CN116883401A - 一种工业产品生产质量检测*** - Google Patents
一种工业产品生产质量检测*** Download PDFInfo
- Publication number
- CN116883401A CN116883401A CN202311146161.7A CN202311146161A CN116883401A CN 116883401 A CN116883401 A CN 116883401A CN 202311146161 A CN202311146161 A CN 202311146161A CN 116883401 A CN116883401 A CN 116883401A
- Authority
- CN
- China
- Prior art keywords
- edge
- image
- pixel
- industrial product
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 18
- 230000007547 defect Effects 0.000 claims abstract description 44
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 31
- 230000014759 maintenance of location Effects 0.000 claims description 24
- 238000003708 edge detection Methods 0.000 claims description 23
- 238000007689 inspection Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 14
- 230000000875 corresponding effect Effects 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000002708 enhancing effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000007619 statistical method 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
- G06T7/13—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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种工业产品生产质量检测***。该***通过图像采集模块获取检测工业产品的表面图像;在图像增强模块中根据不同阈值下的边缘图,分析图中边缘点的信息,获取最优边缘图中边缘像素点的目标程度,进而获取最优尺寸并对其子块进行图像增强,获取待检测工业产品增强图像;通过图像特征提取模块获取待检测的工业产品表面图像的缺陷程度;通过产品质量检测模块,对工业产品表面图像的缺陷程度进行质量判断,完成生产质量检测。本发明通过对工业产品表面图像进行局部增强,避免了不必要的对比度增强或细节损失,使得图像中缺陷区域更明显,提高缺陷的检测率和准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种工业产品生产质量检测***。
背景技术
工业产品生产质量检测是工业生产中的重要环节之一,旨在及时发现和排除产品中的缺陷,确保产品质量达到标准要求。在工业产品缺陷检测中,一些缺陷可能与周围区域的对比度较低,难以观察或检测到,同时产品的缺陷往往以纹理、边缘或其他微小的细节形式存在,且产品表面可能出现灰度变化不均匀的情况,导致难以很好的进行生产质量的准确判断,所以需要对采集的待检测工业产品图像进行图像增强处理。
现有的常用的图像增强技术主要是对图像的亮度、对比度、色调、饱和度等进行调节,实现图像增强的目的。在工业产品缺陷检测中,可以通过调整图像的亮度和对比度来增强图像的细节和特征,突出产品中的缺陷区域,提高缺陷的检测率和准确性。但目前关于调整图像的亮度和对比度的图像增强技术往往是基于整个图像进行增强,这可能导致在一些情况下出现不必要的对比度增强或细节损失,对于复杂的图像场景,全局性增强可能无法准确地处理各个区域之间的差异,导致细节损失,进而影响产品的检测。
发明内容
为了解决现有技术对工业产品图像进行全局增强导致细节丢失,进而影响产品质量检测的技术问题,本发明的目的在于提供一种工业产品生产质量检测***,所采用的技术方案具体如下:
本发明提出了一种工业产品生产质量检测***,所述***包括:
图像采集模块,用于获取待检测工业产品的表面图像;
图像增强模块,用于对所述表面图像进行边缘检测,获得不同边缘检测阈值下的边缘图;在所述边缘图中筛选出最优边缘图;根据所述最优边缘图中边缘像素点预设邻域范围内边缘像素点的数量和在不同所述边缘图中的像素值,获得每个边缘像素点的目标程度;根据所述边缘像素点的目标程度获取最优尺寸及其最优子块;在所述表面图像中,分别对所述边缘像素点的最优子块进行图像增强,获得增强子块图像;根据每个被重复增强的像素点在所属所述最优子块中的位置,获得像素点的边缘权重;根据所述增强子块图像中像素点的像素值、所述边缘权重、像素点的重复增强次数,获取待检测工业产品增强图像;
图像特征提取模块,用于对所述待检测工业产品增强图像进行特征提取,获得特征图像;根据所述特征图像获取待检测的工业产品表面图像的缺陷程度;
产品质量检测模块,用于对所述待检测的工业产品表面图像的缺陷程度的质量判断。
进一步地,所述每个边缘像素点的目标程度包括的获取方法包括:
根据所述最优边缘图中边缘像素点在不同所述边缘图中的像素值,获得每个边缘像素点的保留程度;根据所述最优边缘图中边缘像素点预设邻域范围内边缘像素点的数量和保留程度,获得邻域强边缘程度;将边缘像素点的保留程度负相关映射并与所述邻域强边缘程度相乘,获取边缘像素点的目标程度。
进一步地,所述边缘像素点的保留程度的获取方法包括:
根据不同边缘检测阈值下的边缘图,对最优边缘图中边缘像素点进行标记,标记值分为第一保留值和第二保留值,最优边缘图中边缘像素点在所述边缘图中对应位置的像素点为边缘点时,其标记值记为第一保留值,否则为第二保留值,将最优边缘图中边缘像素点在所有边缘图中对应所述保留值求平均,获得所述保留程度。
进一步地,所述邻域强边缘程度的获取方法包括:
在所述最优边缘图中,以边缘像素点为中心,建立预设邻域,以所述预设邻域中边缘像素点占据预设邻域中所有像素点的比例为边缘率;以预设邻域中非中心边缘像素点的平均保留程度为邻域强边缘率;将所述邻域强边缘率归一化并与所述边缘率相乘,获得邻域强边缘程度。
其中,所述最优尺寸与所述目标程度成正相关关系。
进一步地,所述像素点的边缘权重的获取方法包括:
以像素点所属最优子块中与中心的实际距离为参考距离,将所述参考距离进行负相关映射并归一化,获得像素点在所属最优子块的边缘权重。
进一步地,所述待检测工业产品增强图像的获取方法包括:
以所述边缘权重对所述增强子块图像中像素点的像素值进行赋权,获得所述增强子块图像中像素点的加权像素值;根据像素点的重复增强次数、像素点在其所有对应的增强子块图像中的所述加权像素值,获取加权平均像素值;以所述加权平均像素值作为待检测工业产品增强图像中对应像素点的像素值,遍历所有像素点,获取待检测工业产品增强图像。
进一步地,所述特征图像的获取方法包括:
通过阈值分割对所述待检测工业产品增强图像进行特征提取,获取特征图像。
进一步地,所述最优子块的尺寸最小值为9,最大值为33。
进一步地,所述预设邻域为圆形,半径为13。
本发明具有如下有益效果:
本发明考虑到现有通过调整图像的亮度和对比度来增强图像的图像增强算法是基于整个图像进行增强,会出现不必要的对比度增强或细节损失的问题,本发明在不同边缘检测阈值下的边缘图中筛选出最优边缘图,最优边缘图能提供更准确、更清晰的边缘信息,有利于后续对图像的局部增强和目标程度的计算;进一步考虑到缺陷区域的弱边缘通常分布在强边缘点附近,且弱边缘点更有可能在增强的过程中丢失,而根据边缘像素点在不同边缘图中的像素值能体现出边缘像素点的强弱程度,根据邻域内边缘像素点的数量和强弱程度能反映出边缘像素点附近强边缘的分布情况,所以所获得的目标程度能反映出需要对边缘像素点的保护程度,目标程度越大,需要对此边缘像素点的保护程度越大,避免图像增强时此边缘像素点丢失;因此可通过目标程度获取最优子块并对最优子块进行局部增强,可以避免增强导致的细节丢失;因为最优子块中有重叠像素点,图像增强时这些重叠像素点被重复增强,所以需要根据重叠像素点在所属的各个子块的位置,获取像素点的边缘权重,根据边缘权重和像素点的重复增强次数实现对重叠像素点像素值的校正,进而获取待检测工业产品增强图像,由此获得的待检测工业产品增强图像,充分考虑到了弱边缘在图像增强时容易丢失的问题,对利用目标程度确定的最优子块进行增强,实现了局部图像增强,保护了更多的边缘细节,使得图像更清晰,图像中缺陷区域更明显,提高缺陷的检测率和准确性。
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工业产品生产质量检测***框图;
图2为本发明一个实施例所提供的一种工业产品生产质量检测***的图像增强模块实现方法的流程图。
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工业产品生产质量检测***,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工业产品生产质量检测***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工业产品生产质量检测***框图,该***包括:图像采集模块101、图像增强模块102、图像特征提取模块103和产品质量检测模块104。
图像采集模块101用于获取待检测工业产品的表面图像,在本发明实施例中,图像采集模块通过相机采集待检测工业产品表面图像,并将采集到的图像进行去噪处理,然后将图像传输至图像增强模块进行后续的图像处理操作。在本发明实施例中,去噪过程如下:对采集的图像进行噪声分析,在进行噪声分析时可以采用统计分析,通过计算图像的一些统计量,如均值、方差、标准差等,并与期望的理想情况进行比较。噪声通常会导致统计量的偏离。例如,高斯噪声会使图像的均值接近噪声的均值,方差增大;椒盐噪声会导致均值和方差的波动较大,由此判断噪声的类型,实施者可根据噪声类型选择对应的滤波和进行去噪处理。
噪声会影响图像的细节和清晰度,通过对待检测工业产品的表面图像去噪,可以促进后续图像增强处理结果的准确性,提高处理结果的质量,进而提升质量检测结果的可靠性。
图像增强模块102用于对表面图像进行边缘检测,获得不同边缘检测阈值下的边缘图;在边缘图中筛选出最优边缘图;根据最优边缘图中边缘像素点预设邻域范围内边缘像素点的数量和在不同边缘图中的像素值,获得每个边缘像素点的目标程度;根据边缘像素点的目标程度获取最优尺寸及其最优子块;在表面图像中,分别对边缘像素点的最优子块进行图像增强,获得增强子块图像;根据每个被重复增强的像素点在所属最优子块中的位置,获得像素点的边缘权重;根据增强子块图像中像素点的像素值、边缘权重、像素点的重复增强次数,获取待检测工业产品增强图像。具体流程请参阅图2,图像增强步骤包括:
步骤S1:对从图像采集模块101传来的待检测工业产品的表面图像进行边缘检测,获得不同边缘检测阈值下的边缘图;在边缘图中筛选出最优边缘图;根据最优边缘图中边缘像素点预设邻域范围内边缘像素点的数量和在不同边缘图中的像素值,获得每个边缘像素点的目标程度。
在对图像进行增强时,工业产品图像的多种多样,部分产品较为复杂,全局增强会无法准确的处理各个区域之间的差异,需要图像中的细节分布进行局部自适应处理,通过获取像素点的目标程度,根据像素点的目标程度自适应获取子块大小,以便于更好的保留细节,所以需要获取像素点的目标程度。
在一些情况下,质量问题可能导致产品边缘出现异常或不连续的变化,例如产品表面出现裂缝或缺陷,这些变化可能会在图像中呈现为异常的边缘消息。因此,边缘信息可以作为对产品进行初步检查和筛选的指标之一,本发明实施例以图像的边缘消息,计算像素点的目标程度。
在本发明一个实施例中,通过canny边缘检测算法对待检测工业产品图像进行不同程度边缘获取边缘图,canny边缘检测算法已是本领域技术人员熟知的技术,在此不在进行赘述。需要说明的是,在本发明一个实施例中,canny边缘检测算法中双阈值处理时的高阈值与低阈值的差值为定值,高阈值通过对预设值进行遍历获取,对应的低阈值通过高阈值获取。在本发明其他实施例中,实施者可选择其他阈值设置方法和其他边缘检测算法。
通过不同阈值的边缘检测,获得了不同的边缘图,此时需要选择其中一张边缘图作为最优边缘图,以最优边缘图中的边缘点的相关信息获取目标程度。
优选地,在本发明一个实施例中,选择不同边缘图中边缘像素点最多的边缘图作为最优边缘图,根据边缘像素点最多选出的最优边缘图,包含边缘点最多,弱边缘点最多,在后续处理中能减少弱边缘点丢失,能保护更多的边缘细节,使得图像更清晰,图像中缺陷区域更明显,提高缺陷的检测率和准确性。在本发明其他实施例中,实施者可根据边缘长度、边缘连续性等因素选择最优边缘图。
在最优边缘图中,若对应边缘为强边缘,则在不同边缘检测阈值下边缘保留的情况较多,若对应边缘为弱边缘,则在不同边缘检测阈值下边缘保留的情况较少,所以可以根据最优边缘图中边缘像素点在不同边缘检测阈值下边缘的保留情况作为边缘强弱的依据。边缘像素点在不同边缘图中的像素值可作为获取目标程度的重要因素之一。在边缘图中,因为缺陷区域的弱边缘点通常分布在强边缘点附近,而且弱边缘点更有可能在增强的过程中丢失,所以边缘点周围分布的强边缘点越多,该边缘点的邻域强边缘程度越大,所以最优边缘图中边缘像素点预设邻域范围内边缘像素点的数量可作为获取目标程度的重要因素之一。所以需要根据最优边缘图中边缘像素点预设邻域范围内边缘像素点的数量和在不同边缘图中的像素值,获得每个边缘像素点的目标程度。
优选地,本发明一个实施例中,每个边缘像素点的目标程度包括的获取方法包括:
根据最优边缘图中边缘像素点在不同边缘图中的像素值,获得每个边缘像素点的保留程度。根据最优边缘图中边缘像素点预设邻域范围内边缘像素点的数量和保留程度,获得邻域强边缘程度;单以边缘点的保留程度计算目标程度容易忽略周围边缘点的数量和强弱,获得的目标程度容易过大或过小;单以邻域强边缘程度计算目标程度容易忽略对邻域中心的目标边缘点的保护,获取的目标程度不准确;所以需要结合两者共同计算目标程度,将边缘像素点的保留程度负相关映射并与邻域强边缘程度相乘,获取边缘像素点的目标程度,保留程度越小,说明边缘点的本身强弱情况越弱,越在图像增强中容易丢失,越需要保护,则目标程度越大;邻域强边远程度越大,说明边缘点周围的强边缘点越多,越在图像增强中容易丢失,越需要保护,则目标程度越大。由此获得的目标程度综合考虑了目标边缘点本身的强弱和周围边缘点的强弱以及数量,获取的目标程度更准确,使最后获得的质量检测结果更有说服力。
在本发明一个实施例中,目标程度的计算公式包括:
其中,式中表示坐标位置为/>的目标边缘点的目标程度,/>表示坐标位置为/>的目标边缘点的边缘保留程度,/>表示坐标位置为/>的目标边缘点的邻域强边缘程度。需要说明的是,因为本发明一个实施例中/>的值域为0到1,因此采用数值1减去/>的方法进行负相关映射,在本发明其他实施例中也可通过其他基础数学运算进行负相关映射等运算,在此不做限定和赘述。
由目标边缘点的边缘保留程度和目标边缘点的邻域强边缘程度共同计算出的目标程度,既考虑到了目标边缘点本身的强弱情况,又考虑到了目标边缘点周围分布的强边缘点数量,计算得出的目标程度更准确,由此目标程度获取的最优尺寸和最优子块更有说服力,提高图像增强后缺陷区域识别的准确性。
优选地,在本发明一个实施例中,边缘像素点的保留程度的获取方法包括:
根据不同边缘检测阈值下的边缘图,对最优边缘图中边缘像素点进行标记,标记值分为第一保留值和第二保留值,最优边缘图中边缘像素点在边缘图中对应位置的像素点为边缘点时,其标记值记为第一保留值,否则为第二保留值,将最优边缘图中边缘像素点在所有边缘图中对应保留值求平均,获得保留程度。
最优边缘图中边缘像素点的边缘保留程度越高,代表最优边缘图中该位置的像素点越可能为强边缘点,反之为弱边缘点。所以边缘像素点的保留程度与目标程度呈负相关关系,边缘像素点越弱,保留程度越低,目标程度约高,此像素点越需要保护,避免在图像增强中丢失,进而保护更多的边缘细节,使得图像更清晰,图像中缺陷区域更明显,提高缺陷的检测率和准确性。
优选地,在本发明一个实施例中,邻域强边缘程度的获取方法包括:在最优边缘图中,以边缘像素点为中心,建立预设邻域,以预设邻域中边缘像素点占据预设邻域中所有像素点的比例为边缘率;以预设邻域中非中心边缘像素点的平均保留程度为邻域强边缘率;将邻域强边缘率归一化并与边缘率相乘,获得邻域强边缘程度。
在本发明一个实施例中,预设邻域范围为圆形,以目标边缘点为圆心建立半径为大小的圆,其中/>的经验值为/>,对半径为/>的圆的范围内的所有边缘点进行标记。在本发明其他实施例中,实施者可以根据实际情况设置邻域范围,邻域强边缘程度的计算公式包括:
其中表示目标边缘点的邻域强边缘程度,/>表示以目标边缘点为圆心、半径为/>大小的圆的范围内边缘像素点的个数,/>表示以目标边缘点为圆心、半径为/>大小的圆的范围内像素点的最大个数,/>表示以目标边缘点为圆心、半径为/>大小的圆的范围内第/>个边缘点的边缘保留程度。
在邻域强边缘程度计算公式中,邻域范围内边缘点越多,边缘像素点占据预设邻域中所有像素点的比例越大,即边缘率越大,邻域强边缘程度越大;邻域范围内边缘点保留程度越大,其平均值越大,即邻域强边缘率/>越大,邻域强边缘程度越大;通过自然数1和自然对数/>将邻域强边缘率归一化,使取值范围限制到[0,1],最后与边缘率相乘,得到的邻域强边缘程度充分体现出目标边缘点周围的强边缘数量,对后续计算目标程度的影响更准确,计算得出的目标程度更有说服力。
邻域强边缘程度反映出了目标边缘点周围分布的边缘点数量和强弱程度,邻域强边缘程度越大,目标边缘点周围强边缘点越多,在后续增强的过程中越容易丢失,所以在计算目标程度的时候需要考虑邻域强边缘程度。
步骤S2:根据边缘像素点的目标程度获取最优尺寸及其最优子块;在表面图像中,分别对边缘像素点的最优子块进行图像增强,获得增强子块图像;根据每个被重复增强的像素点在所属最优子块中的位置,获得像素点的边缘权重。
根据边缘像素点的目标程度获取自适应子块大小,边缘像素点的目标程度表征像素点的强弱程度,强弱程度越大,说明该处更有可能为缺陷的弱边缘区域,由此在进行增强时选择较小的子块避免细节的丢失,强弱程度越小,说明该处更有可能为缺陷的强边缘区域或正常区域,由此在进行增强时选择较大的子块减小不必要的计算。
优选地,在本发明一个实施例中,最优尺寸与目标程度成正相关关系。本发明一个实施例中,将最优子块的形状设置为正方形,即对应的最优尺寸为正方形的边长,预先设置了经验最大子块的尺寸和经验最小子块的尺寸边长,则边缘像素点的最优尺寸及其最优子块的获取计算公式包括:
表示最优尺寸,/>分别表示经验最小子块尺寸与经验最大子块尺寸,表示坐标位置为/>的目标边缘点的目标程度。在本发明一个实施例中,经验最小子块尺寸为9,经验最大子块尺寸为33。
由于要保证坐标位置为的目标边缘点在子块中心,所以子块必须为奇数,所以子块大小选择时选择最接近/>的奇数,例如计算得到的/>,则选择的子块大小为最接近28.2的奇数,最接近28.2的奇数为29,所以坐标位置为/>的目标边缘点的最优子块大小为29;当计算得到的/>是偶数时,选择距离最近的较小奇数。在本发明的其他实施例中,实施者可制定适合实际情况的最优尺寸计算规则。
根据目标程度计算出的最优尺寸充分考虑到了目标边缘点本身的强弱情况和目标边缘点周围分布的强边缘点数量,得到的最优子块更合理,减小计算量的同时提升了图像增强的效果。进一步提高缺陷区域识别的准确性。
进一步地,在表面图像中,分别对边缘像素点的最优子块进行图像增强,获得增强子块图像。根据最优子块对图像进行局部增强,避免了全局增强导致的细节丢失,保护了更多的边缘细节,提高了缺陷的检测率和准确性。
优选地,在本发明一个实施例中,图像增强算法选择伽马变换,先将各个子块的原始图像的像素值进行归一化,使其值范围在[0,1]之间,再对归一化后的图像像素值应用伽马变换,对变换后的像素值进行反归一化,将其恢复到原始的像素值范围。其中归一化时,是将像素点的像素值除以子块中最大像素值进行归一化。伽马变换已是本领域技术人员所熟知的,在此不再赘述,在本发明其他实施例中,实施者可选择其他归一化方式和图像增强算法。
由最优子块对图像进行增强,获得的最优子块增强图像实现了局部图像增强,图像中的对比度显著提高,同时保护了更多的边缘细节,避免了细节的丢失,但是部分子块与子块之间存在重叠,即部分像素点被进行重复增强,无法直接获取待检测工业产品增强图像,需要对重叠像素点进一步处理。
为了得到最终的待检测工业产品增强图像,需要将重复像素点进行加权处理,因为最优子块尺寸不同,重复像素点距离最优子块中心的距离也有差异,所以根据重复像素点在最优子块中的位置获取边缘权重,用边缘权重对重复像素点进行加权处理。
优选地,在本发明一个实施例中,以像素点所属最优子块中与中心的实际距离为参考距离,将参考距离进行负相关映射并归一化,获得像素点在所属最优子块的边缘权重。在本发明一个实施例中边缘权重计算公式包括:
其中,表示像素点在第/>个子块中的边缘权重,/>表示像素点在其所有所属子块中距离子块中心点的最大距离,/>表示像素点在第/>个子块中距离第/>个子块中心点的实际距离,即/>为参考距离。需要说明的是,不重叠部分的像素点没有边缘权重。
在边缘权重计算公式中,以最大距离为分母,以参考距离与最大距离的差值为分子,将参考距离归一化处理。参考距离越大,分子越小,计算得出的边缘权重也越小,由于最优尺寸是根据边缘点及其周围边缘强弱计算出来的,通过以边缘点为中心构建最优子块并分别对最优子块进行增强,实现保护中心边缘点细节信息的效果,所以像素点越处于子块的边缘,其边缘权重应该越小,以此边缘权重对重叠像素点赋权,结合最优子块增强图像进一步处理后就能得到待检测工业产品增强图像。
在本发明其他实施例中,实施者可选择像素点与中心边缘点的像素值差异等其他方式获取边缘权重。
步骤S3:根据增强子块图像中像素点的像素值、边缘权重、像素点的重复增强次数,获取待检测工业产品增强图像。
步骤S1到步骤S2已完成图像的局部增强,获取了重叠像素点的边缘权重,只需要对子块中重叠像素点结合对应的像素值、边缘权重和重复增强次数进一步处理即可获得待检测工业产品增强图像,边缘权重的大小反映了像素点距离子块中心的远近程度,表征像素点的重要性;重复增强次数体现了像素点被增强的次数,反映出像素点周围边缘像素点的密度,周围像素点越多,建立最优子块时此像素点被包含进最优子块的次数越多,此像素点被重复增强次数越多,此像素点越重要。
优选地,在本发明一个实施例中,以边缘权重对增强子块图像中像素点的像素值进行赋权,获得增强子块图像中像素点的加权像素值;根据像素点的重复增强次数、像素点在其所有对应的增强子块图像中的加权像素值,获取加权平均像素值;以加权平均像素值作为待检测工业产品增强图像中对应像素点的像素值,计算公式包括:
其中,表示坐标位置为(x,y)的像素点的加权平均灰度值,/>表示坐标位置为(x,y)的像素点的重复增强次数,/>表示坐标位置为(x,y)的像素点在第/>个子块中增强后的灰度值,/>表示坐标位置为(x,y)的像素点在第/>个子块中的边缘权重。需要说明的是,因为为重复增强次数,因此所对应的坐标位置为(x,y)的像素点即为仅存在重复增强的像素点,即/>为大于1的整数。
进一步地,遍历所有像素点,对所有重叠像素点进行加权平均,结合最优子块增强图像中没有重叠部分的像素点,获得待检测工业产品增强图像。
通过步骤S1到步骤S3获得的待检测工业产品增强图像,充分考虑到了弱边缘在图像增强时容易丢失的问题,对利用目标程度确定的最优子块进行增强,实现了局部图像增强,并根据边缘权重和像素点的重复增强次数实现对重叠像素点像素值的校正,避免了弱边缘点在增强的过程中丢失,保护了更多的边缘细节,提供了更准确、更清晰的图像信息,图像中缺陷区域更明显,提高缺陷的检测率和准确性。
图像特征提取模块103,用于对待检测工业产品增强图像进行特征提取,获得特征图像;根据特征图像获取待检测的工业产品表面图像的缺陷程度。
经过图像增强模块102处理后,图像质量显著增强,图像中的对比度显著提高,所以可以通过对待检测工业产品增强图像进行特征提取,进而实现对产品缺陷的检测。
优选地,在本发明一个实施例中,通过阈值分割对待检测工业产品增强图像进行特征提取,获取特征图像。阈值分割已是本领域技术人员熟知技术,在此不再进行赘述。在本发明其他实施例中,实施者可选择方向梯度直方图、卷积神经网络等其他合适的特征提取算法。
在本发明一个实施例中,将特征图像与工业产品预选的模板图像进行对比,特征图像与模板图像的差异越大,待检测的工业产品表面图像的缺陷程度越大。
产品质量检测模块104用于对待检测的工业产品表面图像的缺陷程度的质量判断。
通过设定质量判别指标进行质量判断,根据判定指标进行质量分类,质量判定指标又实施者根据实际情况进行制定,此处不予以详细概述。
综上所述,本发明实施例中通过图像采集模块获取待检测工业产品的表面图像并传输至图像增强模块进行图像增强,在图像增强模块进行图像增强时,通过canny边缘检测算法对待检测工业产品图像进行不同阈值检测,获得不同的边缘图,依据不同边缘图选取最优边缘图并获取目标程度,根据目标程度获取最优子块并对最优子块进行图像增强,将增强子块图像进一步处理得到待检测工业产品增强图像,将其传输至图像特征提取模块进行特征提取特征图像,最后将特征图像传输至图像特征提取模块,把特征图像与模板图像进行对比,对检测的工业产品表面图像的缺陷程度进行质量判断,完成质量检测。过程中充分考虑到了弱边缘在图像增强时容易丢失的问题,通过图像增强模块的处理,避免了弱边缘点在增强的过程中丢失,保护了更多的边缘细节,提供了更准确、更清晰的图像信息,在图像特征提取模块处理后图像中缺陷区域更明显,提高缺陷的检测率和准确性。
一种工业产品图像增强***实施例:
现有的常用的图像增强技术主要是对图像的亮度、对比度、色调、饱和度等进行调节,实现图像增强的目的。在工业产品缺陷检测中,可以通过调整图像的亮度和对比度来增强图像的细节和特征,突出产品中的缺陷区域,提高缺陷的检测率和准确性。但目前关于调整图像的亮度和对比度的图像增强技术往往是基于整个图像进行增强,这可能导致在一些情况下出现不必要的对比度增强或细节损失,对于复杂的图像场景,全局性增强可能无法准确地处理各个区域之间的差异。
本发明考虑到现有通过调整图像的亮度和对比度来增强图像的图像增强算法是基于整个图像进行增强,会出现不必要的对比度增强或细节损失的问题,提出了一种工业产品图像增强***,包括:图像采集模块101、图像增强模块102。
图像采集模块101,用于获取待检测工业产品的表面图像。
图像增强模块102,用于对表面图像进行边缘检测,获得不同边缘检测阈值下的边缘图;在边缘图中筛选出最优边缘图;根据最优边缘图中边缘像素点预设邻域范围内边缘像素点的数量和在不同边缘图中的像素值,获得每个边缘像素点的目标程度;根据边缘像素点的目标程度获取最优尺寸及其最优子块;在表面图像中,分别对边缘像素点的最优子块进行图像增强,获得增强子块图像;根据每个被重复增强的像素点在所属最优子块中的位置,获得像素点的边缘权重;根据增强子块图像中像素点的像素值、边缘权重、像素点的重复增强次数,获取待检测工业产品增强图像。
由于工业产品图像增强***的具体实现过程在上述一种工业产品生产质量检测***中已给出详细说明,不再赘述。
综上所述,本发明在不同边缘检测阈值下的边缘图中筛选出最优边缘图,最优边缘图能提供更准确、更清晰的边缘信息,有利于后续对图像的局部增强和目标程度的计算;进一步考虑到缺陷区域的弱边缘通常分布在强边缘点附近,且弱边缘点更有可能在增强的过程中丢失,而根据边缘像素点在不同边缘图中的像素值能体现出边缘像素点的强弱程度,根据邻域内边缘像素点的数量和强弱程度能反映出边缘像素点附近强边缘的分布情况,所以所获得的目标程度能反映出需要对边缘像素点的保护程度,目标程度越大,需要对此边缘像素点的保护程度越大,避免图像增强时此边缘像素点丢失;因此可通过目标程度获取最优子块并对最优子块进行局部增强,可以避免增强导致的细节丢失;因为最优子块中有重叠像素点,图像增强时这些重叠像素点被重复增强,所以需要根据重叠像素点在所属的各个子块的位置,获取像素点的边缘权重,根据边缘权重和像素点的重复增强次数实现对重叠像素点像素值的校正,进而获取待检测工业产品增强图像,由此获得的待检测工业产品增强图像,充分考虑到了弱边缘在图像增强时容易丢失的问题,对利用目标程度确定的最优子块进行增强,实现了局部图像增强,保护了更多的边缘细节,使得图像更清晰图像增强效果更好。
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。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。
Claims (10)
1.一种工业产品生产质量检测***,其特征在于,所述***包括:
图像采集模块,用于获取待检测工业产品的表面图像;
图像增强模块,用于对所述表面图像进行边缘检测,获得不同边缘检测阈值下的边缘图;在所述边缘图中筛选出最优边缘图;根据所述最优边缘图中边缘像素点预设邻域范围内边缘像素点的数量和在不同所述边缘图中的像素值,获得每个边缘像素点的目标程度;根据所述边缘像素点的目标程度获取最优尺寸及其最优子块;在所述表面图像中,分别对所述边缘像素点的最优子块进行图像增强,获得增强子块图像;根据每个被重复增强的像素点在所属所述最优子块中的位置,获得像素点的边缘权重;根据所述增强子块图像中像素点的像素值、所述边缘权重、像素点的重复增强次数,获取待检测工业产品增强图像;
图像特征提取模块,用于对所述待检测工业产品增强图像进行特征提取,获得特征图像;根据所述特征图像获取待检测的工业产品表面图像的缺陷程度;
产品质量检测模块,用于对所述待检测的工业产品表面图像的缺陷程度的质量判断。
2.根据权利要求1中所述的一种工业产品生产质量检测***,其特征在于,所述每个边缘像素点的目标程度包括的获取方法包括:
根据所述最优边缘图中边缘像素点在不同所述边缘图中的像素值,获得每个边缘像素点的保留程度;根据所述最优边缘图中边缘像素点预设邻域范围内边缘像素点的数量和保留程度,获得邻域强边缘程度;将边缘像素点的保留程度负相关映射并与所述邻域强边缘程度相乘,获取边缘像素点的目标程度。
3.根据权利要求2中所述的一种工业产品生产质量检测***,其特征在于,所述边缘像素点的保留程度的获取方法包括:
根据不同边缘检测阈值下的边缘图,对最优边缘图中边缘像素点进行标记,标记值分为第一保留值和第二保留值,最优边缘图中边缘像素点在所述边缘图中对应位置的像素点为边缘点时,其标记值记为第一保留值,否则为第二保留值,将最优边缘图中边缘像素点在所有边缘图中对应所述保留值求平均,获得所述保留程度。
4.根据权利要求2中所述的一种工业产品生产质量检测***,其特征在于,所述邻域强边缘程度的获取方法包括:
在所述最优边缘图中,以边缘像素点为中心,建立预设邻域,以所述预设邻域中边缘像素点占据预设邻域中所有像素点的比例为边缘率;以预设邻域中非中心边缘像素点的平均保留程度为邻域强边缘率;将所述邻域强边缘率归一化并与所述边缘率相乘,获得邻域强边缘程度。
5.根据权利要求1中所述的一种工业产品生产质量检测***,其特征在于:
所述最优尺寸与所述目标程度成正相关关系。
6.根据权利要求1中所述的一种工业产品生产质量检测***,其特征在于,所述像素点的边缘权重的获取方法包括:
以像素点所属最优子块中与中心的实际距离为参考距离,将所述参考距离进行负相关映射并归一化,获得像素点在所属最优子块的边缘权重。
7.根据权利要求1中所述的一种工业产品生产质量检测***,其特征在于,所述待检测工业产品增强图像的获取方法包括:
以所述边缘权重对所述增强子块图像中像素点的像素值进行赋权,获得所述增强子块图像中像素点的加权像素值;根据像素点的重复增强次数、像素点在其所有对应的增强子块图像中的所述加权像素值,获取加权平均像素值;以所述加权平均像素值作为待检测工业产品增强图像中对应像素点的像素值,遍历所有像素点,获取待检测工业产品增强图像。
8.根据权利要求1中所述的一种工业产品生产质量检测***,其特征在于,所述特征图像的获取方法包括:
通过阈值分割对所述待检测工业产品增强图像进行特征提取,获取特征图像。
9.根据权利要求1中所述的一种工业产品生产质量检测***,其特征在于,所述最优子块的尺寸最小值为9,最大值为33。
10.根据权利要求4中所述的一种工业产品生产质量检测***,其特征在于,所述预设邻域为圆形,半径为13。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311146161.7A CN116883401B (zh) | 2023-09-07 | 2023-09-07 | 一种工业产品生产质量检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311146161.7A CN116883401B (zh) | 2023-09-07 | 2023-09-07 | 一种工业产品生产质量检测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116883401A true CN116883401A (zh) | 2023-10-13 |
CN116883401B CN116883401B (zh) | 2023-11-10 |
Family
ID=88257267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311146161.7A Active CN116883401B (zh) | 2023-09-07 | 2023-09-07 | 一种工业产品生产质量检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116883401B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020051746A1 (zh) * | 2018-09-10 | 2020-03-19 | 深圳配天智能技术研究院有限公司 | 图像的边缘检测方法、图像处理设备及计算机存储介质 |
CN112819772A (zh) * | 2021-01-28 | 2021-05-18 | 南京挥戈智能科技有限公司 | 一种高精度快速图形检测识别方法 |
WO2022027949A1 (zh) * | 2020-08-04 | 2022-02-10 | 湖南大学 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及*** |
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 |
CN115272341A (zh) * | 2022-09-29 | 2022-11-01 | 华联机械集团有限公司 | 一种基于机器视觉的包装机缺陷产品检测方法 |
CN116468641A (zh) * | 2023-05-23 | 2023-07-21 | 重庆邮电大学 | 一种红外血管图像增强处理方法 |
CN116660286A (zh) * | 2023-04-24 | 2023-08-29 | 上海电机学院 | 基于图像分割的线束剥头测量与缺陷检测方法及*** |
-
2023
- 2023-09-07 CN CN202311146161.7A patent/CN116883401B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020051746A1 (zh) * | 2018-09-10 | 2020-03-19 | 深圳配天智能技术研究院有限公司 | 图像的边缘检测方法、图像处理设备及计算机存储介质 |
WO2022027949A1 (zh) * | 2020-08-04 | 2022-02-10 | 湖南大学 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及*** |
CN112819772A (zh) * | 2021-01-28 | 2021-05-18 | 南京挥戈智能科技有限公司 | 一种高精度快速图形检测识别方法 |
CN115272341A (zh) * | 2022-09-29 | 2022-11-01 | 华联机械集团有限公司 | 一种基于机器视觉的包装机缺陷产品检测方法 |
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 |
CN116660286A (zh) * | 2023-04-24 | 2023-08-29 | 上海电机学院 | 基于图像分割的线束剥头测量与缺陷检测方法及*** |
CN116468641A (zh) * | 2023-05-23 | 2023-07-21 | 重庆邮电大学 | 一种红外血管图像增强处理方法 |
Non-Patent Citations (3)
Title |
---|
ANDREY KRYLOV ET AL.: "Edge quality metrics for image enhancement", 《PATTERN RECOGNITION AND IMAGE ANALYSIS》, pages 1 - 15 * |
孙宗凯 等: "基于加权引导滤波的水下图像增强算法", 《桂林电子科技大学学报》, vol. 36, no. 2, pages 113 - 117 * |
杨楠;王卫星;王峰萍;薛柏玉;WANG KEVIN;: "基于分数阶积分和邻域FCM的道路信息变化检测", 长安大学学报(自然科学版), no. 02 * |
Also Published As
Publication number | Publication date |
---|---|
CN116883401B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113538433B (zh) | 基于人工智能的机械铸件缺陷检测方法及*** | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及*** | |
CN115222733B (zh) | 基于图像识别的金属构件表面缺陷检测方法 | |
CN117351019B (zh) | 一种焊接缺陷检测方法 | |
CN113963042B (zh) | 基于图像处理的金属零件缺陷程度评估方法 | |
CN109584240B (zh) | 滑坡后缘裂缝位移图像识别方法 | |
CN116245880B (zh) | 基于红外识别的电动车充电桩火灾风险检测方法 | |
CN116823822B (zh) | 基于视觉特征的船艇钣金件焊接缺陷检测方法 | |
CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
CN114387273A (zh) | 基于计算机图像识别的环境粉尘浓度检测方法及*** | |
CN115131359B (zh) | 一种金属加工件表面麻点缺陷检测方法 | |
CN115631116B (zh) | 基于双目视觉的飞行器电力巡检*** | |
CN113487563B (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 | |
CN115272336A (zh) | 基于梯度向量的金属零件缺陷精准检测方法 | |
CN116228780A (zh) | 基于计算机视觉的硅片缺陷检测方法及*** | |
CN114677525B (zh) | 一种基于二值图像处理的边缘检测方法 | |
CN117808799B (zh) | 基于人工智能的倒角设备加工质量检测方法 | |
CN117635615B (zh) | 基于深度学习实现冲孔模具的缺陷检测方法及*** | |
CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116958125A (zh) | 基于图像处理的电竞主机电源元件缺陷视觉检测方法 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN115272362A (zh) | 一种数字病理全场图像有效区域分割方法、装置 | |
CN116883401B (zh) | 一种工业产品生产质量检测*** | |
CN116363097A (zh) | 一种光伏板的缺陷检测方法及*** |
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 |