CN105158258B - 一种基于计算机视觉的竹条表面缺陷检测方法 - Google Patents

一种基于计算机视觉的竹条表面缺陷检测方法 Download PDF

Info

Publication number
CN105158258B
CN105158258B CN201510416011.2A CN201510416011A CN105158258B CN 105158258 B CN105158258 B CN 105158258B CN 201510416011 A CN201510416011 A CN 201510416011A CN 105158258 B CN105158258 B CN 105158258B
Authority
CN
China
Prior art keywords
image
bamboo cane
defect
gray
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.)
Active
Application number
CN201510416011.2A
Other languages
English (en)
Other versions
CN105158258A (zh
Inventor
夏海英
宋树祥
李建辉
周祚山
牟向伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi Normal University
Original Assignee
Guangxi Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangxi Normal University filed Critical Guangxi Normal University
Priority to CN201510416011.2A priority Critical patent/CN105158258B/zh
Publication of CN105158258A publication Critical patent/CN105158258A/zh
Application granted granted Critical
Publication of CN105158258B publication Critical patent/CN105158258B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Processing (AREA)

Abstract

本发明为一种基于计算机视觉的竹条表面缺陷检测方法,摄取竹条图像归一化、滤波处理及小波变换处理；最大类间方差法对图像阈值分割，闭操作填充竹条图像孔洞，再用腐蚀操作去除闭操作的负影响，差影法分割出竹条图像中的虫洞和/或霉斑缺陷，若缺陷连通域面积小于缺陷域面积阈值A，则认为无霉斑或虫洞缺陷，进入裂缝检测；否则计算缺陷连通域图像灰度均值Gm，Gm与竹条图像灰度均值G0的差大于阈值G则有霉斑或虫洞，判断为缺陷竹条；否则检测边缘和裂缝，去除图像的竹条边缘，非零像素点总个数或最大连通域长度大于对应阈值，且裂缝灰度均值大于G0，判定有裂缝缺陷，否则合格。本法检测效率高，抗噪性强，稳定性高，正确识别率达95％以上。

Description

一种基于计算机视觉的竹条表面缺陷检测方法
技术领域
本发明涉及图像处理技术领域，具体为一种基于计算机视觉的竹条表面缺陷检测方法。
背景技术
我国竹类资源丰富而且竹类有很强的再生能力。竹材质感爽滑、纹理清晰,被广泛用于制造竹挂毯、竹地毯、竹地板等建筑、装饰产品。但竹子生长过程中不免有部分生虫或患病或腐变。制成的中间产品竹条，由于各种环境气候、湿度等原因，加工存贮过程中有的竹条会开裂，也有的竹条会发霉。因此竹条表面常会出现虫蛀洞孔、裂缝、霉斑等缺陷。在进行下一步的竹产品加工前，必须先对竹条表面缺陷进行检测，否则无法保证竹产品的质量，造成合格率低。
目前主要依靠人工肉眼识别的方法对竹条进行筛选,劳动强度大,筛选效率低,特别是人眼长期进行单调的扫视检查，极易产生视觉疲劳，更易增加误判和漏检。人工筛选后竹条的质量仍难以得到保障,造成竹产品质量无法稳定提高，极大地制约了竹制品产业的快速发展。
基于计算机视觉的缺陷检测技术已经广泛的用于薄膜、织物、玻璃、钢材等工业缺陷检测上。申请号为CN200810150244.2，2008年07月13日公开的中国发明专利申请，名称为“一种基于计算机视觉的竹条缺陷在线检测方法”。该方法通过对竹条灰度图像预处理后，用图像分割中的最大类间方差(OTSU)法，先把图像分为两类判断是否有大缺陷，再划分为有限个小区域，判断是否存在小缺陷。此方法检测前对每根竹条均要沿长度对四个表面进行拍摄，且要对每帧图像进行处理、计算、比较和判断。工业生产中需检测大量竹条，此法实施难度大，效率低。另外此法稳定性不够，抗噪声能力弱，在噪声梯度大且灰度值低时此法会将一个像素点的噪声也误判为缺陷竹条。故此方法在竹产品生产中难以推广应用。
发明内容
本发明的目的是提出了一种基于计算机视觉的竹条表面缺陷检测方法，摄取竹条表面灰度图像后，先对图像进行归一化和滤波处理，再用小波变换去除细节，之后最大类间方差法进行阈值分割，得到霉斑和/或虫洞缺陷图像，再用canny算子进行边缘检测，得到裂缝缺陷图像，缺陷图像经过面积(长度)和灰度差与阈值的比较，判断是否为缺陷竹条。
本发明一种基于计算机视觉的竹条表面缺陷检测方法,包括以下步骤：
Ⅰ、摄取竹条图像
摄取竹条表面灰度图像f；采用无反光的黑色背景，避免反光以及竹条阴影的干扰，以降低拍摄要求；另一方面竹条缺陷在灰度图像中颜色接近黑色，最大类间方差法OTSU分割的时候竹条虫洞霉斑缺陷被当成背景，当目标与背景的大小比例悬殊时，类间方差准则函数可能呈现双峰或多峰，此时OTSU分割效果不好。黑色背景可避免出现OTSU分割效果不佳的情况。
Ⅱ、归一化
采用伽玛校正法(Gamma Correction)对图像f进行颜色空间的标准化，即归一化，得到图像fg；目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；
Ⅲ、滤波
对图像fg进行中值滤波以及高斯滤波获得图像f1；由于在生产车间灰尘较多，很容易产生椒盐噪声，滤波以避免噪声影响；
Ⅳ、小波变换处理
小波变换处理得到图像f2；用以去除会影响判断结果的竹条的竹节以及纹理等图像细节；
采用sym4小波对图像f1进行四级小波变换，再对图像f1基于小波去除竖直方向和对角方向的第四级细节系数，并去除水平方向第一级细节系数；
Ⅴ、最大类间方差法的阈值分割
用最大类间方差法(OTSU)对图像f2进行阈值分割，获得图像f3；
以竹条图像为前景，前景点面积占图像总面积比例为w0，前景点灰度均值为u0；背景点面积占图像总面积比例为w1，背景点灰度均值为u1。整个图像的灰度均值为u＝w0×u0+w1×u1。
目标函数g(t)＝w0×(u0-u)2+w1×(u1-u)2，g(t)为分割阈值t的类间方差表达式。遍历图像f2所有的灰度值，即取t从0到255，当g(t)取得最大值时、所对应的t＝t0为图像f2前景与背景的分割灰度阈值；
Ⅵ、孔洞填充
对图像f3上的竹条图像的虫洞和/或霉斑区域进行孔洞填充得到图像f4；
对处于竹条图像上的虫洞和/或霉斑缺陷进行闭操作；图像中孔洞缺陷水平方向最大长度为T个像素，取长度大于T的水平线型结构元素对图像f3闭操作，完成孔洞填充；闭操作不仅填充竹条图像内的孔洞还能填充竹条图像边缘上的孔洞缺陷。
较佳方案为，闭操作时水平线性结构元素的长度像素值为T～(T+10)。
再用长度等于或大于2～5个像素与水平线交角为90度的线型结构元素对图像f3执行腐蚀操作，去除闭操作对边缘的负面影响；
Ⅶ、霉斑和/或虫洞缺陷判断
用差影法、即用图像f4-f3得到分割图像f5，f5显示竹条图像中被分割出的虫洞和/或霉斑缺陷的图像；
Ⅶ-1、若图像f5中显示的缺陷无连通域或者缺陷连通域面积小于缺陷域面积阈值A，则认为没有霉斑或虫洞缺陷，并进入步骤Ⅷ；阈值A为要求检测的最小缺陷面积，可通过实验取得，本发明阈值A取值为2～5个像素；
Ⅶ-2、若图像f5中显示的缺陷连通域面积等于或大于缺陷域面积阈值A，则计算图像f5中缺陷连通域的平均灰度值Gm与图像f2中竹条图像的平均灰度值G0的差Tm，若Tm大于孔洞灰度差阈值G则认为存在霉斑或虫洞缺陷，判断此为缺陷竹条；孔洞灰度差阈值G小于竹条平均灰度值50～70，本发明中设定G为50～70。若仍有未检测的竹条，返回步骤Ⅰ，进行下一根竹条的检测；
若Tm不大于孔洞灰度差阈值G则认为不存在霉斑或虫洞缺陷，进入步骤Ⅷ；
所检测竹条缺陷连通域的平均灰度值Gm的求取方法如下：图像f5的灰度值只有两个值，缺陷区域的灰度值为1，背景区域的灰度值为0。求取Gm时，图像f5与f2的各个点的灰度值相乘，相乘后f2背景区域灰度值为0，也就是去掉背景的灰度；而f2缺陷区域的灰度值保持不变，其平均灰度为Gm。
Ⅷ、边缘和裂缝检测
用canny算子对图像f2进行检测，canny算子检测的边缘是单像素边缘，canny算子边缘检测后获得竹条边缘和裂缝缺陷的图像f6；本法可以检测竹条上、下边缘以及竹条表面的细小裂缝；
Ⅸ、去除竹条边缘
图像f6各列从上端到下端、并从下端到上端检索、获得的第一个非零像素点置零，即置为背景，去除图像f6上的竹条上、下边缘，得到竹条的裂缝缺陷图像f7；
Ⅹ、裂缝缺陷判断
计算f7中非零像素点总个数Se和最大连通域长度Me以及非零像素点所对应的平均灰度值；
设定非零像素点总个数阈值T1，T1设定为最小裂缝缺陷长度像素值两倍，或者通过预先实验设定阈值，本发明阈值T1设为50～70个，
设定最大连通域长度阈值T2，T2设定为裂缝缺陷长度像素值，或者通过预先实验设定阈值，本发明阈值T2设为20～40个像素值。
若Se＞T1或者Me＞T2，同时f7中非零像素点平均灰度Hm与竹条平均灰度G0的差大于裂缝灰度差阈值H，，则判定为有裂缝缺陷的竹条；若仍有未检测的竹条，返回步骤Ⅰ，进行下一根竹条的检测；若无未检测的竹条，检测完成；
裂缝灰度差阈值H小于步骤Ⅶ的孔洞灰度差阈值G，H可通过预先实验设定，本发明裂缝灰度差阈值H设为40～60。
所检测竹条非零像素点平均灰度Hm的求取方法与Gm相似，具体如下：图像f7的灰度值只有两个值，裂缝的非零像素点灰度值为1，背景区域的灰度值为0。求取Hm时，图像f7与f2的各个点的灰度值相乘，相乘后f2背景区域灰度值为0，也就是去掉背景的灰度；而f2非零像素点裂缝区域的灰度值保持不变，其平均灰度为Hm。
若Se＞T1或者Me＞T2，均不成立，认为是合格竹条；若Se＞T1或者Me＞T2，但非零像素点平均灰度与竹条平均灰度G0的差不大于裂缝灰度差阈值H，认为是合格竹条；若仍有未检测的竹条，返回步骤Ⅰ，进行下一根竹条的检测；若无未检测的竹条，检测完成。
与现有技术相比，本发明一种基于计算机视觉的竹条表面缺陷检测方法的优点为：1、能迅速分割出图像中的缺陷，抗噪声强，稳定性较高，正确识别率达95％以上，可解决竹制品生产中依靠人工肉眼识别竹条表面缺陷劳动强度大、筛选效率低且筛选质量得不到保证等问题，显著提高了竹条的检测效率并确保竹条筛选质量；2、灰度图像拍摄条件宽松、容易实现，可动态连续进行拍摄，符合工业生产中计算机视觉缺陷检测效率；3、算法较为简单实用，易于程序实现，适用于竹条自动化在线检测。
附图说明
图1为本基于计算机视觉的竹条表面缺陷检测方法实施例的方法流程图；
图2为本基于计算机视觉的竹条表面缺陷检测方法实施例1步骤Ⅰ获得的竹条灰度图像f；
图3为本基于计算机视觉的竹条表面缺陷检测方法实施例1步骤Ⅳ经过前期处理获得的图像f2；
图4为本基于计算机视觉的竹条表面缺陷检测方法实施例1步骤Ⅴ阈值分割后获得的图像像f3；
图5为本基于计算机视觉的竹条表面缺陷检测方法实施例1步骤Ⅵ孔洞填充后获得的图像f4；
图6为本基于计算机视觉的竹条表面缺陷检测方法实施例1步骤Ⅶ差影法获得的霉斑或虫洞缺陷图像f5；
图7为本基于计算机视觉的竹条表面缺陷检测方法实施例2步骤Ⅰ获得的竹条灰度图像f；
图8为本基于计算机视觉的竹条表面缺陷检测方法实施例2步骤Ⅳ经过前期处理获得的图像f2；
图9为本基于计算机视觉的竹条表面缺陷检测方法实施例2步骤Ⅷ获得的竹条边缘和裂缝缺陷灰度图像f6；
图10为本基于计算机视觉的竹条表面缺陷检测方法实施例2步骤Ⅸ获得的裂缝缺陷图像f7。
具体实施方式
本基于计算机视觉的竹条表面缺陷检测方法实施例的流程图如图1所示。按上述实施例流程对321个竹条样本进行表面缺陷检测实验，正确识别率为96％。以下的实施例1和2是对霉斑和/或虫洞缺陷竹条和裂缝缺陷竹条的检测实施例。
本基于计算机视觉的竹条表面缺陷检测方法实施例1
主要步骤如下：
Ⅰ、摄取竹条图像
以黑色绒布做背景摄取竹条表面灰度图像f，如图2所示，可看到竹条图像中部有一深色小点；
Ⅱ、归一化
采用伽玛校正法对图像f进行归一化，得到图像fg；
Ⅲ、滤波
对图像fg进行中值滤波以及高斯滤波获得图像f1；
Ⅳ、小波变换处理
采用sym4小波对图像f1进行四级小波变换，得到图像f2，如图3所示，竹条图像中部深色小点更清晰；
Ⅴ、最大类间方差法的阈值分割
用最大类间方差法(OTSU)对图像f2前景与背景进行阈值分割，分割阈值为t，获得图像f3，如图4所示，竹条图像中的缺陷点被分割出来；
本例图像f2的前景点面积占图像总面积比例为w0，前景点灰度均值为u0；背景点面积占图像总面积比例为w1，背景点灰度均值为u1。整个图像的灰度均值为u＝w0×u0+w1×u1。
建立目标函数g(t)＝w0×(u0-u)2+w1×(u1-u)2，g(t)为分割阈值t的类间方差表达式。t＝？；
Ⅵ、孔洞填充
本例根据所检测竹条中缺陷水平方向最大值为70像素，用长度为80像素的水平线型结构元素对图像f3闭操作，再用长度为4像素与水平线交角为90度的线型结构对图像f3执行腐蚀操作，去除闭操作对边缘的负面影响，得到图像f4，如图5所示，填充了孔洞缺陷点的竹条图像；完成孔洞填充；
Ⅶ、霉斑和/或虫洞缺陷判断
用差影法、即图像f4-f3得到分割图像f5；即f5显示竹条图像中被分割出的霉斑和/或虫洞缺陷的图像，如图6所示；
本例图像f5中显示的缺陷连通域面积大于缺陷域面积阈值A；计算缺陷连通域所对应图像的平均灰度值Gm与图像f5中竹条平均灰度值G0的差Tm，设定孔洞灰度差阈值G为80，本例Tm大于孔洞灰度差阈值G，判断此为霉斑或虫洞缺陷，此为缺陷竹条；仍有未检测的竹条，返回步骤Ⅰ，进行下一根竹条的检测。
所检测竹条缺陷连通域的平均灰度值Gm的求取方法如下：图像f5缺陷区域的灰度值为1，背景区域的灰度值为0。图像f5与f2的各个点的灰度值相乘，相乘后f2背景区域灰度值为0，f2缺陷区域的灰度值保持不变，其平均灰度为Gm。
本基于计算机视觉的竹条表面缺陷检测方法实施例2
主要步骤如下：
Ⅰ、摄取竹条图像
与实施例1步骤Ⅰ相同，所得竹条表面灰度图像f如图7所示，竹条图像边缘有一淡线条；
步骤Ⅱ～Ⅳ与实施例1相同，得到图像f2，如图8所示，竹条图像边缘有一淡线条；
步骤Ⅴ～与实施例1相同，得到图像f5，本例图像f5中显示的缺陷连通域面积小于缺陷域面积阈值A；判断此竹条无霉斑或虫洞缺陷；进入步骤Ⅷ；
Ⅷ、边缘和裂缝检测
用canny算子遍历图像f2，获得图像f6，如图9所示，此图像f2除了裂缝缺陷还有竹条边缘。
Ⅸ、去除竹条边缘
分别从图像f6每一列的上下端点向中间检索，得到的第一个非零像素点置0，即置为背景，去除图像f6上的竹条上、下边缘，得到竹条的裂缝缺陷图像f7，如图10所示，显示竹条的裂缝缺陷；
Ⅹ、裂缝缺陷判断
计算f7中非零像素点总个数Se和最大连通域长度Me以及非零像素点所对应的平均灰度值；
设定非零像素总个数阈值T1，最大连通域长度阈值T2。本例Se＞T1，Me＞T2，同时非零像素点平均灰度Hm与竹条平均灰度G0的差大于裂缝灰度差阈值H，本例中H设为50，判定为有裂缝缺陷的竹条；若仍有未检测的竹条，返回步骤Ⅰ，进行下一根竹条的检测。
所检测竹条非零像素点平均灰度Hm的求取方法如下：图像f7的非零像素点灰度值为1，背景区域的灰度值为0。图像f7与f2的各个点的灰度值相乘，相乘后f2背景区域灰度值为0，f2非零像素点灰度值保持不变，其平均灰度为Hm。
上述实施例，仅为对本发明的目的、技术方案和有益效果进一步详细说明的具体个例，本发明并非限定于此。凡在本发明的公开的范围之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。

Claims (10)

1.一种基于计算机视觉的竹条表面缺陷检测方法,包括以下步骤：
Ⅰ、摄取竹条图像
摄取竹条表面灰度图像f；
Ⅱ、归一化
采用伽玛校正法对图像f进行归一化，得到图像fg；
Ⅲ、滤波
对图像fg进行中值滤波以及高斯滤波获得图像f1；
Ⅳ、小波变换处理
小波变换处理得到图像f2；
Ⅴ、最大类间方差法的阈值分割
用最大类间方差法对图像f2进行阈值分割，获得图像f3；
以竹条图像为前景，前景点面积占图像总面积比例为w0，前景点灰度均值为u0；背景点面积占图像总面积比例为w1，背景点灰度均值为u1；整个图像的灰度均值为u＝w0×u0+w1×u1；
目标函数g(t)＝w0×(u0-u)2+w1×(u1-u)2，g(t)为分割阈值t的类间方差表达式；遍历图像f2所有的灰度值，取t从0到255，当g(t)取得最大值时、所对应的t＝t0为图像f2前景与背景的分割灰度阈值；
Ⅵ、孔洞填充
对图像f3上的竹条图像的虫洞和/或霉斑区域进行孔洞填充，得到图像f4；图像中孔洞缺陷水平方向最大长度为T个像素，取长度大于T的水平线型结构元素对图像f3闭操作，完成孔洞填充；
Ⅶ、霉斑和/或虫洞缺陷判断
用差影法、即用图像f4-f3得到分割图像f5，f5显示竹条图像中被分割出的虫洞和/或霉斑缺陷的图像；
Ⅶ-1、若图像f5中显示的缺陷无连通域或者缺陷连通域面积小于缺陷域面积阈值A，则认为没有霉斑和/或虫洞缺陷，并进入步骤Ⅷ；所述缺陷域面积阈值A为要求检测的最小缺陷面积或者通过预先实验设定阈值A；
Ⅶ-2、若图像f5中显示的缺陷连通域面积等于或大于缺陷域面积阈值A，则计算缺陷连通域所对应图像的平均灰度值Gm与图像f5中竹条图像的平均灰度值G0的差Tm，若Tm大于孔洞灰度差阈值G则认为存在霉斑和/或虫洞缺陷，判断此为缺陷竹条；若仍有未检测的竹条，返回步骤Ⅰ，进行下一根竹条的检测；
所述孔洞灰度差阈值G小于竹条平均灰度值50～70；
若Tm不大于孔洞灰度差阈值G则认为不存在霉斑或虫洞缺陷，进入步骤Ⅷ；
Ⅷ、边缘和裂缝检测
用canny算子对图像f2进行检测，获得竹条边缘和裂缝缺陷的图像f6；
Ⅸ、去除竹条边缘
图像f6各列从上端到下端、及从下端到上端检索、获得的第一个非零像素点置零，去除图像f6上的竹条上、下边缘，得到竹条的裂缝缺陷图像f7；
Ⅹ、裂缝缺陷判断
计算f7中非零像素点总个数Se和最大连通域长度Me以及非零像素点所对应的平均灰度值；
设定非零像素点总个数阈值T1，T1设定为最小裂缝缺陷长度像素值两倍，或者通过预先实验设定阈值；
设定最大连通域长度阈值T2，T2设定为裂缝缺陷长度像素值，或者通过预先实验设定阈值；
若Se＞T1或者Me＞T2，同时非零像素点平均灰度Hm与竹条平均灰度G0的差大于裂缝灰度差阈值H，则判定为有裂缝缺陷的竹条；若仍有未检测的竹条，返回步骤Ⅰ，进行下一根竹条的检测；若无未检测的竹条，检测完成；
若Se＞T1或者Me＞T2均不成立，认为是合格竹条；若Se＞T1或者Me＞T2，但非零像素点平均灰度与竹条平均灰度G0的差不大于裂缝灰度差阈值H，认为是合格竹条；若仍有未检测的竹条，返回步骤Ⅰ，进行下一根竹条的检测；若无未检测的竹条，检测完成；
所述裂缝灰度差阈值H小于步骤Ⅶ的孔洞灰度差阈值G，通过预先实验设定。
2.根据权利要求1所述的基于计算机视觉的竹条表面缺陷检测方法，其特征在于：
所述步骤Ⅰ摄取竹条图像时采用无反光的黑色背景。
3.根据权利要求1所述的基于计算机视觉的竹条表面缺陷检测方法，其特征在于：
所述步骤Ⅳ采用sym4小波对图像f1进行四级小波变换，再对图像f1基于小波去除竖直方向和对角方向的第四级细节系数，并去除水平方向第一级细节系数。
4.根据权利要求1所述的基于计算机视觉的竹条表面缺陷检测方法，其特征在于：
所述步骤Ⅵ对处于竹条图像边缘的虫洞和/或霉斑缺陷进行闭操作时，水平线性结构元素的长度像素值为T～(T+10)。
5.根据权利要求4所述的基于计算机视觉的竹条表面缺陷检测方法，其特征在于：
所述步骤Ⅵ的闭操作之后，再用长度等于或大于2～5像素与水平线交角为90度的线型结构元素对图像f3执行腐蚀操作。
6.根据权利要求1所述的基于计算机视觉的竹条表面缺陷检测方法，其特征在于：
所述步骤Ⅶ中缺陷域面积阈值A取值为2～5个像素。
7.根据权利要求1所述的基于计算机视觉的竹条表面缺陷检测方法，其特征在于：
所述步骤Ⅶ-2中的孔洞灰度差阈值G设定为70～90。
8.根据权利要求1所述的基于计算机视觉的竹条表面缺陷检测方法，其特征在于：
所述步骤X中的裂缝灰度差阈值H设定为40～60。
9.根据权利要求1所述的基于计算机视觉的竹条表面缺陷检测方法，其特征在于：
所述步骤Ⅹ中非零像素点总个数阈值T1设为50～70个；最大连通域长度阈值T2设为20～40个像素值。
10.根据权利要求1所述的基于计算机视觉的竹条表面缺陷检测方法，其特征在于：
所述步骤Ⅶ-2中所检测竹条缺陷连通域的平均灰度值Gm的求取方法如下：图像f5缺陷区域的灰度值为1，背景区域的灰度值为0；图像f5与f2的各个点的灰度值相乘，相乘后f2背景区域灰度值为0，f2缺陷区域的灰度值保持不变，其平均灰度为Gm；
所述步骤Ⅹ中所检测竹条非零像素点平均灰度Hm的求取方法如下：图像f7的非零像素点灰度值为1，背景区域的灰度值为0；图像f7与f2的各个点的灰度值相乘，相乘后f2背景区域灰度值为0，f2非零像素点的灰度值保持不变，其平均灰度为Hm。
CN201510416011.2A 2015-07-15 2015-07-15 一种基于计算机视觉的竹条表面缺陷检测方法 Active CN105158258B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510416011.2A CN105158258B (zh) 2015-07-15 2015-07-15 一种基于计算机视觉的竹条表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510416011.2A CN105158258B (zh) 2015-07-15 2015-07-15 一种基于计算机视觉的竹条表面缺陷检测方法

Publications (2)

Publication Number Publication Date
CN105158258A CN105158258A (zh) 2015-12-16
CN105158258B true CN105158258B (zh) 2017-09-01

Family

ID=54799187

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510416011.2A Active CN105158258B (zh) 2015-07-15 2015-07-15 一种基于计算机视觉的竹条表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN105158258B (zh)

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105466950B (zh) * 2016-01-14 2018-06-01 上海孚兴电子科技有限公司 一种基于视觉的竹块在线检测方法及系统
CN105975966A (zh) * 2016-04-21 2016-09-28 南京农业大学 一种稻谷霉变无损检测的方法
CN106557745A (zh) * 2016-11-11 2017-04-05 吴怀宇 基于最大类间方差及伽马变换的人体眼球检测方法及系统
CN107014819A (zh) * 2017-06-09 2017-08-04 杭州电子科技大学 一种太阳能电池板表面缺陷检测系统和方法
CN108257138B (zh) * 2018-01-26 2021-07-30 西安工程大学 一种基于边缘检测的瓷质绝缘子裂缝特征检测方法
CN108181316B (zh) * 2018-03-13 2019-12-20 广西师范大学 一种基于机器视觉的竹条缺陷检测方法
CN108827181B (zh) * 2018-03-14 2021-04-09 浙江大学山东工业技术研究院 一种基于视觉的板材表面检测方法
CN109374628A (zh) * 2018-08-31 2019-02-22 中国印刷科学技术研究院有限公司 凹印版辊表面缺陷智能检测的缺陷确认方法
CN109682820A (zh) * 2018-11-05 2019-04-26 苏州佳智彩光电科技有限公司 一种显示屏的缺陷自动光学检测方法
CN110390664A (zh) * 2018-11-30 2019-10-29 武汉滨湖电子有限责任公司 一种基于孔洞填充路面裂缝识别方法
CN110336931A (zh) * 2019-06-14 2019-10-15 国网电力科学研究院武汉南瑞有限责任公司 一种低压电流互感器霉菌试验结果的评价方法
CN110389127B (zh) * 2019-07-03 2020-08-14 浙江大学 一种金属陶瓷零件识别及表面缺陷检测系统和方法
CN110516725B (zh) * 2019-08-16 2023-08-01 三峡大学 基于机器视觉的木板条纹间距和颜色的检测方法
CN111062934B (zh) * 2019-12-25 2023-10-13 陈金选 一种织物图像缺陷实时检测方法
CN111667475B (zh) * 2020-06-09 2023-04-18 陕西科技大学 一种基于机器视觉的大枣分级检测方法
CN112215793B (zh) * 2020-08-28 2022-10-14 阳信瑞鑫集团有限公司 手工枪刺地毯图案检测纹理绘制及在地毯织造中应用方法
CN112184698B (zh) * 2020-10-19 2022-04-15 三明帝视机器人科技有限公司 基于辅助学习网络的竹条缺陷检测方法
CN113379680B (zh) * 2021-05-18 2023-05-23 上海闻泰信息技术有限公司 缺陷检测方法、装置、电子设备和计算机可读存储介质
CN113240649B (zh) * 2021-05-19 2023-12-19 姚坚超 一种基于图像分析的建筑构件检测方法及系统
CN114166805B (zh) * 2021-11-03 2024-01-30 格力电器（合肥）有限公司 Ntc温度传感器检测方法、装置、ntc温度传感器及制造方法
CN114782426B (zh) * 2022-06-17 2022-09-02 江苏宜臻纺织科技有限公司 基于人工智能系统的针织布料断纱缺陷检测方法
CN115294144B (zh) * 2022-10-10 2023-04-11 雷戈锘智能家居(南通)有限公司 一种家具复合板表面缺陷识别方法
CN115908412B (zh) * 2023-01-06 2023-06-02 福建帝视智能科技有限公司 一种基于线激光图像的竹条缺陷检测方法及终端
CN115953776B (zh) * 2023-03-09 2023-05-23 聊城市检验检测中心 基于机器学习的食品检测系统
CN116703910B (zh) * 2023-08-07 2023-10-17 威海丰荟建筑工业科技有限公司 一种混凝土预制底板质量智能检测方法
CN117152180B (zh) * 2023-10-31 2024-01-26 山东克莱蒙特新材料科技有限公司 基于人工智能的矿物铸件缺陷检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006123534A1 (ja) * 2005-05-18 2006-11-23 Meinan Machinery Works, Inc. 木材の節探査方法及び装置及びプログラム
CN101320004A (zh) * 2008-07-03 2008-12-10 西北工业大学 基于机器视觉的竹条缺陷在线检测方法
CN102411713A (zh) * 2011-11-14 2012-04-11 广西师范大学 智能竹片识别系统
CN103792240A (zh) * 2014-01-03 2014-05-14 广西师范大学 竹片智能检测系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006123534A1 (ja) * 2005-05-18 2006-11-23 Meinan Machinery Works, Inc. 木材の節探査方法及び装置及びプログラム
CN101180536A (zh) * 2005-05-18 2008-05-14 株式会社名南制作所 木材的节子探查方法及装置和程序
CN101320004A (zh) * 2008-07-03 2008-12-10 西北工业大学 基于机器视觉的竹条缺陷在线检测方法
CN102411713A (zh) * 2011-11-14 2012-04-11 广西师范大学 智能竹片识别系统
CN103792240A (zh) * 2014-01-03 2014-05-14 广西师范大学 竹片智能检测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于LabVIEW的竹片缺陷检测研究与实现;蒋贤明;《中国优秀硕士学位论文全文数据库 信息科技辑》;20141015(第10期);全文 *
基于小波多尺度分解的竹条缺陷检测算法;贺峰等;《机电一体化》;20100131;第46-49页 *

Also Published As

Publication number Publication date
CN105158258A (zh) 2015-12-16

Similar Documents

Publication Publication Date Title
CN105158258B (zh) 一种基于计算机视觉的竹条表面缺陷检测方法
CN104978748B (zh) 一种基于局部像素值的液晶屏缺陷检测方法
CN102175700B (zh) 数字x射线图像焊缝分割和缺陷检测方法
KR101635461B1 (ko) 웨이블릿 변환에서 마스크 필터링을 이용한 얼룩 결함 자동 검출 시스템 및 방법
CN109886960A (zh) 基于机器视觉的玻璃边缘缺陷检测的方法
CN108665458A (zh) 透明体表面缺陷提取及识别方法
CN104637067B (zh) 一种纹理表面的缺陷检测方法
CN109801322B (zh) 一种漏光检测方法及装置
Samarawickrama et al. Matlab based automated surface defect detection system for ceremic tiles using image processing
CN102680494B (zh) 基于机器视觉的抛光金属弧状面瑕疵实时检测方法
CN107490582A (zh) 一种流水线工件检测系统
CN104809725A (zh) 一种布匹缺陷视觉识别检测装置和方法
Shire et al. Plain ceramic tiles surface defect detection using image processing
CN114549441A (zh) 基于图像处理的吸管缺陷检测方法
CN105572143B (zh) 压延过程中压延材料表面周期性缺陷的检测方法
CN112950541A (zh) 一种基于机器视觉的合成革涂胶在线监测方法
JP2009229197A (ja) 線状欠陥検出方法および線状欠陥検出装置
KR101966075B1 (ko) 표시장치의 얼룩 검출 장치 및 방법
CN108805854B (zh) 一种复杂环境下药片快速计数与完整性检测方法
CN107037053A (zh) 用于检测斑缺陷的设备和方法
CN110186929A (zh) 一种实时的产品瑕疵定位方法
CN109387524A (zh) 基于线性偏振光的螺纹缺陷检测方法及装置
CN103605973A (zh) 一种图像字符检测鉴别方法
CN110880171A (zh) 一种显示装置的检测方法及电子设备
CN106646939B (zh) 一种Mura缺陷检出方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant