CN101984346A - 基于低通滤波的水果表面缺陷检测方法 - Google Patents
基于低通滤波的水果表面缺陷检测方法 Download PDFInfo
- Publication number
- CN101984346A CN101984346A CN2010105141351A CN201010514135A CN101984346A CN 101984346 A CN101984346 A CN 101984346A CN 2010105141351 A CN2010105141351 A CN 2010105141351A CN 201010514135 A CN201010514135 A CN 201010514135A CN 101984346 A CN101984346 A CN 101984346A
- Authority
- CN
- China
- Prior art keywords
- image
- fruit
- formula
- component
- fruit surface
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于低通滤波的水果表面缺陷检测方法。利用水果彩色图像的B分量构建二值掩模图像B′,B′与R分量进行点乘运算后得到去除背景的R分量f(x,y),对f(x,y)中心变换后的图像f′(x,y)进行离散傅里叶变换得到F(u,v),将F(u,v)与低通滤波器H(u,v)相乘,得到低频分量G(u,v),对G(u,v)进行离散傅里叶反变化得到图像g(x,y),然后g(x,y)乘以(-1)x+y即可获得图像f(x,y)表面亮度图像i′(x,y)。将f(x,y)与i′(x,y)相除后得到均一化亮度图像f″(x,y),对f″(x,y)采用单阈值即可实现水果表面缺陷检测。本发明通过水果表面亮度的均一化校正,使水果表面缺陷简化为单阈值法检测,克服了传统缺陷检测算法的复杂性;检测过程不需考虑水果大小和形状,具有比标准球亮度校正法更强的适应性;图像获取仅需一个相机,能避免多相机图像信息融合而引起的处理速度低的问题。
Description
技术领域
本发明涉及一种水果表面缺陷检测方法,尤其是涉及一种基于低通滤波的水果表面缺陷检测方法。
背景技术
水果表面缺陷是决定水果价格最有力的因素之一,因为外部缺陷是对水果品质最直接的反映。缺陷的快速识别一直是水果实时分级中最难、研究人员最感兴趣的研究内容,但是一直没有取得理想的研究效果。在运用机器视觉技术进行水果表面缺陷检测方面,存在的主要难点之一是由于水果通常呈球体或椭球体,在水果边缘,光线的反射方向与相机的夹角很大,根据朗伯的光线反射定律,从相机方向看,水果边缘的亮度较低,表现为水果边缘的灰度值较低,而水果表面缺陷通常以较低灰度的形式在水果图像中出现(这也是水果表面缺陷检测的重要依据之一),这就导致了水果表面缺陷的检测困难。目前水果表面缺陷检测主要通过三种方式:
1.基于传统RGB成像系统或者3CCD成像系统。朱伟华等人(2003)在HSL颜色模型的基础上,提出了基于模糊颜色聚类的缺陷分割方法。首先将RGB颜色模型转换为HSL颜色模型,然后用三角隶属度函数定义H、S、L模糊集,最后在模糊颜色的基础上通过计算模糊颜色的相似度进行缺陷分割(朱伟华,曹其新.基于模糊彩色聚类方法的西红柿缺陷分割研究[J].农业工程学报,2003,19(3):133-136)。Blasco等人(2007)利用无监督区域增长算法对柑橘类水果表面缺陷进行分割,采用3CCD相机获得的彩色图像,根据不同区域之间的马氏距离被用来评价区域之间的相似度(Blasco J,Aleixos N,E.Computer vision detection of peel defects in citrus by means of a region oriented segmentation algorithm[J].Journal of Food Engineering,2007,81(3):384-393)。等人(2010)基于RGB图像利用多变量图像分析法(multivariate image analysis strategy)和主成分分析(principal component analysis)对柑橘类水果表面不同类型缺陷进行检测(F,Andreu-García G,Blasco J,et al.Automatic detection of skin defects in citrus fruits using a multivariate image analysis approach[J].Computers and Electronics in Agriculture,2010,71(2):189-197)。目前基于RGB图像探讨的缺陷识别方法算法复杂、速度慢,很难达到在线检测的要求。
2.基于标准球模型的单阈值分割法。将水果假设成标准的球,根据球体对光线的反射规律对水果进行灰度校正。Tao等人(1996)提出球形体灰度变换法,将水果表面的缺陷可以单阈值进行分割,解决了水果图像由于中部缺陷部分灰度值高于边缘正常部分灰度值而不能一次性分割成功的问题(Tao Y,Wen Z.An adaptive image transform for high-speed fruit defect detection[J].Transaction of the ASAE,1999,42(1):241-246)。冯斌等人(2002)建立了标准球体灰度模型,实现了对水果表面缺陷的一次性分割成功(冯斌,汪懋华.计算机视觉技术识别水果缺陷的一种新方法[J].中国农业大学学报,2002,7(4):73-76)。付峰等人(2004)研究了不同颜色的标准试验球体图像的大小、表面颜色和图像采集位置等因素对球体图像灰度失真的影响,并建立了位于摄像视区中心的球体图像的灰度校正模型和偏离摄像视区中心的球体图像的灰度校正模型(付峰,应义斌.球体图像灰度变换模型及其在柑桔图像校正中的应用[J].农业工程学报,2004,20(4):117-120)。Gómez-Sanchis等人(2008)针对球形水果表面照度不均的问题开发了一套自动亮度校正算法,但是算法开发的基础是假设对象为朗伯椭圆表面(J,E,Camps-Valls G,et al.Hyperspectral system for early detection of rottenness caused by Penicillium digitatum in mandarins[J].Journal of Food Engineering,2008,89(1):80-86)。尽管标准球法取得了较好的效果,但是建立在水果球体对光线反射规律基础上的标准球法,存在着两个假设条件:(1)水果假设是一个标准球体或者椭球体。(2)机器视觉视场内,光源的照度是均匀的,镜头和相机组成的光学系统是线性的,且在机器视觉工作期间,光照、镜头、相机性能稳定,即要求系统时时不变。对于这两个假设在实际水果在线检测中都是很难满足的。因此,标准球法的适应性弱。
3.多相机融合法。应用不同种类的相机,采集不同波段的图像进行分析处理。Wen等人(2000)利用近红外和中红外两种相机同时采集水果图像,然后基于两种图像开发了水果表面缺陷识别算法(Wen Z,Tao Y.Dual-camera NIR/MIR imaging for stem-end/calyx identification in apple detect sorting[J].Transaction of the ASAE,2000,43(2):449-452)。Aleixos等人(2002)利用三个相机(两个RGB相机和一个黑白相机)和两个DSP数据处理器及Bayesian判别理论对柑橘类水果表面缺陷进行检测(Aleixos N,Blasco J,F,et al.Multispectral inspection of citrus in real-time using machine vision and digital signal processors[J].Computers and Electronics in Agriculture,2002,33(2):121-137)。Kleynen等人(2005)利用450nm、500nm、750nm和800nm波段得到的多光谱图像,研究了‘Jonagold’苹果表面缺陷检测方法(Kleynen O,Leemans V,Destain M F.Development of a multi-spectral vision system for the detection of defects on apples[J].Journal of Food Engineering,2005,69:41-49)。赵杰文等人(2006)提出一种基于三摄像系统的逻辑判别缺陷的新方法。首先利用三摄像系统获取苹果在三个连续不同位置的9幅图像,对图像进行预处理及缺陷分割并进行标记,通过记录标记后的可疑区域数目,来判断缺陷的有无(赵杰文,刘文彬,邹小波.基于三摄像系统的苹果缺陷快速识别.江苏大学学报,2006,27(6):287-290)。多相机融合和存在的主要问题是:相机增加后,图像处理的工作量大大增加了,会严重降低机器视觉系统的处理速度。
因此需要新的水果表面缺陷检测方法。
发明内容
本发明的目的在于提供一种基于低通滤波的水果表面缺陷检测方法。
本发明采用的技术方案的步骤如下:
1)图像获取:以蓝色纸板为背景,将水果放在样本台上,拍摄水果彩色图像;
2)背景去除:提取彩色图像的R和B分量图像,然后根据直方图选取阈值T对B分量图像二值化后形成二值图像B′,即将有水果的区域置为1,其余区域置为0;利用公式(1),R分量图像与B′图像通过点乘运算获得去背景后的R分量图像f(x,y);
f(x,y)=R.*B′ (1)
3)中心变换:用(-1)x+y乘以输入图像f(x,y)进行中心变换,如公式(2);
f′(x,y)=f(x,y)(-1)x+y (2)
式中,f′(x,y)表示中心变换后的图像;
4)傅氏变换:利用公式(3)计算离散傅立叶变化,得到F(u,v);
式中,变量u和v是频率变量,u=0,1,2,...,M-1,v=0,1,2,...,N-1;
5)低通滤波:利用公式(4)计算低频分量G(u,v);
G(u,v)=H(u,v)F(u,v) (4)
式中,H(u,v)为Butterworth低通滤波器;
6)傅氏反变换:利用公式(5)可以从G(u,v)的傅立叶反变换中得到被滤波的图像g(x,y),然后乘以(-1)x+y以取消输入图像的乘数,即可以获得最终图像f(x,y)表面的亮度图像i′(x,y),如公式(6);
i′(x,y)=g(x,y)(-1)x+y (6)
7)亮度均一化:利用公式(7)对图像f(x,y)表面亮度进行均一化校正;
8)缺陷分割:基于亮度校正后的图像f″(x,y),设定一个全局阈值T=235对水果表面缺陷进行提取。
本发明具有的有益的效果是:
本发明通过水果表面亮度的均一化校正,使水果表面缺陷简化为单阈值法检测,克服了传统缺陷检测算法的复杂性;检测过程不需考虑水果的大小和形状,具有比标准球亮度校正法更强的适应性;图像的获取仅需一个相机,能避免多相机进行图像信息融合而引起的处理速度低的问题。
附图说明
图1是R分量图像。
图2是B分量图像。
图3是B分量图像直方图。
图4是二值化掩模图像B′。
图5是去背景后的R分量图像f(x,y)。
图6是频域滤波后获得的水果表面亮度图像。
图7是亮度校正后的图像。
图8是水果中部灰度剖面线强度图。
图9是单阈值缺陷分割后的二值图像。
图10是Butterworth低通滤波器。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
1)图像获取:以蓝色纸板为背景,将水果放在样本台上,拍摄到水果彩色图像;
2)背景去除:提取彩色图像的R和B分量图像,如图1和图2所示。然后根据B分量图像直方图3(直方图左边的峰代表水果,右边的峰代表背景)选取阈值T=140对B分量图像二值化后形成如图4所示的二值图像B′,即将有水果的区域置为1,其余区域置为0。利用公式(1),R分量图像与B′图像通过点乘运算获得去背景后的R分量图像f(x,y),如图5所示;
f(x,y)=R.*B′ (1)
3)中心变换:用(-1)x+y乘以输入图像f(x,y)进行中心变换,如公式(2);
f′(x,y)=f(x,y)(-1)x+y (2)
式中,f′(x,y)表示中心变换后的图像;
4)傅氏变换:由式(3)计算3)的离散傅立叶变化,即F(u,v)。
式中,变量u和v是频率变量,u=0,1,2,…,M-1;v=0,1,2,…,N-1。
5)低通滤波:将F(u,v)作为低通滤波器H(u,v)的输入,输出得到低频分量G(u,v),其表达式如(4)所示。
G(u,v)=H(u,v)F(u,v) (4)
本发明以Butterworth低通滤波器为例进行阐述。对于n阶Butterworth低通滤波器的传递函数定义如下:
H(u,v)=1/[1+(D(u,v)/D0)2n] (5)
式中D0为截止频率;D(u,v)=(u2+v2);n为阶数,取正整数,用来控制衰减速度。
D0和n是影响滤波器性能的两个重要参数,试验中通过改变不同的参数并观察亮度校正效果,多次验证后,Butterworth低通滤波器最佳截止频率D0=25,阶数n=1,该一阶Butterworth低通滤波器如图10所示。
6)傅氏反变换:利用公式(6)可以从G(u,v)的傅立叶反变换中得到被滤波的图像g(x,y),然后乘以(-1)x+y以取消输入图像的乘数(如公式(7)),即可以获得最终图像f(x,y)表面的亮度图像i′(x,y),如图6所示;
i′(x,y)=g(x,y)(-1)x+y (7)
7)亮度均一化:利用公式(8),图像f(x,y)与亮度图像i′(x,y)相比后的图像即为亮度校正后的图像f″(x,y),如图7所示。
8)缺陷分割:基于亮度校正后的图像f″(x,y),设定一个全局阈值(T=235)对水果表面缺陷进行提取,结果二值图像如图9所示。全局阈值的选择是通过提取图像f″(x,y)中过缺陷区域的一行像素点的灰度剖面线,剖面线像素强度曲线显示当阈值T=235时(即图8剖面线像素强度曲线中的水平虚线所示),缺陷区域可以有效分割。因此,选T=235对亮度校正后的图像f″(x,y)进行缺陷分割。
Claims (1)
1.一种基于低通滤波的水果表面缺陷检测方法,其特征在于该方法的步骤如下:
1)图像获取:以蓝色纸板为背景,将水果放在样本台上,拍摄水果彩色图像;
2)背景去除:提取彩色图像的R和B分量图像,然后根据直方图选取阈值T对B分量图像二值化后形成二值图像B′,即将有水果的区域置为1,其余区域置为0;利用公式(1),R分量图像与B′图像通过点乘运算获得去背景后的R分量图像f(x,y);
f(x,y)=R.*B′ (1)
3)中心变换:用(-1)x+y乘以输入图像f(x,y)进行中心变换,如公式(2);
f′(x,y)=f(x,y)(-1)x+y (2)
式中,f′(x,y)表示中心变换后的图像;
4)傅氏变换:利用公式(3)计算离散傅立叶变化,得到F(u,v);
式中,变量u和v是频率变量,u=0,1,2,...,M-1,v=0,1,2,...,N-1;
5)低通滤波:利用公式(4)计算低频分量G(u,v);
G(u,v)=H(u,v)F(u,v) (4)
式中,H(u,v)为Butterworth低通滤波器;
6)傅氏反变换:利用公式(5)可以从G(u,v)的傅立叶反变换中得到被滤波的图像g(x,y),然后乘以(-1)x+y以取消输入图像的乘数,即可以获得最终图像f(x,y)表面的亮度图像i′(x,y),如公式(6);
i′(x,y)=g(x,y)(-1)x+y (6)
7)亮度均一化:利用公式(7)对图像f(x,y)表面亮度进行均一化校正;
8)缺陷分割:基于亮度校正后的图像f″(x,y),设定一个全局阈值T=235对水果表面缺陷进行提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105141351A CN101984346A (zh) | 2010-10-19 | 2010-10-19 | 基于低通滤波的水果表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105141351A CN101984346A (zh) | 2010-10-19 | 2010-10-19 | 基于低通滤波的水果表面缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101984346A true CN101984346A (zh) | 2011-03-09 |
Family
ID=43641516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010105141351A Pending CN101984346A (zh) | 2010-10-19 | 2010-10-19 | 基于低通滤波的水果表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101984346A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102735340A (zh) * | 2012-06-11 | 2012-10-17 | 陕西科技大学 | 一种基于压缩传感的水果颜色分级方法 |
CN102788806A (zh) * | 2012-07-19 | 2012-11-21 | 北京农业智能装备技术研究中心 | 基于类球形亮度变换的水果表面缺陷检测方法 |
CN103149214A (zh) * | 2013-02-27 | 2013-06-12 | 上海交通大学 | 水果表面缺陷检测方法 |
CN105044128A (zh) * | 2015-07-14 | 2015-11-11 | 浙江大学 | 基于光照背景差影法的水果表面缺陷检测方法 |
CN105243684A (zh) * | 2015-09-10 | 2016-01-13 | 网易(杭州)网络有限公司 | 一种游戏界面中图像的显示方法及装置 |
CN105427274A (zh) * | 2015-10-28 | 2016-03-23 | 北京农业智能装备技术研究中心 | 一种由青霉感染引起腐烂的柑橘图像检测方法 |
CN105678793A (zh) * | 2016-02-26 | 2016-06-15 | 浙江大学 | 一种基于图像融合的猕猴桃溃疡病的早期诊断方法及装置 |
CN107831139A (zh) * | 2017-10-28 | 2018-03-23 | 李岩 | 混合气体近红外激光在线监测系统 |
CN107831136A (zh) * | 2017-10-28 | 2018-03-23 | 李岩 | 烷烃类混合气体激光探测装置 |
CN108830834A (zh) * | 2018-05-23 | 2018-11-16 | 重庆交通大学 | 一种爬索机器人视频缺陷信息自动提取方法 |
CN109313163A (zh) * | 2016-11-29 | 2019-02-05 | 瓦锡兰芬兰有限公司 | 使用滤波图像数据的超声波质量控制 |
CN109372497A (zh) * | 2018-08-20 | 2019-02-22 | 中国石油天然气集团有限公司 | 一种超声成像动态均衡处理的方法 |
CN109613023A (zh) * | 2019-01-28 | 2019-04-12 | 西南大学 | 一种区域亮度自适应校正的水果表面缺陷快速检测方法 |
CN109671075A (zh) * | 2018-12-21 | 2019-04-23 | 广州视源电子科技股份有限公司 | 缺陷检测方法、装置、设备和存储介质 |
CN109682821A (zh) * | 2018-12-04 | 2019-04-26 | 西南大学 | 一种基于多尺度高斯函数的柑橘表面缺陷检测方法 |
CN109738448A (zh) * | 2018-12-28 | 2019-05-10 | 佛山科学技术学院 | 一种工业产品智能检测装置和方法 |
CN111915704A (zh) * | 2020-06-13 | 2020-11-10 | 东北林业大学 | 一种基于深度学习的苹果分级识别方法 |
CN113177925A (zh) * | 2021-05-11 | 2021-07-27 | 昆明理工大学 | 一种无损检测水果表面缺陷的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS62184583A (ja) * | 1986-02-10 | 1987-08-12 | Kubota Ltd | 撮像式の対象抽出装置 |
GB2248935A (en) * | 1990-10-09 | 1992-04-22 | Hajime Industries | Surface inspection device |
CN1142205A (zh) * | 1994-11-03 | 1997-02-05 | 新奇士种植者公司 | 检测半透明物体表面特征的方法和装置 |
EP1400922A1 (en) * | 2002-09-20 | 2004-03-24 | Nitto Denko Corporation | Print inspection method and apparatus |
CN1603013A (zh) * | 2004-11-02 | 2005-04-06 | 江苏大学 | 基于三个摄像系统在线水果品质检测分级的装置与方法 |
-
2010
- 2010-10-19 CN CN2010105141351A patent/CN101984346A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS62184583A (ja) * | 1986-02-10 | 1987-08-12 | Kubota Ltd | 撮像式の対象抽出装置 |
GB2248935A (en) * | 1990-10-09 | 1992-04-22 | Hajime Industries | Surface inspection device |
CN1142205A (zh) * | 1994-11-03 | 1997-02-05 | 新奇士种植者公司 | 检测半透明物体表面特征的方法和装置 |
EP1400922A1 (en) * | 2002-09-20 | 2004-03-24 | Nitto Denko Corporation | Print inspection method and apparatus |
CN1603013A (zh) * | 2004-11-02 | 2005-04-06 | 江苏大学 | 基于三个摄像系统在线水果品质检测分级的装置与方法 |
Non-Patent Citations (4)
Title |
---|
《X射线检测图像中缺陷部分的自动提取》 20080630 赵熹等 X射线检测图像中缺陷部分的自动提取 第5-6页 1 第32卷, 第3期 2 * |
《农业工程学报》 20090131 蔡健荣等 波段比算法结合高光谱图像技术检测柑橘果锈 第127-130页 1 第25卷, 第1期 2 * |
《农业工程学报》 20091231 李江波等 基于掩模及边缘灰度补偿算法的脐橙背景及表面缺陷分割 133-137 1 第25卷, 第12期 2 * |
《数字图像处理及应用》 20040630 李朝晖等 "频域低通滤波法" 机械工业出版社 75-77 1 , 1 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102735340B (zh) * | 2012-06-11 | 2014-03-12 | 陕西科技大学 | 一种基于压缩传感的水果颜色分级方法 |
CN102735340A (zh) * | 2012-06-11 | 2012-10-17 | 陕西科技大学 | 一种基于压缩传感的水果颜色分级方法 |
CN102788806A (zh) * | 2012-07-19 | 2012-11-21 | 北京农业智能装备技术研究中心 | 基于类球形亮度变换的水果表面缺陷检测方法 |
CN103149214A (zh) * | 2013-02-27 | 2013-06-12 | 上海交通大学 | 水果表面缺陷检测方法 |
CN103149214B (zh) * | 2013-02-27 | 2015-04-01 | 上海交通大学 | 水果表面缺陷检测方法 |
CN105044128A (zh) * | 2015-07-14 | 2015-11-11 | 浙江大学 | 基于光照背景差影法的水果表面缺陷检测方法 |
CN105044128B (zh) * | 2015-07-14 | 2017-09-01 | 浙江大学 | 基于光照背景差影法的水果表面缺陷检测方法 |
CN105243684B (zh) * | 2015-09-10 | 2018-03-20 | 网易(杭州)网络有限公司 | 一种游戏界面中图像的显示方法及装置 |
CN105243684A (zh) * | 2015-09-10 | 2016-01-13 | 网易(杭州)网络有限公司 | 一种游戏界面中图像的显示方法及装置 |
CN105427274A (zh) * | 2015-10-28 | 2016-03-23 | 北京农业智能装备技术研究中心 | 一种由青霉感染引起腐烂的柑橘图像检测方法 |
CN105427274B (zh) * | 2015-10-28 | 2017-12-26 | 北京农业智能装备技术研究中心 | 一种由青霉感染引起腐烂的柑橘图像检测方法 |
CN105678793A (zh) * | 2016-02-26 | 2016-06-15 | 浙江大学 | 一种基于图像融合的猕猴桃溃疡病的早期诊断方法及装置 |
CN105678793B (zh) * | 2016-02-26 | 2019-01-15 | 浙江大学 | 一种基于图像融合的猕猴桃溃疡病的早期诊断方法及装置 |
CN109313163A (zh) * | 2016-11-29 | 2019-02-05 | 瓦锡兰芬兰有限公司 | 使用滤波图像数据的超声波质量控制 |
CN107831139A (zh) * | 2017-10-28 | 2018-03-23 | 李岩 | 混合气体近红外激光在线监测系统 |
CN107831136A (zh) * | 2017-10-28 | 2018-03-23 | 李岩 | 烷烃类混合气体激光探测装置 |
CN107831139B (zh) * | 2017-10-28 | 2020-04-21 | 北京航星网讯技术股份有限公司 | 混合气体近红外激光在线监测系统 |
CN107831136B (zh) * | 2017-10-28 | 2020-04-21 | 北京航星网讯技术股份有限公司 | 烷烃类混合气体激光探测装置 |
CN108830834A (zh) * | 2018-05-23 | 2018-11-16 | 重庆交通大学 | 一种爬索机器人视频缺陷信息自动提取方法 |
CN108830834B (zh) * | 2018-05-23 | 2022-03-11 | 重庆交通大学 | 一种爬索机器人视频缺陷信息自动提取方法 |
CN109372497A (zh) * | 2018-08-20 | 2019-02-22 | 中国石油天然气集团有限公司 | 一种超声成像动态均衡处理的方法 |
CN109682821A (zh) * | 2018-12-04 | 2019-04-26 | 西南大学 | 一种基于多尺度高斯函数的柑橘表面缺陷检测方法 |
CN109682821B (zh) * | 2018-12-04 | 2022-01-11 | 西南大学 | 一种基于多尺度高斯函数的柑橘表面缺陷检测方法 |
CN109671075A (zh) * | 2018-12-21 | 2019-04-23 | 广州视源电子科技股份有限公司 | 缺陷检测方法、装置、设备和存储介质 |
CN109738448A (zh) * | 2018-12-28 | 2019-05-10 | 佛山科学技术学院 | 一种工业产品智能检测装置和方法 |
CN109613023A (zh) * | 2019-01-28 | 2019-04-12 | 西南大学 | 一种区域亮度自适应校正的水果表面缺陷快速检测方法 |
CN109613023B (zh) * | 2019-01-28 | 2021-02-26 | 西南大学 | 一种区域亮度自适应校正的水果表面缺陷快速检测方法 |
CN111915704A (zh) * | 2020-06-13 | 2020-11-10 | 东北林业大学 | 一种基于深度学习的苹果分级识别方法 |
CN113177925A (zh) * | 2021-05-11 | 2021-07-27 | 昆明理工大学 | 一种无损检测水果表面缺陷的方法 |
CN113177925B (zh) * | 2021-05-11 | 2022-11-11 | 昆明理工大学 | 一种无损检测水果表面缺陷的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101984346A (zh) | 基于低通滤波的水果表面缺陷检测方法 | |
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
Mizushima et al. | An image segmentation method for apple sorting and grading using support vector machine and Otsu’s method | |
Xiao-bo et al. | In-line detection of apple defects using three color cameras system | |
CN109377485B (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
CN102135416B (zh) | 瓶盖在线影像检测系统和方法 | |
CN107610114B (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
CN102426649B (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN107505325B (zh) | 冬枣果实的全方位品质检测方法 | |
CN103914708A (zh) | 基于机器视觉的食品品种检测方法及系统 | |
CN105403147A (zh) | 一种基于嵌入式的瓶胚检测系统和检测方法 | |
Pavithra et al. | Machine vision based automatic sorting of cherry tomatoes | |
Ji et al. | Apple grading method based on features of color and defect | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN103759644A (zh) | 一种滤光片表面缺陷的分离细化智能检测方法 | |
Wang et al. | Recognition of worm-eaten chestnuts based on machine vision | |
CN102788806B (zh) | 基于类球形亮度变换的水果表面缺陷检测方法 | |
CN110175556A (zh) | 基于Sobel算子的遥感图像云检测方法 | |
CN100593172C (zh) | 一种基于显微图像的微生物识别系统及方法 | |
CN116109577A (zh) | 一种印刷标签缺陷检测系统及方法 | |
Kumari et al. | Performance analysis of support vector machine in defective and non defective mangoes classification | |
CN109682821B (zh) | 一种基于多尺度高斯函数的柑橘表面缺陷检测方法 | |
CN102495067A (zh) | 一种食用菌杂质在线识别系统 | |
CN113947598A (zh) | 基于图像处理的塑料餐盒缺陷检测方法、装置及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110309 |