CN117474977B - 基于机器视觉的欧松板凹坑快速检测方法及*** - Google Patents
基于机器视觉的欧松板凹坑快速检测方法及*** Download PDFInfo
- Publication number
- CN117474977B CN117474977B CN202311811247.7A CN202311811247A CN117474977B CN 117474977 B CN117474977 B CN 117474977B CN 202311811247 A CN202311811247 A CN 202311811247A CN 117474977 B CN117474977 B CN 117474977B
- Authority
- CN
- China
- Prior art keywords
- pit
- gradient
- edge line
- edge
- line segment
- 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 42
- 235000008331 Pinus X rigitaeda Nutrition 0.000 title claims abstract description 15
- 235000011613 Pinus brutia Nutrition 0.000 title claims abstract description 15
- 241000018646 Pinus brutia Species 0.000 title claims abstract description 15
- 230000008859 change Effects 0.000 claims abstract description 149
- 238000001914 filtration Methods 0.000 claims abstract description 72
- 238000011156 evaluation Methods 0.000 claims abstract description 51
- 238000001228 spectrum Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 33
- 238000009826 distribution Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- ZNEMYFCJOCCUJN-VFFTVRQLSA-N Europine Chemical compound C1C[C@H](O)[C@H]2C(COC(=O)[C@@](O)([C@H](C)OC)C(C)(C)O)=CCN21 ZNEMYFCJOCCUJN-VFFTVRQLSA-N 0.000 claims 2
- XAVJHWWXMYRTDC-UHFFFAOYSA-N europine Natural products COC(C)C(O)(C(=O)OCC1CCN2CCC(O)C12)C(C)(C)O XAVJHWWXMYRTDC-UHFFFAOYSA-N 0.000 claims 2
- 238000012545 processing Methods 0.000 abstract description 3
- 239000002023 wood Substances 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000011002 quantification Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction 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
- 238000000465 moulding Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,提出了基于机器视觉的欧松板凹坑快速检测方法及***,包括:采集欧松板灰度图像,获取欧松板频谱图像;得到若干边缘线段;根据边缘线段上各边缘点的梯度幅值,获取每条边缘线段的梯度差异度;获取若干灰度变化区域及每个灰度变化区域的凹坑评估值;获取若干凹坑可能区域及其梯度变化区间;根据凹坑可能区域的梯度变化区间对带通滤波的上下限阈值进行调整,得到带通滤波的最终上下限阈值;滤波重构得到欧松板滤波图像;对欧松板滤波图像进行凹坑检测。本发明旨在解决通过机器视觉进行欧松板凹坑检测时受木料其他深褐色区域影响导致检测结果不准确的问题。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于机器视觉的欧松板凹坑快速检测方法及***。
背景技术
欧松板是一种保留木材天然的纹理和色泽的建筑装饰材料,通过将一定几何形状的木料刨片经干燥、施胶、定向铺装及热压成型来完成生产;但由于其木料刨片的几何形状的无规律性,凹坑容易受到木料结节部分刨片的深褐色色彩影响,导致传统的机器视觉装置对于欧松板压制过程中出现的凹坑边缘信息难以提取,进而难以保证欧松板的生产质量与生产效率,因此需要对生产过程中的欧松板图像进行滤波处理,便于快速、准确提取出欧松板的凹坑区域。
现有技术中采用带通滤波算法对欧松板图像的频率域进行带通滤波处理,可以有效保留凹坑边缘信息,去除欧松板细小纹理边缘信息对于凹坑检测结果准确性的影响;但利用带通滤波算法对欧松板图像的频域进行滤波处理过程中,带通上下限阈值对于滤波效果有着决定性影响,仅采取经验上下限阈值进行的带通滤波处理,难以应对欧松板多变的刨片几何形状的叠加纹理、刨片表面的细小纹理以及结节部分的色彩影响,因此需要在考虑不同区域对于上下限阈值影响程度的前提下,实现欧松板凹坑快速检测。
发明内容
本发明提供基于机器视觉的欧松板凹坑快速检测方法及***,以解决现有的通过机器视觉进行欧松板凹坑检测时受木料其他深褐色区域影响导致检测结果不准确的问题,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了基于机器视觉的欧松板凹坑快速检测方法,该方法包括以下步骤:
采集欧松板灰度图像,获取欧松板频谱图像;
对欧松板灰度图像通过边缘检测得到若干边缘线段;根据边缘线段上各边缘点的梯度幅值,获取每条边缘线段的梯度差异度;根据边缘线段的梯度差异度及分布,获取若干灰度变化区域及每个灰度变化区域的凹坑评估值;
根据灰度变化区域的凹坑评估值及其中像素点的梯度,获取若干凹坑可能区域及其梯度变化区间;根据凹坑可能区域的梯度变化区间对带通滤波的上下限阈值进行调整,得到带通滤波的最终上下限阈值;对欧松板频谱图像进行滤波,重构得到欧松板滤波图像;
对欧松板滤波图像进行凹坑检测。
可选的,所述每条边缘线段的梯度差异度,具体的获取方法为:
根据边缘线段上各边缘点的梯度幅值及边缘点的数量,获取若干梯度阈值、每条边缘线的初始长度、每条边缘线段经每个梯度阈值筛选的剩余长度及剩余段数;第条边缘线段的梯度差异度/>的计算方法为:
其中, 表示第/>条边缘线段经第/>个梯度阈值筛选与相邻前一个梯度阈值筛选的变化因子,/>表示第/>条边缘线段的初始长度,/>表示第/>条边缘线段经第/>个梯度阈值筛选的剩余长度,/>表示第/>条边缘线段经第/>个梯度阈值筛选的剩余长度,/>表示第/>条边缘线段经第/>个梯度阈值筛选的剩余段数,/>示第/>条边缘线段经第/>个梯度阈值筛选的剩余段数,/>表示求绝对值;/>表示梯度阈值的数量;/>表示第/>条边缘线段所有相邻两个梯度阈值对应的变化因子的均值,/>表示第/>条边缘线段所有相邻两个梯度阈值对应的变化因子的标准差;/>为避免指数函数输出值过小的超参数;/>表示以自然常数为底的指数函数。
可选的,所述若干梯度阈值、每条边缘线的初始长度、每条边缘线段经每个梯度阈值筛选的剩余长度及剩余段数,具体的获取方法为:
获取所有边缘线段上每个边缘点的梯度幅值,梯度幅值的最小值及最大值组成梯度区间,预设一个迭代参数,将梯度幅值的最大值与最小值的差值,与迭代参数的比值,作为迭代步长,从梯度幅值的最小值开始作为初始梯度阈值,每次迭代增大一个迭代步长,得到若干梯度阈值;
对于第条边缘线段,获取第/>条边缘线段上边缘点的数量,记为第/>条边缘线的初始长度;通过任意一个梯度阈值对第/>条边缘线段进行阈值筛选,筛选过程为仅保留梯度幅值大于该梯度阈值的边缘点,统计第/>条边缘线段经该梯度阈值筛选后剩余的边缘点数量,记为第/>条边缘线段经该梯度阈值筛选的剩余长度;记录第/>条边缘线段经该梯度阈值筛选后,剩余边缘点组成的线段数量,记为第/>条边缘线段经该梯度阈值筛选的剩余段数。
可选的,所述若干灰度变化区域及每个灰度变化区域的凹坑评估值,具体的获取方法为:
根据边缘线段的梯度差异度及分布,获取若干灰度变化区域;对于任意一个灰度变化区域,将与该灰度变化区域的边缘存在共线的灰度变化区域,记为该灰度变化区域的参考灰度变化区域,共线的边缘线段记为该参考灰度变化区域的共线边缘线段;第个灰度变化区域的凹坑评估值/>的计算方法为:
其中,表示第/>个灰度变化区域中作为区域边缘的边缘线段上边缘点的数量,/>表示第/>个灰度变化区域中不是区域边缘的边缘线段上边缘点的数量;/>表示第/>个灰度变化区域的参考灰度变化区域的数量,/>表示第/>个灰度变化区域的第/>个参考灰度变化区域的共线边缘线段的数量,/>表示第/>个灰度变化区域的第/>个参考灰度变化区域对应类别中所有边缘线段的梯度差异度的均值,/>表示第/>个灰度变化区域的第/>个参考灰度变化区域的第/>个共线边缘线段的梯度差异度,/>表示求绝对值;/>为避免分母为0的超参数。
可选的,所述若干灰度变化区域,具体的获取方法为:
对每条边缘线段基于其上的边缘点获取质心,记为每条边缘线段的质心;获取任意两条边缘线段的质心之间的欧式距离,记为该两条边缘线段之间的空间距离,对得到的空间距离以及该两条边缘线段的梯度差异度的差值绝对值构建欧式范数,将欧式范数作为该两条边缘线段的距离度量,基于距离度量对所有边缘线段进行DBSCAN聚类,得到若干类别;
对于任意一个类别,对该类别包括的所有边缘线段进行凸包检测,得到一个区域,记为该类别对应的灰度变化区域。
可选的,所述若干凹坑可能区域及其梯度变化区间,具体的获取方法为:
对所有灰度变化区域的凹坑评估值进行线性归一化,得到的结果记为每个灰度变化区域的凹坑评价因子,若凹坑评价因子大于或等于评估阈值,将对应的灰度变化区域作为一个凹坑可能区域,得到若干凹坑可能区域;
对于任意一个凹坑可能区域,根据该凹坑可能区域在欧松板灰度图像上对应的区域,获取该凹坑可能区域中每个像素点的梯度幅值,根据其中的梯度幅值最小值及最大值,获取该凹坑可能区域的梯度变化区间。
可选的,所述得到带通滤波的最终上下限阈值,包括的具体方法为:
获取欧松板灰度图像中所有像素点的梯度幅值最大值与最小值,组成欧松板灰度图像的整体变化区间;对于任意一个凹坑可能区域,基于欧松板灰度图像的整体变化区间,对该凹坑可能区域的梯度变化区间的上下限进行最大最小值归一化,将梯度变化区间的上限的归一化值,记为该凹坑可能区域的上限调整因子;下限的归一化值,记为该凹坑可能区域的下限调整因子;
获取每个凹坑可能区域的上限调整因子与下限调整因子;对所有凹坑可能区域的凹坑评价因子进行softmax归一化,得到的结果作为每个凹坑可能区域的凹坑评价权重;带通滤波的最终上下限阈值的计算方法为:
其中,表示凹坑可能区域的数量,/>表示第/>个凹坑可能区域的凹坑评价权重,/>表示第/>个凹坑可能区域的下限调整因子,/>表示第/>个凹坑可能区域的上限调整因子,/>表示预设的带通滤波下限阈值,/>表示预设的带通滤波上限阈值;/>表示带通滤波的最终下限阈值,/>表示带通滤波的最终上限阈值。
可选的,所述对欧松板频谱图像进行滤波,重构得到欧松板滤波图像,包括的具体方法为:
通过带通滤波的最终上下限阈值,对欧松板频谱图像进行非空域的频域滤波,得到滤波结果,对滤波结果通过傅里叶逆变换进行图像重构,得到的图像记为欧松板滤波图像。
可选的,所述对欧松板滤波图像进行凹坑检测,包括的具体方法为:
对欧松板滤波图像进行连通域分析,得到若干连通域,每个连通域在欧松板灰度图像中对应的区域记为凹坑区域。
第二方面,本发明另一个实施例提供了基于机器视觉的欧松板凹坑快速检测***,该***包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明的有益效果是:本发明通过对欧松板灰度图像获取频谱图,根据欧松板灰度图像中凹坑区域的边缘信息的分布情况,实现对带通滤波上下限的自适应,通过带通滤波对频谱图进行非空域的滤波,最终得到欧松板滤波图像,有效避免木板刨片结节部分的纹理信息对于欧松板凹坑检测的影响;其中通过边缘检测获取若干边缘线段,并基于边缘点的梯度幅值变化,获取每条边缘线段的梯度差异度,通过梯度差异度表征边缘线段上边缘点的梯度幅值变化,使得梯度幅值变化较小的线段的梯度差异度更小;根据梯度差异度及边缘线段的分布得到若干灰度变化区域,并对灰度变化区域根据边缘线段及其梯度差异度,完成凹坑评估值的量化,并通过凹坑评估值获取凹坑可能区域,基于凹坑可能区域中像素点的梯度,对带通滤波的上下限阈值进行调整,使得最终的欧松板滤波图像中仅保留了凹坑部分的边缘点,对木板刨片结节部分的边缘纹理信息都通过调整的带通滤波进行了去除,从而使得欧松板的凹坑检测更加快速且结果更加准确。
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为本发明一个实施例所提供的基于机器视觉的欧松板凹坑快速检测方法流程示意图。
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。
请参阅图1,其示出了本发明一个实施例提供的基于机器视觉的欧松板凹坑快速检测方法流程图,该方法包括以下步骤:
步骤S001、采集欧松板灰度图像,获取欧松板频谱图像。
本实施例的目的是通过机器视觉对欧松板进行凹坑快速检测,因此需要在欧松板生产制造环节中对欧松板表面进行图像采集,通过对图像进行分析完成凹坑检测。
具体的,在每个欧松板通过传送带运输过程中,在传送带上方光线充足区域布置机器视觉装置,包括工业相机及其中程序处理模块,工业相机俯视拍摄获取欧松板的RGB图像,对RGB图像进行灰度化处理,得到的图像记为欧松板灰度图像。
进一步需要说明的是,欧松板待测灰度图像中,木料刨片的灰度值通常较大,含有结节处的木料刨片的区域灰度值最小,而木料刨片的几何形状的叠加纹理通常是形成欧松板凹坑的主要原因,其会在局部区域上呈现出较小的灰度信息,进而导致凹坑区域边缘部分呈现整体梯度幅值相近的分布;同时木料刨片中存在大量细节纹理信息,反映到频谱图中为高频分量,而木料刨片的形状形态信息则呈现低频分量分布于频谱图中,凹坑区域的边缘信息在频谱图中分布于高频与低频的中间,因此本实施例考虑通过能够自适应凹坑边缘信息的带通滤波,对频谱图进行非空域的频域滤波,从而使得滤波后的图像中仅包含凹坑的边缘信息,对细节纹理信息及形态信息都完成去除。
具体的,对欧松板灰度图像进行傅里叶变换,得到欧松板灰度图像的频谱图,记为欧松板频谱图像。
至此,获取到欧松板灰度图像及欧松板频谱图像。
步骤S002、对欧松板灰度图像通过边缘检测得到若干边缘线段;根据边缘线段上各边缘点的梯度幅值,获取每条边缘线段的梯度差异度;根据边缘线段的梯度差异度及分布,获取若干灰度变化区域及每个灰度变化区域的凹坑评估值。
需要说明的是,通过边缘检测能够得到欧松板灰度图像中的若干边缘线段,得到边缘线段后,凹坑区域的边缘信息中边缘线段上边缘点的梯度幅值应是相近的,因此通过对梯度阈值进行迭代变化,在不同梯度阈值下分析各边缘线段的变化情况来确定梯度差异度;再通过对边缘线段获取质心,基于质心之间的距离,并结合边缘线段的梯度差异度进行聚类,通过得到的各类别进行灰度变化区域的获取,灰度变化区域即为分布相近且梯度差异度相近的边缘线段所组成的区域,因此通过灰度变化区域以及相邻灰度变化区域的边缘线段分布及梯度差异度,完成凹坑评估值的量化。
具体的,对欧松板灰度图像通过canny算子进行边缘检测,得到若干边缘线段,其中若边缘线之间存在交点,则通过交点对边缘线进行分段,则边缘线段之间存在交点,但交点均为边缘线段的端点;获取所有边缘线段上每个边缘点的梯度幅值,梯度幅值的最小值及最大值组成梯度区间,预设一个迭代参数,本实施例迭代参数采用20进行叙述,则将梯度幅值的最大值与最小值的差值,与迭代参数的比值,作为迭代步长,从梯度幅值的最小值开始作为初始梯度阈值,每次迭代增大一个迭代步长并得到一个梯度阈值,最终得到若干梯度阈值。
进一步的,对于第条边缘线段,获取该条边缘线段上边缘点的数量,记为该条边缘线的初始长度;通过任意一个梯度阈值对该条边缘线段进行阈值筛选,筛选过程为仅保留梯度幅值大于该梯度阈值的边缘点,统计该条边缘线段经该梯度阈值筛选后剩余的边缘点数量,记为该条边缘线段经该梯度阈值筛选的剩余长度;同时记录该条边缘线段经该梯度阈值筛选后,剩余边缘点组成的线段数量,即由于筛选掉一部分边缘点,原边缘线段变成若干小线段,记为该条边缘线段经该梯度阈值筛选的剩余段数;按照上述方法获取第/>条边缘线段经每个梯度阈值筛选的剩余长度及剩余段数,则第/>条边缘线段的梯度差异度/>的计算方法为:
其中, 表示第/>条边缘线段经第/>个梯度阈值筛选与相邻前一个梯度阈值筛选的变化因子,/>表示第/>条边缘线段的初始长度,/>表示第/>条边缘线段经第/>个梯度阈值筛选的剩余长度,/>表示第/>条边缘线段经第/>个梯度阈值筛选的剩余长度,/>表示第/>条边缘线段经第/>个梯度阈值筛选的剩余段数,/>示第/>条边缘线段经第/>个梯度阈值筛选的剩余段数,/>表示求绝对值;特别说明的是,当/>时,则/>记为/>,而/>则为/>,即第/>条边缘线段未进行梯度阈值筛选时的剩余段数,此时段数为1,即/>;/>表示梯度阈值的数量,/>为迭代参数;/>表示第/>条边缘线段所有相邻两个梯度阈值对应的变化因子的均值,/>表示第/>条边缘线段所有相邻两个梯度阈值对应的变化因子的标准差;/>为避免指数函数输出值过小的超参数,本实施例采用/>进行叙述;/>表示以自然常数为底的指数函数,本实施例/>模型来呈现反比例关系,/>为模型的输入,实施者可根据实际情况设置反比例函数。
所需说明的是,在相邻梯度阈值的筛选过程中,剩余长度之间的差异越小,同时剩余段数的变化越小,边缘线段在该相邻梯度阈值的筛选中变化因子越小;而若整体变化因子相似,则基于变化因子计算的峰度值越小,相应的边缘线段对于梯度阈值的变化不敏感,表明边缘线段上边缘点的梯度幅值在数值分布上较为广泛,梯度差异度越大;而峰度值越大,表明存在相邻梯度阈值的筛选过程中变化因子较大,即相邻两个梯度阈值的筛选结果差异较大,则边缘线段对于梯度阈值的变化敏感,表明边缘线段上边缘点的梯度幅值均较为接近,则梯度差异度越小。
在其他实施例中,对于梯度差异度的计算方法可直接对一条边缘线段上边缘点的梯度幅值计算方差,将方差的反比例值作为该条边缘线段的梯度差异度。
进一步的,按照上述方法获取每条边缘线段的梯度差异度,同时对每条边缘线段基于其上的边缘点获取质心,记为每条边缘线段的质心,需要说明的是,质心基于边缘点的位置进行获取,质心获取为公知技术,本实施例不再赘述;获取任意两条边缘线段的质心之间的欧式距离,记为该两条边缘线段之间的空间距离,对得到的空间距离以及该两条边缘线段的梯度差异度的差值绝对值构建欧式范数,将欧式范数作为该两条边缘线段的距离度量,基于距离度量对所有边缘线段进行DBSCAN聚类,得到若干类别,每个类别中包括若干边缘线段,相同类别中的边缘线段之间空间距离较小且梯度差异度的差异较小,即分布相近且其上边缘点的梯度幅值变化相近。
进一步的,对于任意一个类别,对该类别包括的所有边缘线段进行凸包检测,得到一个区域,记为该类别对应的灰度变化区域,灰度变化区域包括边缘线段上的边缘点及凸包形状中包括的其他像素点;按照上述方法获取每个类别对应的灰度变化区域,而灰度变化区域的获取过程中,存在边缘线段或边缘线段上局部被两个灰度变化区域共用,即两个灰度变化区域相邻,且各自的边缘共线在一条边缘线段上,则对于任意一个灰度变化区域,将与该灰度变化区域的边缘存在共线的灰度变化区域,记为该灰度变化区域的参考灰度变化区域,共线的边缘线段记为该参考灰度变化区域的共线边缘线段,则对每个灰度变化区域按照上述方法获取若干参考灰度变化区域及其共线边缘线段,则第个灰度变化区域的凹坑评估值/>的计算方法为:
其中,表示第/>个灰度变化区域中作为区域边缘的边缘线段上边缘点的数量,即凸包检测得到灰度变化区域后,区域的边缘上为边缘线段上的边缘点的数量;/>表示第/>个灰度变化区域中不是区域边缘的边缘线段上边缘点的数量;/>表示第/>个灰度变化区域的参考灰度变化区域的数量,/>表示第/>个灰度变化区域的第/>个参考灰度变化区域的共线边缘线段的数量,/>表示第/>个灰度变化区域的第/>个参考灰度变化区域对应类别中所有边缘线段的梯度差异度的均值,/>表示第/>个灰度变化区域的第/>个参考灰度变化区域的第/>个共线边缘线段的梯度差异度,/>表示求绝对值;/>为避免分母为0的超参数,本实施例采用/>进行叙述;按照上述方法获取每个灰度变化区域的凹坑评估值。
所需说明的是,灰度变化区域与类别相对应,类别中的边缘线段作为灰度变化区域边缘的越多,同时未作为灰度变化区域边缘的边缘线段越少,则类别对应的灰度变化区域越符合边缘线段围成的区域,灰度变化区域为凹坑区域的可能性就越大,凹坑评估值则越大;同时灰度变化区域与参考灰度变化区域之间,共线边缘线段的梯度差异度与参考灰度变化区域对应类别中所有边缘线段的梯度差异度均值之间的差异越大,越能反映参考灰度变化区域与灰度变化区域的边缘信息差异较大,则灰度变化区域越可能为凹坑区域,凹坑评估值就越大。
至此,通过边缘检测获取到了若干边缘线段,并基于边缘点的梯度幅值变化,获取每条边缘线段的梯度差异度,根据梯度差异度及边缘线段的分布得到若干灰度变化区域,并对灰度变化区域根据边缘线段及其梯度差异度,完成凹坑评估值的量化。
步骤S003、根据灰度变化区域的凹坑评估值及其中像素点的梯度,获取若干凹坑可能区域及其梯度变化区间;根据凹坑可能区域的梯度变化区间对带通滤波的上下限阈值进行调整,得到带通滤波的最终上下限阈值;对欧松板频谱图像进行滤波,重构得到欧松板滤波图像。
需要说明的是,获取到灰度变化区域的凹坑评估值后,则基于凹坑评估值进行凹坑可能区域的获取,通过凹坑可能区域中像素点的梯度获取梯度变化区间,并基于欧松板灰度图像中的梯度幅值的最大值与最小值,对带通滤波的上下限阈值进行调整,基于调整后的上下限阈值进行带通滤波,并重构得到欧松板滤波图像,从而实现针对凹坑区域边缘信息的提取。
具体的,预设一个评估阈值,本实施例评估阈值采用0.78进行叙述,对所有灰度变化区域的凹坑评估值进行线性归一化,得到的结果记为每个灰度变化区域的凹坑评价因子,若凹坑评价因子大于或等于评估阈值,将对应的灰度变化区域作为一个凹坑可能区域,则得到若干凹坑可能区域;对于任意一个凹坑可能区域,根据该凹坑可能区域在欧松板灰度图像上对应的区域,获取该凹坑可能区域中每个像素点的梯度幅值,根据其中的梯度幅值最小值及最大值,获取该凹坑可能区域的梯度变化区间;获取欧松板灰度图像中所有像素点的梯度幅值最大值与最小值,组成欧松板灰度图像的整体变化区间,基于欧松板灰度图像的整体变化区间,对该凹坑可能区域的梯度变化区间的上下限进行最大最小值归一化,将梯度变化区间的上限的归一化值,记为该凹坑可能区域的上限调整因子;下限的归一化值,记为该凹坑可能区域的下限调整因子;按照上述方法获取每个凹坑可能区域的梯度变化区间及上限调整因子与下限调整因子;并对所有凹坑可能区域的凹坑评价因子进行softmax归一化,得到的结果作为每个凹坑可能区域的凹坑评价权重,则带通滤波的最终上下限阈值的计算方法为:
其中,表示凹坑可能区域的数量,/>表示第/>个凹坑可能区域的凹坑评价权重,/>表示第/>个凹坑可能区域的下限调整因子,/>表示第/>个凹坑可能区域的上限调整因子,/>表示预设的带通滤波下限阈值,/>表示预设的带通滤波上限阈值,本实施例采用/>及进行叙述;/>表示带通滤波的最终下限阈值,/>表示带通滤波的最终上限阈值。
进一步的,通过带通滤波的最终上下限阈值,对欧松板频谱图像进行非空域的频域滤波,得到滤波结果,对滤波结果通过傅里叶逆变换进行图像重构,得到的图像记为欧松板滤波图像。
至此,基于灰度变化区域的凹坑评估值得到凹坑可能区域,并根据凹坑可能区域中像素点的梯度幅值,完成对带通滤波的上下限阈值的调整,最终得到欧松板滤波图像。
步骤S004、对欧松板滤波图像进行凹坑检测。
需要说明的是,获取到欧松板滤波图像后,欧松板滤波图像即为经带通滤波后的边缘图像,其仅保留了凹坑部分的边缘点,对木板刨片结节部分的边缘纹理信息都通过调整的带通滤波进行了去除,则基于滤波图像进行边缘检测,得到的连通域即为相应的凹坑区域。
具体的,对欧松板滤波图像进行连通域分析,得到若干连通域,每个连通域在欧松板灰度图像中对应的区域记为凹坑区域,则对欧松板完成了凹坑检测;检测到欧松板中的凹坑后,通过可视化显示到相应的显示器上,以便用户更加直观的查看欧松板凹坑的位置与形状信息。
至此,通过对欧松板灰度图像获取频谱图,根据欧松板灰度图像中凹坑区域的边缘信息的分布情况,实现对带通滤波上下限的自适应,通过带通滤波对频谱图进行非空域的滤波,最终得到欧松板滤波图像,有效避免木板刨片结节部分的纹理信息对于欧松板凹坑检测的影响。
本发明另一个实施例提供了基于机器视觉的欧松板凹坑快速检测***,该***包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,执行以下操作:
采集欧松板灰度图像,获取欧松板频谱图像;对欧松板灰度图像通过边缘检测得到若干边缘线段;根据边缘线段上各边缘点的梯度幅值,获取每条边缘线段的梯度差异度;根据边缘线段的梯度差异度及分布,获取若干灰度变化区域及每个灰度变化区域的凹坑评估值;根据灰度变化区域的凹坑评估值及其中像素点的梯度,获取若干凹坑可能区域及其梯度变化区间;根据凹坑可能区域的梯度变化区间对带通滤波的上下限阈值进行调整,得到带通滤波的最终上下限阈值;对欧松板频谱图像进行滤波,重构得到欧松板滤波图像;对欧松板滤波图像进行凹坑检测。
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 (9)
1.基于机器视觉的欧松板凹坑快速检测方法,其特征在于,该方法包括以下步骤:
采集欧松板灰度图像,获取欧松板频谱图像;
对欧松板灰度图像通过边缘检测得到若干边缘线段;根据边缘线段上各边缘点的梯度幅值,获取每条边缘线段的梯度差异度;根据边缘线段的梯度差异度及分布,获取若干灰度变化区域及每个灰度变化区域的凹坑评估值;
根据灰度变化区域的凹坑评估值及其中像素点的梯度,获取若干凹坑可能区域及其梯度变化区间;根据凹坑可能区域的梯度变化区间对带通滤波的上下限阈值进行调整,得到带通滤波的最终上下限阈值;对欧松板频谱图像进行滤波,重构得到欧松板滤波图像;
对欧松板滤波图像进行凹坑检测;
所述若干灰度变化区域及每个灰度变化区域的凹坑评估值,具体的获取方法为:
根据边缘线段的梯度差异度及分布,获取若干灰度变化区域;对于任意一个灰度变化区域,将与该灰度变化区域的边缘存在共线的灰度变化区域,记为该灰度变化区域的参考灰度变化区域,共线的边缘线段记为该参考灰度变化区域的共线边缘线段;第个灰度变化区域的凹坑评估值/>的计算方法为:
其中,表示第/>个灰度变化区域中作为区域边缘的边缘线段上边缘点的数量,/>表示第/>个灰度变化区域中不是区域边缘的边缘线段上边缘点的数量;/>表示第/>个灰度变化区域的参考灰度变化区域的数量,/>表示第/>个灰度变化区域的第/>个参考灰度变化区域的共线边缘线段的数量,/>表示第/>个灰度变化区域的第/>个参考灰度变化区域对应类别中所有边缘线段的梯度差异度的均值,/>表示第/>个灰度变化区域的第/>个参考灰度变化区域的第/>个共线边缘线段的梯度差异度,/>表示求绝对值;/>为避免分母为0的超参数。
2.根据权利要求1所述的基于机器视觉的欧松板凹坑快速检测方法,其特征在于,所述每条边缘线段的梯度差异度,具体的获取方法为:
根据边缘线段上各边缘点的梯度幅值及边缘点的数量,获取若干梯度阈值、每条边缘线的初始长度、每条边缘线段经每个梯度阈值筛选的剩余长度及剩余段数;第条边缘线段的梯度差异度/>的计算方法为:
其中, 表示第/>条边缘线段经第/>个梯度阈值筛选与相邻前一个梯度阈值筛选的变化因子,/>表示第/>条边缘线段的初始长度,/>表示第/>条边缘线段经第/>个梯度阈值筛选的剩余长度,/>表示第/>条边缘线段经第/>个梯度阈值筛选的剩余长度,/>表示第/>条边缘线段经第/>个梯度阈值筛选的剩余段数,/>示第/>条边缘线段经第/>个梯度阈值筛选的剩余段数,/>表示求绝对值;/>表示梯度阈值的数量;/>表示第/>条边缘线段所有相邻两个梯度阈值对应的变化因子的均值,/>表示第/>条边缘线段所有相邻两个梯度阈值对应的变化因子的标准差;/>为避免指数函数输出值过小的超参数;/>表示以自然常数为底的指数函数。
3.根据权利要求2所述的基于机器视觉的欧松板凹坑快速检测方法,其特征在于,所述若干梯度阈值、每条边缘线的初始长度、每条边缘线段经每个梯度阈值筛选的剩余长度及剩余段数,具体的获取方法为:
获取所有边缘线段上每个边缘点的梯度幅值,梯度幅值的最小值及最大值组成梯度区间,预设一个迭代参数,将梯度幅值的最大值与最小值的差值,与迭代参数的比值,作为迭代步长,从梯度幅值的最小值开始作为初始梯度阈值,每次迭代增大一个迭代步长,得到若干梯度阈值;
对于第条边缘线段,获取第/>条边缘线段上边缘点的数量,记为第/>条边缘线的初始长度;通过任意一个梯度阈值对第/>条边缘线段进行阈值筛选,筛选过程为仅保留梯度幅值大于该梯度阈值的边缘点,统计第/>条边缘线段经该梯度阈值筛选后剩余的边缘点数量,记为第/>条边缘线段经该梯度阈值筛选的剩余长度;记录第/>条边缘线段经该梯度阈值筛选后,剩余边缘点组成的线段数量,记为第/>条边缘线段经该梯度阈值筛选的剩余段数。
4.根据权利要求1所述的基于机器视觉的欧松板凹坑快速检测方法,其特征在于,所述若干灰度变化区域,具体的获取方法为:
对每条边缘线段基于其上的边缘点获取质心,记为每条边缘线段的质心;获取任意两条边缘线段的质心之间的欧式距离,记为该两条边缘线段之间的空间距离,对得到的空间距离以及该两条边缘线段的梯度差异度的差值绝对值构建欧式范数,将欧式范数作为该两条边缘线段的距离度量,基于距离度量对所有边缘线段进行DBSCAN聚类,得到若干类别;
对于任意一个类别,对该类别包括的所有边缘线段进行凸包检测,得到一个区域,记为该类别对应的灰度变化区域。
5.根据权利要求1所述的基于机器视觉的欧松板凹坑快速检测方法,其特征在于,所述若干凹坑可能区域及其梯度变化区间,具体的获取方法为:
对所有灰度变化区域的凹坑评估值进行线性归一化,得到的结果记为每个灰度变化区域的凹坑评价因子,若凹坑评价因子大于或等于评估阈值,将对应的灰度变化区域作为一个凹坑可能区域,得到若干凹坑可能区域;
对于任意一个凹坑可能区域,根据该凹坑可能区域在欧松板灰度图像上对应的区域,获取该凹坑可能区域中每个像素点的梯度幅值,根据其中的梯度幅值最小值及最大值,获取该凹坑可能区域的梯度变化区间。
6.根据权利要求1所述的基于机器视觉的欧松板凹坑快速检测方法,其特征在于,所述得到带通滤波的最终上下限阈值,包括的具体方法为:
获取欧松板灰度图像中所有像素点的梯度幅值最大值与最小值,组成欧松板灰度图像的整体变化区间;对于任意一个凹坑可能区域,基于欧松板灰度图像的整体变化区间,对该凹坑可能区域的梯度变化区间的上下限进行最大最小值归一化,将梯度变化区间的上限的归一化值,记为该凹坑可能区域的上限调整因子;下限的归一化值,记为该凹坑可能区域的下限调整因子;
获取每个凹坑可能区域的上限调整因子与下限调整因子;对所有凹坑可能区域的凹坑评价因子进行softmax归一化,得到的结果作为每个凹坑可能区域的凹坑评价权重;带通滤波的最终上下限阈值的计算方法为:
其中,表示凹坑可能区域的数量,/>表示第/>个凹坑可能区域的凹坑评价权重,/>表示第个凹坑可能区域的下限调整因子,/>表示第/>个凹坑可能区域的上限调整因子,/>表示预设的带通滤波下限阈值,/>表示预设的带通滤波上限阈值;/>表示带通滤波的最终下限阈值,/>表示带通滤波的最终上限阈值。
7.根据权利要求1所述的基于机器视觉的欧松板凹坑快速检测方法,其特征在于,所述对欧松板频谱图像进行滤波,重构得到欧松板滤波图像,包括的具体方法为:
通过带通滤波的最终上下限阈值,对欧松板频谱图像进行非空域的频域滤波,得到滤波结果,对滤波结果通过傅里叶逆变换进行图像重构,得到的图像记为欧松板滤波图像。
8.根据权利要求1所述的基于机器视觉的欧松板凹坑快速检测方法,其特征在于,所述对欧松板滤波图像进行凹坑检测,包括的具体方法为:
对欧松板滤波图像进行连通域分析,得到若干连通域,每个连通域在欧松板灰度图像中对应的区域记为凹坑区域。
9.基于机器视觉的欧松板凹坑快速检测***,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-8任意一项所述基于机器视觉的欧松板凹坑快速检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311811247.7A CN117474977B (zh) | 2023-12-27 | 2023-12-27 | 基于机器视觉的欧松板凹坑快速检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311811247.7A CN117474977B (zh) | 2023-12-27 | 2023-12-27 | 基于机器视觉的欧松板凹坑快速检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117474977A CN117474977A (zh) | 2024-01-30 |
CN117474977B true CN117474977B (zh) | 2024-03-22 |
Family
ID=89635073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311811247.7A Active CN117474977B (zh) | 2023-12-27 | 2023-12-27 | 基于机器视觉的欧松板凹坑快速检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117474977B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101605268A (zh) * | 2008-06-10 | 2009-12-16 | 凌阳科技股份有限公司 | 梳型滤波器上的边缘方向检测的*** |
CN106897994A (zh) * | 2017-01-20 | 2017-06-27 | 北京京仪仪器仪表研究总院有限公司 | 一种基于分层图像的pcb板缺陷检测***和方法 |
CN107578418A (zh) * | 2017-09-08 | 2018-01-12 | 华中科技大学 | 一种融合色彩和深度信息的室内场景轮廓检测方法 |
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 |
CN115239735A (zh) * | 2022-09-23 | 2022-10-25 | 探长信息技术(苏州)有限公司 | 基于计算机视觉的通信柜表面缺陷检测方法 |
CN115311290A (zh) * | 2022-10-12 | 2022-11-08 | 南通市通州区精华电器有限公司 | 一种精密仪器金属零部件缺陷检测方法 |
CN116703910A (zh) * | 2023-08-07 | 2023-09-05 | 威海丰荟建筑工业科技有限公司 | 一种混凝土预制底板质量智能检测方法 |
CN116977329A (zh) * | 2023-09-21 | 2023-10-31 | 江苏惠汕新能源集团有限公司 | 一种基于机器视觉的光伏板栅线检测方法 |
CN117173189A (zh) * | 2023-11-03 | 2023-12-05 | 南通江华机械有限公司 | 一种铝合金表面抛光效果视觉检测*** |
-
2023
- 2023-12-27 CN CN202311811247.7A patent/CN117474977B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101605268A (zh) * | 2008-06-10 | 2009-12-16 | 凌阳科技股份有限公司 | 梳型滤波器上的边缘方向检测的*** |
CN106897994A (zh) * | 2017-01-20 | 2017-06-27 | 北京京仪仪器仪表研究总院有限公司 | 一种基于分层图像的pcb板缺陷检测***和方法 |
CN107578418A (zh) * | 2017-09-08 | 2018-01-12 | 华中科技大学 | 一种融合色彩和深度信息的室内场景轮廓检测方法 |
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 |
CN115239735A (zh) * | 2022-09-23 | 2022-10-25 | 探长信息技术(苏州)有限公司 | 基于计算机视觉的通信柜表面缺陷检测方法 |
CN115311290A (zh) * | 2022-10-12 | 2022-11-08 | 南通市通州区精华电器有限公司 | 一种精密仪器金属零部件缺陷检测方法 |
CN116703910A (zh) * | 2023-08-07 | 2023-09-05 | 威海丰荟建筑工业科技有限公司 | 一种混凝土预制底板质量智能检测方法 |
CN116977329A (zh) * | 2023-09-21 | 2023-10-31 | 江苏惠汕新能源集团有限公司 | 一种基于机器视觉的光伏板栅线检测方法 |
CN117173189A (zh) * | 2023-11-03 | 2023-12-05 | 南通江华机械有限公司 | 一种铝合金表面抛光效果视觉检测*** |
Non-Patent Citations (3)
Title |
---|
Joint image denoising with gradient direction and edge-preserving regularization;Pengliang Li 等;《Pattern Recognition》;20220531;第125卷;1-18 * |
基于计算机视觉的微小尺寸精密检测理论与技术研究;贺秋伟;《中国博士学位论文全文数据库信息科技辑》;20070315;第2007年卷(第3期);I138-34 * |
基于边缘切线方向连接的线段检测方法;丁宾 等;《计算机仿真》;20131231;第30卷(第12期);245-248 * |
Also Published As
Publication number | Publication date |
---|---|
CN117474977A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107798672B (zh) | 烟丝或梗丝的宽度测定方法、***及具有该***的服务器 | |
CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
CN101984916B (zh) | 基于数字图像处理技术的血管管径测量方法 | |
CN114723704B (zh) | 一种基于图像处理的纺织品质量评估方法 | |
CN111415376B (zh) | 汽车玻璃亚像素轮廓提取方法及汽车玻璃检测方法 | |
CN111160451A (zh) | 一种柔性材料检测方法及其储存介质 | |
CN109658391B (zh) | 一种基于轮廓归并和凸包拟合的圆半径测量方法 | |
CN103034838A (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
Gottschlich et al. | Robust orientation field estimation and extrapolation using semilocal line sensors | |
CN103389255A (zh) | 基于近红外高光谱纹理特征建模的预测茶叶含水率的方法 | |
CN106340000A (zh) | 骨龄评估方法 | |
CN110793462A (zh) | 基于视觉技术的尼龙齿轮分度圆测量方法 | |
CN116402742A (zh) | 一种汽车钣金件表面缺陷的视觉检测方法及*** | |
CN116862917A (zh) | 一种纺织品表面质量检测方法及*** | |
CN109556533B (zh) | 一种针对多线结构光条纹图像的自动提取方法 | |
CN117541763B (zh) | 一种基于图像识别的茶叶发酵度测定方法及*** | |
CN117474977B (zh) | 基于机器视觉的欧松板凹坑快速检测方法及*** | |
CN117274251B (zh) | 基于图像数据的药品生产过程中药片质量检测方法 | |
Lin et al. | Identification of broken rice kernels using image analysis techniques combined with velocity representation method | |
CN109000887B (zh) | 一种图案检测装置及方法、图案化控制***及方法 | |
CN110009642B (zh) | 基于白光干涉测量的三维图像噪声区域重建方法及*** | |
CN113838123B (zh) | 基于图像处理的烟丝形貌特征的测量方法 | |
CN114022481B (zh) | 食管癌乏血管区域大小的确定方法和*** | |
Wang et al. | Study on estimation method of plant leaf area based on image processing technology | |
CN112184636A (zh) | 一种电路板中固定件的检测方法及检测装置 |
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 |