CN117333825A - 一种基于计算机视觉的电缆桥架监测方法 - Google Patents
一种基于计算机视觉的电缆桥架监测方法 Download PDFInfo
- Publication number
- CN117333825A CN117333825A CN202311628198.3A CN202311628198A CN117333825A CN 117333825 A CN117333825 A CN 117333825A CN 202311628198 A CN202311628198 A CN 202311628198A CN 117333825 A CN117333825 A CN 117333825A
- Authority
- CN
- China
- Prior art keywords
- image
- channel
- channel image
- pixel point
- hyperspectral
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 claims abstract description 52
- 229910052725 zinc Inorganic materials 0.000 claims abstract description 52
- 239000011701 zinc Substances 0.000 claims abstract description 52
- 238000007747 plating Methods 0.000 claims abstract description 49
- 230000005856 abnormality Effects 0.000 claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 55
- 230000009467 reduction Effects 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 2
- 229910052751 metal Inorganic materials 0.000 description 6
- 239000002184 metal Substances 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 5
- 150000002739 metals Chemical class 0.000 description 3
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005246 galvanizing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 230000000007 visual effect 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
- 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
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理领域,具体涉及一种基于计算机视觉的电缆桥架监测方法,获取每个电缆镀锌桥架表面的高光谱图像通道图像的灰度异常程度,根据灰度异常程度确定出存在镀锌不均匀的高光谱图像,得到每个像素点在每个通道图像中的异常程度并计算出像素点为镀锌异常像素点的概率,根据概率得到镀锌异常像素点,对每个通道图像中的镀锌异常像素点进行均值漂移聚类,根据每个聚类结果及灰度异常程度得到每个通道图像的最优参考权重,根据最优参考权重对高光谱图像灰度化和连通域分析,得到电缆镀锌桥架表面的镀锌不均匀区域。本发明通过提取图像中的特征精准、可靠的监测到电缆镀锌桥架表面的镀锌不均匀区域。
Description
技术领域
本申请涉及计算机视觉领域,具体涉及一种基于计算机视觉的电缆桥架监测方法。
背景技术
电缆桥架是一款为保护电缆而衍生的产品,是电缆的保护壳,防止电缆受到外界因素的损坏,主要由支架、托臂和安装附件组成。电缆桥架的全部零件均需进行镀锌处理,镀锌不仅可以使桥架更加美观,还可以起到防锈的作用,对于常暴露在室外的材料有很好的保护作用,并可以提高电缆桥架的使用寿命和耐用程度。然而,桥架金属成分、表面粗糙度、工件几何尺寸、热浸镀锌工艺等诸多因素会对镀锌层的厚度产生影响,镀锌层厚度如果不均匀,会使桥架的抗腐蚀性能降低,且桥架表面容易产生缺陷。镀锌层厚度在桥架上越是均匀就代表桥架质量越好,因此需要对电缆桥架镀锌层的均匀性进行监测,以保证电缆桥架的生产质量。
由于传统相机采集的桥架镀锌前后的图像中,桥架表面金属颜色变化较小,使用普通相机难以区分不同位置的细微差异,进而导致不同位置的镀锌层厚度难以评估。
因此,根据不同的金属存在不同的特征光谱,且光谱强度与金属的含量也有确定关系,本技术方案使用高光谱相机采集电缆桥架表面图像,通过对图像中的光谱信息进行分析,得到桥架镀锌图像中各个位置的细微差异,得到镀锌不均匀的区域,从而实现对桥架表面镀锌质量的监测。
发明内容
本发明提供一种基于计算机视觉的电缆桥架监测方法,解决电缆桥架表面镀锌质量监测不够精准的问题,采用如下技术方案:
本发明提出了一种基于计算机视觉的电缆桥架监测方法,包括:
采集电缆镀锌桥架表面的高光谱图像并进行降维处理,得到降维后的高光谱图像;
根据降维后的高光谱图像的每个通道图像中每个像素点的灰度值相对于该通道图像内灰度值的差异得到每个通道图像的灰度异常程度;
根据每个通道图像的灰度异常程度确定出存在镀锌不均匀的高光谱图像;
根据存在镀锌不均匀的高光谱图像中每个像素点在每个通道图像中的灰度值得到每个像素点在每个通道图像中的异常程度;
根据存在镀锌不均匀的高光谱图像中每个像素点在每个通道图像中的异常程度计算出该像素点为镀锌异常像素点的概率;
根据概率和概率阈值确定出存在镀锌不均匀的高光谱图像中的镀锌异常像素点;
对存在镀锌不均匀的高光谱图像的每个通道图像中的镀锌异常像素点进行均值漂移聚类;
根据每个聚类结果中的像素点个数和每个聚类结果中的镀锌异常像素点在该通道图像中的异常程度及该通道图像的灰度异常程度,得到每个通道图像的最优参考权重;
根据每个通道图像的最优参考权重对高光谱图像进行灰度化处理和连通域分析,得到电缆镀锌桥架表面的镀锌不均匀区域。
进一步地,所述降维处理的方法如下:
获取高光谱图像每个通道图像归一化后的灰度直方图;
将每个通道图像对应的灰度直方图中的最大灰度值和最小灰度值及灰度范围内的每个灰度值所占比例作为向量的一个维度,将每个通道图像的灰度直方图转化为一个维数与灰度直方图中灰度值的个数相同的向量;
将各个通道图像中,具有相同的最大灰度值与最小灰度值的通道图像划分为一组,计算同一组内各个通道图像对应的向量之间的余弦相似度;
将余弦相似度的值大于等于阈值的两个向量所对应的通道图像互为冗余通道图像,保留互为冗余通道的图像中维数最小的通道图像,对其他通道图像进行剔除;
依次处理所有互为冗余通道的图像,实现高光谱图像的降维。
进一步地,所述确定出存在镀锌不均匀的高光谱图像的方法为:
获取每个通道图像的灰度异常程度,得到灰度异常程度均值,作为高光谱图像存在镀锌不均匀的可能性;
将可能性与可能性阈值对比,当可能性大于阈值时,该高光谱图像为存在镀锌不均匀的高光谱图像。
进一步地,所述高光谱图像中的镀锌异常像素点的获取方法如下:
获取高光谱图像中每个像素点在每个通道图像中的异常程度:
式中,为第/>个通道图像的占比最大的灰度值,/>为第/>个像素点在第/>个通道图像中的灰度值,/>为第/>个像素点在第/>个通道图像中的异常程度;
计算高光谱图像中每个像素点为镀锌异常像素点的概率,计算公式为:
式中,为降维后高光谱图像的通道图像个数,/>为第/>个像素点为镀锌异常像素点的概率;
当小于概率阈值时,第/>个像素点为噪声点,否则,第/>个像素点为高光谱图像中的镀锌异常像素点。
进一步地,所述每个通道图像的最优参考权重的获取方法如下:
将每个通道图像的灰度异常程度作为该通道图像的初始参考权重;
对每个通道图像中的镀锌异常点的坐标进行均值漂移聚类,其中第个通道图像中得到的均值漂移聚类结果个数为/>,每个聚类结果对应一个不均匀区域;
则每个通道图像的最优参考权重计算公式为:
式中,为第/>个通道图像的最优参考权重,/>为第/>个通道图像的初始参考权重,/>为第/>个通道图像中第/>个聚类结果中包含的像素点个数,即该聚类结果中不均匀区域的面积,/>为聚类结果总数,/>为第/>个通道图像中,第/>个聚类结果中包含的第/>个镀锌异常像素点在第/>个通道图像内的异常程度。
进一步地,所述电缆镀锌桥架表面的镀锌不均匀区域的获取方法为:
利用每个通道图像的最优参考权重对该通道图像中像素点的灰度值进行累加求和,对高光谱图像进行灰度化,得到高光谱图像的灰度图;
利用Seed-Filling算法对高光谱图像的灰度图进行连通域分析,得到的连通域即为电缆镀锌桥架表面的镀锌不均匀区域。
进一步地,所述异常程度的获取方法包括:
根据存在镀锌不均匀的高光谱图像中每个像素点在每个通道图像中的灰度值与该通道图像中占比最大的灰度值的差值得到每个像素点在每个通道图像中的异常程度。
进一步地,所述灰度异常程度的获取方法包括:
根据降维后的高光谱图像的每个通道图像中每个像素点的灰度值相对于该通道图像内平均灰度值的方差得到每个通道图像的灰度异常程度。
进一步地,所述可能性阈值设置为0.1。
进一步地,所述概率阈值设置为0.6。
本发明的有益效果是:利用计算机视觉,基于高光谱图像,通过对电缆镀锌桥架表面的高光谱图像并进行降维处理,获取每个通道图像的灰度异常程度,根据灰度异常程度确定出存在镀锌不均匀的高光谱图像,根据每个像素点在每个通道图像中的灰度值与该通道图像中占比最大的灰度值的差值得到每个像素点在每个通道图像中的异常程度,根据异常程度计算出该像素点为镀锌异常像素点的概率,根据概率和阈值确定出存在镀锌不均匀的高光谱图像中的镀锌异常像素点,对存在镀锌不均匀的高光谱图像的每个通道图像中的镀锌异常像素点进行均值漂移聚类,根据每个聚类结果中的像素点个数和每个聚类结果中的镀锌异常像素点在该通道图像中的异常程度及该通道图像的灰度异常程度得到每个通道图像的最优参考权重,根据每个通道图像的最优参考权重对高光谱图像进行灰度化处理和连通域分析,得到电缆镀锌桥架表面的镀锌不均匀区域,监测方法精准,可靠。
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是本发明的一种基于计算机视觉的电缆桥架监测方法流程示意图。
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。
本发明的一种基于计算机视觉的电缆桥架监测方法的实施例,如图1所示,包括:
步骤一:采集电缆镀锌桥架表面的高光谱图像。
步骤二:降维处理得到降维后的高光谱图像。
使用高光谱相机采集镀锌桥架的表面高光谱图像,并根据高光谱图像的各个通道图像的相似性进行合并,降低高光谱图像冗余性。
本实施例的主要场景为:均匀光照下,将高光谱相机设置在镀锌完成后的桥架正上方,调节相机焦距,使相机视野范围为桥架宽度,采集桥架表面所对应的高光谱图像,对高光谱图像进行处理,根据图像中的特征信息确定镀锌不均匀区域,从而实现对电缆桥架的监测。
其中,降维处理的具体方法为:
(1)获取各个通道图像中的归一化后的灰度直方图,此时灰度直方图中的横轴表示灰度值,纵轴表示各个灰度值所占的比例;
(2)获取各个通道图像所对应的灰度直方图中的最大灰度值以及最小灰度值,并以该灰度范围内的各个灰度值所占比例作为向量的一个维度,由此将每个灰度直方图转化为一个维数与灰度直方图中灰度值的个数相同的向量,则第个通道图像的灰度特征可以表示为/>,其中/>为第/>个通道图像内的最小灰度值与最大灰度值,/>为第/>个通道图像所对应的向量;
(3)根据各个通道图像中,具有相同的最大灰度值与最小灰度值的通道图像划分为一组,计算同一组内各个通道图像对应向量之间的余弦相似度,将余弦相似度的值大于等于相似度阈值的两个向量所对应的通道图像互为冗余通道,本实施例中相似度阈值为0.95;
(4)保留互为冗余通道的图像中维数最小的通道图像,对其他通道图像进行剔除,依次处理所有互为冗余通道的图像,实现高光谱图像的降维,得到降维后保留的通道维数序列,并记降维后的通道图像个数为。
需要说明的是,由于高光谱图像是基于光谱波段进行细分,光谱分辨率高,包含较多波段,图像中的每个像素点都对应多个通道,使得每个像素点包含多个维度的像素值,但是由于高光谱图像的波段之间具有强相关性,图像的谱间相关系数大,易造成高光谱冗余信息堆叠,并且该冗余伴随成像波段数目以及成像分辨率的增高而增加,具备典型高冗余度特性。为降低计算量,需要对高光谱中各个通道图像之间相似度较大的通道进行合并,以降低高光谱图像的维度。
步骤三:每个通道图像的灰度异常程度。
步骤四:存在镀锌不均匀的高光谱图像。
初步判断存在镀锌不均匀现象的高光谱图像,因为由于并非所有镀锌桥架图像均存在镀锌不均匀的现象,为避免不必要的操作,需要对镀锌的均匀程度进行初步判断,由于当镀锌均匀时,各个通道图像内的灰度值应该相同,因此可以首先根据各个通道内部灰度的差异程度进行镀锌均匀程度的初步判断。
其中,确定出存在镀锌不均匀的高光谱图像的方法为:
(1)获取每个通道图像的灰度异常程度:由于镀锌均匀时,每个通道内的灰度值是统一的,因此计算各个灰度直方图中的所有灰度值及其所占比例相对于对应的通道图像平均灰度值的方差,以所得方差归一化后的结果表示该通道图像内灰度的异常程度,其中第个通道图像的灰度异常程度记为/>;
(2)计算灰度异常程度均值:由于不同金属在部分通道内的灰度较为相似,无法只根据单个通道图像内的灰度异常程度判断桥架表面是否存在镀锌不均匀的区域,需要综合多个通道图像的灰度异常程度进行综合评价,因此计算各个通道图像的灰度异常程度的平均值,将该平均值作为高光谱图像存在镀锌不均匀的可能性;
(3)根据进行判断:将可能性/>与可能性阈值/>对比,当/>大于/>时,该高光谱图像为存在镀锌不均匀的高光谱图像,本实施例中可能性阈值为0.1。
步骤五:每个像素点在通道图像中的异常程度。
步骤六:每个像素点为镀锌异常像素点的概率。
分析每个像素点在每个通道内的异常程度,综合判断得到镀锌异常像素点。
其中,镀锌异常像素点的获取方法为:
(1)获取高光谱图像中每个像素点在每个通道图像中的异常程度:由于镀锌后的图像中,大部分区域仍然是镀锌均匀的区域,因此根据各个通道图像中占比最大的灰度值作为对应通道图像的参照灰度值,将各个像素点的灰度值相对于每个通道的参照灰度值的差值作为该像素点的在每个通道的异常程度;
每个像素点在每个通道图像中的异常程度的计算公式为:
式中,为第/>个通道图像的占比最大的灰度值,/>为第/>个像素点在第/>个通道图像中的灰度值,/>为第/>个像素点在第/>个通道图像中的异常程度;
(2)计算高光谱图像中每个像素点为镀锌异常像素点的概率:为了排除噪声点的干扰,需要结合其他通道图像内的异常程度对该像素点为镀锌异常点的可能性进行判断,则降维后的高光谱图像中的第个像素点为镀锌异常点的概率为/>,计算公式如下:
式中,为降维后高光谱图像的通道图像个数,/>为第/>个像素点为镀锌异常像素点的概率;
(3)根据概率和概率阈值判断:当小于概率阈值时,第/>个像素点为噪声点,否则,第/>个像素点为高光谱图像中的镀锌异常像素点,本实施例中概率阈值为0.6。
需要说明的是,图像的通道越多,其越容易产生噪声。同一通道图像内,噪声与金属锌之间存在灰度差异,但是由于镀锌不均匀产生的异常位置也存在灰度差异,因此单个通道内,根据像素点灰度之间的差异所得到的疑似异常点包含了异常点以及噪声点,即对于单个通道图像内无法仅根据灰度值之间的差异情况进行异常点与噪声点的区分,本步骤考虑到噪声是随机出现的,由镀锌不均匀产生的异常点位置是固定的,因此需要结合不同通道内的对应位置像素点的异常程度进行异常点的判断。
步骤七:每个通道图像的最优参考权重。
根据镀锌异常像素点的分布情况,调整各个通道图像的参考权重,得到图像灰度化的最优参考权重,因为RGB相机在转化为灰度图像时,各个通道的权重是基于人眼对红绿蓝三种颜色的敏感程度分配的经验值,但是当图像中存在更多的通道时,没有经验值可以用于高光谱图像的灰度化处理,且由于各个通道中异常点的异常程度并不相同,这也就意味着,在对高光谱图像进行灰度化处理时,对于不同通道所分配的权重并不相同,为了使得后续对不均匀区域的提取过程更加准确,往往更倾向于将更能凸显异常区域的通道图像赋予更大的权重,因此本发明根据不同通道内像素点的异常程度调整通道的参考权重,即最优参考权重。
其中,每个通道图像的最优参考权重的获取方法如下:
(1)以步骤二中所得到的每个通道图像的灰度异常程度作为该通道图像的初始参考权重,则第个通道图像的初始参考权重为/>:
其中,为第/>个通道图像的灰度异常程度,当第/>个通道图像是由互为冗余通道的图像融合而成时,其灰度异常程度为各个冗余通道图像灰度异常程度的平均值。
(2)对各个通道图像中的镀锌异常点的坐标进行均值漂移聚类,其中第个通道图像中得到的均值漂移聚类结果个数为/>,每个聚类结果对应一个不均匀区域;
则第个通道图像的最优参考权重可表示为:
其中,为第/>个通道图像中第/>个聚类结果中包含的像素点个数,也可以表示该聚类结果中不均匀的面积,/>为聚类结果总数,/>为第/>个通道图像中,第/>个聚类结果中的第/>个镀锌异常点在该通道图像内的异常程度。
需要说明的是,当通道图像中各个镀锌不均匀区域可以显示出的面积越完整,即面积越大,对该通道图像的参考程度越大;由于本发明的目的是为了使镀锌不均匀区域在后续分割过程中越简单,需要使不均匀区域更加明显,而不均匀区域的明显程度可以通过该区域内各个镀锌异常点的异常程度进行表征,不均匀区域的异常程度越大,对该通道图像的参考程度也越大,因此本步骤在对通道图像的参考程度进行调整时,需要结合通道图像内可以显示的异常区域面积以及区域异常程度进行综合评价。
步骤八:高光谱图像灰度化处理和连通域分析。
步骤九:电缆镀锌桥架表面的镀锌不均匀区域。
根据各个通道的参考权重获取高光谱图像对应的灰度图,提取出电缆桥架表面的异常区域。
其中,镀锌不均匀区域的获取方法为:
(1)将各个通道图像中的像素点的灰度值,结合各个通道所对应的最优参考权重进行累加求和,从而实现对高光谱图像进行灰度化处理;
(2)使用Seed-Filling算法对图像进行连通域分析,得到的连通区域即为电缆桥架表面镀锌不均匀区域。
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 (10)
1.一种基于计算机视觉的电缆桥架监测方法,其特征在于,包括:
采集电缆镀锌桥架表面的高光谱图像并进行降维处理,得到降维后的高光谱图像;
根据降维后的高光谱图像的每个通道图像中每个像素点的灰度值相对于该通道图像内灰度值的差异得到每个通道图像的灰度异常程度;
根据每个通道图像的灰度异常程度确定出存在镀锌不均匀的高光谱图像;
根据存在镀锌不均匀的高光谱图像中每个像素点在每个通道图像中的灰度值得到每个像素点在每个通道图像中的异常程度;
根据存在镀锌不均匀的高光谱图像中每个像素点在每个通道图像中的异常程度计算出该像素点为镀锌异常像素点的概率;
根据概率和概率阈值确定出存在镀锌不均匀的高光谱图像中的镀锌异常像素点;
对存在镀锌不均匀的高光谱图像的每个通道图像中的镀锌异常像素点进行均值漂移聚类;
根据每个聚类结果中的像素点个数和每个聚类结果中的镀锌异常像素点在该通道图像中的异常程度及该通道图像的灰度异常程度,得到每个通道图像的最优参考权重;
根据每个通道图像的最优参考权重对高光谱图像进行灰度化处理和连通域分析,得到电缆镀锌桥架表面的镀锌不均匀区域。
2.根据权利要求1所述的一种基于计算机视觉的电缆桥架监测方法,其特征在于,所述降维处理的方法如下:
获取高光谱图像每个通道图像归一化后的灰度直方图;
将每个通道图像对应的灰度直方图中的最大灰度值和最小灰度值及灰度范围内的每个灰度值所占比例作为向量的一个维度,将每个通道图像的灰度直方图转化为一个维数与灰度直方图中灰度值的个数相同的向量;
将各个通道图像中,具有相同的最大灰度值与最小灰度值的通道图像划分为一组,计算同一组内各个通道图像对应的向量之间的余弦相似度;
将余弦相似度的值大于等于阈值的两个向量所对应的通道图像互为冗余通道图像,保留互为冗余通道的图像中维数最小的通道图像,对其他通道图像进行剔除;
依次处理所有互为冗余通道的图像,实现高光谱图像的降维。
3.根据权利要求1所述的一种基于计算机视觉的电缆桥架监测方法,其特征在于,所述确定出存在镀锌不均匀的高光谱图像的方法为:
获取每个通道图像的灰度异常程度,得到灰度异常程度均值,作为高光谱图像存在镀锌不均匀的可能性;
将可能性与可能性阈值对比,当可能性大于阈值时,该高光谱图像为存在镀锌不均匀的高光谱图像。
4.根据权利要求3所述的一种基于计算机视觉的电缆桥架监测方法,其特征在于,所述高光谱图像中的镀锌异常像素点的获取方法如下:
获取高光谱图像中每个像素点在每个通道图像中的异常程度:
式中,为第/>个通道图像的占比最大的灰度值,/>为第/>个像素点在第/>个通道图像中的灰度值,/>为第/>个像素点在第/>个通道图像中的异常程度;
计算高光谱图像中每个像素点为镀锌异常像素点的概率,计算公式为:
式中,为降维后高光谱图像的通道图像个数,/>为第/>个像素点为镀锌异常像素点的概率;
当小于概率阈值时,第/>个像素点为噪声点,否则,第/>个像素点为高光谱图像中的镀锌异常像素点。
5.根据权利要求4所述的一种基于计算机视觉的电缆桥架监测方法,其特征在于,所述每个通道图像的最优参考权重的获取方法如下:
将每个通道图像的灰度异常程度作为该通道图像的初始参考权重;
对每个通道图像中的镀锌异常点的坐标进行均值漂移聚类,其中第个通道图像中得到的均值漂移聚类结果个数为/>,每个聚类结果对应一个不均匀区域;
则每个通道图像的最优参考权重计算公式为:
式中,为第/>个通道图像的最优参考权重,/>为第/>个通道图像的初始参考权重,/>为第/>个通道图像中第/>个聚类结果中包含的像素点个数,即该聚类结果中不均匀区域的面积,/>为聚类结果总数,/>为第/>个通道图像中,第/>个聚类结果中包含的第/>个镀锌异常像素点在第/>个通道图像内的异常程度。
6.根据权利要求1所述的一种基于计算机视觉的电缆桥架监测方法,其特征在于,所述电缆镀锌桥架表面的镀锌不均匀区域的获取方法为:
利用每个通道图像的最优参考权重对该通道图像中像素点的灰度值进行累加求和,对高光谱图像进行灰度化,得到高光谱图像的灰度图;
利用Seed-Filling算法对高光谱图像的灰度图进行连通域分析,得到的连通域即为电缆镀锌桥架表面的镀锌不均匀区域。
7.根据权利要求1所述的一种基于计算机视觉的电缆桥架监测方法,其特征在于,所述异常程度的获取方法包括:
根据存在镀锌不均匀的高光谱图像中每个像素点在每个通道图像中的灰度值与该通道图像中占比最大的灰度值的差值得到每个像素点在每个通道图像中的异常程度。
8.根据权利要求1所述的一种基于计算机视觉的电缆桥架监测方法,其特征在于,所述灰度异常程度的获取方法包括:
根据降维后的高光谱图像的每个通道图像中每个像素点的灰度值相对于该通道图像内平均灰度值的方差得到每个通道图像的灰度异常程度。
9.根据权利要求3所述的一种基于计算机视觉的电缆桥架监测方法,其特征在于,所述可能性阈值设置为0.1。
10.根据权利要求1所述的一种基于计算机视觉的电缆桥架监测方法,其特征在于,所述概率阈值设置为0.6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311628198.3A CN117333825B (zh) | 2023-12-01 | 2023-12-01 | 一种基于计算机视觉的电缆桥架监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311628198.3A CN117333825B (zh) | 2023-12-01 | 2023-12-01 | 一种基于计算机视觉的电缆桥架监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117333825A true CN117333825A (zh) | 2024-01-02 |
CN117333825B CN117333825B (zh) | 2024-02-23 |
Family
ID=89279647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311628198.3A Active CN117333825B (zh) | 2023-12-01 | 2023-12-01 | 一种基于计算机视觉的电缆桥架监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117333825B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117593651A (zh) * | 2024-01-18 | 2024-02-23 | 四川交通职业技术学院 | 一种隧道裂纹分割识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210335041A1 (en) * | 2019-01-11 | 2021-10-28 | Axial Medical Printing Limited | Method for generating a 3d printable model of a patient specific anatomy |
CN115082488A (zh) * | 2022-08-23 | 2022-09-20 | 南通浩盛汽车科技有限公司 | 汽车零件镀锌工艺中的表面羽痕控制方法及装置 |
CN115184380A (zh) * | 2022-08-01 | 2022-10-14 | 国网上海市电力公司 | 基于机器视觉的印刷电路板焊点异常检测方法 |
CN115294102A (zh) * | 2022-09-26 | 2022-11-04 | 如东延峰钢结构有限公司 | 基于机器视觉的不锈钢制品异常识别方法 |
CN115345885A (zh) * | 2022-10-19 | 2022-11-15 | 南通鹏宝运动用品有限公司 | 一种金属健身器材外观质量检测方法 |
US20230088891A1 (en) * | 2020-09-16 | 2023-03-23 | Beijing Boe Optoelectronics Technology Co., Ltd. | Method and apparatus for determining grayscale data, device, and screen drive board |
CN116448769A (zh) * | 2023-05-10 | 2023-07-18 | 南京林业大学 | 一种多模态信息融合的板材缺陷检测***及其检测方法 |
EP4250224A1 (en) * | 2022-03-25 | 2023-09-27 | Primetals Technologies Japan, Ltd. | Method of correcting image, method of detecting abnormality, image correcting apparatus, and abnormality detecting apparatus |
-
2023
- 2023-12-01 CN CN202311628198.3A patent/CN117333825B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210335041A1 (en) * | 2019-01-11 | 2021-10-28 | Axial Medical Printing Limited | Method for generating a 3d printable model of a patient specific anatomy |
US20230088891A1 (en) * | 2020-09-16 | 2023-03-23 | Beijing Boe Optoelectronics Technology Co., Ltd. | Method and apparatus for determining grayscale data, device, and screen drive board |
EP4250224A1 (en) * | 2022-03-25 | 2023-09-27 | Primetals Technologies Japan, Ltd. | Method of correcting image, method of detecting abnormality, image correcting apparatus, and abnormality detecting apparatus |
CN115184380A (zh) * | 2022-08-01 | 2022-10-14 | 国网上海市电力公司 | 基于机器视觉的印刷电路板焊点异常检测方法 |
CN115082488A (zh) * | 2022-08-23 | 2022-09-20 | 南通浩盛汽车科技有限公司 | 汽车零件镀锌工艺中的表面羽痕控制方法及装置 |
CN115294102A (zh) * | 2022-09-26 | 2022-11-04 | 如东延峰钢结构有限公司 | 基于机器视觉的不锈钢制品异常识别方法 |
CN115345885A (zh) * | 2022-10-19 | 2022-11-15 | 南通鹏宝运动用品有限公司 | 一种金属健身器材外观质量检测方法 |
CN116448769A (zh) * | 2023-05-10 | 2023-07-18 | 南京林业大学 | 一种多模态信息融合的板材缺陷检测***及其检测方法 |
Non-Patent Citations (3)
Title |
---|
ISLAM, SR: "Optimal combining fusion on degraded compressed sensing image reconstruction", 《SIGNAL PROCESSING-IMAGE COMMUNICATION》, vol. 52, 12 April 2017 (2017-04-12), pages 173 - 182, XP029906379, DOI: 10.1016/j.image.2016.12.010 * |
毕军涛;温雪;丁喜纲;孙授卿;: "镀锌带钢设备裂缝图像的分割技术研究", 世界有色金属, no. 06, 25 March 2016 (2016-03-25) * |
王昱栋: "基于机器视觉的锚杆异常快速检测方法", 《工矿自动化》, no. 4, 30 April 2021 (2021-04-30), pages 13 - 18 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117593651A (zh) * | 2024-01-18 | 2024-02-23 | 四川交通职业技术学院 | 一种隧道裂纹分割识别方法 |
CN117593651B (zh) * | 2024-01-18 | 2024-04-05 | 四川交通职业技术学院 | 一种隧道裂纹分割识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117333825B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117333825B (zh) | 一种基于计算机视觉的电缆桥架监测方法 | |
CN116091499B (zh) | 一种涂料生产异常识别*** | |
CN107085714B (zh) | 一种基于视频的森林火灾检测方法 | |
CN108876768B (zh) | 导光板暗影缺陷检测方法 | |
CN107490582B (zh) | 一种流水线工件检测*** | |
CN115841434B (zh) | 一种用于气体浓度分析的红外图像增强方法 | |
CN115018844A (zh) | 一种基于人工智能的塑料薄膜质量评估方法 | |
CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115330646B (zh) | 一种用于健身器材喷漆工艺的金属构件检查方法 | |
CN115330796B (zh) | 一种铜线镀锡缺陷识别方法 | |
CN116740058A (zh) | 一种固态硬盘配套晶圆的质量检测方法 | |
CN114332081B (zh) | 基于图像处理的纺织品表面异常判定方法 | |
CN112308843A (zh) | 用于光伏电池板图像采集的相机过曝异常调节方法及*** | |
CN113744326B (zh) | 一种在ycrcb颜色空间中基于种子区域生长法则的火灾检测方法 | |
CN116721096B (zh) | 基于人工智能的新能源线束质量在线检测方法 | |
CN117011291B (zh) | 一种手表外壳质量视觉检测方法 | |
CN108230334B (zh) | 基于灰度阈值的高浓度风沙图像分割的方法 | |
CN117078679A (zh) | 一种基于机器视觉的散热风扇自动组装线生产检测方法 | |
CN110288540B (zh) | 一种碳纤维导线x射线图像在线成像标准化方法 | |
JP6573798B2 (ja) | 画像処理装置及び画像処理方法 | |
CN108830834B (zh) | 一种爬索机器人视频缺陷信息自动提取方法 | |
CN116758447A (zh) | 一种基于数字孪生的变电站设备故障分析*** | |
CN116543022A (zh) | 气体红外图像处理方法、气体检漏仪及存储介质 | |
CN114638822B (zh) | 一种利用光学手段的汽车盖板表面质量检测方法及*** |
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 |