CN116883446A - 一种车载摄像头镜片碾磨程度实时监测*** - Google Patents

Abstract

本申请涉及图像处理领域，提供一种车载摄像头镜片碾磨程度实时监测***，包括：边缘检测模块，用于对待检测图像进行边缘检测，确定待检测图像中的边缘像素点，所述边缘像素点为车载摄像头的边缘，所述待检测图像是采集车载摄像头镜片的侧面图像得到的；阈值计算模块，用于基于边缘像素点的异常度确定最优分割阈值；异常检测模块，用于利用孤立森林算法基于所述最优分割阈值和所述边缘像素点的异常度对所述边缘像素点进行异常检测，确定所述边缘像素点是否符合研磨标准。该***能够有效地提高检验效率，提高检验准确度。

Description

一种车载摄像头镜片碾磨程度实时监测***

技术领域

本申请涉及图像处理领域，特别是涉及一种车载摄像头镜片碾磨程度实时监测***。

背景技术

随着经济的发展、时代的进步，人们的出行工具已经从步行到自行车，再到摩托车，最终到现如今汽车随处可见的地步。而车载摄像头作为汽车必不可缺的一部分，其质量问题也是备受关注。

车载摄像头镜片为凸透镜，需要对镜片进行碾磨，进而得到想要的镜片形状。但在碾磨过程中会有很多意外发生，如因碾磨过度而造成的局部凹陷、因碾磨程度不够而造成的局部凸起、因碾磨程度不够而不符合目标曲率。现阶段对于这些碾磨程度的判断基于人为检测的方式进行，但是人为检测耗费大量人力，并且由于每天生产车载摄像头数量巨大，导致无法保证每一个车载摄像头的判断都足够准确性。

发明内容

本发明提供一种车载摄像头镜片碾磨程度实时监测***，该***能够有效地提高检验效率，提高检验准确度。

第一方面，本申请提供一种车载摄像头镜片碾磨程度实时监测***，包括：

边缘检测模块，用于对待检测图像进行边缘检测，确定待检测图像中的边缘像素点，所述边缘像素点为车载摄像头的边缘，所述待检测图像是采集车载摄像头镜片的侧面图像得到的；

阈值计算模块，用于基于边缘像素点的异常度确定最优分割阈值；

异常检测模块，用于利用孤立森林算法基于所述最优分割阈值和所述边缘像素点的异常度对所述边缘像素点进行异常检测，确定所述边缘像素点是否符合研磨标准。

可选的，所述***还包括：

异常度计算模块，用于基于互为对称的两个边缘像素点的曲率差异和距离度差异确定互为对称的两个边缘像素点的差异度，其中所述距离度为所述边缘像素点至车载摄像头镜片形心的距离；

基于所述差异度以及边缘像素点的密度确定所述边缘像素点的异常度。

可选的，所述异常度计算模块用于：

基于以边缘像素点为中心的窗口区域内边缘像素点的数量以及窗口区域的面积确定边缘像素点的窗口区域的密度；

基于边缘像素点的差异度和边缘像素点的密度确定所述边缘像素点的异常度。

可选的，所述阈值计算模块用于：

随机选取部分边缘像素点作为参考像素点集合，并以所述参考像素点集合中边缘像素点的异常度的最大值作为初始分割阈值；

基于边缘像素点的异常度和ε值下第j个分割阈值的差值确定边缘像素点的相差度；

基于边缘像素点的相差度确定ε值下第j个分割阈值得到的混乱度；

基于ε值下第j个分割阈值得到的混乱度确定最优分割阈值。

可选的，所述阈值计算模块用于：

基于ε值下的第j次的分割阈值得到的混乱度、ε值下的第j-1次的分割阈值得到的混乱度和ε值下第j次的分割阈值计算得到ε值下的第j+1次的分割阈值；

如果第j+1次的分割阈值与第j次的分割阈值的差值的绝对值小于第一预设值，则将第j+1次的分割阈值作为ε值下的待选分割值；

改变ε值，并计算改变后的ε值下的待选分割值；

对所有ε值下得到的待选分割阈值对应的混乱度进行比较，选择最小的混乱度对应的待选分割阈值作为所述最优分割阈值。

可选的，所述阈值计算模块用于：

利用如下公式计算第j+1次的分割阈值：

其中，表示第一个ε值下的第j+1次的分割阈值，/>表示ε值下的第j-1次的分割阈值，/>表示第一个ε值下，/>表示ε值下的第j次的分割阈值得到的混乱度，/>表示ε值下的第j-1次的分割阈值得到的混乱度。

可选的，所述阈值计算模块用于：

基于第k个边缘像素点的相差度在参考像素点集合中边缘像素点的相差度中出现的概率确定ε值下第j个分割阈值得到的混乱度；

其中，ε值下第j个分割阈值的混乱度计算方式为：

为在第l个ε下的第j次分割阈值得到的混乱度，/>为第k个边缘像素点的相差度/>在参考像素点集合中边缘像素点的相差度中所出现的概率，n是参考像素点集合中边缘像素点总数量。

可选的，如果ε值下的第j次的分割阈值得到的混乱度小于ε值下的第j-1次的分割阈值得到的混乱度，则表示第j次的分割阈值的分割效果优于的第j-1次的分割阈值得的分割效果；

如果ε值下的第j次的分割阈值得到的混乱度大于ε值下的第j-1次的分割阈值得到的混乱度，则表示第j次的分割阈值的分割效果劣于的第j-1次的分割阈值得的分割效果。

可选的，所述阈值计算模块还用于：

利用如下公式改变ε值：

其中，为第l个ε值，/>为第l+1个ε值，其中，第一个ε值/>为1，ε值最大不得超过2。

可选的，异常度计算模块还用于：

利用拉普拉斯算子得到车载摄像头镜片边缘像素点的一阶导数和二阶导数；

基于所述一阶导数和二阶导数确定边缘像素点的曲率。

本申请的有益效果，区别于现有技术，本申请的车载摄像头镜片碾磨程度实时监测***，包括：边缘检测模块，用于对待检测图像进行边缘检测，确定待检测图像中的边缘像素点，所述边缘像素点为车载摄像头的边缘，所述待检测图像是采集车载摄像头镜片的侧面图像得到的；阈值计算模块，用于基于边缘像素点的异常度确定最优分割阈值；异常检测模块，用于利用孤立森林算法基于所述最优分割阈值和所述边缘像素点的异常度对所述边缘像素点进行异常检测，确定所述边缘像素点是否符合研磨标准。该***能够有效地提高检验效率，提高检验准确度。

附图说明

图1为本发明车载摄像头镜片碾磨程度实时监测***的第一实施例的结构示意图；

图2为本发明车载摄像头镜片碾磨程度实时监测***的第二实施例的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

本发明针对凸起和凹陷缺陷区域与镜片形心欧氏距离较为异常这一特征，利用Canny算法对图像进行预处理，得到车载摄像头镜片边缘点位置。借助相差度对缺陷区域进行识别，通过比较曲率与目标值的差异，利用孤立森林算法得出检测中车载摄像头镜片碾磨程度是否符合标准的结论。下面结合附图和实施例对本申请进行详细的说明。

请参见图1，图1为本发明车载摄像头镜片碾磨程度实时监测***的一实施例的结构示意图，具体包括：边缘检测模块11、阈值计算模块12、异常检测模块13。

其中，边缘检测模块11用于对待检测图像进行边缘检测，确定待检测图像中的边缘像素点，所述边缘像素点为车载摄像头的边缘，所述待检测图像是采集车载摄像头镜片的侧面图像得到的。

具体的，本发明需要对车载摄像头镜头研磨程度进行检测，使用CMOS相机采集车载摄像头镜片侧面图像，得到车载摄像头镜片侧面图像，车载摄像头镜片侧面图像为RGB图像。对获取的车载摄像头镜片侧面图像进行预处理，消除噪声和部分外界干扰造成的影响，增强后续分析的准确性。由于图像后续需从RGB空间转换到灰度图，常采用高斯滤波对图像降噪，利用高斯函数和获取到的车载摄像头镜片侧面图像做卷积，消除随机噪声。车载摄像头镜片侧面图像中镜片边缘两侧的灰度差异较大，可以根据这种特征将镜片边缘识别出。将去噪后的车载摄像头镜片侧面图像从RGB图像转化为灰度图像，从而得到待检测图像。

具体的，边缘检测模块11用于对待检测图像使用Canny算法，将车载摄像头镜片边缘识别出。对识别出的车载摄像头镜片边缘位置坐标进行求取，得到每一个车载摄像头镜片边缘像素点的坐标值，车载摄像头镜片第i个边缘像素点的坐标值为/>。

阈值计算模块12用于基于边缘像素点的异常度确定最优分割阈值。异常检测模块13用于利用孤立森林算法基于所述最优分割阈值和所述边缘像素点的异常度对所述边缘像素点进行异常检测，确定所述边缘像素点是否符合研磨标准。

进一步的，请结合图2，车载摄像头镜片碾磨程度实时监测***还包括异常度计算模块14。

具体的，异常度计算模块14计算所述边缘像素点至车载摄像头镜片形心的距离，作为距离度：

其中，为车载摄像头镜片第i个边缘像素点的距离度，/>为车载摄像头镜片形心对应的坐标值，/>为车载摄像头镜片第i个边缘像素点与车载摄像头镜片形心的欧氏距离，第i个边缘像素点的坐标值为/>。

进一步的，异常度计算模块14还用于：利用拉普拉斯算子得到车载摄像头镜片边缘像素点的一阶导数和二阶导数；基于所述一阶导数和二阶导数确定边缘像素点的曲率。

具体的，由于车载摄像头镜片上下侧边缘应该以中线呈对称状，据此来判断车载摄像头镜片的研磨程度。通过拉普拉斯算子得到车载摄像头镜片边缘像素点的一阶导数和二阶导数/>。

由曲率公式：

可得每一个边缘像素点的曲率，车载摄像头镜片第i个边缘像素点的曲率为/>。

进一步的，异常度计算模块14用于基于互为对称的两个边缘像素点的曲率差异和距离度差异确定互为对称的两个边缘像素点的差异度。

具体的，因为车载摄像头镜片呈现对称状，所以两对称点各自对应的曲率应该相同，同时两对称点的距离度也应该相同，求第i个车载摄像头镜片边缘像素点与对称像素点差异度：

为车载摄像头镜片第i个边缘像素点曲率，/>为车载摄像头镜片第i个边缘像素点对称点对应的曲率。/>为车载摄像头镜片第i个边缘像素点距离度，/>为车载摄像头镜片第i个边缘像素点对称点对应的距离度。其中，其中所述距离度为所述边缘像素点至车载摄像头镜片形心的距离。

差异度为车载摄像头镜片第i个边缘像素点与对称像素点曲率之差绝对值与距离度之差绝对值的乘积，/>是调参因子，它的作用是为了防止曲率之差为零或者距离度之差为零时的计算误差，/>的大小取经验值0.01。差异度/>越大则表明第i个像素点与对称像素点曲率相差越大或者距离度相差越大，曲率差/>越大则表明第i个像素点越可能为不对称的像素点，则第i个像素点越不符合标准。

异常度计算模块14还用于基于差异度以及边缘像素点的密度确定所述边缘像素点的异常度。具体的，基于以边缘像素点为中心的窗口区域内边缘像素点的数量以及窗口区域的面积确定边缘像素点的窗口区域的密度。

在一实施例中，以车载摄像头镜片第i个边缘像素点为中心，取9*9区域内所有车载摄像头镜片边缘像素点，计算以车载摄像头镜片第i个边缘像素点为中心9*9区域内所有车载摄像头镜片边缘像素点的个数。计算以车载摄像头镜片第i个边缘像素点为中心，9*9区域内车载摄像头镜片边缘像素点的密度/>：

其中，为区域的面积，因为是9*9区域，所以/>取81。由于凹陷或突起区域比起正常区域内镜片边缘像素点数量要多，所以密度也大。即/>越大，则第i个车载摄像头镜片边缘像素点越可能为凸起或凹陷区域内的像素点。以第i个车载摄像头镜片边缘像素点为中心9*9区域的所有车载摄像头镜片边缘像素点的密度作为第i个插在摄像头镜片边缘像素点的密度。计算所有车载摄像头镜片边缘像素点的密度。

异常度计算模块14基于边缘像素点的差异度和边缘像素点的密度/>确定所述边缘像素点的异常度。具体的，通过下列公式计算得到每一个边缘像素点的异常度/>：

式中为第i个像素点的密度，/>为第i个像素点的差异度，/>为第i个边缘像素点的异常度，经过上述公式计算得到所有车载摄像头镜片边缘像素点的异常度/>。

由于存在某些镜片的边缘像素点与对称像素点都在缺陷区域内，所以单一的差异度不能够完整的反映镜片边缘像素点的缺陷状况，所以将差异度/>与密度/>相乘，两者结合可以完整的反映像素点与缺陷区域的位置关系。异常度/>反映像素点与缺陷区域的位置关系，/>越大，第i个像素点越可能为缺陷区域内的像素点。

本申请采用孤立森林算法将不合格区域识别出。由于孤立森林算法较为依赖分割阈值，而如果分割阈值选择了一个异常值，那么树的成长就是存在一定误差的。所以对孤立森林算法的分割阈值进行改进。本***设置阈值计算模块12，利用阈值计算模块12基于边缘像素点的异常度确定最优分割阈值。

在一具体实施例中，阈值计算模块12随机选取部分边缘像素点作为参考像素点集合，并以所述参考像素点集合中边缘像素点的异常度的最大值/>作为初始分割阈值/>。

阈值计算模块12进一步基于边缘像素点的异常度和ε值下第j个分割阈值的差值确定边缘像素点的相差度。具体的，其中，第i个边缘像素点相差度/>为第i个边缘像素点的异常度/>与第l个ε下第j个分割阈值/>的差值的绝对值，并进行取整后计算得到的，具体计算公式为：

阈值计算模块12基于边缘像素点的相差度确定ε值下第j个分割阈值得到的混乱度。具体的，阈值计算模块12基于第k个边缘像素点的相差度在参考像素点集合中边缘像素点的相差度中出现的概率确定ε值下第j个分割阈值得到的混乱度。若相差度在所有n个像素点的相差度中只出现一次，则相差度在参考像素点集合中边缘像素点的相差度中出现的概率/>，n表示参考像素点中边缘像素点的数量。混乱度为每一个随机抽取出的像素点相差度的概率与相差度概率取对数后的结果进行相乘，将所有随机抽出的像素点进行上述计算，将所有像素点计算的结果进行求和。具体的，ε值下第j个分割阈值的混乱度计算方式为：

为在第l个ε下的第j次分割阈值得到的混乱度，/>为第k个边缘像素点的相差度/>在参考像素点集合中边缘像素点的相差度中所出现的概率，n是参考像素点集合中边缘像素点总数量。

阈值计算模块12基于ε值下第j个分割阈值得到的混乱度确定最优分割阈值。具体的，阈值计算模块12基于ε值下的第j次的分割阈值得到的混乱度、ε值下的第j-1次的分割阈值得到的混乱度和ε值下第j次的分割阈值计算得到ε值下的第j+1次的分割阈值。

利用如下公式计算第j+1次的分割阈值：

其中，表示第一个ε值下的第j+1次的分割阈值，/>表示ε值下的第j-1次的分割阈值，/>表示第一个ε值下，/>表示ε值下的第j次的分割阈值得到的混乱度，/>表示ε值下的第j-1次的分割阈值得到的混乱度。

由于为第j次分割阈值得到的混乱度，像素点的混乱度就越小，越能代表第j次分割阈值可以很好的对数据进行分割。所以将第j次分割阈值得到的混乱度与第j-1次分割阈值得到的混乱度进行相减，如果为负值，则表明第j次的分割效果更好，此时也为负值，ε初始值/>取经验值为1，ε最大不得超过2。因为分割阈值所构成的每个数据的相差度应该将两部分进行区分，所以应该构成的相差度应大致分为两部分，一部分的相差度较为接近，另一部分的相差度也较为接近，而两部分数据的相差度又不相接近，这样才可以完美的实现孤立森林中孤立树的阈值分割，分割阈值/>的取值范围为不大于最大的异常度，不小于最小的异常度。一般情况下，第一次的分割阈值/>取异常度的最小值/>，第二次的分割阈值/>取异常度的第二最小值。

如果第j+1次的分割阈值与第j次的分割阈值的差值的绝对值小于第一预设值，则将第j+1次的分割阈值作为ε值下的待选分割值。

改变ε值，并计算改变后的ε值下的待选分割值；利用如下公式改变ε值：

其中，为第l个ε值，/>为第l+1个ε值，其中，第一个ε值/>为1，ε值最大不得超过2。

对所有ε值下得到的待选分割阈值对应的混乱度进行比较，选择最小的混乱度对应的待选分割阈值作为所述最优分割阈值。

具体的，如果ε值下的第j次的分割阈值得到的混乱度小于ε值下的第j-1次的分割阈值得到的混乱度，即两者的混乱度之差为负值，则表示第j次的分割阈值的分割效果优于的第j-1次的分割阈值得的分割效果。如果ε值下的第j次的分割阈值得到的混乱度大于ε值下的第j-1次的分割阈值得到的混乱度，即两者的混乱度之差为正值，则表示第j次的分割阈值的分割效果劣于的第j-1次的分割阈值得的分割效果。此时的分割阈值较为合理，因为靠近根节点的左右叶子节点中，异常度的差异较大，两个叶子节点中的数据混乱度较小，且与根节点中的抽取数据分布差异都是较大的。所以随机抽取数据集中的异常数据和正常数据经过少数的节点就可以得到较好的分割结果。

阈值计算模块12通过上述方式计算得到最优分割阈值。异常检测模块13用于利用孤立森林算法基于所述最优分割阈值和所述边缘像素点的异常度对所述边缘像素点进行异常检测，确定所述边缘像素点是否符合研磨标准。

具体的，对所有像素点的异常度使用孤立森林算法，得到有没有异常点的结论，若有异常点则车载摄像头的研磨程度不符合标准。

本发明提出的车载摄像头镜片碾磨程度实时监测***，针对车载摄像头镜片凸起和凹陷等缺陷问题，基于镜片边缘点与镜片形心之间的欧氏距离得到距离度指标，通过拉普拉斯算法和曲率公式得到车载摄像头镜片边缘像素点曲率，从而得到混乱度指标，根据混乱度指标进行迭代优化得到最优阈值的效果，筛选出孤立森林算法中合适的分割阈值，从而判断车载摄像头镜片边缘的曲率是否符合标准，以及是否可能存在的突起和凹陷缺陷。从这两方面检测的车载摄像头镜片碾磨程度是否符合标准，比起现有技术可以有效地提高检验效率，以及提高检验的准确度。

以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种车载摄像头镜片碾磨程度实时监测***，其特征在于，包括：

边缘检测模块，用于对待检测图像进行边缘检测，确定待检测图像中的边缘像素点，所述边缘像素点为车载摄像头的边缘，所述待检测图像是采集车载摄像头镜片的侧面图像得到的；

阈值计算模块，用于基于边缘像素点的异常度确定最优分割阈值；

异常检测模块，用于利用孤立森林算法基于所述最优分割阈值和所述边缘像素点的异常度对所述边缘像素点进行异常检测，确定所述边缘像素点是否符合研磨标准。

2.根据权利要求1所述的一种车载摄像头镜片碾磨程度实时监测***，其特征在于，所述***还包括：

异常度计算模块，用于基于互为对称的两个边缘像素点的曲率差异和距离度差异确定互为对称的两个边缘像素点的差异度，其中所述距离度为所述边缘像素点至车载摄像头镜片形心的距离；

基于所述差异度以及边缘像素点的密度确定所述边缘像素点的异常度。

3.根据权利要求2所述的一种车载摄像头镜片碾磨程度实时监测***，其特征在于，所述异常度计算模块用于：

基于以边缘像素点为中心的窗口区域内边缘像素点的数量以及窗口区域的面积确定边缘像素点的窗口区域的密度；

基于边缘像素点的差异度和边缘像素点的密度确定所述边缘像素点的异常度。

4.根据权利要求1所述的一种车载摄像头镜片碾磨程度实时监测***，其特征在于，所述阈值计算模块用于：

随机选取部分边缘像素点作为参考像素点集合，并以所述参考像素点集合中边缘像素点的异常度的最大值作为初始分割阈值；

基于边缘像素点的异常度和ε值下第j个分割阈值的差值确定边缘像素点的相差度；

基于边缘像素点的相差度确定ε值下第j个分割阈值得到的混乱度；

基于ε值下第j个分割阈值得到的混乱度确定最优分割阈值。

5.根据权利要求4所述的一种车载摄像头镜片碾磨程度实时监测***，其特征在于，所述阈值计算模块用于：

基于ε值下的第j次的分割阈值得到的混乱度、ε值下的第j-1次的分割阈值得到的混乱度和ε值下第j次的分割阈值计算得到ε值下的第j+1次的分割阈值；

如果第j+1次的分割阈值与第j次的分割阈值的差值的绝对值小于第一预设值，则将第j+1次的分割阈值作为ε值下的待选分割值；

改变ε值，并计算改变后的ε值下的待选分割值；

对所有ε值下得到的待选分割阈值对应的混乱度进行比较，选择最小的混乱度对应的待选分割阈值作为所述最优分割阈值。

6.根据权利要求5所述的一种车载摄像头镜片碾磨程度实时监测***，其特征在于，所述阈值计算模块用于：

利用如下公式计算第j+1次的分割阈值：

其中，表示第一个ε值下的第j+1次的分割阈值，/>表示ε值下的第j-1次的分割阈值，/>表示第一个ε值下，/>表示ε值下的第j次的分割阈值得到的混乱度，/>表示ε值下的第j-1次的分割阈值得到的混乱度。

7.根据权利要求4所述的一种车载摄像头镜片碾磨程度实时监测***，其特征在于，所述阈值计算模块用于：

基于第k个边缘像素点的相差度在参考像素点集合中边缘像素点的相差度中出现的概率确定ε值下第j个分割阈值得到的混乱度；

其中，ε值下第j个分割阈值的混乱度计算方式为：

为在第l个ε下的第j次分割阈值得到的混乱度，/>为第k个边缘像素点的相差度/>在参考像素点集合中边缘像素点的相差度中所出现的概率，n是参考像素点集合中边缘像素点总数量。

8.根据权利要求5所述的一种车载摄像头镜片碾磨程度实时监测***，其特征在于：

如果ε值下的第j次的分割阈值得到的混乱度小于ε值下的第j-1次的分割阈值得到的混乱度，则表示第j次的分割阈值的分割效果优于的第j-1次的分割阈值得的分割效果；

如果ε值下的第j次的分割阈值得到的混乱度大于ε值下的第j-1次的分割阈值得到的混乱度，则表示第j次的分割阈值的分割效果劣于的第j-1次的分割阈值得的分割效果。

9.根据权利要求5所述的一种车载摄像头镜片碾磨程度实时监测***，其特征在于，所述阈值计算模块还用于：

利用如下公式改变ε值：

其中，为第l个ε值，/>为第l+1个ε值，其中，第一个ε值/>为1，ε值最大不得超过2。

10.根据权利要求2所述的一种车载摄像头镜片碾磨程度实时监测***，其特征在于，异常度计算模块还用于：

利用拉普拉斯算子得到车载摄像头镜片边缘像素点的一阶导数和二阶导数；

基于所述一阶导数和二阶导数确定边缘像素点的曲率。