CN116721391B - 一种基于计算机视觉的原料油分离效果检测方法 - Google Patents
一种基于计算机视觉的原料油分离效果检测方法 Download PDFInfo
- Publication number
- CN116721391B CN116721391B CN202311008220.4A CN202311008220A CN116721391B CN 116721391 B CN116721391 B CN 116721391B CN 202311008220 A CN202311008220 A CN 202311008220A CN 116721391 B CN116721391 B CN 116721391B
- Authority
- CN
- China
- Prior art keywords
- point
- growth
- initial seed
- pixel
- 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
- 238000000926 separation method Methods 0.000 title claims abstract description 42
- 230000000694 effects Effects 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims description 67
- 239000011159 matrix material Substances 0.000 claims abstract description 91
- 239000006185 dispersion Substances 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 208000012868 Overgrowth Diseases 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 239000002994 raw material Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000007788 liquid Substances 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
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
- Y02A20/204—Keeping clear the surface of open water from oil spills
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,提出了一种基于计算机视觉的原料油分离效果检测方法,包括:获取分离灰度图;根据分离灰度图获取去噪图像,获取初始种子点,基于初始种子点获取生长像素点,并获取初始种子点与生长像素点的梯度离散度;获取灰度矩阵,根据元素值和元素位置获取对比度并结合灰度值差异获取边缘粗糙度,根据边缘粗糙度获取初始种子点和生长像素点的相对粗糙度;获取一个相似窗口,获取初始种子点和生长像素点的边缘连贯性,根据梯度离散度、边缘连贯性、相对粗糙度获取生长值,根据生长值获取生长边缘并完成效果检测。本发明通过多重分析更精确获取分类效果。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种基于计算机视觉的原料油分离效果检测方法。
背景技术
原料油分离效果检测以明确各类油品的质量为主要目标,是原料油产品进入市场前的重要环节,当下原料油分离效果检测过程中,最终的检测结果受到多种因素的影响,导致结果准确性无法达到标准要求,如技术人员的疏忽,设备操作不规范等问题均可造成检测结果出现误差。传统的原料油分离效果检测方法多采用实验分析法,但该方法存在费用高、时间长、人为因素影响大等缺点,不利于实时控制和分析,因此急需对原料油分离效果检测方法进行改进。
发明内容
本发明提供一种基于计算机视觉的原料油分离效果检测方法,以解决结果出现误差的问题,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基于计算机视觉的原料油分离效果检测方法,该方法包括以下步骤:
采集原始图像,将原始图像预处理后获取分离灰度图;
根据分离灰度图获取去噪图像,根据去噪图像获取两个ROI区域,所述两个ROI区域分别在水区域和油液区域,在ROI区域中获取初始种子点,基于初始种子点获取生长像素点,根据初始种子点和生长像素点的梯度值获取初始种子点与生长像素点的梯度离散度;
对于初始种子点和生长像素点分别获取一个矩阵窗口,根据每个矩阵窗口获取其对应的灰度矩阵,根据灰度矩阵归一化后的元素值和元素位置获取矩阵窗口的对比度;根据矩阵窗口内不同像素点与初始种子点的灰度值差异获取矩阵窗口的灰度相似熵;根据矩阵窗口的对比度以及灰度相似熵获取边缘粗糙度,根据初始种子点和生长像素点的边缘粗糙度的差异获取初始种子点和生长像素点的相对粗糙度;
对于初始种子点和生长像素点分别获取一个相似窗口,根据相似窗口内像素点的灰度值获取初始种子点和生长像素点的边缘连贯性,根据初始种子点和生长像素点之间的梯度离散度、边缘连贯性、相对粗糙度获取生长值,根据生长值进行迭代获取生长边缘;
根据所有ROI区域的生长边缘之间的距离完成效果检测。
优选的,所述在ROI区域中获取初始种子点的方法为:
对于梯度值最大的预设数量个像素点,计算所述像素点与其八邻域所有像素点的灰度值的标准差,将梯度最大的预设数量个像素点中每个像素点的梯度值和标准差相加,将梯度值和标准差相加最大值对应的像素点作为初始种子点。
优选的,所述基于初始种子点获取生长像素点的方法为:
对于初始种子点,获取其梯度方向,做其梯度方向的垂线,垂线所指方向即为生长方向,生长方向有两个分别记为第一生长方向和第二生长方向;
将初始种子点沿着任意一个生长方向遇到的第一个像素点记为生长可能点,过生长可能点做生长方向的垂线,将生长可能点在垂线上两侧各取两个距离生长可能点最近的像素点,将生长可能点以及垂线上所取的距离生长可能点最近的四个像素点记为生长像素点。
优选的,所述根据初始种子点和生长像素点的梯度值获取初始种子点与生长像素点的梯度离散度的方法为:
式中,表示初始种子点的水平梯度值,表示初始种子点的数值梯度值,
表示初始种子点对应的第n个生长像素点的水平梯度值,表示初始种子点对应的第n
个生长像素点数值梯度值,表示去噪图像中最大的梯度值,表示初始种子点与其对应
的第n个生长像素点的梯度离散度。
优选的,所述根据每个矩阵窗口获取其对应的灰度矩阵的方法为:
每个矩阵窗口在预设方向下获取若干灰度共生矩阵,所述灰度共生矩阵只有4个灰度级,步距为1,将预设数量个灰度共生矩阵加权获取每个矩阵窗口的灰度矩阵。
优选的,所述根据灰度矩阵归一化后的元素值和元素位置获取矩阵窗口的对比度的方法为:
式中,表示归一化灰度矩阵的列数,表示归一化灰度矩阵的行数,表示
归一化灰度矩阵第j行第i列的元素值,表示矩阵窗口的对比度。
优选的,所述根据矩阵窗口内不同像素点与初始种子点的灰度值差异获取矩阵窗口的灰度相似熵的方法为:
在矩阵窗口内将所有像素点的灰度值与初始种子点的灰度值作差,根据差值与预设阈值的比较将所有像素点分类,对于每一类像素点获取其数量记为第一数量,令第一数量与矩阵窗口内所有像素点的数量之比记为每一类像素点的出现频率;
将每一类像素点的出现频率计算图像熵获取矩阵窗口的灰度相似熵。
优选的,所述根据初始种子点和生长像素点的边缘粗糙度的差异获取初始种子点和生长像素点的相对粗糙度的方法为:
将初始种子点的边缘粗糙度和生长像素点的边缘粗糙度的差值取绝对值作为初始种子点与生长像素点的相对粗糙度。
优选的,所述根据相似窗口内像素点的灰度值获取初始种子点和生长像素点的边缘连贯性的方法为:
获取相似窗口内像素点的灰度值均值,计算边缘连贯因子:
式中,表示初始种子点对应的相似窗口内第v个像素点的灰度值,表示生长
像素点对应的相似窗口内第v个像素点的灰度值,表示初始种子点对应的相似窗口内
像素点灰度值的平均值,表示生长像素点对应的相似窗口内像素点灰度值的平均值,表示相似窗口内像素点的数量,表示初始种子点与生长像素点的边缘连贯因子;
将边缘连贯因子与初始种子点和生长像素点对应的灰度值差异相乘得到初始种子点和生长像素点的边缘连贯性。
优选的,所述根据初始种子点和生长像素点之间的梯度离散度、边缘连贯性、相对粗糙度获取生长值,根据生长值进行迭代获取生长边缘的方法为:
将初始种子点与生长像素点的梯度离散度、相对粗糙度、边缘连贯性加权求和获取生长值,将生长值最小的生长像素点作为下一个种子点,并将下一个种子点记为初始种子点,直到生长方向中没有新的像素点为止,若第一生长方向和第二生长方向上都没有新的像素点,则将获取的所有种子点作为组合得到一条生长边缘。
本发明的有益效果是:本发明通过采用计算机视觉领域的图像区域生长算法对原料油分离效果进行检测,自动识别油水界面位置、油膜厚度等关键特征,从而评估分离效果,本发明主要使用区域生长法进行边缘检测,为了使生长能够按照想要的方向去生长,因此规定了生长范围,并且在生长过程中,对于下一个种子点和当前种子点的局部邻域灰度以及熵值都进行了考量,可以使得最后得到的生长边缘更为精确,以此带来更好的检测效果。
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基于计算机视觉的原料油分离效果检测方法的流程示意图。
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基于计算机视觉的原料油分离效果检测方法流程图,该方法包括以下步骤:
步骤S001,采集原始图像,将原始图像预处理后获取分离灰度图。
使用基于电荷耦合器件(CCD)技术的相机对原料油分离结果进行拍摄,令CCD相机与原料油分离液面平行拍摄获取原始图像,所述原始图像为用RGB颜色模式来显示的图像(RGB图像),其中R为红色通道,G为绿色通道,B为蓝色通道,将采集到的RGB图像使用加权平均灰度化得到原料油灰度图,将分离灰度图使用语义分割,将原料油所在容器部分标记为1,背景部分标记为0,将标记为1的像素点分割提取,所使用损失函数为均方差损失函数,输入原料油灰度图获取只包含原料油所在部分的灰度图记为分离灰度图。
步骤S002,根据分离灰度图获取去噪图像,根据去噪图像获取两个感兴趣区域(Region of Interest,ROI),所述两个ROI区域分别在水区域和油液区域,在ROI区域中获取初始种子点,基于初始种子点获取生长像素点,根据初始种子点和生长像素点的梯度值获取初始种子点与生长像素点的梯度离散度。
由于在采集图像的过程中会不可避免的使图像出现噪声,因此对于分离灰度图使用高斯滤波去噪得到去噪图像。
针对去噪图像,使用边缘区域生长算法提取边缘,对于边缘区域生长算法,首先要选取其初始种子点,对于去噪图像的原料油分离边界获取ROI区域,由于油水之间会出现油膜中间层,水区域与中间层存在一条分离边界,油液区域与中间层存在一条分离边界,因此对于两条分离边界分别获取一个ROI区域,以下以其中一个ROI区域为例,使用索贝尔算子(sobel)获取去噪图像每个像素点的梯度值,在ROI区域中获取梯度值最大的U个像素点,在本实施例中U取值为50,对于梯度值最大的U个像素点,对于这些像素点,计算像素点与其八邻域所有像素点的灰度值的标准差,以此作为图像对比度的衡量指标,越靠近分离边界的像素点对比度也会越大,故将梯度最大的U个像素点中每个像素点的梯度值和标准差相加,将梯度值和标准差相加最大值对应的像素点作为初始种子点。
获取初始种子点后需要获取区域生长算法的生长准则,对于去噪图像观察发现,原料油分离边界部分存在气泡、油珠等凹凸不平的界面,造成图像边缘线模糊的现象,对于这样的问题,本实施例根据选取的初始种子点获取与邻域像素点的相似程度完善生长准则。
具体的,对于ROI区域,由于原料油分离的分离边界出是梯度最大的位置,因此对于初始种子点,获取其梯度方向,做其梯度方向的垂线,垂线所指方向即为生长方向,令初始种子点像生长方向生长,生长方向有两个且呈180度分别记为第一生长方向和第二生长方向,基于第一生长方向和第二生长方向得到一个生长序列分别记为第一生长序列和第二生长序列,以第一生长序列为例,将初始种子点沿着第一生长方向遇到的第一个像素点记为生长可能点,过生长可能点做生长方向的垂线,将生长可能点在垂线上两侧各取两个距离生长可能点最近的像素点,将生长可能点以及垂线上所取的距离生长可能点最近的四个像素点记为生长像素点。
通过sobel可以获取每个像素点的水平梯度值和竖直梯度值,根据初始种子点与生长像素点的水平梯度值和竖直梯度值获取两个像素点的梯度离散度,公式如下:
式中,表示初始种子点的水平梯度值,表示初始种子点的数值梯度值,
表示初始种子点对应的第n个生长像素点的水平梯度值,表示初始种子点对应的第n
个生长像素点数值梯度值,表示去噪图像中最大的梯度值,表示初始种子点与其对应
的第n个生长像素点的梯度离散度。
至此,获取了初始种子点与每个生长像素点的梯度离散度。
步骤S003,对于初始种子点和生长像素点分别获取一个矩阵窗口,根据每个矩阵窗口获取其对应的灰度矩阵,根据灰度矩阵归一化后的元素值和元素位置获取矩阵窗口的对比度;根据矩阵窗口内不同像素点与初始种子点的灰度值差异获取矩阵窗口的灰度相似熵;根据矩阵窗口的对比度以及灰度相似熵获取边缘粗糙度,根据初始种子点和生长像素点的边缘粗糙度的差异获取初始种子点和生长像素点的相对粗糙度。
对于去噪图像,在原料油分离处上下两侧的像素点会存在较大的亮度差异,根据此特征,可以对边缘像素点的亮度进行分析。
具体的,分别以初始种子点和其对应的生长像素点为中点获取矩阵窗口,矩阵窗
口的大小为,在本实施例中令为5,在每个矩阵窗口内获取一个灰度共生矩阵;所
述灰度共生矩阵的各项参数如下所示:
首先将灰度值分为4个灰度级,将矩阵窗口内每个像素点的灰度值除以64后向下取整,在矩阵窗口内选取0度,45度,90度,135度四个方向,步距为1,即相邻两个像素点构建像素对,基于此在每个方向上获取一个灰度共生矩阵,将四个灰度共生矩阵结合成为最终的灰度共生矩阵,由于原料油分离界面为横轴,因此要对90度方向更高的权重,0度方向更小的权重,因此在本实施例中,将0度方向权重设置为0.1,45度方向和135度方向全权重设置为0.2,90度方向权重设置为0.5,由此得到最终的灰度共生矩阵记为灰度矩阵。
对于灰度矩阵,将灰度矩阵中的元素值利用最大最小值归一化,将灰度矩阵中的元素值与最小值的差值记为第一差值,将灰度矩阵中最大值与最小值的差值记为第二差值,令第一差值和第二差值的比值为每个元素值归一化后的值,由此得到了归一化灰度矩阵。
根据归一化灰度矩阵中每个元素的元素值以及其所在位置获取矩阵窗口的对比度,公式如下:
式中,表示归一化灰度矩阵的列数,表示归一化灰度矩阵的行数,表示
归一化灰度矩阵第j行第i列的元素值,表示矩阵窗口的对比度。用以衡量去噪图
像边界处亮度不均匀的程度,值越大,证明像素点越可能是边界上的点。
在矩阵窗口内,将每个像素点与初始种子点的灰度值作差,将差值小于1的像素点记为一类像素点,将差值小于2的像素点记为二类像素点,将差值小于3的像素点记为三类像素点,将差值小于4的像素点记为四类像素点,将差值小于5的像素点记为五类像素点,统计每一类像素点的数量,计算每一类像素点的数量与矩形窗口的像素点数量比值,令所述比值为每一类像素点的出现频率,在每个矩阵窗口,根据每一类像素点的出现频率获取矩阵窗口的灰度相似熵,公式如下:
式中,表示总共获取了多少类像素点,表示k类像素点的出现频率,表示矩
阵窗口的灰度相似熵。
根据每个矩阵窗口的灰度相似熵和对比度获取每个矩阵窗口的边缘粗糙度,公式如下:
式中,表示矩阵窗口的灰度相似熵,表示矩阵窗口的对比度,表示矩阵
窗口的边缘粗糙度。
每个矩阵窗口对应一个初始种子点或生长像素点,因此获取了初始种子点或生长像素点的边缘粗糙度。
根据初始种子点的边缘粗糙度和生长像素点的边缘粗糙度获取初始种子点与生长像素点的相对粗糙度,公式如下:
式中,表示初始种子点的边缘粗糙度,表示生长像素点的边缘粗糙度,表示线性归一化函数,表示初始种子点和生长像素点的相对粗糙度。
至此,获取了初始种子点和每个生长像素点的相对粗糙度。
步骤S004,对于初始种子点和生长像素点分别获取一个相似窗口,根据相似窗口内像素点的灰度值获取初始种子点和生长像素点的边缘连贯性,根据初始种子点和生长像素点之间的梯度离散度、边缘连贯性、相对粗糙度获取生长值,根据生长值进行迭代获取生长边缘。
对于去噪图像观察分析可知,初始种子点和下一个种子像素点周围像素点应是相
似的,初始种子点和下一个种子像素点的灰度信息具有连贯性,因此分别以初始种子点和
生长像素点为中心点分别获取一个的窗口记为相似窗口,在本实施例中令,
在相似窗口内,获取所有像素点的灰度值均值,根据初始种子点与生长像素点的相似窗口
内每个像素点的灰度值与灰度值均值的差异获取边缘连贯因子,公式如下:
式中,表示初始种子点对应的相似窗口内第v个像素点的灰度值,表示生长
像素点对应的相似窗口内第v个像素点的灰度值,表示初始种子点对应的相似窗口内
像素点灰度值的平均值,表示生长像素点对应的相似窗口内像素点灰度值的平均值,表示相似窗口内像素点的数量,表示初始种子点与生长像素点的边缘连贯因子。
根据初始种子点与生长像素点的灰度值以及边缘连贯因子获取边缘连贯性,公式如下:
式中,表示初始种子点对应的相似窗口内像素点灰度值的平均值,表
示生长像素点对应的相似窗口内像素点灰度值的平均值,表示初始种子点的灰度值,表示生长像素点的灰度值,表示初始种子点与生长像素点的边缘连贯因子,表
示线性归一化函数,表示初始种子点与生长像素点之间的边缘连贯性。两个像素点的边缘
连贯性越强,说明两个像素点越是靠近边缘连续。
根据所得到的初始种子点和生长像素点之间的梯度离散度、边缘连贯性、相对粗糙度获取生长值,公式如下:
式中,表示初始种子点与其对应的第n个生长像素点的梯度离散度,
表示初始种子点与其对应的第n个生长像素点的相对粗糙度,表示初始种子点与其对应
的第n个生长像素点的边缘连贯性,,,分别表示三者的权重,表示第n个生长像素
点对应的生长值,在本实施例中令三者的权重为1/3。
对于每个生长像素点,获取生长值最小的生长像素点作为下一个种子点,将该种子点放入第一生长序列中,令该种子点重新作为初始种子点在第一生长序列中继续使用上述方法获取新的种子点,直到生长方向中没有新的像素点为止,由此获取了第一生长序列和第二生长序列,两个生长序列组合记为生长边缘。
至此,获取生长边缘。
步骤S005,根据所有ROI区域的生长边缘之间的距离完成效果检测。
对于每个ROI区域获取一个生长边缘,由此获取两条生长边缘,使用DTW距离获取两条生长边缘的距离,将两条生长边缘记为原料油水油分离边界,两者之间的距离即为油膜厚度,将该油膜厚度与现有标准比较比较完成原料油分离效果的检测。
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 (5)
1.一种基于计算机视觉的原料油分离效果检测方法,其特征在于,该方法包括以下步骤:
采集原始图像,将原始图像预处理后获取分离灰度图;
根据分离灰度图获取去噪图像,根据去噪图像获取两个ROI区域,所述两个ROI区域分别在水区域和油液区域,在ROI区域中获取初始种子点,基于初始种子点获取生长像素点,根据初始种子点和生长像素点的梯度值获取初始种子点与生长像素点的梯度离散度;
对于初始种子点和生长像素点分别获取一个矩阵窗口,根据每个矩阵窗口获取其对应的灰度矩阵,根据灰度矩阵归一化后的元素值和元素位置获取矩阵窗口的对比度;根据矩阵窗口内不同像素点与初始种子点的灰度值差异获取矩阵窗口的灰度相似熵;根据矩阵窗口的对比度以及灰度相似熵获取边缘粗糙度,根据初始种子点和生长像素点的边缘粗糙度的差异获取初始种子点和生长像素点的相对粗糙度;
对于初始种子点和生长像素点分别获取一个相似窗口,根据相似窗口内像素点的灰度值获取初始种子点和生长像素点的边缘连贯性,根据初始种子点和生长像素点之间的梯度离散度、边缘连贯性、相对粗糙度获取生长值,根据生长值进行迭代获取生长边缘;
根据所有ROI区域的生长边缘之间的距离完成效果检测;
其中,根据初始种子点和生长像素点的梯度值获取初始种子点与生长像素点的梯度离散度的方法为:
式中,表示初始种子点的水平梯度值,/>表示初始种子点的数值梯度值,/>表示初始种子点对应的第n个生长像素点的水平梯度值,/>表示初始种子点对应的第n个生长像素点数值梯度值,/>表示去噪图像中最大的梯度值,/>表示初始种子点与其对应的第n个生长像素点的梯度离散度;
其中,根据灰度矩阵归一化后的元素值和元素位置获取矩阵窗口的对比度的方法为:
式中,表示归一化灰度矩阵的列数,/>表示归一化灰度矩阵的行数,/>表示归一化灰度矩阵第j行第i列的元素值,/>表示矩阵窗口的对比度;
其中,根据矩阵窗口内不同像素点与初始种子点的灰度值差异获取矩阵窗口的灰度相似熵的方法为:
在矩阵窗口内将所有像素点的灰度值与初始种子点的灰度值作差,根据差值与预设阈值的比较将所有像素点分类,对于每一类像素点获取其数量记为第一数量,令第一数量与矩阵窗口内所有像素点的数量之比记为每一类像素点的出现频率;将每一类像素点的出现频率计算图像熵获取矩阵窗口的灰度相似熵;
其中,边缘粗糙度的获取方法为:
根据每个矩阵窗口的灰度相似熵和对比度获取每个矩阵窗口的边缘粗糙度,公式如下:
式中,表示矩阵窗口的灰度相似熵,/>表示矩阵窗口的对比度,/>表示矩阵窗口的边缘粗糙度;
其中,根据初始种子点和生长像素点的边缘粗糙度的差异获取初始种子点和生长像素点的相对粗糙度的方法为:
将初始种子点的边缘粗糙度和生长像素点的边缘粗糙度的差值取绝对值作为初始种子点与生长像素点的相对粗糙度;
其中,根据相似窗口内像素点的灰度值获取初始种子点和生长像素点的边缘连贯性的方法为:
获取相似窗口内像素点的灰度值均值,计算边缘连贯因子:
式中,表示初始种子点对应的相似窗口内第v个像素点的灰度值,/>表示生长像素点对应的相似窗口内第v个像素点的灰度值,/>表示初始种子点对应的相似窗口内像素点灰度值的平均值,/>表示生长像素点对应的相似窗口内像素点灰度值的平均值,/>表示相似窗口内像素点的数量,/>表示初始种子点与生长像素点的边缘连贯因子;以初始种子点和生长像素点为中心点分别获取一个/>的窗口记为相似窗口,/>;
将边缘连贯因子与初始种子点和生长像素点对应的灰度值差异相乘得到初始种子点和生长像素点的边缘连贯性;
其中,生长值的获取方法为:将初始种子点与生长像素点的梯度离散度、相对粗糙度、边缘连贯性加权求和获取生长值。
2.根据权利要求1所述的一种基于计算机视觉的原料油分离效果检测方法,其特征在于,所述在ROI区域中获取初始种子点的方法为:
对于梯度值最大的预设数量个像素点,计算所述像素点与其八邻域所有像素点的灰度值的标准差,将梯度最大的预设数量个像素点中每个像素点的梯度值和标准差相加,将梯度值和标准差相加最大值对应的像素点作为初始种子点。
3.根据权利要求1所述的一种基于计算机视觉的原料油分离效果检测方法,其特征在于,所述基于初始种子点获取生长像素点的方法为:
对于初始种子点,获取其梯度方向,做其梯度方向的垂线,垂线所指方向即为生长方向,生长方向有两个分别记为第一生长方向和第二生长方向;
将初始种子点沿着任意一个生长方向遇到的第一个像素点记为生长可能点,过生长可能点做生长方向的垂线,将生长可能点在垂线上两侧各取两个距离生长可能点最近的像素点,将生长可能点以及垂线上所取的距离生长可能点最近的四个像素点记为生长像素点。
4.根据权利要求1所述的一种基于计算机视觉的原料油分离效果检测方法,其特征在于,所述根据每个矩阵窗口获取其对应的灰度矩阵的方法为:
每个矩阵窗口在预设方向下获取若干灰度共生矩阵,所述灰度共生矩阵只有4个灰度级,步距为1,将预设数量个灰度共生矩阵加权获取每个矩阵窗口的灰度矩阵。
5.根据权利要求3所述的一种基于计算机视觉的原料油分离效果检测方法,其特征在于,所述根据生长值进行迭代获取生长边缘的方法为:
将生长值最小的生长像素点作为下一个种子点,并将下一个种子点记为初始种子点,直到生长方向中没有新的像素点为止,若第一生长方向和第二生长方向上都没有新的像素点,则将获取的所有种子点作为组合得到一条生长边缘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311008220.4A CN116721391B (zh) | 2023-08-11 | 2023-08-11 | 一种基于计算机视觉的原料油分离效果检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311008220.4A CN116721391B (zh) | 2023-08-11 | 2023-08-11 | 一种基于计算机视觉的原料油分离效果检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116721391A CN116721391A (zh) | 2023-09-08 |
CN116721391B true CN116721391B (zh) | 2023-10-31 |
Family
ID=87873840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311008220.4A Active CN116721391B (zh) | 2023-08-11 | 2023-08-11 | 一种基于计算机视觉的原料油分离效果检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116721391B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912277B (zh) * | 2023-09-12 | 2023-12-12 | 山东鲁泰化学有限公司 | 一种循环水除垢效果评估方法及*** |
CN116912250B (zh) * | 2023-09-13 | 2023-11-28 | 山东众成菌业股份有限公司 | 基于机器视觉的菌包生产质量检测方法 |
CN117422705B (zh) * | 2023-11-24 | 2024-04-05 | 太康精密(中山)有限公司 | 基于图像视觉的连接器端子质量检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5271064A (en) * | 1991-06-14 | 1993-12-14 | University Of Cincinnati | Apparatus and method for smoothing regions and enhancing edges in gray scale images |
CN106447688A (zh) * | 2016-03-31 | 2017-02-22 | 大连海事大学 | 一种高光谱溢油图像的有效分割方法 |
CN114627140A (zh) * | 2022-05-16 | 2022-06-14 | 新风光电子科技股份有限公司 | 基于高压变频器的煤矿通风机智能调节方法 |
CN115082721A (zh) * | 2022-07-22 | 2022-09-20 | 南通仁源节能环保科技有限公司 | 一种含油污水气浮法除污的压力控制方法 |
CN115100201A (zh) * | 2022-08-25 | 2022-09-23 | 淄博齐华制衣有限公司 | 一种阻燃纤维材料的混纺缺陷检测方法 |
CN115690106A (zh) * | 2023-01-03 | 2023-02-03 | 菏泽城建新型工程材料有限公司 | 一种基于计算机视觉的深埋锚具封闭检测方法 |
CN116363133A (zh) * | 2023-06-01 | 2023-06-30 | 无锡斯达新能源科技股份有限公司 | 基于机器视觉的照明器配件缺陷检测方法 |
-
2023
- 2023-08-11 CN CN202311008220.4A patent/CN116721391B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5271064A (en) * | 1991-06-14 | 1993-12-14 | University Of Cincinnati | Apparatus and method for smoothing regions and enhancing edges in gray scale images |
CN106447688A (zh) * | 2016-03-31 | 2017-02-22 | 大连海事大学 | 一种高光谱溢油图像的有效分割方法 |
CN114627140A (zh) * | 2022-05-16 | 2022-06-14 | 新风光电子科技股份有限公司 | 基于高压变频器的煤矿通风机智能调节方法 |
CN115082721A (zh) * | 2022-07-22 | 2022-09-20 | 南通仁源节能环保科技有限公司 | 一种含油污水气浮法除污的压力控制方法 |
CN115100201A (zh) * | 2022-08-25 | 2022-09-23 | 淄博齐华制衣有限公司 | 一种阻燃纤维材料的混纺缺陷检测方法 |
CN115690106A (zh) * | 2023-01-03 | 2023-02-03 | 菏泽城建新型工程材料有限公司 | 一种基于计算机视觉的深埋锚具封闭检测方法 |
CN116363133A (zh) * | 2023-06-01 | 2023-06-30 | 无锡斯达新能源科技股份有限公司 | 基于机器视觉的照明器配件缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
Automatic Road Crack Detection Using Random Structured Forests;Yong Shi et al.;《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》;第17卷(第12期);3434-3445 * |
基于边缘检测和种子自动区域生长算法的铝铸件图像分割;王蒙 等;《西安邮电学院学报》;16(6);16-19 * |
Also Published As
Publication number | Publication date |
---|---|
CN116721391A (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116721391B (zh) | 一种基于计算机视觉的原料油分离效果检测方法 | |
CN109145830B (zh) | 一种智能水尺识别方法 | |
CN112308832B (zh) | 一种基于机器视觉的轴承质量检测方法 | |
WO2021139258A1 (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN109447945B (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
CN109035273B (zh) | 一种免疫层析试纸卡的图像信号快速分割方法 | |
CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN111652213A (zh) | 一种基于深度学习的船舶水尺读数识别方法 | |
CN115187548A (zh) | 一种基于人工智能的机械零件缺陷检测方法 | |
CN112215790A (zh) | 基于深度学习的ki67指数分析方法 | |
CN115797352B (zh) | 一种用于中医保健体质检测的舌象图像处理*** | |
CN113420614A (zh) | 一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法 | |
CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
CN115731493A (zh) | 基于视频图像识别的降水微物理特征参量提取与分析方法 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN113470041B (zh) | 免疫组化细胞图像细胞核分割与计数方法和*** | |
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*** | |
CN115063375B (zh) | 一种对***试纸检测结果进行自动分析的图像识别方法 | |
CN115511814A (zh) | 一种基于兴趣区域多纹理特征融合的图像质量评价方法 | |
CN115546141A (zh) | 一种基于多维度度量的小样本Mini LED缺陷检测方法及*** | |
CN114881984A (zh) | 一种大米加工精度的检测方法、装置、电子设备及介质 | |
CN114373156A (zh) | 基于视频图像识别算法的非接触式水位流速流量智能监测*** |
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 |