CN104990925B - 一种基于梯度多阈值优化缺陷检测方法 - Google Patents
一种基于梯度多阈值优化缺陷检测方法 Download PDFInfo
- Publication number
- CN104990925B CN104990925B CN201510349332.5A CN201510349332A CN104990925B CN 104990925 B CN104990925 B CN 104990925B CN 201510349332 A CN201510349332 A CN 201510349332A CN 104990925 B CN104990925 B CN 104990925B
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- pixel
- module
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明是一种基于梯度多阈值优化缺陷检测的方法，首先，通过简化的均值聚类算法求出最优化阈值；其次，通过正态分布模型统计每幅样本梯度图像中的100个模块，计算获取动态的阈值；再次，通过对样本图像进行分块处理，基于统计学方法，提取模块中像素最大值和像素差最大值；最后，在模块化的基础上，通过多阈值进行判断，获取输出的模块并组合成完整的图像，对其进行中值滤波得到缺陷检测结果图像。本发明通过简化的均值聚类算法，提高了算法的精度，降低了算法在迭代过程中的时间成本；基于统计学和正态分布模型，在梯度图像中提取边缘，显著增加了算法的精度和处理效果；本发明能快速准确检测出木材的缺陷，提高检测应用范围和生产木材的质量。
Description
技术领域
本发明涉及一种基于梯度多阈值优化缺陷检测方法。
背景技术
在图像分割处理中，图像被划分为与真实世界的物体或区域有强相关性的组成部分，其主要分为以下三类：基于全局的分割、基于边缘的分割和基于局部的分割。目前，图像分割主要运用于图像边缘的精细提取，对于强边缘的检测，主要集中在全局分割和局部分割，即阈值化的分割，但是对于一些特定场合，如木材的缺陷检测等，除了需要滤掉图像本身的噪声之外，还需要去除木材的年轮等，保留木材的缺陷部分。阈值化的分割是图像分割中背景和物体分离较理想的方法，主要有全局阈值化、局部阈值化、带阈值化、半阈值化、多阈值化、直方图形状分析、最优阈值化等，根据不同的特殊场合，采用不同的方法进行处理。全局阈值化的一个重要算法就是图像的二值化处理，由于其阈值的选取过于单一，造成鲁棒性较差，但是对于其改进方法，自动阈值分割，效果上具有明显的优势。对于特定物体的检测，如木纹，自动阈值化仍然没有较好的去掉年轮。在边缘检测方面，canny算子是最好的边缘检测方法，对于物体的细小轮廓，包括掌纹和指纹的提取，做的都非常好，但是对于木材缺陷这样的强边缘，其提取效果仍有不足。多阈值是单阈值的一个集合，在大量的优化条件下，通过实验数据获取可靠地阈值，进而提取目标物体，但是阈值的固定，限制了其应用范围的扩大。近年来最优阈值化得到了较大的发展，通过大量的迭代和分析，获取最优化的阈值，进而提取目标物体。但是对于一些特定的场合，最优阈值化由于判断的条件较少，依然有一定的掣肘。因此，如何对现有的算法不足进行有效的改进，以满足生产过程中木材缺陷检测对分割效果的要求，有待进一步研究。
发明内容
本发明的目的在于提供一种基于梯度多阈值优化缺陷检测方法，用于解决阈值不准确、阈值不能随着图像浮动的变化、最优阈值化迭代过长、算法复杂等问题，具有缺陷检测效果好、提取速度快等优点。
本发明一种基于梯度多阈值优化缺陷检测方法，具体包括以下步骤：
步骤1、对待检测物采集图像，转换为数字图像后供后面计算用；
步骤2、通过K均值聚类算法获取最优阈值化的多个阈值，自动选取其中一个为模块均值的最优化阈值，具体迭代计算步骤如下：
(1)图像中的信息分为两类：背景像素和物体像素，假设待检测物采集图像中没有有关物体的确切位置的信息，作为第1步近似，考虑图像中某些点含有背景像素和其它点为物体像素，任意选择K个聚类对象作为聚类中心；
(2)根据每个聚类对象均值，计算每个聚类对象与这K个聚类中心的距离，根据最小距离重新对上一步的聚类对象进行划分，将图像分割成包含背景区域和物体区域；
(3)在第t步，分别计算背景区域和物体区域的灰度均值μb和μo，进一步将图像分割成背景区域和物体区域，阈值为T，它的前一步公式是：
其中，μb、μo为背景区域和物体区域的灰度均值，#background_pixels、#object_pixels为背景区域和物体区域的像素个数，f(i,j)为像素点(i,j)处的像素值，比较T(t+1)和T(t)值，当T(t+1)＝T(t)时计算停止；
步骤3、对待检测物采集图像进行四个方向的梯度计算，通过正态分布模型，获取图像的动态阈值；
在一幅图像中，每个像素点都具有8邻域和4个边缘检测方向，在传统的水平和垂直方向检测边缘的基础上，增加45°和135°方向上的边缘检测，其公式如下：
Px(i,j)＝I(i+1,j)-I(i-1,j) (2)
Py(i,j)＝I(i,j+1)-I(i,j-1) (3)
P45(i,j)＝I(i-1,j+1)-I(i+1,j-1) (4)
P135(i,j)＝I(i+1,j+1)-I(i-1,j-1) (5)
T(i,j)＝(|px(i,j)|+|py(i,j)|+|p45(i,j)|+|p135(i,j)|)/4 (6)
其中，Px(i,j)、Py(i,j)、P45(i,j)、P135(i,j)分别代表x、y、45°、135°方向上的梯度，I为输入图像的像素值，T(i,j)为在像素点(i,j)处的梯度幅值；
样本数据接近(μ,σ)的正态分布，经过统计，(μ-σ,μ+σ)之外的数据占总数据的30％，(μ-3σ,μ+3σ)之外数据占总数据的0.3％左右，因此，可以认为在(μ+σ,μ+2σ)之内的像素为边缘点，大于μ+3σ为噪声，其图像的动态阈值计算如下：
λmin＝μ+σ (9)
λmax＝μ+2σ (10)
其中，μ为整体梯度幅值图像的均值，σ为整体梯度幅值图像的方差，λmin、λmax为梯度幅值阈值的上下边界，M、N表示图像分割区域的长和宽；
步骤4、运用统计学实验方法，对预置值数量的样本图像进行取样，分别统计样本图像的模块中像素最大值、像素差最大值作为模块像素均值和模块像素差最大值的阈值，具体步骤如下：
(1)分别对样本图像进行归类，本发明的样本图像主要分6类；
(2)对每类样本图像进行定向模块取值，每幅样本图像按照预设的步长，取100个模块，该模块的大小为4×4，且模块的位置一半位于图像的缺陷处，一半位于图像的非缺陷处；
(3)分别统计样本图像的模块中像素最大值、像素差最大值作为模块像素均值和模块像素差最大值的阈值；
步骤5、对待检测物采集图像进行分割，通过模块化的阈值判断，提取图像中检测出的缺陷模块，并把它放在新的图像矩阵中，通过中值滤波，输出缺陷检测结果图像，具体为：
(1)确定分割阈值条件，包括输入图像的起始位置、分割窗口的宽w和高h、分割移动的步长；
(2)根据分割阈值条件对物体区域中的对象进行分割处理，分别计算4×4分割模块中的像素均值、像素差最大值、像素最大值和梯度均值，将其与上述步骤获得的阈值进行比较判断，若在阈值范围内，则将该分割模块的像素复制到一个新矩阵，对于新矩阵中空白的部分，直接赋值为255，组合成完整的缺陷图像矩阵；
(3)设置滤波窗口为4×4分割模块半径，对缺陷图像矩阵进行中值滤波去噪，获取最终的缺陷检测结果图像。
所述的步骤2中的K均值聚类算法，K取值4，分别求取四聚类中心值，并自动以最低的聚类中心值为局部均值的最优化阈值。
本发明首先直接给定预想的初值，设定适当的迭代次数，通过简化的均值聚类算法，求出最优化阈值；其次，通过正态分布模型，统计样本每幅梯度图像中100个模块，由计算获取动态的阈值；再次，通过对样本图像进行分块处理，运用统计学方法，提取模块中的像素最大值和像素差最大值；之后分别对每个模块进行模块梯度、模块最大值、模块像素值差最大值和模块均值多阈值的判断，最后，输出获取的模块，组合成完整的图像，通过中值滤波得到缺陷检测结果图像。在实践中，对40幅含有大活结、小活结、大裂纹、小裂纹、死结、孔洞等的样本图像进行缺陷检测试验，本发明都能快速准确的检测出木材的缺陷，提高了应用范围和木材生产的质量。
附图说明
图1为生产过程中木材缺陷检测系统的机构示意图；
图2为本发明木材缺陷检测算法流程图；
图3为本发明中模块分割的示意图；
图4为本发明对木材缺陷检测对比图；
图5为几种木材缺陷小检测对比图。
以下结合附图和具体实施例对本发明做进一步详述。
具体实施方式
生产过程中，木材缺陷检测系统如图1所示，上方两边的是光源、中间的是采集摄像头，下面的是传送带，系统由传送平台、工业相机、图像采集卡、电脑和缺陷检测软件组成。相机采用Guppy_PRO系列工业相机，其采集的为灰度图像，分辨率可以自由调节。由于参与缺陷检测的图像是黑白工业相机采集的，通过图像采集卡可以直接转化为数字图像，不用考虑色空间的转换。
如图2所示，本发明一种基于梯度多阈值优化缺陷检测方法，具体包括以下步骤：
步骤1、对待检测物采集图像，转换为数字图像后供后面计算用；
步骤2、通过K均值聚类算法获取最优阈值化的多个阈值，自动选取其中一个为模块均值的最优化阈值，具体迭代计算步骤如下：
(1)图像中的信息分为两类：背景像素和物体像素，假设待检测物采集图像中没有有关物体的确切位置的信息，作为第1步近似，考虑图像中某些点含有背景像素和其它点为物体像素，任意选择K个聚类对象作为聚类中心；
(2)根据每个聚类对象均值，计算每个聚类对象与这K个聚类中心的距离，根据最小距离重新对上一步的聚类对象进行划分，将图像分割成包含背景区域和物体区域；
(3)在第t步，分别计算背景区域和物体区域的灰度均值μb和μo，进一步将图像分割成背景区域和物体区域，阈值为T，它的前一步公式是：
其中，μb、μo为背景区域和物体区域的灰度均值，#background_pixels、#object_pixels为背景区域和物体区域的像素个数，f(i,j)为像素点(i,j)处的像素值，比较T(t+1)和T(t)值，当T(t+1)＝T(t)时计算停止；
本发明中采用自定义的四类k-means算法，即上述步骤中K＝4，分别求取四聚类中心值，并自动以最低的聚类中心值为局部均值的最优化阈值。
步骤3、对待检测物采集图像进行四个方向的梯度计算，通过正态分布模型，获取图像的动态阈值；
在一幅图像中，每个像素点都具有8邻域和4个边缘检测方向，本发明在传统的水平和垂直方向检测边缘的基础上，增加450和1350方向上的边缘检测，其公式如下：
Px(i,j)＝I(i+1,j)-I(i-1,j) (2)
Py(i,j)＝I(i,j+1)-I(i,j-1) (3)
P45(i,j)＝I(i-1,j+1)-I(i+1,j-1) (4)
P135(i,j)＝I(i+1,j+1)-I(i-1,j-1) (5)
T(i,j)＝(|px(i,j)|+|py(i,j)|+|p45(i,j)|+|p135(i,j)|)/4 (6)
其中，Px(i,j)、Py(i,j)、P45(i,j)、P135(i,j)分别代表x、y、45°、135°方向上的梯度，I为输入图像的像素值，T(i,j)为在像素点(i,j)处的梯度幅值；
由于图像的边缘只占很小的一部分，而噪声所占的比例也非常小，根据概率统计理论的分析，样本数据接近(μ,σ)的正态分布，经过统计，(μ-σ,μ+σ)之外的数据占总数据的30％，(μ-3σ,μ+3σ)之外数据占总数据的0.3％左右，因此，可以认为在(μ+σ,μ+2σ)之内的像素为边缘点，大于μ+3σ为噪声，其图像的动态阈值计算如下：
λmin＝μ+σ (9)
λmax＝μ+2σ (10)
其中，μ为整体梯度幅值图像的均值，σ为整体梯度幅值图像的方差，λmin、λmax为梯度幅值阈值的上下边界，M、N表示图像分割区域的长和宽；
步骤4、运用统计学实验方法，对预置值数量的样本图像进行取样，分别统计样本图像的模块中像素最大值、像素差最大值作为模块像素均值和模块像素差最大值的阈值，具体步骤如下：
(1)分别对样本图像进行归类，本发明的样本图像主要分6类；
(2)对每类样本图像进行定向模块取值，每幅样本图像按照预设的步长，取100个模块，该模块的大小为4×4，且模块的位置一半位于图像的缺陷处，一半位于图像的非缺陷处；
(3)分别统计样本图像的模块中像素最大值、像素差最大值作为模块像素均值和模块像素差最大值的阈值；
步骤5、对待检测物采集图像进行分割，通过模块化的阈值判断，提取图像中检测出的缺陷模块，并把它放在新的图像矩阵中，通过中值滤波，输出缺陷检测结果图像，具体为：
(1)确定分割阈值条件，包括输入图像的起始位置、分割窗口的宽w和高h(本实施例选择4×4的窗口)、分割移动的步长(考虑到滑动窗口处理过程中会出现“锯齿效应”，步长定为2)；
(2)根据分割阈值条件对物体区域中的对象进行分割处理，如图3所示，分别计算4×4分割模块中的像素均值、像素差最大值、像素最大值和梯度均值，将其与上述步骤获得的阈值进行比较判断，若在阈值范围内，则将该分割模块的像素复制到一个新矩阵，对于新矩阵中空白的部分，直接赋值为255，组合成完整的缺陷图像矩阵；
(3)分割后的图像矩阵中夹杂着一些孤立的噪声，为了提高图像的清晰度，需要对获取的缺陷图像矩阵进行中值滤波。设置滤波窗口为4×4分割模块半径，对缺陷图像矩阵进行中值滤波去噪，获取最终的缺陷检测结果图像。
本发明的实验平台为Matlab R2010，内存2G，操作系统为32位Window 7操作系统；图像采集是在单D65光源，倾角为2-10之间，高度保持10-50cm之间，进行数据采集的。实验数据是由木纹缺陷库中所选的6种缺陷40幅图组成，图像的分辨率为800×600，主要是与一些经典的分割算法作对比，如二值化方法、自动阈值分割算法和四类k-means算法。其对比如图4、图5所示。
图4为本发明对木材缺陷检测对比图，(a)原图、(b)二值化后的结果、(c)自动阈值分割后的结果、(d)四类k-means算法分割的结果、(e)本发明的结果。
图5为几种木材缺陷小检测对比图，(a)大裂纹图像、(b)小裂纹图像、(c)大活结图像、(d)小活结图像、(e)孔洞的图像、(f)大裂纹处理后的图像、(g)小裂纹处理后的图像、(h)大活结处理后的图像、(i)小活结处理后的图像、(j)孔洞的处理后的图像。
在上述40个样本图像中，根据图4的结果，针对分割图像的评价，发明中采用峰值信噪比，作为评价的标准，由下表所示：
| 处理结果 | 二值化处理的结果 | 自动阈值分割后的结果 | k-means算法的结果 | 本发明的结果 |
| 均方误差 | 6.77 | 119 | 30.3 | 0.56 |
| 峰值信噪比 | 39.8 | 27.3 | 33.3 | 50.5 |
由上表可以看出，本发明的处理图像的结果，在大量样本中，其峰值信噪比提高的范围为18.3％-53.67％，即图像的有效信息得到了较好的提取。
以上所述，并非对本发明的技术范围作任何限制，故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (1)
1.一种基于梯度多阈值优化缺陷检测方法，其特征在于包括以下步骤：
步骤1、对待检测物采集图像，转换为数字图像后供后面计算用；
步骤2、通过K均值聚类算法获取模块均值的最优化阈值，取K＝4，分别求取四聚类中心值，并自动以最低的聚类中心值为局部均值的最优化阈值，具体迭代计算步骤如下：
(1)图像中的信息分为两类：背景像素和物体像素，假设待检测物采集图像中没有有关物体的确切位置的信息，作为第1步近似，考虑图像中某些点含有背景像素和其它点为物体像素，任意选择四个聚类对象作为聚类中心；
(2)根据每个聚类对象均值，计算每个聚类对象与这四个聚类中心的距离，根据最小距离重新对上一步的聚类对象进行划分，将图像分割成包含背景区域和物体区域；
(3)在第t步，分别计算背景区域和物体区域的灰度均值μb和μo，进一步将图像分割成背景区域和物体区域，阈值为T，它的前一步公式是：
<mrow>
<msub>
<mi>&mu;</mi>
<mi>b</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>b</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>#</mo>
<mi>b</mi>
<mi>a</mi>
<mi>c</mi>
<mi>k</mi>
<mi>g</mi>
<mi>r</mi>
<mi>o</mi>
<mi>u</mi>
<mi>n</mi>
<mi>d</mi>
<mo>_</mo>
<mi>p</mi>
<mi>i</mi>
<mi>x</mi>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>&mu;</mi>
<mi>o</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>o</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>#</mo>
<mi>o</mi>
<mi>b</mi>
<mi>j</mi>
<mi>e</mi>
<mi>c</mi>
<mi>t</mi>
<mo>_</mo>
<mi>p</mi>
<mi>i</mi>
<mi>x</mi>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
</mrow>
</mfrac>
</mrow>
<mrow>
<msup>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&mu;</mi>
<mi>b</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&mu;</mi>
<mi>o</mi>
</msub>
</mrow>
<mn>2</mn>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，μb、μo为背景区域和物体区域的灰度均值，#background_pixels、#object_pixels为背景区域和物体区域的像素个数，f(i,j)为像素点(i,j)处的像素值，比较T(t+1)和T(t)值，当T(t+1)＝T(t)时计算停止；
步骤3、对待检测物采集图像进行四个方向的梯度计算，通过正态分布模型，获取图像的动态阈值，即获取模块化梯度的阈值；
在一幅图像中，每个像素点都具有8邻域和4个边缘检测方向，在传统的水平和垂直方向检测边缘的基础上，增加45°和135°方向上的边缘检测，其公式如下：
Px(i,j)＝I(i+1,j)-I(i-1,j) (2)
Py(i,j)＝I(i,j+1)-I(i,j-1) (3)
P45(i,j)＝I(i-1,j+1)-I(i+1,j-1) (4)
P135(i,j)＝I(i+1,j+1)-I(i-1,j-1) (5)
T(i,j)＝(|px(i,j)|+|py(i,j)|+|p45(i,j)|+|p135(i,j)|)/4 (6)
其中，Px(i,j)、Py(i,j)、P45(i,j)、P135(i,j)分别代表x、y、45°、135°方向上的梯度，I为输入图像的像素值，T(i,j)为在像素点(i,j)处的梯度幅值；
根据概率统计理论的分析，样本数据接近(μ,σ)的正态分布，经过统计，(μ-σ,μ+σ)之外的数据占总数据的30％，(μ-3σ,μ+3σ)之外数据占总数据的0.3％左右，因此，可以认为在(μ+σ,μ+2σ)之内的像素为边缘点，大于μ+3σ为噪声，其图像分割区域的梯度动态阈值计算如下：
<mrow>
<mi>&mu;</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>N</mi>
</munderover>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>M</mi>
<mo>&times;</mo>
<mi>N</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&sigma;</mi>
<mo>=</mo>
<msqrt>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>N</mi>
</munderover>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mi>&mu;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>M</mi>
<mo>&times;</mo>
<mi>N</mi>
</mrow>
</mfrac>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
λmin＝μ+σ (9)
λmax＝μ+2σ (10)
其中，μ为整体梯度幅值图像的均值，σ为整体梯度幅值图像的方差，λmin、λmax为梯度幅值阈值的上下边界，M、N表示图像分割区域的长和宽；
步骤4、运用统计学实验方法，对预置值数量的样本图像进行取样，分别统计样本图像的模块中像素最大值、像素差最大值作为模块像素最大值和模块像素差最大值的阈值，具体步骤如下：
(1)分别对样本图像进行归类，本发明的样本图像主要分6类；
(2)对每类样本图像进行定向模块取值，每幅样本图像按照预设的步长，取100个模块，该模块的大小为4×4，且模块的位置一半位于图像的缺陷处，一半位于图像的非缺陷处；
(3)分别统计样本图像的模块中像素最大值、像素差最大值作为模块像素均值和模块像素差最大值的阈值；
步骤5、对待检测物采集图像的物体区域进行分割，对分割模块进行四阈值判断，提取图像中检测出的缺陷模块，并把它放在新的图像矩阵中，通过中值滤波，输出缺陷检测结果图像，具体为：
(1)确定分割阈值条件，包括输入图像的起始位置、分割窗口的宽w和高h、分割移动的步长，取分割窗口的宽w＝高h＝4,分割移动的步长为2；
(2)根据分割阈值条件对物体区域中的对象进行分割处理，分别计算4×4分割模块中的像素均值、像素差最大值、像素最大值和梯度均值，将其与上述步骤2获得像素均值的阈值，步骤4获得的像素差最大值和像素最大值的阈值，步骤3获得的梯度的阈值进行比较判断，若在阈值范围内，则将该分割模块的像素复制到一个新矩阵，对于新矩阵中空白的部分，直接赋值为255，组合成完整的缺陷图像矩阵；
(3)设置滤波窗口为4×4分割模块半径，对缺陷图像矩阵进行中值滤波去噪，获取最终的缺陷检测结果图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510349332.5A CN104990925B (zh) | 2015-06-23 | 2015-06-23 | 一种基于梯度多阈值优化缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510349332.5A CN104990925B (zh) | 2015-06-23 | 2015-06-23 | 一种基于梯度多阈值优化缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104990925A CN104990925A (zh) | 2015-10-21 |
| CN104990925B true CN104990925B (zh) | 2017-12-19 |
Family
ID=54302764
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510349332.5A Expired - Fee Related CN104990925B (zh) | 2015-06-23 | 2015-06-23 | 一种基于梯度多阈值优化缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104990925B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109870459A (zh) * | 2019-02-21 | 2019-06-11 | 武汉武大卓越科技有限责任公司 | 无砟轨道的轨道板裂缝检测方法 |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106023158B (zh) * | 2016-05-10 | 2018-09-18 | 浙江科技学院 | Sd-oct图像的淡水无核珍珠珍珠质层缺陷识别方法 |
| CN107367513B (zh) * | 2017-08-03 | 2018-01-26 | 邵作权 | 工件缺陷在线分析装置 |
| CN109427049B (zh) * | 2017-08-22 | 2022-01-18 | 成都飞机工业（集团）有限责任公司 | 一种涂层缺陷的检测方法 |
| CN107421963A (zh) * | 2017-09-18 | 2017-12-01 | 重庆大学 | 一种核燃料生坯裂纹检测装置及裂纹检测方法 |
| CN108038841B (zh) * | 2017-11-27 | 2020-06-23 | 浙江华睿科技有限公司 | 一种硅片ld缺陷检测方法及装置 |
| CN107966454A (zh) * | 2017-12-25 | 2018-04-27 | 陕西科技大学 | 一种基于fpga的端塞缺陷检测装置及检测方法 |
| CN110009638B (zh) * | 2019-04-12 | 2023-01-03 | 重庆交通大学 | 基于局部统计特征的桥梁拉索图像外观缺陷检测方法 |
| CN111179225B (zh) * | 2019-12-14 | 2022-02-01 | 西安交通大学 | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 |
| CN111325713B (zh) * | 2020-01-21 | 2023-05-23 | 杭州未名信科科技有限公司 | 基于神经网络的木材缺陷检测方法、系统及存储介质 |
| CN111982905B (zh) * | 2020-08-26 | 2021-02-19 | 北新国际木业有限公司 | 一种基于工业大数据图像分析的木材质量智能检测系统 |
| CN113034498B (zh) * | 2021-04-28 | 2023-11-28 | 江苏欧密格光电科技股份有限公司 | Led灯珠缺陷检测和评估方法、装置、计算机设备及介质 |
| CN114155426B (zh) * | 2021-12-13 | 2023-08-15 | 中国科学院光电技术研究所 | 一种基于局部多向梯度信息融合的弱小目标检测方法 |
| CN114882387B (zh) * | 2022-07-12 | 2022-09-16 | 江苏宝诺铸造有限公司 | 一种磨削工艺中轴承滚道撞伤识别及自动抛光定位方法 |
| CN115063400B (zh) * | 2022-07-22 | 2022-11-01 | 山东中艺音美器材有限公司 | 利用视觉手段的乐器生产缺陷检测方法 |
| CN115308310B (zh) * | 2022-09-29 | 2022-12-20 | 誉隆半导体设备(江苏)有限公司 | 一种管路内壁的超声探伤识别方法 |
| CN115908408B (zh) * | 2023-01-05 | 2023-06-02 | 浙江工业大学 | 基于多邻域预测模型的磁芯缺陷检测方法 |
| CN117074889A (zh) * | 2023-10-16 | 2023-11-17 | 天津科林电气有限公司 | 一种直流电弧检测方法及装置 |
| CN117094998B (zh) * | 2023-10-19 | 2024-02-02 | 厘壮信息科技(苏州)有限公司 | 一种单晶硅片生产过程的缺陷检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102822867A (zh) * | 2010-03-26 | 2012-12-12 | 波音公司 | 检测透明物体中的光学缺陷 |
| CN103954627A (zh) * | 2014-04-21 | 2014-07-30 | 杭州电子科技大学 | 一种基于样本库字典基的电子元器件表面缺陷检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6434269B1 (en) * | 1999-04-26 | 2002-08-13 | Adobe Systems Incorporated | Smart erasure brush |
-
2015
- 2015-06-23 CN CN201510349332.5A patent/CN104990925B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102822867A (zh) * | 2010-03-26 | 2012-12-12 | 波音公司 | 检测透明物体中的光学缺陷 |
| CN103954627A (zh) * | 2014-04-21 | 2014-07-30 | 杭州电子科技大学 | 一种基于样本库字典基的电子元器件表面缺陷检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 多指标指纹图像分割方法研究;汪媛 等;《阜阳师范学院学报（自然科学版》;20110630;第28卷(第2期);第47~48页、图2 * |
| 边缘提取的梯度幅值阈值的动态获取方法;尹清准;《软件导刊》;20090131;第8卷(第1期);第16~17页 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109870459A (zh) * | 2019-02-21 | 2019-06-11 | 武汉武大卓越科技有限责任公司 | 无砟轨道的轨道板裂缝检测方法 |
| CN109870459B (zh) * | 2019-02-21 | 2021-07-06 | 武汉光谷卓越科技股份有限公司 | 无砟轨道的轨道板裂缝检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104990925A (zh) | 2015-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104990925B (zh) | 一种基于梯度多阈值优化缺陷检测方法 | |
| CN109377485B (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
| CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
| CN111179225B (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
| CN107705283B (zh) | 基于Otsu图像分割的颗粒与气泡碰撞检测方法 | |
| CN108491788A (zh) | 一种用于财务报表单元格的智能提取方法及装置 | |
| CN115018828A (zh) | 一种电子元器件的缺陷检测方法 | |
| CN107230202A (zh) | 路面病害图像的自动识别方法和系统 | |
| CN103810474A (zh) | 一种基于多特征低秩矩阵表示的车牌检测方法 | |
| CN108960011B (zh) | 部分遮挡的柑橘果实图像识别方法 | |
| CN109242870A (zh) | 一种基于图像划分和纹理特征的海天线检测方法 | |
| CN112017164A (zh) | 基于深度阈值卷积模型的土石料级配检测方法 | |
| CN109741314A (zh) | 一种零件的视觉检测方法及系统 | |
| CN108447050A (zh) | 一种基于超像素的工件表面缺陷分割方法 | |
| CN105976390B (zh) | 一种结合支持向量机阈值统计与斑点检测的钢管计数方法 | |
| CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
| CN101510262A (zh) | 一种钢中析出粒子的自动测量及其形态分类方法 | |
| CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
| CN107490583A (zh) | 一种基于机器视觉的夹片缺陷检测方法 | |
| CN111754538B (zh) | Usb表面缺陷检测的阈值分割方法 | |
| CN102982534A (zh) | 基于弦线切线法的Canny边缘检测双阈值获取方法 | |
| CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
| CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
| CN117252882B (zh) | 一种气缸盖质量检测方法及系统 | |
| CN106872473A (zh) | 一种基于机器视觉的马铃薯缺陷检测识别系统设计 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Jun Inventor after: Gao Yin Inventor before: Gao Yin Inventor before: Li Jun |
|
| COR | Change of bibliographic data | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20190829 Address after: 518057 D607, Block D, Shenzhen Institute of Space Science and Technology Innovation Building, No. 6 South Science and Technology 10 Road, Nanshan District, Shenzhen City, Guangdong Province Patentee after: Shenzhen Yahui Heng Technology Co.,Ltd. Address before: 362100 Fujian city of Quanzhou Province Taiwan Investment Zone Zhen Xing Dong Yuan Cun ultramarine Sau Road Administrative Services Building 5 room 511 Patentee before: QUANZHOU INSTITUTE OF EQUIPMENT MANUFACTURING |
|
| TR01 | Transfer of patent right | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171219 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |