CN116758077B - 一种冲浪板表面平整度在线检测方法及*** - Google Patents
一种冲浪板表面平整度在线检测方法及*** Download PDFInfo
- Publication number
- CN116758077B CN116758077B CN202311042269.1A CN202311042269A CN116758077B CN 116758077 B CN116758077 B CN 116758077B CN 202311042269 A CN202311042269 A CN 202311042269A CN 116758077 B CN116758077 B CN 116758077B
- Authority
- CN
- China
- Prior art keywords
- edge
- pixel
- surfboard
- points
- probability
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000003708 edge detection Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 27
- 230000005764 inhibitory process Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000001629 suppression Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 208000014674 injury Diseases 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
- JTJMJGYZQZDUJJ-UHFFFAOYSA-N phencyclidine Chemical compound C1CCCCN1C1(C=2C=CC=CC=2)CCCCC1 JTJMJGYZQZDUJJ-UHFFFAOYSA-N 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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
- G06T7/13—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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
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)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种冲浪板表面平整度在线检测方法及***,包括:获取冲浪板表面灰度图像;获取冲浪板表面纹理图像;获取冲浪板表面可能存在边缘的边缘块;根据冲浪板表面纹理图像中像素点的纹理一致性获取边缘块能够形成最终边缘的概率;根据处于Canny边缘检测算法的高阈值和低阈值之间的像素点所在边缘块能够形成最终边缘的概率、像素点与邻域像素点的梯度方向一致性以及像素点的梯度值与低阈值的差异获取像素点为边缘点的概率;根据概率阈值获取所有边缘点;获取冲浪板表面不平整区域;根据不平整区域的面积以及纹理粗糙度来获取冲浪板表面平整度测度。本发明提高了冲浪板表面平整度检测的检测精度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种冲浪板表面平整度在线检测方法及***。
背景技术
冲浪板表面的平整度检测是确保冲浪板的表面质量和性能达到要求的重要指标。通常,冲浪板表面应该是光滑平整的,可以提供更好的行使稳定性和灵活性,冲浪板表面不平整不仅会影响冲浪板的稳定性、增加摔倒和时空的风险,也会影响冲浪板的速度和滑行性能,更有可能对冲浪者造成人身伤害。因此,保持冲浪板表面的平整度非常重要,但是对于平整度缺陷不明显的冲浪板可能存在检测结果不准确的问题,因此产生了提高冲浪板表面平整度检测的研究需求。
边缘检测算法是提取目标区域的一种常用算法,但是由于/>边缘检测通常会生成比较多段或锯齿状的边缘线,这种不平滑的边缘线可能会造成平整度检测结果的不准确性,因此在冲浪板表面的平整度检测中,需要更精细和连续的边界显示以准确地评估平整度。本实施例提出一种基于/>算法的边缘点连接方法,提高/>边缘检测算法的精度。
发明内容
本发明提供一种冲浪板表面平整度在线检测方法及***,以解决现有的问题。
本发明的一种冲浪板表面平整度在线检测方法及***采用如下技术方案:
本发明一个实施例提供了一种冲浪板表面平整度在线检测方法,该方法包括以下步骤:
采集冲浪板表面图像,预处理获取冲浪板表面灰度图像;
根据预设窗口的像素均值替换中心像素点的像素值,并利用算法获取冲浪板表面灰度图像中像素点的/>值以及冲浪板表面纹理图像;
根据非极大值抑制算法获取非极大值抑制处理后的冲浪板表面灰度图像,根据处理后的冲浪板表面灰度图像进行连通域分析获取冲浪板表面可能存在边缘的所有边缘块;将获取的边缘块映射到冲浪板表面纹理图像中,根据冲浪板表面纹理图像中像素点的值获取每个边缘块能够形成最终边缘的概率;
预设边缘检测的高阈值和低阈值,根据高阈值和低阈值获取冲浪板表面灰度图像中处于高阈值和低阈值之间的像素点;根据处于高阈值和低阈值的像素点所在边缘块能够形成最终边缘的概率、像素点与邻域像素点的梯度方向一致性以及像素点的梯度值与低阈值的差异获取处于高阈值和低阈值之间的像素点为边缘点的概率;
根据处于高阈值和低阈值之间的像素点为边缘点的概率获取边缘点和非边缘点,通过连接所有的边缘点得到冲浪板表面不平整区域;
根据提取的冲浪板表面不平整区域的面积以及值来获取冲浪板表面平整度测度。
优选的,所述根据预设窗口的像素均值替换中心像素点的像素值,并利用算法获取冲浪板表面图像中像素点的/>值以及冲浪板表面纹理图像,包括的具体方法为:
以冲浪板表面灰度图像的每个像素点作为中心像素点构建窗口,以窗口内除中心像素点之外的8个像素点为中心构建/>的窗口,令8个像素点的像素值为以它为中心像素点的窗口内除中心像素点以外的所有像素点的像素均值;而后利用以每个像素点为中心像素点的窗口内除中心像素点之外的8个像素点的像素均值替换每个像素点的像素值,获取冲浪板表面灰度图像的每个像素点的新像素值;按照/>算法得到冲浪板表面灰度图像的每个像素点的/>值,获取冲浪板表面灰度图像所有像素点的/>值后,将得到的新的图像记为冲浪板表面的纹理图像。
优选的,所述根据处理后的冲浪板表面灰度图像进行连通域分析获取冲浪板表面可能存在边缘的所有边缘块,包括的具体方法为:
基于非极大值抑制处理后的冲浪板表面灰度图像进行连通域分析,通过保留的像素点之间的连通性获取多个可能存在边缘的区域块,将包含像素点的个数大于1的区域块作为边缘块,将仅包含一个像素点的区域块中像素点的像素值设为0,不作为边缘块。
优选的,所述根据冲浪板表面纹理图像中像素点的值获取每个边缘块能够形成最终边缘的概率,包括的具体公式为:
其中,表示第/>个边缘块的形成最终边缘的概率,/>表示第/>个边缘块的第/>个像素点的/>值,且/>,/>表示第/>个边缘块的像素点个数为/>个,/>表示第个边缘块的/>均值,/>表示第/>个边缘块的纹理一致性。
优选的,所述纹理一致性的获取方法为:
其中,表示第/>个边缘块的纹理一致性,/>表示第/>个边缘块中像素点经过线性归一化处理后的/>值方差,/>为超参数;/> 为正切函数。
优选的,所述像素点与邻域像素点的梯度方向一致性的获取方法为:
统计每个边缘块中处于高阈值和低阈值之间的像素点,计算每个处于高阈值和低阈值之间的像素点的8邻域像素点相对于8邻域中心像素点的梯度方向波动程度,获取每个边缘块中处于高阈值和低阈值之间的像素点的梯度方向波动程度,以每个边缘块中处于高阈值和低阈值之间的像素点的梯度方向波动程度作为像素点与邻域像素点的梯度方向一致性。
优选的,所述获取处于高阈值和低阈值之间的像素点为边缘点的概率的获取方法为:
其中,表示第/>个边缘块中第/>个处于高、低阈值之间的像素点为边缘点的概率,/>表示第/>个边缘块能够形成最终边缘的概率,/>表示第/>个边缘块中第/>个处于高、低阈值之间的像素点的梯度,/>表示设定的低阈值,/>表示第/>个边缘块中第/>个处于高、低阈值之间的像素点的梯度方向,/>表示第/>个边缘块中第/>个处于高、低阈值之间的像素点的8邻域中第/>个相邻点的梯度方向。
优选的,所述根据处于高阈值和低阈值之间的像素点为边缘点的概率获取边缘点和非边缘点,通过连接所有的边缘点得到冲浪板表面不平整区域,包括的具体方法为:
获取处于高阈值和低阈值之间的像素点为边缘点的概率后,预设一个概率阈值,将概率大于预设概率阈值的像素点划分为边缘点,将小于预设概率阈值的像素点划分为非边缘点,获取每个边缘块中存在的边缘点并进行连接,得到冲浪板表面不平整区域的边缘,提取到不平整区域。
优选的,所述根据提取的冲浪板表面不平整区域的面积以及值来获取冲浪板表面平整度测度,包括的具体公式为:
其中,表示冲浪板表面的平整度,/>表示不平整区域的面积,/>表示不平整区域的平均/>值。
本发明的实施例提供了一种冲浪板表面平整度在线检测***,该***包括以下模块:
图像预处理模块,用于采集冲浪板表面图像,预处理获取冲浪板表面灰度图像;
纹理图像获取模块,用于根据预设窗口的像素均值替换中心像素点的像素值,并利用算法获取冲浪板表面灰度图像中像素点的/>值以及冲浪板表面纹理图像;
边缘块形成边缘概率模块,用于根据非极大值抑制算法获取非极大值抑制处理后的冲浪板表面灰度图像,根据处理后的冲浪板表面灰度图像进行连通域分析获取冲浪板表面可能存在边缘的所有边缘块;将获取的边缘块映射到冲浪板表面纹理图像中,根据冲浪板表面纹理图像中像素点的值获取每个边缘块能够形成最终边缘的概率;
边缘点概率确定模块,用于预设边缘检测的高阈值和低阈值,根据高阈值和低阈值获取冲浪板表面灰度图像中处于高阈值和低阈值之间的像素点;根据处于高阈值和低阈值的像素点所在边缘块能够形成最终边缘的概率、像素点与邻域像素点的梯度方向一致性以及像素点的梯度值与低阈值的差异获取处于高阈值和低阈值之间的像素点为边缘点的概率;
不平整区域提取模块,根据处于高阈值和低阈值之间的像素点为边缘点的概率获取边缘点和非边缘点,通过连接所有的边缘点得到冲浪板表面不平整区域;
平整度测度模块,根据提取的冲浪板表面不平整区域的面积以及值来获取冲浪板表面平整度测度。
本发明的技术方案的有益效果是:通过分析非极大值抑制处理后的冲浪板表面图像中可能存在边缘的边缘块的纹理一致性,分块计算了每个边缘块能够形成最终边缘的概率,在减少计算量的同时增强了区域自适应性;再结合每个边缘块能够形成最终边缘的概率获取边缘块中处于高阈值和低阈值之间的像素点为边缘点的概率,从区域和分像素点量化增强了边缘点判断的稳定性,获取更精确的边缘像素点,防止多段边缘的产生并使获取的不平整区域边缘更平滑,提高冲浪板表面平整度的检测精度。
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为本发明的一种冲浪板表面平整度在线检测方法的步骤流程图;
图2为本发明的一种冲浪板表面平整度在线检测***的结构框图。
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冲浪板表面平整度在线检测方法及***,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冲浪板表面平整度在线检测方法及***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冲浪板表面平整度在线检测方法的步骤流程图,该方法包括以下步骤:
S001.采集冲浪板表面图像并进行灰度化处理。
需要说明的是,边缘检测算法是一种常用的边缘分割方法,能够根据对比度提取目标区域,但是/>边缘检测算法受图像噪声影响较大,因此本实施例在采集冲浪板表面图像时选择相对安静的环境,并光照条件充足且均匀的条件下,在垂直于冲浪板表面正上方设置工业相机拍摄冲浪板表面图像,为方便后续的图像处理,对冲浪板表面图像进行线性灰度化处理,获得冲浪板表面灰度图像。其中线性灰度化是公知技术,本实施例不进行叙述。
至此,获取冲浪板表面灰度图像。
S002.根据LBP算法获取冲浪板表面灰度图像的纹理图像。
需要说明的是,利用算法提取冲浪板表面灰度图像的纹理特征时,由于像素计算过于粗糙,简单地把大于等于中心区域像素值的取为1,反之则取为0,这样可能导致误判,从而损失了准确率,因此本实施例以冲浪板表面灰度图像的每个像素点作为中心像素点构建/>窗口,将窗口内除中心像素点外的8个像素点与中心像素点进行比较。
需要说明的是,为了扩大局部计算的范围,本实施例利用窗口像素均值替换中心像素点的像素值及窗口内的其他8个像素点的像素值,本实施例以冲浪板表面灰度图像的第/>个像素点为例进行阐述,具体实施过程如下:
以冲浪板表面灰度图像的第个像素点作为中心像素点构建/>窗口,记中心像素点的像素值为/>,利用/>表示窗口内除中心像素点之外的8个像素点的像素值,首先以窗口内除中心像素点之外的8个像素点/>为中心构建/>的窗口,令8个像素点的像素值/>为以它为中心像素点的窗口内除中心像素点以外的所有像素点的像素均值,记替换后除中心像素点之外的8个像素点中第/>个像素点的像素值/>为像素均值/>;而后利用以第/>个像素点为中心像素点的窗口内除中心像素点之外的8个像素点的像素均值替换第/>个像素点的像素值/>,记为/>。对比/>与/>的大小:若,则将以第/>个像素点为中心像素点的窗口中的第/>个像素点的位置标记为1;若,则将以第/>个像素点为中心像素点的窗口中的第/>个像素点的位置标记为0。这样将以第/>个像素点为中心像素点的窗口内的8个像素点与中心像素点比较后可产生8位二进制数,将二进制数转化为十进制并将该十进制数作为第/>个像素点的像素值保存起来,记为/>,表示第/>个像素点的/>值。遍历整张图像后,得到一张新的冲浪板表面图像,则将得到的新的图像记为冲浪板表面的纹理图像。
至此,获取了冲浪板表面的纹理图像。
S003.获取非极大值抑制处理后的冲浪板表面灰度图像,分析非零像素点的分布情况获取冲浪板表面灰度图像中多个可能存在边缘的边缘块,将划分后的冲浪板表面灰度图像与纹理图像一一映射,获取每个边缘块内能够形成最终边缘的概率。
需要说明的是,为解决边缘检测算法造成的多段边缘问题,需要提高边缘像素点判断的准确性,经过非极大值抑制处理后能够使边缘像素点的判断更细化,但是需要注意的是,基于非极大值抑制处理后的图像在结合高低阈值判断时,对于处于高低阈值之间的像素点仅参考邻域像素点的属性判断像素点是否为边缘像素点的操作缺少稳定性。由于纹理一致性测度也可以反映冲浪板图像局部区域为边缘区域的概率,因此本实施例首先获取冲浪板表面非极大值抑制处理后的图像,并分析非零像素点的分布情况以获取多个可能存在边缘的边缘块,而后将获取多个边缘块后的图像映射到纹理图像,分区域计算边缘块的纹理一致性,为后续判断边缘块中的像素点是否为边缘像素点提供依据。
需要说明的是,非极大值抑制步骤能够保留局部梯度极大值,通过对比令局部梯度较小的像素点的像素值归于0,因此,本实施例首先基于非极大值抑制处理后的冲浪板表面灰度图像进行连通域分析,通过保留的像素点之间的连通性获取多个可能存在边缘的区域块,并将这些区域块记为边缘块,需要注意的是,由于噪声的影响,获取的连通域可能存在孤立且只占据一个像素点的连通域,为避免噪声的影响,本实施例令处于这些连通域的像素点的像素值为0。
需要说明的是,将剔除噪声点后获取的边缘块个数记为个,若边缘块的纹理一致性越强说明该边缘块形成最终边缘的概率越大,反之则越小;因此本实施例根据每个边缘块的/>值量化边缘块的纹理一致性,并根据纹理一致性确定每个边缘块形成最终边缘的概率。具体计算公式如下:
其中,表示第/>个边缘块的形成最终边缘的概率,/>表示第/>个边缘块的第/>个像素点的/>值,且/>,/>表示第/>个边缘块的像素点个数为/>个,则利用/>表示第/>个边缘块的/>均值,/>表示第/>个边缘块的纹理一致性,/>表示第/>个边缘块中像素点经过线性归一化处理后的/>值方差,/>为超参数,本实施例以/>进行阐述,由于方差/>之间,因此利用/>调整定义域的取值范围。需要注意的是,为方便后续判断像素点为边缘像素点的概率,利用线性归一化方法使/>。
需要说明的是,每个边缘块的值方差可以量化边缘块内纹理特征的一致性,若方差越大则说明像素点的纹理特征表现差异大,纹理一致性越弱;方差越小说明边缘块的纹理特征表现相似,纹理一致性越强,因此本实施例根据/>函数量化两者之间的负相关关系,获取每个边缘块的纹理一致性结果。而后结合每个边缘块的/>值均值量化每个边缘块能够形成边缘 的概率,由于偏大的/>值可以表示边缘块存在较强的纹理变化或细节,能够更多对应于能够形成边缘的边缘块,而较小的/>值可能表明边缘块趋于平滑,形成最终边缘的概率较小。因此,本实施例利用每个边缘块的/>值均值结合纹理一致性获取每个边缘块中形成最终边缘的概率。
至此,获取了每个边缘块能够形成最终边缘的概率。
S004.根据每个边缘块能够形成最终边缘的概率以及像素点与高阈值之间的差异确定处于高低阈值之间的像素点为边缘像素点的概率。
需要说明的是,在完成边缘检测过程中的非极大值抑制步骤后,需要设置高阈值和低阈值,将保留的像素点中梯度大于高阈值的像素点划分为边缘像素点,将梯度小于低阈值的像素点划分为非边缘点,对于处于高、低阈值之间的像素点,若像素点的8邻域内存在边缘点则将其划分为边缘点,若不存在则划分为非边缘点。这样的操作过于绝对,容易造成多段的边缘,不利于提取冲浪板的不平整区域进行检测,因此本实施例在根据高、低阈值获取准确的边缘点和非边缘点后,对于处于两个阈值之间的像素点根据像素点所处的边缘块能够形成最终边缘的概率、像素点梯度与低阈值的差异以及像素点8邻域内像素点的梯度方向一致性确定是否将像素点划分为边缘像素点。
需要说明的是,处于高低阈值之间的像素点,若从整体的角度量化像素点为边缘点的概率,可以通过像素点所在的边缘块中能够形成最终边缘的概率:像素点所在的边缘块能够形成最终边缘的概率越大说明将像素点划分为边缘点的概率越大,反之则越小;由于高、低阈值的设置一般由人为经验获取,直接根据大小关系划分边缘点缺少自适应性,因此本实施例量化像素点梯度与低阈值之间的差异:若处于高、低阈值之间的像素点的梯度值与低阈值的差异越大说明说明像素点在它所在的局部区域表现特征越明显,那么可以将像素点划分为边缘像素点的概率越大;同时由于连续的处于高、低阈值之间的像素点可能无法检测,因此本实施例结合像素点8邻域内像素点的梯度方向一致性构建梯度值处于高、低阈值之间的像素点为边缘像素点的概率公式,具体计算公式如下:
其中,表示第/>个边缘块中第/>个处于高、低阈值之间的像素点为边缘点的概率,/>表示第/>个边缘块能够形成最终边缘的概率,/>表示第/>个边缘块中第/>个处于高、低阈值之间的像素点的梯度,/>表示设定的低阈值,则利用/>量化检测的第/>个边缘块中第/>个处于高、低阈值之间的像素点与低阈值之间的差值,/>表示第/>个边缘块中第/>个处于高、低阈值之间的像素点的梯度方向,/>表示第/>个边缘块中第/>个处于高、低阈值之间的像素点的8邻域中第/>个相邻点的梯度方向,且/>,利用/>量化第/>个边缘块中第/>个处于高、低阈值之间的像素点的8邻域像素点相对于第/>个像素点的梯度方向波动程度,也可以用来表示像素点与邻域内像素点的梯度方向一致性。
需要说明的是,由于像素点梯度与低阈值之间的差异越大说明像素点在局部图像中的表现特征越明显,则可以将像素点划分为边缘点的概率越大,因此与与将像素点划分为边缘点的概率呈现正相关关系;像素点的8邻域内像素点的梯度方向相对于像素点梯度方向的波动越大,说明像素点与邻域像素点的梯度方向差异越大,也就是梯度方向的一致性越弱,像素点与邻域像素点的梯度方向一致性越弱说明像素点与邻域像素点形成边缘的概率越小,将像素点划分为边缘像素点的概率就越小,因此/>与将像素点划分为边缘点的概率呈现负相关关系;像素点梯度与低阈值之间的差值以及像素点与邻域像素点的梯度方向一致性都从基于局部区域为确定像素点为边缘像素点的概率提供了依据。同时,从图像整体出发,根据处于高低阈值之间的像素点所在的边缘块能够形成最终边缘的概率出发,若第/>个像素点所在的第/>个边缘块的形成最终边缘的概率/>越大,则将第/>个像素点判定为边缘点的概率就越大。
至此,获取了梯度值处于高低阈值之间的像素点为边缘像素点的概率。
S005.根据梯度值处于高、低阈值之间的像素点为边缘像素点的概率获取边缘像素点并连接获取冲浪板表面的不平整区域。
需要说明的是,根据获取的梯度值处于高、低阈值之间的像素点为边缘像素点的概率,为方便后续与预设阈值进性比较,对得到的第个边缘块中第/>个处于高、低阈值之间的像素点为边缘点的概率/>进行线性归一化处理,而后预设一个概率阈值/>,本实施例以为例进行叙述,本实施例不进行具体限定,其中/>可根据具体实施情况而定。
若,则将第/>个边缘块中第/>个处于高、低阈值之间的像素点划分为边缘点,反之则划分为非边缘点。将所有获取的边缘点连接获取冲浪板表面不平整区域。
S006.根据获取的不平整区域构建冲浪板表面平整度检测公式。
需要说明的是,通过边缘检测分割提取到的不平整区域,若提取到的不平整区域面积和粗糙度越大,说明冲浪板表面的平整度越低。需要说明的是,可以利用不平整区域的值量化不平整区域的粗糙度,若不平整区域的/>值均值越大说明该不平整区域的纹理特征越复杂,也就是说不平整区域的粗糙度越大。因此,本发明实施例通过检测不平整区域的面积以及纹理的粗糙程度量化冲浪板表面的平整度检测公式,具体表达形式如下:
其中,表示冲浪板表面的平整度,/>表示通过边缘检测提取到的不平整区域的面积,/>表示通过边缘检测提取到的不平整区域的平均/>值,用以量化不平整区域的粗糙度。
需要说明的是,由于提取到的不平整区域的面积以及值均与冲浪板表面的平整度呈现负相关关系,因此本实施例通过构建平整度与不平整区域的面积以及/>值的反比例关系检测平整度。
通过以上步骤,完成冲浪板表面平整度在线检测。
请参阅图2,其示出了本实施例提供的一种冲浪板表面平整度在线检测***的结构框图,该***包括以下模块:
图像预处理模块101,用于采集冲浪板表面图像,预处理获取冲浪板表面灰度图像;
纹理图像获取模块102,用于根据预设窗口的像素均值替换中心像素点的像素值,并利用算法获取冲浪板表面灰度图像中像素点的/>值以及冲浪板表面纹理图像;
边缘块形成边缘概率模块103,用于根据非极大值抑制算法获取非极大值抑制处理后的冲浪板表面灰度图像,根据处理后的冲浪板表面灰度图像进行连通域分析获取冲浪板表面可能存在边缘的所有边缘块;将获取的边缘块映射到冲浪板表面纹理图像中,根据冲浪板表面纹理图像中像素点的值获取每个边缘块能够形成最终边缘的概率;
边缘点概率确定模块104,用于预设边缘检测的高阈值和低阈值,根据高阈值和低阈值获取冲浪板表面灰度图像中处于高阈值和低阈值之间的像素点;根据处于高阈值和低阈值的像素点所在边缘块能够形成最终边缘的概率、像素点与邻域像素点的梯度方向一致性以及像素点的梯度值与低阈值的差异获取处于高阈值和低阈值之间的像素点为边缘点的概率;
不平整区域提取模块105,根据处于高阈值和低阈值之间的像素点为边缘点的概率获取边缘点和非边缘点,通过连接所有的边缘点得到冲浪板表面不平整区域;
平整度测度模块106,根据提取的冲浪板表面不平整区域的面积以及值来获取冲浪板表面平整度测度。
本实施例通过分析非极大值抑制处理后的冲浪板表面图像中可能存在边缘的边缘块的纹理一致性,分块计算了每个边缘块能够形成最终边缘的概率,在减少计算量的同时增强了区域自适应性;再结合每个边缘块能够形成最终边缘的概率获取边缘块中处于高阈值和低阈值之间的像素点为边缘点的概率,从区域和分像素点量化增强了边缘点判断的稳定性,获取更精确的边缘像素点,防止多段边缘的产生并使获取的不平整区域边缘更平滑,提高冲浪板表面平整度的检测精度。
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 (7)
1.一种冲浪板表面平整度在线检测方法,其特征在于,该方法包括以下步骤:
采集冲浪板表面图像,预处理获取冲浪板表面灰度图像;
根据预设窗口的像素均值替换中心像素点的像素值,并利用算法获取冲浪板表面灰度图像中像素点的/>值以及冲浪板表面纹理图像;
根据非极大值抑制算法获取非极大值抑制处理后的冲浪板表面灰度图像,根据处理后的冲浪板表面灰度图像进行连通域分析获取冲浪板表面可能存在边缘的所有边缘块;将获取的边缘块映射到冲浪板表面纹理图像中,根据冲浪板表面纹理图像中像素点的值获取每个边缘块能够形成最终边缘的概率;
预设边缘检测的高阈值和低阈值,根据高阈值和低阈值获取冲浪板表面灰度图像中处于高阈值和低阈值之间的像素点;根据处于高阈值和低阈值的像素点所在边缘块能够形成最终边缘的概率、像素点与邻域像素点的梯度方向一致性以及像素点的梯度值与低阈值的差异获取处于高阈值和低阈值之间的像素点为边缘点的概率;
根据处于高阈值和低阈值之间的像素点为边缘点的概率获取边缘点和非边缘点,通过连接所有的边缘点得到冲浪板表面不平整区域;
根据提取的冲浪板表面不平整区域的面积以及值来获取冲浪板表面平整度测度;
所述根据冲浪板表面纹理图像中像素点的值获取每个边缘块能够形成最终边缘的概率,包括的具体公式为:
其中,表示第/>个边缘块的形成最终边缘的概率,/>表示第/>个边缘块的第/>个像素点的/>值,且/>,/>表示第/>个边缘块的像素点个数为/>个,/>表示第/>个边缘块的/>均值,/>表示第/>个边缘块的纹理一致性;
所述纹理一致性的获取方法为:
其中,表示第/>个边缘块的纹理一致性,/>表示第/>个边缘块中像素点经过线性归一化处理后的/>值方差,/>为超参数;/> 为正切函数;
所述获取处于高阈值和低阈值之间的像素点为边缘点的概率的获取方法为:
其中,表示第/>个边缘块中第/>个处于高、低阈值之间的像素点为边缘点的概率,/>表示第/>个边缘块能够形成最终边缘的概率,/>表示第/>个边缘块中第/>个处于高、低阈值之间的像素点的梯度,/>表示设定的低阈值,/>表示第/>个边缘块中第/>个处于高、低阈值之间的像素点的梯度方向,/>表示第/>个边缘块中第/>个处于高、低阈值之间的像素点的8邻域中第/>个相邻点的梯度方向。
2.根据权利要求1所述一种冲浪板表面平整度在线检测方法,其特征在于,所述根据预设窗口的像素均值替换中心像素点的像素值,并利用算法获取冲浪板表面图像中像素点的/>值以及冲浪板表面纹理图像,包括的具体方法为:
以冲浪板表面灰度图像的每个像素点作为中心像素点构建窗口,以窗口内除中心像素点之外的8个像素点为中心构建/>的窗口,令8个像素点的像素值为以它为中心像素点的窗口内除中心像素点以外的所有像素点的像素均值;而后利用以每个像素点为中心像素点的窗口内除中心像素点之外的8个像素点的像素均值替换每个像素点的像素值,获取冲浪板表面灰度图像的每个像素点的新像素值;按照/>算法得到冲浪板表面灰度图像的每个像素点的/>值,获取冲浪板表面灰度图像所有像素点的/>值后,将得到的新的图像记为冲浪板表面的纹理图像。
3.根据权利要求1所述一种冲浪板表面平整度在线检测方法,其特征在于,所述根据处理后的冲浪板表面灰度图像进行连通域分析获取冲浪板表面可能存在边缘的所有边缘块,包括的具体方法为:
基于非极大值抑制处理后的冲浪板表面灰度图像进行连通域分析,通过保留的像素点之间的连通性获取多个可能存在边缘的区域块,将包含像素点的个数大于1的区域块作为边缘块,将仅包含一个像素点的区域块中像素点的像素值设为0,不作为边缘块。
4.根据权利要求1所述一种冲浪板表面平整度在线检测方法,其特征在于,所述像素点与邻域像素点的梯度方向一致性的获取方法为:
统计每个边缘块中处于高阈值和低阈值之间的像素点,计算每个处于高阈值和低阈值之间的像素点的8邻域像素点相对于8邻域中心像素点的梯度方向波动程度,获取每个边缘块中处于高阈值和低阈值之间的像素点的梯度方向波动程度,以每个边缘块中处于高阈值和低阈值之间的像素点的梯度方向波动程度作为像素点与邻域像素点的梯度方向一致性。
5.根据权利要求1所述一种冲浪板表面平整度在线检测方法,其特征在于,所述根据处于高阈值和低阈值之间的像素点为边缘点的概率获取边缘点和非边缘点,通过连接所有的边缘点得到冲浪板表面不平整区域,包括的具体方法为:
获取处于高阈值和低阈值之间的像素点为边缘点的概率后,预设一个概率阈值,将概率大于预设概率阈值的像素点划分为边缘点,将小于预设概率阈值的像素点划分为非边缘点,获取每个边缘块中存在的边缘点并进行连接,得到冲浪板表面不平整区域的边缘,提取到不平整区域。
6.根据权利要求1所述一种冲浪板表面平整度在线检测方法,其特征在于,所述根据提取的冲浪板表面不平整区域的面积以及值来获取冲浪板表面平整度测度,包括的具体公式为:
其中,表示冲浪板表面的平整度,/>表示不平整区域的面积,/>表示不平整区域的平均/>值。
7.一种冲浪板表面平整度在线检测***,其特征在于,该***包括以下模块:
图像预处理模块,用于采集冲浪板表面图像,预处理获取冲浪板表面灰度图像;
纹理图像获取模块,用于根据预设窗口的像素均值替换中心像素点的像素值,并利用算法获取冲浪板表面灰度图像中像素点的/>值以及冲浪板表面纹理图像;
边缘块形成边缘概率模块,用于根据非极大值抑制算法获取非极大值抑制处理后的冲浪板表面灰度图像,根据处理后的冲浪板表面灰度图像进行连通域分析获取冲浪板表面可能存在边缘的所有边缘块;将获取的边缘块映射到冲浪板表面纹理图像中,根据冲浪板表面纹理图像中像素点的值获取每个边缘块能够形成最终边缘的概率;
所述根据冲浪板表面纹理图像中像素点的值获取每个边缘块能够形成最终边缘的概率,包括的具体公式为:
其中,表示第/>个边缘块的形成最终边缘的概率,/>表示第/>个边缘块的第/>个像素点的/>值,且/>,/>表示第/>个边缘块的像素点个数为/>个,/>表示第/>个边缘块的/>均值,/>表示第/>个边缘块的纹理一致性;
所述纹理一致性的获取方法为:
其中,表示第/>个边缘块的纹理一致性,/>表示第/>个边缘块中像素点经过线性归一化处理后的/>值方差,/>为超参数;/> 为正切函数;
边缘点概率确定模块,用于预设边缘检测的高阈值和低阈值,根据高阈值和低阈值获取冲浪板表面灰度图像中处于高阈值和低阈值之间的像素点;根据处于高阈值和低阈值的像素点所在边缘块能够形成最终边缘的概率、像素点与邻域像素点的梯度方向一致性以及像素点的梯度值与低阈值的差异获取处于高阈值和低阈值之间的像素点为边缘点的概率;
所述获取处于高阈值和低阈值之间的像素点为边缘点的概率的获取方法为:
其中,表示第/>个边缘块中第/>个处于高、低阈值之间的像素点为边缘点的概率,/>表示第/>个边缘块能够形成最终边缘的概率,/>表示第/>个边缘块中第/>个处于高、低阈值之间的像素点的梯度,/>表示设定的低阈值,/>表示第/>个边缘块中第/>个处于高、低阈值之间的像素点的梯度方向,/>表示第/>个边缘块中第/>个处于高、低阈值之间的像素点的8邻域中第/>个相邻点的梯度方向;
不平整区域提取模块,根据处于高阈值和低阈值之间的像素点为边缘点的概率获取边缘点和非边缘点,通过连接所有的边缘点得到冲浪板表面不平整区域;
平整度测度模块,根据提取的冲浪板表面不平整区域的面积以及值来获取冲浪板表面平整度测度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311042269.1A CN116758077B (zh) | 2023-08-18 | 2023-08-18 | 一种冲浪板表面平整度在线检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311042269.1A CN116758077B (zh) | 2023-08-18 | 2023-08-18 | 一种冲浪板表面平整度在线检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116758077A CN116758077A (zh) | 2023-09-15 |
CN116758077B true CN116758077B (zh) | 2023-10-20 |
Family
ID=87951875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311042269.1A Active CN116758077B (zh) | 2023-08-18 | 2023-08-18 | 一种冲浪板表面平整度在线检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116758077B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116957990B (zh) * | 2023-09-19 | 2023-12-08 | 东莞市华复实业有限公司 | 一种户外水表数据视觉采集方法 |
CN117115196B (zh) * | 2023-10-25 | 2024-02-06 | 东莞雕宝自动化设备有限公司 | 一种切割机刀具磨损视觉检测方法及*** |
CN117437279B (zh) * | 2023-12-12 | 2024-03-22 | 山东艺达环保科技有限公司 | 一种包装盒表面平整度检测方法及*** |
CN117495863B (zh) * | 2024-01-03 | 2024-04-02 | 深圳宝铭微电子有限公司 | 一种视觉辅助的三极管封装质量检测方法 |
CN117686096B (zh) * | 2024-01-30 | 2024-04-16 | 大连云智信科技发展有限公司 | 一种基于目标检测的畜禽动物体温检测方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003187252A (ja) * | 2001-12-18 | 2003-07-04 | Aisin Seiki Co Ltd | 車線境界検出装置 |
CN103886589A (zh) * | 2014-02-27 | 2014-06-25 | 四川农业大学 | 面向目标的自动化高精度边缘提取方法 |
CN106127145A (zh) * | 2016-06-21 | 2016-11-16 | 重庆理工大学 | 瞳孔定位及跟踪方法 |
WO2017032308A1 (zh) * | 2015-08-25 | 2017-03-02 | 广州视源电子科技股份有限公司 | 一种pcb板检测方法及装置 |
CN109102528A (zh) * | 2018-08-07 | 2018-12-28 | 上海海事大学 | 一种船舶跟踪方法及*** |
CN111080700A (zh) * | 2019-12-11 | 2020-04-28 | 中国科学院自动化研究所 | 医疗器械图像检测方法及装置 |
CN111639550A (zh) * | 2020-05-13 | 2020-09-08 | 燕山大学 | 基于多尺度融合lbp和改进深度置信网络的指静脉识别方法 |
CN111985329A (zh) * | 2020-07-16 | 2020-11-24 | 浙江工业大学 | 基于FCN-8s和改进Canny边缘检测的遥感图像信息提取方法 |
CN115272346A (zh) * | 2022-09-30 | 2022-11-01 | 江苏炜盛光电科技有限公司 | 一种基于边缘检测的pcb板生产过程在线检测方法 |
CN115311746A (zh) * | 2022-07-22 | 2022-11-08 | 浙江工业大学 | 一种基于多特征融合的离线签名真伪检测方法 |
CN115578603A (zh) * | 2022-11-11 | 2023-01-06 | 电子科技大学 | 基于多特征提取的人参属植株叶片识别方法 |
GB2610449A (en) * | 2021-09-06 | 2023-03-08 | Harbin Inst Technology | Efficient high-resolution non-destructive detecting method based on convolutional neural network |
CN115937237A (zh) * | 2022-12-28 | 2023-04-07 | 南昌师范学院 | 一种基于边缘变换域的局部特征提取方法 |
CN116229423A (zh) * | 2023-03-16 | 2023-06-06 | 东华大学 | 基于改进的Canny边缘检测算法和SVM的无人驾驶中的小目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10753881B2 (en) * | 2016-05-27 | 2020-08-25 | Purdue Research Foundation | Methods and systems for crack detection |
-
2023
- 2023-08-18 CN CN202311042269.1A patent/CN116758077B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003187252A (ja) * | 2001-12-18 | 2003-07-04 | Aisin Seiki Co Ltd | 車線境界検出装置 |
CN103886589A (zh) * | 2014-02-27 | 2014-06-25 | 四川农业大学 | 面向目标的自动化高精度边缘提取方法 |
WO2017032308A1 (zh) * | 2015-08-25 | 2017-03-02 | 广州视源电子科技股份有限公司 | 一种pcb板检测方法及装置 |
CN106127145A (zh) * | 2016-06-21 | 2016-11-16 | 重庆理工大学 | 瞳孔定位及跟踪方法 |
CN109102528A (zh) * | 2018-08-07 | 2018-12-28 | 上海海事大学 | 一种船舶跟踪方法及*** |
CN111080700A (zh) * | 2019-12-11 | 2020-04-28 | 中国科学院自动化研究所 | 医疗器械图像检测方法及装置 |
CN111639550A (zh) * | 2020-05-13 | 2020-09-08 | 燕山大学 | 基于多尺度融合lbp和改进深度置信网络的指静脉识别方法 |
CN111985329A (zh) * | 2020-07-16 | 2020-11-24 | 浙江工业大学 | 基于FCN-8s和改进Canny边缘检测的遥感图像信息提取方法 |
GB2610449A (en) * | 2021-09-06 | 2023-03-08 | Harbin Inst Technology | Efficient high-resolution non-destructive detecting method based on convolutional neural network |
CN115311746A (zh) * | 2022-07-22 | 2022-11-08 | 浙江工业大学 | 一种基于多特征融合的离线签名真伪检测方法 |
CN115272346A (zh) * | 2022-09-30 | 2022-11-01 | 江苏炜盛光电科技有限公司 | 一种基于边缘检测的pcb板生产过程在线检测方法 |
CN115578603A (zh) * | 2022-11-11 | 2023-01-06 | 电子科技大学 | 基于多特征提取的人参属植株叶片识别方法 |
CN115937237A (zh) * | 2022-12-28 | 2023-04-07 | 南昌师范学院 | 一种基于边缘变换域的局部特征提取方法 |
CN116229423A (zh) * | 2023-03-16 | 2023-06-06 | 东华大学 | 基于改进的Canny边缘检测算法和SVM的无人驾驶中的小目标检测方法 |
Non-Patent Citations (1)
Title |
---|
黄剑玲 ; 邹辉 ; .一种精确的自适应图像边缘提取方法.计算机工程与科学.2009,(第09期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116758077A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116758077B (zh) | 一种冲浪板表面平整度在线检测方法及*** | |
CN110097034B (zh) | 一种智能人脸健康程度的识别与评估方法 | |
CN117078672B (zh) | 基于计算机视觉的手机屏幕缺陷智能检测方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN117237368B (zh) | 一种桥梁裂缝检测方法及*** | |
CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
CN109658391B (zh) | 一种基于轮廓归并和凸包拟合的圆半径测量方法 | |
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN116993731B (zh) | 基于图像的盾构机刀头缺陷检测方法 | |
CN117011292B (zh) | 一种复合板表面质量快速检测方法 | |
CN116542972B (zh) | 基于人工智能的墙板表面缺陷快速检测方法 | |
CN104680553B (zh) | 基于双边滤波的可变核函数目标跟踪方法 | |
CN115690105B (zh) | 一种基于计算机视觉的铣刀划痕检测方法 | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理*** | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116993726B (zh) | 一种矿物铸件检测方法及*** | |
CN116958144B (zh) | 一种新能源连接线表面瑕疵区域快速定位方法及*** | |
CN115359053A (zh) | 一种金属板材缺陷智能检测方法及*** | |
CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
CN116071692A (zh) | 一种基于形态学图像处理的水尺水位识别方法及*** | |
CN116612112A (zh) | 一种水桶表面缺陷视觉检测方法 | |
CN110136146B (zh) | 基于正弦spf分布和水平集模型的sar图像水域分割方法 | |
CN112801141B (zh) | 基于模板匹配和孪生神经网络优化的异源图像匹配方法 | |
CN116503426B (zh) | 基于图像处理的超声图像分割方法 | |
CN117541582A (zh) | 一种高频变频器igbt绝缘质量检测方法 |
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 |