基于图像处理的橡胶圈流痕检测方法及装置与流程

1.本技术涉及图像处理领域，具体涉及一种基于图像处理的橡胶圈流痕检测方法及装置。


背景技术：

2.流痕通指的是橡胶制品在浇口附近波浪形的表面缺陷，主要是由于材料的流动和融合过程不佳造成的，橡胶圈的检验标准规定不允许有径向上的定向流痕，同时橡胶圈中流痕的存在会影响后续使用，因此在对橡胶圈的质量进行检测的过程中，流痕缺陷检测是重要的一步。
3.现有技术中主要通过阈值分割来对橡胶圈中流痕缺陷进行识别或检测，但发明人在实现本发明实施例的过程中，发现背景技术中至少存在以下缺陷：
4.利用阈值分割进行流痕缺陷的识别的准确率不高，且容易受到光照变化的影响，且无法针对橡胶圈中径向的流痕进行识别或检测。


技术实现要素：

5.针对上述技术问题，本发明提供了一种基于图像处理的橡胶圈流痕检测方法及装置，通过对橡胶圈图像沿径向划分为多个单元，通过各单元间的相似性将单元合并为块，并利用各块的梯度直方图中各梯度方向的梯度幅值得到各块的流痕缺陷概率，当存在至少一个块的流痕缺陷程度大于预设阈值时，将橡胶圈作为报废品；相较于阈值分割进行流痕缺陷的识别，能够对橡胶圈中径向流痕进行识别和检测，保证检测精度的同时提高了检测效率。
6.第一方面，本文提出了一种基于图像处理的橡胶圈流痕检测方法，包括：
7.采集橡胶圈图像。
8.对所述橡胶圈图像进行图像分割，获得第一图像。所述第一图像中橡胶圈以外部分像素值为0。
9.对所述第一图像进行灰度化获得第二图像。
10.将所述第二图像中橡胶圈部分沿相同弧度划分，分别获得橡胶圈内环上各像素点对应的单元。
11.将各所述单元中位于橡胶圈内环上的点排列至同一水平线上得到第三图像。
12.获取所述第三图像中各所述单元中像素点的梯度幅值及梯度方向，根据各单元中像素点的所述梯度幅值及梯度方向分别获得各单元的梯度直方图。
13.分别获得各所述单元的梯度直方图对应的特征向量，并将特征向量之间的相似度大于预设相似度阈值的相邻所述单元合并至同一块。
14.分别计算各所述块中各梯度方向的梯度幅值，以分别获得各所述块的流痕缺陷程度，当至少一个块的流痕缺陷程度大于预设阈值时，橡胶圈中流痕缺陷过大，将橡胶圈作为报废品。
15.在一个可行的实施例中，获得各所述块的流痕缺陷程度，包括：
[0016][0017]
其中m
θ
为所述块中梯度方向为θ的所有像素点的梯度幅值之和，e为自然常数。
[0018]
在一个可行的实施例中，特征向量之间的相似度的计算过程包括：
[0019][0020]
其中，o(dj)表示该单元的特征向量中梯度方向i对应的值，i(dj)表示该单元的相邻单元中的特征向量中梯度方向i对应的值，e为自然常数。
[0021]
在一个可行的实施例中，计算特征向量之间的相似度前，还包括对待计算相似度的两所述特征向量进行归一化处理，所述归一化处理包括：
[0022][0023]
其中，o(di)表示该单元的特征向量中梯度方向i对应的值，i(di)表示该单元的相邻单元的特征向量中梯度方向i对应的值，di为归一化前该单元的特征向量中梯度方向i对应的值，bi为归一化后该单元的特征向量中梯度方向i对应的值。
[0024]
在一个可行的实施例中，对所述橡胶圈图像进行图像分割是通过dnn实现的。
[0025]
在一个可行的实施例中，所述第一图像进行灰度化获得第二图像，包括：
[0026]
将所述纺织品的正上方图像中像素点在rgb三个通道中像素值的最大值，作为所述第二图像中的像素点的灰度值。
[0027]
在一个可行的实施例中，获取所述第三图像中各所述单元中像素点的梯度幅值及梯度方向，包括：
[0028]
像素点的梯度幅值像素点的梯度方向为其中g表示梯度幅值，g
x
表示像素点的水平梯度，gy表示像素点的竖直梯度。
[0029]
在一个可行的实施例中，将所述灰度图像中橡胶圈部分沿径向划分为相同大小的单元前，还包括对所述第二图像进行图像颜色反转后进行形态学膨胀。
[0030]
在一个可行的实施例中，将所述第二图像中橡胶圈部分沿径向划分为相同大小的单元前，还包括对所述第二图像进行直方图均匀化处理。
[0031]
第二方面，本发明提出了一种基于图像处理的橡胶圈流痕检测装置，包括：
[0032]
图像采集模块，用于采集橡胶圈图像。
[0033]
图像分割模块，用于对所述橡胶圈图像进行图像分割，获得第一图像。所述第一图像中橡胶圈以外部分像素值为0。
[0034]
图像灰度化模块，用于对所述第一图像进行灰度化获得第二图像。
[0035]
图像划分模块，用于将所述第二图像中橡胶圈部分沿径向相同弧度划分，分别获得橡胶圈内环上各像素点对应的单元。
[0036]
图像生成模块，用于将各所述单元中位于橡胶圈内环上的点排列至同一水平线上得到第三图像。
[0037]
梯度直方图获取模块，用于获取所述第三图像中各所述单元中像素点的梯度幅值及梯度方向，根据各单元中像素点的所述梯度幅值及梯度方向分别获得各单元的梯度直方图。
[0038]
单元合并模块，用于分别获得各所述单元的梯度直方图对应的特征向量，并将特征向量之间的相似度大于预设相似度阈值的相邻所述单元合并至同一块。
[0039]
流痕缺陷程度计算模块，用于分别计算各块中各梯度方向的梯度幅值，以分别获得各块的流痕缺陷程度。
[0040]
判断模块，用于当至少一个所述块的流痕缺陷程度大于预设阈值时，将橡胶圈作为报废品。
[0041]
本发明提供了一种基于图像处理的橡胶圈流痕检测方法及装置，通过对橡胶圈图像沿径向划分为多个单元，通过各单元间的相似性将单元合并为块，并利用各块的梯度直方图中各梯度方向的梯度幅值得到各块的流痕缺陷概率，当存在至少一个块的流痕缺陷程度大于预设阈值时，将橡胶圈作为报废品。
[0042]
本发明实施例的有益效果在于，相较于阈值分割进行流痕缺陷的识别，能够对橡胶圈中径向流痕进行识别和检测，进而通过是否存在径向流痕判断橡胶圈的质量是否合格，保证检测精度的同时提高了检测效率。
附图说明
[0043]
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。
[0044]
图1是本发明实施例提供的一种基于图像处理的橡胶圈流痕检测方法的流程示意图。
[0045]
图2是本发明实施例中第二图像中橡胶圈部分沿径向划分为多个单元的过程示意图。
[0046]
图3是本发明实施例提供的一种基于图像处理的橡胶圈流痕检测装置的流程示意图。
具体实施方式
[0047]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
[0048]
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
[0049]
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者
隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征；在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0050]
流痕通指的是橡胶制品在浇口附近波浪形的表面缺陷，针对本实施例中所针对的橡胶圈，生产过程中不允许存在径向上的定向流痕，也不允许非径向的流痕尺寸超过允许范围。
[0051]
步骤s101、采集橡胶圈图像，并对橡胶圈图像进行图像分割获得第一图像；第一图像中橡胶圈以外部分像素值为0。
[0052]
步骤s102、对第一图像进行灰度化获得第二图像。
[0053]
步骤s103、将所述第二图像中橡胶圈部分沿相同弧度划分，分别获得橡胶圈内环上各像素点对应的单元，并将各所述单元中位于橡胶圈内环上的点排列至同一水平线上得到第三图像。
[0054]
步骤s104、获取第三图像中各单元中像素点的梯度幅值及梯度方向，根据各单元中像素点的梯度幅值及梯度方向分别获得各单元的梯度直方图。
[0055]
步骤s105、分别获得各单元的梯度直方图对应的特征向量，并将特征向量之间的相似度大于预设相似度阈值的相邻单元合并至同一块。
[0056]
步骤s106、分别计算各块中各梯度方向的梯度幅值，以分别获得各块的流痕缺陷程度，当至少一个块的流痕缺陷程度大于预设阈值时，橡胶圈中流痕缺陷过大，将橡胶圈作为报废品。
[0057]
进一步的，步骤s101、采集橡胶圈图像，并对橡胶圈图像进行图像分割获得第一图像；第一图像中橡胶圈以外部分像素值为0。具体包括：
[0058]
首先，采集生产过程中橡胶圈图像，本实施例中橡胶圈图像为rgb图像，rgb是一种颜色标准，通过对红(r)、绿(g)、蓝(b)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色，rgb即是代表红、绿、蓝三个通道的颜色。
[0059]
然后，对橡胶圈图像进行图像分割获得第一图像，得到的第一图像中橡胶圈以外部分像素值为0，需要说明的是，图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。
[0060]
具体的，本实施例中利用dnn(deep neural networks，深度神经网络)实现对橡胶圈图像的图像分割，该dnn具体包括：使用的数据集为采集图像数据集。标签为两类，橡胶圈区域和背景区域。该方式为像素级分类，对图像所有像素点进行人工标注。瓶口区域像素点值标注为1，背景区域像素点值标注为0。本实施例中dnn所用loss(损失)函数为交叉熵损失函数，将得到的橡胶圈的对应二值遮罩与原图进行相乘操作，得到第一图像，如此，可以实现橡胶圈图像的扣取，避免橡胶圈以外部分对后续处理过程的干扰。
[0061]
进一步的，步骤s102、对第一图像进行灰度化获得第二图像。
[0062]
橡胶圈的检验标准规定不允许有径向上的定向流痕。橡胶圈上的流痕缺陷是一种
线性凹陷，其亮度相较于橡胶圈本身的亮度偏暗，故本发明实施例通过检测流痕的方向来判断橡胶圈的质量是否符合标准。
[0063]
首选对第一图像进行灰度化获得第二图像，灰度化的过程包括：将第一图像中像素点在rgb三个通道中像素值的最大值，作为第二图像中的像素点的灰度值。
[0064]
可选的，流痕的颜色相较于橡胶圈本身的颜色较深，可以对橡胶圈灰度图即第一图像进行图像颜色反转，考虑到光照会使橡胶圈中间位置颜色偏亮，经过反转后的该位置颜色偏暗，因此对经过颜色反转后的图像进行形态学膨胀处理，需要说明的是，膨胀指的是对二值化物体边界点进行扩充，将与物体接触的所有背景点合并到该物体中，使边界向外部扩张。如果两个物体间隔较近，会将两物体连通在一起，如此，可以一定程度上减少光照带来的不良影响。
[0065]
可选的，可以对处理后的橡胶圈灰度图即第二图像进行直方图均衡化操作，如此，可以增强图像对比度，使后续的处理过程得到的结果更为精确。
[0066]
进一步的，步骤s103、将所述第二图像中橡胶圈部分沿相同弧度划分，分别获得橡胶圈内环上各像素点对应的单元，并将各所述单元中位于橡胶圈内环上的点排列至同一水平线上得到第三图像。具体包括：
[0067]
首先将第二图像中橡胶圈部分沿径向划分为相同大小的单元，图2示出了本实施例中第二图像中橡胶圈部分沿径向划分为多个单元的过程示意图，需要说明的是，灰度图像对应的梯度图中的有效特征是非常稀疏的，因此本实施例将第二图像中橡胶圈部分划分为若干个单元，并分别计算各单元的特征向量，本实施例中特征向量指的是各单元对应的梯度直方图特征向量，如此，能够得到相对紧凑的特征。
[0068]
本实施例需要根据橡胶圈流痕的方向来判断其是否为残次品，因此本实施例需要重点关注橡胶圈上是否有径向上的定向流痕，因此需要计算梯度的方向定为径向和切向，考虑到无法直接对像素点沿径向或切向的梯度进行计算，因此，本实施例在对第二图像沿径向进行划分并旋转至向心沿竖直方向。
[0069]
具体的，本实施例中进行单元划分的规则包括：根据橡胶圈的内环中所包含的像素点的数量s1，将橡胶圈的外轮廓均匀划分为s1份，其中每份中包含的像素点个数为其中，s2是橡胶圈的外轮廓上的包含的像素点数量，并且相邻的两个外圈点与对应的内圈点之间的距离相等，如图2所示，如此，能够使得所得到的单元覆盖到所有可能的缺陷区域，避免简单划分造成缺陷被划分至两个不同单元而使存在的缺陷无法被有效检测出，且在实际生产过程中，橡胶圈的内径和外径较为接近，因此本实施例中获得的单元能够有效的覆盖对应的扇形区域。
[0070]
需要说明的是，相邻两个外轮廓与对应的内环上的点围成的三角形区域即为一个单元，至此将环状的橡胶圈灰度图划分为若干个单元，当划分的份数足够多时，各三角形的垂直和水平方向分别代表了本实施例中所需要的径向和切线方向，如此，可以便于获取各单元中包含的像素点沿径向的梯度和沿切线的梯度。
[0071]
进一步的，步骤s104、获取第三图像中各单元中像素点的梯度幅值及梯度方向，根据各单元中像素点的梯度幅值及梯度方向分别获得各单元的梯度直方图。具体包括：
[0072]
根据流痕检测的特征，需要重点检测流痕是否沿径向分布。因此，本发明中，计算
梯度的方向为径向梯度和切向梯度，径向是指像素点指向圆心的方向，切线是指与像素点指向圆心的方向垂直的方向。
[0073]
本实施例中计算梯度时使用内核大小为1的sobel算子：-1 0 1和本实施例中包括梯度幅值和梯度方向g
x
表示像素点的水平梯度，gy表示像素点的竖直梯度，在计算过程中梯度方向会被取绝对值，因此得到的梯度方向的角度范围是[0,180
°
]。
[0074]
需要说明的是，sobel算子是典型的基于一阶导数的边缘检测算子，是离散型的差分算子。该算子对噪声具有平滑作用，能很好的消除噪声的影响，sobel算子包含两组矩阵，分别为横向及纵向模板，将之与图像作平面卷积，即可分别得出图像中像素点的水平梯度及竖直梯度。
[0075]
同时本实施例中经过步骤103后得到的单元中，像素点的水平梯度即对应该像素点在橡胶圈中的切向梯度，像素点的竖直梯度即对应该像素点在橡胶圈中的径向梯度。
[0076]
其次，分别计算各单元中像素的梯度直方图，先将角度范围[0,180
°
]分成9份，每20
°
为一组，这些像素可以根据角度分为9组。将每一份中所有像素对应的梯度值进行累加，可以得到9个数值b
θ
,θ＝0,20,
…
,160。本实施例中的特征向量就是由这9个数值组成的向量，对应角度为0
°
,20
°
,...,160
°
。
[0077]
示例性的，某个像素点的梯度方向为80
°
，梯度幅值为2，所以在直方图上80
°
对应的数值b
80
上加上2；某个像素点像素的梯度方向为10
°
，介于0
°
和20
°
之间，其梯度幅值为4，那么这个梯度值就被按比例分给0
°
和20
°
对应的数值，也就是b0和b
20
各加上2；如果某个像素的梯度方向大于160
°
度，也就是在160
°
到180
°
度之间，那么把这个像素对应的梯度幅值按比例分给0
°
度和160
°
度对应的值。
[0078]
进一步的，步骤s105、分别获得各单元的梯度直方图对应的特征向量，并将特征向量之间的相似度大于预设相似度阈值的相邻单元合并至同一块。具体包括：、
[0079]
特征向量之间的相似度的计算过程包括：
[0080][0081]
其中，o(dj)表示该单元的特征向量中梯度方向i对应的值，i(dj)表示该单元的相邻单元中的特征向量中梯度方向i对应的值，e为自然常数，本实施例中当两相邻单元的相似度x大于预设相似度阈值时，则将两单元组成块，以此，可以得到橡胶圈中所有的块。
[0082]
可选的，可以在计算相邻两单元的相似度之前，对单元对应的特征向量进行归一化处理。因为图像的梯度对整体光照非常敏感，比如将所有像素点的灰度值除以2来使图像变暗的同时，梯度幅值也会减小一半，从而使得梯度直方图中各梯度方向对应的的值也将减小一半。因此，为避免特征向量受到光照变化的影响，可以对各单元对应的特征向量进行归一化处理，归一化过程具体包括：
[0083]
在一个可行的实施例中，计算特征向量之间的相似度前，还包括对待计算相似度的两所述特征向量进行归一化处理，所述归一化处理包括：
[0084][0085]
其中，o(di)表示该单元的特征向量中梯度方向i对应的值，i(di)表示该单元的相邻单元的特征向量中梯度方向i对应的值。di为归一化前该单元的特征向量中梯度方向i对应的值，bi为归一化后该单元的特征向量中梯度方向i对应的值。
[0086]
进一步的，步骤s106、分别计算各块中各梯度方向的梯度幅值，以分别获得各块的流痕缺陷程度，当至少一个块的流痕缺陷程度大于预设阈值时，橡胶圈中流痕缺陷过大，将橡胶圈作为报废品。具体包括：
[0087]
首先，计算对各单元进行合并后得到的各块的梯度方向直方图中各梯度方向下的梯度幅值，具体的，统计组成该块的各单元的梯度方向和幅值，该统计结果为细化结果，即0
°
到30
°
和150
°
到180
°
每1
°
的幅值之和m
θ
,θ＝0,1,,
…
,30,150,151,
…
,180，流痕缺陷程度的计算公式为：
[0088][0089]
需要说明的是，当梯度的方向为0
°
或180
°
时，流痕为径向上的定向流痕，梯度方向越偏离0
°
或180
°
，流痕方向越偏离径向方向，通过梯度的方向修正梯度的幅值得到流痕的缺陷程度。
[0090]
当橡胶圈中某一块的流痕缺陷程度q》y时，该块中存在径向流痕缺陷，其中y为预设阈值，因此，当至少一个块的流痕缺陷程度大于预设阈值时，橡胶圈中存在径向流痕缺陷，将橡胶圈作为报废品进行报废处理。
[0091]
本发明实施例还提供了一种基于图像处理的橡胶圈流痕检测装置，如图3所示，包括：
[0092]
图像采集模块201，用于采集橡胶圈图像。
[0093]
图像分割模块202，用于对橡胶圈图像进行图像分割，获得第一图像。第一图像中橡胶圈以外部分像素值为0。
[0094]
图像灰度化模块203，用于对第一图像进行灰度化获得第二图像。
[0095]
图像划分模块204，用于将第二图像中橡胶圈部分沿相同弧度划分，分别获得橡胶圈内环上各像素点对应的单元。
[0096]
图像生成模块205，用于将各所述单元中位于橡胶圈内环上的点排列至同一水平线上得到第三图像。
[0097]
梯度直方图获取模块206，用于获取第三图像中各单元中像素点的梯度幅值及梯度方向，根据各单元中像素点的梯度幅值及梯度方向分别获得各单元的梯度直方图。
[0098]
单元合并模块207，用于分别获得各单元的梯度直方图对应的特征向量，并将特征向量之间的相似度大于预设相似度阈值的相邻单元合并至同一块。
[0099]
流痕缺陷程度计算模块208，用于分别计算各块中各梯度方向的梯度幅值，以分别获得各块的流痕缺陷程度。
[0100]
判断模块209，用于当至少一个块的流痕缺陷程度大于预设阈值时，将橡胶圈作为
报废品。
[0101]
综上所述，本实施例通过对橡胶圈图像沿径向划分为多个单元，通过各单元间的相似性将单元合并为块，并利用各块的梯度直方图中各梯度方向的梯度幅值得到各块的流痕缺陷概率，当存在至少一个块的流痕缺陷程度大于预设阈值时，将橡胶圈作为报废品；相较于阈值分割进行流痕缺陷的识别，能够对橡胶圈中径向流痕进行识别和检测，进而通过是否存在径向流痕判断橡胶圈的质量是否合格，保证检测精度的同时提高了检测效率。
[0102]
本发明中涉及诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0103]
还需要指出的是，在本发明的方法和系统中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
[0104]
上述实施例仅仅是为清楚地说明所做的举例，并不构成对本发明的保护范围的限制。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无需也无法对所有的实施方式予以穷举。凡是与本发明相同或相似的设计均属于本发明的保护范围之内。