基于图像处理的生产检测方法及系统与流程

1.本技术涉及图像处理技术领域，尤其涉及一种基于图像处理的生产检测方法及系统。


背景技术：

2.在现代工业生产中，自动化已经被广泛应用于各种生产线。但是由于生产速度过快、传送带速度不匹配、机械故障等问题，导致产品在流水线上生产时经常出现产品重叠的问题。产品重叠后可能会导致产品之间产生磨擦，进而损坏产品，甚至可能导致产品无法按照预设的流水线有序的进行装配、包装和标识，另外重叠的产品也可能会影响后续的缺陷检测，最终导致次品流入市场。
3.现有技术中，采用显著性检测ca算法进行产品重叠检测时主要考虑各区域颜色、距离的差异，而传送带上的产品一致、外观颜色也一致，未重叠产品与重叠产品的距离也较近，因此原始的显著性检测ca算法对传送带上产品的重叠区分效果较差。


技术实现要素：

4.为了解决以上技术问题，本技术提供了一种基于图像处理的生产检测方法及系统。
5.根据本技术实施例的第一方面，提供了一种基于图像处理的生产检测方法，包括：采集并处理获得传送带上产品的产品灰度图像；采用canny算子对所述产品灰度图像进行边缘轮廓检测和处理，获得所述产品灰度图像中的连通区域；分析所述连通区域的边缘像素点的分布特征，获得所述连通区域的轮廓形态异常度；分析所述连通区域内的角点分布特征，获得所述连通区域的角点分布异常度；根据所述轮廓形态异常度和所述角点分布异常度，构建所述连通区域的区域异常显著系数；将每个区域的所述区域异常显著系数，输入到ca算法中，实现对产品重叠区域的显著性检测。
6.在本发明的一些实施例中，分析所述连通区域的边缘像素点的分布特征，获得所述连通区域的轮廓形态异常度，包括：将所述连通区域的边缘像素点两两连线，得到多条线段，取每条线段的中心点，计算边缘线段中点落到所述连通区域以外的概率；根据所述概率，获得所述连通区域的轮廓形状不规则指数；计算每个所述连通区域的边缘像素点与其所在所述连通区域的中心点之间的第一欧式距离；根据所述第一欧式距离，获得所述连通区域的轮廓扩大指数；
基于所述轮廓形状不规则指数和所述轮廓扩大指数，获得所述连通区域的轮廓形态异常度。
7.在本发明的一些实施例中，所述轮廓形状不规则指数的计算方法为：；；式中，表示连通区域的轮廓形状不规则指数，表示边缘线段中点落到连通区域以外的数量，表示边缘线段中点落到连通区域以外的概率，表示所有连通区域的边缘线段中点落到连通区域以外的概率均值，表示所有连通区域的边缘线段中点落到连通区域以外的概率最大值，表示连通区域的边缘像素点两两连线得到的线段数量。
8.在本发明的一些实施例中，所述轮廓扩大指数计算方法为：；式中，表示连通区域的轮廓扩大指数，表示连通区域的中心点与边缘像素点的第一欧式距离均值，表示所有连通区域的中心点与边缘像素点的第一欧式距离均值，表示以为底的指数函数。
9.在本发明的一些实施例中，所述轮廓形态异常度计算方法为：；式中，表示连通区域的轮廓形态异常度，表示连通区域的轮廓形状不规则指数，表示连通区域的轮廓扩大指数。
10.在本发明的一些实施例中，分析所述连通区域内的角点分布特征，获得所述连通区域的角点分布异常度，包括：对所述产品灰度图像进行harris角点检测，统计每个所述连通区域的角点个数和位置坐标；计算每个所述角点与其所在的所述连通区域的中心点之间的第二欧式距离；根据所述第二欧式距离，获得所述连通区域的角点离散指数；分析所述角点离散指数，获得所述连通区域的角点分布异常度。
11.在本发明的一些实施例中，所述角点分布异常度计算方法为：；；式中，表示连通区域的角点分布异常度，表示连通区域的角点数
量，表示所有连通区域角点数量的均值，表示连通区域的角点离散指数，表示所有连通区域的角点离散指数均值，表示所有连通区域的角点离散指数求和，表示以为底的指数函数；式中，表示连通区域的角点离散指数，表示连通区域中第个角点到中心点的第二欧式距离，表示连通区域中所有角点到中心点的第二欧式距离均值，表示连通区域中角点的数量。
12.在本发明的一些实施例中，所述区域异常显著系数计算方法为：；式中，表示连通区域的区域异常显著系数，表示连通区域的轮廓形态异常度，表示连通区域的角点分布异常度。
13.在本发明的一些实施例中，将每个区域的所述区域异常显著系数，输入到ca算法中，实现对产品重叠区域的显著性检测，包括：根据所述区域异常显著系数，获得差异值，所述差异值计算方法为：；式中，表示连通区域和的差异值，表示连通区域的区域异常显著系数，表示连通区域的区域异常显著系数；根据所述差异值，获得区域显著值，所述区域显著值计算方法为：；式中，表示连通区域的显著值，表示连通区域和的差异值，n表示灰度图像中连通区域的个数。
14.根据本技术实施例的第二方面，提供了一种基于图像处理的生产检测系统，系统包括存储器模块和处理器模块，其中：所述存储器模块，用于存储程序代码；所述处理器模块，用于读取所述存储器模块中存储的程序代码，并执行如本技术实施例的第一方面所述的方法。
15.由以上实施例可见，本技术实施例提供的基于图像处理的生产检测方法及系统，具有的有益效果如下：本发明针对传送带上的产品重叠进行检测，采用改进过的显著性检测ca算法进行产品重叠检测。原始ca算法主要考虑各区域颜色、距离的差异，而传送带上的产品一致、外观颜色也一致，未重叠产品与重叠产品的距离也较近，原始的ca无法进行区分。因此本发明对于产品重叠区域进行分析，重叠区域的轮廓相较于正常情况不规则、轮廓较大，角点相较于正常情况数量较多、分布差异较大，以此构建异常显著系数，解决ca算法无法区分的问题。
16.本发明采用基于图像处理的生产检测方法及系统，对流水线产品进行实时检测，可以及时发现产品重叠的问题，帮助系统或操作员采取措施，避免产品损坏或者无法进行缺陷检测。使用图像处理技术，不再使用人工，可以提高生产效率，减少生产线的停滞和错误，降低产品质量风险。通过自动化的图像处理与分析，极大减轻了人工的劳动强度，提高了生产线的自动化、智能化水平。
17.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
18.为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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。
19.图1为本技术实施例提供的一种基于图像处理的生产检测方法基本流程示意图；图2为本技术实施例提供的一种连通区域的轮廓形态异常度获取方法基本流程示意图；图3为本技术实施例提供的一种连通区域的角点分布异常度获取方法基本流程示意图；图4为本技术实施例提供的一种基于图像处理的生产检测系统基本组成示意图；图5为本技术实施例提供的一种产品重叠的示意图。
具体实施方式
20.为了使本技术领域的人员更好地理解本发明中的技术方案，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，所描述的实施例仅仅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，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
21.下面将结合附图，对本实施例提供的一种制动气室外观图像智能检测方法及系统进行详细介绍。
22.图1为本技术实施例提供的一种基于图像处理的生产检测方法基本流程示意图，如图1所示，该方法具体包括如下步骤：s100：采集并处理获得传送带上产品的产品灰度图像。
23.现代工厂通常采用流水线进行产品的生产和检测。流水线进行产品生产和检测时使用传送带将产品依次向前传送，各产品之间存在适当间隙。本发明采用cmos相机对生产流水线上的产品进行拍摄，具体的，cmos相机采用俯视的角度、相同的时间间隔对传送带上的产品进行拍摄，保证所有产品都被拍摄过。cmos相机获得的产品图像为rgb图像。进一步的，将rgb图像转换成灰度图像；并且对灰度图像进行中值滤波处理，以防止图像噪声对图像后续处理和分析产生影响；同时，使用拉普拉斯算子对灰度图像进行锐化操作，使图像的边缘轮廓更加清晰，以便进行后续操作；最终获得处理后的灰度图像，记为产品灰度图像。
24.s200：采用canny算子对产品灰度图像进行边缘轮廓检测和处理，获得产品灰度图
像中的连通区域。
25.正常情况下，所有产品之间都存在一定的间距，因此产品之间不存在重叠。但是当流水线生产速度过快、传送带速度不匹配等时，会导致部分产品之间发生重叠，此时产品区域可能并不是单独的一个产品，而是多个产品的重叠。单一产品的边缘轮廓通常是圆形、椭圆形、矩形等，大多都较为对称、规整，形状较为简单，而一旦出现产品重叠，由于产品之间存在遮挡，产品重叠轮廓区域的边界会变得模糊，难以进行准确区分和提取，同时重叠产品也会导致轮廓的交叠，即一个产品的轮廓部分覆盖在另一个产品的轮廓上，导致该产品的连通区域边缘轮廓不再对称、规整，形状较为复杂。
26.图5为本技术实施例提供的一种产品重叠的示意图，如图5所示，虚线部分即为单个产品的边缘轮廓，由于遮挡，以及以产品为背景，该部分轮廓较为模糊，难以区分和提取；实线部分为产品重叠后产生的实际边缘轮廓，没有遮挡，以传送带为背景，该部分轮廓较为清晰，易进行区分和提取。
27.在生产产品和传送带的背景颜色相差较大，与传送带背景相比具有较为明显的边缘轮廓，同时产品之间一般存间距。因此，本发明采用canny算子对产品灰度图像进行边缘轮廓检测，得到边缘轮廓的二值图像，再对二值图像进行8方向链码法，确定产品灰度图像内的连通曲线和连通区域，该连通曲线即为产品边缘轮廓曲线，该连通区域即为产品区域，连通曲线与连通区域是一一对应的关系。记产品灰度图像中的连通区域共有n个，连通区域分别记为。
28.s300：分析连通区域的边缘像素点的分布特征，获得连通区域的轮廓形态异常度。
29.图2为本技术实施例提供的一种连通区域的轮廓形态异常度获取方法基本流程示意图，如图2所示，分析连通区域的边缘像素点的分布特征，获得连通区域的轮廓形态异常度，包括以下步骤：s301：将连通区域的边缘像素点两两连线，得到多条线段，取每条线段的中心点，计算边缘线段中点落到连通区域以外的概率。
30.若产品灰度图像中产品出现重叠现象，则该连通区域的边缘曲线不规则、不对称，即对应的连通曲线轮廓不规则、不对称。因此，对每个连通区域的边缘像素点两两连线，得到多条线段，取每条线段的中心点，计算边缘线段中点落到连通区域以外的概率。如，对连通区域，在其连通曲线上均匀采集个像素点（取经验值为300），将个像素点两两进行连线，共有条线段，取每条线段的中心点，也共有个中心点坐标。对连通区域进行二值化，连通区域内部和边缘的像素点设为0，区域外的像素点设为1。得到上述个边缘线段中点的像素值，如该边缘线段中点落在连通区域内部或边缘，像素值为0，该边缘线段中点落在连通区域外，像素值为1。统计所有连通区域外的边缘线段中点的个数，即边缘线段中点像素值为1的个数，记为，计算边缘线段中点像素值为1的概率，记为，即边缘线段中点落到连通区域以外的概率为：；
式中，表示边缘线段中点落到连通区域以外的概率，表示边缘线段中点落到连通区域以外的数量，表示连通区域的边缘像素点两两连线得到的线段数量。
31.其中，边缘线段中点落在连通区域外的数量越多，越大。越大，说明该连通区域的边缘轮廓并不对称、不规整，致使边缘像素点连线中点落在连通区域外部，该连通区域越有可能存在产品重叠区域。
32.s302：根据概率，获得连通区域的轮廓形状不规则指数。
33.根据步骤s301获得的边缘线段中点落到连通区域以外的概率，同理，可以计算产品灰度图像中所有连通区域的边缘线段中点像素值为1的概率，分别记为。可得所有连通区域的概率均值为，概率最大值为，在产品灰度图像中存在产品重叠的情况较少，大多数产品之间存在间距，一个连通区域有且只有一个产品，因此使用概率均值为代表产品正常情况下边缘线段中点落在连通区域外的概率。则连通区域的轮廓形状不规则指数的计算方法为：；式中，表示连通区域的轮廓形状不规则指数，表示边缘线段中点落到连通区域以外的数量，表示边缘线段中点落到连通区域以外的概率，表示所有连通区域的边缘线段中点落到连通区域以外的概率均值，表示所有连通区域的边缘线段中点落到连通区域以外的概率最大值。
34.其中，落在连通区域外的边缘线段中点越多，边缘线段中点落在连通区域外的点越多；同时越大，说明该连通区域的边缘线段中点落在连通区域外的概率比正常情况越大，则该连通区域的轮廓相对正常情况越不对称、不规则，该连通区域的轮廓形状不规则指数越大。正常产品的边缘轮廓较为对称、规则，在边缘轮廓上选取两点进行连线，线段中点一般落在连通区域内部，而一旦产品存在重叠时，会导致产品的边缘轮廓发生变化，不再对称、规整，导致边缘线段的中点出现在连通区域外部，因此轮廓形状不规则指数越大，说明该连通区域越有可能是产品重叠区域。
35.s303：计算每个连通区域的边缘像素点与其所在连通区域的中心点之间的第一欧式距离。
36.本发明在采集图像阶段，采用的是俯视的角度对传送带上的产品进行拍摄，因此，若产品之间不存在重叠现象，每个连通区域内有且只有一个产品，该产品种类一致，外观基本一致，产品的边缘轮廓、长度也基本一致，而若产品灰度图像中出现产品重叠的现象，多个产品的边缘轮廓会组合在一起，形成一个新的产品边缘轮廓，该重叠边缘轮廓一般较为复杂、长度较长，同时重叠产品的边缘轮廓区域中心与正常边缘轮廓中心相比，由于边缘轮廓发生变化，中心会产生偏移，导致边缘轮廓上的像素点到中心点的距离整体变大。
37.基于以上分析，在本发明中，计算每个连通区域的边缘像素点与其所在连通区域的中心点之间的第一欧式距离。若计算边缘轮廓所有像素点到轮廓中心点的距离，计算量过大，因此本发明采用上述边缘轮廓均匀采集的300个像素点代表整体边缘像素点。在连通区域中，该连通区域中心点坐标为，连通区域的中心点与其第j个边缘采样点的第一欧式距离记为，采样点共有300个，因此每个连通区域共有个第一欧式距离。
38.s304：根据第一欧式距离，获得连通区域的轮廓扩大指数。
39.根据步骤s303获得的第一欧式距离，可得连通区域中心点与边缘像素点的距离均值为。并且可以计算得到所有连通区域内中心点与边缘采样点之间的距离均值。根据与计算得到连通区域的轮廓扩大指数：；式中，表示连通区域的轮廓扩大指数，表示连通区域的中心点与边缘像素点的第一欧式距离均值，表示所有连通区域的中心点与边缘像素点的第一欧式距离均值，表示以为底的指数函数。
40.其中，产品灰度图像中正常情况、没有重叠的产品占产品灰度图像所有连通区域的大多数，因此采用所有连通区域内中心点与边缘采样点之间的距离均值表示正常情况下的产品连通区域距离均值。一旦产品出现重叠现象，会导致产品连通区域轮廓变大，导致中心点与边缘采样点的距离变大，也变大。因此当该连通区域的越大，该连通区域相比正常单一产品的连通区域轮廓要更大，即该连通区域的轮廓扩大指数越大。轮廓扩大指数越大，说明该连通区域的轮廓相比正常情况要更大，该连通区域越有可能是重叠产品区域。
41.s305：基于轮廓形状不规则指数和轮廓扩大指数，获得连通区域的轮廓形态异常度。
42.由连通区域边缘轮廓上均匀采样像素点与该连通区域的位置关系，可得连通区域的轮廓形状不规则指数；由边缘轮廓上均匀采样像素点与连通区域中心的距离关系，可得连通区域的轮廓扩大指数。由此可得连通区域的轮廓形态异常度：；式中，表示连通区域的轮廓形态异常度，表示连通区域的轮廓形状不规则指数，表示连通区域的轮廓扩大指数。
43.其中，该连通区域边缘轮廓线段中点落在区域外的个数越多、概率比正常情况
越大，该连通区域边缘轮廓形状越不规则，轮廓形状不规则指数越大，相比较与正常情况，该区域轮廓在形态上越异常，连通区域的轮廓形态异常度越大；该连通区域边缘轮廓与连通区域中心点之间的距离均值与正常情况相比越大，该连通区域轮廓相比正常区域越大，轮廓扩大指数越大，相比相比较与正常情况，该连通区域轮廓在形态上越异常，连通区域的轮廓形态异常度越大。该连通区域轮廓形态异常度越大，该连通区域轮廓越不规则，轮廓越大，该连通区域越有可能是重叠产品区域。
44.s400：分析连通区域内的角点分布特征，获得连通区域的角点分布异常度。
45.在产品灰度图像中，若产品之间不存在重叠的情况下，每个连通区域内有且只有一个产品，该产品的种类一致，外观基本一致，而图像中的角点具有几何不变性，即使传送带上的产品发生旋转，该产品外观上的角点依然保持其位置和特征不变。因此正常情况下，每个连通区域上的角点个数，每个角点与该连通区域中心的相对位置分布应该基本一致。基于以上分析，分析连通区域内的角点分布特征，获得连通区域的角点分布异常度。
46.图3为本技术实施例提供的一种连通区域的角点分布异常度获取方法基本流程示意图，如图3所示，分析连通区域内的角点分布特征，获得连通区域的角点分布异常度，包括以下步骤：s401：对产品灰度图像进行harris角点检测，统计每个连通区域的角点个数和位置坐标。
47.s402：计算每个角点与其所在的连通区域的中心点之间的第二欧式距离。
48.计算每个角点与其所在的连通区域的中心点之间的第二欧式距离。如连通区域内共有个角点，而该连通区域的中心点坐标为，第个角点到中心点的第二欧式距离为，则个角点与中心点的第二欧式距离均值为。
49.s403：根据第二欧式距离，获得连通区域的角点离散指数。
50.根据步骤s402获得的第个角点到中心点的第二欧式距离为和个角点与中心点的第二欧式距离均值为，获得连通区域的角点离散指数为：；式中，表示连通区域的角点离散指数，表示连通区域中第个角点到中心点的第二欧式距离，表示连通区域中所有角点到中心点的第二欧式距离均值，表示连通区域中角点的数量。
51.其中，角点与区域中心点的距离和均值的差值越大，说明该点过远或过近，该区域所有角点距离差值之和越大，该区域内所有角点分布越离散，角点离散指数越大。
52.s404：分析角点离散指数，获得连通区域的角点分布异常度。
53.在产品灰度图像中，大多是正常、未重叠的产品，同时该产品都是一摸一样的，在外观上一致，角点个数、相对分布也相似；而对于重叠的产品而言，该连通区域面积变大，角点变多，角点与正常情况差异较大。由于产品灰度图像中正常产品较多，重叠产品较少，因此采用各个连通区域的角点个数均值、角点离散指数均值作为正常情况下的产品的角度个数、角点离散指数。某一连通区域内角点个数远大于角点个数均值，角点离散指数与角点离散指数均值差异较大，该连通区域越是异常区域的可能性较大，该连通区域越有可能是重叠产品区域。因此，分析角点离散指数，获得连通区域的角点分布异常度：；式中，表示连通区域的角点分布异常度，表示连通区域的角点数量，表示所有连通区域角点数量的均值，表示连通区域的角点离散指数，表示所有连通区域的角点离散指数均值，表示所有连通区域的角点离散指数求和，表示以为底的指数函数。
54.其中，该连通区域内角点数量比未重叠产品角点数量差值越大，说明该连通区域内的角点分布越异常，则连通区域的角点分布异常度越大；该连通区域内角点离散指数比未重叠产品差异越大，说明该连通区域内的角点离散指数越异常，则连通区域的角点分布异常度越大。由于、代表的是正常情况的产品，该连通区域角点分布异常度越大，即与正常情况相差越大，该连通区域越有可能是产品重叠区域。
55.s500：根据轮廓形态异常度和角点分布异常度，构建连通区域的区域异常显著系数。
56.由轮廓形态异常度和角点分布异常度构建区域异常显著系数：；式中，表示连通区域的区域异常显著系数，表示连通区域的轮廓形态异常度，表示连通区域的角点分布异常度。
57.其中，该连通区域的轮廓形态异常度越大，说明该连通区域轮廓相较于正常情况越不规则、轮廓越大，该连通区域异常显著系数越大；该连通区域的角点分布异常度越大，说明该连通区域角点相较于正常情况数量越多、角点离散指数差值越大，该连通区域异常显著系数越大。该连通区域异常显著系数越大，此连通区域的轮廓、角点与未重叠产品差距越大，该连通区域越有可能是产品重叠区域。
58.s600：将每个区域的区域异常显著系数，输入到ca算法中，实现对产品重叠区域的显著性检测。
59.传统的显著性检测ca算法，只考虑区域的颜色和欧式距离，存在未重叠产品和重叠产品外观颜色一致，距离较近的情况，此时ca算法无法将未重叠产品和重叠产品进行区分、显著增强。因此本发明根据重叠产品和未重叠产品的轮廓、角点的特征，构建区域异常显著系数，不使用颜色和欧式距离，可以将重叠产品进行较好的区分。
60.将每个区域的区域异常显著系数，输入到ca算法中，实现对产品重叠区域的显著性检测。具体的，由步骤s500可得每个连通区域的异常显著系数，根据区域异常显著系数，获得差异值，差异值计算方法为：；式中，表示连通区域和的差异值，表示连通区域的区域异常显著系数，表示连通区域的区域异常显著系数。
61.使用连通区域和的差异值取代ca算法中由颜色和欧式距离构建的差异值d。
62.根据差异值，获得区域显著值，区域显著值计算方法为：；式中，表示连通区域的显著值(r是尺度，本发明只采用r=100%)，表示连通区域和的差异值，n表示灰度图像中连通区域的个数。
63.其中，该连通区域与未重叠产品对比越异常，越大，该连通区域与其他连通区域的差异值也越大，致使该连通区域的显著值越大。
64.最后经过ca算法输出一张重叠产品显著图，该显著图的显著区域即为产品重叠区域。
65.基于与上述方法同样的发明构思，本实施例还提供了基于图像处理的生产检测系统，图4为本技术实施例提供的一种基于图像处理的生产检测系统基本组成示意图，如图4所示：系统包括存储器模块10和处理器模块20，其中：存储器模块10，用于存储程序代码；处理器模块20，用于读取存储器模块10中存储的程序代码，并执行采集并处理获得传送带上产品的产品灰度图像；采用canny算子对产品灰度图像进行边缘轮廓检测和处理，获得产品灰度图像中的连通区域；分析连通区域的边缘像素点的分布特征，获得连通区域的轮廓形态异常度；分析连通区域内的角点分布特征，获得连通区域的角点分布异常度；根据轮廓形态异常度和角点分布异常度，构建连通区域的区域异常显著系数；将每个区域的区域异常显著系数，输入到ca算法中，实现对产品重叠区域的显著性检测。
66.在本发明的一些实施例中，处理器模块20，包括：图像采集处理子模块21，被配置为采集并处理获得传送带上产品的产品灰度图像。
67.canny算子子模块22，被配置为采用canny算子对产品灰度图像进行边缘轮廓检测和处理，获得产品灰度图像中的连通区域。
68.轮廓形态异常度子模块23，被配置为分析连通区域的边缘像素点的分布特征，获得连通区域的轮廓形态异常度。进一步被配置为：将连通区域的边缘像素点两两连线，得到多条线段，取每条线段的中心点，计算边缘线段中点落到连通区域以外的概率；根据概率，获得连通区域的轮廓形状不规则指数；计算每个连通区域的边缘像素点与其所在连通区域的中心点之间的第一欧式距离；根据第一欧式距离，获得连通区域的轮廓扩大指数；基于轮廓形状不规则指数和轮廓扩大指数，获得连通区域的轮廓形态异常度。
69.角点分布异常度子模块24，被配置为分析连通区域内的角点分布特征，获得连通区域的角点分布异常度。进一步被配置为：对产品灰度图像进行harris角点检测，统计每个连通区域的角点个数和位置坐标；计算每个角点与其所在的连通区域的中心点之间的第二欧式距离；根据第二欧式距离，获得连通区域的角点离散指数；分析角点离散指数，获得连通区域的角点分布异常度。
70.区域异常显著系数子模块25，被配置为根据轮廓形态异常度和角点分布异常度，构建连通区域的区域异常显著系数。
71.显著性检测子模块26，被配置为将每个区域的区域异常显著系数，输入到ca算法中，实现对产品重叠区域的显著性检测。
72.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
73.需要说明的是，除非另有规定和限定，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或暗示这些实体或操作之间存在任何这种实际的关系或顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的电路结构、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种物品或者设备所固有的要素。在没有更多限制的情况下，有语句“包括一个
……”
限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。另外，本文使用的术语“和\或”包括一个或多个相关的所列项目的任一的和所有的组合。
74.本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其它实施方案。本技术旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
75.应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

技术特征：
1.一种基于图像处理的生产检测方法，其特征在于，所述方法包括：采集并处理获得传送带上产品的产品灰度图像；采用canny算子对所述产品灰度图像进行边缘轮廓检测和处理，获得所述产品灰度图像中的连通区域；分析所述连通区域的边缘像素点的分布特征，获得所述连通区域的轮廓形态异常度；分析所述连通区域内的角点分布特征，获得所述连通区域的角点分布异常度；根据所述轮廓形态异常度和所述角点分布异常度，构建所述连通区域的区域异常显著系数；将每个区域的所述区域异常显著系数，输入到ca算法中，实现对产品重叠区域的显著性检测。2.根据权利要求1所述的基于图像处理的生产检测方法，其特征在于，分析所述连通区域的边缘像素点的分布特征，获得所述连通区域的轮廓形态异常度，包括：将所述连通区域的边缘像素点两两连线，得到多条线段，取每条线段的中心点，计算边缘线段中点落到所述连通区域以外的概率；根据所述概率，获得所述连通区域的轮廓形状不规则指数；计算每个所述连通区域的边缘像素点与其所在所述连通区域的中心点之间的第一欧式距离；根据所述第一欧式距离，获得所述连通区域的轮廓扩大指数；基于所述轮廓形状不规则指数和所述轮廓扩大指数，获得所述连通区域的轮廓形态异常度。3.根据权利要求2所述的基于图像处理的生产检测方法，其特征在于，所述轮廓形状不规则指数的计算方法为：；；式中，表示连通区域的轮廓形状不规则指数，表示边缘线段中点落到连通区域以外的数量，表示边缘线段中点落到连通区域以外的概率，表示所有连通区域的边缘线段中点落到连通区域以外的概率均值，表示所有连通区域的边缘线段中点落到连通区域以外的概率最大值，表示连通区域的边缘像素点两两连线得到的线段数量。4.根据权利要求2所述的基于图像处理的生产检测方法，其特征在于，所述轮廓扩大指数计算方法为：；式中，表示连通区域的轮廓扩大指数，表示连通区域的中心点与边缘像素点的第一欧式距离均值，表示所有连通区域的中心点与边缘像素点的第一欧式距离均
值，表示以为底的指数函数。5.根据权利要求2-4任一项所述的基于图像处理的生产检测方法，其特征在于，所述轮廓形态异常度计算方法为：；式中，表示连通区域的轮廓形态异常度，表示连通区域的轮廓形状不规则指数，表示连通区域的轮廓扩大指数。6.根据权利要求1所述的基于图像处理的生产检测方法，其特征在于，分析所述连通区域内的角点分布特征，获得所述连通区域的角点分布异常度，包括：对所述产品灰度图像进行harris角点检测，统计每个所述连通区域的角点个数和位置坐标；计算每个所述角点与其所在的所述连通区域的中心点之间的第二欧式距离；根据所述第二欧式距离，获得所述连通区域的角点离散指数；分析所述角点离散指数，获得所述连通区域的角点分布异常度。7.根据权利要求6所述的基于图像处理的生产检测方法，其特征在于，所述角点分布异常度计算方法为：；；式中，表示连通区域的角点分布异常度，表示连通区域的角点数量，表示所有连通区域角点数量的均值，表示连通区域的角点离散指数，表示所有连通区域的角点离散指数均值，表示所有连通区域的角点离散指数求和，表示以为底的指数函数；式中，表示连通区域的角点离散指数，表示连通区域中第个角点到中心点的第二欧式距离，表示连通区域中所有角点到中心点的第二欧式距离均值，表示连通区域中角点的数量。8.根据权利要求1所述的基于图像处理的生产检测方法，其特征在于，所述区域异常显著系数计算方法为：；式中，表示连通区域的区域异常显著系数，表示连通区域的轮廓形态异常度，表示连通区域的角点分布异常度。9.根据权利要求1所述的基于图像处理的生产检测方法，其特征在于，将每个区域的所述区域异常显著系数，输入到ca算法中，实现对产品重叠区域的显著性检测，包括：根据所述区域异常显著系数，获得差异值，所述差异值计算方法为：
；式中，表示连通区域和的差异值，表示连通区域的区域异常显著系数，表示连通区域的区域异常显著系数；根据所述差异值，获得区域显著值，所述区域显著值计算方法为：；式中，表示连通区域的显著值，表示连通区域和的差异值，n表示灰度图像中连通区域的个数。10.一种基于图像处理的生产检测系统，其特征在于，系统包括存储器模块（10）和处理器模块（20），其中：所述存储器模块（10），用于存储程序代码；所述处理器模块（20），用于读取所述存储器模块（10）中存储的程序代码，并执行权利要求1-9中任一项所述的方法。

技术总结
本申请属于图像处理技术领域，提供了基于图像处理的生产检测方法及系统，方法包括采集并处理获得传送带上产品的产品灰度图像；采用Canny算子对产品灰度图像进行边缘轮廓检测和处理，获得产品灰度图像中的连通区域；分析连通区域的边缘像素点的分布特征，获得连通区域的轮廓形态异常度；分析连通区域内的角点分布特征，获得连通区域的角点分布异常度；根据轮廓形态异常度和角点分布异常度，构建连通区域的区域异常显著系数；将每个区域的区域异常显著系数，输入到CA算法中，实现对产品重叠区域的显著性检测。通过自动化的图像处理与分析，提高了生产线的自动化和智能化水平。提高了生产线的自动化和智能化水平。提高了生产线的自动化和智能化水平。


技术研发人员：周屹 郁哲 沈吉寅 张小东 郁康博 周家浩 乔久昌
受保护的技术使用者：鹏辰新材料科技股份有限公司
技术研发日：2023.09.05
技术公布日：2023/10/11