CN107907547A - 一种生物医学滴定管的缺陷检测方法及装置 - Google Patents
一种生物医学滴定管的缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN107907547A CN107907547A CN201710886425.0A CN201710886425A CN107907547A CN 107907547 A CN107907547 A CN 107907547A CN 201710886425 A CN201710886425 A CN 201710886425A CN 107907547 A CN107907547 A CN 107907547A
- Authority
- CN
- China
- Prior art keywords
- burette
- detecting
- image
- edge image
- segmentation threshold
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000011218 segmentation Effects 0.000 claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004448 titration Methods 0.000 abstract 1
- 238000001746 injection moulding Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/08—Measuring arrangements characterised by the use of optical techniques for measuring diameters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/08—Measuring arrangements characterised by the use of optical techniques for measuring diameters
- G01B11/12—Measuring arrangements characterised by the use of optical techniques for measuring diameters internal diameters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Textile Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种生物医学滴定管的缺陷检测方法及装置，先采集滴定管的上表面和下表面图像，对图像进行处理获得边缘图像；然后对边缘图像，基于霍夫梯度法检测滴定管上下两端圆形的内外径，与设定的标准内外径进行比较，检测滴定管尺寸是否合格；计算边缘图像的分割阈值，根据分割阈值对边缘图像中像素进行统计得到超过分割阈值的像素点总数，与设定的判断阈值进行比较，检测滴定管是否存在缺陷。本发明的方法及装置，提高了检测效率和检测质量，避免了人工检测二次污染。
Description
技术领域
本发明属于生产检测技术领域，尤其涉及一种生物医学滴定管的缺陷检测方法及装置。
背景技术
滴定管是一次性的消耗品，主要用于分子生物学和基因学研究的应用，每年的用量很大，对品质要求也较高。在滴定管的生产过程中，首先是注塑机成型，然后是把边角料分拣，最后是工人把剩下的滴定管进行检测和包装。
由于其体积小，数量多，进行检测只能采用抽检的方式。包装的主要内容是把散状的滴定管插入标准的盒子里，根据不同滴定管的要求有时还需要在滴定管里面加载滤芯，然后才去塑封做成最终成品。正常情况下，一台注塑机需要对应6-7个工人，工人劳动强度大，工作效率低、工作环境差(注塑机注塑过程中需要加热，会释放一些异味)、产品质量不稳定等问题一直困扰着生产厂家。特别是产品检测过程中受工人主观因素影响大，要不浪费严重把许多良品剔除掉了，要不检测不严把次品都当良品包装了，影响销售和客户满意度。同时滴定管是一种对品质要求较高的实验耗材，人工操作过多会导致产品的二次污染和损伤，同样影响产品品质。
无论是在抽检还是在包装塑封时，为了避免人为二次污染，采用适当的检测方法就显得十分重要。
发明内容
本发明的目的是提供一种生物医学滴定管的缺陷检测方法及装置，通过获取滴定管的上表面和下表面图像，并对获取的图像进行预处理后进行缺陷检测，实现滴定管的自动化检测缺陷，避免人工检测二次污染。
为了实现上述目的，本发明技术方案如下：
一种生物医学滴定管的缺陷检测方法，所述生物医学滴定管的缺陷检测方法，包括：
采集滴定管的上表面和下表面图像，对图像进行处理获得边缘图像；
对边缘图像，基于霍夫梯度法检测滴定管上下两端圆形的内外径，与设定的标准内外径进行比较，检测滴定管尺寸是否合格；
计算边缘图像的分割阈值，根据分割阈值对边缘图像中像素进行统计得到超过分割阈值的像素点总数，与设定的判断阈值进行比较，检测滴定管是否存在缺陷。
进一步地，所述生物医学滴定管的缺陷检测方法，还包括：
建立检测合格产品的标准样本库，根据标准样本库来更新设定的标准内外径和判断阈值。
进一步地，所述计算边缘图像的分割阈值，包括：
设边缘图像中灰度为i的像素数为ni，在灰度范围为[0,L-1]时，则灰度为i的像素出现的概率为：
用T把图像中的像素分为C0和C1两类，则区域C0和C1的概率分别为：
区域C0和C1的平均灰度为：
整幅图像的平均灰度为：
区域C0和C1的方差为：
δ2＝P0(u0-u)2+P1(u1-u)2＝P0P1(u0-u1)2；
T依次取[0,L-1]之间的值，L为设定的参数，计算出的使得δ2最大的 T即为计算出的分割阈值。
本发明还提出了一种生物医学滴定管的缺陷检测装置，所述生物医学滴定管的缺陷检测装置，包括：
图像预处理模块，用于采集滴定管的上表面和下表面图像，对图像进行处理获得边缘图像；
尺寸检测模块，用于对边缘图像，基于霍夫梯度法检测滴定管上下两端圆形的内外径，与设定的标准内外径进行比较，检测滴定管尺寸是否合格；
缺陷检测模块，用于计算边缘图像的分割阈值，根据分割阈值对边缘图像中像素进行统计得到超过分割阈值的像素点总数，与设定的判断阈值进行比较，检测滴定管是否存在缺陷。
进一步地，所述生物医学滴定管的缺陷检测装置，还包括：
阈值更新模块，用于建立检测合格产品的标准样本库，根据标准样本库来更新设定的标准内外径和判断阈值。
本发明提出的一种生物医学滴定管的缺陷检测方法及装置，同时解决目前人工检测缺陷的过程中存在的检测速度慢、准确性低以及成本高的问题，提高检测效率和检测质量，避免了人工检测二次污染。
附图说明
图1为本发明一种生物医学滴定管的缺陷检测方法流程图。
具体实施方式
下面结合附图和实施例对本发明技术方案做进一步详细说明，以下实施例不构成对本发明的限定。
如图1所示，本实施例一种生物医学滴定管的缺陷检测方法，包括：
步骤S1、采集滴定管的上表面和下表面图像，对图像进行处理获得边缘图像。
本实施例，利用专用夹具将确定数量排列整齐的滴定管放置在直线传动机构上，直线传动机构上下垂直设置有工业相机。直线传动机构匀速运动，工业相机连续采集滴定管的上表面和下表面图像，并将获取的图像上传至控制器，进行后续的处理，获取边缘图像。
计算边缘图像的方法很多，例如Sobel算子、Canny算子、Robert算子等。本实施例采用最适合滴定管图像处理的Canny算子来获取边缘图像，精度更高。
Canny算子使用高斯算子的一阶微分对获取的图像进行滤波，得到每个图像的梯度幅值和方向，再对梯度幅值应用非极大值抑制，通过设置的检测和连接边缘所需的低阈值β和高阈值α，进行双阈值处理，获得边缘图像。
具体地，本步骤先用高斯算子的一阶微分对获取的图像f(x,y)进行滤波，得到每个图像的梯度强度和方向。其实现方法是：
二维高斯函数为：
其中δ是高斯函数的标准方差，对G(x,y)作偏微分，从而获得两个一维滤波器：
将上述两个一维滤波器和获取的图像f(x,y)作卷积平滑，得到两个方向的梯度：
根据两个方向的梯度可以计算出梯度幅值G和梯度方向θ：
通过梯度方向，可以找到此像素梯度方向上的相邻像素。
然后对梯度幅值应用非极大值抑制，即对梯度幅值图像中的屋脊细化，保留幅值局部变换最大的点。对图像的每一个点，将其与梯度方向上两个值比较，如果该点梯度幅值小于梯度方向上两个点，说明该点不是局部最大值，将该点对应边缘置0，否则保留边缘。
然后通过设置检测和连接边缘所需的低阈值β和高阈值α，进行双阈值处理。
梯度幅值大于高阈值α的一定是边缘；对应的梯度幅值小于低阈值β的一定不是边缘；梯度幅值介于两者之间的，则判断该点领域像素中是否存在大于高阈值的边缘像素，若存在则该点是边缘像素，否则不是边缘像素。
通过本步骤，采用Canny边缘检测法则对获取的图像f(x,y)进行预处理，实现图像滤波及边缘提取，获得边缘图像。
步骤S2、对边缘图像，基于霍夫梯度法检测滴定管上下两端圆形的内外径，与设定的标准内外径进行比较，检测滴定管尺寸是否合格。
本实施例采用霍夫梯度法来进行尺寸检测，检测上表面图像和下表面图像中圆形的圆参数。
其中霍夫梯度法检测圆参数的步骤如下：
(1)对边缘图像中的每一个非零点，考虑其局部梯度，即用Sobel ()函数计算x和y方向的一阶倒数得到梯度。
(2)利用所得梯度，由斜率指定的直线上的每一个点都在累加器中被累加，这里的斜率是从一个指定的最小值到指定的最大值的距离。
(3)同时，标记边缘图像中每一个非0像素的位置
(4)然后从二维累加器中这些点中选择候选的中心，这些中心都大于给定阈值并且大于其所有近邻，这些候选的中心按照累加值降序排列，以便于最支持像素的中心首先出现。
(5)接下来对每个中心，考虑所有的非0像素。
(6)这些像素按照其与中心的距离排序，从到最大半径的最小距离算起，选择非0像素最支持的一条半径。
(7)如果一个中心收到边缘图像非0像素最充分的支持，并且到前期被选择的中心有足够的距离，那么他就会被保留下来。
基于霍夫梯度法可以检测上表面图像和下表面图像中圆形的圆心，接下来计算边缘图像上各非零像素点到圆心的距离，检测出上表面图像和下表面图像中圆形的内外径。
最后，将检测出的上表面图像和下表面图像中圆形的内外径与设定的标准内外径比较，超出规定阈值则判定为不合格。
步骤S3、计算边缘图像的分割阈值，根据分割阈值对边缘图像中像素进行统计得到超过分割阈值的像素点总数，与设定的判断阈值进行比较，检测滴定管是否存在缺陷。
其中，本实施例对边缘图像进行阈值分割，其方法是：
设边缘图像中灰度为i的像素数为ni，在灰度范围为[0,L-1]时，则灰度为i的像素出现的概率为：
用T(T取值范围为[0,L-1])把图像中的像素分为C0和C1两类，则区域C0和C1的概率分别为：
区域C0和C1的平均灰度为：
整幅图像的平均灰度为：
区域C0和C1的方差为：
δ2＝P0(u0-u)2+P1(u1-u)2＝P0P1(u0-u1)2；
T依次取[0,L-1]之间的值，其中L为设定的参数，是根据灰度的级别来设置的，例如L为256时，灰度最大值为255。计算出的使得δ2最大的 T即为计算出的分割阈值。采用分割阈值可以将边缘图像中的像素分为C0 和C1两类，例如分割为目标图像和背景图像，对目标图像进行统计。本实施例假设大于分割阈值的认为是需要进行统计分析的目标图像的像素点，进行下面的处理：
根据分割阈值对所有边缘图像中像素进行统计得到像素点总数M1。设定一个阈值M，如果像素点总数M1>M，则可以判断为有破损、裂痕等缺陷。反之，则没有。本申请中阈值M也可以是一个阈值范围，当统计得到的像素点总数M1在该范围内是，判定为合格。
需要说明的是，本实施例的分割阈值还可以根据经验值来人为设定，这里不在赘述。采用本实施例的方法计算得到的分割阈值，能够更好地统计出边缘图像中突出的像素，使得判断产品的缺陷更加准确。
此外，本实施例还对通过上述方法检测合格的产品的参数进行记录，建立标准样本库，从而根据标准样本库来更新设定的标准内外径、阈值M，使得后续的检测更加准确。据标准样本库来更新设定的标准内外径、阈值 M，可以采用对标准样本库中的内外径、像素点总数求平均的方法求的，这里不在赘述。
与上述方法对应地，本申请还给出了一种生物医学滴定管的缺陷检测装置的实施例，所述生物医学滴定管的缺陷检测装置，包括：
图像预处理模块，用于采集滴定管的上表面和下表面图像，对图像进行处理获得边缘图像；
尺寸检测模块，用于对边缘图像，基于霍夫梯度法检测滴定管上下两端圆形的内外径，与设定的标准内外径进行比较，检测滴定管尺寸是否合格；
缺陷检测模块，用于计算边缘图像的分割阈值，根据分割阈值对边缘图像中像素进行统计得到超过分割阈值的像素点总数，与设定的判断阈值进行比较，检测滴定管是否存在缺陷。
容易理解的是，本实施例生物医学滴定管的缺陷检测装置与上述方法对应地，还包括：
阈值更新模块，用于建立检测合格产品的标准样本库，根据标准样本库来更新设定的标准内外径和判断阈值。
容易理解的是，本实施例生物医学滴定管的缺陷检测装置与上述方法对应地，所述缺陷检测模块在计算边缘图像的分割阈值时，执行如下操作：
设边缘图像中灰度为i的像素数为ni，在灰度范围为[0,L-1]时，则灰度为i的像素出现的概率为：
用T把图像中的像素分为C0和C1两类，则区域C0和C1的概率分别为：
区域C0和C1的平均灰度为：
整幅图像的平均灰度为：
区域C0和C1的方差为：
δ2＝P0(u0-u)2+P1(u1-u)2＝P0P1(u0-u1)2；
T依次取[0,L-1]之间的值，L为设定的参数，计算出的使得δ2最大的T即为计算出的分割阈值。
以上实施例仅用以说明本发明的技术方案而非对其进行限制，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (6)
1.一种生物医学滴定管的缺陷检测方法，其特征在于，所述生物医学滴定管的缺陷检测方法，包括：
采集滴定管的上表面和下表面图像，对图像进行处理获得边缘图像；
对边缘图像，基于霍夫梯度法检测滴定管上下两端圆形的内外径，与设定的标准内外径进行比较，检测滴定管尺寸是否合格；
计算边缘图像的分割阈值，根据分割阈值对边缘图像中像素进行统计得到超过分割阈值的像素点总数，与设定的判断阈值进行比较，检测滴定管是否存在缺陷。
2.如权利要求1所述的生物医学滴定管的缺陷检测方法，其特征在于，所述生物医学滴定管的缺陷检测方法，还包括：
建立检测合格产品的标准样本库，根据标准样本库来更新设定的标准内外径和判断阈值。
3.如权利要求1所述的生物医学滴定管的缺陷检测方法，其特征在于，所述计算边缘图像的分割阈值，包括：
设边缘图像中灰度为i的像素数为ni，在灰度范围为[0,L-1]时，则灰度为i的像素出现的概率为：
<mrow>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
</mrow>
用T把图像中的像素分为C0和C1两类，则区域C0和C1的概率分别为：
<mrow>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>T</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>P</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mi>T</mi>
<mrow>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
<mo>;</mo>
</mrow>
区域C0和C1的平均灰度为：
<mrow>
<msub>
<mi>u</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>T</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>iP</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>u</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>P</mi>
<mn>1</mn>
</msub>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>T</mi>
</mrow>
<mrow>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>iP</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>u</mi>
<mo>-</mo>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
整幅图像的平均灰度为：
<mrow>
<mi>u</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mrow>
<msub>
<mi>iP</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>T</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>iP</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>T</mi>
</mrow>
<mrow>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mrow>
<msub>
<mi>iP</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
<msub>
<mi>u</mi>
<mn>0</mn>
</msub>
</mrow>
<mo>+</mo>
<msub>
<mi>P</mi>
<mn>1</mn>
</msub>
<msub>
<mi>u</mi>
<mn>1</mn>
</msub>
</mrow>
区域C0和C1的方差为：
δ2＝P0(u0-u)2+P1(u1-u)2＝P0P1(u0-u1)2；
T依次取[0,L-1]之间的值，L为设定的参数，计算出的使得δ2最大的T即为计算出的分割阈值。
4.一种生物医学滴定管的缺陷检测装置，其特征在于，所述生物医学滴定管的缺陷检测装置，包括：
图像预处理模块，用于采集滴定管的上表面和下表面图像，对图像进行处理获得边缘图像；
尺寸检测模块，用于对边缘图像，基于霍夫梯度法检测滴定管上下两端圆形的内外径，与设定的标准内外径进行比较，检测滴定管尺寸是否合格；
缺陷检测模块，用于计算边缘图像的分割阈值，根据分割阈值对边缘图像中像素进行统计得到超过分割阈值的像素点总数，与设定的判断阈值进行比较，检测滴定管是否存在缺陷。
5.如权利要求4所述的生物医学滴定管的缺陷检测装置，其特征在于，所述生物医学滴定管的缺陷检测装置，还包括：
阈值更新模块，用于建立检测合格产品的标准样本库，根据标准样本库来更新设定的标准内外径和判断阈值。
6.如权利要求4所述的生物医学滴定管的缺陷检测方法，其特征在于，所述缺陷检测模块在计算边缘图像的分割阈值时，执行如下操作：
设边缘图像中灰度为i的像素数为ni，在灰度范围为[0,L-1]时，则灰度为i的像素出现的概率为：
<mrow>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
</mrow>
用T把图像中的像素分为C0和C1两类，则区域C0和C1的概率分别为：
<mrow>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>T</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>P</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mi>T</mi>
<mrow>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
<mo>;</mo>
</mrow>
区域C0和C1的平均灰度为：
<mrow>
<msub>
<mi>u</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>T</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>iP</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>u</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>P</mi>
<mn>1</mn>
</msub>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>T</mi>
</mrow>
<mrow>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>iP</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>u</mi>
<mo>-</mo>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
整幅图像的平均灰度为：
<mrow>
<mi>u</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mrow>
<msub>
<mi>iP</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>T</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>iP</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>T</mi>
</mrow>
<mrow>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mrow>
<msub>
<mi>iP</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
<msub>
<mi>u</mi>
<mn>0</mn>
</msub>
</mrow>
<mo>+</mo>
<msub>
<mi>P</mi>
<mn>1</mn>
</msub>
<msub>
<mi>u</mi>
<mn>1</mn>
</msub>
</mrow>
区域C0和C1的方差为：
δ2＝P0(u0-u)2+P1(u1-u)2＝P0P1(u0-u1)2；
T依次取[0,L-1]之间的值，L为设定的参数，计算出的使得δ2最大的T即为计算出的分割阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710886425.0A CN107907547A (zh) | 2017-09-27 | 2017-09-27 | 一种生物医学滴定管的缺陷检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710886425.0A CN107907547A (zh) | 2017-09-27 | 2017-09-27 | 一种生物医学滴定管的缺陷检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107907547A true CN107907547A (zh) | 2018-04-13 |
Family
ID=61841085
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710886425.0A Pending CN107907547A (zh) | 2017-09-27 | 2017-09-27 | 一种生物医学滴定管的缺陷检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107907547A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109859192A (zh) * | 2019-02-01 | 2019-06-07 | 东莞中科蓝海智能视觉科技有限公司 | 圆形高反光工件的检测识别方法 |
| CN111179232A (zh) * | 2019-12-20 | 2020-05-19 | 山东大学 | 基于图像处理的钢筋尺寸检测系统及方法 |
| CN112164052A (zh) * | 2020-09-30 | 2021-01-01 | 西南交通大学 | 一种基于太赫兹成像的铁路轨枕缺陷检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103778624A (zh) * | 2013-12-20 | 2014-05-07 | 中原工学院 | 一种基于最优阈值分割的织物疵点检测方法 |
| CN206348277U (zh) * | 2016-12-29 | 2017-07-21 | 西安众为科技发展有限公司 | 一种石英玻璃管性能检测装置 |
-
2017
- 2017-09-27 CN CN201710886425.0A patent/CN107907547A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103778624A (zh) * | 2013-12-20 | 2014-05-07 | 中原工学院 | 一种基于最优阈值分割的织物疵点检测方法 |
| CN206348277U (zh) * | 2016-12-29 | 2017-07-21 | 西安众为科技发展有限公司 | 一种石英玻璃管性能检测装置 |
Non-Patent Citations (3)
| Title |
|---|
| 周叶江: "玻璃管缺陷检测系统及其性能优化", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
| 张华山 等: "基于机器视觉的精密类玻璃管质量检测系统", 《玻璃与搪瓷》 * |
| 徐新军 等: "一种在线式玻璃管缺陷的检测系统", 《玻璃与搪瓷》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109859192A (zh) * | 2019-02-01 | 2019-06-07 | 东莞中科蓝海智能视觉科技有限公司 | 圆形高反光工件的检测识别方法 |
| CN111179232A (zh) * | 2019-12-20 | 2020-05-19 | 山东大学 | 基于图像处理的钢筋尺寸检测系统及方法 |
| CN112164052A (zh) * | 2020-09-30 | 2021-01-01 | 西南交通大学 | 一种基于太赫兹成像的铁路轨枕缺陷检测方法 |
| CN112164052B (zh) * | 2020-09-30 | 2021-10-15 | 西南交通大学 | 一种基于太赫兹成像的铁路轨枕缺陷检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3785021B1 (en) | System and method for performing automated analysis of air samples | |
| CN109975308B (zh) | 一种基于深度学习的表面检测方法 | |
| AU2017344741B2 (en) | System and method for performing automated analysis of air samples | |
| CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
| CN103913468B (zh) | 生产线上大尺寸lcd玻璃基板的多视觉缺陷检测设备及方法 | |
| DE112021000013T5 (de) | Verfahren, Vorrichtung und System zur Qualitätsprüfung einer Schweißnaht sowie elektronische Anlage | |
| CN110246122A (zh) | 基于机器视觉的小型轴承质量检测方法、装置及系统 | |
| CN107941808A (zh) | 基于机器视觉的3d打印成型质量检测系统及方法 | |
| CN113870189B (zh) | 一种工业制品圆形检测方法及装置 | |
| CN101837351A (zh) | 基于图像检测法的油封弹簧全自动分选系统及方法 | |
| EP3665612A1 (en) | Image processing techniques for plunger depth measurement | |
| CN111122590B (zh) | 一种陶瓷表面缺陷检测装置及检测方法 | |
| CN107290347A (zh) | 蜂窝载体缺陷自动化检测方法 | |
| CN114419038A (zh) | 轮毂表面缺陷的识别方法及装置、存储介质、电子设备 | |
| CN107907547A (zh) | 一种生物医学滴定管的缺陷检测方法及装置 | |
| CN115953373B (zh) | 玻璃缺陷检测方法、装置、电子设备及存储介质 | |
| CN104976959B (zh) | 一种基于机器视觉的弹簧尺寸在线测量系统及其方法 | |
| CN111570315A (zh) | 餐具的处理装置、处理装置的控制方法与控制装置 | |
| CN116593479B (zh) | 电池盖板外观质量检测方法、装置、设备及存储介质 | |
| CN106529551B (zh) | 面向包装行业的类圆对象智能识别计数检测方法 | |
| CN103630544A (zh) | 一种视觉在线检测系统 | |
| CN119251178B (zh) | 一种机载光纤端面的斑点缺陷检测方法、存储介质及设备 | |
| CN110694940A (zh) | 一种基于坏点和大小实时调整喷阀吹气的控制方法及系统 | |
| CN113284096B (zh) | 一种基于高频信息与轮廓信息的药盒内药板的计数方法 | |
| CN110595959B (zh) | 一种糖膏颗粒粒度分析系统及分析方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180413 |