CN116703911B - 一种led灯生产质量检测*** - Google Patents
一种led灯生产质量检测*** Download PDFInfo
- Publication number
- CN116703911B CN116703911B CN202310980121.6A CN202310980121A CN116703911B CN 116703911 B CN116703911 B CN 116703911B CN 202310980121 A CN202310980121 A CN 202310980121A CN 116703911 B CN116703911 B CN 116703911B
- Authority
- CN
- China
- Prior art keywords
- image
- connected domain
- merging
- range
- optimal
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 238000003708 edge detection Methods 0.000 claims abstract description 12
- 238000004891 communication Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 18
- 238000001228 spectrum Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 238000007670 refining Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 17
- 238000012545 processing Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 17
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003313 weakening effect Effects 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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,提出了一种LED灯生产质量检测***,包括:获取灯板图像;获取不同大小的窗口将灯板图像分为若干图像块,获取图像块的参考权重值,根据图像块的参考权重值获取目标窗口范围;获取若干合并次数,在目标窗口范围下根据合并次数获取图像区域,对不同边缘阈值下的边缘检测结果获取连通域,根据不同边缘阈值下连通域的特征获取连通域的关键程度及关键信息像素点,根据关键信息像素点获取图像区域之间的相关性,并获取最佳合并范围;在最佳合并范围下获取目标窗口范围的优选程度,并得到最佳目标范围;根据最佳目标范围完成质量检测。本发明保证了缺陷信息和正常区域信息的差异性较大的优点。
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LED灯生产质量检测***。
背景技术
近年来,LED(Light Emitting Diode)灯具在照明行业中得到了广泛应用。然而,由于LED灯的生产过程存在一定的缺陷和变异性,因此需要进行质量检测以确保产品符合标准。传统的人工检测方法费时费力且易受主观因素影响,因此有必要开发一种高效、准确且自动化的质量检测方法。通过机器视觉***对LED灯进行质量检测,可以确保生产的LED灯具质量符合标准,并提供可靠的照明效果。这将有助于增强产品竞争力,提升用户满意度。
但是在LED灯生产质量检测的过程中,由于受到采集的图像的分辨率的影响以及噪声的影响,会使得采集的图像较为模糊,进而在后续提取图像的特征信息作为LED灯缺陷检测神经网络时,会产生较大的误差。分形维数信息是表征这目标物体的各种特征,可以较好的进行特征提取,典型的算法为MFDFA算法,但是在获取分形维数信息的过程中,需要获取不同尺度下的图像信息的变化,则对应的若使用传统的MFDFA算法进行处理,由于尺度选取的问题会使得一些关键信息被弱化,进而使得后续获取的MFDFA的分形维数信息出现较大的误差。因此本案为了提高LED灯缺陷检测神经网络的检测结果,本发明提出了一种自适应尺度范围的MFDFA算法获取准确的分形维数信息,进行精准的LED灯生产质量检测。
发明内容
本发明提供一种LED灯生产质量检测***,以解决关键信息被弱化的问题,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LED灯生产质量检测***,该***包括以下模块:
图像采集模块,获取灯板图像;
目标窗口范围获取模块,获取不同大小的窗口,根据每个大小的窗口将灯板图像分为若干图像块,根据图像块内像素点的灰度值以及数量获取图像块的参考权重值,根据图像块的参考权重值获取局部结构和整体结构的相似性,根据局部结构和整体结构的相似性获取目标窗口范围;
最佳合并范围获取模块,获取若干合并次数,在每个目标窗口范围下根据合并次数获取图像区域,对每个图像区域使用边缘检测,对不同边缘阈值下的边缘检测结果获取连通域,根据不同边缘阈值下连通域的特征获取连通域的关键程度;根据连通域的关键程度获取关键信息像素点,根据关键信息像素点在图像区域内获取若干行曲线,根据行曲线获取图像区域之间的相关性,根据图像区域之间的相关性获取最佳合并范围;
最佳目标窗口范围获取模块,根据最佳合并范围下图像块内关键信息像素点的数量和灰度值获取最佳合并范围下目标窗口范围的优选程度,根据目标窗口范围的优选程度获取最佳目标范围;
质量检测模块,根据最佳目标范围获取多重分形谱,根据多重分形谱完成质量检测。
优选的,所述根据每个大小的窗口将灯板图像分为若干图像块的方法为:
令灯板图像被划分为若干个窗口大小的图像块,其中图像块之间不存在空隙,若窗口超出了灯板图像的范围,则对超出的部分使用二次线性插值进行填充,将灯板图像划分为若干图像块。
优选的,所述根据图像块内像素点的灰度值以及数量获取图像块的参考权重值的方法为:
将图像块中的每个像素点记为参考像素点,对于每个参考像素点的八邻域内的像素点记为邻域像素点,若参考像素点与其对应的邻域像素点的灰度值差值的绝对值小于预设值,那么认为该邻域像素点为参考像素点的相似像素点;
式中,表示第i个窗口大小下第n个图像块的灰度值方差,/>表示第i个窗口大小下第n个图像块内所有参考像素点的相似像素点的数量,/>表示第i个窗口大小下第n个图像块内所有参考像素点八邻域像素点的总数量,/>表示以自然常数为底的指数函数,/>表示线性归一化函数,/>表示第i个窗口大小下第n个图像块的参考权重值。
优选的,所述在每个目标窗口范围下根据合并次数获取图像区域的方法为:
对于当前目标窗口范围下每个图像块所占的行统一记为合并行,在合并行上进行窗口合并,根据不同的合并次数对图像块进行合并,合并时仅在同一合并行进行合并,合并时从合并行第一个图像块开始合并,所述合并指的是将两个或多个图像块组成一个图像区域,若同一个合并行合并时,剩余的图像块无法组成新的图像区域,那么令剩余的图像块与同一个合并行上最近的图像区域合并,所述合并次数为图像块合并的数量。
优选的,所述对不同边缘阈值下的边缘检测结果获取连通域,根据不同边缘阈值下连通域的特征获取连通域的关键程度的方法为:
将初始边缘阈值检测下的连通域记为初始连通域,根据初始连通域获取不同边缘阈值下同一位置的连通域;
根据相邻边缘阈值在同一位置下的连通域的特征差异获取连通域之间的连通角度差;
根据连通角度差以及连通域的面积获取初始连通域的关键程度。
优选的,所述根据初始连通域获取不同边缘阈值下同一位置的连通域的方法为:
将初始连通域的像素点标记,在边缘阈值变化后,将此时获取的连通域中存在标记像素点的连通域记为位置连通域,则位置连通域与初始连通域为同一位置。
优选的,所述根据相邻边缘阈值在同一位置下的连通域的特征差异获取连通域之间的连通角度差的方法为:
将在任意一个边缘阈值下与初始连通域同一位置的连通域记为标准连通域,将标准连通域所对应的边缘阈值的相邻阈值在同一个位置下的连通域记为连续连通域,将标准连通域和连续连通域使用骨架提取细化得到骨架线,将骨架线的首尾点相连得到一条直线记为标准线和连续线,将标准线和连续线角度差值的绝对值记为连通角度差;
若连续连通域或标准连通域存在多个,则每个连续连通域得到一个连续线,每个标准连通域得到一个标准线,将连续线和标准线角度差值的绝对值的均值记为连通角度差。
优选的,所述根据连通角度差以及连通域的面积获取初始连通域的关键程度的方法为:
式中,表示第q个边缘阈值下与第s个初始连通域同一位置连通域与第q+1个边缘阈值下与第s个初始连通域同一位置连通域之间的连通角度差,/>表示边缘阈值的数量,/>表示第q个边缘阈值下与第s个初始连通域同一位置连通域的面积,表示第q+1个边缘阈值下与第s个初始连通域同一位置连通域的面积,/>表示以自然常数为底的指数函数,/>表示第s个初始连通域的关键程度。
优选的,所述根据关键信息像素点在图像区域内获取若干行曲线的方法为:
将图像区域中每一行的关键信息像素点从左到右标号,行曲线的横坐标为关键信息像素点的序号,行曲线的纵坐标为关键信息像素点的灰度值与之前序号对应的关键信息像素点灰度值的和。
优选的,所述根据最佳合并范围下图像块内关键信息像素点的数量和灰度值获取最佳合并范围下目标窗口范围的优选程度的方法为:
式中,表示最佳合并范围下第v个图像块内关键信息像素点的数量比例,/>表示最佳合并范围下第v个图像块内关键信息像素点的灰度均值,/>表示最佳合并范围下第v个图像块内所有像素点的灰度均值,/>表示最佳合并范围下在第j个窗口范围下图像块的数量,/>表示最佳合并范围下目标窗口范围的优选程度。
本发明的有益效果是:本发明提出了一种自适应尺度范围的MFDFA算法获取准确的分形维数信息,作为LED灯缺陷检测神经网络的输入数据,进行精准的LED灯生产质量检测。其中本发明首先根据图像中的LED灯板的分布信息来获取窗口范围来表征不同尺度,并根据不同尺度下的分布信息的变化来获取尺度的优选程度值,进而获取准确的分形维数信息。其中本发明所期望的较好的尺度为窗口范围内的图像的信息具有很大的相关性,并且同时在同一个窗口中相关性小的图像区域信息和相关性大的图像区域信息之间的差异较大。避免了传统的MFDFA算法中由于尺度选取的问题会使得一些关键信息被弱化的缺点,保证了缺陷信息和正常区域信息的差异性较大的优点,使得可以让LED灯缺陷检测神经网络可以得到准确的检测结果。
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,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地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种LED灯生产质量检测***的流程示意图;
图2为图像区域合并示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明一个实施例提供的一种LED灯生产质量检测***流程图,该***包括:图像采集模块、目标窗口范围获取模块、最佳合并范围获取模块、最佳目标窗口范围获取模块、质量检测模块。
图像采集模块,MiniLED灯在生产过程中会用到灯板,在其使用灯板的生产过程中,在灯板正方上布置图像采集装置采集生产过程中的灯板图像,其中图像采集装置包括高清CCD相机、光源、支架、伺服电机。
至此,获取灯板图像。
目标窗口范围获取模块,本实施例中通过对采集的灯板图像进行自适应MFDFA算法获取准确的分形维数信息。其中由于分辨率的影响以及噪声的影响,在进行MFDFA过程中需要分析不同尺度下的图像信息的变化,若使用传统的MFDFA算法进行处理,由于尺度选取的问题会使得一些关键信息被弱化,进而使得后续获取的MFDFA的分形维数信息出现较大的误差。因此本实施例在通过分形维数信息作为LED灯缺陷检测神经网络的输入数据时,为了自适应获取不同尺度下的尺度变化信息,首先根据图像中的LED灯板的分布信息来获取窗口范围来表征不同尺度,由于LED灯板在排除分辨率以及噪声的影响后,其往往是分布较为重复的,即相关性较大;因此本实施例采用整个图像以相同大小的窗口范围进行划分。其中窗口范围的变化范围与分形维数信息的获取有关,分形维数信息表征的为局部结构和整体结构的相似性,因此本案所选取的窗口范围应该是与局部结构和整体结构具有一定程度的相似性的,即对应的一些窗口范围在划分的过程中,其局部结构与整体结构之间的相似性未发生较大的变化。
具体的,对于所选择的窗口采用边长为且为偶数的正方形,其中边长的取值范围在本实施例中为/>,其中A和B分别表示灯板图像的行数和列数,表示灯板图像行数和列数的最小值的一半取整,在这些窗口范围内分析局部结构和整体结构的相似性大小。
对于不同大小的窗口,令灯板图像被划分为无数个窗口大小的图像块,其中图像块之间不存在空隙,若存在窗口超出了灯板图像的范围,则对超出的部分使用二次线性插值进行填充,将灯板图像看作由若干图像块组成。
为了获取在当前窗口大小下的局部结构与整体结构的相似性需要对所有图像块分析,对于不同的图像块有不同的权重,每个图像块的参考权重值与图像块内信息的复杂程度有关。若图像块内整体的灰度值变化不大且图像块内的像素点分布无序,则说明该图像块内含有的信息较少,即对应的参考权重值较小,将图像块中的每个像素点记为参考像素点,对于每个参考像素点的八邻域内的像素点记为邻域像素点,若参考像素点与其对应的邻域像素点的灰度值差值的绝对值小于10,那么认为该邻域像素点为参考像素点的相似像素点,统计图像块内所有参考像素点的相似像素点的数量,其中在统计时,像素点可以重复统计,若一个像素点为某一个参考像素点的相似像素点,其同样也可以为另一个参考像素点的相似像素点,根据图像块内灰度值的方差以及参考像素点的相似像素点数量获取图像块的参考权重值,公式如下:
式中,表示第i个窗口大小下第n个图像块的灰度值方差,/>表示第i个窗口大小下第n个图像块内所有参考像素点的相似像素点的数量,/>表示第i个窗口大小下第n个图像块内所有参考像素点八邻域像素点的总数量,/>表示以自然常数为底的指数函数,/>表示线性归一化函数,/>表示第i个窗口大小下第n个图像块的参考权重值。
计算在当前窗口下划分得到的每个图像块与灯板图像的结构相似度,其中结构相似度的计算方法为本领域人员公知的技术,再次不做赘述。
根据所得到的每个图像块与灯板图像的结构相似度以及每个图像块的参考权重值获取每个窗口大小下局部结构和整体结构的相似性,公式如下:
式中,表示第i个窗口大小下第n个图像块的参考权重值,/>表示第i个窗口大小下第n个图像块与灯板图像的结构相似度,/>表示在第i个窗口大小下的图像块数量,/>表示在第i个窗口大小下局部结构和整体结构的相似性即第i个窗口范围下局部结构和整体结构的相似性。
设定相似性阈值,当窗口范围下局部结构和整体结构的相似性大于阈值时,将此时的窗口范围作为本实施例的目标窗口范围,在本实施例中/>。
至此,获取了目标窗口范围。
最佳合并范围获取模块,根据上述获取的目标窗口范围,虽然这些窗口中局部和整体之间虽然具有较高的相似性,但是这些目标窗口范围并不是本实施例所期望的窗口范围,本实施例所期望的最好的尺度为窗口范围内的图像的信息具有很大的相关性,并且同时在同一个窗口中相关性小的图像区域信息(非规律性信息,即缺陷信息)和相关性大的图像区域信息(规律性信息,即正常信息)之间的差异较大,这样才可以使得对应的此窗口范围下计算得到的分形维数信息中,缺陷与正常区域之间的差异较大,而上述获取的多个目标窗口范围只满足了分形维数信息的基本要求,无法满足这些窗口划分后的图像块的差异性要求。
在获取目标窗口范围时,上述方法仅选择结构相似度的计算,这样可能会使得到的目标窗口范围过小,即将一个正常区域分为多个像素块,像素块基本只存在正常区域,不满足差异性要求,因此需要对窗口进行合并,根据合并的操作得到相关性大的图像区域信息。
对于不同的目标窗口范围,分析不同合并次数下的图像区域信息的变化,若变化基本相同,则对应的该区域内的信息为相关性较大的图像区域。
具体的,对于当前目标窗口范围下每个图像块所占的行统一记为合并行,例如,当前目标窗口边长为5,那么合并行由5个像素行表示。在合并行上进行窗口合并,获取合并次数,合并次数最小为2,最大为一个合并行上图像块的数量的一半,若为小数向下取整。所述合并次数为图像块合并的个数,例如合并次数为2,则表示两个图像块进行合并,合并时仅在同一合并行进行合并,合并时从合并行第一个图像块开始合并,由此将图像块合并后的区域作为图像区域,若同一个合并行合并时,剩余的图像块无法组成新的图像区域,那么令剩余的图像块与同一个合并行上最近的图像区域合并,合并结果由图2所示,图2中相同数字对应的图像块合并为一个图像区域。
计算图像区域之间的相关性,若图像区域之间的相关性较大,则图像区域之间具有较强的规律性。
为了避免灯板图像的分辨率以及噪声的影响,对于每个图像区域进行Canny边缘检测,本实施例采用不同边缘阈值下的Canny边缘检测结果,在本实施例中Canny边缘检测上阈值固定为200,下阈值初始为20,阈值步长为5,根据边缘检测结果获取关键信息,基于关键信息的规律性获取相关性,而关键信息是不同阈值下可能都会存在的。对于边缘检测后的图像区域使用连通域分析获取若干连通域,将在任意一个边缘阈值下与初始连通域同一位置的连通域记为标准连通域,将标准连通域所对应的边缘阈值的相邻阈值在同一个位置下的连通域记为连续连通域,将标准连通域和连续连通域使用骨架提取细化得到骨架线,将骨架线的首尾点相连得到一条直线记为标准线和连续线,将标准线和连续线角度差值的绝对值记为连通角度差,若连续连通域存在多个,那么将每个都得到一个连续线,将连续线和标准线角度差值的绝对值的均值记为连通角度差。
在分析连通域时,以初始边缘阈值检测下的连通域为初始连通域,以初始连通域为准,将初始连通域的像素点标记,在阈值变化后的连通域若存在标记像素点,则认为该连通域与初始连通域为同一位置。
根据不同阈值下不同连通域的连通角度差以及连通域的面积获取连通域的关键程度,公式如下:
式中,表示第q个边缘阈值下与第s个初始连通域同一位置连通域与第q+1个边缘阈值下与第s个初始连通域同一位置连通域之间的连通角度差,/>表示边缘阈值的数量,/>表示第q个边缘阈值下与第s个初始连通域同一位置连通域的面积,表示第q+1个边缘阈值下与第s个初始连通域同一位置连通域的面积,/>表示以自然常数为底的指数函数,/>表示第s个初始连通域的关键程度。
表示不同阈值下的连通域直线的角度的变化,表征着图中信息的分布的规则性,则对应的该值越大,此连通域的关键程度越小;/>第q个边缘阈值下与第s个初始连通域同一位置连通域与第q+1个边缘阈值下与第s个初始连通域同一位置连通域之间面积的差异性,若连通域面积差异较大,则对应的不同阈值的变化下此连通域更表现的为离散的特性,则对应的该连通域的关键程度越小。其中本实施例计算该特征的目的为,由于不同阈值下计算连通域角度的变化会存在一些由于分辨率的影响造成的虚影使得原本不为关键信息的连通域计算得到的关键程度较大,因此通过面积的变化来对连通域角度的变化进行校正。
由此获取了每个连通域的关键程度,将每个连通域的关键程度作为连通域内像素点的关键程度,设定关键程度阈值,在本实施中关键程度阈值为0.55,若像素点的关键程度大于关键程度阈值,则说明该像素点为关键信息像素点。
根据确认的关键信息像素点在图像区域分析关键信息的变化规律,从而获取图像区域之间的相关性。若图像区域之间具有较强的相关性,则对应的图像区域之间的关键信息变化是规律的,因此对于图像区域中的每一行获取一条行曲线,行曲线的横坐标为关键信息像素点的序号,所述序号为图像区域中每一行的关键信息像素点从左到右标号,行曲线的纵坐标为关键信息像素点的灰度值与之前序号对应的关键信息像素点灰度值的和,例如序号为1,2,3,4,5,关键信息像素点的灰度值为5,7,9,3,2,则行曲线的横坐标为1,2,3,4,5,纵坐标为5,12,21,24,26。
在每个图像区域内获取纵坐标最大值以及纵坐标最小值,获取两者的差值记为第一差值,在所有图像区域内获取第一差值的方差,在所有图像区域中,任意两个图像区域组合,每条行曲线一一对应计算dtw距离,将所有行的dtw距离均值作为任意两个图像区域的距离值,根据所有图像区域获取的第一差值的方差以及dtw均值获取图像区域之间的相关性,公式如下:
式中,表示图像区域的第一差值,/>表示所有图像区域第一差值的方差,表示所有图像区域两两之间的距离值的均值,/>表示以自然常数为底的指数函数,/>表示图像区域之间的相关性。
若图像区域中对应的极差基本相同,则对应的两个图像区域的灰度分布特征较为相似,即对应的变化范围基本相似,为了对图像区域内部进行分析,以两个图像区域中对应位置的行曲线之间的dtw距离作为参考权重,获取图像区域之间的相关性。
同样的,得到其余合并次数下图像区域之间的相关性,从中选择相关性最大时的合并次数,该合并次数就会得到一个新的合并范围为最佳合并范围,此操作避免了由于目标窗口范围对图像进行过分割,使得后续计算相关性大的图像区域信息和相关性小的图像区域信息差异性较小的缺点。
至此,获取了最佳合并范围大小。
最佳目标窗口范围获取模块,根据上述步骤,得到目标窗口范围的最佳合并范围,计算所有目标窗口范围的最佳合并范围来计算优选程度。其中优选程度的计算遵循相关性小的图像区域信息和相关性大的图像区域信息之间的差异较大的原则。根据上述步骤确定的相关性的过程中,可以获取到相关性大的图像区域信息以及相关小的图像区域信息。
具体的,对于在最佳合并范围下的所有目标窗口范围,获取在此窗口大小下的图像块的数量,此时的图像块表示的是合并后的图像区域,根据图像块的数量、每个图像块内关键信息像素点的灰度值以及每个图像块内所有像素点的灰度值获取目标窗口范围的优选程度,公式如下:
式中,表示最佳合并范围下第v个图像块内关键信息像素点的数量比例,/>表示最佳合并范围下第v个图像块内关键信息像素点的灰度均值,/>表示最佳合并范围下第v个图像块内所有像素点的灰度均值,/>表示最佳合并范围下在第j个窗口范围下图像块的数量,/>表示最佳合并范围下目标窗口范围的优选程度。
选择最大的优选程度对应的目标窗口范围作为最佳目标范围。
至此,获取最佳目标范围。
质量检测模块,根据上述步骤获取到的最佳的目标范围,也即本案中所述的进行MFDFA算法的对应的尺度信息。在各个尺度下,获取到对应的不同阶的测度波动函数,通过进行对数运算,将对数运算后的结果进行线下拟合得到广义Hurst指数,进而计算奇异指数以及对应的奇异谱得到图像的多重分形谱。其中该过程为公知技术,在本实施例中不再赘述。
根据获取的多重分形谱,获取对应的分形维数信息的获取,包括奇异指数最大值、奇异指数最小值、谱宽、奇异指数最大值对应的奇异谱、奇异指数最小值对应的奇异谱、奇异指数最大值对应的奇异谱和奇异指数最小值对应的奇异谱之间的奇异谱差值。将这些特征值作为LED灯缺陷检测神经网络的输入数据,采用人工标注的方式将样品的特征值对应的LED灯板进行人工标注,对于不同缺陷种类进行标注,例如将异物缺陷区域则标注为1,划痕缺陷区域标注为2,正常区域则标注为0等,采用的损失函数为交叉熵函数,进而训练得到LED灯缺陷检测神经网络,所得到的输出即为是否存在某种缺陷,进而完成质量检测。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,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LED灯生产质量检测***,其特征在于,该***包括以下模块:
图像采集模块,获取灯板图像;
目标窗口范围获取模块,获取不同大小的窗口,根据每个大小的窗口将灯板图像分为若干图像块,根据图像块内像素点的灰度值以及数量获取图像块的参考权重值,根据图像块的参考权重值获取局部结构和整体结构的相似性,根据局部结构和整体结构的相似性获取目标窗口范围;
最佳合并范围获取模块,获取若干合并次数,在每个目标窗口范围下根据合并次数获取图像区域,对每个图像区域使用边缘检测,对不同边缘阈值下的边缘检测结果获取连通域,根据不同边缘阈值下连通域的特征获取连通域的关键程度;根据连通域的关键程度获取关键信息像素点,根据关键信息像素点在图像区域内获取若干行曲线,根据行曲线获取图像区域之间的相关性,根据图像区域之间的相关性获取最佳合并范围;
最佳目标窗口范围获取模块,根据最佳合并范围下图像块内关键信息像素点的数量和灰度值获取最佳合并范围下目标窗口范围的优选程度,根据目标窗口范围的优选程度获取最佳目标范围;
质量检测模块,根据最佳目标范围获取多重分形谱,根据多重分形谱完成质量检测。
2.根据权利要求1所述的一种LED灯生产质量检测***,其特征在于,所述根据每个大小的窗口将灯板图像分为若干图像块的方法为:
令灯板图像被划分为若干个窗口大小的图像块,其中图像块之间不存在空隙,若窗口超出了灯板图像的范围,则对超出的部分使用二次线性插值进行填充,将灯板图像划分为若干图像块。
3.根据权利要求2所述的一种LED灯生产质量检测***,其特征在于,所述根据图像块内像素点的灰度值以及数量获取图像块的参考权重值的方法为:
将图像块中的每个像素点记为参考像素点,对于每个参考像素点的八邻域内的像素点记为邻域像素点,若参考像素点与其对应的邻域像素点的灰度值差值的绝对值小于预设值,那么认为该邻域像素点为参考像素点的相似像素点;
式中,表示第i个窗口大小下第n个图像块的灰度值方差,/>表示第i个窗口大小下第n个图像块内所有参考像素点的相似像素点的数量,/>表示第i个窗口大小下第n个图像块内所有参考像素点八邻域像素点的总数量,/>表示以自然常数为底的指数函数,/>表示线性归一化函数,/>表示第i个窗口大小下第n个图像块的参考权重值。
4.根据权利要求1所述的一种LED灯生产质量检测***,其特征在于,所述在每个目标窗口范围下根据合并次数获取图像区域的方法为:
对于当前目标窗口范围下每个图像块所占的行统一记为合并行,在合并行上进行窗口合并,根据不同的合并次数对图像块进行合并,合并时仅在同一合并行进行合并,合并时从合并行第一个图像块开始合并,所述合并指的是将两个或多个图像块组成一个图像区域,若同一个合并行合并时,剩余的图像块无法组成新的图像区域,那么令剩余的图像块与同一个合并行上最近的图像区域合并,所述合并次数为图像块合并的数量。
5.根据权利要求1所述的一种LED灯生产质量检测***,其特征在于,所述对不同边缘阈值下的边缘检测结果获取连通域,根据不同边缘阈值下连通域的特征获取连通域的关键程度的方法为:
将初始边缘阈值检测下的连通域记为初始连通域,根据初始连通域获取不同边缘阈值下同一位置的连通域;
根据相邻边缘阈值在同一位置下的连通域的特征差异获取连通域之间的连通角度差;
根据连通角度差以及连通域的面积获取初始连通域的关键程度。
6.根据权利要求5所述的一种LED灯生产质量检测***,其特征在于,所述根据初始连通域获取不同边缘阈值下同一位置的连通域的方法为:
将初始连通域的像素点标记,在边缘阈值变化后,将此时获取的连通域中存在标记像素点的连通域记为位置连通域,则位置连通域与初始连通域为同一位置。
7.根据权利要求5所述的一种LED灯生产质量检测***,其特征在于,所述根据相邻边缘阈值在同一位置下的连通域的特征差异获取连通域之间的连通角度差的方法为:
将在任意一个边缘阈值下与初始连通域同一位置的连通域记为标准连通域,将标准连通域所对应的边缘阈值的相邻阈值在同一个位置下的连通域记为连续连通域,将标准连通域和连续连通域使用骨架提取细化得到骨架线,将骨架线的首尾点相连得到一条直线记为标准线和连续线,将标准线和连续线角度差值的绝对值记为连通角度差;
若连续连通域或标准连通域存在多个,则每个连续连通域得到一个连续线,每个标准连通域得到一个标准线,将连续线和标准线角度差值的绝对值的均值记为连通角度差。
8.根据权利要求5所述的一种LED灯生产质量检测***,其特征在于,所述根据连通角度差以及连通域的面积获取初始连通域的关键程度的方法为:
式中,表示第q个边缘阈值下与第s个初始连通域同一位置连通域与第q+1个边缘阈值下与第s个初始连通域同一位置连通域之间的连通角度差,/>表示边缘阈值的数量,/>表示第q个边缘阈值下与第s个初始连通域同一位置连通域的面积,表示第q+1个边缘阈值下与第s个初始连通域同一位置连通域的面积,/>表示以自然常数为底的指数函数,/>表示第s个初始连通域的关键程度。
9.根据权利要求1所述的一种LED灯生产质量检测***,其特征在于,所述根据关键信息像素点在图像区域内获取若干行曲线的方法为:
将图像区域中每一行的关键信息像素点从左到右标号,行曲线的横坐标为关键信息像素点的序号,行曲线的纵坐标为关键信息像素点的灰度值与之前序号对应的关键信息像素点灰度值的和。
10.根据权利要求1所述的一种LED灯生产质量检测***,其特征在于,所述根据最佳合并范围下图像块内关键信息像素点的数量和灰度值获取最佳合并范围下目标窗口范围的优选程度的方法为:
式中,表示最佳合并范围下第v个图像块内关键信息像素点的数量比例,/>表示最佳合并范围下第v个图像块内关键信息像素点的灰度均值,/>表示最佳合并范围下第v个图像块内所有像素点的灰度均值,/>表示最佳合并范围下在第j个窗口范围下图像块的数量,/>表示最佳合并范围下目标窗口范围的优选程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310980121.6A CN116703911B (zh) | 2023-08-07 | 2023-08-07 | 一种led灯生产质量检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310980121.6A CN116703911B (zh) | 2023-08-07 | 2023-08-07 | 一种led灯生产质量检测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116703911A CN116703911A (zh) | 2023-09-05 |
CN116703911B true CN116703911B (zh) | 2023-10-27 |
Family
ID=87843643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310980121.6A Active CN116703911B (zh) | 2023-08-07 | 2023-08-07 | 一种led灯生产质量检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703911B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274820B (zh) * | 2023-11-20 | 2024-03-08 | 深圳市天成测绘技术有限公司 | 一种测绘地理信息地图数据采集方法及*** |
CN117392114B (zh) * | 2023-11-27 | 2024-03-08 | 湖南新域节能科技有限公司 | 一种基于图像处理的槟榔等级检测方法 |
CN117788829B (zh) * | 2024-02-27 | 2024-05-07 | 长春师范大学 | 一种用于入侵植物种子检测的图像识别*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013115422A1 (ko) * | 2012-02-02 | 2013-08-08 | 부산대학교 산학협력단 | 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법 |
CN109961465A (zh) * | 2017-12-21 | 2019-07-02 | 东莞东阳光科研发有限公司 | 一种基于多重分形的腐蚀箔表面隧道孔均匀性表征方法 |
CN114137388A (zh) * | 2021-11-25 | 2022-03-04 | 深圳市征阳电路科技有限公司 | 线路板信号寻迹检测*** |
CN115187548A (zh) * | 2022-07-11 | 2022-10-14 | 常颖 | 一种基于人工智能的机械零件缺陷检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6993377B2 (en) * | 2002-02-22 | 2006-01-31 | The Board Of Trustees Of The University Of Arkansas | Method for diagnosing heart disease, predicting sudden death, and analyzing treatment response using multifractal analysis |
-
2023
- 2023-08-07 CN CN202310980121.6A patent/CN116703911B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013115422A1 (ko) * | 2012-02-02 | 2013-08-08 | 부산대학교 산학협력단 | 디지털 이미지의 다중 프랙탈 분석을 이용한 대상체 검출방법 |
CN109961465A (zh) * | 2017-12-21 | 2019-07-02 | 东莞东阳光科研发有限公司 | 一种基于多重分形的腐蚀箔表面隧道孔均匀性表征方法 |
CN114137388A (zh) * | 2021-11-25 | 2022-03-04 | 深圳市征阳电路科技有限公司 | 线路板信号寻迹检测*** |
CN115187548A (zh) * | 2022-07-11 | 2022-10-14 | 常颖 | 一种基于人工智能的机械零件缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
手机玻璃屏表面缺陷机器视觉检测与分类方法研究;简川霞;《中国优秀博士学位论文全文数据库 信息科技辑》(第3期);I138-31 * |
模拟X线头影片的多重分形分析;蒋爱平 等;《控制工程》(第06期);101-104 * |
Also Published As
Publication number | Publication date |
---|---|
CN116703911A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116703911B (zh) | 一种led灯生产质量检测*** | |
CN111862064B (zh) | 一种基于深度学习的银质丝材表面瑕疵识别方法 | |
CN108960245B (zh) | 轮胎模具字符的检测与识别方法、装置、设备及存储介质 | |
CN110084241B (zh) | 一种基于图像识别的电表自动读数方法 | |
CN115239704B (zh) | 一种木材表面缺陷的精准检测修复方法 | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及*** | |
CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
CN103593670A (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
CN101059425A (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的方法和装置 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN115131354B (zh) | 一种基于光学手段的实验室用塑料薄膜缺陷检测方法 | |
CN115861290B (zh) | 一种肤感木门表面缺陷检测方法 | |
CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
CN113869300A (zh) | 基于多视觉融合的工件表面缺陷和字符识别的方法及*** | |
CN115082744B (zh) | 一种基于人工智能的太阳能集热效率分析方法及*** | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测*** | |
CN111753794A (zh) | 水果品质分类方法、装置、电子设备及可读存储介质 | |
CN114359235A (zh) | 一种基于改进YOLOv5l网络的木材表面缺陷检测方法 | |
CN113610185B (zh) | 基于主色调识别的木材色选方法 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
CN110570418A (zh) | 一种织唛缺陷检测方法和装置 | |
CN115830514B (zh) | 一种适用于带弯曲河道的全河段表面流速计算方法及*** | |
CN112561875A (zh) | 一种基于人工智能的光伏电池板粗栅检测方法 | |
CN116797575A (zh) | 一种基于机器视觉的碎米率智能检测方法 | |
CN116228659A (zh) | 一种ems小车漏油的视觉检测方法 |
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 |