CN116664577A - 基于碳纤维连接头图像处理的异常识别提取方法 - Google Patents
基于碳纤维连接头图像处理的异常识别提取方法 Download PDFInfo
- Publication number
- CN116664577A CN116664577A CN202310952067.4A CN202310952067A CN116664577A CN 116664577 A CN116664577 A CN 116664577A CN 202310952067 A CN202310952067 A CN 202310952067A CN 116664577 A CN116664577 A CN 116664577A
- Authority
- CN
- China
- Prior art keywords
- value
- pixel
- preset
- pixel point
- gray
- 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
- 229920000049 Carbon (fiber) Polymers 0.000 title claims abstract description 20
- 239000004917 carbon fiber Substances 0.000 title claims abstract description 20
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 20
- 238000000605 extraction Methods 0.000 title claims abstract description 17
- 230000005856 abnormality Effects 0.000 title claims description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 35
- 230000007547 defect Effects 0.000 claims abstract description 21
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims description 52
- 238000000034 method Methods 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000002950 deficient Effects 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 14
- 230000000694 effects Effects 0.000 description 9
- 238000005299 abrasion Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 3
- 230000000149 penetrating effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011897 real-time detection 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于碳纤维连接头图像处理的异常识别提取方法,该方法包括:获取连接头表面的灰度图像;获取灰度图像中每个像素点的颜色信息,基于颜色信息获取对应像素点的颜色一致性;根据每个像素点的颜色一致性以及灰度值得到不同预设方向的波动均值;基于每个预设方向下的波动均值筛选目标点,根据目标点的颜色一致性以及灰度值获取对应预设方向下的方向阈值;根据每个预设方向下的方向阈值获取对应预设方向下像素点的判断值,基于所有预设方向下像素点的判断值得到灰度图像中的异常缺陷区域。本发明能够提高对连接头表面异常缺陷区域提取的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于碳纤维连接头图像处理的异常识别提取方法。
背景技术
连接头是一种常见的机械零部件,被广泛应用于各种常见的生活应用场景中,如石油燃气管道铺设传输、输电线路架设、光缆接口安装等各种不同的常见领域。
连接头在生产过程中可能由于相关加工设备陈旧故障,或技术人员操作不当导致生产加工得到的连接头零部件中出现撞击导致划痕磨损,使连接头表面出现质量问题;严重影响到后续连接头装配过程中外观美观平整度,在高频率使用时对划痕部分可能会产生更严重的磨损,从而导致***无法正常工作,引发生产安全事故,造成不必要的经济财产损失。
现有对连接头表面异常检测识别的方法通常是通过阈值判断,但利用传统的阈值分割提取异常区域时,往往是使用全局阈值进行处理,全局阈值对异常分割的效果不够理想;部分采用局部阈值分析时效率较低,且分析过程较为单一,对连接头图像的异常识别效果较差。
发明内容
为了解决上述传统阈值分割对连接头表面异常识别效果较差的问题,本发明的目的在于提供一种基于碳纤维连接头图像处理的异常识别提取方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种基于碳纤维连接头图像处理的异常识别提取方法,该方法包括以下步骤:
获取连接头表面图像对应的灰度图像;
获取所述表面图像中每个像素点的颜色信息,基于所述颜色信息获取对应像素点的颜色一致性;根据每个像素点的所述颜色一致性以及灰度值得到不同预设方向的波动均值;
基于每个预设方向下的波动均值筛选目标点,根据目标点的所述颜色一致性以及灰度值获取对应预设方向下的方向阈值;
根据每个预设方向下的方向阈值获取对应预设方向下像素点的判断值,基于所有预设方向下像素点的判断值得到所述灰度图像中的异常缺陷区域。
优选的,所述基于所述颜色信息获取对应像素点的颜色一致性的步骤,包括:
根据每个像素点的颜色信息获取对应的二阶颜色矩;
以任意像素点作为中心点,获取所述中心点对应的八邻域范围,计算所述八邻域范围内每个邻域像素点的二阶颜色矩与所述中心点的二阶颜色矩之间的差值绝对值;获取所述八邻域范围内所有邻域像素点的二阶颜色矩与所述中心点的二阶颜色矩之间的差值绝对值之和;
以所述差值绝对值之和的负数作为指数,以自然常数作为底数,得到的指数函数结果为所述中心点的颜色一致性。
优选的,所述根据每个像素点的所述颜色一致性以及灰度值得到不同预设方向的波动均值的步骤,包括:
获取预设方向下每个像素点的所述颜色一致性与对应灰度值的乘积结果;所述预设方向下所有像素点对应的乘积结果的平均值为对应预设方向下的波动均值。
优选的,所述基于每个预设方向下的波动均值筛选目标点的步骤,包括:
获取预设方向下每个像素点的所述颜色一致性与对应灰度值的乘积结果,当所述乘积结果不大于对应预设方向的波动均值时,所述乘积结果对应的像素点为目标点。
优选的,所述方向阈值的计算公式为:
其中,表示方向阈值;/>表示第/>个目标点对应的颜色一致性;/>表示第/>个目标点对应的灰度值;/>表示第/>个目标点对应的波动均值;/>表示所有目标点的数量;/>表示绝对值计算。
优选的,所述判断值的获取公式为:
其中,表示坐标位置为/>的像素点的判断值;/>表示坐标位置为的像素点的灰度值;/>表示坐标为/>的像素点的灰度值;/>表示方向阈值;/>表示横坐标索引,取值范围为/>;/>表示纵坐标索引,取值范围为/>;/>表示坐标位置为/>的像素点对应的分析步长;/>表示绝对值计算。
优选的,所述分析步长的获取方法,包括:
每个像素点对应的分析步长在不同的预设方向下不同,预设方向包括:以及/>,不同预设方向下的分析单位不同;获取不同预设方向下每个所述分析单位中所有目标点的数量,当所述目标点的数量不大于所述分析单位中所有像素点数量的预设比例时,所述分析单位中每个像素点的分析步长为第一预设值;当所述目标点的数量大于所述分析单位中所有像素点数量的预设比例时,所述分析单位中每个像素点的分析步长为第二预设值。
优选的,所述基于所有预设方向下像素点的判断值得到所述灰度图像中的异常缺陷区域的步骤,包括:
将每个预设方向下像素点的判断值作为像素点的像素值得到预设方向对应的二值图像,将所有预设方向对应的二值图像进行叠加得到融合图像,所述叠加是将二值图像中对应位置像素点的判断值进行累加,累加后的判断值作为融合图像中对应位置像素点的像素值;
所述融合图像中像素值非零的像素点构成的区域为所述灰度图像中的异常缺陷区域。
优选的,所述每个像素点的颜色信息是指像素点在HSV颜色空间中的H通道取值。
优选的,所述第一预设值设置为2,所述第二预设值设置为1。
本发明具有如下有益效果:本发明的目的是为了解决传统阈值分割获取连接头表面异常区域不准确的问题,首先通过连接头表面的灰度图像中每个像素点的颜色信息进行颜色一致性的计算,由于连接头表面的正常区域部分像素点之间的颜色信息较为近似,而出现异常缺陷时,像素点的颜色信息会出现变化,因此基于每个像素点的颜色一致性作为后续分析的基础;然后,通过设定多个预设方向进行分析,在每个预设方向下,结合像素点的颜色一致性以及像素点对应的灰度值获取波动均值,从而根据波动均值筛选出其中的目标点,由于缺陷位置像素点的灰度值较小,因此根据像素点的灰度值和颜色一致性获取波动均值,进而通过波动均值筛选目标点时,可初步区分出正常的像素点和异常的像素点;进一步的,根据筛选得到的目标点的颜色一致性和灰度值进行方向阈值的获取,相较于传统的全局阈值,利用不同预设方向下的方向阈值进行分析的适用性更强;最后,基于不同预设方向下的方向阈值获取对应预设方向下像素点的判断值,多个预设方向下像素点的判断值结合分析得到最终的异常缺陷区域,利用多个预设方向进行分析,避免了传统局部阈值的单一方向分析的误差,同时保证了异常缺陷区域获取的可靠性,提高了对连接头表面异常提取的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于碳纤维连接头图像处理的异常识别提取方法流程图;
图2为本发明一个实施例所提供的一种目标点筛选示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于碳纤维连接头图像处理的异常识别提取方法,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基于碳纤维连接头图像处理的异常识别提取方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于碳纤维连接头图像处理的异常识别提取方法流程图,该方法包括以下步骤:
步骤S100,获取连接头表面图像对应的灰度图像。
在对连接头表面进行异常识别时,采集到的连接头表面图像的质量对连接头表面是否存在划痕磨损等异常缺陷的影响较大,目前主流的图像传感器主要分为CMOS元器件和CCD元器件两种,CCD元器件相较于CMOS元器件具有成像质量高、图像细节保留完整以及无拖影的优点,因此为了获取细节清晰、图像质量较高的连接头表面图像,本发明实施例中使用CCD元器件构成的图像采集模块对连接头表面图像进行获取。
考虑到连接头具有不同的侧表面,如果只对单个侧表面进行拍摄分析会出现较大的误差,为了准确的提取不同侧表面出现的磨损情况,本实施例中对待检测的连接头的多个侧表面进行旋转拍摄,以得到连接头表面完整的表面图像。
基于图像采集模块得到的表面图像是RGB空间下的图像,若直接对表面图像进行分析处理,在后续的异常识别提取时需要在RGB空间的三个通道中进行重复计算,计算量较大,为了降低计算成本,对表面图像进行灰度化处理,以得到表面图像对应的灰度图像,本实施例中灰度化处理的方法采用加权平均法,在其他实施例中实施者可自行选择,加权平均法进行灰度化的手段为公知技术,本实施例中不再赘述。
由于拍摄采集工作环境的影响,连接头表面的灰度图像中可能存在自然随机噪声,也即是灰度图像中会出现噪声点,对后续连接头异常识别会产生一定的影响,为了尽可能减弱甚至消除噪声的影响,本实施例中采用高斯滤波对灰度图像进行处理,基于高斯滤波处理后的灰度图像进行后续的分析,以提高后续异常识别的准确性;高斯滤波为现有公知技术,不再详细说明。
步骤S200,获取表面图像中每个像素点的颜色信息,基于颜色信息获取对应像素点的颜色一致性;根据每个像素点的颜色一致性以及灰度值得到不同预设方向的波动均值。
基于步骤S100中高斯滤波后的灰度图像进行分析,为便于描述,后续使用的灰度图像均为高斯滤波处理后的灰度图像;由于连接头表面存在划痕磨损等缺陷时,划痕磨损部分的像素点与正常部分的像素点差异较大,且正常部分的相邻像素点之间的颜色信息较为相似,因此本实施例中首先对每个像素点的颜色一致性进行分析。
根据每个像素点的颜色信息获取对应的二阶颜色矩;以任意像素点作为中心点,获取中心点对应的八邻域范围,计算八邻域范围内每个邻域像素点的二阶颜色矩与中心点的二阶颜色矩之间的差值绝对值;获取八邻域范围内所有邻域像素点的二阶颜色矩与中心点的二阶颜色矩之间的差值绝对值之和;以差值绝对值之和的负数作为指数,以自然常数作为底数,得到的指数函数结果为中心点的颜色一致性。
具体的,将灰度图像对应的RGB图像转换至HSV颜色空间中,得到每个像素点对应的H通道取值,也即是可对应得到灰度图像中每个像素点对应的H通道取值,将每个像素点对应的H通道取值记为该像素点的颜色信息;根据每个像素点对应的颜色信息获取对应的二阶颜色矩,灰度图像转换至HSV颜色空间以及二阶颜色矩的获取方法均为公知手段,本实施例中不再详细赘述;通过每个像素点的二阶颜色矩获取像素点对应的颜色一致性。
以任意一个像素点为例,以该像素点作为中心点,获取中心点对应的八邻域区域,基于八邻域区域中的邻域像素点的二阶颜色矩计算中心点的颜色一致性,颜色一致性的具体计算方法为:
其中,表示第/>个像素点对应的颜色一致性,也即是中心点对应的颜色一致性;/>表示第/>个像素点对应的二阶颜色矩;/>表示第/>个像素点的八邻域区域中第/>个邻域像素点的二阶颜色矩;/>表示自然常数;/>为绝对值计算。
表示第/>个像素点的八邻域范围内第/>个邻域像素点与第/>个像素点之间二阶颜色矩的差值绝对值,该项取值越大,说明第/>个邻域像素点与第/>个像素点之间的颜色差异越大,也即是第/>个邻域像素点与第/>个像素点之间的颜色信息越不相似,则第/>个像素点对应的颜色一致性会越小;/>表示第/>个像素点的八邻域范围内所有邻域像素点与第/>个像素点之间二阶颜色矩的差值绝对值的求和结果,该求和结果越大,说明第/>个像素点与其八邻域范围内邻域像素点之间的颜色信息越相似,也即是的结果越大,第/>个像素点对应的颜色一致性越小;/>用于保证求和结果/>与颜色一致性的关系为负相关关系,同时对颜色一致性的取值进行归一化处理,将颜色一致性的取值映射到/>之间,以便于后续利用颜色一致性进行分析计算。
同理,基于获取第个像素点的颜色一致性相同的方法,获取灰度图像中每个像素点对应的颜色一致性,颜色一致性越小的像素点,越可能为异常区域的异常像素点。
在传统阈值分割计算过程中通常使用全局单阈值或局部多阈值进行分割计算,全局阈值对于较为复杂的场景进行处理计算时,难以达到较为准确满意的效果;而使用窗口进行计算局部多阈值时,最终的效果与窗口大小的设置有较大联系,同时窗口大小设置不当也会导致方案整体的实时性效果变差,影响方案最终的实时性检测效果;因此,本实施例中根据灰度图像中不同预设方向下的灰度波动情况,并结合每个位置像素点的颜色一致性进行分析计算,以避免窗口大小设置不合适造成的误差影响。为了获取灰度图像中缺陷异常的特征信息,基于不同预设方向下每个像素点对应的颜色一致性和灰度值进行波动均值的计算;获取预设方向下每个像素点的颜色一致性与对应灰度值的乘积结果;预设方向下所有像素点对应的乘积结果的平均值为对应预设方向下的波动均值。
本发明实施例中预设方向为以及/>,在其他实施例中实施者可设定不同的预设方向进行分析。不同预设方向下的分析单位不同,预设方向为/>时,灰度图像中每行像素点为一个分析单位;预设方向为/>时,标记灰度图像的主对角线,灰度图像中与主对角线平行的每条贯穿灰度图像的直线为一个分析单位;预设方向为/>时,灰度图像中每列像素点为一个分析单位;预设方向为/>时,标记灰度图像的副对角线,灰度图像中与副对角线平行的每条贯穿灰度图像的直线为一个分析单位。
以预设方向为例,计算预设方向/>下像素点的波动均值,也即是灰度图像中的每行像素点的波动均值,对于任意一行像素点,获取灰度图像中该行像素点的总数量,基于像素点的颜色一致性和灰度值计算波动均值,波动均值的具体计算方法为:
其中,表示预设方向/>下像素点的波动均值,此处预设方向/>为/>,也即是灰度图像中任意一行像素点的波动均值;/>表示预设方向/>下像素点的数量,也即是灰度图像中一行像素点的数量;/>表示第/>个像素点对应的颜色一致性,此处第/>个像素点是预设方向/>下的像素点;/>表示第/>个像素点的灰度值。
由于异常区域的异常像素点的颜色一致性较小,且划痕磨损异常的像素点的灰度值普遍较小,因此通过预设方向下所有像素点的颜色一致性与灰度值的乘积的平均值作为该预设方向下的波动均值,波动均值的结果越小,该预设方向下的像素点越可能为划痕磨损区域的异常像素点;此时在预设方向下,实际获取到的是灰度图像中每行像素点的波动均值,基于每行像素点的波动均值作为后续异常分析的基础。
需要说明的是,在预设方向时,实际获取的是灰度图像中与主对角线平行的所有贯穿灰度图像的直线上像素点的波动均值;在预设方向/>时,实际获取的是灰度图像中每列像素点的波动均值;在预设方向/>时,实际获取的是灰度图像中与副对角线平行的所有贯穿灰度图像的直线上像素点的波动均值;不同预设方向下波动均值的获取方法相同。
步骤S300,基于每个预设方向下的波动均值筛选目标点,根据目标点的颜色一致性以及灰度值获取对应预设方向下的方向阈值。
由步骤S200中获取了每个预设方向下的波动均值,波动均值越小表明该预设方向下的存在异常像素点的可能性越大,因此基于波动均值筛选出对应预设方向下的可能为异常像素点的目标点;获取预设方向下每个像素点的颜色一致性与对应灰度值的乘积结果,当乘积结果不大于对应预设方向的波动均值时,乘积结果对应的像素点为目标点。
目标点的获取方法为:已知异常像素点的灰度值较小且颜色一致性较差,因此异常像素点的灰度值与颜色一致性的乘积较小,也即是的取值较小;以预设方向/>为例,也即是以灰度图像中任意一行像素点为例,将该行像素点中颜色一致性与对应灰度值的乘积不大于该行像素点的波动均值的像素点作为目标点,作为一个示例,该行像素点中第/>个像素点的颜色一致性与对应灰度值的乘积为/>,若乘积结果不大于该行像素点对应的波动均值,则乘积结果/>对应的第/>个像素点为目标点;由此获取预设方向/>下,灰度图像中每行像素点中的目标点;同理,基于获取预设方向/>下目标点相同的方法,可得到预设方向/>、预设方向/>以及预设方向下的目标点。
作为另外一个示例,请参阅图2,其示出一种目标点筛选示意图,以像素点的位置为横坐标,像素点对应的颜色一致性与灰度值的乘积结果为纵坐标构成一条曲线,假设该曲线为预设方向下任意一行像素点构建的曲线,标记出该行像素点的波动均值/>对应的直线,也即是图2中的横向虚线/>,波动均值与该行像素点构成的曲线相交于两点,该两点对应的像素点位置分别为/>和/>,且/>和/>之间的像素点的颜色一致性与灰度值的乘积结果均为不大于对应波动均值/>的像素点,因此/>和/>之间的像素点均为目标点,/>和/>之间的像素点的数量即为目标点的数量/>。
进一步的,仍然以预设方向为例,也即是以灰度图像中任意一行像素点为例,通过上述获取目标点的方法得到该行像素点中所有的目标点,对所有目标点的数量进行统计,该行像素点中目标点的数量为/>,当该像素点中目标点的数量较多时,也即是可能为异常像素点的数量越多时,越需要对该行像素点进行较为详细的分析,因此本实施例首先基于目标点的数量设定分析步长,具体分析步长的设定为:
其中,表示分析步长;/>表示第一预设值,本实施例中/>取经验值为2;表示第二预设值,本实施例中/>取经验值为1;/>表示一行像素点中目标点的数量;/>表示一行像素点中所有像素点的数量;/>为预设比例;当/>时,表明在该行像素点中目标点的数量大于该行像素点总数量的/>,该行像素点中目标点的数量较多,因此对该行像素点采用较小的分析步长/>,以更好的提取出异常变化形式;当时,表明在该行像素点中目标点的数量不大于该行像素点总数量的/>,该行像素点中目标点的数量较少,因此对该行像素点采用较大的分析步长/>,以提高分析的效率。
同时,基于每行像素点对应的波动均值以及目标点的数量进行方向阈值的获取,也即是计算在预设方向下,每行像素点对应的方向阈值,方向阈值的具体计算方法为:
其中,表示方向阈值;/>表示第/>个目标点对应的颜色一致性;/>表示第/>个目标点对应的灰度值;/>表示第/>个目标点对应的波动均值,也即是第/>个目标点所在行的波动均值;/>表示所有目标点的数量;/>表示绝对值计算。
由于目标点是选取一行像素点中颜色一致性和灰度值的乘积结果不大于波动均值的像素点,当波动均值较小时,异常像素点对应的颜色一致性和灰度值的乘积结果可能会大于该行像素点对应的波动均值,因此仅仅基于波动均值选取目标点进行异常像素点判别不够准确,本实施例中通过所有目标点与波动均值之间的差异均值作为对该行像素点判断的方向阈值,表示目标点对应的颜色一致性和灰度值的乘积、与该目标点所在行的波动均值之间的差值绝对值;/>表示该行像素点中所有目标点对应的差值绝对值的求和结果;/>为所有目标点与波动均值之间的差异均值,也即是该行像素点的方向阈值。
步骤S400,根据每个预设方向下的方向阈值获取对应预设方向下像素点的判断值,基于所有预设方向下像素点的判断值得到灰度图像中的异常缺陷区域。
由步骤S300得到不同预设方向下像素点对应的方向阈值,以及每个像素点对应的分析步长,基于不同预设方向下像素点的分析步长以及方向阈值对缺陷像素点进行判断,以预设方向下,任意一行像素点为例,该行像素点获取的方向阈值为/>,并由步骤S300的方法获取该行像素点对应的分析步长,则基于分析步长与方向阈值获取每个像素点的判断值,判断值决定了该像素点是否为缺陷像素点,每个像素点的判断值的具体获取方法为:
其中,表示坐标位置为/>的像素点的判断值;/>表示坐标位置为/>的像素点的灰度值;/>表示坐标为的像素点的灰度值;/>表示方向阈值;/>表示横坐标索引;/>表示纵坐标索引;/>表示坐标位置为/>的像素点对应的分析步长,也即是坐标位置为的像素点所在行的分析步长;/>表示绝对值计算。
需要说明的是,判断值获取中横坐标索引的取值范围为,纵坐标索引的取值范围为/>,其目的是根据对应的预设方向进行像素点的选取,在预设方向/>下,横坐标索引/>,纵坐标索引/>;在预设方向/>下,横坐标索引/>,纵坐标索引;在预设方向/>下,横坐标索引/>,纵坐标索引/>;在预设方向/>下,横坐标索引/>,纵坐标索引/>;也即是在预设方向/>下,是以灰度图像中每行像素点为一个单位进行分析,在对任意一行像素点分析时,对于该行像素点中坐标位置为的像素点而言,假设坐标位置为/>的像素点所在行的分析步长/>取值2,则计算的取值,也即是计算/>的取值,若此时坐标位置为/>的像素点与坐标位置为/>的像素点之间灰度值的差值绝对值小于方向阈值,则说明两个像素点对应的灰度值差异较小,坐标位置为/>的像素点的判断值取0;反之,若此时坐标位置为/>的像素点与坐标位置为/>的像素点之间灰度值的差值绝对值不小于方向阈值,也即是/>,坐标位置为/>的像素点的判断值取1。
根据不同预设方向下横坐标索引和纵坐标索引的变化,获取灰度图像中每个像素点对应的判断值,由于缺陷像素点之间的差异较小,而缺陷像素点与非缺陷像素点之间的差异较大,因此当像素点的判断值取1时,像素点为缺陷像素点。
需要说明的是,由于存在多个预设方向,不同预设方向下对像素点进行分析得到的结果存在不同,也即是某个像素点可能在一个预设方向下判断值为1,在其他预设方向下判断值为0。
将每个预设方向下像素点的判断值作为像素点的像素值得到预设方向对应的二值图像,将所有预设方向对应的二值图像进行叠加得到融合图像,叠加是将二值图像中对应位置像素点的判断值进行累加,累加后的判断值作为融合图像中对应位置像素点的像素值;融合图像中像素值非零的像素点构成的区域为灰度图像中的异常缺陷区域。
具体的,由于每个预设方向下对灰度图像中所有的像素点进行分析均可得到对应的判断值,将灰度图像中每个像素点的判断值作为像素值可得到对应的二值图像,由于不同预设方向下像素点判断值的取值存在差异,本实施例中存在4个预设方向,则相应可得到灰度图像对应的4张二值图像,将4张二值图像分别标记为、/>、/>以及/>;根据4张二值图像进行叠加分析获取灰度图像对应的融合图像,也即是将4张二值图像中对应位置的像素点的像素值进行累加得到一张融合图像,融合图像中每个像素点的像素值存在五种取值,分别为/>,融合图像中像素点的像素值越大,说明该像素点在不同预设方向下被判定为缺陷像素点的次数越多,因此本实施例中将融合图像中像素值为3和4的像素点标记为严重缺陷像素点,所有严重缺陷像素点构成连接头表面的严重缺陷区域;将融合图像中像素值为1和2的像素点标记为轻微缺陷像素点,所有轻微缺陷像素点构成连接头表面的轻微缺陷区域,严重缺陷区域和轻微缺陷区域均为灰度图像中的异常缺陷区域;融合图像中像素值为0的像素点是在每个预设方向下均被判断为非缺陷的像素点,因此将融合图像中像素值为0的像素点标记为正常像素点,所有正常像素点构成连接头表面的正常区域。
综上所述,本发明实施例通过获取连接头表面的灰度图像;获取灰度图像中每个像素点的颜色信息,基于颜色信息获取对应像素点的颜色一致性;根据每个像素点的颜色一致性以及灰度值得到不同预设方向的波动均值;基于每个预设方向下的波动均值筛选目标点,根据目标点的颜色一致性以及灰度值获取对应预设方向下的方向阈值;根据每个预设方向下的方向阈值获取对应预设方向下像素点的判断值,基于所有预设方向下像素点的判断值得到灰度图像中的异常缺陷区域;通过多个预设方向进行分析得到对应的方向阈值,基于此时的方向阈值获取对应预设方向下的缺陷像素点,以所有预设方向下的缺陷像素点综合分析得到最终的异常缺陷区域,确保了连接头表面异常缺陷区域提取的准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。另外,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。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于碳纤维连接头图像处理的异常识别提取方法,其特征在于,该方法包括以下步骤:
获取连接头表面图像对应的灰度图像;
获取所述表面图像中每个像素点的颜色信息,基于所述颜色信息获取对应像素点的颜色一致性;根据每个像素点的所述颜色一致性以及灰度值得到不同预设方向的波动均值;
基于每个预设方向下的波动均值筛选目标点,根据目标点的所述颜色一致性以及灰度值获取对应预设方向下的方向阈值;
根据每个预设方向下的方向阈值获取对应预设方向下像素点的判断值,基于所有预设方向下像素点的判断值得到所述灰度图像中的异常缺陷区域。
2.根据权利要求1所述的一种基于碳纤维连接头图像处理的异常识别提取方法,其特征在于,所述基于所述颜色信息获取对应像素点的颜色一致性的步骤,包括:
根据每个像素点的颜色信息获取对应的二阶颜色矩;
以任意像素点作为中心点,获取所述中心点对应的八邻域范围,计算所述八邻域范围内每个邻域像素点的二阶颜色矩与所述中心点的二阶颜色矩之间的差值绝对值;获取所述八邻域范围内所有邻域像素点的二阶颜色矩与所述中心点的二阶颜色矩之间的差值绝对值之和;
以所述差值绝对值之和的负数作为指数,以自然常数作为底数,得到的指数函数结果为所述中心点的颜色一致性。
3.根据权利要求1所述的一种基于碳纤维连接头图像处理的异常识别提取方法,其特征在于,所述根据每个像素点的所述颜色一致性以及灰度值得到不同预设方向的波动均值的步骤,包括:
获取预设方向下每个像素点的所述颜色一致性与对应灰度值的乘积结果;所述预设方向下所有像素点对应的乘积结果的平均值为对应预设方向下的波动均值。
4.根据权利要求1所述的一种基于碳纤维连接头图像处理的异常识别提取方法,其特征在于,所述基于每个预设方向下的波动均值筛选目标点的步骤,包括:
获取预设方向下每个像素点的所述颜色一致性与对应灰度值的乘积结果,当所述乘积结果不大于对应预设方向的波动均值时,所述乘积结果对应的像素点为目标点。
5.根据权利要求1所述的一种基于碳纤维连接头图像处理的异常识别提取方法,其特征在于,所述方向阈值的计算公式为:
其中,表示方向阈值;/>表示第/>个目标点对应的颜色一致性;/>表示第/>个目标点对应的灰度值;/>表示第/>个目标点对应的波动均值;/>表示所有目标点的数量;表示绝对值计算。
6.根据权利要求1所述的一种基于碳纤维连接头图像处理的异常识别提取方法,其特征在于,所述判断值的获取公式为:
其中,表示坐标位置为/>的像素点的判断值;/>表示坐标位置为的像素点的灰度值;/>表示坐标为/>的像素点的灰度值;/>表示方向阈值;/>表示横坐标索引,取值范围为/>;/>表示纵坐标索引,取值范围为/>;/>表示坐标位置为/>的像素点对应的分析步长;/>表示绝对值计算。
7.根据权利要求6所述的一种基于碳纤维连接头图像处理的异常识别提取方法,其特征在于,所述分析步长的获取方法,包括:
每个像素点对应的分析步长在不同的预设方向下不同,预设方向包括:以及/>,不同预设方向下的分析单位不同;获取不同预设方向下每个所述分析单位中所有目标点的数量,当所述目标点的数量不大于所述分析单位中所有像素点数量的预设比例时,所述分析单位中每个像素点的分析步长为第一预设值;当所述目标点的数量大于所述分析单位中所有像素点数量的预设比例时,所述分析单位中每个像素点的分析步长为第二预设值。
8.根据权利要求6所述的一种基于碳纤维连接头图像处理的异常识别提取方法,其特征在于,所述基于所有预设方向下像素点的判断值得到所述灰度图像中的异常缺陷区域的步骤,包括:
将每个预设方向下像素点的判断值作为像素点的像素值得到预设方向对应的二值图像,将所有预设方向对应的二值图像进行叠加得到融合图像,所述叠加是将二值图像中对应位置像素点的判断值进行累加,累加后的判断值作为融合图像中对应位置像素点的像素值;
所述融合图像中像素值非零的像素点构成的区域为所述灰度图像中的异常缺陷区域。
9.根据权利要求1所述的一种基于碳纤维连接头图像处理的异常识别提取方法,其特征在于,所述每个像素点的颜色信息是指像素点在HSV颜色空间中的H通道取值。
10.根据权利要求7所述的一种基于碳纤维连接头图像处理的异常识别提取方法,其特征在于,所述第一预设值设置为2,所述第二预设值设置为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310952067.4A CN116664577B (zh) | 2023-08-01 | 2023-08-01 | 基于碳纤维连接头图像处理的异常识别提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310952067.4A CN116664577B (zh) | 2023-08-01 | 2023-08-01 | 基于碳纤维连接头图像处理的异常识别提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116664577A true CN116664577A (zh) | 2023-08-29 |
CN116664577B CN116664577B (zh) | 2023-11-14 |
Family
ID=87721026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310952067.4A Active CN116664577B (zh) | 2023-08-01 | 2023-08-01 | 基于碳纤维连接头图像处理的异常识别提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116664577B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104458755A (zh) * | 2014-11-26 | 2015-03-25 | 吴晓军 | 一种基于机器视觉的多类型材质表面缺陷检测方法 |
WO2016143134A1 (ja) * | 2015-03-12 | 2016-09-15 | オリンパス株式会社 | 画像処理装置、画像処理方法およびプログラム |
CN111160373A (zh) * | 2019-12-30 | 2020-05-15 | 重庆邮电大学 | 一种变速鼓零件缺陷图像特征提取以及检测分类方法 |
CN114913109A (zh) * | 2021-01-29 | 2022-08-16 | 深圳市万普拉斯科技有限公司 | 图像异常检测方法、装置、测试图卡和终端设备 |
CN115294338A (zh) * | 2022-09-29 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种叶轮表面缺陷识别方法 |
CN115330767A (zh) * | 2022-10-12 | 2022-11-11 | 南通南辉电子材料股份有限公司 | 一种腐蚀箔生产异常识别方法 |
CN115641336A (zh) * | 2022-12-23 | 2023-01-24 | 无锡康贝电子设备有限公司 | 一种基于计算机视觉的空调用钣金件缺陷识别方法 |
-
2023
- 2023-08-01 CN CN202310952067.4A patent/CN116664577B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104458755A (zh) * | 2014-11-26 | 2015-03-25 | 吴晓军 | 一种基于机器视觉的多类型材质表面缺陷检测方法 |
WO2016143134A1 (ja) * | 2015-03-12 | 2016-09-15 | オリンパス株式会社 | 画像処理装置、画像処理方法およびプログラム |
CN111160373A (zh) * | 2019-12-30 | 2020-05-15 | 重庆邮电大学 | 一种变速鼓零件缺陷图像特征提取以及检测分类方法 |
CN114913109A (zh) * | 2021-01-29 | 2022-08-16 | 深圳市万普拉斯科技有限公司 | 图像异常检测方法、装置、测试图卡和终端设备 |
CN115294338A (zh) * | 2022-09-29 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种叶轮表面缺陷识别方法 |
CN115330767A (zh) * | 2022-10-12 | 2022-11-11 | 南通南辉电子材料股份有限公司 | 一种腐蚀箔生产异常识别方法 |
CN115641336A (zh) * | 2022-12-23 | 2023-01-24 | 无锡康贝电子设备有限公司 | 一种基于计算机视觉的空调用钣金件缺陷识别方法 |
Non-Patent Citations (2)
Title |
---|
SANGWOOK LEE ET AL: "Automated recognition of surface defects using digital color image processing", 《AUTOMATED RECOGNITION OF SURFACE DEFECTS USING DIGITAL COLOR IMAGE PROCESSING》, vol. 15, no. 4, pages 540 - 549 * |
肖贤军: "基于机器视觉的磁性零件表面缺陷检测与分类研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》, vol. 2022, no. 09 * |
Also Published As
Publication number | Publication date |
---|---|
CN116664577B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与*** | |
CN115601364B (zh) | 基于图像分析的金手指电路板检测方法 | |
CN111223093A (zh) | 一种aoi缺陷检测方法 | |
CN111383209B (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN111080582B (zh) | 工件内外表面缺陷检测方法 | |
CN111429403B (zh) | 一种基于机器视觉的汽车齿轮成品缺陷检测方法 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN116721107B (zh) | 一种电缆生产质量智能监控*** | |
CN110766683B (zh) | 一种珍珠光洁度等级检测方法及*** | |
CN115526889B (zh) | 基于图像处理的锅炉压力管道的无损检测方法 | |
CN117437223B (zh) | 一种高速板对板连接器缺陷智能检测方法 | |
CN116309548B (zh) | 一种阀门密封面缺陷自动检测*** | |
CN116977342A (zh) | 基于图像分割的pcb板线路检测方法 | |
CN114897855A (zh) | 基于x射线图片灰度值分布判定缺陷类型的方法 | |
CN111563896A (zh) | 一种用于接触网异常检测的图像处理方法 | |
CN101807297B (zh) | 医学超声图像直线检测方法 | |
CN109767426B (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
CN117455917B (zh) | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 | |
JP2009198290A (ja) | 欠陥検出方法および欠陥検出装置 | |
CN116664577B (zh) | 基于碳纤维连接头图像处理的异常识别提取方法 | |
CN117495791A (zh) | 一种表面缺陷定位方法 | |
CN117011291A (zh) | 一种手表外壳质量视觉检测方法 | |
CN117173107A (zh) | 产品缺陷检测方法、装置、设备、***和可读存储介质 |
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 |