一種竹塊缺陷檢測方法和系統與流程
2024-03-29 05:41:05
本發明主要涉及竹蓆缺陷檢測領域,具體涉及一種竹塊缺陷檢測方法和系統。
背景技術:
隨著全球低碳經濟浪潮的興起及「綠色、環保、可持續發展」理念的倡導,竹製品越來越受到全世界消費者的青睞。
而現階段全國各麻將涼蓆生產廠家竹塊的篩選主要依靠的是工人肉眼的判斷,效率低下,判斷標準也不統一。因此設計一套竹塊快速的缺陷檢測算法十分必要,將有助於提高麻將涼蓆的生產效率,增加企業收益。
技術實現要素:
本發明所要解決的技術問題是提供一種竹塊缺陷檢測方法和系統,通過對竹塊圖像進行區域大小檢測、初步紋理檢測、輪廓缺陷檢測、正反面檢測和深度紋理檢測,從而判斷出竹塊是否存在缺陷,判斷出的結果較精確。
本發明解決上述技術問題的技術方案如下:一種竹塊缺陷檢測方法,包括如下步驟:
步驟S1:利用攝像設備獲取竹塊圖像;
步驟S2:判斷竹塊圖像的區域範圍是否屬於預設感興趣區域ROI(region of interest)的範圍內,如果屬於,則根據預設圖像區域標準值將竹塊圖像裁剪為標準化尺寸,否則得到竹塊不合格的結果;
步驟S3:根據預設灰度值對標準化尺寸的竹塊圖像進行初步紋理檢測,如果紋理正常則執行步驟S4,否則得到竹塊不合格的結果;
步驟S4:利用竹塊偽對稱性對初步紋理檢測正常的竹塊圖像進行輪廓缺陷檢測,如果輪廓正常則執行步驟S5,否則得到竹塊不合格的結果;
步驟S5:利用顏色模型HSV對輪廓正常的竹塊圖像進行正面和反面檢測,如果檢測出是反面則將竹塊翻面,並重複執行步驟S1;否則,執行步驟S6;
步驟S6:訓練支持向量機分類器,並根據訓練後的支持向量機分類器對正面的竹塊圖像進行深度紋理識別,從而得到竹塊合格或不合格的結果。
本發明的有益效果是:通過對竹塊圖像進行區域大小檢測、初步紋理檢測、輪廓缺陷檢測、正反面檢測和深度紋理檢測,從而判斷出竹塊是否存在缺陷,判斷出的結果較精確,有助於提高麻將涼蓆的生產效率,增加企業收益。
在上述技術方案的基礎上,本發明還可以做如下改進。
進一步,獲取竹塊圖像後,還包括對竹塊圖像的畫質進行優化處理的步驟,其包括對竹塊圖像進行白平衡處理、中值濾波處理和高斯濾波的優化處理。
採用上述進一步方案的有益效果是:對竹塊圖像進行預處理,主要是減小工廠環境中易產生的椒鹽噪聲的幹擾,便於下面的步驟對竹塊圖像進缺陷檢測。
進一步,對竹塊圖像的畫質進行優化處理後,還包括利用重心原理將竹塊圖像旋轉到水平位置的步驟:求取竹塊圖像的最小外接矩形,並利用重心原理計算出所述最小外接矩形的角度,並根據該角度且以竹塊圖像的重心為旋轉中心進行旋轉,從而將竹塊圖像旋轉到水平位置。
採用上述進一步方案的有益效果是:將竹塊圖像旋轉到水平位置有利於特徵的提取。
進一步,具體實現所述步驟S3的方法為:將標準化尺寸的竹塊圖像處理成灰度模式下的竹塊圖像,再判斷竹塊圖像的灰度值是否屬於預設圖像灰度值範圍,如果屬於,則紋理正常,否則得到竹塊不合格的結果。
進一步,所述預設圖像灰度值範圍為60至220;如果灰度竹塊圖像的灰度值小於等於60或大於等於220,則屬於不合格竹塊。
採用上述進一步方案的有益效果是:對竹塊圖像的紋理進行粗略的紋理檢測,來檢測出竹塊表面差異較大的亮斑與黑點。
進一步,具體實現所述步驟S4的方法為:利用竹塊偽對稱性計算竹塊圖像最大內接矩形區域;再分別計算竹塊圖像的上輪廓到所述最大內接矩形區域的上邊緣的平均距離L1以及竹塊圖像的下輪廓到所述最大內接矩形區域的下邊緣的平均距離L2,並計算距離L1與距離L2的差值S,再將所述差值S與預設距離閾值進行比對,從而篩選出存在輪廓缺陷的竹塊圖像。
採用上述進一步方案的有益效果是:通過最大內接矩形區域對竹塊輪廓進行計算,得出竹塊的邊緣距離是否符合預設距離閾值,能夠判斷出竹塊是否存在缺陷。
進一步,具體實現所述步驟S5的方法為:將竹塊圖像轉換為HSV顏色模型下的竹塊圖像,再求出所述HSV顏色模型中色調H空間下竹塊圖像色調的最大值和最小值以及飽和度S空間下竹塊圖像飽和度的最大值和最小值,再將所述竹塊圖像色調的最大值和最小值以及竹塊圖像飽和度的最大值和最小值分別與預設範圍值進行比對,從而檢測出竹塊圖像的正面和反面。
採用上述進一步方案的有益效果是:利用HSV顏色模型對竹塊圖像的色調及飽和度進行檢測,從而檢測出竹塊圖像的正面和反面。
進一步,將所述竹塊圖像色調的最大值和最小值以及竹塊圖像飽和度的最大值和最小值分別與預設範圍值進行比對的具體方法為:所述竹塊圖像色調的最大值和最小值屬於預設色調H空間範圍值內,且所述竹塊圖像飽和度的最大值和最小值屬於預設飽和度S空間範圍值內,則檢測出竹塊圖像為正面,否則為反面。
進一步,具體實現所述步驟S6的方法為:
步驟S601:求取HSV顏色模型中飽和度S空間下的竹塊圖像的水平投影值,並求出水平投影值的平均值,其中,水平投影值為一數組;
步驟S602:遍歷水平投影值,找出水平投影值連續低於平均值為預設值a以下的數值個數,標記為第一類特徵向量;
步驟S603:遍歷水平投影值,找出水平投影值大於水平投影值兩端數值為預設值a以上的數值個數,標記為第二類特徵向量;
步驟S604:分別求出HSV顏色模型中色調H空間、飽和度S空間和透明度V空間下的竹塊圖像的三個直方圖;
步驟S605:根據三個直方圖求出色調H空間、飽和度S空間和透明度V空間下竹塊圖像的灰度均值、方差、偏態係數、能量、熵、粗糙度、對比度和方向度的第三類特徵向量;
步驟S606:將第一類特徵向量、第二類特徵向量和第三類特徵向量放入支持向量機分類器中訓練,得到訓練後的支持向量機分類器;
步驟S607:通過經訓練後的將支持向量機分類器對正面的竹塊圖像進行深度紋理識別,從而得到竹塊合格或不合格的結果。
採用上述進一步方案的有益效果是:通過提取多類特徵向量對支持向量機分類器進行訓練,並利用訓練後的支持向量機分類器對竹塊圖像的深度紋理進行識別,從而能夠快速、準確的得到竹塊合格或不合格的結果。
本發明解決上述技術問題的另一技術方案如下:一種竹塊缺陷檢測裝置,包括:
圖像獲取模塊,用於利用攝像設備獲取竹塊圖像;
裁剪模塊,用於判斷竹塊圖像的區域範圍是否屬於預設感興趣區域ROI的範圍內,如果屬於,則根據預設圖像區域標準值將竹塊圖像裁剪為標準化尺寸,否則得到竹塊不合格的結果;
初步紋理檢測模塊,用於根據預設灰度值對標準化尺寸的竹塊圖像進行初步紋理檢測,如果紋理正常將初步紋理檢測正常的竹塊圖像發送輪廓檢測模塊,否則屬於不合格竹塊;
輪廓檢測模塊,用於利用竹塊偽對稱性對初步紋理檢測正常的竹塊圖像進行輪廓缺陷檢測,如果輪廓正常則將輪廓正常的竹塊圖像發送正反面檢測模塊,否則屬於不合格竹塊;
正反面檢測模塊,用於利用顏色模型HSV對輪廓正常的竹塊圖像進行正面和反面檢測,如果檢測出是反面則將竹塊翻面,並調用優化模塊重新檢測竹塊圖像,否則將正面的竹塊圖像發送深度紋理檢測模塊;
深度紋理檢測模塊,用於訓練支持向量機分類器,並根據訓練後的支持向量機分類器對正面的竹塊圖像進行深度紋理識別,從而得到竹塊合格或不合格的結果。
在上述技術方案的基礎上,本發明還可以做如下改進。
進一步,本裝置還包括優化模塊,所述優化模塊與所述圖像獲取模塊連接,所述優化模塊用於對竹塊圖像的畫質進行優化處理。
進一步,本裝置還包括旋轉模塊,所述旋轉模塊與所述優化模塊連接,旋轉模塊用於將竹塊圖像旋轉到水平位置:求取竹塊圖像的最小外接矩形,並利用重心原理計算出所述最小外接矩形的角度,並根據該角度且以竹塊圖像的重心為旋轉中心進行旋轉,從而將竹塊圖像旋轉到水平位置。
附圖說明
圖1為本發明檢測方法實施例的方法流程圖;
圖2為本發明檢測方法實施例中實現步驟S7的方法流程圖;
圖3為本發明檢測系統實施例的模塊框圖;
圖4為本發明採用檢測方法採集的竹塊圖像示意圖;
圖5為本發明採用檢測方法採集的合格竹塊正面示意圖;
圖6為本發明採用檢測方法採集的合格竹塊反面示意圖;
圖7為本發明採用檢測方法採集的具有輪廓缺陷的竹塊的示意圖;
圖8為本發明採用檢測方法採集的具有第一種紋理缺陷的竹塊的示意圖;
圖9為本發明採用檢測方法採集的具有第二種紋理缺陷的竹塊的示意圖。
具體實施方式
以下結合附圖對本發明的原理和特徵進行描述,所舉實例只用於解釋本發明,並非用於限定本發明的範圍。
如圖1以及圖4-9所示,一種竹塊缺陷檢測方法,包括如下步驟:
步驟1:利用攝像設備獲取竹塊圖像;
步驟2:對竹塊圖像的畫質進行優化處理;
步驟3:利用重心原理將竹塊圖像旋轉到水平位置;
步驟4:判斷經旋轉後的竹塊圖像的範圍是否屬於預設感興趣區域ROI的範圍內,如果屬於,則根據預設圖像區域標準值將竹塊圖像裁剪為標準化尺寸,否則得到竹塊不合格的結果;
步驟5:根據預設灰度值對標準化尺寸的竹塊圖像進行初步紋理檢測,如果紋理正常則執行步驟6,否則得到竹塊不合格的結果;
步驟6:利用竹塊偽對稱性對初步紋理檢測正常的竹塊圖像進行輪廓缺陷檢測,如果輪廓正常則執行步驟7,否則得到竹塊不合格的結果;
步驟7:利用顏色模型HSV對輪廓正常的竹塊圖像進行正面和反面檢測,如果檢測出是反面則將竹塊翻面,並重複執行步驟1;否則,執行步驟8;
步驟8:訓練支持向量機分類器,並根據訓練後的支持向量機分類器對正面的竹塊圖像進行深度紋理識別,從而得到竹塊合格或不合格的結果。
具體的,所述步驟2中對竹塊圖像進行優化處理包括對竹塊圖像進行白平衡處理、中值濾波處理和高斯濾波的優化處理。本步驟是對竹塊圖像進行預處理,便於下面的步驟對竹塊圖像進缺陷檢測。
具體的,所述步驟3中,求取竹塊圖像的最小外接矩形,並利用重心原理計算出所述最小外接矩形的角度,並根據該角度且以竹塊圖像的重心為旋轉中心進行旋轉,從而將竹塊圖像旋轉到水平位置。本步驟將竹塊圖像旋轉到水平位置有利於對特徵的提取。
具體的,所述步驟4中,攝像設備拍攝到的竹塊圖像的大小為768*1024像素,定位竹塊,感興趣區域ROI的大小範圍為350-450*350-350像素,不在這個範圍內的竹塊判斷為缺陷竹塊,將竹塊圖像統一裁剪為400*300像素的標準化尺寸。
具體實現所述步驟5的方法為:將標準化尺寸的竹塊圖像處理成灰度模式下的竹塊圖像,再判斷竹塊圖像的灰度值是否屬於預設圖像灰度值範圍,如果屬於,則紋理正常,否則得到竹塊不合格的結果。
具體的,所述預設圖像灰度值範圍為60至220;所述灰度竹塊圖像的灰度值小於等於60或大於等於220,則屬於不合格竹塊。本步驟可快速的對竹塊圖像的紋理進行粗略的紋理檢測,來檢測出竹塊表面差異較大的亮斑與黑點。
具體實現所述步驟6的方法為:利用竹塊偽對稱性計算竹塊圖像最大內接矩形區域;再分別計算竹塊圖像的上輪廓到所述最大內接矩形區域的上邊緣的平均距離L1以及竹塊圖像的下輪廓到所述最大內接矩形區域的下邊緣的平均距離L2,並計算距離L1與距離L2的差值S,再將所述差值S與預設距離閾值進行比對,從而篩選出存在輪廓缺陷的竹塊圖像。本步驟通過最大內接矩形區域對竹塊輪廓進行計算,得出竹塊的邊緣距離是否符合預設距離閾值,能夠判斷出竹塊是否存在缺陷。
具體實現所述步驟7的方法為:將竹塊圖像轉換為HSV顏色模型下的竹塊圖像,再求出所述HSV顏色模型中色調H空間下竹塊圖像色調的最大值和最小值以及飽和度S空間下竹塊圖像飽和度的最大值和最小值,再將所述竹塊圖像色調的最大值和最小值以及竹塊圖像飽和度的最大值和最小值分別與預設範圍值進行比對,從而檢測出竹塊圖像的正面和反面。
例如,求出所述HSV顏色模型中色調H空間下竹塊圖像色調的最大1%值和最小1%值以及飽和度S空間下竹塊圖像飽和度的最大1%值和最小1%值,所述最小1%值為:按從小到大的順序排列,最小1%值就是從色調或飽和度最小值的開始算比列,一直到預設點,小於或等於預設點的數目佔總數目的1%;所述最大1%值:按從大到小的順序排列,最大1%值就是從色調或飽和度最大值的開始算比列,一直到預設點,大於或等於預設點的數目佔總數目的1%,再通過預設範圍值就可以區分竹塊圖像的正面和反面了。
本步驟利用HSV顏色模型對竹塊圖像的色調及飽和度進行檢測,從而檢測出竹塊圖像的正面和反面。
優選的,將所述竹塊圖像色調的最大值和最小值以及竹塊圖像飽和度的最大值和最小值分別與預設範圍值進行比對的具體方法為:所述竹塊圖像色調的最大值和最小值屬於預設色調H空間範圍值內,且所述竹塊圖像飽和度的最大值和最小值屬於預設飽和度S空間範圍值內,則檢測出竹塊圖像為正面,否則為反面。
如圖2所示,具體實現所述步驟8的方法為:
步驟801:求取HSV顏色模型中飽和度S空間下的竹塊圖像的水平投影值,並求出水平投影值的平均值;其中,水平投影值為一數組;
步驟802:遍歷水平投影值,找出水平投影值連續低於平均值為預設值10以下的數值個數,標記為第一類特徵向量;
步驟803:遍歷水平投影值,找出水平投影值大於水平投影值兩端數值為預設值10以上的數值個數,標記為第二類特徵向量;例如,預設值為10;
步驟804:分別求出HSV顏色模型中色調H空間、飽和度S空間和透明度V空間下的竹塊圖像的三個直方圖;
步驟805:根據三個直方圖求出色調H空間、飽和度S空間和透明度V空間下竹塊圖像的灰度均值、方差、偏態係數、能量、熵、粗糙度、對比度和方向度的第三類特徵向量;
步驟806:將第一類特徵向量、第二類特徵向量和第三類特徵向量放入支持向量機分類器中訓練,得到訓練後的支持向量機分類器;
步驟807:通過經訓練後的將支持向量機分類器對正面的竹塊圖像進行深度紋理識別,從而得到竹塊合格或不合格的結果。
通過提取多類特徵向量對支持向量機分類器進行訓練,並利用訓練後的支持向量機分類器對竹塊圖像的深度紋理進行識別,從而能夠快速、準確的得到竹塊合格或不合格的結果。
如圖3所示,一種竹塊缺陷檢測裝置,包括:
圖像獲取模塊,用於利用攝像設備獲取竹塊圖像;
裁剪模塊,用於判斷竹塊圖像的區域範圍是否屬於預設感興趣區域ROI的範圍內,如果屬於,則根據預設圖像區域標準值將竹塊圖像裁剪為標準化尺寸,否則得到竹塊不合格的結果;
初步紋理檢測模塊,用於根據預設灰度值對標準化尺寸的竹塊圖像進行初步紋理檢測,如果紋理正常將初步紋理檢測正常的竹塊圖像發送輪廓檢測模塊,否則屬於不合格竹塊;
輪廓檢測模塊,用於利用竹塊偽對稱性對初步紋理檢測正常的竹塊圖像進行輪廓缺陷檢測,如果輪廓正常則將輪廓正常的竹塊圖像發送正反面檢測模塊,否則屬於不合格竹塊;
正反面檢測模塊,用於利用顏色模型HSV對輪廓正常的竹塊圖像進行正面和反面檢測,如果檢測出是反面則將竹塊翻面,並調用優化模塊重新檢測竹塊圖像,否則將正面的竹塊圖像發送深度紋理檢測模塊;
深度紋理檢測模塊,用於訓練支持向量機分類器,並根據訓練後的支持向量機分類器對正面的竹塊圖像進行深度紋理識別,從而得到竹塊合格或不合格的結果。
優選的,本裝置還包括優化模塊,所述優化模塊與所述圖像獲取模塊連接,所述優化模塊用於對竹塊圖像的畫質進行優化處理。
優選的,本裝置還包括旋轉模塊,所述旋轉模塊與所述優化模塊連接,旋轉模塊用於將竹塊圖像旋轉到水平位置:求取竹塊圖像的最小外接矩形,並利用重心原理計算出所述最小外接矩形的角度,並根據該角度且以竹塊圖像的重心為旋轉中心進行旋轉,從而將竹塊圖像旋轉到水平位置。
本發明通過對竹塊圖像進行區域大小檢測、初步紋理檢測、輪廓缺陷檢測、正反面檢測和深度紋理檢測,從而判斷出竹塊是否存在缺陷,判斷出的結果較精確,有助於提高麻將涼蓆的生產效率,增加企業收益。
以上所述僅為本發明的較佳實施例,並不用以限制本發明,凡在本發明的精神和原則之內,所作的任何修改、等同替換、改進等,均應包含在本發明的保護範圍之內。