[发明专利]基于低轶稀疏分解的瓶装液体可见异物检测方法及其系统在审
申请号: | 201910462944.3 | 申请日: | 2019-05-30 |
公开(公告)号: | CN110132985A | 公开(公告)日: | 2019-08-16 |
发明(设计)人: | 王雨青;陈小林;王博;吴志佳;李荅群 | 申请(专利权)人: | 中国科学院长春光学精密机械与物理研究所 |
主分类号: | G01N21/88 | 分类号: | G01N21/88;G06T7/136;G06K9/62;G06K9/32 |
代理公司: | 深圳市科进知识产权代理事务所(普通合伙) 44316 | 代理人: | 吴乃壮 |
地址: | 130033 吉林省长春*** | 国省代码: | 吉林;22 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 二值图 帧图像 连续帧图像 前一帧图像 图像处理 稀疏分解 可见异物检测 感兴趣区域 瓶装液体 图像 去除 稀疏 差分处理 可见异物 输出图像 消除检测 阈值分割 准确度 自适应 采集 检测 | ||
1.一种基于低轶稀疏分解的瓶装液体可见异物检测方法,其特征在于,包括以下步骤:
采集连续帧图像;其中,所述连续帧图像包括当前帧图像和前一帧图像;
提取连续帧图像中每一帧图像的特征,设定感兴趣区域;
对所述感兴趣区域进行低轶稀疏分解,得到低轶部分图像和稀疏部分图像;
对所述稀疏部分图像依次进行自适应阈值分割、图像处理去除干扰,得到二值图;其中二值图包括当前帧图像的二值图和前一帧图像的二值图;
将所述当前帧图像的二值图和所述前一帧图像的二值图进行差分处理,得到差分图;
将差分图进行图像处理去除干扰,输出图像处理后的差分图;
根据图像处理后的差分图判断液体中是否存在可见异物。
2.根据权利要求1所述的基于低轶稀疏分解的瓶装液体可见异物检测方法,其特征在于,所述提取连续帧图像中每一帧图像的特征,得到感兴趣区域的步骤,包括:
将每一帧图像转换为灰度图像,提取所述灰度图像中的灰度特征、梯度特征、边缘特征,获得瓶内液面、瓶底、左侧瓶壁和右侧瓶壁信息;
根据所述瓶内液面、瓶底、左侧瓶壁和右侧瓶壁信息,确定感兴趣区域的上坐标、下坐标、左坐标和右坐标,得到感兴趣区域。
3.根据权利要求1所述的基于低轶稀疏分解的瓶装液体可见异物检测方法,其特征在于,所述对所述感兴趣区域进行低轶稀疏分解,得到低轶部分图像和稀疏部分图像的步骤,包括:
将所述感兴趣区域转换为观测数据矩阵D,将所述观测数据矩阵D分解为低轶部分矩阵A和稀疏部分矩阵E;
分别将低轶部分矩阵A转换为低轶部分图像,将稀疏部分矩阵E转换为稀疏部分图像;
其中,
式中,λ为非负参数;||E||0为稀疏部分矩阵E的l0范数,即稀疏部分矩阵E中非零元素的个数;rank(A)为低轶部分矩阵A的轶函数,即低轶部分矩阵A中非零奇异值的个数。
4.根据权利要求3所述的基于低轶稀疏分解的瓶装液体可见异物检测方法,其特征在于,所述观测数据矩阵D、低轶部分矩阵A和稀疏部分矩阵E之间满足公式
其中,||A||*为低轶部分矩阵A的核范数,即低轶部分矩阵A中所有奇异值之和;||E||1为稀疏部分矩阵E的l1范数,即稀疏部分矩阵E所有元素的绝对值之和。
5.根据权利要求4所述的基于低轶稀疏分解的瓶装液体可见异物检测方法,其特征在于,
通过迭代阈值算法、加速近似梯度算法、增广拉格朗日乘子法或交替方向法求解公式
6.根据权利要求1所述的基于低轶稀疏分解的瓶装液体可见异物检测方法,其特征在于,所述对所述稀疏部分图像依次进行自适应阈值分割、图像处理去除干扰,得到二值图的步骤中,包括:
对所述稀疏部分图像依次进行自适应阈值分割;
对自适应阈值分割后的图像进行腐蚀和/或膨胀图像处理,得到二值图。
7.根据权利要求1所述的基于低轶稀疏分解的瓶装液体可见异物检测方法,其特征在于,所述将差分图进行图像处理去除干扰,输出图像处理后的差分图的步骤,包括:
将所述差分图采用腐蚀和/或膨胀进行图像处理,输出图像处理后的差分图。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国科学院长春光学精密机械与物理研究所,未经中国科学院长春光学精密机械与物理研究所许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910462944.3/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种线式扫描的钻杆表面缺陷检测装置及其工作方法
- 下一篇:一种光学成像系统