本发明一般地涉及图像处理领域。更具体地,本发明涉及基于图像处理的钢绞线生产监测方法。
背景技术:
1、钢绞线是一种由多股钢丝编织而成的强力钢索,根据产品设计要求,准备适当规格和质量的钢丝作为原材料,钢丝通常是经过拉拔、锻造或冷拔等工艺得到的,将多根钢丝按照设计要求的绞合方式进行编织或交织,形成钢绞线的结构,绞合可以增加钢绞线的强度和韧性,它通常用于加固混凝土结构,如桥梁、高楼和其他大型建筑物,钢绞线具有高强度、耐腐蚀、耐疲劳和良好的柔韧性等特点。
2、目前在进行钢绞线生产的过程中,仍然通过人工对钢绞线的单一特征进行评判,从而判断钢绞线生产是否合格,然而评价方法单一,并且增加了人工的工作量,不能全面的反映钢绞线的生产质量,从而可能会降低钢绞线生产质量,并且通过人工进行判断使得钢绞线生产效率比较低,增加了生产的经济成本。
技术实现思路
1、本发明提出基于图像处理的钢绞线生产监测方法,旨在解决人工对钢绞线的单一特征进行评判,不能全面的反映钢绞线的生产质量,并且增加了人工的工作量的问题。
2、为实现上述目的,本发明提供如下技术方案:基于图像处理的钢绞线生产监测方法,包括:
3、分段采集同一钢绞线的多张图像,并依据预设的神经网络模型对采集到的所有图像进行分割获得钢绞线图像集;
4、将所述钢绞线图像集中的所有图像转换为灰度图,并对目标灰度图进行比特分层获得八张目标比特分层图像,其中,所述目标灰度图为任意一张所述灰度图;
5、计算每一张目标比特分层图像的灰度游程矩阵以获取所述每一张目标比特分层图像的灰度游程矩阵对所述目标灰度图的贡献度;
6、选择对所述目标灰度图贡献度最大的目标分层比特图像作为目标特征比特图;
7、计算所述目标特征比特图的灰度差异值获得灰度差异值序列;
8、将所述灰度差异值序列输入到高斯分布模型中以对所述钢绞线图像集中的图像进行筛选获得钢绞线优化图像集;
9、计算所述钢绞线优化图像集中各相邻钢绞线图像的灰度游程矩阵短期重点值的相似度,以评判相邻两段钢绞线的表面纹理连续度;
10、基于所述表面纹理连续度和预设的连续度阈值对所述钢绞线的生产质量进行评估。
11、在一个实施例中,包括:
12、将相机分别设置在钢绞线的左右两侧;
13、依据预设时间间隔对所述钢绞线进行分段采集;
14、依据预设的神经网络模型对采集到的所有图像进行分割获得钢绞线图像集。
15、在一个实施例中,所述计算每一张目标比特分层图像的灰度游程矩阵以获取各目标比特分层图像对所述目标灰度图的贡献度包括:
16、对每张目标比特分层图像进行灰度阶量化;
17、依据经过灰度阶量化后的目标比特分层图像构建四个方向灰度游程矩阵,其中,所述四个方向为0°、45°、90°和135°;
18、计算所述四个方向灰度游程矩阵的平均值作为所述目标比特分层图像的灰度游程矩阵,其中,所述灰度游程矩阵与所述目标比特分层图像一一对应;
19、基于所述灰度游程矩阵计算所述目标比特分层图像的像素频率,并基于所述像素频率获取各目标比特分层图像对所述目标灰度图的贡献度。
20、在一个实施例中,所述计算所述目标特征比特图的灰度差异值获得灰度差异值序列包括:
21、计算所述目标特征比特图中每一个图像块的灰度差异值,所述灰度差异值满足关系式:
22、
23、其中,为第段钢绞线目标特征比特图中第个图像块的灰度差异值,表示第个图像块中第个位置像素点的灰度值,为目标特征比特层图中包含的图像块数量,表示个图像块中同样位置的第个位置像素点的灰度值均值,表示当前图像块中当前位置像素点的灰度差异值,表示目标特征比特图中图像块的行数,表示目标特征比特图中图像块的列数;
24、基于所述目标特征比特图中所有图像块的灰度差异值构建灰度差异值序列。
25、在一个实施例中,将所述灰度差异值序列输入到高斯分布模型中以对所述钢绞线图像集中的图像进行筛选获得钢绞线优化图像集包括:
26、计算所述灰度差异值序列的均值和标准差;
27、将所述均值和标准差输入至预先训练好的高斯分布模型中获得序列输出结果,其中,所述序列输出结果和所述目标灰度图一一对应;
28、若所述序列输出结果大于预设阈值,则保留与所述序列输出结果对应的目标灰度图;
29、若所述序列输出结果不大于预设阈值,则舍弃与所述序列输出结果对应的目标灰度图;
30、将保留下来的所有目标灰度图作为钢绞线优化图像集。
31、本发明的有益效果为:
32、1.通过图像处理的方法,对生产中的钢绞线进行拍照进行图像采集,并对图像进行计算处理,从而可以反映钢绞线绞合的均匀程度、平整度和钢绞线表面纹理连续度,通过计算参数对钢绞线生产质量全面评估,使得钢绞线生产效率和质量得到提高,避免了人工对钢绞线的单一特征评判生产质量,同时减轻了人工的工作量。
1.基于图像处理的钢绞线生产监测方法,其特征在于,包括:
2.根据权利要求1所述的基于图像处理的钢绞线生产监测方法,其特征在于,所述分段采集同一钢绞线的多张图像,并依据预设的神经网络模型对采集到的所有图像进行分割获得钢绞线图像集包括:
3.根据权利要求1所述的基于图像处理的钢绞线生产监测方法,其特征在于,所述计算每一张目标比特分层图像的灰度游程矩阵以获取各目标比特分层图像对所述目标灰度图的贡献度包括:
4.根据权利要求1所述的基于图像处理的钢绞线生产监测方法,其特征在于,所述计算所述目标特征比特图的灰度差异值获得灰度差异值序列包括:
5.根据权利要求1所述的基于图像处理的钢绞线生产监测方法,其特征在于,将所述灰度差异值序列输入到高斯分布模型中以对所述钢绞线图像集中的图像进行筛选获得钢绞线优化图像集包括: