CN116883446A - 一种车载摄像头镜片碾磨程度实时监测*** - Google Patents
一种车载摄像头镜片碾磨程度实时监测*** Download PDFInfo
- Publication number
- CN116883446A CN116883446A CN202311152368.5A CN202311152368A CN116883446A CN 116883446 A CN116883446 A CN 116883446A CN 202311152368 A CN202311152368 A CN 202311152368A CN 116883446 A CN116883446 A CN 116883446A
- Authority
- CN
- China
- Prior art keywords
- degree
- edge pixel
- value
- pixel points
- epsilon
- 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
- 238000000227 grinding Methods 0.000 title claims abstract description 32
- 238000012544 monitoring process Methods 0.000 title claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 80
- 238000004364 calculation method Methods 0.000 claims abstract description 34
- 230000005856 abnormality Effects 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000003708 edge detection Methods 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims description 13
- 238000005192 partition Methods 0.000 claims description 6
- 238000003801 milling Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005457 optimization 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
- G06T7/10—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
- 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
- G06T2207/20048—Transform domain processing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
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
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311152368.5A CN116883446B (zh) | 2023-09-08 | 2023-09-08 | 一种车载摄像头镜片碾磨程度实时监测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311152368.5A CN116883446B (zh) | 2023-09-08 | 2023-09-08 | 一种车载摄像头镜片碾磨程度实时监测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116883446A true CN116883446A (zh) | 2023-10-13 |
CN116883446B CN116883446B (zh) | 2023-11-21 |
Family
ID=88259125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311152368.5A Active CN116883446B (zh) | 2023-09-08 | 2023-09-08 | 一种车载摄像头镜片碾磨程度实时监测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116883446B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197140A (zh) * | 2023-11-07 | 2023-12-08 | 东莞市恒兴隆实业有限公司 | 基于机器视觉的不规则金属扣成型检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FI935739A0 (fi) * | 1992-12-21 | 1993-12-20 | Johnson & Johnson Vision Prod | Kontrollfoerfarande och -anordning foer oftalmiska linser |
EP3355104A1 (de) * | 2017-01-27 | 2018-08-01 | Carl Zeiss Vision International GmbH | Verfahren und vorrichtung sowie computerprogramm zum ermitteln einer repräsentation eines brillenglasrands |
SE1930421A1 (en) * | 2019-12-30 | 2021-07-01 | Unibap Ab | Method and means for detection of imperfections in products |
CN113643371A (zh) * | 2021-10-13 | 2021-11-12 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种飞行器模型表面标记点的定位方法 |
CN114113129A (zh) * | 2021-12-03 | 2022-03-01 | 中科计算技术西部研究院 | 一种镜片微小缺陷识别抓取***及方法 |
WO2022088620A1 (zh) * | 2020-10-28 | 2022-05-05 | 北京市商汤科技开发有限公司 | 相机镜头的状态检测方法、装置、设备及存储介质 |
CN115239727A (zh) * | 2022-09-23 | 2022-10-25 | 南通荣茂电子科技有限公司 | 一种pcb板表面缺陷检测方法 |
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 |
CN115953407A (zh) * | 2023-03-15 | 2023-04-11 | 深圳市科姆特精密科技有限公司 | 基于计算机视觉的半导体设备维修*** |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
-
2023
- 2023-09-08 CN CN202311152368.5A patent/CN116883446B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FI935739A0 (fi) * | 1992-12-21 | 1993-12-20 | Johnson & Johnson Vision Prod | Kontrollfoerfarande och -anordning foer oftalmiska linser |
EP3355104A1 (de) * | 2017-01-27 | 2018-08-01 | Carl Zeiss Vision International GmbH | Verfahren und vorrichtung sowie computerprogramm zum ermitteln einer repräsentation eines brillenglasrands |
SE1930421A1 (en) * | 2019-12-30 | 2021-07-01 | Unibap Ab | Method and means for detection of imperfections in products |
WO2022088620A1 (zh) * | 2020-10-28 | 2022-05-05 | 北京市商汤科技开发有限公司 | 相机镜头的状态检测方法、装置、设备及存储介质 |
CN113643371A (zh) * | 2021-10-13 | 2021-11-12 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种飞行器模型表面标记点的定位方法 |
CN114113129A (zh) * | 2021-12-03 | 2022-03-01 | 中科计算技术西部研究院 | 一种镜片微小缺陷识别抓取***及方法 |
CN115239727A (zh) * | 2022-09-23 | 2022-10-25 | 南通荣茂电子科技有限公司 | 一种pcb板表面缺陷检测方法 |
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 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
CN115953407A (zh) * | 2023-03-15 | 2023-04-11 | 深圳市科姆特精密科技有限公司 | 基于计算机视觉的半导体设备维修*** |
Non-Patent Citations (4)
Title |
---|
关波;王俊元;杜文华;曾志强;: "刀具轮廓亚像素精度阈值分割算法研究", 图学学报, no. 06 * |
王波;: "基于细胞膜优化的图像边缘检测算法研究", 计算机仿真, no. 06 * |
申宁馨;彭承琳;王翊;文静;: "基于图像的颗粒物检测研究", 计算机测量与控制, no. 01 * |
陈红;熊利荣;胡筱波;王巧华;吴谋成;: "基于神经网络与图像处理的花生仁霉变识别方法", 农业工程学报, no. 04 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197140A (zh) * | 2023-11-07 | 2023-12-08 | 东莞市恒兴隆实业有限公司 | 基于机器视觉的不规则金属扣成型检测方法 |
CN117197140B (zh) * | 2023-11-07 | 2024-02-20 | 东莞市恒兴隆实业有限公司 | 基于机器视觉的不规则金属扣成型检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116883446B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111292305B (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN110163853B (zh) | 一种边缘缺陷的检测方法 | |
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
CN111274843B (zh) | 基于监控视频的货车超载监测方法及*** | |
CN108491498B (zh) | 一种基于多特征检测的卡口图像目标搜索方法 | |
CN111862037A (zh) | 基于机器视觉的精密孔类零件几何特征检测方法及*** | |
CN105160652A (zh) | 基于计算机视觉的手机外壳检验装置与方法 | |
CN116883446B (zh) | 一种车载摄像头镜片碾磨程度实时监测*** | |
CN111667470B (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
CN110189375B (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN110866430A (zh) | 一种车牌识别方法及装置 | |
CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN112528868B (zh) | 一种基于改进Canny边缘检测算法的违章压线判别方法 | |
CN109448022B (zh) | 用于导引***的红外抗遮挡跟踪方法 | |
CN111310771B (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
CN116758045B (zh) | 一种半导体发光二极管的表面缺陷检测方法及*** | |
CN112017223A (zh) | 基于改进SIFT-Delaunay的异源图像配准方法 | |
CN107862319A (zh) | 一种基于邻域投票的异源高分光学影像匹配误差剔除方法 | |
CN106886988A (zh) | 一种基于无人机遥感的线性目标检测方法及*** | |
CN116358449A (zh) | 一种基于双目面结构光的飞机铆钉凹凸量测量方法 | |
CN112288682A (zh) | 基于图像配准的电力设备缺陷定位方法 | |
CN116703251A (zh) | 基于人工智能的胶圈生产质量检测方法 | |
CN113129260B (zh) | 一种锂电池电芯内部缺陷的自动检测方法及装置 | |
CN113781413A (zh) | 一种基于Hough梯度法的电解电容定位方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A real-time monitoring system for the grinding degree of car mounted camera lenses Granted publication date: 20231121 Pledgee: China Construction Bank Corporation Weishan sub branch Pledgor: Luran Optoelectronics (Weishan) Co.,Ltd. Registration number: Y2024980009973 |