CN116612111A - 一种高强度复合材料加工质量检测方法 - Google Patents
一种高强度复合材料加工质量检测方法 Download PDFInfo
- Publication number
- CN116612111A CN116612111A CN202310862315.6A CN202310862315A CN116612111A CN 116612111 A CN116612111 A CN 116612111A CN 202310862315 A CN202310862315 A CN 202310862315A CN 116612111 A CN116612111 A CN 116612111A
- Authority
- CN
- China
- Prior art keywords
- gray
- image
- composite material
- sub
- pixel point
- 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
- 239000002131 composite material Substances 0.000 title claims abstract description 111
- 238000012545 processing Methods 0.000 title claims abstract description 90
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 68
- 238000009826 distribution Methods 0.000 claims abstract description 45
- 230000007547 defect Effects 0.000 claims abstract description 10
- 230000002708 enhancing effect Effects 0.000 claims abstract description 10
- 230000015556 catabolic process Effects 0.000 claims abstract description 7
- 238000006731 degradation reaction Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 25
- 238000005286 illumination Methods 0.000 claims description 23
- 239000000463 material Substances 0.000 claims description 18
- 238000007689 inspection Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 230000002950 deficient Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 241001270131 Agaricus moelleri Species 0.000 claims description 5
- 230000006866 deterioration Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 description 33
- 230000006870 function Effects 0.000 description 19
- 239000011159 matrix material Substances 0.000 description 13
- 238000012986 modification Methods 0.000 description 9
- 230000004048 modification Effects 0.000 description 9
- 239000000835 fiber Substances 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- RNFJDJUURJAICM-UHFFFAOYSA-N 2,2,4,4,6,6-hexaphenoxy-1,3,5-triaza-2$l^{5},4$l^{5},6$l^{5}-triphosphacyclohexa-1,3,5-triene Chemical compound N=1P(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP=1(OC=1C=CC=CC=1)OC1=CC=CC=C1 RNFJDJUURJAICM-UHFFFAOYSA-N 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 239000003063 flame retardant Substances 0.000 description 5
- 229920001169 thermoplastic Polymers 0.000 description 5
- 239000004416 thermosoftening plastic Substances 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 229920000049 Carbon (fiber) Polymers 0.000 description 1
- 241000579895 Chlorostilbon Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 229920006231 aramid fiber Polymers 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004917 carbon fiber Substances 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000003365 glass fiber Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011430 maximum method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000012779 reinforcing material Substances 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T7/11—Region-based segmentation
-
- 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
- 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
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- 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
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本说明书实施例公开了一种高强度复合材料加工质量检测方法,涉及图像处理技术领域。所述方法包括:获取加工后的高强度复合材料的灰度图像;基于所述灰度图像的灰度渐变差将所述灰度图像划分为多个子区域;对于每个所述子区域,基于所述子区域的灰度分布熵增强所述子区域的亮度和对比度,得到所述灰度图像的增强图像;将所述增强图像与所述复合材料的无缺陷图像进行比对,得到所述复合材料的加工质量检测结果。通过该方法,可以规避高强度复合材料常规人工检测的缺点,减少人为因素影响,提高其检测速度和准确率。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种高强度复合材料加工质量检测方法。
背景技术
高强度复合材料是指由不同材料组合而成的材料,具有比单一材料更高的强度和刚度。这种材料通常由纤维增强材料和基体材料组成。纤维增强材料通常是碳纤维、玻璃纤维或芳纶纤维等高强度材料,而基体材料则是树脂、金属或陶瓷等材料。总体来说,高强度复合材料具有轻质、高强度、高刚度、耐腐蚀性好等优点,已经成为新一代材料的代表之一。随着科技的不断发展,高强度复合材料的性能和应用领域还将不断扩展和深入。
外观检查是复合材料质量检测中的重要环节,通常使用以下方法:目视检查、放大镜检查、显微镜检查等,其中目视检查和放大镜检查受到人为因素的影响较大,检测准确率低,而显微镜检查需要专业人员进行操作,同时检测速度较慢。
基于此,有必要研究一种高强度复合材料加工质量检测方法。
发明内容
本说明书实施例提供一种高强度复合材料加工质量检测方法,所述方法包括:
获取加工后的高强度复合材料的灰度图像;
基于所述灰度图像的灰度渐变差将所述灰度图像划分为多个子区域;
对于每个所述子区域,基于所述子区域的灰度分布熵增强所述子区域的亮度和对比度,得到所述灰度图像的增强图像;
将所述增强图像与所述复合材料的无缺陷图像进行比对,得到所述复合材料的加工质量检测结果。
可选地,所述基于所述灰度图像的灰度渐变差将所述灰度图像划分为多个子区域,包括:
计算所述灰度图像的灰度渐变差图;
基于所述灰度渐变差图计算所述灰度图像的灰度渐变直方图;
基于所述灰度渐变直方图和基于灰度渐变差的Otsu算法对所述灰度图像进行分割,得到多个子区域。
可选地,所述计算所述灰度图像的灰度渐变差图,包括:
将预设的灰度渐变算子遍历所述灰度图像,以计算所述灰度图像的灰度渐变差图,所述灰度渐变算子为:
;
其中,G为所述灰度渐变算子中心像素点的灰度渐变差,a和b分别为所述中心像素点相邻左侧和相邻右侧的像素点的灰度,c和d分别为所述中心像素点相邻上方和相邻下方的像素点的灰度。
可选地,所述对于每个所述子区域,基于所述子区域的灰度分布熵增强所述子区域的亮度和对比度,得到所述灰度图像的增强图像,包括:
对于每个所述子区域;
计算所述子区域的每一像素点的亮度指标和对比度指标;
基于所述每一像素点的亮度指标和对比度指标计算所述子区域的灰度分布熵;
基于所述灰度分布熵调整预设Retinex算法的中心环绕函数的增强照明尺度参数,得到调整后的中心环绕函数;
基于包含所述调整后的中心环绕函数的所述预设Retinex算法对所述子区域的亮度和对比度进行增强,得到所述灰度图像的增强图像。
可选地,所述亮度指标为亮度占比参数,当所述子区域为灰度在水平方向渐变且在竖直方向不变的矩形区域时,所述亮度占比参数基于如下公式计算:
;
其中,表示子区域w内像素点i的亮度占比参数,/>为所述像素点i的横坐标,和/>分别为所述子区域内的灰度值最小的像素点和灰度值最大的像素点的横坐标;
当所述子区域为灰度在竖直方向渐变且在水平方向不变的矩形区域时,所述亮度占比参数基于如下公式计算:
;
其中,表示子区域w内像素点i的亮度占比参数,/>为所述像素点i的纵坐标,和/>分别为所述子区域内的灰度值最小的像素点和灰度值最大的像素点的纵坐标。
可选地,所述对比度指标为灰度差异程度参数,所述灰度差异程度参数基于如下公式计算:
;
其中,表示子区域w内像素点i的灰度差异程度参数,/>为所述像素点/>的水平方向或垂直方向相邻像素点的灰度差,/>为子区域w内的灰度标准差,/>为调参因子。
可选地,所述基于所述每一像素点的亮度指标和对比度指标计算所述子区域的灰度分布熵,包括:
基于如下公式计算所述子区域的灰度分布熵:
;
其中,为子区域w的灰度分布熵,/>、/>分别是子区域w内像素点亮度指标的最大值、最小值,/>、/>分别是子区域w内像素点对比度指标的最大值、最小值,/>为子区域w内与值/>相同的像素点个数占像素点总数之比。
可选地,所述基于所述灰度分布熵调整预设Retinex算法的中心环绕函数的增强照明尺度参数,得到调整后的中心环绕函数,包括:
将所述灰度分布熵加1之和的对数作为预设Retinex算法的中心环绕函数的增强照明尺度参数,得到调整后的中心环绕函数。
可选地,所述获取加工后的高强度复合材料的灰度图像,包括:
获取加工后的高强度复合材料的照片;
基于高斯滤波对所述照片进行去噪,得到去噪图像;
基于最大值法将所述去噪图像转化为灰度图像。
可选地,所述将所述增强图像与所述复合材料的无缺陷图像进行比对,得到所述复合材料的加工质量检测结果,包括:
将所述增强图像与所述复合材料的无缺陷图像进行比对,以统计所述增强图像与所述无缺陷图像的匹配关键点数量;
将所述匹配关键点数量除以所述复合材料的生产流程中图像关键点总数,得到所述增强图像与所述无缺陷图像的匹配度;
在所述匹配度小于阈值时,得到所述复合材料为缺陷材料的加工质量检测结果。
本说明书实施例所提供的高强度复合材料加工质量检测方法可能带来的有益效果至少包括:(1)对高强度复合材料加工质量检测方法进行改进,使用基于机器视觉的图像处理技术对复合材料的灰度图像处理来实现自动化检测,可以规避常规检测方式缺点,减少了人为影响,提高了检测速度;(2)将灰度图像划分为多个子区域,并基于每个子区域的灰度分布熵自适应增强灰度图像的亮度和对比度,可以使得每个划分后的子区域都能有更好的增强效果,从而提升后续图像处理的精度,进一步地提升质量检测准确率。
附加的特征将在下面的描述中部分地阐述。对于本领域技术人员来说,通过查阅以下内容和附图将变得显而易见,或者可以通过实例的产生或操作来了解。本说明书的特征可以通过实践或使用以下详细实例中阐述的方法、工具和组合的各个方面来实现和获得。
附图说明
本说明书将以示例性实施例的方式进一步描述,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的高强度复合材料加工质量检测方法的示例性应用场景示意图;
图2是根据本说明书的一些实施例所示的高强度复合材料加工质量检测***的示例性模块图;
图3是根据本说明书一些实施例所示的高强度复合材料加工质量检测方法的示例性流程图;
图4是根据本说明书一些实施例所示的示例性高强度复合材料的灰度图像;
图5是根据本说明书一些实施例所示的示例性灰度渐变算子的示意图;
图6是根据本说明书一些实施例所示的灰度渐变算子位于子区域内的示意图;
图7是根据本说明书一些实施例所示的计算亮度占比参数的各变量与子区域关系的示意图;
图8是根据本说明书一些实施例所示的灰度差异共生矩阵对应表格的示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例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说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本说明书中所使用的“***”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
热塑性纤维增强阻燃绝热复合材料是一种重要的工程材料,其性能优异,为高强度复合材料的一种。在复合材料的加工过程中,需要对加工后的复合材料进行加工质量检测,以判断其加工是否达标。相关技术中,加工质量检测通过人工进行外观检测的方式进行,其受人为因素影响较大,检测速度慢,检测准确率低。
基于以上技术问题,本说明书提供一种高强度复合材料加工质量检测方法,通过对高强度复合材料加工质量检测方法进行改进,使用基于机器视觉的图像处理技术对复合材料的灰度图像处理来实现自动化质量检测,以规避常规检测方式缺点,减少人为影响,提高检测速度;同时,通过将灰度图像划分为多个子区域,并基于每个子区域的灰度分布熵自适应增强灰度图像的亮度和对比度,使得每个划分后的子区域都能有更好的增强效果,从而提升后续图像处理的精度,进一步地提升质量检测准确率。
下面结合附图对本说明书实施例提供的方法和***进行详细说明。
图1是根据本说明书一些实施例所示的高强度复合材料加工质量检测方法的示例性应用场景示意图。
参照图1,在一些实施例中,高强度复合材料加工质量检测方法的应用场景100可以包括工业相机110、存储设备120、处理设备130、终端设备140以及网络150。应用场景100中的各个部件可以以多种方式相连接。例如,工业相机110可以与存储设备120和/或处理设备130通过网络150连接,也可以与存储设备120和/或处理设备130直接连接。又例如,存储设备120可以与处理设备130直接连接或通过网络150连接。又例如,终端设备140可以与存储设备120和/或处理设备130通过网络150连接,也可以与存储设备120和/或处理设备130直接连接。
工业相机110可以用于获取高强度复合材料加工生产流程中的彩色高清图像,具体地,工业相机110可以是高分辨率工业相机,以捕捉到复合材料中微小的细节和缺陷,提供更加准确的图像信息。在一些实施例中,该工业相机110可以按照设定的图像采集频率对生产流程中的高强度复合材料进行图像采集(例如,每隔30秒采集一次)。在一些实施例中,为了实现全方位的监控和拍摄,可以将该工业相机110设置在云台组件上。在一些实施例中,工业相机110可以具有独立的电源,其可以通过有线或无线(例如蓝牙、WiFi等)的方式将采集的图像发送给应用场景100中的其他部件(例如,存储设备120、处理设备130、终端设备140)。在一些实施例中,应用场景100中可以包括多个(例如两个及以上)工业相机110,该多个工业相机110可以针对相同或不同的加工流程加工后的高强度复合材料拍摄图像。在一些实施例中,应用场景100还包括固定光源,以提供稳定的光源环境,避免因光源变化导致的图像偏差。
在一些实施例中,工业相机110可以通过网络150将其采集的图像发送至存储设备120、处理设备130、终端设备140等。在一些实施例中,可以通过处理设备130对工业相机110所采集的图像进行处理。例如,处理设备130可以将该图像转化为灰度图像。在一些实施例中,采集的图像可以发送至存储设备120进行记录,或者发送至终端设备140以反馈给相关人员(例如管理人员)。
网络150可以促进信息和/或数据的交换。网络150可以包括能够促进应用场景100的信息和/或数据交换的任何合适的网络。在一些实施例中,应用场景100的至少一个组件(例如,工业相机110、存储设备120、处理设备130、终端设备140)可以通过网络150与应用场景100中至少一个其他组件交换信息和/或数据。例如,处理设备130可以通过网络150从工业相机110和/或存储设备120获得针对高强度复合材料采集的图像。又例如,处理设备130可以通过网络150从终端设备140获得用户操作指令,示例性的操作指令可以包括但不限于调阅图像,对拍摄的图像进行预处理等。
在一些实施例中,网络150可以为任意形式的有线或无线网络,或其任意组合。仅作为示例,网络150可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共开关电话网络(PSTN)、蓝牙网络、ZigBee网络、近场通讯(NFC)网络等或其任意组合。在一些实施例中,网络150可以包括至少一个网络接入点,应用场景100的至少一个组件可以通过接入点连接到网络150以交换数据和/或信息。
存储设备120可以储存数据、指令和/或任何其他信息。在一些实施例中,存储设备120可以存储从工业相机110、处理设备130和/或终端设备140获得的数据。例如,存储设备120可以存储工业相机110采集的图像;又例如,存储设备120可以存储处理设备130计算得到的灰度图像等。在一些实施例中,存储设备120可以存储处理设备130用来执行或使用来完成本说明书中描述的示例性方法的数据和/或指令。在一些实施例中,存储设备120可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。在一些实施例中,存储设备120可以在云平台上实现。仅作为示例,所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中,存储设备120可以连接到网络150以与应用场景100中的至少一个其他组件(例如,工业相机110、处理设备130、终端设备140)通信。应用场景100中的至少一个组件可以通过网络150访问存储设备120中存储的数据、指令或其他信息。在一些实施例中,存储设备120可以与应用场景100中的一个或以上组件(例如,工业相机110、终端设备140)直接连接或通信。在一些实施例中,存储设备120可以是工业相机110和/或处理设备130的一部分。
处理设备130可以处理从工业相机110、存储设备120、终端设备140和/或应用场景100的其他组件获得数据和/或信息。在一些实施例中,处理设备130可以从工业相机110、存储设备120或终端设备140中任意一个或多个获得图像,通过对该图像进行处理以得到灰度图像。在一些实施例中,处理设备130可以从存储设备120获取预先存储的计算机指令,并执行该计算机指令以实现本说明书所描述的高强度复合材料加工质量检测方法。
在一些实施例中,处理设备130可以是单一服务器或服务器组。服务器组可以是集中式的或分布式的。在一些实施例中,处理设备130可以是本地或远程的。例如,处理设备130可以通过网络150从工业相机110、存储设备120和/或终端设备140访问信息和/或数据。又例如,处理设备130可以直接连接到工业相机110、存储设备120和/或终端设备140以访问信息和/或数据。在一些实施例中,处理设备130可以在云平台上实现。例如,云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间云、多云等或其任意组合。
终端设备140可以接收、发送和/或显示数据。所述接收的数据可以包括工业相机110采集的图像、存储设备120存储的数据、处理设备130处理得到的灰度图像等。例如,终端设备140接收和/或显示的数据可以包括工业相机110采集的图像、处理设备130基于该采集的图像得到的灰度图像等。所述发送的数据可以包括用户(例如质检人员或相关管理人员)的输入数据和指令等。例如,终端设备140可以将用户输入的操作指令通过网络150发送给工业相机110,以控制工业相机110进行相应的图像采集。又例如,终端设备140可以将用户输入的评估指令通过网络150发送给处理设备130。
在一些实施例中,终端设备140可以包括移动设备141、平板计算机142、膝上型计算机143等或其任意组合。例如,移动设备141可以包括移动电话、个人数字助理(PDA)、专用移动终端等或其任意组合。在一些实施例中,终端设备140可以包括输入设备(如键盘、触摸屏)、输出设备(如显示器、扬声器)等。在一些实施例中,处理设备130可以是终端设备140的一部分。
应当注意的是,上述有关应用场景100的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对应用场景100进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。例如,工业相机110可以包括更多或更少的功能组件。
图2是根据本说明书一些实施例所示的高强度复合材料加工质量检测***的模块示意图。在一些实施例中,图2所示的高强度复合材料加工质量检测***200可以以软件和/或硬件的方式应用到图1所示的应用场景100,例如,可以以软件和/或硬件的形式配置到处理设备130和/或终端设备140,以用于对工业相机110所采集的图像进行处理,并基于该图像得到灰度图像。
参照图2,在一些实施例中,高强度复合材料加工质量检测***200可以包括:获取模块210、划分模块220、增强模块230和比对模块240。
获取模块210,可以用于获取加工后的高强度复合材料的灰度图像。
划分模块220,可以用于基于所述灰度图像的灰度渐变差将所述灰度图像划分为多个子区域。
增强模块230可以用于针对每个所述子区域,基于所述子区域的灰度分布熵增强所述子区域的亮度和对比度,得到所述灰度图像的增强图像。
比对模块240可以用于将所述增强图像与所述复合材料的无缺陷图像进行比对,得到所述复合材料的加工质量检测结果。
关于上述各个模块的更多细节可以参照本说明书的其他位置(例如图3~图8部分及其相关描述),此处不再赘述。
应当理解,图2所示的高强度复合材料加工质量检测***200及其模块可以利用各种方式来实现。例如,在一些实施例中,***及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行***,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和***可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的***及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要注意的是,上述关于高强度复合材料加工质量检测***200的描述仅出于说明性目的而提供,并不旨在限制本说明书的范围。可以理解,对于本领域的技术人员来说,可以根据本说明书的描述,在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子***与其他模块连接。例如,图2中所述的获取模块210、划分模块220、增强模块230和比对模块240可以是一个***中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。再例如,高强度复合材料加工质量检测***200还可以包括预处理模块,其中,预处理模块可以用于对前述图像进行预处理。诸如此类的变形,均在本说明书的保护范围之内。在一些实施例中,前述各个模块可以是处理设备130和/或终端设备140的一部分。
图3是根据本说明书一些实施例所示的高强度复合材料加工质量检测方法的示例性流程图。在一些实施例中,该方法可以通过处理逻辑来执行,该处理逻辑可以包括硬件(例如,电路、专用逻辑、可编程逻辑、微代码等)、软件(运行在处理设备上以执行硬件模拟的指令)等或其任意组合。在一些实施例中,图3所示的高强度复合材料加工质量检测方法的流程图中的一个或多个操作可以通过图1所示的处理设备130和/或终端设备140实现。例如,该方法可以以指令的形式存储在存储设备120中,并由处理设备130和/或终端设备140调用和/或执行。下文以处理设备130为例描述该方法的执行过程。
参照图3,在一些实施例中,高强度复合材料加工质量检测方法可以包括:
S310,获取加工后的高强度复合材料的灰度图像。在一些实施例中,步骤S310可以由获取模块210执行。
具体来讲,在一些实施例中,可以事先在产线上设置固定光源和高分辨率工业相机,通过工业相机对高强度复合材料(如热塑性纤维增强阻燃绝热复合材料)进行拍摄,以避免光源的波动对拍摄造成影响,尽量拍摄到清晰的图片。例如可以对每个加工流程后的复合材料进行拍摄,得到原始的彩色照片,然后对原始的彩色照片进行处理后得到灰度图像。
可选地,在步骤S310中,获取加工后的高强度复合材料的灰度图像,包括步骤S311至步骤S313,其中:
S311,获取加工后的高强度复合材料的照片。
在一些实施例中,可以通过高分辨率的工业相机拍摄每个或特定加工流程后的高强度复合材料,以获取高强度复合材料的高清照片,该高清照片可以是彩色的。当然也可以通过其它拍摄设备获取高强度复合材料的照片。
S312,基于高斯滤波对所述照片进行去噪,得到去噪图像。
获取照片后,可以进入执行步骤S312,在步骤S312中,高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程。通俗的讲,高斯滤波就是对整幅图像进行加权平均的过程,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到。通过高斯滤波去除照片的噪声,得到去噪图像,以降低噪声对后续步骤的影响。
S313,基于最大值法将所述去噪图像转化为灰度图像。
得到去噪图像后,可以进入执行步骤S313。在一些实施例中,对降噪后的去噪图像如RGB图像使用最大值法将其转化为灰度图像以便于后续的图像处理和分析,将预处理后的图像记为复合材料灰度图像。灰度化的最大值法是一种将彩色图像转化为灰度图像的方法,它的原理是将每个像素的RGB值中的最大值作为该像素的灰度值。在其它实施例中,可以采用其它方法例如平均值法等将去噪图像转化为灰度图像,对此本发明不作具体限制。
S320,基于所述灰度图像的灰度渐变差将所述灰度图像划分为多个子区域。在一些实施例中,步骤S320可以由划分模块220执行。
在一些实施例中,正常无缺陷复合材料表面结构如图4所示,可以看出其材料本身具有高度规则的纹理特征,且纹理特征区域为规则矩形。那么此处根据该特点对复合材料的灰度图像进行区域划分以方便后续分析。
参见图4,观察单个矩形可以看出内部灰度变化是近似均匀的,但是在矩形边界处会出现明显的灰度差异,因此直接根据图像的灰度对区域进行划分较为困难,可以考虑计算出灰度图像的灰度渐变差,计算其灰度渐变直方图,使用基于灰度渐变差的Otsu算法对图像进行分割,以利用复合材料表面结构特点对灰度图像进行区域划分,得到多个子区域,其单个子区域可以为如图4所示的单个矩形。
S330,对于每个所述子区域,基于所述子区域的灰度分布熵增强所述子区域的亮度和对比度,得到所述灰度图像的增强图像。在一些实施例中,步骤S330可以由增强模块230执行。
在一些实施例中,预处理后的复合材料灰度图像往往存在一些质量问题,例如光照不均、低对比度等问题,这些都会影响后续的分析和处理。因此,需要对图像进行增强和处理,以提高图像的质量和准确性。
在步骤S330中,灰度分布熵表征对应子区域的亮度和对比度之间的混乱程度,其数值越大,说明像素点的灰度在对比度和亮度上变化较大,因此可以根据灰度分布熵来对图像进行增强。例如在一些实施例中,使用Retinex算法对每个子区域进行增强,当灰度分布熵较小时,说明区域内像素的灰度变化较小,此时对于Retinex算法中的中心环绕函数,可以采用较小的增强照明参数,以保持图像的原始亮度和对比度,反之说明区域内像素的灰度变化较大,此时可以采用较大的增强照明参数/>,以增强图像的亮度和对比度,进而在对每个子区域进行图像增强操作后得到灰度图像对应的增强图像。
S340,将所述增强图像与所述复合材料的无缺陷图像进行比对,得到所述复合材料的加工质量检测结果。在一些实施例中,步骤S340可以由比对模块240执行。
在一些实施方式中,进行高强度复合材料如热塑性纤维增强阻燃绝热复合材料的图像匹配后对匹配结果进行分析,具体地,可以将增强图像与高强度复合材料的正常无缺陷图像进行比较,以判断加工后的高强度复合材料是否合格,作为高强度复合材料的加工质量检测结果。
可选地,在步骤S320中,基于所述灰度图像的灰度渐变差将所述灰度图像划分为多个子区域,包括:
S321,计算所述灰度图像的灰度渐变差图。
S322,基于所述灰度渐变差图计算所述灰度图像的灰度渐变直方图。
S323,基于所述灰度渐变直方图和基于灰度渐变差的Otsu算法对所述灰度图像进行分割,得到多个子区域。
在步骤S321中,参见图4,由于高强度复合材料本身的上述纹理特征,可以设计灰度渐变算子来计算灰度图像的灰度渐变差图,可以据此特点设计灰度渐变算子如图5所示。参见图5,灰度渐变算子G每次以中心像素点相邻的上下左右各一个像素点来进行计算,图中各个位置的数字为相应位置像素点的计算权重。
可选地,步骤S321中,计算所述灰度图像的灰度渐变差图,可以包括:
将预设的灰度渐变算子遍历所述灰度图像,以计算所述灰度图像的灰度渐变差图,所述灰度渐变算子为:
;
其中,G为所述灰度渐变算子中心像素点的灰度渐变差,a和b分别为所述中心像素点相邻左侧和相邻右侧的像素点的灰度,c和d分别为所述中心像素点相邻上方和相邻下方的像素点的灰度。
在图4所示的复合材料的灰度图像中,可以看出其方向存在两个维度中,即水平和垂直方向,所以此处算子可以只针对两个方向。该灰度渐变算子运算过程即为算子与中心像素点周边四个像素点灰度值的卷积,使用该算子遍历整幅图像可将所有像素点的灰度值替换为灰度渐变差G,进而得到灰度渐变差图。
在同一矩形内水平或竖直方向上像素点的灰度值具有渐变的分布特征,参见图6,以主方向为水平方向的规则矩形为例,当算子处于矩形内部时,其中心像素点周围4个像素点a,b,c,d具有以下规律:c点与d点的灰度值近似相同,a点与b点有一定的灰度差,此处记为。那么算子对该点进行灰度渐变差计算,可得到:
;
其中,又有,所以可化简处于规则矩形内的像素点的灰度渐变差G近似为/>。由于矩形内同一水平方向上的像素点灰度值为渐变,那么在相同水平间距内,其灰度差值不会有太大变化,所以灰度渐变算子在矩形内部滑动时其灰度渐变差G基本保持不变且近似为/>,但是当算子处于矩形边缘区域时,其与矩形内部的灰度渐变差会有明显的差异,故可以通过阈值分割的方法将复合材料的灰度图像进行区域划分。
计算出灰度渐变差图后,进入执行步骤S322。在一些实施例中,根据灰度渐变差图计算灰度图像对应的灰度渐变直方图,其中,灰度渐变直方图是对灰度渐变差的统计分布图,按照灰度渐变差的大小,统计其出现的频率。
得到灰度渐变直方图后,进入执行步骤S323。根据基于灰度渐变差的Otsu算法以及得到的灰度渐变直方图对灰度图像按照其纹理特征进行分割,得到多个子区域,其单个子区域可以为图4所示的包含灰度渐变纹理的规则矩形区域。Otsu算法(最大类间方差法、大津法)通过根据图像的灰度选择合适的阈值来对图像进行分割,而基于灰度渐变差的Otsu算法则是根据灰度渐变差来选择合适的阈值,以实现图像分割,具有计算简单快速,不受图像亮度和对比度的影响的优点。
可选地,在步骤S330中,对于每个所述子区域,基于所述子区域的灰度分布熵增强所述子区域的亮度和对比度,得到所述灰度图像的增强图像,包括:
对于每个所述子区域;
S331,计算所述子区域的每一像素点的亮度指标和对比度指标。
S332,基于所述每一像素点的亮度指标和对比度指标计算所述子区域的灰度分布熵;
S333,基于所述灰度分布熵调整预设Retinex算法的中心环绕函数的增强照明尺度参数,得到调整后的中心环绕函数。
S334,基于包含所述调整后的中心环绕函数的所述预设Retinex算法对所述子区域的亮度和对比度进行增强,得到所述灰度图像的增强图像。
对于每个划分好的子区域,执行步骤S331至S334,以基于自适应的Retinex算法对灰度图像进行增强。将高强度复合材料如热塑性纤维增强阻燃绝热复合材料的灰度图像进行区域划分,这里的区域划分同样可以为Retinex算法中子区域的划分。常规Retinex算法是针对整幅图像进行处理的,这里对图像进行子区域划分之后可以对每个子区域再进行Retinex算法实现图像增强,同时根据窗口内像素点的灰度特征对Retinex算法中的增强参数进行调整。
其中,Retinex算法是一种常用的图像增强算法,能够有效地提高图像的对比度和细节,同时保留图像的整体色调。下面对该算法原理进行简单解释以改进其参数自适应选择。首先将原始图像转换为对数域,然后把对数域图像分解为反射成分和照明成分,对照明成分进行调整,以实现图像的增强,最后将调整后的照明成分和反射成分相乘,得到增强后的图像。
在步骤S331中,对单个子区域进行分析,于Retinex算法来说,其本身是对图像的对比度及亮度进行增强,其中亮度可用图像的灰度均值估计,而对比度指标则是指像素点与其邻域内像素点的差异程度。
可选地,所述亮度指标为亮度占比参数,当所述子区域为灰度在水平方向渐变且在竖直方向不变的矩形区域时,所述亮度占比参数基于如下公式计算:
;
其中,表示子区域w内像素点i的亮度占比参数,/>为所述像素点i的横坐标,和/>分别为所述子区域内的灰度值最小的像素点和灰度值最大的像素点的横坐标。
当所述子区域为灰度在竖直方向渐变且在水平方向不变的矩形区域时,所述亮度占比参数基于如下公式计算:
;
其中,表示子区域w内像素点i的亮度占比参数,/>为所述像素点i的纵坐标,和/>分别为所述子区域内的灰度值最小的像素点和灰度值最大的像素点的纵坐标。
需要注意的是,在本说明书中,和/>中的/>表示的是子区域的约束。
可选的,所述对比度指标为灰度差异程度参数,所述灰度差异程度参数基于如下公式计算:
;
其中,表示子区域w内像素点i的灰度差异程度参数,/>为所述像素点/>的水平方向或垂直方向相邻像素点的灰度差,/>为子区域w内的灰度标准差,/>为调参因子。可以根据上述灰度渐变算子进行计算。一般而言,当所述子区域为灰度在水平方向渐变且在竖直方向不变的矩形区域时,/>为所述像素点/>的水平方向相邻像素点的灰度差,当所述子区域为灰度在竖直方向渐变且在水平方向不变的矩形区域时,/>为所述像素点/>的竖直方向相邻像素点的灰度差。
具体来讲,计算子区域内的灰度标准差,记为,其中/>代表子区域标号,用以区分不同子区域。上述使用灰度渐变差算子遍历灰度图像时,将每个像素点转换为灰度渐变差G从而得到了灰度渐变差图,将子区域/>内的灰度渐变差图记为/>,对于/>子区域内的像素点/>将其灰度渐变差记为/>,根据算子结构结合图像特征,/>即为像素点的水平或垂直方向相邻像素点的灰度差,其差值与/>子区域内的灰度标准差的比值/>(其中/>为调参因子,为了避免分母为0的情况,可取经验值0.01)则为标准化的灰度差值,表示像素点与邻域内(水平或垂直方向邻域)像素点之间的灰度差异程度,可以作为对比度指标。
参见图7,在计算像素点的灰度均值时,可以根据子区域灰度渐变的特征分析像素点在子区域内的空间关系对其灰度均值估计,以水平方向的矩形子区域为例,与像素点/>在同一水平方向上的灰度最大值记为/>,其坐标为/>,最小值记为/>,其坐标为/>,像素点/>的坐标为/>,因为处于同一水平方向,有/>。像素点/>所在行中像素点之间的横坐标最大差值为/>,像素点/>与最小灰度值对应像素点之间的横坐标差值为/>,通过像素点/>在子区域内水平方向上的空间占比反映其亮度情况。当像素点/>在子区域中的空间占比越大时,其越接近灰度最大值的边界,说明像素点/>的整体像素亮度较高,将子区域/>内像素点/>的空间占比所反映的亮度情况记为/>作为亮度指标,即/>。
计算出亮度指标和对比度指标后,进入执行步骤S332。在一些实施例中,根据这两个指标来计算灰度分布熵。可选地,在步骤S332中,基于所述每一像素点的亮度指标和对比度指标计算所述子区域的灰度分布熵,包括:
基于如下公式计算所述子区域的灰度分布熵:
;
其中,为子区域w的灰度分布熵,/>、/>分别是子区域w内像素点亮度指标的最大值、最小值,/>、/>分别是子区域w内像素点对比度指标的最大值、最小值,/>为子区域w内与值/>相同的像素点个数占像素点总数之比。
对于子区域内的像素点,现在具有两个指标,灰度差异程度参数/>以及亮度占比参数/>,把两个指标记为/>,简记为:/>。可以先根据灰度差异程度参数/>和亮度占比参数/>生成灰度差异共生矩阵。
参见图8所示的矩阵表格,灰度差异共生矩阵水平方向上的参数为按顺序排列的不重复值,当有重复的/>值时,归为已存在的值下,如当/>的值为:1、1、2、3、4、5、5时,矩阵水平方向参数为1、2、3、4、5。矩阵纵向的参数则按顺序排列的不重复/>值,与/>取值同理。其中表1中的内容n为:与值/>相同的数值个数,把该矩阵中的数量总数记为m,那么值/>的概率/>则为/>。
每个子区域都有与其对应的一个矩阵表格,计算矩阵内表格的熵值即灰度分布熵,记为/>,计算过程为:
;
其代表含义为子区域内的像素点灰度差异程度与其亮度占比之间的混乱程度,将该熵称为灰度分布熵。式中,/>、/>分别是子区域w内像素点亮度占比的最大值、最小值,/>、/>的大小分别为1、0,/>、/>分别是子区域w内像素点灰度差异度的最大值、最小值,其值由复合材料的灰度图像分辨率决定,无固定值。而为与值/>相同的数值个数占总数的概率,为上述提及的/>,当/>越大时,则灰度差异共生矩阵内的数值越复杂,熵值/>越大,说明区域内像素点的灰度在对比度及亮度上变化较大。
计算出灰度分布熵后,可以进入执行步骤S333。可以根据灰度分布熵对增强照明尺度参数进行调整,进而对中心环绕函数进行调整。进而在步骤S334中,根据调整后的Retinex算法对灰度图像进行图像增强,得到灰度图像的增强图像。
在自适应Retinex算法中,高斯环绕尺度c与增强照明尺度共同决定了中心环绕函数/>,其表达式为:
;
根据上述计算结果灰度分布熵值,即子区域/>的像素灰度差异与灰度均值占比的分布情况对增强照明尺度/>做出优化,当熵值/>较小时,说明区域内像素的灰度变化较小,此时可以采用较小的增强照明参数/>,以保持图像的原始亮度和对比度,反之说明区域内像素的灰度变化较大,此时可以采用较大的增强照明参数/>,以增强图像的亮度和对比度。
可选地,步骤S333中,基于所述灰度分布熵调整预设Retinex算法的中心环绕函数的增强照明尺度参数,得到调整后的中心环绕函数,包括:
将所述灰度分布熵加1之和的对数作为预设Retinex算法的中心环绕函数的增强照明尺度参数,得到调整后的中心环绕函数。其灰度分布熵与增强照明尺度参数/>之间的映射关系如下所示:
;
其中是保证了增强照明尺度/>恒为正数,同时引入对数避免区域熵值较大时,存在过大的增强照明尺度/>,使得区域图像失真或局部亮度、对比度过高。据此可将自适应Retinex算法的中心环绕函数表达为:
;
如此,预设的Retinex算法的中心环绕函数得到调整,进而根据调整后的Retinex算法对图像的亮度和对比度进行增强。
可选地,在步骤S340中,将所述增强图像与所述复合材料的无缺陷图像进行比对,得到所述复合材料的加工质量检测结果,包括:
S341,将所述增强图像与所述复合材料的无缺陷图像进行比对,以统计所述增强图像与所述无缺陷图像的匹配关键点数量。
S342,将所述匹配关键点数量除以所述复合材料的生产流程中图像关键点总数,得到所述增强图像与所述无缺陷图像的匹配度。
S343,在所述匹配度小于阈值时,得到所述复合材料为缺陷材料的加工质量检测结果。
使用优化参数后的自适应Retinex算法将灰度图像进行增强后,可以使用图像匹配算法进行后续检测分析,此处可选用ORB图像匹配算法将生产流程中的高强度复合材料(如热塑性纤维增强阻燃绝热复合材料)图像与正常无缺陷的复合材料图像进行匹配。
在步骤S341中,可以基于ORB图像匹配算法将增强图像与高强度复合材料的正常无缺陷进行比对,统计两幅图像相同匹配关键点的个数记为N。在步骤S342中,记复合材料生产流程中图像的关键点总数为M,设相同匹配关键点数量N与生产流程中拍摄图像的关键点总数比为匹配度,根据公式/>计算匹配度。
在步骤S343中,匹配度越高,说明图像所对应的复合材料质量更好,可自行设定匹配度阈值,如设定经验阈值为90%,当图像匹配度低于阈值时,可认定该复合材料为缺陷材料,并对其缺陷进行具体分析以进行后续的返工或销毁操作。在匹配度大于或等于阈值时,得到复合材料为合格材料的加工质量检测结果。
综上所述,本说明书实施例可能带来的有益效果包括但不限于:(1)对高强度复合材料加工质量检测方法进行改进,使用基于机器视觉的图像处理技术对复合材料的灰度图像处理来实现自动化质量检测,可以规避常规检测方式缺点,减少了人为影响,提高了检测速度;(2)将灰度图像划分为多个子区域,并基于每个子区域的灰度分布熵自适应增强灰度图像的亮度和对比度,可以使得每个划分后的子区域都能有更好的增强效果,从而提升后续图像处理的精度,进一步地提升质量检测准确率。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外,本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行***、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran2003、Perl、COBOL2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的处理设备或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种高强度复合材料加工质量检测方法,其特征在于,所述方法包括:
获取加工后的高强度复合材料的灰度图像;
基于所述灰度图像的灰度渐变差将所述灰度图像划分为多个子区域;
对于每个所述子区域,基于所述子区域的灰度分布熵增强所述子区域的亮度和对比度,得到所述灰度图像的增强图像;
将所述增强图像与所述复合材料的无缺陷图像进行比对,得到所述复合材料的加工质量检测结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所述灰度图像的灰度渐变差将所述灰度图像划分为多个子区域,包括:
计算所述灰度图像的灰度渐变差图;
基于所述灰度渐变差图计算所述灰度图像的灰度渐变直方图;
基于所述灰度渐变直方图和基于灰度渐变差的Otsu算法对所述灰度图像进行分割,得到多个子区域。
3.根据权利要求2所述的方法,其特征在于,所述计算所述灰度图像的灰度渐变差图,包括:
将预设的灰度渐变算子遍历所述灰度图像,以计算所述灰度图像的灰度渐变差图,所述灰度渐变算子为:
;
其中,G为所述灰度渐变算子中心像素点的灰度渐变差,a和b分别为所述中心像素点相邻左侧和相邻右侧的像素点的灰度,c和d分别为所述中心像素点相邻上方和相邻下方的像素点的灰度。
4.根据权利要求1所述的方法,其特征在于,所述对于每个所述子区域,基于所述子区域的灰度分布熵增强所述子区域的亮度和对比度,得到所述灰度图像的增强图像,包括:
对于每个所述子区域;
计算所述子区域的每一像素点的亮度指标和对比度指标;
基于所述每一像素点的亮度指标和对比度指标计算所述子区域的灰度分布熵;
基于所述灰度分布熵调整预设Retinex算法的中心环绕函数的增强照明尺度参数,得到调整后的中心环绕函数;
基于包含所述调整后的中心环绕函数的所述预设Retinex算法对所述子区域的亮度和对比度进行增强,得到所述灰度图像的增强图像。
5.根据权利要求4所述的方法,其特征在于,所述亮度指标为亮度占比参数,当所述子区域为灰度在水平方向渐变且在竖直方向不变的矩形区域时,所述亮度占比参数基于如下公式计算:
;
其中,表示子区域w内像素点i的亮度占比参数,/>为所述像素点i的横坐标,/>和分别为所述子区域内的灰度值最小的像素点和灰度值最大的像素点的横坐标;
当所述子区域为灰度在竖直方向渐变且在水平方向不变的矩形区域时,所述亮度占比参数基于如下公式计算:
;
其中,表示子区域w内像素点i的亮度占比参数,/>为所述像素点i的纵坐标,/>和分别为所述子区域内的灰度值最小的像素点和灰度值最大的像素点的纵坐标。
6.根据权利要求4所述的方法,其特征在于,所述对比度指标为灰度差异程度参数,所述灰度差异程度参数基于如下公式计算:
;
其中,表示子区域w内像素点i的灰度差异程度参数,/>为所述像素点/>的水平方向或垂直方向相邻像素点的灰度差,/>为子区域w内的灰度标准差,/>为调参因子。
7.根据权利要求4所述的方法,其特征在于,所述基于所述每一像素点的亮度指标和对比度指标计算所述子区域的灰度分布熵,包括:
基于如下公式计算所述子区域的灰度分布熵:
;
其中,为子区域w的灰度分布熵,/>、/>分别是子区域w内像素点亮度指标的最大值、最小值,/>、/>分别是子区域w内像素点对比度指标的最大值、最小值,/>为子区域w内与值/>相同的像素点个数占像素点总数之比。
8.根据权利要求2所述的方法,其特征在于,所述基于所述灰度分布熵调整预设Retinex算法的中心环绕函数的增强照明尺度参数,得到调整后的中心环绕函数,包括:
将所述灰度分布熵加1之和的对数作为预设Retinex算法的中心环绕函数的增强照明尺度参数,得到调整后的中心环绕函数。
9.根据权利要求1所述的方法,其特征在于,所述获取加工后的高强度复合材料的灰度图像,包括:
获取加工后的高强度复合材料的照片;
基于高斯滤波对所述照片进行去噪,得到去噪图像;
基于最大值法将所述去噪图像转化为灰度图像。
10.根据权利要求1所述的方法,其特征在于,所述将所述增强图像与所述复合材料的无缺陷图像进行比对,得到所述复合材料的加工质量检测结果,包括:
将所述增强图像与所述复合材料的无缺陷图像进行比对,以统计所述增强图像与所述无缺陷图像的匹配关键点数量;
将所述匹配关键点数量除以所述复合材料的生产流程中图像关键点总数,得到所述增强图像与所述无缺陷图像的匹配度;
在所述匹配度小于阈值时,得到所述复合材料为缺陷材料的加工质量检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310862315.6A CN116612111B (zh) | 2023-07-14 | 2023-07-14 | 一种高强度复合材料加工质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310862315.6A CN116612111B (zh) | 2023-07-14 | 2023-07-14 | 一种高强度复合材料加工质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116612111A true CN116612111A (zh) | 2023-08-18 |
CN116612111B CN116612111B (zh) | 2023-09-22 |
Family
ID=87682090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310862315.6A Active CN116612111B (zh) | 2023-07-14 | 2023-07-14 | 一种高强度复合材料加工质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116612111B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117705815A (zh) * | 2024-02-06 | 2024-03-15 | 天津滨海环球印务有限公司 | 一种基于机器视觉的印刷缺陷检测方法 |
CN117784721A (zh) * | 2023-11-14 | 2024-03-29 | 东莞德芳油墨科技有限公司 | 一种生产水性环保油墨智能控制*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170004612A1 (en) * | 2015-07-03 | 2017-01-05 | Yuan Ze University | Optical film defect detection method and system thereof |
CN115830033A (zh) * | 2023-02-23 | 2023-03-21 | 威海锐鑫丰金属科技有限公司 | 基于机器视觉的汽车轮毂表面缺陷检测方法 |
CN116385439A (zh) * | 2023-06-05 | 2023-07-04 | 山东兰通机电有限公司 | 基于图像处理的电机橡胶减震垫质量检测方法 |
-
2023
- 2023-07-14 CN CN202310862315.6A patent/CN116612111B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170004612A1 (en) * | 2015-07-03 | 2017-01-05 | Yuan Ze University | Optical film defect detection method and system thereof |
CN115830033A (zh) * | 2023-02-23 | 2023-03-21 | 威海锐鑫丰金属科技有限公司 | 基于机器视觉的汽车轮毂表面缺陷检测方法 |
CN116385439A (zh) * | 2023-06-05 | 2023-07-04 | 山东兰通机电有限公司 | 基于图像处理的电机橡胶减震垫质量检测方法 |
Non-Patent Citations (1)
Title |
---|
常戬;白佳弘;: "基于回转对称双边滤波的Retinex图像增强算法", 计算机工程, no. 06 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117784721A (zh) * | 2023-11-14 | 2024-03-29 | 东莞德芳油墨科技有限公司 | 一种生产水性环保油墨智能控制*** |
CN117784721B (zh) * | 2023-11-14 | 2024-05-28 | 东莞德芳油墨科技有限公司 | 一种生产水性环保油墨智能控制*** |
CN117705815A (zh) * | 2024-02-06 | 2024-03-15 | 天津滨海环球印务有限公司 | 一种基于机器视觉的印刷缺陷检测方法 |
CN117705815B (zh) * | 2024-02-06 | 2024-05-28 | 天津滨海环球印务有限公司 | 一种基于机器视觉的印刷缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116612111B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116612111B (zh) | 一种高强度复合材料加工质量检测方法 | |
JP6900581B1 (ja) | 顕微鏡スライド画像のための焦点重み付き機械学習分類器誤り予測 | |
WO2023077404A1 (zh) | 缺陷检测方法、装置和*** | |
CN103619238B (zh) | 用于确定皮炎值的装置和方法 | |
JP4416795B2 (ja) | 補正方法 | |
CN110675368B (zh) | 一种融合图像分割与分类的细胞图像语义分割方法 | |
TW202011348A (zh) | 基於gan網路的車損影像增強方法和裝置 | |
CN114902279A (zh) | 基于机器视觉的自动化缺陷检测 | |
CN108921839A (zh) | 连铸坯质量检测方法、装置、电子设备及存储介质 | |
JP2011214903A (ja) | 外観検査装置、外観検査用識別器の生成装置及び外観検査用識別器生成方法ならびに外観検査用識別器生成用コンピュータプログラム | |
CN112465746B (zh) | 一种射线底片中小缺陷检测方法 | |
CN110956628B (zh) | 图片等级分类方法、装置、计算机设备和存储介质 | |
CN108961239A (zh) | 连铸坯质量检测方法、装置、电子设备及存储介质 | |
CN116342597B (zh) | 一种汽车配件表面电镀加工缺陷检测方法和*** | |
CN115861156A (zh) | 缺陷检测方法、装置、计算机设备和存储介质 | |
CN117058106A (zh) | 基于随机森林的柔性玻璃平面度及表面缺陷的测量方法 | |
US20230194847A1 (en) | Microscopy System and Method for Modifying Microscope Images in the Feature Space of a Generative Network | |
US11972593B2 (en) | System and methods for quantifying uncertainty of segmentation masks produced by machine learning models | |
Li et al. | An automatic exposure imaging and enhanced display method of line scan camera for X-ray defect image of solid rocket engine shell | |
JP2014142213A (ja) | 撮影パラメータ決定装置及びその制御方法 | |
CN118096769B (zh) | 一种视网膜oct图像的分析方法及装置 | |
Setiawan et al. | Improved Edge Detection Based on Adaptive Gaussian Smoothing in X-Ray Image | |
US20220172453A1 (en) | Information processing system for determining inspection settings for object based on identification information thereof | |
US20240070537A1 (en) | Microscopy System and Method for Generating a Machine-Learned Model for Processing Microscope Data | |
Lv et al. | Research on a DS-class X-ray film digitisation device and an image enhancement algorithm with 12-bit RAW data |
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 |