數(shù)字圖像處理—智能制造系統(tǒng)的視覺目錄2.7.1數(shù)字圖像處理概述1.智能制造的眼睛—數(shù)字圖像處理2.圖像重建—像素矩陣3.圖像處理—卷積降噪4.圖像形態(tài)—集合運(yùn)算5.圖像分割—邊緣檢測6.圖像識別—卷積網(wǎng)絡(luò)2.7.2形態(tài)學(xué)分析2.7.3數(shù)字圖像處理與智能制造的關(guān)系想象一下人眼如何捕捉圖像。眼睛是復(fù)雜的生物傳感器，它們通過視網(wǎng)膜上的光感受器細(xì)胞來感知光線。

可以將這個過程與數(shù)字圖像處理進(jìn)行類比。在數(shù)字圖像處理中，圖像首先被數(shù)碼相機(jī)或者掃描儀捕獲為數(shù)字信號，這些數(shù)字信號代表了圖像中每個像素的顏色和亮度信息。接下來，這些數(shù)字信號被輸入到計算機(jī)中并通過圖像處理軟件進(jìn)行處理。這個過程包括各種圖像處理技術(shù)，如濾波、增強(qiáng)、分割、特征提取等。1.智能制造的眼睛—數(shù)字圖像處理2.圖像重建—像素矩陣當(dāng)談?wù)摂?shù)字圖像處理時，將圖像轉(zhuǎn)換為矩陣是其核心。想象一下，你手中有一張美麗的風(fēng)景照。這張照片實際上是由無數(shù)個像素組成，每個像素都有自己特定的顏色和亮度。當(dāng)將這張照片轉(zhuǎn)換為矩陣時，這些像素就像是矩陣中的格子，而每個格子里的數(shù)值則代表了像素的顏色和亮度信息。3.圖像處理—卷積降噪

首先我們用色子的例子來說一下什么是卷積，假設(shè)我們有兩枚骰子，把他們一起丟出去，這兩個骰子的點(diǎn)數(shù)加起來為4的概率是多少呢？我們用f(1)表示第一枚骰子點(diǎn)數(shù)是1的概率，同樣第二枚篩子點(diǎn)數(shù)是1的概率用g(1)表示。3.圖像處理—卷積降噪

不同卷積核的有不同的作用，高斯核可以既可以保留原有特征，同時還可以使其平滑。高斯濾波器實質(zhì)上是一種信號的濾波器，其用途是信號的平滑處理。在圖像處理中，高斯濾波就是對整幅圖像進(jìn)行加權(quán)平均的過程，每一個像素點(diǎn)的值，都由其本身和鄰域內(nèi)的其他像素值經(jīng)過加權(quán)平均后得到。4.圖像形態(tài)—集合運(yùn)算在圖像形態(tài)學(xué)中，腐蝕操作是一種基礎(chǔ)且重要的技術(shù)，它主要用于消除圖像中的細(xì)小物體、噪點(diǎn)，以及平滑目標(biāo)區(qū)域的邊界。操作的核心思想是通過一個稱為結(jié)構(gòu)元素的模板，在圖像上滑動并比較，從而確定哪些像素應(yīng)該被保留或移除。圖像中的噪點(diǎn)通常小于結(jié)構(gòu)元素的大小，因此會在腐蝕過程中被消除。4.圖像形態(tài)—集合運(yùn)算膨脹操作是一種與腐蝕操作相輔相成的關(guān)鍵技術(shù)。它主要用于擴(kuò)大圖像中的物體區(qū)域、填充空洞，以及連接相近的物體，為圖像分析提供更豐富的信息。通過膨脹操作，可以將這些空洞周圍的像素與結(jié)構(gòu)元素進(jìn)行比較，如果匹配成功，則將這些像素置為前景值，從而填充空洞，使物體更加連續(xù)。4.圖像形態(tài)—集合運(yùn)算開運(yùn)算通常平滑物體的輪廓、斷開狹窄的狹頸、消除細(xì)長的突出物；閉運(yùn)算同樣平滑輪廓，但與開運(yùn)算相反，它通常彌合狹窄的斷裂和細(xì)長的溝壑，消除小孔，并填補(bǔ)輪廓中的縫隙。通過膨脹操作，可以將這些空洞周圍的像素與結(jié)構(gòu)元素進(jìn)行比較，如果匹配成功，則將這些像素置為前景值，從而填充空洞，使物體更加連續(xù)。4.圖像形態(tài)—集合運(yùn)算擊中-擊不中變換是一種基于結(jié)構(gòu)元素的形態(tài)學(xué)操作，用于檢測圖像中與給定結(jié)構(gòu)元素精確匹配的區(qū)域。與開運(yùn)算和閉運(yùn)算不同，擊中-擊不中變換需要兩個結(jié)構(gòu)元素：一個用于檢測目標(biāo)物體，另一個用于檢測目標(biāo)物體周圍的背景。只有當(dāng)這兩個結(jié)構(gòu)元素同時與圖像中的某個區(qū)域匹配時，才認(rèn)為該區(qū)域為目標(biāo)物體。5.圖像分割—邊緣檢測圖像分割是將圖像劃分為多個不相交的區(qū)域或?qū)ο蟮倪^程，每個區(qū)域或?qū)ο笤谀撤N特性（如顏色、紋理、亮度等）上與其他區(qū)域或?qū)ο笥兴煌?。通過圖像分割，可以將圖像中的前景與背景分離。閾值分割基于區(qū)域的分割邊緣分割基于模型的分割5.圖像分割—邊緣檢測

邊緣檢測是圖像處理中的一個基本問題，通過識別圖像中亮度、顏色或紋理等特征發(fā)生顯著變化的區(qū)域來確定圖像的邊緣。邊緣信息對于圖像理解、分析和識別等任務(wù)至關(guān)重要，邊緣檢測可以通過多種方法實現(xiàn)。Roberts算子Prewitt算子Sobel算子Canny算子梯度確定大小和方向5.圖像分割—邊緣檢測梯度差分：下行見上行或者右列減左列5.圖像分割—邊緣檢測5.圖像分割—邊緣檢測二維梯度算子Sobel抑制噪聲，用途更廣Sobel算子5.圖像分割—邊緣檢測Marr-Hildreth希爾德雷斯算子-高斯拉布拉斯函數(shù)（LoG）特點(diǎn)：1）微分算子表征梯度，檢測灰度突變2）變尺度算子，大算子檢測模糊的邊緣，小算子檢測清晰的細(xì)節(jié)3）小算子計算過零點(diǎn)檢測4）1像素邊緣5.圖像分割—邊緣檢測Canny算子—最優(yōu)秀低錯誤率邊緣點(diǎn)定位精度最高消除孤立點(diǎn)5.圖像分割—邊緣檢測Canny最優(yōu)Marr-Hildreth閾值處理5.圖像分割—邊緣檢測Canny最優(yōu)Marr-Hildreth機(jī)會：平滑+算子尺度+多閾值閾值處理5.圖像分割—邊緣檢測邊緣連接-霍夫變換5.圖像分割—邊緣檢測區(qū)域生長提取裂紋5.圖像分割—邊緣檢測6.圖像識別—卷積網(wǎng)絡(luò)CNN提取圖像特征主要包含輸入層、卷積層、池化層、全連接層和輸出層。輸入層是CNN的起始層，它接收原始數(shù)據(jù)。卷積層是CNN的核心組成部分，它通過卷積操作從輸入數(shù)據(jù)中提取特征。每個卷積層包含多個卷積核，這些卷積核在輸入數(shù)據(jù)上進(jìn)行滑動并計算點(diǎn)積，從而生成特征映射。6.圖像識別—卷積網(wǎng)絡(luò)

卷積核的深度決定了每個卷積核能夠提取的特征的復(fù)雜程度。較深的卷積核可以捕捉更高級別的特征，較淺的卷積核通常捕捉較低級別的特征。而卷積核的個數(shù)決定了卷積層能夠提取的特征種類和數(shù)量。增加卷積核的個數(shù)，可以增加卷積層的表達(dá)能力，從而提取更多樣化的特征。6.圖像識別—卷積網(wǎng)絡(luò)不同卷積核的作用效果2.7.3.數(shù)字圖像處理與智能制造關(guān)系缺陷識別質(zhì)量檢測在智能制造中占據(jù)著舉足輕重的地位，它是確保產(chǎn)品質(zhì)量和可靠性的關(guān)鍵環(huán)節(jié)。在智能制造系統(tǒng)中，數(shù)字圖像處理技術(shù)首先通過高精度圖像采集設(shè)備獲取產(chǎn)品的高清圖像，這些圖像涵蓋了產(chǎn)品的各個細(xì)節(jié)和特征，為后續(xù)的分析提供了豐富的數(shù)據(jù)基礎(chǔ)。在之后的特征提取階段，數(shù)字圖像處理技術(shù)能夠識別并提取出圖像中的關(guān)鍵信息，為后續(xù)缺陷識別提供重要依據(jù)。2.7.3.數(shù)字圖像處理與智能制造關(guān)系機(jī)器人視覺在智能制造的時代，產(chǎn)品生產(chǎn)出來后會被機(jī)器人運(yùn)送到相應(yīng)的地點(diǎn)存放或者交付，那么這種自動化的機(jī)器人同樣用到了數(shù)字圖像處理。機(jī)器人視覺作為智能制造中的一個核心應(yīng)用領(lǐng)域，極大地推動了機(jī)器人技術(shù)的智能化和自主化進(jìn)程。機(jī)器