分布特
征值越大,说明两条实际边缘线间的最小距离是越小的,匹配程度是越大的。表示
为两条实际边缘线之间的平均值差值绝对值,表示为采用以自然常数为底的指数
函数进行负相关映射并归一化,获得灰度值差异特征值,当灰度值差异特征值越大,说明两
条实际边缘线之间的平均灰度值差异越小,匹配程度是越大的。灰度值差异特征值和距离
分布特征值均与匹配度呈正相关关系。
根据匹配度,可筛选出由两条相似实际边缘线构成的实际边缘组,具体分组过程为:获得任意两条实际边缘线的匹配度,当匹配度大于预设匹配阈值时,说明两条实际边缘线间存在未检测出来的实际边缘点,将对应两条实际边缘线作为一个匹配组;当匹配度小于等于预设匹配阈值时,说明两条实际边缘线之间可能不存在实际边缘点,将对应两条实际边缘线继续与其他实际边缘线进行匹配。
在匹配过程中,一个匹配组对应两条实际边缘线,当一条实际边缘线仅与另一条实际边缘线存在一个匹配组时,将这两条实际边缘线对应的匹配组作为实际边缘线组。当存在一条实际边缘线与两条及以上的实际边缘线组成两个及以上的匹配组时,将这些匹配组中对应匹配度最大的匹配组作为对应两条实际边缘线的实际边缘线组。寻找最相似的两条实际边缘线,一条实际边缘线至多对应一个实际边缘线组。
至此,对所有的实际边缘线完成初次匹配,获得实际边缘线组,进一步对匹配的实际边缘线组中的两条实际边缘线进行连接。
S3:将任意实际边缘线组作为检测组,在检测组内实际边缘线间的未连接区域中,从检测组中一条实际边缘线的端点开始,根据实际边缘线上相邻像素点的梯度变化调整预设高阈值,获得端点的优化高阈值;通过优化高阈值进行筛选,获得与端点在未连接区域中相邻的实际边缘点,获得新实际边缘线;从新实际边缘线的实际边缘点开始,继续调整预设高阈值获得所有实际边缘点,完成连接,获得检测组的待检测实际边缘线;获得每个实际边缘线组对应的待检测实际边缘线。
在S2中可以得到匹配的实际边缘线组,实际边缘线组中两个实际边缘线间存在未检测出的实际边缘点,说明预设高阈值过大,需要对预设高阈值进行降低优化,主要在实际边缘线端点处分析边缘线的梯度信息,通过实际边缘线的梯度信息进行预设高阈值的优化,获得端点处的局部自适应高阈值,即优化高阈值。通过优化高阈值可以进一步筛选出真实的边缘点进行连接。因此,先将任意实际边缘线组作为检测组,根据检测组实施连接过程。
在检测组内,将两个实际边缘线间需要连接的区域作为未连接区域,在本发明实施例中,具体未连接区域的选取方法为:将两条实际边缘线端点对应欧氏距离最小值的两个端点作为最小端点,连接两个最小端点,获得一条预设的边缘线,以预设边缘线上的像素点为中心,获取每个像素点5*5大小的邻域像素点,将所有预设边缘线上的像素点以及对应所有邻域像素点构成的区域作为未连接区域。在未连接区域中,进行实际边缘点的获取。
从检测组中一条实际边缘线的端点开始,即未连接区域中的一个最小端点开始,根据实际边缘线上相邻像素点的梯度变化调整预设高阈值,获得端点的优化高阈值,具体优化高阈值的计算公式为:
式中,表示为端点的优化高阈值,表示为预设高阈值,表示为实际边缘线
的像素点总数量,表示为实际边缘线上第个像素点的最大灰度值差异,表示为实际
边缘线上第个像素点的最大灰度值差异,表示为实际边缘线上第个像素点与
端点的欧氏距离,表示为归一化函数。
通过梯度变化的均值降低预设高阈值,表示为实际边缘线中除了端点的
像素点总数量,表示为相邻两个像素点间的最大灰度值差异的差值绝对值,记为
梯度变化差异,若像素点间的梯度变化差异越大,说明预设高阈值需要调整的程度越大,最
终得到的优化高阈值越小。表示为将第个像素点与端点的欧氏距离进
行负相关映射并归一化处理,获得位置权重,通过位置权重调整不同位置处梯度变化差异
的影响,当距离端点越近时,相邻像素点的梯度变化差异影响越大。
其中表示为根据位置权重调整后梯度
变化差异的均值,记为整体梯度变化差异,该整体梯度变化差异可以反映在端点处,实际
边缘线相对的梯度变化程度,获得在端点处的优化高阈值。当整体梯度变化差异越大,优
化高阈值越小。
在未连接区域中,可在端点处通过优化高阈值进行筛选像素点,获得与端点在未连接区域中相邻的实际边缘点,获得新实际边缘线,其中在未连接区域中存在两个端点,分别为对应两个实际边缘线的最小端点,具体获取过程包括:
根据端点处的优化高阈值,即一个最小端点处的优化高阈值,筛选在未连接区域中与端点相邻的像素点,将高于优化高阈值的像素点作为预选实际边缘点,若根据优化高阈值无法筛选出预选实际边缘点时,则选择从未连接区域中的另一个端点开始筛选,即从另一个最小端点开始筛选。需要说明的是,因为在实际边缘线的匹配过程中,已经判断了实际边缘线间存在边缘点的可能性,因此两个端点均无法筛选的可能性极小,若均无法筛选则认为两个实际边缘线无法连接为一条边缘线。
当预选实际边缘点仅有一个时,说明该预选实际边缘点即为与端点相连的真实边缘点,将预选实际边缘点作为实际边缘点,与端点进行连接,获得新实际边缘线。
当预选实际边缘点存在两个以上时,说明符合真实边缘点的像素点存在多个,需要进一步选取最符合真实边缘线的实际边缘点,计算端点与实际边缘线上相邻像素点的斜率作为第一斜率,计算所有预选实际边缘点与端点的斜率作为第二斜率。斜率可以反映局部边缘的变化趋势,当变化趋势相近时,说明对应的预选实际边缘点越为真实边缘中的边缘点。
计算第一斜率与每个第二斜率的差值绝对值作为斜率差异,斜率差异反映边缘变化趋势的差异程度,将斜率差异最小时对应的预选实际边缘点作为实际边缘点,此时实际边缘点更符合真实边缘的变化趋势,将实际边缘点与端点进行连接,获得新实际边缘线。
此时得到的实际边缘点为新实际边缘线的端点,进一步地,可对新实际边缘线继续分析端点处,即实际边缘点处,继续通过新的梯度变化,获得新的优化高阈值,不断获得新的实际边缘点,最终完成两条实际边缘线的连接。将连接后的边缘线作为检测组的待检测实际边缘线,对每个实际边缘线组基于待检测组的连接过程,获得对应的待检测实际边缘线。
至此,完成对每个实际边缘组的一次连接,获得连接后的待检测实际边缘线。
S4:将所有待检测实际边缘线迭代匹配连接,直至获取到封闭区域;根据封闭区域内灰度值变化规律筛选出油污区域。
基于S2中的匹配过程,对所有待检测实际边缘线再次进行匹配获得新的实际边缘组,继续通过S3中的连接过程进行连接,不断迭代进行匹配连接,直至获得一个完整的封闭区域。需要说明的是,再次进行匹配的过程中,进行匹配的实际边缘线也包含剩余未被连接的实际边缘线,以确保最大程度的匹配相似的边缘线获得更多的完整封闭区域。且在不断迭代寻找新的实际边缘点时,都需要不断地自适应更新优化高阈值,避免因为单一调整阈值造成局部最优解的问题。
在模具表面灰度图像中可能会获得多个封闭区域,这些封闭区域不仅仅包含油污区域,也包含缺陷区域,因此进一步对封闭区域进行区分。根据油污区域是油滴在表面蔓延形成的区域,其表面具有一定的规律性,而缺陷区域的表面往往是不够规律的,因此可以根据封闭区域表面的灰度变化规律筛选出油污区域,具体包括:
获得封闭区域内像素点的灰度值熵值,并将灰度值熵值进行归一化处理,获得灰度规律特征值,通过灰度规律特征值反映灰度变化规律程度。当灰度规律特征值大于预设的灰度阈值时,说明封闭区域内的灰度值变化混乱,封闭区域为油污区域的概率极小,因此将对应封闭区域记为缺陷区域。
当灰度规律特征值小于等于预设的灰度值阈值时,说明封闭区域内像素点的灰度值变化较为规律,可将对应的封闭区域记为油污区域。在本发明实施例中,预设的灰度值阈值为0.5,具体数值实施者可根据具体实施情况进行调节,需要说明的是,归一化处理和熵值的计算均属于本领域技术人员熟知的技术手段,在此不做赘述。
至此,将极耳表面灰度图像中的油污区域提取出来,完成油污的缺陷检测。
综上所述,本发明首先获取极耳模具表面灰度图像,使用预设canny算子高阈值进行检测获得初始边缘线,通过初始边缘线的灰度变化差异和相对位置筛除异常点,获得实际边缘线,根据实际边缘线的位置分布和灰度差异进行匹配获得实际边缘线组,在实际边缘线组的未连接区域中,根据实际边缘线上的梯度变化调整预设高阈值,获得端点处的优化高阈值,根据优化高阈值筛选出实际边缘点与端点连接,获得新实际边缘线,通过新实际边缘线继续调整预设高阈值获得所有实际边缘点,完成连接,得到每个实际边缘组的待检测实际边缘线,通过对所有待检测实际边缘线迭代匹配连接,直至获得完整封闭区域,根据封闭区域内灰度值的变化规律筛选出油污区域。本发明通过图像处理,通过梯度信息和空间信息对高阈值进行局部自适应优化,获得更完整更精确的油污区域。
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 (7)
1.一种极耳模具表面油污的缺陷检测方法,其特征在于,所述方法包括:
获得极耳模具表面灰度图像,通过预设高阈值对所述极耳模具表面灰度图像进行canny算法边缘检测,获得初始边缘线;通过所述初始边缘线上每个像素点与其他像素点之间的灰度值变化差异和相对距离获得每个像素点的异常点概率,通过所述异常点概率筛除所述初始边缘线上的异常点,获得实际边缘线;
通过所述实际边缘线之间的灰度值差异和位置分布获得匹配度,根据所述匹配度筛选出由两条相似实际边缘线构成的实际边缘线组;
将任意所述实际边缘线组作为检测组,在所述检测组内所述实际边缘线间的未连接区域中,从所述检测组中一条所述实际边缘线的端点开始,根据所述实际边缘线上相邻像素点的梯度变化调整预设高阈值,获得所述端点的优化高阈值;通过所述优化高阈值进行筛选,获得与所述端点在所述未连接区域中相邻的实际边缘点,获得新实际边缘线;从所述新实际边缘线的所述实际边缘点开始,继续调整预设高阈值获得所有实际边缘点,完成连接,获得检测组的待检测实际边缘线;获得每个所述实际边缘线组对应的所述待检测实际边缘线;
将所有所述待检测实际边缘线迭代匹配连接,直至获取到封闭区域;根据所述封闭区域内灰度值变化规律筛选出油污区域;
所述每个像素点的异常点概率的获取包括:
获得所述初始边缘线上每个像素点在预设邻域范围内与邻域像素点之间的最大灰度值差异;
将所述初始边缘线上的一个像素点作为参考像素点,计算所述参考像素点与所述初始边缘线上其他像素点间的灰度值差异并归一化,获得参考灰度值差异;
将所述参考像素点与所述初始边缘线上其他像素点的所述最大灰度值差异的差异作为梯度差异;将所述参考灰度值差异与所述梯度差异相乘,乘积作为灰度值变化差异;
将所述参考像素点与所述初始边缘线上其他像素点之间的欧氏距离进行负相关映射并归一化,获得调整权重;获得参考像素点与所有其他像素点的所述灰度值变化差异,通过所述调整权重调整灰度值变化差异,将所有加权所述灰度值变化差异的均值作为参考像素点的异常点概率。
2.根据权利要求1所述的一种极耳模具表面油污的缺陷检测方法,其特征在于,所述匹配度的获取包括:
获取每个所述实际边缘线的端点,将两个所述实际边缘线端点之间欧氏距离的最小值进行负相关映射并归一化处理,获得距离分布特征值;
获得两条所述实际边缘线上像素点的平均灰度值,将所述平均灰度值的差值绝对值负相关映射并归一化,获得灰度值差异特征值;
将两条所述实际边缘线的所述距离分布特征值和所述灰度值差异特征值相乘,乘积作为两条所述实际边缘线的匹配度。
3.根据权利要求1所述的一种极耳模具表面油污的缺陷检测方法,其特征在于,所述优化高阈值的获取包括:
所述优化高阈值的计算公式为:
式中,表示为端点/>的优化高阈值,/>表示为预设高阈值,/>表示为实际边缘线/>的像素点总数量,/>表示为实际边缘线/>上第/>个像素点的最大灰度值差异,/>表示为实际边缘线/>上第/>个像素点的最大灰度值差异,/>表示为实际边缘线/>上第/>个像素点与端点/>的欧氏距离,/>表示为归一化函数。
4.根据权利要求1所述的一种极耳模具表面油污的缺陷检测方法,其特征在于,所述实际边缘点和新实际边缘线的获取包括:
根据所述端点的优化高阈值,筛选在所述未连接区域中与所述端点相邻的预选实际边缘点,当根据所述优化高阈值无法筛选出所述预选实际边缘点时,选择所述未连接区域中的另一个端点进行筛选;
当所述预选实际边缘点仅有一个时,将所述预选实际边缘点作为实际边缘点,与所述端点进行连接,获得新实际边缘线;
当所述预选实际边缘点存在两个及以上时,获得所述端点与所述实际边缘线上相邻像素点的第一斜率,计算所有预选实际边缘点与所述端点的第二斜率,将所述第一斜率和所述第二斜率差异最小的对应预选实际边缘点作为实际边缘点,与所述端点进行连接,获得新实际边缘线;
所述实际边缘点为新实际边缘线的端点。
5.根据权利要求1所述的一种极耳模具表面油污的缺陷检测方法,其特征在于,所述根据所述封闭区域内灰度值变化规律筛选出油污区域包括:
获得所述封闭区域内像素点的灰度值熵值,将所述灰度值熵值进行归一化处理,获得灰度规律特征值,当灰度规律特征值大于预设的灰度阈值时,对应所述封闭区域记为缺陷区域;当灰度规律特征值小于等于预设的灰度值阈值时,对应所述封闭区域记为油污区域。
6.根据权利要求1所述的一种极耳模具表面油污的缺陷检测方法,其特征在于,所述通过所述异常点概率筛除所述初始边缘线上的异常点,获得实际边缘线包括:
获得所述初始边缘线上每个像素点的异常点概率,当所述异常点概率大于预设异常阈值时,将对应像素点作为异常点筛除;当所述异常点概率小于等于预设异常阈值时,对应像素点作为实际边缘线上的点,获得实际边缘线。
7.根据权利要求1所述的一种极耳模具表面油污的缺陷检测方法,其特征在于,所述根据所述匹配度筛选出由两条相似实际边缘线构成的实际边缘线组包括:
获得任意两条所述实际边缘线的匹配度,当匹配度大于预设匹配阈值时,将对应两条所述实际边缘线作为一个匹配组;当匹配度小于等于预设匹配阈值时,对应两条所述实际边缘线继续与其他所述实际边缘线进行匹配;
若一条所述实际边缘线仅与另一条所述实际边缘线存在一个所述匹配组,则将对应两条所述实际边缘线的匹配组作为实际边缘线组;若存在一条所述实际边缘线与两条及以上的所述实际边缘线组成两个及以上的匹配组时,将所述匹配组对应所述匹配度最大的匹配组作为对应两条所述实际边缘线的实际边缘线组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310443245.0A CN116309537B (zh) | 2023-04-24 | 2023-04-24 | 一种极耳模具表面油污的缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310443245.0A CN116309537B (zh) | 2023-04-24 | 2023-04-24 | 一种极耳模具表面油污的缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116309537A CN116309537A (zh) | 2023-06-23 |
CN116309537B true CN116309537B (zh) | 2023-08-01 |
Family
ID=86780019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310443245.0A Active CN116309537B (zh) | 2023-04-24 | 2023-04-24 | 一种极耳模具表面油污的缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309537B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612123B (zh) * | 2023-07-21 | 2023-10-13 | 山东金胜粮油食品有限公司 | 一种花生油加工质量视觉检测方法 |
CN116703892B (zh) * | 2023-08-01 | 2023-11-14 | 东莞市京品精密模具有限公司 | 一种基于图像数据的锂电池切刀磨损评估预警方法 |
CN116664584B (zh) * | 2023-08-02 | 2023-11-28 | 东莞市旺佳五金制品有限公司 | 一种薄壁类锌合金压铸模具生产智能反馈调节*** |
CN116758071B (zh) * | 2023-08-17 | 2023-11-03 | 青岛冠宝林活性炭有限公司 | 一种视觉辅助下碳电极脏污智能检测方法 |
CN116823814B (zh) * | 2023-08-28 | 2023-11-24 | 山东巨鑫伟业电气设备有限公司 | 一种配电设备焊接生产缺陷检测*** |
CN117011297B (zh) * | 2023-10-07 | 2024-02-02 | 惠州市凯默金属制品有限公司 | 基于图像处理的铝合金汽配件模具缺陷检测方法 |
CN117455870B (zh) * | 2023-10-30 | 2024-04-16 | 太康精密(中山)有限公司 | 一种连接线和连接器质量视觉检测方法 |
CN117291985B (zh) * | 2023-11-24 | 2024-03-15 | 青岛宜霖赛瑞智能科技有限公司 | 一种零件冲孔的图像定位方法 |
CN117723548A (zh) * | 2023-12-14 | 2024-03-19 | 东莞市毅廷音响科技有限公司 | 一种汽车喇叭生产质量检测方法 |
CN118014998B (zh) * | 2024-04-09 | 2024-06-11 | 深圳市富安娜艺术家居有限公司 | 基于机器视觉的床单布匹检测方法及*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272341A (zh) * | 2022-09-29 | 2022-11-01 | 华联机械集团有限公司 | 一种基于机器视觉的包装机缺陷产品检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8331619B2 (en) * | 2008-03-14 | 2012-12-11 | Sony Computer Entertainment Inc. | Image processing apparatus and image processing method |
CN106204453B (zh) * | 2016-07-14 | 2019-12-03 | 京东方科技集团股份有限公司 | 一种图像的插值方法及装置 |
CN115272305B (zh) * | 2022-09-26 | 2022-12-27 | 南通润一轩纺织品有限公司 | 一种纽扣孔洞缺陷检测方法 |
-
2023
- 2023-04-24 CN CN202310443245.0A patent/CN116309537B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272341A (zh) * | 2022-09-29 | 2022-11-01 | 华联机械集团有限公司 | 一种基于机器视觉的包装机缺陷产品检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116309537A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116309537B (zh) | 一种极耳模具表面油污的缺陷检测方法 | |
CN113689428B (zh) | 基于图像处理的机械零件应力腐蚀检测方法及*** | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
CN108711158B (zh) | 基于轮廓拟合和径向分割的指针式仪表图像识别方法 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
CN115294113A (zh) | 一种木饰面板质量检测方法 | |
CN115147409B (zh) | 基于机器视觉的手机壳生产品质检测方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及*** | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理*** | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116071363B (zh) | 一种自动化型钢智能生产监测*** | |
CN116402810B (zh) | 基于图像处理的润滑油抗磨粒质量检测方法 | |
CN115082477B (zh) | 一种基于去反光效果的半导体晶圆加工质量检测方法 | |
CN116703909B (zh) | 一种电源适配器生产质量智能检测方法 | |
CN116051543B (zh) | 一种用于钢材剥皮的缺陷识别方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测*** | |
CN116309599A (zh) | 基于污水前置处理的水质视觉监测方法 | |
CN114998311A (zh) | 一种基于同态滤波的零件精密度检测方法 | |
CN116740053B (zh) | 一种锻造加工智能生产线的管理*** | |
CN117078688B (zh) | 一种用于强磁钕铁硼磁体的表面缺陷识别方法 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN116432052A (zh) | 一种新能源汽车模具用夹具质量检测方法 | |
CN115855961A (zh) | 一种用于运行中的配电箱故障检测方法 | |
CN113643245A (zh) | 一种屏幕缺陷的测量方法、装置及计算机可读存储介质 |
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 |