CN118967619A - 基于图像识别的发泡状态检测方法及系统 - Google Patents

Abstract

本发明涉及图像处理技术领域，本发明涉及基于图像识别的发泡状态检测方法及系统，包括：采集聚氨酯泡沫板的横截面图像并处理以获取边缘像素点；遍历边缘像素点，获取其切线并计算像素聚集度；将边缘像素点分为第一和第二边缘像素点，分别计算梯度均值和距离均值。对梯度均值和距离均值进行归一化处理，并与像素聚集度加权求和后向上取整得到投票数阈值；依据投票数阈值标记横截面图像中的泡孔，基于标记图像训练神经网络模型，输出发泡状态类别的概率。使用边缘检测算法标注待检测图像中的泡孔并输入神经网络模型，将概率最高的发泡状态类别作为检测结果。本发明解决了在不同泡孔分布状态下都能准确获取泡孔信息。

Description

基于图像识别的发泡状态检测方法及系统

技术领域

本发明涉及图像处理技术领域。更具体地，本发明涉及基于图像识别的发泡状态检测方法及系统。

背景技术

发泡状态检测主要用于实时监控和控制泡沫生产过程，以确保产品质量和一致性。该技术依赖于高分辨率成像系统和合适的照明设备捕捉泡沫形成过程中的图像，首先，通过图像预处理、特征提取和图像处理算法，如边缘检测、分割算法和形态学处理分析泡沫的大小、形状、分布和密度等特征。然后，利用机器学习和深度学习模型，如支持向量机、随机森林和深度卷积神经网络训练模型，识别和分类不同类型的泡沫缺陷，如气泡大小不均、泡沫破裂和分层等。该技术广泛应用于食品工业、化工行业和建筑材料等领域，以检测和监控面包、蛋糕、泡沫塑料、聚氨酯泡沫、混凝土和保温材料等产品的发泡状态，提高产品的口感、结构和性能。尽管该技术面临复杂环境条件、实时处理要求和多样化缺陷类型等挑战，但通过结合图像识别和机器学习方法，发泡状态检测系统能够实现对生产过程的精确监控和控制，显著提升产品质量和生产效率。

授权号为CN113436149B的专利文件公开了一种线缆发泡层均匀度检测方法及系统。该方法通过X射线探伤检测设备获取线缆的内部成像图像；由对内部成像图像边缘检测得到的边缘曲线将内部成像图像分为多个分域图像；根据分域图像识别出内部成像图像中的发泡层区域；检测并判断发泡层区域中的泡沫结构是否均匀；当发泡层区域中泡沫结构不均匀时，判断线缆为不合格品，否则为合格品,能够实现任意长度的线缆的均匀度检测，从而识别出无法保证电缆具有均匀的传输阻抗的不合格线缆，去除了水电容测量线缆长度固定、干扰性大、失真度很高等限制，并且无需损坏线缆，解决了无损检测线缆的电容稳定性问题，保证了线缆传输带宽、传输速率、数据传输的稳定性。然而，尽管该方法在一定程度上解决了对发泡状态的检测，但依然不能准确获取泡孔信息的问题。

发明内容

为解决上述背景技术中提出的不能准确获取泡孔信息问题，本发明在如下的多个方面中提供方案。

在第一方面中，本发明提供了基于图像识别的发泡状态检测方法，包括：

采集聚氨酯泡沫板的横截面图像并进行处理以获取横截面图像中的边缘像素点；遍历所述边缘像素点，获取过边缘像素点的切线，计算所述切线上边缘像素点的像素聚集度；对于不属于边缘交汇处的第一边缘像素点及属于边缘交汇处的第二边缘像素点，获取第一边缘像素点的梯度均值和第二边缘像素点的距离均值，对所述梯度均值和距离均值进行归一化处理得到梯度权重和距离权重，并将所述梯度权重和距离权重与所述像素聚集度进行加权求和后向上取整得到投票数阈值；依据所述投票数阈值对横截面图像中的泡孔进行标记，基于标记好泡孔的横截面图像训练神经网络模型，得到训练好的神经网络模型；使用边缘检测算法对待检测的聚氨酯泡沫板的横截面图像中的泡孔进行标注并输入所述训练好的神经网络模型，输出发泡状态类别的概率，将概率最高的发泡状态类别作为发泡状态的检测结果。

该发明不仅计算了边缘像素点的梯度均值和距离均值，还对这些特征进行了归一化处理。归一化处理后的梯度均值和距离均值与像素聚集度进行加权求和，进而得到投票数阈值。通过综合利用多种特征，可以更全面地反映边缘像素点的特征，提高了发泡状态检测的可靠性和准确性。

进一步地，所述采集聚氨酯泡沫板的横截面图像并进行处理，包括，使用互补金属氧化物半导体相机进行采集并进行灰度化处理。

通过使用互补金属氧化物半导体相机进行图像采集，并对图像进行灰度化处理，可以确保在不同光照条件下获取高质量的图像数据。这一特性使得该方案能够适应复杂的生产环境，保证检测结果的稳定性和一致性。

进一步地，所述切线采用索伯算子算法得到。

通过采用边缘检测和索伯算子等先进的图像处理技术，能够精确地获取聚氨酯泡沫板横截面图像中的边缘像素点及其切线。特别是，遍历边缘像素点并计算其切线上像素聚集度，使得对边缘特征的捕捉更加细致。这种方法有效地提高了检测结果的精度，避免了传统方法中由于边缘检测不准确导致的误差。

进一步地，计算切线上边缘像素点的像素聚集度，公式如下：

式中，J(W_i)表示边缘像素点i的切线上边缘像素点的像素聚集度，Δd_i,p表示边缘像素点i的切线上第p个边缘像素点与相邻边缘像素点距离的一阶差分值，m_i表示边缘像素点i的切线上边缘像素点的个数。

进一步地，获取第一边缘像素点的梯度均值，公式如下：

式中，W_j ¹′表示第j个第一边缘像素点的梯度均值，表示第j个第一边缘像素点所处边缘B_j上的第s个边缘像素点的梯度均值，表示第j个第一边缘像素点所处边缘B_j上的边缘像素点个数。

进一步地，计算第二边缘像素点的距离均值公式如下：

式中，表示第k个第二边缘像素点的距离均值，d_k,z表示第k个第二边缘像素点梯度垂直方向上与其左侧相邻的边缘像素点z之间的距离，d_k,y表示第k个第二边缘像素点梯度垂直方向上与其右侧相邻的边缘像素点y之间的距离。

进一步地，计算投票数阈值，公式如下：

式中，YZ表示投票数阈值，W_j ¹表示第j个第一边缘像素点，表示第k个第二边缘像素点，J(W_j ¹)表示第j个第一边缘像素点的切线上边缘像素点的像素聚集度，表示第j个第一边缘像素点的梯度均值归一化处理后的梯度权重，m₁表示第一边缘像素点的个数，表示第k个第二边缘像素点的切线上边缘像素点的像素聚集度，m₂表示第二边缘像素点的个数，表示第k个第二边缘像素点的距离均值归一化处理后的距离权重，表示向上取整函数。

投票数阈值的计算方法巧妙地结合了梯度均值、距离均值和像素聚集度的加权求和，并进行了向上取整处理。这一过程确保了泡孔标记的严谨性，有效减少了误标记的可能性，进一步提高了检测精度。

进一步地，所述神经网络模型为卷积神经网络模型。

基于标记好的泡孔图像训练神经网络模型，充分利用卷积神经网络模型的强大特征提取能力，实现了发泡状态类别的概率输出。这不仅提高了发泡状态检测的智能化和自动化水平，还使得检测结果更加可靠和稳定。采用神经网络模型进行检测，能够实现对待检测聚氨酯泡沫板横截面图像的快速标注和发泡状态的实时检测。这一特性极大地提升了检测效率，使该方法适用于生产环境中的实时监控和质量控制。

在第二方面中，本发明提供了基于图像识别的发泡状态检测系统，包括存储器和处理器，所述存储器内存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现以上任一项所述的基于图像识别的发泡状态检测方法。

本发明不仅提出了检测方法，还设计了相应的检测系统，包括存储器和处理器。存储器内存储有计算机程序指令，当这些指令被处理器执行时，能够实现基于图像识别的发泡状态检测方法。这种系统设计考虑了软件和硬件的结合，具备较好的集成性和实用性，便于在实际应用中推广。

本发明的有益效果在于：

该发明通过引入精确的图像处理技术、多特征综合利用、优化的阈值计算方法和神经网络模型，不仅能够高效、准确地检测聚氨酯泡沫板的发泡状态，还提供了一个高度智能化和自动化的检测系统。其在实时检测、系统集成性、复杂环境适应能力和未来扩展性等方面的优势，为生产质量控制提供了强有力的技术支持，具有广阔的应用前景。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：

图1是示意性示出根据本发明的实施例的基于图像识别的发泡状态检测方法流程图；

图2是示意性示出根据本发明的实施例的聚氨酯泡沫板的横截面灰度图；

图3是示意性示出根据本发明的实施例的泡孔分布与其切线关系的示例图；

图4是示意性示出根据本发明的实施例的第一边缘像素点与第二边缘像素点的对比图；

图5是示意性示出根据本发明的实施例的基于图像识别的发泡状态检测系统流程图。

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。

下面结合附图来详细描述本发明的具体实施方式。

基于图像识别的发泡状态检测方法实施例。

如图1所示，本发明的实施例的基于图像识别的发泡状态检测方法流程图，包括以下步骤：

S101：采集聚氨酯泡沫板的横截面图像并进行处理以获取横截面图像中的边缘像素点，遍历边缘像素点并获取过边缘像素点的切线，计算切线上边缘像素点的像素聚集度。

如图2所示，本发明的实施例的聚氨酯泡沫板的横截面灰度图。

其中，聚氨酯泡沫板是一种常见的隔热和结构材料，其横截面图像是通过切割泡沫板并对其切面进行拍照或扫描得到的图像。在本实施例中，该横截面图像是通过互补金属氧化物半导体相机进行拍照获取的，这种图像显示了泡沫板内部的泡孔结构和分布情况。边缘像素点是图像中灰度值发生明显变化的点，通过边缘检测算法可以提取出来，用于描述物体的边界，像素聚集度是图像处理中的一个概念，用于衡量图像中某个区域内像素的密集程度。具体来说，它描述了图像中某一区域或某条边缘上的像素点的集中情况。且边缘像素点的切线的获取使用索伯算子获取。

具体地，对横截面图像进行处理，包括灰度化、滤波、边缘检测等操作。通过上述步骤，具体实施了对聚氨酯泡沫板横截面图像的采集和处理，成功提取了图像中的边缘像素点。这些处理步骤为后续对边缘像素点的处理打下了基础。

如图3所示，本发明的实施例的泡孔分布与其切线关系的示例图。

图3中所示直线为1号泡孔的切线，该切线经过了6、4、2、7、9号泡孔，依据1号泡孔切线上相邻两边缘像素点之间，距离的变化即可反映泡孔的分布状况，1号泡孔切线上相邻两边缘像素点之间，距离变化越小，表示泡孔分布越聚集。

在一个实施例中，计算切线上边缘像素点的像素聚集度，公式如下：

式中，J(W_i)表示边缘像素点i的切线上边缘像素点的像素聚集度，Δd_i,p表示边缘像素点i的切线上第p个边缘像素点与相邻边缘像素点距离的一阶差分值，m_i表示边缘像素点i的切线上边缘像素点的个数。

在另一个实施例中，计算切线上边缘像素点的像素聚集度，公式如下：

式中，J(W_i)表示边缘像素点i的切线上边缘像素点的像素聚集度，Δd_i,p表示边缘像素点i的切线上第p个边缘像素点与相邻边缘像素点距离的一阶差分值，表示所述一阶差分值的方差，m_i表示边缘像素点i的切线上边缘像素点的个数。

S102：对于不属于边缘交汇处的第一边缘像素点及属于边缘交汇处的第二边缘像素点，获取梯度均值和距离均值并进行归一化处理得到梯度权重和距离权重。

其中，边缘交汇处是指两个或多个边缘在同一个点或区域汇合的位置。边缘交汇处通常具有复杂的特征，因为多个边缘在该处交织，形成了更复杂的局部结构。第一边缘像素点指那些不位于边缘交汇处的像素点。在图像处理中，这些像素点通常表示相对简单或单一的边缘部分，没有其他边缘的交织。第二边缘像素点指那些位于边缘交汇处的像素点。在图像处理中，这些像素点通常涉及多个边缘的交汇，特征较为复杂。梯度均值表示在边缘像素点上计算的梯度均值的平均值。梯度均值是图像处理中的一个重要指标，表示像素灰度变化的程度，通常用于描述边缘的强度。距离均值指在边缘交汇处的像素点之间计算的距离均值的平均值。这些距离均值可以反映边缘交汇处的几何特征。归一化处理得到梯度权重和距离权重是将梯度数据和距离数据转换到一个标准范围内的过程，保证最后的权重之和为1。

如图4所示，本发明的实施例的第一边缘像素点与第二边缘像素点的对比图。

具体地，在一张聚氨酯泡沫板的横截面图像中，单一边缘的直线部分上的像素点就是第一边缘像素点，它们位于边缘的非交汇区域。交叉点或角落处的像素点就是第二边缘像素点，它们位于边缘交汇区域。在边缘检测过程中，计算每个边缘像素点的梯度均值，然后对这些梯度均值进行平均，得到梯度均值。在检测泡孔边缘交汇处时，计算交汇处每个像素点到其相邻边缘像素点的距离，并对这些距离进行平均，得到距离均值。

在一个实施例中，获取第一边缘像素点的梯度均值，公式如下：

式中，W_j ¹′表示第j个第一边缘像素点的梯度均值，表示第j个第一边缘像素点所处边缘B_j上的第s个边缘像素点的梯度均值，表示第j个第一边缘像素点所处边缘B_j上的边缘像素点个数。

获取第二边缘像素点的距离均值公式如下：

式中，表示第k个第二边缘像素点的距离均值，d_k,z表示第k个第二边缘像素点梯度垂直方向上与其左侧相邻的边缘像素点z之间的距离，d_k,y表示第k个第二边缘像素点梯度垂直方向上与其右侧相邻的边缘像素点y之间的距离。

S103：并将所述梯度权重和距离权重与所述像素聚集度进行加权求和后向上取整得到投票数阈值。

其中，向上取整是将数值向上舍入到最接近的整数。即，对于任何非整数值，向上取整会返回大于或等于该值的最小整数。投票数阈值用于判断某个结果是否达到某个条件或标准。在分类或检测任务中，它帮助确定是否接受一个特定的决策或结果。这个阈值通常用于决定结果的有效性，通过与计算结果进行比较，确定是否接受某个决策。优化性能：合理设定阈值可以帮助系统在不同的条件下表现得更好，例如在检测泡孔的任务中，正确设定阈值可以提高检测的准确率。

在一个实施例中，计算投票数阈值，公式如下：

式中，YZ表示投票数阈值，W_j ¹表示第j个第一边缘像素点，表示第k个第二边缘像素点，J(W_j ¹)表示第j个第一边缘像素点的切线上边缘像素点的像素聚集度，表示第j个第一边缘像素点的梯度均值归一化处理后的梯度权重，m₁表示第一边缘像素点的个数，表示第k个第二边缘像素点的切线上边缘像素点的像素聚集度，m₂表示第二边缘像素点的个数，表示第k个第二边缘像素点的距离均值归一化处理后的距离权重，表示向上取整函数。

在另一个实施例中，计算投票数阈值，公式如下：

式中，YZ表示投票数阈值，W_j ¹表示第j个第一边缘像素点，表示第k个第二边缘像素点，表示第一边缘像素点梯度均值的最小值，表示第一边缘像素点梯度均值的最大值，J(W_j ¹)表示第j个第一边缘像素点的切线上边缘像素点的像素聚集度，表示第j个第一边缘像素点的梯度均值归一化处理后的梯度权重，m₁表示第一边缘像素点的个数，表示第k个第二边缘像素点的切线上边缘像素点的像素聚集度，m₂表示第二边缘像素点的个数，表示第k个第二边缘像素点的距离均值归一化处理后的距离权重，表示向上取整函数表示第二边缘像素点距离均值的最小值，表示第二边缘像素点距离均值的最大值。

S104：依据所述投票数阈值对横截面图像中的泡孔进行标记，基于标记好泡孔的横截面图像训练神经网络模型，输出发泡状态类别的概率。

其中，标记泡孔是指在图像中识别并标记出泡孔的位置。这是一个关键的步骤，通常用于后续的分析或训练模型。标记的过程包括确定泡孔的边界或位置，并将其标记为特定的类别或区域。训练神经网络模型是通过输入标记好的数据，例如带有标记的泡孔图像，调整模型的参数，使得模型能够学习到数据中的特征，从而提高其对类似数据的分类或预测能力。发泡状态类别的概率是指神经网络模型输出的，表示图像中泡孔属于不同发泡状态类别的概率值。这是一个或多个概率值，表示模型对每个类别的信心程度。

具体地，使用标记好的图像作为训练集，对神经网络模型进行训练。模型通过反向传播算法调整权重，以最小化预测结果与实际标记之间的误差。常用的神经网络类型包括卷积神经网络等。经过训练的神经网络模型对输入图像进行分类，输出每个可能发泡状态类别的概率。例如，模型可能输出“泡孔状态A：70％”和“泡孔状态B：30％”，表示图像中的泡孔更有可能属于状态A。

S105：使用边缘检测算法对待检测的聚氨酯泡沫板的横截面图像中的泡孔进行标注并输入所述神经网络模型，将概率最高的发泡状态类别作为发泡状态的检测结果。

其中，边缘检测算法是图像处理中的一种技术，用于识别图像中灰度变化显著的区域，这些区域通常表示物体的边界。常用的边缘检测算法包括索伯算子和拉普拉斯算子等。概率最高的发泡状态类别是指神经网络模型输出的所有可能类别中，具有最大预测概率的类别。模型为每个类别计算一个概率值，并选择概率值最高的类别作为最终结果。

具体地，选择概率最高的类别作为最终结果，确保选择模型最有信心的分类结果，从而提高分类的准确性，解决了在不同泡孔分布状态下都能准确获取泡孔信息。

基于图像识别的发泡状态检测系统实施例：

如图5所示，本发明的实施例的基于图像识别的发泡状态检测系统流程图，包括处理器和存储器。

本发明还提供了基于图像识别的发泡状态检测系统。所述系统包括处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据本发明以上所述的基于图像识别的发泡状态检测方法。

所述基于图像识别的发泡状态检测系统还包括通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。

在本发明中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM(Resistive RandomAccess Memory)、动态随机存取存储器DRAM(Dynamic Random Access Memory)、静态随机存取存储器SRAM(Static Random-Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。

在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。

虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。

Claims (9)

1.基于图像识别的发泡状态检测方法，其特征在于，包括：

采集聚氨酯泡沫板的横截面图像并进行处理以获取横截面图像中的边缘像素点；

遍历所述边缘像素点，获取过边缘像素点的切线，计算所述切线上边缘像素点的像素聚集度；

对于不属于边缘交汇处的第一边缘像素点及属于边缘交汇处的第二边缘像素点，获取第一边缘像素点的梯度均值和第二边缘像素点的距离均值，对所述梯度均值和距离均值进行归一化处理得到梯度权重和距离权重，并将所述梯度权重和距离权重与所述像素聚集度进行加权求和后向上取整得到投票数阈值；依据所述投票数阈值对横截面图像中的泡孔进行标记，基于标记好泡孔的横截面图像训练神经网络模型，得到训练好的神经网络模型；

使用边缘检测算法对待检测的聚氨酯泡沫板的横截面图像中的泡孔进行标注并输入所述训练好的神经网络模型，输出发泡状态类别的概率，将概率最高的发泡状态类别作为发泡状态的检测结果。

2.根据权利要求1所述的基于图像识别的发泡状态检测方法，其特征在于，所述采集聚氨酯泡沫板的横截面图像并进行处理，包括，使用互补金属氧化物半导体相机进行采集并进行灰度化处理。

3.根据权利要求1所述的基于图像识别的发泡状态检测方法，其特征在于，所述切线采用索伯算子算法得到。

4.根据权利要求1所述的基于图像识别的发泡状态检测方法，其特征在于，计算切线上边缘像素点的像素聚集度，公式如下：

式中，J(W_i)表示边缘像素点i的切线上边缘像素点的像素聚集度，Δd_i,p表示边缘像素点i的切线上第p个边缘像素点与相邻边缘像素点距离的一阶差分值，m_i表示边缘像素点i的切线上边缘像素点的个数。

5.根据权利要求1所述的基于图像识别的发泡状态检测方法，其特征在于，获取第一边缘像素点的梯度均值，公式如下：

式中，W_j ¹′表示第j个第一边缘像素点的梯度均值，表示第j个第一边缘像素点所处边缘B_j上的第s个边缘像素点的梯度均值，表示第j个第一边缘像素点所处边缘B_j上的边缘像素点个数。

6.根据权利要求1所述的基于图像识别的发泡状态检测方法，其特征在于，获取第二边缘像素点的距离均值，公式如下：

式中，表示第k个第二边缘像素点的距离均值，d_k,z表示第k个第二边缘像素点梯度垂直方向上与其左侧相邻的边缘像素点z之间的距离，d_k,y表示第k个第二边缘像素点梯度垂直方向上与其右侧相邻的边缘像素点y之间的距离。

7.根据权利要求5所述的基于图像识别的发泡状态检测方法，其特征在于，计算投票数阈值，公式如下：

式中，YZ表示投票数阈值，W_j ¹表示第j个第一边缘像素点，表示第k个第二边缘像素点，J(W_j ¹)表示第j个第一边缘像素点的切线上边缘像素点的像素聚集度，表示第j个第一边缘像素点的梯度均值归一化处理后的梯度权重，m₁表示第一边缘像素点的个数，表示第k个第二边缘像素点的切线上边缘像素点的像素聚集度，m₂表示第二边缘像素点的个数，表示第k个第二边缘像素点的距离均值归一化处理后的距离权重，表示向上取整函数。

8.根据权利要求1所述的基于图像识别的发泡状态检测方法，其特征在于，所述神经网络模型为卷积神经网络模型。

9.基于图像识别的发泡状态检测系统，其特征在于，包括存储器和处理器，所述存储器内存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现权利要求1～8任意一项所述的基于图像识别的发泡状态检测方法。