智能的亮度检测方法、系统、电子设备及存储介质

技术领域

本发明涉及智能检测技术领域，特别是涉及一种智能的亮度检测方法、系统、电子设备及存储介质。

背景技术

目前，针对一些灯产品如信号灯，其检测方式大多数采用人工肉眼进行检测，这种检查的工作量不但很大，而且检测结果容易受人工主观影响，没有统一的检测标准。并且人工检测还容易忽略某一些小瑕疵。

发明内容

本发明的目的是克服现有技术中的不足之处，提供一种智能的亮度检测方法、系统、电子设备及存储介质，能够提高检测的效率和检测的准确度。

本发明的目的是通过以下技术方案来实现的：

本申请第一方面提供一种智能的亮度检测方法，包括：获取原始图像，将所述原始图像进行二值化处理，输出二值化图像；获取所述二值化图像中的特征信息，将所述特征信息进行标识处理，输出第一颜色区域图像；将所述第一颜色区域图像进行识别处理，输出第二颜色区域图像；将所述第二颜色区域图像进行分割处理，输出第一待测区域图像；将所述第一待测区域图像与预设门限图像进行比对处理，输出第二待测区域图像；将所述第二待测区域图像进行计算处理，输出实时图像；将所述实时图像进行通道分离处理，输出颜色面积最值数据；将所述颜色面积最值数据与预设门限阈值数据进行比对处理，输出合格图像。

将所述特征信息进行标识处理，包括：采用第一算法对所述特征信息进行填充颜色处理，输出所述第一颜色区域图像。

将所述第一颜色区域图像进行识别处理，输出第二颜色区域图像，包括：采用第二算法对所述第一颜色区域图像进行扫描，输出已扫描图像；将所述已扫描图像进行标识，输出所述第二颜色区域图像。

将所述第二待测区域图像进行计算处理，输出实时图像，包括：采用第三算法对所述第二待测区域图像进行量化计算，输出所述实时图像。

本申请第二方面提供一种智能的亮度检测系统，包括：二值化模块，用于获取原始图像，将所述原始图像进行二值化处理，输出二值化图像；提取模块，用于获取所述二值化图像中的特征信息，将所述特征信息进行标识处理，输出第一颜色区域图像；识别模块，用于将所述第一颜色区域图像进行识别处理，输出第二颜色区域图像；分割模块，用于将所述第二颜色区域图像进行分割处理，输出第一待测区域图像；第一比对模块，用于将所述第一待测区域图像与预设门限图像进行比对处理，输出第二待测区域图像；计算模块，用于将所述第二待测区域图像进行计算处理，输出实时图像；通道分离模块，用于将所述实时图像进行通道分离处理，输出颜色面积最值数据；及第二比对模块，用于将所述颜色面积最值数据与预设门限阈值数据进行比对处理，输出合格图像。

所述提取模块还用于采用第一算法对所述特征信息进行填充颜色处理，输出所述第一颜色区域图像。

所述识别模块还用于采用第二算法对所述第一颜色区域图像进行扫描，输出已扫描图像；

将所述已扫描图像进行标识，输出所述第二颜色区域图像。

所述计算模块还用于采用第三算法对所述第二待测区域图像进行量化计算，输出所述实时图像。

本申请第三方面提供一种电子设备，包括：

处理器；以及

存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。

本申请第四方面提供一种计算机可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上所述的方法。

与现有技术相比，本发明至少具有以下优点：

本申请通过多种算法结合的智能检测的方式，代替了传统通过人工检测的方式，能快速且准确地筛选出良品和不良品。并且，本申请的检测方法操作简单，通用性较强，能够适应多种灯产品。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。

图1为本发明一实施例中的智能的亮度检测方法的方法流程图；

图2为本发明一实施例中的智能的亮度检测方法的另一实施方式的方法流程图；

图3为本发明一实施例中的智能的亮度检测系统的功能模块图；

图4为本发明一实施例中的智能的亮度检测电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本申请的实施方式。虽然附图中显示了本申请的实施方式，然而应该理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。

应当理解，尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

目前，针对一些灯产品如信号灯，其检测方式大多数采用人工肉眼进行检测，这种检查的工作量不但很大，而且检测结果容易受人工主观影响，没有统一的检测标准。并且人工检测还容易忽略某一些小瑕疵。

针对上述问题，本申请实施例提供一种智能的亮度检测方法、系统、电子设备及存储介质，能够提高检测的效率和检测的准确度。

以下结合附图详细描述本申请实施例的技术方案。

图1是本申请实施例示出的一种智能的亮度检测方法的流程示意图。

参见图1，一种智能的亮度检测方法，包括：

步骤S101、获取原始图像，将原始图像进行二值化处理，输出二值化图像。

需要说明的是，原始图像通过相机进行拍摄，原始图像包含发光源。拍摄完后会进行二值化处理，生成二值化图像。

步骤S102、获取二值化图像中的特征信息，将特征信息进行标识处理，输出第一颜色区域图像。

需要说明的是，特征信息指的是光斑，通过二值化处理的目的在于方便将二值化图像里面光斑进行标识，以与背景的黑色进行区分。其中第一颜色区域图像是已经标识好特征信息的图像，且第一颜色区域图像中的特征信息有多个。

步骤S103、将第一颜色区域图像进行识别处理，输出第二颜色区域图像。

需要说明的是，该步骤是将第一颜色区域图像中的多个特征信息都用单独的颜色进行标识，可以为红绿蓝三种颜色，标识完后输出第二颜色区域图像。因此，该步骤的目的也是为了与背景的黑色进行区分。

步骤S104、将第二颜色区域图像进行分割处理，输出第一待测区域图像。

需要说明的是，本申请第二颜色区域图像总共有3个特征信息，本步骤会依次将3个特征信息分别分割出来，得到第一待测区域图像，以进行进一步分析。具体地，本申请通过Niblack算法对第二颜色区域图像进行分割处理，但不限于Niblack算法。

步骤S105、将第一待测区域图像与预设门限图像进行比对处理，输出第二待测区域图像。

需要说明的是，比对主要是比对第一待测区域图像的光斑区域的亮度是否和预设门限图像相符合，而预设门限图像为认为设定的标准。进一步地，本申请首先采用高斯混合模型GMM对第一待测区域图像的连通区域进行处理，这里的连通区域指的是特征信息。然后假设用本申请的三个连通区域分量去拟合GMM，那么每个连通区域的权重参数可能设置为1/3，这三个区域设置的概率分布为(1/3，1/3，1/3)，而对于每个数据点x

其中π

E-step使用模型参数计算当前三个连通区域的概率分布。这些概率通常称为高斯分布的“responsibilities”。它们由变量r_ic表示，其中i是数据点的索引，c是高斯分布的索引。responsibilities衡量第c个高斯分布对生成第i个数据点“负责”的程度。这里使用条件概率，更具体地说是贝叶斯定理。

比如，假设当前的图片上有100个目标像素点，根据像素点的分布分为三组数据。可以写成这样写r_ic(i＝20,c＝1)。其中i代表数据点的索引，c代表我们正在考虑的簇的索引。具体地，请看公式3，其中π

E-step的结果是混合模型中每个数据点和每个高斯分布的一组responsibilities。这些responsibilities会在M-step更新模型参数。通过上述方式就得到当前高斯分布组的模型参数，根据参数得到当前占比最大的连通区域。

进一步地，再得到当前占比最大的连通区域后，还会采用亮度算法对第一待测区域图像进行进一步分析。亮度算法指的是将纹理特征定义为邻域像素和中心像素的差的联合分布函数，是基本不受亮度均值影响的，此时统计量T是一个亮度均值，即灰度级无关的值。

首先定义特征函数如下：

T≈t(s(g

原始的LBP算子定义在像素的邻域内，以邻域中心像素为阈值，相邻的8个像素的灰度值与邻域中心的像素值进行比较，若周围像素大于中心像素值，则该像素点的位置被标记为1，否则为0。如此，邻域内的8个点经过比较可产生8为二进制数，将这8位二进制数依次排列形成一个二进制数字，这个二进制数字就是中心像素的LBP值，因此LBP值有256种可能，而中心像素的LBP值反映了该像素周围区域的纹理信息。

如此，通过上述两种算法，能够得到当前第一待测区域图像中的特征信息的亮度数据包括像素点的亮度和数量以及连通区域的大小，通过这些亮度数据与预设门限图像作比对，以判定是否合规，若不符合，则返回至步骤S101重新修正，即该步骤会剔除一些不符合要求的像素点。当然，本申请也不局限于以上两种算法得到上述亮度数据。

步骤S106、将第二待测区域图像进行计算处理，输出实时图像。

需要说明的是，该步骤仍然采用高斯混合模型中的高斯概率密度函数进行量化计算，以将第二待测区域图像中的特征信息的面积、亮度以及坐标标记在实时图像上。

步骤S107、将实时图像进行通道分离处理，输出颜色面积最值数据。

需要说明的是，本申请采用相加模型的算法进行分解图片通道，通过将红蓝绿三个颜色的通道分离，获取对应通道颜色的面积大小，进行交叉判定。找出面积占比最大的颜色作为判定标准，消除其他异常颜色的干扰。具体地：

Y[t]＝T[t]+S[t]+e[t]

其中，T[t]是趋势项，S[t]是周期项，e[t]是残值项。

当f为偶数时：

当f为奇数时：

其中f为像素。

然后，分解周期S[t]，原始的时间顺序减去上面计算出的趋势项：

St＝xt-Tt 公式7

接着，设定相同频率，计算各个周期内的平均值。

其中l对f取整，即max(n，nf≤l)。

最后计算出残值项，e[t]＝Y[t]-T[t]-S[t]

如此，ton过上述方式，能够将实时图像进行通道分离处理。

步骤S108、将颜色面积最值数据与预设门限阈值数据进行比对处理，输出合格图像。

需要说明的是，根据需求调整颜色判定阈值，即预设门限阈值数据，如定义为红色指标范围0～20，绿色为45～90，蓝色为125～150，在这个颜色门限内的面积都会被获取到，分开计算相应的面积，在门限内面积最大的会被判定为合格。之所以需要门限内面积最大，是因为某些光斑挨得较近或者存在遮挡物。

具体地，请参阅图2，图2为图1更为具体的实施方式。

步骤S201、获取原始图像，将原始图像进行二值化处理，输出二值化图像。

描述可参照步骤S101，此处不再赘述。

步骤S202、获取二值化图像中的特征信息，采用第一算法对特征信息进行填充颜色处理，输出第一颜色区域图像。

需要说明的是，这里的第一算法是指利用图像的灰度特性，将图像分成背景和前景两部分，即对特征信息进行上色。因方差是灰度分布均匀性的一种度量,背景和前景之间的类间方差越大,说明构成图像的两部分的差别越大。具体地计算过程如下：选定阈值K，并将所有像素分为两类C1和C2，其中C1小于等于K，C2大于K，两类像素的均值分别为m1、m2，全局均值为MG，而C1、C2的概率分别为P1、P2，L为图像的像素级。

根据方差的定义得到：

σ

经过推导得到最终的方差公式：

当然，本申请不限于采用第一算法将特征信息和背景进行区分。

步骤S203、采用第二算法对第一颜色区域图像进行扫描，输出已扫描图像；将已扫描图像进行标识，输出第二颜色区域图像。

需要说明的是，这一步的目的在于将特征信息分成用不同的颜色进行单独标识，而第二算法具体为：

在灰度模式下，访问当前特征信息的像素集合B(x,y)，如果B(x，y)＝1：第一种情况是，如果B(x，y)的领域中像素值都为0，则赋予B(x，y)一个新的label标签：label+＝1，B(x，y)＝label，以此类推；第二种情况是如果B(x，y)的领域中有像素值>1的像素Neighbors，将Neighbors中的最小值赋予给B(x，y):B(x,y)＝min{Neighbors}，这里的最小值指的是显示红绿蓝三种颜色其中一种的最小门限值。然后记录Neighbors中各个值(label)之间的相等关系，即这些值(label)同属同一个连通区域。为了保证数据的准确性，还会进行二次扫描。当然，本申请不局限于第二算法进行该步骤的计算。

步骤S204、将第二颜色区域图像进行分割处理，输出第一待测区域图像。

描述可参照步骤S104，此处不再赘述。

步骤S205、将第一待测区域图像与预设门限图像进行比对处理，输出第二待测区域图像。

描述可参照步骤S105，此处不再赘述。

步骤S206、采用第三算法对第二待测区域图像进行量化计算，输出实时图像。

需要说明的是，第三算法指的是高斯混合模型中的高斯概率密度函数，以将第二待测区域图像中的特征信息的面积、亮度以及坐标标记在实时图像上。但不限于此算法。

步骤S207、将实时图像进行通道分离处理，输出颜色面积最值数据。

描述可参照步骤S107，此处不再赘述。

步骤S208、将颜色面积最值数据与预设门限阈值数据进行比对处理，输出合格图像。

描述可参照步骤S108，此处不再赘述。

与前述应用功能实现方法实施例相对应，本申请还提供了一种智能的亮度检测系统、电子设备及相应的实施例。

图3是本申请实施例示出的智能的亮度检测系统的功能模块图。

参见图3，一种智能的亮度检测系统，包括：二值化模块，用于获取原始图像，将原始图像进行二值化处理，输出二值化图像；提取模块，用于获取二值化图像中的特征信息，将特征信息进行标识处理，输出第一颜色区域图像；识别模块，用于将第一颜色区域图像进行识别处理，输出第二颜色区域图像；分割模块，用于将第二颜色区域图像进行分割处理，输出第一待测区域图像；第一比对模块，用于将第一待测区域图像与预设门限图像进行比对处理，输出第二待测区域图像；计算模块，用于将第二待测区域图像进行计算处理，输出实时图像；通道分离模块，用于将实时图像进行通道分离处理，输出颜色面积最值数据；第二比对模块，用于将颜色面积最值数据与预设门限阈值数据进行比对处理，输出合格图像。

请参阅图3，在一实施方式中，提取模块还用于采用第一算法对特征信息进行填充颜色处理，输出第一颜色区域图像。

请参阅图3，在一实施方式中，识别模块还用于采用第二算法对第一颜色区域图像进行扫描，输出已扫描图像；将已扫描图像进行标识，输出第二颜色区域图像。

请参阅图3，在一实施方式中，计算模块还用于采用第三算法对第二待测区域图像进行量化计算，输出实时图像。

关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不再做详细阐述说明。

图4是本申请实施例示出的电子设备的结构示意图。

参见图4，电子设备1000包括存储器1010和处理器1020。

处理器1020可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)等组合而成的集成电路，通用处理器可以是任何常规的可运行Linux内核的处理器。

存储器1010可以包括各种类型的存储单元，例如系统内存、只读存储器(ROM)和永久存储装置。其中，ROM可以存储处理器1020或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器1010可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片(例如DRAM，SRAM，SDRAM，闪存，可编程只读存储器)，磁盘和/或光盘也可以采用。在一些实施方式中，存储器1010可以包括可读和/或写的可移除的存储设备，例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM，双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等)、磁性软盘等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。

存储器1010上存储有可执行代码，当可执行代码被处理器1020处理时，可以使处理器1020执行上文述及的方法中的部分或全部。

此外，根据本申请的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。

或者，本申请还可以实施为一种计算机可读存储介质(或非暂时性机器可读存储介质或机器可读存储介质)，其上存储有可执行代码(或计算机程序或计算机指令代码)，当可执行代码(或计算机程序或计算机指令代码)被电子设备(或服务器等)的处理器执行时，使处理器执行根据本申请的上述方法的各个步骤的部分或全部。

上文中已经参考附图详细描述了本申请的方案。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。本领域技术人员也应该知悉，说明书中所涉及的动作和模块并不一定是本申请所必需的。另外，可以理解，本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减，本申请实施例装置中的模块可以根据实际需要进行合并、划分和删减。

以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其他普通技术人员能理解本文披露的各实施。